CN117952683A - 基于信用卡分期意愿的客户维护方法及装置 - Google Patents

基于信用卡分期意愿的客户维护方法及装置 Download PDF

Info

Publication number
CN117952683A
CN117952683A CN202410176596.4A CN202410176596A CN117952683A CN 117952683 A CN117952683 A CN 117952683A CN 202410176596 A CN202410176596 A CN 202410176596A CN 117952683 A CN117952683 A CN 117952683A
Authority
CN
China
Prior art keywords
credit card
willingness
stage
target client
customer
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
CN202410176596.4A
Other languages
English (en)
Inventor
谢洋
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202410176596.4A priority Critical patent/CN117952683A/zh
Publication of CN117952683A publication Critical patent/CN117952683A/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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Technology Law (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例提供一种基于信用卡分期意愿的客户维护方法及装置，涉及人工智能领域，也可以应用于金融领域，方法包括：通过采集目标客户的信用卡使用数据；将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿；根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略；本申请能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。

Description

基于信用卡分期意愿的客户维护方法及装置
技术领域
本申请涉及人工智能领域，也可以应用于金融领域，具体涉及一种基于信用卡分期意愿的客户维护方法及装置。
背景技术
在当前的信用卡市场中，持卡人群体庞大且消费行为多样化。银行和金融机构为了促进信用卡分期服务的使用，常常在账单生成后以及还款日临近时向广大持卡人发送分期付款的提醒，鼓励持卡人利用分期付款服务来管理大额消费，从而减轻还款压力。然而，上述无差别、泛化的推广策略并未考虑到消费者之间的差异，比如消费习惯、信用状况、偿还能力等多方面的因素。
首先，从成本效益角度分析，无差别的推送策略意味着每月对所有信用卡消费者发送提醒，无论他们是否有分期意愿或是否符合分期服务的最佳客户画像。上述"一刀切"的方法导致了高昂的营销成本。同时，由于推荐的分期产品种类单一，缺乏针对性，很难满足不同消费者的具体需求，从而降低了转化率。
其次，过度的推送策略容易对消费者造成干扰。在信息爆炸的今天，人们每天都要处理大量的信息，无差别的分期提醒很容易被视为噪音，不仅没能有效传达分期服务的优势，反而可能引起消费者的反感。上述负面体验不仅不利于分期业务的推广，还可能损害金融机构与持卡人之间的关系，引发投诉，甚至导致客户流失。
发明内容
针对现有技术中的问题，本申请提供一种基于信用卡分期意愿的客户维护方法及装置，能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
为了解决上述问题中的至少一个，本申请提供以下技术方案：
根据本申请实施例的第一方面，本申请提供一种基于信用卡分期意愿的客户维护方法，包括：
采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
根据本申请的任一实施方式，所述预测模型的训练方法包括：
采集待训练客户群的信用卡使用数据，并对所述使用数据进行预处理，所述预处理包括清理缺失值、清理异常值以及特征工程处理；
根据所述采集待训练客户群的信用卡使用数据和预设的核函数训练非线性支持向量机模型，得到所述预测模型。
根据本申请的任一实施方式，在所述采集待训练客户群的信用卡使用数据为非线性的情况下，所述预测的核函数为非线性函数；
在所述采集待训练客户群的信用卡使用数据为线性的情况下，所述预测的核函数为线性函数。
根据本申请的任一实施方式，所述非线性函数包括径向基函数。
根据本申请的任一实施方式，在得到所述预测模型后，还包括：
通过交叉验证对所述预测模型进行性能评估；
响应于所述性能评估结果未达到预设要求，调整所述预测模型的正则参数以及核函数参数，直至所述性能评估结果达到预设要求。
根据本申请的任一实施方式，所述根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略，包括：
在所述目标客户的信用卡分期意愿高于预设条件的情况下，通过第一频率定期向所述目标客户推送分期产品介绍信息；
在所述目标客户的信用卡分期意愿低于预设条件的情况下，通过第二频率定期向所述目标客户推送分期利益科普信息，所述第一频率高于所述第二频率。
根据本申请实施例的第二方面，本申请提供一种基于信用卡分期意愿的客户维护装置，包括：
数据采集模块，用于：采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
意愿预测模块，用于：将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
策略制定模块，用于：根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
根据本申请的任一实施方式，所述预测模型的训练方法包括：
预处理模块，用于：采集待训练客户群的信用卡使用数据，并对所述使用数据进行预处理，所述预处理包括清理缺失值、清理异常值以及特征工程处理；
训练模块，用于：根据所述采集待训练客户群的信用卡使用数据和预设的核函数训练非线性支持向量机模型，得到所述预测模型。
根据本申请的任一实施方式，在所述采集待训练客户群的信用卡使用数据为非线性的情况下，所述预测的核函数为非线性函数；
在所述采集待训练客户群的信用卡使用数据为线性的情况下，所述预测的核函数为线性函数。
根据本申请的任一实施方式，所述非线性函数包括径向基函数。
根据本申请的任一实施方式，在得到所述预测模型后，还包括验证模块，包括：
性能评估单元，用于：通过交叉验证对所述预测模型进行性能评估；
性能优化单元，用于：响应于所述性能评估结果未达到预设要求，调整所述预测模型的正则参数以及核函数参数，直至所述性能评估结果达到预设要求。
根据本申请的任一实施方式，所述策略制定模块包括：
高意愿推送单元，用于：在所述目标客户的信用卡分期意愿高于预设条件的情况下，通过第一频率定期向所述目标客户推送分期产品介绍信息；
低意愿推送单元，用于：在所述目标客户的信用卡分期意愿低于预设条件的情况下，通过第二频率定期向所述目标客户推送分期利益科普信息，所述第一频率高于所述第二频率。
根据本申请实施例的第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于信用卡分期意愿的客户维护方法的步骤。
根据本申请实施例的第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于信用卡分期意愿的客户维护方法的步骤。
根据本申请实施例的第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的基于信用卡分期意愿的客户维护方法的步骤。
由上述技术方案可知，本申请提供一种基于信用卡分期意愿的客户维护方法及装置，通过采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略；能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
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他的附图。
图1为本申请实施例中的基于信用卡分期意愿的客户维护方法的流程示意图之一；
图2为本申请实施例中的基于信用卡分期意愿的客户维护方法的流程示意图之二；
图3为本申请实施例中的基于信用卡分期意愿的客户维护方法的流程示意图之三；
图4为本申请实施例中的基于信用卡分期意愿的客户维护方法的流程示意图之四；
图5为本申请实施例中的基于信用卡分期意愿的客户维护装置的结构图之一；
图6为本申请实施例中的基于信用卡分期意愿的客户维护装置的结构图之二；
图7为本申请实施例中的基于信用卡分期意愿的客户维护装置的结构图之三；
图8为本申请实施例中的基于信用卡分期意愿的客户维护装置的结构图之四；
图9为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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、完整的描述，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。基于本申请中的实施例，本领域普通技术人员在没有作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。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有的无差别、泛化的推广策略并未考虑到消费者之间的差异，比如消费习惯、信用状况、偿还能力等多方面的因素的问题，本申请提供一种基于信用卡分期意愿的客户维护方法及装置，对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
为了能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度，本申请提供一种基于信用卡分期意愿的客户维护方法的实施例，参见图1，所述基于信用卡分期意愿的客户维护方法具体包含有如下内容：
步骤S101：采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分。
首先，收集目标客户的信用卡使用数据。该些数据不仅能够表征客户的消费习惯和偏好，也提供了客户信用行为的重要指标，是进行精准分析和预测的基础。
所述消费记录包括了客户的消费频次、消费类型(如餐饮、旅游、购物等)、消费金额以及消费时间等信息。通过对这些数据的分析，可以描绘出客户的消费行为模式，从而预测其对分期付款服务的需求。例如，高频次的大额消费可能表明客户有较高的分期付款需求。
所述账单金额是衡量客户消费规模的直接指标。不仅反映了客户的消费能力，也是判断其分期服务需求的重要依据。通常，较高的账单金额意味着较大的还款压力，客户可能更倾向于使用分期付款服务来缓解短期财务压力。
所述还款记录包括还款金额、还款时间以及是否存在逾期还款等信息。这一数据维度直接关系到客户的信用状况和偿债能力。良好的还款记录通常意味着较高的信用评分和较低的风险，这类客户是分期服务的理想目标。
所述信用评分是基于客户过往的信用行为，通过复杂的信用评分模型计算得出的一个数值，是评估客户信用状况的关键指标。高信用评分的客户通常具有较好的信用历史和偿还能力，因此更有可能获得分期付款服务的资格。
步骤S102：将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到。
首先，将收集到的目标客户信用卡使用数据输入到一个预先训练好的模型中。
所述预测模型通过分析历史客户群体的信用卡使用数据，利用支持向量机(SVM)算法进行预训练得到。SVM算法是一种监督学习算法，主要应用于分类和回归问题。在SVM中，数据被看作是高维空间中的点，这些点被分为两个或更多类别，并通过一个超平面(在高维空间中的直线)进行划分。SVM的目标是找到一个能够最大化两类之间间隔的超平面，这个间隔被称为“最大间隔”，而最优超平面被称为“最大间隔超平面”。具有高准确性、良好的泛化能力和处理非线性问题的能力。
在本申请中，SVM算法通过分析历史客户的数据，学习如何区分对分期服务有意愿与无意愿的客户。这一过程涉及到选择合适的核函数来处理数据的非线性特征，并调整模型参数以达到最优的预测性能。
当目标客户的数据输入模型后，SVM算法会对这些数据进行分析，根据模型中学习到的规律，判断该客户对信用卡分期服务的意愿程度。预测结果可以是客户对分期服务的需求概率，或是将客户直接分类为“高意愿”与“低意愿”两大类。
步骤S103：根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
在成功预测出目标客户对信用卡分期服务的意愿后，可以根据这一预测结果制定个性化的信息推送策略。不再是对所有客户一视同仁地推送相同的分期服务信息，而是根据每个客户对分期服务的兴趣和需求程度，推送更为符合其个人情况的分期产品和优惠信息。
从上述描述可知，本申请实施例提供的基于信用卡分期意愿的客户维护方法，能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
在本申请的基于信用卡分期意愿的客户维护方法的一实施例中，参见图2，所述预测模型的训练方法包括：
步骤S201：采集待训练客户群的信用卡使用数据，并对所述使用数据进行预处理，所述预处理包括清理缺失值、清理异常值以及特征工程处理；
步骤S202：根据所述采集待训练客户群的信用卡使用数据和预设的核函数训练非线性支持向量机模型，得到所述预测模型。
首先，从待训练客户群体中收集信用卡使用数据。通过数据预处理确保模型训练质量，包括三个主要任务：
清理缺失值：识别数据集中的缺失值，并采取适当措施，如填充、删除或插值，以保证数据的完整性。
清理异常值：检测并处理异常值，这些值可能由录入错误、数据传输问题或非典型客户行为产生。异常值的处理有助于提高模型的鲁棒性和准确性。
特征工程：将原始数据转化为更有意义的特征，包括特征选择、特征构造、标准化或归一化等。特征工程旨在提高模型的性能和预测能力，通过创造性地转换数据，模型可以更深入地理解数据间的复杂关系。
选定预设的核函数后，基于处理后的数据训练非线性支持向量机(NSVM)模型。所述核函数的选择关键在于它定义了数据在新的特征空间中的映射，对于处理非线性可分问题至关重要。常见的核函数包括线性核、多项式核、径向基函数(RBF)和sigmoid核等。
训练过程包括核函数参数的调整、正则参数(C)的设定以及优化算法的选择等，以确保模型能够有效地学习数据中的模式和关系。通过交叉验证等技术，可以评估模型的性能，确保其具有良好的泛化能力。
所述非线性支持向量机使用核函数(如径向基函数，多项式核等)将原始输入空间中的数据映射到高维特征空间，然后在高维空间中找到一个最优的超平面作为决策边界。这个高维决策边界再映射回原始输入空间，得到最终的决策边界。
可以理解的是，采集的信息是经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。
在一个可选的实施例中，本申请提供一种非线性支持向量机的算法。
(一)首先选取合适的核函数K(x,z)和适当的参数C，构造最优化问题。
0≤αi≤C,i＝1,2,…,n.
(二)再利用现成的二次规划问题求解算法或者SMO算法求得最优解
(三)选择的一个满足/>的分量/>计算
(四)构造决策函数：
常用核函数：
(一)线性核函数：
K(xi,x)＝xi·x
(二)多项式核函数
K(xi,x)＝[(xi·x)+1]m
(三)径向基高斯(RBF)核函数
(四)sigmod核函数
K(xi,x)＝tanh(η<xi,x>+θ)
使用核函数，可以在低维空间中直接计算某一些高维空间中的向量内积，而无需进行向量从低维空间到高维空间的映射变换。因此一般使用核函数以及加上软间隔方法大部分问题都能够找到支持向量机的最优解。
在一个可选的实施例中，所述非线性函数包括径向基函数。
通常高斯核函数是一最为种常用的径向基核函数。径向基核函数最大特点的是：其隐含着低维空间向高维空间的映射，甚至是无限维的高维特征空间映射。
示例性的，训练完成的模型需要经过严格的验证过程，以确保其在未见数据上的表现，涉及到使用独立的测试数据集来评估模型的准确性、召回率、精确度等关键指标。
此外，根据验证结果，可以回到模型训练阶段调整参数、重新选择核函数或进行进一步的特征工程，以优化模型性能。
在一个可选的实施例中，在所述采集待训练客户群的信用卡使用数据为非线性的情况下，所述预测的核函数为非线性函数；
在所述采集待训练客户群的信用卡使用数据为线性的情况下，所述预测的核函数为线性函数。
其中，当信用卡使用数据呈现出非线性特征时，意味着数据点不能通过一个直线(或平面)完美地分隔成不同类别。上述情况常见于复杂的消费模式或者信用行为中，其中数据点在多维空间中呈现出复杂的分布形态。
为了有效处理非线性数据，选择非线性核函数成为必要。非线性核函数，如径向基函数(RBF)、多项式核等，能够将原始数据映射到更高维度的特征空间，在该空间中，原本线性不可分的数据点变得线性可分。这样的映射使得SVM模型能够在高维空间中找到一个分割超平面，以区分不同的数据点。
在使用非线性核函数时，模型训练包括核函数参数的调整(如RBF核的γ参数)和模型复杂度的控制(如正则参数C)。通过交叉验证和网格搜索等方法，可以找到最优的参数组合，从而构建一个既能准确预测又具有良好泛化能力的模型。
当信用卡使用数据呈现出线性可分的特性时，数据点可以通过一个直线(或高维空间中的平面)被分隔成不同的类别。上述情况通常表明数据之间的关系相对简单，或者经过特征工程后的数据能够被线性分割。
在上述情况下，选择线性核函数是合适的。线性核函数简单高效，不涉及复杂的映射，计算成本较低。使用线性核函数的SVM模型能够直接在原始特征空间中找到最优的分割超平面，以区分不同类别的数据点。
采用线性核函数时，模型训练和优化相对简单。模型不仅训练速度快，而且易于解释。对于大规模的线性可分数据集，线性核SVM提供了一种既实用又高效的解决方案。
本申请中对核函数选择的要求，突出了在构建预测模型时考虑数据特性的重要性。通过灵活选择核函数，可以确保模型既能有效处理复杂的非线性数据，又能在适用的情况下保持模型的简洁和高效。上述适应性不仅提高了模型的预测准确性，也优化了计算资源的使用，为金融机构提供了一种高度可定制化的工具，以精准预测客户的信用卡分期意愿。
在本申请的基于信用卡分期意愿的客户维护方法的一实施例中，参见图3，在得到所述预测模型后，还可以具体包含如下内容：
步骤S203：通过交叉验证对所述预测模型进行性能评估。
步骤S204：响应于所述性能评估结果未达到预设要求，调整所述预测模型的正则参数以及核函数参数，直至所述性能评估结果达到预设要求。
交叉验证是一种常用的模型评估方法，特别是在有限的数据集上。通过将数据集分成若干份，其中一份用作测试集，其他的用作训练集，轮流进行，以此来评估模型的性能。上述方法可以有效减少模型评估的偏差，提供更为准确和稳健的性能评估结果。
示例性的，在本申请中，可以采用K折交叉验证，其中数据被分为K个子集，模型训练和评估过程重复K次，每次选择一个不同的子集作为测试集，其余作为训练集。通过K次的平均评估结果，可以获得模型性能的全面了解。
评估模型性能时，可以采用多种指标，如准确率、召回率、F1分数、ROC曲线下面积(AUC)等。这些指标可以全面反映模型在预测信用卡分期意愿时的准确性和可靠性。
正则化是避免模型过拟合的一种技术，通过在损失函数中添加一个正则项来约束模型的复杂度。在支持向量机模型中，正则参数C控制着正则化的强度。根据交叉验证的结果，如果模型表现出过拟合或欠拟合的迹象，可以通过调整正则参数C来优化模型的泛化能力。
而对于使用非线性核函数的SVM模型，核函数参数(如RBF核的γ参数)对模型性能有显著影响。这些参数决定了数据映射到高维空间的方式。根据性能评估结果，通过调整核函数参数，可以改善模型在处理非线性数据时的表现，增强其区分不同类别数据点的能力。
基于交叉验证的性能评估结果，如果模型未能达到预设的性能要求，就需要对模型的正则参数和核函数参数进行调整。这个过程需要多次迭代，每次迭代都基于前一次的评估结果来优化参数设置。通过上述迭代调整，直至模型的性能评估结果满足预设的标准，确保模型具有良好的预测准确性和泛化能力。
优选的，在实际应用中，参数调整过程可以通过自动化的方法，如网格搜索(GridSearch)或随机搜索(Random Search)来实现。这些方法可以系统地探索参数空间，找到最优的参数组合，从而使模型达到最佳性能。
通过这一系列的步骤，本申请不仅确保了预测模型在判断信用卡持有者分期付款意愿方面的准确性和可靠性，还提供了一种灵活且高效的方法来优化模型，以应对不同的数据特性和业务需求。
在本申请的基于信用卡分期意愿的客户维护方法的一实施例中，参见图4，所述根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略，还可以具体包含如下内容：
步骤S103A：在所述目标客户的信用卡分期意愿高于预设条件的情况下，通过第一频率定期向所述目标客户推送分期产品介绍信息；
步骤S103B：在所述目标客户的信用卡分期意愿低于预设条件的情况下，通过第二频率定期向所述目标客户推送分期利益科普信息，所述第一频率高于所述第二频率。
对于预测结果显示具有较高分期意愿的客户，金融机构可以采取更为积极的推送策略。例如，向这些客户推送关于分期服务的详细介绍、特别优惠、以及如何轻松办理分期的指南等。上述策略的目的是最大化地促进分期服务的使用，同时满足这部分客户的具体需求。
对于预测结果显示分期意愿较低的客户，金融机构则可以采取更为谨慎和细致的推送策略。包括提供关于如何有效利用信用卡分期服务来管理财务的教育性内容，或是偶尔推送分期服务的案例研究，旨在逐渐建立这些客户对分期服务的认识和信任，而不是直接推送分期产品。
优选的，可通过构建多个模型，在分期意愿模型的基础上，进一步构建对细分分期类型办理的意愿，实现更为精准的预测。
根据客户的分期意愿预测结果，推送的内容也应该高度个性化。例如，对于某些特定兴趣或消费习惯的客户群体，可以设计与其兴趣相关的分期产品推送方案，如针对旅游爱好者推送旅游相关的分期服务优惠。
考虑到客户的需求和意愿可能会随时间和环境变化，金融机构应定期重新评估客户的分期意愿，并相应地调整推送策略。上述动态调整保证了推送策略始终保持高度相关性和时效性。
通过基于客户分期意愿预测的个性化推送策略，不仅可以显著提高分期服务的营销效果，减少无效推送和客户的干扰，还能提升客户满意度和忠诚度，从而为金融机构带来更高的客户保留率和更好的业务成果。
为了能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度，本申请提供一种用于实现所述基于信用卡分期意愿的客户维护方法的全部或部分内容的基于信用卡分期意愿的客户维护装置的实施例，参见图5，所述基于信用卡分期意愿的客户维护装置具体包含有如下内容：
数据采集模块1101，用于：采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
意愿预测模块1102，用于：将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
策略制定模块1103，用于：根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
根据本申请的任一实施方式，参见图6，所述预测模型的训练方法包括：
预处理模块2201，用于：采集待训练客户群的信用卡使用数据，并对所述使用数据进行预处理，所述预处理包括清理缺失值、清理异常值以及特征工程处理；
训练模块2202，用于：根据所述采集待训练客户群的信用卡使用数据和预设的核函数训练非线性支持向量机模型，得到所述预测模型。
根据本申请的任一实施方式，在所述采集待训练客户群的信用卡使用数据为非线性的情况下，所述预测的核函数为非线性函数；
在所述采集待训练客户群的信用卡使用数据为线性的情况下，所述预测的核函数为线性函数。
根据本申请的任一实施方式，所述非线性函数包括径向基函数。
根据本申请的任一实施方式，在得到所述预测模型后，参见图7，还包括验证模块，包括：
性能评估单元2203，用于：通过交叉验证对所述预测模型进行性能评估；
性能优化单元2204，用于：响应于所述性能评估结果未达到预设要求，调整所述预测模型的正则参数以及核函数参数，直至所述性能评估结果达到预设要求。
根据本申请的任一实施方式，参见图8，所述策略制定模块包括：
高意愿推送单元1103A，用于：在所述目标客户的信用卡分期意愿高于预设条件的情况下，通过第一频率定期向所述目标客户推送分期产品介绍信息；
低意愿推送单元1103B，用于：在所述目标客户的信用卡分期意愿低于预设条件的情况下，通过第二频率定期向所述目标客户推送分期利益科普信息，所述第一频率高于所述第二频率。
从上述描述可知，本申请实施例提供的基于信用卡分期意愿的客户维护装置，能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
从硬件层面来说，为了能够对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度，本申请提供一种用于实现所述基于信用卡分期意愿的客户维护方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现基于信用卡分期意愿的客户维护装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的基于信用卡分期意愿的客户维护方法的实施例，以及基于信用卡分期意愿的客户维护装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，基于信用卡分期意愿的客户维护方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图9是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，基于信用卡分期意愿的客户维护方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
步骤S101：采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
步骤S102：将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
步骤S103：根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
从上述描述可知，本申请实施例提供的电子设备，对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
在另一个实施方式中，基于信用卡分期意愿的客户维护装置可以与中央处理器9100分开配置，例如可以将基于信用卡分期意愿的客户维护装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于信用卡分期意愿的客户维护方法功能。
如图9所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图9中所示的所有部件；此外，电子设备9600还可以包括图9中没有示出的部件，可以参考现有技术。
如图9所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于信用卡分期意愿的客户维护方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于信用卡分期意愿的客户维护方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S101：采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
步骤S102：将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
步骤S103：根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
从上述描述可知，本申请实施例提供的计算机可读存储介质，对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于信用卡分期意愿的客户维护方法中全部步骤的一种计算机程序产品，该计算机程序/指令被处理器执行时实现所述的基于信用卡分期意愿的客户维护方法的步骤，例如，所述计算机程序/指令实现下述步骤：
步骤S101：采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
步骤S102：将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
步骤S103：根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
从上述描述可知，本申请实施例提供的计算机程序产品，对持卡人使用数据进行深入分析，准确地识别出那些最有可能对分期付款感兴趣的客户群体，并针对这部分人群进行个性化的分期产品推荐。不仅可以提高营销活动的针对性和效率，降低成本，还能显著提升消费者体验，减少不必要的干扰，从而提高客户满意度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于信用卡分期意愿的客户维护方法，其特征在于，所述方法包括：
采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
2.根据权利要求1所述的基于信用卡分期意愿的客户维护方法，其特征在于，所述预测模型的训练方法包括：
采集待训练客户群的信用卡使用数据，并对所述使用数据进行预处理，所述预处理包括清理缺失值、清理异常值以及特征工程处理；
根据所述采集待训练客户群的信用卡使用数据和预设的核函数训练非线性支持向量机模型，得到所述预测模型。
3.根据权利要求2所述的基于信用卡分期意愿的客户维护方法，其特征在于，
在所述采集待训练客户群的信用卡使用数据为非线性的情况下，所述预测的核函数为非线性函数；
在所述采集待训练客户群的信用卡使用数据为线性的情况下，所述预测的核函数为线性函数。
4.根据权利要求3所述的基于信用卡分期意愿的客户维护方法，其特征在于，所述非线性函数包括径向基函数。
5.根据权利要求2所述的基于信用卡分期意愿的客户维护方法，其特征在于，在得到所述预测模型后，还包括：
通过交叉验证对所述预测模型进行性能评估；
响应于所述性能评估结果未达到预设要求，调整所述预测模型的正则参数以及核函数参数，直至所述性能评估结果达到预设要求。
6.根据权利要求1所述的基于信用卡分期意愿的客户维护方法，其特征在于，所述根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略，包括：
在所述目标客户的信用卡分期意愿高于预设条件的情况下，通过第一频率定期向所述目标客户推送分期产品介绍信息；
在所述目标客户的信用卡分期意愿低于预设条件的情况下，通过第二频率定期向所述目标客户推送分期利益科普信息，所述第一频率高于所述第二频率。
7.一种基于信用卡分期意愿的客户维护装置，其特征在于，所述装置包括：
数据采集模块，用于：采集目标客户的信用卡使用数据，所述使用数据包括消费记录、账单金额、还款记录以及信用评分；
意愿预测模块，用于：将所述目标客户的信用卡使用数据输入至预训练的信用卡分期意愿的预测模型，得到所述目标客户的信用卡分期意愿，其中，所述预测模型通过非线性支持向量机算法，基于待训练客户群的信用卡使用数据构建得到；
策略制定模块，用于：根据所述目标客户的信用卡分期意愿对所述目标客户采取对应的分期信息推送策略。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的基于信用卡分期意愿的客户维护方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的基于信用卡分期意愿的客户维护方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的基于信用卡分期意愿的客户维护方法的步骤。
CN202410176596.4A 2024-02-08 2024-02-08 基于信用卡分期意愿的客户维护方法及装置 Pending CN117952683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410176596.4A CN117952683A (zh) 2024-02-08 2024-02-08 基于信用卡分期意愿的客户维护方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410176596.4A CN117952683A (zh) 2024-02-08 2024-02-08 基于信用卡分期意愿的客户维护方法及装置

Publications (1)

Publication Number Publication Date
CN117952683A true CN117952683A (zh) 2024-04-30

Family

ID=90794414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410176596.4A Pending CN117952683A (zh) 2024-02-08 2024-02-08 基于信用卡分期意愿的客户维护方法及装置

Country Status (1)

Country Link
CN (1) CN117952683A (zh)

Similar Documents

Publication Publication Date Title
CN111275546B (zh) 金融客户欺诈风险识别方法及装置
De Andrés et al. Bankruptcy forecasting: A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines (MARS)
CN110378786B (zh) 模型训练方法、违约传导风险识别方法、装置及存储介质
CN110599336B (zh) 一种金融产品购买预测方法及系统
Vieira et al. How banks can better serve their customers through artificial techniques
US11694267B2 (en) Automation and latency remediation for secure messaging systems
Figini et al. Statistical merging of rating models
CN108711107A (zh) 智能融资服务推荐方法及其系统
US20220366488A1 (en) Transmitting proactive notifications based on machine learning model predictions
CN111582341B (zh) 用户异常操作预测方法及装置
US11544713B1 (en) Fraud detection using augmented analytics
CN112766825A (zh) 企业金融服务风险预测方法及装置
CN113077251A (zh) 一种预付费交易场景下的异常行为监测方法及装置
Nehrebecka Internal credit risk models and digital transformation: what to prepare for? an application to Poland
CN116467525A (zh) 业务产品的推荐方法、装置、设备和存储介质
CN116341976A (zh) 导航地图生产线的指标数据调整方法、装置及设备
CN117952683A (zh) 基于信用卡分期意愿的客户维护方法及装置
CN115456273A (zh) 一种用户行为预测方法、装置及设备
CN113393320A (zh) 企业金融服务风险预测方法及装置
US11900426B1 (en) Apparatus and method for profile assessment
CN113902554A (zh) 基于机器学习的用户分类方法、装置及系统
CN113627653B (zh) 手机银行用户的活跃度预测策略的确定方法及装置
CN118096359A (zh) 基于金融信贷场景的信用评价方法及装置
US20240020771A1 (en) Apparatus and method for generating a pecuniary program
CN116738294A (zh) 客户分类方法及装置

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