CN108846687A - 客户分类方法、装置及存储介质 - Google Patents
客户分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108846687A CN108846687A CN201810285089.9A CN201810285089A CN108846687A CN 108846687 A CN108846687 A CN 108846687A CN 201810285089 A CN201810285089 A CN 201810285089A CN 108846687 A CN108846687 A CN 108846687A
- Authority
- CN
- China
- Prior art keywords
- data
- client
- target customer
- qualitative features
- customer
- 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
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
Abstract
本发明提出一种客户分类方法,包括:获取目标客户预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及,将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。本发明还提出一种电子装置及存储介质。利用本发明,根据目标客户的预设类型的特征数据,准确分析目标客户所属的客户类。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种客户分类方法、电子装置及计算机可读存储介质。
背景技术
在传统的保险业务中,为了提高产品推荐的精准性,通常需要采用客户分类算法为不同客户进行客户分类。然而,传统的客户分类算法通常是基于固定的规则或是利用现有的离线机器学习算法,难以针对实时场景进行智能客户分类。
采用传统的客户分类算法为客户进行客户分类容易出错,分类的准确性无法满足实际需要。因此,如何提高客户分类的精准性,已经成为一个亟待解决的技术问题。
发明内容
本发明提供一种客户分类方法、电子装置及计算机可读存储介质,其主要目的在于根据目标客户的预设类型的特征数据,准确分析目标客户所属的客户类。
为实现上述目的,本发明提供一种客户分类方法,该方法包括:
获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
此外,为实现上述目的,本发明还提供一种电子装置,该装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的客户分类程序程序,该程序被所述处理器执行时实现如下步骤:
获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
此外,为实现上述目的,本发明还提供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客户分类程序,该程序被处理器执行时实现如上所述的客户分类方法的任意步骤。
相较于现有技术,本发明提出的客户分类方法、电子装置及计算机可读存储介质,通过将目标客户预设类型的特征数据全部转换为定性特征数据,并组合定性特征数据得到代表目标客户特点的属性特征组合状态数组,利用分析模型得到客户的分类结果,并定期更新分析模型,提高客户分类的准确率。
附图说明
图1为本发明电子装置较佳实施例的示意图;
图2为分析模型的运行机理示意图;
图3为图1中客户分类程序的程序模块示意图;
图4为本发明客户分类方法较佳实施例的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种客户分类方法,该方法应用于一种电子装置1。参照图1所示,为本发明电子装置1较佳实施例的示意图。
在本实施例中,电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备,所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。
该电子装置1包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备,例如该电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据,例如客户分类程序10、预设的分析规则等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如客户分类程序10等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该电子装置1与其他电子设备之间建立通信连接。
图1仅示出了具有组件11-14的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,该电子装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。
可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。其中,显示器也可以称为显示屏或显示单元,用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在图1所示的装置实施例中,存储器11中存储有客户分类程序10。处理器12执行存储器11中存储的客户分类程序10时实现如下步骤:
获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
在本实施例中,以某金融机构的保险客户为例对本方案进行说明,但不仅限于对保险客户的分类。当向目标客户推荐保险产品时,首先需要了解客目标客户的特点,即确定目标客户所属的客户类,然后根据目标客户所属的类向其推荐相应的保险产品。在确定目标客户所属的客户类之前,首先从客户数据库(图中未标识)中获取目标客户的客户属性数据,例如,证件号码,或者,姓名和证件号码;然后,根据目标客户的客户属性数据,分别从多个预先确定的业务服务器(图中未标识)中,获取目标客户的预设类型的特征数据。例如,业务服务器可以为银行服务器、医疗服务器、保险服务器、即时通讯服务器、游戏服务器、外卖服务器及/或简历服务器等;预设类型的特征数据可以是银行贷款额度及还款请款等信息、门诊病历信息(例如,预设时间内的看病次数、所患疾病种类、每次患病的持续时间等)、保险信息(例如,所处行业,性别、年龄、婚姻状况、职业等)、即时通讯工具账号的使用信息(例如,通讯工具每天登陆时间信息、每天在线时长等信息)等等、游戏信息(例如,每天游戏登陆时间信息、每天游戏在线时长等信息)、外卖点餐信息(例如,每天点外卖的时间信息、每天所点外卖的外卖类型等)、求职简历上填写的信息(例如,兴趣爱好、性格、工作经历等信息)。进一步地,预设类型的特征数据包括定量特征数据(例如,年龄、存款等)和定性特征数据(例如,婚姻状况为未婚或者已婚、是否患有重大疾病等)。
可以理解的是,随着时间的推移,目标客户预设类型的特征数据会发生较大的变化,为了使获取的特征数据更符合目标客户当前的实际情况,在时间维度上对目标客户的特征数据进行筛选,仅保留目标客户在第一预设时间内(例如,距当前时间一年内)的特征数据。
在获取到目标客户的预设类型的特征数据后,按照预设的分析规则进行分析。具体地,所述预设的分析规则包括:将目标客户的预设类型的特征数据分为定量特征数据和定性特征数据;根据预先确定的定量特征数据类型、数据区间、定性特征之间的映射关系,分别确定目标客户的各个类型的定量特征数据对应的数据区间和定性特征;及,分别将客户的不同类型的定性特征数据作为多元数据组的不同数据元,组成对应的属性特征组合状态数组。
具体地,属于连续数值类型的特征数据为定量特征数据,例如,年龄、存款等,属于不连续数值类型的特征数据为定性特征数据,例如,婚姻状况为未婚或者已婚、是否患有重大疾病等。以客户预设类型的特征数据包含年龄、婚姻状况、存款三个字段数据为例,其中,年龄范围在25岁-80岁之间,婚姻状况为未婚或者已婚,存款金额范围是10000-500000元,定量特征数据为年龄、存款,定性特征数据为婚姻状况。作为一种实施方式,定量特征数据类型、数据区间、定性特征之间的映射关系包括:根据客户年龄分布,划分年龄区间并定性,年龄在25-45岁之间的客户为青年,年龄在41-65岁之间的客户为中年,年龄在66-80岁之间的客户为老年,共3种定性值;根据存款金额分布,划分存款金额区间并定性,存款在10000-100000元之间的为A级别,存款在100000-200000元之间的为B级别,存款在200000-300000元之间的为C级别,存款在30000-400000元之间的为D级别,存款在400000-500000元之间的为E级别,共5种定性值。若目标客户的预设类型的特征数据包括:年龄为30岁、存款为28万、未婚,将定量特征数据转换为定性特征数据并进行组合后,得到目标客户对应的属性特征组合状态数组为(青年,C,未婚)。
确定目标客户对应的属性特征组合状态数组后,调用预先训练好的分析模型文件,将目标客户对应的属性特征组合状态数组输入分析模型,根据模型输出的分析结果确定目标客户所属的客户类。
具体地,在训练分析模型之前,获取第二预设时间内(例如,最近3年内,或者,所有历史时间内)预先确定的客户(例如,50万个预先确定的客户)的客户属性数据,例如,证件号码,或者,姓名和证件号码,根据预先确定的客户的客户属性数据,分别从多个预先确定的业务服务器中,获取预先确定的客户的预设类型的特征数据,所述预设类型的特征数据与上述预设类型的特征数据一致,这里不再赘述。
根据预设的分析规则将各个预先确定的客户的定量特征数据转换为定性特征数据,并将各个预先确定的客户的定性特征数据转换为多个属性特征组合状态数组。例如,假设50万个预先确定的客户预设类型的特征数据包含年龄、婚姻状况、存款等字段数据,其中年龄范围在25岁-80岁之间,婚姻状况为未婚或者已婚,存款金额范围是10000-500000元。同理,根据上述定量特征数据类型、数据区间、定性特征之间的映射关系,50万个预先确定的客户的特征数据中的定量特征数据转换为定性特征数据,将经过数据转化后的结果中所有的定性特征数据作为数据元,对其进行组合,可以得到客户特征数据中中包含年龄、婚姻状况、存款这3个字段的30(其中,年龄有三个定性值,婚姻状况有两个定性值,存款有五个定性值,随机组合有3*2*5中可能)个属性特征组合状态数组。
根据第二预设时间内各个预先确定的客户对应的属性特征组合状态数组,为各个预先确定的客户人为标注其所属的客户类,具体地,客户类包括低端客户、中端客户、潜力客户、高端客户等,例如,属性特征组合状态数组为(青年,E,未婚)的客户所属的客户类为高端客户。将各个预先确定的客户所属的客户类及属性特征组合状态数组之间的映射关系数据,作为预设结构的分析模型的训练数据,对预设结构的分析模型进行训练。
在本实施例中,所述预设结构的分析模型为深度确定性策略梯度(DeepDeterministic Policy Gradient,DDPG)算法模型,参照图2所示,为分析模型的运行机理示意图。深度确定性策略梯度模型采用的是确定性策略。
确定性策略:策略输出即是动作α,优点主要是需要采样的数据少,算法效率高。通过参数为θμ的深度神经网络来表示确定性策略。具体地,α=π(s|θμ),其中,α表示输出的动作,s表示状态,θμ表示神经网络的权重参数,π表示策略函数。
损失函数:评估输出策略优劣的函数J(θμ),每次迭代更新参数使损失函数降低,以达到优化策略的目的。具体地,其中,θμ表示确定策略的神经网络的权重参数,r1、r2、r3……表示策略输出的一系列动作,γ表示策略动作的惩罚系数,用以约束输出动作序列的长度,E是数学期望。
值函数:直接计算损失函数的梯度来更新策略,计算难度大。损失函数的梯度可以通过值函数的梯度来近似表示,值函数采用深度神经网络模型。具体地,值函数为Q(s,α|θQ)。α表示输出的动作,s表示状态,θQ表示所采用的深度神经网络的权重参数。
策略评估:可以通过损失函数的数值来直观地评估策略的优劣,损失函数的数值越小,则输出的动作策略越有效果。
策略改进:策略的改进需要对值函数、策略函数这两神经网络的权重参数θμ和θQ进行迭代更新,从而更新输出的动作策略。每次参数迭代更新的值来自于损失函数的梯度。具体地,其中,α表示输出的动作,s表示状态,θQ表示所采用的深度神经网络的权重参数,θμ表示确定策略的神经网络的权重参数,π表示策略函数,Q表示值函数。
在其他实施例中,为了保证客户分类的准确性,用户可对分类结果进行修改,并对目标客户所属的客户类进行更新。通过增加纠错功能,保证客户分类的准确性。另外,为了使分析模型更准确,需定期对分析模型进行更新。具体地,接收第三预设时间(例如,距当前时间的三个月内)对客户分类的结果,将第三预设时间内客户对应的属性特征组合状态数组与各客户所属的客户类的映射关系数据,作为所述预设结构的分析模型的补充训练样本数据,利用该补充训练样本数据补充强化训练所述预设结构的分析模型,提高分析模型的准确率。
上述实施例提出的电子装置1,通过将目标客户预设类型的特征数据全部转换为定性特征数据,并组合定性特征数据得到代表目标客户特点的属性特征组合状态数组,利用分析模型得到客户的分类结果,提高了客户分类的准确率。
可选地,在其他的实施例中,客户分类程序10还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行,以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。例如,参照图3所示,为图1中客户分类程序10的程序模块示意图,该实施例中,客户分类程序10可以被分割为获取模块110、转换模块120及分类模块130,所述模块110-130所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
获取模块110,用于获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
转换模块120,用于根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
分类模块130,用于将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
此外,本发明还提供一种客户分类方法。参照图4所示,为本发明客户分类方法较佳实施例的流程图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,客户分类方法包括步骤S1-S3:
步骤S1,获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
步骤S2,根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
步骤S3,将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
在本实施例中,以某金融机构的保险客户为例对本方案进行说明,但不仅限于对保险客户的分类。当向目标客户推荐保险产品时,首先需要了解客目标客户的特点,即确定目标客户所属的客户类,然后根据目标客户所属的类向其推荐相应的保险产品。在确定目标客户所属的客户类之前,首先从客户数据库(图中未标识)中获取目标客户的客户属性数据,例如,证件号码,或者,姓名和证件号码;然后,根据目标客户的客户属性数据,分别从多个预先确定的业务服务器(图中未标识)中,获取目标客户的预设类型的特征数据。例如,业务服务器可以为银行服务器、医疗服务器、保险服务器、即时通讯服务器、游戏服务器、外卖服务器及/或简历服务器等;预设类型的特征数据可以是银行贷款额度及还款请款等信息、门诊病历信息(例如,预设时间内的看病次数、所患疾病种类、每次患病的持续时间等)、保险信息(例如,所处行业,性别、年龄、婚姻状况、职业等)、即时通讯工具账号的使用信息(例如,通讯工具每天登陆时间信息、每天在线时长等信息)等等、游戏信息(例如,每天游戏登陆时间信息、每天游戏在线时长等信息)、外卖点餐信息(例如,每天点外卖的时间信息、每天所点外卖的外卖类型等)、求职简历上填写的信息(例如,兴趣爱好、性格、工作经历等信息)。进一步地,预设类型的特征数据包括定量特征数据(例如,年龄、存款等)和定性特征数据(例如,婚姻状况为未婚或者已婚、是否患有重大疾病等)。
可以理解的是,随着时间的推移,目标客户预设类型的特征数据会发生较大的变化,为了使获取的特征数据更符合目标客户当前的实际情况,在时间维度上对目标客户的特征数据进行筛选,仅保留目标客户在第一预设时间内(例如,距当前时间一年内)的特征数据。
在获取到目标客户的预设类型的特征数据后,按照预设的分析规则进行分析。具体地,所述预设的分析规则包括:将目标客户的预设类型的特征数据分为定量特征数据和定性特征数据;根据预先确定的定量特征数据类型、数据区间、定性特征之间的映射关系,分别确定目标客户的各个类型的定量特征数据对应的数据区间和定性特征;及,分别将客户的不同类型的定性特征数据作为多元数据组的不同数据元,组成对应的属性特征组合状态数组。
具体地,属于连续数值类型的特征数据为定量特征数据,例如,年龄、存款等,属于不连续数值类型的特征数据为定性特征数据,例如,婚姻状况为未婚或者已婚、是否患有重大疾病等。以客户预设类型的特征数据包含年龄、婚姻状况、存款三个字段数据为例,其中,年龄范围在25岁-80岁之间,婚姻状况为未婚或者已婚,存款金额范围是10000-500000元,定量特征数据为年龄、存款,定性特征数据为婚姻状况。作为一种实施方式,定量特征数据类型、数据区间、定性特征之间的映射关系包括:根据客户年龄分布,划分年龄区间并定性,年龄在25-45岁之间的客户为青年,年龄在41-65岁之间的客户为中年,年龄在66-80岁之间的客户为老年,共3种定性值;根据存款金额分布,划分存款金额区间并定性,存款在10000-100000元之间的为A级别,存款在100000-200000元之间的为B级别,存款在200000-300000元之间的为C级别,存款在30000-400000元之间的为D级别,存款在400000-500000元之间的为E级别,共5种定性值。若目标客户的预设类型的特征数据包括:年龄为30岁、存款为28万、未婚,将定量特征数据转换为定性特征数据并进行组合后,得到目标客户对应的属性特征组合状态数组为(青年,C,未婚)。
确定目标客户对应的属性特征组合状态数组后,调用预先训练好的分析模型文件,将目标客户对应的属性特征组合状态数组输入分析模型,根据模型输出的分析结果确定目标客户所属的客户类。
具体地,在训练分析模型之前,获取第二预设时间内(例如,最近3年内,或者,所有历史时间内)预先确定的客户(例如,50万个预先确定的客户)的客户属性数据,例如,证件号码,或者,姓名和证件号码,根据预先确定的客户的客户属性数据,分别从多个预先确定的业务服务器中,获取预先确定的客户的预设类型的特征数据,所述预设类型的特征数据与上述预设类型的特征数据一致,这里不再赘述。
根据预设的分析规则将各个预先确定的客户的定量特征数据转换为定性特征数据,并将各个预先确定的客户的定性特征数据转换为多个属性特征组合状态数组。例如,假设50万个预先确定的客户预设类型的特征数据包含年龄、婚姻状况、存款等字段数据,其中年龄范围在25岁-80岁之间,婚姻状况为未婚或者已婚,存款金额范围是10000-500000元。同理,根据上述定量特征数据类型、数据区间、定性特征之间的映射关系,50万个预先确定的客户的特征数据中的定量特征数据转换为定性特征数据,将经过数据转化后的结果中所有的定性特征数据作为数据元,对其进行组合,可以得到客户特征数据中中包含年龄、婚姻状况、存款这3个字段的30(其中,年龄有三个定性值,婚姻状况有两个定性值,存款有五个定性值,随机组合有3*2*5中可能)个属性特征组合状态数组。
根据第二预设时间内各个预先确定的客户对应的属性特征组合状态数组,为各个预先确定的客户人为标注其所属的客户类,具体地,客户类包括低端客户、中端客户、潜力客户、高端客户等,例如,属性特征组合状态数组为(青年,E,未婚)的客户所属的客户类为高端客户。将各个预先确定的客户所属的客户类及属性特征组合状态数组之间的映射关系数据,作为预设结构的分析模型的训练数据,对预设结构的分析模型进行训练。
在本实施例中,所述预设结构的分析模型为深度确定性策略梯度(DeepDeterministic Policy Gradient,DDPG)算法模型,参照图2所示,为分析模型的运行机理示意图。深度确定性策略梯度模型采用的是确定性策略。
确定性策略:策略输出即是动作α,优点主要是需要采样的数据少,算法效率高。通过参数为θμ的深度神经网络来表示确定性策略。具体地,α=π(s|θμ),其中,α表示输出的动作,s表示状态,θμ表示神经网络的权重参数,π表示策略函数。
损失函数:评估输出策略优劣的函数J(θμ),每次迭代更新参数使损失函数降低,以达到优化策略的目的。具体地,其中,θμ表示确定策略的神经网络的权重参数,r1、r2、r3……表示策略输出的一系列动作,γ表示策略动作的惩罚系数,用以约束输出动作序列的长度,E是数学期望。
值函数:直接计算损失函数的梯度来更新策略,计算难度大。损失函数的梯度可以通过值函数的梯度来近似表示,值函数采用深度神经网络模型。具体地,值函数为Q(s,α|θQ)。α表示输出的动作,s表示状态,θQ表示所采用的深度神经网络的权重参数。
策略评估:可以通过损失函数的数值来直观地评估策略的优劣,损失函数的数值越小,则输出的动作策略越有效果。
策略改进:策略的改进需要对值函数、策略函数这两神经网络的权重参数θμ和θQ进行迭代更新,从而更新输出的动作策略。每次参数迭代更新的值来自于损失函数的梯度。具体地,其中,α表示输出的动作,s表示状态,θQ表示所采用的深度神经网络的权重参数,θμ表示确定策略的神经网络的权重参数,π表示策略函数,Q表示值函数。
在其他实施例中,为了保证客户分类的准确性,用户可对分类结果进行修改,并对目标客户所属的客户类进行更新。通过增加纠错功能,保证客户分类的准确性。另外,为了使分析模型更准确,需定期对分析模型进行更新。具体地,接收第三预设时间(例如,距当前时间的三个月内)对客户分类的结果,将第三预设时间内客户对应的属性特征组合状态数组与各客户所属的客户类的映射关系数据,作为所述预设结构的分析模型的补充训练样本数据,利用该补充训练样本数据补充强化训练所述预设结构的分析模型,提高分析模型的准确率。
上述实施例提出的客户分类方法,通过将目标客户预设类型的特征数据全部转换为定性特征数据,并组合定性特征数据得到代表目标客户特点的属性特征组合状态数组,利用分析模型得到客户的分类结果,提高了客户分类的准确率。
此外,本发明实施例还提出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客户分类程序10,该程序被处理器执行时实现如下操作:
获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
本发明计算机可读存储介质具体实施方式与上述客户分类方法和电子装置1的具体实施方式基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种客户分类方法,应用于电子装置,其特征在于,该方法包括:
获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
2.如权利要求1所述的客户分类方法,其特征在于,所述“根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组”的步骤包括:
根据预先确定的定量特征数据类型、数据区间、定性特征数据之间的映射关系,分别确定客户的各个类型定量特征数据对应的数据区间和定性特征数据;及
分别将客户的不同类型的定性特征数据作为多元数据组的不同数据元,组成对应的属性特征组合状态数组。
3.如权利要求1所述的客户分类方法,其特征在于,所述训练好的分析模型为深度确定性策略梯度算法模型,其包括:确定性策略、损失函数、值函数、策略评估及策略改进:
所述损失函数的公式为:其中,θμ表示确定策略的神经网络的权重参数,r1、r2、r3……表示策略输出的一系列动作,γ表示策略动作的惩罚系数,用以约束输出动作序列的长度,E是数学期望;及
所述策略改进的公式为:其中,α表示输出的动作,s表示状态,θQ表示所采用的深度神经网络的权重参数,θμ表示确定策略的神经网络的权重参数,π表示策略函数,Q表示值函数。
4.如权利要求1至3所述的客户分类方法,其特征在于,所述分析模型的训练步骤包括:
获取第二预设时间内各个预先确定的客户的预设类型的特征数据及各个预先确定的客户所属的客户类;
将所述各个预先确定的客户的所述定量特征数据转换为定性特征数据,并将所述各个预先确定的客户的所有定性特征数据转换为对应的属性特征组合状态数组;及
将各个预先确定的客户所属的客户类及属性组合状态数组的映射关系数据作为所述分析模型的训练数据,对所述分析模型进行训练。
5.如权利要求4所述的客户分类方法,其特征在于,该方法还包括:
若分析出的该目标客户所属的客户类错误,则接收对该目标客户所属的客户类的修改,并更新该目标客户所属的客户类。
6.如权利要求5所述的客户分类方法,其特征在于,该方法还包括:
获取第三预设时间内的目标客户对应的最新属性特征组合状态数组与正确的客户类的映射关系数据,作为所述分析模型的补充训练样本数据,利用该补充训练样本数据补充强化训练所述分析模型。
7.一种电子装置,其特征在于,该装置包括:存储器、处理器,所述存储器上存储有可在所述处理器上运行的客户分类程序,该程序被所述处理器执行时实现如下步骤:
获取目标客户在第一预设时间内的预设类型的特征数据,将所述预设类型的特征数据分为定量特征数据和定性特征数据;
根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组;及
将该目标客户对应的属性特征组合状态数组输入训练好的分析模型中,根据分析结果确定该目标客户所属的客户类。
8.如权利要求6所述的电子装置,其特征在于,所述“根据预设的分析规则将所述定量特征数据转换为定性特征数据,并将所述目标客户的所有定性特征数据转换为该目标客户对应的属性特征组合状态数组”的步骤包括:
根据预先确定的定量特征数据类型、数据区间、定性特征数据之间的映射关系,分别确定客户的各个类型定量特征数据对应的数据区间和定性特征数据;及
分别将客户的不同类型的定性特征数据作为多元数据组的不同数据元,组成对应的属性特征组合状态数组。
9.如权利要求6所述的电子装置,其特征在于,所述训练好的分析模型为深度确定性策略梯度算法模型,其包括:确定性策略、损失函数、值函数、策略评估及策略改进。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有客户分类程序,该程序被处理器执行时实现如权利要求1至6中任一项所述的客户分类方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810285089.9A CN108846687A (zh) | 2018-04-02 | 2018-04-02 | 客户分类方法、装置及存储介质 |
PCT/CN2018/102120 WO2019192130A1 (zh) | 2018-04-02 | 2018-08-24 | 客户分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810285089.9A CN108846687A (zh) | 2018-04-02 | 2018-04-02 | 客户分类方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846687A true CN108846687A (zh) | 2018-11-20 |
Family
ID=64211753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810285089.9A Pending CN108846687A (zh) | 2018-04-02 | 2018-04-02 | 客户分类方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108846687A (zh) |
WO (1) | WO2019192130A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902129A (zh) * | 2019-01-25 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于大数据分析的保险代理人归类方法及相关设备 |
CN109919652A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 用户群体分类方法、装置、设备及存储介质 |
CN110852392A (zh) * | 2019-11-13 | 2020-02-28 | 中国建设银行股份有限公司 | 一种用户分群方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127363A (zh) * | 2016-06-12 | 2016-11-16 | 腾讯科技(深圳)有限公司 | 一种用户信用评估方法和装置 |
CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
CN106910078A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置 |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线系统个性化推荐的方法、系统以及装置、电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136123A (zh) * | 2011-03-15 | 2011-07-27 | 中国工商银行股份有限公司 | 一种银行目标客户识别系统 |
-
2018
- 2018-04-02 CN CN201810285089.9A patent/CN108846687A/zh active Pending
- 2018-08-24 WO PCT/CN2018/102120 patent/WO2019192130A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910078A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置 |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线系统个性化推荐的方法、系统以及装置、电子设备 |
CN106127363A (zh) * | 2016-06-12 | 2016-11-16 | 腾讯科技(深圳)有限公司 | 一种用户信用评估方法和装置 |
CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919652A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 用户群体分类方法、装置、设备及存储介质 |
CN109902129A (zh) * | 2019-01-25 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于大数据分析的保险代理人归类方法及相关设备 |
CN109902129B (zh) * | 2019-01-25 | 2023-06-20 | 平安科技(深圳)有限公司 | 基于大数据分析的保险代理人归类方法及相关设备 |
CN110852392A (zh) * | 2019-11-13 | 2020-02-28 | 中国建设银行股份有限公司 | 一种用户分群方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019192130A1 (zh) | 2019-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492194A (zh) | 产品推荐方法、装置及存储介质 | |
CN109643329B (zh) | 从数据表中的数据生成图表 | |
US20190102835A1 (en) | Artificial intelligence derived anonymous marketplace | |
JP2021012734A (ja) | 予測データ分析のためのシステムおよび関連する方法および装置 | |
US20170323212A1 (en) | Agent aptitude prediction | |
CN111344722B (zh) | 用于情景模拟的系统和方法 | |
CN113614757A (zh) | 用于事件的人机混合预测的系统和方法 | |
Giovannoni et al. | The role of roles in risk management change: The case of an Italian bank | |
US20150066808A1 (en) | Determining Income Replacement Rates | |
EP2700049A2 (en) | Predictive modeling | |
US10929815B2 (en) | Adaptive and reusable processing of retroactive sequences for automated predictions | |
JP2019519821A (ja) | モデル分析方法、装置、及びコンピュータ読み取り可能な記憶媒体 | |
US11151418B2 (en) | Interactive modeling application adapted for execution via distributed computer-based systems | |
CN107358247A (zh) | 一种确定流失用户的方法及装置 | |
CN108846687A (zh) | 客户分类方法、装置及存储介质 | |
WO2021050313A1 (en) | Metamodeling for confidence prediction in machine learning based document extraction | |
CN105389454A (zh) | 预测模型生成器 | |
US20210256479A1 (en) | Retirement Score Calculator | |
Megahed et al. | Modeling business insights into predictive analytics for the outcome of IT service contracts | |
Myers et al. | An introduction to Markov chains and their applications within finance | |
CN108376301A (zh) | 股票走势预测装置、方法及可读存储介质 | |
US20200034926A1 (en) | Automatic data segmentation system | |
CN107025494A (zh) | 数据预测方法、理财推荐方法、装置以及终端设备 | |
US20150073859A1 (en) | System and method for assessing total regulatory risk to health care facilities | |
CN108509259A (zh) | 获取多方数据源的方法以及风控系统 |
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 |
Application publication date: 20181120 |
|
RJ01 | Rejection of invention patent application after publication |