CN117172370A - 一种客户流失的预测方法、系统、设备及存储介质 - Google Patents
一种客户流失的预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117172370A CN117172370A CN202311136069.2A CN202311136069A CN117172370A CN 117172370 A CN117172370 A CN 117172370A CN 202311136069 A CN202311136069 A CN 202311136069A CN 117172370 A CN117172370 A CN 117172370A
- Authority
- CN
- China
- Prior art keywords
- client
- customer
- transaction data
- artificial intelligence
- loss
- 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 63
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 44
- 238000005516 engineering process Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种客户流失的预测方法、系统、设备及存储介质，可应用于金融领域或其他领域。在该方法中，收集客户历史交易数据；基于人工智能生成内容技术将客户历史交易数据转换为客户历史特征信息；根据客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；基于人工智能生成内容技术将客户当前交易数据转换为客户当前特征信息；将客户当前特征信息输入客户流失预测模型进行预测，得到客户流失的预测结果。由此可见，利用本申请实施例提供的方案，通过人工智能生成内容技术，基于大模型和海量数据训练得到客户流失预测模型，提高银行在预测潜在流失客户时的工作效率，并且便于银行维护客户，稳定银行收益。
Description
技术领域
本申请涉及金融领域，尤其涉及一种客户流失的预测方法、系统、设备及存储介质。
背景技术
在银行系统中，通过客户经理的定期维护来避免老客户的流失，但是对于客户而言，不同商业银行的使用体验并无太大区别，且银行切换并不会消耗成本，那么客户流失成为银行利润损耗中一项值得关注的因素。
因此，如何对预测客户流失，实现对客户及时有效地维护，避免造成银行利润损耗，是本领域技术人员需要解决的。
发明内容
本申请实施例提供了一种客户流失的预测方法、系统、设备及存储介质，可以有效预测客户流失，实现对客户及时有效地维护。
本申请第一方面提供了一种客户流失的预测方法，包括：
收集客户历史交易数据；
基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息；
根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；
获取客户当前交易数据，并基于所述人工智能生成内容技术将所述客户当前交易数据转换为客户当前特征信息；
将所述客户当前特征信息输入所述客户流失预测模型进行预测，得到客户流失的预测结果。
可选地，所述收集客户历史交易数据后，所述方法，还包括：
根据预设的比例将所述客户历史交易数据分为训练数据集和测试数据集。
可选地，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：
基于所述人工智能生成内容技术识别所述客户历史交易数据，得到所述客户历史特征信息，所述客户历史特征信息包括客户历史投资主体、历史签约产品信息和关键词。
可选地，所述根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型包括：
计算所述客户历史特征信息中每个词语的重要性；
根据所述每个词语的重要性构建词汇向量矩阵；
将所述词汇向量矩阵作为训练集输入所述预设的大模型进行训练，得到客户流失预测模型。
可选地，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：
基于所述人工智能生成内容技术识别所述训练数据集，得到所述训练数据集对应的训练特征集；
基于所述人工智能生成内容技术识别所述测试数据集，得到所述测试数据集对应的测试特征集。
可选地，所述方法，还包括：
根据所述测试特征集对所述客户流失预测模型进行测试，得到测试结果；
基于所述测试特征集对应的实际结果和所述测试结果的误差对所述客户流失预测模型进行优化。
可选地，所述方法，还包括：
根据所述预测结果基于人工智能生成内容技术生成客户流失预测名单。
本申请第二方面提供了一种客户流失的预测系统，所述系统包括：存储层、模型层和应用层；
所述存储层，用于收集客户历史交易数据；
所述模型层，用于基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息；
所述模型层，还用于根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；
所述应用层，用于获取客户当前交易数据，并基于所述人工智能生成内容技术将所述客户当前交易数据转换为客户当前特征信息；
所述应用层，还用于将所述客户当前特征信息输入所述客户流失预测模型进行预测，得到客户流失的预测结果。
本申请第三方面提供了一种客户流失的预测设备，包括：
一个或多个处理器；
存储器，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的客户流失的预测的方法。
本申请第四方面提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时，用于实现如上述任意一项所述的客户流失的预测的方法。
本申请实施例公开了一种客户流失的预测方法、系统、设备及存储介质。在该方法中，收集客户历史交易数据；基于人工智能生成内容技术将客户历史交易数据转换为客户历史特征信息；根据客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；获取客户当前交易数据，并基于人工智能生成内容技术将客户当前交易数据转换为客户当前特征信息；将客户当前特征信息输入客户流失预测模型进行预测，得到客户流失的预测结果。由此可见，利用本申请实施例提供的方案，通过人工智能生成内容技术，基于大模型和海量数据训练得到客户流失预测模型，使其具备了深度语义理解与内容生成能力，输出待测银行客户的流失预测结果，提高银行在预测潜在流失客户时的工作效率，并且便于银行维护客户，稳定银行收益。
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，下面描述中的附图仅仅是本申请中记载的一些实施例，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。
图1为本申请实施例提供的一种客户流失的预测方法的流程示意图；
图2为本申请实施例提供的一种客户流失预测模型的构建的结构示意图；
图3为本申请实施例提供的一种客户流失的预测系统的结构示意图；
图4为本申请实施例提供的一种客户流失的预测设备的结构示意图。
具体实施方式
本申请实施例提供了一种客户流失的预测方法、系统、设备及存储介质，可以有效预测客户流失，实现对客户及时有效地维护。
为方便理解，首先对本申请实施例的应用场景进行介绍。
银行系统中，通过客户经理的定期维护来阻断老客户的流失，但是对于客户而言，不同商业银行的使用体验并无太大区别，且银行切换并无成本，那么客户流失成为银行利润损耗中一项值得关注的因素，因此本申请实施例提出了一种客户流失的预测方法、系统、设备及存储介质，通过人工智能生成内容技术，基于大模型和海量数据训练得到客户流失预测模型，使其具备了深度语义理解与内容生成能力，输出待测银行客户的流失预测结果，以解决上述问题。
参见图1，该图为本申请实施例提供的一种客户流失的预测方法的流程示意图。本申请实施例提供的客户流失的预测方法，例如可以通过如下步骤S101-S105实现。
S101：收集客户历史交易数据。
在本申请实施例中，收集客户历史交易数据，其中，历史交易数据包括签约数据、投资数据等。
在本申请实施例的一种实现方式中，根据预设的比例将客户历史交易数据分为训练数据集和测试数据集。
S102：基于人工智能生成内容技术将客户历史交易数据转换为客户历史特征信息。
在本申请实施例中，基于人工智能生成内容技术识别客户历史交易数据，得到客户历史特征信息，客户历史特征信息包括客户历史投资主体、历史签约产品信息和关键词。
具体的，人工智能生成内容(Artificial Intelligence Generated Content，AIGC)指的是利用人工智能技术，通过已有数据寻找规律，并通过训练大模型自动生成各种类型的内容。AIGC可以根据用户输入的关键词或要求，自动地生成内容，无需人工干预或编辑，从而节省时间和成本，提高效率和效果；并且AIGC可以利用大数据和云计算等技术，快速地处理海量的信息，并生成高质量的内容，从而满足银行系统中对海量用户数据进行处理的需求，提高数据处理的效率。
在本申请实施例的一种实现方式中，基于人工智能生成内容技术识别训练数据集，得到训练数据集对应的训练特征集；基于人工智能生成内容技术识别测试数据集，得到测试数据集对应的测试特征集。
S103：根据客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型。
在本申请实施例中，计算客户历史特征信息中每个词语的重要性；根据每个词语的重要性构建词汇向量矩阵；将词汇向量矩阵作为训练集输入预设的大模型进行训练，得到客户流失预测模型。
具体的，结合图2，该图为为本申请实施例提供的一种客户流失预测模型的构建的结构示意图，包括输入层、训练层和输出层。基于AI GC技术生成的算法将历史交易数据转换成历史特征信息，通过计算每个词语的重要性，词语重要性表示为权重，通过词频和逆文档频率结合起来相乘计算得到。对每个交易文件进行词汇统计，形成词汇向量矩阵X(即输入层的输入向量)，M表示训练层输出的户流失预测模型；U表示输入层到训练层的权重矩阵；Y表示在训练层输出的户流失预测模型M的基础上输入实际值获得的的决策输出；V表示训练层到输出层的权重矩阵；W是权重矩阵，将训练层上一次的值作为这一次的输入的权重；其中，U\V\W为调整参数，U\V分别是面向不同训练集和实际预测集的调整参数，W则是综合两个集合生成的调整参数，结合BM25算法，考虑历史交易数据量的大小的影响生成调整参数W。
在本申请实施例的一种实现方式中，根据测试特征集对客户流失预测模型进行测试，得到测试结果；基于测试特征集对应的实际结果和测试结果的误差对客户流失预测模型进行优化。
具体的，测试特征集对客户流失预测模型进行测试，根据测试得到的预测结果和实际结果的误差。根据误差值对客户流失预测模型进行调整后再次进行测试，使得预测结果和实际结果的误差在预设的允许范围内。
S104：获取客户当前交易数据，并基于人工智能生成内容技术将客户当前交易数据转换为客户当前特征信息。
其中，步骤S104的具体实施方式可相应地参考步骤S101和S102的实施方式，此处不再赘述。
S105：将客户当前特征信息输入客户流失预测模型进行预测，得到客户流失的预测结果。
在本申请实施例的一种实现方式中，根据预测结果基于人工智能生成内容技术生成客户流失预测名单。
具体的，基于AI GC技术向客户经理输出可能流失的客户名单及能流失的客户的偏好。
本申请实施例公开了一种客户流失的预测方法、系统、设备及存储介质。在该方法中，收集客户历史交易数据；基于人工智能生成内容技术将客户历史交易数据转换为客户历史特征信息；根据客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；获取客户当前交易数据，并基于人工智能生成内容技术将客户当前交易数据转换为客户当前特征信息；将客户当前特征信息输入客户流失预测模型进行预测，得到客户流失的预测结果。由此可见，利用本申请实施例提供的方案，通过人工智能生成内容技术，基于大模型和海量数据训练得到客户流失预测模型，使其具备了深度语义理解与内容生成能力，输出待测银行客户的流失预测结果，能够更好维护客户，创造收益。
基于以上实施例提供的方法，本申请实施例还提供了一种客户流失的预测系统，以下结合附图介绍该客户流失的预测系统。
参见图3，该图为本申请实施例提供的一种客户流失的预测系统的结构示意图。
本申请实施例提供的客户流失的预测系统300，包括：存储层301、模型层302和应用层303。
存储层301，用于收集客户历史交易数据；
模型层302，用于基于人工智能生成内容技术将客户历史交易数据转换为客户历史特征信息；
模型层302，还用于根据客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；
应用层303，用于获取客户当前交易数据，并基于人工智能生成内容技术将客户当前交易数据转换为客户当前特征信息；
应用层303，还用于将客户当前特征信息输入客户流失预测模型进行预测，得到客户流失的预测结果。
在一种可能的实现方式中，存储层301，具还用于：
根据预设的比例将客户历史交易数据分为训练数据集和测试数据集。
在一种可能的实现方式中，模型层302，具体用于：
基于人工智能生成内容技术识别客户历史交易数据，得到客户历史特征信息，客户历史特征信息包括客户历史投资主体、历史签约产品信息和关键词。
在一种可能的实现方式中，模型层302，具有用于：
计算客户历史特征信息中每个词语的重要性；
根据每个词语的重要性构建词汇向量矩阵；
将词汇向量矩阵作为训练集输入预设的大模型进行训练，得到客户流失预测模型。
在一种可能的实现方式中，模型层302，具有用于：
基于人工智能生成内容技术识别训练数据集，得到训练数据集对应的训练特征集；
基于人工智能生成内容技术识别测试数据集，得到测试数据集对应的测试特征集。
在一种可能的实现方式中，模型层302，还用于：
根据测试特征集对客户流失预测模型进行测试，得到测试结果；
基于测试特征集对应的实际结果和测试结果的误差对客户流失预测模型进行优化。
在一种可能的实现方式中，应用层303，还用于：
根据预测结果基于人工智能生成内容技术生成客户流失预测名单。
由于系统300是与以上方法实施例提供的一种客户流失的预测方法对应的系统，系统300的各个单元的具体实现，均与以上方法实施例为同一构思，因此，关于系统300的各个单元的具体实现，可以参考以上方法实施例关于客户流失的预测方法的描述部分，此处不再赘述。
本申请提供的一种客户流失的预测方法、系统、设备及存储介质可用于金融领域或其他领域，例如，可用于金融领域中的客户流失预测的应用场景。其他领域为除金融领域之外的任意领域，例如，数据处理领域。上述仅为示例，并不对本发明提供的一种客户流失的预测方法、系统、设备及存储介质的应用领域进行限定。
本申请实施例还提供了一种客户流失的预测设备，设备包括：处理器和存储器；
存储器，用于存储指令；
处理器，用于执行存储器中的指令，执行以上实施例提及的由分析设备执行的客户流失的预测方法。
需要说明的是，本申请实施例中提供的客户流失的预测设备，其硬件结构均可以为如图4所示的结构，图4为本申请实施例提供的一种客户流失的预测设备的结构示意图。
请参阅图4所示，设备400包括：处理器410、通信接口420和和存储器430。其中设备400中的处理器410的数量可以一个或多个，图4中以一个处理器为例。本申请实施例中，处理器410、通信接口420和存储器430可通过总线系统或其它方式连接，其中，图4中以通过总线系统440连接为例。
处理器410可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器410还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic,GAL)或其任意组合。
存储器430可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器430也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器430还可以包括上述种类的存储器的组合。
可选地，存储器430存储有操作系统和程序、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，程序可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。处理器410可以读取存储器430中的程序，实现本申请实施例提供的客户流失的预测方法。
总线系统440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(extended industry standard architecture，EISA)总线等。总线系统440可以分为地址总线、数据总线、控制总线等。为便于表示，图4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。
本申请实施例还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行以上实施例提及的客户流失的预测方法。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行以上实施例提及的客户流失的预测方法。
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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以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，单元的划分，仅仅为一种逻辑业务划分，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各业务单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件业务单元的形式实现。
集成的单元如果以软件业务单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的业务可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些业务存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已。
以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种客户流失的预测方法，其特征在于，所述方法包括：
收集客户历史交易数据；
基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息；
根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；
获取客户当前交易数据，并基于所述人工智能生成内容技术将所述客户当前交易数据转换为客户当前特征信息；
将所述客户当前特征信息输入所述客户流失预测模型进行预测，得到客户流失的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述收集客户历史交易数据后，所述方法，还包括：
根据预设的比例将所述客户历史交易数据分为训练数据集和测试数据集。
3.根据权利要求1所述的方法，其特征在于，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：
基于所述人工智能生成内容技术识别所述客户历史交易数据，得到所述客户历史特征信息，所述客户历史特征信息包括客户历史投资主体、历史签约产品信息和关键词。
4.根据权利要求1所述的方法，其特征在于，所述根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型包括：
计算所述客户历史特征信息中每个词语的重要性；
根据所述每个词语的重要性构建词汇向量矩阵；
将所述词汇向量矩阵作为训练集输入所述预设的大模型进行训练，得到客户流失预测模型。
5.根据权利要求2所述的方法，其特征在于，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：
基于所述人工智能生成内容技术识别所述训练数据集，得到所述训练数据集对应的训练特征集；
基于所述人工智能生成内容技术识别所述测试数据集，得到所述测试数据集对应的测试特征集。
6.根据权利要求5所述的方法，其特征在于，所述方法，还包括：
根据所述测试特征集对所述客户流失预测模型进行测试，得到测试结果；
基于所述测试特征集对应的实际结果和所述测试结果的误差对所述客户流失预测模型进行优化。
7.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
根据所述预测结果基于人工智能生成内容技术生成客户流失预测名单。
8.一种客户流失的预测系统，其特征在于，所述系统包括：存储层、模型层和应用层；
所述存储层，用于收集客户历史交易数据；
所述模型层，用于基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息；
所述模型层，还用于根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；
所述应用层，用于获取客户当前交易数据，并基于所述人工智能生成内容技术将所述客户当前交易数据转换为客户当前特征信息；
所述应用层，还用于将所述客户当前特征信息输入所述客户流失预测模型进行预测，得到客户流失的预测结果。
9.一种客户流失的预测设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中的所述指令，执行权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行以上权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311136069.2A CN117172370A (zh) | 2023-09-05 | 2023-09-05 | 一种客户流失的预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311136069.2A CN117172370A (zh) | 2023-09-05 | 2023-09-05 | 一种客户流失的预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117172370A true CN117172370A (zh) | 2023-12-05 |
Family
ID=88940682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311136069.2A Pending CN117172370A (zh) | 2023-09-05 | 2023-09-05 | 一种客户流失的预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172370A (zh) |
Cited By (1)
| 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 |
-
2023
- 2023-09-05 CN CN202311136069.2A patent/CN117172370A/zh active Pending
Cited By (2)
| 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 |
|---|---|---|
| US10354201B1 (en) | Scalable clustering for mixed machine learning data | |
| CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
| US11551123B2 (en) | Automatic visualization and explanation of feature learning output from a relational database for predictive modelling | |
| US8966175B2 (en) | Automated storage provisioning within a clustered computing environment | |
| US20130205007A1 (en) | Suggesting migration to a cloud computing infrastructure | |
| CN103019855B (zh) | MapReduce作业执行时间预测方法 | |
| CN107273979B (zh) | 基于服务级别来执行机器学习预测的方法及系统 | |
| CN117172370A (zh) | 一种客户流失的预测方法、系统、设备及存储介质 | |
| CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| US20170243268A1 (en) | Method and system for determining an optimized service package model for market participation | |
| Stevens et al. | Performance of conventional power flow routines for real-time distribution automation applications | |
| US20230077708A1 (en) | Microservice measurement and merging | |
| CN114943279A (zh) | 招投标合作关系的预测方法、设备及系统 | |
| US20210027319A1 (en) | Method and system for collecting and analyzing data to generate performance forecasts for assets | |
| US11212162B2 (en) | Bayesian-based event grouping | |
| Rosa et al. | Cost and time prediction for efficient execution of bioinformatics workflows in federated cloud | |
| CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
| CN116089367A (zh) | 动态分桶方法、装置、电子设备和介质 | |
| US20230004750A1 (en) | Abnormal log event detection and prediction | |
| US20180095835A1 (en) | Resilient analytics utilizing dark data | |
| US11307940B2 (en) | Cognitive data backup | |
| CN113902543A (zh) | 资源配额调整方法、装置及电子设备 | |
| CN112085420A (zh) | 一种情绪级别确定方法、装置和设备 | |
| Rathnayake et al. | Characterizing the cost-accuracy performance of cloud applications |
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 |