CN112561501A - 基于客户群体预测模型推广第三方支付绑定的装置和方法 - Google Patents
基于客户群体预测模型推广第三方支付绑定的装置和方法 Download PDFInfo
- Publication number
- CN112561501A CN112561501A CN202011436523.2A CN202011436523A CN112561501A CN 112561501 A CN112561501 A CN 112561501A CN 202011436523 A CN202011436523 A CN 202011436523A CN 112561501 A CN112561501 A CN 112561501A
- Authority
- CN
- China
- Prior art keywords
- customer
- transaction
- customers
- database
- behavior
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001737 promoting effect Effects 0.000 title claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 82
- 238000001914 filtration Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
- G06Q20/023—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP] the neutral party being a clearing house
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
- G06Q20/322—Aspects of commerce using mobile devices [M-devices]
- G06Q20/3223—Realising banking transactions through M-devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于客户群体预测模型推广第三方支付绑定的装置和方法,其包括:客户基本信息数据库,其中存储有未绑定第三方支付的客户的基本信息;绑定客户行为数据库,其中存储有涉及绑定了第三方支付的客户的交易行为的信息;客户行为分析模块,其中,客户行为分析模块基于绑定客户行为数据库的数据对客户的交易行为进行分析,并且基于分析结果生成易绑定客户预测模型;以及目标客户群筛选模块。根据本发明的装置和方法能够根据以往的数据对用户类型进行分类,从而能够针对特定的用户群推广金融第三方支付绑定或者说第三方支付绑定业务。
Description
技术领域
本申请涉及利用神经网络实现数据分类的技术,具体而言,涉及一种基于客户群体预测模型推广第三方支付绑定的装置和方法。
背景技术
随着互联网的不断发展目前第三方移动支付占领支付交易市场绝对的地位。而对于金融机构来说,引导客户绑定第三方移动支付已成为提高客户贡献度的重要手段。而在现有技术中,为了引导客户将金融机构的产品绑定到第三方移动支付,常常通过数据筛选并且根据筛选的结果对对应的目标客户进行营销。但这种营销方式缺乏针对性,因此其效果有限。
发明内容
本申请提供了一种基于第三方交易平台的用户交易数据来针对性地推广第三方支付绑定的装置和方法。这种装置和方法能够根据以往的数据对用户类型进行分类,从而能够针对特定的用户群推广金融第三方支付绑定或者说第三方支付绑定业务。本申请采用的技术方案如下:
第一方面,本申请提供了一种基于客户群体预测模型推广第三方支付绑定的装置,包括:
客户基本信息数据库,其中存储有未绑定第三方支付的客户的基本信息,其中,所述基本信息包括涉及这些客户的交易行为的信息;
绑定客户行为数据库,其中存储有涉及绑定了第三方支付的客户的交易行为的信息;
客户行为分析模块,其中,所述客户行为分析模块基于所述绑定客户行为数据库的数据对客户的交易行为进行分析,并且基于分析结果生成易绑定客户预测模型;以及
目标客户群筛选模块,其中,所述目标客户筛选模块比对所述客户基本信息数据库中的交易行为特征和所述易绑定客户预测模型的交易行为特征,并且在其之间的相似度达到预先确定的阈值的情况下,从所述客户基本信息数据库中筛选作为目标客户。
可选地,在本申请的一些实施例中,所述客户基本信息数据库和所述绑定客户行为数据库中存储的涉及交易行为的信息包括:交易金额、交易次数、交易时间、IP位置信息、客户行业信息。
可选地,在本申请的一些实施例中,所述客户基本信息数据库定期地进行更新,并且所述目标客户群筛选模块定期地筛选目标客户。
可选地,在本申请的一些实施例中,所述目标客户群筛选模块在筛选目标客户时,剔除先前已经被筛选为目标客户的客户。
可选地,在本申请的一些实施例中,所述装置还包括参考数据库,其中存储有交易频繁的行业信息和/或地域信息,并且所述目标客户群筛选模块在考虑参考数据库中的信息的情况下筛选出目标客户。
可选地,在本申请的一些实施例中,所述装置还包括预测模型更新单元,其中,所述预测模型更新单元能够依据目标客户后期是否绑定第三方支付的情况来更新所述易绑定客户预测模型。
第二方面,本申请提出了一种基于客户群体预测模型推广第三方支付绑定的方法,包括:
获取客户基本信息数据库,其中存储有未绑定第三方支付的客户的基本信息,其中,所述基本信息包括涉及这些客户的交易行为的信息;
获取绑定客户行为数据库,其中存储有涉及绑定了第三方支付的客户的交易行为的信息;
分析客户行为,其中,基于所述绑定客户行为数据库的数据对客户的交易行为进行分析,并且基于分析结果生成易绑定客户预测模型;以及
筛选目标客户群,其中,比对所述客户基本信息数据库中的交易行为特征和所述易绑定客户预测模型的交易行为特征,并且在其之间的相似度达到预先确定的阈值的情况下,从所述客户基本信息数据库中筛选作为目标客户。
可选地,在本申请的一些实施例中,所述客户基本信息数据库和所述绑定客户行为数据库中存储的涉及交易行为的信息包括:交易金额、交易次数、交易时间分布、IP位置信息、客户行业信息。
可选地,在本申请的一些实施例中,所述客户基本信息数据库定期地进行更新,并且所述目标客户群筛选模块定期地筛选目标客户。
可选地,在本申请的一些实施例中,在筛选目标客户时,剔除先前已经被筛选为目标客户的客户。
可选地,在本申请的一些实施例中,所述方法还包括步骤:获取参考数据库,其中存储有交易频繁的行业信息和/或地域信息,并且在筛选目标客户群时在考虑参考数据库中的信息的情况下筛选出目标客户。
可选地,在本申请的一些实施例中,所述方法还包括步骤:更新易绑定客户预测模型,其中,依据目标客户后期是否绑定第三方支付的情况来更新所述易绑定客户预测模型。
第三方面,本申请提出了一种电子设备,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于:执行按本申请任一实施例所述的方法。
第四方面,本申请提出了一种计算机可读存储介质,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行按本申请任一实施例所述的所述的方法。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1示意性地示出按照本申请所公开的基于客户群体预测模型推广第三方支付绑定的装置;
图2示意性地示出按照本申请所公开的基于客户群体预测模型推广第三方支付绑定的方法;以及
图3示意性地示出按照本申请所公开的一种电子设备。
具体实施方式
下面详细描述本申请的实施例,各实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
参照图1,其示意性地示出了按照本申请所公开的基于客户群体预测模型推广第三方支付绑定的装置。由图1能够看出,该装置10包括:
客户基本信息数据库1,其中存储有未绑定第三方支付的客户的基本信息,其中,所述基本信息包括涉及这些客户的交易行为的信息、例如交易类型、交易次数等。当然,也能够考虑,客户基本信息数据库1也可以设计为包括所有的客户的基本信息,其中含有绑定第三方支付的客户的基本信息以及未绑定第三方支付的客户的基本信息。在这种情况下,客户基本信息数据库1还需要包括涉及这些客户是否绑定第三方支付的标识信息,以便后续进行处理。
绑定客户行为数据库2,其中存储有涉及绑定了第三方支付的客户的交易行为的信息;
具体而言,绑定客户行为数据库2可以包含有已经绑定了第三方支付的客户的交易信息、例如能够包括已绑定客户总共绑定的第三方支付的类别数目、总交易金额、总交易次数、交易时间分布、IP位置信息、客户行业信息等特征。也能够考虑,绑定客户行为数据库2可以包括已绑定客户在某一个预先选取的时间段内每天的交易行为、例如交易总金额、总次数、时间分布等。
客户行为分析模块3,其中,所述客户行为分析模块3基于所述绑定客户行为数据库2的数据对客户的交易行为进行分析,并且基于分析结果生成易绑定客户预测模型;
在此基础上,客户行为分析模块3能够利用机器学习或者神经网络等数据处理方法来分析绑定客户行为数据库2,并且基于这些数据提取出已绑定客户的交易行为的特征,从而生成易绑定客户预测模型。
以及,
目标客户群筛选模块4,其中,所述目标客户筛选模块比对所述客户基本信息数据库1中的交易行为特征和所述易绑定客户预测模型的交易行为特征,并且在其之间的相似度达到预先确定的阈值的情况下,从所述客户基本信息数据库1中筛选作为目标客户。
具体而言,可以根据所需要推广的客户群的大小来设定该预先确定的阈值,即:在需要大量推广客户群来绑定第三方支付的情况下,可以将预先确定的阈值选择得较低,而在需要非常有针对性地推广客户群来绑定第三方支付的情况下,可以将预先确定的阈值选择得较大。
在本申请的一些实施例中,客户基本信息数据库1定期地进行更新,并且所述目标客户群筛选模块4定期地筛选目标客户。也就是说,客户基本信息按照一定的周期进行更新,从而将那些经过上一阶段推广已经绑定了第三方支付的客户剔除出去,并且目标客户筛选模块也按照客户基本信息数据库1的更新周期来定期筛选目标客户。这种处理方式提高了目标客户的筛选效率,从而避免在先前的目标客户已经绑定了第三方支付的情况下,目标客户筛选模块还继续按照未更新的客户基本信息数据库1来筛选目标客户。
进一步地,为了更加提高目标客户群筛选模块4的处理效率,其在筛选目标客户时,也会剔除先前已经被筛选为目标客户的客户。
在本申请的一些实施例中,所述装置10还包括参考数据库5,其中存储有交易频繁的行业信息和/或地域信息,并且所述目标客户群筛选模块4在考虑参考数据库5中的信息的情况下筛选出目标客户。也就是说,目标客户群筛选模块4可以基于参考数据库5有针对性地筛选特定的目标客户、例如筛选出交易较为频繁的行业的目标客户或者特定地点的目标客户。
为了进一步提高推广的准确性,所述装置10还包括预测模型更新单元,其能够依据目标客户后期是否绑定第三方支付的情况来更新易绑定客户预测模型。也就是说,在筛选出目标客户之后,根据对这些目标客户的推广效果、即这些客户后期是否绑定第三方支付的情况来修正易绑定客户预测模型中的偏差,使得其更加符合当前的目标客户的特征。
参照图2,其示意性地示出了按照本申请所公开的基于客户群体预测模型推广第三方支付绑定的方法。由图2能够看出,该方法包括:
S1:获取客户基本信息数据库,其中存储有未绑定第三方支付的客户的基本信息,其中,所述基本信息包括涉及这些客户的交易行为的信息;
具体而言,客户基本信息数据库中存储有未绑定第三方支付的客户的基本信息,其中,所述基本信息包括涉及这些客户的交易行为的信息、例如交易类型、交易次数等。当然,也能够考虑,客户基本信息数据库也可以设计为包括所有的客户的基本信息,其中含有绑定第三方支付的客户的基本信息以及未绑定第三方支付的客户的基本信息。在这种情况下,客户基本信息数据库还需要包括涉及这些客户是否绑定第三方支付的标识信息,以便后续进行处理。
S2:获取绑定客户行为数据库,其中存储有涉及绑定了第三方支付的客户的交易行为的信息;
具体而言,绑定客户行为数据库可以包含有已经绑定了第三方支付的客户的交易信息、例如能够包括已绑定客户总共绑定的第三方支付的类别数目、总交易金额、总交易次数、交易时间分布、IP位置信息、客户行业信息等特征。也能够考虑,绑定客户行为数据库可以包括已绑定客户在某一个预先选取的时间段内每天的交易行为、例如交易总金额、总次数、时间分布等。
S3:分析客户行为,其中,基于所述绑定客户行为数据库的数据对客户的交易行为进行分析,并且基于分析结果生成易绑定客户预测模型;
在此基础上,能够利用机器学习或者神经网络等数据处理方法来分析绑定客户行为数据库,并且基于这些数据提取出已绑定客户的交易行为的特征,从而生成易绑定客户预测模型。
以及
S4:筛选目标客户群,其中,比对所述客户基本信息数据库中的交易行为特征和所述易绑定客户预测模型的交易行为特征,并且在其之间的相似度达到预先确定的阈值的情况下,从所述客户基本信息数据库中筛选作为目标客户。
具体而言,可以根据所需要推广的客户群的大小来设定该预先确定的阈值,即:在需要大量推广客户群来绑定第三方支付的情况下,可以将预先确定的阈值选择得较低,而在需要非常有针对性地推广客户群来绑定第三方支付的情况下,可以将预先确定的阈值选择得较大。
可选地,在本申请的一些实施例中,客户基本信息数据库定期地进行更新,并且同时定期地筛选目标客户。也就是说,客户基本信息按照一定的周期进行更新,从而将那些经过上一阶段推广已经绑定了第三方支付的客户剔除出去,并且筛选步骤也按照客户基本信息数据库的更新周期来定期筛选目标客户。这种处理方式提高了目标客户的筛选效率,从而避免在先前的目标客户已经绑定了第三方支付的情况下,还继续按照未更新的客户基本信息数据库来筛选目标客户。
进一步地,为了更加提高目标客户群筛选的处理效率,在筛选目标客户时,也会剔除先前已经被筛选为目标客户的客户。
在本申请的一些实施例中,所述方法还包括步骤:获取参考数据库,其中存储有交易频繁的行业信息和/或地域信息,并且在筛选目标客户群时,在考虑参考数据库中的信息的情况下筛选出目标客户。也就是说,在筛选时,可以基于参考数据库有针对性地筛选特定的目标客户、例如筛选出交易较为频繁的行业的目标客户或者特定地点的目标客户。
为了进一步提高推广的准确性,所述方法还包括步骤:更新易绑定客户预测模型。具体而言,依据目标客户后期是否绑定第三方支付的情况来更新易绑定客户预测模型。也就是说,在筛选出目标客户之后,根据对这些目标客户的推广效果、即这些客户后期是否绑定第三方支付的情况来修正易绑定客户预测模型中的偏差,使得其更加符合当前的目标客户的特征。
本申请实施例提供了一种电子设备,如图3所示,该电子设备40包括:处理器401和存储器403。其中,处理器401和存储器403相连,如通过总线402相连。进一步地,电子设备40还可以包括收发器404。需要说明的是,实际应用中收发器404不限于一个,该电子设备40的结构并不构成对本申请实施例的限定。其中,处理器401应用于本申请实施例中客户行为分析模块以及目标客户群筛选模块的功能。收发器404包括接收机和/或发射机。
处理器401可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器401也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线402可包括一通路,在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器403用于存储执行本申请方案的应用程序代码,并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码,以实现图2所示实施例提供的方法。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述实施例中所示的方法。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.基于客户群体预测模型推广第三方支付绑定的装置,其特征在于,包括:
客户基本信息数据库,其中存储有未绑定第三方支付的客户的基本信息,其中,所述基本信息包括涉及这些客户的交易行为的信息;
绑定客户行为数据库,其中存储有涉及绑定了第三方支付的客户的交易行为的信息;
客户行为分析模块,其中,所述客户行为分析模块基于所述绑定客户行为数据库的数据对客户的交易行为进行分析,并且基于分析结果生成易绑定客户预测模型;以及
目标客户群筛选模块,其中,所述目标客户筛选模块比对所述客户基本信息数据库中的交易行为特征和所述易绑定客户预测模型的交易行为特征,并且在其之间的相似度达到预先确定的阈值的情况下,从所述客户基本信息数据库中筛选作为目标客户。
2.基于客户群体预测模型推广第三方支付绑定的方法,其特征在于,包括:
获取客户基本信息数据库,其中存储有未绑定第三方支付的客户的基本信息,其中,所述基本信息包括涉及这些客户的交易行为的信息;
获取绑定客户行为数据库,其中存储有涉及绑定了第三方支付的客户的交易行为的信息;
分析客户行为,其中,基于所述绑定客户行为数据库的数据对客户的交易行为进行分析,并且基于分析结果生成易绑定客户预测模型;以及
筛选目标客户群,其中,比对所述客户基本信息数据库中的交易行为特征和所述易绑定客户预测模型的交易行为特征,并且在其之间的相似度达到预先确定的阈值的情况下,从所述客户基本信息数据库中筛选作为目标客户。
3.按照权利要求2所述的方法,其特征在于,所述客户基本信息数据库和所述绑定客户行为数据库中存储的涉及交易行为的信息包括:交易金额、交易次数、交易时间分布、IP位置信息、客户行业信息。
4.按照权利要求2所述的方法,其特征在于,所述客户基本信息数据库定期地进行更新,并且所述目标客户群筛选模块定期地筛选目标客户。
5.按照权利要求4所述的方法,其特征在于,在筛选目标客户时,剔除先前已经被筛选为目标客户的客户。
6.按照权利要求2所述的方法,其特征在于,所述方法还包括步骤:获取参考数据库,其中存储有交易频繁的行业信息和/或地域信息,并且在筛选目标客户群时在考虑参考数据库中的信息的情况下筛选出目标客户。
7.按照权利要求2所述的方法,其特征在于,所述方法还包括步骤:更新易绑定客户预测模型,其中,依据目标客户后期是否绑定第三方支付的情况来更新所述易绑定客户预测模型。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于:执行根据权利要求2至7任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行上述权利要求2至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436523.2A CN112561501A (zh) | 2020-12-11 | 2020-12-11 | 基于客户群体预测模型推广第三方支付绑定的装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436523.2A CN112561501A (zh) | 2020-12-11 | 2020-12-11 | 基于客户群体预测模型推广第三方支付绑定的装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561501A true CN112561501A (zh) | 2021-03-26 |
Family
ID=75060364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011436523.2A Pending CN112561501A (zh) | 2020-12-11 | 2020-12-11 | 基于客户群体预测模型推广第三方支付绑定的装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561501A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362084A (zh) * | 2021-06-09 | 2021-09-07 | 广州智会云科技发展有限公司 | 客户数据追踪方法、装置、设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300039A (zh) * | 2018-12-05 | 2019-02-01 | 山东省城市商业银行合作联盟有限公司 | 基于人工智能和大数据进行智能产品推荐的方法及系统 |
CN110490651A (zh) * | 2019-08-14 | 2019-11-22 | 平安科技(深圳)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
CN111091409A (zh) * | 2019-10-31 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 客户标签的确定方法、装置和服务器 |
-
2020
- 2020-12-11 CN CN202011436523.2A patent/CN112561501A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300039A (zh) * | 2018-12-05 | 2019-02-01 | 山东省城市商业银行合作联盟有限公司 | 基于人工智能和大数据进行智能产品推荐的方法及系统 |
CN110490651A (zh) * | 2019-08-14 | 2019-11-22 | 平安科技(深圳)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
CN111091409A (zh) * | 2019-10-31 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 客户标签的确定方法、装置和服务器 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362084A (zh) * | 2021-06-09 | 2021-09-07 | 广州智会云科技发展有限公司 | 客户数据追踪方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945024B (zh) | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 | |
US9646058B2 (en) | Methods, systems, and computer program products for generating data quality indicators for relationships in a database | |
US9324087B2 (en) | Method, system, and computer program product for linking customer information | |
CN110992167A (zh) | 银行客户业务意图识别方法及装置 | |
US20120150723A1 (en) | Total structural risk model | |
US20050080821A1 (en) | System and method for managing collections accounts | |
US20150235321A1 (en) | Insurance risk modeling method and apparatus | |
CA3007338A1 (en) | Method and system for purchase behavior prediction of customers | |
US11250433B2 (en) | Using semi-supervised label procreation to train a risk determination model | |
EP2816524A1 (en) | Future credit score projection | |
US20140278774A1 (en) | In the market model systems and methods | |
CN107133862B (zh) | 动态产生增强信用评估的详细交易支付经历的方法和系统 | |
CN112434884A (zh) | 一种供应商分类画像的建立方法及装置 | |
CN113989020A (zh) | 贷款逾期信息处理方法、装置、计算机设备及存储介质 | |
CN112561501A (zh) | 基于客户群体预测模型推广第三方支付绑定的装置和方法 | |
KR102090951B1 (ko) | 통합 금융 서비스를 제공하는 방법 및 시스템 | |
AU2021102594A4 (en) | System and method for predicting loan scoring strategies using deep learning technique for banking system | |
US20150332222A1 (en) | Modeling consumer cellular mobile carrier switching method and apparatus | |
CN113436023A (zh) | 基于区块链的理财产品推荐方法及装置 | |
CN111144905B (zh) | 问卷配置方法、系统、计算机设备及计算机可读存储介质 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
CN113554448A (zh) | 一种用户流失预测方法、装置及电子设备 | |
CA3092332A1 (en) | System and method for machine learning architecture for interdependence detection | |
Sarea et al. | Web-based financial disclosures by using machine learning analysis: Evidence from bahrain | |
Baitharu et al. | Effect of missing values on data classification |
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 |