CN112163155A - 信息处理方法、装置、设备及存储介质 - Google Patents
信息处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112163155A CN112163155A CN202011065312.2A CN202011065312A CN112163155A CN 112163155 A CN112163155 A CN 112163155A CN 202011065312 A CN202011065312 A CN 202011065312A CN 112163155 A CN112163155 A CN 112163155A
- Authority
- CN
- China
- Prior art keywords
- conversion rate
- historical
- target object
- information
- feature
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 44
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 202
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 238000013210 evaluation model Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 238000003058 natural language processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息处理方法、装置、设备及存储介质，所述方法包括：获取目标对象对应的特征信息，所述目标对象为待进行转化率评估的对象；根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，所述转化率评估模型是根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练获得的，所述转化率评估结果用于表示所述目标对象对预设业务需求的意愿度；基于所述意愿度，对所述目标对象进行产品推荐。本发明能够解决无法精准、快捷地针对各个潜在的客户进行转化率评估的问题，进而有效地针对特定客户推荐产品，提高工作效率、业绩。
Description
技术领域
本发明涉及信息处理领域，尤其涉及一种信息处理方法、装置、设备及存储介质。
背景技术
随着企业的不断发展，开始在各种渠道投放广告触达各种业务需求的企业主，为了进一步转化这些潜在客户，通常会将企业主的联系方式集中到一起，进行产品推荐，比如通过电话销售的方式了解这些客户的需求和疑问，通过解答和沟通解决客户的需求，实现这些潜在客群的转化。
由于投放的渠道众多，收集的用户数量众多且质量参差不齐，电销人力成本日益增长，可能导致电销成本剧增，同时电销人员每天的工作量也被动增加，导致客单服务时长降低，且由于无法耐心的倾听顾客的需求和予以解答，导致转化率变低，用户体验变差等。
因此，现有技术中由于无法快捷、精准地针对各个潜在的客户进行转化率评估，导致无法合理地为潜在客户解决业务问题分配服务时长，进而无法满足用户需求，导致转化率变低，影响用户体验。
发明内容
本发明的主要目的在于提供一种信息处理方法、装置、设备及存储介质，旨在解决无法精准、快捷地针对各个潜在的客户进行转化率评估，导致无法有效地针对特定客户推荐产品的问题。
为实现上述目的，本发明提供一种信息处理方法，所述信息处理方法包括：
获取目标对象对应的特征信息，所述目标对象为待进行转化率评估的对象；
根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，所述转化率评估模型是根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练获得的，所述转化率评估结果用于表示所述目标对象对预设业务需求的意愿度；
基于所述意愿度，对所述目标对象进行产品推荐。
在一种可能的实现方式中，所述获取目标对象对应的特征信息，包括：
获取所述目标对象的有效信息，所述有效信息包括至少一类特征；
对所述至少一类特征中的每类特征进行相应匹配方式的数据处理，得到每类特征对应的特征信息，并形成所述目标对象对应的特征信息。
在一种可能的实现方式中，所述至少一类特征包括下述至少一项：文本类特征、数字类特征以及所述目标对象所属类型特征；
对所述至少一类特征中的每类特征进行相应匹配方式的数据处理，得到每类特征对应的特征信息，包括下述至少一项：
通过自然语言处理，将所述文本类特征转换为文本向量；
对数字类特征进行范围划分，并对划分后的范围进行编码，得到所述数字类特征对应的第一编码信息；
对所述目标对象所属类型特征进行编码，得到所述目标对象所属类型特征对应的第二编码信息；
其中，所述目标对象对应的特征信息包括下述至少一项：所述文本向量、所述第一编码信息以及所述第二编码信息。
在一种可能的实现方式中，所述根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，包括：
将所述特征信息中包含的特征数目与转化率评估模型所需的输入量中包含的特征数目进行比对；
若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息，所述目标特征信息用于作为所述转化率评估模型的输入量；
将所述目标特征信息输入到所述转化率评估模型中，预估得到所述目标对象的转化率评估结果。
在一种可能的实现方式中，所述若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息，包括：
若比对结果为所述特征信息中缺失特征，则获取所述特征信息缺失的待填充特征；
根据所述待填充特征、所述特征信息以及所述历史对象的历史特征信息，确定所述待填充特征对应的填充值；
将所述填充值更新至所述特征信息中，得到目标特征信息。
在一种可能的实现方式中，所述根据所述待填充特征、所述特征信息以及所述历史对象的历史特征信息，确定所述待填充特征对应的填充值，包括：
根据所述特征信息以及所述历史对象的历史特征信息，通过聚类分析，得到与所述目标对象相似的目标历史对象；
从所述目标历史对象的历史特征信息中获取与所述特征信息中的所述待填充特征匹配的填充值，并将所述匹配的填充值作为所述待填充特征对应的填充值。
在一种可能的实现方式中，所述方法还包括：
获取所述历史对象的历史有效信息以及历史转化率；
将所述历史有效信息进行数据处理，并对处理后的历史有效信息进行特征填充，生成所述历史对象的历史特征信息；
以所述历史对象的历史特征信息以及历史转化率为样本，通过机器学习算法对所述样本进行训练、测试以及验证，得到所述转化率评估模型。
在一种可能的实现方式中，所述基于所述意愿度，对目标对象进行产品推荐，包括：
将所述意愿度与预设阈值进行比对，若所述意愿度小于预设阈值，则对所述目标对象进行过滤；
若所述意愿度大于或等于预设阈值，则将所述目标对象分配到相应的目标转化率评估结果集；
根据所述目标转化率评估结果集对应的服务时长，为所述目标对象分配产品推荐的服务时间；
将所述服务时间发送至客服端，以使所述客服端的用户依据所述服务时间对所述目标对象进行产品推荐，并将产品推荐的结果进行反馈；
根据反馈的所述产品推荐的结果，对所述转化率评估结果进行更新并存储，用以优化所述转化率评估模型。
本发明还提供一种信息处理装置，包括：
获取模块，用于获取目标对象对应的特征信息，所述目标对象为待进行转化率评估的对象；
预估模块，用于根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，所述转化率评估模型是根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练获得的，所述转化率评估结果用于表示所述目标对象对预设业务需求的意愿度；
推荐模块，用于基于所述意愿度，对所述目标对象进行产品推荐。
本发明还提供一种信息处理设备，所述信息处理设备包括：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数据处理程序，所述数据处理程序被所述处理器执行时实现如前述任一项所述的信息处理方法的步骤。
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上存储有数据处理程序，所述数据处理程序被处理器执行时实现如前述任一项所述的信息处理方法的步骤。
本发明中，通过获取待进行业绩评估的对象即目标对象对应的特征信息，可以依据特征信息，利用转化率评估模型，预估得到目标对象的转化率评估结果，用以确定该目标对象对预设业务需求的意愿度，进而能够对目标对象进行有效地业务服务，比如产品推荐等，以及提高业务人员的工作效率和产品推荐的业绩。本发明通过确定的目标对象对应的特征信息，输入到根据历史对象(比如，已经由潜在客户转化为真正客户)的历史特征信息以及历史对象的历史业绩采用机器学习算法训练获得的业绩评估模型，能够精准、快捷地针对各个潜在的客户(这里可以是目标对象)进行转化率评估，得到该目标对象对业务需求的意愿度，进而基于意愿度能够合理地为潜在客户解决业务问题分配服务时长，实现有效地产品推荐，满足了用户需求，可以提高转化率以及用户体验，相应的提高了业务人员的工作效率和产品推荐的业绩。
附图说明
图1为本发明实施例提供的一种应用场景示意图；
图2为本发明实施例提供的一种信息处理方法的流程示意图；
图3为本发明实施例提供的另一种信息处理方法的流程示意图；
图4为本发明实施例提供的又一种信息处理方法的流程示意图；
图5为本发明实施例提供的一种信息处理装置的结构示意图；
图6为本发明实施例提供的一种信息处理设备的结构示意图。
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
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
目前，为了对一些潜在客户进行产品推荐，进一步转化这些潜在客户，可以通过电话销售等方式了解这些客户的需求和疑问，通过解答和沟通解决客户的需求，实现这些潜在客群的转化。但是，由于投放的渠道众多，收集的用户数量众多且质量参差不齐，电销人力成本日益增长，可能导致电销成本剧增，同时电销人员每天的工作量也被动增加，导致客单通话时长降低，且由于无法耐心的倾听顾客的需求和予以解答，导致转化率变低，用户体验变差等。因此，现有技术中由于无法快捷、精准地针对各个潜在的客户进行转化率评估，不清楚潜在客户对业务需求的意愿度，进而导致无法合理地为潜在客户解决业务问题分配服务时长，进而无法满足用户需求，导致转化率变低，影响用户体验。
为了解决这一问题，本发明的技术构思是由历史的客户数据和其对应的转化情况构成数据基础，构建一个转化率评估模型，用以对获取了特征信息的潜在客户进行转化率评估，利用模型实现了快捷、精准地转化率评估，输出该客户的转化率评估结果，进而确定其客户对业务需求的意愿度，进而为不同意愿度的客户进行匹配性的产品推荐，比如，分配不同的服务时间，实现效率最大化，可以提高转化率以及用户体验，还提高了业务人员的工作效率和业绩。
图1为本发明实施例提供的一种应用场景示意图。如图1所示，以信息处理方法的执行主体为终端设备为例，终端设备10通过对待进行转化率评估的对象即目标对象(比如潜在客户)进行特征信息采集或是接收特征信息，可以直接将特征信息输入到搭建好的转化率评估模型中，输入该潜在客户对应的转化率评估结果；还可以对该特征信息进行预处理，比如对特征信息进行特征填充，得到满足转化率评估模型的输入量的条件的数据，然后用户将填充后的目标特征信息输入到终端设备10提供的转化率评估模型中，输出该潜在客户对应的转化率评估结果，比如转化率的预估值或转化概率。基于转化率评估结果，可以预测出该潜在客户可能对业务需求的意愿度，进而将这样的结果给到业务人员使用的客户端20，使得业务人员能够有效合理地分配服务时长或是直接分配服务时长和服务时间给业务人员，使得业务人员基于服务时间和服务时长进行有效地、针对性的业务服务即推荐产品，比如通过电话销售的方式进行产品推荐，进而提高工作效率、业绩等。其中，这里的终端设备可以是移动终端、计算机设备(如，台式机、笔记本电脑、一体机等)等，移动终端可以包括智能手机、掌上电脑、平板电脑、带语音通话功能的智能设备等。需要说明的是，图1仅仅是示例性的，终端设备10与客户端20可以为一个设备，比如，将客户端20安装在终端设备10上等等，本发明对此不做具体限定。
在实际应用中，示例性的，以业务人员(比如电销人员)帮助潜在客户完成授信的过程中为例，在输出潜在客户的转化率评估结果之后，可以先对该转化率评估结果进行过滤操作，比如，转化率(比如意愿度)低于预设阈值的，说明该潜在客户对业务需求的意愿度较低，最终无法完成授信，而对意愿度较高的，比如，转化率高于或等于预设阈值的，可以有效地为电销人员合理分配服务时长，既可以提高转化率，也可以使得电销人员效率提高，进而提高业绩，而不是盲目地进行产品推荐、业务服务。
其中，信息处理方法的执行主体可以为信息处理设备，比如，终端设备、服务器等，以服务器为例，通过客户终端将潜在客户的特征信息发送至服务器，服务器接收该特征信息可以直接输入到转化率评估模型中，输出转化率预估结果，还可以对其缺失的特征进行填充，然后将填充后的目标特征信息输入到转化率评估模型中，输出转化率预估结果，进而确定目标对象对预设业务需求的意愿度。其中，在得到转化率预估结果之前，需要搭建转化率评估模型，以历史对象的历史特征信息以及历史对象对应的历史转化率为训练的基础数据，得到该转化率评估模型，进而通过转化率评估模型对潜在客户进行转化率预估，能够快捷、精准地转化率评估，进而确定其客户对业务需求的意愿度，为不同意愿度的客户分配不同的服务时间，实现效率最大化，可以提高转化率以及用户体验，还提高了业务人员的工作效率和业绩。
下面结合附图，对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
图2为本发明实施例提供的一种信息处理方法的流程示意图。本实施例对方法的执行主体不做具体限定，该信息处理设备具有数据处理功能。本实施例中的方法可以通过软件、硬件或者软硬件结合的方式来实现。如图2所示，所述方法可以包括：
S201、获取目标对象对应的特征信息，所述目标对象为待进行转化率评估的对象。
其中，这里的目标对象可以为待进行转化率评估的对象，比如业务人员待服务的对象(产品推荐的对象，比如电话销售的对象)，即潜在客户，这里的客户可以为企业或是公司。首先依据目标对象的名称，比如企业名称，可以获取该企业的公开信息，包括但不限于企业名称(即公司的名称)、法人、联系方式、地址、注册资本、实缴资本、行业、登记机关、经营范围、企业类型等。然后针对获取到的信息进行数据预处理，使得上述信息便于识别和运算。
可选的，如何获取目标对象对应的特征信息，可以通过以下步骤实现：
步骤a1、获取所述目标对象的有效信息，所述有效信息包括至少一类特征。
步骤a2、对所述至少一类特征中的每类特征进行相应匹配方式的数据处理，得到每类特征对应的特征信息，并形成所述目标对象对应的特征信息。
具体地，首先根据目标对象的企业名称获取目标对象的公开信息，然后基于公开信息获取该目标对象的有效信息，比如地址、注册资本、实缴资本、行业、登记机关、经营范围、企业类型等至少一项。其中，有效信息中可以包括至少一类特征，比如文本类特征、数字类特征以及所述目标对象所属类型特征。然后针对每一类特征，配置有相应的数据处理方式，基于匹配的方式对该类特征进行数据处理，得到该类特征对应的特征信息，进而将所有类特征处理完成后，形成目标对象对应的特征信息。
需要说明的是，上述仅仅是示例性的，本发明对如何获取有效信息不做具体限定。
可选的，为了便于数据分析，需要对有效信息进行数据处理，如何针对不同类的特征进行数据处理，可以通过以下步骤实现：
步骤b1、通过自然语言处理，将所述文本类特征转换为文本向量。
步骤b2、对数字类特征进行范围划分，并对划分后的范围进行编码，得到所述数字类特征对应的第一编码信息。
步骤b3、对所述目标对象所属类型特征进行编码，得到所述目标对象所属类型特征对应的第二编码信息。
其中，所述目标对象对应的特征信息包括下述至少一项：所述文本向量、所述第一编码信息以及所述第二编码信息。
具体地，经营范围、地址、行业、登记机关等可以归为文本类特征。针对文本类特征，以经营范围为例，通过自然语言处理技术转化成文本向量，比如提取该经营范围描述内容的语句特征向量，生成文本向量等。注册资本、实缴资本等可以归为数字类特征，首先可以对数字类特征进行范围划分，基于对应的范围进行编码，得到第一编码信息。企业类型可以归为目标对象所属类型特征，可以直接对其进行编码，得到第二编码信息。由文本向量、所述第一编码信息以及所述第二编码信息中至少一项构成目标对象对应的特征信息。
S202、根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果。
其中，所述转化率评估模型是根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练获得的；所述转化率评估结果用于表示所述目标对象对预设业务需求的意愿度。
本实施例中，将特征信息输入到转化率评估模型中，输出目标对象对应的转化率评估结果，该转化率评估结果为置信度，在0～1范围内。通过转化率评估结果可以预测出该潜在客户可能对业务需求的意愿度，进而将这样的结果给到业务人员，使得业务人员能够有效合理地分配服务时长，进而提高工作效率、业绩等。这里的意愿度的数值可以为转化率的数值，也可以为等级评分。比如转化率为0～0.2，则意愿度为1分；转化率为0.2～0.5，则意愿度为2分；转化率为0.5～0.7，则意愿度为3分；转化率为0.7～0.9，则意愿度为4分；转化率为0.9～1，则意愿度为5分。需要说明的是，该等级之分仅仅是示例性的，需要根据具体的业务依据经验值设置或是大数据分析得到，在此不做具体限定。
S203、基于所述意愿度，对所述目标对象进行产品推荐。
本实施例中，可以基于意愿度，对目标对象进行分类并存储，针对每一类的目标对象可以执行与该类别匹配的产品推荐的策略。比如，以上述意愿度存在等级为例，每个等级对应的分值作为一类，为每类分配产品推荐的时间和时长，使得产品推荐有针对性地进行，提高业务人员效率。由于是基于意愿度进行的产品推荐，能够有效地保证业务人员的业绩。比如，意愿度越高，说明该目标对象即潜在客户对业务需求度越高，仅为被转化为真正客户的概率越大，能够有效地提升业务人员效率和业绩。其中，这里推荐的产品比如贷款类的产品等，在此不做具体限定。
本实施例提供的信息处理方法，通过获取待进行业绩评估的对象即目标对象对应的特征信息，可以依据特征信息，利用转化率评估模型，预估得到目标对象的转化率评估结果，用以确定该目标对象对预设业务需求的意愿度，进而能够对目标对象进行有效地业务服务，比如产品推荐等，以及提高业务人员的工作效率和产品推荐的工作业绩。本发明通过确定的目标对象对应的特征信息，输入到根据历史对象(比如，已经由潜在客户转化为真正客户)的历史特征信息以及历史对象的历史业绩采用机器学习算法训练获得的业绩评估模型，能够精准、快捷地针对各个潜在的客户(这里可以是目标对象)进行转化率评估，得到该目标对象对业务需求的意愿度，进而基于意愿度能够合理地为潜在客户解决业务问题分配服务时长，实现有效地产品推荐，满足了用户需求，可以提高转化率以及用户体验，相应的提高了业务人员的工作效率和产品推荐的业绩。
可选的，如何建立转化率评估模型，可以通过以下步骤实现：
步骤c1、获取所述历史对象的历史有效信息以及历史转化率。
步骤c2、将所述历史有效信息进行数据处理，并对处理后的历史有效信息进行特征填充，生成所述历史对象的历史特征信息。
步骤c3、以所述历史对象的历史特征信息以及历史转化率为样本，通过机器学习算法对所述样本进行训练、测试以及验证，得到所述转化率评估模型。
具体地，首先获取历史对象的历史有效信息以及历史转化率，其中，获取历史有效信息的方式与上述获取目标对象的有效信息的方式可以类似，在此不再赘述。针对历史转化率的获取可以通过查询该历史对象的企业名称，得到该历史对象是否已经由潜在客户转化为客户，若是，则转化率为1；若否，则转化率为0。
然后对历史有效信息进行数据处理，与上述对目标对象的有效信息进行数据处理的过程类似，即：针对获取到的有效信息进行特征分类，针对文本类特征，以经营范围为例，通过自然语言处理技术转化成文本向量，比如提取该经营范围描述内容的语句特征向量，生成文本向量等。针对数字类特征，首先可以对数字类特征进行范围划分，基于对应的范围进行编码，得到第一编码信息。针对企业类型，可以直接对其进行编码，得到第二编码信息。
其中，历史对象为多个，基于多个历史对象对应处理后的数据进行特征数据比对，找到特征数目最多的历史对象，以该历史对象对应的处理后的数据作为特征齐全的历史特征信息为依据，将其他缺失特征的历史对象进行特征填充，得到各个历史对象对应的历史特征信息。
针对特征填充的方式可以通过至少两种方式实现：方式1、通过将缺失特征的历史对象与未缺失特征的历史对象进行聚类分析，从未缺失特征的历史对象中查找出与缺失特征的历史对象相似的目标历史特征对象，然后将该目标历史特征对象对应的历史特征信息中含有的缺失特征的历史对象对应的缺失特征筛选出来，并对缺失特征的历史对象对应的缺失特征进行填充，得到齐全的特征，作为历史特征信息。方式2、对缺失的特征进行预设规则填充，预设规则可以是基于经验得到的或是试验数据得到的。
此外，在采集样本过程中，为了节约资源以及加速处理速度，可以对缺失的特征不进行填充，直接作为样本进行训练即可。
具体地，训练过程为：对采集的多个样本进行划分，分为训练集、测试集以及验证集，首先利用支持向量机算法、深度神经网络等机器学习算法依据训练集中的样本进行模型训练，得到初始预估模型；然后将测试集输入到初始预估模型中，将输出的预估结果与测试集中的标签(即实际的历史转化率)进行误差计算，判断该初始预估模型的性能是否稳定，若不稳定，则继续通过样本训练，直到满足预设的性能指标，得到测试预估模型，然后对测试预估模型进一步地验证，将验证集输入到测试预估模型中，如果输出结果与实际结果的误差在可控范围内，说明该测试预估模型为最终模型即转化率评估模型。
在实际应用中，本发明在于构建一个转化率评估模型，由历史的客户数据和其对应的转化情况构成数据基础。由于客户的留资线索中通常只包含企业名称，没有相关有效特征，需要自行收集企业公开数据以构造特征并最终完成建模。
图3为本发明实施例提供的另一种信息处理方法的流程示意图。在上述实施例的基础上，对S202进行了详细说明。如图3所示，所述根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，可以包括以下步骤：
S301、将所述特征信息中包含的特征数目与转化率评估模型所需的输入量中包含的特征数目进行比对。
S302、若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息。
S303、将所述目标特征信息输入到所述转化率评估模型中，预估得到所述目标对象的转化率评估结果。
本实施例中，获取到的特征信息可能确实特征，可以将所述特征信息中包含的特征数目与转化率评估模型所需的输入量中包含的特征数目进行比对，若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息，将该目标特征信息作为转化率评估模型的输入量。
本实施例中，首先根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练，搭建一个转化率评估模型，然后将获取到的新客户即潜在客户的特征信息发送至服务器或是直接输入在终端设备中，判断该特征信息是否缺失特征。其中，判断方式为：将特征信息中包含的特征数目与转化率评估模型所需的输入量中包含的特征数目进行比对，如果数目不一致，则确定缺失的特征是哪一个，然后对缺失特征进行填充，得到目标特征信息，目的是为了能够作为转化率评估模型的输入量，更精准地获得该潜在客户的转化率评估值或预估值。
可选的，如何实现特征填充即所述若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息，可以包括以下步骤：
步骤d1、若比对结果为所述特征信息中缺失特征，则获取所述特征信息缺失的待填充特征。
步骤d2、根据所述待填充特征、所述特征信息以及所述历史对象的历史特征信息，确定所述待填充特征对应的填充值。
步骤d3、将所述填充值更新至所述特征信息中，得到目标特征信息。
本实施例中，若比对结果是该目标对象的特征信息中存在特征缺失，则需要先确定缺失的特征是具体哪个或哪些即待填充特征。然后根据特征信息以及历史对象的历史特征信息，确定待填充特征对应的填充值。然后将该填充值填充至特征信息中，生成目标特征信息。
可选的，如何确定待填充特征对应的填充值，可以通过以下步骤实现：
步骤e1、根据所述特征信息以及所述历史对象的历史特征信息，通过聚类分析，得到与所述目标对象相似的目标历史对象。
步骤e2、从所述目标历史对象的历史特征信息中获取与所述特征信息中的所述待填充特征匹配的填充值，并将所述匹配的填充值作为所述待填充特征对应的填充值。
本实施例中，确定填充值可以与上述对历史对象进行特征填充的过程类似，可以是通过上述方式1或方式2实现。
以方式1实现方式为例，历史对象为多个，首先将该目标对象的特征信息以及各个历史对象的历史特征信息进行聚类分析，聚类出与目标对象相似的历史对象即目标历史对象；然后从该目标历史对象对应的历史特征信息中提取目标对象缺失的特征对应的特征值作为待填充特征对应的填充值，并将其更新在目标对象对应的特征信息中，得到目标对象对应的目标特征信息。
通过聚类的方式获取填充值，使得目标特征信息更为准确、真实，进而输入到转化率评估模型中，得到的转化率评估结果更为精准或准确。并且，通过机器学习算法训练得到的转化率评估模型，能够批量得到转化率评估结果，方便、快捷，进而能够提高工作效率，以及提高对潜在客户服务的转化率。
可选的，参见图4所示，图4为本发明实施例提供的又一种信息处理方法的流程示意图。具体地，首先收集历史企业和其对应的业绩，这里的业绩可以至电销人员的业绩，进而确定该历史企业的转化率；然后根据企业名称获取企业的公开信息，包括但不限于公司的名称，法人，联系方式，地址，注册资本，实缴资本，行业，登记部门，经营范围，企业类型等。根据收集的数据类型分别进行不同类型的数据处理，例如进行缺失值填补，企业类型进行编码，经营范围等文本类特征通过自然语言处理技术转化成文本向量。再将所有经过处理的特征和其对应的转化率构造转化率评估模型，比如评分模型(潜在客户转化的概率评分)，构造方法包括支持向量机算法，深度神经网络等。然后对评分模型进行诊断和验证后，留存得分模型即转化率评估模型。
在实际应用中，每天将新增收集的企业名称匹配模型需要的字段信息作为模型的输入，获取模型的输出作为其得分即转化率评估结果；可选的，会根据业务经验人工对部分得分进行校正，过滤部分低分企业，其余将下发给坐席，并告知模型对该企业的预判业绩。即首先获取历史企业名称和对应的业绩，根据企业名称对应字段特征，根据字段值构造特征向量，根据业绩构造标签向量，训练深度学习神经网络模型，得到深度学习神经网络模型，根据新增企业名称，利用模型得到企业得分。
在上述实施例的基础上，对S203进行了详细说明。所述基于所述意愿度，对目标对象进行产品推荐，可以通过以下步骤实现：
步骤f1、将所述意愿度与预设阈值进行比对，若所述意愿度小于预设阈值，则对所述目标对象进行过滤。
步骤f2、若所述意愿度大于或等于预设阈值，则将所述目标对象分配到相应的目标转化率评估结果集。
步骤f3、根据所述目标转化率评估结果集对应的服务时长，为所述目标对象分配产品推荐的服务时间。
步骤f4、将所述服务时间发送至客服端，以使所述客服端的用户依据所述服务时间对所述目标对象进行产品推荐，并将产品推荐的结果进行反馈。
步骤f5、根据反馈的所述产品推荐的结果，对所述转化率评估结果进行更新并存储，用以优化所述转化率评估模型。
为了清楚地说明如何基于意愿度实现产品推荐，下述实现产品推荐以电话销售的方式为例进行说明。
具体地，在预估得到所述目标对象的转化率评估结果之后，可以将该转化率预估结果进行筛选：
转化率小于预设阈值的目标对象，说明业务需求的意愿度较低，可以将转化率小于预设阈值的目标对象过滤掉，改成以其他方式(短信，智能外呼机器人)进行触达，控制业务人员每日的工作量，提升业务人员和客户的体验。这里的转化率可以即为意愿度。
转化率大于或等于预设阈值的目标对象，说明对业务需求的意愿度较高，该目标对象被转化的概率较高，因此，可以将转化率大于或等于预设阈值，可以直接下发至相应的业务人员，使得业务人员能够合理、有效地安排电话销售的通话时间以及通话时长，进而实现产品推荐的业务服务，提高工作效率以及电话销售的业绩。或者，可以由信息处理设备为业务人员规划时间：
首先将转化率大于或等于预设阈值的目标对象分配到相应的目标转化率评估结果集，该结果集中的对象可以认为是对业务需求意愿度较高的或是转化率较高的对象，可以针对这结果集中的对象进行业务人员分配，重点进行业务服务。
具体地，获取该目标转化率评估结果集对应的服务时长，由于目标对象可能为多个，可以为各个目标对象分配服务时间，然后将该服务时间发送至相应的客户端，由使用客户端的用户依据分配的服务时间对目标对象进行电销服务来推荐产品，比如为帮助用户在目标平台授权公司查询其某些流水，最终完成授信等。然后可以基于回访的方式或是其他查询方式，确定其服务结果，比如，该潜在客户是否已经转化为客户；将其服务结果(即产品推荐的结果，比如是否推荐成功，或是推荐成功的概率等)反馈至信息处理设备，由管理人员基于该服务结果对该目标对象的转化率评估结果进行更新并存储，作为新的样本，不断地优化转化率评估模型。
本发明中，在没有获取企业未公开信息的情况下，仅通过企业公开信息可以实现相对精准的预授信查询。对业务方而言，仅需要提供企业名称，即可快速的给出线索质量。因此，通过采用的深度神经网络方法等，能够有效的构造高阶特征，更好的拟合业绩数据。例如同样成立于某一年的企业A和企业B授信差距悬殊，其原因在于企业A所在的行业于该年份已经进入市场饱和状态，始终无法获得较大的市场份额，而企业B所在的行业于该年份处于市场起步行业，深度神经网络通过构造(企业成立时间，行业，授信时间)三元组，在没有获取其收入信息的情况下可大致判断其盈利状况，然后坐席(电销人员)新拨打的业绩情况可重新加入模型，不断提升效果。
本发明通过模型搭建复杂，和真实业绩接近，业务人员获取模型输出评分后可以有效的分配时间，提升个人效率和人均效率；模型可以过滤部分几乎没有业绩的企业，以减少资源浪费，降低了业务人员每天的名单量，可以把时间充足的分配给转化率较高的客户。模型使得可以在现有的人力框架下消耗更多的名单，可以降低了人力成本，也使得前端可以增加广告投放消耗。
因此，本发明通过确定的目标对象对应的特征信息，输入到根据历史对象的历史特征信息以及历史对象的历史业绩采用机器学习算法训练获得的业绩评估模型，能够精准、快捷地针对各个潜在的客户(这里可以是目标对象)进行转化率评估，得到该目标对象对业务需求的意愿度，进而基于意愿度能够合理地为潜在客户解决业务问题分配服务时长，实现有效地产品推荐，满足了用户需求，可以提高转化率以及用户体验，相应的提高了业务人员的工作效率和产品推荐的业绩。
图5为本发明实施例提供的一种信息处理装置的结构示意图。如图5所示，所述信息处理装置可以包括：
获取模块501，用于获取目标对象对应的特征信息，所述目标对象为待进行转化率评估的对象；
预估模块502，用于根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，所述转化率评估模型是根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练获得的，所述转化率评估结果用于表示所述目标对象对预设业务需求的意愿度；
推荐模块503，用于基于所述意愿度，对所述目标对象进行产品推荐。
本实施例提供的信息处理装置，配置了获取模块501、预估模块502以及推荐模块503，用于通过获取待进行业绩评估的对象即目标对象对应的特征信息，可以依据特征信息，利用转化率评估模型，预估得到目标对象的转化率评估结果，用以确定该目标对象对预设业务需求的意愿度，进而能够对目标对象进行有效地业务服务，比如产品推荐等，以及提高业务人员的工作效率和产品推荐的业绩。本发明通过确定的目标对象对应的特征信息，输入到根据历史对象(比如，已经由潜在客户转化为真正客户)的历史特征信息以及历史对象的历史业绩采用机器学习算法训练获得的业绩评估模型，能够精准、快捷地针对各个潜在的客户(这里可以是目标对象)进行转化率评估，得到该目标对象对业务需求的意愿度，进而基于意愿度能够合理地为潜在客户解决业务问题分配服务时长，实现有效地产品推荐，满足了用户需求，可以提高转化率以及用户体验，相应的提高了业务人员的工作效率和产品推荐的业绩。
本实施例提供的信息处理装置，可以用于执行前述任一方法实施例提供的技术方案，其实现原理和技术效果类似，在此不再赘述。
在一种可能的实现方式中，所述获取模块501，具体用于：
获取所述目标对象的有效信息，所述有效信息包括至少一类特征；对所述至少一类特征中的每类特征进行相应匹配方式的数据处理，得到每类特征对应的特征信息，并形成所述目标对象对应的特征信息。
在一种可能的实现方式中，所述至少一类特征包括下述至少一项：文本类特征、数字类特征以及所述目标对象所属类型特征；所述获取模块501，具体用于：
通过自然语言处理，将所述文本类特征转换为文本向量；对数字类特征进行范围划分，并对划分后的范围进行编码，得到所述数字类特征对应的第一编码信息；对所述目标对象所属类型特征进行编码，得到所述目标对象所属类型特征对应的第二编码信息；其中，所述目标对象对应的特征信息包括下述至少一项：所述文本向量、所述第一编码信息以及所述第二编码信息。
在一种可能的实现方式中，所述预估模块，具体用于：
将所述特征信息中包含的特征数目与转化率评估模型所需的输入量中包含的特征数目进行比对；若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息；将所述目标特征信息输入到所述转化率评估模型中，预估得到所述目标对象的转化率评估结果。
在一种可能的实现方式中，预估模块，具体用于：
在比对结果为所述特征信息中缺失特征时，获取所述特征信息缺失的待填充特征；根据所述待填充特征、所述特征信息以及所述历史对象的历史特征信息，确定所述待填充特征对应的填充值；将所述填充值更新至所述特征信息中，得到目标特征信息。
在一种可能的实现方式中，所述预估模块，具体用于：
根据所述特征信息以及所述历史对象的历史特征信息，通过聚类分析，得到与所述目标对象相似的目标历史对象；从所述目标历史对象的历史特征信息中获取与所述特征信息中的所述待填充特征匹配的填充值，并将所述匹配的填充值作为所述待填充特征对应的填充值。
在一种可能的实现方式中，所述信息处理装置，还可以包括：模型搭建模型；模型搭建模块，用于获取所述历史对象的历史有效信息以及历史转化率；将所述历史有效信息进行数据处理，并对处理后的历史有效信息进行特征填充，生成所述历史对象的历史特征信息；以所述历史对象的历史特征信息以及历史转化率为样本，通过机器学习算法对所述样本进行训练、测试以及验证，得到所述转化率评估模型。
在一种可能的实现方式中，推荐模块，具体用于：将所述意愿度与预设阈值进行比对，若所述意愿度小于预设阈值，则对所述目标对象进行过滤；若所述意愿度大于或等于预设阈值，则将所述目标对象分配到相应的目标转化率评估结果集；根据所述目标转化率评估结果集对应的服务时长，为所述目标对象分配产品推荐的服务时间；将所述服务时间发送至客服端，以使所述客服端的用户依据所述服务时间对所述目标对象进行产品推荐，并将产品推荐的结果进行反馈；根据反馈的所述产品推荐的结果，对所述转化率评估结果进行更新并存储，用以优化所述转化率评估模型。
因此，本发明通过确定的目标对象对应的特征信息，输入到根据历史对象的历史特征信息以及历史对象的历史业绩采用机器学习算法训练获得的业绩评估模型，能够精准、快捷地针对各个潜在的客户(这里可以是目标对象)进行转化率评估，得到该目标对象对业务需求的意愿度，进而基于意愿度能够合理地为潜在客户解决业务问题分配服务时长，实现有效地产品推荐，满足了用户需求，可以提高转化率以及用户体验，相应的提高了业务人员的工作效率和产品推荐的业绩。
前述任一实施例提供的信息处理装置，用于执行前述任一方法实施例的技术方案，其实现原理和技术效果类似，在此不再赘述。
图6为本发明实施例提供的一种信息处理设备的结构示意图。如图6所示，所述设备可以包括：存储器601、处理器602及存储在所述存储器601上并可在所述处理器602上运行的数据处理程序，所述数据处理程序被所述处理器602执行时实现如前述任一实施例所述的信息处理方法的步骤。
可选地，存储器601既可以是独立的，也可以跟处理器602集成在一起。
本实施例提供的设备的实现原理和技术效果可以参见前述各实施例，此处不再赘述。
本发明实施例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上存储有数据处理程序，所述数据处理程序被处理器执行时实现如前述任一实施例所述的信息处理方法的步骤。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备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，例如多个模块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。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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(可以是个人计算机，服务器，或者网络设备等)或处理器执行本发明各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种信息处理方法，其特征在于，所述方法包括：
获取目标对象对应的特征信息，所述目标对象为待进行转化率评估的对象；
根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，所述转化率评估模型是根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练获得的，所述转化率评估结果用于表示所述目标对象对预设业务需求的意愿度；
基于所述意愿度，对所述目标对象进行产品推荐。
2.根据权利要求1所述的方法，其特征在于，所述获取目标对象对应的特征信息，包括：
获取所述目标对象的有效信息，所述有效信息包括至少一类特征；
对所述至少一类特征中的每类特征进行相应匹配方式的数据处理，得到每类特征对应的特征信息，并形成所述目标对象对应的特征信息。
3.根据权利要求2所述的方法，其特征在于，所述至少一类特征包括下述至少一项：文本类特征、数字类特征以及所述目标对象所属类型特征；
对所述至少一类特征中的每类特征进行相应匹配方式的数据处理，得到每类特征对应的特征信息，包括下述至少一项：
通过自然语言处理，将所述文本类特征转换为文本向量；
对数字类特征进行范围划分，并对划分后的范围进行编码，得到所述数字类特征对应的第一编码信息；
对所述目标对象所属类型特征进行编码，得到所述目标对象所属类型特征对应的第二编码信息；
其中，所述目标对象对应的特征信息包括下述至少一项：所述文本向量、所述第一编码信息以及所述第二编码信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，包括：
将所述特征信息中包含的特征数目与转化率评估模型所需的输入量中包含的特征数目进行比对；
若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息；
将所述目标特征信息输入到所述转化率评估模型中，预估得到所述目标对象的转化率评估结果。
5.根据权利要求4所述的方法，其特征在于，所述若比对结果为所述特征信息中缺失特征，则对所述特征信息进行特征填充，得到目标特征信息，包括：
若比对结果为所述特征信息中缺失特征，则获取所述特征信息缺失的待填充特征；
根据所述待填充特征、所述特征信息以及所述历史对象的历史特征信息，确定所述待填充特征对应的填充值；
将所述填充值更新至所述特征信息中，得到目标特征信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述待填充特征、所述特征信息以及所述历史对象的历史特征信息，确定所述待填充特征对应的填充值，包括：
根据所述特征信息以及所述历史对象的历史特征信息，通过聚类分析，得到与所述目标对象相似的目标历史对象；
从所述目标历史对象的历史特征信息中获取与所述特征信息中的所述待填充特征匹配的填充值，并将所述匹配的填充值作为所述待填充特征对应的填充值。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
获取所述历史对象的历史有效信息以及历史转化率；
将所述历史有效信息进行数据处理，并对处理后的历史有效信息进行特征填充，生成所述历史对象的历史特征信息；
以所述历史对象的历史特征信息以及历史转化率为样本，通过机器学习算法对所述样本进行训练、测试以及验证，得到所述转化率评估模型。
8.根据权利要求1所述的方法，其特征在于，所述基于所述意愿度，对目标对象进行产品推荐，包括：
将所述意愿度与预设阈值进行比对，若所述意愿度小于预设阈值，则对所述目标对象进行过滤；
若所述意愿度大于或等于预设阈值，则将所述目标对象分配到相应的目标转化率评估结果集；
根据所述目标转化率评估结果集对应的服务时长，为所述目标对象分配产品推荐的服务时间；
将所述服务时间发送至客服端，以使所述客服端的用户依据所述服务时间对所述目标对象进行产品推荐，并将产品推荐的结果进行反馈；
根据反馈的所述产品推荐的结果，对所述转化率评估结果进行更新并存储，用以优化所述转化率评估模型。
9.一种信息处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标对象对应的特征信息，所述目标对象为待进行转化率评估的对象；
预估模块，用于根据所述特征信息，通过转化率评估模型，预估得到所述目标对象的转化率评估结果，所述转化率评估模型是根据历史对象的历史特征信息以及历史对象对应的历史转化率采用机器学习算法训练获得的，所述转化率评估结果用于表示所述目标对象对预设业务需求的意愿度；
推荐模块，用于基于所述意愿度，对所述目标对象进行产品推荐。
10.一种信息处理设备，其特征在于，所述信息处理设备包括：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数据处理程序，所述数据处理程序被所述处理器执行时实现如权利要求1至8中任一项所述的信息处理方法的步骤。
11.一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上存储有数据处理程序，所述数据处理程序被处理器执行时实现如权利要求1至8中任一项所述的信息处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065312.2A CN112163155A (zh) | 2020-09-30 | 2020-09-30 | 信息处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065312.2A CN112163155A (zh) | 2020-09-30 | 2020-09-30 | 信息处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112163155A true CN112163155A (zh) | 2021-01-01 |
Family
ID=73862279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011065312.2A Pending CN112163155A (zh) | 2020-09-30 | 2020-09-30 | 信息处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163155A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837096A (zh) * | 2021-02-02 | 2021-05-25 | 长沙市到家悠享网络科技有限公司 | 线索质量数据确定方法、系统、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971321A (zh) * | 2017-04-06 | 2017-07-21 | 百度在线网络技术（北京）有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
| US20180218427A1 (en) * | 2017-01-31 | 2018-08-02 | International Business Machines Corporation | Recommendation integrated online digital sales service chat system |
| CN109711887A (zh) * | 2018-12-28 | 2019-05-03 | 拉扎斯网络科技（上海）有限公司 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
| CN109934704A (zh) * | 2019-03-22 | 2019-06-25 | 深圳乐信软件技术有限公司 | 信息推荐方法、装置、设备和存储介质 |
| CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
| CN110827157A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 数据处理方法与装置、存储介质、电子设备 |
| CN111080338A (zh) * | 2019-11-11 | 2020-04-28 | 中国建设银行股份有限公司 | 用户数据的处理方法、装置、电子设备及存储介质 |
| CN111125512A (zh) * | 2019-11-18 | 2020-05-08 | 口碑(上海)信息技术有限公司 | 业务推荐处理方法、装置及系统 |
| CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
| CN111191133A (zh) * | 2019-12-31 | 2020-05-22 | 口口相传(北京)网络技术有限公司 | 业务搜索处理方法、装置及设备 |
| CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
-
2020
- 2020-09-30 CN CN202011065312.2A patent/CN112163155A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180218427A1 (en) * | 2017-01-31 | 2018-08-02 | International Business Machines Corporation | Recommendation integrated online digital sales service chat system |
| CN106971321A (zh) * | 2017-04-06 | 2017-07-21 | 百度在线网络技术（北京）有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
| CN109711887A (zh) * | 2018-12-28 | 2019-05-03 | 拉扎斯网络科技（上海）有限公司 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
| CN109934704A (zh) * | 2019-03-22 | 2019-06-25 | 深圳乐信软件技术有限公司 | 信息推荐方法、装置、设备和存储介质 |
| CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
| CN110827157A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 数据处理方法与装置、存储介质、电子设备 |
| CN111080338A (zh) * | 2019-11-11 | 2020-04-28 | 中国建设银行股份有限公司 | 用户数据的处理方法、装置、电子设备及存储介质 |
| CN111125512A (zh) * | 2019-11-18 | 2020-05-08 | 口碑(上海)信息技术有限公司 | 业务推荐处理方法、装置及系统 |
| CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
| CN111191133A (zh) * | 2019-12-31 | 2020-05-22 | 口口相传(北京)网络技术有限公司 | 业务搜索处理方法、装置及设备 |
| CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
Non-Patent Citations (1)
| Title |
|---|
| 刘忠宝: "机器学习方法在个性化推荐系统中的应用", 情报探索, 30 April 2016 (2016-04-30) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837096A (zh) * | 2021-02-02 | 2021-05-25 | 长沙市到家悠享网络科技有限公司 | 线索质量数据确定方法、系统、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11507850B2 (en) | System and method for call centre management | |
| CN107872593B (zh) | 坐席分配的方法及装置 | |
| US20210224832A1 (en) | Method and apparatus for predicting customer purchase intention, electronic device and medium | |
| CN106998397B (zh) | 多业务类型的语音播报方法及系统 | |
| US20080059447A1 (en) | System, method and computer program product for ranking profiles | |
| CN105744005A (zh) | 客户定位分析方法及服务器 | |
| CN111552870A (zh) | 对象推荐方法、电子装置及存储介质 | |
| CN112163887A (zh) | 电销系统和电销名单管理方法、装置、设备、存储介质 | |
| CN111882398A (zh) | 智慧城市服务推荐方法、装置、计算机设备及存储介质 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN111709607A (zh) | 客户分配方法、装置、电子设备以及存储介质 | |
| CN112163155A (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN112950359A (zh) | 一种用户识别方法和装置 | |
| CN111882224A (zh) | 对消费场景进行分类的方法和装置 | |
| CN109951859B (zh) | 无线网络连接推荐方法、装置、电子设备及可读介质 | |
| CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
| CN116503092A (zh) | 用户留资意向识别方法、装置、电子设备及存储介质 | |
| CN113890948A (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
| CN112527991A (zh) | 信息处理方法、装置及介质 | |
| CN115186179A (zh) | 保险产品推送方法和装置 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN111144091B (zh) | 客服成员的确定方法、装置以及群成员身份的确定方法 | |
| CN111400567A (zh) | 一种基于ai的用户数据的处理方法、装置及系统 | |
| CN109783731B (zh) | 一种定制信息推送方法及系统 | |
| CN117196775A (zh) | 产品信息推送方法、装置及系统 |
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 |