CN114862108A - 自助设备的选址处理方法及系统 - Google Patents
自助设备的选址处理方法及系统 Download PDFInfo
- Publication number
- CN114862108A CN114862108A CN202210316835.2A CN202210316835A CN114862108A CN 114862108 A CN114862108 A CN 114862108A CN 202210316835 A CN202210316835 A CN 202210316835A CN 114862108 A CN114862108 A CN 114862108A
- Authority
- CN
- China
- Prior art keywords
- subset
- customer
- risk
- self
- bank
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 108
- 238000007621 cluster analysis Methods 0.000 claims abstract description 33
- 238000012163 sequencing technique Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 230000000717 retained effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种自助设备的选址处理方法及系统,涉及银行设备管理技术领域,包括:确定银行客户的多维度数据;对银行客户进行聚类分析,获得多个客户子集合;确定每个客户子集合关于各个风险类型的风险概率;根据客户子集合关于风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;划分为多个地理区域,确定在各个地理区域的银行客户集合;确定地理区域的银行客户集合归属于各个客户子集合的银行客户,得到地理区域的客户类别向量;依据相似地理区域的自助设备数量,设置需要部署的自助设备数量;确定未部署自助设备的地理区域的主要风险类型;根据主要风险类型及每个潜在地点的风险数据,确定自助设备的位置。
Description
技术领域
本发明涉及银行设备管理技术领域,尤指一种自助设备的选址处理方法及系统。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在银行的服务网点中使用的自助设备越来越多,该些自助设备可以使用户自行办理业务。对于服务网点中自助设备数量的配置,通常是由人为决定的,设备数量的设置一般比较随机。如果放置的自助设备太多,有的自助设备可能没有多少人在用,这样就造成了资源的浪费,如果放置的设备太少,则会让客户排很长时间的队,客户体验不好,并且自助设备的选址缺乏实际数据的支撑,导致设置的位置可能离客户比较远,客户体验不好。
综上来看,亟需一种可以克服上述缺陷,通过调节自助设备的位置和数量,改善用户体验的技术方案。
发明内容
为解决现有技术存在的问题,本发明提出了一种自助设备的选址处理方法及系统。
在本发明实施例的第一方面,提出了一种自助设备的选址处理方法,包括:
获取预定区域的银行客户的交易数据,确定银行客户的多维度数据;
根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;
根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;
将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;
根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量;
根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;
根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置。
在本发明实施例的第二方面,提出了一种自助设备的选址处理系统,包括:
数据获取模块,用于获取预定区域的银行客户的交易数据,确定银行客户的多维度数据;
聚类分析模块,用于根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;
风险概率计算模块,用于根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;
客户类别计算模块,用于将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;
自助设备数量确定模块,用于根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量;
潜在地点分析模块,用于根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;
自助设备位置确定模块,用于根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置。
在本发明实施例的第三方面,提出了一种计算机设备,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,所述处理器执行所述计算机程序时实现自助设备的选址处理方法。
在本发明实施例的第四方面,提出了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程序,所述计算机程序被处理器执行时实现自助设备的选址处理方法。
在本发明实施例的第五方面,提出了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现自助设备的选址处理方法。
本发明提出的自助设备的选址处理方法及系统通过获取预定区域的银行客户的交易数据,确定银行客户的多维度数据;根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量;根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置,本发明在实施过程中可以确定各个区域自助设备的需求数量及部署地点,从而通过部署自助设备有效的服务银行客户集合,减少客户为办理业务所移动的距离,节省客户为办理业务所消耗的时间,有效提升客户体验度,增加客户粘性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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它的附图。
图1是本发明一实施例的自助设备的选址处理方法流程示意图。
图2是本发明一具体实施例的聚类分析的流程示意图。
图3是本发明一具体实施例的聚类分析的详细流程示意图。
图4是本发明一具体实施例的确定风险概率向量的流程示意图。
图5是本发明一具体实施例的确定需要部署的自助设备数量的流程示意图。
图6是本发明一具体实施例的分析潜在地点的流程示意图。
图7是本发明一具体实施例的确定自助设备位置的流程示意图。
图8是本发明一实施例的自助设备的选址处理系统架构示意图。
图9是本发明一具体实施例的聚类分析模块的详细架构示意图。
图10是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施方式,提出了一种自助设备的选址处理方法及系统,涉及银行设备管理技术领域。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
图1是本发明一实施例的自助设备的选址处理方法流程示意图。如图1所示,该方法包括:
S101,获取预定区域的银行客户的交易数据,确定银行客户的多维度数据;
S102,根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;
S103,根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;
S104,将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;
S105,根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量;
S106,根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;
S107,根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置。
为了对上述自助设备的选址处理方法进行更为清楚的解释,下面结合每一步骤来进行详细说明。
在S101中,获取预定区域的银行客户的交易数据,确定客户的多维度数据的具体流程为:
根据所述预定区域的银行客户的交易数据,确定包括收入、平均支付金额在内的多维度数据。在实际应用场景中,还可以确定其他维度的数据,包括主要交易渠道(交易量最大的交易渠道,交易渠道包括ATM,手机银行,人工柜台,电话银行等),风险等级。
在S102中,参考图2,根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序的具体流程为:
S1021,根据多维度数据中每个维度的距离函数,确定多维度数据对应的距离函数;
具体的,该距离函数可以计算得到任何两个银行客户的距离值;因为在聚类算法中需要计算获得每一个银行客户与子集合中心的距离,而子集合中心不一定对应一个真实的银行客户,它的多维数据是通过子集合中所有客户的多维数据计算获得的。
S1022,根据所述多维度数据对应的距离函数,对银行客户进行聚类分析,获得多个客户子集合,对得到的客户子集合按编号进行排序。
在一实施例中,基于多维度数据对应的距离函数,基于K均值对银行客户进行聚类分析,获得多个客户子集合。
在一实施例中,可以将主要交易渠道和风险等级作为类别标识,对银行客户进行聚类分析,具体的,参考图3,具体流程为:
S21,在银行客户集合中选取多个银行客户作为子集合中心,每个子集合中心对应于一个客户子集合,该客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
S22,对于每一个银行客户,执行如下两个步骤:
从所有的子集合中心中选取出和该银行客户的主要交易渠道和风险等级一致的多个子集合中心,基于所述多维度数据对应的距离函数计算每个选取出的子集合中心和该银行客户的的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第一最小距离,将该最小值对应的子集合中心作为该银行客户对应的子集合中心;对于每个未被选取出的子集合中心,基于所述多维度数据对应的距离函数计算该子集合中心和该银行客户的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第二最小距离;
如果对应的第一最小距离小于等于对应的第二最小距离,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;如果对应的第一最小距离大于对应的第二最小距离且对应的第一最小距离与对应的第二最小距离的差小于指定阈值,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;否则,基于该银行客户新建一个子集合中心,该新建的子集合中心对应于一个新的客户子集合,该新的客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
S23,在对所有银行客户执行完以上步骤(S22)后,对于每一个客户子集合,依据该客户子集合的所有客户的多维度数据,主要交易渠道和风险等级,确定该客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及该客户子集合对应的差距值;其中,该客户子集合对应的差距值依据该客户子集合对应的子集合中心和该客户子集合的均值中心确定;
S24,如果存在客户子集合对应的差距值大于预设阈值,基于上述步骤获得的均值中心新设定多个子集合中心,每个新设定的子集合中心对应一个新的客户子集合,该新的客户子集合的初始元素只包含对应的新设定的子集合中心;之后基于新设定的子集合中心和新的客户子集合继续对每一个银行客户执行以上步骤(S22)以及确定各个客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及各个客户子集合对应的差距值(S23),直至所有的客户子集合对应的差距值都小于等于预设阈值;
S25,如果所有的客户子集合对应的差距值都小于等于预设阈值,则停止对银行客户进行聚类分析,从而得到多个客户子集合。
需要说明的是,和该银行客户的主要交易渠道和风险等级一致的子集合中心是指该子集合中心的主要交易渠道和该银行客户的主要交易渠道是一致的,并且该子集合中心的风险等级和该银行客户的风险等级是一致的。
在本实施例中,对于每一个客户子集合,依据该客户子集合的所有客户的多维度数据,主要交易渠道和风险等级,确定该客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及该客户子集合对应的差距值。对于多维度的每一连续维度,可以将该客户子集合的所有银行客户在该维度的数据值的均值,作为该客户子集合对应的均值中心在该维度的数据值;对于多维度的每一离散维度,可以将该客户子集合的所有银行客户在该维度的数据值中数量最多的数据值,作为该客户子集合对应的均值中心在该维度的数据值;对于主要交易渠道或者风险等级,方法和离散维度相同。
在本实施例中,该客户子集合对应的差距值依据该客户子集合对应的子集合中心和该客户子集合的均值中心确定。具体的,将该客户子集合对应的子集合中心和对应的均值中心对应于各个维度的值的差的加权平方和的平方根,作为该客户子集合对应的差距值。
具体的,在对得到的客户子集合按编号进行排序时,可以得到子集合1、子集合2等。
在一具体实施例中,可以对得到的多个客户子集合进行筛选:可以只保留客户数量大于指定阈值的多个客户子集合,将其他的客户子集合删去。
在一具体实施例中,对于得到的多个客户子集合,还可以按照以下方法进行筛选:
对上述多个客户子集合依据客户数量从多到少排序;对于每个客户子集合,确定该客户子集合的客户数量与在排序中该客户子集合的下一个客户子集合的客户数量的差值,将该差值作为该客户子集合对应的客户数量差值;从对应的客户数量差值最大的多个客户子集合中,选取出对应的客户数量最多的客户子集合,将该客户子集合确定为临界子集合,将该临界子集合的客户数量确定为临界值;将对应的客户数量大于等于该临界值的客户子集合称为第一子集合,相反的,将对应的客户数量小于该临界值的客户子集合称为第二子集合;当临界子集合的客户数量大于所有第二子集合的客户数量总和,且第一子集合的所有客户的交易数量与第二子集合的所有客户的交易数量的比值大于阈值,则保留多个客户子集合中的第一子集合,删去第二子集合,其中,该阈值设置为大于等于第一子集合的客户数与第二子集合的客户数的比值的数值。
在S103中,参考图4,根据每个客户子集合的交易数据(包含风险数据),确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量,包括:
S1031,对于每个风险类型,计算该客户子集合中每个客户的交易数据中,涉及该风险类型的交易数据的数量与该交易数据的数量的比值,将所述比值作为该客户关于该风险类型的风险概率,将该客户子集合中所有客户关于该风险类型的风险概率的均值作为该客户子集合关于该风险类型的风险概率;
S1032,对于每个风险类型,确定相应的风险概率向量,其中,该风险概率向量的每个分量和各个客户子集合一一对应,每个分量的值等于该分量对应的客户子集合关于该风险类型的风险概率。
具体的,依据大数定理,数据越多,由所述比值获得的风险概率越准确。在上述计算过程中,可以先确定每个客户子集合中客户的数量是否大于预设值。
如果大于,对于每个风险类型,则计算该客户子集合中每个客户的交易数据中,涉及该风险类型的交易数据的数量与该交易数据的数量的比值,将所述比值作为该客户关于该风险类型的风险概率,将该客户子集合中所有客户关于该风险类型的风险概率的均值作为该客户子集合关于该风险类型的风险概率;
如果小于,则基于多维度数据对应的距离函数确定不属于该客户子集合的其他客户与该客户子集合对应的子集合中心的距离,选取合适的指定阈值,使得与该客户子集合对应的子集合中心的距离小于指定阈值的多个其他客户和该客户子集合组成的新客户集合中客户的数量大于预设值,这时对于每个风险类型,计算该新客户集合中的每个客户的交易数据中,涉及该风险类型的交易数据的数量与该交易数据的数量的比值,将所述比值作为该客户关于该风险类型的风险概率,将该新客户集合中所有客户关于该风险类型的风险概率的均值作为该客户子集合关于该风险类型的风险概率。
其中,上述预设值可以设置为:其中σ是客户子集合关于各个风险类型的概率分布的方差的最大值,ε是可以接受的风险概率误差,P是可以接受的风险概率误差大于ε的概率。σ可以按照如下方法获得:对于每个风险类型,基于该客户子集合中各个客户关于该风险类型的风险概率,确定该客户子集合关于该风险类型的方差;将σ设置为该客户子集合关于各个风险类型的方差的最大值。同一个客户子集合的各个客户的风险概率可以看成是该客户子集合的风险数据满足的概率分布的一个样本,基于满足该概率分布的多个样本,可以估算该概率分布的方差。
其中,上述风险概率为条件风险概率,条件是客户子集合对应的主要交易渠道和风险等级。
风险类型可以包括:客户信息被盗风险,客户流失风险,诈骗风险,客户信用风险,资金异常转移风险,内部人员风险,贷款逾期风险等。
在S104中,将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;
如果是依据筛选后的多个客户子集合来确定客户类别向量,可以减小客户类别向量的长度,减少计算的复杂性,同时可以保持依据客户类别向量的距离计算备选区域的准确性。
在实际应用场景中,划分预定区域可以按照街道的范围。
在一具体实施例中,确定地理区域的方式可以采用以下方法:
获取预定区域内每个客户的居住位置(如果银行数据库中没有该银行客户的居住位置,将获得的该银行客户的多个地址中停留时间最长的地址确定为该银行客户的居住位置),这样每个客户对应于二维空间的一个点(就是该客户的居住位置)。任何一个由客户组成的集合,该集合对应多个点(该集合的所有客户对应于二维空间的多个点),该多个点对应一个凸多边形,该凸多边形的每条边的端点是该集合的一个客户对应的点,该集合的所有客户对应的点都位于该凸多边形的内部或者边上,将该凸多边形确定为该集合对应的多边形。
对于每个所述客户子集合,循环执行如下步骤,直到该客户子集合的所有客户都已经添加到某个已选集合中:从该客户子集合中选取3个客户,使得在二维空间中该3个客户对应的3个点组成的三角形的内部和边上只包含该客户子集合的客户对应的点,该3个客户组成一个已选集合;对于该客户子集合的未被选取的每个客户,确定该客户和该已选集合组成的新集合对应的多边形是否只包含该客户子集合的客户对应的点,如果只包含,则将该客户添加到该已选集合中,否则不添加,直到找不到该客户子集合的除添加到该已选集合之外的其他客户,使得满足该其他客户和该已选集合组成的新集合对应的多边形不包含其他任何客户子集合的客户对应的点。该已选集合的客户类型是该已选集合包含的客户归属的客户子集合。
对于上述确定的两个已选集合,确认该两个已选集合的并集对应的多边形和其他已选集合对应的多边形在二维空间中有没有公共部分,如果没有,则确认该两个已选集合的并集中归属于各个客户子集合的客户数,作为各个客户子集合对应于该两个已选集合的客户数;将对应于该两个已选集合的客户数最多的客户子集合确定为该两个已选集合的主客户子集合,如果该主客户子集合对应于该两个已选集合的客户数与该两个已选集合的并集所包含的客户总数的比例超过阈值(比如0.9),则将该两个已选集合合并成新的已选集合。循环的对任何两个已选集合进行上述合并操作,直至找不到两个已选集合可以进行合并。每个新的已选集合的客户类别是组成该新的已选集合的两个已选集合的主客户子集合。
上述获得的多个新的已选集合,每个新的已选集合对应的多边形都对应一个地理区域。
在S105中,参考图5,根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量的具体流程为:
S1051,对于每个部署自助设备的地理区域,确定该地理区域的客户类别向量与所述未部署自助设备的地理区域的客户类别向量的距离,将该距离作为该地理区域对应的距离值,每个距离值对应一个部署有自助设备的地理区域;
S1052,在所述距离值中,选取小于设定值的多个部署有自助设备的地理区域,作为备选区域;
S1053,根据所述未部署自助设备的地理区域和对应的备选区域的银行客户集合及所述银行客户集合中各个银行客户的交易数据,确定未部署自助设备的地理区域和对应的备选区域的多维度数据,其中,所述多维度数据包括:平均交易量、主要交易类型、平均支付金额、主要风险等级;
S1054,根据所述未部署自助设备的地理区域和对应的备选区域的多维度数据,确定所述未部署自助设备的地理区域与各个备选区域的距离;
S1055,将距离最小的备选区域作为所述未部署自助设备的地理区域的相似地理区域,按照相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域的自助设备数量。
具体的,对于未部署自助设备的地理区域A,计算地理区域A的向量与各个部署有自助设备的地理区域B的向量的距离,这样对于每一个部署有自助设备的地理区域,都对应一个距离值。然后选取出距离值小于阈值的多个部署有自助设备的地理区域,作为备选区域。
对于地理区域A和每个备选区域,依据对应的银行客户集合以及该客户集合中各个客户的交易数据,确定地理区域A和每个备选区域在各个维度上的值,维度可以包括:客户数,平均交易量,主要交易类型,平均支付金额,主要风险等级。
依据上述维度,确定地理区域A与各个备选区域的距离。将距离最小的备选区域作为地理区域A的相似地理区域。地理区域A的自助设备的数量设置为地理区域A的相似地理区域的自助设备数量。
具体的,两个客户类别向量的距离可以是该两个客户类别向量的欧式距离,也可以是该两个客户类别向量的余弦距离。
在S106中,参考图6,根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据的具体流程为:
S1061,获取银行客户的交易数据中的交易地址,在所述交易地址中选出位于所述未部署自助设备的地理区域内的多个交易地址;
S1062,对于选出的每个交易地址,获取该交易地址的交易数据(包含风险数据),如果该交易数据对应的交易量大于设定值,确定该交易地址为潜在地点;
S1063,根据每个潜在地点的交易数据,分别选取出不同风险类型的风险数据;对于每个风险类型,将选取出的该风险类型的风险数据占所有交易数据的比值作为所述潜在地点关于该风险类型的风险概率。
在S107中,参考图7,根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置的具体流程为:
S1071,计算所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量的内积,将内积最大的风险类型确定为该地理区域对应的主要风险类型;
S1072,根据所述主要风险类型及每个潜在地点的风险数据,得到每个潜在地点关于所述主要风险类型的风险概率;
S1073,选取关于所述主要风险类型的风险概率最小的多个备选地点,所述备选地点的数量为未部署自助设备的地理区域需要部署的自助设备数量,根据所述备选地点确定自助设备的位置。
具体的,对于每个地理区域,依据该地理区域的客户类别向量和各个风险类型的风险概率向量,确定该地理区域对应的主要风险类型。对于每个地理区域,计算该地理区域的客户类别向量和各个风险类型的风险概率向量的内积,将对应的内积值最大的风险类型确定为该地理区域对应的主要风险类型。
依据该主要风险类别,以及各个潜在地点关于该主要风险类别的风险概率,确定N个(该子集合需要部署的自助设备的数量)备选地点,比如将风险概率最小的N个潜在地点确定为备选地点,依据该备选地点确定自助设备的位置。
在一具体应用场景下,通常会存在有需求的区域(比如某小区),但是银行没有部署自助设备,这会导致客户不能办理或者需要到很远的地方去办理业务,不能及时满足该区域的客户的业务需求。利用本发明提出的自助设备的选址处理方法,可以确定各个区域自助设备的需求数量及部署地点,从而通过部署自助设备有效的服务银行客户集合,减少客户为办理业务所移动的距离,节省客户为办理业务所消耗的时间,有效提升客户体验度,增加客户粘性。
需要说明的是,尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
在介绍了本发明示例性实施方式的方法之后,接下来,参考图8对本发明示例性实施方式的自助设备的选址处理系统进行介绍。
自助设备的选址处理系统的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的术语“模块”或者“单元”,可以是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装置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。
基于同一发明构思,本发明还提出了一种自助设备的选址处理系统,如图8所示,该系统包括:
数据获取模块810,用于获取预定区域的银行客户的交易数据,确定客户的多维度数据;
聚类分析模块820,用于根据所述多维度数据,以客户类别和风险等级为类别标识,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;
风险概率计算模块830,用于根据每个客户子集合的交易数据,确定每个客户子集合关于风险类型的风险概率;对于各个风险类型,根据风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;
客户类别计算模块840,用于将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;
自助设备数量确定模块850,用于获取每个地理区域的向量,根据未部署自助设备的地理区域的向量,得到与该向量的相似性达到设定值的部署有自助设备的地理区域,根据部署的自助设备数量,确定所述未部署自助设备的地理区域需要部署的自助设备数量;
潜在地点分析模块860,用于根据银行客户的交易数据确定每个未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;
自助设备位置确定模块870,用于根据每个地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置。
在本实施例中,参考图9,聚类分析模块820包括:
距离函数确定单元821,用于根据多维度数据中每个维度的距离函数,确定多维度数据对应的距离函数;
聚类分析单元822,用于根据所述多维度数据对应的距离函数,对银行客户进行聚类分析,获得多个客户子集合,对得到的客户子集合按编号进行排序。
在本实施例中,聚类分析单元822具体用于:
在银行客户集合中选取多个银行客户作为子集合中心,每个子集合中心对应于一个客户子集合,该客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
对于每一个银行客户,执行如下两个步骤:
从所有的子集合中心中选取出和该银行客户的主要交易渠道和风险等级一致的多个子集合中心,基于所述多维度数据对应的距离函数计算每个选取出的子集合中心和该银行客户的的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第一最小距离,将该最小值对应的子集合中心作为该银行客户对应的子集合中心;对于每个未被选取出的子集合中心,基于所述多维度数据对应的距离函数计算该子集合中心和该银行客户的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第二最小距离;
如果对应的第一最小距离小于等于对应的第二最小距离,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;如果对应的第一最小距离大于对应的第二最小距离且对应的第一最小距离与对应的第二最小距离的差小于指定阈值,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;否则,基于该银行客户新建一个子集合中心,该新建的子集合中心对应于一个新的客户子集合,该新的客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
在对所有银行客户执行完以上步骤后,对于每一个客户子集合,依据该客户子集合的所有客户的多维度数据,主要交易渠道和风险等级,确定该客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及该客户子集合对应的差距值;其中,该客户子集合的差距值依据该客户子集合对应的子集合中心和该客户子集合的均值中心确定;
如果存在客户子集合对应的差距值大于预设阈值,基于上述步骤获得的均值中心新设定多个子集合中心,每个新设定的子集合中心对应一个新的客户子集合,该新的客户子集合的初始元素只包含对应的新设定的子集合中心;之后基于新设定的子集合中心和新的客户子集合继续对每一个银行客户执行以上步骤以及确定各个客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及各个客户子集合对应的差距值,直至所有的客户子集合对应的差距值都小于等于预设阈值;
如果所有的客户子集合对应的差距值都小于等于预设阈值,则停止对银行客户进行聚类分析,从而得到多个客户子集合。
在本实施例中,风险概率计算模块830具体用于:
对于每个风险类型,计算该客户子集合中每个客户的交易数据中,涉及该风险类型的交易数据的数量与该交易数据的数量的比值,将所述比值作为该客户关于该风险类型的风险概率,将该客户子集合中所有客户关于该风险类型的风险概率的均值作为该客户子集合关于该风险类型的风险概率;
对于每个风险类型,确定相应的风险概率向量,其中,该风险概率向量的每个分量和各个客户子集合一一对应,每个分量的值等于该分量对应的客户子集合关于该风险类型的风险概率。
在本实施例中,自助设备数量确定模块850具体用于:
对于每个部署自助设备的地理区域,确定该地理区域的客户类别向量与所述未部署自助设备的地理区域的客户类别向量的距离,将该距离作为该地理区域对应的距离值,每个距离值对应一个部署有自助设备的地理区域;
在所述距离值中,选取小于设定值的多个部署有自助设备的地理区域,作为备选区域;
根据所述未部署自助设备的地理区域和对应的备选区域的银行客户集合及所述银行客户集合中各个银行客户的交易数据,确定未部署自助设备的地理区域和对应的备选区域的多维度数据,其中,所述多维度数据包括:平均交易量、主要交易类型、平均支付金额、主要风险等级;
根据所述未部署自助设备的地理区域和对应的备选区域的多维度数据,确定所述未部署自助设备的地理区域与各个备选区域的距离;
将距离最小的备选区域作为所述未部署自助设备的地理区域的相似地理区域,按照相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域的自助设备数量。
在本实施例中,潜在地点分析模块860具体用于:
获取银行客户的交易数据中的交易地址,在所述交易地址中选出位于所述未部署自助设备的地理区域内的多个交易地址;
对于选出的每个交易地址,获取该交易地址的交易数据,如果该交易数据对应的交易量大于设定值,确定该交易地址为潜在地点;
根据每个潜在地点的交易数据,分别选取出不同风险类型的风险数据;对于每个风险类型,将选取出的该风险类型的风险数据占所有交易数据的比值作为所述潜在地点关于该风险类型的风险概率。
在本实施例中,自助设备位置确定模块870具体用于:
计算所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量的内积,将内积最大的风险类型确定为该地理区域对应的主要风险类型;
根据所述主要风险类型及每个潜在地点的风险数据,得到每个潜在地点关于所述主要风险类型的风险概率;
选取关于所述主要风险类型的风险概率最小的多个备选地点,所述备选地点的数量为未部署自助设备的地理区域需要部署的自助设备数量,根据所述备选地点确定自助设备的位置。
应当注意,尽管在上文详细描述中提及了自助设备的选址处理系统的若干模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思,如图10所示,本发明还提出了一种计算机设备1000,包括存储器1010、处理器1020及存储在存储器1010上并可在处理器1020上运行的计算机程序1030,所述处理器1020执行所述计算机程序1030时实现前述自助设备的选址处理方法。
基于前述发明构思,本发明提出了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程序,所述计算机程序被处理器执行时实现前述自助设备的选址处理方法。
基于前述发明构思,本发明提出了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现自助设备的选址处理方法。
本发明提出的自助设备的选址处理方法及系统通过获取预定区域的银行客户的交易数据,确定银行客户的多维度数据;根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量;根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置,本发明在实施过程中可以确定各个区域自助设备的需求数量及部署地点,从而通过部署自助设备有效的服务银行客户集合,减少客户为办理业务所移动的距离,节省客户为办理业务所消耗的时间,有效提升客户体验度,增加客户粘性。
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、系统、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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (17)
1.一种自助设备的选址处理方法,其特征在于,包括:
获取预定区域的银行客户的交易数据,确定银行客户的多维度数据;
根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;
根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;
将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;
根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量;
根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;
根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置。
2.根据权利要求1所述的方法,其特征在于,根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序,包括:
根据多维度数据中每个维度的距离函数,确定多维度数据对应的距离函数;
根据所述多维度数据对应的距离函数,对银行客户进行聚类分析,获得多个客户子集合,对得到的客户子集合按编号进行排序。
3.根据权利要求2所述的方法,其特征在于,根据所述多维度数据对应的距离函数,对银行客户进行聚类分析,获得多个客户子集合,对得到的客户子集合按编号进行排序,包括:
在银行客户集合中选取多个银行客户作为子集合中心,每个子集合中心对应于一个客户子集合,该客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
对于每一个银行客户,执行如下两个步骤:
从所有的子集合中心中选取出和该银行客户的主要交易渠道和风险等级一致的多个子集合中心,基于所述多维度数据对应的距离函数计算每个选取出的子集合中心和该银行客户的的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第一最小距离,将该最小值对应的子集合中心作为该银行客户对应的子集合中心;对于每个未被选取出的子集合中心,基于所述多维度数据对应的距离函数计算该子集合中心和该银行客户的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第二最小距离;
如果对应的第一最小距离小于等于对应的第二最小距离,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;如果对应的第一最小距离大于对应的第二最小距离且对应的第一最小距离与对应的第二最小距离的差小于指定阈值,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;否则,基于该银行客户新建一个子集合中心,该新建的子集合中心对应于一个新的客户子集合,该新的客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
在对所有银行客户执行完以上步骤后,对于每一个客户子集合,依据该客户子集合的所有客户的多维度数据,主要交易渠道和风险等级,确定该客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及该客户子集合对应的差距值;其中,该客户子集合的差距值依据该客户子集合对应的子集合中心和该客户子集合的均值中心确定;
如果存在客户子集合对应的差距值大于预设阈值,基于上述步骤获得的均值中心新设定多个子集合中心,每个新设定的子集合中心对应一个新的客户子集合,该新的客户子集合的初始元素只包含对应的新设定的子集合中心;之后基于新设定的子集合中心和新的客户子集合继续对每一个银行客户执行以上步骤以及确定各个客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及各个客户子集合对应的差距值,直至所有的客户子集合对应的差距值都小于等于预设阈值;
如果所有的客户子集合对应的差距值都小于等于预设阈值,则停止对银行客户进行聚类分析,从而得到多个客户子集合。
4.根据权利要求1所述的方法,其特征在于,根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量,包括:
对于每个风险类型,计算该客户子集合中每个客户的交易数据中,涉及该风险类型的交易数据的数量与该交易数据的数量的比值,将所述比值作为该客户关于该风险类型的风险概率,将该客户子集合中所有客户关于该风险类型的风险概率的均值作为该客户子集合关于该风险类型的风险概率;
对于每个风险类型,确定相应的风险概率向量,其中,该风险概率向量的每个分量和各个客户子集合一一对应,每个分量的值等于该分量对应的客户子集合关于该风险类型的风险概率。
5.根据权利要求1所述的方法,其特征在于,根据各个地理区域的客户类别向量,确定每个未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量,包括:
对于每个部署自助设备的地理区域,确定该地理区域的客户类别向量与所述未部署自助设备的地理区域的客户类别向量的距离,将该距离作为该地理区域对应的距离值,每个距离值对应一个部署有自助设备的地理区域;
在所述距离值中,选取小于设定值的多个部署有自助设备的地理区域,作为备选区域;
根据所述未部署自助设备的地理区域和对应的备选区域的银行客户集合及所述银行客户集合中各个银行客户的交易数据,确定未部署自助设备的地理区域和对应的备选区域的多维度数据,其中,所述多维度数据包括:平均交易量、主要交易类型、平均支付金额、主要风险等级;
根据所述未部署自助设备的地理区域和对应的备选区域的多维度数据,确定所述未部署自助设备的地理区域与各个备选区域的距离;
将距离最小的备选区域作为所述未部署自助设备的地理区域的相似地理区域,按照相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域的自助设备数量。
6.根据权利要求1所述的方法,其特征在于,根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据,包括:
获取银行客户的交易数据中的交易地址,在所述交易地址中选出位于所述未部署自助设备的地理区域内的多个交易地址;
对于选出的每个交易地址,获取该交易地址的交易数据,如果该交易数据对应的交易量大于设定值,确定该交易地址为潜在地点;
根据每个潜在地点的交易数据,分别选取出不同风险类型的风险数据;对于每个风险类型,将选取出的该风险类型的风险数据占所有交易数据的比值作为所述潜在地点关于该风险类型的风险概率。
7.根据权利要求1所述的方法,其特征在于,根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置,包括:
计算所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量的内积,将内积最大的风险类型确定为该地理区域对应的主要风险类型;
根据所述主要风险类型及每个潜在地点的风险数据,得到每个潜在地点关于所述主要风险类型的风险概率;
选取关于所述主要风险类型的风险概率最小的多个备选地点,所述备选地点的数量为未部署自助设备的地理区域需要部署的自助设备数量,根据所述备选地点确定自助设备的位置。
8.一种自助设备的选址处理系统,其特征在于,包括:
数据获取模块,用于获取预定区域的银行客户的交易数据,确定银行客户的多维度数据;
聚类分析模块,用于根据所述多维度数据,对银行客户进行聚类分析,获得多个客户子集合,并对客户子集合编号排序;
风险概率计算模块,用于根据每个客户子集合的交易数据,确定每个客户子集合关于各个风险类型的风险概率;对于每个风险类型,根据各个客户子集合关于该风险类型的风险概率及客户子集合编号排序的结果,确定相应的风险概率向量;
客户类别计算模块,用于将预定区域划分为多个地理区域,确定在各个地理区域的银行客户集合;对于每个地理区域,确定该地理区域的银行客户集合归属于各个客户子集合的银行客户,得到该地理区域的客户类别向量;其中,客户类别向量的每个分量对应归属于各个客户子集合的银行客户的数量,向量的分量顺序按照客户子集合编号排序结果排序;
自助设备数量确定模块,用于根据各个地理区域的客户类别向量,确定未部署自助设备的地理区域的相似地理区域,依据该相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域需要部署的自助设备数量;
潜在地点分析模块,用于根据银行客户的交易数据确定未部署自助设备的地理区域中的多个潜在地点及每个潜在地点的风险数据;
自助设备位置确定模块,用于根据所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量,确定所述未部署自助设备的地理区域的主要风险类型;根据所述主要风险类型及每个潜在地点的风险数据,确定自助设备的位置。
9.根据权利要求8所述的系统,其特征在于,所述聚类分析模块包括:
距离函数确定单元,用于根据多维度数据中每个维度的距离函数,确定多维度数据对应的距离函数;
聚类分析单元,用于根据所述多维度数据对应的距离函数,对银行客户进行聚类分析,获得多个客户子集合,对得到的客户子集合按编号进行排序。
10.根据权利要求9所述的系统,其特征在于,所述聚类分析单元具体用于:
在银行客户集合中选取多个银行客户作为子集合中心,每个子集合中心对应于一个客户子集合,该客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
对于每一个银行客户,执行如下两个步骤:
从所有的子集合中心中选取出和该银行客户的主要交易渠道和风险等级一致的多个子集合中心,基于所述多维度数据对应的距离函数计算每个选取出的子集合中心和该银行客户的的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第一最小距离,将该最小值对应的子集合中心作为该银行客户对应的子集合中心;对于每个未被选取出的子集合中心,基于所述多维度数据对应的距离函数计算该子集合中心和该银行客户的距离,然后从对应的多个距离中选取出其中的最小值作为该银行客户的第二最小距离;
如果对应的第一最小距离小于等于对应的第二最小距离,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;如果对应的第一最小距离大于对应的第二最小距离且对应的第一最小距离与对应的第二最小距离的差小于指定阈值,则将该银行客户划分到该银行客户对应的子集合中心所对应的客户子集合中;否则,基于该银行客户新建一个子集合中心,该新建的子集合中心对应于一个新的客户子集合,该新的客户子集合的初始元素只包含对应的子集合中心对应的银行客户;
在对所有银行客户执行完以上步骤后,对于每一个客户子集合,依据该客户子集合的所有客户的多维度数据,主要交易渠道和风险等级,确定该客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及该客户子集合对应的差距值;其中,该客户子集合的差距值依据该客户子集合对应的子集合中心和该客户子集合的均值中心确定;
如果存在客户子集合对应的差距值大于预设阈值,基于上述步骤获得的均值中心新设定多个子集合中心,每个新设定的子集合中心对应一个新的客户子集合,该新的客户子集合的初始元素只包含对应的新设定的子集合中心;之后基于新设定的子集合中心和新的客户子集合继续对每一个银行客户执行以上步骤以及确定各个客户子集合的均值中心的多维度数据,主要交易渠道和风险等级,以及各个客户子集合对应的差距值,直至所有的客户子集合对应的差距值都小于等于预设阈值;
如果所有的客户子集合对应的差距值都小于等于预设阈值,则停止对银行客户进行聚类分析,从而得到多个客户子集合。
11.根据权利要求8所述的系统,其特征在于,所述风险概率计算模块具体用于:
对于每个风险类型,计算该客户子集合中每个客户的交易数据中,涉及该风险类型的交易数据的数量与该交易数据的数量的比值,将所述比值作为该客户关于该风险类型的风险概率,将该客户子集合中所有客户关于该风险类型的风险概率的均值作为该客户子集合关于该风险类型的风险概率;
对于每个风险类型,确定相应的风险概率向量,其中,该风险概率向量的每个分量和各个客户子集合一一对应,每个分量的值等于该分量对应的客户子集合关于该风险类型的风险概率。
12.根据权利要求8所述的系统,其特征在于,所述自助设备数量确定模块具体用于:
对于每个部署自助设备的地理区域,确定该地理区域的客户类别向量与所述未部署自助设备的地理区域的客户类别向量的距离,将该距离作为该地理区域对应的距离值,每个距离值对应一个部署有自助设备的地理区域;
在所述距离值中,选取小于设定值的多个部署有自助设备的地理区域,作为备选区域;
根据所述未部署自助设备的地理区域和对应的备选区域的银行客户集合及所述银行客户集合中各个银行客户的交易数据,确定未部署自助设备的地理区域和对应的备选区域的多维度数据,其中,所述多维度数据包括:平均交易量、主要交易类型、平均支付金额、主要风险等级;
根据所述未部署自助设备的地理区域和对应的备选区域的多维度数据,确定所述未部署自助设备的地理区域与各个备选区域的距离;
将距离最小的备选区域作为所述未部署自助设备的地理区域的相似地理区域,按照相似地理区域的自助设备数量,设置所述未部署自助设备的地理区域的自助设备数量。
13.根据权利要求8所述的系统,其特征在于,所述潜在地点分析模块具体用于:
获取银行客户的交易数据中的交易地址,在所述交易地址中选出位于所述未部署自助设备的地理区域内的多个交易地址;
对于选出的每个交易地址,获取该交易地址的交易数据,如果该交易数据对应的交易量大于设定值,确定该交易地址为潜在地点;
根据每个潜在地点的交易数据,分别选取出不同风险类型的风险数据;对于每个风险类型,将选取出的该风险类型的风险数据占所有交易数据的比值作为所述潜在地点关于该风险类型的风险概率。
14.根据权利要求8所述的系统,其特征在于,所述自助设备位置确定模块具体用于:
计算所述未部署自助设备的地理区域的客户类别向量和各个风险类型的风险概率向量的内积,将内积最大的风险类型确定为该地理区域对应的主要风险类型;
根据所述主要风险类型及每个潜在地点的风险数据,得到每个潜在地点关于所述主要风险类型的风险概率;
选取关于所述主要风险类型的风险概率最小的多个备选地点,所述备选地点的数量为未部署自助设备的地理区域需要部署的自助设备数量,根据所述备选地点确定自助设备的位置。
15.一种计算机设备,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任一所述方法。
16.一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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
17.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210316835.2A CN114862108A (zh) | 2022-03-29 | 2022-03-29 | 自助设备的选址处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210316835.2A CN114862108A (zh) | 2022-03-29 | 2022-03-29 | 自助设备的选址处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862108A true CN114862108A (zh) | 2022-08-05 |
Family
ID=82630416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210316835.2A Pending CN114862108A (zh) | 2022-03-29 | 2022-03-29 | 自助设备的选址处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862108A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094713A (zh) * | 2023-10-18 | 2023-11-21 | 杭州青橄榄网络技术有限公司 | 一种基于智慧校园的自助缴费方法及终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053986A1 (en) * | 2008-12-05 | 2012-03-01 | Business Intelligence Solutions Safe B.V. | Methods, apparatus and systems for data visualization and related applications |
-
2022
- 2022-03-29 CN CN202210316835.2A patent/CN114862108A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053986A1 (en) * | 2008-12-05 | 2012-03-01 | Business Intelligence Solutions Safe B.V. | Methods, apparatus and systems for data visualization and related applications |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094713A (zh) * | 2023-10-18 | 2023-11-21 | 杭州青橄榄网络技术有限公司 | 一种基于智慧校园的自助缴费方法及终端 |
CN117094713B (zh) * | 2023-10-18 | 2024-02-23 | 杭州青橄榄网络技术有限公司 | 一种基于智慧校园的自助缴费方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855259B (zh) | 大规模数据聚类分析的并行化 | |
CN109934301B (zh) | 一种电力负荷聚类分析方法、装置和设备 | |
CN107622326A (zh) | 用户分类、可用资源预测方法、装置及设备 | |
CN115115265A (zh) | 一种基于rfm模型的消费者评估方法、装置及介质 | |
CN112990386A (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN114862108A (zh) | 自助设备的选址处理方法及系统 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
CN114971891A (zh) | 风险预测方法和装置、处理器及电子设备 | |
CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
CN114638693A (zh) | 确定银行网点业务类型范围的方法及系统 | |
CN114723145A (zh) | 基于交易量确定智能柜台数量的方法及系统 | |
CN114418018A (zh) | 模型性能评估方法、装置、设备与存储介质 | |
CN114862236B (zh) | 基于客户路径信息确定银行网点部署地址的方法及装置 | |
CN114781810B (zh) | 银行atm的数量预估方法及系统 | |
CN114881699A (zh) | 一种基于地域聚类的银行产品投放处理方法及装置 | |
CN116091181B (zh) | 检测方法及装置、计算机设备及计算机可读存储介质 | |
CN112989206B (zh) | 一种财税公众号服务控件自动组装方法、装置、介质 | |
CN114819514B (zh) | 银行产品的投放处理方法及系统 | |
CN114881766A (zh) | 一种银行产品风险控制方法和装置 | |
CN116266219A (zh) | 基于用户分群的离网预测方法、装置、设备及存储介质 | |
CN113256341A (zh) | 一种经营场所的选址方法、装置、电子设备及存储介质 | |
Dai | Machine learning based churn prediction in telecom | |
CN115729923A (zh) | 客户数据分析方法、装置、存储介质及计算机设备 | |
CN114707853A (zh) | 银行网点的终端配置方法及系统 | |
CN116304673A (zh) | 用电量异常识别模型训练方法、装置和计算机设备 |
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 |