(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111588546.X (22)申请日 2021.12.23 (71)申请人 江苏鑫合 易家信息技 术有限责任公 司 地址 210000 江苏省南京市海峡两岸科技 工业园台 中路99-198号 (72)发明人 张超　张伟乐　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 代理人 刘珊珊 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06Q 40/00(2012.01) (54)发明名称 一种基于RFM模 型泛化特征的金融类客户分 级方法 (57)摘要 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。 权利要求书1页 说明书4页 附图1页 CN 114386490 A 2022.04.22 CN 114386490 A 1.一种基于RFM模型泛化特 征的金融类客户分级方法， 其特 征在于， 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。 2.根据权利要求1所述的一种基于RFM模型泛化特征的金融类客户分级方法， 其特征在 于， 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。 3.根据权利要求1所述的一种基于RFM模型泛化特征的金融类客户分级方法， 其特征在 于， 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。 4.根据权利要求1或3所述的一种基于RFM模型泛化特征的金融类客户分级方法， 其特 征在于， 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。 5.根据权利要求4所述的一种基于RFM模型泛化特征的金融类客户分级方法， 其特征在 于， 所述训练数据和随机抽取 数据的数据量比优选为7:3 。 6.根据权利要求1所述的一种基于RFM模型泛化特征的金融类客户分级方法， 其特征在 于， 所述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 理包括： 判断分类准确度是否 达到业务期望阈值， 若未达 到期望阈值， 提升分类准确度。 7.根据权利要求6所述的一种基于RFM模型泛化特征的金融类客户分级方法， 其特征在 于， 所述提升分类准确度包括： 重新定义RFM模型， 并增加新特征， 再次进行数据处理和模型训练， 使分类准确度终值 达到期望阈值。权　利　要　求　书 1/1 页 2 CN 114386490 A 2一种基于RFM模型泛化特征的金融类客户分级方 法 技术领域 [0001]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 [0002]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。 [0003]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。 [0004]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： [0005]1、 传统RFM模型 过度依赖人工进行客户分级； [0006]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。 [0007]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 [0008]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。 [0009]为了实现上述目的， 本发明采用如下技 术方案： [0010]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： [0011]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； [0012]S2、 对标记数据进行 特征处理， 并进行机器学习模型训练； [0013]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。 [0014]优选的， 所述交叉 标注包括： [0015]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。说　明　书 1/4 页 3 CN 114386490 A 3