CN113256328A - 预测目标客户的方法、装置、计算机设备及存储介质 - Google Patents
预测目标客户的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113256328A CN113256328A CN202110542622.7A CN202110542622A CN113256328A CN 113256328 A CN113256328 A CN 113256328A CN 202110542622 A CN202110542622 A CN 202110542622A CN 113256328 A CN113256328 A CN 113256328A
- Authority
- CN
- China
- Prior art keywords
- customer
- target
- client
- candidate target
- migration information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013508 migration Methods 0.000 claims abstract description 85
- 230000005012 migration Effects 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种预测目标客户的方法、装置、计算机设备及存储介质，该方法包括：确定业务对应的多个候选目标变量；基于每个所述候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息；根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量；基于所述目标变量进行预测模型训练，以根据训练好的所述预测模型进行目标客户预测，输出目标客户名单，提高了预测目标客户的准确度。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种预测目标客户的方法、装置、计算机设备及存储介质。
背景技术
目前，数据挖掘建模技术被应用到客户营销、风控等各个领域，在针对相应业务建模时，一般是由业务方主导目标变量的定义，然后交给建模人员进行模型的搭建，进而基于搭建的模型预测业务对应的目标客户。
然而，由于目标变量定义方式过于简单、建模人员的参与度不足等原因，会导致目标变量发生偏倚，不能很好地反映业务需求，从而致使搭建的模型精度不够高，预测业务的目标客户的准确度不高。
因此，如何提高预测目标客户的准确度成为亟待解决的问题。
发明内容
本申请实施例提供一种预测目标客户的方法、装置、计算机设备及存储介质，可以提高预测目标客户的准确度。
第一方面，本申请实施例提供了一种预测目标客户的方法，包括：
确定业务对应的多个候选目标变量；
基于每个所述候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息；
根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量；
基于所述目标变量进行预测模型训练，以根据训练好的所述预测模型进行目标客户预测，输出目标客户名单。
第二方面，本申请实施例还提供了一种预测目标客户的装置，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行上述的预测目标客户的方法。
第三方面，本申请实施例还提供了一种计算机设备，计算机设备包括如上述的预测目标客户的装置。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的预测目标客户的方法。
本申请实施例提供了一种预测目标客户的方法、装置、计算机设备及存储介质，通过确定业务对应的多个候选目标变量，基于每个候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息，根据每个候选目标变量对应的客户类型迁移信息，从多个候选目标变量中确定目标变量，该目标变量很好反映业务需求，然后基于确定的目标变量进行预测模型训练，以根据训练好的预测模型进行目标客户预测，输出目标客户名单，从而获得与业务契合度高的目标客户，因此，提高了预测目标客户的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的一种预测目标客户的方法的步骤示意流程图；
图2是本申请实施例提供的一种获取客户群在第一期限与第二期限内的客户类型迁移信息的步骤示意流程图；
图3是本申请实施例提供的一种从多个所述候选目标变量中确定目标变量的步骤示意流程图；
图4是本申请实施例提供的一种基于所述目标变量进行预测模型训练的步骤示意流程图；
图5是本申请实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本申请的实施例提供了一种预测目标客户的方法、装置、计算机设备及存储介质，用于实现提高预测目标客户的准确度。
请参阅图1，图1是本申请一实施例提供的预测目标客户的方法的流程示意图。其中，该预测目标客户的方法可以应用于预测目标客户的装置、计算机设备中，以实现提高预测目标客户的准确度。
如图1所示，该预测目标客户的方法具体包括步骤S101至步骤S104。
S101、确定业务对应的多个候选目标变量。
示例性的，首先可以通过建模人员与业务人员一起研讨，基于业务目标，确定业务的定义。例如，假设业务目标是找到目前是低消费的但是具有较高消费潜力的目标客户，这些目标客户在未来的消费潜力会释放出来，根据该业务目标，可设定考察客户的月均消费情况，当客户在观察期的月均消费低于预设阈值时，确定该客户属于低消费客户，将其作为样本数据。可以理解的是，该预设阈值可根据实际情况进行灵活设置，在此不做具体限制。同时，为了更准确地找到目标客户，平滑掉客户的信用额度或者是观察期的消费金额的影响，完成业务的定义。
在确定了业务的定义后，根据业务的定义，确定该业务对应的多个候选目标变量。
在一些实施例中，确定业务对应的多个候选目标变量可以包括：采用分数形式构建所述多个候选目标变量，其中，分子中的参量表征所述业务对应放大的第一类因子，分母中的参量表征业务对应平滑的第二类因子。
采用分数形式构建候选目标变量，候选目标变量是和业务的定义相互匹配的，分子中的参量表征业务对应放大的第一类因子，分母中的参量表征业务对应平滑的第二类因子。
仍以上述列举的目前低消费但是具有高消费潜力(简称低消高潜)目标客户为例，根据前面业务的定义，确定多个候选目标变量。例如，候选目标变量1、候选目标变量2、候选目标变量3如下：
候选目标变量1、(第二期限内的月均消费金额-第一期限内的月均消费金额)/第一期限内的月均消费金额；
候选目标变量2、(第二期限内的累计消费金额-第一期限内的累计消费金额)/第一期限内的累计消费金额；
候选目标变量3、(第二期限内的月均消费金额-第一期限内的月均消费金额)/客户的信用额度。
其中，第一期限为观察期，第二期限为表现期，第一期限先于第二期限。候选目标变量中，分子表示业务想要预测的目标客户消费潜力，分母表示业务中想要平滑的因子，如客户的信用额度。
采用分数形式构造候选目标变量的好处是，一方面可以用除的方式平滑掉一些可能影响客户表现的变量；另一方面，通过分数形式，可以用更复杂且具有业务含义的统计表现形式，找出真正需要的目标客户。
S102、基于每个所述候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息。
例如，仍以上述列举的低消高潜目标客户为例，响应客户表示在第二期限内消费潜力释放出来的客户，非响应客户表示在第二期限内消费潜力没有释放出来的客户。
示例性的，客户类型迁移信息包括响应客户群的迁移比例以及非响应客户群的迁移比例。
在一些实施例中，如图2所示，步骤S102可以包括子步骤S1021和子步骤S1022。
S1021、获取所述客户群在所述第一期限内的第一客户数据，以及获取所述客户群在所述第二期限内的第二客户数据，其中，所述第一期限先于所述第二期限。
例如，仍以上述列举的低消高潜目标客户为例，可以分别对客户群的消费金额和信用额度进行统计分析，获取客户群在第一期限内的第一客户数据，以及获取户群在第二期限内的第二客户数据。其中，第一客户数据和第二客户数据包括消费金额、信用额度等数据。
S1022、根据所述第一客户数据以及所述第二客户数据的差异变化，确定所述客户类型迁移信息。
也即，将第一客户数据与第二客户数据进行比较，通过第一客户数据与第二客户数据的差异变化，确定响应客户群的迁移比例、非响应客户群的迁移比例等客户类型迁移信息。
例如，若候选目标变量包括候选目标变量1和候选目标变量2，其中候选目标变量1：(第二期限内的月均消费金额-第一期限内的月均消费金额)/第一期限内的月均消费金额；候选目标变量2：(第二期限内的累计消费金额-第一期限内的累计消费金额)/第一期限内的累计消费金额。
在候选目标变量1下，响应客户在低消费段有80％迁移到了较高消费段，非响应客户有90％基本没有迁移或者迁移到了更低的消费段。也即，响应客户群的迁移比例为80％，非响应客户群的迁移比例为10％。
在候选目标变量2下，响应客户在低消费段有70％迁移到了较高消费段，非响应客户有60％基本不动，有30％迁移到了低消费段，有10％迁移到了高消费段。也即，响应客户群的迁移比例为70％，非响应客户群的迁移比例为10％。
S103、根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量。
在不同的候选目标变量下，对应不同的客户类型迁移信息，基于这些客户类型迁移信息，从多个候选目标变量中确定目标变量。
在一些实施例中，如图3所示，步骤S103可以包括子步骤S1031和子步骤S1032。
S1031、根据每个所述候选目标变量对应的所述客户类型迁移信息，确定与所述业务最匹配的客户类型迁移信息。
示例性的，根据每个所述候选目标变量对应的所述客户类型迁移信息，确定与所述业务最匹配的客户类型迁移信息可以包括：根据所述响应客户群的迁移比例以及所述非响应客户群的迁移比例，确定与所述业务最匹配的客户类型迁移信息。
其中，响应客户群的迁移比例越高，且所述非响应客户群的迁移比例越低，则与业务越匹配。
仍以上述列举的例子为例，候选目标变量1下对应的响应客户群的迁移比例为80％、非响应客户群的迁移比例为10％，候选目标变量2下对应的响应客户群的迁移比例为70％、非响应客户群的迁移比例为10％，两者一对比，候选目标变量1下对应的响应客户群的迁移比例高于候选目标变量2下对应的响应客户群的迁移比例，明显候选目标变量1与业务更匹配。
S1032、将最匹配的客户类型迁移信息对应的候选目标变量，确定为所述目标变量。
仍以上述列举的例子为例，候选目标变量1与业务更匹配，则将候选目标变量1确定为目标变量。
S104、基于所述目标变量进行预测模型训练，以根据训练好的所述预测模型进行目标客户预测，输出目标客户名单。
确定好目标变量后，基于该目标变量，进行预测模型训练。在一些实施例中，如图4所示，步骤S104可以包括子步骤S1041至子步骤S1043。
S1041、基于所述目标变量进行样本抽样，获得样本数据。
根据确定好的目标变量，进行样本抽样，获得相应的样本数据。示例性的，采用分层抽样的方式，根据确定好的目标变量进行分层抽样。
示例性的，抽完样后对比总体样本和抽样样本在消费金额、信用额度、城市线等多维度上的分布情况，若分布不一致则重新进行抽样，直至获得与总体样本分布一致的样本数据。
S1042、对所述样本数据进行数据处理，所述数据处理包括预处理、特征工程。
对抽样的样本对数据进行预处理，其中，预处理包括但不限于缺失值的填充、异常值的处理等。需要说明的是，缺失值的填充可以单独一类处理，或者以均值填充等；异常值的处理可以剔除或者分箱处理等。
之后，对预处理好的样本数据进行特征工程构建，包括但不限于特征衍生、特征筛选等处理。其中，特征衍生包括期间动态变量衍生、时点变量衍生、特征交叉、特征编码等；特征筛选包括iv筛选、相关性分析、特征重要性分析等等。
S1043、将处理后的所述样本数据输入所述预测模型，对所述预测模型进行训练。
样本数据经过预处理、特征工程等数据处理，获得处理后的样本数据后，将处理后的样本数据输入搭建的预测模型，对预测模型进行训练。
之后，即可根据训练好的预测模型进行目标客户预测，输出目标客户名单。根据目标客户名单，从而可以有针对性地进行业务的推荐。
上述实施例，在确定的目标变量下，好坏样本能得到较好的区分，训练好的预测模型精度高；并且，通过预测模型预测出来的目标客户和业务的契合度是较高的，目标客户是业务真正想要的客户，较好地反映了业务需求。
上述实施例通过确定业务对应的多个候选目标变量，基于每个候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息，根据每个候选目标变量对应的客户类型迁移信息，从多个候选目标变量中确定目标变量，然后基于所确定的目标变量进行预测模型训练，以根据训练好的预测模型进行目标客户预测，输出目标客户名单，因此，提高了预测目标客户的准确度。
请参阅图5，图5为本申请实施例提供的一种预测目标客户的装置的示意性框图。如图5所示，预测目标客户的装置500可以包括处理器510和存储器520。处理器510和存储器520通过总线连接，该总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器510可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器520可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：
确定业务对应的多个候选目标变量；
基于每个所述候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息；
根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量；
基于所述目标变量进行预测模型训练，以根据训练好的所述预测模型进行目标客户预测，输出目标客户名单。
在一些实施例中，所述处理器在实现所述确定业务对应的多个候选目标变量时，用于实现：
采用分数形式构建所述多个候选目标变量，其中，分子中的参量表征所述业务对应放大的第一类因子，分母中的参量表征所述业务对应平滑的第二类因子。
在一些实施例中，所述处理器在实现所述获取客户群在第一期限与第二期限内的客户类型迁移信息时，用于实现：
获取所述客户群在所述第一期限内的第一客户数据，以及获取所述客户群在所述第二期限内的第二客户数据，其中，所述第一期限先于所述第二期限；
根据所述第一客户数据以及所述第二客户数据的差异变化，确定所述客户类型迁移信息。
在一些实施例中，所述处理器在实现所述根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量时，用于实现：
根据每个所述候选目标变量对应的所述客户类型迁移信息，确定与所述业务最匹配的客户类型迁移信息；
将最匹配的客户类型迁移信息对应的候选目标变量，确定为所述目标变量。
在一些实施例中，所述客户类型迁移信息包括响应客户群的迁移比例以及非响应客户群的迁移比例，所述处理器在实现所述根据每个所述候选目标变量对应的所述客户类型迁移信息，确定与所述业务最匹配的客户类型迁移信息时，用于实现：
根据所述响应客户群的迁移比例以及所述非响应客户群的迁移比例，确定与所述业务最匹配的客户类型迁移信息。
在一些实施例中，所述响应客户群的迁移比例越高，且所述非响应客户群的迁移比例越低，则与所述业务越匹配。
在一些实施例中，所述处理器在实现所述基于所述目标变量进行预测模型训练时，用于实现：
基于所述目标变量进行样本抽样，获得样本数据；
对所述样本数据进行数据处理，所述数据处理包括预处理、特征工程；
将处理后的所述样本数据输入所述预测模型，对所述预测模型进行训练。
上述实施例通过确定业务对应的多个候选目标变量，基于每个候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息，根据每个候选目标变量对应的客户类型迁移信息，从多个候选目标变量中确定目标变量，然后基于所确定的目标变量进行预测模型训练，以根据训练好的预测模型进行目标客户预测，输出目标客户名单，因此，提高了预测目标客户的准确度。
本申请的实施例中还提供一种计算机设备，该计算机设备包括上述实施例中的预测目标客户的装置500。计算机设备通过确定业务对应的多个候选目标变量，基于每个候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息，根据每个候选目标变量对应的客户类型迁移信息，从多个候选目标变量中确定目标变量，然后基于所确定的目标变量进行预测模型训练，以根据训练好的预测模型进行目标客户预测，输出目标客户名单。具体操作可参考本申请实施例提供的预测目标客户的方法的步骤，在此不再赘述。
由于该计算机设备可以执行本申请实施例所提供的任一种预测目标客户的方法，因此，可以实现本申请实施例所提供的任一种预测目标客户的方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
本申请的实施例中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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的预测目标客户的方法的步骤。例如，该计算机程序被处理器加载，可以执行如下步骤：
确定业务对应的多个候选目标变量；
基于每个所述候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息；
根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量；
基于所述目标变量进行预测模型训练，以根据训练好的所述预测模型进行目标客户预测，输出目标客户名单。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，计算机可读存储介质可以是前述实施例的预测目标客户的装置或计算机设备的内部存储单元，例如预测目标客户的装置或计算机设备的硬盘或内存。计算机可读存储介质也可以是预测目标客户的装置或计算机设备的外部存储设备，例如预测目标客户的装置或计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
由于该计算机可读存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种预测目标客户的方法，因此，可以实现本申请实施例所提供的任一种预测目标客户的方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
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***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***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***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅是本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种预测目标客户的方法，其特征在于，包括：
确定业务对应的多个候选目标变量；
基于每个所述候选目标变量，获取客户群在第一期限与第二期限内的客户类型迁移信息；
根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量；
基于所述目标变量进行预测模型训练，以根据训练好的所述预测模型进行目标客户预测，输出目标客户名单。
2.根据权利要求1所述的方法，其特征在于，所述确定业务对应的多个候选目标变量，包括：
采用分数形式构建所述多个候选目标变量，其中，分子中的参量表征所述业务对应放大的第一类因子，分母中的参量表征所述业务对应平滑的第二类因子。
3.根据权利要求1所述的方法，其特征在于，所述获取客户群在第一期限与第二期限内的客户类型迁移信息，包括：
获取所述客户群在所述第一期限内的第一客户数据，以及获取所述客户群在所述第二期限内的第二客户数据，其中，所述第一期限先于所述第二期限；
根据所述第一客户数据以及所述第二客户数据的差异变化，确定所述客户类型迁移信息。
4.根据权利要求1所述的方法，其特征在于，所述根据每个所述候选目标变量对应的所述客户类型迁移信息，从多个所述候选目标变量中确定目标变量，包括：
根据每个所述候选目标变量对应的所述客户类型迁移信息，确定与所述业务最匹配的客户类型迁移信息；
将最匹配的客户类型迁移信息对应的候选目标变量，确定为所述目标变量。
5.根据权利要求4所述的方法，其特征在于，所述客户类型迁移信息包括响应客户群的迁移比例以及非响应客户群的迁移比例，所述根据每个所述候选目标变量对应的所述客户类型迁移信息，确定与所述业务最匹配的客户类型迁移信息，包括：
根据所述响应客户群的迁移比例以及所述非响应客户群的迁移比例，确定与所述业务最匹配的客户类型迁移信息。
6.根据权利要求5所述的方法，其特征在于，所述响应客户群的迁移比例越高，且所述非响应客户群的迁移比例越低，则与所述业务越匹配。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述基于所述目标变量进行预测模型训练，包括：
基于所述目标变量进行样本抽样，获得样本数据；
对所述样本数据进行数据处理，所述数据处理包括预处理、特征工程；
将处理后的所述样本数据输入所述预测模型，对所述预测模型进行训练。
8.一种预测目标客户的装置，其特征在于，所述预测目标客户的装置包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7中任一项所述的预测目标客户的方法。
9.一种计算机设备，其特征在于，所述计算机设备包括如权利要求8所述的预测目标客户的装置。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的预测目标客户的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110542622.7A CN113256328B (zh) | 2021-05-18 | 2021-05-18 | 预测目标客户的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110542622.7A CN113256328B (zh) | 2021-05-18 | 2021-05-18 | 预测目标客户的方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256328A true CN113256328A (zh) | 2021-08-13 |
| CN113256328B CN113256328B (zh) | 2024-02-23 |
Family
ID=77182653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110542622.7A Active CN113256328B (zh) | 2021-05-18 | 2021-05-18 | 预测目标客户的方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256328B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070156673A1 (en) * | 2005-12-30 | 2007-07-05 | Accenture S.P.A. | Churn prediction and management system |
| AU2006252163A1 (en) * | 2005-12-30 | 2007-07-19 | Accenture Global Services Limited | Statistical modeling methods for determining customer distribution by churn probability within a customer population |
| EP1811445A1 (en) * | 2005-12-30 | 2007-07-25 | Accenture Global Services GmbH | Churn prediction and management system |
| CN103150696A (zh) * | 2011-12-06 | 2013-06-12 | 中兴通讯股份有限公司 | 选择目标增值业务潜在客户的方法及装置 |
| CN106875270A (zh) * | 2017-01-19 | 2017-06-20 | 上海冰鉴信息科技有限公司 | 一种构建及验证信用评分方程的方法和***设计 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| WO2019080424A1 (zh) * | 2017-10-26 | 2019-05-02 | 平安科技（深圳）有限公司 | 客户迁徙方法、***、计算机设备及存储介质 |
| CN109815980A (zh) * | 2018-12-18 | 2019-05-28 | 北京三快在线科技有限公司 | 用户类型的预测方法、装置、电子设备及可读存储介质 |
| CN110070391A (zh) * | 2019-04-17 | 2019-07-30 | 同盾控股有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
| CN110084627A (zh) * | 2018-01-23 | 2019-08-02 | 北京京东金融科技控股有限公司 | 预测目标变量的方法和装置 |
| CN110765253A (zh) * | 2019-10-22 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 客服场景下用户问句的回复方法、装置及设备 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技（深圳）有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
| CN111311338A (zh) * | 2020-03-30 | 2020-06-19 | 网易（杭州）网络有限公司 | 用户价值的预测方法以及用户价值预测模型的训练方法 |
| CN111612165A (zh) * | 2019-02-22 | 2020-09-01 | 埃森哲环球解决方案有限公司 | 预测分析平台 |
| CN111652661A (zh) * | 2020-08-04 | 2020-09-11 | 索信达(北京)数据技术有限公司 | 一种手机客户端用户流失预警处理方法 |
| CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
| CN112036960A (zh) * | 2020-09-11 | 2020-12-04 | 杭州米雅信息科技有限公司 | 数据获取方法、装置、设备及介质 |
| CN112561568A (zh) * | 2020-12-04 | 2021-03-26 | 中国农业银行股份有限公司深圳市分行 | 一种目标客户预测方法、装置及存储介质 |
| CN112598500A (zh) * | 2020-12-21 | 2021-04-02 | 中国建设银行股份有限公司 | 一种无额度客户的授信处理方法及*** |
| CN112669073A (zh) * | 2020-12-31 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户留存预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-18 CN CN202110542622.7A patent/CN113256328B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070156673A1 (en) * | 2005-12-30 | 2007-07-05 | Accenture S.P.A. | Churn prediction and management system |
| AU2006252163A1 (en) * | 2005-12-30 | 2007-07-19 | Accenture Global Services Limited | Statistical modeling methods for determining customer distribution by churn probability within a customer population |
| EP1811445A1 (en) * | 2005-12-30 | 2007-07-25 | Accenture Global Services GmbH | Churn prediction and management system |
| CN103150696A (zh) * | 2011-12-06 | 2013-06-12 | 中兴通讯股份有限公司 | 选择目标增值业务潜在客户的方法及装置 |
| CN106875270A (zh) * | 2017-01-19 | 2017-06-20 | 上海冰鉴信息科技有限公司 | 一种构建及验证信用评分方程的方法和***设计 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| WO2019080424A1 (zh) * | 2017-10-26 | 2019-05-02 | 平安科技（深圳）有限公司 | 客户迁徙方法、***、计算机设备及存储介质 |
| CN110084627A (zh) * | 2018-01-23 | 2019-08-02 | 北京京东金融科技控股有限公司 | 预测目标变量的方法和装置 |
| WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技（深圳）有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
| CN109815980A (zh) * | 2018-12-18 | 2019-05-28 | 北京三快在线科技有限公司 | 用户类型的预测方法、装置、电子设备及可读存储介质 |
| CN111612165A (zh) * | 2019-02-22 | 2020-09-01 | 埃森哲环球解决方案有限公司 | 预测分析平台 |
| CN110070391A (zh) * | 2019-04-17 | 2019-07-30 | 同盾控股有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
| CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
| CN110765253A (zh) * | 2019-10-22 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 客服场景下用户问句的回复方法、装置及设备 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN111311338A (zh) * | 2020-03-30 | 2020-06-19 | 网易（杭州）网络有限公司 | 用户价值的预测方法以及用户价值预测模型的训练方法 |
| CN111652661A (zh) * | 2020-08-04 | 2020-09-11 | 索信达(北京)数据技术有限公司 | 一种手机客户端用户流失预警处理方法 |
| CN112036960A (zh) * | 2020-09-11 | 2020-12-04 | 杭州米雅信息科技有限公司 | 数据获取方法、装置、设备及介质 |
| CN112561568A (zh) * | 2020-12-04 | 2021-03-26 | 中国农业银行股份有限公司深圳市分行 | 一种目标客户预测方法、装置及存储介质 |
| CN112598500A (zh) * | 2020-12-21 | 2021-04-02 | 中国建设银行股份有限公司 | 一种无额度客户的授信处理方法及*** |
| CN112669073A (zh) * | 2020-12-31 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户留存预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| SHEIRAZI F等: "A big data analytics model for customer curn prediction in the retiree segment", INTERNATIONAL JOURNAL OF INFORMATION MANAGEMENT, pages 1 - 8 * |
| 吴斌;应力;: "基于Logistics回归算法的证券客户流失预测模型及应用", 金融电子化, no. 07, pages 66 - 68 * |
| 张晓滨;高峰;黄慧;: "基于客户细分的客户流失预测研究", 计算机工程与设计, no. 24, pages 201 - 204 * |
| 薛素静 等: "数据挖掘技术在电信客户流失预警***中的研究", 网络与通信, vol. 30, no. 21, pages 49 - 52 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113256328B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109388675B (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
| CN106339510B (zh) | 基于人工智能的点击预估方法及装置 | |
| CN107040397B (zh) | 一种业务参数获取方法及装置 | |
| CN110443657B (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
| CN108665293B (zh) | 特征重要性获取方法及装置 | |
| CN111105786B (zh) | 一种多采样率语音识别方法、装置、***及存储介质 | |
| CN113986674A (zh) | 时序数据的异常检测方法、装置和电子设备 | |
| CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
| CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
| CN112949907A (zh) | 一种工程造价的定额匹配方法、装置、设备及存储介质 | |
| CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
| CN107391257B (zh) | 业务所需内存容量的预估方法、装置及服务器 | |
| CN117421491A (zh) | 社交媒体账号运行数据的量化方法、装置及电子设备 | |
| CN110796381B (zh) | 风控模型的建模方法、装置、终端设备及介质 | |
| US20230419195A1 (en) | System and Method for Hierarchical Factor-based Forecasting | |
| CN111950623A (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
| CN110910241A (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
| CN113256328B (zh) | 预测目标客户的方法、装置、计算机设备及存储介质 | |
| CN116385081A (zh) | 一种推荐物品的方法、装置、设备及存储介质 | |
| CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
| CN112734072A (zh) | 电力负荷预测方法、***、终端设备及介质 | |
| CN116795978A (zh) | 一种投诉信息处理方法、装置、电子设备及介质 | |
| CN111368864A (zh) | 识别方法、可用性评估方法及装置、电子设备、存储介质 | |
| CN115409104A (zh) | 用于识别对象类型的方法、装置、设备、介质和程序产品 | |
| CN112906723B (zh) | 一种特征选择的方法和装置 |
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 |