客户关系匹配方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种客户关系匹配方法、装置、设备及存储介质，该方法包括步骤：获取客户经理的被评价历史数据以及客户针对客户经理的评价历史数据，其中，所述被评价历史数据和所述评价历史数据中的评价因子相同；将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，计算得到客户与客户经理的第一匹配值，其中，所述第一匹配值是基于客户经理的与评价因子相对应的能力值和客户对所述评价因子的关注度匹配计算得到的；选取所述第一匹配值中大于预设阈值的第二匹配值，并向客户推荐所述第二匹配值对应的客户经理。本申请为客户准确地匹配和客户自身契合度高的客户经理。准确地匹配和客户自身契合度高的客户经理。准确地匹配和客户自身契合度高的客户经理。

【技术实现步骤摘要】
客户关系匹配方法、装置、设备及存储介质


[0001]本申请涉及金融管理
，尤其涉及一种客户关系匹配方法、装置、设备及存储介质。

技术介绍

[0002]随着银行业务的不断发展，客户群体越来越复杂，如何增加客户的粘性、提升客户的满意度成为一个重要的课题，其中，客户经理作为银行业务体系里的为客户提供服务的重要实体，由客户经理发现客户的需求，并及时解决客户的问题，目前，为客户分配客户经理的方式大多数为人工分配，由于每个客户的需求不同，客户经理的服务能力也不一样，当客户经理与客户的契合度较差时，客户经理无法为用户提供较好的服务，客户对银行业务的满意度也会随之降低，所以，如何为客户准确地匹配和客户自身契合度高的客户经理，就成了企业亟待解决的问题。

技术实现思路

[0003]本申请的主要目的在于提供一种客户关系匹配方法、装置、设备及存储介质，旨在解决相关技术中，无法为客户准确地匹配和客户自身契合度高的客户经理的技术问题。
[0004]为实现上述目的，本申请实施例提供了一种客户关系匹配方法，所述方法包括：
[0005]获取客户经理的被评价历史数据以及客户针对客户经理的评价历史数据，其中，所述被评价历史数据和所述评价历史数据中的评价因子相同；
[0006]将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，计算得到客户与客户经理的第一匹配值，其中，所述第一匹配值是基于客户经理的与评价因子相对应的能力值和客户对所述评价因子的关注度匹配计算得到的；
[0007]选取所述第一匹配值中大于预设阈值的第二匹配值，并向客户推荐所述第二匹配值对应的客户经理。
[0008]在本申请的一种可能的实施方式中，所述将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，计算得到客户与客户经理的第一匹配值的步骤，包括：
[0009]将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，基于所述预设匹配模型，对所述被评价历史数据进行向量化处理，得到客户经理能力向量，并对所述评价历史数据进行向量化处理，得到客户关注因子向量。
[0010]对所述客户经理能力向量和所述客户关注因子向量进行匹配计算，计算得到客户与客户经理的第一匹配值。
[0011]在本申请的一种可能的实施方式中，所述对所述被评价历史数据进行向量化处理，得到客户经理能力向量的步骤，包括：
[0012]提取所述被评价历史数据中多个评价因子的问卷数据，其中，所述评价因子包括服务态度、过度打扰、讲解清晰、风险提示、过度营销、资配建议、理念沟通、关注需求、响应及时、主动联系、跟进关怀；
[0013]根据所述问卷数据中单个评价因子的评价样本，确定客户经理单项能力值，其中，客户经理单项能力值的计算方式如下：
[0014][0015]其中，sco
因子
表示客户经理单项能力值，sco
常量1
为预设的第一常量值，sco
常量2
为预设的第二常量值，N
好评
为客户经理的好评总样本量，N
差评
为客户经理差评总样本量，N
总量
为客户经理总样本量，W
差评
为预设权值，avg
客户经理
为客户经理的问卷数据中单个评价因子的总样本评价分数的均值；
[0016]将多个评价因子对应的所述客户经理单项能力值进行组合，得到客户经理能力向量。
[0017]在本申请的一种可能的实施方式中，所述对所述评价历史数据进行向量化处理，得到客户关注因子向量的步骤，包括：
[0018]提取所述评价历史数据中多个评价因子的问卷数据；
[0019]根据所述问卷数据中单个评价因子的评价样本，确定客户单项评价值，其中，所述客户单项评价值的计算方式如下：
[0020][0021]其中，binary好评/binary差评表示当评价因子所在问卷为好评时，binary好评取值为预设的第三常量值；当评价因子所在问卷为差评时，binary差评取值为预设的第四常量值，表示问卷选择的所有评价因子中的当前评价因子的取值，val
因子
取值为所有问卷中单个评价因子的汇总值；
[0022]对所述客户单项评价值进行归一化处理，得到客户单项因子关注值；
[0023]将多个评价因子的所述客户单项因子关注值进行组合，得到客户关注因子向量。
[0024]在本申请的一种可能的实施方式中，所述对所述客户经理能力向量和所述客户关注因子向量进行匹配计算，计算得到客户与客户经理的第一匹配值的步骤，包括：
[0025]判断当前客户与客户经理之间是否存在评价交互数据；
[0026]若存在评价交互数据，对所述客户经理能力向量和所述客户关注因子向量进行匹配计算，计算得到客户与客户经理的第一匹配值，其中，所述第一匹配值的计算公式如下：
[0027][0028]其中，fit
客户&客户经理
表示第一匹配值，表示所述客户经理能力向量和所述客户关注因子向量的乘积，avg
客户
‑
客户经理
表示当前客户对客户经理所评价分数的平均值，revise表示预设调整值。
[0029]在本申请的一种可能的实施方式中，所述若存在评价交互数据，所述对所述客户经理能力向量和所述客户关注因子向量进行匹配计算，计算得到客户与客户经理的第一匹配值的步骤之后，包括：
[0030]若不存在评价交互数据，对所述客户经理能力向量和所述客户关注因子向量进行
匹配计算，计算得到客户与客户经理的第一匹配值，其中，所述第一匹配值的计算公式如下：
[0031][0032]其中，fit
客户&客户经理
表示第一匹配值，表示所述客户经理能力向量和所述客户关注因子向量的乘积，revise表示预设调整值。
[0033]在本申请的一种可能的实施方式中，所述预设调整值与客户提交的差评标签相关联，若客户在之前提交过差评标签，则预设调整值相应增大。
[0034]本申请还提供一种客户关系匹配装置，所述客户关系匹配装置还包括：
[0035]获取模块，用于获取客户经理的被评价历史数据以及客户针对客户经理的评价历史数据，其中，所述被评价历史数据和所述评价历史数据中的评价因子相同；
[0036]计算模块，用于将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，计算得到客户与客户经理的第一匹配值，其中，所述第一匹配值是基于客户经理的与评价因子相对应的能力值和客户对所述评价因子的关注度匹配计算得到的；
[0037]选取模块，用于选取所述第一匹配值中大于预设阈值的第二匹配值，并向客户推荐所述第二匹配值对应的客户经理。
[0038]本申请还提供一种客户关系匹配设备，所述客户关系匹配设备为实体节点设备，所述客户关系匹配设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种客户关系匹配方法，其特征在于，所述方法包括以下步骤：获取客户经理的被评价历史数据以及客户针对客户经理的评价历史数据，其中，所述被评价历史数据和所述评价历史数据中的评价因子相同；将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，计算得到客户与客户经理的第一匹配值，其中，所述第一匹配值是基于客户经理的与评价因子相对应的能力值和客户对所述评价因子的关注度匹配计算得到的；选取所述第一匹配值中大于预设阈值的第二匹配值，并向客户推荐所述第二匹配值对应的客户经理。2.如权利要求1所述的客户关系匹配方法，其特征在于，所述将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，计算得到客户与客户经理的第一匹配值的步骤，包括：将所述被评价历史数据和所述评价历史数据输入至预设匹配模型，基于所述预设匹配模型，对所述被评价历史数据进行向量化处理，得到客户经理能力向量，并对所述评价历史数据进行向量化处理，得到客户关注因子向量。对所述客户经理能力向量和所述客户关注因子向量进行匹配计算，计算得到客户与客户经理的第一匹配值。3.如权利要求2所述的客户关系匹配方法，其特征在于，所述对所述被评价历史数据进行向量化处理，得到客户经理能力向量的步骤，包括：提取所述被评价历史数据中多个评价因子的问卷数据，其中，所述评价因子包括服务态度、过度打扰、讲解清晰、风险提示、过度营销、资配建议、理念沟通、关注需求、响应及时、主动联系、跟进关怀；根据所述问卷数据中单个评价因子的评价样本，确定客户经理单项能力值，其中，客户经理单项能力值的计算方式如下：其中，sco
因子
表示客户经理单项能力值，sco
常量1
为预设的第一常量值，sco
常量2
为预设的第二常量值，N
好评
为客户经理的好评总样本量，N
差评
为客户经理差评总样本量，N
总量
为客户经理总样本量，W
差评
为预设权值，avg
客户经理
为客户经理的问卷数据中单个评价因子的总样本评价分数的均值；将多个评价因子对应的所述客户经理单项能力值进行组合，得到客户经理能力向量。4.如权利要求2所述的客户关系匹配方法，其特征在于，所述对所述评价历史数据进行向量化处理，得到客户关注因子向量的步骤，包括：提取所述评价历史数据中多个评价因子的问卷数据；根据所述问卷数据中单个评价因子的评价样本，确定客户单项评价值，其中，所述客户单项评价值的计算方式如下：其中，binary好评/binary差评表示当评价因子所在问卷为好评时，binary好评取值为
预设的第三常量值；当评价因子所在问卷为差评时，binary差评取值为预设的第四常量值，表示问卷选择的所有评价因子中的当前评价因子的取值，val
因子
取值为...

【专利技术属性】
技术研发人员：周阳晶，徐楠，胡焕涛，王雪蓓，白少舟，
申请(专利权)人：招商银行股份有限公司，
类型：发明
国别省市：