融合层次分析法和RFM的商业银行客户评级方法及装置与流程

融合层次分析法和rfm的商业银行客户评级方法及装置
技术领域
1.本发明涉及信息化技术领域，提供了一种融合层次分析法和rfm的商业银行客户评级方法及装置。


背景技术：

2.随着社会经济的发展、移动互联网的广泛应用，带来商业银行用户行为数据规模的增长，如何从庞大的用户行为数据中发掘用户价值成为一个难题；另一方面，金融监管的加强、商业银行间产品的同质化和行业竞争的加剧，对商业银行客户运营的水平、营销的成本的把控提出了更高的要求。因此，基于用户行为数据，做好商业银行客户的分级，进行精准的、个性的、低成本的营销活动显得尤为重要。
3.传统的用户分层方式rfm(recency、frequency、monetary)模型，主要使用了最近一次消费(recency)、消费频率(frequency)、消费金额(monetary)这三个要素，分别反映用户流失的可能性、用户的忠诚度、用户的价值三个方面，通过三个指标将用户划分在一个三维象限中，基于用户所在的象限位置对用户采取不同的营销策略。由于区分用户在某个维度的高、低的临界值具有一定的主观性，往往难以确定，常见的方式是，使用k
‑
means聚类的方式对三个指标进行聚类，通过质心位置对每个类进行解释。通常的，客户被分为无价值客户、一般客户、重要挽留客户、一般重要客户、重要保持客户、重要发展客户几个层级，基于不同的用户层级，对用户采取不同的营销策略。
4.rfm模型较为动态地显示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，但也存在诸多不足。首先、传统的rfm模型区分用户的临界值具有主观性，而使用k
‑
means聚类的rfm虽然能避免主观性，但基于样本距离自动生成的分类往往易受到数据分布的影响，且类别有时难以解释；其次，传统的rfm模型所采用的衡量用户流失可能性、用户忠诚度、用户价值指标过于单一，常常不能对用户在进行充分的、正确的衡量，划分的用户较为粗糙；再次，商业银行的存贷款业务与零售消费行业有所不同，传统的rfm指标难以适用。比如，衡量用户忠诚度的用户交易频率指标，在存款业务中，客户存款频率高可能仅仅是因为所存款的周期较短，或是同一笔资金进行了反复操作，而衡量客户价值的指标中，用户交易频率越高，总的交易额也越大，表现的用户价值也越高，但实际情况可能恰恰相反；此外，存款的rfm模型对三个不同指标进行了等权处理，而实际业务场景下，各变量的重要性可能不同，而变量间往往存在共线性，也会影响模型效果。


技术实现要素：

5.基于前文陈述，本发明针对传统的rfm在用户评级中的诸多不足，基于传统的rfm模型进行改进。我们使用一种融合层次分析法和rfm的模型的银行客户评级方法，解决上述技术问题。在指标的选择上，我们选择多个指标来表现用户活跃、用户忠诚、用户价值三个维度的用户特征。在分级的方式上，使用层次分析法计算用户得分进行分级。
6.为了实现上述目的本发明采用以下技术手段：
7.本发明提供了一种融合层次分析法和rfm的商业银行客户评级方法，其实现过程包括：
8.步骤1、确定目标层和准则层，目标层是对用户的评分评级，准则层分为用户活跃度、用户忠诚度、用户价值三个方面；
9.步骤2、收集用户活跃度、用户忠诚度、用户价值三个方面的用户数据集；
10.步骤3、对步骤2中涉及的数据进行数据清洗；
11.步骤4、利用rfm模型分别构建用户活跃、用户价值、用户忠诚三个准则的方案层指标；基于层次分析法确认方案层指标权重，输出准则层指标结果，确定准则层指标权重，输出目标层客户的评分评级；
12.步骤5、基于目标层客户的评分评级，完成差异化营销策略或活动的制定和推广。
13.上述技术方案中，所涉及用用户数据集包括四部分：
14.第一部分是用户的基本属性数据；
15.第二部分是用户行为数据，是用户操作app过程中的痕迹数据；
16.第三部分是用户交易数据，包含用户线下场景的支付数据、用户交易存款和贷款产品的数据；
17.第四部分是用户使用积分兑换记录数据。
18.可选的，用户活跃指标的选择，可选择用户登录次数、用户连续登录天数、用户最后一次持有存款产品距今时长、用户开户距今时长、用户浏览产品页次数、用户产品页面停留时长、用户使用app小游戏次数、用户使用积分兑换礼品次数等；用户忠诚指标的选择，可选择用户分享拉新客户数、用户购买产品频次、用户积分兑换频次、用户存款持有天数等；用户价值的指标，可选择用户月日均存款余额、用户历史最大单日余额、以及其他能反映用户资产状况的指标(如，城市、地域、年龄、学历、职业、房产信息、车辆信息、贷款数据等)。
19.上述技术方案中，执行步骤3中：
20.步骤3.1、使用sql查询语句获取所需的全部数据，并使用python加载数据；
21.步骤3.2、对数据进行变量探查，包含变量的统计值分析，结合变量的业务特征对变量进行缺失值填充，删除重复数据；
22.步骤3.3、构造模型所需特征，包括对分类变量的数值化处理，和连续变量的离散化处理，以及通过变量交叉、合成衍生新的符合业务逻辑的变量；
23.可选的，对长尾分布的变量进行平滑处理(包括log函数变换，box
‑
cox变换等)。
24.步骤3.4、对步骤3.3得到的数据进行无量纲处理，得到标准化的数据，可选方法包括有实际意义的量纲处理和数理化的量纲处理。
25.上述技术方案中，执行步骤4，对处理后的数据建立层次分析模型，具体操作内容包括：
26.步骤4.1、基于步骤3.4得到的标准化的数据构建层次结构模型，该结构包括目标层、准则层、方案层；目标层为用户的评分评级，准则层分为用户活跃、用户价值、用户忠诚三个方面，方案层是对准则层指标的进一步细化的指标；
27.步骤4.2、对各准则层下的细分变量进行重要性进行比较，构造成对比较矩阵，用于判断变量的重要程度；
28.步骤4.3、对成比较矩阵进行一致性检验：对每个成对比较矩阵计算最大特征值及
其对应的特征向量，并进行一致性检验，若通过，归一化特征向量为变量的权向量，否则需要重新构造成对比较矩阵。此过程检验指标间重要性是否冲突。
29.步骤4.4、计算准则层指标，用户活跃、用户价值、用户忠诚的得分；
30.步骤4.5、重复步骤4.2～4.4的方法，计算出目标层的客户评级，并依据得分完成用户分级。
31.基于层次分析法和rfm模型的商业银行客户评级方法，在用户评级过程中，具体表现为：根据用户活跃的方面的模型得分，将用户分为活跃用户、不活跃客户、沉睡客户和流失客户；根据用户在用忠诚方面的模型得分，将用户分为潜在客户、忠诚客户和衰退客户；根据用户价值方面的模型得分，将用户分为低价值客户和高价值客户；同时，根据用户活跃、用户忠诚、用户价值三个方面的层次分析模型得分，将用户进行多层次的分级，可以进行差异化的营销策略。
32.而对特定营销场景和营销目标的需求，进行扩展的用户评级方法，主要有：根据用户购买决策方式分层，将用户分为冲动购买型、反复犹豫型、理性比较型；根据用户对营销活动敏感度分层，将用户分为活动敏感型和活动不敏感型。
33.本发明还提供了一种融合层次分析法和rfm的商业银行客户评级装置，其实现过程包括：
34.目标层及准则层模块、确定目标层和准则层，目标层是对用户的评分评级，准则层分为用户活跃度、用户忠诚度、用户价值三个方面；
35.用户数据集模块、收集用户活跃度、用户忠诚度、用户价值三个方面的用户数据集；
36.清洗模块、对用户数据集模块中的数据进行数据清洗；
37.评级模块、利用rfm模型分别构建用户活跃、用户价值、用户忠诚三个准则的方案层指标；基于层次分析法确认方案层指标权重，输出准则层指标结果，确定准则层指标权重，输出目标层客户的评分评级；
38.营销模块、基于目标层客户的评分评级，完成差异化营销策略或活动的制定和推广。
39.上述技术方案中，所涉及用用户数据集包括四部分：
40.第一部分是用户的基本属性数据；
41.第二部分是用户行为数据，是用户操作app过程中的痕迹数据；
42.第三部分是用户交易数据，包含用户线下场景的支付数据、用户交易存款和贷款产品的数据；
43.第四部分是用户使用积分兑换记录数据。
44.上述技术方案中，清洗模块中：
45.步骤1、使用sql查询语句获取所需的全部数据，并使用python加载数据；
46.步骤2、对数据进行变量探查，包含变量的统计值分析，结合变量的业务特征对变量进行缺失值填充，删除重复数据；
47.步骤3、构造模型所需特征，包括对分类变量的数值化处理，和连续变量的离散化处理，以及通过变量交叉、合成衍生新的符合业务逻辑的变量；
48.可选的，对长尾分布的变量进行平滑处理(包括log函数变换，box
‑
cox变换等)。
49.步骤4、对步骤3得到的数据进行无量纲化处理，得到标准化的数据，可选方法包括有实际意义的量纲处理和数理化的量纲处理。
50.上述技术方案中，执行评级模块，对处理后的数据建立层次分析模型，具体操作内容包括：
51.步骤1、基于清洗模块得到的标准化的数据构建层次分析模型，该结构包括目标层、准则层、方案层；目标层为用户的评分评级，准则层分为用户活跃、用户价值、用户忠诚三个方面，方案层是对准则层指标的进一步细化的指标；
52.步骤2、对各准则层下的细分变量进行重要性进行比较，构造成对比较矩阵，用于判断变量的重要程度；
53.步骤3、对成比较矩阵进行一致性检验：对每个成对比较矩阵计算最大特征值及其对应的特征向量，并进行一致性检验，若通过，归一化特征向量为变量的权向量，否则需要重新构造成对比较矩阵。此过程检验指标间重要性是否冲突。
54.步骤4、计算准则层指标，用户活跃、用户价值、用户忠诚的得分；
55.步骤5、重复步骤2～4的方法，计算出目标层的客户评级，并依据得分完成用户分级。
56.本发明还提供了一种存储介质，所述存储介质存储有一种融合层次分析法和rfm的商业银行客户评级的程序，处理器执行所述程序时实现所述的一种融合层次分析法和rfm的商业银行客户评级方法。
57.因为本发明采用上述技术方案，因此具备以下有益效果：
58.在变量的选择上，本发明分别针对rfm模型中的用户流失可能性、用户忠诚度、用户价值三个方面，筛选多个维度的用户特征。模型特征更加丰富，对对用户活跃、用户忠诚、用户价值的刻画更加精细，更符合商业银行的实际业务需求。
59.在分级的方式上，使用层次分析法计算用户综合得分，引入了合乎逻辑的经验、洞察和直觉。一定程度上避免了传统分层方法中的主观性。同时根据不同变量的不同重要性，使用不同的权重，更符合业务实际，分级的结果更具有科学性和解释性。
60.在模型的扩展性上，可以针对于特定的营销场景、营销目标构造新的用户评级模型，使得分级相对于传统rfm模型更加丰富。扩展的分级模型可以与rfm模型进行交叉分级，客户的特征刻画更加立体丰富。
附图说明
61.图1为本发明一种融合层次分析法和rfm的商业银行客户评级方法及装置的流程示意图；
62.图2为本发明一种融合层次分析法和rfm的商业银行客户评级方法及装置的分层结构示意图。
具体实施方式
63.下面将结合附图及具体实施方式对本发明作进一步的描述。
64.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
65.步骤1，确定目标层和准则层，目标层是对用户的评分评级，准则层分为用户活跃
度、用户忠诚度、用户价值三个方面。
66.步骤2，收集用户活跃、用户忠诚、用户价值三个方面的用户数据集。所涉及用户行为数据集包括四部分:用户的基本属性数据，用户行为数据，用户交易数据，用户使用积分兑换记录数据。
67.步骤3，为三个不同的决策目标选择具体指标。用户活跃指标的选择，可选择用户登录次数、用户连续登录天数、用户最后一次持有存款产品距今时长、用户开户距今时长、用户浏览产品页次数、用户产品页面停留时长、用户使用app小游戏次数、用户使用积分兑换礼品次数等；用户忠诚指标的选择，可选择用户分享拉新客户数、用户购买产品频次、用户积分兑换频次、用户存款持有天数等；用户价值的指标，可选择用户月日均存款余额、用户历史最大单日余额、以及其他能反映用户资产状况的指标(如，城市、地域、年龄、学历、职业、房产信息、车辆信息、贷款数据等)。
68.步骤4，对用户数据集进行清洗，依次为，使用sql查询语句获取所需的全部数据，并使用python加载数据；对数据进行变量探查，包含变量的统计值分析，结合变量的业务特征对变量进行缺失值填充，删除重复数据；构造模型所需特征：包括对分类变量的数值化处理，和连续变量的离散化处理，以及通过变量交叉、合成衍生新的符合业务逻辑的变量；对长尾分布的变量进行平滑处理(包括log函数变换，box
‑
cox变换等)；对数据进行无量纲处理，得到标准化的数据，可选方法包括有实际意义的量纲处理和数理化的量纲处理。
69.步骤5，对处理后的数据建立层次分析模型，具体操作内容包括：基于步骤4得到的数据构建层次结构模型，该结构包括目标层、准则层、方案层。目标层为用户的评分评级，准则层分为用户活跃、用户价值、用户忠诚三个方面，方案层是对准则层指标的进一步细化的指标；对各准则层下的细分变量进行重要性进行比较，构造成对比较矩阵，用于判断变量的重要程度；对成比较矩阵进行一致性检验：对每个成对比较矩阵计算最大特征值及其对应的特征向量，并进行一致性检验，若通过，归一化的特征向量为变量的权向量，否则需要重新构造成对比较矩阵。此过程检验指标间重要性是否冲突。计算准则层指标，计算用户活跃、用户价值、用户忠诚的得分，并依据得分完成用户分级。
70.步骤6，根据用户活跃的方面的模型得分，将用户分为活跃用户、不活跃客户、沉睡客户和流失客户；根据用户在用忠诚方面的模型得分，将用户分为潜在客户、忠诚客户和衰退客户；根据用户价值方面的模型得分，将用户分为低价值客户和高价值客户；同时，根据r、f、m三个方面的层次分析模型得分，将用户进行多层次的分级，可以进行差异化的营销策略。对特定营销场景和营销目标的需求，进行扩展的用户评级方法，主要有：根据用户购买决策方式分层，将用户分为冲动购买型、反复犹豫型、理性比较型；根据用户对营销活动敏感度分层，将用户分为活动敏感型和活动不敏感型。
71.步骤7、将建模过程编译为自动化的被调度的程序，使其在评级装置中可以被自动执行，评级装置自动输出每个用户的评级和分类，实现客群的划分。
72.步骤8、对不同客群进行差异化营销。在rfm模型的应用中，基于用户活跃分层的客户，对低活跃度客户，推送一些趣味小游戏或福利活动促活，对活跃用户可以推送一些新产品或新功能加强体验，对沉睡客户应当给予更强的奖励力度，避免其陷入流失；基于用户忠诚分层的客户，潜在的客户、新客户以培养其购买产品的习惯和粘性为主，对忠诚客户，则以挖掘用户价值为主；基于用户价值分层的客户，可以依据不同的客户价值分配差异化的
营销成本，提高营销效率，更多的结合其他分层模型，制定差异化的策略：例如，沉睡客户往往难以挽回，原则上不宜付出更大的营销成本，而对于高价值的流失客户，可以适当触达并推出挽回活动；在扩展的用户评级模型中，基于用户购买决策方式分层的用户，冲动型客户可以加大赠送类活动的奖励力度，反复刺激，理性比较型客户，可以在产品设计上，推出较其他银行更具性价比的产品，而反复犹豫型的客户，应该避免其反复交易，可以采用分期发放活动奖励的方案，保证其留存。