CN115907826A - 基于人工智能的客户挖掘方法及相关设备 - Google Patents

Abstract

本申请涉及人工智能，提供一种基于人工智能的客户挖掘方法。本申请提供的方法包括：筛选获取的用户画像标签数据得到流失用户画像标签数据；获取流失用户在设定设置观察点之后的所述流失用户画像标签数据作为待筛选特征数据；从所述待筛选特征数据中提取目标数据特征；将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出流失用户的被赢回预测评分以及对应的线索标签；启动线索跑批任务对所述流失用户画像标签数据以及所述线索标签进行数据批量处理；获取所述赢回客户预测模型和所述线索跑批任务运行过程中的群体稳定性指数，根据所述群体稳定性指数优化所述目标数据特征和所述赢回客户预测模型。

Description

基于人工智能的客户挖掘方法及相关设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的客户挖掘方法及相关设备。

背景技术

在市场竞争日益激烈的情况下，客户是每个企业的宝贵资源，虽然现有技术通过提前预警和中段干预等方式维持现有客户资源，但是仍然会存在一定比例的客户流失掉。所以，每个企业需要采取一定的措施将已经流失掉的客户赢回。

现有技术的做法是企业投入一定量的运营客服人员凭借个人经验采取一定的措施去赢回客户，不仅导致赢回客户的效率低下，难以大量进行推广，还造成了较高的企业运营成本。

发明内容

本申请实施例提供一种基于人工智能的客户挖掘方法、装置、计算机设备及存储介质，以解决现有技术赢回流失客户效率低下和运营成本高的问题。

本申请的第一方面，提供一种基于人工智能的客户挖掘方法，包括：

根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据；

在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间在第二时间段内；

从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；

将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；

启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；

获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型。

本申请的第二方面，提供一种基于人工智能的客户挖掘装置，包括：

流失用户画像模块，用于根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据；

待筛选特征数据模块，用于在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间小于第二时间阈值；

目标数据特征模块，用于从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；

赢回客户预测模型模块，用于将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；

线索跑批任务模块，用于启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；

群体稳定性监控模块，用于获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不稳定的所述目标数据特征或重新训练所述赢回客户预测模型。

本申请的第三方面，提供一种计算机设备，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人工智能的客户挖掘方法的步骤。

本申请的第四方面，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人工智能的客户挖掘方法的步骤。

上述基于人工智能的客户挖掘方法、装置、计算机设备及存储介质，通过获取流失用户的用户画像数据，使用该用户画像数据构建合适的数据样本，并通过人工智能模型处理该数据样本得到每个流失用户被赢回的概率及线索，并监控每个流失用户及该线索的变化进行优化。不仅提升了对流失用户数据的处理效率和赢回客户流程的执行效率，还提升了赢回客户的概率和降低了企业运营的成本。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的一些实施例，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是本申请一实施例中基于人工智能的客户挖掘方法的一应用环境示意图；

图2是本申请一实施例中基于人工智能的客户挖掘方法的一流程图；

图3是本申请一实施例中基于人工智能的客户挖掘装置的结构示意图；

图4是本申请一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请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。

本申请提供的基于人工智能的客户挖掘方法，可应用在如图1的应用环境中，其中，计算机设备可以但不限于各种个人计算机、笔记本电脑，计算机设备还可以是服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。可以理解的是图1中的计算机设备的数量仅仅是示意性的，可以根据实际需求进行任意数量的扩展。

在一实施例中，如图2所示，提供一种基于人工智能的客户挖掘方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤S101至S106：

S101、根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据。

其中，所述目标信息维度是跟目标业务的业务属性有一定关联程度的信息维度。例如，在某一金融科技平台从所有在平台购买了保险产品的用户的投保人维度信息、被保人维度信息、保单维度、用户线上行为维度、运营服务维度等目标信息维度的数据中获取用户画像标签数据用于开展保险产品类的赢回流失客户业务。所述用户流失判断规则是根据目标业务的业务特点和所述用户画像标签数据再结合历史用户流失情况得到的，例如某一金融科技平台将在平台App内进行了“退出登录”操作的用户或超过90天未打开平台App的用户判定为流失用户，同时，还结合金融科技中保险行业的业务特点将承保的保险产品到期并未续保的用户也判定为流失用户。

S102、在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间小于第二时间阈值。

其中，所述第一时间周期按照所述目标业务的业务需求进行设置，若所述目标业务对应的客户在短周期内的状态变化不明显，则可设置相对时间较长的所述第一时间周期，例如设置所述第一时间周期为每个月，即在每个月内设置观察点。反之，若所述目标业务对应的客户在短周期内的状态变化较为明显，则可设置相对时间较短的所述第一时间周期，例如设置所述第一时间周期为每个星期，即在每个星期内设置观察点。

其中，所述第一时间段按照所述目标业务的业务需求进行设置，若所述目标业务对应的客户在短时间段内的状态变化不明显，则可设置相对时间较长的所述第一时间段，例如设置所述第一时间段为一个月，即获取所述流失用户在所述观察点之后的一个月内的所述流失用户画像标签数据作为待筛选特征数据。反之，若所述目标业务对应的客户在短时间段内的状态变化较为明显，则可设置相对时间较短的所述第一时间段，例如设置所述第一时间段为一个星期，即获取所述流失用户在所述观察点之后的一个星期内的所述流失用户画像标签数据作为待筛选特征数据。

其中，所述第二时间阈值按照所述目标业务的业务需求进行设置，若所述目标业务对应的客户在流失较长时间后仍然存在被赢回的较大可能性，则可设置相对时间较长的所述第二时间阈值，例如设置所述第二时间阈值为一年，即所述流失用户在所述观察点时的用户流失时间小于一年。反之，若所述目标业务对应的客户在流失较长时间后然存在被赢回的较小可能性，则可设置相对时间较短的所述第二时间阈值，例如设置所述第二时间阈值为一季度，即所述流失用户在所述观察点时的用户流失时间小于一季度。

S103、从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征。

其中，所述特征评估维度包括但不限于：信息价值量(Information Value，IV)、信息饱和度、群体稳定性指数(Population Stability Index，PSI)、波动率、关联度等。

进一步地，所述使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征包括：第一方面，根据所述待筛选特征数据计算每个所述待评估数据特征的信息价值量，移除信息价值量不在预设信息价值量阈值范围内的对应所述待评估数据特征。第二方面，根据所述待筛选特征数据计算每个所述待评估数据特征的信息饱和度，移除信息饱和度不在预设信息饱和度阈值范围内的对应所述待评估数据特征。第三方面，根据所述待筛选特征数据计算每个所述待评估数据特征的群体稳定性指数，移除群体稳定性指数不在预设第三稳定性指数阈值范围内的对应所述待评估数据特征。第四方面，将所述待筛选特征数据输入至对抗验证模型，输出每个所述待评估数据特征的时序波动率，移除时序波动率不在预设时序波动率阈值范围内的对应所述待评估数据特征。第五方面，将所述待筛选特征数据输入至业务关联度计算模型，输出每个所述待评估数据特征与目标业务的关联度评分，移除关联度评分不在预设关联度评分阈值范围内的对应所述待评估数据特征。

S104、将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户。

其中，申请人首先通过K-means聚类的方式进行下采样，然后同时通过多种人工智能模型进行了训练评估对比，其中被使用过的人工智能模型包括但不限于：逻辑回归模型、SVM集成树模型、神经网络模型等，最终通过AUC(Area Under Curve，AUC)、查准率、查全率、PR(Precision Recall，PR)曲线等模型评价指标评估后使用集成树模型。

进一步地，所述赢回客户预测模型基于集成树模型进行构建，所述输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户之后，还包括：首先，将所述线索标签和所述用户画像标签数据输入至营销话术匹配模型，输出所述用户画像标签数据对应的用户营销话术策略。然后，发送所述用户营销话术策略至对应的目标业务营销人员，监控在所述用户营销话术策略送达后第三时间段内所述用户画像标签数据对应的用户是否被赢回。

S105、启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理。

其中，所述跑批通常指代的是应用程序针对某一批数据进行特定的处理。例如，在某一金融科技平台的金融业务中跑批的应用场景有分户日结、账务计提、欠款批扣、不良资产处理等等跑批任务，而跑批的线索是跟跑批任务存在业务关联属性的。因为所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像数据标签以及所述线索标签存在被已有的线索跑批任务覆盖的数据，而这一部分被覆盖的数据在线索跑批任务执行后的变化存在对流失用户能否被赢回的可能性造成影响。例如，某一金融科技平台在一大型活动中配置了针对流失用户发放优惠券奖励的线索跑批任务，那么该平台的流失用户在收到该优惠券奖励之后是存在被赢回的可能性。

S106、获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型。

进一步地，所述获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数之后，还包括：首先，按照预设第二时间周期统计所述目标数据特征在所述第二时间周期内的第三群体稳定性指数。然后，若所述第三群体稳定性指数不在预设第四稳定性指数阈值范围内，则移除所述目标数据特征，和/或重新训练所述赢回客户预测模型。

其中，一般在实际的应用过程中，所述第一群体稳定性指数和所述第二群体稳定性指数一般都是以天为单位进行计算，即每日更新所述第一群体稳定性指数和所述第二群体稳定性指数。但不可否认地是数据的改变对用户的影响也会存在滞后性，所以更应该设置更长时间的统计周期去评估所述线索跑批任务后所述目标数据特征的影响，即设置周、月、季度、年等更长的所述第二时间周期统计所述目标数据特征在所述第二时间周期内的群体稳定性指数。

进一步地，所述根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型之后，还包括：首先，设定不同时间段监控所述线索标签关联的流失用户转化数据。然后，根据所述流失用户转化数据优化所述赢回客户预测模型。同时，获取所述流失用户转化数据中的流失用户转化率，移除流失用户转化率不在预设转化率阈值范围内的对应所述线索标签。最后，获取所述流失用户转化率的波动率，增加所述波动率不在预设波动率变化范围内的第四时间段设置，和/或删除所述波动率在预设波动率变化范围内的第五时间段设置。

进一步地，所述设定不同时间段监控所述线索标签关联的流失用户转化数据之后还包括：首先，获取所述流失用户转化数据对应的所述用户画像标签数据作为待选标签数据。然后，从所述待选标签数据中根据目标业务统计需求抽取所述用户划线标签数据作为目标分类标签。同时，根据所述目标分类标签将所述流失用户转化数据进行聚类，获取每个聚类中所述流失用户转化数据在所述目标分类标签不同取值时对应的用户转化结果。最后，若所述用户转化结果触发预设转化结果提示规则，则将所述用户转化结果、对应的所述目标分类标签、对应的所述目标分类标签的取值发送至相关运营人员，其中，所述预设转化结果包含用户转化率大于预设最大用户转率阈值和用户转化率小于预设最小用户转化率阈值。例如，某一金融科技平台发现流失用户的渠道来源标签是某一渠道时的流失用户转化率小于最低转化率阈值，则可以对该渠道来源标签的流失用户停止转化干预措施，又若该金融科技平台发现流失用户的地区标签是某一地区时的用户转化率大于或等于最大转化率阈值时，则可以对该地区标签的流失用户增加转化干预措施。

本申请实施例提供的基于人工智能的客户挖掘方法，通过获取流失用户的用户画像数据，使用该用户画像数据构建合适的数据样本，并通过人工智能模型处理该数据样本得到每个流失用户被赢回的概率及线索，根据线索为每个流失用户生成对应的话术，并监控每个流失用户及该线索的变化进行相关优化。不仅提升了对流失用户数据的处理效率和赢回客户流程的执行效率，还提升了赢回客户的概率和降低了企业运营的成本。

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，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种基于人工智能的客户挖掘装置100，该基于人工智能的客户挖掘装置100与上述实施例中基于人工智能的客户挖掘方法一一对应。如图3所示，该基于人工智能的客户挖掘装置100包括流失用户画像模块11、待筛选特征数据模块12、目标数据特征模块13、赢回客户预测模型模块14、线索跑批任务模块15和群体稳定性监控模块16。各功能模块详细说明如下：

流失用户画像模块11，用于根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据；

待筛选特征数据模块12，用于在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间小于第二时间阈值；

目标数据特征模块13，用于从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；

赢回客户预测模型模块14，用于将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；

线索跑批任务模块15，用于启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；

群体稳定性监控模块16，用于获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不稳定的所述目标数据特征或重新训练所述赢回客户预测模型。

进一步地，所述目标数据特征模块13还包括：

信息价值量子模块，用于根据所述待筛选特征数据计算每个所述待评估数据特征的信息价值量，移除信息价值量不在预设信息价值量阈值范围内的对应所述待评估数据特征；

信息饱和度子模块，用于根据所述待筛选特征数据计算每个所述待评估数据特征的信息饱和度，移除信息饱和度不在预设信息饱和度阈值范围内的对应所述待评估数据特征；

群体稳定性指数子模块，用于根据所述待筛选特征数据计算每个所述待评估数据特征的群体稳定性指数，移除群体稳定性指数不在预设第三稳定性指数阈值范围内的对应所述待评估数据特征；

时序波动率子模块，用于将所述待筛选特征数据输入至对抗验证模型，输出每个所述待评估数据特征的时序波动率，移除时序波动率不在预设时序波动率阈值范围内的对应所述待评估数据特征；

关联度评分子模块，用于将所述待筛选特征数据输入至业务关联度计算模型，输出每个所述待评估数据特征与目标业务的关联度评分，移除关联度评分不在预设关联度评分阈值范围内的对应所述待评估数据特征。

进一步地，所述赢回客户预测模型模块14还包括：

营销话术策略子模块，用于将所述线索标签和所述用户画像标签数据输入至营销话术匹配模型，输出所述用户画像标签数据对应的用户营销话术策略；

营销话术监控子模块，用于发送所述用户营销话术策略至对应的目标业务营销人员，监控在所述用户营销话术策略送达后第三时间段内所述用户画像标签数据对应的用户是否被赢回。

进一步地，所述群体稳定性监控模块16还包括：

第三群体稳定性子模块，用于按照预设第二时间周期统计所述目标数据特征在所述第二时间周期内的第三群体稳定性指数；

第三群体稳定性优化子模块，用于若所述第三群体稳定性指数不在预设第四稳定性指数阈值范围内，则移除所述目标数据特征，和/或重新训练所述赢回客户预测模型。

进一步地，所述群体稳定性监控模块16还包括：

流失用户转化数据子模块，用于设定不同时间段监控所述线索标签关联的流失用户转化数据；

第一预测模型优化子模块，用于根据所述流失用户转化数据优化所述赢回客户预测模型；

第一线索标签优化子模块，用于获取所述流失用户转化数据中的流失用户转化率，移除流失用户转化率不在预设转化率阈值范围内的对应所述线索标签；

时间段设置优化子模块，用于获取所述流失用户转化率的波动率，增加所述波动率不在预设波动率变化范围内的第四时间段设置，和/或删除所述波动率在预设波动率变化范围内的第五时间段设置。

进一步地，所述流失用户转化数据子模块还包括：

待选标签数据子单元，用于获取所述流失用户转化数据对应的所述用户画像标签数据作为待选标签数据；

目标分类标签子单元，用于从所述待选标签数据中根据目标业务统计需求抽取所述用户划线标签数据作为目标分类标签；

转化数据聚类子单元，用于根据所述目标分类标签将所述流失用户转化数据进行聚类，获取每个聚类中所述流失用户转化数据在所述目标分类标签不同取值时对应的用户转化结果；

转化结果监控子单元，用于若所述用户转化结果触发预设转化结果提示规则，则将所述用户转化结果、对应的所述目标分类标签、对应的所述目标分类标签的取值发送至相关运营人员，其中，所述预设转化结果包含用户转化率大于预设最大用户转率阈值和用户转化率小于预设最小用户转化率阈值。

其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。

关于基于人工智能的客户挖掘装置的具体限定可以参见上文中对于基于人工智能的客户挖掘方法的限定，在此不再赘述。上述基于人工智能的客户挖掘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4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非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性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基于人工智能的客户挖掘方法中涉及到的数据。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人工智能的客户挖掘方法。

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基于人工智能的客户挖掘方法的步骤，例如图2所示的步骤S101至步骤S106及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于人工智能的客户挖掘装置的各模块/单元的功能，例如图3所示模块11至模块16的功能。为避免重复，这里不再赘述。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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(Field-Programmable 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、分立硬件组件等。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，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。

所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于人工智能的客户挖掘方法的步骤，例如图2所示的步骤S101至步骤S106及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于人工智能的客户挖掘装置的各模块/单元的功能，例如图3所示模块11至模块16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，所述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，即将所述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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于人工智能的客户挖掘方法，其特征在于，包括：

根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据；

在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间小于第二时间阈值；

从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；

将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；

启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；

获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型。

2.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征包括：

根据所述待筛选特征数据计算每个所述待评估数据特征的信息价值量，移除信息价值量不在预设信息价值量阈值范围内的对应所述待评估数据特征；

根据所述待筛选特征数据计算每个所述待评估数据特征的信息饱和度，移除信息饱和度不在预设信息饱和度阈值范围内的对应所述待评估数据特征；

根据所述待筛选特征数据计算每个所述待评估数据特征的群体稳定性指数，移除群体稳定性指数不在预设第三稳定性指数阈值范围内的对应所述待评估数据特征；

将所述待筛选特征数据输入至对抗验证模型，输出每个所述待评估数据特征的时序波动率，移除时序波动率不在预设时序波动率阈值范围内的对应所述待评估数据特征；

将所述待筛选特征数据输入至业务关联度计算模型，输出每个所述待评估数据特征与目标业务的关联度评分，移除关联度评分不在预设关联度评分阈值范围内的对应所述待评估数据特征。

3.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述赢回客户预测模型基于集成树模型进行构建，所述输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户之后，还包括：

将所述线索标签和所述用户画像标签数据输入至营销话术匹配模型，输出所述用户画像标签数据对应的用户营销话术策略；

发送所述用户营销话术策略至对应的目标业务营销人员，监控在所述用户营销话术策略送达后第三时间段内所述用户画像标签数据对应的用户是否被赢回。

4.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数之后，还包括：

按照预设第二时间周期统计所述目标数据特征在所述第二时间周期内的第三群体稳定性指数；

若所述第三群体稳定性指数不在预设第四稳定性指数阈值范围内，则移除所述目标数据特征，和/或重新训练所述赢回客户预测模型。

5.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型之后，还包括：

设定不同时间段监控所述线索标签关联的流失用户转化数据；

根据所述流失用户转化数据优化所述赢回客户预测模型；

获取所述流失用户转化数据中的流失用户转化率，移除流失用户转化率不在预设转化率阈值范围内的对应所述线索标签；

获取所述流失用户转化率的波动率，增加所述波动率不在预设波动率变化范围内的第四时间段设置，和/或删除所述波动率在预设波动率变化范围内的第五时间段设置。

6.根据权利要求5所述的基于人工智能的客户挖掘方法，其特征在于，所述设定不同时间段监控所述线索标签关联的流失用户转化数据之后还包括：

获取所述流失用户转化数据对应的所述用户画像标签数据作为待选标签数据；

从所述待选标签数据中根据目标业务统计需求抽取所述用户划线标签数据作为目标分类标签；

根据所述目标分类标签将所述流失用户转化数据进行聚类，获取每个聚类中所述流失用户转化数据在所述目标分类标签不同取值时对应的用户转化结果；

若所述用户转化结果触发预设转化结果提示规则，则将所述用户转化结果、对应的所述目标分类标签、对应的所述目标分类标签的取值发送至相关运营人员，其中，所述预设转化结果包含用户转化率大于预设最大用户转率阈值和用户转化率小于预设最小用户转化率阈值。

7.一种基于人工智能的客户挖掘装置，其特征在于，包括：

流失用户画像模块，用于根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据；

待筛选特征数据模块，用于在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间小于第二时间阈值；

目标数据特征模块，用于从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；

赢回客户预测模型模块，用于将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；

线索跑批任务模块，用于启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；

群体稳定性监控模块，用于获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不稳定的所述目标数据特征或重新训练所述赢回客户预测模型。

8.根据权利要求7所述的基于人工智能的客户挖掘装置，其特征在于，所述目标数据特征模块还包括：

信息价值量子模块，用于根据所述待筛选特征数据计算每个所述待评估数据特征的信息价值量，移除信息价值量不在预设信息价值量阈值范围内的对应所述待评估数据特征；

信息饱和度子模块，用于根据所述待筛选特征数据计算每个所述待评估数据特征的信息饱和度，移除信息饱和度不在预设信息饱和度阈值范围内的对应所述待评估数据特征；

群体稳定性指数子模块，用于根据所述待筛选特征数据计算每个所述待评估数据特征的群体稳定性指数，移除群体稳定性指数不在预设第三稳定性指数阈值范围内的对应所述待评估数据特征；

时序波动率子模块，用于将所述待筛选特征数据输入至对抗验证模型，输出每个所述待评估数据特征的时序波动率，移除时序波动率不在预设时序波动率阈值范围内的对应所述待评估数据特征；

关联度评分子模块，用于将所述待筛选特征数据输入至业务关联度计算模型，输出每个所述待评估数据特征与目标业务的关联度评分，移除关联度评分不在预设关联度评分阈值范围内的对应所述待评估数据特征。

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6中任一项所述基于人工智能的客户挖掘方法的步骤。

10.一种计算机可读存储介质，所述计算机可读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6中任一项所述基于人工智能的客户挖掘方法的步骤。

Images