[发明专利]一种机器学习与人工规则融合的基金精准营销方法

说明书

本发明公开了一种机器学习与人工规则融合的基金精准营销方法，包括数据源获取，数据存储，特征提取，机器学习模型与人工规则，过滤及模型应用。本发明通过使用客户的各种金融理财产品的历史资产信息，计算每期持仓数量变化比例并设置最高截断数值，同时结合客户基本信息、风险偏好、用户行为数据以及市场行情特征等背景数据，引入机器学习算法对用户下期购买不同类型基金产品的意愿进行打分，同时结合人工经验进行人工规则打分，最后将两者融合对客户下期的基金购买行为进行预测，从而挖掘各类型基金潜在客户。

技术领域

本发明涉及一种大数据和机器学习领域，具体涉及一种机器学习与人工规则融合的基金精准营销方法。

背景技术

随着“大数据”日益火热，各种机器学习和人工智能方法应运而生。金融、证券行业自身产生了大量的高质量数据，企业既希望通过已有的历史数据寻找规律，对客户需求和偏好进行挖掘，也希望利用从业人员的经验帮助业务进行优化和提升，给业务带来直接的经济效益。一般来说，企业内部工作人员全部根据经验进行决策会有较大的不足，因为人的决定通常具有较大的主观性，且海量的数据将会耗费大量的人力；借助机器学习算法会客观，在大数据面前也应对自如，但是全部依赖算法的准确率和有效性有时候却不尽如人意。如何将传统人工推荐与大数据机器学习技术结合起来，两者取长补短，最大程度地提高准确率，从而为相关从业者的决策与业务开展提供参考与帮助，是本发明诞生的原因。

目前已经有许多金融行业的公司使用了各种机器学习方法来提高金融理财产品，尤其是基金的营销的精准性。尽管现有的大数据挖掘技术在一定程度上实现了基金产品的精准营销，但仍存在着许多优化改进方向。由于金融理财产品存在的风险以及不稳定性，以及客户的偏好心理等的不确定性，全盘依靠机器学习的算法的准确率有时候并不会很高。另外由于金融系统高度不确定性和非稳定性，使得单纯依赖机器学习算法的推荐系统稳定性和泛化性能较差。

本发明在采用协同过滤算法进行基金产品精准营销的过程中，将人工打分规则与基于机器学习的打分规则相融合，显著提升了精准营销的准确度和鲁棒性。同时在采用机器学习模型进行打分前，对用户历史购买基金行为特征变量进行截断预处理，进一步提高了模型的稳定性和泛化性。

发明内容

本发明所要解决的技术问题是提供一种机器学习与人工规则融合的基金精准营销方法，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案来实现的：一种机器学习与人工规则融合的基金精准营销方法，其特征在于：包括数据源获取，数据存储，特征提取，机器学习模型与人工规则，过滤及模型应用：

其中，数据源获取：从多个渠道获取原始数据；

数据存储：将从数据源获取的结构化数据和非结构化数据进行整合，提取，去重存储到HDFS中；

特征提取：从数据库中提取和构建需要的特征，主要包括用户的历史持仓情况和风险承受能力；

机器学习模型与人工规则：对获取到的数据集进行建模，包括数据清洗、数据预处理(设置最高截断)、机器学习模型、人工规则制定并打分、协同过滤和客户预测；

过滤：依据客户的风险承受能力对名单进行简单过滤；

模型应用：将模型得到的结果应用到实际的业务中，通过渠道APP推送、邮件、短信以及电话等各种营销系统做产品推广，有差异地进行广告投放。

作为优选的技术方案，数据源包括第一、第二和第三部分，第一部分包括公司业务数据，运维、网站日志数据，第二部分是购买外部数据，第三部分是业务人员在开展业务，调研时收集的数据。

作为优选的技术方案，数据存储指对各类原始数据进行处理清洗以及整合，加工统计后采集到HDFS中，并且尽可能汇总较多的数据，主要有从公司系统的内部数据收集各种各样的客户标签，包括人口统计标签，社会属性标签，资产标签，投资能力标签。