[发明专利]一种面向三农客户画像的精准营销构建方法

说明书

本发明公开了一种面向三农客户画像的精准营销构建方法，包括以下步骤：三农客户的数据准备及数据预处理；进行用户标签分类；步骤3：模型训练阶段；通过XGBOOST模型筛选重要特征，得到重要特征集合以及每个客户的预测值；利用重要特征和预测值构建银行产品的潜在客户的客户画像，根据步骤4得到的重要特征集可以构建客户画像，根据客户购买某项产品的概率预测值来进行精准营销；将模型得到的结果与贵宾客户迎客系统对接，在系统识别出客户后，给出精准营销策略，以便网点客户经理更大概率营销成功。该发明的广泛应用和推广，将给予业务人员提供更加营销价值的授信客户，提高了一线业务人员的工作效率，为银行开展授信业务有着重大的意义和应用价值。

技术领域

本发明涉及一种挖掘银行潜在客户的方法，尤其是面向三农客户画像的精准营销构建方法。

背景技术

在现代经济生活中，银行零售业务已关联到个人生活的方方面面，包括投资理财、保险购买、出行出游、生活消费、网上购物、移动支付等。零售银行业务有以下特点：客户基数庞大；客户分布广泛；业务种类繁杂；交易量巨大。零售银行客户数的不断增加，对业务管理、风险控制、客户服务等提出了新的要求，同时，互联网金融的发展也给银行零售业务带来冲击，倒逼零售银行业加大对数据分析的研究与应用。

商业银行零售银行经过了多年的发展，建立了完善的信息系统，积累了庞大的个人金融交易数据，目前大多数商业银行的数据分析还处于初始阶段，客户细分主要围绕年龄、性别、职业、财富水平、持有产品等维度，更多的是根据业务经验对客户进行筛选分群，由于难以评估和验证数据分析的有效性，因此难以实现精准营销。零售银行开展精准营销的核心在于运用数学工具，通过聚类分析、回归分析、关联分析等数据手段进行数据建模，再运用客户经营等方式验证效果并完善模型，从而逐步提高数据分析的准确性，实现以数字“说话”。

现有常见分析模型包括以下几种：

K-means算法，K-means算法是一个聚类算法，把n的对象根据它们的属性分为k个分割，kn。它与处理混合正态分布的最大期望算法相似，因为它们都试图找到数据中自然聚类的中心。其假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。

The Apriori algorithm，Apriori算法是一种最有影响力的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集被称为频繁项集，简称频集。

CART：分类与回归树，CART即Classification and Regression Trees，其分类树下面有两个关键思想。第一个是关于递归地划分自变量空间的想法；第二个是用验证数据进行剪枝。

分类模型，分类模型包括决策树模型(Decision Tree Model)、朴素贝叶斯模型(Naive Bayesian Model，NBC)、随机森林、隐马尔科夫模型和支持向量机等。

近年来，大型互联网企业对商业银行的金融中介功能发起了冲击，零售银行方面受到的冲击尤其大。线上理财、扫码支付、网络消费贷等银行传统业务被逐步攻占，这也促使银行加速转型。阿里巴巴、百度、腾讯、京东等大型互联网企业，先天具有科技优势，其掌握了亿级的用户基础，沉淀了海量的数据，在云计算、大数据、人工智能等领域遥遥领先，这促使了商业银行向金融科技转型，并加大了在大数据方面的研究与探索。

大数据所涵盖的数据规模巨大、复杂，无法通过人工的方式在合理时间内完成收集、加工、分析、管理、计算、并整理成为人类所能解读的信息这一系列工作，传统人工的数据挖掘的方式并不适用大数据分析，人工智能、机器学习或是成为实现大数据分析的真正路径。