一种银行网点客流量预测方法及装置与流程

1.本技术涉及数据处理技术领域，尤其涉及一种银行网点客流量预测方法及装置。


背景技术：

2.银行网点是面对群众的最前线，涉及的业务面广泛，往往每天将应对大量具有不同需求的客户。银行网点为客户提供多种业务服务，不同的业务由银行网点中不同的业务人员负责。目前，银行网点可能出现某个业务的业务负责人员较为空闲，而另一个业务的业务负责人员则过于忙碌的情况，即业务人员的分配不均的情况。为了进行不同业务人员的合理分配，需要提前预测不同业务对应的客流量。因此，目前本领域技术人员急需一种可以预测银行网点客流量预测方法。


技术实现要素：

3.为了解决上述技术问题，本技术提供了一种可以预测银行网点客流量预测方法，用于提前预测不同业务对应的客流量，进行不同业务人员的合理分配。
4.为了实现上述目的，本技术实施例提供的技术方案如下：
5.本技术实施例提供一种银行网点客流量预测方法，其特征在于，包括：
6.获得目标网点对应的客户数据；
7.根据客户数据生成第一影响因子；第一影响因子指示客户最近一次在银行网点办理业务的时间；
8.根据客户数据和第一影响因子生成客户特征；
9.将客户特征利用奇异值进行分解和降维后，输入目标业务对应的业务模型，获得目标网点中目标业务的客流量；业务模型为训练后的人工智能模型。
10.作为一种可能的实施方式，本技术实施例提供的方法还包括：
11.根据客户数据生成第二影响因子；第二影响因子指示客户办理定期业务的时间；
12.根据客户数据和第一影响因子生成客户特征，包括：
13.根据客户数据、第一影响因子和第二影响因子生成客户特征。
14.作为一种可能的实施方式，根据客户数据、第一影响因子和第二影响因子生成客户特征，包括：
15.根据客户数据、第一影响因子和第二影响因子，通过深度兴趣网络，生成客户特征。
16.作为一种可能的实施方式，客户数据包括客户行为数据和客户兴趣数据；客户行为数据指示客户的历史行为；客户兴趣数据指示客户的常用业务。
17.作为一种可能的实施方式，目标业务包括对公交易、现金交易、缴费和贷款其中的至少一种。
18.作为一种可能的实施方式，业务模型为通过训练集训练得到的；
19.训练集包括历史的客户数据和未来信息数据；未来信息数据指示预设事件在未来
发生的时间。
20.根据上述的银行网点客流量预测方法，本技术还提供了一种银行网点客流量预测装置，包括：
21.获得模块，用于获得目标网点对应的客户数据；
22.第一生成模块，用于根据客户数据生成第一影响因子；第一影响因子指示客户最近一次在银行网点办理业务的时间；
23.第二生成模块，用于根据客户数据和第一影响因子生成客户特征；
24.输入模块，用于将客户特征利用奇异值进行分解和降维后，输入目标业务对应的业务模型，获得目标网点中目标业务的客流量；业务模型为训练后的人工智能模型。
25.作为一种可能的实施方式，还包括：
26.第三生成模块，用于根据客户数据生成第二影响因子；第二影响因子指示客户办理定期业务的时间；
27.第二生成模块，具体用于根据客户数据、第一影响因子和第二影响因子生成客户特征。
28.作为一种可能的实施方式，第二生成模块用于：
29.根据客户数据、第一影响因子和第二影响因子，通过深度兴趣网络，生成客户特征。
30.作为一种可能的实施方式，客户数据包括客户行为数据和客户兴趣数据；客户行为数据指示客户的历史行为；客户兴趣数据指示客户的常用业务。
31.通过上述技术方案可知，本技术具有以下有益效果：
32.本技术实施例提供了一种银行网点客流量预测方法，包括：获得目标网点对应的客户数据；根据客户数据生成第一影响因子；第一影响因子指示客户最近一次在银行网点办理业务的时间；根据客户数据和第一影响因子生成客户特征；将客户特征利用奇异值进行分解和降维后，输入目标业务对应的业务模型，获得目标网点中目标业务的客流量；业务模型为训练后的人工智能模型。
33.由此可知，本技术实施例提供的银行网点客流量预测方法，通过业务模型对客户数据中客户历史行为和习惯数据进行特征提取，以预测未来不同业务可能到来的客户数量，利于网点管理员对人员进行合理分配。本技术实施例提供的银行网点流量预测方法，还通过设置随着时间衰减的第一影响因子，考虑客户办理业务后可能存在二次办理的需要，增强推荐的准确性。
附图说明
34.为了更清楚地说明本技术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，下面描述中的附图是本技术的一些实施例，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，还可以根据这些附图获得其他的附图。
35.图1为本技术实施例提供的一种银行网点客流量预测方法的流程图；
36.图2为本技术实施例提供的一种银行网点客流量预测装置的示意图。
具体实施方式
37.为了帮助更好地理解本技术实施例提供的方案，在介绍本技术实施例提供的方法之前，先介绍本技术实施例方案的应用的场景。
38.银行网点是面对群众的最前线，涉及的业务面广泛，往往每天将应对大量具有不同需求的客户。银行网点为客户提供多种业务服务，不同的业务由银行网点中不同的业务人员负责。目前，银行网点可能出现某个业务的业务负责人员较为空闲，而另一个业务的业务负责人员则过于忙碌的情况，即业务人员的分配不均的情况。为了进行不同业务人员的合理分配，需要提前预测不同业务对应的客流量。因此，目前本领域技术人员急需一种可以预测银行网点客流量预测方法。
39.为了解决上述的技术问题，本技术实施例提供了一种银行网点客流量预测方法，包括：获得目标网点对应的客户数据；根据客户数据生成第一影响因子；第一影响因子指示客户最近一次在银行网点办理业务的时间；根据客户数据和第一影响因子生成客户特征；将客户特征利用奇异值进行分解和降维后，输入目标业务对应的业务模型，获得目标网点中目标业务的客流量；业务模型为训练后的人工智能模型。
40.由此可知，本技术实施例提供的银行网点客流量预测方法，通过业务模型对客户数据中客户历史行为和习惯数据进行特征提取，以预测未来不同业务可能到来的客户数量，利于网点管理员对人员进行合理分配。本技术实施例提供的银行网点流量预测方法，还通过设置随着时间衰减的第一影响因子，考虑客户办理业务后可能存在二次办理的需要，增强推荐的准确性。
41.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术实施例作进一步详细的说明。
42.参见图1，该图为本技术实施例提供的一种银行网点客流量预测方法的流程图。
43.如图1所示，本技术实施例提供的银行网点客流量预测方法，包括：
44.s101：获得目标网点对应的客户数据。
45.s102：根据客户数据生成第一影响因子；第一影响因子指示客户最近一次在银行网点办理业务的时间。
46.s103：根据客户数据和第一影响因子生成客户特征。
47.s104：将客户特征利用奇异值进行分解和降维后，输入目标业务对应的业务模型，获得目标网点中目标业务的客流量；业务模型为训练后的人工智能模型。
48.需要说明的是，客户数据包括客户行为数据和客户兴趣数据；客户行为数据指示客户的历史行为；客户兴趣数据指示客户的常用业务。客户数据还可以包括客户画像，客户画像中包括客户的基本信息，如年龄，职业等。
49.需要说明的是，在银行网点存在同一业务多次办理的现象。客户在银行网点办理过一次业务后，存在可能性再来银行网点办理同样的业务。第一影响因子指示客户最近一次在银行网点办理业务的时间，客户最近一次在银行办理业务的时间和客户下次来银行办理业务存在关联。本技术实施例通过第一影响因子体现银行网点中两次业务办理之间存在时间衰减因子，使得业务模型关注到客户的多次办理业务，通常来说时间间隔越大，时间衰减因子衰减到越小。
50.考虑到客户可能有业务需要定期在银行进行办理。作为一种可能的实施方式，根
据客户数据生成第二影响因子；第二影响因子指示客户办理定期业务的时间。相应地，本技术实施例可以根据客户数据、第一影响因子和第二影响因子生成客户特征。需要说明的是，客户数据中可能指示客户怼业务产品存在潜在动力，每个月同一天的发工资日客户将来银行网点办理相关业务，或客户可能存在固定的缴纳水电费日期来银行办理相关业务。因此本技术实施例可以根据客户数据生成第二影响因子，使得业务模型关注到客户的定期业务。
51.作为一种可能的实施方式，根据客户数据、第一影响因子和第二影响因子生成客户特征，包括：根据客户数据、第一影响因子和第二影响因子，通过深度兴趣网络，生成客户特征。在实际的应用中，本技术实施例可能还存在第三影响因子或第四影响因子或其他多个影响因子，本技术实施例在此不做限定。
52.作为一种可能的实施方式，在将客户数据、第一影响因子和第二影响因子输入兴趣网络之前，还可以将客户数据与第一影响因子和第二影响因子进行融合，得到融合数据。再将融合数据输入深度兴趣网络。本技术实施例中的深度兴趣网络可以对融合数据进行自适应学习到客户对银行网点各种业务的潜在兴趣特征。
53.本技术实施例提供的业务模型为通过训练集训练得到的。训练集可以包括历史的客户数据和未来信息数据；未来信息数据指示预设事件在未来发生的时间。需要说明的是，本技术实施例中的客户数据可以为该银行网点历史的客户数据，包括客户行为数据、客户兴趣数据和客户画像等。本技术实施例中的未来信息数据，可以指示预设事件在未来发生的时间，例如银行利息标准将在未来的某个时间降低，这些信息也可能对客户的兴趣业务选择带来影响。因此训练得到的客户流量模型具有更好的普适性和更精准的预测性。
54.在实际的应用中，目标业务包括对公交易、现金交易、缴费和贷款其中的至少一种。银行的工作人员可以选择不同的目标业务对应的业务模型进行客户流量预测，从而得到不同的目标业务对应的客户流量，进而增加或减少该业务负载的银行业务人员。例如，本技术实施例将客户数据及其相关的影响因子输入缴费业务对应的业务模型中，可以获得缴费业务对应的客流量。如果缴费业务对应的客流量较大，银行网点可以增加负责该业务的业务人员；而如果缴费业务对应的客流量较小，银行网点可以减少负载该业务的业务人员，从而网点管理员可以对业务人员进行较为合理的分配。
55.综上所述，本技术实施例提供的银行网点客流量预测方法，通过业务模型对客户数据中客户历史行为和习惯数据进行特征提取，以预测未来不同业务可能到来的客户数量，利于网点管理员对人员进行合理分配。本技术实施例提供的银行网点流量预测方法，还设置指示多次业务办理的第一影响因子和指示定期业务的第二影响因子，增强推荐的准确性。
56.根据上述实施例提供的银行网点客流量预测方法，本技术实施例还提供了一种银行网点客流量预测装置。
57.参见图2，该图为本技术实施例提供的一种银行网点客流量预测装置的示意图。
58.如图2所示，本技术实施例提供的银行网点客流量预测装置，包括：
59.获得模块100，用于获得目标网点对应的客户数据；
60.第一生成模块200，用于根据客户数据生成第一影响因子；第一影响因子指示客户最近一次在银行网点办理业务的时间；
61.第二生成模块300，用于根据客户数据和第一影响因子生成客户特征；
62.输入模块400，用于将客户特征利用奇异值进行分解和降维后，输入目标业务对应的业务模型，获得目标网点中目标业务的客流量；业务模型为训练后的人工智能模型。
63.在本技术实施例中，银行网点客流量预测装置还包括：第三生成模块，用于根据客户数据生成第二影响因子；第二影响因子指示客户办理定期业务的时间；第二生成模块，具体用于根据客户数据、第一影响因子和第二影响因子生成客户特征。
64.作为一种可能的实施方式，第二生成模块用于：根据客户数据、第一影响因子和第二影响因子，通过深度兴趣网络，生成客户特征。作为一种可能的实施方式，客户数据包括客户行为数据和客户兴趣数据；客户行为数据指示客户的历史行为；客户兴趣数据指示客户的常用业务。
65.综上所述，本技术实施例提供的银行网点客流量预测装置，通过业务模型对客户数据中客户历史行为和习惯数据进行特征提取，以预测未来不同业务可能到来的客户数量，利于网点管理员对人员进行合理分配。本技术实施例提供的银行网点流量预测装置，还设置指示多次业务办理的第一影响因子和指示定期业务的第二影响因子，增强推荐的准确性。
66.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上述实施例方法中的全部或部分步骤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，本技术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，或者诸如媒体网关等网络通信设备，等等)执行本技术各个实施例或者实施例的某些部分所述的方法。
67.需要说明的是，本说明书中各个实施例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部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见系统部分说明即可。
68.还需要说明的是，在本文中，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。
69.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
70.需要说明的是，本发明提供的银行网点客流量预测方法及装置可用于人工智能领域、区块链领域、分布式领域、云计算领域、大数据领域、物联网领域、移动互联领域、网络安全领域、芯片领域、虚拟现实领域、增强现实领域、全息技术领域、量子计算领域、量子通信领域、量子测量领域、数字孪生领域或金融领域。上述仅为示例，并不对本发明提供的银行
网点客流量预测方法及装置的应用领域进行限定。