CN110766481A - 客户数据处理方法、装置、电子设备及计算机可读介质 - Google Patents
客户数据处理方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN110766481A CN110766481A CN201911065100.1A CN201911065100A CN110766481A CN 110766481 A CN110766481 A CN 110766481A CN 201911065100 A CN201911065100 A CN 201911065100A CN 110766481 A CN110766481 A CN 110766481A
- Authority
- CN
- China
- Prior art keywords
- client
- information
- value
- label
- customer
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种客户数据处理方法、装置、电子设备及计算机可读介质。该方法包括:获取目标客户的客户信息;根据客户信息确定客户标签;根据客户信息和客户标签确定客户特征信息;根据客户标签确定目标预测模型;根据目标预测模型对客户特征信息进行处理,获得目标客户的概率预测信息;在概率预测信息大于概率阈值时,生成目标客户的提示信息。本公开涉及的客户数据处理方法、装置、电子设备及计算机可读介质,通过客户标签对客户信息进行处理获得客户特征信息与目标预测模型,并基于目标预测模型对客户特征信息处理,能够准确地对目标客户的转化进行预测。
Description
技术领域
本公开涉及计算机技术领域,具体而言,涉及一种客户数据处理方法、装置、电子设备及计算机可读介质。
背景技术
保险高价值客户指在保险公司所购的有效保单的标准保费达到一定金额的客户,以下简称为高客。相反,非高价值客户指在保险公司所购的有效保单的标准保费没有达到一定金额的客户,以下简称为非高客。高客的流失定义为公司现有的高客在未来某一段时间内流失为非高客的客户,高客的转化定义为公司现有的非高客在未来某一段时间内转化为高客的客户。通过对大量客户中预测获得可能会流失的高客以及可能转化为高客的非高客,进而依此进行人力和资源的调配,以挽留存在流失可能的高客,并发展潜在转化高客,将助于提供精准服务并提高客户体验。
目前主要通过经验预测以及统计分析对客户流失和客户的转化进行预测。经验预测方法根据决策者个人经验进行预测,其预测结果具有人为主观性,且无法适用于大量客户的实时预测的场景。统计分析方法根据对对象属性或特征的统计结果进行预测,其依赖于分类标准,在分类不合理时其预测结果将具有较大偏差。
因此,需要一种新的客户数据处理方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的相关技术的信息。
发明内容
有鉴于此,本公开实施例提供一种客户数据处理方法、装置、电子设备及计算机可读介质,能够准确地对目标客户的转化进行预测。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种客户数据处理方法,该方法包括:获取目标客户的客户信息;根据所述客户信息确定客户标签,所述客户标签包括非高价值标签和高价值标签;根据所述客户信息和所述客户标签确定客户特征信息;根据所述客户标签确定目标预测模型;根据所述目标预测模型对所述客户特征信息进行处理,获得所述目标客户的概率预测信息,所述客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,所述客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息;在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息。
在本公开的一种示例性实施例中,根据所述客户信息和所述客户标签确定客户特征信息包括:若所述客户标签为非高价值标签,则根据非高价值指标信息对所述客户信息进行处理,获得所述客户特征信息;若所述客户标签为高价值标签,则根据高价值指标信息对所述客户信息进行处理,获得所述客户特征信息。
在本公开的一种示例性实施例中,根据所述客户标签确定目标预测模型包括:若所述客户标签为所述非高价值标签,则确定所述目标预测模型为第一机器学习模型;若所述客户标签为所述高价值标签,则确定所述目标预测模型为第二机器学习模型。
在本公开的一种示例性实施例中,所述方法还包括:获取非高价值客户历史数据集;根据所述非高价值指标信息与所述非高价值客户历史数据集生成转化训练样本集;根据所述转化训练样本集对所述第一机器学习模型进行训练,获得训练后的所述第一机器学习模型。
在本公开的一种示例性实施例中,所述方法还包括:根据训练后的所述第一机器学习模型,获得所述非高价值指标信息中各指标的非高价值重要性占比。
在本公开的一种示例性实施例中,所述非高价值指标信息中的保单指标信息分别包括按照时间和/或统计值划分的一个或多个的衍生保单指标信息;其中,获得所述非高价值指标信息各指标的非高价值重要性占比还包括:根据所述非高价值指标信息中的一个或多个衍生保单指标信息的重要性占比确认所述非高价值指标信息中的保单指标信息的非高价值重要性占比。
在本公开的一种示例性实施例中,根据所述非高价值指标信息与所述非高价值客户历史数据集生成转化训练样本集包括:对所述非高价值客户历史数据集中的缺失数据进行补全处理;根据所述非高价值指标信息与补全后的所述非高价值客户历史数据集生成转化训练样本集。
在本公开的一种示例性实施例中,在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息,包括:若所述客户标签为非高价值标签,所述概率阈值为转化概率阈值,所述提示信息为转化提示信息;若所述客户标签为高价值标签,所述概率阈值为流失概率阈值,所述提示信息为流失提示信息。
在本公开的一种示例性实施例中,所述方法还包括:根据第一精确率阈值和第一召回率阈值确定转化概率阈值;根据第二精确率阈值和第二召回率阈值确定流失概率阈值。
根据本公开的一方面,提出一种客户数据处理装置,该装置包括:客户信息获取模块,用于获取目标客户的客户信息;客户标签确定模块,用于根据所述客户信息确定客户标签,所述客户标签包括非高价值标签和高价值标签;特征信息确定模块,用于根据所述客户信息和所述客户标签确定客户特征信息;预测模型确定模块,用于根据所述客户标签确定目标预测模型;概率预测模块,用于根据所述目标预测模型对所述客户特征信息进行处理,获得所述目标客户的概率预测信息,所述客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,所述客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息;提示信息生成模块,用于在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文中所述的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中所述的方法。
根据本公开一些实施例提供的客户数据处理方法、装置、电子设备及计算机可读介质,通过获取目标客户的客户信息,根据客户信息确定客户标签,能够根据客户标签的不同对客户信息进行处理获得客户特征信息。同时,根据客户标签的不同确定目标预测模型,以根据目标预测模型对客户特征信息进行处理,获得目标客户的概率预测信息。其中,客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息。并能够在概率预测信息大于概率阈值时,确认判该目标客户的客户标签具有较大可能转化为其他类型的提示信息。例如,提示信息用于表示该目标客户的高价值标签具有较大可能转化为非高价值标签,或该目标客户的非高价值标签具有较大可能转化为高价值标签。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种客户数据处理方法的流程图;
图2是根据另一示例性实施例示出的一种客户数据处理方法的流程图;
图3是根据另一示例性实施例示出的一种客户数据处理方法的流程图;
图4是根据另一示例性实施例示出的一种客户数据处理方法的流程图;
图5是根据又一示例性实施例示出的一种客户数据处理方法的流程图;
图6是根据再一示例性实施例示出的一种客户数据处理方法的流程图;
图7是根据一示例性实施例示出的一种客户数据处理装置的框图;
图8是根据一示例性实施例示出的一种电子设备的框图;
图9是根据一示例性实施例示出一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种客户数据处理方法的流程图。本公开实施例提供的客户数据处理方法可以由任意具备计算处理能力的电子设备执行,例如用户终端和/或服务器,在下面的实施例中,以服务器执行所述方法为例进行举例说明,但本公开并不限定于此。本公开实施例提供的客户数据处理方法10可以包括步骤S110至S160。
如图1所示,在步骤S110中,获取目标客户的客户信息。
本公开实施例中,以保险应用场景为例进行举例说明,但本公开并不限定于此,可以将所提供的技术方案适用于其他任意适合的应用场景。目标客户的客户信息可为该目标客户的所有相关信息,例如可为以下信息中的一个或多个:个人基本信息、已购保单信息、历史理赔信息、代理人信息、服务渠道信息等。非高价值客户信息的具体内容可如表1所示。
表1客户信息的构成明细
在步骤S120中,根据客户信息确定客户标签,客户标签包括非高价值标签和高价值标签。
本公开实施例中,其中,非高价值标签的目标客户当前客户在历史预设时间段内活跃度小于预设阈值,高价值标签的目标客户在历史预设时间段内活跃度大于或等于预设阈值。其中,活跃度可例如为目标客户的成交量、订单量,又例如为保险应用场景中的保费总额。其中,客户标签为非高价值标签的客户可称为非高客,客户标签为高价值标签的客户可称为高客。
在步骤S130中,根据客户信息和客户标签确定客户特征信息。
本公开实施例中,若客户标签为非高价值标签,则可根据客户信息和非高价值指标信息对客户信息进行处理,生成客户特征信息。以及,若客户标签为高价值标签,则可根据客户信息和高价值指标信息对客户信息进行处理,生成客户特征信息。
在步骤S140中,根据客户标签确定目标预测模型。
本公开实施例中,若客户标签为非高价值标签时,则可确定目标预测模型为第一机器学习模型;以及若客户标签为高价值标签,则可确定目标预测模型为第二机器学习模型。
在步骤S150中,根据目标预测模型对客户特征信息进行处理,获得目标客户的概率预测信息,客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息。
在步骤S160中,在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息。
本公开实施例提供的客户数据处理方法,通过获取目标客户的客户信息,根据客户信息确定客户标签,能够根据客户标签的不同对客户信息进行处理获得客户特征信息。同时,根据客户标签的不同确定目标预测模型,以根据目标预测模型对客户特征信息进行处理,获得目标客户的概率预测信息。其中,客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息。并能够在概率预测信息大于概率阈值时,确认判该目标客户的客户标签具有较大可能转化为其他类型的提示信息。例如,提示信息用于表示该目标客户的高价值标签具有较大可能转化为非高价值标签,或该目标客户的非高价值标签具有较大可能转化为高价值标签。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图2是根据另一示例性实施例示出的一种客户数据处理方法的流程图。
如图2所示,与上述实施例的不同之处在于,本公开实施例的客户数据处理方法还可以包括以下步骤。
在步骤S202中,在客户标签为非高价值标签时,根据非高价值指标信息对客户信息进行处理,获得客户特征信息。
本公开实施例中,非高价值指标信息可为对客户标签为非高价值标签的目标客户的客户信息进行数据预处理的标准格式信息,根据非高价值指标信息可对客户标签为非高价值标签的目标客户的客户信息中的指标进行处理,以生成能够进行后续操作的非高价值特征信息。
例如,非高价值指标信息中规定了每一特征量的数据类型(如表1所示),通过非高价值指标信息可对非高价值客户信息中每一特征量的数值按照其数据类型进行处理,以使其为非高价值指标信息中规定的数据类型。又例如,非高价值指标信息中规定了每一特征量如缺失时的补齐方式,以非高价值目标客户的年龄为例,当其缺失时,可根据该非高价值目标客户的身份证号进行运算获得年龄数值。又例如,非高价值指标信息中对已购保单信息进行了额外划分,用于根据保单生效日期和/或统计值将同一保单特征量划分为多个衍生特征量,以保单生效日期为例,可将每一保单相关的特征量划分为滞后360天、540天、720天、900天、1080天、10000天的6个衍生特征量。以统计值为例,可对每一保单相关的特征量分别统计和值、均值、最小值、最大值、标准差,以作为该保单相关的特征量的5个衍生特征量。以保单生效日期和统计值为例,可对每一保单相关的特征量按照保单生效日期划分为m个非高价值衍生量,m为大于等于1的整数,再将每一非高价值衍生量根据统计值划分为n个高价值衍生量,n为大于等于1的整数。因此,该保单相关的特征量衍生获得了m*n个高价值衍生量。但应该理解,此处仅为示例,本公开的技术方案对此并不作特殊限定。
在步骤S204中,通过第一机器学习模型对客户特征信息进行处理,获得目标客户的概率预测信息。
本公开实施例中,第一机器学习模型可为训练完成的对转化具有预测功能的模型,该模型可具体为极端梯度提升(Extreme Gradient Boosting,XGBoost)决策树模型、神经网络模型等,本公开的技术方案对此并不作特殊限定。其中,极端梯度提升决策树模型是一种提升树模型,该模型通过将许多树模型集成在一起,形成一个强分类器。该模型通过正则化项等测量能够有效防止过拟合,并支持并行化运算以提高训练速度。
本公开实施例中,概率预测信息为第一机器学习模型的输出值,用于表征目标客户的非高价值标签转化为高价值标签的概率值。
在步骤S206中,在概率预测信息大于转化概率阈值时,生成目标客户的转化提示信息。
在公开实施例中,转化概率阈值通过可根据第一机器学习模型训练结果的精确率和召回率获取。其中,可根据第一精确率阈值和第一召回率阈值确定转化概率阈值。例如,当期望精确率达到预定数值时,根据该精确率时对应阈值作为转化概率阈值。其中,可将转化提示信息对应的目标客户标记为重点关注对象,并可以用于触发相应措施以发展该潜在转化对象。
根据本公开实施方式提供的客户数据处理方法,通过非高价值指标信息对客户标签为非高价值标签的目标客户的客户信息进行处理,能够获得非高价值目标客户的可作为第一机器学习模型输入的客户特征信息;同时,通过第一机器学习模型对客户特征信息进行处理,能够获得表征目标客户转化为高价值客户的转化概率预测信息;并通过转化概率阈值对所述转化概率预测信息进行判断,能够在转化概率预测信息大于转化概率阈值时,判定该目标客户具有较大可能转化为高价值客户,并生成提示信息以供后续操作。
图3是根据另一示例性实施例示出的一种客户数据处理方法的流程图。
如图3所示,与上述实施例的不同之处在于,本公开实施例的客户数据处理方法还可以包括以下步骤。
在步骤S310中,在客户标签为高价值标签时,根据高价值指标信息对客户信息进行处理,获得客户特征信息。
本公开实施例中,高价值指标信息可为对高价值客户信息进行数据预处理的标准格式信息,高价值指标信息可与上述实施例中非高价值指标信息类似,此处不再赘述。
在步骤S320中,通过第二机器学习模型对客户特征信息进行处理,获得目标客户的概率预测信息。
本公开实施例中,第二机器学习模型可为训练完成的对流失具有预测功能的模型,该模型的具体结构可与上述实施例中第一机器学习模型类似,此处不再赘述。
本公开实施例中,概率预测信息为第二机器学习模型的输出值,用于表征目标客户的高价值标签转化为非高价值标签的概率值。
在步骤S330中,在概率预测信息大于流失概率阈值时,生成目标客户的流失提示信息。
本公开实施例中,流失概率阈值可根据第二机器学习模型训练结果的精确率和召回率获取。其中,可将流失提示信息所对应的目标客户标记为重点关注对象,并可以触发相应措施以挽回该潜在流失对象。
在示例性实施例中,可根据第二精确率阈值和第二召回率阈值确定流失概率阈值。
在本公开实施例中,通过高价值指标信息对客户标签为高价值标签的目标客户的客户信息进行处理,能够获得客户标签为高价值标签的目标客户的可作为第二机器学习模型输入的客户特征信息;同时,通过第二机器学习模型对客户特征信息进行处理,能够获得表征客户标签为高价值标签的目标客户流失为非高价值客户的流失概率预测信息;并通过流失概率阈值对所述流失概率预测信息进行判断,能够在流失概率预测信息大于流失概率阈值时,判定该目标客户具有较大可能流失为非高价值客户,并生成转化提示信息以供后续操作。
图4是根据另一示例性实施例示出的一种客户数据处理方法的流程图。
如图4所示,本公开实施例的客户数据处理方法还可以包括以下步骤。
在步骤S410中,获取非高价值客户历史数据集。
本公开实施例中,非高价值客户历史数据集中记录了一段时间内客户标签为非高价值标签的客户的对象数据集,且包括每一客户在一定时间之后的状态标签。其中,当客户的客户标签在一定时间之后转化为高价值标签,其状态标签为1,反之为0,但此处仅为示例,本公开的技术方案对状态标签的取值并不作特殊限定。
在步骤S420中,根据非高价值指标信息与非高价值客户历史数据集生成转化训练样本集。
本公开实施例中,转化训练样本集中记录了多个客户标签由非高价值标签转化为高价值标签的或持续为非高价值标签的客户的样本数据。
本公开实施例中,可对非高价值客户历史数据集中的缺失数据进行补全处理;根据所述非高价值指标信息与补全后的所述非高价值客户历史数据集生成转化训练样本集。其过程与上述步骤S204中根据非高价值指标信息对所述非高价值客户信息进行处理的过程相似,此处不再赘述。
在步骤S430中,根据转化训练样本集对第一机器学习模型进行训练,获得训练后的第一机器学习模型。
其中,训练后的所述第一机器学习模型对转化概率具有预测功能。
在示例性实施例中,所述方法还可以包括:获取高价值客户历史数据集;根据高价值指标信息与非高价值客户历史数据集生成流失训练样本集;根据流失训练样本集对所述第二机器学习模型进行训练,获得训练后的第二机器学习模型。其中,高价值客户历史数据集中记录了一段时间内客户标签为高价值标签的客户的对象数据集,且包括每一客户在一定时间之后的状态标签。当客户的客户标签在一定时间之后转化为非高价值标签,其状态标签为1,反之为0,但此处仅为示例,本公开的技术方案对状态标签的取值并不作特殊限定。流失训练样本集中记录了多个由客户标签为高价值标签的客户转化为客户标签为非高价值标签的客户的或保持不变的客户的样本数据。训练后的第二机器学习模型能够具有对客户的客户标签由高价值标签转化为非高价值标签的概率预测功能。
在示例性实施例中,可根据训练后的第一机器学习模型(或第二机器学习模型),获得非高价值指标信息(或高价值指标信息)中各指标的非高价值重要性占比(或高价值重要性占比)。其中,第一机器学习模型(或第二机器学习模型)为极端梯度提升决策树模型时,其可输出每一指标的分数,并可根据每一指标的分数与所有指标分数总和的比值计算获得该指标的非高价值重要性占比(或高价值重要性占比)。
在示例性实施例中,所述非高价值指标信息中的保单指标信息分别包括按照时间和/或统计值划分的一个或多个的衍生保单指标信息。其中,获得所述非高价值指标信息各指标的非高价值重要性占比还可包括:根据所述非高价值指标信息中的一个或多个衍生保单指标信息的重要性占比确认所述非高价值指标信息中的保单指标信息的非高价值重要性占比。
其中,高价值指标信息中的保单指标信息的非高价值重要性占比的计算方式与非高价值指标信息类似,此处不再赘述。
在示例性实施例中,还可根据所述非高价值指标信息中各指标的所述非高价值重要性占比生成客户转化策略指导信息。以及根据所述高价值指标信息中各指标的所述高价值重要性占比生成流失策略指导信息。以转化策略指导信息为例,该信息中可包含各指标的重要性占比的排序,或排名靠前的预定个数的指标信息。该转化策略指导信息可用于发送至外部,以进行后续操作,例如用于发送至有关系统(可例如专家系统),并据此生成指导措施。
根据本公开实施例的客户数据处理方法,通过转化训练样本集对第一机器学习模型进行训练,能够获得具有对客户标签由非高价值标签转化为高价值标签的概率预测功能的模型。通过流失训练样本集对第二机器学习模型进行训练,能够获得具有对客户标签由高价值标签转化为非高价值标签的概率预测功能的模型。
根据本公开实施例的客户数据处理方法,通过训练后的第一机器学习模型,能够获得非高价值指标信息中各指标的非高价值重要性占比。以及通过训练后的第二机器学习模型,能够获得高价值指标信息中各指标的高价值重要性占比。该重要性占比能够用于为发展潜在客户(或挽留流失客户)提供转化策略指导信息(或流失策略指导信息)。
图5是根据又一示例性实施例示出的一种客户数据处理方法的流程图。
如图5所示,本公开实施例的客户数据处理方法可以包括以下步骤。
在步骤S510中,确定高价值客户历史数据集的时间范围。
本实施例可用于研究客户标签为高价值标签的客户在一年内流失为非高价值客户的原因与概率,故可利用上一年内的客户标签为高价值标签的客户行为历史数据预测下一年内转化为非高价值标签的客户的概率。例如,若X选取为客户标签为高价值标签的客户样本2016年的特征指标数据,Y选取为该客户样本在2017年内的状态标签,若该客户在2017年内的客户标签转化为非高价值标签,则Y为1,反之则为0。在实际应用中,若客户标签为高价值客户的样本数较少,则可将2015年、2016年、2017年三年的样本合并做训练、测试与优化。
在步骤S520中,确定流失训练样本集的指标。
本实施例的特征数据涵盖了自然人特征、保单保障特征、保单产品特征、保单渠道特征、保单保费特征、保单缴费特征、保单地域特征、保单事件特征、理赔特征、代理人特征、忠诚度、经济能力、潜在价值、高客服务共14个方面的特征数据。本实施例的具体指标可如表1所示,但本公开对此并不作特殊限定。通过对这些数据中的相关指标做描述性统计分析,剔除空值率较大的指标,并可对枚举型指标的取值个数做出约束。
在步骤S530中,根据高价值指标信息对高价值客户历史数据集进行处理,获得流失训练样本集。
其中,处理方式可表示如下:
第一步:对各指标按其数据特征划分为数值型数据、有序型数据、符号型数据、枚举型数据、日期型数据共五类,其划分结果可见表1。但应该理解,本实施例的划分类型仅为示例,本公开的技术方案对此并不作特殊限定。
第二步:对数值型数据和有序型数据,可按中位数填充缺失数据。对符号型数据,可取值为0和1。对枚举型数据,如果取值个数少于指定个数,则每个取值类型占一列;如果多于指定个数n(n为大于等于1的正整数),则按出现次数排序将前n个取值分别作为一列,其它所有取值作为其它列处理;对每个取值按其出现次数填入相应的列中。对日期型数据,可转化为距离当前研究时间的天数。
第三步:对保单相关指标按照保单生效日期分别对当前研究时间滞后360天、540天、720天、900天、1080天、10000天的数据,进行时间聚合,生成每一保单相关指标的多个衍生指标。
第四步:对所有指标分别计算以下5种统计值:和值、均值、最小值、最大值、标准差,生成每一指标的衍生指标。
在步骤S540中,根据流失训练样本集就对第二机器学习模型进行训练和测试。
其中,可将流失训练样本集中70%的样本投入到XGBoost决策树模型中进行训练,剩下30%的样本进行测试,根据测试集的拟合结果不断优化决策树的结构及其权重,最终得到训练最优的XGBoost决策树评分卡模型和相应精确率和召回率条件下的阈值,以及各指标的重要性排序。其结果如表2至表4所示。
在表3中,精确率表示阈值范围内分类器分类正确的正样本个数占该分类器所有分类为正样本的个数的比例。召回率表示阈值范围内分类器分类正确的正样本个数占所有样本中的正样本个数的比例。F1值为精确率与召回率的调和平均值。
表2不同阈值下样本的实际分布
表3不同阈值下测试样本精确率、召回率、F1值分布
阈值 | 精确率 | 召回率 | F1值 |
≥1 | 0.8333 | 0.0028 | 0.0056 |
≥0.9 | 0.8380 | 0.5371 | 0.6546 |
≥0.8 | 0.8125 | 0.5807 | 0.6773 |
≥0.7 | 0.7958 | 0.6069 | 0.6886 |
≥0.6 | 0.7788 | 0.6309 | 0.6971 |
≥0.5 | 0.7684 | 0.6538 | 0.7065 |
表4高客流失预测的重要性前二十的指标明细
特征属性 | 指标 | 特征属性 | 指标 |
忠诚度 | 客户年限 | 保单保费特征 | 新单价值 |
自然人特征 | 年龄 | 保单保障特征 | 基本保额 |
代理人特征 | 年龄 | 保单事件特征 | 事件类型 |
保单保费特征 | 累计已缴保费 | 保单保障特征 | 投被保人关系 |
代理人特征 | 职级 | 保单保费特征 | 待支付保费 |
保单保障特征 | 保至多少岁 | 自然人特征 | 性别 |
经济能力 | 总收入 | 自然人特征 | 教育 |
保单地域特征 | 有养老社区否 | 自然人特征 | 婚姻 |
保单保费特征 | 标准保费 | 高客服务 | 服务类型 |
保单保障特征 | 保障年期 | 代理人特征 | 教育 |
在步骤S550中,第二机器学习模型返回的重要性前二十的指标推送给相关部门(例如运营部门),便于其对高客经营策略做出有针对性地调整。
相关部门根据业务需要确定精确率与召回率的范围条件,便可确定流失概率阈值。对于获取的新高客样本的特征X数据,代入XGBoost评分卡的模型体系中,即可得到该客户流失为非高客的流失概率预测信息。将该流失概率预测信息与流失概率阈值做比较,若高于流失概率阈值,则该高客极有可能流失,可着重关注并采取相关挽留动作;若低于流失概率阈值,则其在一年内流失为非高客的可能性较小,可持续关注即可。
图6是根据再一示例性实施例示出的一种客户数据处理方法的流程图。
如图6所示,本公开实施例的客户数据处理方法可以包括以下步骤。
在步骤S610中,确定非高价值客户历史数据集的时间范围。
本实施例可用于研究客户标签为非高价值标签的客户在一年内转化为高价值客户的概率,故可利用上一年内的客户标签为高价值标签的客户行为特征预测下一年内转化为高价值标签的客户的概率。故X选取为客户标签为非高价值标签的客户样本2016年的特征指标数据,Y选取为该客户样本在2017年内的状态标签,若该客户在2017年内的客户标签转化为高价值标签,则Y为1,反之则为0。
在步骤S620中,确定转化训练样本集的指标。
本实施例的特征数据涵盖了自然人特征、保单保障特征、保单产品特征、保单渠道特征、保单保费特征、保单缴费特征、保单地域特征、保单事件特征、理赔特征、代理人特征、忠诚度、经济能力、潜在价值、高客服务共14个方面的特征数据。本实施例的具体指标可如表1所示,但本公开对此并不作特殊限定。通过对这些数据中的相关指标做描述性统计分析,剔除空值率较大的指标,并可对枚举型指标的取值个数做出约束。
在步骤S630中,根据非高价值指标信息对所述非高价值客户历史数据集进行处理,获得转化训练样本集。其中,本步骤的具体实施过程与步骤S406类似,在此不再赘述。
在步骤S640中,根据转化训练样本集就对第一机器学习模型进行训练和测试。其中,可将转化训练样本集中70%的样本投入到XGBoost模型中进行训练,剩下30%的样本进行测试,根据测试集的拟合结果不断优化决策树的结构及其权重,最终得到训练最优的XGBoost决策树评分卡模型和相应准确率、召回率条件下的阈值。
在步骤S650中,第一机器学习模型返回的重要性前二十的指标X推送给相关部门(例如运营部门),便于其对高客经营发展策略做出有针对性地调整。运营部门根据业务需要确定精确率与召回率的范围条件,便可确定转化概率阈值。
对于一位新的非高价值客户,欲评估其在一年内发展为高客的概率,则取其在上一年的特征数据代入第一机器学习模型中,便可得到其在一年内发展为高客的转化概率预测信息。将该转化概率预测信息与转化概率阈值做比较,若高于转化概率阈值,则该客户是高客的潜力客户,可着重关注并采取相关营销策略;若低于转化概率阈值,则其在一年内发展为高客的可能性较小,可持续关注即可。
根据本公开一些实施例的客户数据处理方法,建立基于XGBoost评分卡模型的高价值客户流失与识别转化的预测机制,可以通过输入新客户的数据,得到该客户流失为非高客的流失概率预测信息,或该客户转化为高客的转换概率预测信息。将该流失概率预测信息与相应准确率、召回率条件下的流失概率阈值(或转化概率阈值)做比较,并把评分数及提示信息推送给外部,外部就可以根据此结果对该客户重点关注并及时展开相应的挽留措施或有针对性地营销策略。这对于提高高价值客户的黏性与增量具有重要意义。
根据本公开一些实施例的客户数据处理方法,通过第一机器学习模型返回的指标的重要性排序可供运营部门适时调整其经营发展策略,以适应高价值客户特征的变化。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图7是根据一示例性实施例示出的一种客户数据处理装置的框图。本公开实施例提供的客户数据处理装置70可以包括:客户信息获取模块710、客户标签确定模块720、特征信息获取模块730、预测模型确定模块740、概率预测模块750以及提示信息生成模块760。
在客户数据处理装置70中,客户信息获取模块710可用于获取目标客户的客户信息。
客户标签确定模块720可用于根据客户信息确定客户标签,客户标签包括非高价值标签和高价值标签。
特征信息获取模块730可用于根据客户信息和客户标签确定客户特征信息。
预测模型确定模块740用于根据客户标签确定目标预测模型。
概率预测模块750可用于根据目标预测模型对客户特征信息进行处理,获得目标客户的概率预测信息,客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息。
提示信息生成模块760可用于在概率预测信息大于概率阈值时,生成目标客户的提示信息。
在示例性实施例中,特征信息获取模块730可包括非高价值特征信息获取单元和高价值特征信息获取单元。其中,非高价值特征信息获取单元可用于若客户标签为非高价值标签,则根据非高价值指标信息对客户信息进行处理,生成客户特征信息。高价值特征信息获取单元可用于若客户标签为高价值标签,则根据高价值指标信息对客户信息进行处理,生成客户特征信息。
在示例性实施例中,预测模型确定模块740可包括第一模型确定单元和第二模型确定单元。其中,第一模型确定单元可用于若客户标签为非高价值标签,则确定目标预测模型为第一机器学习模型。第二模型确定单元可用于若客户标签为高价值标签,则确定目标预测模型为第二机器学习模型。
在示例性实施例中,客户数据处理装置70还可包括历史数据获取模块、训练样本集生成模块以及模型训练模块。其中,历史数据获取模块可用于获取非高价值客户历史数据集,训练样本集生成模块可用于根据非高价值指标信息与非高价值客户历史数据集生成转化训练样本集;模型训练模块可用于根据转化训练样本集对第一机器学习模型进行训练,获得训练后的第一机器学习模型。
在示例性实施例中,训练样本集生成模块可包括数据补全单元以及训练样本集生成单元。其中,数据补全子单元可用于对非高价值客户历史数据集中的缺失数据进行补全处理;训练样本集生成子单元可用于根据非高价值指标信息与补全后的非高价值客户历史数据集生成转化训练样本集。
在示例性实施例中,客户数据处理装置70还可包括重要性占比确定模块,可用于根据训练后的第一机器学习模型,获得非高价值指标信息中各指标的非高价值重要性占比。
在示例性实施例中,非高价值指标信息中的保单指标信息分别包括按照时间和/或统计值划分的一个或多个的衍生保单指标信息。重要性占比确定模块可用于根据非高价值指标信息中的一个或多个衍生保单指标信息的重要性占比确认非高价值指标信息中的保单指标信息的非高价值重要性占比。
在示例性实施例中,提示信息生成模块760可包括转化提示信息生成单元和流失提示信息生成单元。其中,转化提示信息生成单元可用于若客户标签为非高价值标签,概率阈值为转化概率阈值,提示信息为转化提示信息;流失提示信息生成单元可用于若客户标签为高价值标签,概率阈值为流失概率阈值,提示信息为流失提示信息。
在示例性实施例中,客户数据处理装置70还可包括概率阈值确定模块,可用于根据第一精确率阈值和第一召回率阈值确定转化概率阈值;根据第二精确率阈值和第二召回率阈值确定流失概率阈值。
根据本公开实施方式提供的客户数据处理装置,通过获取目标客户的客户信息,根据客户信息确定客户标签,能够根据客户标签的不同对客户信息进行处理获得客户特征信息。同时,根据客户标签的不同确定目标预测模型,以根据目标预测模型对客户特征信息进行处理,获得目标客户的概率预测信息。其中,客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息。并能够在概率预测信息大于概率阈值时,确认判该目标客户的客户标签具有较大可能转化为其他类型的提示信息。例如,提示信息用于表示该目标客户的高价值标签具有较大可能转化为非高价值标签,或该目标客户的非高价值标签具有较大可能转化为高价值标签。
图8是根据一示例性实施例示出的一种电子设备的框图。
下面参照图8来描述根据本公开的这种实施方式的电子设备200。图8显示的电子设备200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图1,图2,图3,图4,图5中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
图8示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图8所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取目标客户的客户信息;根据所述客户信息确定客户标签,所述客户标签包括非高价值标签和高价值标签;根据所述客户信息和所述客户标签确定客户特征信息;根据所述客户标签确定目标预测模型;根据所述目标预测模型对所述客户特征信息进行处理,获得所述目标客户的概率预测信息,所述客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,所述客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息;在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块和/或单元和/或子单元可以合并为一个模块和/或单元和/或子单元,也可以进一步拆分成多个模块和/或单元和/或子单元和/或子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本公开可实施的范畴。
Claims (10)
1.一种客户数据处理方法,其特征在于,包括:
获取目标客户的客户信息;
根据所述客户信息确定客户标签,所述客户标签包括非高价值标签和高价值标签;
根据所述客户信息和所述客户标签确定客户特征信息;
根据所述客户标签确定目标预测模型;
根据所述目标预测模型对所述客户特征信息进行处理,获得所述目标客户的概率预测信息,所述客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,所述客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息;
在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息。
2.如权利要求1所述的方法,其特征在于,根据所述客户信息和所述客户标签确定客户特征信息包括:
若所述客户标签为非高价值标签,则根据非高价值指标信息对所述客户信息进行处理,生成所述客户特征信息;
若所述客户标签为高价值标签,则根据高价值指标信息对所述客户信息进行处理,生成所述客户特征信息。
3.如权利要求2所述的方法,其特征在于,根据所述客户标签确定目标预测模型包括:
若所述客户标签为所述非高价值标签,则确定所述目标预测模型为第一机器学习模型;
若所述客户标签为所述高价值标签,则确定所述目标预测模型为第二机器学习模型。
4.如权利要求3所述的方法,其特征在于,还包括:
获取非高价值客户历史数据集;
根据所述非高价值指标信息与所述非高价值客户历史数据集生成转化训练样本集;
根据所述转化训练样本集对所述第一机器学习模型进行训练,获得训练后的所述第一机器学习模型。
5.如权利要求4所述的方法,其特征在于,还包括:
根据训练后的所述第一机器学习模型,获得所述非高价值指标信息中各指标的非高价值重要性占比。
6.如权利要求5所述的方法,其特征在于,所述非高价值指标信息中的保单指标信息分别包括按照时间和/或统计值划分的一个或多个的衍生保单指标信息;其中,获得所述非高价值指标信息各指标的非高价值重要性占比还包括:
根据所述非高价值指标信息中的一个或多个衍生保单指标信息的重要性占比确认所述非高价值指标信息中的保单指标信息的非高价值重要性占比。
7.如权利要求1所述的方法,其特征在于,在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息,包括:
若所述客户标签为非高价值标签,所述概率阈值为转化概率阈值,所述提示信息为转化提示信息;
若所述客户标签为高价值标签,所述概率阈值为流失概率阈值,所述提示信息为流失提示信息。
8.一种客户数据处理装置,其特征在于,包括:
客户信息获取模块,用于获取目标客户的客户信息;
客户标签确定模块,用于根据所述客户信息确定客户标签,所述客户标签包括非高价值标签和高价值标签;
特征信息确定模块,用于根据所述客户信息和所述客户标签确定客户特征信息;
预测模型确定模块,用于根据所述客户标签确定目标预测模型;
概率预测模块,用于根据所述目标预测模型对所述客户特征信息进行处理,获得所述目标客户的概率预测信息,所述客户标签为非高价值标签的目标客户的概率预测信息为转化概率预测信息,所述客户标签为高价值标签的目标客户的概率预测信息为流失概率预测信息;
提示信息生成模块,用于在所述概率预测信息大于概率阈值时,生成所述目标客户的提示信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065100.1A CN110766481A (zh) | 2019-11-04 | 2019-11-04 | 客户数据处理方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065100.1A CN110766481A (zh) | 2019-11-04 | 2019-11-04 | 客户数据处理方法、装置、电子设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766481A true CN110766481A (zh) | 2020-02-07 |
Family
ID=69335628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065100.1A Pending CN110766481A (zh) | 2019-11-04 | 2019-11-04 | 客户数据处理方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766481A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015975A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
CN112163154A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN113988955A (zh) * | 2021-11-26 | 2022-01-28 | 中国银行股份有限公司 | 潜在资产提升客户预测方法及装置 |
CN114022222A (zh) * | 2021-11-25 | 2022-02-08 | 北京京东振世信息技术有限公司 | 客户流失预测方法及装置、存储介质及电子设备 |
CN115879984A (zh) * | 2023-03-03 | 2023-03-31 | 北京一凌宸飞科技有限公司 | 一种基于大数据分析的网络营销方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
CN110363655A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 基于时间特征的目标用户识别方法、装置及电子设备 |
CN110389970A (zh) * | 2019-06-11 | 2019-10-29 | 中国平安财产保险股份有限公司 | 用户意向预测方法、装置、计算机设备及存储介质 |
-
2019
- 2019-11-04 CN CN201911065100.1A patent/CN110766481A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
CN110389970A (zh) * | 2019-06-11 | 2019-10-29 | 中国平安财产保险股份有限公司 | 用户意向预测方法、装置、计算机设备及存储介质 |
CN110363655A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 基于时间特征的目标用户识别方法、装置及电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015975A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
CN112015975B (zh) * | 2020-07-15 | 2023-11-14 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
CN112163154A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
WO2022068280A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112163154B (zh) * | 2020-09-30 | 2024-05-03 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN114022222A (zh) * | 2021-11-25 | 2022-02-08 | 北京京东振世信息技术有限公司 | 客户流失预测方法及装置、存储介质及电子设备 |
CN113988955A (zh) * | 2021-11-26 | 2022-01-28 | 中国银行股份有限公司 | 潜在资产提升客户预测方法及装置 |
CN115879984A (zh) * | 2023-03-03 | 2023-03-31 | 北京一凌宸飞科技有限公司 | 一种基于大数据分析的网络营销方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766481A (zh) | 客户数据处理方法、装置、电子设备及计算机可读介质 | |
CN107040397B (zh) | 一种业务参数获取方法及装置 | |
CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
CN111401777B (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN106095942B (zh) | 强变量提取方法及装置 | |
US20190108471A1 (en) | Operational process anomaly detection | |
US20210311980A1 (en) | System to determine a credibility weighting for electronic records | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
US20170154268A1 (en) | An automatic statistical processing tool | |
CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
CN112070559A (zh) | 状态获取方法和装置、电子设备和存储介质 | |
US20210357699A1 (en) | Data quality assessment for data analytics | |
CN117437019A (zh) | 信用卡逾期风险预测方法、装置、设备、介质和程序产品 | |
CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN113297478B (zh) | 基于用户生命周期的信息推送方法、装置及电子设备 | |
CN115545481A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN112308294B (zh) | 违约概率预测方法及装置 | |
CN114066513A (zh) | 一种用户分类的方法和装置 |
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: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |