2019-10-15 16:28

基于电信大数据的信用卡精准营销算法研究及应用

本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部

摘 要:信用卡业务是银行零售业务利润贡献的重要组成部分,基于运营商大数据可以对用户进行全面立体的刻画,进而分析信用卡潜在用户的特征。提出了基于人工蜂群算法的K-means聚类算法,可以提升K-means算法的簇头初始化水平,提升K-means算法性能。同时,将该算法运用在信用卡精准营销场景中,可以获取影响客户办理信用卡的关键要素,从而更加有效地发掘潜在用户,为垂直行业发展带来新思路和新动能。

关键词:群体智能;人工蜂群算法;数据挖掘;K-means;精准营销

doi:10.12045/j.issn.1007-3043.2019.09.007

引言

随着机器学习、AI技术的研究和推广以及5G万物互联时代的到来,大数据技术已逐渐成为行业技术革命的新动能,运营商大数据则以其用户规模巨大、覆盖空间广、时间连续性强的优势发挥着重要作用。通过运营商大数据,我们可以获取业务行为、时间位置、使用偏好、终端等信息,形成用户360°画像,为垂直领域带来新思路和新动能。

在金融行业中,信用卡业务是银行零售业务利润贡献的重要组成部分,也是促进产品和服务供求方交易的良性循环的催化剂,而信用卡本身也是联系银行、客户、特约商户等多方关系的重要渠道,其客户类别和客户需求呈现多元化、个性化的特征,因此精准挖掘潜在信用卡用户对银行增加收入、开拓市场、构建生态链有着重要意义。基于运营商大数据及机器学习算法,可以深刻洞察信用卡用户及意向用户的特征,将潜在客户转变为实际客户,从而增加银行信用卡业务收益。在此过程中,基于客户特征划分用户群体,并获取影响意向率和转化率的关键因素,具有重要意义,聚类算法是解决此类群体划分问题的常用方法。

K-means算法是经典的聚类算法,该算法以样本之间的距离作为衡量样本是否相似的指标,先假设簇是由距离相近的样本组成,通过对簇划分的优化,使簇内距离之和最小,也就是找到簇间独立且簇内紧凑的簇群。因此,通过K-means算法可以对信用卡用户及潜在用户群体进行聚类,基于每个簇的特征获取影响意向率、转化率和核卡率的关键因素,更加有的放矢地进行信用卡推广。

在K-means聚类算法中,第1步为簇头的选择,在所有的节点中随机选择k个节点作为簇头,然后根据簇内节点的位置更新簇头,因此,若初始簇头的选择不合理,将会影响最终聚类结果。而群体智能算法有着良好的健壮性,可以有效解决这类多模态、非线性的np-hard问题。

点击查看全文(PDF)>

作者:成 晨,韩玉辉,程新洲,张 恒   来源:邮电设计技术

相关

运营商数据挖掘5G
本评论 更新于:2024-3-29 10:31:42
在C114 APP中与业内人士畅聊通信行业热点话题!