TW202125283A - 客戶行為預測方法及其系統 - Google Patents
客戶行為預測方法及其系統 Download PDFInfo
- Publication number
- TW202125283A TW202125283A TW108146263A TW108146263A TW202125283A TW 202125283 A TW202125283 A TW 202125283A TW 108146263 A TW108146263 A TW 108146263A TW 108146263 A TW108146263 A TW 108146263A TW 202125283 A TW202125283 A TW 202125283A
- Authority
- TW
- Taiwan
- Prior art keywords
- training
- previous
- prediction
- customer
- behavior
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種客戶行為預測系統，包含一儲存模組及一電連接該儲存模組的處理模組；該儲存模組儲存有多筆相關於一待預測客戶於先前做出之多種不同行為且各自對應有一先前時間點的先前行為資料，該處理模組根據該等先前行為資料，獲得一包含多個對應該等先前行為資料之先前參數的先前序列，該等先前參數依照該等先前時間點排序，根據該先前序列，利用一用於預測客戶未來行為的客戶行為預測模型，獲得一包含多個指示出該待預測客戶未來可能各種行為之預測參數的預測序列。
Description
本發明是有關於一種行為預測方法及其系統，特別是指一種利用機器學習的行為預測方法及其系統。
在銀行業中現有的行銷方式以產品經理人經驗為主，以人工檢索客戶過去消費行為資料並挑選出目標客群，並透過後續的行銷活動對所挑選出目標客群進行驗證，以判定所挑選目標客群的優劣，而產品經理人最後再依據挑選目標客群之優劣的反饋，提升自身的挑選經驗。
然而，此種人工挑選目標客群方式不但沒有一個固定的標準，在培訓產品經理人方面也耗費過多時間成本，所挑選出來目標客群精確度也不足以達成金融商品推銷的目的。
有鑑於此，勢必須提出一種全新解決方案，以提升挑選出來目標客群的精確度。
因此，本發明的目的，即在提供一種基於機器學習以提升挑選出來目標客群的精確度的客戶行為預測方法。
於是，本發明客戶行為預測方法，藉由一電腦裝置來實施，包含一步驟(A)，以及一步驟(B)。
步驟(A)是藉由該電腦裝置，根據多筆相關於一待預測客戶於先前做出之多種不同行為且各自對應有一先前時間點的先前行為資料，獲得一包含多個對應該等先前行為資料之先前參數的先前序列，該等先前參數依照該等先前時間點排序。
步驟(B)是藉由該電腦裝置，根據該先前序列，利用一用於預測客戶未來行為的客戶行為預測模型，獲得一包含多個指示出該待預測客戶未來可能各種行為之預測參數的預測序列。
本發明之另一目的，即在提供一種基於機器學習以提升挑選出來目標客群的精確度的客戶行為預測系統。
於是，本發明客戶行為預測系統包含一儲存模組及一電連接該儲存模組的處理模組。
該儲存模組儲存有多筆相關於一待預測客戶於先前做出之多種不同行為且各自對應有一先前時間點的先前行為資料。
該處理模組根據該等先前行為資料，獲得一包含多個對應該等先前行為資料之先前參數的先前序列，該等先前參數依照該等先前時間點排序，根據該先前序列，利用一用於預測客戶未來行為的客戶行為預測模型，獲得一包含多個指示出該待預測客戶未來可能各種行為之預測參數的預測序列。
本發明之功效在於：藉由該待預測客戶之先前行為所對應的該先前序列，利用用於預測客戶未來行為的該客戶行為預測模型，以獲得該未來預測序列，而該未來預測序列所包含的每一預測參數皆指示出該待預測客戶未來可能之行為，而銀行便能根據該待預測客戶未來可能之行為判定該待預測客戶是否為目標客戶，大大地提升了挑選出目標客群精確度。
參閱圖1，本發明客戶行為預測系統1之一實施例經由一通訊網路200連接一客戶端2。
該客戶行為預測系統1包含一連接該通訊網路200的系統端通訊模組11、一系統端儲存模組12，以及一電連接該系統端通訊模組11與該系統端儲存模組12的系統端處理模組13。
該系統端儲存模組12儲存有多筆對應多個客戶的訓練資料，每一訓練資料包含所對應之客戶於先前做出該等不同行為的多筆訓練先前行為資料及多筆訓練預測行為資料，以及多個對應各種目標客戶行為之可推薦參數及其對應的一推薦資訊。其中，每一筆訓練先前行為資料皆對應有一訓練先前時間點，每一筆訓練預測行為資料皆對應有一訓練預測時間點，同一筆訓練資料之任一訓練預測時間點皆晚於該等訓練先前時間點。其中，每一推薦資訊係為金融商品資料，但不以此為限。
該客戶端2包含一連接該通訊網路200的客戶端通訊模組21、一客戶端顯示模組22，以及一電連接該客戶端通訊模組21與該客戶端顯示模組22的客戶端處理模組23。
在該實施例中，該客戶行為預測系統1之實施態樣例如為一個人電腦、一伺服器或一雲端主機，但不以此為限。
在該實施例中，該客戶端2之實施態樣例如為一個人電腦、一智慧型手機或一平板電腦，但不以此為限。
以下將藉由本發明客戶行為預測系統1執行一客戶行為預測方法來說明該系統端通訊模組11、該系統端儲存模組12、該系統端處理模組13，以及該客戶端2各元件的運作細節。該客戶行為預測方法包含一模型訓練程序，以及一預測推薦程序。
參閱圖2，該模型訓練程序包含步驟51~步驟53。
在步驟51中，對於每一訓練資料，該系統端處理模組13根據該訓練資料中的該等訓練先前行為資料，獲得一包含多個對應該等訓練先前行為資料之訓練先前參數的訓練先前序列。其中，該等訓練先前參數依照該等訓練先前時間點排序。
在步驟52中，對於每一訓練資料，該系統端處理模組13根據該訓練資料中的該等訓練預測行為資料，獲得一包含多個對應該等訓練預測行為資料之訓練預測參數的訓練預測序列，該等訓練預測參數依照該等訓練預測時間點排序。
值得特別說明的是，對於每一訓練資料，當該等訓練先前行為資料及該等訓練預測行為資料皆係為客戶信用卡消費資訊時，則該等訓練先前參數（訓練資料之輸入）及該等訓練預測參數（訓練資料之輸出）皆係為商戶類別代碼（MCC CODE，Merchant Category Code，用於標明商家提供的商品或服務的類型）時；而，當該等訓練先前行為資料及該等訓練預測行為資料皆係為客戶網路瀏覽資訊時，則該等訓練先前參數（訓練資料之輸入）及該等訓練預測參數（訓練資料之輸出）皆係為網站代碼，但不以上述舉例為限。其中，每一網路瀏覽資訊中的網址皆可對應於一網站代碼。
在步驟53中，該系統端處理模組13根據該等訓練資料，利用循環神經網路，獲得一用於預測客戶未來行為的客戶行為預測模型。其中，循環神經網路係為遞歸神經網路（RNN，Recurrent Neural Networks）或長短期記憶模型（LSTM，Long Short-Term Memory），但不以此為限。
參閱圖3，該預測推薦程序包含步驟61~步驟65。
在步驟61中，該系統端處理模組13根據多筆相關於一待預測客戶於先前做出之多種不同行為且各自對應有一先前時間點的先前行為資料，獲得一包含多個對應該等先前行為資料之先前參數的先前序列。其中，該等先前參數依照該等先前時間點排序。
在步驟62中，該系統端處理模組13根據該先前序列，利用所訓練出之該客戶行為預測模型，獲得一包含多個指示出該待預測客戶未來可能各種行為之預測參數的預測序列。
值得特別說明的是，當該等先前行為資料係為客戶信用卡消費資訊，且該等先前參數係為商戶類別代碼時，則該等預測參數係為商戶類別代碼，此時該等預測參數即表示未來客戶可能會消費的商店類別；而，當該等先前行為資料係為客戶網路瀏覽資訊，且該等先前參數係為網站代碼時，則該等預測參數係為網站代碼，此時該等預測參數即表示未來客戶可能會點選瀏覽的網站，但不以上述舉例為限。其中，每一網路瀏覽資訊中的網址皆可對應於一網站代碼。
在步驟63中，該系統端處理模組13判定該預測序列的該等預測參數中是否存在與該等可推薦參數中之任一者相同的至少一待推薦參數。當該系統端處理模組13判定出不存在任一待推薦參數時，結束該預測推薦程序；當該系統端處理模組13判定出存在該至少一待推薦參數時，進行流程步驟64。
在步驟64中，該系統端處理模組13透過該系統端通訊模組11將每一待推薦參數所對應之推薦資訊傳送至該客戶端2。
在步驟65中，該客戶端處理模組23在透過該客戶端通訊模組21接收到每一待推薦參數所對應之推薦資訊後，將每一待推薦參數所對應之推薦資訊顯示於該客戶端顯示模組22。
綜上所述，本發明客戶行為預測系統1，藉由該客戶端處理模組23對預先獲得的每一訓練資料進行前處理，以獲得對應該訓練資料且包含該等訓練先前參數的該訓練先前序列，及對應該訓練資料且包含該等訓練預測參數的該訓練預測序列，並利用循環神經網路，將該訓練先前序列作為輸入，而將該訓練預測序列作為預期輸出，訓練出該客戶行為預測模型；接著，該客戶端處理模組23根據該待預測客戶之先前行為所對應的該先前序列，利用所訓練出的該客戶行為預測模型，獲得該未來預測序列，而該未來預測序列所包含的每一預測參數皆指示出該待預測客戶未來可能之行為，並根據該待預測客戶未來可能之行為推薦相對應的金融商品，而銀行便能根據該待預測客戶未來可能之行為判定該待預測客戶是否為目標客戶，進而大大地提升了挑選出目標客群精確度，使得所推薦的金融商品更能符合該待預測客戶的需求。因此，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
200:通訊網路
1:客戶行為預測系統
11:系統端通訊模組
12:系統端儲存模組
13:系統端處理模組
2:客戶端
21:客戶端通訊模組
22:客戶端顯示模組
23:客戶端處理模組
51~53:步驟
61~65:步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：
圖1是一方塊圖，說明本發明客戶行為預測系統的一實施例；
圖2是一流程圖，說明該實施例所執行之一客戶行為預測方法的一模型訓練程序；及
圖3是一流程圖，說明該客戶行為預測方法的一預測推薦程序。
200:通訊網路
1:客戶行為預測系統
11:系統端通訊模組
12:系統端儲存模組
13:系統端處理模組
2:客戶端
21:客戶端通訊模組
22:客戶端顯示模組
23:客戶端處理模組
Claims (10)
- 一種客戶行為預測方法，藉由一電腦裝置來實施，該客戶行為預測方法包含以下步驟： (A) 藉由該電腦裝置，根據多筆相關於一待預測客戶於先前做出之多種不同行為且各自對應有一先前時間點的先前行為資料，獲得一包含多個對應該等先前行為資料之先前參數的先前序列，該等先前參數依照該等先前時間點排序；及 (B) 藉由該電腦裝置，根據該先前序列，利用一用於預測客戶未來行為的客戶行為預測模型，獲得一包含多個指示出該待預測客戶未來可能各種行為之預測參數的預測序列。
- 如請求項1所述的客戶行為預測方法，該電腦裝置還經由一通訊網路連接至一客戶端，該電腦裝置儲存有多個對應各種目標客戶行為之可推薦參數及其對應的一推薦資訊，其中，該客戶行為預測方法還包含以下步驟： (C) 藉由該電腦裝置，判定該預測序列的該等預測參數中是否存在與該等可推薦參數中之任一者相同的至少一待推薦參數；及 (D) 當判定出存在該至少一待推薦參數時，藉由該電腦裝置，將每一待推薦參數所對應之推薦資訊傳送至該客戶端。
- 如請求項1所述的客戶行為預測方法，其中，該電腦裝置儲存有多筆對應多個客戶的訓練資料，每一訓練資料包含所對應之客戶於先前做出該等不同行為的多筆訓練先前行為資料及多筆訓練預測行為資料，每一筆訓練先前行為資料皆對應有一訓練先前時間點，每一筆訓練預測行為資料皆對應有一訓練預測時間點，同一筆訓練資料之任一訓練預測時間點皆晚於該等訓練先前時間點，在步驟(A)之前，還包含以下步驟： (E) 對於每一訓練資料，藉由該電腦裝置，根據該訓練資料中的該等訓練先前行為資料，獲得一包含多個對應該等訓練先前行為資料之訓練先前參數的訓練先前序列，該等訓練先前參數依照該等訓練先前時間點排序； (F) 對於每一訓練資料，藉由該電腦裝置，根據該訓練資料中的該等訓練預測行為資料，獲得一包含多個對應該等訓練預測行為資料之訓練預測參數的訓練預測序列，該等訓練預測參數依照該等訓練預測時間點排序；及 (G) 藉由該電腦裝置，根據該等訓練資料，利用循環神經網路，獲得該客戶行為預測模型。
- 如請求項1所述的客戶行為預測方法，其中， 在步驟(A)中，該等先前行為資料係為客戶信用卡消費資訊，該等先前參數係為商戶類別代碼；及 在步驟(B)中，該等預測參數係為商戶類別代碼。
- 如請求項1所述的客戶行為預測方法，其中， 在步驟(A)中，該等先前行為資料係為客戶網路瀏覽資訊，該等先前參數係為網站代碼；及 在步驟(B)中，該等預測參數係為網站代碼。
- 一種客戶行為預測系統，包含： 一儲存模組，儲存有多筆相關於一待預測客戶於先前做出之多種不同行為且各自對應有一先前時間點的先前行為資料；及 一處理模組，電連接該儲存模組，根據該等先前行為資料，獲得一包含多個對應該等先前行為資料之先前參數的先前序列，該等先前參數依照該等先前時間點排序，根據該先前序列，利用一用於預測客戶未來行為的客戶行為預測模型，獲得一包含多個指示出該待預測客戶未來可能各種行為之預測參數的預測序列。
- 如請求項6所述的客戶行為預測系統，還包含一經由一通訊網路連接至一客戶端且電連接該處理模組的通訊模組，該儲存模組還儲存有多個對應各種目標客戶行為之可推薦參數及其對應的一推薦資訊，該處理模組判定該預測序列的該等預測參數中是否存在與該等可推薦參數中之任一者相同的至少一待推薦參數，當該處理模組判定出存在該至少一待推薦參數時，該處理模組透過該通訊模組將每一待推薦參數所對應之推薦資訊傳送至該客戶端。
- 如請求項6所述的客戶行為預測系統，其中，該儲存模組還儲存有多筆對應多個客戶的訓練資料，每一訓練資料包含所對應之客戶於先前做出該等不同行為的多筆訓練先前行為資料及多筆訓練預測行為資料，每一筆訓練先前行為資料皆對應有一訓練先前時間點，每一筆訓練預測行為資料皆對應有一訓練預測時間點，同一筆訓練資料之任一訓練預測時間點皆晚於該等訓練先前時間點，對於每一訓練資料，該處理模組根據該訓練資料中的該等訓練先前行為資料，獲得一包含多個對應該等訓練先前行為資料之訓練先前參數的訓練先前序列，該等訓練先前參數依照該等訓練先前時間點排序，對於每一訓練資料，該處理模組根據該訓練資料中的該等訓練預測行為資料，獲得一包含多個對應該等訓練預測行為資料之訓練預測參數的訓練預測序列，該等訓練預測參數依照該等訓練預測時間點排序，該處理模組根據該等訓練資料，利用循環神經網路，獲得該客戶行為預測模型。
- 如請求項6所述的客戶行為預測系統，其中，該等先前行為資料係為客戶信用卡消費資訊，該等先前參數係為商戶類別代碼，該等預測參數係為商戶類別代碼。
- 如請求項6所述的客戶行為預測系統，其中，該等先前行為資料係為客戶網路瀏覽資訊，該等先前參數係為網站代碼，該等預測參數係為網站代碼。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108146263A TW202125283A (zh) | 2019-12-17 | 2019-12-17 | 客戶行為預測方法及其系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108146263A TW202125283A (zh) | 2019-12-17 | 2019-12-17 | 客戶行為預測方法及其系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202125283A true TW202125283A (zh) | 2021-07-01 |
Family
ID=77908416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108146263A TW202125283A (zh) | 2019-12-17 | 2019-12-17 | 客戶行為預測方法及其系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TW202125283A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI852803B (zh) * | 2023-10-17 | 2024-08-11 | 南開科技大學 | 依居民資料與訪客狀況購買居民所需商品之裝置及方法 |
-
2019
- 2019-12-17 TW TW108146263A patent/TW202125283A/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI852803B (zh) * | 2023-10-17 | 2024-08-11 | 南開科技大學 | 依居民資料與訪客狀況購買居民所需商品之裝置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109509054B (zh) | 海量数据下商品推荐方法、电子装置及存储介质 | |
| US20200242450A1 (en) | User behavior prediction method and apparatus, and behavior prediction model training method and apparatus | |
| US20200195737A1 (en) | Clickstream analysis methods and systems related to determining actionable insights relating to a path to purchase | |
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| US8725559B1 (en) | Attribute based advertisement categorization | |
| CN106372961A (zh) | 商品推荐方法及装置 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| US20180012284A1 (en) | Information analysis apparatus, information analysis method, and non-transitory computer readable storage medium | |
| CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| CN106415648A (zh) | 促进交易的方法和系统 | |
| CN111898767A (zh) | 数据处理方法、装置、设备及介质 | |
| CN109962975A (zh) | 基于物体识别的信息推送方法、装置、电子设备及系统 | |
| US11599905B2 (en) | Method and system for recommending promotions to consumers | |
| CN113379449B (zh) | 多媒体资源召回方法、装置、电子设备以及存储介质 | |
| CN109816534B (zh) | 融资租赁产品推荐方法、装置、计算机设备和存储介质 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| US20140244405A1 (en) | Automatic Generation of Digital Advertisements | |
| US12062060B2 (en) | Method and device for processing user interaction information | |
| TW202125283A (zh) | 客戶行為預測方法及其系統 | |
| TWM593025U (zh) | 客戶行為預測系統 | |
| CN110852338A (zh) | 用户画像的构建方法及装置 | |
| TWM607437U (zh) | 用於推薦行銷廣告的行銷伺服裝置 | |
| CN114547416A (zh) | 一种媒体资源排序方法及电子设备 | |
| TWI782242B (zh) | 智能行銷方法及其系統 | |
| KR102653483B1 (ko) | 인공지능에 기반하여 미술품의 가격을 예측하는 방법 |