[发明专利]用于客户分类和多实体匹配的客户生命周期价值的深度学习模型

权利要求书

1.一种方法，包括：

由客户生命周期价值(CLV)系统获得客户的CLV简档，所述CLV系统具有与至少一个存储器单元耦接的一个或多个处理器，以及所述CLV简档包括个人信息的集合、个人财富简档的集合、以及交易的时间序列的集合；

使用DNN模型基于所述客户的CLV简档为客户生成基于CLV的输出，其中所述DNN模型是递归神经网络(RNN)模型和卷积神经网络(CNN)模型的集合体；

基于所述基于CLV的输出为客户选择n元匹配；以及

收集针对所述n元匹配的反馈以更新所述n元匹配直到满足一个或多个退出条件。

2.根据权利要求1所述的方法，其中所述基于CLV的输出是以下中的一个或多个：基于CLV的客户集群、产品集群和本体、代理集群、尝试、下次购买预测、下次流失预测和保留预测。

3.根据权利要求1所述的方法，其中所述基于CLV的输出包括客户分类器，所述客户分类器包括盈利、无盈利和潜力级别的顶级类别，以及其中每个客户被映射到具有匹配的CLV策略的客户分类器。

4.根据权利要求3所述的方法，其中所述客户是在CLV系统中没有记录的潜在客户，以及其中使用包括潜力分类器和价值分类器的至少两个分类器来分类所述客户。

5.根据权利要求4所述的方法，其中当所述客户分类器指示高潜力时，对n元匹配的选择生成一个或多个匹配代理、一个或多个匹配产品以及一个或多个模态。

6.根据权利要求4所述的方法，其中当所述客户分类器指示低潜力和高价值时，对n元匹配的选择生成说服活动。

7.根据权利要求3所述的方法，其中所述客户具有所述CLV系统中的客户记录，以及其中使用包括流失分类器和重复分类器的至少两个分类器来分类所述客户。

8.根据权利要求7所述的方法，其中当所述客户分类器具有定制活动时，对n元匹配的选择基于客户分类器生成一个或多个匹配代理、一个或多个匹配产品以及一个或多个模态。

9.根据权利要求8所述的方法，其中当所述流失分类器指示肯定时，所述定制活动是密集劝导。

10.根据权利要求8所述的方法，其中当所述流失分类器指示否定并且所述重复分类器指示肯定时，所述定制活动是交叉销售。

11.根据权利要求8所述的方法，其中当所述流失分类器指示否定并且所述重复分类器指示否定时，所述定制活动是追加销售。

12.一种系统，包括：

一个或多个网络接口，所述一个或多个网络接口将所述系统与网络连接；

简档模块，所述简档模块获得客户的客户生命周期价值(CLV)简档，所述CLV简档包括个人信息的集合、个人财富简档的集合、以及交易的时间序列的集合；

输出模块，所述输出模块使用DNN模型基于所述客户的CLV简档为所述客户生成基于CLV的输出，其中所述DNN模型是递归神经网络(RNN)模型和卷积神经网络(CNN)模型的集合体；

选择模块，所述选择模块基于所述基于CLV的输出为客户选择n元匹配；以及

反馈模块，所述反馈模块收集针对所述n元匹配的反馈以更新所述n元匹配直到满足一个或多个退出条件。

13.根据权利要求12所述的系统，其中所述基于CLV的输出是以下中的一个或多个：基于CLV的客户集群、产品集群和本体、代理集群、尝试、下次购买预测、下次流失预测和保留预测。

14.根据权利要求12所述的系统，其中所述基于CLV的输出包括客户分类器，所述客户分类器包括盈利、无盈利和潜力级别的顶级类别，以及其中每个客户被映射到具有匹配的CLV策略的客户分类器。