[發(fā)明專利]一種基于深度學習的客戶流失預測方法

在審

• 申請?zhí)枺?/td>: 202111386337.7
• 申請日: 2021-11-22
• 公開（公告）號: CN114066075A
• 公開（公告）日: 2022-02-18
• 發(fā)明（設計）人: 杜婧;楊青;王斌;李應煒;何寧;袁淵;高媛;陳若雅;杜沛
• 申請（專利權）人: 中國農(nóng)業(yè)銀行股份有限公司陜西省分行
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/02;G06N3/04;G06N3/08
• 代理公司: 西安維賽恩專利代理事務所(普通合伙) 61257
• 代理人: 劉春

本發(fā)明公開了一種基于深度學習的客戶流失預測方法，包括：步驟1：獲取銀行客戶的個人信息數(shù)據(jù)；步驟2：利用生成式對抗填補網(wǎng)絡模型，對步驟1中獲取的個人信息數(shù)據(jù)進行缺失值填補，再對填補后的個人信息數(shù)據(jù)進行最大?最小歸一化處理；步驟3：搭建MSDCNN?LSTM預測模型，步驟4：訓練MSDCNN?LSTM預測模型；步驟5：將客戶數(shù)據(jù)輸入到經(jīng)步驟4訓練好的MSDCNN?LSTM預測模型，得到待測客戶的流失概率。其解決了傳統(tǒng)機器學習方法在預測大數(shù)據(jù)下銀行客戶流失概率時效率低的問題。

技術領域

本發(fā)明屬于銀行數(shù)據(jù)管理技術領域，具體涉及一種基于深度學習的客戶流失 預測方法。

背景技術

隨著社會經(jīng)濟的快速發(fā)展，銀行行業(yè)日趨成熟，行業(yè)競爭愈演愈烈。一定量 的客戶流失會給銀行帶來巨大損失，客戶流失的成本遠低于挖掘一位新客戶，如 何減少客戶的流失以及及時的挽回客戶將變得尤為關鍵。隨著人工智能的迅猛發(fā) 展，將人工智能技術應用到銀行行業(yè)的客戶分析中，可以有效降低銀行行業(yè)的運 營成本，提升客戶的保持率。

目前大部分研究中使用的都是傳統(tǒng)的機器學習方法，需要對數(shù)據(jù)進行大量的 預處理工作，特別是在特征工程上需要花費大量的時間和精力，隨著客戶數(shù)量的 爆炸式增長，傳統(tǒng)機器學習方法已經(jīng)無法滿足大數(shù)據(jù)下的銀行客戶的分析需求。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于深度學習的客戶流失預測方法，以解決傳統(tǒng)機 器學習方法在預測大數(shù)據(jù)下銀行客戶流失概率時效率低的問題。

本發(fā)明采用以下技術方案：一種基于深度學習的客戶流失預測方法，包括：

步驟1：獲取銀行客戶的個人信息數(shù)據(jù)；所述真實個人信息數(shù)據(jù)包括客戶編 號、信用評分、地方區(qū)域特征、性別、年齡、開戶時長、存款余額、平均資產(chǎn)增 量、持有金融產(chǎn)品數(shù)量、負債額度、活躍度評分、現(xiàn)金平均流入流出比；

步驟2：利用生成式對抗填補網(wǎng)絡模型，對步驟1中獲取的個人信息數(shù)據(jù)進 行缺失值填補，再對填補后的個人信息數(shù)據(jù)進行最大-最小歸一化處理；

步驟3：搭建MSDCNN-LSTM預測模型，所述MSDCNN-LSTM預測模型 由三層MSCNN和兩層LSTM拼接而成；

步驟4：訓練MSDCNN-LSTM預測模型；

步驟5：將客戶數(shù)據(jù)輸入到經(jīng)步驟4訓練好的MSDCNN-LSTM預測模型， 得到待測客戶的流失概率。

進一步的，步驟1中，對獲取的個人信息數(shù)據(jù)進行缺失值填補的方法為：利 用生成式對抗填補網(wǎng)絡模型，生成與所述真實個人信息數(shù)據(jù)集分布規(guī)律相符的時 間序列數(shù)據(jù)，通過判別生成個人信息數(shù)據(jù)與真實個人信息數(shù)據(jù)的差別，根據(jù)偏差 訓練生成器，如此交替直至判別器無法判別生成數(shù)據(jù)與真實數(shù)據(jù)的差別。

進一步的，步驟2中，對填補后的個人信息數(shù)據(jù)最大-最小歸一化處理的具 體方法為：假設所述個人信息數(shù)據(jù)為X＝[X₁,X₂,...,X_i,...,X_n]∈R^m×n，其中，m為數(shù)據(jù)特 征個數(shù)，n為客戶個數(shù)，X_i為第i個客戶對應m個特征值，即 X_i＝[x_i,1,x_i,2,...,x_i,j,...,x_i,m]∈R^m×1，

其中，x_i,j為第i個客戶對應的第j個特征值；

每個值經(jīng)過最大-最小歸一化處理，表示為：

式中，表示歸一化處理后的數(shù)據(jù)，和分別表示第j個特征值的最小 值和最大值。