CN113935780B - 基于生存分析的客户流失风险的预测方法、及其相关设备 - Google Patents

基于生存分析的客户流失风险的预测方法、及其相关设备 Download PDF

Info

Publication number
CN113935780B
CN113935780B CN202111262578.0A CN202111262578A CN113935780B CN 113935780 B CN113935780 B CN 113935780B CN 202111262578 A CN202111262578 A CN 202111262578A CN 113935780 B CN113935780 B CN 113935780B
Authority
CN
China
Prior art keywords
risk
survival
customer
analysis
group
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.)
Active
Application number
CN202111262578.0A
Other languages
English (en)
Other versions
CN113935780A (zh
Inventor
邱超乐
彭莉
潘敏
杨迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202111262578.0A priority Critical patent/CN113935780B/zh
Publication of CN113935780A publication Critical patent/CN113935780A/zh
Application granted granted Critical
Publication of CN113935780B publication Critical patent/CN113935780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种基于生存分析的客户流失风险的预测方法、装置、计算机设备及存储介质，所述方法包括获取预设观测时段内客群的产品买卖记录；根据所述购买记录与所述赎空记录建立生存时间的概率分布模型；通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析；将客群的业务场景结合客群流失的风险因素的分析结果确认最终入模客群；通过深度学习方法将入模的客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合并获得非线性拟合结果。此外，本申请还涉及区块链技术，分类体系树可存储于区块链中。本申请推荐的客户挽留策略更匹配，提高捕捉风险因素的灵敏度，提升分析精度以及分析结果的准确性。

Description

基于生存分析的客户流失风险的预测方法、及其相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于生存分析的客户流失风险的预测方法、装置、计算机设备及存储介质。
背景技术
生存分析是对一个或多个非负随机变量进行统计推断，研究生存现象和响应时间数据及其统计规律的一门学科。生存分析既考虑结果又考虑生存时间的一种统计方法，并可充分利用截尾数据所提供的不完全信息，对生存时间的分布特征进行描述，对影响生存时间的主要因素进行分析。
在基金中的应用主要通过生存分析的比例风险模型(Cox)对客户进行流失预测建模，基于生存分析方法，需要定义观察时段，并将流失时间作为因变量进行建模，完成风险比例模型的参数估计，即可以得到客户在观察时段的任意时点的流失概率，针对高概率的客群进行挽留操作。然而现有技术生存时间为一段时间，而生存时间内的每个时间点客户的表现不明，因而无法确定传统模式下生存分析的分析结构的准确精度。
发明内容
本申请实施例的目的在于提出一种基于生存分析的客户流失风险的预测方法、装置、计算机设备及存储介质，以解决生存时间内的每个时间点客户的表现不明，因而无法确定传统模式下生存分析的分析结构的准确精度的问题。
为了解决上述技术问题，本申请实施例提供一种基于生存分析的客户流失风险的预测方法，采用了如下所述的技术方案：
获取预设观测时段内客群的产品买卖记录，其中，所述产品买卖记录包括购买记录与赎空记录；
根据所述购买记录与所述赎空记录建立生存时间的概率分布模型；
通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析；
将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数；
通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果；
根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送。
为了解决上述技术问题，本申请实施例还提供一种基于生存分析的客户流失风险的预测装置，采用了如下所述的技术方案：
记录获取模块，用于获取预设观测时段内客群的产品买卖记录，其中，产品买卖记录包括购买记录与赎空记录；
模型建立模块，用于根据所述购买记录与所述赎空记录建立生存时间的概率分布模型；
模型分析模块，用于通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析；
函数获取模块，用于将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数；
函数拟合模块，用于通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果；
方案获取模块，用于根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的基于生存分析的客户流失风险的预测方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于生存分析的客户流失风险的预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：获取预设观测时段内客群的产品买卖记录，根据所述购买记录与所述赎空记录建立生存时间的概率分布模型，以准确获取观测时段中每个生存时间节点的产品买卖记录，增加后续风险分析结果的精确度；通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析，以获取每个生存时间节点的生存因素风险；将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数，以针对性将产品的金融数据结果呈现；通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果，使得最终入模的客群的流失比例风险函数在对应的生存时间节点处的观测值与观测数据偏差的平方和达到最小；根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送，以对具有流失概率的客群进行挽回操作；从而实现了生存分析的结果更切合支撑客群的运营，能够根据客户的历史行为进行匹配切合客户的挽留策略，提高捕捉风险因素的灵敏度，再者加入深度学习进而提升分析精度以及分析结果的准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的基于生存分析的客户流失风险的预测方法的一个实施例的流程图；
图3是一个实施例中客户流失曲线图；
图4是一个实施例中构建网络结构图；
图5是图2中步骤S202的一种具体实施方式的流程图；
图6是根据本申请的基于生存分析的客户流失风险的预测装置的一个实施例的结构示意图；
图7是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104 和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、 MP4(MovingPictureExperts Group Audio LayerIV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、 103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于生存分析的客户流失风险的预测方法一般由服务器执行，相应地，基于生存分析的客户流失风险的预测装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于生存分析的客户流失风险的预测方法的一个实施例的流程图。所述的基于生存分析的客户流失风险的预测方法，包括以下步骤：
步骤S201，获取预设观测时段内客群的产品买卖记录，其中，产品买卖记录包括购买记录与赎空记录。
在本实施例中，基于生存分析的客户流失风险的预测方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端进行通信。需要指出的是，上述无线连接方式可以包括但不限于3G/4G 连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband) 连接、以及其他现在已知或将来开发的无线连接方式。
具体地，预设观测时段为客群在固定时间段内的基金操作情况，具体固定时间段可为1、2、3、4、5、6、7、8、9、10、11、12、24、36等持续增长的月份数中选取一个时间月份数作为用于观测的固定时间段，具体月份数的数量根据分析需求决定。其中，购买时间点与赎空时间均点在预设观测时段范围内任一交易时间点。
产品买卖记录包括购买记录与赎空记录，购买记录为客户持仓记录，赎空记录为客户在预设观测时段内为空仓或客户在观测的开始时间点就是空仓，其中，购买时间点与赎空时间点均在预设观测时段内，购买交易特征与赎空交易特征同时包括基于时序的产品交易规模和频率特征、属性特征、关键时点特征以及行为特征。在本实施例中，产品可以为股票和/或基金和/或大宗商品和/或区块链货币。
基于时序的产品交易规模和频率特征包括客户1/3/6/12个月内的申购、认购、回购、赎回的不同基金类型的次数和金额，根据对比客群即嘉实全量客群，核对流失率和回购率等指标；属性特征：购买类型或赎空类型、客户性别、客户年龄、客户学历、客户地理位置、客户职业、客户等级、客户来源渠道、客户风险等级特征、客户开户时间年份、客户资产情况；关键时点特征：最近营销渠道及响应标签、最后一次赎回交易时点的金额和收益等或最先一次购买交易时点的金额和收益；行为特征：交易APP活跃情况(最近登陆情况)、积分权益使用情况、免申购费使用次数、满减券使用次数。
需要强调的是，为进一步保证上述分类体系树的私密和安全性，上述分类体系树还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤S202，根据所述购买记录与所述赎空记录建立生存时间的概率分布模型。
具体地，通过购买时间点、购买交易特征、赎空时间点以及赎空交易特征建立系统化的数据模型，即生存时间的概率分布模型。方便后续的生存分析方法更细致地对生存时间的概率分布模型进行分类、细化以及数据筛选。在本实施例中主要通过KM(Kaplan-Meier)方法通过记录事件发生准确时间点得到生存时间，以及每个生存时间节点上的风险交易特征，将生存时间与风险交易特征建立生存时间的概率分布模型，进而实现对产品的生存时间的第一次分析，使得每个生存时间节点的危险因素分析更加精准。
步骤S203，通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析。
具体地，通过将每个生存时间节点的购买概率以及赎空概率的结合，获取该生存时间节点上的生存概率，根据生存时间节点的生存概率进行各生存因素的比重，根据各生存因素比重分析客群流失的风险因素分析。
例如上述生存因素进行分析具体为：客户先持仓后赎空，且在最终的观察日期时点表示空仓；客户表示先持仓后赎空，且回购在最终的观察日期时点表示持仓；客户表示进入观察时点时是空仓，且回购在最终的观察日期时点表示持仓；客户表示进入观察时点时是空仓，且回购，又赎空，在最终的观察日期时点表示空仓。汇总形成聚合数据表如下：
日期/人数 20180101 20180102 20180103 …… 20181231
0 1000 1134 1200 …… 6040
1 948 989 …… 1345
2 903 …… 1234
…… …… ……
356 130
步骤S204，将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数。
需要说明的是，客群的业务场景为根据用户当前持有产品的金融数据状态进行分类，例如：从未申购过的客户、销户客户、现持有客户以及是否申购赎回客户。在本申请中入模客群为确定入选生存时间与危险因素的关系模型的客群，具体根据分析需求确定优质客群还是流失客群进行选择入模客群，其中通过将客群的业务场景结合客群流失的风险因素分析结果是为了筛选不同客群对应的客群流失的风险因素分析结果以及入模的客群的流失比例风险函数，进而做到针对性产品的金融数据结果呈现。
根据模型的赎空时间和搭建好的截止时间前推18个月的持仓、交易数据构建基于赎回时间的R(Recency-近度)、F(Frequency-频度)和M(Monetary- 额度)衍生，分别针对金额、次数、不同交易类型、不同的持仓基金类型进行3、7、15、30、60、90、120、150和180天的时间窗口sum、max以及average 的聚合操作。将同一天赎空的客户的整体交易持仓数据作为市场交易动向的特征，并对比近半年内，不同时间窗基于半年水准的增长率情况，类似于将同一天赎空的客户构建关联关系，并基于其关联关系统计生存时间窗内的交易并映射至客户本身。
步骤S205，通过深度学习将所述最终入模客群的流失比例风险函数代入 Cox比例风险模型中进行非线性拟合，获得非线性拟合结果。
具体地，通过一个模型来分析生存时间的分布规律，以及风险因素对生存时间的影响，也就是Cox回归，Cox比例风险回归模型(Cox proportional hazards regressionmodel)，流失比例风险函数通过指数簇函数表示，其中h0(t) 是基础风险函数，风险函数描述的是目标在t时刻发生事件的风险，并假设所有的风险因素不随时间变化；
h(t,X)＝h0(t)exp(β1x1+β2x2+K+βmxm)
＝h0(t)exp(βX)
h0(t)表示基准风险率，即当所有自变量处于赋值为0状态时的研究对象发生终止事件的条件概率，该值由模型自身决定h(t,x)为在t时刻某基金的买卖状态，若基金在t时刻时基金已经被卖出即为终止事件，赋值为1，若在t时刻时基金没被卖出即事件继续则赋值为0。变量X表示所购买的某基金在第t时刻的盈亏状态，X＝1表示基金处于亏损状态，否则X＝0，如果X的细思β为负数则获得的结果显著，表明在所持有股票亏损的条件下，该股票被卖出的可能性显著小于在股票盈利时被卖出的可能性，表现为相对生存时间即持有时间更长可以验证效应的存在。
在本实施例中，给定一个实例t＝i时刻，我们用一个三元组来表示(Xi, δi,Ti)，其中Xi表示该实例的特征向量，Ti表示该实例的事件发生时间。
如果该实例发生了基金已经被卖出事件即为终止事件，那么Ti表示的是事件发生时间点到基准时间点之间的时间，同时δi＝1。如果该实例基金没被卖出即事件，那么Ti表示的是事件发生时间点到观察结束时间点的时间，同时δi＝0。
生存分析的研究目标为对一个新的实例Xj，来估计它所发生感兴趣事件的时间。通过极大似然参数估计，生成似然损失函数即Cox回归模型的模型表达式为：
并经过对数变换后，可以改写为
我们将参数β向量通过进行表示，并通过深度学习拟合即如下表达式：
并得出如图4所示的构建网络结构图。β是参数向量，β是通过最大化 cox部分似然得到的。第一个函数∑i:δi＝1表示配对中至少要有一个实例发生了事件；第二个函数∑j∈R(tj)表示配对中，另一个的记录时间Tj必须长于第一个实例事件发生时间；两个函数选择出了能够用于比较的所有配对组合。
其中，表示神经网络的输入层，通过深度学习方法得到我们的比例风险函数的参数，exp表示每个生存时间节点相对应的风险程度，使得原有的 Cox模型提升10％，其中构建网络参数如下：初始化参数优化，网络结构 256:128:16三层网络进行训练，迭代次数5000，学习率0.002；激活神经元 Rule。
非线性数据拟合问题通常分为两种情形进行处理，一种是利用变量代换，将其转为线性问题再求解。另一种是不能线性化的问题，处理起来比较麻烦，可以用MATLAB等程序来实现。具体实现方法有：设有生存时间节点，并寻找生存时间节点对应的最终入模的客群的流失比例风险函数，使得最终入模的客群的流失比例风险函数在对应的生存时间节点处的观测值与观测数据偏差的平方和达到最小。其中包括以下几个步骤：
首先做出生存时间节点分布图，确定入模的客群的流失比例风险函数类别；根据已知数据确定待定入模的客群的流失比例风险函数的初始值，用 MATLAB软件计算比例风险函数的参数；根据可决系数u，比较拟合结果。
步骤S206，根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送。
具体地，通过非线性拟合研究风险因素在入模的客群的流失比例的风险函数内风险因素的生存时间计算获取风险因素的生存率，根据风险因素的生存率反推获取影响风险因素的生存率的赎空交易特征，再针对赎空交易特征中包括的客户行为制定对应的解决方案，以对具有流失概率的客群进行挽回操作，当然挽回操作还可以包括根据客户关注的金融类型进行同类金融类型推送、根据客户查询的金融类型进行同类金融类型推送、根据客户的在金融类型的停留时间的长短进行相应的金融类型推送，或根据用户关注的事实进行相对应领域的金融类型推送。
本实施例中，获取预设观测时段内客群的产品买卖记录，根据所述购买记录与所述赎空记录建立生存时间的概率分布模型，以准确获取观测时段中每个生存时间节点的产品买卖记录，增加后续风险分析结果的精确度；通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析，以获取每个生存时间节点的生存因素风险；将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数，以针对性将产品的金融数据结果呈现；通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果，使得最终入模的客群的流失比例风险函数在对应的生存时间节点处的观测值与观测数据偏差的平方和达到最小；根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送，以对具有流失概率的客群进行挽回操作；从而实现了生存分析的结果更切合支撑客群的运营，能够根据客户的历史行为进行匹配切合客户的挽留策略，提高捕捉风险因素的灵敏度，再者加入深度学习进而提升分析精度以及分析结果的准确性。
进一步的，如图5所示，上述步骤S202可以包括：
步骤S2021：根据每个购买时间点以及对应购买时间点的购买交易记录分析购买概率；
本步骤主要是标记每个购买金融产品的购买时间点，获取该购买时间点用户的购买交易记录，其中，购买交易记录包括基于时序的产品交易规模和频率特征、属性特征、关键时点特征以及行为特征，根据购买交易记录计算客户购买意向并获得客户购买概率。
基于时序的产品交易规模和频率特征包括客户1/3/6/12个月内的申购、认购、回购、赎回的不同基金类型的次数和金额，根据对比客群即嘉实全量客群，核对流失率和回购率等指标；属性特征：购买类型或赎空类型、客户性别、客户年龄、客户学历、客户地理位置、客户职业、客户等级、客户来源渠道、客户风险等级特征、客户开户时间年份、客户资产情况；关键时点特征：最近营销渠道及响应标签、最后一次赎回交易时点的金额和收益等或最先一次购买交易时点的金额和收益；行为特征：交易APP活跃情况(最近登陆情况)、积分权益使用情况、免申购费使用次数、满减券使用次数。
步骤S2022：根据每个赎空时间点以及对应赎空时间点的赎空交易记录分析赎空概率；
标记每个赎空金融产品的赎空时间点，获取该赎空时间点用户的赎空交易记录，其中，赎空交易记录包括基于时序的产品交易规模和频率特征、属性特征、关键时点特征以及行为特征，根据赎空交易记录计算客户赎空意向并获得客户赎空概率。
步骤S2023：根据所述购买时间点至所述赎空时间点之间的持有天数、所述购买概率、所述赎空概率建立生存时间的概率分布模型。
需要说明的是，例如，客户A表示先持仓后赎空，且在最终的观察日期时点表示空仓；客户B表示先持仓后赎空，且回购在最终的观察日期时点表示持仓；客户C表示进入观察时点时是空仓，且回购在最终的观察日期时点表示持仓；客户D表示进入观察时点时是空仓，且回购，又赎空，在最终的观察日期时点表示空仓；汇总客户A、客户B、客户C、客户D持仓购买概率于赎空概率，并根据上表计算客户留存概率。
最终根据客户的赎空至回购之间间隔天数的天数分布绘图客户流失曲线，通过曲线的趋势定义观测时段L，如图3所示，例如当L为100天的时候，可满足82％的可观测流失客户的结果。
本实施例中，根据逐个分析购买时间点以及对应购买时间点的购买交易记录分析购买概率、赎空时间点以及对应赎空时间点的赎空交易记录分析赎空概率，使得后续生存分析时通过数据细化进而保证分析的准确性。
进一步的，上述步骤S203可以包括：
步骤S2031，汇总客群流失的风险因素的分析结果，并提取客群从赎空状态变化至回购状态所需天数，以客群从赎空状态变化至回购状态所需天数为基准绘制客户流失曲线。如图3所示，即可直观的看到每个生存时间节点的生存因素风险。在图3中主要以生存时间为100天为例，当生存时间为100 天的时，可满足82％的可观测流失客户的结果。
步骤S203还可以包括：
步骤S2032：通过生存分析方法分析所述生存时间的概率分布模型的参数，获得生存时间的概率分布规律；
生存分析中的参数估计方法主要是根据样本观测值来估计假定的分布模型中的参数，获得生存时间的概率分布规律，其中生存时间经常服从的分布有：指数分布、Weibull分布、对数正态分布、对数Logistic分布以及Gamma 分布。
步骤S2033：根据所述生存时间的概率分布规律，估算平均存活时间以及每个生存时间节点对应的生存因素；
在每个生存时间节点中都存在其对应的生存因素，例如，生存因素包括：客户持仓(持仓类型、持仓数量、持仓的资产占比、当前客户资产总量)、客户空仓(空仓数量、当前客户资产总量)、客户在观察时点开始时是空仓 (持续关注客户持有情况)。
步骤S2034：建立基于平均存活时间中每个生存时间节点对应生存因素分析之间的关系，并获取每个生存时间节点对应客群流失的风险因素的分析结果。
在本实施例中通过将每个生存时间节点的购买概率以及赎空概率的结合，获取该生存时间节点上的生存概率，根据生存时间节点的生存概率进行各生存因素的比重，根据各生存因素比重分析客群流失的风险因素分析。
例如上述生存因素进行分析具体为：客户先持仓后赎空，且在最终的观察日期时点表示空仓；客户表示先持仓后赎空，且回购在最终的观察日期时点表示持仓；客户表示进入观察时点时是空仓，且回购在最终的观察日期时点表示持仓；客户表示进入观察时点时是空仓，且回购，又赎空，在最终的观察日期时点表示空仓。将分析情况汇总，可绘制根据客户的赎空-回购天数的天数分布绘图客户流失曲线，即可直观的看到每个生存时间节点的生存因素风险。
本实施例中，根据获得生存时间的概率分布规律、估算平均存活时间以及每个生存时间节点对应的生存因素，使得后续获取的每个生存时间节点对应客群流失的风险因素分析结果更为准确。
进一步的，上述步骤S204包括：
步骤S2041：根据生存时间的时间节点设置时间节点分布图；
时间节点分布图根据生存时间的概率分布模型中的购买时间点与赎空时间点进行绘制时间节点分布图，其中，持有产品的金融数据的时间段内为生存时间，具体地：购买到赎空的时间段、持有到赎空的时间段、赎空到持有的时间段。
步骤S2042：根据客群的业务场景确定最终入模客群流失的风险因素的分析结果；
其中，每个客群的业务场景具有对应的客群流失的风险因素分析，在确定入模的客群后，根据入模客群的业务场景确定其对应的客群流失的风险因素分析。其中，客群的业务场景包括从未申购过的客户、销户客户、现持有客户以及是否申购赎回客户。
步骤S2043：将入模的客群流失的风险因素的分析结果以对应的生存时间的时间节点放置入时间节点分布图中，并生成最终入模的客群的流失比例风险函数。
Cox比例风险回归模型(Cox proportional hazards regression model)，入模的客群的流失比例风险函数通过指数簇函数表示，其中h0(t)是基础风险函数，入模的客群的流失比例风险函数函数描述的是目标在t时刻发生事件的客群流失风险，并假设所有客群流失的风险因素不随时间变化，故需分析在目标在t时刻发生客群流失的风险因素分析；之后根据已知数据确定待定入模的客群的流失比例风险函数的初始值，用MATLAB软件计算最佳参数；根据可决系数u，比较拟合结果。
本实施例中，通过筛选入模的客群并分析入模的客群流失的风险因素，进而更为准确地获取最终入模的客群的流失比例风险函数，提高流失比例风险的准确性。
进一步的，上述步骤S205可以包括：
步骤S2051：根据最终入模客群的流失比例风险函数提取最终入模客群流失的风险因素；将最终入模客群流失的风险因素以虚拟变量的形式代入Cox 比例风险模型中，检验非线性拟合结果是否存在；
观察基金盈亏变量X的系数β是否显著，若依旧显著说明再加入客群流失的风险因素后处置效应还是存在的，在根据各客群流失的风险因素的系数β与风险程度比exp(β)判客群流失的风险因素断是否显著。
步骤S2052：若非线性拟合结果存在，则判断非线性拟合结果是增强还是减弱；
步骤S20521：若非线性拟合结果为增强时，则判定产品的金融数据处于盈利状态；
步骤S20522：若非线性拟合结果为减弱时，则判定产品的金融数据处于亏损状态。
若系数β显著为负，相应的风险程度比exp(β)大于1，表明当基金处于亏损状态(赋值为1)的情况下，客群流失的风险因素处于被定义为1的状态时，更倾向于所述基金被继续持有，而当基金处于盈利状态(赋值为0) 的情况下，客群流失的风险因素处于被定义为1的状态时，更倾向于所述基金被卖出；即客群流失的风险因素处于赋值为1的状态下会增强处置效应，反之则减弱。其中，产品的金融数据可以为股票和/或基金和/或大宗商品和/ 或区块链货币。
步骤S2053：步骤S2051之后，若非线性拟合结果不存在，则在检验过程中自动排除掉所述最终入模客群流失的风险因素的虚拟变量。
主要是各影响因素的系数β和风险程度比exp(β)的影响因素并不显著，进而排除影响所述客群流失的风险因素的虚拟变量。
本实施例中，通过客群流失的风险因素以虚拟变量的形式结合Cox比例风险模型，进而检验非线性拟合结果是否存在，为后续提高制定挽留方案的匹配性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-On ly Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory， RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种基于生存分析的客户流失风险的预测装置的一个实施例，该装置实施例与图2 所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例所述的基于生存分析的客户流失风险的预测装置 300包括：记录获取模块301、模型建立模块302、模型分析模块303、函数获取模块304、函数拟合模块305以及方案获取模块306，其中：
记录获取模块301，用于获取预设观测时段内客群的产品买卖记录，其中，产品买卖记录包括购买记录与赎空记录；
模型建立模块302，用于根据所述购买记录与所述赎空记录建立生存时间的概率分布模型；
模型分析模块303，用于通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析；
函数获取模块304，用于将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数；
函数拟合模块305，用于通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果；
方案获取模块306，用于根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送。
本实施例中，获取预设观测时段内客群的产品买卖记录，根据所述购买记录与所述赎空记录建立生存时间的概率分布模型，以准确获取观测时段中每个生存时间节点的产品买卖记录，增加后续风险分析结果的精确度；通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析，以获取每个生存时间节点的生存因素风险；将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数，以针对性将产品的金融数据结果呈现；通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果，使得最终入模的客群的流失比例风险函数在对应的生存时间节点处的观测值与观测数据偏差的平方和达到最小；根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送，以对具有流失概率的客群进行挽回操作；从而实现了生存分析的结果更切合支撑客群的运营，能够根据客户的历史行为进行匹配切合客户的挽留策略，提高捕捉风险因素的灵敏度，再者加入深度学习进而提升分析精度以及分析结果的准确性。
在本实施例的一些可选的实现方式中，所述模型建立模块302包括：购买单元、赎空单元、曲线绘制单元，其中，
购买单元，用于根据每个购买时间点以及对应购买时间点的购买交易记录分析购买概率；
赎空单元，用于根据每个赎空时间点以及对应赎空时间点的赎空交易记录分析赎空概率；
曲线绘制单元，用于根据所述购买时间点至所述赎空时间点之间的持有天数、所述购买概率、所述赎空概率建立生存时间的概率分布模型。
本实施例中，根据逐个分析购买时间点以及对应购买时间点的购买交易记录分析购买概率、赎空时间点以及对应赎空时间点的赎空交易记录分析赎空概率，使得后续生存分析时通过数据细化进而保证分析的准确性。
在本实施例的一些可选的实现方式中，所述模型分析模块303包括：规律获取单元、估算单元、建立关系单元、汇总单元以及曲线绘制单元，其中：
规律获取单元，用于通过生存分析方法分析所述生存时间的概率分布模型的参数，获得生存时间的概率分布规律；
估算单元，用于根据所述生存时间的概率分布规律，估算平均存活时间以及每个生存时间节点对应的生存因素；
建立关系单元，用于建立基于平均存活时间中每个生存时间节点对应生存因素分析之间的关系，并获取每个生存时间节点对应客群流失的风险因素的分析结果；
汇总单元，用于汇总客群流失的风险因素的分析结果，并提取客群从赎空状态变化至回购状态所需天数；
曲线绘制单元，用于以客群从赎空状态变化至回购状态所需天数为基准绘制客户流失曲线。
本实施例中，根据获得生存时间的概率分布规律、估算平均存活时间以及每个生存时间节点对应的生存因素，使得后续获取的每个生存时间节点对应客群流失的风险因素分析结果更为准确。
在本实施例的一些可选的实现方式中，所述函数获取模块304包括：分布图设置单元、定模单元以及函数生成单元，其中:
分布图设置单元，用于根据生存时间的时间节点设置时间节点分布图；
定模单元，用于根据客群的业务场景确定最终入模的客群流失的风险因素的分析结果；
函数生成单元，用于将入模的客群流失的风险因素的分析结果以对应的生存时间的时间节点放置入时间节点分布图中，并生成最终入模的客群的流失比例风险函数。
本实施例中，通过筛选入模的客群并分析入模的客群流失的风险因素，进而更为准确地获取最终入模的客群的流失比例风险函数，提高流失比例风险的准确性。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray， FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41 还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于生存分析的客户流失风险的预测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42 通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于生存分析的客户流失风险的预测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43 通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述基于生存分析的客户流失风险的预测方法的步骤。此处基于生存分析的客户流失风险的预测方法的步骤可以是上述各个实施例的基于生存分析的客户流失风险的预测方法中的步骤。
本实施例中，获取表示数据资产分类体系的分类体系树，对分类体系树中的各父节点单独建立初始主题分类模型，以在每个父节点都实现准确分类；根据带有分类标签的训练数据集训练初始主题分类模型，得到与分类体系树相对应的数据资产分类模型，以实现数据表的自动分类；初始主题分类模型由若干个初级分类器集合而成，进一步保证了数据表分类的准确性；在应用时，对于存在默认分类的数据表，可通过分类映射字典以及数据表关联字典直接确定分类结果；根据分类结果和分类体系树可以自动生成数据资产目录，从而自动实现数据资产分类和数据资产目录生成，提高了数据资产目录的构建效率。
本申请还提供了另一种实施方式，即提供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读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于生存分析的客户流失风险的预测方法的步骤。
本实施例中，获取表示数据资产分类体系的分类体系树，对分类体系树中的各父节点单独建立初始主题分类模型，以在每个父节点都实现准确分类；根据带有分类标签的训练数据集训练初始主题分类模型，得到与分类体系树相对应的数据资产分类模型，以实现数据表的自动分类；初始主题分类模型由若干个初级分类器集合而成，进一步保证了数据表分类的准确性；在应用时，对于存在默认分类的数据表，可通过分类映射字典以及数据表关联字典直接确定分类结果；根据分类结果和分类体系树可以自动生成数据资产目录，从而自动实现数据资产分类和数据资产目录生成，提高了数据资产目录的构建效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (7)

1.一种基于生存分析的客户流失风险的预测方法，其特征在于，包括下述步骤：
获取预设观测时段内客群的产品买卖记录，其中，所述产品买卖记录包括购买记录与赎空记录；
根据所述购买记录与所述赎空记录建立生存时间的概率分布模型；
通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析；
将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数；
通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果；
根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送；
所述根据所述购买记录与所述赎空记录建立生存时间的概率分布模型的步骤包括：
根据每个购买时间点以及对应购买时间点的购买交易记录分析购买概率；
根据每个赎空时间点以及对应赎空时间点的赎空交易记录分析赎空概率；
根据所述购买时间点至所述赎空时间点之间的持有天数、所述购买概率、所述赎空概率建立生存时间的概率分布模型；
所述通过生存分析方法对所述生存时间的概率分布模型进行客群流失的风险因素分析的步骤包括：
通过生存分析方法分析所述生存时间的概率分布模型的参数，获得生存时间的概率分布规律；
根据所述生存时间的概率分布规律，估算平均存活时间以及每个生存时间节点对应的生存因素；
建立基于平均存活时间中每个生存时间节点对应生存因素分析之间的关系，并获取每个生存时间节点对应客群流失的风险因素的分析结果；
所述通过深度学习方法将最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，并获得非线性拟合结果的步骤包括：
根据最终入模客群的流失比例风险函数提取最终入模客群流失的风险因素；
将最终入模客群流失的风险因素以虚拟变量的形式代入Cox比例风险模型中，检验非线性拟合结果是否存在；
若非线性拟合结果存在，则判断非线性拟合结果是增强还是减弱；
若非线性拟合结果不存在，则在检验过程中自动排除掉所述最终入模客群流失的风险因素的虚拟变量。
2.根据权利要求1所述的基于生存分析的客户流失风险的预测方法，其特征在于，所述获取每个生存时间节点对应客群流失的风险因素的分析结果的步骤之后，包括下述步骤：
汇总客群流失的风险因素的分析结果，并提取客群从赎空状态变化至回购状态所需天数；
以客群从赎空状态变化至回购状态所需天数为基准绘制客户流失曲线。
3.根据权利要求1所述的基于生存分析的客户流失风险的预测方法，其特征在于，所述将客群的业务场景结合所述客群流失的风险因素分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数的步骤包括：
根据生存时间的时间节点设置时间节点分布图；
根据客群的业务场景确定最终入模客群流失的风险因素的分析结果；
将入模的客群流失的风险因素的分析结果以对应的生存时间的时间节点放置入时间节点分布图中，并生成最终入模客群的流失比例风险函数。
4.根据权利要求3所述的基于生存分析的客户流失风险的预测方法，其特征在于，所述若非线性拟合结果存在，则判断非线性拟合结果是增强还是减弱的步骤包括：
若非线性拟合结果为增强时，则判定产品的金融数据处于盈利状态；
若非线性拟合结果为减弱时，则判定产品的金融数据处于亏损状态。
5.一种基于生存分析的客户流失风险的预测装置，其特征在于，所述基于生存分析的客户流失风险的预测装置执行时实现如权利要求1至4中任一项所述的基于生存分析的客户流失风险的预测方法的步骤，所述基于生存分析的客户流失风险的预测装置包括：
记录获取模块，用于获取预设观测时段内客群的产品买卖记录，其中，产品买卖记录包括购买记录与赎空记录；
模型建立模块，用于根据所述购买记录与所述赎空记录建立生存时间的概率分布模型；
模型分析模块，用于通过生存分析对所述生存时间的概率分布模型进行客群流失的风险因素分析；
函数获取模块，用于将客群的业务场景结合所述客群流失的风险因素的分析结果确认最终入模客群，并获得所述最终入模客群的流失比例风险函数；
函数拟合模块，用于通过深度学习将所述最终入模客群的流失比例风险函数代入Cox比例风险模型中进行非线性拟合，获得非线性拟合结果;
方案获取模块，用于根据非线性拟合结果获取至少一个风险因素的生存率，根据所获取的风险因素的生存率获取对应的挽留方案并进行推送。
6.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至4中任一项所述的基于生存分析的客户流失风险的预测方法的步骤。
7.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的基于生存分析的客户流失风险的预测方法的步骤。
CN202111262578.0A 2021-10-28 2021-10-28 基于生存分析的客户流失风险的预测方法、及其相关设备 Active CN113935780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111262578.0A CN113935780B (zh) 2021-10-28 2021-10-28 基于生存分析的客户流失风险的预测方法、及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111262578.0A CN113935780B (zh) 2021-10-28 2021-10-28 基于生存分析的客户流失风险的预测方法、及其相关设备

Publications (2)

Publication Number Publication Date
CN113935780A CN113935780A (zh) 2022-01-14
CN113935780B true CN113935780B (zh) 2024-05-17

Family

ID=79284729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111262578.0A Active CN113935780B (zh) 2021-10-28 2021-10-28 基于生存分析的客户流失风险的预测方法、及其相关设备

Country Status (1)

Country Link
CN (1) CN113935780B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335138A (zh) * 2019-06-21 2019-10-15 上海淇馥信息技术有限公司 一种预测客群资质变化的风险预警方法、装置和电子设备
KR102009310B1 (ko) * 2018-10-15 2019-10-21 주식회사 에이젠글로벌 이상행위 요인 분석 시스템 및 분석 방법
CN111191894A (zh) * 2019-12-20 2020-05-22 上海淇玥信息技术有限公司 基于用户分类进行资源需求处理的方法、装置和电子设备
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
CN113254510A (zh) * 2021-07-06 2021-08-13 平安科技（深圳）有限公司 业务风险客群的识别方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009310B1 (ko) * 2018-10-15 2019-10-21 주식회사 에이젠글로벌 이상행위 요인 분석 시스템 및 분석 방법
CN110335138A (zh) * 2019-06-21 2019-10-15 上海淇馥信息技术有限公司 一种预测客群资质变化的风险预警方法、装置和电子设备
CN111191894A (zh) * 2019-12-20 2020-05-22 上海淇玥信息技术有限公司 基于用户分类进行资源需求处理的方法、装置和电子设备
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
CN113254510A (zh) * 2021-07-06 2021-08-13 平安科技（深圳）有限公司 业务风险客群的识别方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于人工智能的信用卡安全营销及应用;陈任峰;;信息安全研究;20180605(第06期);第84-88页 *
客户流失管理研究现状及展望;张珠香;骆念蓓;;计算机系统应用;20171215(第12期);第11-19页 *

Also Published As

Publication number Publication date
CN113935780A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
TWI788529B (zh) 基於ｌｓｔｍ模型的信用風險預測方法及裝置
CN110704730B (zh) 基于大数据的产品数据推送方法、系统及计算机设备
TW202022769A (zh) 風險辨識模型訓練方法、裝置及伺服器
CA3045736A1 (en) Digital banking platform and architecture
CN111695938B (zh) 产品推送方法及系统
CN112925911B (zh) 基于多模态数据的投诉分类方法及其相关设备
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
CN113887214B (zh) 基于人工智能的意愿推测方法、及其相关设备
Quirini et al. Creditworthiness dynamics and hidden Markov models
US11620267B2 (en) Entity classification using cleansed transactions
CN112241433A (zh) 产品的演示方法、装置、计算机设备及存储介质
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN117273968A (zh) 一种跨业务线产品的会计凭证生成方法及其相关设备
CN116596576A (zh) 目标推荐方法及装置
CN113935780B (zh) 基于生存分析的客户流失风险的预测方法、及其相关设备
CN116756419A (zh) 基于人工智能的信用卡权益推荐方法、装置、设备及介质
CN113706258B (zh) 基于组合模型的产品推荐方法、装置、设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN114298825A (zh) 还款积极度评估方法及装置
CN114529399A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN111882339A (zh) 预测模型训练及响应率预测方法、装置、设备及存储介质
CN112307334A (zh) 信息推荐方法、信息推荐装置、存储介质与电子设备
MUN et al. A customer credit Prediction Researched to Improve Credit Stability based on Artificial Intelligence
KR102486548B1 (ko) 판매 데이터를 통한 개선점 도출 방법
CN114240617A (zh) 业务请求处理方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant