TWM612354U - 金融服務處理系統 - Google Patents
金融服務處理系統 Download PDFInfo
- Publication number
- TWM612354U TWM612354U TW110201277U TW110201277U TWM612354U TW M612354 U TWM612354 U TW M612354U TW 110201277 U TW110201277 U TW 110201277U TW 110201277 U TW110201277 U TW 110201277U TW M612354 U TWM612354 U TW M612354U
- Authority
- TW
- Taiwan
- Prior art keywords
- user account
- group
- account group
- user
- processing server
- Prior art date
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種金融服務處理系統,用於根據多筆交易歷史資料將多個使用者帳戶分群以建立多個使用者帳戶群組,並根據每一使用者帳戶群組所相關的交易歷史資料決定出一對應於該使用者帳戶群組的指定操作項目及一對應該指定操作項目的共同目標門檻值,以及在判斷出該使用者帳戶群組符合一回饋條件後對該使用者帳戶群組內的每一使用者帳戶分配一回饋項目,其中,該回饋條件相關於該使用者帳戶群組所對應的一指定操作加總值是否大於等於該共同目標門檻值。
Description
本新型是有關於一種服務處理系統,特別是指一種能將使用者帳戶分群進而分配回饋項目的金融服務處理系統。
對於金融服務機構來說,為了提升客戶黏著度,適當給予客戶回饋是相當重要的一環。雖然現有的金融服務處理系統已經能以電子化的方式提供回饋給客戶(例如提供刷卡金或者手續費減免),然而,每一位客戶的特性及利用金融服務時的偏好皆不相同,因此,如何進一步改善現有的金融服務處理系統,以使其能夠根據客戶特性來提供回饋,便成為本案所欲探討的主題。
本新型之目的,在於提供一種有助於根據客戶特性來提供回饋的金融服務處理系統。
本新型金融服務處理系統包含一儲存多筆分別對應多個使用者帳戶的交易歷史資料的資料庫伺服端,以及一電連接該資料庫伺服端的處理伺服端。該處理伺服端用於。從該資料庫伺服端獲得該等交易歷史資料,並根據該等交易歷史資料將該等使用者帳戶分群,且根據分群的結果建立多個使用者帳戶群組,其中,每一使用者帳戶群組是由該等使用者帳戶的其中多個使用者帳戶所共同組成。對於每一使用者帳戶群組,該處理伺服端根據該使用者帳戶群組內之該等使用者帳戶所分別對應的該等交易歷史資料決定出一對應於該使用者帳戶群組的指定操作項目,以及一對應該使用者帳戶群組及該指定操作項目的共同目標門檻值。對於每一使用者帳戶群組,在該處理伺服端判斷出該使用者帳戶群組符合一回饋條件後,該處理伺服端對該使用者帳戶群組內的每一使用者帳戶分配一回饋項目,其中,該回饋條件相關於該使用者帳戶群組所對應的一指定操作加總值是否大於等於該共同目標門檻值。
在本新型金融服務處理系統的一些實施態樣中,該處理伺服端是先根據每一交易歷史資料獲得多個與該交易歷史資料所對應之使用者帳戶相對應的歷史交易參數,再利用分離分層法根據每一使用者帳戶所對應的該等歷史交易參數而將該等使用者帳戶分群,其中,每一使用者帳戶所對應的該等歷史交易參數是分別對應於多種特定交易類型。
在本新型金融服務處理系統的一些實施態樣中,對於每一使用者帳戶群組,該處理伺服端是根據該使用者帳戶群組內之該等使用者帳戶所對應之該等交易歷史資料進行關聯性分析以決定出該指定操作項目,並且是至少根據該使用者帳戶群組內之該等使用者帳戶的數量以決定出該共同目標門檻值。
在本新型金融服務處理系統的一些實施態樣中,該回饋條件是包含該使用者帳戶群組所對應的該指定操作加總值在一預定期限到達之前大於等於該共同目標門檻值。
在本新型金融服務處理系統的一些實施態樣中,該處理伺服端是至少根據該使用者帳戶群組內每一使用者帳戶所對應的指定操作累計值而決定要被分配至該使用者帳戶的回饋項目。
本新型之功效在於:該金融服務處理系統能根據該等交易歷史資料將該等使用者帳戶進行分群,並針對每一使用者帳戶群組決定出對應的指定操作項目及共同目標門檻值,再於判斷出該使用者帳戶群組符合該回饋條件後對該使用者帳戶群組內的每一使用者帳戶分配回饋項目,藉此,該金融服務處理系統能夠將特性較為相似之客戶的使用者帳戶分配至同一個使用者帳戶群組,再於使用者帳戶群組符合回饋條件後分配與指定操作項目之金融服務類型相關的回饋項目至各個使用者帳戶,因此,該金融服務處理系統能夠根據客戶特性而投其所好地提供回饋,而確實能對現有技術做出改善。
在本新型被詳細描述之前應當注意:若未特別定義,則本專利說明書中所述的「電連接」是泛指多個電子設備/裝置/元件之間透過導電材料彼此相連而實現的「有線電連接」,以及透過無線通訊技術進行單/雙向無線信號傳輸的「無線電連接」。並且,若未特別定義,則本專利說明書中所述的「電連接」亦泛指多個電子設備/裝置/元件之間彼此直接相連而形成的「直接電連接」,以及多個電子設備/裝置/元件之間還透過其他電子設備/裝置/元件彼此間接相連而形成的「間接電連接」。
參閱圖1,本新型金融服務處理系統1的一實施例例如是由一金融服務機構(例如一銀行)所管理,但並不以此為限。並且,該金融服務處理系統1在本實施例中例如包含一資料庫伺服端11,以及一電連接該資料庫伺服端11的處理伺服端12。
該資料庫伺服端11儲存有多筆交易歷史資料,且該等交易歷史資料例如是分別與多個使用者帳戶相對應。更具體地說,每一使用者帳戶例如是由該金融服務機構根據一客戶的申請所建立,也就是說,每一使用者帳戶是對應於該金融服務機構的一位客戶。
另一方面,每一交易歷史資料例如是指示出對應之客戶透過對應的使用者帳戶利用該金融服務機構所提供的金融服務及進行各種金融交易的歷史紀錄。更詳細地說,在本實施例中,每一交易歷史資料可例如包含但不限於一信用卡交易紀錄、一外匯交易紀錄、一貸款紀錄以及一金融商品申購紀錄。其中,該信用卡交易紀錄例如指示出對應之客戶在過去的期間利用該金融服務機構所核發之信用卡進行刷卡交易的紀錄,該外匯交易紀錄例如指示出對應之客戶在過去的期間利用對應之使用者帳戶進行外幣買賣的紀錄,該貸款紀錄例如指示出對應之客戶在過去的期間利用對應之使用者帳戶向該金融服務機構申請貸款的紀錄,而該金融商品申購紀錄則例如指示出對應之客戶在過去的期間利用對應之使用者帳戶向該金融服務機構申購各種金融商品(例如基金、保險)的紀錄,但並不以此為限。
在本實施例中,該資料庫伺服端11及該處理伺服端12例如是各自被實施為單一台伺服器。然而,在其他的實施例中,該資料庫伺服端11及該處理伺服端12的其中任一者也可例如是被實施為多台伺服器的組合,或者,該資料庫伺服端11與該處理伺服端12亦可例如被共同實施為單一台伺服器。應當理解的是,該資料庫伺服端11及該處理伺服端12的具體實施方式能夠基於成本、運算性能或者管理需求等考量而被自由調整,因此,該資料庫伺服端11及該處理伺服端12的具體實施方式並不以本實施例為限。
同時參閱圖1及圖2,以下示例性地說明本實施例的該金融服務處理系統1如何實施一使用者帳戶分群暨回饋處理方法。
首先,在步驟S1中,該處理伺服端12從該資料庫伺服端11獲得分別對應該等使用者帳戶的該等交易歷史資料。接著,流程進行至步驟S2。
在步驟S2中,該處理伺服端12根據該等交易歷史資料將該等使用者帳戶分群,並根據分群的結果建立多個使用者帳戶群組,其中,每一使用者帳戶群組是由該等使用者帳戶的其中多個使用者帳戶所共同組成。
在本實施例中,該處理伺服端12將該等使用者帳戶分群的方式,例如是先根據每一交易歷史資料獲得多個對應的歷史交易參數,且該等歷史交易參數是與該交易歷史資料所對應的該使用者帳戶相對應,接著,該處理伺服端12再利用分離分層法(英文為Divisive)根據每一使用者帳戶所對應的該等歷史交易參數將該等使用者帳戶分群,以建立該等使用者帳戶群組。並且,在本實施例中,每一使用者帳戶群組內的該等使用者帳戶例如是與其他的使用者帳戶群組完全不重疊。
更詳細地說,在本實施例中,每一使用者帳戶所對應的該等歷史交易參數例如是由該處理伺服端12在獲得該使用者帳戶所對應的交易歷史資料後根據該交易歷史資料所計算出的,並且,每一使用者帳戶所對應的每一歷史交易參數例如是對應於一種特定交易類型,且該等特定交易類型可例如包含但不限於一刷卡交易類型、一外匯交易類型及一貸款交易類型。
舉一例來說,在每一使用者帳戶所對應的該等歷史交易參數中,其中一個對應於「刷卡交易類型」的歷史交易參數可例如是被實施為一歷史刷卡累計金額,且該歷史刷卡累計金額例如是用於代表對應之使用者帳戶在一段歷史期間內(例如半年內)被利用於進行刷卡交易的累計金額。舉另一例來說,其中另一個對應於「外匯交易類型」的歷史交易參數可例如是被實施為一歷史外幣申購累計金額,且該歷史外幣申購累計金額例如是用於代表對應之使用者帳戶在該段歷史期間內被利用於購買外幣的累計金額。舉再一例來說,其中再一個對應於「貸款交易類型」的歷史交易參數可例如是被實施為一歷史貸款累計金額,且該歷史貸款累計金額則例如是用於代表對應之使用者帳戶在該段歷史期間內被利用於向該金融服務機構申請貸款的累計金額。
應當注意的是,上述對於該等歷史交易參數的舉例僅是用於說明本實施例的示例性描述。而且,在其他的實施例中,每一使用者帳戶所對應的該等歷史交易參數亦可例如是預先被包含在該使用者帳戶所對應的該交易歷史資料之內,而能夠被該處理伺服端12從該交易歷史資料中直接讀取。因此,該等歷史交易參數的實際實施態樣以及該處理伺服端12獲得該等歷史交易參數的方式並不以本實施例為限。
進一步地,在本實施例中,該處理伺服端12利用分離分層法將該等使用者帳戶分群的方式,可例如是先將所有該等使用者帳戶共同視為一個群體,接著,該處理伺服端12再以「每次利用其中一種歷史交易參數」的方式而利用該等種類之歷史交易參數來對所有該等使用者帳戶進行多次分群。具體舉例來說,該處理伺服端12可例如是先根據該等歷史交易參數中的「歷史刷卡累計金額」來對該等使用者帳戶進行第一次分群,並且,該處理伺服端12進行第一次分群的方式,可例如是先計算出該等使用者帳戶在「歷史刷卡累計金額」方面的平均值(亦可被實施為中位數),接著再例如將大於及小於該平均值一預定門檻值以上的每一歷史刷卡累計金額作為一離群值(英文為outliner),並將每一離群值所對應的使用者帳戶作為要從群體中被分離出的對象。藉此,該處理伺服端12可例如在第一次的分群中根據代表「歷史刷卡累計金額」的歷史交易參數而將該等使用者帳戶分成N群(例如分成「低」、「中」、「高」三群),但並不以此為限。
接著,該處理伺服端12可例如接著根據該等歷史交易參數中的「歷史外幣申購累計金額」而對第一次分群後之該N群使用者帳戶的每一者再次進行分群(亦即對所有該等使用者帳戶進行第二次分群),以將該N群使用者帳戶進一步細分為M群使用者帳戶(M>N)。然後,該處理伺服端12例如再根據該等歷史交易參數中的「歷史貸款累計金額」而對第二次分群後之該N群使用者帳戶的每一者再次進行分群(亦即對所有該等使用者帳戶進行第三次分群),以將該M群使用者帳戶進一步細分為P群使用者帳戶(P>M)。其中,該處理伺服端12進行第二及第三次分群的方式可例如與第一次分群類似,故在此不再詳述其細節。並且,若該處理伺服端12每一次進行分群都會將同一群使用者帳戶細分為三群,則前述的N可例如為3,M可例如為9,P則可例如為27,但並不以此為限。並且,若該處理伺服端12最後共將所有該等使用者帳戶分為P群,則該處理伺服端12便例如會對應地建立P個使用者帳戶群組。
值得一提的是,以本實施例所舉的例子而言,藉由以分離分層法對該等使用者帳戶進行分群,該處理伺服端12相當於是先將所有該等使用者帳戶視為同一個群體,接著再依序根據「歷史刷卡累計金額」、「歷史外幣申購累計金額」及「歷史貸款累計金額」等歷史交易參數而逐步將相異性較大的使用者帳戶拆分為其他子群體。並且,若將本實施例與利用例如判別分析法(英文為Linear Discriminant Analysis)進行分群的方式比較,判別分析法需要先設定好所欲觀察的目標參數種類,並根據已知的目標參數預先建立多個判別模型,才能根據該等判別模型對未知類別的多筆待分群資料進行分群,因此,利用判別分析法進行分群可能會無法凸顯部分待分群資料在「非」目標參數的方面所表現出的特性,也就是說,利用判別分析法進行分群,可能會因為忽略了部分待分群資料的原始屬性特徵,進而導致後續分群的準確性不足。相較於利用判別分析法進行分群的方式,由於本實施例採用分離分層法,故該處理伺服端12能夠直接根據每一交易歷史資料與其他交易歷史資料在各種歷史交易參數方面的差異程度來完成對該等交易歷史資料的分群,而不需預先設定目標參數種類及建立判別模型,所以,本實施例有助於在分群過程中完整地考量每一交易歷史資料所包含的每一種歷史交易參數,而能避免在分群過程中忽略該等待分群資料的原始屬性特徵,故有利於更準確地將特性類似的使用者帳戶分配至同一個使用者帳戶群組。另一方面,由於分離分層法不需預先設定目標參數種類,因此,對本實施例而言,在每一交易歷史資料所包含的歷史交易參數較為多樣化的情形下,即便該等交易歷史資料的總數量較少,該處理伺服端12仍能夠藉由利用分離分層法而準確地將該等使用者帳戶分群,而有助於克服新服務剛上線或特定客群人數較少導致資料量較少而不易進行分析及預測顧客行為之難題。
在該處理伺服端12建立該等使用者帳戶群組後,流程進行至步驟S3。
在步驟S3中,對於每一使用者帳戶群組,該處理伺服端12根據該使用者帳戶群組內之該等使用者帳戶所分別對應的該等交易歷史資料決定出一對應於該使用者帳戶群組的指定操作項目,以及一對應該使用者帳戶群組及該指定操作項目的共同目標門檻值。換句話說,在步驟S3中,該處理伺服端12例如會決定出P個分別對應該P個使用者帳戶群組的指定操作項目,以及P個分別對應該P個使用者帳戶且分別對應該P個指定操作項目的共同目標門檻值。
在本實施例中,對於每一使用者帳戶群組所對應的指定操作項目,該處理伺服端12例如是根據該使用者帳戶群組內之該等使用者帳戶所分別對應之該等交易歷史資料進行關聯性分析,並根據關聯性分析的結果決定出該使用者帳戶群組所對應的指定操作項目。補充說明的是,該處理伺服端12根據該等交易歷史資料進行關聯性分析的方式,可例如包含將該金融服務機構所提供的各種金融服務進行兩兩分組,並且分析該使用者帳戶群組在過去的一段時間內對應於各組金融服務的支持度(英文為Support)、可信度(英文為Confidence)及作用度(英文為Lift),而藉此預測該使用者帳戶群組在將來一段時間內最有可能利用的金融服務,從而決定出該使用者帳戶群組所對應的指定操作項目,但並不以此為限。
更具體地舉例來說,對於該等使用者帳戶群組中的一示例性使用者帳戶群組,假設其對應的關聯性分析結果指示出該示例性使用者帳戶群組的對應客戶中全都持有該金融服務機構所發行的信用卡,並且在過去的一個月內皆有進行刷卡交易三次以上,則該處理伺服端12對於該示例性使用者帳戶群組所決定出的指定操作項目可例如為「累積刷卡交易次數」。
另一方面,對於每一使用者帳戶群組所對應的共同目標門檻值,該處理伺服端12例如是根據該使用者帳戶群組內之該等使用者帳戶的數量以及一對應該指定操作項目的預設基準值以決定出對應的共同目標門檻值。
延續前例具體舉例來說,假設對應於「累積刷卡交易次數」之指定操作項目的預設基準值為「5次」,並假設該示例性使用者帳戶群組內共有20個使用者帳戶,則該處理伺服端12針對該示例性使用者帳戶群組決定出該共同目標門檻值的方式,可例如是將該示例性使用者帳戶群組內的使用者帳戶數量與預設基準值相乘,因此,該示例性使用者帳戶群組所對應的共同目標門檻值可例如被實施為「100次」,但並不以此為限。
換句話說,在步驟S3中,該處理伺服端12相當於是藉由進行關聯性分析而預測每一使用者帳戶群組內之所有使用者帳戶在將來使用機率最高的金融服務,而藉此決定出每一使用者帳戶群組所對應的指定操作項目,並且,該處理伺服端12還根據每一使用者帳戶群組內之使用者帳戶的總數量而決定出該使用者帳戶群組所對應的共同目標門檻值。藉此,在步驟S3中,該處理伺服端12相當於是對於每一使用者帳戶群組制定了一個由指定操作項目及共同目標門檻值所共同指示出的團隊任務(例如「在12月31日前共同累積刷卡交易次數至100次」,但並不以此為限)。補充說明的是,在本實施例中,該指定操作項目亦可例如被實施為「申辦信用卡」、「累積刷卡交易金額」、「累積貸款金額」、「累積外匯交易金額」、「累積台/外幣定存總額」及「下載特定應用程式」等,而對應於前述各種指定操作項目的預設基準值及共同目標門檻值除了代表「次數」之外亦可被實施為代表「金額」,但並不以此為限。
在該處理伺服端12針對每一使用者帳戶群組決定出對應的指定操作項目及共同目標門檻值後,流程進行至步驟S4。
在步驟S4中,該處理伺服端12例如根據每一使用者帳戶群組所對應的指定操作項目及共同目標門檻值輸出一對應該使用者帳戶群組的團隊任務通知。在本實施例中,每一使用者帳戶群組所對應的該團隊任務通知例如指示出對應的指定操作項目及共同目標門檻值,且可例如被實施為簡訊、電子郵件以及應用程式推播的其中一至多者。更具體地說,該團隊任務通知例如是用於提示對應之使用者帳戶群組內的客戶已被加入團隊任務,且可例如被實施為「在12月31日前與隊友共同累積刷卡交易次數至100次,即可獲得專屬回饋」的文字訊息,但並不以此為限。
在該處理伺服端12針對每一使用者帳戶群組輸出對應的團隊任務通知後,流程進行至步驟S5。
在步驟S5中,該處理伺服端12判斷是否有任一使用者帳戶群組符合一回饋條件。更具體地說,在本實施例中,該處理伺服端12可例如是在一預定期限(例如「12月31日」)到達時判斷是否有任一使用者帳戶群組符合該回饋條件,但並不以此為限。
在本實施例中,對於每一使用者帳戶群組,該回饋條件例如代表該使用者帳戶群組所對應的一指定操作加總值在該預定期限到達之前大於等於該使用者帳戶群組所對應的該共同目標門檻值。並且,在本實施例中,該指定操作加總值例如是多個指定操作累計值的總和,且該等指定操作累計值例如是分別對應於該使用者帳戶群組內的該等使用者帳戶。
更詳細地說,每一指定操作累計值例如是代表對應的使用者帳戶在該處理伺服端12輸出團隊任務通知之後的一累計期間內被利用於進行相關之指定操作項目的累計次數或金額。
舉一例來說,若其中一個使用者帳戶所在之使用者帳戶群組所對應的指定操作項目為「累積刷卡交易次數」,則該使用者帳戶所對應的指定操作累計值即例如代表該使用者帳戶在該累計期間內被利用於進行刷卡交易的累計次數。進一步地,在此例中,該指定操作加總值即例如代表對應之使用者帳戶群組內的所有使用者帳戶在該累計期間內被利用於進行刷卡交易的累計次數總和。
舉另一例來說,若其中另一個使用者帳戶所在之使用者帳戶群組所對應的指定操作項目為「累積刷卡交易金額」,則另該使用者帳戶所對應的指定操作累計值即例如代表另該使用者帳戶在該累計期間內進行刷卡交易的累計金額。進一步地,在此例中,該指定操作加總值即例如代表對應之使用者帳戶群組內的所有使用者帳戶在該累計期間內被利用於進行刷卡交易的累計總金額。
也就是說,若該處理伺服端12判斷出有其中任一使用者帳戶群組符合該回饋條件,即代表該使用者帳戶群組內的該等使用者帳戶共同達成了該處理伺服端12針對該使用者帳戶群組所制定的團隊任務。
若該處理伺服端12判斷出該等使用者帳戶群組中有其中任一者符合該回饋條件,流程進行至步驟S6,另一方面,若該處理伺服端12判斷出該等使用者帳戶群組並未有任何一者符合該回饋條件,則本實施例的使用者帳戶分群暨回饋處理方法結束。
在步驟S6中,對於符合該回饋條件的每一使用者帳戶群組,該處理伺服端12對該使用者帳戶群組內的每一使用者帳戶分配一回饋項目,且該回饋項目所適用的金融服務類型可例如是與該使用者帳戶群組所對應的指定操作項目相關。舉一例來說,對於指定操作項目為「累積刷卡交易次數」、「申辦新信用卡」或者「累積刷卡交易次數」的使用者帳戶群組,該處理伺服端12所分配的回饋項目可例如被實施為刷卡金或者信用卡紅利點數。舉另一例來說,對於指定操作項目為「外匯交易類型」的使用者帳戶群組,該處理伺服端12所分配的回饋項目可例如被實施為一定次數的換匯手續費減免,但並不以此為限。
並且,在本實施例的較佳實施態樣中,對於符合該回饋條件之使用者帳戶群組內的每一使用者帳戶,該處理伺服端12例如會將該使用者帳戶所對應的指定操作累計值與同一個使用者帳戶群組內的其他使用者帳戶進行比較,並根據比較結果決定要被分配至該使用者帳戶的回饋項目。舉一例來說,若該使用者帳戶所對應的指定操作累計值是在該使用者帳戶群組中最高的,則該處理伺服端12可例如對應地增加要被分配至該使用者帳戶的回饋項目(例如額外回饋20%刷卡金)。舉另一例來說,若該使用者帳戶所對應的指定操作累計值是在該使用者帳戶群組中累計最快的前三名,則該處理伺服端12亦可例如對應地增加要被分配至該使用者帳戶的回饋項目,但並不以此為限。
綜上所述,藉由實施該使用者帳戶分群暨回饋處理方法,該金融服務處理系統1能利用分離分層法而根據該等交易歷史資料將該等使用者帳戶進行分群,並藉由關聯性分析而針對每一使用者帳戶群組決定出對應的指定操作項目及共同目標門檻值,再於判斷出該使用者帳戶群組符合該回饋條件後對該使用者帳戶群組內的每一使用者帳戶分配回饋項目,藉此,該金融服務處理系統1能夠將特性較為相似之客戶的使用者帳戶分配至同一個使用者帳戶群組,再於使用者帳戶群組符合回饋條件後分配與指定操作項目之金融服務類型相關的回饋項目至各個使用者帳戶,因此,該金融服務處理系統1能夠根據客戶特性而投其所好地提供回饋,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。
1:金融服務處理系統
11:資料庫伺服端
12:處理伺服端
S1~S6: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是本新型金融服務處理系統之一實施例的一方塊示意圖;及
圖2是一流程圖,用於示例性地說明該實施例如何實施一使用者帳戶分群暨回饋處理方法。
1:金融服務處理系統
11:資料庫伺服端
12:處理伺服端
Claims (5)
- 一種金融服務處理系統,包含: 一資料庫伺服端,儲存多筆分別對應多個使用者帳戶的交易歷史資料;及 一處理伺服端,電連接該資料庫伺服端,並且,該處理伺服端用於: 從該資料庫伺服端獲得該等交易歷史資料,並根據該等交易歷史資料將該等使用者帳戶分群,且根據分群的結果建立多個使用者帳戶群組,其中,每一使用者帳戶群組是由該等使用者帳戶的其中多個使用者帳戶所共同組成; 對於每一使用者帳戶群組,該處理伺服端根據該使用者帳戶群組內之該等使用者帳戶所分別對應的該等交易歷史資料決定出一對應於該使用者帳戶群組的指定操作項目,以及一對應該使用者帳戶群組及該指定操作項目的共同目標門檻值;及 對於每一使用者帳戶群組,在該處理伺服端判斷出該使用者帳戶群組符合一回饋條件後,該處理伺服端對該使用者帳戶群組內的每一使用者帳戶分配一回饋項目,其中,該回饋條件相關於該使用者帳戶群組所對應的一指定操作加總值是否大於等於該共同目標門檻值。
- 如請求項1所述的金融服務處理系統,其中,該處理伺服端是先根據每一交易歷史資料獲得多個與該交易歷史資料所對應之使用者帳戶相對應的歷史交易參數,再利用分離分層法根據每一使用者帳戶所對應的該等歷史交易參數而將該等使用者帳戶分群,其中,每一使用者帳戶所對應的該等歷史交易參數是分別對應於多種特定交易類型。
- 如請求項1所述的金融服務處理系統,其中,對於每一使用者帳戶群組,該處理伺服端是根據該使用者帳戶群組內之該等使用者帳戶所對應之該等交易歷史資料進行關聯性分析以決定出該指定操作項目,並且是至少根據該使用者帳戶群組內之該等使用者帳戶的數量以決定出該共同目標門檻值。
- 如請求項1所述的金融服務處理系統,其中,該回饋條件是包含該使用者帳戶群組所對應的該指定操作加總值在一預定期限到達之前大於等於該共同目標門檻值。
- 如請求項1所述的金融服務處理系統,其中,該處理伺服端是至少根據該使用者帳戶群組內每一使用者帳戶所對應的指定操作累計值而決定要被分配至該使用者帳戶的回饋項目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110201277U TWM612354U (zh) | 2021-02-02 | 2021-02-02 | 金融服務處理系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110201277U TWM612354U (zh) | 2021-02-02 | 2021-02-02 | 金融服務處理系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM612354U true TWM612354U (zh) | 2021-05-21 |
Family
ID=77037184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110201277U TWM612354U (zh) | 2021-02-02 | 2021-02-02 | 金融服務處理系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM612354U (zh) |
-
2021
- 2021-02-02 TW TW110201277U patent/TWM612354U/zh unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11373190B2 (en) | False positive reduction in abnormality detection system models | |
JP2020522832A (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 | |
US20220051282A1 (en) | Method and system for using machine learning techniques to identify and recommend relevant offers | |
US20210406896A1 (en) | Transaction periodicity forecast using machine learning-trained classifier | |
US20180053188A1 (en) | Customer transaction behavioral archetype analytics for cnp merchant transaction fraud detection | |
AU2019232799A1 (en) | Service processing method and apparatus | |
WO2019196549A1 (zh) | 确定高风险用户的方法及装置 | |
US20100125546A1 (en) | System and method using superkeys and subkeys | |
US10701163B2 (en) | Lines prediction model | |
AU2016259200A1 (en) | Gating decision system and methods for determining whether to allow material implications to result from online activities | |
WO2010129764A2 (en) | Risk assessment rule set application for fraud prevention | |
US20140207524A1 (en) | Systems and methods for determining consumer shopping corridors | |
US20140316960A1 (en) | Merchant bank tool | |
US11100409B2 (en) | Machine learning assisted transaction component settlement | |
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 | |
US11550999B2 (en) | Data management using topic modeling | |
US20200320534A1 (en) | Systems and methods for using machine learning to predict events associated with transactions | |
US20230004842A1 (en) | Hybrid clustered prediction computer modeling | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
TW201503029A (zh) | 計算企業拖欠帳款機率之技術 | |
CN113610521A (zh) | 用于检测行为数据的异常的方法和设备 | |
WO2013025920A2 (en) | System and method for analyzing marketing treatment data | |
CN110197316B (zh) | 运营数据的处理方法、装置、计算机可读介质及电子设备 | |
JP2009289172A (ja) | 行動履歴分析システムおよびその方法 | |
CN112651632A (zh) | 基于营销数据的信息分析处理方法和装置 |