[發(fā)明專利]一種挖掘潛在客戶的數(shù)學(xué)模型

有效

• 申請?zhí)枺?/td>: 201710567894.6
• 申請日: 2017-07-13
• 公開（公告）號: CN109255638B
• 公開（公告）日: 2022-04-26
• 發(fā)明（設(shè)計(jì)）人: 廖繼全
• 申請（專利權(quán)）人: 北京融和友信科技股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q40/06
• 代理公司: 北京艾格律詩專利代理有限公司 11924
• 代理人: 謝毅

1.一種挖掘潛在客戶的方法，其特征在于，預(yù)先定義客戶C，產(chǎn)品I，購買金額y，預(yù)測購買金額，其主要包括以下步驟：

S1)數(shù)據(jù)庫取數(shù)，通過在銀行存量客戶的信息匯總的數(shù)據(jù)庫中讀取客戶信息數(shù)據(jù)；

S2)數(shù)據(jù)預(yù)處理過程，所述數(shù)據(jù)預(yù)處理過程，其包括客戶特征篩選、數(shù)據(jù)清洗和數(shù)據(jù)治理過程，最終輸出符合要求的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；訓(xùn)練數(shù)據(jù)Train＝{C₁，C₂，C₃，C_m，.....C_n}^T，訓(xùn)練數(shù)據(jù)的特征和購買金額構(gòu)成矩陣；

S3)理財(cái)產(chǎn)品的各個子模型單獨(dú)進(jìn)行分布式計(jì)算：通過不斷調(diào)整各特征權(quán)重使得預(yù)測值不斷逼近真實(shí)值的過程，其包括數(shù)學(xué)模型、比較器、觸發(fā)器、權(quán)重調(diào)配和輸出子模型；具體步驟如下：包括依次完成數(shù)學(xué)模型、比較器、觸發(fā)器、權(quán)重調(diào)配，最后獲得預(yù)測子模型，構(gòu)成完整的迭代優(yōu)化過程，其中核心部分是數(shù)學(xué)模型：

S31)數(shù)學(xué)模型中設(shè)置多個模型：

子模型1，核心數(shù)學(xué)模型是多元非線性回歸模型：

，C為常數(shù)；

且max{i，j，k，...}＝3；

子模型2，核心數(shù)學(xué)模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，，i≤2；

子模型3，核心數(shù)學(xué)模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，；

S32)比較器部分：比較器是一個衡量預(yù)測值和真實(shí)購買金額y之間誤差程度的函數(shù)：

S33)觸發(fā)器部分：觸發(fā)器的作用是人工設(shè)置一個參數(shù)α，當(dāng)e≤α，停止迭代輸出當(dāng)前數(shù)學(xué)模型為子模型；當(dāng)e＞α，調(diào)整權(quán)重，不斷進(jìn)行迭代直到符合要求；

S34)權(quán)重調(diào)配過程：權(quán)重調(diào)配的作用是通過調(diào)節(jié)權(quán)重來控制預(yù)測值，使其不斷逼近真實(shí)值；權(quán)重調(diào)配方法使用考梯度下降法；

S35)獲得預(yù)測子模型部分：分別采用子模型1、子模型2、子模型3進(jìn)行依次通過比較器、觸發(fā)器、權(quán)重分配進(jìn)行訓(xùn)練，三個子模型訓(xùn)練同時進(jìn)行，當(dāng)各自滿足觸發(fā)條件，則輸出當(dāng)前的三個子模型稱為預(yù)測子模型；

S4)各子模型進(jìn)行比較，表現(xiàn)突出者作為對應(yīng)產(chǎn)品的預(yù)測模型輸出，用于測試數(shù)據(jù)測試，并作為最終的全量數(shù)據(jù)預(yù)測模型，其他子模型舍棄；

S5)從數(shù)據(jù)庫中另取和訓(xùn)練數(shù)據(jù)同等規(guī)模的有銷售數(shù)據(jù)的數(shù)據(jù)，進(jìn)行步驟S2操作，獲得測試數(shù)據(jù)Test＝{C′₁，C′₂，C′₃，.....C′_n}^T；將測試數(shù)據(jù)導(dǎo)入該產(chǎn)品預(yù)測模型，進(jìn)行運(yùn)算；

S6)通過判斷測試結(jié)果是否表現(xiàn)突出，使用模型比較過程衡量是否突出；使用相似度、概率和衡量預(yù)測購買金額和真實(shí)購買金額y之間誤差程度的函數(shù)e值來進(jìn)行衡量，若測試數(shù)據(jù)的輸出在相似度、概率以及e值上的表現(xiàn)和訓(xùn)練數(shù)據(jù)的最終表現(xiàn)符合預(yù)期，則認(rèn)為該預(yù)測模型表現(xiàn)突出，作為全量數(shù)據(jù)的預(yù)測模型；否則，增加訓(xùn)練數(shù)據(jù)量重新返回步驟S2、S3、S4；

S7)對每種產(chǎn)品均建立預(yù)測模型，最終構(gòu)建出銀行所有產(chǎn)品的預(yù)測模塊；

S8)從數(shù)據(jù)庫取全量數(shù)據(jù)，進(jìn)行S2操作，然后啟動預(yù)測模塊；

S9)獲得客戶C×產(chǎn)品預(yù)測推薦矩陣，該矩陣一方面獲得產(chǎn)品的潛在客戶名單，另一方面獲得客戶推薦的產(chǎn)品列表；

S10)根據(jù)預(yù)測推薦矩陣進(jìn)行營銷，并將營銷結(jié)果返回?cái)?shù)據(jù)庫，啟動機(jī)器學(xué)習(xí)模塊，優(yōu)化修正；

其中，所述客戶特征篩選中并賦予初始權(quán)重包括以下步驟：

S211)根據(jù)客戶特征體系建立備選特征池構(gòu)成長清單；

S212)根據(jù)長清單編寫問卷調(diào)查表；

S213)將問卷調(diào)查表分別發(fā)送給銀行理財(cái)方面的專家以及銷售人員進(jìn)行調(diào)查并進(jìn)行補(bǔ)充；

S214)將調(diào)查結(jié)果匯總?cè)〔⒓@得關(guān)鍵特征組記為C＝{x₁，x₂，x₃，.....x_m}；

S215)對特征組分配權(quán)重記為W＝(w₁，w₂，w₃，.....w_m)；

且∑_w＝1，作為數(shù)學(xué)模型初次迭代的初始權(quán)重；

S216)確定最終關(guān)鍵特征m個；

所述購買金額y和預(yù)測購買金額之間誤差程度的函數(shù)：

。

2.根據(jù)權(quán)利要求1所述的一種挖掘潛在客戶的方法，其特征在于，將子模型訓(xùn)練過程獲得的三個預(yù)測子模型進(jìn)行比較，表現(xiàn)突出者作為該產(chǎn)品此次機(jī)器學(xué)習(xí)的最終輸出模型，用于測試數(shù)據(jù)測試，作為最終的全量數(shù)據(jù)預(yù)測模型，其他子模型舍棄，模型比較從三個維度進(jìn)行比較，

其一：預(yù)測值與實(shí)際值之間余弦相似度：

，

j＝1，2，3表示子模型 ；

其二：預(yù)測值等于實(shí)際值的概率：

其三：誤差函數(shù)e值；

其中，三種維度的考量優(yōu)先順序?yàn)橄嗨贫龋靖怕剩緀值，算法設(shè)計(jì)為：首先比較相似度，有唯一相似度最大值，則認(rèn)為該預(yù)測子模型表現(xiàn)突出；否則，比較概率，有唯一概率最大值，則認(rèn)為該預(yù)測子模型表現(xiàn)突出；否則，比較e值，e值最小，認(rèn)為該預(yù)測子模型表現(xiàn)突出，若e值最小且存在相等情況，則任一均可。