[发明专利]一种基于深度学习的客户流失预测方法

说明书

本发明公开了一种基于深度学习的客户流失预测方法，包括：步骤1：获取银行客户的个人信息数据；步骤2：利用生成式对抗填补网络模型，对步骤1中获取的个人信息数据进行缺失值填补，再对填补后的个人信息数据进行最大‑最小归一化处理；步骤3：搭建MSDCNN‑LSTM预测模型，步骤4：训练MSDCNN‑LSTM预测模型；步骤5：将客户数据输入到经步骤4训练好的MSDCNN‑LSTM预测模型，得到待测客户的流失概率。其解决了传统机器学习方法在预测大数据下银行客户流失概率时效率低的问题。

技术领域

本发明属于银行数据管理技术领域，具体涉及一种基于深度学习的客户流失 预测方法。

背景技术

随着社会经济的快速发展，银行行业日趋成熟，行业竞争愈演愈烈。一定量 的客户流失会给银行带来巨大损失，客户流失的成本远低于挖掘一位新客户，如 何减少客户的流失以及及时的挽回客户将变得尤为关键。随着人工智能的迅猛发 展，将人工智能技术应用到银行行业的客户分析中，可以有效降低银行行业的运 营成本，提升客户的保持率。

目前大部分研究中使用的都是传统的机器学习方法，需要对数据进行大量的 预处理工作，特别是在特征工程上需要花费大量的时间和精力，随着客户数量的 爆炸式增长，传统机器学习方法已经无法满足大数据下的银行客户的分析需求。

发明内容

本发明的目的是提供一种基于深度学习的客户流失预测方法，以解决传统机 器学习方法在预测大数据下银行客户流失概率时效率低的问题。

本发明采用以下技术方案：一种基于深度学习的客户流失预测方法，包括：

步骤1：获取银行客户的个人信息数据；所述真实个人信息数据包括客户编 号、信用评分、地方区域特征、性别、年龄、开户时长、存款余额、平均资产增 量、持有金融产品数量、负债额度、活跃度评分、现金平均流入流出比；

步骤2：利用生成式对抗填补网络模型，对步骤1中获取的个人信息数据进 行缺失值填补，再对填补后的个人信息数据进行最大-最小归一化处理；

步骤3：搭建MSDCNN-LSTM预测模型，所述MSDCNN-LSTM预测模型 由三层MSCNN和两层LSTM拼接而成；

步骤4：训练MSDCNN-LSTM预测模型；

步骤5：将客户数据输入到经步骤4训练好的MSDCNN-LSTM预测模型， 得到待测客户的流失概率。

进一步的，步骤1中，对获取的个人信息数据进行缺失值填补的方法为：利 用生成式对抗填补网络模型，生成与所述真实个人信息数据集分布规律相符的时 间序列数据，通过判别生成个人信息数据与真实个人信息数据的差别，根据偏差 训练生成器，如此交替直至判别器无法判别生成数据与真实数据的差别。

进一步的，步骤2中，对填补后的个人信息数据最大-最小归一化处理的具 体方法为：假设所述个人信息数据为X＝[X₁,X₂,...,X_i,...,X_n]∈R^m×n，其中，m为数据特 征个数，n为客户个数，X_i为第i个客户对应m个特征值，即 X_i＝[x_i,1,x_i,2,...,x_i,j,...,x_i,m]∈R^m×1，

其中，x_i,j为第i个客户对应的第j个特征值；

每个值经过最大-最小归一化处理，表示为：

式中，表示归一化处理后的数据，和分别表示第j个特征值的最小 值和最大值。