CN115049430A - 对象行为的预测方法、装置及电子设备 - Google Patents

对象行为的预测方法、装置及电子设备 Download PDF

Info

Publication number
CN115049430A
CN115049430A CN202210652580.7A CN202210652580A CN115049430A CN 115049430 A CN115049430 A CN 115049430A CN 202210652580 A CN202210652580 A CN 202210652580A CN 115049430 A CN115049430 A CN 115049430A
Authority
CN
China
Prior art keywords
target object
target
stage
information
behavior
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
CN202210652580.7A
Other languages
English (en)
Inventor
黄萱
罗立新
向宇
尹少聪
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210652580.7A priority Critical patent/CN115049430A/zh
Publication of CN115049430A publication Critical patent/CN115049430A/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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种对象行为的预测方法、装置及电子设备，涉及大数据技术领域。其中，该方法包括：获取目标对象的对象信息，其中，对象信息至少包括目标对象的行为数据以及交易数据；对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征，其中，当前阶段为目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，客户生命周期表征目标对象的行为数据与目标业务之间的关系；基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果。本发明解决了现有技术中对客户分析不全面导致的客户行为判断准确度低的技术问题。

Description

对象行为的预测方法、装置及电子设备
技术领域
本发明涉及大数据技术领域，具体而言，涉及一种对象行为的预测方法、装置及电子设备。
背景技术
随着现代科学技术的迅速发展,知识的更新速度不断加快,人们的生活方式和消费模式也在逐渐发生改变。在新形势下,企业要在激烈的市场竞争中求得生存和发展，必须对营销策略同步更新。
目前，企业在制定营销策略时更多的是考虑产品,即针对产品在市场中的各个阶段的特点，实施不同的管理措施，存在对客户的需求考虑的不够充分、对客户分析不够全面的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种对象行为的预测方法、装置及电子设备，以至少解决现有技术中对客户分析不全面导致的客户行为判断准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种对象行为的预测方法，包括：获取目标对象的对象信息，其中，对象信息至少包括目标对象的行为数据以及交易数据；对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征，其中，当前阶段为目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，客户生命周期表征目标对象的行为数据与目标业务之间的关系；基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果。
进一步地，对象行为的预测方法还包括：对目标对象的对象信息进行清洗处理，得到清洗后的对象信息；从清洗后的对象信息中确定与当前阶段所对应的目标对象信息；对目标对象信息进行特征提取，得到至少一个目标对象特征。
进一步地，对象行为的预测方法还包括：根据至少一个目标对象特征确定目标对象在当前阶段所对应的目标特征标签，其中，目标特征标签至少包括静态标签和动态标签；基于目标特征标签对目标对象在当前阶段的对象行为进行预测，得到预测结果。
进一步地，对象行为的预测方法还包括：获取多个对象在每个阶段所对应的对象特征，其中，多个对象的对象特征与对应阶段的业务相对应；对对象特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的特征标签。
进一步地，对象行为的预测方法还包括：对对象特征中的静态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的静态标签，其中，静态特征表征多个对象的固有属性信息；对对象特征中的动态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的动态标签，其中，动态特征表征随多个对象的对象行为变化而变化的特征。
进一步地，对象行为的预测方法还包括：获取当前阶段所对应的至少一个业务的业务信息；确定业务信息与目标特征标签之间的关联程度；根据关联程度从当前阶段所对应的至少一个业务中确定目标对象所对应的目标业务信息，其中，目标业务信息与目标特征标签之间的关联程度大于预设关联程度，目标业务信息表征目标对象的意向业务。
根据本发明实施例的另一方面，还提供了一种对象行为的预测装置，包括：获取模块，用于获取目标对象的对象信息，其中，对象信息至少包括目标对象的行为数据以及交易数据；处理模块，用于对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征，其中，当前阶段为目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，客户生命周期表征目标对象的行为数据与目标业务之间的关系；预测模块，用于基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的对象行为的预测方法。
根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的对象行为的预测方法。
根据本发明实施例的另一方面，还提供了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上述的对象行为的预测方法。
在本发明实施例中，采用通过对象特征对对象行为进行预测的方式，首先获取目标对象的对象信息，然后对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征，再基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果。其中，对象信息至少包括目标对象的行为数据以及交易数据，当前阶段为目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，客户生命周期表征目标对象的行为数据与目标业务之间的关系。
在上述过程中，通过采集目标对象的大量数据，能够全面反映客户的情况，通过数据清洗，能够提高分析的效率。另外，根据不同的业务需求，将提取出的对象特征应用于客户生命周期中的各个阶段来对客户行为进行预测，实现了对客户的全面分析；基于预测结果，可以进一步挖掘、维持、发展客户关系，以便对客户进行精准服务，从而延长了客户生命周期。
由此可见，通过本发明的技术方案，达到了对客户深层次、全方面了解的目的，从而实现了提高对客户行为判断准确度的技术效果，进而解决了现有技术中对客户分析不全面导致的客户行为判断准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的对象行为的预测方法的流程图；
图2是根据本发明实施例的一种可选的对象行为的预测模型的示意图；
图3是根据本发明实施例的一种可选的对象行为的预测装置的示意图；
图4是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
实施例1
根据本发明实施例，提供了一种对象行为的预测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的对象行为的预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取目标对象的对象信息。
在上述步骤中，目标对象可以是待进行行为预测的对象，对象信息至少包括对象的行为数据以及交易数据。为全面反映对象情况，对象信息可以是从本地存储器中获取到的，也可以是从互联网上获取到的。另外，对象信息还可以包括对象的基础数据，例如，年龄、性别、风险收益数据等，也可以包括对象的互联网数据，例如，第三方支付数据、电商平台购物数据、生活缴费数据，微信、微博等社交平台数据以及互联网征信数据。
需要说明的是，在上述过程中，通过获取目标对象的对象信息，能够得到全面反映对象情况的数据，为后续对目标对象进行分析提供了数据基础。
步骤S102，对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征。
在上述步骤中，在获取目标对象的大量数据后，需要对这些数据进行整理归纳，即对对象信息进行清洗处理，从而能够从大量数据中获取到有价值的信息，即目标对象在当前阶段的至少一个目标对象特征。可选的，以金融机构的业务和客户之间的关系为例，可以将客户生命周期分为精准推广、精准获客、精准跟踪、精准服务、全程风险防控五个阶段，前述当前阶段可以是五个阶段中的任意一个阶段。
需要说明的是，由于获取到的目标对象的信息量巨大，目标对象的行为非常分散，因此，通过对对象信息进行清洗处理，能够减少无效信息的数量，进而提高了对目标对象进行分析时的效率。
步骤S103，基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果。
在上述步骤中，可以基于不同的业务需求以及不同的客户生命周期阶段，提取相应的目标对象特征，进而对目标对象在当前阶段的对象行为进行预测，得到预测结果。
可选的，根据金融机构信用卡业务潜在客户挖掘需求，在客户生命周期的精准获客阶段，提取至少一个目标对象特征，可以对目标对象在当前阶段的对象行为进行预测，以此来开发潜在信用卡客户。例如，目标对象在电商平台购物时，经常采用分期付款的支付方式，其对象特征就可以是分期付款，通过对特征为分期付款的对象进行行为预测，可以得到目标对象办理信用卡的可能性，从而提升金融机构营销信用卡的能力，扩大信用卡客户群规模。同理，还可以在客户生命周期进行全程风险防控，及时获取异常信息，减少金融机构和客户的损失。
需要说明的是，通过预测客户生命周期各个阶段的行为，能够挖掘、维持、发展客户关系，从而延长客户生命周期。
基于上述步骤S101至步骤S103所限定的方案，可以获知，在本发明实施例中，采用通过对象特征对对象行为进行预测的方式，首先获取目标对象的对象信息，然后对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征，再基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果。其中，对象信息至少包括目标对象的行为数据以及交易数据，当前阶段为目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，客户生命周期表征目标对象的行为数据与目标业务之间的关系。
容易注意到的是，在上述过程中，通过采集目标对象的大量数据，能够全面反映客户的情况，通过数据清洗，能够提高分析的效率。另外，根据不同的业务需求，将提取出的对象特征应用于客户生命周期中的各个阶段来对客户行为进行预测，实现了对客户的全面分析；基于预测结果，可以进一步挖掘、维持、发展客户关系，以便对客户进行精准服务，从而延长了客户生命周期。
由此可见，通过本发明的技术方案，达到了对客户深层次、全方面了解的目的，从而实现了提高对客户行为判断准确度的技术效果，进而解决了现有技术中对客户分析不全面导致的客户行为判断准确度低的技术问题。
在一种可选的实施例中，在对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征的过程中，首先对目标对象的对象信息进行清洗处理，得到清洗后的对象信息，然后从清洗后的对象信息中确定与当前阶段所对应的目标对象信息，再对目标对象信息进行特征提取，得到至少一个目标对象特征。
可选的，图2是根据本发明实施例的一种可选的对象行为的预测模型的示意图，如图2所示，提供了一种沙漏模型，由数据获取、客户画像和行为预测三个部分构成。模型的上部是获取到的数据的来源，即可以通过终端数据、客户端数据、网上银行数据、电话银行数据、互联网数据等获取目标对象的对象信息；中部是形成客户画像的过程，即经过数据清洗、标签定义、特征工程形成客户画像；下部是行为预测，将前面分析的数据应用到客户生命周期中，即对客户生命周期的各个阶段的行为进行预测，包括推广、获客、跟踪、服务和贯穿全程的风险防控。
具体的，在本实施例中，目标对象可以是金融机构的客户，在获取到客户信息之后，对客户信息进行清洗处理，得到清洗后的客户信息。其中，获取客户信息可以是对单位时间内的信息进行获取，获取到的数据的来源也可以根据需求灵活地进行周期更新。另外，对客户信息进行清洗处理，可以是对客户信息中编码错误、格式错误、记录不完整、数据值超出指定范围以及对分析结果没有帮助的数据进行过滤，同时对已经过滤后的信息进行分类，分类后的信息主要包括人口统计信息、客户价值、关联关系、风险评估、兴趣爱好五个维度。维度具体释义如表1所示。
表1客户基本信息五个维度释义表
Figure BDA0003686538040000061
Figure BDA0003686538040000071
进一步地，在对客户信息进行处理之后，从客户信息中确定与当前阶段所对应的信息，例如，在客户生命周期的精准获客阶段，与当前阶段所对应的信息可以是人口统计信息、客户价值、风险评估、兴趣爱好四个维度的信息；然后，对四个维度的客户信息进行特征提取，得到至少一个目标对象特征，例如，客户用手机在电商平台购物时，经常采用分期付款的支付方式，此时，金融机构存在信用卡业务潜在客户挖掘需求，就可以选取兴趣爱好维度中的渠道产品交叉类信息，对应于客户用手机进行第三方平台分期消费的特征。
需要说明的是，通过对目标对象的对象信息进行清洗处理，保留了对分析结果产生积极影响的数据，进而提高了分析效率。
在一种可选的实施例中，在基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果的过程中，首先根据至少一个目标对象特征确定目标对象在当前阶段所对应的目标特征标签，再基于目标特征标签对目标对象在当前阶段的对象行为进行预测，得到预测结果。其中，目标特征标签至少包括静态标签和动态标签。
其中，在一种可选的实施例中，在根据至少一个目标对象特征确定目标对象在当前阶段所对应的目标特征标签之前，首先获取多个对象在每个阶段所对应的对象特征，然后对对象特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的特征标签。其中，多个对象的对象特征与对应阶段的业务相对应。
可选的，在根据至少一个目标对象特征确定目标对象在当前阶段所对应的目标特征标签之前，选取金融机构存储的100位客户信息数据作为样本数据，并将样本数据输入如图2所示的沙漏模型，经过前述数据清洗过程，可以得到多个对象在每个阶段所对应的对象特征，然后进行标签定义过程，即采取聚类分析算法并根据前述分类得到的五个维度的数据，为100位样本客户打上特征标签。例如，对于五个维度中的人口统计信息维度、客户价值维度的数据，通过聚类分析算法，可以得到如表2所示的特征标签。
表2特征标签示例表
维度信息 特征标签
年龄(人口统计信息维度) 青年人(18-40岁)
中年人(40-65岁)
老年人(66岁以上)
年收入(客户价值维度) 高收入者(40万以上/年)
中等收入者(10-40以上/年)
偏低收入者(10万以下/年)
具体的，聚类分析是将一组数据按照不同维度的相似性和差异性分成不同的几组，聚类分析的目的是使同一组数据之间的相似性尽量大、差异性尽量小，不同组数据之间相似性尽量小、差异性尽量大。例如，对10个客户的消费能力进行分析时，其中，有3个客户消费金额为1元，2个客户消费金额为6元，2个客户消费金额为7元，3个客户消费金额为10元，使用聚类方法进行分析，得到的分析结果为：有3个低消费能力客户，消费能力为1元，有3个高消费能力客户，消费能力为10元，有4个中等能力消费客户，消费能力为6.5元。
进一步地，对对象特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的特征标签。例如，在客户生命周期的精准获客阶段，金融机构存在信用卡业务潜在客户挖掘需求，通过对100位样本客户信息进行清洗和初步分析之后，可以提取出样本客户中已办理信用卡客户的高度相似行为特征，分析这些变量特征与客户是否办理信用卡之间的关联程度，选取关联程度相对较大的作为对待预测客户进行预测时使用的特征标签。可选的，如表3所示，选取了五个变量特征作为对待预测客户进行预测时使用的特征标签。
表3变量特征示例表
变量特征 释义
年龄 18-50岁之间
性别 男性或女性
月均收入 近一年月平均收入
月均消费 近一年月平均消费
信用资质 信用评分情况(由高到低五个等级)
需要说明的是，根据关联程度选取出来的相似行为特征的数量越多，涵盖的范围越广，则蕴含的客户信息越具有指向性，最终得出的预测结果会越准确。
进一步地，基于100位样本客户信息选取出来的对待预测客户进行预测时使用的特征标签作为目标特征标签，对目标对象在当前阶段的对象行为进行预测，得到预测结果，即对具有该特征的客户办理信用卡业务的可能性进行预测，得出具有该特征的客户是否办理信用卡业务的结论。
需要说明的是，通过对多个对象进行分析，得到对待预测客户进行预测时使用的特征标签即目标特征标签，能够在客户生命周期的各个阶段，快速挖掘、维持、发展客户，进而达到精准营销的目的。
在一种可选的实施例中，在对对象特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的特征标签的过程中，首先对对象特征中的静态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的静态标签，再对对象特征中的动态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的动态标签。其中，静态特征表征多个对象的固有属性信息，动态特征表征随多个对象的对象行为变化而变化的特征。
具体的，如图2所示，完成标签定义过程之后，进行特征工程的过程，在特征标签的基础上，建立客户画像，其中，目标特征标签可以分为静态标签和动态标签，静态标签可以是与性别等固定的不会发生变化的特征所对应的标签，动态标签可以是与年龄、消费能力等可以变化的特征所对应的标签。因此，在前述通过对多个对象进行分析，得到对待预测客户进行预测时使用的特征标签即目标特征标签的过程中，可以分别对静态特征和动态特征进行分析，即对静态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的静态标签，再对对象特征中的动态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的动态标签。
可选的，在构建金融机构的客户特征工程时，结合客户生命周期的全部阶段，可以将其分成客户价值分类、客户行为偏好、客户潜在需求、重点关注客户、客户风险评分、业务营销拓展等六个维度。每个维度都可以开发相对应的细分标签。其中，六个维度的分类办法及原则如下：客户价值分类，根据客户对金融机构的贡献度和活跃度对客户进行分析，可以用于资源的合理有效分配，每个客户在该类标签中只有一个，细分为：大众客户、潜力客户、成长客户、卓越客户等；客户行为偏好，通过客户的交易渠道、交易种类，分析客户的特征，方便客户经理挖掘客户、洞察客户，细分为：交易渠道偏好、交易类型偏好等；客户潜在需求，根据客户过往的行为表现，从具体产品出发，挖掘出潜在的客户，进行精准营销，细分为：投资理财潜在客户、信用卡潜在客户等；重点关注客户，在日常运营的过程中，首要关注的客群，包括欺诈客户、黑名单客户、信息不完善客户、信息不真实客户等；客户风险评分，展示出银行各类信用评分模型的结果，细分为较高风险客户、一般风险客户、较低风险客户等；业务营销拓展，为支持业务部门某次或某类营销活动而专门开发出来的具有生命周期的客户标签，细分为：非有效活跃户、流失客户等。
需要说明的是，通过对对象的静态特征和动态特征进行分析，搭建了具有一定通用性的客户特征工程，将客户标签化，提供了多元化多角度的客户画像，实现了对客户的多方面分析。
在一种可选的实施例中，在基于目标特征标签对目标对象在当前阶段的对象行为进行预测，得到预测结果的过程中，首先获取当前阶段所对应的至少一个业务的业务信息，然后确定业务信息与目标特征标签之间的关联程度，再根据关联程度从当前阶段所对应的至少一个业务中确定目标对象所对应的目标业务信息，其中，目标业务信息与目标特征标签之间的关联程度大于预设关联程度，目标业务信息表征目标对象的意向业务。
可选的，选取在客户生命周期的精准获客阶段，金融机构有不同的业务需求，例如办理银行卡业务、办理信用卡业务等，通过前述确定出来的目标特征标签，与银行卡业务信息、信用卡业务信息进行关联程度分析，例如，客户用手机在电商平台购物时，经常采用分期付款的支付方式，对应于客户用手机进行第三方平台分期消费的特征，该特征所对应的特征标签可以是信用卡潜在客户标签，对该标签与银行卡业务信息、信用卡业务信息进行关联程度分析，可选的，关联程度存在阈值，即预设关联程度可以为90％，当目标特征标签与业务信息的关联程度大于90％，可以确定目标对象的意向业务为信用卡业务。
可选的，在一些其他实施例中，在选取出前述100名样本客户数据中如表3所示的年龄、性别、月均收入、月均消费、信用资质五个特征标签之后，组成如表4所示的标签组，通过如图2所示的沙漏模型，可以预测出这些客户是否会办理信用卡，这里截取了部分预测结果，如表5所示，其中，客户的年龄范围为18-50岁；性别标签中用0表示性别为女，1表示性别为男；信用资质分为五个等级，用1-5的数字表示，数字越大表示信用资质越好。可选的，对是否已办理信用卡信息进行统计，0表示没有办理，1表示已办理过信用卡。
表4客户样本信息数据示例表
Figure BDA0003686538040000111
表5模型预测结果示例表
Figure BDA0003686538040000112
需要说明的是，进一步筛选出预测值为1的客户，便是营销人员所要寻找的个人信用卡业务的目标客户，达到了精准获客的目的。
由此可见，通过本发明的技术方案，达到了对客户深层次、全方面了解的目的，从而实现了提高对客户行为判断准确度的技术效果，进而解决了现有技术中对客户分析不全面导致的客户行为判断准确度低的技术问题。
实施例2
根据本发明实施例，提供了一种对象行为的预测装置的实施例，其中，图3是根据本发明实施例的一种可选的对象行为的预测装置的示意图，如图3所示，该装置包括：获取模块301，用于获取目标对象的对象信息，其中，对象信息至少包括目标对象的行为数据以及交易数据；处理模块302，用于对对象信息进行清洗处理，得到目标对象在当前阶段的至少一个目标对象特征，其中，当前阶段为目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，客户生命周期表征目标对象的行为数据与目标业务之间的关系；预测模块303，用于基于至少一个目标对象特征对目标对象在当前阶段的对象行为进行预测，得到预测结果。
需要说明的是，上述获取模块301、处理模块302以及预测模块303对应于上述实施例中的步骤S101至步骤S103，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选的，处理模块包括：清洗模块，用于对目标对象的对象信息进行清洗处理，得到清洗后的对象信息；第一确定模块，用于从清洗后的对象信息中确定与当前阶段所对应的目标对象信息；提取模块，用于对目标对象信息进行特征提取，得到至少一个目标对象特征。
可选的，预测模块包括：第二确定模块，用于根据至少一个目标对象特征确定目标对象在当前阶段所对应的目标特征标签，其中，目标特征标签至少包括静态标签和动态标签；第一预测模块，用于基于目标特征标签对目标对象在当前阶段的对象行为进行预测，得到预测结果。
可选的，对象行为的预测装置还包括：第一获取模块，用于获取多个对象在每个阶段所对应的对象特征，其中，多个对象的对象特征与对应阶段的业务相对应；第三确定模块，用于对对象特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的特征标签。
可选的，第三确定模块包括：第四确定模块，用于对对象特征中的静态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的静态标签，其中，静态特征表征多个对象的固有属性信息；第五确定模块，用于对对象特征中的动态特征与至少一个阶段之间的关联程度进行分析，确定每个阶段所对应的动态标签，其中，动态特征表征随多个对象的对象行为变化而变化的特征。
可选的，第一预测模块包括：第二获取模块，用于获取当前阶段所对应的至少一个业务的业务信息；第六确定模块，用于确定业务信息与目标特征标签之间的关联程度；第七确定模块，用于根据关联程度从当前阶段所对应的至少一个业务中确定目标对象所对应的目标业务信息，其中，目标业务信息与目标特征标签之间的关联程度大于预设关联程度，目标业务信息表征目标对象的意向业务。
实施例3
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的对象行为的预测方法。
实施例4
根据本发明实施例的另一方面，还提供了一种电子设备，其中，图4是根据本发明实施例的一种可选的电子设备的示意图，如图4所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的对象行为的预测方法。
实施例5
根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述的对象行为的预测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种对象行为的预测方法，其特征在于，包括：
获取目标对象的对象信息，其中，所述对象信息至少包括所述目标对象的行为数据以及交易数据；
对所述对象信息进行清洗处理，得到所述目标对象在当前阶段的至少一个目标对象特征，其中，所述当前阶段为所述目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，所述客户生命周期表征所述目标对象的行为数据与目标业务之间的关系；
基于所述至少一个目标对象特征对所述目标对象在所述当前阶段的对象行为进行预测，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，对所述对象信息进行清洗处理，得到所述目标对象在当前阶段的至少一个目标对象特征，包括：
对所述目标对象的对象信息进行清洗处理，得到清洗后的对象信息；
从所述清洗后的对象信息中确定与所述当前阶段所对应的目标对象信息；
对所述目标对象信息进行特征提取，得到所述至少一个目标对象特征。
3.根据权利要求1所述的方法，其特征在于，基于所述至少一个目标对象特征对所述目标对象在所述当前阶段的对象行为进行预测，得到预测结果，包括：
根据所述至少一个目标对象特征确定所述目标对象在所述当前阶段所对应的目标特征标签，其中，所述目标特征标签至少包括静态标签和动态标签；
基于所述目标特征标签对所述目标对象在所述当前阶段的对象行为进行预测，得到所述预测结果。
4.根据权利要求3所述的方法，其特征在于，在根据所述至少一个目标对象特征确定所述目标对象在所述当前阶段所对应的目标特征标签之前，所述方法还包括：
获取多个对象在每个阶段所对应的对象特征，其中，所述多个对象的对象特征与对应阶段的业务相对应；
对所述对象特征与所述至少一个阶段之间的关联程度进行分析，确定所述每个阶段所对应的特征标签。
5.根据权利要求4所述的方法，其特征在于，对所述对象特征与所述至少一个阶段之间的关联程度进行分析，确定所述每个阶段所对应的特征标签，包括：
对所述对象特征中的静态特征与所述至少一个阶段之间的关联程度进行分析，确定所述每个阶段所对应的静态标签，其中，所述静态特征表征所述多个对象的固有属性信息；
对所述对象特征中的动态特征与所述至少一个阶段之间的关联程度进行分析，确定所述每个阶段所对应的动态标签，其中，所述动态特征表征随所述多个对象的对象行为变化而变化的特征。
6.根据权利要求3所述的方法，其特征在于，基于所述目标特征标签对所述目标对象在所述当前阶段的对象行为进行预测，得到所述预测结果，包括：
获取所述当前阶段所对应的至少一个业务的业务信息；
确定所述业务信息与所述目标特征标签之间的关联程度；
根据所述关联程度从所述当前阶段所对应的至少一个业务中确定所述目标对象所对应的目标业务信息，其中，所述目标业务信息与所述目标特征标签之间的关联程度大于预设关联程度，所述目标业务信息表征所述目标对象的意向业务。
7.一种对象行为的预测装置，其特征在于，包括：
获取模块，用于获取目标对象的对象信息，其中，所述对象信息至少包括所述目标对象的行为数据以及交易数据；
处理模块，用于对所述对象信息进行清洗处理，得到所述目标对象在当前阶段的至少一个目标对象特征，其中，所述当前阶段为所述目标对象在客户生命周期所对应的至少一个阶段中的任意一个阶段，所述客户生命周期表征所述目标对象的行为数据与目标业务之间的关系；
预测模块，用于基于所述至少一个目标对象特征对所述目标对象在所述当前阶段的对象行为进行预测，得到预测结果。
8.一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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的对象行为的预测方法。
9.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至6任一项中所述的对象行为的预测方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至6中任一项所述的对象行为的预测方法。
CN202210652580.7A 2022-06-09 2022-06-09 对象行为的预测方法、装置及电子设备 Pending CN115049430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210652580.7A CN115049430A (zh) 2022-06-09 2022-06-09 对象行为的预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210652580.7A CN115049430A (zh) 2022-06-09 2022-06-09 对象行为的预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115049430A true CN115049430A (zh) 2022-09-13

Family

ID=83160674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210652580.7A Pending CN115049430A (zh) 2022-06-09 2022-06-09 对象行为的预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115049430A (zh)

Similar Documents

Publication Publication Date Title
CN106570718B (zh) 信息的投放方法及投放系统
CN108805598B (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN112418932B (zh) 一种基于用户标签的营销信息推送方法及装置
CN106776897B (zh) 一种用户画像标签确定方法及装置
CN108628866A (zh) 数据融合的方法和装置
CN113807896A (zh) 一种基于抖众电商平台的大数据用户挖掘方法
CN108109004A (zh) 相似人群扩展方法、装置及电子设备
CN112232950A (zh) 针对借贷风险的评估方法及装置、设备、计算机可读存储介质
CN114663132A (zh) 一种基于实时用户画像的智能营销方法及装置
Zhang et al. Analysis of purchase history data based on a new latent class model for RFM analysis
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN116934372A (zh) 一种门店运营客户数据管理方法和系统
CN105389714B (zh) 一种从行为数据识别用户特性的方法
CN114553813A (zh) 基于银行业务的消息推送方法和装置、处理器及电子设备
CN112330373A (zh) 用户行为分析方法、装置及计算机可读存储介质
CN111476657A (zh) 信息推送方法、装置及系统
CN116467525A (zh) 业务产品的推荐方法、装置、设备和存储介质
CN115049430A (zh) 对象行为的预测方法、装置及电子设备
Pheng et al. The influence of perceived risks on intention to purchase clothing online
CN111080355B (zh) 用户集合的展示方法、装置和电子设备
CN113065892A (zh) 一种信息推送方法、装置、设备及存储介质
CN111382343B (zh) 一种标签体系生成方法及装置
CN113254775A (zh) 一种基于客户浏览行为序列的信用卡产品推荐方法
CN113283979A (zh) 一种贷款申请人的贷款信用评估方法、装置及存储介质
Yoon et al. Prediction of advertiser churn for google adwords

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