CN115731026A - 一种客户运营策略生成方法、装置及电子设备 - Google Patents
一种客户运营策略生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115731026A CN115731026A CN202211509497.0A CN202211509497A CN115731026A CN 115731026 A CN115731026 A CN 115731026A CN 202211509497 A CN202211509497 A CN 202211509497A CN 115731026 A CN115731026 A CN 115731026A
- Authority
- CN
- China
- Prior art keywords
- response rate
- customer
- client
- prediction model
- threshold value
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种客户运营策略生成方法、装置及电子设备,涉及计算机信息数据处理领域,其技术方案要点是:通过预设条件对获取客户的客户信息进行识别以确定客户的状态;通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,预设响应率阈值对客户的第一响应率进行筛选以确定符合响应率阈值的第一客户;根据第一客户的第一响应率计算第一平均响应率,在第一平均响应率大于平均响应率阈值时,将第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略。本发明提高了对于客户的运营策略的精准度以及运营策略的设计效率。
Description
技术领域
本发明涉及一种计算机信息数据处理领域,更具体地说,它涉及一种客户运营策略生成方法、装置及电子设备。
背景技术
在金融机构信贷客户管理场景中,客户运营是机构关注的重要问题。如何设计和实施有效的客户运营策略,以促活沉默客户、挽回流失客户、增强优质客户黏性,从而达到金融机构客户维持、信贷业务规模增长等目的,是金融机构在存量客户管理阶段需要解决的关键问题之一。
在现有信贷客户的运营策略开发工作中,金融机构需要开发人员结合经验和数据分析结果制定投放策略将利率优惠券、提额激励、降息激励等发放给客户,现有运营策略的管理存在如下问题:现有策略多采用经验、简单的规则等方式驱动,精准度有限,不能最大化营销工具和资源的效应,无法将其精准投放到合适的客户群;缺乏对运营策略生成的基本组件进行标准化,不同的运营策略设计人员往往会从数据分析底层开始搭建运营策略,存在不同程度的重复搭建;缺乏系统化的运营策略设计方法,一次运营策略的设计耗时较长,导致运营策略的设计时效性不高。
因此,如何提高相关技术中运营策略的精准度和设计效率是目前急需解决的问题。
发明内容
本发明为了提高相关技术中客户运营策略的精准度和设计效率,本发明的目的是,提供一种客户运营策略生成方法、装置及电子设备,本发明首先识别每一个客户的多种状态,然后通过响应率预测模型对任意一种状态下的客户的画像字段进行预测,从而得到不同状态的客户对营销任务的响应率,在响应率达到标准时,则将达到标准时对应状态的客户和响应的营销任务作为运营策略推送给相应的客户,从而提高了运营策略的精准度,同时基于响应率预测模型的预测评估,提升了运营策略的设计效率。
本发明的上述技术目的是通过以下技术方案得以实现的:
本申请的第一方面,提供了一种客户运营策略生成方法,方法包括:
通过预设条件对获取客户的客户信息进行识别以确定客户的状态,其中状态至少包括以下四种状态中的一项:新获客、活跃、沉默和流失;
通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,预设响应率阈值对客户的第一响应率进行筛选以确定符合响应率阈值的第一客户,其中营销任务为利率优惠券营销任务、提额营销任务和降息营销任务三种中的任意一种;
根据第一客户的第一响应率计算第一平均响应率,在第一平均响应率大于平均响应率阈值时,将第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略。
在一种实施方案中,方法还包括:
通过预先训练好的偿债能力预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的偿债能力等级,预设偿债能力等级阈值对客户的偿债能力等级进行筛选以确定符合偿债能力等级阈值的客户;
利用响应率预测模型对符合偿债能力等级阈值的客户的画像字段进行预测,得到客户的第二响应率,以响应率阈值对客户的第二响应率进行筛选以确定符合响应率阈值的第二客户;
根据第二客户的第二响应率计算第二平均响应率,在第二平均响应率大于平均响应率阈值时,将第二响应率对应的任意一种状态的客户与营销任务作为第二客户的运营策略。
在一种实施方案中,在所述确定符合偿债能力等级阈值的客户之后,方法还包括:
通过预先训练好的违约风险预测模型对符合偿债能力等级阈值的画像字段进行预测,得到客户的第一违约概率,预设违约概率阈值对客户的第一违约概率进行筛选以确定符合违约概率阈值的第三客户;
利用响应率预测模型对符合违约概率阈值的第三客户的画像字段进行预测,得到客户的第三响应率,以响应率阈值对客户的第三响应率进行筛选以确定符合响应率阈值的第三客户;
根据第三客户的第三响应率计算第三平均响应率,在第三平均响应率大于平均响应率阈值时,将第三响应率对应的任意一种状态的客户与营销任务作为第三客户的运营策略。
在一种实施方案中,方法还包括:通过预先训练好的违约风险预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第二违约概率,以违约概率阈值对客户的第二违约概率进行筛选以确定符合违约概率阈值的第四客户;
利用响应率预测模型对符合违约概率阈值的第四客户的画像字段进行预测,得到客户的第四响应率,以响应率阈值对客户的第四响应率进行筛选以确定符合响应率阈值的第四客户;
根据第四客户的第四响应率计算第四平均响应率,在第四平均响应率大于平均响应率阈值时,将第四响应率对应的任意一种状态的客户与营销任务作为第四客户的运营策略。
在一种实施方案中,所述预先训练好的偿债能力预测模型、违约风险预测模型以及响应率预测模型均是利用机器学习GBDT算法训练历史样本得到的,其中,历史样本包含三种预测模型相对应预测对象的画像字段向量和预测对象的历史真实标签。
在一种实施方案中,所述响应率预测模型为利率优惠券响应率预测模型、提额响应率预测模型和降息响应预测模型三种中的任意一种。
在一种实施方案中,在第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率小于等于平均响应率阈值时,对客户的画像字段进行调整,直至计算出第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率大于平均响应率阈值后,将第一响应率、第二响应率、第三响应率和第四响应率对应的任意一种状态的客户与偿债能力预测模型和/或违约风险预测模型和/或响应率预测模型的串联关系作为运营策略。
在一种实施方案中,所述预设条件具体为:
在每一个客户所对应的客户信息中的获贷时长小于预设时长时,标记该客户的状态为新获客;
在每一个客户所对应的客户信息中的当前使用金额大于零时,标记该客户的状态为活跃;
在每一个客户所对应的客户信息中的当前使用金额小于零且历史使用金额小于零时,标记该客户的状态为沉默;
在每一个客户所对应的客户信息中的当前使用金额小于零且历史使用金额大于零时,标记该客户的状态为流失。
本申请的第二方面,提供了一种客户运营策略生成装置,装置包括:
状态识别模块,用于通过预设条件对获取客户的客户信息进行识别以确定客户的状态,其中状态至少包括以下四种状态中的一项:新获客、活跃、沉默和流失;
任务响应模块,用于通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,预设响应率阈值对客户的第一响应率进行筛选以确定符合响应率阈值的第一客户,其中营销任务为利率优惠券营销任务、提额营销任务和降息营销任务三种中的任意一种;
运营策略生成模块,用于根据第一客户的第一响应率计算第一平均响应率,在第一平均响应率大于平均响应率阈值时,将第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略。
本申请的三方面,提供了一种电子设备,所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如本申请的第一方面中任一项所述的一种客户运营策略生成方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明首先识别每一个客户的多种状态,然后通过响应率预测模型对任意一种状态下的客户的画像字段进行预测,从而得到不同状态的客户对营销任务的响应率,在响应率达到标准时,则将达到标准时对应状态的客户和响应的营销任务作为运营策略推送给相应的客户,从而提高了运营策略的精准度,同时基于响应率预测模型的预测评估,提升了运营策略的设计效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本申请实施例提供的客户运营策略生成方法的流程示意图;
图2为本申请实施例提供的考虑了债务偿还能力的客户运营策略生成方法的流程示意图;
图3为本申请实施例提供的考虑偿债能力和违约风险的客户运营策略生成方法的流程示意图;
图4为本申请实施例提供的不考虑客户的收入偿债能力提供的运营策略生成方法的流程示意图;
图5为本申请实施例提供的一种客户运营策略生成装置的原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在现有信贷客户的运营策略开发工作中,金融机构需要开发人员结合经验和数据分析结果制定投放策略将利率优惠券、提额激励、降息激励等发放给客户,现有运营策略的管理存在如下问题:现有策略多采用经验、简单的规则等方式驱动,精准度有限,不能最大化营销工具和资源的效应,无法将其精准投放到合适的客户群;缺乏对运营策略生成的基本组件进行标准化,不同的运营策略设计人员往往会从数据分析底层开始搭建运营策略,存在不同程度的重复搭建;缺乏系统化的运营策略设计方法,一次运营策略的设计耗时较长,导致运营策略的设计时效性不高。故此,本申请实施例提供了一种客户运营策略生成方法,提高了对客户的运营策略的精准度和设计效率。
请参考图1,图1为本申请实施例提供的客户运营策略生成方法的流程示意图,方法包括以下步骤:
S110,通过预设条件对获取客户的客户信息进行识别以确定客户的状态,其中状态至少包括以下四种状态中的一项:新获客、活跃、沉默和流失。
应理解的是,客户信息不仅包含了识别客户的状态所需要的参数字段,例如客户获贷时长,客户贷款的当前使用金额,客户贷款的历史使用金额等信息,还包含了历史还贷时间、还贷金额、逾期还贷、工资信息等信息。在一个实施例中,所述预设条件具体为:
在每一个客户所对应的客户信息中的获贷时长小于预设时长时,标记该客户的状态为新获客;应理解的是,预设时长可以是2个月,可以是3个月,还可以根据实际情况对预设时长进行设置,新获客,即首次在某银行办理信贷业务的客户。
在每一个客户所对应的客户信息中的当前使用金额大于零时,标记该客户的状态为活跃;应明白,客户在一家银行中的贷款的当前使用金额大于零,说明该客户在该银行办理了信贷业务,故此,可说明该客户在银行的角度看来是活跃客户。
在每一个客户所对应的客户信息中的当前使用金额小于零且历史使用金额小于零时,标记该客户的状态为沉默;应明白,客户信息中的当前使用金额小于零,则说明客户在当前时段未在银行上办理信贷业务,并且客户信息中的历史使用金额也小于零,则说明客户在历史时段内也未在该银行办理信贷业务,只是作为一个存蓄的客户,并不涉及信贷业务,故此在信贷业务方面是一个沉默的客户。
在每一个客户所对应的客户信息中的当前使用金额小于零且历史使用金额大于零时,标记该客户的状态为流失。应明白,客户信息中的当前使用金额小于零,则说明客户在当前时段未在银行上办理信贷业务,并且客户信息中的历史使用金额大于零,则说明客户在历史时段内在该银行办理了信贷业务,则可以说明该客户在信贷业务这块是属于流失客户了,在未来时间段,可能会继续办理信贷业务,也可能不再办理信贷业务,该类群体客户可作为运营策略的主要挖掘对象,从而使得信贷业务的规模增长。
S120,通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,预设响应率阈值对客户的第一响应率进行筛选以确定符合响应率阈值的第一客户,其中营销任务为利率优惠券营销任务、提额营销任务和降息营销任务三种中的任意一种。
本实施例中,响应率预测模型是利用机器学习GBDT算法训练历史样本得到的,选取历史代表性样本{(x1,y1),…,(xN,yN)},其中x为客户信息入参对应的画像字段,y为响应表现标签,选用机器学习GBDT算法训练响应率预测模型f(x),输入x后即可输出客户的响应率。与客户的响应率相关的画像字段,包括营销活动类型、客户人口统计、信贷产品使用历史等各类字段信息。对于运营策略的生成,为客户生成相应的信贷业务即可实现运营策略的生成,本实施例所述的营销任务即为信贷业务的优惠情况,故此,本实施例中,通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,响应率是客户需求程度的体现。可以理解的是第一响应率包含了利率优惠券营销任务、提额营销任务和降息营销任务三种情况下的响应率,而每种状态的客户都会有三种选择方向,即三种营销任务,例如活跃客户,可能对降息营销任务的响应程度较高,而对利率优惠券营销任务、提额营销任务的响应程度较低,达不到所预设的响应率阈值,此处的响应率阈值则是用于筛选低于期望的响应率的客户,以此对任意一种状态的客户的第一响应率达不到响应率阈值进行筛选,从而确定符合响应率阈值的第一客户。响应率阈值可以设置为60%,也可以设置为70%,当然还可以设置别的响应率阈值,本申请实施例不做限定。
故此,基于响应率预测模型可以快速的从客户中初步筛选出符合信贷业务的营销任务的客户群体,提高了运营策略的设计效率。
S130,根据第一客户的第一响应率计算第一平均响应率,在第一平均响应率大于平均响应率阈值时,将第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略。
可以理解的是,因为银行的客户的是一个大的群体用户,故此,在推送信贷业务时,应当评估客户接收该信贷业务的营销任务的可能性,避免因大量推送信贷业务,影响一些不需要信贷业务的客户的体验感,故此,本实施例在步骤S120的基础上,计算了第一客户整体的第一平均响应率,即将所有的第一响应率相加后除以第一客户总的客户数量,然后再预设了一个平均响应率阈值来进一步的判断所确定的客户的合理性,避免无效推送,如果满足了平均响应率阈值,则可根据第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略,例如,第一响应率对应的第一客户是状态为活跃的客户,相应的营销任务为提额营销任务,则将活跃-提额营销任务作为第一客户的运营策略,当然还可以是与别的营销任务的组合,本申请实施例不做具体的限定,可根据所预测客户的情况得出。
综上所述,本实施例提供的一种客户运营策略生成方法,首先识别每一个客户的多种状态,然后通过响应率预测模型对任意一种状态下的客户的画像字段进行预测,从而得到不同状态的客户对营销任务的响应率,在响应率达到标准时,则将达到标准时对应状态的客户和响应的营销任务作为运营策略推送给相应的客户,从而提高了运营策略的精准度,同时基于响应率预测模型的预测评估,提升了运营策略的设计效率。
上述实施例中,是基于客户是否在银行办理信贷业务这一基本信息来生成运营策略,而实际过程中还需考虑客户的债务偿还能力,是否有违约的风险等,以进一步的保证信贷业务良好的开展,故此,请参考图2,图2为本申请实施例提供的考虑了债务偿还能力的客户运营策略生成方法的流程示意图,如图2所示,方法还包括以下步骤:
S210,通过预先训练好的偿债能力预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的偿债能力等级,预设偿债能力等级阈值对客户的偿债能力等级进行筛选以确定符合偿债能力等级阈值的客户。
本实施例中,偿债能力预测模型也是利用机器学习GBDT算法训练历史样本得到的,选取历史代表性样本{(x1,y1),…,(xN,yN)},其中x为客户信息入参对应的画像字段,y为收入偿债能力标签,训练偿债能力预测模型f(x),输入x后输出收入偿债能力等级。与客户偿债能力预测相关的画像字段,包括资产、支付、购买等各类字段信息。此处的偿债能力等级阈值则是用于筛选低于期望的偿债能力等级的客户,以此对任意一种状态的客户的第一响应率达不到偿债能力等级阈值进行筛选,从而确定符合偿债能力等级阈值的客户。其中偿债能力等级可以是评分等级,例如1级、2级、3级、4级等,例如,还可以是评分值,例如40分、60分、70分等,当然还可以设置别的偿债能力等级阈值,本申请实施例不做限定。
此处需说明的,偿债能力预测模型是对具有偿债能力的客户进行预测,并得到了每个客户相应的偿债能力等级,等级越高,一般可说明该客户还贷的可能性越大,所预设的偿债能力等级阈值即可过滤掉客户还贷的可能性小的客户,从而保证后续信贷业务中客户与银行的交互流程完成的稳定性,保证信贷业务规模健康的增长。
S220,利用响应率预测模型对符合偿债能力等级阈值的客户的画像字段进行预测,得到客户的第二响应率,以响应率阈值对客户的第二响应率进行筛选以确定符合响应率阈值的第二客户。
本实施例中,与上述步骤S120同理,利用响应率预测模型对符合偿债能力等级阈值的客户的画像字段进行预测,得到客户的第二响应率,以响应率阈值对客户的第二响应率进行筛选以确定符合响应率阈值的第二客户,此处不同的是,在客户数量的划分上,加入步骤S210的偿债能力预测模型,确定质量较好的客户群体,然后在基于响应率预测模型的预测,进一步的确定质量较好和响应率均较好的客户群体,从而保证了后续生成的运营策略的精准度。
S230,根据第二客户的第二响应率计算第二平均响应率,在第二平均响应率大于平均响应率阈值时,将第二响应率对应的任意一种状态的客户与营销任务作为第二客户的运营策略。
本实施例中,与上述步骤S130同理,故此不再做多余的赘述,示例的,运营策略可以是新获客客户-符合偿债能力等级阈值的客户-利息优惠券营销任务,当然还可以是与别的营销任务的组合,本申请实施例不做具体的限定,可根据客户的实际情况得出。
上述考虑客户偿债能力的实施例中,考虑了客户本身的收入情况,并未考虑到客户的征信记录是否良好,故此在确定客户偿债能力后还可进一步的对客户是否违约的概率进行分析,以进一步的保证所生成的运营策略的精准度,请参考图3,图3为本申请实施例提供的考虑偿债能力和违约风险的客户运营策略生成方法的流程示意图,如图3所示,方法还包括以下步骤:
S310,通过预先训练好的违约风险预测模型对符合偿债能力等级阈值的画像字段进行预测,得到客户的第一违约概率,预设违约概率阈值对客户的第一违约概率进行筛选以确定符合违约概率阈值的第三客户。
本实施例,违约风险预测模型也是利用机器学习GBDT算法训练历史样本得到的,选取历史代表性样本{(x1,y1),…,(xN,yN)},x为客户信息入参对应的画像字段,y为风险表现标签,选用机器学习GBDT算法训练违约风险预测模型f(x),输入x后输出客户的违约概率。与客户违约风险预测相关的画像字段,包括人口统计、信用历史、借还行为等各类字段信息。
本实施例是在,预设违约概率阈值对符合偿债能力等级阈值的客户的第一违约概率进行筛选以确定符合违约概率阈值的第三客户,从而在符合偿债能力等级阈值的客户中筛选出了不符合设违约概率阈值客户,进一步的缩小了客户的人数。违约概率阈值可以设置为50%,对高于50%的客户予以不符合违约风险要求的标签,当然还可以设置别的违约概率阈值,本申请实施例不做限定。
S320,利用响应率预测模型对符合违约概率阈值的第三客户的画像字段进行预测,得到客户的第三响应率,以响应率阈值对客户的第三响应率进行筛选以确定符合响应率阈值的第三客户。
本实施例中,与上述S220或S210同理,利用响应率预测模型对经过偿债能力预测模型和违约风险预测模型筛选后的客户的画像字段进行预测,得到客户的第三响应率,其中,经过偿债能力预测模型和违约风险预测模型筛选后的客户的画像字段包括营销活动类型、客户人口统计、信贷产品使用历史等各类字段信息。同理,以响应率阈值对客户的第三响应率进行筛选以确定符合响应率阈值的第三客户,从而确定出相应的营销任务。
S330,根据第三客户的第三响应率计算第三平均响应率,在第三平均响应率大于平均响应率阈值时,将第三响应率对应的任意一种状态的客户与营销任务作为第三客户的运营策略。
与上述实施例同理,故此不再做多余的赘述,示例的,运营策略可以是新获客客户-符合偿债能力等级阈值的客户-符合违约概率阈值的客户-降息营销任务,当然还可以是与别的营销任务的组合,本申请实施例不做具体的限定,可根据客户的实际情况得出。
请参考图4,图4为本申请实施例提供的不考虑客户的收入偿债能力提供的运营策略生成方法的流程示意图,如图4所示,方法还包括以下步骤:
S410,通过预先训练好的违约风险预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第二违约概率,以违约概率阈值对客户的第二违约概率进行筛选以确定符合违约概率阈值的第四客户。
本实施例中,可以理解的是,与客户违约风险预测相关的画像字段中,如人口统计、信用历史、借还行为等各类字段信息,其实本质上与收入偿债能力并未有直接的联系,主要是针对客户的征信记录而言,故此,通过预先训练好的违约风险预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第二违约概率,以违约概率阈值对客户的第二违约概率进行筛选以确定符合违约概率阈值的第四客户,故本实施例的方法,在不考虑收入偿债能力直接对其的违约风险进行预测,这样即可省去这一部分数据分析的时间,从而使得运营策略的生成的设计效率得到提高。
S420,利用响应率预测模型对符合违约概率阈值的第四客户的画像字段进行预测,得到客户的第四响应率,以响应率阈值对客户的第四响应率进行筛选以确定符合响应率阈值的第四客户。
本实施例中,与上述实施例同理,故此不再做多余的赘述。
S430,根据第四客户的第四响应率计算第四平均响应率,在第四平均响应率大于平均响应率阈值时,将第四响应率对应的任意一种状态的客户与营销任务作为第四客户的运营策略。
与上述实施例同理,故此不再做多余的赘述,示例的,运营策略可以是新获客客户-符合违约概率阈值的客户-降息营销任务,当然还可以是与别的营销任务的组合,本申请实施例不做具体的限定,可根据客户的实际情况得出
在一个实施例中,所述预先训练好的偿债能力预测模型、违约风险预测模型以及响应率预测模型均是利用机器学习GBDT算法训练历史样本得到的,其中,历史样本包含三种预测模型相对应预测对象的画像字段向量和预测对象的历史真实标签。
本实施例中,上述实施例中,针对偿债能力预测模型、违约风险预测模型以及响应率预测模型的训练环境和训练参数都作了详细的说明,故此,此处不做多余叙述,但是作为模型训练的公知常识,训练模型时需搭建训练环境,故此,选用信贷场景针对结构化数据效果较好的机器学习GBDT算法训练上述三个预测模型。
在一个实施例中,所述响应率预测模型为利率优惠券响应率预测模型、提额响应率预测模型和降息响应预测模型三种中的任意一种。
本实施例中,由于营销任务有三种,故此,相应的响应率预测模型也有三种,从而为客户提供不同的信贷业务的优惠方式,进一步的提升信贷业务的办理。
在一种实施方案中,在第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率小于等于平均响应率阈值时,对客户的画像字段进行调整,直至计算出第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率大于平均响应率阈值后,将第一响应率、第二响应率、第三响应率和第四响应率对应的任意一种状态的客户与偿债能力预测模型和/或违约风险预测模型和/或响应率预测模型的串联关系作为运营策略。
本实施例中,在第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率小于等于平均响应率阈值时,说明客户群体有许多的客户的响应率不高,应该进一步的筛选符合要求的客户,这就需要对客户的画像字段进行调整,例如调整客户的状态,例如从活跃客户调整到沉默客户或流失客户或新获客,再例如调整偿债能力等级阈值,提高偿债能力等级阈值,以剔除偿债能力一般的客户,当然还可以是提高违约风险阈值,以剔除违约风险一般的客户,当然还可以是调整营销任务。直至计算出第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率大于平均响应率阈值后,将第一响应率、第二响应率、第三响应率和第四响应率对应的任意一种状态的客户与偿债能力预测模型和/或违约风险预测模型和/或响应率预测模型的串联关系作为运营策略。
本实施例中,上述状态、偿债能力预测模型和/或违约风险预测模型和/或响应率预测模型任意组合下的串联关系产生的运营策略,均应当落入本申请运营策略的保护范围。
请参考图5,图5为本申请实施例提供的一种客户运营策略生成装置的原理框图,如图2所示,装置包括:
状态识别模块510,用于通过预设条件对获取客户的客户信息进行识别以确定客户的状态,其中状态至少包括以下四种状态中的一项:新获客、活跃、沉默和流失;
任务响应模块520,用于通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,预设响应率阈值对客户的第一响应率进行筛选以确定符合响应率阈值的第一客户,其中营销任务为利率优惠券营销任务、提额营销任务和降息营销任务三种中的任意一种;
运营策略生成模块530,用于根据第一客户的第一响应率计算第一平均响应率,在第一平均响应率大于平均响应率阈值时,将第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略。
可见,上述实施例提供的客户运营策略生成装置,首先识别每一个客户的多种状态,然后通过响应率预测模型对任意一种状态下的客户的画像字段进行预测,从而得到不同状态的客户对营销任务的响应率,即响应程度,在响应率达到标准时,则将达到标准时对应状态的客户和响应的营销任务作为运营策略推送给相应的客户,从而提高了运营策略的精准度,同时基于响应率预测模型的预测评估,提升了运营策略的设计效率。
本发明再一个实施例中,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,与所述处理器耦接,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,使得所述一个或多个处理器实现上述实施例所述的一种客户运营策略生成方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于执行客户运营策略生成方法的操作。
以上所述的具体实施方式,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方式而已,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 (10)
1.一种客户运营策略生成方法,其特征在于,方法包括:
通过预设条件对获取客户的客户信息进行识别以确定客户的状态,其中状态至少包括以下四种状态中的一项:新获客、活跃、沉默和流失;
通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,预设响应率阈值对客户的第一响应率进行筛选以确定符合响应率阈值的第一客户,其中营销任务为利率优惠券营销任务、提额营销任务和降息营销任务三种中的任意一种;
根据第一客户的第一响应率计算第一平均响应率,在第一平均响应率大于平均响应率阈值时,将第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略。
2.根据权利要求1所述的一种客户运营策略生成方法,其特征在于,方法还包括:
通过预先训练好的偿债能力预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的偿债能力等级,预设偿债能力等级阈值对客户的偿债能力等级进行筛选以确定符合偿债能力等级阈值的客户;
利用响应率预测模型对符合偿债能力等级阈值的客户的画像字段进行预测,得到客户的第二响应率,以响应率阈值对客户的第二响应率进行筛选以确定符合响应率阈值的第二客户;
根据第二客户的第二响应率计算第二平均响应率,在第二平均响应率大于平均响应率阈值时,将第二响应率对应的任意一种状态的客户与营销任务作为第二客户的运营策略。
3.根据权利要求2所述的一种客户运营策略生成方法,其特征在于,在所述确定符合偿债能力等级阈值的客户之后,方法还包括:
通过预先训练好的违约风险预测模型对符合偿债能力等级阈值的画像字段进行预测,得到客户的第一违约概率,预设违约概率阈值对客户的第一违约概率进行筛选以确定符合违约概率阈值的第三客户;
利用响应率预测模型对符合违约概率阈值的第三客户的画像字段进行预测,得到客户的第三响应率,以响应率阈值对客户的第三响应率进行筛选以确定符合响应率阈值的第三客户;
根据第三客户的第三响应率计算第三平均响应率,在第三平均响应率大于平均响应率阈值时,将第三响应率对应的任意一种状态的客户与营销任务作为第三客户的运营策略。
4.根据权利要求3所述的一种客户运营策略生成方法,其特征在于,方法还包括:通过预先训练好的违约风险预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第二违约概率,以违约概率阈值对客户的第二违约概率进行筛选以确定符合违约概率阈值的第四客户;
利用响应率预测模型对符合违约概率阈值的第四客户的画像字段进行预测,得到客户的第四响应率,以响应率阈值对客户的第四响应率进行筛选以确定符合响应率阈值的第四客户;
根据第四客户的第四响应率计算第四平均响应率,在第四平均响应率大于平均响应率阈值时,将第四响应率对应的任意一种状态的客户与营销任务作为第四客户的运营策略。
5.根据权利要求4所述的一种客户运营策略生成方法,其特征在于,所述预先训练好的偿债能力预测模型、违约风险预测模型以及响应率预测模型均是利用机器学习GBDT算法训练历史样本得到的,其中,历史样本包含三种预测模型相对应预测对象的画像字段向量和预测对象的历史真实标签。
6.根据权利要求5所述的一种客户运营策略生成方法,其特征在于,所述响应率预测模型为利率优惠券响应率预测模型、提额响应率预测模型和降息响应预测模型三种中的任意一种。
7.根据权利要求5所述的一种客户运营策略生成方法,其特征在于,在第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率小于等于平均响应率阈值时,对客户的画像字段进行调整,直至计算出第一平均响应率、第二平均响应率、第三平均响应率和第四平均响应率大于平均响应率阈值后,将第一响应率、第二响应率、第三响应率和第四响应率对应的任意一种状态的客户与偿债能力预测模型和/或违约风险预测模型和/或响应率预测模型的串联关系作为运营策略。
8.根据权利要求1所述的一种客户运营策略生成方法,其特征在于,所述预设条件具体为:
在每一个客户所对应的客户信息中的获贷时长小于预设时长时,标记该客户的状态为新获客;
在每一个客户所对应的客户信息中的当前使用金额大于零时,标记该客户的状态为活跃;
在每一个客户所对应的客户信息中的当前使用金额小于零且历史使用金额小于零时,标记该客户的状态为沉默;
在每一个客户所对应的客户信息中的当前使用金额小于零且历史使用金额大于零时,标记该客户的状态为流失。
9.一种客户运营策略生成装置,其特征在于,装置包括:
状态识别模块,用于通过预设条件对获取客户的客户信息进行识别以确定客户的状态,其中状态至少包括以下四种状态中的一项:新获客、活跃、沉默和流失;
任务响应模块,用于通过预先训练好的与营销任务对应的响应率预测模型对任意一种状态下的客户的画像字段进行预测,得到客户的第一响应率,预设响应率阈值对客户的第一响应率进行筛选以确定符合响应率阈值的第一客户,其中营销任务为利率优惠券营销任务、提额营销任务和降息营销任务三种中的任意一种;
运营策略生成模块,用于根据第一客户的第一响应率计算第一平均响应率,在第一平均响应率大于平均响应率阈值时,将第一响应率对应的任意一种状态的客户与营销任务作为第一客户的运营策略。
10.一种电子设备,其特征在于,所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至8中任一项所述的一种客户运营策略生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509497.0A CN115731026A (zh) | 2022-11-29 | 2022-11-29 | 一种客户运营策略生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509497.0A CN115731026A (zh) | 2022-11-29 | 2022-11-29 | 一种客户运营策略生成方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731026A true CN115731026A (zh) | 2023-03-03 |
Family
ID=85298964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211509497.0A Pending CN115731026A (zh) | 2022-11-29 | 2022-11-29 | 一种客户运营策略生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731026A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710081A (zh) * | 2023-11-29 | 2024-03-15 | 浙江孚临科技有限公司 | 一种用于金融风险控制的信息服务处理系统 |
-
2022
- 2022-11-29 CN CN202211509497.0A patent/CN115731026A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710081A (zh) * | 2023-11-29 | 2024-03-15 | 浙江孚临科技有限公司 | 一种用于金融风险控制的信息服务处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401777B (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
US7761359B2 (en) | System and method for optimizing investments within an organization | |
US8706596B2 (en) | Account portfolio risk characterization | |
JP2004078435A (ja) | リスク管理装置、リスク管理システム、リスク管理方法、将来期待利益算出方法、およびプログラム | |
KR20190064749A (ko) | 지능형 증권 투자 의사결정 지원 방법 및 그 장치 | |
US20090177612A1 (en) | Method and Apparatus for Analyzing Data to Provide Decision Making Information | |
US10268996B1 (en) | Customized payment management | |
US20140289007A1 (en) | Scenario based customer lifetime value determination | |
CN112200402B (zh) | 一种基于风险画像的风险量化方法、装置及设备 | |
CN116843452A (zh) | 风险监管方法、装置、设备、介质和程序产品 | |
McLaughlin et al. | A large scale study of the ethereum arbitrage ecosystem | |
CN115147144A (zh) | 数据处理方法及电子设备 | |
CN115731026A (zh) | 一种客户运营策略生成方法、装置及电子设备 | |
CN117575776A (zh) | 一种借贷风控模型训练方法、设备以及可读存储介质 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN112734516A (zh) | 基于客户现金流预测的金融产品推荐方法及系统 | |
CN112163770A (zh) | 设备租赁场景中的资源转移方法和装置 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
US20210049687A1 (en) | Systems and methods of generating resource allocation insights based on datasets | |
Crowder et al. | On optimal intervention for customer lifetime value | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
CN114444120A (zh) | 一种基于区块链的融资方法、装置、电子设备和存储介质 | |
CN113435748A (zh) | 网点状态确定方法、装置、电子设备以及存储介质 | |
US20110078071A1 (en) | Prioritizing loans using customer, product and workflow attributes | |
JP4610732B2 (ja) | ローン管理システム、その方法 |
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 |