CN111882113B - 一种企业手机银行用户的预测方法和装置 - Google Patents
一种企业手机银行用户的预测方法和装置 Download PDFInfo
- Publication number
- CN111882113B CN111882113B CN202010622700.XA CN202010622700A CN111882113B CN 111882113 B CN111882113 B CN 111882113B CN 202010622700 A CN202010622700 A CN 202010622700A CN 111882113 B CN111882113 B CN 111882113B
- Authority
- CN
- China
- Prior art keywords
- user
- sample
- feature
- data
- users
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种企业手机银行用户的预测方法和装置,涉及手机银行领域,解决了银行不能准确的为用户推荐企业手机银行服务的问题。该方法包括:获取未开通手机银行的第一用户的数据。根据第一用户的数据,生成第一编码特征。根据第一编码特征和预设模型,预测第一用户是否为意向用户。其中,意向用户表示用户有意向开通企业手机银行服务。本申请的实施例应用于预测用户是否有意向开通企业手机银行。
Description
技术领域
本申请的实施例涉及手机银行领域,尤其涉及一种企业手机银行用户的预测方法和装置。
背景技术
随着银行的数字化转型,网上银行和手机银行的交易量大幅度增长。为了吸引更多的用户使用企业手机银行,银行一般会采取一些营销手段为用户推荐企业手机银行服务。为了进一步推广企业手机银行服务,银行希望能够找到更大概率开通企业手机银行的用户进行精准营销。
目前,只有针对手机银行用户活跃度的预测技术,一般是将手机银行用户的基本信息、资产、收支、社交、历史行为、消费等信息作为特征值,预测某个用户使用手机银行的活跃度。但是,这些特征仅可用于个人活跃度的预测,并不能适用于预测企业手机银行用户。因此,银行为用户推荐企业手机银行服务时,依旧不能做到精准营销,从而导致营销效率低下。
发明内容
本申请提供一种企业手机银行用户的预测方法和装置,解决了银行不能准确的为用户推荐企业手机银行服务的问题。
第一方面,本申请提供一种企业手机银行用户的预测方法,该方法包括:企业手机银行用户的预测装置首先获取未开通手机银行的企业用户中,第一用户的数据。然后,根据第一用户的数据,生成第一编码特征。最后,企业手机银行用户的预测装置根据第一编码特征和预设模型,预测第一用户是不是有意向,开通企业手机银行服务的意向用户。
其中,第一用户的数据包括第一用户的开户行编号、第一用户的第一信息、第一用户的行业代码。第一信息用于指示第一用户是否登录过网上银行。第一编码特征包括第一特征、第二特征、以及第三特征。第一特征为根据第一用户的开户行编号,生成的特征。第二特征为根据第一用户的第一信息,生成的特征。第三特征为根据第一用户的行业代码,生成的特征。
上述方案中,企业手机银行用户的预测装置获取第一用户的开户行编号、第一信息、以及行业代码,然后根据第一用户的开户行编号、第一信息、以及行业代码,生成第一编码特征。之后,根据第一编码特征和预设模型预测第一用户是不是意向用户。这样,能够通过未使用过手机银行的企业用户的开户行编号、第一信息、行业代码等数据特征,对用户是否为开通企业手机银行服务的意向用户进行预测。进一步的,可以为银行推荐企业手机银行服务时提供决策依据,从而进行精准营销,提高营销效率。
在本申请的一种可能的实现方式中,在根据第一编码特征和预设模型,预测第一用户是否为意向用户之前,企业手机银行用户的预测装置获取开通手机银行的企业用户中,多个样本用户的数据,然后根据获取到的样本用户的数据和第一预设算法,训练生成预设模型。
其中,样本用户的数据包括样本用户的开户行编号、样本用户的样本信息、样本用户的行业代码。样本信息用于指示样本用户是否登录过网上银行。
在一种实现方式中,企业手机银行用户的预测装置获取,已开通手机银行的企业用户中,在预设时间段内使用过网上银行的第二用户的数据,并获取第二用户数据中,使用过手机银行的第三用户的数据。之后,获取已开通手机银行的企业用户中,在预设时间段内未使用过网上银行,但使用过手机银行的第四用户的数据。然后,企业手机银行用户的预测装置根据获取到的第二用户的数据、第三用户的数据、第四用户的数据以及第二预设算法,确定至少一个样本用户,并获取至少一个样本用户的数据。
其中,上述任一用户的数据包括该用户的开户行编号、目标信息、以及该用户的行业代码。目标信息用于指示该用户是否登陆过网上银行。
在一种实现方式中,企业手机银行用户的预测装置根据获取到的样本用户的数据,确定第四特征、第五特征、第六特征。然后,根据第四特征、第五特征、第六特征和第一预设算法,训练生成预设模型。
其中,第四特征为根据样本用户的开户行编号,生成的特征。第五特征为根据样本用户的样本信息,生成的特征。第六特征为根据样本用户的行业代码,生成的特征。
可选的,在本申请的一种可能的实现方式中,企业手机银行用户的预测装置根据样本用户的开户行编号,对多个样本用户进行分类,生成多个编号用户组。然后,根据多个编号用户组中样本用户的数量,对多个编号用户组进行排序,并获取排序在第一阈值之前的,编号用户组对应的目标开户行编号,和目标开户行编号对应的第五用户。最后,根据每一个第五用户的开户行编号和目标开户行编号,生成第四特征。其中,一个编号用户组对应一个样本用户的开户行编号。
可选的,在本申请的一种可能的实现方式中,企业手机银行用户的预测装置根据样本用户的行业代码,对多个样本用户进行分类,生成多个代码用户组。然后,根据多个代码用户组中样本用户的数量,对多个代码用户组进行排序,并获取排序在第二阈值之前的,代码用户组对应的目标行业代码,和目标行业代码对应的第六用户。最后,根据每一个第六用户的行业代码和目标行业代码,生成第六特征。其中,一个代码用户组对应一个样本用户的行业代码。
第二方面,本申请提供一种企业手机银行用户的预测装置,包括:
获取模块,用于获取未开通手机银行的企业用户中,第一用户的数据。生成模块,用于根据获取模块获取的第一用户的数据,生成第一编码特征。预测模块,用于根据生成模块生成的第一编码特征和预设模型,预测第一用户是不是有意向,开通企业手机银行服务的意向用户。
其中,第一用户的数据包括第一用户的开户行编号、第一用户的第一信息、第一用户的行业代码。第一信息用于指示第一用户是否登录过网上银行。第一编码特征包括第一特征、第二特征、以及第三特征。第一特征为根据第一用户的开户行编号,生成的特征。第二特征为根据第一用户的第一信息,生成的特征。第三特征为根据第一用户的行业代码,生成的特征。
在本申请的一种可能的实现方式中,获取模块,还用于获取开通手机银行的企业用户中,多个样本用户的数据。生成模块,还用于根据获取模块获取到的样本用户的数据和第一预设算法,训练生成预设模型。
其中,样本用户的数据包括样本用户的开户行编号、样本用户的样本信息、样本用户的行业代码。样本信息用于指示样本用户是否登录过网上银行。
在一种实现方式中,获取模块,具体用于获取已开通手机银行的企业用户中,在预设时间段内使用过网上银行的第二用户的数据,并获取第二用户数据中,使用过手机银行的第三用户的数据。之后,获取已开通手机银行的企业用户中,在预设时间段内未使用过网上银行,但使用过手机银行的第四用户的数据。然后,根据获取到的第二用户的数据、第三用户的数据、第四用户的数据以及第二预设算法,确定至少一个样本用户,并获取至少一个样本用户的数据。
其中,上述任一用户的数据包括该用户的开户行编号、目标信息、以及该用户的行业代码。目标信息用于指示该用户是否登陆过网上银行。
在一种实现方式中,生成模块,具体用于根据获取到的样本用户的数据,确定第四特征、第五特征、第六特征。然后,根据第四特征、第五特征、第六特征和第一预设算法,训练生成预设模型。
其中,第四特征为根据样本用户的开户行编号,生成的特征。第五特征为根据样本用户的样本信息,生成的特征。第六特征为根据样本用户的行业代码,生成的特征。
可选的,在本申请的一种可能的实现方式中,生成模块,具体用于根据样本用户的开户行编号,对多个样本用户进行分类,生成多个编号用户组。然后,根据多个编号用户组中样本用户的数量,对多个编号用户组进行排序,并获取排序在第一阈值之前的,编号用户组对应的目标开户行编号,和目标开户行编号对应的第五用户。最后,根据每一个第五用户的开户行编号和目标开户行编号,生成第四特征。其中,一个编号用户组对应一个样本用户的开户行编号。
可选的,在本申请的一种可能的实现方式中,生成模块,具体用于根据样本用户的行业代码,对多个样本用户进行分类,生成多个代码用户组。然后,根据多个代码用户组中样本用户的数量,对多个代码用户组进行排序,并获取排序在第二阈值之前的,代码用户组对应的目标行业代码,和目标行业代码对应的第六用户。最后,根据每一个第六用户的行业代码和目标行业代码,生成第六特征。其中,一个代码用户组对应一个样本用户的行业代码。
第三方面,本申请提供一种企业手机银行用户的预测装置,应用于远程管理设备或者远程管理设备上的芯片,包括处理器。当企业手机银行用户的预测装置运行时,处理器执行计算机执行指令,以使企业手机银行用户的预测装置执行如上述的企业手机银行用户的预测方法。
第四方面,本申请提供一种计算机可读存储介质,包括指令,当指令在计算机上运行时,使得计算机执行如上述的企业手机银行用户的预测方法。
第五方面,本申请提供一种计算机程序产品,计算机程序产品包括指令代码,指令代码用于执行如上述的企业手机银行用户的预测方法。
可以理解地,上述提供的任一种企业手机银行用户的预测装置、计算机可读存储介质或计算机程序产品均用于执行上文所提供的方法,因此,其所能达到的有益效果可参考上文的方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本申请的实施例提供的一种企业手机银行用户的预测装置的硬件结构示意图;
图2为本申请的实施例提供的一种企业手机银行用户的预测方法的流程示意图;
图3为本申请的实施例提供的一种预设模型的建立方法的流程示意图;
图4为本申请的实施例提供的一种企业手机银行用户的预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
银行为了吸引更多的企业用户使用手机银行,一般会采取一些营销手段为用户推荐企业手机银行服务。现有技术中主要是业务人员根据经验对用户进行初步筛选,然后进行推荐。这种推荐方式存在效率低、没有针对性的缺点,且忽略了对企业手机银行有使用意向的用户,将大量的人力物力投入到低价值没有意向的用户上,则会造成资源利用率低。因此,为了进一步推广企业手机银行服务,银行希望能够找到更大概率开通企业手机银行的用户进行精准营销。
但是,目前只有针对手机银行用户活跃度的预测技术,一般是将手机银行用户的基本信息、资产、收支、社交、历史行为、消费等信息作为特征值,预测某个用户使用手机银行的活跃度。可是,这些特征仅可用于个人活跃度的预测,并不能适用于预测用户开通企业手机银行的意向。因此,银行为用户推荐企业手机银行服务时,依旧不能做到精准营销,从而导致营销效率低下。
针对上述问题,本申请提供了一种企业手机银行用户的预测方法和装置,该预测方法包括:企业手机银行用户的预测装置获取未开通手机银行的企业用户中,第一用户的开户行编号、第一信息、以及第一用户的行业代码。其中,第一信息用于指示第一用户是否登录过网上银行。然后,根据第一用户的开户行编号,生成第一特征,根据第一信息生成第二特征,根据第一用户的行业代码,生成第三特征。最后,根据第一特征、第二特征、第三特征、以及预设模型,预测第一用户是否为意向用户。其中,意向用户表示用户有意向开通企业手机银行服务。能够对用户是否为开通企业手机银行服务的意向用户进行预测,提高营销效率。
在具体实现时,企业手机银行用户的预测装置具有如图1所示的部件。图1为本申请实施例提供的一种企业手机银行用户的预测装置,可以包括至少一个处理器102,处理器102用于执行应用程序代码,从而实现本申请中的企业手机银行用户的预测方法。
处理器102可以是一个中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
如图1所示,企业手机银行用户的预测装置还可以包括存储器103。其中,存储器103用于存储执行本申请方案的应用程序代码,并由处理器102来控制执行。
存储器103可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器103可以是独立存在,通过总线与处理器102相连接。存储器103也可以和处理器102集成在一起。
如图1所示,企业手机银行用户的预测装置还可以包括通信接口101,其中,通信接口101、处理器102、存储器103可以相互耦合,例如通过总线104相互耦合。通信接口101用于与其他设备进行信息交互,例如支持企业手机银行用户的预测装置与其他设备的信息交互。
需要指出的是,图1中示出的设备结构并不构成对该企业手机银行用户的预测装置的限定,除图1所示部件之外,该企业手机银行用户的预测装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1所示的企业手机银行用户的预测装置,通过图2对本申请实施例提供的企业手机银行用户的预测方法进行描述。
图2为本申请实施例提供的一种企业手机银行用户的预测方法的流程示意图。参见图2所示,该企业手机银行用户的预测方法包括如下步骤。
201、企业手机银行用户的预测装置获取第一用户的数据。
首先,在获取第一用户的数据之前,企业手机银行用户的预测装置需要建立预设模型,用于预测第一用户是否为意向用户。图3为本申请提供的一种预设模型的建立方法的流程示意图。参见图3所示,该预设模型的建立方法包括如下步骤。
S1、企业手机银行用户的预测装置获取至少一个样本用户的数据。
其中,样本用户的数据包括样本用户的开户行编号、样本用户的样本信息、样本用户的行业代码。样本信息用于指示样本用户是否登录过网上银行。样本用户为已开通手机银行的企业用户。
首先,企业手机银行用户的预测装置将预设时间段内,企业手机银行的有关日志全部解析入库,并在数据库中创建数据记录表(LOG_DATA)。然后,使用计算机程序设计语言(python)程序解析应用中,可扩展标记语言(extensible markup language,XML)格式的报文,提取报文中的三项数据,写入上述建立的数据记录表中,以便于和其他数据库表进行联合查询。
其中,XML格式的报文中的三项数据分别为交易类型(TRAN_CODE)、网上银行客户号(COMPANY_ID)、以及集团客户号(GROUP_ID)。这样,通过数据记录表中的网上银行客户号查询到用户所属的机构号后,就能够根据机构号查询到用户的开户行编号。另外,通过网上银行系统获取用户登录网上银行的信息,并获取每个用户的行业代码。
其次,企业手机银行用户的预测装置需要从上述获取到的用户的数据中获取至少一个样本用户的数据。
具体的,由于目前已开通网上银行的用户中,开通并使用手机银行的企业用户,仅占已开通网上银行的用户中的一小部分,所以正样本数远小于负样本,而这样的训练集训练出来的模型预测出来的结果将全为负样本,并无实际意义。因此,需要对获取到的用户的数据进行平衡,以得到更多的正样本,作为训练集,参与预设模型的训练。其中,正样本为已开通网上银行的用户中,开通并使用手机银行的企业用户。负样本已开通网上银行的用户中,未开通手机银行的企业用户。
进一步具体的,可以通过以下步骤对获取到的用户的数据进行平衡。企业手机银行用户的预测装置首先获取第二用户的数据。第二用户为:已开通手机银行的企业用户中在预设时间段内使用过网上银行的用户。然后,从第二用户的数据中,获取第三用户的数据。第三用户为第二用户中使用过手机银行的用户。之后,企业手机银行用户的预测装置获取第四用户的数据。第四用户为:已开通手机银行的企业用户中,在预设时间段内未使用过网上银行,且使用过手机银行的用户。最后,企业手机银行用户的预测装置根据第二用户的数据、第三用户的数据、第四用户的数据以及第二预设算法,确定至少一个样本用户,并获取至少一个样本用户的数据。例如,根据公式A=B+C+(D+C)×2计算样本用户的数量,并获取对应的样本用户的数据,其中,A为样本用户的数量,B为第第二用户的数量,C为第四用户的数量,D为第三用户的数量。
其中,上述任一用户的数据包括该用户的开户行编号、目标信息、该用户的行业代码。目标信息用于指示该用户是否登陆过网上银行。
例如,在预设时间段内,已开通网上银行的用户有3004个。在3004个用户中,未使用过网上银行的用户有2205个,在2205个用户中,开通并使用过手机银行的企业用户有51个(第四用户的数量)。在3004个用户中,使用过网上银行的用户有799个(第二用户的数量),在799个用户中,开通并使用过手机银行的企业用户有91个(第三用户的数量)。此时,正样本(91+51)占总样本(3005)的5%。对获取到的用户的数据进行平衡之后,得到样本的数量为A=B+C+(D+C)×2=1134,此时,正样本(91+C+(D+C)×2=426)占总样本(1134)的38%。
可选的,在获取至少一个样本用户的数据之前,企业手机银行用户的预测装置对获取到的用户的数据进行清洗。清洗数据包括如下步骤:第一,根据集团客户号删除集团用户对应的用户数据。第二,根据交易类型删除指定交易类型的用户的数据,例如,某用户点击查看后,并未有后续操作,这种交易类型不属于实际交易,因此删除。第三,删除未开通网上银行,而直接使用了手机银行的用户。另外,网上银行客户只分为企业客户和机构客户,而由于机构客户均未开通手机银行,因此不予考虑。
S2、企业手机银行用户的预测装置根据获取到的样本用户的数据和第一预设算法,训练生成预设模型。
首先,企业手机银行用户的预测装置根据获取到的样本用户的数据,确定第四特征、第五特征、以及第六特征。
具体的,生成第四特征的过程包括以下步骤。企业手机银行用户的预测装置根据样本用户的开户行编号,对至少一个样本用户进行分类,生成至少一个编号用户组。其中,一个编号用户组对应一个样本用户的开户行编号。然后,根据至少一个编号用户组中样本用户的数量,对至少一个编号用户组进行排序。之后,企业手机银行用户的预测装置获取目标开户行编号和第五用户。其中,目标开户行编号为排序在第一阈值之前的编号用户组对应的样本用户的开户行编号。第五用户为目标开户行编号对应的样本用户。根据每一个第五用户的开户行编号和目标开户行编号,生成第四特征。其中,根据至少一个编号用户组中样本用户的数量,将至少一个编号用户组按照从多到少的顺序进行排序。第一阈值为预设的,例如,可以为默认值,也可以为管理人员重新写入的值。
可选的,使用独热编码(one hot coding)将离散特征扩散到欧式空间。离散特征的某个值对应到欧式空间中的某个点。对第五用户的开户行编号和目标开户行编号进行编码,生成第四特征。
例如,第一阈值取4,排序在前4的目标开户行编号分别为A、B、C、D。用户1的开户行编号为D,用户2的开户行编号为D,用户3的开户行编号为A,用户4的开户行编号为B。则进行one hot coding后,第四特征如下表1,将每个用户的网上银行客户号作为该用户的标识,代表该用户。将目标开户行编号对应的分行作为目标开户行编号的标识,代表目标开户行编号。
表1
可选的,也可以根据目标开户行编号对应的分行,对第五用户的开户行编号对应的分行进行编码,生成第四特征,编码过程与上述编码过程类似,此处不再赘述。
具体的,生成第五特征的过程包括以下步骤。企业手机银行用户的预测装置根据样本信息,生成第五特征。其中,样本信息用于指示样本用户是否登录过网上银行,即为样本用户登录网上银行的信息。在根据样本信息生成第五特征时,需要首先对步骤S1中获取到的已开通网上银行的用户的数据进行二值化处理,将登录过网上银行的用户的数据用1表示,没有登录过网上银行的用户的数据用0表示,统计出未登录网上银行的用户数与登录过网上银行的用户数的比例。然后将该比例上述生成第四特征时,获取到的第五用户中等比例缩放,生成第五特征。
例如,确定出未登录过网上银行的用户数与登录过网上银行的用户数的比例为3:1,第五用户数为647。则按照等比例缩放,在第五用户中未登录过网上银行的用户数为485个,登录过网上银行的用户数为162个。
具体的,生成第六特征的过程包括以下步骤。企业手机银行用户的预测装置根据样本用户的行业代码对至少一个样本用户进行分类,生成至少一个代码用户组。其中,一个代码用户组对应一个样本用户的行业代码。然后,根据至少一个代码用户组中样本用户的数量,对至少一个代码用户组进行排序。之后,企业手机银行用户的预测装置获取目标行业代码和第六用户。其中,目标行业代码为排序在第二阈值之前的代码用户组对应的样本用户的行业代码。第六用户为目标行业代码对应的样本用户。最后,企业手机银行用户的预测装置根据每一个第六用户的行业代码和目标行业代码,生成第六特征。其中,根据至少一个代码用户组中样本用户的数量,将至少一个代码用户组按照从多到少的顺序进行排序。第二阈值为预设的,例如,可以为默认值,也可以为管理人员重新写入的值。又例如,第二阈值取值为2。可选的,将排序在前2的样本用户的行业代码作为第六特征。
例如,表2提供了根据一个样本用户的数据生成的第四特征、第五特征、以及第六特征。
表2
然后,企业手机银行用户的预测装置根据第四特征、第五特征、第六特征以及第一预设算法,训练生成预设模型。
可选的,利用决策树算法训练生成预设模型。
可选的,企业手机银行用户的预测装置还可以对训练生成的预设模型进行评估,当确定预设模型的中权调和平均值大于预设阈值时,确定预设模型训练成功。其中,预设阈值为预设的,例如,可以为默认值,也可以为管理人员重新写入的值。又例如,预设阈值取值为0.56。具体的,根据公式P=TP÷(TP+FP)计算预设模型的正确率,其中,P表示预设模型的正确率,TP表示预测正确的数量,FP表示预测为正例的数量。根据公式R=TP÷(TP+FN)计算预设模型的召回率,其中,R表示预设模型的召回率,FN表示实际正例的数量。根据公式F1=2PR÷(P+R)计算预设模型的中权调和平均值。其中,正例表示已开通手机银行。
另外,当需要对训练生成的预设模型进行评估时,在获取到样本用户的数据后,需要将样本用户的数据切分为训练集和测试集,并利用训练集训练生成预设模型,利用测试集对预设模型进行评估。可选的,切分比例可设置为0.8,即将样本用户的数据的80%作为训练集,20%作为测试集。
在企业手机银行用户的预测装置确定预设模型训练成功之后,获取第一用户的数据。其中,第一用户的数据包括第一用户的开户行编号、第一用户的第一信息、第一用户的行业代码。第一信息用于指示第一用户是否登录过网上银行,即为第一用户登录网上银行的信息。第一用户为未开通手机银行的企业用户。
具体的,获取第一用户的数据的方式与步骤S1中获取用户的数据的步骤相同,此处不再赘述。
202、企业手机银行用户的预测装置根据第一用户的数据,生成第一编码特征。
其中,第一编码特征包括第一特征、第二特征、以及第三特征。第一特征为根据第一用户的开户行编号,生成的特征。第二特征为根据第一用户的第一信息,生成的特征。第三特征为根据第一用户的行业代码,生成的特征。
具体的,将第一用户的开户行编号作为第一特征,第一信息作为第二特征,第一用户的行业代码作为第三特征。
203、企业手机银行用户的预测装置根据第一编码特征和预设模型,预测第一用户是否为意向用户。
其中,意向用户表示用户有意向开通企业手机银行服务。
具体的,将第一编码特征输入预设模型,预测第一用户是否为意向用户。
可选的,当确定第一用户是意向用户时,为该用户推荐企业手机银行服务。
上述方案中,企业手机银行用户的预测装置获取第一用户的开户行编号、第一信息、以及行业代码,然后根据第一用户的开户行编号、第一信息、以及行业代码,生成第一编码特征。之后,根据第一编码特征和预设模型预测第一用户是不是意向用户。这样,能够通过未使用过手机银行的企业用户的开户行编号、第一信息、行业代码等数据特征,对用户是否为开通企业手机银行服务的意向用户进行预测。进一步的,可以为银行推荐企业手机银行服务时提供决策依据,从而进行精准营销,提高营销效率。
该企业手机银行用户的预测装置用于执行以上图2和图3所示方法所执行的步骤。本申请实施例提供的企业手机银行用户的预测装置可以包括相应步骤所对应的模块。
在采用对应各个功能划分各个功能模块的情况下,图4示出该企业手机银行用户的预测装置的一种可能的结构示意图。如图4所示,企业手机银行用户的预测装置包括获取模块41、生成模块42、以及预测模块43。
获取模块41,用于获取第一用户的数据。第一用户的数据包括第一用户的开户行编号、第一用户的第一信息、第一用户的行业代码。第一信息用于指示第一用户是否登录过网上银行。第一用户为未开通手机银行的企业用户。例如,结合图2,获取模块41,用于执行图2中的步骤201。生成模块42,用于根据获取模块41获取的第一用户的数据,生成第一编码特征。第一编码特征包括第一特征、第二特征、以及第三特征。第一特征为根据第一用户的开户行编号,生成的特征。第二特征为根据第一用户的第一信息,生成的特征。第三特征为根据第一用户的行业代码,生成的特征。例如,结合图2,生成模块42,用于执行图2中的步骤202。预测模块43,用于根据生成模块42生成的第一编码特征和预设模型,预测第一用户是否为意向用户。意向用户表示用户有意向开通企业手机银行服务。例如,结合图2,预测模块43,用于执行图2中的步骤203。
可选的,获取模块41,还用于获取至少一个样本用户的数据。样本用户的数据包括样本用户的开户行编号、样本用户的样本信息、样本用户的行业代码。样本信息用于指示样本用户是否登录过网上银行。样本用户为已开通手机银行的企业用户。例如,结合图2,获取模块41,还用于执行图3中的步骤S1。生成模块42,还用于根据获取模块41获取到的样本用户的数据和第一预设算法,训练生成预设模型。例如,结合图2,生成模块42,还用于执行图3中的步骤S2。
可选的,获取模块41,具体用于:获取第二用户的数据。第二用户为:已开通手机银行的企业用户中在预设时间段内使用过网上银行的用户。从第二用户的数据中,获取第三用户的数据。第三用户为第二用户中使用过手机银行的用户。获取第四用户的数据。第四用户为:已开通手机银行的企业用户中,在预设时间段内未使用过网上银行,且使用过手机银行的用户。根据第二用户的数据、第三用户的数据、第四用户的数据以及第二预设算法,确定至少一个样本用户。获取至少一个样本用户的数据。其中,任一用户的数据包括该用户的开户行编号、目标信息、该用户的行业代码。目标信息用于指示该用户是否登陆过网上银行。
可选的,生成模块42,具体用于:根据获取到的样本用户的数据,确定第四特征、第五特征、以及第六特征。第四特征为根据样本用户的开户行编号,生成的特征。第五特征为根据样本用户的样本信息,生成的特征。第六特征为根据样本用户的行业代码,生成的特征。根据第四特征、第五特征、第六特征以及第一预设算法,训练生成预设模型。
可选的,生成模块42,具体用于:根据样本用户的开户行编号,对至少一个样本用户进行分类,生成至少一个编号用户组。一个编号用户组对应一个样本用户的开户行编号。根据至少一个编号用户组中样本用户的数量,对至少一个编号用户组进行排序。获取目标开户行编号和第五用户。目标开户行编号为排序在第一阈值之前的编号用户组对应的样本用户的开户行编号。第五用户为目标开户行编号对应的样本用户。根据每一个第五用户的开户行编号和目标开户行编号,生成第四特征。
可选的,生成模块42,具体用于:根据样本用户的行业代码对至少一个样本用户进行分类,生成至少一个代码用户组。一个代码用户组对应一个样本用户的行业代码。根据至少一个代码用户组中样本用户的数量,对至少一个代码用户组进行排序。获取目标行业代码和第六用户。目标行业代码为排序在第二阈值之前的代码用户组对应的样本用户的行业代码。第六用户为目标行业代码对应的样本用户。根据每一个第六用户的行业代码和目标行业代码,生成第六特征。
本申请另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当指令在企业手机银行用户的预测装置上运行时,该企业手机银行用户的预测装置,执行如图2和图3所示的实施例的企业手机银行用户的预测方法中的步骤。
在本申请的另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括计算机执行指令,该计算机执行指令存储在计算机可读存储介质中;企业手机银行用户的预测装置的处理器可以从计算机可读存储介质读取该计算机执行指令,处理器执行该计算机执行指令使得企业手机银行用户的预测装置,执行如图2和图3所示的实施例的企业手机银行用户的预测方法中的步骤。
其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,其作用在此不再赘述。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块、单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,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接口,设备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。
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,在本申请各个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(英文全称:read-only memory,英文简称:ROM)、随机存取存储器(英文全称:random access memory,英文简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,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,可轻易想到变化或替换,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以所述权利要求的保护范围为准。
Claims (10)
1.一种企业手机银行用户的预测方法,其特征在于,包括:
获取第一用户的数据;所述第一用户的数据包括所述第一用户的开户行编号、所述第一用户的第一信息、所述第一用户的行业代码;所述第一信息用于指示所述第一用户是否登录过网上银行;所述第一用户为未开通手机银行的企业用户;
根据所述第一用户的数据,生成第一编码特征;所述第一编码特征包括第一特征、第二特征、以及第三特征;所述第一特征为根据所述第一用户的开户行编号,生成的特征;所述第二特征为根据所述第一用户的第一信息,生成的特征;所述第三特征为根据所述第一用户的行业代码,生成的特征;
训练生成预设模型,包括:
获取至少一个样本用户的数据;所述样本用户的数据包括所述样本用户的开户行编号、所述样本用户的样本信息、所述样本用户的行业代码;所述样本信息用于指示所述样本用户是否登录过网上银行;所述样本用户为已开通手机银行的企业用户;
根据获取到的所述样本用户的数据和第一预设算法,训练生成所述预设模型;
所述获取至少一个样本用户的数据,包括:
获取第二用户的数据;所述第二用户为:已开通手机银行的企业用户中在预设时间段内使用过网上银行的用户;
从所述第二用户的数据中,获取第三用户的数据;所述第三用户为所述第二用户中使用过手机银行的用户;
获取第四用户的数据;所述第四用户为:所述已开通手机银行的企业用户中,在所述预设时间段内未使用过网上银行,且使用过手机银行的用户;
根据所述第二用户的数据、所述第三用户的数据、所述第四用户的数据以及第二预设算法,确定至少一个样本用户;
获取所述至少一个样本用户的数据;根据公式A=B+C+(D+
C)×2计算样本用户的数量,并获取对应的样本用户的数据,其中,A为样本用户的数量,B为第二用户的数量,C为第四用户的数量,D为第三用户的数量;
其中,任一用户的数据包括该用户的开户行编号、目标信息、该用户的行业代码;所述目标信息用于指示该用户是否登陆过网上银行;根据所述第一编码特征和预设模型,预测所述第一用户是否为意向用户;所述意向用户表示用户有意向开通企业手机银行服务。
2.根据权利要求1所述的预测方法,其特征在于,所述根据获取到的样本用户的数据和第一预设算法,训练生成所述预设模型,包括:
根据获取到的所述样本用户的数据,确定第四特征、第五特征、以及第六特征;所述第四特征为根据所述样本用户的开户行编号,生成的特征;所述第五特征为根据所述样本用户的样本信息,生成的特征;所述第六特征为根据所述样本用户的行业代码,生成的特征;
根据所述第四特征、第五特征、第六特征以及所述第一预设算法,训练生成所述预设模型。
3.根据权利要求2所述的预测方法,其特征在于,所述第四特征为根据所述样本用户的开户行编号,生成的特征,包括:
根据所述样本用户的开户行编号,对所述至少一个样本用户进行分类,生成至少一个编号用户组;一个编号用户组对应一个所述样本用户的开户行编号;
根据所述至少一个编号用户组中所述样本用户的数量,对所述至少一个编号用户组进行排序;
获取目标开户行编号和第五用户;所述目标开户行编号为排序在第一阈值之前的编号用户组对应的样本用户的开户行编号;所述第五用户为所述目标开户行编号对应的样本用户;
根据每一个第五用户的开户行编号和所述目标开户行编号,生成所述第四特征。
4.根据权利要求2所述的预测方法,其特征在于,所述第六特征为根据所述样本用户的行业代码,生成的特征,包括:
根据所述样本用户的行业代码对所述至少一个样本用户进行分类,生成至少一个代码用户组;一个代码用户组对应一个所述样本用户的行业代码;
根据所述至少一个代码用户组中所述样本用户的数量,对所述至少一个代码用户组进行排序;
获取目标行业代码和第六用户;所述目标行业代码为排序在第二阈值之前的代码用户组对应的样本用户的行业代码;所述第六用户为所述目标行业代码对应的样本用户;
根据每一个第六用户的行业代码和所述目标行业代码,生成所述第六特征。
5.一种企业手机银行用户的预测装置,其特征在于,包括:
获取模块,用于获取第一用户的数据;所述第一用户的数据包括所述第一用户的开户行编号、所述第一用户的第一信息、所述第一用户的行业代码;所述第一信息用于指示所述第一用户是否登录过网上银行;所述第一用户为未开通手机银行的企业用户;
生成模块,用于根据所述获取模块获取的所述第一用户的数据,生成第一编码特征;所述第一编码特征包括第一特征、第二特征、以及第三特征;所述第一特征为根据所述第一用户的开户行编号,生成的特征;所述第二特征为根据所述第一用户的第一信息,生成的特征;所述第三特征为根据所述第一用户的行业代码,生成的特征;
预测模块,用于根据所述生成模块生成的所述第一编码特征和预设模型,预测所述第一用户是否为意向用户;所述意向用户表示用户有意向开通企业手机银行服务;
所述获取模块,还用于获取至少一个样本用户的数据;所述样本用户的数据包括所述样本用户的开户行编号、所述样本用户的样本信息、所述样本用户的行业代码;所述样本信息用于指示所述样本用户是否登录过网上银行;所述样本用户为已开通手机银行的企业用户;
所述生成模块,还用于根据所述获取模块获取到的所述样本用户的数据和第一预设算法,训练生成所述预设模型;
所述获取模块,具体用于:
获取第二用户的数据;所述第二用户为:已开通手机银行的企业用户中在预设时间段内使用过网上银行的用户;
从所述第二用户的数据中,获取第三用户的数据;所述第三用户为所述第二用户中使用过手机银行的用户;
获取第四用户的数据;所述第四用户为:所述已开通手机银行的企业用户中,在所述预设时间段内未使用过网上银行,且使用过手机银行的用户;
根据所述第二用户的数据、所述第三用户的数据、所述第四用户的数据以及第二预设算法,确定至少一个样本用户;
获取所述至少一个样本用户的数据;根据公式A=B+C+(D+
C)×2计算样本用户的数量,并获取对应的样本用户的数据,其中,A为样本用户的数量,B为第二用户的数量,C为第四用户的数量,D为第三用户的数量;
其中,任一用户的数据包括该用户的开户行编号、目标信息、该用户的行业代码;所述目标信息用于指示该用户是否登陆过网上银行。
6.根据权利要求5所述的预测装置,其特征在于,所述生成模块,具体用于:
根据获取到的所述样本用户的数据,确定第四特征、第五特征、以及第六特征;所述第四特征为根据所述样本用户的开户行编号,生成的特征;所述第五特征为根据所述样本用户的样本信息,生成的特征;所述第六特征为根据所述样本用户的行业代码,生成的特征;
根据所述第四特征、第五特征、第六特征以及所述第一预设算法,训练生成所述预设模型。
7.根据权利要求6所述的预测装置,其特征在于,所述生成模块,具体用于:
根据所述样本用户的开户行编号,对所述至少一个样本用户进行分类,生成至少一个编号用户组;一个编号用户组对应一个所述样本用户的开户行编号;
根据所述至少一个编号用户组中所述样本用户的数量,对所述至少一个编号用户组进行排序;
获取目标开户行编号和第五用户;所述目标开户行编号为排序在第一阈值之前的编号用户组对应的样本用户的开户行编号;所述第五用户为所述目标开户行编号对应的样本用户;
根据每一个第五用户的开户行编号和所述目标开户行编号,生成所述第四特征。
8.根据权利要求6所述的预测装置,其特征在于,所述生成模块,具体用于:
根据所述样本用户的行业代码对所述至少一个样本用户进行分类,生成至少一个代码用户组;一个代码用户组对应一个所述样本用户的行业代码;
根据所述至少一个代码用户组中所述样本用户的数量,对所述至少一个代码用户组进行排序;
获取目标行业代码和第六用户;所述目标行业代码为排序在第二阈值之前的代码用户组对应的样本用户的行业代码;所述第六用户为所述目标行业代码对应的样本用户;
根据每一个第六用户的行业代码和所述目标行业代码,生成所述第六特征。
9.一种企业手机银行用户的预测装置,其特征在于,包括处理器,当所述企业手机银行用户的预测装置运行时,所述处理器执行计算机执行指令,以使所述企业手机银行用户的预测装置执行如权利要求1-4任一项所述的企业手机银行用户的预测方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1-4任一项所述的企业手机银行用户的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622700.XA CN111882113B (zh) | 2020-07-01 | 2020-07-01 | 一种企业手机银行用户的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622700.XA CN111882113B (zh) | 2020-07-01 | 2020-07-01 | 一种企业手机银行用户的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882113A CN111882113A (zh) | 2020-11-03 |
CN111882113B true CN111882113B (zh) | 2024-02-27 |
Family
ID=73156662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622700.XA Active CN111882113B (zh) | 2020-07-01 | 2020-07-01 | 一种企业手机银行用户的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882113B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113691672A (zh) * | 2021-09-09 | 2021-11-23 | 中国银行股份有限公司 | 手机银行功能模块限定发布方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727070A (zh) * | 2018-12-28 | 2019-05-07 | 中国银行股份有限公司 | 一种潜在活跃用户的确定方法及装置 |
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 |
CN110544158A (zh) * | 2019-09-09 | 2019-12-06 | 北京百度网讯科技有限公司 | 信息推送的方法、装置、设备及可读存储介质 |
CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
CN111160624A (zh) * | 2019-12-09 | 2020-05-15 | 深圳市思为软件技术有限公司 | 一种用户意向预测方法、用户意向预测装置及终端设备 |
-
2020
- 2020-07-01 CN CN202010622700.XA patent/CN111882113B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727070A (zh) * | 2018-12-28 | 2019-05-07 | 中国银行股份有限公司 | 一种潜在活跃用户的确定方法及装置 |
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 |
CN110544158A (zh) * | 2019-09-09 | 2019-12-06 | 北京百度网讯科技有限公司 | 信息推送的方法、装置、设备及可读存储介质 |
CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
CN111160624A (zh) * | 2019-12-09 | 2020-05-15 | 深圳市思为软件技术有限公司 | 一种用户意向预测方法、用户意向预测装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111882113A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US9672255B2 (en) | Social media impact assessment | |
CN110992167B (zh) | 银行客户业务意图识别方法及装置 | |
US9922134B2 (en) | Assessing and scoring people, businesses, places, things, and brands | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
US9264329B2 (en) | Calculating trust scores based on social graph statistics | |
US9064212B2 (en) | Automatic event categorization for event ticket network systems | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
US10671926B2 (en) | Method and system for generating predictive models for scoring and prioritizing opportunities | |
US11082509B1 (en) | Determining session intent | |
Kim et al. | The accuracy of tourism forecasting and data characteristics: a meta-analytical approach | |
CN111882113B (zh) | 一种企业手机银行用户的预测方法和装置 | |
CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
Mungo et al. | Reconstructing production networks using machine learning | |
CN109284500A (zh) | 基于招商工作流程和阅读偏好的信息推送系统及方法 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN111639916A (zh) | 一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
US9754233B1 (en) | Centralized employee data analytics | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114386734A (zh) | 使用人工智能和机器学习用于技术分析的企业管理系统 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN113361920A (zh) | 酒店服务优化指标推荐方法、系统、设备及存储介质 | |
CN111144091A (zh) | 客服成员的确定方法、装置以及群成员身份的确定方法 | |
CN111967966B (zh) | 一种手机银行睡眠客户的自动唤醒方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |