[发明专利]一种基于随机森林算法的金融产品实时推荐方法

说明书

技术领域

本发明涉及预测推荐领域，特别是一种面向金融产品的实时推荐方法。

背景技术

随着银行金融理财产品的种类和数量的快速增长，银行销售任务变得繁重而复杂。如何有效的向潜在用户推荐理财产品是提高营销效果的主要目标之一。传统的方式通过硬指标对客户进行筛选和营销，通常需要人工建立庞大而复杂的规则库，费时费力，且成功率不高。本发明使用随机森林方法对用户的交易历史和特征进行建模，进而为用户推荐金融产品。通过新技术构建的推荐方法具有速度快、参数少、效果好的特点，且免去了一般方法需要进行复杂的特征选择环节，易于在大数据上实施实时推荐，对提升银行客户服务质量有着重要意义。

发明内容

本发明首要解决的技术问题是：提供一种用于金融产品实时推荐的方法。

为了解决上述技术问题，本发明采用的技术方案为：一种产品推荐方法，该推荐方法基于用户的交易数据和用户的特征数据，使用随机森林算法作为模型。

该技术方案的流程包括：

S1）分析和整理用户的历史交易数据；

S2）分析和整理用户基本特征数据；

S3）将用户的历史交易数据和基本特征数据整合成为特征宽表；

S4）利用随机森算法对S3）得到的用户特征建立预测模型；

S5）对于新客户或存量客户，将其特征输入模型，由模型可实时预测其最有可能购买的金融产品。

与现有方法相比，本发明具有如下有益效果：

1）充分利用了银行现成的高质量的产品交易数据和客户特征数据，数据可用性高，容易实施和推广。

2）免除了一般方法针对特征处理环节的繁冗。

3）机器学习自动化的更新模型，适应业务变化。

4）实时向客户推荐产品，时效性高。

5）模型预测命中率高，提高业务营销转换率。

附图说明

附图1是本申请的金融产品实时推荐方法流程示意图。

具体实施方式

下面对本发明实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，本发明的保护范围不限于下述的实施例。

本实施例包括以下步骤：

S1）分析和整理用户的历史交易数据；

S2）分析和整理用户基本特征数据；

S3）将用户的历史交易数据和基本特征数据整合成为特征宽表；

S4）利用随机森算法对S3）得到的用户特征建立预测模型；

S5）对于新客户或存量客户，将其属性特征输入模型，由模型可实时预测其最有可能购买的产品。

所述S3）将用户的历史交易数据和基本特征数据整合为宽表的方法包括以下步骤：

（S31）选取所有用户一段时间的交易记录，整理出所有用户在该时间段内的最后一次交易记录{ID, Y}；

（S32）选取用户基本特征数据，记为{ID, X}；

（S33）合并用户交易数据和用户基本特征数据，形成特征宽表{ID, X, Y}；

（S34）所述ID为用户的编号；

（S35）所述Y为用户购买过的金融产品代号{Y1, Y2, ……, Ym}；

（S36）所述X为用户基本特征数据{X1, X2, ……, Xn}，包括gnd,cst_term,empl_term,age,hgst_degree,saving_bal_rmb,fund_txn_cnt,high_fund_cnt,high_fund_amt,mid_fund_cnt,mid_fund_amt,low_fund_cnt,low_fund_amt,xpad_amt,bond_bal,card_limit,loan_cap,loan_bal,loan_limit,insure_amt_sum,gold_amt_sum。

所述S4）构建预测模型的方法包括以下步骤：

（S41）从用户特征宽表中随机选取90%、10%的数据{X, Y}分别作为训练集和测试集；

（S42）利用随机森林算法在训练集上建立预测模型；

（S43）利用测试集对预测模型进行一次测试，计算本次模型测试的精确度a；

（S44）采用N倍交叉验证方法，对（1）-（3）重复N次；

（S45）计算模型的精确度A；

（S46）所述4）中的精确度a为测试集中Yi=1（i=1,2,…，m）的购买产品客户数与模型预测Yi=1（i=1,2,…，m）的潜在客户数之比；