[发明专利]银行客户流失预测方法及装置

说明书

本发明公开了一种银行客户流失预测方法及装置，应用于人工智能技术领域，其中该方法包括：采集历史银行客户的交易数据；根据历史银行客户的交易数据构建训练集和测试集；重复如下对机器学习模型的训练和测试过程，直至银行客户流失预测模型的预测结果误差处于预设范围内：利用训练集对机器学习模型进行训练，得到银行客户流失预测模型；利用测试集对银行客户流失预测模型进行测试，根据测试得到的银行客户流失预测模型的预测结果误差，调整银行客户流失预测模型的模型参数；将待测银行客户的交易数据输入银行客户流失预测模型，输出待测银行客户的流失预测结果。本发明可以自主预测银行潜在流失客户，以便银行维护客户，稳定银行收益。

技术领域

本发明涉及人工智能技术领域，尤其涉及银行客户流失预测方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

银行系统中，发展新客户的时间、金钱、人力成本要远大于维护老客户。对客户而言，不同的商业银行的使用体验并无太大差别，加上客户在不同银行之间的转换无需成本，使得老客户的流失成为银行利润损耗中一项值得关注的因素。现有技术中没有针对银行客户流失预测的有效解决方案。

发明内容

本发明实施例提供一种银行客户流失预测方法，用以有效实现银行客户流失预测，该方法包括：

采集历史银行客户的交易数据；

根据历史银行客户的交易数据构建训练集和测试集；

重复如下对机器学习模型的训练和测试过程，直至银行客户流失预测模型的预测结果误差处于预设范围内：利用训练集对机器学习模型进行训练，得到银行客户流失预测模型；利用测试集对银行客户流失预测模型进行测试，根据测试得到的银行客户流失预测模型的预测结果误差，调整银行客户流失预测模型的模型参数；

将待测银行客户的交易数据输入银行客户流失预测模型，输出待测银行客户的流失预测结果；

其中，所述机器学习模型包括LSTM(Long Short Term Memory，长短期记忆)网络和CNN(Convolutional Neural Network，卷积神经网络)，以LSTM网络提取交易数据的时序特征，以LSTM网络输出作为CNN的输入数据，进行交易数据空间特征的提取。

本发明实施例还提供一种银行客户流失预测装置，用以有效实现银行客户流失预测，该装置包括：

数据采集模块，用于采集历史银行客户的交易数据；

模型构建模块，用于根据历史银行客户的交易数据构建训练集和测试集，重复如下对机器学习模型的训练和测试过程，直至银行客户流失预测模型的预测结果误差处于预设范围内：利用训练集对机器学习网络进行训练，得到银行客户流失预测模型；利用测试集对银行客户流失预测模型进行测试，根据测试得到的银行客户流失预测模型的预测结果误差，调整银行客户流失预测模型的模型参数；

流失预测模块，用于将待测银行客户的交易数据输入银行客户流失预测模型，输出待测银行客户的流失预测结果；

其中，所述机器学习模型包括LSTM网络和CNN，以LSTM网络提取交易数据的时序特征，以LSTM网络输出作为CNN的输入数据，进行交易数据空间特征的提取。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行客户流失预测方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述银行客户流失预测方法。