CN109615437A - 销售获客跟踪管理方法 - Google Patents
销售获客跟踪管理方法 Download PDFInfo
- Publication number
- CN109615437A CN109615437A CN201811550031.9A CN201811550031A CN109615437A CN 109615437 A CN109615437 A CN 109615437A CN 201811550031 A CN201811550031 A CN 201811550031A CN 109615437 A CN109615437 A CN 109615437A
- Authority
- CN
- China
- Prior art keywords
- target user
- user
- behavior
- document
- tracking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003542 behavioural effect Effects 0.000 claims abstract description 45
- 238000013459 approach Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 123
- 239000000284 extract Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005538 encapsulation Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种销售获客跟踪管理方法，所述销售获客跟踪管理方法包括：文档解析，解析文档，获得目标用户行为特征；个性推荐，基于所述目标用户行为特征建立推荐模型，基于所述推荐模型通过推荐算法获得推荐信息；所述推荐模型与所述推荐信息的联系途径包括兴趣项目、相似兴趣用户以及兴趣特征中的任意一种或几种。上述销售获客跟踪管理方法，通过文档解析，获得目标用户特征，将目标用户特征通过兴趣商品、相似兴趣用户以及兴趣特征联系起来获得推荐信息，能够将文档解析挖掘的目标用户特征与用户价值进行有效结合，提高推荐信息的针对性，提高获客质量，提升客户转化率。
Description
技术领域
本发明涉及信息分析推荐技术领域，特别是涉及一种销售智能销售获客跟踪管理方法。
背景技术
移动互联网营销是基于手机、平板电脑等移动通信终端，利用互联网技术和无线通信技术来满足企业和客户之间交换概念、产品和服务的过程，通过在线活动创造、宣传、传递客户价值，并且对客户关系进行移动系统管理，以达到一定企业营销目的的新型营销活动，主要包括短信、微信、手机QQ等方式，其中微信凭借庞大的用户基数，成为当下最流行的移动营销手段。
但是基于微信的营销方式存在以下问题：
1、销售人员获客渠道难，无法有效的获取真实的目标客户，大多数营销信息选择微信群盲目发送，导致信息对绝大多数用户来说变成垃圾信息，甚至对用户造成更不必要的骚扰；
2、企业公众号信息反馈能力有限，无法有效获知客户信息，导致很多企业把微信当移动微博，总是一味的在向客户传达信息，而无法得到关注客户的有效反馈，对于销售策划效果无法通过客观标准予以评定；
3、个人微信沟通的客户，其好友和联系方式均保存在销售人员个人微信号上，不利于企业客户的沉淀和信息传承，以快消品行业为例，在品牌商传统的营销运营模式中，由于品牌商无法直接将货铺到异常复杂的多级市场和管理数量庞大而细小的终端，这些工作只能通过若干个渠道商的力量进行深度分销，所以，建立庞大的渠道商的网络往往是营销工作的核心，该网络如果因网络商变动而导致断裂，将对企业经营活动产生重大影响。
随着管理理念的更新和互联网的发展，越来越多的企业开始尝试移动化办公，比如企业微信、钉钉等，并且更加注重将移动社交平台与销售助手相结合进而更方便的进行获客。企业也重视销售助手系统对客户反馈信息的收集和分析，方便进一步地把握客户的需求和进度，从而保证销售与客户沟通更加高效和顺畅。近几年，国内外销售助手得到了长足的发展，得到了越来越多企业的认可，并逐渐被企业应用。
然而如何将信息挖掘技术与用户价值有效结合，提供更有针对性的推荐信息是目前亟需药解决的问题。
发明内容
基于此，有必要针对如何将信息挖掘技术与用户价值有效结合，提供更有针对性的推荐信息的问题，提供一种销售获客跟踪管理方法。
本发明提供的一种销售获客跟踪管理方法，所述销售获客跟踪管理方法包括：
文档解析，解析文档，获得目标用户行为特征；
个性推荐，基于所述目标用户行为特征建立推荐模型，基于所述推荐模型通过推荐算法获得推荐信息；
所述推荐模型与所述推荐信息的联系途径包括兴趣项目、相似兴趣用户以及兴趣特征中的任意一种或几种。
在其中一个实施例中，所述文档解析包括以下步骤：
文档数据结构解析，将目标文档进行数据结构化、重构、抽取，获得文档抽取信息；
文档特征标注，对所述文档抽取信息进行标签特征标注以及代码埋点；
数据封包，对所述文档抽取信息、所述标签特征以及所述代码埋点进行数据封装，将封装的文档数据返回前端用于用户阅读，捕捉目标用户行为；
目标用户行为解构，将所述目标用户行为进行结构，获得所述目标用户行为特征。
在其中一个实施例中，在所述文档数据结构解析步骤中，包括：
建立文档模板，依据文档类型分别建立对应类型的文档模板；
数据结构化，将所述目标文档的非结构化数据转为结构化数据；
重构，根据所述文档模板以及所述结构化数据进行文档信息重构，获得重构文档信息；
抽取，建立文档信息抽取规则，依据所述文档信息抽取规则对重构文档信息进行抽取，获得文档抽取信息。
在其中一个实施例中，在所述数据封包步骤中，捕获的目标用户行为包括所述目标用户行为的用户属性、所述目标用户行为的触发时间、所述目标用户行为发生的位置、所述目标用户行为的行为内容以及所述目标用户行为的行为方式。
在其中一个实施例中，在所述目标用户行为解构步骤中，以所述目标用户的身份为标识，将所述目标用户行为进行分类、过滤、转换为目标用户行为特征。
在其中一个实施例中，所述个性推荐包括以下步骤：
将用户属性信息与所述目标用户行为特征归一化构建目标用户行为特征向量，形成推荐模型；
判断所述目标用户行为特征向量值是否大于预设阀值；
当所述目标用户行为特征向量值大于等于预设阀值时，基于协同过滤算法，从候选对象集合中选择预设数量的相似兴趣用户，提取所述预设数量的相似兴趣用户的兴趣项目并从中剔除目标用户的兴趣项目，对余下的兴趣项目进行评分、相似度加权以及排序，依据排序结果获得推荐信息推荐至目标用户。
在其中一个实施例中，所述目标用户行为特征向量为：
tj＝(t1，j，t2，j，…，ts，j，...，tn，j)
其中，j表示兴趣项目，n表示全部可评价目标用户行为。
在其中一个实施例中，所述相似兴趣用户的相似度为：
其中，S(i，j)表示相似兴趣用户i和用户j的相似度；
U表示用户i和用户j同时进行过评分的项目集合；
表示用户i给项目u的评分减去用户i对所有项目评分的平均值。
在其中一个实施例中，当所述目标用户行为小于预设阀值时，基于目标用户行为标签特征标注算法，基于目标用户行为常用标签的获取推荐信息推荐至目标用户。
在其中一个实施例中，基于目标用户行为常用标签的推荐为：
其中，P(i，u)表示用户i对项目u的兴趣度，B(i)是用户i打过的标签集合，B(u)是项目u被打过标签集合，ni，b是用户i打过标签b的次数，nb，u项目u被打过标签b的次数。
上述销售获客跟踪管理方法，通过文档解析，获得目标用户特征，将目标用户特征通过兴趣商品、相似兴趣用户以及兴趣特征联系起来获得推荐信息，能够将文档解析挖掘的目标用户特征与用户价值进行有效结合，提高推荐信息的针对性，提高获客质量，提升客户转化率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明一实施例的文档解析流程框图；
图2是本发明一实施例的文档解析引擎结构框图；
图3是本发明一实施例的文档模板结构；
图4是本发明一实施例目标用户行为维度示意图；
图5是本发明一实施例个性化推荐步骤流程示意图；
图6是本发明一实施例的推荐模型与推荐信息联系途径示意图；
图7是本发明一实施例个性推荐单元解构示意图。
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，以下通过实施例，并结合附图，对本发明的销售获客跟踪管理方法进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明一实施例的销售获客跟踪管理方法，包括文档解析以及个性推荐。
其中，文档解析，用于解析文档，获得目标用户行为特征；
个性推荐，基于所述目标用户行为特征建立推荐模型，基于所述推荐模型通过推荐算法获得推荐信息；
所述推荐模型与所述推荐信息的联系途径包括兴趣项目、相似兴趣用户以及兴趣特征中的任意一种或几种。
上述销售获客跟踪管理方法，通过文档解析，获得目标用户特征，将目标用户特征通过兴趣商品、相似兴趣用户以及兴趣特征联系起来获得推荐信息，能够将文档解析挖掘的目标用户特征与用户价值进行有效结合，提高推荐信息的针对性，提高获客质量，提升客户转化率。
以下，本发明通过将销售获客跟踪管理方法及系统用于企业微信，对本发明做进一步的说明。
作为一种可选实施方式，请参阅图1所示，销售获客跟踪管理方法的文档解析包括以下步骤：
文档数据结构解析，将文档进行数据结构化、重构、抽取，获得文档抽取信息；
文档特征标注，对所述文档抽取信息进行标签特征标注以及代码埋点；
数据封包，对所述文档抽取信息、所述标签特征以及所述代码埋点进行数据封装，将封装的文档数据返回前端用于用户阅读，捕捉目标用户行为；
目标用户行为解构，将所述目标用户行为进行结构，获得所述目标用户行为特征。
通过文档解析的多种文档格式的结构解析、封装等操作，能够方便销售人员进行销售文案编辑，同时能够实时跟踪目标用户行为，获得的目标用户行为特征为构建用户画像和个性化推荐提供了数据来源。
本发明提供了对应的销售获客跟踪管理系统，该系统包括文档解析引擎和个性推荐单元。请参阅图2所示，文档解析引擎用于文档解析，将多种类型的文档实时动态地进行文档数据结构解析、文档特征标注以及数据封包后推送给用户，实时捕捉目标用户行为，进一步对目标用户行为结构，获得目标用户行为特征。
作为一种可选实施方式，请继续参阅图1所示，在文档数据结构解析步骤中，包括：
建立文档模板，依据文档类型分别建立相应的文档模板；
数据结构化，将文档的非结构化数据转为结构化数据；
重构，根据所述文档模板以及所述结构化数据进行文档信息重构，获得重构文档信息；
抽取，建立文档信息抽取规则，依据所述文档信息抽取规则对重构文档信息进行抽取，获得文档抽取信息。
请参阅图3所示，一实施例建立的文档模板结构如图3所示。将目标文档的结构化数据与文档模板匹配文档信息，即将目标文档的非结构化数据匹配入文档模板结构中，能够过滤掉目标文档的无关信息，便于进一步依据文档信息抽取规则对重构文档信息的抽取利用，也便于获得目标用户行为特征以及获得推荐信息。
作为一种可选实施方式，依据目标文档的内容来源可分为二进制文件格式和文本文件格式。首先根据url地址或者文件加载Document对象，其次根据对应的文档模板结构对获取到的Document对象采用Dom遍历来获取内容，对于url地址获取html内容存在动态加载的问题，可模拟浏览器请求动态加载数据内容并根据模板文档结构填充到指定位置，使用选择器来对Element，Elements对象实现指定元素的过滤，或者链式选择访问，实现有效信息抽取，最后整理文档抽取信息，并将整理的文档抽取信息以文件流的形式保存在服务器上。
在本发明实施例中，将文档类型分为封装H5页面、图文混排文档、广告平面、PDF文件、其他文档。在其他实施例中，文档类型也可以依据不同的分类规则进行其他类型的分类。
请继续参阅图1所示，文档特征标注步骤中，代码埋点采用JavaScript标记；且所述目标用户的身份具有唯一性。
在本发明中，通过文档特征标注和捕捉目标用户行为来达到目标用户行为特征的收集。可选地，根据业务的应用场景，采用代码埋点来获取用户行为数据，代码埋点具有以下优势：数据收集全面且准确，便于后续深度分析。其中，代码埋点准确性排序为代码埋点>可视化埋点>全埋点，企业微信SDK较小，对应用本身的使用体验没有影响，按需采集，业务信息更完善，对数据的分析更聚焦，因此代码埋点是一种以业务价值为出发的行为分析。
对解析后的文档抽取信息进行标签特征标注，根据文档内容进行分页标注，精细化文档特征。进一步结合企业微信SDK采用JavaScript标记进行代码埋点来获取目标用户操作事件-目标用户行为，JavaScript标记的开发是为了收集用户阅读行为用于后期的数据分析，根据项目需求指定收集数据的内容与格式，提高数据灵活性和有效性。采用Oauth2.0企业微信认证机制实现用户身份唯一性识别策略，能够避免由于受限环境下导致的用户的匹配不准确问题。
作为一种可选实施方式，请参阅图4所示，在所述数据封包步骤中，捕获的目标用户行为包括所述目标用户行为的用户属性、所述目标用户行为的触发时间、所述目标用户行为发生的位置、所述目标用户行为的行为内容以及所述目标用户行为的行为方式。
目标用户行为多种多样，例如有浏览时间、点击次数、转发等行为模式。本发明中，获取的目标用户行为的所有数据，从业务角度出发，划分为五个纬度：
目标用户行为的用户属性-Who，行为背后的人，具有哪些属性；
目标用户行为的触发时间-When，什么时候触发的这个行为；
目标用户行为发生的位置-Where，城市地区浏览器或IP定位；
目标用户行为的行为内容-What，也就是内容；
目标用户行为的行为方式-How，是怎样完成的。
捕捉目标用户行为时，自动地采集目标用户在网站或者应用里的全量行为数据，将全量行为数据划分为以上五个维度，从采集信息的源头控制采集数据格式，在此基础上完成目标用户行为的收集，便于对目标用户行为解构，保证了采集的信息从源头是干净的。
对目标用户行为进行分析的方法主要有神经网络、多元线性回归和各种聚类方法。在本发明中，在目标用户行为解构步骤中，以所述目标用户的身份为标识，将所述目标用户行为进行分类、过滤、转换为目标用户行特征。
互联网中的用户行为有很多种，比如浏览网页、购买商品、评论、评分等。要用一个统一的方式表示所有的这些行为是比较困难的。作为一种可选实施方式，本发明公开了一种目标用户行为的表示方法，请参阅表1所示，在该表示方法中，将目标用户行为表示为产生行为的用户、产生行为的对象、行为的种类、产生行为的上下文、行为的内容以及行为的权重六个部分。将目标用户行为分类，过滤后通过上述表示方法转换为目标用户行为特征。
表1目标用户行特征表
更近一步地，将目标用户行为特征分显性反馈行为(explicitfeedback)和隐性反馈行为(implicit feedback)。显性反馈行为包括目标用户明确表示对物品喜好的行为。显示反馈行为的主要方式就是评分和喜欢/不喜欢。很多网站都使用了5分的评分系统来让用户直接表达对物品的喜好，也有些网站使用简单的″喜欢″或者″不喜欢″按钮收集用户的兴趣。和显性反馈行为相对应的是隐性反馈行为。隐性反馈行为指的是那些不能明确反应用户喜好的行为。最具代表性的隐性反馈行为就是页面浏览行为。用户浏览一个物品的页面并不代表用户一定喜欢这个页面展示的物品，比如可能因为这个页面链接显示在首页，用户更容易点击它而已。相比显性反馈，隐性反馈虽然不明确，但数据量更大。在很多网站中，很多用户甚至只有隐性反馈数据，而没有显性反馈。若直接要求用户评分时，大多数用户倾向于忽略提供信息或填写不完整、甚至给出错误信息。因此，从客户端收集到用户浏览信息，进而识别用户浏览行为隐含的兴趣，这种方式能够更真实客观地反映用户行为。如果仅从客户端数据学习、分析出用户浏览行为隐含的兴趣，不仅能够消除用户评分的成本，还有利于得到更为真实的反馈结果，提高推荐的准确性。在本发明实施例中，捕获的目标用户行为包括显性反馈行为和隐性反馈行为，采用显性反馈行为和隐性反馈行为相结合的方式用于构建推荐模型。
在本发明一实施例中，请参阅图5所示，个性推荐包括以下步骤：
将用户属性信息与所述目标用户行为特征归一化构建目标用户行为特征向量，形成推荐模型。
判断所述目标用户行为特征向量值是否大于预设阀值；
当所述目标用户行为特征向量值大于预设阀值时，基于协同过滤算法，从候选对象集合中选择预设数量的相似兴趣用户，提取所述预设数量的相似兴趣用户的兴趣项目并从中剔除目标用户的兴趣项目，对余下的兴趣项目进行评分、相似度加权以及排序，依据排序结果获得推荐信息推荐至目标用户；
当所述目标用户行为小于预设阀值时，基于目标用户行为标签特征标注算法，基于目标用户行为常用标签的获取推荐信息推荐至目标用户。
在个性推荐步骤中，基于收集到的目标用户行为特征数据构建用户画像，建立推荐模型，挖掘目标用户的潜在需求并能够根据用户行为偏好进行个性化推荐营销。
请参阅图6所示，推荐模型与所述推荐信息的联系途径包括兴趣项目、相似兴趣用户以及兴趣特征。可选地，直接从目标用户喜欢的兴趣项目匹配相似项目，将相似项目作为推荐信息。又可选地，首先获取相似兴趣用户，将相似兴趣用户喜欢的兴趣项目作为推荐信息；进一步可选地，将相似兴趣用户喜欢的兴趣项目进一步处理，进行相似性排序并剔除目标用户的兴趣项目。又可选地，获得目标用户的兴趣特征，进一步处理获取包含兴趣特征的项目作为推荐信息。
作为一种可选实施方式，所述目标用户行为特征向量为：
tj＝(t1，j，t2，j，…，ts，j，…，tn，j)
其中，j表示兴趣项目，n表示全部可评价目标用户行为。
假设收集到与项目j相关的全部n种可评价的用户行为特征中，每种行为特征占一个特征项，则任一个兴趣项目j的评分可以表示为一个n维特征向量tj＝(t1，j，t2，j，...，ts，j，...，tn，j)。这里并不使用统计结构表示所有用户行为特征结构，而是针对不同的行为给出不同表示。一个特征向量由目标行为特征以及目标行为特征的权重组成。在利用用户行为特征计算特征向量时需要考虑名句表用户行为特征的权重，然而用户与网络系统的很多交互动作，都能暗示其兴趣与爱好，如查询、浏览页面与文章、点击鼠标、翻页/拉动滚动条次数、菜单操作、网页浏览时间等。请参阅表2所示，示例性地给出了目标用户特征的权重分析方法。
表2目标用户行为特征
依据目标用户行为特征种类的不同，其特征权重也不尽相同。以下从目标用户行为种的三方面为例对行为特征权重作进一步说明。
用户行为种类和内容，在一个网站中，用户可以对兴趣项目，例如某物品产生很多不同种类的行为。在本发明方法及系统中，用户可以浏览物品、点击物品链接、评论物品、给物品打上不同的标签、转发分享物品等。这些行为都会对物品特征的权重产生影响，但不同行为的影响不同，大多时候很难确定什么行为更重要，一般的标准就是用户付出代价越大的行为权重越高。
用户行为产生时间，一般来说，用户近期的行为比较重要，而用户很久之前的行为相对比较次要。因此，如果用户最近签单过某个物品，那么这个物品对应的特征将会具有比较高的权重。
用户行为次数，有时用户对一个物品会产生很多次行为。因此用户对同一个物品的同一种行为发生的次数也反应了用户对物品的兴趣，行为次数多的物品对应的特征权重越高。
当目标用户行为特征向量值大于等于预设阀值时，即目标用户操作某兴趣项目的记录影响大于等于预设阀值n时，协同过滤算法基于以下假设：为用户找到他真正感兴趣内容的好方法是，首先找与他兴趣相似的用户，然后将这些用户感兴趣的内容推荐给此用户。
针对目标用户i，选出最相似的k个用户，用集合M(i，k)表示，将M中用户喜欢的兴趣项目提取出来并去除目标用户i已经喜欢的项目。然后对余下的兴趣项目进行评分与相似度加权，得到的结果进行排序，最后由排序的结果对目标用户i进行推荐。
作为一种可选实施方式，所述相似兴趣用户的相似度为：
其中，S(i，j)表示相似兴趣用户基于项目i和项目j的相似度；
U表示用户i和用户j同时进行过评分的项目集合；
表示用户i给项目u的评分减去用户i对所有项目评分的半均值。
上述实施例中，判别两个用户是否是邻居需要比较这两个用户的兴趣相似性，采用修正的余弦相似性作为度量方法
可选地，对于余下的兴趣项目i，目标用户i对兴趣项目u的兴趣度为：
其中，N(u)是用户j喜欢的物品的集合，M(i，k)是和用户i最相似的k个物品的集合，sij是用户i和j的相似度，rju是用户j对物品u的兴趣，t0是当前时间。上面公式表明，tju越靠近t0，物品u就会在用户i的推荐列表中获得越高的排名。β是时间衰减参数。P(i，u)表示用户i对u的喜欢程度，即对u的评分。
作为一种可选实施方式，基于目标用户行为常用标签的推荐为：
其中，P(i，u)表示用户i对项目u的兴趣度，B(i)是用户i打过的标签集合，B(u)是项目u被打过标签集合，ni，b是用户i打过标签b的次数，nb，u项目u被打过标签b的次数。
采用基于目标用户行为标签特征标注算法，利用物品的关键词内容信息来对用户进行推荐，能够解决新用户历史数据过少而造成的矩阵稀疏问题。对于基于目标用户行为标签特征标注数据的推荐算法，统计每个用户最常用的标签。对于每个标签，统计被打过的这个标签次数最多的物品。对于目标用户，首先找到其最常用的标签，然后找到具有这些标签的最热门项目推荐给目标用户。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种销售获客跟踪管理方法，其特征在于，所述销售获客跟踪管理方法包括：
文档解析，解析文档，获得目标用户行为特征；
个性推荐，基于所述目标用户行为特征建立推荐模型，基于所述推荐模型通过推荐算法获得推荐信息；
所述推荐模型与所述推荐信息的联系途径包括兴趣项目、相似兴趣用户以及兴趣特征中的任意一种或几种。
2.根据权利要求1所述的销售获客跟踪管理方法，其特征在于，所述文档解析包括以下步骤：
文档数据结构解析，将目标文档进行数据结构化、重构、抽取，获得文档抽取信息；
文档特征标注，对所述文档抽取信息进行标签特征标注以及代码埋点；
数据封包，对所述文档抽取信息、所述标签特征以及所述代码埋点进行数据封装，将封装的文档数据返回前端用于用户阅读，捕捉目标用户行为；
目标用户行为解构，将所述目标用户行为进行结构，获得所述目标用户行为特征。
3.根据权利要求2所述的销售获客跟踪管理方法，其特征在于，在所述文档数据结构解析步骤中，包括：
建立文档模板，依据文档类型分别建立对应类型的文档模板；
数据结构化，将所述目标文档的非结构化数据转为结构化数据；
重构，根据所述文档模板以及所述结构化数据进行文档信息重构，获得重构文档信息；
抽取，建立文档信息抽取规则，依据所述文档信息抽取规则对重构文档信息进行抽取，获得文档抽取信息。
4.根据权利要求2所述的销售获客跟踪管理方法，其特征在于，在所述数据封包步骤中，捕获的目标用户行为包括所述目标用户行为的用户属性、所述目标用户行为的触发时间、所述目标用户行为发生的位置、所述目标用户行为的行为内容以及所述目标用户行为的行为方式。
5.根据权利要求2至4任意一项所述的销售获客跟踪管理方法，其特征在于，在所述目标用户行为解构步骤中，以所述目标用户的身份为标识，将所述目标用户行为进行分类、过滤、转换为目标用户行为特征。
6.根据权利要求5所述的销售获客跟踪管理方法，其特征在于，所述个性推荐包括以下步骤：
将用户属性信息与所述目标用户行为特征归一化构建目标用户行为特征向量，形成推荐模型；
判断所述目标用户行为特征向量值是否大于预设阀值；
当所述目标用户行为特征向量值大于等于预设阀值时，基于协同过滤算法，从候选对象集合中选择预设数量的相似兴趣用户，提取所述预设数量的相似兴趣用户的兴趣项目并从中剔除目标用户的兴趣项目，对余下的兴趣项目进行评分、相似度加权以及排序，依据排序结果获得推荐信息推荐至目标用户。
7.根据权利要求6所述的销售获客跟踪管理方法，其特征在于，
所述目标用户行为特征向量为：
其中，j表示兴趣项目，n表示全部可评价目标用户行为。
8.根据权利要求6所述的销售获客跟踪管理方法，其特征在于，所述相似兴趣用户的相似度为：
其中，表示相似兴趣用户i和用户j的相似度；
U表示用户i和用户j同时进行过评分的项目集合；
表示用户i给项目u的评分减去用户i对所有项目评分的平均值。
9.根据权利要求6所述的销售获客跟踪管理方法，其特征在于，当所述目标用户行为小于预设阀值时，基于目标用户行为标签特征标注算法，基于目标用户行为常用标签的获取推荐信息推荐至目标用户。
10.根据权利要求9所述的销售获客跟踪管理方法，其特征在于，基于目标用户行为常用标签的推荐为：
其中，表示用户i对项目u的兴趣度，是用户i打过的标签集合，是项目u被打过标签集合，是用户i打过标签b的次数，项目u被打过标签b的次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811550031.9A CN109615437A (zh) | 2018-12-18 | 2018-12-18 | 销售获客跟踪管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811550031.9A CN109615437A (zh) | 2018-12-18 | 2018-12-18 | 销售获客跟踪管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109615437A true CN109615437A (zh) | 2019-04-12 |
Family
ID=66009619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811550031.9A Pending CN109615437A (zh) | 2018-12-18 | 2018-12-18 | 销售获客跟踪管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109615437A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288337A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技（深圳）有限公司 | 行为推荐方法、装置、设备及介质 |
| CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
| CN114095566A (zh) * | 2021-10-08 | 2022-02-25 | 深圳市易售科技有限公司 | 一种设备位置数据追踪方法、系统、电子设备及介质 |
| CN114493535A (zh) * | 2022-01-28 | 2022-05-13 | 北京乐开科技有限责任公司 | 一种基于资产模型的数据驱动用数据中台系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技（上海）有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
| CN107679079A (zh) * | 2017-08-29 | 2018-02-09 | 重庆邮电大学 | 基于手机用户兴趣三维模型的个性化应用推荐方法 |
| CN108334536A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种信息推荐方法、设备和存储介质 |
-
2018
- 2018-12-18 CN CN201811550031.9A patent/CN109615437A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技（上海）有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
| CN107679079A (zh) * | 2017-08-29 | 2018-02-09 | 重庆邮电大学 | 基于手机用户兴趣三维模型的个性化应用推荐方法 |
| CN108334536A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种信息推荐方法、设备和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288337A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技（深圳）有限公司 | 行为推荐方法、装置、设备及介质 |
| CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
| CN114095566A (zh) * | 2021-10-08 | 2022-02-25 | 深圳市易售科技有限公司 | 一种设备位置数据追踪方法、系统、电子设备及介质 |
| CN114493535A (zh) * | 2022-01-28 | 2022-05-13 | 北京乐开科技有限责任公司 | 一种基于资产模型的数据驱动用数据中台系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9514226B2 (en) | Methods and systems useful for identifying the most influent social media users in query-based social data streams | |
| US8359276B2 (en) | Identifying influential persons in a social network | |
| US10540660B1 (en) | Keyword analysis using social media data | |
| CN109615437A (zh) | 销售获客跟踪管理方法 | |
| WO2021025926A1 (en) | Digital content prioritization to accelerate hyper-targeting | |
| CN103778260A (zh) | 一种个性化微博信息推荐系统和方法 | |
| CN105069654A (zh) | 一种基于用户识别的网站实时/非实时营销投放方法及系统 | |
| CN101957834A (zh) | 一种基于用户特征进行内容推荐的方法与设备 | |
| CN102713889A (zh) | 将网页访问者和转换与外部引用相关联 | |
| CN109033180A (zh) | 一种信息推送方法、装置、计算机装置及计算机可读存储介质 | |
| US20170277798A9 (en) | System for finding website invitation cueing keywords and for atrribute-based generation of invitation-cueing instructions | |
| CN104471571A (zh) | 事件驱动架构下对Web活动索引、排序和分析的系统和方法 | |
| KR20140026932A (ko) | 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법 | |
| KR101559719B1 (ko) | 효과적인 마케팅을 도출하는 자동학습 시스템 및 방법 | |
| Xiao et al. | Network closure among sellers and buyers in social commerce community | |
| CN102855333A (zh) | 一种基于组推荐的服务选取系统及其选取方法 | |
| CN101916274A (zh) | 对LinkUGC进行聚合显示的方法和系统 | |
| CN110637317A (zh) | 用于在数字通信网络上跨多个设备建立数字接触点的分布式节点群集 | |
| CN101957968A (zh) | 基于Hadoop的网上交易服务聚合方法 | |
| KR20190097879A (ko) | 마케팅 플랫폼 시스템과, 이를 이용한 소셜 네트워크 기반 광고 방법 및 컴퓨터 프로그램 | |
| CN101276450A (zh) | 信息处理装置、信息处理方法和信息处理程序 | |
| CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
| Pitt et al. | Using Chernoff faces to portray social media wine brand images | |
| CN105205046A (zh) | 一种基于语义分析的在线用户推荐系统及方法 | |
| KR20220144531A (ko) | Sns 광고를 통해 피드백을 분석하는 인공지능 분석 시스템 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Song Guiling Inventor after: Heqingsong Inventor after: Wang Ming Inventor after: Liu Yuanyuan Inventor before: Song Guiling Inventor before: He Qingsong Inventor before: Wang Ming Inventor before: Liu Yuanyuan |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210107 Address after: 130062 Room 305, building 5, Fengye royal garden, No.7 Yanshou street, Lvyuan District, Changchun City, Jilin Province Applicant after: Jilin Micro Enterprise Cloud Service Software Technology Co.,Ltd. Address before: No. 4009-187, 4th floor, block B, building 1, yard 2, Yongcheng North Road, Haidian District, Beijing Applicant before: BEIJING YILIAN TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |