TWM553462U - 行銷客群預測系統 - Google Patents

Description

行銷客群預測系統

本新型是有關於一種行銷客群預測系統，特別是指一種利用多種監督模型混合分析的行銷客群預測系統。

長久以來，銷售業者一直存在如何有效率地向客戶行銷其商品，以金融業者來說，傳統上只能依靠在各電視媒體播放或在通路張貼相關金融商品的廣告，或是被動地向每位來各銀行分行的客戶推銷，但往往效果不大，且讓大多數客戶備受困擾。

在行銷廣告爆炸的時代，為了減少行銷資源的浪費及過度干擾顧客造成客訴，如何提高行銷精準度，找出可能有需求的潛在客戶便成為一個重要的課題。

因此，本新型之目的，即在提供一種利用多種監督模型混合分析以提高行銷精準度的行銷客群預測系統。

於是，本新型行銷客群預測系統，包含一儲存複數筆客戶資料的客戶資料庫及一模型運算伺服器，該模型運算伺服器包括一與客戶資料庫通訊的第一運算模組、一與客戶資料庫通訊的第二運算模組、一與第一運算模組及第二運算模組連接的第三運算模組，及一連接第三運算模組的分析模組，其中，第一運算模組根據一第一運算模型分析該等客戶資料並取得一第一預測機率值，第二運算模組根據一第二運算模型分析該等客戶資料並取得一第二預測機率值，第三運算模組將第一預測機率值及第二預測機率值利用一分析預測模型運算取得一預測範圍，分析模組根據該預測範圍從該等客戶資料中分析出目標行銷客群。

在一實施例中，行銷客群預測系統還包含一連接分析模組的收發模組，用以傳送分析模組所分析出的目標行銷客群。

在一實施例中，第一運算模型為一潛在有需求客戶模型，第二運算模型為一潛在無需求客戶模型。

在一實施例中，分析預測模型為一閥值控制模型，該閥值控制模型依據第一預測機率值與第二預測機率值，並運算挑選出最佳的一回取率(Recall Rate)，以決定該預測範圍。

詳細來說，閥值控制模型係先根據第一預測機率值及第二預測機率產生複數決策樹，並分別算出各個決策樹的回取率，再根據回取率最高之決策樹決定出該預測範圍。

在一實施例中，回取率之計算係根據以下運算公式：

其中，閥值控制模型根據第一預測機率值及第二預測機率產生一預測值(Predict)與一實際值(Actual)，且True Positive係指預測值為1且實際值為1，False Negative係指預測值為0且實際值為1。

本新型之功效在於：可大幅提高行銷精準度，有效找出潛在的目標行銷客群，可協助行銷人員以最低成本達到最佳的客戶經營效果。

在本新型被詳細描述之前，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，為本新型行銷客群預測系統之一實施例的電路方塊示意圖，本行銷客群預測系統100用於銀行端(或企業端)透過多種監督模型混合分析以尋找潛在需求之客戶，相較於傳統僅用一種監督模型尋找潛在需求客戶更加精準，可協助行銷人員以最低成本達到最佳的客戶經營效果。

行銷客群預測系統100包含一客戶資料庫10及一與客戶資料庫10通訊的模型運算伺服器20。

客戶資料庫10儲存複數筆客戶資料，每筆客戶資料包括客戶姓名、年齡、婚姻狀態、金融交易記錄、貸款交易記錄等個人資料，本實施例之客戶資料庫10為大數據客戶資料系統，其中記錄每位客戶從過往到現在的個人資料，該客戶資料庫10可與模型運算伺服器20整合於同一電子裝置中，或是位於不同的電子裝置(伺服器)並透過網路通訊方式以傳輸資訊。

模型運算伺服器20包括一與客戶資料庫10通訊的第一運算模組21、一與客戶資料庫10通訊的第二運算模組22、一與第一運算模組21及第二運算模組22連接的第三運算模組23，以及一連接第三運算模組23的分析模組24。

第一運算模組21根據一第一運算模型分析客戶資料庫10中的客戶資料並取得一第一預測機率值。在本實施例中，是以銀行端欲預測有資金需求(即有貸款需求)之客群為例說明，但不以此為限。因此，本實施例之第一運算模型為一潛在有需求客戶模型，可分析出潛在有資金需求之客戶族群的機率。

第二運算模組22根據一第二運算模型分析客戶資料庫10中的客戶資料並取得一第二預測機率值，本實施例之第二運算模型為一潛在無需求客戶模型，可分析出潛在無資金需求之客戶族群的機率。

第三運算模組23將第一預測機率值及第二預測機率值利用一分析預測模型運算取得一預測範圍，本實施例之分析預測模型為一閥值控制模型，閥值控制模型預測原理為依據第一運算模型與第二運算模型的機率值，由系統自行運算並自動挑選最佳之回取率(Recall Rate)落點來決定閥值，運算公式如下：

閥值控制模型會根據第一預測機率值及第二預測機率並配合所分析的該些客戶資料產生一預測值(Predict)與一實際值(Actual)，並依此二值組合成一錯差矩陣，該錯差矩陣舉例如下：

其中，True Positive是指預測值為1且實際值為1；False Positive指預測值為1但實際值為0；False Negative是指預測值為0但實際值為1；True Negative是指預測值為0且實際值為0，所謂預測值為1是指模型預測該客戶應該有資金需求，預測值為0則表示模型預測該客戶應該無資金需求，而實際值為1是指該客戶實際上有資金需求(例如：該客戶已經向銀行貸款)，實際值為0是指該客戶實際上並沒有資金需求(例如：該客戶已表明不需要貸款)。因此，以上述錯差矩陣來說，藉由預測有貸款需求(即預測值為1)的客戶數量以及實際有貸款(即實際值為1)的客戶數量，可計算出回取率為136/(136+20)=87.18%。

更進一步來說，閥值控制模型會先產生複數個決策樹(Decision Tree)，意即將第一運算模組21所產生之第一預測機率值及第二運算模組22所產生之第二預測機率值分別劃分出多個區段，以本實施例來說，決策樹的數量為三，分別定義為第一棵決策樹、第二棵決策樹及第三棵決策樹。第一棵決策樹的規則為第一預測機率值小於0.3且第二預測機率值大於0.7；第二棵決策樹的規則為第一預測機率值為0.3～0.69且第二預測機率值小於0.3；第三棵決策樹的規則為第一預測機率值大於0.69且第二預測機率值為0.3～0.7。上述僅是舉例說明，決策樹的數量及劃分區段的方式皆不限制。

接著，第三運算模組23會分別算出各個決策樹的回取率(Recall Rate)，以上述舉例來說，假設第一棵決策樹之回取率為77.86%，第二棵決策樹之回取率為87.17%，第三棵決策樹之回取率為69.12%，最後第三運算模組23會採用回取率最高之決策樹(即第二棵決策樹)決定出該預測範圍，即第一預測機率值為0.3～0.69且第二預測機率值小於0.3。

分析模組24會根據該預測範圍從客戶資料庫10中選取出符合第一預測機率值為0.3～0.69且第二預測機率值小於0.3之客戶資料的客戶，該些客戶即為資金需求(即有貸款需求)之目標行銷客群。

此外，分析模組24也可以再根據一排除條件排除該目標行銷客群中部分的客戶名單，以取得最終的目標行銷客群。在本實施例中，排除條件為黑名單客戶、不接收廣告行銷之客戶、死亡戶及銀行利害關係人等，但不以此為限。分析模組24可與一聯徵中心伺服器30通訊，取得目標行銷客群中該些客戶的聯徵記錄，若該客戶的聯徵記錄不佳，則列入黑名單客戶，分析模組24會將該客戶從目標行銷客群中排除。同樣地，若該客戶已經透過電話語音或網路設定等方式表示不願意接收廣告行銷，或是該客戶已經死亡或其為銀行利害關係人，分析模組24都會將該些客戶排除，以找到最佳之目標行銷客群。

補充說明的是，由於每個模型都無法百分之百預測正確，因此本行銷客群預測系統100採用多個模型(潛在有需求客戶模型及潛在無需求客戶模型)的交叉混合運算，以提高預測精準度，所採用的模型數量並不以兩個為限。如圖2所示，圖2為二模型(潛在有需求客戶模型及潛在無需求客戶模型)之機率值加總分佈圖，其縱軸為第一預測機率值及第二預測機率值的加總，橫軸為客戶名單。由於第一預測機率值越高則表示該客戶有貸款需求的機率越高，而第二預測機率值越高則表示該客戶沒有貸款需求的機率越高，因此，若二機率值的加總過高(例如：接近2)或過低(例如：接近0)，表示該分析結果的錯誤率越高(不可能同一客戶有貸款需求又沒有貸款需求)，故閥值控制模型會汰除加總機率值偏離過大的客戶，並挑選符合名單，如圖2之虛線部分。

再者，若欲預測的行銷客群不同(例如：預測有信用卡需求之客群)，則第一運算模組21及第二運算模組22所採用的運算模型可對應調整，且運算模型所需要分析的客戶資料數量(可僅分析部分客戶資料或全部客戶資料)及內容亦可配合不同行銷客群而更改。

參閱圖1及圖3，圖3為本發明行銷客群預測方法的流程圖，本方法可應用於行銷客群預測系統100或是任何用於預測客群的預測系統，本預測方法係利用複數運算模型分別對複數筆客戶資料進行分析並分別取得一預測機率值，再將該等預測機率值利用一分析預測模型運算取得一預測範圍，並根據該預測範圍從該等客戶資料中分析出目標行銷客群。

詳細來說，步驟S10，第一運算模組21及第二運算模組22分別利用第一運算模型及第二運算模型對複數筆客戶資料進行分析並分別取得第一預測機率值及第二預測機率值。

步驟S20，第三運算模組23將第一預測機率值及第二預測機率值利用一分析預測模型運算取得一預測範圍。配合參閱圖4，該分析預測模型(閥值控制模型)是先根據第一預測機率值及第二預測機率產生複數決策樹(如步驟S21)，接著分別算出各個決策樹的回取率(如步驟S22)，最後根據回取率最高之決策樹決定出該預測範圍(如步驟S23)。

步驟S30，分析模組24根據該預測範圍及排除條件從該等客戶資料中分析出目標行銷客群。特別說明的是，排除條件可由銀行端(或企業端)自行決定或調整，也可以不需要排除條件，即僅根據預測範圍從該等客戶資料中分析出目標行銷客群。

此外，模型運算伺服器20還可包括一連接分析模組24的收發模組25，分析模組24可將分析出的目標行銷客群輸出成一最終名單，並藉由收發模組25將該最終名單傳送回客戶資料庫10或傳送至另一電子裝置(例如：企業端主機)。

綜上所述，本新型行銷客群預測系統100，透過多種監督模型混合分析以尋找潛在需求之客戶，相較於傳統僅用一種監督模型尋找潛在需求客戶更加精準，可協助行銷人員以最低成本達到最佳的客戶經營效果，故確實能達成本新型之目的。

惟以上所述者，僅為本新型之實施例而已，當不能以此限定本新型實施之範圍，凡是依本新型申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本新型專利涵蓋之範圍內。

100‧‧‧行銷客群預測系統
10‧‧‧客戶資料庫
20‧‧‧模型運算伺服器
21‧‧‧第一運算模組
22‧‧‧第二運算模組
23‧‧‧第三運算模組
24‧‧‧分析模組
25‧‧‧收發模組
30‧‧‧聯徵中心伺服器
S10～S30‧‧‧步驟
S21～S23‧‧‧步驟

本新型之其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是本新型行銷客群預測系統的實施例的電路方塊示意圖； 圖2是潛在有需求客戶模型及潛在無需求客戶模型之機率值加總的分佈圖； 圖3是本新型行銷客群預測方法的流程圖；及 圖4是本實施例之閥值控制模型的運算流程圖。

100‧‧‧行銷客群預測系統

10‧‧‧客戶資料庫

20‧‧‧模型運算伺服器

21‧‧‧第一運算模組

22‧‧‧第二運算模組

23‧‧‧第三運算模組

24‧‧‧分析模組

25‧‧‧收發模組

30‧‧‧聯徵中心伺服器

Claims (6)

1. 一種行銷客群預測系統，包含： 一客戶資料庫，儲存複數筆客戶資料；及 一模型運算伺服器，包括一與該客戶資料庫通訊的第一運算模組、一與該客戶資料庫通訊的第二運算模組、一與該第一運算模組及該第二運算模組連接的第三運算模組，及一連接該第三運算模組的分析模組， 其中該第一運算模組根據一第一運算模型分析該等客戶資料並取得一第一預測機率值，該第二運算模組根據一第二運算模型分析該等客戶資料並取得一第二預測機率值，該第三運算模組將該第一預測機率值及該第二預測機率值利用一分析預測模型運算取得一預測範圍，該分析模組根據該預測範圍從該等客戶資料中分析出目標行銷客群。
2. 如請求項1所述的行銷客群預測系統，其中，該第一運算模型為一潛在有需求客戶模型，該第二運算模型為一潛在無需求客戶模型。
3. 如請求項1或2所述的行銷客群預測系統，其中，該分析預測模型為一閥值控制模型，該閥值控制模型依據該第一預測機率值與該第二預測機率值，並運算挑選出最佳的一回取率(Recall Rate)，以決定該預測範圍。
4. 如請求項3所述的行銷客群預測系統，其中，該閥值控制模型係先根據該第一預測機率值及該第二預測機率產生複數決策樹，並分別算出各該決策樹的回取率，再根據該回取率最高之決策樹決定出該預測範圍。
5. 如請求項4所述的行銷客群預測系統，其中，該回取率之計算係根據以下運算公式： 其中，該閥值控制模型根據該第一預測機率值及該第二預測機率產生一預測值(Predict)與一實際值(Actual)，且True Positive係指該預測值為1且該實際值為1，False Negative係指該預測值為0且該實際值為1。
6. 如請求項1所述的行銷客群預測系統，還包含一連接該分析模組的收發模組，用以傳送該分析模組所分析出的目標行銷客群。