CN111882339A - 预测模型训练及响应率预测方法、装置、设备及存储介质 - Google Patents
预测模型训练及响应率预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111882339A CN111882339A CN201911324081.XA CN201911324081A CN111882339A CN 111882339 A CN111882339 A CN 111882339A CN 201911324081 A CN201911324081 A CN 201911324081A CN 111882339 A CN111882339 A CN 111882339A
- Authority
- CN
- China
- Prior art keywords
- user
- predicted
- prediction model
- model
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 147
- 230000004044 response Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测模型训练及响应率预测方法、装置、设备及存储介质，涉及数据处理技术领域，以解决无法准确的判断用户的响应率的问题。该预测模型训练方法包括：获取模型训练样本集；根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集；提取所述标注训练样本集中各样本的变量特征；基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。本发明实施例可准确的获得待预测用户的响应率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种预测模型训练及响应率预测方法、装置、设备及存储介质。
背景技术
在金融领域，运营活动中经常会考虑进行拉新活动，但是往往忽略了存量客户的挖掘以及存量客户的运营。研究发现，获得一个新客户的成本是维持一个老客户成本的5-10倍，而存量客户的再次光顾还会带来25-85％的利润，因此如何进行存量客户的运营实现公司利润增长成了每个金融公司的研究课题。
在对存量用户运营管理的过程中，一种方案是通过简单规则人为筛选出客户进行营销。在这种方案中，根据常用的活跃度指标如最近一次活跃距现在的时间、相邻两次活跃时间间隔等以及用户的价值如用户贷款金额、用户的利息收入等特征，根据活跃度以及价值等相关指标，制定相关筛选规则，选取活跃度较高或价值高的客户进行营销。另一种方案是通过客户画像的方式筛选出客户，例如可通过“基本属性”、“购买力属性”、“信用风险”、“客户行为属性”等构建用户画像***构建用户标签体系，根据用户的标签制定相应的营销等业务往来策略。
在营销活动中，响应率是个重要的指标。其中，响应率指的是某个客户对某个营销活动的响应程度，例如，是否响应营销活动，是否购买产品等。但是，上述两种方式都无法对用户的响应率做出准确的判断。
发明内容
本发明实施例提供一种预测模型训练及响应率预测方法、装置、设备及存储介质，以解决无法准确的判断用户的响应率的问题。
第一方面，本发明实施例提供了一种预测模型训练方法，包括：
获取模型训练样本集；
根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集；
提取所述标注训练样本集中各样本的变量特征；
基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。
第二方面，本发明实施例还提供一种响应率预测方法，包括：
获取待预测用户的业务处理信息；
将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率。
其中，所述预测模型是按照第一方面的预测模型训练方法获得的。
第三方面，本发明实施例还提供一种预测模型训练装置，包括：
第一获取模块，用于获取模型训练样本集；
标注模块，用于根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集；
特征提取模块，用于提取所述标注训练样本集中各样本的变量特征；
训练模块，用于基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。
第四方面，本发明实施例还提供一种响应率预测装置，包括：
第一获取模块，用于获取待预测用户的业务处理信息；
第二获取模块，用于将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率。
其中，所述预测模型是按照第一方面的预测模型训练方法获得的。
第五方面，本发明实施例还提供一种电子设备，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程序，所述处理器执行所述程序时实现如第一方面所述的方法中的步骤，或者实现如第二方面所述的方法中的步骤。
第六方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法中的步骤，或者实现如第二方面所述的方法中的步骤。
在本发明实施例中，将待预测用户的业务处理信息输入到预测模型中，从而得到待预测用户的响应率。由于该预测模型的构建将样本对营销等业务活动的响应信息以及样本的变量特征同时作为训练预测模型的依据，因此，利用本发明实施例的方案，可利用获得的预测模型准确的获得待预测用户的响应率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的预测模型训练方法的流程图；
图2是本发明实施例提供的响应率预测方法的流程图之一；
图3是本发明实施例提供的响应率预测方法的实现架构图之一；
图4是本发明实施例提供的响应率预测方法的流程图之二；
图5是本发明实施例提供的响应率预测方法的实现架构图之二；
图6是本发明实施例提供的预测模型训练装置的结构图；
图7是本发明实施例提供的响应率预测装置的结构图；
图8是本发明实施例提供的电子设备的结构图之一；
图9是本发明实施例提供的电子设备的结构图之二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的预测模型训练方法的流程图，如图1所示，包括以下步骤：
步骤101、获取模型训练样本集。
在本发明实施例中，所述模型训练样本集可包括不同类型的训练样本。模型训练样本集中的各样本是随机选取的。其中，每个用户的信息都可作为在此的训练样本。用户的信息例如可以包括用户的姓名，年龄，对营销活动的响应情况等等。
在本发明实施例中，为提高获得的预测模型的准确性，可将模型训练样本集分为两种：一种是第一模型训练样本集，另一种是第二模型训练样本集，其中，所述第一模型训练样本集中各样本的业务活跃度大于所述第二模型训练样本集中各样本的业务活跃度。各样本的业务活跃度可根据各样本的历史业务处理记录获得。
对于不同类型的模型训练样本，可分别训练不同的预测模型，但是训练预测模型的原理相同。
步骤102、根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集。
其中，该目标事件例如可以是任意的营销活动。对于模型训练样本集中的各样本，根据其对营销活动的响应信息对其进行标注，从而区分样本是响应样本或者未响应样本。例如，对响应样本将其标注为1，未响应样本将其标注为0。
步骤103、提取所述标注训练样本集中各样本的变量特征。
其中，以贷款业务为例，所述变量特征可以包括：基础特征，还款行为特征，提现行为特征，申请行为特征等。其中，基础特征可包括性别，年龄，学历等；还款行为特征可包括还款金额，频次等；提现行为特征可包括提现金额，提现频次等；申请行为特征可包括申请金额，申请产品等。
步骤104、基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。
其中，基于所述标注训练样本集和所述变量特征，利用XGBoost(ExtremeGradient Boosting，极端梯度提升)等进行模型训练，得到所述预测模型。
由于模型训练样本集包括第一模型训练样本集和第二模型训练样本集，那么，相应的，预测模型可包括第一预测模型和第二预测模型，所述第一预测模型是基于所述第一模型训练样本集获得的；所述第二预测模型是基于所述第二模型训练样本集获得的。
具体的，当模型训练样本集为第一模型训练样本集时，步骤102是对第一模型训练样本集的各样本进行标注；步骤103提取的标注后的第一模型训练样本集中的各样本的变量特征。那么，在步骤104中，基于标注后的第一训练样本集和对应的变量特征，利用机器学习网络进行模型训练，得到所述第一预测模型。当模型训练样本集为第二模型训练样本集时，步骤102是对第二模型训练样本集的各样本进行标注；步骤103提取的标注后的第二模型训练样本集中的各样本的变量特征。那么，在步骤104中，基于标注后的第二训练样本集和对应的变量特征，利用机器学习网络进行模型训练，得到所述第二预测模型。
在本发明实施例中，将待预测用户的业务处理信息输入到预测模型中，从而得到待预测用户的响应率。由于该预测模型的构建将样本对营销活动的响应信息以及样本的变量特征同时作为训练预测模型的依据，因此，利用本发明实施例的方案，可利用获得的预测模型准确的获得待预测用户的响应率。
在上述建模的过程中，还可包括：对所述变量特征进行变量处理，得到处理后的变量特征。那么，步骤103具体为，基于所述标注训练样本集和所述处理后的变量特征，利用机器学习网络进行模型训练，得到所述预测模型。
其中，所述变量处理可包括：变量类型的转换(如，字符型变量转成数值型变量)，缺失值填充(如，常用随机森林、回归模型填充)以及异常值的处理(如，剔除异常值或者是将异常值单独作为一类值)。
参见图2，图2是本发明实施例提供的响应率预测方法的流程图，如图2所示，包括以下步骤：
步骤201、获取待预测用户的业务处理信息。
其中，所述待预测用户的业务处理信息例如可以包括用户的年龄，姓名，业务处理记录等。
在本发明实施例中，为了准确的获得待预测用户的响应率，在步骤201之后，还可根据所述待预测用户的业务处理信息，确定所述待预测用户的用户属性，所述用户属性包括活跃用户和沉默用户。通常，根据待预测用户的业务处理信息，可分析其业务处理记录，从而获得其用户属性。其中，活跃用户指的是在某个时间段内进行业务处理的频率较高的用户；沉默用户则指的是在某个时间段内进行业务处理的频率较低的用户。在确定出不同的用户属性之后，可根据其不同的属性获取不同的预测模型，并预测其响应率。
步骤202、将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率。
其中，所述预测模型是按照前述实施例的预测模型训练方法训练得到的。
可选的，所述预测模型为第一预测模型，所述待预测用户的用户属性为活跃用户。在此步骤中，将所述待预测用户的业务处理信息作为所述第一预测模型的输入，运行所述第一预测模型，得到所述待预测用户的响应率。
在这种情况下，为便于后续进行相应的营销活动，还可根据所述待预测用户的响应率以及预设规则，确定所述待预测用户的业务往来策略。其中，该预设规则可根据需要设置。该业务往来策略例如可以包括营销策略等。
可选的，所述预测模型为第二预测模型，所述待预测用户的用户属性为沉默用户。在此步骤中，将所述待预测用户的业务处理信息作为所述第二预测模型的输入，运行所述第二预测模型，得到所述待预测用户的响应率。
在这种情况下，为便于后续进行相应的营销活动，根据所述待预测用户的响应率，确定所述待预测用户的业务往来策略。
在上述实施例的基础上，对于用户属性为沉默用户待预测用户，可能会根据为其提供的业务往来策略而做出响应，那么，相应的，可根据该用户的响应而重新确定其用户属性，为其提供准确的业务往来策略。
具体的，在所述待预测用户的用户属性为沉默用户的情况下，本发明实施例的方法还可包括：接收所述待预测用户的响应信息，其中，所述响应信息是所述待预测用户根据所述业务往来策略发送的。之后，根据所述响应信息，重新确定所述待预测用户的用户属性。例如，可直接将所述待预测用户的用户属性设置为活跃客户等，或者在获取该待预测用户在后续某个时间段内的业务处理频率之后，再重新确定其用户属性。其中，该时间段的长度可任意设置。
在本发明实施例中，将待预测用户的业务处理信息输入到预测模型中，从而得到待预测用户的响应率。由于该预测模型的构建将样本对营销活动的响应信息以及样本的变量特征同时作为训练预测模型的依据，因此，利用本发明实施例的方案，可利用获得的预测模型准确的获得待预测用户的响应率。
参见图3，图3是本发明实施例响应率预测方法的实现架构图。在本发明实施例中，将存量客户划分为活跃客户和沉默客户，对活跃客户和沉默客户分别构建响应率的预测模型，根据预测模型的预测结果制定相应的业务往来策略进行存量客户的运营管理。
在图3中，对于活跃客户，预测出响应率后，可根据响应率将其划分为不同的组，然后，针对每个组制定相应的业务往来策略，实现精细化营销。或者，还可根据预设的规则和响应率，筛选出高活跃或高价值客户进行营销活动。
对于沉默客户，预测出响应率后，可根据响应率将其划分为不同的组，然后，针对每个组制定相应的业务往来策略，实现精细化营销。同时，沉默用户也可转化为活跃客户。
在图3中，模型构建的过程可包括：样本选取、样本打标、变量构造、变量处理、模型算法、构造模型等过程。以下，结合图4所示的实施例详细描述各个过程。
参见图4，图4是本发明实施例的响应率预测方法的流程图，包括如下过程：
步骤401、将存量客户进行分类，分别为活跃客户和沉默客户。
步骤402、针对活跃客户和沉默客户分别构建预测模型。
其中，活跃客户和沉默客户的建模原理相同。以活跃客户的建模过程为例，活跃客户的建模过程可包括：
步骤4021、从活跃客户中随机选取部分样本作为建模样本。
步骤4022、将选取的样本根据营销活动的结果进行打标，响应客户标记为1，未响应客户为0。
步骤4023、提取变量特征，构造建模变量。
结合用户的基础信息以及用户的还款、提现、申请行为等相关特征构造建模变量。
其中，所述变量特征可包括：基础特征，还款行为特征，提现行为特征，申请行为特征等。其中，基础特征可包括性别，年龄，学历等；还款行为特征可包括还款金额，频次等；提现行为特征可包括提现金额，提现频次等；申请行为特征可包括申请金额，申请产品等。
步骤4024、变量处理。
例如将字符型的变量转换为数值型的变量；将性别、教育程度等变量编码，如性别男编码为1，性别女编码为0；缺失值填充、异常值替换等等。
步骤4025、利用XGBoost构建响应率的预测模型。
步骤403、利用预测模型进行预测。
模型构建好之后，将待处理的活跃客户的信息输入到活跃客户对应的预测模型中，获得响应率。根据模型预测的结果，对用户的响应率进行分组，可以针对不同的分组制定不同的业务往来策略，也可以将不同的分组结果和简单的规则结合起来制定不同的业务往来策略，实现用户的精准营销。
将待处理的沉默客户的信息输入到沉默客户对应的预测模型中，获得响应率。根据模型预测的结果，选出预测响应率较高的沉默客户进行相应的营销活动，使沉默客户尽可能的转化活跃客户，盘活存量客户，实现更多的收入。
响应率的值一般大于0且小于1，该值越大，则表示客户响应的概率越大。
在实际应用中，某金融公司为了盘活存量客户，能够实现更好的客户运营管理，将存量客户按客群划分为沉默客户和活跃客户并，分别对沉默客户和活跃客户构建响应率模型。之后，根据各模型预测的结果，制定相关的策略，使得活跃用户能够购买公司其他金融服务产品，部分沉默客户可以转化为活跃客户，尽可能最大化的挖掘存量客户的潜在价值。通过客群分层，利用响应率预测模型可以对沉默客户进行响应率预测，根据模型预测的结果对响应率高的沉默客户进行营销活动，可以促进沉默客户向活跃客户转化，对活跃客户通过规则和响应率模型预测结果的分组情况一起制定差异化的业务往来策略实现更精细化的营销，从好更好的实现客户的运营管理。
参见图5，在利用本发明实施例的响应率预测方法时，首先根据一定的业务逻辑将客群划分为沉默客户和活跃客户，分别对沉默客户和活跃客户构建响应率模型。
针对沉默客户构建响应率预测模型，对预测响应率较高的沉默客户进行营销活动，使沉默客户向活跃客户转化。针对活跃用户根据响应率模型预测的结果进行分组，根据每组的分组情况再结合相关规则，进行差异化的营销活动实现精细化的营销。
图5中，根据预测结果将客户分为三类(结果A、结果B和结果C)，并分别制定了相应的业务往来策略(活动A、活动B和活动C)，同时，在制定策略时还可结合预设规则等，比如对响应率大于某个预设值的客户分发优惠券等等。
本发明实施例还提供了一种预测模型训练装置。参见图6，图6是本发明实施例提供的预测模型训练装置的结构图。由于预测模型训练装置解决问题的原理与本发明实施例中预测模型训练方法相似，因此该预测模型训练装置的实施可以参见方法的实施，重复之处不再赘述。
如图6所示，预测模型训练装置600包括：第一获取模块601，用于获取模型训练样本集；标注模块602，用于根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集；特征提取模块603，用于提取所述标注训练样本集中各样本的变量特征；训练模块604，用于基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。
可选的，所述装置还可包括：处理模块，用于对所述变量特征进行变量处理，得到处理后的变量特征；所述训练模块604用于，基于所述标注训练样本集和所述处理后的变量特征，利用机器学习网络进行模型训练，得到所述预测模型。
可选的，所述模型训练样本集包括第一模型训练样本集或第二模型训练样本集，所述第一模型训练样本集中各样本的业务活跃度大于所述第二模型训练样本集中各样本的业务活跃度；所述预测模型包括第一预测模型或第二预测模型，所述第一预测模型是基于所述第一模型训练样本集获得的；所述第二预测模型是基于所述第二模型训练样本集获得的。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例还提供了一种响应率预测装置。参见图7，图7是本发明实施例提供的响应率预测装置的结构图。由于响应率预测装置解决问题的原理与本发明实施例中响应率预测方法相似，因此该响应率预测装置的实施可以参见方法的实施，重复之处不再赘述。
如图7所示，响应率预测装置700包括：第一获取模块701，用于获取待预测用户的业务处理信息；第二获取模块702，用于将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率；其中，所述预测模型是按照前述的预测模型训练方法获得的。
可选的，所述装置还可包括：第一确定模块，用于根据所述待预测用户的业务处理信息，确定所述待预测用户的用户属性，所述用户属性包括活跃用户和沉默用户。
可选的，所述预测模型为第一预测模型，所述待预测用户的用户属性为活跃用户；所述第二获取模块702，用于将所述待预测用户的业务处理信息作为所述第一预测模型的输入，运行所述第一预测模型，得到所述待预测用户的响应率。
可选的，所述装置还可包括：第二确定模块，用于根据所述待预测用户的响应率以及预设规则，确定所述待预测用户的业务往来策略。
可选的，所述预测模型为第二预测模型，所述待预测用户的用户属性为沉默用户；所述第二获取模块702，用于将所述待预测用户的业务处理信息作为所述第二预测模型的输入，运行所述第二预测模型，得到所述待预测用户的响应率。
可选的，所述装置还可包括：第三确定模块，用于根据所述待预测用户的响应率，确定所述待预测用户的业务往来策略。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
如图8所示，本发明实施例的电子设备，包括：处理器800，用于读取存储器820中的程序，执行下列过程：
获取模型训练样本集；
根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集；
提取所述标注训练样本集中各样本的变量特征；
基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。
收发机810，用于在处理器800的控制下接收和发送数据。
其中，在图8中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器800代表的一个或多个处理器和存储器820代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机810可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器800负责管理总线架构和通常的处理，存储器820可以存储处理器800在执行操作时所使用的数据。
处理器800负责管理总线架构和通常的处理，存储器820可以存储处理器800在执行操作时所使用的数据。
处理器800还用于读取所述程序，执行如下步骤：
对所述变量特征进行变量处理，得到处理后的变量特征；
基于所述标注训练样本集和所述处理后的变量特征，利用机器学习网络进行模型训练，得到所述预测模型。
其中，所述模型训练样本集包括第一模型训练样本集或第二模型训练样本集，所述第一模型训练样本集中各样本的业务活跃度大于所述第二模型训练样本集中各样本的业务活跃度；
所述预测模型包括第一预测模型或第二预测模型，所述第一预测模型是基于所述第一模型训练样本集获得的；所述第二预测模型是基于所述第二模型训练样本集获得的。
如图9所示，本发明实施例的电子设备，包括：处理器900，用于读取存储器920中的程序，执行下列过程：
获取待预测用户的业务处理信息；
将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率。
其中，所述预测模型是按照前述的预测模型训练方法获得的。
收发机910，用于在处理器900的控制下接收和发送数据。
其中，在图9中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器900代表的一个或多个处理器和存储器920代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机910可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器900负责管理总线架构和通常的处理，存储器920可以存储处理器900在执行操作时所使用的数据。
处理器900负责管理总线架构和通常的处理，存储器920可以存储处理器900在执行操作时所使用的数据。
处理器900还用于读取所述程序，执行如下步骤：
根据所述待预测用户的业务处理信息，确定所述待预测用户的用户属性，所述用户属性包括活跃用户和沉默用户。
处理器900还用于读取所述程序，执行如下步骤：
所述预测模型为第一预测模型，所述待预测用户的用户属性为活跃用户；将所述待预测用户的业务处理信息作为所述第一预测模型的输入，运行所述第一预测模型，得到所述待预测用户的响应率；或者
所述预测模型为第二预测模型，所述待预测用户的用户属性为沉默用户；将所述待预测用户的业务处理信息作为所述第二预测模型的输入，运行所述第二预测模型，得到所述待预测用户的响应率。
处理器900还用于读取所述程序，执行如下步骤：
在所述预测模型为第一预测模型、所述待预测用户的用户属性为活跃用户的情况下，根据所述待预测用户的响应率以及预设规则，确定所述待预测用户的业务往来策略；
在所述预测模型为第二预测模型、所述待预测用户的用户属性为沉默用户的情况下，根据所述待预测用户的响应率，确定所述待预测用户的业务往来策略。
处理器900还用于读取所述程序，执行如下步骤：
在所述待预测用户的用户属性为沉默用户的情况下，接收所述待预测用户的响应信息，其中，所述响应信息是所述待预测用户根据所述业务往来策略发送的；根据所述响应信息，重新确定所述待预测用户的用户属性。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质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预测模型训练方法或响应率预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。根据这样的理解，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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
Claims (13)
1.一种预测模型训练方法，其特征在于，包括：
获取模型训练样本集；
根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集；
提取所述标注训练样本集中各样本的变量特征；
基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。
2.根据权利要求1所述的方法，其特征在于：
在所述提取所述标注训练样本集中各样本的变量特征之后，所述方法还包括：
对所述变量特征进行变量处理，得到处理后的变量特征；
所述基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型，包括：
基于所述标注训练样本集和所述处理后的变量特征，利用机器学习网络进行模型训练，得到所述预测模型。
3.根据权利要求1或2所述的方法，其特征在于，所述模型训练样本集包括第一模型训练样本集或第二模型训练样本集，所述第一模型训练样本集中各样本的业务活跃度大于所述第二模型训练样本集中各样本的业务活跃度；
所述预测模型包括第一预测模型或第二预测模型，所述第一预测模型是基于所述第一模型训练样本集获得的；所述第二预测模型是基于所述第二模型训练样本集获得的。
4.一种响应率预测方法，其特征在于，包括：
获取待预测用户的业务处理信息；
将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率。
5.根据权利要求4所述的方法，其特征在于，所述预测模型是按照如权利要求1-3任意一项所述的预测模型训练方法获得的。
6.根据权利要求4所述的方法，其特征在于，在所述获取待预测用户的业务处理信息之后，所述方法还包括：
根据所述待预测用户的业务处理信息，确定所述待预测用户的用户属性，所述用户属性包括活跃用户和沉默用户。
7.根据权利要求6所述的方法，其特征在于：
所述预测模型为第一预测模型，所述待预测用户的用户属性为活跃用户；所述将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率，包括：
将所述待预测用户的业务处理信息作为所述第一预测模型的输入，运行所述第一预测模型，得到所述待预测用户的响应率；
或，所述预测模型为第二预测模型，所述待预测用户的用户属性为沉默用户；所述将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率，包括：
将所述待预测用户的业务处理信息作为所述第二预测模型的输入，运行所述第二预测模型，得到所述待预测用户的响应率。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
在所述预测模型为第一预测模型、所述待预测用户的用户属性为活跃用户的情况下，根据所述待预测用户的响应率以及预设规则，确定所述待预测用户的业务往来策略；
在所述预测模型为第二预测模型、所述待预测用户的用户属性为沉默用户的情况下，根据所述待预测用户的响应率，确定所述待预测用户的业务往来策略。
9.根据权利要求8所述的方法，其特征在于，在所述待预测用户的用户属性为沉默用户的情况下，所述方法还包括：
接收所述待预测用户的响应信息，其中，所述响应信息是所述待预测用户根据所述业务往来策略发送的；
根据所述响应信息，重新确定所述待预测用户的用户属性。
10.一种预测模型训练装置，其特征在于，包括：
第一获取模块，用于获取模型训练样本集；
标注模块，用于根据所述模型训练样本集中各样本对目标事件的响应信息，对所述各样本进行标注，得到标注训练样本集；
特征提取模块，用于提取所述标注训练样本集中各样本的变量特征；
训练模块，用于基于所述标注训练样本集和所述变量特征进行模型训练，得到所述预测模型。
11.一种响应率预测装置，其特征在于，包括：
第一获取模块，用于获取待预测用户的业务处理信息；
第二获取模块，用于将所述待预测用户的业务处理信息作为预测模型的输入，运行所述预测模型，得到所述待预测用户的响应率。
12.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，
所述处理器，用于读取存储器中的程序实现包括如权利要求1至3中任一项所述的预测模型训练方法中的步骤；或者实现包括如权利要求4至9中任一项所述的响应率预测方法中的步骤。
13.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现包括如权利要求1至3中任一项所述的预测模型训练方法中的步骤；或者实现包括如权利要求4至9中任一项所述的响应率预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911324081.XA CN111882339A (zh) | 2019-12-20 | 2019-12-20 | 预测模型训练及响应率预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911324081.XA CN111882339A (zh) | 2019-12-20 | 2019-12-20 | 预测模型训练及响应率预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111882339A true CN111882339A (zh) | 2020-11-03 |
Family
ID=73154267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911324081.XA Pending CN111882339A (zh) | 2019-12-20 | 2019-12-20 | 预测模型训练及响应率预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882339A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925920A (zh) * | 2022-05-25 | 2022-08-19 | 中国平安财产保险股份有限公司 | 离线位置预测方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001046896A1 (en) * | 1999-12-20 | 2001-06-28 | Cogit Corporation | Automatic marketing process |
| US20040204973A1 (en) * | 2003-04-14 | 2004-10-14 | Thomas Witting | Assigning customers to activities in marketing campaigns |
| CN106127566A (zh) * | 2016-06-20 | 2016-11-16 | 中国农业银行股份有限公司 | 一种数据管理方法及装置 |
| CN106971321A (zh) * | 2017-04-06 | 2017-07-21 | 百度在线网络技术（北京）有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
| CN109409576A (zh) * | 2018-09-27 | 2019-03-01 | 北京三快在线科技有限公司 | 一种预测成单司机数量的方法、装置、设备及存储介质 |
-
2019
- 2019-12-20 CN CN201911324081.XA patent/CN111882339A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001046896A1 (en) * | 1999-12-20 | 2001-06-28 | Cogit Corporation | Automatic marketing process |
| US20040204973A1 (en) * | 2003-04-14 | 2004-10-14 | Thomas Witting | Assigning customers to activities in marketing campaigns |
| CN106127566A (zh) * | 2016-06-20 | 2016-11-16 | 中国农业银行股份有限公司 | 一种数据管理方法及装置 |
| CN106971321A (zh) * | 2017-04-06 | 2017-07-21 | 百度在线网络技术（北京）有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
| CN109409576A (zh) * | 2018-09-27 | 2019-03-01 | 北京三快在线科技有限公司 | 一种预测成单司机数量的方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925920A (zh) * | 2022-05-25 | 2022-08-19 | 中国平安财产保险股份有限公司 | 离线位置预测方法、装置、电子设备及存储介质 |
| CN114925920B (zh) * | 2022-05-25 | 2024-05-03 | 中国平安财产保险股份有限公司 | 离线位置预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104781837B (zh) | 用于通过使用基于事件的情绪分析来形成预测的***和方法 | |
| CN110555469B (zh) | 处理交互序列数据的方法及装置 | |
| CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及*** | |
| CN105744005A (zh) | 客户定位分析方法及服务器 | |
| CN110704730A (zh) | 基于大数据的产品数据推送方法、***及计算机设备 | |
| CN110659318A (zh) | 基于大数据的策略推送方法、***及计算机设备 | |
| CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
| CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
| CN111756837A (zh) | 信息推送方法、装置、设备及计算机可读存储介质 | |
| CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
| CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| CN114943582A (zh) | 一种信息推荐方法、***及推荐服务器 | |
| CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
| CN111667307A (zh) | 一种理财产品销量的预测方法及装置 | |
| CN111476657A (zh) | 信息推送方法、装置及*** | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
| CN113407827A (zh) | 基于用户价值分类的信息推荐方法、装置、设备及介质 | |
| CN112200389A (zh) | 数据预测方法、装置、设备及存储介质 | |
| CN113065892A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
| CN112116253A (zh) | 一种中心网点选择的方法、装置和*** | |
| CN110852854A (zh) | 一种量化收益模型的生成方法和风险控制策略的评价方法 | |
| US11488408B2 (en) | Prediction device, prediction method, prediction program | |
| CN108628861B (zh) | 用于推送信息的方法和装置 | |
| CN116385175A (zh) | 金融产品的推荐方法、装置、处理器以及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |