CN117436918A - 手机银行客户活跃度分层模型的构建方法及系统 - Google Patents
手机银行客户活跃度分层模型的构建方法及系统 Download PDFInfo
- Publication number
- CN117436918A CN117436918A CN202311442967.0A CN202311442967A CN117436918A CN 117436918 A CN117436918 A CN 117436918A CN 202311442967 A CN202311442967 A CN 202311442967A CN 117436918 A CN117436918 A CN 117436918A
- Authority
- CN
- China
- Prior art keywords
- data
- login
- client
- mobile banking
- liveness
- 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 30
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000002360 preparation method Methods 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了手机银行客户活跃度分层模型的构建方法及系统,属于金融数据统计技术领域,其中,手机银行客户活跃度分层模型的构建方法,包括以下步骤:数据准备:选取当前月之前的若干个月的手机银行客户登录数据导入数据库,并进行数据合法性校验和清洗;分层:调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果:活跃度指标输出:将所述分层结果直接标识于客户记录之上,并持续更新数据。该发明计算不需要用到客户的敏感信息,仅通过提取用户近期的手机银行登录数据,使用模型算法的分层逻辑转换,达到直接输出活跃度指标的效果。通过针对不同活跃度等级提供不同的营销策略能达到事半功倍的结果。
Description
技术领域
本发明属于金融数据统计技术领域,尤其涉及手机银行客户活跃度分层模型的构建方法及系统。
背景技术
在金融行业中,常常需要根据客户的行为特性对客户进行分层,从而进行更加有效的信息触达或营销。活跃度是对银行客户进行分层的重要指标之一,它描述了客户在比较持久的时间范围内的活跃特性,因而可以对银行针对客户的各种商业行为的客户筛选,实现客户精准分层,提高信息触达的匹配度。
现有银行业的客户分层采用产品思维,通常需要通过客户资产、负债、理财、信用卡额度等数据对客户进行分层,需要较多客户持有产品数据,分层模型复杂,和产品关联性较大。
发明内容
针对现有技术存在的问题,本发明提供了手机银行客户活跃度分层模型的构建方法及系统,具备简单实用的优点,解决了现有技术中分层复杂的问题。
本发明是这样实现的,手机银行客户活跃度分层模型的构建方法,包括以下步骤:
数据准备:选取当月之前的若干个月的手机银行客户登录数据导入数据库,并进行数据合法性校验和清洗;
分层:调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果:
活跃度指标输出:将所述分层结果直接标识于客户记录之上,并持续更新数据。
作为本发明优选的,所述数据准备包括以下步骤:
收集数据:获取当月之前的若干个月的手机银行客户登录数据;
导入数据库:将收集到的若干手机银行客户登录数据同步导入数据库中;
数据合法性校验:对导入的数据进行合法性校验,确保数据的完整性和准确性;
数据清洗:对数据进行清洗,去除重复数据、异常值或错误数据。
作为本发明优选的,所述手机银行客户登录数据包括:
客户标识以及对应的手机银行客户登录次数;
所述收集数据包括:获取当前月之前六个月的手机银行客户登录次数数据。
作为本发明优选的,手机银行客户登录数据还包括:
登录时间:记录客户登录手机银行的具体日期和时间;
登录动作:记录客户在登录过程中的具体操作;
登录结果:记录客户登录是否成功,以及是否发生异常或错误信息。
作为本发明优选的,所述调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果步骤包括以下步骤:
登录频率计算:根据近六个月内客户的登录数据,计算每个客户的登录频率;
档次划分:根据登录频率高低,将客户分为若干个档次;
档次标识:对每个客户,在客户记录中添加一个档次标识,以表示其所属的档次。
作为本发明优选的,所述根据登录频率高低,将客户分为若干个档次包括以下步骤:
根据登录频率,将客户分为A、B、C、D、E五个档次;
其中,A表示常活:近三个月均登录;
B表示高活:近三个月有两个月登录,远三个月至少有一个月登录;
C表示低活:C1近一个月未登录,中两个月均登录,远三个月未登录;C2近一个月有登录,远五个月未登录;
D表示静默:近三个月未登录,远三个月有登录;
E表示沉睡:近六个月未登录。
作为本发明优选的,统计每个档次的登录次数,根据数量的多少将每一个档次分为若干一级子档次。
作为本发明优选的,对于登录次数相同的数据,进行加权统计并进一步细分为二级子档次,其中,时间越接近当前,权重越高,包括如下步骤:
计算时间差:对于每个数据点,计算其观测时间与当前时间之间的时间差;
定义权重函数:定义一个权重函数,权重=1/(时间差+c);
其中,c是一个常数,用于控制权重的大小;
归一化权重:将计算得到的权重进行归一化处理,确保权重的取值范围在0到1之间;
加权统计计算:基于归一化后的权重,对数据进行加权统计计算;
结果分析:根据加权统计的结果,进行进一步的分析和解释。
作为本发明优选的,对同一个人的不同账号的登录次数进行合并统计:
数据准备:收集或获取手机银行客户的登录数据,包括不同账号的登录次数和与每个账号相关的客户标识;
合并统计:根据客户标识将不同账号的登录次数进行合并统计;
客户活跃度指标定义:根据业务需求,定义客户活跃度的指标;
分层划分:根据客户活跃度指标,将客户分为不同的层次或档次;
层次标识:对每个客户,在客户记录中添加一个层次标识,以表示其所属的活跃度层次。
手机银行客户活跃度分层模型的构建系统,包括:
数据准备模块:选取当月之前的若干个月的手机银行客户登录数据导入数据库,并进行数据合法性校验和清洗;
分层模块:调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果:
活跃度指标输出模块:将所述分层结果直接标识于客户记录之上,并持续更新数据。
与现有技术相比,本发明的有益效果如下:
1、本发明,计算不需要用到客户的敏感信息,仅通过提取用户近期的手机银行登录数据,使用模型算法的分层逻辑转换,达到直接输出活跃度指标的效果。通过针对不同活跃度等级提供不同的营销策略能达到事半功倍的结果。
2、所需数据来源容易提取,不涉密,安全性高;数据模型加工过程简单,计算效率高,占用的硬件资源少;模型所表达的用户特性相对稳定,一段时间范围内不会出现大的变动;应用场景广泛,可用于营销、统计、通知、宣传等各种场景。
附图说明
图1是本发明实施例提供的手机银行客户活跃度分层模型的构建方法示意框图;
图2是本发明实施例提供的数据准备的示意框图;
图3是本发明实施例提供的分层的示意框图;
图4是本发明实施例提供的分层模型图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
参阅图1,本发明实施例提供的手机银行客户活跃度分层模型的构建方法,包括以下步骤:
步骤S1,数据准备:选取当月之前的若干个月的手机银行客户登录数据导入数据库,并进行数据合法性校验和清洗;
步骤S2,分层:调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果;
步骤S3,活跃度指标输出:将所述分层结果直接标识于客户记录之上,并持续更新数据。
现有技术通常需要较多的客户敏感数据,例如客户资产数据、理财数据、负债数据、信用卡额度数据等。对活跃度计算比较复杂,计算过程中融入较多经验值。而在实际营销中,客户活跃度对产品营销影响显著。本模型计算不需要用到客户的敏感信息,仅通过提取用户近期的手机银行登录数据,使用模型算法的分层逻辑转换,达到直接输出活跃度指标的效果。通过针对不同活跃度等级提供不同的营销策略能达到事半功倍的结果。
参阅图2,在步骤S1中,所述数据准备包括以下步骤:
步骤S11,收集数据:获取当月之前的若干个月的手机银行客户登录数据;
步骤S12,导入数据库:将收集到的若干手机银行客户登录数据同步导入数据库中,以便进行后续的处理和分析;
步骤S13,数据合法性校验:对导入的数据进行合法性校验,确保数据的完整性和准确性;这可以包括检查数据格式、数据类型、缺失值等方面的问题;
步骤S14,数据清洗:对数据进行清洗,去除重复数据、异常值或错误数据,这可以包括去除重复记录、修正错误的数据、填补缺失值等操作。
其中,所述手机银行客户登录数据包括:客户标识以及对应的手机银行客户登录次数;所述收集数据包括:获取当前月之前六个月的手机银行客户登录次数数据。
因此,具有以下实施例:所述数据准备包括以下步骤:
收集数据:获取当前月之前六个月的手机银行客户登录次数数据;
导入数据库:将收集到的手机银行客户登录次数数据同步导入数据库中,以便进行后续的处理和分析;
数据合法性校验:对导入的数据进行合法性校验,确保数据的完整性和准确性;这可以包括检查数据格式、数据类型、缺失值等方面的问题;
数据清洗:对数据进行清洗,去除重复数据、异常值或错误数据,这可以包括去除重复记录、修正错误的数据、填补缺失值等操作。
需要说明的是,客户标识用于唯一标识每个客户的ID或账号。
优选的,还包括数据预处理:在数据准备阶段,还可以进行一些预处理的操作,例如数据转换,以便后续的模型构建和分析。
需要说明的是,当前月之前的若干个月可以是连续的月份,也可以是特定的若干不连续的月份。例如,横向对比去年的第一季度数据和今年的第一季度数据,则选取的月份为去年的1-3月份和今年的1-3月份。
优选的,手机银行客户登录数据还包括:
登录时间:记录客户登录手机银行的具体日期和时间;
登录动作:记录客户在登录过程中的具体操作,例如查看余额、转账、支付等。
登录结果:记录客户登录是否成功,以及是否发生异常或错误信息。
在上述的实施例中,若发生登录异常【如输入了账号信息却未成功登录上账号】,通常不视为登录,但是,登录异常仍然表面客户具有登录意愿,因此通过检测登录结果,可将登录异常的数据并入统计范围,提高精准性。
统计登录时间,可用于预测下次登录时间;可以在他下侧登录时间之前进行推销等工作,方便登录时办理相应业务。
参阅士3,在步骤S2中,所述调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果步骤包括以下步骤:
步骤S21,登录频率计算:根据近六个月内客户的登录数据,计算每个客户的登录频率;这可以通过统计每个客户每个月的登录次数来实现。
步骤S22,档次划分:根据登录频率高低,将客户分为若干个档次;
步骤S23,档次标识:对每个客户,在客户记录中添加一个档次标识,以表示其所属的档次。这可以是一个符号、数字或文字,用于区分不同的档次。
示例性的,参阅图4,所述根据登录频率高低,将客户分为若干个档次包括以下步骤:
根据登录频率,将客户分为A、B、C、D、E五个档次;
其中,A表示常活:近三个月均登录;
B表示高活:近三个月有两个月登录,远三个月至少有一个月登录;
C表示低活:C1近一个月未登录,中两个月均登录,远三个月未登录;C2近一个月有登录,远五个月未登录;
D表示静默:近三个月未登录,远三个月有登录;
E表示沉睡:近六个月未登录。
在大多业务都可在线上完成的前提下,手机银行客户活跃度决定了该分行资产、负债、理财及信用卡的规模,通过识别手机银行客户活跃度并提升,从而提升该分行业务量。通过营销将静默和沉睡客户通过人工、机器客服等方式叫活,将低活客户提升为高活或者常活客户,对常活和高活客户进行产品和服务营销。
进一步的,步骤S24,统计每个档次的登录次数,根据数量的多少将每一个档次分为若干一级子档次。
例如,对于A档次来说,登录的次数越多,档次越高,例如可以进一步划分为A1-A10这10个一级子档次。
进一步的,步骤S25,对于登录次数相同的数据,进行加权统计并进一步细分为二级子档次,其中,时间越接近当前,权重越高,包括如下步骤:
步骤S251,计算时间差:对于每个数据点,计算其观测时间与当前时间之间的时间差。可以使用相对时间单位,例如以天为单位。
步骤S252,定义权重函数:定义一个权重函数,使得随着时间差的增加,权重逐渐增大。可以使用线性或非线性函数来实现这一目标。例如,可以使用倒数函数:
权重=1/(时间差+c);
其中,c是一个常数,用于控制权重的大小。
步骤S253,归一化权重:将计算得到的权重进行归一化处理,确保权重的取值范围在0到1之间。可以通过除以最大权重实现归一化。
步骤S254,加权统计计算:基于归一化后的权重,对数据进行加权统计计算。可以采用加权平均、加权求和等方法,根据具体需求选择合适的统计方法。
步骤S255,结果分析:根据加权统计的结果,进行进一步的分析和解释。比较不同时间段的加权统计结果,观察时间的影响程度和趋势。
进一步的,为了提高数据的精准性,对同一个人的不同账号的登录次数进行合并统计:
数据准备:收集或获取手机银行客户的登录数据,包括不同账号的登录次数和与每个账号相关的客户标识。
合并统计:根据客户标识将不同账号的登录次数进行合并统计。即将属于同一个客户的所有账号的登录次数累加在一起,得到该客户的总登录次数。
客户活跃度指标定义:根据业务需求,定义客户活跃度的指标。可以使用总登录次数作为客户活跃度的指标,也可以结合其他因素如转账次数、支付次数等来综合评估客户的活跃度。
分层划分:根据客户活跃度指标,将客户分为不同的层次或档次。可以根据百分位数、固定阈值或其他规则来划分。
层次标识:对每个客户,在客户记录中添加一个层次标识,以表示其所属的活跃度层次。这可以是一个符号、数字或文字,用于区分不同的层次。
示例性的,假设有以下的登录数据:
按照上述步骤进行构建手机银行客户活跃度分层模型:
数据准备:收集了以上的登录数据,包括不同账号的登录次数和与每个账号相关的客户标识。
合并统计:根据客户标识将不同账号的登录次数进行合并统计。例如,客户001有两个账号A123456和B789012,将它们的登录次数累加在一起得到总登录次数为15;客户002只有一个账号C345678,登录次数为8;客户003有两个账号D901234和E567890,登录次数累加在一起得到总登录次数为5。
客户活跃度指标定义:以总登录次数作为客户的活跃度指标。比如客户001的总登录次数为15,客户002的总登录次数为8,客户003的总登录次数为5。
分层划分:根据客户活跃度指标,将客户分为不同的层次或档次。假设我们按照总登录次数划分,可以设置以下的阈值进行分层:
高活跃度层:总登录次数大于等于10;
中活跃度层:总登录次数大于等于5且小于10;
低活跃度层:总登录次数小于5;
根据这个划分规则,客户001属于高活跃度层,客户002属于中活跃度层,客户003属于低活跃度层。
层次标识:对每个客户,在客户记录中添加一个层次标识,以表示其所属的活跃度层次。例如,可以使用符号或文字来表示不同层次,如“高”、“中”和“低”,或者用数字1、2和3来表示。
经过以上步骤,我们成功构建了手机银行客户活跃度分层模型,并对同一个人的不同账号的登录次数进行了合并统计,并根据总登录次数进行了分层划分和标识。这样可以更好地理解和分析客户的活跃度情况,从而有针对性地制定营销策略和服务方案。
当然,也可以按照每个月的登录次数进行统计分层,也在本实施例的保护范围之内。
手机银行客户活跃度分层模型的构建系统,包括:
数据准备模块:选取当月之前的若干个月的手机银行客户登录数据导入数据库,并进行数据合法性校验和清洗;
分层模块:调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果;
活跃度指标输出模块:将所述分层结果直接标识于客户记录之上,并持续更新数据。
本发明的工作原理:
本模型计算不需要用到客户的敏感信息,仅通过提取用户近期的手机银行登录数据,使用模型算法的分层逻辑转换,达到直接输出活跃度指标的效果。通过针对不同活跃度等级提供不同的营销策略能达到事半功倍的结果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.手机银行客户活跃度分层模型的构建方法,其特征在于,包括以下步骤:
数据准备:选取当月之前的若干个月的手机银行客户登录数据导入数据库,并进行数据合法性校验和清洗;
分层:调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果:
活跃度指标输出:将所述分层结果直接标识于客户记录之上,并持续更新数据。
2.如权利要求1所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
所述数据准备包括以下步骤:
收集数据:获取当月之前的若干个月的手机银行客户登录数据;
导入数据库:将收集到的若干手机银行客户登录数据同步导入数据库中;
数据合法性校验:对导入的数据进行合法性校验,确保数据的完整性和准确性;
数据清洗:对数据进行清洗,去除重复数据、异常值或错误数据。
3.如权利要求2所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
所述手机银行客户登录数据包括:
客户标识以及对应的手机银行客户登录次数;
所述收集数据包括:获取当前月之前六个月的手机银行客户登录次数数据。
4.如权利要求1所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
手机银行客户登录数据还包括:
登录时间:记录客户登录手机银行的具体日期和时间;
登录动作:记录客户在登录过程中的具体操作;
登录结果:记录客户登录是否成功,以及是否发生异常或错误信息。
5.如权利要求1所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
所述调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果步骤包括以下步骤:
登录频率计算:根据近六个月内客户的登录数据,计算每个客户的登录频率;
档次划分:根据登录频率高低,将客户分为若干个档次;
档次标识:对每个客户,在客户记录中添加一个档次标识,以表示其所属的档次。
6.如权利要求5所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
所述根据登录频率高低,将客户分为若干个档次包括以下步骤:
根据登录频率,将客户分为A、B、C、D、E五个档次;
其中,A表示常活:近三个月均登录;
B表示高活:近三个月有两个月登录,远三个月至少有一个月登录;
C表示低活:C1近一个月未登录,中两个月均登录,远三个月未登录;C2近一个月有登录,远五个月未登录;
D表示静默:近三个月未登录,远三个月有登录;
E表示沉睡:近六个月未登录。
7.如权利要求1所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
统计每个档次的登录次数,根据数量的多少将每一个档次分为若干一级子档次。
8.如权利要求1所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
对于登录次数相同的数据,进行加权统计并进一步细分为二级子档次,其中,时间越接近当前,权重越高,包括如下步骤:
计算时间差:对于每个数据点,计算其观测时间与当前时间之间的时间差;
定义权重函数:定义一个权重函数,权重=1/(时间差+c);
其中,c是一个常数,用于控制权重的大小;
归一化权重:将计算得到的权重进行归一化处理,确保权重的取值范围在0到1之间;
加权统计计算:基于归一化后的权重,对数据进行加权统计计算;
结果分析:根据加权统计的结果,进行进一步的分析和解释。
9.如权利要求1所述的手机银行客户活跃度分层模型的构建方法,其特征在于:
对同一个人的不同账号的登录次数进行合并统计:
数据准备:收集或获取手机银行客户的登录数据,包括不同账号的登录次数和与每个账号相关的客户标识;
合并统计:根据客户标识将不同账号的登录次数进行合并统计;
客户活跃度指标定义:根据业务需求,定义客户活跃度的指标;
分层划分:根据客户活跃度指标,将客户分为不同的层次或档次;
层次标识:对每个客户,在客户记录中添加一个层次标识,以表示其所属的活跃度层次。
10.手机银行客户活跃度分层模型的构建系统,其特征在于,包括:
数据准备模块:选取当月之前的若干个月的手机银行客户登录数据导入数据库,并进行数据合法性校验和清洗;
分层模块:调取所述手机银行客户登录数据,将客户分为若干个档次,得到分层结果:
活跃度指标输出模块:将所述分层结果直接标识于客户记录之上,并持续更新数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442967.0A CN117436918A (zh) | 2023-11-02 | 2023-11-02 | 手机银行客户活跃度分层模型的构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442967.0A CN117436918A (zh) | 2023-11-02 | 2023-11-02 | 手机银行客户活跃度分层模型的构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117436918A true CN117436918A (zh) | 2024-01-23 |
Family
ID=89549502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311442967.0A Pending CN117436918A (zh) | 2023-11-02 | 2023-11-02 | 手机银行客户活跃度分层模型的构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436918A (zh) |
-
2023
- 2023-11-02 CN CN202311442967.0A patent/CN117436918A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US20100257092A1 (en) | System and method for predicting a measure of anomalousness and similarity of records in relation to a set of reference records | |
CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
EP1361526A1 (en) | Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value | |
WO2005101265A2 (en) | Systems and methods for investigation of financial reporting information | |
CN111476660A (zh) | 一种基于数据分析的智能风控系统及方法 | |
CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
CN111738843B (zh) | 一种使用流水数据的量化风险评价系统和方法 | |
CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
CN112950383B (zh) | 基于人工智能的金融风险监控方法及相关设备 | |
CN112581291B (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
CN115205011A (zh) | 基于lsf-fc算法的银行用户画像模型生成方法 | |
CN112819476A (zh) | 风险识别方法、装置、非易失性存储介质和处理器 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN105359172A (zh) | 计算企业存在拖欠的概率 | |
CN117573728B (zh) | 一种数据信息的信息维度升维处理方法及系统 | |
CN113807952A (zh) | 应用于银行信贷的客户价值分析方法 | |
CN117575666A (zh) | 一种数据处理方法及装置 | |
CN117196813A (zh) | 一种银行现金交易流程管理方法及系统 | |
CN117436918A (zh) | 手机银行客户活跃度分层模型的构建方法及系统 | |
CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114219606A (zh) | 一种基于电力数据的用电企业信用评价的方法和系统 | |
CN109325102B (zh) | 一种识别非法单据的方法以及识别装置 | |
CN113064944A (zh) | 数据的处理方法和装置 |
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 |