CN108647857B - 一种基于层次分析法的汽车品牌线索分派方法 - Google Patents

Abstract

本发明公开了一种基于层次分析法的汽车品牌线索分派方法，包括以下步骤：原始数据清洗存储；策略设置，初步筛选出符合汽车品牌经销商的数据；应用层次分析法对筛选出的数据进行排序；数据清洗服务商根据客户的销售线索需求量，利用目标规划方法实行分派给专业外呼人员，向汽车品牌经销商提供建档完成的销售线索数据。本发明将层次分析法应用到具有标签化特征的汽车销售线索分派上，提高汽车销售线索大数据的利用效率，达成数尽其用的预期效果，能显著提高数据清洗服务商分派的汽车销售线索与汽车经销商的需求匹配率，实现汽车行业销售线索数据精准分派，实现汽车销售市场的精准营销，满足客户对销售线索的需求，并实现成本控制。

Description

一种基于层次分析法的汽车品牌线索分派方法

技术领域

本发明涉及一种决策分析领域的汽车品牌线索分派方法，尤其涉及一种基于层次分析法的汽车品牌线索分派方法。

背景技术

随着计算机信息处理能力的增强和互联网技术的跨越式发展，大数据进入迅猛发展期。大数据隐藏的信息俨然已成为企业资产的重要组成部分。例如，汽车销售市场利用对大数据进行分析追寻潜在购车人群信息，使得大数据资产得到应用和变现。

汽车行业中，各种网页版、手机app等汽车类门户网站中存有客户的访问记录和主动留下的联系方式，通过不断积累便产生了大量的汽车销售线索。这些线索反映了不同的购车人群对不同品牌的关注度，也包含消费者日益个性化的需求。当前，汽车经销商已经意识到要深度挖掘、分析和精细化管理数量巨大的潜在客户信息，将潜在客户转化为购买人群。那么，数据清洗服务商如何快速满足汽车经销商的需求，实现又快有准的分派销售线索，是一个值得研究的问题。

例如，数据清洗服务商抓取到某城市某天关注奔驰GLC系列的线索有380个、关注奥迪Q5的线索有287个、关注宝马3系列的线索有360个。如果该城市奔驰经销商有20家、奥迪经销商有25家、宝马经销商32家，以每家每天线索需求量为50条为基本需求(实际情况需求量各不相同、更为复杂)，那么每家经销商应分派多少条线索才能既均衡经销商需求又不浪费线索产能是一道不可避免的难题。

当前可用于分派销售线索的方法主要有两大类。第一种是基于推送的线销售线索分派方法：轮转法、贡献排位法和区域分配法；第二种是基于拉入的线索分配方法：优选法、盲选法、先下手为强法和轮转接受法。

上述传统分配方法主要针对数据量不是太大的销售线索，对于大数据下的销售线索产能分配并不能发挥高效的作用，不但存在不能满足个性化的经销商需求，而且对大数据也束手无策，具体缺陷如下：

轮转法实施容易但不能保证转化率，忽略客户的个性化需求；贡献排位法的缺点好的更好，差的更差，不能兼顾不同经销商，容易损失客户；区域分配法可能没有考虑具体区域经销商面对的潜在客户群体，转化率得不到保证；优选法的缺点是优质线索被迅速拉走，吸引力较低的线索可能会暂时被保留，甚至一直不被理睬；盲选法的缺点是随机性太大，完全不受控制，转化率的高低完全凭运气；先下手为强不适合大数据下的销售线索分派；轮转接受法的缺点是随机性太大。

发明内容

本发明的目的就在于为了解决上述问题而提供一种能合理分配汽车线索数据产能、提高数据建档率的基于层次分析法的汽车品牌线索分派方法。

本发明通过以下技术方案来实现上述目的：

一种基于层次分析法的汽车品牌线索分派方法，包括以下步骤：

步骤(1)：原始数据清洗存储：数据清洗服务商清洗原始数据，使销售线索是脱敏、加密的，然后将这些数据存储至目标数据库中；

步骤(2)：策略设置，初步筛选出符合汽车品牌经销商的数据：策略设置按月更新，根据实际需要设置一个或多个策略，具体是汽车品牌经销商根据自有品牌及竞争品牌特点设置数据抓取策略，品牌特点由标签刻画，并根据特点设置自有品牌权重或竞争品牌权重；

步骤(3)：应用层次分析法对筛选出的数据进行排序；

步骤(4)：数据清洗服务商根据客户的销售线索需求量，利用目标规划方法实行分派给专业外呼人员，专业外呼人员配合客户的营销策略进行外呼，向汽车品牌经销商提供建档完成的销售线索数据。

所述步骤(3)包括以下步骤：

步骤(3.1)：建立层次结构模型：层次结构模型包括目标层、准则层和方案层，目标层是拟解决的问题，即总体目标，具体是对自有品牌和竞争品牌的销售线索数据进行排序；准则层是为实现总目标而采取的措施和方案，具体是根据汽车品牌经销商对数据的需求，确定多个维度，作为准则；方案层是用于解决问题的备选方案，具体是将销售线索数据与品牌经销商匹配；

步骤(3.2)：首先构造判断矩阵

其中a_ij表示维度i对维度j的重要程度，

然后构造所有相对于不同准则的方案层判断矩阵B，比如，相对于维度1，

步骤(3.3)层次单排序：即对于上一层某因素而言，本层次各因素的重要性排序，具体计算是：对于判断矩阵B，计算满足BW＝λ_maxW的特征根与特征向量，其中，λ_max表示B的最大特征根，W表示对应于λ_max的正规化的特征向量，W的分量是w，即为相应元素单排序的权值；

利用判断矩阵计算各维度对目标层的权重即权系数，具体步骤是：

(3.3.1)将A的每一列向量归一化得

(3.3.2)对

按行求和得

(3.3.3)

归一化

W＝(W₁,W₂,…,W_n)，即为近似特征根即权向量；

(3.3.4)计算

作为最大特征根的近似值；

步骤(3.4)：一致性检验，包括如下检验指标：

(3.4.1)一致性指标：

如果CI＝0时,A一致；CI越大，A的不一致性程度越严重；

(3.4.2)随机一致性指标RI：

n	1	2	3	4	5	6	7	8	9	10	11
												RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45	1.49	1.51

(3.4.3)一致性比率，用于确定A的不一致性的容许范围：

当CR＜0.1时，A的不一致性程度在容许范围内，此时用A的特征向量作为权向量；

步骤(3.5)：层次总排序：若层次结构有K个层次，目标层算第一层，则方案的优先程度的排序向量为：W＝W^kW^k-1…W²。

所述步骤(4)中，所述目标规划方法的具体目标规划模型如下：

其中，min z₁是目标函数求极小化；s.t.是满足下面约束的意思；

表示第i个客户对自有品牌建档数据的需求量；

表示第i个客户对竞争品牌建档数据的需求量；μ_j表示自有品牌权重；μ′_j表示竞争品牌权重；F(μ_j)表示自有品牌权重μ_j服从独立同分布的函数，即自有品牌权重为μ_j时，建档F(μ_j)条；^G(μ′_j)表示自有品牌权重μ′_j服从独立同分布的函数，即自有品牌权重为μ′_j时，建档G(μ′_j)条；P₁表示第一位优先到达的因子；P₂表示第二位优先到达的因子，且P₁＞＞P₂；

表示正偏差变量；

表示负偏差变量；m表示汽车经销商个数；

表示策略1的分派条数；

表示策略2的分派条数；z₁表示目标函数；N表示数据库销售线索条数；n_i表示初步分派给专业外呼人员的销售线索条数；ρ表示大于1的系数，根据经验估计而得，保证初次分派的销售线索条数达到建档率。

本发明的有益效果在于：

本发明提出一种基于层次分析法的汽车品牌线索分派方法，将层次分析法应用到具有标签化特征的汽车销售线索分派上，提高汽车销售线索大数据的利用效率，达成数尽其用的预期效果，能显著提高数据清洗服务商分派的汽车销售线索与汽车经销商的需求匹配率，实现汽车行业销售线索数据精准分派，实现汽车销售市场的精准营销，满足客户对销售线索的需求，并实现成本控制。

附图说明

图1是本发明所述层次结构模型的示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明所述基于层次分析法的汽车品牌线索分派方法包括以下步骤：

步骤(1)：原始数据清洗存储：数据清洗服务商清洗原始数据，使销售线索是脱敏、加密的，然后将这些数据存储至目标数据库中；本步骤主要目的是销售线索数据准备；

步骤(2)：策略设置，初步筛选出符合汽车品牌经销商的数据：策略设置按月更新，以月为周期，并去除掉非工作日和月底预留空档期，客户在销售线索数据供应商的策略设置平台(如手机App客户端)根据实际需要设置一个或多个策略，策略包含品牌、型号和数据区域等，具体是汽车品牌经销商根据自有品牌及竞争品牌特点设置数据抓取策略，品牌特点由标签刻画，并根据特点设置自有品牌权重或竞争品牌权重；

举例来说，所述策略优选包括自由品牌策略即策略1和竞争品牌策略即策略2，比如：某宝马4S店设置了2个策略：策略1(自有品牌)：宝马，数据区域：成都；策略2(竞争品牌)：奔驰、奥迪、凯迪拉克，数据区域：四川全省；

根据客户要求，可只执行策略1，也可同时执行策略1和2，同时执行则按需求分配条数。如果策略1的产能不足，则自动分配策略2的产能。

步骤(3)：应用层次分析法对筛选出的数据进行排序；具体包括以下步骤：

(3.1)建立层次结构模型：层次结构模型包括目标层、准则层和方案层，目标层是拟解决的问题，即总体目标，具体是对自有品牌和竞争品牌的销售线索数据进行排序；准则层是为实现总目标而采取的措施和方案，具体是根据汽车品牌经销商对数据的需求，确定多个维度，作为准则；方案层是用于解决问题的备选方案，具体是将销售线索数据与品牌经销商匹配；图1中的i代表第1个到第n个之间的维度；j代表第1个到第m个之间的销售线索数据；n代表维度个数；m代表销售数据线索条数；

(3.2)首先构造判断矩阵

其中a_ij表示维度i对维度j的重要程度，

然后构造所有相对于不同准则的方案层判断矩阵B，比如，相对于维度1，

(3.3)层次单排序：即对于上一层某因素而言，本层次各因素的重要性排序，具体计算是：对于判断矩阵B，计算满足BW＝λ_maxW的特征根与特征向量，其中，λ_max表示B的最大特征根，W表示对应于λ_max的正规化的特征向量，W的分量是w，即为相应元素单排序的权值；

利用判断矩阵计算各维度对目标层的权重即权系数，具体步骤是：

利用判断矩阵计算各维度对目标层的权重即权系数，具体步骤是：

(3.3.1)将A的每一列向量归一化得

(3.3.2)对

按行求和得

(3.3.3)

归一化

W＝(W₁,W₂,…,W_n)，即为近似特征根即权向量；

(3.3.4)计算

作为最大特征根的近似值；

步骤(3.4)：一致性检验，包括如下检验指标：

(3.4.1)一致性指标：

如果CI＝0时,A一致；CI越大，A的不一致性程度越严重；

(3.4.2)随机一致性指标RI：

n	1	2	3	4	5	6	7	8	9	10	11
												RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45	1.49	1.51

(3.4.3)一致性比率，用于确定A的不一致性的容许范围：

当CR＜0.1时，A的不一致性程度在容许范围内，此时用A的特征向量作为权向量；

步骤(3.5)：层次总排序：若层次结构有K个层次，目标层算第一层，则方案的优先程度的排序向量为：W＝W^kW^k-1…W²；

利用层次分析法将数据排序，专业外呼人员按照顺序外呼，提高建档效率；

步骤(4)：数据清洗服务商根据客户的销售线索需求量，利用目标规划方法实行分派给专业外呼人员，专业外呼人员配合客户的营销策略进行外呼，向汽车品牌经销商提供建档完成的销售线索数据；

所述目标规划方法的具体目标规划模型如下：

其中，min z₁是目标函数求极小化；s.t.是满足下面约束的意思；

表示第i个客户对自有品牌建档数据的需求量；

表示第i个客户对竞争品牌建档数据的需求量；μ_j表示自有品牌权重；μ′_j表示竞争品牌权重；F(μ_j)表示自有品牌权重μ_j服从独立同分布的函数，即自有品牌权重为μ_j时，建档F(μ_j)条；G(μ′_j)表示自有品牌权重μ′_j服从独立同分布的函数，即自有品牌权重为μ′_j时，建档G(μ′_j)条；P₁表示第一位优先到达的因子；P₂表示第二位优先到达的因子，且P₁＞＞P₂；

表示正偏差变量；

表示负偏差变量；m表示汽车经销商个数；

表示策略1的分派条数；

表示策略2的分派条数；z₁表示目标函数；N表示数据库销售线索条数；n_i表示初步分派给专业外呼人员的销售线索条数；ρ表示大于1的系数，根据经验估计而得，保证初次分派的销售线索条数达到建档率。

上述实施例只是本发明的较佳实施例，并不是对本发明技术方案的限制，只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明专利的权利保护范围内。

Claims (2)

1.一种基于层次分析法的汽车品牌线索分派方法，其特征在于：包括以下步骤：

步骤(1)：原始数据清洗存储：数据清洗服务商清洗原始数据，使销售线索是脱敏、加密的，然后将这些数据存储至目标数据库中；

步骤(2)：策略设置，初步筛选出符合汽车品牌经销商的数据：策略设置按月更新，根据实际需要设置一个或多个策略，具体是汽车品牌经销商根据自有品牌及竞争品牌特点设置数据抓取策略，品牌特点由标签刻画，并根据特点设置自有品牌权重或竞争品牌权重；

步骤(3)：应用层次分析法对筛选出的数据进行排序；

步骤(4)：数据清洗服务商根据客户的销售线索需求量，利用目标规划方法实行分派给专业外呼人员，专业外呼人员配合客户的营销策略进行外呼，向汽车品牌经销商提供建档完成的销售线索数据；

所述步骤(3)包括以下步骤：

步骤(3.1)：建立层次结构模型：层次结构模型包括目标层、准则层和方案层，目标层是拟解决的问题，即总体目标，具体是对自有品牌和竞争品牌的销售线索数据进行排序；准则层是为实现总目标而采取的措施和方案，具体是根据汽车品牌经销商对数据的需求，确定多个维度，作为准则；方案层是用于解决问题的备选方案，具体是将销售线索数据与品牌经销商匹配；

步骤(3.2)：首先构造判断矩阵

其中a_ij表示维度i对维度j的重要程度，

然后构造所有相对于不同准则的方案层判断矩阵B；

步骤(3.3)层次单排序：即对于上一层某因素而言，本层次各因素的重要性排序，具体计算是：对于判断矩阵B，计算满足BW＝λ_maxW的特征根与特征向量，其中，λ_max表示B的最大特征根，W表示对应于λ_max的正规化的特征向量，W的分量是w，即为相应元素单排序的权值；

利用判断矩阵计算各维度对目标层的权重即权系数，具体步骤是：

(3.3.1)将A的每一列向量归一化得

(3.3.2)对

按行求和得

(3.3.3)

归一化

W＝(W₁,W₂,…,W_n)，即为近似特征根即权向量；

(3.3.4)计算

作为最大特征根的近似值；

步骤(3.4)：一致性检验，包括如下检验指标：

(3.4.1)一致性指标：

如果CI＝0时,A一致；CI越大，A的不一致性程度越严重；

(3.4.2)随机一致性指标RI：

n 1 2 3 4 5 6 7 8 9 10 11 RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51

(3.4.3)一致性比率，用于确定A的不一致性的容许范围：

当CR＜0.1时，A的不一致性程度在容许范围内，此时用A的特征向量作为权向量；

步骤(3.5)：层次总排序：若层次结构有K个层次，目标层算第一层，则方案的优先程度的排序向量为：W＝W^kW^k-1…W²。

2.根据权利要求1所述的基于层次分析法的汽车品牌线索分派方法，其特征在于：所述步骤(4)中，所述目标规划方法的具体目标规划模型如下：

其中，minz₁是目标函数求极小化；s.t.是满足下面约束的意思；

表示第i个客户对自有品牌建档数据的需求量；

表示第i个客户对竞争品牌建档数据的需求量；μ_j表示自有品牌权重；μ′_j表示竞争品牌权重；F(μ_j)表示自有品牌权重μ_j服从独立同分布的函数，即自有品牌权重为μ_j时，建档F(μ_j)条；G(μ′_j)表示自有品牌权重μ′_j服从独立同分布的函数，即自有品牌权重为μ′_j时，建档G(μ′_j)条；P₁表示第一位优先到达的因子；P₂表示第二位优先到达的因子，且P₁＞＞P₂；

表示正偏差变量；

表示负偏差变量；m表示汽车经销商个数；

表示策略1的分派条数；

表示策略2的分派条数；z₁表示目标函数；N表示数据库销售线索条数；n_i表示初步分派给专业外呼人员的销售线索条数；ρ表示大于1的系数，根据经验估计而得，保证初次分派的销售线索条数达到建档率。

Images