[發明專利]一種基于隨機森林算法的金融產品實時推薦方法

在審

• 申請號: 201710782181.1
• 申請日: 2017-09-02
• 公開（公告）號: CN107507068A
• 公開（公告）日: 2017-12-22
• 發明（設計）人: 陳濤;黃卓凡;張志聰;李筍;林志廣
• 申請（專利權）人: 廣東奡風科技股份有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q40/04
• 代理公司: 東莞市神州眾達專利商標事務所(普通合伙)44251
• 代理人: 陳世洪

技術領域

本發明涉及預測推薦領域，特別是一種面向金融產品的實時推薦方法。

背景技術

隨著銀行金融理財產品的種類和數量的快速增長，銀行銷售任務變得繁重而復雜。如何有效的向潛在用戶推薦理財產品是提高營銷效果的主要目標之一。傳統的方式通過硬指標對客戶進行篩選和營銷，通常需要人工建立龐大而復雜的規則庫，費時費力，且成功率不高。本發明使用隨機森林方法對用戶的交易歷史和特征進行建模，進而為用戶推薦金融產品。通過新技術構建的推薦方法具有速度快、參數少、效果好的特點，且免去了一般方法需要進行復雜的特征選擇環節，易于在大數據上實施實時推薦，對提升銀行客戶服務質量有著重要意義。

發明內容

本發明首要解決的技術問題是：提供一種用于金融產品實時推薦的方法。

為了解決上述技術問題，本發明采用的技術方案為：一種產品推薦方法，該推薦方法基于用戶的交易數據和用戶的特征數據，使用隨機森林算法作為模型。

該技術方案的流程包括：

S1）分析和整理用戶的歷史交易數據；

S2）分析和整理用戶基本特征數據；

S3）將用戶的歷史交易數據和基本特征數據整合成為特征寬表；

S4）利用隨機森算法對S3）得到的用戶特征建立預測模型；

S5）對于新客戶或存量客戶，將其特征輸入模型，由模型可實時預測其最有可能購買的金融產品。

與現有方法相比，本發明具有如下有益效果：

1）充分利用了銀行現成的高質量的產品交易數據和客戶特征數據，數據可用性高，容易實施和推廣。

2）免除了一般方法針對特征處理環節的繁冗。

3）機器學習自動化的更新模型，適應業務變化。

4）實時向客戶推薦產品，時效性高。

5）模型預測命中率高，提高業務營銷轉換率。

附圖說明

附圖1是本申請的金融產品實時推薦方法流程示意圖。

具體實施方式

下面對本發明實施例作詳細說明，本實施例在以本發明技術方案為前提下進行實施，本發明的保護范圍不限于下述的實施例。

本實施例包括以下步驟：

S1）分析和整理用戶的歷史交易數據；

S2）分析和整理用戶基本特征數據；

S3）將用戶的歷史交易數據和基本特征數據整合成為特征寬表；

S4）利用隨機森算法對S3）得到的用戶特征建立預測模型；

S5）對于新客戶或存量客戶，將其屬性特征輸入模型，由模型可實時預測其最有可能購買的產品。

所述S3）將用戶的歷史交易數據和基本特征數據整合為寬表的方法包括以下步驟：

（S31）選取所有用戶一段時間的交易記錄，整理出所有用戶在該時間段內的最后一次交易記錄{ID, Y}；

（S32）選取用戶基本特征數據，記為{ID, X}；

（S33）合并用戶交易數據和用戶基本特征數據，形成特征寬表{ID, X, Y}；

（S34）所述ID為用戶的編號；

（S35）所述Y為用戶購買過的金融產品代號{Y1, Y2, ……, Ym}；

（S36）所述X為用戶基本特征數據{X1, X2, ……, Xn}，包括gnd,cst_term,empl_term,age,hgst_degree,saving_bal_rmb,fund_txn_cnt,high_fund_cnt,high_fund_amt,mid_fund_cnt,mid_fund_amt,low_fund_cnt,low_fund_amt,xpad_amt,bond_bal,card_limit,loan_cap,loan_bal,loan_limit,insure_amt_sum,gold_amt_sum。

所述S4）構建預測模型的方法包括以下步驟：

（S41）從用戶特征寬表中隨機選取90%、10%的數據{X, Y}分別作為訓練集和測試集；

（S42）利用隨機森林算法在訓練集上建立預測模型；

（S43）利用測試集對預測模型進行一次測試，計算本次模型測試的精確度a；

（S44）采用N倍交叉驗證方法，對（1）-（3）重復N次；

（S45）計算模型的精確度A；

（S46）所述4）中的精確度a為測試集中Yi=1（i=1,2,…，m）的購買產品客戶數與模型預測Yi=1（i=1,2,…，m）的潛在客戶數之比；