CN114139898A - 一种线索数据分发方法、装置、设备及存储介质 - Google Patents
一种线索数据分发方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114139898A CN114139898A CN202111383050.9A CN202111383050A CN114139898A CN 114139898 A CN114139898 A CN 114139898A CN 202111383050 A CN202111383050 A CN 202111383050A CN 114139898 A CN114139898 A CN 114139898A
- Authority
- CN
- China
- Prior art keywords
- clue
- saving
- data
- distributed
- historical
- 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
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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文提供了一种线索数据分发方法、装置、设备及存储介质,其中,方法包括:根据业务挽留概率模型的输入向量格式,确定待分配线索数据的待分配线索向量,待分配线索数据包括:退办业务信息及业务相关的客户行为信息;将待分配线索向量输入至业务挽留概率模型中,计算得到待分配线索数据的挽留成功概率,业务挽留概率模型由历史线索样本及其挽留成功概率训练得到,历史线索样本包括预设业务相关的已进行挽留操作的线索数据;根据待分配线索数据的挽留成功概率,按照各等级概率区间划分待分配线索数据的等级;按照待分配线索数据的等级的优先级顺序,分发待分配线索数据至相应处理人员。本文能够减少退办挽留的人力成本,提高挽留效率及挽留率。
Description
技术领域
本文涉及业务分发技术领域,尤其涉及一种线索数据分发方法、装置、设备及存储介质。
背景技术
现有技术中,对于客户退办业务的情况(例如退保),为了减少退办量,往往需要对发起退办业务请求的客户进行业务挽留操作。
目前的客户退办业务挽留流程中,都是直接将线索数据随机下发给处理人员处理,随机分配的方式仅适用于处理人员人力充足的情况,因未对线索数据进行区分,存在挽留效率及成功率低的问题。
另外,当处理人员人力不足时,还会导致有价值线索数据无法得到及时处理,使得大量有价值的线索数据堆积,进而降低挽留处理效率,导致挽留率低及大量客户业务流失的问题。
如何高效及时分发有价值的线索数据才能提升线索数据分发效率及挽留率是亟待解决的问题。
发明内容
本文用于解决现有技术中,客户退办业务挽留过程中,存在线索数据分配不及时,进而降低挽留处理效率,导致挽留率低及大量客户流失的问题。
为了解决上述技术问题,本文的第一方面提供一种线索数据分发方法,包括:
根据业务挽留概率模型的输入向量格式,确定待分配线索数据的待分配线索向量,其中,待分配线索数据包括:退办业务信息及业务相关的客户行为信息;
将待分配线索向量输入至业务挽留概率模型中,计算得到待分配线索数据的挽留成功概率,其中,业务挽留概率模型由历史线索样本及其挽留成功概率训练得到,历史线索样本包括与预设业务相关、已进行挽留操作的线索数据;
根据待分配线索数据的挽留成功概率,按照各等级概率区间划分待分配线索数据的等级;
按照待分配线索数据的等级的优先级顺序,分发待分配线索数据至相应处理人员。
作为本文的进一步实施例中,业务挽留概率模型训练过程包括:
对历史线索样本中的特征进行聚合及数字化处理,得到历史线索样本向量;
对历史线索样本向量对应的挽留结果进行数字化处理,得到历史线索样本向量的挽留成功概率;
利用历史线索样本向量及其挽留成功概率,采用k折交叉验证和网格搜索算法训练业务挽留概率模型。
作为本文的进一步实施例中,对历史线索样本中的特征进行聚合及数字化处理之前还包括:
统计历史线索样本中特征的缺失率,删除特征缺失率大于预定值的历史线索样本;
判断历史线索样本中各特征是否超过取值范围,若超过,则将特征限定在取值范围内。
作为本文的进一步实施例中,历史线索样本包括连续型特征和类别型特征,每个类别型特征包括多个类别,其中对历史线索样本中的特征进行聚合及数字化处理,得到历史线索样本向量,包括:
对历史线索样本执行如下处理:确定每个类别型特征中各类别的数据量分布,并将数据量少于预定阈值的类别设置为一种新类别;对每个连续型特征进行区间划分处理;
对处理后的历史线索样本进行数字化处理,得到历史线索样本的特征值;
对所述历史线索样本的特征值进行聚合处理,得到聚合特征值;
根据历史线索样本的特征值以及聚合特征值,得到线索样本向量。
作为本文的进一步实施例中,利用历史线索样本向量及其挽留成功概率,采用k折交叉验证和网格搜索算法训练业务挽留概率模型,包括:
a.将线索样本向量划分为k组线索样本向量,并对每一组线索样本向量执行一次训练分类器的过程,其中每次训练分类器的过程包括:将一组线索样本向量作为一验证集,其余组线索样本向量作为训练集;利用训练集及训练集中每一线索样本向量的挽留成功概率训练分类器;将验证集中各线索样本向量分别输入至训练好的分类器中,计算得到验证集中各线索样本向量的挽留成功概率;根据验证集中各线索样本向量的挽留成功概率,计算得到分类器针对验证集的性能评价指标值;
b.将步骤a中对k组线索样本向量进行k次训练得到的性能评价指标值求平均,得到一平均性能评价指标值;
c.判断所述分类器的参数值是否均已按照参数调整策略调整完,若否,则执行步骤d,如是,则执行步骤e;
d.按照预设参数调整策略调整所述分类器的参数,然后返回继续执行步骤a至步骤c;
e.筛选出最高平均性能评价指标值对应的分类器的参数值;
f.利用筛选出的分类器的参数值,确定业务挽留概率模型;
g.利用线索样本向量及其挽留成功概率,训练业务挽留概率模型。
作为本文的进一步实施例中,线索数据分发方法还包括:
根据待分配线索数据及处理人员画像,建立待分配线索数据和处理人员对应关系;
按照所述待分配线索数据的优先级等级的顺序,分发所述待分配线索数据至相应处理人员进一步为:
按照所述待分配线索数据的优先级等级的顺序,根据待分配线索数据和处理人员对应关系,分发待分配线索数据至相应处理人员。
作为本文的进一步实施例中,线索数据分发方法还包括:
统计处理人员未处理的线索数据的数据量;
根据处理人员的上限处理量及未处理的线索数据的数据量,计算各处理人员的剩余处理量;
若各处理人员的剩余处理量均小于预设值;
则重新调整各等级概率区间。
本文的第二方面提供一种线索数据分发装置,包括:
转换模块,用于根据业务挽留概率模型输入向量格式,确定待分配线索数据的待分配线索向量,其中,所述待分配线索数据包括:退办业务信息及业务相关的客户行为信息;
计算模块,用于将待分配线索向量输入至业务挽留概率模型中,计算得到待分配线索数据的挽留成功概率,其中,所述业务挽留概率模型由历史线索样本及其挽留成功概率训练得到,所述历史线索样本包括与预设业务相关、已进行挽留操作的线索数据;
等级划分模块,用于根据待分配线索数据的挽留成功概率,按照各等级概率区间划分所述待分配线索数据的等级;
分发模块,用于按照所述待分配线索数据的等级的优先级顺序,分发所述待分配线索数据至相应处理人员。
本文的第三方面提供一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行前述任一实施例所述的线索数据分发方法的指令。
本文的第四方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行前述任一实施例所述的线索数据分发方法的指令。
本文提供的线索数据分发方法及装置,通过对历史线索样本及其挽留成功概率进行学习,建立了业务退保挽留概率模型;通过业务退保挽留概率模型对待分配线索数据进行预测得到待分配线索数据的挽留成功概率;根据待分配线索数据的挽留成功概率,按照各等级概率区间划分所述待分配线索数据的等级;按照待分配线索数据的等级的优先级顺序,分发待分配线索数据至相应处理人员,能够代替人工随机分配的方式,节约所需人力成本,且能在人力有限的条件下,实现待分配线索数据的有效分配,及时挽留住业务退办挽留概率大的客户,从而提高挽留效率及挽留率。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本文的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本文实施例线索数据分发方法的第一流程图;
图2示出了本文实施例业务挽留概率模型训练过程的流程图;
图3示出了本文实施例历史线索样本特征聚合及数字化处理过程流程图;
图4示出了本文实施例采用k折交叉验证和网格搜索算法训练业务挽留概率模型过程的流程图;
图5示出了本文实施例线索数据分发方法的第二流程图;
图6示出了本文实施例线索数据分发方法的第三流程图;
图7示出了本文实施例线索数据分发方法的第四流程图;
图8示出了本文实施例线索数据分发装置的结构图;
图9示出了本文实施例退保挽留概率模型训练过程的流程图;
图10示出了本文实施例退保线索数据分发方法的流程图;
图11示出了本文实施例计算机设备的结构图。
附图符号说明:
810、转换模块;
820、计算模块;
830、等级划分模块;
840、分发模块;
1102、计算机设备;
1104、处理器;
1106、存储器;
1108、驱动机构;
1110、输入/输出模块;
1112、输入设备;
1114、输出设备;
1116、呈现设备;
1118、图形用户接口;
1120、网络接口;
1122、通信链路;
1124、通信总线。
具体实施方式
下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,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,都属于本文保护的范围。
需要说明的是,本文的说明书和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的***或装置产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是,本文的线索数据分发方法和装置可用于保险领域,线索数据为发起退办业务的线索数据,业务例如为保险业务,也可用于除保险领域之外的任意领域,本文对线索数据分发方法和装置的应用领域不做限定。本文所涉及的客户退办业务信息及业务相关的客户行为信息,均为经客户授权或者经过各方充分授权的数据。
本文一实施例中,提供一种线索数据分发方法,用于解决现有技术客户退办业务挽留过程中,存在线索数据分配不及时,进而降低挽留处理效率,导致挽留率低及大量客户流失的问题。具体的,如图1所示,线索数据分发方法包括:
步骤110,根据业务挽留概率模型的输入向量格式,确定待分配线索数据的待分配线索向量,其中,待分配线索数据包括退办业务信息及业务相关的客户行为信息;
步骤120,将待分配线索向量输入至业务挽留概率模型中,计算得到待分配线索数据的挽留成功概率,其中,业务挽留概率模型由历史线索样本及其挽留成功概率训练得到,历史线索样本包括与预设业务相关、已进行挽留操作的线索数据;
步骤130,根据待分配线索数据的挽留成功概率,按照各等级概率区间划分待分配线索数据的等级;
步骤140,按照待分配线索数据的等级的优先级顺序,分发所述待分配线索数据至相应处理人员。
详细的说,待分配线索数据来源于已发起退办业务请求但还未进行挽留操作的客户。退办业务信息包括退办业务发起时刻、发起渠道、业务基本信息、客户基本信息。以保险业务为例,发起渠道包括但不限于微保、360、百度等,业务基本信息包括但不限于保费信息、投保时间、退保时间、起保时间、承保城市、理赔信息等,客户基本信息包括年龄、性别、是否有社保身份等。业务相关的客户行为信息包括客户在本次发起退办业务请求之前是否发起过退办业务的操作、是否挽留成功等,以保险业务为例,业务相关的客户行为信息包括是否退保的操作、是否退保挽留成功、保单是否理赔过等。本文通过将业务相关的客户行为信息纳入输入向量中,能够提高挽留成功概率预测的精度。
待分配线索数据包含较多的特征(变量),业务挽留概率模型的输入向量中规定了输入至业务挽留概率模型的特征及具***置,根据业务挽留概率模型的输入向量格式,可以确定出符合业务挽留概率模型的输入向量。
为了保证业务挽留概率模型的训练速度,本文所述的业务挽留概率模型可以选用LightGBM模型,LightGBM是一个梯度Boosting(提升)框架,使用基于决策树的学习算法,LightGBM是通过实现GBDT(Gradient Boosting Decision Tree,梯度提升决策树)算法对多棵决策树进行高效率的并行训练,并且具有训练速度快、内存消耗低、预测能力强、支持分布式、可以快速处理海量数据等优点,在工业实践中被广泛使用。业务挽留概率模型的具体训练过程参考后续实施例,此处不再详述。
训练业务挽留概率模型的预设业务根据需求进行指定,本文对此不作限定,凡是需要进行挽留操作的业务均可作为本文所述的预设业务。
已进行挽留操作的线索数据与待分配线索数据包括的变量相同。历史线索样本的挽留成功概率根据挽留结果确定,具体的,例如某一历史线索样本的挽留结果为挽留成功,则其对应的挽留成功概率为1,若某一历史线索样本的挽留结果为挽留失败,则其对应的的挽留成功概率为0。关于挽留结果的界定可参考后续实施例,此处不再详述。
各等级概率区间可根据需求进行设定,本文对其具体取值不做限定。挽留概率越高的等级对应的优先级越高。一些实施方式中,可仅包含两个等级概率区间,挽留成功概率高的等级及挽留成功概率低的等级,对两个等级分发给不同的处理人员进行不同的挽留操作,具体实施时,挽留操作例如可以通过拨打电话、上门拜访等方式实现,本文对此不作限定。处理人员可以为业务负责人员,还可以为专门处理挽留操作的人员。本文通过步骤130及步骤140的实施,能够提高待分配线索数据的分配效率。
本实施例通过利用根据历史线索样本及其挽留成功概率训练得到的业务挽留概率模型来计算待分配线索数据的挽留成功概率,根据待分配线索数据的挽留成功概率划分待分配线索数据等级,按照待分配线索数据的等级优先级顺序分发待分配线索数据至相应处理人员,能够代替人工随机分配的方式,节约所需人力成本,且能在人力有限的条件下,实现待分配线索数据的有效分配,及时挽留住业务退办挽留概率大的客户,从而提高挽留效率及挽留率。
本文一实施例中,如图2所示,业务挽留概率模型训练过程包括:
步骤201,对历史线索样本中的特征进行聚合及数字化处理,得到历史线索样本向量;
步骤202,对历史线索样本向量对应的挽留结果进行数字化处理,得到历史线索样本向量的挽留成功概率;
步骤203,利用历史线索样本向量及其挽留成功概率,采用k折交叉验证和网格搜索算法训练业务挽留概率模型。
通过步骤201能够防止维度灾难,减少模型训练时间,增强模型泛化能力,减少过拟合,同时还可以创造出更多有意义的可用特征。历史线索样本可根据预设需求,从业务数据库中提取不同渠道的线索数据。具体的,从业务数据库提取数据之前,可先根据处理人员了解的相关表中所有特征含义,先人工筛选出与建模相关的数据,然后,删除数据分布不平衡的特征,例如投保人客户类型字段有两个类别数值1和2,这两种类别的数量比为1000000:1,那么可以删除该字段。
本文所述的历史线索样本包括:类别型特征及连续型特征,以投保业务为例,类别特征例如为性别、投保渠道(微保、360、百度)、保险销售方案(微医保百万医疗险、360全民医保等)等,连续特征例如为年龄等。
具体的,如图3所示,步骤201实施过程包括:
对历史线索样本执行如下步骤301及步骤302的处理:
步骤301,确定每个类别型特征中各类别的数据量分布,并将数据量少于预定阈值的类别设置为一种新类别,新类别的名称例如为其它类别,可根据需求设定新类别的名称;
步骤302,对于每个连续型特征进行区间划分处理;
步骤303,对步骤301处理后的类别型特征及步骤302处理后的连续型特征进行数字化处理,得到历史线索样本的特征值;
步骤304,对历史线索样本的特征值进行聚合处理,得到聚合特征值;
步骤305,根据历史线索样本的各特征值以及聚合特征值,得到线索样本向量。
步骤301中的预定阈值可根据实际情况进行设定,例如为100,以投保业务为例,例如线索样本中的保险销售方案共有119个,其中100个销售方案类别对应的保单数量在100以下,则可将这100个销售方案类别表示为“其它险种”。
步骤302中,区间划分方式可根据实际需求进行设定,本文对此不作限定。以年龄为例,例如为每10年化为一区间,如[0-10],[10-20],[20-30],[30-40],[40-50]……等。
步骤303实施时,可利用LabelEncoder、get_dummies或者OneHotEncoder等处理方法对步骤301及步骤302得到的数据进行数字化处理。其中,LabelEncoder是将文本型的类别数据转化成数值,例如所有的数据中有三个渠道:微保、360、百度,那么经过LabelEncoder处理后,这三种类别特征分别变为0、1、2,又例如年龄区间0-10岁为1,10-20岁为2等。get_dummies是进行one-hot编码的一种方式。OneHotEncoder是将数字或文本型的类别数据转化成一列或多列只有0和1的数据,例如渠道特征可以转化为微保:[1,0,0]、360:[0,1,0]、百度:[0,0,1]。
步骤304中,历史线索样本的特征值聚合处理,可根据业务设定的聚合特征实现。实施时,利用pandas的groupby操作就可以计算出聚合特征。以投保业务为例,聚合特征包括但不限于:投保人购买保险的数量,投保人所购买的保单中被保人的平均年龄、最大年龄、最小年龄,投保人所购买的保单中的最大保费、最小保费、平均保费等。
步骤305中,将历史线索样本的特征值及聚合特征值集合到一起构成线索样本向量,线索样本向量即构成了业务挽留概率模型输入向量格式。
步骤202中,挽留成功概率包括挽留成功及挽留失败,挽留成功概率数字化时,可将挽留成功则将挽留成功概率标注为1,挽留失败则将挽留成功概率标注为0。挽留成功与否可根据业务情况来指定,以投保业务为例,当客户申请了退保后,文字客服会以CSS形式对客户做退保挽留操作,电话外呼客服会打电话给客户做退保挽留操作。挽留成功的定义是:客户已接了客服的电话或者回复了客服的咨询,且退保时间与咨询时间(客服外呼的时间或者通过CSS咨询客户的时间)差大于35天(可根据需求设定),单期挽留保费大于0,表示退保挽留成功,否则退保挽留失败,其中,文字客服、电话外呼客服均为处理人员。
通过上述步骤203能够提高模型的泛化能力,具体的,如图4所示,步骤203利用历史线索样本向量及其挽留成功概率,采用k折交叉验证和网格搜索算法训练业务挽留概率模型,包括:
步骤a.将线索样本向量划分为k组线索样本向量,并对每一组线索样本向量执行一次训练分类器的过程,其中每次训练分类器的过程包括:将一组线索样本向量作为一验证集,其余组线索样本向量作为训练集;利用训练集及训练集中每一线索样本向量的挽留成功概率训练分类器;将验证集中各线索样本向量分别输入至训练好的分类器中,计算得到验证集中各线索样本向量的挽留成功概率;根据验证集中各线索样本向量的挽留成功概率,计算得到分类器针对验证集的性能评价指标值;
步骤b.对步骤a中对k组线索样本向量进行k次训练得到的性能评价指标值求平均处理,得到一平均性能评价指标值;
步骤c,判断分类器的参数值是否均已按照参数调整策略调整完,若否,则执行步骤d,如是,则执行步骤e;
步骤d,按照预设参数调整策略调整分类器的参数,然后返回继续执行步骤a至步骤c;
步骤e,筛选出最高平均性能评价指标值对应的分类器的参数值;
步骤f,利用筛选出的分类器的参数值,确定业务挽留概率模型;
步骤g,利用线索样本向量及其挽留成功概率,训练业务挽留概率模型。
具体实施时,步骤a可选用召回率、准确率及Fl-score作为性能评价指标,为了避免模型过拟合,还可选用AUC(Area under the Curve of ROC,曲线下方的面积)作为性能评价指标。ROC曲线是将假阳性率(FPR)定义为X轴,真阳性率(TPR)定义为Y轴。其中FPR和TPR分别定义为:
TPR:在所有实际为阳性的样本中,被正确地判断为阳性的样本比率。
FPR:在所有实际为阴性的样本中,被错误地判断为阳性的样本比率。
其中,TP为实际结果为阳性,预测结果为阳性的样本量;FP为实际结果为阴性,预测结果为阳性的样本量;FN为实际结果为阳性,预测结果为阴性的样本量;TN为实际结果为阴性,预测结果为阴性的样本量。
训练得到业务挽留概率模型之后,可利用未参与模型训练的测试集对训练好的退保挽留预测模型进行性能测试,使用训练好的退保挽留预测模型可得出测试集中的每个样本点对应的概率值,对所有样本的预测值从高到低排序,然后依次取每个概率值作为阈值,所有大于等于阈值的样本为阳性,小于阈值的样本为阴性,根据上述公式计算出FPR和TPR值,它对应ROC曲线上的一个点,FPR为横坐标,TPR为纵坐标,按照这种方法依次将所有的点绘制出来,再将各个点依次连接起来,就得到了ROC曲线,那么ROC曲线下方的面积就是AUC值。
k值可根据实际情况进行选定,一般情况下,k值取5。分类器可选用LightGBM,该分类器的参数包括num_iterations(迭代次数)、max_depth(树的深度)、num_leaves(叶子节点数)、learning_rate(学习率)等。可对分类器各参数设置一步长,各参数的步长可以相同也可以不同,步长具体取值可根据实际情况确定,本文对此不作限定。
步骤d中,参数调整策略中规定有参数的调整顺序及补充,具体实施时,可以每次仅调整一个参数,还可以每次调整多个参数,各参数的调整步长可以相同,也可以不同,本文对参数调整调整策略不做具体限定。
步骤e中,当使用AUC作为性能评价指标时,因每种参数值组合均会计算得到一平均性能评价指标值,且平均性能评价指标值越大,表示分类器越精准,将平均性能评价指标值最大值对应的参数值作为分配器的参数值。
步骤f中,将筛选出的分类器的参数值代入参数未知的分类器中,得到业务挽留概率模型。
本文一实施例中,为了提高业务挽留概率模型的准确度,如图5所示,上述步骤201实施之前,还包括:
步骤2001,统计历史线索样本中特征的缺失率;
步骤2002,删除特征缺失率大于预定值的历史线索样本;
步骤2003,判断历史线索样本中各特征是否超过取值范围,若超过,则将特征限定在取值范围内。
步骤2001中特征的缺失率指的是没有值的特征占总特征的比例。步骤2002中的预定值可根据实际情况进行设定,本文对此不作限定。步骤2003实施时,可将特征设置为上限或下限,具体的,若特征值超过上限,则将其设定为上限,若超过下限,则将其设定为下限。通过步骤2003可以对样本数据进行规范化处理,防止数据录入错误影响模型训练准确度。
本文一实施例中,为了进一步提高挽留效率及成功率,线索数据分发方法除了包括上述步骤110至上述步骤130外,如图6所示,还包括:
步骤1401,根据线索数据及处理人员画像,建立待分配线索数据和处理人员对应关系;
步骤1402,按照线索数据的优先级等级的顺序,根据待分配线索数据和处理人员对应关系,分发线索数据至相应处理人员。
详细的说,步骤1401中,处理人员画像包括:处理人员挽留成功率、处理人员擅长服务业务类型、处理人员基本信息(年龄、性别、地域等)。可根据处理人员画像中的擅长服务业务类型以及线索数据中的业务类型建立待分配线索数据和处理人员对应关系。
步骤1402实施时,可按照线索数据的优先级等级的顺序获取线索数据,根据待分配线索数据和处理人员对应关系,确定获取的线索数据相对应的处理人员,并将线索数据发送至处理人员。
本文一实施例中,为了避免处理人员因手头任务较重,而导致最佳挽留期限延误的情况发生,如图7所示,线索数据分发方法在图1及图6所示内容的基础上,还包括:
步骤150,统计处理人员未处理的线索数据的数据量;
步骤160,根据处理人员的上限处理量及未处理的线索数据的数据量,计算各处理人员的剩余处理量;
步骤170,判断各处理人员的剩余处理量是否小于预设值,若各处理人员的剩余处理量均小于预设值,则执行步骤180,若各处理人员的剩余处理量均大于或等于预设值,则无需任何处理;
步骤180,重新调整各等级概率区间,以重新确定待分配线索数据的等级。
本实施例通过根据处理人员的剩余处理量来调整各等级概率区间,能够保证挽留概率大的线索数据得到及时分发及处理,进而提高挽留效率及挽留率。
基于同一发明构思,本文还提供一种线索数据分发装置,如下面的实施例所述。由于线索数据分发装置解决问题的原理与线索数据分发方法相似,因此,线索数据分发装置的实施可以参见线索数据分发方法,重复之处不再赘述。
具体的,如图8所示,线索数据分发装置包括:
转换模块810,用于根据业务挽留概率模型输入向量格式,确定待分配线索数据的待分配线索向量,其中,所述待分配线索数据包括:退办业务信息及业务相关的客户行为信息;
计算模块820,用于将待分配线索向量输入至业务挽留概率模型中,计算得到待分配线索数据的挽留成功概率,其中,业务挽留概率模型由历史线索样本及其挽留成功概率训练得到,历史线索样本包括与预设业务相关、已进行挽留操作的线索数据;
等级划分模块830,用于根据待分配线索数据的挽留成功概率,按照各等级概率区间划分所述待分配线索数据的等级;
分发模块840,用于按照所述待分配线索数据的等级的优先级顺序,分发所述待分配线索数据至相应处理人员。
本实施例能够代替人工随机分配的方式,节约所需人力成本。且能在在人力有限的条件下,实现待分配线索数据的有效分配,及时挽留住业务退办挽留概率大的客户,从而提高挽留效率及挽留率。
为了更清楚说明本文技术方案,下面以退保挽留为例说明退保挽留概率模型训练及使用过程,具体可分为两个阶段:准备阶段和应用阶段。
(一)准备阶段
本文的目的是预测每条线索数据的退保挽留成功概率,通过调整阈值的方法来确定是否对这条线索数据做退保挽留操作,具体流程如图9所示。
步骤901,根据业务需求,选择预设险种,从业务数据库中提取不同渠道的所有客户的历史线索数据,每一客户的历史线索数据为一历史线索样本。
由于历史线索数据中有很多与建模无关或冗余的字段,从业务数据库中加工出用于数据分析及建模的特征数据,主要包括业务信息及业务相关的客户行为信息。其中,退办业务信息包括保单信息、时间信息(投保时间、退保时间、起保时间)、承保城市、投保人和被保人的基础信息(年龄、性别、是否有社保身份)。业务相关的客户行为信息包括理赔信息、是否退保操作、是否退保挽留成功、保单是否理赔过等。
步骤902,从客户的历史线索数据中筛选出进行了退保挽留操作的线索数据,并对筛选出的线索数据进行缺失值处理和异常值处理,具体地:
对缺失值进行如下处理:计算每个特征的缺失率,删除缺失率大于70%的特征。
对异常值进行如下处理:对某个特征数值过大、过小或者不符合业务场景数据分布的样本,可直接删除或用该特征的平均值替代或用上下限值代替。
步骤903中,对步骤902得到的线索数据根据退保挽留是否成功的定义将线索数据分为退保挽留成功和退保挽留失败两类,并分别标注为1和0。
步骤904中,对步骤902中的线索数据做特征工程的处理。
具体的,特征工程处理包括对线索数据进行聚合及数字化处理。对连续的特征数据进行离散化,例如将年龄特征划分成多个年龄区间,0-10岁为1,10-20岁为2等。对类别型特征的数据先进行分析处理,即先确定类别型特征中各类别的数据量分布,对于每一类别型特征,筛选出数据量少于预定阈值的类别,将筛选出的类别设置为同一种类别,然后采用LabelEncoder、OneHotEncoder或get_dummies等方法进行数字化处理,例如被保人所在的城市“武汉市”可数字化成1。基于投保人、被保人的购买信息构建一些聚合特征,例如投保人的平均年龄、最大年龄等。
步骤905中,将步骤904中进行了特征工程的特征数据按一定比例随机分成两部分,其中一部分数据集作为测试集,用于测试模型的性能,另一部分数据集作为训练集,用于训练模型。需要说明的是,测试集与训练集中的数据量可以相同,也可以不同,本文对此不作限定。
步骤906中,采用LightGBM来训练分类模型,并利用五折交叉验证和网格搜索的方法对LightGBM的参数进行调整,并将在测试集上的AUC值作为此分类模型的性能评价指标。具体实施步骤包括:
首先,对LightGBM中的每个待调参数,确定好参数范围,按照步长依次调整参数,其中待调的核心参数有num_iterations、max_depth、num_leaves、learning_rate等;
然后,将上述步骤905中用于训练模型的训练集均等分成5组线索样本向量,每组线索样本向量分别做一次验证集,其余组的线索样本向量作为训练集训练LightGBM模型,从所有的待选取参数中选择平均AUC值最高的参数作为最佳参数;
最后,对所有的待调参数按照上述步骤进行调参,会得到N(N为参数调整的次数)个最佳参数。固定好LightGBM模型的最佳参数,用步骤905中的训练集训练模型,测试集在模型上的AUC值作为最终评价模型的指标,训练得到的模型即为退保挽留概率模型。
(二)应用阶段
如图10所示,线索数据分发过程包括:
步骤1001,对一批申请了退保的线索数据,通过在准备阶段训练好的退保挽留概率模型可得到每条线索数据的退保挽留成功概率,退保挽留成功概率值越高说明该线索数据越有可能被挽留成功。
步骤1002,业务可灵活的设置概率区间,线索数据被划分成多个等级,例如:大于0.9的为A类线索,[0.9,0.8]为B类线索,[0.8,0.7]为C类线索,[0.7,0.6]为D类线索,[0.6,0.5]为E类线索,[0.5,0]为F类线索。
步骤1003中,业务可结合现有人力按照线索等级做线索分发,例如先给A类线索做退保挽留操作。
本实施例利用LightGMB方法建模,利用五折交叉验证和网格搜索的方法进行参数的调整,且用AUC值作为性能评价指标,能够避免模型过拟合,提升模型的泛化能力。
本实施例利用人工智能的方法建立退保挽留概率模型,对退保挽留的线索数据进行等级划分,智能化地分发线索数据,将该方法智能化地应用在保险行业的退保挽留***中,替代了人工随机分发线索,大力的减少了退保挽留的人力成本,提高了挽单率,解决现阶段随机分发线索数据所消耗大量人力、不确定性的挽留率的缺陷。
本文一实施例中,还提供一种计算机设备,用于实现线索数据分发方法及业务挽留概率模型的建立过程。具体的,如图11所示,计算机设备1102可以包括一个或多个处理器1104,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。计算机设备1102还可以包括任何存储器1106,其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的,比如,存储器1106可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备1102的固定或可移除部件。在一种情况下,当处理器1104执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备1102可以执行相关联指令的任一操作。计算机设备1102还包括用于与任何存储器交互的一个或多个驱动机构1108,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1102还可以包括输入/输出模块1110(I/O),其用于接收各种输入(经由输入设备1112)和用于提供各种输出(经由输出设备1114))。一个具体输出机构可以包括呈现设备1116和相关联的图形用户接口1118(GUI)。在其他实施例中,还可以不包括输入/输出模块1110(I/O)、输入设备1112以及输出设备1114,仅作为网络中的一台计算机设备。计算机设备1102还可以包括一个或多个网络接口1120,其用于经由一个或多个通信链路1122与其他设备交换数据。一个或多个通信总线1124将上文所描述的部件耦合在一起。
通信链路1122可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路1122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1-图7中的方法,本文实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行如图1至图7所示的方法。
应理解,在本文的各种实施例中,上述各过程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,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、装置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。
在本文所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,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文实施例方案的目的。
另外,在本文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,本文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)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (10)
1.一种线索数据分发方法,其特征在于,包括:
根据业务挽留概率模型的输入向量格式,确定待分配线索数据的待分配线索向量,其中,所述待分配线索数据包括:退办业务信息及业务相关的客户行为信息;
将所述待分配线索向量输入至所述业务挽留概率模型中,计算得到所述待分配线索数据的挽留成功概率,其中,所述业务挽留概率模型由历史线索样本及其挽留成功概率训练得到,所述历史线索样本包括与预设业务相关、已进行挽留操作的线索数据;
根据所述待分配线索数据的挽留成功概率,按照各等级概率区间划分所述待分配线索数据的等级;
按照所述待分配线索数据的等级的优先级顺序,分发所述待分配线索数据至相应处理人员。
2.如权利要求1所述的线索数据分发方法,其特征在于,所述业务挽留概率模型训练过程包括:
对所述历史线索样本中的特征进行聚合及数字化处理,得到历史线索样本向量;
对所述历史线索样本向量对应的挽留结果进行数字化处理,得到历史线索样本向量的挽留成功概率;
利用所述历史线索样本向量及其挽留成功概率,采用k折交叉验证和网格搜索算法训练所述业务挽留概率模型。
3.如权利要求2所述的线索数据分发方法,其特征在于,对所述历史线索样本中的特征进行聚合及数字化处理之前还包括:
统计所述历史线索样本中特征的缺失率,删除特征缺失率大于预定值的历史线索样本;
判断所述历史线索样本中各特征是否超过取值范围,若超过,则将特征限定在取值范围内。
4.如权利要求2所述的线索数据分发方法,其特征在于,所述历史线索样本包括连续型特征和类别型特征,每个类别型特征包括多个类别,其中对所述历史线索样本中的特征进行聚合及数字化处理,得到历史线索样本向量,包括:
对历史线索样本执行如下处理:确定每个类别型特征中各类别的数据量分布,并将数据量少于预定阈值的类别设置为一种新类别;对每个连续型特征进行区间划分处理;
对处理后的历史线索样本进行数字化处理,得到历史线索样本的特征值;
对所述历史线索样本的特征值进行聚合处理,得到聚合特征值;
根据所述历史线索样本的特征值以及聚合特征值,得到线索样本向量。
5.如权利要求2所述的线索数据分发方法,其特征在于,利用所述历史线索样本向量及其挽留成功概率,采用k折交叉验证和网格搜索算法训练所述业务挽留概率模型,包括:
a.将所述线索样本向量划分为k组线索样本向量,并对每一组线索样本向量执行一次训练分类器的过程,其中每次训练分类器的过程包括:将一组线索样本向量作为一验证集,其余组线索样本向量作为训练集;利用所述训练集及所述训练集中每一线索样本向量的挽留成功概率训练分类器;将所述验证集中各线索样本向量分别输入至训练好的分类器中,计算得到所述验证集中各线索样本向量的挽留成功概率;根据所述验证集中各线索样本向量的挽留成功概率,计算得到所述分类器针对所述验证集的性能评价指标值;
b.将步骤a中对k组线索样本向量进行k次训练得到的性能评价指标值求平均,得到一平均性能评价指标值;
c.判断所述分类器的参数值是否均已按照参数调整策略调整完,若否,则执行步骤d,如是,则执行步骤e;
d.按照预设参数调整策略调整所述分类器的参数,然后返回继续执行步骤a至步骤c;
e.筛选出最高平均性能评价指标值对应的分类器的参数值;
f.利用筛选出的分类器的参数值,确定业务挽留概率模型;
g.利用线索样本向量及其挽留成功概率,训练业务挽留概率模型。
6.如权利要求1所述的线索数据分发方法,其特征在于,还包括:
根据待分配线索数据及处理人员画像,建立待分配线索数据和处理人员对应关系;
按照所述待分配线索数据的优先级等级的顺序,分发所述待分配线索数据至相应处理人员进一步为:
按照所述待分配线索数据的优先级等级的顺序,并根据待分配线索数据和处理人员对应关系,分发待分配线索数据至相应处理人员。
7.如权利要求1所述的线索数据分发方法,其特征在于,还包括:
统计处理人员未处理的线索数据的数据量;
根据处理人员的上限处理量及未处理的线索数据的数据量,计算各处理人员的剩余处理量;
若各处理人员的剩余处理量均小于预设值;
则重新调整各等级概率区间。
8.一种线索数据分发装置,其特征在于,包括:
转换模块,用于根据业务挽留概率模型输入向量格式,确定待分配线索数据的待分配线索向量,其中,所述待分配线索数据包括:退办业务信息及业务相关的客户行为信息;
计算模块,用于将所述待分配线索向量输入至所述业务挽留概率模型中,计算得到所述待分配线索数据的挽留成功概率,其中,所述业务挽留概率模型由历史线索样本及其挽留成功概率训练得到,所述历史线索样本包括与预设业务相关、已进行挽留操作的线索数据;
等级划分模块,用于根据所述待分配线索数据的挽留成功概率,按照各等级概率区间划分所述待分配线索数据的等级;
分发模块,用于按照所述待分配线索数据的等级的优先级顺序,分发所述待分配线索数据至相应处理人员。
9.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-7任意一项所述方法的指令。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-7任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383050.9A CN114139898A (zh) | 2021-11-22 | 2021-11-22 | 一种线索数据分发方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383050.9A CN114139898A (zh) | 2021-11-22 | 2021-11-22 | 一种线索数据分发方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139898A true CN114139898A (zh) | 2022-03-04 |
Family
ID=80390570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111383050.9A Pending CN114139898A (zh) | 2021-11-22 | 2021-11-22 | 一种线索数据分发方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139898A (zh) |
-
2021
- 2021-11-22 CN CN202111383050.9A patent/CN114139898A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019127875A1 (zh) | 专属坐席池分配方法、电子装置及计算机可读存储介质 | |
US10887786B2 (en) | Near-uniform load balancing in a visibility network via usage prediction | |
WO2019144516A1 (zh) | 坐席分配方法、电子装置及计算机可读存储介质 | |
US20160180264A1 (en) | Retention risk determiner | |
CN107146160B (zh) | 投保客户健康状况分析方法及服务器 | |
CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔*** | |
CN111738819A (zh) | 表征数据筛选方法、装置和设备 | |
CN111557011A (zh) | 企业破产预测***及其运行方法 | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
CN110930218A (zh) | 一种识别欺诈客户的方法、装置及电子设备 | |
CN111242430A (zh) | 电力设备供应商评价方法和装置 | |
Huang et al. | Customer churn prediction for broadband internet services | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
CN110796450B (zh) | 可信关系处理方法以及装置 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN114139898A (zh) | 一种线索数据分发方法、装置、设备及存储介质 | |
US20220318819A1 (en) | Risk clustering and segmentation | |
CN108446907B (zh) | 安全校验方法及装置 | |
CN111654853B (zh) | 一种基于用户信息的数据分析方法 | |
CN108197740A (zh) | 企业倒闭预测方法、电子设备和计算机存储介质 | |
CN113205442A (zh) | 基于区块链的电子政务数据反馈管理方法及装置 | |
CN112613920A (zh) | 一种流失几率预测方法及装置 | |
CN112767178A (zh) | 生存状态监测方法、装置、计算机设备及存储介质 | |
WO2020024448A1 (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN113657675B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 |
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 |