CN110349039A - 投诉风险评估方法、***、计算机设备及可读存储介质 - Google Patents
投诉风险评估方法、***、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN110349039A CN110349039A CN201910511934.4A CN201910511934A CN110349039A CN 110349039 A CN110349039 A CN 110349039A CN 201910511934 A CN201910511934 A CN 201910511934A CN 110349039 A CN110349039 A CN 110349039A
- Authority
- CN
- China
- Prior art keywords
- data
- complaint
- declaration form
- customer
- risk
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims description 22
- 238000012502 risk assessment Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 241001269238 Data Species 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims 4
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 235000021167 banquet Nutrition 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供了一种基于大数据的投诉风险评估方法,所述方法包括:接收客户投诉数据;判断所述客户投诉数据中是否包括保单基本信息;如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据;将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数;判断所述投诉风险系数是否大于预设阈值;根据所述投诉风险系数确定将所述客户投诉数据发送至第一电子设备或发送至第二电子设备。可以通过不同维度的关联数据对评估客户投诉事件的投诉风险,并根据评估结果提前确定解决途径。
Description
技术领域
本发明实施例涉及计算机数据处理领域,尤其涉及一种基于大数据的投诉风险评估方法、***、计算机设备及计算机可读存储介质。
背景技术
随着人们保险意识逐渐增强,商业保险已经成为当前社会保障体系的重要组成部分。根据可参考数据,部分保险机构的保单数量在千万级别。在这些保单交易过程中,难免会在一些服务环节(如新契约、保全、续期、理赔等服务环节)出现一些服务不周的情况,从而导致出现客户投诉事件。
这些投诉事件的投诉缘由和内容叙述各有不同,为应对这些投诉事件,当前的解决方案是:1、聘请大量的坐席人员或者调解专家,通过人工途径来解决这些投诉事件;2、通过智能语音机器人来解决这些投诉事件。
不难理解,通过大量坐席人员或者调解专家来解决客户投诉事件,会增加人工成本;通过智能语音机器人来解决客户投诉事件,可能会导致投诉事件的进一步恶化,进而使得客户投诉至向行政部门,如投诉至中国保险监督管理委员会。因此,如何评估每个客户投诉事件的投诉风险并根据评估结果提前确定解决途径,是当前要解决的技术问题之一。
发明内容
有鉴于此,本发明实施例的目的是提供一种基于大数据的投诉风险评估方法、***、计算机设备及计算机可读存储介质,可以对每个客户投诉事件的投诉风险并根据评估结果提前确定解决途径。
为实现上述目的,本发明实施例提供了一种基于大数据的投诉风险评估方法,包括以下步骤:
接收客户投诉数据;
判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号;
如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据,所述关联数据包括业务员数据、客户数据、保单数据和业务数据;
将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数;
判断所述投诉风险系数是否大于预设阈值;
如果所述投诉风险系数大于所述预设阈值,将所述客户投诉数据发送至第一电子设备;及
如果所述投诉风险系数不大于所述预设阈值,将所述客户投诉数据发送至第二电子设备。
优选地,如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据的步骤,包括:
根据所述保单基本获取所述客户投诉数据所针对目标案件的保单业务来源,所述保单业务来源用于判断是否将所述客户投诉数据发送至所述第一电子设备;
如果所述目标案件的保单业务来源为目标来源,将所述客户投诉数据发送至第一电子设备;及
如果所述目标案件的保单业务来源不为目标来源,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据。
优选地,如果所述目标案件的保单业务来源不为目标来源,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据的步骤,包括:
对所述客户投诉数据与多个目标字符串进行匹配;
当所述客户投诉数据与所述多个目标字符串中的至少一个目标字符串匹配时,将所述客户投诉数据发送至第一电子设备;
当所述客户投诉数据与所述多个目标字符串中的任何一个目标字符串均不匹配时,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据。
优选地,对所述客户投诉数据与多个目标字符串进行匹配的步骤,包括:
根据规则字符串检测所述客户投诉数据中是否目标字符串;
所述规则字符串是根据字符串集合和正则表达式配置而成的。
优选地,还包括:
获取样本数据集合,所述样本数据集合包括高风险客户投诉的第一样本数据集合和非高风险客户投诉的第二样本数据集合;
分析所述样本数据集合中的各个特征数据与高风险客户投诉事件之间的相关性系数;
根据各个特征数据与高风险客户投诉事件之间的相关性系数,选择相关性系数高于预设阈值的多个特征数据;
判断所述多个特征数据是否包括一个或多个保单业务来源;及
如果所述多个特征数据包括一个或多个保单业务来源,将该一个或多个保单业务来源确定为所述目标来源。
优选地,所述接收客户投诉数据的步骤之前,还包括:
获取客户投诉的训练数据集合,所述训练数据集合包括多个投诉样本案件对应的多个案件风险数据,每个案件风险数据包括业务员数据、客户数据、保单数据和业务数据;及
基于所述训练数据集合训练所述投诉风险评估模型,得到训练后的投诉风险评估模型。
优选地,得到训练后的投诉风险评估模型的步骤和接收客户投诉数据的步骤之间,包括:
获取多个个时间区间产生的高风险客户投诉的第一验证数据集合和非高风险客户投诉的第二验证数据集合;
将所述第一验证数据集合的多个验证样本和所述第二验证数据中的多个验证样本进行混合,得到跨时间验证集合;
将所述跨时间验证集合中的多个验证数据输入到所述投诉风险评估模型中,以得到所述投诉风险评估模型输出的投诉风险评估结果;
根据所述投诉风险评估模型的投诉风险评估结果,计算所述投诉风险评估模型的评估准确率和稳定系数;
根据所述评估准确率和稳定系数,确定所述投诉风险评估模型是否用于评估所述客户投诉数据。
为实现上述目的,本发明实施例还提供了基于大数据的投诉风险评估***,包括:
接收模块,用于接收客户投诉数据;
第一判断模块,用于判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号;
第一获取模块,用于如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据,所述关联数据包括业务员数据、客户数据、保单数据和业务数据;
第二获取模块,用于将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数;
第二判断模块,用于判断所述投诉风险系数是否大于预设阈值;
导流模块,用于如果所述投诉风险系数大于所述预设阈值,将所述客户投诉数据发送至第一电子设备;及用于如果所述投诉风险系数不大于所述预设阈值,将所述客户投诉数据发送至第二电子设备。
为实现上述目的,本发明实施例还提供了一种计算机设备,所述计算机设备存储器、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程序,所述计算机程序被处理器执行时实现如上所述的基于大数据的投诉风险评估方法的步骤。
为实现上述目的,本发明实施例还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内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的基于大数据的投诉风险评估方法的步骤。
本发明实施例提供的基于大数据的投诉风险评估方法、***、计算机设备及计算机可读存储介质,通过挖掘投诉案件的关联数据,通过不同维度的关联数据对评估客户投诉事件的投诉风险,并根据评估结果提前确定解决途径。
附图说明
图1为本发明基于大数据的投诉风险评估方法实施例一的流程图。
图2为本发明基于大数据的投诉风险评估方法实施例二的流程图。
图3为本发明基于大数据的投诉风险评估方法实施例三的流程图。
图4为本发明基于大数据的投诉风险评估***实施例四的程序模块示意图。
图5为本发明计算机设备实施例五的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
以下实施例将以计算机设备2为执行主体进行示例性描述。
实施例一
参阅图1,示出了本发明实施例一之基于大数据的投诉风险评估方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤S100,接收客户投诉数据。
所述客户投诉数据包括文本数据和语音数据。
所述文本数据,如客户通过网络投诉平台提交的投诉信息,或通过投诉邮箱提交的投诉信息。
所述语音数据,如客户通过支持语音输入的投诉平台提交的语音投诉信息,或者电话投诉信息。当为语音数据时,由计算机设备执行语音识别得到文本信息。
步骤S102,判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号。如果是,进入步骤S104;否则进入步骤S110。
所述保单基本信息可以包括保单号、客户号等。所述保单号是指投保人向保险公司投保成功后,保险公司出具保险合同的编号。所述客户号是保险公司为每个客户配置的一个身份编号。
步骤S104,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据。下一步进入步骤S108。
例如,根据保单基本信息中的保单号或客户号,从数据库中查找所述客户投诉案件所针对目标案件的关联数据。
所述关联数据包括业务员数据、客户数据、保单数据和业务数据。
所述业务员数据,指的是办理所述目标案件的业务员的相关信息,如业务员性别、年龄、从业年限、所属渠道、职级、机构、EPASS考试得分、入职前职业参考、婚姻状态、销售习惯(客户数量、有效客户、投保客户数量)、佣金提成、产品销售数据、所属团队等。
所述客户数据,指的是所述目标案件的客户的相关信息,如客户性别、年龄、职业、投诉记录等。
所述保单数据,指的是所述目标案件的保单的相关信息,如保单状态、保单性质、保费等。
所述业务数据,指的是所述目标案件的业务的相关信息,如新契约、城堡、保全、理赔等。
步骤S106,将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数。
所述投诉风险评估模型可以为逻辑回归模型、梯度提升决策树和逻辑回归的组合模型、梯度提升决策树和因子分解机的组合模型,或其他模型。
所述投诉风险系数用于量化所述客户的反映程度,比如:
投诉风险系数高,如:可能会被客户投诉至向行政部门的投诉事件;
投诉风险系数低,如:可能是由于信息不对称,造成的误会,仅沟通解释就能解决的投诉事件。
步骤S108,判断所述投诉风险系数是否大于预设阈值。如果大于预设阈值,进入步骤S110,否则进入步骤S112。
步骤S110,将所述客户投诉数据发送至第一电子设备。
所述第一电子设备可以是台式电脑、智能手机、平板电脑、座机电话。
具体的,将所述客户投诉数据发送至坐席人员或谈判专家的台式电脑等设备中,提示坐席人员或谈判专家来解决该投诉事件。
也可以将该客户投诉数据所针对的目标案件配置到指定的手机或电话上,由坐席人员或谈判专家直接接听客户投诉。该种情况尤其适合于客户通过电话投诉的投诉场景。
步骤S112,将所述客户投诉数据发送至第二电子设备。
所述第二电子设备内置有预开发的智能机器人***,该智能机器人***用于根据所述客户投诉数据,通过语音或文字等形式回复客户。
实施例二
参阅图2,示出了本发明实施例二之基于大数据的投诉风险评估方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤S200,接收客户投诉数据。
所述客户投诉数据包括文本数据和语音数据。
所述文本数据,如客户通过网络投诉平台提交的投诉信息,或通过投诉邮箱提交的投诉信息。
所述语音数据,如客户通过支持语音输入的投诉平台提交的语音投诉信息,或者电话投诉信息。当为语音数据时,由计算机设备执行语音识别得到文本信息。
步骤S202,判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号。如果是,进入步骤S204,否则进入步骤S214。
所述保单基本信息可以包括保单号、客户号等。所述保单号是指投保人向保险公司投保成功后,保险公司出具保险合同的编号。所述客户号是保险公司为每个客户配置的一个身份编号。
步骤S204,根据所述保单基本获取所述客户投诉数据所针对目标案件的保单业务来源。
所述保单业务来源用于判断是否将所述客户投诉数据发送至第一电子设备。所述保单业务来源包括网络销售来源、电话销售来源、业务员面对面销售来源、银行保险来源等。
步骤S206,判断所述目标案件的保单业务来源是否为目标来源。如果是进入步骤S214;否则进入步骤S208。
如何确定所述保单业务来源中哪些属于目标来源,可以如下方式:
第一,通过用户自定义来确定目标来源;
第二,通过样本数据分析来确定目标来源,具体如下:
1.1,获取样本数据集合,所述样本数据集合包括高风险客户投诉的第一样本数据集合和非高风险客户投诉的第二样本数据集合;
高风险客户投诉的第一样本数据集合:比如,根据用户定义均以及被投诉到行政机构的多个样本的样本集合;
非高风险客户投诉的第二样本数据集合:比如,未被投诉至行政机构的多个样本的样本集合。
1.2,分析所述样本数据集合中的各个特征数据与高风险客户投诉事件之间的相关性系数;
特征数据为关联数据中的子数据,如以性别“男”为例进行解释,统计第一样本数据集合的男性占比和第二样本数据集合的男性占比,如果第一样本数据集合的男性占比和第二样本数据集合的男性占比大致相同,则认为性别相关性低,否则性别相关度高。相关度的高低可以通过相关度系数进行量化,如将占比差值或的绝对值作为相关度系数。
1.3,根据各个特征数据与高风险客户投诉事件之间的相关性系数,选择相关性系数高于预设阈值的多个特征数据;
1.4,判断所述多个特征数据是否包括一个或多个保单业务来源;
1.5,如果所述多个特征数据包括一个或多个保单业务来源,将该一个或多个保单业务来源确定为所述目标来源。
例如,将“电话销售”和“网上销售”确定为目标来源。
不难理解,如果步骤S204中查询到的保单业务来源为“电话销售”,则说明该目标案件的保单来源为目标来源。
步骤S208,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据。下一步进入步骤S210。
例如,根据保单基本信息中的保单号或客户号,从数据库中查找所述客户投诉案件所针对目标案件的关联数据。
所述关联数据包括业务员数据、客户数据、保单数据和业务数据。
所述业务员数据,指的是办理所述目标案件的业务员的相关信息,如业务员性别、年龄、从业年限、销售习惯、佣金提成、产品销售数据、所属团队等。
所述客户数据,指的是所述目标案件的客户的相关信息,如客户性别、年龄、职业、投诉记录等。
所述保单数据,指的是所述目标案件的保单的相关信息,如保单状态、保单性质、保费等。
所述业务数据,指的是所述目标案件的业务的相关信息,如新契约、城堡、保全、理赔等。
步骤S210,将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数。
所述投诉风险评估模型可以为逻辑回归模型、梯度提升决策树和逻辑回归的组合模型、梯度提升决策树和因子分解机的组合模型,或其他模型。
所述投诉风险系数用于量化所述客户的反映程度,比如:
投诉风险系数高,如:可能会被客户投诉至向行政部门的投诉事件;
投诉风险系数低,如:可能是由于信息不对称,造成的误会,仅沟通解释就能解决的投诉事件。
步骤S212,判断所述投诉风险系数是否大于预设阈值。如果大于预设阈值,进入步骤S214;否则进入步骤S216。
步骤S214,将所述客户投诉数据发送至第一电子设备。
所述第一电子设备可以是台式电脑、智能手机、平板电脑、座机电话。
具体的,将所述客户投诉数据发送至坐席人员或谈判专家的台式电脑等设备中,提示坐席人员或谈判专家来解决该投诉事件。
也可以将该客户投诉数据所针对的目标案件配置到指定的手机或电话上,由坐席人员或谈判专家直接接听客户投诉。该种情况尤其适合于客户通过电话投诉的投诉场景。
步骤S216,将所述客户投诉数据发送至第二电子设备。
所述第二电子设备内置有预开发的智能机器人***,该智能机器人***用于根据所述客户投诉数据,通过语音或文字等形式回复客户。
实施例三
参阅图3,示出了本发明实施例三之基于大数据的投诉风险评估方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤S300,接收客户投诉数据。
步骤S302,判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号。如果是,进入步骤S304;否则进入步骤S318。
所述保单基本信息可以包括保单号、客户号等。所述保单号是指投保人向保险公司投保成功后,保险公司出具保险合同的编号。所述客户号是保险公司为每个客户配置的一个身份编号。
步骤S304,根据所述保单基本获取所述客户投诉数据所针对目标案件的保单业务来源。
所述保单业务来源用于判断是否将所述客户投诉数据发送至第一电子设备。所述保单业务来源包括网络销售来源、电话销售来源、业务员面对面销售来源、银行保险来源等。
步骤S306,判断所述目标案件的保单业务来源是否为目标来源。如果是进入步骤S318;否则进入步骤S108。
如何确定所述保单业务来源中哪些属于目标来源,可以如下方式:通过用户自定义来确定目标来源;通过样本数据分析来确定目标来源。
步骤S308,对所述客户投诉数据与多个目标字符串进行匹配。
具体的,根据规则字符串检测所述客户投诉数据中是否目标字符串。所述规则字符串是根据字符串集合和正则表达式配置而成的。
步骤S310,判断是否与所述多个目标字符串中的至少一个目标字符串匹配。如果是,进入步骤S318;否则进入步骤S312。
步骤S312,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据。下一步进入步骤S314。
例如,根据保单基本信息中的保单号或客户号,从数据库中查找所述客户投诉案件所针对目标案件的关联数据。
所述关联数据包括业务员数据、客户数据、保单数据和业务数据。
步骤S314,将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数。
所述投诉风险评估模型可以为逻辑回归模型、梯度提升决策树和逻辑回归的组合模型、梯度提升决策树和因子分解机的组合模型,或其他模型。
步骤S316,判断所述投诉风险系数是否大于预设阈值。如果大于预设阈值,进入步骤S318,否则进入步骤S320。
步骤S318,将所述客户投诉数据发送至第一电子设备。
步骤S320,将所述客户投诉数据发送至第二电子设备。
在一实施例中:
步骤S300之前,还包括训练所述投诉风险评估模型的步骤:
1.1,获取客户投诉的训练数据集合,所述训练数据集合包括多个投诉样本案件对应的多个案件风险数据,每个案件风险数据包括业务员数据、客户数据、保单数据和业务数据;及
1.2,基于所述训练数据集合训练所述投诉风险评估模型,得到训练后的投诉风险评估模型。
在一实施例中:
步骤S300之前,对已训练的投诉风险评估模型进行验证的步骤:
2.1,获取多个个时间区间产生的高风险客户投诉的第一验证数据集合和非高风险客户投诉的第二验证数据集合。
2.2,将所述第一验证数据集合的多个验证样本和所述第二验证数据中的多个验证样本进行混合,得到跨时间验证集合。
2.3,将所述跨时间验证集合中的多个验证数据输入到所述投诉风险评估模型中,以得到所述投诉风险评估模型输出的投诉风险评估结果。
2.4,根据所述投诉风险评估模型的投诉风险评估结果,计算所述投诉风险评估模型的评估准确率和稳定系数。
根据所述跨时间验证集中的每个高风险验证样本的风险系数和每个非高风险验证样本的风险系数,统计所述多个高风险验证样本以及所述多个非高风险验证样本的被验证正确率。例如,以0.7为风险系数阈值,当某个高风险验证样本的风险系数大于0.7时,说明验证正确,否则验证失败;当某个非高风险验证样本的风险系数不大于0.7时,说明验证正确,否则验证失败。
进一步的,还可以根据所述跨时间验证集中的每个高风险验证样本的风险系数和每个非高风险验证样本的风险系数,来计算投诉风险评估模型的稳定系数。进一步的,所述稳定系数可以通过标准差公式得到,例如分别计算所述多个高风险验证样本的第一稳定系数和所述多个非高风险验证样本的第二稳定系数,以得到投诉保险风险评估模型的稳定系数。
2.5,根据所述评估准确率和稳定系数,确定所述投诉风险评估模型是否用于评估所述客户投诉数据。
实施例四
请继续参阅图4,示出了本发明基于大数据的投诉风险评估***实施例四的程序模块示意图。在本实施例中,基于大数据的投诉风险评估***20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述基于大数据的投诉风险评估方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述基于大数据的投诉风险评估***20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
接收模块200,用于接收客户投诉数据。
第一判断模块202,用于判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号。
第一获取模块204,用于如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据,所述关联数据包括业务员数据、客户数据、保单数据和业务数据。
第二获取模块206,用于将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数。
第二判断模块208,用于判断所述投诉风险系数是否大于预设阈值。
导流模块210,用于如果所述投诉风险系数大于所述预设阈值,将所述客户投诉数据发送至第一电子设备;及如果所述投诉风险系数不大于所述预设阈值,将所述客户投诉数据发送至第二电子设备。
在示例性的实施例中,第一获取模块204,还用于:根据所述保单基本获取所述客户投诉数据所针对目标案件的保单业务来源,所述保单业务来源用于判断是否将所述客户投诉数据发送至所述第一电子设备。如果所述目标案件的保单业务来源为目标来源,通过所述导流模块210将所述客户投诉数据发送至第一电子设备。如果所述目标案件的保单业务来源不为目标来源,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据。
在示例性的实施例中,如果所述目标案件的保单业务来源不为目标来源,第一获取模块204,还用于:对所述客户投诉数据与多个目标字符串进行匹配;当所述客户投诉数据与所述多个目标字符串中的至少一个目标字符串匹配时,通过所述导流模块210将所述客户投诉数据发送至第一电子设备。当所述客户投诉数据与所述多个目标字符串中的任何一个目标字符串均不匹配时,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据。
其中,对所述客户投诉数据与多个目标字符串进行匹配的步骤,包括:根据规则字符串检测所述客户投诉数据中是否目标字符串。所述规则字符串是根据字符串集合和正则表达式配置而成的。
在示例性的实施例中,还包括训练模块212,用于训练所述投诉风险评估模型。所述训练模块212用于:
获取样本数据集合,所述样本数据集合包括高风险客户投诉的第一样本数据集合和非高风险客户投诉的第二样本数据集合;分析所述样本数据集合中的各个特征数据与高风险客户投诉事件之间的相关性系数;根据各个特征数据与高风险客户投诉事件之间的相关性系数,选择相关性系数高于预设阈值的多个特征数据;判断所述多个特征数据是否包括一个或多个保单业务来源;及如果所述多个特征数据包括一个或多个保单业务来源,将该一个或多个保单业务来源确定为所述目标来源。
在示例性的实施例中,还包括数据收集模块214,用于收集训练所述投诉风险评估模型的训练数据集合。所述数据收集模型214用于:
获取客户投诉的训练数据集合,所述训练数据集合包括多个投诉样本案件对应的多个案件风险数据,每个案件风险数据包括业务员数据、客户数据、保单数据和业务数据;及基于所述训练数据集合训练所述投诉风险评估模型,得到训练后的投诉风险评估模型。
在示例性的实施例中,还包括验证模块216,用于验证所述投诉风险评估模型。所述验证模块216用于:
获取多个个时间区间产生的高风险客户投诉的第一验证数据集合和非高风险客户投诉的第二验证数据集合;将所述第一验证数据集合的多个验证样本和所述第二验证数据中的多个验证样本进行混合,得到跨时间验证集合;将所述跨时间验证集合中的多个验证数据输入到所述投诉风险评估模型中,以得到所述投诉风险评估模型输出的投诉风险评估结果;根据所述投诉风险评估模型的投诉风险评估结果,计算所述投诉风险评估模型的评估准确率和稳定系数;根据所述评估准确率和稳定系数,确定所述投诉风险评估模型是否用于评估所述客户投诉数据。
实施例五
参阅图5,是本发明实施例五之计算机设备的硬件架构示意图。本实施例中,所述计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。该计算机设备2可以是个人电脑、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图所示,所述计算机设备2至少包括,但不限于,可通过***总线相互通信连接存储器21、处理器22、网络接口23、以及基于大数据的投诉风险评估***20。其中:
本实施例中,存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备2的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备2的操作***和各类应用软件,例如实施例五的基于大数据的投诉风险评估***20的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行基于大数据的投诉风险评估***10,以实现实施例一、二或三的基于大数据的投诉风险评估方法。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子设备之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图5仅示出了具有部件20-23的计算机设备2,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器21中的所述基于大数据的投诉风险评估***20还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。
例如,图4示出了所述实现基于大数据的投诉风险评估***20实施例四的程序模块示意图,该实施例中,所述基于大数据的投诉风险评估***20可以被划分为接收模块200、第一判断模块202、第一获取模块204、第二获取模块206、第二判断模块208、导流模块210、训练模块212、数据收集模块214和验证模块216。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述基于大数据的投诉风险评估***20在所述计算机设备2中的执行过程。所述程序模块200-216的具体功能在实施例四中已有详细描述,在此不再赘述。
实施例六
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于大数据的投诉风险评估***20,被处理器执行时实现实施例一、二或三的基于大数据的投诉风险评估方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于大数据的投诉案件处理方法,其特征在于,所述方法包括:
接收客户投诉数据;
判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号;
如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据,所述关联数据包括业务员数据、客户数据、保单数据和业务数据;
将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数;
判断所述投诉风险系数是否大于预设阈值;
如果所述投诉风险系数大于所述预设阈值,将所述客户投诉数据发送至第一电子设备;及
如果所述投诉风险系数不大于所述预设阈值,将所述客户投诉数据发送至第二电子设备。
2.根据权利要求1所述的基于大数据的投诉案件处理方法,其特征在于,
如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据的步骤,包括:
根据所述保单基本获取所述客户投诉数据所针对目标案件的保单业务来源,所述保单业务来源用于判断是否将所述客户投诉数据发送至所述第一电子设备;
如果所述目标案件的保单业务来源为目标来源,将所述客户投诉数据发送至第一电子设备;及
如果所述目标案件的保单业务来源不为目标来源,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据。
3.根据权利要求2所述的基于大数据的投诉案件处理方法,其特征在于,
如果所述目标案件的保单业务来源不为目标来源,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据的步骤,包括:
对所述客户投诉数据与多个目标字符串进行匹配;
当所述客户投诉数据与所述多个目标字符串中的至少一个目标字符串匹配时,将所述客户投诉数据发送至第一电子设备;
当所述客户投诉数据与所述多个目标字符串中的任何一个目标字符串均不匹配时,根据所述保单基本获取所述客户投诉数据所针对目标案件的关联数据。
4.根据权利要求3所述的基于大数据的投诉案件处理方法,其特征在于,
对所述客户投诉数据与多个目标字符串进行匹配的步骤,包括:
根据规则字符串检测所述客户投诉数据中是否目标字符串;
所述规则字符串是根据字符串集合和正则表达式配置而成的。
5.根据权利要求2~4任意一项所述的基于大数据的投诉风险评估方法,其特征在于,还包括:
获取样本数据集合,所述样本数据集合包括高风险客户投诉的第一样本数据集合和非高风险客户投诉的第二样本数据集合;
分析所述样本数据集合中的各个特征数据与高风险客户投诉事件之间的相关性系数;
根据各个特征数据与高风险客户投诉事件之间的相关性系数,选择相关性系数高于预设阈值的多个特征数据;
判断所述多个特征数据是否包括一个或多个保单业务来源;及
如果所述多个特征数据包括一个或多个保单业务来源,将该一个或多个保单业务来源确定为所述目标来源。
6.根据权利要求1~4任意一项所述的基于大数据的投诉风险评估方法,其特征在于,
所述接收客户投诉数据的步骤之前,还包括:
获取客户投诉的训练数据集合,所述训练数据集合包括多个投诉样本案件对应的多个案件风险数据,每个案件风险数据包括业务员数据、客户数据、保单数据和业务数据;及
基于所述训练数据集合训练所述投诉风险评估模型,得到训练后的投诉风险评估模型。
7.根据权利要求6所述的基于大数据的投诉风险评估方法,其特征在于,
得到训练后的投诉风险评估模型的步骤和接收客户投诉数据的步骤之间,包括:
获取多个个时间区间产生的高风险客户投诉的第一验证数据集合和非高风险客户投诉的第二验证数据集合;
将所述第一验证数据集合的多个验证样本和所述第二验证数据中的多个验证样本进行混合,得到跨时间验证集合;
将所述跨时间验证集合中的多个验证数据输入到所述投诉风险评估模型中,以得到所述投诉风险评估模型输出的投诉风险评估结果;
根据所述投诉风险评估模型的投诉风险评估结果,计算所述投诉风险评估模型的评估准确率和稳定系数;
根据所述评估准确率和稳定系数,确定所述投诉风险评估模型是否用于评估所述客户投诉数据。
8.一种基于大数据的投诉风险评估***,其特征在于,包括:
接收模块,用于接收客户投诉数据;
第一判断模块,用于判断所述客户投诉数据中是否包括保单基本信息,所述保单基本信息包括保单号;
第一获取模块,用于如果所述客户投诉数据中包括所述保单基本信息,根据所述保单基本信息获取所述客户投诉数据所针对目标案件的关联数据,所述关联数据包括业务员数据、客户数据、保单数据和业务数据;
第二获取模块,用于将所述关联数据输入到投诉风险评估模型中,通过所述投诉风险评估模型获取所述客户投诉数据对应的投诉风险系数;
第二判断模块,用于判断所述投诉风险系数是否大于预设阈值;
导流模块,用于如果所述投诉风险系数大于所述预设阈值,将所述客户投诉数据发送至第一电子设备;及用于如果所述投诉风险系数不大于所述预设阈值,将所述客户投诉数据发送至第二电子设备。
9.一种计算机设备,所述计算机设备存储器、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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于大数据的投诉风险评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1至7中任一项所述的基于大数据的投诉风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511934.4A CN110349039B (zh) | 2019-06-13 | 2019-06-13 | 投诉风险评估方法、***、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511934.4A CN110349039B (zh) | 2019-06-13 | 2019-06-13 | 投诉风险评估方法、***、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349039A true CN110349039A (zh) | 2019-10-18 |
CN110349039B CN110349039B (zh) | 2024-03-05 |
Family
ID=68182027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910511934.4A Active CN110349039B (zh) | 2019-06-13 | 2019-06-13 | 投诉风险评估方法、***、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349039B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126783A (zh) * | 2019-11-29 | 2020-05-08 | 广东电网有限责任公司 | 一种基于大数据的客户投诉风险评级方法及装置 |
CN112330468A (zh) * | 2020-11-03 | 2021-02-05 | 中国平安财产保险股份有限公司 | 识别风险客户的方法、装置、设备及存储介质 |
CN112651635A (zh) * | 2020-12-28 | 2021-04-13 | 长沙市到家悠享网络科技有限公司 | 风险识别方法、装置、电子设备及存储介质 |
CN112927091A (zh) * | 2021-04-08 | 2021-06-08 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
CN113592315A (zh) * | 2021-08-04 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 一种处理纠纷单的方法和装置 |
CN115564332A (zh) * | 2022-10-08 | 2023-01-03 | 深圳中科保泰科技有限公司 | 基于大数据的政务风险分析方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120035977A1 (en) * | 2010-08-03 | 2012-02-09 | Bank Of America Corporation | Enterprise Consumer Complaints Program |
US20120047053A1 (en) * | 2010-08-18 | 2012-02-23 | The Western Union Company | Systems and methods for assessing fraud risk |
US20120259673A1 (en) * | 2011-04-08 | 2012-10-11 | Welch Allyn, Inc. | Risk-Based Complaint Management System |
CN106530127A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析*** |
CN108108352A (zh) * | 2017-12-18 | 2018-06-01 | 广东广业开元科技有限公司 | 一种基于机器学习文本挖掘技术的企业投诉风险预警方法 |
CN109816399A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 投诉件的管理方法、装置、计算机设备和存储介质 |
CN109858702A (zh) * | 2019-02-14 | 2019-06-07 | 中国联合网络通信集团有限公司 | 客户升级投诉的预测方法、装置、设备及可读存储介质 |
CN109872162A (zh) * | 2018-11-21 | 2019-06-11 | 阿里巴巴集团控股有限公司 | 一种处理用户投诉信息的风控分类识别方法及*** |
-
2019
- 2019-06-13 CN CN201910511934.4A patent/CN110349039B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120035977A1 (en) * | 2010-08-03 | 2012-02-09 | Bank Of America Corporation | Enterprise Consumer Complaints Program |
US20120047053A1 (en) * | 2010-08-18 | 2012-02-23 | The Western Union Company | Systems and methods for assessing fraud risk |
US20120259673A1 (en) * | 2011-04-08 | 2012-10-11 | Welch Allyn, Inc. | Risk-Based Complaint Management System |
CN106530127A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析*** |
CN108108352A (zh) * | 2017-12-18 | 2018-06-01 | 广东广业开元科技有限公司 | 一种基于机器学习文本挖掘技术的企业投诉风险预警方法 |
CN109872162A (zh) * | 2018-11-21 | 2019-06-11 | 阿里巴巴集团控股有限公司 | 一种处理用户投诉信息的风控分类识别方法及*** |
CN109816399A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 投诉件的管理方法、装置、计算机设备和存储介质 |
CN109858702A (zh) * | 2019-02-14 | 2019-06-07 | 中国联合网络通信集团有限公司 | 客户升级投诉的预测方法、装置、设备及可读存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126783A (zh) * | 2019-11-29 | 2020-05-08 | 广东电网有限责任公司 | 一种基于大数据的客户投诉风险评级方法及装置 |
CN112330468A (zh) * | 2020-11-03 | 2021-02-05 | 中国平安财产保险股份有限公司 | 识别风险客户的方法、装置、设备及存储介质 |
CN112330468B (zh) * | 2020-11-03 | 2023-10-27 | 中国平安财产保险股份有限公司 | 识别风险客户的方法、装置、设备及存储介质 |
CN112651635A (zh) * | 2020-12-28 | 2021-04-13 | 长沙市到家悠享网络科技有限公司 | 风险识别方法、装置、电子设备及存储介质 |
CN112927091A (zh) * | 2021-04-08 | 2021-06-08 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
CN112927091B (zh) * | 2021-04-08 | 2023-11-10 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
CN113592315A (zh) * | 2021-08-04 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 一种处理纠纷单的方法和装置 |
CN115564332A (zh) * | 2022-10-08 | 2023-01-03 | 深圳中科保泰科技有限公司 | 基于大数据的政务风险分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110349039B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349039A (zh) | 投诉风险评估方法、***、计算机设备及可读存储介质 | |
CN109242261B (zh) | 基于大数据评估保全风险的方法及终端设备 | |
CN110349038A (zh) | 风险评估模型训练方法和风险评估方法 | |
CN110503565A (zh) | 行为风险识别方法、***、设备及可读存储介质 | |
CN109102394A (zh) | 风险评估方法、装置及计算机可读存储介质 | |
CN108335216A (zh) | 一种保险风险评估方法、装置、终端设备及存储介质 | |
CN110610431B (zh) | 基于大数据的智能理赔方法及智能理赔*** | |
CN109636564A (zh) | 用于风控的信息核实方法、装置、设备及存储介质 | |
CN110796539A (zh) | 一种征信评估方法及装置 | |
CN109685645A (zh) | 用户信用风险评估方法及装置、存储介质 | |
CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
CN110046997A (zh) | 一种交易风险评估方法、装置和电子设备 | |
CN108256757A (zh) | 一种基于xgboost的房源成交预估方法及预估平台 | |
CN108876188A (zh) | 一种间连服务商风险评估方法及装置 | |
CN109685643A (zh) | 贷款审核中风险等级确定方法、装置、设备及存储介质 | |
CN108416684A (zh) | 一种账号主体的可信程度评估方法、装置及服务器 | |
CN110135684A (zh) | 一种能力测评方法、能力测评装置及终端设备 | |
CN108038655A (zh) | 部门需求的推荐方法、应用服务器及计算机可读存储介质 | |
CN111882140A (zh) | 风险评测方法、模型训练方法、装置、设备及存储介质 | |
CN108304990B (zh) | 一种停电敏感预判方法和*** | |
CN113011899A (zh) | 一种企业信用评价方法、装置、设备及计算机存储介质 | |
CN109461016A (zh) | 数据评分方法、装置、计算机设备及存储介质 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN109146316A (zh) | 电力营销稽查方法、装置及计算机可读存储介质 | |
CN109886773A (zh) | 基于租客信用评价的推荐方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |