CN110837587B - 一种基于机器学习的数据匹配方法和系统 - Google Patents

Abstract

本发明公开了一种基于机器学习的数据匹配方法和系统，本发明公开方案中，可先分别获取用户画像以及电话客服画像，进而根据用户画像以及电话客服画像将设定的用户匹配给设定的电话客服以便所述电话客服进行处理。基于本发明提供的方案可根据用户画像以及电话客服画像为用户匹配合适的电话客服，提高数据匹配的准确率，从而在提升服务质量的同时提升服务效率。另外，在本发明通过构建线索评估模型和客服评估模型分别对兴趣线索和电话客服进行高效且合理评估，可以在实现高质量的线索的高效利用的同时对兴趣线索进行合理分配，提高了为用户提供更好的服务体验。

Description

一种基于机器学习的数据匹配方法和系统

技术领域

本发明涉及机器学习和互联网技术领域，尤其是一种基于机器学习的数据匹配方法和系统、计算机可读存储介质、计算设备以及计算机程序。

背景技术

在互联网日益发达的现代社会，几乎所有的中青年都会被互联网的触角触达，因此，互联网的数据量的增长也是惊人的。目前互联网保险的势头也日趋强盛，各个大型的互联网平台积累了大量的终端用户，而如何甄别这些客户的需求成为了平台发展的关键因素。由于用户量巨大，用户数据库的具有海量的线索，因此，如何在海量用户中筛选识别满足预设条件的优质客户，从而促进平台的业务发展和平台自身的潜力的发掘，成为亟待解决的一个重要问题。进一步地，针对筛选识别出的优质客户，如何高效、准确地匹配合适的电话客服，提升服务质量，也成为亟待解决的技术问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于机器学习的数据匹配方法和系统、计算机可读存储介质、计算设备以及计算机程序，能够根据用户画像以及电话客服画像为用户匹配合适的电话客服，提高数据匹配的准确率，从而在提升服务质量的同时提升服务效率。

根据本发明的一个方面，提供了一种基于机器学习的数据匹配系统，包括：

第一获取模块，适于根据第一设定规则获取用户画像；

第二获取模块，适于根据第二设定规则获取电话客服画像；

匹配模块，适于根据所述电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便所述电话客服进行处理。

可选地，所述第一获取模块包括：

数据获取单元，适于获取至少一个用户的用户特征数据；

数据清洗单元，适于通过卡方检验对所述用户特征数据进行清洗，得到所述用户特征数据中的显著特征数据；

第一画像获取单元，适于基于所述显著特征数据获取用户画像。

可选地，所述数据清洗单元还适于：

识别所述用户特征数据中包括的对应不同特征类型的多个特征数据；

将各所述特征数据与对应特征类型的预设值进行比较；

若所述特征数据大于或等于所述预设值，则定义所述特征数据为显著特征数据；若所述特征数据小于所述预设值，则定义所述特征数据为非显著特征数据。

可选地，所述系统还包括：第一模型建立模块，适于：

收集网络用户的用户数据并存入指定用户数据库；所述用户数据至少包括以下之一：用户基本信息和/或用户行为特征数据；

基于所述用户数据库中的用户数据分别对应生成兴趣线索，并选取与预设目标兴趣点相关的兴趣线索作为样本数据；

构建线索评估模型；

基于所述样本数据训练所述线索评估模型。

可选地，所述第一模型建立模块还适于：

基于网络平台收集网络用户的用户数据；

通过卡方检验对所述用户数据进行清洗，在所述用户数据中选取显著数据；

将所述显著数据存入指定用户数据库。

可选地，所述第一模型建立模块还适于：基于所述样本数据利用lightGBM二分类算法训练所述线索评估模型。

可选地，所述第一画像获取单元还适于：

基于所述显著特征数据生成所述用户的兴趣线索；

将所述兴趣线索输入所述线索评估模型，通过所述线索评估模型获取各所述用户对所述目标兴趣点的关注度。

可选地，所述系统还包括：

第二模型建立模块，适于利用层次分析法构建客服评估模型。

可选地，所述第二获取模块，包括：

收集单元，适于收集至少一个电话客服的历史服务数据；

第二画像获取单元，适于通过所述客服评估模型基于所述历史服务数据获取各所述电话客服的电话客服画像。

可选地，所述第二模型建立模块还适于：

基于预设的评估因素建立层次结构；所述评估因素包括以下至少之一：目标数据产能、努力值、技能值；

基于所述层次结构构造判断矩阵；

根据所述判断矩阵进行一致性检验，并在检验通过后确定所述层次结构中各所述评估因素的权重，得到层次结构的客服评估模型。

可选地，所述第二画像获取单元还适于：

基于所述电话客服的历史服务数据确定所述评估因素的实际值；

通过所述客服评估模型利用所述评估因素的实际值以及各所述评估因素的权重计算各所述电话客服的服务能力分值。

可选地，所述第二画像获取单元还适于：

在基于所述电话客服的历史服务数据确定所述评估因素的实际值之前，计算不同业务类型的兴趣线索的转化难度系数，基于所述转化难度系数计算所述电话客服的目标数据产能。

可选地，所述匹配模块包括：

第一划分单元，适于基于所述服务能力分值的高低顺序对多个电话客服进行排名，并将排名后的电话客服按优先级依次划分为多个客服层级；

客服匹配单元，适于基于所述关注度在所述多个客服层级中选取设定客服层级中的任一电话客服，并将所述用户匹配至所述电话客服以便所述电话客服进行处理。

可选地，所述匹配模块还包括：

第二划分单元，适于基于所述关注度的大小顺序对多条兴趣线索进行排名，并将排名后的兴趣线索按优先级依次划分为多个线索层级。

可选地，所述线索层级的层级数与所述客服层级的层级数相同；

所述客服匹配单元，还适于在任一所述线索层级选取兴趣线索，并在所述多个客服层级中选取与所述线索层级具有相同优先级的客服层级中的任一电话客服；将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

可选地，所述客服匹配单元还适于：

基于所述关注度的大小依次选取兴趣线索，按照优先级顺序在所述客服层级中依次选取电话客服；

将所述兴趣线索对应的用户一一匹配至所述电话客服以便所述电话客服进行处理。

可选地，所述客服匹配单元还适于：

将所述多个客服层级中的任意一个客服层级进一步划分为多个子客服层级；其中，所述子客服层级的层级数与所述线索层级的层级数相同；

在任一所述线索层级选取兴趣线索，并在所述多个子客服层级中选取与所述线索层级具有相同优先级的子客服层级中的任一电话客服；

将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

根据本发明的另一个方面，还提供了一种基于机器学习的数据匹配方法，包括：

根据第一设定规则获取用户画像；

根据第二设定规则获取电话客服画像；

根据所述电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便所述电话客服进行处理。

可选地，所述根据第一设定规则获取用户画像，包括：

获取用户特征数据；

通过卡方检验对所述用户特征数据进行清洗，得到所述用户特征数据中的显著特征数据；

基于所述显著特征数据获取用户画像。

可选地，所述通过卡方检验对所述用户特征数据进行清洗，得到所述用户特征数据中的显著特征数据，包括：

识别所述用户特征数据中包括的对应不同特征类型的多个特征数据；

将各所述特征数据与对应特征类型的预设值进行比较；

若所述特征数据大于或等于所述预设值，则定义所述特征数据为显著特征数据；若所述特征数据小于所述预设值，则定义所述特征数据为非显著特征数据。

可选地，所述基于所述显著特征数据获取所述用户的用户画像之前，还包括：

收集网络用户的用户数据并存入指定用户数据库；所述用户数据至少包括以下之一：用户基本信息和/或用户行为特征数据；

基于所述指定用户数据库中的用户数据分别对应生成兴趣线索，并选取与预设目标兴趣点相关的兴趣线索作为样本数据；

构建线索评估模型；

基于所述样本数据训练所述线索评估模型。

可选地，所述收集网络用户的用户数据并存入指定用户数据库，包括：

基于网络平台收集网络用户的用户数据；

通过卡方检验对所述用户数据进行清洗，在所述用户数据中选取显著数据；

将所述显著数据存入所述指定用户数据库。

可选地，所述基于所述样本数据训练所述线索评估模型，包括：

基于所述样本数据利用lightGBM二分类算法训练所述线索评估模型。

可选地，所述基于所述显著特征数据获取用户画像，包括：

基于所述显著特征数据生成兴趣线索；

将所述兴趣线索输入所述线索评估模型，通过所述线索评估模型获取所述兴趣线索对应的用户对所述目标兴趣点的关注度。

可选地，所述根据第二设定规则获取电话客服画像之前，还包括：

利用层次分析法构建客服评估模型。

可选地，所述根据第二设定规则获取电话客服画像，包括：

收集至少一个电话客服的历史服务数据；

通过所述客服评估模型基于所述历史服务数据获取各所述电话客服的电话客服画像。

可选地，所述利用层次分析法构建客服评估模型，包括：

基于预设的评估因素建立层次结构；所述评估因素包括以下至少之一：目标数据产能、努力值、技能值；

基于所述层次结构构造判断矩阵；

根据所述判断矩阵进行一致性检验，并在检验通过后确定所述层次结构中各所述评估因素的权重，得到层次结构的客服评估模型。

可选地，所述通过所述客服评估模型基于所述历史服务数据获取各所述电话客服的电话客服画像，包括：

基于所述电话客服的历史服务数据确定所述评估因素的实际值；

通过所述客服评估模型利用所述评估因素的实际值以及各所述评估因素的权重计算各所述电话客服的服务能力分值。

可选地，所述基于所述历史服务数据确定所述评估因素的实际值之前，还包括：

计算不同业务类型的兴趣线索的转化难度系数，基于所述转化难度系数计算所述电话客服的目标数据产能。

可选地，所述根据所述电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便所述电话客服进行处理，包括：

基于所述服务能力分值的高低顺序对多个电话客服进行排名，并将排名后的电话客服按优先级依次划分为多个客服层级；

基于设定的用户的关注度在所述多个客服层级中选取设定客服层级中的任一电话客服，并将所述用户匹配至所述电话客服以便所述电话客服进行处理。

可选地，所述基于设定的用户的关注度在所述多个客服层级中选取设定客服层级中的任一电话客服，并将所述用户匹配给所述电话客服以便所述电话客服进行处理之前，还包括：

基于关注度的大小顺序对多条兴趣线索进行排名，并将排名后的兴趣线索按优先级依次划分为多个线索层级。

可选地，所述线索层级的层级数与所述客服层级的层级数相同；

所述基于所述关注度在所述多个客服层级中选取设定客服层级中的任一电话客服，并将所述用户匹配至所述电话客服以便所述电话客服进行处理，包括：

在任一所述线索层级选取兴趣线索，并在所述多个客服层级中选取与所述线索层级具有相同优先级的客服层级中的任一电话客服；

将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

可选地，所述基于所述关注度在所述多个客服层级中选取设定客服层级中的任一电话客服，并将所述用户匹配至所述电话客服以便所述电话客服进行处理，包括：

基于所述关注度的大小依次选取兴趣线索，按照优先级顺序在所述客服层级中依次选取电话客服；

将所述兴趣线索对应的用户一一匹配至所述电话客服以便所述电话客服进行处理。

可选地，所述基于所述关注度在所述多个客服层级中选取设定客服层级中的任一电话客服，并将所述用户匹配至所述电话客服以便所述电话客服进行处理，包括：

将所述多个线索层级中的任意一个线索层级进一步划分为多个子线索层级；其中，所述子线索层级的层级数与所述客服层级的层级数相同；

在任一所述子线索层级选取兴趣线索，并在所述多个客服层级中选取与所述子线索层级具有相同优先级的客服层级中的任一电话客服；

将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

根据本发明的又一个方面，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用于存储程序代码，所述程序代码用于执行上述任一项所述的基于机器学习的数据匹配方法。

根据本发明的又一个方面，还提供了一种计算设备，所述计算设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述任一项所述的基于机器学习的数据匹配方法。

根据本发明的又一个方面，还提供了一种计算机程序，所述计算机程序用于执行上述任一项所述的基于机器学习的数据匹配方法。

本发明提供了一种基于机器学习的数据匹配方法及系统，在本发明提供的方法中，可先分别根据不同的设定规则获取用户画像以及电话客服画像，进而基于电话客户画像以及用户画像将设定的用户匹配给设定的电话客服以便其进行处理。基于本发明提供的方案可根据用户画像以及电话客服画像为用户匹配合适的电话客服，提高了数据匹配的准确率，从而在提升服务质量的同时提升服务效率。

另外，在本发明通过构建线索评估模型和客服评估模型分别对兴趣线索和电话客服进行高效且合理评估，可以在实现高质量的线索的高效利用的同时对兴趣线索进行合理分配，提高了为用户提供更好的服务体验。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：

图1示出了根据本发明实施例的基于机器学习的数据匹配方法流程示意图；

图2示出了根据本发明实施例的线索评估模型建立流程示意图；

图3示出了根据本发明一个实施例的基于机器学习的数据匹配系统结构示意图；

图4示出了根据本发明另一实施例的基于机器学习的数据匹配系统结构示意图；

图5示出了根据本发明实施例的数据匹配系统搭建架构示意图；

图6示出了根据本发明实施例的数据匹配流程示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于计算机系统/服务器，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

本发明实施例提供了一种基于机器学习的数据匹配方法，参见图1可知，本发明实施例提供的基于机器学习的数据匹配方法可以包括：

步骤S102，根据第一设定规则获取用户画像；

步骤S104，根据第二设定规则获取电话客服画像；

步骤S106，根据电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便该电话客服进行处理。

本发明实施例提供了一种基于机器学习的数据匹配方法，在本发明实施例提供的方法中，可先分别根据不同的设定规则获取用户画像以及电话客服画像，进而基于电话客户画像以及用户画像将设定的用户匹配给设定的电话客服以便其进行处理。基于本发明实施例提供的方案可根据用户画像以及电话客服画像为用户匹配合适的电话客服，提高数据匹配的效率，从而在提升服务质量的同时提升服务效率。

用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，实际应用中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联结起来，构建用户画像作为实际用户的虚拟代表，以获取用户的兴趣爱好、使用习惯以及实际需求等。

本发明实施例提供的方案主要可应用于电话销售领域。电话销售，简称电销：它是以电话为主要沟通手段，电话销售通常为打电话进行主动销售的模式。借助网络、传真、短信、邮寄递送等辅助方式，通过专用电话营销号码与客户直接联系，并运用自动化信息管理技术和专业化运行平台，完成指定产品的推介、咨询、报价、以及产品成交条件确认等主要营销过程的业务。通过获取用户画像，可以获取用户对不同产品的目标兴趣点，进而为用户提供电话服务。电话客服，也称为TSR(telephone service representative，电话服务代表)，其是电话销售的主要主体之一。

可选地，上述步骤S102根据第一设定规则获取用户画像时可以采用以下方式：

S1-1，获取用户特征数据。

本实施例中，用户特征数据可以包括以下至少之一：用户基本信息、用户行为特征数据、历史关注的兴趣点数据等等。用户基本信息可以包括用户的姓名、出生日期、年龄、性别、所处地理位置、联系方式或是其他相关信息。用户行为特征数据可以包括：用户在网络平台的访问记录、对各网页中功能模块的点击记录或是其他行为数据。历史关注的兴趣点数据可以是对于不同兴趣点的浏览交易数据等，以保险产品为例，相关数据可以包括用户已购买过的保险类型、购买时间或是购买方式等等。实际应用中，用户的特征数据还可以包括其他如用户画像数据、兴趣爱好等多个维度的数据，本发明实施例对此不做限定。实际应用中，可能会对多个用户的用户画像进行分析，因此，在获取用户特征数据时，可以实时或间隔一定时间获取多个用户的用户特征数据，进而对各用户的用户画像进行分析。

S1-2，通过卡方检验对用户特征数据进行清洗，得到用户特征数据中的显著特征数据。

通常情况下，初始获取的用户特征数据的数据量会很大，且较为杂乱，因此可对于所获取的用户特征数据进行数据清洗及筛选，以获取更具代表性的特征数据。因此，在获取到用户特征数据之后，可以通过卡方检验对用户特征数据进行清洗，得到用户特征数据中的显著特征数据。

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。

可选地，通过卡方检验对用户特征数据进行清洗，得到用户特征数据中的显著特征数据时可以包括：识别用户特征数据中对应不同特征类型的多个特征数据；将各特征数据与对应特征类型的预设值进行比较；若该特征数据大于或等于预设值，则定义该特征数据为显著特征数据；若该特征数据小于该预设值，则定义该特征数据为非显著特征数据。其中，对于任一特征类型的预设值来讲，其可以基于根据该数据类型的历史记录经验进行设定，例如为0.1或是其他值，本发明实施例对此不做限定。

S1-3，基于显著特征数据获取用户画像。

基于上述步骤S1-2筛选出用户特征数据中的显著特征数据之后，即可基于显著特征数据获取用户画像。本实施例中基于筛选出的显著特征数据所获取的用户画像相较于传统的用户画像更能体现出用户的兴趣所在，能够更加准确确定用户需求，进而提供针对性服务。

在本发明可选实施例中，可利用预先构建的机器学习的神经网络模型—线索评估模型获取用户画像。因此，在上述步骤S1-3基于显著特征数据获取用户画像之前，还可以可先建立线索评估模型，从而基于建立好的线索评估模型获取用户画像。

图2示出了根据本发明实施例的线索评估模型建立流程示意图，参见图2可知，本实施例提供的线索评估模型建立过程可以包括：

步骤S202，收集网络用户的用户数据并存入指定用户数据库；其中，用户数据至少可以包括用户基本信息和/或用户行为特征数据。另外，除上述介绍的之外，还可以针对性的包括其他数据，如与保险产品相关的历史保险电销特征数据或是其他相关特征数据。实际应用中，网络用户的数量不限，可以是几百个、几万个甚至更多。

本实施例中的指定数据库可以是预先基于Hbase、Redis、MySQL等架构构建而成的用于进行数据存储的数据库。其中，Hbase(Hadoop Database)，是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库，并提供多种语言的API。MySQL是一种关系数据库管理系统，关系数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，从而增加存储效率并提高了灵活性。

在收集用户数据时，可以基于网络平台上的各网站进行收集，例如收集用户的姓名、性别、联系方式、工作类型等基本信息，还可以是用户对网站的浏览记录、对各兴趣点的点击查询记录，或是针对保险产品的历史保险电销特征数据的相关记录数据等等。本发明实施例中用户数据库中的数据包括的海量的数据信息，可以为线索评估模型的模型训练提供夯实数据基础，进而使得经过训练得到的线索评估模型的评估效率更高更准确。

实际应用中，由于指定用户数据库中的用户数据为收集的网络用户的相关数据，其可以包括多种类型的特征数据。通常来讲，网络用户的用户数据量很大，且较为杂乱，因此可对于收集的数据进行清洗及筛选，以获取更具代表性的数据。可选地，上述步骤S202可以包括：基于网络平台收集网络用户的用户数据；通过卡方检验对用户数据进行清洗，在用户数据中选取显著特征数据；将显著特征数据存入指定用户数据库。对于通过卡方检验对用户数据进行清洗，在用户数据中选取显著特征数据，可参见上述实施例提供的方式，此处不再赘述。

举例来讲，假设一个用户的用户数据在通过卡方检验清洗后，从67维(chancetype)的特征，降低到34维的特征，即当前的34维特征是根据该用户的用户数据进行分析情况进行调整的。例如，基于互助平台为例，本实施例中最终的34维的特征数据根据特征的重要程度排名可以包括：首次访问互助时间、累计访问互助次数、线索类型、筹案例访问次数、首次访问页面A时间、最近访问页面A互助时间、户籍所在地、过去一周访问互助次数、首次捐款时间、累计访问页面A次数、最近访问产品A时间、过去一周访问页面A次数、出生年月日、累计捐款金额、累计访问划款公示次数、累计访问事件公示次数、累计访问案例数、捐款案例数、设备类型、首次捐款金额、性别、最低捐款金额、累计捐款次数、最高捐款金额、首次加入互助计划的金额、互助累计订单数、首次加入互助时间、互助总支付金额、互助累计支付次数、互助累计充值金额、互助累计充值次数、赠险投保订单数。上述所列举特征数据以及重要程度排名仅仅为一种示例，实际应用中，对于不同场景的不用用户所收集的用户数据以及筛选后的特征数据可根据不同的应用场景以及需求进行调整，本发明实施例对此不做限定。

步骤S204，基于指定用户数据库中的用户数据分别对应生成兴趣线索，并选取与预设目标兴趣点相关的兴趣线索作为样本数据。

基于上述步骤S202将收集的用户数据存入指定用户数据库之后，就可以基于该指定用户数据库中的用户数据库分别对应生成兴趣线索。如上所述，网络用户可以是大量的，因此，在生成兴趣线索时，可以基于属于同一用户的用户数据生成该用户的兴趣线索。可选地，本实施例中可具有单独存储兴趣线索的兴趣线索列表，每当生成一条兴趣线索后，就可以将该兴趣线索存储兴趣线索列表中。该兴趣线索列表可以与用户数据库存储在同一数据库中，或是不同的数据库中。

上述步骤S202提及，还可以对用户数据进行清洗以筛选出其中的显著特征数据。可选地，可以基于各网络用户的显著特征数据生成兴趣线索以分别筛选正样本和负样本数据。

以上述实施例提及的电话销售领域为例。基于所采集到的用户数据所生成的兴趣线索可以为销售线索，即指在销售管理体系中销售线索处于客户产生机会的最前端，一般由举办市场活动、网络信息、电话咨询、消费者访谈等多样方式获得销售的初级线索，电话客服在持续跟进和推动线索的继续延伸，到达成熟阶段后销售线索转换为销售机会，电销客服将作为销售机会进行漏斗式管理和推进，经过几个阶段的谈判、商务、产品和技术沟通，最终与客户达成协议，并正式签订合同订单。

生成兴趣线索之后，就可以选取与预设目标兴趣点相关的兴趣线索作为样本数据。其中，样本数据可以包括正样本数据和负样本数据。对于不同的目标兴趣点的类型，所选取的正样本数据和负样本数据的选取标准也不同。

也就是说，在收集到用户数据并生成兴趣线索之后，可以选取正样本数据以及负样本数据。例如，以上述实例提及的保险电话销售为例，选取样本数据时，可以基于已经拨打并且接通的用户的线索数据作为样本数据的选取条件进行样本数据的选取，将具有保险电销成单的兴趣线索作为正样本数据，保险电销未成单兴趣线索作为负样本数据。即，将所选取的样本数据分成保险电销成单和保险电销未成单两个组别，分别作为正样本数据和负样本数据。

步骤S206，构建线索评估模型。

步骤S208，基于样本数据训练线索评估模型。本实施例中，线索评估模型可以基于ANN(Artificial Neural Network，人工神经网络)构建的神经网络模型，如CNN(Convolutional Neural Networks，卷积神经网络)等，模型构建好之后，就可以基于上述步骤S204获得的样本数据对线索评估模型进行训练。

在本发明可选实施例中，可使用lightGBM二分类算法对线索评估模型进行训练，训练参数可以如下：

对线索评估模型进行训练，即对模型进行离线评估的过程，则训练好之后输出模型文件，供平台在线使用。当后续再获取到用户数据之后，就可以基于该线索评估模型线索评估模型获取用户画像，本实施例中的用户画像具体可以为用户对目标兴趣点的关注度，其可以作为一个处于0-1之间的数值作为线索评估模型的输出，数值越大，代表对用户对目标兴趣点的感兴趣程度越大。实际应用中，该目标兴趣点可以是对于任意一种或多种类型的保险产品，或是设定的其他兴趣点，本发明实施例对此不做限定。

在本发明可选实施例中，上述步骤S1-3基于显著特征数据获取用户画像可以包括：基于所述显著特征数据生成兴趣线索；将该兴趣线索输入线索评估模型，通过线索评估模型获取该兴趣线索对应的用户对目标兴趣点的关注度。也就是说，在获取到任一用户的用户特征数据之后，即可基于用户特征数据中的显著特征数据生成该用户的兴趣线索并进行存储。进一步地，将兴趣线索输入线索评估模型，从而通过线索评估模型评估该兴趣线索对应的用户对目标兴趣点的关注程度，进而计算出该用户对目标兴趣点的关注度，即可得到该用户的用户画像。

其中，将兴趣线索输入线索评估模型时，可先将各个类型的用户特征数据可以作为一个维度，并且经由向量空间转换成特征向量，从而由各个维度的向量特征所构成的指定格式的向量序列作为兴趣线索，或是采用其他方式的兴趣线索输入线索评估模型，本发明实施例对此不做限定。

实际应用中，收集网络用户的用户数据时，对于用户数据中包括的静态数据(如姓名、性别等基本信息)可进行固定存储，而对于用户的动态数据，如用户行为数据则可以定期(如每天4点)进行收集，进而生成用户行为数据表或进行存储，以便及时获知用户对目标兴趣点的关注度的变化。同时还可以并在固定时间(如每周设定固定时间)对把包括多条兴趣线索的兴趣线索从表(subtable)中的用户数据进行补充，将用户数据推送至线索评估模型中，可选地，用户数据可以包括：user_id(用户ID，用户的唯一标识信息)，user_info(用户系列信息，如用户行为数据等)；对每次接收到用户ID(user_id)、用户行为的系列信息(user_info)进行更新整理后，形成线索评估模型评估依据，由平台线上的线索评估模型定期对兴趣线索进行评估。

本发明实施例可采用lightGBM二分类算法对线索评估模型进行训练，lightGBM二分类算法是一种快速的、分布式的、高性能的基于决策树算法的梯度提升框架，支持并行学习且可以低内存下使用，利用该方法训练线索评估模型，可以在处理大规模数据的同时，保证模型训练效率更高更准确。

除了获取用户图像之外，参见上述步骤S104根据第二设定规则获取电话客服画像，具体可以利用预先构建的客服评估模型获取电话客服画像。即，在上述步骤S104之前，还可以利用层次分析法构建客服评估模型。

层次分析法(The analytic hierarchy process，简称AHP)，是一种定性和定量相结合的、系统化、层次化的分析方法。本发明可选实施例中，利用层次分析法构建克服评估模型时，可以通过如下方式：

S2-1，基于预设的评估因素建立层次结构。

在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次，同一层的诸因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用。最上层为目标层，通常只有1个因素，最下层通常为方案或对象层，中间可以有一个或几个层次，通常为准则或指标层。当准则过多时(如多于9个)应进一步分解出子准则层。本实施例中可根据业务场景建立合理的层次结构，包括目标层和一层对象层。

可选地，本实施例中的评估因素可以包括以下至少之一：目标数据产能、努力值、技能值。构建层次结构时，可以基于上述各类型的参数设定层次结构中各层的因子。举例而言，本实施例中的层次结构可具有两级层次：

一级的层次包括：目标数据产能(即业绩)、努力值、技能值；

二级的层次包括：每月长险产能、每日长险产能；呼通率、拨打系数、通次(通话次数)、通时(通话时长等)；二通及以上通时占比，二通及以上通次占比、长险成单量占比。

S2-2，基于层次结构构造判断矩阵。从层次结构模型的第2层开始，对于从属于(或影响)上一层每个因素的同一层诸因素，用成对比较法和1～9比较尺度构造成对比较阵(即判断矩阵)，直到最下层。本实施例中的层次结构共两层，因此，只需对二级的层次构造判断矩阵。

S2-3，根据判断矩阵进行一致性检验，并在检验通过后确定层次结构中各评估因素的权重，得到层次结构的客服评估模型。若检验不通过，则再次进行步骤S2-2，直至检验通过。进行一致性检验时，对于每一个成对比较阵计算最大特征根及对应特征向量，利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过，特征向量(归一化后)即为权向量：若不通过，需重新构造成判断矩阵。本发明实施例通过选用层次分析法构建获得客服评估模型，不仅结构简单明了，并且对各因素的合理性进行有效衡量。

在得到客服评估模型之后，即可执行步骤S104根据第二设定规则获取电话客服画像，其具体可以包括：

S3-1，收集至少一个电话客服的历史服务数据；历史服务数据包括历史通话信息和/或目标兴趣点成单信息。

S3-2，通过客服评估模型基于历史服务数据获取各所述电话客服的电话客服画像。

本实施例中待评估的电话客服是一个公司负责相同业务的电话客服，也可以是负责不同业务的电话客服。在获取电话客服的历史服务数据时，可以获取各电话客服的历史通话记录，如通话时长、通话次数等等，以及每次服务后所生成的对目标兴趣点的产能数据，例如产品的成单信息，包括：成单时间、成单种类等等相关信息。而通过客服评估模型获取到的各个电话客服的客户画像，可以为各电话客服的服务能力分值。

可选地，上述步骤S3-2可进一步包括：基于各电话客服的历史服务数据确定上述评估因素的实际值；通过客服评估模型利用上述评估因素的实际值以及各评估因素的权重计算各电话客服的服务能力分值。其中，各电话客服的服务能力分值可根据需求定期更新，本发明实施例对此不做限定。

前文介绍，电话客服模型主要是利用层次分析法构建。在本发明一可选实施例中，当层次结构只具有上述实施例所提及的一级层次时，评分主要根据目标数据产能、努力值和技能进行服务能力评分，分值越高，表示电话客服的综合能力越高。举例而言，评估参数包括：目标数据产能、努力值和技能值，各自的权重分别为0.6、0.3、0.1，对于任意一个电话客服，评分公式可以如下：

电话客服服务能力分值＝0.6*目标数据产能+0.3*努力值+0.1*技能值。

在本发明一可选实施例中，客服评估模型的层次结构还可以包括二级的层次，因此，各评估因素以及权重系数可以如表1所示。表1示出了本发明实施例的客服评估模型中层次结构以及各因素分配情况。

表1

上述评估因素的权重指示作为一种实施例，实际应用中可根据不同的业务需求进行调整，本发明实施例对此不做限定。

实际应用中，由于不同业务类型的兴趣线索的转化率不同，即成单的难易程度不同。因此，对于目标数据产能这一评估因素来讲，可以将其定义为难度换算后的产能。可选地，在基于电话客服的历史服务数据确定评估因素的实际值之前，还可以计算不同业务类型的兴趣线索的转化难度系数，进而基于转化难度系数计算电话客服的目标数据产能。可选地，计算公式可以如下：

转化难度系数＝0.6*转化结果+0.2*线索质量+0.2*努力成本

其中，转化结果可包括长险当月转化率；线索质量可与包括一呼(第一次呼叫)接通率和/或一呼平均通时；努力成本可以包括：平均成单前通时和/或平均成单前通次。

以保险产品中的长险为例，作为销售线索的兴趣线索的长险成单率和月长险产能是成正比，但是为了能够让每个类型的长险产能具有可比性，因此，本实施例可以设定与月长险产能是成反比的系数作为难度系数。首先，获取每个业务类型的平均成单率；其次，成单率取倒数；最后计算各业务类型的占比。表2示出了根据本发明实施例的基于历史记录信息计算得到难度系数数据。

表2

线索类型	T+60平均转化率	难度系数
			中断	0.10％	0.443295
续期	0.15％	0.29553
			专属顾问	0.40％	0.110824
客服反馈数据	0.60％	0.073883
			付费咨询	0.80％	0.55412
TSR手动上传	4％	0.011082
			赠险	8％	0.005541
其他	10％	0.004433

线索的难度系数迭代点可以包括：1)根据每月团队整体的拨打情况更新；2)新线索类型的难度系数初始化。线索质量越高，线索转化难度越低；不同类型线索转化难度不同，量化不同类型线索的转化难度，通过难度系数的换算，可以在一定程度上消除线索类型对于电话客服目标数据产能的影响，让电话客服之间的数据表现比较更合理，对应处理不同业务类型的兴趣线索的电话客服之间的产能更加公平。

以将每月长险产能进行难度转换得到每月折算长险产能为例(实际应用中，也可以对其他类型的评估参数进行难度转换)，结合表2所示的系数可以得出：

每月折算长险产能＝0.443295*中断长险产能+0.29553*续期长险产能+0.110824*专属顾问长险产能+0.073883*客服反馈数据长险产能+0.55412*付费咨询长险产能+0.011082*TSR手动上传长险产能+0.005541*赠险长险产能+0.004433*其他长险产能

可以将每月折算长险产能作为表1中的每月长险产能进行电话客服评分如下：

电话客服服务能力分值＝0.3035*每月折算长险产能+0.3035*每日长险产能+0.0292*呼通率+0.0584*拨打系数+0.0876*日均通次+0.1168*日均通时+0.0111*二通及以上通时占比+0.0333*二通及以上通次占比+0.0566*长险成单量占比

可选地，上述公式中各评估参数除了“每月折算长险产能”之外，其他评估参数可进行归一化处理，对于每个评估参数的归一下的公式可以如下：

X-min/(max-min)

X表示一个电话客服的某个评估因素的值，max表示所有电话客服中该评估因素的最大值，min为所有电话客服中该评估因素的最小值；归一化后对所有评分进行排序得到电话客服的评分顺序。本实施例可根据不同业务类型的难易程度进行难度系数的转化，使得对处理不同业务类型的销售线索的电话客服之间的产能评估更加公平，进而使得对电话客服的服务能力的评分也更加公正。

参见上述步骤S106，在分别得出用户画像和电话客服画像之后，即可按照第三设定规则将设定的用户匹配给设定的电话客服以便该电话客服进行处理。其中，设定的用户可以对于目标兴趣点具有不同关注度的用户，或是针对目标兴趣点具有不同需求的用户。而设定的客服可以是对应于不同需求所设定的客服，或是具有不同服务能力的客服。在为设定的用户匹配设定的客服时，可以采用多种方式进行匹配，下面将分别进行详细介绍。

方式一

基于服务能力分值的高低顺序对多个电话客服进行排名，并将排名后的电话客服按优先级依次划分为多个客服层级；基于设定的用户的关注度在多个客服层级中选取设定客服层级中的任一电话客服，并将设定用户匹配至该电话客服以便该电话客服进行处理。

举例来讲，对电话客服的服务能力进行评分后，可以按照评分从高到低的顺序进行排列，进行客服层级划分时，可以将前20％的电话客服划分至A类客服层级，将中间50％的电话客服划分至B类客服层级，将后30％的电话客服划分至C类客服层级，其中优先级顺序为A类客服层级＞B类客服层级＞C类客服层级。实际应用中，对于进行服务能力评分的电话客服可以为在线天数达到25天(或其他时长)的电话客服，而对于在线天数不足25天的电话客服，可以基于入职定级进行任务分配。

对于设定的用户来讲，可以先获取其对目标兴趣点的关注度，假设该用户对目标兴趣点的关注度较高，则可以为其匹配服务能力评分较高的电话客服，如A类客服层级中的电话客服，假设该用户对目标兴趣点的关注度较低，则可以为其匹配服务能力评分较低的电话客服，如C类客服层级中的电话客服。

对于关注度的高低可以设定不同阶段的比对值，进而确定为对应不同关注度的用户匹配的电话客服的所属客服层级。

除上述介绍的之外，在为用户匹配电话客服之前，还可以基于关注度的大小顺序对多条兴趣线索进行排名，并将排名后的兴趣线索按优先级依次划分为多个线索层级。其中，线索层级的层级数可以与客服层级的层级数相同。

进一步地，将设定的用户匹配至设定的电话客服时，在任一线索层级选取兴趣线索，并在多个客服层级中选取与上述线索层级具有相同优先级的客服层级中的任一电话客服；将该兴趣线索对应的用户匹配至电话客服以便该电话客服进行处理。

上文提及，客服层次可划分为A类客服层级、B类客服层级以及C类客服层级三个层级，同样的，线索层级也可以划分为三个层级，其可以包括：A类线索层级、B类线索层级和C类线索层级，且优先级顺序为A类线索层级＞B类线索层级＞C类线索层级，各层级中的任一兴趣线索均可作为待匹配兴趣线索。其中，以保险服务为例，A类线索层级可以为T+1服务型线索，如付费咨询、客服反馈等，属于该类的待匹配兴趣线索可对应匹配A类客服层级；B类线索层级可以为无时效要求的服务型线索，如专属顾问等，属于该类的兴趣线索可对应匹配B类客服层级；C类线索层级可以为除专属顾问、付费咨询和客服反馈之外的其他类型，其可以匹配C类客服层级。

本实施例中通过将关注度从大小到的顺序进行排序，从而得出兴趣线索的优劣排序，进而将较优质的兴趣线索(也即对目标兴趣点关注度较高的用户)匹配至服务能力较高的电话客户，也就是结合能者得优的方式进行兴趣线索的分配，从而提升用户的服务质量。

方式二

基于关注度的大小依次选取兴趣线索，按照优先级顺序在客服层级中依次选取电话客服；将兴趣线索对应的用户一一匹配至上述电话客服以便电话客服进行处理。

上文提及，可以分别对兴趣线索以及电话客服进行排序，因此，在进行用户与电话客服的匹配时，可以先依据兴趣线索的顺序依次选取兴趣线索，同时依据服务能力分值由高到低的顺序依次选取电话客服，从而将兴趣线索一一匹配至电话客服，以便电话客服进行处理。

也就是说，属于A类线索层级并且有分配时效要求的兴趣线索，如果供应量超出A类客服层级的电话客服的数量时，可以为其依次分配B类客服层级以及C类电话客服，至此类线索分配完成，从而有效减小甚至避免出现分配任务量过多、导致任务积压、高质量线索利用率不高的问题。

方式三

将多个线索层级中的任意一个线索层级进一步划分为多个子线索层级；其中，子线索层级的层级数与客服层级的层级数相同；在任一子线索层级选取兴趣线索，并在多个客服层级中选取与子线索层级具有相同优先级的客服层级中的任一电话客服；将兴趣线索对应的用户匹配至电话客服以便电话客服进行处理。

以C类线索为例，由于C类线索层级可能也存在潜在客户，因此，还可以对C类线索层级进行进一步分层，将前20％的兴趣线索划分为C1类子线索层级可匹配A类客服层级，中间50％的兴趣线索划分为C2类子线索层级可匹配B类客服层级，尾部30％的兴趣线索划分为C3类子线索层级可匹配C类客服层级等等。

除上述介绍的之外，实际应用中还会存在A类客服层级或B类客服层级电话客服供应不足的情况，即，属于A类线索层级的线索优先匹配A类客服层级的电话客服，当A类客服层级的电话客服不足时，可以向下取B类客服层级高排名的电话客服，依次类推。

可选地，对于同一兴趣线索来讲，在进行分配前，还可以判断其是否已经被分配，当未被分配时，即可分配电话客服。兴趣线索的分配顺序可按用户关注度从高到低进行，或是以线索所属层次类型进行分配，本发明实施例对此不做限定。

具体的划分依据以及各部分所占比例可根据不同业务场景进行调整，本发明实施例对此不做限定。另外，由于电话客服的服务记录会经常变化，因此，对于各电话客服的服务能力分值可以定期更新，对应的不同层级的电话客服也可以定期更新，电话客服所属层级发生变化时，分配的兴趣线索的等级也会发生变化，如表3所示，其中，TSR姓名表示电话客服姓名，TSR等级变化，表示电话客服所属客服层级的变化。

表3

本发明实施例提供的销售对象的分配方案，可以解决分配任务量过多、导致任务积压、高质量线索利用率不高的问题，分配任务结构更加的客观合理，有利于提高线索。同时，还改变了传统电销盲目打电话销售或者简单筛选销售的方式，使得电话销售的人群更加的准确，而且销售的业务员和客户之间的匹配更加合适，从而提高了销售的成功率和更好的服务体验。

基于同一发明构思，本发明实施例还提供了一种基于机器学习的数据匹配系统300，如图3所示，本实施例提供的基于机器学习的数据匹配系统300可以包括：

第一获取模块310，适于根据第一设定规则获取用户画像；

第二获取模块320，适于根据第二设定规则获取电话客服画像；

匹配模块330，适于根据电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便电话客服进行处理。

在本发明一可选实施例中，第一获取模块310可以包括：

数据获取单元311，适于获取至少一个用户的用户特征数据；

数据清洗单元312，适于通过卡方检验对用户特征数据进行清洗，得到用户特征数据中的显著特征数据；

第一画像获取单元313，适于基于显著特征数据获取用户画像。

在本发明一可选实施例中，数据清洗单元312还可以适于：

识别用户特征数据中包括的对应不同特征类型的多个特征数据；

将各特征数据与对应特征类型的预设值进行比较；

若特征数据大于或等于预设值，则定义特征数据为显著特征数据；若特征数据小于预设值，则定义特征数据为非显著特征数据。

在本发明一可选实施例中，如图4所示，上述图3展示的系统还可以包括：第一模型建立模块340，其适于：

收集网络用户的用户数据并存入指定用户数据库；用户数据至少包括以下之一：用户基本信息和/或用户行为特征数据；

基于用户数据库中的用户数据分别对应生成兴趣线索，并选取与预设目标兴趣点相关的兴趣线索作为样本数据；

构建线索评估模型；

基于样本数据训练线索评估模型。

在本发明一可选实施例中，第一模型建立模块340还可以适于：

基于网络平台收集网络用户的用户数据；

通过卡方检验对用户数据进行清洗，在用户数据中选取显著数据；

将显著数据存入指定用户数据库。

在本发明一可选实施例中，第一模型建立模块340还可以适于：基于样本数据利用lightGBM二分类算法训练线索评估模型。

在本发明一可选实施例中，第一画像获取单元313还可以适于：

基于显著特征数据生成用户的兴趣线索；

将兴趣线索输入线索评估模型，通过线索评估模型获取各用户对目标兴趣点的关注度。

在本发明一可选实施例中，如图4所示，上述图3展示的系统还可以包括：第二模型建立模块350，适于利用层次分析法构建客服评估模型。

在本发明一可选实施例中，如图4所示，第二获取模块320可以包括：

收集单元321，适于收集至少一个电话客服的历史服务数据；

第二画像获取单元322，适于通过客服评估模型基于历史服务数据获取各电话客服的电话客服画像。

在本发明一可选实施例中，第二模型建立模块350还可以适于：

基于预设的评估因素建立层次结构；评估因素包括以下至少之一：目标数据产能、努力值、技能值；

基于层次结构构造判断矩阵；

根据判断矩阵进行一致性检验，并在检验通过后确定层次结构中各评估因素的权重，得到层次结构的客服评估模型。

在本发明一可选实施例中，第二画像获取单元322还可以适于：

基于电话客服的历史服务数据确定评估因素的实际值；

通过客服评估模型利用评估因素的实际值以及各评估因素的权重计算各电话客服的服务能力分值。

在本发明一可选实施例中，第二画像获取单元322还可以适于：

在基于电话客服的历史服务数据确定评估因素的实际值之前，计算不同业务类型的兴趣线索的转化难度系数，基于转化难度系数计算电话客服的目标数据产能。

在本发明一可选实施例中，匹配模块330可以包括：

第一划分单元331，适于基于服务能力分值的高低顺序对多个电话客服进行排名，并将排名后的电话客服按优先级依次划分为多个客服层级；

客服匹配单元332，适于基于关注度在多个客服层级中选取设定客服层级中的任一电话客服，并将用户匹配至电话客服以便电话客服进行处理。

在本发明一可选实施例中，如图4所示，匹配模块330还可以包括：

第二划分单元333，适于基于关注度的大小顺序对多条兴趣线索进行排名，并将排名后的兴趣线索按优先级依次划分为多个线索层级。

在本发明一可选实施例中，线索层级的层级数与客服层级的层级数相同；

客服匹配单元332，还可以适于在任一线索层级选取兴趣线索，并在多个客服层级中选取与线索层级具有相同优先级的客服层级中的任一电话客服；将兴趣线索对应的用户匹配至电话客服以便电话客服进行处理。

在本发明一可选实施例中，客服匹配单元332还可以适于：

基于关注度的大小依次选取兴趣线索，按照优先级顺序在客服层级中依次选取电话客服；

将兴趣线索对应的用户一一匹配至电话客服以便电话客服进行处理。

在本发明一可选实施例中，客服匹配单元332还可以适于：

将多个客服层级中的任意一个客服层级进一步划分为多个子客服层级；其中，子客服层级的层级数与线索层级的层级数相同；

在任一线索层级选取兴趣线索，并在多个子客服层级中选取与线索层级具有相同优先级的子客服层级中的任一电话客服；

将兴趣线索对应的用户匹配至电话客服以便电话客服进行处理。

图5示出了根据本发明另一实施例的数据匹配系统架构示意图。在本实施例中，以为保险电话客服分配用户的兴趣线索为例，在图5中各部分功能如下：

应用层510，其包括：

管理后台511：为电话客服提供客户信息，比如手机号，年龄，婚育情况等，统计用户以往的购保历史，根据用户的特征给出推荐的险种，方便电话客服交流；如果成单，会记录用户的成单日期，保障时间，保障金额等，方便成单后续的保障服务的跟进。

客服评估512：根据收集的客服历史电销记录，使用层次分析法构建客服评估模型，并对每个电话客服的服务能力进行各个维度的评估，精准地对电话客服服务能力进行评估。

线索评估513：根据收集的用户特征数据，使用机器学习算法通过线索评估模型评估用户对保险产品的关注程度，计算对保险产品的关注度，从而可以筛选出相对优质的兴趣线索，提高兴趣线索的成单率。

线索分配514：客服和线索评分之后，就开始对电话客服分配需要处理的线索进行分配。预先对于电话客服的历史成单业绩做了统计，发现A类的20％的人，成单额度占总体的50％，70％的人基本是占到了95％以上，也就是C类的30％的人基本上没有成单记，因此，分配方式基于以往的统计历史规律按照2:5:3的分配方式分配A类线索，B类线索，C类线索。

保险知识库515：该模块提供了全部保险产品的保险条款的解析，和该产品的突出特征，方便电销客服查询，对用户进行解答。

服务层520，其包括：

数据清洗521：负责将平台收集的用户行为等文本信息进行格式化，并存入数据仓库hbase中。

特征处理522：经过清洗入库的数据，算法模型还是不能直接使用，有些非数值特征还需要进行转化处理，该模块就承担了该任务。

日志收集523：日志收集模块主要将平台的埋点数据收集聚合到一起，为分析用户的行为做准备。

模型中心524：其管理着该平台上线索评估模型和客服评估模型。

数据存储层530，其包括：

Hbase531、Redis532以及MySQL533，上述各数据库主要是将数据以不同形式不同维度进行存储。

基于上述架构，结合图6可知，本发明可选实施例提供的数据匹配流程可以包括：

S601，当检测用户进入到网站，网站通过埋点记录用户的行为，收集用户的访问次数，点击次数，年龄，性别等用户数据；

S602，收集相关数据后，以数据流的形式传送给数据spark清洗程序，开始格式化收集到的数据；

S603，数据清洗完成后保存到数据存储层530；

S604，数据仓库中的数据还不能直接使用，还需要进行特征处理，先进行离线的特征处理，如上述实施例提及的显著特征数据的选取；

S605，处理完特征后，开始离线训练线索评估模型和客服评估模型。

S606，将训练好的模型上传到模型中心524进行在线评分使用。

S607，模型中心开始使用在线的特征处理模块，在线的特征数据来源是hbase，处理方式和离线处理一样，处理完特征之后开始进行数据的评估服务；

S608使用电话客服的历史服务数据，对电话客服的服务能力进行评估，参考客服评分模型；

S609，使用用户特征数据，开始进行线索评估服务，参考线索评估模型；

S610，评估完成后把分数保存到mysql数据库中；

S611，保存到mysql数据库中的数据同步缓存到redis中一份；

S612，使用评价完的数据对兴趣线索进行分配；(确定电话客服端外呼列表页、任务分配页展示顺序)；

S613，电话客服拿到分配的结果，开始进行电话销售。

上文所述实施例是基于保险产品的电话销售相关应用场景，实际应用中，本发明所提供实施例还可以用于其他服务场景，如其他产品(如电子产品等各类产品)的服务，或是其他咨询类服务等等，此处不再赘述。

本发明实施例提供了一种基于机器学习的数据匹配方法及系统，在本发明提供的方法中，可先分别根据不同的设定规则获取用户画像以及电话客服画像，进而基于电话客户画像以及用户画像将设定的用户匹配给设定的电话客服以便其进行处理。基于本发明实施例提供的方案可根据用户画像以及电话客服画像为用户匹配合适的电话客服，从而在提升服务质量的同时提升服务效率。

另外，在本发明实施例通过构建线索评估模型和客服评估模型分别对兴趣线索和销售客服进行高效且合理评估，可以在实现高质量的线索的高效利用的同时对兴趣线索进行合理分配，提高了为用户提供更好的服务体验。

基于同一发明构思，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用于存储程序代码，所述程序代码用于执行上述任一实施例所述的基于机器学习的数据匹配方法。

基于同一发明构思，本发明实施例还提供了一种计算设备，所述计算设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述任一实施例所述的基于机器学习的数据匹配方法。

在一个实施例中，本发明实施例提供的基于机器学习的数据匹配系统可以实现为一种计算机程序的形式，计算机程序可以在计算设备上运行。计算设备的存储器中可以存储组成该基于机器学习的数据匹配系统的各个程序模块，例如，图3或图4所示的第一获取模块、第二获取模块以及匹配模块。各个程序模块构成的计算机程序使得处理器执行上述任一实施例所述的基于机器学习的数据匹配方法。

基于同一发明构思，本发明实施例还提供了一种计算机程序，所述计算机程序用于执行上述任一实施例所述的基于机器学习的数据匹配方法。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (28)

1.一种基于机器学习的数据匹配系统，应用于基于保险产品的电话销售相关应用场景，其特征在于，包括：

第一获取模块，适于根据第一设定规则获取针对保险产品的关注度的用户画像；

第二获取模块，适于根据第二设定规则获取针对保险产品的电话客服服务能力的电话客服画像；

匹配模块，适于根据所述电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便所述电话客服进行处理，其中，所述设定的用户为对保险产品具有不同关注度的用户；

其中，所述匹配模块包括：

第一划分单元，适于基于所述电话客服画像对应所述电话客服针对保险产品的服务能力分值的高低顺序对多个电话客服进行排名，并将排名后的电话客服按优先级依次划分为多个客服层级；

第二划分单元，适于基于所述用户画像对应用户针对保险产品的关注度的大小顺序对多条兴趣线索进行排名，并将排名后的兴趣线索按优先级依次划分为多个线索层级；

客服匹配单元，适于在任一所述线索层级选取兴趣线索，并在所述多个客服层级中选取与所述线索层级具有相同优先级的客服层级中的任一电话客服；将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

2.根据权利要求1所述的系统，其特征在于，所述第一获取模块包括：

数据获取单元，适于获取至少一个用户的用户特征数据；

数据清洗单元，适于通过卡方检验对所述用户特征数据进行清洗，得到所述用户特征数据中的显著特征数据；

第一画像获取单元，适于基于所述显著特征数据获取用户画像。

3.根据权利要求2所述的系统，其特征在于，所述数据清洗单元还适于：

识别所述用户特征数据中包括的对应不同特征类型的多个特征数据；

将各所述特征数据与对应特征类型的预设值进行比较；

若所述特征数据大于或等于所述预设值，则定义所述特征数据为显著特征数据；若所述特征数据小于所述预设值，则定义所述特征数据为非显著特征数据。

4.根据权利要求2所述的系统，其特征在于，还包括：第一模型建立模块，适于：

收集网络用户的用户数据并存入指定用户数据库；所述用户数据至少包括以下之一：用户基本信息和/或用户行为特征数据；

基于所述用户数据库中的用户数据分别对应生成兴趣线索，并选取与预设目标兴趣点相关的兴趣线索作为样本数据；

构建线索评估模型；

基于所述样本数据训练所述线索评估模型。

5.根据权利要求4所述的系统，其特征在于，所述第一模型建立模块还适于：

基于网络平台收集网络用户的用户数据；

通过卡方检验对所述用户数据进行清洗，在所述用户数据中选取显著数据；

将所述显著数据存入指定用户数据库。

6.根据权利要求4所述的系统，其特征在于，所述第一模型建立模块还适于：基于所述样本数据利用lightGBM二分类算法训练所述线索评估模型。

7.根据权利要求4所述的系统，其特征在于，所述第一画像获取单元还适于：

基于所述显著特征数据生成所述用户的兴趣线索；

将所述兴趣线索输入所述线索评估模型，通过所述线索评估模型获取各所述用户对所述目标兴趣点的关注度。

8.根据权利要求7所述的系统，其特征在于，还包括：

第二模型建立模块，适于利用层次分析法构建客服评估模型。

9.根据权利要求8所述的系统，其特征在于，所述第二获取模块，包括：

收集单元，适于收集至少一个电话客服的历史服务数据；

第二画像获取单元，适于通过所述客服评估模型基于所述历史服务数据获取各所述电话客服的电话客服画像。

10.根据权利要求9所述的系统，其特征在于，所述第二模型建立模块还适于：

基于预设的评估因素建立层次结构；所述评估因素包括以下至少之一：目标数据产能、努力值、技能值；

基于所述层次结构构造判断矩阵；

根据所述判断矩阵进行一致性检验，并在检验通过后确定所述层次结构中各所述评估因素的权重，得到层次结构的客服评估模型。

11.根据权利要求10所述的系统，其特征在于，所述第二画像获取单元还适于：

基于所述电话客服的历史服务数据确定所述评估因素的实际值；

通过所述客服评估模型利用所述评估因素的实际值以及各所述评估因素的权重计算各所述电话客服的服务能力分值。

12.根据权利要求11所述的系统，其特征在于，所述第二画像获取单元还适于：

在基于所述电话客服的历史服务数据确定所述评估因素的实际值之前，计算不同业务类型的兴趣线索的转化难度系数，基于所述转化难度系数计算所述电话客服的目标数据产能。

13.根据权利要求1所述的系统，其特征在于，所述客服匹配单元还适于：

将所述多个客服层级中的任意一个客服层级进一步划分为多个子客服层级；其中，所述子客服层级的层级数与所述线索层级的层级数相同；

在任一所述线索层级选取兴趣线索，并在所述多个子客服层级中选取与所述线索层级具有相同优先级的子客服层级中的任一电话客服；

将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

14.一种基于机器学习的数据匹配方法，应用于基于保险产品的电话销售相关应用场景，其特征在于，包括：

根据第一设定规则获取针对保险产品的关注度的用户画像；

根据第二设定规则获取针对保险产品的电话客服服务能力的电话客服画像；

根据所述电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便所述电话客服进行处理，其中，所述设定的用户为对保险产品具有不同关注度的用户；

其中，所述根据所述电话客服画像、用户画像按照第三设定规则将设定的用户匹配给设定的电话客服以便所述电话客服进行处理，包括：

基于所述电话客服画像对应所述电话客服针对保险产品的服务能力分值的高低顺序对多个电话客服进行排名，并将排名后的电话客服按优先级依次划分为多个客服层级；

基于所述用户画像对应用户针对保险产品的关注度的大小顺序对多条兴趣线索进行排名，并将排名后的兴趣线索按优先级依次划分为多个线索层级；

在任一所述线索层级选取兴趣线索，并在所述多个客服层级中选取与所述线索层级具有相同优先级的客服层级中的任一电话客服；将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

15.根据权利要求14所述的方法，其特征在于，所述根据第一设定规则获取用户画像，包括：

获取用户特征数据；

通过卡方检验对所述用户特征数据进行清洗，得到所述用户特征数据中的显著特征数据；

基于所述显著特征数据获取用户画像。

16.根据权利要求15所述的方法，其特征在于，所述通过卡方检验对所述用户特征数据进行清洗，得到所述用户特征数据中的显著特征数据，包括：

识别所述用户特征数据中包括的对应不同特征类型的多个特征数据；

将各所述特征数据与对应特征类型的预设值进行比较；

若所述特征数据大于或等于所述预设值，则定义所述特征数据为显著特征数据；若所述特征数据小于所述预设值，则定义所述特征数据为非显著特征数据。

17.根据权利要求15所述的方法，其特征在于，所述基于所述显著特征数据获取所述用户的用户画像之前，还包括：

收集网络用户的用户数据并存入指定用户数据库；所述用户数据至少包括以下之一：用户基本信息和/或用户行为特征数据；

基于所述指定用户数据库中的用户数据分别对应生成兴趣线索，并选取与预设目标兴趣点相关的兴趣线索作为样本数据；

构建线索评估模型；

基于所述样本数据训练所述线索评估模型。

18.根据权利要求17所述的方法，其特征在于，所述收集网络用户的用户数据并存入指定用户数据库，包括：

基于网络平台收集网络用户的用户数据；

通过卡方检验对所述用户数据进行清洗，在所述用户数据中选取显著数据；

将所述显著数据存入所述指定用户数据库。

19.根据权利要求17所述的方法，其特征在于，所述基于所述样本数据训练所述线索评估模型，包括：

基于所述样本数据利用lightGBM二分类算法训练所述线索评估模型。

20.根据权利要求17所述的方法，其特征在于，所述基于所述显著特征数据获取用户画像，包括：

基于所述显著特征数据生成兴趣线索；

将所述兴趣线索输入所述线索评估模型，通过所述线索评估模型获取所述兴趣线索对应的用户对所述目标兴趣点的关注度。

21.根据权利要求20所述的方法，其特征在于，所述根据第二设定规则获取电话客服画像之前，还包括：

利用层次分析法构建客服评估模型。

22.根据权利要求21所述的方法，其特征在于，所述根据第二设定规则获取电话客服画像，包括：

收集至少一个电话客服的历史服务数据；

通过所述客服评估模型基于所述历史服务数据获取各所述电话客服的电话客服画像。

23.根据权利要求22所述的方法，其特征在于，所述利用层次分析法构建客服评估模型，包括：

基于预设的评估因素建立层次结构；所述评估因素包括以下至少之一：目标数据产能、努力值、技能值；

基于所述层次结构构造判断矩阵；

根据所述判断矩阵进行一致性检验，并在检验通过后确定所述层次结构中各所述评估因素的权重，得到层次结构的客服评估模型。

24.根据权利要求23所述的方法，其特征在于，所述通过所述客服评估模型基于所述历史服务数据获取各所述电话客服的电话客服画像，包括：

基于所述电话客服的历史服务数据确定所述评估因素的实际值；

通过所述客服评估模型利用所述评估因素的实际值以及各所述评估因素的权重计算各所述电话客服的服务能力分值。

25.根据权利要求24所述的方法，其特征在于，所述基于所述历史服务数据确定所述评估因素的实际值之前，还包括：

计算不同业务类型的兴趣线索的转化难度系数，基于所述转化难度系数计算所述电话客服的目标数据产能。

26.根据权利要求14所述的方法，其特征在于，所述基于所述用户画像对应用户针对保险产品的关注度的大小顺序对多条兴趣线索进行排名，并将排名后的兴趣线索按优先级依次划分为多个线索层级之后，还包括：

将所述多个线索层级中的任意一个线索层级进一步划分为多个子线索层级；其中，所述子线索层级的层级数与所述客服层级的层级数相同；

在任一所述子线索层级选取兴趣线索，并在所述多个客服层级中选取与所述子线索层级具有相同优先级的客服层级中的任一电话客服；

将所述兴趣线索对应的用户匹配至所述电话客服以便所述电话客服进行处理。

27.一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用于存储程序代码，所述程序代码用于执行权利要求14-26中任一项所述的基于机器学习的数据匹配方法。

28.一种计算设备，其特征在于，所述计算设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求14-26中任一项所述的基于机器学习的数据匹配方法。

Images