CN115860902A - 一种智能推销理财产品的方法及装置 - Google Patents
一种智能推销理财产品的方法及装置 Download PDFInfo
- Publication number
- CN115860902A CN115860902A CN202211689363.1A CN202211689363A CN115860902A CN 115860902 A CN115860902 A CN 115860902A CN 202211689363 A CN202211689363 A CN 202211689363A CN 115860902 A CN115860902 A CN 115860902A
- Authority
- CN
- China
- Prior art keywords
- product
- financial
- demand
- crowd
- data
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的智能推销理财产品的方法及装置,涉及互联网金融领域;其方法包括:获取银行网点的历史信息;对历史信息按照时段切片获得多个时间碎片并进行预处理,获得各时间碎片内人群理财产品需求数和理财产品展销数据;构建第一神经网络预测模型,以各时间碎片内数据作为训练数据训练模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;获取当前人群理财产品需求,并根据预测模型获得当前理财产品展销数据的预测结果;根据预测结果和当前理财产品的产品特性,向当前人群展示理财产品。本发明通过历史信息确定人群理财产品需求和理财产品展销数据的对应关系,实现在无用户授权信息下理财产品定向推送效果。
Description
技术领域
本发明涉及互联网金融技术领域,具体涉及一种智能推销理财产品的方法及装置。
背景技术
在银行网点中,常见的推销理财产品就是将最近势头比较好的产品播放出来,重点显示高额回报率,达到打动用户购买理财产品的目的;但是随着网络的普及以及国民受教育程度的提高,这种推销理财产品的方式的很明显不再受用了。再有就是让用户填写投资风险评估表,然后通过风险等级给用户推荐相应的理财产品;但是大部分用户都不能正确认知自己,填写的风险评估表并不能代表真实情况,所以由风险评估结果推荐的理财产品被用户接纳的概率也很低。最后就是银行在用户同意的情况下,结合现有的用户数据分析结果,结合用户资产情况将用户过往投资进行比对分析,最后综合分析出几款适合的产品推荐给客户;这个推荐结果比较精准,但是过程较为复杂,而且每个人的情况不尽相同,为每一位用户分析出合适的理财产品需要耗费巨额的财力物力。
例如,专利CN108734587A公开的金融产品的推荐方法,通过获取目标用户的用户信息以及一个以上金融产品的准入条件,获得符合准入条件的候选金融产品列表;获取各个候选金融产品的用户标签、用户信息,计算该候选金融产品的产品特征参数;计算目标用户特征参数与各个候选金融产品的产品特征参数的相似度,将预设个数的相似度最高的候选金融产品推荐给目标用户,以根据其他用户对于金融产品的选择,有针对性地向目标用户推荐产品,提高用户对于被推荐的金融产品的满意度。
发明专利申请号为202110839956.0的一种理财产品推荐方法和装置,具体涉及一种理财产品推荐方法和装置。所述方法包括:获取用户理财需求数据;根据所述用户理财需求,输出满足用户理财需求的理财产品;其中所述理财产品的至少一个维度的特征向量和至少一个维度的标签向量与所述用户的理财需求匹配。该申请提供理财产品推荐方案基于理财产品的分类标签来匹配并甄别用户对理财产品的筛选能够帮助用户从海量的理财产品中快速甄别出满足自己需求的理财产品。
现有的推荐方法大多不能实现范围推荐,而对每一位用户精准推荐消耗资源太大,当用户数量庞大且用户不愿授权信息的情况下时,无法对不同群体客户进行理财产品的定向推荐。
发明内容
本发明目的在于提供一种智能推销理财产品的方法及装置,解决现有理财产品推荐方法一般需要在用户同意授权信息的情况下进行信息验证后才能执行,当用户不同意授权时不能进行匹配推荐,更不能对不同群体客户进行定向推荐的问题。
为达成上述目的,本发明提出如下技术方案:一种智能推销理财产品的方法,包括:
获取银行网点在预设时间段的历史信息;其中,历史信息包括预设时间段内理财产品历史交易信息和对应时间段的网点内人群活动影像信息;
对历史信息按照时段等距切片,获得多个时间碎片,且任一时间碎片包含该时段内理财产品历史交易信息和对应的网点内人群活动影像信息;
对各时间碎片内理财产品历史交易信息和对应的网点内人群活动影像信息进行预处理,获得各时间碎片内人群理财产品需求数据和理财产品展销数据;
构建第一神经网络预测模型,以人群理财产品需求和理财产品历史交易信息作为模型参数,各时间碎片内人群理财产品需求数据理财产品展销数据训练该预测模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;
获取当前银行网点内人群活动影像信息,确定当前人群理财产品需求,并以当前人群理财产品需求作为第一神经网络预测模型输入,输出对当前理财产品展销数据的预测结果;
根据当前理财产品展销数据的预测结果,结合当前理财产品的产品特性,向当前银行网点内人群展示网点内理财产品。
进一步的,所述对时间碎片内人群活动影像信息进行预处理获得人群理财产品需求数据的过程如下:
根据人群活动影像信息,确定影像内各人员的活动轨迹;
根据各人员的活动轨迹,确定对应人员与影像内展示的理财产品是否发生交互;其中,交互包括查看理财产品广告、购买理财产品;
根据人员与理财产品发生的交互情况,统计各人员的理财产品需求;其中购买理财产品人员的理财产品需求大于查看理财产品广告人员的理财产品需求;
根据统计的各人员的理财产品需求,计算人群理财产品需求。
进一步的,所述对时间碎片内理财产品历史交易信息进行预处理获得理财产品展销数据的过程如下:
获取时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数;
构建第二神经网络预测模型,以各时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数作为训练数据训练该预测模型,分析确定理财产品特性、展示时间与理财产品历史交易信息的对应关系;
根据理财产品特性、展示时间与理财产品历史交易信息的对应关系,确定理财产品展销数据;其中,理财产品展销数据为以产品特性为依据的各理财产品为实现最大交易数的展示方案。
进一步的,还包括:
当所述银行网点在预设时间段的历史信息出现失效数据,更新预设时间段为相对当前时间的时间范围,并重新获取历史信息。
进一步的,还包括:
在设定的第一时间间隔定时获取当前银行网点内人群活动影像信息,确定并更新对应时刻银行网点内人群理财产品需求;
根据对应时刻银行网点内人群理财产品需求,采用第一神经网络预测模型5确定对应时刻银行网点内理财产品展销数据的预测结果;
结合当前银行网点内理财产品的产品特性,根据对应时刻银行网点内理财产品展销数据的预测结果,选择预测交易数最大的理财产品进行推销展示。
进一步的,所述人群理财产品需求的计算方式为:
以进入银行网点后活动轨迹除办理业务外未发生变化的人员记为零需求人0员,零需求人员的理财产品需求作为参考标准记为零;查看理财产品广告人员记为查看人员,查看人员的理财产品需求在参考标准下增加一;购买理财产品人员的记为购买人员,购买人员的理财产品需求在查看理财产品广告人员的理财产品需求的基础上继续增加、且每购买一项理财产品其理财产品需求增加一,则人群理财产品需求为一多维需求数据,记为:5人群理财产品需求={(零需求人员数量,0);(查看人员,查看人员的理财产品
需求之和);(购买人员,购买人员的理财产品需求之和)}。
本发明另一技术方案在于公开一种智能推销理财产品的装置,该装置包括:
第一获取模块,用于获取银行网点在预设时间段的历史信息;其中,历史信息包括预设时间段内理财产品历史交易信息和对应时间段的网点内人群活动0影像信息;
数据划分模块,用于对历史信息按照时段等距切片,获得多个时间碎片,且任一时间碎片包含该时段内理财产品历史交易信息和对应的网点内人群活动影像信息;
数据预处理模块,用于对各时间碎片内理财产品历史交易信息和对应的网5点内人群活动影像信息进行预处理,获得各时间碎片内人群理财产品需求数据和理财产品展销数据;
构建模块,用于构建第一神经网络预测模型,以人群理财产品需求和理财产品历史交易信息作为模型参数,各时间碎片内人群理财产品需求数据理财产品展销数据训练该预测模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;
第二获取模块,用于获取当前银行网点内人群活动影像信息,确定当前人群理财产品需求,并以当前人群理财产品需求作为第一神经网络预测模型输入,输出对当前理财产品展销数据的预测结果;
产品展销模块,用于根据当前理财产品展销数据的预测结果,结合当前理财产品的产品特性,向当前银行网点内人群展示网点内理财产品。
进一步的,所述数据预处理模块对时间碎片内人群活动影像信息进行预处理获得人群理财产品需求数据的执行单元,包括:
第一确定单元,用于根据人群活动影像信息,确定影像内各人员的活动轨迹;
第二确定单元,用于根据各人员的活动轨迹,确定对应人员与影像内展示的理财产品是否发生交互;其中,交互包括查看理财产品广告、购买理财产品;
统计单元,用于根据人员与理财产品发生的交互情况,统计各人员的理财产品需求;其中购买理财产品人员的理财产品需求大于查看理财产品广告人员的理财产品需求;
计算单元,用于根据统计的各人员的理财产品需求,计算人群理财产品需求。
进一步的,所述数据预处理模块对时间碎片内理财产品历史交易信息进行预处理获得理财产品展销数据的执行单元,包括:
获取单元,用于获取时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数;
构建单元,用于构建第二神经网络预测模型,以各时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数作为训练数据训练该预测模型,分析确定理财产品特性、展示时间与理财产品历史交易信息的对应关系;
第三确定单元,用于根据理财产品特性、展示时间与理财产品历史交易信息的对应关系,确定理财产品展销数据;其中,理财产品展销数据为以产品特性为依据的各理财产品为实现最大交易数的展示方案。
进一步的,还包括:
定时更新模块,用于在设定的第一时间间隔定时获取当前银行网点内人群活动影像信息,确定并更新对应时刻银行网点内人群理财产品需求;
预测模块,用于根据对应时刻银行网点内人群理财产品需求,采用第一神经网络预测模型确定对应时刻银行网点内理财产品展销数据的预测结果;
选择展示模块,用于结合当前银行网点内理财产品的产品特性,根据对应时刻银行网点内理财产品展销数据的预测结果,选择预测交易数最大的理财产品进行推销展示。
由以上技术方案可知,本发明的技术方案获得了如下有益效果:
本发明公开的智能推销理财产品的方法及装置,其方法包括:获取银行网点在预设时间段的历史信息;对历史信息按照时段等距切片,获得多个时间碎片,且任一时间碎片包含该时段内理财产品历史交易信息和对应的网点内人群活动影像信息;对各时间碎片内理财产品历史交易信息和对应的网点内人群活动影像信息进行预处理,获得各时间碎片内人群理财产品需求数据和理财产品展销数据;构建第一神经网络预测模型,以各时间碎片内人群理财产品需求数据理财产品展销数据训练该预测模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;获取当前人群理财产品需求,并采用第一神经网络预测模型输出当前理财产品展销数据的预测结果;根据预测结果,结合当前理财产品的产品特性,向当前银行网点内人群展示网点内理财产品。本发明以历史信息作为模型训练数据,确定人群理财产品需求和理财产品展销数据的对应关系,实现在无用户授权信息下理财产品定向推送效果。
本发明的技术方案与现有技术相比,通过反转预测模型训练的输入输出,在不惊动用户的前提下,采用对人群行为分析达到较为准确的定向推送,不仅降低用户的抵触心理,且能更好的推送产品信息;同时,在模型不断训练的过程中,实现在网点内范围推送,提升理财产品的推销效果。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不表示按照真实参照物比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明实施例提供的智能推销理财产品的方法流程图一;
图2为本发明实施例提供的人群理财产品需求的获取流程图;
图3为本发明实施例提供的理财产品展销数据的获取流程图;
图4为本发明实施例提供的智能推销理财产品的方法流程图二。
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,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
基于当前银行网点进行理财产品推荐时多为对用户进行全方位信息分析后的精准推荐,这类推荐方法通常都需要用户确认授权才能进一步访问隐私数据以便全面分析;但是在实际应用中,用户同意授权的情况不多,导致该方法在应用时效果较差,理财产品的销量低迷;另外,现有方法中也缺乏能够实现理财产品范围推荐的方法。本发明旨在于公开一种智能推销理财产品的方法及装置,该方法通过对银行网点历史人群行为信息和历史理财产品交易信息作为训练数据,量化分析确定人群理财产品需求和理财产品展销数据的对应关系,进而通过对当前人群理财产品需求预测理财产品展销数据,进行反向应用,在不需要用户授权的前提下,促进理财产品的推广销售。
下面结合附图所示的具体实施例,对本发明公开的智能推销理财产品的方法及装置作进一步具体介绍。
结合图1所示,本实施例公开的智能推销理财产品的方法,具体包括如下步骤:
步骤S102,获取银行网点在预设时间段的历史信息;其中,历史信息包括预设时间段内理财产品历史交易信息和对应时间段的网点内人群活动影像信息;
其中,中国的银行网点内部录像资料一般保存35天左右,最长的也不超过60天,故,预设时间段通常为35天;另外,为提高模型训练的准确性,增加训练数据,预设时间段最长不超过60天。
步骤S104,对历史信息按照时段等距切片,获得多个时间碎片,且任一时间碎片包含该时段内理财产品历史交易信息和对应的网点内人群活动影像信息;如以3小时作为时间碎片的大小,理财产品历史交易信息为统计这3小时内发生的与理财产品交易相关的活动,人群活动影像信息主要为通过银行网点内布设的摄像头并存储的数据。通常,选取的历史信息主要为工作日的工作时间数据,非工作日或非工作时间的数据通常不采用,以避免误差。
步骤S106,对各时间碎片内理财产品历史交易信息和对应的网点内人群活动影像信息进行预处理,获得各时间碎片内人群理财产品需求数据和理财产品展销数据;
银行网点内办理业务的客户通常由于办理的业务不同,在无法直接通过智能设备直接处理时,都是取号后等待叫号;在等待叫号过程中,由于客户的习惯不同,具有不同的行为,例如,部分客户会在网点内走动并查看智能设备上的广播信息或网点阅览栏上的推荐手册,部分客户会直接咨询大堂经理,部分客户会在网点内座位内玩手机等待,客户的不同行为展示出其对银行业务的需求度。对于理财产品交易:从理财产品角度,其产品特性如风险程度、收益预期,直接影响客户购买;从网点宣传角度,宣传的广告越多,通过加深客户印象间接影响客户购买;从客户角度,客户的主观意识直接影响客户购买;因此,影响理财产品展销数据的因素包括多样,理财产品展销数据的获取需要综合分析影响的交易的多个因素。
本实施例基于网点内人群行为分析人群理财产品需求,分析过程如图2所示;即,对时间碎片内人群活动影像信息进行预处理的流程包括:步骤S202,根据人群活动影像信息,确定影像内各人员的活动轨迹;步骤S204,根据各人员的活动轨迹,确定对应人员与影像内展示的理财产品是否发生交互;其中,
交互包括查看理财产品广告、购买理财产品;步骤S206,根据人员与理财产品
发生的交互情况,统计各人员的理财产品需求;其中购买理财产品人员的理财5产品需求大于查看理财产品广告人员的理财产品需求;步骤S208,根据统计的各人员的理财产品需求,计算人群理财产品需求。
可选的,采用如下方式计算人群理财产品需求:以进入银行网点后活动轨迹除办理业务外未发生变化的人员记为零需求人员,零需求人员的理财产品需
求作为参考标准记为零;查看理财产品广告人员记为查看人员,查看人员的理0财产品需求在参考标准下增加一;购买理财产品人员的记为购买人员,购买人
员的理财产品需求在查看理财产品广告人员的理财产品需求的基础上继续增加、且每购买一项理财产品其理财产品需求增加一,则人群理财产品需求为一多维需求数据,记为:
人群理财产品需求={(零需求人员数量,0);(查看人员,查看人员的理财产品5需求之和);(购买人员,购买人员的理财产品需求之和)}。
以及,结合图3所示,实施例对时间碎片内理财产品历史交易信息进行预处理获得理财产品展销数据的过程包括如下步骤:步骤S302,获取时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数;其中,
被浏览次数和浏览时间通过智能设备上的智能功能统计,该数据属于客户主观0意识的选择;步骤S304,构建第二神经网络预测模型,以各时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数作为训练数据训练该预测模型,分析确定理财产品特性、展示时间与理财产品历史交易信息的对应关系;步骤S306,根据理财产品特性、展示时间与理财产品历史交易信
息的对应关系,确定理财产品展销数据;其中,理财产品展销数据为以产品特5性为依据的各理财产品为实现最大交易数的展示方案;如顺序展示低风险高收益的理财产品A1,1小时,最大交易数4次;低风险高收益的理财产品A2,1小时,最大交易数3次;高风险高收入的理财产品B1,0.2小时,最大交易数1次;高风险高收入的理财产品B2,0小时,最大交易数0次;中风险高收益的理财产品C1,0.3小时,最大交易数1次;中风险高收益的理财产品C2,0.5小时等,最大交易数2次。
步骤S108,构建第一神经网络预测模型,以人群理财产品需求和理财产品历史交易信息作为模型参数,各时间碎片内人群理财产品需求数据理财产品展销数据训练该预测模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;即,以人群理财产品需求作为训练完成的第一神经网络预测模型的输入,即可直接输出对理财产品展销数据的预测结果。
步骤S110,获取当前银行网点内人群活动影像信息,确定当前人群理财产品需求,并以当前人群理财产品需求作为第一神经网络预测模型输入,输出对当前理财产品展销数据的预测结果;
步骤S112,根据当前理财产品展销数据的预测结果,结合当前理财产品的产品特性,向当前银行网点内人群展示网点内理财产品。基于模型采用的是银行网点的历史数据作为训练数据,故会发生历史数据中的理财产品当前不再销售,此时,根据当前理财产品的产品特性,调整会替换为与预测结果相近的最新的理财产品。
本实施例公开的应用于银行网点的智能推销理财产品的方法,通过对银行网点历史信息中人群活动影像及理财产品的交易数据为分析基础,反向指导当前理财产品调整销售策略,在不需要客户授权的情况下实现向人群范围推荐理财产品的效果,改善理财产品销售低迷的现状。
作为一可选的实施方式,因为第一神经网络预测模型的训练数据为银行网点前期存储的历史数据,随着时间流逝,该历史数据会出现失效数据,因此当所述银行网点在预设时间段的历史信息出现失效数据,更新预设时间段为相对当前时间的时间范围,并重新获取历史信息;再以通过对更新的历史数据进行预处理后训练预测模型,达到模型更新的效果。
作为一可选的实施方式,由于银行网点内的人员活动处于动态变换过程中,因此网点内进行理财产品的广告展示时也可以进行动态调整,即在一设定时间更新获取人群理财产品需要智能调整理财产品展示方案,更贴合银行网点的实际运营。如图4所示,调整过程可包括:步骤S1121,在设定的第一时间间隔定时获取当前银行网点内人群活动影像信息,确定并更新对应时刻银行网点内人群理财产品需求;步骤S1122,根据对应时刻银行网点内人群理财产品需求,采用第一神经网络预测模型确定对应时刻银行网点内理财产品展销数据的预测结果;步骤S1123,结合当前银行网点内理财产品的产品特性,根据对应时刻银行网点内理财产品展销数据的预测结果,选择预测交易数最大的理财产品进行推销展示。其中,设定的第一时间间隔可以当获取到银行网点内人群数目发生改变时,自动更新人群理财产品需求;当然,第一时间间隔也可一固定的时间,且第一时间间隔小于上述的时间碎片的大小。
作为一可选的实施方式,上述的步骤S202中确定影像内各人员的活动轨迹的方法为在银行网点等待区布设摄像头、展示有理财产品广告的智能设备上安装摄像头、挂有理财产品广告的位置布设摄像头,与理财展品相关的摄像头摄像区域小,智能拍摄与理财产品发生交互的部分信息,通过多个摄像头采集相同人脸信息进行匹配,确定同一客户是否与理财产品发生交互,进而确定人员活动轨迹;当多个摄像头均采集到同一客户的人脸信息,表明该用户与理财产品交互;当只有银行网点等待区布设摄像头拍摄到人脸信息,表明该用户低理财产品需求,作为参考标准记为0。通过对人群活动影像进行简化分析获得客户活动轨迹,无需实时跟进单个客户,有效提高银行网点内的客户行为的采集及生成效率。
本发明将历史产品成交信息和保存的人群活动影像进行切片,分成多个时间相同的切片,每个时间切片当成一条数据训练神经网络预测模型,分析并建立用户理财产品需求和理财产品展销数据之间的对应关系,即基于理财产品的特性和用户的特性,进行双向筛选,至少能够帮助人群中大部分客户从众多理财产品中鉴别出和自己匹配度高的产品,从而实现理财产品销售的目的。
在本实施例中,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,处理器运行该计算机程序时,实现上述的智能推销理财产品的方法。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读存储介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
这些计算机程序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,对应与不同的步骤可以通过不同的模块来实现。
本申请的实施例中就提供了这样的一种装置或系统,该装置被称为智能推销理财产品的装置,其组成包括:第一获取模块,用于获取银行网点在预设时间段的历史信息;其中,历史信息包括预设时间段内理财产品历史交易信息和对应时间段的网点内人群活动影像信息;数据划分模块,用于对历史信息按照时段等距切片,获得多个时间碎片,且任一时间碎片包含该时段内理财产品历史交易信息和对应的网点内人群活动影像信息;数据预处理模块,用于对各时间碎片内理财产品历史交易信息和对应的网点内人群活动影像信息进行预处理,获得各时间碎片内人群理财产品需求数据和理财产品展销数据;构建模块,用于构建第一神经网络预测模型,以人群理财产品需求和理财产品历史交易信息作为模型参数,各时间碎片内人群理财产品需求数据理财产品展销数据训练该预测模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;第二获取模块,用于获取当前银行网点内人群活动影像信息,确定当前人群理财产品需求,并以当前人群理财产品需求作为第一神经网络预测模型输入,输出对当前理财产品展销数据的预测结果;产品展销模块,用于根据当前理财产品展销数据的预测结果,结合当前理财产品的产品特性,向当前银行网点内人群展示网点内理财产品。
该装置用于实现上述的实施例中的方法的功能,该系统中的每个模块与方法中的每个步骤相对应,已经在方法中进行过说明的,在此不再赘述。
例如,数据预处理模块对时间碎片内人群活动影像信息进行预处理获得人群理财产品需求数据的执行单元,包括:第一确定单元,用于根据人群活动影像信息,确定影像内各人员的活动轨迹;第二确定单元,用于根据各人员的活动轨迹,确定对应人员与影像内展示的理财产品是否发生交互;其中,交互包括查看理财产品广告、购买理财产品;统计单元,用于根据人员与理财产品发生的交互情况,统计各人员的理财产品需求;其中购买理财产品人员的理财产品需求大于查看理财产品广告人员的理财产品需求;计算单元,用于根据统计的各人员的理财产品需求,计算人群理财产品需求。其中,计算单元人群理财产品需求的过程为:以进入银行网点后活动轨迹除办理业务外未发生变化的人员记为零需求人员,零需求人员的理财产品需求作为参考标准记为零;查看理财产品广告人员记为查看人员,查看人员的理财产品需求在参考标准下增加一;购买理财产品人员的记为购买人员,购买人员的理财产品需求在查看理财产品广告人员的理财产品需求的基础上继续增加、且每购买一项理财产品其理财产品需求增加一,则人群理财产品需求为一多维需求数据,记为:人群理财产品需求={(零需求人员数量,0);(查看人员,查看人员的理财产品需求之和);(购买人员,购买人员的理财产品需求之和)}。
又例如,数据预处理模块对时间碎片内理财产品历史交易信息进行预处理获得理财产品展销数据的执行单元,包括:获取单元,用于获取时间碎片内各5理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数;构建单
元,用于构建第二神经网络预测模型,以各时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数作为训练数据训练该预测模型,分析确定理财产品特性、展示时间与理财产品历史交易信息的对应关系;第三
确定单元,用于根据理财产品特性、展示时间与理财产品历史交易信息的对应0关系,确定理财产品展销数据;其中,理财产品展销数据为以产品特性为依据的各理财产品为实现最大交易数的展示方案。
又例如,实施例公开的智能推销理财产品的装置还包括:历史数据更新单元,用于当所述银行网点在预设时间段的历史信息出现失效数据,更新预设时间段为相对当前时间的时间范围,并重新获取历史信息。
5又例如,实施例公开的智能推销理财产品的装置还包括:定时更新模块,
用于在设定的第一时间间隔定时获取当前银行网点内人群活动影像信息,确定并更新对应时刻银行网点内人群理财产品需求;预测模块,用于根据对应时刻银行网点内人群理财产品需求,采用第一神经网络预测模型确定对应时刻银行
网点内理财产品展销数据的预测结果;选择展示模块,用于结合当前银行网点0内理财产品的产品特性,根据对应时刻银行网点内理财产品展销数据的预测结
果,选择预测交易数最大的理财产品进行推销展示。
本发明上述实施例公开的智能推销理财产品的方法及装置,先采用对历史信息预处理获得历史人群理财产品需求数据和理财产品展销数据,然后以该数
据作为模型训练数据训练神经网络预测模型,通过反转预测模型训练的输入输5出,确定人群理财产品需求和理财产品展销数据的对应关系,最终根据预测模型结合当前银行网点的人群信息和理财产品信息,实现在无用户授权信息下理财产品定向推送效果,达到对多数人的精准推荐。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种智能推销理财产品的方法,其特征在于,包括:
获取银行网点在预设时间段的历史信息;其中,历史信息包括预设时间段内理财产品历史交易信息和对应时间段的网点内人群活动影像信息;
对历史信息按照时段等距切片,获得多个时间碎片,且任一时间碎片包含该时段内理财产品历史交易信息和对应的网点内人群活动影像信息;
对各时间碎片内理财产品历史交易信息和对应的网点内人群活动影像信息进行预处理,获得各时间碎片内人群理财产品需求数据和理财产品展销数据;
构建第一神经网络预测模型,以人群理财产品需求和理财产品历史交易信息作为模型参数,各时间碎片内人群理财产品需求数据理财产品展销数据训练该预测模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;
获取当前银行网点内人群活动影像信息,确定当前人群理财产品需求,并以当前人群理财产品需求作为第一神经网络预测模型输入,输出对当前理财产品展销数据的预测结果;
根据当前理财产品展销数据的预测结果,结合当前理财产品的产品特性,向当前银行网点内人群展示网点内理财产品。
2.根据权利要求1所述的智能推销理财产品的方法,其特征在于,所述对时间碎片内人群活动影像信息进行预处理获得人群理财产品需求数据的过程如下:
根据人群活动影像信息,确定影像内各人员的活动轨迹;
根据各人员的活动轨迹,确定对应人员与影像内展示的理财产品是否发生交互;其中,交互包括查看理财产品广告、购买理财产品;
根据人员与理财产品发生的交互情况,统计各人员的理财产品需求;其中购买理财产品人员的理财产品需求大于查看理财产品广告人员的理财产品需求;
根据统计的各人员的理财产品需求,计算人群理财产品需求。
3.根据权利要求1所述的智能推销理财产品的方法,其特征在于,所述对时间碎片内理财产品历史交易信息进行预处理获得理财产品展销数据的过程如下:
获取时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数;
构建第二神经网络预测模型,以各时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数作为训练数据训练该预测模型,分析确定理财产品特性、展示时间与理财产品历史交易信息的对应关系;
根据理财产品特性、展示时间与理财产品历史交易信息的对应关系,确定理财产品展销数据;其中,理财产品展销数据为以产品特性为依据的各理财产品为实现最大交易数的展示方案。
4.根据权利要求1所述的智能推销理财产品的方法,其特征在于,还包括:
当所述银行网点在预设时间段的历史信息出现失效数据,更新预设时间段为相对当前时间的时间范围,并重新获取历史信息。
5.根据权利要求1所述的智能推销理财产品的方法,其特征在于,还包括:
在设定的第一时间间隔定时获取当前银行网点内人群活动影像信息,确定并更新对应时刻银行网点内人群理财产品需求;
根据对应时刻银行网点内人群理财产品需求,采用第一神经网络预测模型确定对应时刻银行网点内理财产品展销数据的预测结果;
结合当前银行网点内理财产品的产品特性,根据对应时刻银行网点内理财产品展销数据的预测结果,选择预测交易数最大的理财产品进行推销展示。
6.根据权利要求2所述的智能推销理财产品的方法,其特征在于,所述人群理财产品需求的计算方式为:
以进入银行网点后活动轨迹除办理业务外未发生变化的人员记为零需求人员,零需求人员的理财产品需求作为参考标准记为零;查看理财产品广告人员记为查看人员,查看人员的理财产品需求在参考标准下增加一;购买理财产品人员的记为购买人员,购买人员的理财产品需求在查看理财产品广告人员的理财产品需求的基础上继续增加、且每购买一项理财产品其理财产品需求增加一,则人群理财产品需求为一多维需求数据,记为:
人群理财产品需求={(零需求人员数量,0);(查看人员,查看人员的理财产品需求之和);(购买人员,购买人员的理财产品需求之和)}。
7.一种智能推销理财产品的装置,其特征在于,包括:
第一获取模块,用于获取银行网点在预设时间段的历史信息;其中,历史信息包括预设时间段内理财产品历史交易信息和对应时间段的网点内人群活动影像信息;
数据划分模块,用于对历史信息按照时段等距切片,获得多个时间碎片,且任一时间碎片包含该时段内理财产品历史交易信息和对应的网点内人群活动影像信息;
数据预处理模块,用于对各时间碎片内理财产品历史交易信息和对应的网点内人群活动影像信息进行预处理,获得各时间碎片内人群理财产品需求数据和理财产品展销数据;
构建模块,用于构建第一神经网络预测模型,以人群理财产品需求和理财产品历史交易信息作为模型参数,各时间碎片内人群理财产品需求数据理财产品展销数据训练该预测模型,分析确定人群理财产品需求和理财产品展销数据的对应关系;
第二获取模块,用于获取当前银行网点内人群活动影像信息,确定当前人群理财产品需求,并以当前人群理财产品需求作为第一神经网络预测模型输入,输出对当前理财产品展销数据的预测结果;
产品展销模块,用于根据当前理财产品展销数据的预测结果,结合当前理财产品的产品特性,向当前银行网点内人群展示网点内理财产品。
8.根据权利要求7所述的智能推销理财产品的装置,其特征在于,所述数据预处理模块对时间碎片内人群活动影像信息进行预处理获得人群理财产品需求数据的执行单元,包括:
第一确定单元,用于根据人群活动影像信息,确定影像内各人员的活动轨迹;
第二确定单元,用于根据各人员的活动轨迹,确定对应人员与影像内展示的理财产品是否发生交互;其中,交互包括查看理财产品广告、购买理财产品;
统计单元,用于根据人员与理财产品发生的交互情况,统计各人员的理财产品需求;其中购买理财产品人员的理财产品需求大于查看理财产品广告人员的理财产品需求;
计算单元,用于根据统计的各人员的理财产品需求,计算人群理财产品需求。
9.根据权利要求7所述的智能推销理财产品的装置,其特征在于,所述数据预处理模块对时间碎片内理财产品历史交易信息进行预处理获得理财产品展销数据的执行单元,包括:
获取单元,用于获取时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数;
构建单元,用于构建第二神经网络预测模型,以各时间碎片内各理财产品的产品特性、展示时间、被浏览次数、浏览时间和交易次数作为训练数据训练该预测模型,分析确定理财产品特性、展示时间与理财产品历史交易信息的对应关系;
第三确定单元,用于根据理财产品特性、展示时间与理财产品历史交易信息的对应关系,确定理财产品展销数据;其中,理财产品展销数据为以产品特性为依据的各理财产品为实现最大交易数的展示方案。
10.根据权利要求7所述的智能推销理财产品的装置,其特征在于,还包括:
定时更新模块,用于在设定的第一时间间隔定时获取当前银行网点内人群活动影像信息,确定并更新对应时刻银行网点内人群理财产品需求;
预测模块,用于根据对应时刻银行网点内人群理财产品需求,采用第一神经网络预测模型确定对应时刻银行网点内理财产品展销数据的预测结果;
选择展示模块,用于结合当前银行网点内理财产品的产品特性,根据对应时刻银行网点内理财产品展销数据的预测结果,选择预测交易数最大的理财产品进行推销展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211689363.1A CN115860902A (zh) | 2022-12-27 | 2022-12-27 | 一种智能推销理财产品的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211689363.1A CN115860902A (zh) | 2022-12-27 | 2022-12-27 | 一种智能推销理财产品的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860902A true CN115860902A (zh) | 2023-03-28 |
Family
ID=85653536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211689363.1A Pending CN115860902A (zh) | 2022-12-27 | 2022-12-27 | 一种智能推销理财产品的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860902A (zh) |
-
2022
- 2022-12-27 CN CN202211689363.1A patent/CN115860902A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11004094B2 (en) | Systems and methods for calibrating user and consumer data | |
Ryans | Estimating consumer preferences for a new durable brand in an established product class | |
US8112301B2 (en) | Using consumer purchase behavior for television targeting | |
US7346471B2 (en) | Web data outlier detection and mitigation | |
US20220036391A1 (en) | Auto-segmentation | |
US20130151311A1 (en) | Prediction of consumer behavior data sets using panel data | |
US20140244345A1 (en) | Measuring Effectiveness Of Marketing Campaigns Across Multiple Channels | |
KR20030004313A (ko) | 광고포트폴리오모델을 이용하는 종합광고 관리시스템 | |
Kagan et al. | Predicting purchase behavior of website audiences | |
CN113191845A (zh) | 一种在线直播购物平台数据分析处理方法、系统、设备和计算机存储介质 | |
EP3806017A1 (en) | Methods, platforms and systems for paying persons for use of their personal intelligence profile data | |
CN114331543A (zh) | 一种大规模人群定向及动态化场景匹配的广告传播方法 | |
KR20220079249A (ko) | 소비자 수요를 예측하고 이를 반영한 정기배송 방법 및 시스템 | |
Exposito-Ventura et al. | A survey of the role of viewability within the online advertising ecosystem | |
Nann et al. | What Do Consumers Think About Your Brand? Just Ask! | |
Kim et al. | Instant customer base analysis in the financial services sector | |
CN115860902A (zh) | 一种智能推销理财产品的方法及装置 | |
US9147197B2 (en) | Determining point of sale advertisement effectiveness | |
WO2017223547A1 (en) | Automated aggregated multivariate testing systems, methods, and processes | |
JP4928101B2 (ja) | メディア・プランニング・システム | |
CN110796464A (zh) | 监测数据防作弊方法及验证方法、装置、存储介质、终端 | |
US20230080055A1 (en) | System and method for product placement | |
CN111753179B (zh) | 一种数据提取方法及装置 | |
SYAFITRI et al. | Performance Measuring Analysis of Customer Relationship Management MyXL Using CRM-Scorecard | |
Aberathne et al. | A COMPARATIVE STUDY ON EFFECT OF TIME SERIES MODELLING AND MACHINE LEARNING APPROACH TO PREDICT ADVERTISEMENT AIRING TIME INVENTORIES |
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 |