CN107944990A - 一种基于机器学习的精准化推送的综合柜员装置及方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的精准推送综合柜员装置及方法，包括数据采集模块、社保数据库模块、模型训练模块、预测分析模块和使用模型模块，该基于机器学习的个性化推送综合柜员装置，连接各社保业务系统，将社保各业务系统的受理功能全部统一接入装置，业务人员可在同一系统无差别受理所有社保业务，解决了社保大厅业务分窗口设置的问题，简化了以往业务人员办理不同业务使用不同业务系统的操作程序。

Description

一种基于机器学习的精准化推送的综合柜员装置及方法

技术领域

本发明属于社保业务服务领域，尤其涉及一种基于机器学习的精准化推送的综合柜员装置。

背景技术

随着人力资源和社会保障事业的发展，依据国家“互联网+人社”的建设指导规范，各统筹区域都在积极响应，建设智慧人社系统，即目前已基本建成了完善的社会保险体系，包括职工、居民等全覆盖的参保人群，参保、缴费、待遇等全覆盖的业务内容，各业务系统、电子材料、主数据管理等信息化支撑手段实现了业务的电子化办理，并且按业务类别划分人社业务大厅窗口，便于群众在人社业务大厅办理社保业务。可是，随着社会经济的发展，社保业务办理需求增加，越来越多的居民、职工发起社保业务办理，人社业务大厅的不同业务窗口出现了截然不同的状况。

目前，社会保险信息化建设取得了一定成就，各统筹区域通过建设各社保业务系统实现了社会保险的电子化办理。但是随着社保业务发展，人社业务大厅按业务种类划分业务办理窗口的方式已不能满足参保人与业务人员的现实需求。根据各业务的办理流程不同、需提交材料不同，业务人员的办理速度也不同，而且业务人员每次受理业务都要当场寻找业务入口，有些窗口每天都是人满为患，有些窗口则门可罗雀，这造成了部分资源浪费。一方面造成了群众办事不便，另一方面也造成业务人员工作压力不均匀。另外，各业务系统相互隔离，有些跨业务系统的业务办理需要人工传递办理，加大了大厅业务人员的工作量。

因此，需要探索一种新的技术解决上述问题。

发明内容

本发明就是为了解决上述问题，提供一种基于机器学习的个性化精准推送综合柜员装置，将所有业务的受理统一放在人社业务大厅的业务窗口工作人员使用的综合柜员制系统中；系统对社保数据库中的参保人基本信息、业务信息和状态信息通过机器学习算法进行分析归纳，向不同的参保人推送不同的业务功能办理，实现了跨业务领域的全业务受理及精准推送。

为了实现上述目的，本发明采用如下技术方案：

一种基于机器学习的精准化推送的综合柜员装置，其包括数据采集模块、社保数据库模块、模型训练模块、预测分析模块和使用模型模块，其中，

所述数据采集模块，用于首次采集社保数据导入社保数据库模块；

所述社保数据库模块，用于存储参保人个人基本信息、业务办理信息及社保所有业务的状态信息，为业务开启前识别参保人身份提供数据支持；

所述模型训练模块，用于对社保数据库的数据进行模型训练，通过决策树中的J48算法，对社保数据库的数据进行属性分类，选择数据的某个属性类别作为根节点，为每个可能的属性值产生一个分支，将业务数据表现出来的属性结果对应到分支上，在每个分支上递归的重复这个分类的过程，形成数据训练模型，深度挖掘数据潜在的规律；

所述预测分析模块，用于在参保人登录后，将参保人个人基本信息、业务办理信息及社保所有业务的状态信息数据与模型训练模块形成的数据训练模型上的节点自上而下进行比对匹配，根据模型训练结果预测分析该数据对应的参保人的业务办理意向；

所述使用模型模块，用于利用模型训练的结果来向业务人员进行业务推荐和业务功能展示。

优选的，所述使用模型模块包括业务推荐模块和业务功能展示模块；所述业务推荐模块，用于获取参保人的业务办理倾向来向业务人员推荐该参保人最有可能办理的业务；所述业务功能展示模块，将该参保人有资格办理的业务按业务类型分类展示。

进一步的，所述社保数据库模块通过数据采集模块将初始数据导入，由模型训练模块对社保数据库中的数据进行模型训练，模型训练的结果存入缓存，在业务人员选择参保人登录后，预测分析模块根据缓存中模型训练的结果来预测该参保人有可能办理的业务并通过业务推荐模块推荐给业务人员，同时通过业务功能展示模块向业务人员展示该参保人有资格办理的业务，业务人员操作系统办理完该参保人需要办理的业务后，形成业务办理信息存入社保数据库模块，再由模型训练模块对业务办理信息进行模型训练，由模型训练到预测分析，到业务推荐，到保存业务办理信息，再到模型训练，形成一个完整的机器学习过程。

优选的，所述参保人包括个人身份和单位身份的参保者。

优选的，所述业务办理信息包括但不限于参保人的个人基本信息、所办理的业务日志信息；所述业务日志信息包括但不限于业务类型、业务办理时间、业务办理进度。

优选的，所述状态信息包括但不限于参保人身份、缴费状态信息、参保状态信息。

优选的，所述个人基本信息包括但不限于姓名、性别、身份证号、社保卡卡号、险种类别信息及参保机构编码信息。

本发明还提供了一种基于机器学习的精准化推送的综合柜员装置的方法，其包括以下步骤：

步骤201，初次数据采集，将状态信息、业务办理信息、个人基本信息导入社保数据库；

步骤202，对社保数据库中的数据进行模型训练，挖掘出数据潜在的规律，将模型训练的结果存入缓存；

步骤203，在参保人来进行业务办理时，将参保人相关数据与数据模型中的节点自上而下进行比对匹配，根据数据模型的模型训练结果预测该参保人的业务办理倾向；

步骤204，向业务人员个性化精准推送展示该参保人的业务办理倾向，同时将该参保人可办理的业务也分类展示给业务人员；

步骤205，业务人员选择参保人要办理的业务进行办理；

步骤206，业务办理完成，将业务办理信息存入社保数据库，同时将业务办理结果返回给业务人员；

步骤207，对业务办理信息数据重复步骤202。

本发明的有益效果：

1)本发明建设了基于机器学习的个性化推送综合柜员装置，连接各社保业务系统，将社保各业务系统的受理功能全部统一接入装置，业务人员可在同一系统无差别受理所有社保业务，解决了社保大厅业务分窗口设置的问题，简化了以往业务人员办理不同业务使用不同业务系统的操作程序。

2)各业务系统只需进行少量改造升级，降低维护成本，提供更方便更快捷的业务办理服务，方便参保人和业务人员。

3)基于机器学习的个性化精准推送综合柜员在实现机器学习与个性化精准推送的全过程中由系统自动完成，系统响应快、运行稳定。

附图说明

下面结合附图对本发明作进一步的说明；

图1是本发明的基于机器学习的个性化精准推送综合柜员装置的系统逻辑架构图；图中，101数据采集模块、102社保数据库模块、103模型训练模块、104预测分析模块、105使用模型模块、1051业务推荐模块、1052业务功能展示模块。

图2是本发明的基于机器学习的个性化精准推送综合柜员装置的流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于机器学习的精准推送综合柜员装置，由数据采集模块101、社保数据库模块102、模型训练模块103、预测分析模块104和使用模型模块105五部分组成，使用模型模块105包括业务推荐模块1051和业务功能展示模块1052。

信息采集模块101，为社保数据库进行初次数据采集，包括个人基本信息、所有社保业务信息、状态信息以及业务日志信息，具体包括姓名、性别、身份证号、社保卡卡号、险种类别信息及参保机构编码信息、业务类型、业务办理时间、业务办理进度、参保人身份、缴费状态信息、参保状态信息；

社保数据库模块102，预先存储信息采集模块101采集到的数据信息，为机器学习提供数据支持；

模型训练模块103，利用决策树中的J48算法对社保数据库中的数据进行递归分类，建立数据训练模型，发现数据潜在的规律；

预测分析模块104，在业务人员选择某一参保人进行业务办理时，将参保人相关数据与数据训练模型中的节点自上而下进行比对匹配，根据模型训练结果预测分析该数据对应的参保人的业务办理意向；

使用模型模块105，向业务人员推荐参保人的业务办理意向，并将该参保人有资格办理的业务同时展示给业务人员，使用模型模块由业务推荐模块1051和业务功能展示模块1052共同完成。

如图2所示，一种基于机器学习的个性化精准推送综合柜员装置的方法，包括以下步骤：

步骤201，采集社保业务系统的个人基本信息、业务办理信息以及状态信息，导入社保数据库模块102；

步骤202，模型训练模块103对社保数据库模块102中的数据通过模型训练来挖掘数据潜在的规律，并将模型训练的结果存储进缓存；

步骤203，在业务人员A选择参保人进行业务办理时，将该参保人相关数据与数据模型的节点自上而下进行比对匹配，利用缓存中存储数据模型的模型训练的结果，通过预测分析模块104对数据潜在规律进行分析，得到该参保人的业务办理倾向；

步骤204，业务推荐模块1051获取该参保人的业务办理倾向并将其推荐给业务人员A，同时业务功能展示模块1052将该参保人有资格办理的业务分类展示给业务人员A；

步骤205，业务人员A操作系统办理业务；

步骤206，将参保人办理业务的业务日志存入社保数据库模块102，同时将业务办理结果返回给业务人员A；

步骤207，对业务日志数据重复步骤202，进行模型训练。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于机器学习的精准化推送的综合柜员装置，其特征是：包括数据采集模块、社保数据库模块、模型训练模块、预测分析模块和使用模型模块，其中，

所述数据采集模块，用于首次采集社保数据导入社保数据库模块；

所述社保数据库模块，用于存储参保人个人基本信息、业务办理信息及社保所有业务的状态信息，为业务开启前识别参保人身份提供数据支持；

所述模型训练模块，用于对社保数据库的数据进行模型训练，通过决策树中的J48算法，对社保数据库的数据进行属性分类，选择数据的某个属性类别作为根节点，为每个可能的属性值产生一个分支，将业务数据表现出来的属性结果对应到分支上，在每个分支上递归的重复这个分类的过程，形成数据训练模型，深度挖掘数据潜在的规律；

所述预测分析模块，用于在参保人登录后，将参保人个人基本信息、业务办理信息及社保所有业务的状态信息数据与模型训练模块形成的数据训练模型上的节点自上而下进行比对匹配，根据模型训练结果预测分析该数据对应的参保人的业务办理意向；

所述使用模型模块，用于利用模型训练的结果来向业务人员进行业务推荐和业务功能展示。

2.如权利要求1所述的一种基于机器学习的精准化推送的综合柜员装置，其特征是：所述使用模型模块包括业务推荐模块和业务功能展示模块；

所述业务推荐模块，用于获取参保人的业务办理倾向来向业务人员推荐该参保人最有可能办理的业务；

所述业务功能展示模块，将该参保人有资格办理的业务按业务类型分类展示。

3.如权利要求2所述的一种基于机器学习的精准化推送的综合柜员装置，其特征是：所述社保数据库模块通过数据采集模块将初始数据导入，由模型训练模块对社保数据库中的数据进行模型训练，模型训练的结果存入缓存，在业务人员选择参保人登录后，预测分析模块根据缓存中模型训练的结果来预测该参保人有可能办理的业务并通过业务推荐模块推荐给业务人员，同时通过业务功能展示模块向业务人员展示该参保人有资格办理的业务，业务人员操作系统办理完该参保人需要办理的业务后，形成业务办理信息存入社保数据库模块，再由模型训练模块对业务办理信息进行模型训练，由模型训练到预测分析，到业务推荐，到保存业务办理信息，再到模型训练，形成一个完整的机器学习过程。

4.如权利要求1或2所述的一种基于机器学习的精准化推送的综合柜员装置，其特征是：所述参保人包括个人身份和单位身份的参保者。

5.如权利要求1所述的一种基于机器学习的精准化推送的综合柜员装置，其特征是：所述业务办理信息包括但不限于参保人的个人基本信息、所办理的业务日志信息；所述业务日志信息包括但不限于业务类型、业务办理时间、业务办理进度。

6.如权利要求1所述的一种基于机器学习的精准化推送的综合柜员装置，其特征是：所述状态信息包括但不限于参保人身份、缴费状态信息、参保状态信息。

7.如权利要求1所述的一种基于机器学习的精准化推送的综合柜员装置，其特征是，所述个人基本信息包括但不限于姓名、性别、身份证号、社保卡卡号、险种类别信息及参保机构编码信息。

8.一种如权利要求1-7任一项所述的基于机器学习的精准化推送的综合柜员装置的方法，其特征是，包括以下步骤：

步骤201，初次数据采集，将状态信息、业务办理信息、个人基本信息导入社保数据库；

步骤202，对社保数据库中的数据进行模型训练，挖掘出数据潜在的规律，将模型训练的结果存入缓存；

步骤203，在参保人来进行业务办理时，将参保人相关数据与数据模型中的节点自上而下进行比对匹配，根据数据模型的模型训练结果预测该参保人的业务办理倾向；

步骤204，向业务人员个性化精准推送展示该参保人的业务办理倾向，同时将该参保人可办理的业务也分类展示给业务人员；

步骤205，业务人员选择参保人要办理的业务进行办理；

步骤206，业务办理完成，将业务办理信息存入社保数据库，同时将业务办理结果返回给业务人员；

步骤207，对业务办理信息数据重复步骤202。