CN117391405A - 用于客户与业务人员的智能匹配的方法、***和电子设备 - Google Patents
用于客户与业务人员的智能匹配的方法、***和电子设备 Download PDFInfo
- Publication number
- CN117391405A CN117391405A CN202311685220.8A CN202311685220A CN117391405A CN 117391405 A CN117391405 A CN 117391405A CN 202311685220 A CN202311685220 A CN 202311685220A CN 117391405 A CN117391405 A CN 117391405A
- Authority
- CN
- China
- Prior art keywords
- customer
- feature matrix
- business
- index
- business person
- 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 57
- 239000011159 matrix material Substances 0.000 claims abstract description 149
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 22
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 101001131592 Homo sapiens Periodic tryptophan protein 2 homolog Proteins 0.000 description 3
- 102100034421 Periodic tryptophan protein 2 homolog Human genes 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种用于客户与业务人员的智能匹配的方法、***和电子设备。该方法包括:获得多个客户和多个业务人员的特征数据;基于特征数据来为多个客户中的每个客户生成与该客户相关联的输入特征矩阵,其中生成输入特征矩阵包括:针对每个客户构建客户特征矩阵;针对所述多个业务人员中的每个业务人员构建业务人员特征矩阵;基于所述每个客户的特征数据与所述每个业务人员的特征数据之间的交叉特征数据来构建衍生交叉特征矩阵;以及从客户特征矩阵、业务人员特征矩阵、衍生交叉特征矩阵中选择指定元素作为输入特征矩阵的元素;以及将输入特征矩阵输入预训练模型以获得与每个客户匹配的业务人员的匹配结果。还公开了众多其他方面。
Description
技术领域
本发明涉及大数据应用技术领域,并且更具体地涉及用于客户与业务人员之间的智能匹配的方法、***和电子设备。
背景技术
在现有技术中,保险购买的潜在客户与为其服务的业务人员之间通常通过随机划分的方式来进行匹配,使得为不同业务人员分配的潜在客户数目或类型往往相同或类似,未能激励业绩表现更好的业务人员,无法提供客户转化潜力等个性化信息。另外,在不具备潜在客户与业务人员之间的历史数据的情况下,通过人工分配带来的主观影响较大,对于业务人员和可获得的潜在客户之间的匹配缺乏必要的针对性信息,这导致潜在客户渗透率与转化率较低。
本申请提出了一种在客户与业务人员的智能匹配的方法、***、电子设备和计算机介质,其可以基于客户与业务人员的全历史数据来实现匹配并且保证匹配的合理与数量均衡。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以作为稍后给出的更加详细的描述之序。
为了解决上述问题,本方面提出了一种客户与业务人员之间的智能匹配的方法、***和电子设备。
在本公开的一方面,提供了一种用于多个客户与多个业务人员的智能匹配的方法,所述方法包括:获得所述多个客户和所述多个业务人员的特征数据;基于所述特征数据来为所述多个客户中的每个客户生成与该客户相关联的输入特征矩阵,其中生成所述输入特征矩阵包括:将所述特征数据以及每个客户与每个业务人员之间的交叉特征数据按照与相应的特征数据的类型相关联的分箱准则进行分箱处理并且分别获得相应的特征数据所属分箱的客户分箱索引、业务人员分箱索引、交叉分箱索引;将与每个客户相关联的购买潜力度量和所述客户分箱索引作为针对每个客户构建的客户特征矩阵的元素;将所述业务人员分箱索引作为针对每个业务人员构建的业务人员特征矩阵的元素;将所述交叉分箱索引作为针对每个客户与每个业务人员构建的衍生交叉特征矩阵的元素;以及从所述客户特征矩阵、所述业务人员特征矩阵、所述衍生交叉特征矩阵中选择指定元素作为所述输入特征矩阵的元素;以及将所述输入特征矩阵输入预训练模型以获得与每个客户匹配的业务人员的匹配结果。
在一些方面,其中所述购买潜力度量是基于该客户的特征数据中的行为特征和资产特征来确定的。
在一些方面,选择指定元素作为所述输入特征矩阵的元素包括:确定所述客户特征矩阵、所述业务人员特征矩阵、所述衍生交叉特征矩阵中的相应元素的信息价值;将与满足阈值的信息价值相对应的元素选择为所述指定元素。
在一些方面,所述输入特征矩阵的元素进一步包括所述客户与所述业务人员之间的响应变量,所述响应变量对应于所述客户与所述业务人员之间的历史保单记录。
在一些方面,获得与每个客户匹配的业务人员的匹配结果进一步包括:将每个输入特征矩阵进行拼接;将拼接后的输入特征矩阵输入预训练的模型以获得与每个客户匹配的业务人员的匹配分数;以及选择与所述匹配分数中的最高分数相关联的业务人员作为与该客户匹配的业务人员。
在一些方面,该方法进一步包括:使用网格搜索基于训练数据集合来确定预训练模型的超参数。
在本公开的另一方面,提供了一种用于在多个客户与多个业务人员进行匹配的***,包括:处理单元;以及存储单元,所述存储单元存储计算机可执行指令,所述计算机可执行指令在由所述处理单元执行时可致使所述处理单元执行如前述方法中任意一项所述的方法。
在本公开的又一方面,提供了一种用于在多个客户与多个业务人员进行匹配的***,包括:用户信息获取模块,其用于获得所述多个客户和所述多个业务人员的特征数据;特征矩阵生成模块,其用于基于所述特征数据来为所述多个客户中的每个客户生成与该客户相关联的输入特征矩阵,其中生成所述输入特征矩阵包括:将所述特征数据以及每个客户与每个业务人员之间的交叉特征数据按照与相应的特征数据的类型相关联的分箱准则进行分箱处理并且分别获得相应的特征数据所属分箱的客户分箱索引、业务人员分箱索引、交叉分箱索引;将与每个客户相关联的购买潜力度量和所述客户分箱索引作为针对每个客户构建的客户特征矩阵的元素;将所述业务人员分箱索引作为针对每个业务人员构建的业务人员特征矩阵的元素;将所述交叉分箱索引作为针对每个客户与每个业务人员构建的衍生交叉特征矩阵的元素;以及从所述客户特征矩阵、所述业务人员特征矩阵、所述衍生交叉特征矩阵中选择指定元素作为所述输入特征矩阵的元素;以及匹配结果处模块,其用于将所述输入特征矩阵输入预训练模型以获得与每个客户匹配的业务人员的匹配结果。
在一些方面,其中所述购买潜力度量是基于该客户的特征数据中的行为特征和资产特征来确定的。
在本公开的又一方面,提供了一种非瞬态计算机存储介质,其上存储有计算机可执行指令,所述计算机可执行指令在由计算机的处理器执行时致使所述计算机执行前述方法中任一项所述的方法的操作。
提供本发明内容是为了以简化的形式来介绍一些概念,这些概念将在下面的具体实施方式中进一步描述。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用于限制所要求保护的主题的范围。各实施例的其他方面、特征和/或优点将部分地在下面的描述中阐述,并且将部分地从描述中显而易见,或者可以通过本公开的实践来学习。
附图说明
为了能详细地理解本发明的上述特征所用的方式,可以参照各实施例来对以上简要概述的内容进行更具体的描述,其中一些方面在附图中示出。然而应该注意,附图仅示出了本发明的某些典型方面,故不应被认为限定其范围,因为该描述可以允许有其它等同有效的方面。在附图中,类似附图标记始终作类似的标识。要注意,所描述的附图只是示意性的并且是非限制性的。在附图中,一些部件的尺寸可放大并且出于解说性的目的不按比例绘制。
图1解说了根据本发明的一实施例的用于客户与业务人员的智能匹配的示例方法的流程图。
图2解说了根据本发明的一实施例的用于客户与业务人员的智能匹配的示例方法的流程图。
图3是根据本公开的一些实施例的可包括被配置成执行用于本文中所公开的用于客户与业务人员的智能匹配的方法的各种模块的计算机。
图4是适于用来实现本公开的一些实施例中的用于客户与业务人员的智能匹配的示例性计算机***的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。在以下详细描述中,阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而,对于本领域技术人员显而易见的是,可以在没有这些具体细节中的一些或全部的情况下实践所描述的实施例。在其他示例性实施例中,没有详细描述公知的结构或处理步骤,以避免不必要地模糊本公开的概念。
在本说明书中,除非另有说明,否则通过本说明书使用的术语“A或B”指的是“A和B”和“A或B”,而不是指A和B是排他性的。
现有技术中,保险购买的潜在客户与为其服务的销售业务人员之间通常仅通过随机划分的方式来进行匹配。这导致为不同业务人员分配的潜在客户数目或类型往往相同或类似,未能无法激励业绩表现更好的业务人员,无法提供客户转化潜力等个性化信息。另外,在不具备潜在客户与业务人员之间的历史数据的情况下,通过人工分配带来的主观影响较大,对于业务人员与可获得的潜在客户之间的匹配缺乏必要的针对性信息,这导致潜在客户渗透率与转化率较低。为了避免人工分配带来的主观影响并且提升客户渗透率与转化率,亟待结合机器学习来在客户与业务人员进行智能匹配,以优化匹配结果。
本申请提出了一种在客户与业务人员的智能匹配的方法、***、电子设备和计算机介质,其可以基于客户与业务人员的全历史数据来实现匹配并且保证匹配的合理与数量均衡。下面参考图1-图4来具体描述本公开的各实施例。
图1解说了根据本发明的一实施例的用于客户与业务人员的智能匹配的方法100的示例。
在本申请的实施例中,方法100包括:在步骤105,获得多个客户和多个业务人员的特征数据。应理解,这些特征数据包括但不限于以下各方面的内容。
在本申请的实施例中,客户(在本申请中也被称为潜客、潜在客户等)特征数据包含:1.年龄;2.性别;3.具体意向需求类型,诸如退休保障、家庭保障、子女留学等等;4.画像标签,诸如健康生活爱好者、高端教育需求者、财富管理偏好者、品质养老需求者、高端商务族群、深度保险用户等等;以及5.资产水平等等。
在本申请的实施例中,业务人员(在本申请中也被称为PWP)特征数据包含:1.年龄;2.性别;3.销售经验与时长;4.销售保单经常性收入指标,诸如销售件数等等;5.销售保单产品类型,诸如重疾险、终身寿险、储蓄型保险等等。
在本申请的实施例中,衍生交叉特征包含:1.潜客与业务人员年龄差异及性别差异;2.意向需求类型与擅长销售类型是否吻合等等。
上述数据可以通过调查问卷、外部网站源、历史数据、或内部既有标签等方式来获取,并在数据缺失的情况下可以使用缺省数据进行填充,在本申请上下文中将不进行赘述。
在本申请的实施例中,方法100进一步包括:在步骤110,基于所获得的特征数据来为多个客户中的每个客户生成与该客户相关联的输入特征矩阵。接下来结合图2来进一步解说方法100。图2描述了对图1中的步骤110的详细描述。
方法100中生成输入特征矩阵包括:在步骤205,针对每个客户构建客户特征矩阵;在步骤210,针对多个业务人员中的每个业务人员构建业务人员特征矩阵;在步骤215基于每个客户的特征数据与每个业务人员之间的交叉特征数据来构建衍生交叉特征矩阵;以及在步骤220,从客户特征矩阵、业务人员特征矩阵、衍生交叉特征矩阵中选择指定元素作为所述输入特征矩阵的元素。
在本申请的实施例中,针对每个客户构建的客户特征矩阵的元素的类型可包括:潜客购买潜力度量SCORE、潜客年龄TR1_CAL_AGE、潜客性别GENDER、潜客需求画像标签、潜客需求画像标签衍生P_MIX、潜客资产水平TCR_GRP等等。例如,可以将客户的特征数据按照与相应的特征数据的类型相关联的分箱准则进行分箱处理并且分别获得该特征数据所属分箱的客户分箱索引,并且将与每个客户相关联的购买潜力度量和客户分箱索引作为针对每个客户构建的客户特征矩阵的元素。在本申请的实施例中,客户特征矩阵的第一类型的元素可以是潜客购买潜力度量SCORE,其指既有潜力评分,即基于潜客在银行的行为特征及资产特征打分,其是0至1之间小数,并且使用该小数作为客户特征矩阵的对应元素。在本申请的实施例中,客户特征矩阵的第二类型的元素可以是潜客年龄TR1_CAL_AGE值,例如可以将潜客年龄进行分箱处理,共分为5个年龄段,30岁以下,30至40岁,40至50岁,35至40岁,50岁以上,每个分箱赋予一个索引号,例如,30岁以下索引为1,30至40岁索引为2,40至50岁索引为3,35至40岁索引为4,50岁以上索引为5,以此类推,并且使用索引号作为客户特征矩阵的对应元素。在本申请的实施例中,客户特征矩阵的第三类型的元素可以是潜客性别GENDER,例如可以使用0表示女性,使用1表示男性,并且相应地分箱索引可以是0和1,从而确定客户特征矩阵的对应元素。在本申请的实施例中,客户特征矩阵的第四类型的元素可以是潜客需求画像标签,其可以是内部既有标签,由银行内部资产配置组合情况决定,体现潜客是否有如下需求,退休需求P_RETIREMENT_AWARE、子女教育需求P_EDU_NEED、健康需求P_HEALTH、投资需求P_INVESTING、传承需求P_LEGACY_PLAN,具有该需求的潜客的客户特征矩阵的对应元素可被确定为1,不具有该需求的可被确定为0。例如,如果潜客A具有退休需求、健康需求而不具有子女教育需求、投资需求,则其客户特征矩阵的对应元素可被确定为1、0、1、0。类似地,如果潜客B具有退休需求、子女教育需求、健康需求,而不具有投资需求,则其客户特征矩阵的对应元素可被确定为1、1、1、0。在本申请的实施例中,客户特征矩阵的第五类型的元素可以是潜客需求画像标签衍生P_MIX,其标记是否至少含有子女教育需求(P_EDU_NEED)、投资需求(P_INVESTING)、传承需求(P_LEGACY_PLAN)三个需求中的任意一者,即Max(P_EDU_NEED,P_INVESTING,P_LEGACY_PLAN),若有三个需求中的任意一者,则其客户特征矩阵的对应元素可被确定为1,反之为0。在本申请的实施例中,客户特征矩阵的第六类型的元素可以是潜客资产水平TCR_GRP,其是内部既有标签,基于银行内部实际账户余额及持仓情况,使用离散型变量的形式依次以1至6代表资产水平由低至高,并且相应地分箱索引可以是1至6。本领域技术人员应当明白,上述客户特征矩阵以及元素的取值方法仅仅是用于构建各个矩阵的示例,并且可以使用任何其他合适的方法来构建各个矩阵而不背离本公开的范围。
在本申请的实施例中,针对多个业务人员中的每个业务人员构建业务人员特征矩
阵的类型可包括:PWP年龄PWP_AGE、PWP实际销售月数PWP_START_SELL_MTHS、PWP至今累计
经常性收入月均PWP_ALLS_RR_MTH、PWP至今累计经常性收入月均值NRC渠道PWP_NRC_RR_
MTH、PWP经常性收入NRC占比指数PWP_NRC_RR_PROP_MTH、各类型产品销售业绩等等。例如,
可以将业务人员的特征数据按照与相应的特征数据的类型相关联的分箱准则进行分箱处
理并且分别获得相应的特征数据所属分箱的业务人员分箱索引,以及将业务人员分箱索引
作为针对每个业务人员构建的业务人员特征矩阵的元素。在本申请的实施例中,业务人员
特征矩阵的第一类型的元素可以是PWP的年龄PWP_AGE,例如,可以将业务人员的年龄进行
分箱处理,共分为5个年龄段,25岁以下,25至30岁,30至35岁,35至40岁,40岁以上,每个分
箱赋予一个索引号,例如,25岁以下索引为1,25至30岁索引为2,30至35岁索引为3,35至40
岁索引为4,40岁以上索引为5,以此类推,并且使用索引号作为业务人员特征矩阵的对应元
素。在本申请的实施例中,业务人员特征矩阵的第二类型的元素可以是PWP实际销售月数
PWP_START_SELL_MTHS,其表示自个人起始销售日起,实际销售天数除30取整作为月数,可
以反映销售从业经验,取整后的月数作为分箱索引,并且相应地用作业务人员特征矩阵的
对应元素。在本申请的实施例中,业务人员特征矩阵的第三类型的元素可以是PWP至今累计
经常性收入月均PWP_ALLS_RR_MTH,其表示销售保单按实际销售产品,每张保单年化首年保
费乘以不同产品经常性收入比率RR%,平均至PWP实际销售月数,不区分潜客渠道来源,
如下式所示:,其取整后的值可以作为分箱索引并且相应地用于构建业务
人员特征矩阵的元素。在本申请的实施例中,业务人员特征矩阵的第四类型的元素可以是
PWP至今累计经常性收入月均值NRC渠道PWP_NC_RR_MTH,其可以表示销售保单按实际销售
产品,每张保单年化首年保费ANP乘以不同产品经常性收入比率RR%,平均至PWP实际销售月
数取整,来源仅限于汇丰特定客户NRC成交保单。在本申请的实施例中,NRC渠道与其他渠道
的区别为已在特定银行开户并且有更加丰富的数据特征,例如在特定地区的资产配置、账
户余额、基金、债券、股票配置等,NRC渠道的变量SCORE以特定地区侧资产数据产生。在本申
请的实施例中,业务人员特征矩阵的第五类型的元素可以是PWP经常性收入NRC占比指数
PWP_NRC_RR_PROP_MTH,其表示PWP至今累计经常性收入(不区分渠道)/PWP至今累计经常性
收入(NRC渠道)/PWP实际销售月数,如下:,其取整后的
值可以作为分箱索引并且相应地用于构建业务人员特征矩阵的元素。在本申请的实施例
中,业务人员特征矩阵的第六类型的元素可以是各类型产品销售业绩:产品类型可分为重
疾险PWP_CT_CI、终身寿险PWP_CT_WL、年金险PWP_CT_SAV,计各个产品类型下,实际累积已
成交保单数,例如,如果业务人员销售重疾险10单,终身寿险5单,年金险20单,则业务人员
特征矩阵的元素可被确定为10、5、20,并且相应地分箱索引可以是10、5、20。本领域技术人
员应当明白,上述业务人员特征矩阵以及元素的取值方法仅仅是用于构建各个矩阵的示
例,并且可以使用任何其他合适的方法来构建各个矩阵而不背离本公开的范围。
在本申请的实施例中,基于每个客户的特征数据与每个业务人员的特征数据之间的交叉特征数据来构建的衍生交叉特征矩阵的元素的类型可包括:潜客与PWP年龄差CRS_AGE_DIFF_ABS_GRP、潜客与PWP性别差异CRS_OPPOSITE_GENDER、潜客教育退休需求交叉年金类销售标签CRS_SAV_EDU_RETI、潜客传承需求交叉年金类销售标签CRS_SAV_LEG、潜客健康需求交叉重疾险销售标签CRS_CI_HEALTH等等。例如,可以将每个客户与每个业务人员之间的交叉特征数据按照与其类型相关联的分箱准则进行分箱处理并且获得相应的交叉特征数据所属分箱的交叉分箱索引,以及将该交叉分箱索引作为针对每个客户与每个业务人员构建的衍生交叉特征矩阵的元素。在本申请的实施例中,衍生交叉特征矩阵的第一类型的元素可以是潜客与PWP年龄差CRS_AGE_DIFF_ABS_GRP,例如可以将潜客与PWP的年龄差进行分析处理,5岁为一个分箱,共分为5个分箱,依次为5岁以内,5-10岁,10-15岁,15至20岁,20岁以上,每个分箱赋予一个索引号,例如,5岁以内索引为1,5-10岁索引为2,10-15岁索引为3,15至20岁索引为4,20岁以上索引为5,以此类推,并且使用索引号作为衍生交叉特征矩阵的对应元素。在本申请的实施例中,衍生交叉特征矩阵的第二类型的元素可以是潜客与PWP性别差异CRS_OPPOSITE_GENDER:1代表异性,0为同性,并且相应地分箱索引可以是1和0。在本申请的实施例中,衍生交叉特征矩阵的第三类型的元素可以是潜客教育退休需求交叉年金类销售标签CRS_SAV_EDU_RETI: PWP_CT_SAV (P_EDU_NEED +P_REETIREMENT_AWARE)。举例而言,PWP_CT_SAV可以表示PWP实际累积已成交年金险保单数,例如3单,P_EDU_NEED可以表示是否有子女教育需求,例如值为1(表示有教育需求),P_RETIREMENT_AWARE退休需求值为1(表示有退休需求),则潜客教育退休需求交叉年金类销售标签CRS_SAV_EDU_RETI = 3 />(1+1)= 6,并且相应地分箱索引可以是6。在本申请的实施例中,衍生交叉特征矩阵的第四类型的元素可以是潜客传承需求交叉年金类销售标签CRS_SAV_LEG :PWP_CT_SAV /> P_EDU_NEED。举例而言,PWP_CT_SAV可以表示PWP实际累积已成交年金险保单数,例如5单,P_EDU_NEED可以表示是否有子女教育需求,例如值为1(表示有教育需求),则潜客传承需求交叉年金类销售标签CRS_SAV_LEG = 5 /> 1= 5,并且相应地分箱索引可以是5。在本申请的实施例中,衍生交叉特征矩阵的第五类型的元素可以是潜客健康需求交叉重疾险销售标签CRS_CI_HEALTH: PWP_CT_CI /> P_HEALTH。举例而言,PWP_CT_CI可以表示PWP实际累积已成交重疾险保单数,例如10单,P_HEALTH可以表示是否有健康需求,例如值为1(表示有健康需求),则潜客健康需求交叉重疾险销售标签CRS_CI_HEALTH = 10 /> 1= 10,并且相应地分箱索引可以是10。本领域技术人员应当明白,衍生交叉特征矩阵以及元素的取值方法仅仅是用于构建各个矩阵的示例,并且可以使用任何其他合适的方法来构建各个矩阵而不背离本公开的范围。
在构建客户特征矩阵、业务人员特征矩阵、衍生交叉特征矩阵之后,本申请的方法进一步选择指定元素作为所述输入特征矩阵的元素,包括:确定客户特征矩阵、业务人员特征矩阵、衍生交叉特征矩阵中的相应元素的信息价值;将与满足阈值的信息价值相对应的元素选择为所述指定元素。
例如,可以并且基于由下式计算的信息价值IV值进行筛选而最终确定输入特征矩阵的入模特征,具体如下:
其中,Negi指分箱后某一组中负样本数量,NegT指所有负样本数量,Posi指分箱后某一组中正样本数量,PosT指所有正样本数量,证据权重WOEi指某个变量分箱某组的WOE值。
在本申请的实施例中,选择IV值介于0.05与0.95之间的变量作为最终确定的输入特征矩阵的入模特征,输入特征矩阵的入模特征选择情况可参见如下表1。
表1
如表1中所示,PWP年龄分组TR1_PWP_AGE的IV值为0.051929,潜客与PWP年龄差CRS_AGE_DIFF_ABS_GRP的IV值为0.133695,由于其IV值介于0.05与0.95之间,因此被选作最终确定的输入特征矩阵的入模特征。此外,潜客需求画像标签健康需求AMH_P_HEALTH的IV值为000082,由于过低而没有被选择为输入特征矩阵。
附加地或替换地,在本申请的实施例中,输入特征矩阵的元素进一步包括客户与业务人员之间的响应变量(RESPONSE),该响应变量对应于客户与业务人员之间的历史保单记录,例如,有保单成交的响应变量确定为1,反之,响应变量确定为0。本申请中输入特征矩阵的示例如下表2中所示:
表2
在本申请的实施例中,将客户信息输入树模型后,使用网格搜索算法基于训练数据集合来确定预训练模型的超参数。训练数据集合可以是已知的包括以上提及的多个客户和多个业务人员的特征数据,以及客户和业务人员的交叉特征数据。应理解,训练数据集合可以通过调查问卷、外部网站源、历史数据、或内部既有标签等方式来获取,并在数据缺失的情况下可以使用缺省数据进行填充。表2的输入特征矩阵中的各个元素可以对应于预训练的XGBoost梯度提升树算法模型中确定的不同超参数,通过使得测试数据集合的曲线下面积AUC达到最优且同时测试数据集合与训练数据集合的AUC差异相对较小来训练该XGBoost梯度提升树模型。在本申请的实施例中,通过网格搜索算法在测试数据集合上的表现来调节确定XGBoost梯度提升树模型参数,采用二元分类的逻辑回归,输出概率值,树深度为5,学习率0.05,最小叶子节点样本权重和5,对于每棵树,随机采样的比例90%。
在本申请的实施例中,方法100进一步包括:在步骤115,将所述输入特征矩阵输入预训练模型以获得与每个客户匹配的业务人员的匹配结果。其中获得与每个客户匹配的业务人员的匹配结果进一步包括:将每个输入特征矩阵进行拼接;将拼接后的输入特征矩阵输入预训练的模型以获得与每个客户匹配的业务人员的匹配分数;以及选择与匹配分数中的最高分数相关联的业务人员作为与该客户匹配的业务人员。
在本申请的实施例中,当将拼接后的输入特征矩阵输入预训练的模型后,可以与潜客所在城市所有可分配PWP进行匹配打分,取评分最高PWP作为最终分配,当出现评分相同的情况时,则在同分数的PWP中进行随机分配。
表3
在上表中,对于编号6的客户,最高分数0.76对应于PWP4,故此,将PWP4分配给编号6的客户。对于编号8的客户,最高分数0.45对应于PWP2、PWP3、PWP4,故此,将PWP3随机分配给编号8的客户。附加地或替换地,未被分配的PWP可以被基于较高的优先级,例如,对于编号8的客户,最高分数0.45对应于PWP2、PWP3、PWP4,基于PWP2被分配给编号7的客户并且PWP4被分配给编号6的客户,故此,将PWP3优先分配给编号8的客户。
在本申请的实施例中,可以仅针对符合业务条件的业务人员构建业务人员特征矩阵,以及基于针对不同场景预先配置的一个或多个业务条件。在本申请的实施例中,可以制定业务条件,例如,可以确定PWP的业绩表现,确定客户的转化潜力,确定客户的净值,并且业务条件可以是业绩表现高于阈值的PWP,转化潜力高于阈值的客户,净值高于阈值的客户。可以按照上述业务条件筛选可分配业务人员和可分配客户。附加地或替换地,可以将当前跟进客户数量即时反馈作为分配依据,例如,分配客户数量可以因变于当前跟进客户数量,从而实现动态分配的动态规划,保证分配的合理与数量的均衡。
在本申请的实施例中,可以基于针对不同场景预先配置的一个或多个业务条件,以灵活配置不同场景的客户。具体而言,场景可以是客户来源,例如第一类型场景的汇丰特定客户NRC、第二类型场景的数字营销渠道客户、第三类型场景的规划师自拓展客户、第四类型场景的职域活动客户等等。例如,在第一类型场景的情况下,可以将净值高于阈值的客户指定为具有最高优先级,从而将其分配给业绩表现高于阈值的PWP。附加地或替换地,例如,在第二类型场景的情况下,可以将转化潜力高于阈值的客户指定为具有最高优先级,从而将其分配给业绩表现高于阈值的PWP。进一步地,例如,在第三类型场景的情况下,可以将由指定PWP拓展的所有客户均指派给指定PWP拓展。应理解,也可以有其他业务条件和场景,而不会脱离本公开的范围。
本领域技术人员应当明白,上述将客户与业务人员的智能匹配方法仅仅是是作为示例来提供的,并且可以使用任何其他合适的方法来进行客户与业务人员的匹配而不背离本公开的范围,例如,还可以进一步丰富潜客与业务人员画像数据,如添加风险偏好,家乡所处城市,个人经历等等,模型角度考虑构造样本,丰富拓展实际图谱网络,缓解正负样本不平均等问题。
接下来参照图3进行解说。图3是根据本公开的一些实施例的可包括被配置成执行用于本文中所公开的用于客户与业务人员的智能匹配的方法的各种组件的计算机。
处理***302包括经由总线306耦合到计算机可读介质/存储器312的处理器304。处理***302可被配置成执行用于计算机300处理功能,包括处理由计算机300接收和/或将要传送的信号。在某些方面,计算机可读介质/存储器312被配置成存储在由处理器304执行时致使处理器304执行图1-2中所解说的操作或者用于执行本文中所讨论的用于提供客户与业务人员的智能匹配的各种技术的其他操作的指令(例如,计算机可执行代码)。在某些方面,计算机可读介质/存储器312可以存储用于获得特征数据的代码322、用于生成输入特征矩阵的代码324、和/或用于获得匹配结果的代码326等等。在一些方面,处理器304具有被配置成实现存储在计算机可读介质/存储器312中的代码的电路***。处理器304可以包括用于获得特征数据的电路***342、用于生成输入特征矩阵的电路***344、和/或用于获得匹配结果的电路***346等等。
根据本公开的另一方面,提供了一种用于客户与业务人员的智能匹配的***的实施例,其包括:用于获得所述多个客户和所述多个业务人员的特征数据的装置;用于基于所述特征数据来为所述多个客户中的每个客户生成与该客户相关联的输入特征矩阵的装置,其中用于生成所述输入特征矩阵的装置包括:用于针对每个客户构建客户特征矩阵的装置;用于针对所述多个业务人员中的每个业务人员构建业务人员特征矩阵的装置;用于基于所述每个客户的特征数据与所述每个业务人员的特征数据之间的交叉特征数据来构建衍生交叉特征矩阵的装置;以及用于从所述客户特征矩阵、所述业务人员特征矩阵、所述衍生交叉特征矩阵中选择指定元素作为所述输入特征矩阵的元素的装置;和/或用于将所述输入特征矩阵输入预训练模型以获得与每个客户匹配的业务人员的匹配结果的装置等等。
图4是适于用来实现本公开的一些实施例中的用于客户与业务人员的智能匹配的示例性计算机***的框图。图4显示的计算机***012仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,计算机***012以通用计算设备的形式表现。计算机***012的组件可以包括但不限于:一个或者多个处理器或者处理单元016,***存储器028,连接不同***组件(包括***存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机***012典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机***012访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器028可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机***012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***034可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM、DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040,可以存储在例如存储器028中,这样的程序模块042包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本公开所描述的实施例中的功能和/或方法。
计算机***012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信,在本公开中,计算机***012与外部雷达设备进行通信,还可与一个或者多个使得用户能与该计算机***012交互的设备通信,和/或与使得该计算机***012能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且,计算机***012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器020通过总线018与计算机***012的其它模块通信。应当明白,尽管图4中未示出,可以结合计算机***012使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元016通过运行存储在***存储器028中的程序,从而执行各种功能应用以及数据处理,例如实现本工农开实施例所提供的方法流程。
根据本公开的又一方面,提供了一种非瞬态计算机存储介质的实施例,其上存储有计算机可执行指令,所述计算机可执行指令在由计算机执行时致使所述计算机执行如上文所描述的提供多个客户与多个业务人员的智能匹配的方法中的任一方面的操作。
计算机程序可以设置于计算机存储介质中,即该计算机存储介质被编码有计算机程序,该程序在被一个或多个计算机执行时,使得一个或多个计算机执行本公开上述实施例中所示的方法流程和/或装置操作。例如,被上述一个或多个处理器执行本公开实施例所提供的方法流程。
随着时间、技术的发展,介质含义越来越广泛,计算机程序的传播途径不再受限于有形介质,还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。
计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员可以理解,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体***的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本公开的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
以上描述了根据本发明的实现客户与业务人员之间的智能匹配的方法、***和电子设备,相对现有技术而言,本发明的方法至少具有以下优点:
(1)减小人工分配带来的主观影响并且提升客户渗透率与转化率,结合机器学习来在客户与业务人员进行智能匹配,以优化匹配结果;
(2)按照既定业务条件筛选可分配的业务人员,激励业绩表现更好的业务人员拿到转化潜力更高的客户、更高净值的客户。
在整个说明书中已经参照“实施例”,意味着特定描述的特征、结构或特性包括在至少一个实施例中。因此,这些短语的使用可以不仅仅指代一个实施例。此外,所描述的特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。
以上描述的方法和装置的各个步骤和模块可以用硬件、软件、或其组合来实现。如果在硬件中实现,结合本公开描述的各种说明性步骤、模块、以及电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或其他可编程逻辑组件、硬件组件、或其任何组合来实现或执行。通用处理器可以是处理器、微处理器、控制器、微控制器、或状态机等。如果在软件中实现,则结合本公开描述的各种说明性步骤、模块可以作为一条或多条指令或代码存储在计算机可读介质上或进行传送。实现本公开的各种操作的软件模块可驻留在存储介质中,如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、可移动盘、CD-ROM、云存储等。存储介质可耦合到处理器以使得该处理器能从/向该存储介质读写信息,并执行相应的程序模块以实现本公开的各个步骤。而且,基于软件的实施例可以通过适当的通信手段被上载、下载或远程地访问。这种适当的通信手段包括例如互联网、万维网、内联网、软件应用、电缆(包括光纤电缆)、磁通信、电磁通信(包括RF微波和红外通信)、电子通信或者其他这样的通信手段。
在各实施例中给出的数值仅作为示例,而不作为对本发明范围的限制。此外,作为一个整体技术方案,还存在其他没有被本发明权利要求或说明书所列举的元器件或者步骤。而且,一个元器件的单个名称不排除该元器件的其他名称。
还应注意,这些实施例可能是作为被描绘为流程图、流图、结构图、或框图的过程来描述的。尽管流程图可能会把诸操作描述为顺序过程,但是这些操作中有许多操作能够并行或并发地执行。另外,这些操作的次序可被重新安排。
所公开的方法、装置和***不应以任何方式被限制。相反,本公开涵盖各种所公开的实施例(单独和彼此的各种组合和子组合)的所有新颖和非显而易见的特征和方面。所公开的方法、装置和***不限于任何具体方面或特征或它们的组合,所公开的任何实施例也不要求存在任一个或多个具体优点或者解决特定或所有技术问题。
本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护范围之内。
相关领域的技术人员可以认识到,可以在没有一个或多个具体细节的情况下或者利用其他方法、资源、材料等来实践这些实施例。在其他情况下,众所周知的结构、资源,或者仅仅为了观察实施例的模糊方面而未详细示出或描述操作。
虽然已经说明和描述了实施例和应用,但是应该理解,实施例不限于上述精确配置和资源。在不脱离所要求保护的实施例的范围的情况下,可以在本文公开的方法和***的布置,操作和细节中进行对本领域技术人员显而易见的各种修改、替换和改进。
如本文中所使用的术语“和”、“或”以及“和/或”可包括还预期至少部分地取决于使用此类术语的上下文的各种含义。通常,“或”如果被用于关联一列表,诸如A、B或C,则旨在表示A、B和C(这里使用的是包含性的含义)以及A、B或C(这里使用的是排他性的含义)。另外,本文所使用的术语“一个或多个”可用于描述单数形式的任何特征、结构或特性,或者可用于描述多个特征、结构或特征或其某种其他组合。但是,应注意,这仅是说明性示例,并且所要求保护的主题内容不限于此示例。
虽然已经解说并描述了目前被认为是示例特征的内容,但是本领域技术人员将理解,在不脱离所要求保护的主题的情况下,可以进行各种其他修改,并且可以替换等同物。附加地,可以作出许多修改以使特定场景适应于要求保护的主题内容的教导,而不脱离本文所描述的中心概念。
Claims (10)
1.一种用于多个客户与多个业务人员的智能匹配的方法,所述方法包括:
获得所述多个客户中的每个客户和所述多个业务人员中的每个业务人员的特征数据;
基于所述特征数据来为每个客户生成与该客户相关联的输入特征矩阵,其中生成所述输入特征矩阵包括:
将所述特征数据以及每个客户与每个业务人员之间的交叉特征数据按照与相应的特征数据的类型相关联的分箱准则进行分箱处理并且分别获得相应的特征数据所属分箱的客户分箱索引、业务人员分箱索引、交叉分箱索引;
将与每个客户相关联的购买潜力度量和所述客户分箱索引作为针对每个客户构建的客户特征矩阵的元素;
将所述业务人员分箱索引作为针对每个业务人员构建的业务人员特征矩阵的元素;
将所述交叉分箱索引作为针对每个客户与每个业务人员之间的衍生交叉特征构建的衍生交叉特征矩阵的元素;以及
从所述客户特征矩阵、所述业务人员特征矩阵、所述衍生交叉特征矩阵中选择指定元素作为所述输入特征矩阵的元素;以及
将所述输入特征矩阵输入预训练模型以获得与每个客户匹配的业务人员的匹配结果。
2.如权利要求1所述的方法,其特征在于,所述购买潜力度量是基于每个客户的特征数据中的行为特征和资产特征来确定的。
3.如权利要求2所述的方法,其特征在于,选择指定元素作为所述输入特征矩阵的元素包括:
确定所述客户特征矩阵、所述业务人员特征矩阵、所述衍生交叉特征矩阵中的相应元素的信息价值;
将与满足阈值的信息价值相对应的元素选择为所述指定元素。
4.如权利要求3所述的方法,其特征在于,所述输入特征矩阵的元素进一步包括客户与业务人员之间的响应变量,所述响应变量对应于客户与业务人员之间的历史保单记录。
5.如权利要求1所述的方法,其特征在于,获得与每个客户匹配的业务人员的匹配结果进一步包括:
将每个输入特征矩阵进行拼接;
将拼接后的输入特征矩阵输入预训练的模型以获得与每个客户匹配的业务人员的匹配分数;以及
选择与所述匹配分数中的最高分数相关联的业务人员作为与该客户匹配的业务人员。
6.如权利要求1所述的方法,其特征在于,进一步包括:
使用网格搜索基于训练数据集合来确定所述预训练模型的超参数。
7.一种用于在多个客户与多个业务人员进行匹配的***,包括:
处理单元;以及
存储单元,所述存储单元存储计算机可执行指令,所述计算机可执行指令在由所述处理单元执行时可致使所述处理单元执行如权利要求1-6中任意一项所述的方法。
8.一种用于在多个客户与多个业务人员进行匹配的***,包括:
用户信息获取模块,其用于获得所述多个客户和所述多个业务人员的特征数据;
特征矩阵生成模块,其用于基于所述特征数据来为所述多个客户中的每个客户生成与该客户相关联的输入特征矩阵,其中生成所述输入特征矩阵包括:
将所述特征数据以及每个客户与每个业务人员之间的交叉特征数据按照与相应的特征数据的类型相关联的分箱准则进行分箱处理并且分别获得相应的特征数据所属分箱的客户分箱索引、业务人员分箱索引、交叉分箱索引;
将与每个客户相关联的购买潜力度量和所述客户分箱索引作为针对每个客户构建的客户特征矩阵的元素;
将所述业务人员分箱索引作为针对每个业务人员构建的业务人员特征矩阵的元素;
将所述交叉分箱索引作为针对每个客户与每个业务人员构建的衍生交叉特征矩阵的元素;以及
从所述客户特征矩阵、所述业务人员特征矩阵、所述衍生交叉特征矩阵中选择指定元素作为所述输入特征矩阵的元素;以及
匹配结果处模块,其用于将所述输入特征矩阵输入预训练模型以获得与每个客户匹配的业务人员的匹配结果。
9.如权利要求8所述的***,其特征在于,所述购买潜力度量是基于每个客户的特征数据中的行为特征和资产特征来确定的。
10.一种非瞬态计算机存储介质,其上存储有计算机可执行指令,所述计算机可执行指令在由计算机的处理器执行时致使所述计算机执行如权利要求1-6中任一项所述的方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685220.8A CN117391405B (zh) | 2023-12-11 | 2023-12-11 | 用于客户与业务人员的智能匹配的方法、***和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685220.8A CN117391405B (zh) | 2023-12-11 | 2023-12-11 | 用于客户与业务人员的智能匹配的方法、***和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391405A true CN117391405A (zh) | 2024-01-12 |
CN117391405B CN117391405B (zh) | 2024-03-15 |
Family
ID=89472455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311685220.8A Active CN117391405B (zh) | 2023-12-11 | 2023-12-11 | 用于客户与业务人员的智能匹配的方法、***和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391405B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709758A (zh) * | 2016-12-19 | 2017-05-24 | 浙江网新恒天软件有限公司 | 一种电商产品中服务类商品的智能推荐和分配解决方法 |
CN107730155A (zh) * | 2017-11-24 | 2018-02-23 | 泰康保险集团股份有限公司 | 信息分配方法及装置、存储介质和电子设备 |
CN108564255A (zh) * | 2018-03-22 | 2018-09-21 | 中国平安人寿保险股份有限公司 | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 |
US20180330192A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Load-Balancing Training of Recommender System for Heterogeneous Systems |
CN111080098A (zh) * | 2019-12-04 | 2020-04-28 | 中国太平洋保险(集团)股份有限公司 | 一种o2o智能匹配算法及装置 |
CN111429292A (zh) * | 2019-10-22 | 2020-07-17 | 北京芝麻保科技有限公司 | 保险行业服务人员与服务对象智能匹配*** |
CN111681087A (zh) * | 2020-06-16 | 2020-09-18 | 贝壳技术有限公司 | 信息处理方法、装置、计算机可读存储介质及电子设备 |
CN113592306A (zh) * | 2021-07-30 | 2021-11-02 | 北京壹心壹翼科技有限公司 | 基于全流程用户画像的智能匹配方法、装置、设备及介质 |
CN115131101A (zh) * | 2022-07-05 | 2022-09-30 | 太平人寿保险有限公司 | 一种保险产品个性化智能推荐*** |
CN115952468A (zh) * | 2022-12-20 | 2023-04-11 | 中移信息技术有限公司 | 特征处理方法、装置、设备及计算机存储介质 |
CN116993414A (zh) * | 2023-07-14 | 2023-11-03 | 富卫信息科技(广州)有限公司 | 潜在客户数据的数据处理方法、***、装置及存储介质 |
-
2023
- 2023-12-11 CN CN202311685220.8A patent/CN117391405B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709758A (zh) * | 2016-12-19 | 2017-05-24 | 浙江网新恒天软件有限公司 | 一种电商产品中服务类商品的智能推荐和分配解决方法 |
US20180330192A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Load-Balancing Training of Recommender System for Heterogeneous Systems |
CN107730155A (zh) * | 2017-11-24 | 2018-02-23 | 泰康保险集团股份有限公司 | 信息分配方法及装置、存储介质和电子设备 |
CN108564255A (zh) * | 2018-03-22 | 2018-09-21 | 中国平安人寿保险股份有限公司 | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 |
CN111429292A (zh) * | 2019-10-22 | 2020-07-17 | 北京芝麻保科技有限公司 | 保险行业服务人员与服务对象智能匹配*** |
CN111080098A (zh) * | 2019-12-04 | 2020-04-28 | 中国太平洋保险(集团)股份有限公司 | 一种o2o智能匹配算法及装置 |
CN111681087A (zh) * | 2020-06-16 | 2020-09-18 | 贝壳技术有限公司 | 信息处理方法、装置、计算机可读存储介质及电子设备 |
CN113592306A (zh) * | 2021-07-30 | 2021-11-02 | 北京壹心壹翼科技有限公司 | 基于全流程用户画像的智能匹配方法、装置、设备及介质 |
CN115131101A (zh) * | 2022-07-05 | 2022-09-30 | 太平人寿保险有限公司 | 一种保险产品个性化智能推荐*** |
CN115952468A (zh) * | 2022-12-20 | 2023-04-11 | 中移信息技术有限公司 | 特征处理方法、装置、设备及计算机存储介质 |
CN116993414A (zh) * | 2023-07-14 | 2023-11-03 | 富卫信息科技(广州)有限公司 | 潜在客户数据的数据处理方法、***、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
胡秀红;: "商业银行客户细分探究", 中国金融电脑, no. 12, 15 December 2007 (2007-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117391405B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mercure et al. | Modelling innovation and the macroeconomics of low-carbon transitions: theory, perspectives and practical use | |
Babajide et al. | Financial literacy, financial capabilities, and sustainable business model practice among small business owners in Nigeria | |
Colombino | Is unconditional basic income a viable alternative to other social welfare measures? | |
Oluikpe | Developing a corporate knowledge management strategy | |
Giacomantonio | Grant-maximizing but not money-making: A simple decision-tree analysis for social impact bonds | |
Cattaneo et al. | Universities’ attractiveness to students: The Darwinism effect | |
Shatilo | The impact of external and internal factors on strategic management of innovation processes at company level | |
Dehnhardt et al. | Cost-benefit analysis: What limits its use in policy making and how to make it more usable? A case study on climate change adaptation in Germany | |
CN110503564A (zh) | 基于大数据的保全案件处理方法、***、设备及存储介质 | |
Luisi | Pragmatic enterprise architecture: Strategies to transform information systems in the era of big data | |
WO2015084853A1 (en) | Systems and methods for financial asset analysis | |
CN112711711A (zh) | 基于知识库的客户营销线索推荐方法及装置 | |
CN113302644B (zh) | 交易计划管理*** | |
Gierten et al. | Firms going digital: Tapping into the potential of data for innovation | |
US20230394582A1 (en) | User interface for guiding actions for desired impact | |
Braun et al. | Risk classification with on‐demand insurance | |
Fitawok et al. | Stakeholder perspectives on farmers’ resistance towards urban land-use changes in Bahir Dar, Ethiopia | |
CN117391405B (zh) | 用于客户与业务人员的智能匹配的方法、***和电子设备 | |
Chang et al. | Hear all parties: Peer effect of digital transformation on long‐term firm investment in China | |
Castaño et al. | Theory of constraints in the service sector: Characterization for banking and analysis of the factors involved in its adoption | |
Ali et al. | An intelligent model for success prediction of initial coin offerings | |
Smeets et al. | Scrutiny by means of debate: the Dutch parliamentary debate about the Banking Union | |
Bartelsman | From new technology to productivity | |
Wang et al. | Visualizing the landscape of blue finance for sustainable development: A bibliometric analysis and future directions | |
Bagaram et al. | A parallelized variable fixing process for solving multistage stochastic programs with progressive hedging |
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 |