CN111639102A - 客户数据资源共享方法、装置及电子设备 - Google Patents
客户数据资源共享方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111639102A CN111639102A CN202010487246.1A CN202010487246A CN111639102A CN 111639102 A CN111639102 A CN 111639102A CN 202010487246 A CN202010487246 A CN 202010487246A CN 111639102 A CN111639102 A CN 111639102A
- Authority
- CN
- China
- Prior art keywords
- customer
- screening
- data
- model
- scoring
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 138
- 238000012549 training Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 2
- 238000012217 deletion Methods 0.000 abstract description 3
- 230000037430 deletion Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/176—Support for shared access to files; File sharing support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种客户数据资源共享方法、装置及电子设备,涉及数据筛选的技术领域,方法包括接收用户输入的客户数据筛选指令,所述客户数据筛选指令包括至少一个业务规则筛选维度;根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型,根据至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果;其中,所述客户数据筛选模型包括客户评分模型;所述客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;展示客户数据筛选结果。本发明能够实现客户数据的筛选,为客户数据的删除、匹配和下发提供保障。
Description
技术领域
本发明涉及数据筛选技术领域,尤其是涉及一种客户数据资源共享方法、装置及电子设备。
背景技术
现今对客户数据资源的筛选和下发都是通过后台数据库操作,面对各个子公司各渠道交叉使用客户数据资源的需求时,由于要避免对客户的过度打扰,并要充分利用客户资源,满足客户的综合金融需求,所以客户资源的分配规则需要经常变化,目前,还没有可以灵活筛选客户数据的系统来完成数据的筛选、删除、匹配和下发任务。
发明内容
本发明的目的在于提供一种客户数据资源共享方法、装置及电子设备,能够实现客户数据的筛选,为客户数据的删除、匹配和下发提供保障。
第一方面,实施例提供一种客户数据资源共享方法,包括:
接收用户输入的客户数据筛选指令,所述客户数据筛选指令包括至少一个业务规则筛选维度;
根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型,根据至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果;其中,所述客户数据筛选模型包括客户评分模型;所述客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;
展示客户数据筛选结果。
在可选的实施方式中,根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据,包括:
获取多个客户的客户数据,根据客户数据提取每个客户对应的至少一个特征变量;
将每个客户的每个特征变量输入预先训练的客户评分模型,得到每个客户的客户评分;
根据每个客户的客户评分和预设评分阈值对客户数据进行筛选。
在可选的实施方式中,还包括:
获取训练样本;
根据训练样本计算目标变量;
根据训练样本和目标变量确定至少一个特征变量;
采用目标变量和至少一个特征变量对客户评分模型进行训练;其中,客户评分模型包括基于特征变量的评分卡模型运算和评分运算;
所述评分卡模型运算,用于对每个特征变量分别进行评分,得到每个客户对应的基于特征变量的评分卡数据;
所述评分运算,用于将每个客户对应的基于特征变量的评分卡数据输入评分模型,计算每个客户的客户评分。
在可选的实施方式中,所述评分模型为基于多因子动态加权综合评价算法的评分模型。
在可选的实施方式中,根据训练样本和目标变量确定至少一个特征变量,包括:
根据训练样本对目标变量和多个预先设定的特征分别进行相关性计算,得到相关性计算结果;
根据相关性计算结果和每个特征对应的预设特征阈值对多个预先设定的特征进行筛选,得到至少一个特征变量。
在可选的实施方式中,对每个特征变量分别进行评分,得到每个客户对应的基于特征变量的评分卡数据,包括:
分别根据目标变量对每个客户的每个特征变量进行离散化和归一化,得到每个客户对应的离散化和归一化后的特征变量;
采用标签或概念标签对每个客户的离散化和归一化后的每个特征变量进行替换,得到每个客户对应的替换后的特征变量;
将每个客户的替换后的特征变量输入预先建立的决策树模型,计算每个客户的每个特征变量的分值,得到每个客户对应的评分卡数据。
在可选的实施方式中,所述业务规则筛选维度预先以列表的形式进行展示以供用户选择。
第二方面,实施例提供一种客户数据资源共享装置,包括:
获取模块,用于接收用户输入的客户数据筛选指令,所述客户数据筛选指令包括至少一个业务规则筛选维度;
筛选模块,用于根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型,根据至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果;其中,所述客户数据筛选模型包括客户评分模型;所述客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;
展示模块,用于展示客户数据筛选结果。
第三方面,本实施了提供的一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面任一项所述的方法的步骤。
第四方面,一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行第一方面任一项所述方法。
本发明提供的一种客户数据资源共享方法、装置及电子设备,通过接收用户输入的客户数据筛选指令,根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果,并展示客户数据筛选结果;其中,客户数据筛选模型包括客户评分模型;客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;本发明通过客户评分模型对客户进行评分的模式进行客户数据的筛选,从而实现了客户数据的筛选,为客户数据的删除、匹配和下发提供保障。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的客户数据资源共享方法的流程图;
图2为本发明实施例提供的客户数据资源共享方法的客户评分模型测试结果示意图;
图3为本发明实施例提供的客户数据资源共享装置的系统原理图;
图4为本发明实施例提供的电子设备的系统原理图。
图标:31-获取模块;32-筛选模块;33-展示模块;400-电子设备;401-通信接口;402-处理器;403-存储器;404-总线。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
目前,面对各个子公司各渠道交叉使用客户数据资源的需求时,由于要避免对客户的过度打扰,并要充分利用客户资源,满足客户的综合金融需求,所以客户资源的分配规则需要经常变化。
但是,目前对客户数据的筛选和下发都是通过后台数据库操作,没有可以灵活筛选客户数据的系统来完成数据的筛选、删除、匹配和下发。并且,也没有在系统页面上操作多维度数据筛选并能下发数据的功能。
例如,在保险行业,寿险收展渠道需要购买车险的用户数据;但是,电销渠道已对部分购买车险的客户打过电话了,为了避免对客户的过度打扰,需要按需求制定筛选规则进行客户数据的筛选。这样为了最大限度的得到满足需求的客户数据,需要频繁的制定筛选规则。
基于此,本发明提供一种客户数据资源共享方法、装置及电子设备,能够实现客户数据的筛选,为客户数据的删除、匹配和下发提供保障。
参照图1,本实施了提供一种客户数据资源共享方法,包括:
S110,接收用户输入的客户数据筛选指令,客户数据筛选指令包括至少一个业务规则筛选维度;
具体地,客户输入筛选指令是客户在业务界面搜索框中输入的用于对客户数据进行筛选的筛选条件。业务规则筛选维度为预先设置在业务界面的供用户进行选择的选项;例如,关于客户生日、车辆价格、险种、承保年份等的选项。又例如,关于寿险电销数据使用情况的选项:半年内已下发未拨打,半年内已下发且在拨,半年前下发且在拨,寿险电销使用过、距离最近一次首播时间在半年以内、并且过了回收时间一个月以上,寿险电销使用过、距离最近一次首播时间在半年以内、并且过了回收时间三个月以上,寿险电销使用过、距离最近一次首播时间在半年以内、但过了回收时间半年以内,并且过了回收时间三个月以上,寿险电销使用过、距离最近一次首播时间在半年以内、但过了回收时间半年以上。
S120,根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型,根据至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果;其中,客户数据筛选模型包括客户评分模型;客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;
具体地,根据需求制定筛选规则,选择所需的业务规则筛选维度进行筛选。在筛选规则中,有些业务规则筛选维度,例如客户生日、险种等,能够实现数据的准确筛选,但是,对于有些数据,客户数据之间差异较小,不能满足精准化要求。因此,本实施例采用客户评分的方法进行筛选,实现客户数据资源的差异化,满足精准化要求。
客户数据筛选模型为预先训练的模型库,模型库中的模型与业务规则筛选纬度对应,包括一些常用模型,例如客户生日对应的模型、险种对应的模型等,这些模型按照一定的设定。对于一些客户数据差异小、不容易筛选的业务规则筛选纬度,通过本实施例的方法建立高响应度模型,例如:客户投诉预警模型、产品推荐模型等;这些模型均属于客户评分模型。对于客户评分模型,需要通过训练样本进行预先训练。
S130,展示客户数据筛选结果。
具体地,将得到的客户数据筛选结果发送至前端的页面展示端,前端对客户数据和筛选结果进行展示。根据客户需求,对筛选出的数据进行删除、匹配和下发等操作。
优选地,本实施例在应用时,以客户数据资源共享管理系统的形式开发,该系统能够对接各前后业务系统,实现客户资源从数据收集整合、多维盘点、筛选、审批、数据下发、计价统计等功能。系统采用B/S架构,使用Spring、SpringMVC、Myabtis、Layui、Jquery等框架开发,数据库采用Mysql和ODPS。通过此系统实现了客户数据资源跨子公司的共享使用统筹管理。
具体地,本实施例在实施时,用户在页面展示端灵活筛选特定客群数据后,将特定客群基础信息下发到对应的数据库后台,数据库后台包括数据库存储功能,存储特定客群数据资源;客户端浏览器发送操作指令到服务器,服务器调用ODPS大数据计算服务返回结果,把客户的操作和表单数据封装为指令后发送给服务器,服务器解析指令进行操作。
可选地,上述实施例中的步骤S120包括如下步骤:
获取多个客户的客户数据,根据客户数据提取每个客户对应的至少一个特征变量;
将每个客户的每个特征变量输入预先训练的客户评分模型,得到每个客户的客户评分;
根据每个客户的客户评分和预设评分阈值对客户数据进行筛选。
具体地,本实施例采用决策树、评分卡等算法对客户评分模型进行训练,采用线性回归算法对训练好的客户评分模型进行测试。
可选地,上述实施例的方法还包括如下步骤:
获取训练样本;
根据训练样本计算目标变量;
根据训练样本和目标变量确定至少一个特征变量;
采用目标变量和至少一个特征变量对客户评分模型进行训练;其中,客户评分模型包括基于特征变量的评分卡模型运算和评分运算;
评分卡模型运算,用于对每个特征变量分别进行评分,得到每个客户对应的基于特征变量的评分卡数据;
评分运算,用于将每个客户对应的基于特征变量的评分卡数据输入评分模型,计算每个客户的客户评分。
具体地,在训练客户评分模型时,需要根据筛选指令中的业务规则筛选维度确定目标变量,预先根据训练数据或者历史数据深度挖掘多维度的特征,以然后结合目标变量筛选出符合要求的特征变量。
评分卡模型通常用于信用评分以评估风险,应用在银行、信用卡公司、个人消费信贷公司、电信公司、水电服务公司、保险公司等涉及消费信用的领域。本实施例将评分卡模型运算应用于客户数据筛选领域,扩展了应用范围,为其赋予了新的意义。
本实施例的评分卡模型运算,首先对特征变量进行离散化和归一化、标签替换等预处理,然后将特征变量输入预先建立的决策树模型,实现对每个特征变量的评分,从而得到一张包括全部特征变量的评分卡。
本实施例的评分运算,运用多因子动态加权综合评价算法,计算拟合函数;通过训练样本对拟合函数进行不断优化,最终训练得到客户评分模型。
可选地,评分模型为基于多因子动态加权综合评价算法的评分模型。
可选地,上述实施例的根据训练样本和目标变量确定至少一个特征变量,包括如下步骤:
根据训练样本对目标变量和多个预先设定的特征分别进行相关性计算,得到相关性计算结果;
根据相关性计算结果和每个特征对应的预设特征阈值对多个预先设定的特征进行筛选,得到至少一个特征变量。
具体地,本实施例以客户信息电话验真百分百为目标变量(因变量)进行介绍。预先设定的特征包括:客户性别、年龄、渠道类型、服务区域、保单量、最新起保日期、手机号是否被多次使用、客户拥有的手机号数量、是否有快递电话信息等。
结合训练样本计算目标变量对应的数据和预先设定的特征对应的数据;将目标变量对应的数据与上述预先设定的特征对应的数据进行相关性分析,筛选与目标强相关的维度特征,筛选结果为性别、年龄、保单量、客户拥有的手机号数量、是否有快递电话信息五个维度数据。
可选地,对每个特征变量分别进行评分,得到每个客户对应的基于特征变量的评分卡数据,包括:
分别根据目标变量对每个客户的每个特征变量进行离散化和归一化,得到每个客户对应的离散化和归一化后的特征变量;
采用标签或概念标签对每个客户的离散化和归一化后的每个特征变量进行替换,得到每个客户对应的替换后的特征变量;
将每个客户的替换后的特征变量输入预先建立的决策树模型,计算每个客户的每个特征变量的分值,得到每个客户对应的评分卡数据。
具体地,将上述五个特征维度的数据按照客户信息电话验真百分比进行离散化和归一化,如表1和表2所示,表1和表2以性别和年龄为例进行介绍。
表1
性别 | 验真百分比与平均值的差值 | |
女 | 47.24% | -11.10% |
男 | 60.83% | 2.49% |
未说明 | 76.66% | 18.32% |
表1中,第一列为性别以客户信息电话验真百分比为基础归一化后的数据,第二列为验真百分比与验真百分比平均值的差值。
表2
优选地,本实施例运用多因子动态加权综合评价算法,对以上筛选的五个维度离散特征数据与目标数据进行拟合处理,得到拟合函数,采用拟合函数对每个客户进行客观评分,客户评分公式如下:
其中:xi是每个客户在不同维度的评分值;x0是平均值。
优选地,采用多个测量样本对上述训练方法得到客户评分模型进行测试,统计模型中目标变量(即客户信息电话验真百分比)和客户评分平均值,得到表3和图2的数据,对两组数据进行线性回归分析,验证模型的准确性;表4、表5及表6为测试结果。
表3
表4
表5
df | ss | MS | F | Significance F | |
回归分析 | 1 | 0.921683 | 0.921683 | 412.9755 | 4.50292E-10 |
残差 | 11 | 0.02455 | 0.002232 | ||
总计 | 12 | 0.946233 |
表6
可选地,业务规则筛选维度预先以列表的形式进行展示以供用户选择。
参照图3,本实施例提供一种客户数据资源共享装置,包括:
获取模块31,用于接收用户输入的客户数据筛选指令,客户数据筛选指令包括至少一个业务规则筛选维度;
筛选模块32,用于根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型,根据至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果;其中,客户数据筛选模型包括客户评分模型;客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;
展示模块33,用于展示客户数据筛选结果。
可选地,筛选模块32,包括:
特征变量提取模块,用于获取多个客户的客户数据,根据客户数据提取每个客户对应的至少一个特征变量;
客户评分模块,用于将每个客户的每个特征变量输入预先训练的客户评分模型,得到每个客户的客户评分;
客户数据筛选模块,用于根据每个客户的客户评分和预设评分阈值对客户数据进行筛选。
可选地,上述实施例的装置还包括:
训练样本获取模块,用于获取训练样本;
目标变量计算模块,用于根据训练样本计算目标变量;
特征变量计算模块,用于根据训练样本和目标变量确定至少一个特征变量;
模型训练模块,用于采用目标变量和至少一个特征变量对客户评分模型进行训练;其中,客户评分模型包括基于特征变量的评分卡模型运算和评分运算;
评分卡模型运算,用于对每个特征变量分别进行评分,得到每个客户对应的基于特征变量的评分卡数据;
评分运算,用于将每个客户对应的基于特征变量的评分卡数据输入评分模型,计算每个客户的客户评分。
可选地,上述实施例中的评分模型为基于多因子动态加权综合评价算法的评分模型。
可选地,上述实施例的装置中的特征变量计算模块包括:
根据训练样本对目标变量和多个预先设定的特征分别进行相关性计算,得到相关性计算结果;
根据相关性计算结果和每个特征对应的预设特征阈值对多个预先设定的特征进行筛选,得到至少一个特征变量。
可选地,上述实施例的装置中的评分卡模型运算包括:
分别根据目标变量对每个客户的每个特征变量进行离散化和归一化,得到每个客户对应的离散化和归一化后的特征变量;
采用标签或概念标签对每个客户的离散化和归一化后的每个特征变量进行替换,得到每个客户对应的替换后的特征变量;
将每个客户的替换后的特征变量输入预先建立的决策树模型,计算每个客户的每个特征变量的分值,得到每个客户对应的评分卡数据。
可选地,上述实施例的业务规则筛选维度预先以列表的形式进行展示以供用户选择。
参见图4,本发明实施例还提供了一种电子设备400,包括通信接口401、处理器402、存储器403以及总线404,处理器402、通信接口401和存储器403通过总线404连接;上述存储器403用于存储支持处理器402执行上述客户数据资源共享方法的计算机程序,上述处理器402被配置为用于执行该存储器403中存储的程序。
可选地,本发明实施例还提供一种具有处理器402可执行的非易失的程序代码的计算机可读介质,程序代码使处理器402执行如上述实施例中的客户数据资源共享方法。
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 (10)
1.一种客户数据资源共享方法,其特征在于,包括:
接收用户输入的客户数据筛选指令,所述客户数据筛选指令包括至少一个业务规则筛选维度;
根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型,根据至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果;其中,所述客户数据筛选模型包括客户评分模型;所述客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;
展示客户数据筛选结果。
2.根据权利要求1所述的方法,其特征在于,根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据,包括:
获取多个客户的客户数据,根据客户数据提取每个客户对应的至少一个特征变量;
将每个客户的每个特征变量输入预先训练的客户评分模型,得到每个客户的客户评分;
根据每个客户的客户评分和预设评分阈值对客户数据进行筛选。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取训练样本;
根据训练样本计算目标变量;
根据训练样本和目标变量确定至少一个特征变量;
采用目标变量和至少一个特征变量对客户评分模型进行训练;其中,客户评分模型包括基于特征变量的评分卡模型运算和评分运算;
所述评分卡模型运算,用于对每个特征变量分别进行评分,得到每个客户对应的基于特征变量的评分卡数据;
所述评分运算,用于将每个客户对应的基于特征变量的评分卡数据输入评分模型,计算每个客户的客户评分。
4.根据权利要求3所述的方法,其特征在于,所述评分模型为基于多因子动态加权综合评价算法得到的评分模型。
5.根据权利要求3所述的方法,其特征在于,根据训练样本和目标变量确定至少一个特征变量,包括:
根据训练样本对目标变量和多个预先设定的特征分别进行相关性计算,得到相关性计算结果;
根据相关性计算结果和每个特征对应的预设特征阈值对多个预先设定的特征进行筛选,得到至少一个特征变量。
6.根据权利要求3所述的方法,其特征在于,对每个特征变量分别进行评分,得到每个客户对应的基于特征变量的评分卡数据,包括:
分别根据目标变量对每个客户的每个特征变量进行离散化和归一化,得到每个客户对应的离散化和归一化后的特征变量;
采用标签或概念标签对每个客户的离散化和归一化后的每个特征变量进行替换,得到每个客户对应的替换后的特征变量;
将每个客户的替换后的特征变量输入预先建立的决策树模型,计算每个客户的每个特征变量的分值,得到每个客户对应的评分卡数据。
7.根据权利要求1所述的方法,其特征在于,所述业务规则筛选维度预先以列表的形式进行展示以供用户选择。
8.一种客户数据资源共享装置,其特征在于,包括:
获取模块,用于接收用户输入的客户数据筛选指令,所述客户数据筛选指令包括至少一个业务规则筛选维度;
筛选模块,用于根据至少一个业务规则筛选维度从模型库中确定至少一个预先训练的客户数据筛选模型,根据至少一个预先训练的客户数据筛选模型进行客户数据的筛选,得到客户数据筛选结果;其中,所述客户数据筛选模型包括客户评分模型;所述客户评分模型用于根据客户数据对每个客户分别进行客户评分,根据每个客户的客户评分筛选客户数据;
展示模块,用于展示客户数据筛选结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010487246.1A CN111639102B (zh) | 2020-06-01 | 2020-06-01 | 客户数据资源共享方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010487246.1A CN111639102B (zh) | 2020-06-01 | 2020-06-01 | 客户数据资源共享方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639102A true CN111639102A (zh) | 2020-09-08 |
CN111639102B CN111639102B (zh) | 2024-04-05 |
Family
ID=72330409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010487246.1A Active CN111639102B (zh) | 2020-06-01 | 2020-06-01 | 客户数据资源共享方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639102B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927091A (zh) * | 2021-04-08 | 2021-06-08 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、系统及决策引擎 |
CN116957649A (zh) * | 2023-07-26 | 2023-10-27 | 广东企企通科技有限公司 | 客户筛选方法、装置、设备及介质 |
CN116957649B (zh) * | 2023-07-26 | 2024-05-31 | 广东企企通科技有限公司 | 客户筛选方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130124257A1 (en) * | 2011-11-11 | 2013-05-16 | Aaron Schubert | Engagement scoring |
CN108053310A (zh) * | 2017-11-24 | 2018-05-18 | 深圳市牛鼎丰科技有限公司 | 信用风险评分方法、装置、计算机设备及存储介质 |
CN110490651A (zh) * | 2019-08-14 | 2019-11-22 | 平安科技(深圳)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-06-01 CN CN202010487246.1A patent/CN111639102B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130124257A1 (en) * | 2011-11-11 | 2013-05-16 | Aaron Schubert | Engagement scoring |
CN108053310A (zh) * | 2017-11-24 | 2018-05-18 | 深圳市牛鼎丰科技有限公司 | 信用风险评分方法、装置、计算机设备及存储介质 |
CN110490651A (zh) * | 2019-08-14 | 2019-11-22 | 平安科技(深圳)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927091A (zh) * | 2021-04-08 | 2021-06-08 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
CN112927091B (zh) * | 2021-04-08 | 2023-11-10 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、系统及决策引擎 |
CN116957649A (zh) * | 2023-07-26 | 2023-10-27 | 广东企企通科技有限公司 | 客户筛选方法、装置、设备及介质 |
CN116957649B (zh) * | 2023-07-26 | 2024-05-31 | 广东企企通科技有限公司 | 客户筛选方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111639102B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248082B (zh) | 养卡识别方法及装置 | |
CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
US8583408B2 (en) | Standardized modeling suite | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
CN110503564B (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN105678588A (zh) | 一种基于电商平台的产品销量波动性评估方法 | |
US10325235B2 (en) | Method and system for analyzing and optimizing distribution of work from a plurality of queues | |
EP3140799A1 (en) | An automatic statistical processing tool | |
JP2016206878A (ja) | 営業員育成支援システムおよび営業員育成支援方法 | |
US20210125272A1 (en) | Using Inferred Attributes as an Insight into Banking Customer Behavior | |
CN111639102B (zh) | 客户数据资源共享方法、装置及电子设备 | |
US11790380B2 (en) | Systems and methods for finding an interaction subset within a set of interactions | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN110019774B (zh) | 标签分配方法、装置、存储介质及电子装置 | |
CN116128627A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
US20140101159A1 (en) | Knowledgebase Query Analysis | |
CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
JP5592861B2 (ja) | 債権評価支援システム、債権評価支援方法及び債権評価支援プログラム | |
CN107122425A (zh) | 对企业客户进行评价的方法及系统 | |
Herencia | An allocation policy for in-app advertisement campaigns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |