CN117709801A - 客户数据处理方法、装置、计算机设备及存储介质 - Google Patents
客户数据处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117709801A CN117709801A CN202410028239.3A CN202410028239A CN117709801A CN 117709801 A CN117709801 A CN 117709801A CN 202410028239 A CN202410028239 A CN 202410028239A CN 117709801 A CN117709801 A CN 117709801A
- Authority
- CN
- China
- Prior art keywords
- client
- feature
- evaluation
- covariance
- customer
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 224
- 238000006243 chemical reaction Methods 0.000 claims abstract description 148
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000013210 evaluation model Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 230000009466 transformation Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于人工智能和金融科技领域,涉及一种客户数据处理方法、装置、计算机设备及存储介质,方法包括:将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;获取各客户特征的特征贡献度以及所属的特征类别,以计算各客户特征在当前评估中的协方差基数;获取目标客户在前次评估中的转化评分和各客户特征的协方差基数;基于得到的协方差基数,计算前次评估和当前评估在各特征类别上的协方差;根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果。本申请提高了客户分析的准确性。
Description
技术领域
本申请涉及人工智能和金融科技领域,尤其涉及一种客户数据处理方法、装置、计算机设备及存储介质。
背景技术
企业通过生产生活活动,会积累、存储大量的客户数据,企业经常会对客户数据进行处理,以达到客户分析等目的。例如,在金融保险行业中,保险公司可以根据问卷调查或者已有客户得到客户数据,将客户数据输入模型以预测客户的转化率等。然而,当前的客户数据处理技术,在获取到某客户的客户数据后仅进行单次的客户数据处理和客户分析,并且只能根据客户数据的整体输出结果,属于黑盒模型,缺乏可解释性,这些都降低了根据客户数据进行客户分析的准确性。
发明内容
本申请实施例的目的在于提出一种客户数据处理方法、装置、计算机设备及存储介质,以解决根据客户数据进行客户分析时准确性较低的问题。
为了解决上述技术问题,本申请实施例提供一种客户数据处理方法,采用了如下所述的技术方案:
获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;
将所述客户数据输入客户评估模型,得到所述目标客户在当前评估中的转化评分;
获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;
根据所述各客户特征的特征贡献度、特征类别和特征值,计算所述各客户特征在当前评估中的协方差基数;
获取所述目标客户在前次评估中的转化评分和所述各客户特征的协方差基数;
基于得到的协方差基数,计算所述前次评估和所述当前评估在各特征类别上的协方差;
根据所述当前评估中的转化评分、所述前次评估中的转化评分,以及所述前次评估和所述当前评估在各特征类别上的协方差,生成所述目标客户的客户分析结果。
为了解决上述技术问题,本申请实施例还提供一种客户数据处理装置,采用了如下所述的技术方案:
数据获取模块,用于获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;
当前评估模块,用于将所述客户数据输入客户评估模型,得到所述目标客户在当前评估中的转化评分;
获取模块,用于获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;
当前计算模块,用于根据所述各客户特征的特征贡献度、特征类别和特征值,计算所述各客户特征在当前评估中的协方差基数;
前次获取模块,用于获取所述目标客户在前次评估中的转化评分和所述各客户特征的协方差基数;
协方差计算模块,用于基于得到的协方差基数,计算所述前次评估和所述当前评估在各特征类别上的协方差;
结果生成模块,用于根据所述当前评估中的转化评分、所述前次评估中的转化评分,以及所述前次评估和所述当前评估在各特征类别上的协方差,生成所述目标客户的客户分析结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;
将所述客户数据输入客户评估模型,得到所述目标客户在当前评估中的转化评分;
获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;
根据所述各客户特征的特征贡献度、特征类别和特征值,计算所述各客户特征在当前评估中的协方差基数;
获取所述目标客户在前次评估中的转化评分和所述各客户特征的协方差基数;
基于得到的协方差基数,计算所述前次评估和所述当前评估在各特征类别上的协方差;
根据所述当前评估中的转化评分、所述前次评估中的转化评分,以及所述前次评估和所述当前评估在各特征类别上的协方差,生成所述目标客户的客户分析结果。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;
将所述客户数据输入客户评估模型,得到所述目标客户在当前评估中的转化评分;
获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;
根据所述各客户特征的特征贡献度、特征类别和特征值,计算所述各客户特征在当前评估中的协方差基数;
获取所述目标客户在前次评估中的转化评分和所述各客户特征的协方差基数;
基于得到的协方差基数,计算所述前次评估和所述当前评估在各特征类别上的协方差;
根据所述当前评估中的转化评分、所述前次评估中的转化评分,以及所述前次评估和所述当前评估在各特征类别上的协方差,生成所述目标客户的客户分析结果。
与现有技术相比,本申请实施例主要有以下有益效果:获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分,它表示目标客户实现转化的可能性高低;获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;根据各客户特征的特征贡献度、特征类别和特征值,计算各客户特征在当前评估中的协方差基数;获取目标客户在前次评估中的转化评分和各客户特征的协方差基数;将各特征类别在前次评估中各客户特征的协方差基数作为一个变量的取值,当前评估中各客户特征的协方差基数作为另一个变量的取值,可以计算前次评估和当前评估在各特征类别上的协方差,协方差反应了不同的评估周期内,每个特征类别对转化评分的整体影响,使得模型不再是黑盒模型,而具有可解释性,并且周期性的评估可以动态考虑目标客户在不同时间节点下的转化评分波动;根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果,可以大大提高根据客户数据进行客户分析的准确性、全面性以及可解释性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的客户数据处理方法的一个实施例的流程图;
图3是根据本申请的客户数据处理装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的客户数据处理方法一般由服务器执行,相应地,客户数据处理装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的客户数据处理方法的一个实施例的流程图。所述的客户数据处理方法,包括以下步骤:
步骤S201,获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征。
在本实施例中,客户数据处理方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端设备进行通信。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体地,本申请可以定时进行客户数据处理,因此可以定时获取目标客户的客户数据。例如,以星期为更新频率,在每周的固定时间触发客户数据处理指令,根据客户数据处理指令获取各目标客户最新的客户数据。
客户数据包含多个特征类别,特征类别是特征大类,每个特征类别包含至少一个客户特征。特征类别以及特征类别所包含的客户特征是预先确定好的。例如,在金融保险领域,保险公司获取的客户数据是车险业务的客户在承保周期前的特征数据,客户数据所包含的特征类别以及每个特征类别所包含的客户特征如下:
1、客户基本特征类:年龄、城市、性别、车龄、车品牌、车价值等;
2、人工历史接触特征类:接触时长、接触次数、接触时间段、客户意图等;
3、AI(人工智能)历史接触特征类:接触时长、接触次数、接触时间段、交互轮次、客户意图等;(保险公司可以通过AI与客户进行接触)
4、指定app运营类:指定app回复数、报价数、交互轮次、活跃天数等;
5、线上化活跃类:app活跃数据、网页活跃数据、断点数据等。
进一步的,在上述步骤S201之前,还可以包括:获取各样本客户的样本数据,样本数据中包含样本客户的转化标签;根据各样本客户的样本数据对初始客户评估模型进行训练,得到客户评估模型,并在训练结束后得到样本数据中每个客户特征的特征贡献度,其中,初始客户评估模型为树模型。
具体地,本申请需要预先通过训练得到客户评估模型。客户评估模型用于根据客户数据输出客户的转化评分,转化评分以分值的形式表示客户实现转化的可能性。
在训练时,获取各样本客户的样本数据,样本数据中所包含的客户特征与上述客户数据所包含的客户特征相同。样本数据中包含样本客户的转化标签,转化标签表示在产品推荐或销售的时间节点下,客户是否实现了转化(客户购买产品即为实现了转化)。承接上述的例子,在历史车险销售的时间节点下,如果客户发生了承保行为,则认为客户实现了转化,转化标签为1,否则为0。
根据各样本客户的样本数据对初始客户评估模型进行训练,其中,转化标签将作为初始客户评估模型对每份样本数据的期望输出。在训练结束后,可以得到客户评估模型。
本申请中,初始客户评估模型/客户评估模型为树模型,例如随机森林、LightGBM等。树模型在训练完毕后,会自动得到每个客户特征的特征贡献度,特征贡献度表示特征的重要性。树模型在构建过程中会考虑每个特征的***点,以确定哪些特征对目标变量的预测最有帮助。特征贡献度用于衡量每个特征对模型性能的贡献程度,可以帮助识别哪些特征在预测中起到关键作用,以及哪些特征对模型的准确性有较大影响。特征贡献度通常基于特征在模型中的***频率和***后的不纯度减少程度进行计算。随机森林和其他集成树模型通常可以提供每个特征的重要性评分,这些评分是根据模型的训练过程和树节点的***情况计算得出的。随机森林通常使用Gini重要性或基尼重要性来度量每个特征对模型的贡献;重要性分数表示每个特征在模型的每个决策树中用于分割数据的效果,较高的Gini重要性得分表示特征对于数据的分割更具有区分性。如果使用了多个决策树来构建随机森林,那么可以计算每个特征的平均重要性,以综合考虑每棵树的贡献。
本实施例中,获取各样本客户的样本数据,样本数据中包含样本客户的转化标签;根据各样本客户的样本数据对初始客户评估模型进行训练得到客户评估模型;由于初始客户评估模型为树模型,训练结束后可以得到样本数据中每个客户特征的特征贡献度,从而为后续的客户分析做好了模型准备和数据准备。
步骤S202,将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分。
具体地,将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分,其中,转化评分的取值区间为[0,100]。
进一步的,上述步骤S202可以包括:将客户数据输入客户评估模型,得到目标客户的转化概率;根据转化概率生成目标客户在当前评估中的转化评分。
具体地,将客户数据输入客户评估模型,客户评估模型会输出目标客户的转化概率,转化概率以数值大小表示评估中目标客户实现转化的可能性,其取值区间为[0,1]。承接前述的例子,转化概率为目标客户的承保概率。
可以进一步整合目标客户的转化概率对目标客户进行打分,将目标客户以转化概率从低到高依次均匀分配100份,并附上取值在0-100分之间的分数,作为目标客户的转化评分。
本实施例中,将客户数据输入客户评估模型,得到目标客户的转化概率,再将转化概率转化为目标客户在当前评估中的转化评分,实现以评分表示客户转化的可能性,实现了数据规范化,方便了数据的展示和理解。
步骤S203,获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别。
具体地,在每次评估之前,各客户特征的特征贡献度以及所属的特征类别已经确定,可以直接通过查表获取。可以理解,特征类别以及特征类别所包含的客户特征可以进行调整;如果客户评估模型进行了重新训练,客户特征的特征贡献度也需要跟着进行调整。
步骤S204,根据各客户特征的特征贡献度、特征类别和特征值,计算各客户特征在当前评估中的协方差基数。
具体地,本申请将两次相邻评估在特征类别上的协方差纳入分析。可以理解,特征类别具有至少一个客户特征,在计算协方差之前,需要先计算出客户特征在评估中的协方差基数,以根据协方差基数计算客户特征所属特征类别的协方差。
现在已经有了每个客户特征的特征贡献度、所属的特征类别以及当前评估中的特征值,根据这些可以计算出该客户特征在当前评估中的协方差基数。
客户特征具有特征值,例如对于性别这一特征,其特征值包括“男”和“女”;某些客户特征在不同时间点的评估中,特征值可能不同,例如对于活跃天数这一特征就可能发生变化。因此,协方差基数在不同时间点的评估中也可能是不同的,需要与时间点或者某次评估相绑定。
进一步的,上述步骤S204可以包括:对于每个特征类别,根据特征类别中各客户特征的特征贡献度,计算特征类别的平均贡献度;对于每个客户特征,根据客户特征的特征值和客户特征所属特征类别的平均贡献度,计算客户特征在当前评估中的协方差基数。
具体地,对于每个特征类别,获取该特征类别所包含的全部客户特征,并获取它们的特征贡献度;计算这些特征贡献度的平均值,得到该特征类别的平均贡献度。
然后,对于该特征类别下的每个客户特征,将该客户特征的特征值与该特征类别的平均贡献度相乘,可以得到该客户特征在当前评估中的协方差基数。可以理解,这里的相乘,是对特征值进行了加权,后续计算出的实际上是加权协方差。
可以理解,客户特征的特征值在参与计算时,需要进行数字化表示。
本实施例中,对于每个特征类别,根据特征类别中各客户特征的特征贡献度,计算特征类别的平均贡献度;对于每个客户特征,根据客户特征的特征值和客户特征所属特征类别的平均贡献度,计算客户特征在当前评估中的协方差基数,为协方差计算做好了数据准备。
步骤S205,获取目标客户在前次评估中的转化评分和各客户特征的协方差基数。
具体地,前文提到,客户分析可以是定时性、周期性的。因此,还有与当前评估相邻的前次评估。还需要获取目标客户在前次评估中的转化评分和各客户特征的协方差基数。
步骤S206,基于得到的协方差基数,计算前次评估和当前评估在各特征类别上的协方差。
具体地,对于每个特征类别,现在已经获取到了该特征类别中各客户特征在当前评估中的协方差基数,以及各客户特征在前次评估中的协方差基数。根据这些基数,可以计算得到前次评估和当前评估在该特征类别上的协方差。可以理解,一个协方差关联于两次评估,而不能基于某一次的评估就可以得到协方差。
进一步的,上述步骤S206可以包括:对于每个特征类别,根据特征类别所包含客户特征在当前评估中的协方差基数,生成第一变量值序列;根据特征类别所包含客户特征在前次评估中的协方差基数,生成第二变量值序列;基于第一变量值序列和第二变量值序列,计算前次评估和当前评估在特征类别上的协方差。
具体地,假设现有特征类别1,其包含客户特征A、B、C、D,它们在当前评估中的协方差基数分别为A1,B1、C1、D1,可以将它们视作第一变量X的各个取值,得到第一变量值序列{A1,B1、C1、D1}。
假设特征类别1中,客户特征A、B、C、D在前次评估中的协方差基数分别为A0,B0、C0、D0,可以将它们视作第二变量Y的各个取值,得到第二变量值序列{A0,B0、C0、D0}。
基于第一变量值序列和第二变量值序列,可以计算出前次评估和当前评估在特征类别上的协方差,其中,协方差计算公式表示如下:
其中,X表示第一变量,Y表示第二变量,Cov(X,Y)表示第一变量X和第二变量Y的协方差,即前次评估和当前评估在某个特征类别上的协方差;Xi和Yi分别表示第一变量值序列和第二变量值序列中的第i个数据点(即取值),i用于对变量值序列中的数据点(取值)进行计数;X和Y分别表示第一变量X和第二变量Y的均值,n表示计算协方差时的样本大小。
本实施例中,对于每个特征类别,将特征类别所包含客户特征在当前评估中的协方差基数作为第一变量值序列;将特征类别所包含客户特征在前次评估中的协方差基数作为第二变量值序列;基于第一变量值序列和第二变量值序列,计算前次评估和当前评估在特征类别上的协方差,实现了协方差的计算。
步骤S207,根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果。
具体地,根据当前评估中的转化评分和前次评估中的转化评分,可以得到目标客户在两次评估中的评分变化情况,即目标客户在两次评估中转化可能性的变化情况。当进行定时、周期性的评估时,可以动态考虑目标客户在不同时间节点下的转化评分波动。
协方差是衡量两个随机变量之间关系的统计量。它表示两个变量一起变化的趋势,即如果一个变量增加,另一个变量是否也增加或减少。协方差可以用于了解变量之间的线性关系,以及它们是如何一起变化的。
本申请中计算出了前次评估和当前评估在各特征类别上的协方差,协方差反应了不同的评估周期内,每个特征类别对转化评分的影响,使得评分模型不再是黑盒模型,而具有可解释性。
因此,本申请生成的客户分析结果中,可以包含转化评分的变化情况,每个特征类别对当前评估中的转化评分以及对转化评分变化的影响,使得业务员除了了解转化评分及其变化情况,还可以了解到是那些特征类别起到了重要影响,确保了根据客户数据进行客户分析的准确性。
进一步的,上述步骤S207可以包括:分别获取目标客户在当前评估和前次评估中的转化状态;根据得到的转化状态、转化评分和协方差,生成目标客户的客户分析结果。
具体地,还可以分别获取目标客户在当前评估和前次评估中的转化状态,转化状态表示目标客户在产品推荐或销售的时间节点(或者说在评估周期)下,客户是否实现了转化。
在获取到转化状态的情况下,还可以进一步获取到各特征类别对转化状态的影响,提升了客户分析结果的丰富度和准确性。例如,表1为一个实施例中计算得到的目标客户当前评估中的转化评分,前次评估中的转化评分,以及5个特征类别的协方差。假设两次评估目标客户的转化状态均为未转化,但是转化评分从82提升到了98,转化可能性大大提高,且根据协方差可知该提升主要来自特征类别5,而特征类别2对提升贡献较少;为了进一步提高转化评分,可以着重从特征类别2入手。假如前次评估后未完成转化,而当前评估后完成了转化,则可以认为特征类别5对目标客户转化状态的影响较大,以后在面对与该目标客户相似的客户时,可以着重于改善特征类别5,以促进客户转化。
表1
客户ID | 当前评分 | 前次评分 | 类1协方差 | 类2协方差 | 类3协方差 | 类4协方差 | 类5协方差 |
0001 | 98 | 82 | 0.3 | 0.1 | 0.2 | 0.6 | 0.7 |
本实施例中,分别获取目标客户在当前评估和前次评估中的转化状态;根据得到的转化状态、转化评分和协方差,生成目标客户的客户分析结果,可以进一步获取到各特征类别对转化状态的影响,提升了客户分析结果的丰富度和准确性。
进一步的,客户分析结果中包含客户服务策略,在上述生成目标客户的客户分析结果的步骤之后,还可以包括:将客户分析结果发送至业务员,以使业务员根据客户分析结果中的客户服务策略为目标客户提供服务。
具体地,将客户分析结果发送至业务员,客户分析结果中包含客户服务策略,例如在上文中已经列举了根据特征类别5得到相应的客户服务策略。业务员可以根据客户服务策略为目标客户,或者与目标客户相似的其他客户提供服务,提高了客户转化的效率。
本实施例中,将客户分析结果发送至业务员,业务员根据客户分析结果中的客户服务策略为目标客户提供服务,可以提高客户转化的效率。
本实施例中,获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分,它表示目标客户实现转化的可能性高低;获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;根据各客户特征的特征贡献度、特征类别和特征值,计算各客户特征在当前评估中的协方差基数;获取目标客户在前次评估中的转化评分和各客户特征的协方差基数;将各特征类别在前次评估中各客户特征的协方差基数作为一个变量的取值,当前评估中各客户特征的协方差基数作为另一个变量的取值,可以计算前次评估和当前评估在各特征类别上的协方差,协方差反应了不同的评估周期内,每个特征类别对转化评分的整体影响,使得模型不再是黑盒模型,而具有可解释性,并且周期性的评估可以动态考虑目标客户在不同时间节点下的转化评分波动;根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果,可以大大提高根据客户数据进行客户分析的准确性、全面性以及可解释性。
需要强调的是,为进一步保证上述客户数据的私密和安全性,上述客户数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种客户数据处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的客户数据处理装置300包括:数据获取模块301、当前评估模块302、获取模块303、当前计算模块304、前次获取模块305、协方差计算模块306以及结果生成模块307,其中:
数据获取模块301,用于获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征。
当前评估模块302,用于将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分。
获取模块303,用于获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别。
当前计算模块304,用于根据各客户特征的特征贡献度、特征类别和特征值,计算各客户特征在当前评估中的协方差基数。
前次获取模块305,用于获取目标客户在前次评估中的转化评分和各客户特征的协方差基数。
协方差计算模块306,用于基于得到的协方差基数,计算前次评估和当前评估在各特征类别上的协方差。
结果生成模块307,用于根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果。
本实施例中,获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分,它表示目标客户实现转化的可能性高低;获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;根据各客户特征的特征贡献度、特征类别和特征值,计算各客户特征在当前评估中的协方差基数;获取目标客户在前次评估中的转化评分和各客户特征的协方差基数;将各特征类别在前次评估中各客户特征的协方差基数作为一个变量的取值,当前评估中各客户特征的协方差基数作为另一个变量的取值,可以计算前次评估和当前评估在各特征类别上的协方差,协方差反应了不同的评估周期内,每个特征类别对转化评分的整体影响,使得模型不再是黑盒模型,而具有可解释性,并且周期性的评估可以动态考虑目标客户在不同时间节点下的转化评分波动;根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果,可以大大提高根据客户数据进行客户分析的准确性、全面性以及可解释性。
在本实施例的一些可选的实现方式中,客户数据处理装置300还可以包括:样本获取模块以及模型训练模块,其中:
样本获取模块,用于获取各样本客户的样本数据,样本数据中包含样本客户的转化标签。
模型训练模块,用于根据各样本客户的样本数据对初始客户评估模型进行训练,得到客户评估模型,并在训练结束后得到样本数据中每个客户特征的特征贡献度,其中,初始客户评估模型为树模型。
本实施例中,获取各样本客户的样本数据,样本数据中包含样本客户的转化标签;根据各样本客户的样本数据对初始客户评估模型进行训练得到客户评估模型;由于初始客户评估模型为树模型,训练结束后可以得到样本数据中每个客户特征的特征贡献度,从而为后续的客户分析做好了模型准备和数据准备。
在本实施例的一些可选的实现方式中,当前评估模块302可以包括:数据输入子模块以及概率转化子模块,其中:
数据输入子模块,用于将客户数据输入客户评估模型,得到目标客户的转化概率。
概率转化子模块,用于根据转化概率生成目标客户在当前评估中的转化评分。
本实施例中,将客户数据输入客户评估模型,得到目标客户的转化概率,再将转化概率转化为目标客户在当前评估中的转化评分,实现以评分表示客户转化的可能性,实现了数据规范化,方便了数据的展示和理解。
在本实施例的一些可选的实现方式中,当前计算模块304可以包括:平均计算子模块以及基数计算子模块,其中:
平均计算子模块,用于对于每个特征类别,根据特征类别中各客户特征的特征贡献度,计算特征类别的平均贡献度。
基数计算子模块,用于对于每个客户特征,根据客户特征的特征值和客户特征所属特征类别的平均贡献度,计算客户特征在当前评估中的协方差基数。
本实施例中,对于每个特征类别,根据特征类别中各客户特征的特征贡献度,计算特征类别的平均贡献度;对于每个客户特征,根据客户特征的特征值和客户特征所属特征类别的平均贡献度,计算客户特征在当前评估中的协方差基数,为协方差计算做好了数据准备。
在本实施例的一些可选的实现方式中,协方差计算模块306可以包括:第一生成子模块、第二生成子模块以及协方差计算子模块,其中:
第一生成子模块,用于对于每个特征类别,根据特征类别所包含客户特征在当前评估中的协方差基数,生成第一变量值序列。
第二生成子模块,用于根据特征类别所包含客户特征在前次评估中的协方差基数,生成第二变量值序列。
协方差计算子模块,用于基于第一变量值序列和第二变量值序列,计算前次评估和当前评估在特征类别上的协方差。
本实施例中,对于每个特征类别,将特征类别所包含客户特征在当前评估中的协方差基数作为第一变量值序列;将特征类别所包含客户特征在前次评估中的协方差基数作为第二变量值序列;基于第一变量值序列和第二变量值序列,计算前次评估和当前评估在特征类别上的协方差,实现了协方差的计算。
在本实施例的一些可选的实现方式中,结果生成模块307可以包括:状态获取子模块以及结果生成子模块,其中:
状态获取子模块,用于分别获取目标客户在当前评估和前次评估中的转化状态。
结果生成子模块,用于根据得到的转化状态、转化评分和协方差,生成目标客户的客户分析结果。
本实施例中,分别获取目标客户在当前评估和前次评估中的转化状态;根据得到的转化状态、转化评分和协方差,生成目标客户的客户分析结果,可以进一步获取到各特征类别对转化状态的影响,提升了客户分析结果的丰富度和准确性。
在本实施例的一些可选的实现方式中,客户数据处理装置300还可以包括:结果发送模块,用于将客户分析结果发送至业务员,以使业务员根据客户分析结果中的客户服务策略为目标客户提供服务。
本实施例中,将客户分析结果发送至业务员,业务员根据客户分析结果中的客户服务策略为目标客户提供服务,可以提高客户转化的效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,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,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4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(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如客户数据处理方法的计算机可读指令等。此外,所述存储器41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。
所述处理器42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42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述客户数据处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述客户数据处理方法。此处客户数据处理方法可以是上述各个实施例的客户数据处理方法。
本实施例中,获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分,它表示目标客户实现转化的可能性高低;获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;根据各客户特征的特征贡献度、特征类别和特征值,计算各客户特征在当前评估中的协方差基数;获取目标客户在前次评估中的转化评分和各客户特征的协方差基数;将各特征类别在前次评估中各客户特征的协方差基数作为一个变量的取值,当前评估中各客户特征的协方差基数作为另一个变量的取值,可以计算前次评估和当前评估在各特征类别上的协方差,协方差反应了不同的评估周期内,每个特征类别对转化评分的整体影响,使得模型不再是黑盒模型,而具有可解释性,并且周期性的评估可以动态考虑目标客户在不同时间节点下的转化评分波动;根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果,可以大大提高根据客户数据进行客户分析的准确性、全面性以及可解释性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的客户数据处理方法的步骤。
本实施例中,获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;将客户数据输入客户评估模型,得到目标客户在当前评估中的转化评分,它表示目标客户实现转化的可能性高低;获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;根据各客户特征的特征贡献度、特征类别和特征值,计算各客户特征在当前评估中的协方差基数;获取目标客户在前次评估中的转化评分和各客户特征的协方差基数;将各特征类别在前次评估中各客户特征的协方差基数作为一个变量的取值,当前评估中各客户特征的协方差基数作为另一个变量的取值,可以计算前次评估和当前评估在各特征类别上的协方差,协方差反应了不同的评估周期内,每个特征类别对转化评分的整体影响,使得模型不再是黑盒模型,而具有可解释性,并且周期性的评估可以动态考虑目标客户在不同时间节点下的转化评分波动;根据当前评估中的转化评分、前次评估中的转化评分,以及前次评估和当前评估在各特征类别上的协方差,生成目标客户的客户分析结果,可以大大提高根据客户数据进行客户分析的准确性、全面性以及可解释性。
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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种客户数据处理方法,其特征在于,包括下述步骤:
获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;
将所述客户数据输入客户评估模型,得到所述目标客户在当前评估中的转化评分;
获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;
根据所述各客户特征的特征贡献度、特征类别和特征值,计算所述各客户特征在当前评估中的协方差基数;
获取所述目标客户在前次评估中的转化评分和所述各客户特征的协方差基数;
基于得到的协方差基数,计算所述前次评估和所述当前评估在各特征类别上的协方差;
根据所述当前评估中的转化评分、所述前次评估中的转化评分,以及所述前次评估和所述当前评估在各特征类别上的协方差,生成所述目标客户的客户分析结果。
2.根据权利要求1所述的客户数据处理方法,其特征在于,在所述获取目标客户当前的客户数据的步骤之前,还包括:
获取各样本客户的样本数据,样本数据中包含样本客户的转化标签;
根据所述各样本客户的样本数据对初始客户评估模型进行训练,得到客户评估模型,并在训练结束后得到样本数据中每个客户特征的特征贡献度,其中,所述初始客户评估模型为树模型。
3.根据权利要求1所述的客户数据处理方法,其特征在于,所述将所述客户数据输入客户评估模型,得到所述目标客户在当前评估中的转化评分的步骤包括:
将所述客户数据输入客户评估模型,得到所述目标客户的转化概率;
根据所述转化概率生成所述目标客户在当前评估中的转化评分。
4.根据权利要求1所述的客户数据处理方法,其特征在于,所述根据所述各客户特征的特征贡献度、特征类别和特征值,计算所述各客户特征在当前评估中的协方差基数的步骤包括:
对于每个特征类别,根据所述特征类别中各客户特征的特征贡献度,计算所述特征类别的平均贡献度;
对于每个客户特征,根据所述客户特征的特征值和所述客户特征所属特征类别的平均贡献度,计算所述客户特征在当前评估中的协方差基数。
5.根据权利要求1所述的客户数据处理方法,其特征在于,所述基于得到的协方差基数,计算所述前次评估和所述当前评估在各特征类别上的协方差的步骤包括:
对于每个特征类别,根据所述特征类别所包含客户特征在当前评估中的协方差基数,生成第一变量值序列;
根据所述特征类别所包含客户特征在前次评估中的协方差基数,生成第二变量值序列;
基于所述第一变量值序列和所述第二变量值序列,计算所述前次评估和所述当前评估在所述特征类别上的协方差。
6.根据权利要求1所述的客户数据处理方法,其特征在于,所述根据所述当前评估中的转化评分、所述前次评估中的转化评分,以及所述前次评估和所述当前评估在各特征类别上的协方差,生成所述目标客户的客户分析结果的步骤包括:
分别获取所述目标客户在所述当前评估和所述前次评估中的转化状态;
根据得到的转化状态、转化评分和协方差,生成所述目标客户的客户分析结果。
7.根据权利要求6所述的客户数据处理方法,其特征在于,所述客户分析结果中包含客户服务策略,在所述生成所述目标客户的客户分析结果的步骤之后,还包括:
将所述客户分析结果发送至业务员,以使所述业务员根据所述客户分析结果中的客户服务策略为所述目标客户提供服务。
8.一种客户数据处理装置,其特征在于,包括:
数据获取模块,用于获取目标客户当前的客户数据,客户数据包含多个特征类别,每个特征类别包含至少一个客户特征;
当前评估模块,用于将所述客户数据输入客户评估模型,得到所述目标客户在当前评估中的转化评分;
获取模块,用于获取预先确定的各客户特征分别对应的特征贡献度以及所属的特征类别;
当前计算模块,用于根据所述各客户特征的特征贡献度、特征类别和特征值,计算所述各客户特征在当前评估中的协方差基数;
前次获取模块,用于获取所述目标客户在前次评估中的转化评分和所述各客户特征的协方差基数;
协方差计算模块,用于基于得到的协方差基数,计算所述前次评估和所述当前评估在各特征类别上的协方差;
结果生成模块,用于根据所述当前评估中的转化评分、所述前次评估中的转化评分,以及所述前次评估和所述当前评估在各特征类别上的协方差,生成所述目标客户的客户分析结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的客户数据处理方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的客户数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410028239.3A CN117709801A (zh) | 2024-01-05 | 2024-01-05 | 客户数据处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410028239.3A CN117709801A (zh) | 2024-01-05 | 2024-01-05 | 客户数据处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117709801A true CN117709801A (zh) | 2024-03-15 |
Family
ID=90151729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410028239.3A Pending CN117709801A (zh) | 2024-01-05 | 2024-01-05 | 客户数据处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709801A (zh) |
-
2024
- 2024-01-05 CN CN202410028239.3A patent/CN117709801A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506723B (zh) | 问答响应方法、装置、设备及存储介质 | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN113886697A (zh) | 基于聚类算法的活动推荐方法、装置、设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN117391866A (zh) | 一种数据处理方法、装置、设备及其存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN114637831A (zh) | 基于语义分析的数据查询方法及其相关设备 | |
CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
CN116757771A (zh) | 基于人工智能的方案推荐方法、装置、设备及存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN115049511A (zh) | 基于人工智能的标签生成方法、装置、设备及存储介质 | |
CN117235257A (zh) | 基于人工智能的情感预测方法、装置、设备及存储介质 | |
CN116167872A (zh) | 异常医疗数据检测方法、装置及设备 | |
CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN118212072A (zh) | 基于人工智能的数据评估方法、装置、设备及存储介质 | |
CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN118197626A (zh) | 基于人工智能的信息生成方法、装置、设备及存储介质 | |
CN117057362A (zh) | 基于人工智能的意图识别方法、装置、设备及存储介质 | |
CN116630059A (zh) | 基于人工智能的流失预测方法、装置、设备及存储介质 | |
CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
CN117194781A (zh) | 一种业务通知方法、装置、设备及其存储介质 | |
CN117829961A (zh) | 基于问卷模型的金融产品推荐方法、装置、计算机设备 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、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 |