一种金融产品购买预测方法、装置及电子设备与流程

1.本发明涉及金融领域或其他技术领域，具体涉及一种金融产品购买预测方法、装置及电子设备。


背景技术：

2.个人金融产品的销售是商业银行的核心任务之一，也是利润的重要来源。通常意义下，个人金融产品主要包括个人存贷款、基金、理财、保险、外汇、贵金属和银行卡等。近年来，各商业银行在个人金融领域展开了激烈的争夺，纷纷借助大数据和人工智能技术，加速业务转型进程，以期能够在营商环境迅速变化的时代背景下，率先觉醒，抢占制高点。
3.以往，商业银行坐等客户到网点诉说自己的金融需求，然后进行特定产品的销售。但目前看来这已完全不能满足银行和客户的需求，银行不但要深挖已有客户的资源，进行深度营销，充分激发每个客户的购买潜力。而且要挖转行外客户资产，尽最大可能提升整体业绩。然而面对动辄千百万级的个人客户，仅有的千余人专业营销团队要怎样做才能在严控成本的前提下为特定客户营销精准匹配的金融产品，从而满足客户的需求，这已成为当代商业银行不得不面对的痛点。


技术实现要素：

4.针对现有技术中的问题，本发明实施例提供一种金融产品购买预测方法、装置及电子设备，能够至少部分地解决现有技术中存在的问题。
5.一方面，本发明提出一种金融产品购买预测方法，所述方法包括：将原始客群中每个客户的特征信息输入预先训练好的客群预选模型，得到对目标金融产品具有购买预期的客群以及所述具有购买预期的客群中每个客户的预选评分；根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分；根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值。
6.可选的，在将原始客群中每个客户的特征信息输入预先训练好的客群预选模型之前，所述方法还包括：以购买过所述目标金融产品的目标客群中各客户的特征信息作为训练标签，将样本客群中各客户的特征信息输入原始模型中，训练得到所述客群预选模型，其中，所述目标客群中的客户以及所述样本客群中的客户是从所述原始客群中筛选得到的。
7.可选的，所述客户的属性包括以下至少一种：固有属性、金融属性、购买行为属性；所述根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分包括：根据所述具有购买预期的客群中每个客户的固有属性，获取每个所述客户的固有属性评分；和/或根据所述具有购买预期的客群中每个客户的金融属性，获取每个所述客户的金融属性评分；和/或根据所述具有购买预期的客群中每个客户的购买行为属性，获取每个所述客户的购买行为属性评分。
8.可选的，所述客户的固有属性包括以下至少一种：姓名、性别、年龄、学历、身高、体重、身份证号、手机号码、职业；所述根据所述具有购买预期的客群中每个客户的固有属性，
获取每个所述客户的固有属性评分包括：根据购买过所述目标金融产品的目标客群中各客户的每个固有属性的属性值，计算每个所述固有属性的各属性值的评分；对于所述具有购买预期的客群中每个客户，将所述客户的每个固有属性的属性值的评分之间的乘积作为所述客户的固有属性评分。
9.可选的，所述客户的金融属性包括效益型属性和成本型属性；所述根据所述具有购买预期的客群中每个客户的金融属性，获取每个所述客户的金融属性评分包括：根据以下金融属性评分计算公式计算每个所述客户的金融属性评分：
10.其中，
11.fa表示金融属性评分；
12.s
i
表示第i个效益型属性值；
13.d
i
表示第i个成本型属性值；
14.n1表示效益型属性的总数量；
15.n2表示成本型属性的总数量。
16.可选的，所述客户的购买行为属性包括以下至少一种：目标金融产品的最晚购买时间、目标金融产品的持有时长、目标金融产品的总购买额、目标金融产品的购买次数；所述根据所述具有购买预期的客群中每个客户的购买行为属性，获取每个所述客户的购买行为属性评分包括：根据以下购买行为属性评分公式计算每个所述客户的购买行为属性评分：
17.其中，
18.be表示购买行为属性评分；
19.l
i
表示第i个购买行为属性值；
20.n表示购买行为属性的总数量。
21.可选的，所述根据每个所述客户的属性评分以及预选评分，确定所述客户对所述目标金融产品的购买预期值包括：根据每个所述客户的预选评分、固有属性评分和/或金融属性评分和/或购买行为属性评分，确定所述客户对所述目标金融产品的购买预期值。
22.可选的，在根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值之后，所述方法还包括：
23.根据每个所述客户对目标金融产品的购买预期值，确定所述目标金融产品的推荐客群；
24.针对所述推荐客群中的客户，对所述目标金融产品进行营销。
25.另一方面，本发明提供一种金融产品购买预测装置，包括：获取模块，用于将原始客群中每个客户的特征信息输入预先训练好的客群预选模型，得到对目标金融产品具有购买预期的客群以及所述具有购买预期的客群中每个客户的预选评分；第一确定模块，用于根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分；第二确定模块，用于根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标
金融产品的购买预期值。
26.可选的，所述装置还包括：模型训练模块，用于以购买过所述目标金融产品的目标客群中各客户的特征信息作为训练标签，将样本客群中各客户的特征信息输入原始模型中，训练得到所述客群预选模型，其中，所述目标客群中的客户以及所述样本客群中的客户是从所述原始客群中筛选得到的。
27.可选的，所述客户的属性包括以下至少一种：固有属性、金融属性、购买行为属性；所述第一确定模块包括：第一获取单元，用于根据所述具有购买预期的客群中每个客户的固有属性，获取每个所述客户的固有属性评分；和/或第二获取单元，用于根据所述具有购买预期的客群中每个客户的金融属性，获取每个所述客户的金融属性评分；和/或第三获取单元，用于根据所述具有购买预期的客群中每个客户的购买行为属性，获取每个所述客户的购买行为属性评分。
28.可选的，所述客户的固有属性包括以下至少一种：姓名、性别、年龄、学历、身高、体重、身份证号、手机号码、职业；所述第一获取单元具体用于：根据购买过所述目标金融产品的目标客群中各客户的每个固有属性的属性值，计算每个所述固有属性的各属性值的评分；对于所述具有购买预期的客群中每个客户，将所述客户的每个固有属性的属性值的评分之间的乘积作为所述客户的固有属性评分。
29.可选的，所述客户的金融属性包括效益型属性和成本型属性；所述第二获取单元具体用于：根据以下金融属性评分计算公式计算每个所述客户的金融属性评分：
30.其中，
31.fa表示金融属性评分；
32.s
i
表示第i个效益型属性值；
33.d
i
表示第i个成本型属性值；
34.n1表示效益型属性的总数量；
35.n2表示成本型属性的总数量。
36.可选的，所述客户的购买行为属性包括以下至少一种：目标金融产品的最晚购买时间、目标金融产品的持有时长、目标金融产品的总购买额、目标金融产品的购买次数；所述第三获取单元具体用于：根据以下购买行为属性评分公式计算每个所述客户的购买行为属性评分：
37.其中，
38.be表示购买行为属性评分；
39.l
i
表示第i个购买行为属性值；
40.n表示购买行为属性的总数量。
41.可选的，所述第二确定模块具体用于：根据每个所述客户的预选评分、固有属性评分和/或金融属性评分和/或购买行为属性评分，确定所述客户对所述目标金融产品的购买预期值。
42.可选的，所述装置还包括：第三确定模块，用于根据每个所述客户对目标金融产品的购买预期值，确定所述目标金融产品的推荐客群；营销模块，用于针对所述推荐客群中的客户，对所述目标金融产品进行营销。
43.再一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的金融产品购买预测方法的步骤。
44.又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述的金融产品购买预测方法的步骤。
45.本发明实施例提供的金融产品购买预测方法、装置及电子设备，能够通过机器学习方法初步筛选出对目标金融产品具有一定购买预期的客群，再利用统计学习方法描述客户属性信息与客户购买目标金融产品事件之间的相关性，弥补了机器学习对数据质量要求严格的缺点，最后结合机器学习得到的每个客户的预选评分和统计学习得到的每个客户的属性评分，得到每个客户对所述目标金融产品的购买预期值，从而实现对所述目标金融产品的客户群体的精准定位，为特定客户营销精准匹配的金融产品。
46.从银行业务角度看，每一类个人金融产品都可以精准定位客群，减成本增效益的目标得以达成。在此过程中还可以学习和掌握客户的喜好，为进一步提升客户维护和管理效果提供了坚实的基础。而从客户角度看，每个客户都可以得到最适合自己的产品推荐清单，满足客群的不同购买需求，进而增加客户的满意度和忠诚度。
附图说明
47.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
48.图1是本发明一实施例提供的金融产品购买预测方法的流程示意图。
49.图2是本发明另一实施例提供的金融产品购买预测方法的流程示意图。
50.图3是本发明一实施例提供的金融产品购买预测装置的结构示意图。
51.图4是本发明另一实施例提供的金融产品购买预测装置的结构示意图。
52.图5是本发明又一实施例提供的金融产品购买预测装置的第一确定模块的结构示意图。
53.图6是本发明再一实施例提供的金融产品购买预测装置的结构示意图。
54.图7是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
56.本发明实施例提供的金融产品购买预测方法的执行主体包括但不限于计算机。
57.图1是本发明一实施例提供的金融产品购买预测方法的流程示意图，如图1所示，本发明实施例提供的金融产品购买预测方法，包括：
58.s101、将原始客群中每个客户的特征信息输入预先训练好的客群预选模型，得到对目标金融产品具有购买预期的客群以及所述具有购买预期的客群中每个客户的预选评分；
59.本步骤，所述原始客群可以为银行系统在目标时间段内的未经筛选的客户群体，例如近10年内的客户群体；所述客户的特征信息可以包括客户的固有属性信息和金融属性信息，例如客户的固有属性可以包括性别(se)、年龄(ag)、学历(ed)和职业(oc)等，金融属性可以包括银行服务星级(st)、日均金融资产额(da)和时点个人贷款余额(lb)等。所述目标金融产品可以为个人存贷款、基金、理财、保险、外汇、贵金属和银行卡等。
60.所述预先训练好的客群预选模型用于计算所述原始客群中每个客户的预选评分并对所述原始客群中的客户进行分类，从而初步筛选出所述对目标金融产品具有购买预期的客户以及得到所述具有购买预期的客户的预选评分。各所述对目标金融产品具有购买预期的客户组成所述具有购买预期的客群(待研究客群)。所述具有购买预期的客群中既可以包括购买过所述目标金融产品的客户，也可以包括从未购买过所述目标金融产品的客户。
61.所述客群预选模型可以利用机器学习算法训练得到，机器学习算法的优势在于对海量数据的处理、学习和分类。但其实际效果受制于客户特征维度丰富与否，正样本覆盖面大小，数据质量和建模工程师的经验等诸多因素。本步骤使用机器学习方法对海量客户数据进行预学习，筛选出对目标金融产品具有一定购买预期的客群(待研究客群)。随后可使用统计学习方法对预选结果进行再优选。
62.s102、根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分；
63.本步骤，所述客户的属性信息可以包括固有属性、金融属性以及购买行为属性等，由于客户对所述目标金融产品的购买行为与客户的上述属性信息之间可能存在关联性，因此，可以根据所述具有购买预期的客群(待研究客群)中每个客户的属性信息，基于统计学方法结合专家经验确定每个所述客户的属性评分，可以对机器学习方法进行有效的补充。本步骤实质是量化的描述了客户属性信息与客户购买目标金融产品事件之间的相关性。
64.s103、根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值。
65.本步骤，基于机器学习方法得到的预选评分以及统计学方法得到的属性评分，两类评分互为补充，机器学习能够处理海量的数据，充分考察客户特征信息与购买目标金融产品的关联性，但其效果很大程度上依赖于数据质量和模型建设者的经验，是一种类黑盒学习模式；统计学习采用白盒视角，就聚焦的有限个属性信息进行重点研究，淡化了对全部数据质量的严格要求，借助专家经验弥补了机器学习的缺点，最终得到可靠的购买预期值。
66.根据预选评分和属性评分得到的所述购买预期值的取值范围可以在0～1之间，每个客户的购买预期值可以表示该客户购买所述目标金融产品的概率。具体的，所述预选评分和所述属性评分可以对应有不同的权重，所述购买预期值可根据所述预选评分和所述属性评分以及该两个评分的权重值进行加权计算后得到。
67.本发明实施例提供的金融产品购买预测方法，能够通过机器学习方法初步筛选出
对目标金融产品具有一定购买预期的客群，再利用统计学习方法描述客户属性信息与客户购买目标金融产品事件之间的相关性，弥补了机器学习对数据质量要求严格的缺点，最后结合机器学习得到的每个客户的预选评分和统计学习得到的每个客户的属性评分，得到每个客户对所述目标金融产品的购买预期值，从而实现对所述目标金融产品的客户群体的精准定位，为特定客户营销精准匹配的金融产品。
68.从银行业务角度看，每一类个人金融产品都可以精准定位客群，减成本增效益的目标得以达成。在此过程中还可以学习和掌握客户的喜好，为进一步提升客户维护和管理效果提供了坚实的基础。而从客户角度看，每个客户都可以得到最适合自己的产品推荐清单，满足客群的不同购买需求，进而增加客户的满意度和忠诚度。
69.可选的，在上述实施例中，在将原始客群中每个客户的特征信息输入预先训练好的客群预选模型之前，所述方法还包括：以购买过所述目标金融产品的目标客群中各客户的特征信息作为训练标签，将样本客群中各客户的特征信息输入原始模型中，训练得到所述客群预选模型，其中，所述目标客群中的客户以及所述样本客群中的客户是从所述原始客群中筛选得到的。
70.本实施例，所述目标客群中的每个客户均购买过所述目标金融产品，可选的，可以指定在近y(y为自然数)年内购买过所述目标金融产品的客群作为所述目标客群。
71.所述客群预选模型的训练过程可以如下：
72.第一步：选取机器学习正样本(目标客群)。可以指定近y年内购买过目标金融产品(例如：股票类基金)的客户的子集作为机器学习的正样本，正样本集可按客户购买目标金融产品总金额的大小进行筛选，例如近y年内购买该类金融产品总金额大于10万的客群；
73.第二步：特征信息确定及特征工程。机器学习领域普遍认为特征数量越丰富对客户购买行为的预测就越准确。选取特征时，可重点关注如下两类特征：客户固有属性和客户金融属性。其中客户固有属性指与金融无关的属性，至少包括性别(se)、年龄(ag)、学历(ed)和职业(oc)等。客户金融属性至少包括银行服务星级(st)、日均金融资产额(da)和时点个人贷款余额(lb)等。
74.按照选定的特征维度提取客户数据，进行特征工程工作，对所有的数据进行量化(例如：性别转换成1或2)，对缺失的数据进行补充(例如：随机补充)，对错误数据进行更正(例如：性别为未知，可随机赋值1、2，或赋值为3)。
75.第三步：进行模型训练。在确定数据维度、数据内容、正样本、训练集以及测试集后，可以尝试使用多种不同的机器学习算法，通过机器学习效果对比，最终确定一个“接受者操作特征曲线下面积”(auc)得分最高的经典算法(例如：自适应提升树算法(adaboost)或梯度提升树算法(gbdt))。该算法执行的结果将对训练集和测试集中的客户进行二分类，即可能购买该类个人金融产品或不可能购买的客户。
76.这里需要指出，机器学习算法的优势在于对海量数据的处理、学习和分类。但其实际效果受制于客户特征维度丰富与否，正样本(目标客群)覆盖面大小，数据质量和建模工程师的经验等诸多因素。本发明使用机器学习方法对海量客户数据进行预学习，筛选出具有一定购买预期的客群(以下称为“待研究客群”)。随后使用统计学习方法对预选结果进行再优选。
77.可选的，在上述任一实施例中，所述客户的属性包括以下至少一种：固有属性、金
融属性、购买行为属性；所述根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分包括：
78.根据所述具有购买预期的客群中每个客户的固有属性，获取每个所述客户的固有属性评分；和/或
79.根据所述具有购买预期的客群中每个客户的金融属性，获取每个所述客户的金融属性评分；和/或
80.根据所述具有购买预期的客群中每个客户的购买行为属性，获取每个所述客户的购买行为属性评分。
81.本实施例，所述客户的固有属性是指客户本身存在的一些属性，与客户在银行系统办理过的业务无关，例如：姓名、性别、年龄、学历、身高、体重、身份证号、手机号码、职业等。所述客户的金融属性与所述客户在银行系统办理过的金融业务相关，例如银行服务星级(st)、日均金融资产额(da)和时点个人贷款余额(lb)；所述客户的购买行为属性与所述客户购买所述目标金融产品的行为相关，例如最晚购买时间(lt)，该类产品的持有月数(tm)，总购买金额(ta)，总购买频率(tf，次数)等。
82.根据所述固有属性、金融属性以及购买行为属性的定义可知，每种类型的属性对客户购买目标金融产品的影响不同，例如对于客户的固有属性而言，客户的性别、年龄、学历和职业可能对其购买目标金融产品的情况有较大影响；而对于客户的金融属性而言，客户的银行服务星级直接体现客户在商业银行的综合资产情况，星级高则资产多，反之资产少，此外该指标还表示客户对商业银行的贡献度，星级高则说明客户持有的银行金融产品越多，反之越少。从统计视角来看，客户的贡献星级越高，购买个人金融产品的可能性越大，反之越小，st是客户购买预期评估的效益型指标，同理da同为效益型指标；lb反映某一时刻客户尚未归还的贷款总额，其值越高表明客户负债越多，可支配现金越少，购买各种金融产品的可能性越小，反之越大，可见lb为一成本型指标。而对于客户的购买行为属性而言，lt(格式为yyyymmdd)值越大表明客户最近一次购买的时间越接近现在的时间，考虑到购买的热情尚未消散，近期再次购买的可能性较大，所以lt是一效益型指标，tm越大表明客户对购买过的金融产品的喜爱和信任程度越高，反之越低，性质同为效益型，ta和tf显而易见同为效益型指标。因此，可根据客户的固有属性、金融属性以及购买行为属性，按照属性类别分别通过统计学习的方法分析各类型属性与客户购买目标金融产品之间的相关性。
83.可选的，在上述实施例中，所述客户的固有属性可以包括以下至少一种：姓名、性别、年龄、学历、身高、体重、身份证号、手机号码、职业；所述根据所述具有购买预期的客群中每个客户的固有属性，获取每个所述客户的固有属性评分可以包括：
84.根据购买过所述目标金融产品的目标客群中各客户的每个固有属性的属性值，计算每个所述固有属性的各属性值的评分；
85.对于所述具有购买预期的客群中每个客户，将所述客户的每个固有属性的属性值的评分之间的乘积作为所述客户的固有属性评分。
86.本实施例，首先定义客户固有属性，即与金融特征无关的属性，例如：姓名、性别、年龄、学历、身高、体重、身份证号、手机号码、职业等。统计学习中需要专家根据自己的经验选出多个与购买该类金融产品关联性高的固有属性，即核心固有属性。本发明中选定的核心固有属性是性别、年龄、学历和职业。
87.以核心固有属性为性别、年龄、学历和职业为例，所述根据购买过所述目标金融产品的目标客群中各客户的每个固有属性的属性值，计算每个所述固有属性的各属性值的评分包括：
88.步骤一：首先对这4个核心固有属性进行量化。
89.性别＝{男，女，未知}；
90.学历＝{大专以下，大专，本科，硕士，博士，博士后}；
91.职业＝{it，金融，教育，文化艺术，军人，医疗，其他国有，其他私有，外资}；
92.对于连续型固有属性要通过区间划分的方法将其转变为离散型：
93.年龄＝{未成年(<18岁)，青年([18
‑
45]岁)，中年([46
‑
69]岁)，老年(>69岁)}。
[0094]
经过简单的量化处理后4个客户固有属性集合可分别表示为：
[0095]
性别se＝{1,2,3}；其中某属性值可以用sej表示，j表示se的第j个属性，以下类似。
[0096]
学历ed＝{1,2,3,4,5,6}；
[0097]
职业oc＝{1,2,3,4,5,6,7,8,9}；
[0098]
年龄ag＝{1,2,3,4}；
[0099]
步骤二：固有属性值得分评估。
[0100]
根据上述实施例中选取的机器学习正样本(目标客群)，按照不同的固有属性和它们的取值分别做映射。具体方法如下：对于属性i的第j个属性值，如果正样本集中有x个客户与属性值j相对应，则称这x个客户与j完成映射，属性值j的映射得分(p
ij
)为:
[0101][0102]
其中a为正样本集，n(a)为集合a中的客户总数，p
ij
为固有属性i的第j个属性值的得分。在考察一个待研究客户的固有属性评估得分(固有属性评分)时，如果该客户的属性与ij相吻合，即可得到相应的分数p
ij
。为便于理解，我们举个例子来看，例如：集合a中有28％的男性、70％的女性和2％的未知客户。那么“男性”的得分为0.28，“女性”的得分为0.70，“未知”的得分为0.02。也就是说完成映射后，每一个固有属性的属性值都有了一个对应的得分。这个得分表明了拥有这个固有属性值的客户购买目标金融产品的情况。
[0103]
从上例可以看到，集合a中女性客户的购买人数是男性客户的2.5倍。换句话说待研究客群中的客户如果是女性将在se固有属性上得到0.70的评分。该评分将参与后续计算。同理，我们可以得到某客户在ag、ed和oc各属性上的得分。本步骤实质是量化的描述了固有属性值与客户购买目标金融产品事件之间的相关性。
[0104]
在根据上述实施例中的方法得到每个固有属性的各属性值的评分之后，所述对于所述具有购买预期的客群中每个客户，将所述客户的每个固有属性的属性值的评分之间的乘积作为所述客户的固有属性评分包括：
[0105]
对于具有购买预期的客群(待研究客群)中的每一个客户均对应4个固有属性中的某一个属性值，同时获得该客户在4个固有属性上的得分记为s1、s2、s3和s4。那么这个客户在固有属性上的综合得分(固有属性评分)可用以下公式定义：
[0106][0107]
其中in表示某客户的固有属性评分，s
i
表示某客户在固有属性i上的得分。δ为取值空间调整常数，s
i
的取值空间为[0,1](百分比表示),n为客户的固有属性的个数，本实施例中n＝4，那么连乘后得到的数值可能很小，需要一个调整常数，例如δ可预设为104。
[0108]
可选的，在所述客户的金融属性包括效益型属性和成本型属性时，所述根据所述具有购买预期的客群中每个客户的金融属性，获取每个所述客户的金融属性评分包括：根据以下金融属性评分计算公式计算每个所述客户的金融属性评分：
[0109]
其中，
[0110]
fa表示金融属性评分；
[0111]
s
i
表示第i个效益型属性值；
[0112]
d
i
表示第i个成本型属性值；
[0113]
n1表示效益型属性的总数量；
[0114]
n2表示成本型属性的总数量。
[0115]
本实施例，所述客户的金融属性可以包括银行服务星级(st)、日均金融资产额(da)、时点个人贷款余额(lb)。首先分析st指标，银行服务星级直接体现客户在商业银行的综合资产情况，星级高则资产多，反之资产少，此外该指标还表示客户对商业银行的贡献度，星级高则说明客户持有的银行金融产品越多，反之越少，从统计视角来看，客户的贡献星级越高，购买个人金融产品的可能性越大，反之越小，st是客户购买预期评估的效益型属性，同理da同为效益型属性；lb反映某一时刻客户尚未归还的贷款总额，其值越高表明客户负债越多，可支配现金越少，购买各种金融产品的可能性越小，反之越大，可见lb为一成本型属性。
[0116]
因此可根据客户的金融属性中的效益型属性值的乘积除以成本型属性值得到客户的金融属性评分(参见上述金融属性评分计算公式)。
[0117]
以下以客户的效益型属性包括银行服务星级(st)、日均金融资产额(da)，成本型属性包括时点个人贷款余额(lb)为例，对根据所述具有购买预期的客群中每个客户的金融属性，获取每个所述客户的金融属性评分的过程进行详细说明：
[0118]
步骤一：提取具有购买预期的客群中每个客户的金融属性数据。包括银行服务星级(st)、日均金融资产额(da)和时点个人贷款余额(lb)。
[0119]
步骤二：客户金融属性评算法。
[0120]
下面我们给出某客户的金融属性评估值(fa)的计算方法：
[0121][0122]
由上面公式可见，fa由金融属性中的两个效益型属性值(st和da)的乘积除以成本
型属性值(lb)得到。由于不同客户之间的da和lb值可能很大或很小，需要设置调节常量θ对fa的取值进行调节，θ的取值要视调节前的计算结果灵活设置。调节常量φ为一可预设的小正数(例如1)，主要防止某客户的lb为0导致的金融属性评估值计算报错。
[0123]
在下面的步骤中，我们将对fa的计算进行优化，压缩其取值空间，提高整体运行效率。
[0124]
步骤三：fa取值空间压缩优化。
[0125]
根据商业银行的普遍经验，st的取值空间为1～7的正整数，而da和lb的取值空间均为[0, ∞)的正实数。从实际数据来看，不同客户之间这两个值的差异很大。评估fa所使用的这3个属性取值明显不在同一个量纲下，不利于理解和实际应用。因此本发明设计了一个fa取值空间的压缩方法，将其值控制在有限的范围内。
[0126]
首先将da和lb转化为离散变量，例如{很低(<1万)、低([1,10)万)、一般([10,300)万)、高[300,1000]万)、非常高(>1000万)}。然后将其量化为{1,2,3,4，5}的数字集合。这些数值参与计算能够有效的压缩fa的取值空间，增加计算结果的可解释性和实用性。
[0127]
fa的计算方法优化为：
[0128][0129]
其中da
′
和lb
′
为压缩后的客户日均金融资产和时点贷款余额。可以看到压缩后的fa取值空间为[1,35],且省去了两个调节常量θ和φ，有效减少了计算的复杂度。
[0130]
这种压缩算法可能会导致一定数据信息的消失，例如压缩后本装置认为日均金融资产为2000万和1个亿的两个客户的在da指标上的评估效力是一样的。但在实际营销场景中我们发现，对客户金融属性的评估计算只需保持此粒度即可有效对客户购买预期进行有效区分。精度过高反而可能会对可解释性和易用性带来负面影响。
[0131]
可选的，在上述任一实施例中，所述客户的购买行为属性包括以下至少一种：目标金融产品的最晚购买时间、目标金融产品的持有时长、目标金融产品的总购买额、目标金融产品的购买次数；所述根据所述具有购买预期的客群中每个客户的购买行为属性，获取每个所述客户的购买行为属性评分包括：
[0132]
根据以下购买行为属性评分公式计算每个所述客户的购买行为属性评分：
[0133]
其中，
[0134]
be表示购买行为属性评分；
[0135]
l
i
表示第i个购买行为属性值；
[0136]
n表示购买行为属性的总数量。
[0137]
本实施例，对于具有购买预期的客群中客户而言，可能有一部分客户购买过目标金融产品，另一部分客户则无购买行为，对于无购买行为的这部分客户，其购买行为属性评分为0。
[0138]
目标金融产品的最晚购买时间lt(格式为yyyymmdd)，其值越大表明客户最近一次购买的时间越接近现在的时间，考虑到购买的热情尚未消散，近期再次购买的可能性较大，所以lt是一效益型指标；目标金融产品的持有时长tm越大表明客户对购买过的金融产品的
喜爱和信任程度越高，反之越低，tm同为效益型指标；ta和tf显而易见同为效益型指标。故可将客户的各购买行为属性值的乘积作为所述客户的购买行为属性评分(参见上述购买行为属性评分公式)。
[0139]
在所述客户的购买行为属性包括目标金融产品的最晚购买时间、目标金融产品的持有时长、目标金融产品的总购买额、目标金融产品的购买次数时，下面给出一种优选的客户购买行为属性评分(be)的数学定义：
[0140]
be＝ε(lt
×
tm
×
ta
×
tf),ε＝1/20million；
[0141]
其中ε为一调节常数，ε可以预先设置为2千万，主要是为了将lt的取值规范在[0,10)。如果4个属性中有一个为0，则be为0，代表客户没有购买过目标金融产品。be的取值范围为[0, ∞)。由于经真实数据验证ta和tf取值极少出现过大的情况，所以仅用ε常数调节即可，不需使用取值空间压缩方法。
[0142]
可选的，在所述客户的属性包括固有属性和/或金融属性和/或购买行为属性时，所述根据每个所述客户的属性评分以及预选评分，确定所述客户对所述目标金融产品的购买预期值包括：根据每个所述客户的预选评分、固有属性评分和/或金融属性评分和/或购买行为属性评分，确定所述客户对所述目标金融产品的购买预期值。
[0143]
本实施例，每个所述客户的预选评分是由机器学习的方法得到的，而所述客户的固有属性评分、金融属性评分以及购买行为评分是根据统计学方法结合专家经验得到的，因此，结合机器学习得到的预选评分以及统计学方法得到的至少一个固有属性评分，为每个所述客户计算出了量化唯一的购买预期值，为商业银行拓户展业，节本增收提供了有力的数据和技术支持。
[0144]
可选的，在所述客户的属性包括固有属性、金融属性以及购买行为属性时，所述根据每个所述客户的属性评分以及预选评分，确定所述客户对所述目标金融产品的购买预期值具体可以包括以下步骤：
[0145]
步骤一：客户预选评分、固有属性、金融属性和购买行为属性的标准化和归一化。
[0146]
首先需要对这4组数据进行标准化，所谓标准化就是统一这些属性的性质(成本型、效益型等)。我们使用ml表示机器学习的预选评分，该值越大表明客户在未来购买目标金融产品的可能性越大，反之则越小，可见ml是一个效益型指标。in的值越大表明客户的年龄、性别和职业与曾经购买过目标金融产品的客户固有属性的相似性越高，反之则越低，in、fa和be同样为效益型指标。参与最终决策评估的4个指标均为效益型，无需再做额外的标准化处理。
[0147]
然后对4组数据的格式进行必要的处理，使ml、in、fa和be的取值区间转化为(0,1]，即归一化处理。(其中ml已在机器学习算法执行过程中进行了归一化处理)
[0148][0149]
其中x
i
表示3个客户属性中某个属性的第i个属性值,n为具有购买预期的客群中客户的数量，x
i
′
表示x
i
经过归一化处理后的值。η是可以预设的一个较小的正数，确保了公式分母和分子均不为0，同时归一化之后的4组数据的取值空间均为(0,1]。
[0150]
步骤二：各指标整合。
[0151]
本实施例共涉及4个子评估指标：ml、in、fa和be，可分为机器学习指标和统计学习
指标两大类。两类指标互为补充，机器学习能够处理海量的数据和属性体系，充分考察其关联性，但效果很大程度上依赖于数据质量和模型建设者的经验，是一种类黑盒学习模式。统计学习采用白盒视角，仅就聚焦的几个属性进行重点研究，淡化了对全部数据质量的严格要求，借助专家经验弥补了建模者的差异。下面我们使用加权平均的方法定义客户购买预期评估值e：
[0152][0153]
其中分别为各指标的权重，各权重的权重值可由业务专家和技术专家根据4个指标的不同重要性共同协商确定。
[0154]
如图2所示，可选的，在根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值之后，所述方法还可以包括：
[0155]
s104、根据每个所述客户对目标金融产品的购买预期值，确定所述目标金融产品的推荐客群；
[0156]
本步骤，由于购买预期值越大，客户对目标金融产品购买的概率越大，因此，在得到所述具有购买预期的客群中每个客户的购买预期值之后，可以将购买预期值大于目标阈值的客户作为推荐客户组成所述推荐客群，或者按照购买预期值由大到小的顺序对所述具有购买预期的客群中的客户进行排序，将排在前面的n(n为正整数)个客户作为推荐客户组成所述推荐客群，或将排在前面的a％(0<a<100)个客户作为推荐客户组成所述推荐客群。
[0157]
s105、针对所述推荐客群中的客户，对所述目标金融产品进行营销。
[0158]
本步骤，可通过客户在客户端安装的银行系统app向客户推荐所述目标金融产品，或者可以通过客户预留的手机号、以短信或电话的方式向客户推荐所述目标金融产品，或者通过客户预留的邮箱、以邮件的方式向客户推荐所述目标金融产品。
[0159]
可选的，在根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值之后，还可以按需生成具有购买预期的客群中每个客户的对目标金融产品的购买预期值清单，商业银行的一线营销人员拿到这张购买预期值由大到小排列的清单，只需按顺序进行电话或现场营销即可，免去了其他培训或学习成本的支出。
[0160]
本发明实施例提供的金融产品购买预测方法，为商业银行拓户展业，节本增收提供了有力的数据和技术支持。本发明的主要效果和优势如下：
[0161]
1.可应用于多样的个人金融产品营销场景。本发明的适用范围基本覆盖了商业银行全部的个人金融产品精准营销场景，当然按照实际应用场景的特点进行数据剪裁是不可避免的。例如：对于理财、基金、保险和信用卡等不同的营销场景，原始客群、正样本集和客户购买行为数据等肯定存在差异，此时只需按实际情况提取不同的客户数据即可，而无需对本发明涉及的算法体系进行调整。
[0162]
2.用统计学习的方法对机器学习的局限性进行补充。在大数据分析场景中多以机器学习为主要方法实现精准营销。然而这种方法的实际效果很大程度上局限于建模者的思路和经验。本发明除使用机器学习方法外，还进一步的设计并研制了一套统计学习方法，充分考虑业务专家经验，从客户固有属性、客户金融属性和客户购买行为属性三大类共十一个业务专家给出的需重点关注的属性出发，设计了“固有属性评估”、“金融和购买行为属性评估”等算法，最后和机器学习算法生成的预选评分相整合，为每一个具有购买预期的客户
计算出了量化唯一的购买预期值。
[0163]
3.营销策略简洁易行。本发明的另一个优势是算法简单，使用便捷，可理解性和可操作性强。本方法在设计时务求科学、准确、精炼，尽量避免过于复杂的逻辑和计算。部署和装配过程非常简单，本发明按需生成具有购买预期的客户对目标金融产品的购买预期值，商业银行的一线营销人员拿到这张购买预期值由大到小排列的清单，只需按顺序进行电话或现场营销即可，免去了其他培训或学习成本的支出。
[0164]
图3是本发明一实施例提供的金融产品购买预测装置的结构示意图，如图3所示，本发明实施例提供的金融产品购买预测装置包括：获取模块21，用于将原始客群中每个客户的特征信息输入预先训练好的客群预选模型，得到对目标金融产品具有购买预期的客群以及所述具有购买预期的客群中每个客户的预选评分；第一确定模块22，用于根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分；第二确定模块23，用于根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值。
[0165]
本发明实施例提供的金融产品购买预测装置，能够通过机器学习方法初步筛选出对目标金融产品具有一定购买预期的客群，再利用统计学习方法描述客户属性信息与客户购买目标金融产品事件之间的相关性，弥补了机器学习对数据质量要求严格的缺点，最后结合机器学习得到的每个客户的预选评分和统计学习得到的每个客户的属性评分，得到每个客户对所述目标金融产品的购买预期值，从而实现对所述目标金融产品的客户群体的精准定位，为特定客户营销精准匹配的金融产品。
[0166]
从银行业务角度看，每一类个人金融产品都可以精准定位客群，减成本增效益的目标得以达成。在此过程中还可以学习和掌握客户的喜好，为进一步提升客户维护和管理效果提供了坚实的基础。而从客户角度看，每个客户都可以得到最适合自己的产品推荐清单，满足客群的不同购买需求，进而增加客户的满意度和忠诚度。
[0167]
如图4所示，可选的，所述装置还包括：模型训练模块24，用于以购买过所述目标金融产品的目标客群中各客户的特征信息作为训练标签，将样本客群中各客户的特征信息输入原始模型中，训练得到所述客群预选模型，其中，所述目标客群中的客户以及所述样本客群中的客户是从所述原始客群中筛选得到的。
[0168]
如图5所示，可选的，所述客户的属性包括以下至少一种：固有属性、金融属性、购买行为属性；所述第一确定模块22包括：第一获取单元221，用于根据所述具有购买预期的客群中每个客户的固有属性，获取每个所述客户的固有属性评分；和/或第二获取单元222，用于根据所述具有购买预期的客群中每个客户的金融属性，获取每个所述客户的金融属性评分；和/或第三获取单元223，用于根据所述具有购买预期的客群中每个客户的购买行为属性，获取每个所述客户的购买行为属性评分。
[0169]
可选的，所述客户的固有属性包括以下至少一种：姓名、性别、年龄、学历、身高、体重、身份证号、手机号码、职业；所述第一获取单元具体用于：根据购买过所述目标金融产品的目标客群中各客户的每个固有属性的属性值，计算每个所述固有属性的各属性值的评分；对于所述具有购买预期的客群中每个客户，将所述客户的每个固有属性的属性值的评分之间的乘积作为所述客户的固有属性评分。
[0170]
可选的，所述客户的金融属性包括效益型属性和成本型属性；所述第二获取单元
具体用于：根据以下金融属性评分计算公式计算每个所述客户的金融属性评分：
[0171]
其中，
[0172]
fa表示金融属性评分；
[0173]
s
i
表示第i个效益型属性值；
[0174]
d
i
表示第i个成本型属性值；
[0175]
n1表示效益型属性的总数量；
[0176]
n2表示成本型属性的总数量。
[0177]
可选的，所述客户的购买行为属性包括以下至少一种：目标金融产品的最晚购买时间、目标金融产品的持有时长、目标金融产品的总购买额、目标金融产品的购买次数；所述第三获取单元具体用于：根据以下购买行为属性评分公式计算每个所述客户的购买行为属性评分：
[0178]
其中，
[0179]
be表示购买行为属性评分；
[0180]
l
i
表示第i个购买行为属性值；
[0181]
n表示购买行为属性的总数量。
[0182]
可选的，所述第二确定模块具体用于：根据每个所述客户的预选评分、固有属性评分和/或金融属性评分和/或购买行为属性评分，确定所述客户对所述目标金融产品的购买预期值。
[0183]
如图6所示，可选的，所述装置还包括：第三确定模块25，用于根据每个所述客户对目标金融产品的购买预期值，确定所述目标金融产品的推荐客群；营销模块26，用于针对所述推荐客群中的客户，对所述目标金融产品进行营销。
[0184]
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
[0185]
需要说明的是，本发明实施例提供的金融产品购买预测方法及装置可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对金融产品购买预测方法及装置的应用领域不做限定。
[0186]
图7为本发明一实施例提供的电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)301、通信接口(communications interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：将原始客群中每个客户的特征信息输入预先训练好的客群预选模型，得到对目标金融产品具有购买预期的客群以及所述具有购买预期的客群中每个客户的预选评分；根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分；根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值。
[0187]
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为
独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0188]
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：将原始客群中每个客户的特征信息输入预先训练好的客群预选模型，得到对目标金融产品具有购买预期的客群以及所述具有购买预期的客群中每个客户的预选评分；根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分；根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值。
[0189]
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：将原始客群中每个客户的特征信息输入预先训练好的客群预选模型，得到对目标金融产品具有购买预期的客群以及所述具有购买预期的客群中每个客户的预选评分；根据所述具有购买预期的客群中每个客户的属性信息，确定每个所述客户的属性评分；根据每个所述客户的预选评分以及属性评分，确定所述客户对所述目标金融产品的购买预期值。
[0190]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0191]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0192]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0193]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0194]
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0195]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。