CN105590232A - 一种客户关系生成方法、装置及电子设备 - Google Patents
一种客户关系生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN105590232A CN105590232A CN201410633260.2A CN201410633260A CN105590232A CN 105590232 A CN105590232 A CN 105590232A CN 201410633260 A CN201410633260 A CN 201410633260A CN 105590232 A CN105590232 A CN 105590232A
- Authority
- CN
- China
- Prior art keywords
- telephone number
- frequency
- destination phone
- business
- phone numbers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本发明实施例提供一种客户关系生成方法、装置及电子设备。所述方法包括:获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码;获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,偏好概率用于表征客户具有设定偏好的概率;根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,确定待发送给所述目标电话号码的业务内容;将所述业务内容发送给所述目标电话号码。本发明实施例能够提高业务服务的针对性。
Description
技术领域
本发明实施例涉及大数据领域,尤其涉及一种客户关系生成方法、装置及电子设备。
背景技术
现有的运营商向客户进行的业务推荐,主要基于客户自身的特征属性和可能的偏好进行,例如,对于管理者客户,其可能的偏好为阅读时,就向其推荐管理类读物,等等。然而,这种推荐只考虑到了客户个体的特点,忽略了客户作为社会群体中一分子与其它客户的互动,从而不利于运营商对客户进行业务服务的针对性。
发明内容
本发明实施例的目的是提供一种客户关系生成方法、装置及电子设备,以便提高业务服务的针对性。
为解决上述技术问题,本发明实施例提供方案如下:
本发明实施例提供一种客户关系生成方法,包括:
获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码;
获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,偏好概率用于表征客户具有设定偏好的概率;
根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,确定待发送给所述目标电话号码的业务内容;
将所述业务内容发送给所述目标电话号码。
优选地,所述获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码包括:
根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值,关系强弱度量值越大表明电话号码之间的关系越强;
根据全部所述关系强弱度量值,将所述全部电话号码中对应关系强弱度量值满足门限条件的电话号码确定为所述至少一个电话号码。
优选地,所述门限条件包括:大于关系强弱度量门限值。
优选地,所述根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值的步骤中,所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值通过如下方式得到:
根据所述历史周期内所述目标电话号码在通信接口上对应的业务数据,确定所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,其中,业务具有语音通话类型、短信类型、软件类型和功能型中的任一种,相关信息包括主动发起方和被动接收方,对于具有语音通话类型的业务,相关信息还包括通话时长;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为主动发起方时的语音通话发生次数a1、短信发生次数b1、软件发生次数c1、通话时长小于设定时长门限值的语音通话发生次数d1和功能型业务发生次数e1;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为被动接收方时的语音通话发生次数a2、短信发生次数b2、软件发生次数c2、通话时长小于设定时长门限值的语音通话发生次数d2和功能型业务发生次数e2;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为主动发起方时的语音通话发生次数a3、短信发生次数b3、软件发生次数c3、通话时长小于设定时长门限值的语音通话发生次数d3和功能型业务发生次数e3;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为被动接收方时的语音通话发生次数a4、短信发生次数b4、软件发生次数c4、通话时长小于设定时长门限值的语音通话发生次数d4和功能型业务发生次数e4;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为主动发起方且所述任一第一电话号码作为被动接收方时的语音通话发生次数a5、短信发生次数b5、软件发生次数c5、通话时长小于设定时长门限值的语音通话发生次数d5和功能型业务发生次数e5;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为被动接收方且所述任一第一电话号码作为主动发起方时的语音通话发生次数a6、短信发生次数b6、软件发生次数c6、通话时长小于设定时长门限值的语音通话发生次数d6和功能型业务发生次数e6;
根据如下公式得到所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值F:
F=[(a1+b1+c1-d1-e1)+(a2+b2+c2-d2-e2)+(a3+b3+c3-d3-e3)+(a4+b4+c4-d4-e4)-(a5+b5+c5-d5-e5)]*第一校对因子。
优选地,所述历史周期包括多个时间间隔,所述客户关系生成方法还包括:
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述多个时间间隔中每个时间间隔内所述目标电话号码与所述全部电话号码之间的间隔内语音通话发生次数;
确定所述多个时间间隔中对应间隔内语音通话发生次数大于设定次数门限值的时间间隔的第一数目;
根据所述第一数目和时间间隔的数目与校对因子之间的对应关系,确定所述第一校对因子;
所述对应关系中,时间间隔的数目与校对因子成反比,校对因子不大于1。
优选地,所述对应关系包括:
时间间隔的数目为0时,对应的校对因子为1;
时间间隔的数目为1时,对应的校对因子为0.8;
时间间隔的数目为2时,对应的校对因子为0.6。
优选地,所述获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率的步骤中,所述至少一个电话号码和所述目标电话号码中的任一第二电话号码对应的偏好概率通过如下方式得到:
根据所述任一第二电话号码对应的客户特征属性值和预测模型,确定所述任一第二电话号码对应的偏好概率,所述预测模型用于表征客户特征属性值与偏好概率之间的对应关系。
优选地,还包括:
运用逻辑回归预测方式,根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和多个偏好中每个偏好对应的取值,建立所述预测模型;
所述多个偏好中,对于电话号码对应的客户所具有的偏好,该偏好对应的取值为1;对于电话号码对应的客户所不具有的偏好,该偏好对应的取值为0;
偏好对应的取值f和偏好概率p之间满足如下关系:
log(p/(1-p))=f。
本发明实施例还提供一种客户关系生成装置,包括:
第一获取模块,用于获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码;
第二获取模块,用于获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,偏好概率用于表征客户具有设定偏好的概率;
第一确定模块,用于根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,确定待发送给所述目标电话号码的业务内容;
发送模块,用于将所述业务内容发送给所述目标电话号码。
优选地,所述第一获取模块包括:
第一确定单元,用于根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值,关系强弱度量值越大表明电话号码之间的关系越强;
第二确定单元,用于根据全部所述关系强弱度量值,将所述全部电话号码中对应关系强弱度量值满足门限条件的电话号码确定为所述至少一个电话号码。
优选地,所述门限条件包括:大于关系强弱度量门限值。
优选地,所述第一确定单元中,所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值通过如下方式得到:
根据所述历史周期内所述目标电话号码在通信接口上对应的业务数据,确定所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,其中,业务具有语音通话类型、短信类型、软件类型和功能型中的任一种,相关信息包括主动发起方和被动接收方,对于具有语音通话类型的业务,相关信息还包括通话时长;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为主动发起方时的语音通话发生次数a1、短信发生次数b1、软件发生次数c1、通话时长小于设定时长门限值的语音通话发生次数d1和功能型业务发生次数e1;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为被动接收方时的语音通话发生次数a2、短信发生次数b2、软件发生次数c2、通话时长小于设定时长门限值的语音通话发生次数d2和功能型业务发生次数e2;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为主动发起方时的语音通话发生次数a3、短信发生次数b3、软件发生次数c3、通话时长小于设定时长门限值的语音通话发生次数d3和功能型业务发生次数e3;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为被动接收方时的语音通话发生次数a4、短信发生次数b4、软件发生次数c4、通话时长小于设定时长门限值的语音通话发生次数d4和功能型业务发生次数e4;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为主动发起方且所述任一第一电话号码作为被动接收方时的语音通话发生次数a5、短信发生次数b5、软件发生次数c5、通话时长小于设定时长门限值的语音通话发生次数d5和功能型业务发生次数e5;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为被动接收方且所述任一第一电话号码作为主动发起方时的语音通话发生次数a6、短信发生次数b6、软件发生次数c6、通话时长小于设定时长门限值的语音通话发生次数d6和功能型业务发生次数e6;
根据如下公式得到所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值F:
F=[(a1+b1+c1-d1-e1)+(a2+b2+c2-d2-e2)+(a3+b3+c3-d3-e3)+(a4+b4+c4-d4-e4)-(a5+b5+c5-d5-e5)]*第一校对因子。
优选地,所述历史周期包括多个时间间隔,所述客户关系生成装置还包括:
第二确定模块,用于根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述多个时间间隔中每个时间间隔内所述目标电话号码与所述全部电话号码之间的间隔内语音通话发生次数;
第三确定模块,用于确定所述多个时间间隔中对应间隔内语音通话发生次数大于设定次数门限值的时间间隔的第一数目;
第四确定模块,用于根据所述第一数目和时间间隔的数目与校对因子之间的对应关系,确定所述第一校对因子;
所述对应关系中,时间间隔的数目与校对因子成反比,校对因子不大于1。
优选地,所述对应关系包括:
时间间隔的数目为0时,对应的校对因子为1;
时间间隔的数目为1时,对应的校对因子为0.8;
时间间隔的数目为2时,对应的校对因子为0.6。
优选地,所述第二获取模块中,所述至少一个电话号码和所述目标电话号码中的任一第二电话号码对应的偏好概率通过如下方式得到:
根据所述任一第二电话号码对应的客户特征属性值和预测模型,确定所述任一第二电话号码对应的偏好概率,所述预测模型用于表征客户特征属性值与偏好概率之间的对应关系。
优选地,还包括:
建立模块,用于运用逻辑回归预测方式,根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和多个偏好中每个偏好对应的取值,建立所述预测模型;
所述多个偏好中,对于电话号码对应的客户所具有的偏好,该偏好对应的取值为1;对于电话号码对应的客户所不具有的偏好,该偏好对应的取值为0;
偏好对应的取值f和偏好概率p之间满足如下关系:
log(p/(1-p))=f。
本发明实施例还提供一种包括以上所述的客户关系生成装置的电子设备。
从以上所述可以看出,本发明实施例至少具有如下有益效果:
通过结合与目标电话号码存在业务数据交互的至少一个电话号码的客户特征属性和偏好概率信息来确定发送给目标电话号码的业务内容,使得对目标电话号码的业务服务更有针对性。
附图说明
图1表示本发明实施例提供的一种客户关系生成方法的步骤流程图;
图2表示本发明实施例提供的一种客户关系生成装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明实施例进行详细描述。
图1表示本发明实施例提供的一种客户关系生成方法的步骤流程图,包括如下步骤:
步骤101,获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码;
步骤102,获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,偏好概率用于表征客户具有设定偏好的概率;
步骤103,根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,确定待发送给所述目标电话号码的业务内容;
步骤104,将所述业务内容发送给所述目标电话号码。
可见,通过上述方式,能够使得运营商对目标电话号码的业务服务更有针对性。
其中,电话号码例如:手机号码。
客户特征属性值用于表征客户特征属性,如职业、年龄等。
偏好例如:阅读、游戏等。
本发明实施例中,所述获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码可以包括:
根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值,关系强弱度量值越大表明电话号码之间的关系越强;
根据全部所述关系强弱度量值,将所述全部电话号码中对应关系强弱度量值满足门限条件的电话号码确定为所述至少一个电话号码。
所述门限条件可以包括:大于关系强弱度量门限值。
所述根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值的步骤中,所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值可以通过如下方式得到:
根据所述历史周期内所述目标电话号码在通信接口上对应的业务数据,确定所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,其中,业务具有语音通话类型、短信类型、软件类型和功能型中的任一种,相关信息包括主动发起方和被动接收方,对于具有语音通话类型的业务,相关信息还包括通话时长;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为主动发起方时的语音通话发生次数a1、短信发生次数b1、软件发生次数c1、通话时长小于设定时长门限值的语音通话发生次数d1和功能型业务发生次数e1;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为被动接收方时的语音通话发生次数a2、短信发生次数b2、软件发生次数c2、通话时长小于设定时长门限值的语音通话发生次数d2和功能型业务发生次数e2;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为主动发起方时的语音通话发生次数a3、短信发生次数b3、软件发生次数c3、通话时长小于设定时长门限值的语音通话发生次数d3和功能型业务发生次数e3;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为被动接收方时的语音通话发生次数a4、短信发生次数b4、软件发生次数c4、通话时长小于设定时长门限值的语音通话发生次数d4和功能型业务发生次数e4;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为主动发起方且所述任一第一电话号码作为被动接收方时的语音通话发生次数a5、短信发生次数b5、软件发生次数c5、通话时长小于设定时长门限值的语音通话发生次数d5和功能型业务发生次数e5;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为被动接收方且所述任一第一电话号码作为主动发起方时的语音通话发生次数a6、短信发生次数b6、软件发生次数c6、通话时长小于设定时长门限值的语音通话发生次数d6和功能型业务发生次数e6;
根据如下公式得到所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值F:
F=[(a1+b1+c1-d1-e1)+(a2+b2+c2-d2-e2)+(a3+b3+c3-d3-e3)+(a4+b4+c4-d4-e4)-(a5+b5+c5-d5-e5)]*第一校对因子。
此外,所述历史周期可以包括多个时间间隔,所述客户关系生成方法还可以包括:
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述多个时间间隔中每个时间间隔内所述目标电话号码与所述全部电话号码之间的间隔内语音通话发生次数;
确定所述多个时间间隔中对应间隔内语音通话发生次数大于设定次数门限值的时间间隔的第一数目;
根据所述第一数目和时间间隔的数目与校对因子之间的对应关系,确定所述第一校对因子;
所述对应关系中,时间间隔的数目与校对因子成反比,校对因子不大于1。
此外,所述对应关系可以包括:
时间间隔的数目为0时,对应的校对因子为1;
时间间隔的数目为1时,对应的校对因子为0.8;
时间间隔的数目为2时,对应的校对因子为0.6。
本发明实施例中,所述获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率的步骤中,所述至少一个电话号码和所述目标电话号码中的任一第二电话号码对应的偏好概率可以通过如下方式得到:
根据所述任一第二电话号码对应的客户特征属性值和预测模型,确定所述任一第二电话号码对应的偏好概率,所述预测模型用于表征客户特征属性值与偏好概率之间的对应关系。
进一步地,还可以包括:
运用逻辑回归预测方式,根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和多个偏好中每个偏好对应的取值,建立所述预测模型;
所述多个偏好中,对于电话号码对应的客户所具有的偏好,该偏好对应的取值为1;对于电话号码对应的客户所不具有的偏好,该偏好对应的取值为0;
偏好对应的取值f和偏好概率p之间满足如下关系:
log(p/(1-p))=f。
为将本发明实施例阐述得更加清楚明白,下面提供本发明实施例的较佳实施方式。
本较佳实施方式提供一种动态、实时识别客户关系并挖潜的模型或算法。
本较佳实施方式用于客户关系识别,具体为大数据环境下,充分考虑各种复杂因素,实时高效识别客户圈子关系、快速分析圈内用户业务属性偏好聚类,实现自动化能力输出相关内容。
随着互联网的深度普及,越来越多的企业意识到“客户关系”中蕴含的重要价值,现有的关系嗅探技术分为2种:
1、平台嗅探。从平台的交互数据中,提取海量的交互行为信息,进行分析关联度、相关性,从而判断关系圈的特点。
2、平台嗅探+行为数据录入。在平台数据基础上,加上客户办理使用具体业务的数据,进行整合分析,进一步挖掘客户的关系圈。
依据平台嗅探关系的技术方案最大的局限点在于该平台的普及率,举个简单例子,如果我们以微博作为嗅探客户关系的平台,是否所有客户都有使用该平台?如果答案是否,那这样得出的关系圈缺乏可信度。
依据平台嗅探+行为数据录入的解决方案同样面临着平台数据的局限,并且行为数据的录入一方面依靠客户的主动,另外一方面该业务同样存在局限性。如某企业为所有员工加入了运营商的短号集群网,并不见得这个业务行为背后有着强烈的关系嗅探潜力。
与此同时,随着互联网的快速发展,快递、订餐、淘宝平台鉴权短信等各类功能性应用突增,此类行为在挖掘客户关系圈的时候,应该加以过滤。
为解决上述问题,一方面,我们需要寻找到一种全面而精准的算法(模型),快速并且最大限度地识别客户的关系;另一方面,我们需要建立关系挖掘的数据库,更深层次地洞悉圈子属性。
本较佳实施方式的核心目标是“给出一个手机号码,立即能得到该号码的关系圈及圈内目标业务的属性偏好,并能用于业务实时推荐”。从技术角度看,即如下步骤:
1、指定目标手机号码;
2、嗅探目标号码的关联关系圈;
3、指定目标业务属性;
4、快速嗅探目标关系圈内成员的业务相似性或偏好;
5、根据业务相似性或偏好,快速输出能力。
这种从单一号码,到关联关系圈,再到关系圈属性分析和快速推荐的模型,其创新体现在数据攫取和流转,模型建立和分析,系统搭建和布设,快速能力输出等环节的技术实现方案上,现一一列举如下:
1)数据攫取和流转
手机是人类的亲密伴侣,选择以手机号为核心的相关平台沟通数据嗅探,这为关系圈的可靠提供了基础。
在海量的通信数据中,根据核心P2P算法的要求,我们重点攫取了客户的A/lu口、Gn\Gb口的数据,分别使用如下2种技术攫取方案:
A、A/lu口口数据涉及客户日常的通话、语音、短信等海量数据,为满足实时、动态嗅探客户关系的需求,我们采用标签分散法,即每个通信客户一旦发生接触,即打上印记,但并不实时存储,在需要使用该号码的关系圈数据时,通过从海量的通信数据中,依据印记数值立即提取关联数据,以减轻存储和实现快速处理。
同时,数据存储具有动态调整能力,以月为周期,仅针对新增关联号码标记印记,一方面,系统积累的动态数据越发完善,另一方面,根据历史数据,系统对低于历史频率的号码不再生成印记,而是直接记录数值,从而减轻处理损耗。
我们将这种数据提取技术称为印记映射存储法,这种方法的作用是减轻存储,因为记录印记比记录原海量的A/lu数据更容易,更能快速处理。
B、关系数据经过P2P频率筛选后,即进入现有的大数据智慧平台,该平台采用ETL工具快速处理网络(app+url)、数据集市等数据;搭建基于hadoop架构的大数据处理平台,为渠道提供实时营销支撑采用关系型数据库管理工具,能快速嗅探和分析目标数据的偏好属性。
在上述数据到位后,数据即可实时推送到营销端口,匹配营销后,进行实时发送。
2)模型建立和分析(核心)
模型里,涉及到关系模型、偏好分析模型和自动推荐模型这三个,具体如下:
A、浅关系模型。
这个模型的定义为基于单一的手机号码,迅速寻找到目标的关系圈子。由此,我们创新提出了本模型的基础算法:P2P频率算法,该算法如下:
P2P频率=(主动频率+被动频率)*环境频率校对因子
其中,各频率的计算办法如下:
主动频率=主动语音通话频率+主动短信频率+主动软件频率-通话时长小于10秒的频率-功能型主动频率;
被动频率=被动语音通话频率+被动短信频率+被动软件频率-通话时长小于15秒的频率-功能型被动频率;
环境频率校对主要是对客户某一时刻可能存在的环境进行校对,从而确保所得出的客户频率相对客观,因子分为3级:
1级因子:系数为1,表明客户在统计周期内,并无处于突发环境中。
2级因子:系数为0.8,表明客户在统计周期内,曾处于1个突发环境中。
3级因子:系数为0.6,表明客户在统计周期内,曾处于大于等于2个突发环境中。
其中,突发环境的定义为,单位时间内(15分钟内),1对多的客户语音次数大于5次。
目前,本较佳实施方式已经支持语音及短信频率的准实时定量统计,聊天应用软件的定向流量频率统计后续继续开发。对于特性用户群通话及短信点对点频率算法具体如下:
1))通过CS域MC信令相关库表(AIU_MM/MOC/MTC/MOSMS/MTSMS)匹配特定用户群的主叫通话、被叫通话、发送短信、接收短信的CDR明细,将被叫通话、接收短信清单均转化为被叫号码为主号码的记录,与主叫通话、发送短信CDR明细合并为数据集A;
2))以数据集A主号码记录进行分组统计,则可得出该用户群所有成员分别的交往圈子成员;以主号码并圈子成员号码匹配数据集A记录的主次号码,按P2P频率计算,最终可得任意两号码间的P2P频率值,去重插入数据集B;
3))基于数据集B,使用如下阀值定位法,我们暂称其为样本量阀值定位算法。选取具有目标地域具有代表性的样本,对样本中的每个号码进行p2p频率的统计,按照频率从高到低排序,取这些样本的a%、b%分位数,并对a%、b%分位数进行平均,得到均值X和Y,那么,联系最紧密的前a%的圈子,p2p频率平均为Y,联系紧密程度在a%-b%的圈子,p2p频率平均在(X,Y]区间,而联系较舒散的后1-b%,p2p频率平均小于X次。
按上述算法,不仅能得出目标号码的最大化圈子,也能得出根据其频率分布的不同圈子。
在这个逻辑指导下,由App信令分析系统、MC口基础数据即能分析得出任意号码的浅关系圈,技术流程如下:
指定号码----App信令分析系统------分析P2P频率------捕获浅关系圈号码-----形成输出表格。
B、业务属性相似度分析模型
浅关系模型产出后,运用逻辑回归建立预测模型,假设Y代表某一偏好(如阅读偏好、上网偏好等)的可能性,X代表客户特征属性,如通信行为、上网行为、位置信息等,通过建立Y=f(x)来挖掘客户偏好的可能性,输入已存在的客户行为数据(如MC、GB、GN口数据)输出客户是否具有某种偏好的预测结果,从而有针对性的精准营销。
逻辑回归预测模型关键步骤:
Step1:将“偏好概率p”的函数Y(p)作为因变量,客户行为数据作为自变量X,用X来预测Y;
Step2:假设Y=f(X)+e(e为随机误差),本问题中可假设(X,Y)的关系为线性,也即Y=a0+a1X…+e,问题转化为预测参数(a0,a1,…)
Step3:用统计方法估计参数并进行统计检验,从而得到(X,Y)之间的相互关系
Step4:由于概率在【0.1】取值,为遍布实数区间做logistic变换log(p/(1-p))=Y,最终得到“偏好概率”与客户行为数据之间的联系。
3)系统搭建和布设
本较佳实施方式承载于CS语音信令分析平台,大数据轻营销平台。其中,CS语音信令分析平台输出关系圈子数据,大数据挖掘平台输出相似度分析,轻营销平台完成快速营销能力。
4)快速能力输出。
结合关系圈数据产出,我们形成了SNS范围业务广播、P2P点对点业务推荐及O2O线下活动促进活动,真正推动客户的关系深化。
本较佳实施方式的关键点有2个:
1、核心模型和算法。
1)P2P算法,科学考虑多维度的客户频率,并增加环境校对因子,使得关系数据更实时、真实、可靠;
2)相似度模型。在技术数据上,按照相似度分析算法,快速得出圈子中,指定分层目标号码的业务相似属性。
3)快速能力模型。输出三种自动化的能力,SNS广播能力、P2P业务推荐能力、O2O线下推进能力。
2、模型和算法的可应用前景:关系圈的识别是大数据挖潜的未来,也是市场精准营销的发展方向,这种模型和算法能植根于现有的系统和营销,能够快速普及应用,带来效益提升。
本较佳实施方式提供整套模型机制。整个数据流动、分析处理及能力输出的方式方法。本较佳实施方式中各模型中应用的算法。各类算法相对现有技术更可靠、高效和直观。
与传统平台嗅探+客户行为嗅探的技术相比,本申请提案具有如下3大技术优点:
1、技术实现的环境可靠,全面。本技术基于客户的日常沟通联系P2P频率的分析嗅探,对关系的定义更为准确。
2、技术算法更为明晰、通用,符合实际。本模型中涉及的P2P频率算法、样本量阀值定位法、相似度分析法,各类算法所涉及的变量明确,数据源稳定,所使用的计算流程明晰易懂,符合系统现状,并易于复制推广。
3、技术算法更为创新、高效。通过上述的模型算法,给出一个号码,即可得出目标号码的分层圈子,并根据圈子的相似度业务属性分析,快速输出能力,这种效果在国内业务运营中属首创。
图2表示本发明实施例提供的一种客户关系生成装置的结构框图,参照图2,本发明实施例提供一种客户关系生成装置,包括:
第一获取模块201,用于获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码;
第二获取模块202,用于获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,偏好概率用于表征客户具有设定偏好的概率;
第一确定模块203,用于根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,确定待发送给所述目标电话号码的业务内容;
发送模块204,用于将所述业务内容发送给所述目标电话号码。
可见,通过上述方式,能够使得运营商对目标电话号码的业务服务更有针对性。
所述第一获取模块可以包括:
第一确定单元,用于根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值,关系强弱度量值越大表明电话号码之间的关系越强;
第二确定单元,用于根据全部所述关系强弱度量值,将所述全部电话号码中对应关系强弱度量值满足门限条件的电话号码确定为所述至少一个电话号码。
所述门限条件可以包括:大于关系强弱度量门限值。
所述第一确定单元中,所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值可以通过如下方式得到:
根据所述历史周期内所述目标电话号码在通信接口上对应的业务数据,确定所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,其中,业务具有语音通话类型、短信类型、软件类型和功能型中的任一种,相关信息包括主动发起方和被动接收方,对于具有语音通话类型的业务,相关信息还包括通话时长;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为主动发起方时的语音通话发生次数a1、短信发生次数b1、软件发生次数c1、通话时长小于设定时长门限值的语音通话发生次数d1和功能型业务发生次数e1;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为被动接收方时的语音通话发生次数a2、短信发生次数b2、软件发生次数c2、通话时长小于设定时长门限值的语音通话发生次数d2和功能型业务发生次数e2;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为主动发起方时的语音通话发生次数a3、短信发生次数b3、软件发生次数c3、通话时长小于设定时长门限值的语音通话发生次数d3和功能型业务发生次数e3;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为被动接收方时的语音通话发生次数a4、短信发生次数b4、软件发生次数c4、通话时长小于设定时长门限值的语音通话发生次数d4和功能型业务发生次数e4;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为主动发起方且所述任一第一电话号码作为被动接收方时的语音通话发生次数a5、短信发生次数b5、软件发生次数c5、通话时长小于设定时长门限值的语音通话发生次数d5和功能型业务发生次数e5;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为被动接收方且所述任一第一电话号码作为主动发起方时的语音通话发生次数a6、短信发生次数b6、软件发生次数c6、通话时长小于设定时长门限值的语音通话发生次数d6和功能型业务发生次数e6;
根据如下公式得到所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值F:
F=[(a1+b1+c1-d1-e1)+(a2+b2+c2-d2-e2)+(a3+b3+c3-d3-e3)+(a4+b4+c4-d4-e4)-(a5+b5+c5-d5-e5)]*第一校对因子。
此外,所述历史周期包括多个时间间隔,所述客户关系生成装置还可以包括:
第二确定模块,用于根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述多个时间间隔中每个时间间隔内所述目标电话号码与所述全部电话号码之间的间隔内语音通话发生次数;
第三确定模块,用于确定所述多个时间间隔中对应间隔内语音通话发生次数大于设定次数门限值的时间间隔的第一数目;
第四确定模块,用于根据所述第一数目和时间间隔的数目与校对因子之间的对应关系,确定所述第一校对因子;
所述对应关系中,时间间隔的数目与校对因子成反比,校对因子不大于1。
此外,所述对应关系可以包括:
时间间隔的数目为0时,对应的校对因子为1;
时间间隔的数目为1时,对应的校对因子为0.8;
时间间隔的数目为2时,对应的校对因子为0.6。
本发明实施例中,所述第二获取模块中,所述至少一个电话号码和所述目标电话号码中的任一第二电话号码对应的偏好概率可以通过如下方式得到:
根据所述任一第二电话号码对应的客户特征属性值和预测模型,确定所述任一第二电话号码对应的偏好概率,所述预测模型用于表征客户特征属性值与偏好概率之间的对应关系。
进一步地,还可以包括:
建立模块,用于运用逻辑回归预测方式,根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和多个偏好中每个偏好对应的取值,建立所述预测模型;
所述多个偏好中,对于电话号码对应的客户所具有的偏好,该偏好对应的取值为1;对于电话号码对应的客户所不具有的偏好,该偏好对应的取值为0;
偏好对应的取值f和偏好概率p之间满足如下关系:
log(p/(1-p))=f。
本发明实施例还提供一种电子设备,所述电子设备包括以上所述的客户关系生成装置。
以上所述仅是本发明实施例的实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明实施例原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明实施例的保护范围。
Claims (17)
1.一种客户关系生成方法,其特征在于,包括:
获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码;
获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,偏好概率用于表征客户具有设定偏好的概率;
根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,确定待发送给所述目标电话号码的业务内容;
将所述业务内容发送给所述目标电话号码。
2.根据权利要求1所述的客户关系生成方法,其特征在于,所述获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码包括:
根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值,关系强弱度量值越大表明电话号码之间的关系越强;
根据全部所述关系强弱度量值,将所述全部电话号码中对应关系强弱度量值满足门限条件的电话号码确定为所述至少一个电话号码。
3.根据权利要求2所述的客户关系生成方法,其特征在于,所述门限条件包括:大于关系强弱度量门限值。
4.根据权利要求3所述的客户关系生成方法,其特征在于,所述根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值的步骤中,所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值通过如下方式得到:
根据所述历史周期内所述目标电话号码在通信接口上对应的业务数据,确定所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,其中,业务具有语音通话类型、短信类型、软件类型和功能型中的任一种,相关信息包括主动发起方和被动接收方,对于具有语音通话类型的业务,相关信息还包括通话时长;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为主动发起方时的语音通话发生次数a1、短信发生次数b1、软件发生次数c1、通话时长小于设定时长门限值的语音通话发生次数d1和功能型业务发生次数e1;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为被动接收方时的语音通话发生次数a2、短信发生次数b2、软件发生次数c2、通话时长小于设定时长门限值的语音通话发生次数d2和功能型业务发生次数e2;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为主动发起方时的语音通话发生次数a3、短信发生次数b3、软件发生次数c3、通话时长小于设定时长门限值的语音通话发生次数d3和功能型业务发生次数e3;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为被动接收方时的语音通话发生次数a4、短信发生次数b4、软件发生次数c4、通话时长小于设定时长门限值的语音通话发生次数d4和功能型业务发生次数e4;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为主动发起方且所述任一第一电话号码作为被动接收方时的语音通话发生次数a5、短信发生次数b5、软件发生次数c5、通话时长小于设定时长门限值的语音通话发生次数d5和功能型业务发生次数e5;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为被动接收方且所述任一第一电话号码作为主动发起方时的语音通话发生次数a6、短信发生次数b6、软件发生次数c6、通话时长小于设定时长门限值的语音通话发生次数d6和功能型业务发生次数e6;
根据如下公式得到所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值F:
F=[(a1+b1+c1-d1-e1)+(a2+b2+c2-d2-e2)+(a3+b3+c3-d3-e3)+(a4+b4+c4-d4-e4)-(a5+b5+c5-d5-e5)]*第一校对因子。
5.根据权利要求4所述的客户关系生成方法,其特征在于,所述历史周期包括多个时间间隔,所述客户关系生成方法还包括:
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述多个时间间隔中每个时间间隔内所述目标电话号码与所述全部电话号码之间的间隔内语音通话发生次数;
确定所述多个时间间隔中对应间隔内语音通话发生次数大于设定次数门限值的时间间隔的第一数目;
根据所述第一数目和时间间隔的数目与校对因子之间的对应关系,确定所述第一校对因子;
所述对应关系中,时间间隔的数目与校对因子成反比,校对因子不大于1。
6.根据权利要求4所述的客户关系生成方法,其特征在于,所述对应关系包括:
时间间隔的数目为0时,对应的校对因子为1;
时间间隔的数目为1时,对应的校对因子为0.8;
时间间隔的数目为2时,对应的校对因子为0.6。
7.根据权利要求1所述的客户关系生成方法,其特征在于,所述获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率的步骤中,所述至少一个电话号码和所述目标电话号码中的任一第二电话号码对应的偏好概率通过如下方式得到:
根据所述任一第二电话号码对应的客户特征属性值和预测模型,确定所述任一第二电话号码对应的偏好概率,所述预测模型用于表征客户特征属性值与偏好概率之间的对应关系。
8.根据权利要求7所述的客户关系生成方法,其特征在于,还包括:
运用逻辑回归预测方式,根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和多个偏好中每个偏好对应的取值,建立所述预测模型;
所述多个偏好中,对于电话号码对应的客户所具有的偏好,该偏好对应的取值为1;对于电话号码对应的客户所不具有的偏好,该偏好对应的取值为0;
偏好对应的取值f和偏好概率p之间满足如下关系:
log(p/(1-p))=f。
9.一种客户关系生成装置,其特征在于,包括:
第一获取模块,用于获取历史周期内与目标电话号码存在业务数据交互的至少一个电话号码;
第二获取模块,用于获取所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,偏好概率用于表征客户具有设定偏好的概率;
第一确定模块,用于根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和偏好概率,确定待发送给所述目标电话号码的业务内容;
发送模块,用于将所述业务内容发送给所述目标电话号码。
10.根据权利要求9所述的客户关系生成装置,其特征在于,所述第一获取模块包括:
第一确定单元,用于根据所述历史周期内所述目标电话号码和与所述目标电话号码存在业务数据交互的全部电话号码分别在通信接口上对应的业务数据,确定所述目标电话号码和所述全部电话号码中的每个电话号码之间的关系强弱度量值,关系强弱度量值越大表明电话号码之间的关系越强;
第二确定单元,用于根据全部所述关系强弱度量值,将所述全部电话号码中对应关系强弱度量值满足门限条件的电话号码确定为所述至少一个电话号码。
11.根据权利要求10所述的客户关系生成装置,其特征在于,所述门限条件包括:大于关系强弱度量门限值。
12.根据权利要求11所述的客户关系生成装置,其特征在于,所述第一确定单元中,所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值通过如下方式得到:
根据所述历史周期内所述目标电话号码在通信接口上对应的业务数据,确定所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,其中,业务具有语音通话类型、短信类型、软件类型和功能型中的任一种,相关信息包括主动发起方和被动接收方,对于具有语音通话类型的业务,相关信息还包括通话时长;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为主动发起方时的语音通话发生次数a1、短信发生次数b1、软件发生次数c1、通话时长小于设定时长门限值的语音通话发生次数d1和功能型业务发生次数e1;
根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述历史周期内所述目标电话号码对应的作为被动接收方时的语音通话发生次数a2、短信发生次数b2、软件发生次数c2、通话时长小于设定时长门限值的语音通话发生次数d2和功能型业务发生次数e2;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为主动发起方时的语音通话发生次数a3、短信发生次数b3、软件发生次数c3、通话时长小于设定时长门限值的语音通话发生次数d3和功能型业务发生次数e3;
根据所述历史周期内所述任一第一电话号码发生的业务的相关信息,确定所述历史周期内所述任一第一电话号码对应的作为被动接收方时的语音通话发生次数a4、短信发生次数b4、软件发生次数c4、通话时长小于设定时长门限值的语音通话发生次数d4和功能型业务发生次数e4;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为主动发起方且所述任一第一电话号码作为被动接收方时的语音通话发生次数a5、短信发生次数b5、软件发生次数c5、通话时长小于设定时长门限值的语音通话发生次数d5和功能型业务发生次数e5;
根据所述历史周期内所述目标电话号码和所述任一第一电话号码分别发生的业务的相关信息,确定所述历史周期内所述目标电话号码作为被动接收方且所述任一第一电话号码作为主动发起方时的语音通话发生次数a6、短信发生次数b6、软件发生次数c6、通话时长小于设定时长门限值的语音通话发生次数d6和功能型业务发生次数e6;
根据如下公式得到所述目标电话号码和所述全部电话号码中的任一第一电话号码之间的关系强弱度量值F:
F=[(a1+b1+c1-d1-e1)+(a2+b2+c2-d2-e2)+(a3+b3+c3-d3-e3)+(a4+b4+c4-d4-e4)-(a5+b5+c5-d5-e5)]*第一校对因子。
13.根据权利要求12所述的客户关系生成装置,其特征在于,所述历史周期包括多个时间间隔,所述客户关系生成装置还包括:
第二确定模块,用于根据所述历史周期内所述目标电话号码发生的业务的相关信息,确定所述多个时间间隔中每个时间间隔内所述目标电话号码与所述全部电话号码之间的间隔内语音通话发生次数;
第三确定模块,用于确定所述多个时间间隔中对应间隔内语音通话发生次数大于设定次数门限值的时间间隔的第一数目;
第四确定模块,用于根据所述第一数目和时间间隔的数目与校对因子之间的对应关系,确定所述第一校对因子;
所述对应关系中,时间间隔的数目与校对因子成反比,校对因子不大于1。
14.根据权利要求12所述的客户关系生成装置,其特征在于,所述对应关系包括:
时间间隔的数目为0时,对应的校对因子为1;
时间间隔的数目为1时,对应的校对因子为0.8;
时间间隔的数目为2时,对应的校对因子为0.6。
15.根据权利要求9所述的客户关系生成装置,其特征在于,所述第二获取模块中,所述至少一个电话号码和所述目标电话号码中的任一第二电话号码对应的偏好概率通过如下方式得到:
根据所述任一第二电话号码对应的客户特征属性值和预测模型,确定所述任一第二电话号码对应的偏好概率,所述预测模型用于表征客户特征属性值与偏好概率之间的对应关系。
16.根据权利要求15所述的客户关系生成装置,其特征在于,还包括:
建立模块,用于运用逻辑回归预测方式,根据所述至少一个电话号码和所述目标电话号码分别对应的客户特征属性值和多个偏好中每个偏好对应的取值,建立所述预测模型;
所述多个偏好中,对于电话号码对应的客户所具有的偏好,该偏好对应的取值为1;对于电话号码对应的客户所不具有的偏好,该偏好对应的取值为0;
偏好对应的取值f和偏好概率p之间满足如下关系:
log(p/(1-p))=f。
17.一种电子设备,其特征在于,包括如权利要求9至16中任一项所述的客户关系生成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410633260.2A CN105590232A (zh) | 2014-11-11 | 2014-11-11 | 一种客户关系生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410633260.2A CN105590232A (zh) | 2014-11-11 | 2014-11-11 | 一种客户关系生成方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105590232A true CN105590232A (zh) | 2016-05-18 |
Family
ID=55929797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410633260.2A Pending CN105590232A (zh) | 2014-11-11 | 2014-11-11 | 一种客户关系生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105590232A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096825A (zh) * | 2016-06-03 | 2016-11-09 | 广东电网有限责任公司 | 一种电力服务渠道分析方法及系统 |
CN108090787A (zh) * | 2017-12-18 | 2018-05-29 | 北京工业大学 | 一种基于Apriori算法的话单数据深度挖掘和用户行为预测的方法 |
CN110708414A (zh) * | 2019-08-30 | 2020-01-17 | 中国人民财产保险股份有限公司 | 一种电话号码的排序方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102355664A (zh) * | 2011-08-09 | 2012-02-15 | 郑毅 | 一种基于用户的社交网络对用户身份进行识别与匹配的方法 |
CN103166930A (zh) * | 2011-12-15 | 2013-06-19 | 腾讯科技(深圳)有限公司 | 推送网络信息的方法和系统 |
CN103390244A (zh) * | 2013-07-24 | 2013-11-13 | 南京欣网视讯信息技术有限公司 | 一种具有运营商特色的用户好友关系聚合方法及聚合平台 |
CN103544188A (zh) * | 2012-07-17 | 2014-01-29 | 中国移动通信集团广东有限公司 | 移动互联网内容的用户偏好推送方法与装置 |
-
2014
- 2014-11-11 CN CN201410633260.2A patent/CN105590232A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102355664A (zh) * | 2011-08-09 | 2012-02-15 | 郑毅 | 一种基于用户的社交网络对用户身份进行识别与匹配的方法 |
CN103166930A (zh) * | 2011-12-15 | 2013-06-19 | 腾讯科技(深圳)有限公司 | 推送网络信息的方法和系统 |
CN103544188A (zh) * | 2012-07-17 | 2014-01-29 | 中国移动通信集团广东有限公司 | 移动互联网内容的用户偏好推送方法与装置 |
CN103390244A (zh) * | 2013-07-24 | 2013-11-13 | 南京欣网视讯信息技术有限公司 | 一种具有运营商特色的用户好友关系聚合方法及聚合平台 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096825A (zh) * | 2016-06-03 | 2016-11-09 | 广东电网有限责任公司 | 一种电力服务渠道分析方法及系统 |
CN108090787A (zh) * | 2017-12-18 | 2018-05-29 | 北京工业大学 | 一种基于Apriori算法的话单数据深度挖掘和用户行为预测的方法 |
CN110708414A (zh) * | 2019-08-30 | 2020-01-17 | 中国人民财产保险股份有限公司 | 一种电话号码的排序方法、装置及电子设备 |
CN110708414B (zh) * | 2019-08-30 | 2021-01-05 | 中国人民财产保险股份有限公司 | 一种电话号码的排序方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102880501B (zh) | 应用推荐的实现方法、装置和系统 | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CA2992563A1 (en) | Method and system for applying probabilistic topic models to content in a tax environment to improve user satisfaction with a question and answer customer support system | |
WO2019062414A1 (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
US20140143329A1 (en) | Discovering signature of electronic social networks | |
US11042899B2 (en) | System and method for tracking users across a plurality of media platforms | |
CN110377804A (zh) | 培训课程数据的推送方法、装置、系统及存储介质 | |
WO2022247955A1 (zh) | 非正常账号识别方法、装置、设备和存储介质 | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
CN107515915A (zh) | 基于用户行为数据的用户标识关联方法 | |
CN110300084B (zh) | 基于ip地址的画像方法和装置,电子设备,可读介质 | |
CN110363427A (zh) | 模型质量评估方法和装置 | |
CN105812175B (zh) | 一种资源管理方法及资源管理设备 | |
CN108304935A (zh) | 机器学习模型训练方法、装置和计算机设备 | |
CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
CN112104642A (zh) | 一种异常账号确定方法和相关装置 | |
CN110300191A (zh) | 服务系统及数据处理方法 | |
CN102664744B (zh) | 网络消息通信中群发推荐的方法 | |
CN106126519A (zh) | 媒体信息的展示方法及服务器 | |
CN107256231B (zh) | 一种团队成员识别设备、方法及系统 | |
CN105590232A (zh) | 一种客户关系生成方法、装置及电子设备 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
US9754233B1 (en) | Centralized employee data analytics | |
WO2020119533A1 (zh) | 基于循环神经网络算法的舆情预警方法、装置、终端及介质 | |
CN112667869A (zh) | 数据处理方法、设备、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160518 |
|
RJ01 | Rejection of invention patent application after publication |