客户行为预测方法及系统技术方案

本发明专利技术提供一种客户行为预测方法及系统。该方法包括提供客户行为预测模型；获取一个或多个属性信息；将一个或多个属性信息输入客户行为预测模型中，获得预测结果；当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息，可以灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。

Customer behavior prediction method and system

【技术实现步骤摘要】
客户行为预测方法及系统
本专利技术涉及行为预测领域，具体地，涉及一种客户行为预测方法及系统。
技术介绍
目前银行机构的每位客户经理管理的人数达至数百人，导致客户经理很难全面了解每一位客户。随着社交的日益发展，客户的个性化需求越来越多，再加上银行机构的零售产品服务繁杂，客户经理难以及时地根据客户个性化需求将产品推送至客户。因此，为了满足客户个性化需求，就必须让客户经理快速了解客户需求和认识产品属性，从而预测客户行为。在此背景下，各大金融机构会通过数据报表，专家经验或单一数据模型来对客户行为进行预测，这些方法不能灵活应对不同种类的客户行为，准确率也欠佳。
技术实现思路
本专利技术实施例的主要目的在于提供一种客户行为预测方法及系统，可以灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。为了实现上述目的，本专利技术实施例提供一种客户行为预测方法，包括：提供客户行为预测模型；获取一个或多个属性信息；将一个或多个属性信息输入客户行为预测模型中，获得预测结果；其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。本专利技术实施例还提供一种客户行为预测系统，包括：客户行为预测模型单元，用于提供客户行为预测模型；属性信息获取单元，用于获取一个或多个属性信息；预测结果获取单元，用于将一个或多个属性信息输入客户行为预测模型中，获得预测结果；其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。本专利技术实施例还提供一种计算机设备，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，处理器执行计算机程序时实现所述的客户行为预测方法的步骤。本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的客户行为预测方法的步骤。本专利技术实施例的客户行为预测方法及系统提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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专利技术的一些实施例，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是本专利技术第一实施例中客户行为预测方法的流程图；图2是本专利技术一实施例中获得客户行为预测模型的流程图；图3是本专利技术第二实施例中客户行为预测方法的流程图；图4是本专利技术第三实施例中客户行为预测方法的流程图；图5是本专利技术实施例中客户行为预测系统的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本领域技术技术人员知道，本专利技术的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。鉴于现有技术通过数据报表，专家经验或单一数据模型来对客户行为进行预测，不能灵活应对不同种类的客户行为，准确率欠佳，本专利技术实施例提供一种客户行为预测方法，以灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。以下结合附图对本专利技术进行详细说明。图1是本专利技术第一实施例中客户行为预测方法的流程图。如图1所示，客户行为预测方法包括：S101：提供客户行为预测模型。S102：获取一个或多个属性信息。S103：将一个或多个属性信息输入客户行为预测模型中，获得预测结果。其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；可以从外部的操作终端中获取属性信息。操作终端可以为台式电脑、移动智能终端等设备，用于供客户经理输入属性信息，并获得预测结果，台式电脑、移动智能终端设备。当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。其中，客户属性信息包括：性别、年龄、银行评级、职业、学历、总资产额、持有各产品的分项资产额、月均资产额、日均资产额、不良贷款总余额、交易频率、各产品的交易笔数、各产品的交易金额、多个时间段的总交易笔数(如近3、6、12个月内的总交易笔数)、行内转账汇款、行外转账汇款、境内消费笔数、境外消费笔数、境内消费频次、境外消费频次、境内消费金额、境外消费金额、线上消费笔数、线下消费笔数、线上消费频次、线下消费频次、线上消费金额和线下消费金额；产品属性信息包括：产品名称、产品介绍、产品销售地区、产品风险、多个时间段的收益率(如近3、6、12个月内的收益率)、持有人数、交易频次和持有时长。目标客户的目标产品类别信息可以为目标客户购买每种目标产品类别的概率。例如，目标产品类别可以包括基金、保险和存款。目标客户A购买基金产品的概率为80％，购买保险产品的概率为60％，购买存款产品的概率为40％。也可以根据预设阈值与目标客户购买每种目标产品类别的概率，给对应的目标产品类别贴上标签。例如，预设阈值为50％，大于50％的概率对应的目标产品类别贴上标签1，小于或等于50％的概率对应的目标产品类别贴上标签0。则目标客户A的基金产品贴上的标签是1，保险产品贴上的标签是1，存款产品贴上的标签是0。客户经理根据目标客户的目标产品类别信息可以判断应向客户A推销基金产品和保险产品。目标产品的目标客户信息可以为购买该目标产品概率较大的客户的属性信息。例如，针对产品B，性别为女、年龄为30岁至40岁，学历为大学的客户购买产品B的概率最大，其次为性别为男，年龄为25岁至30岁，月均资产额为2万元的客户。客户经理根据目标产品的目标客户信息可以判断应向哪些客户推销产品B。图1所示的客户行为预测方法的执行主体可以为计算机。由图1所示的流程可知，本专利技术实施例的客户行为预测方法提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工本文档来自技高网...

【技术保护点】
1.一种客户行为预测方法，其特征在于，包括：提供客户行为预测模型；获取一个或多个属性信息；将所述一个或多个属性信息输入所述客户行为预测模型中，获得预测结果；其中，所述属性信息为目标客户的客户属性信息或目标产品的产品属性信息；所述客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；当所述属性信息为目标客户的客户属性信息时，所述客户行为预测模型为第一客户行为预测模型，所述预测结果为目标客户的目标产品类别信息；当所述属性信息为目标产品的产品属性信息时，所述客户行为预测模型为第二客户行为预测模型，所述预测结果为目标产品的目标客户信息。

【技术特征摘要】
1.一种客户行为预测方法，其特征在于，包括：提供客户行为预测模型；获取一个或多个属性信息；将所述一个或多个属性信息输入所述客户行为预测模型中，获得预测结果；其中，所述属性信息为目标客户的客户属性信息或目标产品的产品属性信息；所述客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；当所述属性信息为目标客户的客户属性信息时，所述客户行为预测模型为第一客户行为预测模型，所述预测结果为目标客户的目标产品类别信息；当所述属性信息为目标产品的产品属性信息时，所述客户行为预测模型为第二客户行为预测模型，所述预测结果为目标产品的目标客户信息。2.根据权利要求1所述的客户行为预测方法，其特征在于，包括：预先通过以下方式获得客户行为预测模型：获取样本集的多个客户对应的客户信息、多个产品对应的产品信息、多个目标产品历史类别信息和多个目标客户历史信息；其中，所述客户信息包括多种客户属性信息；所述产品信息包括多种产品属性信息；将所述多种客户属性信息和所述多种产品属性信息中的任意两种属性信息进行组合，获得多种组合数据；通过聚类算法对所述多种组合数据进行分群，形成客群属性集合和产品群属性结合；通过聚类算法将所述客群属性集合中的多种组合数据分至多个客群，并将每个客群的客群质点对应的多种客户属性信息作为客群特征；根据所述每个客群对应的多种客户属性信息、每个客群的客群特征和所述多个目标产品历史类别信息训练预设的第一机器学习模型，得到第一客户行为预测模型；通过聚类算法将所述产品群属性集合中的多种组合数据分至多个产品群，并将每个产品群的产品群质点对应的多种产品属性信息作为产品群特征；根据所述每个产品群对应的多种产品属性信息、每个产品群的产品群特征和所述多个目标客户历史信息训练预设的第二机器学习模型，得到第二客户行为预测模型。3.根据权利要求1所述的客户行为预测方法，其特征在于，还包括：根据所述目标客户的目标产品类别信息，从预设的热门产品集中获取每个目标产品类别信息对应的多个热门产品；所述目标产品类别信息的数量为一个或多个；根据每个目标产品类别信息对应的多个热门产品与该目标产品类别信息对应的多个当季营销产品，得到每个目标产品类别信息对应的当季营销目标产品。4.根据权利要求3所述的客户行为预测方法，其特征在于，得到每个目标产品类别信息对应的当季营销目标产品，包括：计算每个目标产品类别信息对应的每个热门产品与该目标产品类别信息对应的每个当季营销产品之间的相似度；每个目标产品类别信息对应的相似度的数量为多个；将每个目标产品类别信息对应的相似度按从小到大的顺序进行排序，将排序在第一预设值之前的当季营销产品作为每个目标产品类别信息对应的当季营销产品。5.根据权利要求3所述的客户行为预测方法，其特征在于，还包括：获取每个产品类别信息对应的每个产品的多种销售数据；所述产品类别信息的数量为多个，每个产品类别信息均对应多个产品；根据每个产品类别信息对应的每个产品的多种销售数据，计算每个产品类别信息对应的每个产品的销售总额；将每个产品类别信息对应的每个产品的销售总额按从小到大的顺序进行排序，选取排序在第二预设值之前的产品形成热门产品集。6.根据权利要求5所述的客户行为预测方法，其特征在于，所述销售数据包括：持有金额总数、预设时间段的平均持有时长和所述预设时间段的平均交易频次。7.根据权利要求2所述的客户行为预测方法，其特征在于，获得多种组合数据之前，还包括：判断每个客户对应的客户信息中的关键客户属性信息是否缺失；当所述关键客户属性信息缺失时，删除该客户对应的客户信息；判断每个产品对应的产品信息中的关键产品属性信息是否缺失；当所述关键产品属性信息缺失时，删除该产品对应的产品信息。8.根据权利要求7所述的客户行为预测方法，其特征在于，判断每个客户对应的客户信息中的关键客户属性信息是否缺失之后，还包括：判断每个客户对应的多种客户属性信息中的缺失值数量；当所述缺失值数量大于第三预设值时，删除该客户对应的客户信息；判断每个产品对应的产品信息中的关键产品属性信息是否缺失之后，还包括：判断每个产品对应的多种产品属性信息中的缺失值数量；当所述缺失值数量大于第四预设值时，删除该产品对应的产品信息。9.根据权利要求7所述的客户行为预测方法，其特征在于，判断每个客户对应的客户信息中的关键客户属性信息是否缺失之后，还包括：计算每种客户属性信息的均值；计算每种客户属性信息与该种客户属性信息的均值之间的偏离度；当所述偏离度大于第五预设值时，删除该种客户属性信息，并对删除后的该种客户属性信息进行数值填充；判断每个产品对应的产品信息中的关键产品属性信息是否缺失之后，还包括：计算每种产品属性信息的均值；计算每种产品属性信息与该种产品属性信息的均值之间的偏离度；当所述偏离度大于第五预设值时，删除该种产品属性信息，并对删除后的该种产品属性信息进行数值填充。10.根据权利要求2所述的客户行为预测方法，其特征在于，所述客户属性信息包括：性别、年龄、银行评级、职业、学历、总资产额、持有各产品的分项资产额、月均资产额、日均资产额、不良贷款总余额、交易频率、各产品的交易笔数、各产品的交易金额、多个时间段的总交易笔数、行内转账汇款、行外转账汇款、境内消费笔数、境外消费笔数、境内消费频次、境外消费频次、境内消费金额、境外消费金额、线上消费笔数、线下消费笔数、线上消费频次、线下消费频次、线上消费金额和线下消费金额；所述产品属性信息包括：产品名称、产品介绍、产品销售地区、产品风险、多个时间段的收益率、持有人数、交易频次和持有时长。11...

【专利技术属性】
技术研发人员：陈志泉，彭正强，陈浩然，刘亚飞，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京,11