CN115730966A - 基于客户需求的产品智能优选方法及系统 - Google Patents

Abstract

本发明提供了基于客户需求的产品智能优选方法及系统，涉及产品智能选择技术领域，方法包括：获得目标用户的基础信息，采集用户需求数据，进行产品关联匹配，由产品关联值的顺序排序结果获得关联产品集合，对目标用户的需求信息进行数据解析，再生成多维参数平衡数据，通过基础信息进行多维参数平衡数据调整获得优化多维参数平衡数据，通过该数据进行第一、二、三维度参数多维组合约束，生成的多维组合约束结果进行关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品，本发明解决了现有技术中的产品与目标用户信息的匹配度过低，实现了对目标用户在产品服务时的多维度精准数据匹配提高客户与产品的匹配度，提升客户体验。

Description

基于客户需求的产品智能优选方法及系统

技术领域

本发明涉及产品智能选择技术领域，具体涉及基于客户需求的产品智能优选方法及系统。

背景技术

随着科学技术与金融业的蓬勃发展，特别是强劲的市场需求促使互联网金融市场迅速崛起，但是近几年，互金业务困难重重，表现在助贷行业上，就是精准客户越来越难做，信息不对称让坏账率居高不下，监管日趋严格，行业竞争愈演愈烈，难得获得客户资源，却因为无法提供适合对方的贷款产品而与成单失之交臂，因此，如何精准匹配符合客户需求的贷款产品，成为急需重点解决的问题。

现有技术中存在的产品与目标用户信息的匹配度过低，使得最终无法实现精准高效的产品服务，降低了目标用户在产品服务过程中的用户体验。

发明内容

本申请提供了基于客户需求的产品智能优选方法及系统，用于针对解决现有技术中存在的产品与目标用户信息的匹配度过低，使得最终无法对目标用户在产品服务时的多维度精准数据匹配、同时无法提高客户与产品的匹配度以及提升客户体验的技术问题。

本鉴于上述问题，本申请提供了基于客户需求的产品智能优选方法及系统。

第一方面，本申请提供了基于客户需求的产品智能优选方法，所述方法包括：获得目标用户的基础信息，其中，所述基础信息包括认证信息、证明信息和产品服务信息，采集所述目标用户的用户需求数据，根据所述用户需求数据进行产品关联匹配，根据产品关联值的顺序排序结果获得关联产品集合，获得所述目标用户的需求信息，对所述需求信息进行数据解析，根据数据解析结果生成多维参数平衡数据，通过所述基础信息进行所述多维参数平衡数据调整，获得优化多维参数平衡数据，通过所述优化多维参数平衡数据进行第一维度参数、第二维度参数和第三维度参数的多维组合约束，获得多维组合约束结果，通过所述多维组合约束结果进行所述关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品。

第二方面，本申请提供了基于客户需求的产品智能优选系统，所述系统包括：信息获取模块：所述信息获取模块用于获得目标用户的基础信息，其中，所述基础信息包括认证信息、证明信息和产品服务信息，数据采集模块：所述数据采集模块用于采集所述目标用户的用户需求数据，根据所述用户需求数据进行产品关联匹配，根据产品关联值的顺序排序结果获得关联产品集合，数据解析模块：所述数据解析模块用于获得所述目标用户的需求信息，对所述需求信息进行数据解析，根据数据解析结果生成多维参数平衡数据，数据调整模块：所述数据调整模块用于通过所述基础信息进行所述多维参数平衡数据调整，获得优化多维参数平衡数据，多维组合约束模块：所述多维组合约束模块用于通过所述优化多维参数平衡数据进行第一维度参数、第二维度参数和第三维度参数的多维组合约束，获得多维组合约束结果，产品匹配模块：所述产品匹配模块用于通过所述多维组合约束结果进行所述关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供的基于客户需求的产品智能优选方法，涉及产品智能选择技术领域，解决了现有技术中存在的产品与目标用户信息的匹配度过低，实现了对目标用户在产品服务时的多维度精准数据匹配提高客户与产品的匹配度，提升客户体验。

附图说明

图1为本申请提供了基于客户需求的产品智能优选方法流程示意图；

图2为本申请提供了基于客户需求的产品智能优选方法中多维参数平衡数据调整流程示意图；

图3为本申请提供了基于客户需求的产品智能优选方法中多维参数平衡数据优化流程示意图；

图4为本申请提供了基于客户需求的产品智能优选方法中剔除部分来源数据修正收入数据流程示意图；

图5为本申请提供了基于客户需求的产品智能优选方法中修正收入数据流程示意图；

图6为本申请提供了基于客户需求的产品智能优选系统结构示意图。

附图标记说明：信息获取模块1，数据采集模块2，数据解析模块3，数据调整模块4，多维组合约束模块5，产品匹配模块6。

具体实施方式

本申请通过提供基于客户需求的产品智能优选方法，用于解决现有技术中存在的产品与目标用户信息的匹配度过低的技术问题。

实施例一

如图1所示，本申请实施例提供了基于客户需求的产品智能优选方法，该方法包括：

步骤S100：获得目标用户的基础信息，其中，所述基础信息包括认证信息、证明信息和产品服务信息；

具体而言，当目标用户有借贷需求时需要填写与该目标用户相关的一些自身基础信息，使得平台对该信息进行采集并同时整合，其中所获取目标用户的基础信息包括认证信息、证明信息以及产品服务信息，该认证信息是指目标用户的姓名、性别、电话、身份证号、人脸识别等可以对目标用户进行认证的信息，该证明信息是指目标用户在其他平台上的信誉证明或是拥有高信誉度的人为该目标作证明等可以对目标用户进行证明的信息，该产品服务信息是指目标用户之间正在借贷的影响以及其历史借贷的影响，为后续生成目标用户的匹配产品打下基础。

步骤S200：采集所述目标用户的用户需求数据，根据所述用户需求数据进行产品关联匹配，根据产品关联值的顺序排序结果获得关联产品集合；

具体而言，根据所采集到目标用户的基础信息来大致推断出该目标用户所能匹配对应的目标用户需求数据，即目标用户所获得的贷款总额度，再根据其目标用户需求数据所生成的额度与所存在的产品进行关联匹配，即将目标用户的贷款总额度与现存可贷额度进行一一对应，达到使产品最大化的满足目标用户的贷款需求，目标用户的贷款总额度与现存可贷额度的匹配程度越高，则与产品关联值越大，再将该关联值进行由大到小的顺序进行排序，再根据上述该产品关联值的顺序结果得到关联产品集合，为在后期目标用户的匹配产品时提供重要参考依据。

步骤S300：获得所述目标用户的需求信息，对所述需求信息进行数据解析，根据数据解析结果生成多维参数平衡数据；

具体而言，在目标用户的需求信息的基础上，对目标用户的需求数据进行数据解析，即将目标用户的贷款总额度进行多维度的解析，其中包含但不仅限于目标用户的信誉度数据、目标用户的贷款额度数据、目标用户的还款方式、目标用户的借贷利率以及目标用户的授信方式等，将上述数据进行参数拆解分析、整理并统计，将所有数据的解析结果生成多维参数平衡数据，以保证在给目标用户匹配产品时的准确性。

步骤S400：通过所述基础信息进行所述多维参数平衡数据调整，获得优化多维参数平衡数据；

具体而言，基于目标用户的基础信息，其中包含但不仅限于认证信息、证明信息以及产品服务信息，该认证信息是指目标用户的姓名、性别、电话、身份证号、人脸识别等可以对目标用户进行认证的信息，该证明信息是指目标用户在其他平台上的信誉证明或是拥有高信誉度的人为该目标作证明等可以对目标用户进行证明的信息，该产品服务信息是指目标用户之间正在借贷的影响以及其历史借贷的影响，对上述目标用户的基础信息进行由以目标用户的需求信息为基础数据，进一步对该需求信息进行数据解析后生成的多维参数平衡数据来调整，从而更好的在原有多维参数平衡数据上增加目标用户的基础信息并与其对应，将优化后的多维参数平衡数据进行整合，进一步通过生成优化多维参数平衡数据为之后的目标用户匹配产品作为重要依据之一。

步骤S500：通过所述优化多维参数平衡数据进行第一维度参数、第二维度参数和第三维度参数的多维组合约束，获得多维组合约束结果；

具体而言，以优化多维参数平衡数据为基础，构建优化多维参数平衡数据神经网络模型，其中包含第一维度参数、第二维度参数以及第三维度参数，所述优化多维参数平衡数据神经网络模型为机器学习中的，可以不断进行自我迭代优化的神经网络模型，所述多维参数平衡数据神经网络模型通过训练数据集合监督数据集训练获得，其中，所述训练数据集中的每组训练数据均包括第一维度参数、第二维度参数以及第三维度参数；所述监督数据集为与所述训练数据集一一对应的多维参数平衡数据监督数据。

进一步的，所述优化多维参数平衡数据神经网络模型构建过程为：将训练数据集中每一组训练数据输入该模型，通过这组训练数据对应的监督数据进行参数评价模型的输出监督调整，当多维参数平衡数据的输出结果与监督数据一致，则当前组训练结束，将训练数据集中全部的训练数据均训练结束，则多维参数平衡数据训练完成。

为了保证多维参数平衡数据的准确性，可以通过测试数据集进行多维参数平衡数据的测试处理，举例而言，测试准确率可以设定为80%，当测试数据集的测试准确率满足80%时，则优化多维参数平衡数据神经网络模型构建完成。 将第一维度参数、第二维度参数以及第三维度参数输入优化多维参数平衡数据神经网络模型，输出多维组合约束结果。

在通过优化多维参数平衡数据时，进行第一维度参数、第二维度参数以及第三维度参数的多组合约束，其中，第一维度参数是指目标用户的还款方式，包含但不仅限于等额本息还款、等额本金还款、按期还本付息、一次性还本付息、先息后本等，其中不同还款方式下，产生的贷款总利息不同，第二维度参数是指目标用户的授信方式，包含但不仅限于基本授信以及特别授信，其中授信是指银行向客户直接提供资金支持，或对客户在有关经济活动中的信用向第三方作出保证的行为，第三维度参数是指目标用户的还款利率，其中利率是指一定时期内利息额与借贷资金额（本金）的比率，最终由上述第一维度参数、第二维度参数以及第三维度参数进行多维组合约束，即将目标用户的还款方式、授信方式以及还款利率相组合匹配，进一步获得多维组合约束结果，从而使得目标用户的匹配产品更为精准以及合理化。

步骤S600：通过所述多维组合约束结果进行所述关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品。

具体而言，在目标用户的基础信息的基础上与以目标用户需求信息进行数据解析所生成的多维参数平衡数据进行调整，进而获得优化多维参数平衡数据，再通过该优化多维参数平衡数据进行对第一维度参数、第二维度参数以及第三维度参数的多维组合约束，进而将所获得的多维组合约束结果与以目标用户的用户需求数据为基础与产品进行关联匹配，按照目标用户的贷款总额度与现存可贷额度的匹配程度越高，则与产品关联值越大，再将该关联值进行由大到小的顺序进行排序，进一步将上述多维组合约束结果进行所获得的关联产品集合的排序修正，即出现产品关联值相同时则根据贷款总额度进行排序修正等对关联产品集合的排序进行修正，再根据该排序修正结果生成最终目标用户的匹配产品。

进一步的，获得目标用户的基础信息，采集用户需求数据，进行产品关联匹配，由产品关联值的顺序排序结果获得关联产品集合，对目标用户的需求信息进行数据解析，再生成多维参数平衡数据，通过基础信息进行多维参数平衡数据调整获得优化多维参数平衡数据，通过该数据进行第一、二、三维度参数多维组合约束，生成的多维组合约束结果进行关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品，本发明解决了现有技术中的产品与目标用户信息的匹配度过低，实现了对目标用户在产品服务时的多维度精准数据匹配提高客户与产品的匹配度，提升客户体验。

进一步而言，如图2所示，本申请步骤S400还包括：

步骤S410：根据所述产品服务信息获得产品持续周期；

步骤S420：通过所述产品持续周期进行所述第一维度参数的持续时长影响评价，生成周期影响参数；

步骤S430：根据所述产品服务信息获得产品交付数据；

步骤S440：根据所述产品交付数据进行所述第一维度参数的交付影响评价，生成交付影响参数；

步骤S450：根据所述周期影响参数和所述交付影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

具体而言，基于产品服务信息可分别获得产品持续周期以及产品交付数据，其中产品持续周期为上一个贷款的持续时长，示例性的，目标用户在去年到今年存在一份为期两年的贷款，而同时今年到明年也存在一份为期两年的贷款，那么在两份贷款所重合的时间段为产品的持续周期，通过该产品持续周期进行第一维度参数的持续时长影响评价，即目标用户在同一时段存在多份贷款，则会自动判定存在影响，通过上一个贷款的持续时长进行对目标用户的还款方式的持续时长的影响，若上一个贷款的持续时长超过限定时长，则还款方式也会随之改变，进一步产生影响评价获得周期影响参数，其中产品交付数据为每个月的还款数据，通过该产品交付数据进行第一维度的交付影响评价，即通过每个月的还款数据对目标用户的还款方式的交付数据的影响，若目标用户进行正常还款则不产生交付影响评价，故当目标用户的还款数据提交后产生交付影响评价则说明这个影响为负面影响，因为产品类型的多样性导致异性整体额度或还款数据，进一步的根据周期影响参数与交付影响参数进行多维参数平衡数据调整后，获得优化多维参数平衡数据，在此基础上对目标用户进行更高效的产品匹配。

进一步而言，本申请步骤S400包括：

步骤S460：根据所述产品服务信息获得已完结产品服务数据；

步骤S470：通过所述已完结产品服务数据进行交付及时性评价，生成交付及时性评价参数；

步骤S480：通过所述及时性评价参数进行所述第二维度参数影响评价，生成时效影响参数；

步骤S490：通过所述时效影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

具体而言，在产品服务信息的基础上对目标用户的历史贷款产品的使用数据进行获取，再通过该历史贷款产品的使用数据进行目标用户在进行贷款还款时的交付及时性评价参数，再将该交付及时性评价参数对目标用户的授信方式进行影响评价，即目标用户在历史贷款产品的使用数据所生成的交付及时性评价参数对目标用户授信方式的影响，进一步生成时效影响参数，当目标用户进行贷款后，由于交付及时性与授信方式的不同，因此会产生不同的贷款时效，故通过该贷款时效所产生的时效影响参数进行多维参数平衡数据调整，从而获得优化多维参数平衡数据，以达到后期给目标用户的匹配产品的最高效率。

进一步而言，如图3所示，本申请步骤S480包括：

步骤S481：根据所述已完结产品服务数据获得产品单次交付数据和交付总量数据；

步骤S482：通过所述单次交付数据和所述交付总量数据生成所述时效影响参数的调整系数；

步骤S483：通过所述调整系数进行所述时效影响参数优化，获得优化时效影响参数；

步骤S484：通过所述优化时效影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

具体而言，由已完结产品服务数据即历史贷款产品的使用数据中，得到目标用户的产品单次交付数据以及交付总量数据，通过单次交付数据与交付总量数据的整合生成时效影响参数调整系数，其中时效影响参数为目标用户在贷款后会生成一个还款时效，而该时效受目标用户的还款方式、授信方式等所影响，故受不同影响的时效会生成不同的时效影响参数，与后期目标用户的贷款还款相关，由于存在目标用户的多样性，因此对应生成一个时效影响参数的调整系数，再根据该调整系数对时效影响参数进一步的进行优化与调整，使得优化后的时效影响参数的精准度更高，进而使优化时效影响参数对多维参数平衡数据进行调整优化，更好的完善优化多维参数平衡数据以达到对目标用户匹配产品的精确性。

进一步而言，本申请步骤S400包括：

步骤S4010：根据所述基础信息获得所述目标用户的收入数据，其中，所述收入数据包括多来源数据；

步骤S4011：对所述收入数据进行多来源可信评价，生成可信排布结果；

步骤S4012：通过所述可信排布结果进行所述收入数据的多来源偏离评价，获得偏离评价结果；

步骤S4013：通过所述偏离评价结果对所述收入数据修正，根据修正收入数据进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

具体而言，首先获取目标用户的基础信息，其中所获取目标用户的基础信息包括认证信息、证明信息以及产品服务信息，该认证信息是指目标用户的姓名、性别、电话、身份证号、人脸识别、银行收入流水等可以对目标用户进行认证的信息，该证明信息是指目标用户在其他平台上的信誉证明或是拥有高信誉度的人为该目标作证明等可以对目标用户进行证明的信息，该产品服务信息是指目标用户之间正在借贷的影响以及其历史借贷的影响，再根据基础信息中目标用户的收入数据进行提取，其中目标用户的收入数据包括多来源数据，即目标用户的所有资金收入来源，进一步的，对目标用户的多来源收入数据进行多来源可信评价，即对目标用户的收入来源进行线上的官方查证，根据查证结果，生成对应不同的可信度，示例性的，若目标用户同时拥有正业与副业并且都有一定的收入，因此在查证正业会对应到正业所属公司，并对公司稳定性以及可信度进行综合可信评价，而副业假设是摆摊，则收入会相对不稳定，因此在查证时需要根据日收入以及环境等综合因素进行考量，由此可见，假设正业的收入稳定性大于副业，则在生成可信排布时，正业就在副业前，即正业收入来源可信度大于副业收入来源可信度，进一步的，将该可信排布结果进行收入数据的多来源偏离评价，即收入误差，假设目标用户的副业日收入不稳定但月收入稳定且稳定性大于正业，则需要对已生成的收入数据进行可信度修正，再由修正后的收入数据对多维参数平衡数据进行对应调整，得到最终优化多维参数平衡数据，提高目标用户在匹配产品中的精准性。

进一步而言，如图4所示，本申请步骤S4013还包括：

步骤S40131：判断所述偏离评价结果中是否存在不满足预设偏离阈值的来源数据；

步骤S40132：当所述偏离评价结果中存在不满足所述预设偏离阈值的来源数据时，则将所述来源数据从所述收入数据剔除，根据剔除结果获得所述修正收入数据。

具体而言，基于所获偏离评价结果，对偏离评价结果进行判断，当偏离评价结果中存在不满足预设偏离阈值的来源数据时，将该数据从中提取出来，其中该预设偏离阈值是指当目标用户的收入来源可信度过低，即低于所预设的收入来源可信度，假设目标用户的副业存在由多个线上渠道获取收入，但由于不同的线上渠道的可信度不同，因此需要将收入来源可信度低的收入数据进行整理和提取，则会将此次可信度低的收入视为不满足预设偏离阈值的来源数据，因此当筛选出该偏离评价结果中所存在的不满足预设偏离阈值的来源数据后，同时将该来源数据在收入数据中剔除，再将剔除后的剔除结果纳入收入数据以此修正，对后期为目标用户匹配产品作为辅助。

进一步而言，如图5所示，本申请步骤S40132包括：

步骤S401321：根据所述可信排布结果生成多来源初始可信比例；

步骤S401322：通过所述多来源初始可信比例进行所述多来源数据的收入数据修正，获得所述修正收入数据。

具体而言，在可信排布结果的基础上，将从中所有收入来源进行可信程度的划分，将可信与不可信的收入数据进行划分，进一步生成多来源收入数据的初始可信比例，再通过所得到的多来源初始可信比例对多来源数据的收入数据进行可信度的修正，将其中所有收入来源进行可信度的对应调整与整合，以此得到修正后的收入数据，进而保证后期目标用户匹配产品的最大吻合度。

实施例二

基于与前述实施例中基于客户需求的产品智能优选方法相同的发明构思，如图6所示，本申请提供了基于客户需求的产品智能优选系统，系统包括：

信息获取模块1：所述信息获取模块1用于获得目标用户的基础信息，其中，所述基础信息包括认证信息、证明信息和产品服务信息；

数据采集模块2：所述数据采集模块2用于采集所述目标用户的用户需求数据，根据所述用户需求数据进行产品关联匹配，根据产品关联值的顺序排序结果获得关联产品集合；

数据解析模块3：所述数据解析模块3用于获得所述目标用户的需求信息，对所述需求信息进行数据解析，根据数据解析结果生成多维参数平衡数据；

数据调整模块4：所述数据调整模块4用于通过所述基础信息进行所述多维参数平衡数据调整，获得优化多维参数平衡数据；

多维组合约束模块5：所述多维组合约束模块5用于通过所述优化多维参数平衡数据进行第一维度参数、第二维度参数和第三维度参数的多维组合约束，获得多维组合约束结果；

产品匹配模块6：所述产品匹配模块6用于通过所述多维组合约束结果进行所述关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品。

进一步而言，系统还包括：

产品持续周期模块，产品持续周期模块用于根据所述产品服务信息获得产品持续周期；

周期影响参数模块，周期影响参数模块用于通过所述产品持续周期进行所述第一维度参数的持续时长影响评价，生成周期影响参数；

产品交付数据模块，产品交付数据模块用于根据所述产品服务信息获得产品交付数据；

交付影响参数模块，交付影响参数模块用于根据所述产品交付数据进行所述第一维度参数的交付影响评价，生成交付影响参数；

第一优化模块，第一优化模块用于根据所述周期影响参数和所述交付影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

进一步而言，系统还包括：

完结产品服务数据获取模块，完结产品服务数据获取模块用于根据所述产品服务信息获得已完结产品服务数据；

交付及时性评价参数模块，交付及时性评价参数模块用于通过所述已完结产品服务数据进行交付及时性评价，生成交付及时性评价参数；

时效影响参数模块，时效影响参数模块用于通过所述及时性评价参数进行所述第二维度参数影响评价，生成时效影响参数；

第二优化模块，第二优化模块用于通过所述时效影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

进一步而言，系统还包括：

交付数据模块，交付数据模块用于根据所述已完结产品服务数据获得产品单次交付数据和交付总量数据；

时效影响参数调整模块，时效影响参数调整模块用于通过所述单次交付数据和所述交付总量数据生成所述时效影响参数的调整系数；

时效影响参数优化模块，时效影响参数优化模块用于通过所述调整系数进行所述时效影响参数优化，获得优化时效影响参数；

第三优化模块，第三优化模块用于通过所述优化时效影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

进一步而言，系统还包括：

收入数据模块，收入数据模块用于根据所述基础信息获得所述目标用户的收入数据，其中，所述收入数据包括多来源数据；

可信排布模块，可信排布模块用于对所述收入数据进行多来源可信评价，生成可信排布结果；

偏离评价结果模块，偏离评价结果模块用于通过所述可信排布结果进行所述收入数据的多来源偏离评价，获得偏离评价结果；

第四优化模块，第四优化模块用于通过所述偏离评价结果对所述收入数据修正，根据修正收入数据进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

进一步而言，系统还包括：

判定模块，判定模块用于判断所述偏离评价结果中是否存在不满足预设偏离阈值的来源数据；

修正收入数据模块，修正收入数据模块用于当所述偏离评价结果中存在不满足所述预设偏离阈值的来源数据时，则将所述来源数据从所述收入数据剔除，根据剔除结果获得所述修正收入数据。

进一步而言，系统还包括：

多来源初始可信模块，多来源初始可信模块用于根据所述可信排布结果生成多来源初始可信比例；

修正模块，修正模块用于通过所述多来源初始可信比例进行所述多来源数据的收入数据修正，获得所述修正收入数据。

本说明书通过前述对基于客户需求的产品智能优选方法的详细描述，本领域技术人员可以清楚的知道本实施例中基于客户需求的产品智能优选方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.基于客户需求的产品智能优选方法，其特征在于，所述方法包括：

获得目标用户的基础信息，其中，所述基础信息包括认证信息、证明信息和产品服务信息；

采集所述目标用户的用户需求数据，根据所述用户需求数据进行产品关联匹配，根据产品关联值的顺序排序结果获得关联产品集合；

获得所述目标用户的需求信息，对所述需求信息进行数据解析，根据数据解析结果生成多维参数平衡数据；

通过所述基础信息进行所述多维参数平衡数据调整，获得优化多维参数平衡数据；

通过所述优化多维参数平衡数据进行第一维度参数、第二维度参数和第三维度参数的多维组合约束，获得多维组合约束结果；

通过所述多维组合约束结果进行所述关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品。

2.如权利要求1所述的方法，其特征在于，所述方法包括：

根据所述产品服务信息获得产品持续周期；

通过所述产品持续周期进行所述第一维度参数的持续时长影响评价，生成周期影响参数；

根据所述产品服务信息获得产品交付数据；

根据所述产品交付数据进行所述第一维度参数的交付影响评价，生成交付影响参数；

根据所述周期影响参数和所述交付影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

3.如权利要求1所述的方法，其特征在于，所述方法包括：

根据所述产品服务信息获得已完结产品服务数据；

通过所述已完结产品服务数据进行交付及时性评价，生成交付及时性评价参数；

通过所述及时性评价参数进行所述第二维度参数影响评价，生成时效影响参数；

通过所述时效影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

4.如权利要求3所述的方法，其特征在于，所述方法包括：

根据所述已完结产品服务数据获得产品单次交付数据和交付总量数据；

通过所述单次交付数据和所述交付总量数据生成所述时效影响参数的调整系数；

通过所述调整系数进行所述时效影响参数优化，获得优化时效影响参数；

通过所述优化时效影响参数进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

5.如权利要求1所述的方法，其特征在于，所述方法包括：

根据所述基础信息获得所述目标用户的收入数据，其中，所述收入数据包括多来源数据；

对所述收入数据进行多来源可信评价，生成可信排布结果；

通过所述可信排布结果进行所述收入数据的多来源偏离评价，获得偏离评价结果；

通过所述偏离评价结果对所述收入数据修正，根据修正收入数据进行所述多维参数平衡数据调整，获得所述优化多维参数平衡数据。

6.如权利要求5所述的方法，其特征在于，所述方法包括：

判断所述偏离评价结果中是否存在不满足预设偏离阈值的来源数据；

当所述偏离评价结果中存在不满足所述预设偏离阈值的来源数据时，则将所述来源数据从所述收入数据剔除，根据剔除结果获得所述修正收入数据。

7.如权利要求6所述的方法，其特征在于，所述方法包括：

根据所述可信排布结果生成多来源初始可信比例；

通过所述多来源初始可信比例进行所述多来源数据的收入数据修正，获得所述修正收入数据。

8.基于客户需求的产品智能优选系统，其特征在于，所述系统包括：

信息获取模块：所述信息获取模块用于获得目标用户的基础信息，其中，所述基础信息包括认证信息、证明信息和产品服务信息；

数据采集模块：所述数据采集模块用于采集所述目标用户的用户需求数据，根据所述用户需求数据进行产品关联匹配，根据产品关联值的顺序排序结果获得关联产品集合；

数据解析模块：所述数据解析模块用于获得所述目标用户的需求信息，对所述需求信息进行数据解析，根据数据解析结果生成多维参数平衡数据；

数据调整模块：所述数据调整模块用于通过所述基础信息进行所述多维参数平衡数据调整，获得优化多维参数平衡数据；

多维组合约束模块：所述多维组合约束模块用于通过所述优化多维参数平衡数据进行第一维度参数、第二维度参数和第三维度参数的多维组合约束，获得多维组合约束结果；

产品匹配模块：所述产品匹配模块用于通过所述多维组合约束结果进行所述关联产品集合的排序修正，根据排序修正结果生成所述目标用户的匹配产品。

Images