WO2021147557A1 - 客户画像方法、装置、计算机可读存储介质及终端设备 - Google Patents

客户画像方法、装置、计算机可读存储介质及终端设备 Download PDF

Info

Publication number
WO2021147557A1
WO2021147557A1 PCT/CN2020/135552 CN2020135552W WO2021147557A1 WO 2021147557 A1 WO2021147557 A1 WO 2021147557A1 CN 2020135552 W CN2020135552 W CN 2020135552W WO 2021147557 A1 WO2021147557 A1 WO 2021147557A1
Authority
WO
WIPO (PCT)
Prior art keywords
customer
portrait
value
training sample
evaluation
Prior art date
Application number
PCT/CN2020/135552
Other languages
English (en)
French (fr)
Inventor
刘聃
余雯
温舒
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021147557A1 publication Critical patent/WO2021147557A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures

Definitions

  • This application belongs to the field of artificial intelligence technology, and in particular relates to a client portrait method, device, computer-readable storage medium, and terminal equipment.
  • the embodiments of the present application provide a customer portrait method, device, computer-readable storage medium and terminal equipment to solve the problem that the existing customer portrait method does not fully utilize customer information, and the resulting customer portrait results are often The problem of insufficient precision.
  • the first aspect of the embodiments of the present application provides a customer portrait method, which may include:
  • each evaluation dimension of the customer Acquiring information on each preset evaluation dimension of the customer to be profiled from a preset database according to the customer identifier, where each evaluation dimension includes several evaluation factors;
  • each evaluation dimension the normalized information on each evaluation factor is weighted and summed according to the preset factor weight to obtain the evaluation value on each evaluation dimension;
  • a customer tag corresponding to the portrait value of the customer to be profiled is selected, and the selected customer tag is determined as the portrait result of the customer to be profiled.
  • the second aspect of the embodiments of the present application provides a customer portrait device, which may include various functional modules for realizing the above-mentioned customer portrait method.
  • the third aspect of the embodiments of the present application provides a computer-readable storage medium, the computer-readable storage medium stores computer-readable instructions, and when the computer-readable instructions are executed by a processor, the steps of the above-mentioned customer portrait method are realized .
  • the fourth aspect of the embodiments of the present application provides a terminal device, including a memory, a processor, and computer-readable instructions stored in the memory and running on the processor, and the processor executes the computer
  • the steps of the above-mentioned customer portrait method are realized when the instructions are readable.
  • sufficient and comprehensive customer information can be obtained through multiple evaluation factors in multiple evaluation dimensions, and through normalization processing, the customer information can be uniformly measured, and then processed by the customer profile model to obtain More accurate customer portrait results.
  • FIG. 1 is a flowchart of an embodiment of a customer portrait method in an embodiment of the application
  • Figure 2 is a schematic diagram of a machine learning model for determining specific values of each weight in a customer portrait model
  • Figure 3 is a schematic flow chart of the process of setting factor weights
  • Fig. 4 is a structural diagram of an embodiment of a client portrait device in an embodiment of the application.
  • Fig. 5 is a schematic block diagram of a terminal device in an embodiment of the application.
  • An embodiment of a customer portrait method in the embodiment of the present application may include:
  • Step S101 Receive a customer portrait instruction, and extract the customer identification of the customer to be profiled from the customer portrait instruction.
  • the customer portrait instruction carries the customer identification of the customer to be profiled.
  • the customer identification may include, but is not limited to, an ID card number, a mobile phone number, a social security number, a provident fund number, an insurance policy number, and other identifications that can uniquely identify the customer.
  • the terminal device After the terminal device receives the customer portrait instruction, it can extract the customer identification of the customer to be portrayed from it, and perform the customer portrait according to the subsequent steps.
  • Step S102 Obtain the information of the customer to be profiled in each preset evaluation dimension from a preset database according to the customer identification.
  • each evaluation dimension includes several evaluation factors. Which evaluation dimensions are specifically selected, and which evaluation factors can be included in each evaluation dimension, can be set according to the actual situation.
  • time dimension In a specific implementation of the embodiment of the present application, three dimensions of time dimension, breadth dimension, and frequency dimension can be selected.
  • the time dimension mainly refers to the time when a customer first purchases a product or registers a company APP. The sooner a customer contacts the company, the more familiar and close the relationship is with the company. In the embodiment of this application, the time when the customer last purchased the product can also be added. The closer the last purchase is, the closer the relationship is.
  • the breadth dimension mainly refers to the breadth of communication between customers and enterprises. For a diversified group, to comprehensively evaluate customer intimacy, each branch and each product must be considered. In the embodiment of the present application, it may be considered whether the customer is a customer of each business unit (Business Unit, BU), whether it is a valid customer of each BU, and the increase or decrease of the number of cross-BU contracts, and so on.
  • BU Business Unit
  • the frequency dimension is mainly the number of interactions between the customer and the company, which is also an important dimension to measure the intimacy between the customer and the company. This dimension uses the most abundant data, not just the concept of "number". In the embodiments of the present application, the number of customer contracts, the number of purchases and amounts of various products, the number of customer participation in corporate activities, the number of interactions between customers and marketing personnel, etc. can be comprehensively considered.
  • evaluation factors included in each evaluation dimension are specifically:
  • time dimension it can include, but is not limited to: evaluation factors such as the time since APP registration, the time since the first purchase of the product, the time since the most recent APP activity, and the time since the most recent product purchase;
  • the breadth dimension can include but is not limited to: total number of product types held, number of new cross-group series, reduction of cross-group series, whether debit card customers, whether debit card customers are valid, whether securities customers, whether securities are valid customers , Whether to trust customers, whether to trust effective customers and other evaluation factors;
  • the frequency dimension can include but is not limited to: number of contracts, number of cancelled products, total assets, new assets in the past 6 months, total liabilities, new liabilities in the past 6 months, number of SMS messages sent, number of phone calls, number of referrals , APP login days, information reading, activity check-in times, after-sales service times and other evaluation factors.
  • the customer's information on each evaluation dimension can be pre-stored in the same database, or pre-distributed and stored in different databases.
  • the information can be retrieved in the database according to the customer’s unique customer ID Corresponding information, and summarized for subsequent processing.
  • Step S103 Perform normalization processing on the information of the client to be profiled in each evaluation dimension to obtain normalized information.
  • the normalization processing method can be selected according to the actual situation, and the calculation result of a single evaluation factor is limited to between 0 and 1.
  • the same normalization processing method may be used, or different normalization processing methods may be used, which is not specifically limited in the embodiment of the present application.
  • x is the evaluation factor before normalization
  • x′ is the evaluation factor after normalization
  • ⁇ is the center of the evaluation factor distribution, which can be set as the mean or median of the evaluation factor.
  • the evaluation factor When the evaluation factor When the value is ⁇ , the processed value is 0.5.
  • d is the stretch coefficient, which can adjust the change speed of the evaluation factor after transformation, and it can be set to the standard deviation of the evaluation factor or (3/4 quantile-1/4 quantile)/2.
  • the evaluation factor of total assets is often very large, and the difference between customers is also very large. You can make ⁇ equal to the average value of customer assets of 5000, and d equal to the standard deviation of 2000, so that the changed factors will be more uniform and suitable Used for final scoring.
  • x total is the historical cumulative data after normalization processing
  • x incre is the recent incremental data after normalization processing
  • x′ is the result of normalizing the two together
  • ⁇ is the preset trade-off
  • the specific value of the coefficient of relative importance of the person can be set according to the actual situation. Take the evaluation factor of total assets as an example, x total is total assets, and x incre is newly-added assets in the past 6 months. Through this formula, the total assets and newly-added assets in the past 6 months can be normalized together.
  • Step S104 In each evaluation dimension, weighted summation is performed on the normalized information on each evaluation factor according to preset factor weights to obtain evaluation values in each evaluation dimension.
  • Step S105 Perform a weighted summation of the evaluation values on each evaluation dimension according to the preset dimension weights to obtain the portrait value of the client to be profiled.
  • step S104 and step S105 Denote the number of evaluation dimensions as D, where the serial number of each evaluation dimension is denoted as d, 1 ⁇ d ⁇ D, the dimensional weight of the dth evaluation dimension is denoted as w d ′, and the evaluation factor of the dth evaluation dimension
  • the number of is denoted as N d
  • the serial number of each evaluation dimension is denoted as n d , 1 ⁇ n d ⁇ N d
  • the factor weight of the n d evaluation factor is recorded as Then the calculation process of step S104 and step S105 can be expressed as a customer portrait model shown in the following formula:
  • Result is the final calculated customer portrait result.
  • the key to establishing the customer profile model is to determine the specific value of each weight.
  • the weight There are two ways to determine the weight: one is to manually determine the weight based on expert experience; the other is to use machine learning algorithms. Use big data to automatically learn weights, and iteratively update automatically. The above two methods of determining weights can also be combined with each other. The reason is that the weights learned by the machine may be too concentrated, a few evaluation factors give too high weights, or some evaluation factors with low data quality may give too high weights. Expert experience can be used to set some artificial constraints on the weights. Within the scope of these constraints, machine learning methods can be used to determine specific values.
  • Step S301 Determine an optimization target set.
  • the optimization target set includes at least one optimization target.
  • the optimization target set may include more than two optimization targets, and these optimization targets can be set according to specific conditions. For example, they may include, but are not limited to, whether to purchase long-term insurance or whether to purchase short-term insurance within a specified fixed period of time. , Whether to buy financial management, whether to buy trust, etc.
  • Step S302 Obtain a training sample set from a preset database.
  • Each training sample in the training sample set includes information on each evaluation dimension of a historical customer and the label value on each optimization target.
  • the optimization goal is to purchase long-term insurance
  • its tag value on this optimization goal is 0, when a certain historical customer is in the specified fixed time
  • its label value on this optimization objective is 1.
  • the optimization objective is to purchase short-term insurance, when a historical customer does not purchase short-term insurance within a specified fixed period of time, it is here The label value on an optimization goal is 0.
  • the label value on this optimization goal is 1; if the optimization goal is to purchase wealth management, when a certain historical customer purchases short-term insurance When a historical customer does not purchase financial management within a specified fixed period of time, its tag value on this optimization goal is 0.
  • Step S303 Perform iterative training on the factor weights in the target dimension according to the training sample set. In each iterative training process, calculate the first output value of each training sample on each optimization target in the target dimension. .
  • the target dimension is any evaluation dimension. As shown in Figure 2, what the input layer obtains is the information on each evaluation factor of the target dimension. After the normalization process of the normalization layer, the normalization information is obtained. In the weight layer, each evaluation factor is configured with a pending Factor weights, these processes are shared by each optimization objective, that is, all optimization objectives use the same input layer, normalization layer, and weight layer.
  • each optimization objective is different, and the kth optimization objective is taken as an example for illustration.
  • the processing result of the Mask layer using the preset activation function The processing is performed to obtain the output value, and this output value is recorded as the first output value here. That is, the first output value of any training sample on the k-th optimization target can be calculated according to the following formula:
  • K is the total number of optimization targets in the optimization target set
  • M k is the sequence number set of each evaluation factor in the target dimension
  • w i is the i-th evaluation factor of the target dimension
  • the factor weight of i ⁇ M k , x′ i is the normalized information of the training sample on the i-th evaluation factor of the target dimension
  • b k is the bias term of the k-th optimization target. It is recorded as the first bias term
  • ⁇ is the preset activation function, which can include but is not limited to the sigmoid function, Is the first output value of the training sample on the k-th optimization target.
  • Step S304 Calculate the first global error of the training sample set according to the first output value and label value of each training sample on each optimization target.
  • the first sample error of any training sample can be calculated according to the loss function shown in the following formula:
  • y k is the label value of the sample on the k-th optimization target
  • ⁇ k is the preset relative weight of the k-th optimization target.
  • This hyperparameter can be set according to actual conditions.
  • the L2 regularization term is added to the formula, ⁇ is the preset regularization weight, which can be adjusted by methods such as grid search during training, and L is the sample The error of, here is recorded as the first sample error.
  • the loss function is equal to the weight of each optimization objective; if the business attaches great importance to one of the optimization objectives, then multi-task learning degenerates into single-task learning, and the loss function is determined by this The optimization goal is dominant.
  • the summation calculation of the first sample error of each training sample can obtain the global error of the training sample set, which is recorded as the first global error here.
  • Step S305 Determine the factor weight corresponding to the minimum value of the first global error as the factor weight trained in the target dimension.
  • the model is iteratively trained using the training sample set, and the value of the weight of each factor is continuously modified, and the optimal factor weight is finally determined.
  • the setting process of the dimensional weight is similar to the setting process of the factor weight. Specifically, the dimensional weights can be iteratively trained according to the training sample set. In each iteration of the training process, the output value of each training sample on each optimization target is calculated, and this output value is recorded here. Is the second output value. Then the second output value of any training sample on the k-th optimization target can be calculated according to the following formula:
  • M k is the set of serial numbers of each evaluation dimension
  • w i is the dimensional weight of the i-th evaluation dimension
  • i ⁇ M k x′ i is the image value of the training sample in the i-th evaluation dimension
  • b k is the bias term of the k-th optimization target, here it is recorded as the second bias term
  • ⁇ is the preset Activation function can include but is not limited to sigmoid function Is the second output value of the training sample on the k-th optimization target.
  • the global error of the training sample set is calculated.
  • this global error is recorded as the second global error, and the second global error is specifically The calculation process is similar to the calculation process of the first global error. For details, please refer to the foregoing content, which will not be repeated here.
  • the dimensional weight corresponding to the minimum value of the second global error is determined as the trained dimensional weight.
  • the customer profile model can be used to analyze and process the customer information to obtain the profile value, which represents the intimacy between the customer and the company.
  • Step S106 Select a customer tag corresponding to the portrait value of the customer to be profiled, and determine the selected customer tag as the portrait result of the customer to be profiled.
  • each reference portrait value set includes several reference portrait value subsets, and each reference portrait value subset includes several historical customer portrait values in a preset time interval, which is denoted here as Refer to the image value.
  • the first distance between the portrait value of the client to be profiled and each reference portrait value subset can be calculated separately. Take any one of the reference portrait value subsets as an example, calculate the absolute value of the difference between the portrait value of the client to be profiled and each reference portrait value in the subset, and use the average of these absolute values as the portrait of the client to be profiled The first distance between the value and the subset.
  • the second distance between the image value of the client to be imaged and the reference image value set can be calculated according to the first distance of each reference image value subset and the preset time interval coefficient.
  • the time interval coefficient of each reference portrait value subset is negatively related to the length of the time interval from the current system time, that is, the closer the subset is to the current time, the greater the reference value of the data, a larger coefficient is assigned accordingly.
  • the customer tag with the shortest second distance is selected as the customer tag corresponding to the portrait value of the customer to be profiled.
  • the shorter the distance, the higher the similarity, and selecting the customer label with the shortest distance can more accurately reflect the characteristics of the customer.
  • the embodiment of the present application can also be divided into three levels of customer tags of "intimate”, “friendly”, and “acquaintance” according to the profile value from high to low, and each customer corresponds to one of them. Customer label.
  • Two thresholds are set in advance, which are recorded as the first threshold and the second threshold, and the first threshold is greater than the second threshold.
  • the customer label of the customer is determined to be the highest level "Intimate", when the profile value of a certain customer is less than the first threshold and greater than the second threshold, the customer label of the customer is determined to be the next highest level of "friendly", when the profile value of a certain customer is less than the second threshold , The customer’s label is determined to be the lowest level of "acquaintance.”
  • the profile value and customer label can be refreshed regularly to reflect the real-time status of the customer.
  • the system authority corresponding to the selected customer tag may be opened in a preset customer management system for the customer to be profiled.
  • the customer portrait result can also be uploaded to the Blockchain to ensure its security and fairness and transparency to customers.
  • Customers can use their terminal equipment to download customer portrait results from the blockchain in order to verify whether the customer portrait results have been tampered with.
  • the blockchain referred to in this example is a new application mode of computer technology such as distributed data storage, point-to-point transmission, consensus mechanism, and encryption algorithm.
  • the blockchain is essentially a decentralized database, which is a series of data blocks associated with cryptographic methods. Each data block contains a batch of network transaction information to verify the validity of the information. (Anti-counterfeiting) and generate the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.
  • sufficient and comprehensive customer information can be obtained through multiple evaluation factors in multiple evaluation dimensions, and through normalization processing, the customer information can be uniformly measured, and then passed through the customer portrait model. Processing, you can get more accurate customer portrait results.
  • FIG. 4 shows a structural diagram of an embodiment of a customer portrait device provided by an embodiment of the present application.
  • a customer portrait device may include:
  • the customer identification extraction module 401 is configured to receive a customer portrait instruction, and extract the customer identification of the customer to be profiled from the customer portrait instruction;
  • the customer information obtaining module 402 is configured to obtain information on each preset evaluation dimension of the customer to be profiled from a preset database according to the customer identifier, wherein each evaluation dimension includes several evaluation factors;
  • the normalization processing module 403 is used to perform normalization processing on the information of the client to be profiled in each evaluation dimension to obtain normalized information;
  • the first processing module 404 is configured to perform a weighted summation of the normalized information on each evaluation factor according to preset factor weights in each evaluation dimension to obtain an evaluation value in each evaluation dimension;
  • the second processing module 405 is configured to perform a weighted summation of the evaluation values on each evaluation dimension according to a preset dimension weight to obtain the portrait value of the client to be profiled;
  • the customer tag selection module 406 is configured to select a customer tag corresponding to the portrait value of the customer to be profiled, and determine the selected customer tag as the portrait result of the customer to be profiled.
  • customer tag selection module may include:
  • the reference portrait value set obtaining unit is used to obtain the reference portrait value sets corresponding to each preset customer label from the preset label database.
  • Each reference portrait value set includes several reference portrait value subsets, each Each reference portrait value subset includes reference portrait values of several historical customers in a preset time interval;
  • the distance calculation unit is used to calculate the first distance between the portrait value of the client to be profiled and each reference portrait value subset for each customer label, and according to the first distance and the pre-set distance of each reference portrait value subset.
  • the label selecting unit is configured to select the customer tag with the shortest second distance as the customer tag corresponding to the portrait value of the customer to be profiled.
  • client portrait device may further include:
  • the optimization target determination module is configured to determine an optimization target set, and the optimization target set includes at least one optimization target;
  • the training sample acquisition module is used to acquire a training sample set from a preset database, and each training sample in the training sample set includes information on each evaluation dimension of a historical customer and the label value on each optimization target ;
  • the first output value calculation module is used to iteratively train the factor weights in the target dimension according to the training sample set. In each iterative training process, calculate the respective optimization targets of each training sample on the target dimension.
  • the first output value on the above, the target dimension is any evaluation dimension;
  • the first global error calculation module is configured to calculate the first global error of the training sample set according to the first output value and label value of each training sample on each optimization target;
  • the factor weight determination module is configured to determine the factor weight corresponding to the minimum value of the first global error as the factor weight trained on the target dimension.
  • client portrait device may further include:
  • the second output value calculation module is configured to perform iterative training on the dimensional weights according to the training sample set, and during each iterative training process, respectively calculate the second output value of each training sample on each optimization target;
  • the second global error calculation module is configured to calculate the second global error of the training sample set according to the second output value and label value of each training sample on each optimization target;
  • the dimensional weight determination module is used to determine the dimensional weight corresponding to the minimum value of the second global error as the trained dimensional weight.
  • the first output value calculation module is specifically configured to calculate the first output value of any training sample on the k-th optimization target according to the following formula:
  • K is the total number of optimization targets in the optimization target set
  • M k is the sequence number set of each evaluation factor in the target dimension
  • w i is the i-th evaluation factor of the target dimension
  • the factor weight of i ⁇ M k , x′ i is the normalized information of the training sample on the i-th evaluation factor of the target dimension
  • b k is the bias term of the k-th optimization target
  • ⁇ is the prediction Set the activation function, Is the first output value of the training sample on the k-th optimization target.
  • the first global error calculation module may include:
  • the first sample error calculation unit is used to calculate the first sample error of any training sample according to the following formula:
  • y k is the label value of the sample on the k-th optimization target
  • ⁇ k is the preset relative weight of the k-th optimization target
  • ⁇ is the preset regularization weight
  • L is the first sample of the sample
  • the first global error calculation unit is configured to perform a summation calculation on the first sample errors of each training sample to obtain the first global error of the training sample set.
  • client portrait device may further include:
  • the system authority control module is used to open the system authority corresponding to the selected customer tag to the client to be profiled in the preset customer management system.
  • FIG. 5 shows a schematic block diagram of a terminal device provided by an embodiment of the present application. For ease of description, only parts related to the embodiment of the present application are shown.
  • the terminal device 5 may be a computing device such as a desktop computer, a notebook, a palmtop computer, and a cloud server.
  • the terminal device 5 may include: a processor 50, a memory 51, and computer-readable instructions 52 stored in the memory 51 and running on the processor 50, such as computer-readable instructions for executing the aforementioned client portrait method .
  • the processor 50 executes the computer-readable instructions 52
  • the steps in the foregoing customer portrait method embodiments are implemented, for example, steps S101 to S106 shown in FIG. 1.
  • the processor 50 executes the computer-readable instructions 52
  • the functions of the modules/units in the foregoing device embodiments such as the functions of the modules 401 to 406 shown in FIG. 4, are implemented.
  • the computer-readable instructions 52 may be divided into one or more modules/units, and the one or more modules/units are stored in the memory 51 and executed by the processor 50, To complete this application.
  • the one or more modules/units may be a series of computer-readable instruction segments capable of completing specific functions, and the instruction segments are used to describe the execution process of the computer-readable instructions 52 in the terminal device 5.
  • the processor 50 may be a central processing unit (Central Processing Unit, CPU), other general-purpose processors, digital signal processors (Digital Signal Processor, DSP), application specific integrated circuits (ASIC), Field-Programmable Gate Array (FPGA) or other programmable logic devices, discrete gates or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor may be a microprocessor or the processor may also be any conventional processor or the like.
  • the memory 51 may be an internal storage unit of the terminal device 5, such as a hard disk or a memory of the terminal device 5.
  • the memory 51 may also be an external storage device of the terminal device 5, such as a plug-in hard disk equipped on the terminal device 5, a smart memory card (Smart Media Card, SMC), and a Secure Digital (SD) Card, Flash Card, etc. Further, the memory 51 may also include both an internal storage unit of the terminal device 5 and an external storage device.
  • the memory 51 is used to store the computer-readable instructions and other instructions and data required by the terminal device 5.
  • the memory 51 can also be used to temporarily store data that has been output or will be output.
  • the functional units in the various embodiments of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated unit can be implemented in the form of hardware or software functional unit.
  • the integrated unit is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer-readable storage medium.
  • the computer-readable storage medium may be non-volatile or Volatile.
  • the technical solution of the present application essentially or the part that contributes to the existing technology or all or part of the technical solution can be embodied in the form of a software product, and the computer software product is stored in a storage medium , Including several computer-readable instructions to enable a computer device (which may be a personal computer, a server, or a network device, etc.) to execute all or part of the steps of the methods described in the various embodiments of the present application.
  • the aforementioned storage media include: U disk, mobile hard disk, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), magnetic disks or optical disks, etc., which can store computer readable instructions. Medium.

Abstract

一种客户画像方法、装置、计算机可读存储介质及终端设备。所述方法接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识（S101）；根据所述客户标识从预设的数据库中获取所述待画像客户在预设的各个评估维度上的信息（S102）；对所述画像客户在各个评估维度上进行归一化处理，得到归一化信息（S103）；在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值（S104）；根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值（S105）；选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果（S106），大大提升了结果的精准度。

Description

客户画像方法、装置、计算机可读存储介质及终端设备
本申请要求于2020年8月28日提交中国专利局、申请号为202010888273.X、发明名称为“客户画像方法、装置、计算机可读存储介质及终端设备”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
本申请属于人工智能技术领域，尤其涉及一种客户画像方法、装置、计算机可读存储介质及终端设备。
背景技术
在现有技术中，当需要对某个客户进行客户画像时，一般都是以性别、年龄、收入等几个常用的信息作为依据，发明人意识到，这种方式虽然应用广泛，也可以在一定程度上体现出客户的特点，但是在当前的大数据环境下显得过于单调，对客户信息的利用不够充分，所得到的客户画像结果往往不够精准。
技术问题
有鉴于此，本申请实施例提供了一种客户画像方法、装置、计算机可读存储介质及终端设备，以解决现有的客户画像方法对客户信息的利用不够充分，所得到的客户画像结果往往不够精准的问题。
技术解决方案
本申请实施例的第一方面提供了一种客户画像方法，可以包括：
接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识；
根据所述客户标识从预设的数据库中获取所述待画像客户在预设的各个评估维度上的信息，其中，每个评估维度上均包括若干个评估因子；
对所述待画像客户在各个评估维度上的信息进行归一化处理，得到归一化信息；
在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值；
根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值；
选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果。
本申请实施例的第二方面提供了一种客户画像装置，可以包括实现上述客户画像方法的各个功能模块。
本申请实施例的第三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处理器执行时实现上述客户画像 方法的步骤。
本申请实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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可读指令时实现上述客户画像方法的步骤。
有益效果
通过本申请实施例，可以通过多个评估维度上的多个评估因子获取充分全面的客户信息，并通过归一化处理，将这些客户信息统一进行衡量，再经过客户画像模型的处理，可以得到更加精准的客户画像结果。
附图说明
图1为本申请实施例中一种客户画像方法的一个实施例流程图；
图2为确定客户画像模型中各个权重的具体取值的机器学习模型的示意图；
图3为因子权重的设置过程的示意流程图；
图4为本申请实施例中一种客户画像装置的一个实施例结构图；
图5为本申请实施例中一种终端设备的示意框图。
本发明的实施方式
请参阅图1，本申请实施例中一种客户画像方法的一个实施例可以包括：
步骤S101、接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识。
当相关工作人员需要对某一客户进行客户画像时，可以向执行客户画像的终端设备下发客户画像指令，在该客户画像指令中携带着待画像客户的客户标识。所述客户标识可以包括但不限于身份证号码、手机号码、社保号码、公积金号码、保单号码以及其它可以唯一标识出该客户的标识。
所述终端设备在接收到客户画像指令之后，即可从其中提取出待画像客户的客户标识，并按照后续步骤进行客户画像。
步骤S102、根据所述客户标识从预设的数据库中获取所述待画像客户在预设的各个评估维度上的信息。
其中，每个评估维度上均包括若干个评估因子。具体选取哪些评估维度，以及每个评估维度上可以包括哪些评估因子，均可以根据实际情况进行设置。
在本申请实施例的一种具体实现中，可以选取时间维度、广度维度、频次维度这三个维度。
时间维度主要是指客户首次购买产品或者注册企业APP的时间，客户越早接触企业，对企业就越熟悉，关系也越紧密。在本申请实施例中，还可以加入客户最近一次 购买产品的时间，上次购买距今越近，关系也更紧密。
广度维度主要是指客户与企业的交往广度，对于多元化集团，要全面评估客户亲密度，必须考虑每一个分公司以及每一种产品。在本申请实施例中，可以考虑客户是否是各业务单元(Business Unit，BU)的客户，是否是各BU的有效客户，以及跨BU合同数的增减情况等等。
频次维度主要是客户与企业的交往次数，这也是衡量客户与企业亲密度的重要维度。这个维度用到的数据最为丰富，并不是只是简单的“次数”的概念。在本申请实施例中，可以综合考虑客户合同数、各种产品的购买次数和金额、客户参加企业活动次数以及客户和营销人员之间互动的次数等等。
在本申请实施例的一种具体实现中，每个评估维度上包括的评估因子具体为：
在时间维度上可以包括但不限于：APP注册距今时间、首次购买产品距今时间、最近APP活跃距今时间、最近购买产品距今时间等评估因子；
在广度维度上可以包括但不限于：持有产品类型总数、新增跨集团系列数、减少跨集团系列数、是否借记卡客户、是否借记卡有效客户、是否证券客户、是否证券有效客户、是否信托客户、是否信托有效客户等评估因子；
在频次维度上可以包括但不限于：合同数、注销产品次数、总资产、近6个月新增资产、总负债、近6个月新增负债、短信发送次数、电话沟通次数、转介绍次数、APP登录天数、资讯阅读数、活动签到次数、售后服务次数等评估因子。
根据实际情况，客户在各个评估维度上的信息可以预先存储在同一数据库中，也可以预先分布存储在不同的数据库中，当需要使用到这些信息时，根据客户唯一的客户标识在数据库中检索到相应的信息，并进行汇总，以进行后续的处理过程。
步骤S103、对所述待画像客户在各个评估维度上的信息进行归一化处理，得到归一化信息。
在本申请实施例中，可以根据实际情况进行归一化处理方式的选择，将单个评估因子的计算结果限制在0到1之间。对于不同的评估因子，可以采用同一归一化处理方式，也可以采用不同的归一化处理方式，本申请实施例对此不做具体限定。
在本申请实施例的一种具体实现中，对于数值较大的评估因子，可以使用下式进行归一化处理：
Figure PCTCN2020135552-appb-000001
其中，x为归一化处理前的评估因子，x′为归一化处理后的评估因子，μ为评估因子分布的中心，可以将其设置为评估因子的均值或者中位数，当评估因子取值μ时，处理后的值为0.5。d为伸缩系数，可以调节变换后评估因子的变化速度，可以将其设置为 评估因子的标准差或者(3/4分位数－1/4分位数)/2。例如总资产这个评估因子往往数值很大，并且客户之间的差别也会很大，可以令μ等于客户资产的均值5000，同时d等于标准差2000，这样变化后的因子将会比较均匀，适合用于最后评分。
进一步地，为了处理历史累计数据和近期增量数据之间的关系，还可以使用下式进行进一步地处理：
Figure PCTCN2020135552-appb-000002
x total为归一化处理处理后的历史累计数据，x incre为归一化处理处理后的近期增量数据，x′为将两者一起归一化后的结果，α为预设的权衡两者相对重要性的系数，其具体取值可以根据实际情况进行设置。以总资产这个评估因子为例，x total为总资产，x incre为近6个月新增资产，通过该式可以将总资产和近6个月新增资产一起归一化。
步骤S104、在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值。
步骤S105、根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值。
将评估维度的数目记为D，其中每个评估维度的序号记为d，1≤d≤D，将第d个评估维度的维度权重记为w d′，将第d个评估维度的评估因子的数目记为N d，其中每个评估维度的序号记为n d，1≤n d≤N d，将第n d个评估因子归一化后的信息记为
Figure PCTCN2020135552-appb-000003
将第n d个评估因子的因子权重记为
Figure PCTCN2020135552-appb-000004
则步骤S104及步骤S105的计算过程可以表示为如下式所示的客户画像模型：
Figure PCTCN2020135552-appb-000005
Result即为最终计算得到的客户画像结果。
由上式可知，建立该客户画像模型的关键在于确定其中各个权重的具体取值，确定权重的方式有两种：一种是根据专家经验，人工确定权重；另一种是使用机器学习算法，利用大数据自动学习权重，并且可以自动迭代更新。上述两种确定权重的方法也可以相互结合起来，原因在于机器学习出来的权重有可能过于集中，少数评估因子给予过高的权重，或者可能一些数据质量不高的评估因子给予过高的权重。可以利用专家经验，对权重设定一些人为的约束，在这些约束的范围内，再利用机器学习的方法，去确定具体的数值。
在本申请实施例中，优选通过如图2所示的机器学习模型来确定客户画像模型中各个权重的具体取值。以所述因子权重的设置过程为例，具体可以包括如图3所示的过程：
步骤S301、确定优化目标集合。
所述优化目标集合中包括至少一个优化目标。优选地，所述优化目标集合中可以包括两个以上的优化目标，这些优化目标可以根据具体情况进行设置，例如，可以包括但不限于在指定固定时间段内是否购买长期保险、是否购买短期保险、是否购买理财、是否购买信托等等。
步骤S302、从预设的数据库中获取训练样本集合。
所述训练样本集合中的每个训练样本均包括一个历史客户在各个评估维度上的信息和在各个优化目标上的标签值。
例如，若优化目标为购买长期保险，当某一历史客户在指定固定时间段内未购买长期保险时，则其在这一优化目标上的标签值为0，当某一历史客户在指定固定时间段内购买长期保险时，则其在这一优化目标上的标签值为1；若优化目标为购买短期保险，当某一历史客户在指定固定时间段内未购买短期保险时，则其在这一优化目标上的标签值为0，当某一历史客户在指定固定时间段内购买短期保险时，则其在这一优化目标上的标签值为1；若优化目标为购买理财，当某一历史客户在指定固定时间段内未购买理财时，则其在这一优化目标上的标签值为0，当某一历史客户在指定固定时间段内购买理财时，则其在这一优化目标上的标签值为1；若优化目标为购买信托，当某一历史客户在指定固定时间段内未购买信托时，则其在这一优化目标上的标签值为0，当某一历史客户在指定固定时间段内购买信托时，则其在这一优化目标上的标签值为1；其它的优化目标均可以此类推。
步骤S303、根据所述训练样本集合对目标维度上的因子权重进行迭代训练，在每次迭代训练过程中，在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值。
所述目标维度为任意一个评估维度。如图2所示，输入层获取到的是目标维度的各个评估因子上的信息，经过归一化层的归一化处理，得到归一化信息，在权重层为各个评估因子配置一个待定的因子权重，这些过程为各个优化目标所共享，即所有的优化目标均使用同样的输入层、归一化层及权重层。
而在后续的Mask层及输出层，各个优化目标则均不相同，以其中的第k个优化目标为例进行说明。在其Mask层，根据因子权重对各个评估因子上的归一化信息进行加权求和，再加上预设的偏置项；在其输出层，使用预设的激活函数对Mask层的处理结果进行处理，得到输出值，此处将这一输出值记为第一输出值。即可以根据下式计算任意一个训练样本在第k个优化目标上的第一输出值：
Figure PCTCN2020135552-appb-000006
其中，1≤k≤K，K为所述优化目标集合中的优化目标总数，M k为所述目标维度上的各个评估因子的序号集合，w i为所述目标维度的第i个评估因子的因子权重，i∈M k，x′ i为该训练样本在所述目标维度的第i个评估因子上的归一化信息，b k为第k个优化目标的偏置项，此处将其记为第一偏置项，σ为预设的激活函数，可以包括但不限于sigmoid函数，
Figure PCTCN2020135552-appb-000007
为该训练样本在第k个优化目标上的第一输出值。
从以上过程中可以看出，多个优化目标共享了权重层和归一化层的参数，但是又有对评估因子和偏置项进行选择的自由度。
步骤S304、根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差。
具体地，可以根据如下式所示的损失函数计算任意一个训练样本的第一样本误差：
Figure PCTCN2020135552-appb-000008
其中，y k为该样本在第k个优化目标上的标签值，θ k为预设的第k个优化目标的相对权重，这一超参数可以根据实际情况进行设置，在本申请实施例中，为了避免权重过于集中和过拟合的问题，在该式中添加了L2正则化项，β为预设的正则化权重，可在训练时利用网格搜索等方法进行调节，L为该样本的误差，此处将其记为第一样本误差。
从中可以看出，如果各个优化目标重要性相当，则损失函数为各个优化目标等权重相加；如果业务很重视其中一种优化目标，那么多任务学习就退化为单任务学习，损失函数由该优化目标主导。
将各个训练样本的第一样本误差进行求和计算，即可得到所述训练样本集合的全局误差，此处将其记为第一全局误差。
步骤S305、将所述第一全局误差取得最小值时所对应的因子权重确定为在所述目标维度上训练好的因子权重。
第一全局误差越大，则表示差异越大，那么模型的训练就变成了尽可能缩小第一全局误差的过程。在本申请实施例中，使用所述训练样本集合对模型进行迭代训练，不断修正各个因子权重的取值，最终确定最优的因子权重。
所述维度权重的设置过程与所述因子权重的设置过程类似。具体地，可以根据所述训练样本集合对所述维度权重进行迭代训练，在每次迭代训练过程中，分别计算每个训练样本在各个优化目标上的输出值，此处将这一输出值记为第二输出值。则可以根据下式计算任意一个训练样本在第k个优化目标上的第二输出值：
Figure PCTCN2020135552-appb-000009
该式与计算第一输出值的公式相同，但具体的符号含义有略微区别，在此处，M k为各个评估维度的序号集合，w i为第i个评估维度的维度权重，i∈M k，x′ i为该训练样本在第i个评估维度上的画像值，b k为第k个优化目标的偏置项，此处将其记为第二偏置项，σ为预设的激活函数，可以包括但不限于sigmoid函数，
Figure PCTCN2020135552-appb-000010
为该训练样本在第k个优化目标上的第二输出值。
然后，根据每个训练样本在各个优化目标上的第二输出值和标签值计算所述训练样本集合的全局误差，此处将这一全局误差记为第二全局误差，第二全局误差具体的计算过程与第一全局误差的计算过程类似，详细内容可参见前述内容，此处不再赘述。最后，将所述第二全局误差取得最小值时所对应的维度权重确定为训练好的维度权重。
在确定各个权重的具体取值后，则可使用客户画像模型对客户信息进行分析处理，从而得到画像值，这一画像值表征了客户与企业之间的亲密度。
步骤S106、选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果。
在本申请实施例的一种具体实现中，可以从预设的标签数据库中分别获取与预设的各个客户标签对应的参照画像值集合。其中，每个参照画像值集合中均包括若干个参照画像值子集，每个参照画像值子集中均包括一个预设的时间区间内的若干个历史客户的画像值，此处将其记为参照画像值。
对于每个客户标签，可以分别计算所述待画像客户的画像值与各个参照画像值子集之间的第一距离。以其中任意一个参照画像值子集为例，分别计算待画像客户的画像值与该子集中各个参照画像值的差值的绝对值，将这些绝对值的平均值作为所述待画像客户的画像值与该子集之间的第一距离。
接着，可以根据各个参照画像值子集的第一距离和预设的时间区间系数计算所述待画像客户的画像值与参照画像值集合之间的第二距离。
其中，各个参照画像值子集的时间区间系数与其时间区间距离当前系统时间的时长负相关，即距离当前时刻越近的子集，其数据的参考价值越大，对应赋予一个较大的系数，而距离当前时刻越远的子集，其数据的参考价值越小，对应赋予一个较小的系数，根据时间区间系数对各个参照画像值子集的第一距离进行加权平均，即可得到所述待画像客户的画像值与参照画像值集合之间的第二距离。
最后，选取第二距离最短的客户标签作为与所述待画像客户的画像值对应的客户标签。距离越短，则相似度越高，选取距离最短的客户标签可以更加准确地反映出客户的特征。
在本申请实施例的另一种具体实现中，还可以按照画像值从高到低，划分为“亲 密”、“友好”、“相识”三种等级的客户标签，每个客户对应其中一种客户标签。预先设置两个阈值，分别记为第一阈值和第二阈值，且第一阈值大于第二阈值，当某一客户的画像值大于第一阈值时，则确定该客户的客户标签为最高等级的“亲密”，当某一客户的画像值小于第一阈值且大于第二阈值时，则确定该客户的客户标签为次高等级的“友好”，当某一客户的画像值小于第二阈值时，则确定该客户的标签为最低等级的“相识”。画像值以及客户标签可以定期刷新，反映客户实时的状态。
进一步地，在选取与所述待画像客户的画像值对应的客户标签之后，还可以在预设的客户管理系统中，为所述待画像客户开放与选取的客户标签对应的系统权限。等级越高的客户标签对应的系统权限也越大，反之，等级越低的客户标签对应的系统权限也越小。
进一步地，在确定出待画像客户的客户画像结果之后，还可以将客户画像结果上传至区块链(Blockchain)，从而保证其安全性和对客户的公正透明性。客户可以使用其终端设备可以从区块链中下载客户画像结果，以便查证客户画像结果是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
综上所述，通过本申请实施例，可以通过多个评估维度上的多个评估因子获取充分全面的客户信息，并通过归一化处理，将这些客户信息统一进行衡量，再经过客户画像模型的处理，可以得到更加精准的客户画像结果。
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。
对应于上文实施例所述的一种客户画像方法，图4示出了本申请实施例提供的一种客户画像装置的一个实施例结构图。
本实施例中，一种客户画像装置可以包括：
客户标识提取模块401，用于接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识；
客户信息获取模块402，用于根据所述客户标识从预设的数据库中获取所述待画像客户在预设的各个评估维度上的信息，其中，每个评估维度上均包括若干个评估因子；
归一化处理模块403，用于对所述待画像客户在各个评估维度上的信息进行归一化 处理，得到归一化信息；
第一处理模块404，用于在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值；
第二处理模块405，用于根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值；
客户标签选取模块406，用于选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果。
进一步地，所述客户标签选取模块可以包括：
参照画像值集合获取单元，用于从预设的标签数据库中分别获取与预设的各个客户标签对应的参照画像值集合，每个参照画像值集合中均包括若干个参照画像值子集，每个参照画像值子集中均包括一个预设的时间区间内的若干个历史客户的参照画像值；
距离计算单元，用于对于每个客户标签，分别计算所述待画像客户的画像值与各个参照画像值子集之间的第一距离，并根据各个参照画像值子集的第一距离和预设的时间区间系数计算所述待画像客户的画像值与参照画像值集合之间的第二距离；其中，各个参照画像值子集的时间区间系数与其时间区间距离当前系统时间的时长负相关；
标签选取单元，用于选取第二距离最短的客户标签作为与所述待画像客户的画像值对应的客户标签。
进一步地，所述客户画像装置还可以包括：
优化目标确定模块，用于确定优化目标集合，所述优化目标集合中包括至少一个优化目标；
训练样本获取模块，用于从预设的数据库中获取训练样本集合，所述训练样本集合中的每个训练样本均包括一个历史客户在各个评估维度上的信息和在各个优化目标上的标签值；
第一输出值计算模块，用于根据所述训练样本集合对目标维度上的因子权重进行迭代训练，在每次迭代训练过程中，在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值，所述目标维度为任意一个评估维度；
第一全局误差计算模块，用于根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差；
因子权重确定模块，用于将所述第一全局误差取得最小值时所对应的因子权重确定为在所述目标维度上训练好的因子权重。
进一步地，所述客户画像装置还可以包括：
第二输出值计算模块，用于根据所述训练样本集合对所述维度权重进行迭代训练， 在每次迭代训练过程中，分别计算每个训练样本在各个优化目标上的第二输出值；
第二全局误差计算模块，用于根据每个训练样本在各个优化目标上的第二输出值和标签值计算所述训练样本集合的第二全局误差；
维度权重确定模块，用于将所述第二全局误差取得最小值时所对应的维度权重确定为训练好的维度权重。
进一步地，所述第一输出值计算模块具体用于根据下式计算任意一个训练样本在第k个优化目标上的第一输出值：
Figure PCTCN2020135552-appb-000011
其中，1≤k≤K，K为所述优化目标集合中的优化目标总数，M k为所述目标维度上的各个评估因子的序号集合，w i为所述目标维度的第i个评估因子的因子权重，i∈M k，x′ i为该训练样本在所述目标维度的第i个评估因子上的归一化信息，b k为第k个优化目标的偏置项，σ为预设的激活函数，
Figure PCTCN2020135552-appb-000012
为该训练样本在第k个优化目标上的第一输出值。
进一步地，所述第一全局误差计算模块可以包括：
第一样本误差计算单元，用于根据下式计算任意一个训练样本的第一样本误差：
Figure PCTCN2020135552-appb-000013
其中，y k为该样本在第k个优化目标上的标签值，θ k为预设的第k个优化目标的相对权重，β为预设的正则化权重，L为该样本的第一样本误差；
第一全局误差计算单元，用于将各个训练样本的第一样本误差进行求和计算，得到所述训练样本集合的第一全局误差。
进一步地，所述客户画像装置还可以包括：
系统权限控制模块，用于在预设的客户管理系统中，为所述待画像客户开放与选取的客户标签对应的系统权限。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图5示出了本申请实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
在本实施例中，所述终端设备5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。该终端设备5可包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的客户画像 方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个客户画像方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至406的功能。
示例性的，所述计算机可读指令52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51中，并由所述处理器50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段，该指令段用于描述所述计算机可读指令52在所述终端设备5中的执行过程。
所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、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。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5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51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述终端设备5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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时，可以存储在一个计算机可读存储介质中，所述计算机可读存储介质可以是非易失性，也可以是易失性。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，包括若干计算机可读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计算机可读指令的介质。

Claims (20)

  1. 一种客户画像方法，其中包括：
    接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识；
    根据所述客户标识从预设的数据库中获取所述待画像客户在预设的各个评估维度上的信息，其中，每个评估维度上均包括若干个评估因子；
    对所述待画像客户在各个评估维度上的信息进行归一化处理，得到归一化信息；
    在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值；
    根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值；
    选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果。
  2. 根据权利要求1所述的客户画像方法，其中，所述选取与所述待画像客户的画像值对应的客户标签，包括：
    从预设的标签数据库中分别获取与预设的各个客户标签对应的参照画像值集合，每个参照画像值集合中均包括若干个参照画像值子集，每个参照画像值子集中均包括一个预设的时间区间内的若干个历史客户的参照画像值；
    对于每个客户标签，分别计算所述待画像客户的画像值与各个参照画像值子集之间的第一距离，并根据各个参照画像值子集的第一距离和预设的时间区间系数计算所述待画像客户的画像值与参照画像值集合之间的第二距离；其中，各个参照画像值子集的时间区间系数与其时间区间距离当前系统时间的时长负相关；
    选取第二距离最短的客户标签作为与所述待画像客户的画像值对应的客户标签。
  3. 根据权利要求1所述的客户画像方法，其中，所述因子权重的设置过程包括：
    确定优化目标集合，所述优化目标集合中包括至少一个优化目标；
    从预设的数据库中获取训练样本集合，所述训练样本集合中的每个训练样本均包括一个历史客户在各个评估维度上的信息和在各个优化目标上的标签值；
    根据所述训练样本集合对目标维度上的因子权重进行迭代训练，在每次迭代训练过程中，在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值，所述目标维度为任意一个评估维度；
    根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差；
    将所述第一全局误差取得最小值时所对应的因子权重确定为在所述目标维度上训 练好的因子权重。
  4. 根据权利要求3所述的客户画像方法，其中，所述维度权重的设置过程包括：
    根据所述训练样本集合对所述维度权重进行迭代训练，在每次迭代训练过程中，分别计算每个训练样本在各个优化目标上的第二输出值；
    根据每个训练样本在各个优化目标上的第二输出值和标签值计算所述训练样本集合的第二全局误差；
    将所述第二全局误差取得最小值时所对应的维度权重确定为训练好的维度权重。
  5. 根据权利要求3所述的客户画像方法，其中，所述在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值，包括：
    根据下式计算任意一个训练样本在第k个优化目标上的第一输出值：
    Figure PCTCN2020135552-appb-100001
    其中，1≤k≤K，K为所述优化目标集合中的优化目标总数，M k为所述目标维度上的各个评估因子的序号集合，w i为所述目标维度的第i个评估因子的因子权重，i∈M k，x′ i为该训练样本在所述目标维度的第i个评估因子上的归一化信息，b k为第k个优化目标的偏置项，σ为预设的激活函数，
    Figure PCTCN2020135552-appb-100002
    为该训练样本在第k个优化目标上的第一输出值。
  6. 根据权利要求5所述的客户画像方法，其中，所述根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差，包括：
    根据下式计算任意一个训练样本的第一样本误差：
    Figure PCTCN2020135552-appb-100003
    其中，y k为该样本在第k个优化目标上的标签值，θ k为预设的第k个优化目标的相对权重，β为预设的正则化权重，L为该样本的第一样本误差；
    将各个训练样本的第一样本误差进行求和计算，得到所述训练样本集合的第一全局误差。
  7. 根据权利要求1至6中任一项所述的客户画像方法，其中，在选取与所述待画像客户的画像值对应的客户标签之后，还包括：
    在预设的客户管理系统中，为所述待画像客户开放与选取的客户标签对应的系统权限。
  8. 一种客户画像装置，其中包括：
    客户标识提取模块，用于接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识；
    客户信息获取模块，用于根据所述客户标识从预设的数据库中获取所述待画像客 户在预设的各个评估维度上的信息，其中，每个评估维度上均包括若干个评估因子；
    归一化处理模块，用于对所述待画像客户在各个评估维度上的信息进行归一化处理，得到归一化信息；
    第一处理模块，用于在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值；
    第二处理模块，用于根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值；
    客户标签选取模块，用于选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果。
  9. 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，其中，所述计算机可读指令被处理器执行时实现如下步骤：
    接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识；
    根据所述客户标识从预设的数据库中获取所述待画像客户在预设的各个评估维度上的信息，其中，每个评估维度上均包括若干个评估因子；
    对所述待画像客户在各个评估维度上的信息进行归一化处理，得到归一化信息；
    在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值；
    根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值；
    选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果。
  10. 根据权利要求9所述的计算机可读存储介质，其中，所述选取与所述待画像客户的画像值对应的客户标签，包括：
    从预设的标签数据库中分别获取与预设的各个客户标签对应的参照画像值集合，每个参照画像值集合中均包括若干个参照画像值子集，每个参照画像值子集中均包括一个预设的时间区间内的若干个历史客户的参照画像值；
    对于每个客户标签，分别计算所述待画像客户的画像值与各个参照画像值子集之间的第一距离，并根据各个参照画像值子集的第一距离和预设的时间区间系数计算所述待画像客户的画像值与参照画像值集合之间的第二距离；其中，各个参照画像值子集的时间区间系数与其时间区间距离当前系统时间的时长负相关；
    选取第二距离最短的客户标签作为与所述待画像客户的画像值对应的客户标签。
  11. 根据权利要求9所述的计算机可读存储介质，其中，所述因子权重的设置过程 包括：
    确定优化目标集合，所述优化目标集合中包括至少一个优化目标；
    从预设的数据库中获取训练样本集合，所述训练样本集合中的每个训练样本均包括一个历史客户在各个评估维度上的信息和在各个优化目标上的标签值；
    根据所述训练样本集合对目标维度上的因子权重进行迭代训练，在每次迭代训练过程中，在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值，所述目标维度为任意一个评估维度；
    根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差；
    将所述第一全局误差取得最小值时所对应的因子权重确定为在所述目标维度上训练好的因子权重。
  12. 根据权利要求11所述的计算机可读存储介质，其中，所述维度权重的设置过程包括：
    根据所述训练样本集合对所述维度权重进行迭代训练，在每次迭代训练过程中，分别计算每个训练样本在各个优化目标上的第二输出值；
    根据每个训练样本在各个优化目标上的第二输出值和标签值计算所述训练样本集合的第二全局误差；
    将所述第二全局误差取得最小值时所对应的维度权重确定为训练好的维度权重。
  13. 根据权利要求11所述的计算机可读存储介质，其中，所述在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值，包括：
    根据下式计算任意一个训练样本在第k个优化目标上的第一输出值：
    Figure PCTCN2020135552-appb-100004
    其中，1≤k≤K，K为所述优化目标集合中的优化目标总数，M k为所述目标维度上的各个评估因子的序号集合，w i为所述目标维度的第i个评估因子的因子权重，i∈M k，x′ i为该训练样本在所述目标维度的第i个评估因子上的归一化信息，b k为第k个优化目标的偏置项，σ为预设的激活函数，
    Figure PCTCN2020135552-appb-100005
    为该训练样本在第k个优化目标上的第一输出值。
  14. 根据权利要求13所述的计算机可读存储介质，其中，所述根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差，包括：
    根据下式计算任意一个训练样本的第一样本误差：
    Figure PCTCN2020135552-appb-100006
    其中，y k为该样本在第k个优化目标上的标签值，θ k为预设的第k个优化目标的相对权重，β为预设的正则化权重，L为该样本的第一样本误差；
    将各个训练样本的第一样本误差进行求和计算，得到所述训练样本集合的第一全局误差。
  15. 一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其中，所述处理器执行所述计算机可读指令时实现如下步骤：
    接收客户画像指令，并从所述客户画像指令中提取出待画像客户的客户标识；
    根据所述客户标识从预设的数据库中获取所述待画像客户在预设的各个评估维度上的信息，其中，每个评估维度上均包括若干个评估因子；
    对所述待画像客户在各个评估维度上的信息进行归一化处理，得到归一化信息；
    在各个评估维度上，分别根据预设的因子权重对各个评估因子上的归一化信息进行加权求和，得到各个评估维度上的评估值；
    根据预设的维度权重对各个评估维度上的评估值进行加权求和，得到所述待画像客户的画像值；
    选取与所述待画像客户的画像值对应的客户标签，并将选取的客户标签确定为所述待画像客户的画像结果。
  16. 根据权利要求15所述的终端设备，其中，所述选取与所述待画像客户的画像值对应的客户标签，包括：
    从预设的标签数据库中分别获取与预设的各个客户标签对应的参照画像值集合，每个参照画像值集合中均包括若干个参照画像值子集，每个参照画像值子集中均包括一个预设的时间区间内的若干个历史客户的参照画像值；
    对于每个客户标签，分别计算所述待画像客户的画像值与各个参照画像值子集之间的第一距离，并根据各个参照画像值子集的第一距离和预设的时间区间系数计算所述待画像客户的画像值与参照画像值集合之间的第二距离；其中，各个参照画像值子集的时间区间系数与其时间区间距离当前系统时间的时长负相关；
    选取第二距离最短的客户标签作为与所述待画像客户的画像值对应的客户标签。
  17. 根据权利要求15所述的终端设备，其中，所述因子权重的设置过程包括：
    确定优化目标集合，所述优化目标集合中包括至少一个优化目标；
    从预设的数据库中获取训练样本集合，所述训练样本集合中的每个训练样本均包括一个历史客户在各个评估维度上的信息和在各个优化目标上的标签值；
    根据所述训练样本集合对目标维度上的因子权重进行迭代训练，在每次迭代训练 过程中，在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值，所述目标维度为任意一个评估维度；
    根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差；
    将所述第一全局误差取得最小值时所对应的因子权重确定为在所述目标维度上训练好的因子权重。
  18. 根据权利要求17所述的终端设备，其中，所述维度权重的设置过程包括：
    根据所述训练样本集合对所述维度权重进行迭代训练，在每次迭代训练过程中，分别计算每个训练样本在各个优化目标上的第二输出值；
    根据每个训练样本在各个优化目标上的第二输出值和标签值计算所述训练样本集合的第二全局误差；
    将所述第二全局误差取得最小值时所对应的维度权重确定为训练好的维度权重。
  19. 根据权利要求17所述的终端设备，其中，所述在所述目标维度上分别计算每个训练样本在各个优化目标上的第一输出值，包括：
    根据下式计算任意一个训练样本在第k个优化目标上的第一输出值：
    Figure PCTCN2020135552-appb-100007
    其中，1≤k≤K，K为所述优化目标集合中的优化目标总数，M k为所述目标维度上的各个评估因子的序号集合，w i为所述目标维度的第i个评估因子的因子权重，i∈M k，x′ i为该训练样本在所述目标维度的第i个评估因子上的归一化信息，b k为第k个优化目标的偏置项，σ为预设的激活函数，
    Figure PCTCN2020135552-appb-100008
    为该训练样本在第k个优化目标上的第一输出值。
  20. 根据权利要求19所述的终端设备，其中，所述根据每个训练样本在各个优化目标上的第一输出值和标签值计算所述训练样本集合的第一全局误差，包括：
    根据下式计算任意一个训练样本的第一样本误差：
    Figure PCTCN2020135552-appb-100009
    其中，y k为该样本在第k个优化目标上的标签值，θ k为预设的第k个优化目标的相对权重，β为预设的正则化权重，L为该样本的第一样本误差；
    将各个训练样本的第一样本误差进行求和计算，得到所述训练样本集合的第一全局误差。
PCT/CN2020/135552 2020-08-28 2020-12-11 客户画像方法、装置、计算机可读存储介质及终端设备 WO2021147557A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010888273.X 2020-08-28
CN202010888273.XA CN112035541A (zh) 2020-08-28 2020-08-28 客户画像方法、装置、计算机可读存储介质及终端设备

Publications (1)

Publication Number Publication Date
WO2021147557A1 true WO2021147557A1 (zh) 2021-07-29

Family

ID=73587635

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/135552 WO2021147557A1 (zh) 2020-08-28 2020-12-11 客户画像方法、装置、计算机可读存储介质及终端设备

Country Status (2)

Country Link
CN (1) CN112035541A (zh)
WO (1) WO2021147557A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626499A (zh) * 2021-08-09 2021-11-09 青软创新科技集团股份有限公司 一种基于大数据数仓技术的学生画像挖掘实现方法
CN113780415A (zh) * 2021-09-10 2021-12-10 平安科技（深圳）有限公司 基于小程序游戏的用户画像生成方法、装置、设备及介质
CN114119058A (zh) * 2021-08-10 2022-03-01 国家电网有限公司 用户画像模型的构建方法、设备及存储介质
CN114417955A (zh) * 2021-12-02 2022-04-29 国网浙江省电力有限公司 适用乡村的电力指数画像实时生成方法、装置及存储介质
CN114722252A (zh) * 2022-03-18 2022-07-08 深圳市小满科技有限公司 一种基于用户画像的外贸用户分类方法及相关设备
CN114826682A (zh) * 2022-03-30 2022-07-29 京东科技信息技术有限公司 信息投放管理的方法、装置和系统
CN115545791A (zh) * 2022-10-19 2022-12-30 中电金信软件有限公司 一种客群画像生成方法、装置、电子设备及存储介质
CN115827934A (zh) * 2023-02-21 2023-03-21 四川省计算机研究院 基于统一社会信用代码的企业画像智能分析系统及方法
CN116089401A (zh) * 2023-02-17 2023-05-09 国网浙江省电力有限公司营销服务中心 用户数据管理方法及系统
CN116108086A (zh) * 2023-02-27 2023-05-12 广州汇通国信科技有限公司 一种时序数据的评估方法、装置、电子设备及存储介质
CN116452165A (zh) * 2023-03-22 2023-07-18 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质
CN116705337A (zh) * 2023-08-07 2023-09-05 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法
CN113626499B (zh) * 2021-08-09 2024-05-10 青软创新科技集团股份有限公司 一种基于大数据数仓技术的学生画像挖掘实现方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035541A (zh) * 2020-08-28 2020-12-04 平安科技（深圳）有限公司 客户画像方法、装置、计算机可读存储介质及终端设备
CN112580887B (zh) * 2020-12-25 2023-12-01 百果园技术(新加坡)有限公司 多目标融合评价的权重确定方法、装置、设备及存储介质
CN112801287A (zh) * 2021-01-26 2021-05-14 商汤集团有限公司 神经网络性能评估方法及装置、电子设备及存储介质
CN112598090B (zh) * 2021-03-08 2021-05-18 北京冠新医卫软件科技有限公司 健康画像的方法、装置、设备和系统
CN113064927A (zh) * 2021-03-24 2021-07-02 深圳市道通科技股份有限公司 客户筛选方法、装置、电子设备及计算机可读存储介质
CN113033444A (zh) * 2021-03-31 2021-06-25 北京金山云网络技术有限公司 年龄估计方法、装置和电子设备
CN112991110B (zh) * 2021-04-25 2024-02-02 湖南知名未来科技有限公司 多维度画像标准的客户类型识别方法及知识产权监控系统
CN113486041B (zh) * 2021-08-02 2022-04-15 南京邮电大学 一种基于区块链的客户画像管理方法及系统
CN113707296B (zh) * 2021-08-25 2024-04-02 深圳平安智慧医健科技有限公司 医疗方案数据处理方法、装置、设备及存储介质
CN113706019A (zh) * 2021-08-30 2021-11-26 平安银行股份有限公司 基于多维数据的业务能力分析方法、装置、设备及介质
CN113761134A (zh) * 2021-09-16 2021-12-07 平安国际智慧城市科技股份有限公司 用户画像构建方法、装置、计算机设备及存储介质
CN116883048B (zh) * 2023-07-12 2024-03-15 卓盛科技(广州)有限公司 基于人工智能的客户数据处理方法、装置及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180365715A1 (en) * 2015-12-02 2018-12-20 Tata Consultancy Services Limited Method and system for purchase behavior prediction of customers
CN110232150A (zh) * 2019-05-21 2019-09-13 平安科技（深圳）有限公司 一种用户数据分析方法、装置、可读存储介质及终端设备
CN110348879A (zh) * 2019-06-17 2019-10-18 阿里巴巴集团控股有限公司 用于确定用户行为价值的方法及装置
CN111352962A (zh) * 2018-12-24 2020-06-30 网智天元科技集团股份有限公司 客户画像构建方法及装置
CN112035541A (zh) * 2020-08-28 2020-12-04 平安科技（深圳）有限公司 客户画像方法、装置、计算机可读存储介质及终端设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399575A (zh) * 2018-01-24 2018-08-14 大连理工大学 一种基于社交媒体文本的大五人格预测方法
US10956455B2 (en) * 2018-10-17 2021-03-23 Clari Inc. Method for classifying and grouping users based on user activities
CN110096526A (zh) * 2019-04-30 2019-08-06 秒针信息技术有限公司 一种用户属性标签的预测方法及预测装置
CN110442761A (zh) * 2019-06-21 2019-11-12 深圳中琛源科技股份有限公司 一种用户画像构建方法、电子设备及存储介质
CN110490729B (zh) * 2019-08-16 2022-11-18 南京汇银迅信息技术有限公司 一种基于用户画像模型的金融用户分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180365715A1 (en) * 2015-12-02 2018-12-20 Tata Consultancy Services Limited Method and system for purchase behavior prediction of customers
CN111352962A (zh) * 2018-12-24 2020-06-30 网智天元科技集团股份有限公司 客户画像构建方法及装置
CN110232150A (zh) * 2019-05-21 2019-09-13 平安科技（深圳）有限公司 一种用户数据分析方法、装置、可读存储介质及终端设备
CN110348879A (zh) * 2019-06-17 2019-10-18 阿里巴巴集团控股有限公司 用于确定用户行为价值的方法及装置
CN112035541A (zh) * 2020-08-28 2020-12-04 平安科技（深圳）有限公司 客户画像方法、装置、计算机可读存储介质及终端设备

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626499A (zh) * 2021-08-09 2021-11-09 青软创新科技集团股份有限公司 一种基于大数据数仓技术的学生画像挖掘实现方法
CN113626499B (zh) * 2021-08-09 2024-05-10 青软创新科技集团股份有限公司 一种基于大数据数仓技术的学生画像挖掘实现方法
CN114119058A (zh) * 2021-08-10 2022-03-01 国家电网有限公司 用户画像模型的构建方法、设备及存储介质
CN114119058B (zh) * 2021-08-10 2023-09-26 国家电网有限公司 用户画像模型的构建方法、设备及存储介质
CN113780415A (zh) * 2021-09-10 2021-12-10 平安科技（深圳）有限公司 基于小程序游戏的用户画像生成方法、装置、设备及介质
CN113780415B (zh) * 2021-09-10 2023-08-15 平安科技（深圳）有限公司 基于小程序游戏的用户画像生成方法、装置、设备及介质
CN114417955A (zh) * 2021-12-02 2022-04-29 国网浙江省电力有限公司 适用乡村的电力指数画像实时生成方法、装置及存储介质
CN114417955B (zh) * 2021-12-02 2023-10-31 国网浙江省电力有限公司 适用乡村的电力指数画像实时生成方法、装置及存储介质
CN114722252A (zh) * 2022-03-18 2022-07-08 深圳市小满科技有限公司 一种基于用户画像的外贸用户分类方法及相关设备
CN114826682A (zh) * 2022-03-30 2022-07-29 京东科技信息技术有限公司 信息投放管理的方法、装置和系统
CN115545791A (zh) * 2022-10-19 2022-12-30 中电金信软件有限公司 一种客群画像生成方法、装置、电子设备及存储介质
CN116089401A (zh) * 2023-02-17 2023-05-09 国网浙江省电力有限公司营销服务中心 用户数据管理方法及系统
CN116089401B (zh) * 2023-02-17 2023-09-05 国网浙江省电力有限公司营销服务中心 用户数据管理方法及系统
CN115827934B (zh) * 2023-02-21 2023-05-09 四川省计算机研究院 基于统一社会信用代码的企业画像智能分析系统及方法
CN115827934A (zh) * 2023-02-21 2023-03-21 四川省计算机研究院 基于统一社会信用代码的企业画像智能分析系统及方法
CN116108086A (zh) * 2023-02-27 2023-05-12 广州汇通国信科技有限公司 一种时序数据的评估方法、装置、电子设备及存储介质
CN116108086B (zh) * 2023-02-27 2023-09-26 广州汇通国信科技有限公司 一种时序数据的评估方法、装置、电子设备及存储介质
CN116452165A (zh) * 2023-03-22 2023-07-18 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质
CN116705337B (zh) * 2023-08-07 2023-10-27 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法
CN116705337A (zh) * 2023-08-07 2023-09-05 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法

Also Published As

Publication number Publication date
CN112035541A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
WO2021147557A1 (zh) 客户画像方法、装置、计算机可读存储介质及终端设备
TWI788529B (zh) 基於ｌｓｔｍ模型的信用風險預測方法及裝置
TWI712981B (zh) 風險辨識模型訓練方法、裝置及伺服器
Arévalo et al. High-frequency trading strategy based on deep neural networks
CN111724083A (zh) 金融风险识别模型的训练方法、装置、计算机设备及介质
CN110175850B (zh) 一种交易信息的处理方法及装置
WO2020258994A1 (zh) 一种节点数据预测方法及装置
CN113095927B (zh) 一种反洗钱可疑交易识别方法及设备
WO2021174875A1 (zh) 人脸特征向量动态调整方法及相关设备
WO2022105016A1 (zh) 一种股票价格走势预测方法、系统、终端以及存储介质
CN113657993A (zh) 信用风险识别方法、装置、设备及存储介质
Meoli et al. Machine-learning forecasting of successful ICOs
CN110796539A (zh) 一种征信评估方法及装置
Fong et al. Covariate balancing propensity score for general treatment regimes
Sachdeva et al. A novel approach to augment single-arm clinical studies with real-world data
CN113869342A (zh) 预估性建模中的标记偏移检测和调整
Dehghani et al. Crude oil price forecasting: a biogeography-based optimization approach
Manzo et al. Deep learning credit risk modeling
US20140344022A1 (en) Competitor response model based pricing tool
CN114418776A (zh) 一种数据处理方法、装置、终端设备及介质
Jeong et al. Nonparametric estimation of value-at-risk
CN113706258A (zh) 基于组合模型的产品推荐方法、装置、设备及存储介质
Wu et al. Applying a probabilistic network method to solve business-related few-shot classification problems
CN111160929A (zh) 一种客户类型的确定方法及装置
US20240161117A1 (en) Trigger-Based Electronic Fund Transfers

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: 20914939

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20914939

Country of ref document: EP

Kind code of ref document: A1