【技术实现步骤摘要】
本专利技术涉及数据处理领域，特别是涉及一种用户筛分方法及系统。
技术介绍
1、随着金融体系的深度变革，商业银行正面临着一系列挑战，其中包括用户忠诚度低和产品购买率低等问题。这些问题直接影响到银行的业务发展和市场竞争力，因此，对可能流失的用户做出预警和挽回已经成为了商业银行的重要任务。
2、目前的技术手段主要是基于人工经验建立规则的用户流失预警方法。近年来，一些方法还引入了机器学习算法，以提高预警的精度。
3、然而，这些方法的输入模型仍然依赖于人工定义的流失用户标准，这些基于人工经验的规则存在一些缺点和不足。例如，这些方法通常是基于固定的特征权重和阈值来划分用户等级，这些权重和阈值往往是人为设置或者基于历史数据统计的，不能反映用户行为的实时变化和个性化差异。其次，这些方法大多基于单一或者简单组合的分类算法来构建预警模型，不能充分利用多种算法之间的优势和互补性。最后，这些方法通常是基于单次或者定期的批量处理来更新预警模型，这种处理方式往往耗时且效率低下，不能及时响应市场变化和用户需求。这些缺陷会导致输入模型的数据不符合实际分布，使模型识别效果不佳或鲁棒性差。因此，急需一种可以根据用户行为的实时变化和个性化差异进行动态调整，同时能够综合多种分类算法之间的优势和互补性，实现精确更新预警模型的方法。
技术实现思路
1、为此，本专利技术提供了一种用户筛分方法及系统，解决了现有技术中划分流失用户标准精度不足的问题。
2、为实现上述目的，本专利技术一方面提供一种
3、根据存储在数据库内的用户资产数值对用户进行等级划分，划分为若干资产规模等级；
4、开始筛选第i月的流失用户与非流失用户；
5、在每个所述资产规模等级内，选择i月与i-1月相比存在资产负增长的用户，并将所述用户按照降幅幅度从大到小进行排序，获取i月的用户降幅列表;
6、根据i月的所述用户降幅列表确定第一用户资产降幅分布表；
7、重复以上步骤，根据i-1月的所述用户降幅列表确定第二用户资产降幅分布表；
8、设置阈值；
9、根据所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值与所述阈值的关系确定当前资产规模等级内的流失用户；
10、基于所述流失用户预测未来的流失用户。
11、进一步地，根据每个所述资产规模等级内的所述用户降幅列表确定的第一用户资产降幅分布表包括：分别计算在各个所述用户降幅列表中的前x%的用户的平均资产降幅，得到各个所述资产规模等级下的第一用户资产降幅分布表，所述第一用户资产降幅分布表包括若干所述平均资产降幅以及与所述平均资产降幅对应的用户百分比，所述第一用户资产降幅分布表是根据第i月和第i-1月的用户资产数据获取的，所述第一用户资产降幅分布表内的某一平均资产降幅为在所述资产规模等级内筛分最初的第i月流失用户与非流失用户的目标资产降幅。
12、进一步地，得到第二用户资产降幅分布表包括：在每个所述资产规模等级内，选择i-1月与i-2月存在资产负增长的用户，并将所述用户按照降幅幅度从大到小进行排序，获取各个所述资产规模等级内的用户降幅列表，计算所述用户降幅列表中降幅前x%的用户的平均资产降幅。
13、进一步地，根据所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值与所述阈值的关系确定当前资产规模等级内的流失用户包括：
14、若所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值大于设置的阈值，则将i更新为i-1后重复执行开始筛选后的所有步骤，若差值小于或等于设置的阈值，则向下执行；
15、使用从所述第一用户资产降幅分布表找到最优挽留率x%；
16、将所述最优挽留率x%带入该所述资产规模等级内首次产生的第一用户资产降幅分布表，查找所述最优挽留率x%在首次产生的第一用户资产降幅分布表中对应的用户平均资产降幅，该平均资产降幅为目标资产降幅；
17、在最初的第i月的每个所述资产规模等级内的用户降幅列表中，若用户实际资产降幅大于所述目标资产降幅，则判定该用户为当前资产规模等级内的流失用户。
18、进一步地，在确定流失用户后，还包括：若用户实际资产降幅小于所述目标资产降幅，则判定该用户为当前资产规模等级内的非流失用户。
19、进一步地，在确定所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值与所述阈值的关系时，
20、初步设置所述第一用户资产降幅分布表中的用户百分比为1%-100%，所述用户百分比对应的平均资产降幅数据分别为a1-a100;
21、初步设置所述第二用户资产降幅分布表中的用户百分比为1%-100%，所述用户百分比对应的平均资产降幅数据分别为b1-b100;
22、对a1-a100求和得到结果c，对b1-b100求和得到结果d，用c-d得到结果e，用e除以c得到结果f，f为所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值，所述用户百分比的设定根据用户实际数量化调整；
23、阈值初步设置为50%，所述阈值根据准确性和覆盖率进行调整。
24、进一步地，在寻找最优挽留率x%的过程中，初始生成一个由不同挽留率x% 值构成的数值组，随后采用选择、交叉和变异操作生成新的数值组，每个个体挽留率x的适应度通过一个基于用户资产降幅分布表和预定的目标资产降幅设计的适应度函数来评估，所述适应度的评价标准是预测未来的流失用户的准确率。
25、进一步地，预测未来的流失用户通过训练后的深度学习模型进行，训练后的所述深度学习模型基于筛分后的流失用户作为流失标签训练得到，将筛分出来的所述流失用户与所述非流失用户的数据作为深度学习模型的训练集，输入选定的深度学习模型进行训练，训练后的深度学习模型根据现有用户数据预测未来可能出现的流失用户。
26、进一步地，所述深度学习模型的训练过程中，采用了梯度下降法进行优化，且在训练过程中，应用过拟合防止技术，所述过拟合防止技术包括早期停止和正则化。
27、进一步地，所述适应度函数包括人工成本约束函数和收敛速度，其中，所述人工成本约束函数采用公式（1）来计算；
28、所述收敛速度采用公式（2）来计算；
29、人工成本约束函数c（t）=n（t）+d（t） （1）
30、收敛速度v=（n1-n2）/(t1-t2) （2）
31、其中，n（t）表示在选择最佳挽留率的过程中的使用的用户资产数据中的字符数量，d（t）表示在选择最佳挽留率的过程中使用的用户资产数据中的数据量，n1为在t1时刻确定的最佳挽留率，n2为t2时刻确定的最佳挽留率，t为选择最佳挽留率的过程的使用时长。
32、另一方面，本专利技术还提供一种用户筛分系统，该系统包括：用户资产划分模块，用于根据存储在数据库内的用户资产数值对用户进行等级划分，划分为若本文档来自技高网...
【技术保护点】
1.一种用户筛分方法，其特征在于，包括：
2.根据权利要求1所述的用户筛分方法，其特征在于，得到第一用户资产降幅分布表包括：分别计算在各个所述用户降幅列表中的前X%的用户的平均资产降幅，得到各个所述资产规模等级下的第一用户资产降幅分布表，所述第一用户资产降幅分布表包括若干所述平均资产降幅以及与所述平均资产降幅对应的用户百分比，所述第一用户资产降幅分布表是根据第i月和第i-1月的用户资产数据获取的，所述第一用户资产降幅分布表内的某一平均资产降幅为在所述资产规模等级内筛分最初的第i月流失用户与非流失用户的目标资产降幅。
3.根据权利要求2所述的用户筛分方法，其特征在于，得到第二用户资产降幅分布表包括：在每个所述资产规模等级内，选择i-1月与i-2月存在资产负增长的用户，并将所述用户按照降幅幅度从大到小进行排序，获取各个所述资产规模等级内的用户降幅列表，计算所述用户降幅列表中降幅前X%的用户的平均资产降幅。
4.根据权利要求3所述的用户筛分方法，其特征在于，在确定流失用户后，还包括：若用户实际资产降幅小于所述目标资产降幅，则判定该用户为当前资产规模等
5.根据权利要求4所述的用户筛分方法，其特征在于，在确定所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值与所述阈值的关系时，
6.根据权利要求5所述的用户筛分方法，其特征在于，在寻找最优挽留率X%的过程中，初始生成一个由不同挽留率X% 值构成的数值组，随后采用选择、交叉和变异操作生成新的数值组，每个个体挽留率X的适应度通过基于用户资产降幅分布表和预定的目标资产降幅设计的适应度函数来评估，所述适应度的评价标准是预测未来的流失用户的准确率。
7.根据权利要求6所述的用户筛分方法，其特征在于，预测未来的流失用户通过训练后的深度学习模型进行，训练后的所述深度学习模型基于筛分后的流失用户作为流失标签训练得到，将筛分出来的所述流失用户与所述非流失用户的数据作为深度学习模型的训练集，输入选定的深度学习模型进行训练，训练后的深度学习模型根据现有用户数据预测未来可能出现的流失用户。
8.根据权利要求7所述的用户筛分方法，其特征在于，所述深度学习模型的训练过程中，采用了梯度下降法进行优化，且在训练过程中，应用过拟合防止技术，所述过拟合防止技术包括早期停止和正则化。
9.根据权利要求8所述的用户筛分方法，其特征在于，所述适应度函数包括人工成本约束函数和收敛速度，其中，所述人工成本约束函数采用公式（1）来计算；
10.一种应用权利要求1至9任一项所述用户筛分方法的系统，其特征在于，包括：
...【技术特征摘要】
1.一种用户筛分方法，其特征在于，包括：
2.根据权利要求1所述的用户筛分方法，其特征在于，得到第一用户资产降幅分布表包括：分别计算在各个所述用户降幅列表中的前x%的用户的平均资产降幅，得到各个所述资产规模等级下的第一用户资产降幅分布表，所述第一用户资产降幅分布表包括若干所述平均资产降幅以及与所述平均资产降幅对应的用户百分比，所述第一用户资产降幅分布表是根据第i月和第i-1月的用户资产数据获取的，所述第一用户资产降幅分布表内的某一平均资产降幅为在所述资产规模等级内筛分最初的第i月流失用户与非流失用户的目标资产降幅。
3.根据权利要求2所述的用户筛分方法，其特征在于，得到第二用户资产降幅分布表包括：在每个所述资产规模等级内，选择i-1月与i-2月存在资产负增长的用户，并将所述用户按照降幅幅度从大到小进行排序，获取各个所述资产规模等级内的用户降幅列表，计算所述用户降幅列表中降幅前x%的用户的平均资产降幅。
4.根据权利要求3所述的用户筛分方法，其特征在于，在确定流失用户后，还包括：若用户实际资产降幅小于所述目标资产降幅，则判定该用户为当前资产规模等级内的非流失用户。
5.根据权利要求4所述的用户筛分方法，其特征在于，在确定所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差...
【专利技术属性】
技术研发人员：赵俊，邓日晓，杨志，
申请(专利权)人：湖南三湘银行股份有限公司，
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。