一种基于客户资源的分类管理方法与流程
未命名
09-29
阅读:93
评论:0
1.本发明涉及金融数据处理技术领域,具体涉及一种基于客户资源的分类管理方法。
背景技术:
2.在现有的金融crm管理系统中,以客户为中心,帮助公司更好地服务客户,提高客户满意度。而在公司的金融销售中,为了保证金融公司的收益,需要对客户进行分类管理,对客户的历史数据进行分类,得到不同类别的客户,公司对不同类别的客户采取相应类别的回访方式,定制合理的回访策略,以提高公司收益。
3.但是现有金融crm管理系统在对客户进行分类时,往往是通过rfm模型所建立三维坐标系,根据客户历史数据在不同坐标系上的分布对客户进行分类,仅通过对客户进行粗划分,分类结果存在较大误差。对客户数据在rfm模型获得的指标进行聚类获得客户分类结果,根据聚类划分的分类结果存在较大误差,不能对客户进行精准划分。根据层次分析法和熵值法对数据进行分析,再进行聚类获得客户价值评价,对样本依赖性太大无法对一个新型类别的客户进行准确判断,计算过于复杂,缺少实用性。这些对客户的分类方法都可能会使得公司制定回访策略时,出现细节上的错误,从而可能造成公司资源浪费,或者所定制回访策略对客户针对性不强,造成客户留存失败,导致公司出现损失。
技术实现要素:
4.为了解决现有技术中对客户类别的划分结果存在较大误差的技术问题,本发明的目的在于提供一种基于客户资源的分类管理方法,所采用的技术方案具体如下:
5.本发明提出一种基于客户资源的分类管理方法,所述方法包括:
6.获得每个客户的金融信息;将每个客户的金融信息在rfm模型中进行归一化,获取对应客户的至少两个分量信息;
7.根据每个客户的所有分量信息对所有客户进行分类,获得至少两个客户类别和对应客户类别的客户密度;分别获得每个客户类别的各个分量信息偏差度;根据每个客户类别的所有分量信息偏差度和对应客户类别的客户密度获得每个客户类别的偏差度;
8.根据所有客户类别的偏差度筛选出至少两个待检测客户类别;选定一个分量信息作为保留信息,根据每个待检测客户类别的保留信息和对应待检测客户类别的偏差度获得每个待检测客户类别的保留度;
9.根据每个待检测客户类别的保留度筛选出保留客户类别并赋予特殊类别标签。
10.进一步的,所述每个客户的金融信息包括:
11.每个客户的金融信息包括每个客户购买金融产品的时间和所购金融产品的价值。
12.进一步的,所述每个客户分量信息的获取方法包括:
13.所述分量信息包括对应客户的时间分量信息、频率分量信息和价值分量信息;
14.将每个客户的金融信息置于rfm模型中,分别获得对应客户的最近消费时间间隔、
消费频率和消费金额;对每个客户的最近消费时间间隔、消费频率和消费金额分别进行归一化,获得每个客户的时间间隔特征、频率特征和金额特征;将每个客户的时间间隔特征进行负相关处理,获得每个客户的时间间隔负相关特征;
15.将每个客户的时间间隔负相关特征与所有客户的时间间隔负相关特征均值作差,将时间间隔负相关差值作为每个客户的时间分量信息;将每个客户的频率特征与所有客户的频率特征均值作差,将频率差值作为每个客户的频率分量信息;将每个客户的金额特征与所有客户的金额特征均值作差,将金额差值作为每个客户的价值分量信息。
16.进一步的,所述每个客户类别的各个分量信息偏差度的获取方法包括:
17.对任意一个客户类别,分别得到每个客户类别各个分量信息的正值数量和负值数量,将各分量信息的正值数量和负值数量组成符号数量集合;将对应客户类别的符号数量集合中最小值与最大值的比值作为对应分量信息的分量信息偏差度。
18.进一步的,所述每个客户类别的偏差度的获取方法包括:
19.对任意一个客户类别,获得对应客户类别的所有分量信息偏差度的均值,将均值与对应客户类别的客户密度的比值作为对应客户类别的偏差度。
20.进一步的,所述待检测客户类别的获取方法包括:
21.对任意一个客户类别,若对应客户类别的偏差度大于预设偏差阈值,则对应客户类别为待检测客户类别。
22.进一步的,所述每个待检测客户类别的保留度的获取方法包括:
23.选定分量信息中的价值分量信息作为保留信息,将每个待检测客户类别中所有客户的保留信息均值与对应待检测客户类别的偏差度相乘,获得对应待检测客户类别的价值保留度;将价值保留度的数值范围进行修正获得对应待检测客户类别的保留度。
24.进一步的,所述保留客户类别的获取方法包括:
25.若待检测客户类别的保留度大于预设保留阈值,则对应待检测客户类别为保留客户类别。
26.进一步的,筛选出保留客户类别后还包括:
27.根据多种回访资源为存在特殊类别标签的客户定制回访方案;
28.将所有客户类别中除保留客户类别之外的其他客户类别作为普通客户类别,根据价值分量信息的高低对普通客户类别的客户分配回访方案。
29.本发明具有如下有益效果:
30.本发明实施例中,通过获得每个客户的金融信息及对应客户的至少两个分量信息,根据每个客户的所有分量信息对所有客户进行分类,获得至少两个客户类别和对应客户类别的客户密度,首先对客户进行粗分类,将类型相似的客户划分一个客户类别,为后续分析提供基础。分别获得每个客户类别的各个分量信息偏差度,根据每个客户类别的所有分量信息偏差度和对应客户类别的客户密度获得每个客户类别的偏差度,通过每个客户类别的偏差度能够判断出对应客户类别中客户分类的准确性,减少后续分析的误差。根据所有客户类别的偏差度筛选出至少两个待检测客户类别,并获得每个待检测客户类别的保留度,从类别内数据特征分析能够较少误差,根据保留度对类别进行精准划分,能够增强客户分类的准确性。根据每个待检测客户类别的保留度筛选出保留客户类别并赋予特殊类别标签,完成对客户的细分类,实现了对客户的精准分类。本发明中将客户在rfm模型中的数据
先进行粗分类,再通过偏差率和类内密度对分类后的类别进行进一步区别并给保留客户类别赋予特殊类别标签,实现了对客户的精准分类,增强客户识别的准确性,减少分类误差。
附图说明
31.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和优点,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的介绍,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它附图。
32.图1为本发明一个实施例所提供的一种基于客户资源的分类管理方法流程图。
具体实施方式
33.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于客户资源的分类管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
34.除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
35.下面结合附图具体的说明本发明所提供的一种基于客户资源的分类管理方法的具体方案。
36.请参阅图1,其示出了本发明一个实施例提供的一种基于客户资源的分类管理方法流程图,该方法包括:
37.步骤s1:获得每个客户的金融信息,将每个客户的金融信息在rfm模型中进行归一化,获取对应客户的至少两个分量信息。
38.通过金融crm管理系统获得每一个客户的金融数据,在本发明实施例中,每个客户的金融信息包括每个客户购买金融产品的时间和所购金融产品的价值。
39.对每个客户的金融信息进行分析,将每个客户的金融信息在rfm模型中进行归一化,获取对应客户的至少两个分量信息。在本发明实施例中,分量信息包括对应客户的时间分量信息、频率分量信息和价值分量信息,每个客户分量信息的获取方法具体包括:
40.1.rfm模型是衡量客户价值和客户创造利益能力的重要工具和手段,该机械模型通过一个客户的近期购买行为、购买的总体频率以及购买消费金额,三项指标来描述该客户的价值状况。因此,将每个客户的金融信息置于rfm模型中,分别获得对应客户的最近消费时间间隔、消费频率和消费金额。
41.2.根据不同客户之间的重要性差异对客户的类型进行区分,帮助公司对维护客户付出较少精力的同时,达到最大效益,从而提高工作效率。因此,对每个客户的最近消费时间间隔、消费频率和消费金额分别进行归一化,获得每个客户的时间间隔特征、频率特征和金额特征,在本发明实施例中,使用的归一化方法为最大值最小值归一化。需要说明的是,最大值最小值归一化为本领域技术人员熟知的技术手段,具体过程在此不再赘述。
42.3.由于,每个客户的频率特征和金额特征均与客户的价值呈正比关系,二者的数
值越大,说明对应客户的价值越高;每个客户的时间间隔特征表示对应客户的当前时刻与最近消费时间的时间间隔,时间间隔特征与客户的价值呈反比关系,时间间隔特征越小,说明对应客户的价值越高。为了方便后续的分析,将每个客户的时间间隔特征进行负相关处理,获得每个客户的时间间隔负相关特征,在本发明实施例中负相关处理是将数值一与时间间隔特征的差值作为时间间隔负相关特征。此时,每个客户的时间间隔负相关特征、频率特征和金额特征均与客户的价值呈正比关系。
43.4.将每个客户的时间间隔负相关特征与所有客户的时间间隔负相关特征均值作差,将时间间隔负相关差值作为每个客户的时间分量信息。将每个客户的频率特征与所有客户的频率特征均值作差,将频率差值作为每个客户的频率分量信息。将每个客户的金额特征与所有客户的金额特征均值作差,将金额差值作为每个客户的价值分量信息。
44.经过步骤s1的计算,获得每个客户的所有分量信息。
45.步骤s2:根据每个客户的所有分量信息对所有客户进行分类,获得至少两个客户类别和对应客户类别的客户密度。分别获得每个客户类别的各个分量信息偏差度,根据每个客户类别的所有分量信息偏差度和对应客户类别的客户密度获得每个客户类别的偏差度。
46.为了对客户进行精准分类,首先将价值类别相似的客户划分一个客户类别,为后续分析提供基础。因此,根据每个客户的所有分量信息对所有客户进行分类,获得至少两个客户类别和对应客户类别的客户密度,在本发明实施例中具体包括:
47.将每个客户的时间分量信息、频率分量信息和价值分量信息分别作为对应客户在rfm模型的坐标系中r轴、f轴和m轴的分值。即将时间间隔负相关特征、频率特征和金额特征小于均值的分别放置在坐标系中r轴、f轴和m轴的负方向,将时间间隔负相关特征、频率特征和金额特征大于均值的分别放置在坐标系中r轴、f轴和m轴的正方向,进而获得对应客户在rfm模型的三维坐标系中的位置。根据预设聚类半径和所有客户的位置对所有客户使用均值偏移聚类进行分类,获得至少两个客户类别。
48.对任意一个客户类别,获得对应客户类别中所有客户与聚类中心的距离均值,使用最大最小值归一化将距离均值进行归一化,获得对应客户类别的客户密度。在本发明实施例中,使用的归一化方法为最大值最小值归一化。
49.在本发明实施例中,预设聚类半径为1,预设聚类半径的数值均可根据具体实施方式具体设置。需要说明的是,均值偏移聚类和最大最小值归一化均为本领域技术人员熟知的技术手段,具体过程在此不再赘述。
50.根据客户在rfm模型的三维坐标系中的位置对客户进行分类,得到的客户类别通常缺乏准确性。同一客户类别中不同客户的价值之间可能存在较大差异,部分客户在三维坐标系中的位置贴近分割边界,使得客户类别划分不明显;部分客户与所属客户类别中整体客户的位置相差过大。在公司对同一客户类别的不同客户进行管理时,根据客户在rfm模型的三维坐标系中的位置获得的客户分类结果,会导致公司资源不足,无法对同一类别内不同客户的回访方案进行细致规划,从而使得重要价值客户流失。因此,为了减少误差,需要对每个客户类别的各个分量信息进行分析,获得每个客户类别的各个分量信息偏差度,具体包括:
51.对任意一个客户类别,分别得到每个客户类别各个分量信息的正值数量和负值数
量,将各分量信息的正值数量和负值数量组成符号数量集合。将对应客户类别的符号数量集合中最小值与最大值的比值作为对应分量信息的分量信息偏差度。以时间分量信息为例,任意一个客户类别的时间分量信息偏差度的公式具体包括:
[0052][0053]
式中,pr表示时间分量信息偏差度,n
r_1
表示每个客户类别中客户时间分量信息的正值数量,n
r_2
表示每个客户类别中客户时间分量信息的负值数量,min()表示求最小值函数,max()表示求最大值函数。
[0054]
在时间分量信息偏差度的公式中,表示每个客户类别内客户在r轴两端分布的均匀情况,该值越大即pr越大说明对应客户类别内客户在r轴两端的分布越不均匀,即该客户类别的划分结果越不准确;该值越小即pr越小说明对应客户类别内客户在r轴两端的分布越均匀,即该客户类别的划分结果越准确。
[0055]
在本发明实施例中,分量信息包括对应客户的时间分量信息、频率分量信息和频率分量信息。因此,对任意一个客户类别,需要分别获得对应客户类别的时间分量信息偏差度、频率分量信息偏差度和价值分量信息偏差度。
[0056]
每个客户类别的所有分量信息偏差度越大且对应客户类别的客户密度越小,说明该客户类别的划分结果越不准确,即对应客户类别需要进一步划分。因此,根据每个客户类别的所有分量信息偏差度和对应客户类别的客户密度获得每个客户类别的偏差度,具体包括:
[0057]
对任意一个客户类别,获得对应客户类别的所有分量信息偏差度的均值,将均值与对应客户类别的客户密度的比值作为对应客户类别的偏差度。根据偏差度的公式获得偏差度,偏差度的公式包括:
[0058][0059]
式中,p表示偏差度,pr表示时间分量信息偏差度,pf表示频率分量信息偏差度,pm表示价值分量信息偏差度,d表示客户密度。
[0060]
在偏差度的公式中,时间分量信息偏差度表示每个客户类别内客户在r轴两端分布的均匀情况,时间分量信息偏差度与偏差度呈正比关系,时间分量信息偏差度越大说明对应客户类别内客户在r轴两端的分布越不均匀,即该客户类别的划分结果越不准确。频率分量信息偏差度表示每个客户类别内客户在f轴两端分布的均匀情况,频率分量信息偏差度与偏差度呈正比关系,频率分量信息偏差度越大说明对应客户类别内客户在f轴两端的分布越不均匀,即该客户类别的划分结果越不准确。价值分量信息偏差度表示每个客户类别内客户在m轴两端分布的均匀情况,价值分量信息偏差度与偏差度呈正比关系,价值分量信息偏差度越大说明对应客户类别内客户在m轴两端的分布越不均匀,即该客户类别的划分结果越不准确。客户密度表示每个客户类别内客户的分布情况,客户密度与偏差度呈反比关系,客户密度越小说明对应客户类别内客户分类发生异常的可能性越大,即该客户类别的划分结果越不准确。表示每个客户类别分量信息的总体偏差度,总体偏差度
越大说明该客户类别的划分结果越不准确,即对应客户类别需要进一步划分。
[0061]
对任意一个客户类别,均可获得一个对应的偏差度,偏差度反映了对应客户类别划分的准确程度,偏差度越大说明对应客户类别的划分结果越不准确;偏差度越小说明对应客户类别的划分结果越准确。
[0062]
经过步骤s2的计算,每个客户类别对应一个偏差度。
[0063]
步骤s3:根据所有客户类别的偏差度筛选出至少两个待检测客户类别。选定一个分量信息作为保留信息,根据每个待检测客户类别的保留信息和对应待检测客户类别的偏差度获得每个待检测客户类别的保留度。
[0064]
在所有客户类别中,经过骤s1和步骤s2的计算,可根据每个客户类别的偏差度将对应客户类别进行精准划分,筛选出偏差度较大的客户类别并对该客户类别进行分析,减少后续分析的误差。因此,根据所有客户类别的偏差度筛选出至少两个待检测客户类别,具体包括:对任意一个客户类别,若对应客户类别的偏差度大于预设偏差阈值,则对应客户类别为待检测客户类别。在本发明实施例中,预设偏差阈值为0,预设偏差阈值的数值均可根据具体实施方式具体设置。
[0065]
在所有待检测客户类别中,只有部分待检测客户类别需要进行精准标记。为了确保标记的科学性,还需要从多角度对待检测客户类别进行分析。因此,选定一个分量信息作为保留信息,在本发明实施例中,考虑到价值分量信息对于定制回访方案更为重要,因此保留信息为价值分量信息。
[0066]
对客户进行分类的目的是为了保障公司对不同客户类别的回访方案进行细致规划,减少重要价值客户流失。每个待检测客户类别的保留信息选用价值分量信息越大且偏差度越大,说明对应待检测客户类别的划分准确性越小,即对应客户类别需要精准标记。因此,根据每个待检测客户类别的保留信息和对应待检测客户类别的偏差度获得每个待检测客户类别的保留度,具体包括:
[0067]
选定分量信息中的价值分量信息作为保留信息,将每个待检测客户类别中所有客户的保留信息均值与对应待检测客户类别的偏差度相乘,获得对应待检测客户类别的价值保留度;将价值保留度的数值范围进行修正获得对应待检测客户类别的保留度。根据保留度的公式获得保留度,保留度的公式包括:
[0068][0069]
式中,k表示保留度,p表示偏差度,表示待检测客户类别内所有客户的保留信息均值,b表示修正系数。
[0070]
在保留度的公式中,偏差度表示每个待检测客户类别划分的准确程度,偏差度与保留度呈正比关系,偏差度越大说明对应待检测客户类别的划分结果越不准确,即对应待检测客户类别越需要进行精准标记。待检测客户类别内所有客户的保留信息均值表示保留信息对每个待检测客户类别划分结果的影响程度,保留信息均值与保留度呈正比关系,保留信息均值越大说明保留信息对每个待检测客户类别划分结果的影响程度越大,即对应待检测客户类别越需要进行精准标记。因此使用乘积运算将偏差度与保留信息均值结合,即表示待检测客户类别的价值保留度,价值保留度越大说明对应待检测客户类别越需要进行精准标记。修正系数取1,修正系数的数值均可根据具体实施方式具体设置,修正系数的作用是修正价值保留度的数值范围。
[0071]
对任意一个待检测客户类别,均可获得一个对应的保留度,保留度反映了对应待检测客户类别是否需要进行精准标记,保留度越大说明对应待检测客户类别越需要进行精准标记;保留度越小说明对应待检测客户类别越不需要进行精准标记。
[0072]
经过步骤s3的计算,每个待检测客户类别对应一个保留度。
[0073]
步骤s4:根据每个待检测客户类别的保留度筛选出保留客户类别并赋予特殊类别标签。
[0074]
在所有待检测客户类别中,只有部分待检测客户类别需要进行精准标记,还需要从多角度对待检测客户类别进行分析。
[0075]
在所有客户类别中,经过骤s1、步骤s2和步骤s3的计算,获得每个待检测客户类别以及对应的保留度,对检测客户类别进行分析,获得最终需要进行精准标记的客户类别。
[0076]
因此,根据待检测客户类别的保留度筛选出保留客户类别,具体包括:若待检测客户类别的保留度大于预设保留阈值,则对应待检测客户类别为保留客户类别,并将特殊类别标签赋予每个保留客户类别。在本发明实施例中,预设保留阈值为0.3,预设保留阈值的数值均可根据具体实施方式具体设置。将所有客户类别中除保留客户类别之外的其他客户类别作为普通客户类别,普通客户类别的客户为公司带来的价值不高,或者是分类的偏差率比较低,可以直接采用客户在rfm模型的三维坐标系中的位置获得对应客户类别,提高工作效率。
[0077]
根据客户在rfm模型的三维坐标系中的位置获得的全部客户类别中,对存在特殊类别标签的客户和未存在特殊类别标签的客户分别进行分析,根据不同客户类别中客户的重要性对回访资源进行分配。因此,筛选出保留客户类别后还包括:
[0078]
根据多种回访资源为存在特殊类别标签的客户定制回访方案,公司具有相关经验人员根据多种回访资源的联合调用分配,完成存在特殊类别标签的客户定制回访方案。
[0079]
将所有客户类别中除保留客户类别之外的其他客户类别作为普通客户类别,根据价值分量信息的高低对普通客户类别的客户分配回访方案。
[0080]
综上所述,本发明通过客户在rfm模型的三维坐标系中的位置对客户进行粗分类,将类型相似的客户划分一个客户类别。通过偏差率和类内密度判断出对应客户类别中客户分类的准确性,筛选出待检测客户类别。从待检测客户类别内数据特征分析获得保留度,根据每个待检测客户类别的保留度筛选出保留客户类别并赋予特殊类别标签,完成对客户的细分类,实现了对客户的精准分类。本发明中将客户在rfm模型中的数据先进行粗分类,再通过偏差率和类内密度对分类后的类别进行进一步区别并给保留客户类别赋予特殊类别标签,实现了对客户的精准分类,增强客户识别的准确性,减少分类误差。
[0081]
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
[0082]
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
技术特征:
1.一种基于客户资源的分类管理方法,其特征在于,该方法包括以下步骤:获得每个客户的金融信息;将每个客户的金融信息在rfm模型中进行归一化,获取对应客户的至少两个分量信息;根据每个客户的所有分量信息对所有客户进行分类,获得至少两个客户类别和对应客户类别的客户密度;分别获得每个客户类别的各个分量信息偏差度;根据每个客户类别的所有分量信息偏差度和对应客户类别的客户密度获得每个客户类别的偏差度;根据所有客户类别的偏差度筛选出至少两个待检测客户类别;选定一个分量信息作为保留信息,根据每个待检测客户类别的保留信息和对应待检测客户类别的偏差度获得每个待检测客户类别的保留度;根据每个待检测客户类别的保留度筛选出保留客户类别并赋予特殊类别标签。2.根据权利要求1所述的一种基于客户资源的分类管理方法,其特征在于,所述每个客户的金融信息包括:每个客户的金融信息包括每个客户购买金融产品的时间和所购金融产品的价值。3.根据权利要求2所述的一种基于客户资源的分类管理方法,其特征在于,所述每个客户分量信息的获取方法包括:所述分量信息包括对应客户的时间分量信息、频率分量信息和价值分量信息;将每个客户的金融信息置于rfm模型中,分别获得对应客户的最近消费时间间隔、消费频率和消费金额;对每个客户的最近消费时间间隔、消费频率和消费金额分别进行归一化,获得每个客户的时间间隔特征、频率特征和金额特征;将每个客户的时间间隔特征进行负相关处理,获得每个客户的时间间隔负相关特征;将每个客户的时间间隔负相关特征与所有客户的时间间隔负相关特征均值作差,将时间间隔负相关差值作为每个客户的时间分量信息;将每个客户的频率特征与所有客户的频率特征均值作差,将频率差值作为每个客户的频率分量信息;将每个客户的金额特征与所有客户的金额特征均值作差,将金额差值作为每个客户的价值分量信息。4.根据权利要求3所述的一种基于客户资源的分类管理方法,其特征在于,所述每个客户类别的各个分量信息偏差度的获取方法包括:对任意一个客户类别,分别得到每个客户类别各个分量信息的正值数量和负值数量,将各分量信息的正值数量和负值数量组成符号数量集合;将对应客户类别的符号数量集合中最小值与最大值的比值作为对应分量信息的分量信息偏差度。5.根据权利要求1所述的一种基于客户资源的分类管理方法,其特征在于,所述每个客户类别的偏差度的获取方法包括:对任意一个客户类别,获得对应客户类别的所有分量信息偏差度的均值,将均值与对应客户类别的客户密度的比值作为对应客户类别的偏差度。6.根据权利要求5所述的一种基于客户资源的分类管理方法,其特征在于,所述待检测客户类别的获取方法包括:对任意一个客户类别,若对应客户类别的偏差度大于预设偏差阈值,则对应客户类别为待检测客户类别。7.根据权利要求4所述的一种基于客户资源的分类管理方法,其特征在于,所述每个待检测客户类别的保留度的获取方法包括:
选定分量信息中的价值分量信息作为保留信息,将每个待检测客户类别中所有客户的保留信息均值与对应待检测客户类别的偏差度相乘,获得对应待检测客户类别的价值保留度;将价值保留度的数值范围进行修正获得对应待检测客户类别的保留度。8.根据权利要求7所述的一种基于客户资源的分类管理方法,其特征在于,所述保留客户类别的获取方法包括:若待检测客户类别的保留度大于预设保留阈值,则对应待检测客户类别为保留客户类别。9.根据权利要求8所述的一种基于客户资源的分类管理方法,其特征在于,筛选出保留客户类别后还包括:根据多种回访资源为存在特殊类别标签的客户定制回访方案;将所有客户类别中除保留客户类别之外的其他客户类别作为普通客户类别,根据价值分量信息的高低对普通客户类别的客户分配回访方案。
技术总结
本发明涉及金融数据处理技术领域,具体涉及一种基于客户资源的分类管理方法,方法包括:通过获得每个客户的金融信息及对应客户的分量信息,根据每个客户的所有分量信息获得客户类别和对应客户密度,获得每个客户类别的各个分量信息偏差度,根据每个客户类别的所有分量信息偏差度和对应客户密度获得偏差度,进而筛选出待检测客户类别。获得每个待检测客户类别的保留度,进而筛选出保留客户类别并赋予特殊类别标签。本发明中将客户在RFM模型中的数据先进行粗分类,再通过偏差率和类内密度对分类后的类别进行进一步区别并给保留客户类别赋予特殊类别标签,实现了对客户的精准分类,增强客户识别的准确性,减少分类误差。减少分类误差。减少分类误差。
技术研发人员:顾俊 袁岗峰 高辉
受保护的技术使用者:乖乖数字科技(苏州)有限公司
技术研发日:2022.12.13
技术公布日:2023/9/23
版权声明
本文仅代表作者观点,不代表航家之家立场。
本文系作者授权航家号发表,未经原创作者书面授权,任何单位或个人不得引用、复制、转载、摘编、链接或以其他任何方式复制发表。任何单位或个人在获得书面授权使用航空之家内容时,须注明作者及来源 “航空之家”。如非法使用航空之家的部分或全部内容的,航空之家将依法追究其法律责任。(航空之家官方QQ:2926969996)
航空之家 https://www.aerohome.com.cn/
航空商城 https://mall.aerohome.com.cn/
航空资讯 https://news.aerohome.com.cn/