[發(fā)明專利]一種目標(biāo)客戶預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011409252.1
• 申請(qǐng)日: 2020-12-04
• 公開（公告）號(hào): CN112561568A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: 秦思佳
• 申請(qǐng)（專利權(quán)）人: 中國(guó)農(nóng)業(yè)銀行股份有限公司深圳市分行
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02;G06F16/2458;G06K9/62;G06N20/20
• 代理公司: 廣東廣和律師事務(wù)所 44298
• 代理人: 董紅海

本發(fā)明提供了一種目標(biāo)客戶預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)，通過歷史數(shù)據(jù)對(duì)XGBoot模型進(jìn)行多輪迭代訓(xùn)練，經(jīng)過，獲得最優(yōu)XGBoot模型和對(duì)應(yīng)XGBoot模型的最優(yōu)參數(shù)；并提取重要變量做預(yù)測(cè)變量；將訓(xùn)練集中的預(yù)測(cè)變量輸入到訓(xùn)練獲得的最優(yōu)XGBoot模型,由最優(yōu)XGBoot模型輸出客戶標(biāo)簽；提取預(yù)測(cè)分?jǐn)?shù)作為目標(biāo)變量；將預(yù)測(cè)變量和目標(biāo)變量進(jìn)行拼接，拼接成新的第二訓(xùn)練集；用第二訓(xùn)練集訓(xùn)練GBDT模型，訓(xùn)練獲得預(yù)測(cè)GBDT模型；待預(yù)測(cè)客戶觀察期的特征輸入到預(yù)測(cè)GBDT模型，獲得待預(yù)測(cè)客戶的目標(biāo)客戶分?jǐn)?shù)；最后根據(jù)目標(biāo)客戶分?jǐn)?shù)預(yù)測(cè)該待預(yù)測(cè)客戶為目標(biāo)客戶的概率。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)分析及數(shù)據(jù)挖掘應(yīng)用領(lǐng)域，更具體地說涉及一種目標(biāo)客戶預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)

現(xiàn)有技術(shù)存在類型類似專家系統(tǒng)的方法及應(yīng)用，用于通過該系統(tǒng)實(shí)現(xiàn)基于對(duì)現(xiàn)有的客戶的過往數(shù)據(jù)進(jìn)行分析，從中預(yù)測(cè)出即將或可能流失的客戶，如具體到銀行系統(tǒng)中的借記卡客戶清單或篩選出各類業(yè)務(wù)的目標(biāo)客戶。這樣銀行可針對(duì)該預(yù)測(cè)清單進(jìn)行有針對(duì)性的處理，或根據(jù)該預(yù)測(cè)清單對(duì)后續(xù)的目標(biāo)客戶數(shù)量等具有較準(zhǔn)確的預(yù)測(cè)。這洋銀行可有針對(duì)性的進(jìn)行人力等資源的提前安排。但是傳統(tǒng)的專家系統(tǒng)主要是通過收集的專家經(jīng)驗(yàn)進(jìn)行分析預(yù)測(cè)，其整體預(yù)測(cè)的準(zhǔn)確率較底，且需要耗費(fèi)大量的人力資源來完成，因此成本高，且其給銀行帶來的幫助不大，無法為銀行提前進(jìn)行有效的客戶關(guān)系管理提供有效的支持。容易出現(xiàn)遺漏目標(biāo)客戶或篩選出的目標(biāo)客戶存在大量的誤差，保護(hù)大量的非真時(shí)目標(biāo)客戶，導(dǎo)致人力財(cái)力的浪費(fèi)。

目前銀行業(yè)在精準(zhǔn)營(yíng)銷和客戶關(guān)系管理領(lǐng)域最常用的數(shù)據(jù)挖掘模型是XGBoost模型，XGBoost算法在各個(gè)評(píng)價(jià)標(biāo)準(zhǔn)中普遍優(yōu)于傳統(tǒng)算法,但是單純地使用XGboost算法對(duì)客戶進(jìn)行二分類,在實(shí)際應(yīng)用場(chǎng)景中可能不能完全滿足業(yè)務(wù)需求,銀行常常需要對(duì)客戶進(jìn)行精細(xì)化管理。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是如何提供提高目標(biāo)客戶預(yù)測(cè)準(zhǔn)確率，滿足銀行的精細(xì)化管理。

為了解決以上問題本發(fā)明提供了一種目標(biāo)客戶預(yù)測(cè)方法，其特征在于：

步驟1.1選取優(yōu)質(zhì)客戶的歷史數(shù)據(jù)，對(duì)選取的歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理生成第一訓(xùn)練集；

步驟1.2將數(shù)據(jù)預(yù)處理完成的第一訓(xùn)練集輸入到XGBoot模型中對(duì)XGBoot模型進(jìn)行訓(xùn)練，經(jīng)過多輪迭代，獲得最優(yōu)XGBoot模型和對(duì)應(yīng)XGBoot模型的最優(yōu)參數(shù)；

步驟1.3根據(jù)步驟1.2訓(xùn)練，提取重要變量做預(yù)測(cè)變量；

步驟1.4根據(jù)步驟1.2訓(xùn)練，將訓(xùn)練集中的預(yù)測(cè)變量輸入到訓(xùn)練獲得的最優(yōu)XGBoot模型,由最優(yōu)XGBoot模型輸出客戶標(biāo)簽；

步驟1.5根據(jù)步驟1.4的結(jié)果提取預(yù)測(cè)分?jǐn)?shù)作為目標(biāo)變量；

步驟1.6將步驟1.3獲得的預(yù)測(cè)變量和步驟1.5獲得的目標(biāo)變量進(jìn)行拼接，拼接成新的第二訓(xùn)練集；

步驟1.7用第二訓(xùn)練集訓(xùn)練GBDT模型，訓(xùn)練獲得預(yù)測(cè)GBDT模型；

步驟1.8待預(yù)測(cè)客戶觀察期的特征輸入到預(yù)測(cè)GBDT模型，獲得待預(yù)測(cè)客戶的目標(biāo)客戶概率。

所述的目標(biāo)客戶預(yù)測(cè)方法，其特征在于，所述XGBoot模型進(jìn)行訓(xùn)練，根據(jù)如下方法進(jìn)行：選擇決策樹作為弱學(xué)習(xí)器；每次訓(xùn)練只訓(xùn)練一個(gè)弱學(xué)習(xí)器，提高在前一個(gè)弱學(xué)習(xí)器分錯(cuò)的類的訓(xùn)練數(shù)據(jù)的數(shù)據(jù)權(quán)重后輸入到后一個(gè)弱學(xué)習(xí)器中進(jìn)行學(xué)習(xí)，采用后一個(gè)弱學(xué)習(xí)器來糾正前一個(gè)弱學(xué)習(xí)器的殘差，知道殘差達(dá)到預(yù)先設(shè)置的范圍；最后將訓(xùn)練生成的多個(gè)弱學(xué)習(xí)器加權(quán)求和，獲得最優(yōu)學(xué)習(xí)器，用于待預(yù)測(cè)客戶的預(yù)測(cè)。

所述的目標(biāo)客戶預(yù)測(cè)方法，其特征在于，所述的決策樹具體為：