CN112529628B - 客户标签的生成方法、装置、计算机设备及存储介质 - Google Patents
客户标签的生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112529628B CN112529628B CN202011484345.0A CN202011484345A CN112529628B CN 112529628 B CN112529628 B CN 112529628B CN 202011484345 A CN202011484345 A CN 202011484345A CN 112529628 B CN112529628 B CN 112529628B
- Authority
- CN
- China
- Prior art keywords
- score
- label
- contribution
- client
- customer
- 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 49
- 230000008901 benefit Effects 0.000 claims abstract description 33
- 238000011161 development Methods 0.000 claims abstract description 29
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000012010 growth Effects 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 42
- 230000018109 developmental process Effects 0.000 description 24
- 238000007726 management method Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 7
- 230000003698 anagen phase Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及数据分析技术领域,提供了一种客户标签的生成方法,包括:获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签;根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一目标群体制定与其贡献度标签相对应的客户发展方案;其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签。本发明实施例可以实现对客户群体的细分,推动客户精细化细分管理。
Description
技术领域
本发明实施例涉及数据分析技术领域,尤其涉及一种客户标签的生成方法、装置、计算机设备及存储介质。
背景技术
客户贡献度、客户忠诚度和客户活跃度是公司锁定服务对象、细分服务市场的重要依据。对于银行业来讲,客户贡献度主要根据银行为客户提供某类细分产品或服务时所获得的收益,以及在资产、负债、中收等方面的变化,综合衡量每个客户的贡献。客户活跃度主要分析客户与银行通过交易行为进行交互的活跃程度。客户忠诚度由于质量、价格、服务等诸多因素的影响,使客户对某一产品或服务形成一种“依附性”偏好态度倾向,这种态度倾向使得客户在再次对特定产品或服务有购置需求时,形成偏爱并长期重复购买该产品或服务的趋向。
基于银行业复杂的业务情况及数据现状,当需要使用贡献度、忠诚度或活跃度去衡量客户时,往往会局限于根据某一业务或某一系统的数据去分析,造成分析所依赖的业务覆盖度不足,使用的数据不全等问题,最终出现使用模型生成的标签通用性不足、维护成本高、无法精确完成对客户群体的细分。
发明内容
有鉴于此,本发明实施例的目的是提供一种客户标签的生成方法、装置、计算机设备及计算机可读存储介质,用于解决现有模型生成的标签通用性不足及无法精确完成对客户群体的细分的问题。
为实现上述目的,本发明实施例提供了一种客户标签的生成方法,包括:
获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;
基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签;
根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案;
其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签。
可选地,所述对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体的步骤,包括:
依据预设贡献度相关指标对多个所述客户业务数据进行整理,其中所述预设贡献度相关指标包括经济附加值、主要贡献业务、利率;
利用K-Means聚类算法对整理后的客户业务数据进行聚类分析,以将多个客户划分为多个群体。
可选地,所述根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析的步骤,包括:
根据业务成本率和业务收益率对每一所述群体进行拆分,并利用K-Means聚类算法对拆分后的群体以预设贡献度相关指标为维度进行聚类分析,其中所述预设贡献度相关指标包括经济附加值、主要贡献业务、利率。
可选地,所述生成方法还包括:
从所述客户业务数据中提取目标业务数据;
利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数;
根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签;
其中所述目标业务数据包括交易业务类型数据、交易金额数据、交易频率数据及交易时间数据。
可选地,所述利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数的步骤,包括:
基于存款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第一活跃度分数;
基于贷款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第二活跃度分数;
基于结算业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第三活跃度分数;
基于非动账业务的交易笔数、交易距今时长、账户登录次数的分布数据,确定其客户关系管理框架下的第四活跃度分数;
对所述第一活跃度得分、所述第二活跃度分数、所述第三活跃度分数及所述第四活跃度得分进行加权求和,得到所述客户活跃度分数,其中所述客户活跃度分数通过以下算式计算得到Scoreall=4*Scoredep+4*Scorepay+Scoreline+Scoreloan,Scoreall为所述客户活跃度分数,Scoredep为所述第一活跃度分数;Scoreloan为所述第二活跃度分数;Scorepay为所述第三活跃度分数;Scoreline为所述第四活跃度分数。
可选地,所述生成方法还包括:
基于多个客户业务数据中的开户时长、经济附加值、平均增长率、交易笔数确定客户生命周期的划分规则;
根据所述划分规则将所述群体中的客户划分为一个或多个生命周期,并对处于不同生命周期的客户的忠诚度进行评分,以定义客户的忠诚度标签。
可选地,所述对每一所述目标群体制定与其贡献度标签相对应的客户发展方案的步骤,包括:
根据所述目标群体的每一客户的贡献度标签、活跃度标签及忠诚度标签对每一目标群体制定与其贡献度标签、活跃度标签及忠诚度标签相对应的客户发展方案。
为实现上述目的,本发明实施例还提供了一种客户标签的生成装置,所述客户标签的生成装置包括:
划分模块,用于获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;
定义模块,用于基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签;
制定模块,用于根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案,其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签。
为实现上述目的,本发明实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的客户标签的生成方法的步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的客户标签的生成方法的步骤。
本发明实施例提供的客户标签的生成方法、装置、计算机设备及计算机可读存储介质,通过获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签;根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制与其贡献度标签定相对应的客户发展方案,其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签,这样可以对客户业务数据进行解读、形成洞察,并产出相应的客户群经营发展策略,能给客户挖掘带来更有益的价值。进一步地,还可以从所述客户业务数据中提取目标业务数据;利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数;根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签,同时基于多个客户业务数据中的开户时长、经济附加值、平均增长率、交易笔数确定客户生命周期的划分规则;根据所述划分规则将所述群体中的客户划分为一个或多个生命周期,并对处于不同生命周期的客户的忠诚度进行评分,以定义客户的忠诚度标签,如此可以定义客户的贡献度、活跃度、忠诚度,推动客户精细化细分管理。
附图说明
图1为本发明客户标签的生成方法的一实施方式的步骤流程示意图。
图2为本发明客户标签的生成方法的另一实施方式的步骤流程示意图。
图3为本发明一实施方式的客户标签的生成装置的程序模块示意图。
图4为本发明一实施方式的计算机设备的硬件结构示意图。
本发明目的的实现、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
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中,需要理解的是,步骤前的数字标号并不标识执行步骤的前后顺序,仅用于方便描述本发明及区别每一步骤,因此不能理解为对本发明的限制。
参阅图1,示出了本发明实施例一之客户标签的生成方法的流程图。可以理解,本方法实施例中的流程图不对执行步骤的顺序进行限定。下面以客户标签的生成装置(下文以“生成装置”简称)为执行主体进行示例性描述,所述生成装置可以应用于计算机设备中,所述计算机设备可以是移动电话、平板个人计算机(tablet personal computer)、膝上型计算机(laptop computer)、服务器等具有数据传输功能的设备。具体如下:
步骤S10,获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体。
在一实施方式中,所述客户可以包括公司客户和预设客户。从小企业集市与财务集市中取客户类型为“小微”的客户信息的并集,如果客户(号)存在于此并集中,则该客户可以定义为预设客户。对打上标记的客户在对公集市的客户信息表中用“对公条线”的客户(号)再进行匹配,如果完全匹配,则可以定义为公司客户。所述公司客户可以包括普通客户和价值客户,例如,经济附加值(Economic Value Added,EVA)不小于3000的公司可以指价值客户,EVA小于3000的公司可以指普通客户。
在一实施方式中,对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体的具体实现方式可以包括:依据预设贡献度相关指标对多个所述客户业务数据进行整理,并利用K-Means聚类算法对整理后的客户业务数据进行聚类分析,以将多个客户划分为多个群体。
在一实施方式中,所述贡献度可以是指银行在为客户提供某类细分产品和其他服务中所获得的贡献收益,可以是客户现实价值的一种体现。所述预设贡献度相关指标可以包括经济附加值、主要贡献业务(客户贡献来源的业务类型)、利率(存/贷款利率)等。
步骤S11,基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签。
在一实施方式中,所述贡献水平标签可以包括高贡献、中贡献及低贡献等类型。所述业务类型标签可以包括纯存款型、存款型、存款中型、贷款型及贷款中型等类型。所述特征标签包括还可以包括成本收益水平标签。所述成本收益水平标签可以包括高成本、中成本、低成本、高收益及中收益等类型。
在一实施方式中,由于所述贡献水平标签可以包括三种类型,成本收益水平标签和业务类型标签均可以包括五种类型,因此贡献水平标签、成本收益水平标签和业务类型标签的种类可以形成75种组合方式,结合实际试验数据得到的结果,很多场景下无数据或数据样本不够,剔除标签准确度不高的,最终的客户标签划分为12个大类,具体可以包括:超高贡献贷款型、低贡献贷款型、极低贡献贷款存款型、中贡献中收型、高贡献中收存款型、超高贡献存款型、高贡献存款型、中贡献存款型、中贡献存款中收型、中贡献贷款中收型、极低贡献存款型、低贡献混合型。
在一实施方式中,可以先依据预设贡献度相关指标(EVA、存款业务贡献占比、贷款业务贡献占比、中收业务贡献占比、综合存款月日均余额、综合贷款月日均余额、存款利息支出、贷款利息支出及当月交易手续费总额等)对多个所述客户业务数据进行整理,并利用K-Means聚类算法对整理后的客户业务数据进行聚类分析,以将多个客户划分为多个群体,然后对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签。
在一实施方式中,可以基于预设深度学习网络对每一所述群体的群体特征进行刻画,预设深度学习网络在进行群体特征刻画时,比如可以高EVA对应刻画为高贡献标签,存储贡献占比高对应刻画为存款型标签,贷款贡献占比高对应刻画为贷款型标签,中间业务贡献占比高对应刻画为中间业务型标签。
步骤S12,根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案,其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签。
在一实施方式中,所述贡献水平子标签可以是所述贡献水平标签中的一种,例如所述贡献水平子标签可以是高贡献或中贡献或低贡献。所述业务类型子标签可以是所述业务类型标签中的一种,例如所述业务类型子标签可以是纯存款型或存款型或存款中型或贷款型或贷款中型。对每一所述群体的群体特征进行刻画后,可以根据所述业务成本率和所述业务收益率对每一群体进行拆分,并利用K-Means聚类算法对拆分后的群体以预设贡献度相关指标为维度进行聚类分析,得到包含有业务类型子标签、贡献水平子标签及成本收益水平子标签的三维贡献度标签的多个群体,这样可以实现对客户群体的细分,推动客户精细化细分管理。比如“高贡献、低成本、存款型”标签、“低贡献、低成本、存款型”标签。
在一实施方式中,通过定义多个群体的业务类型子标签、贡献水平子标签及成本收益水平子标签的三维贡献度标签,可以对客户业务数据进行解读、形成洞察,以产出相应的客户群经营发展方案,能给客户挖掘带来更有益的价值。
在一实施方式中,可以将包含有贡献度标签的多个群体信息及每一群体的客户发展方案上传至区块链中。比如可以基于包含有贡献度标签的群体信息得到对应的摘要信息,具体来说,摘要信息由包含有贡献度标签的群体信息进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证包含有贡献度标签的群体信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
参阅图2,示出了本发明实施例二之客户标签的生成方法的流程图。可以理解,本方法实施例中的流程图不对执行步骤的顺序进行限定。与图1相比,图2所示的客户标签的生成方法还包括步骤S13~S16。
步骤S13,从所述客户业务数据中提取目标业务数据,并利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数。
在一实施方式中,所述目标业务数据可以包括交易业务类型数据、交易金额数据、交易频率数据及交易时间数据。所述RFM模型可以为客户关系管理(Recency FrequencyMonetary,RFM)模型,RFM模型可用于衡量客户价值和客户创利能力。所述RFM模型可以通过一个客户的近期交易行为、交易的总体频率、交易金额三项指标来设计客户活跃度评分方法,并对各项业务进行量化评判。活跃度可以是客户与银行通过交易行为进行交互的活跃程度,频繁的交易行为也是客户粘性的体现。所述活跃度可以包括高活跃度、中活跃度、低活跃度和极低活跃度4种类型。
在一实施方式中,所述利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数的具体过程可以包括:基于存款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第一活跃度分数;基于贷款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第二活跃度分数;基于结算业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第三活跃度分数;基于非动账业务的交易笔数、交易距今时长、账户登录次数的分布数据,确定其客户关系管理框架下的第四活跃度分数;对所述第一活跃度得分、所述第二活跃度分数、所述第三活跃度分数及所述第四活跃度得分进行加权求和,得到所述客户活跃度分数,其中所述客户活跃度分数通过以下算式计算得到Scoreall=4*Scoredep+4*Scorepay+Scoreline+Scoreloan,Scoreall为所述客户活跃度分数,Scoredep为所述第一活跃度分数;Scoreloan为所述第二活跃度分数;Scorepay为所述第三活跃度分数;Scoreline为所述第四活跃度分数。
在一实施方式中,第一活跃度分数Scoredep可以通过以下算式计算得到:Scoredep=Rdep+Fdep+Mdep。其中Mdep为存款业务的交易金额对应的活跃分数,Fdep为存款业务的交易笔数对应的活跃分数,Rdep为存款业务的交易距今时长对应的活跃分数。例如,对于存款业务的交易金额可以按如下方式来制定活跃分数评分规则:分析银行近N个月的存储金额分布情况来设定存款交易金额的活跃分数评分规则,N为预设正整数。比如N=3,即分析3个月的存储金额分布情况得到活跃分数评分规则如下表1所示。
表1
存款金额(元) | 得分 |
0 | 0 |
(0,1500) | 1 |
[1500,60000) | 2 |
[60000,6500000) | 3 |
≥6500000 | 4 |
对于存款业务的交易笔数对应的活跃分数,同样可以分析银行近N个月的存款业务的交易笔数的分布情况来设定交易笔数的活跃分数评分规则。对于存款业务的交易距今时长对应的活跃分数,同样可以分析银行近N个月的存款业务的交易距今时长的分布情况来设定交易笔数的活跃分数评分规则。
在一实施方式中,第二活跃度分数Scoreloan可以通过以下算式计算得到:Scoreloan=Rloan+Floan+Mloan。其中Mloan为贷款业务的交易金额对应的活跃分数,Floan为贷款业务的交易笔数对应的活跃分数,Rloan为贷款业务的交易距今时长对应的活跃分数。例如,对于贷款业务的交易金额可以按如下方式来制定活跃分数评分规则:分析银行近M个月的贷款金额分布情况来设定贷款交易金额的活跃分数评分规则,M为预设正整数。比如M=3,即分析3个月的贷款金额分布情况得到活跃分数评分规则如下表2所示。
表2
贷款金额(万元) | 得分 |
0 | 0 |
(0,400) | 1 |
[400,3000) | 2 |
[3000,12000) | 3 |
≥12000 | 4 |
对于贷款业务的交易笔数对应的活跃分数,同样可以分析银行近M个月的贷款业务的交易笔数的分布情况来设定交易笔数的活跃分数评分规则。对于贷款业务的交易距今时长对应的活跃分数,同样可以分析银行近M个月的贷款业务的交易距今时长的分布情况来设定交易笔数的活跃分数评分规则。
在一实施方式中,第三活跃度分数Scorepay可以通过以下算式计算得到:Scorepay=Rpay+Fpay+Mpay。其中Mpay为结算业务的交易金额对应的活跃分数,Fpay为结算业务的交易笔数对应的活跃分数,Rpay为结算业务的交易距今时长对应的活跃分数。例如,对于结算业务的交易金额可以按如下方式来制定活跃分数评分规则:分析银行近P个月的结算金额分布情况来设定结算交易金额的活跃分数评分规则,P为预设正整数。比如P=3,即分析3个月的结算金额分布情况得到活跃分数评分规则如下表3所示。
表3
对于结算业务的交易笔数对应的活跃分数,同样可以分析银行近P个月的结算业务的交易笔数的分布情况来设定交易笔数的活跃分数评分规则。对于结算业务的交易距今时长对应的活跃分数,同样可以分析银行近P个月的结算业务的交易距今时长的分布情况来设定交易笔数的活跃分数评分规则。
在一实施方式中,第四活跃度分数Scoreline可以通过以下算式计算得到:Scoreline=Rline+Fline+Cline。其中Fline为非动账业务的交易笔数对应的活跃分数,Rline为非动账业务的交易距今时长对应的分数,Cline为非动账业务的账户登录次数对应的活跃分数。例如,对于非动账业务的交易笔数可以按如下方式来制定活跃分数评分规则:分析银行近Q个月的非动账业务的交易笔数的分布情况来设定非动账业务的交易笔数的活跃分数评分规则,Q为预设正整数。比如Q=1,即分析1个月的非动账业务的交易笔数分布情况得到活跃分数评分规则如下表4所示。
表4
非动账业务的交易笔数 | 得分 |
0 | 0 |
1 | 1 |
[2,3] | 2 |
[4,5] | 3 |
≥6 | 4 |
对于非动账业务的交易距今时长对应的活跃分数,同样可以分析银行近Q个月的非动账业务的交易距今时长的分布情况来设定交易距今时长的活跃分数评分规则。对于非动账业务的账户登录次数对应的活跃分数,同样可以分析银行近Q个月的非动账业务的账户登录次数的分布情况来设定账户登录次数的活跃分数评分规则。
步骤S14,根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签。
在一实施方式中,当得到所述客户活跃度分数后,可以根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签。举例而言,可以将客户活跃度分数不小于80分的客户定义为高活跃度;将客户活跃度分数大于等于50分且小于80分的客户定义为中活跃度;将客户活跃度分数大于等于1分且小于50分的客户定义为低活跃度;将客户活跃度分数为0的客户定义为极低活跃度。
步骤S15,基于多个客户业务数据中的开户时长、经济附加值、平均增长率、交易笔数确定客户生命周期的划分规则。
步骤S16,根据所述划分规则将所述群体中的客户划分为一个或多个生命周期,并对处于不同生命周期的客户的忠诚度进行评分,以定义客户的忠诚度标签。
在一实施方式中,忠诚度可以是指由于质量、价格、服务等诸多因素的影响,使客户对某一企业的产品或服务形成一种“依附性”偏好态度倾向,这种态度倾向使得客户在再次对特定产品或服务有购置需求时,形成偏爱并长期重复购买该企业产品或服务的趋向。所述忠诚度可以包括高忠诚度、中忠诚度和低忠诚度三种类型。客户的生命周期可以包括接触期、成长期、成熟期、衰退期和沉没期五种类型。
在一实施方式中,对于不同生命周期的客户,影响其忠诚度的因素可能不相同。基于客户业务数据中的开户时长、贡献情况(EVA)、贡献变化情况(近三月EVA平均增长率)、活跃情况(近三月平均存/贷/结算笔数)、其他实际客户数据情况确定对客户生命周期阶段的划分规则,以将客户划分为不同的生命周期。在将客户划分为不同的生命周期后,还可以分析其各生命周期阶段的分布情况,从而及时采取合适的发展方案为客户提供适时匹配的产品以促活、挽留客户,减少客户流失。
在一实施方式中,可以通过梳理不同生命周期的指标变量制定忠诚度评分卡来对处于不同生命周期的客户的忠诚度进行评分,进而可以根据客户的忠诚度评分定义其忠诚度标签。所述指标变量可以包括存款利率、贷款利率、开户时长、信用等级等。评分卡采用的格式通常为基于指标变量值-分数匹配规则的分数总和。可以结合不同生命周期阶段客户的发展特征,将备选的忠诚度评估指标变量进行组合,不同的变量取值分别对应着评分卡分数,评分卡最终分数即为各个维度分数的总和。在基础分数0分之上,根据评分卡规则,可以将每个指标变量的对应的分数进行相加,得到忠诚度总分。
举例而言,评分卡的评分规则包括但不限于下表5所示的评分规则。
表5
在一实施方式中,对于生命周期处于成长期的普通客户,忠诚度分数小于等于0分则定义为低忠诚度,忠诚度分数大于0分且小于3分则定义为中忠诚度,忠诚度分数不小于3分则定义为高忠诚度。对于生命周期处于成熟期的普通客户,忠诚度分数小于等于1分则定义为低忠诚度,忠诚度分数大于1分且小于4分则定义为中忠诚度,忠诚度分数不小于4分则定义为高忠诚度。对于生命周期处于成长期的价值客户,忠诚度分数小于等于1分则定义为低忠诚度,忠诚度分数大于1分且小于3分则定义为中忠诚度,忠诚度分数不小于3分则定义为高忠诚度。对于生命周期处于成长期的预设客户,忠诚度分数小于等于-5分则定义为低忠诚度,忠诚度分数大于-5分且小于2分则定义为中忠诚度,忠诚度分数不小于2分则定义为高忠诚度。
在一实施方式中,所述对每一所述目标群体制定与其贡献度标签相对应的客户发展方案的具体过程可以包括:根据所述目标群体的每一客户的贡献度标签、活跃度标签及忠诚度标签对每一目标群体制定与其贡献度标签、活跃度标签及忠诚度标签相对应的客户发展方案。举例而言,对高贡献度、高忠诚度、高活跃度的客户可以进行重点营销和主动服务,对低贡献度、低忠诚度、极低活跃度的客户可以不用关注,对中贡献度、高忠诚度、中活跃度的客户可以适时关注,挖据客户潜在需求并提供适时关怀。
在一实施方式中,还可以将客户的贡献度标签、活跃度标签及忠诚度标签上传至区块链中。可以基于客户的贡献度标签、活跃度标签及忠诚度标签得到对应的摘要信息,具体来说,摘要信息由客户的贡献度标签、活跃度标签及忠诚度标签进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证客户的贡献度标签、活跃度标签及忠诚度标签是否被篡改。
本发明实施例获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签;根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案,其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签,这样可以对客户业务数据进行解读、形成洞察,并产出相应的客户群经营发展策略,能给客户挖掘带来更有益的价值。进一步地,还可以从所述客户业务数据中提取目标业务数据;利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数;根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签,同时基于多个客户业务数据中的开户时长、经济附加值、平均增长率、交易笔数确定客户生命周期的划分规则;根据所述划分规则将所述群体中的客户划分为一个或多个生命周期,并对处于不同生命周期的客户的忠诚度进行评分,以定义客户的忠诚度标签,如此可以定义客户的贡献度、活跃度、忠诚度,推动客户精细化细分管理。
请参阅图3,示出了本发明实施例之客户标签的生成装置300(以下简称为“生成装置”300)的程序模块示意图。所述生成装置300可以应用于计算机设备中,所述计算机设备可以是移动电话、平板个人计算机(tablet personal computer)、膝上型计算机(laptopcomputer)、服务器等具有数据传输功能的设备。在本实施例中,所述生成装置300可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述客户标签的生成方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述客户标签的生成方法在存储介质中的执行过程。在本实施例中,所述客户标签的生成装置300包括划分模块301、定义模块302、制定模块303、量化模块304、确定模块305及评分模块306。以下描述将具体介绍本实施例各程序模块的功能:
划分模块301,用于获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体。
在一实施方式中,所述客户可以包括公司客户和预设客户。从小企业集市与财务集市中取客户类型为“小微”的客户信息的并集,如果客户(号)存在于此并集中,则该客户可以定义为预设客户。对打上标记的客户在对公集市的客户信息表中用“对公条线”的客户(号)再进行匹配,如果完全匹配,则可以定义为公司客户。所述公司客户可以包括普通客户和价值客户,例如,经济附加值(Economic Value Added,EVA)不小于3000的公司可以指价值客户,EVA小于3000的公司可以指普通客户。
在一实施方式中,划分模块301对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体的具体实现方式可以包括:划分模块301依据预设贡献度相关指标对多个所述客户业务数据进行整理,并利用K-Means聚类算法对整理后的客户业务数据进行聚类分析,以将多个客户划分为多个群体。
在一实施方式中,所述贡献度可以是指银行在为客户提供某类细分产品和其他服务中所获得的贡献收益,可以是客户现实价值的一种体现。所述预设贡献度相关指标可以包括经济附加值、主要贡献业务(客户贡献来源的业务类型)、利率(存/贷款利率)等。
定义模块302,用于基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签。
在一实施方式中,所述贡献水平标签可以包括高贡献、中贡献及低贡献等类型。所述业务类型标签可以包括纯存款型、存款型、存款中型、贷款型及贷款中型等类型。所述特征标签包括还可以包括成本收益水平标签。所述成本收益水平标签可以包括高成本、中成本、低成本、高收益及中收益等类型。
在一实施方式中,由于所述贡献水平标签可以包括三种类型,成本收益水平标签和业务类型标签均可以包括五种类型,因此贡献水平标签、成本收益水平标签和业务类型标签的种类可以形成75种组合方式,结合实际试验数据得到的结果,很多场景下无数据或数据样本不够,剔除标签准确度不高的,最终的客户标签划分为12个大类,具体可以包括:超高贡献贷款型、低贡献贷款型、极低贡献贷款存款型、中贡献中收型、高贡献中收存款型、超高贡献存款型、高贡献存款型、中贡献存款型、中贡献存款中收型、中贡献贷款中收型、极低贡献存款型、低贡献混合型。
在一实施方式中,划分模块301可以先依据预设贡献度相关指标(EVA、存款业务贡献占比、贷款业务贡献占比、中收业务贡献占比、综合存款月日均余额、综合贷款月日均余额、存款利息支出、贷款利息支出及当月交易手续费总额等)对多个所述客户业务数据进行整理,并利用K-Means聚类算法对整理后的客户业务数据进行聚类分析,以将多个客户划分为多个群体,然后定义模块302可以对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签。
在一实施方式中,可以基于预设深度学习网络对每一所述群体的群体特征进行刻画,预设深度学习网络在进行群体特征刻画时,比如可以高EVA对应刻画为高贡献标签,存储贡献占比高对应刻画为存款型标签,贷款贡献占比高对应刻画为贷款型标签,中间业务贡献占比高对应刻画为中间业务型标签。
制定模块303,用于根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案,其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签。
在一实施方式中,所述贡献水平子标签可以是所述贡献水平标签中的一种,例如所述贡献水平子标签可以是高贡献或中贡献或低贡献。所述业务类型子标签可以是所述业务类型标签中的一种,例如所述业务类型子标签可以是纯存款型或存款型或存款中型或贷款型或贷款中型。定义模块302对每一所述群体的群体特征进行刻画后,制定模块303可以根据所述业务成本率和所述业务收益率对每一群体进行拆分,并利用过K-Means聚类算法对拆分后的群体以预设贡献度相关指标为维度进行聚类分析,得到包含有业务类型子标签、贡献水平子标签及成本收益水平子标签的三维贡献度标签的多个群体,这样可以完成对客户群体的细分,推动客户精细化细分管理。比如“高贡献、低成本、存款型”标签、“低贡献、低成本、存款型”标签。
在一实施方式中,通过定义多个群体的业务类型子标签、贡献水平子标签及成本收益水平子标签的三维贡献度标签,可以对客户业务数据进行解读、形成洞察,以产出相应的客户群经营发展方案,能给客户挖掘带来更有益的价值。
在一实施方式中,可以将包含有贡献度标签的多个群体信息及每一群体的客户发展方案上传至区块链中。比如可以基于包含有贡献度标签的群体信息得到对应的摘要信息,具体来说,摘要信息由包含有贡献度标签的群体信息进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证包含有贡献度标签的群体信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
量化模块304,用于从所述客户业务数据中提取目标业务数据,并利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数。
在一实施方式中,所述目标业务数据可以包括交易业务类型数据、交易金额数据、交易频率数据及交易时间数据。所述RFM模型可以为客户关系管理(Recency FrequencyMonetary,RFM)模型,RFM模型可用于衡量客户价值和客户创利能力。所述RFM模型可以通过一个客户的近期交易行为、交易的总体频率、交易金额三项指标来设计客户活跃度评分方法,并对各项业务进行量化评判。活跃度可以是客户与银行通过交易行为进行交互的活跃程度,频繁的交易行为也是客户粘性的体现。所述活跃度可以包括高活跃度、中活跃度、低活跃度和极低活跃度4种类型。
在一实施方式中,量化模块304利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数的具体过程可以包括:基于存款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第一活跃度分数;基于贷款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第二活跃度分数;基于结算业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第三活跃度分数;基于非动账业务的交易笔数、交易距今时长、账户登录次数的分布数据,确定其客户关系管理框架下的第四活跃度分数;对所述第一活跃度得分、所述第二活跃度分数、所述第三活跃度分数及所述第四活跃度得分进行加权求和,得到所述客户活跃度分数,其中所述客户活跃度分数通过以下算式计算得到Scoreall=4*Scoredep+4*Scorepay+Scoreline+Scoreloan,Scoreall为所述客户活跃度分数,Scoredep为所述第一活跃度分数;Scoreloan为所述第二活跃度分数;Scorepay为所述第三活跃度分数;Scoreline为所述第四活跃度分数。
在一实施方式中,第一活跃度分数Scoredep可以通过以下算式计算得到:Scoredep=Rdep+Fdep+Mdep。其中Mdep为存款业务的交易金额对应的活跃分数,Fdep为存款业务的交易笔数对应的活跃分数,Rdep为存款业务的交易距今时长对应的活跃分数。例如,对于存款业务的交易金额可以按如下方式来制定活跃分数评分规则:分析银行近N个月的存储金额分布情况来设定存款交易金额的活跃分数评分规则,N为预设正整数。比如N=3,即分析3个月的存储金额分布情况得到活跃分数评分规则如下表1所示。
表1
存款金额(元) | 得分 |
0 | 0 |
(0,1500) | 1 |
[1500,60000) | 2 |
[60000,6500000) | 3 |
≥6500000 | 4 |
对于存款业务的交易笔数对应的活跃分数,同样可以分析银行近N个月的存款业务的交易笔数的分布情况来设定交易笔数的活跃分数评分规则。对于存款业务的交易距今时长对应的活跃分数,同样可以分析银行近N个月的存款业务的交易距今时长的分布情况来设定交易笔数的活跃分数评分规则。
在一实施方式中,第二活跃度分数Scoreloan可以通过以下算式计算得到:Scoreloan=Rloan+Floan+Mloan。其中Mloan为贷款业务的交易金额对应的活跃分数,Floan为贷款业务的交易笔数对应的活跃分数,Rloan为贷款业务的交易距今时长对应的活跃分数。例如,对于贷款业务的交易金额可以按如下方式来制定活跃分数评分规则:分析银行近M个月的贷款金额分布情况来设定贷款交易金额的活跃分数评分规则,M为预设正整数。比如M=3,即分析3个月的贷款金额分布情况得到活跃分数评分规则如下表2所示。
表2
/>
对于贷款业务的交易笔数对应的活跃分数,同样可以分析银行近M个月的贷款业务的交易笔数的分布情况来设定交易笔数的活跃分数评分规则。对于贷款业务的交易距今时长对应的活跃分数,同样可以分析银行近M个月的贷款业务的交易距今时长的分布情况来设定交易笔数的活跃分数评分规则。
在一实施方式中,第三活跃度分数Scorepay可以通过以下算式计算得到:Scorepay=Rpay+Fpay+Mpay。其中Mpay为结算业务的交易金额对应的活跃分数,Fpay为结算业务的交易笔数对应的活跃分数,Rpay为结算业务的交易距今时长对应的活跃分数。例如,对于结算业务的交易金额可以按如下方式来制定活跃分数评分规则:分析银行近P个月的结算金额分布情况来设定结算交易金额的活跃分数评分规则,P为预设正整数。比如P=3,即分析3个月的结算金额分布情况得到活跃分数评分规则如下表3所示。
表3
结算金额(元) | 得分 |
0 | 0 |
(0,7500) | 1 |
[7500,100000) | 2 |
[100000,900000) | 3 |
≥900000 | 4 |
对于结算业务的交易笔数对应的活跃分数,同样可以分析银行近P个月的结算业务的交易笔数的分布情况来设定交易笔数的活跃分数评分规则。对于结算业务的交易距今时长对应的活跃分数,同样可以分析银行近P个月的结算业务的交易距今时长的分布情况来设定交易笔数的活跃分数评分规则。
在一实施方式中,第四活跃度分数Scoreline可以通过以下算式计算得到:Scoreline=Rline+Fline+Cline。其中Fline为非动账业务的交易笔数对应的活跃分数,Rline为非动账业务的交易距今时长对应的分数,Cline为非动账业务的账户登录次数对应的活跃分数。例如,对于非动账业务的交易笔数可以按如下方式来制定活跃分数评分规则:分析银行近Q个月的非动账业务的交易笔数的分布情况来设定非动账业务的交易笔数的活跃分数评分规则,Q为预设正整数。比如Q=1,即分析1个月的非动账业务的交易笔数分布情况得到活跃分数评分规则如下表4所示。
表4
非动账业务的交易笔数 | 得分 |
0 | 0 |
1 | 1 |
[2,3] | 2 |
[4,5] | 3 |
≥6 | 4 |
对于非动账业务的交易距今时长对应的活跃分数,同样可以分析银行近Q个月的非动账业务的交易距今时长的分布情况来设定交易距今时长的活跃分数评分规则。对于非动账业务的账户登录次数对应的活跃分数,同样可以分析银行近Q个月的非动账业务的账户登录次数的分布情况来设定账户登录次数的活跃分数评分规则。
确定模块305,用于根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签。
在一实施方式中,当得到所述客户活跃度分数后,确定模块305可以根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签。举例而言,可以将客户活跃度分数不小于80分的客户定义为高活跃度;将客户活跃度分数大于等于50分且小于80分的客户定义为中活跃度;将客户活跃度分数大于等于1分且小于50分的客户定义为低活跃度;将客户活跃度分数为0的客户定义为极低活跃度。
确定模块305,还用于基于多个客户业务数据中的开户时长、经济附加值、平均增长率、交易笔数确定客户生命周期的划分规则。
评分模块306,用于根据所述划分规则将所述群体中的客户划分为一个或多个生命周期,并对处于不同生命周期的客户的忠诚度进行评分,以定义客户的忠诚度标签。
在一实施方式中,忠诚度可以是指由于质量、价格、服务等诸多因素的影响,使客户对某一企业的产品或服务形成一种“依附性”偏好态度倾向,这种态度倾向使得客户在再次对特定产品或服务有购置需求时,形成偏爱并长期重复购买该企业产品或服务的趋向。所述忠诚度可以包括高忠诚度、中忠诚度和低忠诚度三种类型。客户的生命周期可以包括接触期、成长期、成熟期、衰退期和沉没期五种类型。
在一实施方式中,对于不同生命周期的客户,影响其忠诚度的因素可能不相同。评分模块306基于客户业务数据中的开户时长、贡献情况(EVA)、贡献变化情况(近三月EVA平均增长率)、活跃情况(近三月平均存/贷/结算笔数)、其他实际客户数据情况确定对客户生命周期阶段的划分规则,以将客户划分为不同的生命周期。在将客户划分为不同的生命周期后,还可以分析其各生命周期阶段的分布情况,从而及时采取合适的发展方案为客户提供适时匹配的产品以促活、挽留客户,减少客户流失。
在一实施方式中,可以通过梳理不同生命周期的指标变量制定忠诚度评分卡来对处于不同生命周期的客户的忠诚度进行评分,进而可以根据客户的忠诚度评分定义其忠诚度标签。所述指标变量可以包括存款利率、贷款利率、开户时长、信用等级等。评分卡采用的格式通常为基于指标变量值-分数匹配规则的分数总和。可以结合不同生命周期阶段客户的发展特征,将备选的忠诚度评估指标变量进行组合,不同的变量取值分别对应着评分卡分数,评分卡最终分数即为各个维度分数的总和。在基础分数0分之上,根据评分卡规则,可以将每个指标变量的对应的分数进行相加,得到忠诚度总分。
举例而言,评分卡的评分规则包括但不限于下表5所示的评分规则。
表5
/>
在一实施方式中,对于生命周期处于成长期的普通客户,忠诚度分数小于等于0分则定义为低忠诚度,忠诚度分数大于0分且小于3分则定义为中忠诚度,忠诚度分数不小于3分则定义为高忠诚度。对于生命周期处于成熟期的普通客户,忠诚度分数小于等于1分则定义为低忠诚度,忠诚度分数大于1分且小于4分则定义为中忠诚度,忠诚度分数不小于4分则定义为高忠诚度。对于生命周期处于成长期的价值客户,忠诚度分数小于等于1分则定义为低忠诚度,忠诚度分数大于1分且小于3分则定义为中忠诚度,忠诚度分数不小于3分则定义为高忠诚度。对于生命周期处于成长期的预设客户,忠诚度分数小于等于-5分则定义为低忠诚度,忠诚度分数大于-5分且小于2分则定义为中忠诚度,忠诚度分数不小于2分则定义为高忠诚度。
在一实施方式中,所述对每一所述目标群体制定与其贡献度标签相对应的客户发展方案的具体过程可以包括:根据所述目标群体的每一客户的贡献度标签、活跃度标签及忠诚度标签对每一目标群体制定与其贡献度标签、活跃度标签及忠诚度标签相对应的客户发展方案。举例而言,对高贡献度、高忠诚度、高活跃度的客户可以进行重点营销和主动服务,对低贡献度、低忠诚度、极低活跃度的客户可以不用关注,对中贡献度、高忠诚度、中活跃度的客户可以适时关注,挖据客户潜在需求并提供适时关怀。
在一实施方式中,还可以将客户的贡献度标签、活跃度标签及忠诚度标签上传至区块链中。可以基于客户的贡献度标签、活跃度标签及忠诚度标签得到对应的摘要信息,具体来说,摘要信息由客户的贡献度标签、活跃度标签及忠诚度标签进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证客户的贡献度标签、活跃度标签及忠诚度标签是否被篡改。
本发明实施例通过获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签;根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案,其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签,这样可以对客户业务数据进行解读、形成洞察,并产出相应的客户群经营发展策略,能给客户挖掘带来更有益的价值。进一步地,还可以从所述客户业务数据中提取目标业务数据;利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数;根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签,同时基于多个客户业务数据中的开户时长、经济附加值、平均增长率、交易笔数确定客户生命周期的划分规则;根据所述划分规则将所述群体中的客户划分为一个或多个生命周期,并对处于不同生命周期的客户的忠诚度进行评分,以定义客户的忠诚度标签,如此可以定义客户的贡献度、活跃度、忠诚度,推动客户精细化细分管理。
参阅图4,是本发明实施例之计算机设备400的硬件架构示意图。在本实施例中,所述计算机设备400是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。如图所示,所述计算机设备400至少包括,但不限于,可通过装置总线相互通信连接存储器401、处理器402、网络接口403。其中:
本实施例中,存储器401至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器401可以是计算机设备400的内部存储单元,例如所述计算机设备400的硬盘或内存。在另一些实施例中,存储器401也可以是计算机设备400的外部存储设备,例如所述计算机设备400上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器401还可以既包括计算机设备400的内部存储单元也包括其外部存储设备。本实施例中,存储器401通常用于存储安装于计算机设备400的操作装置和各类应用软件,例如客户标签的生成装置300的程序代码等。此外,存储器401还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器402在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。所述处理器402通常用于控制计算机设备400的总体操作。本实施例中,处理器402用于运行存储器401中存储的程序代码或者处理数据,例如运行客户标签的生成装置300,以实现上述各个实施例中的客户标签的生成方法。
所述网络接口403可包括无线网络接口或有线网络接口,所述网络接口403通常用于在所述计算机设备400与其他电子装置之间建立通信连接。例如,所述网络接口403用于通过网络将所述计算机设备400与外部终端相连,在所述计算机设备400与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯装置(Global System of Mobile communication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图4仅示出了具有部件401-403的计算机设备400,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器401中的所述客户标签的生成装置300还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器401中,并由一个或多个处理器(本实施例为处理器402)所执行,以完成本发明之客户标签的生成方法。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储客户标签的生成装置300,以被处理器执行时实现本发明之客户标签的生成方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明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,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种客户标签的生成方法,其特征在于,包括:
获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;
基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签,所述特征标签包括还包括成本收益水平标签;
根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案;
其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签;
所述对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体的步骤,包括:
依据预设贡献度相关指标对多个所述客户业务数据进行整理,其中所述预设贡献度相关指标包括经济附加值、主要贡献业务、利率;
利用K-Means聚类算法对整理后的客户业务数据进行聚类分析,以将多个客户划分为多个群体。
2.如权利要求1所述的客户标签的生成方法,其特征在于,所述根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析的步骤,包括:
根据业务成本率和业务收益率对每一所述群体进行拆分,并利用K-Means聚类算法对拆分后的群体以预设贡献度相关指标为维度进行聚类分析,其中所述预设贡献度相关指标包括经济附加值、主要贡献业务、利率。
3.如权利要求1所述的客户标签的生成方法,其特征在于,所述生成方法还包括:
从所述客户业务数据中提取目标业务数据;
利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数;
根据所述客户活跃度分数所处的分数等级确定客户的活跃度标签;
其中所述目标业务数据包括交易业务类型数据、交易金额数据、交易频率数据及交易时间数据。
4.如权利要求3所述的客户标签的生成方法,其特征在于,所述利用RFM模型对所述群体中的每一客户的目标业务数据进行量化,得到客户活跃度分数的步骤,包括:
基于存款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第一活跃度分数;
基于贷款业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第二活跃度分数;
基于结算业务的交易金额、交易笔数、交易距今时长的分布数据,确定其客户关系管理框架下的第三活跃度分数;
基于非动账业务的交易笔数、交易距今时长、账户登录次数的分布数据,确定其客户关系管理框架下的第四活跃度分数;
对所述第一活跃度得分、所述第二活跃度分数、所述第三活跃度分数及所述第四活跃度得分进行加权求和,得到所述客户活跃度分数,其中所述客户活跃度分数通过以下算式计算得到Scoreall=4*Scoredep+4*Scorepay+Scoreline+Scoreloan,Scoreall为所述客户活跃度分数,Scoredep为所述第一活跃度分数;Scoreloan为所述第二活跃度分数;Scorepay为所述第三活跃度分数;Scoreline为所述第四活跃度分数。
5.如权利要求3所述的客户标签的生成方法,其特征在于,所述生成方法还包括:
基于多个客户业务数据中的开户时长、经济附加值、平均增长率、交易笔数确定客户生命周期的划分规则;
根据所述划分规则将所述群体中的客户划分为一个或多个生命周期,并对处于不同生命周期的客户的忠诚度进行评分,以定义客户的忠诚度标签。
6.如权利要求5所述的客户标签的生成方法,其特征在于,所述对每一所述目标群体制定与其贡献度标签相对应的客户发展方案的步骤,包括:
根据所述目标群体的每一客户的贡献度标签、活跃度标签及忠诚度标签对每一目标群体制定与其贡献度标签、活跃度标签及忠诚度标签相对应的客户发展方案。
7.一种客户标签的生成装置,其特征在于,所述客户标签的生成装置包括:
划分模块,用于获取多个客户业务数据并对多个所述客户业务数据进行预处理,以将多个客户划分为多个群体;
定义模块,用于基于预设深度学习网络对每一所述群体的群体特征进行刻画,以定义每一所述群体的特征标签,其中所述特征标签包括贡献水平标签和业务类型标签,所述特征标签包括还包括成本收益水平标签;
制定模块,用于根据业务成本率和业务收益率对每一所述群体进行拆分并进行聚类分析,得到包含有贡献度标签的多个目标群体,以便对每一所述目标群体制定与其贡献度标签相对应的客户发展方案,其中,所述贡献度标签包括业务类型子标签、贡献水平子标签及成本收益水平子标签,所述贡献水平标签包括多种类型的贡献水平子标签,所述业务类型标签包括多种类型的业务类型子标签;
所述划分模块,还用于依据预设贡献度相关指标对多个所述客户业务数据进行整理,其中所述预设贡献度相关指标包括经济附加值、主要贡献业务、利率;利用K-Means聚类算法对整理后的客户业务数据进行聚类分析,以将多个客户划分为多个群体。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,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6任一项所述的客户标签的生成方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1-6中任一项所述的客户标签的生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484345.0A CN112529628B (zh) | 2020-12-16 | 2020-12-16 | 客户标签的生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484345.0A CN112529628B (zh) | 2020-12-16 | 2020-12-16 | 客户标签的生成方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529628A CN112529628A (zh) | 2021-03-19 |
CN112529628B true CN112529628B (zh) | 2024-04-09 |
Family
ID=75000517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011484345.0A Active CN112529628B (zh) | 2020-12-16 | 2020-12-16 | 客户标签的生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529628B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298442A (zh) * | 2021-06-28 | 2021-08-24 | 中国平安人寿保险股份有限公司 | 客户数据的聚类分析方法、装置、设备及存储介质 |
CN114708004A (zh) * | 2022-05-17 | 2022-07-05 | 北京正汇才科技有限公司 | 一种客户关系管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038256A (zh) * | 2017-05-05 | 2017-08-11 | 平安科技(深圳)有限公司 | 基于数据源的业务定制装置、方法及计算机可读存储介质 |
CN108776931A (zh) * | 2018-04-13 | 2018-11-09 | 上海琢学科技有限公司 | 基于RFM和Canopy的金融客户价值忠诚度细分方法 |
CN109583966A (zh) * | 2018-12-07 | 2019-04-05 | 平安银行股份有限公司 | 一种高价值客户识别方法、系统、设备及存储介质 |
CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
CN110555164A (zh) * | 2019-07-23 | 2019-12-10 | 平安科技(深圳)有限公司 | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 |
CN111352962A (zh) * | 2018-12-24 | 2020-06-30 | 网智天元科技集团股份有限公司 | 客户画像构建方法及装置 |
CN111861759A (zh) * | 2020-06-15 | 2020-10-30 | 北京百分点信息科技有限公司 | 产品与客户群体的匹配方法和系统 |
-
2020
- 2020-12-16 CN CN202011484345.0A patent/CN112529628B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038256A (zh) * | 2017-05-05 | 2017-08-11 | 平安科技(深圳)有限公司 | 基于数据源的业务定制装置、方法及计算机可读存储介质 |
CN108776931A (zh) * | 2018-04-13 | 2018-11-09 | 上海琢学科技有限公司 | 基于RFM和Canopy的金融客户价值忠诚度细分方法 |
CN109583966A (zh) * | 2018-12-07 | 2019-04-05 | 平安银行股份有限公司 | 一种高价值客户识别方法、系统、设备及存储介质 |
CN111352962A (zh) * | 2018-12-24 | 2020-06-30 | 网智天元科技集团股份有限公司 | 客户画像构建方法及装置 |
CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
CN110555164A (zh) * | 2019-07-23 | 2019-12-10 | 平安科技(深圳)有限公司 | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 |
CN111861759A (zh) * | 2020-06-15 | 2020-10-30 | 北京百分点信息科技有限公司 | 产品与客户群体的匹配方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于RFM模型的个人客户忠诚度研究;王文贤;金阳;陈道斌;;金融论坛(03);第75-80页 * |
基于RFM行为模型的服装企业VIP顾客数据挖掘;季晓芬;贾真;;浙江理工大学学报;20150410(04);第50-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529628A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
US8195500B2 (en) | Point-of-sale-based market tracking and reporting | |
CN112529628B (zh) | 客户标签的生成方法、装置、计算机设备及存储介质 | |
CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
CN111881158A (zh) | 一种管理报表数据处理方法、装置、计算机系统及可读存储介质 | |
CN110796539A (zh) | 一种征信评估方法及装置 | |
CN112102006A (zh) | 基于大数据分析的目标客户获取方法、搜索方法及装置 | |
CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
CN116468547A (zh) | 一种基于数据挖掘的信用卡资源分配方法及系统 | |
US20220164374A1 (en) | Method of scoring and valuing data for exchange | |
CN115018529A (zh) | 理财广告的生成方法、装置、设备及存储介质 | |
US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
Chava et al. | Modeling expected loss | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
CN113706258A (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 | |
CN112818215A (zh) | 产品数据的处理方法、装置、设备及存储介质 | |
CN114912818B (zh) | 资产指标分析方法、装置、设备及存储介质 | |
Giannouli et al. | Towards an improved credit scoring system: the Greek case |
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 |