CN111951051B - 一种为客户推荐产品的方法、装置和系统 - Google Patents
一种为客户推荐产品的方法、装置和系统 Download PDFInfo
- Publication number
- CN111951051B CN111951051B CN202010821268.7A CN202010821268A CN111951051B CN 111951051 B CN111951051 B CN 111951051B CN 202010821268 A CN202010821268 A CN 202010821268A CN 111951051 B CN111951051 B CN 111951051B
- Authority
- CN
- China
- Prior art keywords
- customer
- product
- products
- data
- attribute set
- 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 51
- 230000003993 interaction Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 24
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种为客户推荐产品的方法、装置和系统,该方法包括:接收客户标识信息;获取与所述客户标识信息相对应的客户数据和产品数据;根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表。本发明实施例在银行客户的画像、客户资产负债信息、交易行为和产品属性等行内各类结构化和非结构化金融数据的基础上,根据客户交互时间长度、交互位次、交互方向、商品流行度、客户热度等因素对协同算法进行优化,使得为客户推荐的产品更符合客户需求。为客户推荐产品的方法、装置和系统可以用于大数据领域及人工智能领域。
Description
技术领域
本发明涉及产品推荐技术,涉及大数据领域及人工智能领域。具体地涉及一种为客户推荐产品的方法、装置和系统。
背景技术
随着大数据与人工智能技术的兴起,利用协同过滤算法构建推荐系统为客户推荐产品已经逐步成为提高银行产品营销的技术手段。然而在协同过滤算法存在一个亟需解决的问题——推荐系统纠偏,即改善推荐系统倾向于推荐少数热门产品的问题。在实现本发明过程中,发明人发现现有技术中至少存在如下问题:现有推荐系统倾向于推荐少数热门产品的问题一方面会导致无法完全满足客户的个性化推荐需求。
发明内容
本发明实施例的目的是提供一种为客户推荐产品的方法、装置和系统,以满足客户的个性化推荐需求。
为达上述目的,第一方面,本发明实施例提供一种为客户推荐产品的方法,其包括:
接收客户标识信息;
获取与所述客户标识信息相对应的客户数据和产品数据;
根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表。
为达上述目的,第二方面,本发明实施例提供一种为客户推荐产品的装置,其包括:
接收模块,用于接收客户标识信息;
获取模块,用于获取与所述客户标识信息相对应的客户数据和产品数据;
预测推荐模块,用于根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表。
为达上述目的,第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的为客户推荐产品的方法。
为达上述目的,第四方面,本发明实施例提供一种计算机设备,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的为客户推荐产品的方法。
为达上述目的,第五方面,本发明实施例提供一种为客户推荐产品的系统,其包括:
操作终端,用于接收输入的客户标识信息,并从推荐产品预测装置获取推荐给客户的第一产品推荐列表;
推荐产品预测装置,通过互联网或者金融传输网络与操作终端通信连接,所述推荐产品预测装置是上述的为客户推荐产品的装置;
客户数据存储装置,通过互联网或者金融传输网络与所述推荐产品预测装置通信连接,用于存储银行内客户数据;
产品数据存储装置,通过互联网或者金融传输网络与所述推荐产品预测装置通信连接,用于存储银行内产品数据。
上述技术方案具有如下有益效果:本发明实施例通过接收客户标识信息;获取与所述客户标识信息相对应的客户数据和产品数据;根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表;从而利用客户与产品交互行为预测模型对协同算法进行优化,使得为客户推荐的产品更符合客户需求,满足客户的个性化推荐需求。
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作简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的实施例的一种客户行为预测系统的功能框图;
图2是本发明的实施例的一种为客户推荐产品的装置的功能框图;
图3是本发明的实施例的一种为客户推荐产品的方法的流程图;
图4是本发明的实施例作为一个举例的第一客户属性集合的客户属性的示意图;
图5是本发明的实施例作为一个举例的两个用户的持有产品列表示意图;
图6是本发明的实施例的一种电子设备的功能框图。
具体实施方式
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,所描述的实施例仅仅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。
本申请的发明人发现,现有推荐系统倾向于推荐少数热门产品,会导致无法完全满足客户的个性化营销/推荐需求。
本申请的发明人还发现,现有推荐系统使新产品无法得到推广,即刚推出市场的产品会因为没有客户持有而无法进入推荐列表,导致失去推广机会。
本申请的发明人还发现,现有推荐系统加入惩罚热门产品的权重因子会减少热门产品的影响,但因为权重因子是经验值,无法在不同场景下自适应调整,且无法解决新产品冷启动问题。
本发明实施例为克服上述的多个技术问题,提供一种基于客户与产品交互,产品流行度优化协同过滤算法的方法,在银行客户的画像、客户资产负债信息、交易行为和产品属性等行内各类结构化和非结构化金融数据的基础上,根据客户交互时间长度、交互位次、交互方向、商品流行度、客户热度等因素对协同算法进行优化,使得为客户推荐的产品更符合客户需求。
下面结合附图对本发明实施例的技术方案进行详细说明。
图1为本发明的实施例的一种客户行为预测系统或者为客户推荐产品的系统的功能框图。如图1所示,该系统包括:操作终端1、推荐产品预测装置2、客户信息存储装置3、产品信息存储装置4。操作终端1通过互联网或者金融传输网络与客户行为预测装置2进行操作信息和预测结果数据交互,客户行为预测装置2通过金融传输网络与客户信息存储装置3和产品信息存储装置4进行客户信息和产品信息数据的交互。
操作终端1,用于接收客户经理输入的客户标识信息,并从推荐产品预测装置2获取推荐给客户的产品列表。操作终端1包括但不限于台式电脑、移动智能终端设备,客户经理可以通过电脑、移动智能终端设备登陆行内系统操作。
推荐产品预测装置2,用于从客户信息存储装置3和产品信息存储装置4获取客户数据和产品数据,经过加工后送入目标行为预测模型生成产品推荐列表,并将该预测结果反馈给操作终端1。
客户信息存储装置3,是利用大数据集群技术构成的数据存储系统,实现银行内客户数据存储。
产品信息存储装置4,是利用大数据集群技术构成的数据存储系统,实现银行内产品数据存储。
图2是本发明的实施例的一种为客户推荐产品的装置的功能框图。如图2所示,该为客户推荐产品的装置对应于前述的推荐产品预测装置2,其包括:
接收模块21,用于接收客户标识信息;
获取模块22,用于获取与所述客户标识信息相对应的客户数据和产品数据;
预测推荐模块23,用于根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表。
在进一步的实施例中,该预测推荐模块23,还可以用于:
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,将所述上线时间最短的第一预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表;或者,
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,再随机选取第二预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表。
在进一步的实施例中,该为客户推荐产品的装置还包括模型建立模块,用于通过如下步骤建立客户与产品交互行为预测模型:
获取产品筛选条件和客户标识信息;
根据产品筛选条件和客户标识信息,获取全量的客户数据和产品数据作为样本集;其中,客户数据包括第一客户属性集合,第一客户属性集合包括客户基本信息,以及客户与产品交互历史行为信息;
对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将加工后的数据加入第一客户属性集合,形成第二客户属性集合;其中,加工处理具体包括如下步骤:统计每个产品在第一客户属性集合中出现的次数;分别统计每个客户持有各个产品的时间长度;按持有时间长度对客户持有产品进行排序,获得每个产品在相应客户的持有产品排序中的位置;
根据第二客户属性集合中的客户持有产品的时间长度、持有时长排序位次,交易方向和产品在第二客户属性集合中出现的次数,确定第二客户属性集合中任意两个产品之间的相似度。
在进一步的实施例中,该模型建立模块,还可以用于在对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将加工后的数据加入第一客户属性集合,形成第二客户属性集合之前,执行如下一个或多个步骤:
对第一客户属性集合进行数据清洗;
对第一客户属性集合进行特征单一值处理,所述单一值处理包括:统计每个特征中每个值的出现次数,如果某个值的出现次数占比超过预设的比例值时,则删除所述特征;
从第一客户属性集合中按不同数据类型进行划分,并将离散值进行连续化处理,将时间序列数据转化为用于计算的离散值或连续值。
在一些实施例中,预测推荐模块23,可以用于基于如下公式确定第二客户属性集合中任意两个产品之间的相似度:
其中,i和j表示产品,Sim(i,j)表示产品i和j的相似度,|Ui|、|Uj|表示产品i和j在第二客户属性集合U中出现的次数,|Ui∩Uj|表示同时持有产品i和j的客户数,tu,i表示客户u持有产品i的时间,tu,j表示客户u持有产品j的时间,lu,i为产品i在客户u的持有产品排序中的位置,lu,j为产品j在客户u的持有产品排序中的位置,α,λ为预设好的常量,当tu,i<tu,j时,λr取值范围是0.1~1,否则λr取值范围是1~1.5,λloc取值范围是0.01~0.5,αloc取值范围是0.01~0.3,αt取值范围是0.1~0.8,。λp取值范围为0.5~0.8,交易方向用于计算持有时间,该持有时间等于赎回日期减去购买日期。
图3是本发明的实施例的一种为客户推荐产品的方法的流程图。如图3所示,该方法包括如下步骤:
步骤S110:接收客户标识信息;
步骤S120:获取与所述客户标识信息相对应的客户数据和产品数据;
步骤S130:根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表。
在进一步的实施例中,该方法还可以包括步骤S140:
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,将所述上线时间最短的第一预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表;或者,
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,再随机选取第二预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表。
在进一步的实施例中,该方法还可以包括步骤S150:通过如下步骤建立客户与产品交互行为预测模型:
获取产品筛选条件和客户标识信息;
根据产品筛选条件和客户标识信息,获取全量的客户数据和产品数据作为样本集;其中,客户数据包括第一客户属性集合,第一客户属性集合包括客户基本信息,以及客户与产品交互历史行为信息;
对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将加工后的数据加入第一客户属性集合,形成第二客户属性集合;其中,加工处理具体包括如下步骤:统计每个产品在第一客户属性集合中出现的次数;分别统计每个客户持有各个产品的时间长度;按持有时间长度对客户持有产品进行排序,获得每个产品在相应客户的持有产品排序中的位置;
根据第二客户属性集合中的客户持有产品的时间长度、持有时长排序位次,交易方向和产品在第二客户属性集合中出现的次数,确定第二客户属性集合中任意两个产品之间的相似度。
在进一步的实施例中,在对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将加工后的数据加入第一客户属性集合,形成第二客户属性集合之前,还包括如下一个或多个步骤:
步骤S160:对第一客户属性集合进行数据清洗;
步骤S170:对第一客户属性集合进行特征单一值处理,所述单一值处理包括:统计每个特征中每个值的出现次数,如果某个值的出现次数占比超过预设的比例值时,则删除所述特征;
步骤S180:从第一客户属性集合中按不同数据类型进行划分,并将离散值进行连续化处理,将时间序列数据转化为用于计算的离散值或连续值。
在进一步的实施例中,步骤S150中根据第二客户属性集合中的客户持有产品的时间长度、持有时长排序位次,交易方向和产品在第二客户属性集合中出现的次数,确定第二客户属性集合中任意两个产品之间的相似度,具体可以包括基于如下公式确定第二客户属性集合中任意两个产品之间的相似度:
其中,i和j表示产品,Sim(i,j)表示产品i和j的相似度,|Ui|、|Uj|表示产品i和j在第二客户属性集合U中出现的次数,|Ui∩Uj|表示同时持有产品i和j的客户数,tu,i表示客户u持有产品i的时间,tu,j表示客户u持有产品j的时间,lu,i为产品i在客户u的持有产品排序中的位置,lu,j为产品j在客户u的持有产品排序中的位置,α,λ为预设好的常量,当tu,i<tu,j时,λr取值范围是0.1~1,否则λr取值范围是1~1.5,λloc取值范围是0.01~0.5,αloc取值范围是0.01~0.3,αt取值范围是0.1~0.8,λp取值范围为0.5~0.8,交易方向用于计算持有时间,该持有时间等于赎回日期减去购买日期。
本发明实施例的技术方案满足了客户的个性化推荐需求和解决了新产品冷启动问题。
以下通过举例对本发明实施例的为客户推荐产品的方法进行更加详细的说明,该方法包括如下步骤:
步骤200:操作终端1获取输入的(例如客户经理输入的)产品筛选条件和一个客户标识信息后,将筛选条件和客户标识信息传送至客户行为预测装置2。作为一个举例,筛选条件例如可以包括:产品所属地区,产品到期日,产品类型,产品开售日。作为一个举例,客户标识信息可以包括:客户手机、开户证件信息或客户编号。
步骤201:客户行为预测装置2根据操作终端1送入的产品筛选条件和客户标识信息,通过客户信息存储装置3和产品信息存储装置4获取全量的(即全行的所有个人客户)客户数据和产品数据作为样本集,该客户数据中包括第一客户属性集合,该第一客户属性集合包括多个待筛选的客户属性。
在一些实施方式中,第一客户属性集合的客户属性具体可以包括客户基本信息和客户与产品交互历史行为信息。其中,如图4-图5所示,客户基本信息可以包括:客户的唯一标识信息、客户的性别、年龄、所在城市、职业以及学历等;客户与产品交互历史行为信息可以包括:客户1年内在手机银行产品列表点击、购买产品行为(例如:客户持有的产品,购买产品次数与金额);产品数据可以包括产品名称,产品介绍,产品销售地区,风险,近3、6、12个月收益率,持有人数,交易频次和持有时长等。
在一些实施方式中,客户与产品交互历史行为信息可以包括客户点击产品,购买产品列表等。
步骤202:对第一客户属性集合进行数据清洗。例如调整数据格式不一致的数据,并清洗客户编号、产品介绍等关键字段为空的记录。
步骤203:对第一客户属性集合进行特征单一值处理,即统计每个特征中每个值的出现次数,如某个值出现次数占比超过90%,则删除此特征。在本步骤中,统计某个值占所有数值出现的次数比例。例如100个客户数据中,性别信息0出现99次,1出现1次。0的占比为99%,应该剔除。因为当一个特征的值基本都是同一数值时,无法提供有效信息。
步骤204:从第一客户属性集合中按不同数据类型(例如离散,连续,文本和时序类型)进行划分,并将具有实际意义的离散值进行连续化处理,将时间序列数据转化为可以用于计算的离散值或连续值。
步骤205:对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将加工后的数据加入第一客户属性集合,形成第二客户属性集合。
作为一个示例,在本步骤中,加工处理过程具体包括如下步骤:统计每个产品在第一客户属性集合中出现的次数;分别统计每个客户持有各个产品的时间(即时间长度);按持有时间长度对客户持有产品进行排序,获得每个产品在相应客户的持有产品排序中的位置。
例如,客户甲持有A,B,C,D四种产品,按照持有时间进行排序后为:B,A,D,C。然后分别记录排序后产品的位置,即A:2,B:1,C:4,D:3。
将以上加工数据加入第一客户属性集合,形成第二客户属性集合。该加工数据包括:每个产品在第一客户属性集合中出现的次数;每个客户持有各个产品的时间长度;每个产品在相应客户的持有产品时长排序中的位置。作为一个示例,如果一个产品被两个用户持有时,则将其出现的次数计为2次,依此类推。
步骤206:根据第二客户属性集合中的客户持有产品的时间长度、持有时长排序位次,交易方向(购买或赎回)和商品流行度(商品在第二客户属性集合中出现的次数)等因素,按式1计算第二客户属性集合中所有产品之间的相似度:
式1
其中i和j表示产品,Sim(i,j)表示产品i和j的相似度,|Ui|、|Uj|表示产品i和j在第二客户属性集合U中出现的次数,|Ui∩Uj|表示同时持有产品i和j的客户数,tu,i表示客户u持有产品i的时间,tu,j表示客户u持有产品j的时间,lu,i为产品i在客户u的持有产品排序中的位置,lu,j为产品j在客户u的持有产品排序中的位置,α,λ为预设好的常量,当tu,i<tu,j时,λr取值范围是0.1~1,否则λr取值范围是1~1.5。λloc取值范围是0.01~0.5,αloc取值范围是0.01~0.3,αt取值范围是0.1~0.8。λp取值范围为0.5~0.8。其中,交易方向用于计算持有时间,持有时间等于赎回日期减去购买日期。其中,送入公式1计算的数据均来源于第二客户属性集合。
步骤207:根据操作终端1送入的客户标识信息,在客户信息存储装置3中查询客户持有产品列表。使用步骤106计算得出产品相似度结果,按相似度降序排序后,取与客户持有产品列表最相似的预设数量的(例如3项)产品,作为第一产品推荐列表。
在本步骤中,上述的产品相似度是指第二客户属性集合中所有产品两两之间的相似度。例如产品列表有{A,B,C},则分别求的是A与B,A与C,B与C的相似度。
作为一个举例,假设第二客户属性集合中包含产品{A,B,C,D,E},客户1持有产品A。经过步骤206后可得A与B,C,D,E的相似度为{B:0.3,C:05,D:0.1,E:0.2}。根据相似度,取与A最相似的三个产品,分别为BCE,形成第一产品推荐列表。
步骤208:为提高新上线产品营销力度,按照产品上线时间对符合从操作终端1获取的筛选条件的产品进行排序,取上线时间最短的预设数量个(例如前5个)产品后,再随机选取预设数量个(例如2个)产品加入到步骤207生成的第一产品推荐列表中,形成第二产品推荐列表。
在本步骤中,作为一个示例,每个产品使用随机函数生成一个0~5的数字,再按大小降序排列,选取排名前N(例如2个)的产品。
步骤209:将步骤208得到的第二产品推荐列表通过操作终端1展现给客户经理。
本发明的实施例的上述技术方案具有如下优点:
本发明的实施例通过先聚类分群,再依据客户属性,持有产品等数据计算产品/客户相似度方式,以此挖掘产品的潜力客户,提高准确性和解释性。另外可以让客户经理在操作终端自主选择需要分析的客户群体进行行为预测,免去重新建模时间,提高营销效率。
本发明根据客户交互时间、交互位次、交互方向、商品流行度、客户热度(产品在第二客户属性集合出现次数)等因素对协同算法进行优化,使产品推荐更加符合客户个性化需求,提高营销精准度。
本发明的实施例实现了多模型融合,选择客户后由系统输出客户行为,推荐应该营销的产品;选择产品后,由系统找到目标客户清单。
需要说明的是,本发明实施例提供的为客户推荐产品的装置是应用上述为客户推荐产品的方法的装置,则两者均能达到相同或相似的有益效果。
本发明实施例还提供了一种电子设备,如图6所示,包括一个或多个处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现上述为客户推荐产品的方法的各步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述为客户推荐产品的方法的各步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
需要说明的是,本发明确定的方法和装置可用于大数据领域及人工智能领域,也可用于除金融领域之外的任意领域,本发明的方法和装置的应用领域不做限定。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (9)
1.一种为客户推荐产品的方法,其特征在于,包括:
接收客户标识信息;
获取与所述客户标识信息相对应的客户数据和产品数据;
根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表;
还包括:通过如下步骤建立客户与产品交互行为预测模型:
获取产品筛选条件和客户标识信息;
根据所述产品筛选条件和所述客户标识信息,获取全量的客户数据和产品数据作为样本集;其中,所述客户数据包括第一客户属性集合,所述第一客户属性集合包括客户基本信息,以及客户与产品交互历史行为信息;
对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将所述加工后的数据加入第一客户属性集合,形成第二客户属性集合;其中,所述加工处理具体包括如下步骤:统计每个产品在所述第一客户属性集合中出现的次数;分别统计每个客户持有各个产品的时间长度;按持有时间长度对客户持有产品进行排序,获得每个产品在相应客户的持有产品排序中的位置;
根据所述第二客户属性集合中的客户持有产品的时间长度、持有时长排序位次,交易方向和产品在第二客户属性集合中出现的次数,确定所述第二客户属性集合中任意两个产品之间的相似度;
所述的根据第二客户属性集合中的客户持有产品的时间长度、持有时长排序位次,交易方向和产品在第二客户属性集合中出现的次数,确定第二客户属性集合中任意两个产品之间的相似度,具体包括基于如下公式确定第二客户属性集合中任意两个产品之间的相似度:
其中,i和j表示产品,Sim(i,j)表示产品i和j的相似度,|Ui|、|Uj|表示产品i和j在第二客户属性集合U中出现的次数,|Ui∩Uj|表示同时持有产品i和j的客户数,tu,i表示客户u持有产品i的时间,tu,j表示客户u持有产品j的时间,lu,i为产品i在客户u的持有产品排序中的位置,lu,j为产品j在客户u的持有产品排序中的位置,α,λ为预设好的常量,当tu,i<tu,j时,λr取值范围是0.1~1,否则λr取值范围是1~1.5,λloc取值范围是0.01~0.5,αloc取值范围是0.01~0.3,αt取值范围是0.1~0.8,λp取值范围为0.5~0.8,所述交易方向用于计算持有时间,所述持有时间等于赎回日期减去购买日期。
2.根据权利要求1所述的方法,其特征在于,还包括:
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,将所述上线时间最短的第一预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表;或者,
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,再随机选取第二预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表。
3.根据权利要求1所述的方法,其特征在于,在所述的对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将加工后的数据加入第一客户属性集合,形成第二客户属性集合之前,还包括如下一个或多个步骤:
对所述第一客户属性集合进行数据清洗;
对所述第一客户属性集合进行特征单一值处理,所述单一值处理包括:统计每个特征中每个值的出现次数,如果某个值的出现次数占比超过预设的比例值时,则删除所述特征;
从所述第一客户属性集合中按不同数据类型进行划分,并将离散值进行连续化处理,将时间序列数据转化为用于计算的离散值或连续值。
4.一种为客户推荐产品的装置,其特征在于,包括:
接收模块,用于接收客户标识信息;
获取模块,用于获取与所述客户标识信息相对应的客户数据和产品数据;
预测推荐模块,用于根据所述客户数据、所述产品数据和预先建立的客户与产品交互行为预测模型,获得所述预测模型输出的与所述客户标识信息对应的第一产品推荐列表;
还包括模型建立模块,用于通过如下步骤建立客户与产品交互行为预测模型:
获取产品筛选条件和客户标识信息;
根据所述产品筛选条件和所述客户标识信息,获取全量的客户数据和产品数据作为样本集;其中,客户数据包括第一客户属性集合,第一客户属性集合包括客户基本信息,以及客户与产品交互历史行为信息;
对所述第一客户属性集合数据进行加工处理,获得加工后的数据,并且将所述加工后的数据加入第一客户属性集合,形成第二客户属性集合;其中,所述加工处理具体包括如下步骤:统计每个产品在第一客户属性集合中出现的次数;分别统计每个客户持有各个产品的时间长度;按持有时间长度对客户持有产品进行排序,获得每个产品在相应客户的持有产品排序中的位置;
根据所述第二客户属性集合中的客户持有产品的时间长度、持有时长排序位次,交易方向和产品在所述第二客户属性集合中出现的次数,确定所述第二客户属性集合中任意两个产品之间的相似度;
所述预测推荐模块,用于基于如下公式确定第二客户属性集合中任意两个产品之间的相似度:
其中,i和j表示产品,Sim(i,j)表示产品i和j的相似度,|Ui|、|Uj|表示产品i和j在第二客户属性集合U中出现的次数,|Ui∩Uj|表示同时持有产品i和j的客户数,tu,i表示客户u持有产品i的时间,tu,j表示客户u持有产品j的时间,lu,i为产品i在客户u的持有产品排序中的位置,lu,j为产品j在客户u的持有产品排序中的位置,α,λ为预设好的常量,当tu,i<tu,j时,λr取值范围是0.1~1,否则λr取值范围是1~1.5,λloc取值范围是0.01~0.5,αloc取值范围是0.01~0.3,αt取值范围是0.1~0.8,λp取值范围为0.5~0.8,所述交易方向用于计算持有时间,所述持有时间等于赎回日期减去购买日期。
5.根据权利要求4所述的装置,其特征在于,所述推荐模块,还用于:
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,将所述上线时间最短的第一预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表;或者,
按照产品上线时间对符合筛选条件的产品进行排序,取上线时间最短的第一预设数量个产品后,再随机选取第二预设数量个产品加入到所述第一产品推荐列表中,形成第二产品推荐列表。
6.根据权利要求4所述的装置,其特征在于,所述模型建立模块,还用于在对第一客户属性集合数据进行加工处理,获得加工后的数据,并且将加工后的数据加入第一客户属性集合,形成第二客户属性集合之前,执行如下一个或多个步骤:
对所述第一客户属性集合进行数据清洗;
对所述第一客户属性集合进行特征单一值处理,所述单一值处理包括:统计每个特征中每个值的出现次数,如果某个值的出现次数占比超过预设的比例值时,则删除所述特征;
从所述第一客户属性集合中按不同数据类型进行划分,并将离散值进行连续化处理,将时间序列数据转化为用于计算的离散值或连续值。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任意一项所述的为客户推荐产品的方法。
8.一种计算机设备,其特征在于,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-3中任一所述的为客户推荐产品的方法。
9.一种为客户推荐产品的系统,其特征在于,包括:
操作终端,用于接收输入的客户标识信息,并从推荐产品预测装置获取推荐给客户的第一产品推荐列表;
推荐产品预测装置,通过互联网或者金融传输网络与操作终端通信连接,所述推荐产品预测装置是根据权利要求4-6中任一项所述的为客户推荐产品的装置;
客户数据存储装置,通过互联网或者金融传输网络与所述推荐产品预测装置通信连接,用于存储银行内客户数据;
产品数据存储装置,通过互联网或者金融传输网络与所述推荐产品预测装置通信连接,用于存储银行内产品数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821268.7A CN111951051B (zh) | 2020-08-14 | 2020-08-14 | 一种为客户推荐产品的方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821268.7A CN111951051B (zh) | 2020-08-14 | 2020-08-14 | 一种为客户推荐产品的方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951051A CN111951051A (zh) | 2020-11-17 |
CN111951051B true CN111951051B (zh) | 2023-09-26 |
Family
ID=73342468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821268.7A Active CN111951051B (zh) | 2020-08-14 | 2020-08-14 | 一种为客户推荐产品的方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951051B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581226B (zh) * | 2020-12-21 | 2024-02-02 | 中国工商银行股份有限公司 | 产品推荐方法及系统 |
CN113177812A (zh) * | 2021-05-28 | 2021-07-27 | 中国银行股份有限公司 | 银行奖品信息推荐方法及装置 |
CN113393297A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 一种理财产品推送方法及装置 |
CN113706258B (zh) * | 2021-08-31 | 2024-06-28 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484876A (zh) * | 2016-10-13 | 2017-03-08 | 中山大学 | 一种基于典型度和信任网络的协同过滤推荐方法 |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN110135943A (zh) * | 2019-04-12 | 2019-08-16 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN110415002A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 客户行为预测方法及系统 |
-
2020
- 2020-08-14 CN CN202010821268.7A patent/CN111951051B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484876A (zh) * | 2016-10-13 | 2017-03-08 | 中山大学 | 一种基于典型度和信任网络的协同过滤推荐方法 |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN110135943A (zh) * | 2019-04-12 | 2019-08-16 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN110415002A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 客户行为预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111951051A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951051B (zh) | 一种为客户推荐产品的方法、装置和系统 | |
CN109559208B (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
CN108876537B (zh) | 一种用于网上商场系统的混合推荐方法 | |
JP6134444B2 (ja) | 情報を推薦するための方法およびシステム | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN109242612B (zh) | 一种产品推荐的方法及设备 | |
CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN110473040B (zh) | 一种产品推荐方法及装置,电子设备 | |
CN109447762B (zh) | 商品推荐方法及其装置、服务器、商品推荐系统 | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN111899047A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
US11200593B2 (en) | Predictive recommendation system using tiered feature data | |
CN106934648A (zh) | 一种数据处理方法和装置 | |
CN105630836A (zh) | 搜索结果的排序方法和装置 | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
WO2017148272A1 (zh) | 一种目标用户的识别方法和装置 | |
CN111461827A (zh) | 产品评价信息的推送方法和装置 | |
CN103309885A (zh) | 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 | |
CN112581281A (zh) | 产品推荐方法及装置、存储介质及电子设备 | |
CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
CN115965468A (zh) | 基于交易数据的异常行为检测方法、装置、设备及介质 | |
CN114925261A (zh) | 关键词确定方法、装置、设备、存储介质及程序产品 | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
CN114119168A (zh) | 一种信息推送方法及装置 | |
Singh et al. | Data mining: consumer behavior analysis |
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 |