CN112907305B - 基于大数据分析的客户全周期管理*** - Google Patents

基于大数据分析的客户全周期管理*** Download PDF

Info

Publication number
CN112907305B
CN112907305B CN202110396676.7A CN202110396676A CN112907305B CN 112907305 B CN112907305 B CN 112907305B CN 202110396676 A CN202110396676 A CN 202110396676A CN 112907305 B CN112907305 B CN 112907305B
Authority
CN
China
Prior art keywords
customer
event
module
client
product
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.)
Active
Application number
CN202110396676.7A
Other languages
English (en)
Other versions
CN112907305A (zh
Inventor
李兴双
程中
***
张�浩
周晶
胡逸伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank Of Changsha Co ltd
Original Assignee
Bank Of Changsha Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank Of Changsha Co ltd filed Critical Bank Of Changsha Co ltd
Priority to CN202110396676.7A priority Critical patent/CN112907305B/zh
Publication of CN112907305A publication Critical patent/CN112907305A/zh
Application granted granted Critical
Publication of CN112907305B publication Critical patent/CN112907305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于大数据分析的客户全周期管理***，涉及客户管理技术领域，解决了现有方案不能充分利用客户资源，导致不能实现精准服务的技术问题；本发明设置了产品信息模块，该设置用于获取产品信息，保证了产品信息的准确性和全面性，能够为客户提供详细参考，同时为事件决策模块提供数据支持；本发明设置了客户画像模块，该设置通过交易行为数据实现客户画像的精准刻画，保证了客户画像的精度，同时为事件决策模块提供数据支持；本发明设置了事件决策模块，该设置通过产品信息、客户画像、客户标签和误差逆向传播神经网络模型的结合获取活动事件参数，不仅保证了活动事件参数的精准性和合理性，而且有助于活动事件参数的顺利执行。

Description

基于大数据分析的客户全周期管理***
技术领域
本发明属于客户管理***领域，涉及大数据技术，具体是基于大数据分析的客户全周期管理***。
背景技术
当前对客户关系进行管理时，客户资源冗杂，当客户资源分配至某个营销人员且无法产生客户订单时，客户资源无法对其他营销人员公开，导致客户资源的浪费，影响客户营销时的公平化竞争；目前大多数客户管理***，仅仅具备客户的信息资料查询管理功能，功能简陋，操作复杂，智能化程度低。
公开号为CN111754242A的发明专利提供了一种基于云平台的客户管理***，包括管理客户端和云端平台，所述管理客户端通过无线通讯终端与云端平台相连接，所述管理客户端的内部设置有注册登录模块、开拓客户模块和服务客户模块，注册登录模块用于进行管理客户端的工作人员进行注册登记。
上述方案通过设置智能优化推荐模块、筛选功能单元和客户开拓推荐单元灯，达到了方便工作人员使用、维护、开拓客户的效果；当时，上述方案对客户资源的管理过于简单，且客户资源不能被充分利用；因此，上述方案仍需进一步改进。
发明内容
为了解决上述方案存在的问题，本发明提供了基于大数据分析的客户全周期管理***。
本发明的目的可以通过以下技术方案实现：基于大数据分析的客户全周期管理***，包括处理器、数据中心模块、产品信息模块、客户画像模块、事件决策模块、事件执行模块、事件反馈模块和数据存储模块；
所述数据中心模块通过信息交互渠道获取和存储客户的交易行为数据，并将交易行为数据分别发送至客户画像模块和数据存储模块；
所述客户画像模块根据客户的交易行为数据获取客户画像，并生成客户标签，同时将客户画像和客户标签发送至事件决策模块；
所述事件决策模块根据产品信息、客户画像和客户标签生成活动事件参数，包括：
通过数据存储模块获取活动事件历史参数；所述活动事件历史参数包括活动事件参数及对应的产品信息、客户画像和客户标签，且活动时间历史参数为已经完成的活动事件参数记录；
通过主成分分析法对活动事件历史参数进行主成分分析获取若干组事件参数分析序列；
为活动事件参数中的活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容依次设置编号，将编号依次组合生成活动事件参数序列，根据活动事件参数序列和对应的事件参数分析序列建立参数训练集；
建立误差逆向传播神经网络模型；所述误差逆向传播神经网络模型至少包括一层隐含层；
将参数训练集按照设定比例划分为训练集、测试集和校验集；
通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为事件参数预测模型；
将事件决策模块接收到的产品信息、客户画像和客户标签标记为输入数据；
将输入数据输入至事件参数预测模型中获取预测的活动事件参数并标注为标准事件参数；
将标准事件参数分别发送至事件执行模块和数据存储模块。
优选的，所述事件执行模块用于执行标准事件参数并生成反馈结果，所述反馈结果包括执行状态和执行时间；所述事件反馈模块根据反馈结果进行整合生成客户的交易行为数据。
优选的，若干组所述事件参数分析序列包括关键因子、关键权重和对应的活动事件参数，且所述关键因子和关键权重一一对应，所述关键权重均大于等于权重阈值，权重阈值大于0.5，所述关键因子通过主成分分析法从产品信息、客户画像和客户标签中获取。
优选的，所述产品信息模块用于编辑产品信息；所述产品信息包括产品名称、产品种类、产品收益、产品周期、产品风险、产品额度和产品交易渠道。
优选的，所述活动事件参数包括活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容；所述执行渠道包括手机银行、网上银行、网点柜台、电话、短信和微信。
优选的，所述客户画像包括客户产品偏好、客户渠道偏好、客户风险偏好、客户营销响应、客户经济实力和客户兴趣偏好；所述客户标签包括产品期限、客户生日、客户账龄和客户等级。
优选的，所述客户等级的获取具体包括以下步骤：
获取客户在设定周期内的业务办理次数并标记为SYC；所述设定周期包括一个月、三个月、六个月和十二个月；
获取客户的贷款逾期次数，并将贷款逾期次数标记为DYC；通过客户的预留身份证图像提取用户的居住地址，并计算居住住址与营业厅的距离，并标记为JL；
当客户的业务办理次数SYC满足SYC<L1时，则不对客户进行信誉评估，当SYC≥L1时，则对客户进行信誉评估，通过公式
Figure BDA0003018831050000041
Figure BDA0003018831050000042
获取客户的信誉评估系数YXPX；其中L1为业务办理次数阈值，L1为大于0的整数，α1和α2为比例系数，且α1和α2均为大于0的实数；
当信誉评估系数YXPX大于等于信誉评估系数阈值时，则判定对应的客户为目标客户；所述信誉评估系数阈值通过大量数据模拟获取；
将筛选出的目标客户整合获取目标客户库；
通过数据存储模块获取等级划分模型；
获取目标客户库中目标客户对应的交易行为数据并标记为输入数据；
将输入数据输入至等级划分模型中获取输出结果，将输出结果经过数据反归一化之后标记为客户等级。
优选的，所述等级划分模型的获取具体包括以下步骤：
通过数据存储模块获取原始客户库；所述原始客户库中包括原始客户的客户等级和交易行为数据，其中原始客户是指已经设置了客户等级的客户；所述客户等级大于等于1且小于等于20的整数；
通过处理器将原始客户库中的交易行为数据和对应的客户等级按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2:1:1、3:1:1和4:3:1；
构建融合模型；所述融合模型通过支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型，所述融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；
将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验，将训练完成的融合模型标记为等级划分模型；
通过处理器将等级划分模型发送至数据存储模块进行存储。
优选的，所述信息交互渠道包括***、柜面***、ATM***、微信银行和网上银行；所述交易行为数据包括交易的产品名称、产品类型、交易时间、交易额度、产品周期、产品风险、交易渠道和客户信息，所述客户信息包括客户姓名、客户生日、客户账龄，所述交易渠道包括ATM***、微信银行、网上银行和柜面***。
优选的，所述处理器分别与数据中心模块、产品信息模块、客户画像模块、事件决策模块、事件执行模块、事件反馈模块和数据存储模块通信连接；所述数据中心模块分别与产品信息模块和客户画像模块通信连接，所述事件反馈模块分别与数据存储模块和事件执行模块通信连接，所述事件决策模块分别与事件执行模块和客户画像模块通信连接。
与现有技术相比，本发明的有益效果是：
1、本发明设置了产品信息模块，该设置用于编辑产品信息；产品信息模块用于编辑产品名称、产品种类、产品收益、产品周期、产品风险、产品额度和产品交易渠道以生成完整的产品信息，保证了产品信息的准确性和全面性，能够为客户提供详细参考，同时为事件决策模块提供数据支持；
2、本发明设置了客户画像模块，该设置根据客户的交易行为数据获取客户画像，并生成客户标签；客户画像模块通过交易行为数据实现客户画像的精准刻画，保证了客户画像的精度，同时为事件决策模块提供数据支持；
3、本发明设置了事件决策模块，该设置根据产品信息、客户画像和客户标签生成活动事件参数；事件决策模块通过产品信息、客户画像、客户标签和误差逆向传播神经网络模型的结合获取活动事件参数，整个过程自动完成，不仅保证了活动事件参数的精准性和合理性，而且有助于活动事件参数的顺利执行。
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。
图1为本发明的原理示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，基于大数据分析的客户全周期管理***，包括处理器、数据中心模块、产品信息模块、客户画像模块、事件决策模块、事件执行模块、事件反馈模块和数据存储模块；
数据中心模块通过信息交互渠道获取和存储客户的交易行为数据，并将交易行为数据分别发送至客户画像模块和数据存储模块；
客户画像模块根据客户的交易行为数据获取客户画像，并生成客户标签，同时将客户画像和客户标签发送至事件决策模块；
事件决策模块根据产品信息、客户画像和客户标签生成活动事件参数，包括：
通过数据存储模块获取活动事件历史参数；活动事件历史参数包括活动事件参数及对应的产品信息、客户画像和客户标签，且活动时间历史参数为已经完成的活动事件参数记录；
通过主成分分析法对活动事件历史参数进行主成分分析获取若干组事件参数分析序列；
为活动事件参数中的活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容依次设置编号，将编号依次组合生成活动事件参数序列，根据活动事件参数序列和对应的事件参数分析序列建立参数训练集；
建立误差逆向传播神经网络模型；误差逆向传播神经网络模型至少包括一层隐含层；
将参数训练集按照设定比例划分为训练集、测试集和校验集；
通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为事件参数预测模型；
将事件决策模块接收到的产品信息、客户画像和客户标签标记为输入数据；
将输入数据输入至事件参数预测模型中获取预测的活动事件参数并标注为标准事件参数；
将标准事件参数分别发送至事件执行模块和数据存储模块。
进一步地，事件执行模块用于执行标准事件参数并生成反馈结果，反馈结果包括执行状态和执行时间；事件反馈模块根据反馈结果进行整合生成客户的交易行为数据。
进一步地，若干组事件参数分析序列包括关键因子、关键权重和对应的活动事件参数，且关键因子和关键权重一一对应，关键权重均大于等于权重阈值，权重阈值大于0.5，关键因子通过主成分分析法从产品信息、客户画像和客户标签中获取。
进一步地，产品信息模块用于编辑产品信息；产品信息包括产品名称、产品种类、产品收益、产品周期、产品风险、产品额度和产品交易渠道。
进一步地，活动事件参数包括活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容；执行渠道包括手机银行、网上银行、网点柜台、电话、短信和微信。
进一步地，客户画像包括客户产品偏好、客户渠道偏好、客户风险偏好、客户营销响应、客户经济实力和客户兴趣偏好；客户标签包括产品期限、客户生日、客户账龄和客户等级。
进一步地，客户等级的获取具体包括以下步骤：
获取客户在设定周期内的业务办理次数并标记为SYC；设定周期包括一个月、三个月、六个月和十二个月；
获取客户的贷款逾期次数，并将贷款逾期次数标记为DYC；通过客户的预留身份证图像提取用户的居住地址，并计算居住住址与营业厅的距离，并标记为JL；
当客户的业务办理次数SYC满足SYC<L1时，则不对客户进行信誉评估，当SYC≥L1时，则对客户进行信誉评估，通过公式
Figure BDA0003018831050000081
Figure BDA0003018831050000091
获取客户的信誉评估系数YXPX；其中L1为业务办理次数阈值，L1为大于0的整数，α1和α2为比例系数，且α1和α2均为大于0的实数；
当信誉评估系数YXPX大于等于信誉评估系数阈值时，则判定对应的客户为目标客户；信誉评估系数阈值通过大量数据模拟获取；
将筛选出的目标客户整合获取目标客户库；
通过数据存储模块获取等级划分模型；
获取目标客户库中目标客户对应的交易行为数据并标记为输入数据；
将输入数据输入至等级划分模型中获取输出结果，将输出结果经过数据反归一化之后标记为客户等级。
进一步地，等级划分模型的获取具体包括以下步骤：
通过数据存储模块获取原始客户库；原始客户库中包括原始客户的客户等级和交易行为数据，其中原始客户是指已经设置了客户等级的客户；客户等级大于等于1且小于等于20的整数；
通过处理器将原始客户库中的交易行为数据和对应的客户等级按照设定比例划分为训练集、测试集和校验集；设定比例包括2:1:1、3:1:1和4:3:1；
构建融合模型；融合模型通过支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型，融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；
将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验，将训练完成的融合模型标记为等级划分模型；
通过处理器将等级划分模型发送至数据存储模块进行存储。
进一步地，信息交互渠道包括***、柜面***、ATM***、微信银行和网上银行；交易行为数据包括交易的产品名称、产品类型、交易时间、交易额度、产品周期、产品风险、交易渠道和客户信息，客户信息包括客户姓名、客户生日、客户账龄，交易渠道包括ATM***、微信银行、网上银行和柜面***。
进一步地，处理器分别与数据中心模块、产品信息模块、客户画像模块、事件决策模块、事件执行模块、事件反馈模块和数据存储模块通信连接；数据中心模块分别与产品信息模块和客户画像模块通信连接，事件反馈模块分别与数据存储模块和事件执行模块通信连接，事件决策模块分别与事件执行模块和客户画像模块通信连接。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
数据中心模块通过信息交互渠道获取和存储客户的交易行为数据，并将交易行为数据分别发送至客户画像模块和数据存储模块；
客户画像模块根据客户的交易行为数据获取客户画像，并生成客户标签，同时将客户画像和客户标签发送至事件决策模块；
获取客户在设定周期内的业务办理次数并标记为SYC；获取客户的贷款逾期次数，并将贷款逾期次数标记为DYC；通过客户的预留身份证图像提取用户的居住地址，并计算居住住址与营业厅的距离，并标记为JL；当客户的业务办理次数SYC满足SYC<L1时，则不对客户进行信誉评估，当SYC≥L1时，则对客户进行信誉评估，获取客户的信誉评估系数YXPX；当信誉评估系数YXPX大于等于信誉评估系数阈值时，则判定对应的客户为目标客户；将筛选出的目标客户整合获取目标客户库；通过数据存储模块获取等级划分模型；获取目标客户库中目标客户对应的交易行为数据并标记为输入数据；将输入数据输入至等级划分模型中获取输出结果，将输出结果经过数据反归一化之后标记为客户等级；
通过数据存储模块获取活动事件历史参数；通过主成分分析法对活动事件历史参数进行主成分分析获取若干组事件参数分析序列；为活动事件参数中的活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容依次设置编号，将编号依次组合生成活动事件参数序列，根据活动事件参数序列和对应的事件参数分析序列建立参数训练集；建立误差逆向传播神经网络模型；误差逆向传播神经网络模型至少包括一层隐含层；将参数训练集按照设定比例划分为训练集、测试集和校验集；通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为事件参数预测模型；将事件决策模块接收到的产品信息、客户画像和客户标签标记为输入数据；将输入数据输入至事件参数预测模型中获取预测的活动事件参数并标注为标准事件参数；将标准事件参数分别发送至事件执行模块和数据存储模块。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.基于大数据分析的客户全周期管理***，其特征在于，包括处理器、数据中心模块、产品信息模块、客户画像模块、事件决策模块、事件执行模块、事件反馈模块和数据存储模块；
所述数据中心模块通过信息交互渠道获取和存储客户的交易行为数据，并将交易行为数据分别发送至客户画像模块和数据存储模块；
所述客户画像模块根据客户的交易行为数据获取客户画像，并生成客户标签，同时将客户画像和客户标签发送至事件决策模块；
所述事件决策模块根据产品信息、客户画像和客户标签生成活动事件参数，包括：
通过数据存储模块获取活动事件历史参数；所述活动事件历史参数包括活动事件参数及对应的产品信息、客户画像和客户标签，且活动时间历史参数为已经完成的活动事件参数记录；
通过主成分分析法对活动事件历史参数进行主成分分析获取若干组事件参数分析序列；若干组所述事件参数分析序列包括关键因子、关键权重和对应的活动事件参数，且所述关键因子和关键权重一一对应，所述关键权重均大于等于权重阈值，权重阈值大于0.5，所述关键因子通过主成分分析法从产品信息、客户画像和客户标签中获取；
为活动事件参数中的活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容依次设置编号，将编号依次组合生成活动事件参数序列，根据活动事件参数序列和对应的事件参数分析序列建立参数训练集；
建立误差逆向传播神经网络模型；所述误差逆向传播神经网络模型至少包括一层隐含层；
将参数训练集按照设定比例划分为训练集、测试集和校验集；
通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为事件参数预测模型；
将事件决策模块接收到的产品信息、客户画像和客户标签标记为输入数据；所述产品信息包括产品名称、产品种类、产品收益、产品周期、产品风险、产品额度和产品交易渠道；所述客户画像包括客户产品偏好、客户渠道偏好、客户风险偏好、客户营销响应、客户经济实力和客户兴趣偏好；所述客户标签包括产品期限、客户生日、客户账龄和客户等级；
将输入数据输入至事件参数预测模型中获取预测的活动事件参数并标注为标准事件参数；所述活动事件参数包括活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容；
将标准事件参数分别发送至事件执行模块和数据存储模块。
2.根据权利要求1所述的基于大数据分析的客户全周期管理***，其特征在于，所述事件执行模块用于执行标准事件参数并生成反馈结果，所述反馈结果包括执行状态和执行时间；所述事件反馈模块根据反馈结果进行整合生成客户的交易行为数据。
3.根据权利要求1所述的基于大数据分析的客户全周期管理***，其特征在于，所述产品信息模块用于编辑产品信息；所述产品信息包括产品名称、产品种类、产品收益、产品周期、产品风险、产品额度和产品交易渠道。
4.根据权利要求1所述的基于大数据分析的客户全周期管理***，其特征在于，所述活动事件参数包括活动事件的执行人、活动事件的执行对象、活动事件的执行时间、活动事件的执行渠道和活动事件的执行内容；所述执行渠道包括手机银行、网上银行、网点柜台、电话、短信和微信。
5.根据权利要求1所述的基于大数据分析的客户全周期管理***，其特征在于，获取客户在设定周期内的业务办理次数并标记为SYC；所述设定周期包括一个月、三个月、六个月和十二个月；
获取客户的贷款逾期次数，并将贷款逾期次数标记为DYC；通过客户的预留身份证图像提取用户的居住地址，并计算居住住址与营业厅的距离，并标记为JL；
当客户的业务办理次数SYC满足SYC<L1时，则不对客户进行信誉评估，当SYC≥L1时，则对客户进行信誉评估，通过公式
Figure FDA0003236191340000031
Figure FDA0003236191340000032
获取客户的信誉评估系数YXPX；其中L1为业务办理次数阈值，L1为大于0的整数，α1和α2为比例系数，且α1和α2均为大于0的实数；
当信誉评估系数YXPX大于等于信誉评估系数阈值时，则判定对应的客户为目标客户；所述信誉评估系数阈值通过大量数据模拟获取；
将筛选出的目标客户整合获取目标客户库；
通过数据存储模块获取等级划分模型；
获取目标客户库中目标客户对应的交易行为数据并标记为输入数据；
将输入数据输入至等级划分模型中获取输出结果，将输出结果经过数据反归一化之后标记为客户等级。
6.根据权利要求5所述的基于大数据分析的客户全周期管理***，其特征在于，所述等级划分模型的获取具体包括以下步骤：
通过数据存储模块获取原始客户库；所述原始客户库中包括原始客户的客户等级和交易行为数据，其中原始客户是指已经设置了客户等级的客户；所述客户等级大于等于1且小于等于20的整数；
通过处理器将原始客户库中的交易行为数据和对应的客户等级按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2:1:1、3:1:1和4:3:1；
构建融合模型；所述融合模型通过支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型，所述融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；
将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验，将训练完成的融合模型标记为等级划分模型；
通过处理器将等级划分模型发送至数据存储模块进行存储。
7.根据权利要求1所述的基于大数据分析的客户全周期管理***，其特征在于，所述信息交互渠道包括***、柜面***、ATM***、微信银行和网上银行；所述交易行为数据包括交易的产品名称、产品类型、交易时间、交易额度、产品周期、产品风险、交易渠道和客户信息，所述客户信息包括客户姓名、客户生日、客户账龄，所述交易渠道包括ATM***、微信银行、网上银行和柜面***。
CN202110396676.7A 2021-04-13 2021-04-13 基于大数据分析的客户全周期管理*** Active CN112907305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110396676.7A CN112907305B (zh) 2021-04-13 2021-04-13 基于大数据分析的客户全周期管理***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110396676.7A CN112907305B (zh) 2021-04-13 2021-04-13 基于大数据分析的客户全周期管理***

Publications (2)

Publication Number Publication Date
CN112907305A CN112907305A (zh) 2021-06-04
CN112907305B true CN112907305B (zh) 2021-11-23

Family

ID=76110610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110396676.7A Active CN112907305B (zh) 2021-04-13 2021-04-13 基于大数据分析的客户全周期管理***

Country Status (1)

Country Link
CN (1) CN112907305B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379529A (zh) * 2021-06-07 2021-09-10 广发银行股份有限公司 一种协同决策引擎应用框架
CN113556318B (zh) * 2021-06-07 2023-07-07 广西叫酒网络科技有限公司 基于云安全的电子商务验证方法
CN113246421B (zh) * 2021-07-07 2021-10-08 广州中和互联网技术有限公司 一种基于大数据的注塑工业数据处理***及方法
CN113822715B (zh) * 2021-09-23 2022-04-08 安徽数据堂科技有限公司 一种数据采集训练处理一体化平台分析方法
CN115487589B (zh) * 2022-11-08 2023-03-24 湖南富海环保科技有限公司 一种水厂滤池自动过滤控制管理***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009432A (zh) * 2019-04-15 2019-07-12 武汉理工大学 一种个人消费行为预测方法
CN110555714A (zh) * 2018-06-04 2019-12-10 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN112464094A (zh) * 2020-11-30 2021-03-09 泰康保险集团股份有限公司 信息推荐方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170316438A1 (en) * 2016-04-29 2017-11-02 Genesys Telecommunications Laboratories, Inc. Customer experience analytics

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555714A (zh) * 2018-06-04 2019-12-10 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN110009432A (zh) * 2019-04-15 2019-07-12 武汉理工大学 一种个人消费行为预测方法
CN112464094A (zh) * 2020-11-30 2021-03-09 泰康保险集团股份有限公司 信息推荐方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于价值的客户序位评价应用研究;刘承水 等;《管理科学》;20051220;全文 *

Also Published As

Publication number Publication date
CN112907305A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112907305B (zh) 基于大数据分析的客户全周期管理***
CN110417721A (zh) 安全风险评估方法、装置、设备及计算机可读存储介质
CN110111198A (zh) 用户金融风险预估方法、装置、电子设备及可读介质
CN107808346A (zh) 一种潜在目标对象的评估方法及评估装置
CN115619270A (zh) 数据资产管理方法、装置、计算机设备、存储介质
Onar et al. A fuzzy rule based inference system for early debt collection
CN109492863A (zh) 金融单证的自动生成方法及装置
CN110163683B (zh) 价值用户关键指标确定方法、广告投放方法及装置
CN107977855B (zh) 一种管理用户信息的方法及装置
ali Khan et al. An evaluation of requirement prioritization techniques with ANP
Keeney Modeling values for telecommunications management
CN112381440A (zh) 电力营商环境的评价方法、装置、处理器和评价***
Morrar et al. Obstacles of innovation and innovation capabilities in knowledge intensive business service sector in Palestine
CN111882113A (zh) 一种企业手机银行用户的预测方法和装置
Sardana Measuring business performance: A conceptual framework with focus on improvement
CN107844874A (zh) 企业营运问题分析***及其方法
CN116645134A (zh) 一种***分期的推荐方法、装置、设备及介质
CN110706122A (zh) 基于大数据分析提升社保代理效率方法、设备及可读介质
Suliman et al. CSR maturity model for smart city assessment
CN110263249A (zh) 一种基于多目标优化算法和用户上网信息的电信精准营销方法及***
CN114565450A (zh) 一种基于逾期共债的催收策略确定方法及相关设备
CN114626940A (zh) 数据分析方法、装置及电子设备
Otoiu et al. Analysing Labour-Based Estimates of Automation and Their Implications. A Comparative Approach from an Economic Competitiveness Perspective.
Dan et al. An incident prioritization algorithm based on BDIM
CN115994766B (zh) 一种自动定位目标人群的外呼***

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
GR01 Patent grant
GR01 Patent grant