CN110706122A - 基于大数据分析提升社保代理效率方法、设备及可读介质 - Google Patents
基于大数据分析提升社保代理效率方法、设备及可读介质 Download PDFInfo
- Publication number
- CN110706122A CN110706122A CN201910986619.7A CN201910986619A CN110706122A CN 110706122 A CN110706122 A CN 110706122A CN 201910986619 A CN201910986619 A CN 201910986619A CN 110706122 A CN110706122 A CN 110706122A
- Authority
- CN
- China
- Prior art keywords
- user
- participation
- social security
- label
- scheme
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 238000012790 confirmation Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于大数据分析提升社保代理效率方法、设备及可读介质，基于大数据分析提升社保代理效率方法具体如下：对注册授权的用户进行用户画像，建立用户模型；根据用户画像检测用户是否符合参保条件；若用户符合参保条件，则进行参保方案推荐；若用户不符合参保条件，则提示用户原因并结束；用户选定参保方案并下单后，根据用户满意度选定或修改参保方案；用户根据选定或修改的参保方案确认参保方案后下单付款；业务人员对接社保平台对用户确认的参保方案进行审核确认；参保方案审核确认后进行业务快速申报；并将申报状态实时反馈给用户。本发明提供的基于大数据分析提升社保代理效率方法，简化了社保代办流程，提升了社保代办服务效率。
Description
技术领域
本发明涉及社保代理领域，特别涉及基于大数据分析提升社保代理效率方法、设备及可读介质。
背景技术
当前人力资源服务行业需求量大，业务办理流程长，政策规定复杂，单位时间内劳动产出率较低，整体上还属于劳动密集型行业。所以经办人员的业务能力直接影响到一家人力资源服务企业的服务效率。
以社保挂靠代办为例，传统服务方式为：参保人提供身份及户籍信息->交给代办机构确认信息->代办机构向经办机构确认用户是否可以参保(多个申报平台统一都需要独立确认)->根据确认情况告知用户是否可以办理服务->登录多个申报平台为用户办理相关服务->告知和反馈办理情况给用户。整个审核校验以及经办流程非常复杂，且存在如下几方面的问题：
1、服务效率低：信息核对，信息确认，参保资质认定，参保操作，服务反馈，整个服务流程都需要人工参与，耗费大量人力资源；由于操作复杂，一个经办人员单位时间内可服务的用户量也十分有限。
2、培训成本高，规模化速度慢：由于人力资源服务行业提供的服务同政府政策有非常紧密的联系，经办人员培训周期长，业务规模化速度较慢。
3、服务结果不可控：用户选择代理代办后，需要人员前往不同的保险申报平台申报，规则不一，以至于用户可能出现部分保险无法正常申报的问题，还会出现强制补缴，补费后，电话联系用户补缴费用的情况，体验差。
以人力资源服务企业经办人员的角度，描述该流程，如图1所示，经办人员收集用户相关信息，大概5分钟以内时间；用户沟通缴交方案并可能多次使用社保申报平台，确认各险种参保方案的可行性，每次大概花费30分钟-1小时。签订代办合同还可能需要用户来司签订合同，大概花费10-30分钟。在社保申报平台进行申报，大概花费10分钟。整个流程下来，不仅可能要多次与用户进行沟通，而且一个经办人员，同时只能服务一位用户，单人次可能耗时达数小时，造成效率低下的问题。
发明内容
为解决上述背景技术中提到的问题，本发明提供基于大数据分析提升社保代理效率方法、设备及可读介质，其中，基于大数据分析提升社保代理效率方法，所述方法具体如下：
S10、对注册授权的用户进行用户画像，建立用户模型；
S20、根据用户画像检测用户是否符合参保条件；
S30、若用户符合参保条件，则进行参保方案推荐；若用户不符合参保条件，则提示用户原因并结束；
S40、用户选定参保方案并下单后，根据用户满意度选定或修改参保方案；
S50、用户根据选定或修改的参保方案确认参保方案后下单付款；
S60、业务人员对接社保平台对用户确认的参保方案进行审核确认；
S70、参保方案审核确认后进行业务快速申报；并将申报状态实时反馈给用户。
进一步地，所述步骤S10中的用户画像方法如下：
根据用户的属性、需求、产品偏好以及价值等因素对用户进行分类，提供相应的产品方案、服务模式，并选取和整理社保相关的标签，形成画像标签体系；
利用TF-IDF算法对画像标签体系数据进行文本挖掘，计算每个用户每个标签的权重值；
使用神经网络建立模型，以画像标签体系中的标签作为输入层，以不同参保方案作为输出层，构建全连接神经网络，对用户进行聚类；并使用余弦相似度计算两个用户间的相似度，对用户再次聚类；
用户聚类后，使用GBDT和LR模型挖掘画像标签中的有效的特征、特征组合，计算出不同参保方案的概率，为用户推荐不同的参保方案。
进一步地，所述标签的权重值＝时间衰减×用户行为次数×TF-IDF计算标签权重；其中：
时间衰减的公式为
t为事件发生时间距离当前时间的大小；
用户行为次数为用户某天与该标签产生的行为次数；
TF-IDF计算标签权重为每个标签对用户的重要性及该标签在全体标签中重要性的乘积得出的每个标签的客观权重值。
进一步地，所述画像标签体系至少包括用户标签、产品标签；
所述用户标签至少包括用于基本特征、用户社会特征、用户消费特征、用户社保特征；
产品标签至少包括产品基本特征、目标用户。
本发明另外提供的基于大数据分析提升社保代理效率方法的数据访问设备，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码以执行如上任意所述的方法。
本发明还提供计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时以执行如上任意所述的方法。
本发明提供的基于大数据分析提升社保代理效率方法，通过用户个人授权的数据，使用数据分析算法，对用户进行建模，对用户的基本信息，社保参保信息，申报资质等进行分地市的进行分析，可以精准研判为用户提供何种参保服务，并针对定制化的用户服务，进行全自动的申报服务。极大的简化社保代办的流程，提高服务效率。本发明提供的基于大数据分析提升社保代理效率方法，在提升服务效率和社保挂靠服务的劳动生产率的同时，优化了用户参保流程、提升了用户参保体验，为进一步探索精细化精准化个人服务提供了决策依据。
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做简单地介绍，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为现有的社保代理流程图；
图2为本发明提供的基于大数据分析提升社保代理效率方法的流程；
图3为用户画像框图；
图4为采用了本发明的基于大数据分析提升社保代理效率方法的流程的平台的服务蓝图。
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、完整地描述，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作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。
本发明实施例提供基于大数据分析提升社保代理效率方法、设备及可读介质，其中，基于大数据分析提升社保代理效率方法，所述方法具体如下：
S10、对注册授权的用户进行用户画像，建立用户模型；
S20、根据用户画像检测用户是否符合参保条件；
S30、若用户符合参保条件，则进行参保方案推荐；若用户不符合参保条件，则提示用户原因并结束；
S40、用户选定参保方案并下单后，根据用户满意度选定或修改参保方案；
S50、用户根据选定或修改的参保方案确认参保方案后下单付款；
S60、业务人员对接社保平台对用户确认的参保方案进行审核确认；
S70、参保方案审核确认后进行业务快速申报；并将申报状态实时反馈给用户。
业务人员对接社保平台对用户确认的参保方案进行审核确认；
参保方案审核确认后进行业务快速申报；并将申报状态实时反馈给用户。
具体地，如图2-4所示，用户进入应用使用服务时需进行个人信息授权，授权使用其身份信息，并通过人设大数据进行分析挖掘，从用户基本信息，用户社保相关状态，对用户进行建模；使用TF-IDF对原始数据进行文本挖掘、使用神经网络建立模型，对用户进行聚类、使用余弦相似度进行用户间相似度计算、使用GBDT+LR算法，推荐用户不同的参保方案。建立好的用户模型为产品的营销和定制化服务策略提供指导。
其中，所述步骤S10中的用户画像及用户建模方法如下：
1、根据用户的属性、需求、产品偏好以及价值等因素对用户进行分类，提供有针对性的产品方案、服务模式。将本平台数据和社保大数据统计数据中对模型有用的标签进行整理，形成画像标签体系。包括用户标签、产品标签两大类。其中：
A、用户标签
基本特征：性别、年龄段、农民工标识、困难人员、户籍所在地、学历、个人身份等；
社会特征：儿女数、老人数、户口性质、户属性、当前就业状态、工作地、工龄等；
消费特征：支付类别、费用类别等；
社保特征：险种类型、缴费年限、断保时长、个账余额等。
B、产品标签
基本特征：产品类别、产品规格等；
目标用户：年龄段、目标地区、目标人群、特殊人群、户口性质、参保身份等。
用户画像整体框架如下图3所示，
2、从数据仓库中抽取用户的事实标签后，利用TF-IDF算法对原始数据进行文本挖掘，计算每个用户每个标签的权重值。用户标签权重＝时间衰减×用户行为次数×TF-IDF计算标签权重。其中：
时间衰减：用户某些行为受时间影响不断减弱，行为时间距现在越远，该行为对用户当前来说的意义越小。公式
t为事件发生时间距离当前时间的大小；
用户行为次数：用户标签权重按天统计，用户某天与该标签产生的行为次数越多，该标签对用户的影响越大；例，某天某人消费2次，则计数2；
TF-IDF(词频×逆向文件频率)模型计算标签权重：每个标签对用户的重要性及该标签在全体标签中重要性的乘积得出每个标签的客观权重值。词频指的是某一个给定的词语在该文件中出现的频率。即词w在文档d中出现的次数count(w,d)和文档d中总词数size(d)的比值。逆向文件频率指的是，某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到。即文档总数n与词w所出现文件数docs(w,D)比值的对数。
3、使用神经网络建立模型，以用户标签作为输入层，以不同参保方案作为输出层，隐藏层为2层，构建全连接神经网络，对用户进行聚类。
4、使用余弦相似度计算两个用户间的相似度，进而对用户进行聚类。
5、使用GBDT+LR模型，依据现有数据积累，使用GBDT挖掘有效的特征、特征组合；通过GBDT生成的特征，直接作为LR的特征使用，算出不同参保方案的概率，进而为用户推荐不同的参保方案。各模型标签建模时使用的维度及建模后的分类结果如下：
人群属性：依据用户的性别、年龄段、户属性、儿女数、老人数、费用类别、支付类别维度进行建模，归类为体弱多病人群、贤妻良母人群、顶梁柱人群；
消费能力等级：根据性别、年龄段、支付类别、工龄维度进行建模，归类为高、中、低；
产品偏好：依据性别、工作地、户籍地、消费能力等级维度进行建模，归类为对不同产品属性(参保地)、产品规则(季度包、半年包等)的偏好；
参保偏好：依据参保状态、断保时长、缴费基数、个人身份维度进行建模，推荐不同缴费基数、缴费开始时间、参保身份的偏好。
参保预诊断以及参保方案推荐方法如下：
基于用户画像和分类，后台将导入相关用户数据，以各地社保政策要求为基准对用户执诊断操作，诊断用户是否满足多个险种申报平台的申报要求，并对对应平台的反馈值进行汇总整合，结合业务专家的解答，为用户提出精准专业的参保方案，同时帮助业务经办人员快速获知人员的情况，有针对性的提供对应服务。
本发明提供如下具体案例，新用户周建龙有意使用本平台提供的社保代理服务，用户相关信息如下：
身份证号：35051987********
意向参保地：厦门
用户关注再平台上注册并填写上面相关信息后，系统会对此用户进行用户画像的生成，产出参保偏好、消费能力等级等信息。并对接社保申报系统分别对各险种进行参保条件是否满足的诊断，主要诊断内容如下：
该用户年龄是否在可进行社保申报的年龄范围内？
该用户的身份状态？
该用户是否已经在本单位参保？
该用户是否在原单位减员申报是否完成？
该用户最后缴费时间，是否需要强制补缴或可补缴？
经过系统诊断，该用户的诊断结果为：年龄符合；非退休或死亡人员；非本市户籍人员；尚未在本单位参保；上家单位已减员成功；最后缴费时间2018年12月，中断参保2个月，医疗需要强制补缴，养老可以补缴。符合参保条件。
由此诊断结果并结合用户的参保偏好、消费能力等级(高)，推荐用户方案如下：
本次参保开始时间：2018年12月，断保3个月可以补缴，此人消费能力较高，建议补；
参保身份：外来工，因为非本市户籍人员；
缴费基数：1700，厦门外来工只能按最低基数缴交；
推荐参保方案后，如果用户想要续费，则仅需再追加订单即可。
用户参保方案自动化推送处理：
通过预诊断流程的用户，将直接归入后台审核系统中，业务经办人员可以进行审核确认，确认完毕后将通过我司提供的申报端系统进行业务快速申报，申报状态通过公众号和短信实时同用户进行反馈沟通。改变传统经办人员的工作内容，大幅提升工作效率。
通过本发明提供的上述方法，在用户注册授权相关信息后，系统会自动生成用户画像，并对参保条件进行判断。如果符合参保条件，则会为用户推荐评分最高的几个参保方案。待用户选定参保方案后，可进行下单付款。下单付款完成后，系统对接相应平台自动办理申报。
传统服务方式中，经办人员在五险申报平台进行审核并申报，大概花费30-60分钟。本平台服务模式中，经办人员可直接根据对该用户的用户画像及参保诊断结果，进行审核确认即可，本平台自动将对接相应的各险种申报系统进行业务申报，无需再登录各险种的申报系统进行检测申报，花费5分钟左右。
传统服务方式中，经办人员需将参保结果以电话或短信或微信的方式告知用户，至少需要5分钟。本平台服务模式中，经办人员审核完成后，系统自动申报，申报结果会实时通过公众号或者短信自动推送给用户，效率性能大大提升。
全过程仅注册授权耗费5分钟以内的时间、选定方案、下单付款耗费1分钟以内的时间。和传统服务方式相比，单人次降低85％-95％以上的时间，并且支持多用户并发进行，快速且高效。
经过试验显示，相较于单纯的经办人员代理，采用了本发明方法的平台处理效率有了大幅度提高，效率提升效果如表1所示：
表1
根据上表可知，采用本发明提供的方法的平台，不仅对单个经办人员的工作效率提升了千倍，而且很多步骤无需经办人员直接参与。只用审核把关即可。对用户的转化率提升了10倍，极多用户通过介绍自行来本平台注册下单。对财务的对账工作也做了很大的支持，效率提升了超过20倍。
本发明实施例提供的基于大数据分析提升社保代理效率方法，通过用户个人授权的数据，使用数据分析算法，对用户进行建模，对用户的基本信息，社保参保信息，申报资质等进行分地市的进行分析，可以精准研判为用户提供何种参保服务，并针对定制化的用户服务，进行全自动的申报服务。极大的简化社保代办的流程，提高服务效率。本发明提供的基于大数据分析提升社保代理效率方法，提升了服务效率和社保挂靠服务的劳动生产率。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (6)
1.一种基于大数据分析提升社保代理效率方法，其特征在于：所述方法具体如下：
S10、对注册授权的用户进行用户画像，建立用户模型；
S20、根据用户画像检测用户是否符合参保条件；
S30、若用户符合参保条件，则进行参保方案推荐；若用户不符合参保条件，则提示用户原因并结束；
S40、用户选定参保方案并下单后，根据用户满意度选定或修改参保方案；
S50、用户根据选定或修改的参保方案确认参保方案后下单付款；
S60、业务人员对接社保平台对用户确认的参保方案进行审核确认；
S70、参保方案审核确认后进行业务快速申报；并将申报状态实时反馈给用户。
2.根据权利要求1所述的基于大数据分析提升社保代理效率方法，其特征在于：所述步骤S10中的用户画像方法如下：
根据用户的属性、需求、产品偏好以及价值等因素对用户进行分类，提供相应的产品方案、服务模式，并选取和整理社保相关的标签，形成画像标签体系；
利用TF-IDF算法对画像标签体系数据进行文本挖掘，计算每个用户每个标签的权重值；
使用神经网络建立模型，以画像标签体系中的标签作为输入层，以不同参保方案作为输出层，构建全连接神经网络，对用户进行聚类；并使用余弦相似度计算两个用户间的相似度，对用户再次聚类；
用户聚类后，使用GBDT和LR模型挖掘画像标签中的有效的特征、特征组合，计算出不同参保方案的概率，为用户推荐不同的参保方案。
3.根据权利要求2所述的基于大数据分析提升社保代理效率方法，其特征在于：所述标签的权重值＝时间衰减×用户行为次数×TF-IDF计算标签权重；其中：
时间衰减的公式为
t为事件发生时间距离当前时间的大小；
用户行为次数为用户某天与该标签产生的行为次数；
TF-IDF计算标签权重为每个标签对用户的重要性及该标签在全体标签中重要性的乘积得出的每个标签的客观权重值。
4.根据权利要求2所述的基于大数据分析提升社保代理效率方法，其特征在于：所述画像标签体系至少包括用户标签、产品标签；
所述用户标签至少包括用于基本特征、用户社会特征、用户消费特征、用户社保特征；
产品标签至少包括产品基本特征、目标用户。
5.基于大数据分析提升社保代理效率方法的数据访问设备，其特征在于，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码以执行权利要求1-4之任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时以执行权利要求1-4之任一的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986619.7A CN110706122A (zh) | 2019-10-17 | 2019-10-17 | 基于大数据分析提升社保代理效率方法、设备及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986619.7A CN110706122A (zh) | 2019-10-17 | 2019-10-17 | 基于大数据分析提升社保代理效率方法、设备及可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110706122A true CN110706122A (zh) | 2020-01-17 |
Family
ID=69201231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910986619.7A Pending CN110706122A (zh) | 2019-10-17 | 2019-10-17 | 基于大数据分析提升社保代理效率方法、设备及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110706122A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340630A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 资源转移事件处理方法、装置、设备及介质 |
| CN113284591A (zh) * | 2021-06-07 | 2021-08-20 | 平安国际智慧城市科技股份有限公司 | 基于数据分析的入院办理方法、装置、服务器及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897402A (zh) * | 2017-02-13 | 2017-06-27 | 山大地纬软件股份有限公司 | 基于社保数据构建用户画像的方法和用户画像生成器 |
| CN107944990A (zh) * | 2017-12-29 | 2018-04-20 | 山大地纬软件股份有限公司 | 一种基于机器学习的精准化推送的综合柜员装置及方法 |
| CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技（深圳）有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| CN110310163A (zh) * | 2019-07-11 | 2019-10-08 | 易联众民生(厦门)科技有限公司 | 一种精准制定营销策略的方法、设备及可读介质 |
-
2019
- 2019-10-17 CN CN201910986619.7A patent/CN110706122A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897402A (zh) * | 2017-02-13 | 2017-06-27 | 山大地纬软件股份有限公司 | 基于社保数据构建用户画像的方法和用户画像生成器 |
| CN107944990A (zh) * | 2017-12-29 | 2018-04-20 | 山大地纬软件股份有限公司 | 一种基于机器学习的精准化推送的综合柜员装置及方法 |
| CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技（深圳）有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| CN110310163A (zh) * | 2019-07-11 | 2019-10-08 | 易联众民生(厦门)科技有限公司 | 一种精准制定营销策略的方法、设备及可读介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340630A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 资源转移事件处理方法、装置、设备及介质 |
| CN113284591A (zh) * | 2021-06-07 | 2021-08-20 | 平安国际智慧城市科技股份有限公司 | 基于数据分析的入院办理方法、装置、服务器及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bergh et al. | The stock market reaction to the hiring of management consultants: A signalling theory approach | |
| Gershefski | Free for All—Corporate Models: The State of the Art | |
| CA2779034C (en) | High-risk procurement analytics and scoring system | |
| US20020143562A1 (en) | Automated legal action risk management | |
| US7881535B1 (en) | System and method for managing statistical models | |
| US20060089868A1 (en) | System, method and computer program product for analyzing and packaging information related to an organization | |
| CN112035642A (zh) | 客服匹配方法、装置、设备及存储介质 | |
| KR102193720B1 (ko) | 심사를 통해 임대차의 월세를 보증해주는 임대차 관리 시스템 및 방법 | |
| KR101917852B1 (ko) | 병원 경영 관리 컨설팅 서비스 제공 시스템 | |
| Haraldsen et al. | Understanding and coping with response burden | |
| US20030144933A1 (en) | Method and apparatus for determining a customer's likelihood of reusing a financial account | |
| CN113052705A (zh) | 一种供应链金融服务流程管理方法及装置 | |
| CN112927064A (zh) | 延期还款数据处理方法、装置、电子设备及存储介质 | |
| CN112907356A (zh) | 逾期催收方法、装置、系统及计算机可读存储介质 | |
| Emadi et al. | A structural estimation approach to study agent attrition | |
| CN110706122A (zh) | 基于大数据分析提升社保代理效率方法、设备及可读介质 | |
| Prentzas et al. | Assessment of life insurance applications: an approach integrating neuro‐symbolic rule‐based with case‐based reasoning | |
| Kautz III et al. | The Government Performance and Results Act of 1993: Implications for social work practice | |
| CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN115641945A (zh) | 一种自动化运营方法、系统、电子设备及存储介质 | |
| Carpinello et al. | Designing a system for managing the performance of mental health managed care: An example from New York State's prepaid mental health plan | |
| CN117151358A (zh) | 工单派发方法、装置、电子设备、存储介质和程序产品 | |
| CN113723974A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| Mansur et al. | Using Tree-Based Algorithm to Predict Informal Workers' Willingness to Pay National Health Insurance after Tele-Collection | |
| CN114549078B (zh) | 基于时序的客户行为处理方法、装置及相关设备 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 602, No.18, guanri Road, phase II, software park, Xiamen City, Fujian Province, 361000 Applicant after: Yilian Zhongsheng (Xiamen) Technology Co.,Ltd. Applicant after: YLZ INFORMATION TECHNOLOGY Co.,Ltd. Applicant after: Yilianzhong Zhiding (Xiamen) Technology Co.,Ltd. Address before: Room 602, No.18, guanri Road, phase II, software park, Xiamen City, Fujian Province, 361000 Applicant before: Yilian Zhongsheng (Xiamen) Technology Co.,Ltd. Applicant before: YLZ INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: YILIANZHONG (XIAMEN) BIG DATA TECHNOLOGY CO.,LTD. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |