CN112101971A - 敏感客户识别方法、系统及存储介质 - Google Patents
敏感客户识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112101971A CN112101971A CN202011302399.0A CN202011302399A CN112101971A CN 112101971 A CN112101971 A CN 112101971A CN 202011302399 A CN202011302399 A CN 202011302399A CN 112101971 A CN112101971 A CN 112101971A
- Authority
- CN
- China
- Prior art keywords
- data
- customer
- sensitive
- work order
- analyzing
- 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 31
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005065 mining Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 28
- 230000008451 emotion Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000002996 emotional effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000019771 cognition Effects 0.000 claims description 2
- 230000000052 comparative effect Effects 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明为敏感客户识别方法、系统及存储介质，其方法包括：从客服热线工单、回访反馈表等获取工单编号、工单分类、受理内容、处理状态、通话时长及回访内容等数据；对所获取的数据进行分析及处理，将文本信息数据化，对客户编号进行补全；生成指标体系；利用EM聚类算法将样本数据划分类群；分析每个类群特征和不同类群间差异，挖掘数据的集中和离散趋势，基于业务可解释性总结类群特征；基于类群特征分析成果并引入专家经验，生成符合业务经验的敏感客户的最终识别规则，精准定位敏感客户。本发明将文本信息转换为数值化指标，构建敏感客户识别模型，提炼客户特征并固化为规则，准确、快速掌握客户敏感特征。
Description
技术领域
本发明属于电力技术领域，具体涉及基于供电服务客服热线的敏感客户识别方法、系统及存储介质。
背景技术
电网客户服务热线（95598热线）集自动、人工服务于一体，为客户提供24小时不间断、全方位的一站式服务，提供的服务主要包括：故障报修、服务申请、意见、举报、信息查询、投诉、建议等11大类。其中投诉类工单表明客户存在情绪不满，该类业务引起业务人员重点关注，尽量避免客户投诉事件发生。其他大类中部分客户存在诉求升级的风险，不利于业务人员定位跟踪分析。当前模式下业务人员难以及时准确把控客户诉求风险、识别客户敏感点。
当前诉求相关业务人员依靠人工经验分析历史工单，根据客户工单受理内容、来电数量等关键信息识别敏感客户。但是，该方法难以大量、迅速识别风险客户，对潜在诉求升级客户缺乏有效的识别手段。
发明内容
为此，本发明提供敏感客户识别方法、系统及存储介质，以解决现有技术无法快速、有效识别敏感客户的技术问题。
一方面，本发明采取的技术方案为：敏感客户识别方法，该方法包括以下步骤：
步骤1、数据获取：从数据表中筛选重点字段，数据表包括客服热线工单、回访反馈表，重点字段包括工单编号、工单分类大类、工单分类小类、受理内容、受理时间、处理状态、通话时长及回访内容；
步骤2、数据分析及处理：对所获取的数据进行分析及处理，通过文本解析将文本信息数据化，对客服热线工单中的客户编号进行补全；
步骤3、构建指标体系：将经过步骤2分析处理后的数据生成指标体系，指标体系中设有对敏感客户识别的参考指标；所构建的指标体系作为建模分群的输入变量；
步骤4、利用EM聚类算法将样本数据划分类群；
步骤5、分析类群特征：分析每个类群特征和不同类群间差异，分析各个类群的数据分布情况，挖掘数据的集中和离散趋势，基于业务可解释性总结类群特征；
步骤6、固化识别规则：基于步骤5的类群特征分析成果并引入专家经验，生成符合业务经验的敏感客户的最终识别规则，精准定位敏感客户。
另一方面，本发明还采取如下技术方案：敏感客户识别系统，包括：
数据获取模块：从数据表中筛选重点字段，数据表包括客服热线工单、回访反馈表，重点字段包括工单编号、工单分类大类、工单分类小类、受理内容、受理时间、处理状态、通话时长及回访内容；
数据分析及处理模块：对所获取的数据进行分析及处理，通过文本解析将文本信息数据化，对客服热线工单中的客户编号进行补全；
指标体系构建模块：将经过数据分析及处理模块分析处理后的数据生成指标体系，指标体系中设有对敏感客户识别的参考指标；所构建的指标体系作为建模分群的输入变量；
类群划分模块：利用EM聚类算法将样本数据划分类群；
类群特征分析模块：分析每个类群特征和不同类群间差异，分析各个类群的数据分布情况，挖掘数据的集中和离散趋势，基于业务可解释性总结类群特征；
识别规则固化模块：基于类群特征分析成果并引入专家经验，生成符合业务经验的敏感客户的最终识别规则，精准定位敏感客户。
再一方面，本发明还提供存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时，实现本发明敏感客户识别方法的步骤1-步骤6。
本发明与现有技术相比，具有如下优点和有益效果：
本发明建立一种基于供电服务95598客服热线的敏感客户识别方法和系统，将大量文本信息经分词技术、关键词提取转换为数值化指标，通过机器学习算法构建敏感客户识别模型，提炼客户特征并固化为规则，助力业务人员直观、准确、快速掌握客户敏感特征，为降低客户投诉风险、提高服务水平提供数据支撑。
附图说明
图1为本发明基于供电服务客服热线的敏感客户识别方法的流程示意图；
图2是本发明基于供电服务客服热线的敏感客户识别系统的结构方框图。
具体实施方式
下面将结合实施例及附图对本发明的技术方案做进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本发明提供了一种基于供电服务客服热线的敏感客户识别方法，包括数据获取、数据分析及处理、构建指标宽表、利用EM聚类划分类群、分析类群特征、固化识别规则。具体包括如下步骤：
步骤1、数据获取：对敏感客户的识别主要基于95598客服热线工单、回访反馈表等数据表，从数据表上获取包括工单编号、工单分类大类、工单分类小类、受理内容、受理时间、处理状态、通话时长、回访内容等在内的重点字段。
步骤2、数据分析及处理：
步骤2.1、文本分析及处理：通过分词技术，从所获取的数据中筛选情绪词并分类，对每个客服工单标记情绪特征；通过文本提取，提取催办、回访派单、重复来电次数等关键指标；将回访反馈表中的客户评价数值化。
步骤2.2、数据清洗：95598客服热线工单中的客户编号因客户不愿提供、诉求公共区域事件等现状导致缺失较为严重，需进行补全。通过分析发现，可通过两种方式补全：一是提取客服热线工单的工单编号并关联前序工单，若前序工单中记录客户编号，则可根据该客户编号进行补全。二是将客服热线工单提供的地址与客户档案信息中用电地址进行匹配，补全相关客户编号。
步骤3、构建指标体系：将经过步骤2分析处理后的数据生成指标体系，以客户编号进行聚合，统计客户近半年、近一年、近两年的诉求次数、诉求总电话数、情绪不满次数、投诉次数、重复拨打次数、电话平均时长、回访评价负面得分等，分析客户在不同时间维度上的数据分布情况；并确定最终观测周期为近一年，即12个月。
本步骤所构建的指标体系作为建模分群的主要输入变量。而指标体系中设置的对
敏感客户识别的主要参考指标如表1所示，包括两大类，第一大类为直接计算的指标，第二
大类为经文本分词后计算的指标。直接计算的指标包括近12个月（即一个观测周期内）诉求
总次数、投诉次数、通话平均时长、文本平均长度和非故障类诉求次数。经文本分词后计算
的指标包括近12个月（即一个观测周期内）情绪不满/比较不满次数、情绪极其不满/非常不
满次数、催办次数、重复来电次数、回访派单次数和回访负面评价总分。各项指标的描述详
见表1。
步骤4、利用EM聚类算法将样本数据划分类群：
由于客户诉求内容多种多样较为复杂，通过业务经验仅可把握部分特征，难以掌握整体规律。因此利用指标数据，采用无监督的EM聚类将样本数据划分为多个类群，支撑下阶段特征分析工作。其中聚类数目设置为1到20，计算每个聚类数目下的BIC值，确定最佳聚类数目。
采用EM聚类的原因主要是该方法以高斯分布为基础，聚类结果在几何上是椭圆的，适用性更广。EM聚类算法主要是计算概率，用一个给定的多元高斯概率分布模型来估计出一个数据点属于一个聚类的概率，即将每一个聚类看作是一个高斯概率分布模型，主要由两步交替进行，通过E-step和M-step的不断交替来增加总的对数似然直到高斯概率分布模型收敛。
以某类敏感客户为例，提取考察期内该类敏感客户诉求工单，采用EM聚类算法并设置聚类数目为1到20，系统自动计算每个聚类数据下的BIC值，输出最佳聚类数目为9。
步骤5、分析类群特征：
聚类是将样本数据分类到不同的类或者簇的过程，所以同一个类中的对象有很大的相似性，而不同类间的对象有很大的相异性。经步骤4聚类后生成多个类群，本步骤分析每个类群特征和不同类群间差异，分析各个类群的数据分布情况，挖掘数据的集中和离散趋势，基于业务可解释性总结类群特征，帮助业务人员更深入的了解问题及原因，支撑下一步制定识别规则。
步骤5.1、分析每个类群特征：结合业务经验分析类群特征，关注群内数据分布情况和群样本数量。数据分布情况主要是分析关键指标的分布，包括：离群值、四分位点、均值、中位数、众数等，挖掘数据的集中和离散趋势；基于诉求业务事件中大部分客户属于正常客户、少量客户存在敏感性的认知，因此关注群样本数量为重点关注样本数量较少的类群及样本数量较大的边缘样本。
步骤5.2、分析不同类群间差异：基于前述每个类群特征的分析成果，引入极差、均值、方差等维度分析各个类群数据分布与总体样本分布的偏差、不同类群在各个指标数据分布的差异性，分析结果满足业务可解释性。
以某类敏感客户为例，经步骤4聚类后分为互不重叠的9类，分别标注为类群序号1到9；然后依次按照步骤5.1和步骤5.2开展分析，即：
针对类群1开展群特征分析，可得：该类群样本数量最多，占比高达85.60%；类群特征主要表现为一次诉求基本无异议，表明客户致电客服热线一次后问题得以解决，未发生情绪不满、催办、回派、重复来电等行为。按此模式依次对其他类群特征开展分析。
针对9个类群间特征差异开展分析，可得：类群2、3、7分别在情绪不满、催办、投诉指标中数据特征较为明显；类群序号8在回派工单及回访差评中指标中特征较为明显；类群9在催办、回派、不满情绪、重复来电、回访差评多个指标中特征明显。按此模式对其他类群间特征开展分析。
经上述分析，各个类群数量占比、业务说明见下表2。
步骤6、固化识别规则：基于步骤5的类群分析成果并引入专家经验，生成符合业务经验的敏感客户的最终识别规则，快速精准定位敏感客户。
步骤6.1、根据步骤5分析所获得的每个类群特征分布、不同类群间特征差异，生成数据及业务的显性评判；然后圈定部分重点关注的敏感特质数据；最后对疑似正常用户、疑似敏感用户归纳产生基于指标特征组及其阈值组合的初步规则框架。
步骤6.2、引入专家经验，对专家业务中常态化可直接总结的简单敏感客户识别经验进行归总，直接生成判断规则；将专家经验与上述初步规则框架的内容进行结合，评判指标特征组及其阈值组合的合理性；并基于服务能力调整敏感特质数据识别阈值及识别规则，保证敏感客户数量与服务资源匹配；基于调整后的识别阈值和识别规则，抽样被识别群体，开展专家业务验证，论证识别规则的有效性；最后将经过数据分析并结合业务经验的结果固化为敏感客户的最终识别规则。
以某类敏感客户为例，基于步骤5的类群分析成果，重点关注催办、重复来电次数、回派工单、回访差评、诉求总次数、投诉次数等指标，归纳指标特征并根据数据分布设置阈值。如：根据类群1，诉求次数大于2的圈定该类群的边缘样本为“疑似敏感用户”；根据类群7，投诉次数大于1的样本划分为“疑似敏感用户”；类群5各项指标均无明显特征，直接剔除不作研究。不同类群生成不同识别规则见下表3，类群1的识别规则为诉求次数大于2，类群2的识别规则为情绪不满次数大于2，类群3的识别规则为催办次数大于1，类群4的识别规则为重复来电次数大于0，类群7的识别规则为投诉次数大于1，类群8的识别规则为回访派单次数大于0且回访得分小于0，类群6、9的识别规则为回访得分小于负3。
将上述识别规则、识别结果提交专家。专家结合业务经验、现有服务资源评估规则的合理性、识别结果的准确性，并开展指标及阈值的修正工作，如：针对类群序号7得出的“投诉次数大于1次”规则，专家认为工单大类为投诉，表明客户已经存在不满情绪，需慎重处理相关事务，因此将阈值调整为0次，即客户一旦发生投诉行为则划分为敏感群体。最终将满足数据分布及专家经验的结果固化为该类敏感客户识别规则，具体规则见下表4。经专家评议后，类群2的最终提取规则为情绪不满次数大于1，类群7的最终提取规则为投诉次数大于0。
基于相同的构思，本发明还提供一种基于供电服务客服热线的敏感客户识别系统，如图2所示，其包括：
数据获取模块：用于执行上述方法的步骤1，从数据表中筛选重点字段，数据表包括客服热线工单、回访反馈表，重点字段包括工单编号、工单分类大类、工单分类小类、受理内容、受理时间、处理状态、通话时长及回访内容；
数据分析及处理模块：用于执行上述方法的步骤2，对所获取的数据进行分析及处理，通过文本解析将文本信息数据化，对客服热线工单中的客户编号进行补全；
指标体系构建模块：用于执行上述方法的步骤3，将经过数据分析及处理模块分析处理后的数据生成指标体系，指标体系中设有对敏感客户识别的参考指标；所构建的指标体系作为建模分群的输入变量；
类群划分模块：用于执行上述方法的步骤4，利用EM聚类算法将样本数据划分类群；
类群特征分析模块：用于执行上述方法的步骤5，分析每个类群特征和不同类群间差异，分析各个类群的数据分布情况，挖掘数据的集中和离散趋势，基于业务可解释性总结类群特征；
识别规则固化模块：用于执行上述方法的步骤6，基于类群特征分析成果并引入专家经验，生成符合业务经验的敏感客户的最终识别规则，精准定位敏感客户。
同样地，基于相同的发明构思，本发明还提供存储介质，存储介质上存储有计算机指令；上述计算机指令被处理器执行时，实现本发明敏感客户识别方法的步骤1-步骤6，完成敏感客户的精准识别。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.敏感客户识别方法，其特征在于，包括以下步骤：
步骤1、数据获取：从数据表中筛选重点字段，数据表包括客服热线工单、回访反馈表，重点字段包括工单编号、工单分类大类、工单分类小类、受理内容、受理时间、处理状态、通话时长及回访内容；
步骤2、数据分析及处理：对所获取的数据进行分析及处理，通过文本解析将文本信息数据化，对客服热线工单中的客户编号进行补全；
步骤3、构建指标体系：将经过步骤2分析处理后的数据生成指标体系，指标体系中设有对敏感客户识别的参考指标；所构建的指标体系作为建模分群的输入变量；
步骤4、利用EM聚类算法将样本数据划分类群；
步骤5、分析类群特征：分析每个类群特征和不同类群间差异，分析各个类群的数据分布情况，挖掘数据的集中和离散趋势，基于业务可解释性总结类群特征；
步骤6、固化识别规则：基于步骤5的类群特征分析成果并引入专家经验，生成符合业务经验的敏感客户的最终识别规则，精准定位敏感客户。
2.根据权利要求1所述的敏感客户识别方法，其特征在于，步骤2包括：
步骤2.1、文本分析及处理：通过分词技术，从所获取的数据中筛选情绪词并分类，对每个客服工单标记情绪特征；通过文本提取，提取包括催办、回访派单、重复来电次数在内的关键指标；将回访反馈表中的客户评价数值化；
步骤2.2、数据清洗：通过关联客服热线工单及地址信息补全客户编号。
3.根据权利要求2所述的敏感客户识别方法，其特征在于，步骤2.2采取的补全方式为：
提取客服热线工单的工单编号并关联前序工单，若前序工单中记录客户编号，则根据该客户编号进行补全；或者
将客服热线工单提供的地址与客户档案信息中用电地址进行匹配，补全相关客户编号。
4.根据权利要求1所述的敏感客户识别方法，其特征在于，步骤3在构建指标体系时，以客户编号进行聚合，统计客户近半年、近一年、近两年的诉求次数、诉求总电话数、情绪不满次数、投诉次数、重复拨打次数、电话平均时长、回访评价负面得分，分析客户在不同时间维度上的数据分布情况。
5.根据权利要求1所述的敏感客户识别方法，其特征在于，步骤3中对敏感客户识别的参考指标包括第一大类直接计算的指标和第二大类经文本分词后计算的指标，直接计算的指标包括一个观测周期内的诉求总次数、投诉次数、通话平均时长、文本平均长度和非故障类诉求次数，经文本分词后计算的指标包括一个观测周期内情绪不满/比较不满次数、情绪极其不满/非常不满次数、催办次数、重复来电次数、回访派单次数和回访负面评价总分。
6.根据权利要求1所述的敏感客户识别方法，其特征在于，步骤4中EM聚类算法由两步交替进行，通过E-step和M-step的不断交替来增加总的对数似然直到高斯概率分布模型收敛。
7.根据权利要求1所述的敏感客户识别方法，其特征在于，步骤5包括：
步骤5.1、分析每个类群特征：结合业务经验分析类群特征，关注群内数据分布情况和群样本数量；
步骤5.2、分析不同类群间差异：基于每个类群特征的分析成果，引入极差、均值、方差从多维度分析各个类群数据分布与总体样本分布的偏差、不同类群在各个指标数据分布的差异性，分析结果满足业务可解释性。
8.根据权利要求7所述的敏感客户识别方法，其特征在于，步骤5.1中，数据分布情况指分析关键指标的分布，包括：离群值、四分位点、均值、中位数、众数，挖掘数据的集中和离散趋势；关注群样本数量为基于诉求业务事件中大部分客户属于正常客户、少量客户存在敏感性的认知，重点关注样本数量较少的类群及样本数量较大的边缘样本。
9.敏感客户识别系统，其特征在于，包括：
数据获取模块：从数据表中筛选重点字段，数据表包括客服热线工单、回访反馈表，重点字段包括工单编号、工单分类大类、工单分类小类、受理内容、受理时间、处理状态、通话时长及回访内容；
数据分析及处理模块：对所获取的数据进行分析及处理，通过文本解析将文本信息数据化，对客服热线工单中的客户编号进行补全；
指标体系构建模块：将经过数据分析及处理模块分析处理后的数据生成指标体系，指标体系中设有对敏感客户识别的参考指标；所构建的指标体系作为建模分群的输入变量；
类群划分模块：利用EM聚类算法将样本数据划分类群；
类群特征分析模块：分析每个类群特征和不同类群间差异，分析各个类群的数据分布情况，挖掘数据的集中和离散趋势，基于业务可解释性总结类群特征；
识别规则固化模块：基于类群特征分析成果并引入专家经验，生成符合业务经验的敏感客户的最终识别规则，精准定位敏感客户。
10.存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实现权利要求1-8中任一项所述的敏感客户识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011302399.0A CN112101971B (zh) | 2020-11-19 | 2020-11-19 | 敏感客户识别方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011302399.0A CN112101971B (zh) | 2020-11-19 | 2020-11-19 | 敏感客户识别方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101971A true CN112101971A (zh) | 2020-12-18 |
| CN112101971B CN112101971B (zh) | 2021-05-11 |
Family
ID=73785585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011302399.0A Active CN112101971B (zh) | 2020-11-19 | 2020-11-19 | 敏感客户识别方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101971B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113377833A (zh) * | 2021-06-08 | 2021-09-10 | 中电福富信息科技有限公司 | 基于电信大数据的不满意服务标签的构建方法 |
| CN113610399A (zh) * | 2021-08-09 | 2021-11-05 | 广州品唯软件有限公司 | 一种客服后台的风险监控方法、系统及装置 |
| CN113792202A (zh) * | 2021-08-31 | 2021-12-14 | 中国电子科技集团公司第三十研究所 | 一种用户分类的筛选方法 |
| CN115099829A (zh) * | 2022-06-15 | 2022-09-23 | 马上消费金融股份有限公司 | 数据处理方法及装置 |
| CN115907784A (zh) * | 2022-11-01 | 2023-04-04 | 国网江苏省电力有限公司营销服务中心 | 电力营业厅服务敏感客户识别和主动预警通知方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299182B (zh) * | 2014-10-08 | 2017-12-19 | 天津大学 | 基于聚类的城市基础设施突发事件的检测方法 |
| US10157347B1 (en) * | 2013-11-04 | 2018-12-18 | Predii, Inc. | Adaptable systems and methods for processing enterprise data |
-
2020
- 2020-11-19 CN CN202011302399.0A patent/CN112101971B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10157347B1 (en) * | 2013-11-04 | 2018-12-18 | Predii, Inc. | Adaptable systems and methods for processing enterprise data |
| CN104299182B (zh) * | 2014-10-08 | 2017-12-19 | 天津大学 | 基于聚类的城市基础设施突发事件的检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 汤宁: "基于文本挖掘的电力工单分析", 《基于文本挖掘的电力工单分析》 * |
| 邹保平: "基于用户感知度模型的新型客户业务型态应用", 《国外电子测量技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113377833A (zh) * | 2021-06-08 | 2021-09-10 | 中电福富信息科技有限公司 | 基于电信大数据的不满意服务标签的构建方法 |
| CN113610399A (zh) * | 2021-08-09 | 2021-11-05 | 广州品唯软件有限公司 | 一种客服后台的风险监控方法、系统及装置 |
| CN113792202A (zh) * | 2021-08-31 | 2021-12-14 | 中国电子科技集团公司第三十研究所 | 一种用户分类的筛选方法 |
| CN113792202B (zh) * | 2021-08-31 | 2023-05-05 | 中国电子科技集团公司第三十研究所 | 一种用户分类的筛选方法 |
| CN115099829A (zh) * | 2022-06-15 | 2022-09-23 | 马上消费金融股份有限公司 | 数据处理方法及装置 |
| CN115907784A (zh) * | 2022-11-01 | 2023-04-04 | 国网江苏省电力有限公司营销服务中心 | 电力营业厅服务敏感客户识别和主动预警通知方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101971B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101971B (zh) | 敏感客户识别方法、系统及存储介质 | |
| WO2019214245A1 (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
| CN108876034B (zh) | 一种改进的Lasso+RBF神经网络组合预测方法 | |
| CN106683688B (zh) | 一种情绪检测方法及装置 | |
| CN106557558B (zh) | 一种数据分析方法及装置 | |
| CN104077407B (zh) | 一种智能数据搜索系统及方法 | |
| CN109636482B (zh) | 基于相似度模型的数据处理方法及系统 | |
| CN108021651A (zh) | 一种网络舆情风险评估方法及装置 | |
| CN105740353A (zh) | 个股和文章关联度的计算方法及其系统 | |
| CN111782806A (zh) | 一种基于人工智能算法的相似上市企业检索分类方法及系统 | |
| CN112184484A (zh) | 一种电力用户差异化服务方法及系统 | |
| CN117668205A (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
| CN109462635B (zh) | 一种信息推送方法、计算机可读存储介质及服务器 | |
| CN112036150A (zh) | 电价政策条款解析方法、存储介质及计算机 | |
| CN110189016A (zh) | 技术生命周期评估方法和装置 | |
| CN112132368A (zh) | 信息处理方法以及装置、计算设备、存储介质 | |
| US12001797B2 (en) | System and method of automatic topic detection in text | |
| CN112559862B (zh) | 一种基于邻近词相似度的产品特征聚类方法 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| CN111178982B (zh) | 客户满意度的分析方法、存储介质和计算机设备 | |
| CN110443646B (zh) | 产品竞争关系网络分析方法和系统 | |
| Li et al. | Text mining strategy of power customer service work order based on natural language processing technology | |
| CN114637841A (zh) | 基于对立主题分析的群体意见自动抽取系统 | |
| McElwee et al. | Social Media, Money, and Politics: Campaign Finance in the 2016 US Congressional Cycle | |
| CN111241399A (zh) | 一种上市公司关注度的评估方法 |
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 |