CN111275486A - 消费者研究方法和系统 - Google Patents
消费者研究方法和系统 Download PDFInfo
- Publication number
- CN111275486A CN111275486A CN202010054120.5A CN202010054120A CN111275486A CN 111275486 A CN111275486 A CN 111275486A CN 202010054120 A CN202010054120 A CN 202010054120A CN 111275486 A CN111275486 A CN 111275486A
- Authority
- CN
- China
- Prior art keywords
- research
- consumer
- data
- model
- researched
- 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
- 238000011160 research Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000000969 carrier Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 36
- 230000006870 function Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001915 proofreading effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种消费者研究方法和系统，所述方法包括以下步骤：基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台；在大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将待研究消费者与网络使用群体的行为标签进行对比，以生成和输出待研究消费者的差异化画像特征；通过Dashboard对待研究消费者的差异化画像特征进行可视化展示。本发明能够方便、快速、高质量、低成本地实现对消费者的研究，有效解决厂商具有针对性的需求。
Description
技术领域
本发明涉及市场研究技术领域，具体涉及一种消费者研究方法和一种消费者研究系统。
背景技术
新车消费者研究是历年来汽车行业研究的难题，也是非常重要的研究方向。新车调研关注消费者购车动机、考虑因素以及购车体验的好坏，新车消费者的反馈评价会直接影响新车销售，也会影响汽车厂商的利润收入和品牌影响力。
传统新车用户研究主要通过线下一对一面访搜集数据，数据不稳定，数据结果受人为影响较大，这种传统的收集数据方式不仅周期长(3-6个月)、效率低、成本高、呈现结果不佳(以PPT报告为交付形式，还需要不断的沟通调整修改)，对时间和研究人员自身素质的依赖也较强。
发明内容
本发明为解决上述技术问题，提供了一种消费者研究方法和系统，能够方便、快速、高质量、低成本地实现对消费者的研究，有效解决厂商具有针对性的需求。
本发明采用的技术方案如下：
一种消费者研究方法，包括以下步骤：基于XGBOOST(eXtreme GradientBoosting，极端梯度增强)模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台；在所述大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI(Target Group Index，目标群体指数)指数算法将所述待研究消费者与网络使用群体的行为标签进行对比，以生成和输出所述待研究消费者的差异化画像特征；通过Dashboard(可视化仪表盘)对所述待研究消费者的差异化画像特征进行可视化展示。
所述的消费者研究方法还包括：在所述大数据研究平台上，根据研究需求生成和输出对应的营销策略；通过Dashboard对所述营销策略进行可视化展示。
基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台，具体包括：将多个消费咨询项目中的信息和数据导入XGBOOST模型进行分类匹配，通过XGBOOST模型将多个消费咨询案例的决策树集成形成一个提升树强分类，通过不断训练从而找出最优的树形结构及相应叶子节点的输出值；将XGBOOST模型输出的信息、数据及其载体进行可视化，并挖掘、分析、构建、绘制和显示XGBOOST模型输出的信息、数据及其载体之间的相互联系并搭建成平台框架；使用网络爬虫抓取和搜集千万级数量的消费者对相应产品的文本评价材料，并开发相应产品所属行业的自然语义识别模型，以丰富所述平台框架的生产资料，构成所述大数据研究平台。
根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，具体包括：将收集的到店客流、消费者名单、搜索过相关关键词的用户ID进行大数据匹配，找到满足研究需求既定条件的消费者对应的大数据信息，通过洛伦兹曲线模型、Precision曲线模型、Lift曲线模型和ROC曲线模型进行阈值比对和准确性评估，最后选取超过2万待研究消费者的典型行为标签进行逻辑分级整理和储存。
使用atan函数模型、pow函数模型在Dashboard上实现数据可视化。
所述待研究消费者为新车消费者，所述自然语义识别模型为汽车行业自然语义识别模型。
导入XGBOOST模型的数据包括咨询框架结构、研究背景、研究目的、研究思路与方法、研究设计、实施规划、数据分析、数据解读、结论撰写中的一个或多个。
所述待研究消费者的典型行为标签包括购车关注因素、兴趣爱好、位置信息、媒体关注、人口属性、APP行为习惯、消费特征中的一个或多个。
一种消费者研究系统，包括：平台构建模块，所述平台构建模块用于基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台；数据输出模块，所述数据输出模块用于在所述大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将所述待研究消费者与网络使用群体的行为标签进行对比，以生成和输出所述待研究消费者的差异化画像特征；数据展示模块，所述数据展示模块用于通过Dashboard对所述待研究消费者的差异化画像特征进行可视化展示。
所述数据输出模块还用于在所述大数据研究平台上，根据研究需求生成和输出对应的营销策略，所述数据展示模块还用于通过Dashboard对所述营销策略进行可视化展示。
本发明的有益效果：
本发明首先基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台，然后在大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将待研究消费者与网络使用群体的行为标签进行对比，以生成和输出待研究消费者的差异化画像特征，最后通过Dashboard对待研究消费者的差异化画像特征进行可视化展示，由此，所涉及的消费者相关数据的数量和维度较多，能够方便、快速、高质量、低成本地实现对消费者的研究，有效解决厂商具有针对性的需求。
并且，基于上述的大数据研究平台，能够方便、快速、高质量、低成本地自动化形成营销策略建议。
此外，在Dashboard上，可使用筛选器功能在数千个数据变量维度上进行实时筛选、根据项目需求自动搭载对应的可视化图形和数据、根据客户的喜好自动调整配合和分布结构，能够实现更加灵活、直观、精准的研究结果呈现。
附图说明
图1为本发明实施例的消费者研究方法的流程图；
图2为本发明一个实施例的消费者研究方法的流程图；
图3为本发明实施例的消费者研究系统的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以待研究消费者为新车消费者为例详细说明本发明实施例的消费者研究方法和系统。
如图1所示，本发明实施例的消费者研究方法包括以下步骤：
S1，基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台。
具体地，首先可将多个消费咨询项目(例如一千多个典型汽车咨询项目)中的信息和数据导入XGBOOST模型进行分类匹配，通过XGBOOST模型将多个消费咨询案例的决策树集成形成一个提升树强分类，通过不断训练从而找出最优的树形结构及相应叶子节点的输出值。然后将XGBOOST模型输出的信息、数据及其载体进行可视化，并挖掘、分析、构建、绘制和显示XGBOOST模型输出的信息、数据及其载体之间的相互联系并搭建成平台框架。同时，使用网络爬虫抓取和搜集千万级数量的消费者对相应产品(例如汽车产品、服务等方面)的文本评价材料，并开发相应产品所属行业的自然语义识别模型，以丰富平台框架的生产资料，构成大数据研究平台。
在本发明的一个实施例中，导入XGBOOST模型的数据包括咨询框架结构、研究背景、研究目的、研究思路与方法、研究设计、实施规划、数据分析、数据解读、结论撰写中的一个或多个。
本发明实施例的自然语义识别模型为汽车行业自然语义识别模型，是基于自然语义分析技术开发的汽车领域的模型。通过不断抓取海量的数据进行机器学习和模型训练，同时安排多个编码员进行长期的人工校对学习，使得该汽车行业自然语义识别模型的语义分析准确率较高，可达到85％以上，甚至超过了人工编码准确率(一般在70％左右)。
S2，在大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将待研究消费者与网络使用群体的行为标签进行对比，以生成和输出待研究消费者的差异化画像特征。
在本发明的一个实施例中，厂商可在大数据研究平台上进行研究需求的设定，包括新建任务、输入需求、选定研究范围、确认需求及提交。可根据上述研究需求，从海量的大数据中分析和匹配新车用户的显著行为标签，进而进行非结构化仓库储存。具体地，可将收集的4S店到店客流、新车用户名单、搜索过相关关键词的用户ID进行大数据匹配，找到满足研究需求既定条件的消费者对应的大数据信息，通过洛伦兹曲线模型、Precision曲线模型、Lift曲线模型和ROC曲线模型进行阈值比对和准确性评估，最后选取超过2万新车消费者的典型行为标签进行逻辑分级整理和储存。
进一步地，可在洛伦兹曲线模型基础上应用Lift曲线模型衡量与评估不同阈值下模型的表现，通过Precision曲线模型寻找查准率和查全率的最佳结合点，并使用ROC曲线模型减少误判概率，从而确保机器学习的准确性，以及确保在不同任务下所选出2万多个新车消费者具备高代表性。
在本发明的一个具体实施例中，待研究消费者的典型行为标签包括购车关注因素、兴趣爱好、位置信息、媒体关注、人口属性、APP行为习惯、消费特征中的一个或多个。
在本发明的一个实施例中，可使用TGI指数算法，将新车用户的平均权重与特征标签与10亿网民总体的平均权重和特征标签作对比，得到新车用户的差异化画像特征。
S3，通过Dashboard对待研究消费者的差异化画像特征进行可视化展示。
在本发明的一个实施例中，可使用atan函数模型、pow函数模型在Dashboard上实现数据可视化，具体地，可通过atan反正切函数模型及pow函数模型确定数据定义域范围以及指数在Dashboard上所处的位置。
进一步地，如图2所示，本发明实施例的消费者研究方法还可包括：
S4，在大数据研究平台上，根据研究需求生成和输出对应的营销策略。
营销策略包括但不限于量化的销售产品或服务描述数据、销售过程描述数据、销售步骤描述数据、销售对象描述数据、销售与客户间的交互过程描述数据、销售与客户间交互反馈的权重数据等。
S5，通过Dashboard对营销策略进行可视化展示。
在本发明的一个实施例中，厂商可在大数据研究平台上进行研究需求的设定，包括新建任务、输入需求、选定研究范围、确认需求及提交。可自动对大数据研究平台的无价值信息进行筛选和清理，并对有价值数据进行提取和分析并输出营销建议及营销改进方案。
根据本发明实施例的消费者研究方法，首先基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台，然后在大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将待研究消费者与网络使用群体的行为标签进行对比，以生成和输出待研究消费者的差异化画像特征，最后通过Dashboard对待研究消费者的差异化画像特征进行可视化展示，由此，所涉及的消费者相关数据的数量和维度较多，能够方便、快速、高质量、低成本地实现对消费者的研究，有效解决厂商具有针对性的需求。
并且，基于上述的大数据研究平台，能够方便、快速、高质量、低成本地自动化形成营销策略建议。
此外，在Dashboard上，可使用筛选器功能在数千个数据变量维度上进行实时筛选、根据项目需求自动搭载对应的可视化图形和数据、根据客户的喜好自动调整配合和分布结构，能够实现更加灵活、直观、精准的研究结果呈现。
对应上述实施例的消费者研究方法，本发明还提出一种消费者研究系统。
如图3所示，本发明实施例的消费者研究系统包括平台构建模块10、数据输出模块20和数据展示模块30。其中，平台构建模块10用于基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台；数据输出模块20用于在大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将待研究消费者与网络使用群体的行为标签进行对比，以生成和输出待研究消费者的差异化画像特征；数据展示模块30用于通过Dashboard对待研究消费者的差异化画像特征进行可视化展示。
具体地，平台构建模块10首先可将多个消费咨询项目(例如一千多个典型汽车咨询项目)中的信息和数据导入XGBOOST模型进行分类匹配，通过XGBOOST模型将多个消费咨询案例的决策树集成形成一个提升树强分类，通过不断训练从而找出最优的树形结构及相应叶子节点的输出值。然后平台构建模块10将XGBOOST模型输出的信息、数据及其载体进行可视化，并挖掘、分析、构建、绘制和显示XGBOOST模型输出的信息、数据及其载体之间的相互联系并搭建成平台框架。同时，使用网络爬虫抓取和搜集千万级数量的消费者对相应产品(例如汽车产品、服务等方面)的文本评价材料，并开发相应产品所属行业的自然语义识别模型，平台构建模块10基于上述文本评价材料和自然语义识别模型丰富平台框架的生产资料，构成大数据研究平台。
在本发明的一个实施例中，导入XGBOOST模型的数据包括咨询框架结构、研究背景、研究目的、研究思路与方法、研究设计、实施规划、数据分析、数据解读、结论撰写中的一个或多个
本发明实施例的自然语义识别模型为汽车行业自然语义识别模型，是基于NLP自然语义分析技术开发的汽车领域的模型。通过不断抓取海量的数据进行机器学习和模型训练，同时安排多个编码员进行长期的人工校对学习，使得该汽车行业自然语义识别模型的语义分析准确率较高，可达到85％以上，甚至超过了人工编码准确率(一般在70％左右)。
在本发明的一个实施例中，厂商可在平台上进行研究需求的设定，包括新建任务、输入需求、选定研究范围、确认需求及提交。数据输出模块20可根据上述研究需求，从海量的大数据中分析和匹配新车用户的显著行为标签，进而进行非结构化仓库储存。具体地，数据输出模块20可将收集的4S店到店客流、新车用户名单、搜索过相关关键词的用户ID进行大数据匹配，找到满足研究需求既定条件的消费者对应的大数据信息，通过洛伦兹曲线模型Precision曲线模型、Lift曲线模型和ROC曲线模型进行阈值比对和准确性评估，最后选取超过2万新车消费者的典型行为标签进行逻辑分级整理和储存。
进一步地，数据输出模块20可在洛伦兹曲线模型基础上应用Lift曲线模型衡量与评估不同阈值下模型的表现，通过Precision曲线模型寻找查准率和查全率的最佳结合点，并使用ROC曲线模型减少误判概率，从而确保机器学习的准确性，以及确保在不同任务下所选出2万多个新车消费者具备高代表性。
在本发明的一个具体实施例中，待研究消费者的典型行为标签包括购车关注因素、兴趣爱好、位置信息、媒体关注、人口属性、APP行为习惯、消费特征中的一个或多个。
在本发明的一个实施例中，数据输出模块20可使用TGI指数算法，将新车用户的平均权重与特征标签与10亿网民总体的平均权重和特征标签作对比，得到新车用户的差异化画像特征。
在本发明的一个实施例中，数据展示模块30可使用atan函数模型、pow函数模型在Dashboard上实现数据可视化，具体地，可通过atan反正切函数模型及pow函数模型确定数据定义域范围以及指数在Dashboard上所处的位置。
进一步地，数据输出模块20还可用于在大数据研究平台上，根据研究需求生成和输出对应的营销策略，数据展示模块30还可用于通过Dashboard对营销策略进行可视化展示。
在本发明的一个实施例中，厂商可在大数据研究平台上进行研究需求的设定，包括新建任务、输入需求、选定研究范围、确认需求及提交。数据输出模块20可自动对大数据研究平台的无价值信息进行筛选和清理，并对有价值数据进行提取和分析并输出营销建议及营销改进方案。
根据本发明实施例的消费者研究系统，平台构建模块10基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台，数据输出模块20在大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将待研究消费者与网络使用群体的行为标签进行对比，以生成和输出待研究消费者的差异化画像特征，数据输出模块20通过Dashboard对待研究消费者的差异化画像特征进行可视化展示，由此，所涉及的消费者相关数据的数量和维度较多，能够方便、快速、高质量、低成本地实现对消费者的研究，有效解决厂商具有针对性的需求。
并且，基于上述的大数据研究平台，能够方便、快速、高质量、低成本地自动化形成营销策略建议。
此外，在Dashboard上，可使用筛选器功能在数千个数据变量维度上进行实时筛选、根据项目需求自动搭载对应的可视化图形和数据、根据客户的喜好自动调整配合和分布结构，能够实现更加灵活、直观、精准的研究结果呈现。
下面以某一应用实例描述本发明实施例的消费者研究方法和系统的应用场景。
某美系豪华汽车品牌想要了解某款新上市SUV车型购买者特征、与德系豪华SUV竞品消费者的差异，以及进一步扩大销量的营销方案。该美系豪华汽车品牌通过登录大数据研究平台创建任务，选定年龄24-55岁本品消费者、德系竞品消费者，以及一、二线城市全市场新车消费者进行分析。通过对数据结果的多维度交叉对比，发现本品用户较全体市场新车消费者更加富裕殷实，而较德系竞品更加偏好流行文化，同时更偏好国内旅游，特别是对主题公园偏爱有加。
该美系豪华品牌在使用异业合作分析模块后，大数据研究平台可自动对所有可能进行跨界宣传营销合作的平台(如：酒店、移动应用APP、银行、旅游景点、杂志等)进行对比分析，并发现本品新车用户大数据行为中对某景区关注度明显高于德系竞品及全市场情况，同时频繁前往游玩。大数据研究平台自动生成可跟该景区进行票务合作或开通某品牌专属入场通道等营销建议。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种消费者研究方法，其特征在于，包括以下步骤：
基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台；
在所述大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将所述待研究消费者与网络使用群体的行为标签进行对比，以生成和输出所述待研究消费者的差异化画像特征；
通过Dashboard对所述待研究消费者的差异化画像特征进行可视化展示。
2.根据权利要求1所述的消费者研究方法，其特征在于，还包括：
在所述大数据研究平台上，根据研究需求生成和输出对应的营销策略；
通过Dashboard对所述营销策略进行可视化展示。
3.根据权利要求1或2所述的消费者研究方法，其特征在于，基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台，具体包括：
将多个消费咨询项目中的信息和数据导入XGBOOST模型进行分类匹配，通过XGBOOST模型将多个消费咨询案例的决策树集成形成一个提升树强分类，通过不断训练从而找出最优的树形结构及相应叶子节点的输出值；
将XGBOOST模型输出的信息、数据及其载体进行可视化，并挖掘、分析、构建、绘制和显示XGBOOST模型输出的信息、数据及其载体之间的相互联系并搭建成平台框架；
使用网络爬虫抓取和搜集千万级数量的消费者对相应产品的文本评价材料，并开发相应产品所属行业的自然语义识别模型，以丰富所述平台框架的生产资料，构成所述大数据研究平台。
4.根据权利要求3所述的消费者研究方法，其特征在于，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，具体包括：
将收集的到店客流、消费者名单、搜索过相关关键词的用户ID进行大数据匹配，找到满足研究需求既定条件的消费者对应的大数据信息，通过洛伦兹曲线模型、Precision曲线模型、Lift曲线模型和ROC曲线模型进行阈值比对和准确性评估，最后选取超过2万待研究消费者的典型行为标签进行逻辑分级整理和储存。
5.根据权利要求1或2所述的消费者研究方法，其特征在于，使用atan函数模型、pow函数模型在Dashboard上实现数据可视化。
6.根据权利要求4所述的消费者研究方法，其特征在于，所述待研究消费者为新车消费者，所述自然语义识别模型为汽车行业自然语义识别模型。
7.根据权利要求6所述的消费者研究方法，其特征在于，导入XGBOOST模型的数据包括咨询框架结构、研究背景、研究目的、研究思路与方法、研究设计、实施规划、数据分析、数据解读、结论撰写中的一个或多个。
8.根据权利要求6所述的消费者研究方法，其特征在于，所述待研究消费者的典型行为标签包括购车关注因素、兴趣爱好、位置信息、媒体关注、人口属性、APP行为习惯、消费特征中的一个或多个。
9.一种消费者研究系统，其特征在于，包括：
平台构建模块，所述平台构建模块用于基于XGBOOST模型、知识图谱、网络爬虫和自然语义识别模型构建大数据研究平台；
数据输出模块，所述数据输出模块用于在所述大数据研究平台上，根据研究需求选择预设数量的待研究消费者的典型行为标签，并进行非结构化仓库储存，以及通过TGI指数算法将所述待研究消费者与网络使用群体的行为标签进行对比，以生成和输出所述待研究消费者的差异化画像特征；
数据展示模块，所述数据展示模块用于通过Dashboard对所述待研究消费者的差异化画像特征进行可视化展示。
10.根据权利要求9所述的消费者研究系统，其特征在于，所述数据输出模块还用于在所述大数据研究平台上，根据研究需求生成和输出对应的营销策略，所述数据展示模块还用于通过Dashboard对所述营销策略进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010054120.5A CN111275486A (zh) | 2020-01-17 | 2020-01-17 | 消费者研究方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010054120.5A CN111275486A (zh) | 2020-01-17 | 2020-01-17 | 消费者研究方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111275486A true CN111275486A (zh) | 2020-06-12 |
Family
ID=71001689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010054120.5A Pending CN111275486A (zh) | 2020-01-17 | 2020-01-17 | 消费者研究方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275486A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021175038A1 (zh) * | 2020-11-13 | 2021-09-10 | 之江实验室 | 一种慢性病辅助决策的患者数据可视化方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
| CN107688865A (zh) * | 2017-07-31 | 2018-02-13 | 上海恺英网络科技有限公司 | 识别网络游戏中潜在高消费用户的方法及设备 |
| CN109801094A (zh) * | 2018-12-07 | 2019-05-24 | 珠海中科先进技术研究院有限公司 | 一种商业分析管理推荐预测模型的方法及系统 |
| CN109858974A (zh) * | 2019-02-18 | 2019-06-07 | 重庆邮电大学 | 已购车用户识别模型构建方法及识别方法 |
| CN110019431A (zh) * | 2017-12-11 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 数据可视化的处理方法、系统及终端设备 |
| CN110442670A (zh) * | 2019-06-11 | 2019-11-12 | 天津交通职业学院 | 一种基于文本标引的消费者画像生成方法 |
| CN110675179A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 营销信息处理方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-01-17 CN CN202010054120.5A patent/CN111275486A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
| CN107688865A (zh) * | 2017-07-31 | 2018-02-13 | 上海恺英网络科技有限公司 | 识别网络游戏中潜在高消费用户的方法及设备 |
| CN110019431A (zh) * | 2017-12-11 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 数据可视化的处理方法、系统及终端设备 |
| CN110675179A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 营销信息处理方法、装置、电子设备及可读存储介质 |
| CN109801094A (zh) * | 2018-12-07 | 2019-05-24 | 珠海中科先进技术研究院有限公司 | 一种商业分析管理推荐预测模型的方法及系统 |
| CN109858974A (zh) * | 2019-02-18 | 2019-06-07 | 重庆邮电大学 | 已购车用户识别模型构建方法及识别方法 |
| CN110442670A (zh) * | 2019-06-11 | 2019-11-12 | 天津交通职业学院 | 一种基于文本标引的消费者画像生成方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021175038A1 (zh) * | 2020-11-13 | 2021-09-10 | 之江实验室 | 一种慢性病辅助决策的患者数据可视化方法及系统 |
| US11521751B2 (en) | 2020-11-13 | 2022-12-06 | Zhejiang Lab | Patient data visualization method and system for assisting decision making in chronic diseases |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111737495B (zh) | 基于领域自分类的中高端人才智能推荐系统及其方法 | |
| CN110633373B (zh) | 一种基于知识图谱和深度学习的汽车舆情分析方法 | |
| Chen | Market segmentation by tourists’ sentiments | |
| Fuchs et al. | Big data analytics for knowledge generation in tourism destinations–A case from Sweden | |
| CN105045858B (zh) | 基于投票的出租车载客点推荐方法 | |
| Guagnano et al. | Influences on attitude-behavior relationships: A natural experiment with curbside recycling | |
| Brogi et al. | The effects of online brand communities on brand equity in the luxury fashion industry | |
| de Oña et al. | Analysis of transit quality of service through segmentation and classification tree techniques | |
| CN111047412A (zh) | 一种大数据电商运营平台 | |
| Leventhal | Geodemographics for marketers: Using location analysis for research and marketing | |
| CN112837087A (zh) | 一种面向咨询服务系统的用户画像构建方法 | |
| Chiang | Discovering customer value for marketing systems: an empirical case study | |
| Yang et al. | Research on coordinated development between metropolitan economy and logistics using big data and Haken model | |
| Prasad et al. | Forecasting buying intention through artificial neural network: an algorithmic solution on direct-to-consumer brands | |
| Keller et al. | Recommender systems for museums: evaluation on a real dataset | |
| CN112529615A (zh) | 自动生成广告的方法、装置、设备和计算机可读存储介质 | |
| CN115147155A (zh) | 一种基于集成学习的铁路货运客户流失预测方法 | |
| Pandey et al. | Trends in destination choice in tourism research: A 25-year bibliometric review | |
| Das et al. | Customer segmentation via data mining techniques: state-of-the-art review | |
| Lipyanina et al. | Targeting Model of HEI Video Marketing based on Classification Tree. | |
| He | [Retracted] Research on Tourism Route Recommendation Strategy Based on Convolutional Neural Network and Collaborative Filtering Algorithm | |
| Lee et al. | Clustering of tourist routes for individual tourists using sequential pattern mining | |
| Gupta et al. | Predictive analytic techniques for enhancing marketing performance and personalized customer experience | |
| Silver et al. | Complex causal structures of neighbourhood change: Evidence from a functionalist model and yelp data | |
| CN111275486A (zh) | 消费者研究方法和系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230317 Address after: 100016 a1-1003, 10th floor, building 1, yard 2, Jiangtai West Road, Chaoyang District, Beijing Applicant after: BEIJING MAXINSIGHT TIANCHENG DATA CONSULTING Co.,Ltd. Address before: 100027 d2001, 2nd floor, block D, building 21, 2 Wanhong West Street, xibajianfang, dongzhimenwai, Chaoyang District, Beijing Applicant before: BEIJING ZEBRA-C DATA TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right |