CN114943563A - 一种权益推送方法、装置、计算机设备及存储介质 - Google Patents
一种权益推送方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114943563A CN114943563A CN202210647392.5A CN202210647392A CN114943563A CN 114943563 A CN114943563 A CN 114943563A CN 202210647392 A CN202210647392 A CN 202210647392A CN 114943563 A CN114943563 A CN 114943563A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- behavior data
- dimension
- client
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种权益推送方法、装置、计算机设备及存储介质，可应用于金融领域，当需要进行权益推送时，获取目标客户的第一属性信息数据，第一属性信息数据包括目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据。不同维度的第一行为数据对于体现目标客户价值的贡献程度也不同，故确定每个维度的第一行为数据对应的权重值，进而根据第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建目标客户的目标特征数据，以基于目标客户的目标特征数据，通过价值预测模型预测目标客户对目标银行的价值等级。基于价值等级寻找能为银行带来价值的客户，精准的进行权益推送，实现精准营销，大大提高银行效益。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种权益推送方法、装置、计算机设备及存储介质。
背景技术
银行为了进一步提升个人客户忠诚度，达到获客、活客，促进全行业绩的增长，往往会广撒网地为客户推送权益(客户可通过免费方式获取权益，或低门槛方式获取权益)。
但是这种方式虽然能够起到一定效果，但是仍存在大量客户获取完权益后流失的现象或对银行来说入不敷出的现象，达不到精准推送的目的，给银行带来一定的经济损失。
发明内容
为了解决上述技术问题，本申请提供了一种权益推送方法、装置、计算机设备及存储介质，基于目标客户对目标银行的价值等级寻找能够为银行带来价值的特定客户，精准的进行权益推送，实现精准营销，大大提高银行效益。
第一方面，本申请实施例提供一种权益推送方法，所述方法包括：
获取目标客户的第一属性信息数据，所述第一属性信息数据包括所述目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据；
确定每个维度的第一行为数据对应的权重值；
根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据；
基于所述目标客户的目标特征数据，通过价值预测模型预测所述目标客户对目标银行的价值等级；
基于所述目标客户对目标银行的价值等级进行权益推送。
在一种可能的实现方式中，所述确定每个维度的第一行为数据对应的权重值，包括：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第一行为数据对应的权重值。
在一种可能的实现方式中，所述根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据，包括：
对所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值进行特征提取，得到所述目标客户的初始特征数据；
对所述目标客户的初始特征数据进行降维处理，得到所述目标客户的目标特征数据。
在一种可能的实现方式中，所述方法还包括：
获取历史客户的第二属性信息数据和对应的价值等级标签，所述第二属性信息数据包括所述历史客户的第二基础信息数据和针对银行业务的多个维度的第二行为数据；
确定每个维度的第二行为数据对应的权重值；
根据所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建所述历史客户的目标特征数据；
基于所述历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到所述价值预测模型。
在一种可能的实现方式中，所述基于所述历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到所述价值预测模型，包括：
基于所述历史客户的目标特征数据和对应的价值等级标签构建样本数据；
将所述样本数据划分为训练样本和测试样本；
利用所述训练样本对所述初始网络模型进行训练，并利用所述测试样本对训练得到的价值预测模型进行测试优化，直到得到满足条件的价值预测模型。
在一种可能的实现方式中，所述确定每个维度的第二行为数据对应的权重，包括：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第二行为数据对应的权重值。
在一种可能的实现方式中，所述根据所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建所述历史客户的目标特征数据，包括：
对所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值进行特征提取，得到所述历史客户的初始特征数据；
对所述历史客户的初始特征数据进行降维处理，得到所述历史客户的目标特征数据。
第二方面，本申请实施例提供一种权益推送装置，所述装置包括：
获取单元，用于获取目标客户的第一属性信息数据，所述第一属性信息数据包括所述目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据；
确定单元，用于确定每个维度的第一行为数据对应的权重值；
构建单元，用于根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据；
预测单元，用于基于所述目标客户的目标特征数据，通过价值预测模型预测所述目标客户对目标银行的价值等级；
推送单元，用于基于所述目标客户对目标银行的价值等级进行权益推送。
在一种可能的实现方式中，所述确定单元具体用于：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第一行为数据对应的权重值。
在一种可能的实现方式中，所述构建单元具体用于：
对所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值进行特征提取，得到所述目标客户的初始特征数据；
对所述目标客户的初始特征数据进行降维处理，得到所述目标客户的目标特征数据。
在一种可能的实现方式中，所述装置还包括训练单元，所述训练单元，用于：
获取历史客户的第二属性信息数据和对应的价值等级标签，所述第二属性信息数据包括所述历史客户的第二基础信息数据和针对银行业务的多个维度的第二行为数据；
确定每个维度的第二行为数据对应的权重值；
根据所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建所述历史客户的目标特征数据；
基于所述历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到所述价值预测模型。
在一种可能的实现方式中，所述训练单元，具体用于：
基于所述历史客户的目标特征数据和对应的价值等级标签构建样本数据；
将所述样本数据划分为训练样本和测试样本；
利用所述训练样本对所述初始网络模型进行训练，并利用所述测试样本对训练得到的价值预测模型进行测试优化，直到得到满足条件的价值预测模型。
在一种可能的实现方式中，所述训练单元，具体用于：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第二行为数据对应的权重值。
在一种可能的实现方式中，所述训练单元，具体用于：
对所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值进行特征提取，得到所述历史客户的初始特征数据；
对所述历史客户的初始特征数据进行降维处理，得到所述历史客户的目标特征数据。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器；
其中，在所述存储器中存储有一个或多个计算机程序，所述一个或多个计算机程序包括指令；当所述指令被所述处理器执行时，使得所述计算机设备执如第一方面中任一项所述的方法。
第四方面，本申请实施例提供一种计算机存储介质，包括计算机指令，当所述计算机指令在计算机设备上运行时，所述计算机设备执行如第一方面中任一项所述的方法。
由上述技术方案可以看出，当需要进行权益推送时，可以获取目标客户的第一属性信息数据，第一属性信息数据包括目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据。通常情况下，目标客户为银行带来的效益可以体现目标客户的价值，而不同维度的第一行为数据对银行效益的贡献程度不同，那么不同维度的第一行为数据对于体现目标客户价值的贡献程度也不同，故可以确定每个维度的第一行为数据对应的权重值，第一行为数据对应的权重值可以体现出第一行为数据对衡量目标客户价值的贡献程度，进而根据第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建目标客户的目标特征数据，以基于目标客户的目标特征数据，通过价值预测模型预测目标客户对目标银行的价值等级。由于目标特征数据中包括能够体现目标客户的不同维度的第一行为数据对衡量目标客户价值的贡献程度，因此，基于目标特征数据能够准确的预测出目标客户对目标银行的价值等级，从而基于目标客户对目标银行的价值等级寻找能够为银行带来价值的特定客户，精准的进行权益推送，实现精准营销，大大提高银行效益。
附图说明
为了更清楚地说明本申请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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种权益推送方法的流程图；
图2为本申请实施例提供的一种价值预测模型的训练方法的流程图；
图3为本申请实施例提供的一种价值预测模型的训练架构示例图；
图4为本申请实施例提供的一种权益推送装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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。
银行为了进一步提升个人客户忠诚度，达到获客、活客，促进全行业绩的增长，往往会广撒网地为客户推送权益(客户可通过免费方式获取权益，或低门槛方式获取权益)。这种方式虽然能够起到一定效果，但是仍存在大量客户获取完权益后流失的现象或对银行来说入不敷出的现象，达不到精准推送的目的，给银行带来一定的经济损失。如何通过有效的方式来屏蔽这部分无效客户的推送，寻找能够给银行带来价值的客户，这是银行亟待解决的问题。
针对上述技术问题，本申请提供一种权益推送方法。随着机器学习的应用越来越广泛，特别是金融与商业，机器学习技术成为了一个探索新的商机新的门道的重要工具。在这种情况下，本申请实施例提供的权益推送方法利用机器学习技术和独有的属性信息数据，找出潜在能够给银行带来价值的客户并在营销活动中对其制定一系列营销手段，这样可以达到精准营销，最大化效益的目的。
具体的，当需要进行权益推送时，可以获取目标客户的第一属性信息数据，第一属性信息数据包括目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据。通常情况下，目标客户为银行带来的效益可以体现目标客户的价值，而不同维度的第一行为数据对银行效益的贡献程度不同，那么不同维度的第一行为数据对于体现目标客户价值的贡献程度也不同，故可以确定每个维度的第一行为数据对应的权重值，第一行为数据对应的权重值可以体现出第一行为数据对衡量目标客户价值的贡献程度，进而根据第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建目标客户的目标特征数据，以基于目标客户的目标特征数据，通过价值预测模型预测目标客户对目标银行的价值等级。由于目标特征数据中包括能够体现目标客户的不同维度的第一行为数据对衡量目标客户价值的贡献程度，因此，基于目标特征数据能够准确的预测出目标客户对目标银行的价值等级，从而基于目标客户对目标银行的价值等级寻找能够为银行带来价值的特定客户，精准的进行权益推送，实现精准营销，大大提高银行效益。
本申请实施例提供的方法可以应用于计算机设备上，该计算机设备可以运行价值预测模型，从而执行本申请实施例提供的方法。计算机设备例如可以是终端设备或服务器，终端设备例如可以是智能终端、计算机、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑等设备。服务器可以是独立的服务器，也可以是集群中的服务器。
需要说明的是，本发明提供的权益推送方法、装置、计算机设备及存储介质可用于金融领域的权益推送以进行营销的场景，当然也可以用于其他领域。上述仅为示例，并不对本申请提供的权益推送方法、装置、计算机设备及存储介质的应用领域进行限定。
接下来，将结合附图对本申请实施例提供的权益推送方法进行介绍。参见图1所示，所述方法包括：
S101、获取目标客户的第一属性信息数据，所述第一属性信息数据包括所述目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据。
银行在进行权益推送时，可以通过本申请实施例提供的方法对客户进行价值预测，从而基于预测得到的客户的价值，向高价值客户推送权益，对判断为无价值或价值低的客户进行营销屏蔽，实现精准营销，最大化银行效益。
为此，在本申请实施例中，针对某个客户例如目标客户，可以获取目标客户的第一属性信息数据，第一属性信息数据包括所述目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据。
其中，第一基础信息数据例如可以包括姓名、年龄、学历、职业等信息，第一行为数据例如可以包括登录手机银行情况、购买金融产品情况、交易信息、链接分享情况等。
S102、确定每个维度的第一行为数据对应的权重值。
通常情况下，目标客户为银行带来的效益可以体现目标客户的价值，而不同维度的第一行为数据对银行效益的贡献程度不同，那么不同维度的第一行为数据对于体现目标客户价值的贡献程度也不同。为了便于后续可以准确的基于第一属性信息数据预测目标客户的价值，可以确定每个维度的第一行为数据对应的权重值，第一行为数据对应的权重值可以体现出第一行为数据对衡量目标客户价值的贡献程度。
在一种可能的实现方式中，确定每个维度的第一行为数据对应的权重值的方式可以是获取属性映射关系表，属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；基于属性映射关系表确定每个维度的第一行为数据对应的权重值。
在属性映射关系表中，同一维度的行为数据可以对应相同的权重值，也可以以根据行为数据中具体数值的不同而对应不同的权重值，进而根据第一行为数据中的具体数值确定与之对应的权重值。
以行为数据包括登录手机银行情况(例如登录手机银行的频率)、购买金融产品情况(例如购买金融产品的频率)、交易信息(例如交易频率)、链接分享情况(例如链接分享次数)为例，属性映射关系表可以参见表1所示：
表1
S103、根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据。
然后，基于第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建目标客户的目标特征数据。在进行目标特征数据构建时，可以将第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值作为目标客户的多维度特征，从而将多维度特征转换为适用于输入价值预测模型的特征向量。
在一种可能的实现方式中，由于第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值中是多维度特征，不同维度特征对于预测目标客户的价值等级的重要程度可能不同，有些维度的特征的重要程度可能比较高，而有些维度的特征的重要程度可能比较低。在这种情况下，为了减少输入价值预测模型的数据量，降低预测复杂度，根据第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建目标客户的目标特征数据的方式可以是对第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值进行特征提取，得到目标客户的初始特征数据；进而对目标客户的初始特征数据进行降维处理，得到目标客户的目标特征数据。
其中，降维处理可以是将重要程度较低的维度的数据去除，例如可以根据第一行为数据对应的权重值，去除权重值低于预设阈值的第一行为数据，从而实现降维处理。在一种可能的实现方式中，降维处理可以是利用信息增益函数或主成分分析法(PrincipleComponent Analysis，PCA)。
S104、基于所述目标客户的目标特征数据，通过价值预测模型预测所述目标客户对目标银行的价值等级。
S105、基于所述目标客户对目标银行的价值等级进行权益推送。
在得到目标客户的目标特征数据后，可以通过价值预测模型预测目标客户对目标银行的价值等级。由于目标特征数据中包括能够体现目标客户的不同维度的第一行为数据对衡量目标客户价值的贡献程度，因此，基于目标特征数据能够准确的预测出目标客户对目标银行的价值等级，能够快速、高效、准确地对客户忠诚度及银行收益率进行测评，从而基于目标客户对目标银行的价值等级寻找能够为银行带来价值的特定客户，精准的进行权益推送，实现精准营销，大大提高银行效益。
其中，价值等级可以有多种划分方式，划分的粒度大小也可以有所不同，本申请实施例对此不做限定。在一种可能的实现方式中，价值等级可以划分为低效益、中效益、高效益分别为三种分类，简记为C1、C2、C3。基于预测得到的价值等级，可以确定目标客户对于目标银行的价值，从而基于价值等级判断目标客户是否为无价值或价值低的客户，进而对这些判断为无价值或价值低的客户进行营销屏蔽，得到能够为银行带来价值的特定客户，精准的进行权益推送。
由上述技术方案可以看出，当需要进行权益推送时，可以获取目标客户的第一属性信息数据，第一属性信息数据包括目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据。通常情况下，目标客户为银行带来的效益可以体现目标客户的价值，而不同维度的第一行为数据对银行效益的贡献程度不同，那么不同维度的第一行为数据对于体现目标客户价值的贡献程度也不同，故可以确定每个维度的第一行为数据对应的权重值，第一行为数据对应的权重值可以体现出第一行为数据对衡量目标客户价值的贡献程度，进而根据第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建目标客户的目标特征数据，以基于目标客户的目标特征数据，通过价值预测模型预测目标客户对目标银行的价值等级。由于目标特征数据中包括能够体现目标客户的不同维度的第一行为数据对衡量目标客户价值的贡献程度，因此，基于目标特征数据能够准确的预测出目标客户对目标银行的价值等级，从而基于目标客户对目标银行的价值等级寻找能够为银行带来价值的特定客户，精准的进行权益推送，实现精准营销，大大提高银行效益。
在进行权益推送时，用于预测目标客户的价值等级的价值预测模型可以是预先训练好的，该价值预测模型的训练方法可以参见图2所示，所述方法包括：
S201、获取历史客户的第二属性信息数据和对应的价值等级标签，所述第二属性信息数据包括所述历史客户的第二基础信息数据和针对银行业务的多个维度的第二行为数据。
为了可以训练得到图1所对应实施例所使用的价值预测模型，可以获取历史客户的第二属性信息数据和对应的价值等级标签。其中，第二属性信息数据与第一属性信息数据类似，第二属性信息数据可以包括历史客户的第二基础信息数据和针对银行业务的多个维度的第二行为数据。第二基础信息数据例如可以包括姓名、年龄、学历、职业等信息，第二行为数据例如可以包括登录手机银行情况、购买金融产品情况、交易信息、链接分享情况等。
价值等级标签可以是基于历史客户为目标银行带来的实际效益做数据统计，再将其进行标注得到的。将历史客户给目标银行带来的实际效益做分类，分类得到等级可以有不同的划分方式，划分粒度也可以有所不同，本申请实施例对此不做限定。在一种可能的实现方式中，可以镜实际效益分为三个等级：低效益、中效益、高效益(也可进一步细分等级)，即价值等级可以包括低效益、中效益、高效益，简记为C1、C2、C3，将其作为价值等级标签，以用于后续价值预测模型训练。
S202、确定每个维度的第二行为数据对应的权重值。
通常情况下，历史客户为银行带来的效益可以体现历史客户的价值，而不同维度的第二行为数据对银行效益的贡献程度不同，那么不同维度的第二行为数据对于体现历史客户价值的贡献程度也不同。为了便于后续可以准确的基于第二属性信息数据预测历史客户的价值，进而训练得到能够准确预测客户价值的价值预测模型，可以确定每个维度的第二行为数据对应的权重值，第二行为数据对应的权重值可以体现出第二行为数据对衡量历史客户价值的贡献程度。
在一种可能的实现方式中，确定每个维度的第二行为数据对应的权重的方式可以是获取属性映射关系表，属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；基于属性映射关系表确定每个维度的第二行为数据对应的权重值。
其中，属性映射关系表可以是预先构建的，在价值预测模型训练过程中所使用的属性映射关系表可以是相同的，具体可以参见表1所示，此处不再赘述。
S203、根据所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建所述历史客户的目标特征数据。
然后，基于第二基础信息数据、多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建目标客户的目标特征数据。在进行目标特征数据构建时，可以将第二基础信息数据、多个维度的第二行为数据和每个维度的第二行为数据对应的权重值作为目标客户的多维度特征，从而将多维度特征转换为适用于输入价值预测模型的特征向量。
在一种可能的实现方式中，根据第二基础信息数据、多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建历史客户的目标特征数据的方式可以是对第二基础信息数据、多个维度的第二行为数据和每个维度的第二行为数据对应的权重值进行特征提取，得到历史客户的初始特征数据；对历史客户的初始特征数据进行降维处理，得到历史客户的目标特征数据。
其中，降维处理可以是将重要程度较低的维度的数据去除，例如可以根据第一行为数据对应的权重值，去除权重值低于预设阈值的第一行为数据，从而实现降维处理。在一种可能的实现方式中，降维处理可以是利用信息增益函数或主成分分析法(PrincipleComponent Analysis，PCA)。
需要说明的是，在得到历史客户的目标特征数据的过程中，可以标准化处理特征数据，加速模型训练的收敛速度。
S204、基于所述历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到所述价值预测模型。
基于历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到价值预测模型。训练方式可以是基于历史客户的目标特征数据，通过初始网络模型输出预测结果，进而基于预测结果和对应的价值等级标签之间的差异构建目标损失函数，以目标损失函数最小为目标调整初始网络模型的模型参数，直到得到满足条件的价值预测模型。其中，初始网络模型可以是决策树模型，对决策树模型进行机器学习得到价值预测模型。
在一种可能的实现方式中，基于历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到价值预测模型的方式可以是基于历史客户的目标特征数据和对应的价值等级标签构建样本数据；将样本数据划分为训练样本和测试样本；利用训练样本对所述初始网络模型进行训练，并利用测试样本对训练得到的价值预测模型进行测试优化，直到得到满足条件的价值预测模型。
在一种可能的情况下，可以将80％的样本数据划分为训练样本，20％的样本数据划分为测试样本。利用80％的样本数据作为训练样本，对决策树模型进行机器学习，训练得到一个价值预测模型，利用20％的样本数据测试模型的正确性，持续优化，最终得出一个正确性较高的价值预测模型。
需要说明的是，本申请实施例提供的方法、尤其是价值预测模型的训练方法可以基于图3所示的架构实现，该架构中可以包括数据采集模块301、属性映射关系表模块302、数据统计模块303、预处理模块304和模型训练模块305。其中，数据采集模块301可以用于执行S101或S201的步骤；属性映射关系表模块302可以用于执行S102或S202的步骤；数据统计模块303可以用于通过结合属性映射关系表，统计客户在银行的行为数据带来的银行效益；预处理模块304可以用于执行S103或S203的步骤；模型训练模块305可以用于执行S204的步骤。
基于前述实施例提供的权益推送方法，本申请实施例还提供一种权益推送装置，参见图4，所述装置包括：
获取单元401，用于获取目标客户的第一属性信息数据，所述第一属性信息数据包括所述目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据；
确定单元402，用于确定每个维度的第一行为数据对应的权重值；
构建单元403，用于根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据；
预测单元404，用于基于所述目标客户的目标特征数据，通过价值预测模型预测所述目标客户对目标银行的价值等级；
推送单元405，用于基于所述目标客户对目标银行的价值等级进行权益推送。
在一种可能的实现方式中，所述确定单元具体用于：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第一行为数据对应的权重值。
在一种可能的实现方式中，所述构建单元具体用于：
对所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值进行特征提取，得到所述目标客户的初始特征数据；
对所述目标客户的初始特征数据进行降维处理，得到所述目标客户的目标特征数据。
在一种可能的实现方式中，所述装置还包括训练单元，所述训练单元，用于：
获取历史客户的第二属性信息数据和对应的价值等级标签，所述第二属性信息数据包括所述历史客户的第二基础信息数据和针对银行业务的多个维度的第二行为数据；
确定每个维度的第二行为数据对应的权重值；
根据所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建所述历史客户的目标特征数据；
基于所述历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到所述价值预测模型。
在一种可能的实现方式中，所述训练单元，具体用于：
基于所述历史客户的目标特征数据和对应的价值等级标签构建样本数据；
将所述样本数据划分为训练样本和测试样本；
利用所述训练样本对所述初始网络模型进行训练，并利用所述测试样本对训练得到的价值预测模型进行测试优化，直到得到满足条件的价值预测模型。
在一种可能的实现方式中，所述训练单元，具体用于：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第二行为数据对应的权重值。
在一种可能的实现方式中，所述训练单元，具体用于：
对所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值进行特征提取，得到所述历史客户的初始特征数据；
对所述历史客户的初始特征数据进行降维处理，得到所述历史客户的目标特征数据。
由上述技术方案可以看出，当需要进行权益推送时，可以获取目标客户的第一属性信息数据，第一属性信息数据包括目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据。通常情况下，目标客户为银行带来的效益可以体现目标客户的价值，而不同维度的第一行为数据对银行效益的贡献程度不同，那么不同维度的第一行为数据对于体现目标客户价值的贡献程度也不同，故可以确定每个维度的第一行为数据对应的权重值，第一行为数据对应的权重值可以体现出第一行为数据对衡量目标客户价值的贡献程度，进而根据第一基础信息数据、多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建目标客户的目标特征数据，以基于目标客户的目标特征数据，通过价值预测模型预测目标客户对目标银行的价值等级。由于目标特征数据中包括能够体现目标客户的不同维度的第一行为数据对衡量目标客户价值的贡献程度，因此，基于目标特征数据能够准确的预测出目标客户对目标银行的价值等级，从而基于目标客户对目标银行的价值等级寻找能够为银行带来价值的特定客户，精准的进行权益推送，实现精准营销，大大提高银行效益。
本申请实施例提供一种计算机设备，包括存储器和处理器；其中，在所述存储器中存储有一个或多个计算机程序，所述一个或多个计算机程序包括指令；当所述指令被所述处理器执行时，使得所述计算机设备执如前述实施例中任一所述的方法。
本申请实施例提供一种计算机存储介质，包括计算机指令，当所述计算机指令在计算机设备上运行时，所述计算机设备执行如前述实施例中任一所述的方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种权益推送方法，其特征在于，所述方法包括：
获取目标客户的第一属性信息数据，所述第一属性信息数据包括所述目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据；
确定每个维度的第一行为数据对应的权重值；
根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据；
基于所述目标客户的目标特征数据，通过价值预测模型预测所述目标客户对目标银行的价值等级；
基于所述目标客户对目标银行的价值等级进行权益推送。
2.根据权利要求1所述的方法，其特征在于，所述确定每个维度的第一行为数据对应的权重值，包括：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第一行为数据对应的权重值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据，包括：
对所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值进行特征提取，得到所述目标客户的初始特征数据；
对所述目标客户的初始特征数据进行降维处理，得到所述目标客户的目标特征数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取历史客户的第二属性信息数据和对应的价值等级标签，所述第二属性信息数据包括所述历史客户的第二基础信息数据和针对银行业务的多个维度的第二行为数据；
确定每个维度的第二行为数据对应的权重值；
根据所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建所述历史客户的目标特征数据；
基于所述历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到所述价值预测模型。
5.根据权利要求4所述的方法，其特征在于，所述基于所述历史客户的目标特征数据和对应的价值等级标签对初始网络模型进行训练，得到所述价值预测模型，包括：
基于所述历史客户的目标特征数据和对应的价值等级标签构建样本数据；
将所述样本数据划分为训练样本和测试样本；
利用所述训练样本对所述初始网络模型进行训练，并利用所述测试样本对训练得到的价值预测模型进行测试优化，直到得到满足条件的价值预测模型。
6.根据权利要求4所述的方法，其特征在于，所述确定每个维度的第二行为数据对应的权重，包括：
获取属性映射关系表，所述属性映射关系表包括客户的不同维度的行为数据和对应的权重数值；
基于所述属性映射关系表确定每个维度的第二行为数据对应的权重值。
7.根据权利要求4所述的方法，其特征在于，所述根据所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值构建所述历史客户的目标特征数据，包括：
对所述第二基础信息数据、所述多个维度的第二行为数据和每个维度的第二行为数据对应的权重值进行特征提取，得到所述历史客户的初始特征数据；
对所述历史客户的初始特征数据进行降维处理，得到所述历史客户的目标特征数据。
8.一种权益推送装置，其特征在于，所述装置包括：
获取单元，用于获取目标客户的第一属性信息数据，所述第一属性信息数据包括所述目标客户的第一基础信息数据和针对银行业务的多个维度的第一行为数据；
确定单元，用于确定每个维度的第一行为数据对应的权重值；
构建单元，用于根据所述第一基础信息数据、所述多个维度的第一行为数据和每个维度的第一行为数据对应的权重值构建所述目标客户的目标特征数据；
预测单元，用于基于所述目标客户的目标特征数据，通过价值预测模型预测所述目标客户对目标银行的价值等级；
推送单元，用于基于所述目标客户对目标银行的价值等级进行权益推送。
9.一种计算机设备，其特征在于，包括存储器和处理器；
其中，在所述存储器中存储有一个或多个计算机程序，所述一个或多个计算机程序包括指令；当所述指令被所述处理器执行时，使得所述计算机设备执如权利要求1-7中任一项所述的方法。
10.一种计算机存储介质，其特征在于，包括计算机指令，当所述计算机指令在计算机设备上运行时，所述计算机设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210647392.5A CN114943563A (zh) | 2022-06-09 | 2022-06-09 | 一种权益推送方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210647392.5A CN114943563A (zh) | 2022-06-09 | 2022-06-09 | 一种权益推送方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114943563A true CN114943563A (zh) | 2022-08-26 |
Family
ID=82908755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210647392.5A Pending CN114943563A (zh) | 2022-06-09 | 2022-06-09 | 一种权益推送方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114943563A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115130621A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
-
2022
- 2022-06-09 CN CN202210647392.5A patent/CN114943563A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115130621A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
| CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
| Huang et al. | A novel summarization technique for the support of resolving multi-criteria decision making problems | |
| CN111369344A (zh) | 一种动态生成预警规则的方法和装置 | |
| CN115409419A (zh) | 业务数据的价值评估方法、装置、电子设备及存储介质 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN116128627A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
| US20210349920A1 (en) | Method and apparatus for outputting information | |
| CN110751354B (zh) | 一种异常用户的检测方法和装置 | |
| CN114943563A (zh) | 一种权益推送方法、装置、计算机设备及存储介质 | |
| CN112950359B (zh) | 一种用户识别方法和装置 | |
| CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
| CN113112186A (zh) | 一种企业评估方法、装置及设备 | |
| CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN112836742A (zh) | 系统资源调整方法、装置及设备 | |
| WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
| CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
| Elrefai et al. | Using artificial intelligence in enhancing banking services | |
| CN115293291A (zh) | 排序模型的训练方法、排序方法、装置、电子设备及介质 | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
| CN113159924A (zh) | 授信客户对象的确定方法及装置 | |
| CN112990311A (zh) | 一种准入客户的识别方法和装置 | |
| CN113743641A (zh) | 一种物品识别方法和装置 | |
| CN115409636A (zh) | 产品风险预测方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |