CN108900332A - 一种潜在不满意客户识别方法及系统 - Google Patents
一种潜在不满意客户识别方法及系统 Download PDFInfo
- Publication number
- CN108900332A CN108900332A CN201810678730.5A CN201810678730A CN108900332A CN 108900332 A CN108900332 A CN 108900332A CN 201810678730 A CN201810678730 A CN 201810678730A CN 108900332 A CN108900332 A CN 108900332A
- Authority
- CN
- China
- Prior art keywords
- client
- sample
- dissatisfied
- training
- sample set
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5067—Customer-centric QoS measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2227—Quality of service monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Abstract
本发明实施例提供了一种潜在不满意客户识别方法,包括:基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;其中,所述待识别的客户样本集为满意客户的集合。本发明实施例提供的一种潜在不满意客户识别方法,通过机器挖掘算法训练得到的分类器,能够准确识别潜在不满意的客户,从而通过服务关怀前移及时改善客户感知,防患于未然,提高客户的体验。
Description
技术领域
本发明实施例涉及无线通信技术领域,尤其涉及一种潜在不满意客户识别方法及系统。
背景技术
服务质量是电信企业的立足之本,树立正确的理念,即以客户为根,服务为本,始终把客户的利益放在首位,把客户的满意作为一切工作的出发点和归宿,才能保证业务的持续发展。因此,维持并提升客户满意度是客户服务工作的首要目标。由于不满意客户在客户流失、市场稳定、企业口碑及服务短板发掘方面的重要意义,不满意客户价值挖掘与提升成为满意度管理的重中之重。
移动运营商将通过投诉、营业厅及热线满意度短信评价、调研等方式直接获取的不满意客户定义为明确不满意客户(即客户明确表示过不满意)。对于明确不满意客户,移动运营商通过经分系统支撑,建立了明确不满意客户管理池,对其建立了基于不满意客户关怀服务效果的退出机制,实现对不满意客户动态管理和满意度改善的全程闭环管理。此外,一些客户在日常服务过程中已经产生了“不满意”情绪但却从未向移动表达过,成为潜在不满意客户。对于潜在不满意客户,移动运营商应该丰富潜在不满意客户识别手段,通过服务关怀前移及时改善客户感知,防患于未然,对潜在不满意客户进行未雨绸缪式的关怀和服务。
因此,现在需要一准能够准确识别出潜在不满意客户的方法来解决上述问题。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种潜在不满意客户识别方法及系统。
第一方面本发明实施例提供一种潜在不满意客户识别方法,包括:
基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;
其中,所述待识别的客户样本集为满意客户的集合。
第二方面本发明实施例还提供了一种潜在不满意客户识别系统,包括:
识别模块,用于基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;
其中,所述待识别的客户样本集为满意客户的集合。
第三方面本发明实施例提供了一种潜在不满意客户识别设备,包括:
处理器、存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述所述的一种潜在不满意客户识别方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种潜在不满意客户识别方法,通过机器挖掘算法训练得到的分类器,能够准确识别潜在不满意的客户,从而通过服务关怀前移及时改善客户感知,防患于未然,提高客户的体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明实施例提供的一种潜在不满意客户识别方法流程示意图;
图2是本发明实施例提供的一种潜在不满意客户识别系统结构图;
图3是本发明实施例提供的潜在不满意客户识别设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,现有技术中,对于客户的预测技术一般采用通过投诉、营业厅及热线满意度短信评价、调研等方式直接获取的不满意客户,即明确不满意客户视为“投诉”客户,将剩余的所有客户均视为“未投诉”客户。然而,现有的投诉客户预测技术忽略了“未投诉”客户样本中实际上包含在日常服务过程中已经产生了“不满意”情绪但却从未向移动运营商表达过的潜在不满意客户。
针对上述现有技术中存在的问题,图1是本发明实施例提供的一种潜在不满意客户识别方法流程示意图,如图1所示,包括:
110、基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;
其中,所述待识别的客户样本集为满意客户的集合。
需要说明的是,本发明实施例提供的潜在不满意客户识别方式主要针对于各个移动运营商需要获取客户的体验答复,根据客户的体验答复制定相应的策略,从而提高客户体验,故而需要在未投诉的客户,即本发明实施例中所述的满意客户中筛选出潜在不满意客户,从而及早改善潜在不满意客户的客户感知,使得潜在不满意客户不会产生投诉。在本发明所有实施例中,未向移动运营商投诉的客户即为本发明实施例所述的满意客户,已经向移动运营商进行投诉了的客户即为本发明实施例所述的不满意客户。
进一步的,本发明实施例的执行主体为服务器,或者是任意能够执行潜在不满意客户识别的实体或虚拟设备,本发明实施例对此不作具体限定。
具体的,在步骤110中,待识别的客户样本集即各个需要进行识别的满意客户的集合,目标客户样本集即根据本发明实施例提供的方法识别出的潜在不满意客户的集合。可以理解的是,本发明实施例采用的是机器学习的方式实现从待识别的客户样本集中识别出目标客户样本集的目的。在机器学习的过程中,本发明实施例会预先训练好一个分类器,然后根据分类器的分类标准,对待识别的客户样本集进行样本分类,从而确定本发明实施例所需的目标客户样本集。
需要说明的是,本发明实施例不对分类器的类型做任何限定,任意能够完成识别功能的分类器本发明实施例均可使用,例如:决策树,支持向量机,朴素贝叶斯分类器,贝叶斯网络,神经网络,K邻近等。
本发明实施例提供的一种潜在不满意客户识别方法,通过机器挖掘算法训练得到的分类器,能够准确识别潜在不满意的客户,从而通过服务关怀前移及时改善客户感知,防患于未然,提高客户的体验。
在上述实施例的基础上,在所述基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集之前,所述方法还包括:
获取第一类历史客户样本集和第二类历史客户样本集,并将所述第一类历史客户样本集中的部分样本转移至所述第二类历史客户样本集,得到第一训练级和第二训练级,其中,所述第一类历史客户样本集为历史不满意客户的集合,所述第二类历史客户样本集为历史满意客户的集合;
基于所述第一训练集、所述第二训练集以及获取的不满意客户特征信息,对预设分类器进行训练。
由上述实施例的内容可知,本发明实施例需要对预设的分类器进行训练,从而使得训练后的分类器能够准确识别出不满意客户。
具体的,本发明实施例采用的训练分类器过程为:
获取第一类历史客户样本集,即历史不满意客户的集合,在本发明实施例中将其标记为P,同时还需要获取第二类历史客户样本集,即历史满意客户的集合,在本发明实施例中将其标记为U。
然后将第一类历史客户样本集中的部分样本从第一类历史客户样本集中去除,在本发明实施例中,将去除的部分样本标记为间谍样本S,可以理解的是,间谍样本S的数量可以为一个或者多个,根据训练需求可以自行选择,本发明实施例对此不作具体限定。并且,将间谍样本S添加进第二类历史客户样本集中,从而得到第一训练集和第二训练集,可以表示为集合P-S和集合U+S。
最后根据第一训练集和第二训练集以及获取的不满意客户特征信息,对预设的分类器进行训练,以实现本发明实施例的识别目的。
需要说明的是,获取的不满意客户特征信息是根据历史不满意客户的客户数据提取的特征信息,该特征信息可以为一种特征也可以为多种信息,根据训练需要也可以自由选择,本发明实施例对此不作具体限定。
在上述实施例的基础上,在所述获取第一类历史客户样本集和第二类历史客户样本集,并将所述第一类历史客户样本集中的部分样本转移至所述第二类历史客户样本集,得到第一训练级和第二训练级前,所述方法还包括:
基于历史不满意客户的客户数据,获取所述不满意客户特征信息。
由上述实施例的内容可知,本发明实施例在对预设分类器的训练过程中,需要获取不满意客户的特征信息,从而才能完成训练过程。
优选的,本发明实施例提供了一种基于历史不满意客户的客户数据获取的方式。
具体的,本发明实施例分别针对VoLTE业务以及数据业务,从无线测量汇报、无线呼叫详细话单、无线性能指标、计费话单、核心网历史呼叫记录,业务深度包解析等大量数据记录中,即本发明实施例所述的历史不满意客户的客户数据,并以客户为单位,统计客户的业务异常事件在强度、时间、空间上的分布,提取投诉客户特征。
本发明实施例以VoLTE业务为例对提取的不满意客户特征信息进行说明,如表1所示。
表1VoLTE不满意客户的特征信息
本发明实施例以数据业务为例对提取的不满意客户特征信息进行说明,其中,数据业务可以包括例如:网页浏览,视频播放,即时通信等具体业务,如表2所示。
表2数据业务不满意客户的特征信息
如表1和表2所示,本发明实施例能够根据历史不满意客户的客户数据,针对具体的业务,获取该业务对应的不满意客户的特征信息。
在上述实施例的基础上所述基于历史不满意客户的客户数据,获取所述不满意客户特征信息,包括:
计算所有不满意客户特征信息与客户投诉信息之间的ETA系数;
获取ETA系数大于预设阈值的不满意客户特征信息。
由上述实施例的内容可知,本发明实施例需要对不满意客户的特征信息进行获取,可以理解的是,也可以参照表1和表2所示,特征信息的种类繁多,但不是每个特征信息都是本发明实施例完全需要的,故而需要对不满意客户特征信息进行筛选。
具体的,本发明实施例采用的筛选方式为基于ETA系数法进行筛选,可以理解的是,ETA系数为相关系数的一种,可以用来表示不满意客户特征信息与客户投诉信息之间的关联程度。其中,客户投诉信息即实际客户是否进行了投诉,在本发明实施例中可以视为一个分类变量,即类别为投诉了和没投诉,而不满意客户特征信息是一种数值变量,是一个具体的特征值。
针对上述情形,本发明实施例优选的采用了ETA系数进行计算,某个不满意客户特征信息与客户投诉信息的ETA系数越大,说明该特征信息与用户投诉越相关,即越能区分投诉用户与非投诉用户。
为了更好地进行区分,本发明实施例采用的阈值分类的方式,即设定一个预设阈值,ETA系数高于此预设阈值的特征信息可以用于训练,而ETA系数低于此预设阈值的特征信息不可以用于训练。
也可以采用结合专家经验进行排序的方式来选择进行训练的不满意客户特征信息,将各个特征信息进行排序,排序考前的不满意客户特征信息优先使用。
在上述实施例的基础上,所述第一训练集为所述第一类历史客户样本集减去所述部分样本,所述第二训练集为所述第二类历史客户样本集加上所述部分样本;相应的,所述基于所述第一训练集、所述第二训练集以及获取的不满意客户特征信息,对预设分类器进行训练,包括:
将所述第一训练集标记为正样本,并将所述第二训练集标记为负样本;
基于所述正样本、所述负样本以及获取的不满意客户特征信息,对预设分类器进行训练。
由上述实施例的内容可知,本发明实施例采用了第一训练集和第二训练集对预设分类器进行训练。
具体的,本发明实施例将第一训练集标记为P-S,即所述第一类历史客户样本集P减去所述部分样本S;第二训练集标记为U+S,即第二类历史客户样本集U加上所述部分样本S。
然后将集合P-S作为正样本,并记集合P-S中的各个样本为1;将集合U+S作为负样本,并记集合U+S中的各个样本为-1。将正样本和负样本作为训练集合,训练分类器,从而得到训练后的分类器。
在上述实施例的基础上,所述基于所述正样本、所述负样本以及获取的不满意客户特征信息,对预设分类器进行训练,包括:
基于所述获取的不满意客户特征信息,计算所述部分样本中每一个样本属于所述正样本的概率值;
将所有概率值之和的平均数作为训练的目标阈值。
由上述实施例的内容可知,本发明实施例进行训练的目的主要是为了从满意客户的集合中准确识别出潜在不满意客户,那么本发明实施例优选的提供一种目标阈值筛选的方式来进行潜在不满意客户识别,即客户评分高于目标阈值的列为不满意客户,低于目标阈值的依旧表示为满意客户。
其中,确定目标阈值的方式本发明实施例采用了计算每个间谍样本S属于正类别的概率P(1|d),并求平均估值的方式,求平均得到的值th即本发明实施例提供的目标阈值。
在上述实施例的基础上,所述基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,包括:
基于训练后的分类器,计算所述待识别的客户样本集中每个样本属于正样本的概率;
将所述待识别的客户样本集中样本属于正样本的概率大于所述目标阈值的样本作为所述目标客户样本,并将所述目标客户样本添加进所述目标客户样本集。
由上述实施例的内容可知,本发明实施例能够通过训练后的分类器确定一个目标阈值,通过该目标阈值能够筛选出本发明实施例所需的潜在不满意客户。
具体的,本发明实施例对待识别的客户样本集中每一个样本均使用该训练后的分类器,计算其属于正类别的概率P(1|d)>th,如果P(1|d)>th,则表明其比间谍样本S更像正样本,故而可以加入可靠正样本(Reliable Positive,RP)用户集合;如果属于正类别的概率P(1|d)<th,则明其与间谍样本S相比,不像正样本,因此把其加入可靠负样本(Reliable Negative,RN)用户集合。
那么,最终确定的可靠正样本(Reliable Positive,RP)用户集合即为本发明实施例所需的目标客户集合,而目标客户集合中包括的客户即为本发明实施例所需的潜在不满意客户。相应的,可靠负样本RN用户集合依旧作为满意用户的集合。
本发明实施例提供的一种潜在不满意客户识别方法,通过机器挖掘算法训练得到的分类器,能够准确识别潜在不满意的客户,从而通过服务关怀前移及时改善客户感知,防患于未然,提高客户的体验。
图2是本发明实施例提供的一种潜在不满意客户识别系统结构图,如图2所示,所述系统包括:识别模块210,其中:
识别模块210用于基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;
其中,所述待识别的客户样本集为满意客户的集合。
具体的如何通过识别模块210对潜在不满意客户识别可用于执行图1所示的潜在不满意客户识别方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例提供的一种潜在不满意客户识别系统,通过机器挖掘算法训练得到的分类器,能够准确识别潜在不满意的客户,从而通过服务关怀前移及时改善客户感知,防患于未然,提高客户的体验。
本发明实施例提供一种潜在不满意客户识别设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
图3是本发明实施例提供的潜在不满意客户识别设备的结构框图,参照图3,所述定时同步恢复设备,包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340,其中,处理器310,通信接口320,存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;其中,所述待识别的客户样本集为满意客户的集合。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;其中,所述待识别的客户样本集为满意客户的集合。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;其中,所述待识别的客户样本集为满意客户的集合。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种潜在不满意客户识别方法,其特征在于,包括:
基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;
其中,所述待识别的客户样本集为满意客户的集合。
2.根据权利要求1所述的方法,其特征在于,在所述基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集之前,所述方法还包括:
获取第一类历史客户样本集和第二类历史客户样本集,并将所述第一类历史客户样本集中的部分样本转移至所述第二类历史客户样本集,得到第一训练级和第二训练级,其中,所述第一类历史客户样本集为历史不满意客户的集合,所述第二类历史客户样本集为历史满意客户的集合;
基于所述第一训练集、所述第二训练集以及获取的不满意客户特征信息,对预设分类器进行训练。
3.根据权利要求2所述的方法,其特征在于,在所述获取第一类历史客户样本集和第二类历史客户样本集,并将所述第一类历史客户样本集中的部分样本转移至所述第二类历史客户样本集,得到第一训练级和第二训练级前,所述方法还包括:
基于历史不满意客户的客户数据,获取所述不满意客户特征信息。
4.根据权利要求3所述的方法,其特征在于,所述基于历史不满意客户的客户数据,获取所述不满意客户特征信息,包括:
计算所有不满意客户特征信息与客户投诉信息之间的ETA系数;
获取ETA系数大于预设阈值的不满意客户特征信息。
5.根据权利要求2所述的方法,其特征在于,所述第一训练集为所述第一类历史客户样本集减去所述部分样本,所述第二训练集为所述第二类历史客户样本集加上所述部分样本;相应的,所述基于所述第一训练集、所述第二训练集以及获取的不满意客户特征信息,对预设分类器进行训练,包括:
将所述第一训练集标记为正样本,并将所述第二训练集标记为负样本;
基于所述正样本、所述负样本以及获取的不满意客户特征信息,对预设分类器进行训练。
6.根据权利要求5所述的方法,其特征在于,所述基于所述正样本、所述负样本以及获取的不满意客户特征信息,对预设分类器进行训练,包括:
基于所述获取的不满意客户特征信息,计算所述部分样本中每一个样本属于所述正样本的概率值;
将所有概率值之和的平均数作为训练的目标阈值。
7.根据权利要求6所述的方法,其特征在于,所述基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,包括:
基于训练后的分类器,计算所述待识别的客户样本集中每个样本属于正样本的概率;
将所述待识别的客户样本集中样本属于正样本的概率大于所述目标阈值的样本作为所述目标客户样本,并将所述目标客户样本添加进所述目标客户样本集。
8.一种潜在不满意客户识别系统,其特征在于,包括:
识别模块,用于基于训练后的分类器,从待识别的客户样本集中识别出目标客户样本集,并将所述目标客户样本集中包括的客户作为潜在不满意客户;
其中,所述待识别的客户样本集为满意客户的集合。
9.一种潜在不满意客户识别设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678730.5A CN108900332A (zh) | 2018-06-27 | 2018-06-27 | 一种潜在不满意客户识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678730.5A CN108900332A (zh) | 2018-06-27 | 2018-06-27 | 一种潜在不满意客户识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108900332A true CN108900332A (zh) | 2018-11-27 |
Family
ID=64346580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810678730.5A Pending CN108900332A (zh) | 2018-06-27 | 2018-06-27 | 一种潜在不满意客户识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108900332A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440478A (en) * | 1994-02-22 | 1995-08-08 | Mercer Forge Company | Process control method for improving manufacturing operations |
CN101110699A (zh) * | 2007-08-07 | 2008-01-23 | 广州诚予国际市场信息研究有限公司 | 具有网络满意度预测预警功能的系统及其实现方法 |
CN103150697A (zh) * | 2011-12-07 | 2013-06-12 | 北京四达时代软件技术股份有限公司 | 确定客户流失的方法及装置 |
CN104951809A (zh) * | 2015-07-14 | 2015-09-30 | 西安电子科技大学 | 基于不平衡分类指标与集成学习的不平衡数据分类方法 |
CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技(深圳)有限公司 | 贬损客户预测方法和装置 |
-
2018
- 2018-06-27 CN CN201810678730.5A patent/CN108900332A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440478A (en) * | 1994-02-22 | 1995-08-08 | Mercer Forge Company | Process control method for improving manufacturing operations |
CN101110699A (zh) * | 2007-08-07 | 2008-01-23 | 广州诚予国际市场信息研究有限公司 | 具有网络满意度预测预警功能的系统及其实现方法 |
CN103150697A (zh) * | 2011-12-07 | 2013-06-12 | 北京四达时代软件技术股份有限公司 | 确定客户流失的方法及装置 |
CN104951809A (zh) * | 2015-07-14 | 2015-09-30 | 西安电子科技大学 | 基于不平衡分类指标与集成学习的不平衡数据分类方法 |
CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技(深圳)有限公司 | 贬损客户预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11449542B2 (en) | Systems and methods for identifying unwanted photos stored on a device | |
CN107248082B (zh) | 养卡识别方法及装置 | |
CN105138371B (zh) | 软件升级方法及装置 | |
CN110401779A (zh) | 一种识别电话号码的方法、装置和计算机可读存储介质 | |
CN108629379A (zh) | 一种个人征信评估方法及系统 | |
CN112463859B (zh) | 基于大数据和业务分析的用户数据处理方法及服务器 | |
CN111510368B (zh) | 家庭群组识别方法、装置、设备及计算机可读存储介质 | |
CN102955912A (zh) | 一种程序恶意属性判别方法和服务器 | |
CN102693231B (zh) | 用于根据来自网络的图像来确定图集的方法、装置和设备 | |
CN110020099A (zh) | 一种视频交友的用户推荐方法和装置 | |
CN107465739A (zh) | 实体渠道用户引流的方法及装置 | |
CN103593355A (zh) | 用户原创内容的推荐方法及推荐装置 | |
CN109978575A (zh) | 一种挖掘用户流量经营场景的方法及装置 | |
CN112651790B (zh) | 基于快消行业用户触达的ocpx自适应学习方法和系统 | |
Kuzovkin et al. | Image selection in photo albums | |
CN107358346A (zh) | 针对于通信质量的评价信息处理方法和装置 | |
CN110377821A (zh) | 生成兴趣标签的方法、装置、计算机设备和存储介质 | |
CN112308749B (zh) | 培养计划的生成装置、方法、电子设备及可读存储介质 | |
CN109886017A (zh) | 一种基于c4.5决策树的手机特征检测优化改进算法 | |
CN108900332A (zh) | 一种潜在不满意客户识别方法及系统 | |
CN110677269B (zh) | 通信用户关系的确定方法、装置和计算机可读存储介质 | |
CN114567501B (zh) | 基于标签评分的资产自动识别方法、系统及设备 | |
CN105095781B (zh) | 一种应用程序访问权限提醒系统及方法 | |
CN113313615A (zh) | 一种对企业司法风险进行量化评分定级的方法及装置 | |
CN113139715A (zh) | 电信行业集团客户流失的综合评估预警方法及系统 |
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: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |