本申请公开了一种银行沉默客户分层体系构建方法、装置、设备及存储介质，基于用户的企业工商数据、历史价值贡献信息、企业风险数据、集团内价值表现、交易行为数据、外部数据以及基本属性属性，分别生成用户的沉默客户经营潜力评估模型以及沉默客户激活潜力预测模型，实现对沉默客户分层，从而有利于针对不同潜力的客户采取差异化的经营策略，有效提升促活效率以及转化率，解决了基于EVA评估体系的客户分层方式存在的难以衡量长尾客户的未来可能带来的潜力价值，方式比较单一和粗颗粒度，导致大量的长尾客户缺乏有效分群，客户经理缺乏对于低价值客户的营销和维系的技术问题。于低价值客户的营销和维系的技术问题。于低价值客户的营销和维系的技术问题。
【技术实现步骤摘要】
银行沉默客户分层体系构建方法、装置、设备及存储介质
[0001]本申请涉及金融科技
，尤其涉及一种银行沉默客户分层体系构建方法、装置、设备及存储介质。
技术介绍
[0002]当前商业银行对公客户经营领域往往关注头部客户，而对于长尾客户的经营有待进一步深化。随着长尾客群数量激增，导致大量的沉默客户出现，在商业银行获客成本居高不下的情形下，通过大数据手段和模型识别客户的潜在价值空间，构建沉默客户潜力识别模型，进而对沉默客户分层分群经营来提升沉默客户促活率显得尤为关键。
[0003]商业银行对传统对公客户评估主要基于EVA评估体系(EconomicValueAdded)，基于EVA评估体系的客户分层方式主要有以下两个方面的缺陷：一方面，传统EVA仅仅能评估企业为银行带来的经济价值，难以衡量长尾客户的未来可能带来的潜力价值，客户当前为银行贡献的价值低，不代表他没有经营空间。另一方面，这种方式比较单一和粗颗粒度，导致大量的长尾客户缺乏有效分群，并且导致客户经理在实际营销中往往只关注高价值客户，而低于低价值客户缺乏营销和维系，从而对沉默客户越来越沉默直至流失。
技术实现思路
[0004]本申请提供了一种银行沉默客户分层体系构建方法、装置、设备及存储介质，解决了基于EVA评估体系的客户分层方式存在的难以衡量长尾客户的未来可能带来的潜力价值，方式比较单一和粗颗粒度，导致大量的长尾客户缺乏有效分群，客户经理缺乏对于低价值客户的营销和维系的技术问题。
[0005]有鉴于此，本申请第一方面提供了一种银行沉默客户分层体系构建方法，所述方法包括：
[0006]S1：获取用户的企业工商数据、历史价值贡献信息、企业风险数据、集团内价值表现、交易行为数据以及外部数据，以生成对应第一特征变量的第一特征数据；
[0007]S2：获取所述用户的基本属性数据，并根据所述用户的所述基本属性数据、所述交易行为数据以及所述外部数据，以生成对应第二特征变量的第二特征数据；
[0008]S3：基于所述第一特征数据，生成沉默客户经营潜力评估模型；
[0009]S4：基于所述第二特征数据，生成沉默客户激活潜力预测模型；
[0010]S5、基于所述沉默客户经营潜力评估模型以及所述沉默客户激活潜力预测模型，构建包含低经营潜力、中经营潜力、高经营潜力以及低激活潜力、高激活潜力的沉默客户分层体系。
[0011]可选地，所述步骤S3具体包括：
[0012]S3.1：根据分箱处理对所述第一特征数据中数值变量金额进行处理；
[0013]S3.2：根据统计的所述用户在所述第一特征数据中的特征变量的取值分布，生成客户画像分析；
[0014]S3.3：根据专家定权法对所述第一特征数据中每个特征变量权重赋值为1；
[0015]S3.4：通过统计规则模型构建沉默客户经营潜力评估模型。
[0016]可选地，步骤S3.1具体包括：
[0017]根据等频分箱方法将所述第一特征数据中数值变量金额变化分为五个区间，分别为0％～20％分位数区间、20％～40％分位数区间、40％～60分位数区间、60％～80％分位数区间以及80％～100％分位数区间。
[0018]可选地，步骤S3.2具体包括：
[0019]计算所述第一特征数据中各个特征变量的客户数、均值、分位数、最大值、最小值、标准差以及方差，生成客户画像分析。
[0020]可选地，所述步骤S4具体包括：
[0021]S4.1：根据饱和度以及单变量对所述第二特征数据进行统计分析；
[0022]S4.2：基于WOE的特征筛选方法，得到所述第二特征数据中IV值0.1以上的第三特征变量；
[0023]S4.3：通过z
‑
score方法对所有数值型的所述第三特征变量做标准化处理；
[0024]S4.4：基于机器学习模型，并将标准化处理后的所述第三特征变量作为所述机器学习模型的输入值进行训练，得到沉默客户激活潜力预测模型。
[0025]可选地，步骤S4.1具体包括：
[0026]通过计算所述第二特征数据中每个特征变量的均值、中位数、最大值、最小值以及标准差，对所述第二特征数据进行统计分析。
[0027]可选地，所述机器学习模型包括逻辑回归模型、决策树模型、随机森林模型、GBDT模型以及XGboost模型。
[0028]本申请第二方面提供一种银行沉默客户分层体系构建装置，所述装置包括：
[0029]第一获取单元，用于获取用户的企业工商数据、历史价值贡献信息、企业风险数据、集团内价值表现、交易行为数据以及外部数据，以生成对应第一特征变量的第一特征数据；
[0030]第二获取单元，用于获取所述用户的基本属性数据，并根据所述用户的所述基本属性数据、所述交易行为数据以及所述外部数据，以生成对应第二特征变量的第二特征数据；
[0031]第一建模单元，用于基于所述第一特征数据，生成沉默客户经营潜力评估模型；
[0032]第二建模单元，用于基于所述第二特征数据，生成沉默客户激活潜力预测模型；
[0033]体系构建单元，用于基于所述沉默客户经营潜力评估模型以及所述沉默客户激活潜力预测模型，构建包含低经营潜力、中经营潜力、高经营潜力以及低激活潜力、高激活潜力的沉默客户分层体系。
[0034]本申请第三方面提供一种银行沉默客户分层体系构建设备，所述设备包括处理器以及存储器：
[0035]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0036]所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述银行沉默客户分层体系构建方法的步骤。
[0037]本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存
储程序代码，所述程序代码用于执行上述第一方面所述银行沉默客户分层体系构建方法的步骤。
[0038]从以上技术方案可以看出，本申请实施例具有以下优点：
[0039]本申请中，提供了一种银行沉默客户分层体系构建方法，基于用户的企业工商数据、历史价值贡献信息、企业风险数据、集团内价值表现、交易行为数据、外部数据以及基本属性属性，分别生成用户的沉默客户经营潜力评估模型以及沉默客户激活潜力预测模型，实现对沉默客户分层，从而有利于针对不同潜力的客户采取差异化的经营策略，有效提升促活效率以及转化率，解决了基于EVA评估体系的客户分层方式存在的难以衡量长尾客户的未来可能带来的潜力价值，方式比较单一和粗颗粒度，导致大量的长尾客户缺乏有效分群，客户经理缺乏对于低价值客户的营销和维系的技术问题。
附图说明
[0040]图1为本申请实施例中一种银行沉默客户分层体系构建方法的方法流程图；
[0041]图2为本申请实施例中一种银行沉默客户分层体系构建装置的结构示意图；
[0042]图3为本申请实施例中一种银行沉默客户分层体系构建设备的结构示意图。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种银行沉默客户分层体系构建方法，其特征在于，包括：S1：获取用户的企业工商数据、历史价值贡献信息、企业风险数据、集团内价值表现、交易行为数据以及外部数据，以生成对应第一特征变量的第一特征数据；S2：获取所述用户的基本属性数据，并根据所述用户的所述基本属性数据、所述交易行为数据以及所述外部数据，以生成对应第二特征变量的第二特征数据；S3：基于所述第一特征数据，生成沉默客户经营潜力评估模型；S4：基于所述第二特征数据，生成沉默客户激活潜力预测模型；S5、基于所述沉默客户经营潜力评估模型以及所述沉默客户激活潜力预测模型，构建包含低经营潜力、中经营潜力、高经营潜力以及低激活潜力、高激活潜力的沉默客户分层体系。2.根据权利要求1所述的银行沉默客户分层体系构建方法，其特征在于，所述步骤S3具体包括：S3.1：根据分箱处理对所述第一特征数据中数值变量金额进行处理；S3.2：根据统计的所述用户在所述第一特征数据中的特征变量的取值分布，生成客户画像分析；S3.3：根据专家定权法对所述第一特征数据中每个特征变量权重赋值为1；S3.4：通过统计规则模型构建沉默客户经营潜力评估模型。3.根据权利要求2所述的银行沉默客户分层体系构建方法，其特征在于，步骤S3.1具体包括：根据等频分箱方法将所述第一特征数据中数值变量金额变化分为五个区间，分别为0％～20％分位数区间、20％～40％分位数区间、40％～60分位数区间、60％～80％分位数区间以及80％～100％分位数区间。4.根据权利要求2所述的银行沉默客户分层体系构建方法，其特征在于，步骤S3.2具体包括：计算所述第一特征数据中各个特征变量的客户数、均值、分位数、最大值、最小值、标准差以及方差，生成客户画像分析。5.根据权利要求1所述的银行沉默客户分层体系构建方法，其特征在于，所述步骤S4具体包括：S4.1：根据饱和度以及单变量对所述第二特征数据进行统计分析；S4.2：基于WOE的特征筛选方法，得到所述第二特征数据中IV值0.1以上的第三特征变量；S4.3：通过z
【专利技术属性】
技术研发人员：胡万利，
申请(专利权)人：平安科技深圳有限公司，
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。