CN113723710B - 一种客户流失预测方法、***、存储介质及电子设备 - Google Patents
一种客户流失预测方法、***、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113723710B CN113723710B CN202111068135.8A CN202111068135A CN113723710B CN 113723710 B CN113723710 B CN 113723710B CN 202111068135 A CN202111068135 A CN 202111068135A CN 113723710 B CN113723710 B CN 113723710B
- Authority
- CN
- China
- Prior art keywords
- client
- customer
- predicted
- function value
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims description 220
- 230000006399 behavior Effects 0.000 claims description 89
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/01—Customer relationship services
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种客户流失预测方法、***、存储介质及电子设备,可应用于人工智能领域或金融领域。其中,方法包括:确定待预测客户的第一函数值和第二函数值;选取一个待预测客户作为第一目标客户,判断待预测客户集合中是否存在第二目标客户,第二目标客户的第一函数值大于第一目标客户的第一函数值且第二目标客户的第二函数值大于第一目标客户的第二函数值;若存在第二目标客户,则判断是否存在第三目标客户,第三目标客户的第一函数值小于第一目标客户的第一函数值且第一目标客户的第二函数值小于第一目标客户的第二函数值;若不存在第三目标客户,则确定第一目标客户为第一潜在流失客户。本发明能够提高客户流失预测的准确度。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种客户流失预测方法、***、存储介质及电子设备。
背景技术
随着市场竞争日益激烈,相比发展新客户花费的成本来说,维护老客户花费的成本会大大减小。因此,维护与老客户的关系避免客户流失对企业而言具有非常重要的意义。目前,企业对于客户流失预测往往依据实际业务人员的经验分析流失客户的特点从而得出预测结果,容易因业务人员缺乏足够业务知识以及业务人员主观判断导致确定的潜在流失客户不准确。
发明内容
本发明实施例的目的在于提供一种客户流失预测方法、***、存储介质及电子设备,以提高客户流失预测的准确度。具体技术方案如下:
本发明提供了一种客户流失预测方法,包括:
获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据;所述客户行为数据包括第一行为数据和第二行为数据;所述第一行为数据反映客户的活跃程度,所述第二行为数据反映客户的满意程度;
根据所述第一行为数据的特征类型确定第一目标函数,根据所述第二行为数据的特征类型确定第二目标函数;
确定每一所述待预测客户的第一函数值和第二函数值;所述第一函数值是将所述第一行为数据输入所述第一目标函数中得到的;所述第二函数值是将所述第二行为数据输入所述第二目标函数中得到的;
从所述待预测客户集合中选取一个待预测客户作为第一目标客户,判断所述待预测客户集合中是否存在第二目标客户,所述第二目标客户的第一函数值大于所述第一目标客户的第一函数值且所述第二目标客户的第二函数值大于所述第一目标客户的第二函数值;
若存在所述第二目标客户,则判断所述待预测客户集合中是否存在第三目标客户,所述第三目标客户的第一函数值小于所述第一目标客户的第一函数值且所述第一目标客户的第二函数值小于所述第一目标客户的第二函数值;
若不存在所述第三目标客户,则确定所述第一目标客户为第一潜在流失客户。
可选地,在从所述待预测客户集合中选取一个待预测客户作为第一目标客户之后,所述方法还包括:
确定所述待预测客户集合中待预测客户的第一函数值的最大值和最小值,得到最大第一函数值和最小第一函数值;确定所述待预测客户集合中待预测客户的第二函数值的最大值和最小值,得到最大第二函数值和最小第二函数值;
在所述第一目标客户的第一函数值为最大第一函数值且所述第一目标客户的第二函数值为最小第二函数值时,或者在所述第一目标客户的第一函数值为最小第一函数值且所述第一目标客户的第二函数值为最大第二函数值时,确定所述第一目标客户为第一潜在流失客户。
可选地,还包括:
若不存在所述第二目标客户或者存在所述第三目标客户,则将所述第一目标客户存入第一目标客户集合;所述第一目标客户集合中的客户不包括所述第一潜在流失客户;
从所述第一目标客户集合中选取一个第一目标客户作为第四目标客户,判断所述待预测客户集合中是否存在第五目标客户,所述第五目标客户的第一函数值小于所述第四目标客户的第一函数值且所述第五目标客户的第二函数值小于所述第四目标客户的第二函数值;
若存在所述第五目标客户,则确定所述第五目标客户的个数,若所述第五目标客户的个数为1,则确定所述第四目标客户为第二潜在流失客户;所述第二潜在流失客户的客户流失概率小于所述第一潜在流失客户的客户流失概率。
可选地,在所述确定所述第四目标客户为第二潜在流失客户之后,所述方法还包括:
将所述待预测客户集合中的第一目标客户和第四目标客户删除,将剩余的待预测客户作为第六目标客户,所述第六目标客户的客户流失概率小于所述第二潜在流失客户的客户流失概率。
可选地,在获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据之后,所述方法还包括:
判断所述待预测客户集合中的待预测客户的特征类型是否相同;
若不相同,则将待预测客户的特征类型进行统一化处理。
可选地,在获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据之后,所述方法还包括:
判断所述待预测客户集合中的待预测客户的特征类型对应的客户行为数据是否异常;
若异常,则将异常的客户行为数据用预设数据代替。
可选地,在获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据之后,所述方法还包括:
对所述客户行为数据进行归一化处理,得到归一化后的客户行为数据。
本发明还提供一种客户流失预测***,包括:
客户数据获取模块,用于获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据;所述客户行为数据包括第一行为数据和第二行为数据;所述第一行为数据反映客户的活跃程度,所述第二行为数据反映客户的满意程度;
目标函数确定模块,用于根据所述第一行为数据的特征类型确定第一目标函数,根据所述第二行为数据的特征类型确定第二目标函数;
函数值确定模块,用于确定每一所述待预测客户的第一函数值和第二函数值;所述第一函数值是将所述第一行为数据输入所述第一目标函数中得到的;所述第二函数值是将所述第二行为数据输入所述第二目标函数中得到的;
第一判断模块,用于从所述待预测客户集合中选取一个待预测客户作为第一目标客户,判断所述待预测客户集合中是否存在第二目标客户,所述第二目标客户的第一函数值大于所述第一目标客户的第一函数值且所述第二目标客户的第二函数值大于所述第一目标客户的第二函数值;
第二判断模块,用于在存在所述第二目标客户时,判断所述待预测客户集合中是否存在第三目标客户,所述第三目标客户的第一函数值小于所述第一目标客户的第一函数值且所述第一目标客户的第二函数值小于所述第一目标客户的第二函数值;
第一客户流失预测模块,用于在不存在所述第三目标客户时,确定所述第一目标客户为第一潜在流失客户。
本发明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有程序,所述程序被处理器执行时实现上述的客户流失预测方法。
本发明还提供一种电子设备,包括:
至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;
所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行上述的客户流失预测方法。
本发明实施例提供的一种客户流失预测方法、***、存储介质及电子设备,根据第一行为数据的特征类型确定第一目标函数,根据第二行为数据的特征类型确定第二目标函数;由于第一行为数据反映客户的活跃程度,第二行为数据反映客户的满意程度;将第一行为数据输入第一目标函数中得到第一函数值;将第二行为数据输入第二目标函数中得到第二函数值;通过第一函数值能够反映客户的活跃程度,通过第二函数值能够反映客户的满意程度,利用第一函数值和第二函数值能够确定客户是否存在流失的可能,从而实现客户流失预测,并能够提高客户流失预测的准确度。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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为本发明实施例提供的客户流失预测方法流程图;
图2为本发明实施例提供的预测客户函数值关系示意图;
图3为本发明实施例提供的客户流失预测***结构图;
图4为本发明实施例提供的一种电子设备的结构示意图。
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他实施例,都属于本发明保护的范围。
本发明提供一种客户流失预测方法,如图1所示,该方法包括:
步骤101:获取待预测客户集合以及待预测客户集合中每一待预测客户的客户行为数据。客户行为数据包括第一行为数据和第二行为数据;第一行为数据反映客户的活跃程度,第二行为数据反映客户的满意程度。
在进行客户流失预测时,待预测客户集合中的待预测客户可选为银行客户。收集银行客户行为数据时,第一行为数据反映客户的活跃程度,第一行为数据包括客户预估年收入A={a1,a2,…,an},客户年平均存款B={b1,b2,…,bn},客户使用年数C={c1,c2,…,cn},客户年平均交易次数D={d1,d2,…,dn},客户拥有产品数量E={e1,e2,…,en}。第二行为数据反映客户的满意程度,第二行为数据包括客户线上服务评价数据G={g1,g2,…,gn},线下服务评价数据K={k1,k2,…,kn}。n表示待预测客户个数,第n个待预测客户具有an、bn、cn、dn、en、gn、kn一共7个特征值。
在步骤101之后,客户流失预测方法还包括:
判断待预测客户集合中的待预测客户的特征类型是否相同;若不相同,则将待预测客户的特征类型进行统一化处理。
若待预测客户缺少上述7个特征值中的一种或多种,则对于缺失特征值用该特征在所有待预测客户中的中值代替。
在步骤101之后,客户流失预测方法还包括:
判断待预测客户集合中的待预测客户的特征类型对应的客户行为数据是否异常;若异常,则将异常的客户行为数据用预设数据代替。
若待预测客户的特征值存在异常,则对于异常值用固定值1代替。
在步骤101之后,客户流失预测方法还包括:
对客户行为数据进行归一化处理,得到归一化后的客户行为数据。
使用离差标准化方法对银行客户行为数据进行标准化,对每一维特征x1,…,xi,…,xn,其中n为待预测客户个数,执行得到归一化后的客户行为数据y1,…,yi,…,yn∈[0,1],完成对客户行为数据的标准化。
步骤102:根据第一行为数据的特征类型确定第一目标函数,根据第二行为数据的特征类型确定第二目标函数。
将银行客户流失预测问题转换为多目标优化问题:
min(f1(x),f2(x)),
x=(ai,bi,ci,di,ei,gi,ki),ai∈A,bi∈B,ci∈C,di∈D,ei∈E,ki∈K,gi∈G,
其中,f1(x)表示第一目标函数,反映客户活跃度;f2(x)表示第二目标函数,反映客户满意度。
第一目标函数通过对客户预估年收入,客户年平均存款,客户使用年数,客户年平均交易次数和客户拥有产品数量五种特征类型进行加权整合生成,第一目标函数为:
式中,ai表示第i个银行客户的预估年收入,bi表示第i个银行客户的年平均存款,ci,表示第i个银行客户的使用年数,di表示第i个银行客户的年平均交易次数,ei表示第i个银行客户的拥有产品数量。
银行客户满意度通过对客户线上服务评价数据和线下评价数据进行加权整合得到,第二目标函数为:
式中,gi表示第i个银行客户的线上服务评价数据,ki表示第i个银行客户的线下服务评价数据。
步骤103:确定每一待预测客户的第一函数值和第二函数值。第一函数值是将第一行为数据输入第一目标函数中得到的;第二函数值是将第二行为数据输入第二目标函数中得到的。
步骤104:从待预测客户集合中选取一个待预测客户作为第一目标客户。
若待预测客户集合中一共有6个待预测客户,分别为客户1、客户2、客户3、客户4、客户5和客户6。选取一个待预测客户作为第一目标客户,例如选取客户1作为第一目标客户,然后执行步骤105-107。当客户1预测完毕后,选取剩余客户作为第一目标客户,然后执行步骤105-107。
步骤105:判断待预测客户集合中是否存在第二目标客户,第二目标客户的第一函数值大于第一目标客户的第一函数值且第二目标客户的第二函数值大于第一目标客户的第二函数值。
待预测客户集合中每个待预测客户都对应一个第一函数值f1和第二函数值f2。如图2所示,客户1对应的函数值为(f1 (1),f2 (1)),客户2对应的函数值为(f1 (2),f2 (2)),客户3对应的函数值为(f1 (3),f2 (3)),客户4对应的函数值为(f1 (4),f2 (4)),客户5对应的函数值为(f1 (5),f2 (5)),客户6对应的函数值为(f1 (6),f2 (6))。
由图2可以看出:
若将客户1作为第一目标客户,则第二目标客户为客户4、客户5和客户6。
若将客户2作为第一目标客户,则第二目标客户为客户6。
若将客户3作为第一目标客户,则不存在第二目标客户。
若将客户4作为第一目标客户,则第二目标客户为客户6。
若将客户5作为第一目标客户,则不存在第二目标客户。
若将客户6作为第一目标客户,则不存在第二目标客户。
步骤106:若存在第二目标客户,则判断待预测客户集合中是否存在第三目标客户,第三目标客户的第一函数值小于第一目标客户的第一函数值且第一目标客户的第二函数值小于第一目标客户的第二函数值。
存在第二目标客户的第一目标客户有客户1、客户2和客户4。
当第一目标客户为客户1时,不存在第三目标客户。
当第一目标客户为客户2时,不存在第三目标客户。
当第一目标客户为客户4时,存在第三客户,为客户1。
步骤107:若不存在第三目标客户,则确定第一目标客户为第一潜在流失客户。
不存在第三目标客户的为客户1和客户2,则确定客户1和客户2为第一潜在流失客户。
从图2中可以看出,本发明利用客户活跃度和评价度两个函数值筛选得到两个潜在流失客户,分别为客户1和客户2,客户1的第一函数值f1 (1)是所有客户中最低的,而客户2的第一函数值f1 (2)和第二函数值f2 (2)在所有客户中处于偏低水平。
作为一可选的实施方式,在步骤104之后,客户流失预测方法还包括:
确定待预测客户集合中待预测客户的第一函数值的最大值和最小值,得到最大第一函数值和最小第一函数值;确定待预测客户集合中待预测客户的第二函数值的最大值和最小值,得到最大第二函数值和最小第二函数值;
在第一目标客户的第一函数值为最大第一函数值且第一目标客户的第二函数值为最小第二函数值时,或者在第一目标客户的第一函数值为最小第一函数值且第一目标客户的第二函数值为最大第二函数值时,确定第一目标客户为第一潜在流失客户。
由图2可以得到,最大第一函数值为f1 (3),最小第一函数值为f1 (1),最大第二函数值为f2 (5),最小第二函数值为f2 (3)。由于客户3的第一函数值为最大函数值,客户3的第二函数值为最小第二函数值,则确定客户3为第一潜在流失客户。从图2可以看出,客户3的第一函数值f1 (3)和第二函数值f2 (3)在所有客户中处于偏低水平。
作为一可选的实施方式,客户流失预测方法还包括:
若不存在第二目标客户,则将第一目标客户存入第一目标客户集合;若存在第三目标客户,则将第一目标客户存入第一目标客户集合;其中,第一目标客户集合中的客户均不是第一潜在流失客户;
从第一目标客户集合中选取一个第一目标客户作为第四目标客户,判断待预测客户集合中是否存在第五目标客户,第五目标客户的第一函数值小于第四目标客户的第一函数值且第五目标客户的第二函数值小于第四目标客户的第二函数值;
若存在第五目标客户,则确定第五目标客户的个数,若第五目标客户的个数为1,则确定第四目标客户为第二潜在流失客户;第二潜在流失客户的客户流失概率小于第一潜在流失客户的客户流失概率。
不存在第二目标客户且不是第一潜在流失客户有客户5和客户6,存在第三目标客户且不是第一潜在流失客户有客户4,则第一目标客户集合中有客户4、客户5和客户6。
当第四目标客户为客户4时,存在第五目标客户为客户1。
当第四目标客户为客户5时,存在第五目标客户为客户1。
当第四目标客户为客户6时,存在第五目标客户为客户1、客户2和客户4。
客户4和客户5对应的第五目标客户的客户个数为1,因此确定客户4和客户5为第二潜在流失客户。从图2中可以看出,客户4的第一函数值f1 (4)和第二函数值f2 (4)在所有客户中处于居中水平;客户5的第二函数值f2 (5)虽然是所有客户中最高的,但其第二函数值f1 (5)在所有客户中却处于偏低水平。整体来说,第二潜在流失客户的客户流失概率小于第一潜在流失客户的客户流失概率。
作为一可选的实施方式,在确定第四目标客户为第二潜在流失客户之后,方法还包括:
将待预测客户集合中的第一目标客户和第四目标客户删除,将剩余的待预测客户作为第六目标客户,第六目标客户的客户流失概率小于第二潜在流失客户的客户流失概率。
将待预测客户集合中的第一目标客户和第四目标客户删除,剩余客户6,将客户6作为第六目标客户,从图2中可以看出,客户6的第一函数值f1 (6)和第二函数值f2 (6)在所有客户中处于较高水平,客户6的流失概率比客户1、客户2、客户3、客户4和客户5都要低。
本发明进行客户流失预测,对待预测客户按照流失概率由高到低进行划分,可以依据不同流失概率等级(流失概率从高到低依次为第一潜在流失客户、第二潜在流失客户、第六目标客户),制定多种方案进行客户挽留,解决了对客户挽留的盲目性,从而达到稳固客户的目的。
本发明还提供一种客户流失预测***,如图3所示,该***包括:
客户数据获取模块301,用于获取待预测客户集合以及待预测客户集合中每一待预测客户的客户行为数据;客户行为数据包括第一行为数据和第二行为数据;第一行为数据反映客户的活跃程度,第二行为数据反映客户的满意程度;
目标函数确定模块302,用于根据第一行为数据的特征类型确定第一目标函数,根据第二行为数据的特征类型确定第二目标函数;
函数值确定模块303,用于确定每一待预测客户的第一函数值和第二函数值;第一函数值是将第一行为数据输入第一目标函数中得到的;第二函数值是将第二行为数据输入第二目标函数中得到的;
客户选取模块304,用于从待预测客户集合中选取一个待预测客户作为第一目标客户。
第一判断模块305,用于判断待预测客户集合中是否存在第二目标客户,第二目标客户的第一函数值大于第一目标客户的第一函数值且第二目标客户的第二函数值大于第一目标客户的第二函数值;
第二判断模块306,用于在存在第二目标客户时,判断待预测客户集合中是否存在第三目标客户,第三目标客户的第一函数值小于第一目标客户的第一函数值且第一目标客户的第二函数值小于第一目标客户的第二函数值;
第一客户流失预测模块307,用于在不存在第三目标客户时,确定第一目标客户为第一潜在流失客户。
客户流失预测***,还包括:
第二客户流失预测模块,用于确定待预测客户集合中待预测客户的第一函数值的最大值和最小值,得到最大第一函数值和最小第一函数值;确定待预测客户集合中待预测客户的第二函数值的最大值和最小值,得到最大第二函数值和最小第二函数值;在第一目标客户的第一函数值为最大第一函数值且第一目标客户的第二函数值为最小第二函数值时,或者在第一目标客户的第一函数值为最小第一函数值且第一目标客户的第二函数值为最大第二函数值时,确定第一目标客户为第一潜在流失客户。
第三客户流失预测模块,用于若不存在第二目标客户或者存在第三目标客户,则将第一目标客户存入第一目标客户集合;第一目标客户集合中的客户不包括第一潜在流失客户;从第一目标客户集合中选取一个第一目标客户作为第四目标客户,判断待预测客户集合中是否存在第五目标客户,第五目标客户的第一函数值小于第四目标客户的第一函数值且第五目标客户的第二函数值小于第四目标客户的第二函数值;若存在第五目标客户,则确定第五目标客户的个数,若第五目标客户的个数为1,则确定第四目标客户为第二潜在流失客户;第二潜在流失客户的客户流失概率小于第一潜在流失客户的客户流失概率。
第四客户流失预测模块,用于将待预测客户集合中的第一目标客户和第四目标客户删除,将剩余的待预测客户作为第六目标客户,第六目标客户的客户流失概率小于第二潜在流失客户的客户流失概率。
客户流失预测***,还包括:
统一化处理模块,用于在获取待预测客户集合以及待预测客户集合中每一待预测客户的客户行为数据之后,判断待预测客户集合中的待预测客户的特征类型是否相同;若不相同,则将待预测客户的特征类型进行统一化处理。
异常处理模块,用于在获取待预测客户集合以及待预测客户集合中每一待预测客户的客户行为数据之后,判断待预测客户集合中的待预测客户的特征类型对应的客户行为数据是否异常;若异常,则将异常的客户行为数据用预设数据代替。
归一化处理模块,用于在获取待预测客户集合以及待预测客户集合中每一待预测客户的客户行为数据之后,对客户行为数据进行归一化处理,得到归一化后的客户行为数据。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述客户流失预测方法。
本发明实施例提供了一种电子设备,如图4所示,电子设备40包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403;其中,处理器401、存储器402通过总线403完成相互间的通信;处理器401用于调用存储器402中的程序指令,以执行上述的客户流失预测方法。本文中的电子设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有上述的客户流失预测方法包括的步骤的程序。
需要说明的是,本发明提供的一种客户流失预测方法、***、存储介质及电子设备,可应用于人工智能领域或金融领域。上述仅为示例,并不对本发明提供的一种客户流失预测方法、***、存储介质及电子设备的应用领域进行限定。
本申请是参照根据本申请实施例的方法、***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。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请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,本申请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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种客户流失预测方法,其特征在于,包括:
获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据;所述客户行为数据包括第一行为数据和第二行为数据;所述第一行为数据反映客户的活跃程度,所述第二行为数据反映客户的满意程度;
根据所述第一行为数据的特征类型确定第一目标函数,根据所述第二行为数据的特征类型确定第二目标函数;
第一目标函数通过对客户预估年收入,客户年平均存款,客户使用年数,客户年平均交易次数和客户拥有产品数量五种特征类型进行加权整合生成,第一目标函数f1(x)为:
式中,ai表示第i个银行客户的预估年收入,bi表示第i个银行客户的年平均存款,ci表示第i个银行客户的使用年数,di表示第i个银行客户的年平均交易次数,ei表示第i个银行客户的拥有产品数量;
银行客户满意度通过对客户线上服务评价数据和线下评价数据进行加权整合得到,第二目标函数f2(x)为:
式中,gi表示第i个银行客户的线上服务评价数据,ki表示第i个银行客户的线下服务评价数据;
确定每一所述待预测客户的第一函数值和第二函数值;所述第一函数值是将所述第一行为数据输入所述第一目标函数中得到的;所述第二函数值是将所述第二行为数据输入所述第二目标函数中得到的;
从所述待预测客户集合中选取一个待预测客户作为第一目标客户,判断所述待预测客户集合中是否存在第二目标客户,所述第二目标客户的第一函数值大于所述第一目标客户的第一函数值且所述第二目标客户的第二函数值大于所述第一目标客户的第二函数值;
若存在所述第二目标客户,则判断所述待预测客户集合中是否存在第三目标客户,所述第三目标客户的第一函数值小于所述第一目标客户的第一函数值且所述第一目标客户的第二函数值小于所述第一目标客户的第二函数值;
若不存在所述第三目标客户,则确定所述第一目标客户为第一潜在流失客户。
2.根据权利要求1所述的客户流失预测方法,其特征在于,在从所述待预测客户集合中选取一个待预测客户作为第一目标客户之后,所述方法还包括:
确定所述待预测客户集合中待预测客户的第一函数值的最大值和最小值,得到最大第一函数值和最小第一函数值;确定所述待预测客户集合中待预测客户的第二函数值的最大值和最小值,得到最大第二函数值和最小第二函数值;
在所述第一目标客户的第一函数值为最大第一函数值且所述第一目标客户的第二函数值为最小第二函数值时,或者在所述第一目标客户的第一函数值为最小第一函数值且所述第一目标客户的第二函数值为最大第二函数值时,确定所述第一目标客户为第一潜在流失客户。
3.根据权利要求1所述的客户流失预测方法,其特征在于,还包括:
若不存在所述第二目标客户或者存在所述第三目标客户,则将所述第一目标客户存入第一目标客户集合;所述第一目标客户集合中的客户不包括所述第一潜在流失客户;
从所述第一目标客户集合中选取一个第一目标客户作为第四目标客户,判断所述待预测客户集合中是否存在第五目标客户,所述第五目标客户的第一函数值小于所述第四目标客户的第一函数值且所述第五目标客户的第二函数值小于所述第四目标客户的第二函数值;
若存在所述第五目标客户,则确定所述第五目标客户的个数,若所述第五目标客户的个数为1,则确定所述第四目标客户为第二潜在流失客户;所述第二潜在流失客户的客户流失概率小于所述第一潜在流失客户的客户流失概率。
4.根据权利要求3所述的客户流失预测方法,其特征在于,在所述确定所述第四目标客户为第二潜在流失客户之后,所述方法还包括:
将所述待预测客户集合中的第一目标客户和第四目标客户删除,将剩余的待预测客户作为第六目标客户,所述第六目标客户的客户流失概率小于所述第二潜在流失客户的客户流失概率。
5.根据权利要求1所述的客户流失预测方法,其特征在于,在获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据之后,所述方法还包括:
判断所述待预测客户集合中的待预测客户的特征类型是否相同;
若不相同,则将待预测客户的特征类型进行统一化处理。
6.根据权利要求1所述的客户流失预测方法,其特征在于,在获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据之后,所述方法还包括:
判断所述待预测客户集合中的待预测客户的特征类型对应的客户行为数据是否异常;
若异常,则将异常的客户行为数据用预设数据代替。
7.根据权利要求1所述的客户流失预测方法,其特征在于,在获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据之后,所述方法还包括:
对所述客户行为数据进行归一化处理,得到归一化后的客户行为数据。
8.一种客户流失预测***,其特征在于,包括:
客户数据获取模块,用于获取待预测客户集合以及所述待预测客户集合中每一待预测客户的客户行为数据;所述客户行为数据包括第一行为数据和第二行为数据;所述第一行为数据反映客户的活跃程度,所述第二行为数据反映客户的满意程度;
目标函数确定模块,用于根据所述第一行为数据的特征类型确定第一目标函数,根据所述第二行为数据的特征类型确定第二目标函数;
第一目标函数通过对客户预估年收入,客户年平均存款,客户使用年数,客户年平均交易次数和客户拥有产品数量五种特征类型进行加权整合生成,第一目标函数f1(x)为:
式中,ai表示第i个银行客户的预估年收入,bi表示第i个银行客户的年平均存款,ci表示第i个银行客户的使用年数,di表示第i个银行客户的年平均交易次数,ei表示第i个银行客户的拥有产品数量;
银行客户满意度通过对客户线上服务评价数据和线下评价数据进行加权整合得到,第二目标函数f2(x)为:
式中,gi表示第i个银行客户的线上服务评价数据,ki表示第i个银行客户的线下服务评价数据;
函数值确定模块,用于确定每一所述待预测客户的第一函数值和第二函数值;所述第一函数值是将所述第一行为数据输入所述第一目标函数中得到的;所述第二函数值是将所述第二行为数据输入所述第二目标函数中得到的;
第一判断模块,用于从所述待预测客户集合中选取一个待预测客户作为第一目标客户,判断所述待预测客户集合中是否存在第二目标客户,所述第二目标客户的第一函数值大于所述第一目标客户的第一函数值且所述第二目标客户的第二函数值大于所述第一目标客户的第二函数值;
第二判断模块,用于在存在所述第二目标客户时,判断所述待预测客户集合中是否存在第三目标客户,所述第三目标客户的第一函数值小于所述第一目标客户的第一函数值且所述第一目标客户的第二函数值小于所述第一目标客户的第二函数值;
第一客户流失预测模块,用于在不存在所述第三目标客户时,确定所述第一目标客户为第一潜在流失客户。
9.一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上存储有程序,所述程序被处理器执行时实现权利要求1-7任一项所述的客户流失预测方法。
10.一种电子设备,其特征在于,包括:
至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;
所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行权利要求1-7任一项所述的客户流失预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068135.8A CN113723710B (zh) | 2021-09-13 | 2021-09-13 | 一种客户流失预测方法、***、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068135.8A CN113723710B (zh) | 2021-09-13 | 2021-09-13 | 一种客户流失预测方法、***、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723710A CN113723710A (zh) | 2021-11-30 |
CN113723710B true CN113723710B (zh) | 2024-02-27 |
Family
ID=78683460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111068135.8A Active CN113723710B (zh) | 2021-09-13 | 2021-09-13 | 一种客户流失预测方法、***、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723710B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889724A (zh) * | 2019-11-22 | 2020-03-17 | 北京明略软件***有限公司 | 客户流失预测方法、装置、电子设备和存储介质 |
CN112232945A (zh) * | 2020-10-15 | 2021-01-15 | 中国农业银行股份有限公司 | 一种确定个人客户授信的方法及装置 |
CN112288117A (zh) * | 2019-07-23 | 2021-01-29 | 贝壳技术有限公司 | 目标客户的成交概率预测方法、装置与电子设备 |
CN112819258A (zh) * | 2021-03-24 | 2021-05-18 | 中国工商银行股份有限公司 | 银行网点到店客户数量预测方法及装置 |
-
2021
- 2021-09-13 CN CN202111068135.8A patent/CN113723710B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288117A (zh) * | 2019-07-23 | 2021-01-29 | 贝壳技术有限公司 | 目标客户的成交概率预测方法、装置与电子设备 |
CN110889724A (zh) * | 2019-11-22 | 2020-03-17 | 北京明略软件***有限公司 | 客户流失预测方法、装置、电子设备和存储介质 |
CN112232945A (zh) * | 2020-10-15 | 2021-01-15 | 中国农业银行股份有限公司 | 一种确定个人客户授信的方法及装置 |
CN112819258A (zh) * | 2021-03-24 | 2021-05-18 | 中国工商银行股份有限公司 | 银行网点到店客户数量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113723710A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3065807C (en) | System and method for issuing a loan to a consumer determined to be creditworthy | |
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
US10504120B2 (en) | Determining a temporary transaction limit | |
US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
Lizares et al. | Corporate financial distress: The case of publicly listed firms in an emerging market economy | |
CN111222994A (zh) | 客户风险评估方法、装置、介质和电子设备 | |
US20220351207A1 (en) | System and method for optimization of fraud detection model | |
CN102496126A (zh) | 一种托管资产交易数据监控设备 | |
Gao et al. | A structural‐factor approach to modeling high‐dimensional time series and space‐time data | |
CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
Khademolqorani et al. | A hybrid analysis approach to improve financial distress forecasting: Empirical evidence from Iran | |
CN113723710B (zh) | 一种客户流失预测方法、***、存储介质及电子设备 | |
CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
Balcilar et al. | The predictive power of the term spread on inequality in the United Kingdom: an empirical analysis | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
Qiang et al. | [Retracted] Relationship Model between Human Resource Management Activities and Performance Based on LMBP Algorithm | |
CN113191875A (zh) | 新用户的授信方法及装置、电子设备、存储介质 | |
CN113052512A (zh) | 风险预测方法、装置和电子设备 | |
CN118244994B (zh) | 基于云计算的历史数据存储方法及装置 | |
Nasution et al. | Credit Risk Detection in Peer-to-Peer Lending Using CatBoost | |
Zhang | Research on Stock Market Portfolio Optimization Using Stochastic Matrix Theory and Genetic Algorithm | |
CN117952688A (zh) | 商户的分类方法、装置及电子设备 | |
KR101323206B1 (ko) | Credit VaR 계산 시스템의 데이터 저장 용량을 절감하기 위한 시뮬레이션 분포 데이터 관리 개선 방법 | |
CN116662568A (zh) | 一种资金流向的分析方法、装置、存储介质及电子设备 | |
KR20140101887A (ko) | 투자 분석 시스템 및 그 방법 |
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 |