CN114154672A - 一种用于客户流失预测的数据挖掘方法 - Google Patents
一种用于客户流失预测的数据挖掘方法 Download PDFInfo
- Publication number
- CN114154672A CN114154672A CN202111163139.4A CN202111163139A CN114154672A CN 114154672 A CN114154672 A CN 114154672A CN 202111163139 A CN202111163139 A CN 202111163139A CN 114154672 A CN114154672 A CN 114154672A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- customer
- steps
- prediction
- 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 21
- 238000007418 data mining Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000005096 rolling process Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种用于客户流失预测的数据挖掘方法，涉及数据监控技术领域，包括数据获取步骤，特征变量选择步骤，样本选取步骤，数据预处理步骤，构建训练集和和测试集步骤和执行训练步骤，数据获取步骤包括，建立数据库，对接银行数据系统；特征变量选择包括，选取满足预测算法的特征变量；样本选取步骤包括，根据原始算法，以所收集的数据，对客户流失量进行数据准备；数据预处理步骤包括，整合基础数据，清理无关数据和空值；构建训练集和测试集步骤包括，抽取样本，将所抽取的样本分为训练集和测试集；执行训练步骤包括，按照模型参数的重要性程度进行训练，并以最优解滚动迭代，根据本方法可以预测用户流失概率，从而方便工作人员进行维护。
Description
技术领域
本发明涉及数据监控技术领域，具体为一种用于客户流失预测的数据挖掘方法。
背景技术
当下互联网上的金融理财程序越来越多，由于银行必须对所提供的理财产品严格负责，银行的所提供的理财产品相对于其它互联网平台所提供的或者所描述的相对保守，从而相对互联网平台的理财产品不容易吸引客户注意，导致了大量客户的存款的流失。
从成本收益角度看，存量客户产生收益远大于新增客户，同时存量客户的流失将会导致巨大的损失，挽留存量客户难度和成本低于获取新客户。
发明内容
本发明提出了一种用于客户流失预测的数据挖掘方法，增强银行对客户服务的提升和挽留效率，解决长尾客户无人管、无力管的状况。
本发明的技术方案如下：
一种用于客户流失预测的数据挖掘方法，包括数据获取步骤，特征变量选择步骤，样本选取步骤，数据预处理步骤，构建训练集和和测试集步骤和执行训练步骤，其中，
所述数据获取步骤包括，建立数据库，对接银行数据系统；
所述特征变量选择步骤包括，选取满足预测算法的特征变量；
所述样本选取步骤包括，根据原始算法，以所收集的数据，对客户流失量进行数据准备；
所述数据预处理步骤包括，整合基础数据，清理无关数据和空值；
所述构建训练集和测试集步骤包括，抽取样本，将所抽取的样本分为训练集和测试集；
所述执行训练步骤包括，按照模型参数的重要性程度进行训练，并以最优解滚动迭代。
作为本方案的进一步优化，所述数据获取步骤包括建立数据库，同时对接银行的数据系统对数据库进行信息传递。
作为本方案的进一步优化，所建立的数据库内容包括客户身份信息、客户资产信息、客户交易信息和产品信息。
作为本方案的进一步优化，所述客户身份信息包括客户ID、年龄和性别，所述产品信息包括活期存款指标、定期存款指标、贷款情况指标、卡业务使用及办理情况、投资理财业务指标和产品综合指标，所述客户资产信息包括总金融资产情况 FA/AUM 及其变动情况，所述客户交易信息包括渠道产品签约情况指标，AUM 交易渠道情况指标、流入、流出情况、大小额转账和第三方及同名账户指标。
作为本方案的进一步优化，所述特征变量选择步骤包括，根据算法需求，设定条件，选取满足条件的特征变量；
所述样本选取步骤包括，将选取的特征变量带入原始的算法，进行预测准备。
作为本方案的进一步优化，所述数据预处理步骤包括根据原始算法，以个人客户号为连接条件，对所选取的特征值进行排列和总结，清理特征值中的无关数据和空值。
作为本方案的进一步优化，所述构建训练集和测试集步骤包括根据预测需求，选取样本数据进行试验，并根据设定，划分为训练集和测试集。
作为本方案的进一步优化，根据原始算法，得到对模型影响最重要的参数，模型训练从对模型影响最重要的参数作为起点，按照对模型影响的重要性程度递减方向依次训练，每次训练将之前训练得到的最优解作输入固定，滚动迭代。
本发明的工作原理及有益效果为：
为原始的客户行为的预测算法提供特征和实际数据，对数据值进行不断模拟，将模拟结果与实际结果进行对比，
本方案建立一个个人银行客户流失预测模型，预测贵宾客户在未来流失的概率，并根据模型中优势特征表现情况，给出客户流失原因分类作为参考，协助客户经理监控可能流失客户，及早预防贵宾客户流失。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的流程框图；
图2为本发明中实施例2的流程框图。
具体实施方式
下面将结合本发明实施例，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，都涉及本发明保护的范围。
具体实施例1，如说明书附图1所示，
一种用于客户流失预测的数据挖掘方法，包括数据获取步骤，特征变量选择步骤，样本选取步骤，数据预处理步骤，构建训练集和和测试集步骤和执行训练步骤，其中，所述数据获取步骤包括，建立数据库，对接银行数据系统；所述特征变量选择步骤包括，选取满足预测算法的特征变量；所述样本选取步骤包括，根据原始算法，以所收集的数据，对客户流失量进行数据准备；所述数据预处理步骤包括，整合基础数据，清理无关数据和空值；所述构建训练集和测试集步骤包括，抽取样本，将所抽取的样本分为训练集和测试集；所述执行训练步骤包括，按照模型参数的重要性程度进行训练，并以最优解滚动迭代。通过数据挖掘，可以精准识别潜力客户，精确预警流失客户，进一步增强客户提升和挽留效率，解决长尾客户无人管、无力管的现状。
所述数据获取步骤包括建立数据库，同时对接银行的数据系统对数据库进行信息传递。其中数据库会进行分区包括所下载的数据存储入用户信息库，以及用于存储算法的，优化方法的算法信息库等，并由控制单元进行调动和计算，根据算法信息库中的数据处理用户信息库中的信息数据，进行计算和整合，技术的硬件实现可以直接采用现有的智能设备，包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘，其数据存储和计算模块采用现有的存储器、计算器、控制器，其内部通信模块采用现有的通信端口和协议，其远程通信采用现有的gprs网络、万维互联网等，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Acces Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
所建立的数据库内容包括客户身份信息、客户资产信息、客户交易信息和产品信息，所述客户身份信息包括客户ID、年龄和性别，所述产品信息包括活期存款指标、定期存款指标、贷款情况指标、卡业务使用及办理情况、投资理财业务指标和产品综合指标，所述客户资产信息包括总金融资产情况 FA/AUM 及其变动情况，所述客户交易信息包括渠道产品签约情况指标，AUM 交易渠道情况指标、流入、流出情况、大小额转账和第三方及同名账户指标。
所述特征变量选择步骤包括，根据算法需求，设定条件，选取满足条件的特征变量；所述样本选取步骤包括，将选取的特征变量带入原始的算法，进行预测准备。
所述数据预处理步骤包括根据原始算法，以个人客户号为连接条件，对所选取的特征值进行排列和总结，清理特征值中的无关数据和空值。
所述构建训练集和测试集步骤包括根据预测需求，选取样本数据进行试验，并根据设定，划分为训练集和测试集。
根据原始算法，得到对模型影响最重要的参数，模型训练从对模型影响最重要的参数作为起点，按照对模型影响的重要性程度递减方向依次训练，每次训练将之前训练得到的最优解作输入固定，滚动迭代。
具体实施例2，
S110、模型选择，经过多种模型的综合比较，最终选择XGboost模型作为贵宾客户流失预测模型。
本模型以客户月日均金融资产是否下降 40%及以上作为客户流失的定义。基于210 多项特征，尝试使用了线性回归模型、随机森林、 XGBOOST 等模型进行了贵宾客户流失行为预测分析，通过横向比较，最终选择 XGBOOST 作为个人贵宾客户流失预测模型模型的算法。模型产出是每个客户的流失概率，并根据模型中优势特征表现情况，给出客户流失原因分类作为参考。
S120、数据源获取，结合个人客户相关业务，提取出流失预测模型涉及到的相关基础表。
以个人基础业务为基础，提取出客户基本信息、客户资产信息、客户交易信息、产品信息等相关基础表。
S130、特征变量设计，基于现有业务经验以及客户调查结果，统计出大约200项特征并进行相应建设。
其中主要包括客户基本属性（客户ID、年龄、性别等）、产品构成（包括活期存款指标、定期存款指标、贷款情况指标、卡业务使用及办理情况、投资理财业务指标、产品综合指标等）、金融资产（包括总金融资产情况 FA/AUM 及其变动情况等）、渠道及活跃度（包括渠道产品签约情况指标，AUM 交易渠道情况指标等）、客户现金流指标（包括流入、流出情况、大小额转账，第三方及同名账户指标等）。
S140、数据样本选择，以过去一年以来的相关数据为基础，预测出未来三个月客户的流失概率情况。
观察期：以过去一年的数据为基础，在该周期内对客户的各项特征进行计算与评估，掌握流失与非流失贵宾客户在此区间内存在的行为特征集变化规律。
预测期：基于过去一年的观察期，以未来三个月后的月末时点作为预测时点，通过模型预测该客户在未来三个月后是否会出现流失。
S150、数据预处理，将基础数据表整合为大宽表，并进行无关数据清理和空值处理等。
以个人客户号为连接条件，将各类基础表整合为一个大宽表，便于后期数据统一处理，同时由于决策树类算法在输入的过程中不允许输入值为空值，因此对最终形成的宽表进行空值处理。目前表中存在两种空值，一种现实null/none,表示该数据格在原始数据中就没有对应的值，因此需要设置为 0。还有一种则是显示为' ', 该部分也需要对其进行赋值处理，将其设置为 0。对于客户性别、年龄特征的处理。相对于系统自带的性别、年龄字段，使用客户身份证信息获取客户性别、年龄，数据准确性更高。
S160、构建训练集和测试集，随机抽取100万样本数据，按3：1比例划分训练集和测试集。
由于特征宽表列数较多，综合考虑模型运行效率及数据使用的充分性，随机抽取10万正样本数据及90万负样本数据供模型学习。同时对 100万正负样本数据按照默认，即3:1 划分为训练集和测试集，作为训练准备。
S170、模型训练与评价，按照模型参数的重要性程度进行训练并以最优解滚动迭代。
模型采用sklearn下的XGBClassifier包。模型训练从对模型影响最重要的参数作为起点，按照对模型影响的重要性程度递减方向依次训练，每次训练将之前训练得到的最优解作输入固定，滚动迭代。调参顺序如下：树的深度max_depth、最小叶子权重min_child_weight、损失函数系数 gamma、样本抽样比例subsample、特征抽样比例colsample_bytree、正则项系数reg_lambda、学习率learning_rate。
最后学习完成后的最优参数为，树的深度：15，最小叶子权重：40，损失函数系数：1，样本抽样比例：0.7，特征抽样比例：0.7，正则项系数：1，学习率：0.025。
最终经过2018年、2019年、2020年三年共计8轮数据的迭代验证，得到预测正样本的精确率为65%，召回率约为28%。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于客户流失预测的数据挖掘方法，其特征在于，包括数据获取步骤，特征变量选择步骤，样本选取步骤，数据预处理步骤，构建训练集和和测试集步骤和执行训练步骤，其中，
所述数据获取步骤包括，建立数据库，对接银行数据系统；
所述特征变量选择步骤包括，选取满足预测算法的特征变量；
所述样本选取步骤包括，根据原始算法，以所收集的数据，对客户流失量进行数据准备；
所述数据预处理步骤包括，整合基础数据，清理无关数据和空值；
所述构建训练集和测试集步骤包括，抽取样本，将所抽取的样本分为训练集和测试集；
所述执行训练步骤包括，按照模型参数的重要性程度进行训练，并以最优解滚动迭代。
2.根据权利要求1所述的一种用于客户流失预测的数据挖掘方法，其特征在于，所述数据获取步骤包括建立数据库，同时对接银行的数据系统对数据库进行信息传递。
3.根据权利要求2所述的一种用于客户流失预测的数据挖掘方法，其特征在于，所建立的数据库内容包括客户身份信息、客户资产信息、客户交易信息和产品信息。
4.根据权利要求3所述的一种用于客户流失预测的数据挖掘方法，其特征在于，所述客户身份信息包括客户ID、年龄和性别，所述产品信息包括活期存款指标、定期存款指标、贷款情况指标、卡业务使用及办理情况、投资理财业务指标和产品综合指标，所述客户资产信息包括总金融资产情况 FA/AUM 及其变动情况，所述客户交易信息包括渠道产品签约情况指标，AUM 交易渠道情况指标、流入、流出情况、大小额转账和第三方及同名账户指标。
5.根据权利要求1所述的一种用于客户流失预测的数据挖掘方法，其特征在于，所述特征变量选择步骤包括，根据算法需求，设定条件，选取满足条件的特征变量；
所述样本选取步骤包括，将选取的特征变量带入原始的算法，进行预测准备。
6.根据权利要求1所述的一种用于客户流失预测的数据挖掘方法，其特征在于，所述数据预处理步骤包括根据原始算法，以个人客户号为连接条件，对所选取的特征值进行排列和总结，清理特征值中的无关数据和空值。
7.根据权利要求1所述的一种用于客户流失预测的数据挖掘方法，其特征在于，所述构建训练集和测试集步骤包括根据预测需求，选取样本数据进行试验，并根据设定，划分为训练集和测试集。
8.根据权利要求1所述的一种用于客户流失预测的数据挖掘方法，其特征在于，根据原始算法，得到对模型影响最重要的参数，模型训练从对模型影响最重要的参数作为起点，按照对模型影响的重要性程度递减方向依次训练，每次训练将之前训练得到的最优解作输入固定，滚动迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111163139.4A CN114154672A (zh) | 2021-09-30 | 2021-09-30 | 一种用于客户流失预测的数据挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111163139.4A CN114154672A (zh) | 2021-09-30 | 2021-09-30 | 一种用于客户流失预测的数据挖掘方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114154672A true CN114154672A (zh) | 2022-03-08 |
Family
ID=80462657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111163139.4A Pending CN114154672A (zh) | 2021-09-30 | 2021-09-30 | 一种用于客户流失预测的数据挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154672A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936744A (zh) * | 2022-11-01 | 2023-04-07 | 北京创景数科信息技术有限公司 | 智能化客户生命周期管理AiCRM系统及方法 |
| CN116757819A (zh) * | 2023-07-12 | 2023-09-15 | 神州数码融信软件有限公司 | 活期存款流失率模型建立方法、系统、设备及储存介质 |
| CN117492738A (zh) * | 2023-11-08 | 2024-02-02 | 交通银行股份有限公司北京市分行 | 一种数据挖掘全流程方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112308623A (zh) * | 2020-11-09 | 2021-02-02 | 中南大学 | 基于监督学习的优质客户流失预测方法、装置及存储介质 |
-
2021
- 2021-09-30 CN CN202111163139.4A patent/CN114154672A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112308623A (zh) * | 2020-11-09 | 2021-02-02 | 中南大学 | 基于监督学习的优质客户流失预测方法、装置及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936744A (zh) * | 2022-11-01 | 2023-04-07 | 北京创景数科信息技术有限公司 | 智能化客户生命周期管理AiCRM系统及方法 |
| CN116757819A (zh) * | 2023-07-12 | 2023-09-15 | 神州数码融信软件有限公司 | 活期存款流失率模型建立方法、系统、设备及储存介质 |
| CN117492738A (zh) * | 2023-11-08 | 2024-02-02 | 交通银行股份有限公司北京市分行 | 一种数据挖掘全流程方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180260891A1 (en) | Systems and methods for generating and using optimized ensemble models | |
| CN114154672A (zh) | 一种用于客户流失预测的数据挖掘方法 | |
| CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
| CN109670104A (zh) | 基于机器学习的信息推送方法、设备、装置及存储介质 | |
| CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
| CN113971527A (zh) | 基于机器学习的数据风险评估方法及装置 | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN113095408A (zh) | 风险的确定方法、装置和服务器 | |
| CN112116103A (zh) | 基于联邦学习的个人资质评估方法、装置及系统及存储介质 | |
| CN112598225A (zh) | 评价指标的确定方法及装置、存储介质、电子装置 | |
| CN109977977B (zh) | 一种识别潜在用户的方法及对应装置 | |
| US11295325B2 (en) | Benefit surrender prediction | |
| CN117787715A (zh) | 基于信息框架生成客户画像的金融风控方法和系统 | |
| CN113450158A (zh) | 银行活动信息推送方法及装置 | |
| CN116800831B (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
| CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
| CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
| CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
| CN113052422A (zh) | 风控模型训练方法和用户信用评估方法 | |
| CN113177733B (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
| CN113869973A (zh) | 产品推荐方法、产品推荐系统和计算机可读存储介质 | |
| CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
| CN115034799A (zh) | 营销预测方法、装置、电子设备及存储介质 | |
| CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 | |
| CN116484230B (zh) | 识别异常业务数据的方法及ai数字人的训练方法 |
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 |