CN111489201A - 一种客户价值分析的方法、设备、存储介质 - Google Patents
一种客户价值分析的方法、设备、存储介质 Download PDFInfo
- Publication number
- CN111489201A CN111489201A CN202010291196.XA CN202010291196A CN111489201A CN 111489201 A CN111489201 A CN 111489201A CN 202010291196 A CN202010291196 A CN 202010291196A CN 111489201 A CN111489201 A CN 111489201A
- Authority
- CN
- China
- Prior art keywords
- customer
- consumption
- data
- data set
- customers
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000013075 data extraction Methods 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013468 resource allocation Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种客户价值分析的方法、设备、存储介质，包括以下步骤：抽取数据源数据形成数据集；所述数据集包括由选择性抽取得到的历史数据集和由新增数据抽取得到的增量数据集；对所述数据集进行数据探索与预处理，使其满足模型建立所需要的数据格式；根据预处理完成的数据集建立LRFMCT模型；所述LRFMCT模型包括六个指标，其中L为客户关系长度，R为最近消费时间间隔，F为消费频率，M为消费金额，C为平均折扣系数，T为平均停留时间；基于所述LRFMCT模型进行客户分群，对各个客户群进行特征分析，得到不同的客户价值。本发明对传统RFM模型的不足做出改善，对各个客户群进行特征分析，识别出不同价值的客户，提供定制化服务，实现精准化运营。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种客户价值分析的方法、设备、存储介质。
背景技术
面对激烈的市场竞争，大多数的企业都会推出一系列优惠的营销方案以吸引更多客户，企业营销焦点从产品转变为客户，客户关系管理成为企业的核心问题。客户关系管理的核心问题是客户分类，通过客户分类对客户群体进行细分，区别出低价值客户、高价值客户，对不同的客户群体开展个性化服务，企业能够将有限的资源合理地分配给不同价值的客户，实现精准化运营，以期获取最大的转化率，达到利润最大化的目标。准确的客户分类结果是企业优化营销资源分配的重要依据，客户分类越来越成为客户关系管理中亟待解决的关键问题之一。
在客户分类中，RFM模型是一个经典的分类模型，模型利用通用交易环节中最核心的三个指标——最近消费时间间隔(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值，但仅仅局限于上述三个指标，难以发现新客户中潜在的高价值客户。且该模型用于分类的指标选取较为宽泛，分类不够准确。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种客户价值分析的方法，对传统RFM模型的不足做出改善，对各个客户群进行特征分析，识别出不同价值的客户，提供定制化服务，实现精准化运营。
本发明的目的之二在于提供一种电子设备，执行上述一种客户价值分析的方法；
本发明的目的之三在于提供一种存储介质，执行上述一种客户价值分析的方法。
本发明的目的之一采用如下技术方案实现：
一种客户价值分析的方法，包括以下步骤：
抽取数据源数据形成数据集；所述数据集包括由选择性抽取得到的历史数据集和由新增数据抽取得到的增量数据集；
对所述数据集进行数据探索与预处理，使其满足模型建立所需要的数据格式；
根据预处理完成的数据集建立LRFMCT模型；所述LRFMCT模型包括六个指标，其中L为客户关系长度，R为最近消费时间间隔，F为消费频率，M为消费金额，C为平均折扣系数，T为平均停留时间；
基于LRFMCT模型进行客户分群，对各个客户群进行特征分析，得到不同的客户价值。
进一步地，所述基于LRFMCT模型进行客户分群为包括以下步骤：
读取所述LRFMCT模型中的六个指标数据，通过K-Means算法进行聚类，将客户分为k个客户群，k为设定的类别数且为大于1的自然数。
进一步地，将客户分群后，采用预处理后的增量数据集对客户群优化，进行特征分析，得到客户价值排名。
进一步地，所述客户价值排名由高到低依次为重要客户、一般客户与低价值客户。
进一步地，以所述一般客户的六个指标为标准，若客户群的平均折扣系数、消费频率和/或消费总金额高于所述一般客户，则该客户群为重要客户；若客户群的平均折扣系数、消费频率、消费总金额、客户关系长度、平均停留时间均低于所述一般客户，则该客户群为低价值客户。
进一步地，所述重要客户包括重要保持客户、重要发展客户与重要挽留客户，所述重要挽留客户的消费间隔大于所述重要保持客户与所述重要发展客户的消费间隔，所述重要发展客户的客户关系长度小于所述一般客户的客户关系长度；所述重要发展客户的消费频率或总消费金额小于所述重要挽留客户的消费频率或消费金额。
进一步地，所述数据探索包括对缺失值与异常值的分析；所述预处理包括数据的属性规约、数据清洗与数据变换。
进一步地，所述数据源包括客户的基本信息与消费信息；所述基本信息包括年龄、性别、教育程度、职业及所在地；所述消费信息包括消费次数、首次消费时间、末次消费时间、实际消费金额、折扣系数、平均消费时间间隔、平均停留时间。
本发明的目的之二采用如下技术方案实现：
一种设备，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述一种客户价值分析的方法。
本发明的目的之三采用如下技术方案实现：
一种存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上所述一种客户价值分析的方法。
相比现有技术，本发明的有益效果在于：
本发明提供了一种客户价值分析的方法、设备、存储介质，对现有的RFM模型进行改进，提出LRFMCT模型对客户分群，分析识别出不同的客户价值，方便企业针对不同价值的客户采用不同的营销手段，提供定制化服务，将有限的资源合理地分配给不同价值的客户，实现精准化运营，以期获取最大的转化率，达到利润最大化的目标。
附图说明
图1为本发明所提供实施例一的流程示意图；
图2为本发明所提供实施例二的结构示意图；
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。
实施例一
如图1所示，本发明提供了一种客户价值分析的方法，具体包括以下步骤：
步骤S1、抽取数据源数据形成数据集；所述数据集包括由选择性抽取得到的历史数据集与由新增数据抽取得到的增量数据集。具体的，通过后台数据库抽取宽度为一年的时间作为观测窗口，选择性抽取观测窗口内的客户的基本信息与消费信息作为历史数据集。对于后续新增的客户，以新增数据中最新的时间点作为结束时间，抽取新增客户的基本信息与消费信息作为增量数据集。所述客户基本信息包括年龄、性别、教育程度、职业及所在地；所述消费信息包括消费次数、首次消费时间、末次消费时间、实际消费金额、折扣系数、平均消费时间间隔、平均停留时间。
步骤S2、对所述数据集进行数据探索与预处理，使其满足模型建立所需要的数据格式。主要是对数据进行缺失值与异常值的分析，分析出数据规律及其异常值，缺失值为通过对数据观察发现原始数据中某列属性存在空值，消费金额等于0、折扣金额为0的记录为异常值。而预处理包括对数据的属性规约、数据清洗与数据变换。属性规约为选择与LRFMCT模型相关的属性，删除冗余的属性。数据清洗即为删除异常值与缺失值的记录。而数据变换则为将数据转成适应模型建立所需要的格式。
步骤S3、根据预处理完成的数据集建立LRFMCT模型；所述LRFMCT模型包括六个指标，其中L为客户关系长度，R为最近消费时间间隔，F为消费频率，M为消费金额，C为平均折扣系数，T为平均停留时间。由于部分指标的数据无法直接从数据源中获取，因此从数据源的原始数据中提取，具体计算过程如下：客户关系长度L＝观测窗口的结束时间-首次消费时间；
最近消费时间间隔R＝观测串口结束时间-末次消费时间；
消费频率F＝单个客户在观测窗口期间内购买的次数；
平均停留时间T＝单个客户在观测窗口期间内每次购买所停留的时间；
平均折扣系数C＝单个客户在观测窗口期间内每次购买所享受的平均折扣；
步骤S4、基于所述LRFMCT模型进行客户分群，对各个客户群进行特征分析，得到不同的客户价值。具体为读取LRFMCT模型中的六个指标数据，采用K-Means算法进行聚类，将客户分为k个客户群，k为设定的类别数且为大于1的自然数。在得到客户群之后，采用增量数据集对客户群优化，进行特征分析，分析其客户价值，得到客户价值排名。
在本实施例中，根据聚类结果，画出客户群分析的雷达图；根据雷达图得到客户群分析描述表，由雷达图中提取客户群的优势特征与劣势特征，将客户群按照客户价值排名依次分为重要客户、一般客户与低价值客户。以一般客户的六个指标为标准，若客户群的平均折扣系数、消费频率和/或消费总金额高于所述一般客户，则该客户群为重要客户；若客户群的平均折扣系数、消费频率、消费总金额、客户关系长度、平均停留时间均低于所述一般客户，则该客户群为低价值客户。在本实施例中，所述重要客户包括重要保持客户、重要发展客户与重要挽留客户，所述重要挽留客户的消费间隔大于所述重要保持客户与所述重要发展客户的消费间隔，所述重要发展客户的客户关系长度小于所述一般客户的客户关系长度；所述重要发展客户的消费频率或总消费金额小于所述重要挽留客户的消费频率或消费金额。具体表现如下：
重要保持客户：平均折扣系数(C)较高，最近消费时间间隔(R)小，消费频率(F)或总消费金额(M)较高；
重要发展客户：平均折扣系数(C)较高，最近消费时间间隔(R)小，但消费频率(F)或总消费金额(M)较低或平均停留时间(T)大，客户关系长度(L)短；
重要挽留客户：平均折扣系数(C)、消费频率(F)或总消费金额(M)较高，但最近消费时间间隔(R)大；
一般客户：平均折扣系数(C)低，最近消费时间间隔(R)大，消费频率(F)或总消费金额(M)较低，客户关系长度(L)长，平均停留时间(T)大；
低价值客户：平均折扣系数(C)低，最近消费时间间隔(R)大，消费频率(F)或总消费金额(M)较低，客户关系长度(L)短，平均停留时间(T)小。
企业可根据上述客户价值采用不同的营销手段，提供定制化服务，将有限的资源合理地分配给不同价值的客户，实现精准化运营，以期获取最大的转化率，达到利润最大化的目标。
实施例二
如图2所示，一种电子设备，包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现上述一种客户价值分析的方法的步骤。
另外，本发明还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述一种客户价值分析的方法的步骤。本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本实施例中的设备与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。
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 (10)
1.一种客户价值分析的方法，其特征在于，包括以下步骤：
抽取数据源数据形成数据集；所述数据集包括由选择性抽取得到的历史数据集和由新增数据抽取得到的增量数据集；
对所述数据集进行数据探索与预处理，使其满足模型建立所需要的数据格式；
根据预处理完成的数据集建立LRFMCT模型；所述LRFMCT模型包括六个指标，其中L为客户关系长度，R为最近消费时间间隔，F为消费频率，M为消费金额，C为平均折扣系数，T为平均停留时间；
基于LRFMCT模型进行客户分群，对各个客户群进行特征分析，得到不同的客户价值。
2.如权利要求1所述的一种客户价值分析的方法，其特征在于，所述基于LRFMCT模型进行客户分群为包括以下步骤：
读取所述LRFMCT模型中的六个指标数据，通过K-Means算法进行聚类，将客户分为k个客户群，k为设定的类别数且为大于1的自然数。
3.如权利要求2所述的一种客户价值分析的方法，其特征在于，将客户分群后，采用预处理后的增量数据集对客户群优化，进行特征分析，得到客户价值排名。
4.如权利要求3所述的一种客户价值分析的方法，其特征在于，所述客户价值排名由高到低依次为重要客户、一般客户与低价值客户。
5.如权利要求4所述的一种客户价值分析的方法，其特征在于，以所述一般客户的六个指标为标准，若客户群的平均折扣系数、消费频率和/或消费总金额高于所述一般客户，则该客户群为重要客户；若客户群的平均折扣系数、消费频率、消费总金额、客户关系长度、平均停留时间均低于所述一般客户，则该客户群为低价值客户。
6.如权利要求5所述的一种客户价值分析的方法，其特征在于，所述重要客户包括重要保持客户、重要发展客户与重要挽留客户，所述重要挽留客户的消费间隔大于所述重要保持客户与所述重要发展客户的消费间隔，所述重要发展客户的客户关系长度小于所述一般客户的客户关系长度；所述重要发展客户的消费频率或总消费金额小于所述重要挽留客户的消费频率或消费金额。
7.如权利要求1所述的一种客户价值分析的方法，其特征在于，所述数据探索包括对缺失值与异常值的分析；所述预处理包括数据的属性规约、数据清洗与数据变换。
8.如权利要求1所述的一种客户价值分析的方法，其特征在于，所述数据源包括客户的基本信息与消费信息；所述基本信息包括年龄、性别、教育程度、职业及所在地；所述消费信息包括消费次数、首次消费时间、末次消费时间、实际消费金额、折扣系数、平均消费时间间隔、平均停留时间。
9.一种设备，其特征在于，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～8任一所述一种客户价值分析的方法。
10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现权利要求1～8任一所述一种客户价值分析的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010291196.XA CN111489201A (zh) | 2020-04-14 | 2020-04-14 | 一种客户价值分析的方法、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010291196.XA CN111489201A (zh) | 2020-04-14 | 2020-04-14 | 一种客户价值分析的方法、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111489201A true CN111489201A (zh) | 2020-08-04 |
Family
ID=71798107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010291196.XA Pending CN111489201A (zh) | 2020-04-14 | 2020-04-14 | 一种客户价值分析的方法、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111489201A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163882A (zh) * | 2020-09-24 | 2021-01-01 | 山西财经大学 | 生鲜便利店商品关联陈列系统及其陈列方法 |
| CN112307111A (zh) * | 2020-11-02 | 2021-02-02 | 北京深演智能科技股份有限公司 | 数据展示的方法和装置 |
| CN112990386A (zh) * | 2021-05-17 | 2021-06-18 | 太平金融科技服务(上海)有限公司深圳分公司 | 用户价值聚类方法、装置、计算机设备和存储介质 |
| CN113077292A (zh) * | 2021-04-20 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 一种用户分类方法、装置、存储介质及电子设备 |
| CN114022178A (zh) * | 2021-09-28 | 2022-02-08 | 上海画龙信息科技有限公司 | 一种基于响应提升模型的权益派发方法、装置和电子设备 |
| CN115689128A (zh) * | 2022-12-30 | 2023-02-03 | 深圳格隆汇信息科技有限公司 | 基于crm的客户数据分析方法及系统 |
| CN116797253A (zh) * | 2022-12-13 | 2023-09-22 | 乖乖数字科技(苏州)有限公司 | 一种基于客户资源的分类管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274066A (zh) * | 2017-05-19 | 2017-10-20 | 浙江大学 | 一种基于lrfmd模型的共享交通客户价值分析方法 |
| CN107633035A (zh) * | 2017-09-08 | 2018-01-26 | 浙江大学 | 一种基于K‑Means&LightGBM模型的共享交通服务reorder预估方法 |
| CN107992883A (zh) * | 2017-11-22 | 2018-05-04 | 福建省计量科学研究院 | 一种基于crfm模型的计量行业客户细分方法 |
-
2020
- 2020-04-14 CN CN202010291196.XA patent/CN111489201A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274066A (zh) * | 2017-05-19 | 2017-10-20 | 浙江大学 | 一种基于lrfmd模型的共享交通客户价值分析方法 |
| CN107633035A (zh) * | 2017-09-08 | 2018-01-26 | 浙江大学 | 一种基于K‑Means&LightGBM模型的共享交通服务reorder预估方法 |
| CN107992883A (zh) * | 2017-11-22 | 2018-05-04 | 福建省计量科学研究院 | 一种基于crfm模型的计量行业客户细分方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163882A (zh) * | 2020-09-24 | 2021-01-01 | 山西财经大学 | 生鲜便利店商品关联陈列系统及其陈列方法 |
| CN112307111A (zh) * | 2020-11-02 | 2021-02-02 | 北京深演智能科技股份有限公司 | 数据展示的方法和装置 |
| CN113077292A (zh) * | 2021-04-20 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 一种用户分类方法、装置、存储介质及电子设备 |
| CN112990386A (zh) * | 2021-05-17 | 2021-06-18 | 太平金融科技服务(上海)有限公司深圳分公司 | 用户价值聚类方法、装置、计算机设备和存储介质 |
| CN112990386B (zh) * | 2021-05-17 | 2021-08-03 | 太平金融科技服务(上海)有限公司深圳分公司 | 用户价值聚类方法、装置、计算机设备和存储介质 |
| CN114022178A (zh) * | 2021-09-28 | 2022-02-08 | 上海画龙信息科技有限公司 | 一种基于响应提升模型的权益派发方法、装置和电子设备 |
| CN116797253A (zh) * | 2022-12-13 | 2023-09-22 | 乖乖数字科技(苏州)有限公司 | 一种基于客户资源的分类管理方法 |
| CN116797253B (zh) * | 2022-12-13 | 2024-03-01 | 乖乖数字科技(苏州)有限公司 | 一种基于客户资源的分类管理方法 |
| CN115689128A (zh) * | 2022-12-30 | 2023-02-03 | 深圳格隆汇信息科技有限公司 | 基于crm的客户数据分析方法及系统 |
| CN115689128B (zh) * | 2022-12-30 | 2023-08-22 | 深圳格隆汇信息科技有限公司 | 基于crm的客户数据分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489201A (zh) | 一种客户价值分析的方法、设备、存储介质 | |
| CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
| CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
| CN105159910A (zh) | 信息推荐方法和装置 | |
| CN105225135B (zh) | 潜力客户识别方法以及装置 | |
| CN107908616B (zh) | 预测趋势词的方法和装置 | |
| CN111444304A (zh) | 搜索排序的方法和装置 | |
| CN110795613B (zh) | 商品搜索方法、装置、系统及电子设备 | |
| CN112818230B (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
| CN103309869A (zh) | 数据对象的展示关键词推荐方法及系统 | |
| CN111427974A (zh) | 数据质量评估管理方法和装置 | |
| CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
| US11630854B2 (en) | Segmenting users with sparse data utilizing hash partitions | |
| CN115062087A (zh) | 一种用户画像构建方法、装置、设备和介质 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN111310843A (zh) | 一种基于K-means的海量流式数据的聚类方法及系统 | |
| CN114219562A (zh) | 模型的训练方法、企业信用评估方法和装置、设备、介质 | |
| CN112100177A (zh) | 数据存储方法、装置、计算机设备及存储介质 | |
| CN111967521A (zh) | 跨境活跃用户识别方法及装置 | |
| Lo et al. | An emperical study on application of big data analytics to automate service desk business process | |
| CN112667770A (zh) | 一种对物品进行分类的方法和装置 | |
| CN110766431A (zh) | 判断用户对优惠券是否敏感的方法和装置 | |
| CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
| CN112507098B (zh) | 问题处理方法、装置、电子设备、存储介质及程序产品 | |
| CN114723516A (zh) | 基于成单数据的用户相似度计算方法及系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 511434 No.1 and No.2, Shihua Road, Hualong Town, Panyu District, Guangzhou City, Guangdong Province Applicant after: Guangdong haomadame smart home Co.,Ltd. Address before: No.1, No.2 highway, No.2, Panyu, Guangzhou Applicant before: GUANGDONG KELAINI INTELLIGENT TECHNOLOGY Co.,Ltd. |