CN109919811B - 基于大数据的保险代理人培养方案生成方法及相关设备 - Google Patents

Abstract

本申请涉及大数据分析技术领域，尤其涉及一种基于大数据的保险代理人培养方案生成及相关设备，包括：获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，建立绩优代理人分类模型；获取非绩优代理人的初始LBS数据和初始非LBS数据，将所述非绩优代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型得到初始培养方案；获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据新LBS数据和新非LBS数据修正所述初始培养计划后得到新培养方案。本申请有效建立保险代理人的培养方案从而提升了保险代理人的业务水平。

Description

基于大数据的保险代理人培养方案生成方法及相关设备

技术领域

本申请涉及大数据分析技术领域，尤其涉及一种基于大数据的保险代理人培养方案生成及相关设备。

背景技术

保险代理人，是指根据保险人的委托授权，代理其经营保险业务，并收取代理费用的人。保险代理人在保险人授权的范围内以保险人的名义进行业务活动，包括招揽业务的宣传推销活动，接受投保，出立暂保单或保险单，代收保险费，代理查勘理赔等。代理费用通常根据业务量比例支付。根据业务范围不同，保险代理人可分为总代理人、地方代理人与兼业代理人等。代理的方式有只为一家保险公司代理业务的专用代理，独立经营可同时为多家保险公司代理业务的独立代理等。

目前，在对保险代理人的进行针对性培养时，完全是按照统一的培训方法对所有类型的保险代理人进行工作内容方面的培训，缺少对不同类型的保险代理人制定专门的培养方向的手段。

发明内容

基于此，有必要针对基于大数据的保险代理人培养方案生成过程中缺乏合理的培养方案的问题，提供一种基于大数据的保险代理人培养方案生成方法、装置、计算机设备和存储介质。

一种基于大数据的保险代理人培养方案生成方法，包括如下步骤：

获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型；

获取非绩优代理人的初始LBS数据和初始非LBS数据，将所述非绩优代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优代理人的初始培养方案；

获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养计划后得到新培养方案。

在其中一个可能的实施例中，所述获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型，包括：

获取预设的保险代理人绩效评分表，根据预设的保险代理人绩效评价标准，从所述保险代理人绩效评分表中抽取出达到绩优的所述绩优保险代理人的LBS数据和非LBS数据；

获取所述绩优保险代理人的非LBS数据中所包含的用于表示保险代理人行为的多维特征向量，将所述多维向量进行降维，得到所述行为因子的参数信息，将所述行为因子的参数信息与所述绩优保险代理人的LBS数据中的文字信息进行拼接后得到所述行为因子；

抽取不同的所述行为因子之间的共有元素，根据所述共有元素的数量，聚类所述行为因子后形成所述绩优代理人分类模型。

在其中一个可能的实施例中，所述获取非绩优代理人的初始LBS数据和初始非LBS数据，将所述非绩优代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优代理人的初始培养方案，包括：

获取所述非绩优保险代理人光顾场所的位置信息，根据所述位置信息得到所述非绩优保险代理人的初始LBS数据；

获取所述非绩优保险代理人在所述场所的行为信息，根据所述行为信息得到所述非绩优保险代理人的初始非LBS数据；

将所述初始LBS数据和所述初始非LBS数据入参到所述绩优代理人分类模型中，提取出参结果中的类别信息，根据所述类别信息对所述非绩优保险代理人进行归类后得到所述初始培养方案。

在其中一个可能的实施例中，所述获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养计划后得到新培养方案，包括：

根据预设的数据采集时间节点，对所述非绩优保险代理人在执行所述初始培养方案后产生的新非LBS数据进行定时采集，以时间为横坐标轴，以新非LBS数据评分为纵坐标，建立非绩优保险代理人数据曲线图；

获取各个所述预设的数据采集时间节点的预期结果，以时间为横坐标轴，预期结果为纵坐标轴，建立预期结果曲线图，将所述非绩优代理人曲线图与预期结果曲线图进行比较，抽取出超出预设误差阈值的所述新非LBS数据建立一数据序列；

根据所述数据序列建立一结果矩阵，所述结果矩阵的矩阵元素为所述超出预设误差阈值的所述新非LBS数据；

将所述结果矩阵做归一化处理，得到归一化数据矩阵；

统计所述归一化数据矩阵中数值为“1”的矩阵元素数量，若所述矩阵元素为“1”的数量超过所述归一化数据矩阵中的矩阵元素的半数以上，则所述非绩优代理人行为符合预期结果，否则不符合预期结果，将不符合预期结果的非绩优保险代理人的LBS数据和非LBS数据入参到所述绩优代理人分类模型进行重新分类后得到新培养方案。

在其中一个可能的实施例中，所述获取预设的保险代理人绩效评分表，根据预设的保险代理人绩效评价标准，从所述保险代理人绩效评分表中抽取出达到绩优的所述绩优保险代理人的LBS数据和非LBS数据，包括：

获取预设的保险代理人绩效评分表，根据预设的保险代理人绩效评价标准，从所述保险代理人绩效评分表中抽取出达到绩优的所述绩优保险代理人的LBS数据和非LBS数据；

获取所述绩优保险代理人的非LBS数据中所包含的用于表示保险代理人行为的多维特征向量，将所述多维向量进行降维，得到所述行为因子的参数信息，将所述行为因子的参数信息与所述绩优保险代理人的LBS数据中的文字信息进行拼接后得到所述行为因子；

抽取不同的所述行为因子之间的共有元素，根据所述共有元素的数量，聚类所述行为因子后形成所述绩优代理人分类模型。

在其中一个可能的实施例中，所述将所述初始LBS数据和所述初始非LBS数据入参到所述绩优代理人分类模型中，提取出参结果中的类别信息，根据所述类别信息对所述非绩优保险代理人进行归类后得到所述初始培养方案，包括：

将所述非绩优保险代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型中，获取所述绩优代理人分类模型中所有包含所述非绩优保险代理人的初始LBS数据的所有类型模板；

统计所述所有包含所述非绩优保险代理人的LBS数据的类型模板中所包含的LBS数据数量，抽取出数据数量排名在前五位的类型模板的类别；

将所述非绩优保险代理人的所有初始非LBS数据作为训练样本入参到卷积神经网络模型中进行训练；

将所述排名在前五位的类型模板中所包含的初始非LBS数据作为参照样本也入参到卷积神经网络模型中进行训练；

将所述训练样本的出参结果和所述参照样本的出参结果进行比较，提取相似度最大的一个类别作为所述训练样本的类别。

在其中一个可能的实施例中，所述获取各个所述预设的数据采集时间节点的预期结果，以时间为横坐标轴，预期结果为纵坐标轴，建立预期结果曲线图，将所述非绩优代理人曲线图与预期结果曲线图进行比较，抽取出超出预设误差阈值的所述新非LBS数据建立一数据序列包括：

从所述初始培养方案中提取各个时间节点所要达到的分数，将各个所述时间节点连成一条曲线，建立预期结果曲线图，其中所述预期结果曲线图的横坐标为时间，纵坐标为所要达到的分数；

将所述预期结果曲线图与所述非绩优保险代理人数据曲线图导入同一坐标系中，以平行于纵坐标轴做数根标线；

获取所述标线在所述非绩优保险代理人数据曲线图和所述预期结果曲线图的差值，将所述差值的绝对值与预设的误差阈值进行比较，若在所述误差阈值之内则对所述非绩优保险代理人数据曲线图上的数据不标记，否则标记；

汇总所有带有标记的所述非绩优保险代理人数据曲线图上的数据所对应的横坐标值，根据时间顺序进行排列，形成一包含所有超出预设误差阈值的数据序列。

一种基于大数据的保险代理人培养方案生成装置，包括如下模块：

模型建立模块，设置为获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型；

方案形成模块，设置为获取非绩优代理人的初始LBS数据和初始非LBS数据，将所述非绩优代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优代理人的初始培养方案；

方案改进模块，设置为获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养计划后得到新培养方案。

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于大数据的保险代理人培养方案生成方法的步骤。

一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于大数据的保险代理人培养方案生成方法的步骤。

与现有机制相比，本申请相比较传统方案，具有如下优点：

1)通过建立绩优保险代理人的分类模型，让非绩优保险代理人能够根据不同情况获得学习的参照目标，从而有针对性的培养了非绩优保险代理人的工作能力，提升了保险代理团队的工作效率；

2)通过建立绩优保险代理人分类模型可以有效的分析出不同的代理人的工作习惯，从而在将非绩优代理人进行培养时能够按照不同的工作习惯做出具有针对性的培养方案；

3)通过对非绩优保险代理人进行有效归类后获得适合非绩优保险代理人的培养方案，从而使非绩优保险代理人能够按照合适的方式开展工作以便尽快提升业绩。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。

图1为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成方法的整体流程图；

图2为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成方法中的模型建立过程示意图；

图3为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成方法中的方案形成过程示意图；

图4为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成方法中的方案改进过程示意图；

图5为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成装置的结构图。

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，此处所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。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

图1为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成方法的整体流程图，如图1所示，一种基于大数据的保险代理人培养方案生成方法，包括以下步骤：

S1，获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型；

具体的，LBS数据中的行为因子主要是位置信息即达到某一位置的时间等信息，而非LBS数据主要是指会见哪些客户，都应用了哪些推销手段等。在建立绩优代理人分类模型时可以采用K-Means聚类、均值漂移聚类和凝聚层次聚类等聚类方法。

其中，LBS技术又被称为基于位置的服务技术，它是通过电信移动运营商的无线电通讯网络或外部定位方式获取移动终端用户的位置信息，在地理信息系统的支持下，为用户提供相应服务的一种增值业务。

S2，获取非绩优代理人的初始LBS数据和初始非LBS数据，将所述非绩优代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优代理人的初始培养方案；

具体的，在获取非绩优代理人的初始LBS数据和非LBS数据时，可以采用对非绩优代理人进行手机GPS定位的方式，获得非绩优保险代理人的初始LBS数据，然后根据GPS定位得到的场所信息，对非绩优保险代理人的初始LBS数据进行核验，核验通过后在根据初始LBS数据得到初始非LBS数据。

S3，获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养计划后得到新培养方案。

具体的，在非绩优保险代理人根据初始培养方案对行为轨迹进行修正后，通过采集非绩优保险代理人的新LBS数据来判断非绩优保险代理人是否按照初始培养方案去进行工作，若所述非绩优保险代理人没有按照初始培养方案进行工作，可以通过手机上的APP或者短信等方式对所述非绩优保险代理人进行提醒，让其执行初始培养方案。在所述非绩优保险代理人执行所述初始培养方案后一段时间，通常为1个月或者1个季度后，重新对非绩优保险代理人的绩效进行考核，若绩效没有提升则需要对初始培养方案进行修正，否则继续执行初始培养方案。

本实施例，通过建立绩优保险代理人的分类模型，让非绩优保险代理人能够根据不同情况获得学习的参照目标，从而有针对性的培养了非绩优保险代理人的工作能力，提升了保险代理团队的工作效率。

图2为本申请在一个实施例中的一种贷款产品推荐方法中的目标选取过程示意图，如图所示，所述S1，获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型，包括：

S101、获取预设的保险代理人绩效评分表，根据预设的保险代理人绩效评价标准，从所述保险代理人绩效评分表中抽取出达到绩优的所述绩优保险代理人的LBS数据和非LBS数据；

具体的，保险代理人的绩效评分表中包含有月度或者季度保险代理人完成的销售额和获得的潜在客户的数量等信息，比如，制定的目标销售额为5万，那么可以认为为达到5万的为绩效不合格也就是非绩优保险代理人，而超过5万的则可以归结为绩优保险代理人。

S102、获取所述绩优保险代理人的非LBS数据中所包含的用于表示保险代理人行为的多维特征向量，将所述多维向量进行降维，得到所述行为因子的参数信息，将所述行为因子的参数信息与所述绩优保险代理人的LBS数据中的文字信息进行拼接后得到所述行为因子；

具体的，获取所述LBS数据中的位置信息，查询所述非LBS数据中所述位置信息所对应的行为信息；将所述位置信息和所述行为信息进行文字数值转换，得到十进制的数值；将所述行为信息作为权重，叠加所述位置信息和行为信息得到多维特征向量；汇总所述特征元素，形成所述多维特征向量组；应用PCA降维所述多维特征向量组，形成二维特征向量组；抽取所述二维向量组中的向量，去掉所述二维向量组中的向量的矢量标识后得到所述行为因子的参数信息，叠加所述参数于所述行为因子的文字信息得到所述行为因子。

S103、抽取不同的所述行为因子之间的共有元素，根据所述共有元素的数量，聚类所述行为因子后形成所述绩优代理人分类模型。

具体的，抽取所述行为因子中的文字信息，应用文本比较算法对所述文字信息进行同义词比较；根据比较结果，将文字信息相似度超过预设归类阈值的行为因子归为一类；汇总不同类别行为因子，赋予各个类别以不同的特征标识后得到绩优保险代理人分类模型。

本实施例，通过建立绩优保险代理人分类模型可以有效的分析出不同的代理人的工作习惯，从而在将非绩优代理人进行培养时能够按照不同的工作习惯做出具有针对性的培养方案。

图3为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成方法中的方案形成过程示意图，如图所示，所述S2，包括：

S201、获取所述非绩优保险代理人光顾场所的位置信息，根据所述位置信息得到所述非绩优保险代理人的初始LBS数据；

具体的，获取非绩优保险代理人所在移动端的GPS数据，根据所述GPS数据确定所述非绩优保险代理人光顾的场所，从而得到所述初始LBS数据。

S202、获取所述非绩优保险代理人在所述场所的行为信息，根据所述行为信息得到所述非绩优保险代理人的初始非LBS数据；

具体的，获取所述非绩优保险代理人在所述场所的影像信息和语音信息，根据所述影像信息确定所述非绩优保险代理人在所述场所的停留时间和会见人员情况，根据所述语音信息确定所述非绩优保险代理人的谈话内容；建立所述停留时间与所述会见人员情况的对应关系，即在单位时间内会见了几位人员，抽取所述谈话内容中的关键词语；汇总所述对应关系和所述关键词语，形成所述非绩优保险代理人的初始LBS数据。

S203、将所述初始LBS数据和所述初始非LBS数据入参到所述绩优代理人分类模型中，提取出参结果中的类别信息，根据所述类别信息对所述非绩优保险代理人进行归类后得到所述初始培养方案。

具体的，在进行分类时，可以提取所述非绩优保险代理人的初始LBS数据和初始非LBS数据中的特征元素，其中，特征元素是指位置信息和客户信息等，然后将特征元素和绩优保险代理人分类模型中的不同类型模板中的内容进行比较，计算特征元素和各个模板之间的相似度后得到与所述特征元素相似度最大的模板，将所述特征元素归为这一模板。遍历各个模板，获得含有所述特征元素数量最多的模板作为所述非绩优保险代理人的初始培养方案。

本实施例，通过对非绩优保险代理人进行有效归类后获得适合非绩优保险代理人的培养方案，从而使非绩优保险代理人能够按照合适的方式开展工作以便尽快提升业绩。

图4为本申请在一个实施例中的一种基于大数据的保险代理人培养方案生成方法中的方案改进过程示意图，如图所示，所述S3，获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养计划后得到新培养方案，包括：

S301、根据预设的数据采集时间节点，对所述非绩优保险代理人在执行所述初始培养方案后产生的新非LBS数据进行定时采集，以时间为横坐标轴，以新非LBS数据评分为纵坐标，建立非绩优保险代理人数据曲线图；

具体的，获取所述培养方案中预设的数据采集时间节点，当所述数据采集时间节点到来时，从所述非绩优代理人所在终端上传到数据库中的信息中抽取第一LBS数据和第一非LBS数据；根据所述第一LBS数据对应的场所信息，提取所述场所的数据记录，根据所述场所的数据记录对所述第一LBS信息和所述第一非LBS数据进行修正，得到第二LBS数据和第二非LBS数据；提取所述第二非LBS数据中的行为因子，根据不同行为因子在培养方案中的权重情况，赋予所述第二非LBS数据中的行为因子以不同的权重，加权求和得到非LBS数据评分；以时间为纵坐标，所述非LBS数据评分为纵坐标建立所述非绩优保险代理人数据曲线图。

S302、获取各个所述预设的数据采集时间节点的预期结果，以时间为横坐标轴，预期结果为纵坐标轴，建立预期结果曲线图，将所述非绩优代理人曲线图与预期结果曲线图进行比较，抽取出超出预设误差阈值的所述新非LBS数据建立一数据序列；

具体的，预期结果是根据绩优保险代理人的绩效情况获得的。比如，一个绩优保险代理人拜访了A工业园区后获得了500万的投保单，那么对于一个非绩优保险代理人按照初始培养方案，在拜访了与A工业园类似的B工业园后预期结果为获得450万以上的投保单。

S303、根据所述数据序列建立一结果矩阵，所述结果矩阵的矩阵元素为所述超出预设误差阈值的所述新非LBS数据；

其中，将数据序列进行矩阵化转换为了更好的对非绩优保险代理人根据初始培养方案后的工作进行分析。

S304、将所述结果矩阵做归一化处理，得到归一化数据矩阵；

S305、统计所述归一化数据矩阵中数值为“1”的矩阵元素数量，若所述矩阵元素为“1”的数量超过所述归一化数据矩阵中的矩阵元素的半数以上，则所述非绩优代理人行为符合预期结果，否则不符合预期结果，将不符合预期结果的非绩优保险代理人的LBS数据和非LBS数据入参到所述绩优代理人分类模型进行重新分类后得到新培养方案。

其中，超过半数以上的数值为“1”说明非绩优保险代理人在执行初始培养方案后有超过半数的指标达到或者超过预期，即按照初始培养方案继续工作会成为一名绩优保险代理人。而未超过半数则说明此非绩优保险代理人在执行所述初始培养方案后仍然没有达到提升绩效的效果。

本实施例，对非绩优保险代理人在执行初始培养方案后的效果进行分析，从而及时的修正培养方案使得非绩优保险代理人尽快提升工作效率。

在一个实施例中，所述S101、获取预设的保险代理人绩效评分表，根据预设的保险代理人绩效评价标准，从所述保险代理人绩效评分表中抽取出达到绩优的所述绩优保险代理人的LBS数据和非LBS数据，包括：

获取预设的数据统计的开始时间节点和终止时间节点，根据所述开始时间节点和所述终止时间节点，从所述保险代理人绩效评分表中抽取出所有保险代理人的在所述开始时间节点到所述终止时间节点之间产生的绩效数据；

具体的，在对保险代理人进行行为统计时需要对其进行分段分析，因为一个保险代理人在不同时间段内的绩效分数是不一致的。开始节点和终止节点可以选择为月初或者月末等时间节点。

将抽取出的所述绩效数据，按照分数高低进行排列，根据预设的保险代理人评分标准，将所述绩效数据进行分类成绩优组和非绩优组；

其中，保险代理人评分标准可以是静态的，也可以是动态的，如果是动态的，可以根据实际情况每一年进行一次调整。比如，A公司前年的业绩为500万，那么去年绩优的评分标准为80分，而去年的业绩为1000万，那么今年的绩优标准可能定为85分。

查询所述绩优组中的LBS数据的位置信息，获取位置信息对应的时间信息和行为信息，根据所述时间和所述行为信息得到所述保险代理人的非LBS数据。

比如，在绩优组中有4个保险代理人拜访了C园区，但是每个人拜访的时间不同，拜访的客户不同，那么这4个绩优保险代理人就会产生4个非LBS数据。

本实施例，通过设置统计保险代理人的绩效时间，从而能够准确的获得不同时间段保险代理人的绩效情况，使分类模型更加准确。

在一个实施例中，所述S203、将所述初始LBS数据和所述初始非LBS数据入参到所述绩优代理人分类模型中，提取出参结果中的类别信息，根据所述类别信息对所述非绩优保险代理人进行归类后得到所述初始培养方案，包括：

将所述非绩优保险代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型中，获取所述绩优代理人分类模型中所有包含所述非绩优保险代理人的初始LBS数据的所有类型模板；

具体的，初始LBS数据和初始非LBS数据中包含有多个特征元素，在绩优保险代理人分类模型中有多个不同类型的绩优保险代理人模板，若任一绩优保险代理人模板中含有一个所述特征元素，则该模板将被抽取。其中，特征元素是指位置和拜访客户等信息。

统计所述所有包含所述非绩优保险代理人的LBS数据的类型模板中所包含的LBS数据数量，抽取出数据数量排名在前五位的类型模板的类别；

将所述非绩优保险代理人的所有初始非LBS数据作为训练样本入参到卷积神经网络模型中进行训练；

其中，卷积神经网络模型中主要包含有输入层、隐含层和输出层，在隐含层中对初始非LBS数据进行有效的卷积处理后可以获得初始非LBS数据的标准参数。

将所述排名在前五位的类型模板中所包含的初始非LBS数据作为参照样本也入参到卷积神经网络模型中进行训练；

将所述训练样本的出参结果和所述参照样本的出参结果进行比较，提取相似度最大的一个类别作为所述训练样本的类别。

具体的，在进行比较时可以采用相似度计算的方法进行比较，比如计算两者之间的汉明距离、余弦距离等。若两者之间的相似度小于汉明距离阈值或者余弦阈值则两个出参结果属于一个类别，否则不属于同一类别。

其中，汉明距离是以理查德·卫斯里·汉明的名字命名的。在信息论中，两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数。换句话说，它就是将一个字符串变换成另外一个字符串所需要替换的字符个数。余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。本实施例，通过神将网络模型对初始非LBS数据进行有效分析，从而获得了非绩优保险代理人的最佳分类。

在其中一个实施例中，所述S302、获取各个所述预设的数据采集时间节点的预期结果，以时间为横坐标轴，预期结果为纵坐标轴，建立预期结果曲线图，将所述非绩优代理人曲线图与预期结果曲线图进行比较，抽取出超出预设误差阈值的所述新非LBS数据建立一数据序列，包括：

从所述初始培养方案中提取各个时间节点所要达到的分数，将各个所述时间节点连成一条曲线，建立预期结果曲线图，其中所述预期结果曲线图的横坐标为时间，纵坐标为所要达到的分数；

具体的，所述要达到的分数是根据绩优保险代理人在同一时间节点所达到的分数作为参考得到的。

将所述预期结果曲线图与所述非绩优保险代理人数据曲线图导入同一坐标系中，以平行于纵坐标轴做数根标线；

获取所述标线在所述非绩优保险代理人数据曲线图和所述预期结果曲线图的差值，将所述差值的绝对值与预设的误差阈值进行比较，若在所述误差阈值之内则对所述非绩优保险代理人数据曲线图上的数据不标记，否则标记；

其中，误差阈值的范围为1％以下，对超出误差阈值的数据进行标记以便于进行区分。

汇总所有带有标记的所述非绩优保险代理人数据曲线图上的数据所对应的横坐标值，根据时间顺序进行排列，形成一包含所有超出预设误差阈值的数据序列。

本实施例，通过建立曲线图直观的反映出哪些数据超出误差阈值范围，哪些没有从而提升分类效率。

在一个实施例中，提出了一种基于大数据的保险代理人培养方案生成装置，如图5所示，包括如下模块：

模型建立模块51，设置为获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型；

方案形成模块52，设置为获取非绩优代理人的初始LBS数据和初始非LBS数据，将所述非绩优代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优代理人的初始培养方案；

方案改进模块53，设置为获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养计划后得到新培养方案。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于大数据的保险代理人培养方案生成方法的步骤。

在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例中的所述基于大数据的保险代理人培养方案生成方法的步骤。其中，所述存储介质可以为非易失性存储介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

以上所述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一些示例性实施例，其中描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。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 (8)

1.一种基于大数据的保险代理人培养方案生成方法，其特征在于，包括：

获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型；

获取非绩优保险代理人的初始LBS数据和初始非LBS数据，将所述非绩优保险代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优保险代理人的初始培养方案；

获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养方案后得到新培养方案；

所述获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型，包括：

获取预设的保险代理人绩效评分表，根据预设的保险代理人绩效评价标准，从所述保险代理人绩效评分表中抽取出达到绩优的所述绩优保险代理人的LBS数据和非LBS数据；

获取所述绩优保险代理人的非LBS数据中所包含的用于表示保险代理人行为的多维特征向量，将所述多维特征向量进行降维，得到所述行为因子的参数信息，将所述行为因子的参数信息与所述绩优保险代理人的LBS数据中的文字信息进行拼接后得到所述行为因子；

抽取不同的所述行为因子之间的共有元素，根据所述共有元素的数量，聚类所述行为因子后形成所述绩优代理人分类模型；

所述获取非绩优保险代理人的初始LBS数据和初始非LBS数据，将所述非绩优代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优保险代理人的初始培养方案，包括：

获取所述非绩优保险代理人光顾场所的位置信息，根据所述位置信息得到所述非绩优保险代理人的初始LBS数据；

获取所述非绩优保险代理人在所述场所的行为信息，根据所述行为信息得到所述非绩优保险代理人的初始非LBS数据；

将所述初始LBS数据和所述初始非LBS数据入参到所述绩优代理人分类模型中，提取出参结果中的类别信息，根据所述类别信息对所述非绩优保险代理人进行归类后得到所述初始培养方案。

2.根据权利要求1所述的基于大数据的保险代理人培养方案生成方法，其特征在于，所述获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养方案后得到新培养方案，包括：

根据预设的数据采集时间节点，对所述非绩优保险代理人在执行所述初始培养方案后产生的新非LBS数据进行定时采集，以时间为横坐标轴，以新非LBS数据评分为纵坐标，建立非绩优保险代理人数据曲线图；

获取各个所述预设的数据采集时间节点的预期结果，以时间为横坐标轴，预期结果为纵坐标轴，建立预期结果曲线图，将所述非绩优保险代理人曲线图与预期结果曲线图进行比较，抽取出超出预设误差阈值的所述新非LBS数据建立一数据序列；

根据所述数据序列建立一结果矩阵，所述结果矩阵的矩阵元素为所述超出预设误差阈值的所述新非LBS数据；

将所述结果矩阵做归一化处理，得到归一化数据矩阵；

统计所述归一化数据矩阵中数值为“1”的矩阵元素数量，若所述矩阵元素为“1”的数量超过所述归一化数据矩阵中的矩阵元素的半数以上，则所述非绩优保险代理人行为符合预期结果，否则不符合预期结果，将不符合预期结果的非绩优保险代理人的LBS数据和非LBS数据入参到所述绩优代理人分类模型进行重新分类后得到新培养方案。

3.根据权利要求1所述的基于大数据的保险代理人培养方案生成方法，其特征在于，所述获取预设的保险代理人绩效评分表，根据预设的保险代理人绩效评价标准，从所述保险代理人绩效评分表中抽取出达到绩优的所述绩优保险代理人的LBS数据和非LBS数据，包括：

获取预设的数据统计的开始时间节点和终止时间节点，根据所述开始时间节点和所述终止时间节点，从所述保险代理人绩效评分表中抽取出所有保险代理人的在所述开始时间节点到所述终止时间节点之间产生的绩效数据；

将抽取出的所述绩效数据，按照分数高低进行排列，根据预设的保险代理人评分标准，将所述绩效数据进行分类成绩优组和非绩优组；

查询所述绩优组中的LBS数据的位置信息，获取位置信息对应的时间信息和行为信息，根据所述时间信息和所述行为信息得到所述保险代理人的非LBS数据。

4.根据权利要求1所述的基于大数据的保险代理人培养方案生成方法，其特征在于，所述将所述初始LBS数据和所述初始非LBS数据入参到所述绩优代理人分类模型中，提取出参结果中的类别信息，根据所述类别信息对所述非绩优保险代理人进行归类后得到所述初始培养方案，包括：

将所述非绩优保险代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型中，获取所述绩优代理人分类模型中所有包含所述非绩优保险代理人的初始LBS数据的所有类型模板；

统计所述所有包含所述非绩优保险代理人的LBS数据的类型模板中所包含的LBS数据数量，抽取出数据数量排名在前五位的类型模板的类别；

将所述非绩优保险代理人的所有初始非LBS数据作为训练样本入参到卷积神经网络模型中进行训练；

将所述排名在前五位的类型模板中所包含的初始非LBS数据作为参照样本也入参到卷积神经网络模型中进行训练；

将所述训练样本的出参结果和所述参照样本的出参结果进行比较，提取相似度最大的一个类别作为所述训练样本的类别。

5.根据权利要求2所述的基于大数据的保险代理人培养方案生成方法，其特征在于，所述获取各个所述预设的数据采集时间节点的预期结果，以时间为横坐标轴，预期结果为纵坐标轴，建立预期结果曲线图，将所述非绩优保险代理人曲线图与预期结果曲线图进行比较，抽取出超出预设误差阈值的所述新非LBS数据建立一数据序列，包括：

从所述初始培养方案中提取各个时间节点所要达到的分数，将各个所述时间节点连成一条曲线，建立预期结果曲线图，其中所述预期结果曲线图的横坐标为时间，纵坐标为所要达到的分数；

将所述预期结果曲线图与所述非绩优保险代理人数据曲线图导入同一坐标系中，以平行于纵坐标轴做数根标线；

获取所述标线在所述非绩优保险代理人数据曲线图和所述预期结果曲线图的差值，将所述差值的绝对值与预设的误差阈值进行比较，若在所述误差阈值之内则对所述非绩优保险代理人数据曲线图上的数据不标记，否则标记；

汇总所有带有标记的所述非绩优保险代理人数据曲线图上的数据所对应的横坐标值，根据时间顺序进行排列，形成一包含所有超出预设误差阈值的数据序列。

6.一种基于大数据的保险代理人培养方案生成装置，其特征在于，所述基于大数据的保险代理人培养方案生成装置执行如权利要求1至5中任一项权利要求所述基于大数据的保险代理人培养方案生成方法，所述基于大数据的保险代理人培养方案生成装置包括：

模型建立模块，设置为获取绩优保险代理人LBS数据和非LBS数据，抽取所述绩优保险代理人LBS数据和非LBS数据中的行为因子，根据所述行为因子，建立绩优代理人分类模型；

方案形成模块，设置为获取非绩优保险代理人的初始LBS数据和初始非LBS数据，将所述非绩优保险代理人的初始LBS数据和初始非LBS数据入参到所述绩优代理人分类模型，出参后得到所述非绩优保险代理人的初始培养方案；

方案改进模块，设置为获取所述非绩优保险代理人在执行所述初始培养方案后产生的新LBS数据和新非LBS数据，根据所述新LBS数据和所述新非LBS数据修正所述初始培养方案后得到新培养方案。

7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项权利要求所述基于大数据的保险代理人培养方案生成方法的步骤。

8.一种存储介质，其特征在于，所述存储介质存储有计算机可读指令，所述存储介质可以被处理器读写，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中任一项权利要求所述基于大数据的保险代理人培养方案生成方法的步骤。