CN117391866A - 一种数据处理方法、装置、设备及其存储介质 - Google Patents
一种数据处理方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN117391866A CN117391866A CN202311305940.7A CN202311305940A CN117391866A CN 117391866 A CN117391866 A CN 117391866A CN 202311305940 A CN202311305940 A CN 202311305940A CN 117391866 A CN117391866 A CN 117391866A
- Authority
- CN
- China
- Prior art keywords
- renewal
- samples
- model
- average
- component
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004321 preservation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning 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
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于金融科技技术领域,应用于车险销售规划场景中,涉及一种数据处理方法、装置、设备及其存储介质,包括通过获取目标样本;按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集;训练获取分类回归模型;将预测样本集输入分类回归模型,获得当前预测子集中所有样本分别对应的续保成功率、当前预测子集中样本总数量以及当前预测子集对应的平均续保费用;根据续保成功率、样本总数量、平均续保费用以及预设的调整系数,制定后续月份的续保期望单;将续保期望单发送到目标接收端,通过预设的展示界面进行展示。通过训练分类回归模型,便于结合历史数据预测在后月份的续保结果,为保险续保销售部门智能进行业务规划。
Description
技术领域
本申请涉及金融科技技术领域,应用于车险销售规划场景中,尤其涉及一种数据处理方法、装置、设备及其存储介质。
背景技术
随着互联网的飞速发展,各行各业都在依托互联网寻求行业突破点,近年来,金融行业也正在围绕着互联网进行线上业务拓展。目前,随着人们保险意识的提高,越来越多的企业、家庭和个人在购买机动车辆后,会为车辆投保,购买车险。传统的车险销售主要是由业务员和车主沟通,向车主推荐各类车险。在车主确认要购买的车险种类后,再由业务员将车主提供投保所需的各项信息、已缴纳的车险费用等录入系统生成保单,完成车险的销售。
保险公司内部也会根据历史销售环比或者同比业绩,对当期销售名单进行企划的制定。然而传统的指标看板只能通过观测以发生的跟踪指标的高低并结合管理者的个人经验对整体销售情况做出滞后的经验判断,或者人工制定的公司企划,极度依赖人工经验,而且通常不是很准确,无法给保险续保销售部门提供智能合理的业务目标规划。
发明内容
本申请实施例的目的在于提出一种数据处理方法、装置、设备及其存储介质,以解决现有技术制定公司企划时,极度依赖人工经验,而且通常不是很准确,无法给保险续保销售部门提供智能合理的业务目标规划的问题。
为了解决上述技术问题,本申请实施例提供数据处理方法,采用了如下所述的技术方案:
一种数据处理方法,包括下述步骤:
获取目标样本,其中,所述目标样本包括保险公司历史销售数据,所述历史销售数据中包含了续保费用;
按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集,其中,所述预测样本集由还未到续保期限的历史销售数据按续保月份划分的预测子集构成;
将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;
将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用;
根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单;
将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。
进一步的,在执行所述获取目标样本的步骤之前,所述方法还包括:
获取用于模型训练的数据特征标签,其中,所述数据特征标签包括车主特征标签、车辆特征标签,所述车主特征标签包括车主性别、车主年龄、客户等级、是否有子女、收入水平、职业、婚姻、教育水平、目标APP活跃情况、历史接触情况,所述车辆特征标签包括车辆购买年限、车型、车价、家用和商用标识、是否新能源、是否存在抵押或者质押、历史续保费用、历史续保险种;
部署所述数据特征标签至所述预设的分类回归模型内;
在执行所述获取目标样本的步骤之后,所述方法还包括:
根据续保结果,对所述目标样本中所有数据进行续保结果区别标记处理,获得区别标记处理结果,其中,所述续保结果包括续保成功和续保失败两种类型。
进一步的,所述训练完成的分析模型包括续保成功率预测子模型和平均续保额预测子模型,所述预设的统计组件包括第一统计组件、第二统计组件和第三统计组件,所述预设的算法组件包括XGBoost算法组件、特征权重算法组件和平均值算法组件,所述将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型的步骤,具体包括:
识别出所述训练样本集中所有样本分别包含的数据特征标签;
根据所述XGBoost算法组件、所述数据特征标签以及所述训练样本集中所有样本,构建基于XGBoost算法的梯度提升决策树;
根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第二统计组件和所述特征权重算法组件,生成续保成功率预测子模型;
根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第三统计组件和所述平均值算法组件,生成平均续保费用预测子模型;
分别为所述续保成功率预测子模型、平均续保费用预测子模型设置不同的输出节点,获取训练完成的分类回归模型。
进一步的,所述基于XGBoost算法的梯度提升决策树包括第一梯度提升分类树和第二梯度提升分类树,所述根据所述XGBoost算法组件、所述数据特征标签以及所述训练样本集中所有样本,构建基于XGBoost算法的梯度提升决策树的步骤,具体包括:
通过所述训练样本集中所有样本,识别出续保成功时对应的所有数据特征标签,和续保失败时对应的所有数据特征标签;
根据所述XGBoost算法组件和续保成功时对应的所有数据特征标签,构建第一梯度提升分类树;
根据所述XGBoost算法组件和续保失败时对应的所有数据特征标签,构建第二梯度提升分类树。
进一步的,所述根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第二统计组件、所述第三统计组件和所述特征权重算法组件,生成续保成功率预测子模型的步骤,具体包括:
识别出所述第一梯度提升分类树和所述第二梯度提升分类树中所有分类节点分别对应的数据特征标签,获取识别结果;
根据所述第一统计组件,统计所述训练样本集中的样本总数量;
根据所述第二统计组件,统计出所有分类节点处分别对应的训练样本量,获得统计结果;
通过所述识别结果、所述统计结果和所述特征权重算法组件,计算出所有数据特征标签分别对应续保成功权重,其中,所述特征权重算法组件包括三个输入参数和一个输出参数,所述三个输入参数分别为所述样本总数量、所有分类节点分别对应的数据特征标签、所有分类节点处分别对应的训练样本量,输出参数为所述所有数据特征标签分别对应续保成功权重;
获得由所述第一梯度提升分类树、所述第二梯度提升分类树、所述第一统计组件、所述第二统计组件和所述特征权重算法组件构建而成的模型,作为所述续保成功率预测子模型;
所述根据所述基于XGBoost算法的梯度提升分类树、所述第二统计组件和所述平均值算法组件,生成平均续保费用预测子模型的步骤,具体包括:
根据所述第三统计组件,统计出所述第一梯度提升分类树对应的所有训练样本的续保费用;
基于所述所有训练样本的续保费用和所述平均值算法组件,计算出所述平均续保费用,其中,所述平均值算法组件包括两个输入参数和一个输出参数,其中一个输入参数为所述样本总数量,另一个输入参数为所述续保费用,输出参数为所述平均续保费用;
获得由所述第一梯度提升分类树、所述第一统计组件、所述第三统计组件和所述平均值算法组件构建而成的模型,作为所述平均续保费用预测子模型。
进一步的,所述将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用的步骤,具体包括:
将所述预测样本集中所有预测子集按照续保到期的先后顺序,依次输入到所述训练完成的分类回归模型;
根据所述训练完成的分类回归模型,识别出当前预测子集中所有样本分别包含的数据特征标签;
基于所述续保成功率预测子模型、当前预测子集中所有样本分别包含的数据特征标签,预测当前预测子集中所有样本分别对应的续保成功率;
基于所述平均续保费用预测子模型、当前预测子集中所有样本分别包含的数据特征标签,预测当前预测子集对应的平均续保费用;
其中,每次获取到当前预测子集中所有样本分别对应的续保成功率,以及当前预测子集对应的平均续保费用时,将所述当前预测子集中所有样本作为增量数据,对所述训练完成的分类回归模型进行增量更新,获得增量更新之后的分类回归模型作为最新的分类回归模型。
进一步的,所述根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单的步骤,具体包括:
根据所述续保成功率和所述样本总数量,统计不同的续保成功率分别在所述样本总数量中的比例值;
根据不同的续保成功率,以及不同的续保成功率分别在所述样本总数量中的比例值,采用加权求和方式,获取所述样本总数量的续保总成功率;
通过所述续保总成功率和所述样本总数量进行乘积计算,获得期望样本量,其中,所述期望样本量指所述样本总数量中所期望的续保成功的样本量;
通过所述样本总数量、所述平均续保费用,进行乘积计算,获得期望续保费用,其中,所述期望续保费用指所述样本总数量对应的预测子集所期望的总续保费用;
根据所述期望样本量、所述期望续保费用和所述预设的调整系数,制定所述续保期望单。
为了解决上述技术问题,本申请实施例还提供数据处理装置,采用了如下所述的技术方案:
一种数据处理装置,包括:
目标样本获取模块,用于获取目标样本,其中,所述目标样本包括保险公司历史销售数据,所述历史销售数据中包含了续保费用;
样本划分模块,用于按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集,其中,所述预测样本集由还未到续保期限的历史销售数据按续保月份划分的预测子集构成;
模型训练模块,用于将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;
模型预测模块,用于将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用;
续保期望单制定模块,用于根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单;
续保期望单展示模块,用于将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。
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:
一种计算机设备,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上述所述的数据处理方法的步骤。
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:
一种计算机可读存储介质,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上述所述的数据处理方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述数据处理方法,通过获取目标样本;按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集;将训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;将预测样本集输入训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、当前预测子集中样本总数量以及当前预测子集对应的平均续保费用;根据续保成功率、样本总数量、平均续保费用以及预设的调整系数,制定后续月份的续保期望单;将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。通过训练分类回归模型,便于预测出在后每个月份的续保结果和续保费用,给保险续保销售部门提供智能合理的业务目标规划。
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是根据本申请的数据处理方法的一个实施例的流程图;
图3是图2所示步骤203的一个具体实施例的流程图;
图4是图3所示步骤302的一个具体实施例的流程图;
图5是图3所示步骤303的一个具体实施例的流程图;
图6是图3所示步骤304的一个具体实施例的流程图;
图7是图2所示步骤204的一个具体实施例的流程图;
图8是图2所示步骤205的一个具体实施例的流程图;
图9是根据本申请的数据处理装置的一个实施例的结构示意图;
图10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 PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts 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数据处理方法一般由服务器/终端设备执行,相应地,数据处理装置一般设置于服务器/终端设备中。
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数据处理方法的一个实施例的流程图。所述的数据处理方法,包括以下步骤:
步骤201,获取目标样本,其中,所述目标样本包括保险公司历史销售数据,所述历史销售数据中包含了续保费用。
本实施例中,在执行所述获取目标样本的步骤之前,所述方法还包括:获取用于模型训练的数据特征标签,其中,所述数据特征标签包括车主特征标签、车辆特征标签,所述车主特征标签包括车主性别、车主年龄、客户等级、是否有子女、收入水平、职业、婚姻、教育水平、目标APP活跃情况、历史接触情况,所述车辆特征标签包括车辆购买年限、车型、车价、家用和商用标识、是否新能源、是否存在抵押或者质押、历史续保费用、历史续保险种;部署所述数据特征标签至所述预设的分类回归模型内。
通过预先部署所述数据特征标签至所述预设的分类回归模型内,便于后续通过所述分类回归模型识别出输入模型中的样本的数据特征标签。
本实施例中,在执行所述获取目标样本的步骤之后,所述方法还包括:根据续保结果,对所述目标样本中所有数据进行续保结果区别标记处理,获得区别标记处理结果,其中,所述续保结果包括续保成功和续保失败两种类型。
通过预先根据续保是否成功,对所述目标样本中所有数据进行续保结果区别标记处理,便于后续根据该区别标记处理结果构建分类树。
步骤202,按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集,其中,所述预测样本集由还未到续保期限的历史销售数据按续保月份划分的预测子集构成。
本实施例中,所述按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集,例如,按照续保月份不同对所述目标样本进行划分,假设当前月份为5月,则将划分出的1月至5月的五个划分结果作为所述训练样本集,将6月至12月的七个划分结果作为所述预测样本集。这样做的目的是,1月至5月的已经可以明确获悉到保险续保结果以及保险续保费用,而6月至12月的为续保结果以及续保费用未知状态,通过已完成的在先月份的续保结果和续保费用,预测出在后每个月份的续保结果和续保费用,便于为保险续保销售坐席进行业务规划。
步骤203,将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型。
本实施例中,所述预设的分类回归模型为基于XGBoost算法的分类回归模型,具体的,所述XGBoost算法是一种高效的梯度提升决策树算法,用多棵分类树共同决策,并且用每棵分类树的结果都是当前分类树对应的值与之前所有分类树的预测总值之差,并将所有分类树的结果累加即得到最终的预测结果,以此达到整个模型效果的提升。
本实施例中,所述基于XGBoost算法的梯度提升决策树包括第一梯度提升分类树和第二梯度提升分类树,其中,所述第一梯度提升分类树所有分类节点所对应的数据特征标签为续保成功时对应的数据特征标签,所述第二梯度提升分类树所有分类节点所对应的数据特征标签为续保失败时对应的数据特征标签。
本实施例中,所述训练完成的分析模型包括续保成功率预测子模型和平均续保额预测子模型。
本实施例中,所述预设的统计组件包括第一统计组件、第二统计组件和第三统计组件,其中,所述第一统计组件用于统计每次输出到模型中的样本总数量,例如训练时输入到模型中的样本总数量、预测时输入到模型中的样本总数量,所述第二统计组件用于统计出基于XGBoost算法的梯度提升决策树中所有分类节点处分别对应的训练样本量,所述第三统计组件用于统计出第一梯度提升分类树对应的所有训练样本的续保费用。
本实施例中,所述预设的算法组件包括XGBoost算法组件、特征权重算法组件和平均值算法组件,其中,所述XGBoost算法组件用于根据续保结果和不同样本所包含的数据特征标签,构建所述第一梯度提升分类树和第二梯度提升分类树,所述特征权重算法组件用于根据输入模型的数据集中样本总数量、以及所述第一梯度提升分类树和第二梯度提升分类树中所有分类节点分别对应的数据特征标签、所有分类节点处分别对应的训练样本量,计算所述所有数据特征标签分别对应续保成功权重,所述平均值算法组件用于根据所述第一梯度提升分类树中所有样本分别对应的续保费用,以及所述输入模型的数据集中样本总数量,计算所述数据集对应的平均续保费用,所述数据集可以为训练样本集、预测样本集或者预测子集。
继续参考图3,图3是图2所示步骤203的一个具体实施例的流程图,包括:
步骤301,识别出所述训练样本集中所有样本分别包含的数据特征标签;
步骤302,根据所述XGBoost算法组件、所述数据特征标签以及所述训练样本集中所有样本,构建基于XGBoost算法的梯度提升决策树;
继续参考图4,图4是图3所示步骤302的一个具体实施例的流程图,包括:
步骤401,通过所述训练样本集中所有样本,识别出续保成功时对应的所有数据特征标签,和续保失败时对应的所有数据特征标签;
步骤402,根据所述XGBoost算法组件和续保成功时对应的所有数据特征标签,构建第一梯度提升分类树;
步骤403,根据所述XGBoost算法组件和续保失败时对应的所有数据特征标签,构建第二梯度提升分类树。
步骤303,根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第二统计组件和所述特征权重算法组件,生成续保成功率预测子模型;
继续参考图5,图5是图3所示步骤303的一个具体实施例的流程图,包括:
步骤501,识别出所述第一梯度提升分类树和所述第二梯度提升分类树中所有分类节点分别对应的数据特征标签,获取识别结果;
步骤502,根据所述第一统计组件,统计所述训练样本集中的样本总数量;
步骤503,根据所述第二统计组件,统计出所有分类节点处分别对应的训练样本量,获得统计结果;
步骤504,通过所述识别结果、所述统计结果和所述特征权重算法组件,计算出所有数据特征标签分别对应续保成功权重,其中,所述特征权重算法组件包括三个输入参数和一个输出参数,所述三个输入参数分别为所述样本总数量、所有分类节点分别对应的数据特征标签、所有分类节点处分别对应的训练样本量,输出参数为所述所有数据特征标签分别对应续保成功权重;
步骤505,获得由所述第一梯度提升分类树、所述第二梯度提升分类树、所述第一统计组件、所述第二统计组件和所述特征权重算法组件构建而成的模型,作为所述续保成功率预测子模型。
本实施例,主要目的是训练出不同数据特征标签对应的分类权重,即不同数据特征标签所造成的续保成功率,通过所述第一统计组件,统计出所述训练样本集中的样本总数量,所述第二统计组件,统计出所述第一梯度提升分类树、所述第二梯度提升分类树中所有分类节点处分别对应的训练样本量,通过所述特征权重算法组件,计算出每个分类节点,即每个数据特征标签对应的分类权重。便于后续预测时,直接根据样本数据所对应的分类节点,进行节点权重累加,从而识别出预测样本集中续保成功或者续保失败的样本。
步骤304,根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第三统计组件和所述平均值算法组件,生成平均续保费用预测子模型;
继续参考图6,图6是图3所示步骤304的一个具体实施例的流程图,包括:
步骤502,根据所述第一统计组件,统计所述训练样本集中的样本总数量;
步骤601,根据所述第三统计组件,统计出所述第一梯度提升分类树对应的所有训练样本的续保费用;
步骤602,基于所述所有训练样本的续保费用和所述平均值算法组件,计算出所述平均续保费用,其中,所述平均值算法组件包括两个输入参数和一个输出参数,其中一个输入参数为所述样本总数量,另一个输入参数为所述续保费用,输出参数为所述平均续保费用;
步骤603,获得由所述第一梯度提升分类树、所述第一统计组件、所述第三统计组件和所述平均值算法组件构建而成的模型,作为所述平均续保费用预测子模型。
通过所述第三统计组件,统计出所述第一梯度提升分类树对应的所有训练样本的续保费用,进行累加,获取到所有续保成功的样本对应的总续保费用,再根据所述平均值组件和所述训练样本集中的样本总数量,训练出所述平均续保费用预测子模型,便于预测出在后每个月份的续保结果和续保费用,为保险续保销售坐席进行业务规划。
步骤305,分别为所述续保成功率预测子模型、平均续保费用预测子模型设置不同的输出节点,获取训练完成的分类回归模型。
通过训练所述分类回归模型,并为所述分类回归模型中的续保成功率预测子模型、平均续保费用预测子模型设置不同的输出节点,便于后续根据所述续保成功率预测子模型、平均续保费用预测子模型预测出在后每个月份的续保结果和续保费用,便于为保险续保销售坐席进行业务规划。
步骤204,将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用。
继续参考图7,图7是图2所示步骤204的一个具体实施例的流程图,包括:
步骤701,将所述预测样本集中所有预测子集按照续保到期的先后顺序,依次输入到所述训练完成的分类回归模型;
通过将所述预测样本集中所有预测子集按照续保到期的先后顺序,依次输入到所述训练完成的分类回归模型,能够按照续保到期的先后月份,分别为不同月份、或者不同季度制定保险销售业务规划。
步骤702,根据所述训练完成的分类回归模型,识别出当前预测子集中所有样本分别包含的数据特征标签;
假设训练时用的是1月至5月的样本数据,当前预测子集中所有样本是6月份到续保期的车险销售数据,首先根据所述训练完成的分类回归模型,识别出当前预测子集中所有样本分别包含的数据特征标签。由于步骤先前已经在所述分类回归模型部署所述数据特征标签,因此,可以直接进行数据识别,识别出每个预测样本数据中包含的所有数据特征标签。
步骤703,基于所述续保成功率预测子模型、当前预测子集中所有样本分别包含的数据特征标签,预测当前预测子集中所有样本分别对应的续保成功率;
具体的,根据所述当前预测子集中所有样本分别包含的数据特征标签,确定所有样本分别在所述基于XGBoost算法的梯度提升决策树中对应的分类节点,再根据分类节点的权重,进行累加,获得所有样本分别对应的续保成功率。
步骤704,基于所述平均续保费用预测子模型、当前预测子集中所有样本分别包含的数据特征标签,预测当前预测子集对应的平均续保费用;
具体的,根据所述平均续保费用预测子模型中的第一统计组件,统计出当前预测子集中的样本总数量,以及根据当前预测子集中所有样本分别包含的数据特征标签和所述第三统计组件,统计出预测结果为续保成功的样本,根据续保成功的样本的历史续保费用,从而预测出当前预测子集对应的总续保费用,根据所述总续保费用和所述当前预测子集中的样本总数量,计算出当前预测子集对应的平均续保费用。
其中,每次获取到当前预测子集中所有样本分别对应的续保成功率,以及当前预测子集对应的平均续保费用时,将所述当前预测子集中所有样本作为增量数据,对所述训练完成的分类回归模型进行增量更新,获得增量更新之后的分类回归模型作为最新的分类回归模型。
本实施例中,每预测一个在先月份的结果之后,都将该在先月的样本数据作为增量数据加入到所述分类回归模型内,便于累进式的对后续每一个月份进行预测。
步骤205,根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单。
继续参考图8,图8是图2所示步骤205的一个具体实施例的流程图,包括:
步骤801,根据所述续保成功率和所述样本总数量,统计不同的续保成功率分别在所述样本总数量中的比例值;
步骤802,根据不同的续保成功率,以及不同的续保成功率分别在所述样本总数量中的比例值,采用加权求和方式,获取所述样本总数量的续保总成功率;
通过统计不同样本分别对应的续保成功率,并计算不同的续保成功率分别在所述样本总数量中的比例值,采用加权求和方式,获取所述样本总数量的续保总成功率,便于获取当前预测子集的续保整体成功率。
步骤803,通过所述续保总成功率和所述样本总数量进行乘积计算,获得期望样本量,其中,所述期望样本量指所述样本总数量中所期望的续保成功的样本量;
步骤804,通过所述样本总数量、所述平均续保费用,进行乘积计算,获得期望续保费用,其中,所述期望续保费用指所述样本总数量对应的预测子集所期望的总续保费用;
步骤805,根据所述期望样本量、所述期望续保费用和所述预设的调整系数,制定所述续保期望单。
具体的,所述预设的调整系数,可以为自由设置的倍率值,例如120%,即较预测的保险续保结果,超额完成20%的续保销售业绩。
步骤206,将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。
具体的,将所述续保期望单发送到保险续保业务销售管理端,并将所述续保期望单作为销售规划目标,展示到销售管理端对应的展示界面内。
本申请通过获取目标样本;按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集;将训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;将预测样本集输入训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、当前预测子集中样本总数量以及当前预测子集对应的平均续保费用;根据续保成功率、样本总数量、平均续保费用以及预设的调整系数,制定后续月份的续保期望单;将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。通过训练分类回归模型,便于预测出在后每个月份的续保结果和续保费用,为保险续保销售部门提供智能合理的业务目标规划。
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。
本申请实施例中,通过获取目标样本;按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集;将训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;将预测样本集输入训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、当前预测子集中样本总数量以及当前预测子集对应的平均续保费用;根据续保成功率、样本总数量、平均续保费用以及预设的调整系数,制定后续月份的续保期望单;将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。通过训练分类回归模型,便于预测出在后每个月份的续保结果和续保费用,为保险续保销售部门提供智能合理的业务目标规划。
进一步参考图9,作为对上述图2所示方法的实现,本申请提供了数据处理装置的一个实施例,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9所示,本实施例所述的数据处理装置900包括:目标样本获取模块901、样本划分模块902、模型训练模块903、模型预测模块904、续保期望单制定模块905和续保期望单展示模块906。其中:
目标样本获取模块901,用于获取目标样本,其中,所述目标样本包括保险公司历史销售数据,所述历史销售数据中包含了续保费用;
样本划分模块902,用于按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集,其中,所述预测样本集由还未到续保期限的历史销售数据按续保月份划分的预测子集构成;
模型训练模块903,用于将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;
模型预测模块904,用于将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用;
续保期望单制定模块905,用于根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单;
续保期望单展示模块906,用于将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。
本申请通过获取目标样本;按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集;将训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;将预测样本集输入训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、当前预测子集中样本总数量以及当前预测子集对应的平均续保费用;根据续保成功率、样本总数量、平均续保费用以及预设的调整系数,制定后续月份的续保期望单;将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。通过训练分类回归模型,便于预测出在后每个月份的续保结果和续保费用,为保险续保销售部门提供智能合理的业务目标规划。
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。
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10,图10为本实施例计算机设备基本结构框图。
所述计算机设备10包括通过系统总线相互通信连接存储器10a、处理器10b、网络接口10c。需要指出的是,图中仅示出了具有组件10a-10c的计算机设备10,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(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,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10a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10a可以是所述计算机设备10的内部存储单元,例如该计算机设备10的硬盘或内存。在另一些实施例中,所述存储器10a也可以是所述计算机设备10的外部存储设备,例如该计算机设备10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(Flash Card)等。当然,所述存储器10a还可以既包括所述计算机设备10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10a通常用于存储安装于所述计算机设备10的操作系统和各类应用软件,例如一种数据处理方法的计算机可读指令等。此外,所述存储器10a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10b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10b通常用于控制所述计算机设备10的总体操作。本实施例中,所述处理器10b用于运行所述存储器10a中存储的计算机可读指令或者处理数据,例如运行所述数据处理方法的计算机可读指令。
所述网络接口10c可包括无线网络接口或有线网络接口,该网络接口10c通常用于在所述计算机设备10与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于金融科技技术领域,应用于车险销售规划场景中。本申请通过获取目标样本;按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集;将训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;将预测样本集输入训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、当前预测子集中样本总数量以及当前预测子集对应的平均续保费用;根据续保成功率、样本总数量、平均续保费用以及预设的调整系数,制定后续月份的续保期望单;将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。通过训练分类回归模型,便于预测出在后每个月份的续保结果和续保费用,为保险续保销售部门提供智能合理的业务目标规划。
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处理器执行,以使所述处理器执行如上述的数据处理方法的步骤。
本实施例提出的计算机可读存储介质,属于金融科技技术领域,应用于车险销售规划场景中。本申请通过获取目标样本;按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集;将训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;将预测样本集输入训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、当前预测子集中样本总数量以及当前预测子集对应的平均续保费用;根据续保成功率、样本总数量、平均续保费用以及预设的调整系数,制定后续月份的续保期望单;将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。通过训练分类回归模型,便于预测出在后每个月份的续保结果和续保费用,为保险续保销售部门提供智能合理的业务目标规划。
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)
1.一种数据处理方法,其特征在于,包括下述步骤:
获取目标样本,其中,所述目标样本包括保险公司历史销售数据,所述历史销售数据中包含了续保费用;
按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集,其中,所述预测样本集由还未到续保期限的历史销售数据按续保月份划分的预测子集构成;
将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;
将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用;
根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单;
将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。
2.根据权利要求1所述的数据处理方法,其特征在于,在执行所述获取目标样本的步骤之前,所述方法还包括:
获取用于模型训练的数据特征标签,其中,所述数据特征标签包括车主特征标签、车辆特征标签,所述车主特征标签包括车主性别、车主年龄、客户等级、是否有子女、收入水平、职业、婚姻、教育水平、目标APP活跃情况、历史接触情况,所述车辆特征标签包括车辆购买年限、车型、车价、家用和商用标识、是否新能源、是否存在抵押或者质押、历史续保费用、历史续保险种;
部署所述数据特征标签至所述预设的分类回归模型内;
在执行所述获取目标样本的步骤之后,所述方法还包括:
根据续保结果,对所述目标样本中所有数据进行续保结果区别标记处理,获得区别标记处理结果,其中,所述续保结果包括续保成功和续保失败两种类型。
3.根据权利要求2所述的数据处理方法,其特征在于,所述训练完成的分析模型包括续保成功率预测子模型和平均续保额预测子模型,所述预设的统计组件包括第一统计组件、第二统计组件和第三统计组件,所述预设的算法组件包括XGBoost算法组件、特征权重算法组件和平均值算法组件,所述将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型的步骤,具体包括:
识别出所述训练样本集中所有样本分别包含的数据特征标签;
根据所述XGBoost算法组件、所述数据特征标签以及所述训练样本集中所有样本,构建基于XGBoost算法的梯度提升决策树;
根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第二统计组件和所述特征权重算法组件,生成续保成功率预测子模型;
根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第三统计组件和所述平均值算法组件,生成平均续保费用预测子模型;
分别为所述续保成功率预测子模型、平均续保费用预测子模型设置不同的输出节点,获取训练完成的分类回归模型。
4.根据权利要求3所述的数据处理方法,其特征在于,所述基于XGBoost算法的梯度提升决策树包括第一梯度提升分类树和第二梯度提升分类树,所述根据所述XGBoost算法组件、所述数据特征标签以及所述训练样本集中所有样本,构建基于XGBoost算法的梯度提升决策树的步骤,具体包括:
通过所述训练样本集中所有样本,识别出续保成功时对应的所有数据特征标签,和续保失败时对应的所有数据特征标签;
根据所述XGBoost算法组件和续保成功时对应的所有数据特征标签,构建第一梯度提升分类树;
根据所述XGBoost算法组件和续保失败时对应的所有数据特征标签,构建第二梯度提升分类树。
5.根据权利要求3所述的数据处理方法,其特征在于,所述根据所述基于XGBoost算法的梯度提升决策树、所述第一统计组件、所述第二统计组件、所述第三统计组件和所述特征权重算法组件,生成续保成功率预测子模型的步骤,具体包括:
识别出所述第一梯度提升分类树和所述第二梯度提升分类树中所有分类节点分别对应的数据特征标签,获取识别结果;
根据所述第一统计组件,统计所述训练样本集中的样本总数量;
根据所述第二统计组件,统计出所有分类节点处分别对应的训练样本量,获得统计结果;
通过所述识别结果、所述统计结果和所述特征权重算法组件,计算出所有数据特征标签分别对应续保成功权重,其中,所述特征权重算法组件包括三个输入参数和一个输出参数,所述三个输入参数分别为所述样本总数量、所有分类节点分别对应的数据特征标签、所有分类节点处分别对应的训练样本量,输出参数为所述所有数据特征标签分别对应续保成功权重;
获得由所述第一梯度提升分类树、所述第二梯度提升分类树、所述第一统计组件、所述第二统计组件和所述特征权重算法组件构建而成的模型,作为所述续保成功率预测子模型;
所述根据所述基于XGBoost算法的梯度提升分类树、所述第二统计组件和所述平均值算法组件,生成平均续保费用预测子模型的步骤,具体包括:
根据所述第三统计组件,统计出所述第一梯度提升分类树对应的所有训练样本的续保费用;
基于所述所有训练样本的续保费用和所述平均值算法组件,计算出所述平均续保费用,其中,所述平均值算法组件包括两个输入参数和一个输出参数,其中一个输入参数为所述样本总数量,另一个输入参数为所述续保费用,输出参数为所述平均续保费用;
获得由所述第一梯度提升分类树、所述第一统计组件、所述第三统计组件和所述平均值算法组件构建而成的模型,作为所述平均续保费用预测子模型。
6.根据权利要求4或5所述的数据处理方法,其特征在于,所述将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用的步骤,具体包括:
将所述预测样本集中所有预测子集按照续保到期的先后顺序,依次输入到所述训练完成的分类回归模型;
根据所述训练完成的分类回归模型,识别出当前预测子集中所有样本分别包含的数据特征标签;
基于所述续保成功率预测子模型、当前预测子集中所有样本分别包含的数据特征标签,预测当前预测子集中所有样本分别对应的续保成功率;
基于所述平均续保费用预测子模型、当前预测子集中所有样本分别包含的数据特征标签,预测当前预测子集对应的平均续保费用;
其中,每次获取到当前预测子集中所有样本分别对应的续保成功率,以及当前预测子集对应的平均续保费用时,将所述当前预测子集中所有样本作为增量数据,对所述训练完成的分类回归模型进行增量更新,获得增量更新之后的分类回归模型作为最新的分类回归模型。
7.根据权利要求1所述的数据处理方法,其特征在于,所述根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单的步骤,具体包括:
根据所述续保成功率和所述样本总数量,统计不同的续保成功率分别在所述样本总数量中的比例值;
根据不同的续保成功率,以及不同的续保成功率分别在所述样本总数量中的比例值,采用加权求和方式,获取所述样本总数量的续保总成功率;
通过所述续保总成功率和所述样本总数量进行乘积计算,获得期望样本量,其中,所述期望样本量指所述样本总数量中所期望的续保成功的样本量;
通过所述样本总数量、所述平均续保费用,进行乘积计算,获得期望续保费用,其中,所述期望续保费用指所述样本总数量对应的预测子集所期望的总续保费用;
根据所述期望样本量、所述期望续保费用和所述预设的调整系数,制定所述续保期望单。
8.一种数据处理装置,其特征在于,包括:
目标样本获取模块,用于获取目标样本,其中,所述目标样本包括保险公司历史销售数据,所述历史销售数据中包含了续保费用;
样本划分模块,用于按照续保到期期限对所述目标样本进行划分,获得训练样本集和预测样本集,其中,所述预测样本集由还未到续保期限的历史销售数据按续保月份划分的预测子集构成;
模型训练模块,用于将所述训练样本集输入预设的分类回归模型,进行模型训练,获取训练完成的分类回归模型;
模型预测模块,用于将所述预测样本集输入所述训练完成的分类回归模型,基于模型输出获得当前预测子集中所有样本分别对应的续保成功率、所述当前预测子集中样本总数量以及所述当前预测子集对应的平均续保费用;
续保期望单制定模块,用于根据所述续保成功率、所述样本总数量、所述平均续保费用以及预设的调整系数,制定后续月份的续保期望单;
续保期望单展示模块,用于将所述续保期望单发送到目标接收端,通过预设的展示界面进行展示。
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中任一项所述的数据处理方法的步骤。
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中任一项所述的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311305940.7A CN117391866A (zh) | 2023-10-09 | 2023-10-09 | 一种数据处理方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311305940.7A CN117391866A (zh) | 2023-10-09 | 2023-10-09 | 一种数据处理方法、装置、设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391866A true CN117391866A (zh) | 2024-01-12 |
Family
ID=89438292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311305940.7A Pending CN117391866A (zh) | 2023-10-09 | 2023-10-09 | 一种数据处理方法、装置、设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893334A (zh) * | 2024-03-15 | 2024-04-16 | 国任财产保险股份有限公司 | 一种基于大数据的保险任务分配方法及系统 |
-
2023
- 2023-10-09 CN CN202311305940.7A patent/CN117391866A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893334A (zh) * | 2024-03-15 | 2024-04-16 | 国任财产保险股份有限公司 | 一种基于大数据的保险任务分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492772B (zh) | 生成信息的方法和装置 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、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 | |
CN114722281A (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
CN115587830A (zh) | 工作任务激励方法、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 | |
CN115496420A (zh) | 新用户质量评估方法、装置、计算机设备及存储介质 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN113469752A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
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 | |
CN117408820A (zh) | 一种车险选择预测方法、装置、设备及其存储介质 | |
CN116542733A (zh) | 产品推荐方法、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 | |
CN117252362A (zh) | 基于人工智能的调度方法、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 | |
CN116720692A (zh) | 客服派工方法、装置、计算机设备及存储介质 | |
CN117875643A (zh) | 客户资源分配方法、装置、计算机设备及存储介质 | |
CN116401061A (zh) | 资源数据的处理方法、装置、计算机设备及存储介质 | |
CN117290597A (zh) | 基于人工智能的信息推送方法、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 |
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 |