CN109615129A - 房地产客户成交概率预测方法、服务器及计算机存储介质 - Google Patents

房地产客户成交概率预测方法、服务器及计算机存储介质 Download PDF

Info

Publication number
CN109615129A
CN109615129A CN201811478801.3A CN201811478801A CN109615129A CN 109615129 A CN109615129 A CN 109615129A CN 201811478801 A CN201811478801 A CN 201811478801A CN 109615129 A CN109615129 A CN 109615129A
Authority
CN
China
Prior art keywords
conclusion
business
client
probability
measured
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.)
Granted
Application number
CN201811478801.3A
Other languages
English (en)
Other versions
CN109615129B (zh
Inventor
李琦
宋卫东
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.)
Chongqing Rui Yun Technology Co Ltd
Original Assignee
Chongqing Rui Yun 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 Chongqing Rui Yun Technology Co Ltd filed Critical Chongqing Rui Yun Technology Co Ltd
Priority to CN201811478801.3A priority Critical patent/CN109615129B/zh
Publication of CN109615129A publication Critical patent/CN109615129A/zh
Application granted granted Critical
Publication of CN109615129B publication Critical patent/CN109615129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种房地产客户成交概率预测方法、服务器以及计算机存储介质，通过获取待测客户针对目标楼盘的历史行为数据，包括一个或多个行为特征以及对应的发生频次；将各行为特征的发生频次，与目标阈值区间进行比较，确定行为特征的目标划分属性；从预先通过建模得到的成交模型与非成交模型中，获取各目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；根据各第一条件概率计算待测客户的第一成交概率，并根据各第二条件概率计算待测客户的第一非成交概率；根据第一成交概率与第一非成交概率，计算待测客户的目标成交概率；实现了对房地产客户成交概率的准确预估，根据实际验证其准确率达到了80％以上。

Description

房地产客户成交概率预测方法、服务器及计算机存储介质
技术领域
本发明涉及房地产数据分析领域，尤其涉及一种房地产客户成交概率预测方法、服务器及计算机存储介质。
背景技术
目前地产公司在项目销售过程中会接待大量的潜在客户，在客户的接待过程中进行客户的购买意向判定和预测完全根据销售人员自我进行判断进行。而销售人员依赖传统的接待方式，与客户的接触和信息的了解往往是非常局限被动的。不同的销售人员又因为自身能力和经验等原因无法形成有效的判断标准，因此目前如何统一进行客户意向的判断，如何形成统一的判定标准是面临的主要问题。
发明内容
本发明实施例提供的房地产客户成交概率预测方法、服务器及计算机存储介质，主要解决的技术问题是：如何实现对客户意向(成交概率)的准确预测。
为解决上述技术问题，本发明实施例提供一种房地产客户成交概率预测方法，包括：
获取待测客户针对目标楼盘的历史行为数据，所述历史行为数据包括一个或多个行为特征以及对应的发生频次；
将所述一个或多个行为特征的发生频次，与目标阈值区间进行比较，确定所述一个或多个行为特征所对应的目标划分属性；
从预先通过建模得到的成交模型与非成交模型中，获取所述一个或多个行为特征的目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；
根据各所述第一条件概率计算所述待测客户的第一成交概率，并根据各所述第二条件概率计算所述待测客户的第一非成交概率；
根据所述第一成交概率与所述第一非成交概率，计算所述待测客户的目标成交概率。
进一步的，所述成交模型与所述非成交模型的预先建模过程包括：
从数据库中获取若干客户针对所述目标楼盘的历史行为数据，作为建模训练集；所述若干客户的历史行为数据包括行为特征以及对应的发生频次；
针对作为建模训练集的客户的历史行为数据，统计各客户的各个行为特征的发生频次，以及所述各客户针对所述目标楼盘的成交情况；
针对各行为特征，统计对应发生频次的最小值、设定分位数值、最大值；
在由所述最小值、设定分位数值、最大值形成的多个划分属性中，分别计算各个划分属性中，所述建模训练集中成交用户在该划分属性中所占比例，以及所述建模训练集中非成交用户在该划分属性中所占比例，以形成所述成交模型与所述非成交模型。
进一步的，设定分位数包括：1/4，1/2，3/4。
进一步的，还包括：
将除所述至少部分客户的剩余客户对所述目标楼盘的历史行为数据，作为建模测试集；所述历史行为数据包括行为特征以及对应的发生频次；
根据所述历史行为数据计算所述建模测试集中各客户的成交概率，并结合所述建模测试集中各客户对所述目标楼盘的成交情况，对所述成交模型和非成交模型的准确性进行验证。
进一步的，还包括：将所述待测客户的目标成交概率发送给销售终端。
进一步的，所述根据各所述第一条件概率计算所述待测客户的第一成交概率，并根据各所述第二条件概率计算所述待测客户的第一非成交概率包括：
将各所述第一条件概率相乘计算得到所述待测客户的第一成交概率，将各所述第二条件概率相乘计算得到所述待测客户的第一非成交概率。
进一步的，所述根据所述第一成交概率与所述第一非成交概率，计算所述待测客户的目标成交概率包括：
将所述第一成交概率除以所述第一成交概率与所述第一非成交概率之和，计算得到所述待测客户的目标成交概率。
进一步的，所述行为特征包括如下至少一种：
访问时长、点击次数、最后一次访问距今天数、浏览页面数、访问周期内的日均访问时长及日均访问次数。
本发明实施例还提供一种服务器，所述服务器包括处理器、存储器及通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现如上任一项所述的房地产客户成交概率预测方法的步骤。
本发明实施例还提供一种计算机存储介质，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一项所述的房地产客户成交概率预测方法的步骤。
本发明的有益效果是：
根据本发明实施例提供的房地产客户成交概率预测方法、服务器以及计算机存储介质，通过获取待测客户针对目标楼盘的历史行为数据，包括一个或多个行为特征以及对应的发生频次；将各行为特征的发生频次，与目标阈值区间进行比较，确定行为特征的目标划分属性；从预先通过建模得到的成交模型与非成交模型中，获取各目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；根据各第一条件概率计算待测客户的第一成交概率，并根据各第二条件概率计算待测客户的第一非成交概率；根据第一成交概率与第一非成交概率，计算待测客户的目标成交概率；实现了对房地产客户成交概率的准确预估，根据实际验证其准确率达到了80％以上。
附图说明
图1为本发明实施例一的房地产客户成交概率预测方法流程示意图；
图2为本发明实施例一的客户历史行为数据示意图；
图3为本发明实施例一的建模流程示意图；
图4为本发明实施例一的系统结构示意图；
图5为本发明实施例二的成交客户历史行为数据离散示意图；
图6为本发明实施例二的非成交客户历史行为数据离散示意图；
图7为本发明实施例二的针对成交客户和非成交客户的预测结果示意图；
图8为本发明实施例二的针对成交客户的预测准确性结果示意图；
图9为本发明实施例二的针对未成交客户的预测准确性结果示意图；
图10为本发明实施例三的服务器结构示意图。
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，下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。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。
实施例一：
请参见图1，图1为本实施例提供的房地产客户成交概率预测方法流程示意图，主要包括：
S101、获取待测客户针对目标楼盘的历史行为数据，该历史行为数据包括一个或多个行为特征以及对应的发生频次。
模型以“客户openid+楼盘id”为基本单位，也即预测待测客户的成交概率，是以该待测客户对该目标楼盘的历史行为数据进行的，对于该待测用户对其他楼盘的历史行为数据，则不用于对目标楼盘成交概率的预测。其中，历史行为数据包括行为特征，以及各行为特征对应的发生频次。
可选的，行为特征包括但不限于访问时长、点击次数、最后一次访问距今天数、浏览页面数、访问周期内的日均访问时长及日均访问次数。可参见图2的历史行为数据列表。
S102、将该一个或多个行为特征的发生频次，与目标阈值区间进行比较，确定该一个或多个行为特征所对应的目标划分属性。
其中，目标阈值区间是预先通过建模得到的，成交模型中包括各行为特征下的各划分属性的成交概率，非成交模型中包括各行为特征下的各划分属性的成交概率。例如，成交概率模型参见如下表1所示：
表1
对应的，对于非成交概率模型可以参见如下表2所示：
表2
例如，待测客户的行为特征k在K1阈值区间内，则确定其目标划分属性为K1，对应的满足成交的条件概率为p1(也即第一条件概率)，满足非成交的条件概率为p1′(也即第二条件概率)。对于待测客户的其他所有行为特征均可以基于成交模型和非成交模型，确定对应的满足成交条件的第一成交概率，以及满足非成交条件的第二成交概率。
应当理解的是，当待测客户不存在相应的行为特征时，例如不存在上述行为特征M，或者说是该行为特征M的发生频次为0，同样可以基于上述模型划分到对应的目标划分属性中，得到对应的第一条件概率和第二条件概率。
S103、从预先通过建模得到的成交模型与非成交模型中，获取该一个或多个行为特征的目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率。
S104、根据各第一条件概率计算待测客户的第一成交概率，并根据各第二条件概率计算待测客户的第一非成交概率。
例如，成交模型和非成交模型中仅包括行为特征K和行为特征M，若待测客户的行为特征k的发生频次为k1，行为特征m的发生频次为m1。且k1在划分属性K1的阈值区间内，则划分属性K1为其目标划分属性，得到行为特征k满足成交条件的条件概率为p1，满足非成交条件的条件概率为p1′。
对应的，假设m1在划分属性M1的阈值区间内，则划分属性M1为其目标划分属性，得到行为特征m满足成交条件的条件概率为p5，满足非成交条件的条件概率为p5′。
最后，根据满足成交的条件概率p1*p5，得到第一成交概率；将满足非成交的条件概率p1′*p5′，得到第一非成交概率。
S105、根据第一成交概率与第一非成交概率，计算待测客户的目标成交概率。
假设目标成交概率为p，则p＝p1*p5/(p1*p5+p1′*p5′)。
需要说明的是，成交模型与所述非成交模型的预先建模过程，请参见如下图3，图3为本实施例提供的建模流程示意图，包括：
S301、从数据库中获取至少部分客户针对目标楼盘的历史行为数据，作为建模训练集；历史行为数据包括行为特征以及对应的发生频次。
参见图4，图4系统结构示意图，包括多个客户终端41、多个销售终端42以及至少一个服务器43。客户通过客户终端41登录、浏览、点击、收藏等操作，对于客户行为数据，客户终端41可以进行采集，并上传给服务器43；服务器43可以将相应客户历史行为数据存储到数据库44中；当需要进行建模分析、预测统计时，可以从数据库44中获取相关数据。服务器还可以将上述客户成交概率预测结果发送给销售终端42，供房屋经纪人或者销售人员更有针对性地进行跟进推荐，提升成交效率。
数据库44中存储有系统下全部客户的历史行为数据，在进行模型建立时，可以选择至少部分(若干)客户的历史行为数据进行建模，对于剩余其他客户的历史行为数据可以用于对建立好的模型进行测试，以确定模型预测的准确性。
可选的，根据成交比例，选择作为训练集、测试集的比例。例如成交比例为10％，则从全部样本中选择90％作为训练集，将剩余的10％作为测试集。
S302、针对作为建模训练集的客户的历史行为数据，统计各客户的各个行为特征的发生频次，以及各客户针对目标楼盘的成交情况。
参见如下表3所示：
表3
S303、针对各行为特征，统计对应发生频次的最小值、设定分位数值、最大值。
例如，设定的分位数为1/4，1/2，3/4，则统计各行为特征对应发生频次的最小值、1/4分位数值、1/2分位数值、3/4分位数值、最大值，具体可以参见如下表4：
表4
应当理解的是，1/4分位数值指的是该样本中所有数值由小到大排列后第25％的数值；1/2分位数值等于该样本中所有数值由小到大排列后第50％的数值；3/4分位数值等于该样本中所有数值由小到大排列后第75％的数值。当然，也可以设置其他分位数，本实施例对比不做限制。
S304、在由最小值、设定分位数值、最大值形成的多个划分属性中，分别计算各个划分属性中，建模训练集中成交用户在该划分属性中所占比例，以及建模训练集中非成交用户在该划分属性中所占比例，以形成成交模型与非成交模型。
例如，针对点击次数，由最小值-1/4分位数值，可以形成第一划分属性的阈值区间；由1/4分位数值-1/2分位数值，可以形成第二划分属性的阈值区间；由1/2分位数值-3/4分位数值，可以形成第三划分属性的阈值区间；由3/4分位数值-最大值，可以形成第四划分属性的阈值区间。为了便于后续分析，可以将最小值减1，将最大值加1。
成交模型，可以参见如下表5所示：
表5
未成交模型，可以参见如下表6所示：
表6
可选的，在建模完成后，还可以将除至少部分客户的剩余客户对目标楼盘的历史行为数据，作为建模测试集；历史行为数据包括行为特征以及对应的发生频次；根据历史行为数据计算建模测试集中各客户的成交概率，并结合建模测试集中各客户对目标楼盘的成交情况，对成交模型和非成交模型的准确性进行验证。
应当理解，上述示例由于样本数量太少，形成的模型准确率较低，在实际应用中，训练集的样本数量较大，成千上万甚至数十万、数百万的样本，因此训练模型更准确。测试集的样本数量也会相对较多，对模型准确性验证也更精确。
实施例二：
本实施例在实施例一的基础上，进行进一步说明。
模型以“客户openid+楼盘id”为基本单位，以该单位在客档本中的到访人数、在行为表中的访问时长、点击次数、最后一次访问距今天数、访问周期内的日均访问时长及日均访问次数等各种行为数据为因子变量，构造模型的数据基础。
从数据库中获取建模所需数据，通过Python数据库模块，将SQL查询嵌入到Python代码中，从中读取数据并存储为方便后续分析的数据结构，如DataFrame等。
将训练数据分位成交用户和非成交用户，对比两类数据的数据特征：均值、标准差、最小值、1/4、1/2/、3/4分位数及最大值等。描述如图5、图6所示，其中图5为成交客户数据，图6为非成交客户数据。
模型以朴素贝叶斯为基础原理，着重刻画历史成交客户客档及行为特征，利用历史数据的特征划分频率来构造客档的成交与非成交概率，从而进行成交类别判定及成交概率估算。
设：x为客档事件，yi为属于第i类(i＝0,1)；则x属于yi的条件概率为：P(yi|x)，根据贝叶斯定理：
若求P(yi|x)，需知P(x|yi)、P(yi)、P(x)。其中，P(x)为客档事件发生概率，为常数；P(yi)为历史客档中，成交和非成交客户分别所占的比例，可利用历史数据直接求得；P(x|yi)为客档对类别i的条件概率，是该模型的关键。
假设因子变量之间相互独立，因此，有：
根据上述各变量的求解方法，定义模型如下：
假设x＝{a1，a2，...，am}为待分类项，a1，a2，...，am为其特征划分属性；
类别集合C＝{y1，y2，...，yn}，共有n类；
计算P(yi|x)；
若有：P(yi|x)＝max{P(y1|x)，P(y2|x)，...，P(ym|x)}，则x判定为第k类。
客档成交概率的朴素贝叶斯模型实现，过程分为：特征值离散、训练/测试数据划分、模型训练三块。
离散划分切割点的选取方法为：选取成交特征数据的min(x)、1/4、1/2/、3/4分位数以及某特征所有数据中的最大值，将数据分为四类。
根据历史成交比例，将训练集、测试集数据分别按比例划分。
需统计各类数据的比例；分别统计各类别(成交，非成交)中，各个行为特征中，各个划分属性区间的频率:p(ai|yi)，即每个特征属性划分对成交、非成交的条件概率估计。
对于训练好的模型，就可以针对某条测试数据进行成交/非成交概率的估测。求出成交概率P_deal和非成交概率P_notdeal。
然后，比较成交概率P_deal和非成交概率P_notdeal的大小，选出max{P_deal，P_notdeal}，则该测试数据的归属就得以划分。
最后，将该分类方法扩展为成交概率：
根据已经构造好的模型，直接将测试数据进行投放，计算其各个行为特征对各类别的条件概率，从而得到预测准确率。
根据实际应用得到该预测方案的准确性可以达到80％以上，预测结果示意图，参见图7-9，图7为针对成交客户和非成交客户的预测结果，图8为针对成交客户的预测准确性结果，图9为针对未成交客户的预测准确性结果。
实施例三：
本实施例提供了一种服务器，参见图10所示，其包括处理器101、存储器102及通信总线103，其中：
通信总线103用于实现处理器101和存储器102之间的连接通信；
处理器101用于执行存储器102中存储的一个或者多个程序，以实现上述实施例一和/或实施例二中的房地产客户成交概率预测方法的各步骤。
本实施例还提供一种计算机存储介质，该计算机存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一和/或实施例二中的房地产客户成交概率预测方法的各步骤。
显然，本领域的技术人员应该明白，上述本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种房地产客户成交概率预测方法，其特征在于，包括：
获取待测客户针对目标楼盘的历史行为数据，所述历史行为数据包括一个或多个行为特征以及对应的发生频次；
将所述一个或多个行为特征的发生频次，与目标阈值区间进行比较，确定所述一个或多个行为特征所对应的目标划分属性；
从预先通过建模得到的成交模型与非成交模型中，获取所述一个或多个行为特征的目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；
根据各所述第一条件概率计算所述待测客户的第一成交概率，并根据各所述第二条件概率计算所述待测客户的第一非成交概率；
根据所述第一成交概率与所述第一非成交概率，计算所述待测客户的目标成交概率。
2.如权利要求1所述的房地产客户成交概率预测方法，其特征在于，所述成交模型与所述非成交模型的预先建模过程包括：
从数据库中获取若干客户针对所述目标楼盘的历史行为数据，作为建模训练集；所述若干客户的历史行为数据包括行为特征以及对应的发生频次；
针对作为建模训练集的客户的历史行为数据，统计各客户的各个行为特征的发生频次，以及所述各客户针对所述目标楼盘的成交情况；
针对各行为特征，统计对应发生频次的最小值、设定分位数值、最大值；
在由所述最小值、设定分位数值、最大值形成的多个划分属性中，分别计算各个划分属性中，所述建模训练集中成交用户在该划分属性中所占比例，以及所述建模训练集中非成交用户在该划分属性中所占比例，以形成所述成交模型与所述非成交模型。
3.如权利要求2所述的房地产客户成交概率预测方法，其特征在于，设定分位数包括：1/4，1/2，3/4。
4.如权利要求2所述的房地产客户成交概率预测方法，其特征在于，还包括：
将除所述至少部分客户的剩余客户对所述目标楼盘的历史行为数据，作为建模测试集；所述历史行为数据包括行为特征以及对应的发生频次；
根据所述历史行为数据计算所述建模测试集中各客户的成交概率，并结合所述建模测试集中各客户对所述目标楼盘的成交情况，对所述成交模型和非成交模型的准确性进行验证。
5.如权利要求1-4任一项所述的房地产客户成交概率预测方法，其特征在于，还包括：将所述待测客户的目标成交概率发送给销售终端。
6.如权利要求1-4任一项所述的房地产客户成交概率预测方法，其特征在于，所述根据各所述第一条件概率计算所述待测客户的第一成交概率，并根据各所述第二条件概率计算所述待测客户的第一非成交概率包括：
将各所述第一条件概率相乘计算得到所述待测客户的第一成交概率，将各所述第二条件概率相乘计算得到所述待测客户的第一非成交概率。
7.如权利要求1-4任一项所述的房地产客户成交概率预测方法，其特征在于，所述根据所述第一成交概率与所述第一非成交概率，计算所述待测客户的目标成交概率包括：
将所述第一成交概率除以所述第一成交概率与所述第一非成交概率之和，计算得到所述待测客户的目标成交概率。
8.如权利要求1-4任一项所述的房地产客户成交概率预测方法，其特征在于，所述行为特征包括如下至少一种：
访问时长、点击次数、最后一次访问距今天数、浏览页面数、访问周期内的日均访问时长及日均访问次数。
9.一种服务器，其特征在于，所述服务器包括处理器、存储器及通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至8中任一项所述的房地产客户成交概率预测方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至8中任一项所述的房地产客户成交概率预测方法的步骤。
CN201811478801.3A 2018-12-05 2018-12-05 房地产客户成交概率预测方法、服务器及计算机存储介质 Active CN109615129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811478801.3A CN109615129B (zh) 2018-12-05 2018-12-05 房地产客户成交概率预测方法、服务器及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811478801.3A CN109615129B (zh) 2018-12-05 2018-12-05 房地产客户成交概率预测方法、服务器及计算机存储介质

Publications (2)

Publication Number Publication Date
CN109615129A true CN109615129A (zh) 2019-04-12
CN109615129B CN109615129B (zh) 2021-06-04

Family

ID=66005445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811478801.3A Active CN109615129B (zh) 2018-12-05 2018-12-05 房地产客户成交概率预测方法、服务器及计算机存储介质

Country Status (1)

Country Link
CN (1) CN109615129B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163675A (zh) * 2019-05-17 2019-08-23 湖南城市学院 一种房地产价格评估方法及系统
CN110197301A (zh) * 2019-05-27 2019-09-03 深圳乐信软件技术有限公司 一种可支配收入的预测方法、装置、服务器及存储介质
CN110910282A (zh) * 2019-11-27 2020-03-24 重庆锐云科技有限公司 房地产电子商务多角色拓客赚佣系统、方法及存储介质
CN111008871A (zh) * 2019-12-10 2020-04-14 重庆锐云科技有限公司 一种房地产复购客户跟进数量计算方法、装置及存储介质
CN111126849A (zh) * 2019-12-25 2020-05-08 贝壳技术有限公司 计算机实现用于辅助标的物流转的方法、装置和设备
CN111429214A (zh) * 2020-03-13 2020-07-17 贝壳技术有限公司 一种基于交易数据的买卖双方匹配方法及装置
CN111695015A (zh) * 2020-06-04 2020-09-22 重庆锐云科技有限公司 客户行为分析方法、装置、计算机设备及存储介质
CN111931128A (zh) * 2020-07-15 2020-11-13 重庆锐云科技有限公司 基于伯努利模型的电梯配置方法、系统、设备及存储介质
CN112288117A (zh) * 2019-07-23 2021-01-29 贝壳技术有限公司 目标客户的成交概率预测方法、装置与电子设备
WO2024042507A1 (en) * 2022-08-23 2024-02-29 Rosetal System Information Ltd System and method for determining a likelihood of a prospective client to conduct a real estate transaction

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN107016569A (zh) * 2017-03-21 2017-08-04 聚好看科技股份有限公司 一种网络产品的目标用户账号获取方法及装置
CN107025565A (zh) * 2016-01-29 2017-08-08 北京京东尚科信息技术有限公司 一种提高电子商务网站转化率的方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN107025565A (zh) * 2016-01-29 2017-08-08 北京京东尚科信息技术有限公司 一种提高电子商务网站转化率的方法和系统
CN107016569A (zh) * 2017-03-21 2017-08-04 聚好看科技股份有限公司 一种网络产品的目标用户账号获取方法及装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163675A (zh) * 2019-05-17 2019-08-23 湖南城市学院 一种房地产价格评估方法及系统
CN110197301A (zh) * 2019-05-27 2019-09-03 深圳乐信软件技术有限公司 一种可支配收入的预测方法、装置、服务器及存储介质
CN112288117A (zh) * 2019-07-23 2021-01-29 贝壳技术有限公司 目标客户的成交概率预测方法、装置与电子设备
CN110910282A (zh) * 2019-11-27 2020-03-24 重庆锐云科技有限公司 房地产电子商务多角色拓客赚佣系统、方法及存储介质
CN111008871A (zh) * 2019-12-10 2020-04-14 重庆锐云科技有限公司 一种房地产复购客户跟进数量计算方法、装置及存储介质
CN111126849A (zh) * 2019-12-25 2020-05-08 贝壳技术有限公司 计算机实现用于辅助标的物流转的方法、装置和设备
CN111429214A (zh) * 2020-03-13 2020-07-17 贝壳技术有限公司 一种基于交易数据的买卖双方匹配方法及装置
CN111429214B (zh) * 2020-03-13 2023-06-09 贝壳技术有限公司 一种基于交易数据的买卖双方匹配方法及装置
CN111695015A (zh) * 2020-06-04 2020-09-22 重庆锐云科技有限公司 客户行为分析方法、装置、计算机设备及存储介质
CN111931128A (zh) * 2020-07-15 2020-11-13 重庆锐云科技有限公司 基于伯努利模型的电梯配置方法、系统、设备及存储介质
CN111931128B (zh) * 2020-07-15 2023-07-25 重庆锐云科技有限公司 基于伯努利模型的电梯配置方法、系统、设备及存储介质
WO2024042507A1 (en) * 2022-08-23 2024-02-29 Rosetal System Information Ltd System and method for determining a likelihood of a prospective client to conduct a real estate transaction

Also Published As

Publication number Publication date
CN109615129B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN109615129A (zh) 房地产客户成交概率预测方法、服务器及计算机存储介质
US11659050B2 (en) Discovering signature of electronic social networks
Sun et al. Using Bayesian deep learning to capture uncertainty for residential net load forecasting
Li et al. A confidence-aware approach for truth discovery on long-tail data
CN102096848B (zh) 用于在对流事件的查询模式匹配期间进行快速响应的调度
Yang et al. Detecting communities and their evolutions in dynamic social networks—a Bayesian approach
Negahban et al. Learning from comparisons and choices
CN104572734A (zh) 问题推荐方法、装置及系统
CN106030589A (zh) 使用开源数据的疾病预测系统
CN104050197B (zh) 一种信息检索系统评测方法和装置
CN111537884A (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
Jouini et al. Moments of first passage times in general birth–death processes
Lisic et al. Optimal stratification and allocation for the june agricultural survey
WO2016033130A1 (en) Computing device classifier improvement through n-dimensional stratified input sampling
Malefaki et al. An EM and a stochastic version of the EM algorithm for nonparametric Hidden semi-Markov models
CN111325255A (zh) 特定人群圈定方法、装置、电子设备及存储介质
Wu et al. Modeling and imputation of large incomplete multidimensional datasets
CN113159537B (zh) 电网新技术项目的评估方法、装置和计算机设备
Inoue et al. Estimating customer impatience in a service system with unobserved balking
Kajimura et al. Quality control for crowdsourced POI collection
Moniz et al. Application of information theory methods to food web reconstruction
Lipyanina-Goncharenko et al. Method of Forming a Training Sample for Segmentation of Tender Organizers on Machine Learning Basis.
Zhang et al. Online score statistics for detecting clustered change in network point processes
CN115904464A (zh) 基于开发者协作网络的核心开发者识别方法、装置和设备
CN116595371A (zh) 话题热度预测模型训练方法、话题热度预测方法及装置

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