CN111461766A - 客户价值评估方法、系统、计算机设备、可读存储介质 - Google Patents
客户价值评估方法、系统、计算机设备、可读存储介质 Download PDFInfo
- Publication number
- CN111461766A CN111461766A CN202010181369.2A CN202010181369A CN111461766A CN 111461766 A CN111461766 A CN 111461766A CN 202010181369 A CN202010181369 A CN 202010181369A CN 111461766 A CN111461766 A CN 111461766A
- Authority
- CN
- China
- Prior art keywords
- time
- sequence
- space
- trajectory
- basic information
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002853 ongoing effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening 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
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
本发明公开了一种基于时空轨迹的客户价值评估方法，包括：获取目标客户的时空轨迹序列，时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点；将时空轨迹序列划分为多个状态轨迹序列，状态轨迹序列包括移动轨迹序列及逗留轨迹序列；根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性；根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性；根据潜在属性及基础信息预测目标客户的潜在价值。本发明还公开了一种基于时空轨迹的客户价值评估系统、计算机设备、计算机可读存储介质。采用本发明，可根据目标客户的时空轨迹序列预测目标客户的潜在价值，精确度高，灵活性强。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种基于时空轨迹的客户价值评估方法、客户价值评估系统、计算机设备、计算机可读存储介质。
背景技术
近年来，互联网和IT发展迅速，围绕着人类生活产生了海量的数据，这些数据反映了人类活动的方方面面。
目前，用于描述客户的属性大多数是基于某个时间点的状态，比如某司客户张三在开通移动电话的时候年龄是22岁，在读本科，住址是A市B区C栋101号。这时收集到的客户信息为：出生年月-1997年1月，最高学历-本科，住址-A市B区C栋101号。后来张三研究生毕业，就业后居住地址也搬到A市E区G栋803号，实际的信息对比之前主动填报给某司的信息已变更。即当客户状态变化了之后，基于某个时间点采集的信息有可能已经过时。
长此以来，企业评估客户价值的分析方法通常是使用企业内已有的对目标客户的数据和指标来评价，比如通过RFM、ARPU环比同比、客户使用企业服务时间长度等等分析得出一个评级以衡量客户的价值和做配套的推广或服务。但是往往企业掌握的是客户的静态数据，或者是只是客户某一个方面的数据，这些数据未能及时反映客户的实际购买潜力，导致企业错过提供与客户消费能力匹配的服务和产品的机会。
发明内容
本发明所要解决的技术问题在于，提供一种基于时空轨迹的客户价值评估方法、系统、计算机设备、计算机可读存储介质，可根据目标客户的时空轨迹序列预测目标客户的潜在价值，精确度高，灵活性强。
为了解决上述技术问题，本发明提供了一种基于时空轨迹的客户价值评估方法，包括：获取目标客户的时空轨迹序列，所述时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点；将所述时空轨迹序列划分为多个状态轨迹序列，所述状态轨迹序列包括移动轨迹序列及逗留轨迹序列；根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性；根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性；根据所述潜在属性及基础信息预测目标客户的潜在价值。
作为上述方案的改进，所述根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性的步骤包括：将所述时空轨迹序列点的坐标信息与所述基础信息中的交通工具时空轨迹进行匹配，初步确定目标客户可能采用的出行工具；根据所述时空轨迹序列点的时间信息及坐标信息，计算目标客户的移动速度；根据所述可能采用的出行工具及移动速度，最终确定目标客户最终采用的出行工具。
作为上述方案的改进，所述根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性的步骤包括：将所述时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配，确定目标客户的逗留地点；根据时空轨迹序列点的时间信息确定目标客户的逗留时间；根据所述逗留地点及逗留时间确定目标客户的办公地点、住宅地点或消费地点。
作为上述方案的改进，所述将时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配确定目标客户的逗留地点的步骤包括：分别将每一时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配，提取以时空轨迹序列点为圆心的预设半径范围内的建筑物；将匹配数量最多的建筑物作为目标客户的逗留地点。
作为上述方案的改进，所述基础信息的处理方法包括：通过软件机器人或API方式从一个或多个网路数据源定向采集基础信息；对所述基础信息进行清洗处理；对经清洗处理后的基础信息进行价值排序；为经清洗处理后的基础信息分配特征权重。
作为上述方案的改进，所述根据潜在属性及基础信息预测目标客户的潜在价值的步骤包括：从所述基础信息中匹配出每一潜在属性所对应的价值排序；从所述基础信息中匹配出每一潜在属性所对应的特征权重；根据所述价值排序及特征权重分别计算每一潜在属性的子价值；根据所有潜在属性的子价值，计算目标客户的潜在价值。
作为上述方案的改进，所述对基础信息进行清洗处理的步骤包括：对所述网路数据源进行优先级排序；按照优先级由低至高的顺序，依次覆盖网路数据源中重复的基础信息。
相应地，本发明还提供了一种基于时空轨迹的客户价值评估系统，包括：数据采集模块，用于采集基础信息；数据处理模块，用于对所述基础信息进行预处理；数据分析模块，用于根据目标客户的时空轨迹序列预测目标客户的潜在价值；其中，所述数据分析模块包括：获取单元，用于获取目标客户的时空轨迹序列，所述时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点；划分单元，用于将所述时空轨迹序列划分为多个状态轨迹序列，所述状态轨迹序列包括移动轨迹序列及逗留轨迹序列；移动判断单元，用于根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性；逗留判断单元，用于根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性；预测单元，用于根据所述潜在属性及基础信息预测目标客户的潜在价值。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述客户价值评估方法的步骤。
相应地，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现客户价值评估方法的步骤
实施本发明，具有如下有益效果：
本发明利用目标客户的时空轨迹所留下的信息，快速提取目标客户的潜在价值，精确度高，灵活性强，可有效避免企业错过提供与客户消费能力匹配的服务和产品的机会。
附图说明
图1是本发明基于时空轨迹的客户价值评估方法的流程图；
图2是本发明中基础信息的处理方法的流程图；
图3是本发明基于时空轨迹的客户价值评估系统的结构示意图；
图4是本发明中数据分析模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
参见图1，图1显示了本发明基于时空轨迹的客户价值评估方法的流程图，其包括：
S101，获取目标客户的时空轨迹序列。
所述时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点。例如，时空轨迹序列Sx“2019年9月17日17:19:01，经纬度坐标1；2019年9月17日17:19:30，经纬度坐标2”。
S102，将所述时空轨迹序列划分为多个状态轨迹序列。
所述状态轨迹序列包括移动轨迹序列及逗留轨迹序列。
当接收到用户传入的目标客户时空轨迹序列后，可利用计算服务器集群的运算能力高效完成位置点的筛选和匹配，假设现有以下移动序列：
假设用户传入的目标客户时空轨迹序列Sx，若Sx里的某个时间段内时空轨迹序列点的点间平均距离R大于预设阈值，则判断目标客户这段时间内处于移动状态，此时这段时间内的时空轨迹序列点组成为一个移动轨迹序列；若点间平均距离R小于或等于预设阈值，但是前后存在多个连续的移动状态，则亦会把该时空轨迹序列点的状态设成移动，对应的实际情况可能是在等红灯或行车缓慢。相应地，若点间平均距离R小于或等于预设阈值，且前后不存在多个连续的移动状态，则目标客户这段时间内处于逗留状态，此时这段时间内的时空轨迹序列点组成为一个逗留轨迹序列。
S103，根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性。
需要说明的是，基础信息可通过软件机器人及大数据技术手段进行收集汇总，其可作为分析和判断客户价值的基本依据。具体地，所述基础信息包括：城市基础信息(包括道路、建筑物坐标信息)，且每个数据点包括采集时间点、经纬坐标、建筑类型、人均消费、行业类型等；交通基础信息(包括公共汽车、轨道交通、的士、网约车等的交通工具时空轨迹)，且每一数据点包括采集时间点、经纬坐标、交通工具类型等；住宅基础信息(包括酒店、商品房、二手房等)，且每个数据点包括采集时间点、经纬坐标、价格、排名等；教育基础信息(包括学校、培训班的价格、排名等)，且每个数据点包括采集时间点、经纬坐标、价格、排名等；办公室基础信息(包括租金、企业类型、职位薪酬等)，且每个数据点包括采集时间点、经纬坐标、租金、企业类型、职位年限、职位薪酬等。
具体地，所述根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性的步骤包括：
(1)将所述时空轨迹序列点的坐标信息与所述基础信息中的交通工具时空轨迹进行匹配，初步确定目标客户可能采用的出行工具。
(2)根据所述时空轨迹序列点的时间信息及坐标信息，计算目标客户的移动速度。
(3)根据所述可能采用的出行工具及移动速度，最终确定目标客户最终采用的出行工具。
需要说明的是，若目标客户的状态为移动，则可以跟基础数据中的交通工具时空轨迹(比如，公共汽车的时空轨迹序列集，的士和网约车的时空轨迹序列集，机场的位置等)进行碰撞，判定目标客户是否搭乘的工具。
例如，参见步骤S102中移动序列，随机抽样检测点S4，若在S4一定范围以内有点B4(B4属于桂X的公共汽车的时空轨迹点)，且S4跟其他的公共交通工具轨迹均没重叠，随后判断其他的随机点S5，S6，S7发现均没有与B5，B6，B7有重叠(B5，B6，B7属于桂X的公共汽车的时空轨迹点)，于是判断目标客户移动过程中可能没有搭乘交通工具。然后，根据移动状态下的最高速度达到60公里每小时，判断客户可能是乘坐专车或者自驾出行。
S104，根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性。
具体地，所述根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性的步骤包括：
(1)将所述时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配，确定目标客户的逗留地点。
(2)根据时空轨迹序列点的时间信息确定目标客户的逗留时间。
例如，参见步骤S102中移动序列，目标客户由移动状态转逗留状态的坐标点为Sn，因Sn后一段时间没有轨迹点，因此判断客户进入室内；又因该商圈主要为饮食娱乐为主，非住宅区，客户逗留时间区间在饭点前后，判断客户到该处消费。然后，以Sn为圆点检测基础信息中的建筑物坐标，若检测设定范围以内最近的建筑物为饭馆A，则记录目标客户逗留地点为饭馆A；另外，如果检测范围以内出现多个消费场所，则取平均值。同理，可判断办公和住宅地点。
进一步，所述将时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配确定目标客户的逗留地点的步骤包括：分别将每一时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配，提取以时空轨迹序列点为圆心的预设半径范围内的建筑物；将匹配数量最多的建筑物作为目标客户的逗留地点。
例如，切取一个时空轨迹序列点(时间节点1)的经纬坐标信息(23.0190663127，113.1677359343)，筛选出在该时空轨迹序列点附近的建筑物，并记录时空轨迹序列点与建筑物之间的距离数值，距离越近数值越低；若超出阈值，则记录为不匹配。
| 类型 | 详细 | 时间节点1距离数值 |
| 交通工具 | 公共汽车-桂04 | 70 |
| 交通工具 | 公共汽车-桂02 | 60 |
| 写字楼 | 天安数码城 | 10 |
| 写字楼 | 广东军旭大厦 | 50 |
| 交通工具 | 计程车-粤E***** | 60 |
| 印刷店 | 六九快印 | 90 |
然后，继续碰撞同一逗留轨迹序列中其他时空轨迹序列点(时间节点2…n)，最后择优选取匹配次数最多，距离数值最小的建筑物作为目标客户该时间段内发生的事件解释。例子中匹配到写字楼-天安数码城。
(3)根据所述逗留地点及逗留时间确定目标客户的办公地点、住宅地点或消费地点。
S105，根据所述潜在属性及基础信息预测目标客户的潜在价值。
需要说明的是，将目标客户的时空轨迹序列转换为人类可理解的匹配事件后，可分析出目标客户的潜在属性(如，工作类型、消费场所、消费偏好等)，从而间接描述目标客户的收入和支出，计算目标客户的潜在价值。
具体地，所述根据潜在属性及基础信息预测目标客户的潜在价值的步骤包括：
(1)从所述基础信息中匹配出每一潜在属性所对应的价值排序。其中，每一潜在属性所对应的价值排序可根据实际采集的数据进行预排序并存储与基础信息中。
(2)从所述基础信息中匹配出每一潜在属性所对应的特征权重。其中，每一潜在属性所对应的特征权重可由用户进行预设并存储与基础信息中。
(3)根据所述价值排序及特征权重分别计算每一潜在属性的子价值。
(4)根据所有潜在属性的子价值，计算目标客户的潜在价值。
需要说明的是，客户潜在价值估算由客户的潜在收入能力和潜在支出能力决定。其中，潜在收入能力的判断依据为：所在办公场所在同类型企业里面的收入排名；潜在支出能力按照居住点、消费场所消费层次、出行交通工具类型等为依据按权重加成，最终得出客户的潜在价值排名。
因此，本发明可利用目标客户的时空轨迹所留下的信息，提取目标客户的潜在价值，灵活性强。
下面结合具体的实施例对本发明作进一步的详细描述：
例如，张某一天的时空轨迹为：早上8:40从普君东社区出发，到9:18停止明显移动并逗留在天安数码城，直到18:40再次移动并在19:16到达创意产业园，停留约两小时以后再度出发并于22:03到达普君东社区。
将所述时空轨迹序列划分为三个移动轨迹序列及三个逗留轨迹序列，分别为：8:40-9:18(移动轨迹序列)，9:18-18:40(逗留轨迹序列)，18:40-19:16(移动轨迹序列)，19:16-21:38(逗留轨迹序列)，21:38-22:03(移动轨迹序列)，22:03-(逗留轨迹序列)。
其中，根据移动轨迹序列8:40-9:18、18:40-19:16、21:38-22:03中张某的移动速度、路线及距离，判断张某的出行方式不是步行、骑单车或搭乘公共汽车，而可能是自驾车或者搭乘专车；
同时，根据逗留轨迹序列9:18-18:40，19:16-21:38，22:03-，判断张某在一天内的主要停留地点有分别为普君东社区、天安数码城及创意产业园。初步整理数据如下：
| 日期 | 开始时间 | 结束时间 | 地点 |
| 第T天 | 8:40 | 9:18 | 路上 |
| 第T天 | 9:18 | 18:40 | 天安数码城 |
| 第T天 | 18:40 | 19:16 | 路上 |
| 第T天 | 19:16 | 21:38 | 创意产业园 |
| 第T天 | 21:38 | 22:03 | 路上 |
| 第T天 | 22:03 | - | 普君东社区 |
根据事先处理的基础信息进行分析以及各个时间发生的时间节点，初步判断得出如下分析数据：
由于不同类型的活动，依据其可反映客户潜在消费能力的影响分配相应的权重，比如：
| 活动类型 | 特征权重 |
| 办公 | 10 |
| 居住 | 7 |
| 饮食娱乐购物 | 5 |
| 交通 | 3 |
| 学校 | 3 |
| … |
最后，根据基数事实数据和不同的活动类型的权重来评估张某的潜在价值。潜在价值评估是一个相对值，其意义在与标识某些人群可能具备相对高的消费能力，而不是评估其可以消费的绝对价值。
因此，本实施例中，通过输入一串时空轨迹序列Sx(比如:2019年9月17日17:19:01，经纬度坐标1；2019年9月17日17:19:30，经纬度坐标2)。经过分析，输出客户潜在价值的评估结果(比如，40％)，则说明客户的潜在消费能力可能排名在前40％，从而为评估客户的潜在价值提供一个模型参考。
参见图2，图2显示了本发明中基础信息的处理方法的流程图，其包括：
S201，通过软件机器人或API(Application Programming Interface，应用程序编程接口)方式从一个或多个网路数据源定向采集基础信息。
具体地，所述基础信息包括：
城市基础信息，包括道路、建筑物坐标信息；每个数据点包括采集时间点、经纬坐标、建筑类型、人均消费、行业类型等。
交通基础信息，包括公共汽车、轨道交通、的士、网约车等的交通工具时空轨迹；每一数据点包括采集时间点、经纬坐标、交通工具类型等。
住宅基础信息，包括酒店、商品房、二手房等；每个数据点包括采集时间点、经纬坐标、价格、排名等。
教育基础信息，包括学校、培训班的价格、排名等；每个数据点包括采集时间点、经纬坐标、价格、排名等。
办公室基础信息，包括租金、企业类型、职位薪酬等；每个数据点包括采集时间点、经纬坐标、租金、企业类型、职位年限、职位薪酬等。
S202，对所述基础信息进行清洗处理。
具体地，所述对基础信息进行清洗处理的步骤包括：
(1)对所述网路数据源进行优先级排序；
(2)按照优先级由低至高的顺序，依次覆盖网路数据源中重复的基础信息。
因此，本发明根据对数据源的可靠性定义来采集和覆盖低可靠性的数据。例如，定义了三个网路数据源，优先级为A最高，B次之，C最低，采集时，先从优先级C开始，若优先级B的数据跟优先级C的数据有重复的，则用优先级B的数据覆盖优先级C的数据，若优先级A的数据跟优先级B、C的数据有重复的，则用优先级A的数据覆盖。
S203，对经清洗处理后的基础信息进行价值排序。
S204，为经清洗处理后的基础信息分配特征权重。
因此，通过对基础信息进行采集、清洗、价值排序及分配特征权重后，可形成以时间节点切割的城市静态快照序列。
参见图3，图3显示了本发明基于时空轨迹的客户价值评估系统100的具体结构，其包括：
数据采集模块1，用于采集基础信息。
数据处理模块2，用于对所述基础信息进行预处理。具体地，数据处理模块2可应用Spark等大数据处理框架进行数据清洗和处理。
数据分析模块3，用于根据目标客户的时空轨迹序列预测目标客户的潜在价值。
需要说明的是，数据采集、数据处理、数据分析等可以切割成多个相对独立的模块，组成任务由不同的任务代理执行，提高运行速度和效率。任务之间的调度有任务优先级定义，具体某个任务中的步骤可以并行执行，也可以串行执行。
数据采集模块1采用分布式数据采集集群对相关目标进行数据采集和监控。为了提升数据采集的效率和成功率，本发明对采集任务进行拆分，下派给不同的任务代理进行执行，执行完毕以后任务代理把采集结果返回给到任务经理，执行速度快，效率高，采集逻辑调整容易。
任务拆分根据任务的类型和和相关性决定，如果任务之间是相互独立的，根据采集目标的网路速度，数据量大少，可以承受的并发数量来切分子任务。子任务之间数据没有任何关联，可以独立并行执行。任务经理(虚拟角色)随时监测任务代理的状态，把采集的任务逻辑和原始数据下发到任务代理。如果任务代理的状态不为健康的(包括没有心跳)，任务将不会被派发到该代理。任务经理可以出发任务代理重新启动和注册。
任务代理根据任务逻辑执行，根据任务设定进行错误处理和重跑。每个任务代理独立运行，任何时刻单个任务代理同时只处理一个任务。任务结束后任务代理把结果返回给任务经理。对于超时或者没有完成的任务，任务经理可以重新下发给其他任务代理执行。任务经理收集好所有结果数据以后进行初步的数据筛选，按照一定的格式保存在数据库为后续分析做好准备。
进一步，本发明基于时空轨迹的客户价值评估系统100还包括：
数据管理模块：负责数据的备份，恢复，查看等；
系统管理模块：负责系统参数配置，运行支撑等；
任务调度模块：负责根据系统内集群可支配资源执行任务；
节点服务器管理模块：负责管理集群内其他节点的状态和配置；
缓存数据：为了加速运算而保存在缓存的中间数据；
持久化数据：运算结果等保存成数据文件或者存储在数据库。
因此，通过数据采集模块1、数据处理模块2、数据分析模块3、数据管理模块、系统管理模块、任务调度模块、节点服务器管理模块、缓存数据及持久化数据之间的相互协作，构建出完善的客户价值评估系统100。当客户价值评估系统100接收到用户传入的目标客户时空轨迹序列后，可通过大数据技术利用计算服务器集群的运算能力高效完成位置点的筛选和匹配，从而快速与基础信息做匹配以发现目标客户当前的状态和在进行的活动，以分析目标客户的潜在价值。
如图4所示，所述数据分析模块3包括：
获取单元31，用于获取目标客户的时空轨迹序列，所述时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点；例如，时空轨迹序列Sx“2019年9月17日17:19:01，经纬度坐标1；2019年9月17日17:19:30，经纬度坐标2”。
划分单元32，用于将所述时空轨迹序列划分为多个状态轨迹序列，所述状态轨迹序列包括移动轨迹序列及逗留轨迹序列。
移动判断单元33，用于根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断34目标客户的潜在属性。具体地，移动判断单元33先将所述时空轨迹序列点的坐标信息与所述基础信息中的交通工具时空轨迹进行匹配，初步确定目标客户可能采用的出行工具；再根据所述时空轨迹序列点的时间信息及坐标信息，计算目标客户的移动速度；接着，根据所述可能采用的出行工具及移动速度，最终确定目标客户最终采用的出行工具。
逗留判断单元35，用于根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性；具体地，逗留判断单元35先将所述时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配，确定目标客户的逗留地点；再根据时空轨迹序列点的时间信息确定目标客户的逗留时间；最后，根据所述逗留地点及逗留时间确定目标客户的办公地点、住宅地点或消费地点。
预测单元36，用于根据所述潜在属性及基础信息预测目标客户的潜在价值。具体地，具体地，预测单元36先从所述基础信息中匹配出每一潜在属性所对应的价值排序及特征权重，再根据所述价值排序及特征权重分别计算每一潜在属性的子价值，最后，根据所有潜在属性的子价值，计算目标客户的潜在价值。
综上所述，本发明可根据目标客户的时空轨迹序列预测目标客户的潜在价值，精确度高，灵活性强。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述客户价值评估方法的步骤。同时，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述客户价值评估方法的步骤。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于时空轨迹的客户价值评估方法，其特征在于，包括：
获取目标客户的时空轨迹序列，所述时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点；
将所述时空轨迹序列划分为多个状态轨迹序列，所述状态轨迹序列包括移动轨迹序列及逗留轨迹序列；
根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性；
根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性；
根据所述潜在属性及基础信息预测目标客户的潜在价值。
2.如权利要求1所述的客户价值评估方法，其特征在于，所述根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性的步骤包括：
将所述时空轨迹序列点的坐标信息与所述基础信息中的交通工具时空轨迹进行匹配，初步确定目标客户可能采用的出行工具；
根据所述时空轨迹序列点的时间信息及坐标信息，计算目标客户的移动速度；
根据所述可能采用的出行工具及移动速度，最终确定目标客户最终采用的出行工具。
3.如权利要求1所述的客户价值评估方法，其特征在于，所述根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性的步骤包括：
将所述时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配，确定目标客户的逗留地点；
根据时空轨迹序列点的时间信息确定目标客户的逗留时间；
根据所述逗留地点及逗留时间确定目标客户的办公地点、住宅地点或消费地点。
4.如权利要求3所述的客户价值评估方法，其特征在于，所述将时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配确定目标客户的逗留地点的步骤包括：
分别将每一时空轨迹序列点的坐标信息与基础信息中的建筑物坐标信息进行匹配，提取以时空轨迹序列点为圆心的预设半径范围内的建筑物；
将匹配数量最多的建筑物作为目标客户的逗留地点。
5.如权利要求1所述的客户价值评估方法，其特征在于，所述基础信息的处理方法包括：
通过软件机器人或API方式从一个或多个网路数据源定向采集基础信息；
对所述基础信息进行清洗处理；
对经清洗处理后的基础信息进行价值排序；
为经清洗处理后的基础信息分配特征权重。
6.如权利要求5所述的客户价值评估方法，其特征在于，所述根据潜在属性及基础信息预测目标客户的潜在价值的步骤包括：
从所述基础信息中匹配出每一潜在属性所对应的价值排序；
从所述基础信息中匹配出每一潜在属性所对应的特征权重；
根据所述价值排序及特征权重分别计算每一潜在属性的子价值；
根据所有潜在属性的子价值，计算目标客户的潜在价值。
7.如权利要求5所述的客户价值评估方法，其特征在于，所述对基础信息进行清洗处理的步骤包括：
对所述网路数据源进行优先级排序；
按照优先级由低至高的顺序，依次覆盖网路数据源中重复的基础信息。
8.一种基于时空轨迹的客户价值评估系统，其特征在于，包括：
数据采集模块，用于采集基础信息；
数据处理模块，用于对所述基础信息进行预处理；
数据分析模块，用于根据目标客户的时空轨迹序列预测目标客户的潜在价值；
所述数据分析模块包括：
获取单元，用于获取目标客户的时空轨迹序列，所述时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点；
划分单元，用于将所述时空轨迹序列划分为多个状态轨迹序列，所述状态轨迹序列包括移动轨迹序列及逗留轨迹序列；
移动判断单元，用于根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性；
逗留判断单元，用于根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性；
预测单元，用于根据所述潜在属性及基础信息预测目标客户的潜在价值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010181369.2A CN111461766A (zh) | 2020-03-16 | 2020-03-16 | 客户价值评估方法、系统、计算机设备、可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010181369.2A CN111461766A (zh) | 2020-03-16 | 2020-03-16 | 客户价值评估方法、系统、计算机设备、可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461766A true CN111461766A (zh) | 2020-07-28 |
Family
ID=71684277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010181369.2A Pending CN111461766A (zh) | 2020-03-16 | 2020-03-16 | 客户价值评估方法、系统、计算机设备、可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461766A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106335525A (zh) * | 2016-10-12 | 2017-01-18 | 河南思维自动化设备股份有限公司 | 列车运行监控装置及其使用多种基础数据源的控车方法 |
| CN106844546A (zh) * | 2016-12-30 | 2017-06-13 | 江苏号百信息服务有限公司 | 基于Spark集群的多数据源位置信息融合方法及系统 |
| CN106878951A (zh) * | 2017-02-28 | 2017-06-20 | 上海讯飞瑞元信息技术有限公司 | 用户轨迹分析方法及系统 |
| CN106920119A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种用户价值的评价方法及装置 |
| CN109005515A (zh) * | 2018-09-05 | 2018-12-14 | 武汉大学 | 一种基于移动轨迹信息的用户行为模式画像的方法 |
| CN109034903A (zh) * | 2018-07-27 | 2018-12-18 | 广州视源电子科技股份有限公司 | 用户转化率预测方法及装置、计算机可读存储介质 |
| CN109684384A (zh) * | 2018-12-29 | 2019-04-26 | 太原科技大学 | 一种轨迹数据时空密度分析系统及其分析方法 |
| CN110516709A (zh) * | 2019-07-24 | 2019-11-29 | 华数传媒网络有限公司 | 基于层级聚类的传媒客户价值模型建立方法 |
-
2020
- 2020-03-16 CN CN202010181369.2A patent/CN111461766A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106920119A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种用户价值的评价方法及装置 |
| CN106335525A (zh) * | 2016-10-12 | 2017-01-18 | 河南思维自动化设备股份有限公司 | 列车运行监控装置及其使用多种基础数据源的控车方法 |
| CN106844546A (zh) * | 2016-12-30 | 2017-06-13 | 江苏号百信息服务有限公司 | 基于Spark集群的多数据源位置信息融合方法及系统 |
| CN106878951A (zh) * | 2017-02-28 | 2017-06-20 | 上海讯飞瑞元信息技术有限公司 | 用户轨迹分析方法及系统 |
| CN109034903A (zh) * | 2018-07-27 | 2018-12-18 | 广州视源电子科技股份有限公司 | 用户转化率预测方法及装置、计算机可读存储介质 |
| CN109005515A (zh) * | 2018-09-05 | 2018-12-14 | 武汉大学 | 一种基于移动轨迹信息的用户行为模式画像的方法 |
| CN109684384A (zh) * | 2018-12-29 | 2019-04-26 | 太原科技大学 | 一种轨迹数据时空密度分析系统及其分析方法 |
| CN110516709A (zh) * | 2019-07-24 | 2019-11-29 | 华数传媒网络有限公司 | 基于层级聚类的传媒客户价值模型建立方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Deep dispatching: A deep reinforcement learning approach for vehicle dispatching on online ride-hailing platform | |
| Berbeglia et al. | Dynamic pickup and delivery problems | |
| Chen et al. | Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach | |
| Deng et al. | Integrating operational decisions into the planning of one-way vehicle-sharing systems under uncertainty | |
| Fu | A simulation model for evaluating advanced dial-a-ride paratransit systems | |
| Hwang et al. | An effective taxi recommender system based on a spatio-temporal factor analysis model | |
| CN111949834B (zh) | 选址方法和选址平台系统 | |
| CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
| CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
| CN110363319B (zh) | 资源分配方法、服务器、资源申领方法和客户端 | |
| US10789558B2 (en) | Non-linear systems and methods for destination selection | |
| Shi et al. | Analysis of trip generation rates in residential commuting based on mobile phone signaling data | |
| Kijewska et al. | Analysis of data needs and having for the integrated urban freight transport management system | |
| Sayarshad et al. | A scalable non-myopic atomic game for a smart parking mechanism | |
| Demissie et al. | Modeling location choice of taxi drivers for passenger pickup using GPS data | |
| Goulias et al. | Catching the next big wave: do observed behavioral dynamics of baby boomers force rethinking of regional travel demand models? | |
| Bienzeisler et al. | Development of an agent-based transport model for the city of hanover using empirical mobility data and data fusion | |
| Tran et al. | Adaptive passenger-finding recommendation system for taxi drivers with load balancing problem | |
| Hasnine et al. | Effects of built environment and weather on demands for transportation network company trips | |
| CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
| Rich et al. | Fixed routing or demand-responsive? Agent-based modelling of autonomous first and last mile services in light-rail systems | |
| Zwick et al. | Review on theoretical assessments and practical implementations of ride-pooling | |
| CN111461766A (zh) | 客户价值评估方法、系统、计算机设备、可读存储介质 | |
| Miller | Theories and models in transportation planning | |
| Ronald et al. | Mobility patterns in shared, autonomous, and connected urban transport |
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 |