用户行为的预测方法及装置与流程

本发明涉及数据处理技术领域，特别涉及一种用户行为的预测方法及装置。

背景技术：

随着科学技术的发展，交通运输的数字化技术也得到了快速的发展，其中，汽车的etc设备在交通运输的数字化起到了关键的作用，因此，为了满足交通运行的数字化需求，需要大力推广etc设备。

现有技术中，通常是通过先验知识判断用户是否会办理etc的相关业务，进而依据判断结果决定是否向该用户进行业务推荐，以提升业务推荐的成功率，然而，由于认知的局限性，通过先验知识通常无法全面获取用户的特征，难以准确的预测用户是否会办理业务。

技术实现要素：

本发明所要解决的技术问题是提供一种用户行为的预测方法，能够准确的预测用户是否会办理业务。

本发明还提供了一种用户行为的预测装置，用以保证上述方法在实际中的实现及应用。

一种用户行为的预测方法，包括：

响应于行为预测指令，获取备选用户集合；所述备选用户集合包含多个备选用户；

确定所述备选用户集合中的签约用户组以及未签约用户组；所述签约用户组包含已办理目标业务的各个签约用户；所述未签约用户组包含未办理所述目标业务的各个未签约用户；

确定所述签约用户组中满足预设的筛选条件的目标签约用户；所述筛选条件为与所述未签约用户组中的至少一个未签约用户存在关联关系；

对于每个与所述目标签约用户存在关联关系的未签约用户，应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果。

上述的方法，可选的，所述获取备选用户集合，包括：

获取每个用户的交易数据；

对于每个所述用户，若该用户的交易数据中包含预设的交易行为类型的数据，则将该用户确定为备选用户。

上述的方法，可选的，所述确定所述备选用户集合中的签约用户组以及未签约用户组，包括：

获取所述目标业务的签约数据；

基于所述签约数据在所述备选用户集合中确定出已办理所述目标业务的签约用户；

将各个所述签约用户组成签约用户组，并将所述备选用户集合中除所述签约用户组以外的各个备选用户组成未签约用户组。

上述的方法，可选的，所述应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果，包括：

获取业务数据，所述业务数据包括用户基本信息、交易数据、金融资产数据以及与预设的交易行为类型相关联的行为数据；

对所述业务数据进行预处理，获得该未签约用户的业务特征；

将所述业务特征输入至所述用户行为预测模型，获得所述用户行为预测模型输出的该未签约用户与所述目标业务对应的行为预测结果。

上述的方法，可选的，所述行为预测结果表征在预设的未来时段内办理所述目标业务的概率值；

相应的，所述获得该未签约用户与所述目标业务对应的行为预测结果之后，还包括：

若所述概率值大于预先设置的概率阈值，则向所述未签约用户发送签约推荐信息，以推荐所述未签约用户办理所述目标业务。

一种用户行为的预测装置，包括：

获取单元，用于响应于行为预测指令，获取备选用户集合；所述备选用户集合包含多个备选用户；

第一确定单元，用于确定所述备选用户集合中的签约用户组以及未签约用户组；所述签约用户组包含已办理目标业务的各个签约用户；所述未签约用户组包含未办理所述目标业务的各个未签约用户；

第二确定单元，用于确定所述签约用户组中满足预设的筛选条件的目标签约用户；所述筛选条件为与所述未签约用户组中的至少一个未签约用户存在关联关系；

预测单元，用于对于每个与所述目标签约用户存在关联关系的未签约用户，应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果。

上述的装置，可选的，所述获取单元，包括：

第一获取子单元，用于获取每个用户的交易数据；

第二确定子单元，用于对于每个所述用户，若该用户的交易数据中包含预设的交易行为类型的数据，则将该用户确定为备选用户。

上述的装置，可选的，所述第一确定单元，包括：

第二获取子单元，用于获取所述目标业务的签约数据；

第二确定子单元，用于基于所述签约数据在所述备选用户集合中确定出已办理所述目标业务的签约用户；

第一执行子单元，用于将各个所述签约用户组成签约用户组，并将所述备选用户集合中除所述签约用户组以外的各个备选用户组成未签约用户组。

上述的装置，可选的，所述预测单元，包括：

第三获取子单元，用于获取业务数据，所述业务数据包括用户基本信息、交易数据、金融资产数据以及与预设的交易行为类型相关联的行为数据；

预处理单元，用于对所述业务数据进行预处理，获得该未签约用户的业务特征；

第二执行子单元，用于将所述业务特征输入至所述用户行为预测模型，获得所述用户行为预测模型输出的该未签约用户与所述目标业务对应的行为预测结果。

上述的装置，可选的，所述行为预测结果表征在预设的未来时段内办理所述目标业务的概率值；

相应的，所述用户行为的预测装置，还包括：

发送单元，用于若所述概率值大于预先设置的概率阈值，则向所述未签约用户发送签约推荐信息，以推荐所述未签约用户办理所述目标业务。

与现有技术相比，本发明包括以下优点：

本发明提供了一种用户行为的预测方法及装置，该方法包括：响应于行为预测指令，获取备选用户集合；所述备选用户集合包含多个备选用户；确定所述备选用户集合中的签约用户组以及未签约用户组；所述签约用户组包含已办理目标业务的各个签约用户；所述未签约用户组包含未办理所述目标业务的各个未签约用户；确定所述签约用户组中满足预设的筛选条件的目标签约用户；所述筛选条件为与所述未签约用户组中的至少一个未签约用户存在关联关系；对于每个与所述目标签约用户存在关联关系的未签约用户，应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果。应用本发明实施例提供的方法，能够准确的获得未签约用户与目标业务对应的行为预测结果，进而能够提升业务推荐的成功率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种用户行为的预测方法的方法流程图；

图2为本发明提供的一种获取备选用户集合的过程的流程图；

图3为本发明提供的一种确定备选用户集合中的签约用户组以及未签约用户组的过程的流程图；

图4为本发明提供的一种获得未签约用户与目标业务对应的行为预测结果的过程的流程图；

图5为本发明提供的一种用户行为的预测方法的流程示例图；

图6为本发明提供的一种用户行为的预测装置的结构示意图；

图7为本发明提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例提供了一种用户行为的预测方法，该方法可以应用于电子设备，所述方法的方法流程图如图1所示，具体包括：

s101：响应于行为预测指令，获取备选用户集合；所述备选用户集合包含多个备选用户。

在本发明实施例中，备选用户可以为其交易数据中包含预设的交易行为类型的消费数据的用户，可选的，该备选用户可以为疑似车主用户。

s102：确定所述备选用户集合中的签约用户组以及未签约用户组；所述签约用户组包含已办理目标业务的各个签约用户；所述未签约用户组包含未办理所述目标业务的各个未签约用户。

在本发明实施例中，该目标业务可以为etc设备安装业务。

s103：确定所述签约用户组中满足预设的筛选条件的目标签约用户；所述筛选条件为与所述未签约用户组中的至少一个未签约用户存在关联关系。

在本发明实施例中，目标签约用户的数量可以为一个或多个。

其中，可以通过用户关系链确定签约用户与未签约用户是否存在关联关系，该用户关系链中可以记录有各个用户之间的交易紧密度和/或关系亲密度；若签约用户组中的签约用户与未签约用户组的任意未签约用户之间的交易紧密度大于预先设置的交易紧密度阈值，或者，关系亲密度大于预先设置的关系亲密度阈值，则确定该签约用户与该未签约用户存在关联关系，也即，该签约用户为目标签约用户。

具体的，该交易紧密度可以根据两个用户之间的转账交易流水数据中的转账金额、转账笔数以及转账时间等数据进行计算得到。

可选的，该关系亲密度可以根据两个用户之间的交易关系数据、股权关系数据以及担保关系数据计算得到。

其中，可以通过图分析算法，挖掘与签约用户存在关联关系的未签约用户。

s104：对于每个与所述目标签约用户存在关联关系的未签约用户，应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果。

在本发明实施例中，该业务数据可以包括用户基本信息、交易数据、金融资产数据以及与预设的交易行为类型相关联的行为数据等以上一种或多种。

其中，该用户行为预测模型可以为各个类型的机器学习模型，例如，可以为基于随机森林算法的模型，该用户行为预测模型可以通过各个历史用户的业务数据进行训练得到。

应用本发明实施例提供的方法，能够准确的获得未签约用户与目标业务对应的行为预测结果，进而能够提升业务推荐的成功率。

在本发明实施例提供的方法中，基于上述的实施过程，具体的，所述获取备选用户集合，如图2所示，包括：

s201：获取每个用户的交易数据。

在本发明实施例中，每个用户的交易数据可以包含该用户的多个行为类型的数据。

s202：对于每个所述用户，若该用户的交易数据中包含预设的交易行为类型的数据，则将该用户确定为备选用户。

在本发明实施例中，若该用户的交易数据中包含购买汽车、购买车险、汽车保养维护缴费、加油缴费、缴纳交通罚款、办理车辆分期、支付车贷以及持有特定类型的信用卡等以上一个或多个交易行为类型的数据，则可以将该用户确定为备选用户。

在本发明实施例提供的方法中，基于上述的实施过程，具体的，所述确定所述备选用户集合中的签约用户组以及未签约用户组，如图3所示，具体包括：

s301：获取所述目标业务的签约数据。

在本发明实施例中，该签约数据包括内部签约数据和外部签约数据，可以在银行服务器中获取银行内部的目标业务的内部签约数据，也可以通过外部服务器获取外部的目标业务的外部签约数据。

s302：基于所述签约数据在所述备选用户集合中确定出已办理所述目标业务的签约用户。

在本发明实施例中，获取签约数据中包含的签约用户标识，将备选用户集合中的每个备选用户各个签约用户标识进行匹配，若存在与签约用户标识匹配成功的备选用户，则将该备选用户确定为签约用户。

s303：将各个所述签约用户组成签约用户组，并将所述备选用户集合中除所述签约用户组以外的各个备选用户组成未签约用户组。

在本发明实施例提供的方法中，基于上述的实施过程，具体的，所述应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果，如图4所示，具体包括：

s401：获取业务数据，所述业务数据包括用户基本信息、交易数据、金融资产数据以及与预设的交易行为类型相关联的行为数据。

在本发明实施例中，该交易行为类型相关联的行为数据可以为汽车类消费行为数据。

s402：对所述业务数据进行预处理，获得该未签约用户的业务特征。

在本发明实施例中，通过对业务数据进行预处理，可以获得该未签约用户的与预测模型的输入格式相匹配的业务特征。

s403：将业务特征输入至用户行为预测模型，获得该未签约用户的行为预测结果。

在本发明实施例中，该行为预测结果可以表征该未签约用户在预设的未来时段内是否会办理该目标业务，也可以为该未签约用户在预测的未来时段内办理该目标业务的概率值。

在本发明实施例提供的方法中，基于上述的实施过程，具体的，所述行为预测结果表征在预设的未来时段内办理所述目标业务的概率值；

相应的，所述获得该未签约用户与所述目标业务对应的行为预测结果之后，还包括：

若所述概率值大于预先设置的概率阈值，则向所述未签约用户发送签约推荐信息，以推荐所述未签约用户办理所述目标业务。

在本发明实施例中，该概率阈值可以根据实际需求设置为任意大小，例如，可以设置为50％。

本发明实施例提供的用户行为的预测方法，可以应用在多种领域当中，例如，可以应用于预测用户在预设的未来时段内是否办理etc业务，如图5所示，为本发明实施例提供的一种用户行为的预测方法的流程示例图，具体如下：

步骤a：基于持有汽车主题类型的信用卡、借记卡、etc卡等产品中产生的汽车类消费、车贷等行为数据推断识别全量备选用户。

具体的，基于个人消费类信息(交易备注或交易对手方信息)提取客户使用pos机刷卡购车、买车险、保养、加油等的交易行为。提取客户缴交交通罚款，高速消费等交易行为；基于借记卡和信用卡属性信息，挖掘出持有银行信用卡、汽车类型的借记卡或etc卡的客户；基于车险购买信息提取车主缴交车险的交易信息，包括购买日期、保险公司名称、车险金额、车牌号码等，再结合银行内的用户基本属性、通讯地址，与上述的汽车类消费行为、资产负债信息和产品签约持有信息组成对备选用户中的已签约用户和/或未签约用户的画像。

步骤b：整合内部etc签约数据与外部获取的etc签约数据，精准识别出备选用户中的已签约用户。

步骤c：运用图分析技术，挖掘存量etc用户作为裂变式推荐的种子用户，该种子用户好友圈至少有两位未办理etc业务的备选用户。

在本发明实施例中，图分析主要是依托预先构建的用户关系链，基于全量用户、多维数据，识别用户家庭、股权、资金等多维度社会关系，基于多维度关系综合量化用户间关系亲密程度。

其中，交易紧密度以用户在银行的转账交易流水为基础，综合考虑金额、笔数、时间等因素，量化用户与用户之间的交易紧密程度。关系亲密度以用户交易、股权、担保等现实关系为基础，综合考虑用户所处社交网络的位置，计算出衡量两个实体之间关系亲密程度的量化分值。

步骤d：利用随机森林算法等机器学习算法构建用户行为预测模型，对未签约的备选用户的业务数据进行处理，获得该备选用户的行为预测结果。

在本发明实施例中，运行前述模型得到客户签约etc的概率，下发数字化管理系统(n-crmp系统)，通过n-crmp系统进行推荐，并将推荐情况通过n-crmp系统进行反馈。根据收集的n-crmp系统反馈的推荐情况，计算真实的准确率，优化模型，下次下发名单根据反馈的推荐成功率数据计算清单客户数量。通过对比客户推荐转化概率50％以上的客户和概率50％以下的客户，发现概率值在50％以上客户推荐成功率是概率值在50％以下客户的2.1倍，模型效果良好。

与图1所述的方法相对应，本发明实施例还提供了一种用户行为的预测装置，用于对图1中方法的具体实现，本发明实施例提供的用户行为的预测装置可以应用于电子设备中，其结构示意图如图6所示，具体包括：

获取单元601，用于响应于行为预测指令，获取备选用户集合；所述备选用户集合包含多个备选用户；

第一确定单元602，用于确定所述备选用户集合中的签约用户组以及未签约用户组；所述签约用户组包含已办理目标业务的各个签约用户；所述未签约用户组包含未办理所述目标业务的各个未签约用户；

第二确定单元603，用于确定所述签约用户组中满足预设的筛选条件的目标签约用户；所述筛选条件为与所述未签约用户组中的至少一个未签约用户存在关联关系；

预测单元604，用于对于每个与所述目标签约用户存在关联关系的未签约用户，应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果。

在本发明提供的一实施例中，基于上述的方案，具体的，所述获取单元601，包括：

第一获取子单元，用于获取每个用户的交易数据；

第二确定子单元，用于对于每个所述用户，若该用户的交易数据中包含预设的交易行为类型的数据，则将该用户确定为备选用户。

在本发明提供的一实施例中，基于上述的方案，具体的，所述第一确定单元602，包括：

第二获取子单元，用于获取所述目标业务的签约数据；

第二确定子单元，用于基于所述签约数据在所述备选用户集合中确定出已办理所述目标业务的签约用户；

第一执行子单元，用于将各个所述签约用户组成签约用户组，并将所述备选用户集合中除所述签约用户组以外的各个备选用户组成未签约用户组。

在本发明提供的一实施例中，基于上述的方案，具体的，所述预测单元604，包括：

第三获取子单元，用于获取业务数据，所述业务数据包括用户基本信息、交易数据、金融资产数据以及与预设的交易行为类型相关联的行为数据；

预处理单元，用于对所述业务数据进行预处理，获得该未签约用户的业务特征；

第二执行子单元，用于将所述业务特征输入至所述用户行为预测模型，获得所述用户行为预测模型输出的该未签约用户与所述目标业务对应的行为预测结果。

在本发明提供的一实施例中，基于上述的方案，具体的，所述行为预测结果表征在预设的未来时段内办理所述目标业务的概率值；

相应的，所述用户行为的预测装置，还包括：

发送单元，用于若所述概率值大于预先设置的概率阈值，则向所述未签约用户发送签约推荐信息，以推荐所述未签约用户办理所述目标业务。

上述本发明实施例公开的用户行为的预测装置中的各个单元和模块具体的原理和执行过程，与上述本发明实施例公开的用户行为的预测方法相同，可参见上述本发明实施例提供的用户行为的预测方法中相应的部分，这里不再进行赘述。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述用户行为的预测方法。

本发明实施例还提供了一种电子设备，其结构示意图如图7所示，具体包括存储器701，以及一个或者一个以上的指令702，其中一个或者一个以上指令702存储于存储器701中，且经配置以由一个或者一个以上处理器703执行所述一个或者一个以上指令702进行以下操作：

响应于行为预测指令，获取备选用户集合；所述备选用户集合包含多个备选用户；

确定所述备选用户集合中的签约用户组以及未签约用户组；所述签约用户组包含已办理目标业务的各个签约用户；所述未签约用户组包含未办理所述目标业务的各个未签约用户；

确定所述签约用户组中满足预设的筛选条件的目标签约用户；所述筛选条件为与所述未签约用户组中的至少一个未签约用户存在关联关系；

对于每个与所述目标签约用户存在关联关系的未签约用户，应用预先设置的用户行为预测模型对该未签约用户的业务数据进行预测，获得该未签约用户与所述目标业务对应的行为预测结果。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明所提供的一种用户行为的预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。