CN112507212A - 智能回访方法、装置、电子设备及可读存储介质 - Google Patents

智能回访方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN112507212A
CN112507212A CN202011305616.1A CN202011305616A CN112507212A CN 112507212 A CN112507212 A CN 112507212A CN 202011305616 A CN202011305616 A CN 202011305616A CN 112507212 A CN112507212 A CN 112507212A
Authority
CN
China
Prior art keywords
user
return visit
returned
revisit
target
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
Application number
CN202011305616.1A
Other languages
English (en)
Inventor
郭锦宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202011305616.1A priority Critical patent/CN112507212A/zh
Publication of CN112507212A publication Critical patent/CN112507212A/zh
Priority to PCT/CN2021/123905 priority patent/WO2022105496A1/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据分析，揭露一种智能回访方法，包括：基于用户数据确定待回访用户对应的回访类别，并为待回访用户建立用户画像，基于用户画像及回访类别为待回访用户生成回访问卷；获取回访类别对应的特征因子，根据特征因子得到待回访用户的第一特征，基于第一特征确定待回访用户对应的目标回访渠道；基于目标回访渠道对待回访用户进行身份验证，当身份验证通过时，基于目标回访渠道及回访问卷对待回访用户进行回访，并生成回访报告。本发明还提供一种智能回访装置、电子设备及可读存储介质。本发明实现了减少人力成本、提升回访效率。

Description

智能回访方法、装置、电子设备及可读存储介质
技术领域
本发明涉及数据分析领域，尤其涉及一种智能回访方法、装置、电子设备 及可读存储介质。
背景技术
随着科技的发展，产品和服务越来越多样化，为提升用户体验，改进产品 和服务的质量，通常通过对用户进行回访以了解用户需求。当前的回访方式通 常是人工整理好回访问题，再对用户进行电话回访，这种回访方式人力成本大、 回访效率低、回访渠道单一。因此，亟需一种智能回访方法，以减少人力成本、 提升回访效率。
发明内容
鉴于以上内容，有必要提供一种智能回访方法，旨在减少人力成本、提升 回访效率。
本发明提供的智能回访方法，包括：
解析第一客户端发出的回访请求，获取所述回访请求携带的待回访用户的 标识，基于所述标识从第一数据库中获取所述待回访用户的用户数据；
基于所述用户数据确定所述待回访用户对应的回访类别，并为所述待回访 用户建立用户画像，基于所述用户画像及所述回访类别为所述待回访用户生成 回访问卷；
获取所述回访类别对应的特征因子，根据所述特征因子得到所述待回访用 户的第一特征，基于所述第一特征确定所述待回访用户对应的目标回访渠道；
基于所述目标回访渠道对所述待回访用户进行身份验证，当身份验证通过 时，基于所述目标回访渠道及所述回访问卷对所述待回访用户进行回访，并生 成回访报告。
可选的，所述基于所述用户画像及所述回访类别为所述待回访用户生成回 访问卷包括：
从所述用户数据中抽取预设指标项对应的数据生成第一问卷；
从第二数据库中获取所述回访类别对应的第二问卷，基于所述用户画像从 所述第二问卷中抽取第三问卷；
合并所述第一问卷及第三问卷，得到所述待回访用户对应的回访问卷。
可选的，所述基于所述第一特征确定所述待回访用户对应的目标回访渠道 包括：
对所述第一特征执行降维处理，得到第二特征；
获取第三数据库中已执行聚类分析的各个用户组的中心用户的第三特征；
基于所述第二特征及第三特征确定所述待回访用户对应的目标用户组；
基于所述目标用户组及用户组与回访渠道对应的映射关系确定所述待回访 用户对应的目标回访渠道。
可选的，所述聚类分析包括：
获取第三数据库中各个用户的历史数据，基于所述特征因子及所述历史数 据确定各个用户的第四特征；
基于所述第四特征及K均值聚类算法对所述第三数据库中的用户进行分组， 其中，K分别取值为预设数值范围内的各个自然数，K的一个取值对应一种分 组结果，得到多种分组结果；
基于所述多种分组结果中每种分组结果对应的各个用户组的中心用户的第 四特征计算每种分组结果对应的轮廓系数；
将轮廓系数最接近预设数值的分组结果作为目标分组结果。
可选的，所述目标回访渠道包括AI语音回访及网页回访，所述基于所述目 标回访渠道对所述待回访用户进行身份验证包括：
若所述回访渠道为AI语音回访，连接所述标识对应的第二客户端，获取所 述第二客户端的用户在第一预设时间段内的第一音频数据，基于所述第一音频 数据对所述待回访用户进行身份验证；
若所述回访渠道为网页回访，连接所述标识对应的第三客户端，获取所述 第三客户端的用户在第二预设时间段内的视频数据，基于所述视频数据对所述 待回访用户进行身份验证。
可选的，所述基于所述第一音频数据对所述待回访用户进行身份验证包括：
对所述第一音频数据进行短时傅里叶变换和/或短时傅里叶逆变换，得到所 述第二客户端的用户的时域信号数据，将所述时域信号数据输入声纹识别模型， 得到目标声纹特征，从第四数据库中获取所述待回访用户对应的标准声纹特征， 若所述目标声纹特征与标准声纹特征的相似度值小于声纹相似度阈值，则判断 所述待回访用户身份验证通过；
所述基于所述视频数据对所述待回访用户进行身份验证包括：
对所述视频数据进行分帧，得到图像序列，将所述图像序列输入人脸识别 模型，得到目标人脸特征，从第五数据库中获取所述待回访用户对应的标准人 脸特征，若所述目标人脸特征与标准人脸特征的相似度值小于人脸相似度阈值， 则判断所述待回访用户身份验证通过。
可选的，所述轮廓系数对应的计算公式为：
Figure BDA0002786036840000031
其中，Sij表示第i种分组结果中第j个用户对应的轮廓系数，
Figure BDA0002786036840000032
表 示第i种分组结果中第j个用户的第四特征到同一个用户组中其他用户的第四特 征的平均距离，
Figure BDA0002786036840000033
表示第i种分组结果中第j个用户的第四特征到其 他用户组的第四特征的平均距离的最小值，Si表示第i种分组结果对应的轮廓系 数，n表示用户的总数量。
为了解决上述问题，本发明还提供一种智能回访装置，所述装置包括：
解析模块，用于解析第一客户端发出的回访请求，获取所述回访请求携带 的待回访用户的标识，基于所述标识从第一数据库中获取所述待回访用户的用 户数据；
生成模块，用于基于所述用户数据确定所述待回访用户对应的回访类别， 并为所述待回访用户建立用户画像，基于所述用户画像及所述回访类别为所述 待回访用户生成回访问卷；
确定模块，用于获取所述回访类别对应的特征因子，根据所述特征因子得 到所述待回访用户的第一特征，基于所述第一特征确定所述待回访用户对应的 目标回访渠道；
回访模块，用于基于所述目标回访渠道对所述待回访用户进行身份验证， 当身份验证通过时，基于所述目标回访渠道及所述回访问卷对所述待回访用户 进行回访，并生成回访报告。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的智能回访程序，所述智 能回访程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上 述智能回访方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机 可读存储介质上存储有智能回访程序，所述智能回访程序可被一个或者多个处 理器执行，以实现上述智能回访方法。
相较现有技术，本发明首先基于用户数据确定待回访用户对应的回访类别， 并为待回访用户建立用户画像，基于用户画像及回访类别为待回访用户生成回 访问卷，该步骤为每个待回访用户生成对应的回访问卷，使得回访问卷与用户 更相关，在满足用户需求的同时减少回访问题量，可加快回访效率；接着，获 取回访类别对应的特征因子，根据特征因子得到待回访用户的第一特征，基于 第一特征确定待回访用户对应的目标回访渠道，本步骤可智能确定用户对应的 回访渠道，使得回访更为灵活，更符合用户需求；最后，基于目标回访渠道对 待回访用户进行身份验证，当身份验证通过时，基于目标回访渠道及回访问卷对待回访用户进行回访，并生成回访报告，该步骤保证了待回访用户的身份准 确性，且回访渠道包括AI语音回访及网页回访，从而不需人工参与回访，减少 了人力成本。因此，本发明减少了人力成本、提升了回访效率。
附图说明
图1为本发明一实施例提供的智能回访方法的流程示意图；
图2为本发明一实施例提供的智能回访装置的模块示意图；
图3为本发明一实施例提供的实现智能回访方法的电子设备的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说 明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通 技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发 明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的， 而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。 由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。 另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技 术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认 为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种智能回访方法。参照图1所示，为本发明一实施例提供的 智能回访方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可 以由软件和/或硬件实现。
本实施例中，智能回访方法包括：
S1、解析第一客户端发出的回访请求，获取所述回访请求携带的待回访用 户的标识，基于所述标识从第一数据库中获取所述待回访用户的用户数据。
本实施例以保险公司为保险用户进行回访为例进行说明，所述第一客户端 可以是保险公司的后台服务器，也可以是保险公司员工对应的客户端(工作电 脑或手机)。
所述待回访用户的标识可以是用户的身份证号码，所述用户的标识可以是 一个用户的标识，也可以是一批用户的标识。所述用户数据包括用户的基本信 息数据及用户的产品信息数据，所述基本信息包括姓名、年龄、住址、职业、 收入等，所述产品信息数据包括用户购买的险种类别、险种保费、险种缴费频 率、销售渠道、购买时间等。
S2、基于所述用户数据确定所述待回访用户对应的回访类别，并为所述待 回访用户建立用户画像，基于所述用户画像及所述回访类别为所述待回访用户 生成回访问卷。
本实施例中，所述基于所述用户数据确定所述待回访用户对应的回访类别 包括：根据产品信息数据中险种类别确定待回访用户对应的回访类别。
例如，若用户1购买了重疾险，则用户1对应的回访类别为重疾险回访， 若用户2购买了分红险，则用户2对应的回访类别为分红险回访。
本实施例将预设关键词集合与用户数据进行匹配得到用户的多个维度的指 标数据，以建立待回访用户的用户画像，具体建立用户画像的过程可参考现有 技术，在此不再赘述。例如，所述预设关键词集合可以是年龄、收入、险种类 别、缴费频率，用户1对应的用户画像可以为{50岁，1万，健康险，以年次缴 费}，用户2对应的用户画像可以为{25岁，8000，分红险，以年次缴费}。
所述基于所述用户画像及所述回访类别为所述待回访用户生成回访问卷包 括：
A1、从所述用户数据中抽取预设指标项对应的数据生成第一问卷；
本实施例中，所述预设指标项可以是用户的手机号码、通讯地址，假设用 户1的用户数据中记录的手机号码是135xxxxxxxx、通讯地址是广东省深圳市 xx区xx家园x栋xx号，则生成的用户1的第一问卷可以是“请问您的手机号 码是135xxxxxxxx吗？若不是，请提供您的新手机号码”、“请问您的通讯地 址是广东省深圳市xx区xx家园x栋xx号吗？若不是，请提供新的通讯地址”， 通过第一问卷可判断待回访用户的通讯信息是否有更新。
A2、从第二数据库中获取所述回访类别对应的第二问卷，基于所述用户画 像从所述第二问卷中抽取第三问卷；
所述第二数据库中预先存储有每种回访类别对应的标准问卷，所述标准问 卷的内容较为全面，所包括的回访问题较多，需对第二问卷中的回访问题进行 针对性抽取处理，以提高回访效率。
例如，根据用户画像可推导，用户1可能更为关注赔付周期、赔付比例， 则从用户1对应的第二问卷中抽取与赔付周期、赔付比例相关的问题作为用户1 的第三问卷；用户2可能更为关注免责条款、历史利率，则从用户2对应的第 二问卷中抽取与免责条款、历史利率相关的问题作为用户2的第三问卷。
A3、合并所述第一问卷及第三问卷，得到所述待回访用户对应的回访问卷。
该步骤通过从第二问卷中抽取第三问卷，并将第一问卷与第三问卷合并， 使得得到的回访问卷与用户更相关，在满足用户需求的同时减少回访问题量， 可加快回访效率。
S3、获取所述回访类别对应的特征因子，根据所述特征因子得到所述待回 访用户的第一特征，基于所述第一特征确定所述待回访用户对应的目标回访渠 道。
本实施例预先为每种回访类别设置了对应的特征因子，例如，分红险对应 的特征因子可以是保费、收入、历史保费、年龄，基于用户数据可确定以上各 个特征因子对应的特征值(例如，若保费为5000元，则保费对应的特征值可以 是5000，在其他实施例中，也可以将5000进行离散化、归一化处理后的值作为 保费对应的特征因子，离散化、归一化处理可参考现有技术，在此不做赘述)， 将各个特征因子对应的特征值所组成的数组作为第一特征。
所述基于所述第一特征确定所述待回访用户对应的目标回访渠道包括：
B1、对所述第一特征执行降维处理，得到第二特征；
本实施例采用PCA(Principal Component Analysis，主成分分析)算法对第 一特征执行降维处理，当两个变量有相关性时，认为两个变量有一定的信息重 叠，PCA算法是对于原有的所有变量，从重复的变量(关系紧密的变量)中删 去多余变量，建立尽可能少的新变量，使得新变量两两不相关，且新变量尽可 能保留原有信息，即将m维特征映射到n维上(n<m)，本步骤可使后续的特 征处理的效率更高。
B2、获取第三数据库中已执行聚类分析的各个用户组的中心用户的第三特 征；
所述第三特征是基于所述特征因子及第三数据库中各个用户的用户数据计 算得到的，其计算过程与第一特征的计算过程相同，在此不再赘述。
B3、基于所述第二特征及第三特征确定所述待回访用户对应的目标用户组；
本实施例中，分别计算各个用户组的中心用户的第三特征与所述第二特征 的差值绝对值，将差值绝对值最小的用户组作为所述待回访用户对应的目标用 户组。
B4、基于所述目标用户组及用户组与回访渠道对应的映射关系确定所述待 回访用户对应的目标回访渠道。
本实施例预先为每个用户组设置了对应的回访渠道，例如，为用户组1、用 于组2设置的回访渠道为AI语音回访，为用户组3设置的回访渠道为网页回访。
所述聚类分析包括：
C1、获取第三数据库中各个用户的历史数据，基于所述特征因子及所述历 史数据确定各个用户的第四特征；
所述第四特征为经过降维处理得到的特征。
C2、基于所述第四特征及K均值聚类算法对所述第三数据库中的用户进行 分组，其中，K分别取值为预设数值范围内的各个自然数，K的一个取值对应 一种分组结果，得到多种分组结果；
K表示用户组的数量，本实施例中，K为3～10中的任一个自然数，则可以 得到分为3个用户组、分为4个用户组、……、分为9个用户组、分为10个用 户组共8种分组结果。
以K＝3举例说明用户分组过程：任取3个用户的第四特征作为三个初始聚 类中心，然后计算剩余用户与各个聚类中心之间的第四特征的距离，把每个用 户分配给距离它最近的聚类，每分配一个用户，聚类的聚类中心会根据聚类中 现有的用户被重新计算，如此循环直至将所有用户分组完成。
C3、基于所述多种分组结果中每种分组结果对应的各个用户组的中心用户 的第四特征计算每种分组结果对应的轮廓系数；
所述轮廓系数对应的计算公式为：
Figure BDA0002786036840000081
其中，Sij表示第i种分组结果中第j个用户对应的轮廓系数，
Figure BDA0002786036840000082
表 示第i种分组结果中第j个用户的第四特征到同一个用户组中其他用户的第四特 征的平均距离，
Figure BDA0002786036840000083
表示第i种分组结果中第j个用户的第四特征到其 他用户组的第四特征的平均距离的最小值，Si表示第i种分组结果对应的轮廓系 数，n表示用户的总数量。
轮廓系数是分组结果好坏的一种评价方式，反映了该聚类方法的内聚度和 分离度。若同一个簇的内聚类越高，不同簇的分离度越高，则聚类效果越好，Si越 接近1表示
Figure BDA0002786036840000084
越小，聚类效果越好。
C4、将轮廓系数最接近预设数值的分组结果作为目标分组结果。
本实施例中，预设数值为1，将轮廓系数最接近1的分组结果作为目标分组 结果。
S4、基于所述目标回访渠道对所述待回访用户进行身份验证，当身份验证 通过时，基于所述目标回访渠道及所述回访问卷对所述待回访用户进行回访， 并生成回访报告。
所述基于所述目标回访渠道对所述待回访用户进行身份验证包括：
D1、当所述回访渠道为AI语音回访时，连接所述标识对应的第二客户端， 获取所述第二客户端的用户在第一预设时间段内的第一音频数据，基于所述第 一音频数据对所述待回访用户进行身份验证；
D2、若所述回访渠道为网页回访，连接所述标识对应的第三客户端，获取 所述第三客户端的用户在第二预设时间段内的视频数据，基于所述视频数据对 所述待回访用户进行身份验证。
所述基于所述第一音频数据对所述待回访用户进行身份验证包括：
对所述第一音频数据进行短时傅里叶变换和/或短时傅里叶逆变换，得到所 述第二客户端的用户的时域信号数据，将所述时域信号数据输入声纹识别模型， 得到目标声纹特征，从第四数据库中获取所述待回访用户对应的标准声纹特征， 若所述目标声纹特征与标准声纹特征的相似度值小于声纹相似度阈值，则判断 所述待回访用户身份验证通过；
所述基于所述视频数据对所述待回访用户进行身份验证包括：
对所述视频数据进行分帧，得到图像序列，将所述图像序列输入人脸识别 模型，得到目标人脸特征，从第五数据库中获取所述待回访用户对应的标准人 脸特征，若所述目标人脸特征与标准人脸特征的相似度值小于人脸相似度阈值， 则判断所述待回访用户身份验证通过。
所述基于所述目标回访渠道及所述回访问卷对所述待回访用户进行回访， 并生成回访报告，包括：
若所述回访渠道为AI语音回访，录制所述待回访用户回答所述回访问卷所 产生的第二音频数据，将所述第二音频数据转换为文本信息(本实施例采用ASR 技术将音频数据转换为文本信息)，合并所述文本信息及所述回访问卷，得到 所述待回访用户对应的回访报告；
若所述回访渠道为网页回访，基于所述待回访用户在回访网页上反馈的回 访信息生成回访报告。
由上述实施例可知，本发明提出的智能回访方法，首先，基于用户数据确 定待回访用户对应的回访类别，并为待回访用户建立用户画像，基于用户画像 及回访类别为待回访用户生成回访问卷，该步骤为每个待回访用户生成对应的 回访问卷，使得回访问卷与用户更相关，在满足用户需求的同时减少回访问题 量，可加快回访效率；接着，获取回访类别对应的特征因子，根据特征因子得 到待回访用户的第一特征，基于第一特征确定待回访用户对应的目标回访渠道， 本步骤可智能确定用户对应的回访渠道，使得回访更为灵活，更符合用户需求； 最后，基于目标回访渠道对待回访用户进行身份验证，当身份验证通过时，基 于目标回访渠道及回访问卷对待回访用户进行回访，并生成回访报告，该步骤 保证了待回访用户的身份准确性，且回访渠道包括AI语音回访及网页回访，从 而不需人工参与回访，减少了人力成本。因此，本发明减少了人力成本、提升 了回访效率。
如图2所示，为本发明一实施例提供的智能回访装置的模块示意图。
本发明所述智能回访装置100可以安装于电子设备中。根据实现的功能， 所述智能回访装置100可以包括解析模块110、生成模块120、确定模块130及 回访模块140。本发明所述模块也可以称之为单元，是指一种能够被电子设备处 理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设 备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
解析模块110，用于解析第一客户端发出的回访请求，获取所述回访请求携 带的待回访用户的标识，基于所述标识从第一数据库中获取所述待回访用户的 用户数据。
本实施例以保险公司为保险用户进行回访为例进行说明，所述第一客户端 可以是保险公司的后台服务器，也可以是保险公司员工对应的客户端(工作电 脑或手机)。
所述待回访用户的标识可以是用户的身份证号码，所述用户的标识可以是 一个用户的标识，也可以是一批用户的标识。所述用户数据包括用户的基本信 息数据及用户的产品信息数据，所述基本信息包括姓名、年龄、住址、职业、 收入等，所述产品信息数据包括用户购买的险种类别、险种保费、险种缴费频 率、销售渠道、购买时间等。
生成模块120，用于基于所述用户数据确定所述待回访用户对应的回访类别， 并为所述待回访用户建立用户画像，基于所述用户画像及所述回访类别为所述 待回访用户生成回访问卷。
本实施例中，所述基于所述用户数据确定所述待回访用户对应的回访类别 包括：根据产品信息数据中险种类别确定待回访用户对应的回访类别。
例如，若用户1购买了重疾险，则用户1对应的回访类别为重疾险回访， 若用户2购买了分红险，则用户2对应的回访类别为分红险回访。
本实施例将预设关键词集合与用户数据进行匹配得到用户的多个维度的指 标数据，以建立待回访用户的用户画像，具体建立用户画像的过程可参考现有 技术，在此不再赘述。例如，所述预设关键词集合可以是年龄、收入、险种类 别、缴费频率，用户1对应的用户画像可以为{50岁，1万，健康险，以年次缴 费}，用户2对应的用户画像可以为{25岁，8000，分红险，以年次缴费}。
所述基于所述用户画像及所述回访类别为所述待回访用户生成回访问卷包 括：
A1、从所述用户数据中抽取预设指标项对应的数据生成第一问卷；
本实施例中，所述预设指标项可以是用户的手机号码、通讯地址，假设用 户1的用户数据中记录的手机号码是135xxxxxxxx、通讯地址是广东省深圳市 xx区xx家园x栋xx号，则生成的用户1的第一问卷可以是“请问您的手机号 码是135xxxxxxxx吗？若不是，请提供您的新手机号码”、“请问您的通讯地 址是广东省深圳市xx区xx家园x栋xx号吗？若不是，请提供新的通讯地址”， 通过第一问卷可判断待回访用户的通讯信息是否有更新。
A2、从第二数据库中获取所述回访类别对应的第二问卷，基于所述用户画 像从所述第二问卷中抽取第三问卷；
所述第二数据库中预先存储有每种回访类别对应的标准问卷，所述标准问 卷的内容较为全面，所包括的回访问题较多，需对第二问卷中的回访问题进行 针对性抽取处理，以提高回访效率。
例如，根据用户画像可推导，用户1可能更为关注赔付周期、赔付比例， 则从用户1对应的第二问卷中抽取与赔付周期、赔付比例相关的问题作为用户1 的第三问卷；用户2可能更为关注免责条款、历史利率，则从用户2对应的第 二问卷中抽取与免责条款、历史利率相关的问题作为用户2的第三问卷。
A3、合并所述第一问卷及第三问卷，得到所述待回访用户对应的回访问卷。
该步骤通过从第二问卷中抽取第三问卷，并将第一问卷与第三问卷合并， 使得得到的回访问卷与用户更相关，在满足用户需求的同时减少回访问题量， 可加快回访效率。
确定模块130，用于获取所述回访类别对应的特征因子，根据所述特征因子 得到所述待回访用户的第一特征，基于所述第一特征确定所述待回访用户对应 的目标回访渠道。
本实施例预先为每种回访类别设置了对应的特征因子，例如，分红险对应 的特征因子可以是保费、收入、历史保费、年龄，基于用户数据可确定以上各 个特征因子对应的特征值(例如，若保费为5000元，则保费对应的特征值可以 是5000，在其他实施例中，也可以将5000进行离散化、归一化处理后的值作为 保费对应的特征因子，离散化、归一化处理可参考现有技术，在此不做赘述)， 将各个特征因子对应的特征值所组成的数组作为第一特征。
所述基于所述第一特征确定所述待回访用户对应的目标回访渠道包括：
B1、对所述第一特征执行降维处理，得到第二特征；
本实施例采用PCA(Principal Component Analysis，主成分分析)算法对第 一特征执行降维处理，当两个变量有相关性时，认为两个变量有一定的信息重 叠，PCA算法是对于原有的所有变量，从重复的变量(关系紧密的变量)中删 去多余变量，建立尽可能少的新变量，使得新变量两两不相关，且新变量尽可 能保留原有信息，即将m维特征映射到n维上(n<m)，本步骤可使后续的特 征处理的效率更高。
B2、获取第三数据库中已执行聚类分析的各个用户组的中心用户的第三特 征；
所述第三特征是基于所述特征因子及第三数据库中各个用户的用户数据计 算得到的，其计算过程与第一特征的计算过程相同，在此不再赘述。
B3、基于所述第二特征及第三特征确定所述待回访用户对应的目标用户组；
本实施例中，分别计算各个用户组的中心用户的第三特征与所述第二特征 的差值绝对值，将差值绝对值最小的用户组作为所述待回访用户对应的目标用 户组。
B4、基于所述目标用户组及用户组与回访渠道对应的映射关系确定所述待 回访用户对应的目标回访渠道。
本实施例预先为每个用户组设置了对应的回访渠道，例如，为用户组1、用 于组2设置的回访渠道为AI语音回访，为用户组3设置的回访渠道为网页回访。
所述聚类分析包括：
C1、获取第三数据库中各个用户的历史数据，基于所述特征因子及所述历 史数据确定各个用户的第四特征；
所述第四特征为经过降维处理得到的特征。
C2、基于所述第四特征及K均值聚类算法对所述第三数据库中的用户进行 分组，其中，K分别取值为预设数值范围内的各个自然数，K的一个取值对应 一种分组结果，得到多种分组结果；
K表示用户组的数量，本实施例中，K为3～10中的任一个自然数，则可以 得到分为3个用户组、分为4个用户组、……、分为9个用户组、分为10个用 户组共8种分组结果。
以K＝3举例说明用户分组过程：任取3个用户的第四特征作为三个初始聚 类中心，然后计算剩余用户与各个聚类中心之间的第四特征的距离，把每个用 户分配给距离它最近的聚类，每分配一个用户，聚类的聚类中心会根据聚类中 现有的用户被重新计算，如此循环直至将所有用户分组完成。
C3、基于所述多种分组结果中每种分组结果对应的各个用户组的中心用户 的第四特征计算每种分组结果对应的轮廓系数；
所述轮廓系数对应的计算公式为：
Figure BDA0002786036840000121
Figure BDA0002786036840000131
其中，Sij表示第i种分组结果中第j个用户对应的轮廓系数，
Figure BDA0002786036840000132
表 示第i种分组结果中第j个用户的第四特征到同一个用户组中其他用户的第四特 征的平均距离，
Figure BDA0002786036840000133
表示第i种分组结果中第j个用户的第四特征到其 他用户组的第四特征的平均距离的最小值，Si表示第i种分组结果对应的轮廓系 数，n表示用户的总数量。
轮廓系数是分组结果好坏的一种评价方式，反映了该聚类方法的内聚度和 分离度。若同一个簇的内聚类越高，不同簇的分离度越高，则聚类效果越好，Si越 接近1表示
Figure BDA0002786036840000134
越小，聚类效果越好。
C4、将轮廓系数最接近预设数值的分组结果作为目标分组结果。
本实施例中，预设数值为1，将轮廓系数最接近1的分组结果作为目标分组 结果。
回访模块140，用于基于所述目标回访渠道对所述待回访用户进行身份验证， 当身份验证通过时，基于所述目标回访渠道及所述回访问卷对所述待回访用户 进行回访，并生成回访报告。
所述基于所述目标回访渠道对所述待回访用户进行身份验证包括：
D1、若所述回访渠道为AI语音回访，连接所述标识对应的第二客户端，获 取所述第二客户端的用户在第一预设时间段内的第一音频数据，基于所述第一 音频数据对所述待回访用户进行身份验证；
D2、若所述回访渠道为网页回访，连接所述标识对应的第三客户端，获取 所述第三客户端的用户在第二预设时间段内的视频数据，基于所述视频数据对 所述待回访用户进行身份验证。
所述基于所述第一音频数据对所述待回访用户进行身份验证包括：
对所述第一音频数据进行短时傅里叶变换和/或短时傅里叶逆变换，得到所 述第二客户端的用户的时域信号数据，将所述时域信号数据输入声纹识别模型， 得到目标声纹特征，从第四数据库中获取所述待回访用户对应的标准声纹特征， 若所述目标声纹特征与标准声纹特征的相似度值小于声纹相似度阈值，则判断 所述待回访用户身份验证通过；
所述基于所述视频数据对所述待回访用户进行身份验证包括：
对所述视频数据进行分帧，得到图像序列，将所述图像序列输入人脸识别 模型，得到目标人脸特征，从第五数据库中获取所述待回访用户对应的标准人 脸特征，若所述目标人脸特征与标准人脸特征的相似度值小于人脸相似度阈值， 则判断所述待回访用户身份验证通过。
所述基于所述目标回访渠道及所述回访问卷对所述待回访用户进行回访， 并生成回访报告，包括：
当所述回访渠道为AI语音回访时，录制所述待回访用户回答所述回访问卷 所产生的第二音频数据，将所述第二音频数据转换为文本信息(本实施例采用 ASR技术将音频数据转换为文本信息)，合并所述文本信息及所述回访问卷， 得到所述待回访用户对应的回访报告；
若所述回访渠道为网页回访，基于所述待回访用户在回访网页上反馈的回 访信息生成回访报告。
如图3所示，为本发明一实施例提供的实现智能回访方法的电子设备的结 构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值 计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络 服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网 络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算 机集组成的一个超级虚拟计算机。
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信 连接的存储器11、处理器12、网络接口13，该存储器11中存储有智能回访程 序10，所述智能回访程序10可被所述处理器12执行。图3仅示出了具有组件 11-13以及智能回访程序10的电子设备1，本领域技术人员可以理解的是，图3 示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部 件，或者组合某些部件，或者不同的部件布置。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设 备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储 器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存 储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、 可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。 在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电 子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1 的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card) 等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的 操作系统和各类应用软件，例如存储本发明一实施例中的智能回访程序10的代 码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数 据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控 制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相 关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存 储的程序代码或者处理数据，例如运行智能回访程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在 所述电子设备1与客户端(图中未画出)之间建立通信连接。
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标 准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示 器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode， 有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单 元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的 限制。
所述电子设备1中的所述存储器11存储的智能回访程序10是多个指令的 组合，在所述处理器12中运行时，可以实现：
解析第一客户端发出的回访请求，获取所述回访请求携带的待回访用户的 标识，基于所述标识从第一数据库中获取所述待回访用户的用户数据；
基于所述用户数据确定所述待回访用户对应的回访类别，并为所述待回访 用户建立用户画像，基于所述用户画像及所述回访类别为所述待回访用户生成 回访问卷；
获取所述回访类别对应的特征因子，根据所述特征因子得到所述待回访用 户的第一特征，基于所述第一特征确定所述待回访用户对应的目标回访渠道；
基于所述目标回访渠道对所述待回访用户进行身份验证，当身份验证通过 时，基于所述目标回访渠道及所述回访问卷对所述待回访用户进行回访，并生 成回访报告。
具体地，所述处理器12对上述智能回访程序10的具体实现方法可参考图1 对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上 述用户数据的私密和安全性，上述用户数据还可以存储于一区块链的节点中。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实 现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。 所述计算机可读介质可以是非易失性的，也可以是非易失性的。所述计算机可 读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、 U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
所述计算机可读存储介质上存储有智能回访程序10，所述智能回访程序10 可被一个或者多个处理器执行，本发明计算机可读存储介质具体实施方式与上 述智能回访方法各实施例基本相同，在此不作赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方 法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性 的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另 外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为 模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能 模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节， 而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现 本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制 性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权 利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要 求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法 等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的 数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了 一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区 块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利 要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实 现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽 管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解， 可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精 神和范围。

Claims (10)

1.一种智能回访方法，其特征在于，所述方法包括：
解析第一客户端发出的回访请求，获取所述回访请求携带的待回访用户的标识，基于所述标识从第一数据库中获取所述待回访用户的用户数据；
基于所述用户数据确定所述待回访用户对应的回访类别，并为所述待回访用户建立用户画像，基于所述用户画像及所述回访类别为所述待回访用户生成回访问卷；
获取所述回访类别对应的特征因子，根据所述特征因子得到所述待回访用户的第一特征，基于所述第一特征确定所述待回访用户对应的目标回访渠道；
基于所述目标回访渠道对所述待回访用户进行身份验证，当身份验证通过时，基于所述目标回访渠道及所述回访问卷对所述待回访用户进行回访，并生成回访报告。
2.如权利要求1所述的智能回访方法，其特征在于，所述基于所述用户画像及所述回访类别为所述待回访用户生成回访问卷包括：
从所述用户数据中抽取预设指标项对应的数据生成第一问卷；
从第二数据库中获取所述回访类别对应的第二问卷，基于所述用户画像从所述第二问卷中抽取第三问卷；
合并所述第一问卷及第三问卷，得到所述待回访用户对应的回访问卷。
3.如权利要求1所述的智能回访方法，其特征在于，所述基于所述第一特征确定所述待回访用户对应的目标回访渠道包括：
对所述第一特征执行降维处理，得到第二特征；
获取第三数据库中已执行聚类分析的各个用户组的中心用户的第三特征；
基于所述第二特征及第三特征确定所述待回访用户对应的目标用户组；
基于所述目标用户组及用户组与回访渠道对应的映射关系确定所述待回访用户对应的目标回访渠道。
4.如权利要求3所述的智能回访方法，其特征在于，所述聚类分析包括：
获取第三数据库中各个用户的历史数据，基于所述特征因子及所述历史数据确定各个用户的第四特征；
基于所述第四特征及K均值聚类算法对所述第三数据库中的用户进行分组，其中，K分别取值为预设数值范围内的各个自然数，K的一个取值对应一种分组结果，得到多种分组结果；
基于所述多种分组结果中每种分组结果对应的各个用户组的中心用户的第四特征计算每种分组结果对应的轮廓系数；
将轮廓系数最接近预设数值的分组结果作为目标分组结果。
5.如权利要求1所述的智能回访方法，其特征在于，所述目标回访渠道包括AI语音回访及网页回访，所述基于所述目标回访渠道对所述待回访用户进行身份验证包括：
若所述回访渠道为AI语音回访，连接所述标识对应的第二客户端，获取所述第二客户端的用户在第一预设时间段内的第一音频数据，基于所述第一音频数据对所述待回访用户进行身份验证；
若所述回访渠道为网页回访，连接所述标识对应的第三客户端，获取所述第三客户端的用户在第二预设时间段内的视频数据，基于所述视频数据对所述待回访用户进行身份验证。
6.如权利要求5所述的智能回访方法，其特征在于，所述基于所述第一音频数据对所述待回访用户进行身份验证包括：
对所述第一音频数据进行短时傅里叶变换和/或短时傅里叶逆变换，得到所述第二客户端的用户的时域信号数据，将所述时域信号数据输入声纹识别模型，得到目标声纹特征，从第四数据库中获取所述待回访用户对应的标准声纹特征，若所述目标声纹特征与标准声纹特征的相似度值小于声纹相似度阈值，则判断所述待回访用户身份验证通过；
所述基于所述视频数据对所述待回访用户进行身份验证包括：
对所述视频数据进行分帧，得到图像序列，将所述图像序列输入人脸识别模型，得到目标人脸特征，从第五数据库中获取所述待回访用户对应的标准人脸特征，若所述目标人脸特征与标准人脸特征的相似度值小于人脸相似度阈值，则判断所述待回访用户身份验证通过。
7.如权利要求4所述的智能回访方法，其特征在于，所述轮廓系数对应的计算公式为：
Figure FDA0002786036830000021
Figure FDA0002786036830000022
其中，Sij表示第i种分组结果中第j个用户对应的轮廓系数，
Figure FDA0002786036830000023
表示第i种分组结果中第j个用户的第四特征到同一个用户组中其他用户的第四特征的平均距离，
Figure FDA0002786036830000024
表示第i种分组结果中第j个用户的第四特征到其他用户组的第四特征的平均距离的最小值，Si表示第i种分组结果对应的轮廓系数，n表示用户的总数量。
8.一种智能回访装置，其特征在于，所述装置包括：
解析模块，用于解析第一客户端发出的回访请求，获取所述回访请求携带的待回访用户的标识，基于所述标识从第一数据库中获取所述待回访用户的用户数据；
生成模块，用于基于所述用户数据确定所述待回访用户对应的回访类别，并为所述待回访用户建立用户画像，基于所述用户画像及所述回访类别为所述待回访用户生成回访问卷；
确定模块，用于获取所述回访类别对应的特征因子，根据所述特征因子得到所述待回访用户的第一特征，基于所述第一特征确定所述待回访用户对应的目标回访渠道；
回访模块，用于基于所述目标回访渠道对所述待回访用户进行身份验证，当身份验证通过时，基于所述目标回访渠道及所述回访问卷对所述待回访用户进行回访，并生成回访报告。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的智能回访程序，所述智能回访程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的智能回访方法。
10.一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智能回访程序，所述智能回访程序可被一个或者多个处理器执行，以实现如权利要求1至7任一项所述的智能回访方法。
CN202011305616.1A 2020-11-19 2020-11-19 智能回访方法、装置、电子设备及可读存储介质 Pending CN112507212A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011305616.1A CN112507212A (zh) 2020-11-19 2020-11-19 智能回访方法、装置、电子设备及可读存储介质
PCT/CN2021/123905 WO2022105496A1 (zh) 2020-11-19 2021-10-14 智能回访方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011305616.1A CN112507212A (zh) 2020-11-19 2020-11-19 智能回访方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112507212A true CN112507212A (zh) 2021-03-16

Family

ID=74959933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011305616.1A Pending CN112507212A (zh) 2020-11-19 2020-11-19 智能回访方法、装置、电子设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN112507212A (zh)
WO (1) WO2022105496A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080312A (zh) * 2019-11-15 2020-04-28 泰康保险集团股份有限公司 用户回访方法、装置、电子设备及存储介质
WO2022105496A1 (zh) * 2020-11-19 2022-05-27 深圳壹账通智能科技有限公司 智能回访方法、装置、电子设备及可读存储介质
CN114970552A (zh) * 2022-07-27 2022-08-30 成都乐超人科技有限公司 基于微服务的用户回访信息分析方法、装置、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881712B (zh) * 2022-07-12 2022-09-23 杭州新航互动科技有限公司 智能广告投放方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9002839B1 (en) * 2007-09-28 2015-04-07 Amazon Technologies, Inc. Personalizing content for users
CN105376432A (zh) * 2015-09-24 2016-03-02 深圳市车音网科技有限公司 语音自动回访装置、系统及其方法
CN107682658B (zh) * 2017-09-15 2020-07-17 平安科技（深圳）有限公司 一种视频回访方法、设备及存储介质
CN109285011A (zh) * 2018-09-12 2019-01-29 田雪娇 一种智能客户回访方法、装置及设备
CN112507212A (zh) * 2020-11-19 2021-03-16 深圳壹账通智能科技有限公司 智能回访方法、装置、电子设备及可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080312A (zh) * 2019-11-15 2020-04-28 泰康保险集团股份有限公司 用户回访方法、装置、电子设备及存储介质
WO2022105496A1 (zh) * 2020-11-19 2022-05-27 深圳壹账通智能科技有限公司 智能回访方法、装置、电子设备及可读存储介质
CN114970552A (zh) * 2022-07-27 2022-08-30 成都乐超人科技有限公司 基于微服务的用户回访信息分析方法、装置、设备及介质
CN114970552B (zh) * 2022-07-27 2022-10-11 成都乐超人科技有限公司 基于微服务的用户回访信息分析方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2022105496A1 (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
WO2021068610A1 (zh) 资源推荐的方法、装置、电子设备及存储介质
CN112507212A (zh) 智能回访方法、装置、电子设备及可读存储介质
CN111371858B (zh) 群控设备识别方法、装置、介质及电子设备
CN103927615B (zh) 将实体与类别相关联
CN111666492A (zh) 基于用户行为的信息推送方法、装置、设备及存储介质
CN112148995A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN110766275A (zh) 数据验证方法、装置、计算机设备及存储介质
CN112328657A (zh) 特征衍生方法、装置、计算机设备及介质
CN107871277B (zh) 服务器、客户关系挖掘的方法及计算机可读存储介质
CN112511632B (zh) 基于多源数据的对象推送方法、装置、设备及存储介质
CN113065947A (zh) 数据处理方法、装置、设备及存储介质
CN116956326A (zh) 权限数据的处理方法、装置、计算机设备及存储介质
CN112241433A (zh) 产品的演示方法、装置、计算机设备及存储介质
CN111985578A (zh) 多源数据融合方法、装置、计算机设备及存储介质
CN116629423A (zh) 用户行为预测方法、装置、设备及存储介质
CN114219664A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN112084408B (zh) 名单数据筛选方法、装置、计算机设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN113781247A (zh) 协议数据推荐方法、装置、计算机设备及存储介质
CN113269179A (zh) 数据处理方法、装置、设备及存储介质
CN111597453A (zh) 用户画像方法、装置、计算机设备及计算机可读存储介质
US11397783B1 (en) Ranking similar users based on values and personal journeys
CN114663200B (zh) 一种产品推荐方法、装置、电子设备以及存储介质
CN116542779A (zh) 基于人工智能的产品推荐方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination