CN106875225A - 用于客户服务的方法及装置 - Google Patents

Abstract

本申请公开一种用于客户服务的方法及装置。该方法包括：获取客户的要素信息；通过所述要素信息与分类器模型，获取所述客户的流失概率；判断所述流失概率是否超过预定阈值；以及如果所述流失概率超过预定阈值，则发出警报信息。本申请的用于客户服务的方法，能够自动识别流失率高的客户，从而帮助营销人员提前做好应对和补救。

Description

用于客户服务的方法及装置

技术领域

本发明涉及数据分析处理领域，具体而言，涉及一种用于客户服务的方法及装置。

背景技术

营销是一种客户服务，具体指企业发现或挖掘准消费者需求，从整体氛围的营造以及自身产品形态的营造去推广和销售产品，主要是深挖产品的内涵，切合准消费者的需求，从而让消费者深刻了解该产品进而购买的过程。

保险产品是一种商品，像一般商品那样，保险产品具有使用价值和价值。保险产品的使用价值体现在，它能够满足人们的某种需要。例如，人寿保险中的死亡保险能够满足人们支付死亡丧葬费用和遗属的生活需要；年金保险可以满足人们在生存时对教育、婚嫁、年老等所用资金的需要；财产保险可以满足人们在遭受财产损失后恢复原状、或减少损失程度等的需要。由于保险涉及到的内容广泛，大部分情况下客户无法自行选择保险品种。可例如，在保险行业中，负责保险业务销售的业务人员向客户推销保险产品。一般情况下，业务员依靠个人经验、公司主推产品节奏、邀请客户参加产说会等方式向客户推荐保险产品。但是，通常状况下的保险营销方式存储如下缺点：1.没有从客户真实需求出发，2.业务员个人能力差别巨大，销售效果也大不相同。

因此，需要一种新的用于客户服务的方法及装置。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种用于客户服务的方法及装置，能够自动识别流失率高的客户，从而帮助营销人员提前做好应对和补救。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提出一种用于客户服务的方法，该方法包括：

获取客户的要素信息；

通过要素信息与分类器模型，获取客户的流失概率；

判断流失概率是否超过预定阈值；以及

如果流失概率超过预定阈值，则发出警报信息。

在本公开的一种示例性实施例中，还包括：

根据历史客户信息，建立分类器模型。

在本公开的一种示例性实施例中，通过逻辑回归算法建立分类器模型。

在本公开的一种示例性实施例中，根据历史客户信息，建立分类器模型，包括：

获取已流失客户的要素信息；

获取稳定客户的要素信息；以及

将已流失客户的要素信息与稳定客户的要素信息作为训练样本，通过逻辑回归算法建立分类器模型。

在本公开的一种示例性实施例中，将已流失客户的要素信息与稳定客户的要素信息作为训练样本，通过逻辑回归算法建立分类器模型，包括：

建立流失概率模型；

建立流失概率模的代价函数；以及

通过代价函数与梯度下降算法对流失概率模型进行训练，得到分类器模型。

在本公开的一种示例性实施例中，流失概率模型包括：

其中，W＝(b,w₁,w₂,…,w_n),X＝(1,x₁,x₂,…x_n)'，X为要素信息，b为偏置量，W为待训练的系数，为流失概率，n为要素信息数量。

在本公开的一种示例性实施例中，代价函数包括：

其中，y为流失概率，X_i为要素信息，W为待训练的系数，m为训练样本数量。

在本公开的一种示例性实施例中，通过代价函数与梯度下降算法对流失概率模型进行训练，得到分类器模型，包括：

使用梯度下降算法进行迭代，以获取代价函数的最小值；

达到收敛条件时，结束迭代；以及

通过达到收敛条件的流失概率模型，生成分类器模型。

在本公开的一种示例性实施例中，收敛条件包括以下情况至少一者：

迭代预定次数；以及

代价函数小于预定值。

在本公开的一种示例性实施例中，获取客户的要素信息包括：

对客户的要素信息进行归一化处理。

在本公开的一种示例性实施例中，还包括：

通过警报信息，调整营销策略。

在本公开的一种示例性实施例中，要素信息包括：

投保人资料，被保人资料，保险资料。

根据本发明的一方面，提出一种用于客户服务的装置，该装置包括：

信息模块，用于获取客户的要素信息；

分类器模块，用于通过要素信息与分类器模型，获取客户的流失概率；

判断模块，用于判断流失概率是否超过预定阈值；以及

警示模块，用于在流失概率超过预定阈值，发出警报信息。

在本公开的一种示例性实施例中，还包括：

建立分类器模块，用于根据历史客户信息，建立分类器模型。

根据本发明的用于客户服务的方法及装置，能够自动识别流失率高的客户，从而帮助营销人员提前做好应对和补救。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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。

图1是根据一示例性实施例示出的一种用于客户服务的方法的流程图。

图2是根据另一示例性实施例示出的一种用于客户服务的方法的流程图。

图3是根据另一示例性实施例示出的一种用于客户服务的方法的流程图。

图4是根据另一示例性实施例示出的一种用于客户服务的方法的流程图。

图5是根据一示例性实施例示出的一种用于客户服务的装置的框图。

具体实施例

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。

图1是根据一示例性实施例示出的一种用于客户服务的方法的流程图。

如图1所示，在S102中，获取客户的要素信息。如上文所述，以保险行业客户服务为例，在客户服务时，获取客户的要素信息，要素信息可例如为：投保人资料，被保人资料，保险资料，等相关信息，还可例如，客户ID，性别，婚姻状况，年龄，职业，子女数量，证件省份，证件地区，是否高学历，累计综合保费，投保人标识，被保人标识，最近属地，销售渠道个数，个险渠道标识，银保渠道标识，电销渠道标识，网销渠道标识，经代渠道标识，团险渠道标识，首次购买年龄，首次购买距今时长，孤儿单客户标识，个银保单个数，团体短险购买次数，当前有效保单个数，所有险种实际缴付保费合计，有效保单件均标保，累计赔付金额，期交保单比例，健康险实际缴付金额，意外伤害险实际缴付金额，分红险实际缴付金额，普通寿险实际缴付金额，投连险实际缴付金额，万能险实际缴付金额，健康险险种种类总数，意外伤害险险种种类总数，分红险险种种类总数，普通寿险险种种类总数，投连险险种种类总数，万能险险种种类总数，有效客户标识，客户关系时长，剩余关系时长，理赔次数，接触次数，投诉次数，保全次数，最近一次购买保单距今时长，撤单数量，退保数量，到期、满期保单数，按时续期次数，保单购买频率。本发明不以此为限。

在S104中，通过要素信息与分类器模型，获取客户的流失概率。将要素信息输入到分类器模型中，在本发明实施例中，分类器模块用于根据客户的要素信息获得客户流失的概率。分类器模型可例如，通过大数据分析处理中的逻辑回归算法构建。提取要素信息中的数据，分类器模型以客户基本信息、购买情况、交费情况、理赔退保等行为信息为特征，选择一定量的已经流失的客户和稳定客户为训练样本，经过多次迭代训练，得到逻辑回归算法中各特征系数，通过各个特征的系数，进而得到分类器模型。通过分类器模型，针对新客户，仅需将基本信息输入该分类器，即可计算得到流失概率。

在S106中，判断流失概率是否超过预定阈值。可例如，设定预定阈值为0.5，通过分类器模型，输入客户的要素数据之后，获得客户的流失概率，当客户流失概率大于0.5时，认为客户可能流失，小于0.5时，客户不会流失。还可例如，设定预定阈值为其他数值，本发明不以此为限。当流失概率超过预定阈值时，进入步骤S106。当流失概率未超过预定阈值时，可例如，继续提供原有的服务流程，还可例如，通过其他的算法提供更进一步的客户服务，本发明不以此为限。

在S108中，发出警报信息。当客户流失率超出阈值时，给出警报信息，提示该客户可能会流失。还可例如，在提出警报信息的同时，给出客户服务的其他建议，可例如，其他产品推荐。还可例如，本产品的补充说明。本发明不以此为限。

根据本发明的用于客户服务的方法，通过分类器模型与客户的要素信息，能够自动识别流失率高的客户，从而帮助营销人员提前做好应对和补救。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。

在本公开的一种示例性实施例中，还包括：根据历史客户信息，通过逻辑回归算法建立分类器模型。逻辑回归(Logistic Regression,LR)又称为逻辑回归分析，是分类和预测算法中的一种。通过历史数据的表现对未来结果发生的概率进行预测。例如，可以将购买的概率设置为因变量，将用户的特征属性，例如性别，年龄，注册时间等设置为自变量。根据特征属性预测购买的概率。

图2是根据另一示例性实施例示出的一种用于客户服务的方法的流程图。图2是对构建分类器模型的示例性描述。

如图2所示，在S202中，获取已流失客户的要素信息。通过逻辑回归算法构建分类器模型时，回归分析用来描述自变量x和因变量Y之间的关系，或者说自变量X对因变量Y的影响程度，并对因变量Y进行预测。其中因变量是我们希望获得的结果，自变量是影响结果的潜在因素，自变量可以有一个，也可以有多个。一个自变量的叫做一元回归分析，超过一个自变量的叫做多元回归分析。获取已流失客户的要素信息作为逻辑回归的自变量X。

在S204中，获取稳定客户的要素信息。获取稳定客户的要素信息作为逻辑回归的自变量X。

在S206中，将已流失客户的要素信息与稳定客户的要素信息作为训练样本，通过逻辑回归算法建立分类器模型。逻辑回归算法可以用来回归，也可以用来分类，主要是二分类。例如，逻辑回归可以将两个不同类别的样本给分开，思想是找到最能区分它们的那个分类超平面。从而当有新的样本输入时，输出的是这个样本是正类还是负类的概率。

根据本发明的用于客户服务的方法，通过逻辑回归算法建立分类器模型，能够在大数据的背景下快速建立分类器模型，进行预测，并给出预测效果的程度数值。

图3是根据另一示例性实施例示出的一种用于客户服务的方法的流程图。图3是对构建分类器模型的示例性描述。

如图3所示，在S302中，建立流失概率模型。建立流失概率模型作为逻辑回归中算法中的判断依据。流失概率模型包括：

其中，W＝(b,w₁,w₂,…,w_n),X＝(1,x₁,x₂,…x_n)'，X为要素信息，b为偏置量，W为待训练的系数，为流失概率，n为要素信息数量。

在本实施例中，逻辑回归算法输入的客户要素信息可例如为：客户ID，性别，婚姻状况，年龄，职业，子女数量，证件省份，证件地区，是否高学历，累计综合保费，投保人标识，被保人标识，最近属地，销售渠道个数，个险渠道标识，银保渠道标识，电销渠道标识，网销渠道标识，经代渠道标识，团险渠道标识，首次购买年龄，首次购买距今时长，孤儿单客户标识，个银保单个数，团体短险购买次数，当前有效保单个数，所有险种实际缴付保费合计，有效保单件均标保，累计赔付金额，期交保单比例，健康险实际缴付金额，意外伤害险实际缴付金额，分红险实际缴付金额，普通寿险实际缴付金额，投连险实际缴付金额，万能险实际缴付金额，健康险险种种类总数，意外伤害险险种种类总数，分红险险种种类总数，普通寿险险种种类总数，投连险险种种类总数，万能险险种种类总数，有效客户标识，客户关系时长，剩余关系时长，理赔次数，接触次数，投诉次数，保全次数，最近一次购买保单距今时长，撤单数量，退保数量，到期、满期保单数，按时续期次数，保单购买频率。

在S304中，建立流失概率模的代价函数。在本实施例中，样本训练的目标是使得针对样本集，预测流失概率与实际流失情况的整体误差最小。使用最大似然函数，得到该模型训练的代价函数为：

其中，y为流失概率，X_i为要素信息，W为待训练的系数，m为训练样本数量。

统计学中，似然函数是一种关于统计模型参数的函数。给定输出x时，关于参数θ的似然函数L(θ|x)(在数值上)等于给定参数θ后变量X的概率：

L(θ|x)＝P(X＝x|θ)。

在S306中，通过代价函数与梯度下降算法对流失概率模型进行训练，得到分类器模型。可例如，使用梯度下降法进行迭代，保证得到该代价函数的最小值，达到收敛条件时。将训练得到的模型及参数保存，作为分类器算法模型。

图4是根据另一示例性实施例示出的一种用于客户服务的方法的流程图。图4是对构建分类器模型的示例性描述。

如图4所示，在S402中，使用梯度下降算法进行迭代，以获取代价函数的最小值。梯度下降法是一个最优化算法，通常也称为最速下降法。最速下降法是求解无约束优化问题最简单和最古老的方法之一，虽然现在已经不具有实用性，但是许多有效算法都是以它为基础进行改进和修正而得到的。最速下降法是用负梯度方向为搜索方向的，最速下降法越接近目标值，步长越小，前进越慢。

在S404中，达到收敛条件时，结束迭代。在本公开的一种示例性实施例中，收敛条件包括以下情况至少一者：迭代预定次数；以及代价函数小于预定值。

在S406中，通过达到收敛条件的流失概率模型，生成分类器模型。在本发明实施例中，使用梯度下降法进行迭代，保证得到该代价函数的最小值，达到收敛条件时。将训练得到的模型及参数保存，作为分类器算法模型。

在本公开的一种示例性实施例中，获取客户的要素信息包括：对客户的要素信息进行归一化处理。收集客户基本信息。对每个客户的特征进行归一化处理。设共有m个客户(包含流失客户和稳定客户，选取合适的样本比例)，选取的客户特征共n项，则归一化后的客户数据生成m*n的矩阵。

在本公开的一种示例性实施例中，还包括：通过警报信息，调整营销策略。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

图5是根据一示例性实施例示出的一种用于客户服务的装置的框图。

其中，信息模块502用于获取客户的要素信息。

分类器模块504用于通过要素信息与分类器模型，获取客户的流失概率。

判断模块506用于判断流失概率是否超过预定阈值。

警示模块508用于在流失概率超过预定阈值，发出警报信息。

根据本发明的用于客户服务的装置，通过分类器模型与客户的要素信息，能够自动识别流失率高的客户，从而帮助营销人员提前做好应对和补救。

在本公开的一种示例性实施例中，该装置还包括：建立分类器模块，用于根据历史客户信息，建立分类器模型。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。

通过以上的详细描述，本领域的技术人员易于理解，根据本发明实施例的用于客户服务的方法及装置具有以下优点中的一个或多个。

根据一些实施例，本发明的用于客户服务的方法，通过分类器模型与客户的要素信息，能够自动识别流失率高的客户，从而帮助营销人员提前做好应对和补救。

根据另一些实施例，本发明的用于客户服务的方法，通过逻辑回归算法建立分类器模型，能够在大数据的背景下快速建立分类器模型，进行预测，并给出预测效果的程度数值。

以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本发明可实施的范畴。

Claims (14)

1.一种用于客户服务的方法，其特征在于，包括：

获取客户的要素信息；

通过所述要素信息与分类器模型，获取所述客户的流失概率；

判断所述流失概率是否超过预定阈值；以及

如果所述流失概率超过预定阈值，则发出警报信息。

2.如权利要求1所述的方法，其特征在于，还包括：

根据历史客户信息，建立所述分类器模型。

3.如权利要求2所述的方法，其特征在于，通过逻辑回归算法建立所述分类器模型。

4.如权利要求3所述的方法，其特征在于，所述根据历史客户信息，建立所述分类器模型，包括：

获取已流失客户的所述要素信息；

获取稳定客户的所述要素信息；以及

将所述已流失客户的所述要素信息与所述稳定客户的所述要素信息作为训练样本，通过所述逻辑回归算法建立所述分类器模型。

5.如权利要求4所述的方法，其特征在于，所述将所述已流失客户的所述要素信息与所述稳定客户的所述要素信息作为训练样本，通过所述逻辑回归算法建立所述分类器模型，包括：

建立所述流失概率模型；

建立所述流失概率模的代价函数；以及

通过所述代价函数与梯度下降算法对所述流失概率模型进行训练，得到所述分类器模型。

6.如权利要求5所述的方法，其特征在于，所述流失概率模型包括：

$\stackrel{\‾}{y}=\frac{\exp (w_1{x}_1+w_2{x}_2+...+w_n{x}_n+b)}{1+\exp (w_1{x}_1+w_2{x}_2+...+w_n{x}_n+b)}=\frac{\exp \left(WX\right)}{1+\exp \left(WX\right)};$

其中，W＝(b,w₁,w₂,…,w_n),X＝(1,x₁,x₂,…x_n)'，X为所述要素信息，b为偏置量，W为待训练的系数，为所述流失概率，n为所述要素信息数量。

7.如权利要求5所述的方法，其特征在于，所述代价函数包括：

$\begin{array}{c}COST\_FUNCTION=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}COST\_FUNCTION(X_i,y_i)\\ =\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}(-y_i\log ({\mathrm{WX}}_i)-(1-y_i\left)\right(1-\log \left({\mathrm{WX}}_i\right)\left)\right)\end{array};$

其中，y为所述流失概率，X_i为所述要素信息，W为待训练的系数，m为训练样本数量。

8.如权利要求5所述的方法，其特征在于，所述通过所述代价函数与梯度下降算法对所述流失概率模型进行训练，得到所述分类器模型，包括：

使用梯度下降算法进行迭代，以获取所述代价函数的最小值；

达到收敛条件时，结束所述迭代；以及

通过所述达到收敛条件的所述流失概率模型，生成所述分类器模型。

9.如权利要求8所述的方法，其特征在于，所述收敛条件包括以下情况至少一者：

迭代预定次数；以及

所述代价函数小于预定值。

10.如权利要求1所述的方法，其特征在于，所述获取客户的要素信息包括：

对所述客户的所述要素信息进行归一化处理。

11.如权利要求1所述的方法，其特征在于，还包括：

通过所述警报信息，调整营销策略。

12.如权利要求1所述的方法，其特征在于，所述要素信息包括：

投保人资料，被保人资料，保险资料。

13.一种用于客户服务的装置，其特征在于，包括：

信息模块，用于获取客户的要素信息；

分类器模块，用于通过所述要素信息与分类器模型，获取所述客户的流失概率；

判断模块，用于判断所述流失概率是否超过预定阈值；以及

警示模块，用于在所述流失概率超过预定阈值，发出警报信息。

14.如权利要求13所述的装置，其特征在于，还包括：

建立分类器模块，用于根据历史客户信息，建立所述分类器模型。