【技术实现步骤摘要】
本专利技术涉及计算机，特别涉及一种银行活动的精准营销方法、装置、设备和介质。
技术介绍
1、预测客户是否参加掌上银行某个场景下的营销活动时，通常采用响应模型、二分类模型等对客户营销转化的概率进行预测，预测概率值越接近于1，表明营销转化可能性越大，越应该被营销，以此筛选出营销客群。
2、但是仅对转化概率较高的对客户进行营销会存在一个问题：客户转化后，无法区分该客户是自然转化还是由于营销转化。对于自然转化客户，无需特殊营销就会主动了解活动、参加活动，而由于营销转化的客户则是在触达广告之后才会参与其中，这部分客户才是真正被营销打动的人，即营销敏感人群，营销的主要目标也正是使广告能精准触达该群体。要想在有限成本的情况下最大化营销转化率，关键在于能否准确找到营销敏感人群，从而实现广告的精准投放。
3、公开日为2021.03.05的中国专利技术cn 112446541 a公开了一种融合分类模型建立方法、营销转化率增益预测方法及系统，营销转化率增益预测方法包括：确定营销活动开展预定时间段后对照组及营销组中用户对营销活动相关产品的转化结果；利用平衡样本用的预定转换规则，将转化结果转化为转换变量；将对照组及营销组中用户的特征作为输入，用户的转换变量取值概率作为输出，训练得到融合分类模型；根据待分析用户特征及融合分类模型，计算得到待分析用户转换变量取值概率；根据待分析用户转换变量取值的概率，计算得到营销转化率增益。但该模型基于神经网络实现，由于神经网络的复杂性，特别是在深度神经网络中，人们往往难以理解其内部的决策过程和推理逻
技术实现思路
1、本专利技术要解决的技术问题，在于提供一种银行活动的精准营销方法、装置、设备和介质，其增益模型基于集成学习模型，模型的可解释性更强，生成的模型具有更直观的结构，能够给出特征对目标的影响程度。
2、第一方面，本专利技术提供了一种银行活动的精准营销方法，包括下述步骤：
3、s1、根据银行活动场景，在全体客户中随机抽取部分客户分别作为实验组、对照组样本进行ab试验，其中，实验组客户进行营销干预，对照组客户不进行营销干预；
4、s2、从试验结果数据表中统计ab试验结果，标记客户在试验之后是否转化，将转化的客户标记为1，否则标记为0；
5、s3、从不同维度选取客户特征，客户特征包括自然属性、资产信息和交易行为，根据选取的客户特征构建客户特征宽表，并从数据库中更新该客户特征宽表的客户特征数据；
6、s4、将是否进行营销干预作为变量，将参与ab试验的客户作为模型的训练样本，用下式定义构建增益模型：
7、；
8、其中，表示第i个客户的营销增益；表示第i个客户转化结果，若客户转化成功其值为1，反之为0；表示客户特征向量；表示是否对客户营销干预，有进行营销干预时其值为1，反之为0；p表示客户的转化概率计算模型；
9、s5、进行所述增益模型的训练，训练时分别计算客户在是否营销干预两种不同情况下转化概率，而后计算得到客户营销增益；
10、s6、根据模型训练结果，对增益模型训练效果进行评估，选择评估值最大的模型作为最优模型进行保存；
11、s7、使用所述最优模型对目标客群进行预测，得到客户增益大小的预测结果排名，按照客户增益大小的排名选取营销目标，实现精准营销。
12、第二方面，本专利技术提供了一种银行活动的精准营销装置，包括：
13、样本抽取模块，用于根据银行活动场景，在全体客户中随机抽取部分客户分别作为实验组、对照组样本进行ab试验，其中，实验组客户进行营销干预，对照组客户不进行营销干预；
14、统计模块，用于从试验结果数据表中统计ab试验结果，标记客户在试验之后是否转化，将转化的客户标记为1，否则标记为0；
15、客户特征宽表构建模块，用于从不同维度选取客户特征，客户特征包括自然属性、资产信息和交易行为，根据选取的客户特征构建客户特征宽表，并从数据库中更新该客户特征宽表的客户特征数据；
16、增益模型构建模块，用于将是否进行营销干预作为变量，将参与ab试验的客户作为模型的训练样本，用下式定义构建增益模型：
17、；
18、其中，表示第i个客户的营销增益；表示第i个客户转化结果，若客户转化成功其值为1，反之为0；表示客户特征向量；表示是否对客户营销干预，有进行营销干预时其值为1，反之为0；p表示客户的转化概率计算模型；
19、训练模块，进行所述增益模型的训练，训练时分别计算客户在是否营销干预两种不同情况下转化概率，而后计算得到客户营销增益；
20、评估模块，用于根据模型训练结果，对增益模型训练效果进行评估，选择评估值最大的模型作为最优模型进行保存；
21、预测模块，使用所述最优模型对目标客群进行预测，得到客户增益大小的预测结果排名，按照客户增益大小的排名选取营销目标，实现精准营销。
22、第三方面，本专利技术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，所述处理器执行所述程序时实现第一方面所述的方法。
23、第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
24、本专利技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：对预测营销增益较高的客户进行营销，营销转化率显著提高。同时该模型在各类营销场景中也有较强的适用性，能够为其他营销活动提供相应的预测，从而提高营销转换率，实现精准营销。基于集成学习实现增益模型，增益模型的可解释性更强，生成的增益模型具有更直观的结构，能够给出特征对目标的影响程度，对特征分布无严格要求，在可获取的样本数量有限的情况下，集成学习模型通过调整也能在数据量较小的情况下有良好表现。
25、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种银行活动的精准营销方法，其特征在于：包括下述步骤：
2.根据权利要求1所述的一种银行活动的精准营销方法，其特征在于：所述S5中，是基于梯度提升树的集成学习算法采用五折交叉验证法训练转化概率计算模型，训练过程如下：
3.根据权利要求1所述的一种银行活动的精准营销方法，其特征在于：所述S6中，对增益模型训练效果进行评估是使用qini指标进行评估的，评估过程如下：
4.一种银行活动的精准营销装置，其特征在于：包括：
5.根据权利要求4所述的一种银行活动的精准营销装置，其特征在于：所述训练模块是基于梯度提升树的集成学习算法采用五折交叉验证法训练转化概率计算模型，训练过程如下：
6.根据权利要求4所述的一种银行活动的精准营销装置，其特征在于：所述对增益模型训练效果进行评估是使用qini指标进行评估的，评估过程如下：
7.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述的方法。
8.一种计算机可读存储介质
...【技术特征摘要】
1.一种银行活动的精准营销方法，其特征在于：包括下述步骤：
2.根据权利要求1所述的一种银行活动的精准营销方法，其特征在于：所述s5中，是基于梯度提升树的集成学习算法采用五折交叉验证法训练转化概率计算模型，训练过程如下：
3.根据权利要求1所述的一种银行活动的精准营销方法，其特征在于：所述s6中，对增益模型训练效果进行评估是使用qini指标进行评估的，评估过程如下：
4.一种银行活动的精准营销装置，其特征在于：包括：
5.根据权利要求4所述的一种银行活动的精准营销装置，其特征在于：所述训练模...
【专利技术属性】
技术研发人员：韩绍瑜，黄王非，许峻峰，李军晖，李伟真，李琳，阙钰歆，
申请(专利权)人：中国农业银行股份有限公司厦门市分行，
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。