CN115099928A - 流失客户识别方法及装置 - Google Patents

流失客户识别方法及装置 Download PDF

Info

Publication number
CN115099928A
CN115099928A CN202210704702.2A CN202210704702A CN115099928A CN 115099928 A CN115099928 A CN 115099928A CN 202210704702 A CN202210704702 A CN 202210704702A CN 115099928 A CN115099928 A CN 115099928A
Authority
CN
China
Prior art keywords
client
customer
attrition
prediction model
trained
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
CN202210704702.2A
Other languages
English (en)
Inventor
李京娓
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 CN202210704702.2A priority Critical patent/CN115099928A/zh
Publication of CN115099928A publication Critical patent/CN115099928A/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种流失客户识别方法及装置，可用于金融技术领域，该方法包括：采集历史流失客户信息；基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；提取历史流失客户信息中的客户特征；基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。本发明可以对可能出现的客户流失进行识别，效率高，准确率高。

Description

流失客户识别方法及装置
技术领域
本发明涉及金融技术领域，尤其涉及一种流失客户识别方法及装置。
背景技术
客户流失的原因是多方面的、复杂的，准确的寻找流失客户能够为银行节约营销成本，提高营销准确率，在传统方法下，寻找流失客户很多依赖人工经验判断或规则判定，准确率较低并且耗费人力物力。
发明内容
本发明实施例提出一种流失客户识别方法，用以对可能出现的客户流失进行识别，效率高，准确率高，该方法包括：
采集历史流失客户信息；
基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；
提取历史流失客户信息中的客户特征；
基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；
在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。
本发明实施例提出一种流失客户识别装置，用以对可能出现的客户流失进行识别，效率高，准确率高，该装置包括：
信息采集模块，用于采集历史流失客户信息；
先验概率分布获得模块，用于基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；
客户特征提取模块，用于提取历史流失客户信息中的客户特征；
模型训练模块，用于基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；
流失客户识别模块，用于在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述流失客户识别方法。
本发明实施例还提供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上述流失客户识别方法。
本发明实施例还提供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上述流失客户识别方法。
在本发明实施例中，采集历史流失客户信息；基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；提取历史流失客户信息中的客户特征；基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。在上述过程中，使用先验概率分布作为起点，对客户流失预测模型进行训练，然后根据这个客户流失预测模型对可能出现的客户流失进行识别，识别准确率高，以便实施具有针对性的客户挽留；且可自动计算，效率高。
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。在附图中：
图1为本发明实施例中流失客户识别方法的流程图；
图2为本发明实施例中模型训练的流程图；
图3为本发明实施例中流失客户识别装置的示意图；
图4为本发明实施例中模型训练模块的示意图；
图5为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
图1为本发明实施例中流失客户识别方法的流程图，如图1所示，该方法包括：
步骤101，采集历史流失客户信息；
步骤102，基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；
步骤103，提取历史流失客户信息中的客户特征；
步骤104，基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；
步骤105，在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。
在本发明实施例中，使用先验概率分布作为起点，对客户流失预测模型进行训练，然后根据这个客户流失预测模型对可能出现的客户流失进行识别，识别准确率高，以便实施具有针对性的客户挽留；且可自动计算，效率高。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
在步骤101中，采集历史流失客户信息；例如，在银行中，采集取消信用卡的客户的信息，采集取消理财产品的客户的信息。
在步骤102中，基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；
先验概率分布可表示为
Figure BDA0003705789810000041
表示不同流失状态在不同的客户特征下对应的概率分布。
在步骤103中，提取历史流失客户信息中的客户特征；
在一实施例中，客户特征包括客户流失前的交易频率、交易产品、动账金额中的至少一种或任意组合。
在步骤104中，基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；
在一实施例中，客户流失预测模型表示为：
Figure BDA0003705789810000042
Fi＝wi(Xi,Y)
Figure BDA0003705789810000043
其中，Xn客户的第n个客户特征，Ym为第m个流失状态；P(X,Y)为流失概率，wi为第n个客户特征对应的权重。
其中，Fi＝wi(Xi,Y)为边缘分布，可以认为是Y固定,Xi变化的条件概率分布，也就是说不考虑Y的影响，相当于进行了降维操作。
图2为本发明实施例中模型训练的流程图，在一实施例中，基于所述流失客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，包括：
步骤201，初始化待训练参数，确定迭代终止条件；
步骤202，将客户特征、待训练参数的初始值和先验概率分布为输入，基于最大熵原理进行训练，在达到迭代终止条件时，输出达到迭代终止条件时的待训练参数；
步骤203，将达到迭代终止条件时的待训练参数输入至客户流失预测模型，获得训练好的客户流失预测模型。
最大熵原理有一个约束：∑YP(yi|X)＝1就是对一组特征X，出现每一个流失状态yi的概率之和为一，
Figure BDA0003705789810000051
每一个wi可以通过训练得到。
最大熵原理的训练方法可以采用改进迭代尺度法IIS，这是一个迭代算法，首先对每个未知的wi赋一个初始值，然后计算对应每个wi的变化量δi，接着更新每个wi，迭代更新不断进行，直到每个wi都不再变化为止。每个wi都不再变化即为迭代终止条件。
具体地，基于最大熵原理进行训练的具体过程如下：
输入：wi的初始值，先验概率分布可表示为
Figure BDA0003705789810000052
输出：待训练参数的最优值wi，训练好的客户流失预测模型Pw
步骤201，初始化待训练参数，对所有i∈{1，2，......，n}，wi＝0确定迭代终止条件为每个wi都不再变化。
步骤202，进行遍历
对每一i∈{1，2，......，n}
求解：
Figure BDA0003705789810000053
更新wi：wi+δi→wi
执行步骤202，直至达到迭代终止条件。
其中，M的计算公式如下：
Figure BDA0003705789810000054
Figure BDA0003705789810000057
的计算公式如下：
Figure BDA0003705789810000055
其中，分子表示事件(X＝x，Y＝y)在所有历史客户信息的客户特征中出现的次数，N表示事件总数。
EP(Fi)的计算公式如下：
Figure BDA0003705789810000056
步骤203，将达到迭代终止条件时的待训练参数输入至客户流失预测模型，获得训练好的客户流失预测模型。
步骤105，在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。
综上所述，本发明实施例提出的方法中，采集历史流失客户信息；基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；提取历史流失客户信息中的客户特征；基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。在上述过程中，使用先验概率分布作为起点，对客户流失预测模型进行训练，然后根据这个客户流失预测模型对可能出现的客户流失进行识别，识别准确率高，以便实施具有针对性的客户挽留；且可自动计算，效率高。
本发明实施例还提出一种流失客户识别装置，其原理与流失客户识别方法类似，这里不再赘述。图3为本发明实施例中流失客户识别装置的示意图，包括：
信息采集模块301，用于采集历史流失客户信息；
先验概率分布获得模块302，用于基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；
客户特征提取模块303，用于提取历史流失客户信息中的客户特征；
模型训练模块304，用于基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；
流失客户识别模块305，用于在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。
在一实施例中，客户特征包括客户流失前的交易频率、交易产品、动账金额中的至少一种或任意组合。
在一实施例中，客户流失预测模型表示为：
Figure BDA0003705789810000061
Fi＝wi(Xi,Y)
Figure BDA0003705789810000062
其中，Xn客户的第n个客户特征，Ym为第m个流失状态；P(X,Y)为流失概率，wi为第n个客户特征对应的权重。
图4为本发明实施例中模型训练模块的示意图，在一实施例中，模型训练模块包括：
初始化模块401，用于初始化待训练参数，确定迭代终止条件；
训练模块402，用于将客户特征、待训练参数的初始值和先验概率分布为输入，基于最大熵原理进行训练，在达到迭代终止条件时，输出达到迭代终止条件时的待训练参数；
模型输出模块403，用于将达到迭代终止条件时的待训练参数输入至客户流失预测模型，获得训练好的客户流失预测模型。
综上所述，本发明实施例提出的装置中，采集历史流失客户信息；基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；提取历史流失客户信息中的客户特征；基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。在上述过程中，使用先验概率分布作为起点，对客户流失预测模型进行训练，然后根据这个客户流失预测模型对可能出现的客户流失进行识别，识别准确率高，以便实施具有针对性的客户挽留；且可自动计算，效率高。
本发明实施例还提供一种计算机设备，图5为本发明实施例中计算机设备的示意图，所述计算机设备500包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，所述处理器520执行所述计算机程序530时实现上述流失客户识别方法。
本发明实施例还提供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上述流失客户识别方法。
本发明实施例还提供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上述流失客户识别方法。
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、或计算机程序业务系统。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业务系统的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序业务系统的流程图和/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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种流失客户识别方法，其特征在于，包括：
采集历史流失客户信息；
基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；
提取历史流失客户信息中的客户特征；
基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；
在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。
2.如权利要求1所述的方法，其特征在于，客户特征包括客户流失前的交易频率、交易产品、动账金额中的至少一种或任意组合。
3.如权利要求1所述的方法，其特征在于，客户流失预测模型表示为：
Figure FDA0003705789800000011
Fi＝wi(Xi,Y)
Figure FDA0003705789800000012
其中，Xn客户的第n个客户特征，Ym为第m个流失状态；P(X,Y)为流失概率，wi为第n个客户特征对应的权重。
4.如权利要求1所述的方法，其特征在于，基于所述流失客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，包括：
初始化待训练参数，确定迭代终止条件；
将客户特征、待训练参数的初始值和先验概率分布为输入，基于最大熵原理进行训练，在达到迭代终止条件时，输出达到迭代终止条件时的待训练参数；
将达到迭代终止条件时的待训练参数输入至客户流失预测模型，获得训练好的客户流失预测模型。
5.一种流失客户识别装置，其特征在于，包括：
信息采集模块，用于采集历史流失客户信息；
先验概率分布获得模块，用于基于历史流失客户信息，获得先验概率分布，所述先验概率分布用于表示在不知道任何外界条件情况下，客户流失的概率分布；
客户特征提取模块，用于提取历史流失客户信息中的客户特征；
模型训练模块，用于基于所述客户特征和先验概率分布，对客户流失预测模型进行训练，获得训练好的客户流失预测模型，所述客户流失预测模型为基于条件随机场的量化模型；
流失客户识别模块，用于在获得目标客户的客户特征后，输入至训练好的客户流失预测模型，判断该目标客户是否为流失客户。
6.如权利要求5所述的装置，其特征在于，客户特征包括客户流失前的交易频率、交易产品、动账金额中的至少一种或任意组合。
7.如权利要求5所述的装置，其特征在于，客户流失预测模型表示为：
Figure FDA0003705789800000021
Fi＝wi(Xi,Y)
Figure FDA0003705789800000022
其中，Xn客户的第n个客户特征，Ym为第m个流失状态；P(X,Y)为流失概率，wi为第n个客户特征对应的权重。
8.如权利要求5所述的装置，其特征在于，模型训练模块包括：
初始化模块，用于初始化待训练参数，确定迭代终止条件；
训练模块，用于将客户特征、待训练参数的初始值和先验概率分布为输入，基于最大熵原理进行训练，在达到迭代终止条件时，输出达到迭代终止条件时的待训练参数；
模型输出模块，用于将达到迭代终止条件时的待训练参数输入至客户流失预测模型，获得训练好的客户流失预测模型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法。
10.一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4任一项所述方法。
11.一种计算机程序产品，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4任一项所述方法。
CN202210704702.2A 2022-06-21 2022-06-21 流失客户识别方法及装置 Pending CN115099928A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210704702.2A CN115099928A (zh) 2022-06-21 2022-06-21 流失客户识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210704702.2A CN115099928A (zh) 2022-06-21 2022-06-21 流失客户识别方法及装置

Publications (1)

Publication Number Publication Date
CN115099928A true CN115099928A (zh) 2022-09-23

Family

ID=83293015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210704702.2A Pending CN115099928A (zh) 2022-06-21 2022-06-21 流失客户识别方法及装置

Country Status (1)

Country Link
CN (1) CN115099928A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664184A (zh) * 2023-07-31 2023-08-29 广东南方电信规划咨询设计院有限公司 基于联邦学习的客户流失预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664184A (zh) * 2023-07-31 2023-08-29 广东南方电信规划咨询设计院有限公司 基于联邦学习的客户流失预测方法及装置
CN116664184B (zh) * 2023-07-31 2024-01-12 广东南方电信规划咨询设计院有限公司 基于联邦学习的客户流失预测方法及装置

Similar Documents

Publication Publication Date Title
KR102044205B1 (ko) 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법
EP3582150A1 (en) Method of knowledge transferring, information processing apparatus and storage medium
CN111311401A (zh) 一种基于LightGBM的金融违约概率预测模型
US9015083B1 (en) Distribution of parameter calculation for iterative optimization methods
CN111290922A (zh) 服务运行健康度监测方法及装置
CN111967521B (zh) 跨境活跃用户识别方法及装置
CN115099928A (zh) 流失客户识别方法及装置
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN115167965A (zh) 交易进度条的处理方法及装置
CN113595242A (zh) 一种基于深度cnn-hmm的非侵入式负荷辨识方法
CN113159926A (zh) 贷款业务的还款日期确定方法及装置
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
CN114708608B (zh) 一种银行票据全自动化特征工程方法及装置
CN115795314B (zh) 一种关键样本采样方法、系统、电子设备及存储介质
CN111753148B (zh) 一种交易类型匹配方法和装置
CN115545095A (zh) 客户类型确定方法及装置
CN113052689B (zh) 一种基于决策树的产品推荐方法及装置
CN113962323A (zh) 热点账户识别方法及装置
CN115439158A (zh) 客户营销方法及装置
CN113988955A (zh) 潜在资产提升客户预测方法及装置
CN115578185A (zh) 银行边缘计算系统的风险控制方法及装置
CN116071165A (zh) 理财产品的预测方法和理财产品的预测装置
CN115187377A (zh) 信用卡风险信息检测方法及装置
CN114942877A (zh) 银行系统的用户界面的确定方法及装置
CN117540212A (zh) 一种初始化参数确定方法、装置及电子设备

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