CN111144938B - 适用于汽车行业的销售线索评级的方法和系统 - Google Patents
适用于汽车行业的销售线索评级的方法和系统 Download PDFInfo
- Publication number
- CN111144938B CN111144938B CN201911330182.8A CN201911330182A CN111144938B CN 111144938 B CN111144938 B CN 111144938B CN 201911330182 A CN201911330182 A CN 201911330182A CN 111144938 B CN111144938 B CN 111144938B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- clue
- module
- rating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 74
- 230000005540 biological transmission Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000001212 derivatisation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000000746 purification Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种适用于汽车行业的销售线索评级的方法和系统，包括：从网络中采集网络线索，通过评级模型算法计算得出每一条网络线索的评级分数，并进行展示、排序和筛选，收集网络线索的反馈信息；对网络线索评级相关的外部数据源进行统一管理，制定标准数据包与数据接口，传输指定的外部数据给线索管理模块，对外部数据进行计次计费统计；结合线索管理模块获取的网络线索以及数据接口模块获取的外部数据，基于行业的网络线索业务场景生成评级模型算法所需的衍生变量列表，将反馈数据做为评级模型算法变量优化的数据补充，形成完整的线索数据闭环。通过采用机器学习技术，线索进店和成交为导向的效果反馈数据，提升线索评级的准确度和效果。
Description
技术领域
本发明涉及计算机技术领域，具体地，涉及一种适用于汽车行业的销售线索评级的方法和系统。
背景技术
国内汽车行业，整车售卖的途径主要依赖于与汽车品牌签约的经销商4S店。随着移动互联网技术的发展及智能手机的普及，传统的购车决策路径在悄然发生变化。现在越来越多的购车者从直接到经销商4S店了解购车信息、询价的模式，转向先在网络上了解车型的相关信息，匹配合适的经销商后再入4S店。因此，网络线索的数量持续增多，近几年呈爆发式的增长。于此同时经销商4S店依据网络销售线索完成整车售卖的占比逐年增高，经销商对于网络线索的重视程度也变得越来越高。
由于销售线索来自线上，渠道众多，来源复杂，所以该类线索具有以下特征：
(1)线索质量参差不齐，无效线索和参水线索情况严重；
(2)单条线索多处留资，线索来源不再单一，经销商间抢线索的情况普遍；
(3)单条线索信息存在差异化，经销商在联系线索前无法掌握真实情况。
另一方面，绝大多数经销商跟进、处理网络线索的方式却没有发生明显的变化。一般经销商以传统的客服呼叫中心方式来跟进线索。这种方式的主要问题在于：
(1)网络线索数量多，新线索的时效性变短，需要更及时地跟进优质线索；
(2)在未知线索质量和有效性的情况下，被动式跟进线索，接收一批线索就跟进一批，消耗了大量跟进无效或低意向线索的时间；
(3)缺乏线索跟进策略，面对所有线索采用单一机械式的方式跟进；
(4)线索跟进工作较为枯燥，跟进专员持续跟进无效线索会影响工作积极性，员工的个人成就感降低，被跟进的客户体验也会变差。
因此，现有技术难以对线索跟进工作中的人员效率，跟进流程优化，跟进策略制定和调整，线索价值挖掘带来实际提升。
专利文献CN110046933A公开了“一种基于互联网的汽车销售线索自动化筛选系统”，其主要功能点侧重在线索源的挖掘和线索信息的分类筛选，并不能给线索跟进流程本身带来策略调整和流程优化。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种适用于汽车行业的销售线索评级的方法和系统。
根据本发明提供的一种适用于汽车行业的销售线索评级的系统，包括：
线索管理模块：从网络中采集网络线索，通过评级模型算法计算得出每一条网络线索的评级分数，并进行展示、排序和筛选，以及收集所述网络线索的反馈信息；
数据接口模块：对网络线索评级相关的外部数据源进行统一管理，制定标准数据包与数据接口，传输指定的外部数据给所述线索管理模块，以及对外部数据进行计次计费统计；
算法建模模块：结合所述线索管理模块获取的网络线索以及所述数据接口模块获取的外部数据，基于所需行业的网络线索业务场景生成评级模型算法所需的衍生变量列表，将所述反馈数据做为评级模型算法变量优化的数据补充，形成完整的线索数据闭环；
所述评级模型算法基于线索数据闭环机制，通过机器学习不断地自适应迭代、调整评级模型算法变量以优化评分结果。
优选地，所述线索管理模块包括：
线索采集子模块：提供接收网络线索的数据传输接口，所述数据传输接口基于标准的网络传输协议，采用RSA+AES的非对称网络传输加密技术，接收网络线索后按约定密钥进行传输解密，并给每条网络线索打上系统时间戳插入线索处理队列，根据系统时间戳的先后顺序进行处理；
线索清洗子模块：将线索处理队列内的网络线索逐条匹配历史网络线索缓存池中的历史网络线索，若网络线索与历史网络线索校验一致，则在该网络线索上打上重复线索的标签，将非重复的网络线索逐条匹配线索黑名单，若网络线索中包含线索黑名单中的信息，则在该网络线索上打上黑名单线索标签；
数据调用接口子模块：从所述数据接口模块获取外部数据，采用RSA+AES的非对称网络传输加密技术，接收外部数据后按约定密钥进行传输解密，将外部数据合并入网络线索；
数据处理子模块：对网络线索进行格式化得到线索数据，对线索数据进行加密解析，数据完整性校验；将线索数据按照评级模型算法要求的数据格式进行映射转换，数据合并；
线索评级子模块：将格式化后的线索数据传输给算法建模模块进行线索评分，接收评分结构，根据评分规则对网络线索进行切分。
优选地，所述线索管理模块还包括：
线索排序筛选子模块：对网络线索进行归类和排序，并根据获取的信息进行网络线索的检索和筛选；
线索报表子模块：根据不同主题以及信息维度展示网络线索的量化指示图表，并提供报表导出功能。
优选地，所述线索管理模块还包括：
线索反馈信息收集子模块：从线索跟进系统获取网络线索的反馈信息，将反馈信息整合进网络线索，形成具有完整反馈闭环的线索并传输给所述算法建模模块和历史网络线索缓存池子模块；
历史网络线索缓存池子模块：存储历史网络线索。
优选地，所述数据接口模块包括：
外部数据调用子模块：与外部数据源进行传输对接，采用RSA+AES的非对称网络传输加密技术，接收网络线索后按约定密钥进行传输解密，获取外部源的外部数据；
数据标准包子模块：制定外部数据服务调用接口，生成外部数据源管理列表，对外部数据源进行统一管理；
数据服务接口子模块：通过标准数据传输接口，将外部数据传输给所述线索管理模块，对线索管理模块调用外部数据的请求进行控制和管理，对线索管理模块调用外部数据的使用量进行阈值设置和预警，对线索管理模块调用外部数据的费用阶梯进行设置和计算，以及对于外部数据源调用的技术统计。
优选地，所述算法建模模块包括：
调取历史缓存数据子模块：从历史网络线索缓存池调取需要评级的历史网络线索，提取有关的数据信息，并将评级模型信息传输给生成衍生变量子模块；
生成衍生变量子模块：接收评级模型信息，进行统计分析并得出原始变量信息，将原始变量进一步的变量分箱、变量聚合和变量衍生，对原始变量进行编码和预测能力评估，通过IV值的评分结果对原始变量进行最终筛选，并生成最终的衍生变量列表，将衍生变量列表传输给计算模型子模块；
计算模型子模块：依据接收到的衍生变量列表，计算出每一条网络线索的评级分数，采用多套评级模型算法复合处理机制，每个评级模型算法按比例对网络线索评级，当处理的网络线索数量达到预设阈值时，结合线索反馈数据，自动对复合处理机制进行比例调整，采集模型变量优化子模块的变量优化列表，采用机器学习技术，自动调整原有模型的衍生变量，并切换不同的评级模型算法，迭代优化计算模型，将每一条网络线索的评级结果传输给线索管理模块中的线索评级子模块；
模型变量优化子模块：接收反馈信息，当反馈数据达到预设阈值后，对原变量进行编码和预测能力重新评估，通过IV值的评分结果对变量进行调整，将调制后的变量传输给所述计算模型子模块。
优选地，还包括数据存储模块，以数据库方式存储和网络线索评级相关的数据。
优选地，所述数据存储模块包括：
数据配置子模块：定义数据码表的名称、数据格式和具体的码表字段，定义线索评级系统运行日志的记录内容，数据存储任务的管理、监控和预警；
对外接收数据子模块：采用消息队列的通信机制，保持和线索管理模块的实时通信，当线索管理模块有数据写入任务时，接收数据并写入对应的数据码表；
对外传输数据子模块：采用消息队列的通信机制，保持和线索管理模块的实时通信，当线索管理模块有数据读取任务时，将对应的数据码表信息传输给线索管理模块，支持高并发实时数据索引；
全部线索历史数据子模块：接收线索管理模块写入的完整网络线索，并存储在对应的历史线索码表中；
模型衍生数据子模块：接收衍生变量数据，并存储在对应的模型衍生数据码表中；
系统转化数据子模块：接收线索管理模块写入的网络线索处理过程数据，并存储在系统转化数据码表中；结合日志运行记录，给数据配置子模块的管理和预警提供阈值设置提供数据依据；
线索评级结果数据子模块：接收网络线索评级结果，并存储在对应的线索评级结果数据码表中。
根据本发明提供的一种适用于汽车行业的销售线索评级的方法，采用上述的适用于汽车行业的销售线索评级的系统，执行步骤：
S1、格式化处理：获取网络线索，并处理成符合线索评级要求的标准字段和格式；
S2、黑白名单判定：判定网络线索是否在黑名单中，若判断结果为是则在评级结果字段设置为：黑名单；
S3、调用外部数据：非黑名单中的网络线索先匹配缓存池的历史外部数据，匹配不成功则调用外部数据，进入评级；
S4、线索评级：网络线索结合历史外部数据或外部数据，先经过提纯，再经过评级，最终输出提纯或评级结果；
S5、意向管理：管理黑名单、提纯和评级结果，输出评级结果，并整合网络线索+外部数据形成完整的线索数据；
S6、整合、发送线索评级数据：将评级结果与网络线索及外部数据整合，并打上线索发送时间的标签。
优选地，网络数据的字段包括：线索基础字段+线索接收时间；
外部数据的字段包括：线索编号+联系方式+外部数据标签+调用时间；
完整的线索数据的字段包括：线索编号+线索发送时间+评级结果+线索基础字段+外部数据标签。
与现有技术相比，本发明具有如下的有益效果：
(1)通过采用符合汽车行业网络线索跟进业务场景的线索评级大数据评级模型算法，得出线索的购车意向评级分数，提炼出高质量线索，从而实现了帮助经销商4S店跟进网络线索的整体进店转换率的提升。
(2)通过采用机器学习技术，并以线索进店和成交为导向的效果反馈数据，智能化的迭代优化模型，从而实现了提升线索评级的准确度和效果。
(3)通过采用线索评级结果结合线索智能分配以及跟进策略的调整，从而实现了提升人员效率，避免高质量线索被浪费。
(4)通过采用与线索购车意向相关的外部数据，从而实现了对原始线索信息的有效补充，帮助经销商4S店掌握线索谈判杠杆，调整服务策略，最大限度挖掘线索价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的系统模块关系图；
图2为本发明的工作流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对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，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明采用符合汽车行业网络线索跟进业务场景的线索评级大数据评级模型算法，结合与线索购车意向相关的外部数据，得出每一条线索的购车意向评级分数。此外，本系统以线索进店和成交为导向的效果反馈数据，采用机器自我学习技术，智能化的迭代优化模型，以提升线索评级的准确度和效果。
通过本系统提炼出的高质量线索可以帮助经销商4S店DCC(网电销)部门跟进网络线索时减少高质量线索的错失，并通过制定优化线索跟进策略，来确保线索跟进的及时性和有效性，以提升人员效率和线索邀约进店转化率。
一种适用于汽车行业的销售线索评级的系统，包括：
线索管理模块：从网络中采集网络线索，通过评级模型算法计算得出每一条网络线索的评级分数，并进行展示、排序和筛选，以及收集网络线索的反馈信息。
数据接口模块：对网络线索评级相关的外部数据源进行统一管理，制定标准数据包与数据接口，传输指定的外部数据给线索管理模块，以及对外部数据进行计次计费统计。
算法建模模块：结合线索管理模块获取的网络线索以及数据接口模块获取的外部数据，基于所需行业的网络线索业务场景生成评级模型算法所需的衍生变量列表，将反馈数据做为评级模型算法变量优化的数据补充，形成完整的线索数据闭环。
评级模型算法基于线索数据闭环机制，通过机器学习不断地自适应迭代、调整评级模型算法变量以优化评分结果。
如图1所示，本系统的各个模块如下：
一、线索管理模块，其用于：
网络线索的统一采集，线索清洗，外部数据的调用，线索数据的格式化处理，线索评级服务，线索列表的前台展示，线索条目的前台排序和筛选，线索报表的制作和生成，线索反馈数据的收集等。
在线索管理模块中，由以下子模块组成：
1)线索采集子模块，其用于：
(1)提供接收原始网络新线索的数据传输接口，基于标准的TCP、UDP、HTTP、HTTPS、FTP、IPFIX等网络传输协议。
(2)采用RSA+AES的非对称网络传输加密技术，接收新线索后按约定密钥进行传输解密。
(3)接收不同网络渠道的原始新线索，其中原始线索的基础信息包括：用户姓名、联系方式、意向车型、意向经销商、渠道来源、留资时间等。并给每条线索打上系统时间戳。
(4)将新线索插入线索处理队列，处理队列根据系统时间戳先后顺序处理线索。
2)线索清洗子模块，其用于：
(1)将线索处理队列中的新线索逐条匹配历史线索缓存池的历史线索，若新线索与历史线索的用户姓名、联系方式、意向车型、意向经销商等信息校验一致，则判定该条新线索为重复线索，并打上“重复线索”标签，存入数据存储模块。前端显示时将重复线索和历史线索合并展示。
(2)将经过去重判定的新线索逐条匹配线索黑名单列表，其中黑名单信息包括：联系方式，信息来源，黑名单原因等。若校验一致，则判定该条新线索为黑名单线索，并打上“黑名单线索”标签，存入数据存储模块。前端显示时展示黑名单线索信息来源和原因。
3)数据调用接口子模块，其用于：
(1)接收数据接口模块中数据服务接口子模块的外部数据，其中数据接口基于标准的TCP、UDP、HTTP、HTTPS、FTP、IPFIX等网络传输协议。其中外部数据来源包括：移动互联网行为数据、运营商数据、移动轨迹类数据、网络线上金融数据等。
(2)采用RSA+AES的非对称网络传输加密技术，接收外部数据后按约定密钥进行传输解密。
(3)数据接口的熔断、隔离，数据服务内容变更。
(4)将调用的外部数信息据合并入新线索。
4)数据处理子模块，其用于：
(1)线索数据格式化规则引擎的设置与控制。具体包括数据格式化的前后步骤设置，数据解析的逻辑规则设置，可配置化数据格式校验设置，规则引擎流程控制等。
(2)对线索数据进行加密解析，数据完整性校验。
(3)将线索原始数据按照评级模型算法要求的数据格式进行映射转化，数据合并。
(4)部分数据需要完成配置化设置以满足线索评级模型算法的要求。
5)线索评级子模块，其用于：
(1)将格式化后的线索数据传输给算法建模模块中的模型计算子模块，用于线索评分。
(2)接收线索评级结果，并按照线索评分规则对线索进行切分。其中切分结果包括：高/中/低，优/良/中/差，5/4/3/2/1等形式。
(3)线索评分等级切分逻辑的设置，线索评分结果的阈值调整，线索评级服务的自适应修正。其中切分逻辑的方式包括：基于历史线索的反馈数据通过机器学习自动调整、人工手动设置等。
6)线索列表展示模块，其用于：
(1)系统采用B/S架构模式，以Web端浏览器方式登录访问。其中系统部署方式包括：SaaS化部署，私有化部署，混合云部署等。
(2)以列表形式展示带有评级结果的线索，线索信息可编辑。
(3)线索列表导出功能，提供线索列表导出及线索文件下载。其中文件格式包括：PNG、JPEG、PDF、Excel等。
7)线索排序筛选子模块，其用于：
(1)按线索的信息进行线索归类和排序，归类排序字段包括：评级结果、到店距离、留资时间、意向车型、活跃城市等。
(2)根据线索的某个具体信息进行关键字检索和筛选，索引数据库中的特定码表并获得索引值，筛选符合索引特征的线索。其中可被检索的信息字段包括：联系方式、客户姓名、线索跟进系统编号等。
8)线索报表子模块，其用于：
(1)根据不同主题及信息维度展示线索相关的量化指标图表。其中报表主题包括：线索转化分析、线索质量分析、线索分布分析、线索跟进监控、员工绩效分析、无效/战败原因分析等。
(2)报表导出功能，提供报表导出及报表文件下载。其中文件格式包括：PNG、JPEG、PDF、Excel等。
9)线索反馈信息收集子模块，其用于：
(1)接收线索跟进系统中线索的反馈信息，其中数据接口基于标准的TCP、UDP、HTTP、HTTPS、FTP、IPFIX等网络传输协议。其中反馈信息包括：线索是否有意向、线索是否进店、线索是否成交等。
(2)将反馈信息整合进线索，形成具有完整反馈闭环的线索信息。
(3)将完整的线索传输给算法建模模块中的模型变量优化子模块，供模型学习及迭代优化。
(4)将完整的线索传输给本模块中的历史线索缓存池子模块。
10)历史线索缓存池子模块，其用于：
(1)缓存近6个月的历史线索。
(2)将缓存历史线索传输给算法建模模块用于模型数据匹配和校准。
二、数据接口模块，其用于：
网络线索评级相关的外部数据源的统一管理，制定标准数据包与数据接口。传输指定的外部数据信息给线索管理模块。对外部数据进行计次计费统计。
在数据接口模块中，由以下子模块组成：
1)外部数据调用子模块，其用于：
(1)与外部数据源进行数据传输对接，基于标准的TCP、UDP、HTTP、HTTPS、FTP、IPFIX等网络传输协议。
(2)采用RSA+AES的非对称网络传输加密技术，接收新线索后按约定密钥进行传输解密。
(3)接收不同数据源的外部数据，其中数据信息包括：到店距离、工作区域、活跃城市、是否去过竞品店、是否去过同城他店、潜客性别、潜客年龄段、是否有车、关注竞品车系、购车关注点、90天询价车系、购车用途等。
2)数据标准包子模块，其用于：
(1)制定外部数据服务调用接口。调用方式为点菜式，即线索管理模块按照网络线索评级要求制定具体的外部数据信息，数据标准包根据要求提供对应的数据调用服务。
(2)生成外部数据源管理列表，对外部数据源进行统一管理。其中列表内容包括：数据源名称、数据标签名称、输出值、逻辑解释、回溯周期、调用方式等。
3)数据服务接口子模块，其用于：
(1)通过标准数据传输接口，将外部数据信息传输给线索管理模块。
(2)对线索管理模块调用外部数据的请求进行控制和管理。
(3)对线索管理模块调用外部数据的使用量进行阈值设置和预警。
(4)对线索管理模块调用外部数据的费用阶梯进行设置和计算。
(5)系统对于外部数据源调用的技术统计。
三、算法建模模块，其用于：
结合网络线索的原始数据以及数据接口模块获取的外部数据，基于汽车行业的网络线索业务场景生成算法所需的衍生变量列表，通过模型算法计算得出每一条网络线索的评级分数。此外，收集线索跟进系统中每条网络线索的反馈数据，为评级模型算法变量优化提供有效信息补充，形成完整的线索数据闭环。评级模型算法基于线索数据闭环机制，通过机器学习技术不断地自适应迭代、调整模型变量以优化模型的评分结果。
在算法建模模块中，由以下子模块组成：
1)调取历史缓存数据子模块，其用于：
(1)从线索管理模块中的历史线索缓存池子模块调取需要评级的网络线索数据。
(2)从线索数据中提取和评级模型有关的数据信息。
(3)将评级模型信息传输给生成衍生变量子模块。
2)生成衍生变量子模块，其用于：
(1)接收评级模型信息，基于基本信息进行统计分析并得出原始变量信息。
(2)将原始变量进一步处理，分为三个主要步骤：变量分箱、变量聚合、变量衍生。
(3)对变量进行编码和预测能力评估，通过IV值的评分结果对变量进行最终筛选，并生成最终的衍生变量列表。
(4)将衍生变量列表传输给计算模型子模块。
3)计算模型子模块，其用于：
(1)依据接收到的衍生变量列表，结合具体算法计算出每一条网络线索的评级分数。其中，模型算法包括：逻辑回归、朴素贝叶斯、决策树、随机森林、XGBOOST、Lightgbm、神经网络。
(2)采用多套评级模型算法复合处理机制，每个评级模型算法按比例对网络线索评级，当处理的网络线索数量达到预设阈值时，结合线索反馈数据，自动对复合处理机制进行比例调整。
(3)采集模型变量优化子模块的变量优化列表，采用机器学习技术，自动调整原有模型的衍生变量，并切换不同的评级模型算法，迭代优化计算模型。
(4)将每一条网络线索的评级结果传输给线索管理模块中的线索评级子模块。
4)模型变量优化子模块，其用于：
(1)接收线索管理模块中线索感喟信息收集子模块的线索反馈信息。反馈信息包括：线索是否有意向、线索是否到店、线索是否成交。
(2)当反馈数据达到预设阈值后，对原变量进行编码和预测能力重新评估，通过IV值的评分结果对变量进行调整。
(3)将变量调整信息传输给模型计算子模块。
四、数据存储模块，其用于：
以数据库方式存储和网络线索评级相关的一系列数据。定义数据表命、数据格式、码表信息。保持和线索管理模块的数据通信，并实时支持数据读写任务。
在数据存储模块中，由以下子模块组成：
1)数据配置子模块，其用于：
(1)定义数据码表的名称、数据格式、具体的码表字段。
(2)定义线索评级系统运行日志的记录内容。
(3)数据存储任务的管理、监控、预警。
2)对外接收数据子模块，其用于：
(1)采用消息队列的通信机制，保持和线索管理模块的实时通信。
(2)当线索管理模块有数据写入任务时，接收数据并写入对应的数据码表。
3)对外传输数据子模块，其用于：
(1)采用消息队列的通信机制，保持和线索管理模块的实时通信。
(2)当线索管理模块有数据读取任务时，将对应的数据码表信息传输给线索管理模块。
(3)支持高并发实时数据索引，以支撑Web端对线索数据的实时检索功能。
4)全部线索历史数据子模块，其用于：
接收线索管理模块写入的完整网络线索，并存储在对应的历史线索码表中。
5)模型衍生数据子模块，其用于：
接收模型算法模块写入的衍生变量数据，并存储在对应的模型衍生数据码表中。
6)系统转化数据子模块，其用于：
(1)接收线索管理模块写入的网络线索处理过程数据，并存储在系统转化数据码表中。
(2)结合日志运行记录，给数据配置子模块的管理和预警提供阈值设置提供数据依据。
7)线索评级结果数据子模块，其用于：
接收模型算法模块写入的线索评级结果数据，并存储在对应的线索评级结果数据码表中。
如图2所示，基于最小系统模型的数据流转处理图。其中数据流转分为6个环节：
(1)为线索数据接收及格式化处理环节。网络媒体渠道通过特定数据接口将原始线索数据传输给本系统，系统先进行数据整合，处理成符合线索评级要求的标准字段和格式。
(2)为线索黑白名单判定环节。判断字段为“线索编号”+“联系方式”，判断后如果匹配黑名单，则在“评级结果”字段中设值：黑名单。
(3)为调用外部数据环节。线索先匹配缓存池历史外部数据，匹配成功进入线索评级环节，匹配不成功则调用外部数据。
(4)为线索评级环节。线索结合外部数据先经过“提纯”步骤，再经过“评
级”步骤，最终输出提纯或评级结果给评级意向管理环节。
(5)为线索评级意向管理环节。管理黑名单/线索提纯/线索评级结果，输出评级结果。并整合原始线索数据+外部数据形成完整的线索数据。
(6)为整合、发送线索评级数据环节。“整合评级返回数据”将评级结果与原始线索数据及外部数据整合，并打上“线索发送时间”数据标签发送给线索跟进系统。
其中数据存储分为3个环节：
(1)数据存储-1”存储网络媒体传输的经数据格式化处理的线索数据。字段包括:“线索基础字段”+“线索接收时间”；存储在本系统数据库中。
(2)“数据存储-2”存储调用的外部数据。字段包括:“线索编号”+“联系方式”+外部数据标签+“调用时间”，存储在Redis缓存服务器中。
(3)“数据存储-3”存储传输给线索跟进系统的完整线索数据。字段包括:“线索编号”+“线索发送时间”+“评级结果”+“线索基础字段”+“外部数据标签”，存储在本系统数据库中。
网络线索跟进和处理的工作主要由汽车行业经销商4S店DCC(网电销)部门负责。一般DCC(网电销)部门先会从网络垂直媒体渠道获取原始的网络线索，然后经过网络加密传输接口把线索信息传输给本系统。经过本系统最小模型处理后会补充线索对于购车意向的评分结果以及和线索购车相关的外部数据信息，合并线索基础信息后，返回给DCC(网电销)部门的线索跟进系统。完善的线索信息主要有以下实施例。
(1)DCC(网电销)部门在处理网络线索前，可以通过线索提纯功能甄别出无效线索。无效线索原因主要有：手机号码错号，手机号码异常、手机号码不在网等。通过本系统，一般无效线索识别率>95％，线索清洗占比达到5-10％。帮助DCC(网电销)部门节省了大量无效线索的跟进处理时间。
(2)通过本系统的线索评级功能，可以帮助DCC线索跟进专员识别高质量线索，避免好线索被浪费，高质量线索进店率是原生线索的2-3倍，可以有效帮助经销商4S店提升网络线索整体到店转化率20-30％。
(3)提供更多的线索分配策略，帮助DCC经理分配线索从随机到智能，将好线索分配给好员工。大部分人习以为常的系统性浪费：线索与员工随机组合，员工能力存在现实差异，应该将高质量线索优先分配给能力强(历史线索转化率高)的员工，以实现效率最大化。
(4)提供线索购车相关信息，帮助经销商洞察潜客真实购车需求，快速调整沟通策略，缩短邀约到店周期。同时帮助DCC线索跟进专员消除信息不对等，掌握谈判杠杆。利用线索评级和购车信息，调整服务策略，最大限度挖掘线索价值。
通过本系统多个实时例，可以有效帮助经销商4S店在处理网络线索的过程中节约时间成本、提升人员效率，帮助DCC(网电销)部门合理制定线索跟进策略从而发挥线索的最大价值，并最终提升网络线索的整体进店转化率。
本发明还提供一种适用于汽车行业的销售线索评级的方法，采用上述的适用于汽车行业的销售线索评级的系统，执行步骤：
S1、格式化处理：获取网络线索，并处理成符合线索评级要求的标准字段和格式；
S2、黑白名单判定：判定网络线索是否在黑名单中，若判断结果为是则在评级结果字段设置为：黑名单；
S3、调用外部数据：非黑名单中的网络线索先匹配缓存池的历史外部数据，匹配不成功则调用外部数据，进入评级；
S4、线索评级：网络线索结合历史外部数据或外部数据，先经过提纯，再经过评级，最终输出提纯或评级结果；
S5、意向管理：管理黑名单、提纯和评级结果，输出评级结果，并整合网络线索+外部数据形成完整的线索数据；
S6、整合、发送线索评级数据：将评级结果与网络线索及外部数据整合，并打上线索发送时间的标签。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种适用于汽车行业的销售线索评级的系统，其特征在于，包括：
线索管理模块：从网络中采集网络线索，通过评级模型算法计算得出每一条网络线索的评级分数，并进行展示、排序和筛选，以及收集所述网络线索的反馈信息；
数据接口模块：对网络线索评级相关的外部数据源进行统一管理，制定标准数据包与数据接口，传输指定的外部数据给所述线索管理模块，以及对外部数据进行计次计费统计；
算法建模模块：结合所述线索管理模块获取的网络线索以及所述数据接口模块获取的外部数据，基于所需行业的网络线索业务场景生成评级模型算法所需的衍生变量列表，将所述反馈数据做为评级模型算法变量优化的数据补充，形成完整的线索数据闭环；
所述评级模型算法基于线索数据闭环机制，通过机器学习不断地自适应迭代、调整评级模型算法变量以优化评分结果；
所述线索管理模块包括：
线索采集子模块：提供接收网络线索的数据传输接口，所述数据传输接口基于标准的网络传输协议，采用RSA+AES的非对称网络传输加密技术，接收网络线索后按约定密钥进行传输解密，并给每条网络线索打上系统时间戳插入线索处理队列，根据系统时间戳的先后顺序进行处理；
线索清洗子模块：将线索处理队列内的网络线索逐条匹配历史网络线索缓存池中的历史网络线索，若网络线索与历史网络线索校验一致，则在该网络线索上打上重复线索的标签，将非重复的网络线索逐条匹配线索黑名单 ，若网络线索中包含线索黑名单中的信息，则在该网络线索上打上黑名单线索标签；
数据调用接口子模块：从所述数据接口模块获取外部数据，采用RSA+AES的非对称网络传输加密技术，接收外部数据后按约定密钥进行传输解密，将外部数据合并入网络线索；
数据处理子模块：对网络线索进行格式化得到线索数据，对线索数据进行加密解析，数据完整性校验；将线索数据按照评级模型算法要求的数据格式进行映射转换，数据合并；
线索评级子模块：将格式化后的线索数据传输给算法建模模块进行线索评分，接收评分结构，根据评分规则对网络线索进行切分；
所述线索管理模块还包括：
线索排序筛选子模块：对网络线索进行归类和排序，并根据获取的信息进行网络线索的检索和筛选；
线索报表子模块：根据不同主题以及信息维度展示网络线索的量化指示图表，并提供报表导出功能；
所述线索管理模块还包括：
线索反馈信息收集子模块：从线索跟进系统获取网络线索的反馈信息，将反馈信息整合进网络线索，形成具有完整反馈闭环的线索并传输给所述算法建模模块和历史网络线索缓存池子模块；
历史网络线索缓存池子模块：存储历史网络线索；
所述算法建模模块包括：
调取历史缓存数据子模块：从历史网络线索缓存池调取需要评级的历史网络线索，提取有关的数据信息，并将评级模型信息传输给生成衍生变量子模块；
生成衍生变量子模块：接收评级模型信息，进行统计分析并得出原始变量信息，将原始变量进一步的变量分箱、变量聚合和变量衍生，对原始变量进行编码和预测能力评估，通过IV值的评分结果对原始变量进行最终筛选，并生成最终的衍生变量列表，将衍生变量列表传输给计算模型子模块；
计算模型子模块：依据接收到的衍生变量列表，计算出每一条网络线索的评级分数，采用多套评级模型算法复合处理机制，每个评级模型算法按比例对网络线索评级，当处理的网络线索数量达到预设阈值时，结合线索反馈数据，自动对复合处理机制进行比例调整，采集模型变量优化子模块的变量优化列表，采用机器学习技术，自动调整原有模型的衍生变量，并切换不同的评级模型算法，迭代优化计算模型，将每一条网络线索的评级结果传输给线索管理模块中的线索评级子模块；
模型变量优化子模块：接收反馈信息，当反馈数据达到预设阈值后，对原变量进行编码和预测能力重新评估，通过IV值的评分结果对变量进行调整，将调制后的变量传输给所述计算模型子模块。
2.根据权利要求1所述的适用于汽车行业的销售线索评级的系统，其特征在于，所述数据接口模块包括：
外部数据调用子模块：与外部数据源进行传输对接，采用RSA+AES的非对称网络传输加密技术，接收网络线索后按约定密钥进行传输解密，获取外部 源的外部数据；
数据标准包子模块：制定外部数据服务调用接口，生成外部数据源管理列表，对外部数据源进行统一管理；
数据服务接口子模块：通过标准数据传输接口，将外部数据传输给所述线索管理模块，对线索管理模块调用外部数据的请求进行控制和管理，对线索管理模块调用外部数据的使用量进行阈值设置和预警，对线索管理模块调用外部数据的费用阶梯进行设置和计算，以及对于外部数据源调用的技术统计。
3.根据权利要求1所述的适用于汽车行业的销售线索评级的系统，其特征在于，还包括数据存储模块，以数据库方式存储和网络线索评级相关的数据。
4.根据权利要求3所述的适用于汽车行业的销售线索评级的系统，其特征在于，所述数据存储模块包括：
数据配置子模块：定义数据码表的名称、数据格式和具体的码表字段，定义线索评级系统运行日志的记录内容，数据存储任务的管理、监控和预警；
对外接收数据子模块：采用消息队列的通信机制，保持和线索管理模块的实时通信，当线索管理模块有数据写入任务时，接收数据并写入对应的数据码表；
对外传输数据子模块：采用消息队列的通信机制，保持和线索管理模块的实时通信，当线索管理模块有数据读取任务时，将对应的数据码表信息传输给线索管理模块，支持高并发实时数据索引；
全部线索历史数据子模块：接收线索管理模块写入的完整网络线索，并存储在对应的历史线索码表中；
模型衍生数据子模块：接收衍生变量数据，并存储在对应的模型衍生数据码表中；
系统转化数据子模块：接收线索管理模块写入的网络线索处理过程数据，并存储在系统转化数据码表中；结合日志运行记录，给数据配置子模块的管理和预警提供阈值设置提供数据依据；
线索评级结果数据子模块：接收网络线索评级结果，并存储在对应的线索评级结果数据码表中。
5.一种适用于汽车行业的销售线索评级的方法，其特征在于，采用权利要求1至4任意一项所述的适用于汽车行业的销售线索评级的系统，执行步骤：
S1、格式化处理：获取网络线索，并处理成符合线索评级要求的标准字段和格式；
S2、黑白名单判定：判定网络线索是否在黑名单中，若判断结果为是则在评级结果字段设置为：黑名单；
S3、调用外部数据：非黑名单中的网络线索先匹配缓存池的历史外部数据，匹配不成功则调用外部数据，进入评级；
S4、线索评级：网络线索结合历史外部数据或外部数据，先经过提纯，再经过评级，最终输出提纯或评级结果；
S5、意向管理：管理黑名单、提纯和评级结果，输出评级结果，并整合网络线索+外部数据形成完整的线索数据；
S6、整合、发送线索评级数据：将评级结果与网络线索及外部数据整合，并打上线索发送时间的标签。
6.根据权利要求5所述的适用于汽车行业的销售线索评级的方法，其特征在于，网络数据的字段包括：线索基础字段+线索接收时间；
外部数据的字段包括：线索编号+联系方式+外部数据标签+调用时间；
完整的线索数据的字段包括：线索编号+线索发送时间+评级结果+线索基础字段+外部数据标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911330182.8A CN111144938B (zh) | 2019-12-20 | 2019-12-20 | 适用于汽车行业的销售线索评级的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911330182.8A CN111144938B (zh) | 2019-12-20 | 2019-12-20 | 适用于汽车行业的销售线索评级的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144938A CN111144938A (zh) | 2020-05-12 |
| CN111144938B true CN111144938B (zh) | 2023-06-20 |
Family
ID=70519222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911330182.8A Active CN111144938B (zh) | 2019-12-20 | 2019-12-20 | 适用于汽车行业的销售线索评级的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144938B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784008B (zh) * | 2020-07-16 | 2022-08-30 | 上海芯翌智能科技有限公司 | 案件相似度确定方法及装置、存储介质、终端 |
| CN111915329A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 一种基于汽车行业售后场景的个性化推荐方法及系统 |
| CN112837096A (zh) * | 2021-02-02 | 2021-05-25 | 长沙市到家悠享网络科技有限公司 | 线索质量数据确定方法、系统、装置、设备及存储介质 |
| CN114898152B (zh) * | 2022-05-13 | 2023-05-30 | 电子科技大学 | 嵌入式弹性自扩展通用学习系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622410A (zh) * | 2016-07-15 | 2018-01-23 | 北京易车互联信息技术有限公司 | 购车线索质量的评级方法和评级装置 |
| CN108230024A (zh) * | 2017-12-29 | 2018-06-29 | 北京皮尔布莱尼软件有限公司 | 基于线索收集的广告投放引擎系统 |
| CN109299969A (zh) * | 2018-08-17 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 线索处理方法、装置、计算机设备和存储介质 |
| CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
-
2019
- 2019-12-20 CN CN201911330182.8A patent/CN111144938B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622410A (zh) * | 2016-07-15 | 2018-01-23 | 北京易车互联信息技术有限公司 | 购车线索质量的评级方法和评级装置 |
| CN108230024A (zh) * | 2017-12-29 | 2018-06-29 | 北京皮尔布莱尼软件有限公司 | 基于线索收集的广告投放引擎系统 |
| CN109299969A (zh) * | 2018-08-17 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 线索处理方法、装置、计算机设备和存储介质 |
| CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144938A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144938B (zh) | 适用于汽车行业的销售线索评级的方法和系统 | |
| CN107123047B (zh) | 基于债券交易的数据采集系统及其数据采集方法 | |
| CN110399533A (zh) | 资金流向查询方法及装置 | |
| CN107491472B (zh) | 一种基于生命周期的大数据平台敏感数据安全共享系统和方法 | |
| CN110020002A (zh) | 事件处理方案的查询方法、装置、设备和计算机存储介质 | |
| CN106250287A (zh) | 一种日志信息处理装置 | |
| CN103218744A (zh) | 一种基于swot模型的行业投资信息及数据处理系统 | |
| CN109523295A (zh) | 一种信息处理方法、存储介质和服务器 | |
| CN114707914B (zh) | 基于SaaS架构的供销管理中台系统 | |
| CN112364086A (zh) | 一种基于大数据平台的业务可视化方法及系统 | |
| CN110798567A (zh) | 短信分类显示方法及装置、存储介质、电子设备 | |
| CN110968571A (zh) | 面向金融信息服务的大数据分析与处理平台 | |
| CN105786941B (zh) | 一种信息挖掘方法和装置 | |
| CN113420043A (zh) | 数据实时监控方法、装置、设备及存储介质 | |
| CN109582533A (zh) | 数据分析方法、装置、电子设备及存储介质 | |
| CN116662577A (zh) | 基于知识图谱的大型语言模型训练方法及装置 | |
| CN115409490A (zh) | 一种基于智慧园区的项目管理系统及方法 | |
| CN115514784A (zh) | 基于物联网的多源数据采集中台 | |
| CN114186024A (zh) | 推荐方法及装置 | |
| CN106202509A (zh) | 一种日志信息的处理方法 | |
| CN111178722B (zh) | 适用于销售线索评级和分配的机器学习系统、方法及介质 | |
| CN113850541A (zh) | 一种基于sql数据库的库存驱动的光缆订单分配方法 | |
| CN106227797A (zh) | 一种海量日志信息的处理方法 | |
| CN111695077A (zh) | 资产信息推送方法、终端设备及可读存储介质 | |
| CN109308298B (zh) | 工程项目综合管理系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method and system for sales lead rating applicable to the automotive industry Effective date of registration: 20231107 Granted publication date: 20230620 Pledgee: Bank of Jiangsu Limited by Share Ltd. Shanghai Changning branch Pledgor: Shanghai shuce Software Co.,Ltd. Registration number: Y2023310000717 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |