CN112465297A - 一种业务孤儿单的分配方法、装置和电子设备 - Google Patents
一种业务孤儿单的分配方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112465297A CN112465297A CN202011193178.4A CN202011193178A CN112465297A CN 112465297 A CN112465297 A CN 112465297A CN 202011193178 A CN202011193178 A CN 202011193178A CN 112465297 A CN112465297 A CN 112465297A
- Authority
- CN
- China
- Prior art keywords
- orphan
- marketer
- portrait
- data
- client
- 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 44
- 230000000694 effects Effects 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书一个或多个实施例提供一种孤儿单的分配方法、装置和电子设备；所述方法包括：首先在数据库的业务系统中，提取出孤儿单的历史分配数据，以此得到孤儿单客户的分配和展业效果；之后通过将得到的孤儿单的历史分配数据，与数据库中的大数据画像关联，得到整合了画像特征的孤儿单历史分配数据；最后，将画像特征与展业效果一起，放入算法模型，利用算法模型挖掘画像特征与展业效果之间的规律，并将此规律固话于算法模型中，用于后续孤儿单的分配。本发明的技术方案，代替了孤儿单的随机分配的方式，达到了最大化产出销售价值，并且有效地保证了对后续的客户经营与开发。
Description
技术领域
本说明书一个或多个实施例涉及数据人工智能分配技术领域，尤其涉及一种业务与孤儿单的分配方法、装置和电子设备。
背景技术
在很多行业，例如保险行业中，由于营销员离职等原因，会产生一定数量的无固定服务人员的客户，也即孤儿客户，此时需要为这些客户分配新的营销员，形成新的业务单。在实际生产中，目前针对上述业务单的分配方式，以随机分配方式完成，因此没有考虑到客户与营销员的组合之间的匹配关系，很不利于后续的客户经营和业务单开发。
基于此，需要一种能够实现客户与营销员之间形成最佳匹配程度的分配方案。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种业务孤儿单的分配方法、装置和电子设备以解决随机分配时，客户与营销员之间的匹配程度不高，难以发展新业务单的问题。
基于上述目的，本说明书一个或多个实施例提供了业务孤儿单的分配方法，包括：首先，在数据库中提取出孤儿单的分配历史数据，也即孤儿客户与历史中的对应营销员的分配组合，并连同两者间组合后的展业效果以数据表的形式提取；之后，将提取出的孤儿单历史分配数据，与存储了所有客户与营销员画像特征的大数据画像相关联，达到为历史分配数据扩充画像特征的目的；最后，利用算法模型，挖掘大数据画像中的分配规律，进一步的，将此规律保留固化与模型中，并应用在后续孤儿单的分配中。
基于同一发明构思，本说明书一个或多个实施例还提供了一种业务孤儿单的分配装置，包括：
提取模块，被配置为提取销售系统中所述孤儿单的历史分配数据，及其分配过后的展业效果；并从大数据画像中提取积累客户和对应分配营销员的画像特征；
样本模块，被配置为基于所述大数据画像中客户和营销员的画像特征及其分配后的展业效果生成样本数据；
训练模块，被配置为以所述样本数据的客户和营销员的画像特征作为输入，以所述样本数据的展业效果作为目标输出，在由线性模型和深度神经网络相结合的算法框架中进行匹配度预测的训练，得到匹配度预测模型；
匹配模块，被配置为提取带分配孤儿单的客户特征；并将所述客户特征与至少一个营销员的画像特征分别输入所述匹配度预测模型，得到所述待分配孤儿单与所述至少一个营销员的匹配度；并从中选择匹配度最高的营销员作为所述待分配孤儿单的营销员。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述业务孤儿单的分配方法。
基于同一发明构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述业务孤儿单的分配方法。
从上面所述可以看出，本说明书一个或多个实施例提供的业务孤儿单的分配方法、装置和电子设备，基于大数据算法，以及数据表结构，综合考虑了客户与营销员之间的各种对应规律，以及后续业务生成，达到了客户与营销员之间的最佳匹配度，避免了人工随机分配的主观偏见性，不仅提高了经营效益，也有效保障了客户的服务体验。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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为本说明书一个或多个实施例业务孤儿单的分配方法示意图；
图2为本说明书一个或多个实施例业务孤儿单的分配装置示意图；
图3为本说明书一个或多个实施例的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
如背景技术部分所述，现有的业务孤儿单的分配方法还难以满足业务经营，以及客户服务体验的需要。申请人在实现本公开的过程中发现，现有的业务孤儿单的分配方法存在的主要问题在于：当产生无固定服务人员的客户时，也即孤儿客户，现有方案是人工随机对客户进行营销员的分配，在此过程中，无法保证客户与新分配营销员之间的匹配关系；或者由人脑进行主观分析匹配，也往往难以达到最佳匹配程度。
有鉴于此，本说明书一个或多个实施例提供了一种业务孤儿单的分配方法，具体的，概述：首先，在数据库中提取出孤儿单的分配历史数据，也即孤儿客户与历史中的对应营销员的分配组合，并连同两者间组合后的展业效果以数据表的形式提取；之后，将提取出的孤儿单历史分配数据，与存储了所有客户与营销员画像特征的大数据画像相关联，达到为历史分配数据扩充画像特征的目的；最后，利用算法模型，挖掘大数据画像中的分配规律，进一步的，将此规律保留固化与模型中，并应用在后续孤儿单的分配中。
以下，通过具体的实施例来详细说明本说明书一个或多个实施例的技术方法。
参考图1，本说明书一个实施例的业务孤儿单的分配方法，包括以下步骤：
步骤S101、提取销售系统中所述孤儿单的历史分配数据及其分配过后的展业效果；
以及从大数据画像中提取积累客户的画像和对应分配营销员的画像特征。
在本步骤中，首先，在运行了保险公司SQL数据库的电子设备上，提取属于前端销售系统的孤儿保单的数据表，也即本发明中所述的业务孤儿单。首先，在SQL数据库中编写如下语句，提取出如表1示出的孤儿单数据表：
select*from orphan_assignment；
表1 方法实施例中的孤儿单数据表
| 孤儿单客户 | 孤儿单营销员 | 展业效果 |
| 00001 | 100001 | 1 |
| 00002 | 100002 | 0 |
上述表1在保险公司SQL数据库中，以数据表结构储存为表A，其中的数据包括：所述孤儿单的历史分配数据，以及孤儿单分配后的展业效果；历史分配数据当中，包括了所述孤儿单客户，以及对应分配的所述孤儿单营销员。其中，00001和00002为字段孤儿单客户的数据内容，代表了孤儿单客户代码；100001和100002为字段孤儿单营销员的数据内容，代表了历史中曾相应分配的孤儿单营销员代码；1和0为字段展业效果的数据内容，1代表了历史中孤儿单客户00001，与孤儿单营销员100001的分配组合，曾售出万元保单，也即优质展业效果，0代表了历史中孤儿单客户00002，与孤儿单营销员100002的分配组合，未出售新保单，也即一般展业效果；在本实施例中，根据售出保单金额不同，展业效果可以从0至1之间分布。
在本实施例中，对数据库的选择，不做具体限定，可以是SQL数据库，也可以是其他数据库，例如甲骨文数据库。
作为一个可选的实施例，在SQL数据库中编写如下语句，提取出如表2示出的积累客户画像特征数据表，和如表3示出的对应营销员画像特征数据表：
select*from cuntmer；
select*from saler；
表2 装置实施例中的积累客户画像特征数据表
| 积累客户 | 基础特征 | 个人特征 | 社会特征 |
| 00001 | 1 | 1 | 1 |
| 00002 | 10 | 10 | 10 |
| 00011 | 1 | 1 | 1 |
| 00022 | 10 | 10 | 10 |
上述表2在保险公司SQL数据库中，以数据表形式储存为表B，其中的数据包括：所述积累客户，及其3类画像特征。其中，00011和00022为字段积累客户的数据内容，代表了积累客户代码；1和10代表了积累客户的不同画像特征的代码；例如，在本实施例中，基础特征可以是年龄，1代表了未成年，10代表了退休老人；个人特征可以是爱好，1代表了读书等危险系数低的爱好，10代表了极限运动等危险系数高的爱好；社会特征可以是收入，1代表了达到缴纳最低个人所得税的收入，10代表了达到缴纳最高个人所得税的收入。
表3 装置实施例中的对应营销员画像特征数据表
| 对应营销员 | 基础特征 | 个人特征 | 社会特征 |
| 100001 | 1 | 1 | 1 |
| 100002 | 10 | 10 | 10 |
| 100011 | 1 | 1 | 1 |
| 100022 | 10 | 10 | 10 |
上述表3在保险公司SQL数据库中，以数据表形式储存为表C。其中的数据包括：所述积累客户，及其3类画像特征。其中，100011和100022为字段对应营销员的数据内容，代表了对应营销员代码；1和10代表了对应营销员不同画像特征的代码；例如，在本实施例中，基础特征可以是工龄，1代表了1年工龄，10代表了10年工龄；个人特征可以是爱好，1代表了读书等危险系数低的爱好，10代表了极限运动等危险系数高的爱好；社会特征可以是职位，1代表了实习营销职位，10代表了最高级别营销职位。
另外，在本实施例中，对客户以及营销员的画像特征不做具体限定，可以根据需要罗列，例如加入或改写为：性别、性格、职业、和资产等，并用相应的代码表达。
步骤S102、基于所述大数据画像中客户的画像特征和营销员的画像特征及其分配后的展业效果生成样本数据。
进一步的，将孤儿单数据分别与积累的客户、及其对应营销员画像特征数据进行关联，也即在数据库中将表B，和表C，分别与表A进行关联，并将所有积累客户的展业效果补充全面，得到如表4示出的样本数据表。在实际操作时，使用如下语句来实现上述关联：
select*from A join B on A.孤儿单客户＝B.积累客户；
select*from A Join C on A.孤儿单营销员＝C.对应营销员；
表4 装置实施例中的样本数据表
上述表4在保险公司SQL数据库中，以数据表形式储存为表D，形成了包含保险公司内部所有数据的完整样本数据表。
在本实施例中，对所述样本数据的大小不做具体限制，例如：可以根据具体情况，对所述样本数据的内容进行无限扩充。
步骤S103、以所述样本数据的客户的画像特征和营销员的画像特征作为输入，以所述样本数据的展业效果作为目标输出，在由线性模型和深度神经网络相结合的算法框架中进行匹配度预测的训练，得到匹配度预测模型。
作为一个可选的实施例，以线性模型和深度神经网络模型相结合而成的wide&deep推荐算法框架为基础，用上述数据表D中数据，训练该模型；并在如下指令中，将客户特征和营销员特征作为模型训练的特征列，达到模型训练的操作：
model.wideanddeep.trian(D.基础特征,D.个人特征,D.社会特征,D.展业效果)；
在本实施例中，特征列仅以基础特征、个人特征和社会特征为例，对特征列所包含的种类以及数量不做具体限制，可以根据具体情况，对所述特征列以及所述样本数据内的种类和数量进行无穷罗列；并且，根据统计学以及人工智能训练的基本规则，可以预见的是，当本实施例中的样本数据越大，得到的所述匹配度预测越准确，而当样本数据趋于无穷大时，可以理论上可以认为得出的匹配度为最准确。
步骤S104、提取待分配孤儿单客户的画像特征；
将所述客户的画像特征与至少一个营销员的画像特征分别输入所述匹配度预测模型，得到所述待分配孤儿单客户与所述至少一个营销员的匹配度；
以及，从中选择匹配度最高的营销员作为所述待分配孤儿单的营销员。
在完成模型的训练后，模型，也即指令中的model将拟合了客户、营销员画像特征与展业效果之间的数值间的相关数学计算关系。在本实施例中，将给定的孤儿单客户00001和对应营销员100011和100022的所述画像特征，输入模型后，即可计算预测得到相应的展业效果数据，数据值将分布在0至1之间。
进一步的，执行如下指令，将训练后的模型进行保存：
model.export_savemodel()
在后续为孤儿单客户分配营销员时，将孤儿单客户与每一个营销员相互组合，并结合大数据画像特征输入到上述模型中，计算出对应的展业效果数据值，最后为每个孤儿单客户选择数据值值最高的营销员进行分配。
可见，本说明书一个或多个实施例提供的业务孤儿单的分配方法、装置和电子设备，基于大数据算法，以及数据表结构，综合考虑了客户与营销员之间的各种对应规律，以及后续业务生成，从而实现了客户与营销员之间的最佳匹配度，避免了人工随机分配的主观偏见性，不仅提高了经营效益，也有效保障了客户的服务体验。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种业务孤儿单的分配装置。
参考图2，并结合保险公司孤儿保单的具体案例，所述业务孤儿单的分配装置，包括：
提取模块S201、被配置为提取销售系统中所述孤儿单的历史分配数据及其分配过后的展业效果；
从大数据画像中提取积累客户的画像和对应分配营销员的画像特征；
样本模块S202、被配置为基于所述大数据画像中客户的画像特征和营销员的画像特征及其分配后的展业效果生成样本数据；
训练模块S203、被配置为以所述样本数据的客户的画像特征和营销员的画像特征作为输入，以所述样本数据的展业效果作为目标输出，在由线性模型和深度神经网络相结合的算法框架中进行匹配度预测的训练，得到匹配度预测模型；
匹配模块S204、被配置为提取待分配孤儿单客户的画像特征；
将所述客户的画像特征与至少一个营销员的画像特征分别输入所述匹配度预测模型，得到所述待分配孤儿单客户与所述至少一个营销员的匹配度；
以及，从中选择匹配度最高的营销员作为所述待分配孤儿单的营销员。
作为一个可选的实施例，所述提取模块S201，具体被配置为在运行了保险公司SQL数据库的电子设备上，提取属于前端销售系统的孤儿保单的数据表，也即本发明中所述的业务孤儿单。首先，在SQL数据库中编写如下语句，提取出如表5示出的孤儿单数据表：
select*from orphan_assignment；
表5 装置实施例中的孤儿单数据表
| 孤儿单客户 | 孤儿单营销员 | 展业效果 |
| 00001 | 100001 | 1 |
| 00002 | 100002 | 0 |
上述表5在保险公司SQL数据库中，以数据表结构储存为表A，其中的数据包括：所述孤儿单的历史分配数据，以及孤儿单分配后的展业效果；历史分配数据当中，包括了所述孤儿单客户，以及对应分配的所述孤儿单营销员。其中，00001和00002为字段孤儿单客户的数据内容，代表了孤儿单客户代码；100001和100002为字段孤儿单营销员的数据内容，代表了历史中曾相应分配的孤儿单营销员代码；1和0为字段展业效果的数据内容，1代表了历史中孤儿单客户00001，与孤儿单营销员100001的分配组合，曾售出万元保单，也即优质展业效果，0代表了历史中孤儿单客户00002，与孤儿单营销员100002的分配组合，未出售新保单，也即一般展业效果；在本实施例中，根据售出保单金额不同，展业效果可以从0至1之间分布。
在本实施例中，对数据库的选择，不做具体限定，可以是SQL数据库，也可以是其他数据库，例如甲骨文数据库。
作为一个可选的实施例，在SQL数据库中编写如下语句，提取出如表6示出的积累客户画像特征数据表，和如表7示出的对应营销员画像特征数据表：
select*from cuntmer；
select*from saler；
表6 装置实施例中的积累客户画像特征数据表
| 积累客户 | 基础特征 | 个人特征 | 社会特征 |
| 00001 | 1 | 1 | 1 |
| 00002 | 10 | 10 | 10 |
| 00011 | 1 | 1 | 1 |
| 00022 | 10 | 10 | 10 |
上述表6在保险公司SQL数据库中，以数据表形式储存为表B，其中的数据包括：所述积累客户，及其3类画像特征。其中，00011和00022为字段积累客户的数据内容，代表了积累客户代码；1和10代表了积累客户的不同画像特征的代码；例如，在本实施例中，基础特征可以是年龄，1代表了未成年，10代表了退休老人；个人特征可以是爱好，1代表了读书等危险系数低的爱好，10代表了极限运动等危险系数高的爱好；社会特征可以是收入，1代表了达到缴纳最低个人所得税的收入，10代表了达到缴纳最高个人所得税的收入。
表7 装置实施例中的对应营销员画像特征数据表
| 对应营销员 | 基础特征 | 个人特征 | 社会特征 |
| 100001 | 1 | 1 | 1 |
| 100002 | 10 | 10 | 10 |
| 100011 | 1 | 1 | 1 |
| 100022 | 10 | 10 | 10 |
上述表7在保险公司SQL数据库中，以数据表形式储存为表C。其中的数据包括：所述积累客户，及其3类画像特征。其中，100011和100022为字段对应营销员的数据内容，代表了对应营销员代码；1和10代表了对应营销员不同画像特征的代码；例如，在本实施例中，基础特征可以是工龄，1代表了1年工龄，10代表了10年工龄；个人特征可以是爱好，1代表了读书等危险系数低的爱好，10代表了极限运动等危险系数高的爱好；社会特征可以是职位，1代表了实习营销职位，10代表了最高级别营销职位。
另外，在本实施例中，对客户以及营销员的画像特征不做具体限定，可以根据需要罗列，例如加入或改写为：性别、性格、职业、和资产等，并用相应的代码表达。
作为一个可选的实施例，所述样本模块S202，具体被配置为将孤儿单数据分别与积累的客户、及其对应营销员画像特征数据进行关联，也即在数据库中将表B，和表C，分别与表A进行关联，并将所有积累客户的展业效果补充全面，得到如表8示出的样本数据表。在实际操作时，使用如下语句来实现上述关联：
select*from A join B on A.孤儿单客户＝B.积累客户；
select*from A Join C on A.孤儿单营销员＝C.对应营销员；
表8 装置实施例中的样本数据表
上述表8在保险公司SQL数据库中，以数据表形式储存为表D，形成了包含保险公司内部所有数据的完整样本数据表。
作为一个可选的实施例，所述训练模块S203，具体被配置为以线性模型和深度神经网络模型相结合而成的wide&deep推荐算法框架为基础，用上述数据表D中数据，训练该模型；并在如下指令中，将客户特征和营销员特征作为模型训练的特征列，达到模型训练的操作：
model.wideanddeep.trian(D.基础特征,D.个人特征,D.社会特征,D.展业效果)；
作为一个可选的实施例，所述匹配模块S204，具体被配置为在完成模型的训练后，模型，也即指令中的model将拟合了客户、营销员画像特征与展业效果之间的数值间的相关数学计算关系。在本实施例中，将给定的孤儿单客户00001和对应营销员100011和100022的所述画像特征，输入模型后，即可计算预测得到相应的展业效果数据，数据值将分布在0至1之间。
进一步的，执行如下指令，将训练后的模型进行保存：
model.export_savemodel()
在后续为孤儿单客户分配营销员时，将孤儿单客户与每一个营销员相互组合，并结合大数据画像特征输入到上述模型中，计算出对应的展业效果数据值，最后为每个孤儿单客户选择数据值值最高的营销员进行分配。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的业务孤儿单的分配方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的业务孤儿单的分配法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的装置用于实现前述任一实施例中相应的业务孤儿单的分配方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的业务孤儿单的分配方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的业务孤儿单的分配方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种业务孤儿单的分配方法，其特征在于，包括：
提取销售系统中所述孤儿单的历史分配数据及其分配过后的展业效果；
从大数据画像中提取积累客户的画像和对应分配营销员的画像特征；
基于所述大数据画像中客户的画像特征和营销员的画像特征及其分配后的展业效果生成样本数据；
以所述样本数据的客户的画像特征和营销员的画像特征作为输入，以所述样本数据的展业效果作为目标输出，在由线性模型和深度神经网络相结合的算法框架中进行匹配度预测的训练，得到匹配度预测模型；
提取待分配孤儿单客户的画像特征；
将所述客户的画像特征与至少一个营销员的画像特征分别输入所述匹配度预测模型，得到所述待分配孤儿单客户与所述至少一个营销员的匹配度；
以及，从中选择匹配度最高的营销员作为所述待分配孤儿单的营销员。
2.根据权利要求1所述的，其特征在于，所述孤儿单历史分配数据以数据表的结构储存，其中包括：所述孤儿单客户，以及对应分配的所述孤儿单营销员。
3.根据权利要求1所述的方法，其特征在于，所述展业效果为：不具有后续业绩生成，则在数据表中表达为零；具有后续业绩，则根据具体业绩，在数据表中表达为不高于一的数值。
4.根据权利要求1所述的方法，其特征在于，所述大数据画像包括：公司内部的积累客户、所述积累客户的画像特征、所述积累客户对应分配的全部营销员、以及所述全部营销员的画像特征。
5.根据权利要求1所述的方法，其特征在于，所述匹配度预测模型作为所述算法框架的训练输出，将拟合了所述客户画像特征、所述营销员画像特征与所述展业效果之间在数值上相关的数学计算关系；基于不同的所述画像特征，所述匹配度预测模型将得出在零至一之间的所述展业效果的数值。
6.根据权利要求1所述的方法，其特征在于，所述客户画像特征包括：基础特征、个人特征和社会特征；所述营销员画像特征包括：基础特征、个人特征和社会特征。
7.根据利要求1所述的方法，其特征在于，所述匹配度预测的准确度，基于所述样本数据的大小，用于训练的所述样本数据越大，则所述匹配度预测的准确度越高。
8.一种业务孤儿单的分配装置，其特征在于，包括：
提取模块：被配置为提取销售系统中所述孤儿单的历史分配数据及其分配过后的展业效果；
从大数据画像中提取积累客户的画像和对应分配营销员的画像特征；
样本模块：被配置为基于所述大数据画像中客户的画像特征和营销员的画像特征及其分配后的展业效果生成样本数据；
训练模块：被配置为以所述样本数据的客户的画像特征和营销员的画像特征作为输入，以所述样本数据的展业效果作为目标输出，在由线性模型和深度神经网络相结合的算法框架中进行匹配度预测的训练，得到匹配度预测模型；
匹配模块：被配置为提取待分配孤儿单客户的画像特征；
将所述客户的画像特征与至少一个营销员的画像特征分别输入所述匹配度预测模型，得到所述待分配孤儿单客户与所述至少一个营销员的匹配度；
以及，从中选择匹配度最高的营销员作为所述待分配孤儿单的营销员。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193178.4A CN112465297B (zh) | 2020-10-30 | 一种业务孤儿单的分配方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193178.4A CN112465297B (zh) | 2020-10-30 | 一种业务孤儿单的分配方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465297A true CN112465297A (zh) | 2021-03-09 |
| CN112465297B CN112465297B (zh) | 2024-05-31 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330706A (zh) * | 2017-06-06 | 2017-11-07 | 上海航动科技有限公司 | 一种基于人工智能的电营客服系统及商业运营模式 |
| CN107360336A (zh) * | 2017-06-28 | 2017-11-17 | 上海航动科技有限公司 | 一种基于语音服务的智能派单系统及方法 |
| US10026129B1 (en) * | 2013-12-23 | 2018-07-17 | Massachusetts Mutual Life Insurance Company | Analytical methods and tools for determining needs of orphan policyholders |
| CN108564255A (zh) * | 2018-03-22 | 2018-09-21 | 中国平安人寿保险股份有限公司 | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 |
| CN109345398A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技（深圳）有限公司 | 基于客户特征的分单方法、装置及存储介质 |
| CN110837587A (zh) * | 2019-09-30 | 2020-02-25 | 北京健康之家科技有限公司 | 一种基于机器学习的数据匹配方法和系统 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10026129B1 (en) * | 2013-12-23 | 2018-07-17 | Massachusetts Mutual Life Insurance Company | Analytical methods and tools for determining needs of orphan policyholders |
| CN107330706A (zh) * | 2017-06-06 | 2017-11-07 | 上海航动科技有限公司 | 一种基于人工智能的电营客服系统及商业运营模式 |
| CN107360336A (zh) * | 2017-06-28 | 2017-11-17 | 上海航动科技有限公司 | 一种基于语音服务的智能派单系统及方法 |
| CN108564255A (zh) * | 2018-03-22 | 2018-09-21 | 中国平安人寿保险股份有限公司 | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 |
| CN109345398A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技（深圳）有限公司 | 基于客户特征的分单方法、装置及存储介质 |
| CN110837587A (zh) * | 2019-09-30 | 2020-02-25 | 北京健康之家科技有限公司 | 一种基于机器学习的数据匹配方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11087339B2 (en) | Data-driven product grouping | |
| US20150371244A1 (en) | Forecasting information technology workload demand | |
| CN107944481B (zh) | 用于生成信息的方法和装置 | |
| JP2017515184A (ja) | 一時的な取引制限の決定 | |
| US20210117863A1 (en) | Systems and methods for machine learning interpretability | |
| US11101818B2 (en) | Method and device for storing time series data with adaptive length encoding | |
| Su et al. | Optimizing upgrade level and preventive maintenance policy for second-hand products sold with warranty | |
| CN111079944B (zh) | 迁移学习模型解释实现方法及装置、电子设备、存储介质 | |
| US20170169463A1 (en) | Method, apparatus, and computer-readable medium for determining effectiveness of a targeting model | |
| CN108510384A (zh) | 贷款产品推荐方法以及装置 | |
| CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
| KR102450004B1 (ko) | 클러스터링 기반의 온라인 통합 수리 플랫폼 제공 방법 및 장치 | |
| US11037236B1 (en) | Algorithm and models for creditworthiness based on user entered data within financial management application | |
| CN114048322A (zh) | 知识图谱的噪声识别方法、装置及计算机可读存储介质 | |
| US20190188274A1 (en) | Recommendation prediction based on preference elicitation | |
| CN112465297A (zh) | 一种业务孤儿单的分配方法、装置和电子设备 | |
| CN112465297B (zh) | 一种业务孤儿单的分配方法、装置和电子设备 | |
| US20190188532A1 (en) | Method, apparatus, and program for information presentation | |
| CN115470190A (zh) | 一种多存储池数据分类存储方法、系统与电子设备 | |
| CN111353688B (zh) | 一种用户资源分配方法以及装置 | |
| CN111178744A (zh) | 一种分配方法、装置、设备及存储介质 | |
| CN112418670A (zh) | 一种案件分配方法、装置、设备及介质 | |
| CN110084541B (zh) | 用于预测供应商送货时长的方法和装置 | |
| US20160171410A1 (en) | Infrastructure investment planning for both short-term and long-term capacity demands | |
| CN112801744B (zh) | 一种活动推荐方法、装置、电子设备和存储介质 |
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 |