CN116468109B - 预测模型的训练方法、使用方法及相关装置 - Google Patents

预测模型的训练方法、使用方法及相关装置 Download PDF

Info

Publication number
CN116468109B
CN116468109B CN202310724312.6A CN202310724312A CN116468109B CN 116468109 B CN116468109 B CN 116468109B CN 202310724312 A CN202310724312 A CN 202310724312A CN 116468109 B CN116468109 B CN 116468109B
Authority
CN
China
Prior art keywords
data
target
touch
client
prediction
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.)
Active
Application number
CN202310724312.6A
Other languages
English (en)
Other versions
CN116468109A (zh
Inventor
龚骏华
覃刚
陈其宇
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.)
Shenzhen Suoxinda Data Technology Co ltd
Original Assignee
Shenzhen Suoxinda Data Technology Co 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 Shenzhen Suoxinda Data Technology Co ltd filed Critical Shenzhen Suoxinda Data Technology Co ltd
Priority to CN202310724312.6A priority Critical patent/CN116468109B/zh
Publication of CN116468109A publication Critical patent/CN116468109A/zh
Application granted granted Critical
Publication of CN116468109B publication Critical patent/CN116468109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种预测模型的训练方法、使用方法以及相关装置，通过上述方式，可以基于有效触达时间点记录的客户画像数据与画像标签、有效触达数据与有效触达标签以及触达反馈数据与反馈标签构成的三元组数据对第一预测模型进行自回归的模型训练，得到目标预测模型，使得该目标预测模型可以进行自回归的触达动作预测，由于目标预测模型是通过历史有效触达的样本集训练得到的，其输出的预测结果是成功率较高的触达动作，相比全渠道的触达，不仅可以提高触达效率和效果，还降低渠道成本，减少资源浪费，可以解决现有技术中的触达渠道成本高且触达渠道资源浪费的问题。

Description

预测模型的训练方法、使用方法及相关装置
技术领域
本发明涉及大数据分析技术领域，尤其涉及一种预测模型的训练方法、使用方法及相关装置。
背景技术
银行业的客户触达是指银行通过各种渠道和方式，向客户提供金融产品的营销和服务，增加客户忠诚度和满意度，提高银行收入和市场份额的过程。客户触达计划的制定是指银行根据客户特征、需求、偏好等信息，制定合适的触达目标、场景、对象、内容、渠道、时间和频率等策略。
在数字化时代，可用的触达渠道越来越多，除了传统的线下网点、电话等渠道外，还有线上的网站、APP、微信等渠道。触达渠道的增加在一方面无疑给予银行更多触达客户的方式，提高触达成功的可能性，但是在另一方面一味通过增加触达渠道的方式触达客户也导致渠道成本增加，且多个触达渠道同时触达客户的方案也不可避免的占用了其他未能有效触达客户的触达渠道的带宽等渠道资源，造成资源浪费。
因此，如何有效地整合和协调触达渠道与触达计划，降低渠道成本，减少资源浪费，提高触达效率和效果，仍然是一个待解决的难题。
发明内容
本发明的主要目的在于提供一种预测模型的训练方法、使用方法以及相关装置装置，相关装置包括训练装置及使用装置、设备及存储介质，可以解决现有技术中的触达渠道成本高且触达渠道资源浪费的问题。
为实现上述目的，本发明第一方面提供一种预测模型的训练方法，所述方法包括：
所述训练方法包括：
获取各个客户的第一样本集，所述第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，所述第一三元组数据包括所述有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据；所述客户画像数据用于反映所述有效触达时间点的客户境况，所述有效触达数据用于反映有效触达时间点的有效触达动作，所述触达反馈数据用于反映所述有效触达动作执行后客户资产的真实变动情况；
利用预设时间窗口长度、所述有效触达时间点以及所述第一样本集进行数据汇总处理，确定各个客户的第一数据序列，所述第一数据序列包括各个时间窗口的第二三元组数据，所述第二三元组数据包括所述时间窗口中的有效触达时间点对应的第一三元组数据；
利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值；
根据所述目标损失值以及所述第一预测模型的模型参数进行模型参数的更新处理，确定更新所述模型参数后的第二预测模型，并将所述第二预测模型作为所述第一预测模型，返回执行所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值的步骤，直至所述目标损失值满足预设的收敛条件，得到训练完成的目标预测模型。
在一种可行实现方式中，所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值，包括：
按照预设的随机抽取规则，对所有客户的第一数据序列进行随机抽取，得到随机抽取到的第二数据序列，所述第二数据序列的总个数不高于所述第一数据序列的总个数；
将所述第二数据序列输入所述第一预测模型进行自回归预测的模型训练，确定目标损失值。
在一种可行实现方式中，所述第一预测模型至少包括嵌入层、特征融合层以及预测层，则所述将所述第二数据序列输入所述第一预测模型进行自回归预测的模型训练，确定目标损失值，包括：
对于每一个第二数据序列：
利用所述嵌入层以及所述第二数据序列中的第二三元组数据进行数据编码处理，确定各个所述第二三元组数据对应的目标编码数据；
将所述目标编码数据输入所述特征融合层进行特征融合处理，确定所述特征融合层输出的隐状态数据，所述隐状态数据用于反映所述第二三元组数据的客户画像数据、有效触达数据以及触达反馈数据之间的相关性；
将各个所述隐状态数据输入至所述预测层进行自回归预测，确定所述预测层输出预测结果，所述预测结果至少包括预测得到的第二数据序列的有效触达序列，所述有效触达序列用于反映各个所述第二三元组数据对应的预测触达动作；
根据预设的交叉熵损失函数以及各个客户的预测结果，确定目标损失值。
在一种可行实现方式中，所述利用所述嵌入层以及所述第二数据序列中的第二三元组数据进行数据编码处理，确定各个所述第二三元组数据对应的目标编码数据，包括：
遍历所述第二数据序列，对于遍历到的每个第二三元组数据：
基于所述嵌入层中预设的线性变换函数，对所述第二三元组数据中的有效触达数据以及触达反馈数据进行线性变换编码处理，得到所述有效触达数据的第一编码数据以及触达反馈数据的第二编码数据；
基于所述嵌入层中预设的神经网络以及所述客户画像数据进行编码处理，得到第三编码数据；
利用所述第二三元组数据对应的时间窗口以及所述嵌入层中预设编码规则进行时间编码处理，得到所述时间窗口的目标时间片位置编码，所述预设编码规则包括所述第二数据序列包括的各个时间窗口对应的目标时间片位置编码构成等差数列；所述目标编码数据包括所述第二三元组数据的目标时间片位置编码、第一编码数据、第二编码数据以及第三编码数据。
为实现上述目的，本发明第二方面提供一种预测模型的使用方法，所述使用方法包括：
获取待触达客户在当前时间窗口的目标客户画像数据以及预期触达反馈数据，以及所述待触达客户的历史数据序列；所述预期触达反馈数据用于反映预估的所述待触达客户的资产变动的需求；
将所述目标客户画像数据以及预期触达反馈数据添加到所述历史数据序列中，得到待触达客户的目标数据序列；
将所述目标数据序列输入目标预测模型进行自回归预测处理，确定所述目标预测模型输出的待触达客户的目标预测结果；所述目标预测模型是通过如第一方面及任一可行实现方式所述训练方法得到的；
根据所述目标预测结果确定所述待触达客户的目标触达动作标签，所述目标触达动作标签用于反映当前时间窗口所述待触达客户的目标触达动作。
在一种可行实现方式中，所述目标触达动作标签至少包括待触达客户的目标触达渠道、目标触达时间以及目标触达内容；则所述方法之后还包括：
获取当前时间段的目标触达渠道的使用额度数据以及待触达用户的防打扰信息；
根据所述使用额度数据以及所述防打扰信息，确定所述目标触达动作标签的目标分发策略，所述目标分发策略用于反映将所述目标触达时间以及目标触达内容发送至所述目标触达渠道的时机；
基于所述目标分发策略，将所述目标触达时间以及目标触达内容分发至相应的目标触达渠道。
为实现上述目的，本发明第三方面提供一种预测模型的训练装置，所述训练装置包括：
样本采集模块：用于获取各个客户的第一样本集，所述第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，所述第一三元组数据包括所述有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据；所述客户画像数据用于反映所述有效触达时间点的客户境况，所述有效触达数据用于反映有效触达时间点的有效触达动作，所述触达反馈数据用于反映所述有效触达动作执行后客户资产的真实变动情况；
序列生成模块：用于利用预设时间窗口长度、所述有效触达时间点以及所述第一样本集进行数据汇总处理，确定各个客户的第一数据序列，所述第一数据序列包括各个时间窗口的第二三元组数据，所述第二三元组数据包括所述时间窗口中的有效触达时间点对应的第一三元组数据；
模型训练模块：用于利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值；
模型确定模块：用于根据所述目标损失值以及所述第一预测模型的模型参数进行模型参数的更新处理，确定更新所述模型参数后的第二预测模型，并将所述第二预测模型作为所述第一预测模型，返回执行所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值的步骤，直至所述目标损失值满足预设的收敛条件，得到训练完成的目标预测模型。
为实现上述目的，本发明第四方面提供一种预测模型的使用装置，所述使用装置包括：
数据获取模块：用于获取待触达客户在当前时间窗口的目标客户画像数据以及预期触达反馈数据，以及所述待触达客户的历史数据序列；所述预期触达反馈数据用于反映预估的所述待触达客户的资产变动的需求；
序列确定模块：用于将所述目标客户画像数据以及预期触达反馈数据添加到所述历史数据序列中，得到待触达客户的目标数据序列；
结果预测模块：用于将所述目标数据序列输入目标预测模型进行自回归预测处理，确定所述目标预测模型输出的待触达客户的目标预测结果；所述目标预测模型是通过如第一方面及任一可行实现方式所述训练方法得到的；
计划确定模块：用于根据所述目标预测结果确定所述待触达客户的目标触达动作标签，所述目标触达动作标签用于反映当前时间窗口所述待触达客户的目标触达动作。
为实现上述目的，本发明第五方面提供一种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，使得所述处理器执行如第一方面及任一可行实现方式所示步骤，或者第二方面及任一可行实现方式所示步骤。
为实现上述目的，本发明第四方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及任一可行实现方式所示步骤，或者第二方面及任一可行实现方式所示步骤。
采用本发明实施例，具有如下有益效果：
本发明提供一种预测模型的训练方法，训练方法包括：获取各个客户的第一样本集，第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，第一三元组数据包括有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据；客户画像数据用于反映有效触达时间点的客户境况，有效触达数据用于反映有效触达时间点的有效触达动作，触达反馈数据用于反映有效触达动作执行后客户资产的真实变动情况；利用预设时间窗口长度、有效触达时间点以及第一样本集进行数据汇总处理，确定各个客户的第一数据序列，第一数据序列包括各个时间窗口的第二三元组数据，第二三元组数据包括时间窗口中的有效触达时间点对应的第一三元组数据；利用第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值；根据目标损失值以及第一预测模型的模型参数进行模型参数的更新处理，确定更新模型参数后的第二预测模型，并将第二预测模型作为第一预测模型，返回执行利用第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值的步骤，直至目标损失值满足预设的收敛条件，得到训练完成的目标预测模型。
通过上述方式，可以基于有效触达时间点记录的客户画像数据与画像标签、有效触达数据与有效触达标签以及触达反馈数据与反馈标签构成的三元组数据对第一预测模型进行自回归的模型训练，得到目标预测模型，使得该目标预测模型可以进行自回归的触达动作预测，由于目标预测模型是通过历史有效触达的样本集训练得到的，其输出的预测结果是成功率较高的触达动作，相比全渠道的触达，不仅可以提高触达效率和效果，还降低渠道成本，减少资源浪费。
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。
其中：
图1为本发明实施例中一种预测模型的训练方法的流程图；
图2为本发明实施例中一种预测模型的训练过程的处理流程的示意图；
图3为本发明实施例中一种预测模型的嵌入层的处理流程的示意图；
图4为本发明实施例中一种预测模型的使用方法的流程图；
图5为本发明实施例中一种预测模型的使用过程的处理流程的流程图；
图6为本发明实施例中一种预测模型的训练装置的结构框图；
图7为本发明实施例中一种预测模型的使用装置的结构框图；
图8为本发明实施例中计算机设备的结构框图。
具体实施方式
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作出创造性劳动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。
需要说明的是，本申请一种预测模型的训练方法或使用方法既可以应用于终端，也可以应用于服务器，终端具体可以是台式终端或移动终端，移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。且训练方法或使用方法的服务器或终端或不同，本实施例以应用于同一个服务器举例说明。也即，服务器先进行预测模型的训练，再使用训练完成的目标预测模型进行触达动作预测。
请参阅图1，图1为本发明实施例中一种预测模型的训练方法的流程图，如图1所示方法包括如下步骤：
101、获取各个客户的第一样本集，所述第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，所述第一三元组数据包括所述有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据；
需要说明的是，由于数据库中需要触达的客户众多，不同的客户有不同的特性，不同特性处于不同的客户群体（简称客群），不同的客群应该选择什么渠道去触达更为有效，不同的客群有不同的特征和需求，如年龄、性别、收入、教育程度等，不同的渠道也有不同的特点和功能，如覆盖范围、互动性、成本等。这些都是触达动作要平衡和考虑的问题。
为了实现不同的客户或客户群体和渠道属性更加匹配，使得预测模型输出的触达计划更贴近客户特性，实现更轻易的成功触达，优化触达策略。本申请通过三类数据对预测模型进行训练。具体的，获取各个客户的第一样本集，其中，第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，也即每每实现一次有效触达就会记录下一笔有效触达的数据，该有效触达的数据包括有效触达时间点下的客户画像数据与画像标签的对应关系、有效触达数据与触达动作标签的对应关系以及触达反馈数据与反馈标签的对应关系。其中，有效触达的数据以三元组的形式存储，也即每每实现一次有效触达就会记录下一笔有效触达的数据的第一三元组数据，即第一三元组数据包括有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据。
其中，客户画像数据用于反映在有效触达时间点的客户境况，画像标签用于反映客户所属客群，画像标签可以基于不同客户的财富增长需求或者理财需求进行设置，比如画像标签包括私行客户、财富客户、稳健客户等等；有效触达数据用于反映在有效触达时间点的有效触达动作，触达动作标签用于反映触达动作，触达动作标签可以包括触达时间、触达渠道以及触达内容；触达反馈数据用于反映有效触达动作执行后客户资产的真实变动情况，反馈标签用于反映客户资产变动类型，反馈标签包括资产增长标签、资产稳定标签或资产下降标签。
触达动作分为有效触达动作和无效触达动作，有效触客意味着触达动作是有效的，有效的触达动作例如在某一时间拨打客户的电话进行触达，而该客户接听了这通电话；或者给客户发送短信进行触达，而短信的发送结果是发送成功；或者通过任意一种触达渠道对用户进行触达，且触达成功。无效的触达动作意味着触达动作是无效的，比如电话未接通、短信发送失败等等。触达动作包括但不限于触达渠道、触达时间以及触达内容。
触达渠道包括但不限于传统的线下网点以及电话等渠道，还包括线上的网站、APP、微信、小程序、企业微信等等可以与用户进行交互的客户端，本申请在此举例不作限定。触达内容包括但不限于各种金融营销或推广信息，而触达时间也即通过触达渠道向客户端发送上述触达内容的时间，以使客户可以通过客户端接收触达内容，进而如果客户端返回了客户的交互反馈是客户接通电话、短信发送成功或点击了触达内容链接等等成功触达反馈，则可以认为此次触达动作就是有效触达动作，进而有效触达时间点就是该有效触达动作的触达时间。反之如果客户端返回了客户的交互反馈是客户没有接通电话等等失败触达反馈，则可以认为此次触达动作就是无效触达动作。可以理解的是客户与客户端一一对应，每个客户具有唯一的客户标识，可以通过不同的客户标识区别各个客户的客户端。
示例性的，通过指从银行服务器的内部和外部（与服务器建立连接的其他端，例如其他服务器、终端或客户端）获取各种类型和来源的数据，并进行清洗、整合、标注等处理，构建一个包含各个有效触达时间点下的客户时点状态（客户画像数据）、时点触达动作（有效触达数据）以及资产变化奖励（触达反馈数据）的时间序列数据集，形成类似（奖励R，状态S，动作A）三元组结构。
其中，客户时点状态（也即客户画像数据）主要包括三部分数据，分别为表征客户内在的状态、外部环境状态以及时间状态的数据，示例性的三类数据可以参考以下示例：
（1）表征客户内在状态的数据主要由客户时点画像特征来描述，包含但不限于客户在某个时点上的基本信息和属性，如年龄、性别、职业、收入、教育程度、婚姻状况、客户等级、客户资产数量、客群标识、产品持有，以及客户在某个时点上的需求和偏好，如理财目标、风险偏好、产品偏好等。客户画像的数据维度众多，这里不逐一列举，选取可以尽量多元化。
并且，除了客户时点画像数据外，客户状态数据同时包含了一些发生和即将发生的关键事件，比如客户在本周发生的页面点击事件，转账行为，产品购买行为等，客户下周生日，预约的大额取现，报名的线下沙龙举办等。关键事件可以预先在服务器中进行配置，以采集客户产生的关键事件。示例性的，上述的这些特征可以从银行内部系统的标签中台、营销中台以及触达渠道的埋点数据采集加工得到。
（2）表征客户外部状态的数据主要由行内利率，竞对利差，宏观经济指数，股市指数等构成，比如当前时点的活期利率，贷款利率，GDP，CPI，PPI，M2货币供应, 汇率，沪深300，恒生指数，道琼斯指数等。这些指标描述行外所处的宏观经济的表现。
（3）表征客户的时间状态的数据主要描述当前客户数据所处的时间节点，比如当前状态的日期，当前状态是当月第几周，当前状态的这周发生的重要节假日，下周要发生的重大节假日等。
其中，时点触达动作（也即有效触达数据）是指银行针对某一位客户在某个时点上，使用某一个渠道的主动营销触达动作结果，主要包含客户触达渠道的类型，触达客户的主要动机，例如短信渠道是活动邀约短信、理财产品推荐短信或者积分兑换短信等动机，电销渠道是基金产品电话销售、理财产品电话销售或者网点活动电话邀约等动机，手机银行渠道是基金收益推送（PUSH），权益兑换推送（PUSH），便民服务推送（PUSH）等等动机。这些结果可以从银行内部系统的大数据平台或者外部的触达渠道系统中获取，在此不作限定。其中，全行有记录的主动客户触达动作进行统一分类并全部做离散化处理，形成一张时点触达动作Token表。其中，采取的触客动作中有一个非常特殊的动作，就是等待动作（Wait），意味着在下一个时间片段内什么动作都不做。时点触达动作一般是指有效触达，比如客户已经接通了电话并持续了几秒。但多数渠道可能区分不出是否有效，比如短信，企微渠道，因此可以统一近似认为是有效触达的。
其中，资产变化奖励（也即触达反馈数据）反映的是在某个时点的状态下采用了某个触达动作后的一段时间内的资产累计变动情况。奖励值为正数时表示采取该动作后，未来在该客户资产得到提升上，奖励值为负数时表示取该动作后，未来在该客户资产出现了下降。奖励数据的作用主要是让模型建立起状态数据（S），动作（A）和奖励值（R）自己的相关性联系，并最终在模型使用过程中能通过奖励值的大小去影响动作序列的输出。以此使得模组识别出那些对客户资产有提升的动作序列。
奖励值通过奖励函数计算得到，其中，奖励值来引导本申请的预测模型产生客户资产提升结果的高概率动作，本申请中的奖励函数的综合考虑了引导资产提升的金额、质量、触客成本以及客户体验等因素。奖励函数的公式如下：
公式中分别代表了客户资产评分、触达渠道成本以及客户体验评分，/>、/>以及/>为平衡权重参数，用于调节这三部分的占比大小，/>、/>以及/>分别代表发送单条短信、APP消息以及外呼一次电话的成本。其中，/>计算公式如下所示：
=
公式中、/>、/>以及/>分别代表时间窗口内的（例如一个月内）活期存款金额变动、定期存款金额变动、理财产品金额变动以及保险产品金额变动；/>、/>、/>以及/>均为权重因子，用于调节AUM各类资产的比重。/>为折扣因子，在时间窗口内，时间点越往后，折扣因子越小，产生的效果主要是让时间越靠后的资产变动对当前触达动作的作用越小。
为阶梯函数，/>分别为过往时间窗口内累计的发送的短信、APP消息以及电话的营销次数，单个客户触达的次数越多，客户的体验越差，本申请为不同资产等级或者客群设置不同的阶梯函数，该阶梯函数的自变量为触达次数，因变量为反向客户体验。
需要说明的是，可以在有效触达产生的时候，采集有效时间点下的上述列举数据，并按照有效触达时间点的时间顺序以三元组的形式一一存储在预设数据库中，进而得到每一个客户对应的第一样本集，该第一样本集也可以看做客户的有效触达数据集。其中，有效触达时间点可以为年、月、日，在此不作限定，本申请以有效触达时间点的计量单位为天进行举例，比如某一天实现了有效触达，则记录这一天的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签。其中，第一样本集的数据长度可以为一年、一个季度或者一个月的数据，也即每个客户可以包括360个第一三元组数据、90个第一三元组数据或者30个第一三元组数据，在此举例不作限定。
102、利用预设时间窗口长度、所述有效触达时间点以及所述第一样本集进行数据汇总处理，确定各个客户的第一数据序列；
进一步的，为了得到可以预测一段时间长度的触达动作的预测模型，在得到客户在各个有效触达时间点下的三元组数据之后，需要对第一数据样本集进行数据整理，具体的，利用预设时间窗口长度、所述有效触达时间点以及所述第一样本集进行数据汇总处理，确定各个客户的第一数据序列，其中，预设时间窗口长度用于指示触达动作序列的数据长度。比如，记录的有效触达时间点是以天为计量单位，那么该预设时间窗口长度可以为多天，比如是一周或一个月对应的天数。本申请以预设时间窗口长度为5天为例进行说明，第一数据序列则包括以5天为数据长度的第一三元组数据的集合，比如，客户1的第一样本集1包括的有效触达时间点有【第1天、第2天、第3天……第15天】，那么第一样本集1包括的第一三元组数据为【（SD1,AD1,RD1）、（SD2,AD2,RD2）…（SD15,AD15,RD15）】，其中， S为客户画像数据，A为有效触达数据，R为触达反馈数据，D为有效触达时间点，客户1对应的第一数据序列1则包括{【（SD1,AD1,RD1）、（SD2,AD2,RD2）…（SD5,AD5,RD5）】，【（SD6,AD6,RD6）…（SD10,AD10,RD10）】，【（SD11,AD11,RD11）…（SD15,AD15,RD15）】}。也即第一数据序列包括各个时间窗口的第二三元组数据，例如第二三元组数据可以为时间窗口D1至D5对应的【（SD1,AD1,RD1）、（SD2,AD2,RD2）…（SD5,AD5,RD5）】，即第二三元组数据包括时间窗口中的有效触达时间点对应的各个第一三元组数据，其中，时间窗口由预设时间窗口长度得到，具体可以按照预设时间窗口长度对所有的有效触达时间点进行划分得到。可以理解的是，各个有效触达时间点之间具有时间上的先后关系，但是各个有效触达时间点不一定具有等差的先后关系，因此，上述有效触达时间点的先后顺序以等差关系进行举例，仅仅用于说明先后关系，而本申请中有效触达时间点的时间先后关系，可以是等差的也可以是不等差的，在此不作限定。
103、利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值；
进一步的，得到第一数据序列之后，便可以利用各个客户的第一数据序列预设的预测模型进行训练，具体的，利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值，其中，第一预测模型为初始预测模型。比如，将各个客户的第一数据序列依次输入第一预测模型得到各个第一数据序列的初步预测结果，并根据该初步预测结果确定第一预测模型的目标损失值。其中，第一预测模型可以为强化学习任务模型、有监督多分类任务模型和时间序列自回归预测任务模型中的至少一种。
示例性的，强化学习任务模型是将客户触达动作预测任务转化为在线强化学习任务（Online Reinforcement Learning），通过部署Agent和现实环境进行互动，收集客户环境和奖励数据，通过不断模型训练和策略优化，产生能够输出客户触达动作的任务模型；有监督多分类任务模型是将客户触达动作预测任务转化有监督的多分类问题，收集数据集中客户资产成功提升的优质客户时间窗口内的状态和动作数据作为X数据，以时间窗口内最后发生的动作做为Y标签数据，训练一个多分类模型；时间序列自回归预测任务模型是指客户触达动作预测任务转化时间序列自回归预测，以一定时间窗口里的三元组（S，A，R）数据，预测下一个时间窗口内的要发生的动作。
进一步的，本申请中第一数据序列为长时间序列，为了提高长时间序列的预测效果，本申请以时间序列自回归预测任务模型为例进行说明，在一种可行实现方式中，步骤103可以包括步骤I01至I02：
I01、按照预设的随机抽取规则，对所有客户的第一数据序列进行随机抽取，得到随机抽取到的第二数据序列，所述第二数据序列的总个数不高于所述第一数据序列的总个数；
I02、将所述第二数据序列输入所述第一预测模型进行自回归预测的模型训练，确定目标损失值。
需要说明的是，为了提高训练速度，可以从所有客户的第一数据序列中抽取出部分的第二数据序列进行预测模型的训练，其中，第二数据序列的个数可以根据训练终端服务器的显存大小决定，原则是越大越好。举例来说步骤I01，假设存在N个客户的第一数据序列，随机抽取的个数设置为M个，那么需要在N个第一数据序列中抽取出M个第一数据序列，进而抽取到的第一数据序列可以看做第二数据序列，因此，第二数据序列的总个数为M个，其中，M小于等于N，即第二数据序列的总个数不高于第一数据序列的总个数，第二数据序列也即要输入第一预测模型进行模型训练的数据序列。
在一种可行实现方式中，第一预测模型可以为时间序列自回归预测任务模型，建模过程可以采用序列到序列模型（seq2seq model），例如RNN、GRU、LSTM和Transformer及其变体，其中考虑到transformer模型在长序列数据上的出色表现，本申请使用Transformer作为第一预测模型的主要框架，第一预测模型的主要构成可以参考图2的示例，图2为本发明实施例中一种预测模型的训练过程的处理流程的示意图，如图2所示的第一预测模型至少包括嵌入层（Embedding block）、特征融合层（Transformer）以及预测层（predicthead），其中，对于每一个第二数据序列，第一预测模型均会进行相同的处理过程，也即步骤I02可以通过下述步骤U01至U04的步骤处理第二数据序列，也即步骤I02可以包括下述步骤U01至U04：
U01、利用所述嵌入层以及所述第二数据序列中的第二三元组数据进行数据编码处理，确定各个所述第二三元组数据对应的目标编码数据；
继续参考图2，图2中嵌入层、特征融合层以及预测层依次连接，图2中第二数据序列【…{Rt-2,St-2,At-2}{Rt-1,St-1,At-1}{Rt,St,At}】,首先输入嵌入层进行编码，编码后的数据输入到特征融合层进行特征提取与融合，之后将融合的数据输入到预测层进行预测，最后基于预测结果的损失决定模型是否结束训练。其中，预测结果包括【…{At-2}{At-1}{At}】。其中，At-2为时间窗口t-2包括的有效触达时间点的触达动作预测结果；At-1为时间窗口t-1包括的有效触达时间点的触达动作预测结果；At-2为时间窗口t包括的有效触达时间点的触达动作预测结果。
具体的，先通过步骤U01利用所述嵌入层以及所述第二数据序列中的第二三元组数据进行数据编码处理，确定各个所述第二三元组数据对应的目标编码数据，其中，嵌入层主要由动作嵌入模块、奖励嵌入模块、状态嵌入模块以及时间位置编码模块（positionaltimestep encoding）构成，可以参考图3，图3为本发明实施例中一种预测模型的嵌入层的处理流程的示意图，其中，动作嵌入模块（Action Embedding block）、奖励嵌入模块（Reward Embedding block），状态嵌入模块（State Embedding block）分别负责有效触达数据、触达反馈数据以及客户画像数据的嵌入化操作，时间位置编码模块（positionaltimestep encoding）负责时间窗口的编码操作。
继续以图3为例，其中，步骤U01具体可以包括步骤W01至W04：
W01、遍历所述第二数据序列，对于遍历到的每个第二三元组数据执行下述步骤W02至W04：
W02、基于所述嵌入层中预设的线性变换函数，对所述第二三元组数据中的有效触达数据以及触达反馈数据进行线性变换编码处理，得到所述有效触达数据的第一编码数据以及触达反馈数据的第二编码数据；
W03、基于所述嵌入层中预设的神经网络以及所述客户画像数据进行编码处理，得到第三编码数据；
W04、利用所述第二三元组数据对应的时间窗口以及所述嵌入层中预设编码规则进行时间编码处理，得到所述时间窗口的目标时间片位置编码，所述预设编码规则包括所述第二数据序列包括的各个时间窗口对应的目标时间片位置编码构成等差数列；所述目标编码数据包括所述第二三元组数据的目标时间片位置编码、第一编码数据、第二编码数据以及第三编码数据。
需要说明的是，Embedding block由动作嵌入模块、奖励嵌入模块、状态嵌入模块以及时间位置编码模块构成，它们分别负责有效触达数据、触达反馈数据、客户画像数据以及时间窗口的嵌入化操作，其中，有效触达数据与触达反馈数据可以通过简单线性变化完成，故通过步骤W02进行编码处理，得到第一编码数据以及第二编码数据。
由于状态数据也即客户画像数据的维度较多，需要通过一个额外的神经网络进行编码，故通过步骤W03进行编码处理，得到第三编码数据。其中，有效触达数据、触达反馈数据以及客户画像数据以及时间窗口形成的Token需要各个维度上大小对齐。
进一步的，模型训练过程中使用GPT模型类似的因果自注意掩码（causal self-attention mask）。每个Token加上每个时间片（时间窗口）上的时间片位置编码（positional timestep encoding），位置编码里是数据由步长为1，起始值为随机值的等差数列构成。也即通过步骤W04实现各个时间窗口的编码，得到目标时间片位置编码。
可以理解的是，对于遍历到的每个第二数据序列重复步骤W01至W04，以此得到各个第二数据序列的目标编码数据。
进一步的，在做动作Action编码也即有效触达数据的编码处理时，时间窗口的窗口过大会出现在这个时间窗口内发生多种触达动作，比如时间窗口是5天，那么在这5天内，可能既给这个客户发短信，又给这个客户打了电话，甚至上门做了面访等等。因此此时不能通过简单的线性变换函数来编码有效触达数据，需要配合一个额外编码策略。
具体的：如果在这个时间窗口内仅发生了一种成功触达动作，通过embedding得到这个动作的向量值（编码数据）；也即通过步骤W02进行编码。
如果不止一种，可以使用以下某个额外编码策略来获得这个时间窗口内的多种动作编码，其中，额外编码策略包括但不能限于MAX策略、Close策略、SUM策略以及Weight_SUM策略。
示例性的，MAX策略:是通过选取策划触达效果，或者触达成本最高的一个动作作为这个时间窗口的唯一动作，进而通过步骤W02进行编码。
Close策略：是通过选取最靠近现在时刻的动作作为这个时间窗口的唯一动作，也即有效触达时间点最晚的，进而通过步骤W02进行编码。
SUM策略：是将多种触达动作分别通过步骤W02进行编码，进而将多种触达动作的embeding 向量求和，例如[1,1,1]+[2,2,2]= [3,3,3]。
Weight_SUM策略：是将统计触达动作发生的次数乘上embedding向量后求和，例如2次*[1,1,1]+1次*[2,2,2]= [4,4,4]。触达动作发生的次数也即同种触达动作的统计值。
U02、将所述目标编码数据输入所述特征融合层进行特征融合处理，确定所述特征融合层输出的隐状态数据，所述隐状态数据用于反映所述第二三元组数据的客户画像数据、有效触达数据以及触达反馈数据之间的相关性；
进一步的，Transformer作为模型的主干网络，Transformer主干网络负责特征信息融合和特征提取，Transformer架构的参数例如模型的层数，Token的维度，Head的个数，FF的维度可以根据模型训练结果进行调优。具体的，将目标编码数据输入所述特征融合层进行特征融合处理，确定所述特征融合层输出的隐状态数据，其中隐状态数据为Transforme模型最后一层的输出，隐状态（hidden_state）一般是指经过网络多层编码后的数据，隐状态数据用于反映所述第二三元组数据的客户画像数据、有效触达数据以及触达反馈数据之间的相关性，进而使得预测可以通过相关性，对触达动作进行预测。示例性的，特征融合是指通过多个特征数据计算得到一个新的特征变量放到下一层的模型输入中，比如A=0.4A1+0.3S1+0.01R1，其中，A1，S1，R1为一个三元组数据。
U03、将各个所述隐状态数据输入至所述预测层进行自回归预测，确定所述预测层输出预测结果，所述预测结果至少包括预测得到的第二数据序列的有效触达序列，所述有效触达序列用于反映各个所述第二三元组数据对应的预测触达动作；
U04、根据预设的交叉熵损失函数以及各个客户的预测结果，确定目标损失值。
其中，预测层的预测头（Predict head）由Linear＋Tanh激活函数构成，预测头使用Transformer主干网络最后一层的隐状态数据作为输入，输出的是触达动作的概率分布。由于预测的动作是离散的数据，使用交叉熵损失函数（cross-entropy loss）来训练整个网络模型，也即第一预测模型。
需要说明的是，关于输入模型序列的长度，过往的历史数据窗口应尽量长一些，这里采用了过往一年内的三元组数据，奖励值R的数据统计时间窗口设置为三个月，即统计触达动作后三个月内资产变化的情况，作为有效触达时间点的奖励。
104、根据所述目标损失值以及所述第一预测模型的模型参数进行模型参数的更新处理，确定更新所述模型参数后的第二预测模型，并将所述第二预测模型作为所述第一预测模型，返回执行所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值的步骤，直至所述目标损失值满足预设的收敛条件，得到训练完成的目标预测模型。
模型训练过程输入的是一个批次的三元组数据张量数据，数据的维度是（batch_size, window_size, 3, embed_size），输出的数据不在是三元组数据，它只包含触达动作数据（R），其中，模型预测动作是一个个输出的，训练的过程就是让预测输出的动作和真实的采取的动作尽可能的一样。直至模型的目标损失值（loss值）收敛不在继续下降为止，则得到训练完成的目标预测模型，losss值通过交叉熵函数来计算，反之如果没有收敛，则需要优化第一预测模型，具体的，根据所述目标损失值以及所述第一预测模型的模型参数进行模型参数的更新处理，确定更新所述模型参数后的第二预测模型，并将所述第二预测模型作为所述第一预测模型，继续使用优化后的第一预测模型（也即第二预测模型）进行模型训练。
本发明提供一种预测模型的训练方法，通过上述方式，可以基于有效触达时间点记录的客户画像数据与画像标签、有效触达数据与有效触达标签以及触达反馈数据与反馈标签构成的三元组数据对第一预测模型进行自回归的模型训练，得到目标预测模型，使得该目标预测模型可以进行自回归的触达动作预测，由于目标预测模型是通过历史有效触达的样本集训练得到的，其输出的预测结果是成功率较高的触达动作，相比全渠道的触达，不仅可以提高触达效率和效果，还降低渠道成本，减少资源浪费。并且，第一数据序列包括各个时间窗口的第二三元组数据，通过第一数据序列进行预测模型的训练，输出的预测结果为时间窗口对应的触达动作序列，也即可以输出一段时间内的触达动作。而通过随机抽取的方式得到第二数据序列，还可以提升模型训练速度。
请参阅图4，图4为本发明实施例中一种预测模型的使用方法的流程图，如图4所示使用方法包括如下步骤：
401、获取待触达客户在当前时间窗口的目标客户画像数据以及预期触达反馈数据，以及所述待触达客户的历史数据序列；所述预期触达反馈数据用于反映预估的所述待触达客户的资产变动的需求；
需要说明的是，模型训练完成会冻结参数，得到目标预测模型，该目标预测模型便可以用来预测每一个客户下一个时间片段下应该采取什么营销动作。也即下一个时间窗口的触达动作序列。进一步的，由于目标预测模型是以一定时间窗口里的三元组（S，A，R）数据，预测下一个时间窗口内的要发生的触达动作的自回归预测模型，因此需要得到下一个时间窗口下待触达客户的目标客户画像数据以及预期触达反馈数据，也即获取待触达客户在当前时间窗口的目标客户画像数据以及预期触达反馈数据，以及所述待触达客户的历史数据序列，其中，历史数据序列可以为待触达客户的第一数据序列。
并且，在推理阶段，由于无法获取真实的奖励值，这里使用资产提升估计值来替代真实值，估计值可以使用客户所在客群内的，未来3个月内的客户可提升的资产的平均悲观估计，平均中位值和平均乐观值来代替，也可以采用单个客户资产提升任务额度来代替。使得目标预测模型将会根据资产提升额度和幅度输出相应的保守和积极的营销动作。例如需要达成近期客户大幅的入金，需要高频的电话沟通和现场面谈，维持目前客户当前的资产水平，只需要每周推送一条APP理财消息。故预期触达反馈数据用于反映预估的所述待触达客户的资产变动的需求。可以理解的是，待触达客户是当前时间下还没有进行触达的客户，其中，当前时间窗口的长度等于上述预设时间窗口长度。
402、将所述目标客户画像数据以及预期触达反馈数据添加到所述历史数据序列中，得到待触达客户的目标数据序列；
403、将所述目标数据序列输入目标预测模型进行自回归预测处理，确定所述目标预测模型输出的待触达客户的目标预测结果；
404、根据所述目标预测结果确定所述待触达客户的目标触达动作标签，所述目标触达动作标签用于反映当前时间窗口所述待触达客户的目标触达动作。
进一步的，由于目标预测模型是以一定时间窗口里的三元组（S，A，R）数据，预测下一个时间窗口内的要发生的触达动作的自回归预测模型，因此模型输入依然是一个三元组序列，但最后一组三元组会比较特殊，它只会包括（预期触达反馈数据R，目标客户画像数据S）的值，其中，预期触达反馈数据R值需要去设置和调节。这个R值相当于一个滑竿，可以在三档（悲观，平均，乐观）之间去调节，让模型去输出一些保守或者激进的营销动作。至于具体值是多少，要根据模型训练时使用的客户历史数据提前计算好。然后模型使用者再参考这个三档的数值以及我们估计的预期触达反馈数据去给出。使得通过步骤403进行预测时，该R值可以影响目标预测结果，目标预测结果也即输出的触达动作序列。需要说明的是，目标预测模型是通过如图1所示训练方法得到的，即本申请的训练方法得到的；其中，可以参阅图5，图5为本发明实施例中一种预测模型的使用过程的处理流程的流程图。如图5所示目标数据序列501被输入到目标预测模型中，其中，目标数据序列501包括过往时间窗口t-n至t-1的数据以及当前时间窗口t对应的数据。其中，过往时间窗口t-n至t-1的数据是均已知的数据，而当前时间窗口t对应的数据是触达数据未知的数据，即当前时间窗口t对应的数据仅仅包括目标画像数据St以及预期触达反馈数据RT，因此，目标预测模型看可以通过以往的已知数据来预测当前的未知数据，得到可能的概率分布，并通过预期触达反馈数据RT影响最后的输出，也即目标预测结果At，使得At是满足预期触达反馈数据RT的触达动作序列，该触达动作序列包括触达动作标签与概率的对应关系。进而可以通过步骤403得到上述触达动作标签作为目标触达动作标签。
其中，目标触达动作标签包括触达时间、触达渠道以及触达内容，因此可以看做客户触达计划，触达动作标签是客户粒度的，触达时间粒度跟前期的训练方案的预设时间窗口长度的选择有关系，以预设时间窗口长度为5天，有效触达时间点也即样本数据的采集频率为1天为例，模型最终的输出客户的客户触达计划的一种可行示例如下表1中所示，其中：
表1
需要说明的是，表1中客户类型为客户标签，不同客户类型代表不同客群，比1中的触达时间包括Day1至Day5；触达渠道包括电话、短信、APP PUSH（客户端推送）、AI外呼（人工智能外呼）及企微；触达内容包括沙龙活动邀约、活动提醒、私募产品销售、资产达标抽奖活动、刷卡立减活动、理财产品推荐及网点活动邀约。以及触达动作：等待。
在一种可行实现方式中，目标触达动作标签至少包括待触达客户的目标触达渠道、目标触达时间以及目标触达内容；则可以通过不同待触达客户的习惯、不同触达渠道的资源占用情况进一步的协调各个触达渠道，故所述方法之后还包括步骤F01至F03：
F01、获取当前时间段的目标触达渠道的使用额度数据以及待触达用户的防打扰信息；
F02、根据所述使用额度数据以及所述防打扰信息，确定所述目标触达动作标签的目标分发策略，所述目标分发策略用于反映将所述目标触达时间以及目标触达内容发送至所述目标触达渠道的时机；
F03、基于所述目标分发策略，将所述目标触达时间以及目标触达内容分发至相应的目标触达渠道。
需要说明的是，待触达客户可以在各个的触达渠道中预先设置防打扰规则，且服务器中还记录了触达渠道的使用额度数据，比如带宽、成本等资源的已使用情况，进而可以利用步骤F01根据目标触达动作标签中的目标触达渠道得到目标触达渠道的使用额度数据，也可以通过待触达客户的客户标识确定待触达客户的防打扰信息，防打扰信息包括各个触达渠道的防打扰规则；进而根据步骤F02根据所述使用额度数据以及所述防打扰信息，确定所述目标触达动作标签的目标分发策略，比如目标触达动作标签中目标触达渠道1的资源已使用过多，且待触达客户在目标触达渠道1的防打扰规则是不接收目标触达渠道1的信息，因此，此时目标分发策略可以包括不下发目标触达渠道1对应的目标触达内容1以及目标触达时间1；或者客户在目标触达渠道1的防打扰规则是接收目标触达渠道1的信息，但是目标触达动作标签中目标触达渠道1的资源已使用过多，此时继续出大会增加资源损耗，比如带宽占用和成本增加，进而可以暂时取消此次的触达。自后。通过步骤F03进行分发，可以理解是，如果一切正常，则目标分发策略可以是将数据即刻发送给目标渠道，使得渠道按照触达动作的触达时间和触达内容进行客户触达。
示例性的，将模型输出地预测结果与外围系统（如营销平台，标签平台，触达渠道等）进行整合，并根据预设地策略配置（如优先级设置），渠道剩余使用的额度，进行优化和协调，实现多波次多渠道协同营销。同时还要收集反馈信息（如用户反馈），并根据反馈结果进行动态调整（如更新参数），提高模型性能和营销效果。比如将模型整合成后台系统构建成客户触达规划系统，并将同行内的标签平台、营销平台以及各类渠道通过文件接口与客户触达规划系统打通。行内通过将本季度的各个客群的提升规模拆分到单个客户，结合客户当前的画像和外部环境，输出行内全部客户的下个时间片区内（当前时间窗口）的应该采取的营销触达动作，筛选出触达动作不是等待动作（wait）的客户。将全量的客户ID，下发渠道，动作类型输出给营销中台，营销中台最终根据各个渠道的使用额度，客户的防打扰规则将名单下发到各个渠道进行执行。执行的最终的结果回流到大数据平台，回流的数据作为下一轮预测的输入值，如此反复下去。
因此，本发明能够根据客户自身的特点，如年龄、性别、收入、教育程度、消费习惯等，以及外部的环境变化，如宏观经济环境，市场行情、竞争对手等，综合分析客户的需求和偏好，并将客户资产提升金额作为触达计划的前置条件，自动产出客户粒度的营销触达计划。且能够根据行内营销预算以及各种渠道触达成本，优化触达频率和间隔，并根据客户免打扰策略和法律法规限制，合理选择触达渠道和内容，实现客户资产有效提升。又可实现多波次多渠道协同营销，通过建立统一流量分发与管理平台以及统一沟通机制，实现不同渠道之间数据共享和反馈收集，并根据反馈结果进行动态调整，提高触达效果和客户体验。且本发明能够实现营销活动，金融产品的推荐，通过利用大数据分析方法进行客户画像，在合适的时点向客户推荐适合他们需求和偏好地活动产品，并根据活动产品地特征和功能选择合适地触达方式。本发明实现的触达渠道规划和自动化协同系统也可以作为营销中台系统的子系统，实现重要功能增强。
本发明提供一种预测模型的使用方法，通过目标预测模型可以实现不同客户的个性化触达，使得在海量的客户数据中，不仅可以识别出那些具有高价值或高潜力的客户，还可以针对他们进行个性化或差异化地营销和运营，使得一些高潜力的价值客户可以有倾向性的重点经营。且目标触达动作标签是一段时间片段下的触达动作计划，使得客户触达有计划进行，优化客户触达的频率和间隔，进而触达渠道的使用额度数据以及客户的防打扰规则，进一步确认目标分发策略，实现在营销效果、成本与客户体验三者间达到最优平衡，防止过于稀疏或者过于频繁地触达客户都会影响营销效果或者造成资源浪费。且考虑到客户免打扰策略以及法律法规限制，根据实际情况进行动态调整，得到更加科学地合理地触达频率和间隔，形成全局的客户触达计划，让多渠道的触达环境下营销效果最大化的同时，触达渠道资源占用的合理性也最大化。且打通了文件接口，减少银行内部系统的信息孤岛现象。
请参阅图6，图6为本发明实施例中一种预测模型的训练装置的结构框图，如图6所示训练装置包括：
样本采集模块601：用于获取各个客户的第一样本集，所述第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，所述第一三元组数据包括所述有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据；所述客户画像数据用于反映所述有效触达时间点的客户境况，所述有效触达数据用于反映有效触达时间点的有效触达动作，所述触达反馈数据用于反映所述有效触达动作执行后客户资产的真实变动情况；
序列生成模块602：用于利用预设时间窗口长度、所述有效触达时间点以及所述第一样本集进行数据汇总处理，确定各个客户的第一数据序列，所述第一数据序列包括各个时间窗口的第二三元组数据，所述第二三元组数据包括所述时间窗口中的有效触达时间点对应的第一三元组数据；
模型训练模块603：用于利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值；
模型确定模块604：用于根据所述目标损失值以及所述第一预测模型的模型参数进行模型参数的更新处理，确定更新所述模型参数后的第二预测模型，并将所述第二预测模型作为所述第一预测模型，返回执行所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值的步骤，直至所述目标损失值满足预设的收敛条件，得到训练完成的目标预测模型。
需要说明的是，图6所示训练装置与图1所示训练方法的内容相似，为避免重复此处不做赘述，具体可参阅图1所示训练方法的内容。
本发明提供一种预测模型的训练装置，通过上述装置，可以基于有效触达时间点记录的客户画像数据与画像标签、有效触达数据与有效触达标签以及触达反馈数据与反馈标签构成的三元组数据对第一预测模型进行自回归的模型训练，得到目标预测模型，使得该目标预测模型可以进行自回归的触达动作预测，由于目标预测模型是通过历史有效触达的样本集训练得到的，其输出的预测结果是成功率较高的触达动作，相比全渠道的触达，不仅可以提高触达效率和效果，还降低渠道成本，减少资源浪费。
请参阅图7，图7为本发明实施例中一种预测模型的使用装置的结构框图，如图7所示使用装置包括：
数据获取模块701：用于获取待触达客户在当前时间窗口的目标客户画像数据以及预期触达反馈数据，以及所述待触达客户的历史数据序列；所述预期触达反馈数据用于反映预估的所述待触达客户的资产变动的需求；
序列确定模块702：用于将所述目标客户画像数据以及预期触达反馈数据添加到所述历史数据序列中，得到待触达客户的目标数据序列；
结果预测模块703：用于将所述目标数据序列输入目标预测模型进行自回归预测处理，确定所述目标预测模型输出的待触达客户的目标预测结果；所述目标预测模型是通过如图1所述训练方法得到的；
计划确定模块704：用于根据所述目标预测结果确定所述待触达客户的目标触达动作标签，所述目标触达动作标签用于反映当前时间窗口所述待触达客户的目标触达动作。
需要说明的是，图7所示使用装置与图4所示使用方法的内容相似，为避免重复此处不做赘述，具体可参阅图4所示使用方法的内容。
本发明提供一种预测模型的使用装置，通过目标预测模型可以实现不同客户的个性化触达，使得在海量的客户数据中，不仅可以识别出那些具有高价值或高潜力的客户，还可以针对他们进行个性化或差异化地营销和运营，使得一些高潜力的价值客户可以有倾向性的重点经营。且目标触达动作标签是一段时间片段下的触达动作计划，使得客户触达有计划进行，优化客户触达的频率和间隔，进而触达渠道的使用额度数据以及客户的防打扰规则，进一步确认目标分发策略，实现在营销效果、成本与客户体验三者间达到最优平衡，防止过于稀疏或者过于频繁地触达客户都会影响营销效果或者造成资源浪费。且考虑到客户免打扰策略以及法律法规限制，根据实际情况进行动态调整，得到更加科学地合理地触达频率和间隔，形成全局的客户触达计划，让多渠道的触达环境下营销效果最大化的同时，触达渠道资源占用的合理性也最大化。且打通了文件接口，减少银行内部系统的信息孤岛现象。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述方法。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如图1或图4所示方法的步骤。
在一个实施例中，提出了一种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，使得所述处理器执行如图1或图4所示方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种预测模型的训练方法，其特征在于，所述训练方法包括：
获取各个客户的第一样本集，所述第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，所述第一三元组数据包括所述有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据；所述客户画像数据用于反映所述有效触达时间点的客户境况，所述有效触达数据用于反映有效触达时间点的有效触达动作，所述触达反馈数据用于反映所述有效触达动作执行后客户资产的真实变动情况；
利用预设时间窗口长度、所述有效触达时间点以及所述第一样本集进行数据汇总处理，确定各个客户的第一数据序列，所述第一数据序列包括各个时间窗口的第二三元组数据，所述第二三元组数据包括所述时间窗口中的有效触达时间点对应的第一三元组数据；
利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值；
根据所述目标损失值以及所述第一预测模型的模型参数进行模型参数的更新处理，确定更新所述模型参数后的第二预测模型，并将所述第二预测模型作为所述第一预测模型，返回执行所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值的步骤，直至所述目标损失值满足预设的收敛条件，得到训练完成的目标预测模型。
2.根据权利要求1所述训练方法，其特征在于，所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值，包括：
按照预设的随机抽取规则，对所有客户的第一数据序列进行随机抽取，得到随机抽取到的第二数据序列，所述第二数据序列的总个数不高于所述第一数据序列的总个数；
将所述第二数据序列输入所述第一预测模型进行自回归预测的模型训练，确定目标损失值。
3.根据权利要求2所述训练方法，其特征在于，所述第一预测模型至少包括嵌入层、特征融合层以及预测层，则所述将所述第二数据序列输入所述第一预测模型进行自回归预测的模型训练，确定目标损失值，包括：
对于每一个第二数据序列：
利用所述嵌入层以及所述第二数据序列中的第二三元组数据进行数据编码处理，确定各个所述第二三元组数据对应的目标编码数据；
将所述目标编码数据输入所述特征融合层进行特征融合处理，确定所述特征融合层输出的隐状态数据，所述隐状态数据用于反映所述第二三元组数据的客户画像数据、有效触达数据以及触达反馈数据之间的相关性；
将各个所述隐状态数据输入至所述预测层进行自回归预测，确定所述预测层输出预测结果，所述预测结果至少包括预测得到的第二数据序列的有效触达序列，所述有效触达序列用于反映各个所述第二三元组数据对应的预测触达动作；
根据预设的交叉熵损失函数以及各个客户的预测结果，确定目标损失值。
4.根据权利要求3所述方法，其特征在于，所述利用所述嵌入层以及所述第二数据序列中的第二三元组数据进行数据编码处理，确定各个所述第二三元组数据对应的目标编码数据，包括：
遍历所述第二数据序列，对于遍历到的每个第二三元组数据：
基于所述嵌入层中预设的线性变换函数，对所述第二三元组数据中的有效触达数据以及触达反馈数据进行线性变换编码处理，得到所述有效触达数据的第一编码数据以及触达反馈数据的第二编码数据；
基于所述嵌入层中预设的神经网络以及所述客户画像数据进行编码处理，得到第三编码数据；
利用所述第二三元组数据对应的时间窗口以及所述嵌入层中预设编码规则进行时间编码处理，得到所述时间窗口的目标时间片位置编码，所述预设编码规则包括所述第二数据序列包括的各个时间窗口对应的目标时间片位置编码构成等差数列；所述目标编码数据包括所述第二三元组数据的目标时间片位置编码、第一编码数据、第二编码数据以及第三编码数据。
5.一种预测模型的使用方法，其特征在于，所述使用方法包括：
获取待触达客户在当前时间窗口的目标客户画像数据以及预期触达反馈数据，以及所述待触达客户的历史数据序列；所述预期触达反馈数据用于反映预估的所述待触达客户的资产变动的需求；
将所述目标客户画像数据以及预期触达反馈数据添加到所述历史数据序列中，得到待触达客户的目标数据序列；
将所述目标数据序列输入目标预测模型进行自回归预测处理，确定所述目标预测模型输出的待触达客户的目标预测结果；所述目标预测模型是通过如权利要求1至4中任一项所述训练方法得到的；
根据所述目标预测结果确定所述待触达客户的目标触达动作标签，所述目标触达动作标签用于反映当前时间窗口所述待触达客户的目标触达动作。
6.根据权利要求5所述使用方法，其特征在于，所述目标触达动作标签至少包括待触达客户的目标触达渠道、目标触达时间以及目标触达内容；则所述方法之后还包括：
获取当前时间段的目标触达渠道的使用额度数据以及待触达用户的防打扰信息；
根据所述使用额度数据以及所述防打扰信息，确定所述目标触达动作标签的目标分发策略，所述目标分发策略用于反映将所述目标触达时间以及目标触达内容发送至所述目标触达渠道的时机；
基于所述目标分发策略，将所述目标触达时间以及目标触达内容分发至相应的目标触达渠道。
7.一种预测模型的训练装置，其特征在于，所述训练装置包括：
样本采集模块：用于获取各个客户的第一样本集，所述第一样本集包括各个有效触达时间点与有效触客的第一三元组数据的对应关系，所述第一三元组数据包括所述有效触达时间点记录的客户画像数据与画像标签、有效触达数据与触达动作标签以及触达反馈数据与反馈标签构成的三元组数据；所述客户画像数据用于反映所述有效触达时间点的客户境况，所述有效触达数据用于反映有效触达时间点的有效触达动作，所述触达反馈数据用于反映所述有效触达动作执行后客户资产的真实变动情况；
序列生成模块：用于利用预设时间窗口长度、所述有效触达时间点以及所述第一样本集进行数据汇总处理，确定各个客户的第一数据序列，所述第一数据序列包括各个时间窗口的第二三元组数据，所述第二三元组数据包括所述时间窗口中的有效触达时间点对应的第一三元组数据；
模型训练模块：用于利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值；
模型确定模块：用于根据所述目标损失值以及所述第一预测模型的模型参数进行模型参数的更新处理，确定更新所述模型参数后的第二预测模型，并将所述第二预测模型作为所述第一预测模型，返回执行所述利用所述第一数据序列以及预设的用于触达动作预测的第一预测模型进行自回归的模型训练，确定目标损失值的步骤，直至所述目标损失值满足预设的收敛条件，得到训练完成的目标预测模型。
8.一种预测模型的使用装置，其特征在于，所述使用装置包括：
数据获取模块：用于获取待触达客户在当前时间窗口的目标客户画像数据以及预期触达反馈数据，以及所述待触达客户的历史数据序列；所述预期触达反馈数据用于反映预估的所述待触达客户的资产变动的需求；
序列确定模块：用于将所述目标客户画像数据以及预期触达反馈数据添加到所述历史数据序列中，得到待触达客户的目标数据序列；
结果预测模块：用于将所述目标数据序列输入目标预测模型进行自回归预测处理，确定所述目标预测模型输出的待触达客户的目标预测结果；所述目标预测模型是通过如权利要求1至4中任一项所述训练方法得到的；
计划确定模块：用于根据所述目标预测结果确定所述待触达客户的目标触达动作标签，所述目标触达动作标签用于反映当前时间窗口所述待触达客户的目标触达动作。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至4或5至6中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至4或5至6中任一项所述方法的步骤。
CN202310724312.6A 2023-06-19 2023-06-19 预测模型的训练方法、使用方法及相关装置 Active CN116468109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310724312.6A CN116468109B (zh) 2023-06-19 2023-06-19 预测模型的训练方法、使用方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310724312.6A CN116468109B (zh) 2023-06-19 2023-06-19 预测模型的训练方法、使用方法及相关装置

Publications (2)

Publication Number Publication Date
CN116468109A CN116468109A (zh) 2023-07-21
CN116468109B true CN116468109B (zh) 2023-08-29

Family

ID=87175710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310724312.6A Active CN116468109B (zh) 2023-06-19 2023-06-19 预测模型的训练方法、使用方法及相关装置

Country Status (1)

Country Link
CN (1) CN116468109B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013399A (zh) * 2024-04-08 2024-05-10 北京博瑞彤芸科技股份有限公司 一种基于ai模型进行用户画像的处理方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107438138A (zh) * 2017-09-12 2017-12-05 中国联合网络通信集团有限公司 一种渠道触达方式的推荐方法及装置
WO2019149021A1 (zh) * 2018-02-01 2019-08-08 阿里巴巴集团控股有限公司 理赔业务的数据处理方法、装置、电子设备、服务器
CN113128739A (zh) * 2019-12-31 2021-07-16 马上消费金融股份有限公司 用户触达时间的预测方法、预测模型训练方法及相关装置
CN113449184A (zh) * 2021-06-23 2021-09-28 平安科技（深圳）有限公司 触达渠道的推荐方法、装置、计算机设备和存储介质
CN113781129A (zh) * 2021-11-15 2021-12-10 百融至信(北京)征信有限公司 一种智能营销策略生成方法和系统
CN113988954A (zh) * 2021-11-25 2022-01-28 中国银行股份有限公司 理财产品营销方法及装置
CN115438261A (zh) * 2022-09-14 2022-12-06 平安科技（深圳）有限公司 一种触达任务管理方法、装置、终端设备和可读存储介质
CN115713422A (zh) * 2022-10-31 2023-02-24 交叉信息核心技术研究院(西安)有限公司 基于智能体的理财产品客户服务触达优化仿真方法与系统
CN115965463A (zh) * 2022-12-26 2023-04-14 深圳市与飞科技有限公司 模型训练方法、装置、计算机设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10825042B1 (en) * 2013-09-27 2020-11-03 Groupon, Inc. Systems and methods for providing optimized leading messages
WO2019060325A1 (en) * 2017-09-19 2019-03-28 Justin Herz CONSUMER INTELLIGENCE FOR AUTOMATIC DECISION-MAKING AND SELECTION OF REAL-TIME MESSAGES

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107438138A (zh) * 2017-09-12 2017-12-05 中国联合网络通信集团有限公司 一种渠道触达方式的推荐方法及装置
WO2019149021A1 (zh) * 2018-02-01 2019-08-08 阿里巴巴集团控股有限公司 理赔业务的数据处理方法、装置、电子设备、服务器
CN113128739A (zh) * 2019-12-31 2021-07-16 马上消费金融股份有限公司 用户触达时间的预测方法、预测模型训练方法及相关装置
CN113449184A (zh) * 2021-06-23 2021-09-28 平安科技（深圳）有限公司 触达渠道的推荐方法、装置、计算机设备和存储介质
CN113781129A (zh) * 2021-11-15 2021-12-10 百融至信(北京)征信有限公司 一种智能营销策略生成方法和系统
CN113988954A (zh) * 2021-11-25 2022-01-28 中国银行股份有限公司 理财产品营销方法及装置
CN115438261A (zh) * 2022-09-14 2022-12-06 平安科技（深圳）有限公司 一种触达任务管理方法、装置、终端设备和可读存储介质
CN115713422A (zh) * 2022-10-31 2023-02-24 交叉信息核心技术研究院(西安)有限公司 基于智能体的理财产品客户服务触达优化仿真方法与系统
CN115965463A (zh) * 2022-12-26 2023-04-14 深圳市与飞科技有限公司 模型训练方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN116468109A (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
JP4981146B2 (ja) クロスチャネル最適化システムおよび方法
Singh et al. How to maximize clicks for display advertisement in digital marketing? A reinforcement learning approach
JP2023531100A (ja) エンティティがターゲットパラメータを充足しない確率を計算するための機械学習モデルアンサンブル
US20200302486A1 (en) Method and system for determining optimized customer touchpoints
CN116468109B (zh) 预测模型的训练方法、使用方法及相关装置
CN111292122A (zh) 用于促进用户针对目标对象执行目标行为的方法及装置
Branchi et al. Learning to act: a reinforcement learning approach to recommend the best next activities
CN113435935B (zh) 权益推送的方法及装置
Fareniuk et al. Customer churn prediction model: a case of the telecommunication market
Gerpott et al. Regaining drifting mobile communication customers: Predicting the odds of success of winback efforts with competing risks regression
Martín et al. A numerical analysis of allocation strategies for the multi-armed bandit problem under delayed rewards conditions in digital campaign management
Droftina et al. A diffusion model for churn prediction based on sociometric theory
Verschuren Customer price sensitivities in competitive insurance markets
KR102457018B1 (ko) 기업 인큐베이팅 시스템
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
US20230259846A1 (en) Communications apparatus and method for estimating potential demand for improved forecasting and resource management
US20220067756A1 (en) System and method for intelligent resource management
CN115619571A (zh) 一种理财规划方法、系统及装置
CN113393320A (zh) 企业金融服务风险预测方法及装置
Hadden A customer profiling methodology for churn prediction
Ko et al. When to target customers? retention management using dynamic off-policy policy learning
KR102383509B1 (ko) 공간 및 기업 간 행사 매칭 시스템
KR102663853B1 (ko) 기업 정보에 기반하여 인큐베이팅 대상 기업을 선정하는 기업 인큐베이팅 시스템
KR102564319B1 (ko) 인큐베이팅 효과를 반영한 기업 투자 시스템
KR102564320B1 (ko) 트랜드와 기업 성장성이 반영된 기업 인큐베이팅 및 투자 시스템

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
GR01 Patent grant
GR01 Patent grant