CN113052404A - 一种客户流失率预测方法、装置、电子设备及存储介质 - Google Patents
一种客户流失率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113052404A CN113052404A CN202110484229.7A CN202110484229A CN113052404A CN 113052404 A CN113052404 A CN 113052404A CN 202110484229 A CN202110484229 A CN 202110484229A CN 113052404 A CN113052404 A CN 113052404A
- Authority
- CN
- China
- Prior art keywords
- target
- customer
- client
- historical
- attrition rate
- 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 51
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000006855 networking Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种客户流失率预测方法、装置、电子设备及存储介质，接收目标银行网点发送的客户流失率预测请求，客户流失率预测请求包括目标客户的基本信息；基于目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息，目标特征因子为对客户流失率存在影响的特征因子；将各个目标特征因子的特征信息输入客户流失率预测模型，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失率预测，得到目标客户的客户流失率，其中，客户流失率预测模型为利用目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到的。本发明能够提高预测潜在流失客户的准确率。
Description
技术领域
本发明涉及数据处理技术领域，更具体地说，涉及一种客户流失率预测方法、装置、电子设备及存储介质。
背景技术
随着社会的不断发展，各个银行间的市场竞争越来越激烈，经研究发现，吸引一个新客户所花费的成本是留住一个老客户的几倍，因此，为了留住老客户，可以提前预测出潜在的流失客户。
在现有技术中，主要是依据银行工作人员对历史数据进行分析，确定潜在的流失客户。而通过工作人员对历史数据进行分析，容易因工作人员主观判断导致确定的潜在流失客户不准确。
发明内容
有鉴于此，本发明提供一种客户流失率预测方法、装置、电子设备及存储介质，以提高预测潜在流失客户的准确率为目的。
本发明第一方面公开一种客户流失率预测方法，所述方法包括：
接收目标银行网点发送的客户流失率预测请求，所述客户流失率预测请求包括目标客户的基本信息；
基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取至少一个目标特征因子中每个所述目标特征因子的特征信息，所述目标特征因子为对客户流失率存在影响的特征因子；
将各个所述目标特征因子的特征信息输入客户流失率预测模型，使所述客户流失率预测模型根据各个所述目标特征因子的特征信息进行客户流失率预测，得到所述目标客户的客户流失率，其中，所述客户流失率预测模型为利用所述目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到的。
可选的，所述方法还包括：
若所述目标客户的客户流失率大于预设客户流失率，确定所述目标客户为潜在流失客户，并输出报警信息；
获取所述目标银行网点基于所述报警信息发送的所述目标客户的访问数据；
对所述访问数据进行分析，生成并输出所述目标客户的流失原因。
可选的，所述基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取至少一个目标特征因子中每个所述目标特征因子的特征信息，包括：
基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取预设时间段内所述目标客户的历史数据；
对所述历史数据进行数据清洗，得到目标历史数据；
从所述目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息。
可选的，所述利用所述目标银行网点中各个客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到客户流失率预测模型的过程，包括：
针对所述目标银行网点中的每个历史客户而言，从所述数据库中获取所述历史客户的历史数据；
对所述历史客户的历史数据进行清洗，得到所述历史客户的目标历史数据；
从所述历史客户的目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息；
将所述历史客户的各个所述目标特征因子的特征信息输入待训练的DNN神经网络，使所述待训练的DNN神经网络利用所述历史客户的各个所述目标特征因子的特征信息进行客户流失率预测，输出所述历史客户的客户流失率，以所述历史客户的客户流失率趋近于所述历史客户的目标客户流失率为训练目标，对所述待训练的DNN神经网络的参数进行调整，直至所述待训练的DNN神经网络达到收敛，得到客户流失率预测模型。
本发明第二方面公开一种客户流失率预测装置，所述装置包括：
接收单元，用于接收目标银行点发送的客户流失率预测请求，所述客户流失率预测请求包括目标客户的基本信息；
第一获取单元，用于基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取至少一个目标特征因子中每个所述目标特征因子的特征信息，所述目标特征因子为对客户流失率存在影响的特征因子；
预测单元，用于将各个所述目标特征因子的特征信息输入客户流失率预测模型，使所述客户流失率预测模型根据各个所述目标特征因子的特征信息进行客户流失率预测，得到所述目标客户的客户流失率，其中，所述客户流失率预测模型为利用所述目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到的。
可选的，所述装置还包括：
确定单元，用于若所述目标客户的客户流失率大于预设客户流失率，确定所述目标客户为潜在流失客户，并输出报警信息；
第二获取单元，用于获取所述目标银行网点基于所述报警信息发送的所述目标客户的访问数据；
输出单元，用于对所述访问数据进行分析，生成并输出所述目标客户的流失原因。
可选的，所述第一获取单元，包括：
第三获取单元，用于基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取预设时间段内所述目标客户的历史数据；
第一数据清洗单元，用于对所述历史数据进行数据请求，得到目标历史数据；
第四获取单元，用于从所述目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息。
可选的，所述预测单元，包括：
第四获取单元，用于针对所述目标银行网点中的每个历史客户而言，从所述数据库中获取所述历史客户的历史数据；
第二数据清洗单元，用于对所述历史客户的历史数据进行数据清洗，得到所述历史客户的目标历史数据；
第五获取单元，用于从所述历史客户的目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息；
训练单元，用于将所述历史客户的各个所述目标特征因子的特征信息数据待训练的DNN神经网络，使所述待训练的DNN神经网络利用所述历史客户的各个所述目标特征因子的特征信息进行客户流失率预测，输出所述历史客户的客户流失率，以所述历史客户的客户流失率趋近于所述历史客户的目标客户流失率为训练目标，对所述待训练的DNN神经网络的参数进行调整，直至所述待训练的DNN神经网络达到收敛，得到客户流失率预测模型。
本发明第三方面提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的方法。
本发明第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的方法。
本发明提供一种客户流失率预测方法、装置、电子设备及存储介质，预先设置了多个对客户流失率存在影响的特征因子，以及预先利用目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到客户流失率预测模型。在接收到目标银行网点发送的客户流失率预测请求时，根据接收到的客户流失率预测请求中的目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息，将各个目标特征因子的特征信息输入预先训练的客户流失率预测模型中，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失预测，得到目标客户的客户流失率。本发明提供的技术方案，通过利用预先训练客户流失预测模型以及对客户流失率存在影响的各个特征因子的特征信息来预测客户的客户流失率，不需要人工介入，从而提高了预测客户流失率的准确定。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种客户流失率预测方法的流程示意图；
图2为本发明实施例提供的一种利用目标银行网点中各个客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到客户流失率预测模型的过程的结构示意图；
图3为本发明实施例提供的另一种客户流失率预测方法的流程示意图；
图4为本发明实施例提供的一种客户流失率预测装置的结构示意图；
图5为本发明实施例提供的一种电子介质的结构示意图。
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做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。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
参见图1，示出了本发明实施例提供的一种客户流失率预测方法的流程示意图，应用于客户流失率预测系统，该客户流失率预测方法具体包括以下步骤：
S101：接收目标银行网点发送的客户流失率预测请求，客户流失率预测请求包括目标客户的基本信息。
在具体执行步骤S101的过程中，客户流失率预测系统接收银行网点发送的客户流失率预测请求(为了便于区分，将发送客户流失率预测请求的银行网点称为目标银行网点)，其中，客户流失预测请求包括请求预测客户流失率的目标客户的基本信息。
需要说明的是，目标客户的基本信息包括目标客户的姓名和目标客户的身份证号码。
S102：基于目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息，目标特征因子为对客户流失率存在影响的特征因子。
在步骤S102中，预先设置有至少一个目标特征因子，预先设置的目标特征因子可以为客户等级、客户的开户时长、客户的日均存款额、客户的日均取款额、客户的存款交易次数、客户的取款交易次数等等。
需要说明的是，可以由从事多年银行工作的技术人员根据自身的工作经验进行总结得到至少一个特征因子，以便从至少一个特征因子中选取至少一个目标特征因子。
在本申请实施例中，至少一个特征因子包括客户等级、客户的开户时长、客户的日均存款额、客户的日均取款额、客户的存款交易次数、客户的取款交易次数，针对每个特征因子而言，验证该特征因子是否为目标特征因子的方式可以为：当待验证的特征因子为客户等级时，待验证因子的取值可以包括VIP客户和普通客户两种，从一个银行网点中分别获取两组历史客户的客户流失情况，分别为待验证特征因子为VIP客户的第一组历史客户的客户流失情况，以及待验证特征因子为普通客户的第二组历史客户的客户流失情况，其中，第一组中每个历史客户和第二组中每个历史客户除了待验证特征因子的取值不同，其他特征因子的取值均相同。通过分别对两组历史客户的客户流失情况进行分析，若两组历史客户中客户流失情况为流失客户的数量大于预设阈值，确定客户等级为目标特征因子，若否，确定客户等级不为目标特征因子。
需要说明的是，具体获取多少组历史客户的客户流失情况与待验证的特征因子的取值方式相关。有关于待验证的特征因子的取值方式，发明人可根据自己的需求进行设置，本申请实施例不加以限定。
在具体执行步骤S102的过程中，在接收到目标银行网点发送的客户流失率预测请求后，根据接收到的客户流失率预测请求中的目标客户的基本信息从目标银行网点的数据库中获取与目标客户相关的预设时间段内的历史数据，并对所获取的目标客户的历史数据进行数据清洗，得到目标历史数据，最后从得到的目标客户的目标历史数据中获取至少一个目标特征因子中每个目标特征因子的特征信息。
S103：将各个目标特征因子的特征信息输入客户流失率预测模型，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失率预测，得到目标客户的客户流失率。
在步骤S103中，预先利用目标银行网点中各个客户的各个目标特征因子的特征信息对深度神经网络(Deep Neural Networks，DNN)进行训练得到客户流失率预测模型。
具体的，利用目标银行网点中各个客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到客户流失率预测模型的过程如图2所示，具体过程为：针对目标银行网点中的每个历史客户而言，从数据库中获取历史客户的历史数据；对历史客户的历史数据进行清洗，得到历史客户的目标历史数据；从历史客户的目标历史数据中获取至少一个目标特征因子中每个目标特征因子的特征信息。
将历史客户的各个目标特征因子特征信息输入待训练的DNN神经网络的输入层进行加权计算，并加权计算后得到的加权结果输入待训练的DNN神经网络的隐藏层进行求和、标准化处理，以及利用激活函数对标准化处理后的结果进行激活计算后，对进行激活计算得到的结果进行求和、标准化处理和激活计算，得到历史客户的客户流失率；利用得到历史客户的客户流失率和历史客户的目标客户流失率计算待训练的DNN神经网络的损失函数，并将得到的损失函数反馈到隐藏层，对待训练的DNN神经网络的参数进行调整，直至待训练的DNN神经网络达到收敛，得到客户流失率预测模型。其中，
利用历史客户的各个目标特征因子的特征信息进行客户流失率预测，输出历史客户的客户流失率，以历史客户的客户流失率趋近于历史客户的目标客户流失率为训练目标，对待训练的DNN神经网络的参数进行调整，直至待训练的DNN神经网络达到收敛，得到客户流失率预测模型。
在具体执行步骤S103的过程中，在基于目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息后，将各个目标特征因子的特征信息输入客户流失率预测模型，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失率预测，得到目标客户的客户流失率。
本发明提供一种客户流失率预测方法，预先设置了多个对客户流失率存在影响的特征因子，以及预先利用目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到客户流失率预测模型。在接收到目标银行网点发送的客户流失率预测请求时，根据接收到的客户流失率预测请求中的目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息，将各个目标特征因子的特征信息输入预先训练的客户流失率预测模型中，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失预测，得到目标客户的客户流失率。本发明提供的技术方案，通过利用预先训练客户流失预测模型以及对客户流失率存在影响的各个特征因子的特征信息来预测客户的客户流失率，不需要人工介入，从而提高了预测客户流失率的准确定。
参见图3，示出了本发明实施例提供的另一种客户流失率预测方法的流程示意图，该客户流失率预测方法具体包括以下步骤：
S301：接收目标银行网点发送的客户流失率预测请求，客户流失率预测请求包括目标客户的基本信息。
S302：基于目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息，目标特征因子为对客户流失率存在影响的特征因子。
S303：将各个目标特征因子的特征信息输入客户流失率预测模型，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失率预测，得到目标客户的客户流失率。
在具体执行步骤S301至步骤S303的过程中，步骤S301至步骤S303的具体执行过程和实现原理与上述本发明实施例公开的图1中的步骤S101至步骤S103的具体执行过程和实现原理相同，可参见上述本发明实施例公开的图1中相应的部分，这里就不再进行赘述。
S304：判断目标客户的客户流失率是否大于预设客户流失率；若目标客户的客户流失率不大于预设客户流失率，执行步骤S305；若目标客户的客户流失率大于预设客户流失率，执行步骤S306。
在具体执行步骤S304的过程中，预先设置有客户流失流率，在利用预先训练的客户流失率预测模型根据输入的各个目标特征因子的特征信息进行客户流失率预测，得到目标客户的客户流失率后，判断得到的目标客户的流失率是否大于预先设置的客户流失率，若目标客户的客户流失率不大于预设客户流失率，确定目标客户不为潜在流失客户，若目标客户的客户流失率大于预设客户流失率，确定目标客户为潜在流失客户。
S305：确定目标客户不为潜在流失客户。
在具体执行步骤S305的过程中，在确定目标客户的客户流失率不大于预设客户流失率的情况下，确定目标客户不为潜在流失客户。
S306：确定目标客户为潜在流失客户，并输出报警信息。
在具体执行步骤S306的过程中，在确定目标客户的客户流失率大于预设客户流失率的情况下，确定目标客户为潜在流失客户，并输出报警信息，提示目标银行网点的工作人员目标客户为潜在流失客户，以便目标银行网点的工作人员基于目标客户的联系方式联系目标客户，对目标客户进行访问，具体的访问目标客户为什么有注销账户的原因。
需要说明的是，联系方式可以为电话联系、邮件联系等等。可以根据实际应用进行设置，本申请实施例不加一下限定。
S307：获取目标银行网点基于报警信息发送的目标客户的访问数据。
在具体执行步骤S307的过程中，目标银行网点的工作人员基于目标客户的联系方式联系目标客户后，可以将与目标客户在联系过程中产生的访问数据通过目标银行网点发送给客户流失率预测系统。
S308：对访问数据进行分析，生成并输出目标客户的流失原因。
在具体执行步骤S308的过程中，在接收到目标银行网点基于报警信息发送的目标客户的访问数据后，对接收到的访问数据进行分析，生成并输出目标客户的流失原因，以便目标银行网点的工作人员根据流失原因制定相应的挽留策略。
在本申请实施例中，在确定目标客户为潜在的流失客户的情况下，可以输出报警信息，提示目标银行网点的工作人员目标客户为潜在流失客户，以便目标银行网点的工作人员基于目标客户的联系方式联系目标客户，对目标客户进行访问；并在接收到目标银行网点发送的目标客户的访问数据后，进一步对接收到的访问数据进行分析，生成目标客户的流失原因，以便目标银行网点的工作人员根据流失原因制定相应的挽留策略，从而避免流失目标客户。
基于上述本发明实施例提供的一种客户流失率预测方法，相应的，本发明实施例还提供一种客户流失率预测装置，参见图4，示出了本发明实施例提供的一种客户流失率预测装置的结构示意图，该客户流失流程预测装置，包括：
接收单元41，用于接收目标银行点发送的客户流失率预测请求，客户流失率预测请求包括目标客户的基本信息；
第一获取单元42，用于基于目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息，目标特征因子为对客户流失率存在影响的特征因子；
预测单元43，用于将各个目标特征因子的特征信息输入客户流失率预测模型，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失率预测，得到目标客户的客户流失率，其中，客户流失率预测模型为利用目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到的。
上述本发明实施例公开的客户流失率预测装置中各个单元具体的原理和执行过程，与上述本发明实施例公开的客户流失率预测方法相同，可参见上述本发明实施例公开的客户流失率预测方法中相应的部分，这里不再进行赘述。
本发明提供一种客户流失率预测装置，预先设置了多个对客户流失率存在影响的特征因子，以及预先利用目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到客户流失率预测模型。在接收到目标银行网点发送的客户流失率预测请求时，根据接收到的客户流失率预测请求中的目标客户的基本信息，从目标银行网点的数据库中获取至少一个目标特征因子中每个目标特征因子的特征信息，将各个目标特征因子的特征信息输入预先训练的客户流失率预测模型中，使客户流失率预测模型根据各个目标特征因子的特征信息进行客户流失预测，得到目标客户的客户流失率。本发明提供的技术方案，通过利用预先训练客户流失预测模型以及对客户流失率存在影响的各个特征因子的特征信息来预测客户的客户流失率，不需要人工介入，从而提高了预测客户流失率的准确定。
进一步的，本申请提供的客户流失率预测装置，还包括：
确定单元，用于若目标客户的客户流失率大于预设客户流失率，确定目标客户为潜在流失客户，并输出报警信息；
第二获取单元，用于获取目标银行网点基于报警信息发送的目标客户的访问数据；
输出单元，用于对访问数据进行分析，生成并输出目标客户的流失原因。
可选的，第一获取单元，包括：
第三获取单元，用于基于目标客户的基本信息，从目标银行网点的数据库中获取预设时间段内目标客户的历史数据；
第一数据清洗单元，用于对历史数据进行数据请求，得到目标历史数据；
第四获取单元，用于从目标历史数据中获取至少一个目标特征因子中每个目标特征因子的特征信息。
可选的，预测单元，包括：
第四获取单元，用于针对目标银行网点中的每个历史客户而言，从数据库中获取历史客户的历史数据；
第二数据清洗单元，用于对历史客户的历史数据进行数据清洗，得到历史客户的目标历史数据；
第五获取单元，用于从历史客户的目标历史数据中获取至少一个目标特征因子中每个目标特征因子的特征信息；
训练单元，用于将历史客户的各个目标特征因子的特征信息数据待训练的DNN神经网络，使待训练的DNN神经网络利用历史客户的各个目标特征因子的特征信息进行客户流失率预测，输出历史客户的客户流失率，以历史客户的客户流失率趋近于历史客户的目标客户流失率为训练目标，对待训练的DNN神经网络的参数进行调整，直至待训练的DNN神经网络达到收敛，得到客户流失率预测模型。
本申请另一实施例提供了一种电子设备，如图5所示，包括：
一个或多个处理器501。
存储装置502，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器501执行时，使得所述一个或多个处理器501实现如上述实施例中任意一项所述的方法。
本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种客户流失率预测方法，其特征在于，所述方法包括：
接收目标银行网点发送的客户流失率预测请求，所述客户流失率预测请求包括目标客户的基本信息；
基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取至少一个目标特征因子中每个所述目标特征因子的特征信息，所述目标特征因子为对客户流失率存在影响的特征因子；
将各个所述目标特征因子的特征信息输入客户流失率预测模型，使所述客户流失率预测模型根据各个所述目标特征因子的特征信息进行客户流失率预测，得到所述目标客户的客户流失率，其中，所述客户流失率预测模型为利用所述目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述目标客户的客户流失率大于预设客户流失率，确定所述目标客户为潜在流失客户，并输出报警信息；
获取所述目标银行网点基于所述报警信息发送的所述目标客户的访问数据；
对所述访问数据进行分析，生成并输出所述目标客户的流失原因。
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取至少一个目标特征因子中每个所述目标特征因子的特征信息，包括：
基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取预设时间段内所述目标客户的历史数据；
对所述历史数据进行数据清洗，得到目标历史数据；
从所述目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息。
4.根据权利要求1所述的方法，其特征在于，所述利用所述目标银行网点中各个客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到客户流失率预测模型的过程，包括：
针对所述目标银行网点中的每个历史客户而言，从所述数据库中获取所述历史客户的历史数据；
对所述历史客户的历史数据进行清洗，得到所述历史客户的目标历史数据；
从所述历史客户的目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息；
将所述历史客户的各个所述目标特征因子的特征信息输入待训练的DNN神经网络，使所述待训练的DNN神经网络利用所述历史客户的各个所述目标特征因子的特征信息进行客户流失率预测，输出所述历史客户的客户流失率，以所述历史客户的客户流失率趋近于所述历史客户的目标客户流失率为训练目标，对所述待训练的DNN神经网络的参数进行调整，直至所述待训练的DNN神经网络达到收敛，得到客户流失率预测模型。
5.一种客户流失率预测装置，其特征在于，所述装置包括：
接收单元，用于接收目标银行点发送的客户流失率预测请求，所述客户流失率预测请求包括目标客户的基本信息；
第一获取单元，用于基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取至少一个目标特征因子中每个所述目标特征因子的特征信息，所述目标特征因子为对客户流失率存在影响的特征因子；
预测单元，用于将各个所述目标特征因子的特征信息输入客户流失率预测模型，使所述客户流失率预测模型根据各个所述目标特征因子的特征信息进行客户流失率预测，得到所述目标客户的客户流失率，其中，所述客户流失率预测模型为利用所述目标银行网点中各个历史客户对应的各个目标特征因子的特征信息对DNN神经网络进行训练得到的。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
确定单元，用于若所述目标客户的客户流失率大于预设客户流失率，确定所述目标客户为潜在流失客户，并输出报警信息；
第二获取单元，用于获取所述目标银行网点基于所述报警信息发送的所述目标客户的访问数据；
输出单元，用于对所述访问数据进行分析，生成并输出所述目标客户的流失原因。
7.根据权利要求5所述的装置，其特征在于，所述第一获取单元，包括：
第三获取单元，用于基于所述目标客户的基本信息，从所述目标银行网点的数据库中获取预设时间段内所述目标客户的历史数据；
第一数据清洗单元，用于对所述历史数据进行数据请求，得到目标历史数据；
第四获取单元，用于从所述目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息。
8.根据权利要求5所述的装置，其特征在于，所述预测单元，包括：
第四获取单元，用于针对所述目标银行网点中的每个历史客户而言，从所述数据库中获取所述历史客户的历史数据；
第二数据清洗单元，用于对所述历史客户的历史数据进行数据清洗，得到所述历史客户的目标历史数据；
第五获取单元，用于从所述历史客户的目标历史数据中获取至少一个目标特征因子中每个所述目标特征因子的特征信息；
训练单元，用于将所述历史客户的各个所述目标特征因子的特征信息数据待训练的DNN神经网络，使所述待训练的DNN神经网络利用所述历史客户的各个所述目标特征因子的特征信息进行客户流失率预测，输出所述历史客户的客户流失率，以所述历史客户的客户流失率趋近于所述历史客户的目标客户流失率为训练目标，对所述待训练的DNN神经网络的参数进行调整，直至所述待训练的DNN神经网络达到收敛，得到客户流失率预测模型。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一所述的方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484229.7A CN113052404A (zh) | 2021-04-30 | 2021-04-30 | 一种客户流失率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484229.7A CN113052404A (zh) | 2021-04-30 | 2021-04-30 | 一种客户流失率预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052404A true CN113052404A (zh) | 2021-06-29 |
Family
ID=76518015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110484229.7A Pending CN113052404A (zh) | 2021-04-30 | 2021-04-30 | 一种客户流失率预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052404A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570044A (zh) * | 2021-07-30 | 2021-10-29 | 中国银行股份有限公司 | 客户流失分析模型训练方法及装置 |
| CN117422181A (zh) * | 2023-12-15 | 2024-01-19 | 湖南三湘银行股份有限公司 | 一种基于模糊标签的代发客户流失预警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
| CN110348914A (zh) * | 2019-07-19 | 2019-10-18 | 中国银行股份有限公司 | 客户流失数据分析方法及装置 |
| CN110889724A (zh) * | 2019-11-22 | 2020-03-17 | 北京明略软件系统有限公司 | 客户流失预测方法、装置、电子设备和存储介质 |
| CN111724185A (zh) * | 2019-03-21 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 用户维护方法和装置 |
| US20210081759A1 (en) * | 2019-09-13 | 2021-03-18 | Intuit Inc. | Deep neural network based user segmentation |
-
2021
- 2021-04-30 CN CN202110484229.7A patent/CN113052404A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
| CN111724185A (zh) * | 2019-03-21 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 用户维护方法和装置 |
| CN110348914A (zh) * | 2019-07-19 | 2019-10-18 | 中国银行股份有限公司 | 客户流失数据分析方法及装置 |
| US20210081759A1 (en) * | 2019-09-13 | 2021-03-18 | Intuit Inc. | Deep neural network based user segmentation |
| CN110889724A (zh) * | 2019-11-22 | 2020-03-17 | 北京明略软件系统有限公司 | 客户流失预测方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 马文斌 等: "基于深度神经网络的客户流失预测模型", 计算机技术与发展, vol. 29, no. 9, pages 76 - 80 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570044A (zh) * | 2021-07-30 | 2021-10-29 | 中国银行股份有限公司 | 客户流失分析模型训练方法及装置 |
| CN117422181A (zh) * | 2023-12-15 | 2024-01-19 | 湖南三湘银行股份有限公司 | 一种基于模糊标签的代发客户流失预警方法及系统 |
| CN117422181B (zh) * | 2023-12-15 | 2024-04-02 | 湖南三湘银行股份有限公司 | 一种基于模糊标签的代发客户流失预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190392441A1 (en) | Customizing authorization request schedules with machine learning models | |
| US7441028B1 (en) | Method of defining a required information system capacity as a function of a user's quality of service objectives | |
| CN111784348A (zh) | 账户风险识别方法及装置 | |
| CN110830448B (zh) | 目标事件的流量异常检测方法、装置、电子设备及介质 | |
| KR20190032517A (ko) | 위험 식별 방법, 클라이언트 디바이스 및 위험 식별 시스템 | |
| CN113052404A (zh) | 一种客户流失率预测方法、装置、电子设备及存储介质 | |
| CN109344583B (zh) | 阈值确定及核身方法、装置、电子设备及存储介质 | |
| CN109214676A (zh) | 一种业务订单处理方法、装置、服务器及存储介质 | |
| CN109711720B (zh) | 一种应用于群智感知的数据质量评估方法 | |
| US11334878B2 (en) | Combining explicit and implicit feedback in self-learning fraud detection systems | |
| CN110097170A (zh) | 信息推送对象预测模型获取方法、终端及存储介质 | |
| CN113724010A (zh) | 客户流失预测方法及装置 | |
| CN111611519A (zh) | 一种个人异常行为检测方法及装置 | |
| CN111160951A (zh) | 激励结果的预测方法、装置、电子设备及可读存储介质 | |
| CN112037021B (zh) | 银行自助设备信息的推送方法、装置及系统 | |
| CN110570189B (zh) | 账户风险防控方法和系统 | |
| CN113052612B (zh) | 认证方式的推荐方法、装置、电子设备以及存储介质 | |
| CN109509560A (zh) | 一种权限管理方法、装置、服务器及介质 | |
| CN114358543A (zh) | 一种信息处理方法和装置 | |
| CN113919679A (zh) | 业务流程风险防控方法及系统 | |
| CN113762976A (zh) | 诈骗短信的识别方法、装置、电子设备及计算机存储介质 | |
| CN113762972A (zh) | 数据存储控制方法及装置、电子设备、存储介质 | |
| CN113159787A (zh) | 客户流失的预测方法、装置、电子设备及计算机存储介质 | |
| CN117237004B (zh) | 一种储能设备交易处理方法、装置和存储介质 | |
| CN113610635B (zh) | 控制银行终端交易等待时长的方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |