CN114065050A - 产品推荐的方法、系统、电子设备和存储介质 - Google Patents
产品推荐的方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114065050A CN114065050A CN202111417413.6A CN202111417413A CN114065050A CN 114065050 A CN114065050 A CN 114065050A CN 202111417413 A CN202111417413 A CN 202111417413A CN 114065050 A CN114065050 A CN 114065050A
- Authority
- CN
- China
- Prior art keywords
- behavior data
- product
- user
- model
- data
- 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
Images
Classifications
-
- 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
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种产品推荐的方法,涉及人工智能领域,可应用于金融科技领域或其它领域,包括:根据待推荐产品的特征参数获取用户范围;获取用户范围的第一行为数据和第二行为数据,其中,第一行为数据为已持有待推荐产品用户的行为数据,第二行为数据为未持有待推荐产品用户的行为数据;根据第一行为数据进行模型筛选,得到目标模型;使用目标模型进行预测,输出关键行为数据;根据关键行为数据和第二行为数据,确定目标用户清单。本公开还提供了一种产品推荐的系统、电子设备和存储介质。
Description
技术领域
本公开涉及金融科技技术领域,具体涉及一种产品推荐的方法、系统、电子设备和存储介质。
背景技术
银行金融产品的营销一般依赖于用户的主动购买,或通过用户经理的口头推介,无法做到与产品设计时的目标用户精准匹配,且缺少技术手段来获取营销清单、精准锁定营销对象。
传统的推荐方法通常只对用户进行分析,往往忽略了产品本身的分析,有可能导致得到的营销范围不够准确,导致这种推荐方法的效果不理想。
发明内容
(一)要解决的技术问题
针对上述问题,本公开提供了一种产品推荐的方法、系统、电子设备和存储介质,用于至少部分解决传统推荐方法目标范围不够准确、推荐效果不理想等技术问题。
(二)技术方案
本公开一方面提供了一种产品推荐的方法,包括:根据待推荐产品的特征参数获取用户范围;获取用户范围的第一行为数据和第二行为数据,其中,第一行为数据为已持有待推荐产品用户的行为数据,第二行为数据为未持有待推荐产品用户的行为数据;根据第一行为数据进行模型筛选,得到目标模型;使用目标模型进行预测,输出关键行为数据;根据关键行为数据和第二行为数据,确定目标用户清单。
进一步地,根据待推荐产品的特征参数获取用户范围包括:获取待推荐产品的产品代码;根据产品代码对产品内容进行标准化处理,得到待推荐产品的特征参数;根据特征参数获取用户范围。
进一步地,获取第一行为数据和第二行为数据包括:获取用户范围的用户行为数据;从用户行为数据中筛选出已持有待推荐产品用户的行为数据和未持有待推荐产品用户的行为数据。
进一步地,获取根据第一行为数据进行模型筛选包括:从第一行为数据中选取第一比例的数据作为训练数据集,对预定模型分别进行模型训练;从第一行为数据中选取第二比例的数据作为验证数据集,获取每个预定模型的预测误差;根据预测误差的大小从预定模型中确定目标模型。
进一步地,获取根据第一行为数据进行模型筛选还包括:通过损失函数评估目标模型的预测值和真实值之间的差异大小;根据差异大小和奥卡姆剃刀原理,从目标模型中选择得到最优模型,最优模型作为优化后的目标模型。
进一步地,使用目标模型进行预测包括:将第一行为数据和第二行为数据输入目标模型;目标模型从第一行为数据和第二行为数据中进行回归分析,筛选出已持有待推荐产品用户的关键行为数据。
进一步地,根据关键行为数据和第二行为数据、确定目标用户清单包括:计算第二行为数据与关键行为数据的相似度;若相似度大于阈值,则该第二行为数据对应的用户为目标用户,根据目标用户确定目标用户清单。
进一步地,确定目标用户清单包括:向目标用户清单中的用户推荐待推荐产品。
进一步地,第一行为数据和第二行为数据包括交易行为数据、渠道行为数据、征信行为数据中的至少一种。
本公开另一方面提供了一种产品推荐的系统,包括:第一获取模块,用于根据待推荐产品的特征参数获取用户范围;第二获取模块,用于获取用户范围的第一行为数据和第二行为数据,其中,第一行为数据为已持有待推荐产品用户的行为数据,第二行为数据为未持有待推荐产品用户的行为数据;筛选模块,用于根据第一行为数据进行模型筛选,得到目标模型;预测模块,用于使用目标模型进行预测,输出关键行为数据;确定模块,用于根据关键行为数据和第二行为数据,确定目标用户清单。
本公开还有一方面提供了一种电子设备,包括:存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,使得处理器执行如前述的产品推荐的方法。
本公开还有一方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如前述的产品推荐的方法。
(三)有益效果
本公开提供的一种产品推荐的方法、系统、电子设备和存储介质,通过筛选最优大数据模型、对已购买该产品的用户进行回归分析,得到关键行为数据,再根据该关键行为数据从未购买该产品的用户中筛选出潜力用户,提升了产品的推广精准度、提高了营销效率、减少了无效客户的打扰;进一步,通过对产品的标准化处理,使得该方法可推广、可复制的应用到不同类型的产品推荐过程中,提高了推荐效率。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的产品推荐的方法的应用场景示意图;
图2示意性示出了根据本公开实施例的产品推荐的方法的流程图;
图3示意性示出了根据本公开实施例的根据待推荐产品的特征参数获取用户范围的方法流程图;
图4示意性示出了根据本公开实施例获取第一行为数据和第二行为数据的方法流程图;
图5示意性示出了根据本公开实施例获取根据第一行为数据进行模型筛选的方法流程图;
图6示意性示出了根据本公开实施例使用目标模型进行预测的方法流程图;
图7示意性示出了根据本公开实施例根据关键行为数据和第二行为数据、确定目标用户清单的方法流程图;
图8示意性示出了根据本公开实施例精准预测银行产品潜力客户的营销方法与工具的结构框图;
图9为示意性示出了根据本公开实施例营销产品标准化属性解析模块的结构框图;
图10示意性示出了根据本公开实施例客户行为标准化属性解析与存储模块的结构框图;
图11示意性示出了根据本公开实施例大数据模型筛选与回归模块的结构框图;
图12示意性示出了根据本公开实施例的结果输出与监督模块的结构框图;
图13示意性示出了根据本公开实施例的精准预测银行产品潜力客户的营销方法与工具的处理流程图;
图14示意性示出了根据本公开实施例的产品推荐的系统的方框图;
图15示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
基于传统产品推荐的方法的缺点,本公开的实施例提供了一种产品推荐的方法、系统、电子设备和存储介质,利用大数据模型算法回归分析,精准预测潜力客户;并通过对产品的标准化分析处理,使得该方法可推广、可复制的应用到不同类型的产品推荐中。
图1示意性示出了根据本公开实施例的可以应用于产品推荐的方法的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构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、搜索类应用、即时通信工具、社交平台软件等(仅为示例)。
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、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,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的产品推荐的方法一般可以由终端设备101、102、103和服务器105执行。相应地,本公开实施例所提供的产品推荐的系统一般可以设置于终端设备101、102、103和服务器105中。本公开实施例所提供的产品推荐的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的产品推荐的系统也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
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。
图2示意性示出了根据本公开实施例的产品推荐的方法的流程图。
如图2所示,该产品推荐的方法200可以包括操作S210~S250。
在操作S210,根据待推荐产品的特征参数获取用户范围。
根据本公开的实施例,待推荐产品可以是虚拟产品,也可以是实体产品,虚拟产品例如包括股票、基金、保险等金融产品,实体产品例如包括生活用品、电子产品等等,本实施例中以金融产品为例进行说明。待推荐产品的特征参数包括购买该产品需要达到的条件参数,例如起存金额要求、客户年龄要求、国籍要求等。根据该特征参数,可以获取符合该特征参数的用户范围,通过该步骤可以剔除大量与该待推荐产品关系不大的用户数据,也使得待推荐产品与用户更好地匹配,从而提升推荐效果。
在操作S220,获取用户范围的第一行为数据和第二行为数据,其中,第一行为数据为已持有待推荐产品用户的行为数据,第二行为数据为未持有待推荐产品用户的行为数据。
在本公开的实施例中,在获取用户的行为数据之前,可以获得用户的同意或授权。例如,在操作S220之前,可以向用户发出获取用户的第一行为数据和第二行为数据的请求。在用户同意或授权可以获取用户的第一行为数据和第二行为数据的情况下,执行所述操作S220。
根据本公开的实施例,在已筛选出与该待推荐产品相关的用户范围后,继续在该用户范围下,筛选出已购买该待推荐产品的用户和未购买该待推荐产品的用户,以这两类群体的历史行为数据作为后续步骤的分析基础。这里历史行为数据可以包括用户的历史操作行为,其行为类型包括但不限于浏览、搜索、点击产品、收藏、关注、分享、购买等;当然,历史行为数据中还包括有各历史行为的发生时间,以及各历史行为的行为对象产品,例如用户M在某年某月某日某时浏览了A、B、C三款金融产品,其中B是通过搜索的方式浏览,且购买了B产品,关注了C产品。购买行为数据例如具体可以包括账户状态、动账笔数等等。
在操作S230,根据第一行为数据进行模型筛选,得到目标模型。
根据本公开的实施例,根据筛选出已购买该待推荐产品的用户的行为数据,对预先构建好的模型进行验证。验证时,选取部分第一行为数据输入构建的模型,得到各模型的计算结果,可以根据各模型计算的各项指标来确定要选择的模型,具体地,可以根据模型对数据集的预测准确程度及损失函数来判定。
在操作S240,使用目标模型进行预测,输出关键行为数据。
根据本公开的实施例,可以使用全部第一行为数据或部分第一行为数据输入目标模型进行模型回归与训练,输出与该待推荐产品紧密相关的关键行为特征,例如全部第一行为数据中包括20个特征变量,这里的输出为其中相关的5个特征变量。
在操作S250,根据关键行为数据和第二行为数据,确定目标用户清单。
根据本公开的实施例,通过关键行为数据在未持有待推荐产品用户的行为数据中筛选出具有该特征变量特质的用户,即为目标用户。
通过本公开的上述实施例,针对不同产品的特征差异性,通过模型筛选得到目标模型,再使用相应的目标模型得到与产品匹配的关键行为特征,从而能够更加准确地筛选出潜力用户,提高了推荐效率。
图3示意性示出了根据本公开实施例的根据待推荐产品的特征参数获取用户范围的方法流程图。
如图3所示,根据待推荐产品的特征参数获取用户范围的方法包括:
在操作S211,获取待推荐产品的产品代码。
在使用该方法前,需要对待推荐产品进行代码登记,确保每一个款产品对应一个产品代码。
在操作S212,根据产品代码对产品内容进行标准化处理,得到待推荐产品的特征参数。
根据产品代码对产品内容进行标准化处理,自动获取产品参数。标准化处理主要是从产品本身的角度将产品特征标签化或组件化,便于后续同类型产品的设计与推广。产品参数主要是与用户购买行为相关的参数,例如前述的起存金额要求等等。
在操作S213,根据特征参数获取用户范围。
对产品内容进行解析后,根据得到的特征参数获取初步的用户范围,这里的用户范围既包括已持有产品的用户也包括未持有产品的用户,已持有的用户由于已经完成购买过程,其相关行为数据肯定是与该产品的特征参数相符合的,所以在该用户范围之内。同时,也将未持有产品的用户纳入到该用户范围之内,作为后续筛选的基础数据。
通过本公开的上述实施例,通过对产品的标准化处理过程,使得该方法可推广、可复制的应用到不同类型的产品推荐过程中,提高了推荐效率。
图4示意性示出了根据本公开实施例获取第一行为数据和第二行为数据的方法流程图。
如图4所示,该获取第一行为数据和第二行为数据的方法包括:
在操作S221,获取用户范围的用户行为数据。
在操作S222,从用户行为数据中筛选出已持有待推荐产品用户的行为数据和未持有待推荐产品用户的行为数据。
获取用户范围的用户行为数据,用于初步选出与该产品相关的用户数据,同时包括已持有用户和未持有用户。已持有待推荐产品用户的行为数据用于后续筛选出关键行为数据,未持有待推荐产品用户的行为数据用于根据关键行为数据筛选出目标用户。
举例说明,现有一款为期6个月的理财产品需要向潜力用户进行推荐,通过对产品内容进行标准化处理,得到待推荐产品的特征参数包括起存金额为5万,年龄要求18岁,国籍要求本国居民。根据该特征参数即可确定满足这3个条件的用户范围,获取该用户范围下的用户行为数据,包括已购买该产品的用户符合这3个条件,以及也符合这3个条件但还未购买该产品的用户,分别获取其行为数据。使用已购买该产品的用户行为数据为基础,通过模型筛选与回归分析,输出与购买行为相关的行为变量,即关键行为数据。根据该关键行为数据在符合这3个条件但还未购买该产品的用户中筛选目标用户,确定目标用户清单。
图5示意性示出了根据本公开实施例获取根据第一行为数据进行模型筛选的方法流程图。
如图5所示,该获取根据第一行为数据进行模型筛选的方法包括:
在操作S231,从第一行为数据中选取第一比例的数据作为训练数据集,对预定模型分别进行模型训练。
在操作S232,从第一行为数据中选取第二比例的数据作为验证数据集,获取每个预定模型的预测误差。
在操作S233,根据预测误差的大小从预定模型中确定目标模型。
举例说明,将获取的第一行为数据进行分组,其中80%的行为数据为训练集,20%的行为数据为验证集。将训练集的行为数据分别导入多个预设的模型中进行训练,训练完成之后,使用验证集的行为数据对训练完成的多个预设模型进行验证,并统计多个预设模型的预测误差,根据预测误差的大小选取目标模型。
在上述实施例的基础上,获取根据第一行为数据进行模型筛选还包括:通过损失函数评估目标模型的预测值和真实值之间的差异大小;根据差异大小和奥卡姆剃刀原理,从目标模型中选择得到最优模型,最优模型作为优化后的目标模型。
在给定数据集上,真实值和预测值之间的差异越小,模型越优秀。数据集可以划分训练数据集和测试数据集,当选择的模型对训练数据集预测得很好,但对测试数据集预测得很差,则产生过拟合问题。出现过拟合则优先考虑对测试数据集的预测准确程度,对预测数据集预测越准确,则模型越优秀。如果对预测数据集的准确程度不相上下,遵循奥卡姆剃刀原理在所有可选择的模型中,对于同样好的模型,应该尽量选择简单的。通过损失函数来量化真实值和预测值之间的差异,量化模型的优秀程度,损失函数越好,模型越优秀。
图6示意性示出了根据本公开实施例使用目标模型进行预测的方法流程图。
如图6所示,该使用目标模型进行预测的方法包括:
在操作S241,将第一行为数据和第二行为数据输入目标模型。
在操作S242,目标模型从第一行为数据和第二行为数据中进行回归分析,筛选出已持有待推荐产品用户的关键行为数据。
使用已购买该产品的用户行为数据为基础,通过模型对已标准化的全量用户行为数据进行回归分析,输出与购买行为相关的行为变量,即关键行为数据。
图7示意性示出了根据本公开实施例根据关键行为数据和第二行为数据、确定目标用户清单的方法流程图。
如图7所示,该根据关键行为数据和第二行为数据、确定目标用户清单的方法包括:
在操作S251,计算第二行为数据与关键行为数据的相似度。
在操作S252,若相似度大于阈值,则该第二行为数据对应的用户为目标用户,根据目标用户确定目标用户清单。
根据本公开的实施例,输出的关键行为数据例如为账户月均余额大于10万、动账笔数大于10笔、网银活跃程度高,则以该关键行为数据作为筛选条件,在未购买客户的行为数据中筛选出与该关键行为数据匹配的行为数据,进而筛选出目标客户。
在上述实施例的基础上,确定目标用户清单包括:向目标用户清单中的用户推荐待推荐产品。
在确定出目标用户后,即可向该目标用户精准投递推荐信息,例如可以在当前用户登录的界面中,展示相应的产品,以供当前用户选择购买。由于推荐的产品与用户特征信息关联,从而可以向用户推荐更相关的投资产品,满足用户的个性化需求。
在上述实施例的基础上,第一行为数据和第二行为数据包括交易行为数据、渠道行为数据、征信行为数据中的至少一种。
行为数据可以包括多种信息数据,其中,交易行为数据例如包括日均余额、月均余额、账户状态、动账笔数等等,渠道行为数据例如包括手机银行、柜面、网银、ATM等等,征信行为数据例如包括电信、基金证券公司反馈的数据等等。
下面以一具体实施例对产品推荐的方法与工具进行进一步说明。以银行金融产品为例。
如图8所示,该产品推荐的工具包括:营销产品标准化属性解析模块1,客户行为标准化属性解析与存储模块2,大数据模型筛选与回归模块3,结果输出与监督模块4四个模块。
在使用工具前,需对营销产品进行代码登记,确保每一个款产品对应一个产品代码,通过在营销产品标准化属性解析模块1录入该产品代码,可自动触发三个事情:1、通过产品代码自动获取产品参数,参数选择的规则依据产品的标准化解析变量,该变量范围以与客户信息相关为标准,如:起存金额要求,客户年龄要求,国籍要求等;2、通过产品代码获取已购买该产品的客户行为数据;3、筛选符合产品属性的未购买该产品的客户行为数据。客户行为数据的变量标准,存储在客户行为标准化属性解析与存储模块2。
客户行为标准化属性解析与存储模块2除存储2/3步获取的数据外,还有一个重要的单元,用来存储全量标准化客户行为变量和数据获取路径。其中全量客户行为变量组成结构:
星级、风险承受度、行业类别等全量客户信息变量;
日均余额、月均余额、账户状态、动账笔数等客户全量交易行为变量;
手机银行、柜面、网银、ATM等全量渠道行为变量;
电信、基金证券公司反馈数据等行外行为变量。
通过大数据模型筛选与回归模块3进行模型筛选,选取符合拟营销产品的最优模型,并进行模型训练,输出关键客户行为变量。
通过结果输出与监督模块4,在未持有客户中精准输出潜力客户清单,并对工具整体运行进行监督。
图8为本公开一种精准预测银行产品潜力客户的营销方法与工具的结构框图。
营销产品标准化属性解析模块1,用于营销产品的标准化解析。
客户行为标准化属性解析与存储模块2,用于客户行为的标准化解析与客户数据的存储与更新;
大数据模型筛选与回归模块3,用于最优模型的筛选与回归分析。
结果输出与监督模块4,用于营销清单的输出,并对整个自动化执行情况,变量覆盖情况以及异常信息进行监督。
图9为本公开工具营销产品标准化属性解析模块1的结构框图,如图9所示,营销产品标准化属性解析模块1包括产品代码输入单元11、产品标准化变量存储单元12、产品属性自动解析单元13、客户行为数据筛选单元14。
产品代码输入单元11:用于输入待营销产品代码。
产品标准化变量存储单元12:用于存储银行产品的标准化属性变量范围,如个人或公司产品,起存金额要求,国籍要求等。
产品属性自动解析单元13:根据产品代码输入单元11输入的营销产品代码,结合产品标准化变量存储单元12的产品属性范围,自动获取产品参数并存储。
客户行为数据筛选单元14:根据产品属性自动解析13的产品属性,对客户行为数据进行筛选,进一步缩小营销客户范围。
图10为客户行为标准化属性解析与存储模块2的结构框图,如图10所示,客户行为标准化属性解析与存储模块2由全量客户属性变量存储和更新单元21、已持有客户存储和更新模块22和未持有客户筛选和更新单元23三部分组成,其中:
全量客户属性变量存储和更新单元21:用于存储全量客户属性变量,并支持维护。
已持有客户存储和更新单元22:用于存储按产品代码输入单元11输入的营销代码获取的已持有客户,对应全量客户属性变量存储和更新单元21中所列示变更变量的数据,并可按日进行数据更新。
未持有客户筛选和更新单元23:用于存储按标准化属性解析12筛选后未持有客户,对应全量客户属性变量存储和更新单元21中所列示变更变量的数据,并可按日进行数据更新。
图11为大数据模型筛选与回归模块3的结构框图,如图11所示,大数据模型筛选与回归模块3由模型筛选单元31和模型回归与训练单元32两部分组成。其中:
模型筛选单元31,基于已持有客户存储和更新单元22中存储的已持有该产品的客户行为数据,进行模型筛选,模型筛选的标准主要是通过模型对数据集的预测准确程度及损失函数来判定。
模型回归与训练单元32,通过模型回归与训练输出关键相关客户行为变量。
图12为结果输出与监督模块4的结构框图,如图12所示,结果输出与监督模块4由营销清单输出单元41和监督单元42两部分组成。其中:
营销清单输出单元41,基于模型回归与训练单元32输出的关键相关客户行为变量,在未持有客户筛选和更新单元23存储的数据中,输出最终的客户营销清单。
监督单元42,负责对工具自动化执行情况、变量覆盖情况、异常信息进行统计分析。
图13为本公开一种精准预测银行产品潜力客户的营销方法与工具的处理流程图,如图13所示,基一种精准预测银行产品潜力客户的营销方法与工具的处理步骤具体包括:
步骤S1301:通过关键产品代码,自动解析产品属性,并根据产品属性筛选营销客户范围。
步骤S1302:由客户行为标准化属性解析与存储模块2的全量客户属性变量存储和更新单元21存储工具所需要的全部客户行为变量和数据获取路径,已持有客户存储和更新单元22,存储已持有客户的变量数据,未持有客户筛选和更新单元23,存储未持有客户的变量数据;
步骤S1303:大数据模型筛选与回归模块3的模型筛选单元31和模型回归与训练单元32,使用已持有客户存储和更新单元22数据进行模型的筛选和训练,并将关键相关客户行为变量提供给营销清单输出单元41;
步骤S1304:结果输出与监督模块4中的营销清单输出单元41,基于模型筛选单元31输出的关键相关客户行为变量,从未持有客户筛选和更新单元23存储的数据中输出最终的营销清单。并由监督单元42对整个自动化过程进行监督。
该产品推荐的方法与工具提升了银行产品推广精准度,提高了营销效率,减少了无效客户打扰。
本公开提供的产品推荐的方法,可用于大数据、金融科技技术等领域,通过筛选最优大数据模型及进行回归分析,精准预测潜力用户,提升了产品推广精准度、提高了营销效率。
图14示意性示出了根据本公开一实施例的产品推荐的系统的方框图。
如图14所示,该产品推荐的系统1400包括:第一获取模块1410、第二获取模块1420、筛选模块1430、预测模块1440、确定模块1450。
第一获取模块1410,用于根据待推荐产品的特征参数获取用户范围;根据本公开的实施例,第一获取模块1410例如可以用于执行上文参考图2所描述的S210步骤,在此不再赘述。
第二获取模块1420,用于获取用户范围的第一行为数据和第二行为数据,其中,第一行为数据为已持有待推荐产品用户的行为数据,第二行为数据为未持有待推荐产品用户的行为数据。根据本公开的实施例,该第二获取模块1420例如可以用于执行上文参考图2所描述的S220步骤,在此不再赘述。
筛选模块1430,用于根据第一行为数据进行模型筛选,得到目标模型;根据本公开的实施例,筛选模块1430例如可以用于执行上文参考图2所描述的S230步骤,在此不再赘述。
预测模块1440,用于使用目标模型进行预测,输出关键行为数据;根据本公开的实施例,预测模块1440例如可以用于执行上文参考图2所描述的S240步骤,在此不再赘述。
确定模块1450,用于根据关键行为数据和第二行为数据,确定目标用户清单。根据本公开的实施例,确定模块1450例如可以用于执行上文参考图2所描述的S250步骤,在此不再赘述。
需说明的是,根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块1410、第二获取模块1420、筛选模块1430、预测模块1440、确定模块1450中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块1410、第二获取模块1420、筛选模块1430、预测模块1440、确定模块1450中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块1410、第二获取模块1420、筛选模块1430、预测模块1440、确定模块1450中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图15示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的方框图。图15示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图15所示,本实施例中所描述的电子设备1500,包括:处理器1501,其可以根据存储在只读存储器(ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(RAM)1503中的程序而执行各种适当的动作和处理。处理器1501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1501还可以包括用于缓存用途的板载存储器。处理器1501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1503中,存储有系统1500操作所需的各种程序和数据。处理器1501、ROM1502以及RAM 1503通过总线1504彼此相连。处理器1501通过执行ROM 1502和/或RAM 1503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 1502和RAM 1503以外的一个或多个存储器中。处理器1501也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1500还可以包括输入/输出(I/O)接口1505,输入/输出(I/O)接口1505也连接至总线1504。系统1500还可以包括连接至I/O接口1505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1507;包括硬盘等的存储部分1508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1510上,以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1509从网络上被下载和安装,和/或从可拆卸介质1511被安装。在该计算机程序被处理器1501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的产品推荐的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1502和/或RAM 1503和/或ROM1502和RAM 1503以外的一个或多个存储器。
需要说明的是,在本公开各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (12)
1.一种产品推荐的方法,其特征在于,包括:
根据待推荐产品的特征参数获取用户范围;
获取所述用户范围的第一行为数据和第二行为数据,其中,所述第一行为数据为已持有所述待推荐产品用户的行为数据,所述第二行为数据为未持有所述待推荐产品用户的行为数据;
根据所述第一行为数据进行模型筛选,得到目标模型;
使用所述目标模型进行预测,输出关键行为数据;
根据所述关键行为数据和所述第二行为数据,确定目标用户清单。
2.根据权利要求1所述的产品推荐的方法,其特征在于,所述根据待推荐产品的特征参数获取用户范围包括:
获取所述待推荐产品的产品代码;
根据所述产品代码对产品内容进行标准化处理,得到所述待推荐产品的特征参数;
根据所述特征参数获取用户范围。
3.根据权利要求2所述的产品推荐的方法,其特征在于,所述获取第一行为数据和第二行为数据包括:
获取所述用户范围的用户行为数据;
从所述用户行为数据中筛选出已持有所述待推荐产品用户的行为数据和未持有所述待推荐产品用户的行为数据。
4.根据权利要求1所述的产品推荐的方法,其特征在于,所述获取根据所述第一行为数据进行模型筛选包括:
从所述第一行为数据中选取第一比例的数据作为训练数据集,对预定模型分别进行模型训练;
从所述第一行为数据中选取第二比例的数据作为验证数据集,获取每个所述预定模型的预测误差;
根据所述预测误差的大小从所述预定模型中确定目标模型。
5.根据权利要求4所述的产品推荐的方法,其特征在于,所述获取根据所述第一行为数据进行模型筛选还包括:
通过损失函数评估所述目标模型的预测值和真实值之间的差异大小;
根据所述差异大小和奥卡姆剃刀原理,从所述目标模型中选择得到最优模型,所述最优模型作为优化后的目标模型。
6.根据权利要求1所述的产品推荐的方法,其特征在于,所述使用所述目标模型进行预测包括:
将所述第一行为数据和所述第二行为数据输入所述目标模型;
所述目标模型从所述第一行为数据和所述第二行为数据中进行回归分析,筛选出已持有所述待推荐产品用户的关键行为数据。
7.根据权利要求1所述的产品推荐的方法,其特征在于,所述根据所述关键行为数据和所述第二行为数据、确定目标用户清单包括:
计算所述第二行为数据与关键行为数据的相似度;
若所述相似度大于阈值,则该第二行为数据对应的用户为目标用户,根据所述目标用户确定目标用户清单。
8.根据权利要求7所述的产品推荐的方法,其特征在于,所述确定目标用户清单包括:
向所述目标用户清单中的用户推荐所述待推荐产品。
9.根据权利要求1所述的产品推荐的方法,其特征在于,所述第一行为数据和第二行为数据包括交易行为数据、渠道行为数据、征信行为数据中的至少一种。
10.一种产品推荐的系统,其特征在于,包括:
第一获取模块,用于根据待推荐产品的特征参数获取用户范围;
第二获取模块,用于获取所述用户范围的第一行为数据和第二行为数据,其中,所述第一行为数据为已持有所述待推荐产品用户的行为数据,所述第二行为数据为未持有所述待推荐产品用户的行为数据;
筛选模块,用于根据所述第一行为数据进行模型筛选,得到目标模型;
预测模块,用于使用所述目标模型进行预测,输出关键行为数据;
确定模块,用于根据所述关键行为数据和所述第二行为数据,确定目标用户清单。
11.一种电子设备,包括:
处理器;
存储器,其存储有计算机可执行程序,该程序在被所述处理器执行时,使得所述处理器执行根据权利要求1~9中任意一项所述的产品推荐的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现根据权利要求1~9中任意一项所述的产品推荐的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417413.6A CN114065050A (zh) | 2021-11-25 | 2021-11-25 | 产品推荐的方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417413.6A CN114065050A (zh) | 2021-11-25 | 2021-11-25 | 产品推荐的方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065050A true CN114065050A (zh) | 2022-02-18 |
Family
ID=80276580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111417413.6A Pending CN114065050A (zh) | 2021-11-25 | 2021-11-25 | 产品推荐的方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065050A (zh) |
-
2021
- 2021-11-25 CN CN202111417413.6A patent/CN114065050A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11977995B2 (en) | Machine learning artificial intelligence system for predicting hours of operation | |
US9798788B1 (en) | Holistic methodology for big data analytics | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN111861487A (zh) | 金融交易数据处理方法、欺诈行为的监测方法和装置 | |
CN114462532A (zh) | 模型训练方法、预测交易风险的方法、装置、设备及介质 | |
CN111783039A (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN114638695A (zh) | 信用评估方法、装置、设备及介质 | |
CN113159934A (zh) | 一种网点客流量的预测方法、系统、电子设备及存储介质 | |
CN111062600B (zh) | 模型评估方法、系统、电子设备和计算机可读存储介质 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
US11854018B2 (en) | Labeling optimization through image clustering | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN111177653A (zh) | 一种信用评估方法和装置 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN114065050A (zh) | 产品推荐的方法、系统、电子设备和存储介质 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN113010798A (zh) | 信息推荐方法、信息推荐装置、电子设备及可读存储介质 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN115409636A (zh) | 产品风险预测方法、装置、设备及介质 | |
CN114066513A (zh) | 一种用户分类的方法和装置 | |
CN118096170A (zh) | 风险预测方法及装置、设备、存储介质和程序产品 | |
CN116450950A (zh) | 产品组合推荐方法、装置、设备及介质 |
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 |