CN110119466A - 一种大数据智能营销系统及其方法 - Google Patents

Abstract

本发明公开了一种大数据智能营销系统及其方法，通过全面系统性地获取企业相关数据，利用机器学习算法和模型提炼出企业显著特征包括风险特征从而能从多维度对企业做出精准的画像，利用企业间的多种关联关系找出用户企业和目标企业的关联途径，结合目标企业特征和销售人员或销售渠道的各类信息做最优化的营销分配并采集营销效果数据不断优化分配机制，使得用户用数据化的方式通过计算机自动实现目标企业精准匹配、营销方案合理建议、分配最优化和提高目标企业营销转化率等目的。

Description

一种大数据智能营销系统及其方法

技术领域

本发明涉及大数据应用于营销的技术领域，特别涉及一种大数据智能营销系统及其方法，通过利用企业的工商、贸易、税务、发票、海关、法院和国家各部委发布的各类企业数据等帮助用户查询其目标企业，提供营销方案，找到目标企业分配给销售的优化方案。

背景技术

大数据营销相对传统的营销方式具有效率高、成本低、信息丰富、营销精准等特点，随着大数据分析技术的发展及越来越多的企业类数据逐渐向社会开放，企业类大数据营销逐渐成为可能，并且企业对大数据营销在B类贸易中的需求也日益强烈。用户对企业类大数据营销的满意度主要取决于三个方面：1、对用户需求的精准匹配；2、能有效触达到目标客户的营销建议；3、营销成功率。

数据化营销在国内，尤其是在企业级，还没有广泛应用，现在绝大多数企业还是依赖传统的营销手段，即通过地推团队和合作的营销渠道去寻找目标企业客群以发展相应业务，但是会存在以下问题：1、销售人员存在信息不足的问题，难以精准找到目标客群；2、传统销售不能全面了解被营销企业的风险状况，导致营销成功的企业里很大一部分会因为风险原因导致经济损失。

针对现有营销手段存在的问题和不足，现有部分科技公司也开发了一些数据化的营销产品帮助寻找企业类客群，但这些产品往往有一些缺陷，例如：1、涵盖的企业类信息不足或参差不齐，数据挖掘的程度和深度不够，因此会匹配不精准；2、联系方式往往只是提供通过企业工商信息留存的电话或邮箱等，但现实生活中这样的联系电话往往是总机号或已经失效无法联系，电子邮件也不会专人查收或及时查收，导致销售人员没有一个有效的方式触达到目标客户。另外，互信是企业间建立生意关系的一个很重要因素，比如通过朋友或贸易伙伴介绍的公司达成合作的可能性会远高于没有这种关系的，而现有的数据化营销产品没有提供一个有效的营销方案；3、现有的大数据营销产品注重企业经营状况，没有综合识别和判断企业各类风险，所以推荐的企业客群并非都是真正的优质客群；4、数据化营销的链路比较长，包括通过算法在数据库匹配用户所需企业、到把目标企业分配给销售、销售跟踪、到营销结果反馈，再到把营销结果反馈到算法模型不断优化形成一个闭环的全流程。现在的大数据营销往往只是覆盖了这个链条中的第一环，即寻找到需要的目标企业并提供联系方式，这样一个不完整的大数据营销方法对用户的帮助非常有限。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种大数据智能营销系统及其方法，使用户用数据化的方式通过计算机自动实现目标企业精准匹配、营销方案合理建议、分配最优化和提高目标企业营销转化率等目的。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种大数据智能营销系统，包括：

前期数据处理模型，收集整合各类企业数据，企业数据包括企业基本信息、各类关联关系、商品、资金、工商、财务、税务、法院、海关、以及各种风险类数据信息，使用特征工程对中国在营全量企业的近千个维度数据加工指标集合形成企业画像,指标集合包括企业各类特征指标、关联指标、风险指标(风险涵盖了企业偿付风险、虚假贸易风险、经营不稳定风险)等指标，这些指标综合起来能够有效地从各个维度刻画每个企业的主要特征，然后再利用机器学习方法对企业风险指标集合设定权重做出企业风险综合评估，并标识企业间的网状关联关系，从而识别一个企业和另外一个企业的各种关联途径；

用户标识输入模块，输入用户的企业名称和企业社会信用代码，用于用户搜索匹配时定位自身公司信息；

销售注册模块，用于销售公司及销售拍档注册和输入企业或个人的基本信息、工作年限、熟悉的行业等信息；

匹配条件输入模块，用于用户输入目标企业涉及的区域、规模、成长性、行业、主营产品、风险偏好等搜索信息内容；

算法和搜索模块，根据用户标识输入模块的客户标识信息和匹配条件输入模块的搜索信息在数据库内搜索和查询用户需求的目标企业客群信息；

搜索结果智能展示模块，用于展示算法和搜索模块查询出的所有目标企业客群信息，搜索结果智能展示模块主要展示目标企业客群的企业名称、企业主要特征(包括行业、经营实力、风险等待)、每一家企业和用户企业的社会关联强弱指标等，搜索结果智能展示模块同时具有根据用户对具体方面的偏好或需求对目标企业排序的功能，让心仪的目标企业排在前面；

信息查询模块，用于用户查询感兴趣的目标企业的更多企业信息；

营销建议模块，根据用户与各目标企业的网状关联关系信息提出营销途径，用户可以根据路径长短和其他因素择优选择目标企业，并触达和转化目标客群，即系统会根据企业间的工商(法人、董、监、高等)关联、贸易关联关系和企业间社交关联关系，给出用户企业和每个目标企业的关联路径，比如用户企业工商关联企业A>企业A贸易关联企业B>企业B贸易关联目标企业C，通过这样的关联关系，销售人员可以通过A找到B然后介绍给C；

分配模块，调取销售注册模块内销售信息，根据机器学习算法对销售信息和目标企业客群信息去识别和优化，把目标企业分配给最适合的销售人员和渠道以提高销售成功率；

销售跟踪列表，统计每个销售人员和渠道的营销过程数据和营销结果，并把营销过程数据和营销结果反馈至算法和搜索模块、分配模块两个功能块内的算法模型内，优化和改进下次的待营销目标企业分配。

进一步优选为：所述匹配条件输入模块包括筛选条件输入模块和典型企业名称输入模块两个功能块，两者相互独立设置、取决于用户选择；同时算法和搜索模块配套设置有按筛选条件匹配模块和按典型企业寻找相似企业模块。

在系统布置前期，会预先构建前期数据处理模型，类似使用机器学习算法前期构建的预训练算法模型，前期数据处理模型会根据全国全量在营企业各类数据，加工出企业画像、企业风险综合评估、标识企业间的网状关联关系，预先处理出系统后续处理所需要的数据；

在系统完成投入使用的过程中，每一个系统用户会被要求在用户标识输入模块和销售注册模块进行信息填写，获取用户和销售的基本信息，相当于常规的注册流程，只是此系统的注册信息会有更强的偏重性，像销售人员的工作经历等会影响到最优目标企业分配的个人经历信息。

当用户需要搜索自己需要的客户群体时，只需要在匹配条件输入模块内进行选择使用筛选条件输入模块和典型企业名称输入模块两个功能块的哪一个，如果企业用户对目标客群有非常明确的要求，包括行业、主营商品、地区、成立年限、经营规模、成长性等等，这类的企业用户可以选择按特定的筛选条件在企业数据库里根据企业画像的主要特征，通过按筛选条件匹配模块内的算法找到满足这些要求的目标企业客群；有的企业用户对目标客群只有比较模糊的定位，比如类似XX典型企业的都是这个企业用户的目标客群，这样用户可以选择输入典型企业的方式去查找和它相似的目标客群，这个相似度主要通过算法从企业画像里的特征指标加权从多维度量化两个企业的相似性。

根据用户搜索条件搜索出的目标企业客群信息会在输送到搜索结果智能展示模块内进行展示，搜索结果智能展示模块同时具有根据用户对具体方面的偏好或需求对目标企业排序的功能，让心仪的目标企业排在前面，用户可以通过信息查询模块的功能设定查询感兴趣的目标企业更多的企业信息，进一步确定是否为用户的目标企业。

上述的目标企业客群的搜索只是此套系统的基础功能，只是降低了用户查找到目标企业客群的效率，此套系统同时搭配提高用户与目标企业客群签约成功几率的功能块设定，即设置了营销建议模块和分配模块，营销建议模块根据用户和目标企业客群之间的网状关联关系，用户可以根据路径长短和其他因素择优选择目标企业，并触达和转化目标客群，从客群选择上提高签约成功率；分配模块则是把合适的目标企业分配到合适的销售人员和渠道上，从销售环节上提高签约成功率，并且配备销售跟踪列表功能，对整个营销过程进行跟踪，收集营销过程数据和营销具体成果数据反馈到算法和搜索模块、分配模块两个功能块内的算法模型内，优化和改进下次的待营销目标企业分配，进一步提高此套系统对用户的营销成功几率。

基于上述的一种大数据智能营销系统，延伸出一种大数据智能营销方法，其包括如下步骤：

步骤S110，通常利用商业购买、战略合作、网络爬虫等技术收集整合全国全量在营企业的相关数据，相关数据涉及企业基本信息、各类关联关系和关联对象信息、商品、资金、工商、财务、税务、法院、海关及各种风险类数据信息；

步骤S120，通过特征工程对企业加工特征指标集合形成企业画像，指标加工方法包括利用机器学习算法模型及专家经验，对企业工商信息、风险、主营商品、贸易对象、企业经营状况、商品价格、守法守信、纳税状况、财务状况等上千种指标集合进行加工，从中提炼出核心特征信息，构建企业画像；

步骤S130，对全国全量企业所搜集到的各类风险信息，通过机器学习模型对不同风险进行评估和加权，形成一个综合的风险程度判断；

步骤S140，标识企业间的网状关联关系，网状关联关系包括企业间的工商(法人、董、监、高等)关联、贸易上下游关联和企业社交关联关系等；

步骤S150，匹配算法搜索满足筛选条件的企业或相似度算法搜索与输入的典型企业相似的企业，在相似度评定上主要通过算法对企业画像里的特征指标加权、并从多维度量化两个企业的相似性；

步骤S160，搜索出的目标企业通过优化算法自动识别最优的分配方案分配给销售人员和渠道，分配依据根据目标企业的特征信息和销售的行业背景、销售的工作年限、历史成功率、销售更进速度、所在区域等等信息；

步骤S170，根据网状关联关系提出营销途径，通过企业间的各种关联关系网络找到用户企业和目标企业之间关联的最短路径，用户可以根据路径的长短和其他因素去择优选择目标企业，并触达和转化目标客群；

步骤S180，目标企业一旦分配给销售后，销售需要及时地更新更进时间和进展，进展可为标准化的判断，比如“待跟进”、“有意向”、“无意向”、“客户拒绝”、“成功签约”等，产生的数据会以结构化的形式存到数据库里，然后反馈到步骤S150和步骤S160不断优化匹配算法和分配算法。

综上所述，本发明对比于现有技术的有益效果为：通过全面系统性地获取企业相关数据，利用机器学习算法和模型提炼出企业显著特征包括风险特征从而能从多维度对企业做出精准的画像，通过风险信息前置提高营销成功概率。利用企业间的多种关联关系找出用户企业和目标企业的关联途径，结合目标企业特征和销售人员或销售渠道的各类信息做最优化的营销分配并采集营销效果数据不断优化分配机制，使得用户用数据化的方式通过计算机自动实现目标企业精准匹配、营销方案合理建议、分配最优化和提高目标企业营销转化率等目的。

附图说明

图1为实施例中大数据智能营销方法的流程图；

图2为实施例中大数据智能营销系统的结构图；

附图标记：210、用户标识输入模块；220、匹配条件输入模块；221、筛选条件输入模块；222、典型企业名称输入模块；230、算法和搜索模块；231、按筛选条件匹配模块；232、按典型企业寻找相似企业模块；240、搜索结果智能展示模块；250、信息查询模块；260、营销建议模块；270、销售注册模块；280、分配模块；290、销售跟踪列表。

具体实施方案

以下结合附图对发明作进一步详细说明。

一种大数据智能营销系统，参照图2所示，包括前期数据处理模型、用户标识输入模块210、销售注册模块270、匹配条件输入模块220、算法和搜索模块230、搜索结果智能展示模块240、信息查询模块250、营销建议模块260、分配模块280、销售跟踪列表290。

对于此套系统中上述功能模块，具体描述如下：

前期数据处理模型，收集整合各类企业数据，企业数据包括企业基本信息、各类关联关系、商品、资金、工商、财务、税务、法院、海关、以及各种风险类数据信息，使用特征工程对中国在营全量企业的近千个维度数据加工指标集合形成企业画像,指标集合包括企业各类特征指标、关联指标、风险指标(风险涵盖了企业偿付风险、虚假贸易风险、经营不稳定风险)等指标，这些指标综合起来能够有效地从各个维度刻画每个企业的主要特征，然后再利用机器学习方法对企业风险指标集合设定权重做出企业风险综合评估，并标识企业间的网状关联关系，从而识别一个企业和另外一个企业的各种关联途径；

用户标识输入模块210，输入用户的企业名称和企业社会信用代码，用于用户搜索匹配时定位自身公司信息；

销售注册模块270，用于销售公司及销售拍档注册和输入企业或个人的基本信息、工作年限、熟悉的行业等信息，分配模块280在分配选择时会参考销售注册模块270内销售人员和渠道的相关经历信息和记录，好决定出最优的分配方案，并随着系统的使用次数和使用时间的增加，此套系统内的机器算法会在更多的数据训练下成长，之后会规划出更优化的分配方案或建议，此系统有一定的成长性，能够越来越有助于用户使用。

匹配条件输入模块220，用于用户输入目标企业涉及的区域、规模、成长性、行业、主营产品、风险偏好等搜索信息内容；在现有的设计中，考虑到用户对目标企业认知水准不同，为方便不同认知水平的用户使用，设计了两种搜索模式，即对目标企业认知较多的按筛选条件进行搜索和对目标企业认知较少的按典型企业进行搜索，用户可以一同使用两种搜索模式，相辅相成，达到最优的营销方案，由此匹配条件输入模块220包括筛选条件输入模块221和典型企业名称输入模块222两个功能块，两者相互独立设置、取决于用户选择；同时算法和搜索模块230配套设置有按筛选条件匹配模块231和按典型企业寻找相似企业模块232，在相似度评定上主要通过算法对企业画像里的特征指标加权、并从多维度量化两个企业的相似性。

算法和搜索模块230，根据用户标识输入模块210的客户标识信息和匹配条件输入模块220的搜索信息在数据库内搜索和查询用户需求的目标企业客群信息；

搜索结果智能展示模块240，用于展示算法和搜索模块230查询出的所有目标企业客群信息，搜索结果智能展示模块240主要展示目标企业客群的企业名称、企业主要特征(包括行业、经营实力、风险等待)、每一家企业和用户企业的社会关联强弱指标等，搜索结果智能展示模块240同时具有根据用户对具体方面的偏好或需求对目标企业排序的功能，让心仪的目标企业排在前面；

信息查询模块250，用于用户查询感兴趣的目标企业的更多企业信息；

营销建议模块260，根据用户与各目标企业的网状关联关系信息提出营销途径，用户可以根据路径长短和其他因素择优选择目标企业，并触达和转化目标客群，即系统会根据企业间的工商(法人、董、监、高等)关联、贸易关联关系和企业间社交关联关系，给出用户企业和每个目标企业的关联路径，比如用户企业工商关联企业A>企业A贸易关联企业B>企业B贸易关联目标企业C，通过这样的关联关系，销售人员可以通过A找到B然后介绍给C；

分配模块280，在找到目标企业后，目标企业具有行业和地域特征，什么样的销售人员或销售渠道适合什么样的目标客群从而能取得最好的转化率，根据机器学习算法对销售信息和目标企业客群信息去识别和优化；并根据目标客群的特征结合销售的行业背景、销售的工作年限、历史成功率、销售更进速度、所在区域等等，机器学习的方法可以自动识别最优的分配方案，把目标企业分配给最适合的销售人员和渠道，从而提高销售成功率。

销售跟踪列表290，统计每个销售人员和渠道的营销过程数据和营销结果，并把营销过程数据和营销结果反馈至算法和搜索模块230、分配模块280两个功能块内的算法模型内，优化和改进下次的待营销目标企业分配。目标企业一旦分配给销售后，销售需要及时地更新更进时间和进展，进展可以是标准化的判断，比如“待跟进”，“有意向”，“无意向”，“客户拒绝”，“成功签约”等；这样的数据会以结构化的形式存到数据库里，然后反馈给算法和搜索模块230、分配模块280模型两个模块内去不断优化相应模块内的匹配算法和分配算法。

工作原理：

在系统布置前期，会预先构建前期数据处理模型，类似使用机器学习算法前期构建的预训练算法模型，前期数据处理模型会根据全国全量在营企业各类数据，加工出企业画像、企业风险综合评估、标识企业间的网状关联关系，预先处理出系统后续处理所需要的数据；

在系统完成投入使用的过程中，每一个系统用户会被要求在用户标识输入模块210和销售注册模块270进行信息填写，获取用户和销售的基本信息，相当于常规的注册流程，只是此系统的注册信息会有更强的偏重性，像销售人员的工作经历等会影响到最优目标企业分配的个人经历信息。

当用户需要搜索自己需要的客户群体时，只需要在匹配条件输入模块220内进行选择使用筛选条件输入模块221和典型企业名称输入模块222两个功能块的哪一个，如果企业用户对目标客群有非常明确的要求，包括行业、主营商品、地区、成立年限、经营规模、成长性等等，这类的企业用户可以选择按特定的筛选条件在企业数据库里根据企业画像的主要特征，通过按筛选条件匹配模块231内的算法找到满足这些要求的目标企业客群；有的企业用户对目标客群只有比较模糊的定位，比如类似XX典型企业的都是这个企业用户的目标客群，这样用户可以选择输入典型企业的方式去查找和它相似的目标客群，这个相似度主要通过算法从企业画像里的特征指标加权从多维度量化两个企业的相似性。

根据用户搜索条件搜索出的目标企业客群信息会在输送到搜索结果智能展示模块240内进行展示，搜索结果智能展示模块240同时具有根据用户对具体方面的偏好或需求对目标企业排序的功能，让心仪的目标企业排在前面，用户可以通过信息查询模块250的功能设定查询感兴趣的目标企业更多的企业信息，进一步确定是否为用户的目标企业。

上述的目标企业客群的搜索只是此套系统的基础功能，只是降低了用户查找到目标企业客群的效率，此套系统同时搭配提高用户与目标企业客群签约成功几率的功能块设定，即设置了营销建议模块260和分配模块280，营销建议模块260根据用户和目标企业客群之间的网状关联关系，用户可以根据路径长短和其他因素择优选择目标企业，并触达和转化目标客群，从客群选择上提高签约成功率；分配模块280则是把合适的目标企业分配到合适的销售人员和渠道上，从销售环节上提高签约成功率，并且配备销售跟踪列表290功能，对整个营销过程进行跟踪，收集营销过程数据和营销具体成果数据反馈到算法和搜索模块230、分配模块280两个功能块内的算法模型内，优化和改进下次的待营销目标企业分配，进一步提高此套系统对用户的营销成功几率。

本申请通过全面系统性地获取企业相关数据，利用特征工程方法对企业做企业画像，通过机器学习的算法去匹配和搜索满足用户条件的客群，并风险前置，真正做到推荐优质客群，并根据企业间的关联关系给出触达目标企业的方法。最后利用机器学习算法找到目标企业和销售的最优分配，并将销售结果反馈给算法提高精准度。整套方法和系统能够高效、精准地发现优质目标客群，并提高营销转化率。

基于上述的一种大数据智能营销系统，延伸出一种大数据智能营销方法，参照图1所示，其包括如下步骤：

步骤S110，通常利用商业购买、战略合作、网络爬虫等技术收集整合全国全量在营企业的相关数据，相关数据涉及企业基本信息、各类关联关系和关联对象信息、商品、资金、工商、财务、税务、法院、海关及各种风险类数据信息；

步骤S120，通过特征工程对企业加工特征指标集合形成企业画像，指标加工方法包括利用机器学习算法模型及专家经验，对企业工商信息、风险、主营商品、贸易对象、企业经营状况、商品价格、守法守信、纳税状况、财务状况等上千种指标集合进行加工，从中提炼出核心特征信息，构建企业画像；

步骤S130，对全国全量企业所搜集到的各类风险信息，通过机器学习模型对不同风险进行评估和加权，形成一个综合的风险程度判断；

步骤S140，标识企业间的网状关联关系，网状关联关系包括企业间的工商(法人、董、监、高等)关联、贸易上下游关联和企业社交关联关系等；

步骤S150，匹配算法搜索满足筛选条件的企业或相似度算法搜索与输入的典型企业相似的企业，在相似度评定上主要通过算法对企业画像里的特征指标加权、并从多维度量化两个企业的相似性；

步骤S160，搜索出的目标企业通过优化算法自动识别最优的分配方案分配给销售人员和渠道，分配依据根据目标企业的特征信息和销售的行业背景、销售的工作年限、历史成功率、销售更进速度、所在区域等等信息；

步骤S170，根据网状关联关系提出营销途径，通过企业间的各种关联关系网络找到用户企业和目标企业之间关联的最短路径，用户可以根据路径的长短和其他因素去择优选择目标企业，并触达和转化目标客群；

步骤S180，目标企业一旦分配给销售后，销售需要及时地更新更进时间和进展，进展可为标准化的判断，比如“待跟进”、“有意向”、“无意向”、“客户拒绝”、“成功签约”等，产生的数据会以结构化的形式存到数据库里，然后反馈到步骤S150和步骤S160不断优化匹配算法和分配算法。

以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (4)

1.一种大数据智能营销系统，其特征是，包括：

前期数据处理模型，收集整合各类企业数据，使用特征工程加工指标集合形成企业画像,指标集合包括企业各类特征指标、关联指标、风险指标等，对企业风险指标集合设定权重做出企业风险综合评估，并标识企业间的网状关联关系；

销售注册模块(270)，用于销售公司及销售拍档注册和输入企业或个人的基本信息、工作年限、熟悉的行业等信息；

用户标识输入模块(210)，输入用户的企业名称和企业社会信用代码，用于用户搜索匹配时定位自身公司信息；

匹配条件输入模块(220)，用于用户输入目标企业涉及的区域、规模、成长性、行业、主营产品、风险偏好等搜索信息内容；

算法和搜索模块(230)，根据用户标识输入模块(210)的客户标识信息和匹配条件输入模块(220)的搜索信息在数据库内搜索和查询用户需求的目标企业客群信息；

搜索结果智能展示模块(240)，其用于展示算法和搜索模块(230)查询出的所有目标企业客群信息，并具有根据用户对具体方面的偏好或需求对目标企业排序的功能；

营销建议模块(260)，根据用户与各目标企业的网状关联关系信息提出营销途径，用户可以根据路径长短和其他因素择优选择目标企业，并触达和转化目标客群；

分配模块(280)，调取销售注册模块(270)内销售信息，根据机器学习算法对销售信息和目标企业客群信息去识别和优化，把目标企业分配给最适合的销售人员和渠道以提高销售成功率；

销售跟踪列表(290)，统计每个销售人员和渠道的营销过程数据和营销结果，并把营销过程数据和营销结果反馈至算法和搜索模块(230)、分配模块(280)两个功能块内的算法模型内，优化和改进下次的待营销目标企业分配。

2.根据权利要求1所述的一种大数据智能营销系统，其特征是：所述匹配条件输入模块(220)包括筛选条件输入模块(221)和典型企业名称输入模块(222)两个功能块，两者相互独立设置、取决于用户选择；同时算法和搜索模块(230)配套设置有按筛选条件匹配模块(231)和按典型企业寻找相似企业模块(232)。

3.根据权利要求1所述的一种大数据智能营销系统，其特征是：同时包括信息查询模块(250)，用于用户查询感兴趣的目标企业的更多企业信息。

4.一种大数据智能营销方法，其特征是，包括如下步骤：

步骤S110，通常利用商业购买、战略合作、网络爬虫等技术收集整合全国全量在营企业的相关数据，相关数据涉及企业基本信息、各类关联关系和关联对象信息、商品、资金、工商、财务、税务、法院、海关及各种风险类数据信息；

步骤S120，通过特征工程对企业加工特征指标集合形成企业画像，指标加工方法包括利用机器学习算法模型及专家经验，对企业工商信息、风险、主营商品、贸易对象、企业经营状况、商品价格、守法守信、纳税状况、财务状况等上千种指标集合进行加工，从中提炼出核心特征信息，构建企业画像；

步骤S130，对全国全量企业所搜集到的各类风险信息，通过机器学习模型对不同风险进行评估和加权，形成一个综合的风险程度判断；

步骤S140，标识企业间的网状关联关系，网状关联关系包括企业间的工商(法人、董、监、高等)关联、贸易上下游关联和企业社交关联关系等；

步骤S150，匹配算法搜索满足筛选条件的企业或相似度算法搜索与输入的典型企业相似的企业，在相似度评定上主要通过算法对企业画像里的特征指标加权、并从多维度量化两个企业的相似性；

步骤S160，搜索出的目标企业通过优化算法自动识别最优的分配方案分配给销售人员和渠道，分配依据根据目标企业的特征信息和销售的行业背景、销售的工作年限、历史成功率、销售更进速度、所在区域等等信息；

步骤S170，根据网状关联关系提出营销途径，通过企业间的各种关联关系网络找到用户企业和目标企业之间关联的最短路径，用户可以根据路径的长短和其他因素去择优选择目标企业，并触达和转化目标客群；

步骤S180，目标企业一旦分配给销售后，销售需要及时地更新更进时间和进展，进展可为标准化的判断，比如“待跟进”、“有意向”、“无意向”、“客户拒绝”、“成功签约”等，产生的数据会以结构化的形式存到数据库里，然后反馈到步骤S150和步骤S160不断优化匹配算法和分配算法。