[发明专利]一种基于客户交易数据的客户评级方法、装置及存储介质

说明书

本发明涉及信息技术领域，提供了一种基于客户交易数据的客户评级方法、装置及存储介质。目的在于解决现有RFM模型只提取了时间序列数据中的各类静态指标，无法提取出用户行为数据在时间维度上的变化趋势和相关性问题。主要方案包括获取用户所有相关的交易流水数据；截取前n笔交易用于用户行为特征提取，若用户至今为止，交易次数少于n次，则对应用户样本予以剔除；对获取到的交易流水数据应用LSTM模型进行用户行为特征抽取，得到最终交易流水数据的高阶特征表示，即得到用户行为特征；依据抽取的用户行为特征，运用逻辑回归模型进行最后的融合，给出最终的用户信用评级。

技术领域

本发明涉及信息技术领域，提供了一种基于客户交易数据的客户评级方法、装置及存储介质。

背景技术

银行等传统信贷机构在信贷业务经营中会积累很多时间序列数据。例如，客户的APP登录行为埋点数据、借款申请行为记录数据、交易行为数据、还款行为数据、调额记录数据等等。数据往往呈现为非结构化形式，记录(record)形式如下：某用户(user)在某个时间点(time)做(action)了某一件事(event)，无法为计算机直接分析计算，需要进一步对数据进行数据挖掘，最终整理为包含原始用户数据信息的结构化数据。

RFM模型最早是用来衡量客户价值和客户创利能力。后来引入数据挖掘领域，用于加工用户非结构化数据，其核心思想如下：

R(Recency)：客户最近一次交易消费时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F(Frequency)：客户在最近一段时间内交易消费的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M(Monetary)：客户在最近一段时间内交易消费的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

通过上述三个指标(R、F、M)，我们可以对不同用户数据来源的非结构化数据进行加工处理，以形成结构化数据。

例如，对于电商交易数据，按如上思路可加工如下特征：1、用户最近一次交易时间间隔；2、用户最近一次交易金额；3、用户最近一段时间(时间切片如一个月，三个月等)交易笔数，金额等等指标。这些特征指标往往需要结合相关业务经验，加工出更加切合业务目标相关的用户行为指标，因而特征指标设计者的业务经验决定了指标的最终效果。基于设计加工完成的用户行为指标，利用逻辑回归或XGBoost等二分类算法训练模型，计算评估用户信用好坏等级，用于最终的信贷决策。

RFM模型较为全面的概括、抽取了原始用户行为数据中包含的相关信息，同时将抽象化、非结构化的数据转换成了结构化形式，有助于后续计算机的自动化处理，然而也存在着一些不足。首先在对原始用户信息进行设计、加工处理过程中，需要特征设计者对相关信贷领域拥有很深的经验，无经验或者经验不足的人设计出来的用户行为特征往往效果较差，该问题限制了相关技术的推广或无法保证效果；其次RFM存在天然的不足，通过对时间序列数据进行聚合各类聚合操作，RFM只提取了时间序列数据中的各类静态指标，无法提取出用户行为数据在时间维度上的变化趋势和相关性，而往往对于用户行为数据，很多有效的行为信息蕴含于在时间维度的变化当中；最后，RFM提取的特征无法考虑特征直接的交叉、组合，形成更高阶的用户信用反馈信息。

发明内容

本发明的目的在于解决现有RFM模型FM只提取了时间序列数据中的各类静态指标，无法提取出用户行为数据在时间维度上的变化趋势和相关性问题及RFM提取的特征无法考虑特征直接的交叉、组合，形成更高阶的用户信用反馈信息的问题。

本发明为了解决上述技术问题，采用以下技术方案：

一种基于客户交易数据的客户评级方法，包括以下步骤：

步骤1、获取用户所有相关的交易流水数据；