CN113435912A - 基于客户画像的数据分析方法、装置、设备及介质 - Google Patents
基于客户画像的数据分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113435912A CN113435912A CN202110752066.6A CN202110752066A CN113435912A CN 113435912 A CN113435912 A CN 113435912A CN 202110752066 A CN202110752066 A CN 202110752066A CN 113435912 A CN113435912 A CN 113435912A
- Authority
- CN
- China
- Prior art keywords
- service
- client
- customer
- target
- portrait
- 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
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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及人工智能技术领域,尤其涉及一种基于客户画像的数据分析方法、装置、设备及介质。该基于客户画像的数据分析方法包括接收客户服务请求,获取预先构建的目标客户的客户画像;当客户画像为非空时,根据动态画像,统计目标客户的应用活跃度以及自助行为发生频率,以分析目标客户的一级服务策略;当客户服务请求为进线请求且服务方式为人工服务时,建立客服终端与目标客户的客户终端之间的通信连接,并实时采集通话数据;调用预先训练好的客户服务模型根据客户画像以及通话数据,分析目标客户对应的二级服务策略;基于二级服务策略,生成对应的服务提醒信息,该方法可有效提高客服人员服务作业的效率以及准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于客户画像的数据分析方法、装置、设备及介质。
背景技术
随者信息时代的飞速发展,各种用于客户服务的系统及平台也随之得到广泛应用。在客户服务领域中,企业一般会设定一套通用的客户服务策略,以辅助坐席进行客户服务。但由于不同客户的行为习惯不同,通用型的客户服务策略已无法满足不同客户的服务需求,使得客服人员在进行客户服务的过程中,无法更好以及更准确的服务不同的客户,进而导致客服作业效率低且客户体验差的问题。
发明内容
本发明实施例提供一种基于客户画像的数据分析方法、装置、设备及介质,以解决目前客户服务策略较为固定,针对性不强导致客服作业效率以及准确率低的问题。
一种基于客户画像的数据分析方法,包括:
接收客户服务请求,获取预先构建的目标客户的客户画像;其中,所述客户画像包括静态画像以及动态画像;
当所述客户画像为非空时,按照第一预设统计规则,根据所述动态画像分析所述目标客户对应的一级服务策略;其中,所述一级服务策略包括服务方式;
当所述客户服务请求为进线请求且所述服务方式为人工服务时,建立客服终端与所述目标客户的客户终端之间的通信连接,并实时采集通话数据;
调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,分析所述目标客户对应的二级服务策略;
基于所述二级服务策略,生成对应的服务提醒信息;其中,所述服务提醒信息用于指示客服人员进行服务作业。
一种基于客户画像的数据分析装置,包括:
客户画像获取模块,用于接收客户服务请求,获取预先构建的目标客户的客户画像;其中,所述客户画像包括静态画像以及动态画像。所述动态画像包括所述目标客户在应用端的历史行为数据;
第一统计模块,用于当所述客户画像为非空时,按照第一预设统计规则,根据所述动态画像,统计所述目标客户的应用活跃度以及自助行为发生频率;
第一服务分析模块,用于基于所述自助行为发生频率和所述应用活跃度,分析所述目标客户的一级服务策略。其中,所述一级服务策略包括服务方式。
通信模块,用于当所述客户服务请求为进线请求且所述服务方式为人工服务时,建立客服终端与所述目标客户的客户终端之间的通信连接,并实时采集通话数据。
第二服务策略分析模块,用于调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,分析所述目标客户对应的二级服务策略。
服务提醒模块,用于基于所述二级服务策略,生成对应的服务提醒信息;其中,所述服务提醒信息用于指示客服人员进行服务作业。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于客户画像的数据分析方法的步骤。
一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于客户画像的数据分析方法的步骤。
上述基于客户画像的数据分析方法、装置、设备及介质中,通过接收客户服务请求,获取预先构建的目标客户的客户画像,当客户画像为非空时,按照第一预设统计规则,根据动态画像,统计目标客户的应用活跃度以及自助行为发生频率,以基于自助行为发生频率和应用活跃度,分析目标客户的一级服务策略;当客户服务请求为进线请求且服务方式为人工服务时,建立客服终端与目标客户的客户终端之间的通信连接,并实时采集通话数据,调用预先训练好的客户服务模型根据客户画像以及通话数据,分析目标客户对应的二级服务策略,最后,基于二级服务策略,生成对应的服务提醒信息,以通过构建统一的客户服务驱动策略,实现对不同目标客户分析确定对应的多级服务策略,从而根据多级服务策略对目标客户进行针对性服务,提高客服人员服务作业的效率以及准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于客户画像的数据分析方法的一应用环境示意图;
图2是本发明一实施例中基于客户画像的数据分析方法的一流程图;
图3是本发明一实施例中基于客户画像的数据分析方法的一流程图;
图4是本发明一实施例中基于客户画像的数据分析方法的一流程图;
图5是图2中步骤S203的一具体流程图;
图6是本发明一实施例中基于客户画像的数据分析方法的一流程图;
图7是图2中步骤S205的一具体流程图;
图8是本发明一实施例中基于客户画像的数据分析方法的一流程图;
图9是本发明一实施例中基于客户画像的数据分析装置的一示意图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
该基于客户画像的数据分析方法可应用在如图1的应用环境中,其中,计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。
在一实施例中,如图2所示,提供一种基于客户画像的数据分析方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S201:接收客户服务请求,获取预先构建的目标客户的客户画像;其中,客户画像包括静态画像以及动态画像。动态画像包括目标客户在应用端的历史行为数据。
其中,本实施例可应用在一种服务策略预测系统,该系统可以工具形式嵌入至呼叫系统中,以针对外呼或呼入场景中所接入的不同客户预估对应的多级服务策略,以提高服务作业效率以及服务精准度。本实施例中,该客户服务请求包括呼出请求或呼入请求,即本实施例可应用于客服外呼场景或客户进线场景,当应用于外呼场景时,该客户服务请求为呼出请求;当应用于客户进线场景时,该客户服务请求为呼入(进线)请求。
示例性地,本实施例以应用于借款类客户服务进行说明,该客户画像可通过六种数据类型构建,包括基础信息(如姓名、性别、年龄、居住城市、行业职业等)、关系信息(如借款联系人信息等)、借款信息(如授信金额、放款金额、还款日、逾期次数等)、接触信息(如历史服务次数、来电时段、投诉次数、催收信息或诉讼信息等)、行为信息(如APP行为轨迹、公众号行为轨迹等)以及风险场景信息(如修改手机号、修改登录密码、异地登录、索要合同或发票等)。需要说明的是,针对其他场景的客户服务,上述信息可适应性调整,此处不做限定。
具体地,针对不同的客户预先构建有对应的客户画像,该客户画像包括静态画像以及动态画像;其中,静态画像包括用户的基础数据或周期性变化的数据,如基础信息、关系信息、借款信息等。动态画像包括客户的行为轨迹,例如行为信息、接触信息以及风险场景信息。
其中,历史行为数据包括但不限于APP行为轨迹和公众号行为轨迹,该APP行为轨迹包括但不限于登录行为、查询单证行为、查询合同行为以及修改账号行为等;该公众号行为轨迹包括但不限于登录行为、查询单证行为、查询合同行为以及修改账号行为等。
示例性地,对于本实施例中的客户画像的结构如下示例图所示。其中,客户画像以目标客户为行单位,以静态画像以及动态画像为列维度,即通过一多维矩阵表征。该多维矩阵中的每一行对应一目标客户的客户标识,该行对应的多列数据即包括该目标客户对应的静态画像(如基础信息、关系信息、借款信息)以及动态画像(如行为信息、接触信息以及风险场景信息)。上述不同类型的客户信息中,针对无法量化的信息,如基础信息、关系信息等可通过预先创建的映射表将每一信息进行编码描述,以得到客户画像,例如针对性别,可采用0或1表示,针对客户地址可通过设定的地址映射表映射描述。针对可量化的信息,如借款信息中的授信金额、放款金额、逾期次数,接触信息中的历史服务次数、来电时段以及投诉次数等可直接将对应的数值作为该信息的编码描述。
S202:当客户画像为非空时,按照第一预设统计规则,根据动态画像,统计目标客户的应用活跃度以及自助行为发生频率。
其中,服务方式包括人工服务以及自助服务。该第一预设统计规则包括但不限于通过应用端活跃度(APP、公众号或小程序等)以及自助行为(该自助行为即为客户在应用端使用自助服务的行为,例如查账行为)等因子进行综合判定。
具体地,当数据库中已存储的该目标客户的客户画像,即为非空时,则按照第一预设统计规则,根据动态画像,统计目标客户的应用活跃度以及自助行为发生频率。
需要说明的是,当客户服务请求为进线请求或外呼请求时,可通过实时分析该客户对应的一级服务策略,即可确定该客户的服务方式,进而自动切换至对应的服务方式;或者,可通过预先设定的定时任务对系统中预存的多个客户画像数据按照第一预设规则进行统计,以在接收到对应客户的客户服务请求时,直接获取该客户的一级服务策略,从而快速确定目标客户的服务方式。
S203:基于自助行为发生频率和应用活跃度,分析目标客户的一级服务策略,其中,一级服务策略包括服务方式。
具体地,通过统计客户在应用端的应用活跃度,即客户在应用端的登录频率,当登录频率大于预设频率阈值时,可认为该客户为高活跃度客户;将该高活跃度客户对应的高活跃度标识(例如1)作为应用活跃度这一维度所表征的特征值。该自助行为的发生频率即可作为自助行为这一维度对应的特征值,通过对应用活跃度以及自助行为发生频率进行加权计算,输出一服务倾向概率,以根据该服务倾向概率确定适合目标客户的服务方式。
S204:当客户服务请求为进线请求且服务方式为人工服务时,建立客服终端与目标客户的客户终端之间的通信连接,并实时采集通话数据。
S205:调用预先训练好的客户服务模型根据客户画像以及通话数据,分析目标客户对应的二级服务策略。
具体地,当客户服务请求为进线请求且所述服务方式为人工服务时,则建立客服终端与客户终端的通信连接,并实时采集通话数据。然后,调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,多维度分析所述目标客户对应的二级服务策略。其中,二级服务策略为基于客户服务模型预估客户风险,以针对不同风险客户进行的服务策略。二级服务策略指不同客户类型对应的服务策略。该二级服务策略包括但不限于高风险客户的服务策略、易投诉客户的服务策略、服务态度敏感客户的服务策略。
S206:基于二级服务策略,生成对应的服务提醒信息;其中,服务提醒信息用于指示客服人员进行服务作业。
具体地,根据二级服务策略,生成对应的服务提醒信息给客服人员,以辅助客服人员进行服务作业,提高客户服务人员的服务效率以及服务精准度。示例性地,针对高风险客户策略对应的服务提醒信息可包括但不限于切换至视频服务;易投诉客户服务策略对应的服务提醒信息可包括在提醒客服人员在进行客户服务时,注意客户情绪等。
具体地,该分析客户的二级服务策略的分析过程可在客户服务进行时,实时调用预先训练好的客户服务模型根据所述客户画像和通话数据分析确定或者预先调用客户服务模型通过客户画像分析确定系统中不同客户的二级服务策略。可以理解地是,该目标客户的二级服务策略若为预先确定,则步骤S204中,即可根据二级服务策略确定对应的客服人员,并在建立通信连接后通过实时采集通话数据,以便调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,分析所述目标客户对应的二级服务策略,即通过对实时采集的数据与客户画像进行综合分析,以确定目标客户的二级服务策略,避免由于预先初步确定的二级服务策略(即初始服务策略)仅根据客户的历史数据进行分析,准确度不高的问题。
其中,针对预先确定二级服务策略时所采用的客户服务模型中的输入数据为客户画像,而实时确定二级服务策略时,该客户服务模型的输入数据为历史数据即客户画像以及实时采集的通话数据。可以理解地是,针对预先确定二级服务策略(即初始服务策略)时,所采用的客户服务模型的输入数据为客户画像,而实时确定二级服务策略时,该客户服务模型的输入数据为历史数据即客户画像以及实时采集的通话数据。
本实施例中,通过接收客户服务请求,获取预先构建的目标客户的客户画像,当客户画像为非空时,按照第一预设统计规则,根据动态画像,统计目标客户的应用活跃度以及自助行为发生频率,以基于自助行为发生频率和应用活跃度,分析目标客户的一级服务策略;当客户服务请求为进线请求且服务方式为人工服务时,建立客服终端与目标客户的客户终端之间的通信连接,并实时采集通话数据,调用预先训练好的客户服务模型根据客户画像以及通话数据,分析目标客户对应的二级服务策略,最后,基于二级服务策略,生成对应的服务提醒信息,以通过构建统一的客户服务驱动策略,实现对不同目标客户分析确定对应的多级服务策略,从而根据多级服务策略对目标客户进行针对性服务,提高客服人员服务作业的效率以及准确率。
在一实施例中,如图3所示,步骤S202之后,该基于客户画像的数据分析方法还包括如下步骤:
S301:当客户服务请求为外呼请求时,按照第二预设统计规则,根据客户画像分析目标客户对应的三级服务策略;其中,三级服务策略包括目标接听时段。
其中,第二预设统计规则用于确定客户接听电话可能性较大的时段,即目标接听时段。具体地,为保证外呼成本,通过预先统计不同客户的目标接听时段,以在客服人员通过外呼模块外呼的有效性且可有效降低外呼成本。本实施例中,通过预先分析预存储的多个存在来电记录的第一客户,针对其对应的通话记录中的来点时段进行统计,以确定对应的目标接听时段。
S302:调用外呼模块在目标接听时段内,按照服务方式对客户终端进行外呼。
示例性地,由于该第一客户对应的来电时段为多个,故需要对多个来电时段进行整合分析,即第二预设统计规则包括首先可选取多个来电时段的交集作为目标接听时段、统计每一来电时段的来电次数,将来电次数最多的来电时段作为目标接听时段、根据客户的信息例如职业、天气状况等确定客户的目标接听时段又或者综合上述三种确定的目标接听时段,取其交集或加权计算,确定目标接听时段。其中,针对根据客户的信息预估客户的目标接听时段的方式,可根据客户的职业和/或当前的天气状况这两个维度进行预估,例如当客户职业为医生,其对应的接听时段为早上11:00-下午2:00和/或天气状况为阴雨天;当客户职业为餐饮业从业人员则对应的下午3:00到4:00。
进一步地,对于不存在来电记录的第二客户可将其对应的客户信息与第一客户的客户信息进行相似度匹配,确定与第二客户最匹配的第一客户所对应的目标接听时段作为该第二客户的目标接听时段。
在一实施例中,如图4所示,该基于客户画像的数据分析方法还包括如下步骤:
S401:接收客户服务请求,获取预先构建的目标客户的客户画像;其中,客户画像包括静态画像以及动态画像。
具体地,步骤S401的具体实现过程与步骤S201一致,为避免重复,此处不再赘述。
S402:当客户画像为非空时,按照第一预设统计规则,根据动态画像分析目标客户对应的一级服务策略;其中,一级服务策略包括服务方式。
具体地,步骤S402的具体实现过程与步骤S202一致,为避免重复,此处不再赘述。
S403:获取初始服务策略;其中,初始服务策略为预先通过客户服务模型分析客户画像得到。
S404:当客户服务请求为进线请求且服务方式为人工服务时,建立目标客服人员的客服终端与客户终端之间的通信连接,并实时采集通话数据。
具体地,通过预先调用客户服务模型通过客户画像分析确定系统中不同客户的二级服务策略,即初始服务策略,以在目标客户进线时,由于已知该目标客户的初始服务策略,即可针对性将该目标客户匹配至不同的目标客服人员进行客户服务。
示例性地,若该目标客户的初始服务策略指示该目标客户的客户类型为服务态度敏感客户,则可将该目标客户匹配经验丰富或客服人员基础信息与该目标客户的客户信息相匹配的目标客服人员,以对该类客户进行针对性服务。
S405:调用预先训练好的客户服务模型根据客户画像以及通话数据,分析目标客户对应的二级服务策略。
具体地,步骤S405的具体实现过程与步骤S204一致,为避免重复,此处不再赘述。
S406:基于二级服务策略,生成对应的服务提醒信息;其中,服务提醒信息用于指示客服人员进行服务作业。
具体地,步骤S406的具体实现过程与步骤S205一致,为避免重复,此处不再赘述。
在一实施例中,如图5所示,步骤S203中,即基于自助行为发生频率和应用活跃度,分析目标客户的一级服务策略,具体包括如下步骤:
S501:获取自助行为发生频率对应的第一权重以及应用活跃度对应的第二权重。
具体地,针对第一权重以及第二权重可预先设定或通过机器学习方式确定,此处不做限定。若通过机器学习方式,一种可实现的方式为通过预先标注服务方式(自助服务、人工服务)的客户样本(包括自助行为发生频率以及应用活跃度这两个特征因子)通过机器学习算法(如逻辑回归模型)针对上述客户样本以及对应的标注服务方式进行有监督学习,以确定上述特征因子的权重参数,即第一权重以及第二权重。
S502:基于第一权重以及第二权重,对自助行为发生频率和应用活跃度进行加权处理,得到服务倾向概率。
具体地,通过对应用活跃度以及自助行为发生频率进行加权计算,输出一服务倾向概率,以根据该服务倾向概率确定适合目标客户的服务方式。
S503:基于服务倾向概率,分析目标客户的服务方式。
具体地,该服务倾向概率包括自助服务对应的概率值以及人工服务对应的概率值,将两者概率值中,最大的概率值所对应的服务方式即作为该目标客户的一级服务策略。
在一实施例中,如图6所示,步骤S201之后,该基于客户画像的数据分析方法还包括如下步骤:
S601:当目标客户的客户画像为空时,采用默认服务方式作为一级服务策略。
S602:当客户服务请求为进线请求且服务方式为人工服务时,建立客服终端与目标客户的客户终端之间的通信连接,并实时采集通话数据。、
可以理解地是,针对系统中未存储的客户,即该客户的数据为空值,为保证客户服务的正常进行,可通过采取默认服务方式(例如智能服务)对客户进行服务,以建立通话连接,实时采集通话数据。
S603:提取通话数据中的目标客户的客户信息。
具体地,从实时采集的通话数据中通过包括但不限于关键词匹配的方式,匹配得到目标客户的客户信息例如性别、年龄等,以将该以便根据该实时采集的客户信息与系统中预存储的多个原始客户的客户画像(包括客户的职业、性别、年龄)进行相似度匹配,确定相似客户的服务方式,
本实施例中,通过针对客户画像为空的目标客户设置补偿机制,以保证客户服务驱动策略的正常执行。
S604:将目标客户的客户画像与预存储的多个原始客户的客户画像进行信息匹配,确定与目标客户匹配的相似客户。
S605:若相似客户对应的推荐服务方式与默认服务方式不同,则生成切换提醒信息;其中,切换提醒信息用于指示客服人员提示目标客户是否切换至推荐服务方式。
具体地,若当前默认服务方式与相似客户的推荐服务方式不同,则可自动生成服务方式的切换提醒,以便客服人员提醒目标客户是否需要切换当前的服务方式至推荐服务方式,实现服务策略的一键式切换。
在一实施例中,如图7所示,步骤S205中,即调用预先训练好的客户服务模型根据客户画像以及通话数据,分析目标客户对应的二级服务策略,具体包括如下步骤:
S701:从动态画像中抽取客户服务模型的第一输入数据。
S702:识别通话数据中的敏感关键词作为客户服务模型的第二输入数据。
其中,第一输入数据指历史记录客户画像数据,包括但不限于静态画像中的性别、年龄、居住城市、行业职业以及动态画像中的接触信息中的历史来电次数、历史投诉次数、诉讼信息以及风险场景信息中的修改登录密码、异地登录、查询行为等。第二输入数据指实时采集的通话数据,包括但不限于通话数据中的提及监管的敏感关键词,例如投诉、诉讼、处理速度慢、账单异常等等。
本实施例中,通过客户服务模型可输出多个二级服务策略包括但不限于高风险客户服务策略、投诉升级客户服务策略、服务态度敏感客户服务策略等等。
S703:将通话数据输入至预先训练好的情绪识别模型中,识别目标客户的情绪,以将目标客户的情绪作为客户服务模型的第三输入数据。
其中,情绪识别模型可预先通过标注好的训练样本进行机器学习(例如NB模型、随机森林模型、SVM分类模型、KNN分类模型模型等)得到。该训练样本包括标注好情绪类型的历史文本(该历史文本可为客户与客服沟通的历史记录),然后对该历史文本进行分词处理,得到多个词次,并通过开源的词典库将每一词次转化为词向量,将该词向量与对应的情绪类型(包括正面情绪和负面情绪)作为训练样本,通过机器学习以得到情绪识别模型。其中,分词处理可通过结巴分词工具实现。
S704:基于第一输入数据、第二输入数据以及第三输入数据,构建客户服务模型的待分析数据。
具体地,由于敏感关键词通过预先设定,若仅根据敏感关键词可能无法准确判断目标客户投诉的真实性和准确性,故本实施例中通过加入客户情绪这一特征因子进行建模,以准确判定该客户是否为服务态度敏感客户或投诉升级客户。
可以理解地是,本实施例中该客户服务模型预先通过标注好的训练样本进行机器学习得到,该训练样本的输入包括性别、年龄、居住城市、行业职业、历史来电次数、历史投诉次数、诉讼信息以及风险场景信息中的在最近一段时间内修改登录密码、在预设时段(例如30天)内多次(例如5次)异地登录、查询行为(例如查询合同单证)、实时通话数据中敏感关键词出现频率以及客户情绪等特征因子。该训练样本对应的标注数据为客户类型,每一客户类型对应一二级服务策略,该客户类型包括高风险客户、投诉升级客户以及服务态度敏感客户等。其中,机器学习包括但不限于采用逻辑回归、朴素贝叶斯分类、决策树或随机森林等算法实现,此处不做限定。
S705:将待分析数据输入至客户服务模型中,以分析目标客户对应的二级服务策略。
本实施例中,通过根据历史行为数据、实时通话数据以及客户情绪构建待分析数据,作为客户服务模型的输入,以综合多维度数据准确输出目标客户的二级服务策略。
在一实施例中,二级服务策略包括高风险客户服务策略;如图8所示,步骤S205之后,该基于客户画像的数据分析方法还包括如下步骤:
S801:建立视频客服终端与客户终端的通信连接,并实时采集客户终端录制的视频流;其中,视频流包括多帧视频图像。
本实施例中,由于高风险客户为异常客户,风险系数较高,故本实施例中需要将该目标客户转接至视频客服,以实时采集客户终端录制的视频流,以根据该视频流对目标客户进行身份验证,保证可客户账户的安全性。
S802:根据多帧视频图像进行身份验证,获取目标客户的身份验证结果。
S803:当身份验证结果为验证通过时,将目标客户作为模型优化的增量样本。
具体地,该视频流包括多帧视频图像,通过将多帧视频图像中的人脸信息与预存储的该目标客户的人脸信息进行匹配,若匹配,则认为当前视频中的客户为目标客户本人,身份验证通过,反之,则身份验证失败。
S804:在增量样本达到预设样本数量时,基于增量样本对客户服务模型进行训练,以优化客户服务模型。
具体地,在身份验证结果为验证通过时,将所述目标客户作为模型优化的增量样本,即认为该次来电数据可用于优化客户服务模型,当增量样本达到预设样本数量时,即可基于所述增量样本对所述客户服务模型进行训练,以不断优化所述客户服务模型,进一步提升客户服务模型的准确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于客户画像的数据分析装置,该基于客户画像的数据分析装置与上述实施例中基于客户画像的数据分析方法一一对应。如图9所示,该基于客户画像的数据分析装置包括客户画像获取模块10、第一统计模块20、第一服务分析模块30、通信模块40、第二服务策略分析模块50和服务提醒模块60。各功能模块详细说明如下:
客户画像获取模块10,用于接收客户服务请求,获取预先构建的目标客户的客户画像;其中,所述客户画像包括静态画像以及动态画像。所述动态画像包括所述目标客户在应用端的历史行为数据;
第一统计模块20,用于当所述客户画像为非空时,按照第一预设统计规则,根据所述动态画像,统计所述目标客户的应用活跃度以及自助行为发生频率;
第一服务分析模块30,用于基于所述自助行为发生频率和所述应用活跃度,分析所述目标客户的一级服务策略。其中,所述一级服务策略包括服务方式。
通信模块40,用于当所述客户服务请求为进线请求且所述服务方式为人工服务时,建立客服终端与所述目标客户的客户终端之间的通信连接,并实时采集通话数据。
第二服务策略分析模块50,用于调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,分析所述目标客户对应的二级服务策略。
服务提醒模块60,用于基于所述二级服务策略,生成对应的服务提醒信息;其中,所述服务提醒信息用于指示客服人员进行服务作业。
具体地,基于客户画像的数据分析装置还包括第二统计模块和外呼模块。
第二统计模块,用于当所述客户服务请求为外呼请求时,按照第二预设统计规则,根据所述客户画像分析所述目标客户对应的三级服务策略;其中,所述三级服务策略包括目标接听时段。
外呼模块,用于调用外呼模块在所述目标接听时段内,按照所述服务方式对所述客户终端进行外呼。
具体地,该基于客户画像的数据分析装置还包括数据获取模块和类簇数量确定模块。
初始服务策略获取模块,用于获取初始服务策略;其中,所述初始服务策略为预先通过所述客户服务模型分析所述客户画像得到。
目标客服人员获取模块,用于根据所述初始服务策略,确定对应的目标客服人员。
通信模块,用于建立所述目标客服人员的客服终端与所述客户终端之间的通信连接,并实时采集通话数据。
具体地,第一服务策略分析模块包括权重因子获取单元、加权处理单元和服务方式分析单元单元。
权重因子获取单元,用于获取所述自助行为发生频率对应的第一权重以及所述应用活跃度对应的第二权重;
加权处理单元,用于基于所述第一权重以及所述第二权重,对所述自助行为发生频率和所述应用活跃度进行加权处理,得到服务倾向概率;
服务方式分析单元,用于基于所述服务倾向概率,分析所述目标客户的服务方式。
具体地,该基于客户画像的数据分析装置还包括服务策略补偿模块、客户信息提取模块、信息匹配模块以及切换提醒模块。
服务策略补偿模块,用于当所述目标客户的客户画像为空时,采用默认服务方式作为所述一级服务策略。
客户信息提取模块,用于提取所述通话数据中的所述目标客户的客户信息。
信息匹配模块,用于将所述目标客户的客户画像与预存储的多个原始客户的客户画像进行信息匹配,确定与所述目标客户匹配的相似客户。
切换提醒模块,用于若所述相似客户对应的推荐服务方式与所述默认服务方式不同,则生成切换提醒信息;其中,所述切换提醒信息用于指示客服人员提示所述目标客户是否切换至所述推荐服务方式。
具体地,第二服务策略分析模块包括第一输入获取单元、第二输入获取单元、第三输入获取单元、待分析数据构建单元以及二级服务策略分析单元。
第一输入获取单元,用于从所述动态画像中抽取所述客户服务模型的第一输入数据。
第二输入获取单元,用于识别所述通话数据中的敏感关键词作为所述客户服务模型的第二输入数据。
第三输入获取单元,用于将所述通话数据输入至预先训练好的情绪识别模型中,识别所述目标客户的情绪,以将所述目标客户的情绪作为所述客户服务模型的第三输入数据。
待分析数据构建单元,用于基于所述第一输入数据、所述第二输入数据以及第三输入数据,构建所述客户服务模型的待分析数据。
二级服务策略分析单元,用于将所述待分析数据输入至所述客户服务模型中,以分析所述目标客户对应的二级服务策略。
具体地,该基于客户画像的数据分析装置还包括视频服务单元、身份验证单元、增量样本获取单元以及模型优化单元。
视频服务单元,用于建立视频客服终端与所述客户终端的通信连接,并实时采集所述客户终端录制的视频流;其中,所述视频流包括多帧视频图像。
身份验证单元,用于根据所述多帧视频图像进行身份验证,获取所述目标客户的身份验证结果。
增量样本获取单元,用于当所述身份验证结果为验证通过时,将所述目标客户作为模型优化的增量样本。
模型优化单元,用于在所述增量样本达到预设样本数量时,基于所述增量样本对所述客户服务模型进行训练,以优化所述客户服务模型。
关于基于客户画像的数据分析装置的具体限定可以参见上文中对于基于客户画像的数据分析方法的限定,在此不再赘述。上述基于客户画像的数据分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机存储介质、内存储器。该计算机存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行基于客户画像的数据分析方法过程中生成或获取的数据,如客户服务模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于客户画像的数据分析方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现上述实施例中的基于客户画像的数据分析方法的步骤,例如图2所示的步骤S201-S205,或者图3至图8中所示的步骤。或者,处理器执行计算机程序时实现基于客户画像的数据分析装置这一实施例中的各模块/单元的功能,例如图9所示的各模块/单元的功能,为避免重复,这里不再赘述。
在一实施例中,提供一计算机存储介质,该计算机存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中基于客户画像的数据分析方法的步骤,例如图2所示的步骤S201-S205,或者图3至图8中所示的步骤,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述基于客户画像的数据分析装置这一实施例中的各模块/单元的功能,例如图9所示的各模块/单元的功能,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于客户画像的数据分析方法,其特征在于,包括:
接收客户服务请求,获取预先构建的目标客户的客户画像;其中,所述客户画像包括静态画像以及动态画像;所述动态画像包括所述目标客户在应用端的历史行为数据;
当所述客户画像为非空时,按照第一预设统计规则,根据所述动态画像,统计所述目标客户的应用活跃度以及自助行为发生频率;
基于所述自助行为发生频率和所述应用活跃度,分析所述目标客户的一级服务策略;其中,所述一级服务策略包括服务方式;
当所述客户服务请求为进线请求且所述服务方式为人工服务时,建立客服终端与所述目标客户的客户终端之间的通信连接,并实时采集通话数据;
调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,分析所述目标客户对应的二级服务策略;
基于所述二级服务策略,生成对应的服务提醒信息;其中,所述服务提醒信息用于指示客服人员进行服务作业。
2.如权利要求1所述基于客户画像的数据分析方法,其特征在于,在所述按照第一预设统计规则,根据所述动态画像分析所述目标客户对应的一级服务策略之后,所述基于客户画像的数据分析方法还包括:
当所述客户服务请求为外呼请求时,按照第二预设统计规则,根据所述客户画像分析所述目标客户对应的三级服务策略;其中,所述三级服务策略包括目标接听时段;
调用外呼模块在所述目标接听时段内,按照所述服务方式对所述客户终端进行外呼。
3.如权利要求1所述基于客户画像的数据分析方法,其特征在于,在所述建立客服终端与所述目标客户的客户终端之间的通信连接之前,所述基于客户画像的数据分析方法还包括:
获取初始服务策略;其中,所述初始服务策略为预先通过所述客户服务模型分析所述客户画像得到;
根据所述初始服务策略,确定对应的目标客服人员;
所述建立客服终端与所述目标客户的客户终端之间的通信连接,包括:
建立所述目标客服人员的客服终端与所述客户终端之间的通信连接,并实时采集通话数据。
4.如权利要求1所述基于客户画像的数据分析方法,其特征在于,所述基于所述自助行为发生频率和所述应用活跃度,分析所述目标客户的一级服务策略,包括:
获取所述自助行为发生频率对应的第一权重以及所述应用活跃度对应的第二权重;
基于所述第一权重以及所述第二权重,对所述自助行为发生频率和所述应用活跃度进行加权处理,得到服务倾向概率;
基于所述服务倾向概率,分析所述目标客户的服务方式。
5.如权利要求1所述基于客户画像的数据分析方法,其特征在于,在所述接收客户服务请求,获取预先构建的目标客户的客户画像之后,所述基于客户画像的数据分析方法还包括:
当所述目标客户的客户画像为空时,采用默认服务方式作为所述一级服务策略;
在所述建立客服终端与所述目标客户的客户终端之间的通信连接,并实时采集通话数据之后,所述基于客户画像的数据分析方法,还包括:
提取所述通话数据中的所述目标客户的客户信息;
将所述目标客户的客户画像与预存储的多个原始客户的客户画像进行信息匹配,确定与所述目标客户匹配的相似客户;
若所述相似客户对应的推荐服务方式与所述默认服务方式不同,则生成切换提醒信息;其中,所述切换提醒信息用于指示客服人员提示所述目标客户是否切换至所述推荐服务方式。
6.如权利要求1所述基于客户画像的数据分析方法,其特征在于,所述调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,分析所述目标客户对应的二级服务策略,包括:
从所述动态画像中抽取所述客户服务模型的第一输入数据;
识别所述通话数据中的敏感关键词作为所述客户服务模型的第二输入数据;
将所述通话数据输入至预先训练好的情绪识别模型中,识别所述目标客户的情绪,以将所述目标客户的情绪作为所述客户服务模型的第三输入数据;
基于所述第一输入数据、所述第二输入数据以及第三输入数据,构建所述客户服务模型的待分析数据;
将所述待分析数据输入至所述客户服务模型中,以分析所述目标客户对应的二级服务策略。
7.如权利要求1所述基于客户画像的数据分析方法,其特征在于,所述二级服务策略包括高风险客户服务策略;在所述基于所述二级服务策略,生成对应的服务提醒信息之后,包括:
建立视频客服终端与所述客户终端的通信连接,并实时采集所述客户终端录制的视频流;其中,所述视频流包括多帧视频图像;
根据所述多帧视频图像进行身份验证,获取所述目标客户的身份验证结果;
当所述身份验证结果为验证通过时,将所述目标客户作为模型优化的增量样本;
在所述增量样本达到预设样本数量时,基于所述增量样本对所述客户服务模型进行训练,以优化所述客户服务模型。
8.一种基于客户画像的数据分析装置,其特征在于,包括:
客户画像获取模块,用于接收客户服务请求,获取预先构建的目标客户的客户画像;其中,所述客户画像包括静态画像以及动态画像。所述动态画像包括所述目标客户在应用端的历史行为数据;
第一统计模块,用于当所述客户画像为非空时,按照第一预设统计规则,根据所述动态画像,统计所述目标客户的应用活跃度以及自助行为发生频率;
第一服务分析模块,用于基于所述自助行为发生频率和所述应用活跃度,分析所述目标客户的一级服务策略。其中,所述一级服务策略包括服务方式。
通信模块,用于当所述客户服务请求为进线请求且所述服务方式为人工服务时,建立客服终端与所述目标客户的客户终端之间的通信连接,并实时采集通话数据。
第二服务策略分析模块,用于调用预先训练好的客户服务模型根据所述客户画像以及所述通话数据,分析所述目标客户对应的二级服务策略。
服务提醒模块,用于基于所述二级服务策略,生成对应的服务提醒信息;其中,所述服务提醒信息用于指示客服人员进行服务作业。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述基于客户画像的数据分析方法的步骤。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于客户画像的数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110752066.6A CN113435912A (zh) | 2021-06-29 | 2021-06-29 | 基于客户画像的数据分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110752066.6A CN113435912A (zh) | 2021-06-29 | 2021-06-29 | 基于客户画像的数据分析方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435912A true CN113435912A (zh) | 2021-09-24 |
Family
ID=77758777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110752066.6A Pending CN113435912A (zh) | 2021-06-29 | 2021-06-29 | 基于客户画像的数据分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435912A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114125154A (zh) * | 2021-11-12 | 2022-03-01 | 杭州摸象大数据科技有限公司 | 外呼策略参数调整方法、装置、计算机设备及存储介质 |
CN114238615A (zh) * | 2021-12-14 | 2022-03-25 | 淄博天大创新科技服务有限公司 | 一种企业服务成果数据处理方法及系统 |
CN114257524A (zh) * | 2021-12-17 | 2022-03-29 | 马上消费金融股份有限公司 | 一种通讯建立方法、装置及设备 |
CN114528448A (zh) * | 2022-02-25 | 2022-05-24 | 南京苏维博欣信息技术有限公司 | 一种全球外贸客户客户画像精准分析系统 |
CN114880713A (zh) * | 2022-06-30 | 2022-08-09 | 深圳红途科技有限公司 | 基于数据链路的用户行为分析方法、装置、设备及介质 |
CN115460323A (zh) * | 2022-09-06 | 2022-12-09 | 上海浦东发展银行股份有限公司 | 一种智能外呼转人工的方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103634472A (zh) * | 2013-12-06 | 2014-03-12 | 惠州Tcl移动通信有限公司 | 根据通话语音判断用户心情及性格的方法、系统及手机 |
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 |
CN109788020A (zh) * | 2017-11-13 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 一种坐席分配方法及相关设备 |
CN111444236A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于大数据的移动终端用户画像构建方法及系统 |
CN111667284A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 客服切换方法及装置 |
CN111739516A (zh) * | 2020-06-19 | 2020-10-02 | 中国—东盟信息港股份有限公司 | 一种针对智能客服通话的语音识别系统 |
-
2021
- 2021-06-29 CN CN202110752066.6A patent/CN113435912A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103634472A (zh) * | 2013-12-06 | 2014-03-12 | 惠州Tcl移动通信有限公司 | 根据通话语音判断用户心情及性格的方法、系统及手机 |
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 |
CN109788020A (zh) * | 2017-11-13 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 一种坐席分配方法及相关设备 |
CN111444236A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于大数据的移动终端用户画像构建方法及系统 |
CN111667284A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 客服切换方法及装置 |
CN111739516A (zh) * | 2020-06-19 | 2020-10-02 | 中国—东盟信息港股份有限公司 | 一种针对智能客服通话的语音识别系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114125154A (zh) * | 2021-11-12 | 2022-03-01 | 杭州摸象大数据科技有限公司 | 外呼策略参数调整方法、装置、计算机设备及存储介质 |
CN114238615A (zh) * | 2021-12-14 | 2022-03-25 | 淄博天大创新科技服务有限公司 | 一种企业服务成果数据处理方法及系统 |
CN114257524A (zh) * | 2021-12-17 | 2022-03-29 | 马上消费金融股份有限公司 | 一种通讯建立方法、装置及设备 |
CN114528448A (zh) * | 2022-02-25 | 2022-05-24 | 南京苏维博欣信息技术有限公司 | 一种全球外贸客户客户画像精准分析系统 |
CN114880713A (zh) * | 2022-06-30 | 2022-08-09 | 深圳红途科技有限公司 | 基于数据链路的用户行为分析方法、装置、设备及介质 |
CN115460323A (zh) * | 2022-09-06 | 2022-12-09 | 上海浦东发展银行股份有限公司 | 一种智能外呼转人工的方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435912A (zh) | 基于客户画像的数据分析方法、装置、设备及介质 | |
WO2020037942A1 (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
CN115526363A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
WO2017133615A1 (zh) | 一种业务参数获取方法及装置 | |
CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
CN109376237A (zh) | 客户稳定性的预测方法、装置、计算机设备和存储介质 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN110674131A (zh) | 财务报表数据处理方法、装置、计算机设备和存储介质 | |
US11985153B2 (en) | System and method for detecting anomalous activity based on a data distribution | |
CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
US11811708B2 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
EP4085332A1 (en) | Creating predictor variables for prediction models from unstructured data using natural language processing | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN115082209A (zh) | 业务数据风险预警方法、装置、计算机设备及存储介质 | |
US11735188B2 (en) | System and method for detecting fraud rings | |
CN112995414A (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN115034886A (zh) | 一种违约风险预测方法及装置 | |
CN110969261A (zh) | 基于加密算法的模型构建方法及相关设备 | |
CN112818868B (zh) | 基于行为序列特征数据的违规用户识别方法和装置 | |
CN114581098A (zh) | 客群分类方法、装置、计算机设备和存储介质 | |
CN114417045A (zh) | 基于神经网络保险案件抽检方法、系统、设备及存储介质 | |
CN114707488B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
US11799734B1 (en) | Determining future user actions using time-based featurization of clickstream data | |
US20230048437A1 (en) | System And Method for Providing Advisory Notifications to Mobile Applications |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |