基于知识库的客户营销线索推荐方法及装置

技术领域

本发明涉及信息推荐技术领域，尤其涉及基于知识库的客户营销线索推荐方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

代理人销售获客，尤其是向客户推荐产品时，主要以个人销售经验为辅助，并没有有效的利用公司发展过程中积累的实际销售数据，目前向代理人提供的数据支持也仅限于客户基本信息、保障缺口等简单统计数据，客户画像结果也仅作为参考，无法在销售中给予代理人最直接的指导。

对于缺乏销售经验或暂未形成个人销售模式的代理人来说，面对客户多样性的趋势，简单的数据支持很难指导实际销售工作，提高保险销售业绩；复杂的客户画像由于理解差异，促进客户转化的效果也有待提升。

发明内容

本发明实施例提供一种基于知识库的客户营销线索推荐方法，用以解决现有历史数据利用不足、数据分析和客户画像结果很难直接指导代理人销售工作、代理人促进客户持续转化效率低等问题，该方法包括：

基于客户消费旅程的维度特征，获取客户消费旅程的维度数据；其中，所述维度特征包括当前消费旅程节点、上一旅程保险产品数据、客户基本数据、客户既往行为特征数据和代理人数据；

将客户消费旅程的维度数据作为预测样本，利用客户营销路线持续预测模型进行预测，获得营销路线预测结果；

根据所述预测路线预测结果匹配获得对应的推荐营销线索和推荐话术；

其中，客户营销路线持续预测模型按照如下方式构建：

获取历史保险销售相关数据；

基于客户消费旅程的维度特征，对所述历史保险销售相关数据进行整合处理，构建客户营销路线知识库；

以客户营销路线知识库中的数据作为训练样本数据，基于LightGBM模型进行模型训练优化，构建客户营销路线持续预测模型。

本发明实施例还提供一种基于知识库的客户营销线索推荐装置，用以解决现有历史数据利用不足、数据分析和客户画像结果很难直接指导代理人销售工作、代理人促进客户持续转化效率低等问题，该装置包括：

数据整合处理模块用于：基于客户消费旅程的维度特征，获取客户消费旅程的维度数据；其中，所述维度特征包括当前消费旅程节点、上一旅程保险产品数据、客户基本数据、客户既往行为特征数据和代理人数据；

推荐模块，用于将客户消费旅程的维度数据作为预测样本，利用客户营销路线持续预测模型进行预测，获得营销路线预测结果，根据所述预测路线预测结果匹配获得对应的推荐营销线索和推荐话术；

其中，客户营销路线持续预测模型按照如下方式构建：

获取历史保险销售相关数据；

基于客户消费旅程的维度特征，对所述历史保险销售相关数据进行整合处理，构建客户营销路线知识库；

以客户营销路线知识库中的数据作为训练样本数据，基于LightGBM模型进行模型训练优化，构建客户营销路线持续预测模型。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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知识库的客户营销线索推荐方法。

本发明实施例还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执行上述基于知识库的客户营销线索推荐方法的计算机程序。

本发明实施例中，与现有技术中机器学习分类模型应用时对类别的预测的技术方案相比，通过构建的客户营销路线知识库，基于LightGBM模型进行模型训练优化，构建客户营销路线持续预测模型，利用客户营销路线持续预测模型进行预测，获得营销路线预测结果，匹配获得对应的推荐营销线索和推荐话术，可以提升代理人客户经营中客户持续转化效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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。在附图中：

图1为本发明实施例中基于知识库的客户营销线索推荐装置架构图；

图2为本发明实施例中基于知识库的客户营销线索推荐方法流程图；

图3为本发明实施例中业务与数据流程图；

图4为本发明实施例中客户营销路线持续预测模型训练流程图；

图5为本发明实施例中添加客户营销路线标签流程图一；

图6为本发明实施例中添加客户营销路线标签流程图二；

图7为本发明实施例中基于客户营销路线标签的客户营销路线持续预测模型训练流程图；

图8为本发明实施例中推荐代理人营销路线、线索和话术示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

虽然目前社会大众的保险意识普遍都在加强，但由于保险产品的特殊性，代理人经验不足、客户需求多样化等问题都加大了保险销售的难度；公司积累的历史数据有很大的价值，但利用手段与利用效果都有待提高。针对现有历史数据利用不足、数据分析和客户画像结果很难直接指导代理人销售工作、代理人促进客户持续转化效率低等问题，本发明提出了基于知识库的客户营销线索推荐装置。该装置主要应用于碎片险获客转化与老客户持续经营场景，从历史实际销售数据中提炼客户特征、客户家庭特征，整理客户消费旅程，将销售数据通过知识管理建立成为客户营销路线知识库；结合机器学习算法建立客户营销路线预测模型，使用模型预测客户营销路线，根据预测结果自动匹配营销线索与销售话术，在代理人销售产品时，能自动提示代理人该客户所处的营销旅程节点、对应营销路线与销售话术，帮助代理人促进客户持续转化，提升代理人销售效果。

图1为本发明实施例中基于知识库的客户营销线索推荐装置架构图，该基于知识库的客户营销线索推荐装置从数据层的多个基础数据库中获取历史保险销售相关数据，通过数据整合处理模块构建客户营销路线(客户消费总旅程)知识库，经过模型训练优化模块、推荐模块，向用户层的代理人提供营销线索(营销关键点)与话术推荐结果，并逐步构建知识管理体系，装置具体架构如图1所示。

(1)数据整合处理模块：从数据库中提取、加工整合、存储数据；

(2)模型训练优化模块：集成LightGBM、逻辑回归等，训练客户营销路线持续预测模型，并不断优化；

(3)推荐模块：根据训练模块提供的模型参数预测客户营销路线计算，同时生成营销线索与销售话术等自动推荐结果；

(4)知识库：汇总历史数据整合成的营销路线知识，构建知识管理体系。

具体的，数据整合处理模块，用于获取历史保险销售相关数据；基于客户消费旅程的维度特征，对所述历史保险销售相关数据进行整合处理，构建客户营销路线知识库；

模型训练优化模块，用于以客户营销路线知识库中的数据作为训练样本数据，基于LightGBM模型进行模型训练优化，构建客户营销路线持续预测模型；

上述两个模块的功能属于前期的准备工作，最终获得一个构建的客户营销路线持续预测模型用于后面的营销线索和话术推荐。

数据整合处理模块还用于：基于客户消费旅程的维度特征，获取客户消费旅程的维度数据；其中，消费旅程的维度特征包括(1)当前消费旅程节点，即：已消费次数；(2)上一旅程保险产品数据，主要包括：保险产品类型、基本保额、距今时间等；(3)客户基本数据，主要包括：年龄、性别、学历、职业、地区、收入、健康相关指标等；(4)客户既往行为特征数据，主要包括：有效保单数量、累计保额、理赔累计次数、理赔累计金额、投诉累计次数、投诉累计损失金额、累计保全记录数等；(5)代理人数据，主要包括：职级、司龄、年滚动标保、继续率、名下保单理赔率、品质加扣分数等。

具体的，消费旅程的维度特征如表1所示。

表1消费旅程的维度特征

按照上述客户消费旅程的维度特征，获取客户的客户消费旅程的维度数据，即为特征对应字段赋值，比如，新客户的当前消费旅程节点取值为0，新客户的“上一旅程保险产品数据”默认为空值，新客户的“客户基本信息”按实际情况整理；新客户的“既往行为特征数据”按实际情况整理，如：有效保单数量为0；新客户对应的“代理人数据”可以是指定代理人的数据，也可以是哪个代理人接洽新客，就是哪个代理人的相关信息。老客户的当前消费旅程节点取值为3(表示买过三次保险)，“上一旅程保险产品数据”的字段填写上相应的数据，“既往行为特征数据”按实际情况整理，如：有效保单数量为3。可以根据“当前消费旅程节点”区分新客老客。

推荐模块，用于将客户消费旅程的维度数据作为预测样本，利用客户营销路线持续预测模型进行预测，获得营销路线预测结果，根据所述预测路线预测结果匹配获得对应的推荐营销线索和推荐话术。

在预测时，是根据赋值之后的客户消费旅程的维度数据来进行预测，当特征对应字段赋值为0时，表示相应字段没有数据存在，当特征对应字段赋值为其他时，表示相应字段有数据存在。

基于上述装置架构，提出一种基于知识库的客户营销线索推荐方法，如图2所示，该方法包括：

步骤201：基于客户消费旅程的维度特征，获取客户消费旅程的维度数据；其中，所述维度特征包括当前消费旅程节点、上一旅程保险产品数据、客户基本数据、客户既往行为特征数据和代理人数据；

步骤202：将客户消费旅程的维度数据作为预测样本，利用客户营销路线持续预测模型进行预测，获得营销路线预测结果；

步骤203：根据所述预测路线预测结果匹配获得对应的推荐营销线索和推荐话术；

其中，客户营销路线持续预测模型按照如下方式构建：

获取历史保险销售相关数据；

基于客户消费旅程的维度特征，对所述历史保险销售相关数据进行整合处理，构建客户营销路线知识库；

以客户营销路线知识库中的数据作为训练样本数据，基于LightGBM模型进行模型训练优化，构建客户营销路线持续预测模型。

结合图1至图7所示，本提案涉及的基本业务与数据流程有：

(1)营销路线知识库与知识管理

步骤1：获取数据；

输入来源：数据层的基础数据库(历史所有保险销售、核保、核赔数据，还包括办单、客户、代理人信息)；

执行主体：功能层的数据整合处理模块；

详细执行内容：从基础数据库中获取历史保险销售相关数据，可以包括历史销售、核保、核赔数据，基于客户消费旅程的维度特征，对所述历史保险销售相关数据进行整合处理，汇总至客户粒度，整理为所有客户消费旅程的各维度特征，汇总为客户营销路线知识，构建客户营销路线知识库。

输出对象：营销路线知识库。

营销路线知识库的建立丰富了企业知识管理的内容，进一步挖掘隐性知识的价值，促进隐性知识显性化、沉淀企业数据资产。

该方法还包括步骤2：根据客户营销路线知识库，对客户营销路线知识库的应用场景进行构建。其具体包括：

识别客户营销路线知识库的使用用户；

确定使用用户使用所述客户营销路线知识库的相关信息，所述相关信息包括使用时间、使用内容和用户的使用行为；

基于所述相关信息构建客户营销路线知识库的应用场景。

举例说明，比如培训人员使用了该客户营销路线知识库进行代理人培训，那首先识别使用客户营销路线知识库的是培训人员，然后确定什么时间培训人员使用了客户营销路线知识库，使用了客户营销路线知识库的哪些内容，使用客户营销路线知识库的内容进行了代理人培训(即用户行为)，那根据上述这些信息，可以构建一个客户营销路线知识库的代理人培训场景(即应用场景)。

具体的，步骤2属于知识管理；

输入来源：客户营销路线知识库；

执行主体：用户层的知识管理人员；

详细执行内容：知识管理人员持续构建企业知识管理体系，拓展客户经营、代理人培训等更多应用场景；

输出对象：实际应用场景。

(2)营销路线持续预测模型训练优化过程

关键步骤：1获取模型样本——2特征工程——3模型训练优化；

输入来源：客户营销路线知识库；

执行主体：功能层的模型训练优化模块；

详细执行内容：

如图3至图7所示，包括：

步骤401：从客户营销路线知识库中获取客户粒度模型样本。

步骤402：在所述客户粒度模型样本上添加客户营销路线标签(即特征工程处理样本特征，添加客户营销路线标签)，形成训练样本。

如图5所示，该步骤具体包括：

步骤501：确定所述客户粒度模型样本中所包含的时间节点和保险类型；

步骤502：按照预设的加保顺序与加保类型，根据所述客户粒度模型样本所包含的时间节点和保险类型，在所述客户粒度模型样本上添加上包含时间节点和保险类型的标签。

其中，客户营销路线标签的格式为[时间节点，多个按照加保顺序排列的加保类型]；

如图6所示，步骤502具体包括：

步骤601：将所述客户粒度模型样本所包含的时间节点的数值添加到所述客户营销路线标签的格式中的时间节点上；

步骤602：当所述客户粒度模型样本所包含的保险类型属于多个按照加保顺序排列的加保类型，则将相应位置的加保类型置于1，当所述客户粒度模型样本所包含的保险类型不属于多个按照加保顺序排列的加保类型中，则将相应位置的加保类型置于0；

步骤603：基于时间节点和加保类型的数值设置，建立客户不同旅程节点的多维标签。

其中，可以五种保障类型(寿险、重疾险、医疗险、意外险、年金险)先后加保顺序与加保类型建立客户不同旅程节点的六维标签(时间节点+五种类型)：也可以是其他数量的保险类型，不一定是5。

如：样本在时间节点2的标签Label＝[2,0,1,1,0,0]表示该客户在第二次加保时加保类型为重疾险与医疗险；

步骤403：使用LightGBM模型对训练样本进行训练，建立客户营销路线持续预测模型。

如图7所示，步骤403具体包括：

步骤701：基于客户不同旅程节点的多维标签，确定不同时间节点的训练样本数据；

步骤702：使用LightGBM模型对不同时间节点的训练样本数据依次训练，并将前1个时间节点的训练结果作为后1个时间节点训练的入模特征，建立客户营销路线持续预测的嵌套模型，确定模型参数，用于客户营销路线识别匹配。

输出对象：功能层的推荐模块。

通过机器学习模型梳理营销路线知识的内在逻辑，模型持续优化的过程既是对营销路线知识库的有效利用，也为营销线索的推荐提供的科学准确的基础依据。对于营销路线的持续预测不局限于当前时间点，更对未来的发展路线提前规划，也为代理人长期经营客户提供更多指导。

(3)客户营销路线预测、营销线索与话术推荐过程

步骤1：获取数据；

输入来源：数据层中的基础数据库；

执行主体：功能层的数据整合处理模块；

详细执行内容：从基础数据库中提取模型需要的特征数据并根据模型计算需要加工整合；

输出对象：功能层的推荐模块。

步骤2：客户营销路线识别、营销线索与话术推荐

输入来源：功能层的数据整合处理模块；

执行主体：功能层的推荐模块；

详细执行内容：将处理后的数据导入模型，预测营销线索与话术；

输出对象：用户层的代理人。

实施例：代理人名下客户营销线索与话术推荐。

基于客户消费旅程的维度特征，从数据库中根据“代理人—保单号—客户号”获取该代理人名下所有客户的各维度特征数据，加工整合后输入营销路线持续预测模型，得到营销路线预测结果，并匹配对应营销线索与话术反馈给代理人，如图8所示。

上述技术可以实现对客户信息与客户行为变化的快速反应，为代理人提供最新的客户营销路线预测结果与营销线索，能有效的帮助代理人以客户最新状态为基础开展销售工作。同时具有针对性的话术建议能辅助代理人与客户的沟通交流，提升销售效果，助力持续性客户经营。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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知识库的客户营销线索推荐方法。

本发明实施例还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执行上述基于知识库的客户营销线索推荐方法的计算机程序。

本发明实施例中，基于知识库的客户营销线索推荐方法、装置及系统具有如下有益效果：

通过预测输出的营销线索及话术推荐，代理人能直接使用，更有针对性的对不同客户实施不同的销售方案。同时也解决了代理人经验不足、客户类型多样化、销售方案差异化等问题，能直接指导优化代理人销售工作。

不同于现有机器学习分类模型应用时对类别的预测，客户营销路线模型实现的是消费旅程各个节点状态的多值连续预测，前一个节点的预测结果会作为特征纳入对下个节点的预测模型中，从而实现完整的消费旅程的预测，提升代理人客户经营中客户持续转化效果。

营销路线知识库的建立将公司发展历史中所有产品的销售数据统一整合，完善隐性知识管理体系，除用于客户经营场景外，未来还可拓展为代理人培训基础平台；基于知识库的客户营销线索推荐平台的应用，可以覆盖公司全部代理人与全系列产品，聚焦精准销售，能有效提升客户转化率，提供客户经营新业态，增加盈利。

其他技术效果还包括：简化客户经营过程；从业务层面看，客户营销线索推荐平台的应用，建立了客户经营的新模式，能有效提高利润，同时降低客户经营、代理人提升等成本。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。