CN107886372B - 客户价值发现方法 - Google Patents
客户价值发现方法 Download PDFInfo
- Publication number
- CN107886372B CN107886372B CN201711273799.1A CN201711273799A CN107886372B CN 107886372 B CN107886372 B CN 107886372B CN 201711273799 A CN201711273799 A CN 201711273799A CN 107886372 B CN107886372 B CN 107886372B
- Authority
- CN
- China
- Prior art keywords
- customer
- value
- score
- client
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000010006 flight Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种客户价值发现方法,用于评估航空旅客的价值得分,其包括数据库选择、数据抽取、数据预处理、模型分析、模型组合及模型调整六大步骤。其中,在数据抽取中,引入了本航飞行占比P和里程消费情况M,并引入了多指标数据用于计算客户关系得分。在模型分析中,采用引入客户关系的改进Pagerank算法度量客户的社交网络价值,充分考虑社会网络中客户的相互影响和关系强弱,可以提高客户价值评估精确度,不仅可以找到当前价值较高的客户,也可以找出潜在的高价值客户,通过对高价值的客户提供更好的个性化的服务,可以为航司带来更高的消费收益。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种应用于航空业的客户价值发现方法。
背景技术
随着航空企业间的竞争日益加剧,客户价值分析成为航空业最为关注的问题,当前主流的客户价值分析通常采用LRFMC模型,该模型主要由5个指标构成:L(会员入会时间距观测窗口结束的时间,反映可能的活跃时长)、R(最近消费时间距当前的间隔,反映当前的活跃状态)、F(乘机次数,反映客户的忠诚度)、M(客户在观测窗口内累计的飞行里程数,反映客户对乘机的依赖性)和C(客户在观测窗口内乘坐舱位所对应的折扣系数的平均值,侧面反映客户价值高低),该模型在实践中便于实施与推广而到达广泛应用,新客户历史出行记录信息往往较少,该模型很难发现新客户中潜在的高价值客户,同时该模型仅考虑了客户个体的消费行为,而客户作为真实的社会个体,客户与其所处的社会网络中的客户之间往往是相互影响的,来自客户的引导消费、推荐,间接营销和口碑效应都能提高客户的间接价值,高价值的客户能影响周围的客户而带来更多的消费收益。
目前国内外对于航空客户关系网络的构建和旅客价值度量存在以下问题,同行关系网络的构建局限于分析PNR系统,通过旅客同订单关系量化客户关系,而客户之间存在同一订单的显示关系和不同订单的隐含关系;仅根据网络拓扑结构计算网络节点的价值,忽略客户个体的差异对周围客户的影响差异,不够准确和全面。
发明内容
本发明的目的在于提供一种综合考虑客户个体价值与客户网络价值的客户价值发现方法,实现对客户价值全面与准确的分析。
为实现上述目的,本发明采用以下技术方案:
客户价值发现方法,用于评估航空旅客的价值得分,包括以下步骤:
S1、从航司的各系统中选择相应的数据库,为客户价值分析所需的数据源做准备,所述数据库包括离港系统和PNR系统;
S2、从所选择的数据库中抽取所需的数据,其包括:
S21、引入本航飞行占比P和里程消费情况M,根据LRFMCPM模型选择分析变量;
S22、从PNR数据和离港数据中提取构建客户社交网络的相关数据,所述相关数据满足以下3种链接规则的任意一种:
a、同航班相同购票码;
b、同航班3次及3次以上的客户;
c、根据同一航班安检和登机编号,同一航班且安检在同一通道先后安检并先后登机;
S3、对抽取的数据进行预处理,使其满足模型建立所需的数据格式与量纲;
S4、采用R或PYTHON建立分析模型,对模型进行训练与预测,输出客户个体价值得分与客户网络价值得分;
具体地,包括以下步骤:
S41、获得客户个体价值得分S1:
用PCA算法对模型变量进行降维,去除数据中的噪声,得到客户的个体价值得分PCA_SCORE1,将PCA_SCORE1得分转化为0-100之间,获得客户个体价值得分S1;
S42、获得客户网络价值S2,具体包括:
S421、计算客户关系得分Sij,则有,
Sij=ωpPij+ωfFij+ωdDij,ωp>ωd>ωf;
式中,ωp、、ωfωd分别为同航班相同购票码、相同航班3次及3次以上的客户、同航班且安检在同一通道先后安检并先后登机的权重系数;Pij、Fij、Dij分别为同航班相同购票码、相同航班3次及3次以上的客户、同航班且安检在同一通道先后安检并先后登机的客户价值得分;
式中,m为求和公式Σ中的下界,N为求和公式Σ中的上界,在Pij中N为客户i和客户j同航班相同购票码的次数,在Fij中N为客户i和客户j同航班的次数且次数满足3次及3次以上,在Dij中N为客户i和客户j同航班且安检在同一通道先后安检并先后登机的次数;tij为客户i和客户j同航班时间;t0为时间窗起始时间;T为时间窗结束时间;Sa、Sd和Sseat分别为安检序号、登机序号和航班座位的距离;
S422、计算客户j到客户i的转移概率Mij,则有,
S423、使用改进的Pagerank算法计算Pagerank(pi)值,则有,
式中,a是阻尼系数,Q为所有页面的数量;
S424、将Pagerank(pi)值归一化得到客户网络价值S2;
S5、对客户个体价值得分S1与客户网络价值S2采用加权的方式进行模型组合,获得客户的最终价值得分。
进一步地,步骤S41中,将PCA_SCORE1得分转化为0-100之间,具体为:
PCA得分=log(PCA_SCORE1-min(PCA_SCORE1)+0.0001);
S1=(PCA得分-min(PCA得分))/(max(PCA得分)-min(PCA得分))*100。
进一步地,所述步骤S3具体包括:
S31、对数据的缺失值、异常值和离群值进行清洗;
S32、对清洗后的数据进行数据转换和标准化处理。
进一步地,步骤S5中,客户的最终价值得分Score通过下式计算:
Score=cS1+(1-c)S2,其中c为权重系数。
进一步地,还包括步骤S6:
S6、根据客户价值评分在实际精准营销活动和个性化服务中的结果形成组合模型评估报告,对组合模型进行调整和修正,提高组合模型的预测精确度。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
1、本发明采用改进的LRFMCPM模型(在原模型的5个变量基础上引入两个变量,即引入客户在本航飞行占比P和里程消费情况M)计算客户个体价值,使得客户个体价值得分更加全面、准确。
2、本发明引入多指标评价模型构建客户社交关系网络,采用引入客户关系的改进Pagerank算法度量客户的社交网络价值,最终实现客户价值度量,在改进的Pagerank算法中,充分考虑社会网络中客户的相互影响和关系强弱,可对不同的链接规则赋予不同的权重系数,从而有效提高客户价值评估精确度,不仅可以找到当前价值较高的客户,也可以找出潜在的高价值客户,通过对高价值的客户提供更好的个性化的服务,可以为航司带来更高的消费收益。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
请参考图1所示,本发明公开了一种客户价值发现方法,用于评估航空旅客的价值得分,包括以下6个步骤,以下,对6个步骤分别展开说明。
S1、从航司的各系统中选择相应的数据库,为客户价值分析所需的数据源做准备。所述数据库包括离港系统、结算系统和PNR系统。
S2、从所选择的数据库中抽取所需的数据,其包括:
S21、引入本航飞行占比P和里程消费情况M,根据LRFMCPM模型选择分析变量;本航飞行占比P能反应客户的忠诚度,而活跃于消耗积分的会员对航司的价值应高于那些不消费积分的会员。
S22、从PNR数据和离港数据中提取构建客户社交网络的相关数据,所述相关数据满足以下3种链接规则的任意一种:
a、同航班相同购票码;
b、同航班3次及3次以上;
c、根据同一航班安检和登机编号,同一航班且安检在同一通道先后安检、先后登机。
S3、对抽取的数据进行预处理,使其满足模型建立所需的数据格式与量纲;
S31、对数据的缺失值、异常值和离群值进行清洗;
S32、对清洗后的数据进行数据转换和标准化处理。
S4、采用R或PYTHON建立分析模型,对模型进行训练与预测,输出客户个体价值得分与客户网络价值得分;
具体地,包括以下步骤:
S41、获得客户个体价值得分S1:
用PCA算法对模型变量进行降维,使得数据变得更易使用,并且能够去除数据中的噪声,得到客户的个体价值得分PCA_SCORE1,为便于评估,将PCA_SCORE1得分转化为0-100之间,获得客户个体价值得分S1。
采用以下两个公式将PCA_SCORE1得分转化为0-100之间,获得客户个体价值得分S1:
1)PCA得分=log(PCA_SCORE1-min(PCA_SCORE1)+0.0001);
2)S1=(PCA得分-min(PCA得分))/(max(PCA得分)-min(PCA得分))*100。
S42、获得客户网络价值S2,具体包括:
S421、计算客户关系得分Sij,则有,
Sij=ωpPij+ωfFij+ωdDij,ωp>ωd>ωf;
式中,ωp、、ωfωd分别为同航班相同购票码、相同航班3次及3次以上的客户、同航班且安检在同一通道先后安检并先后登机的权重系数;Pij、Fij、Dij分别为同航班相同购票码、相同航班3次及3次以上的客户、同航班且安检在同一通道先后安检并先后登机的客户价值得分;
式中,m为求和公式Σ中的下界,N为求和公式Σ中的上界,在Pij中N为客户i和客户j同航班相同购票码的次数,在Fij中N为客户i和客户j同航班的次数且次数满足3次及3次以上,在Dij中N为客户i和客户j同航班且安检在同一通道先后安检并先后登机的次数;tij为客户i和客户j同航班时间;t0为时间窗起始时间;T为时间窗结束时间;Sa、Sd和Sseat分别为安检序号、登机序号和航班座位的距离;
S422、计算客户j到客户i的转移概率Mij,则有,
S423、使用改进的Pagerank算法计算Pagerank(pi)值,则有,
式中,a是阻尼系数,一般定义为0.85,Q为所有页面的数量;
S424、将Pagerank(pi)值归一化得到客户网络价值S2。
S5、对客户个体价值得分S1与客户网络价值S2采用加权的方式进行模型组合,获得客户的最终价值得分Score。
Score=cS1+(1-c)S2,其中c为权重系数,可动态调整客户个体价值和社交网络价值的权重,获得最终客户的最终价值得分。
S6、将客户价值评分在实际精准营销活动和个性化服务中的结果形成报告,作为对组合模型的反馈,专家根据该报告对组合模型的参数(包括权重系数c、ωp、、ωfωd)进行调整和修正,提高组合模型的预测精确度。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (5)
1.客户价值发现方法,用于评估航空旅客的价值得分,其特征在于,包括以下步骤:
S1、从航司的各系统中选择相应的数据库,为客户价值分析所需的数据源做准备,所述数据库包括离港系统和PNR系统;
S2、从所选择的数据库中抽取所需的数据,其包括:
S21、引入本航飞行占比P和里程消费情况M,根据LRFMCPM模型选择分析变量;
S22、从PNR数据和离港数据中提取构建客户社交网络的相关数据,所述相关数据满足以下3种链接规则的任意一种:
a、同航班相同购票码;
b、同航班3次及3次以上的客户;
c、根据同一航班安检和登机编号,同一航班且安检在同一通道先后安检并先后登机;
S3、对抽取的数据进行预处理,使其满足模型建立所需的数据格式与量纲;
S4、采用R或PYTHON建立分析模型,对模型进行训练与预测,输出客户个体价值得分与客户网络价值得分;
具体地,包括以下步骤:
S41、获得客户个体价值得分S1:
用PCA算法对模型变量进行降维,去除数据中的噪声,得到客户的个体价值得分PCA_SCORE1,将PCA_SCORE1得分转化为0-100之间,获得客户个体价值得分S1;
S42、获得客户网络价值S2,具体包括:
S421、计算客户关系得分Sij,则有,
Sij=ωpPij+ωfFij+ωdDij,ωp>ωd>ωf;
式中,ωp、ωf、ωd分别为同航班相同购票码、相同航班3次及3次以上的客户、同航班且安检在同一通道先后安检并先后登机的权重系数;Pij、Fij、Dij分别为同航班相同购票码、相同航班3次及3次以上的客户、同航班且安检在同一通道先后安检并先后登机的客户价值得分;
式中,m为求和公式Σ中的下界,N为求和公式Σ中的上界,在Pij中N为客户i和客户j同航班相同购票码的次数,在Fij中N为客户i和客户j同航班的次数且次数满足3次及3次以上,在Dij中N为客户i和客户j同航班且安检在同一通道先后安检并先后登机的次数;tij为客户i和客户j同航班时间;t0为时间窗起始时间;T为时间窗结束时间;Sa、Sd和Sseat分别为安检序号、登机序号和航班座位的距离;
S422、计算客户j到客户i的转移概率Mij,则有,
S423、使用改进的Pagerank算法计算Pagerank(pi)值,则有,
式中,a是阻尼系数,Q为所有页面的数量;
S424、将Pagerank(pi)值归一化得到客户网络价值S2;
S5、对客户个体价值得分S1与客户网络价值S2采用加权的方式进行模型组合,获得客户的最终价值得分。
2.如权利要求1所述的客户价值发现方法,其特征在于:步骤S41中,将PCA_SCORE1得分转化为0-100之间,具体为:
PCA得分=log(PCA_SCORE1-min(PCA_SCORE1)+0.0001);
S1=(PCA得分-min(PCA得分))/(max(PCA得分)-min(PCA得分))*100。
3.如权利要求1所述的客户价值发现方法,其特征在于:所述步骤S3具体包括:
S31、对数据的缺失值、异常值和离群值进行清洗;
S32、对清洗后的数据进行数据转换和标准化处理。
4.如权利要求1所述的客户价值发现方法,其特征在于:步骤S5中,客户的最终价值得分Score通过下式计算:
Score=cS1+(1-c)S2,其中c为权重系数。
5.如权利要求1所述的客户价值发现方法,其特征在于,还包括步骤S6:
S6、根据客户价值评分在实际精准营销活动和个性化服务中的结果形成组合模型评估报告,对组合模型进行调整和修正,提高组合模型的预测精确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711273799.1A CN107886372B (zh) | 2017-12-06 | 2017-12-06 | 客户价值发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711273799.1A CN107886372B (zh) | 2017-12-06 | 2017-12-06 | 客户价值发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107886372A CN107886372A (zh) | 2018-04-06 |
CN107886372B true CN107886372B (zh) | 2023-02-17 |
Family
ID=61772948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711273799.1A Active CN107886372B (zh) | 2017-12-06 | 2017-12-06 | 客户价值发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886372B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734203A (zh) * | 2018-04-27 | 2018-11-02 | 厦门快商通信息技术有限公司 | 一种网站访客价值评估方法 |
CN109522372A (zh) * | 2018-11-21 | 2019-03-26 | 北京交通大学 | 民航领域旅客价值的预测方法 |
CN110751523A (zh) * | 2019-10-21 | 2020-02-04 | 中国民航信息网络股份有限公司 | 一种潜在高价值旅客的发现方法及装置 |
CN112163787B (zh) * | 2020-10-19 | 2024-05-24 | 科技谷(厦门)信息技术有限公司 | 一种基于大数据的旅客相对关系预测方法 |
CN112163785A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于大数据和神经网络的民航旅客个人影响力评估方法 |
CN112163716A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于大数据的旅客绝对关系预测方法 |
CN112163786B (zh) * | 2020-10-19 | 2024-05-28 | 科技谷(厦门)信息技术有限公司 | 一种基于大数据和pagerank算法的民航旅客个人影响力评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239993A (zh) * | 2013-06-14 | 2014-12-24 | 苏州广海信息科技有限公司 | 一种客户关系管理系统 |
CN105589911A (zh) * | 2014-12-31 | 2016-05-18 | 中国银联股份有限公司 | 客户价值评估方法及系统 |
CN105677925A (zh) * | 2016-03-30 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 数据库用户数据处理方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185418B2 (en) * | 2006-01-18 | 2012-05-22 | Google Inc. | Multi-passenger multi-route travel planning |
US20120123812A1 (en) * | 2010-11-17 | 2012-05-17 | Accenture Global Services Limited | Evaluating customers |
CN103455578A (zh) * | 2013-08-23 | 2013-12-18 | 华南师范大学 | 一种基于关联规则和双聚类的航空客户数据挖掘方法 |
EP2927849A1 (de) * | 2014-04-02 | 2015-10-07 | Deutsche Lufthansa AG | Verfahren und Computerprogrammprodukt zur Analyse von Flugpassagier-Ticket-Massendatenbeständen |
US20160140599A1 (en) * | 2014-11-14 | 2016-05-19 | Adobe Systems Incorporated | Automatic Discovery of High-Performance Features for Customer Lifetime Value Optimization via Low-Variance Random Projection |
US11232466B2 (en) * | 2015-01-29 | 2022-01-25 | Affectomatics Ltd. | Recommendation for experiences based on measurements of affective response that are backed by assurances |
-
2017
- 2017-12-06 CN CN201711273799.1A patent/CN107886372B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239993A (zh) * | 2013-06-14 | 2014-12-24 | 苏州广海信息科技有限公司 | 一种客户关系管理系统 |
CN105589911A (zh) * | 2014-12-31 | 2016-05-18 | 中国银联股份有限公司 | 客户价值评估方法及系统 |
CN105677925A (zh) * | 2016-03-30 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 数据库用户数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107886372A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886372B (zh) | 客户价值发现方法 | |
Tsaur et al. | The evaluation of airline service quality by fuzzy MCDM | |
Armantier et al. | Domestic airline alliances and consumer welfare | |
Echaniz et al. | Modelling perceived quality for urban public transport systems using weighted variables and random parameters | |
Ghazzawi et al. | Analysis of customer complaints data using data mining techniques | |
CN107403325B (zh) | 机票订单可信度评价方法和装置 | |
Bergstrom et al. | What does the future hold for US National Park visitation? estimation and assessment of demand determinants and new projections | |
Kaya et al. | Statistics and artificial intelligence-based pavement performance and remaining service life prediction models for flexible and composite pavement systems | |
CN110852792B (zh) | 一种基于大数据分析的航线价值评估方法及相关产品 | |
US8065174B2 (en) | Systems and methods for evaluating business-critical criteria relating to exploring entity mobility/productivity opportunities | |
Khazraeian et al. | Monte Carlo simulation-based benefit-cost analysis combined with analytical hierarchy process to support ITS investment with consideration of connected vehicle technology | |
Deepa et al. | A direct demand model for bus transit ridership in Bengaluru, India | |
Graves et al. | Customer journey time metrics for New York city bus service using big data | |
Zheng | A cointegration analysis of dynamic externalities | |
CN101449284A (zh) | 使用互相关的流量参数对至网络站点的流量质量进行的评分 | |
Chmielarz et al. | A hybrid method of assessing individual electronic banking services in 2019. The case of Poland | |
CN113537577A (zh) | 收入预测方法、系统、电子设备和计算机可读存储介质 | |
CN113627997A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Widiyaningtyas et al. | Use of ARIMA method to predict the number of train passenger in Malang City | |
Pticina et al. | Weighting the urban public transport system quality index (UPTQI) using the analytical hierarchy process | |
Saffarzadeh et al. | Analysis of Iranian passengers' behavior in choosing type of carrier in international air travel to East Asia | |
Baharum et al. | An integrated model on airport terminal level of satisfaction for service quality evaluation: A proposal | |
Koike et al. | Road infrastructure and TFP in Japan after the rapid growth: A nonstationary panel approach | |
Hejazi et al. | Passengers' satisfaction of the service quality at saudi international airports | |
Ramachandran et al. | Machine learning approaches for statistical analysis of customer satisfaction in service management |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231222 Address after: No. 68 Qixin Road, Baiyun District, Guangzhou City, Guangdong Province, 510000 Patentee after: CHINA SOUTHERN AIRLINES CO.,LTD. Patentee after: Guangdong Southern Airlines Electronic Commerce Co.,Ltd. Address before: 510000 Room 301, 3rd floor, phase I office building, Guanhao science and Technology Park, 12 Yuyan Road, Huangpu District, Guangzhou City, Guangdong Province Patentee before: CHINA SOUTHERN AIRLINES CO.,LTD. |