一种客户信息的处理方法及装置与流程

本文涉及大数据领域，尤其涉及一种客户信息的处理方法及装置。

背景技术：

1、现有技术中，产品、活动、广告等信息的推送，主要有如下几种方式：

2、第一种方式，对待推送信息进行海量投放，如给存量几百万客户终端推送信息。该种方式存在成本高、影响用户体验的问题。

3、第二种方式，根据用户的特征集构建训练集，利用训练集训练机器学习模型，利用训练好的机器学习模型对待分析客户对目标的接受度进行预测。该种方式效果好坏与训练数量大小、客户特征数量以及特征质量高低密切相关，现实中受客户的画像特征集合过小以及画像特征质量不高等问题，通常存在预测目标接受结果(例如是否感兴趣、是否购买等)准确率偏低的问题。

4、另外，现有技术中客户画像构建仅基于客户基本数据及交易行为数据，并未对客户交易行为数据进行进一步分析，客户交易行为数据不能直接反应客群的行为特点，因此，现有客户画像构建存在不全面及不准确的问题。

技术实现思路

1、本文用于解决现有技术中客户画像构建存在不全面、准确性差的问题，进而导致基于客户画像特征训练得到的目标对象结果预测模型存在准确率偏低的问题。

2、为了解决上述技术问题，本文一方面提供一种客户信息的处理方法，包括：

3、获取客户信息，其中，所述客户信息包括客户基础数据及客户各渠道的消费行为数据，所述消费行为数据包括多个交易流水信息；

4、分析客户各渠道的消费行为数据，得到客户每一笔交易流水信息的业务场景；

5、根据客户的每一笔交易流水信息的业务场景，统计得到客户的业务场景标签信息；

6、由客户基础数据及客户业务场景标签信息，构成客户画像信息。

7、作为本文进一步实施例中，分析客户各渠道的消费行为数据，得到客户每一笔交易流水信息对应的业务场景，包括：

8、根据渠道-技术摘要区字典表，确定客户各渠道的每一笔交易流水信息中的技术摘要信息，其中，所述渠道-技术摘要区字典表包括渠道与技术摘要字段信息的对应关系；

9、对客户各渠道的每一笔交易流水信息中的技术摘要信息进行数据清洗；

10、对清洗后每一笔交易流水信息进行分词处理，并提取关键字；

11、将客户每一笔交易流水信息的关键字与场景关键词词典进行匹配，将匹配成功的第一级业务场景及第二级业务场景作为客户每一笔交易流水信息的业务场景，其中，所述场景关键词词典包括第一级业务场景与第二级业务场景以及关键词间的关联关系。

12、作为本文进一步实施例中，还包括：

13、收集匹配失败的客户的交易流水信息；

14、根据匹配失败的客户的交易流水信息，确定增量第一级业务场景与增量第二级业务场景以及关键词间的关联关系，并将其存储于所述场景关键词词典中。

15、作为本文进一步实施例中，根据客户的每一笔交易流水信息的业务场景，统计得到客户的业务场景标签信息，包括：

16、根据客户的每一笔交易流水信息的业务场景，统计客户各业务场景的交易参数，其中，交易参数包括交易次数及交易金额；

17、将客户各业务场景及其交易参数作为客户的业务场景标签信息。

18、作为本文进一步实施例中，还包括：

19、对于每一客户的每一业务场景，比较该客户的该业务场景的交易参数与各交易参数的阈值，根据比较结果确定该客户在该业务场景的分类信息；

20、根据客户在各业务场景的分类信息以及预设分类规则，对客户类型进行划分；

21、根据客户类型及客户的画像信息，确定客户的信息推荐策略。

22、作为本文进一步实施例中，还包括：

23、根据多个客户的客户画像信息，分析客户画像信息中特征与目标对象结果的相关性，其中，目标对象结果为客户对目标对象的接受结果；

24、根据客户画像信息中特征与目标对象结果的相关性，筛选出特征子集；

25、根据多个客户的特征子集中的特征值，计算特征子集中每两个特征的相关性；

26、从相关性大于预设阈值的两个特征中提取一个特征，由提取后的特征构成独立特征集；

27、根据所述独立特征集及目标对象结果，构建数据集；

28、利用所述数据集训练得到目标对象结果的预测模型。

29、作为本文进一步实施例中，根据所述独立特征集及目标对象结果，构建数据集；利用所述数据集训练得到目标对象结果的预测模型，包括：

30、获取多个客户的数据集，其中，数据集包括：客户在独立特征集中的特征信息以及目标对象结果；

31、对数据集中特征信息进行数据预处理，得到样本集及验证集；

32、根据所述样本集，采用xgboost算法和逻辑回归算法构建的模型分别训练得到目标对象结果的第一预测模型及第二预测模型；

33、将验证集中的特征信息分别输入至第一预测模型及第二预测模型，分别得到两个模型预测的目标对象结果；

34、利用两个模型预测得到的目标对象结果以及验证集中目标对象结果，计算第一预测模型及第二预测模型的评价指标；

35、根据第一预测模型及第二预测模型的评价指标，筛选出最终的预测模型。

36、作为本文进一步实施例中，还包括：

37、获取目标客户群体中各客户的客户信息；

38、根据各客户的客户信息，计算各客户的独立特征值；

39、将各客户的独立特征值输入至所述预测模型中，预测得到各客户的目标对象结果；

40、将目标对象信息推送至所述目标客户群体中的各客户，根据客户反馈信息确定客户实际目标对象结果；

41、根据各客户实际目标对象结果以及预测目标对象结果，计算预测模型的评价指标；

42、若评价指标满足预设指标值，则确定所述预测模型有效，若评价指标不满足预设指标值，则获取预设独立特征；

43、对预设独立特征及所述独立特征集中的特征进行取差集处理；

44、对差集处理得到的特征进行细化处理，得到多个新特征，将新特征加入至客户画像信息中，并利用权利要求6重新训练预测模型。

45、本文第二方面提供一种客户信息的处理装置，包括：

46、信息获取单元，用于获取客户信息，其中，所述客户信息包括客户基础数据及客户各渠道的消费行为数据，所述消费行为数据包括多个交易流水信息；

47、场景还原单元，用于分析客户各渠道的消费行为数据，得到客户每一笔交易流水信息的业务场景；

48、标签建立单元，用于根据客户的每一笔交易流水信息的业务场景，统计得到客户的业务场景标签信息；

49、画像构建单元，用于由客户基础数据及客户业务场景标签信息，构成客户画像信息。

50、本文第三方面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前述任一实施例所述方法。

51、本文第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器执行时实现前述任一实施例所述方法。

52、本文提供的客户信息的处理方法及装置，通过获取客户信息，其中，客户信息包括客户基础数据及客户各渠道的消费行为数据，所述消费行为数据包括多个交易流水信息；分析客户各渠道的消费行为数据，得到客户每一笔交易流水信息的业务场景；根据客户的每一笔交易流水信息的业务场景，统计得到客户的业务场景标签信息；由客户基础数据及客户业务场景标签信息，构成客户画像信息，能够全面获得各客户的业务场景标签信息，通过业务标签信息能够直观地反映客户的消费行为特征，提高客户画像确定的全面性及准确性。

53、另外，基于本文确定出的客户画像信息训练得到目标对象结果的预测模型，能够提高模型预测的精准性，将预测模型应用于目标对象信息推送领域，能够降低目标对象信息发送量，降低服务器处理压力，同时避免不接受(例如感兴趣、购买目标对象等)目标对象的客户收到目标对象信息，进而提高用户体验。

54、为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。