CN111626766A - 一种融合多个机器学习模型的手机银行营销客户筛选方法 - Google Patents

一种融合多个机器学习模型的手机银行营销客户筛选方法 Download PDF

Info

Publication number
CN111626766A
CN111626766A CN202010329082.XA CN202010329082A CN111626766A CN 111626766 A CN111626766 A CN 111626766A CN 202010329082 A CN202010329082 A CN 202010329082A CN 111626766 A CN111626766 A CN 111626766A
Authority
CN
China
Prior art keywords
marketing
transaction
active
customer
customers
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
Application number
CN202010329082.XA
Other languages
English (en)
Inventor
李阳强
朱铧豌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Suoxinda Data Technology Co ltd
Original Assignee
Shenzhen Suoxinda Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Suoxinda Data Technology Co ltd filed Critical Shenzhen Suoxinda Data Technology Co ltd
Priority to CN202010329082.XA priority Critical patent/CN111626766A/zh
Publication of CN111626766A publication Critical patent/CN111626766A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种融合多个机器学习模型的手机银行营销客户筛选方法，涉及到金融数据筛选处理技术领域，解决现有的银行业中，手机银行促活精准营销的数据处理方法上存在精准化程度不足的技术问题，包括如下步骤：步骤S1，数据准备；步骤S2，活跃标签生成；步骤S3，使数据符合进入模型的要求；步骤S4，采用主动活跃客户识别模型与营销响应客户识别模型进行训练、测试与预测；步骤S5，计算客户资产等级评分与营销活动匹配度；步骤S6，结合主动活跃概率、营销响应概率、资产等级与营销活动匹配度，计算客户营销价值；步骤S7，按客户的营销价值从高到低排序，筛选出的高营销价值客户；能够精准化筛选出高营销价值的客户数据。

Description

一种融合多个机器学习模型的手机银行营销客户筛选方法
技术领域
本发明涉及到金融数据筛选处理技术领域，具体涉及到手机银行的金融服务数据的精准化筛选处理方面。
背景技术
随着移动互联网，大数据人工智能等技术的发展，金融科技通过持续的金融创新技术为客户提供了优质、便捷和多样性金融服务。因此在银行业内，手机银行成了各大银行为客户提供金融服务的主要窗口。提升客户的手机银行使用活跃度，从而提供优质的金融服务，已成银行一项重要工作。挖掘优质客户，实现精准化的营销是提升客户手机银行活跃度的重要手段。
当前在银行业中，手机银行促活精准营销主要采用了以下方法：
方法一：使用机器学习模型识别客户的手机银行使用活跃度，对于活跃度较低的客户进行营销。该方法存在2个问题，一是活跃度的识别中通常不考虑营销活动的影响，导致活跃度识别精准度不够，二是不考虑营销响应的情况，导致营销响应率较低。
方法二：使用机器学习模型筛选出具有较高营销响应概率的户进行营销，从而提高营销响应率。该方法尽管提高了营销响应率，但营销客户中也包含了不需要营销也能活跃的客户，从而导致营销资源的浪费。
此外，以上方法均未考虑客户在本行的资产和营销活动匹配度情况。为解决上述方法的不足，提高营销效率，基于多个机器学习模型融合的手机银行营销客户筛选方法提供了新的方法和思路。
发明内容
综上所述，本发明的目的在于解决现有的银行业中，手机银行促活精准营销的数据处理方法上存在精准化程度不足的技术问题，而提出一种融合多个机器学习模型的手机银行营销客户筛选方法。
为解决本发明所提出的技术问题，采用的技术方案为：
一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于所述筛选方法包括如下步骤：
步骤S1，数据准备，包括有获取客户社会属性、金融产品持有、银行相关业务开通与使用标签数据、手机银行历史使用流水数据和手机银行营销记录；
步骤S 2，活跃标签生成，根据手机银行营销记录，将客户的手机银行交易区分为主动活跃交易与营销响应交易，进而标注客户是否主动活跃与是否营销响应；
步骤S 3，数据处理，根据手机银行交易记录构建手机银行历史使用标签；对所有数据进行重复值、缺失值、异常值处理与转换，使数据符合进入模型的要求；
步骤S 4，采用主动活跃客户识别模型与营销响应客户识别模型进行训练、测试与预测；其中，主动活跃客户识别模型：筛选手机银行开户客户，以客户是否主动活跃作为目标变量，训练lightGBM模型，根据AUC值、提升度指标评估模型预测能力，调用模型预测客户主动活跃概率；营销响应客户识别模型：筛选手机银行被营销客户，以营销客户是否响应作为目标变量，训练lightGBM模型，根据AUC值、提升度指标评估模型预测能力，调用模型预测客户营销响应概率；
步骤S 5，计算客户资产等级评分与营销活动匹配度；
步骤S 6，结合主动活跃概率、营销响应概率、资产等级与营销活动匹配度，计算客户营销价值；
步骤S 7，按客户的营销价值从高到低排序，筛选前n个客户作为营销对象，作为筛选出的高营销价值客户。
作为对本发明作进一步限定的技术方案包括有：
所述的步骤S 2中，根据手机银行营销记录，将客户的手机银行交易区分为主动活跃交易与营销响应交易的方法为：比对手机银行交易流水与营销记录，客户在被营销t天内进行与营销内容对应的手机银行交易，则该交易标注为营销响应交易；除营销响应交易外的其它手机银行交易，标注为主动活跃交易。
所述的步骤S 3中，根据手机银行交易记录构建手机银行历史使用标签的方法为：若客户主动活跃次数>0，则该客户的是否主动活跃标签为1，否则为0；若客户营销响应次数>0，则该客户的营销响应标签为1，否则为0；
a，统计每个客户1年内每个月份每种手机银行交易类型的交易金额与次数。
b，将统计的交易金额与次数汇总成特定时间段内每种交易的交易金额、次数及所有交易汇总的交易金额、次数；其中，特定时间段指：上月、近2个月、近3个月、近半年、近9个月及近1年；
c，计算各月活跃标签，
Figure BDA0002464296710000031
d，统计交易状态标签：
交易状态标签＝8*上月活跃标签+4*倒数第2个月活跃标签+2*倒数第3个月活跃标签+1*倒数第4个月标签。
e,步骤b特定时间段的交易金额与次数和步骤d的交易状态标签都作为手机银行使用标签用于模型训练。
所述的步骤S5中，计算客户资产等级评分的方法为：将客户月日均金融资产分箱，每组给一个分值，确保客户资产越高，资产等级评分越高。
所述的步骤S5中，营销活动匹配度的方法为：根据客户近半年借记卡消费历史，统计每位客户各类商家的交易频次与金额偏好，并统计个人金额偏好；金额偏好分级：[0,1]，(1,10]，(10,50]，(50,100]，(100,+∞)，对应级别分别为1,2,3,4,5；判断营销活动的商家类型与活动金额分组中的标准统计营销活动匹配度。
所述的营销活动匹配度＝商家类型匹配度*金额匹配度*频繁度；
Figure BDA0002464296710000032
Figure BDA0002464296710000033
频繁度＝(min(k，4)+1)/5，其中，k为客户近半年营销活动对应商家类型的交易频次，交易频次越高，频繁度越高；频繁度取值范围[0.2,1]。
所述的步骤S6中，计算客户营销价值的方法为：
营销价值＝-β1*主动活跃概率+β2*营销响应概率+β3*资产等级评分+β4*营销活动匹配度其中β1、β2、β3、β4为各影响因素的权重系数，初始值分别设为30、50、10、10，根据具体业务情况需要进行调整。
本发明的有益效果为：本发明在综合考虑客户的客户社会属性、金融产品持有、银行相关业务开通与使用标签数据、手机银行历史使用流水数据和手机银行营销记录信数据，客户的主动活跃情况，营销响应情况，资产等级情况和营销匹配度，分别预测客户的主动活跃概率与营销响应概率，同时考虑客户的资产等级与营销活动匹配度，能够精准化筛选出高营销价值的客户数据，有利于后续进行优惠活动营销，提升手机银行客户活跃度，进而促进手机银行客户对我行的忠诚度，最终达到提升客户利润贡献值和企业利润的目的。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
以下结合附图和本发明优选的具体实施例对本发明的方法作进一步地说明。
参照图1中所示，本发明公开的一种融合多个机器学习模型的手机银行营销客户筛选方法，包括如下步骤：
步骤S1，数据准备，包括有获取客户社会属性、金融产品持有、银行相关业务开通与使用标签数据、手机银行历史使用流水数据和手机银行营销记录；
步骤S 2，活跃标签生成，根据手机银行营销记录，将客户的手机银行交易区分为主动活跃交易与营销响应交易，进而标注客户是否主动活跃与是否营销响应；
根据手机银行营销记录，将客户的手机银行交易区分为主动活跃交易与营销响应交易的具体方法可以为：
比对手机银行交易流水与营销记录，客户在被营销t天内进行与营销内容对应的手机银行交易，则该交易标注为营销响应交易；除营销响应交易外的其它手机银行交易，标注为主动活跃交易。其中，t根据经验值可设为3，也可以根据不同营销活动，根据客户营销响应的时间分布进行修改设定。
步骤S 3，数据处理，根据手机银行交易记录构建手机银行历史使用标签；对所有数据进行重复值、缺失值、异常值处理与转换，使数据符合进入模型的要求。
根据手机银行交易记录构建手机银行历史使用标签的具体方法包括有：若客户主动活跃次数>0，则该客户的是否主动活跃标签为1，否则为0；若客户营销响应次数>0，则该客户的营销响应标签为1，否则为0；
例如，a，统计每个客户1年内每个月份每种手机银行交易类型的交易金额与次数。
b，将统计的交易金额与次数数汇总成特定时间段内每种交易的交易金额、次数及所有交易汇总的交易金额、次数；其中，特定时间段指：上月、近2个月、近3个月、近半年、近9个月及近1年；
c，计算各月活跃标签，
Figure BDA0002464296710000051
d，统计交易状态标签：
交易状态标签＝8*上月活跃标签+4*倒数第2个月活跃标签+2*倒数第3个月活跃标签+1*倒数第4个月标签。
e,步骤b特定时间段的交易金额与次数和步骤d的交易状态标签都作为手机银行使用标签用于模型训练。
步骤S 4，采用主动活跃客户识别模型与营销响应客户识别模型进行训练、测试与预测；其中，主动活跃客户识别模型：筛选手机银行开户客户，以客户是否主动活跃作为目标变量，训练lightGBM模型，根据AUC值、提升度指标评估模型预测能力，调用模型预测客户主动活跃概率；营销响应客户识别模型：筛选手机银行被营销客户，以营销客户是否响应作为目标变量，训练lightGBM模型，根据AUC值、提升度指标评估模型预测能力，调用模型预测客户营销响应概率；
步骤S 5，计算客户资产等级评分与营销活动匹配度；例如：
(1)资产等级评分指将客户月日均金融资产分箱，每组给一个分值，确保客户资产越高，资产等级评分越高。按照表1评分标准根据客户月日均金融资产评分。
Figure BDA0002464296710000052
Figure BDA0002464296710000061
表1
(2)营销活动匹配度指根据客户近半年借记卡交易记录，判断客户与营销活动的匹配程度。具体步骤如下：
a.根据客户近半年借记卡消费历史，统计每位客户各类商家的交易频次与频次最多的金额区间作为金额偏好，并统计个人金额偏好。金额偏好分级：[0,1]，(1,10]，(10,50]，(50,100]，(100,+∞)，对应级别分别为1,2,3,4,5。统计结果如表2、表3。
客户 商家类型 交易频次 金额偏好 金额偏好分级
A 话费充值 5 (10,50] 3
A 便利店 2 (10,50] 3
A 旅游酒店 3 (100,+∞) 5
B 超市 2 (50,100] 4
B 电影 1 (10,50] 4
表2
客户 个人金额偏好 个人金额偏好分级
A (10,50] 3
B (50,100] 4
表3
b.判断营销活动的商家类型与活动金额分组(按步骤a中的标准)
c.计算营销活动匹配度，计算公式如下：
营销活动匹配度＝商家类型匹配度*金额匹配度*频繁度
Figure BDA0002464296710000062
Figure BDA0002464296710000071
其中，若营销活动的商家类型属于该客户近半年交易过的商家类型，则使用客户该商家类型的金额偏好分级作为客户金额偏好级别；反之，使用该客户的个人金额偏好分级作为客户金额偏好级别。营销活动的金额与客户消费的金额偏好越接近，则金额匹配度越高，取值范围[0.5,1]
频繁度＝(min(k，4)+1)/5
其中，k为客户近半年营销活动对应商家类型的交易频次，交易频次越高，频繁度越高。频繁度取值范围[0.2,1]。
步骤S6，结合主动活跃概率、营销响应概率、资产等级与营销活动匹配度，计算客户营销价值。
计算客户营销价值的具体方法为：
营销价值＝-β1*主动活跃概率+β2*营销响应概率+β3*资产等级评分+β4*营销活动匹配度其中β1、β2、β3、β4为各影响因素的权重系数，初始值分别设为30、50、10、10，根据具体业务情况需要进行调整。其中，β1反映营销主动活跃客户(即多余营销)对营销活动的负面影响大小，若每增加一个营销客户的营销成本较高，多余营销会浪费较多资金，β1应适当调大。β2反映营销成功率在营销活动的重要性,若营销成功率要求较高，β2应适当调大。β3反映不同资产等级的客户活跃对银行带来的价值差异，若差异较大，β3应适当调大。β4反映营销名单准确性的要求，若营销客群较明确，边际营销成本较高，β4应适当调大。
步骤S7，按客户的营销价值从高到低排序，筛选前n个客户作为营销对象，作为筛选出的高营销价值客户，达到准确化对手机银行营销客户数据筛选的目的。有利于后续进行优惠活动营销，提升手机银行客户活跃度。其中，n为预设的营销名额数。
所述活跃、手机银行活跃，指客户进行手机银行交易。
所述主动活跃交易，指客户在无接受手机银行相关的营销推送，包括电话、微信、短信营销的情况下，主动进行的手机银行交易行为。
所述营销响应交易，指客户在接受手机银行相关推送后(包括电话、微信、短信营销)才进行的手机银行交易行为。

Claims (7)

1.一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于所述筛选方法包括如下步骤：
步骤S1，数据准备，包括有获取客户社会属性、金融产品持有、银行相关业务开通与使用标签数据、手机银行历史使用流水数据和手机银行营销记录；
步骤S2，活跃标签生成，根据手机银行营销记录，将客户的手机银行交易区分为主动活跃交易与营销响应交易，进而标注客户是否主动活跃与是否营销响应；
步骤S3，数据处理，根据手机银行交易记录构建手机银行历史使用标签；对所有数据进行重复值、缺失值、异常值处理与转换，使数据符合进入模型的要求；
步骤S4，采用主动活跃客户识别模型与营销响应客户识别模型进行训练、测试与预测；其中，主动活跃客户识别模型：筛选手机银行开户客户，以客户是否主动活跃作为目标变量，训练lightGBM模型，根据AUC值、提升度指标评估模型预测能力，调用模型预测客户主动活跃概率；营销响应客户识别模型：筛选手机银行被营销客户，以营销客户是否响应作为目标变量，训练lightGBM模型，根据AUC值、提升度指标评估模型预测能力，调用模型预测客户营销响应概率；
步骤S5，计算客户资产等级评分与营销活动匹配度；
步骤S6，结合主动活跃概率、营销响应概率、资产等级与营销活动匹配度，计算客户营销价值；
步骤S7，按客户的营销价值从高到低排序，筛选前n个客户作为营销对象，作为筛选出的高营销价值客户。
2.根据权利要求1所述的一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于：所述的步骤S2中，根据手机银行营销记录，将客户的手机银行交易区分为主动活跃交易与营销响应交易的方法为：比对手机银行交易流水与营销记录，客户在被营销t天内进行与营销内容对应的手机银行交易，则该交易标注为营销响应交易；除营销响应交易外的其它手机银行交易，标注为主动活跃交易。
3.根据权利要求1所述的一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于：所述的步骤S3中，根据手机银行交易记录构建手机银行历史使用标签的方法为：若客户主动活跃次数>0，则该客户的是否主动活跃标签为1，否则为0；若客户营销响应次数>0，则该客户的营销响应标签为1，否则为0；
a，统计每个客户1年内每个月份每种手机银行交易类型的交易金额与次数。
b，将统计的交易金额与次数汇总成特定时间段内每种交易的交易金额、次数及所有交易汇总的交易金额、次数；其中，特定时间段指：上月、近2个月、近3个月、近半年、近9个月及近1年；
c，计算各月活跃标签，
Figure FDA0002464296700000021
d，统计交易状态标签：
交易状态标签＝8*上月活跃标签+4*倒数第2个月活跃标签+2*倒数第3个月活跃标签+1*倒数第4个月标签。
e,步骤b特定时间段的交易金额与次数和步骤d的交易状态标签都作为手机银行使用标签用于模型训练。
4.根据权利要求1所述的一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于：所述的步骤S5中，计算客户资产等级评分的方法为：将客户月日均金融资产分箱，每组给一个分值，确保客户资产越高，资产等级评分越高。
5.根据权利要求1所述的一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于：所述的步骤S5中，营销活动匹配度的方法为：根据客户近半年借记卡消费历史，统计每位客户各类商家的交易频次与金额偏好，并统计个人金额偏好；金额偏好分级：[0,1]，(1,10]，(10,50]，(50,100]，(100,+∞)，对应级别分别为1,2,3,4,5；判断营销活动的商家类型与活动金额分组中的标准统计营销活动匹配度。
6.根据权利要求5所述的一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于：所述的营销活动匹配度＝商家类型匹配度*金额匹配度*频繁度；
Figure FDA0002464296700000031
Figure FDA0002464296700000032
频繁度＝(min(k，4)+1)/5，其中，k为客户近半年营销活动对应商家类型的交易频次，交易频次越高，频繁度越高；频繁度取值范围[0.2,1]。
7.根据权利要求1所述的一种融合多个机器学习模型的手机银行营销客户筛选方法，其特征在于：所述的步骤S6中，计算客户营销价值的方法为：
营销价值＝-β1*主动活跃概率+β2*营销响应概率+β3*资产等级评分+β4*营销活动匹配度
其中β1、β2、β3、β4为各影响因素的权重系数，初始值分别设为30、50、10、10，根据具体业务情况需要进行调整。
CN202010329082.XA 2020-04-23 2020-04-23 一种融合多个机器学习模型的手机银行营销客户筛选方法 Pending CN111626766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010329082.XA CN111626766A (zh) 2020-04-23 2020-04-23 一种融合多个机器学习模型的手机银行营销客户筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010329082.XA CN111626766A (zh) 2020-04-23 2020-04-23 一种融合多个机器学习模型的手机银行营销客户筛选方法

Publications (1)

Publication Number Publication Date
CN111626766A true CN111626766A (zh) 2020-09-04

Family

ID=72270832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010329082.XA Pending CN111626766A (zh) 2020-04-23 2020-04-23 一种融合多个机器学习模型的手机银行营销客户筛选方法

Country Status (1)

Country Link
CN (1) CN111626766A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070593A (zh) * 2020-09-29 2020-12-11 中国银行股份有限公司 数据处理方法、装置、设备以及存储介质
CN112256964A (zh) * 2020-10-22 2021-01-22 重庆邮电大学 一种基于多维度数据学习的金融机构潜在客户推荐方法
CN112783999A (zh) * 2021-01-22 2021-05-11 中信银行股份有限公司 用户的筛选方法、装置、电子设备及计算机可读存储介质
CN112950359A (zh) * 2021-03-30 2021-06-11 建信金融科技有限责任公司 一种用户识别方法和装置
CN112949867A (zh) * 2021-03-29 2021-06-11 中信银行股份有限公司 一种模型价值量化方法、装置、设备及可读存储介质
CN113313572A (zh) * 2021-05-28 2021-08-27 上海浦东发展银行股份有限公司 一种基于公积金点贷客户的模型识别方法
CN113627653A (zh) * 2021-07-14 2021-11-09 深圳索信达数据技术有限公司 手机银行用户的活跃度预测策略的确定方法及装置
CN113822715A (zh) * 2021-09-23 2021-12-21 安徽数据堂科技有限公司 一种数据采集训练处理一体化平台分析方法
TWI779387B (zh) * 2020-11-06 2022-10-01 台北富邦商業銀行股份有限公司 智能客戶貼標裝置及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678580A (zh) * 2016-01-06 2016-06-15 北京京东尚科信息技术有限公司 电子商务平台及发放优惠券的方法
CN107705175A (zh) * 2017-09-29 2018-02-16 北京三快在线科技有限公司 确定用户与商户之间相似度的方法、装置及电子设备
CN108921603A (zh) * 2018-06-21 2018-11-30 中国农业银行股份有限公司 用户评价方法及相关装置
CN109300039A (zh) * 2018-12-05 2019-02-01 山东省城市商业银行合作联盟有限公司 基于人工智能和大数据进行智能产品推荐的方法及系统
CN110276668A (zh) * 2019-07-01 2019-09-24 中国工商银行股份有限公司 理财产品智能推送、匹配度确定的方法及系统
CN110675183A (zh) * 2019-08-30 2020-01-10 阿里巴巴集团控股有限公司 一种营销对象的确定方法、营销推广方法及相关装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678580A (zh) * 2016-01-06 2016-06-15 北京京东尚科信息技术有限公司 电子商务平台及发放优惠券的方法
CN107705175A (zh) * 2017-09-29 2018-02-16 北京三快在线科技有限公司 确定用户与商户之间相似度的方法、装置及电子设备
CN108921603A (zh) * 2018-06-21 2018-11-30 中国农业银行股份有限公司 用户评价方法及相关装置
CN109300039A (zh) * 2018-12-05 2019-02-01 山东省城市商业银行合作联盟有限公司 基于人工智能和大数据进行智能产品推荐的方法及系统
CN110276668A (zh) * 2019-07-01 2019-09-24 中国工商银行股份有限公司 理财产品智能推送、匹配度确定的方法及系统
CN110675183A (zh) * 2019-08-30 2020-01-10 阿里巴巴集团控股有限公司 一种营销对象的确定方法、营销推广方法及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李勇国 等: "数据库营销响应建模的一种新的数据挖掘方法" *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070593A (zh) * 2020-09-29 2020-12-11 中国银行股份有限公司 数据处理方法、装置、设备以及存储介质
CN112070593B (zh) * 2020-09-29 2023-09-05 中国银行股份有限公司 数据处理方法、装置、设备以及存储介质
CN112256964A (zh) * 2020-10-22 2021-01-22 重庆邮电大学 一种基于多维度数据学习的金融机构潜在客户推荐方法
TWI779387B (zh) * 2020-11-06 2022-10-01 台北富邦商業銀行股份有限公司 智能客戶貼標裝置及方法
CN112783999A (zh) * 2021-01-22 2021-05-11 中信银行股份有限公司 用户的筛选方法、装置、电子设备及计算机可读存储介质
CN112949867A (zh) * 2021-03-29 2021-06-11 中信银行股份有限公司 一种模型价值量化方法、装置、设备及可读存储介质
CN112950359A (zh) * 2021-03-30 2021-06-11 建信金融科技有限责任公司 一种用户识别方法和装置
CN113313572A (zh) * 2021-05-28 2021-08-27 上海浦东发展银行股份有限公司 一种基于公积金点贷客户的模型识别方法
CN113627653A (zh) * 2021-07-14 2021-11-09 深圳索信达数据技术有限公司 手机银行用户的活跃度预测策略的确定方法及装置
CN113627653B (zh) * 2021-07-14 2023-10-20 深圳索信达数据技术有限公司 手机银行用户的活跃度预测策略的确定方法及装置
CN113822715A (zh) * 2021-09-23 2021-12-21 安徽数据堂科技有限公司 一种数据采集训练处理一体化平台分析方法

Similar Documents

Publication Publication Date Title
CN111626766A (zh) 一种融合多个机器学习模型的手机银行营销客户筛选方法
US20210035152A1 (en) Predicting the effectiveness of a marketing campaign prior to deployment
US7693733B2 (en) Method of and system for analyzing, modeling and valuing elements of a business enterprise
US8838499B2 (en) Methods and systems for life stage modeling
US20060253309A1 (en) On demand selection of marketing offers in response to inbound communications
Webber The evolution of direct, data and digital marketing
EP2545479A2 (en) Methods, computer-accessible medium and systems for construction of and inference with networked data, for example, in a financial setting
CN107657500A (zh) 股票推荐方法及服务器
US11423442B2 (en) Method and system for predicting relevant offerings for users of data management systems using machine learning processes
CN111882431A (zh) 一种基于nlp深度学习智能消息推送方法
CN108628866A (zh) 数据融合的方法和装置
US20200341954A1 (en) System, Method, and Computer Program Product for Monitoring and Improving Data Quality
JP2016206878A (ja) 営業員育成支援システムおよび営業員育成支援方法
WO2000034910A2 (en) Customer relationship management system and method
CN111080340A (zh) 推送金融产品营销管理消息的系统、方法及相关装置
Farayibi Service delivery and customer satisfaction in Nigerian banks
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
Balasubramanian et al. Inventory management for mobile money agents in the developing world
CN116091171A (zh) 会员统计与管理系统
AU2015384668A1 (en) Customer management system for determining aggregate customer value
CN115034685A (zh) 客户价值评估方法、装置和计算机可读存储介质
KR20190017256A (ko) 수익 배당 시스템
CN110298686B (zh) 一种产品返费调配方法、装置、计算机设备及存储介质
CN113283979A (zh) 一种贷款申请人的贷款信用评估方法、装置及存储介质
CN110968622A (zh) 一种会计报告定制方法、平台和终端

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