[发明专利]基于随机森林和逻辑回归的客户服务策略制定方法、装置

权利要求书

1.一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，包括以下步骤：

步骤1：获取样本客户价值特征，并进行优质性判别；

步骤2：采用样本客户数据，基于随机森林和逻辑回归算法构建优质客户识别模型；

步骤3：将待识别客户的价值特征作为输入，基于所述优质客户识别模型，判断所述客户是否为优质客户；

步骤4：获取样本客户的服务需求，进行标准化归类分析建立服务需求库；将服务需求库中的服务需求匹配服务内容，将服务内容匹配不同等级的优质客户，建立服务策略库；

步骤5：基于服务需求库和服务策略库，根据优质客户识别结果自动匹配服务策略。

2.如权利要求1所述的一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，所述步骤1包括：

步骤1.1：根据获取的用户各项用电信息构建客户价值评价特征指标体系；

步骤1.2：根据所述指标体系统计样本用户的价值特征，并进行样本用户优质性判别。

3.如权利要求1或2所述的一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，所述步骤1中价值特征包括用户对应的基本属性、经济价值、负荷价值、发展价值、信用价值、行业价值数据。

4.如权利要求1所述的一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，所述步骤2包括：

步骤2.1：对样本用户数据进行预处理；

步骤2.2：基于随机森林法训练优质客户判断模型；

步骤2.3：采用逻辑回归算法构建优质客户等级判断模型；

步骤2.4：结合优质客户判断模型和优质客户等级判断模型获取优质客户识别模型。

5.如权利要求4所述的一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，所述步骤2.1包括：数据清洗、特征因素量化、特征拓展、特征选择和异常值处理。

6.如权利要求4所述的一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，所述步骤2.2包括：

全特征训练：样本选取全部样本用户数据，模型入参为全部业务指标；

重要特征训练：样本选取全部样本用户数据，模型入参为重要性高的前40％指标；

全特征交叉训练：将样本用户数据平均拆分成10份，每次选择其中9份作为训练样本，剩余1份作为预测样本，循环迭代10次，模型入参为全部业务指标；

重要特征交叉训练：将样本用户数据平均拆分成10份，每次选择其中9份作为训练样本，剩余1份作为预测样本，循环迭代10次，模型入参为重要性高的前40％指标。

7.如权利要求4所述的一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，所述步骤2.3包括：将优质客户判断模型获取的优质客户通过逻辑回归模型进行综合评分；设置多个综合评分区间，得到优质客户等级判断模型。

8.如权利要求1所述的一种基于随机森林和逻辑回归的客户服务策略制定方法，其特征在于，所述服务需求库中的服务需求包括业扩办电和电网建设、电费电价和电力信息、电能质量和供电可靠性、故障停电和计划停电、安全用电和应急保障、电能替代和电力节能、用电培训故障处理及其他等八个需求类别。或

所述服务需求库建立的具体步骤包括：

获取样本客户的服务需求；

对样本客户的服务需求进行预处理，得到有效服务需求；

根据需求类别对有效服务需求进行归类分析和去重，并将用户描述的自然语言转换为专业术语的标准需求项，基于专家经验的数据聚类分析，建立服务需求库。或

所述步骤5包括：

步骤5.1：确定用户等级后，基于服务需求库获取该用户相应行业的需求关注度；

步骤5.2：根据所述需求关注度获取排名靠前的多个需求分类；

步骤5.3：根据所述多个需求分类以及用户等级，基于服务策略库匹配相应的服务策略。