CN108765094A - 保险数据处理方法、装置、计算机设备和存储介质 - Google Patents
保险数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108765094A CN108765094A CN201810575090.5A CN201810575090A CN108765094A CN 108765094 A CN108765094 A CN 108765094A CN 201810575090 A CN201810575090 A CN 201810575090A CN 108765094 A CN108765094 A CN 108765094A
- Authority
- CN
- China
- Prior art keywords
- customer
- client
- value
- lifelong
- life cycle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种保险数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取截至当前时间的指定时间段内与客户标识对应的保险数据；根据所述保险数据确定所述客户标识对应的客户保险特征数据；将所述客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；所述客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识。采用本方法能够提高保险数据的处理效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种保险数据处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，基于计算机的数据处理技术也不断发展起来，越来越多的业务数据依赖于计算机进行处理和存储。比如，在保险业务中，存在客户购买的产品、购买金额和购买时间等诸多保险数据，需要借助于计算机进行存储和处理。保险业务中根据客户的保险数据确定相应的营销策略，从而实现精准营销是至关重要的。
目前，通常是通过保险业务员搜集客户的保险数据，并根据自身经验对所搜集的保险数据进行人工分析以制定相应的营销策略。然而，这种方式需要耗费保险业务员大量的搜集与分析时间，且依赖于保险业务员的已有经验，使得保险数据的处理效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高保险数据处理效率的保险数据处理方法、装置、计算机设备和存储介质。
一种保险数据处理方法，所述方法包括：
获取截至当前时间的指定时间段内与客户标识对应的保险数据；
根据所述保险数据确定所述客户标识对应的客户保险特征数据；
将所述客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；所述客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；
根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识。
一种保险数据处理装置，所述装置包括：
获取模块，用于获取截至当前时间的指定时间段内与客户标识对应的保险数据；
客户保险特征数据确定模块，用于根据所述保险数据确定所述客户标识对应的客户保险特征数据；
预测模块，用于将所述客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；所述客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；
客户分类标识确定模块，用于根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取截至当前时间的指定时间段内与客户标识对应的保险数据；
根据所述保险数据确定所述客户标识对应的客户保险特征数据；
将所述客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；所述客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；
根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取截至当前时间的指定时间段内与客户标识对应的保险数据；
根据所述保险数据确定所述客户标识对应的客户保险特征数据；
将所述客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；所述客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；
根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识。
上述保险数据处理方法、装置、计算机设备和存储介质，获取截至当前时间的指定时间段内与客户标识对应的保险数据，根据该保险数据对应确定客户保险特征数据，将所确定的客户保险特征数据作为输入特征输入通过模型训练获得的客户终身价值预测模型中进行预测，获得相应的客户终身价值，并根据客户终身价值确定相应的客户分类标识。这样，根据保险数据确定客户分类标识的过程中，无需通过人工搜集、处理和分析保险数据，而是通过客户终身价值预测模型根据由保险数据对应确定的客户保险特征数据预测客户终身价值，进而确定相应的客户分类标识，提高了保险数据的处理效率。
附图说明
图1为一个实施例中保险数据处理方法的应用场景图；
图2为一个实施例中保险数据处理方法的流程示意图；
图3为一个实施例中客户终身价值预测模型建立方法的流程示意图；
图4为另一个实施例中保险数据处理方法的流程示意图；
图5为一个实施例中保险数据处理装置的结构框图；
图6为另一个实施例中保险数据处理装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的保险数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104根据获取的保险数据确定相应的客户保险特征数据，并通过客户终身价值预测模型根据客户保险特征数据预测客户终身价值，从而根据客户终身价值确定客户分类标识，并将所确定的客户分类标识发送至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种保险数据处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取截至当前时间的指定时间段内与客户标识对应的保险数据。
其中，当前时间是指当前所对应的时间。当前时间可以是当年、当月或当日，也可以具体到当日中当前对应的时、分或秒。比如，当前时间可以是2018年、2018年4月或2018年4月28日，也可以是2018年4月28日11时、2018年4月28日11时10分或2018年4月28日11时10分25秒。指定时间段是预先指定的时间区间，比如8点到9点，或者过去的某个时间到当前时间，如2018年2月3日到当前时间(2018年4月28日)。指定时间段由多个连续的时间点组成。指定时间段由起始时间和结束时间对应确定，结束时间和起始时间之间的时间长度即为指定时间段对应的时间长度。
客户标识用于唯一标识客户。客户标识可以是由数字、字母和符号等字符中的至少一种组成的字符串。保险数据是依据客户所购买的保险产品对应生成的数据。保险数据包括客户购买保险产品时的行为数据，如所购买保险产品的保险产品标识、购买的时间、购买的金额和保险期限等。保险数据还包括所购买保险产品带来的收益和花费的成本等。截至当前时间的指定时间段内的保险数据是指以当前时间为结束时间的指定时间段内的保险数据。
举例说明，假设当前时间是2018年4月28日，预设指定时间段是2018年2月3日至2018年4月28日。服务器获取2018年2月3日至2018年4月28日这个时间段内的保险数据。
在一个实施例中，服务器接收终端发送的客户终身价值预测指令，根据接收到的客户终身价值预测指令获取相应的客户标识，根据所获取到的客户标识查询截至当前时间的指定时间段内的保险数据。在一个实施例中，服务器获取客户终身价值预测指令指定的一个或多个客户标识，根据所获取到的一个或多个客户标识分别查询截至当前时间的指定时间段内各自对应的保险数据。
在一个实施例中，服务器按照预设周期获取截至当前时间的指定时间段内与客户标识对应的保险数据。在本实施例中，客户标识可以是客户标识集合中的各客户标识，也可以是指定的一个或多个客户标识。服务器分别获取该一个或多个客户标识对应的保险数据。预设周期是预先设定的相邻两次执行获取截至当前时间的指定时间段内与客户标识对应的保险数据的步骤之间的时间长度。客户标识集合是由多个客户标识组成的集合。
在一个实施例中，服务器获取截至当前时间与客户标识对应的历史保险数据。在本实施例中，服务器可以根据接收到的客户终身价值预测指令获取客户标识对应的历史保险数据，也可以按照预设周期获取历史保险数据。
S204，根据保险数据确定客户标识对应的客户保险特征数据。
其中，客户保险特征数据是表征客户购买保险产品的行为特征的数据。客户保险特征数据是通过处理和分析保险数据对应获得的、与客户终身价值相关联的数据。客户特征数据包括客户的初始购买收益流、直接可变成本、购买频率、购买保险产品的喜好及其收益流等。
初始购买收益流是初始购买保险产品带来的收益总量。直接可变成本是直接由保险产品引起的、且随着保险产品的变化而变化的业务成本。购买频率是单位时间内购买的保险产品数量，比如购买频率＝指定时间段内购买的保险产品数量/该指定时间段对应的时间长度。购买产品的喜好及其收益流是指客户所购买保险产品的分布情况以及所购买保险产品带来的收益总量，比如分别计算购买传统险、投连险和万能险的数量以及各自对应的收益总量。
具体地，服务器获取到客户标识对应的保险数据时，对所获取的保险数据进行处理和分析，确定相应的客户保险特征数据。在一个实施例中，服务器分别获取到一个或多个客户标识各自对应的保险数据时，根据该一个或多个客户标识各自对应的保险数据分别确定相应的客户保险特征数据。
S206，将客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得。
其中，客户终身价值是指客户在整个客户生命周期中，与企业的保险交易行为给企业带来的净利润或亏损。换而言之，客户终身价值是指客户在整个客户生命周期中为了享受企业提供的保险产品和保险业务服务而回报给企业的总和。本质上，客户终身价值是指客户与企业在整个客户生命周期中，基于保险交易关系给企业带来的净现值。客户终身价值具体可以是客户在未来可能为企业带来的收益总和。
客户终身价值预测模型是根据包括客户保险特征数据和相应客户终身价值的训练样本集训练获得的预测模型，能够用于根据已知的客户特征数据预测未知的客户终身价值。客户终身价值预测模型可以是采用有监督学习的模型训练方式进行模型训练获得的线性回归模型。模型训练时，根据训练样本集进行模型训练确定模型参数，进而根据所确定的模型参数获得训练完成的客户终身价值预测模型。
具体地，服务器根据保险数据获得客户标识对应的客户保险特征数据后，将所获得的客户保险特征数据作为输入特征输入到预先训练完成的客户终身价值预测模型中，通过该客户终身价值预测模型进行预测获得相应客户终身价值。
S208，根据获得的客户终身价值确定客户标识对应的客户分类标识。
其中，客户分类标识是根据客户终身价值对应确定的分类标识，用于标识相应客户标识所对应的客户所属的类别。客户分类标识包括用于标识客户级别的客户级别标识，客户级别比如VIP(Very Important Person，贵宾)客户、目标客户、普通客户和负效客户等。客户级别与服务优先级对应，比如办理保险业务时VIP客户享有VIP服务，目标客户优先服务，普通客户则正常排队。
在一个实施例中，服务器根据客户标识对应的客户终身价值按照预设映射关系确定该客户标识对应的客户分类标识。其中，预设映射关系是预先设定的映射关系，根据已知的客户终身价值和预设映射关系即可对应确定客户分类标识。预设映射关系可以是具体的数学映射式，也可以是指定的对应映射关系。
具体地，服务器获得客户标识对应的客户终身价值时，将客户终身价值作为数学映射式的自变量，计算获得相应的因变量，将对应获得的因变量作为获取客户分类标识的索引，根据索引即可确定相应的客户分类标识。服务器也可以根据客户终身价值与客户分类标识的对应映射关系直接确定相应客户标识对应的客户分类标识。服务器还可以首先确定客户终身价值所属的数值区间，并将所确定的数值区间对应的客户分类标识作为相应客户标识对应的客户分类标识。
在一个实施例中，服务器根据客户终身价值确定客户标识对应的客户分类标识时，根据所确定的客户分类标识确定该客户标识对应的营销策略参数。在一个实施例中，服务器根据所确定的客户分类标识，按照该客户分类标识与营销策略参数之间对应关系，确定相应的营销策略参数，并将所确定的营销策略参数推送至终端。其中，营销策略参数是营销策略中的量化参数，用于表征营销策略。营销策略参数包括优惠策略的量化参数，如优惠券、促销的保险产品以及促销形式、打折的保险产品和折扣力度等。
在一个实施例中，服务器根据所获得的客户终身价值确定相应客户标识对应的客户分类标识和营销策略参数。
在一个实施例中，服务器获得客户终身价值时，根据客户终身价值所属的数值区间确定对应的价值等级。价值等级用于定性描述相应客户的客户价值，比如高价值、中等价值、低价值和负价值。价值等级的高低对应表征客户给企业带来的利润的多少，如高价值表明客户给企业带来高利润，负价值表明客户给企业带来了亏损。进一步地，服务器根据客户标识对应的价值等级确定相应的客户分类标识。服务器根据所确定的客户分类标识对应确定相应客户标识对应的营销策略参数。
举例说明，假设有A和B两位客户，各自对应的客户终身价值分别为100万和5万，服务器根据客户终身价值分别确定的客户分类标识可以表示为：A客户为VIP客户；B客户为普通客户。根据客户分类标识对应确定的营销策略参数可表示为：A客户购买属于分红险类型的保险产品可享8折优惠；B客户不享受保险产品的折扣优惠。
根据客户分类标识确定相应的营销策略参数，即针对不同类别的客户确定相适应的营销策略参数。这样，无需人工参与即可自动确定保险产品营销时所依据的定量参数，能够提高营销精准度。应用于商业应用场景时，基于所确定的营销策略参数进行营销，能够提高保险产品的推广效率，从而增加保险产品的销售量，进而提高保险产品带来的收益。
在一个实施例中，服务器根据客户终身价值确定相应客户标识对应的客户分类标识后，将所确定的客户分类标识发送至终端。其中，终端包括营业厅终端、业务员终端和客户标识对应的终端等中的至少一种。
上述保险数据处理方法，获取截至当前时间的指定时间段内与客户标识对应的保险数据，根据该保险数据对应确定客户保险特征数据，将所确定的客户保险特征数据作为输入特征输入通过模型训练获得的客户终身价值预测模型中进行预测，获得相应的客户终身价值，并根据客户终身价值确定相应的客户分类标识。这样，根据保险数据确定客户分类标识的过程中，无需通过人工搜集、处理和分析保险数据，而是通过客户终身价值预测模型根据由保险数据对应确定的客户保险特征数据预测客户终身价值，进而确定相应的客户分类标识，提高了保险数据的处理效率。
在一个实施例中，上述保险数据处理方法还包括：监测客户标识所对应的客户生命周期；当客户生命周期小于预设时间长度时，从多个小于预设时间长度的离散时长中，选择与客户生命周期相匹配的离散时长；确定指定时间段为截至当前时间的、且长度为所选择的离散时长的时间段。
其中，客户生命周期是指从客户开始购买企业保险产品时起，到客户与企业的保险业务关系完全终止时止这段时间。换而言之，客户生命周期是指客户从成为企业的客户并开始购买企业的保险产品和享受保险业务服务，到所购买的保险产品完全失效、且不再购买企业的保险产品的这段时间。在本实施例中，客户生命周期是指从客户与企业建立保险业务关系时起至当前时间这段时间，且当前时间客户与企业之间依然存在保险业务关系。客户生命周期可以表示为年、月、日，或者三者的任意结合，如1年、12个月、365天或者1年零5天。
预设时间长度是预先设定的时间长度，比如6个月、1年或者180天。预设时间长度可以根据实际情况自定义。离散时长是指离散分布的时间长度。在本实施例中，离散时长可以是以月份为度量单位的时间长度，如1个月、2个月、3个月、4个月和5个月等。时间段是由互不相同的两个时间对应确定的一段时间，时间段包括起始时间、时间长度和结束时间。
具体地，服务器按照预设时间周期监测客户标识对应的客户生命周期，将所监测到的客户生命周期和预设时间长度进行比较。当客户生命周期小于预设时间长度时，表明相应客户标识为新增客户标识，即表明相应客户标识对应的客户为新增客户。服务器将监测到的客户生命周期与多个小于预设时间长度的离散时长分别进行匹配，以从该多个离散时长中选择与该客户生命周期相匹配的离散时长。
进一步地，服务器确定与客户生命周期相匹配的离散时长后，将截至当前时间、且长度为所确定的离散时长的时间段作为指定时间段，以根据从该指定时间段内获取的、与客户标识对应的保险数据预测获得相应的客户终身价值。
在一个实施例中，当客户生命周期小于预设时间长度时，服务器将客户生命周期与多个小于预设时间长度的离散时长分别进行比较，根据比较结果从该多个离散时长中选择小于客户生命周期、且最接近该客户生命周期的离散时长。
在一个实施例中，服务器监测本地存储的、与客户标识对应的客户生命周期。服务器也可以通过发布/订阅模式监测其他计算机设备存储的、与客户标识对应的客户生命周期。在一个实施例中，服务器实时监测客户标识对应的客户生命周期。
在一个实施例中，当监测到的客户生命周期小于预设时间长度时，服务器将该客户生命周期作为所选择的离散时长，确定指定时间段为截至当前时间的、且长度为客户生命周期的时间段。换而言之，服务器获取在整个客户生命周期中客户标识对应的保险数据。
上述实施例中，通过监测客户标识对应的客户生命周期，并当客户生命周期小于预设时间长度时，对应确定获取保险数据的指定时间段，以根据从所确定的指定时间段内的保险数据预测获得相应的客户终身价值。通过该种方式能够预测获得客户标识对应的客户终身价值的变化，以便于根据变化的客户终身价值确定相适应的客户分类标识，从而提高营销精准度。
在一个实施例中，上述保险数据处理方法还包括：当客户生命周期等于或大于预设时间长度时，则确定指定时间段为截至当前时间的、且长度为预设时间长度的时间段。
具体地，当监测到的客户生命周期等于或大于预设时间长度时，表明相应客户标识对应的客户为老客户，服务器将该客户标识判定为已有客户标识，并将截至当前时间的、且长度为预设时间长度的时间段作为指定时间段。
在一个实施例中，当监测到的客户生命周期大于预设时间长度时，服务器将截至当前时间的、且长度为指定时间长度的时间段作为指定时间段。指定时间长度和预设时间长度都是预先设定的时间长度，二者可以相同也可以不同。
在一个实施例中，当监测到的客户生命周期小于预设时间长度时，服务器将根据上述方法预测获得的客户终身价值与相应客户标识对应存储。当监测到的客户生命周期等于或大于预设时间长度时，服务器获取与客户标识对应存储的多个客户终身价值，并对该多个客户终身价值进行分析，从而确定该客户标识对应的客户分类标识。对于各客户标识，服务器可以根据多次分别预测获得的客户终身价值生成曲线图或报表，以便于根据曲线图或报表直观获取相应客户标识对应的客户终身价值的变化。
上述实施例中，当客户标识对应的客户生命周期等于或大于预设时间长度时，表明该客户标识对应的客户为老客户，则获取该客户标识对应的最新的、长度为预设时间长度内的保险数据，以根据该保险数据预测相应的客户终身价值。这样当客户标识对应的保险数据足够多时，根据近期的部分保险数据预测相应的客户终身价值，而不是该客户标识对应的所有保险数据，降低了保险数据量，提高了保险数据的处理效率。
在一个实施例中，步骤S208包括：获取客户标识所对应的客户生命周期；根据客户标识所对应的客户生命周期和客户终身价值，确定客户标识在客户标识集合中的排序位置；按照客户标识的排序位置，确定客户标识所对应的客户分类标识。
其中，客户标识集合是由多于一个的客户标识组成的集合。排序位置是指对客户标识集合中的各客户标识进行排序获得相应客户标识序列后，客户标识在该客户标识序列中所处的位置。客户标识对应的排序位置与该客户标识在客户标识序列中的序号相对应。
具体地，服务器预测获得客户标识对应的客户终身价值时，获取该客户标识对应的客户生命周期，根据客户生命周期和客户终身价值计算该客户标识对应的客户平均价值，并将客户平均价值与客户标识集合中的各客户标识各自对应的客户平均价值进行比较，以确定该客户标识在客户标识集合中的排序位置。
在一个实施例中，服务器对客户标识对应的客户生命周期和客户终身价值进行加权求值，以确定相应的客户平均价值。比如客户平均价值＝a*客户生命周期+b*客户终身价值，其中a和b是自定义的权重参数。在一个实施例中，服务器将客户终身价值除以客户生命周期获得相应的客户平均价值。
在一个实施例中，服务器根据客户标识对应的客户终身价值确定该客户标识在客户标识集合中的排序位置，进而根据排序位置确定该客户标识对应的客户分类标识。其中，排序位置与客户分类标识相对应，因而根据客户标识在客户标识集合中的排序位置即可确定相应的客户分类标识。
在一个实施例中，对于客户标识集合中的每个客户标识，服务器分别通过客户终身价值预测模型进行预测获得相应的客户终身价值，并对应获取相应客户生命周期，进而根据客户终身价值和相应的客户生命周期确定相应客户标识对应的客户平均价值。服务器分别获得该客户标识集合中各客户标识各自对应的客户平均价值后，根据客户平均价值的对该多个客户标识进行排序，从而确定各客户标识在客户标识集合中的排序位置。
上述实施例中，根据客户标识对应的客户生命周期和客户终身价值确定该客户标识在客户标识集合中的排序位置，从而根据排序位置确定相应的客户分类标识，由此提高了保险数据的处理效率以及所确定的客户分类标识的精准度。
在一个实施例中，步骤S208包括：根据获得的客户终身价值确定客户标识所属的客户标识群组；按照客户标识群组所对应的客户分类策略参数，确定客户标识对应的客户分类标识。
其中，客户标识群组是包括多于一个客户标识的客户标识集合。客户标识群组中的各客户标识对应有相同或相似特征，如各客户标识对应的客户终身价值同属于相同的数值区间。客户标识群组与相应的客户群组相对应，即同属于客户标识群组的各客户标识各自对应的客户也同属于客户群组。
客户分类策略参数是对客户进行分类的依据参数，用于指示如何对相应客户标识群组中的各客户标识对应的客户进行分类。客户分类策略参数具体可以是将同属于客户标识群组的各客户标识所对应的客户确定为同属于相同类别。客户分类策略参数具体还可以是对于同属于客户标识群组的各客户标识，根据各客户标识各自对应的客户终身价值分别确定相应客户所属的类别。
比如，根据客户终身价值与客户分类标识之间的预设映射关系，以及客户终身价值确定相应的客户分类标识，或者，根据客户终身价值对同属于客户标识群组的各客户标识进行排序，并依据各客户标识对应的排序位置对应确定客户分类标识，或者，根据客户标识群组中各客户标识各自对应的客户终身价值和客户生命周期，对应确定相应客户标识在同属于该客户标识群组的多个客户标识中的排序位置，进而根据排序位置确定相应的客户分类标识。
具体地，客户标识群组多于一个，且该多于一个的客户标识群组各自对应有指定的数值区间。客户标识群组对应的数值区间与客户终身价值相对应，以便于根据客户终身价值所属的数值区间确定相应客户标识所属的客户标识群组。服务器将所获得的客户终身价值与各客户标识群组各自对应的数值区间进行匹配，根据匹配结果确定客户标识所属的客户标识群组。换而言之，服务器将客户标识对应的客户终身价值所在的数值区间所对应的客户标识群组，作为该客户标识所属的客户标识群组。服务器按照客户标识所属的客户标识群组所对应的客户分类策略参数，确定该客户标识对应的客户分类标识，即确定该客户标识对应的客户所属的类别。
在一个实施例中，客户标识群组与营销策略配置参数相对应。服务器根据客户终身价值确定客户标识所属的客户标识群组后，按照该客户标识群组对应的营销策略配置参数，对应确定该客户标识对应的营销策略参数。
其中，营销策略配置参数是用于指示配置营销策略参数的量化参数，用于表征如何配置营销策略参数。营销策略配置参数具体可以是将同属于客户标识群组的各客户标识配置相同的营销策略参数，该相同的营销策略参数与客户标识群组相对应。营销策略参数具体还可以是对于同属于客户标识群组的各客户标识，根据各客户标识各自对应的客户终身价值分别确定相应的营销策略参数。
上述实施例中，根据客户终身价值确定相应客户标识所属的客户标识群组，进而根据客户标识群组对应的客户分类策略参数确定客户标识对应的客户分类标识，这样依据客户终身价值和所属的客户标识群组对应确定客户分类标识，可以提高客户分类标识的确定效率，从而可以提高保险数据的处理效率。
在一个实施例中，上述保险数据处理方法中，客户终身价值预测模型对应的模型训练过程，包括：获取多个目标客户标识在预设时间段内各自对应的保险数据；根据获取的保险数据分别确定相应客户标识对应的客户保险特征数据和客户终身价值，获得训练样本集；根据训练样本集进行模型训练获得客户终身价值预测模型。
其中，目标客户是指获取训练样本的目标对象。目标客户标识用于唯一标识目标客户。模型训练是指根据训练样本集对模型进行训练，以获得客户终身价值预测模型的过程。模型训练是计算机根据训练样本集不断调整模型参数直至最终确定模型参数的过程。训练样本集是多个用于对模型进行训练的训练样本组成的集合。训练样本包括已知的客户保险特征数据和相应的客户终身价值。
具体地，服务器通过模型训练获得客户终身价值预测模型时，初始化客户终身价值预测模型，并根据多个目标客户标识在预设时间段内各自对应的保险数据分别确定相应的客户保险特征数据和客户终身价值，获得训练样本集。服务器将训练样本集输入初始化的客户终身价值预测模型中进行模型训练，以确定初始化客户终身价值预测模型中的各权重参数，从而获得训练完成的客户终身价值预测模型。
在一个实施例中，客户终身价值预测模型是线性回归模型。初始化的线性回归模型为：Y＝α0+α1x1+α2x2+...+αnxn，其中，α＝{α0,α1,...,αn}表示初始化的权重参数，x＝{x0,x1,...,xn}表示客户标识对应的客户保险特征数据，Y表示客户终身价值，n表示客户标识对应的客户保险特征数据的维数，即客户保险特征数据的数量。模型训练时，根据多个已知的x＝{x0,x1,...,xn}和相应的Y，确定相应的α＝{α0,α1,...,αn}。客户终身价值预测时，根据已知的x＝{x0,x1,...,xn}和已确定α＝{α0,α1,...,αn}的客户终身价值预测模型，对应确定未知的Y。
上述实施例中，根据已知的训练样本集对模型进行训练获得相应的客户终身价值预测模型，以通过该客户终身价值预测模型预测客户标识对应的客户终身价值，提高了客户终身价值的预测准确性。
在一个实施例中，上述保险数据处理方法还包括：获取候选客户标识各自对应的候选客户生命周期；比较候选客户生命周期与预设时长阈值；筛选候选客户生命周期超过预设时长阈值的候选客户标识，得到目标客户标识。
其中，候选客户是指可选作为目标客户的备选客户。候选客户标识用于唯一标识候选客户。候选客户生命周期是候选客户对应的生命周期。预设时长阈值是预先指定的、用于与候选客户生命周期进行比较的时间长度值。
在一个实施例中，服务器获取多个候选客户各自对应的候选客户生命周期，根据该多个候选客户标识各自对应的候选客户生命周期对该多个候选客户标识进行排序，确定各候选客户标识的排序位置。进一步地，服务器按照排序位置从该多个候选客户标识中筛选出指定数量的候选客户标识，将筛选出的候选客户标识作为目标客户标识。
上述实施例中，依据候选客户生命周期筛选作为目标客户标识的多个候选客户标识，通过该种方式筛选出的目标客户标识对应的客户生命周期都大于预设时长阈值，这样对于各目标客户标识可获取的保险数据越多，而用于模型训练的保险数据越多，训练获得的客户终身价值预测模型的预测准确性越高，因而能够有效提高客户终身价值预测的准确性。
如图3所示，提供了一种建立客户终身价值预测模型的方法，该方法具体包括以下步骤：
S302，获取候选客户标识各自对应的候选客户生命周期。
S304，比较候选客户生命周期与预设时长阈值。
S306，筛选候选客户生命周期超过预设时长阈值的候选客户标识，得到目标客户标识。
S308，获取多个目标客户标识在预设时间段内各自对应的保险数据。
S310，根据获取的保险数据分别确定相应客户标识对应的客户保险特征数据和客户终身价值，获得训练样本集。
S312，根据训练样本集进行模型训练获得客户终身价值预测模型。
上述实施例中，依据候选客户生命周期和预设时长阈值选择目标客户标识，根据选择的目标客户标识确定相应的训练样本集，以根据训练样本集进行模型训练获得用于预测客户终身价值的客户终身价值预测模型，提高了预测准确性。
如图4所示，在一个具体的实施例中，提供了一种保险数据处理方法，该方法包括以下步骤：
S402，监测客户标识所对应的客户生命周期。
S404，当客户生命周期小于预设时间长度时，从多个小于预设时间长度的离散时长中，选择与客户生命周期相匹配的离散时长。
S406，确定指定时间段为截至当前时间的、且长度为所选择的离散时长的时间段。
S408，当客户生命周期等于或大于预设时间长度时，则确定指定时间段为截至当前时间的、且长度为预设时间长度的时间段。
S410，获取截至当前时间的指定时间段内与客户标识对应的保险数据。
S412，根据保险数据确定客户标识对应的客户保险特征数据。
S414，将客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得。
S416，获取客户标识所对应的客户生命周期。
S418，根据客户标识所对应的客户生命周期和客户终身价值，确定客户标识在客户标识集合中的排序位置。
S420，按照客户标识的排序位置，确定客户标识所对应的客户分类标识。
S422，根据获得的客户终身价值确定客户标识所属的客户标识群组。
S424，按照客户标识群组所对应的客户分类策略参数，确定客户标识对应的客户分类标识。
上述实施例中，通过监测客户标识对应的客户生命周期确定指定时间段，根据该指定时间段内与客户标识对应的保险数据确定相应的客户保险特征数据，并根据该客户保险特征数据和训练完成的客户终身价值预测模型预测获得相应的客户终身价值，进而依据客户终身价值确定客户分类标识。这样保险数据的获取、处理和预测过程无需人工参与，提高了保险数据的处理效率，以及客户终身价值的预测准确性。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种保险数据处理装置500，包括：获取模块501、客户保险特征数据确定模块502、预测模块503和客户分类标识确定模块504，其中：
获取模块501，用于获取截至当前时间的指定时间段内与客户标识对应的保险数据。
客户保险特征数据确定模块502，用于根据保险数据确定客户标识对应的客户保险特征数据。
预测模块503，用于将客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得。
客户分类标识确定模块504，用于根据获得的客户终身价值确定客户标识对应的客户分类标识。
上述保险数据处理装置，获取截至当前时间的指定时间段内与客户标识对应的保险数据，根据该保险数据对应确定客户保险特征数据，将所确定的客户保险特征数据作为输入特征输入通过模型训练获得的客户终身价值预测模型中进行预测，获得相应的客户终身价值，并根据客户终身价值确定相应的客户分类标识。这样，根据保险数据确定客户分类标识的过程中，无需通过人工搜集、处理和分析保险数据，而是通过客户终身价值预测模型根据由保险数据对应确定的客户保险特征数据预测客户终身价值，进而确定相应的客户分类标识，提高了保险数据的处理效率。
如图6所示，在一个实施例中，保险数据处理装置500还包括：指定时间段确定模块505。指定时间段确定模块505，用于监测客户标识所对应的客户生命周期；当客户生命周期小于预设时间长度时，从多个小于预设时间长度的离散时长中，选择与客户生命周期相匹配的离散时长；确定指定时间段为截至当前时间的、且长度为所选择的离散时长的时间段。
在一个实施例中，指定时间段确定模块505，还用于当客户生命周期等于或大于预设时间长度时，则确定指定时间段为截至当前时间的、且长度为预设时间长度的时间段。
在一个实施例中，客户分类标识确定模块504，还用于获取客户标识所对应的客户生命周期；根据客户标识所对应的客户生命周期和客户终身价值，确定客户标识在客户标识集合中的排序位置；按照客户标识的排序位置，确定客户标识所对应的客户分类标识。
在一个实施例中，客户分类标识确定模块504，还用于根据获得的客户终身价值确定客户标识所属的客户标识群组；按照客户标识群组所对应的客户分类策略参数，确定客户标识对应的客户分类标识。
在一个实施例中，保险数据处理装置500还包括：模型训练模块506。模型训练模块506，用于获取多个目标客户标识在预设时间段内各自对应的保险数据；根据获取的保险数据分别确定相应客户标识对应的客户保险特征数据和客户终身价值，获得训练样本集；根据训练样本集进行模型训练获得客户终身价值预测模型。
在一个实施例中，模型训练模块506，还用于获取候选客户标识各自对应的候选客户生命周期；比较候选客户生命周期与预设时长阈值；筛选候选客户生命周期超过预设时长阈值的候选客户标识，得到目标客户标识。
关于保险数据处理装置的具体限定可以参见上文中对于保险数据处理方法的限定，在此不再赘述。上述保险数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储客户标识对应的保险数据、训练完成的客户终身价值预测模型和客户分类标识。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种保险数据处理方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取截至当前时间的指定时间段内与客户标识对应的保险数据；根据保险数据确定客户标识对应的客户保险特征数据；将客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；根据获得的客户终身价值确定客户标识对应的客户分类标识。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：监测客户标识所对应的客户生命周期；当客户生命周期小于预设时间长度时，从多个小于预设时间长度的离散时长中，选择与客户生命周期相匹配的离散时长；确定指定时间段为截至当前时间的、且长度为所选择的离散时长的时间段。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当客户生命周期等于或大于预设时间长度时，则确定指定时间段为截至当前时间的、且长度为预设时间长度的时间段。
在一个实施例中，根据获得的客户终身价值确定客户标识对应的客户分类标识包括：获取客户标识所对应的客户生命周期；根据客户标识所对应的客户生命周期和客户终身价值，确定客户标识在客户标识集合中的排序位置；按照客户标识的排序位置，确定客户标识所对应的客户分类标识。
在一个实施例中，根据获得的客户终身价值确定客户标识对应的客户分类标识包括：根据获得的客户终身价值确定客户标识所属的客户标识群组；按照客户标识群组所对应的客户分类策略参数，确定客户标识对应的客户分类标识。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个目标客户标识在预设时间段内各自对应的保险数据；根据获取的保险数据分别确定相应客户标识对应的客户保险特征数据和客户终身价值，获得训练样本集；根据训练样本集进行模型训练获得客户终身价值预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取候选客户标识各自对应的候选客户生命周期；比较候选客户生命周期与预设时长阈值；筛选候选客户生命周期超过预设时长阈值的候选客户标识，得到目标客户标识。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取截至当前时间的指定时间段内与客户标识对应的保险数据；根据保险数据确定客户标识对应的客户保险特征数据；将客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；根据获得的客户终身价值确定客户标识对应的客户分类标识。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：监测客户标识所对应的客户生命周期；当客户生命周期小于预设时间长度时，从多个小于预设时间长度的离散时长中，选择与客户生命周期相匹配的离散时长；确定指定时间段为截至当前时间的、且长度为所选择的离散时长的时间段。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当客户生命周期等于或大于预设时间长度时，则确定指定时间段为截至当前时间的、且长度为预设时间长度的时间段。
在一个实施例中，根据获得的客户终身价值确定客户标识对应的客户分类标识包括：获取客户标识所对应的客户生命周期；根据客户标识所对应的客户生命周期和客户终身价值，确定客户标识在客户标识集合中的排序位置；按照客户标识的排序位置，确定客户标识所对应的客户分类标识。
在一个实施例中，根据获得的客户终身价值确定客户标识对应的客户分类标识包括：根据获得的客户终身价值确定客户标识所属的客户标识群组；按照客户标识群组所对应的客户分类策略参数，确定客户标识对应的客户分类标识。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个目标客户标识在预设时间段内各自对应的保险数据；根据获取的保险数据分别确定相应客户标识对应的客户保险特征数据和客户终身价值，获得训练样本集；根据训练样本集进行模型训练获得客户终身价值预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取候选客户标识各自对应的候选客户生命周期；比较候选客户生命周期与预设时长阈值；筛选候选客户生命周期超过预设时长阈值的候选客户标识，得到目标客户标识。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种保险数据处理方法，所述方法包括：
获取截至当前时间的指定时间段内与客户标识对应的保险数据；
根据所述保险数据确定所述客户标识对应的客户保险特征数据；
将所述客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；所述客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；
根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
监测客户标识所对应的客户生命周期；
当所述客户生命周期小于预设时间长度时，从多个小于所述预设时间长度的离散时长中，选择与所述客户生命周期相匹配的离散时长；
确定指定时间段为截至当前时间的、且长度为所选择的离散时长的时间段。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当所述客户生命周期等于或大于所述预设时间长度时，则
确定指定时间段为截至当前时间的、且长度为所述预设时间长度的时间段。
4.根据权利要求1所述的方法，其特征在于，所述根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识包括：
获取客户标识所对应的客户生命周期；
根据所述客户标识所对应的客户生命周期和所述客户终身价值，确定所述客户标识在客户标识集合中的排序位置；
按照所述客户标识的排序位置，确定所述客户标识所对应的客户分类标识。
5.根据权利要求1所述的方法，其特征在于，所述根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识包括：
根据获得的所述客户终身价值确定所述客户标识所属的客户标识群组；
按照所述客户标识群组所对应的客户分类策略参数，确定所述客户标识对应的客户分类标识。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述客户终身价值预测模型对应的模型训练过程，包括：
获取多个目标客户标识在预设时间段内各自对应的保险数据；
根据获取的所述保险数据分别确定相应客户标识对应的客户保险特征数据和客户终身价值，获得训练样本集；
根据所述训练样本集进行模型训练获得所述客户终身价值预测模型。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取候选客户标识各自对应的候选客户生命周期；
比较所述候选客户生命周期与预设时长阈值；
筛选候选客户生命周期超过所述预设时长阈值的候选客户标识，得到目标客户标识。
8.一种保险数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取截至当前时间的指定时间段内与客户标识对应的保险数据；
客户保险特征数据确定模块，用于根据所述保险数据确定所述客户标识对应的客户保险特征数据；
预测模块，用于将所述客户保险特征数据输入客户终身价值预测模型中进行预测，获得相应的客户终身价值；所述客户终身价值预测模型根据多个目标客户标识各自对应的客户保险特征数据和客户终身价值进行模型训练获得；
客户分类标识确定模块，用于根据获得的所述客户终身价值确定所述客户标识对应的客户分类标识。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810575090.5A CN108765094A (zh) | 2018-06-06 | 2018-06-06 | 保险数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810575090.5A CN108765094A (zh) | 2018-06-06 | 2018-06-06 | 保险数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108765094A true CN108765094A (zh) | 2018-11-06 |
Family
ID=64000134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810575090.5A Pending CN108765094A (zh) | 2018-06-06 | 2018-06-06 | 保险数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765094A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598634A (zh) * | 2018-12-20 | 2019-04-09 | 焦点科技股份有限公司 | 一种基于机器学习的互联网保险实时精细化促销信息投放方法 |
| CN110009380A (zh) * | 2018-11-29 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 交易数据预测方法、装置、电子设备及计算机存储介质 |
| CN110598995A (zh) * | 2019-08-15 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN111435452A (zh) * | 2019-01-11 | 2020-07-21 | 百度在线网络技术（北京）有限公司 | 模型训练方法、装置、设备和介质 |
| WO2020248844A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 测试对象的寿命预估方法、装置、设备及介质 |
| CN112380177A (zh) * | 2020-11-17 | 2021-02-19 | 中国平安人寿保险股份有限公司 | 一种业务数据处理方法、设备、终端及存储介质 |
| CN112950359A (zh) * | 2021-03-30 | 2021-06-11 | 建信金融科技有限责任公司 | 一种用户识别方法和装置 |
| CN113743991A (zh) * | 2021-09-03 | 2021-12-03 | 上海幻电信息科技有限公司 | 生命周期价值预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101044499A (zh) * | 2003-05-22 | 2007-09-26 | 珀欣投资有限责任公司 | 用于确定理想客户的评级系统和方法 |
| CN103714139A (zh) * | 2013-12-20 | 2014-04-09 | 华南理工大学 | 一种移动海量客户群识别的并行数据挖掘方法 |
| CN106504087A (zh) * | 2016-11-18 | 2017-03-15 | 中国农业银行股份有限公司 | 一种挽留策略匹配方法及系统 |
| CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
| CN108109063A (zh) * | 2017-12-07 | 2018-06-01 | 上海点融信息科技有限责任公司 | 用于预测标签预测值的方法、装置和计算机可读存储介质 |
-
2018
- 2018-06-06 CN CN201810575090.5A patent/CN108765094A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101044499A (zh) * | 2003-05-22 | 2007-09-26 | 珀欣投资有限责任公司 | 用于确定理想客户的评级系统和方法 |
| CN103714139A (zh) * | 2013-12-20 | 2014-04-09 | 华南理工大学 | 一种移动海量客户群识别的并行数据挖掘方法 |
| CN106504087A (zh) * | 2016-11-18 | 2017-03-15 | 中国农业银行股份有限公司 | 一种挽留策略匹配方法及系统 |
| CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
| CN108109063A (zh) * | 2017-12-07 | 2018-06-01 | 上海点融信息科技有限责任公司 | 用于预测标签预测值的方法、装置和计算机可读存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009380A (zh) * | 2018-11-29 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 交易数据预测方法、装置、电子设备及计算机存储介质 |
| CN109598634A (zh) * | 2018-12-20 | 2019-04-09 | 焦点科技股份有限公司 | 一种基于机器学习的互联网保险实时精细化促销信息投放方法 |
| CN111435452A (zh) * | 2019-01-11 | 2020-07-21 | 百度在线网络技术（北京）有限公司 | 模型训练方法、装置、设备和介质 |
| CN111435452B (zh) * | 2019-01-11 | 2023-11-03 | 百度在线网络技术（北京）有限公司 | 模型训练方法、装置、设备和介质 |
| WO2020248844A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 测试对象的寿命预估方法、装置、设备及介质 |
| CN110598995A (zh) * | 2019-08-15 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN110598995B (zh) * | 2019-08-15 | 2023-08-25 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN112380177A (zh) * | 2020-11-17 | 2021-02-19 | 中国平安人寿保险股份有限公司 | 一种业务数据处理方法、设备、终端及存储介质 |
| CN112380177B (zh) * | 2020-11-17 | 2023-10-13 | 中国平安人寿保险股份有限公司 | 一种业务数据处理方法、设备、终端及存储介质 |
| CN112950359A (zh) * | 2021-03-30 | 2021-06-11 | 建信金融科技有限责任公司 | 一种用户识别方法和装置 |
| CN112950359B (zh) * | 2021-03-30 | 2022-06-28 | 建信金融科技有限责任公司 | 一种用户识别方法和装置 |
| CN113743991A (zh) * | 2021-09-03 | 2021-12-03 | 上海幻电信息科技有限公司 | 生命周期价值预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765094A (zh) | 保险数据处理方法、装置、计算机设备和存储介质 | |
| CN108711110B (zh) | 保险产品推荐方法、装置、计算机设备和存储介质 | |
| Hwang et al. | Risk management in small construction projects in Singapore: Status, barriers and impact | |
| CN105045831B (zh) | 一种消息推送方法及装置 | |
| Radhi et al. | Optimal configuration of remanufacturing supply network with return quality decision | |
| CN108960719A (zh) | 选品方法和装置以及计算机可读存储介质 | |
| KR101265976B1 (ko) | 정량적 정보 기반의 산업기술시장 분석 시스템 및 그 방법 | |
| Shankar | Big data and analytics in retailing | |
| US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
| CN101308560A (zh) | 店铺管理系统及程序 | |
| US11455544B2 (en) | Prediction model generation device, prediction model generation method, and recording medium | |
| Weintraub et al. | A priori and a posteriori aggregation procedures to reduce model size in MIP mine planning models | |
| JP7099805B2 (ja) | 予測装置、予測システム、予測方法及びプログラム | |
| CN110069676A (zh) | 关键词推荐方法和装置 | |
| Correia et al. | Integrated facility location and capacity planning under uncertainty | |
| Robinson et al. | A simple way to incorporate uncertainty and risk into forest harvest scheduling | |
| KR20130083054A (ko) | 조직능력을 고려한 건설 프로젝트 공사비 평가 시스템 | |
| CN113869602A (zh) | 核电厂备件需求预测方法、系统、计算机设备和存储介质 | |
| Bucher et al. | Configuring single-echelon systems using demand categorization | |
| CN112150179B (zh) | 一种信息推送方法和装置 | |
| Kamhuber et al. | An efficient hybrid multi-criteria optimization approach for rolling production smoothing of a European food manufacturer | |
| CN115130887A (zh) | 水库大坝环境影响评价方法和装置、电子设备和存储介质 | |
| Rauzana et al. | The Influence of Uncertainty Variables on Cost Estimation Lesson Learned From Construction Industry in Indonesia | |
| CN115049137A (zh) | 交易收益率的预测方法及装置、存储介质、电子设备 | |
| JP2018173821A (ja) | ポイント付与システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |