CN111507395A - 一种营销大数据建模方法及平台 - Google Patents

一种营销大数据建模方法及平台 Download PDF

Info

Publication number
CN111507395A
CN111507395A CN202010296516.0A CN202010296516A CN111507395A CN 111507395 A CN111507395 A CN 111507395A CN 202010296516 A CN202010296516 A CN 202010296516A CN 111507395 A CN111507395 A CN 111507395A
Authority
CN
China
Prior art keywords
data
model
marketing
modeling
platform
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
Application number
CN202010296516.0A
Other languages
English (en)
Inventor
孟艳冬
李武卿
王章龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinotech Nanjing Co ltd
Original Assignee
Sinotech Nanjing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sinotech Nanjing Co ltd filed Critical Sinotech Nanjing Co ltd
Priority to CN202010296516.0A priority Critical patent/CN111507395A/zh
Publication of CN111507395A publication Critical patent/CN111507395A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种营销大数据建模方法及平台，涉及数据建模领域，所述方法包括：数据整合，根据业务需求融合多平台数据，进行数据标准化管理；搭建模型，利用分类或聚类算法对大量数据进行建模，并进行评估优化和模型预测；数据分析，分析群体用户特征，根据用户特征进行价值定位，划分阶段；渠道触达，针对不同阶段用户执行对应的营销策略，多渠道自动化触达。本发明能够解决现有数据建模平台商业应用程度不高，业务贴合程度和标准化程度低的问题。

Description

一种营销大数据建模方法及平台
技术领域
本发明实施例涉及数据建模领域，具体涉及一种营销大数据建模方法及平台。
背景技术
在数字时代，利用大数据分析来达到更好的营销效果是常见的数字营销手段，然而目前的数据建模平台更多的是提供了机器学习训练平台，封装了常见的机器学习算法，如阿里云机器学习PAI平台、百度数据科学平台、AQUILA Discovery Platform、SAS EM和SPSS Molder等。
上述列举的数据建模平台大部分只是局限在自己的产品生态布局或数据池中，优势在于其他资源、云平台、私有数据、计算加速器等，并没有针对数据营销或商业应用的通用建模平台，虽然阿里云机器学习PAI平台、百度数据科学平台和AQUILA DiscoveryPlatform具有一定能的商业应用功能，但其商业应用程度不高，SAS EM和SPSS Molder是比较成熟的数据挖掘工具，但是需要专业技术人员操作完成，与业务贴合程度较低。
发明内容
本发明实施例的目的在于提供一种营销大数据建模方法及平台，用以解决现有数据建模平台商业应用程度不高，业务贴合程度和标准化程度低的问题。
为实现上述目的，本发明实施例主要提供如下技术方案：
第一方面，本发明实施例提供了一种营销大数据建模方法，
所述方法包括：数据整合，根据业务需求融合多平台数据，进行数据标准化管理；搭建模型，利用分类或聚类算法对大量数据进行建模，并进行评估优化和模型预测；数据分析，分析群体用户特征，根据用户特征进行价值定位，划分阶段；渠道触达，针对不同阶段用户执行对应的营销策略，多渠道自动化触达。
优选地，所述方法包括：以拖拽画布的形式呈现操作界面，且采用可视化模型训练结果及验证结果，以不同的数据结构和图表类型进行直观的展现。
优选地，所述搭建模型过程中采用Spark+Hadoop架构，对整合后的数据集和训练数据进行高效处理并获取结果集。
优选地，所述搭建模型过程中采用底层并行计算方式，利用多种算法同时训练解决同一问题，并进行性能比较。
优选地，所述数据分析过程中，根据用户特征划分的阶段包括获客阶段、维系阶段和照护阶段，在所述获客阶段，根据游客画像精准投放产品信息，预估用户购买机率；在所述维系阶段，进行定制化产品推荐；在所述照护阶段，提取用户的购买特征，归结原因，激励重复购买。
优选地，所述方法包括：连通社交平台和移动应用，对接自动化营销工具，支持个性化触达方式的定制。
第二方面，本发明实施例还提供一种营销大数据建模平台，
所述平台包括：数据整合模块，用于融合多平台数据，进行数据标准化管理；建模单元，用于搭建模型，利用分类或聚类算法对大量数据进行建模，并进行评估优化和模型预测；数据分析模块，用于分析群体用户特征，根据用户特征进行价值定位，划分阶段；渠道触达模块，用于对接自动化营销工具，针对不同阶段用户执行对应的营销策略，实现多渠道自动化触达。
优选地，所述建模单元还用于为不同用户阶段建立子模型，所述子模型包括获客阶段的响应模型、转化模型、审批模型、价值模型和分类模型，维系阶段的留存模型、复购模型、流失模型和激活模型，以及照护阶段的盈利模型、提升模型、交叉销售模型和向上销售模型。
第三方面，本发明实施例还提供一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被计算机执行一种营销大数据建模方法。
本发明实施例提供的技术方案至少具有如下优点：
本发明根据数据营销行业特点，将数据模型与商业需求连接起来，针对性地开发业务思维指导下的建模流程，极大程度健全业务建模流程，简化、自动化建模过程，形成标准化、通用化的建模过程，能够解决数据营销场景中的大数据建模问题，简化技术问题，以解决实际业务问题为导向，为开发、运营人员带来极大便利。
附图说明
图1为本发明实施例提供的一种营销大数据建模方法步骤图。
图2为本发明实施例提供的一种营销大数据建模平台结构图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
针对背景技术中提出的问题，本发明实施例提供一种营销大数据建模方法，参考图1，该方法主要包括：
S1、数据整合，根据业务需求融合多平台数据，进行数据标准化管理；
将线下、线上以及微信等平台的数据进行统一融合，数据的来源包括自有CRM数据库、客户平台和外部数据，数据的内容包括历史交易数据、企业基本信息、企业购买力、联系信息、行业渗透率、历史互动数据、询价数据、维修记录、线上行为等等。
把在不同数据源的数据进行收集、整理、清洗，转换，即数据标准化管理。为客户提供大数据整体战略规划发挥大数据的效应，形成企业可持续积累数据资产，持续服务企业营销。
S2、搭建模型，利用分类或聚类算法对大量数据进行建模，并进行评估优化和模型预测；
搭建模型过程中对多种常用统计模型，机器学习模型，深度学习框架进行梳理，采用Spark+Hadoop架构，为满足需求，重写底层算法，封装底层算法，通用化、标准化建模过程，对整合后的数据集和训练数据进行高效处理并获取结果集，解决计算速度及效能问题。
聚类算法包括K-MEANS和层次聚类，其他算法还包括线性回归、逻辑回归、泊松回归等回归算法，且利用决策树进行分类和回归，以及利用随机森林，Adaboost，XGBoost等集成算法完成建模。
由于采用多种算法因此采用底层并行计算方式，利用多种算法同时训练解决同一问题，并进行性能比较。
同时，提供点选简易操作模式，以拖拽画布的形式呈现操作界面，且采用可视化模型训练结果及验证结果，以不同的数据结构和图表类型进行直观的展现，简化业务人员对模型的理解和操作。
S3、数据分析，分析群体用户特征，根据用户特征进行价值定位，划分阶段；
利用大数据分析方法获取用户特征，并进行数据分，根据用户特征对客户的价值进行判断，实现从粉丝到潜在客户到忠实用户的转变，根据用户特征划分的阶段包括获客阶段、维系阶段和照护阶段，
在获客阶段，即该客户尚未消费，则根据该用户的相关数据信息生成游客画像，该类游客的表现一般为考虑购买需求、搜索品牌产品信息、注册网站以及进行比较评估，根据游客画像精准投放产品信息，并预估用户购买机率，以提高投放效率。
在维系阶段，进行定制化产品推荐，极大化客户价值，进行客户的培育和转化，刺激消费者品牌互动与服务最终购买。
在照护阶段，提取用户的购买特征，归结购买原因，通过线上或线下活动激励消费者重复购买或者购买拓展产品。
S4、渠道触达，针对不同阶段用户执行对应的营销策略，多渠道自动化触达。
连通社交平台和移动应用，对接自动化营销工具，支持个性化触达方式的定制。实现社交平台和移动应用等多平台的双向连通，实时管理优化，降低运营成本。企业可针对不同的营销场景设计不同的策略，从复杂的大型营销事件到简单的微信推送，覆盖各种业务，实现多渠道。
上述方法能够实现在不同的客户生命周期中执行不同的营销策略，提供固定周期的基于用户分群的常规营销活动策略，触发类营销活动策略制定，试点执行及活动优化，交叉销售策略等。
当前的数据建模工具或平台只是单纯提供数据建模技术支持，并未将数据模型与商业需求连接起来，本实施例根据数据营销行业特点，针对性地开发业务思维指导下的建模流程，极大程度健全业务建模流程，简化、自动化建模过程，形成标准化、通用化的建模过程，具体地包括准备阶段、开发阶段和应用阶段。
在准备阶段需要进行业务理解和数据准备，业务理解包括确认业务母表、考虑部署环境，对风险和突发时间、数据类型和有效性、数据结构稳定性进行要求及假设和约束，然后创建项目计划。数据准备包括数据拉去和追加目标定量定义和分析，数据筛选和抽样，衍生预测变量，电子设计自动化，变量相关检测，变量最优变换和重新编码等。
开发阶段包括模型开发和模型验证，模型开发主要包括根据数据会和业务需求制定和测试建模方法，进行逐步选择、因子分析、变量聚类、熵排名等变量筛选，通过构造最终变量，迭代拟合模型和性能验证迭代地建立模型。模型验证包括通过T test、VIP、残差诊断、测试集等进行模型评估，创建验证结果，进行模型比较，模型得分还原，生产评分代码。
应用阶段将模型部署到数据库并推送ELOQUA，并对模型进监控，生成季度模型检测报告。
本实施例能够解决数据营销场景中的大数据建模问题，简化技术问题，以解决实际业务问题为导向，为开发、运营人员带来极大便利，标准化、通用化数据营销行业数据建模流程，使建模过程产品化。
与上述实施例对应的，本实施例还提供一种营销大数据建模平台，参考图2，该平台主要包括：
数据整合模块01，用于融合多平台数据，进行数据标准化管理；建模单元02，用于搭建模型，利用分类或聚类算法对大量数据进行建模，并进行评估优化和模型预测；数据分析模块03，用于分析群体用户特征，根据用户特征进行价值定位，划分阶段；渠道触达模块04，用于对接自动化营销工具，针对不同阶段用户执行对应的营销策略，实现多渠道自动化触达。具体地各模块的功能在上文中均有描述，在此不做过多赘述。
其中，建模单元还用于为不同用户阶段建立子模型，所述子模型包括获客阶段的响应模型、转化模型、审批模型、价值模型和分类模型，维系阶段的留存模型、复购模型、流失模型和激活模型，以及照护阶段的盈利模型、提升模型、交叉销售模型和向上销售模型。
与上述实施例对应的，本实施例还提供一种计算机可读存储介质，计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被计算机执行一种营销大数据建模方法。
本发明所公开的实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行上述的方法。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (9)

1.一种营销大数据建模方法，其特征在于，所述方法包括：
数据整合，根据业务需求融合多平台数据，进行数据标准化管理；
搭建模型，利用分类或聚类算法对大量数据进行建模，并进行评估优化和模型预测；
数据分析，分析群体用户特征，根据用户特征进行价值定位，划分阶段；
渠道触达，针对不同阶段用户执行对应的营销策略，多渠道自动化触达。
2.如权利要求1所述的一种营销大数据建模方法，其特征在于，所述方法包括：以拖拽画布的形式呈现操作界面，且采用可视化模型训练结果及验证结果，以不同的数据结构和图表类型进行直观的展现。
3.如权利要求1所述的一种营销大数据建模方法，其特征在于，所述搭建模型过程中采用Spark+Hadoop架构，对整合后的数据集和训练数据进行高效处理并获取结果集。
4.如权利要求1所述的一种营销大数据建模方法，其特征在于，所述搭建模型过程中采用底层并行计算方式，利用多种算法同时训练解决同一问题，并进行性能比较。
5.如权利要求1所述的一种营销大数据建模方法，其特征在于，所述数据分析过程中，根据用户特征划分的阶段包括获客阶段、维系阶段和照护阶段，
在所述获客阶段，根据游客画像精准投放产品信息，预估用户购买机率；
在所述维系阶段，进行定制化产品推荐；
在所述照护阶段，提取用户的购买特征，归结原因，激励重复购买。
6.如权利要求1所述的一种营销大数据建模方法，其特征在于，所述方法包括：连通社交平台和移动应用，对接自动化营销工具，支持个性化触达方式的定制。
7.一种营销大数据建模平台，其特征在于，所述平台包括：
数据整合模块，用于融合多平台数据，进行数据标准化管理；
建模单元，用于搭建模型，利用分类或聚类算法对大量数据进行建模，并进行评估优化和模型预测；
数据分析模块，用于分析群体用户特征，根据用户特征进行价值定位，划分阶段；
渠道触达模块，用于对接自动化营销工具，针对不同阶段用户执行对应的营销策略，实现多渠道自动化触达。
8.如权利要求7所述的一种营销大数据建模平台，其特征在于，所述建模单元还用于为不同用户阶段建立子模型，所述子模型包括获客阶段的响应模型、转化模型、审批模型、价值模型和分类模型，维系阶段的留存模型、复购模型、流失模型和激活模型，以及照护阶段的盈利模型、提升模型、交叉销售模型和向上销售模型。
9.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被计算机执行如权利要求1-6任一项所述的一种营销大数据建模方法。
CN202010296516.0A 2020-04-15 2020-04-15 一种营销大数据建模方法及平台 Pending CN111507395A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010296516.0A CN111507395A (zh) 2020-04-15 2020-04-15 一种营销大数据建模方法及平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010296516.0A CN111507395A (zh) 2020-04-15 2020-04-15 一种营销大数据建模方法及平台

Publications (1)

Publication Number Publication Date
CN111507395A true CN111507395A (zh) 2020-08-07

Family

ID=71864781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010296516.0A Pending CN111507395A (zh) 2020-04-15 2020-04-15 一种营销大数据建模方法及平台

Country Status (1)

Country Link
CN (1) CN111507395A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214884A (zh) * 2020-09-24 2021-01-12 北京百分点信息科技有限公司 一种数据模型管理方法和装置
CN112232852A (zh) * 2020-09-21 2021-01-15 上海容易网电子商务股份有限公司 一种基于大数据计算的自动化营销系统实现方法
CN112270572A (zh) * 2020-11-03 2021-01-26 恩亿科(北京)数据科技有限公司 自动化营销方法、系统、电子设备及计算机可读存储介质
CN112365282A (zh) * 2020-10-29 2021-02-12 苏州实盎网络科技有限公司 一种营销大数据建模方法及平台
CN112419027A (zh) * 2020-11-26 2021-02-26 天翼征信有限公司 一种基于运营商大数据的金融平台系统
CN112446541A (zh) * 2020-11-26 2021-03-05 上海浦东发展银行股份有限公司 融合分类模型建立方法、营销转化率增益预测方法及系统
CN112767124A (zh) * 2021-01-15 2021-05-07 上海琢学科技有限公司 一种个人代发业务留存率提升的方法及装置
CN112785352A (zh) * 2021-03-02 2021-05-11 上海赛儿信息科技有限公司 一种自动化精准营销系统
CN112990767A (zh) * 2021-04-20 2021-06-18 上海领健信息技术有限公司 垂直消费医疗类SaaS生产数据计算方法、系统、终端及介质
CN113781129A (zh) * 2021-11-15 2021-12-10 百融至信(北京)征信有限公司 一种智能营销策略生成方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053257A (zh) * 2017-12-27 2018-05-18 互动派科技股份有限公司 一种大数据用户运营金字塔体系的建立方法及应用系统
CN109658126A (zh) * 2018-11-12 2019-04-19 平安科技（深圳）有限公司 基于产品推广的数据处理方法、装置、设备及存储介质
CN109767255A (zh) * 2018-12-06 2019-05-17 东莞团贷网互联网科技服务有限公司 一种通过大数据建模实现智能运营及精准营销的方法
CN109978630A (zh) * 2019-04-02 2019-07-05 安徽筋斗云机器人科技股份有限公司 一种基于大数据建立用户画像的精准营销方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053257A (zh) * 2017-12-27 2018-05-18 互动派科技股份有限公司 一种大数据用户运营金字塔体系的建立方法及应用系统
CN109658126A (zh) * 2018-11-12 2019-04-19 平安科技（深圳）有限公司 基于产品推广的数据处理方法、装置、设备及存储介质
CN109767255A (zh) * 2018-12-06 2019-05-17 东莞团贷网互联网科技服务有限公司 一种通过大数据建模实现智能运营及精准营销的方法
CN109978630A (zh) * 2019-04-02 2019-07-05 安徽筋斗云机器人科技股份有限公司 一种基于大数据建立用户画像的精准营销方法和系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232852A (zh) * 2020-09-21 2021-01-15 上海容易网电子商务股份有限公司 一种基于大数据计算的自动化营销系统实现方法
CN112214884A (zh) * 2020-09-24 2021-01-12 北京百分点信息科技有限公司 一种数据模型管理方法和装置
CN112214884B (zh) * 2020-09-24 2023-04-07 北京百分点科技集团股份有限公司 一种数据模型管理方法和装置
CN112365282A (zh) * 2020-10-29 2021-02-12 苏州实盎网络科技有限公司 一种营销大数据建模方法及平台
CN112270572A (zh) * 2020-11-03 2021-01-26 恩亿科(北京)数据科技有限公司 自动化营销方法、系统、电子设备及计算机可读存储介质
CN112419027A (zh) * 2020-11-26 2021-02-26 天翼征信有限公司 一种基于运营商大数据的金融平台系统
CN112446541A (zh) * 2020-11-26 2021-03-05 上海浦东发展银行股份有限公司 融合分类模型建立方法、营销转化率增益预测方法及系统
CN112767124A (zh) * 2021-01-15 2021-05-07 上海琢学科技有限公司 一种个人代发业务留存率提升的方法及装置
CN112785352A (zh) * 2021-03-02 2021-05-11 上海赛儿信息科技有限公司 一种自动化精准营销系统
CN112990767A (zh) * 2021-04-20 2021-06-18 上海领健信息技术有限公司 垂直消费医疗类SaaS生产数据计算方法、系统、终端及介质
CN113781129A (zh) * 2021-11-15 2021-12-10 百融至信(北京)征信有限公司 一种智能营销策略生成方法和系统
CN113781129B (zh) * 2021-11-15 2022-02-15 百融至信(北京)征信有限公司 一种智能营销策略生成方法和系统

Similar Documents

Publication Publication Date Title
CN111507395A (zh) 一种营销大数据建模方法及平台
Yang et al. Social media data analytics for business decision making system to competitive analysis
Agrawal et al. Analysis of enablers for the digitalization of supply chain using an interpretive structural modelling approach
Ongena et al. Business process management maturity and performance: A multi group analysis of sectors and organization sizes
Bevilacqua et al. Implementing lean information management: the case study of an automotive company
Choy et al. Development of a case based intelligent customer–supplier relationship management system
Al-Ahmari et al. An integrated modelling method to support manufacturing systems analysis and design
US20150134401A1 (en) In-memory end-to-end process of predictive analytics
Saleeshya et al. A model to assess the lean capabilities of automotive industries
Choy et al. Development of a case based intelligent supplier relationship management system–linking supplier rating system and product coding system
Stark et al. Intelligent information technologies to enable next generation PLM
Meyer et al. A Reference Process Model for Usage Data-Driven Product Planning
Seyedhosseini et al. Fuzzy value stream mapping in multiple production streams: A case study in a parts manufacturing company
Krishnaraj et al. Total failure mode and effect analysis: a powerful technique for overcoming failures
CN111597176A (zh) 延迟供应链生成的教学仿真实训方法及系统
Oey et al. Developing integrated performance dashboards with Power BI–a case study in a medium-size Manufacturer
Stone et al. A customer needs motivated conceptual design methodology for product portfolio planning
Khangura et al. Design and development of the refrigerator with quality function deployment concept
Jeong et al. Integration of queuing network and IDEF3 for business process analysis
Pradnyana et al. Business process improvement design of complaints on technical information system problems using the business process improvement method
Ghazinoory et al. Developing a model for integrating decisions in technology roadmapping by fuzzy PROMETHEE
CN104732361A (zh) 建立小麦加工企业的idef模型的方法
Miller A conceptual framework for interdisciplinary decision support project success
Shah et al. Predictive Analytic Modeling: A Walkthrough
Pandey et al. Managing customer knowledge in service economy: Proposing a conceptual model of CKM for services

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