CN111667310B - 一种用于销售人员学习的数据处理方法、装置及设备 - Google Patents
一种用于销售人员学习的数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN111667310B CN111667310B CN202010501807.9A CN202010501807A CN111667310B CN 111667310 B CN111667310 B CN 111667310B CN 202010501807 A CN202010501807 A CN 202010501807A CN 111667310 B CN111667310 B CN 111667310B
- Authority
- CN
- China
- Prior art keywords
- client
- data
- customer
- learning
- matching
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 101
- 230000006399 behavior Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 20
- 238000003058 natural language processing Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004579 scanning voltage microscopy Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000012055 fruits and vegetables Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06F18/24—Classification techniques
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于销售人员学习的数据处理方法、装置及设备，属于人工智能及大数据技术领域。所述方法包括：获取客户行为数据，所述客户行为数据包括客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息中的至少一个；分析计算所述客户行为数据，获取客户特征数据；将所述客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果。本发明实现了满足客户开发需求以及人员学习需求的学习素材数据的高效匹配，形成一套可实时更新的学习素材数据体系，不仅提高了学习素材分配效率，还能够根据客户行为数据的不同匹配相应需求的学习素材，对客户的行为进行精准分析达到精准推送。
Description
技术领域
本发明涉及人工智能及大数据技术领域，特别涉及一种用于销售人员学习的数据处理方法、装置及设备。
背景技术
随着云时代的来临，大数据(Big data)也吸引了越来越多的关注。分析师团队认为，大数据(Big data)通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理(MPP)数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分。自然语言处理(NLP)是计算机科学，人工智能，语言学关注计算机和人类(自然)语言之间的相互作用的领域。因此，自然语言处理是与人机交互的领域有关的。在自然语言处理面临很多挑战，包括自然语言理解，因此，自然语言处理涉及人机交互的面积。在NLP诸多挑战涉及自然语言理解，即计算机源于人为或自然语言输入的意思，和其他涉及到自然语言生成。
深度学习(deep learning，以下简称DL)，换种说法，可以说是基于人工神经网络的机器学习。区别于传统的机器学习，DL需要更多样本，换来更少的人工标注和更高的准确率。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
对于如快递物流企业等的人员密集型行业，以重点客户和营业部经理这两类为代表的销售人员岗位缺少学习平台以及不能根据他们所负责的客户来精准推送一些案例来学习，导致重点客户和营业部经理的销售技巧以自己的经验为主没有成套的学习素材数据体系，无法更精准的服务于客户，而通过传统的线下学习培训效率又太低。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种用于销售人员学习的数据处理方法、装置及设备，实现了满足客户开发需求以及人员学习需求的学习素材数据的高效匹配，形成一套可实时更新的学习素材数据体系，不仅提高了学习素材分配效率，还能够根据客户行为数据的不同匹配相应需求的学习素材，对客户的行为进行精准分析达到精准推送。所述技术方案如下：
一方面，提供了一种用于销售人员学习的数据处理方法，所述方法包括：
获取客户行为数据，所述客户行为数据包括客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息中的至少一个；
分析计算所述客户行为数据，获取客户特征数据；
将所述客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果。
优选地，获取客户行为数据，包括：
根据预设分类规则对客户进行等级分类，获取所述客户等级信息；
其中，所述预设分类规则包括：
当满足出发收入>1万元的条件，确定为大客户等级；
当满足5千元≤出发收入≤1万元的条件，确定为中等客户等级；
当满足出发收入≤5千元的条件，确定为小客户等级。
优选地，分析计算所述客户行为数据，获取客户特征数据，包括：
利用深度学习算法或自然语言处理方法对所述客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据。
优选地，利用深度学习算法或自然语言处理方法对所述客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据，包括：
将满足预设筛选条件的客户标签对应数据确定为客户的特征关键词，所述预设筛选条件包括筛选权重系数排名靠前的客户标签对应数据或筛选具有重要星级标识的客户标签对应数据，所述客户标签包括客户等级、客户行业、重要星级标识中的至少一个。
优选地，将所述客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果，包括：
上传学习素材数据，并对所述学习素材进行所述客户标签的分类标记，获取所述学习素材数据的客户标签结果；
将所述客户特征数据与所述学习素材数据进行匹配度验证，将通过匹配度验证的数据组合进行关联设置。
优选地，所述关联设置包括：
根据所述数据组合，将相应学习素材数据推送至相应客户特征数据的对应数据端口；和/或，
根据所述数据组合，进行相应客户特征数据与相应学习素材数据的关联查询设置。
另一方面，提供了一种用于销售人员学习的数据处理装置，包括：
第一获取模块，用于：获取客户行为数据，所述客户行为数据包括客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息中的至少一个；
第二获取模块，用于：分析计算所述客户行为数据，获取客户特征数据；
匹配操作模块，用于：将所述客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果。
优选地，所述第一获取模块用于：根据预设分类规则对客户进行等级分类，获取所述客户等级信息；其中，所述预设分类规则包括：当满足出发收入>1万元的条件，确定为大客户等级；当满足5千元≤出发收入≤1万元的条件，确定为中等客户等级；当满足出发收入≤5千元的条件，确定为小客户等级。
优选地，所述第二获取模块包括分析计算子模块，所述分析计算子模块用于：利用深度学习算法或自然语言处理方法对所述客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据。
优选地，所述第二获取模块包括分析计算子模块，所述分析计算子模块用于：利用深度学习算法或自然语言处理方法对所述客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据，具体包括：将满足预设筛选条件的客户标签对应数据确定为客户的特征关键词，所述预设筛选条件包括筛选权重系数排名靠前的客户标签对应数据或筛选具有重要星级标识的客户标签对应数据，所述客户标签包括客户等级、客户行业、重要星级标识中的至少一个。
优选地，所述匹配操作模块包括素材分类子模块和关联设置子模块，所述素材分类子模块用于：上传学习素材数据，并对所述学习素材进行所述客户标签的分类标记，获取所述学习素材数据的客户标签结果；所述关联设置子模块用于：将所述客户特征数据与所述学习素材数据进行匹配度验证，将通过匹配度验证的数据组合进行关联设置。
优选地，所述关联设置包括：
根据所述数据组合，将相应学习素材数据推送至相应客户特征数据的对应数据端口；和/或，
根据所述数据组合，进行相应客户特征数据与相应学习素材数据的关联查询设置。
又一方面，提供了一种用于销售人员学习的数据处理设备，包括：
处理器；
存储器，用于存储有所述处理器的可执行指令；
其中，所述处理器配置为经由所述可执行指令来执行上述方案中任一项所述的用于销售人员学习的数据处理方法的步骤。
本发明实施例提供的技术方案带来的有益效果是：
通过从实时更新的销售数据系统中或客户数据库中，获取客户行为数据，然后对客户行为数据进行分析计算，从而获取体现客户情况的客户特征数据，再通过将客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果，这样就实现了能够满足客户开发需求以及人员学习需求的学习素材数据的高效匹配，形成一套可实时更新的学习素材数据体系，不仅提高了学习素材分配效率，还能够根据客户行为数据的不同匹配相应需求的学习素材，对客户的行为进行精准分析达到精准推送，从而更精准的服务于客户，提高服务客户体验；另一方面，通过主动推送和被动学习两种方式来提升销售人员用户的销售水平。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的用于销售人员学习的数据处理方法流程图；
图2是图1中103步骤的子步骤流程示意图；
图3是本发明实施例提供的用于销售人员学习的数据处理装置结构示意图；
图4是本发明实施例提供的用于销售人员学习的数据处理设备结构示意图；
图5是本发明实施例提供的用于销售人员学习的数据处理方法、装置及设备有关客户行为数据的显示界面示例；
图6本发明实施例提供的用于销售人员学习的数据处理方法、装置及设备有关上传学习素材数据的显示界面示例；
图7是图6的学习素材数据来源端口显示界面示例。
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。
本发明实施例提供的用于销售人员学习的数据处理方法、装置及设备，通过从实时更新的销售数据系统中或客户数据库中，获取客户行为数据，然后对客户行为数据进行分析计算，从而获取体现客户情况的客户特征数据，再通过将客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果，这样就实现了能够满足客户开发需求以及人员学习需求的学习素材数据的高效匹配，形成一套可实时更新的学习素材数据体系，不仅提高了学习素材分配效率，还能够根据客户行为数据的不同匹配相应需求的学习素材，对客户的行为进行精准分析达到精准推送，从而更精准的服务于客户，提高服务客户体验；另一方面，通过主动推送和被动学习两种方式来提升销售人员用户的销售水平。因此用于销售人员学习的数据处理方法、装置及设备适用于涉及满足销售人员学习培训的各种线上数据处理技术领域，尤其适用如快递、物流、电商等人员密集型行业领域。
下面结合具体实施例及附图，对本发明实施例提供的用于销售人员学习的数据处理方法、装置及设备详细说明。
图1是本发明实施例提供的用于销售人员学习的数据处理方法流程图。图2是图1中103步骤的子步骤流程示意图。
如图1所示，本发明实施例提供的用于销售人员学习的数据处理方法，包括以下步骤：
101、获取客户行为数据，客户行为数据包括客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息中的至少一个。
优选地，根据预设分类规则对客户进行等级分类，获取所述客户等级信息。
其中，预设分类规则包括：
当满足出发收入>1万元的条件，确定为大客户等级，示例性地，大客户：上月出发收入快递+零担月累计金额在1W+以上的，其中，K表示千元，W表示万元，以下均同；
当满足5千元≤出发收入≤1万元的条件，确定为中等客户等级，示例性地，中等客户：上月出发收入快递+零担月累计金额在5K-1W的；
当满足出发收入≤5千元的条件，确定为小客户等级，示例性地，上月出发收入快递+零担月累计金额在5K以下的。
需要说明的是，上述客户行为数据还可以包括除客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息之外的，能体现客户行为特征的其他类型数据，本发明实施例不对其特别限定。
值得注意的是，步骤101的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
102、分析计算客户行为数据，获取客户特征数据。
优选地，利用深度学习算法或自然语言处理方法对客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据。这里，深度学习算法可以采用线性回归、逻辑回归、决策树、SVM、降维算法、Gradient Boost和Adaboost算法等现有技术中任何可能的深度学习算法。
进一步优选地，利用深度学习算法或自然语言处理方法对客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据，包括：
将满足预设筛选条件的客户标签对应数据确定为客户的特征关键词，预设筛选条件包括筛选权重系数排名靠前的客户标签对应数据或筛选具有重要星级标识的客户标签对应数据，客户标签包括客户等级、客户行业、重要星级标识中的至少一个。这里，重要星级标识是在具有高重要性情况或紧迫性情况的客户行为数据添加重要星级标识的数据标签。
值得注意的是，步骤102的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
103、将客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果。
优选地，如图2所示，上述103进一步包括以下两个子步骤：
1031、上传学习素材数据，并对学习素材进行客户标签的分类标记，获取学习素材数据的客户标签结果；
1032、将客户特征数据与学习素材数据进行匹配度验证，将通过匹配度验证的数据组合进行关联设置。
进一步优选地，上述关联设置包括：
根据数据组合，将相应学习素材数据推送至相应客户特征数据的对应数据端口；和/或，
根据数据组合，进行相应客户特征数据与相应学习素材数据的关联查询设置。
值得注意的是，步骤103的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
图3是本发明实施例提供的用于销售人员学习的数据处理装置结构示意图，如图3所示，本发明实施例提供的用于销售人员学习的数据处理装置包括第一获取模块21、第二获取模块22和匹配操作模块23。
具体地，第一获取模块21，用于：获取客户行为数据，客户行为数据包括客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息中的至少一个。优选地，第一获取模块21用于：根据预设分类规则对客户进行等级分类，获取客户等级信息。其中，预设分类规则包括：当满足出发收入>1万元的条件，确定为大客户等级，示例性地，大客户：上月出发收入快递+零担月累计金额在1W+以上的；当满足5千元≤出发收入≤1万元的条件，确定为中等客户等级，示例性地，中等客户：上月出发收入快递+零担月累计金额在5K-1W的；当满足出发收入≤5千元的条件，确定为小客户等级，示例性地，上月出发收入快递+零担月累计金额在5K以下的。
第二获取模块22，用于：分析计算客户行为数据，获取客户特征数据。优选地，第二获取模块22包括分析计算子模块221，分析计算子模块221用于：利用深度学习算法或自然语言处理方法对客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据，具体包括：将满足预设筛选条件的客户标签对应数据确定为客户的特征关键词，预设筛选条件包括筛选权重系数排名靠前的客户标签对应数据或筛选具有重要星级标识的客户标签对应数据，客户标签包括客户等级、客户行业、重要星级标识中的至少一个。这里，深度学习算法可以采用线性回归、逻辑回归、决策树、SVM、降维算法、Gradient Boost和Adaboost算法等现有技术中任何可能的深度学习算法。
匹配操作模块23，用于：将客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果。优选地，匹配操作模块23进一步包括素材分类子模块231和关联设置子模块232，素材分类子模块231用于：上传学习素材数据，并对学习素材进行客户标签的分类标记，获取学习素材数据的客户标签结果；关联设置子模块232用于：将客户特征数据与学习素材数据进行匹配度验证，将通过匹配度验证的数据组合进行关联设置。进一步优选地，上述关联设置包括：根据数据组合，将相应学习素材数据推送至相应客户特征数据的对应数据端口；和/或，根据数据组合，进行相应客户特征数据与相应学习素材数据的关联查询设置。
图4是本发明实施例提供的用于销售人员学习的数据处理设备结构示意图，如图4所示，本发明实施例提供的用于销售人员学习的数据处理设备3包括：处理器31；存储器32，用于存储有处理器31的可执行指令；其中，处理器31配置为经由可执行指令来执行权上述方案中任一项所述的用于销售人员学习的数据处理方法的步骤。
图5是本发明实施例提供的用于销售人员学习的数据处理方法、装置及设备有关客户行为数据的显示界面示例。如图5所示，客户行业信息包括客户属性、客户类别、客户类型、公司全称等信息数据，除了客户出发收入信息数据，还包括客户投诉信息、理赔信息、客户异常数据等，优选地客户发货潜力信息可以通过评估客户出发收入信息、客户投诉信息、理赔信息、客户异常数据或其他指标信息来确定，然后可以单独以一项显示在客户行为数据显示界面。
图6本发明实施例提供的用于销售人员学习的数据处理方法、装置及设备有关上传学习素材数据的显示界面示例。图7是图6的学习素材数据来源端口显示界面示例。如图6和图7所示，每个学习素材的信息字段都包含小客户、其他行业、素材基本信息(如产品介绍、销售视频等类别信息以及素材名称)等，并可以通过上传时间周期查询条件查找获取相应学习素材。
至于将客户特征数据与符合预设匹配条件的学习素材进行匹配操作及数据推送的过程，下面给出了一种优选实施方式。
1、客户行业为：车辆及汽配时，匹配推送标签为“汽车”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
2、客户行业为：电子电器时，匹配推送标签为“家电”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
3、客户行业为：鞋服箱包时，匹配推送标签为“服装”/“电商”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
4、客户行业为：化工橡塑时，匹配推送标签为“军用”/“其他”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
5、客户行业为：机具仪器时，匹配推送标签为“汽车”/“”医疗/类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
6、客户行业为：家具时，匹配推送标签为“家具”/“家电”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
7、客户行业为：建筑建材时，匹配推送标签为“木材”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
8、客户行业为：交通物流时，匹配推送标签为“其他”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
9、客户行业为：美妆个护时，匹配推送标签为“电商”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
10、客户行业为：农资能源时，匹配推送标签为“果蔬”/“水产养殖”/“茶叶”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
11、客户行业为：日用品时，匹配推送标签为“电商”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
12、客户行业为：食品烟酒时，匹配推送标签为“果蔬”/"水产养殖"类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
13、客户行业为：文化娱乐时，匹配推送标签为“健身器材”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
14、客户行业为：医药卫生时，匹配推送标签为“医疗”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
15、客户行业为：珠宝钟表时，匹配推送标签为“其他”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送；
16、客户行业为：null或者其他时，匹配推送标签为“其他”类的素材，根据出发收入大小推送客户等级，若后台只有符合客户行业的标签没有符合客户等级的标签，按客户行业标签进行推送。
注：1.若后台里面只有视频这块有符合该客户的标签，案例和卖点没有符合客户的标签，那么案例和卖点随机匹配推送一个素材。例如：客户行业为：家具，上月月累计出发收入>1W，后台销售视频正好有大客户和家具的标签，但销售案例和产品卖点没有该类型的素材标签，那么这两类素材选取库里面的内容随机进行推送；2.该内容推送，目前只推送线索和机会阶段的客户，合同和走货的客户暂不推送；3.若该客户为“家具”“大客户标签”，销售视频里有多个视频符合该客户标签，例如销售拜访三步走这个素材，标签是“家具/大客户/解决方案”；木门解决方案这个素材标签是“家具/大客户/产品介绍”，那么在客户详情视频这一栏只需要推送其中一个视频就可以。
需要说明的是：上述实施例提供的用于销售人员学习的数据处理装置、设备在触发用于销售人员学习的数据处理业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置、设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的销售人员学习的数据处理装置、设备与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
综上所述，本发明实施例提供的用于销售人员学习的数据处理方法、装置及设备，相比现有技术，具有以下有益效果：
实现了能够满足客户开发需求以及人员学习需求的学习素材数据的高效匹配，形成一套可实时更新的学习素材数据体系，不仅提高了学习素材分配效率，还能够根据客户行为数据的不同匹配相应需求的学习素材，对客户的行为进行精准分析达到精准推送，从而更精准的服务于客户，提高服务客户体验；另一方面，通过主动推送和被动学习两种方式来提升销售人员用户的销售水平。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (6)
1.一种用于销售人员学习的数据处理方法，其特征在于，所述方法包括：
获取客户行为数据，所述客户行为数据包括客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息中的至少一个；
分析计算所述客户行为数据，获取客户特征数据；
将所述客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果；
将所述客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果，包括：
上传学习素材数据，并对所述学习素材进行客户标签的分类标记，获取所述学习素材数据的客户标签结果；
将所述客户特征数据与所述学习素材数据进行匹配度验证，将通过匹配度验证的数据组合进行关联设置；
所述关联设置包括：
根据所述数据组合，将相应学习素材数据推送至相应客户特征数据的对应数据端口；和/或，
根据所述数据组合，进行相应客户特征数据与相应学习素材数据的关联查询设置；
所述分析计算所述客户行为数据，获取客户特征数据，包括：
利用深度学习算法或自然语言处理方法对所述客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据；其中，所述深度学习算法包括线性回归、逻辑回归、决策树、SVM、降维算法、Gradient Boost和Adaboost算法；
所述利用深度学习算法或自然语言处理方法对所述客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据，包括：
将满足预设筛选条件的客户标签对应数据确定为客户的特征关键词，所述预设筛选条件包括筛选权重系数排名靠前的客户标签对应数据或筛选具有重要星级标识的客户标签对应数据，所述客户标签包括客户等级、客户行业、重要星级标识中的至少一个。
2.根据权利要求1所述的方法，其特征在于，获取客户行为数据，包括：
根据预设分类规则对客户进行等级分类，获取所述客户等级信息；
其中，所述预设分类规则包括：
当满足出发收入>1万元的条件，确定为大客户等级；
当满足5千元≤出发收入≤1万元的条件，确定为中等客户等级；
当满足出发收入≤5千元的条件，确定为小客户等级。
3.一种用于实现如权利要求1所述销售人员学习的数据处理方法的销售人员学习的数据处理装置，其特征在于，包括：
第一获取模块，用于：获取客户行为数据，所述客户行为数据包括客户等级信息、客户行业信息、客户发货潜力信息、客户出发收入信息中的至少一个；
第二获取模块，用于：分析计算所述客户行为数据，获取客户特征数据；
匹配操作模块，用于：将所述客户特征数据与符合预设匹配条件的学习素材进行匹配操作，获取匹配结果。
4.根据权利要求3所述的装置，其特征在于，所述第二获取模块包括分析计算子模块，所述分析计算子模块用于：利用深度学习算法或自然语言处理方法对所述客户行为数据进行分析计算，得到客户的特征关键词作为客户特征数据，具体包括：将满足预设筛选条件的客户标签对应数据确定为客户的特征关键词，所述预设筛选条件包括筛选权重系数排名靠前的客户标签对应数据或筛选具有重要星级标识的客户标签对应数据，所述客户标签包括客户等级、客户行业、重要星级标识中的至少一个。
5.根据权利要求4所述的装置，其特征在于，所述匹配操作模块包括素材分类子模块和关联设置子模块，所述素材分类子模块用于：上传学习素材数据，并对所述学习素材进行所述客户标签的分类标记，获取所述学习素材数据的客户标签结果；所述关联设置子模块用于：将所述客户特征数据与所述学习素材数据进行匹配度验证，将通过匹配度验证的数据组合进行关联设置。
6.一种用于销售人员学习的数据处理设备，其特征在于，包括：
处理器；
存储器，用于存储有所述处理器的可执行指令；
其中，所述处理器配置为经由所述可执行指令来执行权利要求1至2中任一项所述的用于销售人员学习的数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010501807.9A CN111667310B (zh) | 2020-06-04 | 2020-06-04 | 一种用于销售人员学习的数据处理方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010501807.9A CN111667310B (zh) | 2020-06-04 | 2020-06-04 | 一种用于销售人员学习的数据处理方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111667310A CN111667310A (zh) | 2020-09-15 |
| CN111667310B true CN111667310B (zh) | 2024-02-20 |
Family
ID=72386109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010501807.9A Active CN111667310B (zh) | 2020-06-04 | 2020-06-04 | 一种用于销售人员学习的数据处理方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111667310B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200719269A (en) * | 2005-11-04 | 2007-05-16 | Chia-Chia Wan | Merchandise selling method |
| CN105045811A (zh) * | 2015-06-12 | 2015-11-11 | 广东小天才科技有限公司 | 一种推送学习资料的方法及装置 |
| CN105354776A (zh) * | 2015-12-14 | 2016-02-24 | 中山市读书郎电子有限公司 | 一种基于任务的电子教育学习方法和装置 |
| CN107959883A (zh) * | 2017-11-30 | 2018-04-24 | 广州市百果园信息技术有限公司 | 视频编辑推送方法、系统及智能移动终端 |
| CN108470485A (zh) * | 2018-02-07 | 2018-08-31 | 深圳脑穿越科技有限公司 | 场景式培训方法、装置、计算机设备和存储介质 |
| CN109242514A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技（深圳）有限公司 | 客户标签推荐方法、装置和系统 |
| CN109446213A (zh) * | 2018-10-16 | 2019-03-08 | 四川生学教育科技有限公司 | 一种学习资料智能推送方法及装置 |
| CN109460516A (zh) * | 2018-11-16 | 2019-03-12 | 广东小天才科技有限公司 | 一种学习内容推荐方法及系统 |
| CN109903621A (zh) * | 2017-12-08 | 2019-06-18 | 中国石油化工股份有限公司 | 石化销售企业的安全仿真培训系统 |
| CN110428322A (zh) * | 2019-06-12 | 2019-11-08 | 平安科技（深圳）有限公司 | 一种业务数据的适配方法及装置 |
| CN110475158A (zh) * | 2019-08-30 | 2019-11-19 | 北京字节跳动网络技术有限公司 | 视频学习素材的提供方法、装置、电子设备及可读介质 |
| CN110766443A (zh) * | 2019-09-09 | 2020-02-07 | 浙江大搜车软件技术有限公司 | 素材获取方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070199017A1 (en) * | 2006-02-21 | 2007-08-23 | Cozen Gary S | Intelligent automated method and system for optimizing the value of the sale and/or purchase of certain advertising inventory |
| JP6605407B2 (ja) * | 2016-07-05 | 2019-11-13 | 株式会社神戸製鋼所 | 人材育成支援システム |
| CN106682063B (zh) * | 2016-10-20 | 2018-04-03 | 北京跃盟科技有限公司 | 一种广告信息推送方法、装置以及系统 |
-
2020
- 2020-06-04 CN CN202010501807.9A patent/CN111667310B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200719269A (en) * | 2005-11-04 | 2007-05-16 | Chia-Chia Wan | Merchandise selling method |
| CN105045811A (zh) * | 2015-06-12 | 2015-11-11 | 广东小天才科技有限公司 | 一种推送学习资料的方法及装置 |
| CN105354776A (zh) * | 2015-12-14 | 2016-02-24 | 中山市读书郎电子有限公司 | 一种基于任务的电子教育学习方法和装置 |
| CN107959883A (zh) * | 2017-11-30 | 2018-04-24 | 广州市百果园信息技术有限公司 | 视频编辑推送方法、系统及智能移动终端 |
| CN109903621A (zh) * | 2017-12-08 | 2019-06-18 | 中国石油化工股份有限公司 | 石化销售企业的安全仿真培训系统 |
| CN108470485A (zh) * | 2018-02-07 | 2018-08-31 | 深圳脑穿越科技有限公司 | 场景式培训方法、装置、计算机设备和存储介质 |
| CN109242514A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技（深圳）有限公司 | 客户标签推荐方法、装置和系统 |
| CN109446213A (zh) * | 2018-10-16 | 2019-03-08 | 四川生学教育科技有限公司 | 一种学习资料智能推送方法及装置 |
| CN109460516A (zh) * | 2018-11-16 | 2019-03-12 | 广东小天才科技有限公司 | 一种学习内容推荐方法及系统 |
| CN110428322A (zh) * | 2019-06-12 | 2019-11-08 | 平安科技（深圳）有限公司 | 一种业务数据的适配方法及装置 |
| CN110475158A (zh) * | 2019-08-30 | 2019-11-19 | 北京字节跳动网络技术有限公司 | 视频学习素材的提供方法、装置、电子设备及可读介质 |
| CN110766443A (zh) * | 2019-09-09 | 2020-02-07 | 浙江大搜车软件技术有限公司 | 素材获取方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111667310A (zh) | 2020-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bharadiya | A comparative study of business intelligence and artificial intelligence with big data analytics | |
| Kotu et al. | Predictive analytics and data mining: concepts and practice with rapidminer | |
| US8386482B2 (en) | Method for personalizing information retrieval in a communication network | |
| US10366117B2 (en) | Computer-implemented systems and methods for taxonomy development | |
| Akerkar et al. | Intelligent techniques for data science | |
| CN115080021A (zh) | 基于自动化机器学习实现的零代码建模方法及系统 | |
| US10831757B2 (en) | High-dimensional data management and presentation | |
| CN114119058A (zh) | 用户画像模型的构建方法、设备及存储介质 | |
| Sharma et al. | Comparative Analysis of Data Storage Solutions for Responsive Big Data Applications | |
| CN113434644A (zh) | 一种农技知识服务方法及系统 | |
| US20230351473A1 (en) | Apparatus and method for providing user's interior style analysis model on basis of sns text | |
| CN111667310B (zh) | 一种用于销售人员学习的数据处理方法、装置及设备 | |
| AU2020101842A4 (en) | DAI- Dataset Discovery: DATASET DISCOVERY IN DATA ANALYTICS USING AI- BASED PROGRAMMING. | |
| Lu | A data-driven framework for business analytics in the context of big data | |
| Ghosh et al. | Understanding Machine Learning | |
| CN112529624A (zh) | 生成业务预测模型的方法、装置、设备以及存储介质 | |
| WO2021071428A1 (en) | System and method for innovation, creativity, and learning as a service | |
| Ivanoti et al. | DECISION SUPPORT SYSTEM FOR PREDICTING EMPLOYEE LEAVE USING THE LIGHT GRADIENT BOOSTING MACHINE (LIGHTGBM) AND K-MEANS ALGORITHM | |
| Gupta et al. | Web Data Mining & Applications | |
| Pradhan et al. | Machine learning architecture and framework | |
| Gautam et al. | Research Trend of Machine Learning for Big Data Application on Cloud | |
| Kusiak et al. | Data-inspired innovation model | |
| Bhandari et al. | Enhanced Apriori Algorithm model in course suggestion system | |
| Hang et al. | Machine learning applied to pack classification | |
| US11989678B2 (en) | System using artificial intelligence and machine learning to determine an impact of an innovation associated with an enterprise |
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 |