CN116821228A - 基于数据分析的保险产品可视化配置方法 - Google Patents
基于数据分析的保险产品可视化配置方法 Download PDFInfo
- Publication number
- CN116821228A CN116821228A CN202310639534.8A CN202310639534A CN116821228A CN 116821228 A CN116821228 A CN 116821228A CN 202310639534 A CN202310639534 A CN 202310639534A CN 116821228 A CN116821228 A CN 116821228A
- Authority
- CN
- China
- Prior art keywords
- data
- insurance
- insurance product
- client
- product
- 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 31
- 230000000007 visual effect Effects 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 9
- 238000000586 desensitisation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及保险技术领域,具体地说,涉及基于数据分析的保险产品可视化配置方法。其包括根据客户行为收录保险公司的内部数据和客户数据,输出客户感兴趣的全部保险产品;采用机器学习算法对数据进行归类和整理,提取关键因素;根据关键因素以自由组合的方式配置保险产品,生成多个可供选择的配置方案,从配置方案中输出最优保险产品组合;键入配置方案输出分析结果,将分析结果采用可视化的方式呈现给客户。本发明方便确定客户感兴趣的保险产品,针对客户的感兴趣的保险产品配置出最优保险产品组合,有利于在满足配置效率和推荐服务的前提下,分析客户需求和偏好,实现了更加高效、方便和精准的保险产品配置和个性化推荐服务。
Description
技术领域
本发明涉及保险技术领域,具体地说,涉及基于数据分析的保险产品可视化配置方法。
背景技术
保险是(市场经济条件下)风险管理的基本手段,是金融体系和社会保障体系的重要支柱,也是一种在满足合同条件时(合同约定的可能发生的事故因其发生所造成的财产损失承担赔偿保险金责任,或者被保险人死亡、伤残、疾病或者达到合同约定的年龄、期限等条件时)保险人向被保险人支付保险金的行为,随着保险行业的发展,保险产品越来越多,消费者有时会面临选购保险产品时的困境,在保险公司内部,产品定价和配置任务也十分繁重,虽然目前也有针对保险进行配置的系统,例如:根据中国专利申请号为:CN201711293958.4涉及一种保险数据信息的配置方法、装置、计算机设备和存储介质,方法包括:接收终端发送的信息配置请求;信息配置请求携带了信息类型;根据信息配置请求获取多个保险子类组件及关联的保险责任组件,利用多个保险子类组件和保险责任组件生成信息配置页面,将信息配置页面发送至终端,终端获取信息配置页面上一个或多个保险子类组件对应的选定操作;接收终端发送的被选定的保险子类组件;根据信息类型,利用被选定的保险子类组件及对应的保险责任组件,生成对应类型的保险数据信息。采用本方法能够提高保险数据信息配置效率;
但是现有技术在保险产品分析和配置时,不能针对性的用户进行分析,导致配置的保险产品与用户预期偏差较大,且配置出的保险产品在进行组合时,不方面用户可视化的选择,导致用户不能全面了解自己选择产品的优缺点,降低保险公司内部和消费者之间的效率,是亟待解决的难题,鉴于此,我们提出基于数据分析的保险产品可视化配置方法。
发明内容
本发明的目的在于提供基于数据分析的保险产品可视化配置方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供基于数据分析的保险产品可视化配置方法,包括以下步骤:
S1、根据客户行为收录保险公司的内部数据和客户数据,输出客户感兴趣的全部保险产品;
S2、采用机器学习算法对数据进行归类和整理,提取关键因素;
S3、根据关键因素以自由组合的方式配置保险产品,生成多个可供选择的配置方案,从配置方案中输出最优保险产品组合;
S4、键入配置方案输出分析结果,将分析结果采用可视化的方式呈现给客户。
作为本技术方案的进一步改进,所述S1中收录客户数据的采用客户行为分析算法,包括以下步骤:
通过采集客户浏览记录的数据进行数据缺失值填充、数据异常处理的清洗操作;
将客户浏览记录转换成数值特征,比如每个保险产品的浏览次数、时长、收藏数等等。
作为本技术方案的进一步改进,所述S2中机器学习算法包括以下步骤:
S2.1、找出相同保险产品中浏览记录的所有最大、最小值,对所有数值特征进行归一化处理;
S2.2、通过聚类算法对经过归一化处理后的每个保险产品的流量数据进行聚类,直到收敛或达到预定迭代次数;
S2.3、对所有保险产品的浏览次数计算加权平均得到客户浏览的全部保险产品;
S2.4、对全部保险产品排序,键出和预设数量相同的保险产品为关键因素。
作为本技术方案的进一步改进,所述聚类算法采用层次聚类算法,包括以下步骤:
将每个保险产品的流量数据视为一个多维特征空间中的一个点,计算每两点间的距离;
将所有数据看做各自单独一个类别,计算各自类别之间的距离,选择距离最小的两个类别进行合并,即形成新的一个类别;
重复操作,直到所有数据都被合并为一个大类,或者达到预设的聚类个数;
在聚类结果中进行裁剪,得到划分为不同类别的保险产品。
作为本技术方案的进一步改进,所述S2.3中计算加权的表达式如下:
定义每个保险产品的流量数据特征向量为,其中/>为特征维度,表示第/>个特征的值;
对所有特征进行加权处理,计算出每个保险产品的加权特征向量,其中/>为第/>个特征的权重;
计算每个保险产品的流量特征评分,其中/>为第/>个特征的得分权重,/>为特征数量。
作为本技术方案的进一步改进,所述S3中生成多个可供选择的配置方案,包括以下步骤:
定义可组合的保险产品和其各项属性;
确定一组初始化的保险产品组合;
构建一组有限的参数,并对这些参数进行随机变动;
生成新的保险产品组合,并使用模型评估每个产品组合的质量,以判断新的方案比原方案的优劣关系,直到达到预定的终止条件,输出最优保险产品组合。
作为本技术方案的进一步改进,在评估每个产品组合的质量时,采用如下表达式:
其中,是各个因素的权重,/>是将各个因素转换为标准化数据后的分数,保费、保障金额、保险期限和附属保障是不同的组成因素。
作为本技术方案的进一步改进,所述S4中将分析结果采用可视化的方式呈现给客户包括以下步骤:
将每个保险产品组合方案的各项特征用二维坐标进行表示;
设置不同的分析视角,查看不同的特征之间的关系;
在绘图界面上添加一些交互式的控制面板。
作为本技术方案的进一步改进,所述S4中还包括权限设置算法,包括以下步骤:
对分析结果中的敏感数据进行了脱敏处理;
并使用数据加密技术,加密传输和存储敏感数据;
设置一定的权限控制方式,对不同的数据和人员进行一定的访问控制管理。
与现有技术相比,本发明的有益效果:
该基于数据分析的保险产品可视化配置方法中,通过根据客户行为收录保险公司的内部数据和客户数据,采用机器学习算法对数据进行归类和整理,提取关键因素,方便确定客户感兴趣的保险产品,从而在配置保险产品时,针对客户的感兴趣的保险产品配置出最优保险产品组合,有利于在满足配置效率和推荐服务的前提下,分析客户需求和偏好,实现了更加高效、方便和精准的保险产品配置和个性化推荐服务。
附图说明
图1为本发明的整体流程框图;
图2为本发明的机器学习算法流程框图;
图3为本发明的生成多个可供选择的配置方案流程框图。
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,所描述的实施例仅仅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做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。
请参阅图1-图3所示,本实施例提供基于数据分析的保险产品可视化配置方法,包括以下步骤:
S1、根据客户行为收录保险公司的内部数据和客户数据,输出客户感兴趣的全部保险产品,保险公司的内部数据可以是保险公司查询保险产品的软件,客户在保险公司内查询保险产品时,可以生成对应的内部数据,从而通过内部数据对应客户数据,也就是客户的信息,方便直接确定客户浏览保险产品的数据,方便后续进行分析;
S1中收录客户数据的采用客户行为分析算法,包括以下步骤:
通过采集客户浏览记录的数据进行数据缺失值填充、数据异常处理的清洗操作,保证数据采集的质量,减小异常数据对内存的占用;
将客户浏览记录转换成数值特征,比如每个保险产品的浏览次数、时长、收藏数等等,以帮助保险公司更好地分析客户的兴趣爱好和需求,保险公司可以通过客户行为分析算法来收集客户的行为数据,比如点击率、浏览记录、收藏和购买记录等等,这些数据会直接反映客户的兴趣爱好和需求。
S2、采用机器学习算法对数据进行归类和整理,提取关键因素,关键因素也就是客户感兴趣的保险产品,可以是1个也可以是多个;
S2中机器学习算法包括以下步骤:
S2.1、找出相同保险产品中浏览记录的所有最大、最小值,对所有数值特征进行归一化处理;
S2.2、通过聚类算法对经过归一化处理后的每个保险产品的流量数据进行聚类,直到收敛或达到预定迭代次数;
S2.3、对所有保险产品的浏览次数计算加权平均得到客户浏览的全部保险产品;
S2.4、对全部保险产品排序,键出和预设数量相同的保险产品为关键因素,也就是根据加权得到客户浏览的全部保险产品后,对保险产品进行排序,根据保险产品的流量得出客户感应器的保险产品排名,只需要根据预设数量,例如3个,也就是客户准备购买保险的数量,输出感兴趣排名前3个保险产品为关键因素即可,保险公司可以更好地了解客户的兴趣和需求,提供更加个性化的服务和产品推荐,从而实现业务增长和客户满意度提高的目标。
值得说明的,聚类算法采用层次聚类算法,包括以下步骤:
将每个保险产品的流量数据视为一个多维特征空间中的一个点,计算每两点间的距离;
将所有数据看做各自单独一个类别,计算各自类别之间的距离,选择距离最小的两个类别进行合并,即形成新的一个类别;
重复操作,直到所有数据都被合并为一个大类,或者达到预设的聚类个数;
在聚类结果中进行裁剪,得到划分为不同类别的保险产品;层次聚类算法中可以使用多种距离度量方法,其中最常用的包括欧几里得距离、曼哈顿距离、余弦距离等,对于归一化后的每个数据样本,如果用表示第/>个数据样本,/>
表示第个数据样本,采用欧几里得距离作为距离度量,则其距离计算公式为:
其中,d为距离,表示不同的特征,通过计算所有样本之间的距离,并使用层次聚
类算法进行分层划分,可以将所有保险产品分为不同类别,从而为保险公司提供更加准确
的定制化服务和个性化推荐。
S2.3中计算加权的表达式如下:
定义每个保险产品的流量数据特征向量为,其中/>为特征维度,表示第/>个特征的值;
对所有特征进行加权处理,计算出每个保险产品的加权特征向量,其中/>为第/>个特征的权重;
计算每个保险产品的流量特征评分,其中/>为第/>个特征的得分权重,/>为特征数量,通过得分权重在确定产品的重要性和客户的行为数据,方便配置符合用户预期的保险产品,提高配置产品的针对性。
S3、根据关键因素以自由组合的方式配置保险产品,生成多个可供选择的配置方案,从配置方案中输出最优保险产品组合;
S3中生成多个可供选择的配置方案,包括以下步骤:
定义可组合的保险产品和其各项属性,如价格、保险期限、保障内容等,同时,我们也需要定义一些可供调整的参数,如保障金额、保险期限等,以方便后续进行调优;
确定一组初始化的保险产品组合;
构建一组有限的参数(如价格、保障金额、保险期限等),并对这些参数进行随机变动;
生成新的保险产品组合,并使用模型评估每个产品组合的质量,以判断新的方案比原方案的优劣关系,直到达到预定的终止条件(如达到一定评估质量或达到指定的迭代次数),输出最优保险产品组合。
在评估每个产品组合的质量时,采用如下表达式:
其中,是各个因素的权重,/>是将各个因素转换为标准化数据后的分数,保费、保障金额、保险期限和附属保障是不同的组成因素,实现保险公司可以生成多个优质、可行的保险产品组合,以满足客户的个性化需求和保证服务质量,同时优化营销策略和业务布局。
S4、键入配置方案输出分析结果,将分析结果采用可视化的方式呈现给客户;
S4中将分析结果采用可视化的方式呈现给客户包括以下步骤:
将每个保险产品组合方案的各项特征用二维坐标进行表示,例如使用保费和保障金额作为横纵坐标,将不同方案的对应坐标点分别绘制在二维平面上;
设置不同的分析视角,查看不同的特征之间的关系,例如使用散点图进行表示;
在绘图界面上添加一些交互式的控制面板,以便用户在运行过程中进行实时调整,允许客户通过操作图表来观察不同指标之间的关系,可以基于图表上的数据进行缩放、过滤、选择和排序等,也可以选择不同的特征组合、调整坐标轴范围、放大缩小、选择更改数据以及设置其他参数等,让客户了解数据变更的趋势与反馈,进一步提高数据分析的效率和透明度。
考虑到客户在交互式控制面板时,容易造成隐私泄露,导致他人也可以可视化的观察配置结果,因此,S4中还包括权限设置算法,包括以下步骤:
对分析结果中的敏感数据进行了脱敏处理,对于敏感数据,在进行可视化处理时应先进行数据脱敏,以对数据进行保护和隐私保护,脱敏算法可以使用以字段级别为单位,结合字典和随机化方法来保证数据安全;
并使用数据加密技术,加密传输和存储敏感数据,而加密传输和存储数据,使用对称和非对称加密技术,保障数据传输和存储过程中的大量安全问题,提高数据安全性;
设置一定的权限控制方式,对不同的数据和人员进行一定的访问控制管理,确保数据的一致性、可靠性和保密性,客户访问的权限,只允许用户查看、编辑、复制、导出和使用与其应用场景相匹配的数据,同时控制用户对数据的使用和共享范围,保护数据隐私和商业机密,有利于确保数据的安全和保密性,保护客户隐私信息,同时帮助客户客观、准确地了解数据分析结果,更好地进行数据决策和业务管理。
综上,本发明考虑到现有技术在保险产品分析和配置时,不能针对性的用户进行分析,导致配置的保险产品与用户预期偏差较大,且配置出的保险产品在进行组合时,不方面用户可视化的选择,导致用户不能全面了解自己选择产品的优缺点,降低保险公司内部和消费者之间的效率,因此,通过根据客户行为收录保险公司的内部数据和客户数据,采用机器学习算法对数据进行归类和整理,提取关键因素,方便确定客户感兴趣的保险产品,从而在配置保险产品时,针对客户的感兴趣的保险产品配置出最优保险产品组合,有利于在满足配置效率和推荐服务的前提下,分析客户需求和偏好,实现了更加高效、方便和精准的保险产品配置和个性化推荐服务。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于数据分析的保险产品可视化配置方法,其特征在于,包括以下步骤:
S1、根据客户行为收录保险公司的内部数据和客户数据,输出客户感兴趣的全部保险产品;
S2、采用机器学习算法对数据进行归类和整理,提取关键因素;
S3、根据关键因素以自由组合的方式配置保险产品,生成多个可供选择的配置方案,从配置方案中输出最优保险产品组合;
S4、键入配置方案输出分析结果,将分析结果采用可视化的方式呈现给客户。
2.根据权利要求1所述的基于数据分析的保险产品可视化配置方法,其特征在于:所述S1中收录客户数据的采用客户行为分析算法,包括以下步骤:
通过采集客户浏览记录的数据进行数据缺失值填充、数据异常处理的清洗操作;
将客户浏览记录转换成数值特征,比如每个保险产品的浏览次数、时长、收藏数等等。
3.根据权利要求2所述的基于数据分析的保险产品可视化配置方法,其特征在于:所述S2中机器学习算法包括以下步骤:
S2.1、找出相同保险产品中浏览记录的所有最大、最小值,对所有数值特征进行归一化处理;
S2.2、通过聚类算法对经过归一化处理后的每个保险产品的流量数据进行聚类,直到收敛或达到预定迭代次数;
S2.3、对所有保险产品的浏览次数计算加权平均得到客户浏览的全部保险产品;
S2.4、对全部保险产品排序,键出和预设数量相同的保险产品为关键因素。
4.根据权利要求3所述的基于数据分析的保险产品可视化配置方法,其特征在于:所述聚类算法采用层次聚类算法,包括以下步骤:
将每个保险产品的流量数据视为一个多维特征空间中的一个点,计算每两点间的距离;
将所有数据看做各自单独一个类别,计算各自类别之间的距离,选择距离最小的两个类别进行合并,即形成新的一个类别;
重复操作,直到所有数据都被合并为一个大类,或者达到预设的聚类个数;
在聚类结果中进行裁剪,得到划分为不同类别的保险产品。
5.根据权利要求4所述的基于数据分析的保险产品可视化配置方法,其特征在于:所述S2.3中计算加权的表达式如下:
定义每个保险产品的流量数据特征向量为,其中/>为特征维度,/>表示第/>个特征的值;
对所有特征进行加权处理,计算出每个保险产品的加权特征向量,其中/>为第/>个特征的权重;
计算每个保险产品的流量特征评分,其中/>为第/>个特征的得分权重,/>为特征数量。
6.根据权利要求1所述的基于数据分析的保险产品可视化配置方法,其特征在于:所述S3中生成多个可供选择的配置方案,包括以下步骤:
定义可组合的保险产品和其各项属性;
确定一组初始化的保险产品组合;
构建一组有限的参数,并对这些参数进行随机变动;
生成新的保险产品组合,并使用模型评估每个产品组合的质量,以判断新的方案比原方案的优劣关系,直到达到预定的终止条件,输出最优保险产品组合。
7.根据权利要求6所述的基于数据分析的保险产品可视化配置方法,其特征在于:在评估每个产品组合的质量时,采用如下表达式:
8.其中,是各个因素的权重,/>是将各个因素转换为标准化数据后的分数,保费、保障金额、保险期限和附属保障是不同的组成因素。
9.根据权利要求1所述的基于数据分析的保险产品可视化配置方法,其特征在于:所述S4中将分析结果采用可视化的方式呈现给客户包括以下步骤:
将每个保险产品组合方案的各项特征用二维坐标进行表示;
设置不同的分析视角,查看不同的特征之间的关系;
在绘图界面上添加一些交互式的控制面板。
10.根据权利要求8所述的基于数据分析的保险产品可视化配置方法,其特征在于:所述S4中还包括权限设置算法,包括以下步骤:
对分析结果中的敏感数据进行了脱敏处理;
并使用数据加密技术,加密传输和存储敏感数据;
设置一定的权限控制方式,对不同的数据和人员进行一定的访问控制管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639534.8A CN116821228A (zh) | 2023-06-01 | 2023-06-01 | 基于数据分析的保险产品可视化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639534.8A CN116821228A (zh) | 2023-06-01 | 2023-06-01 | 基于数据分析的保险产品可视化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116821228A true CN116821228A (zh) | 2023-09-29 |
Family
ID=88119523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310639534.8A Pending CN116821228A (zh) | 2023-06-01 | 2023-06-01 | 基于数据分析的保险产品可视化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821228A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN112818216A (zh) * | 2021-01-13 | 2021-05-18 | 平安科技(深圳)有限公司 | 客户推荐方法、装置、电子设备及存储介质 |
CN115080864A (zh) * | 2022-07-21 | 2022-09-20 | 中国平安人寿保险股份有限公司 | 基于人工智能的产品推荐方法、装置、计算机设备及介质 |
CN115131101A (zh) * | 2022-07-05 | 2022-09-30 | 太平人寿保险有限公司 | 一种保险产品个性化智能推荐系统 |
CN115409630A (zh) * | 2022-07-26 | 2022-11-29 | 青岛小贝信息技术有限公司 | 一种基于混合推荐算法的保险产品精准推荐方法 |
-
2023
- 2023-06-01 CN CN202310639534.8A patent/CN116821228A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN112818216A (zh) * | 2021-01-13 | 2021-05-18 | 平安科技(深圳)有限公司 | 客户推荐方法、装置、电子设备及存储介质 |
CN115131101A (zh) * | 2022-07-05 | 2022-09-30 | 太平人寿保险有限公司 | 一种保险产品个性化智能推荐系统 |
CN115080864A (zh) * | 2022-07-21 | 2022-09-20 | 中国平安人寿保险股份有限公司 | 基于人工智能的产品推荐方法、装置、计算机设备及介质 |
CN115409630A (zh) * | 2022-07-26 | 2022-11-29 | 青岛小贝信息技术有限公司 | 一种基于混合推荐算法的保险产品精准推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
US10108979B2 (en) | Advertisement effectiveness measurements | |
US7200607B2 (en) | Data analysis system for creating a comparative profile report | |
US7028036B2 (en) | System and method for visualization of continuous attribute values | |
CA3070612A1 (en) | Click rate estimation | |
KR20060122756A (ko) | 지적재산 분석 및 보고서 생성 시스템 및 방법 | |
AU2011296096A1 (en) | User list identification | |
US20120271806A1 (en) | Generating domain-based training data for tail queries | |
CN116452261B (zh) | 一种基于跨境电商服务平台的广告投放数据处理方法 | |
Orogun et al. | Predicting consumer behaviour in digital market: a machine learning approach | |
WO2022007798A1 (zh) | 数据显示方法、装置、终端设备及存储介质 | |
CN117093782A (zh) | 一种电力人工智能模型系统及方法 | |
JP2000029931A (ja) | マーケティングデータ収集方法 | |
US20150142782A1 (en) | Method for associating metadata with images | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN116821228A (zh) | 基于数据分析的保险产品可视化配置方法 | |
CN110209944A (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN113743692B (zh) | 业务风险评估方法、装置、计算机设备和存储介质 | |
CN113343308A (zh) | 一种隐私保护的数据挖掘及客户分析系统 | |
US20170357988A1 (en) | Audience comparison | |
JP5369252B2 (ja) | 計算機システム及び計算機システムを用いた情報提示方法 | |
CN114881677A (zh) | 一种用户需求分析方法、装置及设备 | |
Zhang et al. | Big Data Assisted Empirical Study for Business Value Identification Using Smart Technologies: An Empirical Study for Business Value Identification of Big Data Adaption in E-Commerce | |
LU505415B1 (en) | System and method for pushing digital financial businesses based on artifical intelligence | |
US20240037586A1 (en) | Influence scoring for segment analysis systems and methods |
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 |