[发明专利]融合层次分析法和RFM的商业银行客户评级方法及装置

说明书

本发明涉及信息化技术领域，提供了一种融合层次分析法和RFM的商业银行客户评级方法及装置，主旨在于解决存款业务中的RFM模型变量存在共线性、指标单一和实际业务不匹配所导致模型评级效果不佳的问题。主要实施步骤为，确定目标层和准则层，目标层是对用户的评分评级，准则层分为用户活跃度、用户忠诚度、用户价值三个方面；收集用户活跃度、用户忠诚度、用户价值三个方面的用户数据集；对涉及的数据进行数据清洗；利用RFM模型分别构建用户活跃、用户价值、用户忠诚三个准则的方案层指标；基于层次分析法确认方案层指标权重，输出准则层指标结果，确定准则层指标权重，输出目标层客户的评分评级；基于目标层客户的评分评级，完成差异化营销策略或活动的制定和推广。

技术领域

本发明涉及信息化技术领域，提供了一种融合层次分析法和RFM的商业银行客户评级方法及装置。

背景技术

随着社会经济的发展、移动互联网的广泛应用，带来商业银行用户行为数据规模的增长，如何从庞大的用户行为数据中发掘用户价值成为一个难题；另一方面，金融监管的加强、商业银行间产品的同质化和行业竞争的加剧，对商业银行客户运营的水平、营销的成本的把控提出了更高的要求。因此，基于用户行为数据，做好商业银行客户的分级，进行精准的、个性的、低成本的营销活动显得尤为重要。

传统的用户分层方式RFM(Recency、Frequency、Monetary)模型，主要使用了最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)这三个要素，分别反映用户流失的可能性、用户的忠诚度、用户的价值三个方面，通过三个指标将用户划分在一个三维象限中，基于用户所在的象限位置对用户采取不同的营销策略。由于区分用户在某个维度的高、低的临界值具有一定的主观性，往往难以确定，常见的方式是，使用k-means聚类的方式对三个指标进行聚类，通过质心位置对每个类进行解释。通常的，客户被分为无价值客户、一般客户、重要挽留客户、一般重要客户、重要保持客户、重要发展客户几个层级，基于不同的用户层级，对用户采取不同的营销策略。

RFM模型较为动态地显示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，但也存在诸多不足。首先、传统的RFM模型区分用户的临界值具有主观性，而使用k-means聚类的RFM虽然能避免主观性，但基于样本距离自动生成的分类往往易受到数据分布的影响，且类别有时难以解释；其次，传统的RFM模型所采用的衡量用户流失可能性、用户忠诚度、用户价值指标过于单一，常常不能对用户在进行充分的、正确的衡量，划分的用户较为粗糙；再次，商业银行的存贷款业务与零售消费行业有所不同，传统的RFM指标难以适用。比如，衡量用户忠诚度的用户交易频率指标，在存款业务中，客户存款频率高可能仅仅是因为所存款的周期较短，或是同一笔资金进行了反复操作，而衡量客户价值的指标中，用户交易频率越高，总的交易额也越大，表现的用户价值也越高，但实际情况可能恰恰相反；此外，存款的RFM模型对三个不同指标进行了等权处理，而实际业务场景下，各变量的重要性可能不同，而变量间往往存在共线性，也会影响模型效果。

发明内容

基于前文陈述，本发明针对传统的RFM在用户评级中的诸多不足，基于传统的RFM模型进行改进。我们使用一种融合层次分析法和RFM的模型的银行客户评级方法，解决上述技术问题。在指标的选择上，我们选择多个指标来表现用户活跃、用户忠诚、用户价值三个维度的用户特征。在分级的方式上，使用层次分析法计算用户得分进行分级。

为了实现上述目的本发明采用以下技术手段：

本发明提供了一种融合层次分析法和RFM的商业银行客户评级方法，其实现过程包括：

步骤1、确定目标层和准则层，目标层是对用户的评分评级，准则层分为用户活跃度、用户忠诚度、用户价值三个方面；

步骤2、收集用户活跃度、用户忠诚度、用户价值三个方面的用户数据集；

步骤3、对步骤2中涉及的数据进行数据清洗；