CN117057866A - 业务推荐方法和装置、电子设备及存储介质 - Google Patents
业务推荐方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117057866A CN117057866A CN202310929161.8A CN202310929161A CN117057866A CN 117057866 A CN117057866 A CN 117057866A CN 202310929161 A CN202310929161 A CN 202310929161A CN 117057866 A CN117057866 A CN 117057866A
- Authority
- CN
- China
- Prior art keywords
- legal
- information
- analysis result
- client
- service
- 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 76
- 238000003860 storage Methods 0.000 title claims abstract description 31
- 238000012502 risk assessment Methods 0.000 claims abstract description 94
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims description 45
- 238000003058 natural language processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012954 risk control Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 26
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 167
- 238000013473 artificial intelligence Methods 0.000 description 25
- 239000000243 solution Substances 0.000 description 25
- 238000002955 isolation Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000003637 basic solution Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供了一种业务推荐方法和装置、电子设备及存储介质,属于金融科技技术领域。该方法包括:获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够基于客户属性进行定向的法商辅助服务,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
Description
技术领域
本申请涉及金融科技(Fintech)技术领域,尤其涉及一种业务推荐方法和装置、电子设备及存储介质。
背景技术
在保险领域,保险销售本质上是帮助客户控制风险,但是很多客户往往对于自己的风险缺乏认知,不了解自己的真实需求,而保险代理人在客户运营过程中,有一个非常重要的价值就是挖掘客户需求,匹配产品满足需求。这一技能依赖于保险代理人对于风险的广泛认知和解决方案的掌握能力,但大部分保险代理人只能通过有限的渠道去了解一些个案个例,这些了解不足以应对各型各色不同背景的客户以及他们潜在的痛点需求,尤其是高净值客户群体,他们的需求挖掘还依赖大量的法律、税务知识。因此,对保险代理人来说,这不仅仅是了解保险产品这么简单,还需要知道如何运用好产品策略来解决实际问题。
目前,为了帮助客户了解到潜在的但是尚未考虑到的各类风险,高效定位痛点需求,推荐与客户潜在需求匹配的业务产品,保险代理人需要依靠人工索引专业的法律文件,在信息获取和解决方案上耗费大量的时间精力,且投入与产出不一定成正比,对保险代理人的展业成交造成不利影响。
发明内容
本申请实施例的主要目的在于提出一种业务推荐方法和装置、电子设备及存储介质,能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
为实现上述目的,本申请实施例的第一方面提出了一种业务推荐方法,所述方法包括:
获取目标客户的人物属性信息;
基于GPT模型从所述人物属性信息中提取到关键法律信息;
根据所述关键法律信息生成风险分析结果;
将所述风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;
根据所述策略匹配结果确定关联业务产品;
根据所述关联业务产品和所述风险分析结果向所述目标客户进行业务推荐。
在一些实施例,所述基于GPT模型从所述人物属性信息中提取到关键法律信息,包括:
对所述人物属性信息进行属性分析,得到所述目标客户的属性分析结果;
从预设的法律数据库中查找出与所述属性分析结果相匹配的法律数据;
基于GPT模型从所述法律数据中提取到关键法律信息。
在一些实施例,所述对所述人物属性信息进行属性分析,得到所述目标客户的属性分析结果,包括:
通过自然语言处理NLP技术对所述人物属性信息进行属性分析,得到所述目标客户的属性分析结果,其中,所述属性分析结果包括家庭结构信息、资产状况信息和关注要点信息。
在一些实施例,所述从预设的法律数据库中查找出与所述属性分析结果相匹配的法律数据,包括:
获取所述法律数据库中的公开数据;
通过近邻搜索算法从所述公开数据中查找出与所述属性分析结果的相似度超过预设阈值的法律数据,其中,所述法律数据包括法律条款和司法判例。
在一些实施例,所述基于GPT模型从所述法律数据中提取到关键法律信息,包括:
将所述法律数据输入至所述GPT模型进行智能理解,得到与所述法律数据相关联的法律纠纷实例;
根据所述法律纠纷实例分析出判例依据和影响所述判例依据的影响因素;
从所述判例依据和所述影响因素中提取出所述关键法律信息。
在一些实施例,所述将所述风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,包括:
将所述风险分析结果输入与所述策略匹配模型中预先设定的风险控制策略进行匹配,得到策略组合信息;
根据所述策略组合信息生成所述策略匹配结果。
在一些实施例,所述根据所述策略匹配结果确定关联业务产品,包括:
根据所述策略匹配结果确定产品需求条件信息;
根据所述产品需求条件信息在预设的产品库中搜索出所述关联业务产品。
为实现上述目的,本申请实施例的第二方面提出了一种业务推荐装置,所述装置包括:
获取模块,用于获取目标客户的人物属性信息;
提取模块,用于基于GPT模型从所述人物属性信息中提取到关键法律信息;
生成模块,用于根据所述关键法律信息生成风险分析结果;
匹配模块,用于将所述风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;
确定模块,用于根据所述策略匹配结果确定关联业务产品;
推荐模块,用于根据所述关联业务产品和所述风险分析结果向所述目标客户进行业务推荐。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了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第一方面所述的方法。
本申请提出的业务推荐方法和装置、电子设备及存储介质,获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。根据关键法律信息生成风险分析结果,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,并根据策略匹配结果确定关联业务产品,从而匹配出保险代理人可以为客户销售的业务产品,提供需求解决的直接方案给保险代理人参考,为保险代理人提供产品专家智能化的能力,使得保险代理人能够根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
附图说明
图1是本申请实施例提供的业务推荐方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图2中的步骤S202的流程图;
图4是图2中的步骤S203的流程图;
图5是图1中的步骤S104的流程图;
图6是图1中的步骤S105的流程图;
图7是本申请另一实施例提供的业务推荐方法的流程图;
图8是本申请实施例提供的业务推荐装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
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。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
自然语言处理(Natural Language Processing,NLP):是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统。因而它是计算机科学的一部分。自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。
保险:是指投保人根据合同约定,向保险人支付保险费,保险人对于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、期限等条件时承担给付保险金责任的商业保险行为。从经济角度看,保险是分摊意外事故损失的一种财务安排;从法律角度看,保险是一种合同行为,是一方同意补偿另一方损失的一种合同安排;从社会角度看,保险是社会经济保障制度的重要组成部分,是社会生产和社会生活“精巧的稳定器”;从风险管理角度看,保险是风险管理的一种方法。
保险代理人:是指根据保险人的委托授权,代理其经营保险业务,并收取代理费用的人。保险代理人在保险人授权的范围内以保险人的名义进行业务活动,包括招揽业务的宣传推销活动,接受投保,出立暂保单或保险单,代收保险费,代理查勘理赔等。代理费用通常根据业务量比例支付。根据业务范围不同,保险代理人可分为总代理人、地方代理人与兼业代理人等。代理的方式有只为一家保险公司代理业务的专用代理,独立经营可同时为多家保险公司代理业务的独立代理等。
展业:即开展业务,是贷款、保险、理财等业务员为了寻找客户开展相应业务活动的总称。保险展业渠道主要包括直接展业、代理人展业及经纪人展业。其中,直接展业指保险人依靠自己的业务人员争取业务;代理人展业指在保险人授权范围内,由代理人进行保单推销,它又可分为专业代理和兼业代理。在财产保险中主要依靠直接展业和兼业展业,而人身保险除采用直接展业方式外,一般由专业代理人招揽业务。
生成对抗网络(GAN,Generative Adversarial Networks):是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始GAN理论中,并不要求G和D都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为G和D。一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。
生成式预训练Transformer模型(Generative Pre-Trained Transformer,GPT),是一种基于互联网的、可用数据来训练的、文本生成的基于深度学习的人工智能语言模型。为了实现自然语言生成和文本补全等功能,通过训练大规模数据集,GPT模型可以预测某个词或文本的下一个可能的词或文本。GPT是由OpenAI团队推出的,目前已经推出了好几个版本,其中最新的是GPT-4。在自然语言处理、文本生成、机器翻译等领域,GPT模型展现了卓越的表现。
在保险领域,为了帮助客户了解到潜在的但是尚未考虑到的各类风险,高效定位痛点需求,推荐与客户潜在需求匹配的业务产品,保险代理人需要依靠人工索引专业的法律文件,在信息获取和解决方案上耗费大量的时间精力,且投入与产出不一定成正比,对保险代理人的展业成交造成不利影响。
基于此,本申请实施例提供了一种业务推荐方法和装置、电子设备及存储介质,获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。根据关键法律信息生成风险分析结果,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,并根据策略匹配结果确定关联业务产品,从而匹配出保险代理人可以为客户销售的业务产品,提供需求解决的直接方案给保险代理人参考,为保险代理人提供产品专家智能化的能力,使得保险代理人能够根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
本申请实施例提供的业务推荐方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的业务推荐方法。
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。
本申请实施例提供的业务推荐方法,涉及人工智能技术领域。本申请实施例提供的业务推荐方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、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、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;软件可以是实现业务推荐方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的业务推荐方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101,获取目标客户的人物属性信息;
步骤S102,基于GPT模型从人物属性信息中提取到关键法律信息;
步骤S103,根据关键法律信息生成风险分析结果;
步骤S104,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;
步骤S105,根据策略匹配结果确定关联业务产品;
步骤S106,根据关联业务产品和风险分析结果向目标客户进行业务推荐。
在一些实施例的步骤S101中,获取目标客户的人物属性信息。示例性地,在保险领域,目标用户为保险代理人进行保险业务推荐的潜在客户。对于获取目标客户的人物属性信息的具体方式,可以通过保险代理人与客户面谈、客户填写资料等方式,从而收集客户的人物属性信息。其中,人物属性信息可以包括但不限于目标客户的个人履历、家庭情况、资产配置、风险承受能力、投资风格、关注喜好、业务产品需求等信息。
在一些实施例的步骤S102中,基于GPT模型从人物属性信息中提取到关键法律信息。对于目标客户进行非制式化的信息输入,保险代理人获取这些人物属性信息可能是零碎的。因此,需要从人物属性信息筛选出对业务推荐有参考价值的特定信息,例如,对进行目标客户的人物属性信息进行属性分析,可以得到属性分析结果,属性分析结果包括家庭结构信息、资产状况信息和关注要点信息。其中,家庭结构信息包括客户的直系及旁系关系,家庭成员的年龄性别等;资产状况信息包括客户的金融资产与非金融资产、负债、持有方式等;关注要点信息包括定向传承、婚姻隔离、企业隔离等。再从预设的法律数据库中查找出与属性分析结果相匹配的法律数据,法律数据包括法律条款、司法判例等。采用GPT模型从法律数据中提取到关键法律信息,例如,在类似的家庭结构和资产状况下,出现过哪些法律纠纷,对应这些纠纷不同的判例依据是什么,影响这些判例的因素有哪些。基于此,使用GPT技术替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。
在一些实施例的步骤S103中,根据关键法律信息生成风险分析结果。在保险领域,关键法律信息包括在类似的家庭结构和资产状况下,出现过哪些法律纠纷,对应这些法律纠纷不同的判例依据是什么,影响这些判例的因素有哪些。根据这些关键法律信息生成风险分析结果,以风险分析结果为目标客户提供法商辅助,从而实现基于客户属性进行定向的法商辅助服务,可以帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。
在一些实施例的步骤S104中,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果。示例性地,在保险领域,将风险分析结果输入至策略匹配模型,策略匹配模型会与其预先设定的策略进行匹配,得到策略匹配结果,策略匹配结果以债务风险发生前的策略为主,例如,年金、增额寿、保险金信托等组合方式,投保人和被保人的选择,保费缴纳体量和时间的选择等。
在一些实施例的步骤S105中,根据策略匹配结果确定关联业务产品。示例性地,在保险领域,在匹配好的策略输出后,对于目标客户需要的业务产品条件就已经有了大致的雏形,接着进行产品关联,通过搜索产品库内能够满足这些条件的关联业务产品,以该关联业务产品作为保险代理人向目标客户推送的基础解决方案。
在一些实施例的步骤S106中,根据关联业务产品和风险分析结果向目标客户进行业务推荐。示例性地,在保险领域,保险代理人可以根据关联业务产品了解目前自己可以销售的产品是如何与目标客户潜在需求匹配的,并结合风险分析结果引导客户寻找到自己的真实痛点。基于此,能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
本申请实施例所示意的步骤S101至步骤S106,获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。根据关键法律信息生成风险分析结果,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,并根据策略匹配结果确定关联业务产品,从而匹配出保险代理人可以为客户销售的业务产品,提供需求解决的直接方案给保险代理人参考,为保险代理人提供产品专家智能化的能力,使得保险代理人能够根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S203:
步骤S201,对人物属性信息进行属性分析,得到目标客户的属性分析结果;
步骤S202,从预设的法律数据库中查找出与属性分析结果相匹配的法律数据;
步骤S203,基于GPT模型从法律数据中提取到关键法律信息。
在一些实施例中,不同的客户具有不同的人物属性,对于目标客户进行非制式化的信息输入,保险代理人获取这些人物属性信息可能是零碎的,因此,可以通过自然语言处理NLP技术对目标客户的人物属性信息进行属性分析,可以得到目标客户的属性分析结果,其中,人物属性信息可以包括但不限于目标客户的个人履历、家庭情况、资产配置、风险承受能力、投资风格、关注喜好、业务产品需求等信息。在保险领域,为了从人物属性信息筛选出对业务推荐有参考价值的特定信息,例如,对进行目标客户的人物属性信息进行属性分析,可以得到属性分析结果,属性分析结果包括家庭结构信息、资产状况信息和关注要点信息。其中,家庭结构信息包括客户的直系及旁系关系,家庭成员的年龄性别等;资产状况信息包括客户的金融资产与非金融资产、负债、持有方式等;关注要点信息包括定向传承、婚姻隔离、企业隔离等。再从预设的法律数据库中查找出与属性分析结果相匹配的法律数据,法律数据包括法律条款、司法判例等。采用GPT模型从法律数据中提取到关键法律信息,例如,在类似的家庭结构和资产状况下,出现过哪些法律纠纷,对应这些纠纷不同的判例依据是什么,影响这些判例的因素有哪些。基于此,使用GPT技术替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。
请参阅图3,在一些实施例中,步骤S202可以包括但不限于包括步骤S301至步骤S302:
步骤S301,获取法律数据库中的公开数据;
步骤S302,通过近邻搜索算法从公开数据中查找出与属性分析结果的相似度超过预设阈值的法律数据,其中,法律数据包括法律条款和司法判例。
在一些实施例中,在保险领域,获取法律数据库中的公开数据,可以通过近邻搜索算法从公开数据中查找出与属性分析结果的相似度超过预设阈值的法律数据,需要说明的是,与属性分析结果的相似度越高,表示查找出的法律数据与目标客户背景契合度越高,但是对于预设阈值的具体数值,本申请实施例对此不作限制。例如,基于对目标客户的属性分析结果,采用近邻属性索引功能查找公开数据中与目标客户背景70%以上相似度的法律数据,法律数据包括法律条款、司法判例等。基于此,可以节省保险代理人自身的索引成本和匹配成本,省时省力。
请参阅图4,在一些实施例中,步骤S203可以包括但不限于包括步骤S401至步骤S402:
步骤S401,将法律数据输入至GPT模型进行智能理解,得到与法律数据相关联的法律纠纷实例;
步骤S402,根据法律纠纷实例分析出判例依据和影响判例依据的影响因素;
步骤S403,从判例依据和影响因素中提取出关键法律信息。
在一些实施例中,在保险领域,利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,具体地,可以将法律数据输入至GPT模型进行智能理解,得到与法律数据相关联的法律纠纷实例,再根据法律纠纷实例分析出判例依据和影响判例依据的影响因素,最后从判例依据和影响因素中提取出关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。
请参阅图5,在一些实施例中,步骤S104可以包括但不限于包括步骤S501至步骤S502:
步骤S501,将风险分析结果输入与策略匹配模型中预先设定的风险控制策略进行匹配,得到策略组合信息;
步骤S502,根据策略组合信息生成策略匹配结果。
在一些实施例中,可以将风险分析结果输入与策略匹配模型中预先设定的风险控制策略进行匹配,得到策略组合信息,再根据策略组合信息生成策略匹配结果。示例性地,在保险领域,将风险分析结果输入至策略匹配模型,策略匹配模型会与其预先设定的策略进行匹配,得到策略匹配结果,策略匹配结果以债务风险发生前的策略为主,例如,年金、增额寿、保险金信托等组合方式,投保人和被保人的选择,保费缴纳体量和时间的选择等。
请参阅图6,在一些实施例中,步骤S105可以包括但不限于包括步骤S601至步骤S602:
步骤S601,根据策略匹配结果确定产品需求条件信息;
步骤S602,根据产品需求条件信息在预设的产品库中搜索出关联业务产品。
在一些实施例中,示例性地,在保险领域,在匹配好的策略输出得到策略匹配结果后,对于目标客户需要的业务产品条件就已经有了大致的雏形,即可以确定产品需求条件信息,接着进行产品关联,通过搜索产品库内能够满足这些产品需求条件的关联业务产品,以该关联业务产品作为保险代理人向目标客户推送的基础解决方案。
以下结合附图和具体实施例进一步说明本申请的业务推荐方法。
如图7所示,图7为保险场景下业务推荐方法流程图,具体步骤如下:
1、将客户进行非制式化的信息输入至业务推荐系统:通过保险代理人与客户面谈、客户资料填写等方式,系统收集客户的人物属性信息,由于这些信息可能是零碎的,系统通过NLP技术进行智能分析,筛选出其中的家庭结构、资产状况和关注要点。
a)家庭结构,包括客户的直系及旁系关系,家庭成员的年龄性别等;
b)资产状况,包括客户的金融资产与非金融资产、负债、持有方式等;
c)关注要点,包括定向传承、婚姻隔离、企业隔离等。
2、基于客户的智能分析结果,系统启动近邻属性索引功能,查找公开数据中,与客户背景70%以上相似度的法律数据,包括法律条款、司法判例等。
3、对索引到的法律数据进行智能理解,通过GPT技术提取其中的关键信息,如在类似的家庭结构和资产状况下,出现过哪些法律纠纷,对应这些纠纷不同的判例依据是什么,影响这些判例的因素有哪些。
4、根据这些分析结果,系统内会与预设定的策略进行匹配,这些策略主要以债务风险发生前的策略为主,如年金、增额寿、保险金信托等组合方式,投保人和被保人的选择,保费缴纳体量和时间的选择等。
5、匹配好的策略输出后,对于需要的产品能力就已经有了大致的雏形,系统再搜索产品库内能够满足这些条件的产品,即为最后向保险代理人推送的解决方案。
6、保险代理人可以根据系统推荐,了解目前自己可以销售的产品是如何与客户潜在需求匹配的,并通过系统给出的法律分析结果,引导客户寻找到自己的真实痛点。
在保险领域,目标用户为保险代理人进行保险业务推荐的潜在客户。对于获取目标客户的人物属性信息的具体方式,可以通过保险代理人与客户面谈、客户填写资料等方式,从而收集客户的人物属性信息。其中,人物属性信息可以包括但不限于目标客户的个人履历、家庭情况、资产配置、风险承受能力、投资风格、关注喜好、业务产品需求等信息。由于不同的客户具有不同的人物属性,对于目标客户进行非制式化的信息输入,保险代理人获取这些人物属性信息可能是零碎的,因此,可以通过自然语言处理NLP技术对目标客户的人物属性信息进行属性分析,可以得到目标客户的属性分析结果,其中,人物属性信息可以包括但不限于目标客户的个人履历、家庭情况、资产配置、风险承受能力、投资风格、关注喜好、业务产品需求等信息。为了从人物属性信息筛选出对业务推荐有参考价值的特定信息,例如,对进行目标客户的人物属性信息进行属性分析,可以得到属性分析结果,属性分析结果包括家庭结构信息、资产状况信息和关注要点信息。其中,家庭结构信息包括客户的直系及旁系关系,家庭成员的年龄性别等;资产状况信息包括客户的金融资产与非金融资产、负债、持有方式等;关注要点信息包括定向传承、婚姻隔离、企业隔离等。再从预设的法律数据库中查找出与属性分析结果相匹配的法律数据,法律数据包括法律条款、司法判例等。采用GPT模型从法律数据中提取到关键法律信息,例如,在类似的家庭结构和资产状况下,出现过哪些法律纠纷,对应这些纠纷不同的判例依据是什么,影响这些判例的因素有哪些。根据这些关键法律信息生成风险分析结果,以风险分析结果为目标客户提供法商辅助,从而实现基于客户属性进行定向的法商辅助服务,可以帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。基于此,使用GPT技术替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。将风险分析结果输入至策略匹配模型,策略匹配模型会与其预先设定的策略进行匹配,得到策略匹配结果,策略匹配结果以债务风险发生前的策略为主,例如,年金、增额寿、保险金信托等组合方式,投保人和被保人的选择,保费缴纳体量和时间的选择等。在匹配好的策略输出后,对于目标客户需要的业务产品条件就已经有了大致的雏形,接着进行产品关联,通过搜索产品库内能够满足这些条件的关联业务产品,以该关联业务产品作为保险代理人向目标客户推送的基础解决方案。保险代理人可以根据关联业务产品了解目前自己可以销售的产品是如何与目标客户潜在需求匹配的,并结合风险分析结果引导客户寻找到自己的真实痛点。基于此,能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
基于此,本申请实施例通过获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。根据关键法律信息生成风险分析结果,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,并根据策略匹配结果确定关联业务产品,从而匹配出保险代理人可以为客户销售的业务产品,提供需求解决的直接方案给保险代理人参考,为保险代理人提供产品专家智能化的能力,使得保险代理人能够根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
请参阅图8,本申请实施例还提供一种业务推荐装置,可以实现上述业务推荐方法,该装置包括:
获取模块810,用于获取目标客户的人物属性信息;
提取模块820,用于基于GPT模型从人物属性信息中提取到关键法律信息;
生成模块830,用于根据关键法律信息生成风险分析结果;
匹配模块840,用于将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;
确定模块850,用于根据策略匹配结果确定关联业务产品;
推荐模块860,用于根据关联业务产品和风险分析结果向目标客户进行业务推荐。
在本申请的一些实施例中,获取模块810获取目标客户的人物属性信息;提取模块820基于GPT模型从人物属性信息中提取到关键法律信息;生成模块830根据关键法律信息生成风险分析结果;匹配模块840将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;确定模块850根据策略匹配结果确定关联业务产品;推荐模块860根据关联业务产品和风险分析结果向目标客户进行业务推荐。
在本申请的一些实施例中,获取模块810获取目标客户的人物属性信息。示例性地,在保险领域,目标用户为保险代理人进行保险业务推荐的潜在客户。对于获取目标客户的人物属性信息的具体方式,可以通过保险代理人与客户面谈、客户填写资料等方式,从而收集客户的人物属性信息。其中,人物属性信息可以包括但不限于目标客户的个人履历、家庭情况、资产配置、风险承受能力、投资风格、关注喜好、业务产品需求等信息。
在本申请的一些实施例中,提取模块820基于GPT模型从人物属性信息中提取到关键法律信息。对于目标客户进行非制式化的信息输入,保险代理人获取这些人物属性信息可能是零碎的。因此,需要从人物属性信息筛选出对业务推荐有参考价值的特定信息,例如,对进行目标客户的人物属性信息进行属性分析,可以得到属性分析结果,属性分析结果包括家庭结构信息、资产状况信息和关注要点信息。其中,家庭结构信息包括客户的直系及旁系关系,家庭成员的年龄性别等;资产状况信息包括客户的金融资产与非金融资产、负债、持有方式等;关注要点信息包括定向传承、婚姻隔离、企业隔离等。再从预设的法律数据库中查找出与属性分析结果相匹配的法律数据,法律数据包括法律条款、司法判例等。采用GPT模型从法律数据中提取到关键法律信息,例如,在类似的家庭结构和资产状况下,出现过哪些法律纠纷,对应这些纠纷不同的判例依据是什么,影响这些判例的因素有哪些。基于此,使用GPT技术替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。
在本申请的一些实施例中,生成模块830根据关键法律信息生成风险分析结果。在保险领域,关键法律信息包括在类似的家庭结构和资产状况下,出现过哪些法律纠纷,对应这些法律纠纷不同的判例依据是什么,影响这些判例的因素有哪些。根据这些关键法律信息生成风险分析结果,以风险分析结果为目标客户提供法商辅助,从而实现基于客户属性进行定向的法商辅助服务,可以帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。
在本申请的一些实施例中,匹配模块840将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果。示例性地,在保险领域,将风险分析结果输入至策略匹配模型,策略匹配模型会与其预先设定的策略进行匹配,得到策略匹配结果,策略匹配结果以债务风险发生前的策略为主,例如,年金、增额寿、保险金信托等组合方式,投保人和被保人的选择,保费缴纳体量和时间的选择等。
在本申请的一些实施例中,确定模块850根据策略匹配结果确定关联业务产品。示例性地,在保险领域,在匹配好的策略输出后,对于目标客户需要的业务产品条件就已经有了大致的雏形,接着进行产品关联,通过搜索产品库内能够满足这些条件的关联业务产品,以该关联业务产品作为保险代理人向目标客户推送的基础解决方案。
在本申请的一些实施例中,推荐模块860根据关联业务产品和风险分析结果向目标客户进行业务推荐。示例性地,在保险领域,保险代理人可以根据关联业务产品了解目前自己可以销售的产品是如何与目标客户潜在需求匹配的,并结合风险分析结果引导客户寻找到自己的真实痛点。基于此,能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
基于此,本申请实施例的业务推荐装置,获取模块810获取目标客户的人物属性信息;提取模块820基于GPT模型从人物属性信息中提取到关键法律信息;生成模块830根据关键法律信息生成风险分析结果;匹配模块840将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;确定模块850根据策略匹配结果确定关联业务产品;推荐模块860根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请通过获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。根据关键法律信息生成风险分析结果,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,并根据策略匹配结果确定关联业务产品,从而匹配出保险代理人可以为客户销售的业务产品,提供需求解决的直接方案给保险代理人参考,为保险代理人提供产品专家智能化的能力,使得保险代理人能够根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
该业务推荐装置的具体实施方式与上述业务推荐方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述业务推荐方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案。
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的业务推荐方法,即通过获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。根据关键法律信息生成风险分析结果,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,并根据策略匹配结果确定关联业务产品,从而匹配出保险代理人可以为客户销售的业务产品,提供需求解决的直接方案给保险代理人参考,为保险代理人提供产品专家智能化的能力,使得保险代理人能够根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
输入/输出接口903,用于实现信息输入及输出。
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息。
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述业务推荐方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的业务推荐方法、业务推荐装置、电子设备及存储介质,通过获取目标客户的人物属性信息;基于GPT模型从人物属性信息中提取到关键法律信息;根据关键法律信息生成风险分析结果;将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;根据策略匹配结果确定关联业务产品;根据关联业务产品和风险分析结果向目标客户进行业务推荐。本申请利用GPT模型从目标客户的人物属性信息中提取到关键法律信息,以替代人工索引专业的法律文件,解决保险代理人不知道哪里查和怎么看的问题,节省大量时间,通过人工智能代替繁琐的工作。而且,基于客户属性进行定向的法商辅助服务,可以帮助代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求。根据关键法律信息生成风险分析结果,将风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,并根据策略匹配结果确定关联业务产品,从而匹配出保险代理人可以为客户销售的业务产品,提供需求解决的直接方案给保险代理人参考,为保险代理人提供产品专家智能化的能力,使得保险代理人能够根据关联业务产品和风险分析结果向目标客户进行业务推荐。基于此,本申请实施例能够克服保险代理人在信息获取以及解决方案上的短板,基于客户属性进行定向的法商辅助服务,帮助保险代理人和客户了解到潜在的但是尚未考虑到的各类风险,高效定位客户的痛点需求,可以节省保险代理人自身的索引成本和匹配成本,省时省力,为保险代理人提供精准的需求沟通方向,赋予保险代理人提供产品专家智能化的能力,从而助力保险代理人展业成交。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读程序、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读程序、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,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。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请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,上述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种业务推荐方法,其特征在于,所述方法包括:
获取目标客户的人物属性信息;
基于GPT模型从所述人物属性信息中提取到关键法律信息;
根据所述关键法律信息生成风险分析结果;
将所述风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;
根据所述策略匹配结果确定关联业务产品;
根据所述关联业务产品和所述风险分析结果向所述目标客户进行业务推荐。
2.根据权利要求1所述的方法,其特征在于,所述基于GPT模型从所述人物属性信息中提取到关键法律信息,包括:
对所述人物属性信息进行属性分析,得到所述目标客户的属性分析结果;
从预设的法律数据库中查找出与所述属性分析结果相匹配的法律数据;
基于GPT模型从所述法律数据中提取到关键法律信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述人物属性信息进行属性分析,得到所述目标客户的属性分析结果,包括:
通过自然语言处理NLP技术对所述人物属性信息进行属性分析,得到所述目标客户的属性分析结果,其中,所述属性分析结果包括家庭结构信息、资产状况信息和关注要点信息。
4.根据权利要求2所述的方法,其特征在于,所述从预设的法律数据库中查找出与所述属性分析结果相匹配的法律数据,包括:
获取所述法律数据库中的公开数据;
通过近邻搜索算法从所述公开数据中查找出与所述属性分析结果的相似度超过预设阈值的法律数据,其中,所述法律数据包括法律条款和司法判例。
5.根据权利要求2所述的方法,其特征在于,所述基于GPT模型从所述法律数据中提取到关键法律信息,包括:
将所述法律数据输入至所述GPT模型进行智能理解,得到与所述法律数据相关联的法律纠纷实例;
根据所述法律纠纷实例分析出判例依据和影响所述判例依据的影响因素;
从所述判例依据和所述影响因素中提取出所述关键法律信息。
6.根据权利要求1所述的方法,其特征在于,所述将所述风险分析结果输入至预设的策略匹配模型,输出策略匹配结果,包括:
将所述风险分析结果输入与所述策略匹配模型中预先设定的风险控制策略进行匹配,得到策略组合信息;
根据所述策略组合信息生成所述策略匹配结果。
7.根据权利要求1所述的方法,其特征在于,所述根据所述策略匹配结果确定关联业务产品,包括:
根据所述策略匹配结果确定产品需求条件信息;
根据所述产品需求条件信息在预设的产品库中搜索出所述关联业务产品。
8.一种业务推荐装置,其特征在于,所述装置包括:
获取模块,用于获取目标客户的人物属性信息;
提取模块,用于基于GPT模型从所述人物属性信息中提取到关键法律信息;
生成模块,用于根据所述关键法律信息生成风险分析结果;
匹配模块,用于将所述风险分析结果输入至预设的策略匹配模型,输出策略匹配结果;
确定模块,用于根据所述策略匹配结果确定关联业务产品;
推荐模块,用于根据所述关联业务产品和所述风险分析结果向所述目标客户进行业务推荐。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的业务推荐方法。
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权利要求1至7中任一项所述的业务推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310929161.8A CN117057866A (zh) | 2023-07-26 | 2023-07-26 | 业务推荐方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310929161.8A CN117057866A (zh) | 2023-07-26 | 2023-07-26 | 业务推荐方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057866A true CN117057866A (zh) | 2023-11-14 |
Family
ID=88661710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310929161.8A Pending CN117057866A (zh) | 2023-07-26 | 2023-07-26 | 业务推荐方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453903A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市智慧城市科技发展集团有限公司 | 信息推送方法、终端设备及可读存储介质 |
-
2023
- 2023-07-26 CN CN202310929161.8A patent/CN117057866A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453903A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市智慧城市科技发展集团有限公司 | 信息推送方法、终端设备及可读存储介质 |
CN117453903B (zh) * | 2023-12-22 | 2024-04-12 | 深圳市智慧城市科技发展集团有限公司 | 信息推送方法、终端设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lyu et al. | Artificial Intelligence and emerging digital technologies in the energy sector | |
Chung | BizPro: Extracting and categorizing business intelligence factors from textual news articles | |
Tsui et al. | Knowledge-based extraction of intellectual capital-related information from unstructured data | |
CN111708949B (zh) | 医疗资源的推荐方法及装置、电子设备、存储介质 | |
US11853337B2 (en) | System to determine a credibility weighting for electronic records | |
US11373101B2 (en) | Document analyzer | |
KR102121901B1 (ko) | 정책자금 온라인 심사평가 시스템 | |
CN108885631B (zh) | 用于数据市场中的合同管理的方法和系统 | |
CN112597775A (zh) | 信贷风险预测方法及装置 | |
CN114090755A (zh) | 基于知识图谱的回复语句确定方法、装置及电子设备 | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
CN117057866A (zh) | 业务推荐方法和装置、电子设备及存储介质 | |
Zimbra et al. | Stakeholder analyses of firm-related Web forums: Applications in stock return prediction | |
Pisoni et al. | Responsible and human centric AI-based insurance advisors | |
AU2022254783A1 (en) | Clause taxonomy system and method for structured document construction and analysis | |
Shiyyab et al. | The Impact of Artificial Intelligence Disclosure on Financial Performance | |
US11062330B2 (en) | Cognitively identifying a propensity for obtaining prospective entities | |
CN113408627A (zh) | 目标对象的确定方法、装置和服务器 | |
Holland et al. | Artificial intelligence and digital transformation of insurance markets | |
CN113641903B (zh) | 基于人工智能的业务匹配方法及服务器 | |
CN115099680A (zh) | 风险管理方法、装置、设备及存储介质 | |
KR20230099822A (ko) | Ai기반의 시장 조사 보고서 작성 시스템 및 이를 이용한 시장 조사 보고서 작성 방법 | |
Srivastava et al. | Hyperautomation in transforming underwriting operation in the life insurance industry | |
Michelberger et al. | Maintaining semantic networks: challenges and algorithms | |
CN114549078B (zh) | 基于时序的客户行为处理方法、装置及相关设备 |
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 |