CN111899055A - 大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 - Google Patents
大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 Download PDFInfo
- Publication number
- CN111899055A CN111899055A CN202010744294.4A CN202010744294A CN111899055A CN 111899055 A CN111899055 A CN 111899055A CN 202010744294 A CN202010744294 A CN 202010744294A CN 111899055 A CN111899055 A CN 111899055A
- Authority
- CN
- China
- Prior art keywords
- data
- repurchase
- prediction
- insurance
- machine learning
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法。本发明方法包括如下步骤:获取用户的历史数据和更新数据,对其进行预处理;经过数据预处理后的数据作为样本,利用Logistic模型进行保险客户是否复购预测建模,得到保险客户复购预测数据;利用AdaBoost方法对训练样本数据进行训练,构建弱分类器;通过各弱分类器分别对所述训练样本集进行集成学习得到强分类器;通过赋予不同弱分类器权重,得到关于产品推荐、复购保费预测和复购保额预测的最终结果。本发明根据险企已购客户的保单数据进行分析,精准预测既存客户复购概率,根据复购概率指导客户维护及营销策略,提高营销转化率,降低营销成本。
Description
技术领域
本发明涉及一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法。
背景技术
保险复购预测是保险行业管理部门的重要工作之一,准确的复购预测有利于帮助保险公司更清晰的掌握客户诉求和行为特征,对于老客户进行交叉销售,精准推荐产品,提高客户二次转化效率,解决企业客户增长问题。对于保险客户来说,准确的复购预测代表更精准的需求匹配,可以帮助客户选择更适合自己的保险产品,减少不必要的营销打扰,让保险公司和保险客户实现双赢。
现有神经网络在保险预测行业应用广泛,但是在复杂的保险保费保额的预测过程中,由于特征随各影响因素并不是一成不变而是动态变化的,且各特征也存在严重的共线性问题,使得根据神经网络学习训练样本来预测保险的复购难度相对增大,训练结果一直以来都无法达到实践应用效果,导致预测精度低。
发明内容
根据上述提出的技术问题,而提供一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法。本发明采用的技术手段如下:
一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法,包括如下步骤:
获取用户的历史数据和更新数据,对其进行预处理;
经过数据预处理后的数据作为样本,利用Logistic模型进行保险客户是否复购预测建模,得到保险客户复购预测数据;
利用AdaBoost方法对训练样本数据进行训练,构建弱分类器;
通过各弱分类器分别对所述训练样本集进行集成学习得到强分类器;
通过赋予不同弱分类器权重,得到关于产品推荐、复购保费预测和复购保额预测的最终结果。
进一步地,所述对提取的数据进行预处理包括:
对提取的数据进行量化处理;
采用拉格朗日插值方法解决量化处理后缺失的数据;
对数据进行归一化处理;
对归一化处理的数据进行pearson相关性验证,得到用于建模的筛选后的预处理数据。
进一步地,分析用户的历史数据和更新数据基于险企已购客户的保单数据,具体地,提取与业务员、保单基本信息;客户基本信息;保单、客户和销售人员关系信息因素相关的数据;
在经过pearson相关性验证后,筛选后的数据包括投保姓名,地址,年龄,性别,过往购买记录及对应金额,销售渠道,保单生效日,缴费方式,缴费金额,VIP级别,展业机构,代理机构,个人财产估计值,受教育水平,职业,被保人与投保人关系,被保人性别,年龄,职业,身体状况。
进一步地,所述弱分类器包括逻辑回归模型、全连接神经网络多分类器和支持向量机。
进一步地,所述Logistic模型具体为:
逻辑回归中选择sigmoid函数作为激活函数,形式如下:
则逻辑回归输出的预测函数数学表达式子为
预测函数hθ(x)的值含义是对于x结果是1,即复购标签的概率为hθ(x)=p(y=1|x;θ)
对于二分类问题结果是0,即不复购标签的概率是1-hθ(x)=p(y=0|x;θ)。
进一步地,预测是否复购算法的具体实施包括建立损失函数、求参数θ向量、损失函数正则化和多类分类,具体地:
为了计算θ参数向量,使用极大然估计得到损失函数和J(θ),公式给出如下:
由以上公式J(θ)取得最小值时θ为要求的最佳参数。
其中:
为了防止过拟合,需要对J(θ)进行正则化处理,正则化后损失函数J(θ)变为
通过梯度下降法更新θ:
经过以上步骤,将数据预处理后的数据,随机分配为测试数据和训练数据,测试数据训练数据比是2∶8,通过logisticReression预测模型返回维度为客户数量乘以复购概率的矩阵,矩阵中大于预设值时预测标签为1,小于预设值时预测标签为0,实现二分类预测。
进一步地,对于多分类问题即产品推荐使用Adaboost函数,复购保费预测、复购保额预测使用全连接神将网络,弱分类器中的逻辑回归模型使用one-vs-all策略,即将多分类问题转换成多个二分类问题;
所述全连接神经网络隐藏层选择两层,激活函数使用tanh去线性化,
进一步地,基于复购概率前几位的险种作为推荐组合进行产品推荐。
本发明根据险企已购客户的保单数据进行分析,精准预测既存客户复购概率,根据复购概率指导客户维护及营销策略,提高营销转化率,降低营销成本;基于客户行为数据,精准预测客户可能复购险种及对应险种复购概率,满足客户实际需求的同时有效降低沟通成本;通过多渠道数据融合,实现数据动态感知市场变化,数据推动决策、辅助实现产品营销目标,最终实现目的是将合适的保险产品通过智能化的方式推荐给合适的用户。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本实施例公开了一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法,包括如下步骤:
获取用户的历史数据和更新数据,对其进行预处理,所述历史数据是已经存在的数据,所述更新数据是随时发生变化的未来时间段产生的数据;
经过数据预处理后的数据作为样本,利用Logistic模型进行保险客户是否复购预测建模,得到保险客户复购预测数据;
利用AdaBoost方法对训练样本数据进行训练,构建弱分类器;
通过各弱分类器分别对所述训练样本集进行集成学习得到强分类器;
通过赋予不同弱分类器权重,得到关于产品推荐、复购保费预测和复购保额预测的最终结果。
本实施例中,预处理的步骤包括:为了便于计算机处理,将字符型转换为数值型数据,对提取的数据进行量化处理;
量化处理后对于缺失数据的处理可采用多种方法,本发明提出采用拉格朗日插值方法,使用朗格朗日插值方法的优点在于,公式简单,不需要求导数等复杂运算,相较线性插值结果更准确。
拉格朗日插值公式如下:
其中每个lj(x)是拉格朗日插值基函数
对数据进行归一化处理;归一化的目的是消除量纲即各单位不统一对数据的影响;
由于数据字段过于繁琐且影响因素之间存在某种线性相关性,对拟合结果仍存在一定影响,本发明提出对数据进行pearson相关性验证,相关性验证目的是减少影响因素之间的共线性问题,提升预测准确率,对以上经过归一化后的数据进行优化去除极强相关,强相关因素,使得数据得到进一步筛选。分析用户的历史数据和更新数据基于险企已购客户的保单数据,具体地,提取与业务员、保单基本信息;客户基本信息;保单、客户和销售人员关系信息因素相关的数据;
在经过pearson相关性验证后,筛选后的数据包括投保姓名,地址,年龄,性别,过往购买记录及对应金额,销售渠道,保单生效日,缴费方式,缴费金额,VIP级别,展业机构,代理机构,个人财产估计值,受教育水平,职业,被保人与投保人关系,被保人性别,年龄,职业,身体状况。
Pearson相关系数法公式如下,相关系数r:
其中:x,y是平均值
通常情况下根据如下取值范围判断变量的相关强度
r范围 | 程度 |
0.8-1.0 | 极强相关 |
0.6-0.8 | 强相关 |
0.4-0.6 | 中等程度相关 |
0.0-0.2 | 不相关或极弱相关 |
所述弱分类器包括逻辑回归模型、全连接神经网络多分类器和支持向量机。
所述Logistic模型具体为:
逻辑回归中选择sigmoid函数作为激活函数,形式如下:
则逻辑回归输出的预测函数数学表达式子为
预测函数hθ(x)的值含义是对于x结果是1,即复购标签的概率为hθ(x)=p(y=1|x;θ)
对于二分类问题结果是0,即不复购标签的概率是1-hθ(x)=p(y=0|x;θ)。
预测是否复购算法的具体实施包括建立损失函数、求参数0向量、损失函数正则化和多类分类,具体地:
为了计算θ参数向量,使用极大然估计得到损失函数和J(θ),公式给出如下:
由以上公式J(θ)取得最小值时θ为要求的最佳参数。
其中:
为了防止过拟合,需要对J(θ)进行正则化处理,正则化后损失函数J(θ)变为
通过梯度下降法更新θ:
经过以上步骤,将数据预处理后的数据,随机分配为测试数据和训练数据,测试数据训练数据比是2∶8,通过logisticReression预测模型返回维度为客户数量乘以复购概率的矩阵,形式如根据测试本发明阈值设定为0.54,大于0.54预测标签为1,小于0.54预测标签为0,以上矩阵变为以上实现二分类预测。
对于多分类问题即产品推荐使用Adaboost函数,复购保费预测、复购保额预测使用全连接神将网络,弱分类器中的逻辑回归模型使用one-vs-all策略,即将多分类问题转换成多个二分类问题;假设要分成n个类别求出多个计算最大时对应的i就是他对应的分类类别。
所述全连接神经网络隐藏层选择两层,激活函数使用tanh去线性化,它的优点是函数输出以(0,0)为中心,收敛速度比sigmoid更快,
预测复购值使用的损失函数是均方误差损失函数,分类使用损失函数是交叉熵损失函数。产品推荐即预测复购那些险种,通过使用Adaboost函数得到维度是客户编号乘以险种的概率的矩阵,此步骤处理方法同预测是否复购情况相同,经过大量测试设定阈值0.45,大于0.45会复购某险种。小于0.45不会购买某险种,矩阵形式如下
本发明性能度量,目前算法使用准确率和召回率作为评价指标,通过本发明中数据预处理和预测建模的方法实施,进行准确率和召回率的计算,利用上边所求得标签矩阵计算评价指标,计算公式为
准确率=预测对的样本/所有样本
召回率=复购类型预测为复购/(复购类型预测为复购+不复购预测为不复购)。
本发明在寿险多渠道营销过程中均有良好表现,以电销场景为例,应用系统后,可大幅提升电销转化率,由原有不足1%增长为12%左右,促进产生更多保费交易。对于寿险公司来说,能实现提升通话质量、增加销售成功率、增加成单量及保费交易额、减少人员成本等效果。数据集上的表现,具体来说:(1)复购预测准确率96%,以复购客户为正例,召回率60%;(2)产品推荐准确率97%,召回率80%;(3)复购保费预测拟合优度0.7;(4)复购保额预测拟合优度0.73。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法,其特征在于,包括如下步骤:
获取用户的历史数据和更新数据,对其进行预处理;
经过数据预处理后的数据作为样本,利用Logistic模型进行保险客户是否复购预测建模,得到保险客户复购预测数据;
利用AdaBoost方法对训练样本数据进行训练,构建弱分类器;
通过各弱分类器分别对所述训练样本集进行集成学习得到强分类器;
通过赋予不同弱分类器权重,得到关于产品推荐、复购保费预测和复购保额预测的最终结果。
2.根据权利要求1所述的一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法,其特征在于,所述对提取的数据进行预处理包括:
对提取的数据进行量化处理;
采用拉格朗日插值方法解决量化处理后缺失的数据;
对数据进行归一化处理;
对归一化处理的数据进行pearson相关性验证,得到用于建模的筛选后的预处理数据。
3.根据权利要求2所述的一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法,其特征在于,分析用户的历史数据和更新数据基于险企已购客户的保单数据,具体地,提取与业务员、保单基本信息;客户基本信息;保单、客户和销售人员关系信息因素相关的数据;
在经过pearson相关性验证后,筛选后的数据包括投保姓名,地址,年龄,性别,过往购买记录及对应金额,销售渠道,保单生效日,缴费方式,缴费金额,VIP级别,展业机构,代理机构,个人财产估计值,受教育水平,职业,被保人与投保人关系,被保人性别,年龄,职业,身体状况。
4.根据权利要求1所述的一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法,其特征在于,所述弱分类器包括逻辑回归模型、全连接神经网络多分类器和支持向量机。
9.根据权利要求7所述的一种大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法,其特征在于,基于复购概率前几位的险种作为推荐组合进行产品推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744294.4A CN111899055A (zh) | 2020-07-29 | 2020-07-29 | 大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744294.4A CN111899055A (zh) | 2020-07-29 | 2020-07-29 | 大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111899055A true CN111899055A (zh) | 2020-11-06 |
Family
ID=73183760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010744294.4A Pending CN111899055A (zh) | 2020-07-29 | 2020-07-29 | 大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899055A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344722A (zh) * | 2021-06-07 | 2021-09-03 | 北京优全智汇信息技术有限公司 | 基于场景保险定制服务方法和平台 |
CN113435513A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于深度学习的保险客户分群方法、装置、设备和介质 |
CN113469730A (zh) * | 2021-06-08 | 2021-10-01 | 北京化工大学 | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 |
CN117593044A (zh) * | 2024-01-18 | 2024-02-23 | 青岛网信信息科技有限公司 | 一种双角度的营销活动效果预测方法、介质及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN107292433A (zh) * | 2017-06-12 | 2017-10-24 | 华南理工大学 | 基于双聚类挖掘及朴素贝叶斯和AdaBoost的股票交易行为预测方法 |
CN108171280A (zh) * | 2018-01-31 | 2018-06-15 | 国信优易数据有限公司 | 一种分类器构建方法及预测分类的方法 |
CN109034896A (zh) * | 2018-07-23 | 2018-12-18 | 北京奇艺世纪科技有限公司 | 一种广告投放人群预测方法及装置 |
CN109189831A (zh) * | 2018-08-21 | 2019-01-11 | 重庆邮电大学 | 一种基于组合赋权的购车倾向用户识别方法 |
CN109493123A (zh) * | 2018-10-23 | 2019-03-19 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的商品推荐方法及装置 |
CN110599336A (zh) * | 2018-06-13 | 2019-12-20 | 北京九章云极科技有限公司 | 一种金融产品购买预测方法及系统 |
CN110956497A (zh) * | 2019-11-27 | 2020-04-03 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
-
2020
- 2020-07-29 CN CN202010744294.4A patent/CN111899055A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN107292433A (zh) * | 2017-06-12 | 2017-10-24 | 华南理工大学 | 基于双聚类挖掘及朴素贝叶斯和AdaBoost的股票交易行为预测方法 |
CN108171280A (zh) * | 2018-01-31 | 2018-06-15 | 国信优易数据有限公司 | 一种分类器构建方法及预测分类的方法 |
CN110599336A (zh) * | 2018-06-13 | 2019-12-20 | 北京九章云极科技有限公司 | 一种金融产品购买预测方法及系统 |
CN109034896A (zh) * | 2018-07-23 | 2018-12-18 | 北京奇艺世纪科技有限公司 | 一种广告投放人群预测方法及装置 |
CN109189831A (zh) * | 2018-08-21 | 2019-01-11 | 重庆邮电大学 | 一种基于组合赋权的购车倾向用户识别方法 |
CN109493123A (zh) * | 2018-10-23 | 2019-03-19 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的商品推荐方法及装置 |
CN110956497A (zh) * | 2019-11-27 | 2020-04-03 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
Non-Patent Citations (1)
Title |
---|
瞿成鑫: "基于逻辑斯谛回归的银行营销", 信息工程, vol. 10, no. 5, pages 70 - 73 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344722A (zh) * | 2021-06-07 | 2021-09-03 | 北京优全智汇信息技术有限公司 | 基于场景保险定制服务方法和平台 |
CN113469730A (zh) * | 2021-06-08 | 2021-10-01 | 北京化工大学 | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 |
CN113435513A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于深度学习的保险客户分群方法、装置、设备和介质 |
CN113435513B (zh) * | 2021-06-28 | 2024-06-04 | 平安科技(深圳)有限公司 | 基于深度学习的保险客户分群方法、装置、设备和介质 |
CN117593044A (zh) * | 2024-01-18 | 2024-02-23 | 青岛网信信息科技有限公司 | 一种双角度的营销活动效果预测方法、介质及系统 |
CN117593044B (zh) * | 2024-01-18 | 2024-05-31 | 青岛网信信息科技有限公司 | 一种双角度的营销活动效果预测方法、介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sensini | Selection of Determinants in Corporate Financial Distress | |
CN111899055A (zh) | 大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 | |
KR101913591B1 (ko) | 비정형 데이터를 정형화하여 금융상품을 추천하는 방법 | |
Gan et al. | Consumer choice prediction: Artificial neural networks versus logistic models | |
Fang et al. | A new approach for credit scoring by directly maximizing the Kolmogorov–Smirnov statistic | |
Gupta et al. | A hybrid approach to asset allocation with simultaneous consideration of suitability and optimality | |
Chung et al. | Bankruptcy prediction using cerebellar model neural networks | |
Abdou et al. | Would credit scoring work for Islamic finance? A neural network approach | |
Santoso et al. | Financial distress prediction using linear discriminant analysis and support vector machine | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
Khoa et al. | Forecasting stock price movement direction by machine learning algorithm | |
Yahaya et al. | An enhanced bank customers churn prediction model using a hybrid genetic algorithm and k-means filter and artificial neural network | |
Kim et al. | Predicting corporate defaults using machine learning with geometric-lag variables | |
Puneeth et al. | Comparative study: Stock prediction using fundamental and technical analysis | |
Amendola et al. | Variable selection in default risk models | |
Mirtalaei et al. | A trust-based bio-inspired approach for credit lending decisions | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
Eletter et al. | Marketing intelligence in the era of big data | |
Obare et al. | Analysis of individual loan defaults using logit under supervised machine learning approach | |
CN115186101A (zh) | 一种投资管理后端系统、方法、设备及存储介质 | |
CN114219606A (zh) | 一种基于电力数据的用电企业信用评价的方法和系统 | |
CN113269610A (zh) | 银行产品的推荐方法、装置及存储介质 | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Dzelihodzic et al. | Data Mining Techniques for Credit Risk Assessment Task | |
Sharma et al. | Review of credit risk and credit scoring models based on computing paradigms in financial institutions |
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 |