[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114066620A - 基于客户画像的客户信息处理方法及装置 - Google Patents

基于客户画像的客户信息处理方法及装置 Download PDF

Info

Publication number
CN114066620A
CN114066620A CN202111429022.6A CN202111429022A CN114066620A CN 114066620 A CN114066620 A CN 114066620A CN 202111429022 A CN202111429022 A CN 202111429022A CN 114066620 A CN114066620 A CN 114066620A
Authority
CN
China
Prior art keywords
index
overdue
client
evaluation
portrait
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111429022.6A
Other languages
English (en)
Inventor
王涛
汤仲喆
柏昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202111429022.6A priority Critical patent/CN114066620A/zh
Publication of CN114066620A publication Critical patent/CN114066620A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于客户画像的客户信息处理方法及装置，可用于金融领域或其他领域。方法包括：取预先存储的客户信息，客户信息包括多个客户画像指标；根据客户画像指标的指标值，对客户画像指标进行向量标准化处理，得到客户画像指标的相关系数矩阵及其特征值与特征向量；利用特征向量及贡献率算法，确定各指标值的贡献率，根据预设的贡献率阈值，从指标值中选取主成分指标；根据特征值、特征向量及主成分指标，确定客户画像指标的综合指标评分，利用预设分级规则，对综合指标评分进行评价等级划分，得到多个用于业务处理的评价等级。本发明通过对客户画像指标进行主成分分析，提高业务处理效率，降低投诉频率，提升逾期客户信息处理科学性及有效性。

Description

基于客户画像的客户信息处理方法及装置
技术领域
本发明涉及客户信息技术领域，尤指一种基于客户画像的客户信息处理方法及装置。
背景技术
银行信用卡的逾期任务处理，例如催收，多采用短信提醒、语音提醒、人工电话催收、合作催收等方式。目前逾期任务处理，如催收面临的主要问题：一是催收力度、作业规范性统一管理难度较大，造成催收覆盖不均匀，优先覆盖的逾期客户类型因受到考核影响往往是低难度、低风险的逾期客户群体；二是催收往往只根据客户是否逾期和逾期严重程度等几方面制定催收策略，对于客户画像指标分析维度少；三是对不同逾期客户分群不够精确、催收策略执行不统一，比如对于因偶然遗忘还款导致逾期的低风险客户采取过激的催收方式，而对于多次违约且违约金额较低的高风险客户没有采取有效的催收手段，甚至引起不必要的客户投诉。
发明内容
针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种基于客户画像的客户信息处理方法及装置，实现提高逾期业务处理效率，提升逾期客户信息处理科学性及有效性。
为了实现上述目的，本发明实施例提供一种基于客户画像的客户信息处理方法，所述方法包括：
获取预先存储的客户信息；其中，所述客户信息包括多个客户画像指标；
根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵，并确定所述相关系数矩阵的特征值及特征向量；
利用所述相关系数矩阵的特征向量及贡献率算法，确定所述客户画像指标中各指标值的贡献率，并根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标；
根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分，并利用预设分级规则，对所述综合指标评分进行评价等级划分，得到多个用于业务处理的评价等级。
可选的，在本发明一实施例中，所述方法还包括：
获取各客户画像指标对应的多个评价数据，并分别对各客户画像指标对应的多个评价数据进行归一化处理；
对归一化处理后的评价数据进行比重值计算，得到各评价数据对应的评价比重值；
根据所述评价比重值，确定所述客户画像指标对应的熵值，并根据所述熵值对所述客户画像指标进行可信度筛选。
可选的，在本发明一实施例中，所述根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵包括：
根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵；
对所述数据矩阵进行相关系数计算，得到所述客户画像指标的相关系数矩阵。
可选的，在本发明一实施例中，所述根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵包括：
根据所述客户画像指标的指标值，确定所述客户画像指标对应的期望及方差；
根据所述客户画像指标对应的期望及方差，对所述客户画像指标进行标准化处理，并利用标准化处理后的客户画像指标，得到所述客户画像指标的数据矩阵。
可选的，在本发明一实施例中，所述根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标包括：
对各指标值的贡献率进行从大到小排序，并按照排序计算各指标值的贡献率之和；
当贡献率之和不小于预设的贡献率阈值时，将贡献率之和不小于预设的贡献率阈值的指标值作为主成分指标，并确定所述主成分指标的数量。
可选的，在本发明一实施例中，所述根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分包括：
根据所述相关系数矩阵的特征向量及所述主成分指标，确定所述客户画像指标中各主成分指标的指标评分；
根据各主成分指标的指标评分、主成分指标的数量及所述特征值，确定所述客户画像指标的综合指标评分。
可选的，在本发明一实施例中，所述方法还包括：
根据获取的逾期任务数据，确定逾期任务对应的评价分数；
将所述逾期任务对应的评价分数与所述综合指标评分的评价等级进行比对，确定所述逾期任务对应的评价等级；
根据所述逾期任务对应的评价等级，对逾期任务进行业务处理；其中，所述综合指标评分的各评价等级对应不同的预设业务处理规则。
可选的，在本发明一实施例中，所述根据获取的逾期任务数据，确定逾期任务对应的评价分数包括：
获取逾期任务对应的逾期任务数据；其中，所述逾期任务数据包括多个逾期指标值；
根据所述逾期指标值，对所述逾期任务数据进行标准化处理，得到所述逾期任务数据的逾期相关系数矩阵；
根据所述逾期相关系数矩阵及贡献率算法，确定所述逾期任务数据中各逾期指标值的贡献率，并根据各逾期指标值的贡献率及预设的贡献率阈值，从所述逾期任务数据的逾期指标值中选取主成分逾期指标；
根据所述逾期相关系数矩阵及所述主成分逾期指标，确定所述逾期任务对应的评价分数。
本发明实施例还提供一种基于客户画像的客户信息处理装置，所述装置包括：
指标获取模块，用于获取预先存储的客户信息；其中，所述客户信息包括多个客户画像指标；
相关系数矩阵模块，用于根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵，并确定所述相关系数矩阵的特征值及特征向量；
主成分指标模块，用于利用所述相关系数矩阵的特征向量及贡献率算法，确定所述客户画像指标中各指标值的贡献率，并根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标；
综合指标评分模块，用于根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分，并利用预设分级规则，对所述综合指标评分进行评价等级划分，得到多个用于业务处理的评价等级。
可选的，在本发明一实施例中，所述装置还包括：
评价数据模块，用于获取各客户画像指标对应的多个评价数据，并分别对各客户画像指标对应的多个评价数据进行归一化处理；
比重值模块，用于对归一化处理后的评价数据进行比重值计算，得到各评价数据对应的评价比重值；
可信度筛选模块，用于根据所述评价比重值，确定所述客户画像指标对应的熵值，并根据所述熵值对所述客户画像指标进行可信度筛选。
可选的，在本发明一实施例中，所述相关系数矩阵模块包括：
数据矩阵单元，用于根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵；
相关系数矩阵单元，用于对所述数据矩阵进行相关系数计算，得到所述客户画像指标的相关系数矩阵。
可选的，在本发明一实施例中，所述数据矩阵单元包括：
数值计算子单元，用于根据所述客户画像指标的指标值，确定所述客户画像指标对应的期望及方差；
数据矩阵子单元，用于根据所述客户画像指标对应的期望及方差，对所述客户画像指标进行标准化处理，并利用标准化处理后的客户画像指标，得到所述客户画像指标的数据矩阵。
可选的，在本发明一实施例中，所述主成分指标模块包括：
贡献率单元，用于对各指标值的贡献率进行从大到小排序，并按照排序计算各指标值的贡献率之和；
主成分指标单元，用于当贡献率之和不小于预设的贡献率阈值时，将贡献率之和不小于预设的贡献率阈值的指标值作为主成分指标，并确定所述主成分指标的数量。
可选的，在本发明一实施例中，所述综合指标评分模块包括：
指标评分单元，用于根据所述相关系数矩阵的特征向量及所述主成分指标，确定所述客户画像指标中各主成分指标的指标评分；
综合指标评分单元，用于根据各主成分指标的指标评分、主成分指标的数量及所述特征值，确定所述客户画像指标的综合指标评分。
可选的，在本发明一实施例中，所述装置还包括：
评价分数模块，用于根据获取的逾期任务数据，确定逾期任务对应的评价分数；
逾期等级模块，用于将所述逾期任务对应的评价分数与所述综合指标评分的评价等级进行比对，确定所述逾期任务对应的评价等级；
逾期任务处理模块，用于根据所述逾期任务对应的评价等级，对逾期任务进行业务处理；其中，所述综合指标评分的各评价等级对应不同的预设业务处理规则。
可选的，在本发明一实施例中，所述评价分数模块包括：
逾期任务数据单元，用于获取逾期任务对应的逾期任务数据；其中，所述逾期任务数据包括多个逾期指标值；
逾期矩阵单元，用于根据所述逾期指标值，对所述逾期任务数据进行标准化处理，得到所述逾期任务数据的逾期相关系数矩阵；
逾期指标单元，用于根据所述逾期相关系数矩阵及贡献率算法，确定所述逾期任务数据中各逾期指标值的贡献率，并根据各逾期指标值的贡献率及预设的贡献率阈值，从所述逾期任务数据的逾期指标值中选取主成分逾期指标；
评价分数单元，用于根据所述逾期相关系数矩阵及所述主成分逾期指标，确定所述逾期任务对应的评价分数。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
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存储有执行上述方法的计算机程序。
本发明通过对客户画像指标进行主成分分析，结合对不同的客户评价等级进行逾期任务处理，进而提高逾期任务处理效率，降低投诉频率，同时能够提高业务处理覆盖率，提升逾期客户信息处理的科学性及有效性。
附图说明
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，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1为本发明实施例一种基于客户画像的客户信息处理方法的流程图；
图2为本发明实施例中客户画像指标进行可信度筛选的流程图；
图3为本发明实施例中得到相关系数矩阵的流程图；
图4为本发明实施例中得到数据矩阵的流程图；
图5为本发明实施例中选取主成分指标的流程图；
图6为本发明实施例中确定综合指标评分的流程图；
图7为本发明实施例中逾期任务数据处理的流程图；
图8为本发明实施例中确定逾期任务评价分数的流程图；
图9为本发明实施例中应用基于客户画像的客户信息处理方法的系统的结构示意图；
图10为本发明实施例中客户画像指标采集模块的结构示意图；
图11为本发明实施例一种基于客户画像的客户信息处理装置的结构示意图；
图12为本发明另一实施例中基于客户画像的客户信息处理装置的结构示意图；
图13为本发明实施例中相关系数矩阵模块的结构示意图；
图14为本发明实施例中数据矩阵单元的结构示意图；
图15为本发明实施例中主成分指标模块的结构示意图；
图16为本发明实施例中综合指标评分模块的结构示意图；
图17为本发明再一实施例中基于客户画像的客户信息处理装置的结构示意图；
图18为本发明实施例中评价分数模块的结构示意图；
图19为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
本发明实施例提供一种基于客户画像的客户信息处理方法及装置，可用于金融领域及其他领域，需要说明的是，本发明的基于客户画像的客户信息处理方法及装置可用于金融领域，也可用于除金融领域之外的任意领域，本发明的基于客户画像的客户信息处理方法及装置应用领域不做限定。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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所有其他实施例，都属于本发明保护的范围。
如图1所示为本发明实施例一种基于客户画像的客户信息处理方法的流程图，本发明实施例提供的基于客户画像的客户信息处理方法的执行主体包括但不限于计算机。图中所示方法包括：
步骤S1，获取多个预先存储的客户信息；其中，客户信息包括多个的客户画像指标。
其中，客户信息在经过客户授权后，可从历史业务数据中获取，例如从客户基础信息、认证信息、信用信息、借款信息等提取客户信息，客户信息包括多个客户画像指标。具体的，可以通过与其他业务平台的信息交换获取客户画像指标，或者通过从数据库及其他存储设备中获取客户画像指标。所需要提取的客户画像指标可以根据实际催收场景进行预先设定，例如，对于个人信用贷款，可以选择获取客户基础信息及信用信息，具体可以包括性别、年龄段、收入，以及资金、抵押、担保等信息作为客户画像指标。
进一步的，客户画像指标是由多个指标值构成的向量，具体的，对于被采集画像指标的q位客户，客户画像指标共有p个，则客户画像指标可以表示为Y1,Y2,…Yp，其中，构成向量的yij(i＝1,2,…q；j＝1,2,…p)为第i位客户的第j个指标值。
进一步，指标值可以是在获取客户画像指标的同时得到的，也可以在获取客户画像指标后，对客户画像指标进行分析处理后得到。例如，获取的客户画像指标为(女，年龄28，硕士学历，年收入10万)，则可将该画像指标转换为(0,28,2,10)，即对性别、学历等抽象信息赋予具体数值，由此得到客户画像指标的指标值。
步骤S2，根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵，并确定所述相关系数矩阵的特征值及特征向量。
作为本发明的一个实施例，如图3所示，根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵包括：
步骤S31，根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵；
步骤S32，对所述数据矩阵进行相关系数计算，得到所述客户画像指标的相关系数矩阵。
在本实施例中，如图4所示，根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵包括：
步骤S41，根据所述客户画像指标的指标值，确定所述客户画像指标对应的期望及方差；
步骤S42，根据所述客户画像指标对应的期望及方差，对所述客户画像指标进行标准化处理，并利用标准化处理后的客户画像指标，得到所述客户画像指标的数据矩阵。
其中，由于各客户画像指标的量纲不同，需要对客户画像指标进行标准化。具体的，对于q位客户，每个客户对应的客户画像指标有p个，所有客户画像指标通过向量Yp来描述，可通过公式(1)对客户画像指标进行标准化。
Figure BDA0003379534190000081
其中，E(Yj)为Yj的期望，var(Yj)为Yj的方差，j＝1,2...q。根据标准化后的各客户画像指标，可以得到数据矩阵，如公式(2)所示，i＝1,2...p。公式(1)和公式(2)描述的含义是一致的。
Figure BDA0003379534190000082
其中，
Figure BDA0003379534190000083
进一步的，在数据矩阵的基础上计算p个客户画像指标的相关系数矩阵R＝(rij)p×q，如公式(3)所示。
Figure BDA0003379534190000084
其中，i＝1,2,…p；j＝1,2,…q。
进一步的，利用公式(3)的相关系数矩阵R，计算R的所有特征值并由大到小排序λ1,λ2,…λp，及特征向量li＝(l1i,l2i,…lpi)。
步骤S3，利用所述相关系数矩阵的特征向量及贡献率算法，确定所述客户画像指标中各指标值的贡献率，并根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标。
作为本发明的一个实施例，如图5所示，根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标包括：
步骤S51，对各指标值的贡献率进行从大到小排序，并按照排序计算各指标值的贡献率之和；
步骤S52，当贡献率之和不小于预设的贡献率阈值时，将贡献率之和不小于预设的贡献率阈值的指标值作为主成分指标，并确定所述主成分指标的数量。
其中，利用单位化后的特征向量，分析客户画像指标中的主成分。具体的，累计贡献率算法如公式(4)所示。
Figure BDA0003379534190000091
其中，公式(4)可以表示客户画像指标中各指标值的贡献率之和，通过预设的贡献率阈值，例如Ct＝0.8，从客户画像指标的指标值中选取主成分指标。具体的，根据公式(4)，将计算得到的各指标贡献率从大到小排列，再依次累加，当贡献率之和大于等于0.8，得到此时主成分指标及其数量t。
步骤S4，根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分，并利用预设分级规则，对所述综合指标评分进行评价等级划分，得到多个用于业务处理的评价等级。
在本实施例中，如图6所示，根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分包括：
步骤S61，根据所述相关系数矩阵的特征向量及所述主成分指标，确定所述客户画像指标中各主成分指标的指标评分；
步骤S62，根据各主成分指标的指标评分、主成分指标的数量及所述特征值，确定所述客户画像指标的综合指标评分。
其中，利用特征值、特征向量、主成分指标及主成分指标的数量t，对客户画像指标进行计算。具体的，如公式(5)所示，可以得到第i位客户中k个主成分指标的指标评分。
Figure BDA0003379534190000101
进一步的，在公式(5)的基础上，根据公式(6)计算得到第i位客户画像指标的综合指标评分。
Figure BDA0003379534190000102
其中，公式(5)为某个主成分的计算公式，公式(6)为主成分乘以贡献率计算综合得分。
作为本发明的一个实施例，如图7所示，方法还包括：
步骤S71，根据获取的逾期任务数据，确定逾期任务对应的评价分数；
步骤S72，将所述逾期任务对应的评价分数与所述综合指标评分的评价等级进行比对，确定所述逾期任务对应的评价等级；
步骤S73，根据所述逾期任务对应的评价等级，对逾期任务进行业务处理；其中，所述综合指标评分的各评价等级对应不同的预设业务处理规则。
其中，根据得到的各个客户画像指标的综合指标评分，对综合画像指标评分进行等级划分。具体的，对于任意均值、方差均存在的随机变量X，对于任意ε>0有：
Figure BDA0003379534190000103
进一步的，根据公式(7)，预设分级规则为以综合画像指标评分对应的
Figure BDA0003379534190000104
为分界点，将客户综合指标评分划分为5个评价等级，划分标准如表1所示。
表1
Figure BDA0003379534190000105
进一步的，基于客户评价等级，设置不同的逾期任务处理策略，评价等级优或良的，可实行短信提醒，评价等级较差或差的，可延长催收天数并加大催收力度，同时根据催收结果的反馈动态调整催收策略。
在本实施例中，如图8所示，根据获取的逾期任务数据，确定逾期任务对应的评价分数包括：
步骤S81，获取逾期任务对应的逾期任务数据；其中，所述逾期任务数据包括多个逾期指标值；
步骤S82，根据所述逾期指标值，对所述逾期任务数据进行标准化处理，得到所述逾期任务数据的逾期相关系数矩阵；
步骤S83，根据所述逾期相关系数矩阵及贡献率算法，确定所述逾期任务数据中各逾期指标值的贡献率，并根据各逾期指标值的贡献率及预设的贡献率阈值，从所述逾期任务数据的逾期指标值中选取主成分逾期指标；
步骤S84，根据所述逾期相关系数矩阵及所述主成分逾期指标，确定所述逾期任务对应的评价分数。
其中，通过获取逾期任务对应的逾期任务数据，对逾期任务数据按照步骤S1-S5的处理过程，可以得到逾期任务数据对应的评分。结合已划分的评价等级，判断逾期任务数据对应的评分属于哪一等级，由此得到逾期任务数据对应的评价等级。根据不同评价等级对应的预先设定的催收策略，对逾期任务进行催收处理。根据客户画像主成分判断其违约风险的高低，辅助催收管理人员制定合理的催收策略，有利于提升催收效果，减少损失。
作为本发明的一个实施例，如图2所示，方法还包括：
步骤S21，获取各客户画像指标对应的多个评价数据，并分别对各客户画像指标对应的多个评价数据进行归一化处理；
步骤S22，对归一化处理后的评价数据进行比重值计算，得到各评价数据对应的评价比重值；
步骤S23，根据所述评价比重值，确定所述客户画像指标对应的熵值，并根据所述熵值对所述客户画像指标进行可信度筛选。
其中，为避免客户画像指标中存在可信度差且会对后续处理产生不良影响的指标，可以对客户画像指标进行可信度筛选。客户画像指标是反映客户逾期风险的一种形式，收集近期客户画像指标，可以用来描述客户在未来一段时间的逾期风险高低的信息量。当事件完全确定时，其信息量应为零，客户画像的可能状态或结果越多，不确定性越大，即信息量越大。对于每一项采集的客户画像指标，需经过专家对其影响的逾期风险高低进行评判，其水平越高，把握的细节就越高，从而打出的分值就更加分散，即包含的信息量越多，熵越小。具体的，获取各客户画像指标对应的多个评价数据，该评价数据可以通过专家评价获取到，别对各客户画像指标对应的多个评价数据进行归一化处理。
进一步的，对于m名客户画像指标评价专家，n种采集的客户画像指标，xij为第j位专家给第i种客户画像指标的评分，i＝1,2,…n，j＝1,2,…m，xij∈[0,100]，如公式(8)所示，对客户画像指标评分数据进行归一化处理。
Figure BDA0003379534190000121
进一步的，对归一化后的评分数据，计算第j位专家对第i种客户画像指标评价分数所占比重，如公式(9)所示。
Figure BDA0003379534190000122
进一步的，根据公式(10)计算第j位专家对客户画像指标评价的熵值。
Figure BDA0003379534190000123
其中，k>0，k＝1/ln(n)。
进一步的，熵值越小反映综合评价可信度越高，对于可信度更高的客户画像指标，越能描述该种客户画像指标对客户后期产生违约风险的能力。具体的，可以通过设置阈值，筛选熵值小于预设阈值的客户画像指标，由此完成客户画像指标的可信度筛选。
本发明可根据客户画像指标进行评价、挖掘和分析，自动判断其风险等级，从而合理制定客户的逾期任务处理策略，有利于实现客户个性化业务处理，提升业务处理效率，减少呆账损失。
在本发明一具体实施例中，如图9所示为本发明实施例中应用基于客户画像的客户信息处理方法的系统的结构示意图，图中所示系统包括：客户画像指标采集模块11、客户画像指标评估模块12、客户综合指标评分模块13、客户综合指标分级模块15、催收策略模块15。
在本实施例中，客户画像指标采集模块自动对客户画像指标数据进行采集；客户画像指标评估模块基于采集数据，经过对画像指标进行挖掘，确定各种画像指标对客户产生违约风险高低的贡献率；客户综合指标评分模块基于画像指标贡献率，计算客户综合画像指标评分；客户综合指标分级模块基于综合画像指标评分将客户划分为5个等级；催收策略模块基于客户等级生成的不同制定差异性的催收策略。
其中，客户画像指标采集模块根据客户催收场景从客户基础信息、认证信息、信用信息、借款信息4方面提取特征指标，创建能描述客户还款能力、还款意愿的特征指标体系。对于被采集画像指标的q位客户，客户画像指标共有p个，这些指标分别为Y1,Y2,…Yp，yij(i＝1,2,…q；j＝1,2,…p)为第i位客户的第j个画像指标的值。
进一步的，基础信息包括性别、年龄段、收入、房产等；认证信息包括征信认证、学历认证、手机认证等；信用信息包括初始评级、资金、抵押、担保等；借款信息包括借款金额、借款期限、借款利率等；如图10所示为客户画像指标采集模块的内部结构图，包括基础信息指标采集单元、认证信息指标采集单元、信用信息指标采集单元及借款信息指标采集单元。
进一步的，客户画像指标评估模块使用专家评分数据的熵值评价可信度，处理过程主要包括：客户画像指标评分数据归一化处理；对归一化后的评分数据，计算第j位专家对第i种客户画像指标评价分数所占比重；计算第j位专家对客户画像指标评价的熵值。
进一步的，客户综合指标评分模块对于客户画像指标进行评分。具体的，分析各种客户画像指标的数据，因二级指标相对于一级指标来说具有很高的相关性，此处考虑一级指标的成分分析，对于多次采集的客户画像指标，使用其平均值。基于主成分分析法的具体步骤包括：数据无量纲化，因各画像指标的量纲不同，首先对指标进行标准化；计算相关系数矩阵；计算相关系数矩阵的特征值和特征向量；主成分分析，确定前t个客户画像指标累计贡献率大于或等于80％，计算主成分；计算画像指标得分，得到第i位客户中k个主成分的得分；将得到总的画像指标主成分个数的方差贡献率作为权重，计算得到第i位客户综合画像指标评分。
进一步的，客户综合指标分级模块按照如表1所示对客户画像指标的综合指标评分进行评价等级划分。
进一步的，催收策略模块基于客户评分分级，设置不同的催收策略，评价等级优或良的，可实行短信提醒，评价等级较差或差的，可延长催收天数并加大催收力度，同时根据催收结果的反馈动态调整催收策略。
具体的，通过从逾期任务池中获取逾期任务数据，经过计算后得到逾期任务数据的评价等级。将逾期任务数据的评价等级对应的催收策略，以及对应的逾期任务，放入催收任务池进行催收处理。
本发明通过收集客户画像指标，对客户画像指标进行主成分分析，并对分类进行评级的操作，对不同的客户分级客群设置适当的业务处理策略，进而提高逾期任务处理效率，尽可能降低投诉频率，同时能够提高逾期任务处理覆盖率，提升逾期客户信息处理科学性及有效性。
如图11所示为本发明实施例一种基于客户画像的客户信息处理装置的结构示意图，图中所示装置包括：
指标获取模块10，用于获取预先存储的客户信息；其中，所述客户信息包括多个客户画像指标；
相关系数矩阵模块20，用于根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵，并确定所述相关系数矩阵的特征值及特征向量；
主成分指标模块30，用于利用所述相关系数矩阵的特征向量及贡献率算法，确定所述客户画像指标中各指标值的贡献率，并根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标；
综合指标评分模块40，用于根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分，并利用预设分级规则，对所述综合指标评分进行评价等级划分，得到多个用于业务处理的评价等级。
作为本发明的一个实施例，如图12所示，装置还包括：
评价数据模块60，用于获取各客户画像指标对应的多个评价数据，并分别对各客户画像指标对应的多个评价数据进行归一化处理；
比重值模块70，用于对归一化处理后的评价数据进行比重值计算，得到各评价数据对应的评价比重值；
可信度筛选模块80，用于根据所述评价比重值，确定所述客户画像指标对应的熵值，并根据所述熵值对所述客户画像指标进行可信度筛选。
作为本发明的一个实施例，如图13所示，相关系数矩阵模块20包括：
数据矩阵单元21，用于根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵；
相关系数矩阵单元22，用于对所述数据矩阵进行相关系数计算，得到所述客户画像指标的相关系数矩阵。
在本实施例中，如图14所示，数据矩阵单元21包括：
数值计算子单元211，用于根据所述客户画像指标的指标值，确定所述客户画像指标对应的期望及方差；
数据矩阵子单元212，用于根据所述客户画像指标对应的期望及方差，对所述客户画像指标进行标准化处理，并利用标准化处理后的客户画像指标，得到所述客户画像指标的数据矩阵。
作为本发明的一个实施例，如图15所示，主成分指标模块30包括：
贡献率单元31，用于对各指标值的贡献率进行从大到小排序，并按照排序依次计算各指标值的贡献率之和；
主成分指标单元32，用于当贡献率之和不小于预设的贡献率阈值时，将贡献率之和不小于预设的贡献率阈值的指标值作为主成分指标，并确定所述主成分指标的数量。
在本实施例中，如图16所示，综合指标评分模块40包括：
指标评分单元41，用于根据所述相关系数矩阵的特征向量及所述主成分指标，确定所述客户画像指标中各主成分指标的指标评分；
综合指标评分单元42，用于根据各主成分指标的指标评分、主成分指标的数量及所述特征值，确定所述客户画像指标的综合指标评分。
作为本发明的一个实施例，如图17所示，装置还包括：
评价分数模块51，用于根据获取的逾期任务数据，确定逾期任务对应的评价分数；
逾期等级模块52，用于将所述逾期任务对应的评价分数与所述综合指标评分的评价等级进行比对，确定所述逾期任务对应的评价等级；
逾期任务处理模块53，用于根据所述逾期任务对应的评价等级，对逾期任务进行业务处理；其中，所述综合指标评分的各评价等级对应不同的预设业务处理规则。
在本实施例中，如图18所示，评价分数模块51包括：
逾期任务数据单元511，用于获取逾期任务对应的逾期任务数据；其中，所述逾期任务数据包括多个逾期指标值；
逾期矩阵单元512，用于根据所述逾期指标值，对所述逾期任务数据进行标准化处理，得到所述逾期任务数据的逾期相关系数矩阵；
逾期指标单元513，用于根据所述逾期相关系数矩阵及贡献率算法，确定所述逾期任务数据中各逾期指标值的贡献率，并根据各逾期指标值的贡献率及预设的贡献率阈值，从所述逾期任务数据的逾期指标值中选取主成分逾期指标；
评价分数单元514，用于根据所述逾期相关系数矩阵及所述主成分逾期指标，确定所述逾期任务对应的评价分数。
基于与上述一种基于客户画像的客户信息处理方法相同的申请构思，本发明还提供了上述一种基于客户画像的客户信息处理装置。由于该一种基于客户画像的客户信息处理装置解决问题的原理与一种基于客户画像的客户信息处理方法相似，因此该一种基于客户画像的客户信息处理装置的实施可以参见一种基于客户画像的客户信息处理方法的实施，重复之处不再赘述。
本发明通过收集客户画像指标，对客户画像指标进行主成分分析，并对分类进行评级的操作，对不同的客户分级客群设置适当的业务处理策略，进而提高逾期任务处理效率，尽可能降低投诉频率，同时能够提高逾期任务处理覆盖率，提升逾期客户信息处理科学性及有效性。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
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存储有执行上述方法的计算机程序。
如图19所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图19中所示的所有部件；此外，电子设备600还可以包括图19中没有示出的部件，可以参考现有技术。
如图19所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (18)

1.一种基于客户画像的客户信息处理方法，其特征在于，所述方法包括：
获取预先存储的客户信息；其中，所述客户信息包括多个客户画像指标；
根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵，并确定所述相关系数矩阵的特征值及特征向量；
利用所述相关系数矩阵的特征向量及贡献率算法，确定所述客户画像指标中各指标值的贡献率，并根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标；
根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分，并利用预设分级规则，对所述综合指标评分进行评价等级划分，得到多个用于业务处理的评价等级。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取各客户画像指标对应的多个评价数据，并分别对各客户画像指标对应的多个评价数据进行归一化处理；
对归一化处理后的评价数据进行比重值计算，得到各评价数据对应的评价比重值；
根据所述评价比重值，确定所述客户画像指标对应的熵值，并根据所述熵值对所述客户画像指标进行可信度筛选。
3.根据权利要求1所述的方法，其特征在于，所述根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵包括：
根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵；
对所述数据矩阵进行相关系数计算，得到所述客户画像指标的相关系数矩阵。
4.根据权利要求3所述的方法，其特征在于，所述根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵包括：
根据所述客户画像指标的指标值，确定所述客户画像指标对应的期望及方差；
根据所述客户画像指标对应的期望及方差，对所述客户画像指标进行标准化处理，并利用标准化处理后的客户画像指标，得到所述客户画像指标的数据矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标包括：
对各指标值的贡献率进行从大到小排序，并按照排序计算各指标值的贡献率之和；
当贡献率之和不小于预设的贡献率阈值时，将贡献率之和不小于预设的贡献率阈值的指标值作为主成分指标，并确定所述主成分指标的数量。
6.根据权利要求5所述的方法，其特征在于，所述根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分包括：
根据所述相关系数矩阵的特征向量及所述主成分指标，确定所述客户画像指标中各主成分指标的指标评分；
根据各主成分指标的指标评分、主成分指标的数量及所述特征值，确定所述客户画像指标的综合指标评分。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据获取的逾期任务数据，确定逾期任务对应的评价分数；
将所述逾期任务对应的评价分数与所述综合指标评分的评价等级进行比对，确定所述逾期任务对应的评价等级；
根据所述逾期任务对应的评价等级，对逾期任务进行业务处理；其中，所述综合指标评分的各评价等级对应不同的预设业务处理规则。
8.根据权利要求7所述的方法，其特征在于，所述根据获取的逾期任务数据，确定逾期任务对应的评价分数包括：
获取逾期任务对应的逾期任务数据；其中，所述逾期任务数据包括多个逾期指标值；
根据所述逾期指标值，对所述逾期任务数据进行标准化处理，得到所述逾期任务数据的逾期相关系数矩阵；
根据所述逾期相关系数矩阵及贡献率算法，确定所述逾期任务数据中各逾期指标值的贡献率，并根据各逾期指标值的贡献率及预设的贡献率阈值，从所述逾期任务数据的逾期指标值中选取主成分逾期指标；
根据所述逾期相关系数矩阵及所述主成分逾期指标，确定所述逾期任务对应的评价分数。
9.一种基于客户画像的客户信息处理装置，其特征在于，所述装置包括：
指标获取模块，用于获取预先存储的客户信息；其中，所述客户信息包括多个客户画像指标；
相关系数矩阵模块，用于根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的相关系数矩阵，并确定所述相关系数矩阵的特征值及特征向量；
主成分指标模块，用于利用所述相关系数矩阵的特征向量及贡献率算法，确定所述客户画像指标中各指标值的贡献率，并根据各指标值的贡献率及预设的贡献率阈值，从所述客户画像指标的指标值中选取主成分指标；
综合指标评分模块，用于根据所述相关系数矩阵的特征值、特征向量及所述主成分指标，确定所述客户画像指标的综合指标评分，并利用预设分级规则，对所述综合指标评分进行评价等级划分，得到多个用于业务处理的评价等级。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
评价数据模块，用于获取各客户画像指标对应的多个评价数据，并分别对各客户画像指标对应的多个评价数据进行归一化处理；
比重值模块，用于对归一化处理后的评价数据进行比重值计算，得到各评价数据对应的评价比重值；
可信度筛选模块，用于根据所述评价比重值，确定所述客户画像指标对应的熵值，并根据所述熵值对所述客户画像指标进行可信度筛选。
11.根据权利要求9所述的装置，其特征在于，所述相关系数矩阵模块包括：
数据矩阵单元，用于根据所述客户画像指标的指标值，对所述客户画像指标进行标准化处理，得到所述客户画像指标的数据矩阵；
相关系数矩阵单元，用于对所述数据矩阵进行相关系数计算，得到所述客户画像指标的相关系数矩阵。
12.根据权利要求11所述的装置，其特征在于，所述数据矩阵单元包括：
数值计算子单元，用于根据所述客户画像指标的指标值，确定所述客户画像指标对应的期望及方差；
数据矩阵子单元，用于根据所述客户画像指标对应的期望及方差，对所述客户画像指标进行标准化处理，并利用标准化处理后的客户画像指标，得到所述客户画像指标的数据矩阵。
13.根据权利要求9所述的装置，其特征在于，所述主成分指标模块包括：
贡献率单元，用于对各指标值的贡献率进行从大到小排序，并按照排序计算各指标值的贡献率之和；
主成分指标单元，用于当贡献率之和不小于预设的贡献率阈值时，将贡献率之和不小于预设的贡献率阈值的指标值作为主成分指标，并确定所述主成分指标的数量。
14.根据权利要求13所述的装置，其特征在于，所述综合指标评分模块包括：
指标评分单元，用于根据所述相关系数矩阵的特征向量及所述主成分指标，确定所述客户画像指标中各主成分指标的指标评分；
综合指标评分单元，用于根据各主成分指标的指标评分、主成分指标的数量及所述特征值，确定所述客户画像指标的综合指标评分。
15.根据权利要求9所述的装置，其特征在于，所述装置还包括：
评价分数模块，用于根据获取的逾期任务数据，确定逾期任务对应的评价分数；
逾期等级模块，用于将所述逾期任务对应的评价分数与所述综合指标评分的评价等级进行比对，确定所述逾期任务对应的评价等级；
逾期任务处理模块，用于根据所述逾期任务对应的评价等级，对逾期任务进行业务处理；其中，所述综合指标评分的各评价等级对应不同的预设业务处理规则。
16.根据权利要求15所述的装置，其特征在于，所述评价分数模块包括：
逾期任务数据单元，用于获取逾期任务对应的逾期任务数据；其中，所述逾期任务数据包括多个逾期指标值；
逾期矩阵单元，用于根据所述逾期指标值，对所述逾期任务数据进行标准化处理，得到所述逾期任务数据的逾期相关系数矩阵；
逾期指标单元，用于根据所述逾期相关系数矩阵及贡献率算法，确定所述逾期任务数据中各逾期指标值的贡献率，并根据各逾期指标值的贡献率及预设的贡献率阈值，从所述逾期任务数据的逾期指标值中选取主成分逾期指标；
评价分数单元，用于根据所述逾期相关系数矩阵及所述主成分逾期指标，确定所述逾期任务对应的评价分数。
17.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至8任一项所述方法的计算机程序。
CN202111429022.6A 2021-11-29 2021-11-29 基于客户画像的客户信息处理方法及装置 Pending CN114066620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111429022.6A CN114066620A (zh) 2021-11-29 2021-11-29 基于客户画像的客户信息处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111429022.6A CN114066620A (zh) 2021-11-29 2021-11-29 基于客户画像的客户信息处理方法及装置

Publications (1)

Publication Number Publication Date
CN114066620A true CN114066620A (zh) 2022-02-18

Family

ID=80277038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111429022.6A Pending CN114066620A (zh) 2021-11-29 2021-11-29 基于客户画像的客户信息处理方法及装置

Country Status (1)

Country Link
CN (1) CN114066620A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237876A (zh) * 2022-05-16 2022-10-25 中航信移动科技有限公司 航旅用户分类方法、电子设备和计算机可读存储介质
CN117408573A (zh) * 2023-12-13 2024-01-16 国网江苏省电力有限公司苏州供电分公司 一种upfc设备画像展示与性能分析方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826886A (zh) * 2019-10-29 2020-02-21 南京华盾电力信息安全测评有限公司 一种基于聚类算法和主成分分析的电力客户画像构建方法
WO2020037942A1 (zh) * 2018-08-20 2020-02-27 平安科技（深圳）有限公司 风险预测处理方法、装置、计算机设备和介质
CN111352962A (zh) * 2018-12-24 2020-06-30 网智天元科技集团股份有限公司 客户画像构建方法及装置
CN112907356A (zh) * 2021-03-04 2021-06-04 深圳前海微众银行股份有限公司 逾期催收方法、装置、系统及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020037942A1 (zh) * 2018-08-20 2020-02-27 平安科技（深圳）有限公司 风险预测处理方法、装置、计算机设备和介质
CN111352962A (zh) * 2018-12-24 2020-06-30 网智天元科技集团股份有限公司 客户画像构建方法及装置
CN110826886A (zh) * 2019-10-29 2020-02-21 南京华盾电力信息安全测评有限公司 一种基于聚类算法和主成分分析的电力客户画像构建方法
CN112907356A (zh) * 2021-03-04 2021-06-04 深圳前海微众银行股份有限公司 逾期催收方法、装置、系统及计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237876A (zh) * 2022-05-16 2022-10-25 中航信移动科技有限公司 航旅用户分类方法、电子设备和计算机可读存储介质
CN117408573A (zh) * 2023-12-13 2024-01-16 国网江苏省电力有限公司苏州供电分公司 一种upfc设备画像展示与性能分析方法和系统
CN117408573B (zh) * 2023-12-13 2024-02-09 国网江苏省电力有限公司苏州供电分公司 一种upfc设备画像展示与性能分析方法和系统

Similar Documents

Publication Publication Date Title
CN112785086B (zh) 信贷逾期风险预测方法及装置
US11037158B2 (en) Bulk dispute challenge system
CN111932268B (zh) 企业风险识别方法及装置
CN112862298B (zh) 一种针对用户画像的信用评估方法
CN111932269B (zh) 设备信息处理方法及装置
CN112102073A (zh) 信贷风险控制方法及系统、电子设备及可读存储介质
CN112801775A (zh) 客户信用评价方法及装置
CN111061948B (zh) 一种用户标签推荐方法、装置、计算机设备及存储介质
CN110909984A (zh) 业务数据处理模型训练方法、业务数据处理方法及装置
CN111091460B (zh) 一种数据处理方法及装置
CN112232947A (zh) 贷中风险预测方法及装置
CN110930038A (zh) 一种贷款需求识别方法、装置、终端及存储介质
CN110807699A (zh) 逾期事件的回款催收方法及装置、计算机可读存储介质
CN114066620A (zh) 基于客户画像的客户信息处理方法及装置
CN112184417A (zh) 一种业务的审批方法、装置、介质及电子设备
CN112163861B (zh) 交易风险要素特征提取方法及装置
CN114240599A (zh) 贷款测算方法、装置、计算机设备和存储介质
CN113807943A (zh) 一种不良资产的多因子估值方法及系统、介质、设备
CN113516511A (zh) 一种金融产品购买预测方法、装置及电子设备
CN117575773A (zh) 业务数据的确定方法、装置、计算机设备、存储介质
KR102222928B1 (ko) 재정 추계안 도출 장치, 재정 추계안 도출 방법 및 컴퓨터 프로그램
CN114239748A (zh) 信用分类模型处理方法、装置、设备、存储介质及程序
CN113537666B (zh) 评测模型训练方法、评测和业务审核方法、装置及设备
CN118735675B (zh) 一种业务风险预测方法及系统
CN111932018B (zh) 银行业务绩效贡献信息预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination