WO2019153518A1 - 信息推送方法、装置、计算机设备及存储介质 - Google Patents

信息推送方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
WO2019153518A1
WO2019153518A1 PCT/CN2018/084308 CN2018084308W WO2019153518A1 WO 2019153518 A1 WO2019153518 A1 WO 2019153518A1 CN 2018084308 W CN2018084308 W CN 2018084308W WO 2019153518 A1 WO2019153518 A1 WO 2019153518A1
Authority
WO
WIPO (PCT)
Prior art keywords
customer
data
preset
algorithm
sales
Prior art date
Application number
PCT/CN2018/084308
Other languages
English (en)
French (fr)
Inventor
伍文岳
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2019153518A1 publication Critical patent/WO2019153518A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Definitions

  • the present application relates to the field of Internet technologies, and in particular, to an information push method, apparatus, computer device, and storage medium.
  • the present application provides an information push method, device, computer device and storage medium, which are intended to provide sales efficiency and avoid waste of resources by using historical data.
  • the application provides a method for pushing information, including:
  • the application provides an information pushing device, including:
  • a data obtaining unit configured to acquire historical sales data of a preset product, where the historical sales data includes customer information data and customer behavior data;
  • a feature determining unit configured to determine a customer data feature according to the customer information data and the customer behavior data
  • a model training unit configured to perform training by using a preset algorithm to obtain a sales prediction model of the preset product based on the customer data feature
  • a result prediction unit configured to predict a current customer corresponding to the preset product based on the sales prediction model to output a prediction result
  • the information pushing unit is configured to push the customer information and the prediction result corresponding to the current customer to the salesperson corresponding to the preset product.
  • the present application further provides a computer device including a memory, a processor, and a computer program stored on the memory and operable on the processor, the processor implementing the program The information pushing method described in any one of the applications.
  • the present application also provides a storage medium, wherein the storage medium stores a computer program, the computer program comprising program instructions, the program instructions, when executed by a processor, causing the processor to execute the application
  • the embodiment of the present application obtains historical sales data of a preset product, where the historical sales data includes customer information data and customer behavior data; determining customer data characteristics according to the customer information data and customer behavior data; and based on the customer data characteristics Modeling training by a preset algorithm to obtain a sales prediction model of the preset product; predicting a current customer corresponding to the preset product based on the sales prediction model to output a prediction result; and corresponding to the current customer
  • the customer information and the predicted result are pushed to the salesperson corresponding to the preset product.
  • the method uses historical sales data to perform analytical modeling to predict a current customer's predicted result of purchasing the preset product, and sends the predicted result to a corresponding salesperson, and the corresponding salesperson performs sales according to the preset result, This can increase the sales efficiency of the preset product while saving the salesperson's time.
  • FIG. 1 is a schematic diagram of an application scenario corresponding to an information pushing method according to an embodiment of the present application
  • FIG. 2 is a schematic flowchart of an information pushing method according to an embodiment of the present application.
  • FIG. 3 is a schematic flow chart showing a sub-step of the information pushing method of FIG. 2;
  • FIG. 4 is a schematic block diagram of an information pushing apparatus according to an embodiment of the present application.
  • FIG. 5 is a schematic block diagram of a computer device according to an embodiment of the present application.
  • the embodiment of the present application provides an information pushing method, device, computer device, and storage medium.
  • the composition of the application scenario to which the information pushing method of the embodiment of the present application is applied is first introduced.
  • the application scenario includes a user terminal and a server.
  • the user terminal may be an electronic device such as a smart phone, a tablet computer, a notebook computer, a desktop computer, a personal digital assistant, and a wearable device; the server may be a stand-alone server or a server cluster composed of multiple servers.
  • the information pushing method can be run in a server, and the information is pushed by the interaction between the server and the user terminal, thereby helping the salesperson to increase the sales rate and saving a lot of time.
  • FIG. 2 is a schematic flowchart of a method for pushing information according to an embodiment of the present application. Please refer to FIG. 1 at the same time.
  • the information pushing method will be introduced in conjunction with the application scenario in FIG. 1.
  • the information pushing method is run in a server for pushing information to a salesperson through a user terminal. Specifically, as shown in FIG. 2, the information pushing method includes steps S101 to S105.
  • the preset product may be a wealth management product, a fund smart investment, an old-age security management product or a fund.
  • the historical sales data refers to historical data generated when a customer pays attention to or purchases such wealth management products, funds smart investment, pension insurance management products or funds, wherein the historical sales data includes the purchase of the preset product and the purchase of the preset product. Historical data, such as whether the customer has registered the wealth management product, whether the customer has viewed the wealth management product, etc.
  • the customer information data is the basic information of the customer, and the basic information of the customer includes the customer basic attribute information, the customer product attribute information, and the customer special attribute information, the customer basic attribute information such as gender, age, region, occupation, etc.; customer product attribute information, such as The number of safety products, the number of professional companies, the degree of protection, etc.; customer special attribute information, such as bad records, blacklists, etc.
  • the customer behavior data includes data information generated when consulting or purchasing the preset product, and the customer behavior data includes customer contact information about the product, such as the number of telephone calls, the number of complaints, and the number of visits to the website in a certain period of time.
  • S102 Determine customer data characteristics according to the customer information data and customer behavior data.
  • the customer data feature refers to the data feature of the customer corresponding to the purchase of the preset product, and is a data set that affects the customer's purchase behavior, and specifically may use the feature data in the customer information data and/or the customer behavior data. To indicate, for example, gender, geography, occupation, bad record or blacklist.
  • the historical sales data corresponding to the customer who has purchased the preset product is determined according to the customer information data and the customer behavior data; and the customer information data and the customer behavior data in the historical sales data corresponding to the purchased customer are extracted.
  • Corresponding data characteristics Since the customer data feature is the data for purchasing the preset product, for example, the customer purchases the wealth management product, it needs to open an account on the website corresponding to the wealth management product to fill in the basic information of the customer, such as name, gender, age, occupation and education, etc. The information is filled in through the website of the preset product, and the website stores the basic information of the customer in the corresponding database on a customer-by-customer basis, and can be stored in a similar form, so the customer information data recorded in the form is obtained. And customer behavior data can easily extract the corresponding customer characteristic data.
  • the machine learning method is used to divide the customer data feature into a training data sample and a verification data sample, and the training data sample is trained by a preset algorithm and verified by verifying the data sample to obtain the sales of the preset product.
  • a predictive model that predicts the probability of purchase of a product for which the current customer intends to purchase the product.
  • the sales result is used as a target value and the customer characteristic data is used as a variable for training and verification to obtain a final sales prediction model, which is based on a customer who has purchased the preset product.
  • Data characteristics to predict the likelihood of a new customer's purchase, the specific form of its output is the percentage, that is, the probability of purchase.
  • the preset algorithm includes a Gradient Boosting Decision Tree (GBDT) and a Logistic Regression (LR) combination algorithm. Specifically, based on the customer data feature, the training is modeled by a gradient lifting decision tree and a logistic regression combination algorithm to obtain a sales prediction model of the preset product.
  • GBDT Gradient Boosting Decision Tree
  • LR Logistic Regression
  • the modeling training by the gradient lifting decision tree and the logistic regression combination algorithm to obtain the sales prediction model of the preset product includes a modeling training method.
  • the modeling training method is as shown in FIG. 3, that is, step S103 includes sub-steps S103a to S103c.
  • S103a generating a lifting tree model according to the gradient lifting decision tree algorithm;
  • S103b obtaining an effective combination feature based on the lifting tree model;
  • S103c setting the customer data feature and the effective combination feature to a training feature of the logistic regression algorithm Train to generate a sales forecasting model.
  • the GBDT and LR combination algorithm is a two-class combination algorithm, which first uses the original customer data feature to find a combination feature related to the target value depth through the GBDT algorithm, and then obtains the target event occurrence of all samples by using the LR algorithm. Probability.
  • Tree1 and Tree2 are two trees learned by the GBDT model, and x is an input sample. After traversing two trees, the x samples fall on the leaf nodes of the two trees, and each leaf The node corresponds to the LR one-dimensional feature, then by traversing the tree, all the LR features corresponding to the sample are obtained.
  • each path of the tree is a discriminative path that is finally segmented by minimizing the mean square error and the like, the features and feature combinations obtained according to the path are relatively distinguishable, and the effect is theoretically not inferior to the manual experience. the way. Therefore, using the combination algorithm to process the customer data features, it can be found that there are many distinguishing features and feature combinations.
  • the path of the decision tree can be directly used as the input feature of the LR algorithm, eliminating the steps of manually searching for features and feature combinations. , speed up the modeling.
  • the lifting tree model is first generated by the GBDT algorithm to find the combined features that have a significant influence on the target value.
  • age and occupation are significantly related to whether or not to buy, and the combination of age and occupation (such as post-80 + financial white-collar) will also work;
  • the original features are age and occupation, which in turn become age, occupation, and a combination of age and occupation.
  • the modeling the training by the preset algorithm to obtain the sales prediction model of the preset product further comprising: determining that the performance parameter of the sales prediction model meets a preset condition, wherein the performance parameter includes The gradient enhances the depth value of the decision tree and the regularization coefficient of the logistic regression algorithm; if the performance parameter of the sales prediction model satisfies the preset condition, the training is stopped to obtain an optimal sales preset model.
  • the GBDT and LR algorithm models are iteratively trained through parameter trials until performance has the best classification performance on the validation data set. For example, when the lifting tree consists of 50 trees with a depth of 5 and an LR regularization coefficient of 0.2, the model is optimal.
  • the sales prediction model is configured to predict a data feature of the current customer corresponding to the preset product to analyze whether it intends to purchase the preset product, wherein the preset result is used to indicate that the customer purchases the preset product.
  • the possibility of the prediction is, for example, the probability of purchase, or both the purchase and the non-purchase.
  • the prediction result is used to indicate whether the customer is a potential purchase customer
  • the customer information may specifically be a customer name, a communication method, and the like.
  • it can be sent to the user terminal used by the salesperson by means of email or product client communication. Therefore, the salesperson can carry out the sales activity according to the preset result, and is supported by the big data technology, thereby increasing the sales volume of the product.
  • the sales prediction model is used to predict the data characteristics of the current customer corresponding to the preset product to obtain the purchase probability thereof, and the customer information and the purchase corresponding to the customer whose purchase probability meets the preset condition in the current customer.
  • the probability is pushed to the salesperson corresponding to the preset product, and the purchase probability meets the preset condition that the purchase probability is greater than a preset threshold, and the preset threshold indicates that the customer is a potential purchase customer.
  • the top 1000 customers with the probability of purchase can be taken as the sales target. For example, a customer who has a purchase probability of more than 70% believes that the user has a high probability of purchasing the product.
  • the customer information can be specifically the customer name and communication method. Specifically, it can be sent to the salesperson through email and product client communication.
  • the obtaining historical sales data of the preset product includes: obtaining sales data of the product related to the preset product within a preset time period; and using the sales data in the preset time period as a preset Historical sales data for the product.
  • the method is for the case where the new product is online, and the new product has no historical sales record, and the sales data of the product similar to the product can be used for modeling.
  • the product similar to the preset product may be determined according to the product information, for example, the product information of the two wealth management products is basically the same, and the difference may be that the time of launch is different.
  • the above embodiment obtains historical sales data of a preset product, wherein the historical sales data includes customer information data and customer behavior data; determining customer data characteristics according to the customer information data and customer behavior data; and based on the customer data characteristics, Modeling training by a preset algorithm to obtain a sales prediction model of the preset product; predicting a current customer corresponding to the preset product based on the sales prediction model to output a predicted result; and corresponding to the current customer
  • the customer information and the predicted result are pushed to the salesperson corresponding to the preset product.
  • the method uses historical sales data to perform analytical modeling to predict a current customer's predicted result of purchasing the preset product, and sends the predicted result to a corresponding salesperson, and the corresponding salesperson performs sales according to the preset result, This can increase the sales efficiency of the preset product while saving the salesperson's time.
  • FIG. 4 is a schematic block diagram of an information pushing apparatus according to an embodiment of the present application.
  • the information pushing apparatus 400 can be installed in a server, wherein the server can be a stand-alone server or a server cluster composed of a plurality of servers.
  • the information pushing apparatus 400 includes a data acquiring unit 401, a feature determining unit 402, a model training unit 403, a result predicting unit 404, and an information pushing unit 405.
  • the data obtaining unit 401 is configured to acquire historical sales data of a preset product, where the historical sales data includes customer information data and customer behavior data.
  • the feature determining unit 402 is configured to determine a customer data feature according to the customer information data and the customer behavior data.
  • the model training unit 403 is configured to: according to the customer data feature, model training by using a preset algorithm to obtain a sales prediction model of the preset product; wherein the preset algorithm includes a gradient promotion decision tree and a logistic regression combination algorithm;
  • the model training unit is specifically configured to: according to the customer data feature, model training by using a gradient lifting decision tree and a logistic regression combination algorithm to obtain a sales prediction model of the preset product.
  • the model training unit 403 includes: a first model generation sub-unit 4031, a valid feature acquisition sub-unit 4032, and a second model generation sub-unit 4033.
  • the first model generating sub-unit 4031 is configured to generate a lifting tree model according to the gradient lifting decision tree algorithm;
  • the effective feature obtaining sub-unit 4032 is configured to obtain an effective combined feature based on the lifting tree model;
  • the second model generating sub-unit 4033 A training feature for setting the customer data feature and the effective combination feature to the logistic regression algorithm is trained to generate a sales prediction model.
  • the result prediction unit 404 is configured to predict a current client corresponding to the preset product based on the sales prediction model to output a prediction result.
  • the information pushing unit 405 is configured to push the customer information and the prediction result corresponding to the current customer to the salesperson corresponding to the preset product.
  • the above apparatus may be embodied in the form of a computer program that can be run on a computer device as shown in FIG.
  • FIG. 5 is a schematic block diagram of a computer device according to an embodiment of the present application.
  • the computer device 500 device can be a server.
  • the computer device 500 includes a processor 520, a memory and a network interface 550 connected by a system bus 510, wherein the memory can include a non-volatile storage medium 530 and an internal memory 540.
  • the non-volatile storage medium 530 can store an operating system 531 and a computer program 532.
  • the processor 520 can be caused to perform an information push method.
  • the processor 520 is used to provide computing and control capabilities to support the operation of the entire computer device 500.
  • the internal memory 540 provides an environment for the operation of the computer program 532 in the non-volatile storage medium 530, which when executed by the processor 520, causes the processor 520 to perform an information push method.
  • the network interface 550 is used for network communication, such as sending assigned tasks and the like. It will be understood by those skilled in the art that the structure shown in FIG. 5 is only a block diagram of a part of the structure related to the solution of the present application, and does not constitute a limitation of the computer device 500 to which the solution of the present application is applied, and a specific computer device. 500 may include more or fewer components than shown, or some components may be combined, or have different component arrangements.
  • the processor 520 is configured to run program code stored in the memory to implement the following steps:
  • the preset algorithm includes a gradient promotion decision tree and a logistic regression combination algorithm
  • the processor 520 performs training based on the customer data feature by using a preset algorithm to obtain the preset product.
  • the prediction model is sold, the following steps are performed: based on the customer data characteristics, the training is modeled by the gradient lifting decision tree and the logistic regression combination algorithm to obtain a sales prediction model of the preset product.
  • the processor 520 when the processor 520 performs the training based on the customer data feature and is trained by the gradient lifting decision tree and the logistic regression combination algorithm to obtain the sales prediction model of the preset product, the processor 520 further performs the following step:
  • the processor 520 when performing the training modeling by the preset algorithm to obtain the sales prediction model of the preset product, performs the following steps:
  • the prediction result includes a purchase probability
  • the processor 520 performs the following steps when performing the pushing the customer information and the prediction result corresponding to the current customer to the salesperson corresponding to the preset product: Pushing the customer information and the purchase probability corresponding to the customer whose purchase probability meets the preset condition in the current customer to the salesperson corresponding to the preset product.
  • the processor 520 may be a central processing unit (CPU), and the processor 520 may also be other general-purpose processors, a digital signal processor (DSP), Application Specific Integrated Circuit (ASIC), Field-Programmable Gate Array (FPGA) or other programmable logic device, discrete gate or transistor logic device, discrete hardware component, etc.
  • the general purpose processor may be a microprocessor or the processor may be any conventional processor or the like.
  • computer device 500 architecture illustrated in FIG. 5 does not constitute a limitation to computer device 500, may include more or fewer components than illustrated, or may combine certain components, or different components. Arrangement.
  • the disclosed information pushing apparatus and method may be implemented in other manners.
  • the information push device embodiments described above are merely illustrative.
  • the division of each unit is only a logical function division, and there may be another division manner in actual implementation.
  • multiple units or components may be combined or integrated into another system, or some features may be omitted or not implemented.
  • the units in the apparatus of the embodiment of the present application may be combined, divided, and deleted according to actual needs.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or in the form of a software functional unit.
  • the integrated unit if implemented in the form of a software functional unit and sold or used as a standalone product, can be stored in a computer readable storage medium.
  • the technical solution of the present application may be in essence or part of the contribution to the prior art, or all or part of the technical solution may be embodied in the form of a software product stored in a storage medium.
  • There are a number of instructions for causing a computer device (which may be a personal computer, terminal, or network device, etc.) to perform all or part of the steps of the methods described in various embodiments of the present application.
  • the computer readable storage medium may be a medium that can store program code, such as a magnetic disk, an optical disk, a USB flash drive, a mobile hard disk, a magnetic disk, or an optical disk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种信息推送方法、装置、计算机设备及存储介质。该方法包括：获取预设产品的历史销售数据；根据历史销售数据确定客户数据特征；基于客户数据特征通过预设算法建模训练以得到销售预测模型；基于销售预测模型对预设产品对应的当前客户进行预测以输出预测结果；将当前客户对应的客户信息及预测结果推送至销售人员。

Description

信息推送方法、装置、计算机设备及存储介质
本申请要求于2018年2月8日提交中国专利局、申请号为201810128050.6、发明名称为“信息推送方法、装置、计算机设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及互联网技术领域，尤其涉及一种信息推送方法、装置、计算机设备及存储介质。
背景技术
目前，很多网上产品销售的销售对象均需要通过专家意见和先前经验来确定，比如银行和证券等公司的理财产品、资金智能定投、基金、养老保障管理产品或定期等，但是这种通过专家意见和先前经验的方式存在很大的主观性和不稳定性，缺少足够的实际数据支撑以保证可行性和客观性，不利于产品的销售。同时不能很好利用历史销售数据进行经验积累，造成了资源的浪费。
发明内容
本申请提供了一种信息推送方法、装置、计算机设备及存储介质，旨在利用历史数据提供销售效率，避免资源浪费。
第一方面，本申请提供了一种信息推送方法，包括：
获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；
根据所述客户信息数据和客户行为数据确定客户数据特征；
基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；
基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及
将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
第二方面，本申请提供了一种信息推送装置，包括：
数据获取单元，用于获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；
特征确定单元，用于根据所述客户信息数据和客户行为数据确定客户数据特征；
模型训练单元，用于基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；
结果预测单元，用于基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及
信息推送单元，用于将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
第三方面，本申请还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请提供的任一项所述的信息推送方法。
第四方面，本申请还提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本申请提供的任一项所述的信息推送方法。
本申请实施例通过获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；根据所述客户信息数据和客户行为数据确定客户数据特征；基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。该方法利用历史销售数据进行分析建模以预测当前客户的购买该预设产品的预测结果，并将该预测结果发送至相应的销售人员，由相应的销售人员根据该预设结果进行销售，由此可以提高该预设产品的销售效率，同时节省销售人员的时间。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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是本申请的实施例提供的一种信息推送方法对应的应用场景示意图；
图2是本申请一实施例提供的一种信息推送方法的示意流程图；
图3是图2中信息推送方法的子步骤示意流程图；
图4是本申请一实施例提供的一种信息推送装置的示意性框图；
图5是本申请一实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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，在此本申请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申请。如在本申请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。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请实施例提供了一种信息推送方法、装置、计算机设备和存储介质。
为了便于理解，先对本申请实施例的信息推送方法所适用的应用场景组成进行介绍。如图1所示，该应用场景包括用户终端和服务器。
其中，用户终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备；服务器可以是独立的服务器，也可以是 多个服务器组成的服务器集群。
具体地，该信息推送方法可运行在服务器中，借助服务器与用户终端的交互以完成该信息推送，由此帮助销售人员提高销售率，并节约大量的时间。
请参阅图2，图2是本申请一实施例提供的一种信息推送方法的示意流程图。请同时参阅图1，以下将结合图1中应用场景介绍该信息推送方法，该信息推送方法运行在服务器中，用于通过用户终端将信息推送至销售人员。具体如图2所示，该信息推送方法包括步骤S101～S105。
S101、获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据。
在本实施例中，该预设产品可以为理财产品、资金智能定投、养老保障管理产品或基金等。该历史销售数据是指客户关注或购买这些理财产品、资金智能定投、养老保障管理产品或基金时产生的历史数据，其中该历史销售数据包括购买该预设产品和未购买该预设产品产生的历史数据，比如，客户是否注册该理财产品，客户是否浏览过该理财产品等。
其中，客户信息数据为客户的基本信息，客户的基本信息包括客户基本属性信息、客户产品属性信息和客户特殊属性信息客户基本属性信息如性别、年龄、地域、职业等；客户产品属性信息，如平安产品数，专业公司数，保障程度等；客户特殊属性信息，如不良记录、黑名单等。客户行为数据包括在咨询或购买该预设产品时产生的数据信息，客户行为数据包括客户对产品的接触信息，如过去某一段时间内的电话拨打次数、投诉次数、网站的访问次数等。
S102、根据所述客户信息数据和客户行为数据确定客户数据特征。
在本实施例中，该客户数据特征是指购买该预设产品对应的客户的数据特征，为影响客户购买行为的所有数据集合，具体可以用客户信息数据和/或客户行为数据中的特征数据来表示，比如，性别、地域、职业、不良记录或黑名单等。
具体地，根据所述客户信息数据和客户行为数据确定已购买所述预设产品的客户对应的历史销售数据；从已购买的客户对应的历史销售数据中的客户信息数据和客户行为数据中提取相应的数据特征。由于客户数据特征是购买该预设产品的数据，比如客户购买理财产品，其需要在该理财产品对应的网站上开户注册填写客户的基本信息，如姓名、性别、年龄、职业和学历等，这些信息 通过该预设产品的网站上填写，该网站会以客户为单位将客户的基本信息保存在相应的数据库中，具体可以采用类似表格的形式进行存储，所以获取该表格中记录的客户信息数据和客户行为数据即可很方便地提取出相应的客户特征数据。
S103、基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型。
在本实施例中，采用机器学习方法，将客户数据特征分为训练数据样本和验证数据样本，利用训练数据样本通过预设算法进行训练以及通过验证数据样本进行验证以得到该预设产品的销售预测模型，该销售预测模型用于预测产品的当前客户打算购买该产品的购买概率。
具体地，通过所述预设算法进行训练时以销售结果为目标值及客户特征数据为变量进行训练及验证以得到最终的销售预测模型，该销售预测模型是根据曾经购买该预设产品的客户数据特征来预测新客户的购买的可能性，其输出的具体形式为百分比，即购买概率。
在本实施例中，所述预设算法包括梯度提升决策树(Gradient Boosting Decision Tree、GBDT)和逻辑回归(Logistic Regression、LR)组合算法。具体地，是基于所述客户数据特征，通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型。
在本实施例中，所述通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型包括建模训练方法。该建模训练方法，如图3所示，即步骤S103包括子步骤S103a至S103c。其中，S103a、根据梯度提升决策树算法生成提升树模型；S103b、基于所述提升树模型获取有效组合特征；S103c、将所述客户数据特征和有效组合特征设为所述逻辑回归算法的训练特征进行训练以生成销售预测模型。
具体地，GBDT和LR组合算法是二分类组合算法，先通过所述GBDT算法使用原始客户数据特征中找到与目标值深度相关的组合特征，再通过所述LR算法获得所有样本的目标事件的发生概率。具体地参照GBDT算法原理，假设Tree1、Tree2为通过GBDT模型学出来的两颗树，x为一条输入样本，遍历两棵树后，x样本分别落到两颗树的叶子节点上，每个叶子节点对应LR一维特征，那么通过遍历树，就得到了该样本对应的所有LR特征。由于树的每条路径，是 通过最小化均方差等方法最终分割出来的有区分性路径，根据该路径得到的特征、特征组合都相对有区分性，效果理论上不会亚于人工经验的处理方式。因此利用该组合算法对客户数据特征进行处理，可以发现有很多种有区分性的特征及特征组合，决策树的路径可以直接作为LR算法输入特征使用，省去人工寻找的特征和特征组合的步骤，加快建模的速度。
其中，先用GBDT算法生成提升树模型，找出对目标值有显著影响的组合特征。例如：年龄和职业对是否购买有显著相关，那年龄和职业的组合特征(如80后+金融白领)也一定能起作用；其次，结合原始特征和新生的组合特征，作为LR算法模型的训练特征。例如，原始特征是年龄和职业，增加之后变成年龄、职业以及年龄和职业的组合。
在一实施例中，所述通过预设算法建模训练以得到所述预设产品的销售预测模型，还包括：判断所述销售预测模型的性能参数满足预设条件，其中所述性能参数包括梯度提升决策树的深度值和逻辑回归算法的正则化系数；若所述销售预测模型的性能参数满足所述预设条件，停止训练以获得最佳的销售预设模型。
譬如，通过参数尝试法反复训练GBDT和LR算法模型直到性能在验证数据集上有最好的分类表现。比如，当提升树包括50棵树，深度为5，LR正则化系数为0.2时，模型最佳。
S104、基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果。
在本实施例中，销售预测模型用于对根据该预设产品对应的当前客户的数据特征进行预测以分析其是否打算购买该预设产品，其中预设结果用于表明客户购买该预设产品的可能性，该预测结果比如为购买概率，或者为购买与不购买两种结果。
S105、将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
在本实施例中，预测结果用于表明该客户是否为潜在的购买客户，客户信息具体可以为客户名称和通信方式等。具体可以通过Email方式或产品客户端通信的方式发送给销售人员使用的用户终端。由此销售人员可以根据该预设结果进行销售活动，得到了大数据技术的支持，进而会提高产品的销售量。
具体地，该销售预测模型用于对根据该预设产品对应的当前客户的数据特征进行预测以得到其购买概率，将所述当前客户中购买概率满足预设条件的客户对应的客户信息及购买概率推送至所述预设产品对应的销售人员，购买概率满足预设条件指的是购买概率大于预设阈值，大于该预设阈值说明该客户是潜在的购买客户。或者有指定的具体的销售对象数量，比如1000，就可以取购买概率排名前1000的客户作为销售对象。比如，将购买概率超过70％的客户认为用户有很大的可能进行购买该产品。客户信息具体可以为客户名称和通信方式等。具体可以通过Email和产品客户端通信的方式发送给销售人员。
此外，所述获取预设产品的历史销售数据，包括：获取与所述预设产品相关的产品在预设时间段内的销售数据；以及将所述预设时间段内的销售数据作为预设产品的历史销售数据。
具体地，该方式是针对新产品上线的情况，该新产品没有历史销售记录的情况，这时可以采用与该产品类似的产品的销售数据进行建模。具体地，可以根据产品信息确定与该预设产品类似的产品，比如两个理财产品的产品信息基本上相同，差别可能是推出的时间不同。
上述实施例通过获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；根据所述客户信息数据和客户行为数据确定客户数据特征；基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。该方法利用历史销售数据进行分析建模以预测当前客户的购买该预设产品的预测结果，并将该预测结果发送至相应的销售人员，由相应的销售人员根据该预设结果进行销售，由此可以提高该预设产品的销售效率，同时节省销售人员的时间。
请参阅图4，图4是本申请实施例提供的一种信息推送装置的示意性框图。该信息推送装置400可以安装于服务器，其中该服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。如图4所示，该信息推送装置400包括：数据获取单元401、特征确定单元402、模型训练单元403、结果预测单元404和信息推送单元405。
数据获取单元401，用于获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据。
特征确定单元402，用于根据所述客户信息数据和客户行为数据确定客户数据特征。
模型训练单元403，用于基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；其中所述预设算法包括梯度提升决策树和逻辑回归组合算法；所述模型训练单元具体用于：基于所述客户数据特征，通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型。
在一实施例中，模型训练单元403包括：第一模型生成子单元4031、有效特征获取子单元4032和第二模型生成子单元4033。其中第一模型生成子单元4031，用于根据梯度提升决策树算法生成提升树模型；有效特征获取子单元4032，用于基于所述提升树模型获取有效组合特征；第二模型生成子单元4033，用于将所述客户数据特征和有效组合特征设为所述逻辑回归算法的训练特征进行训练以生成销售预测模型。
结果预测单元404，用于基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果。
信息推送单元405，用于将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
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，上述描述的信息推送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。
上述装置可以实现为一种计算机程序的形式，计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500设备可以是服务器。
参照图5，该计算机设备500包括通过***总线510连接的处理器520、存储器和网络接口550，其中，存储器可以包括非易失性存储介质530和内存储器540。
该非易失性存储介质530可存储操作***531和计算机程序532。该计算机程序532被执行时，可使得处理器520执行一种信息推送方法。
该处理器520用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器540为非易失性存储介质530中的计算机程序532的运行提供环境，该计算机程序532被处理器520执行时，可使得处理器520执行一种信息推送方法。
该网络接口550用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器520用于运行存储在存储器中的程序代码，以实现如下步骤：
获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；
根据所述客户信息数据和客户行为数据确定客户数据特征；
基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；
基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及
将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
在一实施例中，所述预设算法包括梯度提升决策树和逻辑回归组合算法，处理器520在所述基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型时，执行如下步骤：基于所述客户数据特征，通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型。
在一实施例中，处理器520在执行所述基于所述客户数据特征，通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型时，还具体执行如下步骤：
根据梯度提升决策树算法生成提升树模型；基于所述提升树模型获取有效组合特征；将所述客户数据特征和有效组合特征设为所述逻辑回归算法的训练特征进行训练以生成销售预测模型。
在一实施例中，处理器520在执行所述通过预设算法建模训练以得到所述预设产品的销售预测模型时，具体执行如下步骤：
判断所述销售预测模型的性能参数满足预设条件；若所述销售预测模型的性能参数满足所述预设条件，停止训练以获得最佳的销售预设模型。
在一实施例中，所述预测结果包括购买概率，处理器520在执行所述将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员时，执行如下步骤：将所述当前客户中购买概率满足预设条件的客户对应的客户信息及购买概率推送至所述预设产品对应的销售人员。
应当理解，在本申请实施例中，处理器520可以是中央处理单元(Central Processing Unit，CPU)，该处理器520还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域技术人员可以理解，图5中示出的计算机设备500结构并不构成对计算机设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在本申请所提供的几个实施例中，应该理解到，所揭露的信息推送装置和方法，可以通过其它的方式实现。例如，以上所描述的信息推送装置实施例仅仅是示意性的。例如，各个单元的划分，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。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。
另外，在本申请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。
该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，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，终端，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
本领域普通技术人员可以理解的是实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一存储介质中，该存储介质为计算机可读存储介质。如本申请实施例中，该程序可存储于计算机***的存储介质中，并被该计算机***中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程步骤。
该计算机可读存储介质可以是磁碟、光盘、U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (20)

  1. 一种信息推送方法，其包括：
    获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；
    根据所述客户信息数据和客户行为数据确定客户数据特征；
    基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；
    基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及
    将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
  2. 根据权利要求1所述的信息推送方法，其中，所述预设算法包括梯度提升决策树和逻辑回归组合算法；
    所述基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型，包括：
    基于所述客户数据特征，通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型。
  3. 根据权利要求2所述的信息推送方法，其中，所述通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型，包括：
    根据所述梯度提升决策树算法生成提升树模型；
    基于所述提升树模型获取有效组合特征；
    将所述客户数据特征和有效组合特征设为所述逻辑回归算法的训练特征进行训练以生成销售预测模型。
  4. 根据权利要求3所述的信息推送方法，其中，所述通过预设算法建模训练以得到所述预设产品的销售预测模型，包括：
    判断所述销售预测模型的性能参数满足预设条件，其中所述性能参数包括梯度提升决策树的深度值和逻辑回归算法的正则化系数；
    若所述销售预测模型的性能参数满足所述预设条件，停止训练以获得最佳的销售预设模型。
  5. 根据权利要求1所述的信息推送方法，其中，所述预测结果包括购买概率；
    所述将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员，包括：
    将所述当前客户中购买概率满足预设条件的客户对应的客户信息及购买概率推送至所述预设产品对应的销售人员。
  6. 根据权利要求1所述的信息推送方法，其中，所述根据所述客户信息数据和客户行为数据确定客户数据特征，包括：
    根据所述客户信息数据和客户行为数据确定已购买所述预设产品的客户对应的历史销售数据；
    从已购买的客户对应的历史销售数据中的客户信息数据和客户行为数据中提取相应的客户数据特征。
  7. 根据权利要求1所述的信息推送方法，其中，所述基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型，包括：
    通过所述预设算法进行训练时以销售结果为目标值及客户特征数据为变量进行训练及验证以得到最终的销售预测模型。
  8. 一种信息推送装置，其包括：
    数据获取单元，用于获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；
    特征确定单元，用于根据所述客户信息数据和客户行为数据确定客户数据特征；
    模型训练单元，用于基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；
    结果预测单元，用于基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及
    信息推送单元，用于将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
  9. 根据权利要求8所述的信息推送装置，其中，所述预设算法包括梯度提升决策树和逻辑回归组合算法；
    所述模型训练单元，用于基于所述客户数据特征，通过梯度提升决策树和 逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型。
  10. 根据权利要求9所述的信息推送装置，其中，所述模型训练单元，包括：
    第一模型生成子单元，用于根据梯度提升决策树算法生成提升树模型；
    有效特征获取子单元，用于基于所述提升树模型获取有效组合特征；
    第二模型生成子单元，用于将所述客户数据特征和有效组合特征设为所述逻辑回归算法的训练特征进行训练以生成销售预测模型。
  11. 一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
    获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；
    根据所述客户信息数据和客户行为数据确定客户数据特征；
    基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；
    基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及
    将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
  12. 根据权利要求11所述的计算机设备，其中，所述预设算法包括梯度提升决策树和逻辑回归组合算法，所述处理器执行所述计算机程序时具体实现：
    基于所述客户数据特征，通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型。
  13. 根据权利要求12所述的计算机设备，其中，所述处理器执行所述计算机程序时具体实现：
    根据所述梯度提升决策树算法生成提升树模型；
    基于所述提升树模型获取有效组合特征；
    将所述客户数据特征和有效组合特征设为所述逻辑回归算法的训练特征进行训练以生成销售预测模型。
  14. 根据权利要求13所述的计算机设备，其中，所述处理器执行所述计算机程序时具体实现：
    判断所述销售预测模型的性能参数满足预设条件，其中所述性能参数包括梯度提升决策树的深度值和逻辑回归算法的正则化系数；
    若所述销售预测模型的性能参数满足所述预设条件，停止训练以获得最佳的销售预设模型。
  15. 根据权利要求11所述的计算机设备，其中，所述处理器执行所述计算机程序时具体实现：
    将所述当前客户中购买概率满足预设条件的客户对应的客户信息及购买概率推送至所述预设产品对应的销售人员。
  16. 一种存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如下步骤：
    获取预设产品的历史销售数据，其中所述历史销售数据包括客户信息数据和客户行为数据；
    根据所述客户信息数据和客户行为数据确定客户数据特征；
    基于所述客户数据特征，通过预设算法建模训练以得到所述预设产品的销售预测模型；
    基于所述销售预测模型对所述预设产品对应的当前客户进行预测以输出预测结果；以及
    将所述当前客户对应的客户信息及预测结果推送至所述预设产品对应的销售人员。
  17. 根据权利要求16所述的存储介质，其中，所述预设算法包括梯度提升决策树和逻辑回归组合算法，所述程序指令当被处理器执行时使所述处理器具体执行：
    基于所述客户数据特征，通过梯度提升决策树和逻辑回归组合算法建模训练以得到所述预设产品的销售预测模型。
  18. 根据权利要求17所述的存储介质，其中，所述程序指令当被处理器执行时使所述处理器具体执行：
    根据所述梯度提升决策树算法生成提升树模型；
    基于所述提升树模型获取有效组合特征；
    将所述客户数据特征和有效组合特征设为所述逻辑回归算法的训练特征进行训练以生成销售预测模型。
  19. 根据权利要求18所述的存储介质，其中，所述程序指令当被处理器执行时使所述处理器具体执行：
    判断所述销售预测模型的性能参数满足预设条件，其中所述性能参数包括梯度提升决策树的深度值和逻辑回归算法的正则化系数；
    若所述销售预测模型的性能参数满足所述预设条件，停止训练以获得最佳的销售预设模型。
  20. 根据权利要求16所述的存储介质，其中，所述程序指令当被处理器执行时使所述处理器具体执行：
    将所述当前客户中购买概率满足预设条件的客户对应的客户信息及购买概率推送至所述预设产品对应的销售人员。
PCT/CN2018/084308 2018-02-08 2018-04-25 信息推送方法、装置、计算机设备及存储介质 WO2019153518A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810128050.6 2018-02-08
CN201810128050.6A CN108337316A (zh) 2018-02-08 2018-02-08 信息推送方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
WO2019153518A1 true WO2019153518A1 (zh) 2019-08-15

Family

ID=62928535

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/084308 WO2019153518A1 (zh) 2018-02-08 2018-04-25 信息推送方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN108337316A (zh)
WO (1) WO2019153518A1 (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827112A (zh) * 2019-09-16 2020-02-21 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN111127074A (zh) * 2019-11-26 2020-05-08 杭州聚效科技有限公司 一种数据推荐方法
CN111144652A (zh) * 2019-12-26 2020-05-12 浙江力石科技股份有限公司 基于游览舒适度算法和趋势预测方法、***和装置
CN111160929A (zh) * 2019-12-26 2020-05-15 深圳前海微众银行股份有限公司 一种客户类型的确定方法及装置
CN111178949A (zh) * 2019-12-18 2020-05-19 北京文思海辉金信软件有限公司 服务资源匹配参考数据确定方法、装置、设备和存储介质
CN111445297A (zh) * 2020-04-15 2020-07-24 北京易点淘网络技术有限公司 采购量的确定方法、装置、存储介质及电子设备
CN111639967A (zh) * 2020-05-21 2020-09-08 中国工商银行股份有限公司 产品潜在客户挖掘方法及***
CN111652439A (zh) * 2020-06-04 2020-09-11 上海燕汐软件信息科技有限公司 一种派送点派件量的生成方法、装置及计算机***
CN111783810A (zh) * 2019-09-24 2020-10-16 北京沃东天骏信息技术有限公司 用于确定用户的属性信息的方法和装置
CN111815368A (zh) * 2020-07-24 2020-10-23 深圳市欢太科技有限公司 广告推送方法、装置、终端及存储介质
CN111831701A (zh) * 2020-07-06 2020-10-27 湖南赛吉智慧城市建设管理有限公司 可操作its***构建方法、装置、计算机设备及存储介质
CN111860878A (zh) * 2019-12-31 2020-10-30 北京骑胜科技有限公司 共享单车的报修方法、服务器、电子设备及存储介质
CN112102095A (zh) * 2020-09-17 2020-12-18 中国建设银行股份有限公司 一种基金产品推荐方法、装置及设备
CN112163887A (zh) * 2020-09-30 2021-01-01 深圳前海微众银行股份有限公司 电销***和电销名单管理方法、装置、设备、存储介质
CN112364919A (zh) * 2020-11-11 2021-02-12 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及存储介质
CN112819258A (zh) * 2021-03-24 2021-05-18 中国工商银行股份有限公司 银行网点到店客户数量预测方法及装置
CN112862008A (zh) * 2021-03-29 2021-05-28 中信银行股份有限公司 偏好预测模型的训练方法及用户偏好的预测方法
CN112884215A (zh) * 2021-02-02 2021-06-01 国网甘肃省电力公司信息通信公司 一种基于梯度增强树人口预测模型的参数优化方法
CN112907266A (zh) * 2019-11-19 2021-06-04 马上消费金融股份有限公司 用户筛选模型的获取方法、金融信息推送方法及相关装置
CN113052689A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 一种基于决策树的产品推荐方法及装置
CN113435918A (zh) * 2020-03-19 2021-09-24 杭州大搜车汽车服务有限公司 维护策略的确定方法、装置、电子设备及存储介质
CN113554460A (zh) * 2021-07-19 2021-10-26 北京沃东天骏信息技术有限公司 一种***的识别方法和装置
CN113592297A (zh) * 2021-07-30 2021-11-02 国家电网有限公司客户服务中心 一种电力***专属式客户管理方法及***
CN114513578A (zh) * 2022-02-15 2022-05-17 平安科技（深圳）有限公司 外呼方法、装置、计算机设备及存储介质
CN117575487A (zh) * 2024-01-19 2024-02-20 天津盛驰精工有限公司 物料清单更新方法、装置、电子设备及存储介质

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067690B (zh) * 2018-08-07 2021-03-26 腾讯科技（深圳）有限公司 离线计算结果数据的推送方法及装置
CN109308632A (zh) * 2018-08-17 2019-02-05 中国平安人寿保险股份有限公司 基于断点的产品推送方法、装置、计算机设备和存储介质
CN109345283A (zh) * 2018-08-27 2019-02-15 平安科技（深圳）有限公司 礼品分配方法及***、终端和计算机可读存储介质
CN109492191B (zh) * 2018-09-17 2024-05-07 平安科技（深圳）有限公司 计算投保概率的方法、装置、计算机设备和存储介质
CN111062736A (zh) * 2018-10-17 2020-04-24 百度在线网络技术（北京）有限公司 模型训练、线索排序方法、装置及设备
CN109472623A (zh) * 2018-11-05 2019-03-15 海尔电器国际股份有限公司 合同管理方法
CN109711860A (zh) * 2018-11-12 2019-05-03 平安科技（深圳）有限公司 用户行为的预测方法及装置、存储介质、计算机设备
CN109214874B (zh) * 2018-11-13 2021-10-15 郑州市景安网络科技股份有限公司 Ip产品运营数据处理方法、装置、设备及可读存储介质
CN109300039A (zh) * 2018-12-05 2019-02-01 山东省城市商业银行合作联盟有限公司 基于人工智能和大数据进行智能产品推荐的方法及***
CN111598116B (zh) * 2019-02-21 2024-01-23 杭州海康威视数字技术股份有限公司 数据分类方法、装置、电子设备及可读存储介质
CN109903140A (zh) * 2019-03-07 2019-06-18 阿里巴巴集团控股有限公司 一种信用服务推荐方法、装置及设备
CN109919685B (zh) * 2019-03-18 2023-08-15 苏州大学 客户流失预测方法、装置、设备及计算机可读存储介质
CN110163655B (zh) * 2019-04-15 2024-03-05 中国平安人寿保险股份有限公司 基于梯度提升树的坐席分配方法、装置、设备及存储介质
CN110363563A (zh) * 2019-05-28 2019-10-22 成都美美臣科技有限公司 一个电子商务网站自动化营销重定向方法
CN112232612A (zh) * 2019-06-28 2021-01-15 百度在线网络技术（北京）有限公司 客户资料智能分发方法和装置
CN110502691A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于客户分类的产品推送方法、装置及可读存储介质
CN112445966A (zh) * 2019-08-30 2021-03-05 比亚迪股份有限公司 信息推送方法及装置，存储介质及电子设备
CN110990712A (zh) * 2019-10-14 2020-04-10 中国平安财产保险股份有限公司 产品数据推送方法、装置和计算机设备
CN110706122A (zh) * 2019-10-17 2020-01-17 易联众民生(厦门)科技有限公司 基于大数据分析提升社保代理效率方法、设备及可读介质
CN111091416A (zh) * 2019-12-10 2020-05-01 北京云迹科技有限公司 一种预测酒店购买机器人的概率的方法和装置
CN111079853A (zh) * 2019-12-27 2020-04-28 深圳市商汤科技有限公司 数据获取方法及相关装置
CN111161566B (zh) * 2019-12-30 2021-06-11 携程旅游网络技术（上海）有限公司 航班延误预警方法、***、电子设备和介质
CN113139842A (zh) * 2020-01-17 2021-07-20 阿里巴巴集团控股有限公司 一种表单处理方法、装置和***
CN111415199A (zh) * 2020-03-20 2020-07-14 重庆锐云科技有限公司 一种基于大数据的客户预测更新方法、装置及存储介质
CN111353860A (zh) * 2020-03-30 2020-06-30 中国建设银行股份有限公司 产品信息推送方法及***
CN111612632A (zh) * 2020-05-14 2020-09-01 中国工商银行股份有限公司 用户投资数据处理方法及装置
CN111667307B (zh) * 2020-05-28 2023-04-07 中国工商银行股份有限公司 一种理财产品销量的预测方法及装置
CN111861540A (zh) * 2020-06-09 2020-10-30 上海钧正网络科技有限公司 信息推送方法、装置、计算机设备和存储介质
CN111798273A (zh) * 2020-07-01 2020-10-20 中国建设银行股份有限公司 产品的购买概率预测模型的训练方法及购买概率预测方法
CN111768130B (zh) * 2020-08-06 2024-05-17 京东科技控股股份有限公司 用户分配方法、装置、电子设备及可读存储介质
CN112016961A (zh) * 2020-08-26 2020-12-01 北京字节跳动网络技术有限公司 推送方法、装置、电子设备和计算机可读存储介质
CN112214675B (zh) * 2020-10-19 2024-04-09 ***通信集团江苏有限公司 用户购机的确定方法、装置、设备及计算机存储介质
CN113781246B (zh) * 2021-09-14 2024-03-05 平安科技（深圳）有限公司 基于预设标签的策略生成方法、装置及存储介质
CN114841570B (zh) * 2022-05-07 2023-07-25 金腾科技信息(深圳)有限公司 用于客户关系管理***的数据处理方法、装置、设备及介质
CN115169757A (zh) * 2022-09-07 2022-10-11 中国民航信息网络股份有限公司 旅客升舱预测方法、旅客升舱预测模型获得方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103140868A (zh) * 2010-07-28 2013-06-05 特鲁菲特公司 基于历史数据确定适用性的可能性
CN105956699A (zh) * 2016-04-29 2016-09-21 连云港天马网络发展有限公司 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法
CN105956882A (zh) * 2016-05-09 2016-09-21 陈包容 一种获取采购需求的方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590688A (zh) * 2017-08-24 2018-01-16 平安科技（深圳）有限公司 目标客户的识别方法及终端设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103140868A (zh) * 2010-07-28 2013-06-05 特鲁菲特公司 基于历史数据确定适用性的可能性
CN105956699A (zh) * 2016-04-29 2016-09-21 连云港天马网络发展有限公司 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法
CN105956882A (zh) * 2016-05-09 2016-09-21 陈包容 一种获取采购需求的方法及装置

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827112A (zh) * 2019-09-16 2020-02-21 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN110827112B (zh) * 2019-09-16 2023-02-03 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN111783810A (zh) * 2019-09-24 2020-10-16 北京沃东天骏信息技术有限公司 用于确定用户的属性信息的方法和装置
CN111783810B (zh) * 2019-09-24 2023-12-08 北京沃东天骏信息技术有限公司 用于确定用户的属性信息的方法和装置
CN112907266A (zh) * 2019-11-19 2021-06-04 马上消费金融股份有限公司 用户筛选模型的获取方法、金融信息推送方法及相关装置
CN111127074A (zh) * 2019-11-26 2020-05-08 杭州聚效科技有限公司 一种数据推荐方法
CN111127074B (zh) * 2019-11-26 2023-04-25 杭州聚效科技有限公司 一种数据推荐方法
CN111178949A (zh) * 2019-12-18 2020-05-19 北京文思海辉金信软件有限公司 服务资源匹配参考数据确定方法、装置、设备和存储介质
CN111160929B (zh) * 2019-12-26 2024-02-09 深圳前海微众银行股份有限公司 一种客户类型的确定方法及装置
CN111144652A (zh) * 2019-12-26 2020-05-12 浙江力石科技股份有限公司 基于游览舒适度算法和趋势预测方法、***和装置
CN111144652B (zh) * 2019-12-26 2023-08-08 浙江力石科技股份有限公司 基于游览舒适度算法和趋势预测方法、***和装置
CN111160929A (zh) * 2019-12-26 2020-05-15 深圳前海微众银行股份有限公司 一种客户类型的确定方法及装置
CN111860878A (zh) * 2019-12-31 2020-10-30 北京骑胜科技有限公司 共享单车的报修方法、服务器、电子设备及存储介质
CN113435918A (zh) * 2020-03-19 2021-09-24 杭州大搜车汽车服务有限公司 维护策略的确定方法、装置、电子设备及存储介质
CN111445297A (zh) * 2020-04-15 2020-07-24 北京易点淘网络技术有限公司 采购量的确定方法、装置、存储介质及电子设备
CN111639967A (zh) * 2020-05-21 2020-09-08 中国工商银行股份有限公司 产品潜在客户挖掘方法及***
CN111639967B (zh) * 2020-05-21 2023-07-25 中国工商银行股份有限公司 产品潜在客户挖掘方法及***
CN111652439B (zh) * 2020-06-04 2024-02-23 上海燕汐软件信息科技有限公司 一种派送点派件量的生成方法、装置及计算机***
CN111652439A (zh) * 2020-06-04 2020-09-11 上海燕汐软件信息科技有限公司 一种派送点派件量的生成方法、装置及计算机***
CN111831701A (zh) * 2020-07-06 2020-10-27 湖南赛吉智慧城市建设管理有限公司 可操作its***构建方法、装置、计算机设备及存储介质
CN111815368A (zh) * 2020-07-24 2020-10-23 深圳市欢太科技有限公司 广告推送方法、装置、终端及存储介质
CN111815368B (zh) * 2020-07-24 2024-05-03 深圳市欢太科技有限公司 广告推送方法、装置、终端及存储介质
CN112102095A (zh) * 2020-09-17 2020-12-18 中国建设银行股份有限公司 一种基金产品推荐方法、装置及设备
CN112163887A (zh) * 2020-09-30 2021-01-01 深圳前海微众银行股份有限公司 电销***和电销名单管理方法、装置、设备、存储介质
CN112364919A (zh) * 2020-11-11 2021-02-12 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及存储介质
CN112884215A (zh) * 2021-02-02 2021-06-01 国网甘肃省电力公司信息通信公司 一种基于梯度增强树人口预测模型的参数优化方法
CN112819258A (zh) * 2021-03-24 2021-05-18 中国工商银行股份有限公司 银行网点到店客户数量预测方法及装置
CN112862008A (zh) * 2021-03-29 2021-05-28 中信银行股份有限公司 偏好预测模型的训练方法及用户偏好的预测方法
CN113052689B (zh) * 2021-04-30 2024-03-26 中国银行股份有限公司 一种基于决策树的产品推荐方法及装置
CN113052689A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 一种基于决策树的产品推荐方法及装置
CN113554460A (zh) * 2021-07-19 2021-10-26 北京沃东天骏信息技术有限公司 一种***的识别方法和装置
CN113592297B (zh) * 2021-07-30 2023-11-24 国家电网有限公司客户服务中心 一种电力***专属式客户管理方法及***
CN113592297A (zh) * 2021-07-30 2021-11-02 国家电网有限公司客户服务中心 一种电力***专属式客户管理方法及***
CN114513578A (zh) * 2022-02-15 2022-05-17 平安科技（深圳）有限公司 外呼方法、装置、计算机设备及存储介质
CN117575487A (zh) * 2024-01-19 2024-02-20 天津盛驰精工有限公司 物料清单更新方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108337316A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
WO2019153518A1 (zh) 信息推送方法、装置、计算机设备及存储介质
US10846643B2 (en) Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models
US9972014B2 (en) System and method for intelligent sales engagement
JP2022548654A (ja) 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト
US11531780B2 (en) Deep learning-based identity fraud detection
JP6484730B2 (ja) 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体
US20210112101A1 (en) Data set and algorithm validation, bias characterization, and valuation
US11954692B2 (en) Mitigating user dissatisfaction related to a product
US11907977B2 (en) Collaborative text detection and text recognition
US10678821B2 (en) Evaluating theses using tree structures
US11829455B2 (en) AI governance using tamper proof model metrics
US20230351426A1 (en) Techniques to predict and implement an amortized bill payment system
CN111179051A (zh) 金融目标客户确定方法、装置及电子设备
US20240112229A1 (en) Facilitating responding to multiple product or service reviews associated with multiple sources
US20230032739A1 (en) Propensity modeling process for customer targeting
US20140214844A1 (en) Multiple classification models in a pipeline
JP7033609B2 (ja) プロセス定義およびプロセス実行トラッキングのためのユーザインターフェイスおよびランタイム環境
US20140324523A1 (en) Missing String Compensation In Capped Customer Linkage Model
US11762896B2 (en) Relationship discovery and quantification
US20170270480A1 (en) Enhancement of product or service by optimizing success factors
US11544175B2 (en) Systems and methods for continuity of dataflow operations
US20110251877A1 (en) Model for market impact analysis of part removal from complex products
US20230060245A1 (en) System and method for automated account profile scoring on customer relationship management platforms
US20230419338A1 (en) Joint learning of time-series models leveraging natural language processing
US12002099B1 (en) Systems and methods for developing convertible term products

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18904941

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03/11/2020)

122 Ep: pct application non-entry in european phase

Ref document number: 18904941

Country of ref document: EP

Kind code of ref document: A1