(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210759826.0 (22)申请日 2022.06.30 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 徐梓丞　黄康　李敬文　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 马小青 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 30/02(2012.01) G06N 20/00(2019.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种银行客户资产流失挽回的方法、 装置、 设备及介质 (57)摘要 本申请公开了一种银行客户资产流失挽回 的方法、 装置、 设备及介质， 可应用于人工智能领 域或金融领域。 获取客户在预设时间段内的客户 数据， 将客户数据输入客户资产流失挽回模型 中， 得到客户的资产流失挽回的概率和挽回采用 的营销方式； 客户资产流失挽回模 型是根据多个 客户的客户数据和实际挽回结果， 对机器学习模 型训练得到； 实际挽回结果包括是否被挽回和挽 回采用的营销方式； 在客户的资产流失挽回的概 率大于阈值时， 确定客户为资产流失可挽回的客 户。 通过人工智能模型得到资产流失可挽回的客 户名单， 能够准确定位资产能够被挽回的客户， 并且提供精 准的营销方式， 能够促进银行业务人 员挽回该客户， 有效地提升了对于客户资产挽回 的预测的准确率。 权利要求书2页 说明书10页 附图3页 CN 115018634 A 2022.09.06 CN 115018634 A 1.一种银 行客户资产流失挽回的方法， 其特 征在于， 包括： 获取客户在预设时间段内的客户数据； 所述客户数据包括个人客户标签数据、 金融资 产数据、 对私交易数据和代付代收数据； 所述代付代收数据包括代发薪、 代缴费和贷款数 据； 所述客户为资产已流失的客户； 将所述客户数据输入客户资产流失挽回模型中， 得到所述客户的资产流失挽回的概率 和挽回采用的营销方式； 所述客户资产流失挽回模型是根据多个客户的客户数据和实际挽 回结果， 对机器学习模型训练得到； 所述实际挽回结果包括是否被挽 回和挽回采用的营销 方式； 所述挽回采用的营销方式包括以下方式的至少一种： 存款产品营销、 第三方存管产品 营销和理财基金类产品营销； 在所述客户的资产流失挽回的概率大于 阈值时， 确定所述客户为资产流失可挽回的客 户。 2.根据权利要求1所述的方法， 其特征在于， 在所述将所述客户数据输入客户资产流失 挽回模型中， 得到所述客户的资产流失挽回的概率和挽回采用的营销方式之前， 所述方法 还包括： 根据多个客户的客户数据和实际挽回结果， 构建样本集； 根据所述样本集采用梯度提升框架算法对机器学习 模型进行训练， 并利用高斯算法进 行参数优化， 得到客户资产流失挽回模型； 利用五轮五折交叉验证对所述 客户资产流失挽回模型进行评估， 得到阈值； 根据所述阈值确定所述样本集中的多个客户的预测挽回结果； 所述预测挽回结果包括 可挽回或不可挽回； 将所述预测挽回结果与所述样本集中的多个客户的实际挽回结果进行对比， 若对比结 果符合预设条件， 则确定所述 客户资产流失挽回模型训练完成。 3.根据权利要求2所述的方法， 其特征在于， 所述利用五轮五折交叉验证对所述客户资 产流失挽回模型进行评估， 得到阈值， 包括： 利用五轮五折交叉验证， 根据模型评估指标对所述客户资产流失挽回模型进行评估， 得到阈值； 所述模型评估指标包括AC C、 AUC、 特异性指标、 业 务人员营销能力中的至少一种。 4.根据权利要求2所述的方法， 其特征在于， 所述根据多个客户的客户数据和实际挽回 结果， 构建样本集， 包括： 获取多个客户的客户数据和实际挽回结果； 对所述多个客户的客户数据进行特征衍生和重要性筛选， 得到与客户资产流失挽回相 关的特征数据； 根据所述特 征数据和所述实际挽回结果构建样本集。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述特征数据和所述实际挽回结 果构建样本集， 包括： 在实际挽回结果为已被挽回时， 将已被挽回的客户的特征数据和实际挽回结果组成正 样本集合； 采用SMOTE上采样的方法对所述 正样本集 合进行扩充， 得到正样本扩充集 合； 在实际挽回结果为未被挽回时， 将未被挽回的客户的特征数据和实际挽回结果组成负 样本集合；权　利　要　求　书 1/2 页 2 CN 115018634 A 2根据所述 正样本扩充集 合和所述负 样本集合组成样本集。 6.根据权利要求5所述的方法， 其特征在于， 所述根据所述正样本扩充集合和所述负样 本集合组成样本集， 包括： 对所述负 样本集合进行相似性计算， 得到余弦距离和欧式距离； 根据所述 余弦距离和所述欧式距离从所述负 样本集合中筛选， 得到负 样本筛选集合； 根据所述 正样本扩充集 合和所述负 样本筛选集合组成样本集。 7.一种银 行客户资产流失挽回的装置， 其特 征在于， 包括： 获取单元， 用于获取客户在预设时间段内的客户数据； 所述客户数据包括个人客户标 签数据、 金融资产数据、 对私交易数据和代付代收数据； 所述代付代收数据包括代发薪、 代 缴费和贷款数据； 所述 客户为资产已流失的客户； 计算单元， 用于将所述客户数据输入客户资产流失挽回模型中， 得到所述客户的资产 流失挽回的概率和挽回采用的营销方式； 所述客户资产流失挽回模型是根据多个客户的客 户数据和实际挽回结果， 对机器学习模型训练得到； 所述实际挽 回结果包括是否被挽回和 挽回采用的营销方式； 所述挽回采用的营销方式包括以下方式的至少一种： 存款产品营销、 第三方存管产品营销和理财基金类产品营销； 第一确定单元， 用于在所述客户的资产流失挽回的概率大于阈值时， 确定所述客户为 资产流失可挽回的客户。 8.根据权利要求7 所述的装置， 其特 征在于， 所述装置还 包括： 构建单元， 用于根据多个客户的客户数据和实际挽回结果， 构建样本集； 训练单元， 用于根据所述样本集采用 梯度提升框架算法对机器学习模型进行训练， 并 利用高斯 算法进行参数优化， 得到客户资产流失挽回模型； 评估单元， 用于利用五轮五折交叉验证对所述客户资产流失挽回模型进行评估， 得到 阈值； 第二确定单元， 用于根据所述阈值确定所述样本集中的多个客户的预测挽回结果； 所 述预测挽回结果包括可挽回或不可挽回； 第三确定单元， 用于将所述预测挽回结果与所述样本集中的多个客户的实际挽回结果 进行对比， 若对比结果符合预设条件， 则确定所述 客户资产流失挽回模型训练完成。 9.一种计算机设备， 其特 征在于， 所述计算机设备包括处 理器以及存 储器： 所述存储器用于存 储程序代码， 并将所述 程序代码传输给 所述处理器； 所述处理器用于根据所述程序代码中的指令执行权利要求1 ‑6中任意一项所述的方 法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质用于存储计算机 程序， 所述计算机程序用于执 行权利要求1 ‑6中任意一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115018634 A 3