本发明涉及数据处理，特别涉及一种为代理人推荐客户的方法及装置。
背景技术：
1、在保险行业中，保险公司的代理人需要经营潜在客户，完成相应的经营指标，最终实现客户购买保险的目的。
2、目前，代理人的客户需要代理人自己去挖掘，大部分来自于代理人自己的人脉资源，当这些人脉资源挖掘完成后，保险公司也会从将一些潜在客户推荐给代理人，由各个代理人去经营。
3、但是，在向代理人推荐潜在客户的过程中，都是通过随机分配的方式，这种方式的效果较差，代理人很可能与被分配的潜在客户不匹配，难以取得好的经营效果。
技术实现思路
1、本发明实施例提供了一种为代理人推荐客户的方法、装置、计算机设备及存储介质，能给精准的向代理人推荐适合的潜在客户，提升代理人的经营效果。
2、第一方面，本发明实施例提供了一种为代理人推荐客户的方法，包括：
3、获取多个潜在客户的客户数据；
4、根据所述多个潜在客户的客户数据，生成每个所述潜在客户的客户标签；
5、获取多个代理人的代理人数据；
6、根据所述多个代理人的代理人数据，生成每个所述代理人的代理人标签；
7、确定所述多个潜在客户与所述多个代理人的多个待评估组合，其中，每个所述待评估组合中包括一个潜在客户和一个代理人；
8、针对每个所述待评估组合，均执行：
9、获取当前待评估组合中当前潜在客户的客户标签；
10、获取当前待评估组合中当前代理人的代理人标签；
11、根据所述当前潜在客户的客户标签和所述当前代理人的代理人标签，生成当前潜在客户与当前代理人的匹配度；
12、针对每个所述潜在客户，判断该潜在客户是否存在匹配度大于预设值的至少一个优选代理人，如果是，则从该至少一个优化代理人中确定一个最终代理人，将该潜在客户推荐给所述最终代理人。
13、进一步地，
14、所述根据所述多个潜在客户的客户数据，生成每个所述潜在客户的客户标签，包括：
15、针对每个所述潜在客户，均执行：
16、将当前潜在客户的客户数据转换为图数据，将该图数据输入到训练成熟的图神经网络中，生成至少一个第一客户标签；
17、从当前潜在客户的客户数据中提取多个有序事件序列，从该多个有序事件序列中确定出现次数超过预设阈值的频繁事件序列，根据频繁事件序列，生成至少一个第二客户标签；
18、将当前潜在客户的客户数据输入到预先训练成熟的聚类分析模型中，对所述客户数据进行聚类分析处理，确定所述当前潜在客户所属于的至少一个类别，根据所述当前潜在客户所属于的至少一个类别，生成至少一个第三客户标签；
19、从当前潜在客户的客户数据中提取社交网络数据，根据该社交网络数据，生成关于网络社交的至少一个第四客户标签；
20、其中，所述当前潜在客户的客户标签包括：所述至少一个第一客户标签、所述至少一个第二客户标签、所述至少一个第三客户标签和所述至少一个第四客户标签。
21、进一步地，
22、所述根据所述多个代理人的代理人数据，生成每个所述代理人的代理人标签，包括：
23、针对每个所述代理人，均执行：
24、将当前代理人的代理人数据输入到预先训练成熟的关联分析模型中，对所述代理人数据进行关联分析处理，将所述代理人数据与至少一个预设的代理人标签相关联，生成至少一个第一代理人标签；
25、将当前代理人的代理人数据转换为图数据，将该图数据输入到训练成熟的图神经网络中，生成至少一个第一代理人标签；
26、从当前代理人的代理人数据中提取多个有序事件序列，从该多个有序事件序列中确定出现次数超过预设阈值的频繁事件序列，根据频繁事件序列，生成至少一个第二代理人标签；
27、将当前代理人的代理人数据输入到预先训练成熟的聚类分析模型中，对所述代理人数据进行聚类分析处理，确定所述当前代理人所属于的至少一个类别，根据所述当前代理人所属于的至少一个类别，生成至少一个第三代理人标签；
28、从当前代理人的代理人数据中提取社交网络数据，根据该社交网络数据，生成关于网络社交的至少一个第四代理人标签；
29、其中，所述当前代理人的代理人标签包括：所述至少一个第一代理人标签、所述至少一个第二代理人标签、所述至少一个第三代理人标签和所述至少一个第四代理人标签。
30、进一步地，
31、所述根据所述当前潜在客户的客户标签和所述当前代理人的代理人标签，生成当前潜在客户与当前代理人的匹配度，包括：
32、将所述当前潜在客户的客户标签转换为客户特征向量；
33、将所述当前代理人的代理人标签转换为代理人特征向量；
34、通过以下公式，确定当前潜在客户与当前代理人的匹配度：
35、
36、
37、p(u，i)＝k(u，i)×t(u，i)
38、其中，u为所述客户特征向量，i为所述代理人特征向量，ui为u的第i个元素，ii为i的第i个元素，k(u,i)为第一中间变量，t(u,i)为第二中间变量，p(u,i)为当前潜在客户与当前代理人的匹配度，u的长度和i的长度均为n，n为预设常数，表示当ui大于0且ii大于0时取值为1，否则取值为0。
39、进一步地，
40、所述客户数据包括：客户基本信息、客户来源信息、客户营销数据、客户行为数据；
41、所述客户基本信息，包括：姓名、手机号、性别、生日、学历、职业、收入、结婚情况、年缴保费、保险标签、归属机构；
42、所述客户来源信息，包括：营销软件客户、营销活动客户、权益客户、通讯录客户、后台上传客户；
43、所述客户营销数据，包括：推送次数、电话约访次数、到会次数、签单次数、最新绑定代理人、回收时间、可再推送时间；
44、所述客户行为数据，包括：客户分享数据、客户点赞数据、客户浏览数据、客户转发数据。
45、进一步地，
46、所述代理人数据包括：代理人基本信息、代理人营销数据、代理人行为数据；
47、所述代理人基本信息，包括：姓名、手机号、性别、生日、学历、职业、收入、结婚情况、归属机构；
48、所述代理人营销数据，包括：推送次数、电话约访次数、到会次数、签单次数、绑定的客户数据、签单数据、营销失败数据、差评数据、好评数据、擅长险种；
49、所述代理人行为数据，包括：代理人分享数据、代理人点赞数据、代理人浏览数据、代理人转发数据。
50、第二方面，本发明实施例提供了一种为代理人推荐客户的装置，包括：
51、第一获取模块，用于获取多个潜在客户的客户数据；
52、第一生成模块，用于根据所述多个潜在客户的客户数据，生成每个所述潜在客户的客户标签；
53、第二获取模块，用于获取多个代理人的代理人数据；
54、第二生成模块，用于根据所述多个代理人的代理人数据，生成每个所述代理人的代理人标签；
55、确定模块，用于确定所述多个潜在客户与所述多个代理人的多个待评估组合，其中，每个所述待评估组合中包括一个潜在客户和一个代理人；
56、匹配度模块，用于针对每个所述待评估组合，均执行：
57、获取当前待评估组合中当前潜在客户的客户标签；
58、获取当前待评估组合中当前代理人的代理人标签；
59、根据所述当前潜在客户的客户标签和所述当前代理人的代理人标签，生成当前潜在客户与当前代理人的匹配度；
60、推荐模块，用于针对每个所述潜在客户，判断该潜在客户是否存在匹配度大于预设值的至少一个优选代理人，如果是，则从该至少一个优化代理人中确定一个最终代理人，将该潜在客户推荐给所述最终代理人。
61、进一步地，
62、所述第一生成模块，具体用于：
63、针对每个所述潜在客户，均执行：
64、将当前潜在客户的客户数据转换为图数据，将该图数据输入到训练成熟的图神经网络中，生成至少一个第一客户标签；
65、从当前潜在客户的客户数据中提取多个有序事件序列，从该多个有序事件序列中确定出现次数超过预设阈值的频繁事件序列，根据频繁事件序列，生成至少一个第二客户标签；
66、将当前潜在客户的客户数据输入到预先训练成熟的聚类分析模型中，对所述客户数据进行聚类分析处理，确定所述当前潜在客户所属于的至少一个类别，根据所述当前潜在客户所属于的至少一个类别，生成至少一个第三客户标签；
67、从当前潜在客户的客户数据中提取社交网络数据，根据该社交网络数据，生成关于网络社交的至少一个第四客户标签；
68、其中，所述当前潜在客户的客户标签包括：所述至少一个第一客户标签、所述至少一个第二客户标签、所述至少一个第三客户标签和所述至少一个第四客户标签。
69、进一步地，
70、所述第二生成模块，具体用于：
71、针对每个所述代理人，均执行：
72、将当前代理人的代理人数据输入到预先训练成熟的关联分析模型中，对所述代理人数据进行关联分析处理，将所述代理人数据与至少一个预设的代理人标签相关联，生成至少一个第一代理人标签；
73、将当前代理人的代理人数据转换为图数据，将该图数据输入到训练成熟的图神经网络中，生成至少一个第一代理人标签；
74、从当前代理人的代理人数据中提取多个有序事件序列，从该多个有序事件序列中确定出现次数超过预设阈值的频繁事件序列，根据频繁事件序列，生成至少一个第二代理人标签；
75、将当前代理人的代理人数据输入到预先训练成熟的聚类分析模型中，对所述代理人数据进行聚类分析处理，确定所述当前代理人所属于的至少一个类别，根据所述当前代理人所属于的至少一个类别，生成至少一个第三代理人标签；
76、从当前代理人的代理人数据中提取社交网络数据，根据该社交网络数据，生成关于网络社交的至少一个第四代理人标签；
77、其中，所述当前代理人的代理人标签包括：所述至少一个第一代理人标签、所述至少一个第二代理人标签、所述至少一个第三代理人标签和所述至少一个第四代理人标签。
78、进一步地，
79、所述匹配度模块，具体用于：
80、将所述当前潜在客户的客户标签转换为客户特征向量；
81、将所述当前代理人的代理人标签转换为代理人特征向量；
82、通过以下公式，确定当前潜在客户与当前代理人的匹配度：
83、
84、
85、p(u，i)＝k(u，i)×t(u，i)
86、其中，u为所述客户特征向量，i为所述代理人特征向量，ui为u的第i个元素，ii为i的第i个元素，k(u,i)为第一中间变量，t(u,i)为第二中间变量，p(u,i)为当前潜在客户与当前代理人的匹配度，u的长度和i的长度均为n，n为预设常数，表示当ui大于0且ii大于0时取值为1，否则取值为0。
87、进一步地，
88、所述客户数据包括：客户基本信息、客户来源信息、客户营销数据、客户行为数据；
89、所述客户基本信息，包括：姓名、手机号、性别、生日、学历、职业、收入、结婚情况、年缴保费、保险标签、归属机构；
90、所述客户来源信息，包括：营销软件客户、营销活动客户、权益客户、通讯录客户、后台上传客户；
91、所述客户营销数据，包括：推送次数、电话约访次数、到会次数、签单次数、最新绑定代理人、回收时间、可再推送时间；
92、所述客户行为数据，包括：客户分享数据、客户点赞数据、客户浏览数据、客户转发数据。
93、进一步地，
94、所述代理人数据包括：代理人基本信息、代理人营销数据、代理人行为数据；
95、所述代理人基本信息，包括：姓名、手机号、性别、生日、学历、职业、收入、结婚情况、归属机构；
96、所述代理人营销数据，包括：推送次数、电话约访次数、到会次数、签单次数、绑定的客户数据、签单数据、营销失败数据、差评数据、好评数据、擅长险种；
97、所述代理人行为数据，包括：代理人分享数据、代理人点赞数据、代理人浏览数据、代理人转发数据。
98、第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的一种为代理人推荐客户的方法。
99、第四方面，本发明实施例提供了一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一项所述的一种为代理人推荐客户的方法。
100、在本发明实施例中，基于客户数据生成客户标签，基于代理人数据生成代理人标签，通过客户标签和代理人标签准确描述潜在客户和代理人的特征，基于客户标签和代理人标签，确定潜在客户与代理人的各种组合的匹配度，该匹配度能够准确反应潜在客户和代理人的匹配情况，二者匹配度越高，表示代理人对该潜在客户的经营效果越好。从匹配度大于预设值的优选代理人中确定出最终代理人，将该潜在客户推荐给最终代理人进行经营，实现了准的向代理人推荐适合的潜在客户，能够提升代理人的经营效果。
1.一种为代理人推荐客户的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，
6.一种为代理人推荐客户的装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，
8.根据权利要求6所述的装置，其特征在于，
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的一种为代理人推荐客户的方法。
10.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的一种为代理人推荐客户的方法。
