金融产品推荐方法及存储介质与流程

本发明涉及产品营销模型领域，实现了一套基于聚类及协同过滤的金融产品推荐系统。
背景技术：
目前金融行业的精准营销主要包括两种主流方法：基于用户的协同过滤和基于项目的协同过滤。基于用户的算法着重于反映那些与用户兴趣相似的小群体的热点，基于项目的算法推荐结果着重于维护目标用户的历史兴趣。基于两种方法的优劣及使用效果，金融行业更多采用基于用户的协同过滤算法，但是也面对特有的问题例如：新产品的上架销售的客群定位。技术实现要素：为此，需要提供一种能够解决新产品客群定位的基于用户的协同过滤推荐系统。为实现上述目的，发明人研发了一种金融产品推荐方法，包括如下步骤，获取第一产品信息，匹配与第一产品信息相关的参考产品信息；同时获取所有现有产品在不同客户簇中的平均投入额度排名，选取参考产品平均投入额度排名靠前的若干客户簇，取并集后作为潜在客户群，向潜在客户群推送第一产品信息。进一步地，还包括步骤，还包括步骤，对客户进行k-means++聚类，获取客户簇信息，聚类的维度包括风险等级、客户总资产月均值、股票资产比例、股票周转率、沪深300指数股比例、股票基金比例、债券基金比例、货币基金比例、基金专户比例、本月产品周转率、股票质押比例、融资负债比例和融券负债比例。具体地，匹配第一产品信息相关的维度包括产品类型、历史销售情况、风险等级、最小投资份额、产品近期状态、产品管理人指标。优选地，每个簇每支产品客户平均投入额度计算方法：其中，c为上月某簇内某产品客户投入额度；mvi，j表示上月某簇内客户i第j天持有该产品金额，即每日市值；puri，j表示上月某簇内客户i第j天日申购、认购、定时定额投入该产品金额；α为市值权重，可根据使用效果调整；d为上月天数；n为某簇客户数进一步地，还包括步骤，客户购买可能性打分，选取第一产品和客户风险匹配度、客户总资产、30天内到期资产、历史上是否购买过同公司产品并盈利、近一年收益率、股票周转率指标，进行打分加权统计。一种金融产品推荐存储介质，存储有计算机程序，所述计算机程序在被运行时执行包括如下步骤，获取第一产品信息，匹配与第一产品信息相关的参考产品信息；同时获取所有现有产品在不同客户簇中的平均投入额度排名，选取参考产品平均投入额度排名靠前的若干客户簇，取并集后作为潜在客户群，向潜在客户群推送第一产品信息。进一步地，所述计算机程序在被运行时还执行步骤，对客户进行k-means++聚类，获取客户簇信息，聚类的维度包括风险等级、客户总资产月均值、股票资产比例、股票周转率、沪深300指数股比例、股票基金比例、债券基金比例、货币基金比例、基金专户比例、本月产品周转率、股票质押比例、融资负债比例和融券负债比例。具体地，所述计算机程序匹配第一产品信息相关的维度包括产品类型、历史销售情况、风险等级、最小投资份额、产品近期状态、产品管理人指标。优选地，每个簇每支产品客户平均投入额度计算方法法：其中，c为上月某簇内某产品客户投入额度；mvi，j表示上月某簇内客户i第j天持有该产品金额，即每日市值；puri，j表示上月某簇内客户i第j天日申购、认购、定时定额投入该产品金额；α为市值权重，可根据使用效果调整；d为上月天数；n为某簇客户数进一步地，所述计算机程序被运行时还执行步骤，客户购买可能性打分，选取第一产品和客户风险匹配度、客户总资产、30天内到期资产、历史上是否购买过同公司产品并盈利、近一年收益率、股票周转率指标，进行打分加权统计。区别于现有技术，上述技术方案通过对客户聚类进行协同过滤条件的优化设置，即解决了单纯基于用户协同过滤造成的新产品难于推荐问题，又能够避免单纯基于项目的协同过滤的方法遇到的金融产品维度众多，导致的稀疏矩阵，以及例如产品管理人、投资方向等指标难以量化的问题。附图说明图1为本发明具体实施方式所述的金融产品推荐方法流程图；图2为本发明具体实施方式所述的金融产品推荐示意图；图3为本发明具体实施方式所述的金融产品推荐实例图。具体实施方式为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。请参阅图1，为本发明某个实施例的一套金融产品推荐系统，包括如下步骤，s100获取第一产品信息，匹配与第一产品信息相关的参考产品信息；s102获取参考产品在不同客户簇所有现有(持有或购买)产品平均投入额度的排名，s104选取参考排名额度靠前的若干客户簇，取并集后作为潜在客户群，s108向潜在客户群推送第一产品信息。这里的第一产品信息为市面新金融理财类产品的特征信息，匹配相关参考产品信息包括：产品类型、历史销售情况、风险等级、最小投资份额、产品近期状态、产品管理人等维度，多维度匹配结果通过打分加和排名获取最相似参考产品。这里的参考产品为历史上销售过的金融产品，则其会表现为所有客户的持有额度值，再进行步骤，获取客户所属的簇，客户的不同簇可以通过自主选取的规则进行划分，不同的规则可以反映不同的客户需求、特征。在相同簇中的客户特征趋于同化则有利于更好地进行推送产品。例如在某些优选的实施例中，本发明方法还包括步骤，对客户进行k-means++聚类，该聚类算法较为成熟，可以根据需要自行调整参数，具体地，聚类维度可以包括风险等级、客户总资产月均值、股票资产比例、股票周转率、沪深300指数股比例、股票基金比例、债券基金比例、货币基金比例、基金专户比例、本月产品周转率、股票质押比例、融资负债比例和融券负债比例。对客户聚类进行划分后，获取参考产品在不同客户簇所有现有(持有或购买)产品平均投入额度，进行降序排名，如客户簇a中的客户持有现有产品001,002,003,004平均投入额度为100万、80万、60万、40万，排名分别是1,2,3,4；客户簇b客户持有现有产品001,002,003,004平均投入额度为10万、20万、30万、40万，排名分别是4,3,2，1；客户簇c客户持有现有产品001,002,003,004平均投入额度为50万、50万、50万、50万，排名分别是1,1,1,1。如果参考产品是004的话，投入额度排名的升序排名如下：簇号004号产品在该簇的平均投入排名升序排名b11c11a43再行从靠前的若干客户簇中选取潜在客户，如选取升序排名前2/3的客户簇，作为潜在客户群，则将客户簇b、c的并集作为潜在客户群，向其推送新产品。从而通过上述方案，达到基于产品本身特性对适配的客户簇进行适配，优选推送精准营销的技术效果。具体的实施例中，第一产品信息匹配维度包括产品类型、历史销售情况、风险等级、最小投资份额、产品近期状态、产品管理人指标，通过上述设计，能够更加精准地匹配与第一产品相关的参考产品，能够使得本发明方法的推送更加精准。优选的一些实施例中，还包括步骤，每个簇每支产品客户平均投入额度计算法，算法如下：其中：c为上月某簇内某产品客户平均投入额度；mvi，j为上月某簇内客户i第j天持有该产品金额，即每日市值，puri，j为上月某簇内客户i第j天日申购、认购、定时定额投入该产品金额；α为市值权重；d为上月天数；n为某簇客户数。其他一些实施例中，我们还进行步骤，s106客户购买可能性打分。选取第一产品和客户风险匹配度、客户总资产、30天内到期资产、历史上是否购买过同公司产品并盈利、近一年收益率、股票周转率指标，具体分值参考下表，可做相应调整：风险匹配度指标作为《证券期货投资者适当性管理办法》的硬性需要，占有最高的分值。客户总资产和30天内到期资产作为筛选出高净值客户的关键指标也占有较高的分值。历史上是否购买过同公司产品并盈利、近一年收益率、股票周转率指标作为加分项能为投资顾问推荐产品具有重要指导意义。将积分加和后分区间划分星级，反馈给前端投资顾问，作为销售参考。具体的实施例中，本发明方法在申请人代销的兴全合宜、南方瑞祥、南方战略配售等产品上本推荐系统取得很高的精准率和召回率，这里请参阅图2，图3，以南方瑞祥销售为例，介绍实施方案，新产品南方瑞祥在即将上市前，会经过匹配，得到最相近的参考产品为南方绩优前端。对上个月所有客户的前述13个维度指标进行k-means++聚类，得到客户分簇。根据上月客户聚类结果，计算每个簇内所有现有(持有或购买)产品的平均投入额度，对南方绩优前端在上月各簇中的平均投入额度排名进行升序排名，然后挑选出升序排名靠前的簇，如前1/n(2,3,4…)的簇，将这些簇的客户取并集以后作为新产品的潜在客群。最终达到了向客户精准推销金融产品的技术效果。需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的
技术领域：
，均包括在本发明的专利保护范围之内。当前第1页12