CN110659318B - 基于大数据的策略推送方法、系统及计算机设备 - Google Patents
基于大数据的策略推送方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN110659318B CN110659318B CN201910753728.4A CN201910753728A CN110659318B CN 110659318 B CN110659318 B CN 110659318B CN 201910753728 A CN201910753728 A CN 201910753728A CN 110659318 B CN110659318 B CN 110659318B
- Authority
- CN
- China
- Prior art keywords
- target
- client
- transaction
- information
- pushing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003066 decision tree Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 230000008451 emotion Effects 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于大数据的策略推送方法,包括:获取目标客户的目标数据集,所述目标数据集中包括多个目标保险特征项对应的多个目标保险特征;将所述多个目标保险特征输入到预配置的决策树模型,通过所述决策树得到所述目标客户对应的特征组合;将所述特征组合输入到预配置的客户分类模型中,通过所述客户分类模型得到所述目标客户对应的目标群体类别;根据所述目标群体类别对应的目标群体画像确定一个或多个交易策略,每个交易策略包括对应的话术模板和产品种类;及推送所述一个或多个交易策略至客户端。本发明实施例可以智能地推送交易策略,推送效率和推送数据的准确度均维持较高水准以及具有较好的适用性。
Description
技术领域
本发明实施例涉及计算机数据处理领域,尤其涉及一种基于大数据的策略推送方法、系统、计算机设备以及计算机可读存储介质。
背景技术
随着人们保险意识逐渐增强,商业保险已经成为当前社会保障体系的重要组成部分。商业保险主流销售模式包括置于用户咨询的被动销售模式和基于线上推送的主动销售模式。在现阶段,无论哪种销售模式均需要销售人员凭借一定的销售技巧,才能快速地与客户促成交易。
作为一种辅助方式,机器产品开始被引入到交易策略生成中,例如,预先指定规则或问题集,并基于该规则或问题集自动获取对应的交易策略。然而,现有的策略生成类产品均在于规则匹配,适用性较差,且策略生成效果不佳。
因此,有必要提供一种可以基于大数据及人工智能的交易策略推送方法,以提升推送效率和推送数据的准确度,以及提升产品适用性。
发明内容
有鉴于此,本发明实施例的目的是提供一种基于大数据的策略推送方法、系统、计算机设备及计算机可读存储介质,可以基于大数据及人工智能提升推送效率和推送数据的准确度,以及提升产品适用性。
为实现上述目的,本发明实施例提供了一种基于大数据的策略推送方法,包括以下步骤:
接收客户端对目标客户进行策略推送的请求信息;
根据所述请求信息,从客户数据库中获取目标客户的数据集并进行预处理,获取目标客户的目标数据集,所述目标数据集中包括多个目标保险特征项对应的多个目标保险特征;
将所述多个目标保险特征输入到预配置的决策树模型,通过所述决策树得到所述目标客户对应的特征组合;
将所述特征组合输入到预配置的客户分类模型中,通过所述客户分类模型得到所述目标客户对应的目标群体类别;
根据所述目标群体类别对应的目标群体画像确定一个或多个交易策略,每个交易策略包括对应的话术模板和产品种类;及
推送所述一个或多个交易策略至客户端。
优选地,还包括预先从多个保险特征项中筛选出所述多个目标特征项的步骤:
根据所述多个保险特征项从客户数据库中获取多个保险特征集合;
对每个保险特征项对应的保险特征集合进行分析,得到每个保险特征项的信息值;及
根据每个保险特征项的信息值,从所述多个保险特征项中筛选出多个目标保险特征项。
优选地,还包括:
对所述客户数据库中的所有客户进行聚类分析,以得到多个聚类中心,每个聚类中对应一个群体类别;
分析每个群体类别的产品购买数据;
根据每个群体类别的产品购买数据,得到每个群体类别的群体画像;
将每个群体类别与每个群体类别对应的群体画像建立映射表,并将所述映射表保存于数据库中。
优选地,所述目标群体画像关联有多个目标画像标签;根据所述目标群体类别对应的目标群体画像确定交易策略的步骤,包括:
将所述多个目标画像标签输入到推送策略选择模型中,通过所述推送策略选择模型输出与多个交易策略对应的多个匹配概率;
从所述多个交易策略中选择匹配概率大于预设阈值的所述一个或多个交易策略。
优选地,所述推送策略选择模型包括逻辑回归模型和深度神经网络模型;
通过所述推送策略选择模型输出与多个交易策略对应的多个匹配概率的步骤,包括:
通过逻辑回归模型输出的所述多个交易策略对应的多个第一匹配概率,通过神经网络模型输出的所述多个交易策略对应的多个第二匹配概率;
计算每个交易策略对应的第一匹配概率和第二匹配概率的平均值,以得到每个交易策略对应的匹配概率。
优选地,所述推送所述一个或多个交易策略至客户端的步骤,包括:
从所述一个或多个交易策略中选择第一目标交易策略,并将该第一目标交易策略推送至所述客户端,以提示客服人员基于该第一目标交易策略与所述目标客户进行产品推销;
监测所述第一目标产品数据被推送至所述客户端之后的目标客户的语音信息和微表情信息;
将所述目标客户的语音信息转换为目标客户的文本信息,并基于所述目标客户的文本信息分析所述目标客户的实时情感偏向,以及将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的实时情绪等级;
根据所述目标客户的所述实时情感偏向和所述实时情绪等级,评估所述第一目标交易策略是否适用于所述目标客户;
如果所述第一目标交易策略适用于所述目标客户,推送确认信息至所述客户端;
如果所述第一目标交易策略不适用于所述目标客户,则从所述一个或多个交易策略中选择第二交易策略,以提示客服人员基于所述第二目标交易策略与所述目标客户进行产品推销。
优选地,所述推送所述一个或多个交易策略至客户端的步骤,还包括:
监测所述第一目标产品数据被推送至所述客户端之后的客服人员的语音信息和目标客户的微表情信息;
将所述客服人员的语音信息转换为客服人员的文本信息,并基于时间节点将所述客服人员的文本信息和目标客户的微表情信息建立映射关系;
将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的情绪标签;
根据每个微表情信息对应的情绪标签,从所述客服人员的文本信息筛选出第一文本信息,所述第一文本信息为对所述目标客户具有正向情感的文本信息;
根据所述第一文本信息对所述目标客户构建目标用户画像;
基于所述目标用户画像重新选择交易策略,并将该重新选择的交易策略发送至所述客户端。
为实现上述目的,本发明实施例还提供了基于大数据的策略推送系统,包括:
接收模块,用于接收客户端对目标客户进行策略推送的请求信息;
获取模块,用于根据所述请求信息,从客户数据库中获取目标客户的数据集并进行预处理,获取目标客户的目标数据集,所述目标数据集中包括多个目标保险特征项对应的多个目标保险特征;
第一输入模块,用于将所述多个目标保险特征输入到预配置的决策树模型,通过所述决策树得到所述目标客户对应的特征组合;
第二输入模块,用于将所述特征组合输入到预配置的客户分类模型中,通过所述客户分类模型得到所述目标客户对应的目标群体类别;
确定模块,用于根据所述目标群体类别对应的目标群体画像确定一个或多个交易策略,每个交易策略包括对应的话术模板和产品种类;及
推送模块,用于推送所述一个或多个交易策略至客户端。
为实现上述目的,本发明实施例还提供了一种计算机设备,所述计算机设备存储器、处理器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,所述计算机程序被处理器执行时实现如上所述的基于大数据的策略推送方法的步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的基于大数据的策略推送方法的步骤。
本发明实施例提供的基于大数据的策略推送方法、系统、计算机设备、计算机可读存储介质,可知根据目标客户的客户数据分析所述目标客户,并根据分析结果确定交易策略,即智能地推送交易策略,推送效率和推送数据的准确度均维持较高水准,从而可以有效地引导客服人员面对不同的客户制定不同的交易策略和交易策略,提高用户体验及降低客服人员的负担,提高沟通效率。以及基于大数据和人工智能获取目标客户对应的目标群体画像,具有很好的适用性。
附图说明
图1为本发明基于大数据的策略推送方法实施例一的流程图。
图2为图1中步骤S108的流程图。
图3为图1中步骤S110的流程图。
图4为图1中步骤S110的另一流程图。
图5为本发明基于大数据的策略推送系统实施例二的程序模块示意图。
图6为本发明计算机设备实施例三的硬件结构示意图。
具体实施方式
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说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
以下实施例将以计算机设备2为执行主体进行示例性描述。
实施例一
参阅图1,示出了本发明实施例一之基于大数据的策略推送方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤S100,接收客户端对目标客户进行策略推送的请求信息。
步骤S102,根据所述请求信息,从客户数据库中获取目标客户的数据集并进行预处理,获取目标客户的目标数据集,所述目标数据集中包括多个目标保险特征项对应的多个目标保险特征。
从客户数据库中获取目标客户的数据集并进行预处理:将客户数据库中存储的目标客户数据进行数据提取、转换和加载(ETL)处理,并加载到计算机设备2中。具体的,可以目标客户的数据集进行过滤,去除掉不关注或者不需要的数据,并将处理后的数据进一步转换为所需要的存储格式,将转换后的数据按照一定的规则进行整合,并加载到计算机设备2中,作为后续分析处理、数据挖掘的基础。例如:可以对客户数据库中存储的大量客户的上网记录,按照目标客户的客户ID进行抽取,以将所述目标客户的上网记录进行数据整合和汇总,并将汇总后的数据加载到计算机设备2中。
保险特征项,可以分为以下数据维度:客户身份信息、信用信息、资金流向信息、互联网信息。每个数据维度下可以包括多个特征项,如客户身份信息可以包括:性别、职业、年龄、教育程度等;信用信息可以包括:贷款、贷款逾期记录等;所述资金流向信息可以包括资金月流入记录、资金月流出记录等;所述互联网信息包括购买行为信息等。
进一步的,保险特征项的数量非常多时,有必要剔除掉一些无效的特征项,以筛选得到有效的特征项。经过这些筛选操作之后,计算机的工作效率会有一定的提高。因此,在步骤S102之前,还包括以下步骤:预先从多个特征项中筛选出所述多个目标特征项,具体如下:根据所述多个保险特征项从客户数据库中获取多个保险特征集合;对每个保险特征项对应的保险特征集合进行分析,得到每个保险特征项的信息值;及根据每个保险特征项的信息值,从所述多个保险特征项中筛选出多个目标保险特征项。
假设有N个保险特征项,每个保险特征项对应一列特征数据,通过下列公式可以得到各个保险特征项的信息值IV:
IVi=(Pyi-Pzi)*WOEi
WoEi表示保险特征项i取值对客户分类结果的影响系数,Pyi表示保险特征项i在各个取值区间的第M类客户类型数量与全部区间的第M类客户类型数量之比;Pzi表示预设保险特征项i在各个取值区间的非第M类客户类型数量与全部区间的非第M类客户类型数量之比。1<M≤客户类别。
每个保险特征项的信息值IV为保险特征项i对应各个客户类别的IVi的均值。不难理解,信息值IV越大,代表该保险特征项对于客户分类越有信息价值,因此可作为目标保险特征项。
步骤S104,将所述多个目标保险特征输入到预配置的决策树模型,通过所述决策树得到所述目标客户对应的特征组合。
决策树模型可以为GBDT(Gradient Boosting Decision Tree,梯度提升决策树)模型,其基于一种迭代的决策树算法,该决策树算法由多棵决策树组成,具体结构为:每一颗树拟合前K棵树的残差,及每一棵树都依赖前一棵树的结果,因此,决策树之间需要保证一定的顺序。
具体地,GBDT模型中的每棵决策树包括根节点、中间节点和叶子节点。根节点和每个中间节点都有对应一个保险特征项(如年龄)和保险特征值(如年龄30岁),如果某个目标客户的年龄大于30岁,则将该目标客户分配到该节点的右子节点,否则分到左子节点,下层节点同理,直至该样本落到某叶子节点。根据该样本落在各个决策树上的叶子节点,得到该样本对应的特征组合。
步骤S106,将所述特征组合输入到预配置的客户分类模型中,通过所述客户分类模型得到所述目标客户对应的目标群体类别。
所示客户分类模型可以是逻辑回归模型等。
在示例性的实施例中,还包括:预先获取每个群体类别对应的群体画像的步骤。具体如下:(1)对所述客户数据库中的所有客户进行聚类分析,以得到多个聚类中心,每个聚类中对应一个群体类别;(2)分析每个群体类别的产品购买数据;(3)根据每个群体类别的产品购买数据,得到每个群体类别的群体画像;(4)将每个群体类别与每个群体类别对应的群体画像建立映射表,并将所述映射表保存于数据库中。
步骤S108,根据所述目标群体类别对应的目标群体画像确定一个或多个交易策略,每个交易策略包括对应的话术模板和产品种类。
每个交易策略对应一个或多个销售话术模板,销售话术模板为预先总结的针对各类不同客户所需采用的不同话术模板,例如:重点强调保值的话术模板、重点强调性价比的话术模板、重点强调服务质量的话术模板等各类模板。
所述目标群体画像关联有多个目标画像标签。如图2所示,步骤S106进一步包括:
步骤S108A,将所述多个目标画像标签输入到推送策略选择模型中,通过所述推送策略选择模型输出与多个交易策略对应的多个匹配概率;
步骤S108B,从所述多个交易策略中选择匹配概率大于预设阈值的所述一个或多个交易策略。
所述推送策略选择模型包括逻辑回归模型和深度神经网络模型,进一步的,步骤S108A进一步包括:通过逻辑回归模型输出的所述多个交易策略对应的多个第一匹配概率,通过神经网络模型输出的所述多个交易策略对应的多个第二匹配概率;计算每个交易策略对应的第一匹配概率和第二匹配概率的平均值,以得到每个交易策略对应的匹配概率。
步骤S110,推送所述一个或多个交易策略至客户端。
具体的,可以以列表形式推送到销售人员的客户端,由销售根据对目标客户的大概印象选择其中的一种交易策略,并将被选择的交易策略显示在所述客户端的视图界面上。
在示例性的实施例中,如图3所示,所述步骤S110进一步包括步骤S110A1~S110A6:
步骤S110A1,从所述一个或多个交易策略中选择第一目标交易策略,并将该第一目标交易策略推送至所述客户端,以提示客服人员基于该第一目标交易策略与所述目标客户进行产品推销;
步骤S110A2,监测所述第一目标产品数据被推送至所述客户端之后的目标客户的语音信息和微表情信息;
步骤S110A3,将所述目标客户的语音信息转换为目标客户的文本信息,并基于所述目标客户的文本信息分析所述目标客户的实时情感偏向,以及将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的实时情绪等级;
步骤S110A4,根据所述目标客户的所述实时情感偏向和所述实时情绪等级,评估所述第一目标交易策略是否适用于所述目标客户;
步骤S110A5,如果所述第一目标交易策略适用于所述目标客户,推送确认信息至所述客户端;
步骤S110A6,如果所述第一目标交易策略不适用于所述目标客户,则从所述一个或多个交易策略中选择第二交易策略,以提示客服人员基于所述第二目标交易策略与所述目标客户进行产品推销。
在示例性的实施例中,如图4所示,所述步骤S110进一步包括步骤S110B1~S110B6:
步骤S110B1,从所述一个或多个交易策略中选择第一目标交易策略,并将该第一目标交易策略推送至所述客户端,以提示客服人员基于该第一目标交易策略与所述目标客户进行产品推销;
步骤S110B2,监测所述第一目标产品数据被推送至所述客户端之后的客服人员的语音信息和目标客户的微表情信息;
步骤S110B3,将所述客服人员的语音信息转换为客服人员的文本信息,并基于时间节点将所述客服人员的文本信息和目标客户的微表情信息建立映射关系;
步骤S110B4,将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的情绪标签;
步骤S110B5,根据每个微表情信息对应的情绪标签,从所述客服人员的文本信息筛选出第一文本信息,所述第一文本信息为对所述目标客户具有正向情感的文本信息;
步骤S110B6,根据所述第一文本信息对所述目标客户构建目标用户画像;
步骤S110B7,基于所述目标用户画像重新选择交易策略,并将该重新选择的交易策略发送至所述客户端。
实施例二
请继续参阅图5,示出了本发明基于大数据的策略推送系统实施例二的程序模块示意图。在本实施例中,基于大数据的策略推送系统20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述基于大数据的策略推送方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述基于大数据的策略推送系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
接收模块200,用于接收客户端对目标客户进行策略推送的请求信息。
获取模块202,用于根据所述请求信息,从客户数据库中获取目标客户的数据集并进行预处理,获取目标客户的目标数据集,所述目标数据集中包括多个目标保险特征项对应的多个目标保险特征。
第一输入模块204,用于将所述多个目标保险特征输入到预配置的决策树模型,通过所述决策树得到所述目标客户对应的特征组合。
第二输入模块206,用于将所述特征组合输入到预配置的客户分类模型中,通过所述客户分类模型得到所述目标客户对应的目标群体类别。
确定模块208,用于根据所述目标群体类别对应的目标群体画像确定一个或多个交易策略,每个交易策略包括对应的话术模板和产品种类。
在示例性的实施例中,所述目标群体画像关联有多个目标画像标签。所述确定模块208,还用于:将所述多个目标画像标签输入到推送策略选择模型中,通过所述推送策略选择模型输出与多个交易策略对应的多个匹配概率;从所述多个交易策略中选择匹配概率大于预设阈值的所述一个或多个交易策略。
进一步的,所述推送策略选择模型包括逻辑回归模型和深度神经网络模型;
通过所述推送策略选择模型输出与多个交易策略对应的多个匹配概率,包括:通过逻辑回归模型输出的所述多个交易策略对应的多个第一匹配概率,通过神经网络模型输出的所述多个交易策略对应的多个第二匹配概率;计算每个交易策略对应的第一匹配概率和第二匹配概率的平均值,以得到每个交易策略对应的匹配概率。
推送模块210,用于推送所述一个或多个交易策略至客户端。
在示例性的实施例中,所述推送模块210,还用于:从所述一个或多个交易策略中选择第一目标交易策略,并将该第一目标交易策略推送至所述客户端,以提示客服人员基于该第一目标交易策略与所述目标客户进行产品推销;监测所述第一目标产品数据被推送至所述客户端之后的目标客户的语音信息和微表情信息;将所述目标客户的语音信息转换为目标客户的文本信息,并基于所述目标客户的文本信息分析所述目标客户的实时情感偏向,以及将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的实时情绪等级;根据所述目标客户的所述实时情感偏向和所述实时情绪等级,评估所述第一目标交易策略是否适用于所述目标客户;如果所述第一目标交易策略适用于所述目标客户,推送确认信息至所述客户端;如果所述第一目标交易策略不适用于所述目标客户,则从所述一个或多个交易策略中选择第二交易策略,以提示客服人员基于所述第二目标交易策略与所述目标客户进行产品推销。
在示例性的实施例中,所述推送模块210,还用于:从所述一个或多个交易策略中选择第一目标交易策略,并将该第一目标交易策略推送至所述客户端,以提示客服人员基于该第一目标交易策略与所述目标客户进行产品推销;监测所述第一目标产品数据被推送至所述客户端之后的客服人员的语音信息和目标客户的微表情信息;将所述客服人员的语音信息转换为客服人员的文本信息,并基于时间节点将所述客服人员的文本信息和目标客户的微表情信息建立映射关系;将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的情绪标签;根据每个微表情信息对应的情绪标签,从所述客服人员的文本信息筛选出第一文本信息,所述第一文本信息为对所述目标客户具有正向情感的文本信息;根据所述第一文本信息对所述目标客户构建目标用户画像;基于所述目标用户画像重新选择交易策略,并将该重新选择的交易策略发送至所述客户端。
在示例性的实施例中,所述策略推送系统20还包括特征项获取模块,用于:根据所述多个保险特征项从客户数据库中获取多个保险特征集合;对每个保险特征项对应的保险特征集合进行分析,得到每个保险特征项的信息值;及根据每个保险特征项的信息值,从所述多个保险特征项中筛选出多个目标保险特征项。
在示例性的实施例中,所述策略推送系统20还包括群体画像模块,用于:对所述客户数据库中的所有客户进行聚类分析,以得到多个聚类中心,每个聚类中对应一个群体类别;分析每个群体类别的产品购买数据;根据每个群体类别的产品购买数据,得到每个群体类别的群体画像;将每个群体类别与每个群体类别对应的群体画像建立映射表,并将所述映射表保存于数据库中。
实施例三
参阅图6,是本发明实施例三之计算机设备的硬件架构示意图。本实施例中,所述计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。该计算机设备2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(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图所示,所述计算机设备2至少包括,但不限于,可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及基于大数据的策略推送系统20。其中:
本实施例中,存储器21至少包括一种类型的计算机可读存储介质,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)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备2的外部存储设备,例如该计算机设备20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。当然,存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件,例如实施例五的基于大数据的策略推送系统20的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行基于大数据的策略推送系统20,以实现实施例一的基于大数据的策略推送方法。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图6仅示出了具有部件20-23的计算机设备2,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器21中的所述基于大数据的策略推送系统20还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。
例如,图5示出了所述实现基于大数据的策略推送系统20实施例二的程序模块示意图,该实施例中,所述基于大数据的策略推送系统20可以被划分为接收模块200,获取模块20,2、第一输入模块204、第二输入模块206、确定模块208和推送模块210。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述基于大数据的策略推送系统20在所述计算机设备2中的执行过程。所述程序模块200-210的具体功能在实施例二中已有详细描述,在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于大数据的策略推送系统20,被处理器执行时实现实施例一的基于大数据的策略推送方法。
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。
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。
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 (8)
1.一种基于大数据的策略推送方法,其特征在于,包括以下步骤:
接收客户端对目标客户进行策略推送的请求信息;
根据所述请求信息,从客户数据库中获取目标客户的数据集并进行预处理,获取目标客户的目标数据集,所述目标数据集中包括多个目标保险特征项对应的多个目标保险特征;
将所述多个目标保险特征输入到预配置的决策树模型,通过所述决策树得到所述目标客户对应的特征组合;
将所述特征组合输入到预配置的客户分类模型中,通过所述客户分类模型得到所述目标客户对应的目标群体类别;
根据所述目标群体类别对应的目标群体画像确定一个或多个交易策略,每个交易策略包括对应的话术模板和产品种类;及
推送所述一个或多个交易策略至客户端;
其中,推送所述一个或多个交易策略至客户端包括:从所述一个或多个交易策略中选择第一目标交易策略,并将该第一目标交易策略推送至所述客户端,以提示客服人员基于该第一目标交易策略与所述目标客户进行产品推销;监测所述第一目标产品数据被推送至所述客户端之后的目标客户的语音信息和微表情信息;将所述目标客户的语音信息转换为目标客户的文本信息,并基于所述目标客户的文本信息分析所述目标客户的实时情感偏向,以及将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的实时情绪等级;根据所述目标客户的所述实时情感偏向和所述实时情绪等级,评估所述第一目标交易策略是否适用于所述目标客户;如果所述第一目标交易策略适用于所述目标客户,推送确认信息至所述客户端;如果所述第一目标交易策略不适用于所述目标客户,则从所述一个或多个交易策略中选择第二交易策略,以提示客服人员基于所述第二交易策略与所述目标客户进行产品推销;
其中,推送所述一个或多个交易策略至客户端还包括:监测所述第一目标产品数据被推送至所述客户端之后的客服人员的语音信息和目标客户的微表情信息;将所述客服人员的语音信息转换为客服人员的文本信息,并基于时间节点将所述客服人员的文本信息和目标客户的微表情信息建立映射关系;将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的情绪标签;根据每个微表情信息对应的情绪标签,从所述客服人员的文本信息筛选出第一文本信息,所述第一文本信息为对所述目标客户具有正向情感的文本信息;根据所述第一文本信息对所述目标客户构建目标用户画像;基于所述目标用户画像重新选择交易策略,并将该重新选择的交易策略发送至所述客户端。
2.如权利要求1所述的策略推送方法,其特征在于,还包括预先从多个保险特征项中筛选出所述多个目标特征项的步骤:
根据所述多个保险特征项从客户数据库中获取多个保险特征集合;
对每个保险特征项对应的保险特征集合进行分析,得到每个保险特征项的信息值;及
根据每个保险特征项的信息值,从所述多个保险特征项中筛选出多个目标保险特征项。
3.如权利要求2所述的策略推送方法,其特征在于,还包括:
对所述客户数据库中的所有客户进行聚类分析,以得到多个聚类中心,每个聚类中对应一个群体类别;
分析每个群体类别的产品购买数据;
根据每个群体类别的产品购买数据,得到每个群体类别的群体画像;
将每个群体类别与每个群体类别对应的群体画像建立映射表,并将所述映射表保存于数据库中。
4.如权利要求3所述的策略推送方法,其特征在于,所述目标群体画像关联有多个目标画像标签;根据所述目标群体类别对应的目标群体画像确定交易策略的步骤,包括:
将所述多个目标画像标签输入到推送策略选择模型中,通过所述推送策略选择模型输出与多个交易策略对应的多个匹配概率;
从所述多个交易策略中选择匹配概率大于预设阈值的所述一个或多个交易策略。
5.如权利要求4所述的策略推送方法,其特征在于,所述推送策略选择模型包括逻辑回归模型和深度神经网络模型;
通过所述推送策略选择模型输出与多个交易策略对应的多个匹配概率的步骤,包括:
通过逻辑回归模型输出的所述多个交易策略对应的多个第一匹配概率,通过神经网络模型输出的所述多个交易策略对应的多个第二匹配概率;
计算每个交易策略对应的第一匹配概率和第二匹配概率的平均值,以得到每个交易策略对应的匹配概率。
6.一种基于大数据的策略推送系统,其特征在于,包括:
接收模块,用于接收客户端对目标客户进行策略推送的请求信息;
获取模块,用于根据所述请求信息,从客户数据库中获取目标客户的数据集并进行预处理,获取目标客户的目标数据集,所述目标数据集中包括多个目标保险特征项对应的多个目标保险特征;
第一输入模块,用于将所述多个目标保险特征输入到预配置的决策树模型,通过所述决策树得到所述目标客户对应的特征组合;
第二输入模块,用于将所述特征组合输入到预配置的客户分类模型中,通过所述客户分类模型得到所述目标客户对应的目标群体类别;
确定模块,用于根据所述目标群体类别对应的目标群体画像确定一个或多个交易策略,每个交易策略包括对应的话术模板和产品种类;及
推送模块,用于推送所述一个或多个交易策略至客户端;
其中,所述推送模块还用于:从所述一个或多个交易策略中选择第一目标交易策略,并将该第一目标交易策略推送至所述客户端,以提示客服人员基于该第一目标交易策略与所述目标客户进行产品推销;监测所述第一目标产品数据被推送至所述客户端之后的目标客户的语音信息和微表情信息;将所述目标客户的语音信息转换为目标客户的文本信息,并基于所述目标客户的文本信息分析所述目标客户的实时情感偏向,以及将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的实时情绪等级;根据所述目标客户的所述实时情感偏向和所述实时情绪等级,评估所述第一目标交易策略是否适用于所述目标客户;如果所述第一目标交易策略适用于所述目标客户,推送确认信息至所述客户端;如果所述第一目标交易策略不适用于所述目标客户,则从所述一个或多个交易策略中选择第二交易策略,以提示客服人员基于所述第二交易策略与所述目标客户进行产品推销;
其中,所述推送模块还用于:监测所述第一目标产品数据被推送至所述客户端之后的客服人员的语音信息和目标客户的微表情信息;将所述客服人员的语音信息转换为客服人员的文本信息,并基于时间节点将所述客服人员的文本信息和目标客户的微表情信息建立映射关系;将所述微表情信息输入到微表情识别模型中,通过所述微表情识别模型输出所述目标客户的情绪标签;根据每个微表情信息对应的情绪标签,从所述客服人员的文本信息筛选出第一文本信息,所述第一文本信息为对所述目标客户具有正向情感的文本信息;根据所述第一文本信息对所述目标客户构建目标用户画像;基于所述目标用户画像重新选择交易策略,并将该重新选择的交易策略发送至所述客户端。
7.一种计算机设备,所述计算机设备存储器、处理器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,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于大数据的策略推送方法的步骤。
8.一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内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1至5中任一项所述的基于大数据的策略推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753728.4A CN110659318B (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的策略推送方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753728.4A CN110659318B (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的策略推送方法、系统及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659318A CN110659318A (zh) | 2020-01-07 |
CN110659318B true CN110659318B (zh) | 2024-05-03 |
Family
ID=69037581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910753728.4A Active CN110659318B (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的策略推送方法、系统及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659318B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055212B (zh) * | 2019-12-27 | 2022-11-15 | Oppo广东移动通信有限公司 | 策略的推送方法、策略的执行方法、装置、设备及介质 |
CN111291816B (zh) * | 2020-02-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 针对用户分类模型进行特征处理的方法及装置 |
CN112184303A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 基于聚类算法的目标信息推送方法、装置及存储介质 |
CN112488764B (zh) * | 2020-11-30 | 2023-09-05 | 深圳市飞泉云数据服务有限公司 | 营销策略匹配方法、系统及计算机可读存储介质 |
CN112561479B (zh) * | 2020-12-16 | 2023-09-19 | 中国平安人寿保险股份有限公司 | 基于智能决策的企业增员的方法、装置及计算机设备 |
CN112767177A (zh) * | 2020-12-30 | 2021-05-07 | 中国人寿保险股份有限公司上海数据中心 | 基于随机森林进行客户等级划分的保险客户信息管理系统 |
CN113190682B (zh) * | 2021-06-30 | 2021-09-28 | 平安科技(深圳)有限公司 | 基于树模型的事件影响度获取方法、装置及计算机设备 |
CN113822490B (zh) * | 2021-09-29 | 2024-05-14 | 平安银行股份有限公司 | 基于人工智能的资产清收方法及装置、电子设备 |
CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169192A1 (zh) * | 2015-04-24 | 2016-10-27 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
WO2018188576A1 (zh) * | 2017-04-13 | 2018-10-18 | 腾讯科技(深圳)有限公司 | 资源推送方法及装置 |
CN109300050A (zh) * | 2018-08-31 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于用户画像的保险推送方法、装置及存储介质 |
CN109544284A (zh) * | 2018-11-08 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于大数据的产品数据推送方法、系统及计算机设备 |
CN109859052A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 一种投资策略的智能推荐方法、装置、存储介质和服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083920A1 (en) * | 2015-09-21 | 2017-03-23 | Fair Isaac Corporation | Hybrid method of decision tree and clustering technology |
-
2019
- 2019-08-15 CN CN201910753728.4A patent/CN110659318B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169192A1 (zh) * | 2015-04-24 | 2016-10-27 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
WO2018188576A1 (zh) * | 2017-04-13 | 2018-10-18 | 腾讯科技(深圳)有限公司 | 资源推送方法及装置 |
CN109300050A (zh) * | 2018-08-31 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于用户画像的保险推送方法、装置及存储介质 |
CN109544284A (zh) * | 2018-11-08 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于大数据的产品数据推送方法、系统及计算机设备 |
CN109859052A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 一种投资策略的智能推荐方法、装置、存储介质和服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN110659318A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659318B (zh) | 基于大数据的策略推送方法、系统及计算机设备 | |
US20210019657A1 (en) | Fraud detection and risk assessment method, system, device, and storage medium | |
CN110503565B (zh) | 行为风险识别方法、系统、设备及可读存储介质 | |
CN110738545A (zh) | 基于用户意向识别的产品推荐方法、装置、计算机设备和存储介质 | |
CN107864301B (zh) | 客户标签管理方法、系统、计算机设备及存储介质 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN111325466A (zh) | 智能预警方法与系统 | |
CN110349039B (zh) | 投诉风险评估方法、系统、计算机设备及可读存储介质 | |
WO2019062081A1 (zh) | 业务员画像形成方法、电子装置及计算机可读存储介质 | |
CN110503564B (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN111178940B (zh) | 一种自动生成销售话术图谱的方法和系统 | |
CN110060750B (zh) | 医疗数据推送方法、系统、计算机设备及可读存储介质 | |
CN110322093B (zh) | 信息处理方法、信息显示方法、装置及计算设备 | |
CN111178005B (zh) | 数据处理系统、方法及存储介质 | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN110503507B (zh) | 基于大数据的保险产品数据推送方法、系统及计算机设备 | |
WO2019192101A1 (zh) | 客户保障分析方法、电子装置及计算机可读存储介质 | |
CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
CN111222923B (zh) | 一种判断潜在客户的方法及装置、电子设备和存储介质 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
CN111507850A (zh) | 核保方法及相关装置、设备 | |
CN113743129B (zh) | 基于神经网络的信息推送方法、系统、设备及介质 | |
CN113239126A (zh) | 一种基于bor方法的业务活动信息标准化方案 | |
CN113762894A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |