CN113674065A - 基于服务触点的业务推荐方法、装置、电子设备及介质 - Google Patents
基于服务触点的业务推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113674065A CN113674065A CN202111005716.7A CN202111005716A CN113674065A CN 113674065 A CN113674065 A CN 113674065A CN 202111005716 A CN202111005716 A CN 202111005716A CN 113674065 A CN113674065 A CN 113674065A
- Authority
- CN
- China
- Prior art keywords
- target
- client
- service
- recommendation
- label
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本发明涉及人工智能技术领域,提供一种基于服务触点的业务推荐方法、装置、电子设备及介质,所述方法包括:获取每个服务触点的多个客户及每个客户的多个标签;计算每个服务触点的每个客户的每个标签内每个标签值的方差,确定出每个服务触点对应的多个目标客户;根据多个目标客户的多个目标评分创建目标客户池宽表;解析目标客户池宽表中的客户信息,构建客户线索池生成每个目标客户的实时线索推荐文案,并根据实时线索推荐文案进行业务推荐。本发明通过服务触点挖掘目标客户,并为每个目标客户生成实时线索推荐文案进行业务推荐,相比于随机挖掘新客户进行业务推荐,提高了推荐业务的成功率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于服务触点的业务推荐方法、装置、电子设备及介质。
背景技术
互联网发展迅速,大多数业务可以通过选择电话客服和APP在线客服进行业务办理,现有技术通过客服对客户的问题进行归类并打上标签,根据标签与资源库中当前主推产品进行匹配后,下发推荐的客户名单进行产品推荐。
然而,通过人工打标签,存在一定的误差,引起下发推荐的客户准确率低,导致产品推荐的准确率低,同时根据标签与资源库中当前主推产品进行匹配后下发,流程漫长,导致产品推荐的时效性差,效率低。
因此,有必要提出一种可以快速准确的推荐产品的方法。
发明内容
鉴于以上内容,有必要提出一种基于服务触点的业务推荐方法、装置、电子设备及介质,通过服务触点挖掘目标客户,并为每个目标客户生成实时线索推荐文案进行业务推荐,相比于随机挖掘新客户进行业务推荐,提高了推荐业务的成功率。
本发明的第一方面提供一种基于服务触点的业务推荐方法,所述方法包括:
响应于接收到的业务推荐请求,获取目标业务名称;
基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值;
计算每个所述服务触点的每个所述客户的每个标签内每个标签值的方差,根据计算得到的方差确定出每个所述服务触点对应的多个目标客户;
将所述多个目标客户及每个目标客户的多个目标标签输入至预先训练好的评分预测模型中,得到每个目标客户的目标评分;
根据所述多个目标客户的多个目标评分创建目标客户池宽表;
解析所述目标客户池宽表中每个所述目标客户的客户信息,构建客户线索池;
基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案,并根据每个所述目标客户的实时线索推荐文案进行业务推荐。
可选地,所述基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签包括:
获取所述目标业务名称的预设的多个服务触点的多个调用接口,根据所述多个调用接口组成调用接口列表;
通过所述调用接口列表的第一个调用接口开始依次获取对应的服务触点的多个客户及每个客户的多个标签。
可选地,所述根据计算得到的方差确定出每个所述服务触点对应的多个目标客户包括:
判断每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差是否满足对应服务触点预设的筛选条件;
当每个所述客户的每个标签内的每个标签值的方差满足对应服务触点预设的筛选条件时,将所述方差对应的每个标签值确定每个所述客户的每个目标标签值;
从预设的数据库中确定出与每个所述服务触点的多个客户的多个目标标签值相匹配的多个客户,确定为每个所述服务触点对应的多个目标客户。
可选地,所述根据所述多个目标客户的多个目标评分创建目标客户池宽表包括:
对所述多个客户的多个目标评分进行降序排序,并按照降序排序结果初始化所述目标业务对应的预设的客户池宽表;
解析每个所述目标客户的多个目标标签对应的客户信息,获取所述预设的客户池宽表对应的多个第一运算参数;
解析所述预设的客户池宽表,以获取每个目标标签单元格的位置信息及对应的逻辑运算公式;
从所述多个第一运算参数中读取每个目标标签单元格的逻辑运算公式对应的多个第二运算参数,并将所述每个目标标签对应的客户信息与对应的多个第二运算参数进行关联;
根据每个目标标签的单元格的位置信息,将关联后的每个目标标签的客户信息加载至所述预设的客户池宽表中,得到目标客户池宽表。
可选地,所述解析所述客户池宽表中每个所述目标客户的客户信息,构建客户线索池包括:
解析每个所述目标客户的每个目标标签对应的客户信息,提取出存在关联关系的线索客户;
关联每个所述目标客户与提取出的线索客户,并根据关联后的每个所述目标客户构建客户线索池。
可选地,所述基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案包括:
获取每个所述目标客户的预设的每个所述服务触点的多个目标标签的多个目标标签值;
将每个所述目标标签值与预设的推荐值数据库进行匹配,得到每个所述目标标签值对应的第一推荐值;
计算所述第一推荐值与对应目标标签值的预设的权重值的乘积,得到每个所述标签值对应的第二推荐值;
计算多个第二推荐值之和,得到预设的每个所述服务触点的第三推荐值;
根据每个所述服务触点的第三推荐值生成每个所述目标客户的实时线索推荐文案。
可选地,所述根据每个所述目标客户的实时线索推荐文案进行业务推荐包括:
识别每个所述目标客户是否存在第一推荐人;
当每个所述目标客户存在第一推荐人时,按照预设的推送方式将每个所述目标客户的实时线索推荐文案推送至所述第一推荐人;或者
当每个所述目标客户不存在第一推荐人时,将每个所述目标客户对应的实时线索推荐文案存储至公共营销资源池,并在预设时间段内按照所述预设的推送方式随机推送至第二推荐人。
本发明的第二方面提供一种基于服务触点的业务推荐装置,所述装置包括:
第一获取模块,用于响应于接收到的业务推荐请求,获取目标业务名称;
第二获取模块,用于基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值;
计算模块,用于计算每个所述服务触点的每个所述客户的每个标签内每个标签值的方差,根据计算得到的方差确定出每个所述服务触点对应的多个目标客户;
输入模块,用于将所述多个目标客户及每个目标客户的多个目标标签输入至预先训练好的评分预测模型中,得到每个目标客户的目标评分;
创建模块,用于根据所述多个目标客户的多个目标评分创建目标客户池宽表;
解析模块,用于解析所述目标客户池宽表中每个所述目标客户的客户信息,构建客户线索池;
生成模块,用于基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案,并根据每个所述目标客户的实时线索推荐文案进行业务推荐。
本发明的第三方面提供一种电子设备,所述电子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计算机程序时实现所述的基于服务触点的业务推荐方法。
本发明的第四方面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计算机程序,所述计算机程序被处理器执行时实现所述的基于服务触点的业务推荐方法。
综上所述,本发明所述的基于服务触点的业务推荐方法、装置、电子设备及介质,一方面,基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,通过从所述目标业务的多个预设的服务触点挖掘出底层数据,即多个客户和每个客户的多个标签及每个标签对应的多个标签值,可以有效避免人工标注标签带来的低效率和错漏的现象,提高了确定出的目标客户的准确率和完整性;另一方面,通过评分预测模型得到每个客户的目标评分,根据每个客户的目标评分创建客户池宽表,并对客户池宽表中的目标客户进行解析,创建客户线索池,将每个目标客户扩展到对应客户信息中所有存在关联关系的客户,为每个目标客户引入客户关系链,进一步提高了目标客户的实时线索的准确率和完整性;最后,为每个所述目标客户生成实时线索推荐文案,并进行业务推荐,相比于随机挖掘新客户进行业务推荐,提高了推荐业务的成功率,同时在预设时间段内按照预设的推送方式推送实时线索推荐文案进行业务推荐,确保实时线索推荐文案推送的多样性和灵活性,提高了业务推荐的时效性和客户的满意度。
附图说明
图1是本发明实施例一提供的基于服务触点的业务推荐方法的流程图。
图2是本发明实施例二提供的基于服务触点的业务推荐装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的基于服务触点的业务推荐方法的流程图。
在本实施例中,所述基于服务触点的业务推荐方法可以应用于电子设备中,对于需要进行基于服务触点的业务推荐的电子设备,可以直接在电子设备上集成本发明的方法所提供的基于服务触点的业务推荐的功能,或者以软件开发工具包(SoftwareDevelopment Kit,SDK)的形式运行在电子设备中。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。
如图1所示,所述基于服务触点的业务推荐方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,响应于接收到的业务推荐请求,获取目标业务名称。
本实施例中,用户在进行业务推荐时,需要获取目标业务对应的实时线索推荐文案,通过实时线索推荐文案进行目标业务推荐,具体地,通过客户端发起业务推荐请求至服务端,具体地,所述客户端可以是智能手机、IPAD或者其他现有的智能设备,所述服务端可以为业务推荐子系统,在业务推荐过程中,如所述客户端可以向业务推荐子系统发送业务推荐请求,所述业务推荐子系统用于接收所述客户端发送的业务推荐请求,并解析接收到的业务推荐请求,以获取目标业务名称。
S12,基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值。
本实施例中,不同的业务对应的服务触点不同,根据历史业务经验预先为每个业务预设一个或者多个服务触点。
例如,针对保险行业,预设的多个服务触点可以包括:理赔、生存金、权益、IB电话等。本实施例中,每个服务触点存在至少一个客户,每个服务触点的每个客户包含有多个标签,每个标签包含有多个标签值,例如,每个客户的多个服务触点包含有画像标签、活跃统计标签、消费历史标签及抽象标签,具体地,所述画像标签包含人口属性值、资产特征值、圈子特征值及需求偏好值;活跃统计标签包含模块点击值、产品点击值、圈子留言值及搜索词频值;消费历史标签包含购买频率值、购买金额值、购买产品值及缺口测算值;抽象标签包含阅读资讯分群值、圈子留言分群值及搜索词分群值。
在一个可选的实施例中,所述基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签包括:
获取所述目标业务名称的预设的多个服务触点的多个调用接口,根据所述多个调用接口组成调用接口列表;
通过所述调用接口列表的第一个调用接口开始依次获取对应的服务触点的多个客户及每个客户的多个标签。
本实施例中,不同的服务触点对应不同的调用接口,通过从对应的调用接口获取对应的客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值。
本实施例中,从对应的调用接口具有针对性的获取客户,提高了获取客户的准确率。
S13,计算每个所述服务触点的每个所述客户的每个标签内每个标签值的方差,根据计算得到的方差确定出每个所述服务触点对应的多个目标客户。
本实施例中,在获取到每个所述服务触点的多个客户及每个客户的多个标签及每个标签的多个标签值之后,为了避免标签值为0值或者空值,计算每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差,根据计算得到的方差确定出目标标签值,根据目标标签值确定出每个所述服务触点对应的多个目标客户。
在一个可选的实施例中,所述根据计算得到的方差确定出每个所述服务触点对应的多个目标客户包括:
判断每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差是否满足对应服务触点预设的筛选条件;
当每个所述客户的每个标签内的每个标签值的方差满足对应服务触点预设的筛选条件时,将所述方差对应的每个标签值确定每个所述客户的每个目标标签值;
从预设的数据库中确定出与每个所述服务触点的多个客户的多个目标标签值相匹配的多个客户,确定为每个所述服务触点对应的多个目标客户。
本实施例中,可以预先设置筛选条件,具体地,所述预设的筛选条件可以通过机器学习历史客户的每个标签的标签值的方差设置,根据计算得到方差确定每个标签内的多个标签值之间的关联度,根据关联度确定每个标签值的信息价值,根据每个标签值的信息价值反推出对应每个所述客户的目标标签值,其中,所述信息价值可以用来衡量每个标签值对预测能力的影响,信息价值的值越大,确定每个标签值对预测能力的影响越大。
进一步地,所述方法还包括:
当每个所述客户的每个标签内的每个标签值的方差不满足对应服务触点预设的筛选条件时,移除所述方差对应的每个标签值。
本实施例中,当每个所述客户的每个标签内的每个标签值的方差不满足对应服务触点预设的筛选条件时,确定所述方差对应的每个标签值对预测能力的影响较小,移除所述方差对应的每个标签值。
本实施例中,通过计算每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差,根据计算得到的方差确定每个所述客户的多个目标标签值,根据每个所述服务触点对应的多个目标标签值反推出多个目标客户,确保了得到的多个目标客户的多个标签值不为0值、空值及不满足预设要求的值,避免了0值或者空值等脏数据进行评分预测模型中,进而提高了后续评分预测模型的预测准确率及效率。
本实施例中,通过从所述目标业务的多个预设的服务触点挖掘出底层数据,即多个客户和每个客户的多个标签及每个标签对应的多个标签值,可以有效避免人工标注标签带来的低效率和错漏的现象,提高了确定出的目标客户的准确率和完整性。
S14,将所述多个目标客户及每个目标客户的多个目标标签输入至预先训练好的评分预测模型中,得到每个目标客户的目标评分。
本实施例中,可以预先训练评分预测模型,在得到多个目标客户及每个目标客户的多个目标标签时,将所述多个目标客户及每个目标客户的多个目标标签输入至所述评分预测模型中,得到每个目标客户的目标评分。
具体地,所述评分预测模型的训练过程包括:
获取目标业务的预设的多个服务触点的多个历史客户,及每个历史客户的多个标签、及每个标签的多个标签值,按照预设的指标筛选条件对所述多个历史客户进行筛选处理,得到多个第一客户;
对所述多个第一客户的多个标签的多个标签值进行逻辑回归处理,得到多个第二客户;
将所述多个第二客户的多个标签的多个标签值作为样本数据集;
从所述样本数据集中划分出训练集和测试集;
将所述训练集输入预设神经网络中进行训练,得到评分预测模型;
将所述测试集输入至所述评分预测模型中进行测试,并计算测试通过率;
若所述测试通过率大于或者等于预设通过率阈值,确定所述评分预测模型训练结束;若所述测试通过率小于预设通过率阈值,增加训练集的数量,重新进行评分预测模型的训练。
本实施例中,针对不同目标业务,获取每个目标业务的预设的多个服务触点的多个历史客户的多个标签的多个标签值,并多个历史客户进行筛选处理和逻辑回归处理,将不满足目标业务的或者不是所述目标业务的预设的多个服务触点的客户进行了删除,确保了样本数据集中第二客户的准确性,进而提高评分预测模型的准确性,同时,在后续服务过程中,通过不断的新增样本数据集训练评分预测模型,从而不断的提高评分预测模型的准确率。
S15,根据所述多个目标客户的多个目标评分创建目标客户池宽表。
本实施例中,所述目标客户池宽表用于存放所述多个目标客户及每个目标客户的客户信息。
在一个可选的实施例中,所述根据所述多个目标客户的多个目标评分创建目标客户池宽表包括:
对所述多个客户的多个目标评分进行降序排序,并按照降序排序结果初始化所述目标业务对应的预设的客户池宽表;
解析每个所述目标客户的多个目标标签对应的客户信息,获取所述预设的客户池宽表对应的多个第一运算参数;
解析所述预设的客户池宽表,以获取每个目标标签单元格的位置信息及对应的逻辑运算公式;
从所述多个第一运算参数中读取每个目标标签单元格的逻辑运算公式对应的多个第二运算参数,并将所述每个目标标签对应的客户信息与对应的多个第二运算参数进行关联;
根据每个目标标签的单元格的位置信息,将关联后的每个目标标签的客户信息加载至所述预设的客户池宽表中,得到目标客户池宽表。
本实施例中,按照从高到低的顺序依次将每个所述目标客户及每个所述目标客户的客户信息写入预设的客户池宽表的对应位置,统一了客户池宽表的数据格式,提高了目标客户池宽表的管理效率。
本实施例中,由于目标评分越高,代表向所述目标客户推荐业务成功的概率越高,通过将目标客户按照目标评分从高到低的顺序加入目标客户池宽表中,可以直观的确定出易推荐业务的客户,提高了业务推荐的成功率及效率。
S16,解析所述目标客户池宽表中每个所述目标客户的客户信息,构建客户线索池。
本实施例中,客户线索池用以存放每个目标客户可扩展的其他客户。
在一个可选的实施例中,所述解析所述客户池宽表中每个所述目标客户的客户信息,构建客户线索池包括:
解析每个所述目标客户的每个目标标签对应的客户信息,提取出存在关联关系的线索客户;
关联每个所述目标客户与提取出的线索客户,并根据关联后的每个所述目标客户构建客户线索池。
本实施例中,在为目标客户创建客户池宽表时,服务端加载目标客户的同时,将每个目标客户对应的客户信息加载至客户池宽表中,若针对保单业务,可以自动关联目标客户名下所有保单中包含的投保人、被保人和受益人信息,便于扩大有效客户的数量挖掘,及更多客户相关的有价值信息。
示例性地,目标客户A和客户B在某个时间节点之前的保单受益人都是父母,在某时间点之后的保单,他们互为受益人,可以推断出目标客户A和客户B可能的结婚日期,根据挖掘的上述信息从所述目标客户A的实时线索中扩展客户B,并将所述客户B加载至客户线索池中。
本实施例中,通过评分预测模型得到每个客户的目标评分,根据每个客户的目标评分创建客户池宽表,并对客户池宽表中的目标客户进行解析,创建客户线索池,将每个目标客户扩展到对应客户信息中所有存在关联关系的客户,为每个目标客户引入客户关系链,进一步提高了目标客户的实时线索的准确率和完整性。
S17,基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案,并根据每个所述目标客户的实时线索推荐文案进行业务推荐。
本实施例中,由于业务之间存在关联性,通过解析每个所述目标客户的实时线索,可以为每个所述目标客户生成实时线索推荐文案,推荐人根据推荐的实时线索推荐文案进行业务推荐。
在一个可选的实施例中,所述基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案包括:
获取每个所述目标客户的预设的每个所述服务触点的多个目标标签的多个目标标签值;
将每个所述目标标签值与预设的推荐值数据库进行匹配,得到每个所述目标标签值对应的第一推荐值;
计算所述第一推荐值与对应目标标签值的预设的权重值的乘积,得到每个所述标签值对应的第二推荐值;
计算多个第二推荐值之和,得到预设的每个所述服务触点的第三推荐值;
根据每个所述服务触点的第三推荐值生成每个所述目标客户的实时线索推荐文案。
本实施例中,不同的目标标签值对应不同的预设的权重值,通过计算每个所述服务触点对应的每个客户的每个标签的每个所述标签值对应的第三推荐值,在第三推荐值的计算过程中考虑到了每个标签值的权重占比,确保了得到的第三推荐值的准确率,同时根据计算得到的第三推荐值生成实时线索推荐文案,提高了生成的实时线索推荐文案的准确率。
在一个可选的实施例中,所述根据每个所述目标客户的实时线索推荐文案进行业务推荐包括:
识别每个所述目标客户是否存在第一推荐人;
当每个所述目标客户存在第一推荐人时,按照预设的推送方式将每个所述目标客户的实时线索推荐文案推送至所述第一推荐人;或者
当每个所述目标客户不存在第一推荐人时,将每个所述目标客户对应的实时线索推荐文案存储至公共营销资源池,并在预设时间段内按照所述预设的推送方式随机推送至第二推荐人。
本实施例中,所述第一推荐人用以表征推荐的目标业务的代理人是否还存在,所述第二推荐人用以表征推荐的目标业务的代理人不存在,随机重新分配的代理人,具体地,当每个所述目标客户对应的代理人还存在时,按照预设的推送方式将每个所述目标客户的实时线索推荐文案推送至所述代理人进行业务推荐,相比于随机挖掘新客户进行业务推荐,提高了推荐业务的成功率;当每个所述目标客户对应的代理人不存在时,将每个所述目标客户的实时线索推荐文案存储至公共营销资源池,并在预设时间段内随机推送至第二推荐人进行业务推荐,具体地,可以预设实时线索推荐文案的推送时间,所述预设的时间段可以设置为12个小时,确保在12个小时内将对应目标客户的实时线索推荐文案下发至第二推荐人进行业务推荐,提高了业务推荐的时效性和客户的满意度。
本实施例中,可以预先设置推送方式,具体地,所述预设的推送方式可以包括通过企业微信、语音客服、短信等多种推送方式融合进行实时线索推荐文案的推送,提高了实时线索推荐文案推送的多样性和灵活性。
综上所述,本实施例所述的一种基于服务触点的业务推荐方法,一方面,基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,通过从所述目标业务的多个预设的服务触点挖掘出底层数据,即多个客户和每个客户的多个标签及每个标签对应的多个标签值,可以有效避免人工标注标签带来的低效率和错漏的现象,提高了确定出的目标客户的准确率和完整性;另一方面,通过评分预测模型得到每个客户的目标评分,根据每个客户的目标评分创建客户池宽表,并对客户池宽表中的目标客户进行解析,创建客户线索池,将每个目标客户扩展到对应客户信息中所有存在关联关系的客户,为每个目标客户引入客户关系链,进一步提高了目标客户的实时线索的准确率和完整性;最后,为每个所述目标客户生成实时线索推荐文案,并进行业务推荐,相比于随机挖掘新客户进行业务推荐,提高了推荐业务的成功率,同时在预设时间段内按照预设的推送方式推送实时线索推荐文案进行业务推荐,确保实时线索推荐文案推送的多样性和灵活性,提高了业务推荐的时效性和客户的满意度。
实施例二
图2是本发明实施例二提供的基于服务触点的业务推荐装置的结构图。
在一些实施例中,所述基于服务触点的业务推荐装置20可以包括多个由程序代码段所组成的功能模块。所述基于服务触点的业务推荐装置20中的各个程序段的程序代码可以存储于电子设备的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)基于服务触点的业务推荐的功能。
本实施例中,所述基于服务触点的业务推荐装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:第一获取模块201、第二获取模块202、计算模块203、输入模块204、创建模块205、解析模块206及生成模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
第一获取模块201,用于响应于接收到的业务推荐请求,获取目标业务名称。
本实施例中,用户在进行业务推荐时,需要获取目标业务对应的实时线索推荐文案,通过实时线索推荐文案进行目标业务推荐,具体地,通过客户端发起业务推荐请求至服务端,具体地,所述客户端可以是智能手机、IPAD或者其他现有的智能设备,所述服务端可以为业务推荐子系统,在业务推荐过程中,如所述客户端可以向业务推荐子系统发送业务推荐请求,所述业务推荐子系统用于接收所述客户端发送的业务推荐请求,并解析接收到的业务推荐请求,以获取目标业务名称。
第二获取模块202,用于基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值。
本实施例中,不同的业务对应的服务触点不同,根据历史业务经验预先为每个业务预设一个或者多个服务触点。
例如,针对保险行业,预设的多个服务触点可以包括:理赔、生存金、权益、IB电话等。本实施例中,每个服务触点存在至少一个客户,每个服务触点的每个客户包含有多个标签,每个标签包含有多个标签值,例如,每个客户的多个服务触点包含有画像标签、活跃统计标签、消费历史标签及抽象标签,具体地,所述画像标签包含人口属性值、资产特征值、圈子特征值及需求偏好值;活跃统计标签包含模块点击值、产品点击值、圈子留言值及搜索词频值;消费历史标签包含购买频率值、购买金额值、购买产品值及缺口测算值;抽象标签包含阅读资讯分群值、圈子留言分群值及搜索词分群值。
在一个可选的实施例中,所述第二获取模块202基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签包括:
获取所述目标业务名称的预设的多个服务触点的多个调用接口,根据所述多个调用接口组成调用接口列表;
通过所述调用接口列表的第一个调用接口开始依次获取对应的服务触点的多个客户及每个客户的多个标签。
本实施例中,不同的服务触点对应不同的调用接口,通过从对应的调用接口获取对应的客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值。
本实施例中,从对应的调用接口具有针对性的获取客户,提高了获取客户的准确率。
计算模块203,用于计算每个所述服务触点的每个所述客户的每个标签内每个标签值的方差,根据计算得到的方差确定出每个所述服务触点对应的多个目标客户。
本实施例中,在获取到每个所述服务触点的多个客户及每个客户的多个标签及每个标签的多个标签值之后,为了避免标签值为0值或者空值,计算每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差,根据计算得到的方差确定出目标标签值,根据目标标签值确定出每个所述服务触点对应的多个目标客户。
在一个可选的实施例中,所述计算模块203根据计算得到的方差确定出每个所述服务触点对应的多个目标客户包括:
判断每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差是否满足对应服务触点预设的筛选条件;
当每个所述客户的每个标签内的每个标签值的方差满足对应服务触点预设的筛选条件时,将所述方差对应的每个标签值确定每个所述客户的每个目标标签值;
从预设的数据库中确定出与每个所述服务触点的多个客户的多个目标标签值相匹配的多个客户,确定为每个所述服务触点对应的多个目标客户。
本实施例中,可以预先设置筛选条件,具体地,所述预设的筛选条件可以通过机器学习历史客户的每个标签的标签值的方差设置,根据计算得到方差确定每个标签内的多个标签值之间的关联度,根据关联度确定每个标签值的信息价值,根据每个标签值的信息价值反推出对应每个所述客户的目标标签值,其中,所述信息价值可以用来衡量每个标签值对预测能力的影响,信息价值的值越大,确定每个标签值对预测能力的影响越大。
进一步地,当每个所述客户的每个标签内的每个标签值的方差不满足对应服务触点预设的筛选条件时,移除所述方差对应的每个标签值。
本实施例中,当每个所述客户的每个标签内的每个标签值的方差不满足对应服务触点预设的筛选条件时,确定所述方差对应的每个标签值对预测能力的影响较小,移除所述方差对应的每个标签值。
本实施例中,通过计算每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差,根据计算得到的方差确定每个所述客户的多个目标标签值,根据每个所述服务触点对应的多个目标标签值反推出多个目标客户,确保了得到的多个目标客户的多个标签值不为0值、空值及不满足预设要求的值,避免了0值或者空值等脏数据进行评分预测模型中,进而提高了后续评分预测模型的预测准确率及效率。
本实施例中,通过从所述目标业务的多个预设的服务触点挖掘出底层数据,即多个客户和每个客户的多个标签及每个标签对应的多个标签值,可以有效避免人工标注标签带来的低效率和错漏的现象,提高了确定出的目标客户的准确率和完整性。
输入模块204,用于将所述多个目标客户及每个目标客户的多个目标标签输入至预先训练好的评分预测模型中,得到每个目标客户的目标评分。
本实施例中,可以预先训练评分预测模型,在得到多个目标客户及每个目标客户的多个目标标签时,将所述多个目标客户及每个目标客户的多个目标标签输入至所述评分预测模型中,得到每个目标客户的目标评分。
具体地,所述评分预测模型的训练过程包括:
获取目标业务的预设的多个服务触点的多个历史客户,及每个历史客户的多个标签、及每个标签的多个标签值,按照预设的指标筛选条件对所述多个历史客户进行筛选处理,得到多个第一客户;
对所述多个第一客户的多个标签的多个标签值进行逻辑回归处理,得到多个第二客户;
将所述多个第二客户的多个标签的多个标签值作为样本数据集;
从所述样本数据集中划分出训练集和测试集;
将所述训练集输入预设神经网络中进行训练,得到评分预测模型;
将所述测试集输入至所述评分预测模型中进行测试,并计算测试通过率;
若所述测试通过率大于或者等于预设通过率阈值,确定所述评分预测模型训练结束;若所述测试通过率小于预设通过率阈值,增加训练集的数量,重新进行评分预测模型的训练。
本实施例中,针对不同目标业务,获取每个目标业务的预设的多个服务触点的多个历史客户的多个标签的多个标签值,并多个历史客户进行筛选处理和逻辑回归处理,将不满足目标业务的或者不是所述目标业务的预设的多个服务触点的客户进行了删除,确保了样本数据集中第二客户的准确性,进而提高评分预测模型的准确性,同时,在后续服务过程中,通过不断的新增样本数据集训练评分预测模型,从而不断的提高评分预测模型的准确率。
创建模块205,用于根据所述多个目标客户的多个目标评分创建目标客户池宽表。
本实施例中,所述目标客户池宽表用于存放所述多个目标客户及每个目标客户的客户信息。
在一个可选的实施例中,所述创建模块205根据所述多个目标客户的多个目标评分创建目标客户池宽表包括:
对所述多个客户的多个目标评分进行降序排序,并按照降序排序结果初始化所述目标业务对应的预设的客户池宽表;
解析每个所述目标客户的多个目标标签对应的客户信息,获取所述预设的客户池宽表对应的多个第一运算参数;
解析所述预设的客户池宽表,以获取每个目标标签单元格的位置信息及对应的逻辑运算公式;
从所述多个第一运算参数中读取每个目标标签单元格的逻辑运算公式对应的多个第二运算参数,并将所述每个目标标签对应的客户信息与对应的多个第二运算参数进行关联;
根据每个目标标签的单元格的位置信息,将关联后的每个目标标签的客户信息加载至所述预设的客户池宽表中,得到目标客户池宽表。
本实施例中,按照从高到低的顺序依次将每个所述目标客户及每个所述目标客户的客户信息写入预设的客户池宽表的对应位置,统一了客户池宽表的数据格式,提高了目标客户池宽表的管理效率。
本实施例中,由于目标评分越高,代表向所述目标客户推荐业务成功的概率越高,通过将目标客户按照目标评分从高到低的顺序加入目标客户池宽表中,可以直观的确定出易推荐业务的客户,提高了业务推荐的成功率及效率。
解析模块206,用于解析所述目标客户池宽表中每个所述目标客户的客户信息,构建客户线索池。
本实施例中,客户线索池用以存放每个目标客户可扩展的其他客户。
在一个可选的实施例中,所述解析模块206解析所述客户池宽表中每个所述目标客户的客户信息,构建客户线索池包括:
解析每个所述目标客户的每个目标标签对应的客户信息,提取出存在关联关系的线索客户;
关联每个所述目标客户与提取出的线索客户,并根据关联后的每个所述目标客户构建客户线索池。
本实施例中,在为目标客户创建客户池宽表时,服务端加载目标客户的同时,将每个目标客户对应的客户信息加载至客户池宽表中,若针对保单业务,可以自动关联目标客户名下所有保单中包含的投保人、被保人和受益人信息,便于扩大有效客户的数量挖掘,及更多客户相关的有价值信息。
示例性地,目标客户A和客户B在某个时间节点之前的保单受益人都是父母,在某时间点之后的保单,他们互为受益人,可以推断出目标客户A和客户B可能的结婚日期,根据挖掘的上述信息从所述目标客户A的实时线索中扩展客户B,并将所述客户B加载至客户线索池中。
本实施例中,通过评分预测模型得到每个客户的目标评分,根据每个客户的目标评分创建客户池宽表,并对客户池宽表中的目标客户进行解析,创建客户线索池,将每个目标客户扩展到对应客户信息中所有存在关联关系的客户,为每个目标客户引入客户关系链,进一步提高了目标客户的实时线索的准确率和完整性。
生成模块207,用于基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案,并根据每个所述目标客户的实时线索推荐文案进行业务推荐。
本实施例中,由于业务之间存在关联性,通过解析每个所述目标客户的实时线索,可以为每个所述目标客户生成实时线索推荐文案,推荐人根据推荐的实时线索推荐文案进行业务推荐。
在一个可选的实施例中,所述生成模块207基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案包括:
获取每个所述目标客户的预设的每个所述服务触点的多个目标标签的多个目标标签值;
将每个所述目标标签值与预设的推荐值数据库进行匹配,得到每个所述目标标签值对应的第一推荐值;
计算所述第一推荐值与对应目标标签值的预设的权重值的乘积,得到每个所述标签值对应的第二推荐值;
计算多个第二推荐值之和,得到预设的每个所述服务触点的第三推荐值;
根据每个所述服务触点的第三推荐值生成每个所述目标客户的实时线索推荐文案。
本实施例中,不同的目标标签值对应不同的预设的权重值,通过计算每个所述服务触点对应的每个客户的每个标签的每个所述标签值对应的第三推荐值,在第三推荐值的计算过程中考虑到了每个标签值的权重占比,确保了得到的第三推荐值的准确率,同时根据计算得到的第三推荐值生成实时线索推荐文案,提高了生成的实时线索推荐文案的准确率。
在一个可选的实施例中,所述生成模块207根据每个所述目标客户的实时线索推荐文案进行业务推荐包括:
识别每个所述目标客户是否存在第一推荐人;
当每个所述目标客户存在第一推荐人时,按照预设的推送方式将每个所述目标客户的实时线索推荐文案推送至所述第一推荐人;或者
当每个所述目标客户不存在第一推荐人时,将每个所述目标客户对应的实时线索推荐文案存储至公共营销资源池,并在预设时间段内按照所述预设的推送方式随机推送至第二推荐人。
本实施例中,所述第一推荐人用以表征推荐的目标业务的代理人是否还存在,所述第二推荐人用以表征推荐的目标业务的代理人不存在,随机重新分配的代理人,具体地,当每个所述目标客户对应的代理人还存在时,按照预设的推送方式将每个所述目标客户的实时线索推荐文案推送至所述代理人进行业务推荐,相比于随机挖掘新客户进行业务推荐,提高了推荐业务的成功率;当每个所述目标客户对应的代理人不存在时,将每个所述目标客户的实时线索推荐文案存储至公共营销资源池,并在预设时间段内随机推送至第二推荐人进行业务推荐,具体地,可以预设实时线索推荐文案的推送时间,所述预设的时间段可以设置为12个小时,确保在12个小时内将对应目标客户的实时线索推荐文案下发至第二推荐人进行业务推荐,提高了业务推荐的时效性和客户的满意度。
本实施例中,可以预先设置推送方式,具体地,所述预设的推送方式可以包括通过企业微信、语音客服、短信等多种推送方式融合进行实时线索推荐文案的推送,提高了实时线索推荐文案推送的多样性和灵活性。
综上所述,本实施例所述的一种基于服务触点的业务推荐装置,一方面,基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,通过从所述目标业务的多个预设的服务触点挖掘出底层数据,即多个客户和每个客户的多个标签及每个标签对应的多个标签值,可以有效避免人工标注标签带来的低效率和错漏的现象,提高了确定出的目标客户的准确率和完整性;另一方面,通过评分预测模型得到每个客户的目标评分,根据每个客户的目标评分创建客户池宽表,并对客户池宽表中的目标客户进行解析,创建客户线索池,将每个目标客户扩展到对应客户信息中所有存在关联关系的客户,为每个目标客户引入客户关系链,进一步提高了目标客户的实时线索的准确率和完整性;最后,为每个所述目标客户生成实时线索推荐文案,并进行业务推荐,相比于随机挖掘新客户进行业务推荐,提高了推荐业务的成功率,同时在预设时间段内按照预设的推送方式推送实时线索推荐文案进行业务推荐,确保实时线索推荐文案推送的多样性和灵活性,提高了业务推荐的时效性和客户的满意度。
实施例三
参阅图3所示,为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据,例如安装在所述电子设备3中的基于服务触点的业务推荐装置20,并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),可选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
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。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中,结合图2,所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于服务触点的业务推荐装置20)、程序代码等,例如,上述的各个模块。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器31中的程序代码,并由所述至少一个处理器32所执行,从而实现所述各个模块的功能以达到基于服务触点的业务推荐的目的。
示例性的,所述程序代码可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器32执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如,所述程序代码可以被分割成第一获取模块201、第二获取模块202、计算模块203、输入模块204、创建模块205、解析模块206及生成模块207。
在本发明的一个实施例中,所述存储器31存储多个计算机可读指令,所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于服务触点的业务推荐的功能。
具体地,所述至少一个处理器32对上述指令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。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,既可以位于一个地方,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图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。本发明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。第一,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)
1.一种基于服务触点的业务推荐方法,其特征在于,所述方法包括:
响应于接收到的业务推荐请求,获取目标业务名称;
基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值;
计算每个所述服务触点的每个所述客户的每个标签内每个标签值的方差,根据计算得到的方差确定出每个所述服务触点对应的多个目标客户;
将所述多个目标客户及每个目标客户的多个目标标签输入至预先训练好的评分预测模型中,得到每个目标客户的目标评分;
根据所述多个目标客户的多个目标评分创建目标客户池宽表;
解析所述目标客户池宽表中每个所述目标客户的客户信息,构建客户线索池;
基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案,并根据每个所述目标客户的实时线索推荐文案进行业务推荐。
2.如权利要求1所述的基于服务触点的业务推荐方法,其特征在于,所述基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签包括:
获取所述目标业务名称的预设的多个服务触点的多个调用接口,根据所述多个调用接口组成调用接口列表;
通过所述调用接口列表的第一个调用接口开始依次获取对应的服务触点的多个客户及每个客户的多个标签。
3.如权利要求1所述的基于服务触点的业务推荐方法,其特征在于,所述根据计算得到的方差确定出每个所述服务触点对应的多个目标客户包括:
判断每个所述服务触点的每个所述客户的每个标签内的每个标签值的方差是否满足对应服务触点预设的筛选条件;
当每个所述客户的每个标签内的每个标签值的方差满足对应服务触点预设的筛选条件时,将所述方差对应的每个标签值确定每个所述客户的每个目标标签值;
从预设的数据库中确定出与每个所述服务触点的多个客户的多个目标标签值相匹配的多个客户,确定为每个所述服务触点对应的多个目标客户。
4.如权利要求1所述的基于服务触点的业务推荐方法,其特征在于,所述根据所述多个目标客户的多个目标评分创建目标客户池宽表包括:
对所述多个客户的多个目标评分进行降序排序,并按照降序排序结果初始化所述目标业务对应的预设的客户池宽表;
解析每个所述目标客户的多个目标标签对应的客户信息,获取所述预设的客户池宽表对应的多个第一运算参数;
解析所述预设的客户池宽表,以获取每个目标标签单元格的位置信息及对应的逻辑运算公式;
从所述多个第一运算参数中读取每个目标标签单元格的逻辑运算公式对应的多个第二运算参数,并将所述每个目标标签对应的客户信息与对应的多个第二运算参数进行关联;
根据每个目标标签的单元格的位置信息,将关联后的每个目标标签的客户信息加载至所述预设的客户池宽表中,得到目标客户池宽表。
5.如权利要求1所述的基于服务触点的业务推荐方法,其特征在于,所述解析所述客户池宽表中每个所述目标客户的客户信息,构建客户线索池包括:
解析每个所述目标客户的每个目标标签对应的客户信息,提取出存在关联关系的线索客户;
关联每个所述目标客户与提取出的线索客户,并根据关联后的每个所述目标客户构建客户线索池。
6.如权利要求1所述的基于服务触点的业务推荐方法,其特征在于,所述基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案包括:
获取每个所述目标客户的预设的每个所述服务触点的多个目标标签的多个目标标签值;
将每个所述目标标签值与预设的推荐值数据库进行匹配,得到每个所述目标标签值对应的第一推荐值;
计算所述第一推荐值与对应目标标签值的预设的权重值的乘积,得到每个所述标签值对应的第二推荐值;
计算多个第二推荐值之和,得到预设的每个所述服务触点的第三推荐值;
根据每个所述服务触点的第三推荐值生成每个所述目标客户的实时线索推荐文案。
7.如权利要求1所述的基于服务触点的业务推荐方法,其特征在于,所述根据每个所述目标客户的实时线索推荐文案进行业务推荐包括:
识别每个所述目标客户是否存在第一推荐人;
当每个所述目标客户存在第一推荐人时,按照预设的推送方式将每个所述目标客户的实时线索推荐文案推送至所述第一推荐人;或者
当每个所述目标客户不存在第一推荐人时,将每个所述目标客户对应的实时线索推荐文案存储至公共营销资源池,并在预设时间段内按照所述预设的推送方式随机推送至第二推荐人。
8.一种基于服务触点的业务推荐装置,其特征在于,所述装置包括:
第一获取模块,用于响应于接收到的业务推荐请求,获取目标业务名称;
第二获取模块,用于基于所述目标业务名称对应的预设的多个服务触点,获取每个所述服务触点的多个客户及每个客户的多个标签,其中,每个标签包含有至少一个标签值;
计算模块,用于计算每个所述服务触点的每个所述客户的每个标签内每个标签值的方差,根据计算得到的方差确定出每个所述服务触点对应的多个目标客户;
输入模块,用于将所述多个目标客户及每个目标客户的多个目标标签输入至预先训练好的评分预测模型中,得到每个目标客户的目标评分;
创建模块,用于根据所述多个目标客户的多个目标评分创建目标客户池宽表;
解析模块,用于解析所述目标客户池宽表中每个所述目标客户的客户信息,构建客户线索池;
生成模块,用于基于所述客户线索池中每个所述目标客户的实时线索生成每个所述目标客户的实时线索推荐文案,并根据每个所述目标客户的实时线索推荐文案进行业务推荐。
9.一种电子设备,其特征在于,所述电子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计算机程序时实现如权利要求1至7中任意一项所述的基于服务触点的业务推荐方法。
10.一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中任意一项所述的基于服务触点的业务推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005716.7A CN113674065B (zh) | 2021-08-30 | 2021-08-30 | 基于服务触点的业务推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005716.7A CN113674065B (zh) | 2021-08-30 | 2021-08-30 | 基于服务触点的业务推荐方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674065A true CN113674065A (zh) | 2021-11-19 |
CN113674065B CN113674065B (zh) | 2023-09-22 |
Family
ID=78547428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005716.7A Active CN113674065B (zh) | 2021-08-30 | 2021-08-30 | 基于服务触点的业务推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674065B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493535A (zh) * | 2022-01-28 | 2022-05-13 | 北京乐开科技有限责任公司 | 一种基于资产模型的数据驱动用数据中台系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013093015A (ja) * | 2011-10-06 | 2013-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 情報推薦方法、装置及びプログラム |
US20140074639A1 (en) * | 2011-05-16 | 2014-03-13 | Nokia Corporation | Method and apparatus for holistic modeling of user item rating with tag information in a recommendation system |
CN109064268A (zh) * | 2018-07-20 | 2018-12-21 | 中国建设银行股份有限公司 | 业务推荐方法、装置、服务端及存储介质 |
CN109242514A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 客户标签推荐方法、装置和系统 |
KR20190066966A (ko) * | 2017-12-06 | 2019-06-14 | 서울시립대학교 산학협력단 | 상품 추천 서버 및 상품 추천 방법 |
CN109934721A (zh) * | 2019-01-18 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、装置、设备及存储介质 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110223141A (zh) * | 2019-05-24 | 2019-09-10 | 深圳市彬讯科技有限公司 | 一种匹配方法、装置、计算机设备及存储介质 |
CN110246007A (zh) * | 2019-05-28 | 2019-09-17 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN111310040A (zh) * | 2020-02-11 | 2020-06-19 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
WO2020133398A1 (zh) * | 2018-12-29 | 2020-07-02 | 深圳市欢太科技有限公司 | 应用推荐方法、装置、服务器和计算机可读存储介质 |
US20200320646A1 (en) * | 2018-04-26 | 2020-10-08 | Tencent Technology (Shenzhen) Company Limited | Interest recommendation method, computer device, and storage medium |
CN112330426A (zh) * | 2020-12-04 | 2021-02-05 | 中信银行股份有限公司 | 一种产品推荐方法、装置及存储介质 |
CN112507218A (zh) * | 2020-12-03 | 2021-03-16 | 广州华多网络科技有限公司 | 业务对象推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111005716.7A patent/CN113674065B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140074639A1 (en) * | 2011-05-16 | 2014-03-13 | Nokia Corporation | Method and apparatus for holistic modeling of user item rating with tag information in a recommendation system |
JP2013093015A (ja) * | 2011-10-06 | 2013-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 情報推薦方法、装置及びプログラム |
KR20190066966A (ko) * | 2017-12-06 | 2019-06-14 | 서울시립대학교 산학협력단 | 상품 추천 서버 및 상품 추천 방법 |
US20200320646A1 (en) * | 2018-04-26 | 2020-10-08 | Tencent Technology (Shenzhen) Company Limited | Interest recommendation method, computer device, and storage medium |
CN109064268A (zh) * | 2018-07-20 | 2018-12-21 | 中国建设银行股份有限公司 | 业务推荐方法、装置、服务端及存储介质 |
CN109242514A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 客户标签推荐方法、装置和系统 |
WO2020133398A1 (zh) * | 2018-12-29 | 2020-07-02 | 深圳市欢太科技有限公司 | 应用推荐方法、装置、服务器和计算机可读存储介质 |
CN109934721A (zh) * | 2019-01-18 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、装置、设备及存储介质 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110223141A (zh) * | 2019-05-24 | 2019-09-10 | 深圳市彬讯科技有限公司 | 一种匹配方法、装置、计算机设备及存储介质 |
CN110246007A (zh) * | 2019-05-28 | 2019-09-17 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN111310040A (zh) * | 2020-02-11 | 2020-06-19 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN112507218A (zh) * | 2020-12-03 | 2021-03-16 | 广州华多网络科技有限公司 | 业务对象推荐方法、装置、电子设备及存储介质 |
CN112330426A (zh) * | 2020-12-04 | 2021-02-05 | 中信银行股份有限公司 | 一种产品推荐方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
赵艳霞;梁昌勇;: "基于关联规则的推荐系统在电子商务中的应用", 价值工程, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493535A (zh) * | 2022-01-28 | 2022-05-13 | 北京乐开科技有限责任公司 | 一种基于资产模型的数据驱动用数据中台系统 |
CN114493535B (zh) * | 2022-01-28 | 2022-09-06 | 北京乐开科技有限责任公司 | 一种基于资产模型的数据驱动用数据中台系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113674065B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019261735B2 (en) | System and method for recommending automation solutions for technology infrastructure issues | |
US11574026B2 (en) | Analytics-driven recommendation engine | |
US11327675B2 (en) | Data migration | |
US10831448B2 (en) | Automated process analysis and automation implementation | |
US10671352B2 (en) | Data processing platform for project health checks and recommendation determination | |
EP3686750A1 (en) | Data migration | |
US20200027050A1 (en) | Data processing for role assessment and course recommendation | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
EP4024203A1 (en) | System performance optimization | |
CN114663223A (zh) | 基于人工智能的信用风险评估方法、装置及相关设备 | |
CN113435998A (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
CN114862520A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113032676B (zh) | 基于微反馈的推荐方法和系统 | |
CN113674065B (zh) | 基于服务触点的业务推荐方法、装置、电子设备及介质 | |
CN113792146A (zh) | 基于人工智能的文本分类方法、装置、电子设备及介质 | |
CN114201328A (zh) | 基于人工智能的故障处理方法、装置、电子设备及介质 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN112288337A (zh) | 行为推荐方法、装置、设备及介质 | |
CN114881313A (zh) | 基于人工智能的行为预测方法、装置及相关设备 | |
CN114925674A (zh) | 文件合规性检查方法、装置、电子设备及存储介质 | |
CN112328752B (zh) | 基于搜索内容的课程推荐方法、装置、计算机设备及介质 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
US20220050884A1 (en) | Utilizing machine learning models to automatically generate a summary or visualization of data | |
CN115061895A (zh) | 业务流程编排方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |