一种面向理财客户的数据挖掘方法与流程

1.本发明属于数据监控技术领域，涉及到一种数据挖掘方法，具体为面向理财客户的数据挖掘方法。


背景技术：

2.当下互联网上的金融理财程序越来越多，近年银行的客户存款有流失现象越来越多，而市面上各种理财产品良莠不齐，由于银行必须对所提供的理财产品严格负责，银行的所提供的理财产品相对于其它互联网平台所提供的或者所描述的相对保守，从而相对互联网平台的理财产品不容易吸引客户注意，导致了大量客户的存款的流失，且一些辨别能力较弱的用户，无法分辨社会上各种理财产品，造成财产的损失。


技术实现要素：

3.本发明为了解决上述问题，设计了一种面向理财客户的数据挖掘方法，具有操作简单，优化程度高，节约系统硬件的优点。
4.本发明的具体技术方案是：一种面向理财客户的数据挖掘方法，包括数据搭建步骤，客户筛选步骤和模型搭建步骤，所述数据搭建步骤包括，获得权限，对接信息库，得到客户信息，搭建理财客户的数据视图；所述客户筛选步骤包括，设置条件，提起符合条件的客户信息，并根据信息将客户进行进一步分类；所述模型搭建步骤包括，根据初始公式进行预测，并通过显示结果的反馈优化公式。
5.作为本方案的进一步优化，所述数据搭建步骤包括，在存储器内建立信息数据库、算法数据库和临时存储库，所述信息数据库通过接口连接有资产管理部门信息库，所述算法数据库通过和所述信息数据库通过处理单元连接所述临时存储库。
6.作为本方案的进一步优化，所述信息数据库包括客户的身份信息、资产信息、持有理财产品信息、行为信息、交易信息以及市面上的理财产品信息，所述信息数据库内的信息会根据资产管理部门的数据实时更新。
7.作为本方案的进一步优化，根据所述信息数据库的存储的信息内容，所述算法数据库对应不同参数集合存储有多个公式，每个公式之间以线性叠加的方式得到最终结果。
8.作为本方案的进一步优化，所述客户筛选步骤包括，在所述公式存储库内初步设置活跃客户的评判条件，包括资金转动时间、资金转动金额以及购买理财产品的品类，所述处理单元根据所述公式存储库内的条件，对活跃客户进行初步筛选，再根据用户的转出资金对用户进行分类，并将用户层类信息存储入所述信息数据库。
9.作为本方案的进一步优化，所述模型搭建步骤包括，
结果对比，所述处理单元从所述信息数据库和所述算法数据库中调用相应的数据和公式，对客户的投资倾向进行计算和预测，并将预测结果存储入临时数据库中与真实情况做对比；函数优化，根据结果误差对比，找到误差点，对函数进行优化，并重复此步骤直到达到模拟的轮数。
10.作为本方案的进一步优化，所述函数优化步骤包括对算法进行泰勒展开，计算当前算法在误差点的一阶导数和二阶导数，与实际情况进行对比，得到损失值确认血丝速率的正负，从而构建新的算法，将新的算法存储入所述临时存储器，所述执行单元再对新的算法进行泰勒展开循环执行所述函数优化步骤，直到对算法的处理轮数达到预先设定的学习轮数，从而将优化后的算法存入所述算法数据库，覆盖初始算法，实现算法的优化。
11.本发明的有益效果是：首先进行数据搭建包括间算法运行的环境和准备必要的数据库进行信息提供，算法数据库用于存储预测客户流失情况的算法，且算法内需要的参数与信息数据库中所能获得的参数相对应处理单元根据算法数据库内的公式对客户意向数据进行预测。同时模型还会根据预测结果和实际数据的对比不断进行优化，使得算法不断进步，从而增加了该方法的准确性。
附图说明
12.图1为本发明的总框图；图2为实施例2中函数优化步骤的流程图。
具体实施方式
13.以下结合具体实施例及附图对本发明的技术方案作进一步详细的描述，但本发明的保护范围及实施方式不限于此。
14.一种面向理财客户的数据挖掘方法，包括数据搭建步骤，客户筛选步骤和模型搭建步骤，所述数据搭建步骤包括，获得权限，对接信息库，得到客户信息，搭建理财客户的数据视图；所述客户筛选步骤包括，设置条件，提起符合条件的客户信息，并根据信息将客户进行进一步分类；所述模型搭建步骤包括，根据初始公式进行预测，并通过显示结果的反馈优化公式。
15.具体实施例1，如说明书附图1所示，所述数据搭建步骤包括，在存储器内建立信息数据库、算法数据库和临时存储库，所述信息数据库通过接口连接有资产管理部门信息库，所述算法数据库通过和所述信息数据库通过处理单元连接所述临时存储库。所述信息数据库包括客户的身份信息、资产信息、持有理财产品信息、行为信息、交易信息以及市面上的理财产品信息，所述信息数据库内的信息会根据资产管理部门的数据实时更新。根据所述信息数据库的存储的信息内容，所述算法数据库对应不同参数集合存储有多个公式，每个公式之间以线性叠加的方式得到最终结果。
16.在本技术中信息数据库包含六大类，分别是客户的身份信息、资产信息、持有理财产品信息、行为信息、交易信息及市面上的理财产品信息每一类对应的细节：
所述客户筛选步骤包括，在所述公式存储库内初步设置活跃客户的评判条件，包括资金转动时间、资金转动金额以及购买理财产品的品类，所述处理单元根据所述公式存储库内的条件，对活跃客户进行初步筛选，再根据用户的转出资金对用户进行分类，并将用户层类信息存储入所述信息数据库。可以设定时间范围是最近三年之内的用户资金调动方向，通过分析得到用户的投资习惯，从而根据用户的习惯可以个性化提供不同的金融产品服务，可以使银行更好地服务用户，同时，也可以筛选出投资方向激进的用户进行标记，防止其遭受电信诈骗。
17.所述模型搭建步骤包括，结果对比，所述处理单元从所述信息数据库和所述算法数据库中调用相应的数据和公式，对客户的投资倾向进行计算和预测，并将预测结果存储入临时数据库中与真实情况做对比；函数优化，根据结果误差对比，找到误差点，对函数进行优化，并重复此步骤直到达到模拟的轮数。通过这种方法搭建模型，可以保证模型的准确性，通过不断地预测同时与实际值进行对比，得到预测误差值，通过预测误差值不断学习迭代，改进预测的算法。
18.所述函数优化步骤包括对算法进行泰勒展开，计算当前算法在误差点的一阶导数和二阶导数，与实际情况进行对比，得到损失值确认血丝速率的正负，从而构建新的算法，将新的算法存储入所述临时存储器，所述执行单元再对新的算法进行泰勒展开循环执行所述函数优化步骤，直到对算法的处理轮数达到预先设定的学习轮数，从而将优化后的算法存入所述算法数据库，覆盖初始算法，实现算法的优化。
19.具体实施例2，s1基于数据挖掘平台数据分析环境，通过与资产管理部（现为农银理财）多次沟通，初步搭建了理财客户数据视图，涵盖了客户的基本信息、资产信息、持有理财信息、产品信息、客户行为信息、交易信息六大块信息，收集和加工近 150 个特征和标签。初步搭建的理财客户数据视图框架如下，具体见s201。
20.s2客户提取:筛选 2018 年 1-12 月转向余额宝和 2018 年 1-3月转向财付通理财的金额累计超过 1 万以上的我行客户，提取该批客户的客户号列表.s3客户分层:根据客户转出资金对客户进行分层归类，与业务部门沟通确定分层区间 1 万-5 万、5 万-10 万、10 万-20 万、20 万以上，将客户分成四层，为后续营销活动
的营销方式提供区分参考。
21.s4客户筛选：匹配客户的在我行的理财信息，包括是否签约我行理财，是否持有我行理财产品，是否购买我行时时付理财产品，是否属于贵宾客户，是否在我行风险评测。筛选出未签约我行理财产品和已经签约我行理财产品客户但尚未购买时时付的客户，挑选满足产品风险要求的客户，进一步剔除欧盟客户，对剩余有效客户进行营销。
22.s5数据预处理:xgboost模型的优点之一是允许存在缺失值，但是缺失比例过高会是的特征解释能力较弱。首先对于缺失比例高于 90%的特征直接删除。其次，性别特征出现异常值，统一用na 替代。
23.如说明书附图2所示，s6的步骤是s601至s604，s601：将导入的训练集的数据，使用决策树得出第一遍结果，将预测结果和真实结果，进行比较，进行下一步运算。
24.s602：第二步需要定义目标函数，将目标函数的taylor化简，得出目标函数只依赖于第一步数据中的每个数据点在损失函数上的一阶导数和二阶导数。可以依据最小化近似值来训练学习器。
25.s603:根据第一步得出的决策树节点参数，以及第二步得出的损失值确认学习速率的正负，构建出一颗新的决策树。
26.s604:使用新的决策树重新计算出训练集的结果，重复s102,直到训练到指定的学习轮数。
27.技术的硬件实现可以直接采用现有的智能设备，包括但不限于工控机、pc机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘，其数据存储和计算模块采用现有的存储器、计算器、控制器，其内部通信模块采用现有的通信端口和协议，其远程通信采用现有的gprs网络、万维互联网等。
28.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。