CN108171553A - 一种周期性服务或产品的潜在客户挖掘系统与方法 - Google Patents
一种周期性服务或产品的潜在客户挖掘系统与方法 Download PDFInfo
- Publication number
- CN108171553A CN108171553A CN201810042684.XA CN201810042684A CN108171553A CN 108171553 A CN108171553 A CN 108171553A CN 201810042684 A CN201810042684 A CN 201810042684A CN 108171553 A CN108171553 A CN 108171553A
- Authority
- CN
- China
- Prior art keywords
- client
- data
- product
- module
- prediction
- 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
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种周期性服务或产品的潜在客户挖掘系统,其特征在于,包括数据源模块、数据处理模块、潜在客户预测模块和潜在客户群管理模块,所述数据源模块用于搜集客户的源数据并存储于数据仓库中,所述客户的源数据包括订单等出单交易数据、客户基本信息数据和访问日志数据,所述数据处理模块提取数据源模块中的源数据进行统计分析和预处理,所述潜在客户预测模块根据数据处理模块的统计分析和预处理结果对不同类别的客户进行潜在需求的预测,所述潜在客户群管理模块根据潜在客户预测模块的预测结果对的潜在客户进行分类管理。可针对电子商务企业的周期性服务或产品,利用海量的客户数据,实现高效、准确、全面和及时挖掘出潜在客户的目标。
Description
技术领域
本发明涉及客户挖掘领域,具体而言,涉及一种周期性服务或产品的潜在客户挖掘系统与方法。
背景技术
电子商务企业的服务和产品日渐多样化,从而客户的选择随之增多,企业要在市场中有一定的竞争优势,与其对客户的服务密切相关。如今的电子商务已经步入了大数据时代,每天都会产生大量客户访问行为数据和消费记录,从这些客户数据中及时准确的挖掘出客户的行为偏好和潜在需求,这对企业维持老客户和拓展新客户尤为重要。
数据仓库是决策支持系统(dss)和联机分析应用数据源的结构化数据环境,是为企业所有级别的决策制定过程,提供所有类型数据支持的战略集合。
在企业客户管理中,周期性服务或产品具备价格高,可个性化定制等特点,这类客户会给企业带来持续性的稳定效益,且与非周期服务或产品的客户之间有着明显区别,客户对其所购买的周期性服务或产品的首次浏览与首次购买之间的时间差,即为购买犹豫期,因此本发明针对电子商务企业的周期性服务或产品,提出一种潜在客户挖掘系统,利用海量的客户数据,实现高效、准确、全面和及时挖掘出潜在客户的目标。
SMOTE(Synthetic Minority Oversampling Technique),合成少数类过采样技术.它是基于随机过采样算法的一种改进方案,由于随机过采样采取简单复制样本的策略来增加少数类样本,这样容易产生模型过拟合的问题,即使得模型学习到的信息过于特别(Specific)而不够泛化(General),SMOTE算法的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中,算法流程如下。
(1)对于少数类中每一个样本x,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻。
(2)根据样本不平衡比例设置一个采样比例以确定采样倍率N,对于每一个少数类样本x,从其k近邻中随机选择若干个样本,假设选择的近邻为xn。
(3)对于每一个随机选出的近邻xn,分别与原样本按照公式构建新的样本。
Lasso(TheLeastAbsoluteShrinkageandSelectionatoroperator)算法是通过构造一个惩罚函数获得一个精炼的模型,最终确定一些指标的系数为零,是一种能够实现指标集合精简的估计方法。
发明内容
本发明在此背景下,提出一种周期性服务或产品的潜在客户挖掘系统与方法,充分利用用户访问行为数据和购买记录进行用户细分与潜在需求的预测,同时结合周期性服务或产品客户的访问行为特征,及时、准确、全面的挖掘出潜在客户,并转化为企业的准客户,快速响应网站的用户需求,提高企业精细化营销的效果。
为解决上述技术问题,本发明提供一种周期性服务或产品的潜在客户挖掘系统,包括数据源模块、数据处理模块、潜在客户预测模块和潜在客户群管理模块,所述数据源模块用于搜集客户的源数据并存储于数据仓库中,所述客户的源数据包括订单等出单交易数据、客户基本信息数据和访问日志数据,所述数据处理模块提取数据源模块中的源数据进行统计分析和预处理,所述潜在客户预测模块根据数据处理模块的统计分析和预处理结果对不同类别的客户进行潜在需求的预测,所述潜在客户群管理模块根据潜在客户预测模块的预测结果对的潜在客户进行分类管理。
所述数据源模块包括业务系统模块、用户规则模块和日志数据模块,所述业务系统模块用于搜集订单等出单交易数据,所述用户规则模块用于搜集客户基本信息数据,所述日志数据模块用于搜集访问日志数据。
所述数据处理模块包括客户细分子模块、犹豫期阈值设定子模块和训练集数据集成和模型训练子模块,所述客户细分子模块根据客户的源数据将客户细分为新客户和老客户,并细分老客户为未到期客户、即将到期客户和已到期客户,所述犹豫期阈值设定子模块根据客户的源数据计算老客户的犹豫期,确定犹豫期固定阈值,所述训练集数据集成和模型训练子模块根据客户的源数据生成犹豫期内训练集,并对犹豫期内训练集进行模型训练,所述犹豫期内训练集包括老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内的源数据。
所述潜在客户预测模块包含老客户预测子模块和新客户预测子模块。
所述老客户预测子模块包括关联需求预测模块和续约预测模块,所述新客户预测子模块包括客户价值细分模块和购买预测模块。
所述潜在客户群管理模块包含客户群特征描述模块、促销设计模块、精细化营销模块和营销效果分析模块。
一种周期性服务或产品的潜在客户挖掘方法,包括步骤1:对网站客户数据收集,根据用户规则存储于数据仓库中;
步骤2:按是否购买周期性服务或产品对客户进行细分,未购买的为新客户,已购买的为老客户,老客户根据其服务或产品到期时间细分为未到期客户、即将到期客户和已到期客户;
步骤3:计算出所有老客户购买前的犹豫期,对犹豫期进行分布分析,确定犹豫期固定阈值;
步骤4:分别获取老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内访问指标和购买指标,进行行为分析、特征选择后,可对预测模型的训练集加以整合,用以训练潜在客户预测模型;
步骤5:当模型效果达到最优后,输入新客户当前日之前的犹豫期内行为数据,继而预测出新客户购买周期性服务或产品的可能性;
步骤6:对周期性服务或产品未到期的老客户进行关联需求预测,对即将到期客户和已到期客户进行续约预测;
步骤7:对不同来源的潜在客户群分类管理,分别进行群特征描述,可为促销活动提供数据参考,进而实现精细化营销,后续进行营销效果分析。
所述步骤1中,所述用户规则为一般交易类、客户基本信息等业务数据以用户ID为单位存储,访问日志类数据会以cookie为单位存储,需要通过用户ID和cookie之间的对应关系将各类数据整合,统一按客户ID存储;步骤2中,所述老客户根据其服务或产品到期时间细分进一步细分,可以设30天为界限,如果终止日期减去当前日期小于30天且大于等于0,则为即将到期客户,如果终止日期减去当前日期小于0,则为已到期客户,其余均为未到期客户,对即将到期客户和已到期客户进行续约预测,对未到期客户进行关联需求预测;步骤3中,将已购买客户作为样本,分别计算出首次浏览产品到购买产品的时间差,根据具体数据分布特征设定犹豫期规则,可将犹豫期从小到大排列,设定占比在80%点的客户犹豫期为最终的犹豫期固定阈值;步骤4中,所述访问指标主要是对于周期性服务或产品的访问次数,访问时长,加入购物车次数,收藏次数,搜索相关词次数等,购买类指标主要是历史消费总金额,购买次数,最近购买时间等。
所述步骤4中,先利用smote算法解决数据不平衡问题,对特征进行归一化处理后,通过lasso算法筛选变量,去除部分共线性变量和相关性低的变量,从而训练集只保留相关性高的重要变量,随后可选择不同算法进行预测模型的训练,例如决策树,随机森林等,根据模型效果选择最优算法。所述步骤5中,潜在客户预测模型应当首选召回率,其次准确率作为模型的评估依据,在召回率达到80%,准确率达到98%,则模型效果达到最优,所述步骤6中,所述关联需求预测主要分析产品之间的关联关系,选取历史上已购买该周期性服务或产品客户的其他购买产品记录,通过关联规则算法计算该产品与其他产品之间的关联度,可对未到期的老客户推荐关联度高的其他产品。针对即将到期客户,类似步骤4和5,选取历史续约过客户和历史购买超过一定时间未续约的客户作为样本,进行续约模型训练,随后对即将到期客户进行续约预测,所述续约预测主要使用的算法为在深度学习平台上运行的集成学习算法和深度学习算法两类,所述集成学习算法包括随机森林、迭代决策树等,所述深度学习算法包括自编码神经网络、深度信念神经网络等,所述续约预测通过对比不同算法的计算结果选出效果最优的算法。
所述步骤6中,续约预测使用迭代决策树算法。
本发明所达到的有益效果:充分利用用户访问行为数据和购买记录进行用户细分与潜在需求的预测,同时结合周期性服务或产品客户的访问行为特征,及时、准确、全面的挖掘出潜在客户,并转化为企业的准客户,快速响应网站的用户需求,提高企业精细化营销的效果。
附图说明
图1为本发明的示例性实施例的周期性服务或产品潜在客户挖掘方法流程示意图;
图2为本发明的示例性实施例的周期性服务或产品潜在客户挖掘系统结构示意图。
具体实施方式
下面结合附图和示例性实施例对本发明作进一步的说明:
参阅图1所示,本发明实施例为一种周期性服务或产品潜在客户挖掘的方法流程,具体步骤为:
步骤11:对网站客户数据收集,包括客户的基本信息,访问行为数据和购买记录等,以客户的身份ID为维度,将所有数据整合,根据用户规则存储于数据仓库中,一般交易类、客户基本信息等业务数据会以用户ID为单位存储,访问日志类数据会以cookie为单位存储,需要通过用户ID和cookie之间的对应关系将各类数据整合,统一按客户ID存储,这样有利于用户身份的唯一识别,便于后续挖掘工作进行。
步骤12:按是否购买周期性服务或产品对客户进行细分,未购买的为新客户,已购买的为老客户,老客户根据其服务或产品到期时间细分为未到期客户、即将到期客户和已到期客户,老客户根据其服务或产品到期时间细分进一步细分,可以设30天为界限,如果终止日期减去当前日期小于30天且大于等于0,则为即将到期客户,如果终止日期减去当前日期小于0,则为已到期客户,其余均为未到期客户,对即将到期客户和已到期客户将会统一进行续约预测,对续约潜在客户根据服务或产品是否到期进行不同的活动策划,对未到期客户进行关联需求预测。
步骤13:计算出所有老客户对其所购买的周期性服务或产品的首次浏览与首次购买之间的时间差,即为购买犹豫期,对犹豫期进行分布分析,提取出合理的犹豫期固定阈值,可用来限定每个客户犹豫期时间范围内的各行为指标,从而提高潜在客户预测的准确性。例如人寿险是一款周期性的保险产品,将已购买客户作为样本,分别计算出首次浏览寿险类产品到购买寿险类产品的时间差,根据具体数据分布特征设定犹豫期规则,简单点可将寿险产品犹豫期从小到大排列,设定占比在80%点的客户犹豫期为最终的犹豫期固定阈值。
步骤14:分别获取老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内访问行为和购买记录等数据作为具体指标,访问类指标主要是对于周期性服务或产品的访问次数,访问时长,加入购物车次数,收藏次数,搜索相关词次数等,购买类指标主要是历史消费总金额,购买次数,最近购买时间等,周期性服务或产品存在价格高,周期长的特点,使得购买客户记录偏少,不购买客户记录偏多,先利用smote算法解决数据不平衡问题,对特征进行归一化处理后,通过lasso算法筛选变量,去除部分共线性变量和相关性低的变量,从而训练集只保留相关性高的重要变量,随后可选择不同算法进行预测模型的训练,例如决策树,随机森林等,根据模型效果选择最优算法。
步骤15:当模型效果达到最优后,预测集则取新客户当前日之前的犹豫期内的行为特征数据,例如寿险本身购买的客户少,样本不平衡,潜在客户预测应当首选召回率,其次准确率作为模型的评估依据,在召回率达到80%,准确率达到98%,则模型效果达到最优,输入新客户当前日之前的犹豫期内行为数据指标,即步骤4筛选出的重要指标,继而预测出新客户购买周期性服务或产品的可能性。
步骤16:对周期性服务或产品未到期的老客户进行关联需求分析,预测已购买的客户的其他潜在需求,主要分析产品之间的关联关系,选取历史上已购买该周期性服务或产品客户的其他购买产品记录,通过关联规则算法计算该产品与其他产品之间的关联度,可对未到期的老客户推荐关联度高的其他产品。对即将到期客户和已到期客户进行续约预测,类似步骤4和5,选取历史续约过客户和历史购买超过一定时间未续约(根据具体产品特点,例如车险可定3个月)的客户作为样本,主要有两类可以使用的算法,集成学习算法包括随机森林、迭代决策树等。深度学习算法包括自编码神经网络、深度信念神经网络等,这些算法都可在深度学习平台上运行。最终选取效果最优的算法即可,从而可以挖掘出续约类潜在客户。
通过续约预测试验,算法上,深度学习算法与传统的数据挖掘算法的效果基本一致,深度学习在处理文本、图像、语音领域有很大的优势,对于我们这一项目来说,深度学习并没有体现出明显优势,传统数据挖掘的算法更加适合。所述续约预测通过对比不同算法选出效果最优的算法,例如,通过对于中国制造网客户的续约预测试验,发现GBDT算法效果优于其他算法,准确率达到78%,,其次是随机森林和BP算法,准确率可达75%,首选GBDT算法,具体算法的选择将以模型效果和业务为导向。
步骤17:对不同来源的潜在客户群分类管理,分别进行群特征描述,可为促销活动提供数据参考,进而实现精细化营销,后续进行营销效果分析,产生有效数据可不断用来优化潜在客户训练模型。
潜在客户预测和挖掘都是为了提高转化率做准备,重点还是要看精细化营销的策略,对不同来源的潜在客户群分类管理,分别进行群特征描述,例如,即将到期的客户根据行为特征,一部分客户在到期提醒后浏览原产品指标高,则此类客户着重推荐原产品,同时进行老客户优惠活动,提高续约可能性,另一部分客户浏览原产品次数低或者无浏览,则可推荐近期的爆款产品,其他潜在客户群类似的提取主要特征,分类营销。通过营销效果分析,不断的优化整个模型和营销策略,反复迭代。
参阅图2所示,本发明实施例的系统结构,包括:
数据源模块21、数据处理模块22、潜在客户预测模块23、潜在客户群管理模块24。
数据源模块21,根据用户规则获取用户访问网站留下的基础数据,以及用户基本信息和购买行为数据,可能来自于业务系统、文本文件或者其他数据结构源。
数据处理模块22,对获取的数据进行处理,其中包括三个子模块:客户细分子模块221、犹豫期阈值设定子模块222和训练集数据集成和模型训练子模块223。
客户细分子模块221,根据用户是否购买周期性服务或产品,分为新老客户,老客户进一步细分为未到期客户、即将到期客户和已到期客户。
犹豫期阈值设定子模块222,计算出所有老客户购买前的犹豫期,并进行分布分析,确定合理的犹豫期固定阈值。
训练集数据集成和模型训练子模块223,取老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内访问行为和购买记录等数据作为具体指标作为训练集,通过特征选择后进行模型训练。
潜在客户预测模块23,包括两个子模块:老客户预测子模块231和新客户预测子模块232。
老客户预测子模块231,另外对即将到期的老客户进行续约预测,提高服务质量,对未到期的客户进行关联需求分析。
新客户预测子模块232,通过对新客户进行细分,利用RFM模型,区分出高价值客户,利用训练好的模型对高价值新客户进行潜在客户预测,提高准确率。
潜在客户群管理模块24,将不同来源的潜在客户汇总,打上不同的来源标签,分别进行群特征描述,辅助制定促销计划,实现精细化营销,及时进行营销的效果跟踪,通过效果评估,找到后续有效潜在客户挖掘的侧重点。
本发明主要用于提供一种周期性服务或产品的潜在客户挖掘系统与方法,充分利用用户访问行为数据和购买记录进行用户细分与潜在需求的预测,同时结合周期性服务或产品客户的访问行为特征,及时、准确、全面的挖掘出潜在客户,并转化为企业的准客户,快速响应网站的用户需求,提高企业精细化营销的效果。
以上实施例不以任何方式限定本发明,凡是对以上实施例以等效变换方式做出的其它改进与应用,都属于本发明的保护范围。
Claims (10)
1.一种周期性服务或产品的潜在客户挖掘系统,其特征在于,包括数据源模块、数据处理模块、潜在客户预测模块和潜在客户群管理模块,所述数据源模块用于搜集客户的源数据并存储于数据仓库中,所述客户的源数据包括订单等出单交易数据、客户基本信息数据和访问日志数据,所述数据处理模块提取数据源模块中的源数据进行统计分析和预处理,所述潜在客户预测模块根据数据处理模块的统计分析和预处理结果对不同类别的客户进行潜在需求的预测,所述潜在客户群管理模块根据潜在客户预测模块的预测结果对的潜在客户进行分类管理。
2.如权利要求1所述的一种周期性服务或产品的潜在客户挖掘系统,其特征在于:所述数据源模块包括业务系统模块、用户规则模块和日志数据模块,所述业务系统模块用于搜集订单等出单交易数据,所述用户规则模块用于搜集客户基本信息数据,所述日志数据模块用于搜集访问日志数据。
3.如权利要求2所述的一种周期性服务或产品的潜在客户挖掘系统,其特征在于:所述数据处理模块包括客户细分子模块、犹豫期阈值设定子模块和训练集数据集成和模型训练子模块,所述客户细分子模块根据客户的源数据将客户细分为新客户和老客户,并细分老客户为未到期客户、即将到期客户和已到期客户,所述犹豫期阈值设定子模块根据客户的源数据计算老客户的犹豫期,确定犹豫期固定阈值,所述训练集数据集成和模型训练子模块根据客户的源数据生成犹豫期内训练集,并对犹豫期内训练集进行模型训练,所述犹豫期内训练集包括老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内的源数据。
4.如权利要求3所述的一种周期性服务或产品的潜在客户挖掘系统,其特征在于:所述潜在客户预测模块包含老客户预测子模块和新客户预测子模块。
5.如权利要求4所述的一种周期性服务或产品的潜在客户挖掘系统,其特征在于:所述老客户预测子模块包括关联需求预测模块和续约预测模块,所述新客户预测子模块包括客户价值细分模块和购买预测模块。
6.如权利要求5所述的一种周期性服务或产品的潜在客户挖掘系统,其特征在于:所述潜在客户群管理模块包含客户群特征描述模块、促销设计模块、精细化营销模块和营销效果分析模块。
7.一种根据权利要求1-6之一所述系统进行周期性服务或产品的潜在客户挖掘方法,其特征在于:包括步骤1:对网站客户数据收集,根据用户规则存储于数据仓库中;
步骤2:按是否购买周期性服务或产品对客户进行细分,未购买的为新客户,已购买的为老客户,老客户根据其服务或产品到期时间细分为未到期客户、即将到期客户和已到期客户;
步骤3:计算出所有老客户购买前的犹豫期,对犹豫期进行分布分析,确定犹豫期固定阈值;
步骤4:分别获取老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内访问指标和购买指标,进行行为分析、特征选择后,可对预测模型的训练集加以整合,用以训练潜在客户预测模型;
步骤5:当模型效果达到最优后,输入新客户当前日之前的犹豫期内行为数据,继而预测出新客户购买周期性服务或产品的可能性;
步骤6:对周期性服务或产品未到期的老客户进行关联需求预测,对即将到期客户进行续约预测;
步骤7:对不同来源的潜在客户群分类管理,分别进行群特征描述,并进行营销效果分析,通过分析营销效果,优化整个模型和营销策略并反复迭代。
8.如权利要求7所述的一种周期性服务或产品的潜在客户挖掘方法,其特征在于,步骤1中,所述用户规则为一般交易类、客户基本信息等业务数据以用户ID为单位存储,访问日志类数据会以cookie为单位存储,需要通过用户ID和cookie之间的对应关系将各类数据整合,统一按客户ID存储;步骤2中,所述老客户根据其服务或产品到期时间细分进一步细分,可以设30天为界限,如果终止日期减去当前日期小于30天且大于等于0,则为即将到期客户,如果终止日期减去当前日期小于0,则为已到期客户,其余均为未到期客户,对即将到期客户和已到期客户进行续约预测,对未到期客户进行关联需求预测;步骤3中,将已购买客户作为样本,分别计算出首次浏览产品到购买产品的时间差,根据具体数据分布特征设定犹豫期规则,可将犹豫期从小到大排列,设定占比在80%点的客户犹豫期为最终的犹豫期固定阈值;步骤4中,所述访问指标主要是对于周期性服务或产品的访问次数,访问时长,加入购物车次数,收藏次数,搜索相关词次数等,购买类指标主要是历史消费总金额,购买次数,最近购买时间等。
9.如权利要求8所述的一种周期性服务或产品的潜在客户挖掘方法,其特征在于,所述步骤4中,先利用smote算法解决数据不平衡问题,对特征进行归一化处理后,通过lasso算法筛选变量,去除部分共线性变量和相关性低的变量,从而训练集只保留相关性高的重要变量,随后可选择不同算法进行预测模型的训练,例如决策树,随机森林等,根据模型效果选择最优算法。所述步骤5中,潜在客户预测模型应当首选召回率,其次准确率作为模型的评估依据,在召回率达到80%,准确率达到98%,则模型效果达到最优,所述步骤6中,所述关联需求预测主要分析产品之间的关联关系,选取历史上已购买该周期性服务或产品客户的其他购买产品记录,通过关联规则算法计算该产品与其他产品之间的关联度,可对未到期的老客户推荐关联度高的其他产品。针对即将到期客户,类似步骤4和5,选取历史续约过客户和历史购买超过一定时间未续约的客户作为样本,进行续约模型训练,随后对即将到期客户进行续约预测,所述续约预测主要使用的算法为在深度学习平台上运行的集成学习算法和深度学习算法两类,所述集成学习算法包括随机森林、迭代决策树等,所述深度学习算法包括自编码神经网络、深度信念神经网络等,所述续约预测通过对比不同算法的计算结果选出效果最优的算法。
10.如权利要求9所述的一种周期性服务或产品的潜在客户挖掘方法,其特征在于,所述步骤6中,续约预测使用迭代决策树算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810042684.XA CN108171553A (zh) | 2018-01-17 | 2018-01-17 | 一种周期性服务或产品的潜在客户挖掘系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810042684.XA CN108171553A (zh) | 2018-01-17 | 2018-01-17 | 一种周期性服务或产品的潜在客户挖掘系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171553A true CN108171553A (zh) | 2018-06-15 |
Family
ID=62515107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810042684.XA Pending CN108171553A (zh) | 2018-01-17 | 2018-01-17 | 一种周期性服务或产品的潜在客户挖掘系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171553A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830658A (zh) * | 2018-06-21 | 2018-11-16 | 中国联合网络通信集团有限公司 | 信息推送的数据处理方法、装置、电子设备与存储介质 |
CN108985855A (zh) * | 2018-08-01 | 2018-12-11 | 中国建设银行股份有限公司 | 一种合约信息的确定方法及系统 |
CN109214874A (zh) * | 2018-11-13 | 2019-01-15 | 郑州市景安网络科技股份有限公司 | Ip产品运营数据处理方法、装置、设备及可读存储介质 |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
CN109242631A (zh) * | 2018-09-17 | 2019-01-18 | 平安科技(深圳)有限公司 | 产品智能推荐方法、服务器及存储介质 |
CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
CN109584018A (zh) * | 2018-12-04 | 2019-04-05 | 雄商网络科技(上海)有限公司 | 一种互联网营销云服务平台 |
CN109636443A (zh) * | 2018-11-17 | 2019-04-16 | 南京中数媒介研究有限公司 | 客户流失预测的深度学习方法及装置 |
TWI676143B (zh) * | 2018-12-13 | 2019-11-01 | 中華電信股份有限公司 | 基於資料與文字探勘技術產生優惠組合推薦之方法 |
CN110675179A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 营销信息处理方法、装置、电子设备及可读存储介质 |
CN110930198A (zh) * | 2019-12-05 | 2020-03-27 | 佰聆数据股份有限公司 | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 |
CN110956400A (zh) * | 2019-12-03 | 2020-04-03 | 萍乡市允浩企业管理服务中心 | 一种客户关系管理维护及拓展系统 |
CN110969499A (zh) * | 2018-09-28 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 一种用户数据处理方法、装置和计算机可读存储介质 |
CN111080098A (zh) * | 2019-12-04 | 2020-04-28 | 中国太平洋保险(集团)股份有限公司 | 一种o2o智能匹配算法及装置 |
CN111400375A (zh) * | 2020-03-19 | 2020-07-10 | 畅捷通信息技术股份有限公司 | 一种基于财务业务数据商机挖掘方法及装置 |
CN111598256A (zh) * | 2020-05-18 | 2020-08-28 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
CN111626760A (zh) * | 2019-02-28 | 2020-09-04 | 富士通株式会社 | 分配方法和设备、提取方法和设备及计算机可读记录介质 |
CN111639967A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 产品潜在客户挖掘方法及系统 |
CN112488893A (zh) * | 2020-11-30 | 2021-03-12 | 泰康保险集团股份有限公司 | 服务数据处理方法、装置、存储介质及电子设备 |
CN112561555A (zh) * | 2019-09-26 | 2021-03-26 | 北京国双科技有限公司 | 一种产品数据的处理方法和装置 |
CN112862530A (zh) * | 2021-02-09 | 2021-05-28 | 江之龙 | 一种基于大数据的营销系统 |
CN117370412A (zh) * | 2023-09-04 | 2024-01-09 | 知助数智(重庆)科技有限公司 | 通过服务成功率的企业数据治理控制方法、系统及介质 |
CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
-
2018
- 2018-01-17 CN CN201810042684.XA patent/CN108171553A/zh active Pending
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830658A (zh) * | 2018-06-21 | 2018-11-16 | 中国联合网络通信集团有限公司 | 信息推送的数据处理方法、装置、电子设备与存储介质 |
CN110675179A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 营销信息处理方法、装置、电子设备及可读存储介质 |
CN108985855A (zh) * | 2018-08-01 | 2018-12-11 | 中国建设银行股份有限公司 | 一种合约信息的确定方法及系统 |
CN108985855B (zh) * | 2018-08-01 | 2023-03-28 | 中国建设银行股份有限公司 | 一种合约信息的确定方法及系统 |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
CN109242631A (zh) * | 2018-09-17 | 2019-01-18 | 平安科技(深圳)有限公司 | 产品智能推荐方法、服务器及存储介质 |
CN110969499A (zh) * | 2018-09-28 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 一种用户数据处理方法、装置和计算机可读存储介质 |
CN109214874A (zh) * | 2018-11-13 | 2019-01-15 | 郑州市景安网络科技股份有限公司 | Ip产品运营数据处理方法、装置、设备及可读存储介质 |
CN109214874B (zh) * | 2018-11-13 | 2021-10-15 | 郑州市景安网络科技股份有限公司 | Ip产品运营数据处理方法、装置、设备及可读存储介质 |
CN109636443A (zh) * | 2018-11-17 | 2019-04-16 | 南京中数媒介研究有限公司 | 客户流失预测的深度学习方法及装置 |
CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
CN109584018A (zh) * | 2018-12-04 | 2019-04-05 | 雄商网络科技(上海)有限公司 | 一种互联网营销云服务平台 |
TWI676143B (zh) * | 2018-12-13 | 2019-11-01 | 中華電信股份有限公司 | 基於資料與文字探勘技術產生優惠組合推薦之方法 |
CN111626760A (zh) * | 2019-02-28 | 2020-09-04 | 富士通株式会社 | 分配方法和设备、提取方法和设备及计算机可读记录介质 |
CN111626760B (zh) * | 2019-02-28 | 2023-09-08 | 富士通株式会社 | 分配方法和设备、提取方法和设备及计算机可读记录介质 |
CN112561555A (zh) * | 2019-09-26 | 2021-03-26 | 北京国双科技有限公司 | 一种产品数据的处理方法和装置 |
CN110956400A (zh) * | 2019-12-03 | 2020-04-03 | 萍乡市允浩企业管理服务中心 | 一种客户关系管理维护及拓展系统 |
CN111080098A (zh) * | 2019-12-04 | 2020-04-28 | 中国太平洋保险(集团)股份有限公司 | 一种o2o智能匹配算法及装置 |
CN110930198A (zh) * | 2019-12-05 | 2020-03-27 | 佰聆数据股份有限公司 | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 |
CN111400375A (zh) * | 2020-03-19 | 2020-07-10 | 畅捷通信息技术股份有限公司 | 一种基于财务业务数据商机挖掘方法及装置 |
CN111598256A (zh) * | 2020-05-18 | 2020-08-28 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
CN111598256B (zh) * | 2020-05-18 | 2023-08-08 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
CN111639967B (zh) * | 2020-05-21 | 2023-07-25 | 中国工商银行股份有限公司 | 产品潜在客户挖掘方法及系统 |
CN111639967A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 产品潜在客户挖掘方法及系统 |
CN112488893A (zh) * | 2020-11-30 | 2021-03-12 | 泰康保险集团股份有限公司 | 服务数据处理方法、装置、存储介质及电子设备 |
CN112488893B (zh) * | 2020-11-30 | 2023-11-17 | 泰康保险集团股份有限公司 | 服务数据处理方法、装置、存储介质及电子设备 |
CN112862530A (zh) * | 2021-02-09 | 2021-05-28 | 江之龙 | 一种基于大数据的营销系统 |
CN117370412A (zh) * | 2023-09-04 | 2024-01-09 | 知助数智(重庆)科技有限公司 | 通过服务成功率的企业数据治理控制方法、系统及介质 |
CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
CN117911085B (zh) * | 2024-03-18 | 2024-06-11 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171553A (zh) | 一种周期性服务或产品的潜在客户挖掘系统与方法 | |
Tekouabou | Intelligent management of bike sharing in smart cities using machine learning and Internet of Things | |
CN109583651A (zh) | 一种保险电商平台用户流失预测的方法和装置 | |
Mahto et al. | Short‐Term Forecasting of Agriculture Commodities in Context of Indian Market for Sustainable Agriculture by Using the Artificial Neural Network | |
CN107665444A (zh) | 一种基于用户在线行为的网络广告即时效应评价方法及系统 | |
CN102156932A (zh) | 一种客户再次购买意向预测方法及装置 | |
CN112070551A (zh) | 一种基于区域分析的零售网点选址算法 | |
Suh | Machine learning based customer churn prediction in home appliance rental business | |
Jin et al. | Sustainable digital marketing under big data: an AI random forest model approach | |
Zhang | Sales forecasting of promotion activities based on the cross-industry standard process for data mining of E-commerce promotional information and support vector regression | |
Fu et al. | Bike-sharing inventory management for market expansion | |
Wagh et al. | Customer churn prediction in telecom sector using machine learning techniques | |
Ilonen et al. | Toward automatic forecasts for diffusion of innovations | |
Sun et al. | Predictive modeling of potential customers based on the customers clickstream data: A field study | |
Tarokh et al. | A new model to speculate CLV based on Markov chain model | |
CN116304374A (zh) | 一种基于包装数据的客户匹配方法及系统 | |
Gunnarsson et al. | Lessons learned: A case study using data mining in the newspaper industry | |
Pirani et al. | Analysis and optimization of online sales of products | |
Wu et al. | Application of data mining in customer relationship management | |
Chongwen et al. | O2O E-Commerce Data Mining in Big Data Era. | |
Amrutkar et al. | Sales prediction using machine learning techniques | |
Kiygi-Calli et al. | Modeling intra-seasonal heterogeneity in hourly advertising-response models: Do forecasts improve? | |
Han et al. | Enterprise Marketing Strategy Based on Data Mining Technology | |
Jobanputra et al. | Role of artificial intelligence in analyzing and predicting consumer behavior | |
Nguyen et al. | Forecasting the coffee consumption demand in Vietnam based on grey forecasting model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |
|
RJ01 | Rejection of invention patent application after publication |