CN109993392A - 业务投诉风险预估方法、装置、计算设备及存储介质 - Google Patents
业务投诉风险预估方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN109993392A CN109993392A CN201711494876.6A CN201711494876A CN109993392A CN 109993392 A CN109993392 A CN 109993392A CN 201711494876 A CN201711494876 A CN 201711494876A CN 109993392 A CN109993392 A CN 109993392A
- Authority
- CN
- China
- Prior art keywords
- business
- complaint
- risk
- value
- assessed
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本发明实施例提供了一种业务投诉风险预估方法、装置、计算设备及存储介质。该方法包括:获取与待评估业务同类的一个或多个业务的投诉记录;分析投诉记录,以确定其所涉及的风险点;统计风险点在各业务中的投诉量;基于业务所包含的关键要素与风险点的对应关系,确定关键要素在业务中的要素投诉统计值,其中,要素投诉统计值包括关键要素的平均风险权重值和用户投诉比例;以及结合所述要素投诉统计值,根据待评估业务所包含的关键要素及历史相似活动和目标用户,评估待评估业务的投诉风险。本方案能够针对不同营销活动场景面向不同客户进行投诉风险预估。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种业务投诉风险预估方法、装置、计算设备及存储介质。
背景技术
随着行业竞争激烈度加剧,为吸引客户、快速推广业务,公司频繁以各种营销活动承载业务来获得销量。营销活动的频繁开展,加之其面向客户量大,一旦出现任何服务问题则极易发生批量投诉的风险,会导致客户体验差、服务质量低,影响公司业务发展和公众形象。面对上述情况,若要降低营销活动投诉风险,就必须做到“及早预估”、“提前准备”、“防患未然”,在活动上线前全面评估其风险并做好应对准备,以便在遇到投诉风险时能够快速、有效的解决。完成上述目标可以获得以下效益:(1)及早知晓活动风险,上线前进行细致的设计和优化,以打造高品质的营销活动;(2)化被动为主动,将传统被动应对投诉的状态调整为积极预估、主动防御,能够提高应对效率;(3)不断积累客户投诉信息,有助于区分出高风险客户,以做到针对服务,提高服务质量。
现有的技术方案没有能够解决针对不同营销活动场景及面向不同客户的风险评估问题。如相关技术中的一种适用于客户风险评估的信息处理方法和系统,该方法包括:首先判断客户身份验证是否通过;然后根据客户历史交易信息判断客户是否有业务风险——客观数据评分;最后让客户填写调查问卷,根据调查问卷判断客户是否有业务风险——主观数据评分;客户最终风险评分根据客观评分和主观评分加权获得。该技术的缺点:1、“问卷调查”的方式影响业务办理效率,不适应于时效性要求较高的营销活动;2、风险评估对象为客户个人风险,评估方法适用于“人”,无法使用于事物——营销活动。
又如,相关技术中的一种基于网络评论的产品质量问题发现及风险评估方法,包括:首先通过网络爬虫进行数据采集,从网站上抓取与待评测产品相关的网页并抽取其中的评论文本;然后对采集的文本数据进行分析,获得质量特征词;最后提出质量问题描述模板,并基于该模板统计出与每个质量特征词相关的质量问题,提出基于质量特征词的风险评估算法,利用风险评估算法计算每个质量特征词的风险评估值。该技术的缺点:1、方案使用的“情感词标注”不适用于营销活动投诉,多数营销活动投诉描述并没有明显的情感倾向,无法进行标注;2、对客户评论分为“褒义”、“贬义”、“中性”等类别,且“褒义”和“贬义”里面又划分为9个情感档次,此划分方式主观性较强,无法充分利用数据的客观信息进行分析和评估;3、方案得出的结论为“质量特征词”风险,其结论无法表征营销活动风险。
再如,相关技术中的一种缴费系统暂停服务导致的投诉风险评估方法,包括:基于一定数量的客户各自的缴费特征点以及聚类中心点的关系,获得每个客户的类别;采集属于该类别的所有客户的总投诉次数与客户数量的商,作为该类别的投诉风险评估值;对待评估客户采用步骤1的方法获得该客户的类别;基于估计的所述待评估客户的下次缴费时间与暂停服务时间的关系以及该客户的类别,获得所述待评估客户的投诉风险评估值。该技术存在的缺点:1、仅适用于“缴费”类的业务,而营销活动承载的业务形式很多,此技术不适用于其他业务场景;2、使用的技术方法里包含了K-means聚类,当客户群体较为稳定、聚类判断指标较为明显且能够表征出客户特点时效果尚好;但是营销活动形式丰富繁多、目标客户差异较大、投诉特征无明显表征指标,在此情况下不适宜使用K-means算法;3、无法评估出业务的潜在投诉量、风险大小。
综上所述,仍然需要一种能够有效地预先评估业务投诉风险的方案。
发明内容
本发明实施例提供了一种业务投诉风险评估预测方法、装置、计算设备及存储介质。旨在实现投诉服务前置,即在活动开展前评估活动风险值、潜在投诉量等关键指标,化被动应对投诉为主动预防管控,最终提升服务质量。
第一方面,本发明实施例提供了一种业务投诉风险预估方法,该方法包括:
获取与待评估业务同类的一个或多个业务的投诉记录;
分析投诉记录,以确定其所涉及的风险点;
统计风险点在各业务中的投诉量;
基于业务所包含的关键要素与风险点的对应关系,确定关键要素在业务中的要素投诉统计值,其中,要素投诉统计值包括关键要素的平均风险权重值和用户投诉比例;以及
结合要素投诉统计值,根据待评估业务所包含的关键要素及其历史相似活动和目标用户,评估待评估业务的投诉风险。
第二方面,本发明实施例提供了一种业务投诉风险预估装置,装置包括:
获取模块,用于获取与待评估业务同类的一个或多个业务的投诉记录;
分析模块,用于分析获取模块获取的投诉记录,以确定其所涉及的风险点;
统计模块,用于统计分析模块确定的风险点在各业务中的投诉量;
确定模块,用于基于业务所包含的关键要素与风险点的对应关系,确定关键要素在业务中的要素投诉统计值,其中,要素投诉统计值包括关键要素的平均风险权重值和用户投诉比例;以及
预估模块,用于结合要素投诉统计值,根据待评估业务所包含的关键要素及其历史相似活动和目标用户,评估待评估业务的投诉风险。
第三方面,本发明实施例提供了一种计算设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
在本发明实施例的技术方案中,通过客户投诉数据建模,从大量客户投诉中找出能够表征投诉信息的数据对应关系,通过投诉风险点来表征不同营销活动的投诉内容。归纳营销活动的关键要素,建立“关键要素、营销活动、风险点、投诉”之间的对应关系表达方式。通过营销活动潜在投诉客户量预测,依据历史活动投诉比率、历史活动投诉风险点、待上线活动关键要素等信息,预估活动的潜在投诉客户量。利用营销活动风险值评估,通过“营销活动关键要素”、“基于活动关联关系”、“基于目标客户关联关系”等大数据关联分析方法实现对待上线活动的风险值计算。
本发明实施例提供的业务投诉风险预估方法、装置、计算设备及存储介质,全面考虑到“营销活动”、“目标客户”两个维度的风险情况。使用的“基于活动关键要素评估方法”能够从业务本身,充分评估营销活动本身的风险;通过“基于活动关联关系”评估方法,能够刻画出客户本人的投诉习惯性;通过“基于客户关联关系”评估方法,能够刻画出客户之间投诉行为的影响情况。因此对投诉风险预估更为全面准确。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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示出了根据本发明一实施例的业务投诉风险预估方法的示意性流程图。
图2示出了根据本发明一个实施例的投诉数据整理的示意图。
图3示出了根据本发明一实施例的业务投诉风险预估数据模型的示意图。
图4示出了根据本发明一个示例实施例的营销活动投诉风险评估预测方法流程图。
图5示出了根据本发明一实施例的业务投诉风险预估装置的示意性结构框图。
图6示出了本发明实施例提供的计算设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例以业务为营销活动为例,具体说明本发明的技术方案。
概况而言,本发明技术方案可以由数据采集、数据整理、数据建模、活动风险评估计算四部分组成;其中活动风险评估计算模块包含潜在投诉客户量、基于活动关联关系分析、基于客户关联关系分析等模块。其中,得到的评估结论可以是潜在投诉量、活动风险评分、活动综合评价和建议。
图1示出了根据本发明一实施例的业务投诉风险预估方法的示意性流程图。
如图1所示,在步骤S100中进行数据采集,获取与待评估业务同类的一个或多个业务的投诉记录。
例如,可以从客服平台筛选出“营销活动投诉数据”,并同步到投诉风险评估预测系统,因投诉原始数据包含冗余信息较多,所以同步可以仅保留重点信息:投诉号码、投诉时间、投诉编号、投诉内容,剔除无用的流转过程沟通信息。
在步骤S200中分析投诉记录,以确定其所涉及的风险点。
可以先对客户投诉及最终解决情况进行总结整理,图2示出了根据本发明一个实施例的投诉数据整理的示意图。如图2所示,将投诉1-投诉N多条投诉数据经过3次或更多次数的归纳,提取出投诉关键词1-L,大大减少了数据处理量,从而简洁地表达客户投诉关键点,然后根据投诉关键词归纳总结投诉风险点,不同的投诉关键词可能对应同样的投诉风险点,例如“到现在仍未返还话费”和“话费返还迟了”,都表明风险点为:话费优惠返还延迟。通过上述整理过程,可以逐级整理归纳,从大量的投诉数据中发现有限的投诉风险点,
本领域技术人员可以了解到,营销活动本身的构成要素及流程是产生投诉的源头,所有的投诉均能对应到营销活动的某一要素或者某个业务环节。基于上述事实情况,可以根据现有营销活动特点归纳出能够表示活动的“活动关键要素”,以便根据投诉情况,建立“活动-关键要素-投诉-风险点”之间的对应关系。
在步骤S300中可以统计风险点在各业务中的投诉量。
图3示出了根据本发明一实施例的业务投诉风险预估数据模型的示意图。如图3所示,一个投诉可能包含多个风险点,多个风险点可能由一个关键要素引起,一个活动可能包含多个关键要素,一个活动可能产生多个投诉。因此统计分析出关键要素的投诉量、投诉比率、风险权重值等信息,为投诉风险预估做数据准备。
在步骤S400中可以基于业务所包含的关键要素与风险点的对应关系,确定关键要素在业务中的要素投诉统计值。
其中,要素投诉统计值可以包括关键要素的平均风险权重值和用户投诉比例,分别用于计算基于业务的关键要素投诉风险权重值和预估业务的潜在投诉量。
在本发明一实施例中,可以分别获取在各业务中投诉所述关键要素的客户量和该业务的总客户量,确定第二要素投诉统计值。
例如,可以根据统计的风险点在各营销活动中的投诉量,计算平均活动万人投诉比率(简称万投比),计算方式如下:
上式中,ts_numi为活动i发生在此关键要素的投诉量,sum_numi为活动i总参与客户量,公式含义为:平均每1万参与客户中发生投诉的客户比率。下面举例说明上述计算方法的使用方法。
假如“国庆假日流量包”活动参与总量26万,投诉“无二次确认环节”的客户量为62人,则营销活动的万投比为2.38;若另外一个活动里“二次确认”万投比为3.22;那么“二次确认”因素的平均万投比为(2.38+3.22)/2=2.8。
在本发明一实施例中,在步骤S400中,可以获取关键要素在各业务中的投诉占比,确定关键要素的平均风险权重值。
其中,关键要素的平均风险权重值为关键要素在各业务中的投诉占比。
在本发明一实施例中,可以基于关键要素的平均风险权重值及包含关键要素的业务量,确定关键要素的投诉风险权重值,以便预估待评估业务的第一投诉风险值,例如,对于关键要素平均投诉风险权重值计算方式如下:
上式中,i代表1个活动,tsi为关键要素k在活动i中的投诉占比,N为涉及到此关键要素的总活动量。下面举例说明上述计算方法的使用。
线上业务办理过程中,通常情况下需要客户进行“二次确认”,假如关键要素“二次确认”在2个活动中均出现过,其中每个活动均有若干条投诉。若活动“春节假日流量包”共计55条投诉,其中投诉“二次确认”的有50条,那么对此活动而言,“二次确认”的风险权重值为50/55=0.91;若在另外一个活动“元宵假日流量包”中的风险权重值为0.51,那么对2个全量活动而言,平均风险权重值为(0.91+0.51)/2=0.71。
上述模型建立之后,可以很清晰的通过活动关键要素表征活动,并知晓活动关键要素的风险权重值、万投比等重要指标。如图1所示,在步骤S500中可以结合要素投诉统计值,根据待评估业务所包含的关键要素及其历史相似活动和目标用户,评估待评估业务的投诉风险。
根据营销活动的关键要素、面向的目标客户两个维度,可以使用概率统计、大数据关联分析方法进行建模计算,综合评估活动潜在投诉量和风险值。
在本发明一实施例中,在步骤S500中,可以基于用户投诉比例,预估待评估业务的投诉量。
例如,对于一个待上线的活动,预估其潜在投诉客户量具有重要意义,能够通过这一明确的指标展示活动投诉的严重程度,给运营人员提供重要参考。本发明中,对一个待上线的营销活动,其潜在投诉量预估方法如下:
上式中,N为预计参与活动人数,M为此活动涉及到的关键要素个数,ts_num为预估的投诉量。下面举例说明上述计算方法的使用方法。
活动“周末流量party”涉及“短期业务”、“二次确认”2个因素,预计参加人数50万;涉及的两个关键要素的平均万投比分别为:1.38、2.39,那么预估投诉量=50*(1.38+2.39)=189人。
由于营销活动风险值是比较抽象的概念,本发明将从营销活动的关键要素、面向的目标客户两个维度,综合对“物”、“人”两个因素进行考虑,综合计算活动风险值。其计算公式如下:
riskhd=a×riskfactor+b×risktarget
上式中,riskhd为活动风险值,riskfactor是从营销活动构成情况计算得出的风险值,即第一投诉风险值,其采用“基于活动关键要素”的方法。risktarget是从营销活动面向的目标客户方面分析计算得出的风险值,即第二投诉风险值,其采用“基于活动关联关系”和“基于客户关联关系”的方法。因子a和b是权重值,将权重可设置为均为0.5或者a设置为0.4,b设置为0.6或其他可行的参数值,后期可根据评估的准确情况做调整。上述风险值最终采用“百分制”表示,若超出100分则默认设置为100分。
下面将对“基于活动关键要素”、“基于活动关联关系”、“基于客户关联关系”三种方法分别做详细介绍。
根据本发明一实施例,预估待评估业务的第一投诉风险值可以按照如下方法实现。
例如,对于一个待上线的营销活动,若其涉及到M个“关键要素”(运营人员可根据活动特点进行关键要素选择),则其风险值评估为:
上式中,riski为第i个关键要素的风险权重值。上述风险权重值相加超过1时自动设置为1,且将最终风险值得分转化为百分制.下面举例介绍公式的使用方法。
例如,活动“周末流量party”涉及“短期业务”、“二次确认”2个关键要素,每个要素的风险值大小为:0.37,0.45,则“周末流量party”的关键因素风险值为(0.37+0.45)=0.82,转化为百分制则为82分。
营销活动不仅具有其本身的组成特点,也面向不同的目标客户,目标客户对活动的投诉倾向也是影响活动风险大小的重要因素。所以要充分考虑目标客户的因素。
根据本发明一实施例,预估待评估业务的第二投诉风险值的步骤可以包括:计算多个目标客户中每一个目标客户的第一投诉倾向值和第二投诉倾向值中的最大值的平均值,作为第二投诉风险值。
假设一个营销活动u向N个目标客户开放,目标客户对营销活动的投诉风险评估方法为
上式中,Pi为“基于活动关联关系”评估得出的客户i的投诉倾向值,Qi为“基于客户关联关系”评估得出的客户i的投诉倾向值。对目标客户投诉风险的最终评估结果取其中的最大值,其意义为——面对潜在风险做最保守的估计和最严格的防控,以使得大家充分重视风险。上述风险值超过1时可以自动设置为1,且展示结果最终转化为百分制。
根据本发明一实施例,预估待评估业务的第二投诉风险值的步骤可以包括:
基于一个或多个业务与待评估业务之间的相似度以及待评估业务的目标客户对一个或多个业务的投诉情况,确定目标客户对待评估业务的第一投诉倾向值。
假设一个营销活动u向N个目标客户开放,其中任意一个目标客户i对活动u的投诉倾向值为:
上式中,s(u,v)表示活动u,v之间的相似性,ri,v表示客户i对活动u的相似活动v之前的投诉记录,若有投诉则为1,无投诉则为0。上述风险值超过1时自动设置为1,且展示结果最终转化为百分制。
根据本发明一实施例,对于一个业务,可以基于待预估业务和该业务包含的关键要素的交集元素个数和并集元素个数,确定该业务与待评估业务之间的相似度。
例如,假设某个新活动涉及到M个环节,则将同样包含这些环节的所有历史活动均列为其相似活动。相似性计算方式如下:
上式即为活动u与活动v之间的交集除以并集,例如:活动u包含3个环节,活动v包含5个环节,其中两个活动的交集为2个环节,则相似度=2/6=0.33。
根据本发明一实施例,可以基于一个或多个业务与待评估业务之间的相似度、与目标客户相似的投诉客户对一个或多个业务的投诉情况以及投诉客户与目标客户之间的相似度,确定目标客户对待评估业务的第二投诉倾向值。
例如,假设一个营销活动u向N个目标客户开放,则其中任意一个目标客户i对活动u的投诉倾向值为:
上式中sim(i,j)为客户i,j之间的相似度,rj,v表示客户j对活动v的投诉记录,若有投诉则为1,无投诉则为0。s(u,v)表示活动之间的相似性,K表示客户j投诉过的与活动u相似的所有相似活动的个数。上述风险值超过1时自动设置为1,且展示结果最终转化为百分制。
客户相似性通过客户标签信息来计算,可以分别获取目标客户和投诉客户的客户标签信息,基于客户标签信息,确定投诉客户与目标客户之间的相似度。其中,客户标签信息包括流量敏感度、话费敏感度和投诉率中至少一个。
例如,可以通过“流量敏感、话费敏感、投诉率(投诉次数/办理业务次数)、是否交往好友”等标签判断客户是否为相似客户,计算方法如下:
上式为一个修正的余弦相似度计算公式,i,j分别表示客户在标签坐标(流量、话费、投诉率)上的坐标,α为社交圈影响因子,可设置其大小。例如:客户i的流量敏感度、话费敏感度、投诉率为[0.5,0.8,0.2],客户j的为[0.2,0.7,0.3],且两人是好友,那么其相似度为:(0.5*0.2+0.8*0.7+0.2*0.3)/(0.96*0.79)+0.1=1.05,当相似度大于1时自动可将其设置为1。
下面以活动“春节假日流量包”为例,说明一种业务(营销活动)投诉风险预估方法的具体流程。图4示出了根据本发明一个示例实施例的营销活动投诉风险评估预测方法流程图。如图4所示,可以从客服平台同步营销活动的投诉数据,可以仅保留重点信息,包括投诉号码、投诉时间、投诉编号、投诉内容等信息,从投诉数据中提炼关键词,可以经过多次归纳提取,归纳出投诉风险点。可以根据营销活动特点和组成要素建立关键要素和风险点的对应关系,统计并计算出关键要素的投诉风险权重值和万人投诉比。以计算出潜在投诉量和活动要素风险值。,结合用户历史投诉情况及其相似用户投诉情况,评估目标客户的投诉风险值。最后得到最终的活动风险值,输出评估结果包括潜在投诉人数、活动风险值、活动评价和活动建议等。
案例:业务人员现在2017年元宵节期间开展假日流量包促销活动,预计参加人数20万。活动规则:客户首先在活动页面订购假日流量包;业务订购成功后可以参与抽奖,抽奖可以抽到1-9元的话费;话费将在24小时内到账。活动目标客户群体举例如表1(仅抽取部分目标客户举例)。为保证营销活动质量,减少投诉,需要评估此次活动的风险大小。
与上述活动类似的历史情况,曾经在2017年1月25日至2月3日开展“春节假日流量包”活动。活动规则与本次欲开展的活动相同。春节活动期间共计收到55条投诉,其中50条投诉投诉内容主要表达为“活动订购过程中无二次确认环节”;活动期间参与客户量为17.5万人。
可以对本次欲评估的活动“元宵假日流量包”做风险评估。
步骤1:活动期间,客服系统全量投诉约2700条,但是客服系统里大部分投诉并非营销活动类投诉,通过关键词“春节”、“假日”、“流量包”等词汇从客服全量投诉中筛选“春节假日流量包”活动,共计发现55条投诉。
步骤2:客户投诉描述内容较长,从上述投诉中,提炼关键词有以下:点击活动页面没有二次确认就订购了、操作未发现二次确认、没有经过确认就订购、话费返还比较慢、话费返还超过承诺期限;上述关键词指向两个风险点“二次确认”、“话费优惠返还延迟”,由此则整理出了投诉风险点。
步骤3:通过梳理活动流程,发现活动关键要素有“业务订购+话费返还”,归纳客户投诉风险点的产生源头,可以得出对应关系“二次确认——业务订购”、“话费优惠返还延迟——话费返还”;通过上文中关于活动关键要素的计算公式,可以得出“二次确认”、“话费返还”的风险权重值、万人投诉比。“二次确认”的风险权重值为50/55=0.91,万人投诉比为55/17.5=3.14,“话费返还”的风险权重值为5/55=0.09,万人投诉比为5/17.5=0.29。
上述计算过程举例仅针对一个历史活动,实际中,历史活动可能成千上百,则对于活动关键要素的风险权值、投诉万人比则取所有活动结果的平均值。
步骤4:预估本次活动的潜在投诉量、基于活动关键要素的风险评估,本次活动为“元宵假日流量包促销”,其包含的关键要素为“业务订购+话费返还”,根据步骤3中的计算结果,使用上文中的计算公式,得出待评估活动的潜在投诉量和活动关键要素风险值,待评估活动“元宵假日流量包促销”的潜在投诉量为20*(3.14+0.29)≈69,关键要素风险值为0.91+0.09=1。
上表计算结果表明,“元宵假日流量包促销”活动可能投诉人数69人,活动风险值为1(换算为百分制则为100分)。
步骤5:计算目标客户投诉风险值,此过程中又包含两个层面的评估计算:基于活动关联关系的评估方法、基于客户关联关系的评估方法;上述两种计算方法均依赖于历史投诉记录进行计算。
与“元宵假日流量包促销”活动相似的两个活动“春节假日流量包促销”——包含两个关键要素“业务订购+话费返还”、“5折话费秒杀”——包含两个关键要素“大并发+话费返还”,则计算活动之间相似度和客户投诉倾向值。
以客户182**3009为例,介绍此方法的计算过程。182**3009的相似客户为188**0326(实际中应该有多个,这里仅以1个举例子),客户182**3009的流量敏感度、话费敏感度、投诉率为[0.5,0.8,0.2],客户188**0326的为[0.2,0.7,0.3],且两人是好友,那么其相似度为:(0.5*0.2+0.8*0.7+0.2*0.3)/(0.96*0.79)+0.1=1.05,当相似度大于1时自动设置为1,则此两个客户相似度为1。
客户188**0326曾经投诉过2个活动与“元宵假日流量”活动相似,活动相似度值分别为(具体计算方法参考上文公式):0.6,0.8,那么客户188**0326对相似活动的平均投诉倾向值为(0.8+0.6)/2=0.7。
因为客户182**3009与188**0326相似度为1,则客户182**3009对活动“元宵假日流量”投诉的倾向值为:1*0.7/(0.7)=1,转化为百分制则为100分。
对于客户182**3009,“基于活动关联关系”评估投诉倾向值为33分,“基于客户关联关系”评估投诉倾向值为100分,最终取评估风险值中最大的100分为其最终投诉倾向值。
采用步骤5中,在上表中,共计7个目标客户,根据公式,这批目标客户带来的投诉风险值为:(100+20+50+60+20+30+40)/7≈46
步骤6:综合“活动关键要素风险”、“目标客户投诉风险”两个维度,活动最终风险值为:0.5*100+0.5*46=73(分)。
根据本发明一实施例,可以基于投诉风险,确定待评估业务的风险评价等级,可以基于待评估业务所包含的关键要素对应的要素投诉统计值,提供针对所述待评估业务的建议。
例如,上例中潜在投诉用户量为:69人;活动风险值为:0.5*100+0.5*46=73(分)。活动评价可以为差级,活动风险非常大,建议暂时不要上线,待优化后再上线。提出活动建议:请务必在活动的业务订购环节设置“二次确认”弹窗;用户话费返还时间请做好监控,避免返还延迟情况出现。
通过上述方案,全面考虑到“营销活动”、“目标客户”两个维度的风险情况,风险评估更为全面准确;所使用的“活动-关键要素-投诉-风险点”对应关系模型能够表示不同的营销活动,对变化的业务场景有准确的表示和刻画;使用的“基于活动关键要素评估方法”能够从业务本身,充分评估营销活动本身的风险,挖掘其设计上的优缺点;通过“基于活动关联关系”评估方法,能够刻画出客户本人的投诉习惯性;通过“基于客户关联关系”评估方法,能够刻画出客户之间投诉行为的影响情况。
本发明实施例的业务投诉风险预估方法可以由业务投诉风险预估装置来实现。图5示出了根据本发明一实施例的业务投诉风险预估装置的示意性结构框图。
该装置500可以包括:获取模块510、分析模块520、统计模块530、确定模块540以及预估模块550。
获取模块510可以获取与待评估业务同类的一个或多个业务的投诉记录。
分析模块520可以分析获取模块510获取的投诉记录,以确定其所涉及的风险点。
统计模块530可以统计分析模块520确定的风险点在各业务中的投诉量。
确定模块540可以基于业务所包含的关键要素与风险点的对应关系,确定关键要素在业务中的要素投诉统计值,其中,要素投诉统计值包括关键要素的平均风险权重值和用户投诉比例。
预估模块550可以结合要素投诉统计值,根据待评估业务所包含的关键要素及其历史相似活动和目标用户,评估待评估业务的投诉风险。
根据本发明一实施例,确定模块540可以包括:第一确定单元和第二确定单元。
第一确定单元可以获取关键要素在各业务中的投诉占比,确定关键要素的平均风险权重值。
第二确定单元可以分别获取在各业务中投诉所述关键要素的客户量和该业务的总客户量,确定用户投诉比例。
根据本发明一实施例,预估模块550可以包括第一预估单元,可以基于用户投诉比例,预估待评估业务的投诉量。
根据本发明一实施例,预估模块550还可以包括第三确定单元,基于关键要素的平均风险权重值及包含关键要素的业务量,确定关键要素的投诉风险权重值,以便预估待评估业务的第一投诉风险值。
根据本发明一实施例,该装置500还可以包括第二预估模块和第二确定模块。
第二预估模块可以基于待评估业务的目标客户,预估待评估业务的第二投诉风险值。
第二确定单元可以基于第一投诉风险值和第二投诉风险值及其预设的权重值,确定待评估业务的投诉风险值。
根据本发明一实施例,第二预估模块可以包括第三确定单元和第四确定单元。
第三确定单元可以基于一个或多个业务与待评估业务之间的相似度以及待评估业务的目标客户对一个或多个业务的投诉情况,确定目标客户对待评估业务的第一投诉倾向值。
第四确定单元可以基于一个或多个业务与待评估业务之间的相似度、与目标客户相似的投诉客户对一个或多个业务的投诉情况以及投诉客户与目标客户之间的相似度,确定目标客户对待评估业务的第二投诉倾向值。
根据本发明一实施例,第二预估模块还可以包括第一获取单元和第五确定单元。
第一获取单元可以分别获取目标客户和投诉客户的客户标签信息,客户标签信息包括流量敏感度、话费敏感度和投诉率中至少一个。
第五确定单元可以基于客户标签信息,确定投诉客户与目标客户之间的相似度。
根据本发明一实施例,第二预估模块还可以包括第六确定单元。
第六确定单元可以基于待预估业务和任意一个业务包含的关键要素的交集元素个数和并集元素个数,确定任意一个业务与待评估业务之间的相似度。
根据本发明一实施例,第二预估模块还可以包括计算单元。
计算单元可以计算多个目标客户中每一个目标客户的第一投诉倾向值和第二投诉倾向值中的最大值的平均值,作为第二投诉风险值。
根据本发明一实施例,该装置500还可以包括等级确定模块和建议提供模块。
等级确定模块可以基于投诉风险,确定待评估业务的风险评价等级。
建议提供模块可以基于待评估业务所包含的关键要素对应的要素投诉统计值,提供针对待评估业务的建议。
通过上述装置,通过在活动开展前评估活动风险大小、潜在投诉量等关键指标,为应对客户投诉做参考准备,通过投诉服务前置将被动应对投诉转化为主动预防管控,最终提升服务水平、提高服务质量。本技术不仅适用于营商营销活动的客户投诉应对、服务质量提升,也可以使用于其他实体商业渠道或者线上电商平台,具有较好的推广价值。
另外,结合图1描述的本发明实施例的业务投诉风险预估方法可以由计算设备来实现。图6示出了本发明实施例提供的计算设备的硬件结构示意图。
计算设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在数据处理装置的内部或外部。在特定实施例中,存储器602是非易失性固态存储器。在特定实施例中,存储器602包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现上述实施例中的任意一种方法。
在一个示例中,计算设备还可包括通信接口602和总线610。其中,如图6所示,处理器601、存储器602、通信接口602通过总线610连接并完成相互间的通信。
通信接口602,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者,将计算设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的业务投诉风险预估方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种业务投诉风险预估方法。
本发明提供的营销活动投诉风险评估预测方法包括数据采集、数据整理、数据建模、风险评估计算四部分组成。数据采集实现了营销活动投诉信息的获取;数据整理实现了对投诉关键词的提炼、投诉风险点的归纳;数据建模实现“活动-关键组成要素-投诉-风险点”之间的对应关系建立,并统计分析出关键要素的投诉量、投诉比率、风险权重值等信息;风险评估计算,根据营销活动的组成要素、面向的目标客户两个维度,在活动维度使用统计预估的方法,在用户维度使用“基于活动关联关系”、“基于目标客户关联关系”等大数据关联分析方法进行建模计算,综合评估活动风险值和潜在投诉量。
通过上述方法,通过投诉服务前置将被动应对投诉转化为主动预防管控,最终提升服务水平、提高服务质量。本发明的技术方案不仅适用于营商营销活动的客户投诉应对、服务质量提升,也可以使用于其他实体商业渠道或者线上电商平台,具有较好的推广价值。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种业务投诉风险预估方法,其特征在于,所述方法包括:
获取与待评估业务同类的一个或多个业务的投诉记录;
分析所述投诉记录,以确定其所涉及的风险点;
统计风险点在各业务中的投诉量;
基于所述业务所包含的关键要素与所述风险点的对应关系,确定所述关键要素在所述业务中的要素投诉统计值,其中,所述要素投诉统计值包括关键要素的平均风险权重值和用户投诉比例;以及
结合所述要素投诉统计值,根据待评估业务所包含的关键要素及其历史相似活动和目标用户,评估所述待评估业务的投诉风险。
2.根据权利要求1所述的方法,其特征在于,所述确定所述关键要素在所述业务中的要素投诉统计值的步骤包括:
获取所述关键要素在各业务中的投诉占比,确定所述关键要素的平均风险权重值;以及/或者
分别获取在各业务中投诉所述关键要素的客户量和该业务的总客户量,确定所述用户投诉比例。
3.根据权利要求2所述的方法,其特征在于,所述基于待评估业务所包含的关键要素及其对应的要素投诉统计值评估所述待评估业务的投诉风险的步骤包括:
基于所述用户投诉比例,预估所述待评估业务的投诉量。
4.根据权利要求2所述的方法,其特征在于,所述基于待评估业务所包含的关键要素及其对应的要素投诉统计值评估所述待评估业务的投诉风险的步骤包括:
基于所述关键要素的平均风险权重值及包含所述关键要素的业务量,确定所述关键要素的投诉风险权重值,以便预估所述待评估业务的第一投诉风险值。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于所述待评估业务的目标客户和所述待评估业务与其它业务之间的相似度,预估所述待评估业务的第二投诉风险值;以及
基于所述第一投诉风险值和所述第二投诉风险值及其预设的权重值,确定所述待评估业务的投诉风险值。
6.根据权利要求5所述的方法,其特征在于,所述预估所述待评估业务的第二投诉风险值的步骤包括:
基于所述一个或多个业务与待评估业务之间的相似度以及待评估业务的目标客户对所述一个或多个业务的投诉情况,确定所述目标客户对所述待评估业务的第一投诉倾向值;以及/或者
基于所述一个或多个业务与待评估业务之间的相似度、与所述目标客户相似的投诉客户对所述一个或多个业务的投诉情况以及所述投诉客户与所述目标客户之间的相似度,确定所述目标客户对所述待评估业务的第二投诉倾向值。
7.根据权利要求6所述的方法,其特征在于,所述预估所述待评估业务的第二投诉风险值的步骤还包括:
分别获取所述目标客户和投诉客户的客户标签信息,所述客户标签信息包括流量敏感度、话费敏感度和投诉率中至少一个;以及
基于所述客户标签信息和/或预设的社交圈影响因子,确定所述投诉客户与所述目标客户之间的相似度。
8.根据权利要求6所述的方法,其特征在于,所述预估所述待评估业务的第二投诉风险值的步骤还包括:
对于所述一个或多个业务中的一个业务,基于待预估业务和所述一个业务包含的关键要素的交集元素个数和并集元素个数,确定所述一个业务与所述待评估业务之间的相似度。
9.根据权利要求6所述的方法,其特征在于,所述方法还包括:
基于多个目标客户的所述第一投诉倾向值和/或所述第二投诉倾向值,预估所述待评估业务的第二投诉风险值。
10.根据权利要求9所述的方法,其特征在于,所述预估所述待评估业务的第二投诉风险值的步骤包括:
计算所述多个目标客户中每一个目标客户的所述第一投诉倾向值和所述第二投诉倾向值中的最大值的平均值,作为所述第二投诉风险值。
11.一种业务投诉风险预估装置,其特征在于,所述装置包括:
获取模块,用于获取与待评估业务同类的一个或多个业务的投诉记录;
分析模块,用于分析所述获取模块获取的投诉记录,以确定其所涉及的风险点;
统计模块,用于统计所述分析模块确定的风险点在各业务中的投诉量;
确定模块,用于基于所述业务所包含的关键要素与所述风险点的对应关系,确定所述关键要素在所述业务中的要素投诉统计值,其中,所述要素投诉统计值包括关键要素的平均风险权重值和用户投诉比例;以及
预估模块,结合所述要素投诉统计值,根待评估业务所包含的关键要素及其历史相似活动和目标用户,评估所述待评估业务的投诉风险。
12.一种计算设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-10任一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711494876.6A CN109993392A (zh) | 2017-12-31 | 2017-12-31 | 业务投诉风险预估方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711494876.6A CN109993392A (zh) | 2017-12-31 | 2017-12-31 | 业务投诉风险预估方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993392A true CN109993392A (zh) | 2019-07-09 |
Family
ID=67111609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711494876.6A Pending CN109993392A (zh) | 2017-12-31 | 2017-12-31 | 业务投诉风险预估方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993392A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047347A (zh) * | 2019-11-07 | 2020-04-21 | 中通服建设有限公司 | 用户价值评估方法、装置、计算机设备和存储介质 |
CN111126783A (zh) * | 2019-11-29 | 2020-05-08 | 广东电网有限责任公司 | 一种基于大数据的客户投诉风险评级方法及装置 |
CN111489095A (zh) * | 2020-04-15 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 一种风险用户管理方法、装置、计算机设备和存储介质 |
CN111639816A (zh) * | 2020-06-03 | 2020-09-08 | 国网重庆市电力公司电力科学研究院 | 一种供电服务网格优化方法、装置及可读存储介质 |
CN113077272A (zh) * | 2020-01-03 | 2021-07-06 | 中国移动通信集团广东有限公司 | 通信业务营销案优化方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625344A (zh) * | 2012-03-13 | 2012-08-01 | 重庆信科设计有限公司 | 移动终端用户体验质量评估模型及方法 |
CN105095588A (zh) * | 2015-08-05 | 2015-11-25 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
CN105989005A (zh) * | 2015-01-27 | 2016-10-05 | 中国移动通信集团公司 | 一种信息的推送方法及装置 |
CN106204162A (zh) * | 2016-07-26 | 2016-12-07 | 郑州郑大智能科技股份有限公司 | 一种互联网环境下新入网电力用户用电模式预测方法 |
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
-
2017
- 2017-12-31 CN CN201711494876.6A patent/CN109993392A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625344A (zh) * | 2012-03-13 | 2012-08-01 | 重庆信科设计有限公司 | 移动终端用户体验质量评估模型及方法 |
CN105989005A (zh) * | 2015-01-27 | 2016-10-05 | 中国移动通信集团公司 | 一种信息的推送方法及装置 |
CN105095588A (zh) * | 2015-08-05 | 2015-11-25 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
CN106204162A (zh) * | 2016-07-26 | 2016-12-07 | 郑州郑大智能科技股份有限公司 | 一种互联网环境下新入网电力用户用电模式预测方法 |
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047347A (zh) * | 2019-11-07 | 2020-04-21 | 中通服建设有限公司 | 用户价值评估方法、装置、计算机设备和存储介质 |
CN111126783A (zh) * | 2019-11-29 | 2020-05-08 | 广东电网有限责任公司 | 一种基于大数据的客户投诉风险评级方法及装置 |
CN113077272A (zh) * | 2020-01-03 | 2021-07-06 | 中国移动通信集团广东有限公司 | 通信业务营销案优化方法和装置 |
CN113077272B (zh) * | 2020-01-03 | 2023-07-21 | 中国移动通信集团广东有限公司 | 通信业务营销案优化方法和装置 |
CN111489095A (zh) * | 2020-04-15 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 一种风险用户管理方法、装置、计算机设备和存储介质 |
CN111489095B (zh) * | 2020-04-15 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 一种风险用户管理方法、装置、计算机设备和存储介质 |
CN111639816A (zh) * | 2020-06-03 | 2020-09-08 | 国网重庆市电力公司电力科学研究院 | 一种供电服务网格优化方法、装置及可读存储介质 |
CN111639816B (zh) * | 2020-06-03 | 2023-01-24 | 国网重庆市电力公司电力科学研究院 | 一种供电服务网格优化方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993392A (zh) | 业务投诉风险预估方法、装置、计算设备及存储介质 | |
CN107248082B (zh) | 养卡识别方法及装置 | |
CN109829776A (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
CN107657486A (zh) | 一种广告投放方法及装置 | |
WO2017133456A1 (zh) | 一种确定风险评估参数的方法及装置 | |
CN108014496A (zh) | 游戏记录分析方法 | |
CN110147803B (zh) | 用户流失预警处理方法与装置 | |
US20200272959A1 (en) | Tracking Movement of Resources in a Financial Transaction Network | |
CN105279674A (zh) | 移动广告投放设备作弊行为的判断方法和装置 | |
CN111078880B (zh) | 子应用的风险识别方法以及装置 | |
CN106611321B (zh) | 虚假手机号码的识别方法和装置 | |
CN111915156B (zh) | 基于用户价值的业务推送方法、电子设备及存储介质 | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
CN108011740A (zh) | 一种媒体流量数据处理方法和装置 | |
CN106651368A (zh) | 防刷单的支付方式的控制方法及控制系统 | |
KR101601880B1 (ko) | 개인의 지출내역을 이용한 카드 마케팅 방법 및 시스템 | |
WO2022127276A1 (zh) | 信息处理方法、装置、电子设备及存储介质、计算机程序 | |
CN114331592A (zh) | 识别恶意刷单行为的方法 | |
CN108416662B (zh) | 一种数据验证方法及装置 | |
CN113362095A (zh) | 一种信息投放的方法和装置 | |
CN111192045A (zh) | 基于交易记录信息的反作弊方法、装置和系统 | |
Maltseva et al. | Model of an optimal public-private partnership project in the telecommunications secto | |
CN112270587A (zh) | 一种数字信息销售系统及处理方法 | |
KR102021477B1 (ko) | 다매체 빅데이터 매칭 패턴 분석을 활용한 신용평가 기반의 선지급 예약 후상환 자동결제 서비스 제공 시스템 | |
CN110310146A (zh) | 确定网红商户的方法、装置、电子设备及存储介质 |
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: 20190709 |
|
RJ01 | Rejection of invention patent application after publication |