一种客户流失的预测方法、系统、设备及存储介质与流程

本申请涉及金融领域，尤其涉及一种客户流失的预测方法、系统、设备及存储介质。

背景技术：

1、在银行系统中，通过客户经理的定期维护来避免老客户的流失，但是对于客户而言，不同商业银行的使用体验并无太大区别，且银行切换并不会消耗成本，那么客户流失成为银行利润损耗中一项值得关注的因素。

2、因此，如何对预测客户流失，实现对客户及时有效地维护，避免造成银行利润损耗，是本领域技术人员需要解决的。

技术实现思路

1、本申请实施例提供了一种客户流失的预测方法、系统、设备及存储介质，可以有效预测客户流失，实现对客户及时有效地维护。

2、本申请第一方面提供了一种客户流失的预测方法，包括：

3、收集客户历史交易数据；

4、基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息；

5、根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；

6、获取客户当前交易数据，并基于所述人工智能生成内容技术将所述客户当前交易数据转换为客户当前特征信息；

7、将所述客户当前特征信息输入所述客户流失预测模型进行预测，得到客户流失的预测结果。

8、可选地，所述收集客户历史交易数据后，所述方法，还包括：

9、根据预设的比例将所述客户历史交易数据分为训练数据集和测试数据集。

10、可选地，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：

11、基于所述人工智能生成内容技术识别所述客户历史交易数据，得到所述客户历史特征信息，所述客户历史特征信息包括客户历史投资主体、历史签约产品信息和关键词。

12、可选地，所述根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型包括：

13、计算所述客户历史特征信息中每个词语的重要性；

14、根据所述每个词语的重要性构建词汇向量矩阵；

15、将所述词汇向量矩阵作为训练集输入所述预设的大模型进行训练，得到客户流失预测模型。

16、可选地，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：

17、基于所述人工智能生成内容技术识别所述训练数据集，得到所述训练数据集对应的训练特征集；

18、基于所述人工智能生成内容技术识别所述测试数据集，得到所述测试数据集对应的测试特征集。

19、可选地，所述方法，还包括：

20、根据所述测试特征集对所述客户流失预测模型进行测试，得到测试结果；

21、基于所述测试特征集对应的实际结果和所述测试结果的误差对所述客户流失预测模型进行优化。

22、可选地，所述方法，还包括：

23、根据所述预测结果基于人工智能生成内容技术生成客户流失预测名单。

24、本申请第二方面提供了一种客户流失的预测系统，所述系统包括：存储层、模型层和应用层；

25、所述存储层，用于收集客户历史交易数据；

26、所述模型层，用于基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息；

27、所述模型层，还用于根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；

28、所述应用层，用于获取客户当前交易数据，并基于所述人工智能生成内容技术将所述客户当前交易数据转换为客户当前特征信息；

29、所述应用层，还用于将所述客户当前特征信息输入所述客户流失预测模型进行预测，得到客户流失的预测结果。

30、本申请第三方面提供了一种客户流失的预测设备，包括：

31、一个或多个处理器；

32、存储器，其上存储有一个或多个程序；

33、当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的客户流失的预测的方法。

34、本申请第四方面提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时，用于实现如上述任意一项所述的客户流失的预测的方法。

35、本申请实施例公开了一种客户流失的预测方法、系统、设备及存储介质。在该方法中，收集客户历史交易数据；基于人工智能生成内容技术将客户历史交易数据转换为客户历史特征信息；根据客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；获取客户当前交易数据，并基于人工智能生成内容技术将客户当前交易数据转换为客户当前特征信息；将客户当前特征信息输入客户流失预测模型进行预测，得到客户流失的预测结果。由此可见，利用本申请实施例提供的方案，通过人工智能生成内容技术，基于大模型和海量数据训练得到客户流失预测模型，使其具备了深度语义理解与内容生成能力，输出待测银行客户的流失预测结果，提高银行在预测潜在流失客户时的工作效率，并且便于银行维护客户，稳定银行收益。

技术特征：

1.一种客户流失的预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述收集客户历史交易数据后，所述方法，还包括：

3.根据权利要求1所述的方法，其特征在于，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型包括：

5.根据权利要求2所述的方法，其特征在于，所述基于人工智能生成内容技术将所述客户历史交易数据转换为客户历史特征信息，包括：

6.根据权利要求5所述的方法，其特征在于，所述方法，还包括：

7.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

8.一种客户流失的预测系统，其特征在于，所述系统包括：存储层、模型层和应用层；

9.一种客户流失的预测设备，其特征在于，所述设备包括：处理器和存储器；

10.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行以上权利要求1-7任意一项所述的方法。

技术总结
本申请实施例公开了一种客户流失的预测方法、系统、设备及存储介质，可应用于金融领域或其他领域。在该方法中，收集客户历史交易数据；基于人工智能生成内容技术将客户历史交易数据转换为客户历史特征信息；根据客户历史特征信息基于预设的大模型进行训练，得到客户流失预测模型；基于人工智能生成内容技术将客户当前交易数据转换为客户当前特征信息；将客户当前特征信息输入客户流失预测模型进行预测，得到客户流失的预测结果。由此可见，利用本申请实施例提供的方案，通过人工智能生成内容技术，基于大模型和海量数据训练得到客户流失预测模型，提高银行在预测潜在流失客户时的工作效率，并且便于银行维护客户，稳定银行收益。

技术研发人员：刘明明
受保护的技术使用者：中国银行股份有限公司
技术研发日：
技术公布日：2024/1/15