CN114782169A - 一种客户流失率预警方法及装置 - Google Patents

一种客户流失率预警方法及装置 Download PDF

Info

Publication number
CN114782169A
CN114782169A CN202210455033.XA CN202210455033A CN114782169A CN 114782169 A CN114782169 A CN 114782169A CN 202210455033 A CN202210455033 A CN 202210455033A CN 114782169 A CN114782169 A CN 114782169A
Authority
CN
China
Prior art keywords
customer
determining
churn
attrition
loss
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
CN202210455033.XA
Other languages
English (en)
Inventor
吴红娟
刘晓红
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210455033.XA priority Critical patent/CN114782169A/zh
Publication of CN114782169A publication Critical patent/CN114782169A/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
    • 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
    • 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
    • G06Q10/04—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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请提供一种客户流失率预警方法及装置，涉及网络安全技术领域，也可用于金融领域，包括：根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。本申请能够根据客户的历史交易情况对客户的流失行为进行预警。

Description

一种客户流失率预警方法及装置
技术领域
本申请涉及人工智能领域，可以用于金融领域，具体是一种客户流失率预警方法及装置。
背景技术
目前，越来越多的金融机构(以下以银行为例进行阐述)开展了贴现业务。所谓贴现是指收款人将未到期的商业承兑汇票或银行承兑汇票背书后转让给受让人，银行按票面金额扣去自贴现日至汇票到期日的利息以将剩余金额支付给持票人(出让人)。
在贴现业务中，通常有两个原因可能导致客户流失：第一个原因是客户由于经营状况不佳，甚至破产倒闭，不再与银行发生贴现业务，这种流失被称为客观原因流失。第二个原因是由于银行提供的服务不能适应客户的需求，客户转而去找其他银行寻求合作，这种流失被称为主观原因流失。目前，尚无一种技术方法能够对客户的主观原因流失行为进行预警。
发明内容
针对现有技术中的问题，本申请提供一种客户流失率预警方法及装置，能够根据客户的历史交易情况对客户的流失行为进行预警。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种客户流失率预警方法，包括：
根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
进一步地，所述交易水平包括：历史交易水平及当前交易水平；所述客户流失率预警方法，包括：
根据所述历史交易次数及历史交易金额确定所述客户的历史交易水平；
根据所述客户在当前时段内的交易次数及交易金额确定所述客户的当前交易水平。
进一步地，所述根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率，包括：
根据所述历史交易水平及当前交易水平确定交易水平下降幅度及交易水平下降因子；
根据所述交易水平下降幅度及预设的下降幅度阈值确定客户流失行为持续月数及客户正常行为持续月数；
将所述历史交易水平、所述客户流失行为持续月数、所述客户正常行为持续月数及所述交易水平下降因子输入所述客户流失概率计算模型，得到所述客户流失概率。
进一步地，建立所述客户流失概率计算模型的步骤，包括：
根据所述客户流失行为持续月数及客户正常行为持续月数确定第一乘数因子；
根据所述交易水平下降因子确定第二乘数因子；
根据所述第一乘数因子及所述第二乘数因子确定所述客户流失概率计算模型。
进一步地，所述根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级，包括：
根据预设的客户流失概率初始阈值及所述客户流失概率确定初始客户流失损失函数；
利用期望最大化算法调整所述初始客户流失损失函数，得到客户流失概率更新阈值及所述客户流失损失函数；
根据所述客户流失概率、所述客户流失损失函数及所述客户流失概率更新阈值确定所述客户的流失可能性等级。
进一步地，所述的客户流失率预警方法，还包括：
根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级。
进一步地，所述的客户流失率预警方法，所述根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级，包括：
根据所述金融机构历史收益确定收益评估因子；
根据所述客户信用等级确定信用评估因子；
根据所述历史交易水平、历史交易水平高值及所述金融机构历史收益确定所述客户行业价值；
根据所述收益评估因子、所述信用评估因子及所述客户行业价值确定所述客户价值等级。
进一步地，所述根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警，包括：
若所述客户价值等级属于第一档位或第二档位，且所述客户的流失可能性等级为第一级别，发起客户流失率预警以执行挽留操作；
若所述客户价值等级属于所述第一档位或第二档位，且所述客户的流失可能性等级为第二级别，发起客户流失率预警以执行跟踪操作。
第二方面，本申请提供一种客户流失率预警装置，包括：
流失概率确定单元，用于根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
流失可能确定单元，用于根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
流失预警单元，用于根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
进一步地，所述交易水平包括：历史交易水平及当前交易水平；所述装置，包括：
历史交易水平确定单元，用于根据所述历史交易次数及历史交易金额确定所述客户的历史交易水平；
当前交易水平确定单元，用于根据所述客户在当前时段内的交易次数及交易金额确定所述客户的当前交易水平。
进一步地，所述流失概率确定单元，包括：
下降幅度因子确定模块，用于根据所述历史交易水平及当前交易水平确定交易水平下降幅度及交易水平下降因子；
持续月数确定模块，用于根据所述交易水平下降幅度及预设的下降幅度阈值确定客户流失行为持续月数及客户正常行为持续月数；
流失概率确定模块，用于将所述历史交易水平、所述客户流失行为持续月数、所述客户正常行为持续月数及所述交易水平下降因子输入所述客户流失概率计算模型，得到所述客户流失概率。
进一步地，所述的客户流失率预警装置，还包括：
第一乘数因子确定单元，用于根据所述客户流失行为持续月数及客户正常行为持续月数确定第一乘数因子；
第二乘数因子确定单元，用于根据所述交易水平下降因子确定第二乘数因子；
流失概率模型建立单元，用于根据所述第一乘数因子及所述第二乘数因子确定所述客户流失概率计算模型。
进一步地，所述流失可能确定单元，包括：
初始损失函数确定模块，用于根据预设的客户流失概率初始阈值及所述客户流失概率确定初始客户流失损失函数；
损失函数更新模块，用于利用期望最大化算法调整所述初始客户流失损失函数，得到客户流失概率更新阈值及所述客户流失损失函数；
流失可能确定模块，用于根据所述客户流失概率、所述客户流失损失函数及所述客户流失概率更新阈值确定所述客户的流失可能性等级。
进一步地，所述的客户流失率预警装置，还包括：
客户价值确定单元，用于根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级。
进一步地，所述客户价值确定单元，包括：
收益因子确定模块，用于根据所述金融机构历史收益确定收益评估因子；
风险因子确定模块，用于根据所述客户信用等级确定信用评估因子；
行业价值确定模块，用于根据所述历史交易水平、历史交易水平高值及所述金融机构历史收益确定所述客户行业价值；
客户价值确定模块，用于根据所述收益评估因子、所述信用评估因子及所述客户行业价值确定所述客户价值等级。
进一步地，所述流失预警单元，包括：
第一预警模块，用于若所述客户价值等级属于第一档位或第二档位，且所述客户的流失可能性等级为第一级别，发起客户流失率预警以执行挽留操作；
第二预警模块，用于若所述客户价值等级属于所述第一档位或第二档位，且所述客户的流失可能性等级为第二级别，发起客户流失率预警以执行跟踪操作。
第三方面，本申请提供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，所述处理器执行所述程序时实现所述客户流失率预警方法的步骤。
第四方面，本申请提供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所述客户流失率预警方法的步骤。
第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述客户流失率预警方法的步骤。
针对现有技术中的问题，本申请提供的客户流失率预警方法及装置，能够基于电子商业汇票系统的贴现业务数据来识别存在流失风险的贴现客户，对存在流失风险的贴现客户进行分级，同时预测存在流失风险的贴现客户一旦流失对金融机构的预期收益所造成的损失，为金融机构的相关业务部门提供技术支持以执行挽留或追踪操作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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为本申请实施例中客户流失率预警方法的流程图之一；
图2为本申请实施例中客户流失率预警方法的流程图之二；
图3为本申请实施例中确定客户流失概率的流程图；
图4为本申请实施例中建立客户流失概率计算模型的步骤流程图；
图5为本申请实施例中确定客户的流失可能性等级的流程图；
图6为本申请实施例中确定客户价值等级的流程图；
图7为本申请实施例中进行客户流失率预警的流程图；
图8为本申请实施例中客户流失率预警装置的结构图之一；
图9为本申请实施例中客户流失率预警装置的结构图之二；
图10为本申请实施例中流失概率确定单元的结构图；
图11为本申请实施例中客户流失率预警装置的结构图之三；
图12为本申请实施例中流失可能确定单元的结构图；
图13为本申请实施例中客户价值确定单元的结构图；
图14为本申请实施例中流失预警单元的结构图；
图15为本申请实施例中的电子设备的结构示意图；
图16为本申请实施例中业务流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
需要说明的是，本申请提供的客户流失率预警方法及装置，可用于金融领域，也可用于除金融领域之外的任意领域，本申请提供的客户流失率预警方法及装置的应用领域不做限定。
一实施例中，参见图1，为了能够根据客户的历史交易情况对客户的流失行为进行预警，本申请提供一种客户流失率预警方法，包括：
S101：根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
S102：根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
S103：根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
可以理解的是，本申请实施例中的金融机构包括但不限于银行，以下仅以银行为例进行阐述。银行可以使用电子商业汇票系统(实体可为一服务器)来完成贴现业务。
在贴现业务中，通常有两个原因可能导致客户流失：第一个原因是客户由于经营状况不佳，甚至破产倒闭，不再与银行发生贴现业务，这种流失被称为客观原因流失。第二个原因是由于银行提供的服务不能适应客户的需求，客户转而去找其他银行寻求合作，这种流失被称为主观原因流失。
当客户不太满意银行所提供的服务时，其通常会在交易行为上有所表现，本申请实施例可以利用客户在银行电子商业汇票系统中留下的历史交易数据，建立数学模型(客户流失概率计算模型及客户流失损失函数)，进而实现对客户流失率的预警。
上述客户交易行为主要是指客户在银行发生的贴现交易行为。一般而言，随着客户企业的成长，其对于资金的需求是随着时间稳步增长的。假设以月为单位来描述这种增长过程，可以发现客户与银行的贴现交易总额会逐步增加，交易次数也会增加。因此，如果在某一个较长的时间段内，发现客户的交易总额及交易次数有显著下降，就可以认为这个客户存在流失风险。
目前，电子商业汇票系统对客户流失性判断主要依靠人工识别。客户经理及贴现业务条线人员可以根据电子商业汇票系统提供的历史交易数据为依据，依靠自身经验来判断。
鉴于银行的客户量巨大，靠人工一一去甄别存在流失风险的客户，效率极低，因此，有必要提供一种客户流失率预警方法来自动识别这样的客户，旨在利用电子商业汇票系统中的贴现业务数据建立一个能够计算客户流失概率的数学模型，通过该模型来计算客户的流失可能性，并在必要时发出预警。
从上述描述可知，本申请提供的客户流失率预警方法，能够基于电子商业汇票系统的贴现业务数据来识别存在流失风险的贴现客户，对存在流失风险的贴现客户进行分级，同时预测存在流失风险的贴现客户一旦流失对金融机构的预期收益所造成的损失，为金融机构的相关业务部门提供技术支持以执行挽留或追踪操作。
一实施例中，参见图3，所述根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率，包括：
S301：根据所述历史交易水平及当前交易水平(例如可以是上月交易水平)确定交易水平下降幅度及交易水平下降因子；
S302：根据所述交易水平下降幅度及预设的下降幅度阈值确定客户流失行为持续月数及客户正常行为持续月数；
S303：将所述历史交易水平、所述客户流失行为持续月数、所述客户正常行为持续月数及所述交易水平下降因子输入所述客户流失概率计算模型，得到所述客户流失概率。
需要说明的是，首先，对客户的交易水平进行定义，交易水平是由交易总次数F和交易总金额A(以人民币元为单位)确定的一个数值：
交易水平：
Figure BDA0003620166980000081
一实施例中，参见图2，交易水平包括：历史交易水平及当前交易水平；本申请提供的客户流失率预警方法，包括：
S201：根据所述历史交易次数及历史交易金额确定所述客户的历史交易水平；(其中，“历史”所对应的时间段可以根据实际业务需要进行设定。)
S202：根据所述客户在当前时段内的交易次数及交易金额确定所述客户的当前交易水平；当前交易水平可以理解为客户上月的交易水平。“上月”是指客户与本行发生最后一笔交易所在月份的前一个月。
然后，构建客户流失率计算公式(也称客户流失概率计算模型)，主要考虑以下几个因素变量：
1、假设规定：相比前一个月，客户的交易水平下降达到某个幅度L时，认为客户发生了流失行为。
2、从客户与银行发生第一笔交易开始计算，客户发生流失行为的月份数m，m越大，客户的流失可能性越大。
m＝∑交易水平下降幅度达到或超过水平L的月份数
3、从客户第一次发生流失行为开始累加，客户未发生流失行为的月份数t(也称客户正常行为持续月数)，t是对m的修正，t越大，客户的流失可能性越小。
当t>m时，停止对t进行累加。
t＝∑交易水平下降幅度低于水平L的月份数
4、考虑客户呈现阶段性的交易水平下降的因素，因为此时很可能是客户在实施逐步退出合作策略，阶段性交易水平下降因子为S。
Figure BDA0003620166980000082
说明：
上月：客户与银行发生最后一笔交易所在月份的前一个月。
历史：除上月外所有历史值。
考虑上述所有因素，本申请实施例可以用一个数学模型来计算流失可能性(也称客户流失概率)，如下：
流失可能性为：
Figure BDA0003620166980000091
其中，m>＝1，t>＝1，m>＝t。
也就是说，一实施例中，参见图4，建立所述客户流失概率计算模型的步骤，包括：根据所述客户流失行为持续月数及客户正常行为持续月数确定第一乘数因子(S401)；根据所述交易水平下降因子确定第二乘数因子(S402)；根据所述第一乘数因子及所述第二乘数因子确定所述客户流失概率计算模型(S403)。
从上述描述可知，本申请提供的客户流失率预警方法，能够根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率。
一实施例中，参见图5，根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级，包括：
S501：根据预设的客户流失概率初始阈值及所述客户流失概率确定初始客户流失损失函数；
S502：利用期望最大化算法调整所述初始客户流失损失函数，得到客户流失概率更新阈值及所述客户流失损失函数；
S503：根据所述客户流失概率、所述客户流失损失函数及所述客户流失概率更新阈值确定所述客户的流失可能性等级。
可以理解的是，这一步骤中的重要参数包括两个：一个是下降幅度阈值L0的求解，另外一个是高流失可能性概率值的分界点P0的求解，其中，P0也称为标准概率。
1、假设模型设定为：流失概率达到P0＝85％(对应于客户流失概率初始阈值)时为高流失可能性客户，当交易水平下降幅度为L0时认为具有流失行为。
2、定义损失函数
在已知下降幅度阈值L＝L0的情况下，对于某个客户很容易可以统计出前述步骤中的m和t以及历史交易水平和上月交易水平(也称当前交易水平)，于是根据流失可能性公式可以计算出该客户的流失概率为P1。(计算方法参见步骤S301至S303的阐述。)
这个流失概率P1和标准概率P0之间的差值，即模型值和实际值之间的差，差的平方定义为损失S1＝(P0-P1)2,如果P0<＝P1，那么S1＝0。
如果有n个样本客户，可以根据流失可能性公式求解出每个客户的流失可能性，从而可以得到n个损失值S1 S2,S3,……,Sn。
于是，就可以得到最终的损失函数为(如果P0<＝Pi，那么Si＝0)：
Figure BDA0003620166980000101
3、利用EM算法求解S的最小值。
所谓EM算法也称作期望最大化算法，是一种迭代优化策略，计算方法中每次迭代分为两步：
第一步是计算期望(E)，利用对未知参数的现有估计值，计算损失值；
第二步是最大化期望(M)，是在E步上求得的最小化损失来计算未知参数的值。以此类推，不断的迭代下去，直到模型的参数基本无变化，算法收敛，找到合适的模型参数。
在本申请实施例中：
分析：当下降幅度阈值L变大时，在Pi小于P0的情况下，Pi会变小，即Si会变大，即损失值是关于L的单调递增函数。
目标：对于所有样本客户，求一个统一的L值L0，让新的损失值平方之和S尽可能小。
具体步骤如下：
第一步，设定P0＝85％，下降幅度L为一个较大的数(最小为0)，不断减小L，每次减小幅度为0.0001(即学习率)，此时S也将逐渐减小。
第二步，计算损失值的平方和S，期待S值收敛到S0，如果训练长时间不能收敛，那么就指定一个训练次数。
第三步，从而得到L的值L0，L0即我们要求的参数：下降幅度。
第四步，在下降幅度统一为L0的情况下，我们可以计算各样本客户的流失概率，重新统计一个流失概率的分界点P0(此前人为的定为85％)。重新统计的流失概率的分界点P0就是客户流失概率更新阈值。
一实施例中，计算得到流失可能性数值(也称客户流失概率)后，可以利用k-means聚类算法，将这个数值分成三类，并确定每一类的最大概率值及最小概率值，从而可以分成不同的流失可能性等级：
1、大于等于pr1＝P0的，为高流失型客户；
2、大于等于pr2,小于pr1的，为中流失型客户；
3、小于pr2的，为低流失型客户。
其中，pr2及pr1的具体数值可以根据实际业务场景进行设定，本申请不对具体数值进行限定。
所谓k-means算法：
输入：包含n个对象的数据库以及聚类数目。
输出：满足终止条件的若干个类。
1、随机选择K个中心点；
2、把每个数据点分配到离它最近的中心点；
3、重新计算每类中的点到该类中心点距离的平均值；
4、分配每个数据到它最近的中心点；
5、重复步骤3和4，直到所有的观测值不再被分配或是达到最大的迭代次数；
该算法的伪代码如下：
Figure BDA0003620166980000111
从上述描述可知，本申请提供的客户流失率预警方法，能够根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级。
一实施例中，所述的客户流失率预警方法，还包括：
根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级。
一实施例中，参见图6，所述根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级，包括：
S601：根据所述金融机构历史收益确定收益评估因子；
S602：根据所述客户信用等级确定信用评估因子；
S603：根据所述历史交易水平、历史交易水平高值及所述金融机构历史收益确定所述客户行业价值；
S604：根据所述收益评估因子、所述信用评估因子及所述客户行业价值确定所述客户价值等级。
可以理解的是，这个预测模型主要针对前文所述的流失型客户进行分类。
客户未来可以给银行带来的风险收益评估因子，假设客户已经和本行建立合作关系k个月
Figure BDA0003620166980000121
当“k个月内客户累积给本行带来的收益”这个值越大时，客户未来可以给本行带来的风险收益评估因子α越大，意味着客户价值越大。如果一个客户执意要从本行离开，且表现出流失意向，那么这个客户的价值就会变小。
客户的信用等级β越高，客户的价值就越高，假设系统将客户信用等级分为20个级别，那么：
Figure BDA0003620166980000122
行业价值因子γ，如果客户所在行业对本行的收益影响很大，且具有成长性，那么客户的价值就越大(取k个月内的数据)
Figure BDA0003620166980000123
客户价值：
V＝(1+α)×(1+β)×(1+γ)
运用聚类算法(K-MEANS算法)，将V值分为3段，保证每段之间的距离最大。
①大于等于V1的为高价值型客户
②大于等于V2，小于V1的为中价值型客户
③小于V2的为低价值型客户
从上述描述可知，本申请提供的客户流失率预警方法，能够根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级。
一实施例中，参见图7，根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警，包括：
S701：若所述客户价值等级属于第一档位或第二档位，且所述客户的流失可能性等级为第一级别，发起客户流失率预警以执行挽留操作；
S702：若所述客户价值等级属于所述第一档位或第二档位，且所述客户的流失可能性等级为第二级别，发起客户流失率预警以执行跟踪操作。
可以理解的是，服务器(电子商业汇票系统)可以发送报文通知其他业务系统，以使其他业务系统执行挽留操作及跟踪操作。
举例而言，可线上通过网银系统根据客户等级，对客户给予适当的电子优惠政策，如发放电子券等；也可对客户进行服务满意度调查，调查可在线上或线下进行，通过服务提升来挽留客户。
从上述描述可知，本申请提供的客户流失率预警方法，能够根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
为了更清楚地说明本申请提供的方法及装置，进行如下阐述，参见图16。
本申请实施例包括五个流程，从第一个流程到第五个流程是前后依赖的关系。
第一个流程主要完成数据清洗和样本识别工作，主要为第二个流程提供数据输入，其中样本识别工作是第三个流程的前置工作。
第二流程主要完成基础数据的计算工作，主要为第三个流程和第五个流程提供相关数据。
第三个流程主要完成模型训练工作，主要为第四个流程提供相关数据。
第四个流程主要完成对客户流失概率计算，主要为第五个流程提供相关数据
第五个流程主要是对客户进行分类，以指导业务人员。
可以理解的是：
1，第一个流程主要对客户的交易数据和信用等级进行相关数据清洗和样本识别:
a,对于某个月金额为空值或者负值的应该标记为0，交易次数也标记为0，不允许客户的中间某个月出现空值或者无记录的情况。
b,行业名称应该规范统一，可用连续的正整数值标记行业名称。
c,信用等级映射为信用分值，信用越高，等级越高，分值越高，举例来说，如果信用等级分为3级，那么第三级的就对应3分，代表最高信用值，第二级对应2分，第一级对应1分。
d,通过人工判断某个客户是否为高流失性客户，并尽量分散在不同的行业选取这样的样本客户。
然后将这些数据传入到第二个流程：
2，第二个流程接受第一个流程传过来的数据，根据相关公式进行计算相关指标，并将和流失率计算相关的指标数据传给第三个流程。
3，第三个流程接受第二个流程传过来的数据，进行模型训练，最终得到一个最优参数—标准下降幅度值。
4，第四个流程接收第三个流程的参数，并以此为基础计算出所有客户的流失概率，并进行相应的划分，传入到第五个流程。
5，第五个流程将从第二个流程拉取关于客户价值的数据，连同第四个流程传来的数据最终决定客户的分类。
更具体地：
流程一，数据清洗：
1，客户每一笔交易的金额和时间
2，本行在每一笔贴现交易中获得的收益
3，客户所处行业
4，客户的信用等级
5，对部分客户，人工识别客户是否为高流失客户
流程二，基础数据计算：
1，客户每个月的交易金额(人民币元)
2，客户每个月的交易次数(笔数)
3，从上个月开始往前累积k个月(累积到客户第一笔交易发生的月份)客户给本行带来的贴现收益额
4，客户所在行业在这k个月给本行带来的贴现收益额
5，从上个月开始往前累积r个月(累积到本行业第一笔交易发生的月份)本行业给本行带来的贴现收益额
6，全行业在这r个月给本行带来的贴现收益额
7，客户信用等级映射的信用分值(分值为级别数，等级越高，对应的分值越大，最低的为1分)
8，计算客户每个月的交易水平t_Level
9，计算和客户价值相关的参数α，β，γ
10，计算客户的客户价值类型
流程三，模型训练：
第一步，利用样本和EM算法原理，得到标准L0值,同时得到P0值；
第二步，利用聚类算法获取高流失客户、中流失客户、低流失客户的概率分界值pr1,pr2
第三步，对于所有客户，利用聚类算法获取高价值客户、中价值客户、低价值客户的价值分界值v1,v2
流程四，计算客户流失概率并分类：
第一步，计算和流失相关的参数，根据标准L0值，计算每个待测客户的m值，t值以及历史交易水平h0和上月交易水平h1；
第二步，计算每个客户的流失概率值，并确定属于高、中、低哪一类流失类型客户；
流程五，输出结果：
对客户进行最终分类：
1，高、中价值客户，高流失可能性，需要挽留
2，高、中价值客户，中流失可能性，需要重点跟踪
3，其他客户，视情况进行处理
综上所述，客户流失是各行各业普遍存在的问题，本发明主要用于解决银行贴现业务领域流失型客户的识别问题以及是否值得去跟踪和挽留的问题。
就目前来说，上述过程主要依靠业务人员的经验判断，这种经验判断有三个弊端：1，判断准确率和业务人员的经验丰富程度有很大关系，而且不同的人判断标准可能会有所不同，同一个人在不同的时间段，也可能会运用不同的判断标准，给业务管理上带来难题；2，大部分经验都很难传授，在发生员工离职、退休、调岗等问题时，一旦工作交接不到位，将无法确定判断标准，给业务造成一定损失；3，判断效率低下，即便是通过经验来判断，也需要提取相关的数据进行参考，计算，这个过程依靠人工来做，是非常耗时的。
而使用大数据和机器学习的手段，判断标准并不会因为业务人员的离去而消失，而且大数据技术的高效计算能力无疑可以大大提高判断效率，而且数据量越大，这种方式判断的准确率越高，而识别效率并不会有明显下降。
基于同一发明构思，本申请实施例还提供了一种客户流失率预警装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于客户流失率预警装置解决问题的原理与客户流失率预警方法相似，因此客户流失率预警装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
一实施例中，参见图8，为了能够根据客户的历史交易情况对客户的流失行为进行预警，本申请提供一种客户流失率预警装置，包括：流失概率确定单元801、流失可能确定单元802及流失预警单元803。
流失概率确定单元801，用于根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
流失可能确定单元802，用于根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
流失预警单元803，用于根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
一实施例中，参见图9，交易水平包括：历史交易水平及当前交易水平；所述装置，包括：历史交易水平确定单元901及当前交易水平确定单元902。
历史交易水平确定单元901，用于根据所述历史交易次数及历史交易金额确定所述客户的历史交易水平；
当前交易水平确定单元902，用于根据所述客户在当前时段内的交易次数及交易金额确定所述客户的当前交易水平。
一实施例中，参见图10，流失概率确定单元801，包括：下降幅度因子确定模块1001、持续月数确定模块1002及流失概率确定模块1003。
下降幅度因子确定模块1001，用于根据所述历史交易水平及当前交易水平确定交易水平下降幅度及交易水平下降因子；
持续月数确定模块1002，用于根据所述交易水平下降幅度及预设的下降幅度阈值确定客户流失行为持续月数及客户正常行为持续月数；
流失概率确定模块1003，用于将所述历史交易水平、所述客户流失行为持续月数、所述客户正常行为持续月数及所述交易水平下降因子输入所述客户流失概率计算模型，得到所述客户流失概率。
一实施例中，参见图11，所述的客户流失率预警装置，还包括：第一乘数因子确定单元1101、第二乘数因子确定单元1102及流失概率模型建立单元1103。
第一乘数因子确定单元1101，用于根据所述客户流失行为持续月数及客户正常行为持续月数确定第一乘数因子；
第二乘数因子确定单元1102，用于根据所述交易水平下降因子确定第二乘数因子；
流失概率模型建立单元1103，用于根据所述第一乘数因子及所述第二乘数因子确定所述客户流失概率计算模型。
一实施例中，参见图12，所述流失可能确定单元802，包括：初始损失函数确定模块1201、损失函数更新模块1202及流失可能确定模块1203。
初始损失函数确定模块1201，用于根据预设的客户流失概率初始阈值及所述客户流失概率确定初始客户流失损失函数；
损失函数更新模块1202，用于利用期望最大化算法调整所述初始客户流失损失函数，得到客户流失概率更新阈值及所述客户流失损失函数；
流失可能确定模块1203，用于根据所述客户流失概率、所述客户流失损失函数及所述客户流失概率更新阈值确定所述客户的流失可能性等级。
一实施例中，所述的客户流失率预警装置，还包括：
客户价值确定单元804，用于根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级。
一实施例中，参见图13，所述客户价值确定单元804，包括：收益因子确定模块1301、风险因子确定模块1302、行业价值确定模块1303及客户价值确定模块1304。
收益因子确定模块1301，用于根据所述金融机构历史收益确定收益评估因子；
风险因子确定模块1302，用于根据所述客户信用等级确定信用评估因子；
行业价值确定模块1303，用于根据所述历史交易水平、历史交易水平高值及所述金融机构历史收益确定所述客户行业价值；
客户价值确定模块1304，用于根据所述收益评估因子、所述信用评估因子及所述客户行业价值确定所述客户价值等级。
一实施例中，参见图14，所述流失预警单元803，包括：第一预警模块1401及第二预警模块1402。
第一预警模块1401，用于若所述客户价值等级属于第一档位或第二档位，且所述客户的流失可能性等级为第一级别，发起客户流失率预警以执行挽留操作；
第二预警模块1402，用于若所述客户价值等级属于所述第一档位或第二档位，且所述客户的流失可能性等级为第二级别，发起客户流失率预警以执行跟踪操作。
从硬件层面来说，为了能够根据客户的历史交易情况对客户的流失行为进行预警，本申请提供一种用于实现所述客户流失率预警方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述客户流失率预警装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的客户流失率预警方法的实施例，以及客户流失率预警装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，客户流失率预警方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图15为本申请实施例的电子设备9600的系统构成的示意框图。如图15所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图15是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，客户流失率预警方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
S101：根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
S102：根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
S103：根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
从上述描述可知，本申请提供的客户流失率预警方法，能够基于电子商业汇票系统的贴现业务数据来识别存在流失风险的贴现客户，对存在流失风险的贴现客户进行分级，同时预测存在流失风险的贴现客户一旦流失对金融机构的预期收益所造成的损失，为金融机构的相关业务部门提供技术支持以执行挽留或追踪操作。
在另一个实施方式中，客户流失率预警装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置客户流失率预警装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现客户流失率预警方法的功能。
如图15所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图15中所示的所有部件；此外，电子设备9600还可以包括图15中没有示出的部件，可以参考现有技术。
如图15所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的客户流失率预警方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的客户流失率预警方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S101：根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
S102：根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
S103：根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
从上述描述可知，本申请提供的客户流失率预警方法，能够基于电子商业汇票系统的贴现业务数据来识别存在流失风险的贴现客户，对存在流失风险的贴现客户进行分级，同时预测存在流失风险的贴现客户一旦流失对金融机构的预期收益所造成的损失，为金融机构的相关业务部门提供技术支持以执行挽留或追踪操作。
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、装置、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(装置)、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (19)

1.一种客户流失率预警方法，其特征在于，包括：
根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
2.根据权利要求1所述的客户流失率预警方法，其特征在于，所述交易水平包括：历史交易水平及当前交易水平；所述客户流失率预警方法，包括：
根据所述历史交易次数及历史交易金额确定所述客户的历史交易水平；
根据所述客户在当前时段内的交易次数及交易金额确定所述客户的当前交易水平。
3.根据权利要求2所述的客户流失率预警方法，其特征在于，所述根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率，包括：
根据所述历史交易水平及当前交易水平确定交易水平下降幅度及交易水平下降因子；
根据所述交易水平下降幅度及预设的下降幅度阈值确定客户流失行为持续月数及客户正常行为持续月数；
将所述历史交易水平、所述客户流失行为持续月数、所述客户正常行为持续月数及所述交易水平下降因子输入所述客户流失概率计算模型，得到所述客户流失概率。
4.根据权利要求3所述的客户流失率预警方法，其特征在于，建立所述客户流失概率计算模型的步骤，包括：
根据所述客户流失行为持续月数及客户正常行为持续月数确定第一乘数因子；
根据所述交易水平下降因子确定第二乘数因子；
根据所述第一乘数因子及所述第二乘数因子确定所述客户流失概率计算模型。
5.根据权利要求1所述的客户流失率预警方法，其特征在于，所述根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级，包括：
根据预设的客户流失概率初始阈值及所述客户流失概率确定初始客户流失损失函数；
利用期望最大化算法调整所述初始客户流失损失函数，得到客户流失概率更新阈值及所述客户流失损失函数；
根据所述客户流失概率、所述客户流失损失函数及所述客户流失概率更新阈值确定所述客户的流失可能性等级。
6.根据权利要求1所述的客户流失率预警方法，其特征在于，还包括：
根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级。
7.根据权利要求6所述的客户流失率预警方法，其特征在于，所述根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级，包括：
根据所述金融机构历史收益确定收益评估因子；
根据所述客户信用等级确定信用评估因子；
根据所述历史交易水平、历史交易水平高值及所述金融机构历史收益确定所述客户行业价值；
根据所述收益评估因子、所述信用评估因子及所述客户行业价值确定所述客户价值等级。
8.根据权利要求1所述的客户流失率预警方法，其特征在于，所述根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警，包括：
若所述客户价值等级属于第一档位或第二档位，且所述客户的流失可能性等级为第一级别，发起客户流失率预警以执行挽留操作；
若所述客户价值等级属于所述第一档位或第二档位，且所述客户的流失可能性等级为第二级别，发起客户流失率预警以执行跟踪操作。
9.一种客户流失率预警装置，其特征在于，包括：
流失概率确定单元，用于根据客户的交易水平及预设的客户流失概率计算模型确定客户流失概率；所述交易水平由历史交易次数及历史交易金额确定；
流失可能确定单元，用于根据预设的客户流失损失函数及所述客户流失概率确定所述客户的流失可能性等级；
流失预警单元，用于根据所述流失可能性等级及预先确定的客户价值等级进行客户流失率预警。
10.根据权利要求9所述的客户流失率预警装置，其特征在于，所述交易水平包括：历史交易水平及当前交易水平；所述装置，包括：
历史交易水平确定单元，用于根据所述历史交易次数及历史交易金额确定所述客户的历史交易水平；
当前交易水平确定单元，用于根据所述客户在当前时段内的交易次数及交易金额确定所述客户的当前交易水平。
11.根据权利要求10所述的客户流失率预警装置，其特征在于，所述流失概率确定单元，包括：
下降幅度因子确定模块，用于根据所述历史交易水平及当前交易水平确定交易水平下降幅度及交易水平下降因子；
持续月数确定模块，用于根据所述交易水平下降幅度及预设的下降幅度阈值确定客户流失行为持续月数及客户正常行为持续月数；
流失概率确定模块，用于将所述历史交易水平、所述客户流失行为持续月数、所述客户正常行为持续月数及所述交易水平下降因子输入所述客户流失概率计算模型，得到所述客户流失概率。
12.根据权利要求11所述的客户流失率预警装置，其特征在于，还包括：
第一乘数因子确定单元，用于根据所述客户流失行为持续月数及客户正常行为持续月数确定第一乘数因子；
第二乘数因子确定单元，用于根据所述交易水平下降因子确定第二乘数因子；
流失概率模型建立单元，用于根据所述第一乘数因子及所述第二乘数因子确定所述客户流失概率计算模型。
13.根据权利要求9所述的客户流失率预警装置，其特征在于，所述流失可能确定单元，包括：
初始损失函数确定模块，用于根据预设的客户流失概率初始阈值及所述客户流失概率确定初始客户流失损失函数；
损失函数更新模块，用于利用期望最大化算法调整所述初始客户流失损失函数，得到客户流失概率更新阈值及所述客户流失损失函数；
流失可能确定模块，用于根据所述客户流失概率、所述客户流失损失函数及所述客户流失概率更新阈值确定所述客户的流失可能性等级。
14.根据权利要求9所述的客户流失率预警装置，其特征在于，还包括：
客户价值确定单元，用于根据金融机构历史收益、客户信用等级、客户行业价值确定客户价值等级。
15.根据权利要求14所述的客户流失率预警装置，其特征在于，所述客户价值确定单元，包括：
收益因子确定模块，用于根据所述金融机构历史收益确定收益评估因子；
风险因子确定模块，用于根据所述客户信用等级确定信用评估因子；
行业价值确定模块，用于根据所述历史交易水平、历史交易水平高值及所述金融机构历史收益确定所述客户行业价值；
客户价值确定模块，用于根据所述收益评估因子、所述信用评估因子及所述客户行业价值确定所述客户价值等级。
16.根据权利要求9所述的客户流失率预警装置，其特征在于，所述流失预警单元，包括：
第一预警模块，用于若所述客户价值等级属于第一档位或第二档位，且所述客户的流失可能性等级为第一级别，发起客户流失率预警以执行挽留操作；
第二预警模块，用于若所述客户价值等级属于所述第一档位或第二档位，且所述客户的流失可能性等级为第二级别，发起客户流失率预警以执行跟踪操作。
17.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1至8任一项所述的客户流失率预警方法的步骤。
18.一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，该计算机程序被处理器执行时实现权利要求1至8任一项所述的客户流失率预警方法的步骤。
19.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至8任一项所述的客户流失率预警方法的步骤。
CN202210455033.XA 2022-04-24 2022-04-24 一种客户流失率预警方法及装置 Pending CN114782169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210455033.XA CN114782169A (zh) 2022-04-24 2022-04-24 一种客户流失率预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210455033.XA CN114782169A (zh) 2022-04-24 2022-04-24 一种客户流失率预警方法及装置

Publications (1)

Publication Number Publication Date
CN114782169A true CN114782169A (zh) 2022-07-22

Family

ID=82433813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210455033.XA Pending CN114782169A (zh) 2022-04-24 2022-04-24 一种客户流失率预警方法及装置

Country Status (1)

Country Link
CN (1) CN114782169A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408742A (zh) * 2023-12-15 2024-01-16 湖南三湘银行股份有限公司 用户筛分方法及系统
CN117408660A (zh) * 2023-12-15 2024-01-16 山东杰出人才发展集团有限公司 一种基于大数据的人力资源数据服务管理系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408742A (zh) * 2023-12-15 2024-01-16 湖南三湘银行股份有限公司 用户筛分方法及系统
CN117408660A (zh) * 2023-12-15 2024-01-16 山东杰出人才发展集团有限公司 一种基于大数据的人力资源数据服务管理系统
CN117408742B (zh) * 2023-12-15 2024-04-02 湖南三湘银行股份有限公司 用户筛分方法及系统

Similar Documents

Publication Publication Date Title
AU2004244285B2 (en) Method and system for predicting attrition customers
CN110458693A (zh) 一种企业贷款自动审批方法、装置、存储介质及电子设备
US20150228014A1 (en) Automated customer characterization
US20090307088A1 (en) Total Net Worth Derivation and Future Scenario Prediction
CN114782169A (zh) 一种客户流失率预警方法及装置
CN109598606B (zh) 数据处理方法、装置、介质及电子设备
CN111210341A (zh) 一种确定业务额度的方法和装置
CN112150291A (zh) 智慧金融产品推荐系统
CN112561686A (zh) 供应链企业授信额度评估方法及系统
CN112150290A (zh) 用于智慧金融的产品推送方法
CN111476657A (zh) 信息推送方法、装置及系统
US8712890B2 (en) Systems and methods for optimizing capital structure of a financial institution
CN111461871A (zh) 额度控制方法、装置、设备与计算机可读存储介质
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN111161080A (zh) 信息处理方法和装置
CN114240599A (zh) 贷款测算方法、装置、计算机设备和存储介质
CN117252677A (zh) 信贷额度确定方法和装置、电子设备及存储介质
CN114943582A (zh) 一种信息推荐方法、系统及推荐服务器
CN114240100A (zh) 贷款评估方法、装置、计算机设备和存储介质
US20170330235A1 (en) Customer management system for determining aggregate customer value
CN113077251A (zh) 一种预付费交易场景下的异常行为监测方法及装置
CN112581256A (zh) 授信额度数据处理的方法、装置、设备和计算机可读介质
CN114493822A (zh) 一种基于迁移学习的用户违约预测定价方法和系统
CN111932018B (zh) 银行业务绩效贡献信息预测方法及装置
CA3019195A1 (en) Dynamic monitoring and profiling of data exchanges within an enterprise environment

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