CN113379452A - 一种手机银行客户流失预警方法及系统 - Google Patents
一种手机银行客户流失预警方法及系统 Download PDFInfo
- Publication number
- CN113379452A CN113379452A CN202110630423.1A CN202110630423A CN113379452A CN 113379452 A CN113379452 A CN 113379452A CN 202110630423 A CN202110630423 A CN 202110630423A CN 113379452 A CN113379452 A CN 113379452A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- customer
- mobile phone
- training
- 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 35
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012795 verification Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 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
- Business, Economics & Management (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种手机银行客户流失预警方法及系统，其中方法包括：获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户；获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据；将所述特征数据按照预设比例划分为训练数据及验证数据；通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练；将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。本发明获取到的用户数据较为全面，提高预警预测的准确性。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及一种手机银行客户流失预警方法及系统。
背景技术
目前的客户流失预警模型的构建都偏向于在完成大量特征工程的情况下，去找到影响客户流失的少数几个特征，基于少数的特征进行模型的构建，然后预测客户的流失概率。如果模型的效果不好，一般的做法是返回到特征工程这一步，重新做特征的构建和选择。这样一个建模的过程，不仅大部分的时间都耗费在特征工程上，模型的效果也因建模人员的建模经验和对数据的熟悉程度而异。
发明内容
本发明提供一种手机银行客户流失预警方法及系统，提高对手机银行客户流失预测的准确性。
本发明第一方面提供一种手机银行客户流失预警方法，包括：
获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户；
获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据；
将所述特征数据按照预设比例划分为训练数据及验证数据；
通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练；
将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。
进一步地，所述对所述用户数据进行特征提取，得到特征数据之后，还包括：
对所述特征数据进行特征之间的组合计算，完成特征扩展。
进一步地，所述验证所述手机银行客户流失预警效果之后，还包括：
获取目标用户数据，将所述目标用户数据输入至所述手机银行客户流失预警模型中，对客户流失进行预警预判。
进一步地，所述通过所述训练数据对所述手机银行客户流失预警模型进行训练，包括：
获取自动化参数调整包，通过所述自动化参数调整包中的参数调整所述手机银行客户流失预警模型。
进一步地，所述获取所述流失客户的用户数据包括：
获取所述流失客户的第二预设天数内的用户数据；其中，所述第二预设天数为所述第一预设天数的整数倍；所述用户数据，包括：客户基本信息、借记卡流水、信用卡流水、资产管理数据。
本发明第二方面提供一种手机银行客户流失预警系统，包括：
客户查询模块，用于获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户；
数据查询模块，用于获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据；
数据划分模块，用于将所述特征数据按照预设比例划分为训练数据及验证数据；
模型训练模块，用于通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练；
模型验证模块，用于将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。
进一步地，所述的一种手机银行客户流失预警系统，还包括：
特征扩展模块，用于对所述特征数据进行特征之间的组合计算，完成特征扩展。
进一步地，所述的一种手机银行客户流失预警系统，还包括：
预警预判模块，用于获取目标用户数据，将所述目标用户数据输入至所述手机银行客户流失预警模型中，对客户流失进行预警预判。
进一步地，所述的一种手机银行客户流失预警系统，模型训练模块，还用于：
获取自动化参数调整包，通过所述自动化参数调整包中的参数调整所述手机银行客户流失预警模型。
进一步地，所述数据查询模块，还用于：
获取所述流失客户的第二预设天数内的用户数据；其中，所述第二预设天数为所述第一预设天数的整数倍；所述用户数据，包括：客户基本信息、借记卡流水、信用卡流水、资产管理数据。
与现有技术相比，本发明实施例的有益效果在于：
本发明提供一种手机银行客户流失预警方法及系统，其中方法包括：获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户；获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据；将所述特征数据按照预设比例划分为训练数据及验证数据；通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练；将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。本发明获取到的用户数据较为全面，提高预警预测的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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一些实施方式，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，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种手机银行客户流失预警方法的流程图；
图2是本发明另一实施例提供的一种手机银行客户流失预警方法的流程图；
图3是本发明又一实施例提供的一种手机银行客户流失预警方法的流程图；
图4是本发明某一实施例提供的一种手机银行客户流失预警系统的装置图；
图5是本发明另一实施例提供的一种手机银行客户流失预警系统的装置图；
图6是本发明某一实施例提供的一种电子设备的结构图。
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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
第一方面。
请参阅图1-3，本发明一实施例提供一种手机银行客户流失预警方法，包括：
S10、获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户。
在某一具体实施例中，定义客户N天内没有成功登陆手机银行，即为流失客户，否则为正常客户。N至少不小于30，且是30的倍数，具体N的取值由具体的业务场景而定。假设N*2/30再四舍五入后为n。
S20、获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据。
在某一具体实施方式中，所述获取所述流失客户的用户数据包括：
获取所述流失客户的第二预设天数内的用户数据。
其中，所述第二预设天数为所述第一预设天数的整数倍。所述用户数据，包括：客户基本信息、借记卡流水、信用卡流水、资产管理数据。
在某一具体实施例中，收集涉及客户的N*2天的相关数据用于建模，包括客户基本信息、借记卡流水、信用卡流水、客户AUM、手机银行登记流水，具体数据涉及的字段如下：
客户基本信息：客户ID、年收入、是否为借记卡客户、是否为信用卡客户；
借记卡流水：客户ID、客户姓名、交易金额、交易时间、交易对手名、是否跨行转账；
信用卡流水：客户ID、交易金额、交易时间；
客户AUM：客户ID、当前储蓄AUM、当前理财AUM、当前基金AUM、当前保险AUM、日期(注：该数据需要当前时间的数据和N*2时间内每个自然月月末的切片数据即可)；
手机银行登记流水：客户ID、成功登录手机银行时间；
在某一具体实施例中，对收集到的客户数据字段进行基础的特征加工，为之后的特征扩展提供原始特征数据。
客户基本信息：客户ID、年收入、是否为借记卡客户、是否为信用卡客户、同名转账金额(从借记卡流水统计N天内客户的同名转账金额)、跨行转账金额(从借记卡流水统计N天内客户的跨行转账金额)；
借记卡流水：客户ID、客户姓名、交易金额、交易时间、交易对手名、交易距今天数(由交易时间和当前时间，计算交易距今天数)、交易距今月份(交易距今天数/30，再四舍五入)；
信用卡流水：客户ID、交易金额、交易时间、交易距今天数(由交易时间和当前时间，计算交易距今天数)、交易距今月份(交易距今天数/30，再四舍五入)；
客户AUM：客户ID、当前储蓄AUM、当前理财AUM、当前基金AUM、当前保险AUM、日期、综合AUM(当前储蓄AUM+当前理财AUM+当前基金AUM+当前保险AUM)；
手机银行登记流水：客户ID、成功登录手机银行时间、登录距今天数(由登录时间和当前时间，计算登录距今天数)、登录距今月份(登录距今天数/30，再四舍五入)；
在某一具体实施方式中，所述步骤S20之后还包括：
S21、对所述特征数据进行特征之间的组合计算，完成特征扩展。
在某一具体实施例中，对基础特征进行特征之间的组合计算，从而扩展特征。
客户基本信息(不涉及扩展)：客户ID、年收入、是否为借记卡客户、是否为信用卡客户、同名转账金额、跨行转账金额，客户的基本信息特征应为5(不包括客户ID)
借记卡流水的扩展方案：对客户ID、交易距今月份进行分组，计算交易金额的总数sum、次数count、平均值average、标准差std，然后将客户每个交易距近月份的客户数据通过客户ID进行拼接，使得每个客户只有一条的客户借记卡信息，扩展后的客户借记卡特征应为n*4(不包括客户ID)
信用卡流水的扩展方案：对客户ID、交易距今月份进行分组，计算交易金额的总数sum、次数count、平均值average、标准差std，然后将客户每个交易距近月份的客户数据通过客户ID进行拼接，使得每个客户只有一条的客户信用卡信息，扩展后的客户信用卡特征应为n*4(不包括客户ID)
客户AUM的扩展方案：将客户不同日期的的当前储蓄AUM、当前理财AUM、当前基金AUM、当前保险AUM、综合AUM的取值按照客户ID进行拼接，使得每个客户只有一条的客户AUM信息，假设在N*2天内包括m个自然月的月末，则客户的AUM信息应为m*5(不包括客户ID)
手机银行登记流水：对客户ID、登录距今月份进行分组，计算客户登录距今天数的次数count、最小值min、平均值average、标准差std，然后将客户每个登录距今月份的客户数据通过客户ID进行拼接，使得每个客户只有一条的客户登陆信息，扩展后的客户登陆特征应为n*4(不包括客户ID)
S30、将所述特征数据按照预设比例划分为训练数据及验证数据。
S40、通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练。
在某一具体实施方式中，所述通过所述训练数据对所述手机银行客户流失预警模型进行训练，包括：
获取自动化参数调整包，通过所述自动化参数调整包中的参数调整所述手机银行客户流失预警模型。
在某一具体是实施例中，根据实际的数据情况，取历史的数据进行模型的训练。模型选择GBDT做二分类，该部分需要使用自动化参数调整的包，选择一个合适的参数，建议将参数的范围调得大些，然后让模型自动选择较好的模型参数。
S50、将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。
在某一具体实施例中，取最近的数据进行模型预估，通过比较模型在流失客户的召回率和准确率的表现，验证模型的效果。
在某一具体实施方式中，所述步骤S50之后还包括：
S60、获取目标用户数据，将所述目标用户数据输入至所述手机银行客户流失预警模型中，对客户流失进行预警预判。
本发明提供的方法具有以下优点：
1、手机银行客户的流失与客户的资产变化(AUM、信用卡、借记卡)、手机银行登陆的情况有很大的关系，所以做手机银行的客户流失预警时，客户特征的部分并不需要考虑很个性化和特别的特征，本文中的基础特征加工和特征的扩展生产的特征已经可以很好的覆盖到建模所需的有效数据。
2、建模的思路非常清晰，减少了建模过程中建模人员在特征工程方面的投入，让建模人员将精力集中在模型的参数调整上。
第二方面。
请参阅图4-5，本发明一实施例提供一种手机银行客户流失预警系统，包括：
客户查询模块10，用于获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户。
数据查询模块20，用于获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据。
在某一具体实施方式中，所述数据查询模块20，还用于：
获取所述流失客户的第二预设天数内的用户数据；其中，所述第二预设天数为所述第一预设天数的整数倍；所述用户数据，包括：客户基本信息、借记卡流水、信用卡流水、资产管理数据。
数据划分模块30，用于将所述特征数据按照预设比例划分为训练数据及验证数据。
模型训练模块40，用于通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练。
在某一具体实施方式中，所述模型训练模块40，还用于：
获取自动化参数调整包，通过所述自动化参数调整包中的参数调整所述手机银行客户流失预警模型。
模型验证模块50，用于将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。
在某一具体实施方式中，还包括：
特征扩展模块60，用于对所述特征数据进行特征之间的组合计算，完成特征扩展。
第三方面。
本发明提供了一种电子设备，该电子设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的一种手机银行客户流失预警方法对应的操作。
在一个可选实施例中提供了一种电子设备，如图6所示，图6所示的电子设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，电子设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001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5001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5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图6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5003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5003用于存储执行本申请方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质，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本申请第一方面所示的一种手机银行客户流失预警方法。
本申请的又一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，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种手机银行客户流失预警方法，其特征在于，包括：
获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户；
获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据；
将所述特征数据按照预设比例划分为训练数据及验证数据；
通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练；
将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。
2.如权利要求1所述的一种手机银行客户流失预警方法，其特征在于，所述对所述用户数据进行特征提取，得到特征数据之后，还包括：
对所述特征数据进行特征之间的组合计算，完成特征扩展。
3.如权利要求1所述的一种手机银行客户流失预警方法，其特征在于，所述验证所述手机银行客户流失预警效果之后，还包括：
获取目标用户数据，将所述目标用户数据输入至所述手机银行客户流失预警模型中，对客户流失进行预警预判。
4.如权利要求1所述的一种手机银行客户流失预警方法，其特征在于，所述通过所述训练数据对所述手机银行客户流失预警模型进行训练，包括：
获取自动化参数调整包，通过所述自动化参数调整包中的参数调整所述手机银行客户流失预警模型。
5.如权利要求1所述的一种手机银行客户流失预警方法，其特征在于，所述获取所述流失客户的用户数据包括：
获取所述流失客户的第二预设天数内的用户数据；其中，所述第二预设天数为所述第一预设天数的整数倍；所述用户数据，包括：客户基本信息、借记卡流水、信用卡流水、资产管理数据。
6.一种手机银行客户流失预警系统，其特征在于，包括：
客户查询模块，用于获取客户手机银行登录数据，将第一预设天数内没有登录手机银行的客户定义为流失客户；
数据查询模块，用于获取所述流失客户的用户数据，对所述用户数据进行特征提取，得到特征数据；
数据划分模块，用于将所述特征数据按照预设比例划分为训练数据及验证数据；
模型训练模块，用于通过所述训练数据对所述手机银行客户流失预警模型进行训练，当训练误差值满足预设值时结束训练；
模型验证模块，用于将所述验证数据输入至训练后的手机银行客户流失预警模型，验证所述手机银行客户流失预警效果。
7.如权利要求6所述的一种手机银行客户流失预警系统，其特征在于，还包括：
特征扩展模块，用于对所述特征数据进行特征之间的组合计算，完成特征扩展。
8.如权利要求6所述的一种手机银行客户流失预警系统，其特征在于，还包括：
预警预判模块，用于获取目标用户数据，将所述目标用户数据输入至所述手机银行客户流失预警模型中，对客户流失进行预警预判。
9.如权利要求6所述的一种手机银行客户流失预警系统，其特征在于，模型训练模块，还用于：
获取自动化参数调整包，通过所述自动化参数调整包中的参数调整所述手机银行客户流失预警模型。
10.如权利要求6所述的一种手机银行客户流失预警系统，其特征在于，所述数据查询模块，还用于：
获取所述流失客户的第二预设天数内的用户数据；其中，所述第二预设天数为所述第一预设天数的整数倍；所述用户数据，包括：客户基本信息、借记卡流水、信用卡流水、资产管理数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110630423.1A CN113379452A (zh) | 2021-06-07 | 2021-06-07 | 一种手机银行客户流失预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110630423.1A CN113379452A (zh) | 2021-06-07 | 2021-06-07 | 一种手机银行客户流失预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379452A true CN113379452A (zh) | 2021-09-10 |
Family
ID=77576030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110630423.1A Pending CN113379452A (zh) | 2021-06-07 | 2021-06-07 | 一种手机银行客户流失预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379452A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278779A1 (en) * | 2005-12-30 | 2014-09-18 | Accenture Global Services Limited | Churn prediction and management system |
| CN105005909A (zh) * | 2015-06-17 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 预测流失用户的方法及装置 |
| CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN108830645A (zh) * | 2018-05-31 | 2018-11-16 | 厦门快商通信息技术有限公司 | 一种访客流失预测方法及系统 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN111932020A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 客户流失预测方法和装置 |
| CN112232833A (zh) * | 2020-09-11 | 2021-01-15 | 苏宁金融科技(南京)有限公司 | 流失会员客群数据预测方法、模型训练方法及装置 |
| CN112465544A (zh) * | 2020-11-25 | 2021-03-09 | 北京深演智能科技股份有限公司 | 用户流失预警的方法和装置 |
-
2021
- 2021-06-07 CN CN202110630423.1A patent/CN113379452A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278779A1 (en) * | 2005-12-30 | 2014-09-18 | Accenture Global Services Limited | Churn prediction and management system |
| CN105005909A (zh) * | 2015-06-17 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 预测流失用户的方法及装置 |
| CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN108830645A (zh) * | 2018-05-31 | 2018-11-16 | 厦门快商通信息技术有限公司 | 一种访客流失预测方法及系统 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN111932020A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 客户流失预测方法和装置 |
| CN112232833A (zh) * | 2020-09-11 | 2021-01-15 | 苏宁金融科技(南京)有限公司 | 流失会员客群数据预测方法、模型训练方法及装置 |
| CN112465544A (zh) * | 2020-11-25 | 2021-03-09 | 北京深演智能科技股份有限公司 | 用户流失预警的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019052234A1 (zh) | 产品算法自动化测试方法及应用服务器 | |
| CN111325617B (zh) | 基于文件的对账方法、装置、计算机设备和可读存储介质 | |
| US20200380524A1 (en) | Transaction feature generation | |
| CN112182250A (zh) | 勾稽关系知识图谱的构建方法、财务报表核查方法及装置 | |
| US11418611B2 (en) | Methods, apparatus, and systems for sending information | |
| CN109308660B (zh) | 一种征信评分模型评估方法、装置、设备及存储介质 | |
| WO2016016719A2 (en) | Online trading systems and methods | |
| CN112148880A (zh) | 一种客服对话语料聚类方法、系统、设备及存储介质 | |
| CN113379452A (zh) | 一种手机银行客户流失预警方法及系统 | |
| CN110059865B (zh) | 一种资源的优化处理方法及装置 | |
| CN112950225A (zh) | 一种客户类别确定方法、装置及存储介质 | |
| CN112084106B (zh) | 测试数据选取的方法、装置、计算设备及计算机存储介质 | |
| CN116703606B (zh) | 一种基于实时持仓分析的精细化固收资管投研一体化方法 | |
| CN114493821B (zh) | 数据核销方法、装置、计算机设备和存储介质 | |
| CN116843437A (zh) | 一种数据生成方法、装置及终端设备 | |
| CN115796900A (zh) | 一种基于区块链的企业评估方法和装置 | |
| CN112598422A (zh) | 交易风险评估方法、系统、设备及存储介质 | |
| CN117331983A (zh) | 贷款逾期数据的查找方法、装置、设备以及介质 | |
| CN115248697A (zh) | 系统灰度升级方法、装置、电子设备和存储介质 | |
| CN115689576A (zh) | 小微信贷线上反欺诈方法及装置 | |
| CN116561018A (zh) | 一种业务系统造数方法、装置、终端设备及存储介质 | |
| CN116151964A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
| CN112669118A (zh) | 商户表的生成方法、装置、计算机设备及介质 | |
| CN114529396A (zh) | 一种数据处理方法、装置及电子设备 | |
| CN115358723A (zh) | 一种参数文件生成方法、装置、设备及存储介质 |
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 |