一种针对用户金融产品需求进行分类和预测的方法技术

一种针对用户金融产品需求进行分类和预测的方法包括构建训练集步骤、数据训练步骤和模型应用步骤；构建训练集步骤根据历史营销数据信息形成作为训练集的结果矩阵；数据训练步骤基于决策树算法对所选取的兴趣特征进行二分处理后对于每个用户进行分类，得到分类模型；模型应用步骤根据分类模型将需进行营销的用户群体中的所有用户区分为点击意向用户与无点击意向用户，而后仅对点击意向用户进行营销。因此，本发明专利技术的技术方案是通过综合考虑每个用户所对应的所有兴趣特征，可以将高点击意向与低点击意向用户进行区分，从而只对高点击用户进行金融产品线上营销，在达到节省营销成本的同时，还能够提升营销效果。

【技术实现步骤摘要】
一种针对用户金融产品需求进行分类和预测的方法
本专利技术涉及大数据处理及信息
，更具体地，涉及一种针对用户金融产品需求进行分类和预测的方法。
技术介绍
随着大数据及信息技术的发展，其应用于线上营销的场景越来越多，尤其是在标准化程度较高的金融产品领域。而在这一线上营销过程中，分析出各个用户对于所感兴趣的内容(兴趣特征)而根据此来持续优化线上营销的策略才能在激烈的竞争中生存发展，而分析用户对于营销内容的用户行为(点击)数据并进行持续的优化，成为影响到线上营销经济效益的最重要因素。每个用户都能对应数十乃至数百项兴趣特征，当前对于金融产品的线上营销，主要对于单一兴趣特征的用户进行直接推荐，而鲜有考虑某一用户多项兴趣特征结合再决定是否对其进行推荐，例如：只对兴趣特征A对应的所有用户进行推荐，又对兴趣特征B对应的所有用户进行推荐，以此类推，并不考虑兴趣特征A的对应的用户中是否还对应了兴趣特征B等等。而且，很多单项兴趣特征的用户，其有时对于所推荐产品的意向率并不高，因此，在实际业务中会放弃对所推荐产品的兴趣特征用户对应的所有用户进行持续推荐及营销。以短信营销为例来说，短信营销作为传统的线上营销方式，仍然在各类营销方式中占据重要的地位，而对于各类型用户进行营销的准确性成为影响到经济效益的最重要因素。当前对于金融产品的短信营销，主要将各用户根据简单的互联网行为进行区分，对某一个或多个互联网行为对应的用户进行全量营销，即将互联网行为作为唯一区分特性。然而，在实际运行过程中，某一个或多个互联网行为中的全部用户，对于信用卡产品的总体意向率不高，即在金融产品短信营销过程中，用户对于信用卡短信中链接的点击率较低，在实际营销过程中会将其全部放弃，但其中，信用卡有意向用户在绝对数量上来说并不在少数。因此，综合考虑每个用户所有的兴趣特征来决定是否对其进行营销/推荐，有效地将单一兴趣特征中真正有意向的用户进行区分，是目前业界急需解决的问题。
技术实现思路
本专利技术的目的在于提供一种针对用户金融产品需求进行分类和预测的方法及装置，其可以在金融产品线上营销过程中，在用户对于所营销产品链接的点击率较低的情况下，综合考虑每个用户所对应的所有兴趣特征，可以将高点击意向与低点击意向用户进行区分，从而只对高点击用户进行金融产品线上营销，在达到节省营销成本的同时还能够提升营销效果。为实现上述目的，本专利技术的技术方案如下：一种针对用户金融产品需求进行分类和预测的方法，其包括构建训练集步骤和数据训练步骤：所述构建训练集步骤包括：步骤S11：确定M项互联网金融产品，选取N个对所述M项互联网金融产品有参与需求的用户；其中，每一位用户具有唯一的用户ID，所述M项互联网金融产品包括M个兴趣特征和一个互联网响应行为特征，所述互联网响应行为特征的结果值为是否对营销产品链接进行点击展开，所述M个兴趣特征具有Y个结果值，M、Y和N为正整数；步骤S12：根据一预定的时间段的历史营销数据信息，获得对每一位所述用户进行所述M项互联网金融产品营销中的M个兴趣特征，以及得到每一位所述用户参与的互联网金融产品的互联网响应行为特征；步骤S13：形成对所述M项互联网金融产品有参与需求的用户数量*(兴趣特征数量+互联网响应行为特征数量)的结果矩阵；其中，所述结果矩阵为N*(M+1)；所述数据训练步骤包括：步骤S21：基于决策树算法，从所述M个兴趣特征中选取X个兴趣特征，对X个兴趣特征进行二分处理；其中，X为小于等于M的正整数；步骤S22：将所述X个兴趣特征中的每一个特征作为节点而对用户进行二分处理，在每一次特征分类后计算出各特征与其相应的互联网响应行为特征结果值的相关性；步骤S23：根据每一次迭代处理后的各特征与其相应的互联网响应行为特征结果值组合的相关性，得到所述用户被分错集合概率，并将得到所述用户被分错集合概率最小的组合，作为预测后的分类模型。优选地，所述的针对用户金融产品需求进行分类和预测的方法还包括模型应用步骤，所述模型应用步骤具体包括：步骤S31：获取拟互联网金融产品营销的包括Z位用户的群体，所述需进行互联网金融产品构成M个兴趣特征，Z为正整数；步骤S32：形成对所述拟互联网金融产品营销有参与需求的用户数量*兴趣特征数量的结果矩阵；其中，所述结果矩阵为Z*M；步骤S33：使用步骤23中的分类模型，将所有所述拟互联网金融产品营销用户区分为点击意向用户与无点击意向用户，而后仅对点击意向用户进行营销。从上述技术方案可以看出，本专利技术具有如下有益效果：①、本专利技术基于决策树算法，能将低信用卡意向率的互联网行为特征中的高信用卡意向率客户进行区分，从而仅对点击意向用户进行营销，在降低营销成本的同时，还能得到较好的实际收益，达到经济效益。②、将人工智能技术结合到实际业务中进行应用和推广，技术对于企业业务的实际推动而起到社会价值。附图说明图1所示为本专利技术实施例中针对用户金融产品需求进行分类和预测的方法的流程示意图具体实施方式下面结合附图，对本专利技术的具体实施方式作进一步的详细说明。需要说明的是，在下述的具体实施方式中，在详述本专利技术的实施方式时，为了清楚地表示本专利技术的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本专利技术的限定来加以理解。需要说明的是，本专利技术的技术方案是通过综合考虑每个用户所对应的所有兴趣特征，可以将高点击意向与低点击意向用户进行区分，从而只对高点击用户进行金融产品线上营销，在达到节省营销成本的同时，还能够提升营销效果。在以下本专利技术的具体实施方式中，请参阅图1，图1所示为本专利技术实施例中针对用户金融产品需求进行分类和预测的方法的流程示意图。如图所示，该方法包括构建训练集步骤、数据训练步骤和模型应用步骤。构建训练集步骤可以包括如下步骤：步骤S11：确定M项互联网金融产品，选取N个对所述M项互联网金融产品有参与需求的用户；其中，每一位用户具有唯一的用户ID，所述M项互联网金融产品包括M个兴趣特征和一个互联网响应行为特征，所述互联网响应行为特征的结果值为是否对营销产品链接进行点击展开，所述M个兴趣特征具有Y个结果值，M、Y和N为正整数。步骤S12：根据一预定的时间段的历史营销数据信息，获得对每一位所述用户进行所述M项互联网金融产品营销中的M个兴趣特征，以及得到每一位所述用户参与的互联网金融产品的互联网响应行为特征；步骤S13：形成对所述M项互联网金融产品有参与需求的用户数量*(兴趣特征数量+互联网响应行为特征数量)的结果矩阵；其中，所述结果矩阵为N*(M+1)。在本专利技术的实施例中，可以将历史营销数据信息作为训练集中的数据。具体地，可以将历史营销数据汇总成一个已营销用户数量*(兴趣特征数量+1)的矩阵，即将每个已营销用户的所有兴趣特征(十分感兴趣/感兴趣/不感兴趣)以及是否对营销产品链接进行点本文档来自技高网...

【技术保护点】
1.一种针对用户金融产品需求进行分类和预测的方法，其特征在于，包括构建训练集步骤和数据训练步骤：/n所述构建训练集步骤包括：/n步骤S11：确定M项互联网金融产品，选取N个对所述M项互联网金融产品有参与需求的用户；其中，每一位用户具有唯一的用户ID，所述M项互联网金融产品包括M个兴趣特征和一个互联网响应行为特征，所述互联网响应行为特征的结果值为是否对营销产品链接进行点击展开，所述M个兴趣特征具有Y个结果值，M、Y和N为正整数；/n步骤S12：根据一预定的时间段的历史营销数据信息，获得对每一位所述用户进行所述M项互联网金融产品营销中的M个兴趣特征，以及得到每一位所述用户参与的互联网金融产品的互联网响应行为特征；/n步骤S13：形成对所述M项互联网金融产品有参与需求的用户数量*(兴趣特征数量+互联网响应行为特征数量)的结果矩阵；其中，所述结果矩阵为N*(M+1)；/n所述数据训练步骤包括：/n步骤S21：基于决策树算法，从所述M个兴趣特征中选取X个兴趣特征，对X个兴趣特征进行二分处理；其中，X为小于等于M的正整数；/n步骤S22：将所述X个兴趣特征中的每一个特征作为节点而对用户进行二分处理，在每一次特征分类后计算出各特征与其相应的互联网响应行为特征结果值的相关性；/n步骤S23：根据每一次迭代处理后的各特征与其相应的互联网响应行为特征结果值组合的相关性，得到所述用户被分错集合概率，并将得到所述用户被分错集合概率最小的组合，作为预测后的分类模型。/n...

【技术特征摘要】
1.一种针对用户金融产品需求进行分类和预测的方法，其特征在于，包括构建训练集步骤和数据训练步骤：
所述构建训练集步骤包括：
步骤S11：确定M项互联网金融产品，选取N个对所述M项互联网金融产品有参与需求的用户；其中，每一位用户具有唯一的用户ID，所述M项互联网金融产品包括M个兴趣特征和一个互联网响应行为特征，所述互联网响应行为特征的结果值为是否对营销产品链接进行点击展开，所述M个兴趣特征具有Y个结果值，M、Y和N为正整数；
步骤S12：根据一预定的时间段的历史营销数据信息，获得对每一位所述用户进行所述M项互联网金融产品营销中的M个兴趣特征，以及得到每一位所述用户参与的互联网金融产品的互联网响应行为特征；
步骤S13：形成对所述M项互联网金融产品有参与需求的用户数量*(兴趣特征数量+互联网响应行为特征数量)的结果矩阵；其中，所述结果矩阵为N*(M+1)；
所述数据训练步骤包括：
步骤S21：基于决策树算法，从所述M个兴趣特征中选取X个兴趣特征，对X个兴趣特征进行二分处...

【专利技术属性】
技术研发人员：项亮，沈方捷，
申请(专利权)人：上海数鸣人工智能科技有限公司，
类型：发明
国别省市：上海;31