CN111667307B - 一种理财产品销量的预测方法及装置 - Google Patents

Abstract

本发明提供一种理财产品销量的预测方法及装置，所述方法包括：获取理财产品的预测数据；对所述预测数据进行特征处理，获得预测特征数据；根据所述客户分类特征数据和客户分类模型，获得潜在客户群；从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。所述装置用于执行上述方法。本发明实施例提供的理财产品销量的预测方法及装置，提高了对理财产品发行量预测的准确性。

Description

一种理财产品销量的预测方法及装置

技术领域

本发明涉及数据处理技术领域，具体涉及一种理财产品销量的预测方法及装置。

背景技术

理财产品是由商业银行和正规金融机构自行设计并发行的金融产品，通过理财产品可以募集资金并获得收益。

现有技术中，银行理财产品的发行数量，通常依靠业务专家人工经验为主来估算理财产品的发行数量。由于理财产品销量影响因素较多且关联复杂性极高，受客户基础信息、产品信息、行为信息、风险信息、同业产品等多种因素干扰，依靠人工经验估算发行数量误差大。

因此，如何提出一种理财产品销量的预测方法，能够更加准确地预测理财产品的销量成为本领域需要解决的重要课题。

发明内容

针对现有技术中的问题，本发明实施例提供一种理财产品销量的预测方法及装置。

一方面，本发明提出一种理财产品销量的预测方法，包括：

获取理财产品的预测数据；

对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；

根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；

从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；

根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

另一方面，本发明提供一种理财产品销量的预测装置，包括：

第一获取单元，用于获取理财产品的预测数据；

特征处理单元，用于对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；

分类单元，用于根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；

购买量预测单元，用于从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；

销量预测单元，用于根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

再一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述理财产品销量的预测方法的步骤。

又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述理财产品销量的预测方法的步骤。

本发明实施例提供的理财产品销量的预测方法及装置，获取理财产品的预测数据，对预测数据进行特征处理，获得预测特征数据，根据客户分类特征数据和客户分类模型，获得潜在客户群，从客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对理财产品的购买量，根据潜在客户群中各个潜在客户对理财产品的购买量，获得理财产品的预测销量，通过客户分类模型预测出潜在客户，并通过销量预测模型预测出每个潜在客户的购买量，提高了对理财产品发行量预测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明第一实施例提供的理财产品销量的预测方法的流程示意图。

图2是本发明第二实施例提供的理财产品销量的预测方法的流程示意图。

图3是本发明第三实施例提供的理财产品销量的预测方法的流程示意图。

图4是本发明第四实施例提供的理财产品销量的预测方法的流程示意图。

图5是本发明第五实施例提供的理财产品销量的预测方法的流程示意图。

图6是本发明第六实施例提供的理财产品销量的预测方法的流程示意图。

图7是本发明第七实施例提供的理财产品销量的预测方法的流程示意图。

图8是本发明第八实施例提供的理财产品销量的预测装置的结构示意图。

图9是本发明第九实施例提供的理财产品销量的预测装置的结构示意图。

图10是本发明第十实施例提供的理财产品销量的预测装置的结构示意图。

图11是本发明第十一实施例提供的理财产品销量的预测装置的结构示意图。

图12是本发明第十二实施例提供的理财产品销量的预测装置的结构示意图。

图13是本发明第十三实施例提供的理财产品销量的预测装置的结构示意图。

图14是本发明第十四实施例提供的理财产品销量的预测装置的结构示意图。

图15是本发明第十五实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是本发明第一实施例提供的理财产品销量的预测方法的流程示意图，如图1所示，本发明实施例提供的理财产品销量的预测方法包括：

S101、获取理财产品的预测数据；

具体地，通过对客户数据和理财产品相关数据进行预处理，获得理财产品的预测数据，所述服务器可以获取所述理财产品的预测数据。其中，客户数据可以包括基础数据、其他产品数据、行为数据、评价数据、营销数据和风险数据等，根据实际需要进行设置，本发明实施例不做限定。所述理财产品相关数据可以包括同一时期同业相关理财产品的数据和待预测理财产品的数据，根据实际需要进行设置，本发明实施例不做限定。所述预处理根据实际需要进行设置，本发明实施例不做限定。本发明实施例提供的理财产品销量的预测方法的执行主体包括但不限于服务器。

例如，可以通过银行内部***获取到客户数据，客户数据的基础数据可以包括人口数据和社会属性数据，所述人口属性数据可以包括姓名、性别、年龄、国籍、省份、城市、居住地、教育水平等信息，所述社会属性数据可以包括年龄段、婚姻状况、有无子女、车辆信息、行业、职业、职务等信息。客户数据的其他产品数据可以包括资产数据、负债数据和其他数据，所述资产数据可以包括活期余额、定期余额、债券余额、基金余额、黄金余额、保险金额、过去3个月日均金融资产、过去6个月日均金融资产、过去12个月日均金融资产等信息；所述负责数据包括***透支余额、个人消费贷款余额、个人经营贷款余额、个人住房贷款余额、现金分期余额等信息；其他数据可以包括借记卡等级、贷记卡等级、代发工资客户标志与登记、出国金融卡持有等级等信息。客户数据的行为数据可以包括过去3个月的借记卡交易笔数与金额、过去6个月的借记卡交易笔数与金额、过去12个月的借记卡交易笔数与金额、过去3个月的***交易笔数与金额、过去6个月的***交易笔数与金额、过去12个月的***交易笔数与金额、过去3个月的第三方支付交易笔数与金额、过去6个月的第三方支付交易笔数与金额、过去12个月的第三方支付交易笔数与金额、过去6个月的代发工资总额、过去12个月的代发工资总额、存款购买理财产品金额等信息。客户数据的评价数据可以包括客户星级、资产星级、负债星级、客户群等信息。客户数据的营销特征数据可以包括营销态度、营销方式、某款理财产品的营销期间向客户推销产品的总次数、最后一次营销所花费的时间、最后一次向可推销产品的日期等信息。客户数据的风险数据可以包括投资风险等级人行征信评分、征信等级、是否为违约客户等信息。

例如，理财产品相关数据包括的同一时期同业相关理财产品的数据可以通过网上爬虫获取，所述同一时期同业相关理财产品的数据可以包括产品期限、业绩基准、产品风险系数、起购金额、产品类型、收益类型等信息。所述理财产品相关数据包括的待预测理财产品的数据可以包括产品期限、业绩基准、产品风险系数、起购金额、产品类型、收益类型等信息。

例如，对所述客户数据和理财产品相关数据进行预处理可以包括通过填充缺失值、光滑噪声和识别离群点等方式，纠正数据中的不一致。在填充缺失值时，采取均值、中位数来填充；在处理噪声数据和离群点时，首先通过箱线图的上下边缘来确定噪声数据，通过聚类算法来检测离群点，然后结合具体业务经验来标注噪声数据和离群点，最后计算前后几期的平均值来对噪声数据和离群点进行修复。

对所述客户数据和理财产品相关数据进行预处理可以包括对理财产品相关数据的行内数据和同业数据进行集成。由于***获取的数据来源多样，存在代表同一概念的属性在不同数据源中可能会有不同的名字或单位，会导致数据不一致性和冗余，在本发明实施例中可以采用相关性分析的方法对数据进行集成。

对所述客户数据和理财产品相关数据进行预处理可以包括对所述客户数据和理财产品相关数据进行规约。通过归约技术可以得到数据的简化表示，简化后的数据占用空间会变小，但是能产生近乎相同的分析结果，可以提高理财产品销量的预测方法的数据处理效率。

对所述客户数据和理财产品相关数据进行预处理可以包括对所述客户数据和理财产品相关数据进行数据变换，通过数据变换使得所述客户数据和理财产品相关数据更适用于进行数据挖掘。比如对地理位置信息的变换，将地理位置信息进行分类，同一类别使用同一个数字表示，这样文本数据就变换成为离散的数值数据。

S102、对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；

具体地，所述服务器在获得所述理财产品的预测数据之后，可以对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据可以包括客户分类特征数据、客户销量特征数据和产品特征数据。其中，客户分类特征数据用于对客户进行分类，客户销量特征数据和产品特征数据用于进行客户购买量的预测。所述客户销量特征数据可以包括每个客户的销量特征数据。

例如，对所述预测数据进行特征处理可以包括特征构建和特征提取。所述特征构建用于从所述理财产品的预测数据中构建出不同类型的特征，基于基础数据可以构建出基础特征，基于行为数据可以构建出行为特征，基于评价数据可以构建出评价特征，基于营销数据可以构建出营销特征，基于风险数据可以构建出风险特征，基于其他产品数据可以构建出其他产品特征，基于理财产品相关数据可以构建出理财产品特征数据。其中，对于同一时期同业相关理财产品的数据可以进行分析和处理，将业务人员经验和非数值数据进行数据化，获得对应的特征数据。

所述特征提取用于从完成特征构建后的特征数据中提取出客户分类特征数据、客户销量特征数据和产品特征数据，以满足后续客户分类模型和销量预测模型的输入数据的需要。

S103、根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；

具体地，所述服务器在获得所述客户分类特征数据之后，可以将所述客户分类数据输入到客户分类模型中，经过客户分类模型的处理，输出潜在客户群，所述潜在客户群是预测出的能够购买所述理财产品的客户的集合，包括多个潜在客户。其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述客户分类标签包括购买标签和不购买标签。所述潜在客户群中每个潜在客户对于购买标签。

S104、从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；

具体地，所述服务器在获得所述潜在客户群之后，对于所述潜在客户群中的每个潜在客户，可以从客户销量特征数据中获取每个潜在客户的销量特征数据，然后将每个潜在客户的销量特征数据和所述产品特征数据输入到销量预测模型中，经过所述销量预测模型的处理，输出每个潜在客户对所述理财产品的购买量。其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据及客户历史销售量训练获得的。

S105、根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

具体地，所述服务器在获得所述潜在客户群中各个潜在客户对所述理财产品的购买量之后，对各个潜在客户对所述理财产品的购买量求和，将求和的结果作为所述理财产品的预测销量，预测销量即可作为所述理财产品的发行数量。

本发明实施例提供的理财产品销量的预测方法，获取理财产品的预测数据，对预测数据进行特征处理，获得预测特征数据，根据客户分类特征数据和客户分类模型，获得潜在客户群，从客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对理财产品的购买量，根据潜在客户群中各个潜在客户对理财产品的购买量，获得理财产品的预测销量，通过客户分类模型预测出潜在客户，并通过销量预测模型预测出每个潜在客户的购买量，提高了对理财产品发行量预测的准确性。

在上述各实施例的基础上，进一步地，所述客户分类模型包括第一数量个客户分类子模型，所述第一数量个客户分类子模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述第一数量为大于等于3的奇数；

具体地，所述客户分类模型包括第一数量个客户分类子模型，所述第一数量个客户分类子模型中的每个客户分类子模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述第一数量为大于等于3的奇数。所述客户分类标签包括购买标签和不购买标签，购买标签表示客户购买了相应的理财产品，不购买标签表示客户没有购买相应的理财产品。其中，所述理财产品分类训练数据可以从客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据中获得，根据实际需要进行设置，本发明实施例不做限定。

相应地，图2是本发明第二实施例提供的理财产品销量的预测方法的流程示意图，如图2所示，所述根据所述客户分类特征数据和客户分类模型，获得潜在客户群包括：

S1031、根据所述客户分类特征数据和所述第一数量个客户分类子模型，获得每个客户的第一数量个客户分类标签；

具体地，所述服务器将所述客户分类特征数据输入到所述第一数量个客户分类子模型的每个客户分类子模型中，分别输出每个客户在每个客户分类子模型下的客户分类标签，可以获得第一数量个客户分类标签。

例如，第一数量为5，所述服务器将客户分类特征数据分别输入到五个客户分类子模型中，可以输出每个客户的5个客户分类标签。

S1032、若判断获知所述客户的第一数量个客户分类标签中购买标签的数量大于不购买标签的数量，则将所述客户作为潜在客户；其中，所述客户分类标签包括购买标签和不购买标签。

具体地，所述服务器在获得各个客户的第一数量的客户分类标签之后，会统计所述客户的第一数量的客户分类标签中购买标签的数量和不购买标签的数量，如果购买标签的数量大于不购买标签的数量，那么将所述客户作为潜在客户；如果购买标签的数量小于不购买标签的数量，那么不会将所述客户作为潜在客户。对所有的客户都进行上述判断，将获得的所有的潜在客户组成潜在客户群。

例如，所述服务器获得客户A的5个客户分类标签，其中包括3个购买标签和2个不购买标签，所述服务器判断购买标签的数量3大于不购买标签的数量2，会将客户A作为理财产品的潜在客户。

图3是本发明第三实施例提供的理财产品销量的预测方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，本发明实施例提供的根据理财产品分类训练数据以及客户分类标签训练获得所述第一数量个客户分类子模型的步骤包括：

S301、获取所述理财产品分类训练数据以及客户分类标签；

具体地，通过对客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据进行预处理，获得理财产品分类训练数据，所述服务器可以获取理财产品分类训练数据。所述客户数据中每个客户数据对应一个客户分类标签，当客户购买了上述某款理财产品时，对应的客户分类标签为购买标识，当客户没有购买上述某款理财产品时，对应的客户分类标签为不购买标签，所述服务器可以获得每个客户数据对应的客户分类标签。其中，某款理财产品和待预测理财产品为类型相同或者相近的理财产品。对客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据进行预处理的具体过程与步骤S101中对客户数据和理财产品相关数据进行预处理的具体过程类似，此处不进行赘述。

例如，通过银行内部***获取客户数据以及某款理财产品最近三年的历史流水记录，所述客户数据可以包括基础数据、其他产品数据、行为数据、评价数据、营销数据和风险数据等数据；从某款理财产品最近三年的历史流水记录获得产品期限、业绩基准、产品风险系数、起购金额、产品类型、收益类型、发行量等数据；通过网上爬虫获取与某款理财产品同一时期同业相关理财产品的数据，可以包括产品期限、业绩基准、产品风险系数、起购金额、产品类型、收益类型、发行量等数据。

S302、根据所述理财产品分类训练数据，获得分类训练特征数据；

具体地，所述服务器在获得所述理财产品的预测数据之后，可以对所述理财产品分类训练数据进行特征处理，获得分类训练特征数据。

例如，从所述理财产品分类训练数据中构建出不同类型的特征，基于所述客户数据的基础数据可以构建出基础特征，基于所述客户数据的行为数据可以构建出行为特征，基于所述客户数据的评价数据可以构建出评价特征，基于所述客户数据的营销数据可以构建出营销特征，基于所述客户数据的风险数据可以构建出风险特征，基于所述客户数据的其他产品数据可以构建出其他产品特征，基于某款理财产品历史销售数据可以构建出第一产品特征，基于同业同一时期某款理财产品相关产品数据可以构建出第二产品特征数据。

S303、将所述分类训练特征数据划分为第一训练集和第一验证集；

具体地，所述服务器在获得所述分类训练特征数据之后，可以将所述分类训练特征数据划分为第一训练集和第一验证集，所述第一训练集用于模型训练，所述第一验证集用于模型验证。

S304、根据所述第一训练集、所述第一训练集对应的客户分类标签，以及第三数量个预设分类模型，训练获得第三数量个待定分类子模型；其中，所述第三数量大于等于所述第一数量；

具体地，所述服务器根据第一训练集和所述第一训练集对应的客户分类标签，对每个预设分类模型进行模型训练，获得每个待定分类子模型。所述预设分类模型的数量有第三数量个，可以获得第三数量个待定分类子模型。其中，所述第三数量大于等于第一数量。所述第三数量根据实际需要进行设置，本发明实施例不做限定。所述预设分类模型包括但不限于K近邻(K-Nearest Neighbor，简称KNN)分类算法模型、逻辑回归模型、支持向量机(Support Vector Machine，简称SVM)分类算法模型、决策树模型、神经网络模型等，根据实际需要进行设置，本发明实施例不做限定。可理解的是，对于每个预设分类模型在训练的过程中，可以进行超参数自动调优，直到获得使模型预测效果全局最优或者局部最优的参数为止，在超参数调优过程中，基于预设的参数取值范围和取值变化步长，来动态寻找使模型预测效果最优的超参数，使用的超参数搜索算法包括不局限于网格搜索(GridSearchCV)、随机搜索(RandomizedSearchCV)等，根据实际需要进行设置，本发明实施例不做限定。

S305、根据所述第一验证集以及第一验证集对应的客户分类标签对第三数量个待定分类子模型进行验证，获得每个待定分类子模型的分类准确度；

具体地，所述服务器在获得所述第三数量个待定分类子模型之后，将所述第一验证集输入到每个待定分类子模型中，输出每个待定分类子模型对应的预测分类标签。所述服务器可以对比所述待定分类子模型对应的预测分类标签中每个客户对应的预测分类标签和所述第一验证集对应的客户分类标签中每个客户对应的客户分类标签，统计其中预测分类标签与客户分类标签相同的数量，即预测正确的数量，计算预测正确的数量与所述第一验证集对应的客户分类标签中客户分类标签的总数的比值，获得所述待定分类子模型分类准确度。所述服务器可以获得所述第三数量个待定分类子模型的分类准确度。其中，所述预测分类标签包括购买标签和不购买标签。分类准确度越大，说明所述待定分类子模型的分类效果越好。

S306、根据每个待定分类子模型的分类准确度，从所述第三数量个待定分类子模型中选择出所述第一数量个客户分类子模型。

具体地，所述服务器在获得所述第三数量个待定分类子模型的分类准确度之后，可以对所述第三数量个待定分类子模型的分类准确度按照分类准确度的大小进行排序，如果所有相邻两个待定分类子模型的分类准确度的差值的绝对值小于第一预设值，说明所述第三数量个待定分类子模型的分类准确度差别不大，可以取所述第三数量中最大奇数个待定分类子模型作为所述第一数量个客户分类子模型，并且所述第一数量个客户分类子模型的分类准确度是所述第三数量个待定分类子模型的分类准确度中分类准确度最高的所述第一数量个。其中，所述第一预设值根据实际经验进行设置，本发明实施例不做限定。

如果所有相邻两个待定分类子模型的分类准确度的差值中，存在相邻两个待定分类子模型的分类准确度的差值的绝对值大于等于所述第一预设值，说明所述第三数量个待定分类子模型的分类准确度差别较大，可以取第一预设数量个分类准确度最大的待定分类子模型，作为所述第一数量个客户分类子模型，并且所述第一预设数量为大于等于3的奇数。

从第三数量个待定分类子模型中选出分类准确度高的待定分类子模型作为客户分类子模型，用于对客户进行分类，能够提高对客户分类的准确性。

图4是本发明第四实施例提供的理财产品销量的预测方法的流程示意图，如图4所示，在上述各实施例的基础上，进一步地，所述根据所述理财产品分类训练数据，获得分类训练特征数据包括：

S3021、对所述理财产品分类训练数据进行特征构建，获得多类第一训练特征数据；

具体地，所述服务器在获得所述理财产品的预测数据之后，可以对所述理财产品分类训练数据进行特征构建，获得多类第一训练特征数据。其中，所述多类第一训练特征数据可以包括基础特征、行为特征、评价特征、营销特征、风险特征、其他产品特征、第一产品特征和第二产品特征等，根据实际需要进行设置，本发明实施例不做限定。

S3022、根据特征选择算法从所述多类第一训练特征数据中，选择出所述分类训练特征数据。

具体地，所述服务器在获得所述多类第一训练特征数据之后，可以采用特征选择算法从所述多类第一训练特征数据中选出所述分类训练特征数据。其中，所述特征选择算法包括但不限于定向搜索、最优优先搜索、序列前向选择、序列后向选择、序列浮动选择等算法，根据实际情况进行设置，本发明实施例不做限定。通过特征选择算法从所述多类第一训练特征数据中选出分类训练特征数据，可以较好的实现对客户分的类。可理解的是分类训练特征数据至少包括来自于客户数据的特征数据。

图5是本发明第五实施例提供的理财产品销量的预测方法的流程示意图，如图5所示，在上述各实施例的基础上，进一步地，所述根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量包括：

S1041、根据所述产品特征数据、每个潜在客户的销量特征数据以及所述第二数量的销量预测子模型，获得每个潜在客户的第二数量个预测购买量；

具体地，所述服务器将所述产品特征数据和每个潜在客户的销量特征数据输入到每个销量预测子模型，可以输出每个潜在客户在每个销量预测子模型下的预测购买量，所述销量预测子模型有第二数量个，那么所述服务器可以获得每个潜在客户的第二数量个预测购买量。

S1042、根据每个潜在客户的第二数量个预测购买量以及各个预测购买量对应的权重，获得每个潜在客户的对所述理财产品的购买量；其中，每个潜在客户的各个预测购买量对应的权重是预先获得的。

具体地，所述服务器在获得每个潜在客户的第二数量个预测购买量之后，根据每个潜在客户的第二数量个预测购买量以及各个预测购买量对应的权重，计算每个潜在客户的对所述理财产品的购买量。其中，每个潜在客户的各个预测购买量对应的权重是预先获得的，例如预先设定或者动态生成。

例如，所述服务器获得了潜在客户B对理财产品C的n个预测购买量，可以根据公式计算获得潜在客户B对理财产品C的购买量P，其中，Q_i为潜在客户B对理财产品C的第i个预测购买量，k_i为Q_i对应的权重，i为正整数且i小于n。

每个潜在客户的各个预测购买量对应的权重可以根据销量预测子模型的数量以及权重向量产生算法预先生成。第一步，给定N和H，N为销量预测子模型的数量，即第二数量，1/H代表权重变化的粒度，集合M＝{1,1,1,1，...,1}，集合M中一共包含H个1；第二步，使用插空法将集合M中的1分为N组，由排列组合思想可以得到共种分配方式；第三步，分别把每种分配方式中每组的1加起来，并除以H，即可得到共有个均匀分布的权重向量的集合。

例如，第一步，假设N＝2和H＝3，即销量预测子模型的数量为2，权重变化的粒度为3。第二步，根据排列思想中的插空法，得到4种分配方式为{{零个1,三个1}，{1个1,两个1}，{两个1,一个1}，{三个1,零个1}}。第三步，先将每种分配方式中的1相加得到{{0,3},{1,2},{2,1},{3,0}}，分别除以H＝3得到的权重向量集合为：{{0,1},{1/3,2/3},{2/3,1/3},{1,0}}，共四组权重。

在获得权重的向量集合之后，可以根据第二验证集第二验证集对应的客户历史销售量对各个销量预测子模型对权重向量集合中的每组权重向量的效果进行评估，从中选择出最优的一组权重。首先，根据所述第二验证集以及每个销量预测子模型，获得每个待定预测子模型对应的预测销售量；然后，根据各个待定预测子模型对应的预测销售量中每个客户对应的预测销售量以及各组权重，计算每个客户在每组权重下的组合预测销售量；最后，使用RMSE(标准误差)方法计算每组权重对应的组合预测销售量与客户历史销售量的RMSE值，即对于每组权重，计算第二验证集中各个客户的组合预测销售量与历史销售量的均方根误差之和，RMSE取值最小的一组权重即为所求最优权重向量。其中，第二验证集的获取过程见下文所述。

图6是本发明第六实施例提供的理财产品销量的预测方法的流程示意图，如图6所示，在上述各实施例的基础上，进一步地，根据理财产品销量训练数据训练所述第二数量的销量预测子模型的步骤包括：

S601、获取所述理财产品销量训练数据以及客户历史销售量；

具体地，通过对客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据进行预处理，获得理财产品分类训练数据，客户历史销售量可以通过某款理财产品历史销售数据获得，包括每个客户的对某款理财产品的购买量。所述服务器可以获取所述理财产品分类训练数据以及每个客户的历史销售量。

S602、根据所述理财产品销量训练数据，获得销量训练特征数据；

具体地，所述服务器在获得所述理财产品销量训练数据之后，可以对所述理财产品销量训练数据进行特征处理，获得销量训练特征数据。其中，所述销量训练特征数据包括基于某款理财产品历史销售数据获得的第一产品特征。

例如，从所述理财产品分类训练数据中构建出不同类型的特征，基于所述客户数据的基础数据可以构建出基础特征，基于所述客户数据的行为数据可以构建出行为特征，基于所述客户数据的评价数据可以构建出评价特征，基于所述客户数据的营销数据可以构建出营销特征，基于所述客户数据的风险数据可以构建出风险特征，基于所述客户数据的其他产品数据可以构建出其他产品特征，基于某款理财产品历史销售数据可以构建出第一产品特征，基于同业同一时期某款理财产品相关产品数据可以构建出第二产品特征数据。

S603、将所述销量训练特征数据划分为第二训练集和第二验证集；

具体地，所述服务器在获得所述销量训练特征数据之后，可以将所述销量训练特征数据划分为第二训练集和第二验证集，所述第二训练集用于模型训练，所述第二验证集用于模型验证。

S604、根据所述第二训练集、所述第二训练集对应的客户历史销售量，以及第四数量个预设销量模型，训练获得第四数量个待定预测子模型；其中，所述第四数量大于等于所述第二数量；

具体地，所述服务器根据第二训练集和所述第二训练集对应的客户历史销售量，对每个预设销量模型进行模型训练，获得每个待定预测子模型。所述待定预测子模型的数量有第四数量个，可以获得第四数量个待定预测子模型。其中，所述第四数量大于等于第二数量。所述第四数量根据实际需要进行设置，本发明实施例不做限定。所述预设销量模型包括但不限于支持向量机回归算法、K近邻回归算法、随机森林回归算法、GBDT回归算法、xgboost回归算法、长短期记忆网络(Long Short-Term Memory，简称LSTM)算法等，根据实际需要进行设置，本发明实施例不做限定。可理解的是，对于每个预设销量模型在训练的过程中，可以进行超参数自动调优，直到获得使模型预测效果全局最优或者局部最优的参数为止，在超参数调优过程中，基于预设的参数取值范围和取值变化步长，来动态寻找使模型预测效果最优的超参数，使用的超参数搜索算法包括不局限于网格搜索(GridSearchCV)、随机搜索(RandomizedSearchCV)等，根据实际需要进行设置，本发明实施例不做限定。

S605、根据所述第二验证集以及所述第二验证集对应的客户历史销售量对所述第四数量个待定预测子模型进行验证，获得每个待定预测子模型的R平方值；

具体地，所述服务器在获得所述第四数量个待定预测子模型之后，将所述第二验证集输入到每个待定预测子模型中，输出每个待定预测子模型对应的预测销售量。所述服务器可以根据所述待定预测子模型对应的预测销售量中每个客户对应的预测销售量和所述第二验证集对应的客户历史销售量中每个客户对应的历史销售量，计算所述待定预测子模型的R平方(R-squared)值。所述服务器可以获得所述第四数量个待定预测子模型的R平方值。其中，R平方值越大，说明所述待定预测子模型的销量预测效果越好。

S606、根据每个待定预测子模型的R平方值，从所述第四数量个待定预测子模型中选择出第二数量个销量预测子模型。

具体地，所述服务器在获得所述第四数量个待定预测子模型的R平方值之后，可以对所述第四数量个待定预测子模型的R平方值按照R平方值的大小进行排序，如果所有相邻两个待定预测子模型的R平方值的差值的绝对值小于第二预设值，说明所述第四数量个待定预测子模型的R平方值差别不大，可以取所述第四数量个待定预测子模型作为所述第二数量个销量预测子模型。其中，所述第二预设值根据实际经验进行设置，本发明实施例不做限定。

如果所有相邻两个待定预测子模型的R平方值的差值中，存在相邻两个待定预测子模型的R平方值的差值的绝对值大于等于所述第二预设值，说明所述第四数量个待定预测子模型的R平方值差别较大，可以取第二预设数量个R平方值最大的待定预测子模型，作为所述第二数量个销量预测子模型，并且所述第二预设数量为大于等于4。

从第四数量个待定预测子模型中选出R平方值满足要求的待定预测子模型作为销量预测子模型，用于对进行销量预测，能够提高对销量预测的准确性。

图7是本发明第七实施例提供的理财产品销量的预测方法的流程示意图，如图7所示，在上述各实施例的基础上，进一步地，所述根据所述理财产品销量训练数据，获得销量训练特征数据包括：

S6021、对所述理财产品销量训练数据进行特征构建，获得多类第二训练特征数据；

具体地，所述服务器在获得所述理财产品的预测数据之后，可以对所述理财产品的预测数据进行特征构建，获得多类第二训练特征数据。其中，所述多类第二训练特征数据可以包括基础特征、行为特征、评价特征、营销特征、风险特征、其他产品特征、第一产品特征和第二产品特征等，根据实际需要进行设置，本发明实施例不做限定。

S6022、根据特征选择算法从所述多类第二训练特征数据中，选择出所述销量训练特征数据。

具体地，所述服务器在获得所述多类第二训练特征数据之后，可以采用特征选择算法从所述多类第二训练特征数据中选出销量训练特征数据。其中，所述特征选择算法包括但不限于定向搜索、最优优先搜索、序列前向选择、序列后向选择、序列浮动选择等算法，根据实际情况进行设置，本发明实施例不做限定。通过特征选择算法从所述多类第二训练特征数据中选出销量训练特征数据，可以更加准确的实现对潜在客户销量的预测。可理解的是销量训练特征数据至少包括来自于某款理财产品历史销售数据的第一产品特征。

可理解的是，在本发明实施例提供的理财产品销量的预测方法投入使用之后，可以收集所述理财产品的实际客户群和实际销量，根据多个所述理财产品的实际客户群和潜在客户群计算所述客户分类模型的分类准确度，通过所述客户分类模型的分类准确度对所述客户分类模型进行评估，并根据多个所述理财产品的实际销量和预测销量计算所述销量预测模型的R平方值，通过R平方值对所述销量预测模型进行评估。当所客户分类模型的分类准确度小于第一设定值时，重新训练获得客户分类模型。当所述销量预测模型的R平方值小于第二设定值时，重新训练获得销量预测模型。

本发明实施例提供的理财产品销量的预测方法，基于数据分析、机器学***。

图8是本发明第八实施例提供的理财产品销量的预测装置的结构示意图，如图8所示，本发明实施例提供的理财产品销量的预测装置包括第一获取单元801、特征处理单元802、分类单元803、购买量预测单元804和销量预测单元805，其中：

第一获取单元801用于获取理财产品的预测数据；特征处理单元802用于对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；分类单元803用于根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；购买量预测单元804用于从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；销量预测单元805用于根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

具体地，通过对客户数据和理财产品相关数据进行预处理，获得理财产品的预测数据，第一获取单元801可以获取所述理财产品的预测数据。其中，客户数据可以包括基础数据、其他产品数据、行为数据、评价数据、营销数据和风险数据等，根据实际需要进行设置，本发明实施例不做限定。所述理财产品相关数据可以包括同一时期同业相关理财产品的数据和待预测理财产品的数据，根据实际需要进行设置，本发明实施例不做限定。所述预处理根据实际需要进行设置，本发明实施例不做限定。

在获得所述理财产品的预测数据之后，特征处理单元802可以对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据可以包括客户分类特征数据、客户销量特征数据和产品特征数据。其中，客户分类特征数据用于对客户进行分类，客户销量特征数据和产品特征数据用于进行客户购买量的预测。所述客户销量特征数据可以包括每个客户的销量特征数据。

在获得所述客户分类特征数据之后，分类单元803可以将所述客户分类数据输入到客户分类模型中，经过客户分类模型的处理，输出潜在客户群，所述潜在客户群是预测出的能够购买所述理财产品的客户的集合，包括多个潜在客户。其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述客户分类标签包括购买标签和不购买标签。所述潜在客户群中每个潜在客户对于购买标签。

在获得所述潜在客户群之后，对于所述潜在客户群中的每个潜在客户，购买量预测单元804可以从客户销量特征数据中获取每个潜在客户的销量特征数据，然后将每个潜在客户的销量特征数据和所述产品特征数据输入到销量预测模型中，经过所述销量预测模型的处理，输出每个潜在客户对所述理财产品的购买量。其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据及客户历史销售量训练获得的。

在获得所述潜在客户群中各个潜在客户对所述理财产品的购买量之后，销量预测单元805对各个潜在客户对所述理财产品的购买量求和，将求和的结果作为所述理财产品的预测销量，预测销量即可作为所述理财产品的发行数量。

本发明实施例提供的理财产品销量的预测装置，获取理财产品的预测数据，对预测数据进行特征处理，获得预测特征数据，根据客户分类特征数据和客户分类模型，获得潜在客户群，从客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对理财产品的购买量，根据潜在客户群中各个潜在客户对理财产品的购买量，获得理财产品的预测销量，通过客户分类模型预测出潜在客户，并通过销量预测模型预测出每个潜在客户的购买量，提高了对理财产品发行量预测的准确性。

在上述各实施例的基础上，进一步地所述客户分类模型包括第一数量个客户分类子模型，所述第一数量个客户分类子模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述第一数量为大于等于3的奇数；

具体地，所述客户分类模型包括第一数量个客户分类子模型，所述第一数量个客户分类子模型中的每个客户分类子模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述第一数量为大于等于3的奇数。所述客户分类标签包括购买标签和不购买标签，购买标签表示客户购买了相应的理财产品，不购买标签表示客户没有购买相应的理财产品。其中，所述理财产品分类训练数据可以从客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据中获得，根据实际需要进行设置，本发明实施例不做限定。

相应地，图9是本发明第九实施例提供的理财产品销量的预测装置的结构示意图，如图9所示，分类单元803包括分类子单元8031和判断子单元8032，其中：

分类子单元8031用于根据所述客户分类特征数据和所述第一数量个客户分类子模型，获得每个客户的第一数量个客户分类标签；判断子单元8032用于在判断获知所述客户的第一数量个客户分类标签中购买标签的数量大于不购买标签的数量之后，将所述客户作为潜在客户；其中，所述客户分类标签包括购买标签和不购买标签。

具体地，分类子单元8031将所述客户分类特征数据输入到所述第一数量个客户分类子模型的每个客户分类子模型中，分别输出每个客户在每个客户分类子模型下的客户分类标签，可以获得第一数量个客户分类标签。

在获得各个客户的第一数量的客户分类标签之后，判断子单元8032会统计所述客户的第一数量的客户分类标签中购买标签的数量和不购买标签的数量，如果购买标签的数量大于不购买标签的数量，那么将所述客户作为潜在客户；如果购买标签的数量小于不购买标签的数量，那么不会将所述客户作为潜在客户。对所有的客户都进行上述判断，将获得的所有的潜在客户组成潜在客户群。

图10是本发明第十实施例提供的理财产品销量的预测装置的结构示意图，如图10所述，在上述各实施例的基础上，进一步地，本发明实施例提供的理财产品销量的预测装置还包括第二获取单元806、第一获得单元807、第一划分单元808、第一训练单元809、第一验证单元810和第一选出单元811，其中：

第二获取单元806用于获取所述理财产品分类训练数据以及客户分类标签；第一获得单元807用于根据所述理财产品分类训练数据，获得分类训练特征数据；第一划分单元808用于将所述分类训练特征数据划分为第一训练集和第一验证集；第一训练单元809用于根据所述第一训练集、所述第一训练集对应的客户分类标签，以及第三数量个预设分类模型，训练获得所述第三数量个待定分类子模型；其中，所述第三数量大于等于所述第一数量；第一验证单元810用于根据所述第一验证集以及第一验证集对应的客户分类标签对所述第三数量个待定分类子模型进行验证，获得每个待定分类子模型的分类准确度；第一选出单元811用于根据每个待定分类子模型的分类准确度，从所述第三数量个待定分类子模型中选择出所述第一数量个客户分类子模型。

具体地，通过对客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据进行预处理，获得理财产品分类训练数据，第二获取单元806可以获取理财产品分类训练数据。所述客户数据中每个客户数据对应一个客户分类标签，当客户购买了上述某款理财产品时，对应的客户分类标签为购买标识，当客户没有购买上述某款理财产品时，对应的客户分类标签为不购买标签，第二获取单元806可以获得每个客户数据对应的客户分类标签。其中，某款理财产品和待预测理财产品为类型相同或者相近的理财产品。对客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据进行预处理的具体过程与对客户数据和理财产品相关数据进行预处理的具体过程类似，此处不进行赘述。

在获得所述理财产品的预测数据之后，第一获得单元807可以对所述理财产品分类训练数据进行特征处理，获得分类训练特征数据。

在获得所述分类训练特征数据之后，第一划分单元808可以将所述分类训练特征数据划分为第一训练集和第一验证集，所述第一训练集用于模型训练，所述第一验证集用于模型验证。

第一训练单元809根据第一训练集和所述第一训练集对应的客户分类标签，对每个预设分类模型进行模型训练，获得每个待定分类子模型。所述预设分类模型的数量有第三数量个，可以获得第三数量个待定分类子模型。其中，所述第三数量大于等于第一数量。所述第三数量根据实际需要进行设置，本发明实施例不做限定。所述预设分类模型包括但不限于K近邻分类算法模型、逻辑回归模型、支持向量机分类算法模型、决策树模型、神经网络模型等，根据实际需要进行设置，本发明实施例不做限定。可理解的是，对于每个预设分类模型在训练的过程中，可以进行超参数自动调优，直到获得使模型预测效果全局最优或者局部最优的参数为止，在超参数调优过程中，基于预设的参数取值范围和取值变化步长，来动态寻找使模型预测效果最优的超参数，使用的超参数搜索算法包括不局限于网格搜索、随机搜索等，根据实际需要进行设置，本发明实施例不做限定。

在获得所述第三数量个待定分类子模型之后，第一验证单元810将所述第一验证集输入到每个待定分类子模型中，输出每个待定分类子模型对应的预测分类标签。第一验证单元810可以对比所述待定分类子模型对应的预测分类标签中每个客户对应的预测分类标签和所述第一验证集对应的客户分类标签中每个客户对应的客户分类标签，统计其中预测分类标签与客户分类标签相同的数量，即预测正确的数量，计算预测正确的数量与所述第一验证集对应的客户分类标签中客户分类标签的总数的比值，获得所述待定分类子模型分类准确度。第一验证单元810可以获得所述第三数量个待定分类子模型的分类准确度。其中，所述预测分类标签包括购买标签和不购买标签。分类准确度越大，说明所述待定分类子模型的分类效果越好。

在获得所述第三数量个待定分类子模型的分类准确度之后，第一选出单元811可以对所述第三数量个待定分类子模型的分类准确度按照分类准确度的大小进行排序，如果所有相邻两个待定分类子模型的分类准确度的差值的绝对值小于第一预设值，说明所述第三数量个待定分类子模型的分类准确度差别不大，可以取所述第三数量中最大奇数个待定分类子模型作为所述第一数量个客户分类子模型，并且所述第一数量个客户分类子模型的分类准确度是所述第三数量个待定分类子模型的分类准确度中分类准确度最高的所述第一数量个。其中，所述第一预设值根据实际经验进行设置，本发明实施例不做限定。

如果所有相邻两个待定分类子模型的分类准确度的差值中，存在相邻两个待定分类子模型的分类准确度的差值的绝对值大于等于所述第一预设值，说明所述第三数量个待定分类子模型的分类准确度差别较大，可以取第一预设数量个分类准确度最大的待定分类子模型，作为所述第一数量个客户分类子模型，并且所述第一预设数量为大于等于3的奇数。

图11是本发明第十一实施例提供的理财产品销量的预测装置的结构示意图，如图11所示，在上述各实施例的基础上，进一步地，第一获得单元807包括第一获得子单元8071和第一选择子单元8072，其中：

第一获得子单元8071用于对所述理财产品分类训练数据进行特征构建，获得多类第一训练特征数据；第一选择子单元8072用于根据特征选择算法从所述多类第一训练特征数据中，选择出所述分类训练特征数据。

具体地，所在获得所述理财产品的预测数据之后，第一获得子单元8071可以对所述理财产品分类训练数据进行特征构建，获得多类第一训练特征数据。其中，所述多类第一训练特征数据可以包括基础特征、行为特征、评价特征、营销特征、风险特征、其他产品特征、第一产品特征和第二产品特征等，根据实际需要进行设置，本发明实施例不做限定。

在获得所述多类第一训练特征数据之后，第一选择子单元8072可以采用特征选择算法从所述多类第一训练特征数据中选出所述分类训练特征数据。其中，所述特征选择算法包括但不限于定向搜索、最优优先搜索、序列前向选择、序列后向选择、序列浮动选择等算法，根据实际情况进行设置，本发明实施例不做限定。通过特征选择算法从所述多类第一训练特征数据中选出分类训练特征数据，可以较好的实现对客户分的类。可理解的是分类训练特征数据至少包括来自于客户数据的特征数据。

图12是本发明第十二实施例提供的理财产品销量的预测装置的结构示意图，如图12所示，在上述各实施例的基础上，进一步地，购买量预测单元804包括预测子单元8041和第二获得子单元8042，其中：

预测子单元8041用于根据所述产品特征数据、每个潜在客户的销量特征数据以及所述第二数量的销量预测子模型，获得每个潜在客户的第二数量个预测购买量；第二获得子单元8042用于根据每个潜在客户的第二数量个预测购买量以及各个预测购买量对应的权重，获得每个潜在客户的对所述理财产品的购买量；其中，每个潜在客户的各个预测购买量对应的权重是预先获得的。

具体地，预测子单元8041将所述产品特征数据和每个潜在客户的销量特征数据输入到每个销量预测子模型，可以输出每个潜在客户在每个销量预测子模型下的预测购买量，所述销量预测子模型有第二数量个，那么所述服务器可以获得每个潜在客户的第二数量个预测购买量。

在获得每个潜在客户的第二数量个预测购买量之后，第二获得子单元8042根据每个潜在客户的第二数量个预测购买量以及各个预测购买量对应的权重，计算每个潜在客户的对所述理财产品的购买量。其中，每个潜在客户的各个预测购买量对应的权重是预先获得的，例如预先设定或者动态生成。

图13是本发明第十三实施例提供的理财产品销量的预测装置的结构示意图，如图13所示，在上述各实施例的基础上，进一步地，本发明实施例提供的理财产品销量的预测装置还包括第三获取单元812、第二获得单元813、第二划分单元814、第二训练单元815、第二验证单元816和第二选出单元817，其中：

第三获取单元812用于获取所述理财产品销量训练数据以及客户历史销售量；第二获得单元813用于根据所述理财产品销量训练数据，获得销量训练特征数据；第二划分单元814用于将所述销量训练特征数据划分为第二训练集和第二验证集；第二训练单元815用于根据所述第二训练集、所述第二训练集对应的客户历史销售量，以及第四数量个预设销量模型，训练获得第四数量个待定预测子模型；其中，所述第四数量大于等于所述第二数量；第二验证单元816用于根据所述第二验证集以及所述第二验证集对应的客户历史销售量对所述第四数量个待定预测子模型进行验证，获得每个待定预测子模型的R平方值；第二选出单元817用于根据每个待定预测子模型的R平方值，从所述第四数量个待定预测子模型中选择出第二数量个销量预测子模型。

具体地，通过对客户数据、某款理财产品历史销售数据以及同业同一时期某款理财产品相关产品数据进行预处理，获得理财产品分类训练数据，客户历史销售量可以通过某款理财产品历史销售数据获得，包括每个客户的对某款理财产品的购买量。第三获取单元812可以获取所述理财产品分类训练数据以及每个客户的历史销售量。

在获得所述理财产品销量训练数据之后，第二获得单元813可以对所述理财产品销量训练数据进行特征处理，获得销量训练特征数据。其中，所述销量训练特征数据包括基于某款理财产品历史销售数据获得的第一产品特征。

在获得所述销量训练特征数据之后，第二划分单元814可以将所述销量训练特征数据划分为第二训练集和第二验证集，所述第二训练集用于模型训练，所述第二验证集用于模型验证。

第二训练单元815根据第二训练集和所述第二训练集对应的客户历史销售量，对每个预设销量模型进行模型训练，获得每个待定预测子模型。所述待定预测子模型的数量有第四数量个，可以获得第四数量个待定预测子模型。其中，所述第四数量大于等于第二数量。所述第四数量根据实际需要进行设置，本发明实施例不做限定。所述预设销量模型包括但不限于支持向量机回归算法、K近邻回归算法、随机森林回归算法、GBDT回归算法、xgboost回归算法、长短期记忆网络算法等，根据实际需要进行设置，本发明实施例不做限定。可理解的是，对于每个预设销量模型在训练的过程中，可以进行超参数自动调优，直到获得使模型预测效果全局最优或者局部最优的参数为止，在超参数调优过程中，基于预设的参数取值范围和取值变化步长，来动态寻找使模型预测效果最优的超参数，使用的超参数搜索算法包括不局限于网格搜索、随机搜索等，根据实际需要进行设置，本发明实施例不做限定。

在获得所述第四数量个待定预测子模型之后，第二验证单元816将所述第二验证集输入到每个待定预测子模型中，输出每个待定预测子模型对应的预测销售量。第二验证单元816可以根据所述待定预测子模型对应的预测销售量中每个客户对应的预测销售量和所述第二验证集对应的客户历史销售量中每个客户对应的历史销售量，计算所述待定预测子模型的R平方(R-squared)值。第二验证单元816可以获得所述第四数量个待定预测子模型的R平方值。其中，R平方值越大，说明所述待定预测子模型的销量预测效果越好。

在获得所述第四数量个待定预测子模型的R平方值之后，第二选出单元817可以对所述第四数量个待定预测子模型的R平方值按照R平方值的大小进行排序，如果所有相邻两个待定预测子模型的R平方值的差值的绝对值小于第二预设值，说明所述第四数量个待定预测子模型的R平方值差别不大，可以取所述第四数量个待定预测子模型作为所述第二数量个销量预测子模型。其中，所述第二预设值根据实际经验进行设置，本发明实施例不做限定。

如果所有相邻两个待定预测子模型的R平方值的差值中，存在相邻两个待定预测子模型的R平方值的差值的绝对值大于等于所述第二预设值，说明所述第四数量个待定预测子模型的R平方值差别较大，可以取第二预设数量个R平方值最大的待定预测子模型，作为所述第二数量个销量预测子模型，并且所述第二预设数量为大于等于4。

图14是本发明第十四实施例提供的理财产品销量的预测装置的结构示意图，如图14所示，在上述各实施例的基础上，进一步地，第二获得单元813包括第三获得子单元8131和第二选择子单元8132，其中：

第三获得子单元8131用于对所述理财产品分类训练数据进行特征构建，获得多类第二训练特征数据；第二选择子单元8132用于根据特征选择算法从所述多类第二训练特征数据中，选择出所述销量训练特征数据。

具体地，在获得所述理财产品的预测数据之后，第三获得子单元8131可以对所述理财产品的预测数据进行特征构建，获得多类第二训练特征数据。其中，所述多类第二训练特征数据可以包括基础特征、行为特征、评价特征、营销特征、风险特征、其他产品特征、第一产品特征和第二产品特征等，根据实际需要进行设置，本发明实施例不做限定。

在获得所述多类第二训练特征数据之后，第二选择子单元8132可以采用特征选择算法从所述多类第二训练特征数据中选出销量训练特征数据。其中，所述特征选择算法包括但不限于定向搜索、最优优先搜索、序列前向选择、序列后向选择、序列浮动选择等算法，根据实际情况进行设置，本发明实施例不做限定。通过特征选择算法从所述多类第二训练特征数据中选出销量训练特征数据，可以更加准确的实现对潜在客户销量的预测。可理解的是销量训练特征数据至少包括来自于某款理财产品历史销售数据的第一产品特征。

本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图15是本发明第十五实施例提供的电子设备的实体结构示意图，如图15所示，该电子设备可以包括：处理器(processor)1501、通信接口(Communications Interface)1502、存储器(memory)1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。处理器1501可以调用存储器1503中的逻辑指令，以执行如下方法：获取理财产品的预测数据；对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

此外，上述的存储器1503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取理财产品的预测数据；对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取理财产品的预测数据；对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种理财产品销量的预测方法，其特征在于，包括：

获取理财产品的预测数据；

对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；

根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；

从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；

根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

2.根据权利要求1所述的方法，其特征在于，所述客户分类模型包括第一数量个客户分类子模型，所述第一数量个客户分类子模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述第一数量为大于等于3的奇数；

相应地，所述根据所述客户分类特征数据和客户分类模型，获得潜在客户群包括：

根据所述客户分类特征数据和所述第一数量个客户分类子模型，获得每个客户的第一数量个客户分类标签；

若判断获知所述客户的第一数量个客户分类标签中购买标签的数量大于不购买标签的数量，则将所述客户作为潜在客户；其中，所述客户分类标签包括购买标签和不购买标签。

3.根据权利要求2所述的方法，其特征在于，根据理财产品分类训练数据以及客户分类标签训练获得所述第一数量个客户分类子模型的步骤包括：

获取所述理财产品分类训练数据以及客户分类标签；

根据所述理财产品分类训练数据，获得分类训练特征数据；

将所述分类训练特征数据划分为第一训练集和第一验证集；

根据所述第一训练集、所述第一训练集对应的客户分类标签以及第三数量个预设分类模型，训练获得所述第三数量个待定分类子模型；其中，所述第三数量大于等于所述第一数量；

根据所述第一验证集以及第一验证集对应的客户分类标签对所述第三数量个待定分类子模型进行验证，获得每个待定分类子模型的分类准确度；

根据每个待定分类子模型的分类准确度，从所述第三数量个待定分类子模型中选择出所述第一数量个客户分类子模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述理财产品分类训练数据，获得分类训练特征数据包括：

对所述理财产品分类训练数据进行特征构建，获得多类第一训练特征数据；

根据特征选择算法从所述多类第一训练特征数据中，选择出所述分类训练特征数据。

5.根据权利要求1所述的方法，其特征在于，所述根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量包括：

根据所述产品特征数据、每个潜在客户的销量特征数据以及所述第二数量的销量预测子模型，获得每个潜在客户的第二数量个预测购买量；

根据每个潜在客户的第二数量个预测购买量以及各个预测购买量对应的权重，获得每个潜在客户的对所述理财产品的购买量；其中，每个潜在客户的各个预测购买量对应的权重是预先获得的。

6.根据权利要求1-5任一项所述的方法，其特征在于，根据理财产品销量训练数据训练所述第二数量的销量预测子模型的步骤包括：

获取所述理财产品销量训练数据以及客户历史销售量；

根据所述理财产品销量训练数据，获得销量训练特征数据；

将所述销量训练特征数据划分为第二训练集和第二验证集；

根据所述第二训练集、所述第二训练集对应的客户历史销售量以及第四数量个预设销量模型，训练获得第四数量个待定预测子模型；其中，所述第四数量大于等于所述第二数量；

根据所述第二验证集以及所述第二验证集对应的客户历史销售量对所述第四数量个待定预测子模型进行验证，获得每个待定预测子模型的R平方值；

根据每个待定预测子模型的R平方值，从所述第四数量个待定预测子模型中选择出第二数量个销量预测子模型。

7.根据权利要求6所述的方法，其特征在于，所述根据所述理财产品销量训练数据，获得销量训练特征数据包括：

对所述理财产品分类训练数据进行特征构建，获得多类第二训练特征数据；

根据特征选择算法从所述多类第二训练特征数据中，选择出所述销量训练特征数据。

8.一种理财产品销量的预测装置，其特征在于，包括：

第一获取单元，用于获取理财产品的预测数据；

特征处理单元，用于对所述预测数据进行特征处理，获得预测特征数据，所述预测特征数据包括客户分类特征数据、客户销量特征数据和产品特征数据；

分类单元，用于根据所述客户分类特征数据和客户分类模型，获得潜在客户群；其中，所述客户分类模型是根据理财产品分类训练数据以及客户分类标签训练获得的；

购买量预测单元，用于从所述客户销量特征数据中获得所述潜在客户群中每个潜在客户的销量特征数据，并根据所述产品特征数据、每个潜在客户的销量特征数据以及销量预测模型，获得每个潜在客户对所述理财产品的购买量；其中，所述销量预测模型包括第二数量的销量预测子模型，所述第二数量的销量预测子模型是根据理财产品销量训练数据以及客户历史销售量训练获得的；

销量预测单元，用于根据所述潜在客户群中各个潜在客户对所述理财产品的购买量，获得所述理财产品的预测销量。

9.根据权利要求8所述的装置，其特征在于，所述客户分类模型包括第一数量个客户分类子模型，所述第一数量个客户分类子模型是根据理财产品分类训练数据以及客户分类标签训练获得的，所述第一数量为大于等于3的奇数；

相应地，所述分类单元包括：

分类子单元，用于根据所述客户分类特征数据和所述第一数量个客户分类子模型，获得每个客户的第一数量个客户分类标签；

判断子单元，用于在判断获知所述客户的第一数量个客户分类标签中购买标签的数量大于不购买标签的数量之后，将所述客户作为潜在客户；其中，所述客户分类标签包括购买标签和不购买标签。

10.根据权利要求9所述的装置，其特征在于，还包括：

第二获取单元，用于获取所述理财产品分类训练数据以及客户分类标签；

第一获得单元，用于根据所述理财产品分类训练数据，获得分类训练特征数据；

第一划分单元，用于将所述分类训练特征数据划分为第一训练集和第一验证集；

第一训练单元，用于根据所述第一训练集、所述第一训练集对应的客户分类标签，以及第三数量个预设分类模型，训练获得所述第三数量个待定分类子模型；其中，所述第三数量大于等于所述第一数量；

第一验证单元，用于根据所述第一验证集以及第一验证集对应的客户分类标签对所述第三数量个待定分类子模型进行验证，获得每个待定分类子模型的分类准确度；

第一选出单元，用于根据每个待定分类子模型的分类准确度，从所述第三数量个待定分类子模型中选择出所述第一数量个客户分类子模型。

11.根据权利要求10所述的装置，其特征在于，所述第一获得单元包括：

第一获得子单元，用于对所述理财产品分类训练数据进行特征构建，获得多类第一训练特征数据；

第一选择子单元，用于根据特征选择算法从所述多类第一训练特征数据中，选择出所述分类训练特征数据。

12.根据权利要求8所述的装置，其特征在于，所述购买量预测单元包括：

预测子单元，用于根据所述产品特征数据、每个潜在客户的销量特征数据以及所述第二数量的销量预测子模型，获得每个潜在客户的第二数量个预测购买量；

第二获得子单元，用于根据每个潜在客户的第二数量个预测购买量以及各个预测购买量对应的权重，获得每个潜在客户的对所述理财产品的购买量；其中，每个潜在客户的各个预测购买量对应的权重是预先获得的。

13.根据权利要求8-12任一项所述的装置，其特征在于，还包括：

第三获取单元，用于获取所述理财产品销量训练数据以及客户历史销售量；

第二获得单元，用于根据所述理财产品销量训练数据，获得销量训练特征数据；

第二划分单元，用于将所述销量训练特征数据划分为第二训练集和第二验证集；

第二训练单元，用于根据所述第二训练集、所述第二训练集对应的客户历史销售量，以及第四数量个预设销量模型，训练获得第四数量个待定预测子模型；其中，所述第四数量大于等于所述第二数量；

第二验证单元，用于根据所述第二验证集以及所述第二验证集对应的客户历史销售量对所述第四数量个待定预测子模型进行验证，获得每个待定预测子模型的R平方值；

第二选出单元，用于根据每个待定预测子模型的R平方值，从所述第四数量个待定预测子模型中选择出第二数量个销量预测子模型。

14.根据权利要求13所述的装置，其特征在于，所述第二获得单元包括：

第三获得子单元，用于对所述理财产品分类训练数据进行特征构建，获得多类第二训练特征数据；

第二选择子单元，用于根据特征选择算法从所述多类第二训练特征数据中，选择出所述销量训练特征数据。

15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。

16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

Images