本公开提供了一种用户活期存款的数据生成方法，可用于金融领域或其他领域，包括：获取用户的历史活期存款及特征输入数据；其中，特征输入数据包括：时间特征数据、位置特征数据及收支特征数据；将历史活期存款及特征输入数据输入至数据评估模型，得到下一期预测的活期存款数据；根据下一期预测的活期存款数据、计价利率及利息利率，生成用户的活期存款贡献数据，活期存款贡献数据表征该用户的下一期预测的活期存款对银行所产生的贡献度值。本公开还提供了一种用户活期存款的数据生成系统、电子设备、计算机可读存储介质及计算机程序产品。计算机可读存储介质及计算机程序产品。计算机可读存储介质及计算机程序产品。
【技术实现步骤摘要】
一种用户活期存款的数据生成方法及系统
[0001]本公开涉及数据处理
，具体涉及一种用户活期存款的数据生成方法、系统、电子设备、计算机可读存储介质及计算机程序产品。
技术介绍
[0002]根据各大银行发布的历史季度业绩报告来看，其中利息收入仍然是银行的主要收入来源，占比高达65％以上，银行的利息收入主要来源于存贷的利息差。为保证收入的稳步增长，银行内部对活期存款贡献有相应的指标，该指标对于存款部门而言尤为重要，与相应业务人员的考核息息相关，也有指导业务营销和存款定价审批的作用。
[0003]传统方法一般是固定频度固定周期统计客户当期活期存款贡献数据考核相应的业务人员并以报表的形式将数据给到业务人员，该方法时效较差，属于事后的统计分析，业务人员收到数据之后往往当期的考核已定，在绩效考核方面未能在当期充分调动员工积极性，从经营分析和定价审批角度来看也未能给业务人员提供更为前置的决策支持，浪费了当期营销的黄金时期。
技术实现思路
[0004]为解决现有技术中存在的问题，本公开的实施例提供的一种用户活期存款的数据生成方法、系统、电子设备、计算机可读存储介质及计算机程序产品，以实现预测下一期用户的活期存款的贡献。
[0005]本公开的第一个方面提供了一种用户活期存款的数据生成方法，包括：获取用户的历史活期存款及特征输入数据；其中，特征输入数据包括：时间特征数据、位置特征数据及收支特征数据；将历史活期存款及特征输入数据输入至数据评估模型，得到下一期预测的活期存款数据；根据下一期预测的活期存款数据、计价利率及利息利率，生成用户的活期存款贡献数据，活期存款贡献数据表征该用户的下一期预测的活期存款对银行所产生的贡献度值。
[0006]进一步地，根据下一期预测的活期存款数据、计价利率及利息利率，生成用户的活期存款贡献数据，包括：根据所述下一期预测的活期存款数据、计价利率及利息利率，确定用户的活期存款利息支出数据及内部资金计价收入数据；根据期存款利息支出数据及内部资金计价收入数据，生成用户的活期存款贡献数据。
[0007]进一步地，活期存款利息支出数据表示活期存款利息支出等于下一期预测的活期存款与利息利率的乘积；内部资金计价收入数据表示内部资金计价收入等于下一期预测的活期存款与内部资金计价利率的乘积；用户的贡献度值数据表示用户的贡献度值等于内部资金计价收入与活期存款利息支出之差。
[0008]进一步地，该方法还包括：根据用户的活期存款贡献数据，生成该用户的年度活期存款贡献数据；根据年度活期存款贡献数据，确定该用户下一年度活期存款利率或向该用户推送符合该年度活期存款贡献数据利率的期限产品信息。
[0009]该方法还包括：根据多个用户的活期存款贡献数据，分别生成多个用户的年度活期存款贡献数据；根据多个用户的年度活期存款贡献数据，确认该银行的年度活期存款利润。
[0010]进一步地，该方法还包括：获取多个用户的历史活期存款和对应的历史特征数据；将多个用户的历史活期存款和对应的历史特征数输入至待训练的数据评估模型进行模型训练；筛选影响待训练的数据评估模型的特征数据，以及调整待训练的数据评估模型中各组分的权重和偏置，得到已训练的数据评估模型。
[0011]进一步地，该方法还包括：构建置信区间，根据下一期预测的活期存款数据的判断误差，调整下一期预测的活期存款数据的百分比，以使得到优化后的下一期预测的活期存款数据。
[0012]进一步地，计价利率与所述利息利率通过银行应用系统页面数据获得。
[0013]进一步地，时间特征数据通过手工标注获得，位置特征数据和所述收支特征数据通过采集银行应用系统页面数据获得。
[0014]进一步地，时间特征数据包括历史数据日期、工资日、法定节假日、休息日及电商活动日中的一种或多种；所述位置特征数据包括当前日期线下交易的城市数量；收支特征数据包括保险收入、报销收入、财付通收入、结汇收入、理财收入、贷款还款支出、教育支出、购汇支出、理财支出、取现支出、消费支出中的一种或多种。
[0015]本公开的第二个方面提供了一种用户活期存款的数据生成系统，包括：第一数据获取模块，用于获取用户的历史活期存款及特征输入数据；其中，特征输入数据包括：时间特征数据、位置特征数据及收支特征数据；第二数据获取模块，用于将历史活期存款及所述特征输入数据输入至数据评估模型，得到下一期预测的活期存款数据；贡献数据生成模块，用于根据下一期预测的活期存款数据、计价利率及利息利率，生成用户的活期存款贡献数据，活期存款贡献数据表征在下一期该用户的活期存款对银行所产生的贡献度值。
[0016]进一步地，贡献数据生成模块用于根据所述下一期预测的活期存款数据、计价利率及利息利率，生成用户的活期存款贡献数据，包括：根据下一期预测的活期存款数据、计价利率及利息利率，确定用户的活期存款利息支出数据及内部资金计价收入数据；根据期存款利息支出数据及内部资金计价收入数据，生成用户的活期存款贡献数据。
[0017]本公开的第三个方面提供了一种电子设备，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，实现本公开的第一个方面提供的用户活期存款的数据生成方法。
[0018]本公开的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本公开的第一个方面提供的用户活期存款的数据生成方法。
[0019]本公开的第五个方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本公开的第一个方面提供的用户活期存款的数据生成方法。
[0020]本公开提供的一种用户活期存款的数据生成方法、系统、电子设备、计算机可读存储介质及计算机程序产品，基于财会原理明确存款贡献计算方式，结合银行实际业务挖掘特征输入数据(即多元数据特征)，将多元数据特征与深度学习方法长短期记忆神经网络(LSTM模型)结合以监督学习的方式构建银行客户活期存款的数据评估模型，预测下一期用
户的活期存款贡献，让业务人员能在事前对下一期的贡献数据提前有预知，做好相应的调整，同时也为客户营销和存款定价提供数据支持，赋能业务，助力提升银行业绩效考核、经营分析、存款定价的准确性和合规化。
附图说明
[0021]为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
[0022]图1示意性示出了根据本公开一实施例的用户活期存款的数据生成方法的应用场景图；
[0023]图2示意性示出了根据本公开一实施例的用户活期存款的数据生成方法的流程图；
[0024]图3示意性示出了根据本公开一实施例的训练数据评估模型的流程图；
[0025]图4示意性示出了根据本公开一实施例的数据评估的结果图；
[0026]图5示意性示出了根据本公开一实施例的用户活期存款的数据生成系统的方框图；
[0027]图6示意性示出了根据本公开另一实施例的用户活期存款的数据生成系本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用户活期存款的数据生成方法，其特征在于，包括：获取用户的历史活期存款及特征输入数据；其中，所述特征输入数据包括：时间特征数据、位置特征数据及收支特征数据；将所述历史活期存款及所述特征输入数据输入至数据评估模型，得到下一期预测的活期存款数据；根据所述下一期预测的活期存款数据、计价利率及利息利率，生成用户的活期存款贡献数据，所述活期存款贡献数据表征该用户的下一期预测的活期存款对银行所产生的贡献度值。2.根据权利要求1所述的用户活期存款的数据生成方法，其特征在于，所述根据所述下一期预测的活期存款数据、计价利率及利息利率，生成用户的活期存款贡献数据，包括：根据所述下一期预测的活期存款数据、计价利率及利息利率，确定所述用户的活期存款利息支出数据及内部资金计价收入数据；根据所述期存款利息支出数据及所述内部资金计价收入数据，生成用户的活期存款贡献数据。3.根据权利要求2所述的用户活期存款的数据生成方法，其特征在于，所述活期存款利息支出数据表示活期存款利息支出等于所述下一期预测的活期存款与利息利率的乘积；所述内部资金计价收入数据表示内部资金计价收入等于所述下一期预测的活期存款与内部资金计价利率的乘积；所述用户的贡献度值数据表示所述用户的贡献度值等于内部资金计价收入与活期存款利息支出之差。4.根据权利要求1所述的用户活期存款的数据生成方法，其特征在于，该方法还包括：根据所述用户的活期存款贡献数据，生成该用户的年度活期存款贡献数据；根据所述年度活期存款贡献数据，确定该用户下一年度活期存款利率或向该用户推送符合该年度活期存款贡献数据利率的期限产品信息。5.根据权利要求1所述的用户活期存款的数据生成方法，其特征在于，该方法还包括：根据多个用户的活期存款贡献数据，分别生成多个用户的年度活期存款贡献数据；根据所述多个用户的年度活期存款贡献数据，确认该银行的年度活期存款利润。6.根据权利要求1所述的用户活期存款的数据生成方法，其特征在于，该方法还包括：获取多个用户的历史活期存款和对应的历史特征数据；将所述多个用户的历史活期存款和对应的历史特征数输入至待训练的数据评估模型进行模型训练；筛选影响所述待训练的数据评估模型的特征数据，以及调整所述待训练的数据评估模型中各组分的权重和偏置，得到已训练的所述数据评估模型。7.根据权利要求1所述的用户活期存款的数据生成方法，其特征在于，该方法还包括：构建置信区间，根据所述下一期预测的活期存款数据的判断误差，调整所述下一...
【专利技术属性】
技术研发人员：栾杰，张嘏晖，周誉，徐蓉，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。