[发明专利]基于随机森林和决策树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决策树的客户服务策略制定方法，其特征在于，包括以下步骤：

获取样本客户价值特征，进行优质性判别，并采用样本客户数据基于随机森林和决策树算法构建优质客户识别模型；

将待识别客户的价值特征输入所述优质客户识别模型，得到不同释义的优质客户识别结果；

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释义的优质客户，建立服务策略库；

根据优质客户识别结果搜索服务策略库，得到与当前客户匹配的服务策略。

2.如权利要求1所述的一种基于随机森林和决策树的客户服务策略制定方法，其特征在于，所述获取样本客户价值特征并进行优质性判别的具体步骤包括：

选择样本客户，获取样本客户的用户各项用电信息，并对其影响客户综合价值进行分析，构建多维度的客户价值评价特征指标体系；

根据所述指标体系统计样本客户的价值特征，并进行样本客户优质性判别。

3.如权利要求1或2所述的一种基于随机森林和决策树的客户服务策略制定方法，其特征在于，所述获取样本客户价值特征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决策树的客户服务策略制定方法，其特征在于，所述采用样本客户数据，基于随机森林和决策树算法进行训练，构建优质客户识别模型的具体步骤包括：

对样本客户数据进行预处理；

基于随机森林法构建优质客户判断模型；

基于决策树算法构建优质客户业务规则释义模型；

采用预处理后的样本客户数据对优质客户判断模型和优质客户业务规则释义模型进行模型训练，构建优质客户识别模型。

5.如权利要求4所述的一种基于随机森林和决策树的客户服务策略制定方法，其特征在于，所述对样本客户数据进行预处理的具体步骤包括：数据清洗、特征因素量化、特征拓展、特征选择和异常值处理。

所述数据清洗为通过数据超限值检验、特征有效性检验和数据空值检验，对数据进行清洗；所述数据超限值检验为检查样本客户数据中用电量和电费电价均为0的记录并予以删除；所述特征有效性检验为检查样本客户数据中用户重要性特征信息过于单一的记录；所述数据空值检验为检查暂停天数字段全空和电费回款逾期天数缺失严重的记录。

6.如权利要求4所述的一种基于随机森林和决策树的客户服务策略制定方法，其特征在于，所述采用预处理后的样本客户数据对优质客户判断模型和优质客户业务规则释义模型进行模型训练的具体步骤包括：依次进行全特征训练、重要特征训练、全特征交叉训练和重要特征交叉训练；

所述全特征训练：样本选取全部样本客户数据，模型入参为全部业务指标；

所述重要特征训练：样本选取全部样本客户数据，模型入参为重要性高的前40％指标；

所述全特征交叉训练：将样本客户数据平均拆分成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；

所述重要特征交叉训练：将样本客户数据平均拆分成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决策树的客户服务策略制定方法，其特征在于，在模型训练前，所述方法还包括：采用MDA法和MDG法相结合的方式选取重要性指标，通过模型训练，得到指标重要性分析结果。