CN111340380B - 客户资源分配方法、装置以及存储介质 - Google Patents

Abstract

本申请公开了一种客户资源分配方法、装置以及存储介质。其中，客户资源分配方法，包括：获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息；利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值；以及根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员。

Description

客户资源分配方法、装置以及存储介质

技术领域

本申请涉及客户关系管理技术领域，特别是涉及一种客户资源分配方法、装置以及存储介质。

背景技术

目前，现有的客户关系管理系统中设置有筛选和排序功能，公海客户可以按照地址区域、跟进状态、录入时间、最后联系时间以及渠道来源等进行筛选的方式，然后列出具有潜力的可二次开发的公海客户列表。然后将这些公海客户分配给合适的顾问来跟进。但是传统公海客户列表的筛选排序功能中筛选维度条件单一、粒度较粗以及仅从内置的筛选条件和排序无法快速有效的找出具有潜力的可二次开发的公海客户，需要经验丰富的顾问通过一一查看列表中每位客户历史数据，人工判定是否可二次开发，然后再分配合适的顾问进行跟进。随着时间推移，当CRM中积累了数百万千万公海客户时，人工筛选公海客户和分配顾问跟进将耗时和耗力，效率十分低下，同时客户的体验较差，满意度也会下降。

针对上述的现有技术中存在的传统的客户关系管理无法准确的筛选出可以二次开发的客户，需要人工判断进行筛选的方式的方式极大的耗费时间和精力，并且筛选的效率低以及客户体验差的技术问题，目前尚未提出有效的解决方案。

发明内容

本公开的实施例提供了一种客户资源分配方法、装置以及存储介质，以至少解决现有技术中存在的传统的客户关系管理无法准确的筛选出可以二次开发的客户，需要人工判断进行筛选的方式极大的耗费时间和精力，并且筛选的效率低以及客户体验差的技术问题。

根据本公开实施例的一个方面，提供了一种客户资源分配方法，包括：获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息；利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值；以及根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员。

根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项的方法。

根据本公开实施例的另一个方面，还提供了一种客户资源分配装置，包括：获取模块，用于获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息；客户分值确定模块，用于利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值；以及分配模块，用于根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员。

根据本公开实施例的另一个方面，还提供了一种客户资源分配装置，包括：第一处理器；处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息；利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值；以及根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员。

从而根据本实施例提供的技术方案，首先计算设备可以通过网站、APP以及小程序日志获取与客户资源相关的包括多个客户信息的第一客户数据集合。然后计算设备可以利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值。从而根据客户的分值情况可以显示出该客户和对应的目标工作人员的匹配程度。最后计算设备可以根据客户分值，从多个客户中选取预定数量分值最高的客户分配给目标工作人员。因此可以将和该目标工作人员匹配度最高的客户集合分配给该目标工作人员。并且本方案针对新工作人员和老工作人员建立不同的客户评分模型，从而可以更好的将客户资源分配给合适的工作人员。进而解决了现有技术中存在的传统的客户关系管理无法准确的筛选出可以二次开发的客户，需要人工判断进行筛选的方式极大的耗费时间和精力，并且筛选的效率低以及客户体验差的技术问题。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；

图2是根据本公开实施例1的第一个方面所述的客户资源分配方法的流程示意图；

图3A是根据本公开实施例1所述的客户资源分配方法的另一流程示意图；

图3B是根据本公开实施例1所述的客户资源分配系统的示意图；

图4是根据本公开实施例2所述的客户资源分配装置的示意图；以及

图5是根据本公开实施例3所述的客户资源分配装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本实施例，还提供了一种客户资源分配方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于客户资源分配方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的客户资源分配方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的客户资源分配方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算设备的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。

在上述运行环境下，根据本实施例的第一个方面，提供了一种客户资源分配方法。图2示出了该方法的流程示意图，参考图2所示，该方法包括：

S202：获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息；

S204：利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值；以及

S206：根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员。

具体地，参考图2所示，在公司需要将公海中的客户资源分配给工作人员进行跟进的情况下，首先计算设备可以获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息(S202)。其中第一客户数据集合例如可以是计算设备通过网站、APP以及小程序日志提取的客户关系管理中的客户的问卷和行为数据。其中计算设备例如可以通过客户关系管理系统提取客户的操作日志、基本数据以及跟进数据。并且其中提取的第一客户数据集合中的数据例如可以为客户问卷数据：

(crmID，国家列表，移民目的列表，家庭资产，居住时间，最高学历，英语水平)。

其中国家列表为客户问卷中填写的意向国家，各个国家名称之间用逗号隔开，最多三个国家。移民目的列表与国家列表同理。例如该问卷数据具体为：

(crmID_1，“美国，加拿大”，“子女教育，投资理财”，“100万-300万”，“每年住30天”，“博士”，“大学英语6级”)，

其中表示客户ID为crmID_1的客户，其意向国家为“美国，加拿大”；移民目的为“子女教育，投资理财”；家庭资产为“100万-300万”人民币；居住时间为“每年住30天”；最高学历为“博士”；以及英语水平为“大学英语6级”。

进一步地，计算设备可以利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值(S204)。其中例如客户有100人，那么就可以根据客户评分模型得出100个客户相对于每个目标工作人员的100个客户分值信息。

进一步地，计算设备可以根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员(206)。其中例如目前有工作人员(例如负责跟进客户的顾问)5人，客户资源中包含客户100人，所以需要给每个工作人员分配20个客户进行跟进。其次例如100个客户相对于目标工作人员会有相应的100个分值，然后取100个分值中分值最高的20个客户分配给该目标工作人员。

正如背景技术中所述的，传统公海客户列表的筛选排序功能中筛选维度条件单一、粒度较粗以及仅从内置的筛选条件和排序无法快速有效的找出具有潜力的可二次开发的公海客户，需要经验丰富的顾问通过一一查看列表中每位客户历史数据，人工判定是否可二次开发，然后再分配合适的顾问进行跟进。随着时间推移，当CRM中积累了数百万千万公海客户时，人工筛选公海客户和分配顾问跟进将耗时和耗力，效率十分低下，同时客户的体验较差，满意度也会下降。

有鉴于此，根据本实施例提供的技术方案，首先计算设备可以获取与客户资源相关的包括多个客户信息的第一客户数据集合。然后计算设备可以利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值。从而客户的分值情况可以指示出该客户和对应的目标工作人员的匹配程度。最后计算设备根据客户分值，从多个客户中选取预定数量分值最高的预定数量的客户分配给目标工作人员。因此可以将和该目标工作人员匹配度最高的客户集合分配给该目标工作人员。进而解决了现有技术中存在的传统的客户关系管理无法准确的筛选出可以二次开发的客户，需要人工判断进行筛选的方式极大的耗费时间和精力，并且筛选的效率低以及客户体验差的技术问题。

可选地，利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值的操作，包括：根据多个客户信息，确定分别与多个客户关联的多个客户特征；以及利用客户评分模型，根据多个客户特征，分别确定客户分值。

具体地，计算设备在利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值的过程中，可以根据多个客户信息，确定分别与多个客户关联的多个客户特征。例如计算设备可以利用预先设定的特征提取算法对每个客户信息进行特征提取，然后提取出该客户信息对应的客户特征。从而可以去除客户信息中的脏数据，并且提取出有效的客户数据即客户特征。

进一步地，计算设备可以利用客户评分模型，根据多个客户特征，分别确定客户分值。其中计算设备可以将每个客户特征输入到客户评分模型中，然后可以得出该客户与对应的目标工作人员的分值。从而通过以上方式就可以得出多个客户相对于目标工作人员的分值集合。

可选地，客户评分模型包括第一客户评分模型以及第二客户评分模型，其中第一客户评分模型适用于客户数量超过预定阈值的工作人员以及第二客户评分模型适用于客户数量少于预定阈值的工作人员，并且利用客户评分模型，根据多个客户特征，分别确定客户分值的操作，包括：从多个客户特征中选择一个客户特征；利用第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值；利用第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值；以及根据第一分值和第二分值，确定相应客户相对于目标工作人员的客户分值。

具体地，客户评分模型包括第一客户评分模型以及第二客户评分模型，其中第一客户评分模型适用于客户数量超过预定阈值的工作人员(例如具有丰富工作经验的顾问)以及第二客户评分模型适用于客户数量少于预定阈值的工作人员(例如新加入公司的顾问，即工作经验不足的新顾问)。其中预定阈值可以由使用人员自行设定。

具体地，例如计算设备可以从多个客户特征中选择一个客户特征。例如有100个客户对应的100个客户特征，首先计算设备选取其中的一个客户的客户特征。然后计算设备利用第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值。然后计算设备再利用第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值。其中第一分值和第二分值为选取的客户特征对应的客户相对于所选择的目标工作人员的分数值。

进一步地，计算设备根据第一分值和第二分值，确定相应客户相对于目标工作人员的客户分值。例如计算设备可以根据预先设置的运算方法对第一分值和第二分值做相关的运算，然后得出所选择的客户特征的客户对应的所选择的目标工作人员的客户分值。由于新工作人员与老工作人员的跟进过的客户数量的差别，所以为了新工作人员可以分配到跟进客户，从而计算设备将第一分值和第二分值做相关运算，进而可以为新工作人员分配到相应的客户集合。

从而通过上述方式可以确定每个客户相对于所选择的目标工作人员的分值，进而确定多个客户相对于所选择的目标工作人员的分值集合。

可选地，根据第一分值和第二分值，确定相应客户相对于目标工作人员的客户分值的操作，包括：对第一分值和第二分值进行加权求和，确定相应客户相对于目标工作人员的客户分值。

具体地，计算设备根据第一分值和第二分值，确定相应客户相对于目标工作人员的客户分值的操作，例如计算设备可以对第一分值和第二分值进行加权求和，确定相应客户相对于目标工作人员的客户分值。其中加权求和中的权重的计算公式可以定义为：

w＝(tanh((counts-1000)/333)+1)*0.5*personal

其中tanh是双曲函数中的一个，tanh()为双曲正切；counts为顾问对应累计的训练数据数目；以及personal为0到1之间的取值。

从而通过上述方式可以确定每个客户相对于所选择的目标工作人员的分值，进而确定多个客户相对于所选择的目标工作人员的分值集合。

可选地，对所述第一分值和所述第二分值进行加权求和的操作，包括根据以下公式，对所述第一分值和所述第二分值进行加权求和：

proba_score＝general_model_proba*(1-w)+personal_model_proba*w (1)

w＝(tanh((counts-1000)/333)+1)*0.5*personal(2)，其中

proba_score为所述客户分值，general_model_proba为所述第二分值，(1-w)为所述第二分值对应的权重值，personal_model_proba为所述第一分值，w为所述第一分值对应的权重值，tanh()为双曲正切函数，counts为所述目标工作人员跟进过的客户数量，personal为0到1之间的取值。

具体地，计算设备可以根据权重公式：

w＝(tanh((counts-1000)/333)+1)*0.5*personal (2)

计算出第一分值的权重值w，并且根据第一分值的权重值确定第二分值的权重值(1-w)。其中权重计算公式中tanh()为最优函数，例如其他的双曲函数计算的权重的效果没有双曲正切函数计算的权重效果好。

然后计算设备可以将确定的第一分值的权重值和第二分值的权重值带入客户分值计算公式：

proba_score＝general_model_proba*(1-w)+personal_model_proba*w (1)

从而可以计算出客户分值。从而通过上述权重公式(2)和客户分值公式(1)可以计算出该客户的最终客户分值。

此外，在目标工作人员的客户数量超过预定阈值的情况下，第一分值的权重值高于第二分值的权重值。例如计算设备在根据权重公式得出的第一分值的权重值为0.98的情况下，并且可以确定第二分值的权重值例如可以为0.02，那么该客户相对于该目标工作人员的客户分值为：第一分值*0.98+第二分值*0.02。

此外，在目标工作人员的客户数量很少或者没有的情况下，那么客户相对于该目标工作人员的第一分值就会很低，相应的第一分数的权重也会很小。例如计算设备根据权重公式得出的第一分值的权重值为0.02的情况下，并且第二分值的权重值为0.98，那么该客户相对于该目标工作人员的客户分值为：第一分值*0.02+第二分值*0.98。

可选地，根据多个客户信息，确定分别与多个客户关联的多个客户特征的操作，包括：从多个客户信息中选择一个客户信息；以及从所选择的客户信息中提取以下特征信息作为与所选择的客户信息对应的客户特征：用于表示所选择的客户信息的跟进数据的数值特征、用于表示所选择的客户信息的中客户行为数据的二值类别特征、用于表示所选择的客户信息的中客户的移民意图的哑变量特征以及用于描述所选择的客户信息的有效性的标签信息。

具体地，计算设备根据多个客户信息，确定分别与多个客户关联的多个客户特征的操作，例如计算设备可以从多个客户信息中选择一个客户信息。然后计算设备从所选择的客户信息中提取以下特征信息作为与所选择的客户信息对应的客户特征：

数值特征，用于表示所选择的客户信息的跟进信息。并且数值特征即为计算设备从第一客户数据集合中的跟进记录中计算累计联系次数、总联系时长以及上次联系时间间隔。

例如，客户跟进数据中记录了每次的联系顾问(即工作人员)、联系时间以及联系时长。按客户的联系时间升序排列后，进行分组，对每组求和计算得出联系次数以及总联系时长。然后取分组后的最后一次联系时间与当前时间差值计算出时间间隔。

二值类别特征，用于表示所选择的客户信息的中客户行为数据。并且二值类别特征即为计算设备从用户行为数据中计算是否有页面浏览，评估，预约等行为。

例如，用户行为数据：(crmID，浏览次数，评估次数，预约次数)，浏览次数大于0时，表示存在浏览数据，否则不存在。同理评估次数大于0时，表示存在评估数据。预约次数大于0时，表示存在预约数据评估。

哑变量特征，用于表示所选择的客户信息的中客户的意图。并且哑变量特征即为计算设备对客户渠道来源、意向国家以及移民目的进行哑变量处理后的数据。例如，评估问卷中客户意向国家数据是一个n行3列的矩阵，如下所示：

其中crmid_n为客户编号，nations_n的取值为多个国家使用逗号分隔，datetime_n为填写问卷时间。并且提取哑变量的过程为：首先将crmid_n和datetime_n设置为索引列。然后将所有出现的国家值作为新的每一列。最后按索引计算每一行新国家列的取值，如果该国家列在nations_n中则取值为1，否则为0。移民目的的哑变量提取方式与此类似。

标签信息，用于表示所选择的客户信息的有效性。标签信息即计算设备为从客户关系管理的操作日志中对公海客户进行打标签。其中打标签的规则为：7天内跟进的公海客户，最大星级大于0或者有效联系次数大于0并且且为放弃公海的为正样本，其他的为负样本。其中星级共分为0，1，2，3，4，5星，最大的星级是指同一个客户的多次被顾问打的星级中最大的星级值。

从而通过以上方式提取出客户的有效客户特征，用于后续的模型建立与客户分值计算。进而就是那设备可以确定与多个客户关联的多个客户特征。

此外，计算设备在提取的第一客户数据集合中的数据存在部分脏数据的情况下，需要对脏数据进行清洗等预处理操作。例如字段值缺失的情况下，可以对字段值缺失的数据进行舍弃或者填充处理。然后计算设备在对经过预处理后的数据进行特征提取。

可选地，利用第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值的操作，包括：利用基于二分类机器学习模型的第一客户评分模型，根据所选择的客户特征，确定相应客户的第一分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

具体地，计算设备利用第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值的操作，例如计算设备可以利用基于二分类机器学习模型的第一客户评分模型，根据所选择的客户特征，确定相应客户的第一分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

并且其中决策树模型为一个个树形结构，由结点(node)和有向边(directededge)组成，结点分内部结点和叶结点。内部结点是一个特征，叶结点是类别。决策树可以看作一个if-then规则的集合。当输入待预测的数据特征时，根据决策树模型规则得到一个分类，同时得到该分类的一个预测的概率值得分。其中该决策树模型中的模型参数主要包括学习率(learning_rate)估计器数目(n_estimators)，树深度(max_depth)等。模型的最优参数通过网格搜索进行调参取得。从而将选择的客户特征输入到根据以及二分类机器学习模型的第一客户评分模型，得出所选择的客户特征对应的客户的第一分值。

可选地，利用第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值的操作，包括：利用基于二分类机器学习模型的第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

具体地，计算设备利用第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值的操作，例如计算设备可以利用基于二分类机器学习模型的第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

并且其中决策树模型为一个个树形结构，由结点(node)和有向边(directededge)组成，结点分内部结点和叶结点。内部结点是一个特征，叶结点是类别。决策树可以看作一个if-then规则的集合。当输入待预测的数据特征时，根据决策树模型规则得到一个分类，同时得到该分类的一个预测的概率值得分。其中该决策树模型中的模型参数主要包括学习率(learning_rate)估计器数目(n_estimators)，树深度(max_depth)等。模型的最优参数通过网格搜索进行调参取得。从而将选择的客户特征输入到根据以及二分类机器学习模型的第二客户评分模型，得出所选择的客户特征对应的客户的第二分值。

此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。

从而根据本实施例提供的技术方案，首先计算设备可以通过网站、APP以及小程序日志获取与客户资源相关的包括多个客户信息的第一客户数据集合。然后计算设备可以利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值。从而根据客户的分值情况可以显示出该客户和对应的目标工作人员的匹配程度。最后计算设备可以根据客户分值，从多个客户中选取预定数量分值最高的客户分配给目标工作人员。因此可以将和该目标工作人员匹配度最高的客户集合分配给该目标工作人员。并且本方案针对新工作人员和老工作人员建立不同的客户评分模型，从而可以更好的将客户资源分配给合适的工作人员。进而解决了现有技术中存在的传统的客户关系管理无法准确的筛选出可以二次开发的客户，需要人工判断进行筛选的方式极大的耗费时间和精力，并且筛选的效率低以及客户体验差的技术问题。

此外，图3A示出了本实施例所述的客户资源分配方法的另一流程示意图，参考图3A所示，S10：提取CRM客户相关数据(第一客户数据集合)。CRM(客户关系管理)客户相关数据包括客户基本数据、客户问卷数据、客户跟进数据，客户行为数据等等。其中提取CRM客户数据为获取CRM客户产生的相关数据。其步骤具体为：通过网站、APP以及小程序日志提取CRM客户的问卷和行为数据。然后通过CRM系统中提取客户的操作日志，基本数据和跟进数据。

例如，客户问卷数据：(crmID，国家列表，移民目的列表，家庭资产，居住时间，最高学历，英语水平)。国家列表为客户问卷中填写的意向国家，各个国家名称之间用逗号隔开，最多三个国家。移民目的列表同理。例如，(crmID_1，“美国，加拿大”，“子女教育，投资理财”，“100万-300万”，“每年住30天”，“博士”，“大学英语6级”)，表示ID为crmID_1的客户意向国家为“美国，加拿大”，移民目的为“子女教育，投资理财”，家庭资产为“100万-300万”人民币，居住时间为“每年住30天”，最高学历为“博士”，英语水平为“大学英语6级”。

S20：数据预处理与特征工程。每天的日志数据中存在部分脏数据，字段缺失值，需要对脏数据进行清洗。其中清洗的操作例如可以对字段缺失的数据进行舍弃或者填充处理。对预处理过的数据探索分析后，进行特征选取，然后进行特征工程。特征工程的方法具体为：

S21：计算数值特征。例如从跟进记录中计算累计联系次数，总联系时长，上次联系时间间隔。

例如，客户跟进数据中记录了每次的联系顾问，联系时间，联系时长。按客户的联系时间升序排列后，进行分组，对每组求和计算得出联系次数，总联系时长；取分组后的最后一次联系时间与当前时间差值计算出时间间隔。

S22：计算二值类别特征。该实施例中，从用户行为数据中计算是否有页面浏览，评估，预约等行为。

例如，用户行为数据：(crmID，浏览次数，评估次数，预约次数)，浏览次数大于0时，表示存在浏览数据，否则不存在。

评估和预约的计算方式与此类似，这里就不在一一赘述。

S23：计算哑变量特征。

该实施例中，对客户渠道来源，意向国家，移民目的进行哑变量处理。

例如，评估问卷中客户意向国家数据是一个n行3列的矩阵，如下所示

其中crmid_n为客户编号，nations_n的取值为多个国家使用逗号分隔，datetime_n为填写问卷时间。并且提取哑变量的过程为：现将crmid_n和datetime_n设置为索引列，将所有出现的国家值作为新的每一列；按索引计算每一行新国家列的取值，如该国家列在nations_n中则取值为1，否则为0。

移民目的的哑变量提取方式与此类似，这里就不再一一赘述。

S24：标签提取(即标签信息提取)。该实施例中，从CRM操作日志中对公海客户进行打标签。打标签的规则为：7天内跟进的公海客户，最大星级大于0或者有效联系次数大于0且为放弃公海的为正样本，其他的为负样本。

S30：模型训练与预测打分。例如可以使用有监督的二分类机器学习模型。其中模型使用基于Histogram梯度提升学习算法的决策树，其思想是将连续的浮点特征离散成k个离散值，并构造宽度为k的Histogram。然后遍历训练数据，统计每个离散值在直方图中的累计统计量。在进行特征选择时，只需要根据直方图的离散值，遍历寻找最优的分割点。

进一步地，该模型的输入参数为S20步骤中特征矩阵数据(包括数值特征，二值类别特征，哑变量特征等)、标签数据和模型参数。模型参数主要包括学习率(learning_rate)估计器数目(n_estimators)，树深度(max_depth)等。模型的最优参数通过网格搜索进行调参取得。

此外二分类模型为训练得到的最优决策树模型。决策树模型为一个个树形结构，由结点(node)和有向边(directed edge)组成，结点分内部结点和叶结点。内部结点是一个特征，叶结点是类别。决策树可以看做一个if-then规则的集合。当输入待预测的数据特征时，根据决策树模型规则得到一个分类，同时得到该分类的一个预测的概率值得分。

模型的训练过程中，按顾问进行分组训练个性化模型(第一客户评分模型)，同时针对积累数据较少的新顾问训练通用模型(第二客户评分模型)；最终的客户分值为个性化模型与通用模型按一定的权重进行组合，特征重要性是每个子模型特征重要性的加权和，权重w为对应顾问数据所占比例。

权重w计算公式：w＝(tanh((counts-1000)/333)+1)*0.5*personal，其中counts为顾问对应累计的训练数据数目，personal为0到1之间的取值。

模型的预测打分：计算待预测公海客户数据的概率值，并对不同的顾问进行打分。

打分函数为：

proba_score＝general_model_proba*(1-w)+personal_model_proba*w

其中general_model_proba为通用模型预测值，personal_model_proba为个性化模型预测值，w为个性模型训练过程中的权重值。其中引入权重目的是为了处理数据量积累很少的顾问，甚至没有的情况，如新顾问，此时参考其他顾问训练出来的通用模型发掘公海客户将达到较好的效果。

当顾问未积累数据，或者积累的数据量过小，权重w将会趋近于0，打分函数proba_score将主要由通用模型来计算；当顾问积累的数据较多时，该实施例中由统计得出顾问一般counts大于2000，根据双曲正切函数的分布，个性化模型的权重w将接近personal的取值，打分函数proba_score由个性化模型和通用模型计算的权重组合计算得出。

S40：潜力公海客户分配。对预测的公海客户按顾问分组，按预测得分降序排列，取topN，N为当天需要分配的公海客户数目。

此外，图3B示出了客户资源分配系统的示意图，参考图3B所示，本实施例提供的客户资源分配方法的系统可以包括数据提取预处理模块100、模型分类评分模块200以及公海客户分配模块300。

其中数据提取预处理模块100包括：通过网站，APP和小程序日志，提取CRM客户的问卷和行为数据。通过CRM系统中提取客户的操作日志，基本数据和跟进数据。

数据提取预处理模块100还包括：数据预处理与特征工程。其具体步骤为：每天的日志数据中存在部分脏数据，字段缺失值，需要对脏数据进行清洗，对字段缺失的数据进行舍弃或者填充处理；对预处理过的数据探索分析后，进行特征选取；分别计算数值特征，二值类别特征，哑变量特征；以及从CRM操作日志中对公海客户进行打标签。

模型分类评分模块200包括：模型训练与预测打分。其具体步骤为：按顾问进行分组训练个性化模型，同时针对积累数据较少的新顾问训练通用模型。计算待预测公海客户数据的概率值,并对不同的顾问进行打分。

公海客户分配模块300包括：将潜力公海客户分配对应顾问。

实施例2

图4示出了根据本实施例所述的客户资源分配装置400，该装置400与根据实施例1的第一个方面所述的方法相对应。参考图4所示，该装置400包括：获取模块410，用于获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息；客户分值确定模块420，用于利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值；以及分配模块430，用于根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员。

可选地，客户分值确定模块420，包括：确定子模块，用于根据多个客户信息，确定分别与多个客户关联的多个客户特征；以及客户分值确定子模块，用于利用客户评分模型，根据多个客户特征，分别确定客户分值。

可选地，客户评分模型包括第一客户评分模型以及第二客户评分模型，其中第一客户评分模型适用于客户数量超过预定阈值的工作人员以及第二客户评分模型适用于客户数量少于预定阈值的工作人员，并且客户分值确定子模块，包括：选取单元，用于从多个客户特征中选择一个客户特征；第一分值确定单元，用于利用第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值；第二分值确定单元，用于利用第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值；以及客户分值确定单元，用于根据第一分值和第二分值，确定相应客户相对于目标工作人员的客户分值。

可选地，客户分值确定单元，包括：客户分值确定子单元，用于对第一分值和第二分值进行加权求和，确定相应客户相对于目标工作人员的客户分值。

可选地，对所述第一分值和所述第二分值进行加权求和的操作，包括根据以下公式，对所述第一分值和所述第二分值进行加权求和：

proba_score＝general_model_proba*(1-w)+personal_model_proba*w (1)

w＝(tanh((counts-1000)/333)+1)*0.5*personal(2)，其中

proba_score为所述客户分值，general_model_proba为所述第二分值，(1-w)为所述第二分值对应的权重值，personal_model_proba为所述第一分值，w为所述第一分值对应的权重值，tanh()为双曲正切函数，counts为所述目标工作人员跟进过的客户数量，personal为0到1之间的取值。

可选地，确定子模块，用于，包括：选择单元，用于从多个客户信息中选择一个客户信息；以及提取单元，用于从所选择的客户信息中提取以下特征信息作为与所选择的客户信息对应的客户特征：用于表示所选择的客户信息的跟进数据的数值特征、用于表示所选择的客户信息的中客户行为数据的二值类别特征、用于表示所选择的客户信息的中客户的移民意图的哑变量特征以及用于描述所选择的客户信息的有效性的标签信息。

可选地，第一分值确定单元，用于，包括：第一分值确定子单元，用于利用基于二分类机器学习模型的第一客户评分模型，根据所选择的客户特征，确定相应客户的第一分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

可选地，第二分值确定单元，用于，包括：第二分值确定子单元，用于利用基于二分类机器学习模型的第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

从而根据本实施例提供的技术方案，首先计算设备可以通过网站、APP以及小程序日志获取与客户资源相关的包括多个客户信息的第一客户数据集合。然后计算设备可以利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值。从而根据客户的分值情况可以显示出该客户和对应的目标工作人员的匹配程度。最后计算设备可以根据客户分值，从多个客户中选取预定数量分值最高的客户分配给目标工作人员。因此可以将和该目标工作人员匹配度最高的客户集合分配给该目标工作人员。并且本方案针对新工作人员和老工作人员建立不同的客户评分模型，从而可以更好的将客户资源分配给合适的工作人员。进而解决了现有技术中存在的传统的客户关系管理无法准确的筛选出可以二次开发的客户，需要人工判断进行筛选的方式极大的耗费时间和精力，并且筛选的效率低以及客户体验差的技术问题。

实施例3

图5示出了根据本实施例所述的客户资源分配装置500，该装置500与根据实施例1的第一个方面所述的方法相对应。参考图5所示，该装置500包括：处理器510；以及存储器520，与处理器510连接，用于为处理器510提供处理以下处理步骤的指令：获取与客户资源相关的第一客户数据集合，其中第一客户数据集合包括分别与多个客户相关的多个客户信息；利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值；以及根据客户分值，从多个客户中选取预定数量的客户分配给目标工作人员。

可选地，利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值的操作，包括：根据多个客户信息，确定分别与多个客户关联的多个客户特征；以及利用客户评分模型，根据多个客户特征，分别确定客户分值。

可选地，客户评分模型包括第一客户评分模型以及第二客户评分模型，其中第一客户评分模型适用于客户数量超过预定阈值的工作人员以及第二客户评分模型适用于客户数量少于预定阈值的工作人员，并且利用客户评分模型，根据多个客户特征，分别确定客户分值的操作，包括：从多个客户特征中选择一个客户特征；利用第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值；利用第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值；以及根据第一分值和第二分值，确定相应客户相对于目标工作人员的客户分值。

可选地，根据第一分值和第二分值，确定相应客户相对于目标工作人员的客户分值的操作，包括：对第一分值和第二分值进行加权求和，确定相应客户相对于目标工作人员的客户分值。

可选地，对所述第一分值和所述第二分值进行加权求和的操作，包括根据以下公式，对所述第一分值和所述第二分值进行加权求和：

proba_score＝general_model_proba*(1-w)+personal_model_proba*w (1)

w＝(tanh((counts-1000)/333)+1)*0.5*personal(2)，其中

proba_score为所述客户分值，general_model_proba为所述第二分值，(1-w)为所述第二分值对应的权重值，personal_model_proba为所述第一分值，w为所述第一分值对应的权重值，tanh()为双曲正切函数，counts为所述目标工作人员跟进过的客户数量，personal为0到1之间的取值。

可选地，根据多个客户信息，确定分别与多个客户关联的多个客户特征的操作，包括：从多个客户信息中选择一个客户信息；以及从所选择的客户信息中提取以下特征信息作为与所选择的客户信息对应的客户特征：用于表示所选择的客户信息的跟进数据的数值特征、用于表示所选择的客户信息的中客户行为数据的二值类别特征、用于表示所选择的客户信息的中客户的移民意图的哑变量特征以及用于描述所选择的客户信息的有效性的标签信息。

可选地，利用第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值的操作，包括：利用基于二分类机器学习模型的第一客户评分模型，根据所选择的客户特征，确定相应客户的第一分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

可选地，利用第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值的操作，包括：利用基于二分类机器学习模型的第二客户评分模型，根据所选择的客户特征，确定相应客户的第二分值，其中二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

从而根据本实施例提供的技术方案，首先计算设备可以通过网站、APP以及小程序日志获取与客户资源相关的包括多个客户信息的第一客户数据集合。然后计算设备可以利用与目标工作人员相关联的客户评分模型，根据多个客户信息，分别确定多个客户相对于目标工作人员的客户分值。从而根据客户的分值情况可以显示出该客户和对应的目标工作人员的匹配程度。最后计算设备可以根据客户分值，从多个客户中选取预定数量分值最高的客户分配给目标工作人员。因此可以将和该目标工作人员匹配度最高的客户集合分配给该目标工作人员。并且本方案针对新工作人员和老工作人员建立不同的客户评分模型，从而可以更好的将客户资源分配给合适的工作人员。进而解决了现有技术中存在的传统的客户关系管理无法准确的筛选出可以二次开发的客户，需要人工判断进行筛选的方式极大的耗费时间和精力，并且筛选的效率低以及客户体验差的技术问题。

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。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种客户资源分配方法，其特征在于，包括：

获取与所述客户资源相关的第一客户数据集合，其中所述第一客户数据集合包括分别与多个客户相关的多个客户信息；

利用与目标工作人员相关联的客户评分模型，从所述多个客户信息中选择一个客户信息；以及从所选择的客户信息中提取以下特征信息作为与所选择的客户信息对应的客户特征：用于表示所选择的客户信息的跟进信息的数值特征、用于表示所选择的客户信息中的客户行为数据的二值类别特征、用于表示所选择的客户信息中的客户的意图的哑变量特征以及用于表示所选择的客户信息的有效性的标签信息，其中，所述哑变量特征根据以下公式提取：

,

其中，An3表示哑变量特征，crmid_n为客户编号，nations_n为国家编号，datetime_n为填写问卷时间，并且提取哑变量的过程为：将crmid_n和datetime_n设置为索引列，将所有出现的国家值作为新的每一列，按索引计算每一行新国家列的取值，如果该国家列在nations_n中则取值为1，否则为0；

所述客户评分模型包括第一客户评分模型以及第二客户评分模型，所述第一客户评分模型适用于客户数量超过预定阈值的工作人员，所述第二客户评分模型适用于客户数量少于所述预定阈值的工作人员，利用所述第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值；利用所述第二客户评分模型，根据所选择的客户特征，确定所述相应客户的第二分值；根据所述第一分值和所述第二分值，确定所述相应客户相对于所述目标工作人员的客户分值，

所述相应客户相对于所述目标工作人员的客户分值根据以下公式确定：

proba_score＝general_model_proba*(1-w)+personal_model_proba*w (1)

w＝(tanh((counts-1000)/333)+1)*0.5*personal(2)，其中

proba_score为所述客户分值，general_model_proba为所述第二分值，(1-w)为所述第二分值对应的权重值，personal_model_proba为所述第一分值，w为所述第一分值对应的权重值，tanh()为双曲正切函数，counts为所述目标工作人员跟进过的客户数量，personal为0到1之间的取值；以及

根据所述客户分值，从所述多个客户中选取预定数量的客户分配给所述目标工作人员。

2.根据权利要求1所述的方法，其特征在于，利用所述第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值的操作，包括：

利用基于二分类机器学习模型的所述第一客户评分模型，根据所选择的客户特征，确定所述相应客户的第一分值，其中所述二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

3.根据权利要求1所述的方法，其特征在于，利用所述第二客户评分模型，根据所选择的客户特征，确定所述相应客户的第二分值的操作，包括：

利用基于二分类机器学习模型的所述第二客户评分模型，根据所选择的客户特征，确定所述相应客户的第二分值，其中所述二分类机器学习模型为使用基于Histogram梯度提升学习算法的决策树模型。

4.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至3中任意一项所述的方法。

5.一种客户资源分配装置，其特征在于，包括：

获取模块，用于获取与所述客户资源相关的第一客户数据集合，其中所述第一客户数据集合包括分别与多个客户相关的多个客户信息；

客户分值确定模块，用于利用与目标工作人员相关联的客户评分模型，从所述多个客户信息中选择一个客户信息；以及从所选择的客户信息中提取以下特征信息作为与所选择的客户信息对应的客户特征：用于表示所选择的客户信息的跟进信息的数值特征、用于表示所选择的客户信息中的客户行为数据的二值类别特征、用于表示所选择的客户信息中的客户的意图的哑变量特征以及用于表示所选择的客户信息的有效性的标签信息，其中，所述哑变量特征根据以下公式提取：

,

其中，An3表示哑变量特征，crmid_n为客户编号，nations_n为国家编号，datetime_n为填写问卷时间，并且提取哑变量的过程为：将crmid_n和datetime_n设置为索引列，将所有出现的国家值作为新的每一列，按索引计算每一行新国家列的取值，如果该国家列在nations_n中则取值为1，否则为0；

所述客户评分模型包括第一客户评分模型以及第二客户评分模型，所述第一客户评分模型适用于客户数量超过预定阈值的工作人员，所述第二客户评分模型适用于客户数量少于所述预定阈值的工作人员，利用所述第一客户评分模型，根据所选择的客户特征，确定所选择的客户特征的相应客户的第一分值；利用所述第二客户评分模型，根据所选择的客户特征，确定所述相应客户的第二分值；根据所述第一分值和所述第二分值，确定所述相应客户相对于所述目标工作人员的客户分值，

所述相应客户相对于所述目标工作人员的客户分值根据以下公式确定：

proba_score＝general_model_proba*(1-w)+personal_model_proba*w (1)

w＝(tanh((counts-1000)/333)+1)*0.5*personal(2)，其中

proba_score为所述客户分值，general_model_proba为所述第二分值，(1-w)为所述第二分值对应的权重值，personal_model_proba为所述第一分值，w为所述第一分值对应的权重值，tanh()为双曲正切函数，counts为所述目标工作人员跟进过的客户数量，personal为0到1之间的取值；以及

分配模块，用于根据所述客户分值，从所述多个客户中选取预定数量的客户分配给所述目标工作人员。