[发明专利]基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法

说明书

技术领域

本发明涉及一种银行金融产品实时推荐系统和方法，尤其涉及一种基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法。

背景技术

互联网、大数据、人工智能等技术的发展，改变着银行业的竞争格局；追求极致的用户体验、强调数据驱动运营成为新的特征。目前，大多数银行的金融产品营销是建立在传统操作型营销系统之上，一般的业务流程是先对客户、产品、交易等数据进行统计分析，再结合业务规则筛选出一批客户，然后通过电话或短信来推销银行指定的某个产品。这种营销模式在时效性和自动化程度上已经不能快速适应市场变化和对客户进行实时个性化服务的要求，其存在如下缺点：

1、不能支持全客户营销。当前银行全量的客户数据非常庞大，达TB级，传统的营销系统技术架构在存储容量上、加工性能上均无法满足客户全量数据的存储和加工，在时间窗口上也无法满足业务对数据加工和实时计算的要求，因此，传统的营销系统只能支持对部分客户的营销。

2、不能支持全产品营销。银行的金融产品非常多，有基金、理财、贵金属、保险等各类产品，每一类又包含若干个产品；面对多达几千种的产品，客户无法快速选择一种适合自己的产品，存在“产品信息过载”问题；而银行方面，由于人手不足或业务当前需要，只能选取某几个产品进行营销，而绝大部分产品没有推销给客户的机会，存在“长尾产品”问题。

3、不能支持全渠道营销。传统营销系统，一般是营销人员通过电话或短信进行产品营销，由于电话诈骗、短信诈骗多发，银行客户对电话、短信比较抵触，通过电话、短信等渠道进行营销的效率非常低下，故传统营销系统没有充分发挥全渠道特别是移动互联网渠道在营销中的作用。

4、不能支持实时个性化精准营销。传统的营销系统，只是通过传统的分析统计方法结合业务规则筛选客户进行产品批量营销，没有根据客户的特征、喜好、交易行为进行在线的深入分析和挖掘，无法对客户进行实时个性化精准营销和定制化服务。

综上，有必要设计一种银行金融产品实时推荐系统和方法来弥补上述缺陷。

发明内容

本发明提出一种基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法，其解决了银行传统营销系统和传统营销模式存在的“产品信息过载”、营销反应延迟和“长尾产品”的缺陷。本发明采用分布式大数据平台、分布式内存计算技术和朴素贝叶斯分类算法构建而成，可以帮助客户快速找到合适的产品，从而改善了客户体验、增加了客户的粘性、提升了产品转化率、提高了银行的竞争力。

本发明的技术方案是这样实现的：

本发明公开一种基于朴素贝叶斯分类的银行金融产品实时推荐系统的实时推荐方法，其包括如下步骤：（S01）采集银行业务系统、外围系统、互联网/移动互联网的数据，并加工和存储到基础数据库；（S02）对全量客户的数据属性进行特征处理，转换为数据特征形成特征库；（S03）将特征库内的数据分为训练数据集和验证数据集，分别用于朴素贝叶斯分类算法模型的训练和评估，经多次迭代得到模型库；（S04）识别客户特征，并结合朴素贝叶斯分类算法模型库实时匹配客户最有可能购买的金融产品；（S05）将模型预测模块匹配出的金融产品实时推送给应用端的客户。

其中，步骤（S01）包括如下步骤：（S11）通过离线采集方式和在线采集方式采集客户属性数据、金融产品属性数据和客户行为数据；（S12）对步骤（S11）中采集到的数据进行质量分析、数据清理和数据整合。

其中，步骤（S11）中采集的数据来源包括：1）银行核心业务系统的客户信息、存贷款、信用卡、基金、理财和保险数据；2）本地特色业务系统的工资、水电费、物业管理费和通信费交易数据；3）外围系统的人行征信数据；4）互联网/移动互联网的网上银行、微信银行、移动银行APP、社交媒体和电商数据。

其中，步骤（S02）包括如下步骤：（S21）对所有客户属性进行分析，挑选合适的数据属性作为候选特征，同时对候选特征或者各种组合数据进行计算，推导出新的特征；（S22）根据朴素贝叶斯分类算法模型的特性和要求，对步骤（S11）中的候选特征进行特征处理；（S23）选择获得模型和算法最好性能的特征集；（S24）降低特征矩阵维度，并形成特征库提供给模型训练模块使用。

其中，步骤（S22）中特征处理的工程方法包括如下处理步骤：（S221）通过离散化方法对多个连续型特征进行离散处理；（S222）通过归一化方法对连续型特征进行无量纲化处理；（S223）通过哑编码方法将定性特征转换为定量特征。