基于交易数据确定银行网点广告投放效果的方法及系统与流程

1.本发明涉及金融数据处理技术领域，尤指一种基于交易数据确定银行网点广告投放效果的方法及系统。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.对于银行来说，通常会通过银行产品的广告，通过广告来展示产品信息，以提高客户对银行产品的了解。但是，银行网点的现有广告投放形式单一，主要是一直在重复循环的播放单一广告，效率低下，并且也没有对广告投放的效果进行有效的评估。
4.综上来看，亟需一种可以克服上述缺陷，能够对广告投放效果进行评估，为银行广告投放提供有力数据支持的技术方案。


技术实现要素：

5.为解决现有技术存在的问题，本发明提出了一种基于交易数据确定银行网点广告投放效果的方法及系统。
6.在本发明实施例的第一方面，提出了一种基于交易数据确定银行网点广告投放效果的方法，包括：
7.获取银行网点的历史交易数据，确定交易类型集合中各个交易类型的多维度数据；
8.根据所述多维度数据，对交易类型进行聚类分析，将交易类型集合划分为多个交易类型子集合；
9.根据银行网点集合中各个银行网点的历史交易数据，确定各个银行网点对应的交易类型向量、风险类型向量；其中，交易类型向量的分量和交易类型子集合一一对应；
10.根据已投放广告的银行网点及未投放广告的银行网点对应的交易类型向量、风险类型向量，从未投放广告的银行网点中筛选出已投放广告的银行网点对应的相似银行网点；
11.对于已投放广告的银行网点，获取该银行网点在广告投放前和广告投放后的交易数据；
12.对于已投放广告的银行网点对应的相似银行网点，获取该相似银行网点在投放广告的时间点之前和之后的交易数据；
13.根据已投放广告的银行网点在广告投放前和广告投放后的交易数据，以及该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前和之后的交易数据，确定广告投放效果。
14.在本发明实施例的第二方面，提出了一种基于交易数据确定银行网点广告投放效果的系统，包括：
15.历史交易数据获取模块，用于获取银行网点的历史交易数据，确定交易类型集合中各个交易类型的多维度数据；
16.聚类分析模块，用于根据所述多维度数据，对交易类型进行聚类分析，将交易类型集合划分为多个交易类型子集合；
17.数据处理模块，用于根据银行网点集合中各个银行网点的历史交易数据，确定各个银行网点对应的交易类型向量、风险类型向量；其中，交易类型向量的分量和交易类型子集合一一对应；
18.相似银行网点筛选模块，用于根据已投放广告的银行网点及未投放广告的银行网点对应的交易类型向量、风险类型向量，从未投放广告的银行网点中筛选出已投放广告的银行网点对应的相似银行网点；
19.已投放广告的银行网点的交易数据获取模块，用于对于已投放广告的银行网点，获取该银行网点在广告投放前和广告投放后的交易数据；
20.相似银行网点的交易数据获取模块，用于对于已投放广告的银行网点对应的相似银行网点，获取该相似银行网点在投放广告的时间点之前和之后的交易数据；
21.广告投放效果确定模块，用于根据已投放广告的银行网点在广告投放前和广告投放后的交易数据，以及该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前和之后的交易数据，确定广告投放效果。
22.在本发明实施例的第三方面，提出了一种计算机设备，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计算机程序时实现基于交易数据确定银行网点广告投放效果的方法。
23.在本发明实施例的第四方面，提出了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计算机程序，所述计算机程序被处理器执行时实现基于交易数据确定银行网点广告投放效果的方法。
24.在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现基于交易数据确定银行网点广告投放效果的方法。
25.本发明提出的基于交易数据确定银行网点广告投放效果的方法及系统可以通过分析交易数据，有效确定银行网点的广告投放效果，进而提高银行网点的广告投放效率，为广告投放提供有力的数据支持，使银行可以通过广告投放效果来调节广告投放内容，增加客户与银行的互动积极性，提高银行业务量，并改善客户体验。
附图说明
26.为了更清楚地说明本技术实施例技术方案，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，下面描述中的附图是本技术的一些实施例，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它的附图。
27.图1是本发明一实施例的基于交易数据确定银行网点广告投放效果的方法流程示意图。
28.图2是本发明一具体实施例的处理交易数据的详细流程示意图。
29.图3是本发明一具体实施例的筛选相似银行网点的详细流程示意图。
30.图4是本发明一具体实施例的确定广告投放效果的详细流程示意图。
31.图5是本发明另一具体实施例的确定广告投放效果的详细流程示意图。
32.图6是本发明一实施例的基于交易数据确定银行网点广告投放效果的系统架构示意图。
33.图7是本发明一实施例的计算机设备结构示意图。
具体实施方式
34.下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
35.本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
36.根据本发明的实施方式，提出了一种基于交易数据确定银行网点广告投放效果的方法及系统，涉及金融数据处理技术领域。
37.银行网点的广告投放主要针对银行网点(特定地址)周围的客户群体，这种线下服务的客户群体具有一定的独特性质。在银行网点，单个客户对银行产品信息展示的具体行为是不可预测的，也就是单个客户在看到网点投放的广告后，什么时候有反馈动作，以及反馈动作的类型是不可预测的，也就是在银行网点客户行为往往具有滞后性。但是银行网点服务的客户群体基本上都是地理位置附近的客户，并且同一网点服务的客户群体的经济情况大概率情况下是相似的，相似的经济情况决定了相似的需求，对应的有行为的相似性，也就是往往会有对应的整体行为一致性，尤其对于某些经济特征比较明显的银行网点(客户行为整体一致意味着客户的需求是一致的，和客户的需求以及行为相对随机杂乱相比较，广告投放前后的客户数据变化的特征更加明显，这样广告投放的效果更容易看出)。这样会在客户群体的行为数据，尤其行为时间和交易类型上呈现出某种特点，比如信息投放后的二个星期到一个月，对应的查询交易明显较之前活跃，那么对应的就是在某一特定时间点某一数据统计量较之前有明显的增长。
38.在正常的网点运营中，银行网点本身有一定的交易数量，也就是投放广告之前也会有正常的交易数量变化，可能是自然增长或自然减少，也可能是基本不变，比如有的产品比较受客户的喜欢，即便没有广告的投放，在一段时间范围内该产品的交易量也是自然增长的。在银行领域，“交易”是指包括产品和服务提供给客户的各种业务。比如，银行app或者网点终端提供给客户的各种交易选项卡对应的业务，可以包括：登录、余额查询、取款、开户、修改个人信息、存款、保险、缴费、转账、汇款及理财、预约取号、养老金查询和缴纳电费等。客户做的每一个交易在银行数据库都对应一条数据，记录交易的类型，时间，交易渠道，客户号，金额等。对应的，交易量就是上述对应交易的数量。
39.下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
40.图1是本发明一实施例的基于交易数据确定银行网点广告投放效果的方法流程示意图。如图1所示，该方法包括：
41.s101，获取银行网点的历史交易数据，确定交易类型集合中各个交易类型的多维度数据；
42.s102，根据所述多维度数据，对交易类型进行聚类分析，将交易类型集合划分为多个交易类型子集合；
43.s103，根据银行网点集合中各个银行网点的历史交易数据，确定各个银行网点对应的交易类型向量、风险类型向量；其中，交易类型向量的分量和交易类型子集合一一对应；
44.s104，根据已投放广告的银行网点及未投放广告的银行网点对应的交易类型向量、风险类型向量，从未投放广告的银行网点中筛选出已投放广告的银行网点对应的相似银行网点；
45.s105，对于已投放广告的银行网点，获取该银行网点在广告投放前和广告投放后的交易数据；
46.s106，对于已投放广告的银行网点对应的相似银行网点，获取该相似银行网点在投放广告的时间点之前和之后的交易数据；
47.s107，根据已投放广告的银行网点在广告投放前和广告投放后的交易数据，以及该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前和之后的交易数据，确定广告投放效果。
48.为了对上述基于交易数据确定银行网点广告投放效果的方法进行更为清楚的解释，下面结合每一步骤来进行详细说明。
49.在s101中，获取银行网点的历史交易数据，确定交易类型集合中各个交易类型的多维度数据。
50.其中，交易类型可以包括：取款，取款，转账等交易类型。
51.在一个实施例中，对银行客户进行分类，获得多个客户类别，每一个客户类别就是一个维度。
52.可以基于多维度构建多维度空间。对于每个交易类型，基于该交易类型的多维度数据，可以确定该交易类型对应于该多维度空间的一个点；同样的，对于每个交易类型子集合，基于该交易类型子集合的每个交易类型的多维度数据，可以确定该交易类型子集合对应于该多维度空间的多个点，其中该多个点中的每一个点与该交易类型子集合的各个交易类型一一对应。
53.对于每个交易类型，可以确定该交易类型的最大风险类型，具体为：根据该交易类型的历史交易数据(包括风险数据)，确定该交易类型关于各个风险类型的风险系数，计算该交易类型关于各个风险类型的风险系数与各个风险类型对应的第一阈值的差值，将差值最大的风险类型作为该交易类型的最大风险类型。
54.在s102中，根据所述多维度数据，对交易类型进行聚类分析，将交易类型集合划分为多个交易类型子集合的具体流程为：
55.s1021，确定每个维度对应的距离函数。进而基于每一个维度对应的距离函数，确定交易类型集合对应的距离函数。
56.对于每一个维度，该维度对应的距离函数的自变量是任何两个交易类型，对应的函数值是该两个交易类型在该维度的两个值的距离。
57.具体的，当每一个维度对应于各个客户类别时，对于每一个维度，该维度对应的距离函数的自变量是任何两个交易类型，对应的函数值是该两个交易类型分别对应的两个客户集合中，归属于该维度对应的客户类别的两个客户数量的差的绝对值。
58.在获得了每一个维度对应的距离函数后，就可以确定交易类型集合对应的距离函数。确定了交易类型集合对应的距离函数，实际上就确定了任何两个交易类型的距离。
59.具体的，当每一个维度对应于各个客户类别时，可以将交易类型集合对应的距离函数设置为该多维度的所有维度对应的距离函数的平方和的平方根。
60.s1022，在交易类型集合中选取多个交易类型作为子集合中心，每个子集合中心对应于一个交易类型子集合，该交易类型子集合的初始元素只包含对应的子集合中心对应的交易类型；
61.s1023，对于每一个交易类型，执行如下步骤：
62.从所有的子集合中心中选取出对应的最大风险类型和该交易类型的最大风险类型一致的多个子集合中心，将该选取出的多个子集合中心确定为类别一致子集合中心，将未被选取出的多个子集合中心确定为类别不一致子集合中心；
63.对于每个类别一致子集合中心，基于交易类型集合对应的距离函数计算该类别一致子集合中心和该交易类型的距离；然后将与该交易类型的距离最小的类别一致子集合中心作为该交易类型对应的第一子集合中心，将该第一子集合中心和该交易类型的距离确定为该交易类型的第一距离；
64.对于每个类别一致子集合中心，基于交易类型集合对应的距离函数，计算该类别一致子集合中心对应的交易类型子集合和该交易类型的边界距离；然后从多个边界距离中选取出最小值作为该交易类型对应的第二距离，将该最小值对应的类别一致子集合中心作为该交易类型对应的第二子集合中心；
65.对于每个类别不一致子集合中心，基于交易类型集合对应的距离函数计算该类别不一致子集合中心和该交易类型的距离；然后从多个距离中选取出最小值作为该交易类型对应的第三距离；
66.对于每个类别不一致子集合中心，基于交易类型集合对应的距离函数，计算该类别不一致子集合中心对应的交易类型子集合和该交易类型的边界距离；然后从多个边界距离中选取出最小值作为该交易类型对应的第四距离；
67.如果对应的第一距离和对应的第三距离的差的绝对值大于等于对应的第二距离和对应的第四距离的差的绝对值，且对应的第二距离小于对应的第四距离，则将该交易类型划分到该交易类型对应的第二子集合中心对应的交易类型子集合中；
68.如果对应的第一距离和对应的第三距离的差的绝对值小于对应的第二距离和对应的第四距离的差的绝对值，且对应的第一距离小于对应的第三距离，则将该交易类型划分到该交易类型对应的第一子集合中心对应的交易类型子集合中；
69.否则，基于该交易类型新建一个子集合中心，该新建的子集合中心对应于一个新的交易类型子集合，该新的交易类型子集合的初始元素只包含该交易类型；
70.s1024，对于每一个交易类型子集合，确定该交易类型子集合对应的均值中心的多维度数据和最大风险类型，以及该交易类型子集合对应的变化值；其中，该交易类型子集合对应的变化值依据该交易类型子集合对应的子集合中心和该交易类型子集合对应的均值
中心确定；
71.具体可以按照如下步骤进行：对于多维度的每一个维度，如果该维度的数据是连续值，可以将该交易类型子集合的所有交易类型在该维度的数据值的均值，作为该交易类型子集合对应的子集合中心在该维度的值；如果该维度的数据是离散值，可以将该交易类型子集合的所有交易类型在该维度的数据值中数量最多的数据值，作为该交易类型子集合对应的子集合中心在该维度的值。对于最大风险类型，可以将该交易类型子集合的所有交易类型的多个最大风险类型中数量最多的最大风险类型，作为该交易类型子集合对应的子集合中心的最大风险类型。将该交易类型子集合对应的子集合中心和对应的均值中心对应于各个维度的值的差的加权平方和的平方根，作为该交易类型子集合对应的变化值。
72.s1025，如果存在交易类型子集合对应的变化值大于变化阈值，基于上述步骤(s1024)获得的均值中心新设定多个子集合中心，每个新设定的子集合中心对应一个新的交易类型子集合，该新的交易类型子集合的初始元素只包含对应的新设定的子集合中心；之后基于新设定的子集合中心和新的交易类型子集合继续对每一个交易类型执行s1023步骤以及对每一个交易类型子集合执行s1024步骤，直至所有的交易类型子集合对应的变化值都小于等于变化阈值；
73.s1026，如果所有的交易类型子集合对应的变化值都小于等于变化阈值，则停止对交易类型进行聚类分析，从而得到多个交易类型子集合。
74.在一个实施例中，基于交易类型集合对应的距离函数，计算交易类型集合和交易类型的边界距离可以是，首先基于该交易类型子集合对应于该多维度空间的多个点，构建该交易类型子集合对应于该多维度空间的几何体；之后将该交易类型对应于该多维度空间的点和该几何体的距离，作为该交易类型子集合和该交易类型的边界距离。
75.在一个实施例中，基于交易类型集合对应的距离函数，计算交易类型集合和交易类型的边界距离可以是，基于交易类型集合对应的距离函数，确定该交易类型和该交易类型集合的各个交易类型的距离，从确定的多个距离中选取出最小值，将该最小值确定为该交易类型集合和该交易类型的边界距离。
76.在一个实施例中，在(s1021)确定了交易类型集合对应的距离函数后，就可以直接选择现有的距离算法(如k均值)代替步骤s1022至s1026，来对交易类型进行聚类分析，将交易类型集合划分为多个交易类型子集合。
77.银行业务和风险是直接关联的。风险不一样，意味着交易类型面向的客户群体和主要流程是不一样的。通过保证同一个交易类型子集合所有的交易类型的最大风险类型是一样的，可以提高聚类的准确性。
78.在s103中，参考图2所示，根据银行网点集合中各个银行网点的历史交易数据，确定各个银行网点对应的交易类型向量、风险类型向量的具体流程包括：
79.s1031，对于银行网点集合中每个银行网点，根据该银行网点的历史交易数据，确定该历史交易数据中交易类型归属于各个交易类型子集合的历史交易数据，设置银行网点的交易类型向量，其中，交易类型向量的长度等于交易类型子集合的个数，交易类型向量的分量和交易类型子集合一一对应，分量的值等于该银行网点的历史交易数据中交易类型归属于该分量对应的交易类型子集合的交易量；
80.s1032，对于银行网点集合中每个银行网点，根据该银行网点的历史交易数据，确
定该银行网点对应于各个风险类型的风险系数；
81.s1033，将对应的风险系数大于设定阈值的风险类型作为该银行网点的待控制的风险类型，设置风险类型向量，其中，风险类型向量的长度等于银行的风险类型的个数，风险类型向量的各个分量分别对应一个风险类型，如果对应的风险类型是该银行网点的待控制的风险类型，将对应的分量设置为该风险类型对应的风险系数，如果不是，将对应的分量设置为0。
82.根据各个银行网点的历史交易数据中的风险数据，确定银行网点对应于各个风险类型的风险系数。
83.具体的，根据大数定理，数据越多，确定的风险系数越准确，也就是当数据足够多时，才能获得相对准确的风险系数。对此，确定银行网点对应的交易类型距离函数，该交易类型距离函数的两个自变量是两个银行网点，对应的函数值是该两个银行网点对应的两个交易类型向量的距离；对于每个风险类型，确定每个银行网点的各个客户的交易数据中涉及该风险类型的交易数据的交易量与该交易数据的交易量的比值，基于确定的多个比值(就是概率分布的多个样本)确定该银行网点关于该风险类型的方差(就是概率分布的方差)；对于每个银行网点，将该银行网点关于各个风险类型的方差的最大值设置为σ，基于σ设置该银行网点对应的客户数量阈值ε是可以接受的风险系数误差阈值，p是风险系数的误差值大于ε的概率；对于每个银行网点，判断该银行网点的客户数量是否大于该银行网点对应的客户数量阈值，如果大于，则将该银行网点的所有客户组成该银行网点对应的广义客户集合，如果小于，则基于银行网点对应的交易类型距离函数，确定其他银行网点与该银行网点的交易类型距离，设定合适的设定值，使得与该银行网点的交易类型距离小于设定值的多个银行网点和该银行网点的所有客户的客户数量大于该银行网点对应的客户数量阈值，这时将该多个银行网点和该银行网点的所有客户组成该银行网点对应的广义客户集合；对于每个风险类型，该银行网点对应于该风险类型的风险系数设置为该银行网点对应的广义客户集合的所有客户对应于该风险类型的风险系数的均值，其中，对于每个客户，该客户对应于该风险类型的风险系数等于该客户的涉及该风险类型的历史交易数据的交易量与该客户的历史交易数据的交易量的比值。
84.在s104中，参考图3所示，根据已投放广告的银行网点及未投放广告的银行网点对应的交易类型向量、风险类型向量，从未投放广告的银行网点中筛选出已投放广告的银行网点对应的相似银行网点的具体流程包括：
85.s1041，根据已投放广告的银行网点及未投放广告的各个银行网点的风险类型向量，计算所述未投放广告的各个银行网点的风险类型向量与已投放广告的银行网点的风险类型向量的距离，选取多个距离最小的未投放广告的银行网点，作为该银行网点的备选银行网点；
86.具体的，在计算得到未投放广告的各个银行网点的风险类型向量与已投放广告的银行网点的风险类型向量的距离后，可以选取一定数量的距离最小的未投放广告的银行网点。例如，将距离由小到大排序后，选取排序的前5个未投放广告的银行网点。
87.在选取过程中，还可以设置一距离阈值，剔除距离大于距离阈值的未投放广告的银行网点，进一步再选取。如果剔除后的数量不满足要选取的数量，则仅选取剩余的未投放
广告的银行网点。例如，选取的目标数量为5个，仅有4个未投放广告的银行网点对应的距离小于等于阈值，则只选取该4个。
88.s1042，根据已投放广告的银行网点及该银行网点的备选银行网点的交易类型向量，计算各个备选银行网点的交易类型向量与该银行网点的交易类型向量的距离，选取距离最小的备选银行网点作为该银行网点的相似银行网点。
89.在另一实施例中，s104可以先基于风险类型向量对银行网点进行聚类分析获得多个银行网点子集合(包括以主要风险类型为类别标识，做监督聚类分析)；
90.根据银行网点子集合，确定投放广告的银行网点归属的银行网点子集合，并依据交易类型向量从该银行子集合中选取出相似银行网点。
91.在s105中，对于已投放广告的银行网点，获取该银行网点在广告投放前和广告投放后的交易数据，其中，所述交易数据是一个离散函数，自变量是时间，应变量是与银行产品正相关的交易数据的数据量；
92.在s106中，对于已投放广告的银行网点对应的相似银行网点，获取该相似银行网点在投放广告的时间点之前和之后的交易数据，其中，所述交易数据是一个离散函数，自变量是时间，应变量是与银行产品正相关的交易数据的数据量。
93.其中，与银行产品正相关的交易数据是指与银行产品正相关的交易类别的交易数据。与银行产品正相关的交易类别的确定过程如下：确定对应的交易数据可能包含该银行产品的多个交易类别；对于该多个交易类别的每个交易类别，确定该交易类别的涉及该银行产品所属产品类别中各个银行产品的所有交易数据中各个风险类型的风险系数，如果各个风险类型的风险系数都小于阈值，则认定该交易类别是与该银行产品正相关的交易类别。
94.在s107中，确定广告投放效果的方式可以包含多种方式。
95.对此，如图4所示，根据已投放广告的银行网点在广告投放前和广告投放后的交易数据，以及该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前和之后的交易数据，确定广告投放效果的具体流程包括：
96.s10711，建立各个模型类别的预测模型；
97.其中，所述预测模型的模型类别至少包括：神经网络、多项式模型；
98.s10712，利用该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前的交易数据训练预测模型，利用该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之后的交易数据测试多类预测模型，从多类预测模型中选取出测试精度最高的模型类别，作为交易数据对应的模型类别；
99.s10713，利用选取出的模型类别对应的预测模型，训练该已投放广告的银行网点在广告投放前的交易数据，得到训练后的预测模型，利用所述训练后的预测模型进行预测，得到该已投放广告的银行网点在广告投放后的预测交易数据；
100.s10714，将该预测交易数据与该已投放广告的银行网点在广告投放后的交易数据进行比较，根据比较结果确定广告投放效果。
101.在一个实施例中，当对于每一个时间点，该已投放广告的银行网点在广告投放后的交易数据在该时间点的交易数据量都大于该预测交易数据在该时间点的交易数据量，则认为该广告投放有效果。
102.在一个实施例中，对于每一个时间点，确定该已投放广告的银行网点在广告投放后的交易数据在该时间点的交易数据量是否大于该预测交易数据在该时间点的交易数据量。当确定满足上述条件的时间点占广告投放后的时间的比例大于阈值(比如0.9)，且该已投放广告的银行网点在广告投放后的交易数据的总数据量与大于该预测交易数据的总数据量的比值大于另一阈值(比如3)，则认为该广告投放有效果。
103.另外一种确定广告投放效果的方式可以参考图5所示，根据已投放广告的银行网点在广告投放前和广告投放后的交易数据，以及该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前和之后的交易数据，确定广告投放效果的具体流程包括：
104.s10721，根据该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前的交易数据，确定该交易数据的多个极值点，计算符合设定条件的极小值点和极大值点的差值，得到第一差分集合。
105.其中，确定的多个极值点可以包括极小值点、极大值点；
106.在计算符合设定条件的极小值点和极大值点的差值时，可以是计算每一个顺序的极小值点和极大值点的差值，例如，该极小值点和该极大值点是紧邻的两个极值点，且该极小值点对应的时间位于该极大值点对应的时间之后；根据计算得到的差值，可以得到一个差分集合。
107.s10722，通过以上处理方法(s10721)，依据该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之后的交易数据，得到第二差分集合；依据该已投放广告的银行网点在广告投放前的交易数据，得到第三差分集合，依据该已投放广告的银行网点在广告投放后的交易数据，得到第四差分集合；
108.s10723，根据第一、第二、第三、第四差分集合，确定该银行网点的广告投放效果。
109.在一实施例中，s10723的详细过程为：
110.第一差分集合(集合a)的元素均值为a，第二差分集合(集合b)的元素均值为b，第三差分集合(集合c)的元素均值为c，第四差分集合(集合d)的元素均值为d，如果d/c》b/a，则认为该广告投放有效果。
111.在另一实施例中，利用各阶多项式训练集合a的数据，用集合b的数据做测试，然后选取出测试精度最高的多项式，将该多项式的阶数作为最准预测阶数。用阶数为最准预测阶数的多项式训练集合c的数据，然后获得预测模型，用该预测模型预测广告投放后的时间所对应的差分集合，用该预测的差分集合和集合d确定该银行网点的广告投放效果。
112.在一实施例中，当确定广告投放有效果时，可以依据该广告投放中已投放的多个广告，预测未投放广告的广告效果。具体的，依据广告(包括已投放的广告和未投放的广告)对应的产品在银行的历史交易数据，确定该广告对应的风险类型向量(具体方法和确定银行网点的风险类型向量的方法类似)；依据广告对应的风险类型向量，确定广告对应的偏序，其中，对于任何两个广告，确定该两个广告中第一广告的风险类型向量与第二广告的风险类型向量的差，如果该差的每个分量小于等于0，则确定该第一广告优于该第二广告；对于任何一个未投放广告，如果存在已确定有效果的广告，使得该未投放广告优于该广告，则将该未投放广告确定为潜在有效果广告；对于每个潜在有效果广告，当该潜在有效果广告与银行网点的距离小于广告投放中已投放的多个广告与银行网点的多个距离的最小值时，预测该未投放广告有效果，其中，广告与银行网点的距离等于该广告和该银行网点对应于
各个客户类别的客户数量差(就是该广告的客户集合中归属于该客户类别的客户数量和该银行网点的客户集合中归属于该客户类别的客户数量的差)的加权平方和的平方根。
113.需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
114.为了对上述基于交易数据确定银行网点广告投放效果的方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。
115.对于银行来说，信息展示的评价并不唯一，只要能起到获客活客粘客的作用，也即是信息展示使得客户集合和银行有了更加积极的互动，就可以认为该信息展示起了积极的效果。客户在银行办理的每一次交易，都可以认为是客户和银行有一次互动，并且该交易的信息会存储在银行数据库中，这样给银行做数据分析提供了基础。比如相比展示前，信息展示后客户集合更积极的使用银行提供的服务，比如购买了投放广告同一业务的另外某产品，或者登录了银行app并且查询了产品信息，或者做了一次开户操作。这样我们可以选择交易量变化率来评估客户和银行互动的效果。
116.在银行网点，因为客户对于信息展示(广告投放)的反馈行为是不确定的，所以对应评估信息展示效果的有效数据不好确定。银行需要处理的是大量的交易信息，有好多的客户的行为数据并不是因为信息展示产生的交易行为(比如没有看到该展示信息的客户做的交易行为)。在正常的银行服务客户的情况下，业务交易量本身就处于正常变化情况中，比如自然增长；所以，可以选择交易量变化率来衡量银行产品广告的投放效果。
117.以某一银行的实际应用场景为例，采用本发明的基于交易数据确定银行网点广告投放效果的方法，对该银行的银行网点的广告投放效果进行评估。
118.s1，对于银行网点的交易类型集合的每个交易类型(比如取款，取款，转账等)，确定其在各个维度的值，进而进行聚类分析，将交易类型集合划分为多个交易类型子集合。
119.s2，对于银行网点集合中的每个银行网点，确定其对应的交易类型向量，风险类型向量。
120.其中，s21，对于银行网点集合中的每个银行网点，依据其对应的历史交易数据，确定所有历史交易数据中的交易归属于各个交易类型子集合的历史交易数据。设置该银行网点的交易类型向量，该交易类型向量的长度等于该交易类型子集合的元素个数，该交易类型向量的分量和交易类型子集合一一对应，分量的值等于该银行网点的历史交易数据中交易类型归属于对应的交易类型子集合的交易量。这样就获得了该银行网点的交易类型向量。
121.s22，依据每个银行网点的历史交易数据(包括风险数据)，确定该银行网点的风险类型和每个风险类型对应的风险系数。将对应的风险系数大于对应的阈值的风险类型作为待控制的风险类型。风险类型向量的长度等于银行的风险类型的个数，该向量的每个分量分别对应一个风险类型，如果对应的风险类型是该银行网点的待控制的风险类型，将对应的分量设置为该风险类型对应的风险系数，如果不是，将对应的分量设置为0。
122.s3，对于投放广告的银行网点，依据其对应的交易类型向量，风险类型向量，从没
有投放银行产品广告的银行网点中，筛选出该银行网点对应的相似银行网点。
123.s31，对于没有投放银行产品广告的每一个银行网点，计算该银行网点的风险类型向量和该投放广告的银行网点的风险类型向量的距离。选取出多个对应距离最小的没有投放银行产品广告的银行网点，作为备选银行网点
124.s32，对上述每个备选银行网点，计算该银行网点的交易类型向量和该投放广告的银行网点的交易类型向量的距离。选取出对应距离最小的备选银行网点作为该投放广告的银行网点的相似银行网点。
125.s4，对于投放广告的银行网点，获取广告投放前和广告投放后，该银行网点的交易数据，该交易数据是一个离散函数，自变量是时间(单位：天)，应变量是和交易有关的某个指标，比如交易量(购买理财交易1万笔)，客户数等。需要说明的是，这里提到的交易数据是和银行产品有正相关关系的交易的交易数据)
126.s5，对于投放广告的银行网点的每个相似银行网点，获取广告投放前和广告投放后的交易数据；这里的交易数据与s4的交易数据含义相同，也是和银行产品有正相关关系的交易的交易数据。
127.s6，基于获取广告投放前和广告投放后，该投放广告的银行网点和其相似银行网点的交易数据，确定该银行网点的广告投放效果。
128.具体的，可以基于交易数据建立、训练预测模型，通过预测模型得到预测交易数据，将预测交易数据与广告投放后的已投放广告的银行网点的交易数据进行比较，从而确定投放效果。
129.另外，还可以仅通过交易量来确定广告投放效果。
130.在介绍了本发明示例性实施方式的方法之后，接下来，参考图6对本发明示例性实施方式的基于交易数据确定银行网点广告投放效果的系统进行介绍。
131.基于交易数据确定银行网点广告投放效果的系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
132.基于同一发明构思，本发明还提出了一种基于交易数据确定银行网点广告投放效果的系统，如图6所示，该系统包括：
133.历史交易数据获取模块610，用于获取银行网点的历史交易数据，确定交易类型集合中各个交易类型的多维度数据；
134.聚类分析模块620，用于根据所述多维度数据，对交易类型进行聚类分析，将交易类型集合划分为多个交易类型子集合；
135.数据处理模块630，用于根据银行网点集合中各个银行网点的历史交易数据，确定各个银行网点对应的交易类型向量、风险类型向量；其中，交易类型向量的分量和交易类型子集合一一对应；
136.相似银行网点筛选模块640，用于根据已投放广告的银行网点及未投放广告的银行网点对应的交易类型向量、风险类型向量，从未投放广告的银行网点中筛选出已投放广告的银行网点对应的相似银行网点；
137.已投放广告的银行网点的交易数据获取模块650，用于对于已投放广告的银行网
点，获取该银行网点在广告投放前和广告投放后的交易数据；
138.相似银行网点的交易数据获取模块660，用于对于已投放广告的银行网点对应的相似银行网点，获取该相似银行网点在投放广告的时间点之前和之后的交易数据；
139.广告投放效果确定模块670，用于根据已投放广告的银行网点在广告投放前和广告投放后的交易数据，以及该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之前和之后的交易数据，确定广告投放效果。
140.在一实施例中，数据处理模块630具体用于：
141.对于银行网点集合中每个银行网点，根据该银行网点的历史交易数据，确定该历史交易数据中交易类型归属于各个交易类型子集合的历史交易数据，设置银行网点的交易类型向量，其中，交易类型向量的长度等于交易类型子集合的个数，交易类型向量的分量和交易类型子集合一一对应，分量的值等于该银行网点的历史交易数据中交易类型归属于该分量对应的交易类型子集合的交易量；
142.对于银行网点集合中每个银行网点，根据该银行网点的历史交易数据，确定该银行网点对应于各个风险类型的风险系数；
143.将对应的风险系数大于设定阈值的风险类型作为待控制的风险类型，设置风险类型向量，其中，风险类型向量的长度等于银行网点的风险类型的个数，风险类型向量的各个分量分别对应一个风险类型，如果对应的风险类型是该银行网点的待控制的风险类型，将对应的分量设置为该风险类型对应的风险系数，如果不是，将对应的分量设置为0。
144.在一实施例中，相似银行网点筛选模块640具体用于：
145.根据已投放广告的银行网点及未投放广告的各个银行网点的风险类型向量，计算所述未投放广告的各个银行网点的风险类型向量与已投放广告的银行网点的风险类型向量的距离，选取多个距离最小的未投放广告的银行网点，作为该银行网点的备选银行网点；
146.根据已投放广告的银行网点及该银行网点的备选银行网点的交易类型向量，计算各个备选银行网点的交易类型向量与该银行网点的交易类型向量的距离，选取距离最小的备选银行网点作为该银行网点的相似银行网点。
147.在一实施例中，对于已投放广告的银行网点，获取该银行网点在广告投放前和广告投放后的交易数据，其中，所述交易数据是一个离散函数，自变量是时间，应变量是与银行产品正相关的交易数据的数据量；
148.对于已投放广告的银行网点对应的相似银行网点，获取该相似银行网点在投放广告的时间点之前和之后的交易数据，其中，所述交易数据是一个离散函数，自变量是时间，应变量是与银行产品正相关的交易数据的数据量。
149.在一实施例中，广告投放效果确定模块670具体用于：
150.建立各个模型类别的预测模型；其中，所述预测模型的模型类别至少包括：概率模型、树模型、神经网络、多项式拟合模型；
151.利用投放广告的时间点之前的相似银行网点的交易数据训练预测模型，利用投放广告的时间点之后的相似银行网点的交易数据测试多类预测模型，从多类预测模型中选取出测试精度最高的模型类别，作为交易数据对应的模型类别；
152.利用选取出的模型类别对应的预测模型，训练广告投放前的已投放广告的银行网点的交易数据，得到训练后的预测模型，利用所述训练后的预测模型进行预测，得到广告投
放后的已投放广告的银行网点的预测交易数据；
153.将预测交易数据与广告投放后的已投放广告的银行网点的交易数据进行比较，根据比较结果确定广告投放效果。
154.在一实施例中，广告投放效果确定模块670具体用于：
155.根据投放广告的时间点之前的相似银行网点的交易数据，确定该交易数据的多个极值点，计算符合设定条件的极小值点和极大值点的差值，得到第一差分集合；
156.通过以上处理方法，依据该已投放广告的银行网点对应的相似银行网点在投放广告的时间点之后的交易数据，得到第二差分集合；依据该已投放广告的银行网点在广告投放前的交易数据，得到第三差分集合，依据该已投放广告的银行网点在广告投放后的交易数据，得到第四差分集合；
157.根据第一、第二、第三、第四差分集合，确定该银行网点的广告投放效果。
158.应当注意，尽管在上文详细描述中提及了基于交易数据确定银行网点广告投放效果的系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
159.基于前述发明构思，如图7所示，本发明还提出了一种计算机设备700，包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序730，所述处理器720执行所述计算机程序730时实现前述基于交易数据确定银行网点广告投放效果的方法。
160.基于前述发明构思，本发明提出了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计算机程序，所述计算机程序被处理器执行时实现前述基于交易数据确定银行网点广告投放效果的方法。
161.基于前述发明构思，本发明提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现基于交易数据确定银行网点广告投放效果的方法。
162.本发明提出的基于交易数据确定银行网点广告投放效果的方法及系统可以通过分析交易数据，有效确定银行网点的广告投放效果，进而提高银行网点的广告投放效率，为广告投放提供有力的数据支持，使银行可以通过广告投放效果来调节广告投放内容，增加客户与银行的互动积极性，提高银行业务量，并改善客户体验。
163.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。
164.本发明是参照根据本发明实施例的方法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。
165.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。
166.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。
167.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。