CN109255629A - 一种客户分群方法及装置、电子设备、可读存储介质 - Google Patents

Abstract

本申请实施方式公开了一种客户分群方法及装置、电子设备、可读存储介质，其中，客户分群方法包括：获取每个客户的特征；所述特征经评分模型处理获得每个客户的评分；根据每个客户的评分对所有客户进行分群。本技术方案通过机器学习的方法实现科学的客户分群，并对不同群体的客户提供差异化的服务策略，以提升客户对公司产品及服务的满意度，同时也可以借助此技术提升保险公司内部运营管理效率。

Description

一种客户分群方法及装置、电子设备、可读存储介质

技术领域

本申请涉及数据挖掘技术领域，特别涉及一种客户分群方法及装置、电子设备、可读存储介质。

背景技术

客户服务质量是保险公司重要的企业竞争力，作为企业发展的一部分，客户服务资源的有效配置也要与业务发展规划同步进行，以保证在公司不断扩大规模的过程中服务质量与服务需求之间保持较好的匹配关系，客户服务资源有效配置的核心即是如何对客户进行有效的分群分级管理。在保险行业内，客户的分群分级管理一直是一种比较重要的管理方法，如何通过客户分群提供差异化的服务也是各家公司关注的焦点。

目前,保险行业内使用的客户分群方法是根据客户的车辆信息、客户的基本特征、上年产品购买情况、出险情况等因素通过人为经验对客户进行简单分类。

以上方法存在一些缺点，主要表现在分群要素过于简单粗糙，分类机制缺乏科学合理性，基于工作人员个人经验，主观因素过大，导致客户分群结果不准确、不确定，不能有效指导客户的精细化管理。

在数据量急剧增长及人工智能高速发展的今天，如何借助先进的技术手段实现客户的有效分群，进而为其提供差异化的服务，提升企业的管理效率，提升优质客户的服务水平，是一个值得深入探索的问题。

发明内容

本申请实施方式的目的是提供一种客户分群方法及装置、电子设备、可读存储介质，对每个客户进行评分，通过评分将客户群进行分类，根据不同的客户群提供差异化的服务和管理。

为实现上述目的，本申请实施方式提供一种客户分群方法，包括：

获取每个客户的特征；

所述特征经评分模型处理获得每个客户的评分；

根据每个客户的评分对所有客户进行分群。

优选地，所述评分模型包括：Ensemble子模型和投票子模型。

优选地，所述特征经评分模型处理获得每个客户的评分的步骤包括：

所述特征分别经过所述Ensemble子模型中各算法处理，获得Ensemble子模型中各算法对应的结果值；

将所有结果值输入至所述投票子模型，获得每个客户的评分。

优选地，所述Ensemble子模型中各算法分别为：朴素贝叶斯算法、逻辑回归算法、随机森林算法、AdaBoost算法、GBDT算法。

优选地，获取每个客户的特征的步骤包括：

对每个客户的相关数据进行预处理；

将预处理的结果经向上采样和/或向下采样处理；

将采样结果基于Xgboost算法处理，获得特征。

优选地，所述预处理的方法包括：缺失值处理、异常值处理、变量分箱处理。

为实现上述目的，本申请实施方式提供一种客户分群装置，包括：

特征获取单元，用于获取每个客户的特征；

评分单元，用于所述特征经评分模型处理获得每个客户的评分；

分群单元，用于根据每个客户的评分对所有客户进行分群。

优选地，所述评分单元中涉及的评分模型包括：Ensemble子模型和投票子模型。

优选地，所述评分单元包括：

第一子模型处理模块，用于所述特征分别经过所述Ensemble子模型中各算法处理，获得Ensemble子模型中各算法对应的结果值；

第二子模型处理模块，用于将所有结果值输入至所述投票模型，获得每个客户的评分。

优选地，所述第一子模型处理模块中使用的Ensemble子模型中各算法分别为：朴素贝叶斯算法、逻辑回归算法、随机森林算法、AdaBoost算法、GBDT算法。

优选地，所述特征获取单元包括：

预处理模块，用于对每个客户的相关数据进行预处理；

采样模块，用于将预处理的结果经向上采样和/或向下采样处理；

特征提取模块，用于将采样结果基于Xgboost算法处理，获得特征。

优选地，所述预处理模块采用的预处理的方法包括：缺失值处理、异常值处理、变量分箱处理。

对应地，为实现上述目的，本申请实施方式提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的客户分群方法。

对应地，为实现上述目的，本申请实施方式提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述所述的客户分群方法的步骤。

由上可见，与现有技术相比较，本技术方案通过机器学习的方法实现了科学的客户分群，并对不同群体的客户提供差异化的服务策略，以提升客户对公司产品及服务的满意度，同时也可以借助此技术提升保险公司内部运营管理效率。

附图说明

为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本技术方案的原理示意图；

图2为本说明书公开的一种客户分群方法流程图；

图3为本说明书公开的一种客户分群装置功能框图；

图4为本说明书公开的客户分群装置中评分单元功能框图；

图5为本说明书公开的客户分群装置中特征获取单元功能框图；

图6为本说明书公开的实施例提出的一种电子设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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方式，都应当属于本申请保护的范围。

在激烈的竞争环境下，客户服务资源的优化配置已经成为保险企业中提高服务质量中亟待解决的问题，进行合理的客户资源配置，就需要对客户进行科学有效的分群管理机制。本发明的目的是利用大数据分析技术判断客户对公司产品和服务的满意度，通过机器学习建立科学的客户分群模型，从而对客户提供差异化的服务，同时有效提高工作人员的管理效率。通过该客户分群模型，保险公司可以将客户服务资源更加有效科学地配置，给每一位客户提供其最合适且最满意的服务，避免了资源浪费，实现了服务资源的最优化配置。

如图1所示，为本技术方案的原理示意图。基于大数据分析技术，从客户、车辆、历史接触情况、出险情况等多维度特征出发，对多维度数据进行预处理，生成特征，该特征先后经过评分模型中的Ensemble子模型和投票子模型处理，获得每个客户的对应评分，根据每个客户的评分将客户划分为I、II、III、IV四类，每一类客户群体都有不同的特征，而且差异性较大，工作人员在销售过程中可以对不同群体的客户提供不同的服务，进而实现对客户的分群差异化管理。

基于上述描述，本说明书公开的一种客户分群方法，其中，所述客户分群方法可以应用于服务器中。具体地，所述服务器可以是能够提供数据处理的后台业务服务器。在本实施方式中，所述服务器可以为一个具有数据运算、存储功能以及网络交互功能的电子设备；也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件。在本实施方式中并不具体限定所述服务器的数量。所述服务器可以为一个服务器，还可以为几个服务器，或者，若干服务器形成的服务器集群。

如图2所示，为本说明书公开的一种客户分群方法流程图。包括：

步骤201)：获取每个客户的特征。

以推销车险为例，分别从客户、车辆、历史接触情况、出险情况等多个角度出发，获取模型需要的相关数据。

在本实施例中，需要对每个客户的相关数据进行数据预处理，包括缺失值处理、异常值处理、变量分箱处理等，并且采用向上采样及向下采样技术解决了数据的不平衡问题。在特征进入评分模型之前，进行了基于Xgboost算法处理，得到了影响客户评分大小的特征，该特征按照重要性进行排序，按排序结果依次输入评分模型中。

步骤202)：所述特征经评分模型处理获得每个客户的评分。

在本实施例中，评分模型采用了两层模型叠加的架构，第一层使用了时下流行的Ensemble算法，基学习器包括朴素贝叶斯、逻辑回归、随机森林、AdaBoost、GBDT五种算法，由此搭建了基于stacking的Ensemble子模型；在此基础上，第二层模型采用Soft Voting技术，搭建投票子模型。通过投票子模型对第一层中5种基学习算法输出的结果进行投票，最终给出每个客户的评分。

在基于stacking的Ensemble子模型构建过程中，首先对训练数据做初步探查，了解数据的整体分布情况，变量的缺失值及异常值情况，根据探查结果从众多的机器学习算法中，挑选了逻辑回归、朴素贝叶斯、Adaboost、随机森林、GBDT五种基学习器，用来构建Ensemble子模型。

针对Ensemble子模型来说，要保证选择的基学习器之间有差异性，所以在算法选择过程中，分别选择了逻辑回归、朴素贝叶斯和基于树的模型，基于树的模型又选择了基于Bagging的随机森林、基于Boosting的Adaboost和GBDT，从而确定了基学习器的五种算法；其次，Ensemble模型的构建是需要通过一些表现较弱的学习器来集成获得一个强学习器，所以，需要通过调整参数保证所选的五种基学习器表现较弱，例如，GBDT算法的泛化能力较好，一般情况下可以用来单独建模，这里通过调整树的颗数、树的深度等参数，将其转化为弱学习器，从而用于Ensemble模型的底层构建，随机森林作为Bagging方法的代表算法，在其构造树的过程中，通过调整参数可以让其使用较少的特征及样本数量去构建模型，弱化算法的预测能力，此外，通过调整参数，还降低了每个基学习器AUC的方差，使得模型表现更加稳定。

上述五种基学习器构建完成后，通过投票子模型将其集成，得到最终的评分模型。在构建投票子模型时，每种基学习器的权重设置不同，则最终的模型表现不同，在设置权重时，对于不同机构的模型采用了不同的权重设置方法，例如，一些机构采用等权重投票，而有的机构的模型中某些基学习器表现较差或不稳定，采用等权重法就不再合适了，需要将一些表现较好的基学习器的权重调的大一些，表现较差的调的低一些，从而可以使得投票后的模型更精确，表现也更稳定。

步骤203)：根据每个客户的评分对所有客户进行分群。

行业内现有的客户分群机制只是单纯地依靠工作人员的个人经验或者依靠较少的维度将客户简单的分为几类，这些分类方法并不稳定，偏差较大；而且这些分类方式无法对每个客户给出客观全面的分类依据，只是对大量的客户做了简单的分群，当客户量增大时，分群的偏差会随着增大，分群也会变得不稳定。本发明解决了目前保险行业内客户分群的问题，通过机器学习的方法，从不同维度几十个特征衡量一个客户，可以对每一个客户给出合理的评价，然后将其划分为不同的类别，而且比较稳定，分类过程中不涉及主观因素，整个评分过程完全实现自动化，从而实现了客观精准的客户分群，为差异化服务提供了基准，同时也有效提升了保险公司内部的运营管理效率。

如图3所示，为本说明书公开的一种客户分群装置功能框图。包括：

特征获取单元301，用于获取每个客户的特征；

评分单元302，用于所述特征经评分模型处理获得每个客户的评分；

分群单元303，用于根据每个客户的评分对所有客户进行分群。

在本实施例中，所述评分单元302中涉及的评分模型包括：Ensemble子模型和投票子模型。

如图4所示，为本说明书公开的客户分群装置中评分单元功能框图。其中，所述评分单元302包括：

第一子模型处理模块3021，用于所述特征分别经过所述Ensemble子模型中各算法处理，获得Ensemble子模型中各算法对应的结果值；

第二子模型处理模块3022，用于将所有结果值输入至所述投票模型，获得每个客户的评分。

在本实施例中，所述第一子模型处理模块中使用的Ensemble子模型中各算法分别为：朴素贝叶斯算法、逻辑回归算法、随机森林算法、AdaBoost算法、GBDT算法。

如图5所示，为本说明书公开的客户分群装置中特征获取单元功能框图。其中，特征获取单元301包括：

预处理模块3011，用于对每个客户的相关数据进行预处理；

采样模块3012，用于将预处理的结果经向上采样和/或向下采样处理；

特征提取模块3013，用于将采样结果基于Xgboost算法处理，获得特征。

在本实施例中，所述预处理模块采用的预处理的方法包括：缺失值处理、异常值处理、变量分箱处理。

如图6所示，为本说明书公开的实施例提出的一种电子设备示意图。包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现图2所示的所述的客户分群方法。

本说明书实施方式提供的客户分群方法，其存储器和处理器实现的具体功能，可以与本说明书中的前述实施方式相对照解释，并能够达到前述实施方式的技术效果，这里便不再赘述。

在本实施方式中，所述存储器可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括：利用电能方式存储信息的装置，如RAM、ROM等；利用磁能方式存储信息的装置，如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置，如CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。

在本实施方式中，所述处理器可以按任何适当的方式实现。例如，所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。

在本实施例中，本申请实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述所述的客户分群方法的步骤。

由上可见，本技术方案通过机器学习的方法实现科学的客户分群，并对不同群体的客户提供差异化的服务策略，以提升客户对公司产品及服务的满意度，同时也可以借助此技术提升保险公司内部运营管理效率。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescription Language)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现客户端和服务器以外，完全可以通过将方法步骤进行逻辑编程来使得客户端和服务器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种客户端和服务器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请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，该计算机软件产品可以存储在存储介质中，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)执行本申请各个实施方式或者实施方式的某些部分所述的方法。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，针对客户端和服务器的实施方式来说，均可以参照前述方法的实施方式的介绍对照解释。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (14)

1.一种客户分群方法，其特征在于，包括：

获取每个客户的特征；

所述特征经评分模型处理获得每个客户的评分；

根据每个客户的评分对所有客户进行分群。

2.如权利要求1所述的方法，其特征在于，所述评分模型包括：Ensemble子模型和投票子模型。

3.如权利要求2所述的方法，其特征在于，所述特征经评分模型处理获得每个客户的评分的步骤包括：

所述特征分别经过所述Ensemble子模型中各算法处理，获得Ensemble子模型中各算法对应的结果值；

将所有结果值输入至所述投票子模型，获得每个客户的评分。

4.如权利要求3所述的方法，其特征在于，所述Ensemble子模型中各算法分别为：朴素贝叶斯算法、逻辑回归算法、随机森林算法、AdaBoost算法、GBDT算法。

5.如权利要求1所述的方法，其特征在于，获取每个客户的特征的步骤包括：

对每个客户的相关数据进行预处理；

将预处理的结果经向上采样和/或向下采样处理；

将采样结果基于Xgboost算法处理，获得特征。

6.如权利要求5所述的方法，其特征在于，所述预处理的方法包括：缺失值处理、异常值处理、变量分箱处理。

7.一种客户分群装置，其特征在于，包括：

特征获取单元，用于获取每个客户的特征；

评分单元，用于所述特征经评分模型处理获得每个客户的评分；

分群单元，用于根据每个客户的评分对所有客户进行分群。

8.如权利要求7所述的装置，其特征在于，所述评分单元中涉及的评分模型包括：Ensemble子模型和投票子模型。

9.如权利要求8所述的装置，其特征在于，所述评分单元包括：

第一子模型处理模块，用于所述特征分别经过所述Ensemble子模型中各算法处理，获得Ensemble子模型中各算法对应的结果值；

第二子模型处理模块，用于将所有结果值输入至所述投票模型，获得每个客户的评分。

10.如权利要求9所述的装置，其特征在于，所述第一子模型处理模块中使用的Ensemble子模型中各算法分别为：朴素贝叶斯算法、逻辑回归算法、随机森林算法、AdaBoost算法、GBDT算法。

11.如权利要求7所述的装置，其特征在于，所述特征获取单元包括：

预处理模块，用于对每个客户的相关数据进行预处理；

采样模块，用于将预处理的结果经向上采样和/或向下采样处理；

特征提取模块，用于将采样结果基于Xgboost算法处理，获得特征。

12.如权利要求11所述的装置，其特征在于，所述预处理模块采用的预处理的方法包括：缺失值处理、异常值处理、变量分箱处理。

13.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，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1～6任意一项权利要求所述的客户分群方法。

14.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1～6任意一项权利要求所述的客户分群方法的步骤。