一种基于客户信用的客户动态定价方法与流程

1.本发明涉及动态定价技术领域，特别涉及一种基于客户信用的客户动态定价方法。


背景技术：

2.目前，在传统信用卡行业，产品的定价多半和市场竞争以及自身的资金成本以及风险成本有关，制定价格时，通常无法考虑到每个客户自身的条件以及银行的整体效益最优，往往采用“一刀切”的定价方式，导致某些成本高的客户享受低价，而那些成本低资质好的客户却要为这些客户买单而接受高价。随着市场竞争的激烈程度越来越高，银行信用卡的存量经营乏力，好客户有其他更好的选择，而留存下的客户蚕食着银行的利润。现有的信用卡行业的定价方法有如下几种：
3.一、参考同业，统一定价，这种定价方式仅考虑市场竞争，却忽略了自身的成本。
4.二、结合信用卡机构自身的成本加成法，但这种方法可能会因为银行资产价格高或者风险成本高而导致定价高，缺乏市场竞争力，导致市场推广乏力，使得市场占有率会受到影响。
5.三、银行差异化经营客户定价，但是差异化的手段并非数据驱动，而是在基准定价的基础上，靠人工经验，这种方式较主观而且无法根据实际数据及时响应调整定价策略。
6.现有技术仅是通过人工判断，或者业务kpi导向性的打折或者加价，比如现有业务kpi为追求信用卡分期余额，那么分期产品近段时间就会全员打折或者针对部分不活跃客群全员打折，切分大的客群化经营，方式粗犷无法做到一客一价，而且仅能考虑单一余额这个kpi，在追求单一kpi的时候，势必牺牲其他指标，无法兼顾和平衡银行整体净利润等。综上所述，目前信用卡行业对于信用卡所有产品条线的定价停留在“手工作坊”阶段，无法通过现有数据做到精细化的一客一价，无法准确地给出最优化定价。
7.因此，本发明提出了一种基于客户信用的客户动态定价方法。


技术实现要素：

8.本发明提供一种基于客户信用的客户动态定价方法，用以根据不同的产品筛选可以办理定价的客户，再利用预测模型提供客户办理和风险的预测，同时通过历史行为数据生成的弹性模型，计算客户在不同价格下的业务目标函数，并通过最优化工具求解满足业务策略的限制条件下的目标函数最大化，从而计算出目标函数最优的一客一价的定价。
9.本发明提供一种基于客户信用的客户动态定价方法，包括：
10.s1：获取待定价产品和所述待定价产品的相关用户信息和相关产品信息；
11.s2：基于所述相关用户信息和所述相关产品信息筛选出目标客户群体；
12.s3：基于所述目标客户群体中每个目标客户的历史行为信息和信用评价模型，确定出每个目标客户的信用分数，基于所述信用分数确定出风险系数；
13.s4：基于每个目标客户的风险系数和在不同价格下的响应数据以及所述待定价产
品的资金成本，构建出每个目标客户对应的以价格为变量的目标函数；
14.s5：求解满足约束条件时的目标函数最优解，将所述目标函数最优解作为对应目标客户的最终定价。
15.优选的，所述的一种基于客户信用的客户动态定价方法，s1：获取待定价产品和所述待定价产品的相关用户信息和相关产品信息，包括：
16.s101：获取所述待定价产品的预测客户群体的历史交易信息作为相关用户信息；
17.s102：获取所述待定价产品的交易金额、分期项目信息、用户历史活动信息作为相关产品信息。
18.优选的，所述的一种基于客户信用的客户动态定价方法，s2：基于所述相关用户信息和所述相关产品信息筛选出目标客户群体，包括：
19.s201：确定出所述用户历史活动信息中的第一用户；
20.s202：基于所述相关用户信息和所述相关产品信息确定出用户筛选条件；
21.s203：基于所述用户筛选条件在所述预测客户群体中筛选出第二用户；
22.s204：将所述第一用户和所述第二用户汇总，获得目标客户群体。
23.优选的，所述的一种基于客户信用的客户动态定价方法，s202：基于所述相关用户信息和所述相关产品信息确定出用户筛选条件，包括：
24.基于所述相关用户信息确定出对应的预测客户群体的历史交易信息，基于所述历史交易信息构建出所述预测客户群体中每个预测客户的历史交易记录线程，将所有预测客户的历史交易记录线程汇总，获得第一记录线程集合；
25.基于所述用户历史活动信息构建出每个历史用户的交易活动记录线程，将所有历史用户的交易活动记录线程汇总，获得第二记录线程集合；
26.基于所述相关产品信息确定出所述待定价产品的产品属性和对应的产品属性范围；
27.在所述第一记录线程集合中提取出满足每个产品属性的产品属性范围的部分历史交易记录线程，获得每个产品属性的第三记录线程集合；
28.在所述第二记录线程集合中提取出满足每个产品属性的产品属性范围的交易活动记录线程，获得每个产品属性的第四记录线程集合；
29.将所述第三记录线程集合和第四记录线程集合按照产品属性进行对齐汇总，获得每个产品属性的综合线程集合，对所述综合线程集合中包含的记录线程对应的交易记录信息进行共性提取，获得第一共性条件；
30.确定出所述综合线程集合中包含的记录线程对应的客户群体，基于对应产品属性确定关联用户信息属性；
31.提取出所述客户群体中每个客户的关联用户信息属性对应的关联用户信息，对所述客户群体中每个客户的关联用户信息进行共性提取，获得第二共性条件；
32.调取出所述综合线程集合中包含的记录线程的相邻交易线程，基于第一共性条件确定出约束属性，在所述相邻交易线程中提取出满足所述约束属性的相邻交易信息；
33.挖掘出所述交易记录信息和对应相邻交易信息之间的关联信息，对所述综合线程集合中包含的关联信息进行综合分析，获得第三共性条件；
34.将所述第一共性条件和所述第二共性条件以及所述第三共性条件汇总，获得每个
产品属性的综合共性条件；
35.对所述待定价产品的所有产品属性对应的综合共性条件进行隐形挖掘，获得用户筛选条件。
36.优选的，所述的一种基于客户信用的客户动态定价方法，对所述待定价产品的所有产品属性对应的综合共性条件进行隐形挖掘，获得用户筛选条件，包括：
37.将所有产品属性的综合线程集合汇总，获得线程总集，统计出所述线程总集中满足对应产品属性的综合共性条件的线程对应的第一客户总数，将所述预测客户群体和所有历史用户汇总获得客户总群体，确定出所述客户总群体的第二客户总数；
38.基于所述第一客户总数和所述第二客户总数，确定出对应综合共性条件的支持度；
39.基于所述综合共性条件确定出共性阈值，基于所述共性阈值和对应的支持度计算出对应产品属性的共性支持度；
40.在所述线程总集中筛选出对应产品属性满足对应共性支持度的第一线程集合；
41.基于产品属性关联规则列表，确定出与所述产品属性存在关联规则的关联产品属性，并基于所述关联规则确定出所述产品属性和对应关联产品属性之间的关联度，基于所述关联度和所述共性支持度计算出关联共性支持度；
42.在所述线程总集中筛选出产品属性满足对应关联共性支持度的第二线程集合；
43.基于所述第一线程集合对应的第三客户总数和所述第二线程集合对应的第四客户总数，确定出对应产品属性的客户提升度；
44.判断所有产品属性的客户提升度是否都满足客户提升度阈值，若是，则将所述产品属性关联规则列表当作最终关联规则列表；
45.否则，确定出客户提升度不满足客户提升度阈值的目标产品属性，将与所述目标产品属性的关联度最小的关联规则删除，获得所述目标产品属性对应的最新关联规则列表，基于所述最新关联规则列表计算出最新关联共性支持度，直至基于所述最新关联共性支持度确定出的最新客户提升度满足所述客户提升度阈值时，则基于所述最新关联规则列表确定出最终关联规则列表；
46.基于所述最终关联规则列表中包含的最新关联规则，将所述综合共性条件中存在最新关联规则的产品属性对应的共性条件进行关联合并，获得用户筛选条件；
47.其中，共性条件即为：所述第一共性条件或所述第二共性条件或所述第三共性条件。
48.优选的，所述的一种基于客户信用的客户动态定价方法，s3：基于所述目标客户群体中每个目标客户的历史行为信息和信用评价模型，确定出每个目标客户的信用分数，基于所述信用分数确定出风险系数，包括：
49.基于所述目标客户群体中每个目标客户的历史行为信息，确定出每个目标客户对应的信用评价属性特征数据；
50.将所述信用评价属性特征数据输入至所述信用评价模型，获得对应目标客户的信用分数；
51.基于所述信用分数确定出风险系数。
52.优选的，所述的一种基于客户信用的客户动态定价方法，s4：基于每个目标客户的
风险系数和在不同价格下的响应数据以及所述待定价产品的资金成本，构建出每个目标客户对应的以价格为变量的目标函数，包括：
53.基于响应预测模型，获得每个目标客户在不同价格下的响应数据；
54.基于每个目标客户的风险系数和响应数据以及所述待定价产品的资金成本，构建出每个目标客户对应的以价格为变量的目标函数。
55.优选的，所述的一种基于客户信用的客户动态定价方法，基于响应预测模型，获得每个目标客户在不同价格下的响应数据，包括：
56.基于所述目标客户群体中每个目标客户的历史行为信息，确定出每个目标客户对应的响应属性特征数据；
57.将所述响应属性特征数据输入至响应预测模型，获得对应目标客户的响应数据。
58.优选的，所述的一种基于客户信用的客户动态定价方法，s5：求解满足约束条件时的目标函数最优解，将所述目标函数最优解作为对应客户的最终定价，包括：
59.确定所述待定价产品的优化目标，基于所述优化目标确定出对应的变量角色和求解场景，基于所述求解场景确定出对应变量角色的约束条件；
60.基于所述约束条件，确定出对应变量角色的变量范围；
61.确定出满足所述变量范围时的目标函数最优解，将所述目标函数最优解作为对应客户的最终定价。
62.优选的，所述的一种基于客户信用的客户动态定价方法，还包括：
63.基于所述最终定价向对应目标客户提供对应的产品项目，并获取对应产品项目的实际办理数据；
64.将所述实际办理数据添加至对应目标客户的历史行为信息，获得最新历史行为信息；
65.基于所述最新历史行为信息校正所述响应预测模型。
66.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
67.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
68.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
69.图1为本发明实施例中一种基于客户信用的客户动态定价方法流程图；
70.图2为本发明实施例中又一种基于客户信用的客户动态定价方法流程图；
71.图3为本发明实施例中再一种基于客户信用的客户动态定价方法流程图。
具体实施方式
72.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
73.实施例1：
74.本发明提供了一种基于客户信用的客户动态定价方法，参考图1，包括：
75.s1：获取待定价产品和所述待定价产品的相关用户信息和相关产品信息；
76.s2：基于所述相关用户信息和所述相关产品信息筛选出目标客户群体；
77.s3：基于所述目标客户群体中每个目标客户的历史行为信息和信用评价模型，确定出每个目标客户的信用分数，基于所述信用分数确定出风险系数；
78.s4：基于每个目标客户的风险系数和在不同价格下的响应数据以及所述待定价产品的资金成本，构建出每个目标客户对应的以价格为变量的目标函数；
79.s5：求解满足约束条件时的目标函数最优解，将所述目标函数最优解作为对应目标客户的最终定价。
80.该实施例中，待定价产品即为例如信用卡的账单分期、交易分期、专项分期等产品。
81.该实施例中，相关用户信息即为待定价产品的预测客户群体的历史交易信息等，其中，预测客户群体即为初步预测出的待定价产品的受众客户群体。
82.该实施例中，相关产品信息即为交易金额、分期项目信息，用户历史活动信息(即为该企业的历史用户对企业其他产品的历史响应信息)，其中，分期项目信息包括：与现金分期、交易分期和专项分期相关的信息。
83.该实施例中，目标客户群体即为基于相关用户信息和相关产品信息筛选出的待定价产品的目标客户构成的群体，也是首先筛选符合办理该产品条件的客户。
84.该实施例中，目标客户即为目标客户群体中包含的客户。
85.该实施例中，历史行为信息即为目标客户的与历史交易行为相关的信息。
86.该实施例中，信用评价模型即为预先设置的用于评价用户在交易过程中的信用情况的模型。
87.该实施例中，信用分数即为基于信用评价模型评价出的表征对应客户的信用情况的分数。
88.该实施例中，风险系数即为基于信用分数预测出的表征对应客户存在的分期交易风险情况的系数。
89.该实施例中，响应数据即为表征对应客户在待定价产品在不同价格下对应的响应情况的数据，也是用0和1表示的表格数据，对应客户会办理则用1表示，对应客户不会办理则用0表示，例如，表征信用卡产品的折扣利率分别为0.01、0.02、0.03、0.04、0.05时对应客户是否会办理的表格数据。
90.该实施例中，资金成本即为待定价产品的成本。
91.该实施例中，目标函数即为以价格为变量的、用于求得最优价格的函数，目标函数均和价格因素相关，随着价格的变化影响目标函数值。
92.该实施例中，约束条件与设定的目标有关，其中设定的目标涉及以下项的至少一项，例如产品利润、规模、风险、收益等。
93.该实施例中，求解满足约束条件时的目标函数最优解，即为：根据设定的优化问题，最终通过优化工具求解，寻找满足约束条件下的目标函数最优化，从而计算出对应的每个客户的价格，基于优化算法求解在特定的约束条件下使得业务策略目标满足最优化的情况下，每个客户待确定的价格，其中，优化算法包括现有的整数规划求解算法。
94.该实施例中，最终定价即为指现金分期、交易分期和专项分期的最终确定出的对应客户的利率折扣。
95.以上技术的有益效果为：根据不同的产品筛选可以办理定价的客户，再利用预测模型提供客户办理和风险的预测，同时通过历史行为数据生成的弹性模型，计算客户在不同价格下的业务目标函数，并通过最优化工具求解满足业务策略的限制条件下的目标函数最大化，从而计算出目标函数最优的一客一价的定价。
96.实施例2：
97.在实施例1的基础上，所述的一种基于客户信用的客户动态定价方法，s1：获取待定价产品和所述待定价产品的相关用户信息和相关产品信息，参考图2，包括：
98.s101：获取所述待定价产品的预测客户群体的历史交易信息作为相关用户信息；
99.s102：获取所述待定价产品的交易金额、分期项目信息、用户历史活动信息作为相关产品信息。
100.该实施例中，预测客户群体即为在所有客户中初步粗略筛选出的待定价产品的受众客户群体。
101.该实施例中，历史交易信息即为预测客户群体的历史交易行为信息。
102.该实施例中，分期项目信息包括与现金分期、交易分期和专项分期相关的项目信息。
103.以上技术的有益效果为：通过获取待定价产品的预测客户群体的历史交易信息作为相关用户信息，同时，获取待定价产品的交易金额、分期项目信息、用户历史活动信息作为相关产品信息，为后续筛选出目标客户群体并评价出对应客户的信用分数和危险系数以及进一步确定出最终定价提供了信息基础。
104.实施例3：
105.在实施例2的基础上，所述的一种基于客户信用的客户动态定价方法，s2：基于所述相关用户信息和所述相关产品信息筛选出目标客户群体，参考图3，包括：
106.s201：确定出所述用户历史活动信息中的第一用户；
107.s202：基于所述相关用户信息和所述相关产品信息确定出用户筛选条件；
108.s203：基于所述用户筛选条件在所述预测客户群体中筛选出第二用户；
109.s204：将所述第一用户和所述第二用户汇总，获得目标客户群体。
110.该实施例中，第一用户即为用户历史活动信息中包含的用户。
111.该实施例中，用户筛选条件即为基于相关用户信息和相关产品信息确定出的用于筛选出待定价产品的目标客户群体的客户筛选条件。
112.该实施例中，第二用户即为基于用户筛选条件在预测客户群体中筛选出的用户。
113.该实施例中，目标客户群体即为将所有第一用户和所有第二用户汇总后获得的用户群体。
114.以上技术的有益效果为：将基于相关用户信息确定出的第一用户和基于相关用户信息、相关产品信息确定出的用户筛选条件筛选出的第二用户汇总，确定了本次动态定价的目标群体。
115.实施例4：
116.在实施例3的基础上，所述的一种基于客户信用的客户动态定价方法，s202：基于
所述相关用户信息和所述相关产品信息确定出用户筛选条件，包括：
117.基于所述相关用户信息确定出对应的预测客户群体的历史交易信息，基于所述历史交易信息构建出所述预测客户群体中每个预测客户的历史交易记录线程，将所有预测客户的历史交易记录线程汇总，获得第一记录线程集合；
118.基于所述用户历史活动信息构建出每个历史用户的交易活动记录线程，将所有历史用户的交易活动记录线程汇总，获得第二记录线程集合；
119.基于所述相关产品信息确定出所述待定价产品的产品属性和对应的产品属性范围；
120.在所述第一记录线程集合中提取出满足每个产品属性的产品属性范围的部分历史交易记录线程，获得每个产品属性的第三记录线程集合；
121.在所述第二记录线程集合中提取出满足每个产品属性的产品属性范围的交易活动记录线程，获得每个产品属性的第四记录线程集合；
122.将所述第三记录线程集合和第四记录线程集合按照产品属性进行对齐汇总，获得每个产品属性的综合线程集合，对所述综合线程集合中包含的记录线程对应的交易记录信息进行共性提取，获得第一共性条件；
123.确定出所述综合线程集合中包含的记录线程对应的客户群体，基于对应产品属性确定关联用户信息属性；
124.提取出所述客户群体中每个客户的关联用户信息属性对应的关联用户信息，对所述客户群体中每个客户的关联用户信息进行共性提取，获得第二共性条件；
125.调取出所述综合线程集合中包含的记录线程的相邻交易线程，基于第一共性条件确定出约束属性，在所述相邻交易线程中提取出满足所述约束属性的相邻交易信息；
126.挖掘出所述交易记录信息和对应相邻交易信息之间的关联信息，对所述综合线程集合中包含的关联信息进行综合分析，获得第三共性条件；
127.将所述第一共性条件和所述第二共性条件以及所述第三共性条件汇总，获得每个产品属性的综合共性条件；
128.对所述待定价产品的所有产品属性对应的综合共性条件进行隐形挖掘，获得用户筛选条件。
129.该实施例中，历史交易记录线程即为记录预测客户的历史交易过程的线程。
130.该实施例中，预测客户即为预测客户群体中包含的客户。
131.该实施例中，第一记录线程集合即为将所有预测客户的历史交易记录线程汇总后获得的线程集合。
132.该实施例中，历史用户即为用户历史活动信息中包含的用户。
133.该实施例中，交易活动记录线程即为记录历史用户的历史交易过程的线程。
134.该实施例中，第二记录线程集合即为将所有历史用户的交易活动记录线程汇总后获得的线程集合。
135.该实施例中，产品属性即为基于相关产品信息确定出的待定价产品的属性，例如：交易金额、分期类型等，其中分期类型包含现金分期、交易分期和专项分期。
136.该实施例中，产品属性范围即为产品属性对应的范围，例如：交易金额范围、分期期数范围等。
137.该实施例中，部分历史交易记录线程即为在第一记录线程集合中提取出满足每个产品属性的产品属性范围的部分线程。
138.该实施例中，第三记录线程集合即为将在第一记录线程集合中提取出满足每个产品属性的产品属性范围的部分线程汇总后获得的线程集合。
139.该实施例中，第四记录线程集合即为在第二记录线程集合中提取出的满足每个产品属性的产品属性范围的交易活动记录线程汇总后获得的线程集合。
140.该实施例中，第一共性条件即为对综合线程集合中包含的记录线程对应的交易记录信息进行共性提取后获得的综合线程集合中包含的记录线程都满足的用于筛选用户的条件，例如，用于筛选用户的条件为交易金额都在1万元以上。
141.该实施例中，综合线程集合即为将每个产品属性对应的第三记录线程集合和第四记录线程集合汇总后获得的对应产品属性的线程集合。
142.该实施例中，客户群体即为综合线程集合中包含的所有记录线程对应的客户汇总构成的客户集合。
143.该实施例中，关联用户信息属性即为与对应产品属性有关的用户信息属性，例如：与交易金额(产品属性)有关的是用户年收入(用户信息属性)。
144.该实施例中，关联用户信息即为对应客户的关联用户信息属性对应的用户信息。
145.该实施例中，第二共性条件即为对客户群体中每个客户的关联用户信息进行共性提取后获得的客户群体中所有客户的关联用户信息都满足的用于筛选用户的条件。
146.该实施例中，相邻交易线程即为在原始记录线程(即为历史交易记录线程和交易活动记录线程)中与综合线程集合中包含的记录线程相邻的记录线程。
147.该实施例中，约束属性即为第一共性条件约束的信息属性，例如约束的是交易金额都在1万元以上。
148.该实施例中，相邻交易信息即为在所有相邻交易线程中提取出的满足约束属性(即交易金额满足)的相邻交易线程中提取出的交易信息。
149.该实施例中，关联信息即为交易记录信息和相邻交易信息中存在关联关系的信息，例如：交易金额、分期期数等。
150.该实施例中，第三共性条件即为对综合线程集合中包含的关联信息进行综合分析出的综合线程集合中包含的关联信息都满足的用于筛选用户的条件。
151.该实施例中，综合共性条件即为将每个产品属性的第一共性条件和第二共性条件以及第三共性条件都汇总后获得的每个产品属性的综合的用于筛选用户的条件。
152.该实施例中，用户筛选条件即为对待定价产品的所有产品属性对应的综合共性条件进行隐形挖掘后获得的用于筛选用户的最终筛选条件。
153.以上技术的有益效果为：通过将相关用户信息中包含的历史交易信息和用户历史活动信息构建出对应的记录线程，使得交易信息中的数据信息更加直观化，为后续确定出用户筛选条件提供了便利，再基于待定价产品的产品属性对应的产品属性范围对记录线程进行筛选提取，提取出满足待定价产品的产品属性范围的记录线程，有利于后续基于提取出的记录线程进行共性分析，进而确定出满足待定价产品的产品属性的历史交易活动中的共性条件，再通过对与产品属性关联的用户信息属性对客户的用户信息进行提取筛选并对提取结果进行共性分析，提取出待定价产品受众在用户信息方面的共性条件，并基于对满
足产品属性的记录线程和对应相邻交易线程进行关联分析，确定出待定价产品对应的相邻线程约束条件，最后实现了充分考虑到结合历史交易信息中的共性特征和与产品属性相关的用户信息中的共性特征以及交易线程中相邻交易行为的关联特征的情况下，精准地确定出用于筛选待定价产品的受众客户的用户筛选条件。
154.实施例5：
155.在实施例4的基础上，所述的一种基于客户信用的客户动态定价方法，对所述待定价产品的所有产品属性对应的综合共性条件进行隐形挖掘，获得用户筛选条件，包括：
156.将所有产品属性的综合线程集合汇总，获得线程总集，统计出所述线程总集中满足对应产品属性的综合共性条件的线程对应的第一客户总数，将所述预测客户群体和所有历史用户汇总获得客户总群体，确定出所述客户总群体的第二客户总数；
157.基于所述第一客户总数和所述第二客户总数，确定出对应综合共性条件的支持度；
158.基于所述综合共性条件确定出对应产品属性的共性阈值，基于所述共性阈值和对应的支持度计算出对应产品属性的共性支持度；
159.在所述线程总集中筛选出对应产品属性满足对应共性支持度的第一线程集合；
160.基于产品属性关联规则列表，确定出与所述产品属性存在关联规则的关联产品属性，并基于所述关联规则确定出所述产品属性和对应关联产品属性之间的关联度，基于所述关联度和所述共性支持度计算出关联共性支持度；
161.在所述线程总集中筛选出产品属性满足对应关联共性支持度的第二线程集合；
162.基于所述第一线程集合对应的第三客户总数和所述第二线程集合对应的第四客户总数，确定出对应产品属性的客户提升度；
163.判断所有产品属性的客户提升度是否都满足客户提升度阈值，若是，则将所述产品属性关联规则列表当作最终关联规则列表；
164.否则，确定出客户提升度不满足客户提升度阈值的目标产品属性，将与所述目标产品属性的关联度最小的关联规则删除，获得所述目标产品属性对应的最新关联规则列表，基于所述最新关联规则列表计算出最新关联共性支持度，直至基于所述最新关联共性支持度确定出的最新客户提升度满足所述客户提升度阈值时，则基于所述最新关联规则列表确定出最终关联规则列表；
165.基于所述最终关联规则列表中包含的最新关联规则，将所述综合共性条件中存在最新关联规则的产品属性对应的共性条件进行关联合并，获得用户筛选条件；
166.其中，共性条件即为：所述第一共性条件或所述第二共性条件或所述第三共性条件。
167.该实施例中，线程总集即为将所有产品属性的综合线程集合汇总后获得的总集合。
168.该实施例中，第一客户总数即为线程总集中满足对应产品属性的综合共性条件的线程对应的客户的总数。
169.该实施例中，第二客户总数即为将预测客户群体和所有历史用户汇总获得客户总群体中的客户总数。
170.该实施例中，基于所述第一客户总数和所述第二客户总数，确定出对应综合共性
条件的支持度，即为：
171.将第一客户总数和第二客户总数的比值作为对应综合共性条件的支持度。
172.该实施例中，基于所述综合共性条件确定出对应产品属性的共性阈值，即为：在对应产品属性的综合共性条件中提取出的对应产品属性共同满足的阈值。
173.该实施例中，基于所述共性阈值和对应的支持度计算出对应产品属性的共性支持度，即为：将共性阈值和对应产品属性的共性支持度的乘积作为对应产品属性的共性支持度。
174.该实施例中，第一线程集合即为在线程总集中筛选出对应产品属性满足对应共性支持度的线程构成的集合。
175.该实施例中，关联产品属性即为基于产品属性关联规则列表确定出的与产品属性存在关联规则的其他产品属性。
176.该实施例中，产品属性关联规则列表即为包含产品属性之间的关联规则的列表。
177.该实施例中，关联度即为基于关联规则确定出的表征存在对应关联规则的产品属性之间的关联程度的数值。
178.该实施例中，基于所述关联度和所述共性支持度计算出关联共性支持度，包括：
[0179][0180]
式中，d为对应产品属性的关联共性支持度，n为与对应产品属性存在关联规则的关联产品属性的总个数，z为对应产品属性的共性支持度，i为与对应产品属性存在关联规则的第i个关联产品属性，gi为与对应产品属性存在关联规则的第i个关联产品属性与对应产品属性之间的关联度；
[0181]
例如，n为3，与对应产品属性存在关联规则的第i个关联产品属性与对应产品属性之间的关联度依次为0.6、0.2、0.9，z为0.05，则d为0.16625。
[0182]
该实施例中，第二线程集合即为在线程总集中筛选出的产品属性满足对应关联共性支持度的线程构成的集合。
[0183]
该实施例中，第三客户总数即为第一线程集合中包含的线程对应的客户总数。
[0184]
该实施例中，第四客户总数即为第二线程集合中包含的线程对应的客户总数。
[0185]
该实施例中，基于所述第一线程集合对应的第三客户总数和所述第二线程集合对应的第四客户总数，确定出对应产品属性的客户提升度，包括：
[0186][0187]
式中，t为对应产品属性的客户提升度，lg为以10为底的对数函数，a为第一线程集合对应的第三客户总数，b为第二线程集合对应的第四客户总数；
[0188]
例如，a为200，b为100，则t为0.176。
[0189]
该实施例中，客户提升度阈值即为最新关联规则列表被当作最终关联规则列表时对应的最小客户提升度。
[0190]
该实施例中，判断所有产品属性的客户提升度是否都满足客户提升度阈值，即为：当客户提升度不小于客户提升度阈值时，则判定对应产品属性的客户提升度满足客户提升
度阈值，否则，判定对应产品属性的客户提升度不满足客户提升度阈值。
[0191]
该实施例中，目标产品属性即为客户提升度不满足客户提升度阈值的产品时属性。
[0192]
该实施例中，最终关联规则列表即为客户提升度满足客户提升度阈值时对应的产品属性关联规则列表。
[0193]
该实施例中，最新关联规则列表即为将当前关联规则列表中与目标产品属性的关联度最小的关联规则删除后最新获得的关联规则列表。
[0194]
该实施例中，最新关联共性支持度即为基于最新关联规则列表计算出的最新的关联共性支持度。
[0195]
该实施例中，最新客户提升度即为基于最新关联共性支持度确定出的最新的客户提升度。
[0196]
该实施例中，最新关联规则即为最新关联规则列表中包含的关联规则。
[0197]
该实施例中，将所述综合共性条件中存在最新关联规则的产品属性对应的共性条件进行关联合并，获得用户筛选条件，即为：
[0198]
例如：客户年收入不低于10万元、交易金额不低于1万元这两个综合共性条件存在最新关联规则，因此，将其关联合并为客户年收入并不低于10万元且交易金额不低于1万元的用户筛选条件。
[0199]
以上技术的有益效果为：基于满足不同综合共性条件的客户总数和所有样本中的客户总数，计算出不同综合条件对应的支持度，再基于每个综合条件的共性阈值和支持度计算出共性支持度，并基于确定产品属性之间的关联度计算出关联共性支持度，基于满足共性支持度时的客户总数和满足关联共性支持度的客户总数，可以计算出不同筛选阈值时对应的客户提升度，并通过将客户提升度和客户提升度阈值进行判断，实现了基于客户提升度对产品属性之间现有的关联规则进行筛选，进而确定出对最终客户提升度效果较好的关联规则列表，为后续准确确定出客户提升度较好的用户筛选条件提供了重要的基础，避免了基于产品属性之间的过度关联约束，导致后续确定出的用户筛选条件对客户筛选效果的影响，保证了确定出的用户筛选条件的有效性和筛选效果。
[0200]
实施例6：
[0201]
在实施例1的基础上，所述的一种基于客户信用的客户动态定价方法，s3：基于所述目标客户群体中每个目标客户的历史行为信息和信用评价模型，确定出每个目标客户的信用分数，基于所述信用分数确定出风险系数，包括：
[0202]
基于所述目标客户群体中每个目标客户的历史行为信息，确定出每个目标客户对应的信用评价属性特征数据；
[0203]
将所述信用评价属性特征数据输入至所述信用评价模型，获得对应目标客户的信用分数；
[0204]
基于所述信用分数确定出风险系数。
[0205]
该实施例中，信用评价属性特征数据即为在目标客户的历史行为信息中提取出影响用户信用分数的数据。
[0206]
该实施例中，信用评价模型即为预先设置的用于评价用户在交易过程中的信用情况的模型。
[0207]
该实施例中，基于所述信用分数确定出风险系数，即为：
[0208]
将信用分数输入至风险预测模型(即为用于预测用户在交易过程中风险系数的模型)中获得风险系数。
[0209]
以上技术的有益效果为：在目标客户群体中每个目标客户的历史行为信息中提取出影响用户信用分数的信用评价属性特征数据，并结合信用评价模型评价出目标客户在历史交易过程中信用情况的分数，进而确定出风险系数，为后续基于客户信用实现针对性的动态定价提供了数据基础。
[0210]
实施例7：
[0211]
在实施例1的基础上，所述的一种基于客户信用的客户动态定价方法，s4：基于每个目标客户的风险系数和在不同价格下的响应数据以及所述待定价产品的资金成本，构建出每个目标客户对应的以价格为变量的目标函数，包括：
[0212]
基于响应预测模型，获得每个目标客户在不同价格下的响应数据；
[0213]
基于每个目标客户的风险系数和响应数据以及所述待定价产品的资金成本，构建出每个目标客户对应的以价格为变量的目标函数。
[0214]
该实施例中，响应预测模型即为用于预测用户在不同价格下对待定价产品的响应情况的模型。
[0215]
该实施例中，响应数据即为将目标客户的历史交易信息输入至响应预测模型后确定出的表征用户在不同价格下对待定价产品的响应情况的数据。
[0216]
该实施例中，目标函数即为以价格为变量的、用于求得最优价格的函数，目标函数均和价格因素相关，随着价格的变化影响目标函数值。
[0217]
以上技术的有益效果为：实现了综合考虑到每个目标客户的风险系数和在不同价格下的响应数据以及待定价产品的资金成本等各方面因素，构建出对应目标客户的目标函数，为后续通过求取目标函数最优解确定最终定价提供了动态定价的实现方式。
[0218]
实施例8：
[0219]
在实施例7的基础上，所述的一种基于客户信用的客户动态定价方法，基于响应预测模型，获得每个目标客户在不同价格下的响应数据，包括：
[0220]
基于所述目标客户群体中每个目标客户的历史行为信息，确定出每个目标客户对应的响应属性特征数据；
[0221]
将所述响应属性特征数据输入至响应预测模型，获得对应目标客户的响应数据。
[0222]
该实施例中，响应属性特征数据即为在目标客户的历史行为信息中提取出的用于确定用户对待定价产品不同价格时的响应情况的数据。
[0223]
以上技术的有益效果为：在目标客户群体中每个目标客户的历史行为信息中提取出用于确定用户对待定价产品不同价格时的响应情况的响应属性特征数据，并结合响应预测模型评价出目标客户在历史交易过程中信用情况的分数，进而确定出风险系数，为后续基于客户信用实现针对性的动态定价提供了数据基础。
[0224]
实施例9：
[0225]
在实施例1的基础上，所述的一种基于客户信用的客户动态定价方法，s5：求解满足约束条件时的目标函数最优解，将所述目标函数最优解作为对应客户的最终定价，包括：
[0226]
确定所述待定价产品的优化目标，基于所述优化目标确定出对应的变量角色和求
解场景，基于所述求解场景确定出对应变量角色的约束条件；
[0227]
基于所述约束条件，确定出对应变量角色的变量范围；
[0228]
确定出满足所述变量范围时的目标函数最优解，将所述目标函数最优解作为对应客户的最终定价。
[0229]
该实施例中，优化目标包括以下至少一项：产品利润、规模、风险、收益等。
[0230]
该实施例中，变量角色例如为目标变量、限制变量等。
[0231]
该实施例中，求解场景即为无限制条件、有限制条件、限制条件遍历等。
[0232]
该实施例中，对应变量角色的约束条件即为限制变量的限制条件，例如限制产品利润不低于0.1万元等。
[0233]
该实施例中，对应变量角色的变量范围即为限制变量的变量范围，例如产品利润不低于0.1万元等。
[0234]
该实施例中，目标函数最优解即为满足变量范围时对应的目标函数的最优解。
[0235]
以上技术的有益效果为：实现基于待定价产品的优化目标确定变量角色以及不同变量的限制范围和求解场景，进而确定出满足优化目标时对应目标客户的最优定价，实现了满足优化目标的情况时一客一价的定价。
[0236]
实施例10：
[0237]
在实施例7的基础上，所述的一种基于客户信用的客户动态定价方法，还包括：
[0238]
基于所述最终定价向对应目标客户提供对应的产品项目，并获取对应产品项目的实际办理数据；
[0239]
将所述实际办理数据添加至对应目标客户的历史行为信息，获得最新历史行为信息；
[0240]
基于所述最新历史行为信息校正所述响应预测模型。
[0241]
该实施例中，产品项目即为基于最终定价确定出待定价产品的价格后生成的信用卡产品项目。
[0242]
该实施例中，实际办理数据即为表征目标客户办理对应产品项目的情况的数据。
[0243]
该实施例中，最新历史行为信息即为将实际办理数据中提取出的交易记录信息添加至对应目标客户的历史行为信息后最新获得的历史行为信息。
[0244]
该实施例中，基于所述最新历史行为信息校正所述响应预测模型，即为：基于最新历史行为信息中用于确定用户对待定价产品不同价格时的响应情况的数据与待定价产品的产品属性，对响应预测模型中包含的影响确定用户在不同价格下的响应情况的权重进行校正，进而实现对响应预测模型的校正更新。
[0245]
以上技术的有益效果为：通过对基于对目标用户对基于最终定价生成的产品项目的实际响应情况的追踪，可以对响应预测模型进行不断优化校正，使得响应预测模型的预测结果更加精准，也进一步提高了动态定价的效果。
[0246]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。