CN108564393A - 潜在客户评分方法、装置和系统 - Google Patents

潜在客户评分方法、装置和系统 Download PDF

Info

Publication number
CN108564393A
CN108564393A CN201810210708.8A CN201810210708A CN108564393A CN 108564393 A CN108564393 A CN 108564393A CN 201810210708 A CN201810210708 A CN 201810210708A CN 108564393 A CN108564393 A CN 108564393A
Authority
CN
China
Prior art keywords
user
data
potential customers
portrait
layer
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
Application number
CN201810210708.8A
Other languages
English (en)
Inventor
余承乐
洪晶
陈宇
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.)
Shenzhen Information Technology Co Ltd
Original Assignee
Shenzhen 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 Shenzhen Information Technology Co Ltd filed Critical Shenzhen Information Technology Co Ltd
Priority to CN201810210708.8A priority Critical patent/CN108564393A/zh
Publication of CN108564393A publication Critical patent/CN108564393A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种潜在客户评分方法、装置和系统，方法包括：获取用户当前交易数据，并对所述当前交易数据进行标准化处理以获取标准化数据；获取用户画像标签库，并根据所述标准化数据获取相应的用户画像全标签；根据所述标准化数据和所述用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器获取潜在客户的评分，从而通过用户当前交易数据和用户画像全标签训练神经网络分类器，进而准确分析用户的真实需求，做到真正的精准营销，获得用户的积极回应。

Description

潜在客户评分方法、装置和系统
技术领域
本发明涉及评价方法技术领域，具体涉及一种潜在客户评分方法、一种非临时性可读存储介质、一种潜在客户评分系统以及一种潜在客户评分装置。
背景技术
互联网技术的迅猛发展，给大数据带来的影响不仅是数据量的几何级增长，还有从量变到质变的颠覆性变革。这使得消费者的个性化需求日益凸显，从而促使营销领域发生了从“以产品为中心”到“以客户为中心”的思维转变。可以说，基于大数据的精准营销对企业的营销战略带来了挑战也赋予了新的可能。
随着大数据技术的快速发展，企业已经开始运用大数据来进行业务分析、预测和决策。日益激烈的市场竞争，促使企业家们重新思考如何降低企业成本，快速分析客户个性化需求，并高效获客。
精准营销的概念是在2005年底由营销专家菲利普·科特勒提出的，他认为企业需要更精准、可衡量和高投资回报的营销沟通，需要制定更注重结果和行动的营销传播计划，还要越来越注重对直接销售沟通的投资。简单来说，就是在合适的时间、合适的地点、将合适的产品以合适的方式提供给合适的人。
移动互联网出现后，移动设备里的很多传感器收集了大量的用户数据。相关技术中，通常针对每一类数据实体，根据可落地的数据维度进行分解，刻画它的每一个特征，在聚集起来形成人群画像。然后根据用户画像对用户进行营销。
但是，相关技术存在的问题是，由于客户行为数据的缺失、可持续性差、应用效果反馈不及时等原因，会造成用户画像的模糊，不能准确分析用户的真实需求，从而无法做到真正的精准营销，难以获得用户的积极回应。
发明内容
本申请提供一种潜在客户评分方法，能够准确分析用户的真实需求，以进行精准营销。
根据本发明目的，第一方面实施例提出的一种潜在客户评分方法，包括：获取用户当前交易数据，并对所述当前交易数据进行标准化处理以获取标准化数据；获取用户画像标签库，并根据所述标准化数据获取相应的用户画像全标签；根据所述标准化数据和所述用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器的输出结果获取潜在客户的评分。
进一步地，所述标准化数据和所述用户画像全标签训练神经网络分类器包括：对用户画像全标签进行归一化处理；将归一化后的全标签数据输入神经网络分类器的输入层，并根据输入层与隐含层的连接权重产生隐含层的输入数据；利用激活函数将隐含层的输入数据进行转换，以获得隐含层的输出数据；将隐含层的输出数据输入神经网络分类器的输出层，并根据隐含层与输出层的连接权重，产生输出层的输入数据，将输出层的输入数据求和得到输出层的输出数据。
进一步地，所述用户画像标签库通过用户移动终端的传感器采集用户行为数据以建立用户画像标签库。
进一步地，所述的潜在客户评分方法还包括：获取用户新交易数据；根据用户新交易数据对用户当前交易数据进行更新优化。
根据本发明目的，第二方面实施例提出的一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现所述的潜在客户评分方法。
根据本发明目的，第三方面实施例提出的一种潜在客户评分系统，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的潜在客户评价方法。
根据本发明目的，第四方面实施例提出的一种潜在客户评分装置，包括：第一获取模块，用于获取用户交易数据，并对所述交易数据进行标准化处理以获取标准化数据；第二获取模块，用于获取用户画像标签库，并根据所述标准化数据获取相应的用户画像全标签；结果模块，用于根据所述标准化数据和所述用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器的输出结果获取潜在客户的评分。
进一步地，所述结果模块还用于：对用户画像全标签进行归一化处理；对用户画像全标签进行归一化处理；将归一化后的全标签数据输入神经网络分类器的输入层，并根据输入层与隐含层的连接权重产生隐含层的输入数据；利用激活函数将隐含层的输入数据进行转换，以获得隐含层的输出数据；将隐含层的输出数据输入神经网络分类器的输出层，并根据隐含层与输出层的连接权重，产生输出层的输入数据，将输出层的输入数据求和得到输出层的输出数据。
进一步地，所述用户画像标签库通过用户移动终端的传感器采集用户行为数据以建立用户画像标签库。
进一步地，所述的潜在客户评分装置还包括：第三获取模块，用于获取用户新交易数据；根据用户新交易数据对用户当前交易数据进行更新优化。
依据上述实施例的潜在客户评分方法，通过获取用户交易数据并对交易数据进行标准化处理以获取标准化数据，然后获取用户画像标签库，并根据标准化数据获取相应的用户画像全标签，再根据标准化数据和用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器获取潜在客户的评分。由此，本发明实施例的潜在客户评分方法能够通过用户当前交易数据和用户画像全标签训练神经网络分类器，进而能够准确分析用户的真实需求，从而做到真正的精准营销，获得用户的积极回应。
附图说明
图1为根据本发明实施例的潜在客户评分方法的流程图；
图2为根据本发明一个具体实施例的用户当前交易数据；
图3为根据本发明一个具体实施例的用户当前交易数据的标准化数据；
图4为根据本发明一个实施例的神经网络分类器的结构示意图；
图5为根据本发明实施例的潜在客户评分装置的方框示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
下面参考附图来描述本发明实施例的潜在客户评分方法和潜在客户评分装置。
图1为根据本发明实施例的潜在客户评分方法的流程图。如图1所示，本发明实施例的潜在客户评分方法包括以下步骤：
S1：获取当前用户交易数据，并对当前交易数据进行标准化处理，以获取标准化数据。
需要说明的是，企业在日积月累的销售过程中，积累了大量客户真实的交易数据，如图2所示，这些数据即当前用户交易数据，可作为分类器训练的正样本，以在后对分类器进行训练。
根据本发明的一个具体实例，当前用户交易数据可以文本文档的格式进行输入。
其中，对当前用户交易数据进行标准化处理可为将当前用户交易数据转换成json格式，具体地，可将图2的当前用户交易数据转换成如图3所示的标准化数据，以便于当前用户交易数据的读取。
S2：获取用户画像标签库，并根据标准化数据获取相应的用户画像全标签。
需要说明的是，用户画像标签库可通过输入用户ID，获取返回的用户画像全标签。在本发明实施例中，用户ID为用户的手机号，用户画像全标签可包括用户对应的人口属性、信用属性、消费特征、兴趣爱好、社交信息等。将返回的客户全标签连同步骤S1中，标准化后的客户真实交易数据一起作为模型训练样本的完整输入，参与潜客分类器的训练。
应当理解的是，用户画像标签库通过用户移动终端的传感器采集用户行为数据以建立用户画像标签库，即：可通过用户移动端的传感器采集到用户大量的行为数据，再对这些数据进行分类、筛选、归纳和加工等操作，结合不同算法即可得到大量的用户行为标签，搭建自己的大数据用户画像平台；也可通过第三方大数据平台获取相应的用户画像标签库。
S3：标准化数据和用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器的输出结果获取潜在客户的评分，根据潜在客户的评分对用户进行针对性营销。
需要说明的是，可将标准化数据中用户购买的产品作为因变量y，将用户画像全标签统一数值化后作为自变量x，输入训练分类器。
其中，在本发明一个具体实例中，可匹配用户画像全标签189个。
如图4所示，神经网络是由一个个逻辑回归模型连接而成，它们彼此作为输入和输出，通过这样的结构能够隐含地找到需要的高次特征项，从而计算出每一个具体分类所对应的强规则，经过多次迭代，最终训练得到一个稳定的用于潜在客户评分的分类器。
根据本发明的一个实施例，根据标准化数据和用户画像全标签训练神经网络分类器可包括以下步骤：
S301：对用户画像全标签进行归一化处理。
需要说明的是，归一化处理即为将数据映射到(0，1)区间内，以防止因输入的数据单位不一样，或数据范围特别大，造成神经网络收敛慢、训练时间长的问题。具体的，归一化处理可采用如下公式：
其中，x为用户某一标签数值化后的值，xmin、xmax分别为该标签的最小值、最大值，进行线性变换后，将所有标签数据归一化到[0,1]。
S302：将归一化后的全标签数据x1,x2,...,xm输入神经网络分类器的输入层，然后根据输入层与隐含层的连接权重产生一组数据s1,s2,...,sn作为隐含层的输入数据，其中，输入层的节点数为m，隐含层的节点数为n，n≥m。
具体地，可采用如下公式：
其中，wij表示输入层与隐含层的连接权重，xi为归一化后的全标签数。
在一具体实施例，由于匹配到用户画像全标签为189个，则n＝189
S303：利用激活函数将隐含层的输入数据进行转换，以获得隐含层的输出数据θ(s1),θ(s2)……θ(sn)，其中，θ(sj)表示隐含层第j个节点产生的输出。由于此处为多分类问题，激活函数可为Softmax函数，公式为：
其中，sj为隐含层第j个节点的输入数据，si为隐含层第i个节点的输入数据，n≥m。
S304：将隐含层的输出数据θ(s1),θ(s2)……θ(sn)输入神经网络分类器的输出层，根据隐含层与输出层的连接权重，产生输出层的输入数据，将输出层的输入数据求和得到输出层的输出数据即神经网络分类器的输出结果。在本发明实施例中，神经网络分类器的输出结果为潜在用户对该产品的购买可能性评分，例如客户对于各产品的购买置信度，企业营销人员可以根据评分大小有针对性地向客户推荐产品。
具体地，可采用如下公式：
其中，h为输出层的节点数，即可供销售的产品数量，将具体产品从0到n进行编号。
根据标准化数据和用户画像全标签训练神经网络分类器，会产生一定的误差。在一个具体实施例，由于训练过程的结果是已知的，因此还可根据神经网络的反向传播来降低误差，使分类器的输出结果无限接近正确结果，通过反复迭代直到趋于稳定，即可获得一个准确的神经网络分类器。其中，反向传播的作用是通过不断调节神经网络中的权重，使之相对合理。具体地，可通过损失函数进行调节，其中，损失函数值越小，分类器越准确，同时还可设定一个容忍度，即误差达到容忍度范围时，神经网络停止迭代，获取最终的分类器。具体地，损失函数可为：
综上所述，通过获取企业当前用户交易数据和用户画像全标签，并将其作为神经网络的输入数据，对神经网络的训练，获取稳定的分类器，再对分类器输入用户ID，即可获取用户购买各种产品的评分。例如：对于某一潜在用户，输入器ID，查询结果可为，购买A产品(编号为0)的可能性评分为30；购买B产品(编号为1)的可能性评分为50；购买C产品(编号为2)的可能性评分为90。
根据本发明的一个实施例，根据潜在客户的评分进行真实营销后，产生的客户真实交易数据体现了客户真实购买意愿。潜在客户评分方法还包括：获取用户新交易数据，根据用户新交易数据对用户当前交易数据进行更新优化。也就是说，在步骤S3后，在根据分类器的输出结果对用户进行营销后，获取新的交易数据，以用新的交易数据反馈更新优化当前用户交易数据，从而通过新增、替换等措施优化训练样本集，灵活更新分类器，提高评分准确度。
综上所述，根据本发明实施例的潜在客户评分方法，通过获取用户交易数据并对交易数据进行标准化处理以获取标准化数据，然后获取用户画像标签库，并根据标准化数据获取相应的用户画像全标签，再根据标准化数据和用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器获取潜在客户的评分。由此，本发明实施例的潜在客户评分方法能够通过用户当前交易数据和用户画像全标签训练神经网络分类器，进而能够准确分析用户的真实需求，从而做到真正的精准营销，获得用户的积极回应。
本发明实施例还提出了一种非临时性可读存储介质，包括程序，该程序能够被处理器执行以实现所述的潜在客户评分方法。
根据本发明实施例的非临时性可读存储介质，通过实现所述的潜在客户评分方法，能够准确分析用户的真实需求，从而做到真正的精准营销，获得用户的积极回应。
本发明实施例还提出了一种潜在客户评分系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现所述的潜在客户评价方法。
根据本发明实施例的潜在客户评分系统，通过实现所述的潜在客户评分方法，能够准确分析用户的真实需求，从而做到真正的精准营销，获得用户的积极回应。
与上述几种实施例提供的潜在客户评分方法相对应,本发明的一种实施例还提供了潜在客户评分装置,由于本发明实施例提供的潜在客户评分装置与上述几种实施例提供的潜在客户评分方法相对应,因此在前述潜在客户评分方法的实施方式也适用于本实施例提供的潜在客户评分装置,在本实施例中不再描述。
图5为根据本发明实施例的潜在客户评分装置。如图5所示，本发明实施例的潜在客户评分装置包括：第一获取模块10、第二获取模块20和结果模块30。
其中，第一获取模块10用于获取用户交易数据，并对交易数据进行标准化处理以获取标准化数据；第二获取模块20用于获取用户画像标签库，并根据标准化数据获取相应的用户画像全标签；结果模块30用于根据标准化数据和用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器获取潜在客户的评分。
根据本发明的一个实施例，结果模块还用于：对用户画像全标签进行归一化处理；将归一化后的全标签数据输入神经网络分类器的输入层，并根据隐含层的连接权重获取隐含层的输入数据；利用激活函数将隐含层的输入数据激活，以获得隐含层的输出数据；获取隐含层的输出数据，并根据输出层的权重获取输出层的输入；获取神经网络分类器的输出结果。
根据本发明的一个实施例，用户画像标签库通过用户移动终端的传感器采集用户行为数据以建立用户画像标签库。
根据本发明的一个实施例，的潜在客户评分装置还包括：第三获取模块，用于获取用户新交易数据，根据用户新交易数据对用户当前交易数据进行更新优化。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种潜在客户评分方法，其特征在于，包括：
获取用户当前交易数据，并对所述当前交易数据进行标准化处理以获取标准化数据；
获取用户画像标签库，并根据所述标准化数据获取相应的用户画像全标签；
根据所述标准化数据和所述用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器的输出结果获取潜在客户的评分。
2.如权利要求1所述的潜在客户评分方法，其特征在于，根据所述标准化数据和所述用户画像全标签训练神经网络分类器包括：
对用户画像全标签进行归一化处理；
将归一化后的全标签数据输入神经网络分类器的输入层，并根据输入层与隐含层的连接权重产生隐含层的输入数据；
利用激活函数将隐含层的输入数据进行转换，以获得隐含层的输出数据；
将隐含层的输出数据输入神经网络分类器的输出层，并根据隐含层与输出层的连接权重，产生输出层的输入数据，将输出层的输入数据求和得到输出层的输出数据。
3.如权利要求1所述的潜在客户评分方法，其特征在于，所述用户画像标签库通过用户移动终端的传感器采集用户行为数据以建立用户画像标签库。
4.如权利要求1所述的潜在客户评分方法，其特征在于，还包括：
获取用户新交易数据；
根据用户新交易数据对用户当前交易数据进行更新优化。
5.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-4中任一项所述的潜在客户评分方法。
6.一种潜在客户评分系统，其特征在于，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的潜在客户评分方法。
7.一种潜在客户评分装置，其特征在于，包括：
第一获取模块，用于获取用户交易数据，并对所述交易数据进行标准化处理以获取标准化数据；
第二获取模块，用于获取用户画像标签库，并根据所述标准化数据获取相应的用户画像全标签；
结果模块，用于根据所述标准化数据和所述用户画像全标签训练神经网络分类器，以在输入用户数据时能够通过分类器的输出结果获取潜在客户的评分。
8.如权利要求7所述的潜在客户评分装置，其特征在于，根据所述结果模块还用于：对用户画像全标签进行归一化处理；将归一化后的全标签数据输入神经网络分类器的输入层，并根据输入层与隐含层的连接权重产生隐含层的输入数据；利用激活函数将隐含层的输入数据进行激活，以获得隐含层的输出数据；将隐含层的输出数据输入神经网络分类器的输出层，并根据隐含层与输出层的连接权重，产生输出层的输入数据，将输出层的输入数据求和得到输出层的输出数据。
9.如权利要求7所述的潜在客户评分装置，其特征在于，所述用户画像标签库通过用户移动终端的传感器采集用户行为数据以建立用户画像标签库。
10.如权利要求7所述的潜在客户评分装置，其特征在于，还包括：第三获取模块，用于获取用户新交易数据；根据用户新交易数据对用户当前交易数据进行更新优化。
CN201810210708.8A 2018-03-14 2018-03-14 潜在客户评分方法、装置和系统 Pending CN108564393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810210708.8A CN108564393A (zh) 2018-03-14 2018-03-14 潜在客户评分方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810210708.8A CN108564393A (zh) 2018-03-14 2018-03-14 潜在客户评分方法、装置和系统

Publications (1)

Publication Number Publication Date
CN108564393A true CN108564393A (zh) 2018-09-21

Family

ID=63532644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810210708.8A Pending CN108564393A (zh) 2018-03-14 2018-03-14 潜在客户评分方法、装置和系统

Country Status (1)

Country Link
CN (1) CN108564393A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558396A (zh) * 2018-10-24 2019-04-02 深圳市万屏时代科技有限公司 一种用户需求数据清洗方法及系统
CN109597899A (zh) * 2018-09-26 2019-04-09 中国传媒大学 媒体个性化推荐系统的优化方法
CN111798265A (zh) * 2020-05-27 2020-10-20 北京国电通网络技术有限公司 一种适用于企业用户的精准营销方法和装置
CN112115346A (zh) * 2019-06-21 2020-12-22 百度在线网络技术（北京）有限公司 线索数据处理方法及装置
CN112308166A (zh) * 2020-11-09 2021-02-02 建信金融科技有限责任公司 一种处理标签数据的方法和装置
CN112561598A (zh) * 2020-12-23 2021-03-26 中国农业银行股份有限公司重庆市分行 基于客户画像的客户流失预测及挽回方法和系统
CN114004651A (zh) * 2021-11-02 2022-02-01 武汉市伟荣发信息科技有限公司 一种获客渠道信息统计整理系统
CN114912946A (zh) * 2022-04-24 2022-08-16 零犀(北京)科技有限公司 一种确定用户分层的方法、装置、存储介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076882A1 (en) * 2008-09-22 2010-03-25 Wachovia Corporation Rate exception management tool
CN102754110A (zh) * 2010-02-10 2012-10-24 微软公司 基于联系关系和客户经验的潜在客户鉴定
CN103971091A (zh) * 2014-04-03 2014-08-06 北京首都国际机场股份有限公司 飞机机号自动识别方法
CN107463937A (zh) * 2017-06-20 2017-12-12 大连交通大学 一种基于迁移学习的番茄病虫害自动检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076882A1 (en) * 2008-09-22 2010-03-25 Wachovia Corporation Rate exception management tool
CN102754110A (zh) * 2010-02-10 2012-10-24 微软公司 基于联系关系和客户经验的潜在客户鉴定
CN103971091A (zh) * 2014-04-03 2014-08-06 北京首都国际机场股份有限公司 飞机机号自动识别方法
CN107463937A (zh) * 2017-06-20 2017-12-12 大连交通大学 一种基于迁移学习的番茄病虫害自动检测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597899A (zh) * 2018-09-26 2019-04-09 中国传媒大学 媒体个性化推荐系统的优化方法
CN109597899B (zh) * 2018-09-26 2022-12-13 中国传媒大学 媒体个性化推荐系统的优化方法
CN109558396A (zh) * 2018-10-24 2019-04-02 深圳市万屏时代科技有限公司 一种用户需求数据清洗方法及系统
CN112115346A (zh) * 2019-06-21 2020-12-22 百度在线网络技术（北京）有限公司 线索数据处理方法及装置
CN112115346B (zh) * 2019-06-21 2023-08-18 百度在线网络技术（北京）有限公司 线索数据处理方法及装置
CN111798265A (zh) * 2020-05-27 2020-10-20 北京国电通网络技术有限公司 一种适用于企业用户的精准营销方法和装置
CN112308166A (zh) * 2020-11-09 2021-02-02 建信金融科技有限责任公司 一种处理标签数据的方法和装置
CN112308166B (zh) * 2020-11-09 2023-08-01 建信金融科技有限责任公司 一种处理标签数据的方法和装置
CN112561598A (zh) * 2020-12-23 2021-03-26 中国农业银行股份有限公司重庆市分行 基于客户画像的客户流失预测及挽回方法和系统
CN114004651A (zh) * 2021-11-02 2022-02-01 武汉市伟荣发信息科技有限公司 一种获客渠道信息统计整理系统
CN114912946A (zh) * 2022-04-24 2022-08-16 零犀(北京)科技有限公司 一种确定用户分层的方法、装置、存储介质和电子设备
CN114912946B (zh) * 2022-04-24 2024-01-30 零犀(北京)科技有限公司 一种确定用户分层的方法、装置、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN108564393A (zh) 潜在客户评分方法、装置和系统
TWI712981B (zh) 風險辨識模型訓練方法、裝置及伺服器
Abbott Applied predictive analytics: Principles and techniques for the professional data analyst
Schweitzer et al. Economic Networks: What do we know and what do we need to know?
Negahban et al. Agent-based simulation applications in marketing research: an integrated review
CN109766454A (zh) 一种投资者分类方法、装置、设备及介质
Cedergren et al. Evaluation of performance in a product development context
García-Magariño et al. Estimation of missing prices in real-estate market agent-based simulations with machine learning and dimensionality reduction methods
Van Nguyen et al. Identifying key success factors in supply chain management for increasing the competitive advantages of Vietnamese coffee
Pandimurugan et al. Random forest tree classification algorithm for predicating loan
Meoli et al. Machine-learning forecasting of successful ICOs
Vargas-Pérez et al. Deep reinforcement learning in agent-based simulations for optimal media planning
Ho et al. A network analysis of the cryptocurrency market
Proselkov et al. Financial ripple effect in complex adaptive supply networks: an agent-based model
Fu et al. Fuzzy system approaches to negotiation pricing decision support
CN112241920A (zh) 基于图神经网络的投融资机构评估方法、系统及设备
WO2020093817A1 (zh) 一种核身方法及装置
Kalaycı et al. Optimal model description of finance and human factor indices
Jain Macro forecasting using alternative data
CN110428342A (zh) 数据修复方法、服务器、客服端及存储介质
Li et al. [Retracted] Real‐Time Prediction of Cross‐Border e‐Commerce Spike Performance Based on Neural Network and Decision Tree
Haji Gholam Saryazdi et al. Designing a qualitative system dynamics model of crowdfunding by document model building
Kiesling Planning the market introduction of new products: An agent-based simulation of innovation diffusion
Steinbacher et al. Interaction-based approach to economics and finance
Li Analysis of e-commerce customers' shopping behavior based on data mining and machine learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180921