客户画像数据处理方法及装置与流程

1.本技术涉及数据处理领域，可用于金融领域，具体涉及一种客户画像数据处理方法及装置。


背景技术：

2.当前个贷客户主要来源为中介推荐，网点推荐、客户推荐。其中中介推荐客户占全年客户的80％；另一方面同业竞争激烈，贷款条件逐渐苛刻，中介渠道来源受限；而网点推荐和客户推荐更是基于客户意愿以及客户的主动行为，占总营销客户数的比例较小。当前客户来源被动，主动出击营销方向不明确，靠人工经验无法获得大量目标客户。
3.同时，线下难以全面的掌握客户的实际情况，一线营销人员无法了解客户的流水等数据，无法做出客观准确的资质判断，较难发现客户的真实需求和确定的营销触点，导致营销的成功率偏低。


技术实现要素：

4.针对现有技术中的问题，本技术提供一种客户画像数据处理方法及装置，能够准确挖掘客户贷款需求。
5.为了解决上述问题中的至少一个，本技术提供以下技术方案：
6.第一方面，本技术提供一种客户画像数据处理方法，包括：
7.确定目标客户并标识所述目标客户的正负样本；
8.提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；
9.根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型。
10.进一步地，所述确定目标客户并标识所述目标客户的正负样本，包括：
11.根据预设业务专家规则确定满足条件的目标客户；
12.将具有贷款历史的目标客户标识为正样本，将具有逾期失信记录的目标客户标识为负样本。
13.进一步地，所述提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像，包括：
14.提取所述目标客户的客户基础特征、客户金融特征以及客户信用特征；
15.根据所述客户基础特征、客户金融特征以及客户信用特征生成对应的客户画像。
16.进一步地，所述根据所述客户画像确定所述目标客户的预测指标，包括：
17.根据所述客户画像中设定时间周期内的交易笔数和交易金额确定所述目标客户的周期经营规模指标和周期经营效益指标；
18.根据所述客户画像中设定时间周期内的流入型交易笔数确定所述目标客户的回款周期指标。
19.进一步地，所述根据所述预测指标构建客户贷款预测模型，包括：
20.根据所述预测指标确定客户特征集合；
21.根据所述客户特征集合和预设分类模型算法对设定客户贷款预测模型进行模型训练，得到经过模型训练后的客户贷款预测模型。
22.进一步地，在所述根据所述预测指标构建客户贷款预测模型之后，包括：
23.根据客户贷款预测模型对所述目标客户进行贷款意愿预测，生成对应的意愿客户清单；
24.对所述意愿客户清单中的各目标客户进行特征分析，确定对应的意愿客户画像。
25.第二方面，本技术提供一种客户画像数据处理装置，包括：
26.正负标识模块，用于确定目标客户并标识所述目标客户的正负样本；
27.画像生成模块，用于提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；
28.意愿预测模块，用于根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型。
29.第三方面，本技术提供一种电子设备，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程序时实现所述的客户画像数据处理方法的步骤。
30.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的客户画像数据处理方法的步骤。
31.第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的客户画像数据处理方法的步骤。
32.由上述技术方案可知，本技术提供一种客户画像数据处理方法及装置，通过确定目标客户并标识所述目标客户的正负样本；提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型，由此能够准确挖掘客户贷款需求。
附图说明
33.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。
34.图1为本技术实施例中的客户画像数据处理方法的流程示意图之一；
35.图2为本技术实施例中的客户画像数据处理方法的流程示意图之二；
36.图3为本技术实施例中的客户画像数据处理方法的流程示意图之三；
37.图4为本技术实施例中的客户画像数据处理方法的流程示意图之四；
38.图5为本技术实施例中的客户画像数据处理方法的流程示意图之五；
39.图6为本技术实施例中的客户画像数据处理方法的流程示意图之六；
40.图7为本技术实施例中的客户画像数据处理装置的结构图；
41.图8为本技术实施例中的电子设备的结构示意图。
具体实施方式
42.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
43.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
44.考虑到现有技术中存在的问题，本技术提供一种客户画像数据处理方法及装置，通过确定目标客户并标识所述目标客户的正负样本；提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型，由此能够准确挖掘客户贷款需求。
45.为了能够准确挖掘客户贷款需求，本技术提供一种客户画像数据处理方法的实施例，参见图1，所述客户画像数据处理方法具体包含有如下内容：
46.步骤s101：确定目标客户并标识所述目标客户的正负样本。
47.可选的，本技术可以采集研究对象。根据业务专家设定的普惠贷款的规则条件r1、r2、r3，提取满足条件的客户c1、c2、c3，取三类客户的交集结果获取得到本发明的研究对象c。
48.c＝c1∩c2∩c349.可选的，本技术可以标识正负样本。将历史上已办理过个人和对公普惠贷款的客户分别作为后续机器学习模型的正样本p1，p2。基于以下专家经验及普惠贷款办理规则确定模型的负样本n：
50.(1)客户所属企业曾为严重违法失信企业；
51.(2)客户曾连续逾期3期，累计逾期8期；
52.(3)客户所属企业曾为失信被执行企业，未标识的客户为待预测样本un＝c-c∩(p1∪p2)-c∩n。
53.步骤s102：提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像。
54.可选的，本技术可以提取和整合基本数据。针对选定的客户集，分别提取客户基础特征、客户资产及流水等金融特征、客户历史贷款等相关信用特征。每类特征从个人客户及企业客户两个维度。
55.可选的，企业经营各类别的资金变动反映企业经营情况如何，本发明构建企业经营类型k(例如可以包括工资福利、采购经营、日常经营、主营流入、行外贷款、纳税支出)。
56.可选的，本技术可以基于业务需求将关键词按照类型进行划分，生成企业资金流类型集合ku＝{ku
ij
|i∈n,j∈n,i＜k and j＜n}，其中n为自然数，k为企业经营类型个数，n为各经营类型关键字数量的最大值，ku
ij
表示第i个经营类型的第k个关键字
57.输入：从数据仓库或数据湖中提取企业客户c交易的资金用途uc。
58.输出：客户c的属于经营类型kui的交易笔数cnt
ci
、交易金额amt
ci
。
59.算法：首先，匹配资金用途uc和资金流类型i集合ku
ij
，得到匹配结果rc。计算方法如下。
[0060][0061]
其中，contain(uc,kui)表示存在某个资金流类型kui，满足资金用途字符串uc包含了资金流类型关键词kui。
[0062]
然后，从数据库中提取m月企业客户c资金交易明细，生成交易笔数集合dcc(m)和交易金额集合dac(m)。
[0063]
客户c的属于m月经营类型kui的交易笔数cnt
ci
计算方法如下。
[0064]
cnt
ci
(m)＝dcc(m)*rc[0065]
客户c的属于m月经营类型kui的交易金额amt
ci
。
[0066]
amt
ci
(m)＝dac(m)*rc[0067]
步骤s103：根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型。
[0068]
可选的，本技术可以生成企业经营指标算法。结合企业经营类型和企业的资金流转规律，企业经营好坏依据企业经营规模、企业扩张意图、企业经营收益以及回款周期等指标评估。每个企业都有其独特的生命周期以及经营的淡旺季，企业经营指标往往需要持续一段时间才能稳定呈现，发明将研究时间段定义为距离当前时间月数：
[0069]
m＝{m|m∈[1,3,6,12]}
[0070]
(1)企业周期经营规模算法，将企业客户按月度统计其各经营类型的交易笔数cnt
ci
(m)与交易金额amt
ci
(m),企业周期经营规模相关指标的算法如下：
[0071][0072][0073]
依据以上方法，可计算出客户c的各周期经营规模序列，fea
2,c
＝{[mcnt(m)],[mamt(m)]|m∈m}，经营规模特征f2＝{f
2,c
|c∈c}
[0074]
(2)企业周期经营效益算法，将企业客户按月度统计其各经营类型的交易笔数cnt
ci
(m)与交易金额amt
ci
(m)，企业周期经营效益指标算法如下：
[0075][0076][0077]
依据以上方法，可计算出客户c的各周期经营效益序列，fea
3,c
＝{[mcnt_add(m)],[mamt_add(m)]|m∈m}，经营效益特征f3＝{f
3,c
|c∈c}。
[0078]
(3)企业回款周期算法，将企业客户按月度统计主营流入类型的交易笔数cntc(m)，企业回款周期指标hc的算法如下：
[0079]
hc＝cntc(m)/m
[0080]
依据以上方法，可计算出客户c的各周期经营回款序列，fea
4,c
＝{[hc(m)]|m∈m}，经营回款特征f4＝{f
4,c
|c∈c}。
[0081]
可选的，本技术可以整合和筛选客户基本特征集合f1、经营规模特征f2、经营效益特征f3、经营回款特征f4，得到最终客户特征集合f＝{fc|c∈c}。达到两类标准的正样本客户特征集分别为f
p1
＝{fc|c∈p1}，f
p2
＝{fc|c∈p2}，负样本客户特征集为fn＝{fc|c∈n}。模型的建立方法如下：
[0082]
输入：达到标准的正样本客户集p1,p2，及其特征集f
p1
,f
p2
，负样本客户集n，及其特征集fn。
[0083]
输出：模型结果m1，m2。
[0084]
算法：从正样本特征集f
p1
，f
p2
中抽取固定比例t的样本作为训练集，从负样本特征集fn中抽取固定比例t的样本作为训练集f
t,n
，构建训练数据集f
t
,
p1
yf
t,n
和f
t
,
p2
yf
t,n
，利用xgboost分类模型算法，
[0085]
分别训练两组模型m1，m2。
[0086]
从上述描述可知，本技术实施例提供的客户画像数据处理方法，能够通过确定目标客户并标识所述目标客户的正负样本；提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型，由此能够准确挖掘客户贷款需求。
[0087]
在本技术的客户画像数据处理方法的一实施例中，参见图2，还可以具体包含如下内容：
[0088]
步骤s201：根据预设业务专家规则确定满足条件的目标客户。
[0089]
步骤s202：将具有贷款历史的目标客户标识为正样本，将具有逾期失信记录的目标客户标识为负样本。
[0090]
可选的，本技术可以采集研究对象。根据业务专家设定的普惠贷款的规则条件r1、r2、r3，提取满足条件的客户c1、c2、c3，取三类客户的交集结果获取得到本发明的研究对象c。
[0091]
c＝c1∩c2∩c3[0092]
可选的，本技术可以标识正负样本。将历史上已办理过个人和对公普惠贷款的客户分别作为后续机器学习模型的正样本p1，p2。基于以下专家经验及普惠贷款办理规则确定模型的负样本n：
[0093]
(1)客户所属企业曾为严重违法失信企业；
[0094]
(2)客户曾连续逾期3期，累计逾期8期；
[0095]
(3)客户所属企业曾为失信被执行企业，未标识的客户为待预测样本un＝c-c∩(p1∪p2)-c∩n。
[0096]
在本技术的客户画像数据处理方法的一实施例中，参见图3，还可以具体包含如下内容：
[0097]
步骤s301：提取所述目标客户的客户基础特征、客户金融特征以及客户信用特征。
[0098]
步骤s302：根据所述客户基础特征、客户金融特征以及客户信用特征生成对应的客户画像。
[0099]
可选的，本技术可以提取和整合基本数据。针对选定的客户集，分别提取客户基础特征、客户资产及流水等金融特征、客户历史贷款等相关信用特征。每类特征从个人客户及
企业客户两个维度。
[0100]
具体的：
[0101]
(1)客户基础特征中，个人维度包括个人客户基本年龄、客户星级、客户婚姻状况等个人基础特征，企业维度包括企业成立年限、注册资金、股东个数等企业基础特征。
[0102]
(2)客户金融特征中，个人维度包括个人客户各个时点的个人金融资产、各个时间段的资金流水金额及笔数特征以及不同用途下的资金流水金额及笔数特征，企业维度包括企业客户在经营过程中不同用途下的资金流水金额及笔数特征以及企业总体结算量等特征。
[0103]
(3)客户信用特征中，个人维度包括个人信用产品的使用特征，比如信用卡历史逾期金额等；企业维度包括企业信用产品的使用特征。
[0104]
最终整合得到客户特征集合f1＝{f
1,c
|c∈c}，其中c代表客户标识、f
1,c
表示客户c的特征。
[0105]
在本技术的客户画像数据处理方法的一实施例中，参见图4，还可以具体包含如下内容：
[0106]
步骤s401：根据所述客户画像中设定时间周期内的交易笔数和交易金额确定所述目标客户的周期经营规模指标和周期经营效益指标。
[0107]
步骤s402：根据所述客户画像中设定时间周期内的流入型交易笔数确定所述目标客户的回款周期指标。
[0108]
在本技术的客户画像数据处理方法的一实施例中，参见图5，还可以具体包含如下内容：
[0109]
步骤s501：根据所述预测指标确定客户特征集合。
[0110]
步骤s502：根据所述客户特征集合和预设分类模型算法对设定客户贷款预测模型进行模型训练，得到经过模型训练后的客户贷款预测模型。
[0111]
在本技术的客户画像数据处理方法的一实施例中，参见图6，还可以具体包含如下内容：
[0112]
步骤s601：根据客户贷款预测模型对所述目标客户进行贷款意愿预测，生成对应的意愿客户清单。
[0113]
步骤s602：对所述意愿客户清单中的各目标客户进行特征分析，确定对应的意愿客户画像。
[0114]
可选的，本技术可以生成目标客户清单。通过训练好的模型，从满足条件的待预测客户中挖掘出有意愿、有潜力的普惠贷款客户，并向客户经理提供目标客户营销清单。
[0115]
输入：待预测的客户un，及其特征集f
un
。
[0116]
输出：潜力客户清单r
[0117]
算法：用模型m1，m2对待预测客户集合f
un
进行预测分类，得到分类结果集s1＝{(c,s
1c
)c∈un},s2＝{(c,s
2c
)c∈un}
[0118]
计算客户c的最终识别结果rc，
[0119][0120]
最后，确定的目标客户集合r＝{uni|ri＝1}是从待评估客户集un中筛选出组合模
型判定结果为1的客户集合。
[0121]
可选的，本技术可以生成目标客户画像。使用业务专家设定的画像特征参数fc＝{(i,fci)|i∈n and i＜n
fc
},其中特征fci∈{0,1}表示第i个特征是否保留，n
fc
分别表示集合fc元素个数。最终c客户保留的画像信息yc＝{f
c,i
|f
c,i
∈f
c and fci＝1}。计算选每位客户的特征集合，最后得到目标客户集r的画像信息y＝{yc|c∈r}。
[0122]
为了能够准确挖掘客户贷款需求，本技术提供一种用于实现所述客户画像数据处理方法的全部或部分内容的客户画像数据处理装置的实施例，参见图7，所述客户画像数据处理装置具体包含有如下内容：
[0123]
正负标识模块10，用于确定目标客户并标识所述目标客户的正负样本。
[0124]
画像生成模块20，用于提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像。
[0125]
意愿预测模块30，用于根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型。
[0126]
从上述描述可知，本技术实施例提供的客户画像数据处理装置，能够通过确定目标客户并标识所述目标客户的正负样本；提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型，由此能够准确挖掘客户贷款需求。
[0127]
从硬件层面来说，为了能够准确挖掘客户贷款需求，本技术提供一种用于实现所述客户画像数据处理方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
[0128]
处理器(processor)、存储器(memory)、通信接口(communications interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现客户画像数据处理装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的客户画像数据处理方法的实施例，以及客户画像数据处理装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0129]
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
[0130]
在实际应用中，客户画像数据处理方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本技术对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
[0131]
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
[0132]
图8为本技术实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子
设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0133]
一实施例中，客户画像数据处理方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
[0134]
步骤s101：确定目标客户并标识所述目标客户的正负样本。
[0135]
步骤s102：提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像。
[0136]
步骤s103：根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型。
[0137]
从上述描述可知，本技术实施例提供的电子设备，通过确定目标客户并标识所述目标客户的正负样本；提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型，由此能够准确挖掘客户贷款需求。
[0138]
在另一个实施方式中，客户画像数据处理装置可以与中央处理器9100分开配置，例如可以将客户画像数据处理装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现客户画像数据处理方法功能。
[0139]
如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。
[0140]
如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
[0141]
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
[0142]
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0143]
该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
[0144]
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0145]
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0146]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
[0147]
本技术的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的客户画像数据处理方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的客户画像数据处理方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0148]
步骤s101：确定目标客户并标识所述目标客户的正负样本。
[0149]
步骤s102：提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像。
[0150]
步骤s103：根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型。
[0151]
从上述描述可知，本技术实施例提供的计算机可读存储介质，通过确定目标客户并标识所述目标客户的正负样本；提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型，由此能够准确挖掘客户贷款需求。
[0152]
本技术的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的客户画像数据处理方法中全部步骤的一种计算机程序产品，该计算机程序/指令被处理器执行时实现所述的客户画像数据处理方法的步骤，例如，所述计算机程序/指令实现下述步骤：
[0153]
步骤s101：确定目标客户并标识所述目标客户的正负样本。
[0154]
步骤s102：提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像。
[0155]
步骤s103：根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型。
[0156]
从上述描述可知，本技术实施例提供的计算机程序产品，通过确定目标客户并标识所述目标客户的正负样本；提取所述目标客户基本信息和金融交易信息，并生成对应的客户画像；根据所述客户画像确定所述目标客户的预测指标，并根据所述预测指标构建客户贷款预测模型，由此能够准确挖掘客户贷款需求。
[0157]
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产
品的形式。
[0158]
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0159]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0160]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0161]
本发明中应用了具体实施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。