CN110490632A

CN110490632A - 一种潜在客户识别方法、电子设备及存储介质

Info

Publication number: CN110490632A
Application number: CN201910585823.8A
Authority: CN
Inventors: 张征
Original assignee: Guangzhou Avanti Electronic Technology Co Ltd
Current assignee: Guangzhou Avanti Electronic Technology Co Ltd
Priority date: 2019-07-01
Filing date: 2019-07-01
Publication date: 2019-11-22

Abstract

本发明公开了一种潜在客户识别方法、电子设备及存储介质，该方法包括：获取产品销售数据，根据客户的个人信息从数据信息平台获取客户的数据信息；根据客户的数据信息建立对应的标签数据；将每个客户的所有用户个性标签与该客户购买的产品的信息进行匹配后作为训练样本；根据用户个性标签，采用机器学习算法建立人工智能识别模型；使用训练样本对人工智能识别模型进行训练；获取待识别用户标签数据并输入人工智能识别模型中以判断该用户是否为潜在客户。该方法能对用户日常的数据信息进行分析处理，得到用户个性标签与用户所购的产品信息之间的匹配关系，从而通过人工智能识别模型进行潜在客户的智能识别，帮助产品经销商实现精准营销。

Description

一种潜在客户识别方法、电子设备及存储介质

技术领域

本发明涉及潜在客户识别技术领域，尤其涉及一种潜在客户识别方法、电子设备及存储介质。

背景技术

随着经济的发展，汽车已经普及到许许多多的家庭。但是，目前汽车仍然属于高端消费品，消费者购买汽车仍然会比较理性地进行思考。同时，在消费者购买汽车时，往往都会有青睐的品牌或者车型。基于这样的认识，汽车的销售可以做到提前预知客户是否有购车打算、购车的品牌及车型选择，从而帮助汽车经销商实现精准营销，避免将时间浪费在一些无效客户身上，提高效率，节约成本，从而提高经营效益。

然而，现有技术中仅是通过用户浏览过的汽车品牌以及汽车型号等数据来判断用户是否有购车需求，例如专利CN108256052A公开的一种基于tri-training的汽车行业潜在客户识别方法，这种方式仅是考虑用户与汽车相关的数据信息，存在局限性。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种潜在客户识别方法，其能对用户日常的数据信息进行分析处理，得到用户个性标签与用户所购的产品信息之间的匹配关系，从而通过人工智能识别模型进行潜在客户的智能识别，帮助产品经销商实现精准营销，避免将时间浪费在一些无效客户身上，提高效率，节约成本，从而提高经营效益。

本发明的目的之二在于提供一种电子设备，其能对用户日常的数据信息进行分析处理，得到用户个性标签与用户所购的产品信息之间的匹配关系，从而通过人工智能识别模型进行潜在客户的智能识别，帮助产品经销商实现精准营销，避免将时间浪费在一些无效客户身上，提高效率，节约成本，从而提高经营效益。

本发明的目的之三在于提供一种计算机可读存储介质，该存储介质中的程序运行时能对用户日常的数据信息进行分析处理，得到用户个性标签与用户所购的产品信息之间的匹配关系，从而通过人工智能识别模型进行潜在客户的智能识别，帮助产品经销商实现精准营销，避免将时间浪费在一些无效客户身上，提高效率，节约成本，从而提高经营效益。

本发明的目的之一采用如下技术方案实现：

一种潜在客户识别方法，包括：

训练样本获取步骤：

获取产品销售数据，所述产品销售数据包括客户购买的产品的信息以及客户的个人信息；

根据客户的个人信息从数据信息平台获取客户的数据信息；所述数据信息包括：兴趣大数据、轨迹大数据和/或泛生活形态大数据；所述兴趣大数据包括用户的线上浏览数据，所述轨迹大数据包括用户的消费数据，所述泛生活形态大数据包括用户的生活习惯数据；

根据客户的数据信息建立对应的标签数据，所述标签数据包括多个用户个性标签；

将每个客户的所有用户个性标签与该客户购买的产品的信息进行匹配并作为一个训练样本存储在训练集中；

模型构建及训练步骤：

根据用户个性标签，采用机器学习算法建立人工智能识别模型；

使用训练集中的训练样本对所述人工智能识别模型进行训练以使所述人工智能识别模型能够根据所输入的用户个性标签判断该用户是否为潜在客户；

进一步地，还包括识别步骤：

从数据信息平台获取待识别用户的数据信息，根据待识别用户的数据信息建立对应的标签数据，并将该标签数据输入已训练好的人工智能识别模型中以判断该用户是否为潜在客户。

进一步地，所述根据用户个性标签，采用机器学习算法建立人工智能识别模型具体为：

基于XGBoost算法，以各个用户个性标签作为分割属性，构建若干棵决策树集成为一个人工智能识别模型。

进一步地，所述人工智能识别模型的模型函数为：

其中，t为决策树的数量。

进一步地，所述产品的信息包括产品的品牌以及型号；所述人工智能识别模型能够根据所输入的用户个性标签判断该用户是否为潜在客户以及该用户的品牌偏好。

进一步地，还包括步骤：当识别到用户为潜在客户时，根据该用户的个人信息以及从数据信息平台所获取的数据信息确定该用户的常居住地以供对应区域的产品经销商对该用户进行精准营销。

进一步地，还包括负样本训练步骤：

在训练好所述人工智能识别模型之后，获取新的产品销售数据，所述产品销售数据包括客户购买的产品的信息以及客户的个人信息；

根据客户的个人信息从数据信息平台获取客户的数据信息；

根据客户的数据信息建立对应的标签数据，并将该标签数据输入已训练好的人工智能识别模型中得到识别结果；

将所述识别结果与所述产品销售数据中的实际销售信息进行比对；

若比对结果不一致，则根据该客户的用户个性标签对所述人工智能识别模型进行修正以提高识别精准度。

进一步地，所述用户个性标签包括：兴趣标签、活动区域标签、消费水平标签、人生阶段标签、性格标签以及购物风格标签。

本发明的目的之二采用如下技术方案实现：

一种电子设备，包括处理器和存储器，所述存储器存储有可执行计算机程序，所述处理器可读取所述存储器中的计算机程序并运行以实现如上所述的潜在客户识别方法。

本发明的目的之三采用如下技术方案实现：

一种计算机可读存储介质，所述计算机可读存储介质存储有可执行计算机程序，所述计算机程序运行时可实现如上所述的潜在客户识别方法。

相比现有技术，本发明的有益效果在于：

该潜在客户识别方法能对用户日常的数据信息进行分析处理，得到用户个性标签与用户所购的产品信息之间的匹配关系，从而通过人工智能识别模型进行潜在客户的智能识别，帮助产品经销商实现精准营销，避免将时间浪费在一些无效客户身上，提高效率，节约成本，从而提高经营效益。

附图说明

图1为本发明提供的一种潜在客户识别方法的流程示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

请参阅图1，其为一种潜在客户识别方法的流程示意图，包括：

训练样本获取步骤：

S1、获取产品销售数据，所述产品销售数据包括客户购买的产品的信息以及客户的个人信息；

S2、根据客户的个人信息从数据信息平台获取客户的数据信息；所述数据信息包括：兴趣大数据、轨迹大数据和/或泛生活形态大数据；所述兴趣大数据包括用户的线上浏览数据，所述轨迹大数据包括用户的消费数据，所述泛生活形态大数据包括用户的生活习惯数据；

S3、根据客户的数据信息建立对应的标签数据，所述标签数据包括多个用户个性标签；

S4、将每个客户的所有用户个性标签与该客户购买的产品的信息进行匹配并作为一个训练样本存储在训练集中；

模型构建及训练步骤：

S5、根据用户个性标签，采用机器学习算法建立人工智能识别模型；

S6、使用训练集中的训练样本对所述人工智能识别模型进行训练以使所述人工智能识别模型能够根据所输入的用户个性标签判断该用户是否为潜在客户；

识别步骤：

S7、从数据信息平台获取待识别用户的数据信息，根据待识别用户的数据信息建立对应的标签数据，并将该标签数据输入已训练好的人工智能识别模型中以判断该用户是否为潜在客户。

通过上述方式，先获取汽车经销商过往的汽车销售数据，汽车销售数据包含客户的个人信息以及购买的车型和品牌，然后根据客户的个人信息从数据信息平台上获取与用户相关的数据信息，对用户日常的数据信息进行分析处理，得到用户个性标签与用户所购的汽车信息之间的匹配关系，得到训练数据，通过这部分训练数据对所构建的人工智能识别模型进行训练，人工智能识别模型通过学习购买特定车型、特定品牌的汽车购买者所具有的一些用户个性标签信息，从而实现通过人工智能识别模型进行潜在客户的智能识别，帮助产品经销商实现精准营销，避免将时间浪费在一些无效客户身上，提高效率，节约成本，从而提高经营效益。

需要说明的是，兴趣大数据主要为用户的浏览数据，根据浏览数据可以获取到用户的兴趣爱好、其现阶段所关注的事物等等，并给与用户相应的标签。比如用户在淘宝上经常浏览的产品类型、搜索引擎上的搜索记录、一些网站的浏览记录、LBS数据等等。

轨迹大数据主要为用户真实产生的消费数据，例如在淘宝上购买产品、过桥费用记录等等。根据消费数据给用户的消费水平进行分级并给与相应的标签，或者根据消费数据确定用户所处的状态标签，例如经常购买婴儿用品则为育儿标签，购买与婚礼相关的产品的消费数据则为新婚标签，具有过桥费记录则为车主标签等等。

泛生活形态大数据主要为用户的日常生活状态的数据，根据用户的日常生活状态的数据给用户定义相应的标签，比如用户喜欢收看的节目类型(军事类节目-军事迷标签，则该用户可能更加倾向于SUV型汽车)、购买产品风格(比如穿衣风格、生活用品类型偏日系风格，则该用户可能会更加倾向于构成日产汽车品牌)、购买产品产地(比如经常购买进口产品或者某一国家的产品，则该用户可能会更加倾向于购买该国家的汽车品牌)、日常消费事件(用户性格，例如一般浏览几分钟就下单购买为果断型性格或者感性消费人群标签；反复浏览对比才下单为犹豫型或者慎重型性格或者理性消费人群标签)等等。

特别地，当数据信息平台对用户的数据信息进行了处理然后给用户贴上了相应的用户个性标签时，可以直接从数据信息平台获取用户的用户个性标签即可，无需再对其数据信息进行分析处理。例如，淘宝会记录用户的浏览记录以及购物记录，其会根据用户的浏览记录以及购物记录来确定该用户喜欢哪类产品或者是什么价位的产品等，也就是相当于在后台给该用户贴上了相应的个性标签，然后根据这些个性标签给该用户推荐产品。那么，我们即可直接从淘宝处获取用户的个性标签数据即可。

作为一种优选的实施方式，所述根据用户个性标签，采用机器学习算法建立人工智能识别模型具体为：

作为一种优选的实施方式，所述人工智能识别模型的模型函数为：

其中，t为决策树的数量。

上述函数需要保证加入的新的函数，即新的用户个性标签锁构成的新的决策树能够提升整体的表达效果，提升表达效果的意思是加上新的决策树之后，目标函数(就是损失函数)的值会下降。但是，由于叶子结点的个数越多，过拟合的风险会越大，因此需要抑制叶子结点的个数，所以目标函数需要加上一个惩罚项「omega(ft)」，惩罚项如下所示：

其中，T为当前决策树的叶子数量，γ为加入新叶子节点引入的复杂度代价，w为叶子结点的权重。

则该人工智能识别模型完整的目标函数具体为：(由自身的损失函数和正则化惩罚项「omega(ft)」相加而成)

决策树的数量由最小目标函数值确定，给目标函数对权重求偏导，得到一个能够使目标函数最小的权重，把这个权重代回到目标函数中，这个回代结果就是求解后的最小目标函数值所述最小目标函数值公式为：

其中，T为当前决策树的叶子数量，γ为加入新叶子节点引入的复杂度代价。

Obj代表了当我们指定一个树的结构的时候，在目标上最多会减少多少，我们可以把它叫做结构分数，这个分数越小越好，分数越小代表树的结构越好。

对于每次扩展，需要枚举所有可能的方案。对于某个特定的分割，我们要计算出这个分割的左子树的分数和右子树的分数之和，然后和划分前的进行比较，从而计算出该分割方案所得的分数，具体公式如下：

当某个分割所得的分数小于预设的阈值时，我们可以剪掉这个分割以避免过拟合。通过以上方式来确定好人工智能识别模型的最优结构之后，采用训练样本对模型进行训练，即可使其可根据用户个性标签来判断用户是否有购车需求。

作为一种优选的实施方式，所述产品的信息包括产品的品牌以及型号；所述人工智能识别模型能够根据所输入的用户个性标签判断该用户是否为潜在客户以及该用户的品牌偏好。也就是该人工智能识别模型由多分类决策树组成。

作为一种优选的实施方式，还包括步骤：当识别到用户为潜在客户时，根据该用户的个人信息以及从数据信息平台所获取的数据信息确定该用户的常居住地以供对应区域的产品经销商对该用户进行精准营销。用户的常居住地的方式可通过用户常用的网上购物收货地址或者线下购物区域来确定。

作为一种优选的实施方式，还包括负样本训练步骤：

根据客户的个人信息从数据信息平台获取客户的数据信息；

在获取训练样本的时候，可将一部分产品销售数据作为正训练样本对人工智能识别模型进行训练，将另一部分产品销售数据作为负训练样本对训练好的人工智能识别模型进行检验，将识别结果与实际销售信息进行比对，当人工智能识别模型的识别准确度没有达到预设值时，则使用这部分产品销售数据对其进行二次训练，从而提高人工智能识别模型的识别准确度。

作为一种优选的实施方式，所述用户个性标签包括但不限于：兴趣标签、活动区域标签、消费水平标签、人生阶段标签、性格标签以及购物风格标签。当然了，上述各个标签中还包含了多个子类别标签，并且上述标签仅是相关的示例，用户个性标签还可根据实际的数据信息划分出更多的其他标签。

在训练好人工智能识别模型之后，可定期自动发送或者人工发送指令从数据信息平台批量获取用户的数据信息，然后对数据信息进行分析处理得到每个用户对应的用户个性标签，然后通过人工智能识别模型进行识别，确定哪些用户是潜在客户。数据信息平台可以包括但不限于淘宝、京东、搜索引擎、支付宝、百度地图、高德地图以及高速收费系统等等一些可记录用户行为的信息平台。可通过与上述数据信息平台签订合作协议的方式来获取用户的数据信息，确保信息的合法性。

这些数据信息平台可反映用户的日常生活行为，可根据这些日常生活行为确定用户的个性标签，例如消费等级、消费习惯等等。汽车目前来说仍属于高端消费，一般消费者都需要具有一定的经济能力才会去购买，并且经常与生活阶段有关，比如有了孩子之后多数家庭会着重考虑购车，因此，通过对用户的日常生活行为的分析，可以预估用户购车的可能性，从而可以实现潜在客户的识别，帮助汽车经销商实现精准营销，避免将时间浪费在一些无效客户身上，提高效率，节约成本，从而提高经营效益。

本发明还提供了一种电子设备，包括处理器和存储器，所述存储器存储有可执行计算机程序，所述处理器可读取所述存储器中的计算机程序并运行以实现如上所述的潜在客户识别方法。

此外，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有可执行计算机程序，所述计算机程序运行时可实现如上所述的潜在客户识别方法。

该计算机可读存储介质存储有计算机程序，本发明的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在该计算机存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机存储介质不包括电载波信号和电信信号。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims

1.一种潜在客户识别方法，其特征在于，包括：

训练样本获取步骤：

模型构建及训练步骤：

使用训练集中的训练样本对所述人工智能识别模型进行训练以使所述人工智能识别模型能够根据所输入的用户个性标签判断该用户是否为潜在客户。

2.如权利要求1所述的潜在客户识别方法，其特征在于，还包括识别步骤：

3.如权利要求1所述的潜在客户识别方法，其特征在于，所述根据用户个性标签，采用机器算法建立人工智能识别模型具体为：

4.如权利要求3所述的潜在客户识别方法，其特征在于，所述人工智能识别模型的模型函数为：

其中，t为决策树的数量。

5.如权利要求1所述的潜在客户识别方法，其特征在于，所述产品的信息包括产品的品牌以及型号；所述人工智能识别模型能够根据所输入的用户个性标签判断该用户是否为潜在客户以及该用户的品牌偏好。

6.如权利要求1所述的潜在客户识别方法，其特征在于，还包括步骤：当识别到用户为潜在客户时，根据该用户的个人信息以及从数据信息平台所获取的数据信息确定该用户的常居住地以供对应区域的产品经销商对该用户进行精准营销。

7.如权利要求1所述的潜在客户识别方法，其特征在于，还包括负样本训练步骤：

根据客户的个人信息从数据信息平台获取客户的数据信息；

8.如权利要求1所述的潜在客户识别方法，其特征在于，所述用户个性标签包括：兴趣标签、活动区域标签、消费水平标签、人生阶段标签、性格标签以及购物风格标签。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有可执行计算机程序，所述处理器可读取所述存储器中的计算机程序并运行以实现如权利要求1至8任一项所述的潜在客户识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可执行计算机程序，所述计算机程序运行时可实现如权利要求1至8任一项所述的潜在客户识别方法。