CN118115268A - 一种信息处理方法及装置、存储介质 - Google Patents
一种信息处理方法及装置、存储介质 Download PDFInfo
- Publication number
- CN118115268A CN118115268A CN202410011562.XA CN202410011562A CN118115268A CN 118115268 A CN118115268 A CN 118115268A CN 202410011562 A CN202410011562 A CN 202410011562A CN 118115268 A CN118115268 A CN 118115268A
- Authority
- CN
- China
- Prior art keywords
- sub
- target
- customer
- products
- determining
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 83
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 58
- 230000004927 fusion Effects 0.000 claims description 57
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 39
- 238000012545 processing Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 20
- 230000006399 behavior Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 239000000203 mixture Substances 0.000 description 11
- 238000009472 formulation Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例公开了一种信息处理方法及装置、存储介质，包括：获取待分类金融产品，并对待分类金融产品进行分类，得到多个子类产品；从多个子类产品对应的多个子客群中，筛选出目标子客群；获取目标子客群的多维度特征；从多维度特征中确定出目标特征；在未转化客群中，根据目标特征确定潜在客户，未转化客群为不属于待分类金融产品的客户群。
Description
技术领域
本申请涉及金融技术领域，尤其涉及一种信息处理方法及装置、存储介质。
背景技术
随着金融科技的发展，金融产品的数量也越来越多，如何根据已获取的用户信息挖掘潜在的客户，实现金融产品的精准触达是提高金融行业的服务质量的重要技术手段。
相关技术中，是根据定义的预设规则来判定潜在客户，如基于客户近期的查询但未购买的行为，来确定该客户为潜在客户。由于预设规则往往基于历史数据和经验总结，当市场环境发生变化，或新的客户行为模式出现时，这些规则很难及时适应和更新，从而将一些高价值潜在客户错过或将非目标群体纳入潜在客户群，即降低了确定潜在客户时的准确性。
发明内容
为解决上述技术问题，本申请实施例期望提供一种信息处理方法及装置、存储介质，能够提高确定潜在客户时的准确性。
本申请的技术方案是这样实现的：
本申请实施例提供一种信息处理方法，所述信息处理方法包括：
获取待分类金融产品，并对所述待分类金融产品进行分类，得到多个子类产品；
从所述多个子类产品对应的多个子客群中，筛选出目标子客群；
获取所述目标子客群的多维度特征；
从所述多维度特征中确定出目标特征；
在未转化客群中，根据所述目标特征确定潜在客户，所述未转化客群为不属于所述待分类金融产品的客户群。
本申请实施例提供了一种信息处理装置，所述装置包括：
获取单元，用于获取待分类金融产品；获取目标子客群的多维度特征；
分类单元，用于对所述待分类金融产品进行分类，得到多个子类产品；
筛选单元，用于从所述多个子类产品对应的多个子客群中，筛选所述目标子客群；
确定单元，用于从所述多维度特征中确定出目标特征；在未转化客群中，根据所述目标特征确定潜在客户，所述未转化客群为不属于所述待分类金融产品的客户群。
本申请实施例提供了一种信息处理装置，所述装置包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的信息处理的程序，当所述信息处理的程序被执行时，通过所述处理器执行上述所述的信息处理方法。
本申请实施例提供了一种存储介质，其上存储有计算机程序，应用于信息处理装置，其特征在于，该计算机程序被处理器执行时实现上述所述的信息处理方法。
本申请实施例提供了一种信息处理方法及装置、存储介质，信息处理方法包括：获取待分类金融产品，并对待分类金融产品进行分类，得到多个子类产品；从多个子类产品对应的多个子客群中，筛选出目标子客群；获取目标子客群的多维度特征；从多维度特征中确定出目标特征；在未转化客群中，根据目标特征确定潜在客户，未转化客群为不属于待分类金融产品的客户群。采用上述方法实现方案，信息处理装置通过对待分类金融产品进行分类，得到多个子类产品，并从多个子类产品对应的多个子客群中，筛选出目标子客群，确定目标子客群的目标特征，即对已转化的细分客群，对其间的特征进行差异度量，以在未转化客群中，利用目标特征对未转化客群进行细致分析从而确定出潜在客户，提高了确定潜在客户时的准确性。
附图说明
图1为本申请实施例提供的一种信息处理方法流程图；
图2为本申请实施例提供的一种示例性的分布分析模块框架图；
图3为本申请实施例提供的一种示例性的特征标签框架图；
图4为本申请实施例提供的一种示例性的关键特征筛选流程图；
图5为本申请实施例提供的一种示例性的潜客挖掘流程图；
图6为本申请实施例提供的一种示例性的策略制定流程图；
图7为本申请实施例提供的一种示例性的系统架构图；
图8为本申请实施例提供的一种信息处理装置的组成结构示意图一；
图9为本申请实施例提供的一种信息处理装置的组成结构示意图二。
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。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供了一种信息处理方法，一种信息处理方法应用于信息处理装置，图1为本申请实施例提供的一种信息处理方法流程图，如图1所示，信息处理方法可以包括：
S101、获取待分类金融产品，并对待分类金融产品进行分类，得到多个子类产品。
本申请实施例提供的一种信息处理方法适用于确定待分类金融产品的客群的目标特征，并目标特征在未转化客群中，根据目标特征确定潜在客户的场景下。
在本申请实施例中，信息处理装置可以以各种形式来实施。例如，本申请中描述的信息处理装置可以包括诸如手机、照相机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等装置，以及诸如数字TV、台式计算机、服务器等装置。
在本申请实施例中，待分类金融产品可以为一个金融产品，也可以为一批金融产品，具体的待分类金融产品的数量可以根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，可以根据产品属性对待分类金融产品进行分类，也可以根据投资期限对对待分类金融产品进行分类，还可以根据市场定位情况对分类金融产品进行分类，具体的对待分类金融产品进行分类，得到多个子类产品的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，产品属性包括投资结构(例如，股票、债券、现金等)、回报率(固定、浮动、高风险/高回报等)、流动性(如，可随时兑换、固定期限等)以及风险等级(低、中、高)等。
在本申请实施例中，市场定位包括产品的目标市场和客户群，如零售投资者、机构投资者、高净值个人等。
在本申请实施例中，投资期限包括基于产品的设计和投资者的需求，识别短期、中期和长期的金融产品。
在本申请实施例中，对待分类金融产品进行分类，得到多个子类产品的过程可以动态更新和优化，以便金融产品细分能够实施响应市场变化，调整产品分类和推广策略。随着新的金融产品和新推广策略的出现，及时收集客户和市场的反馈，更新和细分产品线。
在本申请实施例中，信息处理装置对待分类金融产品进行分类，得到多个子类产品的过程，包括：根据产品属性对待分类金融产品进行分类，得到多个初始子类产品；利用产品的客户响应信息对多个初始子类产品的分类结果进行调整，得到多个调整后的初始子类产品；在多个调整后的初始子类产品的合规性检测结果为合规的情况下，将多个调整后的初始子类产品确定为多个子类产品。
在本申请实施例中，具体可以根据过去的回报率、风险调整绩效和其他相关指标，对金融产品进行分类，得到多个初始子类产品。
需要说明的是，客户响应信息可以为客户端的反馈信息，如考虑投资者对产品的满意度、偏好和意见等。利用客户端的反馈信息对多个初始子类产品的分类结果进行调整，得到多个调整后的初始子类产品。
在本申请实施例中，在得到多个调整后的初始子类产品之后，就可以根据合规性和监管因素对多个调整后的初始子类产品进行合规性检测，使所有的金融产品都满足相关的法律、监管和合规要求，尤其在不同的金融市场或地区。
需要说明的是，在多个调整后的初始子类产品都满足相关的法律、监管和合规要求的情况下，就确定多个调整后的初始子类产品的合规性检测结果为合规。
在本申请实施例中，合规性检测时的检测方案可以为信息处理装置中配置的方案，也可以为其他设备传输至信息处理装置中的检测方案，还以为信息处理装置通过其他的方式得到的检测方案，具体的信息处理装置得到检测方案的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
可以理解的是，为了确保营销策略的精确性和效果，目标产品(目标子类产品)的细分是关键。首先，不同的子类产品可能有不同的客户基础。通过识别这些差异，可以更精确地针对不同的客户群进行市场营销。其次，这种细分策略有助于识别各个子类产品中哪些是核心产品，哪些具有较高的市场潜力或需求。这对于资源分配和营销策略的制定都是至关重要的。
S102、从多个子类产品对应的多个子客群中，筛选出目标子客群。
在本申请实施例中，信息处理装置对待分类金融产品进行分类，得到多个子类产品之后，就从多个子类产品对应的多个子客群中，筛选出目标子客群。
在本申请实施例中，信息处理装置从多个子类产品对应的多个子客群中，筛选出目标子客群的过程，包括：获取对多个子类产品已转化的多个初始客户数和多个初始转化任务量；对多个初始客户数和多个初始转化任务量进行融合，得到多个子类产品对应的多个第二融合参数；从多个第二融合参数中，筛选数值最大的目标融合参数；在多个子类产品中，确定目标融合参数对应的目标子类产品；在多个子客群中，确定目标子类产品对应的目标子客群。
需要说明的是，多个初始客户数为多个子类产品已转化客群的客户数量。初始客户数这一指标旨在了解各个金融产品或子类产品的受欢迎程度。通过计算特定时段内购买或持有某产品的客户总数，可以评估产品的市场接受度和潜在增长。
需要说明的是，多个初始转化任务量为多个子类产品已转化的资金数量。初始转化任务量这一指标提供了关于客户在特定金融产品或子类产品中的投资金额的直观视图。这有助于金融机构了解资金流动、大额交易情况以及投资热点。
在本申请实施例中，多个子类产品与多个初始客户数一一对应，即一个子类产品对应一个初始客户数。多个子类产品与多个初始转化任务量一一对应，即一个子类产品对应一个初始转化任务量。
在本申请实施例中，可以在数据库中获取对多个子类产品已转化的多个初始客户数和多个初始转化任务量，也可以通过其他的方式获取到对多个子类产品已转化的多个初始客户数和多个初始转化任务量，具体的信息处理装置获取对多个子类产品已转化的多个初始客户数和多个初始转化任务量的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，对多个初始客户数和多个初始转化任务量进行融合，得到多个子类产品对应的多个第二融合参数的过程，可以为获取第一融合系数，利用第一融合系数将多个子类产品中的第一个子类产品对应的第一个初始客户数和第一个初始转化任务量进行融合，得到第一个第二融合参数；利用第一融合系数将多个子类产品中的第二个子类产品对应的第二个初始客户数和第二个初始转化任务量进行融合，得到第二个第二融合参数；…；利用第一融合系数将多个子类产品中的最后一个子类产品对应的最后一个初始客户数和最后一个初始转化任务量进行融合，得到最后一个第二融合参数；将第一个第二融合参数、第二个第二融合参数、…、最后一个第二融合参数作为多个第二融合参数。
在本申请实施例中，可以根据交易维度和持仓维度的信息建立得到多个初始客户数和多个初始转化任务量。其中，交易维度包括购买行为、卖出行为、转入/转出行为等。持仓维度包括投资分布和持仓时长。
需要说明的是，购买行为可以为客户购买金融产品的活动，记录购买的数量和时间。卖出行为反映客户出售金融产品的情况，可以通过此分析客户的资金流动和利润实现时机。转入/转出行为用于了解客户之间或与金融机构之间的资金流向。投资分布用于揭示客户资金在各个产品中的分布情况，帮助理解客户的风险偏好和策略。持仓时长用于反映客户持有某产品的时间，进一步揭示客户对该产品的信心和长期投资意图。
在本申请实施例中，可以采用聚类分析方法如K-means或层次聚类，根据客户的各种特征进行无监督分类，从而划分出不同的目标子客群，而不仅仅是基于差异度和重合度。
在本申请实施例中，信息处理装置对多个初始客户数和多个初始转化任务量进行融合，得到多个子类产品对应的多个第二融合参数的过程，包括：对多个初始客户数和多个初始转化任务量分别进行预处理，得到多个客户数和多个转化任务量；将多个客户数和多个转化任务量进行融合，得到多个子类产品对应的多个第二融合参数。
在本申请实施例中，对对多个初始客户数和多个初始转化任务量分别进行预处理的方式包括：数据异常值检测、缺失值处理、格式统一化整合等处理方式。
在本申请实施例中，可以使用数据库管理工具(如SQL(Structured QueryLanguage))从企业数据仓库中提取所有子类产品的已转化客群的客户数(多个初始客户数)和资金数据(多个初始转化任务量)。随后，进行数据整合与处理，利用数据分析软件(如Python的pandas库)进行数据的异常值检测、缺失值处理、格式统一化和整合(预处理)，确保数据的准确性和完整性。然后提取核心客群(目标子客群)，基于上述统计指标的加权求和(客户数和资金的加权求和)对数据进行排序，确定规模最大的子类产品(目标子类产品)，这部分客群将被认定为核心目标(目标子客群)。最后，进行重合度分析，使用集合运算计算不同子类产品客群之间的重合度，并进一步计算这些重合客户在各子类转化中的客户数占比和资金占比，将重合度较高的子类合并。
在本申请实施例中，可以按照时间序列数据进行趋势分析，对于各子类产品(多个子类产品)，根据时间戳收集其历史交易和持仓数据。然后刻画趋势，利用时间序列分析技术(如Python的statsmodels库)研究各子类产品的客户数和资金随时间的变化趋势。
具体的：子类产品与市场整体趋势比对：结合市场大盘指数或其他标准的外部数据，可以对比子类产品的趋势与整体市场趋势，看其是否呈现正向、负向还是无明显关系的趋势。子类产品间趋势相关性分析：使用皮尔逊相关系数计算出各子类产品之间的相关性，基于相关性分析，总结出哪些子类产品常常在市场趋势中同步上涨或下跌，以及哪些子类产品的走势是相互独立的。
示例性的，以一个假设的金融产品为例，将其分类为A类和B类，并在这些大类中进一步进行细分，如A类被细分为Aa、Ab、Ac子类(如基金产品可以分为A类股票基金、B类债券基金等；A类股票基金又可以细分为成长型股票基金Aa，价值型股票基金Ab...，常见的分类方式是基于产品特征和业务经验进行分类的方式)。针对这些子类，选取交易和持仓这两个核心维度进行分析。这样的规模分析能够揭示出核心的目标子类产品，例如Aa类的客群可能在交易量和持仓上展现出较强的潜力，标示其为关键目标(目标子客群)。此外，还进一步探讨了各目标子类产品间的相关性及整体市场趋势，以更全面地了解客户的行为模式。
可以理解的是，这种趋势分析可以为金融机构提供了一个明确的市场位置感知，同时也揭示了不同子类产品之间的相互联系，为后续的客群细分打下坚实的基础。通过深入细分金融产品并明确交易与持仓的核心维度及指标，为金融机构提供了一个结构化的分析框架。利用规模分析，识别出了高潜力的核心客群，同时通过趋势分析深入比对了子类产品与市场的整体趋势，并探索了各子类间的相关性。这一技术性方法为金融机构提供了全面而精准的市场感知，这为金融机构提供了宝贵的决策依据，助其制定更为精确的市场策略，提高了为潜在客户进行信息推送时的准确性。
在本申请实施例中，对于市场趋势的分析，除了基本的趋势分析，还可以使用时间序列分析，如自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)或Prophet，预测未来的市场走势，提供更加详细和深入的趋势信息。
示例性的，如图2所示：获取待分类金融产品，并对待分类金融产品进行分类，得到多个子类产品(产品Aa、产品Ab、…、产品Ba、产品Bb、…)；获取对多个子类产品已转化的多个初始客户数(客户数)和多个初始转化任务量(资金量)；对多个初始客户数和多个初始转化任务量进行融合，得到多个子类产品对应的多个第二融合参数；从多个第二融合参数中，筛选数值最大的目标融合参数；在多个子类产品中，确定目标融合参数对应的目标子类产品；分别确定目标子类产品的对应的子客群，得到多个初始子客群；根据时间序列数据准备，对于各子类产品，根据时间戳收集其历史交易和持仓数据。然后刻画趋势，利用时间序列分析技术研究各子类产品的客户数和资金随时间的变化趋势(趋势分析)，确定不同子类产品之间的相互联系实现对客群细分的过程，得到多个子客群。在多个子客群中，确定目标子类产品对应的目标子客群(核心客群筛选)，然后进行重合度分析，使用集合运算计算不同子类产品客群之间的重合度，并进一步计算这些重合客户在各子类转化中的客户数占比和资金占比，将重合度较高的子类合并。
S103、获取目标子客群的多维度特征。
在本申请实施例中，信息处理装置从多个子类产品对应的多个子客群中，筛选出目标子客群之后，就获取目标子客群的多维度特征。
在本申请实施例中，如图3所示：多维度特征包括自然属性、交易特征、账户属性、资产特征、行为特征、偏好特征等。其中，自然属性包括年龄、性别、地域等。交易特征包括交易频率、交易金额、交易时间等。账户属性包括账户类型(如普通账户、信用账户等)、账户开设日期、账户状态(如活跃状态、静默状态、冻结状态)等。资产特征包括客户的资产组合、资产来源等。行为特征包括客户在应用内的点击行为、浏览时长等。偏好特征包括基于客户的购买行为和反馈等得到的产品或服务的偏好。
在本申请实施例中，为了深入挖掘并理解目标子客群对于特定产品的喜好和偏向，可以利用目标群体指数(Target Group Index，TGI)分析与区间分布分析方法，以确保分析更为全面，同时也能捕捉到微妙的市场变化和消费者倾向：
需要说明的是，TGI是一个广泛应用于市场研究的工具，可以用于了解特定群体内的行为或偏好与总体人口相比如何。计算方式如公式(1)所示：
示例性的，若某产品在目标子客群中的购买比例是10％，而在总体客户中的购买比例是5％，则该产品在目标子客群的TGI为200。TGI值大于100表示该特性在目标群体中比在总体中更为常见，反之则不常见。
在本申请实施例中，分析目标子客群在特定时间段内对于各产品子类的交易频率和持仓金额。例如，可以看到目标子客群中有60％的客户持有某特定产品A，而在总体客户中只有40％持有。这种差异表明目标子客群对于产品A有更强烈的偏好。
在本申请实施例中，为了准确判断各金融产品子类在目标子客群中的实际受欢迎程度，计算了目标子客群中选择某一产品的客户数与整体客户群选择该产品的客户数之间的比率。这样的对比不仅揭示了产品在特定子客群中的流行度，还避免了单纯依赖TGI分析，因为TGI可能受到极小值的扰动，导致结果偏离实际。同时，通过对比不同客户特征的覆盖率，能更全面地评估产品在各个子客群的普及情况和受欢迎程度。结合TGI分析与产品交易和持仓数据，能够准确地确定目标子客群的产品偏好，并与其他客群的偏好进行对比。这种细致的分析为金融机构提供了关于目标子客群的深入洞察，有助于更有针对性地进行市场策略的规划与调整。
可以理解的是，现有的客群分析技术可能仅依赖于粗略的分类，如年龄、性别或地域等，这导致了客群划分边界模糊、内部异质性大，使得营销策略难以精确投放。本申请实施例中的方案通过深度分析和综合应用多种数据处理技术，根据客户的复杂交易行为、账户属性、资产特征、偏好特征等实现了对客群的精细化划分，确保每个子客群都有明确的特征和需求。
S104、从多维度特征中确定出目标特征。
在本申请实施例中，信息处理装置获取目标子客群的多维度特征之后，就从多维度特征中确定出目标特征。
在本申请实施例中，信息处理装置从多维度特征中确定出目标特征的过程，包括：分别确定多维度特征在目标子客群与第一子客群中的多个差异度；分别确定多维度特征在目标子客群与未转化客群之间的多个重合度；根据多个重合度和多个差异度，从多维度特征中确定出目标特征。
需要说明的是，第一子客群为多个子客群中除目标子客群外的子客群。
在本申请实施例中，也可以分别确定多维度特征在目标子客群与未转化客群之间的多个相似度；分别确定多维度特征在目标子客群与第一子客群中的多个反差度；根据多个相似度和多个反差度，从多维度特征中确定出目标特征。
在本申请实施例中，可以分别确定多维度特征在目标子客群与未转化客群之间的多个杰卡德(Jaccard)指数，从而得到多个重合度；也可以利用其它的方式来确定多维度特征在目标子客群与未转化客群之间多个重合度；具体的实施方式可以根据实际情况进行确定，本申请实施例对比不作限定。
在本申请实施例中，分别确定多维度特征在目标子客群与未转化客群之间的多个重合度的过程，包括：确定多维度特征中的第一维度特征在目标子客群与未转化客群中的第一组重合度；确定多维度特征中的第二维度特征在目标子客群与未转化客群中的第二组重合度；…；确定多维度特征中的最后一维度特征在目标子客群与未转化客群中的最后一组重合度；将第一组重合度、第二组重合度、…、最后一组重合度作为多个重合度。
示例性的，如图4所示：特征i(多维度特征中的任一维度特征)在子集合A(目标子客群)和集合C(任一个未转化客群)之间的重合度J(Ai,Ci)如公式(2)所示：
其中，|Ai∩Ci|表示集合Ai和集合Ci的交集的元素数量；|Ai∪Ci|表示集合Ai和集合Ci的并集的元素数量；Ai表示特征i在集合A中的值的集合；Ci表示特征i在集合C中的值的集合。
在本申请实施例中，信息处理装置分别确定多维度特征在目标子客群与第一子客群中的多个差异度的过程，包括：分别确定多维度特征在目标子客群与第一子客群中的多个第一重合度；根据多个第一重合度和预设参数，确定多个差异度。
在本申请实施例中，预设参数可以为信息处理装置中配置的参数，也可以为其他设备传输至信息处理装置中的参数，还可以为信息处理装置通过其他的方式得到的参数，具体的信息处理装置得到预设参数可以方式可以根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，预设参数可以为1。
在本申请实施例中，分别确定多维度特征在目标子客群与第一子客群之间的多个杰卡德(Jaccard)指数，从而得到多个第一重合度；也可以利用其它的方式来确定多维度特征在目标子客群与第一子客群中的多个第一重合度；具体的实施方式可以根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，分别确定多维度特征在目标子客群与第一子客群中的多个第一重合度的过程，包括：确定多维度特征中的第一维特征在目标子客群与第一子客群中的第一组重合度；确定多维度特征中的第二维特征在目标子客群与第一子客群中的第二组重合度；…；确定多维度特征中的最后一维特征在目标子客群与第一子客群中的最后一组重合度；将第一组重合度、第二组重合度、…、最后一组重合度多个第一重合度。
示例性的，特征i(多维度特征中的任一维度特征)在子集合A(目标子客群)和子集合B(任一个第一子客群)之间的重合度J(Ai,Bi)如公式(3)所示：
其中，|Ai∩Bi|表示集合Ai和集合Bi的交集的元素数量；|Ai∪Bi|表示集合Ai和集合Bi的并集的元素数量；Ai表示特征i在集合A中的值的集合；Bi表示特征i在集合B中的值的集合。
在本申请实施例中，根据多个第一重合度和预设参数，确定多个差异度的方式，可以为分别确定预设参数与多个第一重合度之间的差值，得到多个差异度。
示例性的，如图4所示：特征i(多维度特征中的任一维度特征)在子集合A(目标子客群)和子集合B(任一个第一子客群)中的差异度D(Ai,Bi)如公式(4)所示：
D(Ai,Bi)＝1-J(Ai,Bi) (4)
需要说明的是，差异度D(Ai,Bi)的取值范围是[0,1]。当D(Ai,Bi)＝0时，表示A和B完全相同；当D(Ai,Bi)＝1时，表示A和B完全不同。
在本申请实施例中，信息处理装置根据多个重合度和多个差异度，从多维度特征中确定出目标特征的过程，包括：将多个重合度和多个差异度进行融合，得到多个第一融合参数；从多个第一融合参数中筛选数值最大的预设数量的目标参数；在多维度特征中，确定目标参数对应的特征，得到目标特征。
在本申请实施例中，将多个重合度和多个差异度进行融合，得到多个第一融合参数的过程，可以为获取第二融合系数；利用第二融合系数将多个重合度和多个差异度进行融合，得到多个第一融合参数。
示例性的，如图4所示：可以利用公式(5)将一个重合度和一个差异度进行融合，得到一个第一融合参数：
Ri＝α×Di+β×Ji (5)
需要说明的是，Ri为第i维度特征对应的第一融合参数，Di为第i维度特征对应的差异度，Ji为第i维度特征对应的重合度，α和β为第二融合系数。
在本申请实施例中，第二融合系数可以为信息处理装置中配置的系数，也可以为其他设备传输至信息处理装置的系数，还可以为信息处理装置以其他的方式得到的系数，具体的信息处理装置得到第二融合系数的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，第二融合系数也可以称为是权重系数，用于调整差异度和重合度在加权和(融合过程)中的相对重要性。如此，基于差异度和重合度的加权和，可以对不同的客群特征进行排序，确保那些在目标子客群中显著的和/或与其他客群高度重叠的特征被优先考虑。
在本申请实施例中，在确定目标子类产品后，进一步了解这些客群的特性是至关重要的。为此，对已收集的客户数据，如自然属性、交易特征、账户属性等进行了细致分析。特别地，发现通过计算不同子客群间的特征差异度和重合度，可以有效地筛选出关键特征。例如，在分析中，某交易特征在Aa类客群中的显著性明显高于其他子类，同时与其他产品客群的重合度也相对较高。这样的特征显然具有更高的价值，为后续的策略制定提供了方向。
可以理解的是，在进行客群特征分析的过程中，与现有技术手段所采用的简单对比法不同，本申请实施例中的方案采用了一种高级的综合计算方法。具体地，首先针对已转化的细分客群，对其间的特征进行差异度量；同时，进一步比较已转化子客群与未转化客群之间的特征重合度。基于所得的差异度和重合度数据，本申请实施例采用一种加权排序算法，对各特征进行排序以确定其关键性(目标特征)，如此不仅增强了各细分客群内部的特征鉴别力，也为后续的潜在客户挖掘任务提供了高度的特征关联保障。
S105、在未转化客群中，根据目标特征确定潜在客户，未转化客群为不属于待分类金融产品的客户群。
在本申请实施例中，信息处理装置从多维度特征中确定出目标特征之后，就在未转化客群中，根据目标特征确定潜在客户，未转化客群为不属于待分类金融产品的客户群。
在本申请实施例中，信息处理装置在未转化客群中，根据目标特征确定潜在客户的过程，包括：获取对待分类金融产品未转化的初始客户信息；对初始客户信息进行预处理，得到客户信息；在客户信息中，根据目标特征获取客户特征；将客户特征输入潜在客户识别模型，得到识别结果；识别结果包括潜在客户标签和非潜在客户标签。
在本申请实施例中，对初始客户信息进行预处理的方式与对多个初始客户数和多个初始转化任务量分别进行预处理的方式不同。具体的，对初始客户信息进行预处理的方式包括缺失值处理、异常值处理和数据标准化等处理方式。
需要说明的是，针对初始客户信息中的缺失值处理方式，可以为使用中位数、均值或众数填充，数据值缺失较多的特征则舍弃。针对初始客户信息中的异常值处理方式，可以为使用四分位距(Interquartile Range，IQR)、标准分数(Standard Score，Z-Score)等方法检测和处理初始客户信息中数值特征的异常值。针对初始客户信息中的数据标准化处理方式，可以为对初始客户信息中数值特征进行离差标准化(Min-Max Normalization，Min-Max)或Z-score标准化，确保不同规模的特征在模型中有均衡的权重。
在本申请实施例中，可以在数据中采集交易活跃但未涉足待分类金融产品的客户的信息，得到初始客户信息。
在本申请实施例中，在客户信息中，根据目标特征获取客户特征的过程，可以为按照目标特征的特征维度在客户信息中获取特征，从而得到客户特征。即选取与目标客群最相关的特征。同时，通过对比特征的重要性和特征之间的相关性去除冗余特征。
在本申请实施例中，将客户特征输入潜在客户识别模型，得到识别结果的过程，包括：对客户特征进行编码，得到编码特征；将编码特征输入潜在客户识别模型，得到识别结果。
需要说明的是，可以使用One-Hot编码或标签编码的编码方式对客户特征进行编码，得到编码特征；也可以使用其他的编码方式对客户特征进行编码，从而得到编码特征；具体的对客户特征进行编码的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，潜在客户标签和非潜在客户标签可以为字符标签，也可以为数字标签，还可以为其他形式的标签，具体的根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，信息处理装置将客户特征输入潜在客户识别模型，得到潜在客户标签之前，方法还包括：获取样本客户的样本特征和样本客户对应的样本客户标签；将样本特征输入初始客户识别模型，得到输出客户标签；根据输出客户标签和样本客户标签，确定初始客户识别模型的初始模型损失；在初始模型损失大于或者等于预设损失阈值的情况下，利用样本特征和样本客户标签继续训练初始客户识别模型，得到训练模型；在训练模型对应的训练模型损失小于预设损失阈值的情况下，将训练模型作为客户识别模型。
需要说明的是，样本特征包括目标特征和非目标特征；样本客户标签包括潜在客户标签和非潜在客户标签。
在本申请实施例中，可以在数据库中获取样本客户的样本特征和样本客户对应的样本客户标签，也可以从其他设备处获取样本客户的样本特征和样本客户对应的样本客户标签；还可以通过其他的方式获取到样本客户的样本特征和样本客户对应的样本客户标签；具体的获取样本客户的样本特征和样本客户对应的样本客户标签的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，预设损失阈值可以为信息处理装置中配置的阈值，也可以为其他设备传输至信息处理装置中的阈值，还可以为信息处理装置通过其他的方式得到的阈值，具体的信息处理装置得到预设损失阈值的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，初始客户识别模型可以为xgboost(Extreme GradientBoosting)模型，也可以为深度学习模型(神经网络)，还可以为其他的网络模型，具体的初始客户识别模型可以根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，深度学习模型如神经网络，尤其是对于非线性且高维度的数据集，提供更加精准的分类结果。
可以理解的是，xgboost模型具有强大的处理非线性、缺失数据和特征选择能力，利用xgboost作为主要的二分类模型。xgboost通过集成学习和Gradient Boosting优化，提供了出色的分类性能。
在本申请实施例中，使用xgboost对已知的目标产品子客群和非目标客群进行训练。使用GridSearch或RandomSearch等方法，结合交叉验证，寻找最佳的模型超参数，如学习率、树的深度、子样本比率等进行超参数调整。使用接受者操作特性曲线(ReceiverOperating Characteristic Curve，ROC)曲线、AUC(Area Under the Curve)、准确率等指标(即模型损失)对模型进行评估，确保模型的预测效果达到要求。
可以理解的是，面对传统潜客挖掘方法中存在的假阳性率上升或低检测率问题，本申请实施例提出了一种创新技术方案：首先对已转化客群进行深入细分，并依托之前确定的关键特征进行分析；随后，结合以xgboost为核心的预测模型，本申请实施例中的方案实现了对潜在客户的精确识别与划分。通过这一综合技术策略，不仅保障了对广泛客户群体的精准细分，而且利用专有特征结合先进模型策略显著增强了预测结果的准确性与可靠性。
示例性的，如图5所示：数据收集部分获取对多个子类产品已转化的多个初始客户数和多个初始转化任务量；根据多个初始客户数和多个初始转化任务量，从多个子类产品中，确定目标子类产品；在多个子客群中，确定目标子类产品对应的目标子客群(目标产品子客群)；然后获取目标子客群的多维度特征；并从多维度特征中确定出目标特征(关键特征)；之后在待预测客群中，获取对待分类金融产品未转化的初始客户信息(数据采集)；对初始客户信息进行预处理(缺失值处理、异常值处理、数据标准化)，得到客户信息；在客户信息中，根据目标特征获取特征，并进行冗余特征剔除，得到客户特征；对客户特征进行编码得到编码特征；将编码特征输入客户识别模型，得到识别结果。其中，客户识别模型为利用样本客户的样本特征和样本客户标签对初始客户识别模型进行模型训练，模型评估以及模型中的超参数调整之后得到的模型。
在本申请实施例中，信息处理装置在未转化客群中，根据目标特征确定潜在客户之后，还会根据目标特征，确定对潜在客户的推送方案；根据推送方案，向潜在客户推送待分类金融产品。
在本申请实施例中，基于关键特征，如自然属性、交易特征等，结合目标产品的特性，获取设计的与目标特征对应的营销内容(推送方案)。
在本申请实施例中，基于潜在客户的产品偏好数据，使用协同过滤或基于内容的推荐算法，为潜客匹配与他们偏好相符的产品，确保营销信息的相关性和吸引力。
在本申请实施例中，在营销策略制定中，除了基于关键特征和产品偏好确定营销方案外，可以使用协同过滤算法来推荐用户可能喜欢但尚未发现的金融产品。为了提高营销的实时性，可以考虑使用实时分析引擎，如Apache Kafka和Spark Streaming，对用户行为进行实时分析，并实时调整营销策略。
需要说明的是，每种替代方案都有其独特的优势和局限性。选择最合适的方案取决于具体的应用场景和技术背景。
在本申请实施例中，信息处理装置根据推送方案，向潜在客户推送待分类金融产品的过程，包括：获取潜在客户的历史推送日志；根据历史推送日志，确定与潜在客户匹配的推送渠道和推送时间；在推送时间，利用推送渠道向潜在客户推送待分类金融产品。
在本申请实施例中，可以获取潜在客户在各营销渠道的互动日志(即历史推送日志)，如点击、停留时间等。然后进行统计与关联，使用卡方检验或Apriori关联分析等方法，计算潜客在各宣传渠道的活跃度和转化概率，从而推断出潜在客户的偏好渠道(推送渠道)，如首页热点、直播、资讯栏目等。
在本申请实施例中，将潜客的行为日志按照时间段分类。然后进行热度计算，利用时间序列分析计算潜客在不同时间段的活跃指数，以确定最佳的营销时机(推送时间)。如上午vs下午、开盘前vs开盘中等，确定最佳的营销时间。
在本申请实施例中，信息处理装置根据推送方案，向潜在客户推送待分类金融产品的过程，包括：获取潜在客户的历史交易信息；根据历史交易信息，确定潜在客户的推送优先级；根据推送优先级和推送方案，向潜在客户推送待分类金融产品。
在本申请实施例中，历史交易信息包括潜在客户的资产等级和购买概率。
在本申请实施例中，对预测为潜客的未转化客群进行统计，计算出各目标子客群的潜客数量。通过结合客户的资产等级和购买概率，使用权重分配法为每个潜客计算预估价值。首先价值累加，将每个子客群中的所有潜客价值累加，得出子客群的总价值。然后将规模和价值归一化后加权求和，再进行排序及业务讨论，按照子客群的总价值和业务需求进行降序排序，从而确立每个子客群的营销优先级，即确定出潜在客户的推送优先级。
在本申请实施例中，对目标客群的深入了解之后，可以更加有针对性地制定营销策略。基于的关键特征(目标特征)，使用了一个二分类模型(潜在客户识别模型)来进一步挖掘潜在的目标客户。这个模型不仅可以识别出未转化的潜在客户，还可以预估其可能的价值，从而为营销活动的优先级提供依据。此外，还结合潜在客户的渠道偏好和活跃度来确定最佳的营销渠道和时间。最终，结合客户的关键特征和产品偏好，制定了一系列的营销方案，旨在实现最佳的转化效果。
可以理解的是，传统的营销策略制定往往基于固定模式和经验，缺乏针对性和灵活性。本申请实施例中的方案结合精细化的客群划分、关键特征分析和高效的潜客挖掘结果，实现了营销策略的定制化制定。不仅能够分析客户的渠道偏好、活跃热度等行为特征，还能根据关键特征进行产品偏好匹配，确保每次营销活动都能达到最佳效果。综上，本申请实施例提供了一个全面、精细和高效的技术方案，旨在解决现有技术中的客群划分模糊、关键特征挖掘不足、潜客挖掘效率低下和营销策略制定不精准等问题，从而大大提高了营销活动的转化率并降低营销成本。
示例性的，如图6所示：在未转化客群中，根据目标特征确定潜在客户之后，就根据目标特征，确定对潜在客户的推送方案(营销风格、匹配产品)；获取潜在客户的历史推送日志；根据历史推送日志，确定与潜在客户匹配的推送渠道(最优渠道)和推送时间(最优时段)；获取潜在客户的历史交易信息；根据历史交易信息，确定潜在客户的推送优先级(优先级排序)；根据推送优先级在推送时间，利用推送渠道向潜在客户推送待分类金融产品(营销策略)。
示例性的，如图7所示：获取待分类金融产品(目标产品)，并对待分类金融产品进行分类，得到多个子类产品(二级分类结果)；获取对多个子类产品已转化的多个初始客户数和多个初始转化任务量(根据交易和持仓统计得到的数据)；对多个初始客户数和多个初始转化任务量进行融合，得到多个子类产品对应的多个第二融合参数；从多个第二融合参数中，筛选数值最大的目标融合参数；在多个子类产品中，确定目标融合参数对应的目标子类产品；在多个子客群中，确定目标子类产品对应的目标子客群(规模分析)并进行趋势分析；获取目标子客群的多维度特征(自然属性、交易特征、账户属性、资产特征、行为特征、偏好特征等)；分别确定多维度特征在目标子客群与第一子客群中的多个差异度差异度区分；分别确定多维度特征在目标子客群与未转化客群之间的多个重合度(重合度关联)；根据多个重合度和多个差异度，从多维度特征中确定出目标特征(关键特征提取)，并提取目标产品偏好；在未转化客群中，根据目标特征确定潜在客户(潜客挖掘)；根据目标特征，确定对潜在客户的推送方案(营销方案)；获取潜在客户的历史推送日志；根据历史推送日志，确定与潜在客户匹配的推送渠道(渠道偏好分析)和推送时间(活跃热度分析)；获取潜在客户的历史交易信息；根据历史交易信息，确定潜在客户的推送优先级(营销优先级)；根据推送优先级在推送时间，利用推送渠道向潜在客户推送待分类金融产品。
示例性的，本申请实施例中的技术方案针对计算机控制、互联网、网络通信等领域，集中解决基于计算机控制和网络通信的金融产品营销策略制定。核心由三大模块构成：分布分析、特征分析和策略制定。
1)分布分析模块：为更有针对性地推进金融市场营销，设计了一个分布分析模块，旨在深入解析已转化客群。该模块关注客群规模、需求和金融产品偏好，以便揭示核心客群的属性，为营销策略制定提供有力数据支持。
金融产品细分包括业务需求识别、历史分类和实时调整。
业务需求识别：对产品的金融属性进行分析，锁定目标市场和用户，并划分投资期限。
历史分类：依据历史绩效、用户反馈及合规性进行分类。
实时调整：应对市场动态和产品创新进行的细分策略更新。
数据分析包括交易维度、持仓维度和关键指标。
交易维度：研究用户购买、售卖、转移等行为。
持仓维度：揭示用户对金融产品的投资和持有模式。
关键指标：包括产品受欢迎程度和投资金额。
技术实施包括规模识别和趋势研究。
规模识别：利用数据库工具提取、处理数据，分析子类产品规模及其客群重合度。
趋势研究：应用时间序列分析技术，探查产品趋势并与市场对比。
2)特征分析模块：特征分析的核心目的是深入解析细分目标子客群的核心特征及其对产品子类的偏好。实现此目标的方案如下：
客户特征：涵盖客户基础信息、交易习惯、账户状态、资产和购买趋势。
产品偏好：通过TGI分析与交易数据，深入研究目标子客群的产品选择。
关键特征筛选：利用差异度和Jaccard Index数学模型，量化客群特征。
3)策略制定模块：为定位目标产品的潜在客户并精确高效地制定营销策略，技术实现流程如下：
潜在客户挖掘包括数据准备、特征处理和模型选择。
数据准备：集成交易活跃数据，处理缺失值并标准化数值数据。
特征处理：选择关联性强的特征，并对分类特征编码。
模型选择：应用xgboost模型，结合参数优化技术和模型评价标准。
策略方案包括营销优先级、营销渠道和定制方案。
营销优先级：预测潜在客户数量和价值，确定优先级。
营销渠道：分析潜在客户的营销反应，并识别活跃渠道和时机。
定制方案：根据关键特征设计内容，并利用推荐算法匹配产品。
本申请实施例中的技术方案融合多元数据源、深入特征探寻和精确策略制定，构建了高度技术化的系统流程。通过传统统计与现代算法，本方案实现了对金融产品用户的深度分析，为潜在客户提供更精准的营销策略，旨在提高金融营销的准确性和效率。
可以理解的是，信息处理装置通过对待分类金融产品进行分类，得到多个子类产品，并从多个子类产品对应的多个子客群中，筛选出目标子客群，确定目标子客群的目标特征，即对已转化的细分客群，对其间的特征进行差异度量，以在未转化客群中，利用目标特征对未转化客群进行细致分析从而确定出潜在客户，提高了确定潜在客户时的准确性。
基于与上述信息处理方法的同一发明构思，本申请实施例提供了一种信息处理装置1，对应于一种信息处理方法；图8为本申请实施例提供的一种信息处理装置的组成结构示意图一，该信息处理装置1可以包括：
获取单元11，用于获取待分类金融产品；获取目标子客群的多维度特征；
分类单元12，用于对所述待分类金融产品进行分类，得到多个子类产品；
筛选单元13，用于从所述多个子类产品对应的多个子客群中，筛选所述目标子客群；
确定单元14，用于从所述多维度特征中确定出目标特征；在未转化客群中，根据所述目标特征确定潜在客户，所述未转化客群为不属于所述待分类金融产品的客户群。
在本申请的一些实施例中，所述确定单元14，用于分别确定所述多维度特征在所述目标子客群与第一子客群中的多个差异度；所述第一子客群为所述多个子客群中除所述目标子客群外的子客群；分别确定所述多维度特征在所述目标子客群与所述未转化客群之间的多个重合度；根据所述多个重合度和所述多个差异度，从所述多维度特征中确定出目标特征。
在本申请的一些实施例中，所述确定单元14，用于分别确定所述多维度特征在所述目标子客群与所述第一子客群中的多个第一重合度；根据所述多个第一重合度和预设参数，确定所述多个差异度。
在本申请的一些实施例中，所述装置还包括融合单元；
所述融合单元，用于将所述多个重合度和所述多个差异度进行融合，得到多个第一融合参数；
所述筛选单元13，用于从所述多个第一融合参数中筛选数值最大的预设数量的目标参数；
所述确定单元14，用于在所述多维度特征中，确定所述目标参数对应的特征，得到所述目标特征。
在本申请的一些实施例中，所述装置还包括调整单元；
所述分类单元12，用于根据产品属性对所述待分类金融产品进行分类，得到多个初始子类产品；
所述调整单元，用于利用产品的客户响应信息对所述多个初始子类产品的分类结果进行调整，得到多个调整后的初始子类产品；
所述确定单元14，用于在所述多个调整后的初始子类产品的合规性检测结果为合规的情况下，将所述多个调整后的初始子类产品确定为所述多个子类产品。
在本申请的一些实施例中，所述获取单元11，用于获取对所述多个子类产品已转化的多个初始客户数和多个初始转化任务量；
所述所述融合单元，用于对所述多个初始客户数和所述多个初始转化任务量进行融合，得到所述多个子类产品对应的多个第二融合参数；
所述筛选单元13，用于从所述多个第二融合参数中，筛选数值最大的目标融合参数；
所述确定单元14，用于在所述多个子类产品中，确定所述目标融合参数对应的目标子类产品；在所述多个子客群中，确定所述目标子类产品对应的所述目标子客群。
在本申请的一些实施例中，所述装置还包括处理单元；
所述处理单元，用于对所述多个初始客户数和所述多个初始转化任务量分别进行预处理，得到多个客户数和多个转化任务量；
所述所述融合单元，用于将所述多个客户数和所述多个转化任务量进行融合，得到所述多个子类产品对应的多个第二融合参数。
在本申请的一些实施例中，所述装置还包括输入单元；
所述获取单元11，用于获取对所述待分类金融产品未转化的初始客户信息；在所述客户信息中，根据所述目标特征获取客户特征；
所述处理单元，用于对所述初始客户信息进行预处理，得到客户信息；
所述输入单元，用于将所述客户特征输入潜在客户识别模型，得到识别结果；所述识别结果包括潜在客户标签和非潜在客户标签。
在本申请的一些实施例中，所述装置还包括训练单元；
所述获取单元11，用于获取样本客户的样本特征和所述样本客户对应的样本客户标签；所述样本特征包括所述目标特征和非目标特征；所述样本客户标签包括潜在客户标签和非潜在客户标签；
所述输入单元，用于将所述样本特征输入初始客户识别模型，得到输出客户标签；
所述确定单元14，用于根据所述输出客户标签和所述样本客户标签，确定所述初始客户识别模型的初始模型损失；
所述训练单元，用于在所述初始模型损失大于或者等于预设损失阈值的情况下，利用所述样本特征和样本客户标签继续训练所述初始客户识别模型，得到训练模型；在所述训练模型对应的训练模型损失小于所述预设损失阈值的情况下，将所述训练模型作为所述客户识别模型。
在本申请的一些实施例中，所述装置还包括推送单元；
所述确定单元14，用于根据所述目标特征，确定对所述潜在客户的推送方案；
所述推送单元，用于根据所述推送方案，向所述潜在客户推送所述待分类金融产品。
在本申请的一些实施例中，所述获取单元11，用于获取所述潜在客户的历史推送日志；
所述确定单元14，用于根据所述历史推送日志，确定与所述潜在客户匹配的推送渠道和推送时间；
所述推送单元，用于在所述推送时间，利用所述推送渠道向所述潜在客户推送所述待分类金融产品。
在本申请的一些实施例中，所述获取单元11，用于获取所述潜在客户的历史交易信息；
所述确定单元14，用于根据所述历史交易信息，确定所述潜在客户的推送优先级；
所述推送单元，用于根据所述推送优先级和所述推送方案，向所述潜在客户推送所述待分类金融产品。
需要说明的是，在实际应用中，上述获取单元11、分类单元12、筛选单元13和确定单元14可由信息处理装置1上的处理器15实现，具体为CPU(Central Processing Unit，中央处理器)、MPU(Microprocessor Unit，微处理器)、DSP(Digital Signal Processing，数字信号处理器)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等实现；上述数据存储可由信息处理装置1上的存储器16实现。
本申请实施例还提供了一种信息处理装置1，如图9所示，所述信息处理装置1包括：处理器15、存储器16和通信总线17，所述存储器16通过所述通信总线17与所述处理器15进行通信，所述存储器16存储所述处理器15可执行的程序，当所述程序被执行时，通过所述处理器15执行如上述所述的信息处理方法。
在实际应用中，上述存储器16可以是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard DiskDrive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器15提供指令和数据。
本申请实施例提供了一种计算机可读存储介质，其上有计算机程序，所述程序被处理器15执行时实现如上述所述的信息处理方法。
可以理解的是，信息处理装置通过对待分类金融产品进行分类，得到多个子类产品，并从多个子类产品对应的多个子客群中，筛选出目标子客群，确定目标子客群的目标特征，即对已转化的细分客群，对其间的特征进行差异度量，以在未转化客群中，利用目标特征对未转化客群进行细致分析从而确定出潜在客户，提高了确定潜在客户时的准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。
Claims (15)
1.一种信息处理方法，其特征在于，所述方法包括：
获取待分类金融产品，并对所述待分类金融产品进行分类，得到多个子类产品；
从所述多个子类产品对应的多个子客群中，筛选出目标子客群；
获取所述目标子客群的多维度特征；
从所述多维度特征中确定出目标特征；
在未转化客群中，根据所述目标特征确定潜在客户，所述未转化客群为不属于所述待分类金融产品的客户群。
2.根据权利要求1所述的方法，其特征在于，所述从所述多维度特征中确定出目标特征，包括：
分别确定所述多维度特征在所述目标子客群与第一子客群中的多个差异度；所述第一子客群为所述多个子客群中除所述目标子客群外的子客群；
分别确定所述多维度特征在所述目标子客群与所述未转化客群之间的多个重合度；
根据所述多个重合度和所述多个差异度，从所述多维度特征中确定出目标特征。
3.根据权利要求2所述的方法，其特征在于，所述分别确定所述多维度特征在所述目标子客群与第一子客群中的多个差异度，包括：
分别确定所述多维度特征在所述目标子客群与所述第一子客群中的多个第一重合度；
根据所述多个第一重合度和预设参数，确定所述多个差异度。
4.根据权利要求2所述的方法，其特征在于，所述根据所述多个重合度和所述多个差异度，从所述多维度特征中确定出目标特征，包括：
将所述多个重合度和所述多个差异度进行融合，得到多个第一融合参数；
从所述多个第一融合参数中筛选数值最大的预设数量的目标参数；
在所述多维度特征中，确定所述目标参数对应的特征，得到所述目标特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述待分类金融产品进行分类，得到多个子类产品，包括：
根据产品属性对所述待分类金融产品进行分类，得到多个初始子类产品；
利用产品的客户响应信息对所述多个初始子类产品的分类结果进行调整，得到多个调整后的初始子类产品；
在所述多个调整后的初始子类产品的合规性检测结果为合规的情况下，将所述多个调整后的初始子类产品确定为所述多个子类产品。
6.根据权利要求1所述的方法，其特征在于，所述从所述多个子类产品对应的多个子客群中，筛选出目标子客群，包括：
获取对所述多个子类产品已转化的多个初始客户数和多个初始转化任务量；
对所述多个初始客户数和所述多个初始转化任务量进行融合，得到所述多个子类产品对应的多个第二融合参数；
从所述多个第二融合参数中，筛选数值最大的目标融合参数；
在所述多个子类产品中，确定所述目标融合参数对应的目标子类产品；
在所述多个子客群中，确定所述目标子类产品对应的所述目标子客群。
7.根据权利要求6所述的方法，其特征在于，所述对所述多个初始客户数和所述多个初始转化任务量进行融合，得到所述多个子类产品对应的多个第二融合参数，包括：
对所述多个初始客户数和所述多个初始转化任务量分别进行预处理，得到多个客户数和多个转化任务量；
将所述多个客户数和所述多个转化任务量进行融合，得到所述多个子类产品对应的多个第二融合参数。
8.根据权利要求1所述的方法，其特征在于，所述在未转化客群中，根据所述目标特征确定潜在客户，包括：
获取对所述待分类金融产品未转化的初始客户信息；
对所述初始客户信息进行预处理，得到客户信息；
在所述客户信息中，根据所述目标特征获取客户特征；
将所述客户特征输入潜在客户识别模型，得到识别结果；所述识别结果包括潜在客户标签和非潜在客户标签。
9.根据权利要求8所述的方法，其特征在于，所述将所述客户特征输入潜在客户识别模型，得到潜在客户标签之前，所述方法还包括：
获取样本客户的样本特征和所述样本客户对应的样本客户标签；所述样本特征包括所述目标特征和非目标特征；所述样本客户标签包括潜在客户标签和非潜在客户标签；
将所述样本特征输入初始客户识别模型，得到输出客户标签；
根据所述输出客户标签和所述样本客户标签，确定所述初始客户识别模型的初始模型损失；
在所述初始模型损失大于或者等于预设损失阈值的情况下，利用所述样本特征和样本客户标签继续训练所述初始客户识别模型，得到训练模型；在所述训练模型对应的训练模型损失小于所述预设损失阈值的情况下，将所述训练模型作为所述客户识别模型。
10.根据权利要求1所述的方法，其特征在于，所述在未转化客群中，根据所述目标特征确定潜在客户之后，所述方法还包括：
根据所述目标特征，确定对所述潜在客户的推送方案；
根据所述推送方案，向所述潜在客户推送所述待分类金融产品。
11.根据权利要求10所述的方法，其特征在于，所述根据所述推送方案，向所述潜在客户推送所述待分类金融产品，包括：
获取所述潜在客户的历史推送日志；
根据所述历史推送日志，确定与所述潜在客户匹配的推送渠道和推送时间；
在所述推送时间，利用所述推送渠道向所述潜在客户推送所述待分类金融产品。
12.根据权利要求10所述的方法，其特征在于，所述根据所述推送方案，向所述潜在客户推送所述待分类金融产品，包括：
获取所述潜在客户的历史交易信息；
根据所述历史交易信息，确定所述潜在客户的推送优先级；
根据所述推送优先级和所述推送方案，向所述潜在客户推送所述待分类金融产品。
13.一种信息处理装置，其特征在于，所述装置包括：
获取单元，用于获取待分类金融产品；获取目标子客群的多维度特征；
分类单元，用于对所述待分类金融产品进行分类，得到多个子类产品；
筛选单元，用于从所述多个子类产品对应的多个子客群中，筛选所述目标子客群；
确定单元，用于从所述多维度特征中确定出目标特征；在未转化客群中，根据所述目标特征确定潜在客户，所述未转化客群为不属于所述待分类金融产品的客户群。
14.一种信息处理装置，其特征在于，所述装置包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的信息处理的程序，当所述信息处理的程序被执行时，通过所述处理器执行如权利要求1至12任一项所述的方法。
15.一种存储介质，其上存储有计算机程序，应用于信息处理装置，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12任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410011562.XA CN118115268A (zh) | 2024-01-02 | 2024-01-02 | 一种信息处理方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410011562.XA CN118115268A (zh) | 2024-01-02 | 2024-01-02 | 一种信息处理方法及装置、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118115268A true CN118115268A (zh) | 2024-05-31 |
Family
ID=91216373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410011562.XA Pending CN118115268A (zh) | 2024-01-02 | 2024-01-02 | 一种信息处理方法及装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118115268A (zh) |
-
2024
- 2024-01-02 CN CN202410011562.XA patent/CN118115268A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sarma | Predictive modeling with SAS enterprise miner: Practical solutions for business applications | |
| Ko et al. | An evidential analysis of Altman Z-score for financial predictions: Case study on solar energy companies | |
| Thorleuchter et al. | Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing | |
| CN110363387A (zh) | 基于大数据的画像分析方法、装置、计算机设备及存储介质 | |
| Kapetanios et al. | Big data & macroeconomic nowcasting: Methodological review | |
| CN116431931B (zh) | 实时增量数据统计分析方法 | |
| WO2021257610A1 (en) | Time series forecasting and visualization methods and systems | |
| Munro et al. | Latent dirichlet analysis of categorical survey responses | |
| EP4044097A1 (en) | System and method for determining and managing environmental, social, and governance (esg) perception of entities and industries through use of survey and media data | |
| CN118014622B (zh) | 一种基于用户画像的广告推送方法及系统 | |
| Luo et al. | Design and implementation of an efficient electronic bank management information system based data warehouse and data mining processing | |
| Aviad et al. | A decision support method, based on bounded rationality concepts, to reveal feature saliency in clustering problems | |
| CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
| Duarte et al. | Machine Learning and Marketing: A Literature Review. | |
| Hasheminejad et al. | Data mining techniques for analyzing bank customers: A survey | |
| US20190205341A1 (en) | Systems and methods for measuring collected content significance | |
| EP3493082A1 (en) | A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends | |
| CN115689708A (zh) | 训练数据的筛选方法、风险评估方法、装置、设备和介质 | |
| CN118115268A (zh) | 一种信息处理方法及装置、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 | |
| Belwal et al. | Data mining approaches for profitable business decisions | |
| Ghosh et al. | Panic Selling Analysis in Stock Market | |
| Strathern et al. | Advanced statistical analysis of large-scale web-based data | |
| Shukla et al. | Retracted: Performance optimization of unstructured E‐commerce log data for activity and pattern evaluation using web analytics | |
| Qamar et al. | Regression Analysis |
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 |