申请/专利权人：湖南三湘银行股份有限公司

申请日：2023-12-15

公开（公告）日：2024-04-02

公开（公告）号：CN117408742B

主分类号：G06Q30/0202

分类号：G06Q30/0202;G06Q30/01;G06Q40/02;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.02.02#实质审查的生效;2024.01.16#公开

摘要：本发明涉及数据处理领域，特别是涉及一种用户筛分方法及系统，该方法包括：首先根据用户资产数值对用户进行等级划分，然后筛选资产负增长的用户得到用户降幅列表，根据不同月份的用户降幅列表得到第一用户资产降幅分布表与第二用户资产降幅分布表，设置阈值，基于找到的最优挽留率筛分出流失用户，训练模型预测未来的流失用户。本发明通过比较各个资产规模等级内的用户在不同月份的资产降幅幅度找到合适的资产降幅分布表，实现找到最优挽留率，确定目标资产降幅，划分流失用户。

主权项：1.一种用户筛分方法，其特征在于，包括：根据存储在数据库内的用户资产数值对用户进行等级划分，划分为若干资产规模等级；开始筛选第i月的流失用户与非流失用户；在每个所述资产规模等级内，选择i月与i-1月相比存在资产负增长的用户，并将所述用户按照降幅幅度从大到小进行排序，获取i月的用户降幅列表；根据i月的所述用户降幅列表确定第一用户资产降幅分布表；重复以上步骤，根据i-1月的所述用户降幅列表确定第二用户资产降幅分布表；设置阈值；根据所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值与所述阈值的关系确定当前资产规模等级内的流失用户；基于所述流失用户预测未来的流失用户；预测未来的流失用户通过训练后的深度学习模型进行，训练后的所述深度学习模型基于筛分后的流失用户作为流失标签训练得到，将筛分出来的所述流失用户与所述非流失用户的数据作为深度学习模型的训练集，输入选定的深度学习模型进行训练，训练后的深度学习模型根据现有用户数据预测未来可能出现的流失用户；根据所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值与所述阈值的关系确定当前资产规模等级内的流失用户包括：若所述第一用户资产降幅分布表和所述第二用户资产降幅分布表的差值大于设置的阈值，则将i更新为i-1后重复执行开始筛选后的所有步骤，若差值小于或等于设置的阈值，则向下执行；从所述第一用户资产降幅分布表找到最优挽留率X%；得到第一用户资产降幅分布表包括：分别计算在各个所述用户降幅列表由大到小进行排序中的前X%的用户的平均资产降幅，所述用户降幅列表按照降幅幅度从大到小进行排序，得到各个所述资产规模等级下的第一用户资产降幅分布表，所述第一用户资产降幅分布表包括若干所述平均资产降幅以及与所述平均资产降幅对应的用户百分比，所述第一用户资产降幅分布表是根据第i月和第i-1月的用户资产数据获取的，所述第一用户资产降幅分布表内的某一平均资产降幅为在所述资产规模等级内筛分最初的第i月流失用户与非流失用户的目标资产降幅；得到第二用户资产降幅分布表包括：在每个所述资产规模等级内，选择i-1月与i-2月存在资产负增长的用户，并将所述用户按照降幅幅度从大到小进行排序，获取各个所述资产规模等级内的用户降幅列表，计算所述用户降幅列表中降幅前X%的用户的平均资产降幅；在寻找最优挽留率X%的过程中，初始生成一个由不同挽留率X%值构成的数值组，随后采用选择、交叉和变异操作生成新的数值组，每个个体挽留率X%的适应度通过基于用户资产降幅分布表和预定的目标资产降幅设计的适应度函数来评估，所述适应度的评价标准是预测未来的流失用户的准确率；将所述最优挽留率X%带入该所述资产规模等级内首次产生的第一用户资产降幅分布表，查找所述最优挽留率X%在首次产生的第一用户资产降幅分布表中对应的用户平均资产降幅，该平均资产降幅为目标资产降幅；在最初的第i月的每个所述资产规模等级内的用户降幅列表中，若用户实际资产降幅大于所述目标资产降幅，则判定该用户为当前资产规模等级内的流失用户。

全文数据：

权利要求：

百度查询： 湖南三湘银行股份有限公司 用户筛分方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD