TWI829404B - 智能時序行銷系統 - Google Patents
智能時序行銷系統 Download PDFInfo
- Publication number
- TWI829404B TWI829404B TW111141221A TW111141221A TWI829404B TW I829404 B TWI829404 B TW I829404B TW 111141221 A TW111141221 A TW 111141221A TW 111141221 A TW111141221 A TW 111141221A TW I829404 B TWI829404 B TW I829404B
- Authority
- TW
- Taiwan
- Prior art keywords
- recommended
- product
- time
- customer
- identification code
- Prior art date
Links
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 230000035515 penetration Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Abstract
一種智能時序行銷系統,主要技術是,資料儲存裝置儲存一產品時序資料集,產品時序資料集包含多筆新戶交易資料,每一新戶交易資料包含一客戶辨識碼、開戶時間、多項已購買金融產品、多項已購買金融產品的每一的交易時間、多項已購買金融產品的交易順序。建模設備根據一待推薦客戶辨識碼、待推薦客戶辨識碼已購買的第一項金融產品與產品時序資料集產生一個人化推薦資訊,個人化推薦資訊包括一待推薦客戶辨識碼、一產品推薦路徑的多項推薦金融產品。行銷設備根據待推薦客戶辨識碼的開戶時間與個人化推薦資訊與一目前時間,產生一目前推薦名單。
Description
本發明是有關於一種行銷系統,特別是指一種智能時序行銷系統。
由於新往來客戶缺乏過往交易紀錄,只有新往來客戶開戶當時的屬性資料,使得現有的金融科技可用以分析的資料不足,而無法對客戶未來期望的金融產品進行預測及推薦,且由於多數新往來客戶在未有持續銷售其他金融產品的情形下,僅有活存帳戶交易,導致新往來客戶容易轉成靜止戶或甚至流失,在專利CN110223107A提出一種基於相似對象的參考廣告確定方法、裝置和設備,雖然有提及關於新往來客戶的處理技術,但是其技術手段是在目標對象為銀行的新客戶的情況下,目標對象沒有歷史交易數據,是以風險偏好、收入層次、工作行業、產品偏好、消費水平等客戶屬性來計算客戶相似度,而沒有根據歷史金融產品交易數據,導致仍然無法克服對新進客戶未來期望的金融產品進行預測及推薦的問題,因此,如何利用金融科技提高新往來客戶與銀行的密
切關係,降低客戶流失是未來研究方向。
因此,本發明的一目的,即在提供一種能夠克服先前技術缺點的智能時序行銷系統。
於是,該智能時序行銷系統包含一資料儲存裝置、一建模設備,與一行銷設備。
資料儲存裝置儲存一產品時序資料集,產品時序資料集包含多筆新戶交易資料,每一新戶交易資料包含一客戶辨識碼、開戶時間、多項已購買金融產品、該多項已購買金融產品的每一的交易時間、該多項已購買金融產品的交易順序,其中,該多項已購買金融產品包括一台幣定存、外幣活存、外幣定存、基金、智能理財、人身保險、房貸、信貸、黃金存摺、房貸壽險的至少之二。
建模設備電連接該資料儲存裝置,以接收該產品時序資料集,且根據一待推薦客戶辨識碼、該待推薦客戶辨識碼已購買的第一項金融產品與該產品時序資料集產生一個人化推薦資訊,該個人化推薦資訊包括一待推薦客戶辨識碼、一產品推薦路徑的多項推薦金融產品、每一推薦金融產品具有一時間區間,其中,該時間區間的定義是該推薦金融產品的建議交易時間距離該待推薦客戶辨識碼的開戶時間的一時間差。
行銷設備具有一行銷活動資料庫,且電連接該建模設備
以接收該個人化推薦資訊儲存在該行銷活動資料庫,且根據該待推薦客戶辨識碼的開戶時間及開戶目的與該個人化推薦資訊與一目前時間,產生一目前推薦名單,該推薦名單包括該待推薦客戶辨識碼、一目前推薦金融產品,其中,該開戶目的是相關於該待推薦客戶辨識碼已購買的第一項金融產品,該目前推薦金融產品的定義是該時間區間所對應的該推薦金融產品,該時間區間相關於該目前時間與該開戶時間的一時間差。
本發明的功效在於:應用客戶同質相近的原理,新戶產品路徑滲透模型根據新進客戶所購買的第一項金融產品作為開戶目的,以預測後續不同時間點所要推薦的金融產品,克服無法對新進客戶進行預測及產品推薦的問題。
1:資料儲存裝置
2:建模設備
21:產品路徑裝置
22:細項偏好裝置
23:產品融合裝置
3:行銷設備
4:通路設備
5:客戶端設備
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:圖1是本發明智能時序行銷系統的一實施例的系統圖。
在本發明被詳細描述前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,為本發明智能時序行銷系統的一實施例,利用客戶同質相近的原理,藉由分析相同開戶目的之新客戶在往來後的產品購買行為及時間順序,結合人工智慧分析大數據資料產生符合相同目的之客戶的金融產品推薦路徑,根據時間順序預測其往來之後的分別於不同時間點透過系統自動依序推薦金融商品,以數位科技的方式提供客戶適切的個人化行銷資訊,其中,智能時序行銷系統包含一資料儲存裝置1、一建模設備2、一行銷設備3與一通路設備4。
資料儲存裝置1儲存一產品時序資料集與一細項資料集,在本實施例,產品時序資料集包含多筆新戶交易資料,每一新戶交易資料主要是以過去二年內,首次與本行往來的新客戶為分析母體,並觀察分析母體於一年內的金融產品的購買交易情形,具體而言,每一新戶交易資料包含一客戶辨識碼(例如身分證碼、護照號碼)、開戶目的、開戶時間、多項已購買金融產品、該多項已購買金融產品的每一的交易時間、該多項已購買金融產品的交易順序、客戶屬性(例如薪轉戶、非薪轉戶),其中,該多項已購買金融產品包括一台幣定存、外幣活存、外幣定存、基金、智能理財、人身保險、房貸、信貸、黃金存摺、房貸壽險的至少之二,其中,該新戶交易資料符合一第一時間區間與一第二時間區間則設定為一新客戶資訊,該第一時間區間的定義從該目前時間到一過去時間的
第一時間差,第二時間區間的定義從該開戶時間開始經過一第二時間差,新戶交易資料包括在該第二時間差之間所有已購買的金融產品,該第一時間差是二年,該第二時間差是一年。
其中,細項資料集主要是指金融產品的細項,例如,金融產品是基金,基金的細項產品包括股票型基金、債券型基金、貨幣型基金、平衡型基金、組合型基金、國外債等六類基金細項。細項資料集包括多筆細項交易資料,每一細項交易資料包含細項產品、細項產品的購買次數、細項產品的金額、客戶屬性,其中,客戶屬性包括性別、年齡、教育程度、該開戶目的、風險評估分析的至少之一。
建模設備2電連接該資料儲存裝置1,以接收該產品時序資料集,且根據一待推薦客戶辨識碼、該待推薦客戶辨識碼已購買的第一項金融產品與該產品時序資料集產生一個人化推薦資訊,該個人化推薦資訊包括待推薦客戶辨識碼、一產品推薦路徑的多項推薦金融產品、每一推薦金融產品具有一時間區間,其中,該時間區間的定義是該推薦金融產品的建議交易時間距離該待推薦客戶辨識碼的開戶時間的一時間差,其中,該建模設備2包括一產品路徑裝置21、一細項偏好裝置22,與一產品融合裝置23。
產品路徑裝置21電連接該資料儲存裝置1,以讀取產品時序資料集,由新戶交易資料中的各項已購買金融產品的交易時間
進行先後排序,並計算該交易時間距離該客戶的開戶時間的時間區間,將客戶的第一項交易的金融產品訂定為其開戶目的商品,將客戶歸類,第一項交易的金融產品相同者,即視為相同開戶目的,並列出相同開戶目的者所有的交易路徑,以路徑人數最大者訂為最大滲透路徑,如表一,例如,由房貸、信貸、房貸、壽險、外匯活存所組成的路徑的人數最多,所以設定以房貸為開戶目的的最大滲透路徑是房貸→信貸→房貸壽險→外匯活存。且分別計算信貸的時間區間、房貸壽險的時間區間、外匯活存的時間區間各自的平均值,用來決定將在客戶開戶時間的第幾個月後進行金融產品的銷售。
具體而言,產品路徑裝置21執行一第一機器學習演算法,在本實施例中,第一機器學習演算法包括一決策樹(Decision tree)演算法,該第一機器學習演算法根據該產品時序資料集進行訓練產生一新戶產品路徑滲透模型,該新戶產品路徑滲透模型具有多個產品推薦路徑,每一產品推薦路徑具有一第一項金融產品、接
續該第一項金融產品後的多項推薦金融產品、該多項推薦金融產品的順序、每一推薦金融產品的時間區間,例如,有二個產品推薦路徑,其中一產品推薦路徑是房貸→信貸→房貸壽險→外匯活存,其中,房貸就是第一項金融產品、多項推薦金融產品及其順序就分別是信貸→房貸壽險→外匯活存,另一產品推薦路徑是外匯活存→外匯定存→保險→基金,其中,外匯活存就是第一項金融產品、多項推薦金融產品及其順序就分別是外匯定存→保險→基金。
進一步說明如何決定每一條產品推薦路徑,第一機器學習演算法根據該多項已購買金融產品的每一的交易時間產生一產品順序,且根據該多個第一項已購買金融產品相同者設定成一相同開戶目的(以表一為例,是以房貸作為相同開戶目的),該第一項已購買金融產品的定義是從該開戶時間起算的時間點第一次購買的金融產品,且產品路徑裝置根據該產品順序、該相同開戶目的、接續該相同開戶目的所購買的剩餘金融產品產生一滲透路徑資訊,該滲透路徑資訊具有多條滲透路徑,其中,剩餘金融產品的定義是該滲透路徑的非第一項已購買金融產品的其他金融產品,每一條產品路徑具有該相同開戶目的、人數值、多個時間區間所分別對應的金融產品,且將具有該人數值的最大值的產品路徑設定成一最大滲透路徑以作為該產品推薦路徑,其中,時間區間的定義是路徑上的剩餘已購買金融產品的交易時間距離該客戶的開戶時間的時間差,例
如,以表一為例,信貸的時間區間是二個月、房貸壽險的時間區間是四個月、外匯活存的時間區間是六個月。
細項偏好裝置22電連接該資料儲存裝置1,以讀取細項資料集,且執行一第二機器學習演算法,第二機器學習演算法包括一隨機森林(random forests)演算法,第二機器學習演算法根據該進行訓練,產生一細項推薦模型,例如,細項推薦模型是用以預測客戶在股票型基金、債券型基金、貨幣型基金、平衡型基金、組合型基金、國外債等六類基金細項商品的偏好順序。
產品路徑裝置21接收一待推薦客戶辨識碼與一待推薦客戶所購買的第一項金融產品,該產品路徑裝置21執行該新戶產品路徑滲透模型,該新戶產品路徑滲透模型根據該待推薦客戶所購買的第一項金融產品產生一對應該第一項金融產品的產品推薦路徑,作為一對應該待推薦客戶辨識碼的產品路徑結果。
細項推薦模型22接收一待推薦客戶辨識碼與一待推薦客戶屬性,該待推薦客戶資料包括該待推薦客戶辨識碼的客戶屬性與細項交易資料,且根據該待推薦客戶資料與該細項資料集進行匹配度運算產生多個匹配度分數,且根據該多個匹配度分數產生一對應該待推薦客戶辨識碼的偏好評分結果,該偏好評分結果包括該多個匹配度分數的最大值所對應的細項產品、該待推薦客戶辨識碼,例如,細項推薦模型記錄三筆細項交易資料所對應的基金的細項產品
分別是債券型基金、貨幣型基金、平衡型基金,其中,債券型基金的匹配度分數最大,則將該債券型基金設定為偏好評分結果。
產品融合裝置23電連接該產品路徑裝置21與該細項偏好裝置22,以接收該產品路徑結果與該偏好評分結果,且將該產品路徑結果與該偏好評分結果進行融合產生一個人化推薦資訊,該個人化推薦資訊包括該待推薦客戶辨識碼、該產品推薦路徑的該多項推薦金融產品、每一推薦金融產品所對應的產品細項,例如,對應某客戶的待推薦客戶辨識碼的最大滲透路徑為「外匯活存->外匯定存->一般基金」,其中,以一般基金的金融產品為例,便會以該客戶的基金所推薦的產品細項的偏好評分結果,來設定是銷售前述六類基金的其中之一,以更貼近客戶喜好提升成交率。
行銷設備3具有一行銷活動資料庫,且電連接該產品融合裝置23以接收該個人化推薦資訊儲存在該行銷活動資料庫,且根據該開戶時間與該個人化推薦資訊,產生一目前推薦名單,該推薦名單包括該待推薦客戶辨識碼、一目前推薦金融產品與一目前推薦產品細項,其中,當一目前時間區間符合該推薦時間區間時,該推薦時間區間所對應的該推薦金融產品設定是該目前推薦金融產品,該目前時間區間定義是該目前時間與該開戶時間的時間差。由於新客戶因資料尚新,且交易頻率相對高,故聯絡成功比率亦高,而隨著往來時間拉長,如無經營維繫,有可能發生活動比率逐漸下降,關
係轉為薄弱,忠誠度降低,甚至轉為不活動戶或流失,因此,在新進客戶開戶後的黃金時期由行銷設備在特定時間點產生推薦名單,以及時經營行銷相當重要,在此舉例說明,例如,產品路徑裝置21計算以外匯活存為開戶目的者,最大滲透路徑為:外匯活存→外匯定存→保險→基金,且時序為外匯定存在開戶後第二個月,保險在開戶後第六個月,基金在開戶後第八個月;最大滲透路徑的外匯定存建議交易時間是第二個月,行銷設備3從該行銷活動資料庫每月篩選開戶目的為外匯活存者,且開戶時間至目前時間已符合二個月的新往來客戶名單,則目前推薦金融產品是外匯定存;保險建議交易時間是第六個月,行銷設備3從該行銷活動資料庫每月篩選開戶目的為外匯活存者,且開戶時間至目前時間符合六個月的新往來客戶名單,並查詢新往來客戶名單的每位客戶對應的個人化推薦資訊的保險細項是人身保險;基金建議交易時間是第八個月,行銷設備3從該行銷活動資料庫每月篩選開戶目的為外匯活存者,且開戶時間至目前時間符合八個月的新往來客戶名單,並查詢對應的基金細項偏好模型評分結果,決定客戶應推薦的基金種類,以推薦基金的細項產品。
通路設備4電連接該行銷設備3,以接收該目前推薦名單,且根據該目前推薦名單產生一銷售資訊,且將該銷售資訊傳輸到一客戶端設備5,其中,該傳輸包括行動推撥、簡訊、電子郵件
的至少之一。通路設備4產生一回饋資訊到行銷設備3,以儲存到該行銷活動資料庫,其中,該回饋資訊包括一指示是否成功接觸客戶的資訊、成功接觸的裝置、有無點擊連結的資訊、成功接觸的時間資訊、部分結果資訊,該部分結果資訊包括透過連結購買的金融商品、金額、筆數,且行銷設備3將該部分結果資訊儲存到資料儲存裝置,該部分結果資訊用以更新產品時序資料集,使新戶產品路徑滲透模型根據更新後的產品時序資料集來調校產品推薦路徑。
綜上所述,上述實施例具有以下優點:一、應用客戶同質相近的原理,新戶產品路徑滲透模型根據新進客戶所購買的第一項金融產品作為開戶目的,以預測後續不同時間點所要推薦的金融產品,克服無法對新進客戶進行預測及產品推薦的問題。二、並根據細項推薦模型所計算的一關於客戶屬性的匹配度分數,結合預測客戶對金融產品的細項產品的偏好,更有助於提高產品滲透率。三、與客戶建立往來關係後,行銷設備根據個人化推薦資訊,在不同的時間點透過通路設備主動推薦商品,加強了客戶經營維繫的力道,且提高新客戶與本行的密切關係,降低客戶轉靜止或流失。四、與回饋資訊相關的更新後的產品時序資料集,用來使新戶產品路徑滲透模型調校產品推薦路徑,更提高預測準確度。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書
內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
1:資料儲存裝置
2:建模設備
21:產品路徑裝置
22:細項偏好裝置
23:產品融合裝置
3:行銷設備
4:通路設備
5:客戶端設備
Claims (10)
- 一種智能時序行銷系統,包含:一資料儲存裝置,儲存一產品時序資料集,該產品時序資料集包含多筆新戶交易資料,該多筆新戶交易資料的每一包含一客戶辨識碼、開戶時間、多項已購買金融產品、該多項已購買金融產品的每一的交易時間、該多項已購買金融產品的交易順序,其中,該多項已購買金融產品包括一台幣定存、外幣活存、外幣定存、基金、智能理財、人身保險、房貸、信貸、黃金存摺、房貸壽險的至少之二;一建模設備,電連接該資料儲存裝置,以接收該產品時序資料集,且根據一待推薦客戶辨識碼、該待推薦客戶辨識碼已購買的第一項金融產品與該產品時序資料集產生一個人化推薦資訊,該個人化推薦資訊包括該待推薦客戶辨識碼、一產品推薦路徑的多項推薦金融產品、該多項推薦金融產品的每一具有一推薦時間區間,其中,該推薦時間區間的定義是該推薦金融產品的建議交易時間距離該待推薦客戶辨識碼的開戶時間的時間差;一行銷設備,具有一行銷活動資料庫,且電連接該建模設備以接收該個人化推薦資訊儲存在該行銷活動資料庫,且根據該待推薦客戶辨識碼的開戶時間與該個人化推薦資訊與一目前時間,產生一目前推薦名單,該目前推薦名單包括該待推薦客戶辨識碼、一目前推薦金融產品,其中,當一目前時間區間符合該推薦時間區間時, 該推薦時間區間所對應的該推薦金融產品設定是該目前推薦金融產品,該目前時間區間定義是該目前時間與該開戶時間的時間差。
- 如請求項1所述的智能時序行銷系統,其中,該建模設備包括一電連接該資料儲存裝置以讀取該產品時序資料集的產品路徑裝置,該產品路徑裝置執行一第一機器學習演算法,該第一機器學習演算法根據該產品時序資料集進行訓練產生一新戶產品路徑滲透模型,該新戶產品路徑滲透模型具有多個產品推薦路徑,每一產品推薦路徑具有該第一項金融產品、接續該第一項金融產品後的多項推薦金融產品、該多項推薦金融產品的順序、該多項推薦金融產品的每一的該推薦時間區間,其中,該產品路徑裝置接收該待推薦客戶辨識碼與該待推薦客戶所購買的第一項金融產品,該產品路徑裝置執行該新戶產品路徑滲透模型,該新戶產品路徑滲透模型根據該待推薦客戶所購買的第一項金融產品產生一對應該第一項金融產品的產品推薦路徑,作為一對應該待推薦客戶辨識碼的產品路徑結果。
- 如請求項2所述的智能時序行銷系統,其中,該第一機器學習演算法包括一決策樹演算法。
- 如請求項2所述的智能時序行銷系統,其中,該建模設備還包括一細項偏好裝置,其中,該資料儲存裝置還儲存一細項資料集,細項資料集包括多筆細項交易資料,該多筆細項交易資料的每一包含細項產品、細項產品的購 買次數、細項產品的金額、客戶屬性,該細項偏好裝置執行一第二機器學習演算法,第二機器學習演算法根據該細項資料集進行訓練,產生一細項推薦模型,該細項推薦模型接收一待推薦客戶辨識碼與一待推薦客戶資料,該待推薦客戶資料包括該待推薦客戶辨識碼的客戶屬性與細項交易資料,且根據該待推薦客戶資料與該細項資料集進行匹配度運算產生多個匹配度分數,且根據該多個匹配度分數產生一對應該待推薦客戶辨識碼的偏好評分結果,該偏好評分結果包括該多個匹配度分數的最大值所對應的細項產品、該待推薦客戶辨識碼。
- 如請求項4所述的智能時序行銷系統,其中,該第二機器學習演算法包括一隨機森林演算法。
- 如請求項4所述的智能時序行銷系統,其中,該客戶屬性包括性別、年齡、教育程度、開戶目的的至少之一,該細項產品包括股票型基金、債券型基金、貨幣型基金、平衡型基金、組合型基金、國外債基金、壽險、產險的至少之一。
- 如請求項4所述的智能時序行銷系統,其中,該建模設備還包括一產品融合裝置,該產品融合裝置電連接該產品路徑裝置與該細項偏好裝置,以接收該產品路徑結果與該偏好評分結果,且將該產品路徑結果與該偏好評分結果進行融合產生該個人化推薦資訊。
- 如請求項1所述的智能時序行銷系統,還包含一通路設 備,該通路設備電連接該行銷設備,以接收該目前推薦名單,且根據該目前推薦名單產生一銷售資訊,且將該銷售資訊傳輸到一客戶端設備。
- 如請求項8所述的智能時序行銷系統,其中,該傳輸包括行動推撥、簡訊、電子郵件的至少之一。
- 如請求項1所述的智能時序行銷系統,其中,該多筆新戶交易資料的每一符合一第一時間區間與一第二時間區間則設定為一新客戶資訊,該第一時間區間的定義從該目前時間到一過去時間的第一時間差,第二時間區間的定義從該開戶時間開始經過一第二時間差,該新戶交易資料包括在該第二時間差內所有已購買的金融產品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141221A TWI829404B (zh) | 2022-10-28 | 2022-10-28 | 智能時序行銷系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141221A TWI829404B (zh) | 2022-10-28 | 2022-10-28 | 智能時序行銷系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI829404B true TWI829404B (zh) | 2024-01-11 |
TW202418183A TW202418183A (zh) | 2024-05-01 |
Family
ID=90458961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111141221A TWI829404B (zh) | 2022-10-28 | 2022-10-28 | 智能時序行銷系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI829404B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080065569A1 (en) * | 2006-08-11 | 2008-03-13 | Rajsaday Dutt | Real-time product matching |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
TW202008273A (zh) * | 2018-07-20 | 2020-02-16 | 遠東國際商業銀行股份有限公司 | 多階層投資金融商品交易處理系統及其處理方法 |
CN115222483A (zh) * | 2022-07-22 | 2022-10-21 | 平安银行股份有限公司 | 金融产品推荐方法、装置、电子设备及存储介质 |
TWM638928U (zh) * | 2022-10-28 | 2023-03-21 | 第一商業銀行股份有限公司 | 智能時序行銷系統 |
-
2022
- 2022-10-28 TW TW111141221A patent/TWI829404B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080065569A1 (en) * | 2006-08-11 | 2008-03-13 | Rajsaday Dutt | Real-time product matching |
TW202008273A (zh) * | 2018-07-20 | 2020-02-16 | 遠東國際商業銀行股份有限公司 | 多階層投資金融商品交易處理系統及其處理方法 |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
CN115222483A (zh) * | 2022-07-22 | 2022-10-21 | 平安银行股份有限公司 | 金融产品推荐方法、装置、电子设备及存储介质 |
TWM638928U (zh) * | 2022-10-28 | 2023-03-21 | 第一商業銀行股份有限公司 | 智能時序行銷系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Osadchy et al. | Financial statements of a company as an information base for decision-making in a transforming economy | |
Tkáč et al. | Artificial neural networks in business: Two decades of research | |
Jin et al. | A data-driven approach to predict default risk of loan for online peer-to-peer (P2P) lending | |
Lei-da Chen et al. | Data mining methods, applications, and tools | |
CN111861698B (zh) | 一种基于贷款多头数据的贷前审批预警方法及系统 | |
Dass | Data mining in banking and finance: a note for bankers | |
Voican | Using data mining methods to solve classification problems in financial-banking institutions. | |
Tang et al. | Impact of artificial intelligence on vietnam commercial bank operations | |
Krasnyuk et al. | Association rules in finance management | |
TWM613536U (zh) | 對於基金商品的投資風險評分系統 | |
Shen et al. | A study on the applications of data mining techniques to enhance customer lifetime value | |
TWM638928U (zh) | 智能時序行銷系統 | |
Soltan et al. | A hybrid model using decision tree and neural network for credit scoring problem | |
TWI829404B (zh) | 智能時序行銷系統 | |
Potgieter | Machine learning and forecasting: a review | |
Abidar et al. | A Data Mining System for Enhancing Profit Growth based on RFM and CLV | |
Suresh et al. | Artificial Intelligence Advances and Their Repercussions on the Financial System | |
Unver et al. | An application of logistics regression model to determining the credit suitability and impacting factors in a special bank branch | |
TWI769385B (zh) | 金融商品之潛在購買客群篩選方法及其系統 | |
TWI776370B (zh) | 對於基金商品的投資風險評分方法及系統 | |
Lycett et al. | Modeling connected customer lifetime value (CCLV) in the banking domain | |
Fatmawati et al. | The Impact of Financial Resources, Risk Acceptance, Customer Pressure on Financial Technology | |
Boustani et al. | Improving the predictive accuracy of the cross-selling of consumer loans using deep learning networks | |
Filipova et al. | Analysing customer profiles using data mining techniques | |
Bhupathiraju et al. | Data mining for the online retail industry: Customer segmentation and assessment of customers using RFM and k-means |