CN108230023B - 一种基于顾客游逛行为的客群分类方法 - Google Patents

一种基于顾客游逛行为的客群分类方法 Download PDF

Info

Publication number
CN108230023B
CN108230023B CN201711473628.3A CN201711473628A CN108230023B CN 108230023 B CN108230023 B CN 108230023B CN 201711473628 A CN201711473628 A CN 201711473628A CN 108230023 B CN108230023 B CN 108230023B
Authority
CN
China
Prior art keywords
customer
area
data
result
effective
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
Application number
CN201711473628.3A
Other languages
English (en)
Other versions
CN108230023A (zh
Inventor
周建成
陆艺
李宗昌
徐晓冬
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.)
Nanjing Guangpu Information Technology Co ltd
Original Assignee
Nanjing Guangpu Information Technology 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 Nanjing Guangpu Information Technology Co ltd filed Critical Nanjing Guangpu Information Technology Co ltd
Priority to CN201711473628.3A priority Critical patent/CN108230023B/zh
Publication of CN108230023A publication Critical patent/CN108230023A/zh
Application granted granted Critical
Publication of CN108230023B publication Critical patent/CN108230023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于顾客游逛行为的客群分类方法，包括如下步骤：步骤1，对商场进行区域划分；步骤2，利用wifi定位信息得到顾客每次到访商场在各区域的停留时间数据；步骤3，对步骤2得到的数据进行有效性判断，得到顾客在各区域的有效游逛占比；步骤4，对有效游逛占比进行主成分处理，得到顾客的特征向量；步骤5，对特征向量进行聚类，对聚类结果进行决策树模型的训练与测试，得到分类模型：步骤,6，不同的类别数对应测试结果不一样，处理测试结果，确定最优类别数，对应的分类模型即可对到访商场顾客进行分类。此种方法可利用顾客在商场内的停留行为信息，对顾客进行较好的分类。

Description

一种基于顾客游逛行为的客群分类方法
技术领域
本发明属于客户分类技术领域，涉及一种商场客群分类方法，特别涉及一种基于顾客游逛行为的客群分类方法。
背景技术
现有的商场客群分类方法主要有以下几种：
1)人工发放调查问卷，询问到访商场的顾客来访商场的时间偏好、来访频次等信息。但局限在于，一般的调查问卷能获得的最多只有数百人的信息，而且需要商场安排一定的预算，这远不足以了解来访一个大型商场的客群分类。
2)通过商场的会员信息来对客群分类，用会员每次来消费的信息(包括时间、消费金额)来分群。但是局限性在于，一般商场的会员数相比来访商场的总客流数会很少，一般只有几个百分点。这样的采样率远远达不到能对顾客来访商场有一个充分和准确的了解。
发明内容
本发明的目的，在于提供一种基于顾客游逛行为的客群分类方法，其可利用顾客在商场内的停留行为信息，对顾客进行较好的分类。
为了达成上述目的，本发明的解决方案是：
一种基于顾客游逛行为的客群分类方法，包括如下步骤：
步骤1，对商场进行区域划分；
步骤2，利用wifi定位信息得到顾客每次到访商场在各区域的停留时间数据；
步骤3，对步骤2得到的数据进行有效性判断，得到顾客在各区域的有效游逛占比；
步骤4，对有效游逛占比进行主成分处理，得到顾客的特征向量；
步骤5，对特征向量进行聚类，对聚类结果进行决策树模型的训练与测试，得到分类模型：
步骤,6，不同的类别数对应测试结果不一样，处理测试结果，确定最优类别数，对应的分类模型即可对到访商场顾客进行分类。
上述步骤1中，对于长条形商场，将每一层划分为左中右三个区域。
上述步骤3中，对步骤2得到的数据进行有效性判断的具体内容是：去掉各区域内总停留时长小于时间阈值的数据，然后计算出各区域有效停留的门槛时间，将各顾客在每个区域的停留时长与该区域的有效停留门槛时间进行比较，若停留时长大于门槛时间，则判定顾客在该区域的停留为有效游逛。
上述计算各区域有效停留的门槛时间的方法是：对每个区域r，所有停留时长的序列为t＝(t1,t2,…,tn)，计算这个序列的中位值，将该中位值作为该区域有效停留的门槛时间，其中，下标n表示顾客所有做过停留的区域数量。
上述步骤4中，对有效游逛占比进行主成分处理，得到顾客的特征向量的具体内容是：设主成分线性方程是：
Figure GDA0003304375920000021
在R语言平台调用包“pscych”，对每位顾客在各区域的有效游逛占比的矩阵X，调用函数fa.parallel(X)，得到主成分的个数N；调用该包中的princomp函数，得到主成分与原样本各区域之间线性关系的系数矩阵；
调用函数fa.parallel(X,fa＝"pc",n.iter＝100)，得到最优的主成分的选取个数m，选取前m个主成分，得到线性方程的系数矩阵α：
Figure GDA0003304375920000022
用顾客在各区域的有效游逛占比矩阵乘以系数矩阵X乘以系数矩阵α，得到每位顾客的主成分所构成的主成分矩阵Z：
Figure GDA0003304375920000023
每一行即为一位顾客在各主成分的数值。
上述步骤5中，对特征向量进行聚类的具体内容是：对顾客的特征向量Z调用函数kmeans(Z,centers＝k)，k为自定义的类别数；把聚类结果匹配到每位顾客在各区域的有效游逛占比矩阵X＝xi'j中，形成新的数据结构；计算各类别在每个区域的平均占比，对于平均值小于设定阈值的结果，修正为0。
上述步骤6的具体内容是：遍历k，重复步骤5，分别计算每个类别对应的分类模型的准确率，从而确定泛化效果最优的类别数，确认最优分类模型。
上述计算分类模型的准确率的方法是：用分类模型classify_model对测试集的数据test_data进行分类，在R语言平台调用predict函数，predict(classify_model,train_data)，返回结果为测试集的顾客类别的分类结果classify_result；对比classify_result与test_result，统计加和结果一致的数量A，除以测试集train_data所有顾客数B，得到模型的准确率F＝A/B。
上述步骤5中，对聚类结果进行决策树模型的训练与测试，得到分类模型的具体内容是：对每位顾客在各区域的有效游逛占比矩阵X＝xi'j和与之匹配的聚类结果result进行分类训练，对矩阵X随机抽取50％的数据做训练集train_data，与之对应的result为train_result，剩下的50％的数据做测试集test_data，与之对应的result为test_result，测试时去掉result列；在R语言平台调用包“C50”，调用该包中的C5.0函数,classify_model＝C5.0(train_data,train_result,trials＝10)，即得到分类模型classify_model。
采用上述方案后，本发明具有以下特点：
(1)使用顾客的游逛停留的行为对顾客进行分类；
(2)利用主成分分析法得到特征向量来聚类，避免了使用原始数据导致的聚类效果不佳；
(3)能对所有有效游逛行为的顾客进行比较好的分类；
(4)可以确定泛化结果最好的客群类别数。
附图说明
图1是各类类型的顾客在各区域访问占比的均值示意图；
图2是本发明的流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
如图2所示，本发明提供一种基于顾客游逛行为的客群分类方法，通过对商场进行区域式划分，利用wifi定位信息统计得到顾客历史上每次到访商场在各个区域的停留情况，对停留的有效性进行判别，筛选出满足一定条件的数据，得到顾客在各区域的有效游逛占比；对有效游逛占比进行主成分处理，得到顾客的特征向量，对特征向量进行聚类，对聚类结果进行决策树模型的训练与测试：不同的类别数对应测试结果不一样，处理测试结果，确定最优类别数，对应的分类模型即可对到访商场顾客进行分类，分类结果可以以区域的游逛行为进行比较好的描述。本发明具体包括如下步骤：
步骤1，对商场进行区域划分。对商场每个楼层，按照通道和中庭等划分为几个区域。一般而言，对于长条形的商场，将每一层划分为左中右三个区域，对于方形的商场，划分成区域会比较麻烦一些，可以以店铺的类型(如餐饮、零售)进行大概划分。需要说明的是，当wifi定位精度不高时，以区域为标识完成对顾客的分类，如果wifi定位的精度足够高，可以到店铺级别，则可以直接以店铺作为标识。
步骤2，清洗wifi获得点位数据，得到每位顾客每次到访商场在各区域的停留时间数据。清洗后的数据格式为：mac(顾客唯一标识)，日期D，楼层f，区域r，停留时长t(在该区域的最后一个时间戳减去第一个时间戳)；
步骤3，判断顾客在某个区域游逛是否有效，具体包括如下几个步骤：
a)去掉区域的总停留时长小于300秒的数据(这里的300秒可以根据实际情况进行调整)；
对于每位顾客mac，某次的到访日期D，存在一个不同区域停留时长的序列t＝(t1,t2,…,tp)，下标p表示顾客mac所有做过停留的区域数量，若
Figure GDA0003304375920000041
则去掉这位顾客mac在日期D的到访记录；
b)计算各区域的有效停留的门槛时间
对每个区域r，所有停留时长的序列t＝(t1,t2,…,tn)，下标n表示在该区域r所有停留过的顾客数量；计算这个序列的中位值，在R语言平台调用函数median(t)。若中位值大于1200秒，则该值修正为1200秒，得到每个区域的有效停留的门槛时间tr＝(tr1,tr2,…,trp)；
c)比较区域停留时长与区域的有效停留的门槛时间
顾客A在日期D的到访，若在某B区域的停留时长大于B区域的门槛时间，则判定顾客A在B区域的停留为有效游逛。
数据的结果为：mac(顾客唯一标识)，日期D，楼层f，区域r，停留时长t，是否有效v(v值为1代表有效，v值为0代表非有效)
步骤4，统计每位顾客的各区域的累积有效游逛数；
对每位顾客mac，每个区域r，加和是否有效v。
这样就获得了每位顾客各自在各个区域的有效停留次数，每位顾客mac对应一个p个维度的向量(p个维度的数值对应到顾客在p个区域累积有效停留次数)，n位顾客的原始数据矩阵为：
Figure GDA0003304375920000051
每一行即为一位顾客在各区域的累积有效游逛数；
示例：
Figure GDA0003304375920000052
步骤5，取累积有效游逛数大于等于5的顾客的数据，对每一位顾客进行加和，得到有效游逛区域次数：
Figure GDA0003304375920000053
步骤6，计算每位顾客在各区域的有效游逛占比；
将顾客A在区域B的累积有效游逛数除以顾客A在所有区域的累积有效游逛数，结果即为顾客A在区域B的有效游逛占比：
Figure GDA0003304375920000061
从而得到每位顾客在各区域的有效游逛占比矩阵X＝x’ij：
Figure GDA0003304375920000062
步骤7，用主成分分析法对步骤6的结果进行降维处理。
主成分分析是指用较少的几个主成分代替原来多个有一定相关性的原始指标，每个主成分即是原始指标的线性组合。
Figure GDA0003304375920000063
接下来，需要计算得到上面线性方程的系数。
在R语言平台调用包“pscych”，对步骤6的结果每位顾客在各区域的有效游逛占比的矩阵X，调用函数fa.parallel(X)，可以得到主要解释原始数据的主成分的个数N；调用该包中的princomp函数，可以得到主成分与原样本各区域之间线性关系的系数矩阵，如下式：
Figure GDA0003304375920000064
主成分的顺序是按照对原始数据的方差贡献度由大到小排列的(Comp.1的解释性大于Comp.2，以此类推)：
Figure GDA0003304375920000065
计算结果的Proportion of variance即为方差贡献度。
调用函数fa.parallel(X,fa＝"pc",n.iter＝100)，可以得到最优的主成分的选取个数m。选取前m个主成分，得到线性方程的系数矩阵α：
Figure GDA0003304375920000071
用顾客的各区域的有效游逛占比矩阵乘以矩阵X乘以线性关系的系数矩阵α，得到每位顾客的主成分所构成的主成分矩阵Z。
Figure GDA0003304375920000072
每一行即为一位顾客在各主成分的数值：
Figure GDA0003304375920000073
步骤8：对步骤7的结果数据进行KMeans聚类；
现训练样本是{z(1),…,z(n)}，每个
Figure GDA0003304375920000074
i＝1,…,n。
对步骤7的结果Z调用函数kmeans(Z,centers＝k)，k为自定义的类别数，下面的示例k为11。函数返回的结果即为每位顾客各自的类别。
把聚类结果匹配到每位顾客在各区域的有效游逛占比矩阵X＝x’ij中，形成新的数据结构，多出来聚类的result的结果，如下：
Figure GDA0003304375920000081
计算各类别在每个区域的平均占比，为了方便，下面的x’ij全部以xij代替：
对每一类求每一列的平均值
Figure GDA0003304375920000082
其中，i＝1,2,…,n，j＝1,2,…,p，xij∈resultk(k＝1,2,…,11)，得到类别在各区域的平均占比值：
Figure GDA0003304375920000083
对于平均值Skj小于0.05的结果，修正为0，这样有助于观察各类别之间的差异。图示化的结果如图1所示。
步骤9，使用决策树算法进行分类训练；
对每位顾客在各区域的有效游逛占比矩阵X＝x’ij和与之匹配的聚类结果result进行分类训练。对矩阵X随机抽取50％的数据做训练集train_data，与之对应的result为train_result，剩下的50％的数据做测试集test_data，与之对应的result为test_result(测试时去掉result列)。使用决策树模型，这里使用的是C5.0决策树算法。
在R语言平台调用包“C50”，调用该包中的C5.0函数,classify_model＝C5.0(train_data,train_result,trials＝10)，即得到分类模型classify_model。分类模型classify_model是由一些列子树构成的，下面为一个子树的示例：
Figure GDA0003304375920000091
子树由各个区域的占比的阈值所组成，满足不同的阈值就被划分到不同的类别。
决策树算法使用熵值来计算由每一个可能特征的分割所引起的同质性(均匀性)变化，该计算称为信息增益。对于特征F，信息增益的计算方法是分割前的数据分区(S1)的熵值减去由分割产生的数据分区(S2)的熵值，即
InfoGain(F)＝Entropy(S1)-Entropy(S2)
一次分割后，数据被划分到多个分区中，因此计算Entropy(S2)的函数需要考虑所有分区熵值的总和。这可以通过落入每一分区的比例来计算每一分区的权重，以计算加权熵：
Figure GDA0003304375920000092
信息增益越高，根据某一特征分割后创建的分组越均衡。选择产生最大信息增益的阈值用于数据的分割。
步骤10，评价分类模型性能；
用步骤9得到的分类模型classify_model对测试集的数据test_data进行分类。在R语言平台调用predict函数，predict(classify_model,train_data)。返回结果为测试集的顾客类别的分类结果classify_result。
对比classify_result与test_result，统计加和结果一致的数量A，除以测试集train_data所有顾客数B，得到模型的准确率F＝A/B。
步骤11，步骤8中的自定义k值遍历2到20，重复进行步骤8、9、10的操作。对每一个类别数k，得到每一个类别数所对应的分类模型的准确率F＝(F2,F3,…,F20)。
步骤12，确定泛化效果最优的类别数，确认最优分类模型；
一般来说类别数特别小时，准确率都会比较高，但这样对商场而言，顾客的分群有些过于粗粒化。一般而言2到6类之间的准确率最大值对应的类别数为粗粒化比较好的客群类别数：
Fless＝max(F2,F3,F4,F5,F6)
7-20类之间的准确率最大值对应的类别数为进一步细化的比较好的客群类别数：
Fmore＝max(F7,F8,…,F20)
这样可得到与之对应的两个分类模型classify_model_less和classify_model_more。
步骤13，对于所有顾客及未来到访的顾客，计算他们各自在各区域有效游逛占比数据，如步骤6的结果X，都可以用步骤12得到的两个分类模型进行分类。
调用函数predict，predict(classify_model_more,X)
返回的结果为每位顾客所属的类别，如下式：
Figure GDA0003304375920000101
各类之间的差异是与步骤8中的聚类结果所示的是一致的。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (8)

1.一种基于顾客游逛行为的客群分类方法，其特征在于包括如下步骤：
步骤1，对商场进行区域划分；
步骤2，利用wifi定位信息得到顾客每次到访商场在各区域的停留时间数据；
步骤3，对步骤2得到的数据进行有效性判断，得到顾客在各区域的有效游逛占比；
步骤4，对有效游逛占比进行主成分处理，得到顾客的特征向量；
所述步骤4中，对有效游逛占比进行主成分处理，得到顾客的特征向量的具体内容是：设主成分线性方程是：
Figure FDA0003304375910000011
在R语言平台调用包“pscych”，对每位顾客在各区域的有效游逛占比的矩阵X，调用函数fa.parallel(X)，得到主成分的个数N；调用该包中的princomp函数，得到主成分与原样本各区域之间线性关系的系数矩阵；
调用函数fa.parallel(X,fa＝"pc",n.iter＝100)，得到最优的主成分的选取个数m，选取前m个主成分，得到线性方程的系数矩阵α：
Figure FDA0003304375910000012
用顾客在各区域的有效游逛占比矩阵乘以系数矩阵X乘以系数矩阵α，得到每位顾客的主成分所构成的主成分矩阵Z：
Figure FDA0003304375910000013
每一行即为一位顾客在各主成分的数值；
步骤5，对特征向量进行聚类，对聚类结果进行决策树模型的训练与测试，得到分类模型：
步骤6，不同的类别数对应测试结果不一样，处理测试结果，确定最优类别数，对应的分类模型即可对到访商场顾客进行分类。
2.如权利要求1所述的一种基于顾客游逛行为的客群分类方法，其特征在于：所述步骤1中，对于长条形商场，将每一层划分为左中右三个区域。
3.如权利要求1所述的一种基于顾客游逛行为的客群分类方法，其特征在于：所述步骤3中，对步骤2得到的数据进行有效性判断的具体内容是：去掉各区域内总停留时长小于时间阈值的数据，然后计算出各区域有效停留的门槛时间，将各顾客在每个区域的停留时长与该区域的有效停留门槛时间进行比较，若停留时长大于门槛时间，则判定顾客在该区域的停留为有效游逛。
4.如权利要求3所述的一种基于顾客游逛行为的客群分类方法，其特征在于：所述计算各区域有效停留的门槛时间的方法是：对每个区域r，所有停留时长的序列为t＝(t1,t2,…,tn)，计算这个序列的中位值，将该中位值作为该区域有效停留的门槛时间。
5.如权利要求1所述的一种基于顾客游逛行为的客群分类方法，其特征在于：所述步骤5中，对特征向量进行聚类的具体内容是：对顾客的特征向量Z调用函数kmeans(Z,centers＝k)，k为自定义的类别数；把聚类结果匹配到每位顾客在各区域的有效游逛占比矩阵X＝x′ij中，形成新的数据结构；计算各类别在每个区域的平均占比，对于平均值小于设定阈值的结果，修正为0。
6.如权利要求5所述的一种基于顾客游逛行为的客群分类方法，其特征在于：所述步骤6的具体内容是：遍历k，重复步骤5，分别计算每个类别对应的分类模型的准确率，从而确定泛化效果最优的类别数，确认最优分类模型。
7.如权利要求6所述的一种基于顾客游逛行为的客群分类方法，其特征在于：所述计算每个类别对应的分类模型的准确率的方法是：用分类模型classify_model对测试集的数据test_data进行分类，在R语言平台调用predict函数，predict(classify_model,train_data)，返回结果为测试集的顾客类别的分类结果classify_result；对比classify_result与test_result，统计加和结果一致的数量A，除以测试集train_data所有顾客数B，得到模型的准确率F＝A/B。
8.如权利要求1所述的一种基于顾客游逛行为的客群分类方法，其特征在于：所述步骤5中，对聚类结果进行决策树模型的训练与测试，得到分类模型的具体内容是：对每位顾客在各区域的有效游逛占比矩阵X＝x′ij和与之匹配的聚类结果result进行分类训练，对矩阵X随机抽取50％的数据做训练集train_data，与之对应的result为train_result，剩下的50％的数据做测试集test_data，与之对应的result为test_result，测试时去掉result列；在R语言平台调用包“C50”，调用该包中的C5.0函数,classify_model＝C5.0(train_data,train_result,trials＝10)，即得到分类模型classify_model。
CN201711473628.3A 2017-12-29 2017-12-29 一种基于顾客游逛行为的客群分类方法 Active CN108230023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711473628.3A CN108230023B (zh) 2017-12-29 2017-12-29 一种基于顾客游逛行为的客群分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711473628.3A CN108230023B (zh) 2017-12-29 2017-12-29 一种基于顾客游逛行为的客群分类方法

Publications (2)

Publication Number Publication Date
CN108230023A CN108230023A (zh) 2018-06-29
CN108230023B true CN108230023B (zh) 2021-12-21

Family

ID=62645918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711473628.3A Active CN108230023B (zh) 2017-12-29 2017-12-29 一种基于顾客游逛行为的客群分类方法

Country Status (1)

Country Link
CN (1) CN108230023B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570238A (zh) * 2019-08-26 2019-12-13 上海汇纳数据科技有限公司 顾客时间价值的评估方法、系统、介质、及电子设备
CN111582983A (zh) * 2020-05-07 2020-08-25 悠尼客(上海)企业管理有限公司 一种基于人脸识别和顾客行为的个性化控制方法
CN111582936A (zh) * 2020-05-07 2020-08-25 悠尼客(上海)企业管理有限公司 一种区分顾客批次的计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965913A (zh) * 2015-07-03 2015-10-07 重庆邮电大学 一种基于gps地理位置数据挖掘的用户分类方法
CN105893733A (zh) * 2015-01-26 2016-08-24 华为技术有限公司 一种基于移动轨迹的用户分类的方法及装置
CN107203772A (zh) * 2016-03-16 2017-09-26 阿里巴巴集团控股有限公司 一种用户类型识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105893733A (zh) * 2015-01-26 2016-08-24 华为技术有限公司 一种基于移动轨迹的用户分类的方法及装置
CN104965913A (zh) * 2015-07-03 2015-10-07 重庆邮电大学 一种基于gps地理位置数据挖掘的用户分类方法
CN107203772A (zh) * 2016-03-16 2017-09-26 阿里巴巴集团控股有限公司 一种用户类型识别方法及装置

Also Published As

Publication number Publication date
CN108230023A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108230023B (zh) 一种基于顾客游逛行为的客群分类方法
CN106875314B (zh) 一种城市轨道交通线网客流od动态估计方法
CN110287439A (zh) 一种基于lstm的网络行为异常检测方法
CN108665311B (zh) 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法
WO2015189768A1 (en) Method and system for forecasting activities of passengers in an airline loyalty program
CN106991430A (zh) 一种基于临近点法的聚类个数自动确定谱聚类方法
CN105654198B (zh) 具有最优阈值筛选的品牌广告效果优化的方法
CN107169768A (zh) 异常交易数据的获取方法和装置
CN107818334A (zh) 一种移动互联网用户访问模式表征和聚类方法
CN107633035B (zh) 一种基于K-Means&LightGBM模型的共享交通服务reorder预估方法
CN107274066B (zh) 一种基于lrfmd模型的共享交通客户价值分析方法
CN112101692B (zh) 移动互联网质差用户的识别方法及装置
CN103324758B (zh) 一种新闻分类方法和系统
CN113821827B (zh) 保护多方数据隐私的联合建模方法及装置
CN113379071A (zh) 一种基于联邦学习的噪声标签修正方法
CN105677925B (zh) 数据库用户数据处理方法和装置
Soni Feature extraction methods for time series functions using machine learning
CN111861667A (zh) 车辆推荐方法及装置、电子设备、存储介质
CN107784511A (zh) 一种用户流失预测方法及装置
CN106779214A (zh) 一种基于主题模型的多因素融合民航旅客出行预测方法
CN117669837A (zh) 一种机场陆侧换乘交通方式选择预测方法及系统
CN108268877A (zh) 一种识别目标终端的方法和装置
CN106997371A (zh) 单用户智慧图谱的构建方法
Souza et al. An evolutionary methodology for handling data scarcity and noise in monitoring real events from social media data
CN111598256A (zh) 目标客户的默搭购买行为的处理方法和装置

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