CN116883070A - 一种银行代发薪资客户流失预警方法 - Google Patents

一种银行代发薪资客户流失预警方法 Download PDF

Info

Publication number
CN116883070A
CN116883070A CN202311136660.8A CN202311136660A CN116883070A CN 116883070 A CN116883070 A CN 116883070A CN 202311136660 A CN202311136660 A CN 202311136660A CN 116883070 A CN116883070 A CN 116883070A
Authority
CN
China
Prior art keywords
customer
product
dimension
time
data set
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
Application number
CN202311136660.8A
Other languages
English (en)
Inventor
贾世林
王璐珊
李梦霄
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.)
Bank Of Shanghai Co ltd
Original Assignee
Bank Of Shanghai 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 Bank Of Shanghai Co ltd filed Critical Bank Of Shanghai Co ltd
Priority to CN202311136660.8A priority Critical patent/CN116883070A/zh
Publication of CN116883070A publication Critical patent/CN116883070A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种银行代发薪资客户流失预警方法，包括以下步骤：获取各客户基础特征；计算各客户与银行产品之间的粘性值；提取各客户的时序特征；将上述特征进行拼接，对拼接后的特征标记正负样本；将拼接后的特征划分为训练数据集、验证数据集和测试数据集；将训练数据集和验证数据集输入XGBOOST模型进行训练，采用测试数据集对训练好的XGBOOST模型进行测试；获取待测试客户及其特征，将特征输入训练好的XGBOOST模型中，XGBOOST模型输出待测试客户的流失预测概率。本发明通过建立更加准确的客户流失预测模型，使银行能够精准及时地采取营销和挽留措施，降低银行经营风险。

Description

一种银行代发薪资客户流失预警方法
技术领域
本发明涉及风险预测技术领域，特别涉及一种银行代发薪资客户流失预警方法。
背景技术
传统的流失预警方法是基于客户信息进行流失分析建模，传统模型主要存在两个问题：其一，传统的客户流失模型仅仅考虑客户特征，特征维度过于单一，不同的产品对于客户的用户粘性不同，如果客户和银行的关系越紧密，代表着客户和产品间的粘性越高，而该客户流失的可能性则更低。传统方法忽略了用户及银行产品间的粘性特征。其二，代发薪资客户和普通的银行客户不同，代发薪资客户具有更高的活力，因此对于时间的敏感度更髙，传统模型的特征过于单一，缺乏时间维度的属性，难以提取到时序方面的有用信息。由于缺乏时间特征提取模块，对于客户流失的时间敏感度极低，客户一些特征变化在特定的时间窗口下很难观察到，而客户流失的预测任务又是和时间高度相关的，因此客户流失的时间节点是流失判断的重要依据。
因此，有必要提供一种银行代发薪资客户流失预警方法，通过建立更加准确的客户流失预测模型，使银行能够精准及时地采取营销和挽留措施，降低银行经营风险。
发明内容
本发明的目的在于提供一种银行代发薪资客户流失预警方法，通过建立更加准确的客户流失预测模型，使银行能够精准及时地采取营销和挽留措施，降低银行经营风险。
为了解决现有技术中存在的问题，本发明提供了一种银行代发薪资客户流失预警方法，包括以下步骤：
获取各客户基础特征；
计算各客户与银行产品之间的粘性值；
提取各客户的时序特征；
将各客户基础特征、各客户与银行产品之间的粘性值和各客户的时序特征进行拼接，根据历史数据中的流失客户和非流失客户，对拼接后的特征标记正负样本；
将拼接后的特征划分为训练数据集、验证数据集和测试数据集；
将训练数据集和验证数据集输入XGBOOST模型进行训练，采用测试数据集对训练好的XGBOOST模型进行测试；
获取待测试客户及其特征，将特征输入训练好的XGBOOST模型中，XGBOOST模型输出待测试客户的流失预测概率。
可选的，在所述银行代发薪资客户流失预警方法中，
所述客户基础特征包括年龄、性别、学历、风评信息、渠道信息、资产信息、标识信息和信用卡信息。
可选的，在所述银行代发薪资客户流失预警方法中，计算任一客户与银行产品之间的粘性值，方式如下：
设置多个粘性维度，
提取与该客户相关的所有产品，计算该客户在任一维度下各产品的值；
采用加权求和的方式计算该客户在任一维度下的和值，方式如下：
A=∑(xi *ri) (i=1,2,...,n)，其中，A为该客户在任一维度下的和值，n为在任一维度下，与该客户交互的产品的数量，xi为各产品的活性值，ri为该客户在任一维度下的各交互产品的计算值；
根据该客户在所有维度下的和值计算该客户的粘性特征值，方式如下：
Fpv=∑(Aj *Bj) (j=1,2,...,m)，其中，Fpv为该客户的粘性特征值，m为粘性维度的数量，Aj为该客户在任一维度下的和值，Bj为对应维度的权重。
可选的，在所述银行代发薪资客户流失预警方法中，粘性维度包括：客户最近一次触达该产品距今的时长、客户设定时间内重复触达该产品的频率、客户触达该产品在设定时间内累计停留时间、渠道、1级属性的产品、2级属性的产品、3级属性的产品以及核心标识产品，其中1级属性的产品包括：投资理财、生活消费和信用卡服务，2级属性的产品包括：个人理财和信用卡还款，3级属性的产品包括：理财、保险、基金和存款。
可选的，在所述银行代发薪资客户流失预警方法中，
维度为客户最近一次触达该产品距今的时长时，ri为该客户最近一次触达该产品距今的时长；
维度为客户设定时间内重复触达该产品的频率时，ri为该客户设定时间内重复触达该产品的频率；
维度为客户触达该产品在设定时间内累计停留时间时，ri为该客户触达该产品在设定时间内累计停留时间；
维度为渠道时，ri为该客户触达该产品的渠道数量；
维度为1级属性的产品时，ri为与该客户相关的所有1级属性的产品的数量；
维度为2级属性的产品时，ri为与该客户相关的所有2级属性的产品的数量；
维度为3级属性的产品时，ri为与该客户相关的所有3级属性的产品的数量；
维度为核心标识产品时，ri为与该客户相关的所有产品中核心标识产品的数量。
可选的，在所述银行代发薪资客户流失预警方法中，提取各客户的时序特征，指标包括转账次数、登录次数、查询次数和日均存款，方式如下：
对每一个指标构建不同的分析时间窗口；
对于多个指标，依据多个分析时间窗口，拓展为指标矩阵；
对指标矩阵进行降维处理，形成各客户的时序特征。
可选的，在所述银行代发薪资客户流失预警方法中，分析时间窗口包括：1天、2天、5天、1星期、2星期、一个月、2个月、3个月、半年和一年。
可选的，在所述银行代发薪资客户流失预警方法中，标记正负样本之后，划分训练数据集和测试数据集之前，还包括以下步骤：
对拼接后的特征进行清洗加工；
对特征进行处理，以根据重要性对特征进行排名。
可选的，在所述银行代发薪资客户流失预警方法中，在训练时，根据概率值对流失预测概率进行分组，并对不同组设定不同的挽留方式。
在本发明所提供的银行代发薪资客户流失预警方法中，通过增加各客户与银行产品之间的粘性值、客户的时序特征，进而训练得到更加准确的客户流失预测模型，客户流失预测模型考虑了客户的产品触达率、结合产品基本特征，提高了客户流失预测模型对于时间的敏感度，从而帮助银行能够精准及时地采取营销、挽留措施，降低了银行经营风险。
附图说明
图1为本发明实施例提供的客户流失预测模型建立的流程图；
图2为本发明实施例提供的计算客户流失预测概率的流程图；
图3为本发明实施例提供的模型训练Loss图；
图4a-4b为本发明实施例提供的预测效果表现示意图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
在下文中，如果本文所述的方法包括一系列步骤，本文所呈现的这些步骤的顺序并非必须是可执行这些步骤的唯一顺序，且一些所述的步骤可被省略和/或一些本文未描述的其他步骤可被添加到该方法。
现有技术中，传统的流失预警方法是基于客户信息进行流失分析建模，传统模型主要存在两个问题：其一，传统的客户流失模型仅仅考虑客户特征，特征维度过于单一，忽略了用户及银行产品间的粘性特征。其二，代发薪资客户和普通的银行客户不同，代发薪资客户具有更高的活力，因此对于时间的敏感度更髙，传统模型的特征过于单一，缺乏时间维度的属性。
为了解决现有技术中存在的问题，本发明提供了一种银行代发薪资客户流失预警方法，参考图1，训练包括以下步骤：
S1：获取各客户基础特征，所述客户基础特征包括年龄、性别、学历、风评信息、渠道信息、资产信息、标识信息和信用卡信息；
S2：计算各客户与银行产品之间的粘性值，主要通过利用RFM模型来量化客户与产品之间的粘性，方式如下：
设置多个粘性维度，
提取与该客户相关的所有产品，计算该客户在任一维度下各产品的值；
采用加权求和的方式计算该客户在任一维度下的和值，方式如下：
A=∑(xi *ri) (i=1,2,...,n)，其中，A为该客户在任一维度下的和值，n为在任一维度下，与该客户交互的产品的数量，xi为各产品的活性值（根据业务的先验知识获得），ri为该客户在任一维度下的各交互产品的计算值；
根据该客户在所有维度下的和值计算该客户的粘性特征值，方式如下：
Fpv=∑(Aj *Bj) (j=1,2,...,m)，其中，Fpv为该客户的粘性特征值，m为粘性维度的数量，Aj为该客户在任一维度下的和值，Bj为对应维度的权重，Bj又称粘性归一化因子，为业务的先验知识，通过对自然情况下的客户各维度统计，参考对比各维度值域和分布占比，得到客户各维度下分布情况状态的初始权重值Bj。
进一步的，粘性维度包括：客户最近一次触达该产品距今的时长R、客户设定时间内重复触达该产品的频率F、客户触达该产品在设定时间内累计停留时间M、渠道、1级属性的产品、2级属性的产品、3级属性的产品以及核心标识产品，其中1级属性的产品包括：投资理财、生活消费和信用卡服务，2级属性的产品包括：个人理财和信用卡还款，3级属性的产品包括：理财、保险、基金和存款。其中，核心标识产品为当前业务产品中带有核心标识的产品。
再进一步的，维度为客户最近一次触达该产品距今的时长时，ri为该客户最近一次触达该产品距今的时长；维度为客户设定时间内重复触达该产品的频率时，ri为该客户设定时间内重复触达该产品的频率；维度为客户触达该产品在设定时间内累计停留时间时，ri为该客户触达该产品在设定时间内累计停留时间；维度为渠道时，ri为该客户触达该产品的渠道数量；维度为1级属性的产品时，i为与该客户相关的所有1级属性的产品的数量；维度为2级属性的产品时，ri为与该客户相关的所有2级属性的产品的数量；维度为3级属性的产品时，ri为与该客户相关的所有3级属性的产品的数量；维度为核心标识产品时，ri为与该客户相关的所有产品中核心标识产品的数量。
S3：利用主成分分析方法(PCA)提取各客户的时序特征，方式如下：
S31：设置指标，指标包括转账次数、登录次数、查询次数和日均存款，当然还可以根据需求添加/修改/删除指标，在一个实施例中，指标如下：Dh=[P1,P2,P3,...Ph]，Dh表示设置的h个指标的集合；
S32：对每一个指标构建不同的分析时间窗口，分析时间窗口包括：1天、2天、5天、1星期、2星期、一个月、2个月、3个月、半年和一年，当然还可以根据需求添加/修改/删除分析时间窗口，在一个实施例中，分析时间窗口如下：Th= [T1,T2,T3,T4,...,Tk]，其中，Th为当前客户第h个指标的分析时间窗口的集合，T1,T2,T3,T4,...,Tk表示k个分析时间窗口；
S33：对于多个指标，依据多个分析时间窗口，拓展为h*k的指标矩阵；
S34：对指标矩阵进行降维处理，形成各客户的时序特征，在一个实施例中，采用主成分分析方法(PCA)进行降维。
S4：将各客户基础特征、各客户与银行产品之间的粘性值和各客户的时序特征进行拼接，根据历史数据中的流失客户和非流失客户，对拼接后的特征标记正负样本；
S5：对拼接后的特征进行预处理，
S51：对拼接后的特征进行清洗加工，清洗方式如下：
如对空值进行处理和填充，检测并删除异常值，利用特征之间的相关性系数，删除相关性过高的重复特征。
S52：对特征进行处理，以根据重要性对特征进行排名，方式如下：
对具有特殊含义的标签结合业务含义进行分箱，对特征进行类型转换，使其符合真实的数据类型。对类别型特征进行类别编码。通过包裹式和过滤式结合的方法，对特征进行筛选。通过不断加入和减少特征，查看是否对预测结果有影响，来判断特征是否有作用，通过这种方法可以初步剔除无效特征，获得特征重要性排名，并降低模型的复杂度，形成特征工程。
S6：将拼接后的特征工程划分为训练数据集、验证数据集和测试数据集；将训练数据集和验证数据集输入XGBOOST模型进行训练，采用测试数据集对训练好的XGBOOST模型进行测试；
在一个实施例中，训练数据集、验证数据集和测试数据集的比例为8:1:1。由于流失样本和非流失样本比例不均衡，对训练数据集做降采样处理，降采样的比例为1:4；
S61，构建RFM-PCA模型结构，初始化模型参数值，利用参数搜索方法搜索最优参数，并设置早停策略，即设定轮廓系数阈值为5，当模型的损失值loss在验证数据集为连续5轮不下降时，则模型自动停止训练，以防止模型过拟合。最终模型参数为树的颗数为800、树的深度depth为5、L1正则和L2正则分别为0.01和0.01，利用训练集和验证集训练模型，训练时的损失值loss如图3所示。
S62：将测试数据集的样本输入训练好的XGBOOST模型中，进行测试验证，测试验证指标有混淆矩阵、accuracy（准确率）、precision（精准率）、recall（召回率）、F1 score。经过测试验证，在XGBOOST模型中有明显效果，模型在独立同分布的测试集下的各项评估指标表现较好，混淆矩阵如图4a，最终的预测结果如图4b所示，召回率达到0.721，精准率为0.517，准确率为0.876，综合指标F1 score为0.602。
进一步的，如表1所示，在不同的流失预测概率得分Score分组下（10组），当概率在0.5以上时候，概率越接近1，样本越有可能是流失样本，且准确率越高，当概率在0.5以下时候，概率越接近0，准确率越高，且样本越有可能是非流失样本。
表1
score分组 样本占比 真正例 伪正例 伪负例 真负例 准确率 召回率 Specificity 本组AUC 积累AUC
(0.900, 1.000] 0.009 678 90 0 0 0.883 1 0 0 0
(0.800, 0.900] 0.023 1418 514 0 0 0.734 1 0 0.001 0.001
(0.700, 0.800] 0.038 1800 1343 0 0 0.573 1 0 0.005 0.006
(0.600, 0.700] 0.066 2538 3020 0 0 0.457 1 0 0.02 0.026
(0.500, 0.600] 0.046 1451 2407 0 0 0.376 1 0 0.022 0.048
(0.400, 0.500] 0.036 0 0 841 2135 0.717 0 1 0.022 0.07
(0.300, 0.400] 0.04 0 0 667 2699 0.802 0 1 0.031 0.101
(0.200, 0.300] 0.047 0 0 530 3402 0.865 0 1 0.041 0.143
(0.100, 0.200] 0.074 0 0 463 5692 0.925 0 1 0.073 0.215
(0.000, 0.100] 0.622 0 0 548 51487 0.989 0 1 0.7 0.916
S63：根据前述的分组情况，对不同组设定不同的挽留方式。例如（0.900，1.000]组中，为非常容易流失的客户，则进行预警，并设置最优的挽回条件等，以此类推，设置多个挽回方式。本发明对不同的分组进行不同的分层流失预警。
参考图2，预测包括以下步骤：
S71：获取待测试客户的基本信息，包括客户基础特征、客户产品触达率（即各客户与银行产品之间的粘性值）和客户时间变化特征（即客户的时序特征）。
S72：拼接S71中的特征，形成特征矩阵；
S73：将特征输入训练好的XGBOOST模型中，XGBOOST模型输出待测试客户的流失预测概率；
S74：根据待测试客户的流失预测概率进行处理，若待测试客户的流失预测概率高则选择对应挽留方式进行挽回，若待测试客户的流失预测概率低，则不必处理。
综上，在本发明所提供的银行代发薪资客户流失预警方法中，通过增加各客户与银行产品之间的粘性值、客户的时序特征，进而训练得到更加准确的客户流失预测模型，客户流失预测模型考虑了客户的产品触达率、结合产品基本特征，提高了客户流失预测模型对于时间的敏感度，从而帮助银行能够精准及时地采取营销、挽留措施，降低了银行经营风险。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (9)

1.一种银行代发薪资客户流失预警方法，其特征在于，包括以下步骤：
获取各客户基础特征；
计算各客户与银行产品之间的粘性值；
提取各客户的时序特征；
将各客户基础特征、各客户与银行产品之间的粘性值和各客户的时序特征进行拼接，根据历史数据中的流失客户和非流失客户，对拼接后的特征标记正负样本；
将拼接后的特征划分为训练数据集、验证数据集和测试数据集；
将训练数据集和验证数据集输入XGBOOST模型进行训练，采用测试数据集对训练好的XGBOOST模型进行测试；
获取待测试客户及其特征，将特征输入训练好的XGBOOST模型中，XGBOOST模型输出待测试客户的流失预测概率。
2.如权利要求1所述的银行代发薪资客户流失预警方法，其特征在于，
所述客户基础特征包括年龄、性别、学历、风评信息、渠道信息、资产信息、标识信息和信用卡信息。
3.如权利要求1所述的银行代发薪资客户流失预警方法，其特征在于，计算任一客户与银行产品之间的粘性值，方式如下：
设置多个粘性维度，
提取与该客户相关的所有产品，计算该客户在任一维度下各产品的值；
采用加权求和的方式计算该客户在任一维度下的和值，方式如下：
A=∑(xi *ri) (i=1,2,...,n)，其中，A为该客户在任一维度下的和值，n为在任一维度下，与该客户交互的产品的数量，xi为各产品的活性值，ri为该客户在任一维度下的各交互产品的计算值；
根据该客户在所有维度下的和值计算该客户的粘性特征值，方式如下：
Fpv=∑(Aj *Bj) (j=1,2,...,m)，其中，Fpv为该客户的粘性特征值，m为粘性维度的数量，Aj为该客户在任一维度下的和值，Bj为对应维度的权重。
4.如权利要求3所述的银行代发薪资客户流失预警方法，其特征在于，粘性维度包括：客户最近一次触达该产品距今的时长、客户设定时间内重复触达该产品的频率、客户触达该产品在设定时间内累计停留时间、渠道、1级属性的产品、2级属性的产品、3级属性的产品以及核心标识产品，其中1级属性的产品包括：投资理财、生活消费和信用卡服务，2级属性的产品包括：个人理财和信用卡还款，3级属性的产品包括：理财、保险、基金和存款。
5.如权利要求4所述的银行代发薪资客户流失预警方法，其特征在于，
维度为客户最近一次触达该产品距今的时长时，ri为该客户最近一次触达该产品距今的时长；
维度为客户设定时间内重复触达该产品的频率时，ri为该客户设定时间内重复触达该产品的频率；
维度为客户触达该产品在设定时间内累计停留时间时，ri为该客户触达该产品在设定时间内累计停留时间；
维度为渠道时，ri为该客户触达该产品的渠道数量；
维度为1级属性的产品时，ri为与该客户相关的所有1级属性的产品的数量；
维度为2级属性的产品时，ri为与该客户相关的所有2级属性的产品的数量；
维度为3级属性的产品时，ri为与该客户相关的所有3级属性的产品的数量；
维度为核心标识产品时，ri为与该客户相关的所有产品中核心标识产品的数量。
6.如权利要求1所述的银行代发薪资客户流失预警方法，其特征在于，提取各客户的时序特征，指标包括转账次数、登录次数、查询次数和日均存款，方式如下：
对每一个指标构建不同的分析时间窗口；
对于多个指标，依据多个分析时间窗口，拓展为指标矩阵；
对指标矩阵进行降维处理，形成各客户的时序特征。
7.如权利要求6所述的银行代发薪资客户流失预警方法，其特征在于，分析时间窗口包括：1天、2天、5天、1星期、2星期、一个月、2个月、3个月、半年和一年。
8.如权利要求1所述的银行代发薪资客户流失预警方法，其特征在于，标记正负样本之后，划分训练数据集和测试数据集之前，还包括以下步骤：
对拼接后的特征进行清洗加工；
对特征进行处理，以根据重要性对特征进行排名。
9.如权利要求1所述的银行代发薪资客户流失预警方法，其特征在于，在训练时，根据概率值对流失预测概率进行分组，并对不同组设定不同的挽留方式。
CN202311136660.8A 2023-09-05 2023-09-05 一种银行代发薪资客户流失预警方法 Pending CN116883070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311136660.8A CN116883070A (zh) 2023-09-05 2023-09-05 一种银行代发薪资客户流失预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311136660.8A CN116883070A (zh) 2023-09-05 2023-09-05 一种银行代发薪资客户流失预警方法

Publications (1)

Publication Number Publication Date
CN116883070A true CN116883070A (zh) 2023-10-13

Family

ID=88271763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311136660.8A Pending CN116883070A (zh) 2023-09-05 2023-09-05 一种银行代发薪资客户流失预警方法

Country Status (1)

Country Link
CN (1) CN116883070A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422181A (zh) * 2023-12-15 2024-01-19 湖南三湘银行股份有限公司 一种基于模糊标签的代发客户流失预警方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285038A (zh) * 2018-10-16 2019-01-29 浪潮软件集团有限公司 一种通过bp神经网络预测银行客户流失的方法
CN110837931A (zh) * 2019-11-08 2020-02-25 中国农业银行股份有限公司 客户流失预测方法、装置及存储介质
CN110889724A (zh) * 2019-11-22 2020-03-17 北京明略软件系统有限公司 客户流失预测方法、装置、电子设备和存储介质
CN112308623A (zh) * 2020-11-09 2021-02-02 中南大学 基于监督学习的优质客户流失预测方法、装置及存储介质
CN112561598A (zh) * 2020-12-23 2021-03-26 中国农业银行股份有限公司重庆市分行 基于客户画像的客户流失预测及挽回方法和系统
CN114418604A (zh) * 2021-11-16 2022-04-29 中国农业银行股份有限公司深圳市分行 一种掌银易流失客户促活成功概率预测方法、装置及存储介质
CN115375444A (zh) * 2022-08-24 2022-11-22 中国银行股份有限公司 一种客户流失报警方法、系统、电子设备及存储介质
CN116091185A (zh) * 2022-11-28 2023-05-09 中国银行股份有限公司 一种客户流失预警方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285038A (zh) * 2018-10-16 2019-01-29 浪潮软件集团有限公司 一种通过bp神经网络预测银行客户流失的方法
CN110837931A (zh) * 2019-11-08 2020-02-25 中国农业银行股份有限公司 客户流失预测方法、装置及存储介质
CN110889724A (zh) * 2019-11-22 2020-03-17 北京明略软件系统有限公司 客户流失预测方法、装置、电子设备和存储介质
CN112308623A (zh) * 2020-11-09 2021-02-02 中南大学 基于监督学习的优质客户流失预测方法、装置及存储介质
CN112561598A (zh) * 2020-12-23 2021-03-26 中国农业银行股份有限公司重庆市分行 基于客户画像的客户流失预测及挽回方法和系统
CN114418604A (zh) * 2021-11-16 2022-04-29 中国农业银行股份有限公司深圳市分行 一种掌银易流失客户促活成功概率预测方法、装置及存储介质
CN115375444A (zh) * 2022-08-24 2022-11-22 中国银行股份有限公司 一种客户流失报警方法、系统、电子设备及存储介质
CN116091185A (zh) * 2022-11-28 2023-05-09 中国银行股份有限公司 一种客户流失预警方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422181A (zh) * 2023-12-15 2024-01-19 湖南三湘银行股份有限公司 一种基于模糊标签的代发客户流失预警方法及系统
CN117422181B (zh) * 2023-12-15 2024-04-02 湖南三湘银行股份有限公司 一种基于模糊标签的代发客户流失预警方法及系统

Similar Documents

Publication Publication Date Title
CN112102073A (zh) 信贷风险控制方法及系统、电子设备及可读存储介质
CN111507831A (zh) 信贷风险自动评估方法和装置
CN109472626B (zh) 一种面向手机租赁业务的智能金融风险控制方法及系统
CN112906892A (zh) 一种基于深度学习与知识图谱的设备故障智能诊断方法
CN111583012B (zh) 融合文本信息的信用债发债主体违约风险评估方法
CN113051291A (zh) 工单信息的处理方法、装置、设备及存储介质
CN112419029B (zh) 类金融机构风险监控方法、风险模拟系统及存储介质
CN112581291B (zh) 风险测评异动检测方法、装置、设备及存储介质
Weerahandi et al. A choice-based approach to the diffusion of a service: Forecasting fax penetration by market segments
CN116883070A (zh) 一种银行代发薪资客户流失预警方法
CN111882420A (zh) 响应率的生成方法、营销方法、模型训练方法及装置
CN104850868A (zh) 一种基于k-means和神经网络聚类的客户细分方法
CN113159461A (zh) 基于样本迁移学习的中小微企业信用评价方法
CN113112186A (zh) 一种企业评估方法、装置及设备
CN118134630A (zh) 信用风险等级评估方法、装置及电子设备
CN113988459A (zh) 一种基于电力营销数据的中小企业成长性评估方法及系统
CN117787715A (zh) 基于信息框架生成客户画像的金融风控方法和系统
CN117611250A (zh) 问卷数据处理方法、装置、计算机设备和存储介质
CN112102069A (zh) 一种个人房产按揭贷款信息录入分析系统
CN101449284A (zh) 使用互相关的流量参数对至网络站点的流量质量进行的评分
CN115358878A (zh) 理财用户风险偏好等级分析方法及装置
CN113592140A (zh) 电费缴纳预测模型训练系统和电费缴纳预测模型
CN113706258A (zh) 基于组合模型的产品推荐方法、装置、设备及存储介质
CN112750023A (zh) 一种基于因素分析的消费金融用户收益估算方法
Siregar et al. Classification data for direct marketing using deep learning

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20231013