CN111652742B - 用户数据处理方法、装置、电子设备及可读存储介质 - Google Patents
用户数据处理方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111652742B CN111652742B CN202010370883.0A CN202010370883A CN111652742B CN 111652742 B CN111652742 B CN 111652742B CN 202010370883 A CN202010370883 A CN 202010370883A CN 111652742 B CN111652742 B CN 111652742B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- data
- attribute
- user data
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 150
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 73
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 64
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010511 deprotection reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及人工智能，揭露一种用户数据处理方法，包括：根据数据处理类型对应的第一特征因子序列及目标用户数据生成第一特征向量，将第一特征向量输入第一模型，得到用户属性目标标识值，当目标标识值大于第一预设阈值时，根据数据处理类型对应的第二特征因子序列及目标用户数据生成第二特征向量，将第二特征向量输入第二模型，得到用户属性目标标签，根据属性标签与处理方案之间的映射关系确定用户属性目标标签对应的目标处理方案，根据目标处理方案对目标用户数据执行相应的处理。本发明还涉及区块链技术，所述用户数据存储于区块链中。本发明可提高用户数据处理效率、提升用户数据处理成功率。
Description
技术领域
本发明涉及人工智能，尤其涉及一种用户数据处理方法、装置、电子设备及可读存储介质。
背景技术
当前，在处理同一类型用户的数据时，通常采用相同的处理方案，从而不能给出针对性的处理方案，导致用户数据处理效率低下、数据处理成功率不高。例如，在针对车险脱保用户的挽回处理时通常对各个用户采用相同的挽回策略，使得挽回处理效率低下，且用户被挽回的概率不高。
发明内容
鉴于以上内容，有必要提供一种用户数据处理方法，旨在提高用户数据处理效率、提升用户数据处理成功率。
本发明提供的用户数据处理方法，包括：
响应客户端发出的用户数据处理请求，所述请求包括用户身份标识及数据处理类型，基于所述身份标识获取对应的目标用户数据；
获取所述数据处理类型对应的第一特征因子序列，基于所述目标用户数据生成第一特征向量，将所述第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值；
当所述目标标识值大于第一预设阈值时，获取所述数据处理类型对应的第二特征因子序列，基于所述目标用户数据生成第二特征向量，将所述第二特征向量输入第二模型，得到用户属性目标标签；
根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理。
可选的，所述目标用户数据存储于区块链中，所述第一特征因子序列的确定过程包括：
获取第一预设用户群中每个用户在第一预设时间段的第一数据，所述第一数据包括第一用户数据及第一用户属性标识值，所述第一用户属性标识值包括第一标识值及第二标识值；
确定所述第一数据中各个第一因子对应的第一标识值及第二标识值的数量，计算各个第一因子对应的第一标识值的数量与第二标识值的数量的比值；
将所述比值在第二预设阈值区间的第一因子按照比值从大到小的顺序排序，得到第一特征因子序列。
可选的，所述第一模型的确定过程包括：
获取第二预设用户群中每个用户在第二预设时间段的第二数据，所述第二数据包括第二用户数据及第二用户属性标识值；
根据所述第二数据、第一特征因子序列得到第三特征向量，将所述第三特征向量分别输入多个预设分析模型，得到多个第三用户属性标识值；
基于所述第二用户属性标识值、第三用户属性标识值及多个预设模型指标从所述多个预设分析模型中确定最优分析模型，将所述最优分析模型作为第一模型。
可选的，所述第二特征因子序列的确定过程包括：
获取第三预设用户群中每个用户在第三预设时间段的第三数据，所述第三数据包括用户历史属性标签、历史属性标识值；
将所述历史属性标签作为自变量，所述历史属性标识值作为因变量，根据所述自变量、因变量确定标签分析函数；
将所述每个用户的历史属性标签分别输入所述标签分析函数中，得到多个标签分析值，将标签分析值大于第三预设阈值的历史属性标签按照标签分析值从大到小的顺序排序，得到第二特征因子序列。
可选的，所述方法还包括：
将大于第一预设阈值的目标标识值进行排序、分组，根据分组结果为所述目标标识值对应的目标用户数据分配优先级别；
根据所述优先级别、目标处理方案依次对对应的目标用户数据进行处理。
为了解决上述问题，本发明还提供一种用户数据处理装置，所述装置包括：
数据获取模块，用于响应客户端发出的用户数据处理请求，所述请求包括用户身份标识及数据处理类型，基于所述身份标识获取对应的目标用户数据；
第一特征处理模块，用于获取所述数据处理类型对应的第一特征因子序列，基于所述目标用户数据生成第一特征向量，将所述第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值；
第二特征处理模块，用于当所述目标标识值大于第一预设阈值时，获取所述数据处理类型对应的第二特征因子序列，基于所述目标用户数据生成第二特征向量，将所述第二特征向量输入第二模型，得到用户属性目标标签；
数据处理模块，用于根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理。
可选的，所述目标用户数据存储于区块链中，所述第一特征因子序列的确定过程包括：
获取第一预设用户群中每个用户在第一预设时间段的第一数据，所述第一数据包括第一用户数据及第一用户属性标识值，所述第一用户属性标识值包括第一标识值及第二标识值；
确定所述第一数据中各个第一因子对应的第一标识值及第二标识值的数量，计算各个第一因子对应的第一标识值的数量与第二标识值的数量的比值；
将所述比值在第二预设阈值区间的第一因子按照比值从大到小的顺序排序，得到第一特征因子序列。
可选的，所述第一模型的确定过程包括：
获取第二预设用户群中每个用户在第二预设时间段的第二数据，所述第二数据包括第二用户数据及第二用户属性标识值；
根据所述第二数据、第一特征因子序列得到第三特征向量，将所述第三特征向量分别输入多个预设分析模型，得到多个第三用户属性标识值；
基于所述第二用户属性标识值、第三用户属性标识值及多个预设模型指标从所述多个预设分析模型中确定最优分析模型，将所述最优分析模型作为第一模型。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述用户数据处理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的用户数据处理方法。
相较现有技术，本发明通过根据数据处理类型对应的第一特征因子序列及目标用户数据生成第一特征向量，将第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值，此举的目的是为了筛选出数据处理成功率更高的目标用户数据；然后，对于目标标识值大于第一预设阈值的目标用户数据，根据数据处理类型对应的第二特征因子序列及目标用户数据生成第二特征向量，将第二特征向量输入第二模型，得到用户属性目标标签，此步骤是对目标用户数据进行分类，以确定各目标用户数据对应的用户属性目标标签；最后，根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理，使得数据处理的方案更具有针对性，数据处理效率更高，数据处理的成功率更高，故而本发明提高了数据处理效率、提升了数据处理成功率。
附图说明
图1为本发明一实施例提供的用户数据处理方法的流程示意图；
图2为本发明一实施例提供的用户数据处理装置的模块示意图；
图3为本发明一实施例提供的实现用户数据处理方法的电子设备的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种用户数据处理方法。参照图1所示，为本发明一实施例提供的用户数据处理方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
本实施例中，用户数据处理方法包括：
S1、响应客户端发出的用户数据处理请求，所述请求包括用户身份标识及数据处理类型，基于所述身份标识获取对应的目标用户数据。
例如，以数据处理类型为对车险脱保用户的数据进行挽回分析、处理为例，所述用户身份标识包括用户姓名、身份证号码、手机号码等信息中的一种或多种；所述用户数据包括用户信息、历史车险信息。需要强调的是，为进一步保证上述用户数据的私密和安全性，上述用户数据还可以存储于一区块链的节点中。
所述用户信息包括用户的年龄、性别、驾龄、车辆型号、车龄、学历、收入、兴趣爱好。
所述历史车险信息包括历史车险投保信息及历史车险理赔信息。所述历史车险投保信息包括历史车险投保品牌、车险类型、车险保障范围、车险价格；所述历史车险理赔信息包括历史车险理赔效率、理赔次数、理赔金额。
本实施例中，所述用户数据处理请求可以是针对单一用户的数据处理请求，也可以是针对一批用户的数据处理请求。
S2、获取所述数据处理类型对应的第一特征因子序列，基于所述目标用户数据生成第一特征向量，将所述第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值。
本实施例中，第一特征因子序列中的因子为与用户是否可被挽回强相关的因子，所述第一特征因子序列的确定过程包括：
A1、获取第一预设用户群中每个用户在第一预设时间段的第一数据，所述第一数据包括第一用户数据及第一用户属性标识值，所述第一用户属性标识值包括第一标识值及第二标识值；
A2、确定所述第一数据中各个第一因子对应的第一标识值及第二标识值的数量，计算各个第一因子对应的第一标识值的数量与第二标识值的数量的比值；
A3、将所述比值在第二预设阈值区间的第一因子按照比值从大到小的顺序排序，得到第一特征因子序列。
例如，若第一预设用户群中包括1000个用户，这1000个用户皆为历史车险脱保用户，通过业务人员的电话沟通、登门拜访等策略，其中部分用户被挽回，第一数据包括这1000个用户的用户信息、历史车险信息及第一用户属性标识值，本实施例中，所述第一用户属性标识值为用户是否被挽回对应的标识值，所述第一标识值为1(即用户已被挽回)，所述第二标识值为0(用户未被挽回)。
以第一因子为性别为例，若被挽回的用户中性别为男的用户有300人，未被挽回的用户中性别为男的用户也有300人，则性别对应的第一标识值的数量与第二标识值的数量的比值为300/300＝1，比值越接近1，则该第一因子对用户是否能被挽回的影响越小，本实施例中，将比值在第二预设阈值区间(例如，小于0.1或大于10)的第一因子按照比值从大到小的顺序进行排序，得到第一特征因子序列。
所述第一模型用于输出用户属性目标标识值(本实施例中，第一模型用于输出车险脱保用户的挽回概率)，所述第一模型的确定过程包括：
B1、获取第二预设用户群中每个用户在第二预设时间段的第二数据，所述第二数据包括第二用户数据及第二用户属性标识值；
B2、根据所述第二数据、第一特征因子序列得到第三特征向量，将所述第三特征向量分别输入多个预设分析模型，得到多个第三用户属性标识值；
B3、基于所述第二用户属性标识值、第三用户属性标识值及多个预设模型指标从所述多个预设分析模型中确定最优分析模型，将所述最优分析模型作为第一模型。
本实施例中，所述第二用户属性标识值为用户是否被挽回的真实概率，第三用户属性标识值为第一模型输出的用户是否可被挽回的预测概率，所述预设分析模型包括GLM(广义线性模型)、随机森林、支持向量机等模型，将根据第二数据及第一特征因子序列得到的第三特征向量输入以上多个预设分析模型中，得到多个第三用户属性标识值。
所述预设模型指标包括lift提升曲线、roc、auc、混淆矩阵等指标，以上指标皆为现有技术，在此不做赘述。
本实施例中，通过第二用户属性标识值、第三用户属性标识值可确定各预设分析模型的分析准确度，根据分析准确度、各预设模型指标对应的指标值及各自对应的权重可算出各分析模型的综合评分，根据所述综合评分来确定最优分析模型。
S3、当所述目标标识值大于第一预设阈值时，获取所述数据处理类型对应的第二特征因子序列，基于所述目标用户数据生成第二特征向量，将所述第二特征向量输入第二模型，得到用户属性目标标签。
本实施例中，若目标标识值大于第一预设阈值，则认为该车险脱保用户被挽回的概率较大，可着重处理该用户对应的目标用户数据，避免了均匀处理所有用户数据，使得用户数据处理效率更高，且对应的车险脱保用户被挽回的概率也更高。
本实施例中，第二特征因子序列中的因子为与用户的脱保原因强相关的因子，所述第二特征因子序列的确定过程包括：
C1、获取第三预设用户群中每个用户在第三预设时间段的第三数据，所述第三数据包括用户历史属性标签、历史属性标识值；
C2、将所述历史属性标签作为自变量，所述历史属性标识值作为因变量，根据所述自变量、因变量确定标签分析函数；
C3、将所述每个用户的历史属性标签分别输入所述标签分析函数中，得到多个标签分析值，将标签分析值大于第三预设阈值的历史属性标签按照标签分析值从大到小的顺序排序，得到第二特征因子序列。
本实施例中，所述历史属性标签为对用户进行回访得到的用户脱保原因，本实施例对用户脱保原因进行收集及归类，搭建出人情、价格、品牌、刚性、服务5大类，4层共102小项的脱保归因体系。所述历史属性标识值包括1(用户已被挽回)、0(用户未被挽回)。
将历史属性标签作为自变量、历史属性标识值作为因变量，可得出标签分析函数，再将历史属性标签代入标签分析函数中，得到的标签分析值越大，代表用户被挽回的概率越大，则可将标签分析值大于第三预设阈值的历史属性标签作为第二特征因子。
所述第二模型用于输出用户属性目标标签(本实施例中，第二模型用于输出用户脱保原因)。所述第二模型的确定过程与第一模型的确定过程相似，在此不做赘述。
本实施例中，所述用户数据处理方法还包括：
若所述目标标识值小于所述第一预设阈值，则对所述目标用户数据执行预设处理方案。
目标标识值小于第一预设阈值，则认为用户被挽回的概率较小，所述预设处理方案可以为丢弃所述目标用户数据，或者将所述目标用户数据存储至预设存储空间，待目标标识值大于第一预设阈值的目标用户数据被处理完毕后再处理这些目标标识值小于第一预设阈值的目标用户数据。
S4、根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理。
例如，若第二模型输出的用户属性目标标签为服务，则根据服务对应的挽回策略来进行相应的处理，以提高车险脱保用户的挽回处理效率，且因目标处理方案更具有针对性，用户被挽回的概率也更高。
本实施例中，所述用户数据处理方法还包括：
D1、将大于第一预设阈值的目标标识值进行排序、分组，根据分组结果为所述目标标识值对应的目标用户数据分配优先级别；
D2、根据所述优先级别、目标处理方案依次对对应的目标用户数据进行处理。
由上述实施例可知，本发明提出的用户数据处理方法，首先，根据数据处理类型对应的第一特征因子序列及目标用户数据生成第一特征向量，将第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值，此举的目的是为了筛选出数据处理成功率更高的目标用户数据；然后，对于目标标识值大于第一预设阈值的目标用户数据，根据数据处理类型对应的第二特征因子序列及目标用户数据生成第二特征向量，将第二特征向量输入第二模型，得到用户属性目标标签，此步骤是对目标用户数据进行分类，以确定各目标用户数据对应的用户属性目标标签；最后，根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理，使得数据处理的方案更具有针对性，数据处理效率更高，数据处理的成功率更高，故而本发明提高了数据处理效率、提升了数据处理成功率。
如图2所示，为本发明一实施例提供的用户数据处理装置的模块示意图。
本发明所述用户数据处理装置100可以安装于电子设备中。根据实现的功能，所述用户数据处理装置100可以包括数据获取模块110、第一特征处理模块120、第二特征处理模块130及数据处理模块140。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
数据获取模块110，用于响应客户端发出的用户数据处理请求，所述请求包括用户身份标识及数据处理类型，基于所述身份标识获取对应的目标用户数据。
例如，以数据处理类型为对车险脱保用户的数据进行挽回分析、处理为例，所述用户身份标识包括用户姓名、身份证号码、手机号码等信息中的一种或多种；所述用户数据包括用户信息、历史车险信息。需要强调的是，为进一步保证上述用户数据的私密和安全性，上述用户数据还可以存储于一区块链的节点中。
所述用户信息包括用户的年龄、性别、驾龄、车辆型号、车龄、学历、收入、兴趣爱好。
所述历史车险信息包括历史车险投保信息及历史车险理赔信息。所述历史车险投保信息包括历史车险投保品牌、车险类型、车险保障范围、车险价格；所述历史车险理赔信息包括历史车险理赔效率、理赔次数、理赔金额。
本实施例中，所述用户数据处理请求可以是针对单一用户的数据处理请求，也可以是针对一批用户的数据处理请求。
第一特征处理模块120，用于获取所述数据处理类型对应的第一特征因子序列，基于所述目标用户数据生成第一特征向量，将所述第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值。
本实施例中，第一特征因子序列中的因子为与用户是否可被挽回强相关的因子，所述第一特征因子序列的确定过程包括：
A1、获取第一预设用户群中每个用户在第一预设时间段的第一数据，所述第一数据包括第一用户数据及第一用户属性标识值，所述第一用户属性标识值包括第一标识值及第二标识值；
A2、确定所述第一数据中各个第一因子对应的第一标识值及第二标识值的数量，计算各个第一因子对应的第一标识值的数量与第二标识值的数量的比值；
A3、将所述比值在第二预设阈值区间的第一因子按照比值从大到小的顺序排序，得到第一特征因子序列。
例如，若第一预设用户群中包括1000个用户，这1000个用户皆为历史车险脱保用户，通过业务人员的电话沟通、登门拜访等策略，其中部分用户被挽回，第一数据包括这1000个用户的用户信息、历史车险信息及第一用户属性标识值，本实施例中，所述第一用户属性标识值为用户是否被挽回对应的标识值，所述第一标识值为1(即用户已被挽回)，所述第二标识值为0(用户未被挽回)。
以第一因子为性别为例，若被挽回的用户中性别为男的用户有300人，未被挽回的用户中性别为男的用户也有300人，则性别对应的第一标识值的数量与第二标识值的数量的比值为300/300＝1，比值越接近1，则该第一因子对用户是否能被挽回的影响越小，本实施例中，将比值在第二预设阈值区间(例如，小于0.1或大于10)的第一因子按照比值从大到小的顺序进行排序，得到第一特征因子序列。
所述第一模型用于输出用户属性目标标识值(本实施例中，第一模型用于输出车险脱保用户的挽回概率)，所述第一模型的确定过程包括：
B1、获取第二预设用户群中每个用户在第二预设时间段的第二数据，所述第二数据包括第二用户数据及第二用户属性标识值；
B2、根据所述第二数据、第一特征因子序列得到第三特征向量，将所述第三特征向量分别输入多个预设分析模型，得到多个第三用户属性标识值；
B3、基于所述第二用户属性标识值、第三用户属性标识值及多个预设模型指标从所述多个预设分析模型中确定最优分析模型，将所述最优分析模型作为第一模型。
本实施例中，所述第二用户属性标识值为用户是否被挽回的真实概率，第三用户属性标识值为第一模型输出的用户是否可被挽回的预测概率，所述预设分析模型包括GLM(广义线性模型)、随机森林、支持向量机等模型，将根据第二数据及第一特征因子序列得到的第三特征向量输入以上多个预设分析模型中，得到多个第三用户属性标识值。
所述预设模型指标包括lift提升曲线、roc、auc、混淆矩阵等指标，以上指标皆为现有技术，在此不做赘述。
本实施例中，通过第二用户属性标识值、第三用户属性标识值可确定各预设分析模型的分析准确度，根据分析准确度、各预设模型指标对应的指标值及各自对应的权重可算出各分析模型的综合评分，根据所述综合评分来确定最优分析模型。
第二特征处理模块130，用于当所述目标标识值大于第一预设阈值时，获取所述数据处理类型对应的第二特征因子序列，基于所述目标用户数据生成第二特征向量，将所述第二特征向量输入第二模型，得到用户属性目标标签。
本实施例中，若目标标识值大于第一预设阈值，则认为该车险脱保用户被挽回的概率较大，可着重处理该用户对应的目标用户数据，避免了均匀处理所有用户数据，使得用户数据处理效率更高，且对应的车险脱保用户被挽回的概率也更高。
本实施例中，第二特征因子序列中的因子为与用户的脱保原因强相关的因子，所述第二特征因子序列的确定过程包括：
C1、获取第三预设用户群中每个用户在第三预设时间段的第三数据，所述第三数据包括用户历史属性标签、历史属性标识值；
C2、将所述历史属性标签作为自变量，所述历史属性标识值作为因变量，根据所述自变量、因变量确定标签分析函数；
C3、将所述每个用户的历史属性标签分别输入所述标签分析函数中，得到多个标签分析值，将标签分析值大于第三预设阈值的历史属性标签按照标签分析值从大到小的顺序排序，得到第二特征因子序列。
本实施例中，所述历史属性标签为对用户进行回访得到的用户脱保原因，本实施例对用户脱保原因进行收集及归类，搭建出人情、价格、品牌、刚性、服务5大类，4层共102小项的脱保归因体系。所述历史属性标识值包括1(用户已被挽回)、0(用户未被挽回)。
将历史属性标签作为自变量、历史属性标识值作为因变量，可得出标签分析函数，再将历史属性标签代入标签分析函数中，得到的标签分析值越大，代表用户被挽回的概率越大，则可将标签分析值大于第三预设阈值的历史属性标签作为第二特征因子。
所述第二模型用于输出用户属性目标标签(本实施例中，第二模型用于输出用户脱保原因)。所述第二模型的确定过程与第一模型的确定过程相似，在此不做赘述。
本实施例中，所述第二特征处理模块130还用于：
若所述目标标识值小于所述第一预设阈值，则对所述目标用户数据执行预设处理方案。
目标标识值小于第一预设阈值，则认为用户被挽回的概率较小，所述预设处理方案可以为丢弃所述目标用户数据，或者将所述目标用户数据存储至预设存储空间，待目标标识值大于第一预设阈值的目标用户数据被处理完毕后再处理这些目标标识值小于第一预设阈值的目标用户数据。
数据处理模块140，用于根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理。
例如，若第二模型输出的用户属性目标标签为服务，则根据服务对应的挽回策略来进行相应的处理，以提高车险脱保用户的挽回处理效率，且因目标处理方案更具有针对性，用户被挽回的概率也更高。
本实施例中，所述数据处理模块140还用于：
D1、将大于第一预设阈值的目标标识值进行排序、分组，根据分组结果为所述目标标识值对应的目标用户数据分配优先级别；
D2、根据所述优先级别、目标处理方案依次对对应的目标用户数据进行处理。
如图3所示，为本发明一实施例提供的实现用户数据处理方法的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有用户数据处理程序10，所述用户数据处理程序10可被所述处理器12执行。图1仅示出了具有组件11-13以及用户数据处理程序10的电子设备1，本领域技术人员可以理解的是，图1示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本发明一实施例中的用户数据处理程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行用户数据处理程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的用户数据处理程序10是多个指令的组合，在所述处理器12中运行时，可以实现：
响应客户端发出的用户数据处理请求，所述请求包括用户身份标识及数据处理类型，基于所述身份标识获取对应的目标用户数据；
获取所述数据处理类型对应的第一特征因子序列，基于所述目标用户数据生成第一特征向量，将所述第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值；
当所述目标标识值大于第一预设阈值时，获取所述数据处理类型对应的第二特征因子序列，基于所述目标用户数据生成第二特征向量，将所述第二特征向量输入第二模型，得到用户属性目标标签；
根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理。
具体地，所述处理器12对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述目标用户数据的私密和安全性，上述目标用户数据还可以存储于一区块链的节点中。
进一步地，所述电子设备1集成的模块/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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种用户数据处理方法，其特征在于，所述方法包括：
响应客户端发出的用户数据处理请求，所述请求包括用户身份标识及数据处理类型，基于所述身份标识获取对应的目标用户数据；
获取所述数据处理类型对应的第一特征因子序列，基于所述目标用户数据生成第一特征向量，将所述第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值；
当所述目标标识值大于第一预设阈值时，获取所述数据处理类型对应的第二特征因子序列，基于所述目标用户数据生成第二特征向量，将所述第二特征向量输入第二模型，得到用户属性目标标签；
根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理；
其中，所述目标用户数据存储于区块链中，所述第一特征因子序列的确定过程包括：获取第一预设用户群中每个用户在第一预设时间段的第一数据，所述第一数据包括第一用户数据及第一用户属性标识值，所述第一用户属性标识值包括第一标识值及第二标识值；确定所述第一数据中各个第一因子对应的第一标识值及第二标识值的数量，计算各个第一因子对应的第一标识值的数量与第二标识值的数量的比值；将所述比值在第二预设阈值区间的第一因子按照比值从大到小的顺序排序，得到第一特征因子序列；
所述第一模型的确定过程包括：获取第二预设用户群中每个用户在第二预设时间段的第二数据，所述第二数据包括第二用户数据及第二用户属性标识值；根据所述第二数据、第一特征因子序列得到第三特征向量，将所述第三特征向量分别输入多个预设分析模型，得到多个第三用户属性标识值；基于所述第二用户属性标识值、第三用户属性标识值及多个预设模型指标从所述多个预设分析模型中确定最优分析模型，将所述最优分析模型作为第一模型；
所述第二特征因子序列的确定过程包括：获取第三预设用户群中每个用户在第三预设时间段的第三数据，所述第三数据包括用户历史属性标签、历史属性标识值；将所述历史属性标签作为自变量，所述历史属性标识值作为因变量，根据所述自变量、因变量确定标签分析函数；将所述每个用户的历史属性标签分别输入所述标签分析函数中，得到多个标签分析值，将标签分析值大于第三预设阈值的历史属性标签按照标签分析值从大到小的顺序排序，得到第二特征因子序列。
2.如权利要求1所述的用户数据处理方法，其特征在于，所述方法还包括：
将大于第一预设阈值的目标标识值进行排序、分组，根据分组结果为所述目标标识值对应的目标用户数据分配优先级别；
根据所述优先级别、目标处理方案依次对对应的目标用户数据进行处理。
3.一种用户数据处理装置，其特征在于，所述装置包括：
数据获取模块，用于响应客户端发出的用户数据处理请求，所述请求包括用户身份标识及数据处理类型，基于所述身份标识获取对应的目标用户数据；
第一特征处理模块，用于获取所述数据处理类型对应的第一特征因子序列，基于所述目标用户数据生成第一特征向量，将所述第一特征向量输入第一模型，得到用户属性目标标识值，判断所述目标标识值是否大于第一预设阈值；
第二特征处理模块，用于当所述目标标识值大于第一预设阈值时，获取所述数据处理类型对应的第二特征因子序列，基于所述目标用户数据生成第二特征向量，将所述第二特征向量输入第二模型，得到用户属性目标标签；
数据处理模块，用于根据属性标签与处理方案之间的映射关系确定所述用户属性目标标签对应的目标处理方案，根据所述目标处理方案对所述目标用户数据执行相应的处理；
其中，所述目标用户数据存储于区块链中，所述第一特征因子序列的确定过程包括：获取第一预设用户群中每个用户在第一预设时间段的第一数据，所述第一数据包括第一用户数据及第一用户属性标识值，所述第一用户属性标识值包括第一标识值及第二标识值；确定所述第一数据中各个第一因子对应的第一标识值及第二标识值的数量，计算各个第一因子对应的第一标识值的数量与第二标识值的数量的比值；将所述比值在第二预设阈值区间的第一因子按照比值从大到小的顺序排序，得到第一特征因子序列；
所述第一模型的确定过程包括：获取第二预设用户群中每个用户在第二预设时间段的第二数据，所述第二数据包括第二用户数据及第二用户属性标识值；根据所述第二数据、第一特征因子序列得到第三特征向量，将所述第三特征向量分别输入多个预设分析模型，得到多个第三用户属性标识值；基于所述第二用户属性标识值、第三用户属性标识值及多个预设模型指标从所述多个预设分析模型中确定最优分析模型，将所述最优分析模型作为第一模型；
所述第二特征因子序列的确定过程包括：获取第三预设用户群中每个用户在第三预设时间段的第三数据，所述第三数据包括用户历史属性标签、历史属性标识值；将所述历史属性标签作为自变量，所述历史属性标识值作为因变量，根据所述自变量、因变量确定标签分析函数；将所述每个用户的历史属性标签分别输入所述标签分析函数中，得到多个标签分析值，将标签分析值大于第三预设阈值的历史属性标签按照标签分析值从大到小的顺序排序，得到第二特征因子序列。
4.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至2中任一所述的用户数据处理方法。
5.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2中任一所述的用户数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370883.0A CN111652742B (zh) | 2020-04-30 | 2020-04-30 | 用户数据处理方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370883.0A CN111652742B (zh) | 2020-04-30 | 2020-04-30 | 用户数据处理方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652742A CN111652742A (zh) | 2020-09-11 |
| CN111652742B true CN111652742B (zh) | 2023-08-22 |
Family
ID=72343018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010370883.0A Active CN111652742B (zh) | 2020-04-30 | 2020-04-30 | 用户数据处理方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652742B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN110852780A (zh) * | 2019-10-08 | 2020-02-28 | 百度在线网络技术（北京）有限公司 | 数据分析方法、装置、设备和计算机存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11232465B2 (en) * | 2016-07-13 | 2022-01-25 | Airship Group, Inc. | Churn prediction with machine learning |
-
2020
- 2020-04-30 CN CN202010370883.0A patent/CN111652742B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| CN110852780A (zh) * | 2019-10-08 | 2020-02-28 | 百度在线网络技术（北京）有限公司 | 数据分析方法、装置、设备和计算机存储介质 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652742A (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
| CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN113178071B (zh) | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 | |
| CN113850260B (zh) | 关键信息抽取方法、装置、电子设备及可读存储介质 | |
| CN113706252B (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113657495A (zh) | 基于概率预测模型的保险产品推荐方法、装置、设备 | |
| CN113688239B (zh) | 少样本下的文本分类方法、装置、电子设备及存储介质 | |
| CN112860737B (zh) | 数据查询方法、装置、电子设备及可读存储介质 | |
| CN112148995A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114462412B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| CN112597135A (zh) | 用户分类方法、装置、电子设备及可读存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN112163635A (zh) | 基于深度学习的图像分类方法、装置、服务器及介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN113064984B (zh) | 意图识别方法、装置、电子设备及可读存储介质 | |
| CN112395401B (zh) | 自适应负样本对采样方法、装置、电子设备及存储介质 | |
| CN113344433A (zh) | 产品匹配方法、装置、电子设备及可读存储介质 | |
| CN111652742B (zh) | 用户数据处理方法、装置、电子设备及可读存储介质 | |
| CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113157890B (zh) | 智能问答方法、装置、电子设备及可读存储介质 | |
| CN114840660A (zh) | 业务推荐模型训练方法、装置、设备及存储介质 |
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 |