资产预测方法、系统、终端设备及存储介质与流程

1.本发明涉及金融科技(finteh)技术领域，尤其涉及一种资产预测方法、系统、终端设备及存储介质。


背景技术：

2.随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步走向金融科技(finteh)转变，白名单预筛技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出更高的要求。目前，一般通过查询客户的房产数据、车险数据、中国人民银行征信报告中的房贷车贷情况，对客户的资产进行判断。但是，房产数据、车险数据的查询成本较高，且无法将查询结果用于白名单准入环节；中国人民银行征信报告中的房贷车贷情况只能分析出当前或过往有贷款的有资产客户，无法将查询结果用于白名单准入环节。


技术实现要素：

3.本发明实施例的主要目的在于提供一种资产预测方法、系统、终端设备及存储介质，旨在对客户的资产进行预测，并将预测结果用于白名单准入环节，提高了白名单预筛的精度。
4.为实现上述目的，本发明实施例提供一种资产预测方法，所述资产预测方法包括：
5.获取待预测样本；
6.将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；
7.根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。
8.可选地，所述将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率的步骤之前包括：
9.训练所述资产预测模型；
10.其中，所述训练所述资产预测模型的步骤包括：
11.获取正样本、负样本；
12.对所述正样本、负样本进行训练，得到所述资产预测模型；
13.通过所述资产预测模型对所述正样本、负样本进行打分，得到评分分数；
14.基于所述评分分数，对所述正样本、负样本进行筛选，得到种子样本；
15.将所述种子样本回传到所述资产预测模型，对所述负样本进行更新；并返回执行步骤：对所述正样本、负样本进行训练，得到所述资产预测模型；
16.以此循环，进行参数迭代，直到所述资产预测模型收敛，终止训练，得到训练后的资产预测模型。
17.可选地，所述基于所述评分分数，对所述正样本、负样本进行筛选，得到种子样本的步骤之后包括：
18.对所述种子样本赋予标签，得到标签样本；
19.将所述标签样本回传到所述资产预测模型，对所述负样本进行更新；并返回执行步骤：对所述正样本、负样本进行训练，得到所述资产预测模型；
20.以此循环，进行参数迭代，当预设比例的所述负样本为所述标签样本时，终止训练，得到训练后的资产预测模型；或
21.以此循环，进行参数迭代，当所述负样本的容量饱和时，终止训练，得到训练后的资产预测模型。
22.可选地，所述对所述正样本、负样本进行训练，得到所述资产预测模型的步骤之前包括：
23.获取所述待预测样本的应用程序使用数据；
24.所述对所述正样本、负样本进行训练，得到所述资产预测模型的步骤包括：
25.根据所述应用程序使用数据，对所述正样本、负样本进行训练，得到所述资产预测模型。
26.可选地，所述获取正样本、负样本的步骤包括：
27.获取训练样本；
28.根据预设标准对所述训练样本进行剔除，得到样本集；
29.判断所述样本集的样本是否具有预设资产；
30.若所述样本集的样本具有所述预设资产，则将所述样本集的样本作为所述正样本；
31.若所述样本集的样本不具有所述预设资产，则将所述样本集的样本作为所述负样本。
32.可选地，所述对所述正样本、负样本进行训练，得到所述资产预测模型的步骤包括：
33.基于机器学习算法，对所述正样本、负样本进行训练，得到所述资产预测模型。
34.可选地，所述基于所述评分分数，对所述正样本、负样本进行筛选，得到种子样本的步骤包括：
35.对所述评分分数进行排序，得到排序结果；
36.基于所述排序结果，对所述正样本、负样本进行筛选，得到所述种子样本。
37.此外，为实现上述目的，本发明还提供一种资产预测系统，所述系统包括：
38.样本获取模块，用于获取待预测样本；
39.概率预测模块，用于将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；
40.样本选择模块，用于根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。
41.此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的资产预测方法，所述资产预测的程序被所述处理器执行时实现如上所述的资产预测方法的步骤。
42.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有资产预测的程序，所述资产预测的程序被处理器执行时实现如上所述的
资产预测方法的步骤。
43.本发明实施例提出的资产预测方法、系统、终端设备及存储介质，通过获取待预测样本；将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。基于本发明，构建了一个客户样本的数据集，并在该数据集上验证了本发明提出的关于资产预测方法的有效性。通过上述方式，本发明旨在对客户的资产进行预测，并将预测结果用于白名单准入环节，提高了白名单预筛的精度。
附图说明
44.图1为本发明资产预测装置所属终端设备的功能模块示意图；
45.图2为本发明资产预测方法第一实施例的流程示意图；
46.图3为本发明资产预测方法第二实施例的流程示意图；
47.图4为本发明资产预测系统的功能模块示意图。
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.本发明实施例的主要解决方案是：获取待预测样本；将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。
51.本发明实施例涉及的技术术语：
52.白名单：白名单的概念与“黑名单”相对应。例如：在电脑系统里，有很多软件都应用到了黑白名单规则，操作系统、防火墙、杀毒软件、邮件系统、应用软件等，凡是涉及到控制方面几乎都应用了黑白名单规则。黑名单启用后，被列入到黑名单的用户(或ip地址、ip包、邮件、病毒等)不能通过。如果设立了白名单，则在白名单中的用户(或ip地址、ip包、邮件等)会优先通过，不会被当成垃圾邮件拒收，安全性和快捷性都大大提高。将其含义扩展一步，那么凡有黑名单功能的应用，就会有白名单功能与其对应。
53.ks：(kolmogorov-smirnov)，ks用于对模型风险的区分能力进行评估，指标衡量的是好坏样本累积分布之间的差值，好坏样本累计差异越大，ks指标越大，那么模型的风险区分能力越强。
54.roc曲线：全称为受试者工作特征曲线(receiver operating characteristic curve)，它是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(敏感性)为纵坐标，假阳性率(1-特异性)为横坐标绘制的曲线。
55.auc(area under curve)：被定义为roc曲线下与坐标轴围成的面积，auc的取值范围在0.5和1之间。auc越接近1.0，检测方法区分能力强；越接近0.5，则模型区分能力弱，无应用价值。
56.xgboost模型：机器学习中的一种boosting算法，通过可加性的分类回归树对样本进行预测，可以有较好的模型预测效果。
57.半监督学习：训练集同时包含有标记样本数据和未标记样本数据，不需要人工干预，让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就是半监督学习。
58.随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步走向金融科技(finteh)转变，白名单预筛技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出更高的要求。目前，一般通过查询客户的房产数据、车险数据、中国人民银行征信报告中的房贷车贷情况，对客户的资产进行判断。但是，房产数据、车险数据的查询成本较高，且无法将查询结果用于白名单准入环节；中国人民银行征信报告中的房贷车贷情况只能分析出当前或过往有贷款的有资产客户，无法识别全款购买房屋或具有自建房产的客户，并且，无法将查询结果用于白名单准入环节。
59.本发明提供一种解决方案，旨在对客户的资产进行预测，并将预测结果用于白名单准入环节，提高白名单预筛的精度。
60.具体地，参照图1，图1是本发明资产预测装置所属终端设备的功能模块示意图。该资产预测装置可以为独立于终端设备的、能够进行图片处理、网络模型训练的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
61.在本实施例中，该资产预测装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
62.存储器130中存储有操作方法以及资产预测程序；输出模块110可为显示屏等。通信模块140可以包括wifi模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
63.其中，存储器130中的资产预测程序被处理器执行时实现以下步骤：
64.获取待预测样本；
65.将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；
66.根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。
67.进一步地，存储器130中的资产预测程序被处理器执行时还实现以下步骤：
68.训练所述资产预测模型；
69.其中，所述训练所述资产预测模型的步骤包括：
70.获取正样本、负样本；
71.对所述正样本、负样本进行训练，得到所述资产预测模型；
72.通过所述资产预测模型对所述正样本、负样本进行打分，得到评分分数；
73.基于所述评分分数，对所述正样本、负样本进行筛选，得到种子样本；
74.将所述种子样本回传到所述资产预测模型，对所述负样本进行更新；并返回执行步骤：对所述正样本、负样本进行训练，得到所述资产预测模型；
75.以此循环，进行参数迭代，直到所述资产预测模型收敛，终止训练，得到训练后的资产预测模型。
76.进一步地，存储器130中的资产预测程序被处理器执行时还实现以下步骤：
77.对所述种子样本赋予标签，得到标签样本；
78.将所述标签样本回传到所述资产预测模型，对所述负样本进行更新；并返回执行
步骤：对所述正样本、负样本进行训练，得到所述资产预测模型；
79.以此循环，进行参数迭代，当预设比例的所述负样本为所述标签样本时，终止训练，得到训练后的资产预测模型；或
80.以此循环，进行参数迭代，当所述负样本的容量饱和时，终止训练，得到训练后的资产预测模型。
81.进一步地，存储器130中的资产预测程序被处理器执行时还实现以下步骤：
82.获取所述待预测样本的应用程序使用数据；
83.根据所述应用程序使用数据，对所述正样本、负样本进行训练，得到所述资产预测模型。
84.进一步地，存储器130中的资产预测程序被处理器执行时还实现以下步骤：
85.获取训练样本；
86.根据预设标准对所述训练样本进行剔除，得到样本集；
87.判断所述样本集的样本是否具有预设资产；
88.若所述样本集的样本具有所述预设资产，则将所述样本集的样本作为所述正样本；
89.若所述样本集的样本不具有所述预设资产，则将所述样本集的样本作为所述负样本。
90.进一步地，存储器130中的资产预测程序被处理器执行时还实现以下步骤：
91.基于机器学习算法，对所述正样本、负样本进行训练，得到所述资产预测模型。
92.进一步地，存储器130中的资产预测程序被处理器执行时还实现以下步骤：
93.对所述评分分数进行排序，得到排序结果；
94.基于所述排序结果，对所述正样本、负样本进行筛选，得到所述种子样本。
95.本实施例通过上述方案，具体通过获取待预测样本；将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。本发明旨在对客户的资产进行预测，并将预测结果用于白名单准入环节，提高了白名单预筛的精度。
96.基于上述终端设备架构但不限于上述架构，提出本发明方法实施例。
97.参照图2，图2为本发明资产预测方法第一实施例的流程示意图。所述资产预测方法包括：
98.步骤s101，获取待预测样本。
99.步骤s102，将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率。
100.步骤s103，根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。
101.本实施例方法的执行主体可以是一种资产预测装置，也可以是一种资产预测终端设备或服务器，本实施例以资产预测装置进行举例，该资产预测装置可以集成在具有数据处理功能的智能手机、平板电脑等终端设备上。
102.为了对客户的资产进行预测，首先，获取待预测样本，并将待预测样本输入预先创
建的资产预测模型中进行预测，得到预测概率。
103.作为一种实施方式，在本实施例中，预先创建的资产预测模型包括房主预测模型、车主预测模型等多种类型的资产预测模型。
104.若需要判断待预测样本是否具有房产，则获取待预测样本，并将待预测样本输入预先创建的房主预测模型中进行预测，得到该待预测样本具有房产的预测概率。
105.若需要判断待预测样本是否具有车产，则获取待预测样本，并将待预测样本输入预先创建的车主预测模型中进行预测，得到该待预测样本具有车产的预测概率。
106.由此，即使缺少待预测样本的人行征信信息，也可以将该待预测样本输入资产预测模型进行预测，可以得到预测概率，以基于预测概率判断该待预测样本是否为潜在客户。
107.进一步地，根据预测概率对待预测样本进行选择，得到潜在客户，并将潜在客户纳入白名单，以根据白名单的潜在客户进行营销推广。
108.具体地，对预测概率进行排序，得到排序结果；根据排序结果对待预测样本进行筛选，将预测概率较高的待预测样本，作为潜在客户纳入白名单(白名单客户)进行营销推广，以此提高客户的转化率，降低对客户的信息进行查询的征信成本，提高了白名单预筛的精度。
109.需要说明的是，根据排序结果对待预测样本进行筛选时，用户可根据自身的需求设置一定的筛选比例，以对待预测样本进行筛选。
110.本实施例通过上述方案，具体通过获取待预测样本；将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。本发明旨在对客户的资产进行预测，提高客户的转化率，降低对客户的信息进行查询的征信成本，提高了白名单预筛的精度。
111.参照图3，图3为本发明资产预测方法第二实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，步骤s102：将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率之前包括：
112.步骤s104，获取正样本、负样本。
113.作为一种实施方式，在本实施例中，首先，获取训练样本；其次，根据预设标准对训练样本进行剔除，得到样本集。
114.具体地，从人行征信报告中获取有房贷和/或车贷的客户、无房贷和/或车贷的客户，作为训练样本。若客户在房产情况填写了有自建房产，则将该客户剔除，由此得到样本集；其中，将人行征信报告中有未结清房贷作为预设标准。
115.由于人行征信报告中的房产情况为客户自填，真实性无法校验，因此，将人行征信报告中无未结清房贷，并且在房产情况填写了有自建房产的客户剔除，提高样本集的准确性。
116.进一步地，判断样本集的样本是否具有预设资产。
117.若样本集的样本具有预设资产，则将样本集的样本作为正样本。
118.若样本集的样本不具有预设资产，则将样本集的样本作为负样本。
119.具体地，判断样本集的样本是否具有车产或房产，其中，将车产或房产作为预设资产。
120.作为一种实施方式，若样本集的样本具有车产，则将样本集中具有车产的样本作为车主模型的正样本；
121.若样本集的样本不具有车产，则将样本集中不具有车产的样本作为车主模型的负样本。
122.作为另一种实施方式，若样本集的样本具有房产，则将样本集中具有房产的样本作为房主模型的正样本；
123.若样本集的样本不具有房产，则将样本集中不具有房产的样本作为房主模型的负样本。
124.由此，从人行征信报告中获取训练样本用于模型构建，提高了有效正样本的含量；通过对获取的训练样本进行剔除，筛选，得到正样本、负样本，提高训练资产预测模型(车主模型、房主模型)的样本的准确性。
125.步骤s105，对所述正样本、负样本进行训练，得到所述资产预测模型。
126.在本实施例中，首先，获取待预测样本的应用程序使用数据；其次，基于应用程序使用数据、机器学习算法，对正样本、负样本进行训练，得到资产预测模型，其中，资产预测模型包括房主模型、车主模型。
127.作为一种实施方式，若需要构建车主模型，则获取待预测样本使用与汽车相关的app的使用数据；其中，汽车相关的app的使用数据包括客户app的类别信息、app下载、安装、卸载、登录、使用频率时长等信息。
128.进一步地，基于待预测样本使用与汽车相关的app的使用数据、boosting算法对车主模型的正样本、负样本进行训练，得到车主模型。
129.作为另一种实施方式，若需要构建房主模型，则获取待预测样本使用与房产相关的app的使用数据；其中，房产相关的app的使用数据包括客户app的类别信息、app下载、安装、卸载、登录、使用频率时长等信息。
130.进一步地，基于待预测样本使用与房产相关的app的使用数据、boosting算法对房主模型的正样本、负样本进行训练，得到房主模型。
131.由此，通过app使用数据构建资产预测模型，提高了资产预测模型的分类精度。
132.步骤s106，通过所述资产预测模型对所述正样本、负样本进行打分，得到评分分数。
133.步骤s107，基于所述评分分数，对所述正样本、负样本进行筛选，得到种子样本。
134.在本实施例中，首先，通过资产预测模型对正样本、负样本进行打分，得到评分分数；其次，对评分分数进行排序，得到排序结果；再次，基于排序结果，对正样本、负样本进行筛选，得到种子样本，其中，资产预测模型包括车主模型、房主模型，种子样本为负样本中评分低于预设阈值的部分。
135.需要说明的是，预设阈值可根据用户的需求进行设置，本实施例对此不作具体的限定。
136.作为一种实施方式，通过车主模型对正样本、负样本进行打分，得到评分分数；其次，对评分分数进行排序，得到排序结果；再次，基于排序结果，对正样本、负样本进行筛选，得到车主模型的种子样本。
137.作为另一种实施方式，通过房主主模型对正样本、负样本进行打分，得到评分分
数；其次，对评分分数进行排序，得到排序结果；再次，基于排序结果，对正样本、负样本进行筛选，得到房主模型的种子样本。
138.目前只能通过人行征信报告中的房贷车贷信息，判断客户是否拥有资产，但是，房贷车贷对于客户是否拥有资产的判断不够全面，因此，这里对负样本的判断不够准确，需要通过筛选种子样本的方式不断修正，以此提高负样本的准确性，进而提高资产预测模型(房主模型、车主模型)的分类精度。
139.步骤s108，将所述种子样本回传到所述资产预测模型，对所述负样本进行更新；并返回执行步骤s105：对所述正样本、负样本进行训练，得到所述资产预测模型。
140.步骤s109，以此循环，进行参数迭代，直到所述资产预测模型收敛，终止训练，得到训练后的资产预测模型。
141.在本实施例中，对种子样本赋予标签，得到标签样本；将标签样本回传到资产预测模型，对负样本进行更新；并返回执行步骤s105：对所述正样本、负样本进行训练，得到所述资产预测模型。
142.以此循环，进行参数迭代，当预设比例的所述负样本为所述标签样本时，终止训练，得到训练后的资产预测模型；或
143.以此循环，进行参数迭代，当负样本的容量饱和时，终止训练，得到训练后的资产预测模型。
144.作为一种实施方式，对车主模型的种子样本赋予标签，得到车主模型的标签样本；将车主模型的标签样本回传到车主模型，对车主模型的负样本进行更新；并返回执行步骤s105：对所述正样本、负样本进行训练，得到所述资产预测模型。
145.以此循环，进行参数迭代，当预设比例的车主模型的负样本为车主模型的标签样本时，终止训练，得到训练后的车主模型；或
146.以此循环，进行参数迭代，当车主模型的负样本的容量饱和时，终止训练，得到训练后的车主模型。
147.作为另一种实施方式，对房主模型的种子样本赋予标签，得到房主模型的标签样本；将房主模型的标签样本回传到房主模型，对房主模型的负样本进行更新；并返回执行步骤s105：对所述正样本、负样本进行训练，得到所述资产预测模型。
148.以此循环，进行参数迭代，当预设比例的房主模型的负样本为房主模型的标签样本时，终止训练，得到训练后的房主模型；或
149.以此循环，进行参数迭代，当房主模型的负样本的容量饱和时，终止训练，得到训练后的房主模型。
150.由此，采用自学习的半监督学习方法进行模型训练，提高了正样本、负样本分类的精度，进而提高了资产预测模型的预测能力。
151.进一步地，计算资产预测模型的auc以及ks，其中，资产预测模型包括房主模型、车主模型。
152.作为一种实施方式，计算房主模型的auc以及ks。
153.计算得到的房主模型的auc越接近1.0，该房主模型的检测区分能力越强；计算得到的房主模型的auc越接近0.5，则该房主模型区分能力越弱，无应用价值。计算得到的房主模型的ks指标越大，那么该房主模型的风险区分能力越强。
154.作为另一种实施方式，计算车主模型的auc以及ks。
155.计算得到的车主模型的auc越接近1.0，该车主模型的检测区分能力越强；计算得到的车主模型的auc越接近0.5，则该车主模型区分能力越弱，无应用价值。计算得到的车主模型的ks指标越大，那么该车主模型的风险区分能力越强。
156.由此，通过计算资产预测模型的auc、ks，可以对资产预测模型预测的准确性进行评估筛选。
157.本实施例通过上述方案，具体通过获取待预测样本；将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。本发明旨在对客户的资产进行预测，采用自学习的半监督学习方法进行模型训练，提高了正样本、负样本分类的精度，进而提高了资产预测模型的预测能力。通过资产预测模型对客户进行预测，得到预测结果，并将预测结果用于白名单准入环节，提高了白名单预筛的精度。
158.参照图4，图4为本发明资产预测系统的功能模块示意图。资产预测系统包括：
159.样本获取模块10，用于获取待预测样本；
160.概率预测模块20，用于将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；
161.样本选择模块30，用于根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。
162.本实施例实现资产预测的原理及实施过程，请参照上述各实施例，在此不再赘述。
163.此外，本发明实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的资产预测程序，所述资产预测程序被所述处理器执行时实现如上所述的资产预测方法的步骤。
164.由于本资产预测程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
165.此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有资产预测程序，所述资产预测程序被处理器执行时实现如上所述的资产预测方法的步骤。
166.由于本资产预测程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
167.相比现有技术，本发明提供的一种资产预测方法、系统、终端设备及存储介质，通过获取待预测样本；将所述待预测样本输入预先创建的资产预测模型中进行预测，得到预测概率；根据所述预测概率对所述待预测样本进行选择，得到潜在客户，并将所述潜在客户纳入白名单，以根据所述白名单的潜在客户进行营销推广。本发明旨在对客户的资产进行预测，并将预测结果用于白名单准入环节，提高白名单预筛的精度。
168.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者方法不仅包括那些要素，而
且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者方法中还存在另外的相同要素。
169.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
170.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本发明每个实施例的方法。
171.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。