TWM587310U - 金融商品之潛在購買客群篩選系統 - Google Patents
金融商品之潛在購買客群篩選系統 Download PDFInfo
- Publication number
- TWM587310U TWM587310U TW108208639U TW108208639U TWM587310U TW M587310 U TWM587310 U TW M587310U TW 108208639 U TW108208639 U TW 108208639U TW 108208639 U TW108208639 U TW 108208639U TW M587310 U TWM587310 U TW M587310U
- Authority
- TW
- Taiwan
- Prior art keywords
- customer
- previous period
- processing module
- account
- ratio
- Prior art date
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種金融商品之潛在購買客群篩選系統,包含一儲存模組及一處理模組,該儲存模組儲存有多筆相關於多個客戶的信用能力資料、多筆相關於該等客戶於一先前期間內之財務狀況的總歷史資產資料,以及多個不利條件;該處理模組根據客戶所對應的信用能力資料及總歷史資產資料,判定客戶是否為高消費力客戶;該處理模組根據高消費力客戶所對應的總歷史資產資料及該等不利條件,判定高消費力客戶是否為欲推薦客戶;該處理模組根據欲推薦客戶的總歷史資產資料,利用客戶分類模型,將欲推薦客戶歸類為推薦客戶類別或不推薦客戶類別。
Description
本新型是有關於一種客戶分析系統,特別是指一種相關於金融領域的客戶篩選系統。
目前於金融領域的銀行業或是保險業所發行的金融產品層出不窮,因此越來越多相關的研發人員利用各種AI人工智慧技術對所蒐集的客戶資料進行分析篩選,藉此獲得客戶是否具有足夠消費能力及購買金融商品的可能性等種種資訊之結果,好以根據分析結果推銷各種金融產品至合適的客戶。
然而,實務上,單單地將客戶資料利用AI人工智慧進行分析後所獲得的結果,即使換用各種現有的AI人工智慧技術,其準確率卻仍無法達到所預期的效果,而準確率不佳的分析結果往往造成銀行業或是保險業無法找到合適的客戶,以致於所發行的金融產品推廣不易且效果不彰。
因此,故如何提出一種能搭配AI人工智慧並使所獲得的分析結果更為準確的系統,即為本創作所欲解決之首要課題。
因此,本新型之目的,即在提供一種將輸入資料進行前處理,並搭配AI人工智慧使所獲得的分析結果更為準確的金融商品之潛在購買客群篩選系統。
於是,本新型金融商品之潛在購買客群篩選系統,包含一儲存模組,以及一電連接該儲存模組的處理模組。
該儲存模組儲存有多筆相關於多個客戶之信用的信用能力資料、多筆相關於該等客戶於一先前時間點至一當前時間點所界定之一先前期間內之財務狀況的總歷史資產資料,以及多個相關於各種產業及客戶經濟狀況的不利條件。
其中,對於每一客戶,該處理模組根據該客戶所對應的該信用能力資料及該總歷史資產資料,判定該客戶是否為一高消費力客戶,對於每一高消費力客戶,該處理模組根據該高消費力客戶所對應的該總歷史資產資料及該等不利條件,判定該高消費力客戶是否為一欲推薦客戶,對於每一欲推薦客戶,該處理模組根據該欲推薦客戶所對應的該總歷史資產資料,利用一用於將客戶分類為推薦客戶或不推薦客戶的客戶分類模型,將該欲推薦客戶歸類為一推薦客戶類別及一不推薦客戶類別之其中一者。
本新型之功效在於:在利用該客戶分類模型(AI人工智慧)進行分類之前,先藉由該電腦裝置執行一能搭配該客戶分類模型的資料前處理,也就是說,首先,根據該客戶所對應的該信用能力資料及該總歷史資產資料,進行高消費力客戶的篩選,接著,根據該高消費力客戶所對應的該總歷史資產資料及該等不利條件,進行欲推薦客戶篩選,當資料前處理完成後,才將該欲推薦客戶所對應的總歷史資產資料透過該客戶分類模型(AI人工智慧)進行處理,以達到相較於傳統僅直接用該客戶分類模型(AI人工智慧)進行分類更加準確地的分類出推薦/不推薦客戶類別的結果,以更有效地推廣金融產品。
參閱圖1,本新型金融商品之潛在購買客群篩選系統之一實施例包含一電腦裝置1。該電腦裝置1包含一儲存模組11、一顯示模組12,以及一電連接該儲存模組11及該顯示模組12的處理模組13。
該儲存模組11儲存有多筆相關於多個客戶之信用的信用能力資料、多筆相關於該等客戶於一先前時間點至一當前時間點所界定之一先前期間內之財務狀況的總歷史資產資料、多個相關於各種產業及客戶經濟狀況的不利條件,以及一用於將客戶分類為推薦客戶或不推薦客戶的客戶分類模型。其中,每一客戶屬於一企業戶及一個人戶之其中一者。
每筆屬於該企業戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點所對應的多筆毛利率、該客戶在該先前期間之多個不同時間點所對應的多筆營業收入、該客戶在該先前期間之多個不同時間點所對應的多筆收帳天期、該客戶對應之產業在該先前期間之多個不同時間點所對應的多筆景氣衰退比率、該客戶在該先前期間之多個不同時間點所對應的多筆營收與獲利比率、該客戶在該先前期間之多個不同時間點所對應的多筆營收資訊、該客戶在該先前期間之多個不同時間點所對應的多筆稅前損益、該客戶在該先前期間之多個不同時間點所對應的多筆收帳天期、該客戶在該先前期間之多個不同時間點所對應的多筆產業景氣指標(指示出當下時間點景氣為衰退、進步或持平),以及該客戶在該先前期間之多個不同時間點所對應的多筆現金流量比。
每筆屬於該個人戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點所對應的多筆動產總額、該客戶在該先前期間之多個不同時間點所對應的多筆不動產總額、該客戶在該先前期間之多個不同時間點所對應的多筆個人收入、該客戶在該先前期間之多個不同時間點之所購買之高風險金融商品與所購買之全部金融產品的多筆高風險投資比率,以及該客戶在該先前期間之多個不同時間點所對應的多筆資力總額、該客戶在該先前期間之多個不同時間點所對應的多筆低風險投資資訊,以及該客戶在該先前期間之多個不同時間點所對應的多筆高風險投資資訊。其中,該等低風險投資資訊包含該客戶在該先前期間之多個不同時間點所對應的多筆儲蓄險投資資訊、該客戶在該先前期間之多個不同時間點所對應的多筆基金投資資訊、該客戶在該先前期間之多個不同時間點所對應的多筆股票投資資訊;而該等高風險投資資訊包含該客戶在該先前期間之多個不同時間點所對應的多筆目標可贖回遠期契約投資資訊(TRF,Target Redemption Forward)。
該等不利條件包含多個對應於該企業戶,且分別與一預設收帳天期、一預設景氣衰退比率、一預設營收與獲利比率相關的企業戶不利條件,以及多個對應於該個人戶,且分別與一預設高風險投資比率、一預設資力比率相關的個人戶不利條件。
特別地,在本實施例中,該信用能力資料係為企業信用風險指標TCRI等級,或是為信用評級要素資料(例如:3F5C要素,3F係為經濟要素、管理要素、財務要素;5C要素係為道德品質、還款能力、資本實力、擔保和經營環境條件),但不以此為限。
特別地,在本實施例中,該客戶分類模型係利用屬於該企業戶之多個客戶的多筆企業戶訓練資料組及其對應之推薦結果,以及屬於該個人戶之多個客戶的多筆個人戶訓練資料組及其對應之推薦結果所訓練出。其中,每一企業戶所對應的企業戶訓練資料組包含在該先前期間之多個不同時間點所對應的多筆訓練營收資訊、該先前期間之多個不同時間點所對應的多筆訓練稅前損益、該先前期間之多個不同時間點所對應的多筆訓練收帳天期、該先前期間之多個不同時間點所對應的多筆訓練產業景氣指標、該先前期間之多個不同時間點所對應的多筆訓練現金流量比;而每一個人戶所對應的個人戶訓練資料組包含在該先前期間之多個不同時間點所對應的多筆訓練儲蓄險投資資訊、該先前期間之多個不同時間點所對應的多筆訓練基金投資資訊、該先前期間之多個不同時間點所對應的多筆訓練股票投資資訊,以及該先前期間之多個不同時間點所對應的多筆訓練目標可贖回遠期契約投資資訊。在本實施例中,該客戶分類模型係為一監督式模型。其中,該監督式模型係為一類神經網路模型、一邏輯迴歸模型(Logistic Regression)、一決策樹模型(Decision tree)、一支援向量機(SVM ,Support Vector Machines)或一徑向基函數核(Radial basis function),但不以此為限。
在本實施例中,該電腦裝置1之實施態樣例如為一個人電腦、一伺服器或一雲端主機,但不以此為限。
參閱圖2~4,以下將藉由本新型金融商品之潛在購買客群篩選系統執行一金融商品之潛在購買客群篩選方法來說明該電腦裝置1之該儲存模組11、該顯示模組12,以及該處理模組13各元件的運作細節,該金融商品之潛在購買客群篩選方法包含一步驟51、一步驟52,以及一步驟53。
在步驟51中,對於每一客戶,該處理模組13根據該客戶所對應的該信用能力資料及該總歷史資產資料,判定該客戶是否為一高消費力客戶;當該處理模組13判定出該客戶為該高消費力客戶時,進行流程步驟52;當該處理模組13判定出該客戶不為該高消費力客戶時,結束該金融商品之潛在購買客群篩選方法。
如圖3所示,步驟51還進一步包含一子步驟511,以及一子步驟512。
在子步驟511中,對於每一客戶,該處理模組13根據該客戶所對應的該總歷史資產資料,獲得一指示出該客戶在該先前期間中之一第一時間區間之財務增減的財務收益資訊。其中,該第一時間區間係為近一年之時間區間,但不以此為限。
如圖4所示,子步驟511還進一步包含一子步驟511A、一子步驟511B、一子步驟511C,以及一子步驟511D。
在子步驟511A中,對於每一客戶,當該客戶屬於該企業戶時,該處理模組13根據該客戶所對應的該總歷史資產資料,獲得一毛利率比率及一營業收入比率,該毛利率比率係為該客戶在該先前期間中之該第一時間區間內的所有毛利率之平均除以該客戶對應之產業中該客戶以外之所有企業於該第一時間區間之所有毛利率之平均,該營業收入比率係為該客戶在該先前期間中之該第一時間區間內的最後一個時間點所對應的營業收入除以該第一時間區間內的第一個時間點所對應的營業收入。特別地,該處理模組13係先自儲存模組11中獲得該客戶對應之產業中該客戶以外之所有企業的所有毛利率,再計算出該客戶對應之產業中該客戶以外之所有企業於該第一時間區間之所有毛利率之平均。
在子步驟511B中,對於每一客戶,當該客戶屬於該企業戶時,該處理模組13將該毛利率比率及該營業收入比率作為該財務收益資訊。
在子步驟511C中,對於每一客戶,當該客戶屬於該個人戶時,該處理模組13根據該客戶所對應的該總歷史資產資料,獲得一可用動產金額及一個人收入比率,該可用動產金額係為該客戶在該先前期間中之該第一時間區間內的所有動產總額之平均,該個人收入比率係為該客戶在該先前期間中之該第一時間區間內的最後一個時間點所對應的個人收入除以該第一時間區間內的第一個時間點所對應的個人收入。在其他實施例中,該可用動產金額可先轉為一對應的級距或分數,再執行後序流程步驟。
在子步驟511D中,對於每一客戶,當該客戶屬於該個人戶時,該處理模組13將該可用動產金額及該個人收入比率作為該財務收益資訊。
在子步驟512中,對於每一客戶,該處理模組13根據該客戶所對應的該信用能力資料及該財務收益資訊,判定該客戶是否為該高消費力客戶。當該處理模組13判定出該客戶為該高消費力客戶時,進行流程步驟52;當該處理模組13判定出該客戶不為該高消費力客戶時,結束該金融商品之潛在購買客群篩選方法。
值得特別說明的是,在本實施例之子步驟512中,對於每一客戶,當該客戶屬於該企業戶時,該處理模組13根據該客戶所對應的該信用能力資料、該毛利率比率及該營業收益比率,判定屬於該企業戶的該客戶是否為該高消費力客戶。舉例來說,當該處理模組13判定出屬於該企業戶的該客戶信用能力資料所指示出分數或等級、該毛利率比率及該營業收益比率皆超過各自對應的預設閾值,則屬於該企業戶的客戶即為該高消費力客戶。
值得特別說明的是,在本實施例之子步驟512中,對於每一客戶,當該客戶屬於該個人戶時,該處理模組13根據該客戶所對應的該信用能力資料、該可用動產金額及該個人收入比率,判定屬於該個人戶的該客戶是否為該高消費力客戶。舉例來說,當該處理模組13判定出屬於該企業戶的該客戶信用能力資料所指示出分數或等級、該可用動產金額及該個人收入比率皆超過各自對應的預設閾值,則屬於該個人戶的客戶即為該高消費力客戶。
在步驟52中,對於每一高消費力客戶,該處理模組13根據該高消費力客戶所對應的該總歷史資產資料及該等不利條件,判定該高消費力客戶是否為一欲推薦客戶。當該處理模組13判定出該高消費力客戶為該欲推薦客戶時,進行流程步驟53;當該處理模組13判定出該高消費力客戶不為該欲推薦客戶時,結束該金融商品之潛在購買客群篩選方法。
值得特別說明的是,在本實施例之步驟52中,對於每一高消費力客戶,當該高消費力客戶屬於該企業戶時,該處理模組13係藉由判定在該先前期間中之一第二時間區間內的所有收帳天期、所有景氣衰退比率與所有營收與獲利比率之任一者是否符合該等企業戶不利條件之其中一者,以判定出該高消費力客戶是否為該欲推薦客戶。其中,當該處理模組13判定出符合該等企業戶不利條件之其中一者時,則該高消費力客戶不為該欲推薦客戶。該第二時間區間係為近一年之時間區間,但不以此為限。而在其他實施例中,該處理模組13亦可由判定在該第二時間區間內的所有收帳天期、所有景氣衰退比率與所有營收與獲利比率是否符合該等企業戶不利條件之其中任兩者,以判定出該高消費力客戶是否為該欲推薦客戶。
值得特別說明的是,在本實施例之步驟52中,對於每一高消費力客戶,當該高消費力客戶屬於該個人戶時,該處理模組13將該先前期間中之一第三時間區間內的該資力總額之平均除以該高消費力客戶在該先前期間中之一第四時間區間內的該資力總額之平均以獲得一資力比率。接著,對於每一高消費力客戶,當該高消費力客戶屬於該個人戶時,該處理模組13係藉由判定在該先前期間中之一第五時間區間內的所有高風險投資比率與該資力比率之任一者是否符合該等個人戶不利條件之其中一者,以判定出該高消費力客戶是否為該欲推薦客戶。其中,當該處理模組13判定出符合該等個人戶不利條件之其中一者時,則該高消費力客戶不為該欲推薦客戶。該第三時間區間係為近一年之時間區間、該第四時間區間係為近五年之時間區間,而該第五時間區間係為近一年之時間區間,但皆不以此為限。而在其他實施例中,該處理模組13亦可由判定在該第五時間區間內的所有高風險投資比率與該資力比率是否符合該等個人戶不利條件之其中任兩者,以判定出該高消費力客戶是否為該欲推薦客戶。
在步驟53中,對於每一欲推薦客戶,該處理模組13根據該欲推薦客戶所對應的該總歷史資產資料,利用用於將客戶分類為推薦客戶或不推薦客戶的該客戶分類模型,將該欲推薦客戶歸類為一推薦客戶類別及一不推薦客戶類別之其中一者並顯示於該顯示模組12。
值得特別說明的是,在本實施例之步驟53中,對於每一欲推薦客戶,當欲推薦客戶屬於該企業戶時,該處理模組13係根據該欲推薦客戶所對應的等營收資訊、該等稅前損益、該等收帳天期、該等產業景氣指標,以及該等現金流量比,利用該客戶分類模型,將該欲推薦客戶歸類為該推薦客戶類別或該不推薦客戶類別並顯示於該顯示模組12。
值得特別說明的是,在本實施例之步驟53中,對於每一欲推薦客戶,當欲推薦客戶屬於該個人戶時,該處理模組13係根據該欲推薦客戶所對應的該等蓄險投資資訊、該等基金投資資訊、該等股票投資資訊,以及該等目標可贖回遠期契約投資資訊,利用該客戶分類模型,將該欲推薦客戶歸類為該推薦客戶類別或該不推薦客戶類別並顯示於該顯示模組12。
綜上所述,本新型金融商品之潛在購買客群篩選系統,藉由該處理模組13執行兩階段的資料前處理,將屬於該企業戶或該個人戶的客戶,根據各自對應的該總歷史資產資料和該等不利條件,於第一階段中篩選出該高消費力客戶,而於第階段中篩選出該欲推薦客戶,在經過兩階段的資料前處理後,搭配該客戶分類模型(AI人工智慧)將該欲推薦客戶所對應的總歷史資產資料進行處理,相較於傳統僅直接用已訓練好的各種監督式模型(AI人工智慧)進行分類,更能夠精準地將該等客戶分類為推薦/不推薦客戶類別,以有效地避免金融產品推薦於錯誤客戶而造成呆帳,及能隨時因應客戶的產業環境和營收等狀態變化將客戶進行分類,進而獲得更加準確地分類結果,便能根據分類結果更有效地推銷金融產品至合適的客戶。因此,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。
1‧‧‧電腦裝置
11‧‧‧儲存模組
12‧‧‧顯示模組
13‧‧‧處理模組
51~53‧‧‧步驟
511~512‧‧‧子步驟
511A~511D‧‧‧子步驟
11‧‧‧儲存模組
12‧‧‧顯示模組
13‧‧‧處理模組
51~53‧‧‧步驟
511~512‧‧‧子步驟
511A~511D‧‧‧子步驟
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是一方塊圖,說明本新型金融商品之潛在購買客群篩選系統的一實施例;
圖2是一流程圖,說明該實施例所執行之一金融商品之潛在購買客群篩選方法;
圖3是一流程圖,說明該金融商品之潛在購買客群篩選方法如何判定一客戶是否為一高消費力客戶的細部流程;及
圖4是一流程圖,說明金融商品之潛在購買客群篩選方法如何獲得一財務收益資訊的細部流程。
圖1是一方塊圖,說明本新型金融商品之潛在購買客群篩選系統的一實施例;
圖2是一流程圖,說明該實施例所執行之一金融商品之潛在購買客群篩選方法;
圖3是一流程圖,說明該金融商品之潛在購買客群篩選方法如何判定一客戶是否為一高消費力客戶的細部流程;及
圖4是一流程圖,說明金融商品之潛在購買客群篩選方法如何獲得一財務收益資訊的細部流程。
Claims (9)
- 一種金融商品之潛在購買客群篩選系統,包含:
一儲存模組,儲存有多筆相關於多個客戶之信用的信用能力資料、多筆相關於該等客戶於一先前時間點至一當前時間點所界定之一先前期間內之財務狀況的總歷史資產資料,以及多個相關於各種產業及客戶經濟狀況的不利條件;及
一處理模組,電連接該儲存模組;
其中,對於每一客戶,該處理模組根據該客戶所對應的該信用能力資料及該總歷史資產資料,判定該客戶是否為一高消費力客戶,對於每一高消費力客戶,該處理模組根據該高消費力客戶所對應的該總歷史資產資料及該等不利條件,判定該高消費力客戶是否為一欲推薦客戶,對於每一欲推薦客戶,該處理模組根據該欲推薦客戶所對應的該總歷史資產資料,利用一用於將客戶分類為推薦客戶或不推薦客戶的客戶分類模型,將該欲推薦客戶歸類為一推薦客戶類別及一不推薦客戶類別之其中一者。 - 如請求項1所述的金融商品之潛在購買客群篩選系統,其中,對於每一客戶,該處理模組根據該客戶所對應的該總歷史資產資料,獲得一指示出該客戶在該先前期間中之一第一時間區間之財務增減的財務收益資訊,對於每一客戶,該處理模組根據該客戶所對應的該信用能力資料及該財務收益資訊,判定該客戶是否為該高消費力客戶。
- 如請求項2所述的金融商品之潛在購買客群篩選系統,其中,每一客戶屬於一企業戶及一個人戶之其中一者,每筆屬於該企業戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點所對應的多筆毛利率,以及該客戶在該先前期間之多個不同時間點所對應的多筆營業收入,對於每一客戶,當該客戶屬於該企業戶時,該處理模組根據該客戶所對應的該總歷史資產資料,獲得一毛利率比率及一營業收入比率,該毛利率比率係為該客戶在該先前期間中之該第一時間區間內的所有毛利率之平均除以該客戶對應之產業中該客戶以外之所有企業於該第一時間區間之所有毛利率之平均,該營業收入比率係為該客戶在該先前期間中之該第一時間區間內的最後一個時間點所對應的營業收入除以該第一時間區間內的第一個時間點所對應的營業收入,該處理模組將該毛利率比率及該營業收入比率作為該財務收益資訊,對於每一客戶,當該客戶屬於該企業戶時,該處理模組根據該客戶所對應的該信用能力資料、該毛利率比率及該營業收益比率,判定屬於該企業戶的該客戶是否為該高消費力客戶。
- 如請求項2所述的金融商品之潛在購買客群篩選系統,其中,每一客戶屬於一企業戶及一個人戶之其中一者,每筆屬於該個人戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點所對應的多筆動產總額,以及該客戶在該先前期間之多個不同時間點所對應的多筆個人收入,對於每一客戶,當該客戶屬於該個人戶時,該處理模組根據該客戶所對應的該總歷史資產資料,獲得一可用動產金額及一個人收入比率,該可用動產金額係為該客戶在該先前期間中之該第一時間區間內的所有動產總額之平均,該個人收入比率係為該客戶在該先前期間中之該第一時間區間內的最後一個時間點所對應的個人收入除以該第一時間區間內的第一個時間點所對應的個人收入,該處理模組將該可用動產金額及該個人收入比率作為該財務收益資訊,對於每一客戶,當該客戶屬於該個人戶時,該處理模組根據該客戶所對應的該信用能力資料、該可用動產金額及該個人收入比率,判定屬於該個人戶的該客戶是否為該高消費力客戶。
- 如請求項2所述的金融商品之潛在購買客群篩選系統,其中,每一客戶屬於一企業戶及一個人戶之其中一者,每筆屬於該企業戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點所對應的多筆收帳天期、該客戶對應之產業在該先前期間之多個不同時間點所對應的多筆景氣衰退比率,以及該客戶在該先前期間之多個不同時間點所對應的多筆營收與獲利比率,該等不利條件包含多個對應於該企業戶,且分別與一預設收帳天期、一預設景氣衰退比率,以及一預設營收與獲利比率相關的企業戶不利條件,對於每一高消費力客戶,當該高消費力客戶屬於該企業戶時,該處理模組係藉由判定在該先前期間中之一第二時間區間內的所有收帳天期、所有景氣衰退比率與所有營收與獲利比率之任一者是否符合該等企業戶不利條件之其中一者,以判定出該高消費力客戶是否為該欲推薦客戶。
- 如請求項2所述的金融商品之潛在購買客群篩選系統,其中,每一客戶屬於一企業戶及一個人戶之其中一者,每筆屬於該個人戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點之所購買之高風險金融商品與所購買之全部金融產品的多筆高風險投資比率,以及該客戶在該先前期間之多個不同時間點所對應的多筆資力總額,該等不利條件包含多個對應於該個人戶,且分別與一預設高風險投資比率,以及一預設資力比率相關的個人戶不利條件,對於每一高消費力客戶,當該高消費力客戶屬於該個人戶時,該處理模組將該先前期間中之一第三時間區間內的該資力總額之平均除以該高消費力客戶在該先前期間中之一第四時間區間內的該資力總額之平均以獲得一資力比率,對於每一高消費力客戶,當該高消費力客戶屬於該個人戶時,該處理模組係藉由判定在該先前期間中之一第五時間區間內的所有高風險投資比率與該資力比率之任一者是否符合該等個人戶不利條件之其中一者,以判定出該高消費力客戶是否為該欲推薦客戶。
- 如請求項2所述的金融商品之潛在購買客群篩選系統,其中,每一客戶屬於一企業戶及一個人戶之其中一者,每筆屬於該企業戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點所對應的多筆營收資訊,以及該客戶在該先前期間之多個不同時間點所對應的多筆稅前損益,對於每一欲推薦客戶,當欲推薦客戶屬於該企業戶時,該處理模組係根據該欲推薦客戶所對應的等營收資訊及該等稅前損益,利用該客戶分類模型,將該欲推薦客戶歸類為該推薦客戶類別或該不推薦客戶類別。
- 如請求項2所述的金融商品之潛在購買客群篩選系統,其中,每一客戶屬於一企業戶及一個人戶之其中一者,每筆屬於該個人戶的客戶之總歷史資產資料包含該客戶在該先前期間之多個不同時間點所對應的多筆低風險投資資訊,以及該客戶在該先前期間之多個不同時間點所對應的多筆高風險投資資訊,對於每一欲推薦客戶,當欲推薦客戶屬於該個人戶時,該處理模組係根據該欲推薦客戶所對應的該等低風險投資資訊及該等高風險投資資訊,利用該客戶分類模型,將該欲推薦客戶歸類為該推薦客戶類別或該不推薦客戶類別。
- 如請求項8所述的金融商品之潛在購買客群篩選系統,其中,該等低風險投資資訊包含該客戶在該先前期間之多個不同時間點所對應的多筆儲蓄險投資資訊,以及該客戶在該先前期間之多個不同時間點所對應的多筆基金投資資訊該等高風險投資資訊包含該客戶在該先前期間之多個不同時間點所對應的多筆目標可贖回遠期契約投資資訊,對於每一欲推薦客戶,當欲推薦客戶屬於該個人戶時,該處理模組係根據該欲推薦客戶所對應的該等蓄險投資資訊、該等基金投資資訊及該等目標可贖回遠期契約投資資訊,利用該客戶分類模型,將該欲推薦客戶歸類為該推薦客戶類別或該不推薦客戶類別。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108208639U TWM587310U (zh) | 2019-07-03 | 2019-07-03 | 金融商品之潛在購買客群篩選系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108208639U TWM587310U (zh) | 2019-07-03 | 2019-07-03 | 金融商品之潛在購買客群篩選系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM587310U true TWM587310U (zh) | 2019-12-01 |
Family
ID=69585170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108208639U TWM587310U (zh) | 2019-07-03 | 2019-07-03 | 金融商品之潛在購買客群篩選系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM587310U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015975A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
TWI736184B (zh) * | 2020-03-19 | 2021-08-11 | 兆豐國際商業銀行股份有限公司 | 用於推銷循環信用產品的電子裝置和方法 |
-
2019
- 2019-07-03 TW TW108208639U patent/TWM587310U/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI736184B (zh) * | 2020-03-19 | 2021-08-11 | 兆豐國際商業銀行股份有限公司 | 用於推銷循環信用產品的電子裝置和方法 |
CN112015975A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
CN112015975B (zh) * | 2020-07-15 | 2023-11-14 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020033410A1 (en) | Artificial intelligence system and method for generating a hierarchical data structure | |
CN107437227A (zh) | 股票投资分析装置与方法 | |
CN103886495A (zh) | 一种基于网络交易的监控方法及系统 | |
US20220277331A1 (en) | Systems and methods for procurement cost forecasting | |
US20170178149A1 (en) | Method and system for purchase pattern extraction from point of sale data | |
Aksoy et al. | Artificial intelligence in computer-aided auditing techniques and technologies (CAATTs) and an application proposal for auditors | |
CN113610521A (zh) | 用于检测行为数据的异常的方法和设备 | |
CN115829714A (zh) | 一种理财产品数据动态监测的方法及系统 | |
TWM587310U (zh) | 金融商品之潛在購買客群篩選系統 | |
JP2023529518A (ja) | 適時ベンダー支出分析を含む加速したインテリジェントエンタープライズ | |
CN111612630A (zh) | 一种多品类金融资产账户盈亏计算方法及装置 | |
TWI471818B (zh) | 微型企業融資風險評估方法 | |
KR20240002900A (ko) | 데이터 이코노미에서 금융 데이터 가치 측정 방법 및 이러한 방법을 수행하는 장치 | |
Vousinas | Supply chain finance revisited: A critical review with future prospects | |
JP7473904B2 (ja) | 顧客応対統合管理方法およびこれを実行するサーバー | |
TWI769385B (zh) | 金融商品之潛在購買客群篩選方法及其系統 | |
Badwan et al. | Financial Risk Management in the Supply Chain Using Business Intelligence and Big Data | |
Olasiuk | Competitive forces on the Ukrainian pharmaceutical market: Evaluation aspects | |
Malik et al. | Big Data Analytics in Predicting Consumer Behavior | |
CN112053217A (zh) | 财务估值报表的生成方法及装置 | |
Gholamveisy et al. | Application of data mining technique for customer purchase behavior via Extended RFM model with focus on BCG matrix from a data set of online retailing | |
Ma | E-Commerce customer segmentation based on RFM model | |
CN115131070B (zh) | 一种在线商品预定量虚标的识别及处理方法及装置 | |
John et al. | An integrated approach to renew software contract using machine learning. | |
TWM557882U (zh) | 權證商品價值評估系統 |