基于现有客户的客户挖掘方法及装置制造方法及图纸

本发明专利技术属于大数据技术领域，本发明专利技术提供了一种基于现有客户的客户挖掘方法及装置，基于现有客户的客户挖掘方法包括：根据现有客户的基础信息以及交易数据生成所述现有客户的时间序列；根据多个时间序列构建客户知识图谱；根据所述客户知识图谱挖掘所述现有客户对应的新客户。本发明专利技术所提供的基于现有客户的客户挖掘方法及装置，充分利用了现有客户资源，大大增加了客户粘度，提高了营销效率。提高了营销效率。提高了营销效率。

【技术实现步骤摘要】
基于现有客户的客户挖掘方法及装置


[0001]本申请属于大数据
，特别是涉及数据挖掘
，具体涉及一种基于现有客户的客户挖掘方法及装置。

技术介绍

[0002]众所周知，挖掘、拓展新客户对于一个公司的发展至关重要，例如，增加公司结算账户对银行的经营发展和业务战略具有重大意义。现有技术中，目标客户信息的筛选和下发主要依靠手工报表，涵盖客户信息有限，且无法与核心关键客户信息有效衔接，缺少通过系统化的思维进行有机整合。

技术实现思路

[0003]本专利技术可用于大数据技术在金融方面应用的
，也可用于除金融领域之外的任意领域，本专利技术所提供的基于现有客户的客户挖掘方法及装置，可以克服现有技术中拓户过程中筛选盲目且挖掘客户成功率不高的问题，提供了一种基于大数据的精准拓户的方法。
[0004]为解决上述技术问题，本专利技术提供以下技术方案：
[0005]第一方面，本专利技术提供一种基于现有客户的客户挖掘方法包括：
[0006]根据现有客户的基础信息以及交易数据生成所述现有客户的时间序列；
[0007]根据多个时间序列构建客户知识图谱；
[0008]根据所述客户知识图谱挖掘所述现有客户对应的新客户。
[0009]一实施例中，所述根据现有客户的基础信息以及交易数据生成所述现有客户的时间序列，包括：
[0010]根据所述基础信息以及所述交易数据的历史数据生成所述现有客户的历史时间序列；
[0011]对所述历史时间序列进行回归滑动平均操作，以生成所述现有客户的预测时间序列；
[0012]根据所述历史时间序列以及所述预测时间序列生成所述时间序列。
[0013]一实施例中，所述根据多个时间序列构建客户知识图谱包括：
[0014]根据所述现有客户的每一时间段的基础信息生成所述客户知识图谱的节点；
[0015]根据所述现有客户的所述每一时间段内的交易数据生成所述客户知识图谱的边；
[0016]根据多个节点以及多个边构建所述客户知识图谱。
[0017]一实施例中，所述根据所述客户知识图谱挖掘所述现有客户对应的新客户，包括：
[0018]根据所述客户知识图谱中现有客户对应节点的关联节点、以及所述关联节点的数量以及阻尼系数确定所述现有客户对应节点的最短交易路径；
[0019]根据所述最短交易路径预测所述现有客户的将来的核心交易客户。
[0020]一实施例中，所述根据所述最短交易路径预测所述现有客户的将来的核心交易客
户，包括：
[0021]根据多个每一时间段内的最短交易路径生成训练样本；
[0022]根据所述训练样本对预生成的Light GBM模型进行训练，并根据训练后的Light GBM模型预测所述将来的核心交易客户。
[0023]一实施例中，基于现有客户的客户挖掘方法还包括：
[0024]根据核心交易客户的地理位置对所述核心交易客户进行筛选；
[0025]所述核心交易客户为与所述现有客户的交易数据满足预设条件的客户。
[0026]第二方面，本专利技术提供一种基于现有客户的客户挖掘装置，该装置包括：
[0027]时间序列生成模块，用于根据现有客户的基础信息以及交易数据生成所述现有客户的时间序列；
[0028]知识图谱构建模块，用于根据多个时间序列构建客户知识图谱；
[0029]新客户挖掘模块，用于根据所述客户知识图谱挖掘所述现有客户对应的新客户。
[0030]一实施例中，所述时间序列生成模块包括：
[0031]历史序列生成单元，用于根据所述基础信息以及所述交易数据的历史数据生成所述现有客户的历史时间序列；
[0032]预测序列生成单元，用于对所述历史时间序列进行回归滑动平均操作，以生成所述现有客户的预测时间序列；
[0033]时间序列生成单元，用于根据所述历史时间序列以及所述预测时间序列生成所述时间序列。
[0034]一实施例中，所述知识图谱构建模块包括：
[0035]节点生成单元，用于根据所述现有客户的每一时间段的基础信息生成所述客户知识图谱的节点；
[0036]边生成单元，用于根据所述现有客户的所述每一时间段内的交易数据生成所述客户知识图谱的边；
[0037]知识图谱构建单元，用于根据多个节点以及多个边构建所述客户知识图谱。
[0038]一实施例中，所述新客户挖掘模块包括：
[0039]最短交易路径确定单元，用于根据所述客户知识图谱中现有客户对应节点的关联节点、以及所述关联节点的数量以及阻尼系数确定所述现有客户对应节点的最短交易路径；
[0040]核心交易客户预测单元，用于根据所述最短交易路径预测所述现有客户的将来的核心交易客户。
[0041]一实施例中，所述核心交易客户预测单元包括：
[0042]训练样本生成单元，用于根据多个每一时间段内的最短交易路径生成训练样本；
[0043]模型训练单元，用于根据所述训练样本对预生成的Light GBM模型进行训练，并根据训练后的Light GBM模型预测所述将来的核心交易客户。
[0044]一实施例中，基于现有客户的客户挖掘装置还包括：
[0045]客户筛选模块，用于根据核心交易客户的地理位置对所述核心交易客户进行筛选；
[0046]所述核心交易客户为与所述现有客户的交易数据满足预设条件的客户。
[0047]第三方面，本专利技术提供一种电子设备，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，处理器执行程序时实现基于现有客户的客户挖掘方法的步骤。
[0048]第四方面，本专利技术提供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基于现有客户的客户挖掘方法的步骤。
[0049]从上述描述可知，本专利技术实施例提供一种基于现有客户的客户挖掘方法及装置，首先根据现有客户的基础信息以及交易数据生成现有客户的时间序列；接着，根据多个时间序列构建客户知识图谱；最后根据客户知识图谱挖掘现有客户对应的新客户。本专利技术通过知识图谱梳理现有客户的内在营销逻辑，并通过建立其对应的时间序列对其将来可能的交易用户进行预测，另外，还利用机器学习模型在大数据中查找其可能的交易用户。
[0050]综上所述，本专利技术充分利用了现有客户资源，大大增加了客户粘度，提高了营销效率。
附图说明
[0051]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。
[0052]图1为本专利技术的实施例中基于现有客户的客户挖掘方法的流程示意图一；
[0053]图2为本专利技术的实施例中步骤100的流程示意图；
[0054]图3为本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于现有客户的客户挖掘方法，其特征在于，包括：根据现有客户的基础信息以及交易数据生成所述现有客户的时间序列；根据多个时间序列构建客户知识图谱；根据所述客户知识图谱挖掘所述现有客户对应的新客户。2.如权利要求1所述的基于现有客户的客户挖掘方法，其特征在于，所述根据现有客户的基础信息以及交易数据生成所述现有客户的时间序列，包括：根据所述基础信息以及所述交易数据的历史数据生成所述现有客户的历史时间序列；对所述历史时间序列进行回归滑动平均操作，以生成所述现有客户的预测时间序列；根据所述历史时间序列以及所述预测时间序列生成所述时间序列。3.如权利要求2所述的基于现有客户的客户挖掘方法，其特征在于，所述根据多个时间序列构建客户知识图谱包括：根据所述现有客户的每一时间段的基础信息生成所述客户知识图谱的节点；根据所述现有客户的所述每一时间段内的交易数据生成所述客户知识图谱的边；根据多个节点以及多个边构建所述客户知识图谱。4.如权利要求1所述的基于现有客户的客户挖掘方法，其特征在于，所述根据所述客户知识图谱挖掘所述现有客户对应的新客户，包括：根据所述客户知识图谱中现有客户对应节点的关联节点、以及所述关联节点的数量以及阻尼系数确定所述现有客户对应节点的最短交易路径；根据所述最短交易路径预测所述现有客户的将来的核心交易客户。5.如权利要求4所述的基于现有客户的客户挖掘方法，其特征在于，所述根据所述最短交易路径预测所述现有客户的将来的核心交易客户，包括：根据多个每一时间段内的最短交易路径生成训练样本；根据所述训练样本对预生成的Light GBM模型进行训练，并根据训练后的Light GBM模型预测所述将来的核心交易客户。6.如权利要求4所述的基于现有客户的客...

【专利技术属性】
技术研发人员：宋鹏鹏，王晓锐，余凡，
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：