CN113298637A - 业务平台的用户导流方法、装置和系统 - Google Patents
业务平台的用户导流方法、装置和系统 Download PDFInfo
- Publication number
- CN113298637A CN113298637A CN202110484076.6A CN202110484076A CN113298637A CN 113298637 A CN113298637 A CN 113298637A CN 202110484076 A CN202110484076 A CN 202110484076A CN 113298637 A CN113298637 A CN 113298637A
- Authority
- CN
- China
- Prior art keywords
- client
- platform
- stock
- information
- service platform
- 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 50
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013468 resource allocation Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种业务平台的客户导流方法，用于对经过导流平台进入业务平台的客户进行导流，该方法包括如下步骤：建立并训练存量客户的新业务表现值分级模型，该模型使用存量用户的导流信息、以及存量客户在业务平台的历史表现信息来预测其在该业务平台的新业务表现值；获取导流平台发送的客户标识及导流信息，将该客户标识与所述业务平台的存量客户的客户标识进行比对，以确定来自所述导流平台的存量客户；对于来自导流平台的存量客户，使用该存量客户的导流信息、以及其在业务平台的历史表现信息来预测其新业务表现值，根据该新业务表现值向存量用户发送落地页面。本发明便利了存量客户在业务平台展开业务，增加了导流平台的流量收入，提高了业务平台的业务推荐能力，优化了资产质量。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种业务平台的用户导流方法、装置、系统及计算机可读介质。
背景技术
随着互联网与经济的不断发展，互联网各类业务(例如：数据内容、金融、消费、信贷、内容分享、数据安全管理等等资源业务)的崛起也促进了我国资源分配产业的快速发展，互联网资源分配导流业务正越来越受到互联网流量巨头们的青睐，各大互联网平台纷纷布局资源分配导流业务以实现自身流量变现。
资源分配导流业务，是指互联网平台利用自身的场景和流量优势为能给予安全的资源服务业务的行业或机构(常见的例如金融机构等)所发行的资源分配产品提供网络上的客户的引流服务。在资源分配导流服务中，互联网平台仅负责营销获客，一般不负责客户的筛选与风控等活动，因而无法更好地保证资源分配的安全性。
图1是按照现有技术的导流方法的示意图。如图1所示的助贷的应用场景例子中，导流客户通过点击助贷机构在导流平台1投放的广告进入业务平台2，业务平台首先判断所述导流客户是否是所述业务平台的新客户，如果是新客户，进入新客资源配置权认证流程3，之后业务平台2将按照CPA(CPA是按照每个导流客户的有效行为计费的方式)、CPS(CPS是按照资源分配额来计算导流费用的方式)等各种方式向导流平台1支付导流费用。如果是已有存量客户(即老客户)，则进入阻断拒绝流程4，并不会针对老客户向导流平台1支付导流费用。然而随着时间的推移，导流平台1上的信贷新客户逐渐枯竭，导流过来客户中存量客户比例持续上升，获新成本不断攀升。单纯的资源分配功能app依然是低频使用app，存量客户在资源分配app上的日活增长困难，并不能有效的利用从导流平台过来的存量客户。
另一方面，当前各产品公司在导流平台上推广资源分配业务时，主要是采用广撒网的方式，并没有考虑到有针对性地对客户进行页面推送，劣质客户也能随意通过资源分配入口办理资源分配，加大了资源分配风险，也降低了资源分配成功率。
发明内容
本发明的主要目的在于提供一种业务平台的用户导流方法、装置、系统及计算机可读介质，旨在增加存量用户在业务平台开展业务的便利性，同时有针对性地对存量客户进行页面推送。
为了解决上述技术问题，本发明第一方面提出一种业务平台的客户导流方法，用于对经过导流平台进入业务平台的客户进行导流，该方法包括如下步骤：建立并训练存量客户的新业务表现值分级模型，该模型使用存量用户的导流信息、以及存量客户在业务平台的历史表现信息来预测其在该业务平台的新业务表现值；获取导流平台发送的客户标识及导流信息，将该客户标识与所述业务平台的存量客户的客户标识进行比对，以确定来自所述导流平台的存量客户；对于来自导流平台的存量客户，使用该存量客户的导流信息、以及其在业务平台的历史表现信息来预测其新业务表现值，根据该新业务表现值向存量用户发送落地页面。
根据本发明的一种优选实施方式，所述建立并训练分级模型，是指使用预设的不同的客户类别的资源分配请求人的数据，得到不同客户类别的客户历史表现信息，基于不同客户类别的客户历史表现信息生成分级模型，并对所述分级模型进行训练。
根据本发明的一种优选实施方式，所述使用所述存量客户的导流信息、以及其在所述业务平台的历史表现信息来预测其新业务表现值，是指：根据目标存量客户的导流信息、以及所述目标存量客户在所述业务平台内的历史表现信息，生成目标客户的历史客户数据，根据所述目标客户的历史客户数据，采用所述分级模型确定所述目标客户的新业务表现值评分。
根据本发明的一种优选实施方式，所述目标客户的历史客户数据可以包括下列信息中至少一项：登录业务平台次数、登录业务平台的时间、登录业务平台的时间长度、登录业务平台时使用的终端类型、登录业务平台时使用的终端设备号、对业务平台提供的网页或内容的浏览次数、浏览业务平台提供的网页或内容的具体时间、对业务平台提供的网页或内容的浏览时长、以及从业务平台购买的次数。
根据本发明的一种优选实施方式，所述目标客户的历史客户数据包括被推荐的产品是否被客户转化的信息，其中所述转化包括注册信息、授信信息、动支信息。
本发明第二方面提出一种业务平台的客户导流装置，用于对经过导流平台进入业务平台的客户进行导流，包括：建立并训练存量客户的新业务表现值分级模型的模块，该模型使用存量用户的导流信息、以及存量客户在业务平台的历史表现信息来预测其在该业务平台的新业务表现值；获取导流平台发送的客户标识及导流信息，将该客户标识与所述业务平台的存量客户的客户标识进行比对，以确定来自所述导流平台的存量客户的模块；对于来自导流平台的存量客户，使用该存量客户的导流信息、以及其在业务平台的历史表现信息来预测其新业务表现值，根据该新业务表现值向存量用户发送落地页面的模块。
根据本发明的一种优选实施方式，所述建立并训练分级模型的模块使用预设的不同的客户类别的资源分配请求人的数据，得到不同客户类别的客户历史表现信息，基于不同客户类别的客户历史表现信息生成分级模型，并对所述分级模型进行训练。
根据本发明的一种优选实施方式，所述使用所述存量客户的导流信息、以及其在所述业务平台的历史表现信息来预测其新业务表现值的模块，根据目标存量客户的导流信息、以及所述目标存量客户在所述业务平台内的历史表现信息，生成目标客户的历史客户数据，根据所述目标客户的历史客户数据，采用所述分级模型确定所述目标客户新业务表现值评分。
根据本发明的一种优选实施方式，所述目标客户的历史客户数据可以包括下列信息中至少一项：登录业务平台次数、登录业务平台的时间、登录业务平台的时间长度、登录业务平台时使用的终端类型、登录业务平台时使用的终端设备号、对业务平台提供的网页或内容的浏览次数、浏览业务平台提供的网页或内容的具体时间、对业务平台提供的网页或内容的浏览时长、以及从业务平台购买的次数。
根据本发明的一种优选实施方式，所述目标客户的历史客户数据包括被推荐的产品是否被客户转化的信息，其中所述转化包括注册信息、授信信息、动支信息。
本发明第三方面提出一种业务平台的客户导流系统，其特征在于，包括：存储器，用于存储计算机可执行程序；数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行前述的导流方法。
本发明第四方面提出一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行前述的导流方法。
本发明的导流方法便利了存量客户在业务平台展开业务，增加了导流平台的流量收入，提高了业务平台的业务推荐能力，优化了资产质量。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是根据现有技术一个应用于助贷业务场景下的客户导流例子的示意图。
图2是根据本发明的一个应用于助贷业务场景下的客户导流例子的示意图。
图3是根据本发明的客户导流方法的一个实施例的主要流程示意图。
图4是根据本发明的客户导流装置的一个实施例的结构框图。
图5是根据本发明的业务平台的客户导流系统的一个实施例的结构框图。
图6是根据本发明的所述系统的一个更具体的实施例的结构框图。
图7是根据本发明的计算机可读介质的一个实施例的结构框图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
【实施例1】
图2是本发明的方法在实际应用场景中的客户导流的一个例子。如图2所示，同样是以助贷场景中应用为例：导流客户通过点击业务机构在导流平台1投放的广告进入业务平台2，业务平台首先判断所述导流客户是否是业务平台的新客户，如果是新客户，在客户注册之后可以进入新客资源配置权认证流程3，之后业务平台将按照CPA、CPS等各种方式向导流平台支付导流费用，如果是已有存量客户，则进入新业务表现值预测流程5，以便后续依据该新业务表现值向存量用户发送落地页面。
例如，如果是已有存量客户，根据预测得到的新业务表现值，直接进入续贷介绍页面、个人额度计算页面、贷款申请页面等页面中的一个。
通过将原有的新客导流合作中被阻断的老客户流程，替换为新业务表现值预测流程，老客户可在业务平台申请资源分配请求，使得业务平台的老客户也可以在使用导流平台app的时候，顺便完成资源分配申请。增加了存量老客户申请资源分配的便利性。
所述导流平台可以是大流量平台，也可以是移动社交软件平台。
在一个特定实施方式中，所述导流平台与所述业务平台是同一公司内部的不同产品平台。
在一个特定实施方式中，所述导流平台与所述业务平台是跨公司或者跨界的不同产品平台。
【实施例2】
下面结合图3根据本发明的客户导流方法的一个实施例的主要流程示意图进行说明，该实施例承前述助贷这类应用场景为例，对本发明的实现过程进行说明。如图3所示，该方法包括下述步骤：
S301：使用预设的不同的客户类别的资源分配请求人的数据，得到不同客户类别的客户历史表现信息。
所述资源分配请求人，是指已经在该业务平台申请过资源分配请求的存量客户。
由于单个客户在业务平台上的业务次数有限，很难预测单个客户在平台的新业务表现值。但是虽然业务平台有大量客户，每个客户各有特点，但是多个客户之间也可能存在共性，使得某些客户会出现类似的业务行为。因此可以先对平台中的客户进行聚类，每一类客户的特性相似，从而得到某一类客户的多个样本。
在助贷业务场景中，可以从业务平台的数据库中挑选一定数量的资源分配请求人提取客户数据，所述资源分配请求人具有预设的不同的类别。
所述客户数据中包括各种客户信息，如客户的社会属性和行为属性，如年龄、家庭状况、收入、职业、消费习惯、是否有过资源分配记录、是否办过信用卡等等、在业务平台的购买历史等。
所述客户数据还可以包括下列信息：登录业务平台次数、登录业务平台的时间、登录业务平台的时间长度、登录业务平台时使用的终端类型、登录业务平台时使用的终端设备号、对业务平台提供的网页或内容的浏览次数、浏览业务平台提供的网页或内容的具体时间、对业务平台提供的网页或内容的浏览时长、以及从业务平台购买的次数等。
例如，可以通过对资源分配请求人在业务平台的点击行为等进行分析和衍生，根据时间分成了长期偏好特征(长期兴趣)和短期偏好特征(短期兴趣)，以对资源分配请求人不同行为进行特征数据的提取。
例如，长期偏好特征数据包括客户在第一预定时间内点击过的所有产品的平均额度、平均利率中的至少一个，其中，第一预定时间例如为三个月、六个月、九个月等。短期偏好特征数据包括客户在第二预定时间内点击过的所有产品的平均额度、平均利率中的至少一个，其中，第二预定时间例如为3天、5天、7天、15天、20天和30天等。
例如，有的客户喜欢浏览很多次之后选择一个产品，有的客户喜欢遇到了合适的就不继续浏览；有的客户打开产品页面后经过较长时段后选择一个产品，有的客户打开产品页面后迅速做出购买决定；有的客户偏爱知名机构的产品；有的客户喜欢在每天的特定时段进入业务平台购买平台产品等等，可以基于上述情况对客户进行分类，按照这些类别的客户的历史表现信息提取特征数据。
客户数据还包括被推荐的产品是否被客户转化的信息，其中所述转化包括注册信息、授信信息、动支信息等。具体地，业务平台的落地页上会给客户推荐了一些产品，对于这些被推荐的产品，客户是否注册、授信或动支等的信息。
当然，上述分类的确定方式仅是示例性的，本领域技术人员也可以依据实际情况设置其他的类别确定方式，本发明对此并无限制。
在一个特定实施方式中，所述客户历史表现信息是客户画像。
当对客户分类所需要的基础数据收集完毕后，需要对这些数据进行分析和加工，以得到可直接分析的标准数据。
在一个特定实施方式中，所述对这些数据进行分析和加工可以包括：
剔除原始数据中的异常值、重复值、无效值、缺失值以获得过滤数据。
和/或，对过滤数据进行去噪、修复和降维处理，以获得标准数据。
在一个特定实施方式中，对数据进行加工，将标签管理化使用了Hive，Hbase等大数据技术。
在一个特定实施方式中，为了提高数据的实时性，还用到Flink，Kafka等实时计算技术。
S302：基于不同客户类别的客户历史表现信息生成所述新业务表现值的分级模型，并使用不同类别的客户历史表现信息对其进行训练。
在一个特定实施方式中，所述分级模型为随机森林模型，该模型的输入为客户历史表现信息中用户特征信息和购买的产品特征信息，此时预测的新业务表现值为对于该目标产品的客户的转化概率(即客户对于各目标产品产生兴趣既而进行注册、授信、动支等概率)。在训练随机森林模型时，需要设置多项参数，例如随机森林的棵数、深度、抽取的样本数量等，不同的参数组合下的随机森林模型的分类准确率会有区别。因此，在实际训练过程中，可以设置多组参数，采用K折交叉验证法(K-CV，K-fold Cross Validation)来评价每一组参数下的分类模型的准确性，找出准确性最优的一组参数，将该组参数下的分类模型作为最终的分类器。根据一种实施例，上述K折交叉验证中的K可以设置为5。当然，本领域技术人员也可以将K设置为其他数值，本发明对此不做限制。
在一个特定实施方式中，还可以根据已知的多个客户风险等级(客户历史数据数据、风险等级)样本来训练该模型，该模型的输入为客户历史表现信息，此时预测的新业务表现值为资源分配风险等级。所述资源分配风险等级为低风险、中等风险、高风险三个等级。
在一个特定实施方式中，所述分级模型基于最大熵准则进行建立。
在一个特定实施方式中，所述分级模型的模型函数还包括最优化函数。
在一个特定实施方式中，所述分级模型可以实现为参数模型，也可以是非参模型，参数模型包括线性回归模型、逻辑回归模型等，非参模型包括决策树、神经网络、线性规划等。
S303：获取导流平台发送的客户标识及导流信息，将该客户标识与所述业务平台的存量客户的客户标识进行比对，以确定来自所述导流平台的存量客户。
例如，助贷业务中，业务平台的老客户通过点击机构在导流平台投放的广告登录业务平台，并向业务平台授权一部分数据源的数据信息，例如客户通讯数据、手机应用列表、网络消费数据、个人学历数据、和/或客户在所述导流平台内已生成的客户标签、客户画像等。客户向业务平台授权某个数据源后，业务平台可以经由互联网获取客户授权的数据。
本领域技术人员可以理解，如果业务平台和导流平台是隶属于同一公司内部的不同产品平台，导流平台发送的导流信息会多于跨公司/跨平台的产品平台下发送的导流信息。
在一个特定实施方式中，所述客户标识是客户的手机号码。
在一个特定实施方式中，所述客户标识是客户的终端设备号。
在一个特定实施方式中，所述导流信息包含所述客户标识。
通过对比客户标识，可以判断来自所述导流平台的客户是新客户还是老客户。
S304：根据目标存量客户的导流信息、以及所述目标存量客户在所述业务平台内的历史表现信息，生成目标客户的历史客户数据。
目标存量客户向业务平台授权来自导流平台的导流数据后，业务平台可以获取所述授权的数据，结合所述目标存量客户在所述业务平台内的历史表现信息，生成目标客户的历史客户数据。
在一个特定实施方式中，所述客户历史表现信息包括各种客户信息，如客户的社会属性和行为属性，如年龄、家庭状况、收入、职业、消费习惯、是否有过资源分配记录、是否办过信用卡等等、在业务平台的购买历史等。
所述客户历史表现信息还可以包括下列信息：登录业务平台次数、登录业务平台的时间、登录业务平台的时间长度、登录业务平台时使用的终端类型、登录业务平台时使用的终端设备号、对业务平台提供的网页或内容的浏览次数、浏览业务平台提供的网页或内容的具体时间、对业务平台提供的网页或内容的浏览时长、以及从业务平台购买的次数等。
当所需要的基础数据收集完毕后，需要对这些数据进行分析和加工，以得到可直接分析的标准数据。
在一个特定实施方式中，所述对这些数据进行分析和加工可以包括：
剔除原始数据中的异常值、重复值、无效值、缺失值以获得过滤数据。
和/或，对过滤数据进行去噪、修复和降维处理，以获得标准数据。
S305：根据目标客户的历史客户数据，采用分级模型计算存量客户新业务表现值评分。
所述新业务表现值评分能够反映用户的购买意向，例如是潜在继续购买的客户，还是很可能退出的客户。
例如：利用所述分级模型将各个客户分为对应的不同类别后，可对各个客户进行存量客户新业务表现值计算。计算时，还可在客户所属的类别基础上，结合预先设定好的业务规则、客户类别、客户标签、客户的当前定位地址等因素综合对其进行评分，并根据该评分采取相应的措施。
例如，如果是已有存量客户，根据预测得到的新业务表现值，直接进入续贷介绍页面、个人额度计算页面、贷款申请页面等页面中的一个。
例如，针对不同用户，提供更有效、更优化的推荐产品排序。
例如，设定一个阈值，根据新业务表现值评分的高低来对不同的信贷客户进行相应的风险控制，例如是否推荐新业务、个人额度、设置用户标记、拒绝、降低资源分配额度等。
【实施例3】
下面结合图4根据本发明的业务平台的客户导流装置的一个实施例的结构框图进行描述，其主要对应实施例2的方法中的实施例，
如图4所示，该装置包括模型数据获取模块401、模型建立及训练模块402、存量客户确定模块403、目标客户的历史客户数据获取模块404、新业务表现值预测模块405。所述模型数据获取模块401、模型建立及训练模块402、存量客户确定模块403、目标客户的历史客户数据获取模块404、新业务表现值预测模块405分别对应于实施例2中的方法步骤S301-305，在此不再赘述。
【实施例4】
图5是根据本发明的业务平台的客户导流系统的一实施例的结构框架示意图，如图5所示，该系统包括存储器和数据处理装置，存储器用于存储计算机可执行程序(或指令等)，数据处理装置，用于读取所述存储器中的计算机可执行程序(或指令等)，以执行前述客户资源分配风险评估方法，如实施例1、2中的方法。该实施例中，该系统可以是本地系统，也可以是分布式系统。本发明的存储器可以是本地存储器，也可以是分布式存储系统，例如云存储系统等。而数据处理器则包括至少一个具有数字信息处理能力的装置，例如CPU、GPU、多处理器系统或云处理器。
下面结合图6所示，具体说明一个本地系统的结构的例子。该系统可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明系统的该实施例中描述的细节，应视为对于上述方法或装置/系统的实施例的补充而非限制，仅为一种本地系统状况的示例性说明，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，该示例性实施例的本地系统200以通用数据处理设备的形式表现。该系统的示例200的组件可以包括但不限于：至少一个处理单元210(即具体的数据处理装置的示例)、至少一个存储单元220(即具体的存储器的示例)、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元220存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元210执行，使得所述处理单元210执行本发明各种实施方式的步骤。例如，所述处理单元210可以执行前述实施例2至5的方法的各个步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
本地系统200也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备300与该系统200交互，和/或使得该系统200能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口250进行，还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，电子设备200中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
【实施例5】
具体地，还包括一种计算机可读介质，所述计算机可读介质存储一个或多个程序，其中，当所述一个或多个程序被处理器执行时，实现前述实施例1、2中涉及本发明的方法的实施例步骤。图7是本发明的一个计算机可读介质的一个实施例的示意图。所述计算机程序可以存储于一个或多个计算机可读介质上，该可读介质可以是本地或分布式的如云存储等(参见实施例4)。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由数据处理设备(包括计算机)执行的程序，即计算机程序。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质即计算可读介质中，该存储介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、磁盘、光盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合比如多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。进一步，所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。应当理解，为了精简本发明并帮助本领域的技术人员理解本发明的各个方面，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时在单个实施例中进行描述，或者参照单个图进行描述。但是，不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。
进一步，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。所述计算机可读介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
因而，本发明可以执行计算机程序的方法、系统、电子装置或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或子组件。本发明的实施例中的模块、单元或组件可以以硬件方式实现，也可以以一个或者多个处理器上运行的软件方式实现，或者以它们的组合实现。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
综上所述，本发明可以执行计算机程序的方法、装置、系统或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种业务平台的客户导流方法，用于对经过导流平台进入业务平台的客户进行导流，该方法包括如下步骤：
建立并训练存量客户的新业务表现值分级模型，该模型使用存量用户的导流信息、以及存量客户在业务平台的历史表现信息来预测其在该业务平台的新业务表现值；
获取导流平台发送的客户标识及导流信息，将该客户标识与所述业务平台的存量客户的客户标识进行比对，以确定来自所述导流平台的存量客户；
对于来自导流平台的存量客户，使用该存量客户的导流信息、以及其在业务平台的历史表现信息来预测其新业务表现值，根据该新业务表现值向存量用户发送落地页面。
2.如权利要求1所述的方法，其特征在于：
所述建立并训练分级模型，是指使用预设的不同的客户类别的资源分配请求人的数据，得到不同客户类别的客户历史表现信息，
基于不同客户类别的客户历史表现信息生成分级模型，并对所述分级模型进行训练。
3.根据权利要求1或2所述的方法，其特征在于：
所述使用所述存量客户的导流信息、以及其在所述业务平台的历史表现信息来预测其新业务表现值，是指：
根据目标存量客户的导流信息、以及所述目标存量客户在所述业务平台内的历史表现信息，生成目标客户的历史客户数据，根据所述目标客户的历史客户数据，采用所述分级模型确定所述目标客户的新业务表现值评分。
4.如权利要求3所述的方法，其特征在于：
所述目标客户的历史客户数据可以包括下列信息中至少一项：登录业务平台次数、登录业务平台的时间、登录业务平台的时间长度、登录业务平台时使用的终端类型、登录业务平台时使用的终端设备号、对业务平台提供的网页或内容的浏览次数、浏览业务平台提供的网页或内容的具体时间、对业务平台提供的网页或内容的浏览时长、以及从业务平台购买的次数。
5.如权利要求4或5所述的方法，其特征在于：
所述目标客户的历史客户数据包括被推荐的产品是否被客户转化的信息，其中所述转化包括注册信息、授信信息、动支信息。
6.一种业务平台的客户导流装置，用于对经过导流平台进入业务平台的客户进行导流，包括：
建立并训练存量客户的新业务表现值分级模型的模块，该模型使用存量用户的导流信息、以及存量客户在业务平台的历史表现信息来预测其在该业务平台的新业务表现值；
获取导流平台发送的客户标识及导流信息，将该客户标识与所述业务平台的存量客户的客户标识进行比对，以确定来自所述导流平台的存量客户的模块；
对于来自导流平台的存量客户，使用该存量客户的导流信息、以及其在业务平台的历史表现信息来预测其新业务表现值，根据该新业务表现值向存量用户发送落地页面的模块。
7.如权利要求6所述的装置，其特征在于：
所述建立并训练分级模型的模块使用预设的不同的客户类别的资源分配请求人的数据，得到不同客户类别的客户历史表现信息，基于不同客户类别的客户历史表现信息生成分级模型，并对所述分级模型进行训练。
8.根据权利要求6或7所述的装置，其特征在于：
所述使用所述存量客户的导流信息、以及其在所述业务平台的历史表现信息来预测其新业务表现值的模块，根据目标存量客户的导流信息、以及所述目标存量客户在所述业务平台内的历史表现信息，生成目标客户的历史客户数据，根据所述目标客户的历史客户数据，采用所述分级模型确定所述目标客户新业务表现值评分。
9.如权利要求8所述的装置，其特征在于：
所述目标客户的历史客户数据可以包括下列信息中至少一项：登录业务平台次数、登录业务平台的时间、登录业务平台的时间长度、登录业务平台时使用的终端类型、登录业务平台时使用的终端设备号、对业务平台提供的网页或内容的浏览次数、浏览业务平台提供的网页或内容的具体时间、对业务平台提供的网页或内容的浏览时长、以及从业务平台购买的次数。
10.如权利要求8或9所述的装置，其特征在于：
所述目标客户的历史客户数据包括被推荐的产品是否被客户转化的信息，其中所述转化包括注册信息、授信信息、动支信息。
11.一种业务平台的客户导流系统，其特征在于，包括：
存储器，用于存储计算机可执行程序；
数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行权利要求1至5中任一项所述的导流方法。
12.一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行权利要求1至5中任一项所述的导流方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484076.6A CN113298637A (zh) | 2021-04-30 | 2021-04-30 | 业务平台的用户导流方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484076.6A CN113298637A (zh) | 2021-04-30 | 2021-04-30 | 业务平台的用户导流方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113298637A true CN113298637A (zh) | 2021-08-24 |
Family
ID=77320948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110484076.6A Pending CN113298637A (zh) | 2021-04-30 | 2021-04-30 | 业务平台的用户导流方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298637A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116319567A (zh) * | 2023-03-03 | 2023-06-23 | 广州秒可科技有限公司 | 资源分配方法、资源分配设备和可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015001558A1 (en) * | 2013-07-01 | 2015-01-08 | Salespredict Sw Ltd. | System and method for predicting sales |
| CN109711929A (zh) * | 2018-12-13 | 2019-05-03 | 中国平安财产保险股份有限公司 | 基于预测模型的业务推荐的方法及装置 |
| CN110674408A (zh) * | 2019-09-30 | 2020-01-10 | 北京三快在线科技有限公司 | 业务平台、训练样本的实时生成方法及装置 |
| CN110992167A (zh) * | 2019-11-28 | 2020-04-10 | 中国银行股份有限公司 | 银行客户业务意图识别方法及装置 |
| CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
-
2021
- 2021-04-30 CN CN202110484076.6A patent/CN113298637A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015001558A1 (en) * | 2013-07-01 | 2015-01-08 | Salespredict Sw Ltd. | System and method for predicting sales |
| CN109711929A (zh) * | 2018-12-13 | 2019-05-03 | 中国平安财产保险股份有限公司 | 基于预测模型的业务推荐的方法及装置 |
| CN110674408A (zh) * | 2019-09-30 | 2020-01-10 | 北京三快在线科技有限公司 | 业务平台、训练样本的实时生成方法及装置 |
| CN110992167A (zh) * | 2019-11-28 | 2020-04-10 | 中国银行股份有限公司 | 银行客户业务意图识别方法及装置 |
| CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116319567A (zh) * | 2023-03-03 | 2023-06-23 | 广州秒可科技有限公司 | 资源分配方法、资源分配设备和可读存储介质 |
| CN116319567B (zh) * | 2023-03-03 | 2024-02-20 | 广州秒可科技有限公司 | 资源分配方法、资源分配设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bussmann et al. | Explainable machine learning in credit risk management | |
| US20220005125A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
| US20190251626A1 (en) | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history | |
| US20150371244A1 (en) | Forecasting information technology workload demand | |
| US9798788B1 (en) | Holistic methodology for big data analytics | |
| WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
| CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
| CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
| CN110335140B (zh) | 基于社交关系预测贷款黑中介的方法、装置、电子设备 | |
| CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
| US10678821B2 (en) | Evaluating theses using tree structures | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
| CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
| CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
| Deligiannis et al. | Designing a Real-Time Data-Driven Customer Churn Risk Indicator for Subscription Commerce. | |
| Murugan | Large-scale data-driven financial risk management & analysis using machine learning strategies | |
| US10922633B2 (en) | Utilizing econometric and machine learning models to maximize total returns for an entity | |
| CN111582645A (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| WO2019144035A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
| CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
| CN113298637A (zh) | 业务平台的用户导流方法、装置和系统 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |