CN116051169A - 评价方法、装置、非易失性存储介质及电子设备 - Google Patents
评价方法、装置、非易失性存储介质及电子设备 Download PDFInfo
- Publication number
- CN116051169A CN116051169A CN202310041866.6A CN202310041866A CN116051169A CN 116051169 A CN116051169 A CN 116051169A CN 202310041866 A CN202310041866 A CN 202310041866A CN 116051169 A CN116051169 A CN 116051169A
- Authority
- CN
- China
- Prior art keywords
- preset
- response
- target
- score
- probability
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 83
- 230000004044 response Effects 0.000 claims abstract description 449
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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
本发明公开了一种评价方法、装置、非易失性存储介质及电子设备。其中,该方法包括:获取目标对象的目标特征数据;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级;使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式;依据目标调整方式对目标响应等级进行调整,确定目标评价结果。本发明解决了评估效率低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种评价方法、装置、非易失性存储介质及电子设备。
背景技术
对公营销响应概率预测方法是基于企业的公开数据,计算其对于银行信贷业务营销行为响应的概率的一种方法。该方法针对海量对公客户,针对不同客户群体,量化其申请不同对公信贷产品的概率。识别出高响应概率客户后,客户经理参考得分区间,将有限的精力集中在更有意愿申请信贷产品的优质客户身上。
现有的对公营销响应概率预测方法是,各经营单位客户经理根据自身历史业务经验,自行查找各类网站,基于有限的工商数据,利用专家经验及简单的统计方法对企业进行打分,选取高价值客户进行营销。
但是,现有的对公营销响应概率预测方法存在以下缺点:
一是,客户经理可获得的公开数据渠道单一,可参考的企业经营指标及范围有限,缺少数据识别潜在客户,且各经营单位无法共享数据集,无法形成知识共享,难以支持营销决策;
二是,依靠客户经理的历史经验较为主观,且没有统一标准,稳定性及可复用性较差。
另外,为了使公营销响应概率预测具有准确的依据,传统的方式是:预先存有多个样本客户的经营信息,和每个样本客户的响应情况,然后将目标客户与样本客户进行相似性比对,确定与目标客户最接近的样本客户,再将样本客户的响应情况作为目标客户的响应情况。
但是,将目标客户最接近的样本客户进行相似度比对,需要将目标客户与多个样本客户进行逐一比对,因此,需要比对的数据量较大,评估效率较低。
针对上述评估效率低的问题,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评价方法、装置、非易失性存储介质及电子设备,以至少解决评估效率低的技术问题。
根据本发明实施例的一个方面,提供了一种评价方法,包括:获取目标对象的目标特征数据,其中,所述目标特征数据用于评估所述目标对象对于营销方案的响应情况;使用预设概率预测模型对所述目标特征数据进行分析,确定所述目标对象的目标响应概率,其中,所述预设概率预测模型为预先使用多组训练数据训练出的,所述多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定所述目标响应概率对应的目标响应等级,其中,所述预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;使用预设调整规则确定所述目标特征数据符合的目标调整条件,和所述目标调整条件对应的目标调整方式,其中,所述预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据所述目标调整方式对所述目标响应等级进行调整,确定目标评价结果。
可选地,获取目标对象的目标特征数据包括:获取所述目标对象的目标标识信息;在预设特征数据库中查询所述目标标识信息对应的目标特征数据,其中,所述预设特征数据库中预先存有一个或多个预设标识信息,和每个所述预设标识信息对应的预设特征数据。
可选地,所述预设概率预测模型通过如下步骤确定:获取多个预设对象的预设特征数据和每个所述预设对象的响应结果;将所述预设特征数据和所述响应情况放入预设模板模型中进行训练,得到所述预设概率预测模型,其中,所述预设概率预测模型利用逻辑回归算法确定,用于表示所述预设特征数据对应的响应概率。
可选地,获取多个预设对象的预设特征数据和每个所述预设对象的响应结果包括:获取多个所述预设对象的预设标识信息,其中,所述预设对象与所述预设标识一一对应;在预设经营数据库中查询所述预设标识信息对应的预设经营数据,和所述预设标识信息对应的所述响应结果,其中,所述预设特征数据库中预先存有一个或多个所述预设标识信息和所述预设经营数据的对应关系,以及一个或多个所述预设标识信息和所述响应结果的对应关系,所述预设经营数据用于表示所述预设对象的经营情况;将所述预设经营数据划分为多个模块数据进行分箱和线性化处理,得到多个所述预设特征变量;使用所述预设标识信息对多个所述预设特征变量进行匹配,确定每个所述预设对象的所述预设特征数据和所述响应结果。
可选地,在将所述预设特征数据和所述响应情况放入预设模板模型中进行训练,得到所述预设概率预测模型之后,所述方法还包括:计算所述预设概率预测模型的评价指标,其中,所述评价指标用于评价所述概率预测模型的区分度,其中,所述区分度用于反应所述预设概率预测模型的风险排序能力;在所述评价指标高于预设阈值的情况下,确定所述预测模型为有效模型。
可选地,使用预设等级规则确定所述目标响应概率对应的目标响应等级包括:确定所述目标响应概率和目标未响应概率的目标响应比率,其中,所述目标未响应概率根据所述目标响应概率确定;使用预设分数转换模型对所述目标响应比率进行分析,确定所述目标响应比率对应的目标响应分数,其中,所述预设分数转换模型用于表示预设响应比率和预设响应分数的数学关系;使用预设等级集合确定包括所述目标响应分数的目标得分区间,和所述目标得分区间对应的目标响应等级,其中,所述预设等级集合用于记录一个或多个预设得分区间和每个所述预设得分区间对应的预设响应等级。
可选地,所述预设分数转换模型通过如下步骤确定:获取预设分数转换模板,其中,所述预设分数转换模板基于未知的第一常数和第二常数表示所述预设响应比率和所述预设响应分数的数学关系;假定在所述预设响应比率为第一响应比率的情况下,所述预设响应分数为第一响应分数;假定在所述预设响应比率为第二响应比率的情况下,所述预设响应分数为第二响应分数,其中,所述第二响应比率为所述第一响应比率的两倍,所述第二响应分数小于所述第一响应分数;根据所述第一响应比率和所述第一响应分数的对应关系,和所述第二响应比率和所述第二响应分数的对应关系,确定所述第一常数和所述第二常数;将所述第一常数和所述第二常数带入所述预设分数转换模板,确定所述预设分数转换模型。
根据本发明实施例的另一方面,还提供了一种评价装置,包括:获取单元,用于获取目标对象的目标特征数据,其中,所述目标特征数据用于评估所述目标对象对于营销方案的响应情况;分析模块,用于使用预设概率预测模型对所述目标特征数据进行分析,确定所述目标对象的目标响应概率,其中,所述预设概率预测模型为预先使用多组训练数据训练出的,所述多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;第一确定模块,用于使用预设等级规则确定所述目标响应概率对应的目标响应等级,其中,所述预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;第二确定模块,用于使用预设调整规则确定所述目标特征数据符合的目标调整条件,和所述目标调整条件对应的目标调整方式,其中,所述预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;第三确定模块,用于依据所述目标调整方式对所述目标响应等级进行调整,确定目标评价结果。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质中存储有程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行上述所述评价方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:存储器和处理器,所述处理器用于运行存储在所述存储器中的程序,其中,所述程序运行时执行上述所述的评价方法。
在本发明实施例中,获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据目标调整方式对目标响应等级进行调整,确定目标评价结果,从而通过预设概率预测模型、预设等级规则、以及预设调整规则对目标对象的目标特征数据进行分析,可以快速实现对目标对象的响应情况进行评估,实现了提高评估效率的技术效果,进而解决了评估效率低技术问题。
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评价方法的流程图;
图2是根据本发明实施例的一种评分等级划分的示意图;
图3是根据本发明实施例的一种评价装置的示意图;
图4是根据本发明实施例的一种计算机终端的结构框图。
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。
根据本发明实施例,提供了一种评价方法实施例,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评价方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;
步骤S104,使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;
步骤S106,使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;
步骤S108,使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;
步骤S110,依据目标调整方式对目标响应等级进行调整,确定目标评价结果。
在本发明实施例中,获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据目标调整方式对目标响应等级进行调整,确定目标评价结果,从而通过预设概率预测模型、预设等级规则、以及预设调整规则对目标对象的目标特征数据进行分析,可以快速实现对目标对象的响应情况进行评估,实现了提高评估效率的技术效果,进而解决了评估效率低技术问题。
在上述步骤S104中,预设概率预测模型可以是通过机器学习的方式训练得到。
在上述步骤S104中,响应结果用于表示对应的预设对象是否作出响应。
在上述步骤S106中,目标调整方式用于对目标响应等级进行调整,例如,提高目标响应等级的级别,降低目标响应等级的级别,或将目标响应等级调整至最高级。
表1是本申请的一种预设调整规则的示意表,如表1所示,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系。
表1
需要说明的是,上述步骤S104和步骤S106可以在响应率打分卡中运行,上述步骤S108和步骤S110可以在专家规则打分卡中运行,通过响应率打分卡输出目标响应等级,然后通过专家规则打分卡对目标响应等级进行调整,可以将整个评分处理过程拆分为两个处理模块,进而响应率打分卡和专家规则打分卡可以在两个处理模块上运行,从而降低评估过程对处理能力的需求,可以使用多个(如两个)较低处理能力的处理模块分别运行响应率打分卡和专家打分卡,即可实现评估过程。
例如,完成的评估过程需要依赖高处理能力的模块,而将评估过程拆分为响应率打分卡和专家规则打分卡执行,即可使用多个低处理能力的模块完成评估过程,降低评估对设备处理能力的依赖,进而提高评估效率。
作为一种可选的实施例,获取目标对象的目标特征数据包括:获取目标对象的目标标识信息;在预设特征数据库中查询目标标识信息对应的目标特征数据,其中,预设特征数据库中预先存有一个或多个预设标识信息,和每个预设标识信息对应的预设特征数据。
本发明上述实施例,在查询目标对象的目标特征数据的情况下,只需输入目标对象的目标标识信息,即可在预设特征数据库中查询目标对象的目标特征数据,无需逐个输入目标对象的目标特征数据,实现了对目标特征数据的快速获取,进而可以提高对目标对象的评估效率。
可选地,目标标识信息可以是目标对象的统一社会信用代码。
作为一种可选的实施例,预设概率预测模型通过如下步骤确定:获取多个预设对象的预设特征数据和每个预设对象的响应结果;将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型,其中,预设概率预测模型利用逻辑回归算法确定,用于表示预设特征数据对应的响应概率。
本发明上述实施例,预设概率预测模型根据多个预设对象的预设特征数据和响应结果作为样本训练得到,样本中每个预设对象响应结果分为响应和未响应,根据多个响应的预设对象的预设特征数据和未响应的预设对象的预设特征数据,可以通过机器学习的方式训练得到的预设概率预测模型,则该预设概率预测模型可以用于确定某种特征数据的对象的响应概率,进而通过该预设概率预测模型可以根据目标对象的目标特征数据预测该目标对象的目标响应概率。
作为一种可选的实施例,获取多个预设对象的预设特征数据和每个预设对象的响应结果包括:获取多个预设对象的预设标识信息,其中,预设对象与预设标识一一对应;在预设经营数据库中查询预设标识信息对应的预设经营数据,和预设标识信息对应的响应结果,其中,预设特征数据库中预先存有一个或多个预设标识信息和预设经营数据的对应关系,以及一个或多个预设标识信息和响应结果的对应关系,预设经营数据用于表示预设对象的经营情况;将预设经营数据划分为多个模块数据进行分箱和线性化处理,得到多个预设特征变量;使用预设标识信息对多个预设特征变量进行匹配,确定每个预设对象的预设特征数据和响应结果。
可选地,预设经营数据包括:基本信息、股东及出资信息、主要管理人员、企业对外投资信息、法人对外投资信息、分支机构、变更信息、企业年报基本信息、年报网站信息、年报认缴出资信息、年报企业实缴出资信息、法人其他公司任职、年报社会保险信息、行政处罚基本信息、异常名录、被执行人信息、商机线索、软件著作权信息、专利信息、商标信息、著作权信息、科技认证信息、资质认证信息
本发明上述实施例,将预设经营数据划分为多个模块数据进行分箱和线性化处理,可以将多种类型的预设经营数据进行多线程同步处理,其处理过程可以由并行的多个硬件执行,进而可以降低预设经营数据的处理过程对硬件资源的依赖,提高预设经营数据的处理效率,并且,处理后的预设特征变量通过预设标识信息进行匹配,还可以保持预设对象和处理所得预设特征数据的对应关系,从而可以提高对预设经营数据的处理效率。
作为一种可选的实施例,在将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型之后,方法还包括:计算预设概率预测模型的评价指标,其中,评价指标用于评价概率预测模型的区分度,其中,区分度用于反应预设概率预测模型的风险排序能力;在评价指标高于预设阈值的情况下,确定预测模型为有效模型。
本发明上述实施例,在训练得到预设概率预测模型之后,可以计算预设概率预测模型的评价指标,可以根据评价指标与预设阈值的比对结果,判断该预设概率预测模型是否符合评估要求,进而确保训练得到的预设概率预测模型能够满足评估要求。
作为一种可选的实施例,计算预设概率预测模型的评价指标包括:计算预设概率预测模型的KS指标,其中,KS指标用于评估预设概率预测模型的区分度的最佳情况;和/或计算预设概率预测模型的AUC指标,其中,AUC指标用于评估预设概率预测模型的区分度的平均情况。
本发明上述实施例,根据KS指标和AUC指标可以对预设概率预测模型的风险排序能力进行评估,确保设置的预设概率预测模型符合评估要求。
作为一种可选的实施例,使用预设等级规则确定目标响应概率对应的目标响应等级:确定目标响应概率和目标未响应概率的目标响应比率,其中,目标未响应概率根据目标响应概率确定;使用预设分数转换模型对目标响应比率进行分析,确定目标响应比率对应的目标响应分数,其中,预设分数转换模型用于表示预设响应比率和预设响应分数的数学关系;使用预设等级集合确定包括目标响应分数的目标得分区间,和目标得分区间对应的目标响应等级,其中,预设等级集合用于记录一个或多个预设得分区间和每个预设得分区间对应的预设响应等级。
本发明上述实施例,目标未响应概率=1-目标响应概率,目标响应比率=目标响应概率/目标未响应概率,根据目标响应比率和预设分数转换模型可以将目标响应概率转换为目标响应分数,进而根据目标响应分数实现对目标响应等级的确定,实现了根据目标响应概率确定目标响应等级的目的。
表2是本申请的一种预设等级集合的示意表,如表2所示,预设等级集合用于记录一个或多个预设得分区间和每个预设得分区间对应的预设响应等级。
营销等级 | 等级标识 | 得分区间 | 客户数 | 客户占比 | 营销响应率 |
优质 | A | [600,1000) | 71 | 10.11% | 45.07% |
良好 | B | [560,600) | 70 | 9.97% | 14.29% |
中等 | C | [540,5620) | 70 | 9.97% | 12.86% |
一般 | D | [500,540) | 140 | 19.94% | 5.71% |
次级 | E | [0,500) | 351 | 50.00% | 4.56% |
表2
作为一种可选的实施例,预设分数转换模型通过如下步骤确定:获取预设分数转换模板,其中,预设分数转换模板基于未知的第一常数和第二常数表示预设响应比率和预设响应分数的数学关系;假定在预设响应比率为第一响应比率的情况下,预设响应分数为第一响应分数;假定在预设响应比率为第二响应比率的情况下,预设响应分数为第二响应分数,其中,第二响应比率为第一响应比率的两倍,第二响应分数小于第一响应分数;根据第一响应比率和第一响应分数的对应关系,和第二响应比率和第二响应分数的对应关系,确定第一常数和第二常数;将第一常数和第二常数带入预设分数转换模板,确定预设分数转换模型。
本发明上述实施例,预设分数转换模型通过未知的第一常数和第二常数表示预设响应比率和预设响应分数的数学关系,通过调整第一常数和第二常数可以使预设分数转换模型适用于不同场景,其中,第一常数和第二常数的取值可以通过假定两组预设响应比率和预设响应分数的对应关系确定,从而通过假定两组预设响应比率和预设响应分数的对应关系,可以实现对预设分数转换模型的确定。
可选地,预设分数转换模板为:Score=A-B*ln(odds),其中,odds为预设响应比率,A为第一常数,B为第二常数,其中,第一常数A和第二常数B的值可用过两个假设来进行计算。一是假设第一响应比率odds=1/19,其对应的第一响应分数为600分,则有600=A-B*ln(1/19);二是假定第二响应比率odds=2/19,其对应的第二响应分数为50分,即有600-50=A-B*ln(2*1/19);目标响应分数=1000–Score。
本发明还提供了一种优选实施例,该优选实施例提供了一种对公营销响应概率预测方法。
本发明通过整合全行已引入的外部数据资源,广泛采集各类公开资讯信息,形成全面而精准的企业画像,解决数据不充分的问题。并基于百余个衍生指标,结合行内存量企业特征,采用逻辑回归算法形成响应率打分卡,配合专家规则打分卡,形成行内可复用且更可信的量化评估标准,并定期根据营销情况进行迭代,确保模型准确率及稳定性,降低原有方案中对于客户经理经验的依赖。
本发明中的响应率打分卡和专家规则打分卡联合部署在评分模型平台,该平台直接对接各业务系统。在实际应用场景中,业务系统将企业唯一标识传入评分模型平台,平台根据唯一标识后台查询所需所有特征数据,调用响应率打分卡并输出评分等级,然后将该评分等级联合特征数据共同传入专家打分卡,输出最终的评分等级,并传回业务系统捆绑。
作为一种可选的示例,对公营销响应概率预测方法,包括如下步骤:
步骤S1:样本(即预设对象)的选取与客群分析。
可选地,针对行内不同信贷产品申请特点,筛选合适的预设对象作为目标客群。将企业名单与行内已申请相关产品的客户名称进行匹配,匹配中的定义为易响应样本,否则为不易响应样本,即为Y标签(即确定预设对象的响应结果)。
步骤S2:数据采集、清洗与结构化。从公开数据源获取纳税A级名单中的企业的工商、年报、近期资讯等预设经营数据,并根据业务经验分为6个模块数据,即工商信息、知识产权、司法涉诉、关联图谱、经营状态、商机线索。
需要说明的是,公开数据源一共包括23个数据表,即基本信息、股东及出资信息、主要管理人员、企业对外投资信息、法人对外投资信息、分支机构、变更信息、企业年报基本信息、年报网站信息、年报认缴出资信息、年报企业实缴出资信息、法人其他公司任职、年报社会保险信息、行政处罚基本信息、异常名录、被执行人信息、商机线索、软件著作权信息、专利信息、商标信息、著作权信息、科技认证信息、资质认证信息。
步骤S3:构建特征工程。通过数据加工程序,将每个模块数据的样本数据(即预设对象的预设经营数据)进行加工,得到百余个衍生变量,将这些变量组合成为一张特征宽表。
可选地,以步骤S2中公开数据源的数据表为基础,通过企业组织机构代码(即预设标识信息,或目标标识信息)关联,构建特征工程。共加工6个模块数据,即基本信息、触达信息、关联信息、资讯数据、经营能力以及风险指数。
可选地,以经营能力中的一个衍生变量:近12个月申请专利数量环比增长率为例,在原有专利的数量上增加对比,既评估企业现阶段技术规模,又能查看企业近年在科技方面投入发展状态。该衍生特征的加工逻辑如下:
df_patent[’ringRate_patentApply_last12m’]=(2*df_patent[’ringRate_patentApply_last12m’]-df_patent[’ringRate_patentApply_last24m’])/(df_patent[’ringRate_patentApply_last24m’]-df_patent[’ringRate_patentApply_last12m’])
表3是本申请提供的一种部分宽表字段,如表3所示,各模块都进行变量加工,然后用统一社会信用代码将其匹配起来,得到变量宽表。
表3
步骤S4:模型训练。通过iv、woe、相关性等系数筛选入模特征,将上述特征放入模型中进行训练,得到预设概率预测模型。
需要说明的是,iv的全称为:Information Value,中文意思是信息价值,或者信息量;woe的全称为Weight of Evidence”,即证据权重,是对原始自变量的一种编码形式。
可选地,对变量进行分箱并填写WOE后,利用逻辑回归算法进行模型训练。
可选地,逻辑回归算法通过利用Sigmod函数y=a/(1+e-z),将线性回归模型z=wTx+b产生的预测值转换为一个接近0或者1的拟合值,最终变换后得到:ln(p/(1-p))=z=wTx+b,其中,p/(1-p)为响应比率odds,即响应概率与未响应概率的比值。
可选地,响应比率的自然对数ln(p/(1-p))即为Logit函数。
表4是本申请提供的一种确定入模变量及相应的参数的示意表,如表4所示,利用逻辑回归算法进行模型训练,得到入模变量及相应的参数。
指标名称 | IV值 | 回归系数 | 指标权重 |
特征1 | 0.45 | 1.11 | 13.69% |
特征2 | 0.14 | 0.92 | 11.30% |
特征3 | 0.07 | 0.85 | 10.48% |
特征4 | 0.03 | 0.69 | 8.50% |
特征5 | 0.08 | 0.68 | 8.32% |
特征6 | 0.35 | 0.67 | 8.26% |
特征7 | 0.12 | 0.65 | 7.96% |
特征8 | 0.25 | 0.6 | 7.43% |
特征9 | 0.03 | 0.56 | 6.94% |
特征10 | 0.12 | 0.35 | 4.34% |
特征11 | 0.13 | 0.28 | 3.47% |
特征12 | 0.05 | 0.27 | 3.29% |
特征13 | 0.09 | 0.21 | 2.61% |
特征14 | 0.04 | 0.17 | 2.05% |
特征15 | 0.05 | 0.11 | 1.36% |
表4
步骤S5:采用KS和AUC指标对预设概率预测模型进行评估。
可选地,对训练得到的预设概率预测模型的效果进行评估。经过模型训练,编写计算模型KS和AUC指标的python程序,计算模型KS=0.4309,AUC=0.7763,说明模型具有很好的区分能力,该预设概率预测模型为有效模型。
步骤S6:将预测的响应概率转换为响应分数,分数越高,客户的营销响应概率越大,并根据分数与响应概率的曲线,将客户响应度进行价值分层(即确定响应等级),更方便理解使用。
需要说明的是,前述步骤得到了预设对象的预设响应概率,然而实际应用场景中要用到营销分数(即目标响应分数),且希望响应概率越大,营销分数(即目标响应分数)越高。
可选地,概率与分数的转换步骤如下:利用公式Score=A-B*ln(odds),将响应概率(如预设响应概率或目标响应概率)转换为响应分数(如预设响应分数或目标响应分数)。其中,A为第一常数,B为第二常数,odds为响应比率(如预设响应比率)。第一常数A和第二常数B的值可用过两个假设来进行计算。一是假设第一响应比率odds=1/19,其对应的第一响应分数为600分,则有600=A-B*ln(1/19);二是假定第二响应比率odds=2/19,其对应的第二响应分数为50分,即有600-50=A-B*ln(2*1/19);响应分数(如预设响应分数或目标响应分数)=1000–Score。
图2是根据本发明实施例的一种评分等级划分的示意图,如图2所示,响应概率(如预设响应概率或目标响应概率)随评分等级如预设响应分数或目标响应分数)降低而降低,且客户占比随评分等级(如预设响应分数或目标响应分数)降低而升高,符合常识。
步骤S7:基于企业画像,结合行内各经营单位的建议,形成专家规则(即确定预设调整规则)。
本申请提供的技术方案,针对数据源单一的问题,利用了行内已采购的公开数据,并采集全网公开的招投标、投融资等资讯,形成结构化的多维度指标,包含企业的工商信息、知识产权、司法涉诉、关联图谱、经营状态、商机线索共六大类指标库。形成全面而精准的企业画像,供经营单位参考和使用。
本申请提供的技术方案,为避免人为主观经验造成的误差,在模型建设过程中,对行内已申请相关产品的客户的特征进行分析,基于逻辑回归算法,形成响应率评分卡,并根据各经营单位需求梳理专家规则。两套评分卡叠加使用,基于数据驱动的模型评分卡将客户的响应率进行量化,专家规则对优质客户进行加分,既参考了行内存量客户的历史特征,又综合了行内各经营单位的专家经验。科学全面的对企业响应率进行评估,同时该方案高度可复制,易于推广至全行各对公信贷产品线。
根据本申请提供的技术方案,客户经理可排序、选择目标企业,导出相关名单,对相关名单进行营销追踪,提高营销成果的落地概率。
根据本发明实施例,还提供了一种评价装置实施例,需要说明的是,该评价装置可以用于执行本发明实施例中的评价方法,本发明实施例中的评价方法可以在该评价装置中执行。
图3是根据本发明实施例的一种评价装置的示意图,如图3所示,该装置可以包括:获取单元31,用于获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;分析模块33,用于使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;第一确定模块35,用于使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;第二确定模块37,用于使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;第三确定模块39,用于依据目标调整方式对目标响应等级进行调整,确定目标评价结果。
需要说明的是,该实施例中的获取单元31可以用于执行本申请实施例中的步骤S102,该实施例中的分析模块33可以用于执行本申请实施例中的步骤S104,该实施例中的第一确定模块35可以用于执行本申请实施例中的步骤S106,该实施例中的第二确定模块37可以用于执行本申请实施例中的步骤S108,该实施例中的第三确定模块39可以用于执行本申请实施例中的步骤S108。上述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所公开的内容。
在本发明实施例中,获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据目标调整方式对目标响应等级进行调整,确定目标评价结果,从而通过预设概率预测模型、预设等级规则、以及预设调整规则对目标对象的目标特征数据进行分析,可以快速实现对目标对象的响应情况进行评估,实现了提高评估效率的技术效果,进而解决了评估效率低技术问题。
作为一种可选的实施例,获取模块包括:获取子模块,用于获取目标对象的目标标识信息;查询子模块,用于在预设特征数据库中查询目标标识信息对应的目标特征数据,其中,预设特征数据库中预先存有一个或多个预设标识信息,和每个预设标识信息对应的预设特征数据。
作为一种可选的实施例,装置还包括:模型确定模块,用于确定预设概率预测模型,其中,模型确定模块包括:获取子模块,用于获取多个预设对象的预设特征数据和每个预设对象的响应结果;训练子模块,用于将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型,其中,预设概率预测模型利用逻辑回归算法确定,用于表示预设特征数据对应的响应概率。
作为一种可选的实施例,获取子模块包括:获取单元,用于获取多个预设对象的预设标识信息,其中,预设对象与预设标识一一对应;查询单元,用于在预设经营数据库中查询预设标识信息对应的预设经营数据,和预设标识信息对应的响应结果,其中,预设特征数据库中预先存有一个或多个预设标识信息和预设经营数据的对应关系,以及一个或多个预设标识信息和响应结果的对应关系,预设经营数据用于表示预设对象的经营情况;处理单元,用于将预设经营数据划分为多个模块数据进行分箱和线性化处理,得到多个预设特征变量;匹配单元,用于使用预设标识信息对多个预设特征变量进行匹配,确定每个预设对象的预设特征数据和响应结果。
作为一种可选的实施例,装置还包括:计算单元,在将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型之后,计算预设概率预测模型的评价指标,其中,评价指标用于评价概率预测模型的区分度,其中,区分度用于反应预设概率预测模型的风险排序能力;确定单元,用于在评价指标高于预设阈值的情况下,确定预测模型为有效模型。
作为一种可选的实施例,计算单元包括:第一计算子单元,用于计算预设概率预测模型的KS指标,其中,KS指标用于评估预设概率预测模型的区分度的最佳情况;和/或第二计算子单元,用于计算预设概率预测模型的AUC指标,其中,AUC指标用于评估预设概率预测模型的区分度的平均情况。
作为一种可选的实施例,第一确定模块包括:第一确定子模块,用于确定目标响应概率和目标未响应概率的目标响应比率,其中,目标未响应概率根据目标响应概率确定;分析子模块,用于使用预设分数转换模型对目标响应比率进行分析,确定目标响应比率对应的目标响应分数,其中,预设分数转换模型用于表示预设响应比率和预设响应分数的数学关系;第二确定子模块,用于使用预设等级集合确定包括目标响应分数的目标得分区间,和目标得分区间对应的目标响应等级,其中,预设等级集合用于记录一个或多个预设得分区间和每个预设得分区间对应的预设响应等级。
作为一种可选的实施例,装置还包括:模型确定单元,用于确定预设分数转换模型,其中,通过模型确定单元包括:获取子单元,用于获取预设分数转换模板,其中,预设分数转换模板基于未知的第一常数和第二常数表示预设响应比率和预设响应分数的数学关系;
第一假定子单元,用于假定在预设响应比率为第一响应比率的情况下,预设响应分数为第一响应分数;第二假定子单元,用于假定在预设响应比率为第二响应比率的情况下,预设响应分数为第二响应分数,其中,第二响应比率为第一响应比率的两倍,第二响应分数小于第一响应分数;第一确定子单元,用于根据第一响应比率和第一响应分数的对应关系,和第二响应比率和第二响应分数的对应关系,确定第一常数和第二常数;第二确定子单元,用于将第一常数和第二常数带入预设分数转换模板,确定预设分数转换模型。
本发明的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行评价方法中以下步骤的程序代码:获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;
使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据目标调整方式对目标响应等级进行调整,确定目标评价结果。
可选地,图4是根据本发明实施例的一种计算机终端的结构框图。如图4所示,该计算机终端40可以包括:一个或多个(图中仅示出一个)处理器42、和存储器44。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的评价方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的评价方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端40。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据目标调整方式对目标响应等级进行调整,确定目标评价结果。
可选的,上述处理器还可以执行如下步骤的程序代码:获取目标对象的目标标识信息;在预设特征数据库中查询目标标识信息对应的目标特征数据,其中,预设特征数据库中预先存有一个或多个预设标识信息,和每个预设标识信息对应的预设特征数据。
可选的,上述处理器还可以执行如下步骤的程序代码:获取多个预设对象的预设特征数据和每个预设对象的响应结果;将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型,其中,预设概率预测模型利用逻辑回归算法确定,用于表示预设特征数据对应的响应概率。
可选的,上述处理器还可以执行如下步骤的程序代码:获取多个预设对象的预设标识信息,其中,预设对象与预设标识一一对应;在预设经营数据库中查询预设标识信息对应的预设经营数据,和预设标识信息对应的响应结果,其中,预设特征数据库中预先存有一个或多个预设标识信息和预设经营数据的对应关系,以及一个或多个预设标识信息和响应结果的对应关系,预设经营数据用于表示预设对象的经营情况;将预设经营数据划分为多个模块数据进行分箱和线性化处理,得到多个预设特征变量;使用预设标识信息对多个预设特征变量进行匹配,确定每个预设对象的预设特征数据和响应结果。
可选的,上述处理器还可以执行如下步骤的程序代码:在将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型之后,计算预设概率预测模型的评价指标,其中,评价指标用于评价概率预测模型的区分度,其中,区分度用于反应预设概率预测模型的风险排序能力;在评价指标高于预设阈值的情况下,确定预测模型为有效模型。
可选的,上述处理器还可以执行如下步骤的程序代码:计算预设概率预测模型的KS指标,其中,KS指标用于评估预设概率预测模型的区分度的最佳情况;和/或计算预设概率预测模型的AUC指标,其中,AUC指标用于评估预设概率预测模型的区分度的平均情况。
可选的,上述处理器还可以执行如下步骤的程序代码:确定目标响应概率和目标未响应概率的目标响应比率,其中,目标未响应概率根据目标响应概率确定;使用预设分数转换模型对目标响应比率进行分析,确定目标响应比率对应的目标响应分数,其中,预设分数转换模型用于表示预设响应比率和预设响应分数的数学关系;使用预设等级集合确定包括目标响应分数的目标得分区间,和目标得分区间对应的目标响应等级,其中,预设等级集合用于记录一个或多个预设得分区间和每个预设得分区间对应的预设响应等级。
可选的,上述处理器还可以执行如下步骤的程序代码:获取预设分数转换模板,其中,预设分数转换模板基于未知的第一常数和第二常数表示预设响应比率和预设响应分数的数学关系;假定在预设响应比率为第一响应比率的情况下,预设响应分数为第一响应分数;假定在预设响应比率为第二响应比率的情况下,预设响应分数为第二响应分数,其中,第二响应比率为第一响应比率的两倍,第二响应分数小于第一响应分数;根据第一响应比率和第一响应分数的对应关系,和第二响应比率和第二响应分数的对应关系,确定第一常数和第二常数;将第一常数和第二常数带入预设分数转换模板,确定预设分数转换模型。
采用本发明实施例,提供了一种评价方案。获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据目标调整方式对目标响应等级进行调整,确定目标评价结果,从而通过预设概率预测模型、预设等级规则、以及预设调整规则对目标对象的目标特征数据进行分析,可以快速实现对目标对象的响应情况进行评估,实现了提高评估效率的技术效果,进而解决了评估效率低技术问题。
本领域普通技术人员可以理解,图4所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图4其并不对上述电子装置的结构造成限定。例如,计算机终端40还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图4所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例所提供的评价方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取目标对象的目标特征数据,其中,目标特征数据用于评估目标对象对于营销方案的响应情况;使用预设概率预测模型对目标特征数据进行分析,确定目标对象的目标响应概率,其中,预设概率预测模型为预先使用多组训练数据训练出的,多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;使用预设等级规则确定目标响应概率对应的目标响应等级,其中,预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;使用预设调整规则确定目标特征数据符合的目标调整条件,和目标调整条件对应的目标调整方式,其中,预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;依据目标调整方式对目标响应等级进行调整,确定目标评价结果。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取目标对象的目标标识信息;在预设特征数据库中查询目标标识信息对应的目标特征数据,其中,预设特征数据库中预先存有一个或多个预设标识信息,和每个预设标识信息对应的预设特征数据。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取多个预设对象的预设特征数据和每个预设对象的响应结果;将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型,其中,预设概率预测模型利用逻辑回归算法确定,用于表示预设特征数据对应的响应概率。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取多个预设对象的预设标识信息,其中,预设对象与预设标识一一对应;在预设经营数据库中查询预设标识信息对应的预设经营数据,和预设标识信息对应的响应结果,其中,预设特征数据库中预先存有一个或多个预设标识信息和预设经营数据的对应关系,以及一个或多个预设标识信息和响应结果的对应关系,预设经营数据用于表示预设对象的经营情况;将预设经营数据划分为多个模块数据进行分箱和线性化处理,得到多个预设特征变量;使用预设标识信息对多个预设特征变量进行匹配,确定每个预设对象的预设特征数据和响应结果。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在将预设特征数据和响应情况放入预设模板模型中进行训练,得到预设概率预测模型之后,计算预设概率预测模型的评价指标,其中,评价指标用于评价概率预测模型的区分度,其中,区分度用于反应预设概率预测模型的风险排序能力;在评价指标高于预设阈值的情况下,确定预测模型为有效模型。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:计算预设概率预测模型的KS指标,其中,KS指标用于评估预设概率预测模型的区分度的最佳情况;和/或计算预设概率预测模型的AUC指标,其中,AUC指标用于评估预设概率预测模型的区分度的平均情况。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:确定目标响应概率和目标未响应概率的目标响应比率,其中,目标未响应概率根据目标响应概率确定;使用预设分数转换模型对目标响应比率进行分析,确定目标响应比率对应的目标响应分数,其中,预设分数转换模型用于表示预设响应比率和预设响应分数的数学关系;使用预设等级集合确定包括目标响应分数的目标得分区间,和目标得分区间对应的目标响应等级,其中,预设等级集合用于记录一个或多个预设得分区间和每个预设得分区间对应的预设响应等级。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预设分数转换模板,其中,预设分数转换模板基于未知的第一常数和第二常数表示预设响应比率和预设响应分数的数学关系;假定在预设响应比率为第一响应比率的情况下,预设响应分数为第一响应分数;假定在预设响应比率为第二响应比率的情况下,预设响应分数为第二响应分数,其中,第二响应比率为第一响应比率的两倍,第二响应分数小于第一响应分数;根据第一响应比率和第一响应分数的对应关系,和第二响应比率和第二响应分数的对应关系,确定第一常数和第二常数;将第一常数和第二常数带入预设分数转换模板,确定预设分数转换模型。
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)
1.一种评价方法,其特征在于,包括:
获取目标对象的目标特征数据,其中,所述目标特征数据用于评估所述目标对象对于营销方案的响应情况;
使用预设概率预测模型对所述目标特征数据进行分析,确定所述目标对象的目标响应概率,其中,所述预设概率预测模型为预先使用多组训练数据训练出的,所述多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;
使用预设等级规则确定所述目标响应概率对应的目标响应等级,其中,所述预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;
使用预设调整规则确定所述目标特征数据符合的目标调整条件,和所述目标调整条件对应的目标调整方式,其中,所述预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;
依据所述目标调整方式对所述目标响应等级进行调整,确定目标评价结果。
2.根据权利要求1所述的方法,其特征在于,获取目标对象的目标特征数据包括:
获取所述目标对象的目标标识信息;
在预设特征数据库中查询所述目标标识信息对应的目标特征数据,其中,所述预设特征数据库中预先存有一个或多个预设标识信息,和每个所述预设标识信息对应的预设特征数据。
3.根据权利要求1所述的方法,其特征在于,所述预设概率预测模型通过如下步骤确定:
获取多个预设对象的预设特征数据和每个所述预设对象的响应结果;
将所述预设特征数据和所述响应情况放入预设模板模型中进行训练,得到所述预设概率预测模型,其中,所述预设概率预测模型利用逻辑回归算法确定,用于表示所述预设特征数据对应的响应概率。
4.根据权利要求3所述的方法,其特征在于,获取多个预设对象的预设特征数据和每个所述预设对象的响应结果包括:
获取多个所述预设对象的预设标识信息,其中,所述预设对象与所述预设标识一一对应;
在预设经营数据库中查询所述预设标识信息对应的预设经营数据,和所述预设标识信息对应的所述响应结果,其中,所述预设特征数据库中预先存有一个或多个所述预设标识信息和所述预设经营数据的对应关系,以及一个或多个所述预设标识信息和所述响应结果的对应关系,所述预设经营数据用于表示所述预设对象的经营情况;
将所述预设经营数据划分为多个模块数据进行分箱和线性化处理,得到多个所述预设特征变量;
使用所述预设标识信息对多个所述预设特征变量进行匹配,确定每个所述预设对象的所述预设特征数据和所述响应结果。
5.根据权利要求3所述的方法,其特征在于,在将所述预设特征数据和所述响应情况放入预设模板模型中进行训练,得到所述预设概率预测模型之后,所述方法还包括:
计算所述预设概率预测模型的评价指标,其中,所述评价指标用于评价所述概率预测模型的区分度,其中,所述区分度用于反应所述预设概率预测模型的风险排序能力;
在所述评价指标高于预设阈值的情况下,确定所述预测模型为有效模型。
6.根据权利要求1所述的方法,其特征在于,使用预设等级规则确定所述目标响应概率对应的目标响应等级包括:
确定所述目标响应概率和目标未响应概率的目标响应比率,其中,所述目标未响应概率根据所述目标响应概率确定;
使用预设分数转换模型对所述目标响应比率进行分析,确定所述目标响应比率对应的目标响应分数,其中,所述预设分数转换模型用于表示预设响应比率和预设响应分数的数学关系;
使用预设等级集合确定包括所述目标响应分数的目标得分区间,和所述目标得分区间对应的目标响应等级,其中,所述预设等级集合用于记录一个或多个预设得分区间和每个所述预设得分区间对应的预设响应等级。
7.根据权利要求6所述的方法,其特征在于,所述预设分数转换模型通过如下步骤确定:
获取预设分数转换模板,其中,所述预设分数转换模板基于未知的第一常数和第二常数表示所述预设响应比率和所述预设响应分数的数学关系;
假定在所述预设响应比率为第一响应比率的情况下,所述预设响应分数为第一响应分数;
假定在所述预设响应比率为第二响应比率的情况下,所述预设响应分数为第二响应分数,其中,所述第二响应比率为所述第一响应比率的两倍,所述第二响应分数小于所述第一响应分数;
根据所述第一响应比率和所述第一响应分数的对应关系,和所述第二响应比率和所述第二响应分数的对应关系,确定所述第一常数和所述第二常数;
将所述第一常数和所述第二常数带入所述预设分数转换模板,确定所述预设分数转换模型。
8.一种评价装置,其特征在于,包括:
获取单元,用于获取目标对象的目标特征数据,其中,所述目标特征数据用于评估所述目标对象对于营销方案的响应情况;
分析模块,用于使用预设概率预测模型对所述目标特征数据进行分析,确定所述目标对象的目标响应概率,其中,所述预设概率预测模型为预先使用多组训练数据训练出的,所述多组训练数据中的每组训练数据均包括:同一预设对象的预设特征数据和响应结果;
第一确定模块,用于使用预设等级规则确定所述目标响应概率对应的目标响应等级,其中,所述预设等级规则用于表示一个或多个预设响应概率和预设响应等级的对应关系;
第二确定模块,用于使用预设调整规则确定所述目标特征数据符合的目标调整条件,和所述目标调整条件对应的目标调整方式,其中,所述预设调整规则用于记录一个或多个预设调整条件和预设调整方式的对应关系;
第三确定模块,用于依据所述目标调整方式对所述目标响应等级进行调整,确定目标评价结果。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质中存储有程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述评价方法。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述处理器用于运行存储在所述存储器中的程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310041866.6A CN116051169A (zh) | 2023-01-11 | 2023-01-11 | 评价方法、装置、非易失性存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310041866.6A CN116051169A (zh) | 2023-01-11 | 2023-01-11 | 评价方法、装置、非易失性存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051169A true CN116051169A (zh) | 2023-05-02 |
Family
ID=86129195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310041866.6A Pending CN116051169A (zh) | 2023-01-11 | 2023-01-11 | 评价方法、装置、非易失性存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051169A (zh) |
-
2023
- 2023-01-11 CN CN202310041866.6A patent/CN116051169A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
US7930242B2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
CN110992167A (zh) | 银行客户业务意图识别方法及装置 | |
CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
CN116523262B (zh) | 基于大数据的生产计划智能规划方法、系统和介质 | |
CN112785441B (zh) | 数据处理方法、装置、终端设备及存储介质 | |
CN113554310A (zh) | 基于智能合约的企业信用动态评估模型 | |
CN117668205A (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
CN114896506A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN117557381A (zh) | 一种金融产品筛选方法、系统、终端设备及存储介质 | |
CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
CN114741592B (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
CN116051169A (zh) | 评价方法、装置、非易失性存储介质及电子设备 | |
CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 | |
CN115689779B (zh) | 一种基于云端信用决策的用户风险预测方法及系统 | |
CN113537666B (zh) | 评测模型训练方法、评测和业务审核方法、装置及设备 | |
CN113723522B (zh) | 异常用户的识别方法、装置、电子设备以及存储介质 | |
CN115204508A (zh) | 对象的预测方法、装置及电子设备 | |
CN116485446A (zh) | 业务数据的处理方法、装置、处理器以及电子设备 | |
CN118396719A (zh) | 一种农产品销售线索智能评级与推荐方法及系统 | |
CN118505342A (zh) | 信息推送方法及装置 | |
CN117350765A (zh) | 变量确定方法及装置、存储介质、电子设备 | |
CN117875770A (zh) | 对象的信用评级方法、装置、存储介质及电子装置 |
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 |