[发明专利]一种信用卡客户行为的预测方法

权利要求书

1.一种信用卡客户行为的预测方法，其特征在于，包括如下步骤：

使用预训练好的信用卡客户行为预测模型对潜在的客诉行为进行预测，其中，所述的预训练好的信用卡客户行为预测模型的获取包括如下步骤：

获取历史的客户信用卡逾期记录，按照预设的客诉判断条件划分为正样本和负样本，获取各个样本对应客户的筛选后的多种特征，并通过缺失值填充、独热编码和数据装箱，构建训练集；

构建基于聚类和装袋的XGBoost分类模型，并使用所述训练集进行训练，通过调参获取所述预训练好的信用卡客户行为预测模型。

2.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，所述的客诉判断条件为：

从逾期起，至逾期5-10个月内任意时间点发生投诉行为，若符合客诉判断条件则为正样本，否则为负样本。

3.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，获取各个样本对应客户的多种特征之后，还包括：

通过卡方检验分析和Pearson相关性检验分析，筛选出与客户潜在投诉相关性高的连续型/离散型特征。

4.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，还包括：

对多种特征中的连续型特征字段进行数据装箱处理。

5.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，所述的预训练好的信用卡客户行为预测模型的获取过程包括如下步骤：

通过K-Means聚类，将负样本分为多个类别；

使用装袋法，将聚类后的各个类别的负样本分别与正样本进行训练，获取与类别数量匹配的二分分类器；

根据每个类型的样本的数量占比，为每个二分分类器分配权重，获取所述预训练好的信用卡客户行为预测模型。

6.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，所述的调参具体包括如下步骤：

基于模型学习曲线，确定XGBoost分类模型的弱评估器的数量，基于网格搜索确定XGBoost分类模型的最大深度和正样本权重参数；

通过调整当预测结果为正样本时的概率阈值，获取不同概率阈值时的准确率、精度、召回率、KS值、AUC值、压降成本系数以及客诉压降率，选取压降成本系数低且客诉压降率高的概率阈值。

7.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，各个样本对应客户的筛选后的多种特征预先储存在HIVE表中。

8.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，针对样本对应客户的学历外、性别、婚姻状态和职业类型进行独热编码。

9.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，所述的缺失值填充包括0填充和均值填充。

10.根据权利要求1所述的一种信用卡客户行为的预测方法，其特征在于，所述的各个样本对应客户的多种特征包括个人基本数据、历史用卡行为数据和资产及负债数据。