银行客户数据处理方法及装置制造方法及图纸

本发明专利技术公开了一种银行客户数据处理方法及装置，其中方法包括：获得银行客户数据；根据银行客户数据和预先建立的分类模型，对银行客户数据进行分类，分类模型根据多个训练好的机器学习模型预先建立，每个机器学习模型根据银行客户历史数据和对应的活跃指数集进行训练，活跃指数集根据银行客户历史数据和预先设定的第一权重集确定，银行客户历史数据包括：历史交易数据和历史行为数据，活跃指数集包括：历史交易数据对应的交易活跃指数和历史行为数据对应的行为活跃指数，交易活跃指数用于评价交易在时间维度上的活跃程度，行为活跃指数用于评价行为在时间维度上的活跃程度。本发明专利技术降低推广成本和工作量，高效且有针对性的推广ETC业务。

【技术实现步骤摘要】
银行客户数据处理方法及装置
本专利技术涉及数据分析
，尤其涉及银行客户数据处理方法及装置。
技术介绍
电子不停车收费(ElectronicTollCollection，ETC)系统是智能信息化交通运输体系建设的重要部分，ETC系统可降低车辆通行时间和能源消耗，同时又可节约基建和运营成本，因而成为世界各国都在大力推崇的先进支付方式。在全国己建成较为完善的ETC基础设施网络的背景下，ETC业务推广主要依靠银行网点员工个人营销。这种方式成本极高、覆盖面小，极大增加了银行网点工作人员的工作量，同时推广效率非常低，缺乏针对性。因此，亟需一种可以克服上述问题的银行客户数据处理方案。
技术实现思路
本专利技术实施例提供一种银行客户数据处理方法，用以处理银行客户数据，降低业务推广过程中的成本和工作量，拓宽覆盖面，高效且有针对性的推广ETC业务，该方法包括：获得银行客户数据，所述银行客户数据包括：个人数据，交易数据，行为数据，贷款数据其中之一或任意组合；根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，其中，所述分类模型根据多个训练好的机器学习模型预先建立，每个机器学习模型根据银行客户历史数据和所述银行客户历史数据对应的活跃指数集进行训练，所述活跃指数集根据银行客户历史数据和预先设定的第一权重集确定，所述银行客户历史数据包括：历史交易数据和历史行为数据，所述活跃指数集包括：历史交易数据对应的交易活跃指数和历史行为数据对应的行为活跃指数，所述交易活跃指数用于评价交易在时间维度上的活跃程度，所述行为活跃指数用于评价行为在时间维度上的活跃程度。本专利技术实施例提供一种银行客户数据处理装置，用以处理银行客户数据，降低业务推广过程中的成本和工作量，拓宽覆盖面，高效且有针对性的推广ETC业务，该装置包括：数据获得模块，用于获得银行客户数据，所述银行客户数据包括：个人数据，交易数据，行为数据，贷款数据其中之一或任意组合；数据分类模块，用于根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，其中，所述分类模型根据多个训练好的机器学习模型预先建立，每个机器学习模型根据银行客户历史数据和所述银行客户历史数据对应的活跃指数集进行训练，所述活跃指数集根据银行客户历史数据和预先设定的第一权重集确定，所述银行客户历史数据包括：历史交易数据和历史行为数据，所述活跃指数集包括：历史交易数据对应的交易活跃指数和历史行为数据对应的行为活跃指数，所述交易活跃指数用于评价交易在时间维度上的活跃程度，所述行为活跃指数用于评价行为在时间维度上的活跃程度。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，所述处理器执行所述计算机程序时实现上述银行客户数据处理方法。本专利技术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存储有执行上述银行客户数据处理方法的计算机程序。相对于现有技术中通过依靠银行网点员工个人营销的方案而言，本专利技术实施例通过获得银行客户数据，所述银行客户数据包括：个人数据，交易数据，行为数据，贷款数据其中之一或任意组合；根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，其中，所述分类模型根据多个训练好的机器学习模型预先建立，每个机器学习模型根据银行客户历史数据和所述银行客户历史数据对应的活跃指数集进行训练，所述活跃指数集根据银行客户历史数据和预先设定的第一权重集确定，所述银行客户历史数据包括：历史交易数据和历史行为数据，所述活跃指数集包括：历史交易数据对应的交易活跃指数和历史行为数据对应的行为活跃指数，所述交易活跃指数用于评价交易在时间维度上的活跃程度，所述行为活跃指数用于评价行为在时间维度上的活跃程度。本专利技术实施例无需人为操作，利用银行客户数据和预先建立的分类模型对客户数据进行自动分类，有效挖掘客户需求，快速、省力、高效且低成本的推广ETC业务，本专利技术实施例除了使用银行客户历史数据训练机器学习模型，还根据银行客户历史数据和预先设定的第一权重集确定活跃指数集，将银行客户历史数据和对应的活跃指数集共同作为训练数据对机器学习模型进行训练，有效挖掘出银行客户历史数据中的隐藏特征，提高了ETC业务推广的准确性及可靠性。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。在附图中：图1为本专利技术实施例中银行客户数据处理方法示意图；图2为本专利技术实施例中银行客户数据处理装置结构图；图3为本专利技术实施例中银行客户数据处理装置结构图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。首先，对本申请实施例中涉及的名词进行介绍：lightgbm模型：lightgbm模型是微软提出的一个梯度提升框架，使用基于树的学习算法。该模型速度快、精度高、可处理大规模数据。客群分类：客群分类是指将客户按照某种标准，将具有相似行为特征、价值特征的客户归为同一个群体的行为。神经网络：神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法模型。这种模型通过调整内部大量节点之间相互连接的关系，从而完成信息处理。遗传算法：遗传算法是一种通过模拟自然进化过程搜索最优解的优化算法，该算法不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。为了处理银行客户数据，降低业务推广过程中的成本和工作量，拓宽覆盖面，高效且有针对性的推广ETC业务，本专利技术实施例提供一种银行客户数据处理方法，如图1所示，该方法可以包括：步骤101、获得银行客户数据，所述银行客户数据包括：个人数据，交易数据，行为数据，贷款数据其中之一或任意组合；步骤102、根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，其中，所述分类模型根据多个训练好的机器学习模型预先建立，每个机器学习模型根据银行客户历史数据和所述银行客户历史数据对应的活跃指数集进行训练，所述活跃指数集根据银行客户历史数据和预先设定的第一权重集确定，所述银行客户历史数据包括：历史交易数据和历史行为数据，所述活跃指数集包括：历史交易数据对应的交易活跃指数和历史行为数据对应的行为活跃指数，所述交易活跃指数用于评价交易在时间维度上的活跃程度，所述行为活跃指数用于评价行为在时间维度上的活跃程度。由图1所示可以得知，本专利技术实施例获得银行客户数据，所述银行客户数据包括：个人数据，交易数据，行为数据，贷款数据其中之一或任意组合；根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，其中，所述分类模型根据多个训本文档来自技高网...

【技术保护点】
1.一种银行客户数据处理方法，其特征在于，包括：/n获得银行客户数据，所述银行客户数据包括：个人数据，交易数据，行为数据，贷款数据其中之一或任意组合；/n根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，其中，所述分类模型根据多个训练好的机器学习模型预先建立，每个机器学习模型根据银行客户历史数据和所述银行客户历史数据对应的活跃指数集进行训练，所述活跃指数集根据银行客户历史数据和预先设定的第一权重集确定，所述银行客户历史数据包括：历史交易数据和历史行为数据，所述活跃指数集包括：历史交易数据对应的交易活跃指数和历史行为数据对应的行为活跃指数，所述交易活跃指数用于评价交易在时间维度上的活跃程度，所述行为活跃指数用于评价行为在时间维度上的活跃程度。/n

【技术特征摘要】
1.一种银行客户数据处理方法，其特征在于，包括：
获得银行客户数据，所述银行客户数据包括：个人数据，交易数据，行为数据，贷款数据其中之一或任意组合；
根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，其中，所述分类模型根据多个训练好的机器学习模型预先建立，每个机器学习模型根据银行客户历史数据和所述银行客户历史数据对应的活跃指数集进行训练，所述活跃指数集根据银行客户历史数据和预先设定的第一权重集确定，所述银行客户历史数据包括：历史交易数据和历史行为数据，所述活跃指数集包括：历史交易数据对应的交易活跃指数和历史行为数据对应的行为活跃指数，所述交易活跃指数用于评价交易在时间维度上的活跃程度，所述行为活跃指数用于评价行为在时间维度上的活跃程度。


2.如权利要求1所述的银行客户数据处理方法，其特征在于，所述分类模型根据多个训练好的机器学习模型以及预先设定的第二权重集预先建立，所述第二权重集中包括每个训练好的机器学习模型对应的权重值，所述每个训练好的机器学习模型对应的权重值利用遗传算法进行设定。


3.如权利要求2所述的银行客户数据处理方法，其特征在于，所述每个训练好的机器学习模型对应的权重值按如下方式进行设定：
初始化所述每个训练好的机器学习模型对应的权重值；
利用遗传算法对所述每个训练好的机器学习模型对应的权重值进行多次迭代更新，其中，对于每次迭代更新，在该次迭代更新后获取第一预设数量的子代数据，根据所述第一预设数量的子代数据对所述权重值进行下一次迭代更新。


4.如权利要求3所述的银行客户数据处理方法，其特征在于，对于每次迭代更新，在该次迭代更新后获取第一预设数量的子代数据，根据所述第一预设数量的子代数据对所述权重值进行下一次迭代更新，包括：
对于每次迭代更新，在该次迭代更新后获取种群中第一预设数量的子代数据；
对所述第一预设数量的子代数据进行交叉处理，得到第二预设数量的子代数据；
利用所述第二预设数量的子代数据替换下一代种群中第二预设数量的子代数据；
根据替换后的下一代种群中的子代数据，对所述权重值进行下一次迭代更新。


5.如权利要求1所述的银行客户数据处理方法，其特征在于，所述多个训练好的机器学习模型包括：lightgbm机器学习模型和神经网络模型。


6.如权利要求1所述的银行客户数据处理方法，其特征在于，还包括：获得银行客户数据之后，利用三倍标准差探测算法对所述银行客户数据进行清洗处理，利用均值填充算法对清洗处理后的银行客户数据进行空缺填充处理，对空缺填充处理后的银行客户数据进行数据向量化处理；
根据所述银行客户数据和预先建立的分类模型，对银行客户数据进行分类，包括：根据数据向量化处理后的银行客户数据和预先建立的分类模型，对银行客户数据进行分类。


7.如权利要求1所述的银行客户数据处理方法，其特征在于，所述银行客户历史数据还包括：历史个人数据；
所述活跃指数集还包括：历史个人数据对应的客户活跃指数，其中，所述客户活跃指数用于评价历史个人数据对应的客户信息等级。


8.如权利要求1所述的银行客户数据处理方法，其特征在于，所述银行客户历史数据还包括：历史贷款数据；
所述活跃指数集还包括：历史贷款数据对应的需求活跃指数，其中，所述需求活跃指数用于评价历史贷款数据对应的业务需求程度。


9.一种银行客户数据处理装置，其特征在于，包括：
数据获得模块，用于获得银行客户数据，所述银行...

【专利技术属性】
技术研发人员：徐晓健，严洁，李福洋，童楚婕，栾英英，彭勃，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11