一种双工作流的推荐方法及相关产品与流程
本技术涉及数据处理,特别是涉及一种双工作流的推荐方法及相关产品。
背景技术:
1、在客户报价业务中,业务人员通常面临两类场景:其一,客户需求模糊,业务人员仅掌握目标客户的基本身份信息,而项目金额、期限、还款频率、阶梯结构、结算方式等报价要素尚未明确;其二,客户需求明确,全部报价要素均已确认。
2、针对上述两类场景的报价方案推荐,行业内的现有方法如下:针对需求模糊场景,现有方法是基于目标客户的基本身份信息,由业务人员进行主观估算或向资深专家咨询,以确定收益率参考区间。然而,该方法严重依赖业务人员的个人经验,导致推荐质量无法保证。针对需求明确场景,现有方法是基于核心交易要素在历史报价方案库中进行筛选,再由业务人员确定综合表现最优的报价方案。然而,该方法同样依赖业务人员的个人经验,业务人员难以综合评估各个报价方案的利润水平、适用性与稳健性,导致确定出的最优的报价方案的合理性和可解释性不足,同样导致推荐质量无法保证。
技术实现思路
1、基于上述问题,本技术提供了一种双工作流的推荐方法及相关产品,能够在不同业务场景下均提高报价方案的推荐质量。
2、本技术实施例公开了如下技术方案:
3、第一方面,本技术公开了一种双工作流的推荐方法,其特征在于,所述方法包括:
4、获取目标客户的报价请求;所述报价请求包括报价模式,以及与所述报价模式对应的请求参数;所述报价模式包括优选方案模式和定价策略模式;
5、当所述报价模式为所述优选方案模式时,执行:在预设报价方案库中,根据所述请求参数进行匹配,确定候选报价方案集合;对所述候选报价方案集合中的每个候选报价方案进行综合评分;所述综合评分根据所述候选报价方案的利润得分、场景适配得分和稳健性得分确定;将综合评分最高的所述候选报价方案确定为推荐报价方案;
6、当所述报价模式为所述定价策略模式时,执行:根据所述请求参数,获取所述目标客户的目标客户画像;将所述目标客户画像输入大模型智能体,通过所述大模型智能体调用第一知识库,确定与所述目标客户画像匹配的参考客户画像,并确定与所述参考客户画像对应的报价要素组合模式和收益率参考区间;通过所述大模型智能体调用第二知识库,根据所述目标客户画像,确定所述目标客户的定价倾向,并根据所述定价倾向,生成报价参数调整建议;根据所述报价要素组合模式、所述收益率参考区间和所述报价参数调整建议,生成定价策略推荐结果。
7、可选地,所述对所述候选报价方案集合中的每个候选报价方案进行综合评分,包括:
8、对于所述候选报价方案集合中的每个候选报价方案,执行:
9、获取所述候选报价方案的预期利润,并根据第一差值与第二差值的比值,确定利润得分;所述第一差值为所述预期利润与所述每个候选报价方案中最小利润的差值;所述第二差值为所述每个候选报价方案中最大利润与所述最小利润的差值;
10、根据所述候选报价方案的报价要素组合在历史同类业务中的采用频率和成交率,确定场景适配得分;
11、根据所述候选报价方案在预设扰动情景下的利润波动程度,确定稳健性得分;
12、根据所述利润得分、所述场景适配得分和所述稳健性得分,按照对应的预设权重进行加权求和,获得综合评分。
13、可选地,所述根据所述候选报价方案的报价要素组合在历史同类业务中的采用频率和成交率,确定场景适配得分,包括:
14、通过确定所述候选报价方案的报价要素组合在历史同类客户的报价方案和历史同类项目的报价方案中出现的次数n,以及所述历史同类客户的报价方案和历史同类项目的报价方案的总数量n,确定采用频率得分=n/n;
15、通过确定所述历史同类客户的报价方案和历史同类项目的报价方案的成交数量m,确定成交率得分=m/n;
16、根据所述采用频率得分和所述成交率得分,按照对应的预设权重进行加权求和,确定场景适配得分。
17、可选地,所述根据所述候选报价方案在预设扰动情景下的利润波动程度,确定稳健性得分,包括:
18、确定利润影响要素;
19、为每个所述利润影响要素设定扰动范围,并根据所述扰动范围生成多个扰动情景;
20、将所述候选报价方案输入测算引擎,通过所述测算引擎确定所述候选报价方案在所述多个扰动情景下的多个预期利润值;
21、确定所述多个预期利润值的多个标准差,并对所述多个标准差进行归一化处理,获得归一化后的利润标准差;
22、根据所述利润标准差确定稳健性得分,所述稳健性得分与所述利润标准差呈负相关。
23、可选地,在执行所述将综合评分最高的所述候选报价方案确定为推荐报价方案之后,所述方法还包括:
24、获取针对所述推荐报价方案最终实际采用的采纳报价方案;
25、确定所述采纳报价方案的预期收益率与所述推荐报价方案的预期收益率之间的收益率偏差;
26、若所述收益率偏差的绝对值超过预设偏差阈值,则对所述利润得分、所述场景适配得分和所述稳健性得分各自对应的预设权重进行调整。
27、可选地,当所述报价模式同时包括所述优选方案模式和所述定价策略模式时,所述方法还包括:
28、将所述请求参数中的企业标识信息路由至所述定价策略模式对应的工作流,并将所述请求参数中的报价要素信息路由至所述优选方案模式对应的工作流,以使两条工作流并行执行;
29、在获取所述定价策略推荐结果和所述推荐报价方案之后,提取所述定价策略推荐结果中的收益率建议区间,以及所述推荐报价方案中的预期收益率;
30、若所述预期收益率落入所述收益率建议区间之内,则将所述推荐报价方案作为最终输出结果。
31、可选地,所述方法还包括:
32、若所述预期收益率未落入所述收益率建议区间之内,则通过确定所述预期收益率与所述收益率建议区间的上限值或下限值之间的差值绝对值,获得偏离度;
33、若所述偏离度超过预设安全阈值,则触发告警指示,并标记所述推荐报价方案为高风险偏离方案。
34、第二方面,本技术公开了一种双工作流的推荐装置,所述装置包括:请求获取模块、第一生成模块和第二生成模块;
35、所述请求获取模块,用于获取目标客户的报价请求;所述报价请求包括报价模式,以及与所述报价模式对应的请求参数;所述报价模式包括优选方案模式和定价策略模式;
36、所述第一生成模块,用于当所述报价模式为所述优选方案模式时,执行:在预设报价方案库中,根据所述请求参数进行匹配,确定候选报价方案集合;对所述候选报价方案集合中的每个候选报价方案进行综合评分;所述综合评分根据所述候选报价方案的利润得分、场景适配得分和稳健性得分确定;将综合评分最高的所述候选报价方案确定为推荐报价方案;
37、所述第二生成模块,用于当所述报价模式为所述定价策略模式时,执行:根据所述请求参数,获取所述目标客户的目标客户画像;将所述目标客户画像输入大模型智能体,通过所述大模型智能体调用第一知识库,确定与所述目标客户画像匹配的参考客户画像,并确定与所述参考客户画像对应的报价要素组合模式和收益率参考区间;通过所述大模型智能体调用第二知识库,根据所述目标客户画像,确定所述目标客户的定价倾向,并根据所述定价倾向,生成报价参数调整建议;根据所述报价要素组合模式、所述收益率参考区间和所述报价参数调整建议,生成定价策略推荐结果。
38、可选地,所述第一生成模块具体用于:对于所述候选报价方案集合中的每个候选报价方案,执行:获取所述候选报价方案的预期利润,并根据第一差值与第二差值的比值,确定利润得分;所述第一差值为所述预期利润与所述每个候选报价方案中最小利润的差值;所述第二差值为所述每个候选报价方案中最大利润与所述最小利润的差值;根据所述候选报价方案的报价要素组合在历史同类业务中的采用频率和成交率,确定场景适配得分;根据所述候选报价方案在预设扰动情景下的利润波动程度,确定稳健性得分;根据所述利润得分、所述场景适配得分和所述稳健性得分,按照对应的预设权重进行加权求和,获得综合评分。
39、可选地,所述第一生成模块具体用于:通过确定所述候选报价方案的报价要素组合在历史同类客户的报价方案和历史同类项目的报价方案中出现的次数n,以及所述历史同类客户的报价方案和历史同类项目的报价方案的总数量n,确定采用频率得分=n/n;通过确定所述历史同类客户的报价方案和历史同类项目的报价方案的成交数量m,确定成交率得分=m/n;根据所述采用频率得分和所述成交率得分,按照对应的预设权重进行加权求和,确定场景适配得分。
40、可选地,所述第一生成模块具体用于:确定利润影响要素;为每个所述利润影响要素设定扰动范围,并根据所述扰动范围生成多个扰动情景;将所述候选报价方案输入测算引擎,通过所述测算引擎确定所述候选报价方案在所述多个扰动情景下的多个预期利润值;确定所述多个预期利润值的多个标准差,并对所述多个标准差进行归一化处理,获得归一化后的利润标准差;根据所述利润标准差确定稳健性得分,所述稳健性得分与所述利润标准差呈负相关。
41、可选地,所述装置还包括:权重调整模块;
42、所述权重调整模块,用于获取针对所述推荐报价方案最终实际采用的采纳报价方案;确定所述采纳报价方案的预期收益率与所述推荐报价方案的预期收益率之间的收益率偏差;若所述收益率偏差的绝对值超过预设偏差阈值,则对所述利润得分、所述场景适配得分和所述稳健性得分各自对应的预设权重进行调整。
43、可选地,当所述报价模式同时包括所述优选方案模式和所述定价策略模式时,所述装置还包括:最终输出模块;
44、所述最终输出模块,用于将所述请求参数中的企业标识信息路由至所述定价策略模式对应的工作流,并将所述请求参数中的报价要素信息路由至所述优选方案模式对应的工作流,以使两条工作流并行执行;在获取所述定价策略推荐结果和所述推荐报价方案之后,提取所述定价策略推荐结果中的收益率建议区间,以及所述推荐报价方案中的预期收益率;若所述预期收益率落入所述收益率建议区间之内,则将所述推荐报价方案作为最终输出结果。
45、可选地,所述最终输出模块,还用于若所述预期收益率未落入所述收益率建议区间之内,则通过确定所述预期收益率与所述收益率建议区间的上限值或下限值之间的差值绝对值,获得偏离度;若所述偏离度超过预设安全阈值,则触发告警指示,并标记所述推荐报价方案为高风险偏离方案。
46、第三方面,本技术公开了一种计算机设备,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程序时实现如第一方面所述的方法。
47、第四方面,本技术公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的方法。
48、相较于现有技术,本技术具有以下有益效果:
49、本技术实施例公开了一种双工作流的推荐方法及相关产品,针对客户需求模糊的场景,本技术确定与目标客户画像匹配的参考客户画像及其报价要素组合模式和收益率参考区间,并确定与目标客户画像对应的定价倾向并生成报价参数调整建议,最终生成定价策略推荐结果,使得业务人员在需求模糊阶段就能获得具有参考依据的定价方向指引。针对客户需求明确的场景,本技术在预设报价方案库中根据请求参数进行匹配,确定候选报价方案集合,并根据候选报价方案的利润得分、场景适配得分和稳健性得分确定综合评分,确定综合评分最高的候选报价方案为推荐报价方案,使推荐报价方案具备综合最优性和可解释性。由此,本技术在不同业务场景下均可提高报价方案的推荐质量。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com