CN110889724A - 客户流失预测方法、装置、电子设备和存储介质 - Google Patents
客户流失预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110889724A CN110889724A CN201911157690.0A CN201911157690A CN110889724A CN 110889724 A CN110889724 A CN 110889724A CN 201911157690 A CN201911157690 A CN 201911157690A CN 110889724 A CN110889724 A CN 110889724A
- Authority
- CN
- China
- Prior art keywords
- data
- training sample
- customer
- sample data
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims description 131
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 16
- 238000000556 factor analysis Methods 0.000 claims description 15
- 238000010187 selection method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供的客户流失预测方法、装置、电子设备和存储介质，所述方法包括：将由待预测的客户数据构建的目标特征输入到预先训练好的客户流失预测模型中进行预测，输出最终的预测结果，得出该客户是否可能会流失。通过上述方法能够较为准确地预测出客户是否可能流失，使从业人员能够根据模型的预测结果制定相应的挽留策略，在客户流失之前挽留客户，减少由于客户流失带来的损失。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种客户流失预测方法、装置、电子设备和存储介质。
背景技术
现有技术中，由于客户流失对企业利润的影响巨大，当前客户流失问题受到广泛的重视。例如，在竞争越来越激烈的银行业，各个银行获得新客户不仅需要花费较多的时间成本，而且大多数新客户产生的利润低于老客户产生的利润，因此，如何准确地预测出客户是否存在潜在流失是本领域技术人员需要解决的问题。
发明内容
有鉴于此，本申请的目的在于提供客户流失预测方法、装置、电子设备和存储介质，以预测客户是否流失。
第一方面，实施例提供一种客户流失预测方法，应用于电子设备，所述方法包括：
获取待预测的客户数据，其中，所述客户数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种；
根据所述待预测的客户数据构建目标特征，其中，所述目标特征包括财务特征、贷款特征、资产特征、社区特征和资金交易特征中的至少一个；
将所述目标特征作为输入值，输入到预先训练好的客户流失预测模型中进行预测，并输出预测结果，其中，所述客户流失预测模型通过多个训练样本数据对xgboost算法进行迭代训练获得。
在可选的实施方式中，所述方法还包括训练所述客户流失预测模型的步骤，所述步骤包括：
获取多个训练样本数据，其中，所述训练样本数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种以及该训练样本数据对应的客户是否流失；
根据各所述训练样本数据构建多个特征；
通过因子分析算法，从所述多个特征中选择出与客户是否流失的相关性超过预设值的目标特征，其中，所述因子分析算法包括皮尔逊相关系数算法、正则化方法和基于模型的特征选择方法中的至少一种；
将各所述训练样本数据对应的目标特征及客户是否流失作为输入值，输入到xgboost算法中进行迭代训练，以获得训练好的客户流失预测模型。
在可选的实施方式中，在根据各所述训练样本数据构建多个特征之前，所述方法还包括：
对各所述训练样本数据进行预处理，其中，所述预处理包括缺失值处理、异常值处理和规范化处理中的至少一种。
在可选的实施方式中，所述训练样本数据包括财务数据和资产数据，所述根据各所述训练样本数据构建多个特征，包括：
基于各所述训练样本数据包括的财务数据及资产数据计算各所述训练样本数据分别对应的财务特征，其中，所述财务特征包括总资产负债率和/或流动负责率。
在可选的实施方式中，所述训练样本数据包括资产数据和信贷数据，所述根据各所述训练样本数据构建多个特征，包括：
基于各所述训练样本数据包括的资产数据计算各所述训练样本数据分别对应的资产特征，基于各所述训练样本数据包括的信贷数据计算各所述训练样本数据分别对应的贷款特征，其中，所述贷款特征包括在预设的时间段内的贷款比率，所述资产特征包括在预设的时间段内的资产比率。
在可选的实施方式中，所述训练样本数据包括交易数据，所述根据各所述训练样本数据构建多个特征，包括：
基于各所述训练样本数据包括的交易数据计算各所述训练样本数据分别对应的资金交易特征，其中，所述资金交易特征包括在预设的时间段内的资金交易频率和/或在预设的时间段内的平均资金交易量。
第二方面，实施例提供一种客户流失预测装置，应用于电子设备，所述装置包括：
数据获取模块，用于获取待预测的客户数据，其中，所述客户数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种；
目标特征构建模块，用于根据所述待预测的客户数据构建目标特征，其中，所述目标特征包括财务特征、贷款特征、资产特征、社区特征和资金交易特征中的至少一个；
预测模块，用于将所述目标特征作为输入值，输入到预先训练好的客户流失预测模型中进行预测，并输出预测结果，其中，所述客户流失预测模型通过多个训练样本数据对xgboost算法进行迭代训练获得。
在可选的实施方式中，所述装置还包括用于训练所述客户流失预测模型的训练模块，所述训练模块具体用于：
获取多个训练样本数据，其中，所述训练样本数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种以及该训练样本数据对应的客户是否流失；
根据各所述训练样本数据构建多个特征；
通过因子分析算法，从所述多个特征中选择出与客户是否流失的相关性超过预设值的目标特征，其中，所述因子分析算法包括皮尔逊相关系数算法、正则化方法和基于模型的特征选择方法中的至少一种；
将各所述训练样本数据对应的目标特征及客户是否流失作为输入值，输入到xgboost算法中进行迭代训练，以获得训练好的客户流失预测模型。
第三方面，实施例提供一种电子设备，包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述电子设备执行前述实施方式中任意一项所述的客户流失预测方法。
第四方面，实施例提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被执行时实现前述实施方式任意一项所述的客户流失预测方法。
本申请的有益效果：
本申请实施例提供的客户流失预测方法、装置、电子设备和存储介质，将由待预测的客户数据构建的目标特征输入到预先训练好的客户流失预测模型中进行预测，输出最终的预测结果，得到该客户是否可能会流失。通过上述方法能够较为准确地预测出客户是否可能流失，进而使从业人员能够根据模型的预测结果制定相应的挽留策略，在客户流失之前挽留客户，减少由于客户流失带来的损失。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构示意图；
图2为本申请实施例提供的客户流失预测方法的流程图之一；
图3为本申请实施例提供的客户流失预测方法的流程图之二；
图4为图3中步骤S210的子步骤流程图；
图5为本申请实施例提供的客户流失预测装置的功能模块图之一；
图6为本申请实施例提供的客户流失预测装置的功能模块图之二。
主要元件符号说明：100-电子设备；110-客户流失预测装置；120-存储器；130-处理器；1101-训练模块；1102-数据获取模块；1103-目标特征构建模块；1104-预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参照图1，图1为本申请实施例提供的电子设备100的结构示意图。该电子设备100包括有处理器130、存储器120以及客户流失预测装置110，所述存储器120与处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述客户流失预测装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(Operating System，OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如客户流失预测装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器120可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图2，图2为本申请实施例提供的客户流失预测方法的流程图之一。该方法应用于图1中的电子设备100，包括：
步骤S220，获取待预测的客户数据。其中，客户数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种。
步骤S230，根据待预测的客户数据构建目标特征。其中，目标特征包括财务特征、贷款特征、资产特征、社区特征和资金交易特征中的至少一个。
步骤S240，将目标特征作为输入值，输入到预先训练好的客户流失预测模型中进行预测，并输出预测结果。其中，客户流失预测模型通过多个训练样本数据对xgboost算法进行迭代训练获得。
在上述步骤中，在对客户是否流失进行预测时，需要根据获得的客户数据中包括的企业的基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据等数据构建相应的目标特征，例如财务特征、贷款特征、资产特征、社区特征或资金交易特征等特征。这些特征可以用于表征该客户的贷款情况、资产情况、经营情况等，以便对该客户是否会流失进行分析预测。
将各个客户数据对应的目标特征输入到预先训练好的客户流失预测模型中进行预测，即可获得每个客户数据对应的客户是否可能流失。从业人员能够根据预测结果制定相应的挽留策略，避免客户流失带来的损失。
例如，在银行业的贷款业务中，为了判定客户的贷款到期后是否会进行续贷(即该客户是否流失)，通常需要根据该客户的企业信息，资产情况、交易情况、企业经营状态等一系列特征判断该客户是否有继续贷款的需求，从而判定该客户是否可能流失。
为了进一步对客户流失预测方法进行说明，请参照图3，图3为本申请实施例提供的客户流失预测方法的流程图之二，在本实施例中，在步骤S210之前，客户流失预测方法还包括步骤S210：训练客户流失预测模型。
在一种实现方式中，请参照图4，图4为图3中步骤S210的子步骤流程图。步骤S210可以包括以下子步骤：
子步骤S2101，获取多个训练样本数据。其中，训练样本数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种以及该训练样本数据对应的客户是否流失。
在银行业的贷款业务中，定义客户是否流失时，可以将多个训练样本数据按照预设的条件将训练样本数据分为观察期和表现期。例如，根据贷款到期日划分，在贷款到期日之前称为观察期，贷款到期日之后称为表现期，根据客户在表现期的续贷情况，即可判断该客户是否流失。例如，若客户在表现期内没有继续在该银行贷款，则表示该客户已经流失，若客户在表现期内继续在该银行贷款，则表示该客户未流失。
子步骤S2102，根据各训练样本数据构建多个特征。
在上述子步骤中，预先获得的多个训练样本数据中包括各训练样本数据对应的客户的基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据等，多个训练样本数据中还包括了各训练样本数据对应的客户最终的流失结果，即该客户流失或未流失。其中，训练样本数据可以从银行的历史客户数据中获得。
随后根据预先获得的多个训练样本数据中的基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据等构建多个特征，每个训练样本数据可以构建财务特征、贷款特征、资产特征、社区特征和资金交易特征中的至少一个特征。
在本实施例中，子步骤S2102可以包括：基于各训练样本数据包括的财务数据及资产数据计算各训练样本数据分别对应的财务特征。财务特征用于表征企业在观察期内的经营及负债状况，表征了企业对贷款的依赖程度。财务特征包括总资产负债率和/或流动负责率等。
例如，可以根据企业的总负债与总资产的比值计算用于表征企业的长期负债情况的总资产负债率；或是根据流动负债与流动资产的比值计算用于表征企业短期负债情况的流动负债率。
可选地，在本实施例中，子步骤S2102还可以包括：基于各训练样本数据包括的资产数据计算各训练样本数据分别对应的资产特征，基于各训练样本数据包括的信贷数据计算各训练样本数据分别对应的贷款特征。贷款特征用于表征企业在银行内的贷款情况。其中，贷款特征包括在预设的时间段内(例如近三个月或近半年)的贷款比率，资产特征包括在预设的时间段内(例如近三个月或近半年)的资产比率等。
例如，根据近三个月在银行的贷款额度与当期总负债额度计算企业在近三个月内的贷款比率，或是根据近三个月在银行的资产总值与当期总资产的比值计算企业在近三个月的资产比率。
可选地，在本实施例中，子步骤S2102还可以包括：基于各训练样本数据包括的交易数据计算各训练样本数据分别对应的资金交易特征。资金交易特征用于表征企业在银行的活跃程度。其中，资金交易特征包括在预设的时间段内的资金交易频率和/或在预设的时间段内的平均资金交易量等。
例如，计算企业在近三个月内的资金交易频率，并根据三个月内的资金交易总额与资金交易频率的比值计算企业在三个月内的平均资金交易量。
可选地，在本实施例中，还可以根据预设时间段内的企业所属集团的所有成员在银行的业务往来计算社区特征。所述社区特征是值用于表示一个集团所包括的多个成员之间的关系特征。
例如，计算在预设时间段内某集团在银行的贷款客户的个数以及在预设时间段内某集团在银行的平均贷款比率。
可以理解的是，上述的多种构建特征的方法仅用于对本实施例进行举例说明，并不构成对构建特征的方法的限定，在本实施例的其他实施方式中，还可以通过训练样本数据中的其他数据构建其他的特征。
在子步骤S2102之后，训练客户流失预测模型的子步骤还包括：
子步骤S2103，通过因子分析算法，从多个特征中选择出与客户是否流失的相关性超过预设值的目标特征。其中，因子分析算法包括皮尔逊相关系数算法、正则化方法和基于模型的特征选择方法中的至少一种。
每个训练样本数据根据子步骤S2102可以构建出多个特征，但构建出的多个特征中并不是所有的特征都与最终客户是否流失具有较高的相关性，即并不是所有的特征可以用于表征该客户是否流失。因此，还需要通过因子分析算法从多个特征中选择出与客户是否流失的相关性超过预设值(例如75％)的目标特征，即目标特征对于预测客户是否流失的准确性具有较大的影响。
因子分析算法包括皮尔逊相关系数算法、正则化方法或基于模型的特征选择方法等其他可以用于选择目标特征的算法。
皮尔逊相关系数法是一种度量两个变量间的相关程度(线性相关)的方法，皮尔逊相关系数是一个介于1和-1之间的值，其中，1表示变量完全正相关，0表示无关，-1表示完全负相关。
基于模型的特征选择方法是指将机器学习模型运用到特征选择方法中，其中，机器学习模型包括回归模型、随机森林模型等。通过机器学习模型在多个特征中选择出目标特征。
本实施例已经在训练客户流失预测模型的过程中从多个特征中选择出了与客户是否流失相关性较高的目标特征，因此，在客户流失预测模型训练完成之后，在使用该模型进行客户流失预测时，无需生成多个特征并基于因子分析算法选择目标特征，可以直接根据待预测的客户数据直接构建相应的目标特征。大幅度降低了算法的复杂度，并提升了客户流失预测模型的运算速度。
子步骤S2104，将各训练样本数据对应的目标特征及客户是否流失作为输入值，输入到xgboost算法中进行迭代训练，以获得训练好的客户流失预测模型。
在本步骤中，每个训练样本数据都有选择出的多个目标特征及对应的客户是否流失，将多个目标特征及客户是否流失作为输入值，输入到xgboost算法中进行迭代训练，通过计算输出结果与输入的客户是否流失之间的loss函数，不断地修改模型参数，使客户流失预测模型对于训练样本数据的输出结果与输入的客户是否流失的结果相同，最终获得训练好的客户流失预测模型。
例如，对于已经流失的客户A，在利用该客户A对应的训练样本数据进行训练时，将该训练样本数据对应的目标特征及客户A已经流失作为输入值，输入到xgboost算法中进行训练，将客户A已经流失作为学习目标，对xgboost算法进行迭代训练，若最终xgboost算法的输出结果为客户A已经流失或达到迭代次数，则停止训练，获得训练好的客户流失预测模型。
XGBoost是专注于梯度提升算法的机器学习函数库，此函数库因其优良的学习效果以及高效的训练速度而获得广泛的关注。XGBoost不仅学习效果很好，而且速度也很快。
可选地，在本实施例中，在子步骤S2102之前，所述方法还包括：对各所述训练样本数据进行预处理，其中，所述预处理包括缺失值处理、异常值处理和规范化处理中的至少一种。
每个训练样本数据中除了包含训练模型需要用到的有效数据之外，可能还包括有其他的干扰数据或无效数据，例如存在缺失值或异常值。若数据质量较差，会导致最终的训练结果不准确，因此，在利用训练样本数据构建特征之前，需要对训练样本数据进行预处理，预处理方法包括缺失值处理、异常值处理或规范化处理等。
在经过预处理之后的训练样本数据的可用性得到了很大的提升，同时也能够提升训练后的模型预测结果的准确性。
在客户流失预测模型训练完成之后，可以通过该模型对需要预测的客户数据进行预测，根据该模型的模型参数、shap值以及最终的预测结果分析造成客户可能流失的原因，确定客户流失的影响因素与预测结果的相关性，从而制定相应的挽留策略，避免客户流失。
请参照图5，图5为本申请实施例提供的客户流失预测装置110的功能模块图之一。客户流失预测装置110应用于图1中的电子设备100，包括：
数据获取模块1102，用于获取待预测的客户数据，其中，所述客户数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种；
目标特征构建模块1103，用于根据待预测的客户数据构建目标特征，其中，目标特征包括财务特征、贷款特征、资产特征、社区特征和资金交易特征中的至少一个。
预测模块1104，用于将目标特征作为输入值，输入到预先训练好的客户流失预测模型中进行预测，并输出预测结果。其中，客户流失预测模型通过多个训练样本数据对xgboost算法进行迭代训练获得。
可选地，请参照图6，图6为本申请实施例提供的客户流失预测装置110的功能模块图之二。客户流失预测装置110还包括：用于训练客户流失预测模型的训练模块1101。
训练模块1101具体用于：获取多个训练样本数据，其中，所述训练样本数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种以及该训练样本数据对应的客户是否流失；根据各所述训练样本数据构建多个特征；通过因子分析算法，从所述多个特征中选择出与客户是否流失的相关性超过预设值的目标特征，其中，所述因子分析算法包括皮尔逊相关系数算法、正则化方法和基于模型的特征选择方法中的至少一种；将各所述训练样本数据对应的目标特征及客户是否流失作为输入值，输入到xgboost算法中进行迭代训练，以获得训练好的客户流失预测模型。
本申请实施例所提供的客户流失预测装置110可以为电子设备100上的特定硬件或者安装于电子设备100上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备100，包括处理器130及存储有计算机指令的非易失性存储器120，计算机指令被处理器130执行时，电子设备100执行上述实施例中的客户流失预测方法，具体实现可参见方法实施例，在此不再赘述。
本申请实施例还提供了一种存储介质，存储介质中存储有计算机程序，计算机程序被执行时实现上述实施例中的客户流失预测方法，具体实现可参见方法实施例，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种客户流失预测方法，其特征在于，应用于电子设备，所述方法包括：
获取待预测的客户数据，其中，所述客户数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种；
根据所述待预测的客户数据构建目标特征，其中，所述目标特征包括财务特征、贷款特征、资产特征、社区特征和资金交易特征中的至少一个；
将所述目标特征作为输入值，输入到预先训练好的客户流失预测模型中进行预测，并输出预测结果，其中，所述客户流失预测模型通过多个训练样本数据对xgboost算法进行迭代训练获得。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括训练所述客户流失预测模型的步骤，所述步骤包括：
获取多个训练样本数据，其中，所述训练样本数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种以及该训练样本数据对应的客户是否流失；
根据各所述训练样本数据构建多个特征；
通过因子分析算法，从所述多个特征中选择出与客户是否流失的相关性超过预设值的目标特征，其中，所述因子分析算法包括皮尔逊相关系数算法、正则化方法和基于模型的特征选择方法中的至少一种；
将各所述训练样本数据对应的目标特征及客户是否流失作为输入值，输入到xgboost算法中进行迭代训练，以获得训练好的客户流失预测模型。
3.根据权利要求2所述的方法，其特征在于，在根据各所述训练样本数据构建多个特征之前，所述方法还包括：
对各所述训练样本数据进行预处理，其中，预处理方法包括缺失值处理、异常值处理和规范化处理中的至少一种。
4.根据权利要求2所述的方法，其特征在于，所述训练样本数据包括财务数据和资产数据，所述根据各所述训练样本数据构建多个特征，包括：
基于各所述训练样本数据包括的财务数据及资产数据计算各所述训练样本数据分别对应的财务特征，其中，所述财务特征包括总资产负债率和/或流动负责率。
5.根据权利要求2所述的方法，其特征在于，所述训练样本数据包括资产数据和信贷数据，所述根据各所述训练样本数据构建多个特征，包括：
基于各所述训练样本数据包括的资产数据计算各所述训练样本数据分别对应的资产特征，基于各所述训练样本数据包括的信贷数据计算各所述训练样本数据分别对应的贷款特征，其中，所述贷款特征包括在预设的时间段内的贷款比率，所述资产特征包括在预设的时间段内的资产比率。
6.根据权利要求2所述的方法，其特征在于，所述训练样本数据包括交易数据，所述根据各所述训练样本数据构建多个特征，包括：
基于各所述训练样本数据包括的交易数据计算各所述训练样本数据分别对应的资金交易特征，其中，所述资金交易特征包括在预设的时间段内的资金交易频率和/或在预设的时间段内的平均资金交易量。
7.一种客户流失预测装置，其特征在于，应用于电子设备，所述装置包括：
数据获取模块，用于获取待预测的客户数据，其中，所述客户数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种；
目标特征构建模块，用于根据所述待预测的客户数据构建目标特征，其中，所述目标特征包括财务特征、贷款特征、资产特征、社区特征和资金交易特征中的至少一个；
预测模块，用于将所述目标特征作为输入值，输入到预先训练好的客户流失预测模型中进行预测，并输出预测结果，其中，所述客户流失预测模型通过多个训练样本数据对xgboost算法进行迭代训练获得。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括用于训练所述客户流失预测模型的训练模块，所述训练模块具体用于：
获取多个训练样本数据，其中，所述训练样本数据包括企业基本信息、经营状况、财务数据、资产数据、信贷数据、交易数据和股权控制数据中的至少一种以及该训练样本数据对应的客户是否流失；
根据各所述训练样本数据构建多个特征；
通过因子分析算法，从所述多个特征中选择出与客户是否流失的相关性超过预设值的目标特征，其中，所述因子分析算法包括皮尔逊相关系数算法、正则化方法和基于模型的特征选择方法中的至少一种；
将各所述训练样本数据对应的目标特征及客户是否流失作为输入值，输入到xgboost算法中进行迭代训练，以获得训练好的客户流失预测模型。
9.一种电子设备，其特征在于，包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述电子设备执行权利要求1-6中任意一项所述的客户流失预测方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-6任意一项所述的客户流失预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911157690.0A CN110889724A (zh) | 2019-11-22 | 2019-11-22 | 客户流失预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911157690.0A CN110889724A (zh) | 2019-11-22 | 2019-11-22 | 客户流失预测方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110889724A true CN110889724A (zh) | 2020-03-17 |
Family
ID=69748496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911157690.0A Pending CN110889724A (zh) | 2019-11-22 | 2019-11-22 | 客户流失预测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110889724A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932020A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 客户流失预测方法和装置 |
| CN112085528A (zh) * | 2020-09-08 | 2020-12-15 | 北京深演智能科技股份有限公司 | 数据处理方法和装置 |
| CN113052404A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种客户流失率预测方法、装置、电子设备及存储介质 |
| CN113112052A (zh) * | 2021-03-12 | 2021-07-13 | 广东来个碗网络科技有限公司 | 餐具用户流失的预警方法及装置 |
| CN113159787A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 客户流失的预测方法、装置、电子设备及计算机存储介质 |
| CN113570044A (zh) * | 2021-07-30 | 2021-10-29 | 中国银行股份有限公司 | 客户流失分析模型训练方法及装置 |
| CN113723710A (zh) * | 2021-09-13 | 2021-11-30 | 中国银行股份有限公司 | 一种客户流失预测方法、系统、存储介质及电子设备 |
| CN114742144A (zh) * | 2022-04-02 | 2022-07-12 | 中国建设银行股份有限公司 | 对象流失概率的确定方法、装置、计算机设备和存储介质 |
| CN116664184A (zh) * | 2023-07-31 | 2023-08-29 | 广东南方电信规划咨询设计院有限公司 | 基于联邦学习的客户流失预测方法及装置 |
| CN116883070A (zh) * | 2023-09-05 | 2023-10-13 | 上海银行股份有限公司 | 一种银行代发薪资客户流失预警方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
| CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
| CN110322085A (zh) * | 2018-03-29 | 2019-10-11 | 北京九章云极科技有限公司 | 一种客户流失预测方法和装置 |
| CN110348914A (zh) * | 2019-07-19 | 2019-10-18 | 中国银行股份有限公司 | 客户流失数据分析方法及装置 |
-
2019
- 2019-11-22 CN CN201911157690.0A patent/CN110889724A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
| CN110322085A (zh) * | 2018-03-29 | 2019-10-11 | 北京九章云极科技有限公司 | 一种客户流失预测方法和装置 |
| CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
| CN110348914A (zh) * | 2019-07-19 | 2019-10-18 | 中国银行股份有限公司 | 客户流失数据分析方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932020B (zh) * | 2020-08-14 | 2024-02-27 | 中国工商银行股份有限公司 | 客户流失预测方法和装置 |
| CN111932020A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 客户流失预测方法和装置 |
| CN112085528A (zh) * | 2020-09-08 | 2020-12-15 | 北京深演智能科技股份有限公司 | 数据处理方法和装置 |
| CN113112052A (zh) * | 2021-03-12 | 2021-07-13 | 广东来个碗网络科技有限公司 | 餐具用户流失的预警方法及装置 |
| CN113052404A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种客户流失率预测方法、装置、电子设备及存储介质 |
| CN113159787A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 客户流失的预测方法、装置、电子设备及计算机存储介质 |
| CN113570044A (zh) * | 2021-07-30 | 2021-10-29 | 中国银行股份有限公司 | 客户流失分析模型训练方法及装置 |
| CN113723710A (zh) * | 2021-09-13 | 2021-11-30 | 中国银行股份有限公司 | 一种客户流失预测方法、系统、存储介质及电子设备 |
| CN113723710B (zh) * | 2021-09-13 | 2024-02-27 | 中国银行股份有限公司 | 一种客户流失预测方法、系统、存储介质及电子设备 |
| CN114742144A (zh) * | 2022-04-02 | 2022-07-12 | 中国建设银行股份有限公司 | 对象流失概率的确定方法、装置、计算机设备和存储介质 |
| CN116664184A (zh) * | 2023-07-31 | 2023-08-29 | 广东南方电信规划咨询设计院有限公司 | 基于联邦学习的客户流失预测方法及装置 |
| CN116664184B (zh) * | 2023-07-31 | 2024-01-12 | 广东南方电信规划咨询设计院有限公司 | 基于联邦学习的客户流失预测方法及装置 |
| CN116883070A (zh) * | 2023-09-05 | 2023-10-13 | 上海银行股份有限公司 | 一种银行代发薪资客户流失预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110889724A (zh) | 客户流失预测方法、装置、电子设备和存储介质 | |
| Hewamalage et al. | Forecast evaluation for data scientists: common pitfalls and best practices | |
| US20150142713A1 (en) | Real-Time Adaptive Decision System And Method Using Predictive Modeling | |
| US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
| US8131571B2 (en) | Method and system for evaluating insurance liabilities using stochastic modeling and sampling techniques | |
| US20150127415A1 (en) | Systems, methods and computer readable media for generating a multi-dimensional risk assessment system including a manufacturing defect risk model | |
| US11119983B2 (en) | Data conversion and distribution systems | |
| CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
| US20090177612A1 (en) | Method and Apparatus for Analyzing Data to Provide Decision Making Information | |
| CN112070615A (zh) | 基于知识图谱的理财产品推荐方法及装置 | |
| US11995667B2 (en) | Systems and methods for business analytics model scoring and selection | |
| CN112613997A (zh) | 货币基金的组合投资预测方法和预测装置 | |
| CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
| CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
| CN117474588A (zh) | 一种卷烟销量预测方法、装置、计算机设备及存储介质 | |
| CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
| CN111738868A (zh) | 反洗钱反恐怖融资风险监测方法、装置、计算机设备和存储介质 | |
| CN110717653A (zh) | 风险识别方法及装置和电子设备 | |
| CN115062687A (zh) | 企业信用监控方法、装置、设备及存储介质 | |
| CN114239985A (zh) | 汇率预测方法、装置、电子设备及存储介质 | |
| US20220180232A1 (en) | Forecasting based on bernoulli uncertainty characterization | |
| CN112200389A (zh) | 数据预测方法、装置、设备及存储介质 | |
| CN112613755A (zh) | 利用置信度评估企业风险的方法、装置及电子设备 | |
| CN116862561B (zh) | 基于卷积神经网络的产品热度分析方法和系统 | |
| US20240185143A1 (en) | Selecting Influencer Variables in Time Series Forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |