CN118193843A - 保险服务推荐方法、装置、设备及存储介质 - Google Patents
保险服务推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118193843A CN118193843A CN202410405363.7A CN202410405363A CN118193843A CN 118193843 A CN118193843 A CN 118193843A CN 202410405363 A CN202410405363 A CN 202410405363A CN 118193843 A CN118193843 A CN 118193843A
- Authority
- CN
- China
- Prior art keywords
- insurance
- target
- information
- insured person
- salesman
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004590 computer program Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 16
- 230000036541 health Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000012954 risk control Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001093575 Alma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供一种保险服务推荐方法、装置、设备、存储介质和计算机程序产品,涉及计算机技术领域。在本公开的一些实施例中,获取目标保险销售员信息、目标被保人信息和目标保险产品信息;分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度;根据相似度,确定目标保险销售员信息、目标被保人信息和目标保险产品信息的综合评分;根据综合评分,进行保险服务推荐;本公开将目标保险销售员信息、目标被保人信息和目标保险产品信息组成保险组合,自动计算该保险组合的综合评分,基于该综合评分进行保险服务推荐,提高保险服务推荐的准确度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种保险服务推荐方法、装置、设备、存储介质和计算机程序产品。
背景技术
在保险领域,会面临以下保险服务推荐场景:向被投保人推荐保险销售员或者保险产品;为保险销售员匹配合适的被投保人或者保险产品;为保险产品匹配合适的保险销售员或者被投保人。
目前,在进行保险服务推荐时,依靠人为历史经验,保险服务推荐的准确度较低。
发明内容
本公开提供一种保险服务推荐方法,以至少解决现有保险服务推荐的准确度较低的问题。
本公开的技术方案如下:
本公开实施例提供一种保险服务推荐方法,包括:
获取目标保险销售员信息、目标被保人信息和目标保险产品信息;
分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度;
根据所述相似度,确定所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息的综合评分;
根据所述综合评分,进行保险服务推荐。
可选地,分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度,包括:
根据所述目标保险销售员信息的标签、所述目标被保人信息的标签、所述目标保险产品信息的标签、所述目标保险销售员信息的标签权重、所述目标被保人信息的标签权重和所述目标保险产品信息的标签权重,分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度。
可选地,所述方法还包括:
从多组保险组合中,选择出综合评分最高的目标保险组合,其中,每个保险组合包括:保险销售员信息、被保人信息和保险产品信息;
根据所述目标保险组合中的保险销售员信息、被保人信息和保险产品信息,进行保险服务推荐。
可选地,所述方法还包括:
响应于对所述目标保险组合中的保险销售员信息、被保人信息和保险产品信息中的任意一项信息的修改操作,获取修改后的目标保险组合。
可选地,在所述分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度之前,所述方法还包括:
利用目标聚类算法,对目标保险销售员信息和已有保险销售员信息进行聚类操作,得到所述目标保险销售员信息的标签;
利用所述目标聚类算法,对所述目标被保人信息和已有被保人信息进行聚类操作,得到所述目标被保人信息的标签;
利用所述目标聚类算法,对所述目标保险产品信息和已有保险产品信息进行聚类操作,得到所述目标保险产品信息的标签。
可选地,所述目标聚类算法为K-Means聚类算法。
本公开实施例还提供一种保险服务推荐装置,包括:
获取模块,用于获取目标保险销售员信息、目标被保人信息和目标保险产品信息;
计算模块,分别用于计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度;
确定模块,用于根据所述相似度,确定所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息的综合评分;
推荐模块,用于根据所述综合评分,进行保险服务推荐。
本公开实施例还提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行指令,以实现如上述的方法中的各步骤。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法中的各步骤。
本公开实施例还提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现上述的方法中的各步骤。
本公开的实施例提供的技术方案至少带来以下有益效果:
在本公开的一些实施例中,获取目标保险销售员信息、目标被保人信息和目标保险产品信息;分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度;根据相似度,确定目标保险销售员信息、目标被保人信息和目标保险产品信息的综合评分;根据综合评分,进行保险服务推荐;本公开将目标保险销售员信息、目标被保人信息和目标保险产品信息组成保险组合,自动计算该保险组合的综合评分,基于该综合评分进行保险服务推荐,提高保险服务推荐的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1为本公开示例性实施例提供的一种保险服务推荐方法的流程示意图;
图2为本公开示例性实施例提供的一种保险服务推荐装置的结构示意图;
图3为本公开示例性实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本公开所涉及的用户信息包括但不限于:用户设备信息和用户个人信息;本公开中的用户信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
针对上述技术问题,在本公开的一些实施例中,获取目标保险销售员信息、目标被保人信息和目标保险产品信息;分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度;根据相似度,确定目标保险销售员信息、目标被保人信息和目标保险产品信息的综合评分;根据综合评分,进行保险服务推荐;本公开将目标保险销售员信息、目标被保人信息和目标保险产品信息组成保险组合,自动计算该保险组合的综合评分,基于该综合评分进行保险服务推荐,提高保险服务推荐的准确度。
以下结合附图,详细说明本公开各实施例提供的技术方案。
图1为本公开示例性实施例提供的一种保险服务推荐方法的流程示意图。如图1所示,该方法包括:
S101:获取目标保险销售员信息、目标被保人信息和目标保险产品信息;
S102:分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度;
S103:根据相似度,确定目标保险销售员信息、目标被保人信息和目标保险产品信息的综合评分;
S104:根据综合评分,进行保险服务推荐。
在本实施例中,上述方法的执行主体可以为终端设备或者服务器。
其中,终端设备(terminal device)包括但不限于移动台(MS,Mobile Station)、移动终端(Mobile Terminal)、移动电话(Mobile Telephone)、手机(handset)及便携设备(portable equipment)等,该终端设备可以经无线接入网(RAN,Radio Access Network)与一个或多个核心网进行通信,例如,终端设备可以是移动电话(或称为“蜂窝”电话)、具有无线通信功能的计算机等,终端设备还可以是带无线收发功能的电脑、虚拟现实(VirtualReality,VR)终端设备、AR终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等等,且终端设备上安装的操作系统包括但不限于:IOS、Android、windows、linux、Mac OS等操作系统。在不同的网络中终端可以叫做不同的名称,例如:用户设备,移动台,用户单元,站台,蜂窝电话,个人数字助理,无线调制解调器,无线通信设备,手持设备,膝上型电脑,无绳电话,无线本地环路台、电视等。为描述方便,本实施例中简称为终端设备。
在本实施例中,对服务器的实现形态不作限定。例如,服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中,服务器的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类型。
在本实施例中,保险服务推荐系统包括:数据和数据组合,数据湖或者数据缓存池,数据结构化和标签分类系统,产品数据和标签缓存系统,用户数据和标签缓存系统,营销数据和标签缓存系统,产品画像系统,用户画像系统,销售画像系统,辅助营销系统,精准营销系统,群体画像系统和风险控制系统。
其中,数据和数据组合:自有数据和外部数据。其中,外部数据可以为通过合作、购买、抓取等途径获得的数据。数据湖或者数据缓存池:把所有自有数据和外部数据不管结构化半结构化数据都放在一起。数据结构化和标签分类系统:把数据湖或者数据缓存池中的数据进行结构化,数据清洗,特征化,标签化分类。产品数据和标签缓存系统:缓存保险产品的数据和标签;用户数据和标签缓存系统:缓存被保人用户的数据和标签;营销数据和标签缓存系统:缓存营销员或者代理人员的数据和标签;产品画像系统:将所有产品依据标签进行画像,包括部分竞品,比如有健康、医疗、养老等保险产品。用户画像系统:基于用户数据和标签进行用户画像服务。销售画像系统:基于营销人员和营销团队特有标签,包括部分友司团队或者个人。进行营销人员或者营销团队进行画像。辅助营销系统:销售、产品、用户的标签自动和人工的组合与匹配。同时提供一些标签统计分析,比如:标签分布比例,标签覆盖率,标签变化趋势,标签排行榜。精准营销系统:根据销售画像系统数据、用户画像系统数据、产品画像数据,通过标签自动和手动方式进行标签相似度匹配组合,合适的销售把合适的产品卖给合适的客户。通过一定的推荐算法实现精准营销。群体画像系统:客户、营销人员或者营销团队、保险产品根据标签相似度进行不同组合的聚类分类。风险控制系统:用于辅助核保和反欺诈。
在本公开的一些实施例中,获取目标保险销售员信息、目标被保人信息和目标保险产品信息。
其中,保险销售员信息包括但不限于以下几种:姓名、年龄、性别、工作经验、教育背景、以往销售业绩、培训完成情况、客户反馈评分、专业技能认证、擅长产品类型、现有客户数量、客户续保率、销售渠道偏好和业务拓展能力、专业资格证书、所属团队、每月拜访客户次数、线上营销活动参与度、新客户开发率、客户满意度调查得分、客户关系维护计划、定期培训完成率、新产品知识掌握程度、交叉销售成功率、线上推广内容质量、客户反馈处理速度、营销活动创意评分、异地业务拓展情况、客户关系维护计划执行情况、营销活动投入产出比、线上互动活跃度、产品演示能力评估和客户服务跟踪记录。
保险销售员标签包括但不限于:销售经验、产品知识掌握度、沟通能力、服务态度、客户关系管理能力、销售技巧、风险控制意识、团队协作能力、培训参与度、业务熟练度、市场敏锐度、创新能力、团队合作与领导能力、服务响应速度、产品推广效果、个人形象与口碑、团队协作能力、客户拜访效率、数字化营销能力、新客户拓展能力、客户满意度、客户维护策略有效性、专业发展意愿、产品知识更新能力、多元化销售能力、数字营销技能、客户服务响应性、创新营销思维、异地市场开拓能力、客户关系维护效果、营销活动效益、线上互动能力、产品演示技能和客户服务跟踪质量。
其中,被保人数据包括但不限于:被保人数据示例:姓名、年龄、性别、职业、收入水平、健康状况、家庭结构、保险购买历史、风险承受能力、联系方式、居住地址、职业特点、家庭财务状况、既往理赔记录、风险偏好、保险需求变化记录、投保历史时长、家庭成员保险覆盖情况、保单更新频率、保险咨询渠道偏好、保险知识学习进度、社交媒体互动记录、保险预算调整情况、风险偏好变化趋势、保险购买决策时长、保险产品满意度调研结果、健康生活习惯改变记录、保险教育参与情况、保单续约意愿、保险知识获取渠道、风险管理计划实施情况、健康状况跟踪记录、财务状况变化分析和保险产品推荐接受度。
被保人标签:保险需求类型(如健康、人寿、财产等)、风险承受能力、保费支付能力、健康状况稳定性、家庭责任意识、保险意识、忠诚度(是否愿意续保或购买更多产品)、满意度(对以往保险服务的评价)、服务需求偏好(如线上服务、面对面咨询等)、理财意识、投保意愿、忠诚度、满意度、活跃度(如是否经常咨询、更新信息)、保险知识水平、风险偏好稳定性、健康管理意识、忠诚度水平、家庭保险意识、保单管理活跃度、咨询渠道偏好、保险知识掌握度、社交媒体参与度、保险预算管理、风险意识变化、购买决策效率、产品满意度、健康管理行为、保险教育参与度、续约忠诚度、知识获取途径、风险管理执行力、健康管理意识、财务状况稳定性和产品推荐接受度。
其中,保险产品信息包括但不限于:产品编号、产品名称、保障范围、保费、理赔流程、投保年龄范围、保险期限、增值服务(如健康咨询、紧急救援等)、市场定位(如高端、中端、大众等)、销售业绩、产品类型、目标市场定位、保费结构(如固定保费、浮动保费)、收益方式(如分红型、投资型)、销售渠道限制、竞争产品对比分析、当前市场占有率、产品上市时间、销售渠道占比、保费调整历史、历年赔付率、增值服务更新记录、市场调研分析报告、定制化服务提供情况、保费定价策略、市场竞争分析报告、客户服务满意度调查、线上服务渠道使用情况、产品升级迭代计划、销售渠道效果分析、保费调整历史记录、客户反馈汇总报告、竞争对手产品分析、增值服务使用情况统计和风险评估与定价模型。
保险产品标签:产品创新度、性价比、市场竞争力、理赔效率、客户服务质量、增值服务实用性、目标客户群体匹配度、销售潜力、风险控制能力、产品创新性、市场适应性、定价合理性、销售渠道效率、风险控制水平、客户满意度、增值服务效果、品牌影响力、市场成熟度、渠道分布合理性、保费竞争力、赔付稳定性、增值服务创新性、市场接受度、定制化服务能力、定价策略合理性、市场竞争力、客户服务质量、线上服务便捷性、产品创新速度、销售渠道效率、保费调整策略、客户反馈质量、竞争态势分析、增值服务利用率和风险评估准确性。
在本公开的一些实施例中,利用目标聚类算法,对目标保险销售员信息和已有保险销售员信息进行聚类操作,得到目标保险销售员信息的标签;利用目标聚类算法,对目标被保人信息和已有被保人信息进行聚类操作,得到目标被保人信息的标签;利用目标聚类算法,对目标保险产品信息和已有保险产品信息进行聚类操作,得到目标保险产品信息的标签。其中,目标聚类算法为K-Means聚类算法。
其中,对保险销售员数据进行K-Means聚类。K-Means聚类的输入为:保险销售员数据集X,包含每个销售员的特征向量,如[年龄,销售年限,历史业绩,区域];簇的数量k,例如,销售员划分为3个群体。算法过程:随机选择k=3个销售员作为初始3个簇的中心;对其余销售员,计算与3个中心的距离,分配到最近的那一簇;重新计算每个簇的中心点(簇内样本的特征向量的均值);重复上两步直至簇中心不再发生变化。K-Means聚类的输出为:簇分配结果,每个销售员属于3个簇中的哪一个;3个最终的簇中心,代表3种不同的销售员群体。
其中,对被保人数据进行K-Means聚类。K-Means聚类的输入为:被保人数据集X,包含每个被保人的特征,如[年龄,职业,收入,风险承受能力];簇数量k,如5个客户群体。算法过程可参见上述实施例。K-Means聚类的输出为:簇分配结果,每个客户属于5个群体中的哪一个;5个最终的簇中心,描述5种不同的客户群体。
其中,对保险产品数据进行K-Means聚类。K-Means聚类的输入为:保险产品数据集X,包含每个产品的特征,如[保额,保费,保障类型];簇数量k,如把产品分为4类。算法过程可参见上述实施例。K-Means聚类的输出为:簇分配结果,每个产品属于4类中的哪一类;4个最终簇中心,描述4种不同类型的保险产品。
本公开通过K-Means聚类,将原始数据划分成了若干簇,每个簇由一个簇中心代表,描述该簇的主要特征。这为后续的个性化营销和产品组合推荐奠定基础。不同的数据集可以用相同的算法得到各自的聚类结果,方便统一分析和决策。当然,确定恰当的k值和特征工程也是非常重要的。
针对上述三种数据,实际需要更加丰富的特征,以获得更好的聚类效果。
保险销售员数据包括如下:基本特征:年龄、性别、学历、从业年限;销售能力特征:历史销售业绩、客户满意度评分、平均理赔时间;区域特征:所在城市、区域人均收入水平;其他特征:是否具有专业资格证书、参与培训次数;社交网络特征:社交媒体影响力、人脉网络规模;客户维系特征:老客户保有率、客户年度活跃度;销售风格特征:销售话术富有吸引力、解答问题清晰耐心;绩效特征:当年新保费收入、理赔拒赔率;技能特征:掌握的销售技巧数量,如erected推拉法、SPIN问题疑难解答等;团队特征:是否为teamleader,所在团队的历史业绩水平;教育背景:alma mater、专业排名等;心理特质:个人的DISC行为风格测评结果。
被保人数据包括如下:人口统计学特征:年龄、性别、婚姻状况、子女数量;经济状况特征:职业、收入水平、资产状况;保险需求特征:风险偏好、已购保单类型、保额水平;生活方式特征:是否有潜在疾病、运动频率、吸烟状况;地理位置特征:所在城市、城乡程度;互联网行为特征:网络购物频率、关注的资讯类型;社交关系特征:社交网络好友数、朋友圈互动热度;家庭特征:户籍地、住房情况、家庭净资产;健康数据特征:体检报告、穿戴设备运动数据;消费行为:网购频率、消费品类、消费主要场景(线上/线下);兴趣爱好:关注的明星、喜欢的运动、订阅媒体期刊等;设备数据:使用的通讯运营商、手机品牌型号、上网方式;家庭关系:与主要家庭成员的关系、家人的医疗状况等;投资习惯:是否购买基金、股票、购房等大额支出频率。
保险产品数据包括如下:基本特征:保额范围、保费水平、保障类型(寿险/健康险等);保障范围特征:具体责任条款、除外责任、给付比例;产品定位特征:面向人群、推广渠道、销售区域;其他特征:历史销量表现、竞品数量和竞争力对比;责任设计特征:各项保障责任的具体计算公式;费用设计特征:保单费用扣除明细;增值服务特征:权益服务内容、第三方合作机构;运营特征:产品线上线时间、发行渠道分布;合规性特征:条款条文是否合规、审核通过级别;策略特征:保费缴纳年限、现金价值计算方法等产品设计策略;核保条件:受理年龄范围、被保険人健康要求等;精算特征:预计寿命、发病率等精算数据;监管合规:监管评级、外部机构评级等第三方评估;产品营销:产品主推渠道、营销活动类型等。
通过增加多维度的特征描述,K-Means聚类算法可以更准确地捕捉数据的内在模式和差异性,从而得到更合理、更可解释的簇划分结果。这些簇中心的特征描述也将更加丰富和准确,有助于后续的分析和应用。通过进一步挖掘领域知识,我们可以总结出很多看似细节但实际很重要的特征,涵盖人员、客户和产品方方面面的信息。这些高维度、多层次的特征能够更好地刻画出实体的全貌,为聚类分析提供很好的数据基础。同时,也需要注意特征之间的相关性,避免冗余特征带来的负面影响。总之,特征工程是数据分析的重中之重,需要在业务理解和技术两方面持续投入努力。
在这种情况下,三组数据:保险销售人员、保险产品和投(被)保人,每组数据都有尽可能丰富的一些标签(例如,保险销售人员可能有销售技能、地理位置等标签;保险产品可能有保险类型、保险金额等标签;投(被)保人可能有年龄、健康状况等标签)。
在本公开的一些实施例中,分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度。一种可实现的方式为,根据目标保险销售员信息的标签、目标被保人信息的标签、目标保险产品信息的标签、目标保险销售员信息的标签权重、目标被保人信息的标签权重和目标保险产品信息的标签权重,分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度。
进一步,从多组保险组合中,选择出综合评分最高的目标保险组合,其中,每个保险组合包括:保险销售员信息、被保人信息和保险产品信息;根据目标保险组合中的保险销售员信息、被保人信息和保险产品信息,进行保险服务推荐。
具体地,将每组数据表示为特征向量,使用one-hot编码等方式将标签转换为可处理的格式。计算每组数据之间的余弦相似度,以衡量它们之间的相似性。例如,计算保险销售人员与保险产品之间的余弦相似度,以及保险产品与投(被)保人之间的余弦相似度。
对于每组数据的标签,可以为其分配权重,以反映其在相似度计算中的重要性。这些权重可以基于业务需求或数据分析来确定。将每组数据之间的余弦相似度与其标签权重结合,计算综合评分。可以采用加权求和或其他组合方式。例如,对于给定的保险销售人员、保险产品和投(被)保人组合,可以计算综合评分作为三者之间的匹配度量。
进一步,根据综合评分对组合进行排序,以确定最相关的组合。推荐具有最高综合评分的保险产品给投(被)保人,或者建议销售人员与某些特定投(被)保人进行联系等。保险销售、保险产品、被保人的标签自动和人工的组合与匹配是一个综合性和精细化的过程,需要结合先进的数据分析技术与专业的业务人员经验来实现:
在一种示例性实施例中,数据收集与预处理:保险销售数据:收集销售员的业绩、培训记录、客户反馈等信息。保险产品数据:包括产品类型、保费、保障范围、市场定位等。被保人数据:涵盖年龄、性别、职业、健康状况、保险需求等。对这些数据进行清洗、整合和标准化处理,以便进行后续分析。标签自动生成:利用机器学习算法(如聚类分析、分类算法等)对收集的数据进行挖掘,自动生成初步的标签。根据历史数据和业务规则,设定标签生成的阈值和条件。自动匹配:基于生成的标签,通过余弦相似度算法计算不同实体之间的相似度。根据相似度得分,自动将保险销售、保险产品和被保人进行匹配。
在本公开的一些实施例中,保险组合可采用人工组合与匹配。一种可实现的方式为,响应于对目标保险组合中的保险销售员信息、被保人信息和保险产品信息中的任意一项信息的修改操作,获取修改后的目标保险组合。
例如,一,专家评审与修正:邀请业务专家对自动生成的标签和匹配结果进行评审。根据专家的意见和建议,对标签进行修正和完善,对匹配结果进行调整。二,人工干预与优化:对于自动匹配结果不满意或存在特殊情况的情况,业务人员可以手动进行调整和优化;结合业务人员的经验和专业知识,对标签进行更加精细化的划分和组合。
在本公开的一些实施例中,营销策略制定:根据匹配结果,为保险销售人员推荐适合的潜在客户群体和保险产品。结合标签分析,制定个性化的营销策略和推广计划。产品设计与优化:分析被保人的标签和需求,为产品设计提供数据支持。根据销售数据和客户反馈,优化产品标签和定位,提升市场竞争力。客户服务提升:利用标签信息,为被保人提供更加精准和个性化的服务。结合销售人员的标签和能力,优化客户服务流程和团队配置。通过自动和人工的组合与匹配,可以实现保险销售、保险产品和被保人之间的精准对接,提升业务效率和客户满意度。在实际应用中,应根据具体情况选择合适的组合方式,并不断进行优化和改进。
在本公开的一些实施例中,还可以对缺失数据进行处理。
1,删除含有缺失值的记录
例子:在保险销售数据中,如果某个销售员的业绩记录缺失过多(如超过50%),可以选择删除该销售员的所有记录,以避免对整体分析造成干扰。
2,填充缺失值
(1)使用固定值填充
例子:对于被保人的“健康状况”字段,如果某些记录缺失,可以根据业务规则使用“未知”或“未提供”等固定值进行填充。
(2)使用均值、中位数或众数填充
例子:在保险产品数据中,如果某个产品的“保费”字段有缺失,可以使用该产品类型的其他产品的保费均值或中位数进行填充。
(3)使用机器学习算法预测填充
例子:利用保险销售的历史数据训练一个预测模型,如随机森林或梯度提升回归,预测缺失的销售业绩数据,并将预测值作为填充值。
3,使用插值法填充
例子:在保险销售的时间序列数据中,如果某个月的销售额缺失,可以使用前后几个月的销售额进行插值(如线性插值或多项式插值)来估计缺失值。
4,创建新的特征或标签来表示缺失值
例子:在被保人的数据中,可以创建一个新的标签“是否有健康记录”,对于健康状况字段缺失的被保人,该标签标记为“否”,对于有记录的则标记为“是”。这样可以将缺失值转化为有用的信息。
5,使用多重插补法
例子:对于保险产品数据中的多个相关字段(如保费、保障范围等)存在缺失的情况,可以使用多重插补法。该方法通过创建多个可能的数据集,每个数据集都对缺失值进行了不同的合理填充,然后对这些数据集进行分析,并综合结果来得到最终的结论。
注意事项:
在处理缺失数据时,应首先分析缺失数据的模式和原因,以确定最合适的处理方法。
对于关键字段的缺失,应谨慎处理,避免引入偏差或误导分析结果。可以用One-Hot等方法将类别变量转换为机器学习算法易于利用的格式。在处理缺失数据后,应重新检查数据的完整性和准确性,确保分析结果的可靠性。通过上述技术的综合运用,可以有效地处理保险销售、保险产品、被保人数据中的缺失值问题,提高数据分析的准确性和可靠性。
在本公开的一些示例性实施例中,包括以下步骤:
数据流向:
第一步:海量准备数据和数据组合。自有数据包括健康保险、财产保险、人寿保险等客户和销售等所有的数据,不仅仅是营销数据,还有操作记录,日志数据等。以及外部数据,包括合作数据、购买数据、爬虫数据等其他数据。
第二步:数据集准备好后,全部数据会集中到数据湖或者数据缓存池。
第三步:数据结构化和标签分类系统会从数据湖或者数据缓存池中抽取数据进行清洗、非结构化数据结构化处理、自动标签分类、管理员手动标签分类、标签阈值设置。
第四步:数据结构化和标签分类完成后,营销数据和标签缓存系统从中缓存所有营销人员或者营销团队特有数据和标签,包括部分友司团队或者个人;用户数据和标签缓存系统从中缓存海量用户数据和标签;产品数据和标签缓存系统从中缓存所有产品标签和数据,包括部分竞品。
第五步:销售画像系统基于营销人员和营销团队特有标签,包括部分友司团队或者个人。进行营销人员或者营销团队进行画像服务;用户画像系统基于用户标签进行用户画像服务;产品画像系统将所有产品依据标签进行画像,包括部分竞品。
第六步:群体画像系统把客户、营销人员或者营销团队、保险产品根据标签相似度进行不同组合的聚类分类。数据来源于销售画像系统、用户画像系统、产品画像系统。
第七步:销售画像系统、用户画像系统、产品画像系统的数据导入辅助营销系统,销售、产品、用户的标签自动和人工的组合与匹配。标签组合方式采用相似度两两组合,比如客户电子设备坐标经常发生变化,可得出结论是属于航旅标签客户,可以推送行李损坏险、航班延误险、航空意外险等有明显航旅类标签的保险产品,此类又都是短险相关标签产品可以交给短险团队或者代理渠道来操作。再比如,判断如果是家庭顶梁柱则可能需要寿险或重疾相关标签的产品,则可以让相关寿险产品标签匹配度高的渠道去销售。
第八步:根据辅助营销系统通过标签自动和手动方式进行标签相似度匹配组合处理以及群体画像系统数据,通过合适的销售渠道把合适的产品卖给合适的客户。通过一定的推荐算法实现精准营销。
第九步:系统管理员负责外部数据审核、数据脱敏、合规校验、安全校验、调整标签、设置参数、调整组合参数等。
第十步:所有系统服务均可以提供API接口给外部使用。
在本公开上述方法实施例中,获取目标保险销售员信息、目标被保人信息和目标保险产品信息;分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度;根据相似度,确定目标保险销售员信息、目标被保人信息和目标保险产品信息的综合评分;根据综合评分,进行保险服务推荐;本公开将目标保险销售员信息、目标被保人信息和目标保险产品信息组成保险组合,自动计算该保险组合的综合评分,基于该综合评分进行保险服务推荐,提高保险服务推荐的准确度。
图2为本公开示例性实施例提供的一种保险服务推荐装置20的结构示意图。如图2所示,该保险服务推荐装置20包括:获取模块21,计算模块22,确定模块23和推荐模块24。
其中,获取模块21,用于获取目标保险销售员信息、目标被保人信息和目标保险产品信息;
计算模块22,分别用于计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度;
确定模块23,用于根据相似度,确定目标保险销售员信息、目标被保人信息和目标保险产品信息的综合评分;
推荐模块24,用于根据综合评分,进行保险服务推荐。
可选地,计算模块22在分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度时,用于:
根据目标保险销售员信息的标签、目标被保人信息的标签、目标保险产品信息的标签、目标保险销售员信息的标签权重、目标被保人信息的标签权重和目标保险产品信息的标签权重,分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度。
可选地,计算模块22,还可用于:
从多组保险组合中,选择出综合评分最高的目标保险组合,其中,每个保险组合包括:保险销售员信息、被保人信息和保险产品信息;
根据目标保险组合中的保险销售员信息、被保人信息和保险产品信息,进行保险服务推荐。
可选地,计算模块22,还可用于:响应于对目标保险组合中的保险销售员信息、被保人信息和保险产品信息中的任意一项信息的修改操作,获取修改后的目标保险组合。
可选地,计算模块22在分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度之前,还可用于:
利用目标聚类算法,对目标保险销售员信息和已有保险销售员信息进行聚类操作,得到目标保险销售员信息的标签;
利用目标聚类算法,对目标被保人信息和已有被保人信息进行聚类操作,得到目标被保人信息的标签;
利用目标聚类算法,对目标保险产品信息和已有保险产品信息进行聚类操作,得到目标保险产品信息的标签。
可选地,目标聚类算法为K-Means聚类算法。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图3为本公开示例性实施例提供的一种电子设备的结构示意图。如图3所示,电子设备包括:存储器31和处理器32。另外,电子设备还包括电源组件33和通信组件34。
存储器31,用于存储计算机程序,并可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。
存储器31,可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
通信组件34,用于与其他设备进行数据传输。
处理器32,可执行存储器31中存储的计算机指令,以用于:获取目标保险销售员信息、目标被保人信息和目标保险产品信息;分别计算目标保险销售员信息、目标被保人信息和目标保险产品信息中的任意两者之间的相似度;根据相似度,确定目标保险销售员信息、目标被保人信息和目标保险产品信息的综合评分;根据综合评分,进行保险服务推荐。
相应地,本公开实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序,且计算机程序被一个或多个处理器执行时,致使一个或多个处理器执行图1方法实施例中的各步骤。
相应地,本公开实施例还提供一种计算机程序产品,计算机程序产品包括计算机程序/指令,计算机程序/指令被处理器执行图1的方法实施例中的各步骤。
上述图3中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G/LTE、5G等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
上述图3中的电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
上述电子设备还包括显示屏和音频组件。
显示屏包括屏幕,其屏幕可以包括液晶显示屏(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。
音频组件,可被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种保险服务推荐方法,其特征在于,包括:
获取目标保险销售员信息、目标被保人信息和目标保险产品信息;
分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度;
根据所述相似度,确定所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息的综合评分;
根据所述综合评分,进行保险服务推荐。
2.根据权利要求1所述的方法,其特征在于,分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度,包括:
根据所述目标保险销售员信息的标签、所述目标被保人信息的标签、所述目标保险产品信息的标签、所述目标保险销售员信息的标签权重、所述目标被保人信息的标签权重和所述目标保险产品信息的标签权重,分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从多组保险组合中,选择出综合评分最高的目标保险组合,其中,每个保险组合包括:保险销售员信息、被保人信息和保险产品信息;
根据所述目标保险组合中的保险销售员信息、被保人信息和保险产品信息,进行保险服务推荐。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
响应于对所述目标保险组合中的保险销售员信息、被保人信息和保险产品信息中的任意一项信息的修改操作,获取修改后的目标保险组合。
5.根据权利要求1所述的方法,其特征在于,在所述分别计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度之前,所述方法还包括:
利用目标聚类算法,对目标保险销售员信息和已有保险销售员信息进行聚类操作,得到所述目标保险销售员信息的标签;
利用所述目标聚类算法,对所述目标被保人信息和已有被保人信息进行聚类操作,得到所述目标被保人信息的标签;
利用所述目标聚类算法,对所述目标保险产品信息和已有保险产品信息进行聚类操作,得到所述目标保险产品信息的标签。
6.根据权利要求5所述的方法,其特征在于,所述目标聚类算法为K-Means聚类算法。
7.一种保险服务推荐装置,其特征在于,包括:
获取模块,用于获取目标保险销售员信息、目标被保人信息和目标保险产品信息;
计算模块,分别用于计算所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息中的任意两者之间的相似度;
确定模块,用于根据所述相似度,确定所述目标保险销售员信息、所述目标被保人信息和所述目标保险产品信息的综合评分;
推荐模块,用于根据所述综合评分,进行保险服务推荐。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行指令,以实现如权利要求1-6中任一项所述的方法中的各步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,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1-6中任一项所述的方法中的各步骤。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1-6中任一项所述的方法中的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405363.7A CN118193843A (zh) | 2024-04-03 | 2024-04-03 | 保险服务推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405363.7A CN118193843A (zh) | 2024-04-03 | 2024-04-03 | 保险服务推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118193843A true CN118193843A (zh) | 2024-06-14 |
Family
ID=91392847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410405363.7A Pending CN118193843A (zh) | 2024-04-03 | 2024-04-03 | 保险服务推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118193843A (zh) |
-
2024
- 2024-04-03 CN CN202410405363.7A patent/CN118193843A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108476334B (zh) | 广告投放的跨屏优化 | |
US11270324B2 (en) | Location-based analytic platform and methods | |
US10891628B1 (en) | Using cognitive computing to improve relationship pricing | |
Neslin et al. | Defection detection: Measuring and understanding the predictive accuracy of customer churn models | |
KR102297669B1 (ko) | 제조사 및 유통사 간 연결을 위한 매칭 서비스 제공 시스템 | |
US8935198B1 (en) | Analysis and prediction of data using clusterization | |
US20160086222A1 (en) | Method and system to remind users of targeted offers in similar categories | |
US20150348083A1 (en) | System, methods and processes to identify cross-border transactions and reward relevant cardholders with offers | |
US20150170175A1 (en) | Method and system for identifying a cohort of users based on past shopping behavior and other criteria | |
US20150220999A1 (en) | Method and system to dynamically adjust offer spend thresholds and personalize offer criteria specific to individual users | |
US20190114551A1 (en) | Private artificial intelligence | |
CN108628866B (zh) | 数据融合的方法和装置 | |
Zhang et al. | Influence of tourism seasonality and financial ratios on hotels’ exit risk | |
KR102453535B1 (ko) | 온라인 쇼핑 플랫폼을 제공하는 방법 및 장치 | |
CN112215448A (zh) | 分配客服的方法和装置 | |
Kim et al. | Newspapers’ content policy and the effect of paywalls on pageviews | |
KR20200052680A (ko) | 빅데이터 분석을 활용한 커머스 플랫폼 시스템 | |
Wang et al. | Mobile advertising and traffic conversion: The effects of front traffic and spatial competition | |
CN113052653A (zh) | 一种金融产品内容推荐方法、系统及计算机可读存储介质 | |
US20220114616A1 (en) | Digital anthropology and ethnography system | |
Paas et al. | Adoption of services and apps on mobile phones by micro-entrepreneurs in Sub-Saharan Africa | |
US20230368226A1 (en) | Systems and methods for improved user experience participant selection | |
Miller | Marketing data science: Modeling techniques in predictive analytics with R and Python | |
CN118193843A (zh) | 保险服务推荐方法、装置、设备及存储介质 | |
US20210150548A1 (en) | System for automatic segmentation and ranking of leads and referrals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |