一种金融客户行为数据采集分析系统的制作方法

本发明属于金融领域，涉及行为数据采集分析技术，具体是一种金融客户行为数据采集分析系统。

背景技术：

1、金融客户是企业最重要的资源，是企业持续发展的根本。随着互联网的不断发展，金融客户的主导权不断上升并改变着企业的运营模式。金融客户由被动地接受产品到主动地选择产品，到影响企业的产品生产与服务，到渗入企业的战略决策。企业关注的重点逐渐由关注企业内部效率、提高生产力转移到关注与金融客户的互动、金融客户需求的及时掌握与响应。因此如何评价金融客户行为，发现金融客户需求成为营销的关键所在。

2、目前传统的服务模式已不能满足金融客户需求，邮政金融客户营销与数据分析缺少连贯性，缺少对金融客户行为的全方位分析与体现；邮政的营销仍停留在对营销流程的管控上，没有很好地与数据分析进行结合，不能充分发挥金融客户价值；没有实现以产品为中心到以金融客户为中心的完全转变，当需要推广某一产品时，就对网点范围内的所有金融客户推荐产品，而不是考虑金融客户是否真的需要这种产品，营销成功率低，营销成本高。

3、为此，提出一种金融客户行为数据采集分析系统。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种金融客户行为数据采集分析系统，用于解决传统邮政服务模式已无法满足金融客户需求，缺少连贯性的金融客户营销和数据分析，未能以金融客户为中心，导致营销效率低、成本高的技术问题。

2、为实现上述目的，本发明的第一方面提供了一种金融客户行为数据采集分析系统，包括：数据采集模块、数据分析模块以及匹配模块；

3、所述数据采集模块用于采集金融客户的行为数据和各产品的信息数据；其中，所述行为数据包括金融客户的财务信息、历史交易数据、投资年限；所述历史交易数据包括金融客户历史投资产品的历史投资金额以及对应的历史回报金额；所述信息数据包括起投金额、回报率、发行机构的信誉度、产品类型、投资资产以及收益测算；

4、所述数据分析模块用于根据所述历史交易数据计算获取金融客户的产品偏好等级，根据所述产品类型、投资资产以及收益测算获取产品的风险评估系数；其中，所述产品偏好等级包括高风险、中风险以及低风险；以及

5、根据产品偏好等级、财务信息以及投资年限获取金融客户评估系数；根据风险评估系数、起投金额、回报率以及发行机构的信誉度获取产品种类；

6、所述匹配模块用于根据金融客户评估系数和产品种类为金融客户匹配对应的产品。

7、优选地，根据所述历史交易数据计算获取金融客户的产品偏好等级，包括以下步骤：

8、提取所述历史交易数据中的历史投资金额和对应的历史回报金额；

9、将所述历史投资金额标记为sti，将所述历史回报金额标记为shi；其中，i为金融客户历史投资产品的编号，i的取值为1,2,3……n，n为金融客户历史投资产品的总数目；通过公式计算回报率hbi，将回报率hbi进行筛选之后匹配金融客户的产品偏好等级；其中，hbi保留小数点后三位。

10、优选地，所述将回报率hbi进行筛选之后匹配金融客户的产品偏好等级，包括：

11、利用可视化检测的方式将回报率hbi中的异常值进行剔除，将正常值进行保留，得到筛选数据；计算所述筛选数据的平均值，将其标记为偏好率；判断所述偏好率所在的预设偏好区间之后获取对应的产品偏好等级。

12、优选地，根据所述产品类型、投资资产以及收益测算获取产品的风险评估系数，包括以下步骤：

13、提取对应产品中信息数据的所述产品类型，根据对应产品的产品类型匹配对应产品的风险等级；其中，所述风险等级包括pr1、pr2、pr3、pr4以及pr5；

14、根据风险等级设置权重系数αk，提取所述信息数据中的投资资产和收益测算，并分别标记为zc和cs；其中，k∈[1,5]，k为正整数，而α1＜α2＜α3＜α4＜α5；

15、通过公式xs＝αk×ln(zc×cs)计算风险评估系数xs，其中，xs保留小数点后三位。

16、优选地，根据产品偏好等级、财务信息以及投资年限获取金融客户评估系数，包括以下步骤：

17、从数据分析模块获取评估模型；其中，所述评估模型基于人工智能模型建立；

18、将产品偏好等级、财务信息以及投资年限整合生成原始数据，将原始数据输入至所述评估模型内，获取金融客户评估系数。

19、优选地，所述评估模型基于人工智能模型建立，包括以下步骤：

20、从数据分析模块获取标准训练数据；其中，标准训练数据包括若干组输入数据以及对应的金融客户评估系数，且输入数据和原始数据内容属性一致；

21、通过标准训练数据对人工智能模型进行训练，将训练完成的人工智能模型标记为评估模型；其中，所述人工智能模型包括深度卷积神经网络模型和rbf神经网络模型。

22、优选地，根据风险评估系数、起投金额、回报率以及发行机构的信誉度获取产品种类，包括以下步骤：

23、从数据分析模块获取种类检测模型；其中，所述种类检测模型基于人工智能模型建立；

24、将风险评估系数、起投金额、回报率以及发行机构的信誉度整合生成原始数据，将原始数据输入至所述种类检测模型内，获取种类标签；

25、对所述种类标签进行识别，获取对应的产品种类。

26、优选地，所述种类标签的取值为1或2或3或4；

27、当种类标签为1时，表示对应的产品类型为保守型产品；当种类标签为2时，表示对应的产品类型为稳健型产品；当种类标签为3时，表示对应的产品类型为积极型产品；当种类标签为4时，表示对应的产品类型为激进型产品。

28、优选地，所述种类检测模型基于人工智能模型建立，包括以下步骤：

29、从数据分析模块获取标准训练数据；其中，标准训练数据包括若干组输入数据以及对应的种类标签，且输入数据和原始数据内容属性一致；

30、通过标准训练数据对人工智能模型进行训练，将训练完成的人工智能模型标记为种类检测模型；其中，所述人工智能模型包括深度卷积神经网络模型和rbf神经网络模型。

31、优选地，所述匹配模块根据金融客户评估系数和产品种类为金融客户匹配对应的产品，包括以下步骤：

32、所述匹配模块为各产品种类设定预设评估系数区间；

33、判断金融客户评估系数所在的预设评估系数区间之后获取对应的产品种类，并将其推荐至金融用户的智能终端。

34、与现有技术相比，本发明的有益效果是：

35、本发明通过数据采集模块采集金融客户的行为数据和各产品的信息数据；其中，行为数据包括金融客户的财务信息、历史交易数据、投资年限；历史交易数据包括金融客户历史投资产品的历史投资金额以及对应的历史回报金额；信息数据包括起投金额、回报率、发行机构的信誉度、产品类型、投资资产以及收益测算；数据分析模块根据历史交易数据计算获取金融客户的产品偏好等级，根据产品类型、投资资产以及收益测算获取产品的风险评估系数；其中，产品偏好等级包括高风险、中风险以及低风险；以及根据产品偏好等级、财务信息以及投资年限获取金融客户评估系数；根据风险评估系数、起投金额、回报率以及发行机构的信誉度获取产品种类；对大量的数据进行处理和分析，从而得出有关金融客户和产品的有用信息；这种智能化的数据处理和分析有助于提高金融服务的效率和准确性；

36、匹配模块根据金融客户评估系数和产品种类为金融客户匹配对应的产品；结合金融客户的个人情况和产品特点，为其推荐最适合的投资产品，这种个性化的匹配方式有助于提高金融客户的投资满意度和投资回报。