CN112116253A - 一种中心网点选择的方法、装置和系统 - Google Patents

一种中心网点选择的方法、装置和系统 Download PDF

Info

Publication number
CN112116253A
CN112116253A CN202010997070.4A CN202010997070A CN112116253A CN 112116253 A CN112116253 A CN 112116253A CN 202010997070 A CN202010997070 A CN 202010997070A CN 112116253 A CN112116253 A CN 112116253A
Authority
CN
China
Prior art keywords
website
portrait
client
representation
level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010997070.4A
Other languages
English (en)
Inventor
张海霞
周康
张圳
李昱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202010997070.4A priority Critical patent/CN112116253A/zh
Publication of CN112116253A publication Critical patent/CN112116253A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种中心网点选择的方法、装置和系统，涉及计算机技术领域。该方法的一具体实施方式包括：基于网点的客户的历史数据构建客户的多层级画像；根据网点的所有客户的多层级画像得到网点客群画像；根据网点的自身属性得到网点属性画像；根据网点的业务数据得到网点业务画像；基于网点客群画像、网点画像和网点业务画像，从中抽取特征通过FM模型选择中心网点。该实施方式构建了多层级的网点画像，采用在稀疏数据上表现良好的FM模型。

Description

一种中心网点选择的方法、装置和系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种中心网点选择的方法、装置和系统。
背景技术
银行网点是办理业务的主要场所，如果每个网点都开展银行所有业务，这将导致银行人力、财力等资源的极大浪费。例如，在大学校园内的网点推广贷款、理财业务，这并不是校园的主要客户需要的。通常总行根据不同地域环境、不同主要人群分布等因素考虑各网点的差异化运营，从业务出发构建各业务中心网点(例如，大额现金中心点)，以达到网点的差异化运营收益最大，为客户提供更好的业务体验。银行业务中心网点规划方法的优劣直接影响自身资源配置和运营收益。
目前银行中心网点的选择方法主要是根据管理者和业务人员的经验进行规划，并在实际运营中进行调整。另外已有的方法是基于历史业务数据的统计分析，预测主要业务类型。
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：
1.中心网点选择存在主观性，容易受个人想法干扰；
2.中心网点选择方法存在不确定性，对于不同决策者可能有不同的决策结果；
3.并不能保证收益最大化，没有基于确定的公式法则来衡量收益，会导致和实际收益存在较大差距；
4.该方法在实践过程中修正时，会消耗大量人力、物力和财力；
5.过于依赖历史数据，得到历史业务中的主要业务，当存在相邻网点主要业务重合时，并不能选定中心点。
发明内容
有鉴于此，本发明实施例提供一种中心网点选择的方法、装置和系统，实现了对网点的客群、业务、属性等特征进行建模，并通过FM算法选取银行业务中心点，提高了中心点选取的准确性，并提高了客户体验。
为实现上述目的，根据本发明实施例的一个方面，提供了一种中心网点选择的方法。
本发明实施例的一种中心网点选择的方法包括：
基于网点的客户的历史数据构建客户的多层级画像；
根据网点的所有客户的多层级画像得到网点客群画像；
根据网点的自身属性得到网点属性画像；
根据网点的业务数据得到网点业务画像；
基于网点客群画像、网点画像和网点业务画像，通过FM模型选择中心网点。
可选地，客户的多层级画像包括浅层客户画像和深层客户画像。
可选地，浅层客户画像包括基于客户在一段时间内办理的业务类型和次数通过如下公式得到的更新的全量画像。
可选地，通过如下公式计算更新的全量画像：
newInterest＝oldInterest*decay+dailyScore，
其中，newInterest是更新的全量画像，oldInterest是历史全量画像，decay是衰减因子，dailyScore是新增天级画像。
可选地，浅层客户画像包括客户的基本信息。
可选地，基本信息包括客户的性别、年龄、学历、职业、月收入、财务状态、消费能力、常驻地、工作地和办理业务时间偏好。
可选地，所述深层客户画像包括根据客户的业务数据人工为客户标注的标签。
可选地，标签的数量为0至N个，其中N是大于1的正整数，并且N是预先确定的。
可选地，根据网点的所有客户的多层级画像得到网点客群画像包括：
选定时间段，根据时间段内访问网点的所有客户的多层级画像得到网点客群画像。
可选地，网点属性画像包括网点的基本信息。
可选地，基本信息包括网点的面积、网点的员工数量、网点的地理位置、网点的交通便利性和网点的内部综合评分。
可选地，根据网点的业务数据得到网点业务画像包括：
根据网点的业务数据，从中提取网点办理过的业务，人工为网点标注网点标签。
可选地，网点标签包括：固定收益类、收益类、商品及金融衍生品类、混合类、低风险产品、中等风险产品、中高风险产品和高风险产品。
可选地，基于网点客群画像、网点画像和网点业务画像，通过FM模型选择中心网点包括：
将多个网点的网点客群画像、网点画像和网点业务画像中的特征作为样本输入，对多个网点的特征进行特征处理后输入到FM模型中，通过以下公式得到输出结果，根据输出结果对多个网点进行排序，并选择中心网点：
Figure BDA0002692906950000041
其中，n是特征的数量，xi是第i个特征的值，ω0、ωi和ωij是模型参数。
为实现上述目的，根据本发明实施例的又一方面，提供了一种中心网点选择的装置。
本发明实施例的一种中心网点选择的装置包括：多层级画像构建模块、网点客群画像模块、网点属性画像模块、网点业务画像和管理模块，其中，
多层级画像构建模块，用于基于网点的客户的历史数据构建客户的多层级画像；
网点客群画像模块，用于根据网点的所有客户的多层级画像得到网点客群画像；
网点属性画像模块，用于根据网点的自身属性得到网点属性画像；
网点业务画像，用于根据网点的业务数据得到网点业务画像；
管理模块，用于基于网点客群画像、网点画像和网点业务画像，通过FM模型选择中心网点。
可选地，客户的多层级画像包括浅层客户画像和深层客户画像。
可选地，浅层客户画像包括基于客户在一段时间内办理的业务类型和次数通过如下公式得到的更新的全量画像。
可选地，通过如下公式计算更新的全量画像：
newInterest＝oldInterest*decay+dailyScore，
其中，newInterest是更新的全量画像，oldInterest是历史全量画像，decay是衰减因子，dailyScore是新增天级画像。
可选地，浅层客户画像包括客户的基本信息。
可选地，基本信息包括客户的性别、年龄、学历、职业、月收入、财务状态、消费能力、常驻地、工作地和办理业务时间偏好。
可选地，所述深层客户画像包括根据客户的业务数据人工为客户标注的标签。
具体的，人工标注的标签包括但不限于：高价值客户、风险理财偏好客户、近期贷款紧急需求客户、潜在高风险客户、大额现金存款客户、大额现金需求客户等等。
可选地，标签的数量为0至N个，其中N是大于1的正整数，并且N是预先确定的。
可选地，根据网点的所有客户的多层级画像得到网点客群画像包括：
选定时间段，根据时间段内访问网点的所有客户的多层级画像得到网点客群画像。
可选地，网点属性画像包括网点的基本信息。
可选地，基本信息包括网点的面积、网点的员工数量、网点的地理位置、网点的交通便利性和网点的内部综合评分。
可选地，根据网点的业务数据得到网点业务画像包括：
根据网点的业务数据，从中提取网点办理过的业务，人工为网点标注网点标签。
可选地，网点标签包括：固定收益类、收益类、商品及金融衍生品类、混合类、低风险产品、中等风险产品、中高风险产品和高风险产品。
可选地，管理模块基于网点客群画像、网点画像和网点业务画像，通过FM模型选择中心网点包括：
将多个网点的网点客群画像、网点画像和网点业务画像中的特征作为样本输入，对多个网点的特征进行特征处理后输入到FM模型中，通过以下公式得到输出结果，根据输出结果对多个网点进行排序，并选择中心网点：
Figure BDA0002692906950000061
其中，n是特征的数量，xi是第i个特征的值，ω0、ωi和ωij是模型参数。
为实现上述目的，根据本发明实施例的又一方面，提供了一种中心网点选择的系统。
本发明实施例的一种中心网点选择的系统包括：采用本发明实施例描述的一种中心网点选择的方法进行中心网点选择的服务端。
为实现上述目的，根据本发明实施例的又一方面，提供了一种中心网点选择的电子设备。
本发明实施例的一种中心网点选择的电子设备包括：
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本发明实施例描述的一种中心网点选择的方法。
为实现上述目的，根据本发明实施例的又一方面，提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现本发明实施例描述的一种中心网点选择的方法。
上述发明中的实施例具有如下优点或有益效果：从网点自身的属性，来网点办理业务的客户及办理的业务角度出发，构建了多层级的网点画像；采用在稀疏数据上表现良好的FM模型，能够进行特征组合，学习到高阶组合特征。在复杂度方面，FM时间复杂度低。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种中心网点选择的方法的主要流程的示意图；
图2是根据本发明实施例的客户多层级画像的示意图；
图3是根据本发明实施例的通过FM模型进行中心网点选择的方法的流程示意图；
图4是根据本发明实施例的一种网点中心选择的装置的主要模块的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的一种中心网点选择的方法的主要流程的示意图。
如图1所示，本发明实施例的一种中心网点选择的方法主要包括以下步骤：
步骤S101：基于网点的客户的历史数据构建所述客户的多层级画像；
步骤S102：根据所述网点的所有客户的所述多层级画像得到网点客群画像；
步骤S103：根据所述网点的自身属性得到网点属性画像；
步骤S104：根据所述网点的业务数据得到网点业务画像；
步骤S105：基于所述网点客群画像、所述网点画像和所述网点业务画像，通过FM模型选择所述中心网点。
其中，历史数据是客户到银行网点进行的活动的数据。
其中，画像是客户或者业务等的标签化、泛化表示以帮助机器理解。
图2是根据本发明实施例的客户多层级画像的示意图。
如图2所示，客户的多层级画像包括浅层客户画像和深层客户画像。
可选地，浅层客户画像包括基于客户在一段时间内办理的业务类型和次数通过如下公式得到的更新的全量画像。
可选地，通过如下公式计算更新的全量画像：
newInterest＝oldInterest*decay+dailyScore，
其中，newInterest是更新的全量画像，oldInterest是历史全量画像，decay是衰减因子，dailyScore是新增天级画像。
例如，对于大额现金中心点，取款业务又可细分为小额取款业务和大额取款业务等，假定取款业务的权重为1，小额取款业务的权重为1，大额取款业务的权重为3。
假设某个客户某天办理了一次大额取款和两次小额取款，则对取款业务来说，该客户的取款业务dailyScore＝2*1+1*3＝5，该客户小额取款的dailyscore＝2*1＝2，大额取款的权重为1*3＝3。根据上述数据，可以得到当天客户的多层级画像结果类似如下的结构：
取款(行为次数3，得分是5)
---小额取款(行为次数2，得分是2)
---大额取款(行为次数1，得分是3)
上述描述了根据客户一天的数据来得到该客户当天的多层级画像结果的示例，多层级画像采用T+1更新，T+1更新是一种数据更新方式，即当日的行为数据，要到第二天才会被记录到系统里，T指事件发生日期，T+1指数据生效日期。
具体地，根据客户在当前行为之前的所有行为给客户计算全量画像的示例如下：
假定衰减因子decay＝0.96^天数，假定支付业务、生活缴费的权重为1；例如，客户第1天来办理了取款业务下的小额取款，T+1更新后(即，第2天)客户的画像就是这样：
取款(办理次数1，得分1)
--小额取款(办理次数1，得分1)
第4天该客户又来办理了支付结算业务的生活缴费和取款业务下的小额取款，T+1更新后(即，第5天)客户的画像更新如下：
取款(办理次数2，得分0.96^4+1＝1.8493)
--小额取款(办理次数2，得分0.96^4+1＝1.8493)
支付结算(办理次数1，得分1)
--生活缴费(办理次数1，得分1)
在该示例中，客户第4天来办理业务时的全量图像如下：
取款(办理次数1，得分0.96^3＝0.8847)
--小额取款(办理次数1，得分0.96^3＝0.8847)
接着对这个全量画像进行衰减，并加上第4天的行为，就是该客户最新的全量画像了。
可选地，浅层客户画像包括客户的基本信息。
可选地，所述深层客户画像包括根据客户的业务数据人工为客户标注的标签。
具体的，人工标注的标签包括但不限于：高价值客户、风险理财偏好客户、近期贷款紧急需求客户、潜在高风险客户、大额现金存款客户、大额现金需求客户等等。
可选地，标签的数量为0至N个，其中N是大于1的正整数，并且N是预先确定的。
客户的行为数据满足相应条件则给客户标注相应的标签。标签是根据业务人员的经验人工预先定义的，给客户标注标签的主要依据是客户近期的行为数据，用一些简单的统计规则，如该行为在该客户所有行为中的占比、客户行为的频率等，给客户打上标签。例如某客户周期性频繁地来办理大额现金取款业务，则根据客户的历史行为数据就可以给客户打上“大额现金需求客户”标签。
具体地，客户兴趣画像的示例如下：
客户编号|@|性别|@|年龄|@|办理业务兴趣|@|购买理财兴趣|@|深层客户画像标签...
即，如下：
张三|@|女|@|18|@|取款业务#办理10次#得分18.9；大额取款业务#办理8次#得分15.3；小额取款业务#办理2次#得分1.3；支付结算业务#办理20次#得分17.2；生活缴费业务#办理20次#得分17.2|@|龙智投4号#购买次数8次#得分13.2|@|大额现金需求客户、高价值客户、风险理财偏好客户。
其中，取款业务#办理10次#得分18.9；大额取款业务#办理8次#得分15.3；小额取款业务#办理2次#得分1.3；支付结算业务#办理20次#得分17.2；生活缴费业务#办理20次#得分17.2为该客户的全量画像；龙智投4号#购买次数8次#得分13.2为该客户的理财兴趣；大额现金需求客户、高价值客户、风险理财偏好客户为根据该客户的业务数据人工为客户标注的标签。
可选地，根据网点的所有客户的多层级画像得到网点客群画像包括：
选定时间段，根据时间段内访问网点的所有客户的多层级画像得到网点客群画像。
具体地，网点客群画像是根据一定时间段内访问该网点的所有客户的多层级画像得到的，例如，网点客群的性别占比、年龄分布、主要办理业务类型、持有人数最多的理财产品等。
可选地，网点属性画像包括网点的基本信息。
可选地，基本信息包括网点的面积、网点的员工数量、网点的地理位置、网点的交通便利性和网点的内部综合评分。
可选地，根据网点的业务数据得到网点业务画像包括：
根据网点的业务数据，从中提取网点办理过的业务，人工为网点标注网点标签。
可选地，网点标签包括：固定收益类、收益类、商品及金融衍生品类、混合类、低风险产品、中等风险产品、中高风险产品和高风险产品。
图3是根据本发明实施例的通过FM模型进行中心网点选择的方法的流程示意图。
如图3所示，基于网点客群画像、网点画像和网点业务画像，通过FM模型选择中心网点包括：
将多个网点的网点客群画像、网点画像和网点业务画像中的特征作为样本输入，对多个网点的特征进行特征处理后输入到FM模型中，通过以下公式得到输出结果，根据输出结果对多个网点进行排序，并选择中心网点：
Figure BDA0002692906950000121
其中，n是特征的数量，xi是第i个特征的值，ω0、ωi和ωij是模型参数。
如图3所示，将多个网点的网点客群画像、网点画像和网点业务画像中的特征作为样本输入，通过输出特征得到实际值，并通过将输入特征归一化，设置FM模型初始权重得到FM模型，并得到预测值，如果此时迭代次数小于阈值则分类损失的梯度，并更新权重得到新的FM模型，如果迭代次数大于等于阈值，则得到最终模型。
图4是根据本发明实施例的一种网点中心选择的装置的主要模块的示意图，如图4所示，网点中心选择的装置400包括：
多层级画像构建模块401，用于基于网点的客户的历史数据构建客户的多层级画像；
网点客群画像模块402，用于根据网点的所有客户的多层级画像得到网点客群画像；
网点属性画像模块403，用于根据网点的自身属性得到网点属性画像；
网点业务画像404，用于根据网点的业务数据得到网点业务画像；
管理模块405，用于基于网点客群画像、网点画像和网点业务画像，通过FM模型选择中心网点。
可选地，客户的多层级画像包括浅层客户画像和深层客户画像。
可选地，浅层客户画像包括基于客户在一段时间内办理的业务类型和次数通过如下公式得到的更新的全量画像。
可选地，通过如下公式计算更新的全量画像：
newInterest＝oldInterest*decay+dailyScore，
其中，newInterest是更新的全量画像，oldInterest是历史全量画像，decay是衰减因子，dailyScore是新增天级画像。
可选地，浅层客户画像包括客户的基本信息。
可选地，基本信息包括客户的性别、年龄、学历、职业、月收入、财务状态、消费能力、常驻地、工作地和办理业务时间偏好。
可选地，所述深层客户画像包括根据客户的业务数据人工为客户标注的标签。
具体的，人工标注的标签包括但不限于：高价值客户、风险理财偏好客户、近期贷款紧急需求客户、潜在高风险客户、大额现金存款客户、大额现金需求客户等等。
可选地，标签的数量为0至N个，其中N是大于1的正整数，并且N是预先确定的。
可选地，根据网点的所有客户的多层级画像得到网点客群画像包括：
选定时间段，根据时间段内访问网点的所有客户的多层级画像得到网点客群画像。
可选地，网点属性画像包括网点的基本信息。
可选地，基本信息包括网点的面积、网点的员工数量、网点的地理位置、网点的交通便利性和网点的内部综合评分。
可选地，根据网点的业务数据得到网点业务画像包括：
根据网点的业务数据，从中提取网点办理过的业务，人工为网点标注网点标签。
可选地，网点标签包括：固定收益类、收益类、商品及金融衍生品类、混合类、低风险产品、中等风险产品、中高风险产品和高风险产品。
作为另一方面，本发明还提供了一种中心网点选择的系统，包括：采用本发明所述的中心网点选择的方法进行中心网点选择的服务端。
作为又一方面，本发明还提供了中心网点选择的电子设备，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本发明所述的中心网点选择的方法。
作为又一方面，本发明还提供了其上存储有计算机程序的计算机可读存储介质，程序被处理器执行时实现本发明所述的中心网点选择的方法。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (18)

1.一种中心网点选择的方法，包括：
基于网点的客户的历史数据构建所述客户的多层级画像；
根据所述网点的所有客户的所述多层级画像得到网点客群画像；
根据所述网点的自身属性得到网点属性画像；
根据所述网点的业务数据得到网点业务画像；
基于所述网点客群画像、所述网点画像和所述网点业务画像，从中抽取特征通过FM模型选择所述中心网点。
2.如权利要求1所述的方法，其特征在于，所述客户的多层级画像包括浅层客户画像和深层客户画像。
3.如权利要求2所述的方法，其特征在于，所述浅层客户画像包括基于所述客户在一段时间内办理的业务类型和次数通过如下公式得到的更新的全量画像。
4.如权利要求3所述的方法，其特征在于，通过如下公式计算所述更新的全量画像：
newInterest＝oldInterest*decay+dailyScore，
其中，newInterest是所述更新的全量画像，oldInterest是历史全量画像，decay是衰减因子，dailyScore是新增天级画像。
5.如权利要求2至4中一项所述的方法，其特征在于，所述浅层客户画像包括所述客户的基本信息。
6.如权利要求5所述的方法，其特征在于，所述基本信息包括客户的性别、年龄、学历、职业、月收入、财务状态、消费能力、常驻地、工作地和办理业务时间偏好。
7.如权利要求2所述的方法，其特征在于，所述深层客户画像包括根据所述客户的业务数据人工为所述客户标注的标签。
8.如权利要求7所述的方法，其特征在于，所述标签的数量为0至N个，其中N是大于1的正整数，并且N是预先确定的。
9.如权利要求1所述的方法，其特征在于，根据所述网点的所有客户的所述多层级画像得到网点客群画像包括：
选定时间段，根据所述时间段内访问所述网点的所有客户的所述多层级画像得到所述网点客群画像。
10.如权利要求1或2所述的方法，其特征在于，所述网点属性画像包括所述网点的基本信息。
11.如权利要求10所述的方法，其特征在于，所述基本信息包括所述网点的面积、所述网点的员工数量、所述网点的地理位置、所述网点的交通便利性和所述网点的内部综合评分。
12.如权利要求1或2所述的方法，其特征在于，根据所述网点的业务数据得到网点业务画像包括：
根据所述网点的业务数据，从中提取所述网点办理过的业务，人工为所述网点标注网点标签。
13.如权利要求12所述的方法，其特征在于，所述网点标签包括：固定收益类、收益类、商品及金融衍生品类、混合类、低风险产品、中等风险产品、中高风险产品和高风险产品。
14.如权利要求1或2所述的方法，其特征在于，基于所述网点客群画像、所述网点画像和所述网点业务画像，通过FM模型选择所述中心网点包括：
将多个网点的所述网点客群画像、所述网点画像和所述网点业务画像中的特征作为样本输入，对所述多个网点的特征进行特征处理后输入到FM模型中，通过以下公式得到输出结果，根据所述输出结果对所述多个网点进行排序，并选择所述中心网点：
Figure FDA0002692906940000031
其中，n是所述特征的数量，xi是第i个特征的值，ω0、ωi和ωij是模型参数。
15.一种中心网点选择的装置，其特征在于，包括：多层级画像构建模块、网点客群画像模块、网点属性画像模块、网点业务画像和管理模块，其中，
所述多层级画像构建模块，用于基于网点的客户的历史数据构建所述客户的多层级画像；
所述网点客群画像模块，用于根据所述网点的所有客户的所述多层级画像得到网点客群画像；
所述网点属性画像模块，用于根据所述网点的自身属性得到网点属性画像；
所述网点业务画像，用于根据所述网点的业务数据得到网点业务画像；
所述管理模块，用于基于所述网点客群画像、所述网点画像和所述网点业务画像，通过FM模型选择所述中心网点。
16.一种中心网点选择的系统，其特征在于，包括：采用权利要求1-14任一所述的方法进行中心网点选择的服务端。
17.一种中心网点选择的电子设备，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1-14中任一所述的方法。
18.一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，所述程序被处理器执行时实现如权利要求1-14中任一所述的方法。
CN202010997070.4A 2020-09-21 2020-09-21 一种中心网点选择的方法、装置和系统 Pending CN112116253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010997070.4A CN112116253A (zh) 2020-09-21 2020-09-21 一种中心网点选择的方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010997070.4A CN112116253A (zh) 2020-09-21 2020-09-21 一种中心网点选择的方法、装置和系统

Publications (1)

Publication Number Publication Date
CN112116253A true CN112116253A (zh) 2020-12-22

Family

ID=73800467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010997070.4A Pending CN112116253A (zh) 2020-09-21 2020-09-21 一种中心网点选择的方法、装置和系统

Country Status (1)

Country Link
CN (1) CN112116253A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967132A (zh) * 2021-03-30 2021-06-15 中信银行股份有限公司 基于大数据级联的银行信息管理系统、银行信息管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105681409A (zh) * 2016-01-11 2016-06-15 上海银行股份有限公司 基于大数据预测引导客户办理银行业务的推荐系统及方法
WO2020029387A1 (zh) * 2018-08-08 2020-02-13 平安科技（深圳）有限公司 基于微信的贷款面签预约方法、系统、设备和存储介质
CN110995822A (zh) * 2019-11-28 2020-04-10 中国银行股份有限公司 一种地理信息推送方法及装置
CN111062757A (zh) * 2019-12-17 2020-04-24 山大地纬软件股份有限公司 基于多路径寻优匹配的信息推荐方法及系统
CN111078994A (zh) * 2019-11-06 2020-04-28 珠海健康云科技有限公司 基于画像的医学科普文章推荐方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105681409A (zh) * 2016-01-11 2016-06-15 上海银行股份有限公司 基于大数据预测引导客户办理银行业务的推荐系统及方法
WO2020029387A1 (zh) * 2018-08-08 2020-02-13 平安科技（深圳）有限公司 基于微信的贷款面签预约方法、系统、设备和存储介质
CN111078994A (zh) * 2019-11-06 2020-04-28 珠海健康云科技有限公司 基于画像的医学科普文章推荐方法及系统
CN110995822A (zh) * 2019-11-28 2020-04-10 中国银行股份有限公司 一种地理信息推送方法及装置
CN111062757A (zh) * 2019-12-17 2020-04-24 山大地纬软件股份有限公司 基于多路径寻优匹配的信息推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967132A (zh) * 2021-03-30 2021-06-15 中信银行股份有限公司 基于大数据级联的银行信息管理系统、银行信息管理方法
CN112967132B (zh) * 2021-03-30 2024-04-16 中信银行股份有限公司 基于大数据级联的银行信息管理系统、银行信息管理方法

Similar Documents

Publication Publication Date Title
US20210357835A1 (en) Resource Deployment Predictions Using Machine Learning
CN111402061B (zh) 一种资产管理方法和系统
US11107166B2 (en) Multi-step day sales outstanding forecasting
CN110135901A (zh) 一种企业用户画像构建方法、系统、介质和电子设备
US11205186B2 (en) Artificial intelligence for automated stock orders based on standardized data and company financial data
US20050097028A1 (en) Method and system for predicting attrition customers
CN105744005A (zh) 客户定位分析方法及服务器
CN109300039A (zh) 基于人工智能和大数据进行智能产品推荐的方法及系统
US20200294073A1 (en) Platform for In-Memory Analysis of Network Data Applied to Logistics For Best Facility Recommendations with Current Market Information
Li et al. Credit scoring by incorporating dynamic networked information
CN114078050A (zh) 贷款逾期预测方法、装置、电子设备及计算机可读介质
US11037236B1 (en) Algorithm and models for creditworthiness based on user entered data within financial management application
US20200286022A1 (en) Platform for In-Memory Analysis of Network Data Applied to Site Selection with Current Market Information, Demand Estimates, and Competitor Information
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN114782169A (zh) 一种客户流失率预警方法及装置
CN112634062B (zh) 基于Hadoop的数据处理方法、装置、设备及存储介质
CN109767333A (zh) 选基方法、装置、电子设备及计算机可读存储介质
CN112116253A (zh) 一种中心网点选择的方法、装置和系统
CN111464337B (zh) 资源配置方法、装置、电子设备
CN116091242A (zh) 推荐产品组合生成方法及装置、电子设备和存储介质
US20240005276A1 (en) Methods and systems for generating a checklist in smart city based on an internet of things
CN113469818B (zh) 投资风险预警方法、装置、电子设备及计算机可读介质
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
US20200286104A1 (en) Platform for In-Memory Analysis of Network Data Applied to Profitability Modeling with Current Market Information
JP2020013229A (ja) 債務不履行確率を算出する装置、方法及びそのためのプログラム

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