钟。
[0059](3)若客户选择输入希望办理业务的时间，则默认的半径值为5km，预测模块根据5km内各网点的距离，通过不同交通方式预计到达时间，并根据预计到达时间、某种业务在该时间段的平均办理时间和该时间段办理某种业务的需求密度这三个输入项建立模型并得出一个分数，通过该分数评价不同网点办理该业务的推荐程度，得分越低推荐程度越高。该分数的计算公式为:分数=预计到达时间+某种业务在某时间段的平均办理时间X某时间段办理某种业务的需求密度，预计到达时间、某种业务在某时间段的平均办理时间的单位均为分钟。
[0060]另外，对于潜在VIP客户，预测模块在为其推荐合适的网点或者办理业务的时间的同时，还为其提供VIP优质服务从而努力将其转化成VIP客户。
[0061 ]客户为VIP客户时，预测模块为客户推荐最佳方案可分为三种情况:
[0062](I)若客户选择输入希望办理业务的网点，则预测模块会根据该网点在不同时间段预约办理业务的需求密度来进行对比，并为客户推荐最佳办理时间段。比如13:00的时候客户选择了在A网点办理咨询理财产品的业务，由A网点的数据可知[13:00，14:00)，[ 14:00，15:00)，[15:00，16:00)，[16:00，17:00]这4个时间段办理咨询理财产品的业务需求密度分别为I，O，I，2，也就是说，在[14:00，15:00)这个时间段办理咨询理财产品的需求密度最低，那么客户端会根据预测模块的结果向客户推荐在[14:00，15:00)这个时间段内办理业务，客户提出在该时间段的预约请求。
[0063](2)若客户选择输入希望办理业务的半径，则预测模块会根据半径距离，通过不同交通方式预计到达时间，并根据预计到达时间、某种业务在不同时间段的平均办理时间和不同时间段预约某种业务的需求密度这三个输入项建立模型并得出一个分数，通过该分数评价不同网点办理该业务的推荐程度，得分越低推荐程度越高。分数的计算公式为:分数=预计到达时间+某种业务在某时间段的平均办理时间X某时间段预约某种业务的需求密度，预计到达时间、某种业务在某时间段的平均办理时间的单位为分钟。
[0064]比如A网点距客户3km，开车预计到达时间为3分钟，该业务办理的平均时间为10分钟，当前时间段需求密度为7人;B网点距客户500m，步行8分钟，该网点现金业务办理的平均时间为12分钟，当前时间段需求密度为20人，A网点和B网点的得分分别为:
[0065]Score(A) =3+10*7 = 73
[0066]Score(B) =8+12*20 = 248。
[0067]若只考虑距离近，B网点较适合客户，但从需求密度来看，A网点可能会较快地为客户办理咨询理财产品的业务。预测得分综合考虑了各种因素，由结果可知A网点得分较低，推荐程度较高。也就是说，A网点相对B网点更适合该客户办理咨询理财产品的业务。若客户选择了该网点，则提出预约请求。具体预约时间推荐可由该网点在不同时间段预约办理的需求密度来进行对比。
[0068](3)若客户选择输入希望办理业务的时间，则默认的半径值为5km，预测模块根据5km内各网点的距离，通过不同交通方式预计到达时间，并通过预计到达时间、某种业务在该时间段的平均办理时间和该时间段预约某种业务的需求密度这三个输入项建立模型并得出一个分数，通过该分数评价不同网点办理该业务的推荐程度，得分越低推荐程度越高。分数的计算公式为:分数=预计到达时间+某种业务在某时间段的平均办理时间X某时间段预约某种业务的需求密度，预计到达时间、某种业务在某时间段的平均办理时间的单位为分钟。
[0069]实施例2
[0070]实施对象:普通客户。
[0071 ]假设条件:上午9: 45的时候客户张先生想办理个人住房贷款业务，张先生已授权开通客户端可以访问当前位置的功能。
[0072]张先生在客户端输入用户名、卡号、密码，且选择性输入了半径为3km。登陆成功后在需要办理业务类型中选择“个人住房贷款业务”。
[0073]客户端根据客户的输入信息和个人相关的征信信息进行客户画像:已知张先生该卡近三个月的余额均在20万以下，而且征信信息表明张先生在其他行也存在贷款行为，客户画像的结果为普通客户。
[0074]定位模块在授权后通过定位张先生当前的位置，搜索附近3km内的网点，结果有6个，这里分别为A= {Ai，A2，A3}，距离分别为100m，800m，1.5km.交通方式有两种:步行，打车。通过步行到达各网点的时间为1111；[11，81]1；[11，151]1；[11。
[0075]网点的历史数据按照8个时间段进行划分，分别为:[9:00，10:00)，[ 10:00，11:00)，...，[16:00，17:00]等，那么9:45输入[9:00,10:00)时间段。分别对这8个时间段的历史数据进行统计分析求得其概率密度曲线为fi，f2，...，f8.由M0DEL-1得出该时间段个人住房贷款业务的平均办理时间分别为:221^11，181^11，171^11，由^^1^-2得出该时间段办理个人住房贷款业务的需求密度分别为:10，7，9。
[0076]数据传输模块的输入信息包括各距离、预计到达时间，业务平均办理时间和业务办理需求密度。
[0077]预测模块根据数据计算这三个网点的得分分别为:
[0078]Score(Ai) = 1+10*22 = 221
[0079]Score (A2) = 8+7*18= 134
[0080]Score(Aa) = 15+9*17 = 168。
[0081]由结果可知如网点的得分最低，推荐程度最高，即为推荐结果。
[0082]实施例3
[0083]实施对象:VIP客户
[0084]假设条件:客户李女士想在仏网点办理咨询银行理财产品的业务，李女士已授权开通客户端可以访问当前位置的功能。
[0085]李女士在客户端输入用户名、卡号、密码，且选择性输入了B1网点。登陆成功后在需要办理业务类型中选择“咨询理财产品业务”。
[0086]客户端根据客户的输入信息和个人相关的征信信息进行客户画像:已知李女士该卡近三个月的余额均在500万以上，而且征信信息表明李女士是某家上市公司的股东，客户画像结果为VIP客户。
[0087]定位模块在授权后通过定位李女士当前的位置，搜索出扮网点，距离为800m。
[0088]网点的历史数据按照4个时间段进行划分，分别为:[9:00，11:00)，[ 11:00，13:00),[13:00,15:00),[15:00,17:00].分别对这4个时间段的历史数据进行统计分析求得其概率密度曲线为fnfh...，f8.由M0DEL-3得出该时间段预约办理咨询理财产品业务的需求密度分别为:5，2，3，4。结果可知[13:00，15:00)时间段内预约办理咨询理财产品业务的需求密度最低，推荐程度最高，即为推荐结果，李女士根据推荐结果完成预约。
[0089]本发明与现有技术相比，有以下优点和突出效果:
[0090]1、本发明是基于大数据预测的引导客户流量的推荐系统及方法，结合了客户在银行办理各业务的历史数据、客户的位置信息，通过计算平均办理时间和办理业务的需求密度等，更准确地预估客户需要等待的时间，并通过建模，更加准确、智能地给出各网点的推荐程度。
[0091]2、本发明基于用户画像将客户进行了合理的分类，不仅能够对VIP客户进行个性化推荐和精准营销，而且对于潜在的VIP客户，在正常办理一般业务的同时对其提供VIP优质服务并将其升级为VIP客户，这种获客方式的效率较高且成本较低。