CN106776737A - 一种基于大数据分析评定艺人粘度的方法 - Google Patents

一种基于大数据分析评定艺人粘度的方法 Download PDF

Info

Publication number
CN106776737A
CN106776737A CN201611027238.9A CN201611027238A CN106776737A CN 106776737 A CN106776737 A CN 106776737A CN 201611027238 A CN201611027238 A CN 201611027238A CN 106776737 A CN106776737 A CN 106776737A
Authority
CN
China
Prior art keywords
data
material quality
quality degree
characteristic
model parameter
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.)
Granted
Application number
CN201611027238.9A
Other languages
English (en)
Other versions
CN106776737B (zh
Inventor
曹杰
冯雨晖
宿晓坤
杨睿
李华剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING HONGMA MEDIA CULTURE DEVELOPMENT CO LTD
Original Assignee
BEIJING HONGMA MEDIA CULTURE DEVELOPMENT CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING HONGMA MEDIA CULTURE DEVELOPMENT CO LTD filed Critical BEIJING HONGMA MEDIA CULTURE DEVELOPMENT CO LTD
Priority to CN201611027238.9A priority Critical patent/CN106776737B/zh
Publication of CN106776737A publication Critical patent/CN106776737A/zh
Application granted granted Critical
Publication of CN106776737B publication Critical patent/CN106776737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于大数据分析评定艺人粘度的方法，包括：获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，将所述行为忠诚度特征数据量化；将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；将所述建模后输出的数据固化。本发明通过得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。

Description

一种基于大数据分析评定艺人粘度的方法
技术领域
本发明涉及电子商务领域，尤其涉及一种基于大数据分析评定艺人粘度的方法。
背景技术
在电商或者社交等以用户为基础的行业中往往会存在对用户忠诚度的评定，用户忠诚度又叫客户忠诚度，又可称为客户粘度，是指客户对某一特定产品或服务产生了好感，形成了"依附性"偏好，进而重复购买的一种趋向。通过此项指标可以了解用户对电商或者对社交平台的忠诚度，为优化用户体验、提升企业的服务品质提供数据支持和指导。
发明人在研究的过程中发现，现有技术中，并没有提及用户对企业以外的第三方的忠诚度，如，在演出娱乐行业中，用户是以艺人为导向进行消费的，如果可以提取用户对艺人的忠诚度这一重要的指标，便可有正对性对用户的消费行为进行分类，有利于企业核心竞争力的形成，对企业业务流程和组织结构将产生重大的影响。
用户对艺人的忠诚度虽然是一个抽象性的特征，但是可以通过科学的方法对其进行量化评估，用户在网络中的行为，包括但不限于对演唱会、明星周边的浏览、咨询、订阅、收藏、购买、评论，在社交媒体中发表的言论，对新闻资源的评论、转发等等，都可以展现出用户对艺人的忠诚度。如有在演出娱乐业中票务网站的用户对演出项目中的艺人的忠诚度的评定及管理，则会对会员营销、项目营销、个性化推荐、演出评估、演出预测等进行有向指导。
因此，急需一种对网络中行为忠诚度的识别及管理的技术方案，来提升营销转化率。
发明内容
本发明的主要目的在于提供一种基于大数据分析评定艺人粘度的方法，从而丰富企业的用户画像，为会员营销、项目营销、个性化推荐、演出评估、演出预测等打下坚实的数据基础，为下一步的营销目标提供有向指导。
本发明提供了一种基于大数据分析评定艺人粘度的方法，包括：
获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；
抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，将所述行为忠诚度特征数据量化；
将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；
将所述建模后输出的数据固化。
进一步的，所述获取网络用户的目标行为数据，包括：
获取至少一个网络目标用户基于自身行为产生的目标行为数据，包括但不限于注册信息、访问行为数据、下单行为数据和/或艺人的基础数据。
进一步的，所述提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据，包括：
提取所述目标行为数据中携带基础行为特征的多个目标行为特征数据；
将多个所述目标行为特征数据分类，并将分类后的目标行为特征数据定性为基于所述基础行为特征的行为忠诚度特征数据。
进一步的，所述将所述行为忠诚度特征数据量化，包括：
查询所述基础行为特征携带的基础行为特征值；
计算所述行为忠诚度特征数据基于所述基础行为特征值的目标特征及目标特征值。
进一步的，所述将所述量化后的行为忠诚度特征数据建模，包括：
将量化后的行为忠诚度特征数据建立线性权重模型后输出权重模型的权重参数；
将量化后的行为忠诚度特征数据建立聚类分析模型后输出聚类模型的每个类别的数据口径。
进一步的，所述将所述建模后输出的数据固化，包括：
将所述建模后输出的权重模型的权重参数和输出的聚类模型的每个类别的数据口径固化。
进一步的，所述抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，包括：
获取行为忠诚度特征数据信息中的所有属性信息；
抽取所述属性信息中与忠诚度相关的至少一个输入变量和至少一个目标变量，并将所述至少一个输入变量和所述至少一个目标变量整理得到样本数据。
进一步的，所述将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；包括：
将样本数据分为用于建模的训练集和用于验证模型效果的测试集；
将训练集输入到决策树模型中进行模型参数训练；
将模型参数训练结果，应用到测试集，测试满足测试集准确率在训练集准确率的自定义中百分比以内的稳定性条件的模型参数训练结果。
进一步的，将训练集输入到决策树模型中进行模型参数训练，包括：
将训练集的特征输入变量输入到决策树模型中，决策树模型基于信息增益率进行变量选择和分割点选择，进行模型参数训练。
进一步的，所述将所述建模后输出的数据固化，之后还包括：
将满足测试集准确率在训练集准确率的自定义中百分比以内的稳定性条件的模型参数训练结果输出；将输出的模型参数训练结果的规则整理成SQL的where条件，部署到系统中定期更新为未知用户的忠诚度评定结果。
本发明通过获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，将所述行为忠诚度特征数据量化；将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；将所述建模后输出的数据固化的技术方案，得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。
附图说明
图1为根据本发明的一种基于大数据分析评定艺人粘度的方法的实施例的流程图。
具体实施方式
下面结合附图对本发明实施例提供的了一种基于大数据分析评定艺人粘度的方法进行详细描述。
本发明结合用户的目标行为数据(如浏览、咨询、订阅、收藏、购买、评论等行为)设计权重模型，评估用户对某一基础行为特征(如艺人)的忠诚度，并对忠诚度划分等级，从行为上全方位的描述了用户对某一基础行为特征的粘度。
实施例一
参照图1，图1示出了本发明的一种基于大数据分析评定艺人粘度的方法的一实施例的流程图，包括步骤S110-S140。
在步骤S110中，获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据。
在步骤S120中，抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，将所述行为忠诚度特征数据量化。
在步骤S130中，将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果。
在步骤S140中，将所述建模后输出的数据固化。
进一步的，所述获取网络用户的目标行为数据，包括：
获取至少一个网络目标用户基于自身行为产生的目标行为数据，包括但不限于注册信息、访问行为数据、下单行为数据和/或艺人的基础数据。
进一步的，所述提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据，包括：
提取所述目标行为数据中携带基础行为特征的多个目标行为特征数据；
将多个所述目标行为特征数据分类，并将分类后的目标行为特征数据定性为基于所述基础行为特征的行为忠诚度特征数据。
进一步的，所述将所述行为忠诚度特征数据量化，包括：
查询所述基础行为特征携带的基础行为特征值；
计算所述行为忠诚度特征数据基于所述基础行为特征值的目标特征及目标特征值。
进一步的，所述将所述量化后的行为忠诚度特征数据建模，包括：
将量化后的行为忠诚度特征数据建立线性权重模型后输出权重模型的权重参数；
将量化后的行为忠诚度特征数据建立聚类分析模型后输出聚类模型的每个类别的数据口径。
进一步的，所述将所述建模后输出的数据固化，包括：
将所述建模后输出的权重模型的权重参数和输出的聚类模型的每个类别的数据口径固化。
进一步的，所述抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，包括：
获取行为忠诚度特征数据信息中的所有属性信息；
抽取所述属性信息中与忠诚度相关的至少一个输入变量和至少一个目标变量，并将所述至少一个输入变量和所述至少一个目标变量整理得到样本数据。
进一步的，所述将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；包括：
将样本数据分为用于建模的训练集和用于验证模型效果的测试集；
将训练集输入到决策树模型中进行模型参数训练；
将模型参数训练结果，应用到测试集，测试满足测试集准确率在训练集准确率的自定义中百分比以内的稳定性条件的模型参数训练结果。
进一步的，将训练集输入到决策树模型中进行模型参数训练，包括：
将训练集的特征输入变量输入到决策树模型中，决策树模型基于信息增益率进行变量选择和分割点选择，进行模型参数训练。
进一步的，所述将所述建模后输出的数据固化，之后还包括：
将满足测试集准确率在训练集准确率的自定义中百分比以内的稳定性条件的模型参数训练结果输出；将输出的模型参数训练结果的规则整理成SQL的where条件，部署到系统中定期更新为未知用户的忠诚度评定结果。
本发明通过获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，将所述行为忠诚度特征数据量化；将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；将所述建模后输出的数据固化的技术方案，得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于大数据分析评定艺人粘度的方法，其特征在于，包括：
获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；
抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，将所述行为忠诚度特征数据量化；
将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；
将所述建模后输出的数据固化。
2.如权利要求1所述的方法，其特征在于，所述获取网络用户的目标行为数据，包括：
获取至少一个网络目标用户基于自身行为产生的目标行为数据，包括但不限于注册信息、访问行为数据、下单行为数据和/或艺人的基础数据。
3.如权利要求1或2所述的方法，其特征在于，所述提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据，包括：
提取所述目标行为数据中携带基础行为特征的多个目标行为特征数据；
将多个所述目标行为特征数据分类，并将分类后的目标行为特征数据定性为基于所述基础行为特征的行为忠诚度特征数据。
4.如权利要求1-3之一所述的方法，其特征在于，所述将所述行为忠诚度特征数据量化，包括：
查询所述基础行为特征携带的基础行为特征值；
计算所述行为忠诚度特征数据基于所述基础行为特征值的目标特征及目标特征值。
5.如权利要求1-4之一所述的方法，其特征在于，所述将所述量化后的行为忠诚度特征数据建模，包括：
将量化后的行为忠诚度特征数据建立线性权重模型后输出权重模型的权重参数；
将量化后的行为忠诚度特征数据建立聚类分析模型后输出聚类模型的每个类别的数据口径。
6.如权利要求1-5之一所述的方法，其特征在于，所述将所述建模后输出的数据固化，包括：
将所述建模后输出的权重模型的权重参数和输出的聚类模型的每个类别的数据口径固化。
7.如权利要求1所述的方法，其特征在于，所述抽取所述行为忠诚度特征数据信息属性中的特征输入变量和目标变量，包括：
获取行为忠诚度特征数据信息中的所有属性信息；
抽取所述属性信息中与忠诚度相关的至少一个输入变量和至少一个目标变量，并将所述至少一个输入变量和所述至少一个目标变量整理得到样本数据。
8.如权利要求1所述的方法，其特征在于，所述将所述量化后的行为忠诚度特征数据建模；将样本数据分为训练集和测试集，将训练集输入到决策树模型中进行模型参数训练，将模型参数训练结果，应用到测试集，测试满足自定义稳定性条件的模型参数训练结果；包括：
将样本数据分为用于建模的训练集和用于验证模型效果的测试集；
将训练集输入到决策树模型中进行模型参数训练；
将模型参数训练结果，应用到测试集，测试满足测试集准确率在训练集准确率的自定义中百分比以内的稳定性条件的模型参数训练结果。
9.如权利要求8所述的方法，其特征在于，将训练集输入到决策树模型中进行模型参数训练，包括：
将训练集的特征输入变量输入到决策树模型中，决策树模型基于信息增益率进行变量选择和分割点选择，进行模型参数训练。
10.如权利要求1所述的方法，其特征在于，所述将所述建模后输出的数据固化，之后还包括：
将满足测试集准确率在训练集准确率的自定义中百分比以内的稳定性条件的模型参数训练结果输出；将输出的模型参数训练结果的规则整理成SQL的where条件，部署到系统中定期更新为未知用户的忠诚度评定结果。
CN201611027238.9A 2016-11-18 2016-11-18 一种基于大数据分析评定艺人粘度的方法 Active CN106776737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611027238.9A CN106776737B (zh) 2016-11-18 2016-11-18 一种基于大数据分析评定艺人粘度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611027238.9A CN106776737B (zh) 2016-11-18 2016-11-18 一种基于大数据分析评定艺人粘度的方法

Publications (2)

Publication Number Publication Date
CN106776737A true CN106776737A (zh) 2017-05-31
CN106776737B CN106776737B (zh) 2020-05-29

Family

ID=58971209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611027238.9A Active CN106776737B (zh) 2016-11-18 2016-11-18 一种基于大数据分析评定艺人粘度的方法

Country Status (1)

Country Link
CN (1) CN106776737B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238045A (zh) * 2010-04-27 2011-11-09 广州迈联计算机科技有限公司 一种无线互联网用户行为的预测系统和方法
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN106372964A (zh) * 2016-08-29 2017-02-01 北京红马传媒文化发展有限公司 一种行为忠诚度的识别及管理方法、系统和终端

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238045A (zh) * 2010-04-27 2011-11-09 广州迈联计算机科技有限公司 一种无线互联网用户行为的预测系统和方法
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN106372964A (zh) * 2016-08-29 2017-02-01 北京红马传媒文化发展有限公司 一种行为忠诚度的识别及管理方法、系统和终端

Also Published As

Publication number Publication date
CN106776737B (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
US11107118B2 (en) Management of the display of online ad content consistent with one or more performance objectives for a webpage and/or website
KR102251302B1 (ko) 시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체
CN107169052A (zh) 推荐方法及装置
WO2015122575A1 (ko) 개인 성향 예측 방법 및 그 장치
US10002187B2 (en) Method and system for performing topic creation for social data
US10713573B2 (en) Methods and systems for identifying and prioritizing insights from hidden patterns
KR102162765B1 (ko) 인공지능 기반 고객이탈관리 자동화 시스템 및 방법과, 이를 위한 컴퓨터 프로그램
US11481810B2 (en) Generating and utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy
Cho et al. Clustering method using item preference based on RFM for recommendation system in u-commerce
CN110008977B (zh) 聚类模型构建方法以及装置
CN110880124A (zh) 转化率评估方法及装置
TW201719569A (zh) 社交業務特徵用戶的識別方法和裝置
CN106372964A (zh) 一种行为忠诚度的识别及管理方法、系统和终端
Goar et al. Business decision making by big data analytics
CN116561134B (zh) 业务规则处理方法、装置、设备及存储介质
CN110968670B (zh) 一种流行商品的属性获取方法、装置、设备及存储介质
binti Oseman et al. Data mining in churn analysis model for telecommunication industry
Bhargavi et al. Comparative study of consumer purchasing and decision pattern analysis using pincer search based data mining method
US9785404B2 (en) Method and system for analyzing data in artifacts and creating a modifiable data network
CN106776737A (zh) 一种基于大数据分析评定艺人粘度的方法
KR102405503B1 (ko) 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램
Cho et al. Clustering method using weighted preference based on RFM score for personalized recommendation system in u-commerce
Bachan et al. Predicting customer churn in the internet service provider industry of developing nations: A single, explanatory case study of trinidad and tobago
JP2017102710A (ja) データ分析装置、データ分析方法、データ分析処理プログラム
KR20220036190A (ko) 상품 추천 방법 및 상품 추천 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant