基于人工智能的客户挖掘方法及相关设备技术

本申请涉及人工智能，提供一种基于人工智能的客户挖掘方法。本申请提供的方法包括：筛选获取的用户画像标签数据得到流失用户画像标签数据；获取流失用户在设定设置观察点之后的所述流失用户画像标签数据作为待筛选特征数据；从所述待筛选特征数据中提取目标数据特征；将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出流失用户的被赢回预测评分以及对应的线索标签；启动线索跑批任务对所述流失用户画像标签数据以及所述线索标签进行数据批量处理；获取所述赢回客户预测模型和所述线索跑批任务运行过程中的群体稳定性指数，根据所述群体稳定性指数优化所述目标数据特征和所述赢回客户预测模型。化所述目标数据特征和所述赢回客户预测模型。化所述目标数据特征和所述赢回客户预测模型。

【技术实现步骤摘要】
基于人工智能的客户挖掘方法及相关设备


[0001]本申请涉及人工智能
，尤其涉及一种基于人工智能的客户挖掘方法及相关设备。

技术介绍

[0002]在市场竞争日益激烈的情况下，客户是每个企业的宝贵资源，虽然现有技术通过提前预警和中段干预等方式维持现有客户资源，但是仍然会存在一定比例的客户流失掉。所以，每个企业需要采取一定的措施将已经流失掉的客户赢回。
[0003]现有技术的做法是企业投入一定量的运营客服人员凭借个人经验采取一定的措施去赢回客户，不仅导致赢回客户的效率低下，难以大量进行推广，还造成了较高的企业运营成本。

技术实现思路

[0004]本申请实施例提供一种基于人工智能的客户挖掘方法、装置、计算机设备及存储介质，以解决现有技术赢回流失客户效率低下和运营成本高的问题。
[0005]本申请的第一方面，提供一种基于人工智能的客户挖掘方法，包括：
[0006]根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据；
[0007]在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间在第二时间段内；
[0008]从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；
[0009]将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；
[0010]启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；
[0011]获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型。
[0012]本申请的第二方面，提供一种基于人工智能的客户挖掘装置，包括：
[0013]流失用户画像模块，用于根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标
签数据；
[0014]待筛选特征数据模块，用于在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间小于第二时间阈值；
[0015]目标数据特征模块，用于从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；
[0016]赢回客户预测模型模块，用于将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；
[0017]线索跑批任务模块，用于启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；
[0018]群体稳定性监控模块，用于获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不稳定的所述目标数据特征或重新训练所述赢回客户预测模型。
[0019]本申请的第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中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上述基于人工智能的客户挖掘方法的步骤。
[0020]本申请的第四方面，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程序，所述计算机程序被处理器执行时实现上述基于人工智能的客户挖掘方法的步骤。
[0021]上述基于人工智能的客户挖掘方法、装置、计算机设备及存储介质，通过获取流失用户的用户画像数据，使用该用户画像数据构建合适的数据样本，并通过人工智能模型处理该数据样本得到每个流失用户被赢回的概率及线索，并监控每个流失用户及该线索的变化进行优化。不仅提升了对流失用户数据的处理效率和赢回客户流程的执行效率，还提升了赢回客户的概率和降低了企业运营的成本。
附图说明
[0022]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本申请一实施例中基于人工智能的客户挖掘方法的一应用环境示意图；
[0024]图2是本申请一实施例中基于人工智能的客户挖掘方法的一流程图；
[0025]图3是本申请一实施例中基于人工智能的客户挖掘装置的结构示意图；
[0026]图4是本申请一实施例中计算机设备的一示意图。
具体实施方式
[0027]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作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。
[0028]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、技术及应用系统。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/交互系统、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。
[0029]本申请提供的基于人工智能的客户挖掘方法，可应用在如图1的应用环境中，其中，计算机设备可以但不限于各种个人计算机、笔记本电脑，计算机设备还可以是服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的客户挖掘方法，其特征在于，包括：根据目标信息维度从用户数据中获取用户画像标签数据，筛选满足用户流失判断规则的所述用户画像标签数据作为流失用户的流失用户画像标签数据；在设定的第一时间周期内设置观察点，获取所述流失用户在所述观察点之后的第一时间段内的所述流失用户画像标签数据作为待筛选特征数据，其中，所述流失用户在所述观察点时的用户流失时间小于第二时间阈值；从所述待筛选特征数据中提取待评估数据特征，使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征；将所述流失用户画像标签数据和所述目标数据特征输入至赢回客户预测模型，输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户；启动线索跑批任务，对所述预测可赢回用户和所述预测不可赢回客户对应的所述流失用户画像标签数据以及所述线索标签进行数据批量处理；获取所述赢回客户预测模型运行过程中所述目标数据特征的第一群体稳定性指数，获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数，根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型。2.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述使用至少一个特征评估维度筛选所述待评估数据特征得到目标数据特征包括：根据所述待筛选特征数据计算每个所述待评估数据特征的信息价值量，移除信息价值量不在预设信息价值量阈值范围内的对应所述待评估数据特征；根据所述待筛选特征数据计算每个所述待评估数据特征的信息饱和度，移除信息饱和度不在预设信息饱和度阈值范围内的对应所述待评估数据特征；根据所述待筛选特征数据计算每个所述待评估数据特征的群体稳定性指数，移除群体稳定性指数不在预设第三稳定性指数阈值范围内的对应所述待评估数据特征；将所述待筛选特征数据输入至对抗验证模型，输出每个所述待评估数据特征的时序波动率，移除时序波动率不在预设时序波动率阈值范围内的对应所述待评估数据特征；将所述待筛选特征数据输入至业务关联度计算模型，输出每个所述待评估数据特征与目标业务的关联度评分，移除关联度评分不在预设关联度评分阈值范围内的对应所述待评估数据特征。3.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述赢回客户预测模型基于集成树模型进行构建，所述输出所述流失用户画像标签对应的流失用户的被赢回预测评分以及对应的线索标签，根据被赢回评分阈值将所述流失用户分为预测可赢回用户和预测不可赢回用户之后，还包括：将所述线索标签和所述用户画像标签数据输入至营销话术匹配模型，输出所述用户画像标签数据对应的用户营销话术策略；发送所述用户营销话术策略至对应的目标业务营销人员，监控在所述用户营销话术策略送达后第三时间段内所述用户画像标签数据对应的用户是否被赢回。
4.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述获取所述线索跑批任务运行过程中所述目标数据特征的第二群体稳定性指数之后，还包括：按照预设第二时间周期统计所述目标数据特征在所述第二时间周期内的第三群体稳定性指数；若所述第三群体稳定性指数不在预设第四稳定性指数阈值范围内，则移除所述目标数据特征，和/或重新训练所述赢回客户预测模型。5.根据权利要求1所述的基于人工智能的客户挖掘方法，其特征在于，所述根据所述第一群体稳定性指数和所述第二群体稳定性指数移除不在对应的预设第一稳定性指数阈值范围和预设第二稳定性指数阈值范围的所述目标数据特征，和/或重新训练所述赢回客户预测模型之后，还包括：设定不同时间段监控所述线索标签关联的流失用户转化数据；根据所述流失用户转化数据优化所述赢回客户预测模型；获取所述流失用户转化数据中的流失用户转化率，移除流失用户转化率不在预设转化率阈值范围内的对应所述线索标签；获取所述...

【专利技术属性】
技术研发人员：邓嘉，杨鸿超，
申请(专利权)人：平安健康保险股份有限公司，
类型：发明
国别省市：