CN111008871A - 一种房地产复购客户跟进数量计算方法、装置及存储介质 - Google Patents
一种房地产复购客户跟进数量计算方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111008871A CN111008871A CN201911255837.XA CN201911255837A CN111008871A CN 111008871 A CN111008871 A CN 111008871A CN 201911255837 A CN201911255837 A CN 201911255837A CN 111008871 A CN111008871 A CN 111008871A
- Authority
- CN
- China
- Prior art keywords
- repurchase
- customer
- follow
- client
- data
- 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
Images
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种房地产复购客户跟进数量计算方法、装置及存储介质,包括:构建朴素贝叶斯概率计算模型,选取复购客户数据和非复购客户数据作为样本;获取非复购客户的基本信息、客户的行为数据;利用构建的朴素贝叶斯概率计算模型计算非复购客户成为复购客户的概率;利用复购客户概率的计算结果计算复购客户跟进的时间成本和成本总和;通过利润和总收益计算公式计算出最大利润时复购客户的跟进数量。本发明提供的一种房地产复购客户跟进数量计算方法、装置及存储介质,根据客户的行为数据和客户的基本个人信息、购房信息来计算客户成为复购客户的概率,以每个客户成为复购客户的概率的大小来分配跟进成本、跟进客户的数量和确定跟进的客户。
Description
技术领域
本发明涉及大数据技术领域,具体涉及一种房地产复购客户跟进数量计算方法、装置及存储介质。
背景技术
复购,对于地产公司的生存、持续经营、市场增长以及保持已有客户都起到至关重要的作用。但是对于房地产这种大宗商品来说复购率较低,根据客户购买数据统计全国有3%的复购率,有些城市复购率为0,有些城市复购率在6%左右。为了提升销售额,不能放过任何一个销售机会,只要表现出一些购买意愿的都会分配置业顾问电话跟进和邀访等。这些行为都是时间和人力的开销,很多项目投入了人力成本去跟进这部分客户确没有太大的成效,有些项目确忽略了这部分客户造成一定的损失。当前案场人员跟进没有一个明确的方法,去识别复购概率较高的客户和做到资源合理分配。
发明内容
本发明提供了一种房地产复购客户跟进数量计算方法、装置及存储介质,根据客户的行为数据和客户的基本个人信息、购房信息来计算客户成为复购客户的概率,以每个客户成为复购客户的概率的大小来衡量跟进成本,分配跟进客户的数量和确定跟进的客户。
本发明采用如下技术方案:
一种房地产复购客户跟进数量计算方法,包括:
构建朴素贝叶斯概率计算模型,选取复购客户数据和非复购客户数据作为样本,所述复购客户数据和非复购客户数据均包括客户的基本信息和客户的行为数据,其中,所述复购客户为有二次买房记录的客户,所述非复购客户为没有二次买房记录的客户;
获取非复购客户的基本信息、客户的行为数据;
利用构建的朴素贝叶斯概率计算模型计算非复购客户成为复购客户的概率;
提取复购客户数量,利用复购客户概率的计算结果计算复购客户跟进的时间成本和成本总和;
根据计算的成本总和,通过利润和总收益计算公式计算出最大利润时复购客户的跟进数量。
进一步地,所述构建朴素贝叶斯概率计算模型,选取复购客户数据和非复购客户数据作为样本中,使用Near Miss欠采样方法让样本保持均衡。
进一步地,所述Near Miss欠采样方法为:利用KNN计算负样本间的距离,选取出负样本中具有代表性的多数类样本。
进一步地,所述选取复购客户数据和非复购客户数据作为样本中,选取70%的数据作为训练数据,30%的作为测试数据。
进一步地,所述客户的基本信息包括客户年龄、物业类型、第一次购买面积、第一次购买金额、客户是否在第一次买房后有过投诉,所述客户行为数据包括客户在上一次购房完成后是否有浏览过楼书、客户最近一次浏览间隔天数。
进一步地,所述提取复购客户数量,利用复购客户概率的计算结果计算复购客户跟进的成本中,时间成本的计算公式为:
其中,n为复购客户数量,Tmax为有效跟进时长的最大值,xi为第i个复购客户的复购概率;
成本总和的计算公式为:
其中,Ti为第i个复购客户的时间成本,c为跟进复购客户平均一个单位时间的人力成本。
进一步地,所述单位时间为一年,所述人力成本为投入置业顾问所需花费的资金成本。
进一步地,所述根据计算的成本总和,通过利润和总收益计算公式计算出最大利润时复购客户的跟进数量中,分别计算不同复购客户的跟进数量对应的利润,取利润的最大值,最终得到利润最大值的复购客户的跟进数量。
其中,利润和总收益计算公式为:
其中,Sum为总收益,profit为利润,n为复购客户的跟进数量,p为楼盘当前数据的复购率,s为单个客户平均成交总额,Cost为成本总和。
一种装置,所述装置包括处理器、存储器及通讯总线;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,以实现上述的一种房地产复购客户跟进数量计算方法的步骤。
一种存储介质,其特征在于,所述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,以实现上述的一种房地产复购客户跟进数量计算方法的步骤。
本发明的有益效果为:能够保证精准的人力跟进投入,确定跟进哪些客户成交概率会更大,最终让利润最大化。根据客户的行为数据和客户的基本个人信息、购房信息来计算客户成为复购客户的概率,以每个客户成为复购客户的概率的大小来衡量跟进成本的多少,通过预期的投入和产出比,来分配跟进客户的数量和确定跟进的客户,减少时间和人力的开销,保证资源投入利用的最大化。
附图说明
图1为本发明实施例一的一种房地产复购客户跟进数量计算方法的流程示意图。
图2为本发明实施例二的装置结构示意图。
附图中,处理器21、存储器22、通信总线23。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
全国只有3%的房地产复购率,复购客户相对于房地产商来说已经减少了一部分的获客成本。按照复购概率假设对所有客户都去跟进,一个客户的人员和时间成本为:1个置业顾问、跟进时长在1-3年间。那么认为跟进一个客户的人力成本在5万左右,100个人的成本是500 万,三个人成交总额在300-400万,这样算下来房地产商是亏了100-200万。
实施例一
为了提高房地产商的资源的利用率,以最少的成本投入获取最大的利润,如图1所示,本发明提供了一种房地产复购客户跟进数量计算方法,该方法的具体步骤如下:
S1、构建朴素贝叶斯概率计算模型,选取1:1的复购客户数据和非复购客户数据作为样本,所述复购客户数据和非复购客户数据均包括客户的基本信息和客户的行为数据,其中,所述复购客户为有二次买房记录的客户,所述非复购客户为没有二次买房记录的客户。
通过各个表得到需要的数据指标,由于复购客户数据中正负样本数量差别太大,分别采取了Smote负样本过采样和Near Miss欠采样,测试后负采样的效果要优于前者。于是使用 Near Miss欠采样方法让样本保持均衡,该方法是利用KNN计算负样本间的距离,选取出负样本中具有代表性的多数类样本。对数据进行归一化,70%的数据作为训练,30%的作为测试,得到概率计算模型。
S2、获取非复购客户的基本信息、客户的行为数据。
所述客户的基本信息包括客户年龄、物业类型、第一次购买面积、第一次购买金额、客户是否在第一次买房后有过投诉。
所述客户行为数据包括客户在上一次购房完成后是否有浏览过楼书、客户最近一次浏览间隔天数。
S3、利用构建的朴素贝叶斯概率计算模型计算非复购客户成为复购客户的概率。不同概率的客户,置业顾问在跟进时消耗的人力成本和时间成本不一样,按照概率降序排序,概率大的客户相对成本低,需要在跟进的时候优先考虑。
朴素贝叶斯分类模型原理如下:
(1)假设x={a1,a2,...,am}为待分类项,a1,a2,...,am为其特征属性;
(2)类别集合C={y1,y2,...,yn}共有n类;
(3)计算P(yi|x);
(4)若有:P(yk|x)=max{P(y1|x),P(y2|x),...,P(ym|x)},则x判定为第k类。
本发明中设计到的类别主要有两种复购和非复购,直接计算P(yi|x)复购的概率,也就是将该客户分为复购的可能性有多大。其中,步骤(1)中,x代表客户,a1,a2,...,am为客户的特征属性,即客户的基本信息(客户年龄、物业类型、第一次购买面积、第一次购买金额、客户是否在第一次买房后有过投诉)和行为数据(户在上一次购房完成后是否有浏览过楼书、客户最近一次浏览间隔天数)。步骤(2)中,类别集合C={y1,y2},共有两类,分别为复购客户和非复购客户。
S4、提取复购客户数量,利用复购客户概率的计算结果计算复购客户跟进的时间成本和成本总和。
时间成本的计算公式为:
其中,n为复购客户数量,Tmax为有效跟进时长的最大值,xi为第i个复购客户的复购概率;
成本总和的计算公式为:
其中,Ti为第i个复购客户的时间成本,c为跟进复购客户平均一个单位时间的人力成本 (单位时间为一年,所述人力成本为投入置业顾问所需花费的资金成本)。
S5、根据计算的成本总和,通过利润和总收益计算公式计算出最大利润时复购客户的跟进数量。
分别计算不同复购客户的跟进数量对应的利润,取利润的最大值,最终得到利润最大值的复购客户的跟进数量。
利润和总收益计算公式为:
其中,Sum为总收益,profit为利润,n为复购客户的跟进数量,p为楼盘当前数据的复购率,s为单个客户平均成交总额,Cost为成本总和。
假设:统计复购客户的平均卖出去的收益50w,置业顾问跟进客户单位时间(天)的开销100元,该楼盘成交概率为2%,下面是部分客户的复购概率和第一次购买的相关信息如下:
物业类型 | 面积段 | 金额段 | 客户年龄段 | 客户是否投诉 | 预测复购概率 |
学校 | 500m<sup>2</sup>以上 | 800-1000万 | 35-45岁 | 否 | 0.967004 |
商业 | 90-100m<sup>2</sup> | 200-300万 | 45岁以上 | 否 | 0.831337 |
住宅 | 150-200m<sup>2</sup> | 150-200万 | 35-45岁 | 是 | 0.797199 |
公寓 | 50-70m<sup>2</sup> | 50-70万 | 27岁以下 | 否 | 0.760874 |
住宅 | 50-70m<sup>2</sup> | 50-70万 | 35-45岁 | 是 | 0.75822 |
商业 | 80-90m<sup>2</sup> | 70-90万 | 27-35岁 | 否 | 0.647802 |
住宅 | 120-150m<sup>2</sup> | 100-150万 | 35-45岁 | 是 | 0.594839 |
别墅 | 100-120m<sup>2</sup> | 100-150万 | 27-35岁 | 否 | 0.555296 |
住宅 | 100-120m<sup>2</sup> | 100-150万 | 35-45岁 | 是 | 0.484827 |
住宅 | 90-100m<sup>2</sup> | 90-100万 | 27-35岁 | 否 | 0.17606 |
在其他数据已知的条件下,直接带入n的数量(不超过最大的又有复购意向的客户数量),计算不同数量对应的利润,最终求出最大利润profitmax对应的n的值,即为当前最佳的跟进的客户人数。
实施例二
本实施例在上述实施例一的基础上,提供一种装置,如图2所示,主要用于实现上述实施例一的一种房地产复购客户跟进数量计算方法的步骤,该装置主要包括处理器21、存储器22及通信总线23;通信总线23用于实现处理器21和存储器22之间的连接通信;处理器21 用于执行存储器22中存储的一个或者多个程序,以实现如上述实施例一的一种房地产复购客户跟进数量计算方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
另,本实施例还提供一种存储介质,该存储介质存储有一个或者多个程序,该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的一种房地产复购客户跟进数量计算方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
本发明的有益效果为:能够保证精准的人力跟进投入,确定跟进哪些客户成交概率会更大,最终让利润最大化。根据客户的行为数据和客户的基本个人信息、购房信息来计算客户成为复购客户的概率,以每个客户成为复购客户的概率的大小来衡量跟进成本的多少,通过预期的投入和产出比,来分配跟进客户的数量和确定跟进的客户,减少时间和人力的开销,保证资源投入利用的最大化。
显然,本领域的技术人员应该明白,上述本发明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。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种房地产复购客户跟进数量计算方法,其特征在于,包括:
构建朴素贝叶斯概率计算模型,选取复购客户数据和非复购客户数据作为样本,所述复购客户数据和非复购客户数据均包括客户的基本信息和客户的行为数据,其中,所述复购客户为有二次买房记录的客户,所述非复购客户为没有二次买房记录的客户;
获取非复购客户的基本信息、客户的行为数据;
利用构建的朴素贝叶斯概率计算模型计算非复购客户成为复购客户的概率;
提取复购客户数量,利用复购客户概率的计算结果计算复购客户跟进的时间成本和成本总和;
根据计算的成本总和,通过利润和总收益计算公式计算出最大利润时复购客户的跟进数量。
2.根据权利要求1所述的一种房地产复购客户跟进数量计算方法,其特征在于,所述构建朴素贝叶斯概率计算模型,选取复购客户数据和非复购客户数据作为样本中,使用NearMiss欠采样方法让样本保持均衡。
3.根据权利要求2所述的一种房地产复购客户跟进数量计算方法,其特征在于,所述Near Miss欠采样方法为:利用KNN计算负样本间的距离,选取出负样本中具有代表性的多数类样本。
4.根据权利要求3所述的一种房地产复购客户跟进数量计算方法,其特征在于,所述选取复购客户数据和非复购客户数据作为样本中,选取70%的数据作为训练数据,30%的作为测试数据。
5.根据权利要求4所述的一种房地产复购客户跟进数量计算方法,其特征在于,所述客户的基本信息包括客户年龄、物业类型、第一次购买面积、第一次购买金额、客户是否在第一次买房后有过投诉,所述客户行为数据包括客户在上一次购房完成后是否有浏览过楼书、客户最近一次浏览间隔天数。
7.根据权利要求6所述的一种房地产复购客户跟进数量计算方法,其特征在于,所述单位时间为一年,所述人力成本为投入置业顾问所需花费的资金成本。
9.一种装置,其特征在于,所述装置包括处理器、存储器及通讯总线;
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,以实现权利要求1至8中任一项权利要求所述的一种房地产复购客户跟进数量计算方法的步骤。
10.一种存储介质,其特征在于,所述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,以实现权利要求1-8中任一项权利要求所述的一种房地产复购客户跟进数量计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255837.XA CN111008871A (zh) | 2019-12-10 | 2019-12-10 | 一种房地产复购客户跟进数量计算方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255837.XA CN111008871A (zh) | 2019-12-10 | 2019-12-10 | 一种房地产复购客户跟进数量计算方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111008871A true CN111008871A (zh) | 2020-04-14 |
Family
ID=70114998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911255837.XA Pending CN111008871A (zh) | 2019-12-10 | 2019-12-10 | 一种房地产复购客户跟进数量计算方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008871A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469730A (zh) * | 2021-06-08 | 2021-10-01 | 北京化工大学 | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 |
CN114549023A (zh) * | 2022-02-28 | 2022-05-27 | 今日汽车信息技术有限公司 | 一种汽车销售客户跟进管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203866A (zh) * | 2017-06-26 | 2017-09-26 | 北京京东尚科信息技术有限公司 | 订单的处理方法以及装置 |
CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
CN107274191A (zh) * | 2017-05-12 | 2017-10-20 | 南京邮电大学 | 一种基于销售方的网络购物退货预测系统 |
CN107562818A (zh) * | 2017-08-16 | 2018-01-09 | 中国工商银行股份有限公司 | 信息推荐系统及方法 |
CN109615129A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 房地产客户成交概率预测方法、服务器及计算机存储介质 |
-
2019
- 2019-12-10 CN CN201911255837.XA patent/CN111008871A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
CN107274191A (zh) * | 2017-05-12 | 2017-10-20 | 南京邮电大学 | 一种基于销售方的网络购物退货预测系统 |
CN107203866A (zh) * | 2017-06-26 | 2017-09-26 | 北京京东尚科信息技术有限公司 | 订单的处理方法以及装置 |
CN107562818A (zh) * | 2017-08-16 | 2018-01-09 | 中国工商银行股份有限公司 | 信息推荐系统及方法 |
CN109615129A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 房地产客户成交概率预测方法、服务器及计算机存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469730A (zh) * | 2021-06-08 | 2021-10-01 | 北京化工大学 | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 |
CN114549023A (zh) * | 2022-02-28 | 2022-05-27 | 今日汽车信息技术有限公司 | 一种汽车销售客户跟进管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280670B (zh) | 种子人群扩散方法、装置以及信息投放系统 | |
US7813952B2 (en) | Managing customer loss using customer groups | |
US7813951B2 (en) | Managing customer loss using a graphical user interface | |
CN109858740A (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
CN107526810B (zh) | 建立点击率预估模型的方法及装置、展示方法及装置 | |
US9786013B2 (en) | Dashboard interface, platform, and environment for matching subscribers with subscription providers and presenting enhanced subscription provider performance metrics | |
CN108369674B (zh) | 使用目标聚类方法对具有混合属性类型的客户进行细分的系统和方法 | |
US20200111027A1 (en) | Systems and methods for providing recommendations based on seeded supervised learning | |
Carvalho | Efficiency spillovers in Bayesian stochastic frontier models: Application to electricity distribution in New Zealand | |
Molnar et al. | High-speed Internet access and housing values | |
CN109543940B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN109615426A (zh) | 一种基于客户聚类的营销方法、系统 | |
TW202135094A (zh) | 一種數據採集方法和系統 | |
CN110675069B (zh) | 地产行业客户签约风险预警方法、服务器及存储介质 | |
CN111008871A (zh) | 一种房地产复购客户跟进数量计算方法、装置及存储介质 | |
US20150120580A1 (en) | Method for automatic development of an art index | |
CN110555713A (zh) | 一种确定销量预测模型的方法和装置 | |
CN111563628A (zh) | 房地产客户成交时间预测方法、装置及存储介质 | |
Chettri et al. | Determinants of tax revenue in South Asian countries | |
CN117132328A (zh) | 广告投放控制方法及其装置、设备、介质 | |
CN111292170A (zh) | 针对指定楼盘进行意向客户推荐的方法、装置及存储介质 | |
Liu et al. | Network Effects and Multinetwork Sellers’ Dynamic Pricing in the US Smartphone Market | |
CN115511536A (zh) | 客户终身价值分析方法及装置 | |
CN115809889A (zh) | 基于营销效果的智能客群筛选方法、系统、介质及设备 | |
CN110210884A (zh) | 确定用户特征数据的方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |
|
RJ01 | Rejection of invention patent application after publication |