一种基于多标签客户分类的精准营销方法与流程

1.本发明涉及银行业务营销领域，尤其涉及一种基于多标签客户分类的精准营销方法。


背景技术：

2.面向不同的客户类群，银行对客户进行准确分类是精准营销的关键。在面向客户制定营销策略时，依据不同客户的标签属性，推广不同的营销活动和产品，实现精准化营销，降低客户管理成本，提升营销成功率，以获取最大的转化率。
3.目前，银行实施营销方案主要依据专家经验，针对单个营销活动或产品，通过规则判断对客户群体进行分类，实施线上线下营销。银行每个年度多种营销方案同时进行，二分类的客群筛选方式以营销为中心，生成单一的客户名单，忽略了各类营销的关联性。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于多标签客户分类的精准营销方法。
5.本发明的目的是通过以下技术方案来实现的：一种基于多标签客户分类的精准营销方法，包括：步骤一：采集客户数据信息，确定营销活动或产品对应的标签；步骤二：进行数据预处理；步骤三：建立encoder-decoder模型，实现模型预测的客户多标签；步骤四：输出客户多标签结果。
6.进一步的，所述步骤一具体包括：采集客户的个人属性信息、产品持有信息、风险信息、交易信息和余额信息，针对不同活动或产品，确定营销方向和目标，分析客户标签种类，计算预算与收益预估。
7.进一步的，所述步骤二具体包括：对采集的客户信息进行文本预处理，针对缺失值、极端离群值、重复数据进行数据清洗；在数据转换阶段，对数据进行采样处理、类型转换、归一化；在数据描述阶段，根据客群多标签分类计算统计量和对数据进行可视化。
8.进一步的，所述步骤三具体包括以下子步骤：s301，输入文本数据信息，使用encoder编码得到输入文本序列的表征向量，利用全连接层将该表征向量映射到一个长度为总标签数目维度的向量；s302，在序列生成模型的decode部分添加attention注意力机制，建立标签间相关性，自动获取输入文本的关键信息；s303，通过softmax函数预测的模型向量中每一个值所在位置代表的标签的概率，去除多标签中重复的标签；s304，设置阈值划分向量中的值来判断是否存在当前标签，大于阈值代表该标签存在，反之不存在；
s305，最终实现模型预测的客户多标签。
9.进一步的，一种基于多标签客户分类的精准营销方法还包括训练模型及模型调优：评估模型产生结果的收益预估，调整模型参数模型，使模型学习标签之间的相关性，提升客户多标签分类的准确率。
10.进一步的，所述步骤四具体包括：针对不同活动和产品，模型赛选出具有参与意愿和购买能力的客户，输出客户对应各类营销活动的标签。
11.本发明的有益效果：本发明基于多标签客户分类的精准营销方法加强了各类营销活动和产品之间的关联性，以客户需求为中心，通过多标签分析建立营销活动或产品与客户标签多对多的模型，不仅可以节约时间资源、人力资源，同时可提升对客户进行营销的精准度。
附图说明
12.图1是本发明的技术流程图。
具体实施方式
13.为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现对本发明的技术方案精选以下详细说明。显然，所描述的实施案例是本发明一部分实施例，而不是全部实施例，不能理解为对本发明可实施范围的限定。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他所有实施例，都属于本发明的保护范围。
14.需要说明的是，本发明所采集的数据均经过了当事人的同意，符合相关法律、法规。
15.实施例一： 第一步：采集客户数据信息，确定营销活动或产品对应的标签。客户数据信息通常包含个人属性信息；产品持有数量、理财持有标识、第三方支付持有标识等产品持有信息；贷款逾期月数、贷款本金、贷款利息等风险信息；跨行转账交易金额，近一年理财交易笔数等交易信息；当日银行卡余额，定、活期存款余额，理财月日均等余额信息。针对不同活动或产品，确定营销方向和目标，分析客户标签种类，计算预算与收益预估。
16.第二步：进行数据预处理。对采集的客户信息进行文本预处理，针对缺失值、极端离群值、重复数据进行数据清洗；在数据转换阶段，对数据进行采样处理、类型转换、归一化；在数据描述阶段，根据客群多标签分类计算统计量和对数据进行可视化。
17.第三步：建立encoder-decoder模型。输入文本数据信息，使用encoder编码（比如transformer encoder）得到输入文本序列的表征向量，利用全连接层将该表征向量映射到一个长度为总标签数目维度的向量。标签之间的共现关系是能够明确反映标签相关性的重要信号之一，无需额外的人工标注即可获得。在序列生成模型的decode部分添加attention注意力机制，建立标签间相关性，自动获取输入文本的关键信息。通过softmax函数预测的模型向量中每一个值所在位置代表的标签的概率，去除多标签中重复的标签。设置阈值（取值为0.5）划分向量中的值来判断是否存在当前标签，大于阈值代表该标签存在，反之不存在。最终实现模型预测的客户多标签。
18.第四步：训练模型及模型调优。评估模型产生结果的收益预估，调整模型参数模型，使模型学习标签之间的相关性，提升客户多标签分类的准确率。
19.第五步：输出客户多标签结果。
20.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。


技术特征：
1.一种基于多标签客户分类的精准营销方法，其特征在于，包括：步骤一：采集客户数据信息，确定营销活动或产品对应的标签；步骤二：进行数据预处理；步骤三：建立encoder-decoder模型，实现模型预测的客户多标签；步骤四：输出客户多标签结果。2.根据权利要求1所述的一种基于多标签客户分类的精准营销方法，其特征在于，所述步骤一具体包括：采集客户的个人属性信息、产品持有信息、风险信息、交易信息和余额信息，针对不同活动或产品，确定营销方向和目标，分析客户标签种类，计算预算与收益预估。3.根据权利要求1所述的一种基于多标签客户分类的精准营销方法，其特征在于，所述步骤二具体包括：对采集的客户信息进行文本预处理，针对缺失值、极端离群值、重复数据进行数据清洗；在数据转换阶段，对数据进行采样处理、类型转换、归一化；在数据描述阶段，根据客群多标签分类计算统计量和对数据进行可视化。4.根据权利要求1所述的一种基于多标签客户分类的精准营销方法，其特征在于，所述步骤三具体包括以下子步骤：s301，输入文本数据信息，使用encoder编码得到输入文本序列的表征向量，利用全连接层将该表征向量映射到一个长度为总标签数目维度的向量；s302，在序列生成模型的decode部分添加attention注意力机制，建立标签间相关性，自动获取输入文本的关键信息； s303，通过softmax函数预测的模型向量中每一个值所在位置代表的标签的概率，去除多标签中重复的标签；s304，设置阈值划分向量中的值来判断是否存在当前标签，大于阈值代表该标签存在，反之不存在；s305，最终实现模型预测的客户多标签。5.根据权利要求1所述的一种基于多标签客户分类的精准营销方法，其特征在于，还包括训练模型及模型调优：评估模型产生结果的收益预估，调整模型参数模型，使模型学习标签之间的相关性，提升客户多标签分类的准确率。6.根据权利要求1所述的一种基于多标签客户分类的精准营销方法，其特征在于，所述步骤四具体包括：针对不同活动和产品，模型赛选出具有参与意愿和购买能力的客户，输出客户对应各类营销活动的标签。

技术总结
本发明公开了一种基于多标签客户分类的精准营销方法，包括步骤一：采集客户数据信息，确定营销活动或产品对应的标签；步骤二：进行数据预处理；步骤三：建立Encoder-Decoder模型，实现模型预测的客户多标签；步骤四：输出客户多标签结果，实施线上线下精准营销。本发明基于多标签客户分类的精准营销方法加强了各类营销活动和产品之间的关联性，以客户需求为中心，通过多标签分析建立营销活动或产品与客户标签多对多的模型，不仅可以节约时间资源、人力资源，同时可提升对客户进行营销的精准度。度。度。


技术研发人员：李京芹
受保护的技术使用者：中国农业银行股份有限公司重庆市分行
技术研发日：2022.10.24
技术公布日：2023/9/23