CN116645134A - 一种信用卡分期的推荐方法、装置、设备及介质 - Google Patents
一种信用卡分期的推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116645134A CN116645134A CN202310629297.7A CN202310629297A CN116645134A CN 116645134 A CN116645134 A CN 116645134A CN 202310629297 A CN202310629297 A CN 202310629297A CN 116645134 A CN116645134 A CN 116645134A
- Authority
- CN
- China
- Prior art keywords
- client
- customer
- credit card
- stage
- marketing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 claims description 17
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004801 process automation Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 238000013524 data verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q30/01—Customer relationship services
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本申请公开了一种信用卡分期的推荐方法、装置、设备及介质,可应用于人工智能领域或金融领域。获取第一客户的信用卡消费数据;在信用卡消费数据达到可分期的预设条件时,将第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测第一客户的分期意愿程度;判断第一客户的分期意愿程度是否位于预设区间内,若是,则确定第一客户为重点营销客户,并对重点营销客户进行人工坐席外呼营销,以便向第一客户精准营销信用卡分期服务;若否,则确定第一用户为非重点营销客户,并对非重点营销客户进行机器人流程自动化营销。本申请提供的方案可以进一步提升业务办理成功率,同时获得更好的营销体验及客户满意度。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种信用卡分期的推荐方法、装置、设备及介质。
背景技术
信用卡分期付款,是指持卡人使用信用卡大额消费,银行向商户一次性支付持卡人所购商品(或服务)的消费资金,持卡人分期向银行还款并支付手续费的过程。银行根据持卡人申请将消费资金和手续费分期通过持卡人信用卡账户扣收,持卡人按照每月入账金额进行偿还。信用卡分期付款主要包括账单分期(账分)、单笔消费分期(消分)、现金分期(现分)三种类型。
当前,银行信用卡分期营销上,主要通过分行将当期满足分期条件的客户名单筛选后提交至人工或智能客服坐席开展外呼营销业务。在营销操作上,主要还是依赖于人工或智能客服坐席进行无差别外呼推广,不能通过技术服务主动提升信用卡分期业务办理的成功率,无法基于客户直接关联群体影响,预测客户潜在分期意愿,无法提供差异化的精准分期服务。
发明内容
有鉴于此,本申请的目的在于提供一种信用卡分期的推荐方法、装置、设备及介质,可以进一步提升业务办理成功率,同时获得更好的营销体验及客户满意度。其具体方案如下:
一方面,本申请提供了一种信用卡分期的推荐方法,包括:
获取第一客户的信用卡消费数据;
在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测所述第一客户的分期意愿程度;所述目标客户信息包括第一客户的属性信息、第一客户的消费信息、第二客户的属性信息和第二客户的消费信息,所述第二客户为在所述知识图谱中与所述第一客户相关联的至少一个客户;
判断所述第一客户的分期意愿程度是否位于预设区间内,若是,则确定所述第一客户为重点营销客户,并对所述重点营销客户进行人工坐席外呼营销,以便向所述第一客户精准营销信用卡分期服务;若否,则确定所述第一用户为非重点营销客户,并对所述非重点营销客户进行机器人流程自动化营销。
另一方面,本申请实施例还提供了一种信用卡分期的推荐装置,包括:
获取单元,用于获取第一客户的信用卡消费数据;
预测单元,用于在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测所述第一客户的分期意愿程度;所述目标客户信息包括第一客户的属性信息、第一客户的消费信息、第二客户的属性信息和第二客户的消费信息,所述第二客户为在所述知识图谱中与所述第一客户相关联的至少一个客户;
判断单元,用于判断所述第一客户的分期意愿程度是否位于预设区间内,若是,则确定所述第一客户为重点营销客户,并对所述重点营销客户进行人工坐席外呼营销,以便向所述第一客户精准营销信用卡分期服务;若否,则确定所述第一用户为非重点营销客户,并对所述非重点营销客户进行机器人流程自动化营销。
另一方面,本申请实施例还提供了一种计算机设备,所述计算机设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行所述的信用卡分期的推荐方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行所述的信用卡分期的推荐方法。
本申请实施例提供了一种信用卡分期的推荐方法、装置、设备及介质,获取第一客户的信用卡消费数据;在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测所述第一客户的分期意愿程度;所述目标客户信息包括第一客户的属性信息、第一客户的消费信息、第二客户的属性信息和第二客户的消费信息,所述第二客户为在所述知识图谱中与所述第一客户相关联的至少一个客户;判断所述第一客户的分期意愿程度是否位于预设区间内,若是,则确定所述第一客户为重点营销客户,并对所述重点营销客户进行人工坐席外呼营销,以便向所述第一客户精准营销信用卡分期服务;若否,则确定所述第一用户为非重点营销客户,并对所述非重点营销客户进行机器人流程自动化营销。
可见,在本申请实施例中,可以基于知识图谱及机器人流程自动化技术,通过构建以客户知识图谱直接关联特性为主体的客户分期意愿分级模型,对第一客户的分期意愿程度进行预测,避免人工或智能客服坐席进行无差别外呼推广,从而实现精准分期服务。若所述第一客户的分期意愿程度位于预设区间内,则说明第一客户对分期服务具有一定的了解程度,通过人工坐席外呼营销,实现分期办理的可能性更大,提高了营销的成功率,否则,说明第一客户对分期服务非常不了解,或者十分了解,通过人工坐席外呼营销可能会降低客户的分期意愿或者降低人工坐席外呼营销的效率,本申请提供的方案可以进一步提升业务办理成功率,同时获得更好的营销体验及客户满意度。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,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它的附图。
图1示出了本申请实施例提供的一种信用卡分期的推荐方法的流程示意图;
图2为本申请实施例提供的又一种信用卡分期的推荐方法的流程图;
图3为本申请实施例提供的一种信用卡分期的推荐装置的结构框图;
图4为本申请实施例提供的一种计算机设备的结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
为了便于理解,下面结合附图对本申请实施例提供的一种信用卡分期的推荐方法、装置、设备及介质进行详细的说明。
首先对本申请中涉及的一些名词进行解释说明。
机器人流程自动化(Robotic Process Automation,RPA):简称RPA技术,在数字系统中模拟和集成人类行为以优化业务流程的软件机器人。RPA自动化捕获数据、运行应用程序、触发响应并与其他系统通信以执行各种任务。
知识图谱(Knowledge Graph):简称KG,是结构化的语义知识库,用于以符号形式描述物理世界中的概念及其相互关系。其结点(node)代表实体(entity)或者概念(concept),边(edge)代表实体/概念之间的各种语义关系(relation),基本组成单位是“实体,关系,实体”三元组,以及实体及其相关属性值对,实体间通过关系相互联结成网状知识结构。
参考图1所示,为本申请实施例提供的一种信用卡分期的推荐方法的流程示意图,该方法可以包括以下步骤。
S101,获取第一客户的信用卡消费数据。
在本申请实施例中,第一客户可以为信用卡分期营销的目标客户,可以获取第一客户的信用卡消费数据,信用卡消费数据为单笔信用卡消费交易数据或者当期未出账账单。参考图2所示,为本申请实施例提供的又一种信用卡分期的推荐方法的流程图。
该方法可应用于信用卡分期的推荐系统,该系统包括交易数据接收模块、交易数据验证模块、多渠道统一接入模块、客户分期意愿分级预测模块、业务流程自动化处理模块和统一消息管理模块。交易数据接收模块:用于接收客户信用卡交易所产生的可分期交易数据,包括不限于交易流水号、信用卡卡号、手机号、用户编号、交易金额、授权码、交易日期、交易时间。交易数据验证模块:用于对所述交易数据进行可分期校验处理。如是否当期交易,客户是否满足分期条件、可分期金额是否满足小于最大可分期金额且大于最低分期金额,返回的交易流水号是否匹配等。
多渠道统一接入模块:本模块为多种渠道应用程序统一接入入口,提供统一接口协议识别、解析,生命周期管理等功能。客户分期意愿分级预测模块:本模块通过基于客户的客户评分BocUserScore、客户关联影响评分BocUserReScore、客户的信用卡分期消费行为影响程度因子IF(Ui)实现的核心算法实现对客户分期意愿分级预测评定。业务流程自动化处理模块:依据客户分期意愿分级预测判定结果,对分级客户执行自动化的营销及业务办理服务;统一消息管理模块:实现对应用消息的统一管理、解析、发送、存储、统计等工作,如对用户发送分期邀约或办理结果通知服务等。S102,在信用卡消费数据达到可分期的预设条件时,将第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测第一客户的分期意愿程度。
在本申请实施例中,可以根据信用卡消费数据对第一用户进行筛选,在信用卡消费数据达到可分期的预设条件时,表示为可分期的潜在客户,否则,说明第一用户不是可分期的潜在客户,不进行后续处理。
具体地,当第一客户发生信用卡消费时,对当期未出账账单或消费金额按照可分期的预设条件进行自动化筛选校验,判断第一客户是否具备分期条件,获得满足当期分期条件的客户数据集U{U1,U2,U3…}。
其中,持卡人发生信用卡消费交易数据时,可以校验交易数据是否满足可分期的预设条件,可分期的预设条件包括但不限于以下部分:消费分期单笔消费不低于600CNY,账单分期不低于1000CNY且不得高于最大可分期额度,现金分期不低于500CNY且不得高于50000CNY,第一客户在我行的客户评分不低于最低阈值且征信良好,不属于黑名单客户,外呼营销仅限办理人民币分期,外币不可办理等。
在本申请实施例中,在第一客户为可分期的潜在客户时,可以将第一客户的目标客户信息,输入至基于知识图谱构建的客户分期意愿分级模型中,客户分期意愿分级模型可以预测第一客户的分期意愿程度。
具体地,在客户数据集U包括第一客户U1时,可以将客户数据集U{U1,U2,U3…}输入客户分期意愿分级模型M进行分期意愿预测判断,输出客户分期意愿的数字化程度表示,形成客户分期意愿预测数据集T{T1,T2,T3…}。其中Ti=BocUserReScore(Ui),表示客户Ui进行分期意愿预测程度的数字化表示。
具体地,对于第一客户U1,可以将第一客户U1的目标客户信息输入至客户分期意愿分级模型M中,目标客户信息包括第一客户的个人信息,比如第一客户的属性信息、第一客户的消费信息,目标客户信息还包括第二客户的个人信息,比如第二客户的属性信息和第二客户的消费信息,其中,第二客户为在知识图谱中与第一客户相关联的至少一个客户,比如,第二客户可以为第一客户的交易伙伴等,由于第二客户的消费行为对第一客户的消费行为具有一定的影响作用,因此,可以将第一客户和与第一客户相关联的第二客户的个人信息均作为第一客户的目标客户信息,一起输入进模型M中。
具体地,属性信息可以包括征信数据、存贷款数据、理财数据、是否自主办理信用卡分期、是否被营销后办理信用卡分期或是否拒绝办理信用卡分期中的至少一个,这些信息与客户的消费行为无关。
而消费信息主要包括与消费行为有关的数据,消费信息包括预设时间段内是否办理信用卡分期、是否存在主动办理分期咨询及行为、信用卡按维度时间段消费频度、信用卡按维度时间段消费金额、是否存在还款逾期行为或是否主动按期还款中的至少一个。比如,将客户Ui的信用卡分期消费行为表达为数组Ui(array),包括但不限于近12个月、近6个月、近3个月、近2个月、近1个月是否办理分期,是否存在主动办理分期咨询及行为、信用卡按维度时间段消费频度、信用卡按维度时间段消费金额、是否存在逾期行为,是否主动按期还款等信用卡分期消费行为数据。
其中,属性信息和消费信息可以从客户关系管理系统(CRM)中获得,该系统中具有客户关系及属性数据、征信数据、存贷款数据、理财数据、历史消费行为、分期业务办理、客户间业务往来等数据。
在一种可能的实现方式中,S102可以具体包括以下步骤。
S1021,在信用卡消费数据达到可分期的预设条件时,将第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,客户分期意愿分级模型根据第一客户的属性信息的评分和各个所述第一客户的属性信息对应的权重,构建第一客户的客户评分。
在本申请实施例中,客户分期意愿分级模型M可以根据第一客户的属性信息的评分Vi和各个属性信息对应的权重Wi,构建第一客户的客户评分BocUserScore(U1)。
其中,客户评分为其中Wi为客户的各个属性信息的参数化权重,取值范围为[0,1],/>Vi为可以直接从客户关系管理系统中获取,该系统中具有为客户的属性信息建立的评分值Vi,取值范围为[0,100]。
S1022,客户分期意愿分级模型根据第一客户的消费信息和预设消费信息进行对比,确定第一影响程度。
在本申请实施例中,可以根据第一客户的消费信息和预设消费信息进行对比,确定第一影响程度IF(U1),取值范围可以为[0,1]。预设消费信息可以为Uideal(array),表示一种理想化的信用卡分期消费忠实客户模型,是一种理想化的最配合办理信用卡分期的客户的预设消费信息,在数组中的各项指标均达到近期银行卡分期营销理想化效果或评分阈值,Uideal的参数可以根据近期企业治理能力、业绩水平、当前社会经济条件等定期进行对应调整。
第一影响程度为第一客户的消费信息对第一客户开通信用卡分期的影响程度,通过计算Ui(array)与Uideal(array)的相似度IF(Ui),客户Ui与Uideal的相似程度越接近,则认为客户Ui对其子知识图谱直接关联实体客户在信用卡分期消费习惯上的影响程度越大,即第一影响程度越大。
S1023,客户分期意愿分级模型根据第二客户的属性信息的评分和各个第二客户的属性信息对应的权重,确定第二客户的客户评分。
在本申请实施例中,第二客户可以表示为U2,可以根据第二客户的属性信息的评分V2和各个属性信息对应的权重W2,确定第二客户的客户评分BocUserScore(U2)。
S1024,客户分期意愿分级模型根据第二客户的消费信息和预设消费信息进行对比,确定第二影响程度。
在本申请实施例中,可以根据第二客户的消费信息和预设消费信息进行对比,确定第二影响程度IF(U2),第二影响程度为第二客户的消费信息对第二客户开通信用卡分期的影响程度。
S1025,客户分期意愿分级模型根据第一客户的客户评分、第一影响程度、第二客户的客户评分和第二影响程度,确定对第一客户开通信用卡分期的平均影响程度。
在本申请实施例中,可以根据第一客户的客户评分BocUserScore(U1)、第一影响程度IF(U1)、第二客户的客户评分BocUserScore(U2)和第二影响程度IF(U2),确定对第一客户开通信用卡分期的平均影响程度BocUserReScore(U1),平均影响程度为第一客户的分期意愿程度。
在实际应用时,可以对第一客户的客户评分BocUserScore(U1)和第一影响程度IF(U1)的乘积,以及第二客户的客户评分BocUserScore(U2)和第二影响程度IF(U2)的乘积计算平均值,得到对第一客户开通信用卡分期的平均影响程度BocUserReScore(U1)。
其中,n的数值来源于客户U1直接关联影响客户数量,即n为第一客户和第二客户的数量之和,IF(Ui)为客户Ui的影响程度,BocUserScore(Ui)为客户Ui的客户评分。在客户实体表示如下。
以XML方式表达的客户实体(topic)可表示为:
<topic>
<name>U1</name>
<prperty1>value1</property1>
<property2>value2</property2>
<property3>value3</property3>
<relation1>U1</relation1>
<relation1>U2</relation1>
<relation2>U3</relation2>
………
</topic>
可以理解的是,在计算对第一客户开通信用卡分期的平均影响程度BocUserReScore(U1)时,第一客户自身的参数所占的比重可以大于第二客户参数所占的比重,从而突出第一客户自身的情况,提高模型预测的准确性。
S103,判断第一客户的分期意愿程度是否位于预设区间内,若是,则确定第一客户为重点营销客户,并对重点营销客户进行人工坐席外呼营销,以便向第一客户精准营销信用卡分期服务;若否,则确定第一用户为非重点营销客户,并对非重点营销客户进行机器人流程自动化营销。
在本申请实施例中,可以判断第一客户的分期意愿程度是否位于预设区间内,若是,则确定第一客户为重点营销客户,并对重点营销客户进行人工坐席外呼营销,以便向第一客户精准营销信用卡分期服务,这说明第一客户对分期服务具有一定的了解程度,通过人工坐席外呼营销,实现分期办理的可能性更大,提高了营销的成功率。
具体地,根据客户分期意愿预测程度的数字化表示Ti与分期预测程度阈值区间[N,M](即预设区间)进行比较,构造的比较规则为,当N≤Ti≤M时,该阈值区间理解为重点营销客户,客户是人工坐席外呼的重要营销对象。
此类客户对卡分期业务无论是个人认知还是在关联客户群体上均存在一定了解,在分期业务办理上也存在一定的尝试,但尚未形成使用习惯,用户黏性不强。人工坐席可结合营销软技巧,对目标客户提供一对一的顾问服务,着重加大人工坐席外呼对此类潜在客户群体的投入,同时执行自动化的客户业务办理服务,提升卡分期办理成功率和用户体验。其中,多种网络渠道是指但不限于短信、微信机器人,公众号,QQ机器人,银行APPs内部消息等。
在本申请实施例中,在第一客户的分期意愿程度未位于预设区间内时,则确定第一用户为非重点营销客户,并对非重点营销客户进行机器人流程自动化营销,说明第一客户对分期服务非常不了解,或者十分了解,通过人工坐席外呼营销可能会降低客户的分期意愿或者降低人工坐席外呼营销的效率。
在一种可能的实现方式中,若否,则确定对第一用户进行机器人流程自动化营销,可以具体为,若第一客户的分期意愿程度小于预设区间的最小值,则确定第一用户为低分值用户,根据低分值用户,以及低分值用户和第一分期数据的对应关系,对低分值用户进行机器人流程自动化营销并向低分值用户推荐第一分期数据;第一分期数据包括第一分期期数和第一利率。
具体地,当Ti<N时,该阈值区间理解为低分值客户,客户对卡分期业务认知程度不高且当前客户的关联客户群体也存在相似习惯,对此类客户重点是培养其信用卡消费习惯养成,不利于通过人工客服或智能客服坐席方式频繁营销,避免客户在认知不足的情况下降低满意度。采用通过多种网络渠道向客户推送分期付款邀约及免手续费试用信息,执行自动化的客户营销及办理服务,重点培养客户信用卡分期消费习惯,增加客户试用频度,获取消费习惯黏性。
若第一客户的分期意愿程度大于预设区间的最大值,则确定第一用户为高分值用户,根据高分值用户,以及高分值用户和第二分期数据的对应关系,对高分值用户进行机器人流程自动化营销并向高分值用户推荐第二分期数据;第二分期数据包括第二分期期数和第二利率。
具体地,当Ti>M时,该阈值区间理解为高分值客户。客户具有良好的信用卡分期业务认知及消费习惯,且当前客户的关联客户群体也大量存在与当前客户分期消费习惯一致的用户,无需过度营销干预,不通过人工客服或智能客服坐席方式进行外呼营销,通过机器人流程自动化技术自动完成交易数据校验、分期及费率试算及优惠券生成后,采用通过多种网络渠道向客户推送分期付款邀约及优惠信息,执行自动化的客户营销及业务办理服务流程。
具体地,可以向低分值用户推荐第一分期期数和第一利率,向高分值用户推荐第二分期期数和第二利率,第一分期期数小于第二分期期数,第一利率小于第二利率,从而培养低分值用户的分期习惯,扩大分期服务的客户范围。
此外,可以建立信用卡消费分期期数及对应费率规则表,同时具备客户化参数调整规则的具体含义是指采用区间或者浮动费率机制,参数化方式对费率规则表进行动态调整,根据不同的客户分期意愿分级预测结果,具备可配置的浮动费率机制。
本发明基于知识图谱和机器人流程自动化技术,构建以客户知识图谱直接关联特性为主体的客户分期意愿分级预测模型。通过客户评分及关联客户群体对个体在信用卡卡分期业务消费习惯的影响程度,对其是否具有分期意愿或潜在需求进行预测,从而实现针对特定客户群体的精准营销。基于客户分期意愿的数字化程度表示,结合RPA技术提供差异化外呼营销、自动化实时业务办理过程,进一步提升业务办理成功率,获得更好的营销体验及客户满意度。
在本申请实施例中,在接收到重点营销客户办理信用卡分期的指令时,说明客户已经同意办理分期服务,然后对重点营销客户进行机器人流程自动化营销,通过机器跟进后续流程,以完成办理信用卡分期服务,提高分期服务办理的效率。
具体地,根据营销办理结果,由机器人流程自动化处理模块对已受理的信用卡分期申请进行实时处理,对用户的信用卡分期申请进行交易数据及状态校验,完成信用卡业务的办理动作同时通知客户办理结果。
在本申请实施例中,可以收集重点营销客户和非重点营销客户的办理结果;利用信用卡消费数据和办理结果,对基于知识图谱构建的客户分期意愿分级模型进行模型更新。
具体地,对客户办理结果进行归集,从而进一步对客户知识图谱属性及状态进行更新,完成客户分期意愿分级预测模型M的在线训练,提高客户分期意愿预测模型准确度,能够对客户卡分期意愿分级预测模型M进行在线训练更新。随着客户知识图谱关联属性发生变化尤其是信用卡分期业务相关属性的变化,会触发对客户BocUserScore、BocUserReScore、Uideal(array)等评分的动态计算调整,同时客户卡分期意愿分级预测模型M会基于客户分期业务办理结果动态对分期预测程度阈值[N,M]进行参数优化,提高模型预测的准确度。
在本申请实施例中,可以基于知识图谱及机器人流程自动化技术,通过构建以客户知识图谱直接关联特性为主体的客户分期意愿分级模型,对第一客户的分期意愿程度进行预测,避免人工或智能客服坐席进行无差别外呼推广,从而实现精准分期服务。若所述第一客户的分期意愿程度位于预设区间内,则说明第一客户对分期服务具有一定的了解程度,通过人工坐席外呼营销,实现分期办理的可能性更大,提高了营销的成功率,否则,说明第一客户对分期服务非常不了解,或者十分了解,通过人工坐席外呼营销可能会降低客户的分期意愿或者降低人工坐席外呼营销的效率,本申请提供的方案可以进一步提升业务办理成功率,同时获得更好的营销体验及客户满意度。
基于以上信用卡分期的推荐方法,本申请实施例还提供了一种信用卡分期的推荐装置,参考图3所示,为本申请实施例提供的一种信用卡分期的推荐装置的结构框图,该装置可以包括:
获取单元201,用于获取第一客户的信用卡消费数据;
预测单元202,用于在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测所述第一客户的分期意愿程度;所述目标客户信息包括第一客户的属性信息、第一客户的消费信息、第二客户的属性信息和第二客户的消费信息,所述第二客户为在所述知识图谱中与所述第一客户相关联的至少一个客户;
判断单元203,用于判断所述第一客户的分期意愿程度是否位于预设区间内,若是,则确定所述第一客户为重点营销客户,并对所述重点营销客户进行人工坐席外呼营销,以便向所述第一客户精准营销信用卡分期服务;若否,则确定所述第一用户为非重点营销客户,并对所述非重点营销客户进行机器人流程自动化营销。
具体地,预测单元用于:
在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,所述客户分期意愿分级模型根据第一客户的属性信息的评分和各个第一客户的属性信息对应的权重,构建第一客户的客户评分;
客户分期意愿分级模型根据第一客户的消费信息和预设消费信息进行对比,确定第一影响程度;所述第一影响程度为所述第一客户的消费信息对所述第一客户开通信用卡分期的影响程度;
客户分期意愿分级模型根据第二客户的属性信息的评分和各个第二客户的属性信息对应的权重,确定第二客户的客户评分;
客户分期意愿分级模型根据第二客户的消费信息和所述预设消费信息进行对比,确定第二影响程度;所述第二影响程度为所述第二客户的消费信息对所述第二客户开通信用卡分期的影响程度;
客户分期意愿分级模型根据所述第一客户的客户评分、所述第一影响程度、所述第二客户的客户评分和所述第二影响程度,确定对所述第一客户开通信用卡分期的平均影响程度;所述平均影响程度为所述第一客户的分期意愿程度。
具体地,预测单元用于:
对所述第一客户的客户评分和所述第一影响程度的乘积,以及所述第二客户的客户评分和所述第二影响程度的乘积计算平均值,得到对所述第一客户开通信用卡分期的平均影响程度。
具体地,判断单元用于:
若所述第一客户的分期意愿程度小于所述预设区间的最小值,则确定所述第一用户为低分值用户,根据所述低分值用户,以及所述低分值用户和第一分期数据的对应关系,对所述低分值用户进行机器人流程自动化营销并向所述低分值用户推荐所述第一分期数据;所述第一分期数据包括第一分期期数和第一利率;
若所述第一客户的分期意愿程度大于所述预设区间的最大值,则确定所述第一用户为高分值用户,根据所述高分值用户,以及所述高分值用户和第二分期数据的对应关系,对所述高分值用户进行机器人流程自动化营销并向所述高分值用户推荐所述第二分期数据;所述第二分期数据包括第二分期期数和第二利率;所述第一分期期数小于所述第二分期期数,所述第一利率小于所述第二利率。
具体地,所述装置还包括:
第一处理单元,用于在接收到所述重点营销客户办理信用卡分期的指令时,对所述重点营销客户进行所述机器人流程自动化营销,以完成办理信用卡分期服务。
具体地,所述装置还包括:
收集单元,用于收集所述重点营销客户和所述非重点营销客户的办理结果;
更新单元,用于利用所述信用卡消费数据和所述办理结果,对所述基于知识图谱构建的客户分期意愿分级模型进行模型更新。
具体地,所述属性信息包括征信数据、存贷款数据、理财数据、是否自主办理信用卡分期、是否被营销后办理信用卡分期或是否拒绝办理信用卡分期中的至少一个;
所述消费信息包括预设时间段内是否办理信用卡分期、是否存在主动办理分期咨询及行为、信用卡按维度时间段消费频度、信用卡按维度时间段消费金额、是否存在还款逾期行为或是否主动按期还款中的至少一个。
在本申请实施例中,可以基于知识图谱及机器人流程自动化技术,通过构建以客户知识图谱直接关联特性为主体的客户分期意愿分级模型,对第一客户的分期意愿程度进行预测,避免人工或智能客服坐席进行无差别外呼推广,从而实现精准分期服务。若所述第一客户的分期意愿程度位于预设区间内,则说明第一客户对分期服务具有一定的了解程度,通过人工坐席外呼营销,实现分期办理的可能性更大,提高了营销的成功率,否则,说明第一客户对分期服务非常不了解,或者十分了解,通过人工坐席外呼营销可能会降低客户的分期意愿或者降低人工坐席外呼营销的效率,本申请提供的方案可以进一步提升业务办理成功率,同时获得更好的营销体验及客户满意度。
又一方面,本申请实施例提供了一种计算机设备,参见图4,该图示出了本申请实施例提供的一种计算机设备的结构图,所述设备包括处理器310以及存储器320:
所述存储器310用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器320用于根据所述程序代码中的指令执行上述实施例提供的信用卡分期的推荐方法。
该计算机设备可以包括终端设备或服务器,前述的信用卡分期的推荐装置可以配置在该计算机设备中。
又一方面,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的信用卡分期的推荐方法。
另外,本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面的各种可选实现方式中提供的信用卡分期的推荐方法。
需要说明的是,本发明提供的一种信用卡分期的推荐方法、装置、设备及介质可用于人工智能领域或金融领域。上述仅为示例,并不对本发明提供的一种信用卡分期的推荐方法、装置、设备及介质的应用领域进行限定。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请的实施例例如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“对应于”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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅是本申请的优选实施方式,虽然本申请已以较佳实施例披露如上,然而并非用以限定本申请。任何熟悉本领域的技术人员,在不脱离本申请技术方案范围情况下,都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本申请技术方案的内容,依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰,均仍属于本申请技术方案保护的范围内。
Claims (10)
1.一种信用卡分期的推荐方法,其特征在于,包括:
获取第一客户的信用卡消费数据;
在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测所述第一客户的分期意愿程度;所述目标客户信息包括第一客户的属性信息、第一客户的消费信息、第二客户的属性信息和第二客户的消费信息,所述第二客户为在所述知识图谱中与所述第一客户相关联的至少一个客户;
判断所述第一客户的分期意愿程度是否位于预设区间内,若是,则确定所述第一客户为重点营销客户,并对所述重点营销客户进行人工坐席外呼营销,以便向所述第一客户精准营销信用卡分期服务;若否,则确定所述第一用户为非重点营销客户,并对所述非重点营销客户进行机器人流程自动化营销。
2.根据权利要求1所述的信用卡分期的推荐方法,其特征在于,所述在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测所述第一客户的分期意愿程度,包括:
在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,所述客户分期意愿分级模型根据所述第一客户的属性信息的评分和各个所述第一客户的属性信息对应的权重,构建所述第一客户的客户评分;
所述客户分期意愿分级模型根据所述第一客户的消费信息和预设消费信息进行对比,确定第一影响程度;所述第一影响程度为所述第一客户的消费信息对所述第一客户开通信用卡分期的影响程度;
所述客户分期意愿分级模型根据第二客户的属性信息的评分和各个所述第二客户的属性信息对应的权重,确定第二客户的客户评分;
所述客户分期意愿分级模型根据第二客户的消费信息和所述预设消费信息进行对比,确定第二影响程度;所述第二影响程度为所述第二客户的消费信息对所述第二客户开通信用卡分期的影响程度;
所述客户分期意愿分级模型根据所述第一客户的客户评分、所述第一影响程度、所述第二客户的客户评分和所述第二影响程度,确定对所述第一客户开通信用卡分期的平均影响程度;所述平均影响程度为所述第一客户的分期意愿程度。
3.根据权利要求2所述的信用卡分期的推荐方法,其特征在于,所述根据所述第一客户的客户评分、所述第一影响程度、所述第二客户的客户评分和所述第二影响程度,确定对所述第一客户开通信用卡分期的平均影响程度,包括:
对所述第一客户的客户评分和所述第一影响程度的乘积,以及所述第二客户的客户评分和所述第二影响程度的乘积计算平均值,得到对所述第一客户开通信用卡分期的平均影响程度。
4.根据权利要求1所述的信用卡分期的推荐方法,其特征在于,所述若否,则确定对所述第一用户进行机器人流程自动化营销,包括:
若所述第一客户的分期意愿程度小于所述预设区间的最小值,则确定所述第一用户为低分值用户,根据所述低分值用户,以及所述低分值用户和第一分期数据的对应关系,对所述低分值用户进行机器人流程自动化营销并向所述低分值用户推荐所述第一分期数据;所述第一分期数据包括第一分期期数和第一利率;
若所述第一客户的分期意愿程度大于所述预设区间的最大值,则确定所述第一用户为高分值用户,根据所述高分值用户,以及所述高分值用户和第二分期数据的对应关系,对所述高分值用户进行机器人流程自动化营销并向所述高分值用户推荐所述第二分期数据;所述第二分期数据包括第二分期期数和第二利率;所述第一分期期数小于所述第二分期期数,所述第一利率小于所述第二利率。
5.根据权利要求1所述的信用卡分期的推荐方法,其特征在于,所述方法还包括:
在接收到所述重点营销客户办理信用卡分期的指令时,对所述重点营销客户进行所述机器人流程自动化营销,以完成办理信用卡分期服务。
6.根据权利要求1所述的信用卡分期的推荐方法,其特征在于,所述方法还包括:
收集所述重点营销客户和所述非重点营销客户的办理结果;
利用所述信用卡消费数据和所述办理结果,对所述基于知识图谱构建的客户分期意愿分级模型进行模型更新。
7.根据权利要求1-6任意一项所述的信用卡分期的推荐方法,其特征在于,所述属性信息包括征信数据、存贷款数据、理财数据、是否自主办理信用卡分期、是否被营销后办理信用卡分期或是否拒绝办理信用卡分期中的至少一个;
所述消费信息包括预设时间段内是否办理信用卡分期、是否存在主动办理分期咨询及行为、信用卡按维度时间段消费频度、信用卡按维度时间段消费金额、是否存在还款逾期行为或是否主动按期还款中的至少一个。
8.一种信用卡分期的推荐装置,其特征在于,包括:
获取单元,用于获取第一客户的信用卡消费数据;
预测单元,用于在所述信用卡消费数据达到可分期的预设条件时,将所述第一客户的目标客户信息输入基于知识图谱构建的客户分期意愿分级模型中,预测所述第一客户的分期意愿程度;所述目标客户信息包括第一客户的属性信息、第一客户的消费信息、第二客户的属性信息和第二客户的消费信息,所述第二客户为在所述知识图谱中与所述第一客户相关联的至少一个客户;
判断单元,用于判断所述第一客户的分期意愿程度是否位于预设区间内,若是,则确定所述第一客户为重点营销客户,并对所述重点营销客户进行人工坐席外呼营销,以便向所述第一客户精准营销信用卡分期服务;若否,则确定所述第一用户为非重点营销客户,并对所述非重点营销客户进行机器人流程自动化营销。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7中任意一项所述的信用卡分期的推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1-7中任意一项所述的信用卡分期的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629297.7A CN116645134A (zh) | 2023-05-30 | 2023-05-30 | 一种信用卡分期的推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629297.7A CN116645134A (zh) | 2023-05-30 | 2023-05-30 | 一种信用卡分期的推荐方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645134A true CN116645134A (zh) | 2023-08-25 |
Family
ID=87643068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310629297.7A Pending CN116645134A (zh) | 2023-05-30 | 2023-05-30 | 一种信用卡分期的推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645134A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117221451A (zh) * | 2023-09-27 | 2023-12-12 | 杭州龙席网络科技股份有限公司 | 一种基于人工智能的客服应答系统及方法 |
-
2023
- 2023-05-30 CN CN202310629297.7A patent/CN116645134A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117221451A (zh) * | 2023-09-27 | 2023-12-12 | 杭州龙席网络科技股份有限公司 | 一种基于人工智能的客服应答系统及方法 |
CN117221451B (zh) * | 2023-09-27 | 2024-04-26 | 杭州龙席网络科技股份有限公司 | 一种基于人工智能的客服应答系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | A customer churn prediction model in telecom industry using boosting | |
Cahill et al. | Detecting fraud in the real world | |
US10637990B1 (en) | Call center load balancing and routing management | |
US20170039637A1 (en) | Computer-implemented method, a system and computer program products for assessing the credit worthiness of a user | |
JP2020522832A (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
CN110147925B (zh) | 一种风险决策方法、装置、设备及系统 | |
CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及系统 | |
US11716422B1 (en) | Call center load balancing and routing management | |
CN111383093A (zh) | 账单逾期智能催收方法及系统 | |
Onar et al. | A fuzzy rule based inference system for early debt collection | |
CN110892435A (zh) | 用于标识和瞄准金融装置以促成重复交易的系统和方法 | |
CN116645134A (zh) | 一种信用卡分期的推荐方法、装置、设备及介质 | |
JP6411562B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2017151527A (ja) | 情報処理装置及び情報処理方法 | |
Ahn et al. | A novel customer scoring model to encourage the use of mobile value added services | |
US11887185B2 (en) | Systems and methods for identifying and capturing potential bankcard spending | |
Droftina et al. | A diffusion model for churn prediction based on sociometric theory | |
US20200193486A1 (en) | System and method for determining bid vector transformed predictive click-through rate | |
Adedoyin | Predicting fraud in mobile money transfer | |
CN111199473A (zh) | 基于交易记录信息的反作弊方法、装置和系统 | |
Keles et al. | IBMMS decision support tool for management of bank telemarketing campaigns | |
CN111192045A (zh) | 基于交易记录信息的反作弊方法、装置和系统 | |
CN111091460A (zh) | 一种数据处理方法及装置 | |
JP2018160258A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN108564380B (zh) | 一种基于迭代决策树的电信用户分类方法 |
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 |