CN112395331A - 信用卡客户的用户画像方法、装置、设备及介质 - Google Patents
信用卡客户的用户画像方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112395331A CN112395331A CN202011287747.1A CN202011287747A CN112395331A CN 112395331 A CN112395331 A CN 112395331A CN 202011287747 A CN202011287747 A CN 202011287747A CN 112395331 A CN112395331 A CN 112395331A
- Authority
- CN
- China
- Prior art keywords
- target
- analyzed
- transaction data
- data
- historical transaction
- 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
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能技术领域,揭示了一种信用卡客户的用户画像方法、装置、设备及介质,其中方法包括:将目标历史交易数据进行业务类别划分和生命周期匹配确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;根据目标业务类别和目标生命周期获取客户价值均值数据得到目标客户价值均值数据;采用马尔科夫决策过程和最大似然逆强化学习分别根据每个待分析历史交易数据和各自对应的目标客户价值均值数据进行状态转移概率矩阵计算得到目标状态转移概率矩阵;分别根据每个待分析历史交易数据的目标状态转移概率矩阵和目标客户价值均值数据确定目标用户画像。在客户数据发生变化时充分挖掘信用卡客户的行为,提高用户画像的准确度。
Description
技术领域
本申请涉及到人工智能技术领域,特别是涉及到一种信用卡客户的用户画像方法、装置、设备及介质。
背景技术
用户画像,作为一种勾画目标用户、联系用户诉求与设计方向的有效工具,用户画像在各领域得到了广泛的应用。在信用卡场景中,客户资源的激烈争夺导致客户状态的难确定性和多变性,客户个性化需求的多样化意味着客户状态的难确定性和多变性,对信用卡客户的准确用户画像对针对信用卡客户的精准营销显得尤为重要。传统的用户画像只能对用户在单一场景下进行分析,不能针对信用卡客户的业务类别、生命周期、历史交易数据进行改变,从而导致对信用卡客户的用户画像的准确度不高,难以满足营销场景的需求,难以追踪信用卡客户的行为进行长期培养。
发明内容
本申请的主要目的为提供一种信用卡客户的用户画像方法、装置、设备及介质,旨在解决现有技术对信用卡客户的用户画像的准确度不高,难以满足营销场景的需求,难以追踪信用卡客户的行为进行长期培养的技术问题。
为了实现上述发明目的,本申请提出一种信用卡客户的用户画像方法,所述方法包括:
获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;
将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;
分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;
采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;
分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;
根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
进一步的,所述将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期的步骤,包括:
采用所述业务类别对所述目标历史交易数据进行划分,得到多个待分析历史交易数据和各自对应的所述目标业务类别;
获取生命周期划分标准数据;
采用所述生命周期划分标准数据分别根据每个所述待分析历史交易数据的距今消费时长、消费频次、消费金额、所述目标业务类别进行生命周期匹配,得到每个所述待分析历史交易数据对应的目标生命周期。
进一步的,所述分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据的步骤,包括:
依次从所述多个待分析历史交易数据中提取出所述待分析历史交易数据;
根据提取出的所述待分析历史交易数据对应的所述目标业务类别和所述目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的所述目标客户价值均值数据;
重复上述步骤直至确定所有所述待分析历史交易数据的所述目标客户价值均值数据。
进一步的,所述采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵的步骤之前,还包括:
分别对每个所述待分析历史交易数据进行时间序列构建,得到多个待分析交易数据时间序列;
将所述待分析历史交易数据的所述目标客户价值均值数据,作为所述待分析历史交易数据对应的所述待分析交易数据时间序列的待分析客户价值均值数据;
采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵。
进一步的,所述采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵的步骤,包括:
采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行效用函数提取,得到每个所述待分析交易数据时间序列的效用函数集合;
分别对每个所述效用函数集合进行最大似然逆强化学习进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵。
进一步的,所述分别对每个所述效用函数集合进行最大似然逆强化学习进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵的步骤,包括:
分别对每个所述效用函数集合中的效用函数进行线性叠加,得到多个待估计个人效用函数;
采用softmax函数分别对每个所述待估计个人效用函数进行归一化处理,得到多个归一化个人效用函数;
采用最大熵逆强化学习方法分别对每个所述归一化个人效用函数进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵。
进一步的,所述采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行效用函数提取,得到每个所述待分析交易数据时间序列的效用函数集合的步骤,包括:
采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据构建细分类最大客户价值总值计算公式,得到多个细分类最大客户价值总值计算公式;
采用动态规划方法迭代分别对每个所述细分类最大客户价值总值计算公式进行优化求解,得到多个目标细分类最大客户价值总值计算公式;
分别从每个所述目标细分类最大客户价值总值计算公式中提取效用函数,得到每个所述待分析交易数据时间序列的效用函数集合。
本申请还提出了一种信用卡客户的用户画像装置,所述装置包括:
请求获取模块,用于获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;
待分析历史交易数据确定模块,用于将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;
目标客户价值均值数据确定模块,用于分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;
目标状态转移概率矩阵确定模块,用于采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;
目标细分类客户价值数据确定模块,用于分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;
目标用户画像确定模块,用于根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
本申请还提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的信用卡客户的用户画像方法、装置、设备及介质,将目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期,分别根据每个待分析历史交易数据对应的目标业务类别和目标生命周期获取客户价值均值数据,得到每个待分析历史交易数据的目标客户价值均值数据,采用马尔科夫决策过程和最大似然逆强化学习分别根据每个待分析历史交易数据和各自对应的目标客户价值均值数据进行状态转移概率矩阵计算,得到每个待分析历史交易数据的目标状态转移概率矩阵,分别根据每个待分析历史交易数据的目标状态转移概率矩阵和目标客户价值均值数据,确定多个目标细分类客户价值数据,根据多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像,马尔科夫决策能在业务类别、生命周期、历史交易数据发生变化时充分挖掘信用卡客户的行为,从而有利于提高信用卡客户的用户画像的准确度,然后通过最大似然逆强化学习实现了对信用卡客户的行为的自主学习,提高了信用卡客户的用户画像的泛化能力,从而满足营销场景的需求,有利于追踪信用卡客户的行为进行长期培养。
附图说明
图1为本申请一实施例的信用卡客户的用户画像方法的流程示意图;
图2为本申请一实施例的信用卡客户的用户画像装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了解决现有技术对信用卡客户的用户画像的准确度不高,难以满足营销场景的需求,难以追踪信用卡客户的行为进行长期培养的技术问题,本申请提出了一种信用卡客户的用户画像方法,所述方法应用于人工智能技术领域,所述方法进一步应用于人工智能的预测分析技术领域。所述信用卡客户的用户画像方法通过进行业务类别划分和生命周期匹配,然后对划分结果获取每个细分类的客户价值均值,采用马尔科夫决策过程和最大似然逆强化学习根据划分结果和每个细分类的客户价值均值确定每个细分类的状态转移概率矩阵,根据每个细分类的状态转移概率矩阵和每个细分类的客户价值均值确定客户潜在价值,整个过程充分考虑了客户状态,提高了确定的目标客户潜在价值的准确性,为精准营销提供了准确的数据支持,有利于实现信用卡客户的价值最大化。
参照图1,本申请实施例中提供一种信用卡客户的用户画像方法,所述方法包括:
S1:获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;
S2:将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;
S3:分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;
S4:采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;
S5:分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;
S6:根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
本实施例将目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期,分别根据每个待分析历史交易数据对应的目标业务类别和目标生命周期获取客户价值均值数据,得到每个待分析历史交易数据的目标客户价值均值数据,采用马尔科夫决策过程和最大似然逆强化学习分别根据每个待分析历史交易数据和各自对应的目标客户价值均值数据进行状态转移概率矩阵计算,得到每个待分析历史交易数据的目标状态转移概率矩阵,分别根据每个待分析历史交易数据的目标状态转移概率矩阵和目标客户价值均值数据,确定多个目标细分类客户价值数据,根据多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像,马尔科夫决策能在业务类别、生命周期、历史交易数据发生变化时充分挖掘信用卡客户的行为,从而有利于提高信用卡客户的用户画像的准确度,然后通过最大似然逆强化学习实现了对信用卡客户的行为的自主学习,提高了信用卡客户的用户画像的泛化能力,从而满足营销场景的需求,有利于追踪信用卡客户的行为进行长期培养。
对于S1,可以获取用户发送的信用卡客户价值确定请求,也可以是应用系统发送的信用卡客户价值确定请求。
信用卡客户价值确定请求,是指确定信用卡客户的客户潜在价值的请求。
目标历史交易数据,是以当前时间为结束时间第一预设时长内的信用卡客户的历史信用卡交易数据。
历史信用卡交易数据,也就是信用卡交易数据。信用卡交易数据包括但不限于:业务类别、交易金额、交易时间。
业务类别包括:基础消费、个人分期、商户分期、提取现金。基础消费,是信用卡客户在商户分期以外的刷卡消费。个人分期包括:账单分期、取现分期。商户分期,是指为商户商品定制的分期,信用卡客户购买该商户的商品时选择了分期的刷卡消费。提取现金,是信用卡客户将信用额度提取现金但是没有将提取的现金选择分期的消费。
对于S2,将所述目标历史交易数据依次进行业务类别划分和生命周期匹配,得到多个待分析历史交易数据,也就是说,同一待分析历史交易数据中的数据属于相同业务类别和相同生命周期。
所述各自对应的目标业务类别及目标生命周期,是指多个待分析历史交易数据各自对应的目标业务类别及目标生命周期。
将划分待分析历史交易数据所用的业务类别作为待分析历史交易数据对应的目标业务类别。将划分待分析历史交易数据所处的生命周期作为待分析历史交易数据对应的目标生命周期。
生命周期,是指信用卡客户的生命周期阶段。生命周期包括:获客期、接触期、成长期、成熟期、衰退期、沉默期,可以理解的是,生命周期还可以有其他划分方式和命名方式,在此不做具体限定。
客户状态包括:距今消费时长、消费频次、消费金额。距今消费时长包括:首次消费的距今消费时长、最后一次消费的距今消费时长。消费频次是指以当前时间为结束时间第二预设时长内的消费次数。
对于S3,依次从多个待分析历史交易数据中提取出待分析历史交易数据;根据提取出的所述待分析历史交易数据对应的所述目标业务类别和所述目标生命周期从数据库中获取客户价值均值数据,将获取的客户价值均值数据作为提取出的待分析历史交易数据的目标客户价值均值数据;重复上述步骤直至确定所有所述待分析历史交易数据的目标客户价值均值数据。
目标客户价值均值数据,也就是客户价值均值数据。客户价值均值数据是个时间序列。也就是说,客户价值均值数据,是同一个业务类别和同一个生命周期的信用卡客户的客户价值的平均值。
客户价值均值数据包括但不限于:信用卡客户毛利润均值数据、信用卡客户净利润均值数据。
对于S4,采用马尔科夫决策过程分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行效用函数提取,得到多个效用函数集合;然后采用最大似然逆强化学习分别对每个所述效用函数集合进行进行参数估计,得到每个所述待分析历史交易数据的目标状态转移概率矩阵。每个所述待分析历史交易数据对应一个目标状态转移概率矩阵。
目标状态转移概率矩阵,也就是状态转移概率矩阵。状态转移概率矩阵,是客户状态转移的概率的矩阵。
对于S5,分别将每个所述待分析历史交易数据的目标状态转移概率矩阵和各自对应的所述目标客户价值均值数据进行相乘计算,得到多个待分析客户价值矩阵;分别将每个所述待分析客户价值矩阵的元素值进行求和计算,得到所述多个目标细分类客户价值数据。也就是说,每个所述待分析历史交易数据对应一个所述目标细分类客户价值数据。
比如,目标状态转移概率矩阵表述为:
目标客户价值均值数据G为:[G1 G2 G3 G4 G5],目标状态转移概率矩阵和目标客户价值均值数据相乘,将P和G相乘得到矩阵J,将矩阵J中所有元素的元素值进行求和计算,将计算结果作为目标细分类客户价值数据,在此举例不做具体限定。
目标细分类客户价值数据,就是目标历史交易数据对应的信用卡客户在目标业务类别在目标生命周期的客户价值。也就是说,目标细分类客户价值数据的数量和业务类别的数量相同。
对于S6,可选的,将所述多个目标细分类客户价值数据按时间形成矩阵将该矩阵也就是信用卡客户的用户画像,将该信用卡客户的用户画像作为目标用户画像。
目标用户画像,用于描述所述信用卡客户价值确定请求对应的信用卡客户在信用卡各业务类别的在时间点是否进行消费及消费带来的预期客户价值。
当客户价值均值数据是信用卡客户毛利润均值数据时,消费带来的预期客户价值是指毛利润数值;当客户价值均值数据是信用卡客户净利润均值数据时,消费带来的预期客户价值是指净利润数值。
比如,当客户价值均值数据是信用卡客户毛利润均值数据时,目标用户画像可以表述为:
其中,第一行表述目标业务类别为基础消费,第二行表述目标业务类别为个人分期,第三行表述目标业务类别为商户分期,第四行表述目标业务类别为提取现金,第一列表述第一时间、第二列表述第二时间、第三列表述第三时间、第四列表述第四时间;
目标用户画像的第一时间表述在个人分期和提取现金将进行消费,在第一时间针对该信用卡客户应该将精准营销定位在个人分期和提取现金,又由于个人分期带来的预期客户价值500元大于提取现金带来的预期客户价值100元,需要进一步将精准营销定位在个人分期;
目标用户画像的第三时间表述该信用卡客户不会进行消费,在第三时间将不需要对该信用卡客户进行精准营销,在此举例不做具体限定。
在一个实施例中,上述将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期的步骤,包括:
S21:采用所述业务类别对所述目标历史交易数据进行划分,得到多个待分析历史交易数据和各自对应的所述目标业务类别;
S22:获取生命周期划分标准数据;
S23:采用所述生命周期划分标准数据分别根据每个所述待分析历史交易数据的距今消费时长、消费频次、消费金额、所述目标业务类别进行生命周期匹配,得到每个所述待分析历史交易数据对应的目标生命周期。
本实施例实现了先按业务类别和生命周期对所述目标历史交易数据进行划分,生命周期是根据待分析历史交易数据和目标业务类别确定的,充分考虑了业务类别、生命周期、历史交易数据,为后续确定目标细分类客户价值数据提供了数据基础。
对于S21,将所述目标历史交易数据中同一个业务类别的数据放在一个集合中,每个业务类别对应一个集合,每个集合的数据是一个待分析历史交易数据。将集合对应的业务类别作为待分析历史交易数据对应的目标业务类别。
对于S22,可以从数据库中获取生命周期划分标准数据。
生命周期划分标准数据,包括:业务类别、生命周期、距今消费时长标准值、消费频次标准值、消费金额标准值。
对于S23,依次从多个待分析历史交易数据中提取出待分析历史交易数据;将提取出的所述待分析历史交易数据的距今消费时长、消费频次、消费金额、所述目标业务类别在所述生命周期划分标准数据中进行匹配,将匹配到的生命周期作为提取出的所述待分析历史交易数据对应的目标生命周期;循环执行上述步骤直至确定所有所述待分析历史交易数据的所述目标生命周期。
比如,业务类别包括:基础消费、个人分期、商户分期、提取现金,生命周期包括:获客期、接触期、成长期、成熟期、衰退期、沉默期,信用卡客户A的目标历史交易数据采用所述业务类别进行划分,得到基础消费的历史交易数据为A1、个人分期的历史交易数据为A2、商户分期的历史交易数据为A3、提取现金的历史交易数据为A4,根据A1的距今消费时长、消费频次、消费金额进行生命周期划分得到A1的目标生命周期为成熟期,根据A2的距今消费时长、消费频次、消费金额进行生命周期划分得到A2的目标生命周期为成长期,根据A3的距今消费时长、消费频次、消费金额进行生命周期划分得到A3的目标生命周期为接触期,根据A4的距今消费时长、消费频次、消费金额进行生命周期划分得到A4的目标生命周期为接触期,在此举例不做具体限定。
在一个实施例中,上述分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据的步骤,包括:
S31:依次从所述多个待分析历史交易数据中提取出所述待分析历史交易数据;
S32:根据提取出的所述待分析历史交易数据对应的所述目标业务类别和所述目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的所述目标客户价值均值数据;
S33:重复上述步骤直至确定所有所述待分析历史交易数据的所述目标客户价值均值数据。
本实施例实现了对每个所述待分析历史交易数据确定目标客户价值均值数据,为后续确定目标细分类客户价值数据提供了数据基础。
对于S31,依次从所述多个待分析历史交易数据中提取出一个所述待分析历史交易数据的所有数据。
对于S32,获取客户价值均值列表;将提取出的所述待分析历史交易数据对应的所述目标业务类别和所述目标生命周期在所述客户价值均值列表中进行查找,将在所述客户价值均值列表中查找到的客户价值均值数据作为提取出的所述待分析历史交易数据对应的所述目标客户价值均值数据。
客户价值均值列表包括:业务类别、生命周期、客户价值均值数据。
对于S33,重复执行步骤S31和步骤S32直至确定所有所述待分析历史交易数据的所述目标客户价值均值数据。
在一个实施例中,上述采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵的步骤之前,还包括:
S41:分别对每个所述待分析历史交易数据进行时间序列构建,得到多个待分析交易数据时间序列;
S42:将所述待分析历史交易数据的所述目标客户价值均值数据,作为所述待分析历史交易数据对应的所述待分析交易数据时间序列的待分析客户价值均值数据;
S43:采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵。
本实施例实现了根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,充分考虑了历史交易数据和各细分类的客户价值均值数据,为确定目标细分类客户价值数据提供了准确的数据支持。
对于S41,分别对每个所述待分析历史交易数据按时间顺序进行时间序列构建,也就是每个所述待分析历史交易数据按时间顺序最终生成一个待分析交易数据时间序列。
客户价值均值数据的时间粒度与待分析交易数据时间序列的时间粒度相同。比如,客户价值均值数据的时间粒度为每天,待分析交易数据时间序列的时间粒度为每天,也就是待分析交易数据时间序列每个元素代表的是每天的交易数据,则客户价值均值数据的时间粒度与待分析交易数据时间序列的时间粒度相同,在此举例不做具体限定。
对于S42,每个所述待分析历史交易数据的目标客户价值均值数据与自身对应的所述待分析交易数据时间序列的待分析客户价值均值数据相同。
对于S43,采用马尔科夫决策过程采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行效用函数提取,得到多个效用函数集合;然后采用最大似然逆强化学习分别对每个所述效用函数集合进行进行参数估计,得到每个所述待分析交易数据时间序列的状态转移概率矩阵;将所述待分析交易数据时间序列的状态转移概率矩阵作为对应的所述待分析历史交易数据的目标状态转移概率矩阵。也就是说,每个所述待分析交易数据时间序列对应一个效用函数集合。
效用函数,也就是马尔科夫决策过程的状态价值函数。
在一个实施例中,上述采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵的步骤,包括:
S431:采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行效用函数提取,得到每个所述待分析交易数据时间序列的效用函数集合;
S432:分别对每个所述效用函数集合进行最大似然逆强化学习进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵。
本实施例实现了采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行状态转移概率矩阵计算,充分考虑了历史信用卡交易数据和各细分类的客户价值均值数据,能在业务类别、生命周期、历史交易数据发生变化时充分挖掘信用卡客户的行为,提高了目标细分类客户价值数据的准确性,从而有利于提高信用卡客户的用户画像的准确度。
对于S431,依次从多个待分析交易数据时间序列中提取待分析交易数据时间序列;根据提取出的所述待分析交易数据时间序列和对应的所述待分析客户价值均值数据,基于马尔科夫决策过程建立状态、行为、效用函数的关系,然后对提取出的所述待分析交易数据时间序列对应的效用函数进行优化求解,根据提取出的所述待分析交易数据时间序列对应的优化求解结果确定提取出的所述待分析交易数据时间序列的效用函数集合;重复上述过程直至确定所有的所述待分析交易数据时间序列的效用函数集合。
效用函数集合中效用函数的数量与该效用函数集合对应的所述待分析交易数据时间序列中元素的个数相同。
对于S432,从所有所述效用函数集合中依次提取出效用函数集合;对提取出的效用函数集合进行最大似然逆强化学习时,采用线性叠加的方式将提取出的效用函数集合中的效用函数进行整合,采用最大熵逆强化学习对整合结果进行参数估计,参数估计完成得到状态转移概率矩阵,将得到的状态转移概率矩阵作为提取出的效用函数集合对应的所述待分析历史交易数据的所述目标状态转移概率矩阵。
在一个实施例中,上述分别对每个所述效用函数集合进行最大似然逆强化学习进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵的步骤,包括:
S4321:分别对每个所述效用函数集合中的效用函数进行线性叠加,得到多个待估计个人效用函数;
S4322:采用softmax函数分别对每个所述待估计个人效用函数进行归一化处理,得到多个归一化个人效用函数;
S4323:采用最大熵逆强化学习方法分别对每个所述归一化个人效用函数进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵。
本实施例实现了根据效用函数集合确定目标状态转移概率矩阵,充分考虑了历史交易数据和各细分类的客户价值均值数据,通过最大似然逆强化学习实现了对信用卡客户的行为的自主学习,提高了信用卡客户的用户画像的泛化能力。
对于S4321,将所述效用函数集合表述为{U1,U2,U3,……Un},将对所述效用函数集合中的效用函数进行线性叠加,得到所述待估计个人效用函数Ud,具体表述为:
Ud=p1U1+p2U2+p3U3+……+pnUn
其中,p1,p2,p3……pn是需要估计的参数。
对于S4322,Softmax函数是归一化指数函数,将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。
采用softmax函数对所述待估计个人效用函数进行归一化处理的方法可以从现有技术中选择,在此不做赘述。
对于S4323,采用最大熵逆强化学习方法分别对每个所述归一化个人效用函数进行参数估计的方法可以从现有技术中选择,在此不做赘述。
参数估计的结果即为目标状态转移概率矩阵。也就是将p1,p2,p3……pn组成目标状态转移概率矩阵。
在一个实施例中,上述采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行效用函数提取,得到每个所述待分析交易数据时间序列的效用函数集合的步骤,包括:
S4311:采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据构建细分类最大客户价值总值计算公式,得到多个细分类最大客户价值总值计算公式;
S4312:采用动态规划方法迭代分别对每个所述细分类最大客户价值总值计算公式进行优化求解,得到多个目标细分类最大客户价值总值计算公式;
S4313:分别从每个所述目标细分类最大客户价值总值计算公式中提取效用函数,得到每个所述待分析交易数据时间序列的效用函数集合。
本实施例实现了根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据确定每个所述待分析交易数据时间序列的效用函数集合,充分考虑了历史交易数据和各细分类的客户价值均值数据,能在业务类别、生命周期、历史交易数据发生变化时充分挖掘信用卡客户的行为,提高了目标细分类客户价值数据的准确性,从而有利于提高信用卡客户的用户画像的准确度。
对于S4311,从所有所述待分析交易数据时间序列依次提取出所述待分析交易数据时间序列;采用马尔科夫决策过程根据提取出的所述待分析交易数据时间序列和该所述待分析交易数据时间序列对应的所述待分析客户价值均值数据构建细分类最大客户价值总值计算公式,得到提取出的所述待分析交易数据时间序列对应的细分类最大客户价值总值计算公式;重复上述步骤直至确定所有所述待分析交易数据时间序列对应的细分类最大客户价值总值计算公式。
将所述待分析交易数据时间序列作为状态集,将所述待分析客户价值均值数据作为行为集,采用马尔科夫决策过程构建细分类最大客户价值总值计算公式的方法可以从现有技术中选择,在此不做赘述。
对于S4312,对每个所述细分类最大客户价值总值计算公式进行优化求解,意味着寻找一个最优的策略让所述待分析交易数据时间序列中各个状态特征的交互过程中获得始终比其它策略都要多的收获。优化求解就是使所述细分类最大客户价值总值计算公式的值最大,所述细分类最大客户价值总值计算公式的值最大时提取的效用函数是最优价值的效用函数。
采用动态规划方法迭代对所述细分类最大客户价值总值计算公式进行优化求解的方法可以从现有技术中选择,在此不做赘述。
可选的,采用贝尔曼方程对所述细分类最大客户价值总值计算公式采用动态规划方法迭代进行优化求解。
对于S4313,从所有所述细分类最大客户价值总值计算公式提取出所述细分类最大客户价值总值计算公式;从提取出的所述细分类最大客户价值总值计算公式中提取出效用函数,将提取出的效用函数放入集合,将该集合作为提取出的所述细分类最大客户价值总值计算公式对应的所述效用函数集合。
参照图2,本申请还提出了一种信用卡客户的用户画像装置,所述装置包括:
请求获取模块100,用于获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;
待分析历史交易数据确定模块200,用于将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;
目标客户价值均值数据确定模块300,用于分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;
目标状态转移概率矩阵确定模块400,用于采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;
目标细分类客户价值数据确定模块500,用于分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;
目标用户画像确定模块600,用于根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
本实施例将目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期,分别根据每个待分析历史交易数据对应的目标业务类别和目标生命周期获取客户价值均值数据,得到每个待分析历史交易数据的目标客户价值均值数据,采用马尔科夫决策过程和最大似然逆强化学习分别根据每个待分析历史交易数据和各自对应的目标客户价值均值数据进行状态转移概率矩阵计算,得到每个待分析历史交易数据的目标状态转移概率矩阵,分别根据每个待分析历史交易数据的目标状态转移概率矩阵和目标客户价值均值数据,确定多个目标细分类客户价值数据,根据多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像,马尔科夫决策能在业务类别、生命周期、历史交易数据发生变化时充分挖掘信用卡客户的行为,从而有利于提高信用卡客户的用户画像的准确度,然后通过最大似然逆强化学习实现了对信用卡客户的行为的自主学习,提高了信用卡客户的用户画像的泛化能力,从而满足营销场景的需求,有利于追踪信用卡客户的行为进行长期培养。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存信用卡客户的用户画像方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信用卡客户的用户画像方法。所述信用卡客户的用户画像方法,包括:获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
本实施例将目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期,分别根据每个待分析历史交易数据对应的目标业务类别和目标生命周期获取客户价值均值数据,得到每个待分析历史交易数据的目标客户价值均值数据,采用马尔科夫决策过程和最大似然逆强化学习分别根据每个待分析历史交易数据和各自对应的目标客户价值均值数据进行状态转移概率矩阵计算,得到每个待分析历史交易数据的目标状态转移概率矩阵,分别根据每个待分析历史交易数据的目标状态转移概率矩阵和目标客户价值均值数据,确定多个目标细分类客户价值数据,根据多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像,马尔科夫决策能在业务类别、生命周期、历史交易数据发生变化时充分挖掘信用卡客户的行为,从而有利于提高信用卡客户的用户画像的准确度,然后通过最大似然逆强化学习实现了对信用卡客户的行为的自主学习,提高了信用卡客户的用户画像的泛化能力,从而满足营销场景的需求,有利于追踪信用卡客户的行为进行长期培养。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种信用卡客户的用户画像方法,包括步骤:获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
上述执行的信用卡客户的用户画像方法,将目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期,分别根据每个待分析历史交易数据对应的目标业务类别和目标生命周期获取客户价值均值数据,得到每个待分析历史交易数据的目标客户价值均值数据,采用马尔科夫决策过程和最大似然逆强化学习分别根据每个待分析历史交易数据和各自对应的目标客户价值均值数据进行状态转移概率矩阵计算,得到每个待分析历史交易数据的目标状态转移概率矩阵,分别根据每个待分析历史交易数据的目标状态转移概率矩阵和目标客户价值均值数据,确定多个目标细分类客户价值数据,根据多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像,马尔科夫决策能在业务类别、生命周期、历史交易数据发生变化时充分挖掘信用卡客户的行为,从而有利于提高信用卡客户的用户画像的准确度,然后通过最大似然逆强化学习实现了对信用卡客户的行为的自主学习,提高了信用卡客户的用户画像的泛化能力,从而满足营销场景的需求,有利于追踪信用卡客户的行为进行长期培养。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种信用卡客户的用户画像方法,其特征在于,所述方法包括:
获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;
将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;进行业务类别划分和生命周期匹配;
分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;
采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;
分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;
根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
2.根据权利要求1所述的信用卡客户的用户画像方法,其特征在于,所述将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期的步骤,包括:
采用所述业务类别对所述目标历史交易数据进行划分,得到多个待分析历史交易数据和各自对应的所述目标业务类别;
获取生命周期划分标准数据;
采用所述生命周期划分标准数据分别根据每个所述待分析历史交易数据的距今消费时长、消费频次、消费金额、所述目标业务类别进行生命周期匹配,得到每个所述待分析历史交易数据对应的目标生命周期。
3.根据权利要求1所述的信用卡客户的用户画像方法,其特征在于,所述分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据的步骤,包括:
依次从所述多个待分析历史交易数据中提取出所述待分析历史交易数据;
根据提取出的所述待分析历史交易数据对应的所述目标业务类别和所述目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的所述目标客户价值均值数据;
重复上述步骤直至确定所有所述待分析历史交易数据的所述目标客户价值均值数据。
4.根据权利要求1所述的信用卡客户的用户画像方法,其特征在于,所述采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵的步骤之前,还包括:
分别对每个所述待分析历史交易数据进行时间序列构建,得到多个待分析交易数据时间序列;
将所述待分析历史交易数据的所述目标客户价值均值数据,作为所述待分析历史交易数据对应的所述待分析交易数据时间序列的待分析客户价值均值数据;
采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵。
5.根据权利要求4所述的信用卡客户的用户画像方法,其特征在于,所述采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵的步骤,包括:
采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行效用函数提取,得到每个所述待分析交易数据时间序列的效用函数集合;
分别对每个所述效用函数集合进行最大似然逆强化学习进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵。
6.根据权利要求5所述的信用卡客户的用户画像方法,其特征在于,所述分别对每个所述效用函数集合进行最大似然逆强化学习进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵的步骤,包括:
分别对每个所述效用函数集合中的效用函数进行线性叠加,得到多个待估计个人效用函数;
采用softmax函数分别对每个所述待估计个人效用函数进行归一化处理,得到多个归一化个人效用函数;
采用最大熵逆强化学习方法分别对每个所述归一化个人效用函数进行参数估计,得到每个所述待分析历史交易数据的所述目标状态转移概率矩阵。
7.根据权利要求5所述的信用卡客户的用户画像方法,其特征在于,所述采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据进行效用函数提取,得到每个所述待分析交易数据时间序列的效用函数集合的步骤,包括:
采用马尔科夫决策过程分别根据每个所述待分析交易数据时间序列和各自对应的所述待分析客户价值均值数据构建细分类最大客户价值总值计算公式,得到多个细分类最大客户价值总值计算公式;
采用动态规划方法迭代分别对每个所述细分类最大客户价值总值计算公式进行优化求解,得到多个目标细分类最大客户价值总值计算公式;
分别从每个所述目标细分类最大客户价值总值计算公式中提取效用函数,得到每个所述待分析交易数据时间序列的效用函数集合。
8.一种信用卡客户的用户画像装置,其特征在于,所述装置包括:
请求获取模块,用于获取信用卡客户价值确定请求,所述信用卡客户价值确定请求携带有目标历史交易数据;
待分析历史交易数据确定模块,用于将所述目标历史交易数据进行业务类别划分和生命周期匹配,确定多个待分析历史交易数据和各自对应的目标业务类别及目标生命周期;
目标客户价值均值数据确定模块,用于分别根据每个所述待分析历史交易数据各自对应的目标业务类别及目标生命周期获取客户价值均值数据,得到每个所述待分析历史交易数据的目标客户价值均值数据;
目标状态转移概率矩阵确定模块,用于采用马尔科夫决策过程和最大似然逆强化学习分别根据每个所述待分析历史交易数据和各自对应的所述目标客户价值均值数据进行状态转移概率矩阵计算,得到每个所述待分析历史交易数据的目标状态转移概率矩阵;
目标细分类客户价值数据确定模块,用于分别根据每个所述待分析历史交易数据的目标状态转移概率矩阵和所述目标客户价值均值数据,确定多个目标细分类客户价值数据;
目标用户画像确定模块,用于根据所述多个目标细分类客户价值数据进行信用卡客户的用户画像,确定目标用户画像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011287747.1A CN112395331B (zh) | 2020-11-17 | 2020-11-17 | 信用卡客户的用户画像方法、装置、设备及介质 |
PCT/CN2021/096978 WO2022105177A1 (zh) | 2020-11-17 | 2021-05-28 | 信用卡客户的用户画像方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011287747.1A CN112395331B (zh) | 2020-11-17 | 2020-11-17 | 信用卡客户的用户画像方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395331A true CN112395331A (zh) | 2021-02-23 |
CN112395331B CN112395331B (zh) | 2023-10-10 |
Family
ID=74606194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011287747.1A Active CN112395331B (zh) | 2020-11-17 | 2020-11-17 | 信用卡客户的用户画像方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112395331B (zh) |
WO (1) | WO2022105177A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022105177A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 信用卡客户的用户画像方法、装置、设备及介质 |
CN115578157A (zh) * | 2022-11-13 | 2023-01-06 | 南京数族信息科技有限公司 | 一种基于供需价值矩阵组合路由策略的助贷平台动态路由工具 |
CN117408531A (zh) * | 2023-10-26 | 2024-01-16 | 北京赛博数智科技有限公司 | 一种大数据智能匹配的客户信息管理方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186351A (zh) * | 2023-04-23 | 2023-05-30 | 武汉想不到网络科技有限公司 | 一种基于加密传输的数据优化系统 |
CN116797341B (zh) * | 2023-08-17 | 2023-11-21 | 北京信大融金教育科技有限公司 | 基于运营平台的积分产生和管理方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017157146A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技(深圳)有限公司 | 基于用户画像的个性化推荐方法、装置、服务器及存储介质 |
CN107862413A (zh) * | 2017-11-16 | 2018-03-30 | 四维口袋科技(北京)有限公司 | 基于马尔科夫链的预测方法和装置 |
CN109300050A (zh) * | 2018-08-31 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于用户画像的保险推送方法、装置及存储介质 |
WO2019143370A1 (en) * | 2018-01-22 | 2019-07-25 | Visa International Service Association | Method, system, and computer program product for real-time data aggregation |
CN111597348A (zh) * | 2020-04-27 | 2020-08-28 | 平安科技(深圳)有限公司 | 用户画像方法、装置、计算机设备和存储介质 |
CN111709765A (zh) * | 2020-03-25 | 2020-09-25 | 中国电子科技集团公司电子科学研究院 | 一种用户画像评分方法、装置和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106603291A (zh) * | 2016-12-19 | 2017-04-26 | 中国联合网络通信集团有限公司 | 用户画像信息处理方法及装置 |
CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN112395331B (zh) * | 2020-11-17 | 2023-10-10 | 平安科技(深圳)有限公司 | 信用卡客户的用户画像方法、装置、设备及介质 |
-
2020
- 2020-11-17 CN CN202011287747.1A patent/CN112395331B/zh active Active
-
2021
- 2021-05-28 WO PCT/CN2021/096978 patent/WO2022105177A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017157146A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技(深圳)有限公司 | 基于用户画像的个性化推荐方法、装置、服务器及存储介质 |
CN107862413A (zh) * | 2017-11-16 | 2018-03-30 | 四维口袋科技(北京)有限公司 | 基于马尔科夫链的预测方法和装置 |
WO2019143370A1 (en) * | 2018-01-22 | 2019-07-25 | Visa International Service Association | Method, system, and computer program product for real-time data aggregation |
CN109300050A (zh) * | 2018-08-31 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于用户画像的保险推送方法、装置及存储介质 |
CN111709765A (zh) * | 2020-03-25 | 2020-09-25 | 中国电子科技集团公司电子科学研究院 | 一种用户画像评分方法、装置和存储介质 |
CN111597348A (zh) * | 2020-04-27 | 2020-08-28 | 平安科技(深圳)有限公司 | 用户画像方法、装置、计算机设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022105177A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 信用卡客户的用户画像方法、装置、设备及介质 |
CN115578157A (zh) * | 2022-11-13 | 2023-01-06 | 南京数族信息科技有限公司 | 一种基于供需价值矩阵组合路由策略的助贷平台动态路由工具 |
CN115578157B (zh) * | 2022-11-13 | 2023-10-24 | 南京数族信息科技有限公司 | 一种基于路由策略的助贷平台动态路由方法 |
CN117408531A (zh) * | 2023-10-26 | 2024-01-16 | 北京赛博数智科技有限公司 | 一种大数据智能匹配的客户信息管理方法及系统 |
CN117408531B (zh) * | 2023-10-26 | 2024-05-07 | 北京赛博数智科技有限公司 | 一种大数据智能匹配的客户信息管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112395331B (zh) | 2023-10-10 |
WO2022105177A1 (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395331A (zh) | 信用卡客户的用户画像方法、装置、设备及介质 | |
Yang et al. | Bayesian deep learning-based probabilistic load forecasting in smart grids | |
Bianchi et al. | Short-term electric load forecasting using echo state networks and PCA decomposition | |
Dordonnat et al. | Dynamic factors in periodic time-varying regressions with an application to hourly electricity load modelling | |
Poloczek et al. | Warm starting Bayesian optimization | |
Mariet et al. | Foundations of sequence-to-sequence modeling for time series | |
CN112256961A (zh) | 用户画像生成方法、装置、设备及介质 | |
CN107944594B (zh) | 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法 | |
CN105205297A (zh) | 一种时间序列预测方法及系统 | |
CN114330863A (zh) | 时间序列预测处理方法、装置、存储介质及电子装置 | |
CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
Mishra et al. | Performance evaluation of prophet and STL-ETS methods for load forecasting | |
Asad et al. | A long-short-term-memory based model for predicting atm replenishment amount | |
Lee et al. | Minimax optimal bandits for heavy tail rewards | |
CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
CN116089595A (zh) | 基于科技成果的数据处理推送方法、装置及介质 | |
CN114998048A (zh) | 电量变化因素分析方法、装置、计算机设备和存储介质 | |
Viana et al. | Load forecasting benchmark for smart meter data | |
Huang et al. | Iterative estimation maximization for stochastic linear programs with conditional value-at-risk constraints | |
He et al. | Mining partial periodic correlations in time series | |
Jiang et al. | Deep learning with regularized robust long‐and short‐term memory network for probabilistic short‐term load forecasting | |
CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 | |
CN113254760A (zh) | 自助设备的功能菜单推送方法、系统、设备和介质 |
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 |