【技术实现步骤摘要】
本专利技术涉及机器学习，特别涉及一种基于机器学习的客户意向预测方法和装置。
技术介绍
1、随着人工智能技术的发展，基于人工智能(ai)技术的智能外呼，已经成为一些营销主体(例如银行)常用的营销方式。智能外呼技术是指，营销主体通过计算机设备拨打客户的手机，在接通后通过人工智能语音的方式向该客户介绍本次营销的目标业务的基本信息，若该客户对目标业务感兴趣则可以从人工智能语音转为人工客服进行详细了解。
2、为了提高智能外呼的意向率，部分营销主体使用意向预测模型分析客户的相关数据，以便在大量客户中筛选出更有可能对某一目标业务感兴趣的目标客户，然后对这部分客户通过智能外呼的方式营销目标业务。
3、智能外呼的意向率，是指对目标业务感兴趣的客户在收到智能外呼的全部客户中所占比率。
4、现有的技术方案中，营销主体通常采用单个通用的意向率预测模型来预测客户对不同业务的感兴趣程度。然而同一客户对不同业务的感兴趣程度往往是不同的，例如某客户可能对a业务感兴趣，对b业务不感兴趣。因此，现有的这种基于通用模型的预测方式准确度较低。
技术实现思路
1、针对上述现有技术的缺点，本专利技术提供一种基于机器学习的客户意向预测方法和装置，以提高在不同业务场景下基于机器学习的客户意向预测准确度。
2、本申请第一方面提供一种基于机器学习的客户意向预测方法，包括：
3、针对每一业务场景，获得所述业务场景对应的多个历史外呼客户的历史外呼结果数据；
4、采集
5、根据所述客户数据从所述多种备选指标中筛选出模型入选指标；
6、针对每一业务场景，利用所述业务场景对应的多个历史外呼客户的历史外呼结果数据，以及所述历史外呼客户在所述模型入选指标下的客户数据，生成所述业务场景对应的业务场景样本；
7、对每一所述业务场景，用所述业务场景对应的业务场景样本分析每一种备选机器学习模型在所述业务场景下的准确度参数，并根据所述准确度参数在所述备选机器学习模型中选择所述业务场景对应的目标机器学习模型；
8、对每一所述业务场景，利用所述业务场景对应的业务场景样本训练所述业务场景对应的所述目标机器学习模型，得到所述业务场景对应的意向预测模型；
9、在多个意向预测模型中确定需要进行意向预测的目标业务场景对应的目标意向预测模型，利用所述目标意向预测模型处理待预测客户在所述模型入选指标下的客户数据，得到所述待预测客户在所述目标业务场景下的意向预测结果。
10、可选的，所述根据所述客户数据从所述多种备选指标中筛选出模型入选指标，包括：
11、利用数值型方差过滤算法、相关系数法、卡方检验算法、互信息法、多重共线性检验算法处理所述客户数据，得到每一所述备选指标对应的重要程度；
12、根据所述备选指标对应的重要程度，从所述多种备选指标中筛选出模型入选指标。
13、可选的，所述利用所述业务场景对应的多个历史外呼客户的历史外呼结果数据，以及所述历史外呼客户在所述模型入选指标下的客户数据，生成所述业务场景对应的业务场景样本，包括：
14、对所述业务场景对应的多个历史外呼客户在所述模型入选指标下的客户数据进行数据清洗；
15、根据清洗后的客户数据构建每一所述历史外呼客户的客户特征；
16、将所述历史外呼客户的客户特征和历史外呼结果数据组合得到所述业务场景对应的所述历史外呼客户的业务场景样本。
17、可选的，所述用所述业务场景对应的业务场景样本分析每一种备选机器学习模型在所述业务场景下的准确度参数，包括：
18、用所述业务场景对应的业务场景样本，计算每一所述备选机器学习模型在所述业务场景下的召回率、roc曲线、覆盖率、命中率和提升度；
19、根据所述备选机器学习模型在所述业务场景下的召回率、roc曲线、覆盖率、命中率和提升度确定所述备选机器学习模型在所述业务场景下的准确度参数。
20、可选的，所述利用所述业务场景对应的业务场景样本训练所述业务场景对应的所述目标机器学习模型，得到所述业务场景对应的意向预测模型，包括：
21、用所述目标机器学习模型处理所述业务场景样本中的客户特征，得到所述客户特征确定的预测外呼结果；
22、根据所述预测外呼结果和所述业务场景对应的所述历史外呼客户的历史外呼结果数据确定所述目标机器学习模型的模型损失；
23、确定所述模型损失是否满足预设的收敛条件；
24、若所述模型损失不满足所述收敛条件，根据所述模型损失更新所述目标机器学习模型，返回执行所述用所述目标机器学习模型处理所述业务场景样本中的客户特征，得到所述客户特征确定的预测外呼结果步骤；
25、若所述模型损失满足所述收敛条件，将所述目标机器学习模型确定为意向预测模型。
26、本申请第二方面提供一种基于机器学习的客户意向预测装置，包括：
27、获得单元，用于针对每一业务场景，获得所述业务场景对应的多个历史外呼客户的历史外呼结果数据；
28、采集单元，用于采集所述历史外呼客户在多种备选指标下的客户数据；
29、筛选单元，用于根据所述客户数据从所述多种备选指标中筛选出模型入选指标；
30、生成单元，用于针对每一业务场景，利用所述业务场景对应的多个历史外呼客户的历史外呼结果数据，以及所述历史外呼客户在所述模型入选指标下的客户数据，生成所述业务场景对应的业务场景样本；
31、分析单元，用于对每一所述业务场景，用所述业务场景对应的业务场景样本分析每一种备选机器学习模型在所述业务场景下的准确度参数，并根据所述准确度参数在所述备选机器学习模型中选择所述业务场景对应的目标机器学习模型；
32、训练单元，用于对每一所述业务场景，利用所述业务场景对应的业务场景样本训练所述业务场景对应的所述目标机器学习模型，得到所述业务场景对应的意向预测模型；
33、预测单元，用于在多个意向预测模型中确定需要进行意向预测的目标业务场景对应的目标意向预测模型，利用所述目标意向预测模型处理待预测客户在所述模型入选指标下的客户数据，得到所述待预测客户在所述目标业务场景下的意向预测结果。
34、可选的，所述筛选单元根据所述客户数据从所述多种备选指标中筛选出模型入选指标时，具体用于：
35、利用数值型方差过滤算法、相关系数法、卡方检验算法、互信息法、多重共线性检验算法处理所述客户数据，得到每一所述备选指标对应的重要程度；
36、根据所述备选指标对应的重要程度，从所述多种备选指标中筛选出模型入选指标。
37、可选的，所述生成单元利用所述业务场景对应的多个历史外呼客户的历史外呼结果数据，以及所述历史外呼客户在所述模型入选指标下的客户数据，生成所述业务场景对应的业务场景样本时，具体用于：<本文档来自技高网...
【技术保护点】
1.一种基于机器学习的客户意向预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述客户数据从所述多种备选指标中筛选出模型入选指标，包括：
3.根据权利要求1所述的方法，其特征在于，所述利用所述业务场景对应的多个历史外呼客户的历史外呼结果数据，以及所述历史外呼客户在所述模型入选指标下的客户数据，生成所述业务场景对应的业务场景样本，包括：
4.根据权利要求1所述的方法，其特征在于，所述用所述业务场景对应的业务场景样本分析每一种备选机器学习模型在所述业务场景下的准确度参数，包括：
5.根据权利要求3所述的方法，其特征在于，所述利用所述业务场景对应的业务场景样本训练所述业务场景对应的所述目标机器学习模型，得到所述业务场景对应的意向预测模型，包括：
6.一种基于机器学习的客户意向预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述筛选单元根据所述客户数据从所述多种备选指标中筛选出模型入选指标时，具体用于：
8.根据权利要求6所述的装置，其特征在于，所述
9.根据权利要求6所述的装置，其特征在于，所述分析单元用所述业务场景对应的业务场景样本分析每一种备选机器学习模型在所述业务场景下的准确度参数时，具体用于：
10.根据权利要求8所述的装置，其特征在于，所述训练单元利用所述业务场景对应的业务场景样本训练所述业务场景对应的所述目标机器学习模型，得到所述业务场景对应的意向预测模型时，具体用于：
...【技术特征摘要】
1.一种基于机器学习的客户意向预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述客户数据从所述多种备选指标中筛选出模型入选指标，包括：
3.根据权利要求1所述的方法，其特征在于，所述利用所述业务场景对应的多个历史外呼客户的历史外呼结果数据，以及所述历史外呼客户在所述模型入选指标下的客户数据，生成所述业务场景对应的业务场景样本，包括：
4.根据权利要求1所述的方法，其特征在于，所述用所述业务场景对应的业务场景样本分析每一种备选机器学习模型在所述业务场景下的准确度参数，包括：
5.根据权利要求3所述的方法，其特征在于，所述利用所述业务场景对应的业务场景样本训练所述业务场景对应的所述目标机器学习模型，得到所述业务场景对应的意向预测模型，包括：
6.一种基于机器学习的...
【专利技术属性】
技术研发人员：张昱璇，
申请(专利权)人：中国建设银行股份有限公司广东省分行，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。