CN115271928A - 信用卡用户价值分析方法及装置 - Google Patents

Abstract

本申请提供了一种信用卡用户价值分析方法及装置，涉及数据分析领域，可应用于金融领域和其他领域，所述方法包含：根据用户信息抽取对应客户的信用卡场景下的历史行为数据，通过所述历史行为数据生成历史样本数据；根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵；通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据，根据所述备选特征数据构建价值预测模型；通过所述价值预测模型分析待测用户数据获得用户价值参考数据。

Description

信用卡用户价值分析方法及装置

技术领域

本申请涉及数据分析领域，可应用于金融领域和其他领域，尤指一种信用卡用户价值分析方法及装置。

背景技术

目前互联网消费金融影响着人们的消费习惯，故需要一种对于信用卡客户价值预测的装置，而当前在进行信用卡客户价值预测时，通常使用最多或最好用的还是回归模型，但在搭建回归模型时，需要经历特征筛选，将特征带入模型观察效果之后，再次筛选特征这样反复的过程，从而确定最终的模型，需要投入大量的人工成本，模型产出周期时间长。这样的过程会需要投入大量的人工成本；每次训练的过程，需要人工对数据进行分析、记录并挑选特征，效率不高；训练需要进行很多轮次的迭代，在这样的过程中，人工筛选可能对特征组合的范围覆盖较小；且人工筛选特征有一定的主观性，会造成入模特征有一定的个人偏好，从而降低模型的精度。

发明内容

本申请目的在于提供一种信用卡用户价值分析方法及装置，能够在节约人力的同时，提高数据分析的效率，降低人工作业的主观性影响。

为达上述目的，本申请所提供的信用卡用户价值分析方法，具体包含：根据用户信息抽取对应客户的信用卡场景下的历史行为数据，通过所述历史行为数据生成历史样本数据；根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵；通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据，根据所述备选特征数据构建价值预测模型；通过所述价值预测模型分析待测用户数据获得用户价值参考数据。

在上述信用卡用户价值分析方法中，可选的，根据所述备选特征数据构建价值预测模型包含：根据所述备选特征数据通过交叉组合获得多个不同的特征组合；利用多个所述特征组合分别训练线性回归模型获得多个价值分析模型并记录各价值分析模型的预测效果；根据所述预测效果筛选所述价值分析模型获得价值预测模型。

在上述信用卡用户价值分析方法中，可选的，根据所述备选特征数据通过交叉组合获得多个不同的特征组合包含：根据所述备选特征数据中的相关系数选择一个或多个固定特征；根据所述固定特征通过交叉组合选取所述备选特征数据中的其他特征获得多个不同的特征组合。

在上述信用卡用户价值分析方法中，可选的，利用多个所述特征组合分别训练线性回归模型获得多个价值分析模型并记录各价值分析模型的预测效果包含：将多个所述特征组合分别带入线性回归模型并采集对应的方根误差；根据所述方根误差获得预测效果。

在上述信用卡用户价值分析方法中，可选的，通过所述历史行为数据生成历史样本数据包含：根据所述历史行为数据中的用户特征生成自变量数据集；通过所述自变量数据集及对应用户的贡献值生成历史样本数据。

在上述信用卡用户价值分析方法中，可选的，根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵包含：计算用户特征与用户贡献值之间的皮尔森相关系数；根据所述皮尔森相关系数的大小排序生成相关性矩阵。

在上述信用卡用户价值分析方法中，可选的，通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据包含：通过所述相关性矩阵和预选的特征数量剔除会产生多重共线性的用户特征获得对应特征数量的备选特征数据。

本申请还提供一种信用卡用户价值分析装置，所述装置包含样本采集模块、矩阵构建模块、模型训练模块和价值分析模块；所述样本采集模块用于根据用户信息抽取对应客户的信用卡场景下的历史行为数据，通过所述历史行为数据生成历史样本数据；所述矩阵构建模块用于根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵；所述模型训练模块用于通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据，根据所述备选特征数据构建价值预测模型；所述价值分析模块用于通过所述价值预测模型分析待测用户数据获得用户价值参考数据。

本申请还提供一种电子设备，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计算机程序时实现上述方法。

本申请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执行上述方法的计算机程序。

本申请还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上述方法的步骤。

本申请的有益技术效果在于：首先，线性回归模型有相对固化的搭建步骤，这样固化的步骤可以支持一个有着标准流程的搭建。其次，训练时模型自身的系数以及需要设置的超级参数不复杂可以支持较快的多轮迭代，整体不会消耗过多的算力，出现过长的运行时间。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：

图1为本申请一实施例所提供的信用卡用户价值分析方法的流程示意图；

图2为本申请一实施例所提供的历史样本数据生成流程示意图；

图3为本申请一实施例所提供的相关性矩阵的构建流程示意图；

图4为本申请一实施例所提供的价值预测模型的生成流程示意图；

图5为本申请一实施例所提供的特征组合的生成流程示意图；

图6为本申请一实施例所提供的预测效果的获取流程示意图；

图7为本申请一实施例所提供的信用卡用户价值分析装置的结构示意图；

图8为本申请一实施例所提供的电子设备的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本申请中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本申请的保护范围之内。

另外，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。

请参考图1所示，本申请所提供的信用卡用户价值分析方法，具体包含：

S101根据用户信息抽取对应客户的信用卡场景下的历史行为数据，通过所述历史行为数据生成历史样本数据；

S102根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵；

S103通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据，根据所述备选特征数据构建价值预测模型；

S104通过所述价值预测模型分析待测用户数据获得用户价值参考数据。

具体的，如图2所示，在上述实施例的S101步骤中，通过所述历史行为数据生成历史样本数据可包含：

S201根据所述历史行为数据中的用户特征生成自变量数据集；

S202通过所述自变量数据集及对应用户的贡献值生成历史样本数据。

在实际工作中，可通过抽取历史样本，从各张客户信息的数据表中抽取信用卡场景下的已衍生好的客户特征作为自变量数据集X＝(X₁,X₁,…,X_t)、以及根据客户的贡献值y，并对数据进行清洗，去除空值太多的数据，形成数据集备用。具体可采用SQL抽取数据，其中，SQL定义为客户ID，特征1，特征2，...，特征t，客户贡献数值。

请参考图3所示，在本申请一实施例中，上述步骤S102中根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵包含：

S301计算用户特征与用户贡献值之间的皮尔森相关系数；

S302根据所述皮尔森相关系数的大小排序生成相关性矩阵。

在实际工作中，可检验备选特征的相关性(皮尔森相关系数)，将特征与因变量Y的相关性形成一列list，并按由大到小排序；将自变量之间的相关系数，形成矩阵Corrx。例如：特征有年龄(x1)，近3月消费额(x2)，近6月消费额(x3)，近3月消费次数(x4)，近6月消费次数(x5)，总资产(x6)，总负债(x7)，目标变量为客户贡献价值(y)。

首先形成自变量与因变量之间的相关系数，并有大大小排序，比如本例中各变量与客户贡献价值的相关系数(括号内的数字)为：x1(0.5)，x2(0.3)，x3(0.4)，x4(0.1)，x5(0.2)，x6(0.7)，x7(0.15)，那么排序之后则为：x6>x1>x3>x2>x5>x4>x7，并写为[x6，x1，x3，x2，x5，x4，x7](以下简称list)。之后形成自变量之间的相关系数矩阵如下：

在本申请一实施例中，通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据可包含：通过所述相关性矩阵和预选的特征数量剔除会产生多重共线性的用户特征获得对应特征数量的备选特征数据。具体的，结合前述实施例为例，总共有7个特征，需要选出4个备选特征。那么将按照上述list中排序进行挑选。第一步，会选与目标变量y相关性最大的x6；第二步，将观察x6与其他自变量的相关性，剔除与x6相关性大于0.8的自变量。观察之后，发现其他自变量中x7与x6相关性大于0.8，因此将x7移除list。list现在变成[x6，x1，x3，x2，x5，x4]。之后重复以上步骤，发现x3与x2高度相关，x5与x4高度相关，但相关性x3>x2且x5>x4，因此移除x2与x4，list最后为[x6，x1，x3，x5]，刚好剩下四个变量。实际情况中，有可能最后剩下的变量更多，那么当变量数够了之后，list中剩下的变量则被剔除；如果最后剩下的变量更少，那么就全部保留。以上举例中，之所以要剔除自变量之间高度相关的特征，是为了避免多重共线性问题。同时，这样先挑选与y相关性更大的特征，而移除与y相关性小的特征能尽可能的保留更有用的变量。在实际工作中，可定义输入为：备选特征个数a，各变量与目标变量Y的相关系数list，自变量矩阵X＝(X₁,X₂,…,X_s)，其中维度分别为(n，s)，(1,n)；输出为：清理之后的list。

请参考图4所示，在本申请一实施例中，根据所述备选特征数据构建价值预测模型包含：

S401根据所述备选特征数据通过交叉组合获得多个不同的特征组合；

S402利用多个所述特征组合分别训练线性回归模型获得多个价值分析模型并记录各价值分析模型的预测效果；

S403根据所述预测效果筛选所述价值分析模型获得价值预测模型。

具体的，通过该组合方式可筛选确定相关性较高的一个或多个特征组合，基于该些特征组合再进行模型训练可大大精确模型的精准度，同时，工作人员也可根据具体的预测效果选择需要的模型作为最终的价值预测模型。

请参考图5所示，上述步骤S401中根据所述备选特征数据通过交叉组合获得多个不同的特征组合可包含：

S501根据所述备选特征数据中的相关系数选择一个或多个固定特征；

S502根据所述固定特征通过交叉组合选取所述备选特征数据中的其他特征获得多个不同的特征组合。

在该实施例中主要是针对备选特征数据较多的情况，例如当备选特征数据高于50个时，其交叉组合的方案较多，此时对运算效率影响较大；为此，本申请可利用相关系数定义一个或多个固定特征，再将固定特征与其他特征进行组合，从而减少特征组合数量，提高运算效率。

再请参考图6所示，在本申请一实施例中，利用多个所述特征组合分别训练线性回归模型获得多个价值分析模型并记录各价值分析模型的预测效果可包含：

S601将多个所述特征组合分别带入线性回归模型并采集对应的方根误差；

S602根据所述方根误差获得预测效果。

具体的，结合前述实施例可知，若设置本次将使用3个特征入模，那么需从4个备选特征中挑选出3个最好组合的特征。将不同的组合送入模型，记录下模型的方根误差RMSE。在本实施例中，因为特征数量较少，入模组合只有四种，因此可以很快训练完，并输出RMSE。实际情况中可能会从100个备选中选出50个入模，因此特征组合很多，因此需将会把相关性高的前N个特征固定(可以设定前多少个特征固定)，之后随机组合不同变量或逐个带入回归，观察模型的变化，并记录每种(可以设定具体多少组)组合，并输出不同组合的效果。最后，根据记录的效果排名，确定排名最前的模型为目标模型，并进行验证。用户可使用全新的一个数据集或其他方法进行验证，选择最满意的。

请参考图7所示，本申请还提供一种信用卡用户价值分析装置，所述装置包含样本采集模块、矩阵构建模块、模型训练模块和价值分析模块；所述样本采集模块用于根据用户信息抽取对应客户的信用卡场景下的历史行为数据，通过所述历史行为数据生成历史样本数据；所述矩阵构建模块用于根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵；所述模型训练模块用于通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据，根据所述备选特征数据构建价值预测模型；所述价值分析模块用于通过所述价值预测模型分析待测用户数据获得用户价值参考数据。其中，各模块的实现原理及逻辑已在前述实施例中详细说明，在此就不再一一详述。

本申请的有益技术效果在于：首先，线性回归模型有相对固化的搭建步骤，这样固化的步骤可以支持一个有着标准流程的搭建。其次，训练时模型自身的系数以及需要设置的超级参数不复杂可以支持较快的多轮迭代，整体不会消耗过多的算力，出现过长的运行时间。

本申请还提供一种电子设备，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计算机程序时实现上述方法。

本申请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执行上述方法的计算机程序。

本申请还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上述方法的步骤。

如图8所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图8中所示的所有部件；此外，电子设备600还可以包括图8中没有示出的部件，可以参考现有技术。

如图8所示，中央处理器100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100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，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100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160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140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140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143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140的驱动程序存储部144可以包括电子设备的用于通信功能和/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。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130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130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、设备(系统)、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。

以上所述的具体实施例，对本申请的目的、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，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种信用卡用户价值分析方法，其特征在于，所述方法包含：

根据用户信息抽取对应客户的信用卡场景下的历史行为数据，通过所述历史行为数据生成历史样本数据；

根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵；

通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据，根据所述备选特征数据构建价值预测模型；

通过所述价值预测模型分析待测用户数据获得用户价值参考数据。

2.根据权利要求1所述的信用卡用户价值分析方法，其特征在于，根据所述备选特征数据构建价值预测模型包含：

根据所述备选特征数据通过交叉组合获得多个不同的特征组合；

利用多个所述特征组合分别训练线性回归模型获得多个价值分析模型并记录各价值分析模型的预测效果；

根据所述预测效果筛选所述价值分析模型获得价值预测模型。

3.根据权利要求2所述的信用卡用户价值分析方法，其特征在于，根据所述备选特征数据通过交叉组合获得多个不同的特征组合包含：

根据所述备选特征数据中的相关系数选择一个或多个固定特征；

根据所述固定特征通过交叉组合选取所述备选特征数据中的其他特征获得多个不同的特征组合。

4.根据权利要求3所述的信用卡用户价值分析方法，其特征在于，利用多个所述特征组合分别训练线性回归模型获得多个价值分析模型并记录各价值分析模型的预测效果包含：

将多个所述特征组合分别带入线性回归模型并采集对应的方根误差；

根据所述方根误差获得预测效果。

5.根据权利要求1所述的信用卡用户价值分析方法，其特征在于，通过所述历史行为数据生成历史样本数据包含：

根据所述历史行为数据中的用户特征生成自变量数据集；

通过所述自变量数据集及对应用户的贡献值生成历史样本数据。

6.根据权利要求1所述的信用卡用户价值分析方法，其特征在于，根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵包含：

计算用户特征与用户贡献值之间的皮尔森相关系数；

根据所述皮尔森相关系数的大小排序生成相关性矩阵。

7.根据权利要求1所述的信用卡用户价值分析方法，其特征在于，通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据包含：

通过所述相关性矩阵和预选的特征数量剔除会产生多重共线性的用户特征获得对应特征数量的备选特征数据。

8.一种信用卡用户价值分析装置，其特征在于，所述装置包含样本采集模块、矩阵构建模块、模型训练模块和价值分析模块；

所述样本采集模块用于根据用户信息抽取对应客户的信用卡场景下的历史行为数据，通过所述历史行为数据生成历史样本数据；

所述矩阵构建模块用于根据所述历史样本数据中用户特征与用户贡献值之间的相关性获得相关系数，通过所述相关系数构建相关性矩阵；

所述模型训练模块用于通过所述相关性矩阵和预选的特征数量筛选获得备选特征数据，根据所述备选特征数据构建价值预测模型；

所述价值分析模块用于通过所述价值预测模型分析待测用户数据获得用户价值参考数据。

9.一种电子设备，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计算机程序时实现权利要求1至7任一所述方法。

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由计算机执行权利要求1至7任一所述方法的计算机程序。

11.一种计算机程序产品，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7任一所述方法的步骤。

Images