CN112561568A - 一种目标客户预测方法、装置及存储介质 - Google Patents
一种目标客户预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112561568A CN112561568A CN202011409252.1A CN202011409252A CN112561568A CN 112561568 A CN112561568 A CN 112561568A CN 202011409252 A CN202011409252 A CN 202011409252A CN 112561568 A CN112561568 A CN 112561568A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- prediction
- client
- target
- 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 27
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000003066 decision tree Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种目标客户预测方法、装置及存储介质，通过历史数据对XGBoot模型进行多轮迭代训练，经过，获得最优XGBoot模型和对应XGBoot模型的最优参数；并提取重要变量做预测变量；将训练集中的预测变量输入到训练获得的最优XGBoot模型,由最优XGBoot模型输出客户标签；提取预测分数作为目标变量；将预测变量和目标变量进行拼接，拼接成新的第二训练集；用第二训练集训练GBDT模型，训练获得预测GBDT模型；待预测客户观察期的特征输入到预测GBDT模型，获得待预测客户的目标客户分数；最后根据目标客户分数预测该待预测客户为目标客户的概率。
Description
技术领域
本发明涉及数据分析及数据挖掘应用领域，更具体地说涉及一种目标客户预测方法、装置及存储介质。
背景技术
现有技术存在类型类似专家系统的方法及应用，用于通过该系统实现基于对现有的客户的过往数据进行分析，从中预测出即将或可能流失的客户，如具体到银行系统中的借记卡客户清单或筛选出各类业务的目标客户。这样银行可针对该预测清单进行有针对性的处理，或根据该预测清单对后续的目标客户数量等具有较准确的预测。这洋银行可有针对性的进行人力等资源的提前安排。但是传统的专家系统主要是通过收集的专家经验进行分析预测，其整体预测的准确率较底，且需要耗费大量的人力资源来完成，因此成本高，且其给银行带来的帮助不大，无法为银行提前进行有效的客户关系管理提供有效的支持。容易出现遗漏目标客户或筛选出的目标客户存在大量的误差，保护大量的非真时目标客户，导致人力财力的浪费。
目前银行业在精准营销和客户关系管理领域最常用的数据挖掘模型是XGBoost模型，XGBoost算法在各个评价标准中普遍优于传统算法,但是单纯地使用XGboost算法对客户进行二分类,在实际应用场景中可能不能完全满足业务需求,银行常常需要对客户进行精细化管理。
发明内容
本发明所要解决的技术问题是如何提供提高目标客户预测准确率，满足银行的精细化管理。
为了解决以上问题本发明提供了一种目标客户预测方法，其特征在于：
步骤1.1选取优质客户的历史数据，对选取的历史数据进行数据预处理生成第一训练集；
步骤1.2将数据预处理完成的第一训练集输入到XGBoot模型中对XGBoot模型进行训练，经过多轮迭代，获得最优XGBoot模型和对应XGBoot模型的最优参数；
步骤1.3根据步骤1.2训练，提取重要变量做预测变量；
步骤1.4根据步骤1.2训练，将训练集中的预测变量输入到训练获得的最优XGBoot模型,由最优XGBoot模型输出客户标签；
步骤1.5根据步骤1.4的结果提取预测分数作为目标变量；
步骤1.6将步骤1.3获得的预测变量和步骤1.5获得的目标变量进行拼接，拼接成新的第二训练集；
步骤1.7用第二训练集训练GBDT模型，训练获得预测GBDT模型；
步骤1.8待预测客户观察期的特征输入到预测GBDT模型，获得待预测客户的目标客户概率。
所述的目标客户预测方法，其特征在于，所述XGBoot模型进行训练，根据如下方法进行：选择决策树作为弱学习器；每次训练只训练一个弱学习器，提高在前一个弱学习器分错的类的训练数据的数据权重后输入到后一个弱学习器中进行学习，采用后一个弱学习器来纠正前一个弱学习器的残差，知道残差达到预先设置的范围；最后将训练生成的多个弱学习器加权求和，获得最优学习器，用于待预测客户的预测。
所述的目标客户预测方法，其特征在于，所述的决策树具体为：
其中：x是输入向量，q表示树的结构，结构函数q(x)表示把输入映射到叶子的索引号,ω表示对应于每个索引号的叶子的分数，T是树中叶节点的数量，d为特征维数；
一共由K颗决策树生成K个弱学习器，K颗决策树的集合的输出为：
单颗决策树的复杂度表示为：
集成树的复杂度表示为：
T是叶节点的数目，γ是范围在0和1之间的学习速率。γ乘以T等于生成树修剪，防止过度拟合；λ是一个正规化参数，ω是叶子的质量；
Ω(fk)是XGBoost算法的正则项，目标函数的第t步的迭代为：
第一部分代表真实值yi和预测值
函数，L为误差函数；第二部分代表单颗决策树的复杂度之和；已知：
其中ft(xi)为第t轮需要学习的决策树，则目标函数可转化为：
一种实现目标客户预测方法的装置，其特征在于采用了所述的实现目标客户预测方法。
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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行所述的实现目标客户预测方法。
实施本发明具有如下有益效果：量化借记卡客户营销成功的可能性，可以对客户分级以对接营销策略，更符合业务需求。提升预测精确率，节省人力物力，降低企业成本。降低借记卡客户流动性，增加客户的稳定性，提升企业效益。
附图说明
图1是模型训练全过程流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一：首先解释下XGBoost，XGBoost是一种专注于梯度提升的机器学习算法，一般用于解决监督学习问题，利用大量的训练数据来预测目标变量。XGBoost选择决策树作为它的弱学习器，在每次训练单个弱学习器时，都将上一次分错的类的数据权重提高一点再进行当前单个弱学习器的学习，然后通过加入新的弱学习器，来纠正前面所有弱学习器的残差，最终把多个学习器加权求和，用来进行最终预测。
XGBoost基本模型是决策树，首先定义单颗决策树的输出为
(1)式中：x是输入向量，q表示树的结构，结构函数q(x)表示把输入映射到叶子的索引号,ω表示对应于每个索引号的叶子的分数，T是树中叶节点的数量，d为特征维数。XGBoost算法可以看成是由K颗决策树的集成，则K颗树的集合的输出为
由决策树的模型可知，单颗决策树的复杂度计算公式为
类似地，集成树的复杂度可表示为
(4)式中：T是叶节点的数目，γ是范围在0和1之间的学习速率。γ乘以T等于生成树修剪，防止过度拟合。λ是一个正规化参数，ω是叶子的质量。Ω(fk)是XGBoost算法的正则项。此外，XGBoost算法的目标函数在第t步的迭代可以表示为
(5)式包含两个部分:第一部分代表真实值yi和预测值
函数，L为误差函数。第二部分代表单颗决策树的复杂度之和。已知：
其中ft(xi)为第t轮需要学习的决策树。则目标函数可转化为
因此，XGBoost算法在实际应用中具有一定优势。
二、选择合适的XGBoost模型评估指标。
1)准确率表示分类器正确分类的样本数占总样本数的比例，计算公式为(TP+TN)/(TP+FN+FP+TN)。(需要帮忙分别解释下这些英文缩写代表的含义)
2)召回率表示所有真实正例中判别结果为正例的比例，即真正例被识别出来的百分比，计算公式为TP/(TP+FN)。
3)精确率表示分类器判别为正例的结果中真正例的比例，计算公式为TP/(TP+FP)。
三、关于GBDT模型评估指标的设定。
1：关于GBRT模型。
GBDT(Gradient Boosting Decision Tree，梯度提升迭代决策树)，它是通过拟合负梯度(Gradient Boosting)和决策回归树(DecisionTree)组合而成，是弱学习器使用CART回归树的一种GradientBoosting。
Gradient Boosting是Boosting族的一种算法，它的基本思想是：串行地生成多个弱学习器，每个弱学习器的目标是拟合先前累加模型的损失函数的负梯度，使加上该弱学习器后的累积模型损失往负梯度的方向减少。Gradient Boosting的算法流程具有一般性，根据其中的损失函数和弱学习器的不同可以演变出多种不同的算法。GBDT是通过采用加法模型(即基函数的线性组合)，以及不断减小训练过程中产生的残差来达到将数据分类或者回归的算法。GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的梯度(如果损失函数是平方损失函数，则梯度就是残差值)基础上进行训练。
GBDT的算法流程如下：
①初始化弱学习器；
②开始迭代：a.根据给定的误差函数，计算当前模型的负梯度，即残差；b.根据残差拟合下一个基学习器；c.计算最佳拟合值；d.更新强学习器。
③得到最终学习
2：GBDT模型评估指标。
回归问题的评价指标主要有均方误差(MSE)、均方误差根(RMSE)、决定系数等，它们本质上都是衡量预测值与真实值之间的差距。均方误差函数如下所示：
其中，y(i)为真实值，
为预测值。均方误差根是均方误差开根号
决定系数又称为拟合优度，决定系数的值在0和1之间。决定系数越接近1表示模型的拟合效果越好；决定系数越接近0表示模型的拟合效果越差。决定系数的公式如下所示：
基于优质借记卡客户特征建立模型，并用时点为2020年5月31日的客户数据训练XGBoost模型。实施例测试显示，为了达到最优的ROC值，模型一共迭代训练了199次，可获得较好的训练效果。
在模型迭代训练的过程中，需要通过增加重要变量优化模型，去掉非重要变量来减少模型的过拟合程度。最终确定38个预测变量，1个目标变量，总共125万我行优质客户数据用于训练XGBoost模型，其中部分预测变量的计算公式如下：
年平均AUM＝sum(一年内每日的时点AUM)/当年天数；
月平均AUM＝sum(一月内每日的时点AUM)/当月天数；
AUM增量＝期初AUM－期末AUM；
月平均交易金额＝月交易金额/月交易笔数；
季平均交易金额＝季交易金额/季交易笔数；
XGBoost模型经过训练以后的特征重要性排序如下表1所示：
表1：
训练集为给模型用于学习的数据集，XGBoost和GBDT模型的训练集都为2020年3月1日—2020年5月31日的客户特征数据。
经过优化以后，XGBoost模型的精确率达到12.85％，召回率为22.79％。用训练好的XGBoost模型对训练集做出预测，将XGBoost模型筛选出来的重要变量作为预测变量，XGBoost模型得到的预测分数作为目标变量放入回归模型GBDT中进行训练。为了达到最优的决定系数，模型一共迭代训练了199次：
选定2020年6月1日—2020年8月31日为观察期，在观察期内对客户的各项特征进行计算与评估，掌握客户在此时间区间内存在的行为特征及变化规律；2020年9月1日—2020年11月30日为表现期，即观察期后的三个月作为预测时段，通过GBDT模型预测借记卡客户在预测期是否转为银利多客户，回归模型的决定系数为0.9。
1.数据准备以及数据预处理，主要是哑变量变换和独热编码；
2.选取效果较好的XGBoost模型作为分类模型；
3.在模型训练的过程中，经过多轮迭代，XGBoost模型的最优参数如下表1所示：
表1：
4.将训练集的客户数据输入XGBoost模型，提取XGBoost模型得到的预测分数作为回归模型的目标变量，提取XGBoost模型的重要变量做GBDT模型的预测变量；
5.训练回归模型GBDT经过多轮迭代，XGBoost模型的最优参数如下表2所示：
表2：
6.用训练好的回归模型预测借记卡客户营销银利多的成功概率。
基于本文的预测方法在中国农业银行数据分析挖掘平台建立银利多精准营销模型预测客户在2020年第四季度会购买银利多存款产品的概率，并于2020年10月20日在ocrm系统建立银利多高概率客户营销活动，通过营销宝给客户经理下发银利多精准营销获客模型预测的目标客户概率，客户经理根据客户购买概率对客户分级，对接不同的营销策略，以下为本模型所带来的技术和经济的积极效果。
1.截止2020年11月12日，在客户经理已联系的1338个客户中，有438个客户购买了银利多存款产品，目标客户转化率为33％；在20201020—20201114购买银利多存款产品的1549个优质客户中，已购的目标客户占实际购买客户的28.28％，召回率将近三成，达到预期。
2.截止2020年11月13日，已营销银利多存款产品的目标客户AUM比第三季末增长12％，存款比第三季末增长15％；同时，未营销银利多存款产品的目标客户AUM下降2％，存款下降3％。通过本文的客户概率预测方法带来了存款和AUM的提升，进一步预防客户流失。
3.量化借记卡客户营销成功的可能性，可以对客户分级以对接营销策略，更符合业务需求。
4.提升预测精确率，节省人力物力，降低企业成本。
降低优质客户流失率，增加客户的稳定性，提升企业效益。
以上所揭露的仅为本发明一种实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解的实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (5)
1.一种目标客户预测方法，其特征在于：
步骤1.1选取优质客户的历史数据，对选取的历史数据进行数据预处理生成第一训练集；
步骤1.2将数据预处理完成的第一训练集输入到XGBoot模型中对XGBoot模型进行训练，经过多轮迭代，获得最优XGBoot模型和对应XGBoot模型的最优参数；
步骤1.3根据步骤1.2训练，提取重要变量做预测变量；
步骤1.4根据步骤1.2训练，将训练集中的预测变量输入到训练获得的最优XGBoot模型,由最优XGBoot模型输出客户标签；
步骤1.5根据步骤1.4的结果提取预测分数作为目标变量；
步骤1.6将步骤1.3获得的预测变量和步骤1.5获得的目标变量进行拼接，拼接成新的第二训练集；
步骤1.7用第二训练集训练GBDT模型，训练获得预测GBDT模型；
步骤1.8待预测客户观察期的特征输入到预测GBDT模型，获得待预测客户的目标客户概率。
2.根据权利要求1所述的目标客户预测方法，其特征在于，所述XGBoot模型进行训练，根据如下方法进行：选择决策树作为弱学习器；每次训练只训练一个弱学习器，提高在前一个弱学习器分错的类的训练数据的数据权重后输入到后一个弱学习器中进行学习，采用后一个弱学习器来纠正前一个弱学习器的残差，知道残差达到预先设置的范围；最后将训练生成的多个弱学习器加权求和，获得最优学习器，用于待预测客户的预测。
3.根据权利要求2所述的目标客户预测方法，其特征在于，所述的决策树具体为：
其中：x是输入向量，q表示树的结构，结构函数q(x)表示把输入映射到叶子的索引号,ω表示对应于每个索引号的叶子的分数，T是树中叶节点的数量，d为特征维数；
一共由K颗决策树生成K个弱学习器，K颗决策树的集合的输出为：
单颗决策树的复杂度表示为：
集成树的复杂度表示为：
T是叶节点的数目，γ是范围在0和1之间的学习速率。γ乘以T等于生成树修剪，防止过度拟合；λ是一个正规化参数，ω是叶子的质量；
Ω(fk)是XGBoost算法的正则项，目标函数的第t步的迭代为：
第一部分代表真实值yi和预测值
函数，L为误差函数；第二部分代表单颗决策树的复杂度之和；已知：
其中ft(xi)为第t轮需要学习的决策树，则目标函数可转化为：
4.一种实现目标客户预测方法的装置，其特征在于采用了如权利要求1至3任意一项所述的实现目标客户预测方法。
5.一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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至3任一项所述的实现目标客户预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011409252.1A CN112561568A (zh) | 2020-12-04 | 2020-12-04 | 一种目标客户预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011409252.1A CN112561568A (zh) | 2020-12-04 | 2020-12-04 | 一种目标客户预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112561568A true CN112561568A (zh) | 2021-03-26 |
Family
ID=75048547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011409252.1A Pending CN112561568A (zh) | 2020-12-04 | 2020-12-04 | 一种目标客户预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561568A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159924A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 授信客户对象的确定方法及装置 |
| CN113256328A (zh) * | 2021-05-18 | 2021-08-13 | 深圳索信达数据技术有限公司 | 预测目标客户的方法、装置、计算机设备及存储介质 |
| CN113313572A (zh) * | 2021-05-28 | 2021-08-27 | 上海浦东发展银行股份有限公司 | 一种基于公积金点贷客户的模型识别方法 |
| CN113379432A (zh) * | 2021-06-30 | 2021-09-10 | 焦点科技股份有限公司 | 一种基于机器学习的销售系统客户匹配方法 |
| CN113570119A (zh) * | 2021-07-07 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 基于Xgboost的多任务处理方法、装置及电子设备 |
| CN113591018A (zh) * | 2021-07-30 | 2021-11-02 | 中国联合网络通信集团有限公司 | 通信客户分类管理方法、系统、电子设备及存储介质 |
-
2020
- 2020-12-04 CN CN202011409252.1A patent/CN112561568A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159924A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 授信客户对象的确定方法及装置 |
| CN113256328A (zh) * | 2021-05-18 | 2021-08-13 | 深圳索信达数据技术有限公司 | 预测目标客户的方法、装置、计算机设备及存储介质 |
| CN113256328B (zh) * | 2021-05-18 | 2024-02-23 | 深圳索信达数据技术有限公司 | 预测目标客户的方法、装置、计算机设备及存储介质 |
| CN113313572A (zh) * | 2021-05-28 | 2021-08-27 | 上海浦东发展银行股份有限公司 | 一种基于公积金点贷客户的模型识别方法 |
| CN113379432A (zh) * | 2021-06-30 | 2021-09-10 | 焦点科技股份有限公司 | 一种基于机器学习的销售系统客户匹配方法 |
| CN113379432B (zh) * | 2021-06-30 | 2022-07-19 | 焦点科技股份有限公司 | 一种基于机器学习的销售系统客户匹配方法 |
| CN113570119A (zh) * | 2021-07-07 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 基于Xgboost的多任务处理方法、装置及电子设备 |
| CN113591018A (zh) * | 2021-07-30 | 2021-11-02 | 中国联合网络通信集团有限公司 | 通信客户分类管理方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561568A (zh) | 一种目标客户预测方法、装置及存储介质 | |
| KR102044205B1 (ko) | 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법 | |
| 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 | |
| CN107563645A (zh) | 一种基于大数据的金融风险分析方法 | |
| KR101802866B1 (ko) | 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법 | |
| CN112070615A (zh) | 基于知识图谱的理财产品推荐方法及装置 | |
| CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
| CN114187120A (zh) | 一种车险理赔欺诈风险识别方法及装置 | |
| CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
| Ticona et al. | Hybrid model based on genetic algorithms and neural networks to forecast tax collection: application using endogenous and exogenous variables | |
| CN116993490A (zh) | 一种基于人工智能的银行场景自动处理方法及系统 | |
| CN111143533A (zh) | 一种基于用户行为数据的客服方法及系统 | |
| CN111292188A (zh) | 配对交易智能一体化回测系统 | |
| CN114282657A (zh) | 一种市场数据长期预测模型训练方法、装置、设备及存储介质 | |
| CN114418604A (zh) | 一种掌银易流失客户促活成功概率预测方法、装置及存储介质 | |
| CN113592140A (zh) | 电费缴纳预测模型训练系统和电费缴纳预测模型 | |
| Tan | Libor prediction using genetic algorithm and genetic algorithm integrated with recurrent neural network | |
| CN113537731A (zh) | 基于强化学习的设计资源能力评估方法 | |
| CN114493822A (zh) | 一种基于迁移学习的用户违约预测定价方法和系统 | |
| 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 | |
| Giannopoulos | The effectiveness of artificial credit scoring models in predicting NPLs using micro accounting data | |
| Dendramis et al. | Measuring the Default Risk of Small Business Loans: Improved Credit Risk Prediction using Deep Learning | |
| Greberg et al. | Using Gradient Boosting to Identify Pricing Errors in GLM-Based Tariffs for Non-life Insurance | |
| Kangane et al. | Analysis of different regression models for real estate price prediction | |
| Mattanelli | Binning numerical variables in credit risk models |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
| RJ01 | Rejection of invention patent application after publication |