基于客户特征的电销服务方法及其相关设备技术

本申请实施例属于金融科技技术领域，应用于金融业务中电销服务指导领域中，涉及一种基于客户特征的电销服务方法及其相关设备，包括根据历史客户的个人信息表征数据、在历史被保期间是否存在首次电销通话即续保成功、续保成功的次数，训练出一代分类模型；根据是否存在中途退保和中途退保次数，对一代分类模型进行优化训练，训练出二代分类模型；根据二代分类模型进行客户类别分类和选择电销服务。本申请在进行客户流失预测分类时更加灵活，减少一定误差，同时，有助于将优质电销服务人员合理的分配给高质量客户和减少客户的退保率，提高公司持续续保的能力。司持续续保的能力。司持续续保的能力。

【技术实现步骤摘要】
基于客户特征的电销服务方法及其相关设备


[0001]本申请涉及金融科技
，尤其涉及一种基于客户特征的电销服务方法及其相关设备。

技术介绍

[0002]随着国家经济的快速发展，相关政策的支持以及全民保险意识的进一步升级，国内保险需求的增长趋势十分明显。
[0003]针对不同的险种，保险公司通常有不同的派工策略。然而，在不同的策略中，核心思路都是将客户分配到其对应的促单率最高的坐席上，这种方式可以在减少人力成本的基础上，依然增大保险公司的整体收益。传统的基于统计的方法，只能将客户分群，计算出每一个群体唯一的流失概率，进一步根据用户所属的群体，确定客户的流失概率，或者对客户的流失情况进行0
‑
1预测。这种客户流失分类预测时缺乏灵活性和定制化，误差偏大。

技术实现思路

[0004]本申请实施例的目的在于提出一种基于客户特征的电销服务方法及其相关设备，以解决现有技术中进行客户流失预测分类时缺乏灵活性和定制化，误差偏大的问题。
[0005]为了解决上述技术问题，本申请实施例提供一种基于客户特征的电销服务方法，采用了如下所述的技术方案：
[0006]一种基于客户特征的电销服务方法，包括下述步骤：
[0007]从客户信息库中获取历史客户的个人信息表征数据；
[0008]从交易数据库中获取所述历史客户对应的保险交易信息数据，其中，所述保险交易信息数据中至少包括：在历史被保期间是否存在首次电销通话即续保成功、续保成功的次数、是否存在中途退保和中途退保次数；<br/>[0009]根据所述个人信息表征数据、在历史被保期间是否存在首次电销通话即续保成功、续保成功的次数，采用预设深度学习模型训练出一代分类模型；
[0010]根据所述是否存在中途退保和中途退保次数，对所述一代分类模型进行优化训练，训练出二代分类模型；
[0011]获取最新待续保客户的个人信息表征数据，并将所述个人信息表征数据输入所述二代分类模型，进行客户类别分类；
[0012]根据客户类别分类结果和预设的电销服务策略对所述最新待续保客户进行电销服务。
[0013]进一步的，所述根据所述个人信息表征数据、在历史被保期间是否存在首次电销通话即续保成功、续保成功的次数，采用预设深度学习模型训练出一代分类模型的步骤，具体包括：
[0014]采用one
‑
hot编码形式，对在历史被保期间首次电销通话即续保成功和非首次电销通话即续保成功的状态设置区别标签进行表示；
[0015]根据所述区别标签，统计各客户分别对应的续保成功的总次数和首次电销通话即续保成功的次数；
[0016]根据所述续保成功的总次数和首次电销通话即续保成功的次数，计算所有客户首次电销通话即续保成功的概率值；
[0017]根据预设比较阈值和所述概率值，对各客户进行群体分类，获得易沟通客户群体和难沟通客户群体；
[0018]获取所述易沟通客户群体中所有个体对应的所述个人信息表征数据，作为第一类样本训练数据；
[0019]获取所述难沟通客户群体中所有个体对应的所述个人信息表征数据，作为第二类样本训练数据；
[0020]判断所述第一类样本训练数据和所述第二类样本训练数据间的比例关系是否满足所述深度学习模型的训练要求，其中，所述训练要求表示所述第一类样本训练数据和所述第二类样本训练数据间的比例要求；
[0021]若不满足，则采用预设不平衡数据样本处理算法调整所述第一类样本训练数据和所述第二类样本训练数据间的比例关系，直到所述比例关系满足所述深度学习模型的训练要求，完成所述调整；
[0022]若满足，则将所述第一类样本训练数据和所述第二类样本训练数据输入所述深度学习模型进行分类训练，直到训练结束，获得所述一代分类模型。
[0023]进一步的，所述采用预设不平衡数据样本处理算法调整所述第一类样本训练数据和所述第二类样本训练数据间的比例关系的步骤，具体包括：
[0024]根据所述第一类样本训练数据和所述第二类样本训练数据间的比例关系，筛选出数据量占比相对较少的样本训练数据分类；
[0025]根据SMOTE采样算法对所述数据量占比相对较少的样本训练数据分类中样本训练数据进行样本扩增处理，直到所述第一类样本训练数据与所述第二类样本训练数据间个体比例满足训练样本的比例要求，完成样本扩增处理。
[0026]进一步的，所述根据所述是否存在中途退保和中途退保次数，对所述一代分类模型进行优化训练，训练出二代分类模型的步骤，具体包括：
[0027]获取经所述一代分类模型分类和扩增处理之后的第一类样本训练数据和第二类样本训练数据；
[0028]将所述第一类样本训练数据对应的所有个体作为二次分类的第一群体集；
[0029]将所述第二类样本训练数据对应的所有个体作为二次分类的第二群体集；
[0030]将所述第一群体集和所述第二群体集中所有个体分别作为一个初始社区单体；
[0031]将所述是否存在中途退保和中途退保次数作为所述一代分类模型的新增分类参数，并根据所述新增分类参数，采用Louva i n算法对所有的初始社区单体进行模块化聚类；
[0032]直到所述Louva i n算法中用于表征模块化增益的变化量处于稳定状态，则所述二代分类模型训练完成。
[0033]进一步的，在执行所述将所述个人信息表征数据输入所述二代分类模型，进行客户类别分类的步骤之前，所述方法还包括：
[0034]获取经所述二代分类模型聚类后第一群体集中包含的超级社区群和第二群体集中包含的超级社区群；
[0035]根据所述第一群体集中各超级社区群中对应各个社区单体是否存在中途退保和中途退保次数，为所述第一群体集中各超级社区群进行区别命名，其中，所述区别命名包括：后期多服务型社区群和独立勿扰型社区群；
[0036]根据所述第二群体集中各超级社区群中对应各个社区单体是否存在中途退保和中途退保次数，为所述第二群体集中各超级社区群进行区别命名，其中，所述区别命名包括：销售较难攻克型社区群和前期多服务型社区群。
[0037]进一步的，所述将所述个人信息表征数据输入所述二代分类模型，进行客户类别分类的步骤，具体包括：
[0038]预先以所述各超级社区群为单位，分别获取所述各超级社区群中各个社区单体对应的个人信息表征数据，构建分类参照集；
[0039]采用余弦相似度及杰卡德相似度共同衡量所述最新待续保客户的个人信息表征数据与所述分类参照集中个人信息表征数据的相似程度；
[0040]选择所述相似程度最大时所对应的分类参照集，根据所述分类参照集确定所述最新待续保客户所属的超级社区群，完成对所述最新待续保客户的类别分类。
[0041]进一步的，所述根据客户类别分类结果和预设的电销服务策略对所述最新待续保客户进行电销服务的步骤，具体包括：
[0042]根据客户类别分类结果，获取所述最新待续保客本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于客户特征的电销服务方法，其特征在于，包括下述步骤：从客户信息库中获取历史客户的个人信息表征数据；从交易数据库中获取所述历史客户对应的保险交易信息数据，其中，所述保险交易信息数据中至少包括：在历史被保期间是否存在首次电销通话即续保成功、续保成功的次数、是否存在中途退保和中途退保次数；根据所述个人信息表征数据、在历史被保期间是否存在首次电销通话即续保成功、续保成功的次数，采用预设深度学习模型训练出一代分类模型；根据所述是否存在中途退保和中途退保次数，对所述一代分类模型进行优化训练，训练出二代分类模型；获取最新待续保客户的个人信息表征数据，并将所述个人信息表征数据输入所述二代分类模型，进行客户类别分类；根据客户类别分类结果和预设的电销服务策略对所述最新待续保客户进行电销服务。2.根据权利要求1所述的基于客户特征的电销服务方法，其特征在于，所述根据所述个人信息表征数据、在历史被保期间是否存在首次电销通话即续保成功、续保成功的次数，采用预设深度学习模型训练出一代分类模型的步骤，具体包括：采用one
‑
hot编码形式，对在历史被保期间首次电销通话即续保成功和非首次电销通话即续保成功的状态设置区别标签进行表示；根据所述区别标签，统计各客户分别对应的续保成功的总次数和首次电销通话即续保成功的次数；根据所述续保成功的总次数和首次电销通话即续保成功的次数，计算所有客户首次电销通话即续保成功的概率值；根据预设比较阈值和所述概率值，对各客户进行群体分类，获得易沟通客户群体和难沟通客户群体；获取所述易沟通客户群体中所有个体对应的所述个人信息表征数据，作为第一类样本训练数据；获取所述难沟通客户群体中所有个体对应的所述个人信息表征数据，作为第二类样本训练数据；判断所述第一类样本训练数据和所述第二类样本训练数据间的比例关系是否满足所述深度学习模型的训练要求，其中，所述训练要求表示所述第一类样本训练数据和所述第二类样本训练数据间的比例要求；若不满足，则采用预设不平衡数据样本处理算法调整所述第一类样本训练数据和所述第二类样本训练数据间的比例关系，直到所述比例关系满足所述深度学习模型的训练要求，完成所述调整；若满足，则将所述第一类样本训练数据和所述第二类样本训练数据输入所述深度学习模型进行分类训练，直到训练结束，获得所述一代分类模型。3.根据权利要求2所述的基于客户特征的电销服务方法，其特征在于，所述采用预设不平衡数据样本处理算法调整所述第一类样本训练数据和所述第二类样本训练数据间的比例关系的步骤，具体包括：根据所述第一类样本训练数据和所述第二类样本训练数据间的比例关系，筛选出数据
量占比相对较少的样本训练数据分类；根据SMOTE采样算法对所述数据量占比相对较少的样本训练数据分类中样本训练数据进行样本扩增处理，直到所述第一类样本训练数据与所述第二类样本训练数据间个体比例满足训练样本的比例要求，完成样本扩增处理。4.根据权利要求2所述的基于客户特征的电销服务方法，其特征在于，所述根据所述是否存在中途退保和中途退保次数，对所述一代分类模型进行优化训练，训练出二代分类模型的步骤，具体包括：获取经所述一代分类模型分类和扩增处理之后的第一类样本训练数据和第二类样本训练数据；将所述第一类样本训练数据对应的所有个体作为二次分类的第一群体集；将所述第二类样本训练数据对应的所有个体作为二次分类的第二群体集；将所述第一群体集和所述第二群体集中所有个体分别作为一个初始社区单体；将所述是否存在中途退保和中途退保次数作为所述一代分类模型的新增分类参数，并根据所述新增分类参数，采用Louva i n算法对所有的初始社区单体进行模块化聚类；直到所述Louva i n算法中用于表征模块化增益的变化量处于稳定状态，则所述二代分类模型训练完成。5.根据权利要求1所述的基于客户特征的电销服...

【专利技术属性】
技术研发人员：严杨扬，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：