[发明专利]基于多层堆栈的精准金融营销方法

说明书

本发明公开了一种基于多层堆栈的精准金融营销方法，涉及数据信息处理技术领域，解决了现有营销模型在应对多来源金融数据情况下，不够精准且不够稳健的技术问题，其技术方案要点是使用金融ETL工具对数据进行萃取、转置和加载，构成多来源数据集，使用LLE算法对多来源金融数据集中的变量进行降维，然后对数据密度低、噪声多的多来源金融数据集进行变量开发，再使用Stacking模型训练获取高精度的多层Stacking模型，并在此基础上通过随机失活处理避免了过拟合问题，使用多层Stacking模型可以较为精准的获取意向度高的客户，从而实现精准营销。

技术领域

本公开涉及数据信息处理技术领域，尤其涉及一种基于多层堆栈的精准金融营销方法。

背景技术

精准营销是在充分了解客户信息的基础上，针对客户偏好有针对性地进行产品营销。精准营销一方面实现了“一对一”的营销，充分考虑了消费者需求的个性化特征，从而为顾客创造了更大的价值，另一方面缩短了营销渠道，从而降低了企业的营销成本、降低了顾客的货币成本和时间成本。

对于金融企业，特别是银行来说，贷款类产品的精准营销对于满足大众的资金需求和提高银行的收益非常重要。一方面，不同客户的资金需求并不相同，在资金量、使用年限和能承受的利率水平上均有差异。传统的营销方式无法考虑到不同客户的需求差异，无法给客户推荐最适合他们的产品，而精准营销则可利用大数据技术，为客户进行画像，从而给客户展示最合适的产品，既可以满足客户的需求，又可以降低客户寻找该产品的时间成本。另一方面，借助于精准营销，银行可以在控制风险的基础之上，提高贷款类产品的销量，增加银行的收入，并通过直接触达客户的精准化推荐，提高客户的粘性和忠诚度。

然而，当前的贷款类产品的精准营销主要面临以下三个问题：(1)银行所拥有的数据包括自身的表内数据、同行机构处获得的同业数据和包含征信数据的泛化数据，数据来源多，会存在大量的空缺数据，导致数据密度较低，并且部分数据来源于外部，数据真实性难以保证，导致数据集中噪声多，如何对这样的多来源金融数据集进行变量开发是面临的一大问题；(2)成功的精准营销可以提高客户的忠诚度和粘性，但同时失败的精准营销也会降低客户的忠诚度和粘性，如何保证模型的精度是面临的重要问题，并且该部分公开资料较少；(3)在保证模型精度的基础上，模型的鲁棒性和通用性是需要考虑的重要问题，银行的数据属于流数据，不断会有新的数据和新的特征进入数据集，如何保证该模型在未来仍然适用是必要考虑的问题。

发明内容

本公开提供了一种基于多层堆栈的精准金融营销方法，达到高精度且稳健的精准营销的技术目的。

本公开的上述技术目的是通过以下技术方案得以实现的：

一种基于多层堆栈的精准金融营销方法，包括：

使用金融ETL工具对数据进行萃取、转置和加载，构成多来源金融数据集D；

使用LLE算法对所述多来源金融数据集D中的变量进行降维；

对降维后的所述变量进行变量清洗、变量筛选和变量转换，则所述多来源金融数据集D转为D′；

将所述D′划分为测试集D1′和D2′，使用K折交叉验证将D2′分为训练集D21′和验证集D22′，所述K∈[4,6]，设置随机失活率p，对所述训练集D21′进行随机失活处理后投入到Stacking模型进行训练，得到多层Stacking模型；

使用验证集D22′对所述多层Stacking模型进行验证，所述多层Stacking模型达到预设精度则结束训练，否则重新训练直至达到所述预设精度；

将测试集D1′投入到所述多层Stacking模型进行测试，得到模型评估结果，根据所述模型评估结果选择出意向客户，对所述意向客户进行精准营销。

进一步地，所述K＝5。