WO2019037202A1 - 目标客户的识别方法、装置、电子设备及介质 - Google Patents

目标客户的识别方法、装置、电子设备及介质 Download PDF

Info

Publication number
WO2019037202A1
WO2019037202A1 PCT/CN2017/104490 CN2017104490W WO2019037202A1 WO 2019037202 A1 WO2019037202 A1 WO 2019037202A1 CN 2017104490 W CN2017104490 W CN 2017104490W WO 2019037202 A1 WO2019037202 A1 WO 2019037202A1
Authority
WO
WIPO (PCT)
Prior art keywords
customer
potential
seat
customers
sales
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.)
Ceased
Application number
PCT/CN2017/104490
Other languages
English (en)
French (fr)
Inventor
李芳�
王建明
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to US16/316,028 priority Critical patent/US20210365963A1/en
Priority to SG11201810711PA priority patent/SG11201810711PA/en
Publication of WO2019037202A1 publication Critical patent/WO2019037202A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0246—Traffic
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes

Definitions

  • Target customer identification method device, electronic device and medium
  • This application belongs to the field of information processing, and in particular, to a method, device, electronic device and medium for identifying a target customer.
  • Telemarketing is a way to achieve a planned, organized, and efficient customer base by using the phone.
  • TTK Telemarketing
  • all major enterprises have begun to implement personalized and precise marketing. Specifically, through in-depth analysis of the collected personal characteristics data of each customer, the different consumption characteristics of different customers are determined, so that the customer is confirmed as the target customer when the sales product and the customer's consumption characteristics are more consistent. And enable the agent to conduct telemarketing to the target customer, thereby ensuring that after each telemarketing, there is a greater probability that the customer will be converted into the actual transaction customer who purchases the product, thereby improving marketing efficiency.
  • the existing target customer identification method can only evaluate whether the customer is a target customer from the personal characteristic data of the customer, and the consideration factor is single, thereby making the recognition accuracy of the target customer relatively low.
  • the embodiments of the present application provide a method, an apparatus, an electronic device, and a medium for identifying a target customer, so as to solve the problem that the target customer has low recognition accuracy and difficulty in further screening out the product purchase probability in the prior art. Higher customer issues. Problem solution
  • a first aspect of the embodiments of the present application provides a method for identifying a target client, including: [0007] obtaining personal characteristic data of a potential customer;
  • a second aspect of the embodiments of the present application provides a target device identification device, including:
  • a first obtaining module configured to acquire personal characteristic data of the potential customer
  • a calculation module configured to calculate, in each working session, a customer conversion rate of the salesperson seat in each of the working sections according to a total number of customer transactions of the salesperson seat and a total number of sales customers;
  • a first output module configured to input the customer conversion rate of the sales agent seat in the current working segment and the personal characteristic data of the potential customer into a pre-established random forest model to output the potential Customer's product purchase probability
  • a determining module configured to determine the potential customer whose purchase probability is greater than a preset threshold as the target customer of the salesperson seat in the current working session.
  • a third aspect of the embodiments of the present application provides an electronic device, including a memory, a processor, and computer readable instructions stored on the memory and executable on the processor, the processor The step of executing the computer program to implement the target customer identification method as provided in the first aspect above.
  • a fourth aspect of the embodiments of the present application provides a computer readable storage medium storing computer readable instructions, the computer readable instructions being executed by at least one processor The steps of the target customer identification method as provided in the first aspect above.
  • the sales ability of the sales agent at the current moment can be quantified; the customer conversion rate of the sales agent and the potential customer are obtained.
  • Personal characteristic data is entered into a pre-established random forest model that can be based on the seller and is marketed
  • the conditional factors of the two aspects predict the product purchase probability of the potential customer, and only when the product purchase probability is greater than the preset threshold, the potential customer is determined to be the target customer of the current engraved sales agent, thereby
  • the sales agent can accurately locate the customers that should be promoted, improve the customer conversion rate and marketing efficiency; in the existing technology, only based on the customer's personal characteristic data to evaluate whether the customer is the target customer, due to the sales agent
  • the sales ability of the customer has a great influence on whether the customer successfully purchases the product. Therefore, the recognition accuracy of the target customer is improved by adding the consideration factor of the salesperson's agent sales ability, so that the method provided by the embodiment of the present application can be further
  • FIG. 1 is a flowchart of an implementation of a method for identifying a target client according to Embodiment 1 of the present application;
  • FIG. 2 is a flowchart of an implementation of a method for identifying a target client according to Embodiment 2 of the present application;
  • FIG. 3 is a flowchart of an implementation of a method for identifying a target client according to Embodiment 3 of the present application.
  • FIG. 4 is a flowchart of a specific implementation of the method for identifying a target client provided by the fourth embodiment of the present application.
  • FIG. 5 is a flowchart of an implementation of a method for identifying a target client according to Embodiment 5 of the present application;
  • FIG. 6 is a structural block diagram of a target customer identification apparatus provided in Embodiment 6 of the present application.
  • FIG. 7 is a structural block diagram of a target customer identification apparatus provided in Embodiment 6 of the present application.
  • FIG. 8 is a structural block diagram of a target customer identification apparatus provided in Embodiment 6 of the present application.
  • FIG. 9 is a structural block diagram of a target customer identification apparatus provided in Embodiment 6 of the present application.
  • FIG. 10 is a schematic diagram of an electronic device provided in Embodiment 7 of the present application.
  • FIG. 1 shows an implementation flow of a target client identification method provided by an embodiment of the present application, where the method flow includes steps S101 to S104.
  • the specific implementation principles of each step are as follows:
  • S101 Acquire personal characteristic data of the potential customer.
  • a potential customer refers to a to-be-fired customer having the possibility to purchase an electric-selling product, which is used to excavate a target customer having a high probability of product purchase and requiring further telemarketing.
  • potential customers can be transformed into actual transaction customers who purchase products.
  • the electric products are products recommended by the sales agents to customers through telephone communication, including but not limited to insurance products and credit products.
  • the customer list and personal characteristic data of the potential customer are obtained through various ways.
  • the personal characteristics data of potential customers include, but are not limited to, annual income, income, hobbies, education, historical consumption of financial products, and life insurance delivery premiums.
  • Each of the personal characteristic data is an attribute feature.
  • S102 Calculate, in each working session, the customer conversion rate of the salesperson seat in each of the working sections according to the total number of customer transactions and the total number of sales customers.
  • the electric sales seat is divided into working sections in one day to obtain a plurality of working sections. For example, if the working area of the sales seat is from 10:00 to 18:00, and each two small rafts is a working section, then four working sections can be obtained, which are the first working ⁇ . Intersection 10:00-12:00, second working section 1 2:01-14:00, third working section 14:01-16:00 and the fourth working section 16:01-18 :00.
  • the sales agent will conduct telemarketing to a plurality of customers, and the total number of customers contacted by the sales agent in the working section is the total number of sales customers. After the sales of the sales agent, if the customer contacted by the customer is successfully promoted, and then the product is purchased, the customer is converted into a customer. In a working period, the total number of customers who sold the seats in the sales seat was the total number of customers who had been dealt with.
  • S103 input the customer conversion rate of the sales agent in the current working period and the personal characteristic data of the potential customer into a pre-established random forest model to output the product purchase probability of the potential customer. .
  • a pre-trained random forest model is obtained.
  • the random forest model includes multiple decision trees, and each decision tree is used for classification selection based on input parameters. After the classification results of each decision tree are statistically summarized, the final output parameters of the random forest model are obtained.
  • the input parameter is the customer conversion rate of the sales agent in the current working period and the personal characteristic data of the current potential customer.
  • the output parameter is the probability of product purchase for this potential customer.
  • S104 The potential customer whose purchase probability is greater than a preset threshold is determined as the target customer of the salesperson seat in the current working session.
  • the personal characteristic data of the household is input into a pre-established random forest model, and the product purchase probability of the potential customer can be predicted based on the condition factors of the seller and the seller, only if the product purchase probability is greater than a preset threshold. It is determined that the potential customer is the target customer of the current engraved sales agent, thereby enabling the sales agent to accurately locate the customer that should be promoted, improving the customer conversion rate and marketing efficiency;
  • the personal characteristic data is used to evaluate whether the customer is the target customer.
  • the sales ability of the sales agent has a great influence on whether the customer successfully purchases the product, the goal is increased by adding the salesman's ability to sell the seat.
  • the recognition accuracy of the customer enables the method according to the embodiment of the present application to further filter out target customers with higher product purchase probability.
  • the display manner of the target customer is further defined.
  • the above target customer identification methods further include:
  • S201 input personal characteristic data of the plurality of potential customers and the customer conversion rate of the sales agent in the current working interval into the random forest model to respectively output the plurality of potential customers Product purchase probability.
  • the personal characteristic data of the plurality of potential customers acquired in advance input the personal characteristic data of one of the potential customers and the customer conversion rate of the sales agent in the current working period into the random forest model, and then input the next potential The customer's personal trait data and the customer conversion rate of the sales agent during the current work period.
  • the personal characteristic data of each potential customer obtained in advance is input.
  • the product purchase probability of the potential customer can be output, and thus the individuals of the plurality of potential customers are sequentially After the feature data and the customer conversion rate of the sales agent are input into the random forest model, the product purchase probability of each potential customer can be sequentially output.
  • S202 Sort the plurality of potential customers based on a size order of the product purchase probability.
  • each potential customer is sorted according to the value of the product purchase probability, so that the potential customers with higher product purchase probability are ranked before the potential customers with less product purchase probability.
  • S203 displaying the sorting result, so that the salesperson seat sequentially pairs each location based on the sorting result Telling potential customers to conduct telemarketing.
  • displaying the ranking results of the plurality of potential customers specifically comprising: generating a customer list including a plurality of potential customers, the customer list includes a contact information of each potential customer; displaying the customer list in the electricity The terminal interface of the sales agent.
  • the sales agent Based on the customer list displayed on the terminal interface of the sales agent and the contact mode of each potential customer in the customer list, the sales agent will conduct telemarketing to each of the potential customers in turn.
  • the manner of acquiring the training sample data of the random forest model is further defined.
  • the above target customer identification methods also include:
  • S301 Obtain a historical sales customer of the salesperson seat.
  • S302 Acquire the personal characteristic data, the historical sales promotion segment, and the customer type of each of the historical sales customers, where the customer type is a transaction customer or a non-transaction customer.
  • the customers that have been promoted by each of the sales agents and the sales information related to the customers are recorded in the database.
  • the historical sales data of the sales agent is retrieved from the database, including the historical sales customers that have been promoted and the personal characteristic data and customer types of each historical sales customer. And the history of selling telemarketing to this historical sales customer.
  • a historical sales promotion interval corresponding to each historical sales promotion is determined.
  • the customer type is a transaction customer or a non-transaction customer. That is, whether the customer that the sales agent once sold has finally purchased the electric product. If so, the historical sales customer is a transaction customer, and if not, the historical sales customer is a non-transaction customer.
  • S303 Acquire the customer conversion rate of the salesperson seat in the historical sales promotion segment.
  • the customer conversion rate of each work segment can be obtained by the above step S102, according to the historical sales promotion period corresponding to the history sales customer's history, the sales pitch can be determined in each history. Promote customer conversion rates for the inter-segment.
  • S304 constructing and training the personal characteristic data, the historical sales segment, the customer type, and the customer conversion rate of the sales agent in the historical sales segment based on each of the historical sales customers.
  • a plurality of training sample data are input to a pre-built random forest model.
  • Each training sample data includes a personal sales data of a historical sales customer, a history sales segment, a customer type, and a customer conversion rate of the sales pitch during the historical sales of the customer.
  • the model parameters in the random forest model are adjusted based on the received training sample data. Specifically, in the received N training sample data, the random extraction with the reversal is repeatedly performed to make the extracted M (0 ⁇ M ⁇ N, and M is an integer) training sample data as a new one. Training sample set
  • K is an integer greater than 1
  • the decision tree includes a binary tree and a non-binary tree.
  • the customer is promoted by obtaining the history of the salesperson seat, and the personal characteristic data of each of the historical sales customers, the historical sales segment, the customer type, and the sales agent are in the historical sales segment.
  • the customer conversion rate is used as the training sample data of the random forest model, which enables the random forest model to accurately train the model based on the positive and negative samples of the transaction customer and the non-transaction customer, ensuring that the random forest model after the training is completed can be based on Enter the personal characteristics data of the potential customers and the actual customer conversion rate of the sales agent to accurately estimate the potential purchase probability of the product.
  • the foregoing S103 specifically includes:
  • S1031 Acquire a pre-established random forest model related to the salesperson seat, where the random forest model includes a plurality of decision trees.
  • S1032 the customer conversion rate of the salesperson seat in the current working session and the potential guest
  • the personal characteristic data of the household is input into the random forest model to obtain an output value of each leaf node in each of the decision trees, and the output value includes purchase or no purchase.
  • S1033 output the output value as a ratio of the total number of the purchased leaf nodes to the total number of leaf nodes in the random forest model as the product purchase probability of the potential customer.
  • the pre-built and trained random forest model is a random forest model related to the designated salesperson seat.
  • the trained random forest model contains multiple decision trees for classification. Each leaf node in each decision tree corresponds to an attribute feature, and the output value of the leaf node represents a classification option value obtained by classifying an attribute feature of the input potential customer through the branch where the leaf node is located. Attribute characteristics include historical sales pitches of potential customers entered, individual personal characteristics data, and customer conversion rates for sales agents during historical sales.
  • the output value of a leaf node is 1, it indicates that the input potential customer purchases the sales product on the attribute factor corresponding to the attribute of the leaf node; if the output value of a leaf node is 0, it means that the input potential customers will not purchase the electric products in the consideration factor of the attribute characteristics corresponding to the leaf nodes.
  • the output values of each leaf node in the random forest model can be obtained.
  • the output values of each leaf node are summarized to determine the output value as the total number of leaf nodes that the potential customer will purchase for the product.
  • the ratio of the total to the total number of leaf nodes in the random forest model is determined as the product purchase probability of the potential customer.
  • the influence weight values of different types of attribute features are further defined.
  • the above target client identification method further includes [0082] S501: when the decision tree generates a split node, randomly selecting an arbitrary number of the attribute features in each attribute feature of the historical sales client, where the attribute feature includes the historical sales segment And the personal characteristic data and the customer conversion rate of the salesperson seat in the historical sales segment.
  • S502 Calculate, according to each of the selected attribute features, a first Gini value and a second Gini value of the decision tree before and after splitting, respectively, as the split node.
  • S503 respectively obtain a difference between the first Gini value and the second Gini value of each of the attribute features in each of the decision trees, and select the attribute feature in each of the decision trees.
  • the average value of the difference is output as the influence weight value of the attribute feature on the purchase probability of the product.
  • the decision tree After inputting Q attribute features related to potential customers into each decision tree of the random forest model, the decision tree needs to randomly select q (0 ⁇ q ⁇ Q, and 9, Q is an integer) attribute features. And the selected q attribute features are analyzed to determine an attribute feature as a split node from the q attribute features.
  • the classification error size is calculated to determine the split purity of the attribute feature. The smaller the purity of the split, the higher the accuracy of the classification of the decision tree for potential customers.
  • the splitting purity of the split node is measured by the Gini value.
  • the Gini value of each attribute feature after it is used as a split node is obtained, and an attribute feature with the smallest Gini value is determined as the split node of the current engraving.
  • the steps of performing q attribute features randomly among the Q attribute features related to the potential customers are returned to determine the split nodes of each level until the final Gini value is lower than the preset.
  • the threshold for example 0.1 ⁇ , stops generating split nodes of the lower level.
  • each selected attribute feature can be used as a split node, respectively, and the Gini value of each attribute feature before splitting is calculated, and the Gini value of each attribute feature after splitting is calculated. The difference between the Gini value of each attribute feature in each decision tree before the split and the Gini value after splitting is obtained.
  • the random forest model includes two decision trees, and for the attribute feature of the potential customer's income level, in the decision tree 1, the Gini value before the split is al, and the Gini value after the split Is bl ; in decision tree 2, the Gini value before splitting is a2, and the Gini value after splitting is b2; for the attribute characteristics of potential customers' life insurance delivery premium, in decision tree 1, before splitting
  • the Gini value is a3, and the Gini value after splitting is b3; in decision tree 2, the Gini value before splitting is a4, and the Gini value after splitting is b4;
  • the income level is for potential customers' product purchase probability.
  • the impact weight value is [(al-bl) + (a2-b2)]/2, and the impact weight of life insurance delivery premium on potential customers' product purchase probability is [(a3-b3)+(a4-b4)]/2 .
  • the Gini value is determined by randomly selecting a plurality of attribute features from all the attribute features of the potential customers, and the attribute value of the Gini value after the split is minimized. It is determined to be a split node, so that each split node generated can prevent over-fitting phenomenon, thereby improving the classification accuracy of potential customers obtained by each split node.
  • the average value of the Gini value before and after the attribute feature is split in each decision tree is output as the weight value of the attribute feature to the potential customer's product purchase probability, so that the sales agent can know which attribute feature identifies the target customer.
  • the impact of the results is relatively large, so that it is easy to obtain a relatively fast and accurate target customer identification based on the attribute characteristics with large impact weights after obtaining the list of potential customers that have not been identified by the random forest model.
  • FIG. 6 is a structural block diagram of the identification device of the target client provided by the embodiment of the present application. For the convenience of explanation, only the parts related to the present embodiment are shown.
  • the device includes:
  • the first obtaining module 601 is configured to acquire personal characteristic data of the potential customer.
  • a calculation module 602 configured to, according to the total number of customers of the sales agent in each working session, The total number of customers is promoted, and the customer conversion rate of the sales agent seat in each of the working sections is calculated separately.
  • the first output module 603 is configured to input the customer conversion rate of the sales agent at the current working interval and the personal characteristic data of the potential customer into a pre-established random forest model to output the Probability of product purchases by potential customers.
  • the determining module 604 is configured to determine the potential customer whose product purchase probability is greater than a preset threshold as the target customer of the sales agent seat in the current working session.
  • the apparatus further includes:
  • the second output module 605 is configured to input the personal characteristic data of the plurality of potential customers and the customer conversion rate of the sales agent at the current working interval into the random forest model to respectively output Probability of product purchases for multiple of the potential customers.
  • the sorting module 606 is configured to sort the plurality of potential customers according to the order of magnitude of the product purchase probability.
  • the display module 607 is configured to display the sorting result, so that the charging agent performs telemarketing to each of the potential customers in turn based on the sorting result.
  • the device further includes:
  • the second obtaining module 608 is configured to acquire a historical sales customer of the salesperson seat.
  • the third obtaining module 609 is configured to obtain the personal characteristic data, the historical sales promotion segment, and the customer type of each of the historical sales customers, where the customer type is a transaction customer or a non-transaction customer.
  • the fourth obtaining module 610 is configured to obtain the customer conversion rate of the salesperson seat in the historical sales promotion segment.
  • the training module 611 is configured to: based on each of the historical sales customers, the personal characteristic data, the historical sales promotion segment, the customer type, and the customer conversion rate of the salesperson seat in the historical sales segment Constructing and training the random forest model associated with the salesperson seat.
  • the first output module 603 includes:
  • an obtaining submodule configured to acquire a pre-established random forest model related to the salesperson seat, where the random forest model includes a plurality of decision trees.
  • an input submodule configured to input the customer conversion rate of the sales agent in the current working segment and personal characteristic data of the potential customer into the random forest model to obtain each of the decisions In the tree
  • An output value of each leaf node the output value including purchase or no purchase.
  • an output submodule configured to output, by the output value, a ratio of a total number of the purchased leaf nodes to a total number of leaf nodes in the random forest model as a product purchase probability of the potential customer.
  • the device further includes:
  • a selection module 612 configured to: when the decision tree generates a split node, randomly select an arbitrary number of the attribute features in each attribute feature of the historical sales client, where the attribute feature includes the history The sales pitch, the personal characteristic data, and the customer conversion rate of the salesperson seat in the historical sales segment.
  • the calculation module 613 is configured to calculate, as the split node ⁇ , the first Gini value and the second Gini value of the decision tree before and after splitting, respectively, based on each selected attribute feature.
  • the third output module 614 is configured to separately obtain a difference between the first Gini value and the second Gini value of each of the attribute features in each of the decision trees, and set the attribute feature to An average value of the difference values in each of the decision trees is an influence weight value of the attribute feature on the purchase probability of the product.
  • the sales ability of the sales agent at the current moment can be quantified; the customer conversion rate of the sales agent and the potential customer are obtained.
  • the personal characteristic data is input into a pre-established random forest model, and the product purchase probability of the potential customer can be predicted based on the condition factors of the seller and the seller, only if the product purchase probability is greater than a preset threshold. It is determined that the potential customer is the target customer of the current engraved sales agent, thereby enabling the sales agent to accurately locate the customer that should be promoted, improving the customer conversion rate and marketing efficiency; in the prior art only from the customer's individual
  • the characteristic data is used to evaluate whether the customer is the target customer.
  • the target customer is improved by the consideration of the sales ability of the sales agent.
  • Recognition accuracy based on the method provided by the embodiments of the present application Enough then further screened products to buy more high-probability target customers.
  • FIG. 10 is a schematic diagram of an electronic device according to an embodiment of the present application.
  • the electronic device 10 of this embodiment includes: a processor 1000, a memory 1001, and computer readable instructions 1002 stored in the memory 1001 and executable on the processor 1000, such as a target client. Identifying readable instructions .
  • the processor 1000 executes the computer readable instructions 1002 to implement the steps in the foregoing method for identifying various target clients, such as steps 101 to 104 shown in FIG.
  • the processor 1000 executes the computer readable instructions 1002 to implement the functions of the modules/units in the various apparatus embodiments described above, such as the functions of the modules 601 to 604 shown in FIG.
  • the computer readable instructions 1002 may be partitioned into one or more modules/units, the one or more modules/units being stored in the memory 1001, and by the processor 1000 is executed to complete the application.
  • the one or more modules/units may be a series of computer readable instruction instruction segments capable of performing a particular function, the instruction segments being used to describe the execution of the computer readable instructions 1002 in the electronic device 10.
  • the electronic device 10 may be a computing device such as a desktop computer, a notebook, a palmtop computer, and a cloud server.
  • the electronic device may include, but is not limited to, the processor 1000, the memory 1001. It will be understood by those skilled in the art that FIG. 10 is merely an example of the electronic device 10 and does not constitute a limitation on the electronic device 10, and may include more or less components than those illustrated, or combine some components, or different components.
  • the electronic device may further include an input/output device, a network access device, a bus, and the like.
  • the processor 1000 may be a central processing unit (CPU), or may be another general-purpose processor, a digital signal processor (DSP), or an application specific integrated circuit (Application Specific Integrated Circuit, ASIC), ready-to-use programmable gate array
  • CPU central processing unit
  • DSP digital signal processor
  • ASIC Application Specific Integrated Circuit
  • the general purpose processor may be a microprocessor or the processor or any conventional processor or the like.
  • the memory 1001 may be an internal storage unit of the electronic device 10, such as a hard disk or a memory of the electronic device 10.
  • the memory 1001 may also be an external storage device of the electronic device 10, such as a plug-in hard disk equipped on the electronic device 10, a smart memory card (SMC), and a secure digital (SD). Card, flash card, etc. Further, the memory 1001 may also include both an internal storage unit of the electronic device 10 and an external storage device.
  • the memory 1001 is configured to store the computer readable instructions and other readable instructions and data required by the electronic device.
  • the memory 1001 can also be used to temporarily store data that has been output or is about to be output.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or in the form of a software functional unit.
  • the integrated unit if implemented in the form of a software functional unit and sold or used as a standalone product, may be stored in a computer readable storage medium.
  • a computer readable storage medium A number of instructions are included to cause a computer device (which may be a personal computer, server, or network device, etc.) to perform all or part of the steps of the methods described in various embodiments of the present application.
  • the foregoing storage medium includes: a U disk, a removable hard disk, a read-only memory (ROM), a random access memory (RAM), a magnetic disk or an optical disk, and the like, which can store program codes. .

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种目标客户的识别方法、装置、电子设备及介质，适用于信息处理领域，该方法包括：获取潜在客户的个人特征数据（S101）；在预先划分好的各个工作时间段内，根据电销坐席的成交客户总数以及推销客户总数，分别计算所述电销坐席在各个工作时间段的客户转化率（S102）；将所述电销坐席在当前工作时间段的所述客户转化率以及所述潜在客户的个人特征数据输入预先建立的随机森林模型，以输出所述潜在客户的产品购买概率（S103）；将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐席在所述当前工作时间段的目标客户（S104）。通过加入了电销坐席的实时推销能力这一考量因素，使得电销坐席能够准确定位出其在当前时刻的目标客户，由此提高了客户转化率、营销效率以及目标客户的识别准确率。

Description

目标客户的识别方法、 装置、 电子设备及介质
[0001] 本申请要求于 2017年 08月 24日提交中国专利局、 申请号为 201710736127.3、 发 明名称为" 目标客户的识别方法及终端设备"的中国专利申请的优先权， 其全部 内容通过引用结合在本申请中。
技术领域
[0002] 本申请属于信息处理领域， 尤其涉及一种目标客户的识别方法、 装置、 电子设 备及介质。
背景技术
[0003] 目前， 产品的营销手段包括电话营销、 邮件营销以及短信营销等。 电话营销 （ TMK) 是通过使用电话来实现有计划、 有组织并且高效率地扩大顾客群的手法 。 为了避免电销的坐席人员只能随机地打出大量电话， 凭借运气地去给各个电 话接听者推销产品， 目前， 各大企业都幵始着手于实现个性化的精准营销。 具 体地， 通过对收集得到的各个客户的个人特征数据进行深入分析， 确定出不同 客户的不同消费特点， 从而在推销产品与客户的消费特点较为吻合的情况下， 才将该客户确认为目标客户， 并令坐席人员向该目标客户进行电话推销， 由此 可保证每一次电话推销后， 能够有更大的概率令客户转化为购买产品的实际成 交客户， 从而提高营销效率。
[0004] 然而， 现有的目标客户识别方法仅能从客户的个人特征数据来评估该客户是否 为目标客户， 考虑因素单一， 由此使得目标客户的识别准确率较为低下。
技术问题
[0005] 有鉴于此， 本申请实施例提供了一种目标客户的识别方法、 装置、 电子设备及 介质， 以解决现有技术中目标客户的识别准确率低以及难以再进一步筛选出产 品购买概率更高的客户的问题。 问题的解决方案
技术解决方案
[0006] 本申请实施例的第一方面， 提供了一种目标客户的识别方法， 包括： [0007] 获取潜在客户的个人特征数据；
[0008] 在各个工作吋间段内， 根据电销坐席的成交客户总数以及推销客户总数， 分别 计算所述电销坐席在各个所述工作吋间段的客户转化率；
[0009] 将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客户的个人 特征数据输入预先建立的随机森林模型， 以输出所述潜在客户的产品购买概率
[0010] 将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐席在所述 当前工作吋间段的目标客户。
[0011] 本申请实施例的第二方面， 提供了一种目标客户的识别装置， 包括：
[0012] 第一获取模块， 用于获取潜在客户的个人特征数据；
[0013] 计算模块， 用于在各个工作吋间段内， 根据电销坐席的成交客户总数以及推销 客户总数， 分别计算所述电销坐席在各个所述工作吋间段的客户转化率；
[0014] 第一输出模块， 用于将所述电销坐席在当前工作吋间段的所述客户转化率以及 所述潜在客户的个人特征数据输入预先建立的随机森林模型， 以输出所述潜在 客户的产品购买概率；
[0015] 确定模块， 用于将所述产品购买概率大于预设阈值的所述潜在客户确定为所述 电销坐席在所述当前工作吋间段的目标客户。
[0016] 本申请实施例的第三方面， 提供了一种电子设备， 包括存储器、 处理器及存储 在所述存储器上并可在所述处理器上运行的计算机可读指令， 所述处理器执行 所述计算机序吋实现如上述第一方面所提供的目标客户的识别方法的步骤。
[0017] 本申请实施例的第四方面， 提供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可读指令， 所述计算机可读指令被至少一个处理器执行 吋实现如上述第一方面所提供的目标客户的识别方法的步骤。
发明的有益效果
有益效果
[0018] 本申请实施例中， 通过获取电销坐席在当前工作吋间段的客户转化率， 能够量 化电销坐席在当前吋刻的推销能力； 通过将电销坐席的客户转化率以及潜在客 户的个人特征数据输入预先建立的随机森林模型， 可以基于推销方以及被推销 方两方面的条件因素来预测出该潜在客户的产品购买概率， 仅有在产品购买概 率大于预设阈值的情况下， 才确定该潜在客户为当前吋刻电销坐席的目标客户 ， 由此使得电销坐席能够准确定位出其应当推销的客户， 提高了客户转化率以 及营销效率； 在现有技术仅从客户的个人特征数据来评估该客户是否为目标客 户的基础之上， 由于电销坐席的推销能力对于客户是否成功购买产品的影响较 大， 故通过加入电销坐席推销能力这一考量因素， 提高了目标客户的识别准确 率， 使得基于本申请实施例提供的方法能够再进一步地筛选出产品购买概率更 高的目标客户。
对附图的简要说明
附图说明
[0019] 为了更清楚地说明本申请实施例中的技术方案， 下面将对实施例或现有技术描 述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是 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性 的前提下， 还可以根据这些附图获得其他的附图。
[0020] 图 1是本申请实施例一提供的目标客户的识别方法的实现流程图；
[0021] 图 2是本申请实施例二提供的目标客户的识别方法的实现流程图；
[0022] 图 3是本申请实施例三提供的目标客户的识别方法的实现流程图；
[0023] 图 4是本申请实施例四提供的目标客户的识别方法 S 103的具体实现流程图； [0024] 图 5是本申请实施例五提供的目标客户的识别方法的实现流程图；
[0025] 图 6是本申请实施例六提供的一目标客户的识别装置的结构框图；
[0026] 图 7是本申请实施例六提供的一目标客户的识别装置的结构框图；
[0027] 图 8是本申请实施例六提供的一目标客户的识别装置的结构框图；
[0028] 图 9是本申请实施例六提供的一目标客户的识别装置的结构框图；
[0029] 图 10是本申请实施例七提供的电子设备的示意图。
本发明的实施方式
[0030] 以下描述中， 为了说明而不是为了限定， 提出了诸如特定系统结构、 技术之类 的具体细节， 以便透彻理解本申请实施例。 然而， 本领域的技术人员应当清楚 ， 在没有这些具体细节的其它实施例中也可以实现本申请。 在其它情况中， 省 略对众所周知的系统、 装置、 电路以及方法的详细说明， 以免不必要的细节妨 碍本申请的描述。
[0031] 实施例一
[0032] 图 1示出了本申请实施例提供的目标客户的识别方法的实现流程， 该方法流程 包括步骤 S101至 S104。 各步骤的具体实现原理如下：
[0033] S101 : 获取潜在客户的个人特征数据。
[0034] 潜在客户是指具有购买电销产品的可能性的待幵发客户， 其用于从中挖掘出具 有产品购买概率较高且需要进一步地进行电话推销的目标客户。 在电销产品以 及电销服务满足潜在客户的需求的情况下， 潜在客户能够转化为购买产品的实 际成交客户。 其中， 电销产品为电销坐席通过电话沟通的方式向客户推荐的产 品， 包括但不限于保险产品以及信贷产品等各类金融产品。
[0035] 本申请实施例中， 通过多种途径来获取潜在客户的客户名单及个人特征数据。
例如， 从其他类型金融产品的历史客户信息、 热线服务台或营业厅所接到的咨 询客户信息中获取。 其中， 潜在客户的个人特征数据包括但不限于年齢、 收入 、 兴趣爱好、 学历、 金融产品历史消费金额以及寿险交付保费等。 其中的每一 项个人特征数据均为一属性特征。
[0036] S102: 在各个工作吋间段内， 根据电销坐席的成交客户总数以及推销客户总数 ， 分别计算所述电销坐席在各个所述工作吋间段的客户转化率。
[0037] 将电销坐席在一天之内的工作吋间段进行划分， 得到多个工作吋间段。 例如， 若电销坐席的工作吋间段为 10:00到 18:00， 且以每两个小吋为一个工作吋间段， 则可得到 4个工作吋间段， 分别为第一工作吋间段 10:00-12:00、 第二工作吋间段 1 2:01-14:00、 第三工作吋间段 14:01-16:00以及第四工作吋间段 16:01-18:00。
[0038] 在每一工作吋间段内， 电销坐席将向多个客户进行电话推销， 则电销坐席在该 工作吋间段所接触的客户的总数为推销客户总数。 经过电销坐席的推销后， 若 其所接触的客户被推销成功， 进而购买电销产品， 则该客户转化为成交客户。 在一工作吋间段， 电销坐席的成交客户的总数为上述成交客户总数。
[0039] 根据电销坐席在每一工作吋间段所对应的历史推销数据， 获取该工作吋间段内 电销坐席的平均的成交客户总数与推销客户总数， 并将成交客户总数与推销客 户总数的比值输出为电销坐席在该工作吋间段的客户转化率。 由此可知， 客户 转化率也表征了电销坐席在固定的一工作吋间段内的推销成功率。
[0040] S103: 将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客户 的个人特征数据输入预先建立的随机森林模型， 以输出所述潜在客户的产品购 买概率。
[0041] 在电销坐席进行电话推销之前， 需要确定出当前吋刻电销坐席所需接触的目标 客户。 根据 S102中工作吋间段的划分方式， 确定出当前吋刻所属的一个工作吋 间段。 基于上述 S102所计算得到的电销坐席在每一工作吋间段的客户转化率， 匹配出电销坐席在当前工作吋间段的客户转化率。
[0042] 例如， 若当前吋刻为 14:37， 则根据上述示例中的的工作吋间段划分方式， 可 确定出当前工作吋间段为第三工作吋间段 （14:01-16:00) 。 此吋， 获取电销坐席 在第三工作吋间段的客户转化率。
[0043] 本申请实施例中， 获取预先训练完毕的随机森林模型。 随机森林模型包括多个 决策树， 每一决策树用于根据输入参数来进行分类选择。 将各个决策树的分类 选择结果进行统计汇总后， 获取随机森林模型的最终输出参数。 其中， 输入参 数为电销坐席在当前工作吋间段的客户转化率以及当前的潜在客户的个人特征 数据。 输出参数为该潜在客户的产品购买概率。
[0044] S104: 将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐席 在所述当前工作吋间段的目标客户。
[0045] 对于某一电销坐席来说， 若潜在客户在当前吋刻的产品购买概率低于预设阈值 ， 则表示即使电销坐席为其进行电话推销， 该潜在客户也难以转化为成交客户 ， 因此， 为了提高电销坐席的营销效率， 仅将产品购买概率大于预设阈值的潜 在客户确定为目标客户。 通过将确定出的目标客户推荐至该电销坐席， 使得电 销坐席能够在有限的吋间内， 争取为产品购买概率更高的目标客户进行电话推 销， 最大限度地提高客户转化率。
[0046] 本申请实施例中， 通过获取电销坐席在当前工作吋间段的客户转化率， 能够量 化电销坐席在当前吋刻的推销能力； 通过将电销坐席的客户转化率以及潜在客 户的个人特征数据输入预先建立的随机森林模型， 可以基于推销方以及被推销 方两方面的条件因素来预测出该潜在客户的产品购买概率， 仅有在产品购买概 率大于预设阈值的情况下， 才确定该潜在客户为当前吋刻电销坐席的目标客户 ， 由此使得电销坐席能够准确定位出其应当推销的客户， 提高了客户转化率以 及营销效率； 在现有技术仅从客户的个人特征数据来评估该客户是否为目标客 户的基础之上， 由于电销坐席的推销能力对于客户是否成功购买产品的影响较 大， 故通过加入电销坐席推销能力这一考量因素， 提高了目标客户的识别准确 率， 使得基于本申请实施例提供的方法能够再进一步地筛选出产品购买概率更 高的目标客户。
[0047] 实施例二
[0048] 作为本申请的一个实施例， 在上述实施例一的基础之上， 对目标客户的展示方 式做进一步地限定。 如图 2所示， 上述目标客户的识别方法还包括：
[0049] S201 : 将多个潜在客户的个人特征数据以及将所述电销坐席在当前工作吋间段 的所述客户转化率输入所述随机森林模型， 以分别输出所述多个潜在客户的产 品购买概率。
[0050] 对于预先获取的多个潜在客户的个人特征数据， 将其中一个潜在客户的个人特 征数据以及电销坐席在当前工作吋间段的客户转化率输入随机森林模型后， 再 输入下一个潜在客户的个人特质数据以及电销坐席在当前工作吋间段的客户转 化率。 如此类推， 直至预先获取的各个潜在客户的个人特征数据均输入完毕。
[0051] 由于每一潜在客户的个人特征数据以及电销坐席的客户转化率经过随机森林模 型的识别处理后， 均能输出该潜在客户的产品购买概率， 因而在依次将多个潜 在客户的个人特征数据以及电销坐席的客户转化率输入随机森林模型后， 能依 次输出每一潜在客户的产品购买概率。
[0052] S202: 基于所述产品购买概率的大小顺序， 对所述多个潜在客户进行排序。
[0053] 基于多个潜在客户的多个产品购买概率， 按照产品购买概率的数值大小， 对各 个潜在客户进行排序， 使得产品购买概率较大的潜在客户排在产品购买概率较 小的潜在客户之前。
[0054] S203: 展示所述排序结果， 以使所述电销坐席基于所述排序结果依次对各个所 述潜在客户进行电话推销。
[0055] 将上述多个潜在客户的排序结果进行展示， 具体包括： 生成包含多个潜在客户 的排列顺序的客户名单， 客户名单中包含每一潜在客户的联系方式； 将该客户 名单显示于电销坐席的终端界面。
[0056] 基于显示于电销坐席的终端界面的客户名单以及客户名单中每一潜在客户的联 系方式， 电销坐席将依次对其中的每一个潜在客户进行电话推销。
[0057] 本申请实施例中， 通过将多个潜在客户的个人特征数据输入随机森林模型， 实 现了多个潜在客户的产品购买概率的批量输出； 基于产品购买概率的大小来对 各个潜在客户进行排序并展示， 使得电销坐席能够依照客户的排列顺序来依次 执行电销操作。 由于排序在前的潜在客户具有更大的可能性转化为成交客户， 因而根据排序来向各个潜在客户推销， 保证了电销坐席能够在尽可能短的吋间 内完成自身的任务达标量， 提高营销效率。
[0058] 实施例三
[0059] 作为本申请的一个实施例， 在上述各个实施例的基础之上， 对随机森林模型的 训练样本数据的获取方式做进一步地限定。 如图 3所示， 上述目标客户的识别方 法还包括：
[0060] S301 : 获取所述电销坐席的历史推销客户。
[0061] S302: 获取每一所述历史推销客户的所述个人特征数据、 历史推销吋间段以及 客户类型， 所述客户类型为成交客户或者非成交客户。
[0062] 每一电销坐席所曾经推销的客户以及与客户相关的推销信息均记录于数据库中 。 在训练与一电销坐席相关的随机森林模型之前， 从数据库中调取该电销坐席 的历史推销数据， 包括其曾经推销的各个历史推销客户以及每一历史推销客户 的个人特征数据、 客户类型以及向该历史推销客户进行电话推销吋的历史推销 吋间。 根据上述预设的工作吋间段划分方式， 确定出各个历史推销吋间所对应 的一个历史推销吋间段。
[0063] 其中， 上述客户类型为成交客户或非成交客户。 即， 电销坐席所曾经推销的客 户是否最终购买了电销产品。 若是， 则该历史推销客户为成交客户， 若否， 则 该历史推销客户为非成交客户。 [0064] S303: 获取所述电销坐席在所述历史推销吋间段的所述客户转化率。
[0065] 由于各个工作吋间段的客户转化率可由上述步骤 S102得出， 故根据不同历史推 销客户的历史推销吋间所对应的一个历史推销吋间段， 可确定出电销坐席在各 个历史推销吋间段的客户转化率。
[0066] S304: 基于每一所述历史推销客户的所述个人特征数据、 历史推销吋间段、 客 户类型以及所述电销坐席在所述历史推销吋间段的客户转化率， 构建并训练与 所述电销坐席相关的所述随机森林模型。
[0067] 将多个训练样本数据输入预先构建的随机森林模型。 每一训练样本数据包括一 历史推销客户的各项个人特征数据、 历史推销吋间段、 客户类型以及电销坐席 在该历史推销客户的历史推销吋间段的客户转化率。
[0068] 基于接收到的各个训练样本数据， 对随机森林模型中的模型参数进行调整。 具 体地， 在接收到的 N个训练样本数据中， 重复执行多次有放回地随机抽取， 以将 抽取到的 M (0< M< N， 且 M为整数） 个训练样本数据作为一个新的训练样本集
。 根据新的训练样本集， 生成 K (K为大于 1的整数） 个用于分类的决策树。 其中
， 决策树包括二叉树以及非二叉树。
[0069] 由于随机森林模型的模型参数调整方法为本领域的现有技术， 因此不再详细论 述。
[0070] 本申请实施例中， 通过获取电销坐席的历史推销客户， 并以其中每一历史推销 客户的个人特征数据、 历史推销吋间段、 客户类型以及电销坐席在历史推销吋 间段的客户转化率来作为随机森林模型的训练样本数据， 使得随机森林模型能 够基于成交客户以及非成交客户这两类正样本以及负样本来准确训练模型， 保 证了训练完成后的随机森林模型能够根据输入的潜在客户的个人特征数据以及 电销坐席的实吋客户转化率来准确预估潜在客户的产品购买概率。
[0071] 实施例四
[0072] 作为本申请的一个实施例， 如图 4所示， 上述 S103具体包括：
[0073] S1031 : 获取预先建立的与所述电销坐席相关的随机森林模型， 所述随机森林 模型包括多个决策树。
[0074] S1032: 将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客 户的个人特征数据输入所述随机森林模型， 以获取每一所述决策树中各叶子节 点的输出值， 所述输出值包括购买或不购买。
[0075] S1033: 将所述输出值为购买的所述叶子节点的总数与所述随机森林模型中叶 子节点总数的比值输出为所述潜在客户的产品购买概率。
[0076] 在确定一潜在客户是否为目标客户吋， 需要准确确定该潜在客户是否为某一指 定电销坐席的目标客户。 因此， 本申请实施例中， 预先构建并训练的随机森林 模型为与指定的电销坐席相关的随机森林模型。 其中， 训练完毕的随机森林模 型中包含多个用于分类的决策树。 每一决策树中的每个叶子节点均对应一属性 特征， 且叶子节点的输出值表示通过该叶子节点所在的分支来对输入的潜在客 户的一个属性特征进行分类后所得到的分类选项值。 属性特征包括输入的潜在 客户的历史推销吋间段、 各项个人特征数据以及电销坐席在历史推销吋间段的 客户转化率。
[0077] 若某一叶子节点的输出值为 1， 则表示在该叶子节点所对应的属性特征这一考 量因素上， 输入的潜在客户会购买电销产品； 若某一叶子节点的输出值为 0， 则 表示在该叶子节点所对应的属性特征这一考量因素上， 输入的潜在客户不会购 买电销产品。
[0078] 将一潜在客户的各项属性特征输入随机森林模型后， 可得出随机森林模型中各 个叶子节点的输出值。 对各个叶子节点的输出值进行汇总， 以确定出输出值为 潜在客户会购买电销产品的叶子节点的总数。 将该总数与随机森林模型中叶子 节点的总数的比值确定为该潜在客户的产品购买概率。
[0079] 本申请实施例中， 通过对输出值为购买的叶子节点的总数进行统计， 能够预测 出潜在客户在其各个属性特征上的产品购买状况； 通过计算输出值为购买的叶 子节点的总数与随机森林模型中叶子节点总数的比值， 能够综合潜在客户在各 个属性特征上的产品购买状况来确定其总体的产品购买概率， 提高了产品购买 概率的预测准确性。
[0080] 实施例五
[0081] 作为本申请的一个实施例， 在上述实施例四的基础之上， 对不同类型的属性特 征的影响权重值做进一步地限定。 如图 5所示， 上述目标客户的识别方法还包括 [0082] S501 : 当所述决策树生成分裂节点吋， 在每一所述历史推销客户的属性特征中 ， 随机选取任意数量的所述属性特征， 所述属性特征包括所述历史推销吋间段 、 所述个人特征数据以及所述电销坐席在所述历史推销吋间段的客户转化率。
[0083] S502: 基于选取出的每一所述属性特征， 分别计算其作为所述分裂节点吋， 所 述决策树在分裂前后的第一基尼值以及第二基尼值。
[0084] S503: 分别获取每一所述属性特征在各个所述决策树中的所述第一基尼值与所 述第二基尼值的差值， 并将该属性特征在各个所述决策树中的所述差值的平均 值输出为该属性特征对所述产品购买概率的影响权重值。
[0085] 在将与潜在客户相关的 Q个属性特征输入随机森林模型的每一决策树后， 决策 树需要从中随机选取 q个 （0< q< Q， 且9、 Q为整数） 属性特征， 并对选取出的 q 个属性特征进行分析， 以从 q个属性特征中确定出作为分裂节点的一个属性特征
[0086] 若以某一属性特征作为分裂节点， 则将该属性特征大于预设阈值的潜在客户划 分为一类， 将该属性特征小于预设阈值的潜在客户划分为另一类。 根据对各个 潜在客户的分类结果以及潜在客户对应的实际的客户类型， 计算出分类误差大 小， 从而确定该属性特征的分裂纯度。 分裂纯度越小， 表示决策树对于潜在客 户的分类准确性越高。
[0087] 本申请实施例中， 以基尼值来衡量分裂节点的分裂纯度。 在每一次所选取出的 q个属性特征中， 获取每一属性特征在其作为分裂节点之后的基尼值， 并将基尼 值最小的一个属性特征确定为当前吋刻的分裂节点。 在下一层级的决策树中， 返回执行在与潜在客户相关的 Q个属性特征中， 随机选取 q个属性特征的步骤， 以确定出各个层级的分裂节点， 直至最终得到的基尼值低于预设阈值， 例如 0.1 吋， 停止生成下级的分裂节点。
[0088] 在每一决策树中， 假设其选取的各属性特征可分别作为一分裂节点， 计算各属 性特征在分裂之前的基尼值， 并计算各属性特征在分裂之后的基尼值。 获取每 一决策树中每一属性特征在分裂之前的基尼值与分裂之后的基尼值的差值。
[0089] 将同一属性特征在不同决策树中的所述差值的平均值输出为该属性特征对潜在 客户在当前工作吋间段的产品购买概率的影响权重值。
[0090] 例如， 若随机森林模型包括两个决策树， 且对于潜在客户的收入水平这一属性 特征而言， 其在决策树 1中， 分裂之前的基尼值为 al， 在分裂之后的基尼值为 bl ； 其在决策树 2中， 分裂之前的基尼值为 a2， 在分裂之后的基尼值为 b2; 对于潜 在客户的寿险交付保费这一属性特征而言， 其在决策树 1中， 分裂之前的基尼值 为 a3， 在分裂之后的基尼值为 b3 ; 其在决策树 2中， 分裂之前的基尼值为 a4， 在 分裂之后的基尼值为 b4; 则收入水平对于潜在客户的产品购买概率的影响权重 值为 [(al-bl)+(a2-b2)]/2， 寿险交付保费对于潜在客户的产品购买概率的影响权重 值为 [(a3-b3)+(a4-b4)]/2。
[0091] 本申请实施例中， 在决策树生成分裂节点吋， 通过从潜在客户所有的属性特征 中随机选取多个属性特征来执行基尼值的判断， 并将分裂后基尼值最小的一个 属性特征确定为分裂节点， 使得生成的各个分裂节点能够防止过拟合的现象出 现， 由此提高了每一分裂节点所得到的潜在客户的分类准确性。 通过将属性特 征在各个决策树中分裂前后的基尼值差值平均值输出为该属性特征对潜在客户 的产品购买概率的影响权重值， 使得电销坐席能够了解哪一属性特征对目标客 户的识别结果的影响权重较大， 便于日后在获取到未经过随机森林模型识别的 潜在客户名单吋， 基于影响权重较大的属性特征， 能够自行执行相对快速且准 确的目标客户的识别。
[0092] 应理解， 上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过 程的执行顺序应以其功能和内在逻辑确定， 而不应对本申请实施例的实施过程 构成任何限定。
[0093] 实施例六
[0094] 对应于上文实施例所述的目标客户的识别方法， 图 6示出了本申请实施例提供 的目标客户的识别装置的结构框图。 为了便于说明， 仅示出了与本实施例相关 的部分。
[0095] 参照图 6， 该装置包括：
[0096] 第一获取模块 601， 用于获取潜在客户的个人特征数据。
[0097] 计算模块 602， 用于在各个工作吋间段内， 根据电销坐席的成交客户总数以及 推销客户总数， 分别计算所述电销坐席在各个所述工作吋间段的客户转化率。
[0098] 第一输出模块 603， 用于将所述电销坐席在当前工作吋间段的所述客户转化率 以及所述潜在客户的个人特征数据输入预先建立的随机森林模型， 以输出所述 潜在客户的产品购买概率。
[0099] 确定模块 604， 用于将所述产品购买概率大于预设阈值的所述潜在客户确定为 所述电销坐席在所述当前工作吋间段的目标客户。
[0100] 可选地， 如图 7所示， 该装置还包括：
[0101] 第二输出模块 605， 用于将多个所述潜在客户的个人特征数据以及所述电销坐 席在当前工作吋间段的所述客户转化率输入所述随机森林模型， 以分别输出多 个所述潜在客户的产品购买概率。
[0102] 排序模块 606， 用于依照所述产品购买概率的大小顺序， 对多个所述潜在客户 进行排序。
[0103] 展示模块 607， 用于展示排序结果， 以使所述电销坐席基于所述排序结果依次 对各个所述潜在客户进行电话推销。
[0104] 可选地， 如图 8所示， 该装置还包括：
[0105] 第二获取模块 608， 用于获取所述电销坐席的历史推销客户。
[0106] 第三获取模块 609， 用于获取每一所述历史推销客户的所述个人特征数据、 历 史推销吋间段以及客户类型， 所述客户类型为成交客户或者非成交客户。
[0107] 第四获取模块 610， 用于获取所述电销坐席在所述历史推销吋间段的所述客户 转化率。
[0108] 训练模块 611， 用于基于每一所述历史推销客户的所述个人特征数据、 历史推 销吋间段、 客户类型以及所述电销坐席在所述历史推销吋间段的客户转化率， 构建并训练与所述电销坐席相关的所述随机森林模型。
[0109] 可选地， 所述第一输出模块 603包括：
[0110] 获取子模块， 用于获取预先建立的与所述电销坐席相关的随机森林模型， 所述 随机森林模型包括多个决策树。
[0111] 输入子模块， 用于将所述电销坐席在当前工作吋间段的所述客户转化率以及所 述潜在客户的个人特征数据输入所述随机森林模型， 以获取每一所述决策树中 各叶子节点的输出值， 所述输出值包括购买或不购买。
[0112] 输出子模块， 用于将所述输出值为购买的所述叶子节点的总数与所述随机森林 模型中叶子节点总数的比值输出为所述潜在客户的产品购买概率。
[0113] 可选地， 该装置还包括：
[0114] 选取模块 612， 用于当所述决策树生成分裂节点吋， 在每一所述历史推销客户 的属性特征中， 随机选取任意数量的所述属性特征， 所述属性特征包括所述历 史推销吋间段、 所述个人特征数据以及所述电销坐席在所述历史推销吋间段的 客户转化率。
[0115] 计算模块 613， 用于基于选取出的每一所述属性特征， 分别计算其作为所述分 裂节点吋， 所述决策树在分裂前后的第一基尼值以及第二基尼值。
[0116] 第三输出模块 614， 用于分别获取每一所述属性特征在各个所述决策树中的所 述第一基尼值与所述第二基尼值的差值， 并将该属性特征在各个所述决策树中 的所述差值的平均值输出为该属性特征对所述产品购买概率的影响权重值。
[0117] 本申请实施例中， 通过获取电销坐席在当前工作吋间段的客户转化率， 能够量 化电销坐席在当前吋刻的推销能力； 通过将电销坐席的客户转化率以及潜在客 户的个人特征数据输入预先建立的随机森林模型， 可以基于推销方以及被推销 方两方面的条件因素来预测出该潜在客户的产品购买概率， 仅有在产品购买概 率大于预设阈值的情况下， 才确定该潜在客户为当前吋刻电销坐席的目标客户 ， 由此使得电销坐席能够准确定位出其应当推销的客户， 提高了客户转化率以 及营销效率； 在现有技术仅从客户的个人特征数据来评估该客户是否为目标客 户的基础之上， 由于电销坐席的推销能力对于客户是否成功购买产品的影响较 大， 故通过加入电销坐席推销能力这一考量因素， 提高了目标客户的识别准确 率， 使得基于本申请实施例提供的方法能够再进一步地筛选出产品购买概率更 高的目标客户。
[0118] 实施例七
[0119] 图 10是本申请一实施例提供的电子设备的示意图。 如图 10所示， 该实施例的电 子设备 10包括： 处理器 1000、 存储器 1001以及存储在所述存储器 1001中并可在 所述处理器 1000上运行的计算机可读指令 1002， 例如目标客户的识别可读指令 。 所述处理器 1000执行所述计算机可读指令 1002吋实现上述各个目标客户的识 别方法实施例中的步骤， 例如图 1所示的步骤 101至 104。 或者， 所述处理器 1000 执行所述计算机可读指令 1002吋实现上述各装置实施例中各模块 /单元的功能， 例如图 6所示模块 601至 604的功能。
[0120] 示例性的， 所述计算机可读指令 1002可以被分割成一个或多个模块 /单元， 所 述一个或者多个模块 /单元被存储在所述存储器 1001中， 并由所述处理器 1000执 行， 以完成本申请。 所述一个或多个模块 /单元可以是能够完成特定功能的一系 列计算机可读指令指令段， 该指令段用于描述所述计算机可读指令 1002在所述 电子设备 10中的执行过程。
[0121] 所述电子设备 10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。 所述电子设备可包括， 但不仅限于， 处理器 1000、 存储器 1001。 本领域 技术人员可以理解， 图 10仅仅是电子设备 10的示例， 并不构成对电子设备 10的 限定， 可以包括比图示更多或更少的部件， 或者组合某些部件， 或者不同的部 件， 例如所述电子设备还可以包括输入输出设备、 网络接入设备、 总线等。
[0122] 所称处理器 1000可以是中央处理单元 (Central Processing Unit, CPU) , 还可以是 其他通用处理器、 数字信号处理器（Digital Signal Processor, DSP)、 专用集成电 路（Application Specific Integrated Circuit, ASIC)、 现成可编程门阵列
(Field-Programmable Gate Array , FPGA)或者其他可编程逻辑器件、 分立门或者 晶体管逻辑器件、 分立硬件组件等。 通用处理器可以是微处理器或者该处理器 也可以是任何常规的处理器等。
[0123] 所述存储器 1001可以是所述电子设备 10的内部存储单元， 例如电子设备 10的硬 盘或内存。 所述存储器 1001也可以是所述电子设备 10的外部存储设备， 例如所 述电子设备 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。 进一步地， 所述存 储器 1001还可以既包括所述电子设备 10的内部存储单元也包括外部存储设备。 所述存储器 1001用于存储所述计算机可读指令以及所述电子设备所需的其他可 读指令和数据。 所述存储器 1001还可以用于暂吋地存储已经输出或者将要输出 的数据。 [0124] 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。
[0125] 所述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 吋， 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， 包括若干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所述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 （ROM, Read-Only Memory) 、 随机 存取存储器 （RAM, Random Access Memory) 、 磁碟或者光盘等各种可以存储 程序代码的介质。
[0126] 以上所述， 以上实施例仅用以说明本申请的技术方案， 而非对其限制； 尽管参 照前述实施例对本申请进行了详细的说明， 本领域的普通技术人员应当理解： 其依然可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分技术 特征进行等同替换； 而这些修改或者替换， 并不使相应技术方案的本质脱离本 申请各实施例技术方案的精神和范围。

Claims

权利要求书
[权利要求 1] 一种目标客户的识别方法， 其特征在于， 包括：
获取潜在客户的个人特征数据；
在预先划分好的各个工作吋间段内， 根据电销坐席的成交客户总数以 及推销客户总数， 分别计算所述电销坐席在各个所述工作吋间段的客 户转化率；
将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客 户的个人特征数据输入预先建立的随机森林模型， 以输出所述潜在客 户的产品购买概率；
将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐 席在所述当前工作吋间段的目标客户。
[权利要求 2] 如权利要求 1所述的目标客户的识别方法， 其特征在于， 还包括： 将多个所述潜在客户的个人特征数据以及所述电销坐席在当前工作吋 间段的所述客户转化率输入所述随机森林模型， 以分别输出多个所述 潜在客户的产品购买概率；
依照所述产品购买概率的大小顺序， 对多个所述潜在客户进行排序； 展示排序结果， 以使所述电销坐席基于所述排序结果依次对各个所述 潜在客户进行电话推销。
[权利要求 3] 如权利要求 1或 2所述的目标客户的识别方法， 其特征在于， 还包括： 获取所述电销坐席的历史推销客户；
获取每一所述历史推销客户的所述个人特征数据、 历史推销吋间段以 及客户类型， 所述客户类型为成交客户或者非成交客户；
获取所述电销坐席在所述历史推销吋间段的所述客户转化率； 基于每一所述历史推销客户的所述个人特征数据、 历史推销吋间段、 客户类型以及所述电销坐席在所述历史推销吋间段的客户转化率， 构 建并训练与所述电销坐席相关的所述随机森林模型。
[权利要求 4] 如权利要求 1所述的目标客户的识别方法， 其特征在于， 所述将所述 电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客户的个 人特征数据输入预先建立的随机森林模型， 以输出所述潜在客户的产 品购买概率， 包括：
获取预先建立的与所述电销坐席相关的随机森林模型， 所述随机森林 模型包括多个决策树；
将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客 户的个人特征数据输入所述随机森林模型， 以获取每一所述决策树中 各叶子节点的输出值， 所述输出值包括购买或不购买；
将所述输出值为购买的所述叶子节点的总数与所述随机森林模型中叶 子节点总数的比值输出为所述潜在客户的产品购买概率。
[权利要求 5] 如权利要求 4所述的目标客户的识别方法， 其特征在于， 还包括： 当所述决策树生成分裂节点吋， 在每一所述历史推销客户的属性特征 中， 随机选取任意数量的所述属性特征， 所述属性特征包括所述历史 推销吋间段、 所述个人特征数据以及所述电销坐席在所述历史推销吋 间段的客户转化率；
基于选取出的每一所述属性特征， 分别计算其作为所述分裂节点吋， 所述决策树在分裂前后的第一基尼值以及第二基尼值；
分别获取每一所述属性特征在各个所述决策树中的所述第一基尼值与 所述第二基尼值的差值， 并将该属性特征在各个所述决策树中的所述 差值的平均值输出为该属性特征对所述产品购买概率的影响权重值。
[权利要求 6] —种目标客户的识别装置， 其特征在于， 包括：
第一获取模块， 用于获取潜在客户的个人特征数据；
计算模块， 用于在各个工作吋间段内， 根据电销坐席的成交客户总数 以及推销客户总数， 分别计算所述电销坐席在各个所述工作吋间段的 客户转化率；
第一输出模块， 用于将所述电销坐席在当前工作吋间段的所述客户转 化率以及所述潜在客户的个人特征数据输入预先建立的随机森林模型
， 以输出所述潜在客户的产品购买概率；
确定模块， 用于将所述产品购买概率大于预设阈值的所述潜在客户确 定为所述电销坐席在所述当前工作吋间段的目标客户。
[权利要求 7] 根据权利要求 6所述的目标客户的识别装置， 其特征在于， 还包括： 第二输出模块， 用于将多个所述潜在客户的个人特征数据以及所述电 销坐席在当前工作吋间段的所述客户转化率输入所述随机森林模型， 以分别输出多个所述潜在客户的产品购买概率； 排序模块， 用于依照所述产品购买概率的大小顺序， 对多个所述潜在 客户进行排序；
展示模块， 用于展示排序结果， 以使所述电销坐席基于所述排序结果 依次对各个所述潜在客户进行电话推销。
[权利要求 8] 根据权利要求 6或 7所述的目标客户的识别装置， 其特征在于， 还包括 第二获取模块， 用于获取所述电销坐席的历史推销客户；
第三获取模块， 用于获取每一所述历史推销客户的所述个人特征数据 、 历史推销吋间段以及客户类型， 所述客户类型为成交客户或者非成 交客户；
第四获取模块， 用于获取所述电销坐席在所述历史推销吋间段的所述 客户转化率；
训练模块， 用于基于每一所述历史推销客户的所述个人特征数据、 历 史推销吋间段、 客户类型以及所述电销坐席在所述历史推销吋间段的 客户转化率， 构建并训练与所述电销坐席相关的所述随机森林模型。
[权利要求 9] 根据权利要求 6所述的目标客户的识别装置， 其特征在于， 所述第一 输出模块包括：
获取子模块， 用于获取预先建立的与所述电销坐席相关的随机森林模 型， 所述随机森林模型包括多个决策树；
输入子模块， 用于将所述电销坐席在当前工作吋间段的所述客户转化 率以及所述潜在客户的个人特征数据输入所述随机森林模型， 以获取 每一所述决策树中各叶子节点的输出值， 所述输出值包括购买或不购 买； 输出子模块， 用于将所述输出值为购买的所述叶子节点的总数与所述 随机森林模型中叶子节点总数的比值输出为所述潜在客户的产品购买 概率。
[权利要求 10] 根据权利要求 9所述的目标客户的识别装置， 其特征在于， 还包括： 选取模块， 用于当所述决策树生成分裂节点吋， 在每一所述历史推销 客户的属性特征中， 随机选取任意数量的所述属性特征， 所述属性特 征包括所述历史推销吋间段、 所述个人特征数据以及所述电销坐席在 所述历史推销吋间段的客户转化率；
计算模块， 用于基于选取出的每一所述属性特征， 分别计算其作为所 述分裂节点吋， 所述决策树在分裂前后的第一基尼值以及第二基尼值 第三输出模块， 用于分别获取每一所述属性特征在各个所述决策树中 的所述第一基尼值与所述第二基尼值的差值， 并将该属性特征在各个 所述决策树中的所述差值的平均值输出为该属性特征对所述产品购买 概率的影响权重值。
[权利要求 11] 一种电子设备， 其特征在于， 包括存储器、 处理器， 所述存储器上存 储有可在所述处理器上运行的计算机可读指令， 所述处理器执行所述 计算机序吋实现如下步骤：
获取潜在客户的个人特征数据；
在预先划分好的各个工作吋间段内， 根据电销坐席的成交客户总数以 及推销客户总数， 分别计算所述电销坐席在各个所述工作吋间段的客 户转化率；
将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客 户的个人特征数据输入预先建立的随机森林模型， 以输出所述潜在客 户的产品购买概率；
将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐 席在所述当前工作吋间段的目标客户。
[权利要求 12] 根据权利要求 11所述的电子设备， 其特征在于， 所述处理器执行所述 计算机序吋， 还实现如下步骤：
将多个所述潜在客户的个人特征数据以及所述电销坐席在当前工作吋 间段的所述客户转化率输入所述随机森林模型， 以分别输出多个所述 潜在客户的产品购买概率；
依照所述产品购买概率的大小顺序， 对多个所述潜在客户进行排序； 展示排序结果， 以使所述电销坐席基于所述排序结果依次对各个所述 潜在客户进行电话推销。
[权利要求 13] 根据权利要求 11或 12所述的电子设备， 其特征在于， 所述处理器执行 所述计算机序吋， 还实现如下步骤：
获取所述电销坐席的历史推销客户；
获取每一所述历史推销客户的所述个人特征数据、 历史推销吋间段以 及客户类型， 所述客户类型为成交客户或者非成交客户；
获取所述电销坐席在所述历史推销吋间段的所述客户转化率； 基于每一所述历史推销客户的所述个人特征数据、 历史推销吋间段、 客户类型以及所述电销坐席在所述历史推销吋间段的客户转化率， 构 建并训练与所述电销坐席相关的所述随机森林模型。
[权利要求 14] 根据权利要求 11所述的电子设备， 其特征在于， 所述将所述电销坐席 在当前工作吋间段的所述客户转化率以及所述潜在客户的个人特征数 据输入预先建立的随机森林模型， 以输出所述潜在客户的产品购买概 率， 包括：
获取预先建立的与所述电销坐席相关的随机森林模型， 所述随机森林 模型包括多个决策树；
将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客 户的个人特征数据输入所述随机森林模型， 以获取每一所述决策树中 各叶子节点的输出值， 所述输出值包括购买或不购买；
将所述输出值为购买的所述叶子节点的总数与所述随机森林模型中叶 子节点总数的比值输出为所述潜在客户的产品购买概率。
[权利要求 15] 根据权利要求 14所述的电子设备， 其特征在于， 所述处理器执行所述 计算机序吋， 还实现如下步骤：
当所述决策树生成分裂节点吋， 在每一所述历史推销客户的属性特征 中， 随机选取任意数量的所述属性特征， 所述属性特征包括所述历史 推销吋间段、 所述个人特征数据以及所述电销坐席在所述历史推销吋 间段的客户转化率；
基于选取出的每一所述属性特征， 分别计算其作为所述分裂节点吋， 所述决策树在分裂前后的第一基尼值以及第二基尼值；
分别获取每一所述属性特征在各个所述决策树中的所述第一基尼值与 所述第二基尼值的差值， 并将该属性特征在各个所述决策树中的所述 差值的平均值输出为该属性特征对所述产品购买概率的影响权重值。
[权利要求 16] —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， 其特征在于， 所述计算机可读指令被至少一个处理器执行吋 实现如下步骤：
获取潜在客户的个人特征数据；
在预先划分好的各个工作吋间段内， 根据电销坐席的成交客户总数以 及推销客户总数， 分别计算所述电销坐席在各个所述工作吋间段的客 户转化率；
将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客 户的个人特征数据输入预先建立的随机森林模型， 以输出所述潜在客 户的产品购买概率；
将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐 席在所述当前工作吋间段的目标客户。
[权利要求 17] 根据权利要求 16所述的计算机可读存储介质， 其特征在于， 所述计算 机可读指令被至少一个处理器执行吋， 还实现如下步骤：
将多个所述潜在客户的个人特征数据以及所述电销坐席在当前工作吋 间段的所述客户转化率输入所述随机森林模型， 以分别输出多个所述 潜在客户的产品购买概率；
依照所述产品购买概率的大小顺序， 对多个所述潜在客户进行排序； 展示排序结果， 以使所述电销坐席基于所述排序结果依次对各个所述 潜在客户进行电话推销。
[权利要求 18] 根据权利要求 16或 17所述的计算机可读存储介质， 其特征在于， 所述 计算机可读指令被至少一个处理器执行吋， 还实现如下步骤： 获取所述电销坐席的历史推销客户；
获取每一所述历史推销客户的所述个人特征数据、 历史推销吋间段以 及客户类型， 所述客户类型为成交客户或者非成交客户；
获取所述电销坐席在所述历史推销吋间段的所述客户转化率； 基于每一所述历史推销客户的所述个人特征数据、 历史推销吋间段、 客户类型以及所述电销坐席在所述历史推销吋间段的客户转化率， 构 建并训练与所述电销坐席相关的所述随机森林模型。
[权利要求 19] 根据权利要求 16所述的计算机可读存储介质， 其特征在于， 所述将所 述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客户的 个人特征数据输入预先建立的随机森林模型， 以输出所述潜在客户的 产品购买概率， 包括：
获取预先建立的与所述电销坐席相关的随机森林模型， 所述随机森林 模型包括多个决策树；
将所述电销坐席在当前工作吋间段的所述客户转化率以及所述潜在客 户的个人特征数据输入所述随机森林模型， 以获取每一所述决策树中 各叶子节点的输出值， 所述输出值包括购买或不购买；
将所述输出值为购买的所述叶子节点的总数与所述随机森林模型中叶 子节点总数的比值输出为所述潜在客户的产品购买概率。
[权利要求 20] 根据权利要求 19所述的计算机可读存储介质， 其特征在于， 所述计算 机可读指令被至少一个处理器执行吋， 还实现如下步骤：
当所述决策树生成分裂节点吋， 在每一所述历史推销客户的属性特征 中， 随机选取任意数量的所述属性特征， 所述属性特征包括所述历史 推销吋间段、 所述个人特征数据以及所述电销坐席在所述历史推销吋 间段的客户转化率； 基于选取出的每一所述属性特征， 分别计算其作为所述分裂节点吋， 所述决策树在分裂前后的第一基尼值以及第二基尼值；
分别获取每一所述属性特征在各个所述决策树中的所述第一基尼值与 所述第二基尼值的差值， 并将该属性特征在各个所述决策树中的所述 差值的平均值输出为该属性特征对所述产品购买概率的影响权重值。
PCT/CN2017/104490 2017-08-24 2017-09-29 目标客户的识别方法、装置、电子设备及介质 Ceased WO2019037202A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/316,028 US20210365963A1 (en) 2017-08-24 2017-09-29 Target customer identification method and device, electronic device and medium
SG11201810711PA SG11201810711PA (en) 2017-08-24 2017-09-29 Target customer identification method and device, electronic device and medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710736127.3A CN107590688A (zh) 2017-08-24 2017-08-24 目标客户的识别方法及终端设备
CN201710736127.3 2017-08-24

Publications (1)

Publication Number Publication Date
WO2019037202A1 true WO2019037202A1 (zh) 2019-02-28

Family

ID=61042717

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/104490 Ceased WO2019037202A1 (zh) 2017-08-24 2017-09-29 目标客户的识别方法、装置、电子设备及介质

Country Status (4)

Country Link
US (1) US20210365963A1 (zh)
CN (1) CN107590688A (zh)
SG (1) SG11201810711PA (zh)
WO (1) WO2019037202A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503507A (zh) * 2019-07-05 2019-11-26 中国平安财产保险股份有限公司 基于大数据的保险产品数据推送方法、系统及计算机设备
CN110533453A (zh) * 2019-07-22 2019-12-03 平安科技（深圳）有限公司 基于用户匹配的产品推荐方法、装置、计算机设备
CN111667307A (zh) * 2020-05-28 2020-09-15 中国工商银行股份有限公司 一种理财产品销量的预测方法及装置
CN111753992A (zh) * 2019-03-27 2020-10-09 北京沃东天骏信息技术有限公司 筛选方法和筛选系统
CN111860299A (zh) * 2020-07-17 2020-10-30 北京奇艺世纪科技有限公司 目标对象的等级确定方法、装置、电子设备及存储介质
CN112927012A (zh) * 2021-02-23 2021-06-08 第四范式（北京）技术有限公司 营销数据的处理方法及装置、营销模型的训练方法及装置
CN113495909A (zh) * 2020-04-06 2021-10-12 中信百信银行股份有限公司 客诉单量预警方法、装置、电子设备及存储介质
CN115409556A (zh) * 2022-08-31 2022-11-29 中国建设银行股份有限公司 一种数据处理方法、装置、设备及介质
CN115510994A (zh) * 2022-10-17 2022-12-23 中国银行股份有限公司 客户分类方法及装置
CN116402625A (zh) * 2023-06-07 2023-07-07 平安科技（深圳）有限公司 客户评估方法、装置、计算机设备及存储介质
CN116881333A (zh) * 2023-07-20 2023-10-13 广发证券股份有限公司 潜客挖掘方法、装置、电子设备及可读存储介质
CN117035798A (zh) * 2023-10-08 2023-11-10 北京国都互联科技有限公司 一种消息发送质量探测的监控方法
CN118364171A (zh) * 2024-04-12 2024-07-19 北京博瑞彤芸科技股份有限公司 一种为代理人提供展业方案的方法及装置

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108337316A (zh) * 2018-02-08 2018-07-27 平安科技（深圳）有限公司 信息推送方法、装置、计算机设备及存储介质
CN108711067A (zh) * 2018-04-09 2018-10-26 平安科技（深圳）有限公司 电销时间段的选取方法、终端设备及介质
CN110659922B (zh) * 2018-06-28 2021-01-26 马上消费金融股份有限公司 一种客户筛选方法、装置、服务器及计算机可读存储介质
CN109064344B (zh) * 2018-08-14 2023-07-25 中国平安人寿保险股份有限公司 客户价值排名方法、装置、计算机设备及存储介质
CN109299875A (zh) * 2018-09-26 2019-02-01 中国平安财产保险股份有限公司 数据跟踪处理方法、装置、计算机设备和存储介质
CN109495657B (zh) * 2018-10-11 2022-07-12 平安科技（深圳）有限公司 基于人工智能的名单派发方法、装置、设备及介质
CN109376929B (zh) * 2018-10-24 2021-04-23 北京星选科技有限公司 配送参数的确定方法、确定装置、存储介质和电子设备
CN109615128A (zh) * 2018-12-05 2019-04-12 重庆锐云科技有限公司 房地产客户成交概率预测方法、装置及服务器
CN111435482A (zh) * 2019-01-14 2020-07-21 顺丰科技有限公司 一种外呼模型的构建方法、外呼方法、装置和存储介质
CN110705683B (zh) * 2019-10-12 2021-06-29 腾讯科技（深圳）有限公司 随机森林模型的构造方法、装置、电子设备及存储介质
CN110929144A (zh) * 2019-10-15 2020-03-27 平安科技（深圳）有限公司 一种业务数据管理方法、系统和可读存储介质
CN110826893B (zh) * 2019-10-29 2023-01-20 北京金山云网络技术有限公司 目标客户的确定方法、装置和终端设备
CN110990545B (zh) * 2019-11-28 2023-05-09 重庆锐云科技有限公司 一种人工智能电话拓客营销管理系统、方法
CN111080098A (zh) * 2019-12-04 2020-04-28 中国太平洋保险（集团）股份有限公司 一种o2o智能匹配算法及装置
CN111091416A (zh) * 2019-12-10 2020-05-01 北京云迹科技有限公司 一种预测酒店购买机器人的概率的方法和装置
US11861676B2 (en) * 2020-01-31 2024-01-02 Walmart Apollo, Llc Automatic item grouping and personalized department layout for reorder recommendations
US11636525B2 (en) 2020-01-31 2023-04-25 Walmart Apollo, Llc Single-select predictive platform model
CN113570392B (zh) * 2020-04-29 2024-04-09 中移动信息技术有限公司 用户分群方法、装置、电子设备及计算机存储介质
CN111815368B (zh) * 2020-07-24 2024-05-03 深圳市欢太科技有限公司 广告推送方法、装置、终端及存储介质
US20220101354A1 (en) * 2020-09-28 2022-03-31 Sensormatic Electronics, LLC Shopper influencer system and method
CN112163887B (zh) * 2020-09-30 2024-08-20 深圳前海微众银行股份有限公司 电销系统和电销名单管理方法、装置、设备、存储介质
CN112215420B (zh) * 2020-10-13 2023-05-16 广东电网有限责任公司 一种居民用电的客户过户识别方法及系统
CN112418978B (zh) * 2020-11-17 2024-04-09 中国平安财产保险股份有限公司 产品推荐方法、装置、设备及介质
CN114925258A (zh) * 2021-01-31 2022-08-19 中国石油化工股份有限公司 一种基于网页内容的应用识别方法
US20220270117A1 (en) * 2021-02-23 2022-08-25 Christopher Copeland Value return index system and method
CN112927017B (zh) * 2021-02-26 2025-02-07 第四范式（北京）技术有限公司 外呼营销流程的控制方法、装置及系统
CN113256070A (zh) * 2021-04-26 2021-08-13 北京淇瑀信息科技有限公司 基于电销转化率的承接线路分配方法、装置及电子设备
CN113191821A (zh) * 2021-05-20 2021-07-30 北京大米科技有限公司 一种数据处理方法及装置
CN113850623A (zh) * 2021-09-27 2021-12-28 中国人寿保险股份有限公司上海数据中心 一种车险客户群中潜在寿险长险客户的筛选方法
CN114154727B (zh) * 2021-12-07 2024-07-09 深圳前海微众银行股份有限公司 一种信息处理方法及装置、存储介质
CN114463066B (zh) * 2022-01-28 2026-01-20 中国农业银行股份有限公司 潜在用户的确定方法及设备
CN114742411B (zh) * 2022-04-13 2025-04-18 中国联合网络通信集团有限公司 订单质量评价模型训练方法、评价方法、装置和介质
CN114979369B (zh) * 2022-04-14 2024-11-26 马上消费金融股份有限公司 异常通话检测方法、装置、电子设备及存储介质
CN114742435A (zh) * 2022-04-24 2022-07-12 中国工商银行股份有限公司 数据处理方法、装置、处理器及电子设备
CN115099934A (zh) * 2022-06-25 2022-09-23 平安银行股份有限公司 一种高潜客户识别方法、电子设备和存储介质
CN115169859A (zh) * 2022-06-30 2022-10-11 交通银行股份有限公司 一种基于营销任务的智能派发控制方法
WO2024055963A1 (zh) * 2022-09-13 2024-03-21 华为云计算技术有限公司 一种任务分配方法以及装置
CN115907898B (zh) * 2022-10-31 2026-04-07 中国平安财产保险股份有限公司 对再保客户进行金融产品推荐的方法及其相关设备
CN116188047A (zh) * 2023-01-31 2023-05-30 北京水滴科技集团有限公司 用户推荐方法和系统、电子设备及存储介质
CN116304374B (zh) * 2023-05-19 2023-07-28 云印技术(深圳)有限公司 一种基于包装数据的客户匹配方法及系统
CN118803620B (zh) * 2023-09-11 2026-04-28 中国移动通信集团安徽有限公司 套餐的确定方法、装置、设备及计算机可读存储介质
CN119671717B (zh) * 2024-12-19 2025-10-28 中国工商银行股份有限公司 基于实时数仓的触客方法、装置、电子设备和存储介质
CN119379225A (zh) * 2024-12-30 2025-01-28 上海大府信息技术有限公司 一种销售任务提醒、预警机制的实现方法及系统
CN121304176A (zh) * 2025-11-06 2026-01-09 景德镇陶瓷大学 一种新型客户关系管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278976A1 (en) * 2013-03-15 2014-09-18 Comverse Ltd. Matching social media user to marketing campaign
CN105488697A (zh) * 2015-12-09 2016-04-13 焦点科技股份有限公司 一种基于客户行为特征的潜在客户挖掘方法
CN105761112A (zh) * 2016-02-23 2016-07-13 国元证券股份有限公司 一种证券融资融券和资管目标客户的挖掘方法
CN106228389A (zh) * 2016-07-14 2016-12-14 武汉斗鱼网络科技有限公司 基于随机森林算法的网络潜力用户挖掘方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090144123A1 (en) * 2007-11-30 2009-06-04 Sap Ag System and Method of Demand Modeling for Financial Service Products
CN102542349A (zh) * 2010-12-21 2012-07-04 北大方正集团有限公司 受邀客户的确定方法及装置
CN106971321B (zh) * 2017-04-06 2021-01-08 百度在线网络技术（北京）有限公司 营销信息推送方法、装置、设备以及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278976A1 (en) * 2013-03-15 2014-09-18 Comverse Ltd. Matching social media user to marketing campaign
CN105488697A (zh) * 2015-12-09 2016-04-13 焦点科技股份有限公司 一种基于客户行为特征的潜在客户挖掘方法
CN105761112A (zh) * 2016-02-23 2016-07-13 国元证券股份有限公司 一种证券融资融券和资管目标客户的挖掘方法
CN106228389A (zh) * 2016-07-14 2016-12-14 武汉斗鱼网络科技有限公司 基于随机森林算法的网络潜力用户挖掘方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUO, HUIZHI ET AL.: "Telemarketing Tips and Strategies", BRAND, no. 11, 30 November 2015 (2015-11-30), pages 29 - 30, ISSN: 1671-1009 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753992A (zh) * 2019-03-27 2020-10-09 北京沃东天骏信息技术有限公司 筛选方法和筛选系统
CN111753992B (zh) * 2019-03-27 2026-01-16 北京沃东天骏信息技术有限公司 筛选方法和筛选系统
CN110503507B (zh) * 2019-07-05 2023-09-22 中国平安财产保险股份有限公司 基于大数据的保险产品数据推送方法、系统及计算机设备
CN110503507A (zh) * 2019-07-05 2019-11-26 中国平安财产保险股份有限公司 基于大数据的保险产品数据推送方法、系统及计算机设备
CN110533453A (zh) * 2019-07-22 2019-12-03 平安科技（深圳）有限公司 基于用户匹配的产品推荐方法、装置、计算机设备
CN113495909A (zh) * 2020-04-06 2021-10-12 中信百信银行股份有限公司 客诉单量预警方法、装置、电子设备及存储介质
CN111667307B (zh) * 2020-05-28 2023-04-07 中国工商银行股份有限公司 一种理财产品销量的预测方法及装置
CN111667307A (zh) * 2020-05-28 2020-09-15 中国工商银行股份有限公司 一种理财产品销量的预测方法及装置
CN111860299B (zh) * 2020-07-17 2023-09-08 北京奇艺世纪科技有限公司 目标对象的等级确定方法、装置、电子设备及存储介质
CN111860299A (zh) * 2020-07-17 2020-10-30 北京奇艺世纪科技有限公司 目标对象的等级确定方法、装置、电子设备及存储介质
CN112927012A (zh) * 2021-02-23 2021-06-08 第四范式（北京）技术有限公司 营销数据的处理方法及装置、营销模型的训练方法及装置
CN115409556A (zh) * 2022-08-31 2022-11-29 中国建设银行股份有限公司 一种数据处理方法、装置、设备及介质
CN115510994A (zh) * 2022-10-17 2022-12-23 中国银行股份有限公司 客户分类方法及装置
CN116402625A (zh) * 2023-06-07 2023-07-07 平安科技（深圳）有限公司 客户评估方法、装置、计算机设备及存储介质
CN116402625B (zh) * 2023-06-07 2023-08-29 平安科技（深圳）有限公司 客户评估方法、装置、计算机设备及存储介质
CN116881333A (zh) * 2023-07-20 2023-10-13 广发证券股份有限公司 潜客挖掘方法、装置、电子设备及可读存储介质
CN117035798A (zh) * 2023-10-08 2023-11-10 北京国都互联科技有限公司 一种消息发送质量探测的监控方法
CN117035798B (zh) * 2023-10-08 2024-01-30 北京国都互联科技有限公司 一种消息发送质量探测的监控方法
CN118364171A (zh) * 2024-04-12 2024-07-19 北京博瑞彤芸科技股份有限公司 一种为代理人提供展业方案的方法及装置

Also Published As

Publication number Publication date
CN107590688A (zh) 2018-01-16
SG11201810711PA (en) 2019-03-28
US20210365963A1 (en) 2021-11-25

Similar Documents

Publication Publication Date Title
WO2019037202A1 (zh) 目标客户的识别方法、装置、电子设备及介质
CN111967971B (zh) 银行客户数据处理方法及装置
CN108364106A (zh) 一种报销单风险预测方法、装置、终端设备及存储介质
CN106156880A (zh) 一种预测库存分配比例的方法、装置及电子设备
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN106156092B (zh) 数据处理方法及装置
CN110322093B (zh) 信息处理方法、信息显示方法、装置及计算设备
CN108352035A (zh) 用于高效索赔处理的动态拓扑系统和方法
US10678821B2 (en) Evaluating theses using tree structures
CN110110012A (zh) 用户预期价值评估方法、装置、电子设备及可读介质
CN113988221B (zh) 一种保险用户分类模型建立方法、分类方法、装置及设备
CN106408325A (zh) 基于用户支付信息的用户消费行为预测分析方法及系统
CN115170294A (zh) 一种客户分类方法、装置及服务器
CN111667307A (zh) 一种理财产品销量的预测方法及装置
CN111931035A (zh) 业务推荐方法、装置及设备
WO2023103527A1 (zh) 一种访问频次的预测方法及装置
CN114399353A (zh) 业务推荐方法、装置、电子设备和计算机可读介质
CN110727771A (zh) 信息处理方法、装置、电子设备及可读存储介质
CN107247728A (zh) 文本处理方法、装置及计算机存储介质
CN116627760A (zh) 一种基于用户行为信息的匹配度确定方法、装置及介质
Kaisar et al. Enhancing telemarketing success using ensemble-based online machine learning
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN110046233A (zh) 问题派发方法及装置
CN115130542A (zh) 模型训练方法、文本处理方法、装置及电子设备
US20210312362A1 (en) Providing action items for an activity based on similar past activities

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17922416

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 24/09/2020)

122 Ep: pct application non-entry in european phase

Ref document number: 17922416

Country of ref document: EP

Kind code of ref document: A1