CN117078369A - 金融类用户用卡升级推荐方法、装置、电子设备及存储介质 - Google Patents
金融类用户用卡升级推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117078369A CN117078369A CN202311021350.1A CN202311021350A CN117078369A CN 117078369 A CN117078369 A CN 117078369A CN 202311021350 A CN202311021350 A CN 202311021350A CN 117078369 A CN117078369 A CN 117078369A
- Authority
- CN
- China
- Prior art keywords
- user
- card
- information
- processed
- target user
- 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 42
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000007637 random forest analysis Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种金融类用户用卡升级推荐方法、装置、电子设备及存储介质,其中方法包括:获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;根据所述目标用户的卡片升级推荐信息进行卡片升级推荐,可以准确地了解用户的消费习惯和信用记录,从而智能推荐适合用户的升级卡片。
Description
技术领域
本申请涉及内容推荐技术领域,尤其涉及一种金融类用户用卡升级推荐方法、装置、电子设备及存储介质。
背景技术
随着消费方式的增加和消费观念的变化,信用卡客户增多,且普通金卡客户会有升级高端卡片的想法,以享受高端卡片带来的权益服务。
目前银行针对本行用户,将所有的高端卡片全部推荐给可以升级的客户,没有考虑每个客户的实际诉求,推荐内容不够精准,客户升级卡片的实际成交量也不高。
发明内容
本申请实施例提供一种金融类用户用卡升级推荐方法、装置、电子设备及存储介质,可以准确地了解用户的消费习惯和信用记录,从而智能推荐适合用户的升级卡片。
第一方面,本申请实施例提供了一种金融类用户用卡升级推荐方法,所述方法包括:
获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;
对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;
构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;
使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;
根据所述目标用户的卡片升级推荐信息进行卡片升级推荐。
在一种可选的实施方式中,所述待处理的用户数据还包括所述用户对高端卡片的需求程度;
所述用户对高端卡片的需求程度根据所述用户的用卡行为信息确定,所述用卡行为信息包括但不限于:使用卡片的高级功能的频率、在高端商户消费的频率、积分兑换需求。
在一种可选的实施方式中,所述获取待处理的用户数据,包括:
根据所述用户在银行的存款及信用卡消费情况、以及所述用户的工作类型、职称、收入证明确定所述用户的收入等级;
从征信机构的报告或者银行内部的风险评估系统中获取所述用户的信用等级;或者,
根据所述用户的信用卡的还款及逾期情况确定所述用户的信用等级。
在一种可选的实施方式中,所述对所述待处理的用户数据进行整理和分析处理,包括:
将所述待处理的用户数据统一数据格式;
对所述待处理的用户数据进行去重处理;
将所述待处理的用户数据中不同类型的数据进行分类。
在一种可选的实施方式中,所述使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息,包括:
对所述目标用户的信息进行数据处理和特征工程,获得所述目标用户的信息对应的特征向量;
将所述目标用户的信息对应的特征向量输入所述训练后的推荐模型,输出所述目标用户对待推荐卡片的需求概率。
在一种可选的实施方式中,所述目标用户的信息对应的特征向量,包括:
所述目标用户的消费类别特征和消费金额特征;
所述目标用户的交易日期特征;
所述目标用户的个人属性特征;
所述目标用户的信用历史记录特征。
在一种可选的实施方式中,所述根据所述目标用户的卡片升级推荐信息进行卡片升级推荐,包括:
判断所述目标用户对待推荐卡片的需求概率是否大于预设概率;
若大于,向所述目标用户推荐所述待推荐卡片。
第二方面,本申请实施例提供了一种金融类用户用卡升级推荐装置,包括:
获取模块,用于获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;
预处理模块,用于对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;
模型构建模块,用于构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;
执行模块,用于使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;
推荐模块,用于根据所述目标用户的卡片升级推荐信息进行卡片升级推荐。
可选的,所述待处理的用户数据还包括所述用户对高端卡片的需求程度;
所述用户对高端卡片的需求程度根据所述用户的用卡行为信息确定,所述用卡行为信息包括但不限于:使用卡片的高级功能的频率、在高端商户消费的频率、积分兑换需求。
可选的,所述获取模块,具体用于:
根据所述用户在银行的存款及信用卡消费情况、以及所述用户的工作类型、职称、收入证明确定所述用户的收入等级;
从征信机构的报告或者银行内部的风险评估系统中获取所述用户的信用等级;或者,
根据所述用户的信用卡的还款及逾期情况确定所述用户的信用等级。
可选的,所述预处理模块,具体用于:
将所述待处理的用户数据统一数据格式;
对所述待处理的用户数据进行去重处理;
将所述待处理的用户数据中不同类型的数据进行分类。
可选的,所述执行模块,具体用于:
对所述目标用户的信息进行数据处理和特征工程,获得所述目标用户的信息对应的特征向量;
将所述目标用户的信息对应的特征向量输入所述训练后的推荐模型,输出所述目标用户对待推荐卡片的需求概率。
可选的,所述目标用户的信息对应的特征向量,包括:
所述目标用户的消费类别特征和消费金额特征;
所述目标用户的交易日期特征;
所述目标用户的个人属性特征;
所述目标用户的信用历史记录特征。
可选的,所述推荐模块,具体用于:
判断所述目标用户对待推荐卡片的需求概率是否大于预设概率;
若大于,向所述目标用户推荐所述待推荐卡片。
第三方面,本申请实施例还提供了一种电子设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如第一方面及其任一种可能的实施方式所述的方法。
第四方面,本申请实施例提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面及其任一种可能的实施方式的方法。
本申请实施例通过获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;根据所述目标用户的卡片升级推荐信息进行卡片升级推荐,可以准确地了解用户的消费习惯和信用记录,从而智能精准推荐适合用户的升级卡片,提高用户的满意度和忠诚度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种金融类用户用卡升级推荐方法的流程示意图;
图2是本申请实施例提供的一种金融类用户用卡升级推荐装置的结构示意图;
图3是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
基于本申请中的实施例,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,都属于本申请保护的范围。
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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了能够更好地理解本申请实施例,下面将对应用本申请实施例的方法进行介绍。
本申请实施例中提到的终端设备包括但不限于台式计算机、移动终端,上述移动终端可包括各种具有无线通信功能的手持设备、计算设备例如笔记本电脑,或连接到无线调制解调器的其他处理设备等等。
请参见图1,是本申请实施例提供的一种金融类用户用卡升级推荐方法的示意流程图,如图1所示,该方法可包括:
101、获取待处理的用户数据,上述待处理的用户数据包括用户的收入水平信息和上述用户的信用评级信息。
本申请实施例中的执行主体可以为一种金融类用户用卡升级推荐装置,具体的,可以使用电子设备实现,上述电子设备可以为终端设备。
其中,上述待处理的用户数据是用于模型训练的样本数据,可以通过银行等平台或其他合法渠道获得,用户数据主要包括多个用户的基本信息、消费情况、收入水平和信用评级等方面的数据,这些数据可以作为金融用卡推荐的参考。
上述用户的收入水平信息和信用评级信息,在用户许可的情况下,可以金融系统中直接获取或分析获得。
在一种可选的实施方式中,上述步骤101包括:
根据上述用户在银行的存款及信用卡消费情况、以及上述用户的工作类型、职称、收入证明确定上述用户的收入等级;
从征信机构的报告或者银行内部的风险评估系统中获取上述用户的信用等级;或者,
根据上述用户的信用卡的还款及逾期情况确定上述用户的信用等级。
具体的,用户的收入水平信息,可以根据用户的工作类型、职称、收入证明等因素来确定。例如,对于工薪阶层的用户,可以根据月薪水平或者纳税记录来评定收入等级,对于自雇人士,可以根据其经营收入和纳税记录来评定收入等级。
用户的信用评级信息,可以从征信机构的报告或者银行内部的风险评估系统中获取。一般可包括用户的个人信用得分、负面信息记录、逾期记录等,这些都会对信用评级产生影响。
在一种可选的实施方式中,可以通过收集用户在本行的存款及信用卡消费情况,评定用户的收入水平,例如可以分为高、中、低三个等级。可以通过收集用户信用卡的还款及逾期情况,来评定用户的信用风险等级,分为高、中、低三个等级。
在一种可选的实施方式中,上述待处理的用户数据还包括上述用户对高端卡片的需求程度;
上述用户对高端卡片的需求程度根据上述用户的用卡行为信息确定,上述用卡行为信息包括但不限于:使用卡片的高级功能的频率、在高端商户消费的频率、积分兑换需求。
用户对高端卡片的需求程度,可以从用户的用卡行为中获取信息进行分析来确定,例如,用户是否经常使用卡片的高级功能、是否经常在高端商户消费、是否有一定的积分兑换需求等,可以根据需要设置相应的高端卡片的需求程度评价标准,按标准对用卡行为信息进行评估,来确定对高端卡片的需求程度,本申请实施例对此不做限制。
102、对上述待处理的用户数据进行整理和分析处理,获得处理后的用户数据。
在进行训练之前可以先对数据进行预处理。将收集到的待处理的用户数据进行整理和分析,可以包括数据清洗、数据处理。
在一种可选的实施方式中,上述对上述待处理的用户数据进行整理和分析处理,包括:
将上述待处理的用户数据统一数据格式;
对上述待处理的用户数据进行去重处理;
将上述待处理的用户数据中不同类型的数据进行分类。
其中,统一数据格式:将不同数据源的数据格式进行统一,例如将日期格式进行标准化,将货币单位进行统一等。
去重处理:对于重复的数据进行去重处理,避免重复计算和分析。
数据分类:将不同类型的数据进行分类,例如,按照存款金额进行分类,如金额在1-10万区间,10-100万区间,以便后续分析。
103、构建推荐模型,使用上述处理后的用户数据对上述推荐模型进行训练,获得训练后的推荐模型。
本申请实施例中可以构建智能算法模型,作为推荐模型,进行卡片升级推荐信息的预测,其模型主要可以是根据用户的收入水平信息、信用评级信息、对高端卡片的需求程度等预测用户对不同等级卡片的需求概率。
其中,可以根据需要选择合适的算法模型,构建用于预测卡片升级推荐信息的线性关系、决策树模型或者神经网络模型。
具体的,利用使用已有的用户数据对模型进行训练,以便让模型能够学习到客户需求量和高端卡之间的关系。
可选的,推荐模型使用神经网络模型的情况下,以下是一些需要设置的参数具体值和具体说明:
1.输入层神经元数量:可以根据具体的卡片信息而定,例如该卡片的特性数量、历史账单金额等,如果使用的是词向量表示,也需要确定每个词向量的维度。
2.隐藏层神经元数量:根据模型的规模和复杂程度来定,可以通过试错法来选择合适的数量。例如,如果卡片信息较为简单,则可以只设置少量的隐藏层神经元数;反之,则需要更加复杂的模型结构。
3.输出层神经元数量:根据具体的输出任务而定。在这种情况下,输出层可能只需要一个神经元,用于输出升级建议。
4.卷积核大小和步长:在使用卷积神经网络进行卡片图像处理时,需要确定卷积核的大小和步长,以捕捉卡片图像中的不同特征。例如,可以设置一个3x3的卷积核,并选择1个像素的步长。
5.激活函数的类型和参数:激活函数对于训练模型有着重要的作用,因此需要根据具体任务来选择适合的激活函数。例如,可以使用ReLU激活函数,来确保神经元之间的非线性关系。
具体的,常用的算法包括逻辑回归、决策树、随机森林等。本申请实施例种,这些算法的运算过程可以包括以下步骤:
(1)初始化模型参数:对模型参数进行初始化,以便让模型能够开始学习。
(2)计算损失函数:使用损失函数来评估模型的准确性和可靠性。
(3)反向传播:使用反向传播算法来更新模型参数,以便提高模型的准确性和可靠性。
可以根据需要选择模型和训练方法,进行相应的参数设置、模型训练,本申请实施例对此不做限制。
104、使用上述训练后的推荐模型,基于目标用户的信息预测上述目标用户的卡片升级推荐信息。
在推荐模型训练完成之后,可以使用训练后的推荐模型进行预测,获得用户的卡片升级推荐信息,进而进行卡片升级推荐。
在一种可选的实施方式中,上述步骤104包括:
对上述目标用户的信息进行数据处理和特征工程,获得上述目标用户的信息对应的特征向量;
将上述目标用户的信息对应的特征向量输入上述训练后的推荐模型,输出上述目标用户对待推荐卡片的需求概率。
本申请实施例中的金融类用户用卡升级推荐方法中,推荐模型的输入可以是根据用户交易数据等经过数据处理和特征工程得到的特征向量,输出是预测用户是否有升级卡片需求概率,具体可以包括对待推荐卡片的需求概率,此处的待推荐卡片的等级高于用户当前使用的卡片的等级。
在一种可选的实施方式中,上述目标用户的信息对应的特征向量,包括:
上述目标用户的消费类别特征和消费金额特征;
上述目标用户的交易日期特征;
上述目标用户的个人属性特征;
上述目标用户的信用历史记录特征。
具体来说,输入的特征向量可以包括:
用户的消费类别特征,如超市、餐饮、服装等;用户的消费金额特征;
用户的交易日期特征,如每月消费次数、消费额度等;
用户的个人属性特征,如年龄、性别、婚姻状况等;
用户的信用历史记录特征,如逾期次数、欠款金额等。
推荐模型输出的上述预测概率是一个标量值,可以表示用户对不同等级卡片的需求概率,例如,对于A卡片的需求概率,或者,对于A卡片的需求概率和对于B卡片的需求概率,其中,A卡片和B卡片的等级高于用户当前使用的卡片等级。
105、根据上述目标用户的卡片升级推荐信息进行卡片升级推荐。
具体的,在获得对目标用户的卡片升级推荐信息之后,可以根据卡片升级推荐信息对目标用户进行精准的推荐。主要可以根据预测概率来确定是否向目标用户推荐高端卡片,以及推荐何种卡片,预测的用户对于高端卡片的需求概率越高,则越需要向该用户推荐高端卡片。
在一种可选的实施方式中,上述步骤105,包括:
判断上述目标用户对待推荐卡片的需求概率是否大于预设概率;
若大于,向上述目标用户推荐上述待推荐卡片。
具体的,可以根据需要设置用于判断是否进行推荐的预设概率,则可以获取用户对高级卡片需求概率,将其与预设概率进行比较,若大于预设概率,则向该用户推荐该高级卡片。
待推荐卡片可以是任意等级高于用户当前使用的卡片等级的卡片。在可选的实施方式中,也可以同时推荐多个卡片。
例如,若预设概率为65%,用户a使用C卡片,预测到用户a对于A卡片的需求概率为80%,大于预设概率,则可以向用户a推荐A卡片,此处A卡片等级高于C卡片,且用户满足使用C卡片的条件(该条件可以在推荐前进行验证,后续不再赘述)。
可选的,可以预测用户对不同卡片的需求概率,即可以预测两种以上卡片的需求概率,需要注意的是,判断是否进行推送的高端卡片,是相比用户当前使用的卡片等级更高的,此处的等级主要是值用户权益、额度等方面的等级,不同的平台可以有不同的命名方式,例如可以是钻石卡的等级高于铂金卡。
当预测结果包括至少两种卡片的需求概率时,可以分别判断每个卡片是否进行推荐,例如,若预设概率为70%,用户b使用C卡片,而预测到用户b对于X卡片的需求概率为83%,对于M卡片的需求概率为87%,对于N卡片的需求概率为29%,则可以向用户b推荐X卡片和M卡片,不推荐N卡片。
进一步的,还可以根据用户对待推荐卡片的需求概率由高到低的顺序,进行卡片升级推荐,即优先推荐需求概率更高的卡片。
可选的,也可以只向用户推荐最高需求概率的卡片。
本申请实施例中,卡片推荐形式可以根据需要进行设置,例如向用户推荐卡片升级推送信息等,可以展示包括卡片名称、卡片权益等内容,本申请实施例对此不做限制。
本申请实施例中的方法通过收集用户的用卡数据,对用户进行分析和评估,能够更加准确地了解客户的消费习惯和信用记录,从而智能推荐适合用户的升级卡片,提高客户的满意度和忠诚度。
在前述方法实施例的基础上,本申请实施例还提供一种金融类用户用卡升级推荐装置。
请参见图2,图2是本申请实施例提供的一种金融类用户用卡升级推荐装置的结构示意图。如图2所示,该金融类用户用卡升级推荐装置200包括:
获取模块210,用于获取待处理的用户数据,上述待处理的用户数据包括用户的收入水平信息和上述用户的信用评级信息;
预处理模块220,用于对上述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;
模型构建模块230,用于构建推荐模型,使用上述处理后的用户数据对上述推荐模型进行训练,获得训练后的推荐模型;
执行模块240,用于使用上述训练后的推荐模型,基于目标用户的信息预测上述目标用户的卡片升级推荐信息;
推荐模块250,用于根据上述目标用户的卡片升级推荐信息进行卡片升级推荐。
可选的,上述待处理的用户数据还包括上述用户对高端卡片的需求程度;
上述用户对高端卡片的需求程度根据上述用户的用卡行为信息确定,上述用卡行为信息包括但不限于:使用卡片的高级功能的频率、在高端商户消费的频率、积分兑换需求。
可选的,上述获取模块210,具体用于:
根据上述用户在银行的存款及信用卡消费情况、以及上述用户的工作类型、职称、收入证明确定上述用户的收入等级;
从征信机构的报告或者银行内部的风险评估系统中获取上述用户的信用等级;或者,
根据上述用户的信用卡的还款及逾期情况确定上述用户的信用等级。
可选的,上述预处理模块220,具体用于:
将上述待处理的用户数据统一数据格式;
对上述待处理的用户数据进行去重处理;
将上述待处理的用户数据中不同类型的数据进行分类。
可选的,上述执行模块240,具体用于:
对上述目标用户的信息进行数据处理和特征工程,获得上述目标用户的信息对应的特征向量;
将上述目标用户的信息对应的特征向量输入上述训练后的推荐模型,输出上述目标用户对待推荐卡片的需求概率。
可选的,上述目标用户的信息对应的特征向量,包括:
上述目标用户的消费类别特征和消费金额特征;
上述目标用户的交易日期特征;
上述目标用户的个人属性特征;
上述目标用户的信用历史记录特征。
可选的,上述推荐模块250,具体用于:
判断上述目标用户对待推荐卡片的需求概率是否大于预设概率;
若大于,向上述目标用户推荐上述待推荐卡片。
根据本申请实施例的具体实施方式,图1所示的金融类用户用卡升级推荐方法涉及的步骤可以是由图2所示的金融类用户用卡升级推荐装置200中的各个模块来执行的,此处不再赘述。
通过本申请实施例的金融类用户用卡升级推荐装置200,金融类用户用卡升级推荐装置200通过获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;根据所述目标用户的卡片升级推荐信息进行卡片升级推荐,可以准确地了解用户的消费习惯和信用记录,从而智能精准推荐适合用户的升级卡片,提高用户的满意度和忠诚度。
请参阅图3,图3是本申请实施例公开的一种电子设备的结构示意图。如图3所示,该电子设备300包括处理器301和存储器302,其中,电子设备300还可以包括总线303,处理器301和存储器302可以通过总线303相互连接,总线303可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线303可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。其中,电子设备300还可以包括输入输出设备304,输入输出设备304可以包括显示屏,例如液晶显示屏。存储器302用于存储包含指令的一个或多个程序;处理器301用于调用存储在存储器302中的指令执行如图2实施例中提到的部分或全部方法步骤,或者如图1所示实施例中的一种金融类用户用卡升级推荐方法。上述方法可包括:
获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;
对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;
构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;
使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;
根据所述目标用户的卡片升级推荐信息进行卡片升级推荐。
应当理解,在本申请实施例中,所称处理器301可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器,并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如,存储器304还可以存储设备类型的信息。
通过本申请实施例的电子设备300,电子设备300可以获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;根据所述目标用户的卡片升级推荐信息进行卡片升级推荐,可以准确地了解用户的消费习惯和信用记录,从而智能精准推荐适合用户的升级卡片,提高用户的满意度和忠诚度。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种金融类用户用卡升级推荐方法的部分或全部步骤。
在上述实施例中,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,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述模块的划分,仅仅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,装置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模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
所述集成的模块如果以软件功能模块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器中。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器中,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。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种金融类用户用卡升级推荐方法,其特征在于,所述方法包括:
获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;
对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;
构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;
使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;
根据所述目标用户的卡片升级推荐信息进行卡片升级推荐。
2.根据权利要求1所述的方法,其特征在于,所述待处理的用户数据还包括所述用户对高端卡片的需求程度;
所述用户对高端卡片的需求程度根据所述用户的用卡行为信息确定,所述用卡行为信息包括但不限于:使用卡片的高级功能的频率、在高端商户消费的频率、积分兑换需求。
3.根据权利要求1所述的方法,其特征在于,所述获取待处理的用户数据,包括:
根据所述用户在银行的存款及信用卡消费情况、以及所述用户的工作类型、职称、收入证明确定所述用户的收入等级;
从征信机构的报告或者银行内部的风险评估系统中获取所述用户的信用等级;或者,
根据所述用户的信用卡的还款及逾期情况确定所述用户的信用等级。
4.根据权利要求1所述的方法,其特征在于,所述对所述待处理的用户数据进行整理和分析处理,包括:
将所述待处理的用户数据统一数据格式;
对所述待处理的用户数据进行去重处理;
将所述待处理的用户数据中不同类型的数据进行分类。
5.根据权利要求1所述的方法,其特征在于,所述使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息,包括:
对所述目标用户的信息进行数据处理和特征工程,获得所述目标用户的信息对应的特征向量;
将所述目标用户的信息对应的特征向量输入所述训练后的推荐模型,输出所述目标用户对待推荐卡片的需求概率。
6.根据权利要求5所述的方法,其特征在于,所述目标用户的信息对应的特征向量,包括:
所述目标用户的消费类别特征和消费金额特征;
所述目标用户的交易日期特征;
所述目标用户的个人属性特征;
所述目标用户的信用历史记录特征。
7.根据权利要求5所述的方法,其特征在于,所述根据所述目标用户的卡片升级推荐信息进行卡片升级推荐,包括:
判断所述目标用户对待推荐卡片的需求概率是否大于预设概率;
若大于,向所述目标用户推荐所述待推荐卡片。
8.一种金融类用户用卡升级推荐装置,其特征在于,包括:
获取模块,用于获取待处理的用户数据,所述待处理的用户数据包括用户的收入水平信息和所述用户的信用评级信息;
预处理模块,用于对所述待处理的用户数据进行整理和分析处理,获得处理后的用户数据;
模型构建模块,用于构建推荐模型,使用所述处理后的用户数据对所述推荐模型进行训练,获得训练后的推荐模型;
执行模块,用于使用所述训练后的推荐模型,基于目标用户的信息预测所述目标用户的卡片升级推荐信息;
推荐模块,用于根据所述目标用户的卡片升级推荐信息进行卡片升级推荐。
9.一种电子设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021350.1A CN117078369A (zh) | 2023-08-14 | 2023-08-14 | 金融类用户用卡升级推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021350.1A CN117078369A (zh) | 2023-08-14 | 2023-08-14 | 金融类用户用卡升级推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078369A true CN117078369A (zh) | 2023-11-17 |
Family
ID=88707280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311021350.1A Pending CN117078369A (zh) | 2023-08-14 | 2023-08-14 | 金融类用户用卡升级推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078369A (zh) |
-
2023
- 2023-08-14 CN CN202311021350.1A patent/CN117078369A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
US10896421B2 (en) | Smart retail analytics and commercial messaging | |
US20090276368A1 (en) | Systems and methods for providing personalized recommendations of products and services based on explicit and implicit user data and feedback | |
CN106600369A (zh) | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 | |
Chen et al. | Predicting default risk on peer-to-peer lending imbalanced datasets | |
CN112347367B (zh) | 信息服务提供方法、装置、电子设备和存储介质 | |
CN110069545B (zh) | 一种行为数据评估方法及装置 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN112598294A (zh) | 在线建立评分卡模型的方法、装置、机器可读介质及设备 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
Speakman et al. | Three population covariate shift for mobile phone-based credit scoring | |
CN111275071B (zh) | 预测模型训练、预测方法、装置及电子设备 | |
CN112734566A (zh) | 授信额度获取方法、装置及计算机设备 | |
CN116800831A (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
CN115689571A (zh) | 异常用户行为监测方法、装置、设备和介质 | |
CN117078369A (zh) | 金融类用户用卡升级推荐方法、装置、电子设备及存储介质 | |
CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控系统 | |
Lee et al. | Application of machine learning in credit risk scorecard | |
CN110610378A (zh) | 产品需求分析方法、装置、计算机设备和存储介质 | |
US20230186404A1 (en) | Method and System for Classifying Financial Transactions | |
CN115631023A (zh) | 一种信贷审核方法和相关装置 |
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 |