CN112017062A - 基于客群细分的资源额度分配方法、装置及电子设备 - Google Patents
基于客群细分的资源额度分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112017062A CN112017062A CN202010682575.1A CN202010682575A CN112017062A CN 112017062 A CN112017062 A CN 112017062A CN 202010682575 A CN202010682575 A CN 202010682575A CN 112017062 A CN112017062 A CN 112017062A
- Authority
- CN
- China
- Prior art keywords
- guest
- user
- models
- customer
- basic information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009826 distribution Methods 0.000 title abstract description 14
- 238000010801 machine learning Methods 0.000 claims description 27
- 238000003066 decision tree Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于客群细分的资源额度分配方法、装置、电子设备及计算机可读介质。该方法包括：通过多个渠道获取用户的基础信息；将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；将所述多个客户评分输入组合模型中，生成用户评分；基于所述用户评分为所述用户分配资源额度。本公开涉及的基于客群细分的资源额度分配方法、装置、电子设备及计算机可读介质，能够精确高效的确定用户的资源额度，提高资源利用率和分配效率。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种基于客群细分的资源额度分配方法、装置、电子设备及计算机可读介质。
背景技术
随着经济的发展，为了满足其自身发展的需要，个人用户或者企业用户经常由金融服务机构进行借款活动，对于金融服务机构而言，用户的借款活动很可能会给金融服务公司带来风险。在还款期限届满之前，借款人(信贷用户)财务商务状况的重大不利变化很可能影响其履约能力，从而发生呆账、坏账等风险，因此，为了降低此类风险的发生概率，金融服务机构需要对借款人进行风险评估，进而制定其相对应的用户资源分配额度。
在用户资源额度的分配方法上，现有技术是基于历史用户基本信息结合个人行为数据进行建模，进而通过模型分析出当前用户的风险值，进而根据风险值确定用户的资源额度。现有技术中是将历史用户作为一个整体进行建模仿真，但是，在实际情况中，用户本身具有个性特点，历史用户的特点也并不是服从一个总体人群分布，而是有若干个子客群组成的混合人群分布，如果通过一个模型综合代表所有类别用户的风险特征，未免有失偏颇，难以做到对用户的精细化管理。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种基于客群细分的资源额度分配方法、装置、电子设备及计算机可读介质，能够精确高效的确定用户的资源额度，提高资源利用率和分配效率。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种基于客群细分的资源额度分配方法，该方法包括：通过多个渠道获取用户的基础信息；将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；将所述多个客户评分输入组合模型中，生成用户评分；基于所述用户评分为所述用户分配资源额度。
可选地，还包括：通过多个历史用户和卡方决策树模型生成所述多个客群细分模型。
可选地，还包括：通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型。
可选地，通过多个历史用户和卡方决策树模型生成所述多个客群细分模型，包括：获取所述多个历史用户的基础信息；将所述多个历史用户的基础信息输入所述卡方决策树模型生成多个客群；为所述多个客群分别建立客群细分模型。
可选地，将所述多个历史用户的基础信息输入所述卡方决策树模型生成多个客群，包括：将所述多个历史用户作为多个自变量；将多个客群类别作为因变量；利用卡方检测确定所述多个自变量和因变量的关系，以将所述多个自变量划分到所述多个客群中。
可选地，为所述多个客群分别建立客群细分模型，包括：通过所述多个客群中的多个历史用户的基础信息分别对多个机器学习模型进行训练，生成所述多个客群细分模型。
可选地，通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型，包括：将所述多个历史用户的基础信息分别输入所述多个客群细分模型中，生成多个客户评分集合；将所述多个客户评分集合作为多个样本数据，多个样本数据对应于多个历史用户；通过所述机器学习算法和所述多个样本数据生成所述组合模型。
可选地，通过所述机器学习算法和所述多个样本数据生成所述组合模型，包括：基于多个历史用户的行为数据为其对应的样本数据确定标签；将带有标签的多个样本数据输入机器学习模型中以对所述机器学习模型进行训练，生成所述组合模型。
可选地，基于所述用户评分为所述用户分配资源额度，包括：将所述用户评分和多个阈值区间进行比较以确定风险类别；基于所述风险类别确定所述用户的资源额度。
可选地，还包括：基于所述用户评分为所述用户确定特享资源信息。
根据本公开的一方面，提出一种基于客群细分的资源额度分配装置，该装置包括：信息模块，用于通过多个渠道获取用户的基础信息；客户评分模块，用于将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；用户评分模块，用于将所述多个客户评分输入组合模型中，生成用户评分；额度模块，用于基于所述用户评分为所述用户分配资源额度。
可选地，还包括：客群模型模块，用于通过多个历史用户和卡方决策树模型生成所述多个客群细分模型。
可选地，还包括：组合模型模块，用于通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型。
可选地，所述客群模型模块，包括：历史单元，用于获取所述多个历史用户的基础信息；客群单元，用于将所述多个历史用户的基础信息输入所述卡方决策树模型生成多个客群；模型单元，用于为所述多个客群分别建立客群细分模型。
可选地，所述客群单元，还用于将所述多个历史用户作为多个自变量；将多个客群类别作为因变量；利用卡方检测确定所述多个自变量和因变量的关系，以将所述多个自变量划分到所述多个客群中。
可选地，所述模型单元，还用于通过所述多个客群中的多个历史用户的基础信息分别对多个机器学习模型进行训练，生成所述多个客群细分模型。
可选地，所述组合模型模块，包括：集合单元，用于将所述多个历史用户的基础信息分别输入所述多个客群细分模型中，生成多个客户评分集合；样本单元，用于将所述多个客户评分集合作为多个样本数据，多个样本数据对应于多个历史用户；生成单元，用于通过所述机器学习算法和所述多个样本数据生成所述组合模型。
可选地，所述生成单元，还用于基于多个历史用户的行为数据为其对应的样本数据确定标签；将带有标签的多个样本数据输入机器学习模型中以对所述机器学习模型进行训练，生成所述组合模型。
可选地，所述额度模块，包括：比较单元，用于将所述用户评分和多个阈值区间进行比较以确定风险类别；类别单元，用于基于所述风险类别确定所述用户的资源额度。
可选地，还包括：资源模块，用于基于所述用户评分为所述用户确定特享资源信息。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的基于客群细分的资源额度分配方法、装置、电子设备及计算机可读介质，通过多个渠道获取用户的基础信息；将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；将所述多个客户评分输入组合模型中，生成用户评分；基于所述用户评分为所述用户分配资源额度的方式，能够精确高效的确定用户的资源额度，提高资源利用率和分配效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种基于客群细分的资源额度分配方法及装置的系统框图。
图2是根据一示例性实施例示出的一种基于客群细分的资源额度分配方法的流程图。
图3是根据另一示例性实施例示出的一种基于客群细分的资源额度分配方法的流程图。
图4是根据另一示例性实施例示出的一种基于客群细分的资源额度分配方法的流程图。
图5是根据一示例性实施例示出的一种基于客群细分的资源额度分配装置的框图。
图6是根据另一示例性实施例示出的一种基于客群细分的资源额度分配装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源的分配，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的分配。
图1是根据一示例性实施例示出的一种基于客群细分的资源额度分配方法及装置的系统框图。
如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如资源配额)反馈给金融服务网站的管理员和终端设备101、102、103。
服务器105可例如通过多个渠道获取用户的基础信息；服务器105可例如将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；服务器105可例如将所述多个客户评分输入组合模型中，生成用户评分；服务器105可例如基于所述用户评分为所述用户分配资源额度。
服务器105还可例如通过多个历史用户和卡方决策树模型生成所述多个客群细分模型。
服务器105还可例如通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的基于客群细分的资源额度分配方法可以由服务器105执行，相应地，基于客群细分的资源额度分配装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种基于客群细分的资源额度分配方法的流程图。基于客群细分的资源额度分配方法20至少包括步骤S202至S208。
如图2所示，在S202中，通过多个渠道获取用户的基础信息。可例如，通过用户状态渠道、应用软件渠道、贷后管理渠道等多个渠道获取用户的基础信息。
更具体的，可例如获取用户在金融网络平台上全生命周期的状态数据，具体可包括用户的授信状态、动支状态、资源占用状态、资源归还状态、资源归还逾期状态、贷后管理状态等等状态通过上述内容生成用户基础信息。还可例如，可通过在预设应用软件的界面上埋点的方式，获取用户在界面上的操作数据，可例如用户对某个栏目的点击情况。在一些情况下，比如“授信”按钮，由于要填写确认信息等，用户可能点击了“授信”，但是中途退出了几次，这种情况也会被记录下来，作为用户的基础信息，
在S204中，将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的。更具体的，每一个客群细分模型都对应着一个类别的客群，在实际应用中，可根据客群中用户的特征为客群细分模型命名，可例如为高学历客群细分模型、经常借贷客群细分模型、延期高风险客群细分模型等等。每一个客群细分模型都可以用来评估当前用户和这类客户的相似程度。
在S206中，将所述多个客户评分输入组合模型中，生成用户评分。更具体的，将当前用户输入A，B，C三个客群细分模型中，当前用户在A客群细分模型中的评分为0.8；同时在B客群细分模型中的评分为0.1，C客群细分模型中的评分为0.4的。可将以上数据作为组合模型的输入特征输入组合模型中，组合模型经过计算生成用户评分。
在S208中，基于所述用户评分为所述用户分配资源额度。在一个实施例中，还包括：基于所述用户评分为所述用户确定特享资源信息。包括：将所述用户评分和多个阈值区间进行比较以确定风险类别；基于所述风险类别确定所述用户的资源额度。在计算出用户评分之后，根据用户评分对应的阈值区间获取确定用户类别。
用户类别可例如分为高质量用户，一般用户，和高风险用户，根据不同类别用户具有不同的评分系数。可例如高质量用户的系数为1.2；一般用户的系数为1，高风险用户的系数为0.6。对于高质量类别的用户，可在一般资源额度的基础上再上调20％作为其资源额度，同样的，对于高风险的用户，需在一般资源额度的基础上下调40％的资源额度。
在一个实施例中，还包括：在用户评分小于阈值时，生成警示信息并拒绝所述用户的资源额度申请。
根据本公开的基于客群细分的资源额度分配方法，通过多个渠道获取用户的基础信息；将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；将所述多个客户评分输入组合模型中，生成用户评分；基于所述用户评分为所述用户分配资源额度的方式，能够精确高效的确定用户的资源额度，提高资源利用率和分配效率。
分而治之是一种朴素而有效的方法。在本公开中，根据客户属性以及行为变量，对客户进行合理的归类处理，“同质”客群被划分到一组。通过客群细分，每类客群具有区别于其他客群的特征，在每一个单独的客群上构建用户风险类的模型，可以提高最终模型的性能。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种基于客群细分的资源额度分配方法的流程图。图3所示的流程30是对“通过多个历史用户和卡方决策树模型生成所述多个客群细分模型”的详细描述。
如图3所示，在S302中，获取所述多个历史用户的基础信息。
在S304中，将所述多个历史用户的基础信息输入所述卡方决策树模型生成多个客群。其中，决策树采用的是自顶向下的贪婪算法，它会在每个节点选择分类效果最好的属性对样本进行二分类，然后继续这个过程，直到这棵树能够准确的分类训练样本，或者所有的属性都已被用过。决策树算法的核心是在对每个结点进行测试后，选择最佳的属性，并且对决策树进行剪枝处理。
CHAID(Chi-square Antomatic Detector，卡方自动相互关系检测)算法的历史较长，中文简称为卡方决策树。CHAID依据局部最优原则，利用卡方检验来选择对因变量最具有影响的自变量，CHAID应用的前提是因变量为类别型变量(Category)，自变量为输入数据。
在本开的实施例中，可例如，将所述多个历史用户作为多个自变量；将多个客群类别作为因变量；利用卡方检测确定所述多个自变量和因变量的关系，以将所述多个自变量划分到所述多个客群中。CHAID在决策树的每个新结点上，重复上述步骤，对每个新结点重新进行最佳自变量选择。整个过程不断重复，直到每个结点无法再找到一个与因变量有统计显著性的自变量对其进行分割为止，或者之前限度的条件得到满足，树的生长就此终止。
在S306中，为所述多个客群分别建立客群细分模型。包括：通过所述多个客群中的多个历史用户的基础信息分别对多个机器学习模型进行训练，生成所述多个客群细分模型。
在本公开的实施例中，使用客户属性以及行为变量，通过卡方决策树，将历史用户划分为几个子客群的方式，能够保证几个子客群随着时间的推移客群具有稳定、客群具有差异化以及符合业务解释。
图4是根据另一示例性实施例示出的一种基于客群细分的资源额度分配方法的流程图。图4所示的流程40是对“通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型”的详细描述。
如图4所示，在S402中，将所述多个历史用户的基础信息分别输入所述多个客群细分模型中，生成多个客户评分集合。可例如有3个客群细分模型A，B，C，历史用户的数量为1000个。可将1000个历史用户分别输入A，B，C这3个客群细分模型中，得到1000个客户评分集合，每个客户评分集合中有3个客户评分。
在S404中，将所述多个客户评分集合作为多个样本数据，多个样本数据对应于多个历史用户。还可根据历史用户的行为数据为所述客户评分集合确定正向标签或者负向标签。更具体的，可根据历史用户行为数据中的资源归还数据为客户评分集合确定标签。
A用户的客户评分集合为(0.1，0.4，0.7)，A用户资源归还数据为正常状态，没有违约或者延期的现象，则可为客户评分集合为(0.1，0.4，0.7)设定正向标签。其他历史用户的标签以此类推。
在S406中，通过所述机器学习算法和所述多个样本数据生成所述组合模型。可例如，基于多个历史用户的行为数据为其对应的样本数据确定标签；将带有标签的多个样本数据输入机器学习模型中以对所述机器学习模型进行训练，生成所述组合模型。
值得一提的是，根据本公开中的方法，先通过客群细分模型在通过组合模型对用户进行评分的方式，比现有技术中单独使用历史用户进行建模仿真的方法，计算效率和准确率均能提高5％。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种基于客群细分的资源额度分配装置的框图。如图5所示，基于客群细分的资源额度分配装置50包括：信息模块502，客户评分模块504，用户评分模块506，额度模块508。
信息模块502用于通过多个渠道获取用户的基础信息；
客户评分模块504用于将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；
用户评分模块506用于将所述多个客户评分输入组合模型中，生成用户评分；
额度模块508用于基于所述用户评分为所述用户分配资源额度。所述额度模块508包括：比较单元，用于将所述用户评分和多个阈值区间进行比较以确定风险类别；类别单元，用于基于所述风险类别确定所述用户的资源额度。
图6是根据另一示例性实施例示出的一种基于客群细分的资源额度分配装置的框图。如图6所示，基于客群细分的资源额度分配装置60包括：客群模型模块602，组合模型模块604，资源模块606。
客群模型模块602用于通过多个历史用户和卡方决策树模型生成所述多个客群细分模型。所述客群模型模块602包括：历史单元，用于获取所述多个历史用户的基础信息；客群单元，用于将所述多个历史用户的基础信息输入所述卡方决策树模型生成多个客群；所述客群单元，还用于将所述多个历史用户作为多个自变量；将多个客群类别作为因变量；利用卡方检测确定所述多个自变量和因变量的关系，以将所述多个自变量划分到所述多个客群中。模型单元，用于为所述多个客群分别建立客群细分模型。所述模型单元，还用于通过所述多个客群中的多个历史用户的基础信息分别对多个机器学习模型进行训练，生成所述多个客群细分模型。
组合模型模块604用于通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型。所述组合模型模块604包括：集合单元，用于将所述多个历史用户的基础信息分别输入所述多个客群细分模型中，生成多个客户评分集合；样本单元，用于将所述多个客户评分集合作为多个样本数据，多个样本数据对应于多个历史用户；生成单元，用于通过所述机器学习算法和所述多个样本数据生成所述组合模型。所述生成单元，还用于基于多个历史用户的行为数据为其对应的样本数据确定标签；将带有标签的多个样本数据输入机器学习模型中以对所述机器学习模型进行训练，生成所述组合模型。
资源模块606用于基于所述用户评分为所述用户确定特享资源信息。
根据本公开的基于客群细分的资源额度分配装置，通过多个渠道获取用户的基础信息；将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；将所述多个客户评分输入组合模型中，生成用户评分；基于所述用户评分为所述用户分配资源额度的方式，能够精确高效的确定用户的资源额度，提高资源利用率和分配效率。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3，图4中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：通过多个渠道获取用户的基础信息；将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；将所述多个客户评分输入组合模型中，生成用户评分；基于所述用户评分为所述用户分配资源额度。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种基于客群细分的资源额度分配方法，其特征在于，包括：
通过多个渠道获取用户的基础信息；
将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；
将所述多个客户评分输入组合模型中，生成用户评分；
基于所述用户评分为所述用户分配资源额度。
2.如权利要求1所述的方法，其特征在于，还包括：
通过多个历史用户和卡方决策树模型生成所述多个客群细分模型。
3.如权利要求1-2中任一所述的方法，其特征在于，还包括：
通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型。
4.如权利要求1-3中任一所述的方法，其特征在于，通过多个历史用户和卡方决策树模型生成所述多个客群细分模型，包括：
获取所述多个历史用户的基础信息；
将所述多个历史用户的基础信息输入所述卡方决策树模型生成多个客群；
为所述多个客群分别建立客群细分模型。
5.如权利要求1-4中任一所述的方法，其特征在于，将所述多个历史用户的基础信息输入所述卡方决策树模型生成多个客群，包括：
将所述多个历史用户作为多个自变量；
将多个客群类别作为因变量；
利用卡方检测确定所述多个自变量和因变量的关系，以将所述多个自变量划分到所述多个客群中。
6.如权利要求1-5中任一所述的方法，其特征在于，为所述多个客群分别建立客群细分模型，包括：
通过所述多个客群中的多个历史用户的基础信息分别对多个机器学习模型进行训练，生成所述多个客群细分模型。
7.如权利要求1-6中任一所述的方法，其特征在于，通过所述多个历史用户、所述多个客群细分模型和机器学习算法生成所述组合模型，包括：
将所述多个历史用户的基础信息分别输入所述多个客群细分模型中，生成多个客户评分集合；
将所述多个客户评分集合作为多个样本数据，多个样本数据对应于多个历史用户；
通过所述机器学习算法和所述多个样本数据生成所述组合模型。
8.一种基于客群细分的资源额度分配装置，其特征在于，包括：
信息模块，用于通过多个渠道获取用户的基础信息；
客户评分模块，用于将所述基础信息输入多个客群细分模型中，生成多个客户评分，其中，所述多个客群细分模型是基于多个客群分别建立的；
用户评分模块，用于将所述多个客户评分输入组合模型中，生成用户评分；
额度模块，用于基于所述用户评分为所述用户分配资源额度。
9.一种电子设备，其特征在于，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682575.1A CN112017062B (zh) | 2020-07-15 | 2020-07-15 | 基于客群细分的资源额度分配方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682575.1A CN112017062B (zh) | 2020-07-15 | 2020-07-15 | 基于客群细分的资源额度分配方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112017062A true CN112017062A (zh) | 2020-12-01 |
| CN112017062B CN112017062B (zh) | 2024-06-07 |
Family
ID=73499408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010682575.1A Active CN112017062B (zh) | 2020-07-15 | 2020-07-15 | 基于客群细分的资源额度分配方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017062B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508693A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于用户标签的资源分配渠道分配方法、装置和电子设备 |
| CN112819531A (zh) * | 2021-01-30 | 2021-05-18 | 北京奇保信安科技有限公司 | 人群包的自定义上线方法、装置及电子设备 |
| CN113568738A (zh) * | 2021-07-02 | 2021-10-29 | 上海淇玥信息技术有限公司 | 基于多标签分类的资源分配方法、装置、电子设备及介质 |
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004157814A (ja) * | 2002-11-07 | 2004-06-03 | Fuji Electric Holdings Co Ltd | 決定木生成方法およびモデル構造生成装置 |
| US20070050288A1 (en) * | 2005-08-31 | 2007-03-01 | General Electric Company | System and method for integrating risk and marketing objectives for making credit offers |
| US20110131131A1 (en) * | 2009-12-01 | 2011-06-02 | Bank Of America Corporation | Risk pattern determination and associated risk pattern alerts |
| US20140229937A1 (en) * | 2013-02-13 | 2014-08-14 | International Business Machines Corporation | Resource allocation based on revalidation and invalidation rates |
| CN104217088A (zh) * | 2013-05-30 | 2014-12-17 | 中国电信股份有限公司 | 运营商移动业务资源的优化方法与系统 |
| CN105404941A (zh) * | 2015-12-07 | 2016-03-16 | 惠龙易通国际物流股份有限公司 | 一种物流运输方式和路径智能优化的方法及系统 |
| CA2909957A1 (en) * | 2014-10-22 | 2016-04-22 | Staples, Inc. | Large-scale customer-product relationship mapping and contact scheduling |
| WO2016168464A1 (en) * | 2015-04-14 | 2016-10-20 | Ptc Inc. | Scoring a population of examples using a model |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107194795A (zh) * | 2016-03-15 | 2017-09-22 | 腾讯科技（深圳）有限公司 | 信用分数模型训练方法、信用分数计算方法及装置 |
| CN107977853A (zh) * | 2017-10-23 | 2018-05-01 | 重庆长安汽车股份有限公司 | 一种汽车企业客户流失建模与分析方法 |
| CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| CN108898476A (zh) * | 2018-06-14 | 2018-11-27 | 中国银行股份有限公司 | 一种贷款客户信用评分方法和装置 |
| CN110046943A (zh) * | 2019-05-14 | 2019-07-23 | 华中师范大学 | 一种网络消费者细分的优化方法及优化系统 |
| CN110111198A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户金融风险预估方法、装置、电子设备及可读介质 |
| CN110348895A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户标签的个性化推荐方法、装置和电子设备 |
| CN110349000A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于用户分群的提额策略确定方法、装置和电子设备 |
| CN110349007A (zh) * | 2019-07-02 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于变量区分度指标进行用户分群提额的方法、装置和电子设备 |
| CN110503446A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 基于聚类算法的电商平台的客户分类方法与决策方法 |
| CN110717821A (zh) * | 2019-09-09 | 2020-01-21 | 上海凯京信达科技集团有限公司 | 一种车辆贷款评估方法、装置及计算机存储介质、电子设备 |
| CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
| CN111105266A (zh) * | 2019-11-11 | 2020-05-05 | 中国建设银行股份有限公司 | 基于改进决策树的客户分群方法及装置 |
| CN111190967A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 用户多维度数据处理方法、装置及电子设备 |
| CN111199493A (zh) * | 2018-11-19 | 2020-05-26 | 国家电网有限公司客户服务中心 | 一种基于客户缴费信息及征信信息的欠费风险识别方法 |
| CN111221881A (zh) * | 2020-04-24 | 2020-06-02 | 北京淇瑀信息科技有限公司 | 用户特征数据合成方法、装置及电子设备 |
| CN112017023A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 小微企业资源额度确定方法、装置及电子设备 |
| CN113724061A (zh) * | 2021-08-18 | 2021-11-30 | 杭州信雅达泛泰科技有限公司 | 基于客户分群的消费金融产品信用评分方法及装置 |
-
2020
- 2020-07-15 CN CN202010682575.1A patent/CN112017062B/zh active Active
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004157814A (ja) * | 2002-11-07 | 2004-06-03 | Fuji Electric Holdings Co Ltd | 決定木生成方法およびモデル構造生成装置 |
| US20070050288A1 (en) * | 2005-08-31 | 2007-03-01 | General Electric Company | System and method for integrating risk and marketing objectives for making credit offers |
| US20110131131A1 (en) * | 2009-12-01 | 2011-06-02 | Bank Of America Corporation | Risk pattern determination and associated risk pattern alerts |
| US20140229937A1 (en) * | 2013-02-13 | 2014-08-14 | International Business Machines Corporation | Resource allocation based on revalidation and invalidation rates |
| CN104217088A (zh) * | 2013-05-30 | 2014-12-17 | 中国电信股份有限公司 | 运营商移动业务资源的优化方法与系统 |
| CA2909957A1 (en) * | 2014-10-22 | 2016-04-22 | Staples, Inc. | Large-scale customer-product relationship mapping and contact scheduling |
| WO2016168464A1 (en) * | 2015-04-14 | 2016-10-20 | Ptc Inc. | Scoring a population of examples using a model |
| CN105404941A (zh) * | 2015-12-07 | 2016-03-16 | 惠龙易通国际物流股份有限公司 | 一种物流运输方式和路径智能优化的方法及系统 |
| CN107194795A (zh) * | 2016-03-15 | 2017-09-22 | 腾讯科技（深圳）有限公司 | 信用分数模型训练方法、信用分数计算方法及装置 |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107977853A (zh) * | 2017-10-23 | 2018-05-01 | 重庆长安汽车股份有限公司 | 一种汽车企业客户流失建模与分析方法 |
| CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| CN110503446A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 基于聚类算法的电商平台的客户分类方法与决策方法 |
| CN108898476A (zh) * | 2018-06-14 | 2018-11-27 | 中国银行股份有限公司 | 一种贷款客户信用评分方法和装置 |
| CN111199493A (zh) * | 2018-11-19 | 2020-05-26 | 国家电网有限公司客户服务中心 | 一种基于客户缴费信息及征信信息的欠费风险识别方法 |
| CN110111198A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户金融风险预估方法、装置、电子设备及可读介质 |
| CN110046943A (zh) * | 2019-05-14 | 2019-07-23 | 华中师范大学 | 一种网络消费者细分的优化方法及优化系统 |
| CN110349000A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于用户分群的提额策略确定方法、装置和电子设备 |
| CN110348895A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户标签的个性化推荐方法、装置和电子设备 |
| CN110349007A (zh) * | 2019-07-02 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于变量区分度指标进行用户分群提额的方法、装置和电子设备 |
| CN110717821A (zh) * | 2019-09-09 | 2020-01-21 | 上海凯京信达科技集团有限公司 | 一种车辆贷款评估方法、装置及计算机存储介质、电子设备 |
| CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
| CN111105266A (zh) * | 2019-11-11 | 2020-05-05 | 中国建设银行股份有限公司 | 基于改进决策树的客户分群方法及装置 |
| CN111190967A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 用户多维度数据处理方法、装置及电子设备 |
| CN111221881A (zh) * | 2020-04-24 | 2020-06-02 | 北京淇瑀信息科技有限公司 | 用户特征数据合成方法、装置及电子设备 |
| CN112017023A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 小微企业资源额度确定方法、装置及电子设备 |
| CN113724061A (zh) * | 2021-08-18 | 2021-11-30 | 杭州信雅达泛泰科技有限公司 | 基于客户分群的消费金融产品信用评分方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| 吴生根;陈武;欧剑鸣;洪荣涛;翁育伟;章灿明;蔡少健;詹美蓉;谢忠杭;黄峥强;: "福建省2008-2013年手足口病重症病例危险因素的分类决策树分析", 中国卫生统计, no. 06, 25 December 2015 (2015-12-25) * |
| 王颖;刘东;何容;夏海燕;孙天昊;: "基于用户行为分析的服务渠道评价研究与实现", 陕西电力, no. 08 * |
| 贺昌政;孔力;: "基于CLV要素的信用卡客户细分模型", 统计与决策, no. 11 * |
| 黄志刚;刘志惠;朱建林;: "多源数据信用评级普适模型栈框架的构建与应用", 数量经济技术经济研究, no. 04 * |
| 黎玉华;: "信用卡行为评分模型的开发", 征信, no. 09 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819531A (zh) * | 2021-01-30 | 2021-05-18 | 北京奇保信安科技有限公司 | 人群包的自定义上线方法、装置及电子设备 |
| CN112508693A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于用户标签的资源分配渠道分配方法、装置和电子设备 |
| CN112508693B (zh) * | 2021-02-05 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 基于用户标签的资源分配渠道分配方法、装置和电子设备 |
| CN113568738A (zh) * | 2021-07-02 | 2021-10-29 | 上海淇玥信息技术有限公司 | 基于多标签分类的资源分配方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112017062B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
| CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
| CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
| CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
| CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
| CN111598360B (zh) | 服务策略确定方法、装置及电子设备 | |
| CN113298354B (zh) | 业务衍生指标的自动生成方法、装置及电子设备 | |
| CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN112017060A (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
| CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN112348659A (zh) | 用户风险识别策略的分配方法、装置及电子设备 | |
| CN112016793B (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
| CN110807129A (zh) | 多层用户关系图集合的生成方法、装置及电子设备 | |
| CN114091815A (zh) | 资源请求处理方法、装置、系统及电子设备 | |
| CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
| CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
| CN113902545B (zh) | 资源额度分配方法、装置及电子设备 | |
| CN113568739B (zh) | 用户资源额度分配方法、装置及电子设备 | |
| CN111626438B (zh) | 基于模型迁移的用户策略分配方法、装置及电子设备 | |
| CN112016790B (zh) | 用户策略分配方法、装置及电子设备 | |
| CN113298645B (zh) | 资源额度调整方法、装置及电子设备 | |
| CN112016791B (zh) | 资源分配方法、装置及电子设备 |
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 |