TW202011317A - 資料分析方法及金融系統 - Google Patents
資料分析方法及金融系統 Download PDFInfo
- Publication number
- TW202011317A TW202011317A TW107130708A TW107130708A TW202011317A TW 202011317 A TW202011317 A TW 202011317A TW 107130708 A TW107130708 A TW 107130708A TW 107130708 A TW107130708 A TW 107130708A TW 202011317 A TW202011317 A TW 202011317A
- Authority
- TW
- Taiwan
- Prior art keywords
- client
- recommended
- attribute
- recommended client
- analysis method
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一種資料分析方法包含下列操作。收集推薦資料,該推薦資料包含一推薦用戶端與一被推薦用戶端。分析該推薦用戶端與該被推薦用戶端彼此之間的一推薦過程特徵、一用戶關聯特徵或一金融互動紀錄,得到該推薦用戶端的一第一客戶屬性以及該被推薦用戶端的一第二客戶屬性,以及根據該第一客戶屬性及該第二客戶屬性,分別將複數個行銷資訊發送至該推薦用戶端與該被推薦用戶端。
Description
本揭示文件係關於一種金融業的資料分析方法及系統,特別是一種推薦因子關聯分析方法及系統。
在現今強調個人理財重要性的時代,各家金融機構為了增加客戶數量及推廣業務而推出不同活動、優惠或商品吸引客戶購買或使用。
但金融商品種類繁多,活動資訊推陳出新,客戶短時間不易得知適合自己的商品、活動或行銷資訊,因此金融機構藉由各項用戶數據對不同客戶做屬性強弱分析,藉以了解客戶個性及消費習慣,推薦客戶購買或參加適合自己的金融商品及活動。
對於金融機構來說,如何增加用戶數量,並精確分析不同客戶達到精準行銷,實為各金融機構一直以來的核心目標。
本揭示內容的一實施例中,一種資料分析方法包含下列操作。收集一推薦資料,推薦資料包含一推薦用 戶端與一被推薦用戶端。該資料分析方法分析推薦用戶端與被推薦用戶端彼此之間的一推薦過程特徵、一用戶關聯特徵或一金融互動紀錄,得到推薦用戶端的一第一客戶屬性以及被推薦用戶端的一第二客戶屬性。根據第一客戶屬性及第二客戶屬性,分別將複數個行銷資訊發送至推薦用戶端與被推薦用戶端。
本揭示內容的另一實施例中,一種金融系統包含一推薦用戶端、一被推薦用戶端以及一金融伺服器,金融伺服器分別與推薦用戶端及被推薦用戶端通訊連接,金融伺服器用以收集推薦用戶端與被推薦用戶端之間的一推薦資料。分析推薦用戶端與被推薦用戶端彼此之間的一推薦過程特徵、一用戶關聯特徵或一金融互動紀錄,得到推薦用戶端的一第一客戶屬性以及被推薦用戶端的一第二客戶屬性,以及根據第一客戶屬性及第二客戶屬性,分別將複數個行銷資訊發送至推薦用戶端與被推薦用戶端。
綜上所述,即可根據第一與第二客戶屬性的相似度,發送適合的行銷資訊,達到更加精準的行銷。
100‧‧‧金融系統
120‧‧‧推薦客戶端
140‧‧‧被推薦客戶端
160‧‧‧金融伺服器
162‧‧‧通訊電路
164‧‧‧處理器
200‧‧‧資料分析方法
300‧‧‧資料分析方法
M1、M2‧‧‧行銷資訊
REC‧‧‧推薦資訊
D1a、D1b‧‧‧第一屬性分析圖
D2a、D2b‧‧‧第二屬性分析圖
S210、S220、S221、S222、S223、S224、S230、S231、S232、S233‧‧‧步驟
第1圖繪示一種金融系統的功能方塊圖。
第2圖繪示本揭示文件之一實施例中資料分析方法的流程圖。
第3圖繪示本揭示文件之一實施例中資料分析方法的詳細流程圖。
第4A圖及第4B圖繪示本揭示文件之一實施例中第一屬性分析圖與第二屬性分析圖。
第5A圖及第5B圖繪示本揭示文件另一實施例中第一屬性分析圖與第二屬性分析圖。
在本文中所使用的用詞『包含』、『具有』等等,均為開放性的用語,即意指『包含但不限於』。此外,本文中所使用之『及/或』,包含相關列舉項目中一或多個項目的任意一個以及其所有組合。
於本文中,當一元件被稱為『連結』或『耦接』時,可指『電性連接』或『電性耦接』。『連結』或『耦接』亦可用以表示二或多個元件間相互搭配操作或互動。此外,雖然本文中使用『第一』、『第二』、...等用語描述不同元件,該用語僅是用以區別以相同技術用語描述的元件或操作。除非上下文清楚指明,否則該用語並非特別指稱或暗示次序或順位,亦非用以限定本揭示文件。
請參考第1圖,第1圖繪示本揭示文件之一實施例中的金融系統100的功能方塊圖。其中金融系統100包含推薦客戶端120、被推薦客戶端140及金融伺服器160,推薦客戶端120及被推薦客戶端140網路連接金融伺服器160。金融伺服器160包含通訊電路162及處理器164,通 訊電路162與處理器164電性連接。
在一實施例中,通訊電路162可以是各種協定介面的網路卡(有線或無線)、無線通訊晶片及/或其它具有通訊功能的元件,但不限於這些。藉以供推薦客戶端120及被推薦客戶端140經網際網路連接,達到各種訊號傳輸。處理器164可以是中央處理器及/或微處理器等處理器實現,但不限於這些。
應注意到,上述金融系統100中的裝置及元件的實現方式不以上述實施例所揭露的為限,且連接關係亦不以上述實施例為限,凡足以令金融系統100實現下述技術內容的連接方式與實現方式皆可運用於本案。
在一實施例中,推薦客戶端120可對被推薦客戶端140發送一推薦資訊REC,被推薦客戶端140藉由推薦資訊REC使自身成為會員後即完成推薦。完成推薦後,金融伺服器160會藉由通訊電路162接收對應於推薦客戶端120與被推薦客戶端140之間的推薦過程特徵、用戶關聯特徵或金融互動紀錄三者中任一組合的資料。處理器164分析通訊電路162接收到的資料後,根據分析後的結果藉由通訊電路162各自發送行銷資訊M1及M2到推薦客戶端120與被推薦客戶端140。
推薦資訊REC可以是對應於推薦用戶端120的電子序號、網路連結、條碼或其他用以表達一組資訊的標識,但不限於這些。推薦用戶端120發送推薦資訊REC的方式可以是利用無線網路傳輸、藍芽、紅外線等具有傳輸功 能之媒介或藉由金融軟體、社群網站、社群軟體等具有分享功能之網路媒體發送,但不限於這些。
請參考第2圖,第2圖繪示本揭示文件之一實施例中資料分析方法的流程圖。在資料分析方法200的步驟S210中,金融伺服器160中的通訊電路162會收集完成推薦後的推薦客戶端120與被推薦客戶端140的資料。步驟S220中,處理器164會分析推薦用戶端與被推薦用戶端彼此之間的推薦過程特徵、用戶關聯特徵或金融互動紀錄,得到推薦用戶端120的第一客戶屬性以及被推薦用戶端140的第二客戶屬性。步驟S230中,根據在步驟S220中的第一客戶屬性及第二客戶屬性,藉由通訊電路162將適合第一客戶屬性及第二客戶屬性的行銷資訊分別發送到推薦用戶端120與被推薦用戶端140。
請參考第3圖,第3圖繪示本揭示文件之一實施例中資料分析方法的詳細流程圖。在資料分析方法300中,如第2圖所描述之步驟S210,金融伺服器160中的通訊電路162會收集完成推薦後的推薦客戶端120與被推薦客戶端140的資料。步驟S220包含步驟S221、步驟S222、步驟S223及步驟S224。
在步驟S221中,金融伺服器160中的處理器164會分析推薦用戶端120與被推薦用戶端140之間的推薦過程特徵,推薦過程特徵包含當推薦用戶端120發送推薦資訊REC到被推薦用戶端140,推薦客戶端140藉由推薦資訊REC使自身成為會員後完成推薦時的間隔時間。此間隔時 間之長短會影響推薦用戶端120與被推薦用戶端140之間的關聯性強弱。金融伺服器160中的處理器164可設定一參考時間,當間隔時間小於參考時間時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性高;當間隔時間大於或等於參考時間時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性低。此參考時間可根據所有完成推薦的推薦用戶端120與被推薦用戶端140之平均時間來設定或其他計算方法,但不限於這些。
在步驟S222中,金融伺服器160中的處理器164會分析推薦用戶端120與被推薦用戶端140之間的用戶關聯特徵,用戶關聯特徵包含推薦用戶端120與被推薦用戶端140的兩者所對應的居住位址或通訊地址之間的間隔距離,此間隔距離之遠近會影響推薦用戶端120與被推薦用戶端140之間的關聯性強弱。金融伺服器160中的處理器164可設定一第一參考距離,當間隔距離小於第一參考距離時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性高;當間隔距離大於或等於第一參考距離時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性低。此第一參考距離可根據所有完成推薦的推薦用戶端120與被推薦用戶端140之平均間隔距離來設定、依照不同縣市設定不同的第一參考距離或其他計算方法,但不限於這些。
在上述步驟S222中,用戶關聯特徵更包含推薦用戶端120與被推薦用戶端140之間的定位間隔距離,用戶端120與被推薦用戶端140的所在位置可以利用GPS或其 他定位系統來獲得,但不限於這些。此定位間隔距離之遠近會影響推薦用戶端120與被推薦用戶端140之間的關聯性強弱。金融伺服器160中的處理器164可設定一第二參考距離,當定位間隔距離小於第二參考距離時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性高;當定位間隔距離大於或等於第二參考距離時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性低。此第二參考距離可根據所有完成推薦的推薦用戶端120與被推薦用戶端140之平均定位間隔距離來設定、依照不同縣市設定不同的第二參考距離或其他計算方法,但不限於這些。
在步驟S223中,金融伺服器160中的處理器164會分析推薦用戶端120與被推薦用戶端140之間的金融歷史紀錄,金融歷史紀錄包含推薦用戶端120與被推薦用戶端140的之間的帳戶資金移轉頻率,帳戶資金移轉頻率包含推薦用戶端120與被推薦用戶端140各自的實體帳戶使用轉帳功能將資金移轉給對方之頻率。此帳戶資金移轉頻率之高低會影響推薦用戶端120與被推薦用戶端140之間的關聯性強弱。金融伺服器160中的處理器164可設定一參考移轉頻率,當資金移轉頻率高於參考移轉頻率時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性高;當資金移轉頻率低於或等於參考移轉頻率時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性低。此參考移轉頻率可根據對應於推薦用戶端120與被推薦用戶端140各自的使用者職業、薪俸、薪資結構、收入來源等項目來設 定,但不限於這些。
在上述步驟S223中,帳戶資金移轉頻率更包含推薦用戶端120與被推薦用戶端140接觸頻率。接觸頻率包含推薦用戶端120與被推薦用戶端140藉由有線通訊、無線通訊、搖晃感應或掃描方式接觸之頻率,但不限於這些方式。此接觸頻率之高低會影響推薦用戶端120與被推薦用戶端140之間的關聯性強弱。金融伺服器160中的處理器164可設定一參考接觸頻率,當接觸頻率高於參考接觸頻率時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性高;當接觸頻率低於或等於參考接觸頻率時,處理器164判斷推薦用戶端120與被推薦用戶端140關聯性低。此參考接觸頻率可根據對應於推薦用戶端120與被推薦用戶端140各自的使用者職業、薪俸、薪資結構、收入來源等項目來設定,但不限於這些。
經由步驟S221、步驟S222及步驟S223中的分析結果得出推薦用戶端120的第一客戶屬性及被推薦用戶端140的第二客戶屬性。處理器164可以分別對步驟S221、步驟S222及步驟S223中的推薦過程特徵、用戶關聯特徵及金融歷史紀錄設定不同的權重,或是更進一步地,對間隔時間、間隔距離、定位間隔距離、帳戶資金移轉頻率及接觸頻率設定不同的權重,而得出不同的關聯強度。
在步驟S231中,處理器164會比對推薦用戶端120的第一客戶屬性以與被推薦用戶端140的第二客戶屬性是否相似。比對的方法可以例如是判斷是否大於一設定 的參考值或其他比對方法,但不限於此。如果比對結果相似,在步驟S232中,會根據相似的第一與第二客戶屬性分別產生量化的結果,如第4A圖及第4B圖所示的第一屬性分析圖D1a與第二屬性分析圖D2a。
請參考第4A圖及第4B圖,第4A圖及第4B圖繪示本揭示文件之一實施例中第一屬性分析圖D1a與第二屬性分析圖D2a的示意圖。第一屬性分析圖D1a對應於推薦客戶端120,第二屬性分析圖D2a對應於被推薦客戶端140。第一屬性分析圖D1a與第二屬性分析圖D2a有五個指標,分別是資產多寡、自動化接受度、風險承受度、交易頻率及關連強度。
在第4A圖及第4B圖中,資產多寡、自動化接受度、風險承受度及交易頻率四項指標為推薦客戶端120及被推薦客戶端140於各自的分析結果,關聯強度為推薦客戶端120及被推薦客戶端140彼此經由步驟S221、步驟S222及/或步驟S223的分析結果。
在第4A圖及第4B圖中,資產多寡包含對應推薦客戶端120及被推薦客戶端140各自使用者的實體帳戶或網路帳戶中的存款、銀行貸款、債務或其他金融機構可得知之資產資料,但不限於這些。資產多寡的標準可由處理器164根據對應於推薦客戶端120及被推薦客戶端140的同年齡使用者的資產平均所設定或其他計算方法,但不限於這些。
在第4A圖及第4B圖中,自動化接受度包含對 應推薦客戶端120及被推薦客戶端140各自使用者對金融機構自動化服務的接收度,包含從傳統臨櫃辦理金融業務轉變到使用網路裝置或行動裝置執行數位銀行或執行金融業務功能,自動化接受度的標準可由處理器164計算使用者使用數位銀行的金融業務功能的頻率、一段時間內數位銀行的使用次數或其他計算方法,但不限於這些。
在第4A圖及第4B圖中,風險承受度包含對應推薦客戶端120及被推薦客戶端140各自使用者對投資金融商品的風險接受程度,風險承受度可由處理器164計算使用者曾經購買的金融商品種類、次數、金額及持有時間等投資紀錄或使用者現有資產、收入、貸款及債務等資產紀錄,但不限於這些。
在第4A圖及第4B圖中,交易頻率包含對應推薦客戶端120及被推薦客戶端140各自使用者將帳戶存款移轉到其他使用者的次數,交易頻率可由處理器164計算一段時間內的移轉次數、平均移轉次數或其他計算方法,但不限於這些。
在第4A圖及第4B圖中,關聯強度包含對應推薦客戶端120及被推薦客戶端140之間經由步驟S221、步驟S222及/或步驟S223的分析結果所計算出的關聯性強弱,詳細的計算方法及步驟如上所描述,在此不多贅述。
如第4A圖及第4B圖所示,由於關聯強度是根據推薦客戶端120及被推薦客戶端140之間各項關聯項目所計算,由前述實施例中關聯強度的計算標準可知,當關 聯強度越高(越接近最外框),表示推薦客戶端120及被推薦客戶端140之間較常見面、連絡或互動、居住地距離較近或資金移轉頻率較高。由上述也可能表示對應推薦客戶端120及被推薦客戶端140的使用者之間的關係越親密、個性越相似、生長環境越接近或價值觀越相近,也可能彼此是鄰居、朋友、情人、夫妻、家人、親戚或同事而不是陌生人。所以關聯強度越高,第一客戶屬性與第二客戶屬性相似的機率越高,產生的第一屬性分析圖D1a與第二屬性分析圖D2a也越相似。
在步驟S232中,根據相似的第一客戶屬性與第二客戶屬性的分析結果,處理器164將相同或相似的行銷資訊M1與M2藉由通訊電路162同時傳送到推薦客戶端120及被推薦客戶端140。於一實施例中,在步驟S232中可以根據相似的第一客戶屬性與第二客戶屬性產生如第4A圖及第4B圖所示第一屬性分析圖D1a與第二屬性分析圖D2a後,處理器164會根據第一客戶屬性與第二客戶屬性以及第一屬性分析圖D1a與第二屬性分析圖D2a的分析結果,也就是根據對應推薦客戶端120及被推薦客戶端140的使用者特質,將相同或相似的行銷資訊M1與M2藉由通訊電路162同時傳送到推薦客戶端120及被推薦客戶端140,推薦客戶端120可以查看符合自己需求的行銷資訊M1,被推薦客戶端140可以查看符合自己需求的行銷資訊M2。
例如,當處理器164預計發送有關人壽保險商品資訊給推薦客戶端120,此時金融系統100透過上述分 析,判斷推薦客戶端120與被推薦客戶端140相似性較高,因此,也可以將相同的人壽保險商品資訊或同類型的保險商品資訊發送給被推薦客戶端140。另一例子,若預計發送有關優惠貸款利率廣告給被推薦客戶端140,金融系統100也可以將相同的優惠貸款利率廣告或同類型的貸款廣告發送給推薦客戶端120。
在步驟S231中,如果比對結果相異(例如小於或等於設定的參考值),在步驟S233中,會根據相異的第一與第二客戶屬性分別產生量化的結果,如第5A圖及第5B圖所示的第一屬性分析圖D1b與第二屬性分析圖D2b。
請參考第5A圖及第5B圖,第5A圖及第5B圖繪示本揭示文件另一實施例中第一屬性分析圖D2a與第二屬性分析圖D2b。五項指標與第4A圖及第4B圖所示相同。
如第5A圖及第5B圖所示,由前述實施例中關聯強度的計算標準可知,當關聯強度越低(越接近最內框),表示推薦客戶端120及被推薦客戶端140之間較少見面、連絡或互動、居住地距離較遠或資金移轉頻率較低。由上述也可能表示對應推薦客戶端120及被推薦客戶端140的使用者之間的關係越疏遠、個性越不同、生長環境越不同或價值觀越有差異,彼此是鄰居、朋友、情人、夫妻、家人、親戚或同事的機率越低,而彼此是陌生人的機率越高。所以關聯強度越低,第一客戶屬性與第二客戶屬性相似的機率越低,產生的第一屬性分析圖D2a與第二屬性分析圖D2b也越不同。
在步驟S233中,根據相異的第一客戶屬性與第二客戶屬性產生第一屬性分析圖D2a與第二屬性分析圖D2b後,處理器164會根據第一客戶屬性與第二客戶屬性以及第一屬性分析圖D2a與第二屬性分析圖D2b的分析結果,也就是根據對應推薦客戶端120及被推薦客戶端140的使用者特質,將相異或完全不同的行銷資訊M1及M2藉由通訊電路162分別傳送到推薦客戶端120及被推薦客戶端140,推薦客戶端120可以查看符合自己需求的行銷資訊M1,被推薦客戶端140則是可以查看符合自己需求的行銷資訊M2。
例如,當處理器164預計發送有關人壽保險商品資訊給推薦客戶端120,此時金融系統100透過上述分析,判斷推薦客戶端120與被推薦客戶端140相似性較低,不需要或者避免將類似的人壽保險商品或同類型的保險商品資訊發送給被推薦客戶端140。此時,金融系統100可以另外根據被推薦客戶端140的特性改為推薦相異的金融商品,例如連動性債券。
例如,如第5A圖及第5B圖所示的第一屬性分析圖D2a與第二屬性分析圖D2b中的資產多寡與風險承受度差異較大,當處理器164預計發送有關高風險基金商品資訊(例如股票型基金)給推薦客戶端120,此時金融系統100透過上述分析判斷被推薦客戶端140的風險承擔能力較低,不需要或者避免將高風險基金相關商品資訊發送給被推薦客戶端140。
上述行銷資訊M1及M2,可以是配合金融機構當前的行銷活動資訊、會員紅利積點活動資訊、金融商品資訊、廣告資訊、會議資訊、展覽資訊或其他資訊,但不限於這些。
透過上述一實施例的操作,即可根據不同使用者之間的關聯特質來達到更精準的客戶分析結果,如此一來,讓使用者即時獲得真正需要且有興趣的資訊,節省許多使用者搜尋查看的時間,也能讓使用者免去因為非金融專業的判斷所造成的錯誤。
雖然本揭示文件已以實施例揭露如上,然其並非用以限定本揭示文件,任何熟習此技藝者,在不脫離本揭示文件之精神和範圍內,當可作各種之更動與潤飾,因此本揭示文件之保護範圍當視後附之申請專利範圍所界定者為準。
300‧‧‧資料分析方法
S210、S220、S221、S222、S223、S224、S230、S231、S232、S233‧‧‧步驟
Claims (10)
- 一種資料分析方法,包含:收集一推薦資料,該推薦資料包含一推薦用戶端與一被推薦用戶端;分析該推薦用戶端與該被推薦用戶端彼此之間的一推薦過程特徵、一用戶關聯特徵或一金融互動紀錄,得到該推薦用戶端的一第一客戶屬性以及該被推薦用戶端的一第二客戶屬性;以及根據該第一客戶屬性及該第二客戶屬性,分別將複數個行銷資訊發送至該推薦用戶端與該被推薦用戶端。
- 如請求項1所述之資料分析方法,其中該推薦過程特徵包含自該推薦用戶端發送一推薦邀請至該被推薦用戶端接受該推薦邀請之一間隔時間;若該間隔時間小於一參考時間,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端,若該間隔時間大於或等於該參考時間,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
- 如請求項1所述之資料分析方法,其中該用戶關聯特徵包含該推薦用戶端與該被推薦用戶端兩者所對應的居住地址或通訊地址之間的一間隔距離,其中當該間隔距離小於一第一參考距離,該資料分析方法判斷該第 一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端;當該間隔距離大於或等於該第一參考距離,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
- 如請求項1所述之資料分析方法,其中該用戶關聯特徵包含該推薦用戶端與該被推薦用戶端之間的一定位間隔距離,其中當該定位間隔距離小於一第二參考距離,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端;當該定位間隔距離大於或等於該第二參考距離,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
- 如請求項1所述之資料分析方法,其中該金融歷史紀錄包含該推薦用戶端與該被推薦用戶端之間的一帳戶資金移轉頻率,其中該帳戶資金移轉頻率高於一參考移轉頻率,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端;當該帳戶資金移轉頻率低於或等於該參考移轉頻率, 該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
- 如請求項1所述之資料分析方法,其中該金融歷史紀錄包含該推薦用戶端與該被推薦用戶端之間一接觸頻率,其中該接觸頻率包含該推薦用戶端與該被推薦用戶端藉由有線通訊、無線通訊、搖晃感應或掃描方式接觸之頻率,其中當該接觸頻率高於一參考接觸頻率,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端;當該接觸頻率低於或等於該參考接觸頻率,該資料分析方法判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
- 一種金融系統,包含:一推薦用戶端;一被推薦用戶端;以及一金融伺服器,分別與該推薦用戶端及該被推薦用戶端通訊連接,該金融伺服器用以:收集該推薦用戶端與該被推薦用戶端之間的一推薦資料;分析該推薦用戶端與該被推薦用戶端彼此之間 的一推薦過程特徵、一用戶關聯特徵或一金融互動紀錄,得到該推薦用戶端的一第一客戶屬性以及該被推薦用戶端的一第二客戶屬性;以及根據該第一客戶屬性及該第二客戶屬性,分別將複數個行銷資訊發送至該推薦用戶端與該被推薦用戶端。
- 如請求項7所述之金融系統,其中該推薦過程特徵包含自該推薦用戶端發送一推薦邀請至該被推薦用戶端接受該推薦邀請之一間隔時間;若該間隔時間小於一參考時間,該金融伺服器判斷該第一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端,若該間隔時間大於或等於該參考時間,該金融伺服器判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
- 如請求項7所述之金融系統,其中該用戶關聯特徵包含該推薦用戶端與該被推薦用戶端兩者所對應的居住地址或通訊地址之間的一間隔距離,或該用戶關聯特徵包含該推薦用戶端與該被推薦用戶端兩者之間的一定位間隔距離,其中當該間隔距離或該定位間隔距離小於一參考距離,該金融伺服器判斷該第一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端;當該間隔距離或該定位間隔距離大於或等於該參考距 離,該金融伺服器判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
- 如請求項7所述之金融系統,其中該金融歷史紀錄包含該推薦用戶端與該被推薦用戶端之間的一帳戶資金移轉頻率,或該金融歷史紀錄包含該推薦用戶端與該被推薦用戶端之間一接觸頻率,其中當該帳戶資金移轉頻率高於一參考移轉頻率或該接觸頻率高於一參考接觸頻率,該金融伺服器判斷該第一客戶屬性與該第二客戶屬性相似,將相同的行銷資訊同時發送至該推薦用戶端與該被推薦用戶端;當該帳戶資金移轉頻率低於或等於該參考移轉頻率或該接觸頻率低於或等於一參考接觸頻率,該金融伺服器判斷該第一客戶屬性與該第二客戶屬性相異,將差異性的行銷資訊分別發送至該推薦用戶端與該被推薦用戶端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107130708A TWI692733B (zh) | 2018-08-31 | 2018-08-31 | 資料分析方法及金融系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107130708A TWI692733B (zh) | 2018-08-31 | 2018-08-31 | 資料分析方法及金融系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202011317A true TW202011317A (zh) | 2020-03-16 |
TWI692733B TWI692733B (zh) | 2020-05-01 |
Family
ID=70766777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107130708A TWI692733B (zh) | 2018-08-31 | 2018-08-31 | 資料分析方法及金融系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI692733B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612632A (zh) * | 2020-05-14 | 2020-09-01 | 中国工商银行股份有限公司 | 用户投资数据处理方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9262764B2 (en) * | 2008-04-30 | 2016-02-16 | Yahoo! Inc. | Modification of content representation by a brand engine in a social network |
CN102316046B (zh) * | 2010-06-29 | 2016-03-30 | 国际商业机器公司 | 向社交网络中的用户推荐信息的方法和装置 |
US9595068B2 (en) * | 2011-05-13 | 2017-03-14 | Dell Products L.P. | Social marketplace affiliate administration |
TWI563457B (en) * | 2012-03-15 | 2016-12-21 | Buide Ltd | Social shopping platform having recommender display and advertisement publishing and shopping method thereof |
US10192241B2 (en) * | 2012-07-28 | 2019-01-29 | Oath Inc. | Location retargeting system for online advertising |
CN106202534A (zh) * | 2016-07-25 | 2016-12-07 | 十九楼网络股份有限公司 | 一种基于社区用户行为的内容推荐方法及系统 |
-
2018
- 2018-08-31 TW TW107130708A patent/TWI692733B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612632A (zh) * | 2020-05-14 | 2020-09-01 | 中国工商银行股份有限公司 | 用户投资数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TWI692733B (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200294095A1 (en) | System and Method for Provision of Pre-Approved Customized Product Offers to Evaluated Customers for On-Demand Acceptance and Fulfillment | |
US11443305B2 (en) | Context augmentation for processing data from multiple sources | |
US20240046276A1 (en) | Integrated database for expediting transaction processing | |
JP6913241B2 (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
JP7494210B2 (ja) | 支払い処理 | |
US20190333073A1 (en) | Reputation Management in a Transaction Processing System | |
US20190026781A1 (en) | Systems and Methods to Formulate Offers via Mobile Devices and Transaction Data | |
US20020133365A1 (en) | System and method for aggregating reputational information | |
US20110054981A1 (en) | Analyzing Local Non-Transactional Data with Transactional Data in Predictive Models | |
US20160232566A1 (en) | Systems and methods for analytics in a cooperative data exchange | |
US20180284971A1 (en) | Intelligent visual object management system | |
US20150254684A1 (en) | Collecting and analyzing transaction datacollecting and analyzing transaction and demographic data to fulfill queries and target surveys | |
US11593841B2 (en) | Promotional system interaction tracking | |
CN107430732A (zh) | 用于推断评论的系统和方法 | |
US20210150573A1 (en) | Real-time financial system advertisement sharing system | |
US20140372169A1 (en) | Systems and methods for providing business ratings | |
JP2023546849A (ja) | 通貨市場において証券を予想、推奨、および売買するための機械学習 | |
JP6709775B2 (ja) | 算出装置、算出方法及び算出プログラム | |
JP2019091355A (ja) | 判定装置、判定方法及び判定プログラム | |
CN112581226A (zh) | 产品推荐方法及系统 | |
JP2018081651A (ja) | 算出装置、算出方法及び算出プログラム | |
TWI692733B (zh) | 資料分析方法及金融系統 | |
TWM572513U (zh) | 金融系統 | |
JP6267812B1 (ja) | 算出装置、算出方法及び算出プログラム | |
Olotewo | Examining the antecedents of in-store and online purchasing behavior: a case of Nigeria |