(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 202111425714.3 (22)申请日 2021.11.26 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 姚清华　闫佳丽　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 代理人 杨丹　沈珍珠 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 40/00(2012.01) G06N 20/00(2019.01) G06N 5/00(2006.01) (54)发明名称 潜在资产提升客户预测方法及装置 (57)摘要 本发明公开了一种潜在资产提升客户预测 方法及装置， 涉及人工智 能和大数据技术领域， 其中该方法包括： 获取目标客户在预设时间段内 的历史数据， 历史数据包括目标客户的身份信 息、 历史交易数据和资产信息； 将目标客户的身 份信息、 历史交易数据和资产信息输入潜在客户 预测模型， 预测目标客户为潜在资产提升客户的 概率， 潜在客户预测模型是根据多个客户的历史 数据和其对应的潜在资产提升客户概率， 对机器 学习模型训练得到； 在目标客户为潜在资产提升 客户的概率大于预设概率阈值的情况下， 确定目 标客户为潜在资产提升客户。 本发 明可以精准定 位潜在资产提升客户， 便于为客户提供有效的营 销服务， 提升客户体验。 权利要求书3页 说明书8页 附图7页 CN 113988955 A 2022.01.28 CN 113988955 A 1.一种潜在资产提升客户预测方法， 其特 征在于， 包括： 获取目标客户在预设时间段内的历史数据， 所述历史数据包括目标客户的身份信息、 历史交易数据和资产信息； 将目标客户的身份信息、 历史交易数据和资产信息输入潜在客户预测模型， 预测目标 客户为潜在资产提升客户的概率， 所述潜在客户预测模型是根据多个客户的历史数据和其 对应的潜在资产提升客户概 率， 对机器学习模型训练得到； 在所述目标客户为潜在 资产提升客户的概率大于预设概率阈值的情况下， 确定目标客 户为潜在资产提升客户。 2.如权利要求1所述的方法， 其特征在于， 所述资产信息包括目标客户的资产负债信 息、 大额异动信息、 产品持有信息或基金理财交易信息中的至少一个。 3.如权利要求1所述的方法， 其特征在于， 确定目标客户为潜在资产提升客户之后， 还 包括： 基于对业务的分析， 从目标客户在预设时间段内的历史数据中获取业务需求项对应的 数据， 所述 业务需求项包括同业 来源、 产品需求、 消费需求和投资需求中的至少一项； 对所述业务需求项对应的数据进行聚类， 并对聚类结果进行归因分析， 确定所述目标 客户资产提升的原因。 4.如权利要求1所述的方法， 其特征在于， 将目标客户的身份信息、 历史交易数据和资 产信息输入潜在客户预测模型， 预测目标客户为潜在资产提升客户的概 率之前， 还 包括： 将多个客户的历史数据和其对应的潜在 资产提升客户概率作为样本集， 构建训练集和 测试集， 每一 客户的历史数据包括 客户的身份信息、 历史 交易数据和资产信息； 利用训练集训练机器学习模型， 得到潜在客户预测模型； 利用测试集对潜在客户预测模型进行测试。 5.如权利要求4所述的方法， 其特征在于， 将多个客户的历史数据和其对应的潜在 资产 提升客户概 率作为样本集， 构建训练集和 测试集之前， 还 包括： 对每一客户的历史数据进行 预处理， 构建数据宽表； 对数据宽表中离 散型区间变量的数据进行归一 化处理； 对数据宽表中连续型区间变量的数据进行分箱处 理； 基于主成分 分析法， 对数据宽表的数据进行降维处 理； 基于卡方检验和相关系数检验， 筛 选出与预设的客户资产提升关联的特 征数据； 将与预设的客户资产提升关联的特征数据、 和其对应的潜在 资产提升客户概率作为样 本集， 构建训练集和 测试集。 6.如权利要求5所述的方法， 其特征在于， 对每一客户的历史数据进行预处理， 构建数 据宽表， 包括： 对每一客户的历史数据进行业 务分段处 理； 对每一客户的历史数据中区间型变量的数据进行最大值、 最小值、 均值和增长率计算 的特征处理； 计算每一 客户的历史数据中列名型变量的数据的占比和波动情况； 构建数据宽表。 7.如权利要求4所述的方法， 其特征在于， 利用训练集训练机器学习模型， 得到潜在客权　利　要　求　书 1/3 页 2 CN 113988955 A 2户预测模型， 包括： 分别建立决策树模型和逻辑回归 模型； 利用训练集训练决策树模型， 通过调整参数优化决策树模型， 得到决策树潜在客户预 测模型； 利用训练集训练逻辑回归模型， 通过调整参数优化逻辑回归模型， 得到逻辑回归潜在 客户预测模型； 从决策树潜在客户预测模型和逻辑 回归潜在客户预测模型选择一种模型， 确定为最终 的潜在客户预测模型。 8.如权利要求7所述的方法， 其特征在于， 从决策树潜在客户预测模型和逻辑 回归潜在 客户预测模型选择一种模型， 确定为 最终的潜在客户预测模型， 包括： 分别绘制决策树潜在客户预测模型和逻辑回归潜在客户预测模型的受试者工作特征 ROC曲线； 将面积最大的ROC曲线所对应的潜在客户预测模型， 确定为 最终的潜在客户预测模型。 9.一种潜在资产提升客户预测装置， 其特 征在于， 包括： 数据获取模块， 用于获取目标客户在预设时间段内的历史数据， 所述历史数据包括目 标客户的身份信息、 历史 交易数据和资产信息； 概率预测模块， 用于将目标客户的身份信息、 历史交易数据和资产信息输入潜在客户 预测模型， 预测目标客户为潜在资产提升客户的概率， 所述潜在客户预测模型是根据多个 客户的历史数据和其对应的潜在资产提升客户概 率， 对机器学习模型训练得到； 客户确定模块， 用于在所述目标客户为潜在 资产提升客户的概率大于预设概率阈值的 情况下， 确定目标客户为潜在资产提升客户。 10.如权利要求9所述的装置， 其特征在于， 所述资产信息包括目标客户的资产负债信 息、 大额异动信息、 产品持有信息或基金理财交易信息中的至少一个。 11.如权利要求9所述的装置， 其特征在于， 还包括原因分析模块， 用于在客户确定模块 确定目标客户为潜在资产提升客户之后： 基于对业务的分析， 从目标客户在预设时间段内的历史数据中获取业务需求项对应的 数据， 所述 业务需求项包括同业 来源、 产品需求、 消费需求和投资需求中的至少一项； 对所述业务需求项对应的数据进行聚类， 并对聚类结果进行归因分析， 确定所述目标 客户资产提升的原因。 12.如权利要求9所述的装置， 其特征在于， 还包括模型训练与测试模块， 用于在概率预 测模块将目标客户的身份信息、 历史交易数据和资产信息输入潜在客户预测模型， 预测目 标客户为潜在资产提升客户的概 率之前： 将多个客户的历史数据和其对应的潜在 资产提升客户概率作为样本集， 构建训练集和 测试集， 每一 客户的历史数据包括 客户的身份信息、 历史 交易数据和资产信息； 利用训练集训练机器学习模型， 得到潜在客户预测模型； 利用测试集对潜在客户预测模型进行测试。 13.如权利要求12所述的装置， 其特 征在于， 模型训练与测试模块， 具体还用于： 对每一客户的历史数据进行 预处理， 构建数据宽表； 对数据宽表中离 散型区间变量的数据进行归一 化处理；权　利　要　求　书 2/3 页 3 CN 113988955 A 3