[发明专利]银行智能营销方法、装置、计算机设备及存储介质

权利要求书

1.银行智能营销方法，其特征在于，包括：

获取营销活动场景的用户数据；

根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户；

若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述获取营销活动场景的用户数据；

若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果；

对所述用户营销结果进行核销资格处理。

2.根据权利要求1所述的银行智能营销方法，其特征在于，所述用户数据是通过SDK进行脱敏和加密处理，并进行数值特征化后形成的数据。

3.根据权利要求1所述的银行智能营销方法，其特征在于，所述根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户，包括：

根据所述用户数据以及所述营销活动场景采用硬性身份资格规则进行用户身份认证检查，以得到检查结果；

判断所述检查结果是否是符合硬性身份资格规则的结果；

若所述检查结果不是符合硬性身份资格规则的结果，则确定参与营销活动场景的用户不是正常用户；

若所述检查结果是符合硬性身份资格规则的结果，则根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；

判断所述判定结果是否是反套利身份；

若所述判定结果不是反套利身份，则确定参与营销活动场景的用户是正常用户；

若所述判定结果是反套利身份，则执行所述确定参与营销活动场景的用户不是正常用户。

4.根据权利要求3所述的银行智能营销方法，其特征在于，所述根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果，包括；

采用分类模型根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；

其中，所述分类模型是通过对历史营销数据中的套利行为进行数据标注以作为样本集训练决策树模型所得的，或者，所述分类模型是基于K紧邻相似比较算法生成的模型。

5.根据权利要求1所述的银行智能营销方法，其特征在于，所述规划最佳营销路径，并发送至终端，以获取终端的用户营销结果，包括：

对所述营销活动场景进行WEB页面组件化，并对每个营销页面进行编号，且对逻辑组件进行ID化表示；

采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率；

根据所述营销转化率确定最佳营销路径，并发送至终端，以获取终端的用户营销结果。

6.根据权利要求5所述的银行智能营销方法，其特征在于，所述营销转化率预测模型是通过拉取所述营销活动场景的历史营销用户行为数据，并采用机器学习模型或深度学习模型对所述历史营销用户行为数据进行模型迭代训练所得的。

7.根据权利要求6所述的银行智能营销方法，其特征在于，所述采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率，包括：

根据所述用户数据以及所述营销活动场景生成潜在全部的营销路径信息；

采用营销转化率预测模型确定潜在全部的营销路径信息对应的营销转化率。

8.银行智能营销装置，其特征在于，包括：

数据获取单元，用于获取营销活动场景的用户数据；

资格检查单元，用于根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户；

过滤单元，用于若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述获取营销活动场景的用户数据；

路径确定单元，用于若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果；

核销单元，用于对所述用户营销结果进行核销资格处理。