【技術實現步驟摘要】
本申請涉及機器學習，應用于車險續保推薦場景中，尤其涉及一種業務推薦方法、裝置、設備及其存儲介質。
技術介紹
1、目前而言，鑒于汽車市場的蓬勃發展，市場競爭日趨激烈。車險續保作為保險公司維系客戶關系、確保穩定收益的關鍵環節，其推薦系統的效能與準確性對保險公司具有重大意義。
2、目前續保業務存在如下問題：主要依賴于客戶的基本信息與歷史購買數據，未能全面收集其他可能影響客戶續保決策的重要因素；當前系統多采用基于歷史購買記錄的簡單推薦算法，推薦的續保價格往往不能使車主滿意；因此，現有的車險續保業務，存在無法智能化的全面從多維度進行業務推薦評估，且推薦結果不夠合理，導致推薦價格過高的問題。
技術實現思路
1、本申請實施例的目的在于提出一種業務推薦方法、裝置、設備及其存儲介質，以解決現有的車險續保業務，存在無法智能化的全面從多維度進行業務推薦評估，且推薦結果不夠合理，導致推薦價格過高的問題。
2、為了解決上述技術問題，本申請實施例提供業務推薦方法，采用了如下所述的技術方案：
3、一種業務推薦方法，包括下述步驟：
4、獲取目標車輛在最近續保周期內的多維度業務指標數據，其中，所述多維度業務指標數據包括車輛型號，以及理賠數據、車輛使用年數、車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數；
5、獲取批量車輛的歷史多維度業務指標數據和歷史續保數據；
6、將所述批量車輛的歷史多維度業務指標數據和所述歷史續保數據輸入
7、將所述目標車輛在最近續保周期內的多維度業務指標數據輸入到所述訓練完成的業務推薦評估模型，根據所述業務綜合評估關系，對所述目標車輛下一個續保周期的續保數據進行預測，輸出所預測的續保數據；
8、根據所述所預測的續保數據向所述目標車輛的車主終端發送業務推薦消息。
9、進一步的，在執行所述獲取批量車輛的歷史多維度業務指標數據和歷史續保數據的步驟之后，所述方法還包括：
10、根據車輛型號的不同，對所述批量車輛的歷史多維度業務指標數據進行聚類處理，得到所有車輛型號分別對應的歷史多維度業務指標數據；
11、根據車輛型號的不同，對所述批量車輛的歷史續保數據進行聚類處理，得到所有車輛型號分別對應的歷史續保數據。
12、進一步的，所述將所述批量車輛的歷史多維度業務指標數據和所述歷史續保數據輸入到待訓練的業務推薦評估模型，進行模型訓練，得到不同型號車輛的第t次續保數據與第t-1次理賠數據、車輛使用年數、車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數之間的業務綜合評估關系的步驟，具體包括：
13、根據所述車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數，構建隱性業務指標數據；
14、基于所述歷史多維度業務指標數據、所述歷史續保數據和所述隱性業務指標數據對所述待訓練的業務推薦評估模型，進行模型訓練，獲得所有業務指標數據分別對應的續保影響權重；
15、將所述所有業務指標數據分別對應的續保影響權重，設置為所述業務綜合評估關系。
16、進一步的，所述根據所述車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數，構建隱性業務指標數據的步驟，具體包括：
17、根據所述車輛駕駛次數和所述車輛駕駛違法違規次數，計算出車輛非規范駕駛次數占比，作為第一隱性業務指標數據；
18、根據所述車輛駕駛次數和所述車輛外借駕駛次數，計算出車輛外借駕駛占比，作為第二隱性業務指標數據；
19、根據所述車輛駕駛次數和所述車輛事故次數，計算出車輛駕駛出事故次數占比，作為第三隱性業務指標數據。
20、進一步的，所述基于所述歷史多維度業務指標數據、所述歷史續保數據和所述隱性業務指標數據對所述待訓練的業務推薦評估模型，進行模型訓練，獲得所有業務指標數據分別對應的續保影響權重的步驟，具體包括：
21、識別出每一條多維度業務指標數據分別所對應的隱性業務指標數據，獲得第一識別結果；
22、識別出每一條多維度業務指標數據分別所對應的車輛型號，獲得第二識別結果；
23、根據所述第一識別結果和所述第二識別結果，對相同車輛型號的車輛所對應的多維度業務指標數據和隱性業務指標數據進行整理，獲得整理結果；
24、根據所述整理結果，提取出相同車輛型號的車輛所包含的所有續保數據；
25、根據續保數據與每一條多維度業務指標數據的對應關系，以第t次續保數據作為綜合值，以第t-1次的多維度業務指標數據和隱性業務指標數據為參數值，進行函數擬合，獲得擬合函數，其中，t為大于1的正整數；
26、基于所述擬合函數，識別出不同車輛型號的車輛在進行續保時，理賠數據、車輛使用年數、車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數、車輛事故次數和隱性業務指標數據分別所對應的續保影響權重；
27、將不同車輛型號的車輛在進行續保時，理賠數據、車輛使用年數、車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數、車輛事故次數和隱性業務指標數據分別所對應的續保影響權重作為續保計算知識部署到所述待訓練的業務推薦評估模型中。
28、進一步的，在執行所述根據所述整理結果，提取出相同車輛型號的車輛所包含的所有續保數據的步驟之后，所述方法還包括：
29、從相同車輛型號的車輛所包含的所有續保數據中篩選出所有車輛型號的車輛所分別對應的最低續保數據；
30、識別所述目標車輛在最近續保周期內的多維度業務指標數據是否僅包含車輛型號；
31、若所述目標車輛在最近續保周期內的多維度業務指標數據僅包含車輛型號，判斷所述目標車輛是否為新車；
32、若所述目標車輛為新車，則識別出所述目標車輛的車輛型號，將所述車輛型號對應的最低續保數據作為所述所預測的續保數據輸出；
33、若所述目標車輛非為新車，則識別出所述目標車輛的車輛型號，根據所述車輛型號對應的最低續保數據和預設的增收比例，計算出續保數據作為所述所預測的續保數據輸出。
34、進一步的，所述將所述目標車輛在最近續保周期內的多維度業務指標數據輸入到所述訓練完成的業務推薦評估模型，根據所述業務綜合評估關系，對所述目標車輛下一個續保周期的續保數據進行預測，輸出所預測的續保數據的步驟，具體包括：
35、根據所述目標車輛在最近續保周期內的多維度業務指標數據，識別出所述目標車輛的車輛型號；
36、獲得所述目標車輛的車輛型號所對應的續保計算知識；
37、根據所述目標車輛本文檔來自技高網...
【技術保護點】
1.一種業務推薦方法，其特征在于，包括下述步驟：
2.根據權利要求1所述的業務推薦方法，其特征在于，在執行所述獲取批量車輛的歷史多維度業務指標數據和歷史續保數據的步驟之后，所述方法還包括：
3.根據權利要求2所述的業務推薦方法，其特征在于，所述將所述批量車輛的歷史多維度業務指標數據和所述歷史續保數據輸入到待訓練的業務推薦評估模型，進行模型訓練，得到不同型號車輛的第T次續保數據與第T-1次理賠數據、車輛使用年數、車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數之間的業務綜合評估關系的步驟，具體包括：
4.根據權利要求3所述的業務推薦方法，其特征在于，所述根據所述車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數，構建隱性業務指標數據的步驟，具體包括：
5.根據權利要求3所述的業務推薦方法，其特征在于，所述基于所述歷史多維度業務指標數據、所述歷史續保數據和所述隱性業務指標數據對所述待訓練的業務推薦評估模型，進行模型訓練，獲得所有業務指標數據分別對應的續保影響權重的步驟，具體包括：
6.根據權
7.根據權利要求5所述的業務推薦方法，其特征在于，所述將所述目標車輛在最近續保周期內的多維度業務指標數據輸入到所述訓練完成的業務推薦評估模型，根據所述業務綜合評估關系，對所述目標車輛下一個續保周期的續保數據進行預測，輸出所預測的續保數據的步驟，具體包括：
8.一種業務推薦裝置，其特征在于，包括：
9.一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述處理器執行所述計算機可讀指令時實現如權利要求1至7中任一項所述的業務推薦方法的步驟。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機可讀指令，所述計算機可讀指令被處理器執行時實現如權利要求1至7中任一項所述的業務推薦方法的步驟。
...【技術特征摘要】
1.一種業務推薦方法，其特征在于，包括下述步驟：
2.根據權利要求1所述的業務推薦方法，其特征在于，在執行所述獲取批量車輛的歷史多維度業務指標數據和歷史續保數據的步驟之后，所述方法還包括：
3.根據權利要求2所述的業務推薦方法，其特征在于，所述將所述批量車輛的歷史多維度業務指標數據和所述歷史續保數據輸入到待訓練的業務推薦評估模型，進行模型訓練，得到不同型號車輛的第t次續保數據與第t-1次理賠數據、車輛使用年數、車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數之間的業務綜合評估關系的步驟，具體包括：
4.根據權利要求3所述的業務推薦方法，其特征在于，所述根據所述車輛駕駛次數、車輛駕駛違法違規次數、車輛外借駕駛次數和車輛事故次數，構建隱性業務指標數據的步驟，具體包括：
5.根據權利要求3所述的業務推薦方法，其特征在于，所述基于所述歷史多維度業務指標數據、所述歷史續保數據和所述隱性業務指標數據對所述待訓練的業務推薦評估模型，進行模型訓練，獲得所...
【專利技術屬性】
技術研發人員：陳潤泉，
申請(專利權)人：中國平安財產保險股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。