CN202093568U - 一种银行目标客户识别系统 - Google Patents
一种银行目标客户识别系统 Download PDFInfo
- Publication number
- CN202093568U CN202093568U CN2011200684578U CN201120068457U CN202093568U CN 202093568 U CN202093568 U CN 202093568U CN 2011200684578 U CN2011200684578 U CN 2011200684578U CN 201120068457 U CN201120068457 U CN 201120068457U CN 202093568 U CN202093568 U CN 202093568U
- Authority
- CN
- China
- Prior art keywords
- data
- client
- customer
- server
- basic data
- 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.)
- Expired - Lifetime
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本实用新型提供了一种银行目标客户识别系统,该系统包括:基础数据预处理服务器、基础数据存储服务器、客户信息测量服务器、客户特征提取服务器、目标客户识别服务器以及客户识别终端;基础数据存储服务器分别与基础数据预处理服务器、客户信息测量服务器、客户特征提取服务器以及目标客户识别服务器相连接;客户识别终端通过银行内部网络与基础数据存储服务器相连接。以解决基于金融客户信息挖掘的目标客户识别、客户信息维护、信息查询以及贡献度测量的问题。
Description
技术领域
本实用新型关于金融信息数据挖掘处理技术,具体的讲是一种银行目标客户识别系统。
背景技术
在现有技术中,银行信息系统在客户价值测量、贡献度测量和目标客户识别(或称核心价值客户识别)等涉及金融信息数据挖掘处理的技术中,仍然停留在非标准和非量化的阶段,这便造成了目标客户识别手段单一,识别度差的弊端。
为了解决上述弊端,也有部分银行信息系统,通过批量导入或手工录入的方式建立客户信息库,并通过专人定期维护更新客户信息相关数据。这些银行信息系统的投产,从一定程度上实现了基于对个人金融客户信息挖掘的客户信息维护、信息查询、贡献度测量等功能,但这种银行信息系统仅仅优化了客户信息查询功能,而深层次的目标客户识别处理功能相对较弱,无法满足实际银行业务决策的需要。
实用新型内容
本实用新型实施例提供了一种银行目标客户识别系统,以解决基于金融客户信息挖掘的目标客户识别、客户信息维护、信息查询以及贡献度测量的问题。
本实用新型的目的之一是,提供一种银行目标客户识别系统,该系统包括:基础数据预处理装置,用于从银行网络获取包括客户基本信息数据、客户资产/负债数据、产品配置数据和交易明细数据在内的客户识别基础数据,并对所述的客户识别基础数据进行预处理;基础数据存储装置,与基础数据预处理装置相连接,用于存储预处理后的客户识别基础数据;客户信息测量装置,与基础数据存储装置相连接,用于对读取的产品配置数据进行测量生成客户贡献度数据,并对读取的交易明细数据进行测量生成客户重要度数据,并对读取的客户基本信息数据和客户资产/负债数据进行测量生成客户价值数据;客户特征提取装置,与客户信息测量装置相连接,用于根据客户贡献度数据、客户重要度数据和客户价值数据从客户识别基础数据中获取目标客户样本数据,并根据客户的属性对目标客户样本数据进行分类,生成目标客户特征数据;目标客户识别装置,与客户特征提取装置相连接,用于根据目标客户特征数据从客户识别基础数据中识别出对应的目标客户信息,并输出所述的目标客户信息。
客户信息测量装置进一步包括:产品贡献测量单元,用于对产品配置数据中的产品收入数据和产品支出数据进行测量计算,生成产品贡献数据;客户贡献度测量单元,与产品贡献测量单元相连接,用于根据产品贡献数据和测量时间计算生成客户贡献度数据。
客户信息测量装置进一步包括:客户重要度测量单元,用于对交易明细数据中的交易时间、交易次数、金融服务的存活时间以及收益与成本比进行测量计算,生成客户重要度数据。
客户信息测量装置进一步包括:客户价值测量单元,用于根据客户基本信息数据和客户资产/负债数据分别计算出客户历史价值数据、客户当前价值数据和客户潜在价值数据,并根据客户历史价值数据、客户当前价值数据和客户潜在价值数据计算生成客户价值数据。
客户特征提取装置进一步包括:决策树生成单元,用于将客户的属性分成多个标签,并按照标签对目标客户样本数据进行逐层分类,生成决策树。
本实用新型的目的之一是,提供一种银行目标客户识别系统,该系统包括:基础数据预处理服务器、基础数据存储服务器、客户信息测量服务器、客户特征提取服务器、目标客户识别服务器以及客户识别终端;基础数据存储服务器分别与基础数据预处理服务器、客户信息测量服务器、客户特征提取服务器以及目标客户识别服务器相连接;客户识别终端通过银行内部网络与基础数据存储服务器相连接;基础数据预处理服务器,用于从银行网络获取包括客户基本信息数据、客户资产/负债数据、产品配置数据和交易明细数据在内的客户识别基础数据,并对客户识别基础数据进行预处理;基础数据存储服务器,用于存储预处理后的客户识别基础数据;客户信息测量服务器,用于对读取的产品配置数据进行测量生成客户贡献度数据,并对读取的交易明细数据进行测量生成客户重要度数据,并对读取的客户基本信息数据和客户资产/负债数据进行测量生成客户价值数据,并将客户价值数据存入基础数据存储服务器;客户特征提取服务器,用于根据客户贡献度数据、客户重要度数据和客户价值数据从所述的客户识别基础数据中获取目标客户样本数据,并根据客户的属性对目标客户样本数据进行分类,生成目标客户特征数据,并将目标客户特征数据存入基础数据存储服务器;目标客户识别服务器,用于根据目标客户特征数据从客户识别基础数据中识别出对应的目标客户信息,并将目标客户信息存入基础数据存储服务器;客户识别终端,用于输入目标客户识别请求,并显示目标客户信息。
客户信息测量服务器进一步包括:产品贡献测量单元,用于对产品配置数据中的产品收入数据和产品支出数据进行测量计算,生成产品贡献数据;客户贡献度测量单元,用于根据产品贡献数据和测量时间计算生成客户贡献度数据。
客户信息测量服务器进一步包括:客户重要度测量单元,用于对交易明细数据中的交易时间、交易次数、金融服务的存活时间以及收益与成本比进行测量计算,生成客户重要度数据。
客户信息测量服务器进一步包括:客户价值测量单元,用于根据客户基本信息数据和客户资产/负债数据分别计算出客户历史价值数据、客户当前价值数据和客户潜在价值数据,并根据客户历史价值数据、客户当前价值数据和客户潜在价值数据计算生成客户价值数据。
客户特征提取服务器进一步包括:决策树生成单元,用于将客户的属性分成多个标签,并按照标签对目标客户样本数据进行逐层分类,生成决策树。
本实用新型的有益效果在于,利用客户贡献度数据测量、客户重要度数据测量和客户价值数据测量等三个测量模型,以及基于决策树的分类器,从多方面对目标客户信息进行提取,提高了金融客户数据挖掘、提取和相关处理的准确性。提高了目标客户提取的效率。进而提升了银行个人客户的服务水平。
附图说明
为了更清楚地说明本实用新型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实用新型的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本实用新型实施例1银行目标客户识别系统的结构框图;
图2为本实用新型实施例1基础数据预处理装置的结构框图;
图3为本实用新型实施例1客户识别基础数据库示意图;
图4为本实用新型实施例1基础数据预处理装置的数据清理流程图;
图5为本实用新型实施例1基础数据预处理装置的数据集成流程图;
图6为本实用新型实施例1基础数据预处理装置的数据变换流程图;
图7a为本实用新型实施例1产品贡献测量单元结构框图;
图7b为本实用新型实施例1客户贡献度测量单元结构框图;
图8为本实用新型实施例1客户重要度测量单元的结构框图;
图9为本实用新型实施例1客户信息测量装置的结构框图;
图10为本实用新型实施例1决策树示意图;
图11为本实用新型实施例1目标客户识别处理流程图;
图12为本实用新型实施例2银行目标客户识别系统连接示意图。
具体实施方式
下面将结合本实用新型实施例中的附图,对本实用新型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实用新型一部分实施例,而不是全部的实施例。基于本实用新型中的实施例,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,都属于本实用新型保护的范围。
实施例1
如图1所示,本实施例的银行目标客户识别系统包括:基础数据预处理装置101,用于从银行网络获取包括客户基本信息数据、客户资产/负债数据、产品配置数据和交易明细数据在内的客户识别基础数据,并对客户识别基础数据进行预处理;基础数据存储装置102,用于存储预处理后的客户识别基础数据;客户信息测量装置103,用于对读取的产品配置数据进行测量生成客户贡献度数据,并对读取的交易明细数据进行测量生成客户重要度数据,并对读取的客户基本信息数据和客户资产/负债数据进行测量生成客户价值数据;客户特征提取装置104,用于根据客户贡献度数据、客户重要度数据和客户价值数据从客户识别基础数据中获取目标客户样本数据,并根据客户的属性对目标客户样本数据进行分类,生成目标客户特征数据;目标客户识别装置105,用于根据目标客户特征数据从客户识别基础数据中识别出对应的目标客户信息,并输出目标客户信息。客户识别终端106,用于显示目标客户信息。
如图2所示,基础数据预处理装置101包括主控单元10、数据清理单元11、数据集成单元12和数据变换单元13。主控单元10负责数据预处理的调度,它根据用户请求的服务,访问基础数据存储装置102,从基础数据存储装置102读取样本客户数据到基础数据预处理装置101,将客户基础数据派送给数据清理单元11、数据集成单元12和数据变换单元13进行预处理,将处理结果写回基础数据存储装置102。
如图3所示,客户识别基础数据库存储了包括客户基本信息数据、客户资产/资产负债数据、金融产品配置数据和交易明细数据在内的各种基础数据。
客户基本信息数据至少包括:客户信息号、账户号和卡号。客户资产/资产负债数据至少包括:客户历史利润、客户未来利润函数和贴现率。
金融产品配置数据至少包括:消费收入、存款收入、透支收入,以及发卡支出、柜台交易支出、ATM交易支出、CDM交易支出、POS交易支出、网上银行交易支出、电话银行交易支出、手机银行交易支出、批量交易支出。
交易明细数据至少包括:客户在银行交易的最后一次距离现在的天数R,客户在银行里总的交易次数F,F的归一化值F*;客户从第一次购买银行金融服务的时间开始到目前的存活时间S,S的归一化值S*;客户的收益与成本比 的归一化值客户所使用银行所提供的总的服务种数T,T的归一化值T*。
基础数据预处理装置101负责访问基础数据存储装置102,随机抽取一批样本客户,读取该样本客户的基础数据,包括客户基本信息数据、交易数据以及经过简单分析统计的相关数据,然后再进行数据清理、集成、变换处理,得到样本客户中间数据,将中间数据存放到基础数据存储装置102中。
数据清理单元11负责采用数据清理例程,填写空缺数据、平滑噪声数据,识别、删除孤立点,并解决不一致来对基础数据进行清理;利用回归、或判定树归纳确定的方法来推测可能的空缺值;采用分箱、聚类、回归的方法来消除噪声。数据集成单元12负责将多个数据源中的数据结合起来作一致性处理。数据变换单元13负责将数据转换成适于进行挖掘的形式。比如利用最大-最小规范化对客户属性进行线性变换,将属性值映射到相应的区间中。
如图4所示,基础数据预处理装置的数据清理单元的步骤包括:
步骤110:接收主控单元10传入的客户数据,判断是否进行过数据清理,如果未进行过,则执行步骤111;否则,结束。
步骤111:对客户数据进行数据质量诊断;数据质量诊断是对原始数据各个表、各个变量的基本情况进行查看和探索性分析,包括数据概况诊断分析、频数分析、单变量分析,分别说明如下:
1)数据概况诊断分析:每个表的时间属性、数据的粒度、数据的变量数、数据的记录数、数据的主键以及数据中是否存在重复观测进行诊断。
2)频数分析:对各个数据表各个变量(除了客户信息号、账户号、卡号等主键外)进行分类变量(Categorical Variables)的频数分析(FrequencyAnalysis),输出包括:变量值、变量值定义、观测数、占比、累积占比。
3)单变量分析:对各个数据表各个变量(除了客户信息号、账户号、卡号等主键外)进行连续变量(Continuous Variables)的单变量分析(Univariate Analysis),输出包括:总记录数、非缺失值记录数、缺失值记录数、均值、标准差、最小值、1%分位数、5%分位数、10%分位数、25%分位数、中位数、75%分位数、90%分位数、95%分位数、99%分位数、最大值。
步骤112:根据数据概况诊断分析结果,对主键重复记录进行筛选,剔除无效数据;
步骤113:针对分类变量(Categorical Variables)的频数分析结果进行分析;对变量值、变量值定义未落在规范的参数表内的记录,若为不一致数据,则进行筛选,剔除无效数据;
步骤114:针对连续变量(Continuous Variables)的单变量分析结果进行分析;对存在“缺失值记录数”的记录,若为分析的关键字段,则根据平均值填充规则赋予“默认值”;对存在偏离“均值”超过3个“标准差”以上的记录,若为孤立点数据则进行删除,若为噪声数据则进行平滑处理;
步骤115:将清洗后的客户数据传给主控单元10,主控单元10写回基础数据存储装置。
如图5所示,基础数据预处理装置的数据集成单元的处理步骤包括:
步骤120:接收主控单元10传入的客户数据,判断是否已完成数据清理,如果已完成数据清理,则执行步骤121;否则,结束。
步骤121:对客户数据进行数据关系诊断;数据关系诊断是对原始数据各个表、各个变量的关联关系进行查看和探索性分析,包括变量的交叉分析,分别说明如下:
变量的交叉分析:对同一张表中存在逻辑关系的不同变量,利用其内在逻辑关系对数据的一些变量进行交叉诊断;如利用逻辑关系“定期储蓄的起息日应该等于开户日”对双整定期储蓄表中的“起息日”、“开户日”进行交叉分析。
表1
起息日和开户日期交叉分析
表1是双整定期储蓄表变量VALUEDAY(起息日)和OPENDATE(开户日)的交叉分析结果。
步骤122:针对变量的交叉分析结果进行分析;对产品种类、币种、帐户状态、交易渠道、交易金额、帐户余额等确定统一的取值规则;
步骤123:对于证件类型为身份证的客户,考虑到15位身份证和18位身份证将对应于不同的客户信息号,因此将15位身份证号码转为18位身份证号码;
步骤124:为保证所有业务做到统一客户视图,确定客户信息号作为关联主键;将“证件类型+证件证号”、帐号都与客户信息号唯一对应;
步骤125:对于跨地区开户的导致一个自然人有多个客户信息号情况,需要根据“证件类型+证件证号”进行整合,才能全面反映客户的资产状况及其在地区、产品和渠道的偏好;
步骤126:将数据集成后的客户数据传给主控单元10,主控单元10写回基础数据存储装置。
如图6所示,基础数据预处理装置的数据变换单元的处理步骤包括:
步骤130:接收主控单元10传入的客户数据,判断是否已完成数据集成,如果已完成数据集成,则执行步骤131;否则,结束。
步骤131:针对不同量纲的连续变量(Continuous Variables)进行线性变换;比较常用方法为“最小-最大规范化”,即假定minA和maxA分别为属性A的最小和最大值。最小-最大规范化通过计算将属性A的值v映射到区间[new_minA,new_maxA]中的v′。公式如下:
比如将属性income(收入)进行最大-最小规范化。假定属性income的最小与值分别为$1000和$99000。我们希望映射income到区间[0.0,1.0]。根据最大-最小规范化,income值$25000将变换为
步骤132:将变换后的客户数据传给主控单元10,主控单元10写回基础数据存储装置。
如图7a、7b所示,客户信息测量装置进一步包括:产品贡献测量单元,用于对产品配置数据中的产品收入数据和产品支出数据进行测量计算,生成产品贡献数据;客户贡献度测量单元,用于根据产品贡献数据和测量时间计算生成客户贡献度数据。
产品贡献测量单元依据设定的贡献度计算模型进行测量计算。首先计算出各客户所产生的贡献度分值,根据模型参数计算客户持有的各个银行产品的贡献,累计为客户贡献,对客户贡献在全行进行排名,根据排名确定贡献度。产品贡献计算公式为:
公式(1)中:输出值为:产品贡献K;
输入值为:Rin是产品的收入,i为收入的渠道,统计N个渠道,渠道包括但不限于消费、存款、透支、结算、其他;Rout是产品的支出,j为支出的渠道,统计M个渠道,渠道包括但不限于发卡、换卡、柜台交易、ATM交易、CDM交易、POS交易、网上银行交易、电话银行交易、手机银行交易、批量交易。
客户总贡献计算公式为:
公式(2)中,输出值为:G是客户的总贡献;
输入值为:K是客户某时间段内某个产品的贡献,i为产品个数,统计N个产品,产品包括但不限于银行卡、(定期/活期)储蓄、贷款、基金、国债、中间业务、理财。
客户贡献度计算公式为:
公式(3)中,输出值为KPI,客户的贡献度;
输入值为:G(t)是单个客户的总贡献,i为客户数,全行N个客户,T0为统计周期起始日期,Tt为统计周期截止日期。
将公式(1)至(3)的贡献度模型数据写回基础数据存储装置。
如图8所示,客户信息测量装置进一步包括:客户重要度测量单元,用于对交易明细数据中的交易时间、交易次数、金融服务的存活时间以及收益与成本比进行测量计算,生成客户重要度数据。客户评价装置重要度测量模型的方法流程图。
采用RFM方法进行客户重要度测量计算;RFM方法的计算公式为:
在公式(4)中,输出值为I,客户的重要程度;
输入值为:R是指客户在银行交易的最后一次距离现在的天数,R越小,则客户就显得越活跃;F*是指F的归一化值,而F即客户在银行里总的交易次数,显然,F越大,客户更为忠诚;S*是指S的归一化值,S指的是客户从第一次购买银行金融服务的时间开始到目前的存活时间,S越大,客户对银行的贡献度也会相对而言比较高;是指的归一化值,是指客户的收益与成本比,该指标反映了每一单位的成本所能获得的收益有多少,T*是指T的归一化值,T是指客户所使用银行所提供的总的服务种数,T越大,就说明客户对银行所提供的服务具有较高的满意度。
将公式(4)计算的重要度测量数据写回基础数据存储装置。
如图9所示,客户信息测量装置进一步包括:客户价值测量单元,用于根据客户基本信息数据和客户资产/负债数据分别计算出客户历史价值数据、客户当前价值数据和客户潜在价值数据,并根据客户历史价值数据、客户当前价值数据和客户潜在价值数据计算生成客户价值数据。
采用CV方法对客户进行价值评估,客户价值=历史价值+当前价值+潜在价值,简写为:
CV=CHV+CCV+CPV (5)
在公式(5)中,CV:Customer Value客户对企业(银行)的价值总和;CCV:Customer Current Value表示客户当前价值,即客户按照当前购买行为模式在将来为银行创造的利润值。
在公式(6)中P0为最近一个时间单元的客户历史利润;d为折现率。
CHV:Customer Historic Value表示客户已经为企业(银行)创造的历史利润值;通过将客户在过往时期为银行创造的各项利润进行贴现,得到CHV的实际数值。
在公式(7)中,输出值为CHV,产品贡献;
输入值为:Rin是产品的收入,i为收入的渠道,统计N个渠道,渠道包括但不限于消费、存款、透支、结算、其他;d为折现率。
CPV:Customer Potential Value表示客户潜在价值,可度量为未来利润/收入净现值。客户从现在一直到其生命周期结束期间给银行带来利润的净现值。同样地,如果某银行的成本管理无法达到准确衡量每个客户的利润状况时,可用收入代替公式计算中的利润。
在公式(8)中,π(t)是以时间t为自变量的未来客户利润函数,d为折现率,n为预计今后客户关系保持的时期。
将价值评估数据写回基础数据存储装置。
如图10所示,客户特征提取装置进一步包括:决策树生成单元,用于将客户的属性分成多个标签,并按照标签对所述的目标客户样本数据进行逐层分类,生成决策树。
决策树提供了一种展示在什么条件下会得到什么值这类规则的方法。它是一个分类器,要构造这个分类器,需要有一个训练样本数据集作为输入。训练集(Training set)由一组数据库记录或元组构成,每个记录是一个由有关字段值组成的特征向量,这些字段称做属性(Attribute),把用于分类的属性叫做标签(Label),标签属性也就是训练集的类别标记。一个具体的样本的形式表示为(V1,V2,...,Vn;c),其中Vi表示字段值,c表示类别。训练集是构造分类器的基础。标签属性的类型必须是离散的,且标签属性的可能值的数目越少越好(最好是两或三个值)。标签值的数目越少,构造出来的分类器的错误率越低。
决策树的每个节点子节点的个数与决策树在用的算法有关。每个分支要么是一个新的决策节点,要么是树的结尾,称为叶子。在沿着决策树从上到下遍历的过程中,在每个节点都会遇到一个问题,对每个节点上问题的不同回答导致不同的分支,最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程,利用几个变量(每个变量对应一个问题)来判断所属的类别(最后每个叶子会对应一个类别)。
建立决策树的过程,即树的生长过程是不断的把数据进行切分的过程,每次切分对应一个问题,也对应着一个节点。对每个切分都要求分成的组之间的″差异″最大。各种决策树算法之间的主要区别就是对这个″差异″衡量方式的区别。
本实施例采用了决策树C5.0算法来构造决策树,但不局限于C5.0,也可采用决策树的其他算法。
例如,首先将客户信息测量装置统计出的客户贡献度、重要度、客户价值综合排名前x%的核心价值客户作为样本数据(x%取自数据存储装置的参数表,预设为20%,可以由用户根据各自机构的实际情况进行调整)。根据决策树构造方法,客户的基本属性被分成多个标签,按照标签进行逐层分类,从而构造出一棵决策树。
标签属性:
(1)12个月内拥有个人经营性贷款且平均每笔现金存款交易额在10万元及以上;
(2)12个月内平均每月收入在1万元以上,
(3)12个月内证券类交易次数大于等于50次;
(4)12个月内贷方结算类交易额超过1万元的交易总额在30万元及以上。
根据决策树的分类结果,整理核心价值客户判定属性集(即从根节点到叶子结点的路径);如上例所示,私营业主的判定属性集为:12个月内拥有个人经营性贷款且平均每笔现金存款交易额在10万元及以上;高收入人群的判定属性集为:12个月内没有个人经营性贷款,且12个月内平均每月收入在1万元以上;依次类推。
本例是简化了的例子,实际情况下,客户属性不止这些,包括:客户基本信息、综合评价信息、产品使用信息、渠道使用信息、账户信息等。例如客户性别、年龄、职业、客户总资产、客户总负债、客户贡献度、是否黑名单客户、是否信用卡客户、是否购买理财产品、是否电子银行用户等。
将目标客户特征数据写回基础数据存储装置。
如图11所示,目标客户识别装置用于根据目标客户特征数据从客户识别基础数据中识别出对应的目标客户信息,并输出目标客户信息。目标客户识别装置的处理步骤包括:
步骤320:目标客户识别装置从基础数据存储装置读取待识别的客户数据和目标客户特征数据;
步骤321:按照目标客户特征的分类原则,如年龄、学历、个人总资产,将客户进行细分;
步骤322:利用目标客户特征数据,对细分后的客户进行识别;例如要识别私营业主,就用“12个月内拥有个人经营性贷款且平均每笔现金存款交易额在10万元及以上”的属性来识别。
步骤323:将客户识别结果数据写回基础数据存储装置。
本实施例利用客户贡献度数据测量、客户重要度数据测量和客户价值数据测量等三个测量模型,以及基于决策树的分类器,从多方面对目标客户信息进行提取,提高了金融客户数据挖掘、提取和相关处理的准确性。提高了目标客户提取的效率。进而提升了银行个人客户的服务水平。
实施例2
如图12所示,本实施例的银行目标客户识别系统包括:基础数据预处理服务器201、基础数据存储服务器202、客户信息测量服务器203、客户特征提取服务器204、目标客户识别服务器205以及客户识别终端206.
基础数据存储服务器202分别与基础数据预处理服务器201、客户信息测量服务器203、客户特征提取服务器204以及目标客户识别服务器205相连接;客户识别终端206通过银行内部网络与基础数据存储服务器202相连接。
基础数据预处理服务器201,用于从银行网络获取包括客户基本信息数据、客户资产/负债数据、产品配置数据和交易明细数据在内的客户识别基础数据,并对客户识别基础数据进行预处理。
基础数据存储服务器202,用于存储预处理后的客户识别基础数据.
客户信息测量服务器203,用于对读取的产品配置数据进行测量生成客户贡献度数据,并对读取的交易明细数据进行测量生成客户重要度数据,并对读取的客户基本信息数据和客户资产/负债数据进行测量生成客户价值数据,并将客户价值数据存入基础数据存储服务器202.
客户特征提取服务器204,用于根据客户贡献度数据、客户重要度数据和客户价值数据从所述的客户识别基础数据中获取目标客户样本数据,并根据客户的属性对目标客户样本数据进行分类,生成目标客户特征数据,并将目标客户特征数据存入基础数据存储服务器202。
目标客户识别服务器205,用于根据目标客户特征数据从客户识别基础数据中识别出对应的目标客户信息,并将目标客户信息存入基础数据存储服务器202。
客户识别终端206,用于输入目标客户识别请求,并显示目标客户信息。
客户信息测量服务器203进一步包括:产品贡献测量单元,用于对产品配置数据中的产品收入数据和产品支出数据进行测量计算,生成产品贡献数据;客户贡献度测量单元,用于根据产品贡献数据和测量时间计算生成客户贡献度数据。客户重要度测量单元,用于对交易明细数据中的交易时间、交易次数、金融服务的存活时间以及收益与成本比进行测量计算,生成客户重要度数据。客户价值测量单元,用于根据客户基本信息数据和客户资产/负债数据分别计算出客户历史价值数据、客户当前价值数据和客户潜在价值数据,并根据所述的客户历史价值数据、客户当前价值数据和客户潜在价值数据计算生成客户价值数据。
客户特征提取服务器204进一步包括:决策树生成单元,用于将客户的属性分成多个标签,并按照标签对目标客户样本数据进行逐层分类,生成决策树。
本实施例利用客户贡献度数据测量、客户重要度数据测量和客户价值数据测量等三个测量模型,以及基于决策树的分类器,从多方面对目标客户信息进行提取,提高了金融客户数据挖掘、提取和相关处理的准确性。提高了目标客户提取的效率。进而提升了银行个人客户的服务水平。
本实用新型中应用了具体实施例对本实用新型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实用新型的方法及其核心思想;同时,对于本领域的一般技术人员,依据本实用新型的思想,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实用新型的限制。
Claims (1)
1.一种银行目标客户识别系统,其特征是,所述的系统包括:基础数据预处理服务器、基础数据存储服务器、客户信息测量服务器、客户特征提取服务器、目标客户识别服务器以及客户识别终端;
所述的基础数据存储服务器分别与所述的基础数据预处理服务器、客户信息测量服务器、客户特征提取服务器以及目标客户识别服务器相连接;
所述的客户识别终端通过银行内部网络与所述的基础数据存储服务器相连接;
所述的基础数据预处理服务器,用于从银行网络获取包括客户基本信息数据、客户资产/负债数据、产品配置数据和交易明细数据在内的客户识别基础数据,并对所述的客户识别基础数据进行预处理;
所述的基础数据存储服务器,用于存储预处理后的客户识别基础数据;
所述的客户信息测量服务器,用于对读取的产品配置数据进行测量生成客户贡献度数据,并对读取的交易明细数据进行测量生成客户重要度数据,并对读取的客户基本信息数据和客户资产/负债数据进行测量生成客户价值数据,并将所述的客户价值数据存入所述的基础数据存储服务器;
所述的客户特征提取服务器,用于根据所述的客户贡献度数据、客户重要度数据和客户价值数据从所述的客户识别基础数据中获取目标客户样本数据,并根据客户的属性对所述的目标客户样本数据进行分类,生成目标客户特征数据,并将所述的目标客户特征数据存入所述的基础数据存储服务器;
所述的目标客户识别服务器,用于根据所述的目标客户特征数据从所述的客户识别基础数据中识别出对应的目标客户信息,并将所述的目标客户信息存入所述的基础数据存储服务器;
所述的客户识别终端,用于输入目标客户识别请求,并显示所述的目标客户信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011200684578U CN202093568U (zh) | 2011-03-15 | 2011-03-15 | 一种银行目标客户识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011200684578U CN202093568U (zh) | 2011-03-15 | 2011-03-15 | 一种银行目标客户识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN202093568U true CN202093568U (zh) | 2011-12-28 |
Family
ID=45368622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011200684578U Expired - Lifetime CN202093568U (zh) | 2011-03-15 | 2011-03-15 | 一种银行目标客户识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN202093568U (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160553A (zh) * | 2015-08-26 | 2015-12-16 | 上海银天下科技有限公司 | 客户分组方法及装置 |
CN105761112A (zh) * | 2016-02-23 | 2016-07-13 | 国元证券股份有限公司 | 一种证券融资融券和资管目标客户的挖掘方法 |
WO2018059015A1 (zh) * | 2016-09-29 | 2018-04-05 | 深圳大学 | 一种基于交易数据的客户分类方法及其系统 |
-
2011
- 2011-03-15 CN CN2011200684578U patent/CN202093568U/zh not_active Expired - Lifetime
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160553A (zh) * | 2015-08-26 | 2015-12-16 | 上海银天下科技有限公司 | 客户分组方法及装置 |
CN105761112A (zh) * | 2016-02-23 | 2016-07-13 | 国元证券股份有限公司 | 一种证券融资融券和资管目标客户的挖掘方法 |
WO2018059015A1 (zh) * | 2016-09-29 | 2018-04-05 | 深圳大学 | 一种基于交易数据的客户分类方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102136123A (zh) | 一种银行目标客户识别系统 | |
Dahooie et al. | A novel dynamic credit risk evaluation method using data envelopment analysis with common weights and combination of multi-attribute decision-making methods | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
CN109377260A (zh) | 面向服装行业的用户行为分析系统 | |
US20020194103A1 (en) | Methods and systems for auctioning of pre-selected customer lists | |
US20050144106A1 (en) | Method of and system for defining and measuring the real options of a commercial enterprise | |
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 | |
WO2011152087A1 (ja) | 経済活動指標提示システム | |
US20080235130A1 (en) | System and Computer Program for Modeling and Pricing Loan Products | |
JP2004500644A (ja) | 評価システムの迅速な配置方法とシステム | |
JP2003529138A (ja) | 収益と現在価値を最適化するための方法とシステム | |
CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
AU2020101475A4 (en) | A Financial Data Analysis Method Based on Machine Learning Models | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
Bach et al. | Selection of variables for credit risk data mining models: preliminary research | |
CN109858947B (zh) | 零售用户价值分析系统及方法 | |
CN202093568U (zh) | 一种银行目标客户识别系统 | |
Hu | Predicting and improving invoice-to-cash collection through machine learning | |
Finlay | Towards profitability: A utility approach to the credit scoring problem | |
CN110322347A (zh) | 一种长短期策略多因子量化投资方法及装置 | |
Hsieh et al. | Enhancing consumer behavior analysis by data mining techniques | |
Hax et al. | The use of decision analysis in capital investment problems | |
Bhadury et al. | Constructing a Coincident Economic Indicator for India: How Well Does It Track Gross Domestic Product? | |
CN113793061A (zh) | 融合层次分析法和rfm的商业银行客户评级方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term |
Granted publication date: 20111228 |
|
CX01 | Expiry of patent term |