[發明專利]融合層次分析法和RFM的商業銀行客戶評級方法及裝置

在審

• 申請號: 202111132743.0
• 申請日: 2021-09-27
• 公開（公告）號: CN113793061A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 田羽;汪大磊;王興偉;彭一凡;錢璟
• 申請（專利權）人: 武漢眾邦銀行股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/02;G06F16/242;G06F16/215
• 代理公司: 成都正煜知識產權代理事務所(普通合伙) 51312
• 代理人: 徐金瓊

本發明涉及信息化技術領域，提供了一種融合層次分析法和RFM的商業銀行客戶評級方法及裝置，主旨在于解決存款業務中的RFM模型變量存在共線性、指標單一和實際業務不匹配所導致模型評級效果不佳的問題。主要實施步驟為，確定目標層和準則層，目標層是對用戶的評分評級，準則層分為用戶活躍度、用戶忠誠度、用戶價值三個方面；收集用戶活躍度、用戶忠誠度、用戶價值三個方面的用戶數據集；對涉及的數據進行數據清洗；利用RFM模型分別構建用戶活躍、用戶價值、用戶忠誠三個準則的方案層指標；基于層次分析法確認方案層指標權重，輸出準則層指標結果，確定準則層指標權重，輸出目標層客戶的評分評級；基于目標層客戶的評分評級，完成差異化營銷策略或活動的制定和推廣。

技術領域

本發明涉及信息化技術領域，提供了一種融合層次分析法和RFM的商業銀行客戶評級方法及裝置。

背景技術

隨著社會經濟的發展、移動互聯網的廣泛應用，帶來商業銀行用戶行為數據規模的增長，如何從龐大的用戶行為數據中發掘用戶價值成為一個難題；另一方面，金融監管的加強、商業銀行間產品的同質化和行業競爭的加劇，對商業銀行客戶運營的水平、營銷的成本的把控提出了更高的要求。因此，基于用戶行為數據，做好商業銀行客戶的分級，進行精準的、個性的、低成本的營銷活動顯得尤為重要。

傳統的用戶分層方式RFM(Recency、Frequency、Monetary)模型，主要使用了最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)這三個要素，分別反映用戶流失的可能性、用戶的忠誠度、用戶的價值三個方面，通過三個指標將用戶劃分在一個三維象限中，基于用戶所在的象限位置對用戶采取不同的營銷策略。由于區分用戶在某個維度的高、低的臨界值具有一定的主觀性，往往難以確定，常見的方式是，使用k-means聚類的方式對三個指標進行聚類，通過質心位置對每個類進行解釋。通常的，客戶被分為無價值客戶、一般客戶、重要挽留客戶、一般重要客戶、重要保持客戶、重要發展客戶幾個層級，基于不同的用戶層級，對用戶采取不同的營銷策略。

RFM模型較為動態地顯示了一個客戶的全部輪廓，這對個性化的溝通和服務提供了依據，但也存在諸多不足。首先、傳統的RFM模型區分用戶的臨界值具有主觀性，而使用k-means聚類的RFM雖然能避免主觀性，但基于樣本距離自動生成的分類往往易受到數據分布的影響，且類別有時難以解釋；其次，傳統的RFM模型所采用的衡量用戶流失可能性、用戶忠誠度、用戶價值指標過于單一，常常不能對用戶在進行充分的、正確的衡量，劃分的用戶較為粗糙；再次，商業銀行的存貸款業務與零售消費行業有所不同，傳統的RFM指標難以適用。比如，衡量用戶忠誠度的用戶交易頻率指標，在存款業務中，客戶存款頻率高可能僅僅是因為所存款的周期較短，或是同一筆資金進行了反復操作，而衡量客戶價值的指標中，用戶交易頻率越高，總的交易額也越大，表現的用戶價值也越高，但實際情況可能恰恰相反；此外，存款的RFM模型對三個不同指標進行了等權處理，而實際業務場景下，各變量的重要性可能不同，而變量間往往存在共線性，也會影響模型效果。

發明內容

基于前文陳述，本發明針對傳統的RFM在用戶評級中的諸多不足，基于傳統的RFM模型進行改進。我們使用一種融合層次分析法和RFM的模型的銀行客戶評級方法，解決上述技術問題。在指標的選擇上，我們選擇多個指標來表現用戶活躍、用戶忠誠、用戶價值三個維度的用戶特征。在分級的方式上，使用層次分析法計算用戶得分進行分級。

為了實現上述目的本發明采用以下技術手段：

本發明提供了一種融合層次分析法和RFM的商業銀行客戶評級方法，其實現過程包括：

步驟1、確定目標層和準則層，目標層是對用戶的評分評級，準則層分為用戶活躍度、用戶忠誠度、用戶價值三個方面；

步驟2、收集用戶活躍度、用戶忠誠度、用戶價值三個方面的用戶數據集；

步驟3、對步驟2中涉及的數據進行數據清洗；