[发明专利]一种基于RFM模型泛化特征的金融类客户分级方法

说明书

本发明公开了数据分类技术领域的一种基于RFM模型泛化特征的金融类客户分级方法，包括以下步骤：S1、采集客户数据，随机抽取预定比例的样本数据进行交叉标注；其中，所述客户数据包括RFM指标数据和针对特定场景的附加特征数据；S2、对标记数据进行特征处理，并进行机器学习模型训练；S3、在机器学习模型中对全量客户数据进行特定金融场所的分析处理，本发明通过RFM模型结合不同金融场景下增加的特定场景特征，通过随机抽样并进行数据标注的方式结合分类算法进行客户分级，实现不同场景不同的客户分级，能促进场景化营销的精准性，特别适用于不同金融场景下的客户精准性分级处理。

技术领域

本发明涉及数据分类技术领域，特别是涉及一种基于RFM模型泛化特征的金融类客户分级方法。

背景技术

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。最近一次消费(Recency)指上一次购买距指定时间过去了多久。消费频率(Frequency)指顾客在限定的期间内所购买的次数。消费金额(Monetary)指顾客在限定期间内购买金额减去退货金额的差值，也就是顾客带来的净收入。RFM就是从最近消费时间、消费频率和消费金额三个维度去衡量客户的价值，进而进行分级。

传统RFM模型进行客户分级：R表示最近一次消费时间(Recency)，可取最近一次消费记录到当前时间的间隔，如7天、30天、90天未消费；F表示一定时间内消费频率(Frequency)，一般是一个时间段内用户消费频率；M表示一定时间内累计消费金额(Monetary)，一般是取一个时间段内用户消费金额；本质上是一种用三个分类维度，找判断标准方法；通过三个维度的组合计算，能判定出客户的分级，然后采取对应措施。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

1、传统RFM模型过度依赖人工进行客户分级；

2、传统RFM模型在建模时所考虑的数据特征比较少，不能在特定业务上反应实际金融客户的分级情况。

基于此，本发明设计了一种基于RFM模型泛化特征的金融类客户分级方法，以解决上述问题。

发明内容

为了解决目前背景技术提及的技术问题，本发明的目的是提供一种基于RFM模型泛化特征的金融类客户分级方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于RFM模型泛化特征的金融类客户分级方法，包括以下步骤：

S1、采集客户数据，随机抽取预定比例的样本数据进行交叉标注；其中，所述客户数据包括RFM指标数据和针对特定场景的附加特征数据；

S2、对标记数据进行特征处理，并进行机器学习模型训练；

S3、在机器学习模型中对全量客户数据进行特定金融场所的分析处理。

优选的，所述交叉标注包括：

随机打乱需要标注的样本数据，通过多数原则标明抽取的客户级别。

优选的，所述对标记数据进行特征处理包括：

对已经标注的数据进行归一化处理，使每个特征的数据范围收敛到相同数量级。

优选的，所述机器学习模型训练包括：

将训练数据输入至分类算法供模型拟合训练，并将得到模型通过随机抽取数据验证模型分类是否准确，其中，标注数据包括训练数据和随机抽取数据。

优选的，所述训练数据和随机抽取数据的数据量比优选为7:3。