CN118396713A - 目标客户的筛选方法、装置、计算机存储介质及电子设备 - Google Patents

Abstract

本申请公开了一种目标客户的筛选方法、装置、计算机存储介质及电子设备。涉及金融科技领域或其他相关领域，该方法包括：获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数；将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型；根据M个候选客户的客户评分确定N个目标客户，其中，在确定所述N个目标客户之后，向所述N个目标客户推荐所述目标业务，N小于等于M，N为正整数。通过本申请，解决了相关技术中筛选使用目标业务的客户时存在筛选准确率低的问题。

Description

目标客户的筛选方法、装置、计算机存储介质及电子设备

技术领域

本申请涉及金融科技领域或其他相关领域，具体而言，涉及一种目标客户的筛选方法、装置、计算机存储介质及电子设备。

背景技术

到账伴侣作为一种可定制的精细化资金信息服务产品，能够为合作机构提供账户资金、票据等明细信息的识别和实时通知的功能，进而客户可以根据自身需求，指定不同的信息提示通知人，并个性化设置通知渠道，提高资金管理的灵活性和效率，但是，尽管到账伴侣提供了丰富的功能和定制化服务，但在实际应用中仍面临着一些问题。

首先，缺乏针对不同客户需求的个性化推荐策略，当面对众多的客户时，每个客户的需求和偏好可能存在差异，若无法为不同客户提供个性化策略，则很难满足客户期望；此外，还可能存在无法准确了解客户的需求以及财务状况，导致提供的服务与客户需求不匹配；进一步地，还存在不了解市场环境的问题，从而导致提供的产品和服务无法满足市场的需求。

针对相关技术中筛选使用目标业务的客户时存在筛选准确率低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种目标客户的筛选方法、装置、计算机存储介质及电子设备，以解决相关技术中筛选使用目标业务的客户时存在筛选准确率低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种目标客户的筛选方法。该方法包括：获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数；将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型；根据M个候选客户的客户评分确定N个目标客户，其中，在确定N个目标客户之后，向N个目标客户推荐目标业务，N小于等于M，N为正整数。

进一步地，目标客户挖掘模型通过以下方式得到：获取历史待推荐业务，并获取P个客户在第二历史时间段内的交易数据，得到P组初始历史交易数据，其中，第二历史时间段为第一历史时间段的前一个时间段，每组初始历史交易数据中包含X种历史交易数据，P、X为正整数；对每组初始历史交易数据中的历史交易数据进行筛选，得到P组历史交易数据，其中，每组历史交易数据中包含Y种历史交易数据，Y小于X，Y为正整数；获取Z个候选客户挖掘模型，利用P组历史交易数据分别对Z个候选客户挖掘模型进行训练，得到Z个训练后客户挖掘模型，其中，Z为正整数；对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型。

进一步地，对每组初始历史交易数据中的历史交易数据进行筛选，得到P组历史交易数据包括：获取历史待推荐业务的业务数据，计算业务数据与X种历史交易数据的皮尔逊系数值，得到X个皮尔逊系数值；获取预设阈值，从X个皮尔逊系数值中筛选出大于等于预设阈值的皮尔逊系数值，将大于等于预设阈值的皮尔逊系数值关联的历史交易数据组合为P组历史交易数据。

进一步地，对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型包括：获取Z个训练后客户挖掘模型关联的量化指标，得到Z组量化指标，其中，每组量化指标至少包括以下之一：第一评估指标和第二评估指标；将Z组量化指标进行降序排序，得到量化指标序列，并获取量化指标序列中预设位序的量化指标，将预设位序的量化指标关联的训练后客户挖掘模型确定为目标客户挖掘模型。

进一步地，利用P组历史交易数据分别对Z个候选客户挖掘模型进行训练包括：获取交易种类评估结果，其中，交易种类评估结果是指评估P组历史交易数据的重要性的评估结果，交易种类评估结果包括每组历史交易数据的重要性评分；提取交易种类评估结果关联的P组重要性评分，根据每组重要性评分对每组历史交易数据进行主成分分析，得到P个数据权重；利用P个数据权重对P组历史交易数据进行处理，得到P组处理后历史交易数据，根据P组处理后历史校验数据执行分别对Z个候选客户挖掘模型进行训练的步骤。

进一步地，在根据M个候选客户的客户评分确定N个目标客户之后，该方法还包括：收集N个目标客户的使用率数据，得到N个使用率数据，其中，N个使用率数据用于表征N个目标客户使用目标业务的使用率情况；获取使用率阈值，将N个使用率数据与使用率阈值进行对比，在N个使用率数据中存在小于等于使用率阈值的使用率数据的情况下，获取小于等于使用率阈值的使用率数据关联的目标客户，得到待转换客户，其中，待转换客户是指与目标业务不匹配的客户；获取待转换客户的客户信息，基于客户信息生成提示信息，将提示信息发送至工作人员使用的客户端，其中，提示信息用于提示工作人员关注待转换客户的业务偏好。

进一步地，在对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型之后，该方法还包括：根据目标客户挖掘模型生成模型设计报告，将模型设计报告存储至数据库，其中，模型设计报告包括目标客户挖掘模型的获取过程以及P组历史交易数据的数据种类。

为了实现上述目的，根据本申请的另一方面，提供了一种目标客户的筛选装置。该装置包括：第一获取单元，用于获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数；输入单元，用于将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型；确定单元，用于根据M个候选客户的客户评分确定N个目标客户，其中，在确定N个目标客户之后，向N个目标客户推荐目标业务，N小于等于M，N为正整数。

根据本发明实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制计算机存储介质所在的设备执行一种目标客户的筛选方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包含一个或多个处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种目标客户的筛选方法。

根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时执行一种目标客户的筛选方法。

通过本申请，采用以下步骤：获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数；将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型；根据M个候选客户的客户评分确定N个目标客户，其中，在确定N个目标客户之后，向N个目标客户推荐目标业务，N小于等于M，N为正整数，解决了相关技术中筛选使用目标业务的客户时存在筛选准确率低的问题，通过获取候选客户的交易数据，将交易数据输入目标客户挖掘模型中，利用模型输出的客户评分确定可推荐的目标客户，进而向目标客户推荐目标业务，进而达到了提高筛选使用目标业务的客户的准确率的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的目标客户的筛选方法的流程图；

图2是根据本申请实施例提供的目标客户挖掘模型的训练方法的示意图；

图3是根据本申请实施例提供的目标客户挖掘模型的建模方法的示意图；

图4是根据本申请实施例提供的目标客户的筛选装置的示意图；

图5是根据本申请实施例提供的电子设备的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。

需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。

需要说明的是，本申请中所使用到的采集的信息是经用户授权或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，供用户选择授权使用或者拒绝使用。

下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的目标客户的筛选方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数。

具体地，为了提高筛选客户的准确率，可以通过获取多个候选客户的交易数据，利用这些交易数据预测将目标业务推荐给客户时客户的满意度情况，本实施例中的目标业务可以为金融机构开设的金融业务，交易数据可以包括多种金融类型的交易明细数据，例如，交易数据可以为水电燃气数据、取暖数据、医疗健康数据以及旅游服务数据等。

步骤S102，将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型。

具体地，在获取多组交易数据后，可以将这些数据输入到由机器学习模型训练得到的目标客户挖掘模型中，由该模型输出向这些候选客户推荐目标业务时的客户满意度数据，也即得到多个候选客户的客户评分。需要说明的是，本实施例中的目标客户挖掘模型可以为LightGBM模型、XGBoost模型或GBM模型训练得到，其中，LightGBM(Light GradientBoosting Machine)模型是一种高效的梯度提升框架的决策树算法；XGBoost(eXtremeGradient Boosting)是一种基于梯度提升算法的集成学习模型；GBM(Gradient BoostingMachine)模型是一种集成学习模型。

步骤S103，根据M个候选客户的客户评分确定N个目标客户，其中，在确定N个目标客户之后，向N个目标客户推荐目标业务，N小于等于M，N为正整数。

具体地，在根据目标客户挖掘模型计算得到多个客户评分后，可以对这些客户评分进行降序排序，从排序后的队列中筛选出多个数值较大的客户评分，并根据这些评分确定目标客户，进而可以将目标业务推荐给这些目标客户，以此实现提高筛选客户的准确率的效果。

本申请实施例提供的目标客户的筛选方法，通过获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数；将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型；根据M个候选客户的客户评分确定N个目标客户，其中，在确定N个目标客户之后，向N个目标客户推荐目标业务，N小于等于M，N为正整数，解决了相关技术中筛选使用目标业务的客户时存在筛选准确率低的问题，通过获取候选客户的交易数据，将交易数据输入目标客户挖掘模型中，利用模型输出的客户评分确定可推荐的目标客户，进而向目标客户推荐目标业务，进而达到了提高筛选使用目标业务的客户的准确率的效果。

在利用目标客户挖掘模型对每个候选客户进行评分前，首先需要对目标客户挖掘模型进行训练，可选地，在本申请实施例提供的目标客户的筛选方法中，目标客户挖掘模型通过以下方式得到：获取历史待推荐业务，并获取P个客户在第二历史时间段内的交易数据，得到P组初始历史交易数据，其中，第二历史时间段为第一历史时间段的前一个时间段，每组初始历史交易数据中包含X种历史交易数据，P、X为正整数；对每组初始历史交易数据中的历史交易数据进行筛选，得到P组历史交易数据，其中，每组历史交易数据中包含Y种历史交易数据，Y小于X，Y为正整数；获取Z个候选客户挖掘模型，利用P组历史交易数据分别对Z个候选客户挖掘模型进行训练，得到Z个训练后客户挖掘模型，其中，Z为正整数；对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型。

具体地，图2是根据本申请实施例提供的目标客户挖掘模型的训练方法的示意图，如图2所示，在利用目标客户挖掘模型对每个候选客户进行评分前，需要对模型进行训练，此时可以获取某一历史待推荐业务，同时再获取样本窗口中的多个客户的交易数据，需要说明的是，该交易数据是在第一历史时间段之前生成的数据，可以确保获取到的数据具有较好的代表性，同时也能够覆盖到不同时间段的交易情况，为后续的模型训练提供数据支持。

进一步地，由于获取的交易数据中可能存在与该历史待推荐业务关联度不大的数据，因此，需要对每组初始历史交易数据中的历史交易数据进行筛选，也即得到多组历史交易数据，能够去除一些可能对模型训练产生干扰的数据，从而提高模型的准确性和可靠性。

再进一步地，可以利用上述历史交易数据对获取的多个候选客户挖掘模型进行训练，并从这些训练后客户挖掘模型中筛选出最优的模型，将该模型确定为目标客户挖掘模型。

需要说明的是，图3是根据本申请实施例提供的目标客户挖掘模型的建模方法的示意图，如图3所示，在训练目标客户挖掘模型之前，可以对该模型所需的数据进行分析和评估，可以通过分析当前业务环境，了解交易数据是否符合项目要求，并评估数据质量。然后再定义模型的类型，基于该类型设计初始的模型，然后对模型所需的样本数据进行获取后，利用该数据对模型进行训练和验证，并在训练完成后记录模型的开发过程，以此实现定制化开发步骤。本实施例通过利用多个历史交易数据对候选客户挖掘模型进行训练，进而得到目标客户挖掘模型，从而能够实现对目标客户的精准挖掘。

历史交易数据是基于初始历史交易数据的皮尔逊系数值确定的，可选地，在本申请实施例提供的目标客户的筛选方法中，对每组初始历史交易数据中的历史交易数据进行筛选，得到P组历史交易数据包括：获取历史待推荐业务的业务数据，计算业务数据与X种历史交易数据的皮尔逊系数值，得到X个皮尔逊系数值；获取预设阈值，从X个皮尔逊系数值中筛选出大于等于预设阈值的皮尔逊系数值，将大于等于预设阈值的皮尔逊系数值关联的历史交易数据组合为P组历史交易数据。

具体地，由于获取的交易数据中可能存在与历史待推荐业务关联度不大的数据，因此，在对获取的初始历史交易数据进行筛选时，可以通过计算业务数据与历史交易数据之间的皮尔逊相关系数来评估它们之间的关联程度，其中，皮尔逊相关系数是一种衡量两个变量之间线性关系强度的统计量，范围在-1到1之间，当值接近1时，表示两个变量之间存在正相关关系；当值接近-1时，表示存在负相关关系；当值接近0时，表示两个变量之间没有明显的相关性。

在计算得到多个皮尔逊系数值后，为了筛选出具有显著相关性的交易数据，可以通过设定一个预设阈值，并筛选出大于等于预设阈值的皮尔逊系数值，再将筛选出的大于等于预设阈值的皮尔逊系数值关联的历史交易数据进行组合，以此得到多组历史交易数据，例如，初始历史交易数据可以包括118种数据，在基于皮尔逊系数值筛选后，可以得到24种交易数据，将该数据确定为历史交易数据。本实施例通过利用皮尔逊相关系数对初始历史交易数据进行筛选，能够更有效地选择出符合要求的历史交易数据，进而能够为目标客户挖掘模型的训练提供数据支持。

为了更好地筛选客户挖掘模型，可选地，在本申请实施例提供的目标客户的筛选方法中，对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型包括：获取Z个训练后客户挖掘模型关联的量化指标，得到Z组量化指标，其中，每组量化指标至少包括以下之一：第一评估指标和第二评估指标；将Z组量化指标进行降序排序，得到量化指标序列，并获取量化指标序列中预设位序的量化指标，将预设位序的量化指标关联的训练后客户挖掘模型确定为目标客户挖掘模型。

具体地，为了更好地实现目标客户挖掘模型的选择，可以采用基于量化指标进行选择，首先可以获取每个训练后客户挖掘模型关联的量化指标，其中，量化指标可以包括ROC值、KS值和AUC值等，KS(Kolmogorov-Smirnov)常用于评估模型的区分能力，是指通过模型将样本排序后，事件累计百分比和非事件累计百分比的最大绝对差；AUC(Area UnderCurve)常用于评估模型的排序能力。

进一步地，基于这些量化指标对每个训练后客户挖掘模型进行排序，从而将排列中预设位序的量化指标对应的模型确定为目标客户挖掘模型，其中，预设位序可以为排列中的第一位，表1为训练后客户挖掘模型和量化指标的对应表，如表1所示，采用LGB模型为基础的训练后客户挖掘模型的KS值为0.74，AUC值为0.94，量化指标值最高，故可以选择LGB模型为基础的训练后客户挖掘模型作为目标客户挖掘模型。

表1

训练后客户挖掘模型	KS	AUC
			LGB模型	0.74	0.94
XGBoost模型	0.43	0.78
			GBM模型	0.51	0.73

本实施例通过采用量化指标排序和选择的方法，能更有效地评估和选择客户挖掘模型，从而提高模型的处理效率和准确率。

为了进一步提高客户挖掘模型的精度，可选地，在本申请实施例提供的目标客户的筛选方法中，利用P组历史交易数据分别对Z个候选客户挖掘模型进行训练包括：获取交易种类评估结果，其中，交易种类评估结果是指评估P组历史交易数据的重要性的评估结果，交易种类评估结果包括每组历史交易数据的重要性评分；提取交易种类评估结果关联的P组重要性评分，根据每组重要性评分对每组历史交易数据进行主成分分析，得到P个数据权重；利用P个数据权重对P组历史交易数据进行处理，得到P组处理后历史交易数据，根据P组处理后历史校验数据执行分别对Z个候选客户挖掘模型进行训练的步骤。

具体地，在利用历史交易数据对候选客户挖掘模型进行训练时，为了进一步提高训练的精确度，可以对每个历史交易数据赋予不同的数据权重，而该数据权重可以由金融机构中的管理人员确定，首先可以获取由管理人员评估每种历史交易数据的重要性的交易种类评估结果，然后再根据交易种类评估结果关联的重要性评分对历史交易数据进行主成分分析，以此得到多个数据权重，需要说明的是，在评估过程中，可以通过考虑多个因素，如交易金额、交易频率、交易类型等，以确定每组数据的重要性。

进一步地，利用数据权重对多组历史交易数据进行加权处理，以此得到多组处理后的历史交易数据，最后可以使用这些处理后的数据训练候选客户挖掘模型，以提高模型的准确性和可靠性。本实施例通过利用获取的交易种类评估结果对每个历史交易数据赋予不同的权重，进而能够使得训练的模型具有更高的挖掘精确度。

为了向客户提供良好的服务体验，可选地，在本申请实施例提供的目标客户的筛选方法中，在根据M个候选客户的客户评分确定N个目标客户之后，该方法还包括：收集N个目标客户的使用率数据，得到N个使用率数据，其中，N个使用率数据用于表征N个目标客户使用目标业务的使用率情况；获取使用率阈值，将N个使用率数据与使用率阈值进行对比，在N个使用率数据中存在小于等于使用率阈值的使用率数据的情况下，获取小于等于使用率阈值的使用率数据关联的目标客户，得到待转换客户，其中，待转换客户是指与目标业务不匹配的客户；获取待转换客户的客户信息，基于客户信息生成提示信息，将提示信息发送至工作人员使用的客户端，其中，提示信息用于提示工作人员关注待转换客户的业务偏好。

具体地，为了给客户提供良好的服务感受，可以持续关注这些客户的业务偏好，首先可以收集能够表征目标客户使用目标业务的使用率情况的使用率数据，其中，使用率数据可以包括客户在特定时间段内的使用时长、点击率等指标。然后获取使用率阈值，并将收集到的使用率数据与使用率阈值进行对比，如果某个客户的使用率数据小于等于使用率阈值，则表明该客户可能与目标业务不匹配，需要进一步关注，并将其标记为待转换客户。

此外，为了更好地关注待转换客户，可以通过获取他们的客户信息，包括基本信息、购买记录、偏好等，基于这些客户信息，生成有针对性的提示信息，将生成的提示信息发送至工作人员使用的客户端，以帮助工作人员更准确地了解客户的需求。例如，可以采取相应的策略，如推荐相关产品、提供个性化服务等，以提高客户的满意度。本实施例通过对客户行为进行持续分析和优化，不仅能够不断优化策略，还能够提高客户满意度，从而实现长期的业务增长。

可选地，在本申请实施例提供的目标客户的筛选方法中，在对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型之后，该方法还包括：根据目标客户挖掘模型生成模型设计报告，将模型设计报告存储至数据库，其中，模型设计报告包括目标客户挖掘模型的获取过程以及P组历史交易数据的数据种类。

具体地，为了向工作人员展示目标客户挖掘模型的训练过程，为工作人员提供模型参考，可以在训练处目标客户挖掘模型后，根据数据获取的情况、训练模型的样本数据(也即历史交易数据)的数据种类、模型的开发过程生成模型设计报告，并将其存储在数据库，进而工作人员在后续需要利用该模型时，可以从数据库提取相应信息进行参考。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种目标客户的筛选装置，需要说明的是，本申请实施例的目标客户的筛选装置可以用于执行本申请实施例所提供的用于目标客户的筛选方法。以下对本申请实施例提供的目标客户的筛选装置进行介绍。

图4是根据本申请实施例提供的目标客户的筛选装置的示意图，如图4所示，该装置包括：第一获取单元40、输入单元41、确定单元42。

第一获取单元40，用于获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数；

输入单元41，用于将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型；

确定单元42，用于根据M个候选客户的客户评分确定N个目标客户，其中，在确定N个目标客户之后，向N个目标客户推荐目标业务，N小于等于M，N为正整数。

本申请实施例提供的目标客户的筛选装置，通过第一获取单元40获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，M个候选客户是指待推荐目标业务的客户，M为正整数；输入单元41将M组交易数据输入目标客户挖掘模型中，得到M个候选客户的客户评分，其中，目标客户挖掘模型是指筛选符合目标业务的客户的模型；确定单元42根据M个候选客户的客户评分确定N个目标客户，其中，在确定N个目标客户之后，向N个目标客户推荐目标业务，N小于等于M，N为正整数，解决了相关技术中筛选使用目标业务的客户时存在筛选准确率低的问题，通过获取候选客户的交易数据，将交易数据输入目标客户挖掘模型中，利用模型输出的客户评分确定可推荐的目标客户，进而向目标客户推荐目标业务，进而达到了提高筛选使用目标业务的客户的准确率的效果。

可选地，在本申请实施例提供的目标客户的筛选装置中，输入单元41包括：目标客户挖掘模型通过以下方式得到：第一获取模块，用于获取历史待推荐业务，并获取P个客户在第二历史时间段内的交易数据，得到P组初始历史交易数据，其中，第二历史时间段为第一历史时间段的前一个时间段，每组初始历史交易数据中包含X种历史交易数据，P、X为正整数；第一筛选模块，用于对每组初始历史交易数据中的历史交易数据进行筛选，得到P组历史交易数据，其中，每组历史交易数据中包含Y种历史交易数据，Y小于X，Y为正整数；第二获取模块，用于获取Z个候选客户挖掘模型，利用P组历史交易数据分别对Z个候选客户挖掘模型进行训练，得到Z个训练后客户挖掘模型，其中，Z为正整数；第二筛选模块，用于对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型。

可选地，在本申请实施例提供的目标客户的筛选装置中，输入单元41包括：第三获取模块，用于获取历史待推荐业务的业务数据，计算业务数据与X种历史交易数据的皮尔逊系数值，得到X个皮尔逊系数值；第四获取模块，用于获取预设阈值，从X个皮尔逊系数值中筛选出大于等于预设阈值的皮尔逊系数值，将大于等于预设阈值的皮尔逊系数值关联的历史交易数据组合为P组历史交易数据。

可选地，在本申请实施例提供的目标客户的筛选装置中，输入单元41包括：第五获取模块，用于获取Z个训练后客户挖掘模型关联的量化指标，得到Z组量化指标，其中，每组量化指标至少包括以下之一：第一评估指标和第二评估指标；排序模块，用于将Z组量化指标进行降序排序，得到量化指标序列，并获取量化指标序列中预设位序的量化指标，将预设位序的量化指标关联的训练后客户挖掘模型确定为目标客户挖掘模型。

可选地，在本申请实施例提供的目标客户的筛选装置中，输入单元41包括：第六获取模块，用于获取交易种类评估结果，其中，交易种类评估结果是指评估P组历史交易数据的重要性的评估结果，交易种类评估结果包括每组历史交易数据的重要性评分；提取模块，用于提取交易种类评估结果关联的P组重要性评分，根据每组重要性评分对每组历史交易数据进行主成分分析，得到P个数据权重；处理模块，用于利用P个数据权重对P组历史交易数据进行处理，得到P组处理后历史交易数据，根据P组处理后历史校验数据执行分别对Z个候选客户挖掘模型进行训练的步骤。

可选地，在本申请实施例提供的目标客户的筛选装置中，该装置还包括：收集单元，用于在根据M个候选客户的客户评分确定N个目标客户之后，收集N个目标客户的使用率数据，得到N个使用率数据，其中，N个使用率数据用于表征N个目标客户使用目标业务的使用率情况；第二获取单元，用于获取使用率阈值，将N个使用率数据与使用率阈值进行对比，在N个使用率数据中存在小于等于使用率阈值的使用率数据的情况下，获取小于等于使用率阈值的使用率数据关联的目标客户，得到待转换客户，其中，待转换客户是指与目标业务不匹配的客户；第三获取单元，用于获取待转换客户的客户信息，基于客户信息生成提示信息，将提示信息发送至工作人员使用的客户端，其中，提示信息用于提示工作人员关注待转换客户的业务偏好。

可选地，在本申请实施例提供的目标客户的筛选装置中，该装置还包括：生成单元，用于在对Z个训练后客户挖掘模型进行筛选，得到目标客户挖掘模型之后，根据目标客户挖掘模型生成模型设计报告，将模型设计报告存储至数据库，其中，模型设计报告包括目标客户挖掘模型的获取过程以及P组历史交易数据的数据种类。

上述目标客户的筛选装置包括处理器和存储器，上述的第一获取单元40、输入单元41、确定单元42等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中筛选使用目标业务的客户时存在筛选准确率低的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制计算机存储介质所在的设备执行一种目标客户的筛选方法。

图5是根据本申请实施例提供的电子设备的示意图，如图5所示，本发明实施例提供了一种电子设备，电子设备50包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种目标客户的筛选方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现本申请各个实施例中一种目标客户的筛选方法的步骤。

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、CD-ROM、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种目标客户的筛选方法，其特征在于，包括：

获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，所述M个候选客户是指待推荐目标业务的客户，M为正整数；

将所述M组交易数据输入目标客户挖掘模型中，得到所述M个候选客户的客户评分，其中，所述目标客户挖掘模型是指筛选符合所述目标业务的客户的模型；

根据所述M个候选客户的客户评分确定N个目标客户，其中，在确定所述N个目标客户之后，向所述N个目标客户推荐所述目标业务，N小于等于M，N为正整数。

2.根据权利要求1所述的方法，其特征在于，所述目标客户挖掘模型通过以下方式得到：

获取历史待推荐业务，并获取P个客户在第二历史时间段内的交易数据，得到P组初始历史交易数据，其中，所述第二历史时间段为所述第一历史时间段的前一个时间段，每组初始历史交易数据中包含X种历史交易数据，P、X为正整数；

对每组初始历史交易数据中的历史交易数据进行筛选，得到P组历史交易数据，其中，每组历史交易数据中包含Y种历史交易数据，Y小于X，Y为正整数；

获取Z个候选客户挖掘模型，利用所述P组历史交易数据分别对所述Z个候选客户挖掘模型进行训练，得到Z个训练后客户挖掘模型，其中，Z为正整数；对所述Z个训练后客户挖掘模型进行筛选，得到所述目标客户挖掘模型。

3.根据权利要求2所述的方法，其特征在于，对每组初始历史交易数据中的历史交易数据进行筛选，得到P组历史交易数据包括：

获取所述历史待推荐业务的业务数据，计算所述业务数据与所述X种历史交易数据的皮尔逊系数值，得到X个皮尔逊系数值；

获取预设阈值，从所述X个皮尔逊系数值中筛选出大于等于所述预设阈值的皮尔逊系数值，将大于等于所述预设阈值的皮尔逊系数值关联的历史交易数据组合为所述P组历史交易数据。

4.根据权利要求2所述的方法，其特征在于，对所述Z个训练后客户挖掘模型进行筛选，得到所述目标客户挖掘模型包括：

获取所述Z个训练后客户挖掘模型关联的量化指标，得到Z组量化指标，其中，每组量化指标至少包括以下之一：第一评估指标和第二评估指标；

将所述Z组量化指标进行降序排序，得到量化指标序列，并获取所述量化指标序列中预设位序的量化指标，将所述预设位序的量化指标关联的训练后客户挖掘模型确定为所述目标客户挖掘模型。

5.根据权利要求2所述的方法，其特征在于，利用所述P组历史交易数据分别对所述Z个候选客户挖掘模型进行训练包括：

获取交易种类评估结果，其中，所述交易种类评估结果是指评估所述P组历史交易数据的重要性的评估结果，所述交易种类评估结果包括每组历史交易数据的重要性评分；

提取所述交易种类评估结果关联的P组重要性评分，根据每组重要性评分对每组历史交易数据进行主成分分析，得到P个数据权重；

利用所述P个数据权重对所述P组历史交易数据进行处理，得到P组处理后历史交易数据，根据所述P组处理后历史校验数据执行所述分别对所述Z个候选客户挖掘模型进行训练的步骤。

6.根据权利要求1所述的方法，其特征在于，在根据所述M个候选客户的客户评分确定N个目标客户之后，所述方法还包括：

收集所述N个目标客户的使用率数据，得到N个使用率数据，其中，所述N个使用率数据用于表征所述N个目标客户使用所述目标业务的使用率情况；

获取使用率阈值，将所述N个使用率数据与所述使用率阈值进行对比，在所述N个使用率数据中存在小于等于所述使用率阈值的使用率数据的情况下，获取小于等于所述使用率阈值的使用率数据关联的目标客户，得到待转换客户，其中，所述待转换客户是指与所述目标业务不匹配的客户；

获取所述待转换客户的客户信息，基于所述客户信息生成提示信息，将所述提示信息发送至工作人员使用的客户端，其中，所述提示信息用于提示所述工作人员关注所述待转换客户的业务偏好。

7.根据权利要求2所述的方法，其特征在于，在对所述Z个训练后客户挖掘模型进行筛选，得到所述目标客户挖掘模型之后，所述方法还包括：

根据所述目标客户挖掘模型生成模型设计报告，将所述模型设计报告存储至数据库，其中，所述模型设计报告包括所述目标客户挖掘模型的获取过程以及所述P组历史交易数据的数据种类。

8.一种目标客户的筛选装置，其特征在于，包括：

第一获取单元，用于获取M个候选客户在第一历史时间段内的交易数据，得到M组交易数据，其中，所述M个候选客户是指待推荐目标业务的客户，M为正整数；

输入单元，用于将所述M组交易数据输入目标客户挖掘模型中，得到所述M个候选客户的客户评分，其中，所述目标客户挖掘模型是指筛选符合所述目标业务的客户的模型；

确定单元，用于根据所述M个候选客户的客户评分确定N个目标客户，其中，在确定所述N个目标客户之后，向所述N个目标客户推荐所述目标业务，N小于等于M，N为正整数。

9.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序，其中，所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至7中任意一项所述的目标客户的筛选方法。

10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，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权利要求1至7中任意一项所述的目标客户的筛选方法。