CN116308468A - 客户对象分类方法、装置、计算机设备及存储介质 - Google Patents
客户对象分类方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116308468A CN116308468A CN202310562475.9A CN202310562475A CN116308468A CN 116308468 A CN116308468 A CN 116308468A CN 202310562475 A CN202310562475 A CN 202310562475A CN 116308468 A CN116308468 A CN 116308468A
- Authority
- CN
- China
- Prior art keywords
- service
- risk assessment
- client
- risk
- factor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012502 risk assessment Methods 0.000 claims abstract description 256
- 238000012549 training Methods 0.000 claims description 52
- 238000011156 evaluation Methods 0.000 claims description 49
- 238000012795 verification Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 34
- 238000013468 resource allocation Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
本申请实施例属于人工智能领域,涉及一种客户对象分类方法,包括:获取客户对象的惩罚风险评估因子和服务风险评估因子,所述惩罚风险评估因子和所述服务风险评估因子来自所述客户对象的客户数据,所述服务风险评估因子用于评估所述客户对象的服务资源消耗;将所述惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;将所述服务风险评估因子输入服务风险评估模型,得到服务风险评估值;基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果。本申请还提供一种客户对象分类装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,客户数据可存储于区块链中。本申请提高了客户对象分类的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种客户对象分类方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展,通过计算机对客户对象进行处理分析已经越来越常见。通过计算机对客户进行风险评估,并对客户进行分类是客户经营中非常重要的一个环节。在金融保险行业中,需要准确对客户进行评估、分类,并根据分类结果规避风险、制定产品策略。
当前金融保险领域对客户进行评估、分类时,都是从赔付风险这一对业务影响最直接的因素入手,角度单一,导致对客户的评估、分类的准确性较低,不够全面。
发明内容
本申请实施例的目的在于提出一种客户对象分类方法、装置、计算机设备及存储介质,以解决客户评估准确性较低的问题。
为了解决上述技术问题,本申请实施例提供一种客户对象分类方法,采用了如下所述的技术方案:
获取客户对象的惩罚风险评估因子和服务风险评估因子,所述惩罚风险评估因子和所述服务风险评估因子来自所述客户对象的客户数据,所述服务风险评估因子用于评估所述客户对象的服务资源消耗;
将所述惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;
将所述服务风险评估因子输入服务风险评估模型,得到服务风险评估值;
基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果。
为了解决上述技术问题,本申请实施例还提供一种客户对象分类装置,采用了如下所述的技术方案:
因子获取模块,用于获取客户对象的惩罚风险评估因子和服务风险评估因子,所述惩罚风险评估因子和所述服务风险评估因子来自所述客户对象的客户数据,所述服务风险评估因子用于评估所述客户对象的服务资源消耗;
惩罚评估模块,用于将所述惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;
服务评估模块,用于将所述服务风险评估因子输入服务风险评估模型,得到服务风险评估值;
分类生成模块,用于基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
获取客户对象的惩罚风险评估因子和服务风险评估因子,所述惩罚风险评估因子和所述服务风险评估因子来自所述客户对象的客户数据,所述服务风险评估因子用于评估所述客户对象的服务资源消耗;
将所述惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;
将所述服务风险评估因子输入服务风险评估模型,得到服务风险评估值;
基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
获取客户对象的惩罚风险评估因子和服务风险评估因子,所述惩罚风险评估因子和所述服务风险评估因子来自所述客户对象的客户数据,所述服务风险评估因子用于评估所述客户对象的服务资源消耗;
将所述惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;
将所述服务风险评估因子输入服务风险评估模型,得到服务风险评估值;
基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果。
与现有技术相比,本申请实施例主要有以下有益效果:从客户数据中获取客户对象的惩罚风险评估因子和服务风险评估因子,惩罚风险评估因子用于评估客户对象带来的惩罚风险的高低,服务风险评估因子用于评估客户对象的服务资源消耗;将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值,它以数值大小表示惩罚风险的高低;将服务风险评估因子输入服务风险评估模型,得到服务风险评估值,它以数值大小表示服务风险的高低;基于惩罚风险评估值和服务风险评估值可以对客户对象进行全面的综合评估,可以准确评估客户对象的整体风险,从而提高了客户对象的对象分类结果的准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的客户对象分类方法的一个实施例的流程图;
图3是根据本申请的客户对象分类装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同;本文中在申请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,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的客户对象分类方法一般由服务器执行,相应地,客户对象分类装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的客户对象分类方法的一个实施例的流程图。所述的客户对象分类方法,包括以下步骤:
步骤S201,获取客户对象的惩罚风险评估因子和服务风险评估因子,惩罚风险评估因子和服务风险评估因子来自客户对象的客户数据,服务风险评估因子用于评估客户对象的服务资源消耗。
在本实施例中,客户对象分类方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端设备进行通信。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。
具体地,获取客户对象的惩罚风险评估因子和服务风险评估因子,其中,惩罚风险评估因子和服务风险评估因子都可以包含多种下属因子;惩罚风险评估因子和服务风险评估因子都提取自客户数据,客户数据可以是与客户对象相关的各种数据。
客户数据来自于业务,业务具有业务规则,按照业务规则,客户对象可能给服务提供方带来惩罚风险,在金融保险领域,这种惩罚风险可以是客户对象触发理赔/赔付操作,保险公司需要向客户对象进行理赔/赔付;惩罚风险评估因子用于对这种惩罚风险的发生进行评估。
在业务的生命周期内,服务提供方还具有其他方面的资源支出或资源成本,例如,为了提升服务体验,服务提供方还需要搭建服务体系,这会给服务提供方带来服务资源的消耗;客户对象消耗的服务资源也可以视作资源上的一种风险,客户对象消耗的服务资源越多,服务风险也越高;服务风险评估因子用于评估客户对象的服务资源消耗,以及服务风险高低的评估。
步骤S202,将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值。
具体地,将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;惩罚风险评估模型可以基于神经网络搭建,并预先经过训练;惩罚风险评估值以数值表示赔付风险的高低,可以理解,惩罚风险评估值越大,赔付风险越高。
步骤S203,将服务风险评估因子输入服务风险评估模型,得到服务风险评估值。
具体地,将服务风险评估因子输入服务风险评估模型,得到服务风险评估值;服务风险评估模型可以基于神经网络搭建,例如可以基于LGBM(Light Gradient BoostingMachine,LGBM,或记作LightGBM)并预先经过训练;服务风险评估值以数值表示服务风险的高低,可以理解,服务风险评估值越大,服务风险越高。
步骤S204,基于惩罚风险评估值和服务风险评估值,生成客户对象的对象分类结果。
具体地,惩罚风险评估值表示客户对象惩罚风险的高低,服务风险评估值表示客户对象服务风险的高低,根据惩罚风险评估值和服务风险评估值可以对客户对象进行综合评估,评估客户对象的整体风险。可以预先将整体风险划分为几个大类,从而根据整体风险的类别得到客户对象的对象分类结果。
本实施例中,从客户数据中获取客户对象的惩罚风险评估因子和服务风险评估因子,惩罚风险评估因子用于评估客户对象带来的惩罚风险的高低,服务风险评估因子用于评估客户对象的服务资源消耗;将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值,它以数值大小表示惩罚风险的高低;将服务风险评估因子输入服务风险评估模型,得到服务风险评估值,它以数值大小表示服务风险的高低;基于惩罚风险评估值和服务风险评估值可以对客户对象进行全面的综合评估,可以准确评估客户对象的整体风险,从而提高了客户对象的对象分类结果的准确性。
进一步的,上述获取客户对象的惩罚风险评估因子和服务风险评估因子的步骤之前,还可以包括:获取训练样本集,训练样本集中包含多个样本客户的服务风险标签和服务风险评估因子;将训练样本集划分为训练集和验证集;根据训练集训练初始服务风险评估模型,并根据验证集对训练后的初始服务风险评估模型进行验证;获取训练后的初始服务风险评估模型在验证集上的验证正确率;当验证正确率大于等于预设的正确率阈值时,将训练后的初始服务风险评估模型确定为服务风险评估模型。
具体地,在进行客户对象分类的应用之前,需要先通过模型训练得到惩罚风险评估模型和服务风险评估模型。
获取训练样本集,训练样本集中包含多个样本客户的服务风险标签和服务风险评估因子,其中,服务风险标签用于实现有监督训练,它表示样本客户服务风险的高低,例如,将服务风险标签设置为服务风险高风险和服务风险低风险两种存在。由于现有的客户评估都是集中在惩罚风险,本申请对服务风险进行重点阐述,可以理解,训练样本集中也可以包含各样本客户的惩罚风险标签和惩罚风险评估因子,惩罚风险评估模型的训练过程与服务风险评估模型的训练过程相似。
将训练样本集划分为训练集和验证集;根据训练集训练初始服务风险评估模型,在训练中,将样本客户的服务风险评估因子作为模型输入,将服务风险标签作为期望输出,在多轮迭代中调整初始服务风险评估模型的模型参数。
然后根据验证集对训练后的初始服务风险评估模型进行验证,在验证中,将样本客户的服务风险评估因子作为模型输入,根据模型输出的服务风险评估值是否与服务风险标签相匹配,得到模型在该样本客户上是否正确评估,从而根据验证集中全部的样本客户得到训练后的初始服务风险评估模型在验证集上的验证正确率。
获取预设的正确率阈值,如果验证正确率大于等于正确率阈值,则表明训练后的初始服务风险评估模型符合要求、通过验证,可以作为服务风险评估模型投入应用。
本实施例中,获取训练样本集,它包含多个样本客户的服务风险标签和服务风险评估因子;将训练样本集划分为训练集和验证集;根据训练集训练初始服务风险评估模型,并根据验证集对训练后的模型进行验证;当模型在验证集上的验证正确率大于等于预设的正确率阈值时,表示模型具有较高的准确性,可以作为服务风险评估模型,确保了服务风险评估模型的准确性。
进一步的,上述获取训练样本集的步骤可以包括:获取多个样本客户的客户数据;对于每个样本客户,从样本客户的客户数据中提取服务资源消耗因子和服务风险评估因子;根据服务资源消耗因子,计算样本客户的服务资源消耗值;基于样本客户的服务资源消耗值,确定样本客户的服务风险标签;根据各样本客户的服务风险标签和服务风险评估因子构建训练样本集。
具体地,获取多个样本客户的客户数据;对于每个样本客户,从样本客户的客户数据中提取服务资源消耗因子和服务风险评估因子;需要指出的是,可以根据限制条件提取服务资源消耗因子和服务风险评估因子,例如,提取预设时间段内的服务资源消耗因子和服务风险评估因子。服务风险评估因子可以包括样本客户的年龄、资产等基础因子,还可以包括样本客户服务使用习惯的相关因子,举例说明,当样本客户为车险客户时,若车险服务核销平台为线上平台,则筛选客户的线上活跃频率、线上时长、平台注册时长等因子;并基于服务核销数据,加入一些客户服务类型偏好的因子,例如实物礼包、增值卡券等,为模型提供更多信息,提高模型的准确性。
服务资源消耗因子是对样本客户使用的服务资源进行记录得到的因子,可以对服务资源消耗因子进行量化,从而计算样本客户的服务资源消耗值。服务资源消耗值以数值的大小表示样本客户消耗的服务资源的多少。举例说明,服务资源消耗因子是车险客户i在保单的生命周期内使用的服务种类,假设其共使用了n种服务,每种服务k的实际成本为,车险保单保费为/>,则服务资源消耗值为/>。
可以理解,服务资源消耗因子和服务风险评估因子可以具有重复的因子,例如,样本客户在购买车险之前使用的服务,可以是两类因子共有的。
基于样本客户的服务资源消耗值,可以确定样本客户的服务风险标签,例如,可以设置不同区间内的服务资源消耗值所对应的服务风险标签。然后根据各样本客户的服务风险标签和服务风险评估因子构建出训练样本集。
本实施例中,获取多个样本客户的客户数据;对于每个样本客户,从其客户数据中提取服务资源消耗因子和服务风险评估因子;服务资源消耗因子是对样本客户使用的服务资源进行记录得到的,可参与计算服务资源消耗值,它以数值大小衡量样本客户消耗的服务资源的多少;基于服务资源消耗值,确定样本客户的服务风险标签;根据各样本客户的服务风险标签和服务风险评估因子可以构建训练样本集,为模型训练做好了数据准备。
进一步的,上述根据服务资源消耗因子,计算样本客户的服务资源消耗值的步骤可以包括:获取服务资源消耗因子中各下属因子及其对应的权重,其中,下属因子包括服务种类因子、服务次数因子和服务时间因子;根据各下属因子及其对应的权重,计算样本客户的服务资源消耗值。
具体地,服务资源消耗因子可以包含多种下属因子,每种下属因子也可以具有权重。下属因子包括但不限于服务种类因子、服务次数因子和服务时间因子;其中,服务种类因子可以是样本客户所使用的服务的种类(可参看上文对服务资源消耗因子的表述),服务次数因子可以是样本客户使用服务的次数,服务时间因子可以是样本客户使用服务的时间,例如,样本客户某次与客服进行了10分钟的沟通,则将这10分钟计入服务时间因子。
每种下属因子都可以进行量化,从而计算出该种下属因子的服务资源消耗值(可参看上文基于服务种类计算服务资源消耗值的表述);然后,根据各种下属因子的权重,对各下属因子的服务资源消耗值进行加权计算,得到样本客户的服务资源消耗值。
可以理解,不同种类的服务所消耗的资源是不同的,例如某些服务通过自动查询即可实现,某些服务则需要人工介入,并且可能需要等待一段时间后才能给客户反馈,后者消耗的资源明显大于前者。因此,还可以根据每种服务被使用的次数和时间(次数和时间可以带有权重),计算这种服务带来的服务资源消耗值,将各种服务的服务资源消耗值进行加权计算(不同种类的服务,权重不同),得到样本客户的服务资源消耗值。
本实施例中,获取服务资源消耗因子中各下属因子及其对应的权重,下属因子可以有多种,确保对服务资源消耗的全面衡量;根据各下属因子及其对应的权重,计算样本客户的服务资源消耗值,可以准确地表示样本客户的服务资源消耗。
进一步的,上述基于样本客户的服务资源消耗值,确定样本客户的服务风险标签的步骤可以包括:获取样本客户所属的客户社群,并获取客户社群中各社群客户的服务资源消耗值;根据各社群客户的服务资源消耗值,计算各社群客户的资源消耗平均值;比对样本客户的服务资源消耗值和资源消耗平均值,并根据比对结果确定样本客户的服务风险标签;或者,获取预设的资源消耗阈值;比对样本客户的服务资源消耗值和资源消耗阈值,并根据比对结果确定样本客户的服务风险标签。
具体地,样本客户属于某个客户社群,例如,根据训练样本集中的全部样本客户构建得到客户社群,或者,根据其他社群划分策略构建客户社群(例如根据客户所购买的产品进行社群划分,将购买车险的客户划分为一个客户社群;或者,将若干个批次中的全部客户划分到一个客户社群)。
获取客户社群中各社群客户(包含样本客户)的服务资源消耗值,根据各社群客户的服务资源消耗值,计算各社群客户的资源消耗平均值。然后,比对样本客户的服务资源消耗值和资源消耗平均值,并根据比对结果确定样本客户的服务风险标签。例如,当样本客户的服务资源消耗值大于等于资源消耗平均值时,给样本客户添加高服务风险的标签,否则添加低服务风险的标签。
或者,获取预设的资源消耗阈值;比对样本客户的服务资源消耗值和资源消耗阈值,并根据比对结果确定样本客户的服务风险标签。例如,当样本客户的服务资源消耗值大于等于资源消耗阈值时,给样本客户添加高服务风险的标签,否则添加低服务风险的标签。
本实施例中,获取样本客户所属的客户社群,将样本客户的服务资源消耗值与各社群客户的资源消耗平均值进行比对,或者将样本客户的服务资源消耗值与资源消耗阈值进行比对,根据比对结果确定样本客户的服务风险标签,从而准确确定服务风险标签。
进一步的,上述步骤S204可以包括:根据惩罚风险评估值确定客户对象的惩罚风险类型;根据服务风险评估值确定客户对象的服务风险类型;基于惩罚风险类型和服务风险类型的类型组合,确定客户对象的综合风险类型;根据综合风险类型生成客户对象的对象分类结果。
具体地,根据惩罚风险评估值确定客户对象的惩罚风险类型,例如,预先设置多个区间,每个区间对应一个惩罚风险类型,代表不同的风险高低程度,根据惩罚风险评估值所属的区间,确定客户对象的惩罚风险类型。基于同样的构思,根据服务风险评估值确定客户对象的服务风险类型。
惩罚风险类型和服务风险类型可以构成类型组合,例如类型组合可以是高惩罚风险且高服务风险。基于惩罚风险类型和服务风险类型的类型组合,确定客户对象的综合风险类型,综合风险类型的“高”或“低”,可以与类型组合中某单个风险类型的“高”或“低”相同,也可以相悖,例如,类型组合“高惩罚风险且高服务风险”的综合风险类型是“高综合风险”,类型组合“高惩罚风险且低服务风险”的综合风险类型可以是“低综合风险”。
可以理解,本申请中风险类型中的“高”、“低”仅仅是举例说明,可以根据惩罚风险评估值/服务风险评估值的大小,设置多个级别的惩罚风险类型/服务风险类型,以及多个级别的综合风险类型。
综合风险类型也可以不存在“高综合风险”、“低综合风险”这样的表述,仅仅将惩罚风险类型和服务风险类型的组合作为综合风险类型,以体现惩罚风险类型和服务风险类型的具体情况。
根据综合风险类型生成客户对象的对象分类结果,例如,将“低综合风险”划分为A类客户对象,将“高综合风险”划分为B类客户对象;或者将“低惩罚风险且低服务风险”划分为A类客户,将“低惩罚风险且高服务风险”划分为B类客户,“高惩罚风险且高服务风险”划分为C类客户,从而对客户对象进行区分。
本实施例中,根据惩罚风险评估值确定惩罚风险类型;根据服务风险评估值确定服务风险类型;基于惩罚风险类型和服务风险类型的类型组合,确定客户对象的综合风险类型;根据综合风险类型生成客户对象的对象分类结果,实现对客户对象的全面评估,提高了客户对象分类的准确性。
进一步的,上述步骤S204之后,还可以包括:根据对象分类结果生成客户对象处理策略,客户对象处理策略包括产品推荐策略和资源分配策略;按照客户对象处理策略对客户对象进行业务处理。
具体地,根据对象分类结果生成适配的客户对象处理策略,客户对象处理策略包括产品推荐策略和资源分配策略,其中,产品推荐策略可以是对客户对象进行产品推荐或者信息推荐的策略;资源分配策略是对客户对象进行资源分配的策略,例如为客户对象分配专门的客服对象等。然后按照客户对象处理策略对客户对象进行业务处理,客户对象处理策略与对象分类结果相匹配,对客户对象具有较高的针对性,以便对业务进行优化,并提高产品转化率以及降低风险。
本实施例中,根据对象分类结果生成客户对象处理策略,客户对象处理策略包括产品推荐策略和资源分配策略,客户对象处理策略与对象分类结果相匹配,对客户对象具有较高的针对性;按照客户对象处理策略对客户对象进行业务处理,可以优化业务,提高产品转化率并降低风险。
需要强调的是,为进一步保证上述客户数据的私密和安全性,上述客户数据还可以存储于一区块链的节点中。可以理解,惩罚风险评估因子、服务风险评估因子、惩罚风险评估值和服务风险评估值也都可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种客户对象分类装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的客户对象分类装置300包括:因子获取模块301、惩罚评估模块302、服务评估模块303以及分类生成模块304,其中:
因子获取模块301,用于获取客户对象的惩罚风险评估因子和服务风险评估因子,惩罚风险评估因子和服务风险评估因子来自客户对象的客户数据,服务风险评估因子用于评估客户对象的服务资源消耗。
惩罚评估模块302,用于将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值。
服务评估模块303,用于将服务风险评估因子输入服务风险评估模型,得到服务风险评估值。
分类生成模块304,用于基于惩罚风险评估值和服务风险评估值,生成客户对象的对象分类结果。
本实施例中,从客户数据中获取客户对象的惩罚风险评估因子和服务风险评估因子,惩罚风险评估因子用于评估客户对象带来的惩罚风险的高低,服务风险评估因子用于评估客户对象的服务资源消耗;将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值,它以数值大小表示惩罚风险的高低;将服务风险评估因子输入服务风险评估模型,得到服务风险评估值,它以数值大小表示服务风险的高低;基于惩罚风险评估值和服务风险评估值可以对客户对象进行全面的综合评估,可以准确评估客户对象的整体风险,从而提高了客户对象的对象分类结果的准确性。
在本实施例的一些可选的实现方式中,客户对象分类装置300还可以包括:样本集获取模块、样本集划分模块、训练验证模块、正确率获取模块以及模型确定模块,其中:
样本集获取模块,用于获取训练样本集,训练样本集中包含多个样本客户的服务风险标签和服务风险评估因子。
样本集划分模块,用于将训练样本集划分为训练集和验证集。
训练验证模块,用于根据训练集训练初始服务风险评估模型,并根据验证集对训练后的初始服务风险评估模型进行验证。
正确率获取模块,用于获取训练后的初始服务风险评估模型在验证集上的验证正确率。
模型确定模块,用于当验证正确率大于等于预设的正确率阈值时,将训练后的初始服务风险评估模型确定为服务风险评估模型。
本实施例中,获取训练样本集,它包含多个样本客户的服务风险标签和服务风险评估因子;将训练样本集划分为训练集和验证集;根据训练集训练初始服务风险评估模型,并根据验证集对训练后的模型进行验证;当模型在验证集上的验证正确率大于等于预设的正确率阈值时,表示模型具有较高的准确性,可以作为服务风险评估模型,确保了服务风险评估模型的准确性。
在本实施例的一些可选的实现方式中,样本集获取模块可以包括:数据获取子模块、因子提取子模块、消耗计算子模块、标签确定子模块以及样本集构建子模块,其中:
数据获取子模块,用于获取多个样本客户的客户数据。
因子提取子模块,用于对于每个样本客户,从样本客户的客户数据中提取服务资源消耗因子和服务风险评估因子。
消耗计算子模块,用于根据服务资源消耗因子,计算样本客户的服务资源消耗值。
标签确定子模块,用于基于样本客户的服务资源消耗值,确定样本客户的服务风险标签。
样本集构建子模块,用于根据各样本客户的服务风险标签和服务风险评估因子构建训练样本集。
本实施例中,获取多个样本客户的客户数据;对于每个样本客户,从其客户数据中提取服务资源消耗因子和服务风险评估因子;服务资源消耗因子是对样本客户使用的服务资源进行记录得到的,可参与计算服务资源消耗值,它以数值大小衡量样本客户消耗的服务资源的多少;基于服务资源消耗值,确定样本客户的服务风险标签;根据各样本客户的服务风险标签和服务风险评估因子可以构建训练样本集,为模型训练做好了数据准备。
在本实施例的一些可选的实现方式中,消耗计算子模块可以包括:因子获取单元以及消耗计算单元,其中:
因子获取单元,用于获取服务资源消耗因子中各下属因子及其对应的权重,其中,下属因子包括服务种类因子、服务次数因子和服务时间因子。
消耗计算单元,用于根据各下属因子及其对应的权重,计算样本客户的服务资源消耗值。
本实施例中,获取服务资源消耗因子中各下属因子及其对应的权重,下属因子可以有多种,确保对服务资源消耗的全面衡量;根据各下属因子及其对应的权重,计算样本客户的服务资源消耗值,可以准确地表示样本客户的服务资源消耗。
在本实施例的一些可选的实现方式中,标签确定子模块可以包括:社群获取单元、社群计算单元以及第一确定单元,或者,阈值获取单元以及第二确定单元,其中:
社群获取单元,用于获取样本客户所属的客户社群,并获取客户社群中各社群客户的服务资源消耗值。
社群计算单元,用于根据各社群客户的服务资源消耗值,计算各社群客户的资源消耗平均值。
第一确定单元,用于比对样本客户的服务资源消耗值和资源消耗平均值,并根据比对结果确定样本客户的服务风险标签。
阈值获取单元,用于获取预设的资源消耗阈值。
第二确定单元,用于比对样本客户的服务资源消耗值和资源消耗阈值,并根据比对结果确定样本客户的服务风险标签。
本实施例中,获取样本客户所属的客户社群,将样本客户的服务资源消耗值与各社群客户的资源消耗平均值进行比对,或者将样本客户的服务资源消耗值与资源消耗阈值进行比对,根据比对结果确定样本客户的服务风险标签,从而准确确定服务风险标签。
在本实施例的一些可选的实现方式中,分类生成模块304可以包括:惩罚确定子模块、服务确定子模块、综合确定子模块以及分类确定子模块,其中:
惩罚确定子模块,用于根据惩罚风险评估值确定客户对象的惩罚风险类型。
服务确定子模块,用于根据服务风险评估值确定客户对象的服务风险类型。
综合确定子模块,用于基于惩罚风险类型和服务风险类型的类型组合,确定客户对象的综合风险类型。
分类确定子模块,用于根据综合风险类型生成客户对象的对象分类结果。
本实施例中,根据惩罚风险评估值确定惩罚风险类型;根据服务风险评估值确定服务风险类型;基于惩罚风险类型和服务风险类型的类型组合,确定客户对象的综合风险类型;根据综合风险类型生成客户对象的对象分类结果,实现对客户对象的全面评估,提高了客户对象分类的准确性。
在本实施例的一些可选的实现方式中,客户对象分类装置300还可以包括:策略生成模块以及业务处理模块,其中:
策略生成模块,用于根据对象分类结果生成客户对象处理策略,客户对象处理策略包括产品推荐策略和资源分配策略。
业务处理模块,用于按照客户对象处理策略对客户对象进行业务处理。
本实施例中,根据对象分类结果生成客户对象处理策略,客户对象处理策略包括产品推荐策略和资源分配策略,客户对象处理策略与对象分类结果相匹配,对客户对象具有较高的针对性;按照客户对象处理策略对客户对象进行业务处理,可以优化业务,提高产品转化率并降低风险。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备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/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如客户对象分类方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述客户对象分类方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述客户对象分类方法。此处客户对象分类方法可以是上述各个实施例的客户对象分类方法。
本实施例中,从客户数据中获取客户对象的惩罚风险评估因子和服务风险评估因子,惩罚风险评估因子用于评估客户对象带来的惩罚风险的高低,服务风险评估因子用于评估客户对象的服务资源消耗;将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值,它以数值大小表示惩罚风险的高低;将服务风险评估因子输入服务风险评估模型,得到服务风险评估值,它以数值大小表示服务风险的高低;基于惩罚风险评估值和服务风险评估值可以对客户对象进行全面的综合评估,可以准确评估客户对象的整体风险,从而提高了客户对象的对象分类结果的准确性。
本申请还提供了另一种实施方式,即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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的客户对象分类方法的步骤。
本实施例中,从客户数据中获取客户对象的惩罚风险评估因子和服务风险评估因子,惩罚风险评估因子用于评估客户对象带来的惩罚风险的高低,服务风险评估因子用于评估客户对象的服务资源消耗;将惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值,它以数值大小表示惩罚风险的高低;将服务风险评估因子输入服务风险评估模型,得到服务风险评估值,它以数值大小表示服务风险的高低;基于惩罚风险评估值和服务风险评估值可以对客户对象进行全面的综合评估,可以准确评估客户对象的整体风险,从而提高了客户对象的对象分类结果的准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种客户对象分类方法,其特征在于,包括下述步骤:
获取客户对象的惩罚风险评估因子和服务风险评估因子,所述惩罚风险评估因子和所述服务风险评估因子来自所述客户对象的客户数据,所述服务风险评估因子用于评估所述客户对象的服务资源消耗;
将所述惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;
将所述服务风险评估因子输入服务风险评估模型,得到服务风险评估值;
基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果。
2.根据权利要求1所述的客户对象分类方法,其特征在于,在所述获取客户对象的惩罚风险评估因子和服务风险评估因子的步骤之前,还包括:
获取训练样本集,所述训练样本集中包含多个样本客户的服务风险标签和服务风险评估因子;
将所述训练样本集划分为训练集和验证集;
根据所述训练集训练初始服务风险评估模型,并根据所述验证集对训练后的初始服务风险评估模型进行验证;
获取所述训练后的初始服务风险评估模型在所述验证集上的验证正确率;
当所述验证正确率大于等于预设的正确率阈值时,将所述训练后的初始服务风险评估模型确定为服务风险评估模型。
3.根据权利要求2所述的客户对象分类方法,其特征在于,所述获取训练样本集的步骤包括:
获取多个样本客户的客户数据;
对于每个样本客户,从所述样本客户的客户数据中提取服务资源消耗因子和服务风险评估因子;
根据所述服务资源消耗因子,计算所述样本客户的服务资源消耗值;
基于所述样本客户的服务资源消耗值,确定所述样本客户的服务风险标签;
根据各样本客户的服务风险标签和服务风险评估因子构建训练样本集。
4.根据权利要求3所述的客户对象分类方法,其特征在于,所述根据所述服务资源消耗因子,计算所述样本客户的服务资源消耗值的步骤包括:
获取所述服务资源消耗因子中各下属因子及其对应的权重,其中,下属因子包括服务种类因子、服务次数因子和服务时间因子;
根据所述各下属因子及其对应的权重,计算所述样本客户的服务资源消耗值。
5.根据权利要求3所述的客户对象分类方法,其特征在于,所述基于所述样本客户的服务资源消耗值,确定所述样本客户的服务风险标签的步骤包括:
获取所述样本客户所属的客户社群,并获取所述客户社群中各社群客户的服务资源消耗值;
根据所述各社群客户的服务资源消耗值,计算所述各社群客户的资源消耗平均值;
比对所述样本客户的服务资源消耗值和所述资源消耗平均值,并根据比对结果确定所述样本客户的服务风险标签;或者,
获取预设的资源消耗阈值;
比对所述样本客户的服务资源消耗值和所述资源消耗阈值,并根据比对结果确定所述样本客户的服务风险标签。
6.根据权利要求1所述的客户对象分类方法,其特征在于,所述基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果的步骤包括:
根据所述惩罚风险评估值确定所述客户对象的惩罚风险类型;
根据所述服务风险评估值确定所述客户对象的服务风险类型;
基于所述惩罚风险类型和所述服务风险类型的类型组合,确定所述客户对象的综合风险类型;
根据所述综合风险类型生成所述客户对象的对象分类结果。
7.根据权利要求1所述的客户对象分类方法,其特征在于,在所述基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果的步骤之后,还包括:
根据所述对象分类结果生成客户对象处理策略,所述客户对象处理策略包括产品推荐策略和资源分配策略;
按照所述客户对象处理策略对所述客户对象进行业务处理。
8.一种客户对象分类装置,其特征在于,包括:
因子获取模块,用于获取客户对象的惩罚风险评估因子和服务风险评估因子,所述惩罚风险评估因子和所述服务风险评估因子来自所述客户对象的客户数据,所述服务风险评估因子用于评估所述客户对象的服务资源消耗;
惩罚评估模块,用于将所述惩罚风险评估因子输入惩罚风险评估模型,得到惩罚风险评估值;
服务评估模块,用于将所述服务风险评估因子输入服务风险评估模型,得到服务风险评估值;
分类生成模块,用于基于所述惩罚风险评估值和所述服务风险评估值,生成所述客户对象的对象分类结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的客户对象分类方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的客户对象分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562475.9A CN116308468A (zh) | 2023-05-18 | 2023-05-18 | 客户对象分类方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562475.9A CN116308468A (zh) | 2023-05-18 | 2023-05-18 | 客户对象分类方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116308468A true CN116308468A (zh) | 2023-06-23 |
Family
ID=86818910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310562475.9A Pending CN116308468A (zh) | 2023-05-18 | 2023-05-18 | 客户对象分类方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308468A (zh) |
-
2023
- 2023-05-18 CN CN202310562475.9A patent/CN116308468A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN117391866A (zh) | 一种数据处理方法、装置、设备及其存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN116308468A (zh) | 客户对象分类方法、装置、计算机设备及存储介质 | |
CN112669136A (zh) | 基于大数据的金融产品推荐方法、系统、设备及存储介质 | |
CN117314586A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN117194781A (zh) | 一种业务通知方法、装置、设备及其存储介质 | |
CN116797380A (zh) | 金融数据处理方法及其相关设备 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、装置、设备及存储介质 | |
CN116542779A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN117853202A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN116523662A (zh) | 基于人工智能的预测方法、装置、计算机设备及存储介质 | |
CN116542733A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN114219664A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN117611353A (zh) | 金融数据处理方法、装置、计算机设备及存储介质 | |
CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
CN117829962A (zh) | 一种产品再推荐方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |