CN113298385A - 一种用户管理方法、装置、电子设备及存储介质 - Google Patents
一种用户管理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113298385A CN113298385A CN202110581615.8A CN202110581615A CN113298385A CN 113298385 A CN113298385 A CN 113298385A CN 202110581615 A CN202110581615 A CN 202110581615A CN 113298385 A CN113298385 A CN 113298385A
- Authority
- CN
- China
- Prior art keywords
- user
- determining
- probability
- stage
- subsystem
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 73
- 230000006399 behavior Effects 0.000 claims description 82
- 239000013598 vector Substances 0.000 claims description 56
- 230000004044 response Effects 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 230000001419 dependent effect Effects 0.000 claims description 22
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用户管理方法、装置、电子设备及存储介质,所述方法包括:根据用户的行为数据确定用户所处的用户生命周期的阶段,然后采用CRM系统中与用户所处的阶段对应的子系统确定用户对应的服务策略。通过此种方式可以实现对不同阶段的用户确定不同的服务策略,进而实现对用户的个性化服务。
Description
技术领域
本申请涉及用户管理领域,尤其涉及一种用户管理方法、装置、电子设备及存储介质。
背景技术
目前在信贷领域对用户进行管理时,通常是针对所有的用户都采用统一的服务策略,无法实现对用户的个性化服务。
发明内容
为克服相关技术中存在的无法实现对用户个性化服务的问题,本申请提供一种用户管理方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供了一种用户管理方法,所述方法包括:
获取用户的行为数据;
基于所述行为数据确定所述用户所处的用户生命周期的阶段,所述用户生命周期包括多个阶段;
采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,所述CRM系统中包括多个子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
作为一种可能的实现方式,所述用户生命周期包括第一阶段、第二阶段和第三阶段,所述基于所述行为数据确定所述用户所处的用户生命周期的阶段,包括:
基于所述行为数据确定所述用户是否执行过第一预设行为;
若确定所述用户未执行过第一预设行为,则确定所述用户处于用户生命周期的第一阶段;
若确定所述用户执行过第一预设行为,则确定所述用户在距当前时间第一预设时长的时间段内是否执行过登录和访问行为;
若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内执行过登录和访问行为,则确定所述用户处于用户生命周期的第二阶段;
若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内未执行过登录和访问行为,则确定所述用户处于用户生命周期的第三阶段。
作为一种可能的实现方式,所述CRM系统包括用于确定服务方案的第一子系统,用于确定推荐方案的第二子系统,用于确定提醒方式的第三子系统以及用于确定召回方案的第四子系统,所述采用CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,包括:
若确定所述用户所处的阶段为第一阶段,则利用所述第一子系统确定所述用户的服务方案,并利用所述第二子系统确定所述用户的推荐方案;
若确定所述用户所处的阶段为第二阶段,则利用所述第三子系统确定所述用户的提醒方式;
若确定所述用户所处的阶段为第三阶段,则利用所述第四子系统确定所述用户的召回方案。
作为一种可能的实现方式,所述利用所述第一子系统确定所述用户的服务方案,包括:
构建所述用户的画像;
将所述用户的画像输入预先训练好的第一模型,得到对应的输出结果,所述输出结果表示所述用户的投诉概率;
基于预设的投诉概率与服务方案的对应关系,确定与所述用户的投诉概率对应的服务方案作为所述用户的服务方案;
所述第一模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的画像,以及与所述样本用户的投诉结果信息;
确定进行用户投诉概率预测所基于的第一预测模型;
将所述样本用户的画像作为所述第一预测模型的自变量,将所述投诉结果信息作为所述第一预测模型的因变量进行训练,得到所述第一模型。
作为一种可能的实现方式,所述利用所述第二子系统确定所述用户的推荐方案,包括:
构建所述用户的第一特征向量;
将所述第一特征向量输入预先训练好的第二模型,得到输出结果,所述输出结果表示所述用户的响应概率;
基于预设的响应概率与推荐方案的对应关系,确定与所述用户的响应概率对应的推荐方案作为所述用户的推荐方案;
所述第二模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第一特征向量,以及与所述样本用户的响应结果信息;
确定进行用户响应概率预测所基于的第二预测模型;
将所述样本用户的第一特征向量作为所述第二预测模型的自变量,将所述响应结果信息作为所述第二预测模型的因变量进行训练,得到所述第二模型。
作为一种可能的实现方式,所述利用所述第三子系统确定所述用户的提醒方式,包括:
构建所述用户的第二特征向量;
将所述第二特征向量输入预先训练好的第三模型,得到输出结果,所述输出结果表示所述用户的遗忘概率;
基于预设的遗忘概率与提醒方式的对应关系,确定与所述用户的遗忘概率对应的提醒方式作为所述用户的提醒方式;
所述第三模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第二特征向量,以及与所述样本用户的遗忘结果信息;
确定进行用户遗忘概率预测所基于的第三预测模型;
将所述样本用户的第二特征向量作为所述第三预测模型的自变量,将所述遗忘结果信息作为所述第三预测模型的因变量进行训练,得到所述第三模型。
作为一种可能的实现方式,所述利用所述第四子系统确定所述用户的召回方案,包括:
构建所述用户的第三特征向量;
将所述第三特征向量输入预先训练好的第四模型,得到输出结果,所述输出结果表示所述用户的流失概率;
基于预设的流失概率与召回方案的对应关系,确定与所述用户的流失概率对应的召回方案作为所述用户的召回方案;
所述第四模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第三特征向量,以及与所述样本用户的流失结果信息;
确定进行用户流失概率预测所基于的第四预测模型;
将所述样本用户的第三特征向量作为所述第四预测模型的自变量,将所述流失结果信息作为所述第四预测模型的因变量进行训练,得到所述第四模型。
第二方面,本发明实施例还提供了一种用户管理装置,所述装置应用于CRM系统,所述装置包括:
获取模块,用于获取用户的行为数据;
阶段确定模块,用于基于所述行为数据确定所述用户所处的用户生命周期的阶段,所述用户生命周期包括多个阶段;
服务策略确定模块,用于采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,所述CRM系统中包括多个子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
第三方面,本发明实施例还提供一种计算机设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的用户管理方法程序,以实现第一方面所述的用户管理方法。
第四方面,本发明实施例还提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面所述的用户管理方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请实施例提供的用户管理方法,根据用户的行为数据确定用户所处的用户生命周期的阶段,然后采用CRM系统中与用户所处的阶段对应的子系统确定用户对应的服务策略。通过此种方式可以实现对不同阶段的用户确定不同的服务策略,进而实现对用户的个性化服务。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种CRM系统的示意图;
图2是根据一示例性实施例示出的一种用户管理方法的流程图;
图3是根据一示例性实施例示出的另一种用户管理方法的流程图;
图4是根据一示例性实施例示出的一种利用第一子系统确定用户的服务方案的流程图;
图5是根据一示例性实施例示出的一种利用第二子系统确定用户的推荐方案的流程图;
图6是根据一示例性实施例示出的一种利用第三子系统确定用户的提醒方式的流程图;
图7是根据一示例性实施例示出的一种利用第四子系统确定所述用户的召回方案的流程图;
图8是根据一示例性实施例示出的一种用户管理装置的框图;
图9是根据一示例性实施例示出的一种电子设备的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了解决目前信贷领域无法实现对用户个性化服务的问题,本发明实施例提供了一种用户管理方法。
在本发明实施例中,上述用户管理方法可以应用于如图1所示的CRM系统,CRM系统,即为Customer Relationship Management客户关系管理系统,是以客户为中心的商务管理系统,目的是让企业更好地服务客户,提高客户的满意度,扩大市场规模,稳定老客户和吸引新客户,提高企业的利润,使企业与客户达到双赢。
在本发明实施例中,CRM系统从用户生命周期的角度,对用户进行管理,其中,用户生命周期可以划分为多个阶段,在CRM系统中对于处于不同阶段的用户设置不同的子系统,且不同的子系统封装不同的服务策略确定方法,从而利用CRM系统可以实现针对不同阶段的用户采用不同的子系统确定不同的服务策略。
用户生命周期可以理解为一个用户从与产品(例如应用程序、网站等)建立关系(完成注册)开始到最后离开该产品即不再使用该产品的整个发展过程。用户生命周期通常可以包括多个阶段。
作为一个实施例,如图1所示,用户生命周期包括第一阶段、第二阶段和第三阶段,CRM系统中针对第一阶段设置有第一子系统和第二子系统,针对第二阶段设置有第三子系统,针对第三阶段设置有第四子系统。
在本发明实施例中,用户处于不同的阶段时,通常对应的服务需求也不同,因此针对不同阶段的用户采用不同的子系统确定对应的服务策略,可以为用户提供更加精准有效的个性化服务,以便尽可能地减少用户的流失。
下面结合附图2对本发明提供的一种用户管理方法进行说明。
参见图2,为本发明实施例提供的一种用户管理方法的流程图,如图2所示,该方法可以包括如下步骤:
S21.获取用户的行为数据。
在本发明实施例中,用户通常指的是已在目标产品中完成注册的用户,用户的行为数据可以包含用户的注册信息、登录时间、访问时间、服务操作信息等,其中,目标产品为使用该用户管理方法的产品。
在实际应用中,可以从目标产品中获取用户的行为日志,从行为日志中获取用户的行为数据。
S22.基于所述行为数据确定所述用户所处的用户生命周期的阶段。
在本发明实施例中,用户生命周期包括多个阶段,具体的,可以预先设置用户生命周期划分规则,用户生命周期划分规则中包括各阶段的划分条件,从而基于用户行为数据根据用户生命周期划分规则确定用户所处的用户生命周期的阶段。
S23.采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略。
在本发明实施例中,预先设置CRM系统,并在CRM系统中针对每个阶段分别设置对应的子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
在本发明实施例,预先设置各阶段与各子系统的对应关系,确定出用户所处的阶段后,基于阶段与子系统的对应关系即可确定与用户所处的阶段对应的子系统,从而利用对应的子系统确定用户对应的服务策略。
本发明实施例提供的用户管理方法,根据用户的行为数据确定用户所处的用户生命周期的阶段,然后采用CRM系统中与用户所处的阶段对应的子系统确定用户对应的服务策略。通过此种方式可以实现针对不同阶段的用户确定不同的服务策略,进而实现对用户的个性化服务。
下面以将本发明提供的用户管理方法应用于信贷产品为例,对用户管理方法进行详细描述。
如图3所示,为本发明的另一个实施例提供的用户管理方法,该方法可以应用于图1所示的CRM系统,如图3所示,该方法包括如下步骤:
S31.获取用户的行为数据。
在本发明实施例中,用户通常指的是已在目标产品中完成注册的用户,用户的行为数据可以包含用户的注册信息、登录时间、访问时间、服务操作信息等,其中,目标产品为使用该用户管理方法的产品。
在实际应用中,可以从目标产品中获取用户的行为日志,从行为日志中获取用户的行为数据。
S32.基于所述行为数据确定所述用户所处的用户生命周期的阶段,若确定所述用户所处的阶段为第一阶段,则执行S33,若确定所述用户所处的阶段为第二阶段,则执行S34,若确定所述用户所处的阶段为第三阶段,则执行S35。
在发明实施例中,用户生命周期包括第一阶段、第二阶段和第三阶段,三个阶段,不同的阶段对应的行为数据不同。
作为一个实施例,基于行为数据确定用户所处的用户生命周期的阶段,可以采用下述方式:
基于所述行为数据确定所述用户是否执行过第一预设行为,若确定所述用户未执行过第一预设行为,则确定所述用户处于用户生命周期的第一阶段,若确定所述用户执行过第一预设行为,则确定所述用户在距当前时间第一预设时长的时间段内是否执行过登录和访问行为,若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内执行过登录和访问行为,则确定所述用户处于用户生命周期的第二阶段,若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内未执行过登录和访问行为,则确定所述用户处于用户生命周期的第三阶段。
其中,第一预设行为根据实际情况设定,目标产品不同,对应的第一预设行为可能不同,例如在信贷产品中,第一预设行为可以为借贷行为,第一预设时长可以根据实际需求设定,例如可以为30天。
在实际应用中,以将本发明实施例提供的用户管理方法应用于信贷产品为例,第一预设行为为借贷行为,第一预设时长为30天,确定用户所处的用户生命周期的阶段,具体可以包括:
基于用户的行为数据确定用户是否执行过借贷行为,若确定用户未执行过借贷行为,则确定用户处于用户生命周期的第一阶段,若确定用户执行过借贷行为,则确定用户在距当前时间30天的时间段内(即之前的30天内,例如当前时间为2020年1月31日,则距当前时间30天的时间段就是2020年1月1-2020年1月30日)是否执行过登录和访问行为,若确定用户执行过借贷行为,且在距当前时间30天的时间段内执行过登录和访问行为,则确定用户处于用户生命周期的第二阶段,若确定用户执行过借贷行为,但在距当前时间30天的时间段内未执行过登录和访问行为,则确定用户处于用户生命周期的第三阶段。
通过上述确定用户所处的用户生命周期的阶段的方式可以看出,处于第一阶段的用户通常指已完成注册,但是还没有深入体验产品相关服务或功能的用户,也就是处于导入期的用户,处于第二阶段的用户通常指已较深入体验过产品相关的服务或功能的用户,例如执行过一次或多次借贷行为的用户,也即处于成长期或成熟期的用户,第三阶段的用户通常指一段时间内未登录和访问过的用户,例如之前处于成熟期,但一段时间未登录和访问的用户,或者超过一段时间未登录和访问的用户,也即处于休眠期或流失期的用户。
S33.利用预设的CRM系统中的第一子系统确定所述用户的服务方案,并利用所述CRM系统中的第二子系统确定所述用户的推荐方案。
S34.利用所述CRM系统中的第三子系统确定所述用户的提醒方式。
S35.利用所述CRM系统中的第四子系统确定所述用户的召回方案。
下面对S32-S35进行统一说明:
处于不同用户生命周期的阶段的用户的服务需求通常不同,但是现有的用户管理方法通常是针对所有的用户均采用统一的服务策略,单一的服务策略很难满足所有阶段的用户的需求,因此这就导致会有部分用户体验不佳,进而导致用户流失,而本申请为了提升用户体验,实现针对不同用户的个性化服务,预先设置CRM系统,并在CRM系统中预先针对各个阶段分别设置对应的子系统,进而针对不同阶段的用户采用不同的子系统确定对应的服务策略,实现了针对不同用户的个性化服务,有助于提升用户体验,进而减少用户的流失。
在本发明实施例中,预先在CRM系统中设置与第一阶段对应的第一子系统和第二子系统,其中第一子系统用于确定用户对应的服务方案,第二子系统用于确定用户对应的推荐方案,与第二阶段对应的第三子系统,其中第三子系统用于确定用户对应的提醒方式,以及与第三阶段对应的第四子系统,其中,第四子系统用于确定用户的召回方案。
作为一个实施例,参见图4,利用第一子系统确定用户的服务方案,可以包括如下步骤:
S41.构建用户的画像。
在本发明实施例中,可以获取用户的身份信息(比如年龄、性别、职业、归属地等)、在目标产品中的行为数据等信息,基于上述获取的信息构建用户的画像。
S42.将用户的画像输入预先训练好的第一模型,得到对应的输出结果,所述输出结果表示所述用户的投诉概率。
在本发明实施例中,预先在第一子系统封装用于预测用户投诉概率的第一模型。
作为一种可选的实现方式,第一模型可以采用下述方式训练:
获取样本数据集,所述样本数据集中包含多个样本用户的画像,以及与所述样本用户的投诉结果信息;确定进行用户投诉概率预测所基于的第一预测模型;将所述样本用户的画像作为所述第一预测模型的自变量,将所述投诉结果信息作为所述第一预测模型的因变量进行训练,得到所述第一模型。
其中,样本用户为目标产品中已注册的用户,其中包括发生过投诉的用户和未发生过投诉的用户,投诉结果信息即为表示用户是否发生过投诉的信息,例如可以为0或1表示,其中0表示用户未投诉过,1表示用户投诉过。具体的,可以通过获取目标产品中的用户投诉日志,基于用户投诉日志确定样本用户的投诉结果信息。
可选的,第一预测模型可以采用逻辑回归、xgboost、lightGBM、决策树、随机森林等机器学习模型或深度学习模型中的任意一种。
作为另一种可选的实现方式,第一模型中包含多个子模型,不同的子模型对应不同投诉类型,其中投诉类型可以基于投诉事件、投诉来源、投诉类型、投诉主题、投诉详情、涉及的第三方服务机构或处理结果等信息进行划分,例如将不同的投诉事件划分为不同的投诉类型,将不同的投诉来源划分为不同的投诉类型等,然后针对每种投诉类型分别训练对应的子模型。
具体的,第一模型的训练可以包括如下过程:
获取样本数据集,所述样本数据集中包含多个样本用户的画像,基于目标产品的用户投诉日志,确定多个样本用户的投诉结果信息以及投诉类型,基于投诉类型将样本数据集拆分为多个子样本数据集,每个子样本数据集均包含发生过投诉的用户和未发生过投诉的用户,相同子样本数据集中包含的发生过投诉的用户对应的投诉类型一致,不同子样本数据集中包含的发生过投诉的用户对应的投诉类型不一致;确定进行用户投诉概率预测所基于的第一预测模型;针对每个子样本数据集分别执行下述方法:将子样本数据集中样本用户的画像作为所述第一预测模型的自变量,将所述投诉结果信息作为所述第一预测模型的因变量,训练该子样本数据集对应的子模型。最后将所有子样本数据集对应的子模型组合成第一模型。通过此种方式,可以预测用户发生各种投诉类型的概率,便是实现对用户更精准的服务。
S43.基于预设的投诉概率与服务方案的对应关系,确定与所述用户的投诉概率对应的服务方案作为所述用户的服务方案。
作为一个实施例,可以预先设置投诉等级划分规则,以及投诉等级与服务方案的对应关系,其中,投诉等级划分规则中包含各投诉概率与投诉等级的对应关系,先基于投诉等级划分规则确定与用户的投诉概率对应的投诉等级,再基于投诉等级与服务方案的对应关系确定与用户的投诉等级对应的服务方案,以作为用户对应的服务方案。
示例性的,投诉概率为0-1之间的数值,投诉等级划分规则为:以0为起点,0.1为步长,1为终点,分成10个分数段,即分成10个投诉等级,投诉概率越大,投诉等级越高,处于高分数段的用户为高投诉偏好用户,低分数段用户的为低投诉偏好用户。对于不同投诉等级的用户,设置不同的服务方案,比如,对于投诉等级较高的用户,比如投诉等级大于预设等级的用户,其中预设等级可以根据需求设定,例如为5,为了避免投诉风险,将此类用户定义为非目标用户,针对非目标用户设置的服务方案为提高资源准入门槛,比如从预设的多个资源准入门槛中选取较高的资源准入门槛作为非目标用户的资源准入门槛,在信贷产品中,资源准入门槛可以为借贷准入条件,对于投诉偏好较低的用户,比如投诉等级小于预设等级的用户,其中预设用户可以根据需求设定,例如为3,定义为目标用户,针对目标用户设置的服务方案为降低准入门槛,便于提升用户满意度水平。
在本发明实施例中,针对处于第一阶段的用户通过第一子系统基于用户投诉概率确定用户对应的服务方案,避免对用户使用会引起投诉的服务方式,从而降低用户的投诉率,提升用户满意度。
作为一个实施例,参见图5,利用第二子系统确定用户的推荐方案,可以包括如下步骤:
S51.构建用户的第一特征向量。
在本发明实施例中,可以获取用户的身份信息和用户在目标产品中的行为数据,采用特征工程对获取的用户身份信息和行为数据进行特征提取,从而得到用户的第一特征向量。
S52.将用户的第一特征向量输入预先训练好的第二模型,得到输出结果,所述输出结果表示用户的响应概率。
在本发明实施例中,预先在第二子系统中封装用于预测用户响应概率的第二模型。
作为一个实施例,第二模型可以采用下述方式训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第一特征向量,以及与所述样本用户的响应结果信息,确定进行用户响应概率预测所基于的第二预测模型,将所述样本用户的第一特征向量作为所述第二预测模型的自变量,将所述响应结果信息作为所述第二预测模型的因变量进行训练,得到所述第二模型。
其中,样本用户为目标产品中已注册的用户,其中包括对推荐内容有响应的用户和对推荐内容没有响应的用户,响应结果信息即为表示用户是否对推荐内容有响应的信息,例如可以为0或1,其中0表示用户对推荐内容没有响应,1表示用户对推荐内容没有响应。具体的,可以根据目标产品中样本用户的行为数据来确定样本用户对推荐内容是否有响应,也即基于样本用户的行为数据确定样本用户的响应结果信息。
可选的,第二预测模型可以采用逻辑回归、xgboost、lightGBM、决策树、随机森林等机器学习模型或深度学习模型中的任意一种。
S53.基于预设的响应概率与推荐方案的对应关系,确定与所述用户的响应概率对应的推荐方案作为所述用户的推荐方案。
作为一个实施例,可以预先设置响应等级划分规则,以及响应等级与推荐方案的对应关系,其中,响应等级划分规则中包含各响应概率与响应等级的对应关系,先基于响应等级划分规则确定与用户的响应概率对应的响应等级,再基于响应等级与推荐方案的对应关系确定与用户的响应等级对应的推荐方案,以作为用户对应的推荐方案。
示例性的,响应概率为0-1之间的数值,响应等级的划分规则为:以0为起点,0.1为步长,1为终点,分成10个分数段,即分成10个响应等级,响应概率越大,对应的响应等级越高,处于高分数段的用户为激活可能性高的用户,将这些用户定义为潜在目标用户,比如将响应等级高于预设等级的用户确定为潜在目标用户,其中预设等级可以根据需求设定,例如为5,设置的与潜在目标用户对应的推荐方案可以为发送营销短信、送权益卡、营销短信等方式,提升用户的体验,便于对潜在目标用户进行激活,促进用户进入第二阶段,从而提升用户转化率。
在本发明实施例中,针对处于第一阶段的用户通过第二子系统基于用户的响应概率,挖掘潜在用户,并基于响应概率确定用户对应的推荐方案,使得推荐方案更符合用户需求,提升用户体验,进而提高用户转化率。
作为一个实施例,参见图6,利用第三子系统确定用户的提醒方式,可以包括如下步骤:
S61.构建用户的第二特征向量。
在本发明实施例中,可以获取用户的身份信息(比如年龄、性别、职业、归属地等)以及在目标产品中的行为数据等信息,然后利用特征工程对获取的上述数据进行特征提取,从而得到用户的第二特征向量。
S62.将所述特征向量输入预先训练好的第三模型,得到输出结果,所述输出结果表示所述用户的遗忘概率。
在本发明实施例中,预先在第三子系统封装用于预测用户遗忘概率的第三模型。
作为一个实施例,第三模型可以通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第二特征向量,以及与所述样本用户的遗忘结果信息;确定进行用户遗忘概率预测所基于的第三预测模型,将所述样本用户的第二特征向量作为所述第三预测模型的自变量,将所述遗忘结果信息作为所述第三预测模型的因变量进行训练,得到第三模型。
其中,样本用户为目标产品中已注册的用户,遗忘结果信息为表示用户是否忘记某一事件的信息,示例性的,在信贷产品中,遗忘结果信息可以为表示用户是否遗忘过还款的信息,则样本用户中就包括遗忘过还款的用户和未遗忘过还款的用户,遗忘结果信息可以为0或1,其中0表示用户未遗忘过还款,1表示用户遗忘过还款。具体的,可以根据样本用户的还款行为数据确定用户是否存在遗忘还款的情况,也即根据基于样本用户的还款行为数据确定样本用户的遗忘结果信息。
可选的,第三预测模型可以采用逻辑回归、xgboost、lightGBM、决策树、随机森林等机器学习模型或深度学习模型中的任意一种。
S63.基于预设的遗忘概率与提醒方式的对应关系,确定与所述用户的遗忘概率对应的提醒方式作为所述用户的提醒方式。
在本发明实施例中,预先设置多种提醒方式,比如APP消息提醒、短信提醒、电话提醒等方式,并设置遗忘概率与提醒方式的对应关系,从而在确定出遗忘概率后即可确定对应的提醒方式。
示例性的,得到的遗忘概率通常为0-1的数值,遗忘概率对应的数值越大,则表示用户遗忘还款的可能性越高。预设的遗忘概率与提醒方式的对应关系为:遗忘概率小于第一概率值的用户,采用轻度提醒方式,比如不提醒或APP消息提醒;遗忘概率大于等于第一概率值,且小于第二概率值的用户,采用中度提醒方式,比如短信提醒方式;遗忘概率大于等于第二概率值的用户,由于遗忘的概率较大针对此类用户采用重度提醒方式,比如电话提醒方式,以便降低用户遗忘的可能性,其中第一概率值和第二概率值可以根据需求设定,例如,第一概率值为0.4,第二概率值为0.7等。
在本发明实施例中,针对处于第二阶段的用户通过第三子系统基于用户的遗忘概率确定对应的提醒方式,对于遗忘概率较大的用户采用较强的提醒方式,针对遗忘概率较小的用户采用较弱的提醒方案,从而既能保证用户的工作生活不受影响,又能保证用户可以如期还款,避免遗忘还款对用户信用的影响,提升用户的满意度水平。
作为一个实施例,参见图7,利用第四子系统确定所述用户的召回方案,可以包括如下步骤:
S71.构建用户的第三特征向量。
在本发明实施例中,可以获取用户的身份信息(比如年龄、性别、职业、归属地等)以及在目标产品中的行为数据等信息,然后利用特征工程对获取的上述数据进行特征提取,从而得到用户的第三特征向量。
S72.将第三特征向量输入预先训练好的第四模型,得到输出结果,所述输出结果表示所述用户的流失概率。
在本发明实施例中,预先在第三子系统封装用于预测用户流失概率的第四模型。
作为一个实施例,第四模型可以通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第三特征向量,以及与所述样本用户的流失结果信息;确定进行用户流失概率预测所基于的第四预测模型;将所述样本用户的第三特征向量作为所述第四预测模型的自变量,将所述流失结果信息作为所述第四预测模型的因变量,训练所述第四模型。
其中,样本用户为目标产品中已注册的用户,样本用户中包含流失用户和非流失用户,流失结果信息则为表示用户是否为流失用户的信息,流失结果信息可以为0或1,其中0表示用户为非流失用户,1表示用户为流失用户。
示例性的,在信贷产品中,流失用户指已完成贷款流程的用户,若用户在完成贷款流程后的一定时间(比如30天)内重新来申请贷款,则确定用户为非流失用户,若用户在完成贷款流程后的一定时间(比如30天)内没有重新来申请贷款,则确定用户为流失用户,基于此,可以通过获取样本用户的行为数据,基于行为数据确定样本用户是否为流失用户,进而确定样本用户的流失结果信息。
可选的,第四预测模型可以采用逻辑回归、xgboost、lightGBM、决策树、随机森林等机器学习模型或深度学习模型中的任意一种。
S73.基于预设的流失概率与召回方案的对应关系,确定与所述用户的流失概率对应的召回方案作为所述用户的召回方案。
在本发明实施例中,预先设置流失等级划分规则和流失等级与召回方案的对应关系,其中流失等级划分规则中包含流失概率与流失等级的对应关系。在确定用户对应的召回方案时,可以先根据流失等级划分规则确定用户对应的流失等级,然后再基于流失等级与召回方案的对应关系确定用户对应的召回方案。
示例性的,流失概率为0-1之间的数值,预设的流失等级划分规则为:以0为起点,0.2为步长,1为终点,分成5个分数段,依次分成5个流失等级,流失等级越高说明用户流失的可能性越高,基于这一原理,可以确定处于高分数段(比如流失等级大于预设等级,其中预设等级根据需求设置,例如可以为3)中表现良好(比如没有遗忘还款情况,或遗忘还款概率低于预设概率,比如低于0.2)的用户,为流失预警用户,为了减少用户的流失,设置的流失等级与召回方案的对应关系为:对流失等级大于预设等级(即流失预警用户)采用目标召回方案,其中目标召回方案可以基于需求预先设置,例如可以为:提供VIP尊享服务、提升贷款额度、发起抽奖活动、积分赠送等方式。而对于流失等级不大于预设等级的用户,由于此类用户流失的概率比较小,所以可以先不采用召回方案。
在本发明实施例中,针对处于第三阶段的用户采用第四子系统,基于用户的流失概率确定对应的召回方案,以此对潜在流失用户设置预警及召回机制,从而保持用户的活跃度,有助于提升用户的服务体验和品质,便于召回即将流失的用户,有利于维系和提升用户关系。
进一步的,针对上述任意实施例中涉及的模型训练过程,针对不同的预测模型,具有不同的模型训练方法。但是其原理是类似的。例如对于逻辑回归模型而言,训练模型的过程,实际上是使用获取的样本数据集求解模型中未知参数的过程。其中,预测模型中的参数可以为:与每个自变量对应的权重系数,和附加系数。下面以对第一模型的训练为例,针对模型训练过程进行说明。
对模型训练的过程,即为对权重系数和附加系数进行求解的过程,也即:将每个样本用户的第一特征向量作为自变量的值,将与每个样本用户对应的响应结果信息作为因变量的值,计算预测模型中各个自变量的权重系数和预测模型的附加系数,得到训练后的模型。具体地,可以将样本数据集中样本用户的第一特征向量构成自变量矩阵,并将每个自变量的参数构成参数矩阵,将响应结果信息构成因变量矩阵,其中,自变量矩阵的列表征各个样本用户的第一特征向量,自变量矩阵的行表征每个样本用户;参数矩阵的行表征不同自变量对应的参数。因变量矩阵的行表征每个样本用户对应的响应结果信息。然后基于构成的自变量矩阵、参数矩阵以及因变量矩阵,将各样本用户的第一特征向量作为自变量矩阵中各个元素的值,并将响应结果信息作为因变量矩阵中各个元素的值,对参数矩阵进行求解,从而得到第一模型。
针对深度学习模型而言,需要预先构建深度学习网络,然后将样本数据集中样本用户的第一特征向量作为深度学习网络的输入,以及所述样本用户的响应结果信息作为参考结果,对深度学习网络进行有监督的训练,得到第二模型。
针对其他的预测模型,其训练方式均比较成熟,故可以采用现有的训练方式进行训练,本发明实施例不再一一赘述。
参见图8,为本发明另一实施例提供的一种用户管理装置的框图,如图8所示,该装置可以包括:
获取模块801,用于获取用户的行为数据;
阶段确定模块802,用于基于所述行为数据确定所述用户所处的用户生命周期的阶段,所述用户生命周期包括多个阶段;
服务策略确定模块803,用于采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,所述CRM系统中包括多个子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
作为一个实施例,用户生命周期包括第一阶段、第二阶段和第三阶段,阶段确定模块802具体用于:
基于所述行为数据确定所述用户是否执行过第一预设行为;
若确定所述用户未执行过第一预设行为,则确定所述用户处于用户生命周期的第一阶段;
若确定所述用户执行过第一预设行为,则确定所述用户在距当前时间第一预设时长的时间段内是否执行过登录和访问行为;
若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内执行过登录和访问行为,则确定所述用户处于用户生命周期的第二阶段;
若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内未执行过登录和访问行为,则确定所述用户处于用户生命周期的第三阶段。
作为一个实施例,CRM系统包括用于确定服务方案的第一子系统,用于确定推荐方案的第二子系统,用于确定提醒方式的第三子系统以及用于确定召回方案的第四子系统,服务策略确定模块803具体用于:
若确定所述用户所处的阶段为第一阶段,则利用所述第一子系统确定所述用户的服务方案,并利用所述第二子系统确定所述用户的推荐方案;
若确定所述用户所处的阶段为第二阶段,则利用所述第三子系统确定所述用户的提醒方式;
若确定所述用户所处的阶段为第三阶段,则利用所述第四子系统确定所述用户的召回方案。
作为一个实施例,所述利用所述第一子系统确定所述用户的服务方案,包括:
构建所述用户的画像;
将所述用户的画像输入预先训练好的第一模型,得到对应的输出结果,所述输出结果表示所述用户的投诉概率;
基于预设的投诉概率与服务方案的对应关系,确定与所述用户的投诉概率对应的服务方案作为所述用户的服务方案;
所述第一模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的画像,以及与所述样本用户的投诉结果信息;
确定进行用户投诉概率预测所基于的第一预测模型;
将所述样本用户的画像作为所述第一预测模型的自变量,将所述投诉结果信息作为所述第一预测模型的因变量进行训练,得到所述第一模型。
作为一个实施例,所述利用所述第二子系统确定所述用户的推荐方案,包括:
构建所述用户的第一特征向量;
将所述第一特征向量输入预先训练好的第二模型,得到输出结果,所述输出结果表示所述用户的响应概率;
基于预设的响应概率与推荐方案的对应关系,确定与所述用户的响应概率对应的推荐方案作为所述用户的推荐方案;
所述第二模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第一特征向量,以及与所述样本用户的响应结果信息;
确定进行用户响应概率预测所基于的第二预测模型;
将所述样本用户的第一特征向量作为所述第二预测模型的自变量,将所述响应结果信息作为所述第二预测模型的因变量进行训练,得到所述第二模型。
作为一个实施例,所述利用所述第三子系统确定所述用户的提醒方式,包括:
构建所述用户的第二特征向量;
将所述第二特征向量输入预先训练好的第三模型,得到输出结果,所述输出结果表示所述用户的遗忘概率;
基于预设的遗忘概率与提醒方式的对应关系,确定与所述用户的遗忘概率对应的提醒方式作为所述用户的提醒方式;
所述第三模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第二特征向量,以及与所述样本用户的遗忘结果信息;
确定进行用户遗忘概率预测所基于的第三预测模型;
将所述样本用户的第二特征向量作为所述第三预测模型的自变量,将所述遗忘结果信息作为所述第三预测模型的因变量进行训练,得到所述第三模型。
作为一个实施例,所述利用所述第四子系统确定所述用户的召回方案,包括:
构建所述用户的第三特征向量;
将所述第三特征向量输入预先训练好的第四模型,得到输出结果,所述输出结果表示所述用户的流失概率;
基于预设的流失概率与召回方案的对应关系,确定与所述用户的流失概率对应的召回方案作为所述用户的召回方案;
所述第四模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第三特征向量,以及与所述样本用户的流失结果信息;
确定进行用户流失概率预测所基于的第四预测模型;
将所述样本用户的第三特征向量作为所述第四预测模型的自变量,将所述流失结果信息作为所述第四预测模型的因变量进行训练,得到所述第四模型。
参见图9,为本发明的另一实施例提供的一种电子设备的结构示意图。
如图9所示,本实施例提供的电子设备900包括:至少一个处理器901、存储器902、至少一个网络接口903和其他用户接口904。电子设备900中的各个组件通过总线系统905耦合在一起。可理解,总线系统905用于实现这些组件之间的连接通信。总线系统905除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图9中将各种总线都标为总线系统905。
其中,用户接口904可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
可以理解,本发明实施例中的存储器902可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的存储器902旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器902存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统9021和第二应用程序9022。
其中,操作系统9021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。第二应用程序9022,包含各种第二应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在第二应用程序9022中。
在本发明实施例中,通过调用存储器902存储的程序或指令,具体的,可以是第二应用程序9022中存储的程序或指令,处理器901用于执行各方法实施例所提供的方法步骤,例如包括:
获取用户的行为数据;
基于所述行为数据确定所述用户所处的用户生命周期的阶段,所述用户生命周期包括多个阶段;
采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,所述CRM系统中包括多个子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
上述本发明实施例揭示的方法可以应用于处理器901中,或者由处理器901实现。处理器901可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器901中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器901可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器902,处理器901读取存储器902中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSPDevice,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文功能的单元来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中,存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述在电子设备侧执行的用户管理方法。
处理器用于执行存储器中存储的用户管理方法程序,以实现以下在电子设备侧执行的用户管理方法的步骤:
获取用户的行为数据;
基于所述行为数据确定所述用户所处的用户生命周期的阶段,所述用户生命周期包括多个阶段;
采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,所述CRM系统中包括多个子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种用户管理方法,其特征在于,所述方法包括:
获取用户的行为数据;
基于所述行为数据确定所述用户所处的用户生命周期的阶段,所述用户生命周期包括多个阶段;
采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,所述CRM系统中包括多个子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
2.根据权利要求1所述的方法,其特征在于,所述用户生命周期包括第一阶段、第二阶段和第三阶段,所述基于所述行为数据确定所述用户所处的用户生命周期的阶段,包括:
基于所述行为数据确定所述用户是否执行过第一预设行为;
若确定所述用户未执行过第一预设行为,则确定所述用户处于用户生命周期的第一阶段;
若确定所述用户执行过第一预设行为,则确定所述用户在距当前时间第一预设时长的时间段内是否执行过登录和访问行为;
若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内执行过登录和访问行为,则确定所述用户处于用户生命周期的第二阶段;
若确定所述用户执行过第一预设行为,且在距当前时间第一预设时长的时间段内未执行过登录和访问行为,则确定所述用户处于用户生命周期的第三阶段。
3.根据权利要求2所述的方法,其特征在于,所述CRM系统包括用于确定服务方案的第一子系统,用于确定推荐方案的第二子系统,用于确定提醒方式的第三子系统以及用于确定召回方案的第四子系统,所述采用CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,包括:
若确定所述用户所处的阶段为第一阶段,则利用所述第一子系统确定所述用户的服务方案,并利用所述第二子系统确定所述用户的推荐方案;
若确定所述用户所处的阶段为第二阶段,则利用所述第三子系统确定所述用户的提醒方式;
若确定所述用户所处的阶段为第三阶段,则利用所述第四子系统确定所述用户的召回方案。
4.根据权利要求3所述的方法,其特征在于,所述利用所述第一子系统确定所述用户的服务方案,包括:
构建所述用户的画像;
将所述用户的画像输入预先训练好的第一模型,得到对应的输出结果,所述输出结果表示所述用户的投诉概率;
基于预设的投诉概率与服务方案的对应关系,确定与所述用户的投诉概率对应的服务方案作为所述用户的服务方案;
所述第一模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的画像,以及与所述样本用户的投诉结果信息;
确定进行用户投诉概率预测所基于的第一预测模型;
将所述样本用户的画像作为所述第一预测模型的自变量,将所述投诉结果信息作为所述第一预测模型的因变量进行训练,得到所述第一模型。
5.根据权利要求3所述的方法,其特征在于,所述利用所述第二子系统确定所述用户的推荐方案,包括:
构建所述用户的第一特征向量;
将所述第一特征向量输入预先训练好的第二模型,得到输出结果,所述输出结果表示所述用户的响应概率;
基于预设的响应概率与推荐方案的对应关系,确定与所述用户的响应概率对应的推荐方案作为所述用户的推荐方案;
所述第二模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第一特征向量,以及与所述样本用户的响应结果信息;
确定进行用户响应概率预测所基于的第二预测模型;
将所述样本用户的第一特征向量作为所述第二预测模型的自变量,将所述响应结果信息作为所述第二预测模型的因变量进行训练,得到所述第二模型。
6.根据权利要求3所述的方法,其特征在于,所述利用所述第三子系统确定所述用户的提醒方式,包括:
构建所述用户的第二特征向量;
将所述第二特征向量输入预先训练好的第三模型,得到输出结果,所述输出结果表示所述用户的遗忘概率;
基于预设的遗忘概率与提醒方式的对应关系,确定与所述用户的遗忘概率对应的提醒方式作为所述用户的提醒方式;
所述第三模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第二特征向量,以及与所述样本用户的遗忘结果信息;
确定进行用户遗忘概率预测所基于的第三预测模型;
将所述样本用户的第二特征向量作为所述第三预测模型的自变量,将所述遗忘结果信息作为所述第三预测模型的因变量进行训练,得到所述第三模型。
7.根据权利要求3所述的方法,其特征在于,所述利用所述第四子系统确定所述用户的召回方案,包括:
构建所述用户的第三特征向量;
将所述第三特征向量输入预先训练好的第四模型,得到输出结果,所述输出结果表示所述用户的流失概率;
基于预设的流失概率与召回方案的对应关系,确定与所述用户的流失概率对应的召回方案作为所述用户的召回方案;
所述第四模型通过以下过程训练:
获取样本数据集,所述样本数据集中包含多个样本用户的第三特征向量,以及与所述样本用户的流失结果信息;
确定进行用户流失概率预测所基于的第四预测模型;
将所述样本用户的第三特征向量作为所述第四预测模型的自变量,将所述流失结果信息作为所述第四预测模型的因变量进行训练,得到所述第四模型。
8.一种用户管理装置,其特征在于,所述装置应用于CRM系统,所述装置包括:
获取模块,用于获取用户的行为数据;
阶段确定模块,用于基于所述行为数据确定所述用户所处的用户生命周期的阶段,所述用户生命周期包括多个阶段;
服务策略确定模块,用于采用预设的CRM系统中与所述用户所处的阶段对应的子系统确定与所述用户对应的服务策略,所述CRM系统中包括多个子系统,不同的子系统对应不同的用户生命周期的阶段,且不同的子系统封装有不同的服务策略确定方法。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的用户管理方法程序,以实现权利要求1-7任一所述的用户管理方法。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-7任一所述的用户管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581615.8A CN113298385A (zh) | 2021-05-26 | 2021-05-26 | 一种用户管理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581615.8A CN113298385A (zh) | 2021-05-26 | 2021-05-26 | 一种用户管理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298385A true CN113298385A (zh) | 2021-08-24 |
Family
ID=77325408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110581615.8A Pending CN113298385A (zh) | 2021-05-26 | 2021-05-26 | 一种用户管理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298385A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034888A (zh) * | 2022-06-16 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 信用服务提供方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN108510291A (zh) * | 2018-03-12 | 2018-09-07 | 北京图新智盛信息技术有限公司 | 基于车联网的汽车全生命周期服务平台和服务方法 |
CN111353792A (zh) * | 2020-05-25 | 2020-06-30 | 广东电网有限责任公司惠州供电局 | 一种可视化展现与数据分析的客户画像系统 |
CN111489095A (zh) * | 2020-04-15 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 一种风险用户管理方法、装置、计算机设备和存储介质 |
CN112507116A (zh) * | 2020-12-16 | 2021-03-16 | 平安科技(深圳)有限公司 | 基于客户应答语料的客户画像方法及其相关设备 |
CN112529630A (zh) * | 2020-12-17 | 2021-03-19 | 国网河北省电力有限公司营销服务中心 | 一种电力用户多维度信息化标签系统的构建方法 |
-
2021
- 2021-05-26 CN CN202110581615.8A patent/CN113298385A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN108510291A (zh) * | 2018-03-12 | 2018-09-07 | 北京图新智盛信息技术有限公司 | 基于车联网的汽车全生命周期服务平台和服务方法 |
CN111489095A (zh) * | 2020-04-15 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 一种风险用户管理方法、装置、计算机设备和存储介质 |
CN111353792A (zh) * | 2020-05-25 | 2020-06-30 | 广东电网有限责任公司惠州供电局 | 一种可视化展现与数据分析的客户画像系统 |
CN112507116A (zh) * | 2020-12-16 | 2021-03-16 | 平安科技(深圳)有限公司 | 基于客户应答语料的客户画像方法及其相关设备 |
CN112529630A (zh) * | 2020-12-17 | 2021-03-19 | 国网河北省电力有限公司营销服务中心 | 一种电力用户多维度信息化标签系统的构建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034888A (zh) * | 2022-06-16 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 信用服务提供方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11689663B2 (en) | Customer journey management | |
US11107118B2 (en) | Management of the display of online ad content consistent with one or more performance objectives for a webpage and/or website | |
Enders | Dealing with missing data in developmental research | |
US20200219114A1 (en) | Generation of subscription recommendations for content creators | |
US20170270432A1 (en) | System modernization using machine learning | |
US20100280935A1 (en) | System and Method for Creating and Managing Financially-Related Goals | |
US10984069B2 (en) | Generating user experience interfaces by integrating analytics data together with product data and audience data in a single design tool | |
JP6955888B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
US20140067472A1 (en) | System and Method For Segmenting A Customer Base | |
CA3019191A1 (en) | Method and system for determining optimized customer touchpoints | |
US11704705B2 (en) | Systems and methods for an intelligent sourcing engine for study participants | |
US20230385834A1 (en) | Product analysis platform to perform a facial recognition analysis to provide information associated with a product to a user | |
CN113168646A (zh) | 自适应数据平台 | |
US9536207B2 (en) | Using data obtained from an online social network to optimize subscription offers | |
CN113298385A (zh) | 一种用户管理方法、装置、电子设备及存储介质 | |
CN113610572A (zh) | 一种营销策略优化方法、装置以及电子设备 | |
CN110659979A (zh) | 预测违约损失率的方法和装置、存储介质及电子设备 | |
AU2019208236A1 (en) | Data platform and analytics for predicting media metrics | |
CN107944667B (zh) | 对象模型处理方法和装置 | |
US11494767B1 (en) | Electronic transaction verification system | |
KR20220016442A (ko) | 고객 관리를 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
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 |