CN112734210A - 一种智能分案方法及*** - Google Patents
一种智能分案方法及*** Download PDFInfo
- Publication number
- CN112734210A CN112734210A CN202011641403.6A CN202011641403A CN112734210A CN 112734210 A CN112734210 A CN 112734210A CN 202011641403 A CN202011641403 A CN 202011641403A CN 112734210 A CN112734210 A CN 112734210A
- Authority
- CN
- China
- Prior art keywords
- case
- scoring
- model
- list
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000013077 scoring method Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000012946 outsourcing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了智能分案方法及***,方法包括以下步骤:构建案件评分模型;当接收到包含新案的分案任务时,将新案输入至所述案件评分模型;获取案件评分模型输出的新案的评分值;接收用户针对新案选择的策略,根据策略选择对应的业务员和案件,并进行案件分发。该方法利用案件评分模型对新案进行打分评级,根据策略有针对性地进行案件划分,利用机器学习算法突破传统方法根据人为经验给定权重计算评分的方式,有效地解决传统方法中存在的问题。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种智能分案方法及***。
背景技术
金融服务外包主要是指金融企业委托外包服务商来完成以前由金融企业自身承担的业务活动。外包服务商在实际运作时,会将金融企业委托的业务案件分配给不同的业务员,由业务员完成。
但是现有外包服务商的案件分配,一般都是采用人工分配、***随机分配或***平均分配等方式。这样会导致案件在分配过程中存在***的行为,也会降低案件分配的匹配度与合理性,进而影响回收率。
发明内容
针对现有技术中的缺陷,本发明提供一种智能分案方法及***,通过机器学习算法实现分案,克服传统方法中存在的缺陷。
第一方面,一种智能分案方法,包括以下步骤:
构建案件评分模型;
当接收到包含新案的分案任务时,将新案输入至所述案件评分模型;
获取案件评分模型输出的新案的评分值;
接收用户针对新案选择的策略,根据策略选择对应的业务员和案件,并进行案件分发。
优选地,所述案件评分模型通过以下方法构建:
获取以下一种或几种特征:
案件金额、期数、手别、账单日、有无历史还款、有无分期、信用分、还款意愿、资产收入、教育程度、职业、联系方式是否有效、联系地址是否有效;
计算特征之间的相关性,利用得到的相关性对特征进行选择;
根据特征工程对选中的特征进行预处理;
分别获取历史案件作为训练集和测试集,每个历史案件设置包含评分值的评分值标签;
根据选定的分类算法或回归算法,设置超参数组对训练集进行模型训练,在测试集上计算模型参数和评估指标值;
选取评估指标值最优的模型作为所述案件评分模型。
优选地,该方法在接收用户针对新案选择的策略之前还包括:
设置策略字典,所述策略字典中不同的key值对应不同的所述策略。
优选地,所述根据策略选择对应的业务员具体包括:
构建业务员的经验等级列表、业绩排名区段列表和能力评分区段列表;
根据策略和新案的评分值从业务员库的经验等级列表、业绩排名区段列表和能力评分区段列表中筛选出对应的业务员。
优选地,所述经验等级列表、业绩排名区段列表和能力评分区段列表通过以下方法构建:
获取业务员的基本标签和业务标签来勾画业务员画像;
根据业务员的基本标签和业务标签计算衍生标签;
根据基本标签、业务标签和衍生标签构建所述经验等级列表、业绩排名区段列表和能力评分区段列表。
第二方面,一种智能分案***,包括:
模型训练模块:用于构建案件评分模型;
预处理模块:用于当接收到包含新案的分案任务时,将新案输入至所述案件评分模型,获取案件评分模型输出的新案的评分值;
策略模块:用于对应的特征;
分发模块:用于接收用户针对新案选择的策略,根据策略选择对应的业务员和案件,并进行案件分发。
优选地,所述模型训练模块具体用于:
获取以下一种或几种特征:
案件金额、期数、手别、账单日、有无历史还款、有无分期、信用分、还款意愿、资产收入、教育程度、职业、联系方式是否有效、联系地址是否有效;
计算特征之间的相关性,利用得到的相关性对特征进行选择;
根据特征工程对选中的特征进行预处理;
分别获取历史案件作为训练集和测试集,每个历史案件设置包含评分值的评分值标签;
根据选定的分类算法或回归算法,设置超参数组对训练集进行模型训练,在测试集上计算模型参数和评估指标值;
选取评估指标值最优的模型作为所述案件评分模型。
优选地,所述策略模块还用于:
设置策略字典,所述策略字典中不同的key值对应不同的所述策略。
优选地,所述分发模块具体用于:
构建业务员的经验等级列表、业绩排名区段列表和能力评分区段列表;
根据策略从业务员库中经验等级列表、业绩排名区段列表和能力评分区段列表中筛选出对应的业务员。
优选地,所述分发模块具体用于:
获取业务员的基本标签和业务标签来勾画业务员画像;
根据业务员的基本标签和业务标签计算衍生标签;
根据基本标签、业务标签和衍生标签构建所述经验等级列表、业绩排名区段列表和能力评分区段列表。
由上述技术方案可知,本发明提供的一种智能分案方法及***,利用案件评分模型对新案进行打分评级,根据策略有针对性地进行案件划分,利用机器学习算法突破传统方法根据人为经验给定权重计算评分的方式,有效地解决传统方法中存在的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一提供的智能分案方法的流程图。
图2为本发明实施例一提供的案件评分模型构建方法的流程图。
图3为本发明实施例二提供的智能分案***的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一:
一种智能分案方法,参见图1,包括以下步骤:
S1:构建案件评分模型;所述案件评分模型通过以下方法构建,参见图2:
S11:获取以下一种或几种特征:
案件金额、期数、手别、账单日、有无历史还款、有无分期、信用分、还款意愿、资产收入、教育程度、职业、联系方式是否有效、联系地址是否有效;
具体地,案件金额、期数、手别、账单日、有无历史还款、有无分期等为案件特征;信用分、还款意愿、资产收入、教育程度、职业、联系方式是否有效、联系地址是否有效等为债务人特征。该方法可以根据上述案件特征构建案件偏好列表、经验评级列表、业绩排名列表和能力评分列表,根据上述债务人特征构建信用评估列表、还款意愿列表、还款能力列表和关系图谱。
S12:利用皮尔逊相关系数和欧氏距离等方法计算特征之间的相关性,利用得到的相关性对特征进行选择;
具体地,皮尔逊相关系数如下式计算:
欧氏距离如下式计算:
S13:根据特征工程对选中的特征进行预处理;
具体地,预处理步骤包括脏数据、缺失值、标称特征数值化、标准化、归一化,稀疏向量编码等等。
S14:分别获取历史案件作为训练集和测试集,每个历史案件设置包含评分值的评分值标签;
具体地,评分值可以设置为1-10分,该方法可以根据历史案件的回款情况为每个历史案件打上评分值。一般会将数据集按照一定比例(比如7:3)分为训练集和测试集。训练集用于进行模型训练,测试集用于模型参数和评估指标值的计算。
S15:根据选定的分类算法或回归算法,设置超参数组对训练集进行模型训练,在测试集上计算模型参数和评估指标值;
具体地,步骤S15分类或回归算法可以选取随机森林算法RF、逻辑回归或其他分类或回归算法。超参数组包括树的数量、树的最大深度等等。指评估标值包括精确率、召回率、F1-score、ROC指标等等。
S16:选取评估指标值最优的模型作为所述案件评分模型。
具体地,步骤S16根据不同模型的评估指标值,选取出表现最优的参数和模型,保存参数和模型,得到案件评分模型,案件评分模型可以从案件难易度、案件回款可能性等方面进行构建。该方法当创建好案件评分模型后,还可以定时更新案件评分模型。该方法还可以在数据集中选取部分数据构成验证集,在验证集上得到效果调整模型,如此可以减少暴露给测试集的信息,防止过拟合测试集。
S2:当接收到包含新案的分案任务时,将新案输入至所述案件评分模型;
S3:获取案件评分模型输出的新案的评分值;
具体地,该方法当接收到新案时,将新案传输给所述案件评分模型,案件评分模型输出该新案的评分值。
S4:接收用户针对新案选择的策略,根据策略选择对应的业务员和案件,并进行案件分发。
具体地,步骤S4进行案件分发时,还可以判断业务员委案金额(笔数)是否达到指定的阈值,如果是,将业务员移除,如果否,再判断案件是否分完,如果没有分完,将案件分发给业务员,如果分完了,流程结束。
该方法可以对用户在预设界面中配置的参数进行解析,选择某个策略,并选择对应的业务员进行案件分发。这样就可以利用案件评分模型对新案进行打分评级,根据策略有针对性地进行案件划分。该方法利用机器学习算法突破传统方法根据人为经验给定权重计算评分的方式,有效地解决传统方法中存在的问题。
优选地,该方法在接收用户针对新案选择的策略之前还包括:
设置策略字典,所述策略字典中不同的key值对应不同的所述策略。
具体地,该方法首先设置策略字典,策略字典中不同的key值对应不同的所述策略,代表了一条分案流程。用户可以在预设的界面中选择的策略,这样在进行分案时,可以根据用户所选的策略对案件进行分发。
优选地,所述根据策略选择对应的业务员具体包括:
构建业务员的经验等级列表、业绩排名区段列表和能力评分区段列表;这三种列表通过以下方法构建:
获取业务员的基本标签和业务标签来勾画业务员画像;
根据业务员的基本标签和业务标签计算衍生标签;
根据基本标签、业务标签和衍生标签构建所述经验等级列表、业绩排名区段列表和能力评分区段列表。
具体地,基本标签包括性别、年龄、学历等等。业务标签包括回款金额、委案金额、委案笔数、被投诉比率等等。该方法首先勾画业务员画像,并计算衍生标签,其中衍生标签包括不同手别的委案金额、委案笔数、回款率、排名值;最近三个月内回款金额、委案笔数、回款率、排名值;不同客户案件的委案金额、委案笔数、回款率、排名值等等。
根据策略和新案的评分值从业务员库的经验等级列表、业绩排名区段列表和能力评分区段列表中筛选出对应的业务员。
具体地,该方法可以从业务员的经验等级、业绩排名区段、能力评分区段筛选业务员。
实施例二:
一种智能分案***,参见图3,包括:
模型训练模块:用于构建案件评分模型;
预处理模块:用于当接收到包含新案的分案任务时,将新案输入至所述案件评分模型,获取案件评分模型输出的新案的评分值;
策略模块:用于供用户配置并管理策略,包括策略的添加、更新、维护、修改和删除;
分发模块:用于接收用户针对新案选择的策略,根据策略选择对应的业务员和案件,并进行案件分发。
优选地,所述模型训练模块具体用于:
获取以下一种或几种特征:
案件金额、期数、手别、账单日、有无历史还款、有无分期、信用分、还款意愿、资产收入、教育程度、职业、联系方式是否有效、联系地址是否有效;
计算特征之间的相关性,利用得到的相关性对特征进行选择;
根据特征工程对选中的特征进行预处理;
分别获取历史案件作为训练集和测试集,每个历史案件设置包含评分值的评分值标签;
根据选定的分类算法或回归算法,设置超参数组对训练集进行模型训练,在测试集上计算模型参数和评估指标值;
选取评估指标值最优的模型作为所述案件评分模型。
优选地,所述策略模块还用于:
设置策略字典,所述策略字典中不同的key值对应不同的所述策略。
优选地,所述分发模块具体用于:
构建业务员的经验等级列表、业绩排名区段列表和能力评分区段列表;
根据策略从业务员库中经验等级列表、业绩排名区段列表和能力评分区段列表中筛选出对应的业务员。
优选地,所述分发模块具体用于:
获取业务员的基本标签和业务标签来勾画业务员画像;
根据业务员的基本标签和业务标签计算衍生标签;
根据基本标签、业务标签和衍生标签构建所述经验等级列表、业绩排名区段列表和能力评分区段列表。
该***利用案件评分模型对新案进行打分评级,根据策略有针对性地进行案件划分,利用机器学习算法突破传统方法根据人为经验给定权重计算评分的方式,有效地解决传统方法中存在的问题。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明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,也可以是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取存储介质中。基于这样的理解,本发明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)执行本发明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-OnlyMemory)、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。
本发明实施例所提供的***,为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种智能分案方法,其特征在于,包括以下步骤:
构建案件评分模型;
当接收到包含新案的分案任务时,将新案输入至所述案件评分模型;
获取案件评分模型输出的新案的评分值;
接收用户针对新案选择的策略,根据策略选择对应的业务员和案件,并进行案件分发。
2.根据权利要求1所述智能分案方法,其特征在于,所述案件评分模型通过以下方法构建:
获取以下一种或几种特征:
案件金额、期数、手别、账单日、有无历史还款、有无分期、信用分、还款意愿、资产收入、教育程度、职业、联系方式是否有效、联系地址是否有效;
计算特征之间的相关性,利用得到的相关性对特征进行选择;
根据特征工程对选中的特征进行预处理;
分别获取历史案件作为训练集和测试集,每个历史案件设置包含评分值的评分值标签;
根据选定的分类算法或回归算法,设置超参数组对训练集进行模型训练,在测试集上计算模型参数和评估指标值;
选取评估指标值最优的模型作为所述案件评分模型。
3.根据权利要求1或2所述智能分案方法,其特征在于,该方法在接收用户针对新案选择的策略之前还包括:
设置策略字典,所述策略字典中不同的key值对应不同的所述策略。
4.根据权利要求1或2所述智能分案方法,其特征在于,所述根据策略选择对应的业务员具体包括:
构建业务员的经验等级列表、业绩排名区段列表和能力评分区段列表;
根据策略和新案的评分值从业务员库的经验等级列表、业绩排名区段列表和能力评分区段列表中筛选出对应的业务员。
5.根据权利要求4所述智能分案方法,其特征在于,所述经验等级列表、业绩排名区段列表和能力评分区段列表通过以下方法构建:
获取业务员的基本标签和业务标签来勾画业务员画像;
根据业务员的基本标签和业务标签计算衍生标签;
根据基本标签、业务标签和衍生标签构建所述经验等级列表、业绩排名区段列表和能力评分区段列表。
6.一种智能分案***,其特征在于,包括:
模型训练模块:用于构建案件评分模型;
预处理模块:用于当接收到包含新案的分案任务时,将新案输入至所述案件评分模型,获取案件评分模型输出的新案的评分值;
策略模块:用于供用户配置并管理策略;
分发模块:用于接收用户针对新案选择的策略,根据策略选择对应的业务员和案件,并进行案件分发。
7.根据权利要求6所述智能分案***,其特征在于,所述模型训练模块具体用于:
获取以下一种或几种特征:
案件金额、期数、手别、账单日、有无历史还款、有无分期、信用分、还款意愿、资产收入、教育程度、职业、联系方式是否有效、联系地址是否有效;
计算特征之间的相关性,利用得到的相关性对特征进行选择;
根据特征工程对选中的特征进行预处理;
分别获取历史案件作为训练集和测试集,每个历史案件设置包含评分值的评分值标签;
根据选定的分类算法或回归算法,设置超参数组对训练集进行模型训练,在测试集上计算模型参数和评估指标值;
选取评估指标值最优的模型作为所述案件评分模型。
8.根据权利要求6或7所述智能分案***,其特征在于,所述策略模块还用于:
设置策略字典,所述策略字典中不同的key值对应不同的所述策略。
9.根据权利要求6或7所述智能分案***,其特征在于,所述分发模块具体用于:
构建业务员的经验等级列表、业绩排名区段列表和能力评分区段列表;
根据策略从业务员库中经验等级列表、业绩排名区段列表和能力评分区段列表中筛选出对应的业务员。
10.根据权利要求9所述智能分案***,其特征在于,所述分发模块具体用于:
获取业务员的基本标签和业务标签来勾画业务员画像;
根据业务员的基本标签和业务标签计算衍生标签;
根据基本标签、业务标签和衍生标签构建所述经验等级列表、业绩排名区段列表和能力评分区段列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641403.6A CN112734210A (zh) | 2020-12-31 | 2020-12-31 | 一种智能分案方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641403.6A CN112734210A (zh) | 2020-12-31 | 2020-12-31 | 一种智能分案方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734210A true CN112734210A (zh) | 2021-04-30 |
Family
ID=75609043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011641403.6A Pending CN112734210A (zh) | 2020-12-31 | 2020-12-31 | 一种智能分案方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734210A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643143A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的任务拆分方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734591A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 欺诈案件的评估方法、装置、存储介质及终端 |
CN109658223A (zh) * | 2018-11-12 | 2019-04-19 | 平安科技(深圳)有限公司 | 基于数据处理的催收案件分配方法、装置、设备和介质 |
CN110728429A (zh) * | 2019-09-18 | 2020-01-24 | 平安科技(深圳)有限公司 | 案件分配方法、装置、介质和计算机设备 |
CN111383093A (zh) * | 2020-03-06 | 2020-07-07 | 北京网众共创科技有限公司 | 账单逾期智能催收方法及*** |
CN111539650A (zh) * | 2020-05-12 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 国际争议案件抗辩方法及其装置 |
-
2020
- 2020-12-31 CN CN202011641403.6A patent/CN112734210A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734591A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 欺诈案件的评估方法、装置、存储介质及终端 |
CN109658223A (zh) * | 2018-11-12 | 2019-04-19 | 平安科技(深圳)有限公司 | 基于数据处理的催收案件分配方法、装置、设备和介质 |
CN110728429A (zh) * | 2019-09-18 | 2020-01-24 | 平安科技(深圳)有限公司 | 案件分配方法、装置、介质和计算机设备 |
CN111383093A (zh) * | 2020-03-06 | 2020-07-07 | 北京网众共创科技有限公司 | 账单逾期智能催收方法及*** |
CN111539650A (zh) * | 2020-05-12 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 国际争议案件抗辩方法及其装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643143A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的任务拆分方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hajek et al. | Mining corporate annual reports for intelligent detection of financial statement fraud–A comparative study of machine learning methods | |
Wang et al. | Mining semantic soft factors for credit risk evaluation in peer-to-peer lending | |
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
US8489502B2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
CN110415084B (zh) | 一种产品智能推荐方法及装置 | |
Bravo et al. | Granting and managing loans for micro-entrepreneurs: New developments and practical experiences | |
US20220343433A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
US11195135B2 (en) | Systems and methods for ranking entities | |
Kim et al. | Dynamic forecasts of financial distress of Australian firms | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
US20060248096A1 (en) | Early detection and warning systems and methods | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN112734210A (zh) | 一种智能分案方法及*** | |
Hajek et al. | Predicting M&A targets using news sentiment and topic detection | |
CN113283806A (zh) | 企业信息评估方法、装置、计算机设备及存储介质 | |
CN111476657A (zh) | 信息推送方法、装置及*** | |
CN115809930A (zh) | 基于数据融合匹配的反欺诈分析方法、装置、设备及介质 | |
CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN112926892A (zh) | 一种资金匹配方法、装置、电子设备及存储介质 | |
CN113159924A (zh) | 授信客户对象的确定方法及装置 | |
CN111191688A (zh) | 一种用户分期期数管理方法、装置和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |
|
RJ01 | Rejection of invention patent application after publication |