本发明涉及客户关系梳理领域，更具体的说，涉及一种核心客户的识别方法、装置及电子设备。
背景技术：
：目前我国经济正处于三期叠加的特殊时期，企业风险加速暴露，冲击银行经营安全，系统性风险凸显。有效的识别出核心客户，并对核心客户进行维护，是控制风险扩散，避免出现系统性风险的关键。其中，核心客户是指客户群体中的关键客户，当该客户发生风险后，极易引起该客户群体中的其他客户违约的连锁反应。现有技术中，在识别核心客户时，是专家依据经验分析集团母子公司或者供应链关系，来确定核心客户。但是基于专家经验确定核心客户的方法，主观性较大，进而使得确定的核心客户不准确。技术实现要素：有鉴于此，本发明提供一种核心客户的识别方法、装置及电子设备，以解决基于专家经验确定核心客户的方法，主观性较大，进而使得确定的核心客户不准确的问题。为解决上述技术问题，本发明采用了如下技术方案：一种核心客户的识别方法，包括：获取多种客户关联关系以及每种客户关联关系对应的权重值；基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数；其中，所述风险传导系数为在一个客户出现第一预设行为事件时，另一个客户发生第二预设行为事件的概率；根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。优选地，基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数，包括：基于多种客户关联关系，计算所述预设客户群体中每两个所述客户之间的传导系数；其中，所述传导系数为当一个客户出现第三预设行为事件时，另一个客户也出现所述第三预设行为事件的概率；基于每两个所述客户之间的传导系数以及每种客户关联关系对应的权重值，计算所述预设客户群体中每两个所述客户之间的风险传导系数。优选地，基于多种客户关联关系，计算所述预设客户群体中每两个所述客户之间的传导系数，包括：获取表征多种客户关联关系与出现所述第三预设行为事件的结果的关系的逻辑回归模型；其中，所述逻辑回归模型基于样本客户群体中任意至少两个客户之间的行为事件对预设初始逻辑回归模型进行训练得到；根据所述逻辑回归模型，计算得到所述预设客户群体中每两个所述客户之间的传导系数。优选地，基于每两个所述客户之间的传导系数以及每种客户关联关系对应的权重值，计算所述预设客户群体中每两个所述客户之间的风险传导系数，包括：将每两个所述客户对应的传导系数以及两个所述客户的客户关联关系对应的权重值相乘，得到每两个所述客户的风险传导系数。优选地，根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户，包括：根据所述预设客户群体中每两个所述客户之间的风险传导系数，统计所述预设客户群体中与每个所述客户有直接风险关联关系的客户数量；基于与每个所述客户有直接风险关联关系的客户数量、所述预设客户群体中每两个所述客户之间的风险传导系数以及预设核心客户计算公式，确定所述预设客户群体中的核心客户。一种核心客户的识别装置，包括：数据获取模块，用于获取多种客户关联关系以及每种客户关联关系对应的权重值；系数计算模块，用于基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数；其中，所述风险传导系数为在一个客户出现第一预设行为事件时，另一个客户发生第二预设行为事件的概率；核心客户确定模块，用于根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。优选地，所述系数计算模块包括：第一系数计算子模块，用于基于多种客户关联关系，计算所述预设客户群体中每两个所述客户之间的传导系数；其中，所述传导系数为当一个客户出现第三预设行为事件时，另一个客户也出现所述第三预设行为事件的概率；第二系数计算子模块，用于基于每两个所述客户之间的传导系数以及每种客户关联关系对应的权重值，计算所述预设客户群体中每两个所述客户之间的风险传导系数。优选地，所述第一系数计算子模块包括：模型获取单元，用于获取表征多种客户关联关系与出现所述第三预设行为事件的结果的关系的逻辑回归模型；其中，所述逻辑回归模型基于样本客户群体中任意至少两个客户之间的行为事件对预设初始逻辑回归模型进行训练得到；系数计算单元，用于根据所述逻辑回归模型，计算得到所述预设客户群体中每两个所述客户之间的传导系数。优选地，所述第二系数计算子模块包括：系数计算单元，用于将每两个所述客户对应的传导系数以及两个所述客户的客户关联关系对应的权重值相乘，得到每两个所述客户的风险传导系数。优选地，所述核心客户确定模块包括：数量统计子模块，用于根据所述预设客户群体中每两个所述客户之间的风险传导系数，统计所述预设客户群体中与每个所述客户有直接风险关联关系的客户数量；核心客户确定子模块，用于基于与每个所述客户有直接风险关联关系的客户数量、所述预设客户群体中每两个所述客户之间的风险传导系数以及预设核心客户计算公式，确定所述预设客户群体中的核心客户。一种电子设备，包括：存储器和处理器；其中，所述存储器用于存储程序；处理器调用程序并用于：获取多种客户关联关系以及每种客户关联关系对应的权重值；基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数；其中，所述风险传导系数为在一个客户出现第一预设行为事件时，另一个客户发生第二预设行为事件的概率；根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。相较于现有技术，本发明具有以下有益效果：本发明提供了一种核心客户的识别方法、装置及电子设备，首先获取多种客户关联关系以及每种客户关联关系对应的权重值，基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数，根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。相比于基于专家经验确定核心客户的方法，不受主观性的影响，提高了确定的核心客户的准确性。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，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。图1为本发明实施例提供的一种核心客户的识别方法的方法流程图；图2为本发明实施例提供的另一种核心客户的识别方法的方法流程图；图3为本发明实施例提供的一种核心客户的识别装置的结构示意图；图4为本发明实施例提供的另一种核心客户的识别装置的结构示意图。具体实施方式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做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。本发明实施例提供了一种核心客户的识别方法，参照图1，可以包括：S11、获取多种客户关联关系以及每种客户关联关系对应的权重值；具体的，对客户与客户之间的客户关联关系进行全面系统的梳理，其中，客户可以是企业的法人。客户关联关系有直接关系，也有间接关系。具体可以包括投资关系、担保关系、生产经营影响关系、贸易链\资金关系、高管关联、家族企业、企业信息关联、共同参股关联、共同投资方关联、共同担保方关联、转让关系关联、实际控制人关联共12种关联关系。不同的客户关联关系风险传导能力是相对有差异的，因此在量化两个企业间的风险传导能力时，首先依据专家经验需对每类关系赋予一个权重值。具体的，每种客户关联关系对应的权重值可以如表1所示。表1客户关联关系与权重值的对应关系参照表1，可以看出，不同的客户关联关系，对应的权重值不同。并且，每种客户关联关系又可以细分为至少一种关系程度，不同的关系程度对应的权重值也不同。如，客户关联关系为投资关系、关系程度为投资比例大于50％时，对应的权重值为5。其余客户关联关系对应的权重值，请参照表1中的相应内容，在此不再赘述。需要说明的是，多种客户关联关系以及每种客户关联关系对应的权重值可以是人工确定的。S12、基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数；其中，所述风险传导系数为在一个客户出现第一预设行为事件时，另一个客户发生第二预设行为事件的概率。第一预设行为事件和第二预设行为事件可以相同，也可以不同。如，第一预设行为事件可以是发生风险，如还款逾期等造成的违约事件，第二部分预设行为事件也可以是还款逾期、资金链断裂等造成的违约事件。当一个客户出现第一预设行为事件时，第二个客户也出现第二预设行为事件，则认为风险传导系数较高，否则，则认为风险传导系数较低。需要说明的是，当两个客户的客户关联关系不同时，对应的风险传导系数不同。S13、根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。可选的，在本实施例的基础上，步骤S13可以包括：1)根据所述预设客户群体中每两个所述客户之间的风险传导系数，统计所述预设客户群体中与每个所述客户有直接风险关联关系的客户数量；具体的，预设客户群体中的每两个客户之间的风险传导系数确定后，就可以看到每个客户直接影响的客户，如有客户ABCD，AB之间的风险传导系数为0.5，BC之间的风险传导系数为0.3，AC之间的风险传导系数为0.1，BD之间的风险传导系数为0.2。由此可以看出，客户BC直接受A客户的影响，说明客户BC是与客户A有直接风险关联关系。同样，客户ACD是与客户B有直接风险关联关系。确定了与每个客户有直接风险关联关系的客户后，就可以统计预设客户群体中与每个所述客户有直接风险关联关系的客户数量。如上文中的与客户A的有直接风险关联关系的客户数量为2。2)基于与每个所述客户有直接风险关联关系的客户数量、所述预设客户群体中每两个所述客户之间的风险传导系数以及预设核心客户计算公式，确定所述预设客户群体中的核心客户。具体的，预设核心客户计算公式为:P(A,i):客户A到客户i的风险传导系数，Degree(A):与客户A有直接风险关联关系的客户数量，n为预设客户群体中的客户的总数，E(A)为客户A的风险传导能量。风险传导能量是一个客户发生风险后，对整个客户群体产生的影响的量化。基于上述的公式，就可以计算得到客户A的风险传导能量。同样，也可以采用此方法计算得到预设客户群体中每个客户的风险传导能量。从每个客户的风险传导能量中选择出大于预设数值的风险传导能量，选择出的风险传导能量对应的客户就为核心客户。其中，核心客户的数量可以为一个，也可以为多个，预设数值的大小是技术人员根据具体的使用场景进行设定的。本实施例中，首先获取多种客户关联关系以及每种客户关联关系对应的权重值，基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数，根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。相比于基于专家经验确定核心客户的方法，不受主观性的影响，提高了确定的核心客户的准确性。另外，本实施例中对客户之间的客户关联关系进行了全面系统的梳理，涵盖投资、担保供应链、生产经营等，并对客户关联关系赋予了不同的权重，有效提高了核心客户识别的合理性。可选的，在上述任一实施例的基础上，参照图2，步骤S12可以包括：S21、基于多种客户关联关系，计算所述预设客户群体中每两个所述客户之间的传导系数；其中，所述传导系数为当一个客户出现第三预设行为事件时，另一个客户也出现所述第三预设行为事件的概率。具体的，第三预设行为事件可以为逾期或者预警事件，如，传导系数可以表示A企业发生逾期后的12个月B企业出现逾期或者预警事件的概率。具体的，步骤S21可以包括：1)获取表征多种客户关联关系与出现所述第三预设行为事件的结果的关系的逻辑回归模型；其中，所述逻辑回归模型基于样本客户群体中任意至少两个客户之间的行为事件对预设初始逻辑回归模型进行训练得到。具体的，预设初始逻辑回归模型为：log(pi/1-pi)＝α+β1xi1+β2xi2+…+βkxiklog(odds)＝α+β1xi1+β2xi2+…+βkxikP(Y＝1)＝elog(odds)/(1+elog(odds))其中，x是代表着各个客户关联关系和其他影响Y的自变量，Y＝1代表A企业发生逾期后12个月内B企业出现逾期或预警的事件，P即为Y＝1时的预测概率，即传导系数。Odds表示pi/(1-pi)，指比值比，一个事件发生的概率/一个事件不发生的概率。首先，获取一个样本客户群体，样本客户群体中包括大量的行为事件，行为事件可以是样本客户群体中任意至少两个客户之间的行为事件。如A逾期后，B也逾期了，同时造成C也逾期。D逾期后，与D有投资关系的F没有逾期等。将这些行为事件对预设初始逻辑回归模型进行训练，就可以得到预设初始逻辑回归模型中的系数，就可以确定得到逻辑回归模型。举例来说，A与B为投资关系，若A发生逾期后，B也逾期了，pi/(1-pi)＝1。表示投资关系的x为1，再带入上述公式即可。由于有多个行为事件，则会存在多个代入数据的公式，求解，即可得到预设初始逻辑回归模型中的系数，进而确定得到逻辑回归模型。2)根据所述逻辑回归模型，计算得到所述预设客户群体中每两个所述客户之间的传导系数。两个客户的客户关联关系确定后，带入上述公式中，就可以计算得到P，P即为传导系数。S22、基于每两个所述客户之间的传导系数以及每种客户关联关系对应的权重值，计算所述预设客户群体中每两个所述客户之间的风险传导系数。其中，步骤S22可以包括：将每两个所述客户对应的传导系数以及两个所述客户的客户关联关系对应的权重值相乘，得到每两个所述客户的风险传导系数。具体的，针对每两个客户，将传导系数与权重值相乘，就为该两个客户的风险传导系数。具体可参照表2。表2不同客户间的风险传导系数关系表表2中，两个客户可能存在一个客户关联关系，也可以存在多个客户关联关系。当存在一个客户关联关系，用传导系数与该客户关联关系对应的权重值相乘，就可以得到风险传导系数，当存在多个客户关联关系时，用传导系数与每种客户关联关系对应的权重值相乘后相加，即为最终这两个客户的风险传导系数。需要说明的是，由于最终计算得到的风险传导系数的数值可能为个位数，也可能为十位数或者百位数，为了对风险传导系数进行标准化。通过标准化Sigmoid函数对风险传导系数进行转换，其中，Sigmoid函数为：F(x)＝1/(1+e-x)其中，x为风险传导系数，F(x)为标准化后的数值。转换后的数值是一个局限在0和1之间的数值，该数值是两客户间的标准化后的风险传导系数，转化后两个客户之间的最终风险传导系数如表3。表3客户与标准化后的风险传导系数的对应关系FromTo风险传导系数(P)AB0.4AC0.3BC0.2BD……本实施例中，基于大量的数据作为逻辑回归的训练样本，同传统的简单概率统计相比，大大提高了核心客户识别的准确性。可选的，在上述核心客户的识别方法的实施例的基础上，本发明的另一实施例提供了一种核心客户的识别装置，参照图3，可以包括：数据获取模块101，用于获取多种客户关联关系以及每种客户关联关系对应的权重值；系数计算模块102，用于基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数；其中，所述风险传导系数为在一个客户出现第一预设行为事件时，另一个客户发生第二预设行为事件的概率；核心客户确定模块103，用于根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。进一步，所述核心客户确定模块103可以包括：数量统计子模块，用于根据所述预设客户群体中每两个所述客户之间的风险传导系数，统计所述预设客户群体中与每个所述客户有直接风险关联关系的客户数量；核心客户确定子模块，用于基于与每个所述客户有直接风险关联关系的客户数量、所述预设客户群体中每两个所述客户之间的风险传导系数以及预设核心客户计算公式，确定所述预设客户群体中的核心客户。本实施例中，首先获取多种客户关联关系以及每种客户关联关系对应的权重值，基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数，根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。相比于基于专家经验确定核心客户的方法，不受主观性的影响，提高了确定的核心客户的准确性。另外，本实施例中对客户之间的客户关联关系进行了全面系统的梳理，涵盖投资、担保供应链、生产经营等，并对客户关联关系赋予了不同的权重，有效提高了核心客户识别的合理性。需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。可选的，在上述任一核心客户的识别装置的实施例的基础上，参照图4，所述系数计算模块102可以包括：第一系数计算子模块1021，用于基于多种客户关联关系，计算所述预设客户群体中每两个所述客户之间的传导系数；其中，所述传导系数为当一个客户出现第三预设行为事件时，另一个客户也出现所述第三预设行为事件的概率；第二系数计算子模块1022，用于基于每两个所述客户之间的传导系数以及每种客户关联关系对应的权重值，计算所述预设客户群体中每两个所述客户之间的风险传导系数。进一步，所述第一系数计算子模块1021可以包括：模型获取单元，用于获取表征多种客户关联关系与出现所述第三预设行为事件的结果的关系的逻辑回归模型；其中，所述逻辑回归模型基于样本客户群体中任意至少两个客户之间的行为事件对预设初始逻辑回归模型进行训练得到；系数计算单元，用于根据所述逻辑回归模型，计算得到所述预设客户群体中每两个所述客户之间的传导系数。进一步，所述第二系数计算子模块1022可以包括：系数计算单元，用于将每两个所述客户对应的传导系数以及两个所述客户的客户关联关系对应的权重值相乘，得到每两个所述客户的风险传导系数。本实施例中，基于大量的数据作为逻辑回归的训练样本，同传统的简单概率统计相比，大大提高了核心客户识别的准确性。需要说明的是，本实施例中的各个模块、子模块和单元的工作过程，请参照上述实施例中的相应说明，在此不再赘述。可选的，在上述核心客户的识别方法和装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；其中，所述存储器用于存储程序；处理器调用程序并用于：获取多种客户关联关系以及每种客户关联关系对应的权重值；基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数；其中，所述风险传导系数为在一个客户出现第一预设行为事件时，另一个客户发生第二预设行为事件的概率；根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。进一步，处理器用于基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数时，具体用于：基于多种客户关联关系，计算所述预设客户群体中每两个所述客户之间的传导系数；其中，所述传导系数为当一个客户出现第三预设行为事件时，另一个客户也出现所述第三预设行为事件的概率；基于每两个所述客户之间的传导系数以及每种客户关联关系对应的权重值，计算所述预设客户群体中每两个所述客户之间的风险传导系数。进一步，处理器用于基于多种客户关联关系，计算所述预设客户群体中每两个所述客户之间的传导系数时，具体用于：获取表征多种客户关联关系与出现所述第三预设行为事件的结果的关系的逻辑回归模型；其中，所述逻辑回归模型基于样本客户群体中任意至少两个客户之间的行为事件对预设初始逻辑回归模型进行训练得到；根据所述逻辑回归模型，计算得到所述预设客户群体中每两个所述客户之间的传导系数。进一步，处理器用于基于每两个所述客户之间的传导系数以及每种客户关联关系对应的权重值，计算所述预设客户群体中每两个所述客户之间的风险传导系数时，具体用于：将每两个所述客户对应的传导系数以及两个所述客户的客户关联关系对应的权重值相乘，得到每两个所述客户的风险传导系数。进一步，处理器用于根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户时，具体用于：根据所述预设客户群体中每两个所述客户之间的风险传导系数，统计所述预设客户群体中与每个所述客户有直接风险关联关系的客户数量；基于与每个所述客户有直接风险关联关系的客户数量、所述预设客户群体中每两个所述客户之间的风险传导系数以及预设核心客户计算公式，确定所述预设客户群体中的核心客户。本实施例中，首先获取多种客户关联关系以及每种客户关联关系对应的权重值，基于获取的多种客户关联关系以及每种客户关联关系对应的权重值，计算预设客户群体中每两个客户之间的风险传导系数，根据所述预设客户群体中每两个所述客户之间的风险传导系数，确定所述预设客户群体中的核心客户。相比于基于专家经验确定核心客户的方法，不受主观性的影响，提高了确定的核心客户的准确性。另外，本实施例中对客户之间的客户关联关系进行了全面系统的梳理，涵盖投资、担保供应链、生产经营等，并对客户关联关系赋予了不同的权重，有效提高了核心客户识别的合理性。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。当前第1页1 2 3