CN114519612A - 优惠信息发送方法、装置、计算机设备和存储介质 - Google Patents

优惠信息发送方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114519612A
CN114519612A CN202210150720.0A CN202210150720A CN114519612A CN 114519612 A CN114519612 A CN 114519612A CN 202210150720 A CN202210150720 A CN 202210150720A CN 114519612 A CN114519612 A CN 114519612A
Authority
CN
China
Prior art keywords
user
target user
amount
target
information
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
Application number
CN202210150720.0A
Other languages
English (en)
Inventor
刘颖
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.)
Shanghai Shuhe Information Technology Co Ltd
Original Assignee
Shanghai Shuhe Information Technology 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 Shanghai Shuhe Information Technology Co Ltd filed Critical Shanghai Shuhe Information Technology Co Ltd
Priority to CN202210150720.0A priority Critical patent/CN114519612A/zh
Publication of CN114519612A publication Critical patent/CN114519612A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0211—Determining the effectiveness of discounts or incentives
    • 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
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请涉及一种优惠信息发送方法、装置、计算机设备和存储介质。所述方法包括：获取目标用户的用户特征信息以及目标用户的授信额度；根据目标用户的授信额度预测目标用户的动支数额；根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分；在增益评分大于预设阈值时，向目标用户发送优惠信息。采用本方法，能够提高增益评分模型对用户进行评估的准确性和全面性，从而提高优惠信息发送的针对性和准确性。

Description

优惠信息发送方法、装置、计算机设备和存储介质
技术领域
本申请涉及互联网技术领域，特别是涉及一种优惠信息发送方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的不断发展，许多借贷用户选择在电子金融平台进行借贷申请等业务，为了促进用户产生动支意愿，电子金融平台会向用户发送优惠信息，例如，优惠券等。
传统的优惠信息发送方法是，向用户大规模无差别的随机发放优惠信息，或者，按照预定方法对用户进行客群划分，按照客群类别发送大量优惠信息。然而，传统优惠信息发送方法，导致优惠信息的发送量大，成本高，而且，优惠信息的发放缺乏针对性，收益转化率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够减少优惠信息发送成本、提高优惠信息发送准确性的优惠信息发送方法、装置、计算机设备和存储介质。
一种优惠信息发送方法，该方法包括：获取目标用户的用户特征信息以及目标用户的授信额度；根据目标用户的授信额度预测目标用户的动支数额；根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分；在增益评分大于预设阈值时，向目标用户发送优惠信息。
在一个实施例中，根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分，包括：根据目标用户的用户特征信息以及预先建立的增益评分模型，预测目标用户分别落入各个客群类别的概率值，根据各概率值以及目标用户的动支数额计算目标用户的增益评分。
在一个实施例中，增益评分模型的构建方法，包括：获取样本用户的用户特征信息以及样本用户的动支数额；确定样本用户对应的客群类别；以样本用户的用户特征信息以及样本用户的动支数额作为模型特征变量，以样本用户对应的客群类别作为模型目标变量，基于机器学习算法构建并训练增益评分模型。
在一个实施例中，获取样本用户的动支数额，包括：获取样本用户的历史动支数额。
在一个实施例中，获取样本用户的动支数额，包括：获取利用额度使用率预测模型预测的样本用户的预测动支数额。
在一个实施例中，根据目标用户的授信额度预测目标用户的动支数额，包括：调用预先建立的额度使用率预测模型，根据额度使用率预测模型预测目标用户的额度使用率，根据额度使用率以及目标用户的授信额度计算目标用户的动支数额。
在一个实施例中，额度使用率预测模型的构建方法，包括：获取样本用户的首次授信额度以及首次动支数额，根据样本用户的首次授信额度与首次动支数额的比值，构建额度使用率预测模型。
在一个实施例中，客群类别包括未发信息未动支的用户、未发信息动支的用户、发信息未动支的用户以及发信息动支的用户中的至少一类。
在一个实施例中，用户特征信息包括用户基本信息、用户关联账户的活跃程度信息和用户外部征信信息之中的至少一个。
一种优惠信息发送装置，该装置包括：
信息获取模块，用于获取目标用户的用户特征信息以及所述目标用户的授信额度；
数额预测模块，用于根据所述目标用户的授信额度预测所述目标用户的动支数额；
分数评估模块，用于根据所述目标用户的用户特征信息以及所述目标用户的动支数额，并基于预先建立的增益评分模型，预测所述目标用户的增益评分；
信息发送模块，在所述增益评分大于预设阈值时，向所述目标用户发送优惠信息。
一种计算机设备，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，所述处理器执行所述计算机程序时实现上述的优惠信息发送方法的步骤。
一种计算机可读存储介质，其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的优惠信息发送方法的步骤。
上述优惠信息发送方法、装置、计算机设备和存储介质，通过目标用户的授信额度预测目标用户可能产生的动支数额，并将目标用户的用户特征信息以及动支数额相结合以作为预先构建的增益评分模型的输入，从而得到基于该增益评分模型输出的用于反映目标用户的优惠信息敏感度或优惠信息收益转化率的增益评分，再根据该增益评分确定是否向该目标用户发送优惠信息。采用本方案，将预测的用户的动支数额融入到增益评分模型的评分中，能够提高增益评分模型对用户进行评估的准确性和全面性，从而提高优惠信息发送的针对性和准确性，进而能够在尽可能减少优惠信息发送成本的基础上提高优惠信息的收益转化率。
附图说明
图1为一个实施例中优惠信息发送方法的应用环境图；
图2为一个实施例中优惠信息发送方法的流程示意图；
图3为一个实施例中增益评分模型的构建方法的流程示意图；
图4为一个实施例中优惠信息发送装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
在一个实施例中，本申请提供的优惠信息发送方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。具体地，服务器104可以获取目标用户的用户特征信息以及目标用户的授信额度，根据目标用户的授信额度预测目标用户的动支数额，根据目标用户的用户特征信息以及目标用户的动支数额，并基于预先建立的增益评分模型，预测目标用户的增益评分，在增益评分大于预设阈值时，服务器104可以向目标用户所关联的终端102发送优惠信息。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种优惠信息发送方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202：获取目标用户的用户特征信息以及目标用户的授信额度。
其中，目标用户是指有待确认是否进行优惠信息发送的候选用户，可以是任意一个或多个信贷用户。用户特征信息是指用于反映用户的属性特征的信息。授信额度是指用户被授权的可借贷的最大额度值。
示例性地，用户特征信息可以包括用户基本信息、用户关联账户的活跃程度信息和用户外部征信信息之中的至少一个。其中，用户基本信息可以包括但不限于用户标识信息、用户身份信息、用户社会关系信息以及用户地理位置信息等能够反映用户基本属性的信息。用户关联账户的活跃程度信息是指预设时间内(例如，授信前一周)用户使用目标应用软件登录关联账户的次数、频率、登录时长等能够反映用户软件使用活跃度的信息。用户外部征信信息是指该目标用户在其他外部金融软件应用中存留的能够体现其征信的相关信息、数据等等。
具体地，服务器可以通过调用用户信息数据库，从用户信息数据库中搜索并读取该目标用户对应的用户特征信息，进一步地，服务器还可以读取该目标用户的授信信息，获取该目标用户首次被授信时的授信额度。
步骤S204：根据目标用户的授信额度预测目标用户的动支数额。
其中，动支数额是指用户进行借贷申请的金额。示例性地，作业人员可以根据业务需求预先设置授信额度与动支数额之间的比例关系，服务器可以根据作业人员预设的比例关系以及目标用户的授信额度计算目标用户的动支数额。或者，服务器也可以通过调用预先建立的额度使用率预测模型，通过额度使用率预测模型预测目标用户的额度使用率，并基于动态预测出的额度使用率以及目标用户的授信额度计算该目标用户可能产生的动支数额。
步骤S206：根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分。
其中，增益评分模型是指为用户进行增益评分的模型，该模型输出的增益评分能够反映用户对优惠信息的敏感程度和/或用户基于优惠信息带来的收益转化率。该增益评分模型可以支持作业人员根据需要设置增益评分结果与其反映的信息之间的关联关系，例如，作业人员可以设置评分越高的用户对应的优惠信息的敏感程度和/或基于优惠信息带来的收益转化率越高等。
具体地，服务器可以调用预先建立的增益评分模型，该增益评分模型是对用户对优惠信息的敏感程度和/或用户基于优惠信息带来的收益转化率进行评分的模型，该模型可以基于机器学习算法进行构建和训练。服务器可以将目标用户的用户特征信息，并结合目标用户的动支数额作为该增益评分模型的输入变量，通过该增益评分模型进行预测计算后，输出该目标用户的增益评分。
步骤S208：在增益评分大于预设阈值时，向目标用户发送优惠信息。
其中，增益评分的预设阈值可以根据该增益评分模型建模时所选择的样本的增益评分进行设置，或者，也可以结合业务需求进行自定义设置和调整。例如，可以自定义阈值为最高分乘以25％，则增益评分排在前25％的用户可以收到优惠信息。
具体地，服务器可以获取作业人员预先设置的增益评分的阈值，将基于该增益评分模型预测得到的该目标用户的增益评分与预设的分数阈值进行比较，或者，将该目标用户在全部用户中增益评分的排名百分比与预设的百分比阈值进行比较，若目标用户的增益评分大于预设阈值，则将目标用户确定为有待发送优惠信息的用户，进一步地，服务器可以向目标用户所关联的账号或终端设备发送优惠信息。
上述优惠信息发送方法，通过目标用户的授信额度预测目标用户可能产生的动支数额，并将目标用户的用户特征信息以及动支数额相结合以作为预先构建的增益评分模型的输入，从而得到基于该增益评分模型输出的用于反映目标用户的优惠信息敏感度和/或优惠信息收益转化率的增益评分，再根据该增益评分确定是否向该目标用户发送优惠信息。采用本方案，将预测得到的用户的动支数额融入到增益评分模型的评分中，能够提高增益评分模型对用户进行评估的准确性，从而提高优惠信息发送的针对性和准确性，进而能够在尽可能减少优惠信息发送成本的基础上提高优惠信息的收益转化率。
在一个实施例中，根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分，包括：根据目标用户的用户特征信息以及预先建立的增益评分模型，预测目标用户分别落入各个客群类别的概率值，根据各概率值以及目标用户的动支数额计算目标用户的增益评分。
其中，客群类别是指预先根据业务需求划分的用户所属客群的类别，客群类别可以作为该增益评分模型构建时的目标变量(Y)，示例性，客群类别可以包括以下四类，分别为：
Y＝0，未发信息未动支用户；
Y＝1，未发信息动支用户；
Y＝2，发信息未动支用户；
Y＝3，发信息动支用户。
本实施例，利用预先构建并训练的增益评分模型，可以根据目标用户的用户特征信息，分别预测该目标用户落入上述的四个客群类别的概率值，并且，通过结合目标用户的动支数额，能够计算得到该目标用户的增益评分，具体的模型计算增益评分时所依赖的公式可以根据需要进行变化，只要在四个客群类别的概率值的基础上结合用户的动支数额即可认为是本实施例中所涉及的技术方案。示例性地，可以参考如下：
增益评分＝PTR+PCN-PTN-PCR+动支数额
其中，PTR是指目标用户被分为所属“发信息动支用户”的客群类别的概率，PCN是指目标用户被分为所属“未发信息未动支用户”的客群类别的的概率；PTN是指目标用户被分为所属“发信息未动支用户”的客群类别的概率；PCR是指目标用户被分为所属“未发信息动支用户”的客群类别的概率。其中，该动支数额可以通过目标用户的额度使用率乘以其授信额度得到。
例如，对于传统的增益评分模型，在进行用户评分时，不会将用户可能产生的动支额度考虑在内。根据传统方法，所属客群类别相同的用户其评分很可能相同，然而，当优惠券较少但评分相同的用户较多时，无法确定将优惠券发给谁才能使得优惠券的使用率以及收益转化率最高。例如，同样的优惠券，发给A客户，A客户动支了10000，发给B客户，B客户动支了20000，由于B客户带来的收益转化率更高，在成本有限的情况下，我们应该优先发给B客户。因此，本方案将预测得到的用户的动支数额融入到增益评分模型的评分中，能够提高增益评分模型对用户进行评估的准确性和全面性，从而提高优惠信息发送的准确性和针对性，进而能够在尽可能减少优惠信息发送成本的基础上提高优惠信息的收益转化率。
在一个实施例中，参考图3所示，该方法还可以包括：构建增益评分模型的步骤，其中，构建增益评分模型的构建方法可以包括：
步骤S302：获取样本用户的用户特征信息以及样本用户的动支数额。
示例性地，样本用户是指被选为用于进行增益模型构建的样本集中的用户，可以从全部信贷用户中随机进行采样。
步骤S304：确定样本用户对应的客群类别。
示例性地，作业人员可以根据样本用户的特征，将样本用户划分为对应的客群，从而确定样本用户所属的对应的客群类别，并以此作为模型训练的目标变量。
步骤S306：以样本用户的用户特征信息以及样本用户的动支数额作为模型特征变量，以样本用户对应的客群类别作为模型目标变量，基于机器学习算法构建并训练增益评分模型。
示例性地，可以从样本用户的用户特征信息中选择部分或全部维度的信息作为模型构建时的模型特征变量(X)，将各个样本用户分别对应的客群类别作为模型构建的目标变量(Y)，并基于机器学习算法，例如，可以基于XGBoost(eXtreme Gradient Boosting，极端梯度提升)算法构建模型并对样本用户进行分类训练和类别预测学习，更进一步地，可以在最终的模型构建过程中，将动支数额也作为其中一个模型特征变量加入训练，从而构建本申请所涉及的增益评分模型，通过本申请所涉及的增益评分模型，能够基于用户特征、用户对应的客群类别以及用户可能的动支数额进行更综合、更全面的评估，从而能够提高增益评分的准确性。
在一个实施例中，获取样本用户的动支数额，包括：获取样本用户的历史动支数额。在本实施例中，样本用户的动支数额可以是通过分析样本用户的历史借贷数据而得到的样本用户的真实的历史动支数额。
在一个实施例中，获取样本用户的动支数额，包括：获取利用额度使用率预测模型预测的样本用户的预测动支数额。在本实施例中，在模型训练时，更为优选地，也可以结合基于额度使用率预测模型预测出来的额度使用率乘以授信额度得到的样本用户的预测动支数额。虽然在训练模型的时候，用户的动支数额是已知的，但是，通过额度使用率预测模型进行预测，能够保证模型建模样本和实际使用时的待测样本的稳定性，进而提高模型评估的准确性。
在一个实施例中，根据目标用户的授信额度预测目标用户的动支数额，包括：调用预先建立的额度使用率预测模型，根据额度使用率预测模型预测目标用户的额度使用率，根据额度使用率以及授信额度计算目标用户的动支数额。
在本实施例中，可以预先根据样本用户的历史借贷数据建立用于进行额度使用率预测的额度使用率预测模型，并可以通过调用该额度使用率预测模型，将获取的目标用户的用户特征作为该额度使用率预测模型的输入变量，输出预测的该目标用户的额度使用率，其中，额度使用率是指用户首次动支数额与该用户的授信额度之间的比值，不累加动支数额。服务器在得到基于额度使用率预测模型输出的该目标用户的额度使用率之后，可以预测的该额度使用率乘以该目标用户的授信额度，从而得到该目标用户的动支数额。
在一个实施例中，额度使用率预测模型的构建方法，具体可以包括：获取样本用户的首次授信额度以及首次动支数额，根据样本用户的首次授信额度与首次动支数额的比值，构建额度使用率预测模型。
应该理解的是，虽然图2～3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，这些步骤可以以其它的顺序执行。而且，图2～3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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
在一个实施例中，如图4所示，提供了一种优惠信息发送装置，包括：信息获取模块410、数额预测模块420、分数评估模块430和信息发送模块440，其中：
信息获取模块410，用于获取目标用户的用户特征信息以及所述目标用户的授信额度；
数额预测模块420，用于根据所述目标用户的授信额度预测所述目标用户的动支数额；
分数评估模块430，用于根据所述目标用户的用户特征信息以及所述目标用户的动支数额，并基于预先建立的增益评分模型，预测所述目标用户的增益评分；
信息发送模块440，在所述增益评分大于预设阈值时，向所述目标用户发送优惠信息。
在一个实施例中，分数评估模块430根据目标用户的用户特征信息以及预先建立的增益评分模型，预测目标用户分别落入各个客群类别的概率值，根据各概率值以及目标用户的动支数额计算目标用户的增益评分。
在一个实施例中，分数评估模块430，还用于获取样本用户的用户特征信息以及样本用户的动支数额；确定样本用户对应的客群类别；以样本用户的用户特征信息以及样本用户的动支数额作为模型特征变量，以样本用户对应的客群类别作为模型目标变量，基于机器学习算法构建并训练增益评分模型。
在一个实施例中，分数评估模块430获取样本用户的历史动支数额。
在一个实施例中，分数评估模块430获取利用额度使用率预测模型预测的样本用户的预测动支数额。
在一个实施例中，数额预测模块420调用预先建立的额度使用率预测模型，根据额度使用率预测模型预测目标用户的额度使用率，根据额度使用率以及目标用户的授信额度计算目标用户的动支数额。
在一个实施例中，数额预测模块420，还用于获取样本用户的首次授信额度以及首次动支数额，根据样本用户的首次授信额度与首次动支数额的比值，构建额度使用率预测模型。
关于优惠信息发送装置的具体限定可以参见上文中对于优惠信息发送方法的限定，在此不再赘述。上述优惠信息发送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种优惠信息发送方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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实现以下步骤：获取目标用户的用户特征信息以及目标用户的授信额度；根据目标用户的授信额度预测目标用户的动支数额；根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分；在增益评分大于预设阈值时，向目标用户发送优惠信息。
在一个实施例中，处理器执行计算机程序实现根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分时，具体实现以下步骤：根据目标用户的用户特征信息以及预先建立的增益评分模型，预测目标用户分别落入各个客群类别的概率值，根据各概率值以及目标用户的动支数额计算目标用户的增益评分。
在一个实施例中，处理器执行计算机程序实现构建增益评分模型时，具体实现以下步骤：获取样本用户的用户特征信息以及样本用户的动支数额；确定样本用户对应的客群类别；以样本用户的用户特征信息以及样本用户的动支数额作为模型特征变量，以样本用户对应的客群类别作为模型目标变量，基于机器学习算法构建并训练增益评分模型。
在一个实施例中，处理器执行计算机程序实现获取样本用户的动支数额时，具体实现以下步骤：获取样本用户的历史动支数额。
在一个实施例中，处理器执行计算机程序实现获取样本用户的动支数额时，具体实现以下步骤：获取利用额度使用率预测模型预测的样本用户的预测动支数额。
在一个实施例中，处理器执行计算机程序实现根据目标用户的授信额度预测目标用户的动支数额时，具体实现以下步骤：调用预先建立的额度使用率预测模型，根据额度使用率预测模型预测目标用户的额度使用率，根据额度使用率以及目标用户的授信额度计算目标用户的动支数额。
在一个实施例中，处理器执行计算机程序实现构建额度使用率预测模型时，具体实现以下步骤：获取样本用户的首次授信额度以及首次动支数额，根据样本用户的首次授信额度与首次动支数额的比值，构建额度使用率预测模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标用户的用户特征信息以及目标用户的授信额度；根据目标用户的授信额度预测目标用户的动支数额；根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分；在增益评分大于预设阈值时，向目标用户发送优惠信息。
在一个实施例中，计算机程序被处理器执行实现根据目标用户的用户特征信息、目标用户的动支数额，以及预先建立的增益评分模型，预测目标用户的增益评分时，具体实现以下步骤：根据目标用户的用户特征信息以及预先建立的增益评分模型，预测目标用户分别落入各个客群类别的概率值，根据各概率值以及目标用户的动支数额计算目标用户的增益评分。
在一个实施例中，计算机程序被处理器执行实现构建增益评分模型时，具体实现以下步骤：获取样本用户的用户特征信息以及样本用户的动支数额；确定样本用户对应的客群类别；以样本用户的用户特征信息以及样本用户的动支数额作为模型特征变量，以样本用户对应的客群类别作为模型目标变量，基于机器学习算法构建并训练增益评分模型。
在一个实施例中，计算机程序被处理器执行实现获取样本用户的动支数额时，具体实现以下步骤：获取样本用户的历史动支数额。
在一个实施例中，计算机程序被处理器执行实现获取样本用户的动支数额时，具体实现以下步骤：获取利用额度使用率预测模型预测的样本用户的预测动支数额。
在一个实施例中，计算机程序被处理器执行实现根据目标用户的授信额度预测目标用户的动支数额时，具体实现以下步骤：调用预先建立的额度使用率预测模型，根据额度使用率预测模型预测目标用户的额度使用率，根据额度使用率以及目标用户的授信额度计算目标用户的动支数额。
在一个实施例中，计算机程序被处理器执行实现构建额度使用率预测模型时，具体实现以下步骤：获取样本用户的首次授信额度以及首次动支数额，根据样本用户的首次授信额度与首次动支数额的比值，构建额度使用率预测模型。
本领域普通技术人员可以理解实现上述实施例的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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种优惠信息发送方法，所述方法包括：
获取目标用户的用户特征信息以及所述目标用户的授信额度；
根据所述目标用户的授信额度预测所述目标用户的动支数额；
根据所述目标用户的用户特征信息、所述目标用户的动支数额，以及预先建立的增益评分模型，预测所述目标用户的增益评分；
在所述增益评分大于预设阈值时，向所述目标用户发送优惠信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户的用户特征信息、所述目标用户的动支数额，以及预先建立的增益评分模型，预测所述目标用户的增益评分，包括：
根据所述目标用户的用户特征信息以及预先建立的增益评分模型，预测所述目标用户分别落入各个客群类别的概率值，根据各所述概率值以及所述目标用户的动支数额计算所述目标用户的增益评分。
3.根据权利要求1所述的方法，其特征在于，所述增益评分模型的构建方法，包括：
获取样本用户的用户特征信息以及所述样本用户的动支数额；
确定所述样本用户对应的客群类别；
以所述样本用户的用户特征信息以及所述样本用户的动支数额作为模型特征变量，以所述样本用户对应的客群类别作为模型目标变量，基于机器学习算法构建并训练所述增益评分模型。
4.根据权利要求2所述的方法，其特征在于，所述获取所述样本用户的动支数额，包括：
获取所述样本用户的历史动支数额；或，
获取利用额度使用率预测模型预测的所述样本用户的预测动支数额。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户的授信额度预测所述目标用户的动支数额，包括：
调用预先建立的额度使用率预测模型，根据所述额度使用率预测模型预测所述目标用户的额度使用率，根据所述额度使用率以及所述目标用户的授信额度计算所述目标用户的动支数额。
6.根据权利要求5所述的方法，其特征在于，所述额度使用率预测模型的构建方法，包括：
获取所述样本用户的首次授信额度以及首次动支数额，根据所述样本用户的首次授信额度与首次动支数额的比值，构建所述额度使用率预测模型。
7.根据权利要求2所述的方法，其特征在于，所述客群类别包括未发信息未动支的用户、未发信息动支的用户、发信息未动支的用户以及发信息动支的用户中的至少一类；和/或，所述用户特征信息包括用户基本信息、用户关联账户的活跃程度信息和用户外部征信信息之中的至少一个。
8.一种优惠信息发送装置，其特征在于，所述装置包括：
信息获取模块，用于获取目标用户的用户特征信息以及所述目标用户的授信额度；
数额预测模块，用于根据所述目标用户的授信额度预测所述目标用户的动支数额；
分数评估模块，用于根据所述目标用户的用户特征信息以及所述目标用户的动支数额，并基于预先建立的增益评分模型，预测所述目标用户的增益评分；
信息发送模块，在所述增益评分大于预设阈值时，向所述目标用户发送优惠信息。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202210150720.0A 2022-02-14 2022-02-14 优惠信息发送方法、装置、计算机设备和存储介质 Pending CN114519612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210150720.0A CN114519612A (zh) 2022-02-14 2022-02-14 优惠信息发送方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210150720.0A CN114519612A (zh) 2022-02-14 2022-02-14 优惠信息发送方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114519612A true CN114519612A (zh) 2022-05-20

Family

ID=81598129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210150720.0A Pending CN114519612A (zh) 2022-02-14 2022-02-14 优惠信息发送方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114519612A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273723A (zh) * 2023-09-04 2023-12-22 上海数禾信息科技有限公司 结算预测方法、装置、计算机设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273723A (zh) * 2023-09-04 2023-12-22 上海数禾信息科技有限公司 结算预测方法、装置、计算机设备以及存储介质

Similar Documents

Publication Publication Date Title
CN109345374B (zh) 风险控制方法、装置、计算机设备和存储介质
CN106993104B (zh) 来电处理方法、装置及终端
CN109034892B (zh) 资源分配方法、装置、计算机可读存储介质和计算机设备
CN109767319A (zh) 授信额度确定方法、装置、计算机设备和存储介质
CN112633962B (zh) 业务推荐方法、装置、计算机设备和存储介质
US20110071962A1 (en) Method and system of using network graph properties to predict vertex behavior
WO2005088498A1 (en) System and method for determining a profile of a user of a communication network
CN110781379A (zh) 信息推荐方法、装置、计算机设备和存储介质
CN110084634B (zh) 广告投放优化方法、装置、计算机设备及存储介质
CN113538070B (zh) 用户生命价值周期检测方法、装置和计算机设备
CN111835561A (zh) 基于用户行为数据的异常用户群体检测方法、装置、设备
CN108182633A (zh) 贷款数据处理方法、装置、计算机设备和存储介质
CN114519612A (zh) 优惠信息发送方法、装置、计算机设备和存储介质
CN111598632B (zh) 权益份额、权益份额序列的确定方法及装置
CN113450158A (zh) 银行活动信息推送方法及装置
CN114139046B (zh) 对象推荐方法、装置、电子设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN114358924A (zh) 额度调整策略筛选方法、装置、计算机设备和存储介质
CN113806682A (zh) 信息处理方法、装置、电子设备及存储介质
CN114372862A (zh) 数据处理方法、装置、计算机设备和存储介质
CN112632371A (zh) 银行业务反欺诈方法与系统
Guo et al. Fair learning to rank with distribution-free risk control
CN112308466A (zh) 企业资质审核方法、装置、计算机设备和存储介质
CN111598390A (zh) 服务器高可用性评估方法、装置、设备和可读存储介质
CN111047447A (zh) 通证发放数额确定方法、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