CN113379527A - 一种信用卡易睡眠客户的确定方法及装置 - Google Patents

Abstract

本发明提供一种信用卡易睡眠客户的确定方法及装置，获取信用卡客户在第一时长内的交易明细数据和客户资质信息；根据交易明细数据，确定信用卡客户在第一时长内的交易特征数据；根据交易特征数据和客户资质信息，确定信用卡客户对应的第一睡眠程度值；若第一睡眠程度值大于预设的睡眠程度阈值，则确定信用卡客户为信用卡易睡眠客户。该方案通过结合交易特征数据和客户资质信息，即可确定信用卡客户对应的第一睡眠程度值，当第一睡眠程度值大于预设的睡眠程度阈值，则确定信用卡客户为易睡眠客户，该方法可以判断一个客户是否为信用卡易睡眠客户，从而有助于精确掌握信用卡客户的信息。

Description

一种信用卡易睡眠客户的确定方法及装置

技术领域

本发明涉及数据分析技术领域，尤其涉及一种信用卡易睡眠客户的确定方法及装置。

背景技术

一般而言，信用卡睡眠卡指的是连续一定时长(如6个月以上)无持卡人主动发起的消费、存取现金、转账等金融交易(不含量结息、查询)，且存款余额在一定金额(如10元以下)的信用卡。如何使信用卡客户多用卡、用好卡，提升睡眠卡账户的活性水平，是当前发卡行面临的难题之一。信用卡睡眠卡对应的客户称为信用卡睡眠客户。

目前，现在技术存在判断信用卡客户是否为信用卡睡眠客户的方案，比如可以通过专家经验判断，但如何判断一个信用卡客户是否具有睡眠倾向，或理解为如何判断一个信用卡客户是否为信用卡易睡眠客户，目前还没有相应的解决方案。

发明内容

本发明提供一种信用卡易睡眠客户的确定方法及装置，用以解决现有技术存在无法监控信用卡客户的睡眠程度动态的问题。

第一方面，本发明实施例提供一种信用卡易睡眠客户的确定方法，该方法包括：获取信用卡客户在第一时长内的交易明细数据和客户资质信息；根据所述交易明细数据，确定所述信用卡客户在所述第一时长内的交易特征数据，所述交易特征数据用于表示所述信用卡客户在所述第一时长内的交易频繁程度和交易量；根据所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的第一睡眠程度值；若所述第一睡眠程度值大于预设的睡眠程度阈值，则确定所述信用卡客户为信用卡易睡眠客户。

基于该方案，通过对所获取的信用卡客户在第一时长内的交易明细数据的汇总统计得到交易特征数据，并结合客户资质信息，即可确定信用卡客户对应的第一睡眠程度值，当第一睡眠程度值大于预设的睡眠程度阈值，则确定信用卡客户为易睡眠客户。该方法可以判断一个客户是否为信用卡易睡眠客户，从而有助于精确掌握信用卡客户的信息。

在一种可能实现的方法中，若所述信用卡客户为信用卡易睡眠客户，根据所述信用卡客户对应的第一睡眠程度值，确定所述信用卡客户对应的睡眠程度波动值，所述睡眠程度波动值为所述第一睡眠程度值与第二睡眠程度值的差值，所述第二睡眠程度值用于表示所述信用卡客户在第二时长内的睡眠程度；根据所述睡眠程度波动值、所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的促活分值，所述促活分值用于表示所述信用卡客户需要被促活的程度。

基于该方案，在确定信用卡客户为易睡眠客户，进一步地，根据睡眠程度波动值、交易特征数据和客户资质信息可确定信用卡客户对应的促活分值，该值用于表示信用卡客户需要被促活的程度，值越大，表示信用卡客户需要被促活的程度越大，有助于为银行差异化营销挽留策略提供参考依据。

在一种可能实现的方法中，若所述信用卡客户为信用卡易睡眠客户，根据所述促活分值和预先划分的促活优先级等级，确定所述信用卡客户被促活的优先级。

基于该方案，在确定信用卡客户为易睡眠客户，进一步地，根据促活分值和预先划分的促活优先级等级，确定信用卡客户被促活的优先级，优先级越大，表示第一时间内应该对信用卡客户实行挽留策略，避免信用卡客户的流失。

在一种可能实现的方法中，所述客户资质信息包括性别、年龄、账龄、授信额度、年收入或教育程度中的一种或多种。

基于该方案，性别、年龄、账龄、授信额度、年收入和教育程度构成客户资质信息，通过对客户资质信息的统计，对于确定信用卡客户是否成为信用卡易睡眠户，具有重要意义。

在一种可能实现的方法中，所述交易特征数据包括近期总交易金额、近期总交易笔数、近期总交易天数或近期平均额度使用率中的一种或多种。

基于该方案，近期总交易金额、近期总交易笔数、近期总交易天数或近期平均额度使用率构成交易特征数据，通过对交易特征数据的汇总统计，对于确定信用卡客户是否成为信用卡易睡眠户，具有重要意义。

第二方面，本发明实施例提供一种信用卡易睡眠客户的确定装置，该装置包括：获取单元，用于获取信用卡客户在第一时长内的交易明细数据和客户资质信息；交易特征数据确定单元，用于根据所述交易明细数据，确定所述信用卡客户在所述第一时长内的交易特征数据，所述交易特征数据用于表示所述信用卡客户在所述第一时长内的交易频繁程度和交易量；睡眠程度值确定单元，用于根据所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的第一睡眠程度值；信用卡易睡眠客户确定单元，用于若所述第一睡眠程度值大于预设的睡眠程度阈值，则确定所述信用卡客户为信用卡易睡眠客户。

基于该方案，通过对所获取的信用卡客户在第一时长内的交易明细数据的汇总统计得到交易特征数据，并结合客户资质信息，即可确定信用卡客户对应的第一睡眠程度值，当第一睡眠程度值大于预设的睡眠程度阈值，则确定信用卡客户为易睡眠客户。该方法可以判断一个客户是否为信用卡易睡眠客户，从而有助于精确掌握信用卡客户的信息。

在一种可能实现的方法中，所述信用卡易睡眠客户确定单元，还用于若所述信用卡客户为信用卡易睡眠客户，根据所述信用卡客户对应的第一睡眠程度值，确定所述信用卡客户对应的睡眠程度波动值，所述睡眠程度波动值为所述第一睡眠程度值与第二睡眠程度值的差值，所述第二睡眠程度值用于表示所述信用卡客户在第二时长内的睡眠程度；所述信用卡易睡眠客户确定单元，还用于根据所述睡眠程度波动值、所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的促活分值，所述促活分值用于表示所述信用卡客户需要被促活的程度。

基于该方案，在确定信用卡客户为易睡眠客户，进一步地，根据睡眠程度波动值、交易特征数据和客户资质信息可确定信用卡客户对应的促活分值，该值用于表示信用卡客户需要被促活的程度，值越大，表示信用卡客户需要被促活的程度越大，有助于为银行差异化营销挽留策略提供参考依据。

在一种可能实现的方法中，所述信用卡易睡眠客户确定单元，还用于若所述信用卡客户为信用卡易睡眠客户，根据所述促活分值和预先划分的促活优先级等级，确定所述信用卡客户被促活的优先级。

基于该方案，在确定信用卡客户为易睡眠客户，进一步地，根据促活分值和预先划分的促活优先级等级，确定信用卡客户被促活的优先级，优先级越大，表示第一时间内应该对信用卡客户实行挽留策略，避免信用卡客户的流失。

在一种可能实现的方法中，所述客户资质信息包括性别、年龄、账龄、授信额度、年收入或教育程度中的一种或多种。

基于该方案，性别、年龄、账龄、授信额度、年收入和教育程度构成客户资质信息，通过对客户资质信息的统计，对于确定信用卡客户是否成为信用卡易睡眠户，具有重要意义。

在一种可能实现额方法中，所述交易特征数据包括近期总交易金额、近期总交易笔数、近期总交易天数或近期平均额度使用率中的一种或多种。

基于该方案，近期总交易金额、近期总交易笔数、近期总交易天数或近期平均额度使用率构成交易特征数据，通过对交易特征数据的汇总统计，对于确定信用卡客户是否成为信用卡易睡眠户，具有重要意义。

第三方面，本发明实施例提供了一种计算设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如第一方面任一所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一所述的方法。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种确定信用卡易睡眠客户的确定方法；

图2为本发明实施例提供的一条交易明细数据的示意图；

图3为本发明提供的一种确定信用卡易睡眠客户的确定装置。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例提供的一种确定信用卡易睡眠客户的确定方法，该方法包括以下步骤：

步骤101，获取信用卡客户在第一时长内的交易明细数据和客户资质信息。

交易明细数据指的是信用卡客户在信用卡使用期间所发生的交易流水信息，包括但不限于以下交易行为所产生的交易流水信息：消费、取现、分期和还款。进一步地，一条交易明细数据所涵盖的具体项目包括但不限于以下内容：交易金额、交易商户、交易日期、交易时间、交易地址、交易渠道。

可选的，所述客户资质信息包括性别、年龄、账龄、授信额度、年收入或教育程度中的一种或多种。

其中，由于信用卡客户对信用卡的操作，比如还款，所形成的交易明细数据被存储于数据存储平台中，由此，数据存储平台中存储有信用卡客户全部的历史交易明细数据；数据存储平台中同样存储有信用卡客户的客户资质信息，其中可以在信用卡客户首次办理信用卡时对其客户资质信息进行采集，也允许信用卡客户后期对其客户资质信息进行补充与调整。

步骤102，根据所述交易明细数据，确定所述信用卡客户在所述第一时长内的交易特征数据，所述交易特征数据用于表示所述信用卡客户在所述第一时长内的交易频繁程度和交易量。

根据信用卡睡眠卡的定义，所述第一时长可以为距数据采集时间点最近的一段时长(如6个月等)。

可选的，所述交易特征数据包括近期总交易金额、近期总交易笔数、近期总交易天数或近期平均额度使用率中的一种或多种。

其中，近期总交易金额指的是第一时长内的交易明细数据中的金额的总和，近期总交易笔数指的是第一时长内的发生交易明细数据的次数，近期总交易天数指的是第一时长内发生交易明细数据的天数。

根据已获取的第一时长内的交易明细数据，可以确定信用卡客户在该段时间内的交易特征数据，交易特征数据用于表示信用卡客户在第一时长内的交易频繁程度和交易量，其中，近期总交易笔数和近期总交易天数可以用于表示交易频繁程度，以及近期总交易金额用于表示交易量。

步骤103，根据所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的第一睡眠程度值。

第一睡眠程度值综合考虑信用卡客户在第一时长内对信用卡的使用情况，第一睡眠程度值越大，表示信用卡客户在很大程度上会蜕变成信用卡睡眠户。

步骤104，若所述第一睡眠程度值大于预设的睡眠程度阈值，则确定所述信用卡客户为信用卡易睡眠客户。

作为示例，假设信用卡客户的第一睡眠程度值为67％，预设的睡眠程度阈值为50％，由于信用卡客户的第一睡眠程度大于预设的睡眠程度阈值，则可以确定信用卡客户为信用卡易睡眠客户。

基于该方案，通过对所获取的信用卡客户在第一时长内的交易明细数据的汇总统计得到交易特征数据，并结合客户资质信息，即可确定信用卡客户对应的第一睡眠程度值，当第一睡眠程度值大于预设的睡眠程度阈值，则确定信用卡客户为易睡眠客户。该方法可以判断一个客户是否为信用卡易睡眠客户，从而有助于精确掌握信用卡客户的信息。

可选的，若所述信用卡客户为信用卡易睡眠客户，在上述步骤104之后，还可以根据所述信用卡客户对应的第一睡眠程度值，确定所述信用卡客户对应的睡眠程度波动值，所述睡眠程度波动值为所述第一睡眠程度值与第二睡眠程度值的差值，所述第二睡眠程度值用于表示所述信用卡客户在第二时长内的睡眠程度；根据所述睡眠程度波动值、所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的促活分值，所述促活分值用于表示所述信用卡客户需要被促活的程度。

在确定信用卡客户为信用卡易睡眠客户后，则进一步确定信用卡客户对应的睡眠程度波动值。可以理解的是，在确定信用卡客户为信用卡易睡眠客户后，同样可以根据确定信用卡客户为信用卡易睡眠客户的方式，来确定信用卡客户在第二时长内的第二睡眠程度值，其中，第二时长早于第一时长，比如第一时长为2019年7月1日至2019年12月31日，那么第二时长可以为2019年6月1日至2019年11月30日，也可以为2019年5月1日至2019年10月31日,还可以为2019年4月1日至2019年9月30日，那么则可以确定信用卡客户对应的睡眠程度波动值，通过将第一睡眠程度值与第二睡眠程度值取差值，即可获取信用卡客户对应的睡眠程度波动值。

根据睡眠程度波动值、交易特征数据和客户资质信息，可以确定信用卡客户对应的促活分值，该促活分值用于表示信用卡客户需要被促活的程度。

可选的，若所述信用卡客户为信用卡易睡眠客户，根据所述促活分值和预先划分的促活优先级等级，确定所述信用卡客户被促活的优先级。

在确定信用卡客户为信用卡易睡眠客户后，根据第一睡眠程度值以及其他因素，比如第二睡眠程度值、交易特征数据和客户资质信息，确定信用卡客户对应的促活分值；由于事先已经根据促活分值划分出促活优先级等级，则根据信用卡客户对应的促活分值确定信用卡客户被促活的优先级。比如促活分值为0-10分时，其促活优先级等级为1，比如促活分值为10-20分(不包括10分)时，其促活优先级等级为2，促活分值为20-30分(不包括20分)时，其促活优先级等级为3，比如促活分值为30-40分(不包括30分)时，其促活优先级等级为4，促活分值为40-50分(不包括40分)时，其促活优先级等级为5，比如促活分值为50-60分(不包括50分)时，其促活优先级等级为6，促活分值为60-70分(不包括60分)时，其促活优先级等级为7，比如促活分值为70-80分(不包括70分)时，其促活优先级等级为8，促活分值为80-90分(不包括80分)时，其促活优先级等级为9，比如促活分值为90-100分(不包括90分)时，其促活优先级等级为10，且促活优先级等级越大，信用卡客户需要被促活的程度越大；另外有两个信用卡易睡眠客户，分别为A和B，A对应的促活分值为55分，B对应的促活分值为88分，则A和B分别对应的促活优先级等级为6和9，则，说明，相比于A，B需要被促活的程度越大，也即信用卡的发卡行需要在第一时间内对B施行营销挽留策略，而不是对A施行营销挽留策略。

接下来，将在一个具体的例子中说明本发明实施例的方案。

以下示例中，通过训练睡眠倾向预测模型，待睡眠倾向预测模型训练完成后，使用该睡眠倾向预测模型来预测每个信用卡客户的睡眠程度值，进而当某个信用卡客户的睡眠程度值大于预设的睡眠程度阈值，则进一步的确定相应的促活方案。

以下描述中，包括以下几个部分：

一、训练睡眠倾向预测模型

比如，Y银行拥有大量的信用卡客户，设截止至2019年12月31当天，Y银行的信用卡客户的数量为5000万(W)，且这5000W个信用卡客户的数据被存储于数据存储平台。采用抽样的方法，可以选择其中的200W个信用卡客户来训练睡眠倾向预测模型。

睡眠倾向预测模型的训练过程包括以下几个步骤：

步骤1、确定模型训练的训练集样本和测试集样本。

在训练睡眠倾向预测模型的过程中，例如可以通过随机划分方式将其中的180W个信用卡客户作为训练集样本，将余下的20W个信用卡客户作为测试集样本。

根据信用卡睡眠卡的定义，对于上述被抽样选中用于训练睡眠倾向预测模型的200W的信用卡客户来说，需要从数据存储平台中获取这200W个信用卡客户在过去的6个月中的数据；进一步地，本发明实施例中将数据定义为交易明细数据和客户资质信息。

举个例子，设周先生为上述200W信用卡客户中的其中一位信用卡客户，则需要从数据存储平台中获取周先生在2019年7月1日至2019年12月31日这整6个月内的交易明细数据和他的客户资质信息。

其中，交易明细数据指的是信用卡客户在信用卡使用期间所发生的交易流水信息，包括但不限于以下交易行为所产生的交易流水信息：消费、取现、分期和还款。进一步地，一条交易明细数据所涵盖的具体项目包括但不限于以下内容：交易金额、交易商户、交易日期、交易时间、交易地址、交易渠道。如图2所示，为本发明实施例提供的一条交易明细数据的示意图，这条交易明细数据清楚地记载了周先生在2019年8月18日14:23分，通过POS_NO.1付款的方式、向上海市徐汇区广元西路315号的瑞幸咖啡店支付了68元人民币，用于购买其店内商品。

以上，仅描述了周先生使用自己在Y银行办理的信用卡进行消费时所产生的一条交易明细数据，对于周先生使用该信用卡进行其他交易行为时所产生的交易明细数据都可以参考图1的方式进行生成；然后，由于数据存储平台中存储有Y银行全部客户的数据，因此，从数据存储平台中可以获取周先生在2019年7月1日至2019年12月31日这整6个月内的关于该信用卡的全部交易明细数据。

客户资质信息包括但不限于以下内容：性别、出生日期、账龄、授信额度、年收入、教育程度。可以理解的是，关于数据存储平台如何采集并存储信用卡客户的个人信息问题，可以由数据存储平台在客户首次办理信用卡时，对客户的个人信息进行采集并存储，也可以后期由数据存储平台根据客户调整已办理业务时，对客户的个人信息进行采集并存储，或者是根据已采集的客户的个人信息生成的(如账龄)，或者是这三种方式的结合，对此，本发明不做限定。

举个例子，通过数据存储平台，可以获取周先生的个人信息。比如，姓名：周**，性别：男，出生日期：1989年12月14日，账龄：889天，授信额度：2W元人民币，年收入:20W，最高学历：本科。

以上，仅将周先生作为一个具体的示例,来说明如何获取信用卡客户的交易明细数据和客户资质信息。对于被抽样选中用于训练睡眠倾向预测模型的200W客户中的除去周先生以外的信用卡客户，皆可以参考周先生的例子，来获取每一位客户在2019年7月1日至2019年12月31日这整6个月内的交易明细数据和他的客户资质信息，对此不再赘述。

步骤2、确定用于模型训练的特征数据。

对于训练睡眠倾向预测模型，通过对信用卡客户的交易明细数据进行汇总统计，以确定客户的交易特征数据。其中，交易特征数据的类目包括但不限于以下内容：近期总交易金额、近期总交易笔数、近期总交易天数、近期平均额度使用率。

举个例子，如前述的周先生，通过对周先生2019年7月1日至2019年12月31日这整6个月内的全部交易明细数据的获取，对获取到的全部交易数据进行汇总统计，确定出周先生在这整6个月内的总交易金额为12W元人民币，总交易笔数为200条，总交易天数为90天，平均额度使用率为12％。

又如，设张女士也为前述的200W信用卡客户中的其中一位信用卡客户，通过对张女士2019年7月1日至2019年12月31日这整6个月内的全部交易明细数据的获取，对获取到的全部交易数据进行汇总统计，确定出张女士在这整6个月内的总交易金额为2W元人民币，总交易笔数为20条，总交易天数为5天，平均额度使用率为89％。

以上，仅将周先生和张女士分别作为一个具体的示例，来说明如何根据客户在设定时间内所产生交易明细数据确定客户的交易特征数据，对于被抽样选中用于训练睡眠倾向预测模型的200W客户中的除去周先生和张女士以外信用卡客户，皆可以参考周先生和张女士的例子，来获取每一位客户在2019年7月1日至2019年12月31日这整6个月内的交易特征数据，对此不再赘述。

对于训练睡眠倾向预测模型，通过对信用卡客户的客户资质信息进行汇总统计，以再次确定客户资质信息。其中，客户资质信息包括但不限于以下内容：性别、年龄、账龄、授信额度、年收入和教育程度。

设对于周先生，当他在Y银行首次办理信用卡时，数据存储平台中存储的有关于他的出生日期是1989年12月14日，则截止至2019年12月31日，周先生的年龄为30周岁。当他在Y银行首次办理信用卡时，数据存储平台中存储的有关于他的年收入是15W元人民币，后期由于周先生实际薪资的增加，他对自己存储于Y银行数据存储平台中的年收入进行了调整，由原先的15W元人民币修改为20W元人民币。因而，将20W元人民币作为周先生的年收入，而不是将最初的15W元人民币作为周先生的年收入。从而，关于周先生的客户资质信息如下，姓名：周**，性别：男，年龄30周岁，账龄：889天，授信额度：2W元人民币，年收入:20W元人民币，最高学历：本科。

设对于张女士，通过对张女士的客户资质信息进行汇总统计，确认关于张女士的客户资质信息如下，姓名：张**，性别：女，年龄：21周岁，账龄256天，授信额度：0.6W元人民币，年收入：7.6W元人民币，最高学历：专科。

以上，仅将周先生和张女士作为一个具体的示例来说明如何确认客户资质信息，对于被抽样选中用于训练睡眠倾向预测模型的200W客户中的除去周先生和张女士以外信用卡客户，皆可以参考周先生和张女士的例子，来获取每一位客户在2019年7月1日至2019年12月31日这整6个月内的客户资质信息，对此不再赘述。

步骤3、利用已确定出的特征数据对模型进行训练。

本发明实施例中，例如可以选用Xgboost算法来构建睡眠倾向预测模型。将训练集样本的特征数据作为模型的输入，通过Xgboost算法对训练集样本的特征数据进行加工计算，则模型可以输出每个训练集样本对应的睡眠程度值，该值为一个概率值。其中，睡眠程度值越大，表示训练集样本在近期内成为一个信用卡睡眠客户的趋势加深，以防此类客户在近期内成为信用卡睡眠客户，Y银行对此类客户需要进行适当的促活营销活动。睡眠程度值越小，表示训练集样本在近期内不易成为一个信用卡睡眠客户，也即说明即使没有Y银行的促活营销活动，此类客户依然在很大程度上会继续使用自己的信用卡。

举个例子，如前述的周先生，其特征数据包括交易特征数据和客户资质信息两方面，具体的，交易特征数据包括总交易金额为12W元人民币，总交易笔数为200条，总交易天数为90天，平均额度使用率为12％；客户资质信息包括男性(性别)、30周岁(年龄)、889天(账龄)、2W元人民币(授信额度)、20W元人民币(年收入)、本科(最高学历)。则通过将上述有关于周先生的特征数据作为模型的输入，通过Xgboost算法对这些特征数据进行加工计算，设模型输出的关于周先生的睡眠程度值为22％；

又如前述的张女士，其特征数据包括交易特征数据和客户资质信息两方面，具体的，交易特征数据包括总交易金额为2W元人民币，总交易笔数为20条，总交易天数为5天，平均额度使用率为89％；客户资质信息包括女性(性别)、21周岁(年龄)、256天(账龄)、0.6W元人民币(授信额度)、7.6W元人民币(年收入)、专科(最高学历)。则通过将上述有关于张女士的特征数据作为模型的输入，通过Xgboost算法对这些特征数据进行加工计算，设模型输出的关于张女士的睡眠程度值为88％。

以上，仅将周先生和张女士作为一个具体的示例来说明如何根据客户的特征数据确定客户的睡眠程度值，对于被抽样选中用于训练睡眠倾向预测模型的200W客户中的除去周先生和张女士以外信用卡客户，皆可以参考周先生和张女士的例子，来获取每一位客户在近期内的睡眠程度值，对此不再赘述。

当所有的训练集样本(180W)通过睡眠倾向预测模型的计算，则对于每一个训练集样本，该预测模型都会确定出一个对应的睡眠程度值。进一步地，将所有的测试集样本(20W)输入睡眠倾向预测模型，则对于每一个测试集样本，该预测模型都会确定出一个对应的睡眠程度值，目的在于使用测试集样本对模型进行验证，以确定通过训练集样本训练得出的睡眠倾向预测模型的优劣。若测试集样本对模型的验证结果不理想，则重新训练睡眠倾向预测模型，如优化在模型训练过程中所设置的各种参数以及各种参数对应的值，同样，继续使用测试集样本对优化后的模型进行验证，直至所得到的睡眠倾向预测模型对训练集样本和测试集样本的睡眠程度的预测与训练集样本和测试集样本真实的睡眠程度趋于高度一致为止。

二、使用满足要求的训练后的睡眠倾向预测模型，来预测信用卡客户的睡眠程度值

设所训练得到的睡眠倾向预测模型，记为模型A，可以很好地对被抽样选中用于训练该模型的200W的信用卡客户的睡眠程度作出预测，那么针对每一位信用卡客户都会得到一个对应于自身的睡眠程度值。同理，由于这200W的信用卡客户是通过抽样的方式从Y银行的共5000W的信用卡客户中选出来的，因此，模型A可以被用于对Y银行的共5000W的信用卡客户中的每一位信用卡客户的睡眠程度作出预测，从而得到对应于每一位信用卡客户的睡眠程度值。

为了从Y银行全部的信用卡客户中(5000W)确定出近期内极有可能成为信用卡睡眠客户的客户，可以基于专家经验，将一个特定的睡眠程度值作为划分信用卡易睡眠客户与信用卡不易睡眠客户的分界线，该特定的睡眠程度值可以称为睡眠程度阈值，比如可以为40％：当信用卡客户的睡眠程度值大于40％时，则确认该信用卡客户为信用卡易睡眠客户，如前述张女士的睡眠程度值为88％，则确认张女士为信用卡易睡眠客户；当信用卡客户的睡眠程度值小于40％时，则确认该信用卡客户为信用卡不易睡眠客户，如前述周先生的睡眠程度值为22％，则确认周先生为信用卡不易睡眠客户。

因此，当通过模型A对Y银行全部的信用卡客户(5000W)在近期内的睡眠程度作出预测，得到对应于每一位信用卡客户的睡眠程度值；进一步地，根据一个特定的睡眠程度值，也即睡眠程度阈值，例如40％，作为划分信用卡易睡眠客户与信用卡不易睡眠客户的标准，可以统计出Y银行全部的信用卡客户分别有多少信用卡易睡眠客户与信用卡不易睡眠客户。比如，通过对5000W信用卡客户的睡眠程度值进行统计，其中的4250W信用卡客户为信用卡不易睡眠客户，其中的750W信用卡客户为信用卡易睡眠客户。

在确定Y银行全部的信用卡客户中存在有750W信用卡客户为信用卡易睡眠客户后，为了防止这些信用卡易睡眠客户在近期内真的蜕变成信用卡睡眠客户，Y银行需要对这些信用卡易睡眠客户进行营销，促进信用卡易睡眠客户多多用卡，以增强客户用卡黏性。

三、信用卡易睡眠客户的促活方案

由于每一位信用卡易睡眠客户之间都存在着不同程度的差异，因此对不同的信用卡易睡眠客户实行不同的促活营销策略显得尤为重要。基于此，本发明实施例提供一种信用卡易睡眠客户的促活优先级的评判方法，该方法包括以下步骤：

步骤1，提取信用卡易睡眠客户近期睡眠程度波动值、交易特征数据和客户资质信息。

对于信用卡易睡眠客户近期睡眠程度波动值，在此以一个具体的例子进行说明。如前述的张女士，通过模型A对张女士在2019年7月1日至2019年12月31日这整6个月时间内的交易特征数据与客户资质信息的加工计算，确定张女士处于2019年12月份这一观测节点时的睡眠程度值为88％，属于信用卡易睡眠客户；同理，对于张女士，通过模型A对张女士在2019年6月1日至2019年11月30日这整6个月时间内的交易特征数据与客户资质信息的加工计算，则可以确定张女士处于2019年11月份这一观测节点时的睡眠程度值，如为80％；同理，对于张女士，通过模型A对张女士在2019年5月1日至2019年10月31日这整6个月时间内的交易特征数据与客户资质信息的加工计算，则可以确定张女士处于2019年10月份这一观测节点时的睡眠程度值，如为75％；同理，对于张女士，通过模型A对张女士在2019年4月1日至2019年9月30日这整6个月时间内的交易特征数据与客户资质信息的加工计算，则可以确定张女士处于2019年9月份这一观测节点时的睡眠程度值，如为73％；对于张女士在其他月份作为观测节点时的睡眠程度值的计算可以参考12月份、11月份、10月份和9月份这四个月份的情形，对此不再赘述。

设当前的时间节点为2019年12月31日，则对于信用卡易睡眠客户的张女士来说，其最近一个月的睡眠程度波动值即为12月份睡眠程度值与11月份睡眠程度值的差值，为8％；其最近两个月的睡眠程度波动值即为12月份睡眠程度值与10月份睡眠程度值的差值，为13％；其最近三个月的睡眠程度波动值即为12月份睡眠程度值与9月份睡眠程度值的差值，为15％。

基于上述张女士的例子，则对于由模型A在2019年12月份预测出的750W信用卡易睡眠客户，可以获取其中每一位信用卡易睡眠客户的近期睡眠程度波动值。

对于步骤1中提取信用卡易睡眠户的交易特征数据和客户资质信息的方法在此不赘述。

步骤2，对步骤1中所提取的信用卡易睡眠客户的数据进行促活分值计算，并得到信用卡易睡眠客户对应的促活分值。其中，信用卡易睡眠客户的促活分值越高，则说明需对该客户进行优先促活。

下面以一个例子进行说明。

设将信用卡易睡眠客户最近两个月的睡眠程度波动值作为计算促活分值的一项内容，则对于张女士这位信用卡易睡眠客户，其最近两个月的睡眠程度波动值即为12月份睡眠程度值与10月份睡眠程度值的差值，为13％；其在2019年7月1日至2019年12月31日这整6个月内的交易特征数据和客户资质信息分别如下：总交易金额为2W元人民币，总交易笔数为20条，总交易天数为5天，平均额度使用率为89％，性别：女，年龄：21周岁，账龄256天，授信额度：0.6W元人民币，年收入：7.6W元人民币，最高学历：专科。通过将张女士的以上信息作为计算其促活分值的各种项目，计算得到张女士在12月份这一观测节点的促活分值。具体地，可以对张女士的以上信息中每一种项目赋予一定的权重值，并将对所有项目的计算后得到加和作为张女士的促活分值。如得到张女士在12月份这一观测节点的促活分值为67分。

设丁先生为750W信用卡易睡眠客户中的一位信用卡易睡眠客户，则对于丁先生这位信用卡易睡眠客户，同样可确定其最近两个月的睡眠程度波动值，如他在12月份的睡眠程度值为92％，他在10月份的睡眠程度值为77％，则其在最近两个月的睡眠程度波动值为-15％；其在2019年7月1日至2019年12月31日这整6个月内的交易特征数据和客户资质信息分别如下：总交易金额为18W元人民币，总交易笔数为120条，总交易天数为60天，平均额度使用率为15％，性别：男，年龄：35周岁，账龄467天，授信额度：3W元人民币，年收入：30W元人民币，最高学历：硕士。通过将丁先生的以上信息作为计算其促活分值的各种项目，计算得到丁先生在12月份这一观测节点的促活分值。具体地，采用与计算张女士在12月份的促活分值的相同计算方式，通过对丁先生以上信息的计算，得到丁先生在12月份这一观测节点的促活分值，如为95分。

在确定信用卡易睡眠客户对应的促活分值后，还可以将信用卡易睡眠客户划分至不同的促活优先级等级，比如促活分值为0-10分时，其促活优先级等级为1，比如促活分值为10-20分(不包括10分)时，其促活优先级等级为2，促活分值为20-30分(不包括20分)时，其促活优先级等级为3，比如促活分值为30-40分(不包括30分)时，其促活优先级等级为4，促活分值为40-50分(不包括40分)时，其促活优先级等级为5，比如促活分值为50-60分(不包括50分)时，其促活优先级等级为6，促活分值为60-70分(不包括60分)时，其促活优先级等级为7，比如促活分值为70-80分(不包括70分)时，其促活优先级等级为8，促活分值为80-90分(不包括80分)时，其促活优先级等级为9，比如促活分值为90-100分(不包括90分)时，其促活优先级等级为10，且随着促活优先级等级越大(即促活优先级等级对应的数字越大)，信用卡客户需要被促活的程度越大；针对张女士和丁先生这两位信用卡易睡眠客户，丁先生对应的促活分值为95分，张女士对应的促活分值为67分，则丁先生和张女生分别对应的促活优先级等级为10和7，则，说明，相比于张女士，丁先生需要被促活的程度越大，也即信用卡的发卡行需要在第一时间内对丁先生施行营销挽留策略，而不是对张女士施行营销挽留策略。

通过对张女士和丁先生的促活分值的比较，由于丁先生的促活分值对应的优先级等级高于张女士，则可确定需对丁先生进行优先促活。可以理解的是，仅需要少量的促活营销活动，即可确保丁先生不会成为信用卡睡眠客户；相比之下，需要大量的促活营销活动，才可确保张女士不会成为信用卡睡眠客户。

基于同样的构思，本发明实施例提供一种信用卡易睡眠客户的确定装置，如图3所示，该装置包括：

获取单元301，用于获取信用卡客户在第一时长内的交易明细数据和客户资质信息；

交易特征数据确定单元302，用于根据所述交易明细数据，确定所述信用卡客户在所述第一时长内的交易特征数据，所述交易特征数据用于表示所述信用卡客户在所述第一时长内的交易频繁程度和交易量；

睡眠程度值确定单元303，用于根据所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的第一睡眠程度值；

信用卡易睡眠客户确定单元304，用于若所述第一睡眠程度值大于预设的睡眠程度阈值，则确定所述信用卡客户为信用卡易睡眠客户。

进一步地，对于所述装置，所述信用卡易睡眠客户确定单元304，还用于若所述信用卡客户为信用卡易睡眠客户，根据所述信用卡客户对应的第一睡眠程度值，确定所述信用卡客户对应的睡眠程度波动值，所述睡眠程度波动值为所述第一睡眠程度值与第二睡眠程度值的差值，所述第二睡眠程度值用于表示所述信用卡客户在第二时长内的睡眠程度；所述信用卡易睡眠客户确定单元304，还用于根据所述睡眠程度波动值、所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的促活分值，所述促活分值用于表示所述信用卡客户需要被促活的程度。

进一步地，对于所述装置，所述信用卡易睡眠客户确定单元304，还用于若所述信用卡客户为信用卡易睡眠客户，根据所述促活分值和预先划分的促活优先级等级，确定所述信用卡客户被促活的优先级。

进一步地，对于所述装置，所述客户资质信息包括性别、年龄、账龄、授信额度、年收入或教育程度中的一种或多种。

进一步地，对于所述装置，所述交易特征数据包括近期总交易金额、近期总交易笔数、近期总交易天数或近期平均额度使用率中的一种或多种。

本发明实施例提供了一种计算设备，该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等。该计算设备可以包括中央处理器(Center Processing Unit，CPU)、存储器、输入/输出设备等，输入设备可以包括键盘、鼠标、触摸屏等，输出设备可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。

存储器，可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本发明实施例中，存储器可以用于执行信用卡易睡眠客户的确定方法的程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行信用卡易睡眠客户的确定方法。

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行信用卡易睡眠客户的确定方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种信用卡易睡眠客户的确定方法，其特征在于，包括：

获取信用卡客户在第一时长内的交易明细数据和客户资质信息；

根据所述交易明细数据，确定所述信用卡客户在所述第一时长内的交易特征数据，所述交易特征数据用于表示所述信用卡客户在所述第一时长内的交易频繁程度和交易量；

根据所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的第一睡眠程度值；

若所述第一睡眠程度值大于预设的睡眠程度阈值，则确定所述信用卡客户为信用卡易睡眠客户。

2.如权利要求1所述的方法，其特征在于，还包括：

若所述信用卡客户为信用卡易睡眠客户，根据所述信用卡客户对应的第一睡眠程度值，确定所述信用卡客户对应的睡眠程度波动值，所述睡眠程度波动值为所述第一睡眠程度值与第二睡眠程度值的差值，所述第二睡眠程度值用于表示所述信用卡客户在第二时长内的睡眠程度；

根据所述睡眠程度波动值、所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的促活分值，所述促活分值用于表示所述信用卡客户需要被促活的程度。

3.如权利要求2所述的方法，其特征在于，还包括：

若所述信用卡客户为信用卡易睡眠客户，根据所述促活分值和预先划分的促活优先级等级，确定所述信用卡客户被促活的优先级。

4.如权利要求1或2所述的方法，其特征在于，所述客户资质信息包括性别、年龄、账龄、授信额度、年收入或教育程度中的一种或多种。

5.如权利要求1或2所述的方法，其特征在于，所述交易特征数据包括近期总交易金额、近期总交易笔数、近期总交易天数或近期平均额度使用率中的一种或多种。

6.一种信用卡易睡眠客户的确定装置，其特征在于，包括：

获取单元，用于获取信用卡客户在第一时长内的交易明细数据和客户资质信息；

交易特征数据确定单元，用于根据所述交易明细数据，确定所述信用卡客户在所述第一时长内的交易特征数据，所述交易特征数据用于表示所述信用卡客户在所述第一时长内的交易频繁程度和交易量；

睡眠程度值确定单元，用于根据所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的第一睡眠程度值；

信用卡易睡眠客户确定单元，用于若所述第一睡眠程度值大于预设的睡眠程度阈值，则确定所述信用卡客户为信用卡易睡眠客户。

7.如权利要求6所述的装置，其特征在于，

所述信用卡易睡眠客户确定单元，还用于若所述信用卡客户为信用卡易睡眠客户，根据所述信用卡客户对应的第一睡眠程度值，确定所述信用卡客户对应的睡眠程度波动值，所述睡眠程度波动值为所述第一睡眠程度值与第二睡眠程度值的差值，所述第二睡眠程度值用于表示所述信用卡客户在第二时长内的睡眠程度；

所述信用卡易睡眠客户确定单元，还用于根据所述睡眠程度波动值、所述交易特征数据和所述客户资质信息，确定所述信用卡客户对应的促活分值，所述促活分值用于表示所述信用卡客户需要被促活的程度。

8.如权利要求7所述的装置，其特征在于，

所述信用卡易睡眠客户确定单元，还用于若所述信用卡客户为信用卡易睡眠客户，根据所述促活分值和预先划分的促活优先级等级，确定所述信用卡客户被促活的优先级。

9.一种计算设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如权利要求1-5任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的方法。

Images