本申请公开了一种银行客户资产流失挽回的方法、装置、设备及介质，可应用于人工智能领域或金融领域。获取客户在预设时间段内的客户数据，将客户数据输入客户资产流失挽回模型中，得到客户的资产流失挽回的概率和挽回采用的营销方式；客户资产流失挽回模型是根据多个客户的客户数据和实际挽回结果，对机器学习模型训练得到；实际挽回结果包括是否被挽回和挽回采用的营销方式；在客户的资产流失挽回的概率大于阈值时，确定客户为资产流失可挽回的客户。通过人工智能模型得到资产流失可挽回的客户名单，能够准确定位资产能够被挽回的客户，并且提供精准的营销方式，能够促进银行业务人员挽回该客户，有效地提升了对于客户资产挽回的预测的准确率。的预测的准确率。的预测的准确率。
【技术实现步骤摘要】
一种银行客户资产流失挽回的方法、装置、设备及介质
[0001]本申请涉及人工智能领域，特别涉及一种银行客户资产流失挽回的方法、装置、设备及介质。
技术介绍
[0002]近年来，随着移动互联网的迅速普及，客户行为习惯加速向线上迁移，金融科技、人工智能、大数据应用技术的快速发展，为个人客户智能化服务提供了可能。对于银行业来说，资产管理规模(Asset Under Management，AUM)作为银行金融竞争力的核心指标之一，如何提升AUM非常关键，而将资产已流失的客户进行挽回的成本远低于获取新客户，那么，如何去定位能够被挽回的客户，并对该类客户做相应的精准营销是非常重要的一个业务目标。但传统的基于业务规则的方式通常都会出现定位不准确的问题，因此，如何准确地定位资产能够被挽回的客户以及提供精准的营销方式，成为目前急需解决的技术问题。
技术实现思路
[0003]有鉴于此，本申请的目的在于提供一种银行客户资产流失挽回的方法、装置、设备及介质，能够准确地定位资产能够被挽回的客户以及提供精准的营销方式。其具体方案如下：
[0004]第一方面，本申请提供了一种银行客户资产流失挽回的方法，包括：
[0005]获取客户在预设时间段内的客户数据；所述客户数据包括个人客户标签数据、金融资产数据、对私交易数据和代付代收数据；所述代付代收数据包括代发薪、代缴费和贷款数据；所述客户为资产已流失的客户；
[0006]将所述客户数据输入客户资产流失挽回模型中，得到所述客户的资产流失挽回的概率和挽回采用的营销方式；所述客户资产流失挽回模型是根据多个客户的客户数据和实际挽回结果，对机器学习模型训练得到；所述实际挽回结果包括是否被挽回和挽回采用的营销方式；所述挽回采用的营销方式包括以下方式的至少一种：存款产品营销、第三方存管产品营销和理财基金类产品营销；
[0007]在所述客户的资产流失挽回的概率大于阈值时，确定所述客户为资产流失可挽回的客户。
[0008]可选地，在所述将所述客户数据输入客户资产流失挽回模型中，得到所述客户的资产流失挽回的概率和挽回采用的营销方式之前，所述方法还包括：
[0009]根据多个客户的客户数据和实际挽回结果，构建样本集；
[0010]根据所述样本集采用梯度提升框架算法对机器学习模型进行训练，并利用高斯算法进行参数优化，得到客户资产流失挽回模型；
[0011]利用五轮五折交叉验证对所述客户资产流失挽回模型进行评估，得到阈值；
[0012]根据所述阈值确定所述样本集中的多个客户的预测挽回结果；所述预测挽回结果包括可挽回或不可挽回；
[0013]将所述预测挽回结果与所述样本集中的多个客户的实际挽回结果进行对比，若对比结果符合预设条件，则确定所述客户资产流失挽回模型训练完成。
[0014]可选地，所述利用五轮五折交叉验证对所述客户资产流失挽回模型进行评估，得到阈值，包括：
[0015]利用五轮五折交叉验证，根据模型评估指标对所述客户资产流失挽回模型进行评估，得到阈值；所述模型评估指标包括ACC、AUC、特异性指标、业务人员营销能力中的至少一种。
[0016]可选地，所述根据多个客户的客户数据和实际挽回结果，构建样本集，包括：
[0017]获取多个客户的客户数据和实际挽回结果；
[0018]对所述多个客户的客户数据进行特征衍生和重要性筛选，得到与客户资产流失挽回相关的特征数据；
[0019]根据所述特征数据和所述实际挽回结果构建样本集。
[0020]可选地，所述根据所述特征数据和所述实际挽回结果构建样本集，包括：
[0021]在实际挽回结果为已被挽回时，将已被挽回的客户的特征数据和实际挽回结果组成正样本集合；
[0022]采用SMOTE上采样的方法对所述正样本集合进行扩充，得到正样本扩充集合；
[0023]在实际挽回结果为未被挽回时，将未被挽回的客户的特征数据和实际挽回结果组成负样本集合；
[0024]根据所述正样本扩充集合和所述负样本集合组成样本集。
[0025]可选地，所述根据所述正样本扩充集合和所述负样本集合组成样本集，包括：
[0026]对所述负样本集合进行相似性计算，得到余弦距离和欧式距离；
[0027]根据所述余弦距离和所述欧式距离从所述负样本集合中筛选，得到负样本筛选集合；
[0028]根据所述正样本扩充集合和所述负样本筛选集合组成样本集。
[0029]第二方面，本申请实施例还提供了一种银行客户资产流失挽回的装置，包括：
[0030]获取单元，用于获取客户在预设时间段内的客户数据；所述客户数据包括个人客户标签数据、金融资产数据、对私交易数据和代付代收数据；所述代付代收数据包括代发薪、代缴费和贷款数据；所述客户为资产已流失的客户；
[0031]计算单元，用于将所述客户数据输入客户资产流失挽回模型中，得到所述客户的资产流失挽回的概率和挽回采用的营销方式；所述客户资产流失挽回模型是根据多个客户的客户数据和实际挽回结果，对机器学习模型训练得到；所述实际挽回结果包括是否被挽回和挽回采用的营销方式；所述挽回采用的营销方式包括以下方式的至少一种：存款产品营销、第三方存管产品营销和理财基金类产品营销；
[0032]第一确定单元，用于在所述客户的资产流失挽回的概率大于阈值时，确定所述客户为资产流失可挽回的客户。
[0033]可选地，所述装置还包括：
[0034]构建单元，用于根据多个客户的客户数据和实际挽回结果，构建样本集；
[0035]训练单元，用于根据所述样本集采用梯度提升框架算法对机器学习模型进行训练，并利用高斯算法进行参数优化，得到客户资产流失挽回模型；
[0036]评估单元，用于利用五轮五折交叉验证对所述客户资产流失挽回模型进行评估，得到阈值；
[0037]第二确定单元，用于根据所述阈值确定所述样本集中的多个客户的预测挽回结果；所述预测挽回结果包括可挽回或不可挽回；
[0038]第三确定单元，用于将所述预测挽回结果与所述样本集中的多个客户的实际挽回结果进行对比，若对比结果符合预设条件，则确定所述客户资产流失挽回模型训练完成。
[0039]第三方面，本申请实施例还提供了一种计算机设备，所述计算机设备包括处理器以及存储器：
[0040]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；
[0041]所述处理器用于根据所述程序代码中的指令执行所述的方法。
[0042]第四方面，本申请实施例还提供了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计算机程序，所述计算机程序用于执行所述的方法。
[0043]本申请实施例提供了一种银行客户资产流失挽回的方法、装置、设备及介质，获取客户在预设时间段内的客户数据，所述客户数据包括个人客户标签数据、金融资产数据、对私交易数据和代付代收数据；所述代付代收数据包括代发薪、代缴费和贷款数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种银行客户资产流失挽回的方法，其特征在于，包括：获取客户在预设时间段内的客户数据；所述客户数据包括个人客户标签数据、金融资产数据、对私交易数据和代付代收数据；所述代付代收数据包括代发薪、代缴费和贷款数据；所述客户为资产已流失的客户；将所述客户数据输入客户资产流失挽回模型中，得到所述客户的资产流失挽回的概率和挽回采用的营销方式；所述客户资产流失挽回模型是根据多个客户的客户数据和实际挽回结果，对机器学习模型训练得到；所述实际挽回结果包括是否被挽回和挽回采用的营销方式；所述挽回采用的营销方式包括以下方式的至少一种：存款产品营销、第三方存管产品营销和理财基金类产品营销；在所述客户的资产流失挽回的概率大于阈值时，确定所述客户为资产流失可挽回的客户。2.根据权利要求1所述的方法，其特征在于，在所述将所述客户数据输入客户资产流失挽回模型中，得到所述客户的资产流失挽回的概率和挽回采用的营销方式之前，所述方法还包括：根据多个客户的客户数据和实际挽回结果，构建样本集；根据所述样本集采用梯度提升框架算法对机器学习模型进行训练，并利用高斯算法进行参数优化，得到客户资产流失挽回模型；利用五轮五折交叉验证对所述客户资产流失挽回模型进行评估，得到阈值；根据所述阈值确定所述样本集中的多个客户的预测挽回结果；所述预测挽回结果包括可挽回或不可挽回；将所述预测挽回结果与所述样本集中的多个客户的实际挽回结果进行对比，若对比结果符合预设条件，则确定所述客户资产流失挽回模型训练完成。3.根据权利要求2所述的方法，其特征在于，所述利用五轮五折交叉验证对所述客户资产流失挽回模型进行评估，得到阈值，包括：利用五轮五折交叉验证，根据模型评估指标对所述客户资产流失挽回模型进行评估，得到阈值；所述模型评估指标包括ACC、AUC、特异性指标、业务人员营销能力中的至少一种。4.根据权利要求2所述的方法，其特征在于，所述根据多个客户的客户数据和实际挽回结果，构建样本集，包括：获取多个客户的客户数据和实际挽回结果；对所述多个客户的客户数据进行特征衍生和重要性筛选，得到与客户资产流失挽回相关的特征数据；根据所述特征数据和所述实际挽回结果构建样本集。5.根据权利要求4所述的方法，其特征在于，所述根据所述特征数据和所述实际挽回结果构建样本集，包括：在实际挽回结果为已被挽回时，将已被挽回的客户的特征数据和实际挽回结果组成正样本集合；采用SMOTE上采样的方法对所述正样本集合进行扩充，得到正样本扩充集合；在实际挽回结果为未被挽回时，将未...
【专利技术属性】
技术研发人员：徐梓丞，黄康，李敬文，
申请(专利权)人：中国银行股份有限公司，
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。