CN112330467A - 辅助信息生成系统 - Google Patents
辅助信息生成系统 Download PDFInfo
- Publication number
- CN112330467A CN112330467A CN202011205652.0A CN202011205652A CN112330467A CN 112330467 A CN112330467 A CN 112330467A CN 202011205652 A CN202011205652 A CN 202011205652A CN 112330467 A CN112330467 A CN 112330467A
- Authority
- CN
- China
- Prior art keywords
- visiting
- target
- information
- client
- visit
- 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 claims abstract description 60
- 230000006399 behavior Effects 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 17
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 description 65
- 238000012795 verification Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012790 confirmation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及计算机技术领域,提供了一种辅助信息生成系统,用于辅助保险人员进行保险推荐。上述系统包括:推荐成功概率计算模块,用于响应于对辅助信息生成控件的触发操作,获取图形用户界面中的用户标识所对应的各候选拜访客户的个人信息和历史行为信息,将其输入到预先训练的机器学习模型,以计算推荐成功概率;目标拜访客户生成模块,用于根据推荐成功概率,从各候选客户中生成用户标识所对应的目标拜访客户的集合;拜访信息确定模块,用于根据历史拜访时间确定各目标拜访客户的目标拜访时间;显示模块,用于在图形用户界面中显示各目标拜访客户的客户标识和目标拜访时间。本公开可提高保险代理人的工作效率和保险推荐的准确性。
Description
技术领域
本公开涉及计算机技术领域,具体而言,涉及一种辅助信息生成系统。
背景技术
在新时代经济背景下,随着保险市场的进步与制度的不断完善,保险也吸引了越来越多的人的关注。而在保险营销活动中,拜访客户是进行保险推荐的重要一环。
在相关技术中,主要是针对保险代理人的拜访路径进行优化,即保险代理人的拜访客户确定后,通过最短路径规划技术辅助保险代理人找到最佳拜访路径。
然而,这种辅助保险代理人进行保险推荐的方法,仅在拜访路径规划环节对保险代理人起到辅助作用,可见,其对保险代理人的辅助作用有限,并不能全面的辅助保险代理人进行保险推荐活动。
因此,亟需一种可以全面辅助保险代理人进行保险推荐的技术,以全面的提高保险推荐的效率和推荐的准确性。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种辅助信息生成系统,进而至少在一定程度上克服保险推荐效率低下、准确性低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供了一种辅助信息生成系统,所述辅助信息生成系统用于辅助用户进行保险推荐,包括:
推荐成功概率计算模块,用于响应于对图形用户界面中辅助信息生成控件的触发操作,获取与所述图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各所述候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各所述候选拜访客户的推荐成功概率;
目标拜访客户生成模块,用于根据各所述候选拜访客户的推荐成功概率,从各所述候选拜访客户中生成所述用户标识所对应的目标拜访客户的集合;
拜访信息确定模块,用于根据各所述目标拜访客户的历史拜访时间确定各所述目标拜访客户的目标拜访时间;
显示模块,用于在所述图形用户界面中显示各所述目标拜访客户的客户标识和各所述目标拜访客户的目标拜访时间。
在本公开的一种示例性实施例中,基于前述方案,所述拜访信息确定模块,还包括:
待推荐险种确定单元,用于确定各所述目标拜访客户的待推荐险种;
所述显示模块还用于在所述图形用户界面中显示所述目标拜访客户的待推荐险种的险种标识;
其中,各所述目标拜访客户的待推荐险种通过以下方法确定:
根据所述目标拜访客户的家庭信息确定所述目标拜访客户的目标类别;
获取所述目标类别的客户的目标保障信息,计算所述目标拜访客户的保障信息和所述目标保障信息之间的差异;
根据所述差异确定所述目标拜访客户的待推荐险种;
其中,所述家庭信息包括家庭成员数量和/或家庭收入信息,所述保障信息包括已拥有的险种类型和/或已拥有的各类型险种所对应的保额。
在本公开的一种示例性实施例中,基于前述方案,所述拜访信息确定模块,还包括:
推荐话术获取单元,用于获取与各所述目标拜访客户的所述待推荐险种关联的预设推荐话术;
所述显示模块还用于在所述图形用户界面的目标拜访客户列表中对应的显示各所述待推荐险种的所述预设推荐话术。
在本公开的一种示例性实施例中,基于前述方案,所述预先训练的机器学习模型通过以下步骤训练得到:
从拜访数据库中获取历史拜访数据;
将所述历史拜访数据中拜访后在预设时间内是否成交作为因变量、历史拜访客户的个人信息和历史行为信息作为自变量构建回归模型;
采用所述历史拜访数据对所述回归模型进行训练,以确定各所述自变量的权重;
根据各所述自变量的权重,确定预先训练的机器学习模型。
在本公开的一种示例性实施例中,基于前述方案,所述辅助信息生成系统,还包括:
拜访信息修改模块,用于响应于对所述目标拜访时间的修改操作,确定修改后的目标拜访时间;
所述显示模块还用于在所述图形用户界面中显示所述修改后的目标拜访时间。
在本公开的一种示例性实施例中,基于前述方案,所述辅助信息生成系统,还包括:
拜访时间冲突提示模块,用于当所述修改后的目标拜访时间和其他目标拜访客户的目标拜访时间所对应的时间段重合或部分重合时,在所述图形用户界面的目标拜访客户列表中突出化显示所述目标拜访时间的时间段重合或部分重合的各所述目标拜访客户。
在本公开的一种示例性实施例中,基于前述方案,所述根据各所述候选拜访客户的推荐成功概率,从各所述候选拜访客户中生成所述用户标识所对应的目标拜访客户的集合,包括:
按照从大到小的顺序对各所述候选拜访客户的推荐成功概率进行排序;
获取排名前N位的候选拜访客户,以生成所述用户标识所对应的目标拜访客户的集合,其中,N为大于或等于1的整数。
在本公开的一种示例性实施例中,基于前述方案,所述辅助信息生成系统,还包括:
目标拜访客户替换模块,用于响应于在所述图形用户界面中第M次删除目标拜访客户的触发操作,将所述第M次删除的目标拜访客户替换为所述推荐成功概率排名为第N+M位的候选拜访客户。
在本公开的一种示例性实施例中,基于前述方案,所述辅助信息生成系统,还包括:
拜访路径规划模块,用于确定各所述目标拜访客户的目标拜访路径;
所述显示模块还用于在所述图形用户界面中显示各所述目标拜访客户的目标拜访路径;
其中,所述各所述目标拜访客户的目标拜访路径通过以下方法确定:
获取所述目标拜访客户的预设拜访地点,确定所述用户标识所对应的预设地点和所述预设拜访地点之间的多个拜访路线;
确定在所述目标拜访时间所对应的时间段内所述多个拜访路线的车流量;
对所述多个拜访路线的车流量进行标准化,以得到各所述拜访路线的权重;
计算各所述拜访路线的权重和其所对应的标准通行时间的乘积,得到各所述拜访路线的估计通行时间,其中,所述标准通行时间根据所述拜访路线的总长度和预设平均车速确定;
确定所述估计通行时间最短的拜访路线为目标拜访路径。
在本公开的一种示例性实施例中,基于前述方案,所述个人信息包括个人属性信息和/或个人资产属性信息,其中,所述个人属性信息包括性别信息、年龄信息、职业信息、学历信息、工作时长信息、婚姻状况、家庭成员数量中的至少一种,所述个人资产属性信息包括已拥有的保险保单信息、已拥有的总保险保额信息、已拥有的保险种类信息、各保险种类对应的保额信息、家庭收入信息、个人收入信息中的至少一种;
所述历史行为信息包括:线上历史行为信息和/或线下历史行为信息,其中,所述线上历史行为信息包括预设时间内在保险应用程序中浏览保险产品的次数、预设时间内在保险应用程序中浏览时长最长的保险产品的种类、预设时间内浏览保险应用程序的总时长中的至少一种,所述线下历史行为信息包括预设时间内参加线下保险推荐活动的次数、最近一次拜访时间、最近一次拜访是否成交、最近一次成交的保额信息中的至少一种。
根据本公开的第二方面,提供了一种辅助信息生成方法,所述方法用于辅助用户进行保险推荐,包括:响应于对图形用户界面中辅助信息生成控件的触发操作,获取与所述图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各所述候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各所述候选拜访客户的推荐成功概率;根据各所述候选拜访客户的推荐成功概率,从各所述候选拜访客户中生成所述用户标识所对应的目标拜访客户的集合;根据各所述目标拜访客户的历史拜访时间确定各所述目标拜访客户的目标拜访时间;在所述图形用户界面中显示各所述目标拜访客户的客户标识和各所述目标拜访客户的目标拜访时间。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第二方面所述的辅助信息生成方法及其可能的实施方式。
根据本公开实施例的第四方面,提供了一种电子设备,包括:处理器;以及,存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第二方面所述的辅助信息生成方法及其可能的实施方式。
本公开的技术方案,至少具备以下优点和积极效果:
在本公开的一些实施例所提供的技术方案中,首先,响应于对图形用户界面中辅助信息生成控件的触发操作,获取与图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各候选拜访客户的保险推荐成功概率;其次,根据各候选拜访客户的保险推荐成功概率,从各候选拜访客户中生成用户标识所对应的目标拜访客户的集合;然后,根据各目标拜访客户的历史拜访时间确定各目标拜访客户的拜访时间;最后,在图形用户界面中显示各目标拜访客户的客户标识和各目标拜访客户的拜访时间。与相关技术相比,一方面,本公开基于计算的推荐成功概率,可以辅助用户快速的进行目标拜访客户的确定,从而可以提高保险代理人的工作效率;另一方面,本公开基于计算的推荐成功概率确定目标拜访客户,可以提高保险推荐的准确度;再一方面,本公开基于历史拜访时间可以辅助保险代理人自动确定拜访客户的拜访时间。
本公开应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出了可以应用本公开的辅助信息生成系统的示例性应用架构的示意图;
图2示出本公开一示例性实施例中辅助信息生成系统的结构示意图;
图3示出本公开一示例性实施例中得到预先训练的机器学习模型的方法的流程示意图;
图4示出本公开一示例性实施例中的第一图形用户界面;
图5示出本公开一示例性实施例中的第二图形用户界面;
图6示出本公开一示例性实施例中待推荐险种的确定方法的流程示意图;
图7示出本公开一示例性实施例中确定目标拜访客户的拜访路径的方法的流程示意图;
图8示出本公开一示例性实施例中辅助信息生成方法的流程示意图;
图9示出本公开一示例性实施例中的第三图形用户界面;
图10示出本公开一示例性实施例中的第四图形用户界面;
图11示出本公开示例性实施例中计算机可读存储介质的结构示意图;以及,
图12示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”“第三”“第四”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
保险营销活动中,极为重要的一环是保险代理人拜访客户环节,这是保险代理人吸收新客户,巩固老客户,增加出单,增员的直接环节。
相关技术中,主要是针对保险代理人的拜访路径进行优化,即保险代理人的拜访客户确定后,通过最短路径规划技术辅助保险代理人找到最佳拜访路径。
举例而言,若某个保险代理人想要针对单个客户进行一次有效的拜访,预先需要自行做大量的准备工作,包括:首先,根据客户常用地点、客户偏好地点、客户工作时间、客户常用的通勤方式、代理人自身的通勤方式、拜访时的天气情况等,在拜访前和客户沟通确认拜访时间、地点;其次,根据客户性格特点、客户家庭结构、客户收入结构、客户工作属性、客户历史购买产品偏好等自行确定适合推荐给客户的保险产品信息,并根据客户兴趣关注点、产品卖点、产品与客户的契合点等自行预先设计产品的销售话术;最后,通过路径规划方法根据拜访地点进行最优路径规划,以提高保险代理人的出行效率。
可见,相关技术中,仅在拜访路径规划环节对保险代理人起到辅助作用,其对保险代理人的辅助作用有限,并不能全面的辅助代理人进行保险推荐活动。与此同时,其需要保险代理人依据自身经验进行拜访客户以及推荐的保险产品的确定,降低了保险推荐的准确性。
因此,亟需一种辅助信息生成系统,以全面提高保险代理人的工作效率,提高保险推荐的准确性。
图1示出了可以应用本公开的辅助信息生成系统的示例性应用架构的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的多个,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如无线通信链路等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的移动终端、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
终端设备101、102、103可以是具有处理器和显示功能的各种电子设备,包括但不限于智能手机、平板电脑、计算机等等。服务器105可以是提供各种服务的服务器。
举例而言,推荐成功概率计算模块、目标拜访客户确定模块、拜访信息确定模块可以部署于服务器105中,显示模块可以部署于终端设备101、102、103中。
进一步的,用户例如保险代理人可以在终端设备101或102或103的图形用户界面中触发辅助信息生成控件,部署于服务器105中的推荐成功概率计算模块,可以响应于该保险代理人对辅助信息生成控件的触发操作,获取保险代理人的各候选拜访客户的个人信息和历史行为信息,并利用预先训练的机器学习模型,根据各候选拜访客户的个人信息和历史行为信息计算各候选拜访客户的推荐成功概率;然后,目标拜访客户确定模块,可以根据计算的推荐成功概率,确定推荐成功概率排名前N位的候选拜访客户为该保险代理人的目标拜访客户,其中,N可以根据保险代理人的需求进行自定义;与此同时,拜访信息确定模块可以获取各目标拜访客户的历史拜访时间,以确定各目标拜访客户的此次拜访时间;最后,服务器105将确定的目标拜访客户的客户标识,例如,姓名,以及拜访时间返回给对应的终端设备101或102或103,终端设备中的显示模块在图形用户界面中显示各目标拜访客户的客户标识和对应的拜访时间。
与此同时,服务器105中的拜访信息确定模块还可以包括待推荐险种确定单元、推荐话术获取单元,其分别可以确定各目标拜访客户的待推荐险种、待推荐险种对应的推荐话术,并返回给对应的终端设备101或102或103,终端设备中的显示模块可以在其图形用户界面中显示各目标拜访客户的待推荐险种和对应的推荐话术。
图2示出本公开一示例性实施例中辅助信息生成系统200的结构示意图,本实施例所提供的辅助信息生成系统用于辅助用户进行客户拜访以实现保险推荐。参考图2,该系统包括:
推荐成功概率计算模块210,用于响应于对图形用户界面中辅助信息生成控件的触发操作,获取与图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各候选拜访客户的推荐成功概率;
目标拜访客户生成模块220,用于根据各候选拜访客户的推荐成功概率,从各候选拜访客户中生成上述用户标识所对应的目标拜访客户的集合;
拜访信息确定模块230,用于根据各目标拜访客户的历史拜访时间确定各目标拜访客户的拜访时间;
显示模块240,用于在图形用户界面中显示各目标拜访客户的客户标识和各目标拜访客户的拜访时间。
在图2所示实施例所提供的技术方案中,首先,响应于对图形用户界面中辅助信息生成控件的触发操作,获取与图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各候选拜访客户的保险推荐成功概率;其次,根据各候选拜访客户的保险推荐成功概率,从各候选拜访客户中生成上述用户标识所对应的目标拜访客户的集合;然后,根据各目标拜访客户的历史拜访时间确定各目标拜访客户的拜访时间;最后,在图形用户界面中显示各目标拜访客户的客户标识和各目标拜访客户的拜访时间。与相关技术相比,一方面,本公开基于计算的推荐成功概率,可以辅助保险代理人快速的进行目标拜访客户的确定,从而可以提高保险代理人的工作效率;另一方面,本公开基于计算的推荐成功概率确定目标拜访客户,可以提高保险推荐的准确度;再一方面,本公开基于历史拜访时间可以辅助保险代理人自动确定拜访时间。
以下对图2所示实施例中各个模块的具体实施方式进行更加详细的说明:
在推荐成功概率计算模块210中,响应于对图形用户界面中辅助信息生成控件的触发操作,获取与图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各候选拜访客户的推荐成功概率。
在示例性的实施方式中,对图形用户界面中辅助信息生成控件的触发操作可以包括点击辅助信息生成控件、触摸辅助信息生成控件等操作。图形用户界面中的用户标识可以包括在当前图形用户界面中登录的保险代理人的标识,其可以是姓名、工号等标识信息。与图形用户界面中的用户标识关联的各候选拜访客户可以包括该保险代理人可以接触到的客户,例如,该保险代理人有过成交记录的客户、系统自动分配给该保险代理人的客户等。
各拜访客户的个人信息可以包括个人信息包括个人属性信息和/或个人资产属性信息,具体的,个人属性信息包括性别信息、年龄信息、职业信息、学历信息、工作时长信息、婚姻状况、家庭成员数量中的至少一种,个人资产属性信息包括已拥有的保险保单信息、已拥有的总保险保额信息、已拥有的保险种类信息、各保险种类对应的保额信息、家庭收入信息、个人收入信息中的至少一种。
其中,各保险种类对应的保额信息可以包括购买健康险的保费、购买意外险的保费、购买重疾险的保费、购买医疗保险的保费、购买寿险的保费等。
各拜访客户的历史行为信息包括:线上历史行为信息和/或线下历史行为信息,具体的,线上历史行为信息包括预设时间内在保险应用程序中浏览保险产品的次数、预设时间内在保险应用程序中浏览时长最长的保险产品的类别、预设时间内浏览保险应用程序的总时长中的至少一种,线下历史行为信息包括预设时间内参加线下保险推荐活动的次数、最近一次拜访时间、最近一次拜访是否成交、最近一次成交的保额信息中的至少一种。
其中,预设时间可以根据需求进行自定义,例如,最近一个月、最近一周等。预设时间内在应用程序中浏览保险产品的次数,可以是客户在预设时间内登录保险应用程序的次数。
需要说明的是,个人属性信息还可以包括:出生日期信息、籍贯信息、星座信息、血型信息、民族信息、有无配偶信息、是否购车、是否买房、家庭住址、第一次购买保险的时间中的至少一种。资产属性信息还可以包括:是否有其他保险平台的保险保单信息、是否拥有其它种类的投资中的至少一种。线上历史行为信息还可以包括客户最近一次在保险应用程序中浏览保险产品的时间,客户在保险应用程序中浏览时长最长的新闻资讯的类别、用户在保险应用程序中浏览时长最长的视频类别中的至少一种。线下历史行为还可以包括客户最近一次拜访时间与当前时间间隔等。当然,个人信息和历史行为信息还可以包括其他的能够影响保险推荐成功的概率的信息,本示例性实施方式对此不做特殊限制。
示例性的,上述推荐成功概率计算模块210中的预先训练的机器学习模型可以通过如图3所示的方法进行训练得到。参考图3,对机器学习模型进行预先训练的方法可以包括步骤S310-步骤S340。其中:
在步骤S310中,从拜访数据库中获取历史拜访数据。
在示例性的实施方式中,拜访数据库包括存储各拜访客户的拜访记录的数据库。具体的,拜访记录中包括拜访客户的个人信息、历史行为信息、拜访后的成交信息等。
其中,个人信息和历史行为信息与上述的候选拜访客户的个人信息和历史行为信息所包括的内容相同,此处不再进行赘述。拜访后的成交信息可以是拜访后在预设时间内是否成交,例如,拜访后在一个月内客户是否购买保险产品,和/或拜访后的成交时间。
示例性的,步骤S310的具体实施方式可以是,从拜访数据库中获取拜访记录,以得到历史拜访数据集。
接下来,在步骤S320中,将历史拜访数据中拜访后在预设时间内是否成交作为因变量、拜访客户的个人信息和历史行为信息作为自变量构建回归模型。
其中,预设时间可以根据需求进行自定义,例如,可以是一个月、两个月、一周等,本示例性实施方式对此不做特殊限定。回归模型可以包括多项式回归模型、决策树回归模型。当然,也可以包括任何的其它的能够进行回归分析的机器学习模型,本示例性实施方式对此不做特殊限定。
示例性的,步骤S320的具体实施方式可以是,以拜访记录中拜访后在一个月是否成交作为因变量、拜访记录中的个人信息和历史行为信息作为自变量构建多项式回归模型。
示例性的,步骤S320的具体实施方式可以是,以拜访记录中拜访后在一个月是否成交作为因变量、拜访记录中的个人信息和历史行为信息作为自变量构建决策树回归模型。
构建回归模型后,继续参考图3,在步骤S330中,采用历史拜访数据对回归模型进行训练,以确定各自变量的权重。
示例性的,步骤S330的具体实施方式可以是,将历史拜访数据随机分为训练集和验证集。其中,训练集和验证集的比例可以根据实际情况进行自定义,例如,历史拜访数据中的80%作为训练集、20%作为验证集。采用LightGBM(Light Gradient BoostingMachine,轻量梯度提升机)算法利用随机确定的训练集对构建的回归模型进行训练,直到模型的预测准确率大于第一预设阈值,则训练结束,从而可以得到各自变量的权重。
在步骤S340中,根据各自变量的权重,确定预先训练的机器学习模型。
示例性的,步骤S340的具体实施方式可以是,利用上述的验证集对训练得到的机器学习模型有效性进行验证,当在验证集中的预测准确率大于第二预设阈值和/或召回率大于第三阈值时,根据各自变量的权重确定预先训练的机器学习模型;当在验证集中的预测准确率小于第二预设阈值和/或召回率小于第三阈值时,则去除权重小于第四阈值的自变量,确定新的自变量,以重新构建回归模型,对重新构建的回归模型进行训练,直到重新构建的回归模型在验证集中的预测准确率和/或召回率满足上述条件,则可以根据选择的自变量和其对应的权重,确定最终的预先训练的机器学习模型。
举例而言,在上述的步骤S320中,可以在历史拜访客户的个人信息和历史行为信息中选择初始的自变量,例如,将历史拜访客户的性别、年龄、职业、学历、已拥有的保险保单信息、已拥有的总保险保额信息、已拥有的保险种类信息、预设时间内在保险应用程序中浏览保险产品的次数、预设时间内在保险应用程序中浏览时长最长的保险产品的类别作为初始的自变量,以构建初始的回归模型。
在对初始的回归模型训练完成后,可以利用验证集对训练得到的回归模型的有效性进行验证。若在验证集中得到的预测准确率大于第二预设阈值和/或在验证集中的召回率大于第三预设阈值,例如召回率大于60%,则训练后初始的回归模型有效;否则,去除训练后的初始的回归模型中权重小于第四预设阈值的自变量,确定新添加的自变量,例如,当初始的自变量中学历、职业的权重小于第四阈值时,可以去除学历、职业这两个自变量,将工作时长信息、婚姻状况、家庭成员数量确定为新添加的自变量,重新构建回归模型,然后,根据历史拜访数据对重新构建的回归模型进行训练,直到训练的回归模型在验证集上的预测准确率和/或召回率满足上述条件,则可以确定最终的预先训练的机器学习模型。
其中,上述的在验证集中的预测准确率为验证集中预测正确的数据量与验证集全部数据量的比值,上述的第二预设阈值可以为验证集中“真实结果为“成交”的数据量与验证集全部的数据量的比值”,上述的召回率为验证集中预测结果为“成交”的数据量与验证集中实际结果为“成交”的数据量的比值。
需要说明的是,每次加入新的自变量,以重新建立回归模型时,都需要重新随机分配训练集与验证集,以使用新的训练集对重新建立的回归模型进行训练、使用新的验证集训练后的模型进行有效性验证。
进一步的,拜访数据库中还可以存储各拜访客户对应的保险代理人信息。可以将保险代理人信息和上述的拜访客户的个人信息和历史行为信息一起作为自变量,构建回归模型,然后,利用历史拜访数据对构建的回归模型进行训练,以得到预先训练的机器学习模型。
其中,代理人信息包括代理人个人属性信息和/或代理人销售属性信息。具体的,代理人个人属性信息包括代理人的性别、年龄、生日、职业、籍贯、学历、工作年限、星座、血型、民族、婚姻状况、有无配偶信息中的至少一种;代理人销售属性信息包括累计成交客户数量、从事保险代理行业的时长、近一周成交保单数量、近一周成交保费中的至少一种。当然,代理人信息也可以包括其他的能够影响保险推荐成功的概率的信息,本示例性实施方式对此不做特殊限定。
通过上述的步骤S310-步骤S330,可以得到有效的预先训练的机器学习模型,进而可以利用该预先训练的机器学习模型对保险代理人的各关联客户进行推荐成功概率计算,以辅助保险代理人确定目标拜访客户。其中,推荐成功概率可以是成交概率,即,保险代理人拜访客户后,该客户购买保险产品的概率。
具体的,在推荐成功概率计算模块210中,可以获取保险代理人的各候选拜访客户的个人信息和历史行为信息,将个人信息和历史行为信息中作为预先训练的机器学习模型的自变量的数据输入到预先训练的机器学习模型中,以预测各候选拜访客户的成交概率。
如前所述,当将保险代理人信息和拜访客户的个人信息和历史行为信息一起作为自变量构建回归模型,并对其进行训练,以得到预先训练的机器学习模型时,在推荐成功概率计算模块210中,还可以获取当前保险代理人的各候选拜访客户的个人信息和历史行为信息以及当前保险代理人的信息,将个人信息和历史行为信息以及保险代理人的信息中作为预先训练的机器学习模型的自变量的数据,输入到预先训练的机器学习模型中,以预测各候选拜访客户的成交概率。
继续参考图2,在目标拜访客户生成模块220中,根据各候选拜访客户的推荐成功概率,从各候选拜访客户中生成上述的用户标识所对应的目标拜访客户的集合。
示例性的,在目标拜访客户生成模块220中,根据各候选拜访客户的推荐成功概率,从各候选拜访客户中生成目标用户标识所对应的目标拜访客户的集合,包括:按照从大到小的顺序对各候选拜访客户的推荐成功概率进行排序;获取排名前N位的候选拜访客户,以生成用户标识所对应的目标拜访客户的集合,其中,N为大于或等于1的整数。
具体的,N可以根据用户自定义确定。举例而言,响应于用户对图形用户界面中的辅助信息生成控件的触发操作,例如,响应于对图4所示的第一图形用户界面中的“当日拜访计划”控件的触发操作,可以在终端设备中显示如图5所示的第二图形用户界面,用户可以在该第二图形用户界面中的输入框中输入自定义的计划拜访客户数量,如图5所示的计划拜访客户数量“5”,从而可以根据用户输入的数值确定N的值。
确定目标拜访客户后,在拜访信息确定模块230中,根据各目标拜访客户的历史拜访时间确定各目标拜访客户的目标拜访时间。
在根据各目标拜访客户的历史拜访时间确定各目标拜访客户的拜访时间之前,可以先统计各候选拜访客户的历史拜访时间的众数。
示例性的,根据各目标拜访客户的历史拜访时间确定各目标拜访客户的目标拜访时间包括:将各目标拜访客户的历史拜访时间的众数确定为各目标拜访客户的目标拜访时间。
其中,目标拜访时间可以是一个时间段,例如,以2小时为粒度的时间段,如8点-10点,10点-12点等。目标拜访时间对应的时间段的长度可以根据用户需求进行自定义,本示例性实施方式对此不做任何限定。
上述的根据历史拜访时间的众数确定各目标拜访客户的目标拜访时间的方式是对于有历史拜访记录的客户而言的。而对于没有历史拜访记录的目标拜访客户而言,可以确定历史拜访数据中与该客户为同一类别的客户,其历史拜访时间的众数,将该众数作为该客户的目标拜访时间
具体的,同一类别的客户可以根据客户的性别、年龄、职业、家庭所在区域等标签进行匹配,确定历史拜访客户中与该客户的上述标签一致的客户,作为该客户的参考群体,统计该群体的拜访时间主要集中在一天中的哪个时间段,取该群体的拜访时间段的众数,将其作为该客户的目标拜访时间。
在本公开的一种示例性实施例中,基于前述实施例,拜访信息确定模块230还可以包括:待推荐险种确定单元,该待推荐险种确定单元用于确定各目标拜访客户的待推荐险种。
示例性的,各目标拜访客户的待推荐险种可以通过图6所示的方法确定。参考图6,确定目标拜访客户的待推荐险种的方法可以包括步骤S610-S630。
在步骤S610中,根据目标拜访客户的家庭信息确定目标拜访客户的目标类别。其中,家庭信息包括家庭成员数量和/或家庭收入信息。
在根据目标拜访客户的家庭信息确定目标拜访客户的目标类别之前,可以先使用聚类算法对数据库中的客户进行聚类,以得到多个不同类别的客户。其中,初始的聚类中心可以根据各客户的家庭成员数量和/或家庭收入等信息中的至少一种。当然,聚类中心还可以根据其他信息确定,本示例性实施方式对此不做任何限定。聚类中心的个数可以根据用户需求自定义。具体的聚类实现过程可以参考现有的聚类算法。
示例性的,步骤S610的具体实施方式可以是,获取目标拜访客户的家庭信息,计算目标拜访客户的家庭信息与已有的多个类别的客户的家庭信息的相似度,确定家庭信息相似度最高的客户类别为目标拜访客户的目标类别。
确定目标拜访客户的目标类别后,在步骤S620中,获取目标类别的客户的目标保障信息,计算目标拜访客户的保障信息和目标保障信息之间的差异。其中,目标拜访客户的保障信息包括目标拜访客户已拥有的险种类型和/或已拥有的各类型险种所对应的保额。
目标保障信息可以根据目标类别的客户已拥有的险种类型和/或其已拥有的各类型险种所对应的保额确定。具体的,可以对目标类别的客户中各客户所拥有的保单险种类型和其对应的数量进行统计,并对统计结果从大到小排序,确定数量排名在前Y位的保单险种类型为目标保障信息,和/或可以对目标类别的客户中各客户所拥有的各类型险种所对应的保额的众数进行统计,将各类型险种所对应的保额的众数确定为目标保障信息。其中,险种类型可以包括健康险、意外险、重疾险、医疗险、寿险等,Y可以根据用户自定义。
举例而言,目标类别的客户可以是A类别的客户,对A类别的客户中各客户已经购买的保险信息进行统计,得到A类别客户中各客户所购买的险种类型和对应的数量为:健康险2500人,意外险100人,重疾险500人,医疗险3500人,寿险50人。确定排名前3的保单险种类型为目标保障信息,则目标保障信息为医疗险、健康险、重疾险。
也可以对A类别的客户中各客户已经购买的保险信息进行统计,得到A类别客户中各客户所购买的各类型险种所对应的保额的众数为:重疾险5000元,医疗险8000元,寿险500元。则目标保险信息可以是重疾险5000元,医疗险8000元,寿险500元。
如果目标保障信息包括已拥有的险种类型和已拥有的各类型险种所对应的保额,则最终的目标保障信息可以包括医疗险、健康险、重疾险、寿险,且医疗险保额8000元,重疾险保额5000元、寿险保额500元。
如果目标拜访客户已购买了医疗险、意外险,其中医疗险的保额为5000元,意外险的保额为1000元。由于目标拜访客户的医疗险保额和目标保障信息的保额差距为3000元,则医疗险也可以确定为目标拜访客户和目标保障信息之间具有差异的险种。即,目标拜访客户和目标保障信息之间的险种差异为健康险、重疾险、寿险、医疗险,且医疗险保额差异为3000元,重疾险保额差异为5000元,寿险保额差异为500元。
接下来,在步骤S630中,根据差异确定目标拜访客户的待推荐险种。
继续以上述的差异为健康险、重疾险、寿险、医疗险,且医疗险保额差异为3000元,重疾险保额差异为5000元,寿险保额差异为500元为例。则目标拜访客户的待推荐险种可以包括健康险、重疾险、寿险、医疗险。具体的,可以确定医疗险保额在3000元以内的保单为待推荐保单,重疾险保额在5000元以内的保单为待推荐保单,寿险保额在500元以内的保单为待推荐保单,而健康险的保单可以随机确定。
在示例性的实施方式中,待推荐险种可以包括一个或多个。当待推荐险种是多个时,则可以如上所述确定多个差异险种为待推荐险种。
当待推荐险种是一个时,则可以在差异险种中随机确定一个险种,也可以确定差异险种中目标类别的客户中各客户购买的数量最多的险种为待推荐险种。进一步的,还可以从确定的待推荐险种中随机确定一个小于或等于保额差异的保单为待推荐保单。
通过上述的步骤S610-步骤S630,可以自动确定各目标拜访客户的待推荐险种。
在本公开的一种示例性实施例中,基于前述实施例,拜访信息确定模块230还可以包括推荐话术确定单元。其可以用于获取与上述的各目标拜访客户的待推荐险种关联的预设推荐话术。
示例性的,可以将各类型的险种标识和/或各保单标识与其对应的预设推荐话术进行关联,并存储在数据库中。确定各目标拜访客户的待推荐险种后,可以在数据库中获取待推荐标识所关联的预设推荐话术。其中,推荐话术可以包括进行该类型的保险推荐时的关键词等。
在拜访信息确定模块230中确定了目标拜访时间、待推荐险种、待推荐险种关联的预设话术后,继续参考图2,在显示模块240中,可以在图形用户界面中显示各目标拜访客户的客户标识和其所对应的目标拜访时间、待推荐险种的险种标识、待推荐险种对应的预设推荐话术。
其中,目标拜访客户的客户标识可以包括目标拜访客户的姓名、客户号等标识信息,待推荐险种的险种标识可以包括待推荐险种的险种编号等标识信息。
在本公开的一种示例性实施例中,基于前述实施例,该辅助信息生成系统还包括:拜访信息修改模块,用于响应于对目标拜访客户的目标拜访时间的修改操作,修改目标拜访客户的目标拜访时间。上述的显示模块240还用于在图形用户界面中显示修改后的拜访时间。
在本公开的一种示例性实施例中,基于前述实施例,该辅助信息生成系统,还可以包括:拜访时间冲突提示模块,用于当修改后的拜访时间和其他目标拜访客户的目标拜访时间所对应的间段重合或部分重合时,在图形用户界面的目标拜访客户列表中突出化显示目标拜访时间的时间段重合或部分重合的各目标拜访客户。
举例而言,当用户对某个目标拜访客户的目标拜访时间进行修改后,修改后的时间可能会和其他客户的目标拜访时间冲突,则可以在图形用户界面的目标拜访客户列表中突出化显示目标拜访时间冲突的各目标拜访客户所在的行,例如,将其标记为红色等,以提示用户重新确定时间冲突的各目标拜访客户的目标拜访时间,以使各目标拜访客户的目标拜访时间互不冲突。
在本公开的一种示例性实施例中,基于前述实施例,该辅助信息生成系统,还可以包括:目标拜访客户替换模块,其用于响应于在图形用户界面中第M次删除目标拜访客户的触发操作,将第M次删除的目标拜访客户替换为推荐成功概率排名为第N+M位的候选拜访客户。
举例而言,当某两个或某几个目标拜访客户的目标拜访时间冲突且无法协调时,保险代理人可以根据自己的需求删除某个目标拜访客户,当前图形用户界面中的某个目标拜访客户被删除后,可以将其替换为当前目标拜访客户列表中推荐成功概率排名最后一位的下一位候选拜访客户。
具体的,在第1次删除的时候,推荐成功概率排名的最后一名时第N位,则将删除的目标拜访客户替换为推荐成功概率排名第N+1的候选拜访客户。则排名第N+1的候选拜访客户成为新的目标拜访客户且其排名是当前客户列表中的最后一名,当第2次删除的时候,则将删除的目标拜访客户替换为推荐成功概率排名为第N+2的候选拜访客户。以此类推,第M次删除,则将被删除的目标拜访客户替换为推荐成功概率排名第N+M的候选拜访客户,使推荐成功概率排名为第N+M的候选拜访客户成为新的目标拜访客户。
通过目标拜访客户替换模块,可以在为用户提供进行保险拜访推荐的辅助信息的同时,让用户根据实际情况对目标拜访客户列表中的的各目标拜访客户进行调整,以确定最终的目标拜访客户,从而提高了辅助信息生成系统的灵活性和实用性。
在本公开的一种示例性实施例中,基于前述实施例,辅助信息生成系统,还包括:拜访路径规划模块,其用于确定各目标拜访客户的目标拜访路径。具体的,确定目标拜访路径的方法如图7所示。参考图7,确定目标拜访路径的方法可以包括步骤S710-步骤S750所示。
在步骤S710中,获取目标拜访客户的预设拜访地点,确定用户标识所对应的预设地点和预设拜访地点之间的多个拜访路线。
在示例性的实施方式中,预设拜访地点可以是目标拜访客户的客户信息中的家庭住址、公司地址等,其可以根据用户自定义进行选择。用户标识所对应的预设地点可以包括保险代理人的公司地址等。
一般而言,从A地到B地可以有多个路线,每个路线都对应多个路段。在步骤S710中,可以确定从保险代理人的公司地址到目标拜访客户的家庭住址之间的多个路线。
接下来,在步骤S720中,确定在目标拜访时间所对应的时间段内多个拜访路线的车流量。
举例而言,目标拜访时间可以包括拜访当天的某个时间段,例如2020年9月27号的9点-10点。确定目标拜访时间后,可以获取目标拜访时间所对应的时间段的天气情况,例如,获取2020年9月27号9点-10点的天气情况,然后确定与该天气情况和时间段一致的历史数据或公开数据中多个拜访路线的车流量。其中,天气情况可以包括拜访时间段所对应的温度、湿度、降雨量、降雪量等。
当拜访路线中具有多个路段时,可以将多个路段的平均车流量作为拜访路线的车流量。其中,平均车流量由各路段车流量数据加权得到,权重与路段长度成反比。由此得到该拜访路线的平均车流量,将该路线的平均车流量作为该路线的道路顺畅度评价指标。然后,将道路顺畅度作为权重因素来确定最佳拜访路径。
具体的,在步骤S730中,对多个拜访路线的车流量进行标准化,以得到各拜访路线的权重。
示例性的,步骤S730的具体实施方式可以是,以多个拜访路线的车流量的中位数为1,其余取值为各路线的平均车流量与中位数的比值对各拜访路线的车流量进行标准化,将标准化后的车流量作为各拜访路线的权重。
举例而言,若保险代理人的预设地点到预设拜访地点之间有三条路线,即,路线一、路线二、路线三,各个路线都有多个路段,即,各个路线的车流量为其对应的各个路段的平均车流量。路线一平均车流量为110辆/分钟,路线二平均车流量为100辆/分钟,路线三平均车流量为90辆/分钟。显然,路线二的平均车流量为三条路线的中位数,则标准化时,路线二的权重为1,路线一的平均车流量与路线二的平均车流量的比值为1.1,因此,路线一的权重为1.1,同理,路线三的权重为0.9。
得到各拜访路线的权重后,在步骤S740中,计算各拜访路线的权重和其所对应的标准通行时间的乘积,得到各拜访路线的估计通行时间。
其中,标准通行时间根据拜访路线的总长度和预设平均车速确定。具体的,预设平均车速可以是用户在各路线上通行时的平均车速,如果用户是自驾的话,则平均车速可以根据用户自定义确定,如果用户乘坐公共交通工具的话,则平均车速可以根据公共交通工具的默认车速确定。
继续以上述路线一的权重为1.1,路线二的权重为1,路线三的权重为0.9为例,路线一的总长度为4km,路线二的总长度为5km,路线三的总长度为6km,平均车速为20km/h,则路线一的标准通行时间为0.2h,路线二的标准通行时间为0.25h,路线三的标准通行时间为0.3h。各标准通行时间乘以各自的权重,则可以得到各拜访路线的估计通行时间,即路线一的估计通行时间为0.2×1.1=0.22h,路线二的估计通行时间为0.25×1=0.25h,路线三的估计通行时间为0.3×0.9=0.27h。
接下来,在步骤S750中,确定估计通行时间最短的拜访路线为目标拜访路径。继续以上述的路线一、路线二、路线三为例,路线一的估计通行时间最短,则确定路线一为目标拜访路径。可以在图形用户界面中显示路线一及其对应的估计通行时间,以为用户提供拜访路径的辅助信息。
通过上述的步骤S710-步骤S750,首先,根据天气情况确定车流量,然后,将确定的车流量作为道路顺畅度的权重因素加入路径规划问题以确定目标拜访路径。这样,可以将不同天气情况对应的道路顺畅度考虑在内,可以提高生成的辅助信息的准确性,为用户提供更加合理的拜访路径,进而帮助用户提高工作效率。
通过本示例性实施例中提供的辅助信息生成系统,可以辅助保险代理代理人进行保险推荐。具体的,通过预先训练的机器学习模型可以辅助保险代理人进行目标拜访客户的自动确定,提高保险代理人的工作效率。通过在拜访路径规划模块中考虑不同天气情况下对应的拜访时间的道路顺畅度信息,提高了拜访路径推荐的合理性和准确性。
进一步的,图8示出本公开示例性实施例中辅助信息生成方法的流程示意图。该辅助信息生成方法可以生成辅助用户进行保险推荐的相关信息。参考图8,该辅助信息生成方法包括步骤S810-步骤S840。
在步骤S810中,响应于对图形用户界面中辅助信息生成控件的触发操作,获取与图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各候选拜访客户的推荐成功概率;
在步骤S820中,根据各候选拜访客户的推荐成功概率,从各候选拜访客户中生成用户标识所对应的目标拜访客户的集合;
在步骤S830中,根据各目标拜访客户的历史拜访时间确定各目标拜访客户的目标拜访时间;
在步骤S840中,在图形用户界面中显示各目标拜访客户的客户标识和各目标拜访客户的目标拜访时间。
在示例性的实施方式中,基于前述实施例,上述的辅助信息生成方法还包括:根据目标拜访客户的家庭信息确定目标拜访客户的目标类别;获取目标类别的客户的目标保障信息,计算目标拜访客户的保障信息和目标保障信息之间的差异;根据差异确定目标拜访客户的待推荐险种;在图形用户界面中显示目标拜访客户的待推荐险种的险种标识;
其中,家庭信息包括家庭成员数量和/或家庭收入信息,保障信息包括已拥有的险种类型和/或已拥有的各类型险种所对应的保额。
在示例性的实施方式中,基于前述实施例,上述的辅助信息生成方法还包括:获取与各目标拜访客户的待推荐险种关联的预设推荐话术;在图形用户界面的目标拜访客户列表中对应的显示各待推荐险种的预设推荐话术。
在示例性的实施方式中,基于前述实施例,上述的步骤S810中的预先训练的机器学习模型通过以下步骤训练得到:从拜访数据库中获取历史拜访数据;将历史拜访数据中拜访后在预设时间内是否成交作为因变量、历史拜访客户的个人信息和历史行为信息作为自变量构建回归模型;采用历史拜访数据对所述回归模型进行训练,以确定各所述自变量的权重;根据各自变量的权重,确定预先训练的机器学习模型。
在示例性的实施方式中,基于前述实施例,上述的辅助信息生成方法还包括:响应于对目标拜访时间的修改操作,确定修改后的目标拜访时间;在图形用户界面中显示修改后的目标拜访时间。
在示例性的实施方式中,基于前述实施例,上述辅助信息生成方法还包括:
当所述修改后的目标拜访时间和其他目标拜访客户的目标拜访时间所对应的时间段重合或部分重合时,在图形用户界面的目标拜访客户列表中突出化显示所述目标拜访时间的时间段重合或部分重合的各目标拜访客户。
在示例性的实施方式中,基于前述实施例,上述的根据各候选拜访客户的推荐成功概率,从各候选拜访客户中生成用户标识所对应的目标拜访客户的集合,包括:按照从大到小的顺序对各候选拜访客户的推荐成功概率进行排序;获取排名前N位的候选拜访客户,以生成用户标识所对应的目标拜访客户的集合,其中,N为大于或等于1的整数。
在示例性的实施方式中,基于前述实施例,上述辅助信息生成方法,还包括:响应于在图形用户界面中第M次删除目标拜访客户的触发操作,将第M次删除的目标拜访客户替换为推荐成功概率排名为第N+M位的候选拜访客户。
在示例性的实施方式中,基于前述实施例,上述辅助信息生成方法,还包括:获取所述目标拜访客户的预设拜访地点,确定用户标识所对应的预设地点和预设拜访地点之间的多个拜访路线;确定在目标拜访时间所对应的时间段内多个拜访路线的车流量;对多个拜访路线的车流量进行标准化,以得到各拜访路线的权重;计算各拜访路线的权重和其所对应的标准通行时间的乘积,得到各拜访路线的估计通行时间,其中,标准通行时间根据所述拜访路线的总长度和预设平均车速确定;确定估计通行时间最短的拜访路线为目标拜访路径;在图形用户界面中显示各目标拜访客户的目标拜访路径和其对应的估计通行时间。
在示例性的实施方式中,基于前述实施例,上述的个人信息包括个人属性信息和/或个人资产属性信息,其中,个人属性信息包括性别信息、年龄信息、职业信息、学历信息、工作时长信息、婚姻状况、家庭成员数量中的至少一种,所述个人资产属性信息包括已拥有的保险保单信息、已拥有的总保险保额信息、已拥有的保险种类信息、各保险种类对应的保额信息、家庭收入信息、个人收入信息中的至少一种;
历史行为信息包括:线上历史行为信息和/或线下历史行为信息,其中,所述线上历史行为信息包括预设时间内在保险应用程序中浏览保险产品的次数、预设时间内在保险应用程序中浏览时长最长的保险产品的种类、预设时间内浏览保险应用程序的总时长中的至少一种,所述线下历史行为信息包括预设时间内参加线下保险推荐活动的次数、最近一次拜访时间、最近一次拜访是否成交、最近一次成交的保额信息中的至少一种。
上述辅助信息生成方法中各单元的具体细节已经在对应的辅助信息生成系统中进行了详细的描述,因此此处不再赘述。
在一种示例性的应用场景中,可以将上述的辅助信息生成系统或辅助信息生成方法以WEB(World Wide Web,全球广域网)服务的方式嵌入在手机端应用程序或客户端网页中。当用户,例如保险代理人点击图形用户界面中的辅助信息生成控件,并输入计划拜访数量后,可以在保险代理人的终端设备中显示通过上述的系统或方法生成的拜访计划:包括推荐的拜访客户的信息、为各拜访客户推荐的保险产品信息、进行保险产品推荐时的推荐话术信息、进行客户拜访的路线信息、每个客户的拜访时间信息等。
进一步的,在图形用户界面中显示推荐的初始的客户的拜访时间信息后,待保险代理人与客户沟通确认该拜访时间是否可以接受,针对不同客户的不同反馈提供不同的解决方法,例如,可以接受的客户,则确认该客户的拜访信息,不可以接受的客户,则询问其可以拜访的时间,响应于保险代理人在图形用户界面中的拜访信息修改操作,将推荐的初始拜访时间替换为修改后的拜访时间,同时,当修改后的拜访时间和其他客户的拜访时间冲突时,提醒代理人进行再次沟通确认修改,直到最终形成当天时间均不冲突的客户列表,并给出按照最终确认的客户列表计算得到的“拜访路线规划”。
下面结合图4,图5,图9,图10,以辅助保险代理人张三制定客户拜访计划,进行保险推荐为例,对上述示例性的应用场景进行更加详细的说明。
在辅助张三进行客户拜访计划制定之前,张三需要登录辅助信息生成客户端,可以是网页客户端,也可以是应用程序客户端。具体的,张三可以通过自己的姓名、工号等标识信息进行登录。
张三登录客户端后,可以在图4所示的图形用户界面中点击“当日拜访计划”控件,点击该控件后,可以在张三的终端设备中显示如图5所示的图形用户界面,此时,张三可以根据自己的实际情况在图5所示的图形用户界面中的“计划拜访客户数量”所对应的输入框中输入自己计划的拜访客户数量,如图5所示的计划拜访数量5。输入完成后,点击图中的“提交”控件,则可在张三的终端设备中显示如图9所示的图形用户界面。
在图9所示的图形用户界面中,展示根据拜访成交概率在前5名的客户确定的初始拜访信息列表,包括:各客户的姓名、拜访时间段,待推荐的保险产品和在进行保险产品推荐时的话术要点。同时,给出根据初始拜访信息列表和拜访时间确定的拜访路线。
接下来,为了保证客户拜访的有效性和准确性,张三可以根据推荐的拜访时间与各客户沟通确认其在推荐的拜访时间内是否方便接受拜访。
(1)如果沟通后,该客户确认在推荐的拜访时间段可以接受拜访,如图9中的客户甲可以接受拜访,则张三可以点击图9所示的拜访信息列表中与甲客户对应的拜访确认列中的控件“是”,点击完成之后,甲客户的拜访确认列中显示如图10所示的“已确认和修改”两个控件,“修改”控件表示仍可以修改该客户的拜访时间。这是为了防止甲客户具有突发事件在之前沟通的时间段内无法接受拜访的情况,或者在甲与其他客户的拜访时间冲突,且其他客户没有另外的可拜访时间,而甲有其余的拜访时间的情况下,可以修改甲客户的拜访时间。
(2)如果沟通后客户该时间段不方便,但是当天其他时间有空,张三可以首先点击图10所示的“修改”控件,然后点击该客户前面的时间,下拉选择沟通确认的适合拜访该客户的时间段,然后点击该客户所在行的最后一列的控件“是”。点击之后,最后一列显示“已确认/修改”两个控件。当修改后的该客户的拜访时间和其他客户冲突时,将该客户所在行与修改后的时间段冲突的其他客户所在行标红,以进行突出化显示。
(3)如果客户甲表示当天没有可以接受拜访的时间段,则张三可以直接在图9所示的图形用户界面中点击该客户所在行的最后一列的控件“否”,则系统将会把该客户替换为成交概率排名在第6位的客户,以此类推。
(4)对于被标红的客户,张三可以再次沟通协调时间,确保当天5名拜访客户的时间均不冲突。
若存在2位客户的时间冲突且无法调和,则张三可以自己做出判断,进行取舍,对舍去的那位客户点击如图9所示的控件“否”,将其替换为其他客户后,再进行沟通协调,直到所有客户的最后一列均显示“已确认/修改”控件。
(5)待列表中所有客户的最后一列均显示“已确认/修改”两个控件之后,张三可以点击客户列表下方的“确认”控件,系统根据当前列表的客户信息,按照时间先后顺序,重新计算确定“拜访路线规划”。确保张三知晓重新确认拜访时间之后的路线规划,以及通勤时间,让张三能够把握每段拜访的时间长短。
(6)在图10所示的图形用户界面中的“拜访路线规划”列表中,给出了按照拜访时间顺序排列后的最终确定的各拜访客户的各拜访路线,默认展示以“公交”通勤的拜访路线以及各路线的拜访时间。当张三点击“驾车”控件,给出以“驾车”为通勤方式的拜访路线以及每个客户的拜访路线对应的通勤时间。
至此,根据本示例性实施例提供的辅助信息生成系统或方法辅助张三制定了一个客户拜访计划,以帮助张三进行保险产品的拜访推荐。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图11所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品1100,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于:上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230以及显示单元1240。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1210执行,使得所述处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1210可以执行如图8中所示的:步骤S810,响应于对图形用户界面中辅助信息生成控件的触发操作,获取与图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各候选拜访客户的推荐成功概率;步骤S820,根据各候选拜访客户的推荐成功概率,从各候选拜访客户中生成用户标识所对应的目标拜访客户的集合;步骤S830,根据各目标拜访客户的历史拜访时间确定各目标拜访客户的目标拜访时间;步骤S840,在图形用户界面中显示各目标拜访客户的客户标识和各目标拜访客户的目标拜访时间。
又如,所述处理单元还可以执行如图3、图6、图7所示的各个步骤。
存储单元1220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)12201和/或高速缓存存储单元12202,还可以进一步包括只读存储单元(ROM)12203。
存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204,这样的程序模块12205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1200也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1200交互的设备通信,和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1250进行。并且,电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种辅助信息生成系统,其特征在于,所述辅助信息生成系统用于辅助用户进行保险推荐,包括:
推荐成功概率计算模块,用于响应于对图形用户界面中辅助信息生成控件的触发操作,获取与所述图形用户界面中的用户标识关联的各候选拜访客户的个人信息和历史行为信息,将各所述候选拜访客户的个人信息和历史行为信息输入到预先训练的机器学习模型,以计算各所述候选拜访客户的推荐成功概率;
目标拜访客户生成模块,用于根据各所述候选拜访客户的推荐成功概率,从各所述候选拜访客户中生成所述用户标识所对应的目标拜访客户的集合;
拜访信息确定模块,用于根据各所述目标拜访客户的历史拜访时间确定各所述目标拜访客户的目标拜访时间;
显示模块,用于在所述图形用户界面中显示各所述目标拜访客户的客户标识和各所述目标拜访客户的目标拜访时间。
2.根据权利要求1所述的辅助信息生成系统,其特征在于,所述拜访信息确定模块,还包括:
待推荐险种确定单元,用于确定各所述目标拜访客户的待推荐险种;
所述显示模块还用于在所述图形用户界面中显示所述目标拜访客户的待推荐险种的险种标识;
其中,各所述目标拜访客户的待推荐险种通过以下方法确定:
根据所述目标拜访客户的家庭信息确定所述目标拜访客户的目标类别;
获取所述目标类别的客户的目标保障信息,计算所述目标拜访客户的保障信息和所述目标保障信息之间的差异;
根据所述差异确定所述目标拜访客户的待推荐险种;
其中,所述家庭信息包括家庭成员数量和/或家庭收入信息,所述保障信息包括已拥有的险种类型和/或已拥有的各类型险种所对应的保额。
3.根据权利要求2所述的辅助信息生成系统,其特征在于,所述拜访信息确定模块,还包括:
推荐话术获取单元,用于获取与各所述目标拜访客户的所述待推荐险种关联的预设推荐话术;
所述显示模块还用于在所述图形用户界面的目标拜访客户列表中对应的显示各所述待推荐险种的所述预设推荐话术。
4.根据权利要求1所述的辅助信息生成系统,其特征在于,所述预先训练的机器学习模型通过以下步骤训练得到:
从拜访数据库中获取历史拜访数据;
将所述历史拜访数据中拜访后在预设时间内是否成交作为因变量、历史拜访客户的个人信息和历史行为信息作为自变量构建回归模型;
采用所述历史拜访数据对所述回归模型进行训练,以确定各所述自变量的权重;
根据各所述自变量的权重,确定预先训练的机器学习模型。
5.根据权利要求1所述的辅助信息生成系统,其特征在于,所述辅助信息生成系统,还包括:
拜访信息修改模块,用于响应于对所述目标拜访时间的修改操作,确定修改后的目标拜访时间;
所述显示模块还用于在所述图形用户界面中显示所述修改后的目标拜访时间。
6.根据权利要求5所述的辅助信息生成系统,其特征在于,所述辅助信息生成系统,还包括:
拜访时间冲突提示模块,用于当所述修改后的目标拜访时间和其他目标拜访客户的目标拜访时间所对应的时间段重合或部分重合时,在所述图形用户界面的目标拜访客户列表中突出化显示所述目标拜访时间的时间段重合或部分重合的各所述目标拜访客户。
7.根据权利要求1所述的辅助信息生成系统,其特征在于,所述根据各所述候选拜访客户的推荐成功概率,从各所述候选拜访客户中生成所述用户标识所对应的目标拜访客户的集合,包括:
按照从大到小的顺序对各所述候选拜访客户的推荐成功概率进行排序;
获取排名前N位的候选拜访客户,以生成所述用户标识所对应的目标拜访客户的集合,其中,N为大于或等于1的整数。
8.根据权利要求7所述的辅助信息生成系统,其特征在于,所述辅助信息生成系统,还包括:
目标拜访客户替换模块,用于响应于在所述图形用户界面中第M次删除目标拜访客户的触发操作,将所述第M次删除的目标拜访客户替换为所述推荐成功概率排名为第N+M位的候选拜访客户。
9.根据权利要求1所述的辅助信息生成系统,其特征在于,所述辅助信息生成系统,还包括:
拜访路径规划模块,用于确定各所述目标拜访客户的目标拜访路径;
所述显示模块还用于在所述图形用户界面中显示各所述目标拜访客户的目标拜访路径;
其中,所述各所述目标拜访客户的目标拜访路径通过以下方法确定:
获取所述目标拜访客户的预设拜访地点,确定所述用户标识所对应的预设地点和所述预设拜访地点之间的多个拜访路线;
确定在所述目标拜访时间所对应的时间段内所述多个拜访路线的车流量;
对所述多个拜访路线的车流量进行标准化,以得到各所述拜访路线的权重;
计算各所述拜访路线的权重和其所对应的标准通行时间的乘积,得到各所述拜访路线的估计通行时间,其中,所述标准通行时间根据所述拜访路线的总长度和预设平均车速确定;
确定所述估计通行时间最短的拜访路线为目标拜访路径。
10.根据权利要求1至9中任一项所述的辅助信息生成系统,其特征在于,所述个人信息包括个人属性信息和/或个人资产属性信息,其中,所述个人属性信息包括性别信息、年龄信息、职业信息、学历信息、工作时长信息、婚姻状况、家庭成员数量中的至少一种,所述个人资产属性信息包括已拥有的保险保单信息、已拥有的总保险保额信息、已拥有的保险种类信息、各保险种类对应的保额信息、家庭收入信息、个人收入信息中的至少一种;
所述历史行为信息包括:线上历史行为信息和/或线下历史行为信息,其中,所述线上历史行为信息包括预设时间内在保险应用程序中浏览保险产品的次数、预设时间内在保险应用程序中浏览时长最长的保险产品的种类、预设时间内浏览保险应用程序的总时长中的至少一种,所述线下历史行为信息包括预设时间内参加线下保险推荐活动的次数、最近一次拜访时间、最近一次拜访是否成交、最近一次成交的保额信息中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205652.0A CN112330467B (zh) | 2020-11-02 | 2020-11-02 | 辅助信息生成系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205652.0A CN112330467B (zh) | 2020-11-02 | 2020-11-02 | 辅助信息生成系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330467A true CN112330467A (zh) | 2021-02-05 |
CN112330467B CN112330467B (zh) | 2024-04-16 |
Family
ID=74324492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011205652.0A Active CN112330467B (zh) | 2020-11-02 | 2020-11-02 | 辅助信息生成系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330467B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989200A (zh) * | 2021-03-31 | 2021-06-18 | 珠海必要工业科技股份有限公司 | 商品使用信息的提供方法、基于评论信息改进关联信息方法 |
CN114090898A (zh) * | 2021-11-29 | 2022-02-25 | 深圳壹账通智能科技有限公司 | 一种信息推荐方法、装置、终端设备及介质 |
CN114154943A (zh) * | 2021-07-06 | 2022-03-08 | 罗科仕管理顾问有限公司 | 用于独立保险销售代理人的基于人工智能的机器人流程自动化 |
CN114240495A (zh) * | 2021-12-16 | 2022-03-25 | 成都新潮传媒集团有限公司 | 商机转化概率的预测方法、装置及计算机可读存储介质 |
CN115271922A (zh) * | 2022-08-02 | 2022-11-01 | 零犀(北京)科技有限公司 | 一种获得目标用户的方法、装置、系统和存储介质 |
CN117433557A (zh) * | 2023-12-21 | 2024-01-23 | 青岛智简尚达信息科技有限公司 | 一种客户拜访路线规划及导航方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060749A1 (en) * | 2016-08-25 | 2018-03-01 | Linkedln Corporation | Content generation and targeting using machine learning |
CN107871232A (zh) * | 2017-10-19 | 2018-04-03 | 中国平安人寿保险股份有限公司 | 一种客户拜访计划的生成方法及其终端 |
CN108230162A (zh) * | 2017-12-29 | 2018-06-29 | 泰康保险集团股份有限公司 | 保险服务推荐的方法、装置、存储介质及电子设备 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-11-02 CN CN202011205652.0A patent/CN112330467B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060749A1 (en) * | 2016-08-25 | 2018-03-01 | Linkedln Corporation | Content generation and targeting using machine learning |
CN107871232A (zh) * | 2017-10-19 | 2018-04-03 | 中国平安人寿保险股份有限公司 | 一种客户拜访计划的生成方法及其终端 |
CN108230162A (zh) * | 2017-12-29 | 2018-06-29 | 泰康保险集团股份有限公司 | 保险服务推荐的方法、装置、存储介质及电子设备 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989200A (zh) * | 2021-03-31 | 2021-06-18 | 珠海必要工业科技股份有限公司 | 商品使用信息的提供方法、基于评论信息改进关联信息方法 |
CN112989200B (zh) * | 2021-03-31 | 2024-06-07 | 珠海必要工业科技股份有限公司 | 商品使用信息的提供方法、基于评论信息改进关联信息方法 |
CN114154943A (zh) * | 2021-07-06 | 2022-03-08 | 罗科仕管理顾问有限公司 | 用于独立保险销售代理人的基于人工智能的机器人流程自动化 |
CN114090898A (zh) * | 2021-11-29 | 2022-02-25 | 深圳壹账通智能科技有限公司 | 一种信息推荐方法、装置、终端设备及介质 |
CN114240495A (zh) * | 2021-12-16 | 2022-03-25 | 成都新潮传媒集团有限公司 | 商机转化概率的预测方法、装置及计算机可读存储介质 |
CN115271922A (zh) * | 2022-08-02 | 2022-11-01 | 零犀(北京)科技有限公司 | 一种获得目标用户的方法、装置、系统和存储介质 |
CN117433557A (zh) * | 2023-12-21 | 2024-01-23 | 青岛智简尚达信息科技有限公司 | 一种客户拜访路线规划及导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112330467B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330467B (zh) | 辅助信息生成系统 | |
US10142475B2 (en) | Customer journey management | |
US11354745B2 (en) | Objective achievement portfolio generating device, program, and method | |
US11120510B1 (en) | Methods and systems to automatically generate insurance policy data based upon life event data | |
US8606695B1 (en) | Decision making engine and business analysis tools for small business credit product offerings | |
US20160239848A1 (en) | Method and system for automatic execution of at least one next action during a customer interaction | |
US20170161758A1 (en) | Systems and methods for interactive annuity product services using machine learning modeling | |
US11854086B1 (en) | Delivery of customized insurance products and services | |
US11334941B2 (en) | Systems and computer-implemented processes for model-based underwriting | |
US20220374956A1 (en) | Natural language analysis of user sentiment based on data obtained during user workflow | |
US11823248B2 (en) | Systems and methods for using keywords extracted from reviews | |
EP3822902A1 (en) | Systems and methods for customization of reviews | |
US20210182730A1 (en) | Systems and methods for detecting non-causal dependencies in machine learning models | |
US20220398635A1 (en) | Holistic analysis of customer sentiment regarding a software feature and corresponding shipment determinations | |
US10769728B1 (en) | Analytical methods and tools for determining needs of orphan policyholders | |
US20050165596A1 (en) | Method and apparatus for determining expected values in the presence of uncertainty | |
JP7309892B2 (ja) | 金融関連商品提示装置およびプログラム | |
US11328029B2 (en) | Systems and methods for using keywords extracted from reviews | |
CA3098792A1 (en) | Systems and methods for customization of reviews | |
US11645664B2 (en) | Dynamic web content insertion | |
KR20220015322A (ko) | 디지털 메시지로부터 정보를 획득하는 시스템 및 방법 | |
US11586636B2 (en) | Methods and systems for generating search results | |
US20240202803A1 (en) | System And Method for Modifying a Portion of a User Interface According to An Interaction with A Message | |
US20230186349A1 (en) | Recommender for advertisement placements in sequential workflows | |
JP7509858B2 (ja) | 情報処理システム、情報処理方法及びプログラム |
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 |