CN111784389A - 一种产品的客户数量预测方法及装置 - Google Patents
一种产品的客户数量预测方法及装置 Download PDFInfo
- Publication number
- CN111784389A CN111784389A CN202010598277.4A CN202010598277A CN111784389A CN 111784389 A CN111784389 A CN 111784389A CN 202010598277 A CN202010598277 A CN 202010598277A CN 111784389 A CN111784389 A CN 111784389A
- Authority
- CN
- China
- Prior art keywords
- customers
- customer
- product
- current
- period
- 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.)
- Granted
Links
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供一种产品的客户数量预测方法及装置,所述方法包括:获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。所述装置用于执行上述方法。本发明实施例提供的产品的客户数量预测方法及装置,提高了产品的客户数据预测的可靠性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种产品的客户数量预测方法及装置。
背景技术
目前,为了了解理财产品的销售前景,通常会对产品的客户数量进行预测。
现有技术中,理财产品的客户数量的预测方法,是基于机器学习的人工智能算法,将对客户数量的影响因素拆分为许多不同的变量因子,通过海量基础数据的支撑来推测相关变量因子,建立预测模型,进而预测客户数量,要求有足够的历史数据作为样本进行模型训练,否则无法保证预测的准确性。然而,对于有些理财产品,尤其是新型的理财产品,没有足够的历史数据来建立预测模型,无法进行客户数量的预测。
发明内容
针对现有技术中的问题,本发明实施例提供一种产品的客户数量预测方法及装置,能够至少部分地解决现有技术中存在的问题。
一方面,本发明提出一种产品的客户数量预测方法,包括:
获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;
根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
另一方面,本发明提供一种产品的客户数量预测装置,包括:
获取单元,用于获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;
预测单元,用于根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
再一方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例所述产品的客户数量预测方法的步骤。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述产品的客户数量预测方法的步骤。
本发明实施例提供的产品的客户数量预测方法及装置,获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量,根据潜在客户数量、当前客户数量和流失客户数量以及预设的客户数量预测方程,预测待预测产品的下一周期的客户数据,通过客户数量预测方程能够实现对产品下一周期的客户数据的预测,提高了产品的客户数据预测的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。在附图中:
图1是本发明一实施例提供的产品的客户数量预测方法的流程示意图。
图2是本发明一实施例提供的产品的客户数量预测装置的结构示意图。
图3是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
图1是本发明一实施例提供的产品的客户数量预测方法的流程示意图,如图1所示,本发明实施例提供的产品的客户数量预测方法,包括:
S101、获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;
具体地,当某产品需要进行客户预测时,可以将某产品作为待预测产品,所述服务器可以获取所述待预测产品的当前周期的潜在客户数量,当前客户数量和流失客户数量。其中,本发明实施例中假设所述待预测产品的每个周期的潜在客户数量,当前客户数量和流失客户数量之和为常数。所述周期根据实际需要进行设置,例如为1天,本发明实施例不做限定。所述待预测产品包括但不限于理财产品。本发明实施例提供的产品的客户数量预测方法的执行主体包括但不限于服务器。
S102、根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
具体地,所述服务器在获得所述待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量之后,将所述当前周期的潜在客户数量、当前客户数量和流失客户数量输入到客户数量预测方程中,再对所述客户数量预测方程进行求解,可以获得所述待预测产品的下一周期的客户数据,所述下一周期的客户数据为所述下一周期的潜在客户数量、当前客户数量和流失客户数量。其中,客户数量预测方程是预设的。
本发明实施例提供的产品的客户数量预测方法,获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量,根据潜在客户数量、当前客户数量和流失客户数量以及预设的客户数量预测方程,预测待预测产品的下一周期的客户数据,通过客户数量预测方程能够实现对产品下一周期的客户数据的预测,提高了产品的客户数据预测的可靠性。此外,本发明实施例提供的产品的客户数量预测方法无需依赖大量的产品的历史数据就能够实现对产品下一周期的客户数据的预测,可以在产品推广初期投入使用。
在上述各实施例的基础上,进一步地,所述客户数量预测方程包括:
其中,a表示所述潜在客户数量,g表示所述当前客户数量,f表示所述流失客户数量,b表示推广人员数量,e表示客户数量为0时推广人员推广客户的推广率,c表示所述待预测产品的客户总人数,i表示当前周期的流失客户转化为下一周期的潜在客户的转化率,d表示客户流失率,h表示当前周期的流失客户转化为下一周期客户的转化率,a+f+g=c,c、b、i、d和h为常数。
具体地,所述客户数量预测方程的建立,基于如下假设:(1)待预测产品的每个周期的潜在客户数量、当前客户数量和流失客户数量之和为常数,即所述待预测产品的客户总人数为常数;(2)推广人员可以接触潜在客户并具有一定推广能力,在单位时间内,推广人员能推广的人数与潜在客户数量成正比;(3)单位时间内客户流失的数量与当前周期的当前客户数量成正比;(4)当前周期的流失客户可以转化为下一周期的当前客户和/或潜在客户。
当前周期的潜在客户数量表示为a,当前周期的当前客户数量表示为g,当前周期的流失客户数量表示为f,所述待预测产品的客户总人数表示为c,由假设(1)可知,a+f+g=c。推广人员数量表示为b,单位时间内的推广人数表示为E(a),由假设(2)可知,单位时间推广人员推广的人数为E(a)×b×a,即有E(a)×b×a数量的人有潜在客户变为当前客户。客户流失率为d,由假设(3)可知,单位时间客户流失的数量为d×g。当前周期的流失客户转化为下一周期的潜在客户的转化率为i,当前周期的流失客户转化为下一周期客户的转化率为h,由假设(4)可知,单位时间当前周期的流失客户转化为下一周期的当前客户的数量为h×f,单位时间当前周期的流失客户转化为下一周期的潜在客户的数量为i×f。其中,b、i、d和h根据实际经验进行设置,本发明实施例不做限定。
以每个周期的潜在客户数量、当前客户数量和流失客户数量为因变量,以时间t为自变量,由以上分析初步给出关于所述待预测产品的客户数量的微分方程组如下:
其中,推广人员推广客户的推广率E与潜在客户数量a的关系可以表示为:E(a)=e-s×b×a,e表示客户数量为0时推广人员推广客户的推广率,s为系数,当a=c时,E(c)=e-s×b×c=0,当a=0时,E(0)=e-s×b×0=e,可以推出s=e/(b×c)。
将s=e/(b×c)带入到E(a)=e-s×b×a中,可以获得E(a)=e×(1-a/c),再将E(a)=e×(1-a/c)带入到所述待预测产品的客户数量的微分方程中,即可获得所述客户数量预测方程为:
对于微分方程来说,其解分为解析解与数值解,前者反映了微分方程的解,可以用一个函数来表示;后者通常不能表现为初等函数,但是很多问题并不需要解析解,而是能求出数值结果即可。对于本发明实施例来说,只要能确定每个周期的客户数据即可,无需明确解析解的函数关系。因此,本发明实施例可以选用4阶龙格-库塔(Runge-Kutta)数值分析方法来求取所述客户数量预测方程的数值解,其形式如下:
K1=f(xi,yi)
K4=f(xi+l,yi+lK3)
其中,因变量向量yi由当前周期的潜在客户数量a、当前客户数量g和流失客户数量f构成,可以表示为yi=[a,g,f],自变量xi=t。
为求取所述客户数量预测方程微分方程数值解,需以当前周期的潜在客户数量a、当前客户数量g和流失客户数量f为初始值,确定步长,进行循环迭代即可求出所述预测所述待预测产品的下一周期的客户数据。
例如,yi=[a,g,f],自变量xi=t,获取a,g和f的初始值,确定步长l=0.01,循环迭代100次即可得到所述待预测产品的下一周期的客户数据,即获得所述待预测产品的下一周期的潜在客户数量、当前客户数量和流失客户数量。
在上述各实施例的基础上,进一步地,所述获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量包括:
若获知所述当前周期为第一周期,则根据所述待预测产品的客户筛选规则以及客户信息,获得所述潜在客户人数,并设置所述当前客户数量和流失客户数量为0;其中,所述待预测产品的客户筛选规则是预设的。
具体地,如果所述当前周期为第一周期,那么所述服务器可以根据所述待预测产品的客户筛选规则以及客户信息,获得所述潜在客户人数,即根据所述待预测产品客户的筛选规则对所述客户信息进行筛选,筛选出满足所述待预测产品客户的筛选规则的客户作为第一周期的潜在客户,统计出满足所述待预测产品客户的筛选规则的客户的总数量作为第一周期的潜在客户数量。其中,所述客户筛选规则是预设的,根据实际需要进行设置,本发明实施例不做限定。所述客户信息可以包括客户的流动资产、客户性别、年龄等信息,根据实际需要进行设置,本发明实施例不做限定。由于当前周期为第一周期,所述服务器可以设置所述当前客户数量和流失客户数量为0,此时所述待预测产品的客户总人数等于第一周期的潜在客户数量。
例如,所述待预测产品为理财产品,并且要求起购金额为5万,那么该理财产品客户的筛选规则可以为流动资产大于等于5万,筛选流动资产大于5万的客户作为理财产品的第一周期的潜在客户,将流动资产大于5万的客户的总数量作为理财产品的第一周期的潜在客户数量。
例如,某银行分行发行一种储蓄产品,可以设置储蓄产品客户的筛选规则为该分行的所有储蓄客户,可以将某银行分行的所有储蓄客户作为储蓄产品的潜在客户,统计出某银行分行的所有储蓄客户的数量作为储蓄产品的第一周期的潜在客户数量。其中,所述储蓄客户是指在某银行分行有储蓄的客户。
在上述各实施例的基础上,进一步地,所述获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量包括:
若获知所述当前周期为第N周期且N大于1,则获取所述待预测产品的实际持有人数作为所述当前周期的当前客户数量,统计之前周期持有所述待预测产品但当前周期没有持有所述待预测产品的人数作为所述当前周期的流失客户人数。
具体地,如果当前周期为第N周期,并且N为大于1的整数,所述服务器会统计所述待预测产品的实际持有人数作为所述当前周期的当前客户数量g,并统计之前周期持有所述待预测产品但当前周期没有持有所述待预测产品的人数作为所述当前周期的流失客户人数f。由于所述待预测产品的每个周期的潜在客户数量,当前客户数量和流失客户数量之和为常数c,所述当前周期的潜在客户数量为c-g-f。
其中,所述之前周期持有所述待预测产品是指当前周期之前任何一个周期持有所述待预测产品。例如,当前周期之前有三个周期,客户在当前周期之前的三个周期中有任何一个周期持有所述待预测产品,即算作所述客户在所述之前周期持有所述待预测产品。
为解决现有技术中,产品的客户数量的预测对历史数据依赖严重的问题,本发明实施例提供的提出了一种产品的客户数量预测方法,基于客户数量预测方程进行产品的客户数量的预测,具有如下特点:
(1)客户数量预测方程基于对产品实际推广场景的假设,只需要基本的假设参数和已有的初始信息即可对未来产品的客户数量做出预测,无需大量的历史数据作为支撑,在产品推广初期即可充分发挥作用,具备实用性。
(2)相比于相关机器学习算法受历史数据质量影响较大的情况,由于实践中微观因素的影响,数据和真实理论情况总会出现一定程度的偏差,偏差积累就会导致机器学习算法预测的准确性下降。而客户数量预测方程采用的微分方程是从宏观的角度出发对产品的推广场景进行合理假设,不受具体数据变化扰动的影响。即使宏观推广场景发生了巨大的变化,只要通过实际具体情况及时修正相关假设就可以适应这种环境的变化,不会影响后续客户数量的预测。
(3)客户数量预测方程在建立过程中,从理论上分析了产品的客户数量与各影响因素之间的关系,相比于基于大数据的各种机器学习算法提供了一种新的解决问题的思路,有利于未来进一步的分析研究。
图2是本发明一实施例提供的产品的客户数量预测装置的结构示意图,如图2所示,本发明实施例提供的产品的客户数量预测装置包括获取单元201和预测单元202,其中:
获取单元201用于获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;预测单元202用于根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
具体地,当某产品需要进行客户预测时,可以将某产品作为待预测产品,获取单元201可以获取所述待预测产品的当前周期的潜在客户数量,当前客户数量和流失客户数量。其中,本发明实施例中假设所述待预测产品的每个周期的潜在客户数量,当前客户数量和流失客户数量之和为常数。所述周期根据实际需要进行设置,例如为1天,本发明实施例不做限定。所述待预测产品包括但不限于理财产品。
在获得所述待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量之后,预测单元202将所述当前周期的潜在客户数量、当前客户数量和流失客户数量输入到客户数量预测方程中,再对所述客户数量预测方程进行求解,可以获得所述待预测产品的下一周期的客户数据,所述下一周期的客户数据为所述下一周期的潜在客户数量、当前客户数量和流失客户数量。其中,客户数量预测方程是预设的。
本发明实施例提供的产品的客户数量预测装置,获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量,根据潜在客户数量、当前客户数量和流失客户数量以及预设的客户数量预测方程,预测待预测产品的下一周期的客户数据,通过客户数量预测方程能够实现对产品下一周期的客户数据的预测,提高了产品的客户数据预测的可靠性。此外,本发明实施例提供的产品的客户数量预测装置无需依赖大量的产品的历史数据就能够实现对产品下一周期的客户数据的预测,可以在产品推广初期投入使用。
在上述各实施例的基础上,进一步地,所述客户数量预测方程包括:
其中,a表示所述潜在客户数量,g表示所述当前客户数量,f表示所述流失客户数量,b表示推广人员数量,e表示客户数量为0时推广人员推广客户的推广率,c表示所述待预测产品的客户总人数,i表示当前周期的流失客户转化为下一周期的潜在客户的转化率,d表示客户流失率,h表示当前周期的流失客户转化为下一周期客户的转化率,a+f+g=c,c、b、i、d和h为常数。
具体地,所述客户数量预测方程的建立,基于如下假设:(1)待预测产品的每个周期的潜在客户数量、当前客户数量和流失客户数量之和为常数,即所述待预测产品的客户总人数为常数;(2)推广人员可以接触潜在客户并具有一定推广能力,在单位时间内,推广人员能推广的人数与潜在客户数量成正比;(3)单位时间内客户流失的数量与当前周期的当前客户数量成正比;(4)当前周期的流失客户可以转化为下一周期的当前客户和/或潜在客户。
当前周期的潜在客户数量表示为a,当前周期的当前客户数量表示为g,当前周期的流失客户数量表示为f,所述待预测产品的客户总人数表示为c,由假设(1)可知,a+f+g=c。推广人员数量表示为b,单位时间内的推广人数表示为E(a),由假设(2)可知,单位时间推广人员推广的人数为E(a)×b×a,即有E(a)×b×a数量的人有潜在客户变为当前客户。客户流失率为d,由假设(3)可知,单位时间客户流失的数量为d×g。当前周期的流失客户转化为下一周期的潜在客户的转化率为i,当前周期的流失客户转化为下一周期客户的转化率为h,由假设(4)可知,单位时间当前周期的流失客户转化为下一周期的当前客户的数量为h×f,单位时间当前周期的流失客户转化为下一周期的潜在客户的数量为i×f。其中,b、i、d和h根据实际经验进行设置,本发明实施例不做限定。
以每个周期的潜在客户数量、当前客户数量和流失客户数量为因变量,以时间t为自变量,由以上分析初步给出关于所述待预测产品的客户数量的微分方程组如下:
其中,推广人员推广客户的推广率E与潜在客户数量a的关系可以表示为:E(a)=e-s×b×a,e表示客户数量为0时推广人员推广客户的推广率,s为系数,当a=c时,E(c)=e-s×b×c=0,当a=0时,E(0)=e-s×b×0=e,可以推出s=e/(b×c)。
将s=e/(b×c)带入到E(a)=e-s×b×a中,可以获得E(a)=e×(1-a/c),再将E(a)=e×(1-a/c)带入到所述待预测产品的客户数量的微分方程中,即可获得所述客户数量预测方程为:
对于微分方程来说,其解分为解析解与数值解,前者反映了微分方程的解,可以用一个函数来表示;后者通常不能表现为初等函数,但是很多问题并不需要解析解,而是能求出数值结果即可。对于本发明实施例来说,只要能确定每个周期的客户数据即可,无需明确解析解的函数关系。因此,本发明实施例可以选用4阶龙格-库塔(Runge-Kutta)数值分析方法来求取所述客户数量预测方程的数值解,其形式如下:
K1=f(xi,yi)
K4=f(xi+l,yi+lK3)
其中,因变量向量yi由当前周期的潜在客户数量a、当前客户数量g和流失客户数量f构成,可以表示为yi=[a,g,f],自变量xi=t。
为求取所述客户数量预测方程微分方程数值解,需以当前周期的潜在客户数量a、当前客户数量g和流失客户数量f为初始值,确定步长,进行循环迭代即可求出所述预测所述待预测产品的下一周期的客户数据。
在上述各实施例的基础上,进一步地,获取单元201具体用于:
若获知所述当前周期为第一周期,则根据所述待预测产品的客户筛选规则以及客户信息,获得所述潜在客户人数,并设置所述当前客户数量和流失客户数量为0;其中,所述待预测产品的客户筛选规则是预设的。
具体地,如果所述当前周期为第一周期,那么获取单元201可以根据所述待预测产品的客户筛选规则以及客户信息,获得所述潜在客户人数,即根据所述待预测产品客户的筛选规则对所述客户信息进行筛选,筛选出满足所述待预测产品客户的筛选规则的客户作为第一周期的潜在客户,统计出满足所述待预测产品客户的筛选规则的客户的总数量作为第一周期的潜在客户数量。其中,所述客户筛选规则是预设的,根据实际需要进行设置,本发明实施例不做限定。所述客户信息可以包括客户的流动资产、客户性别、年龄等信息,根据实际需要进行设置,本发明实施例不做限定。由于当前周期为第一周期,所述服务器可以设置所述当前客户数量和流失客户数量为0,此时所述待预测产品的客户总人数等于第一周期的潜在客户数量。
在上述各实施例的基础上,进一步地,获取单元201具体用于:
若获知所述当前周期为第N周期且N大于1,则获取所述待预测产品的实际持有人数作为所述当前周期的当前客户数量,统计之前周期持有所述待预测产品但当前周期没有持有所述待预测产品的人数作为所述当前周期的流失客户人数。
具体地,如果当前周期为第N周期,并且N为大于1的整数,获取单元201会统计所述待预测产品的实际持有人数作为所述当前周期的当前客户数量g,并统计之前周期持有所述待预测产品但当前周期没有持有所述待预测产品的人数作为所述当前周期的流失客户人数f。由于所述待预测产品的每个周期的潜在客户数量,当前客户数量和流失客户数量之和为常数c,所述当前周期的潜在客户数量为c-g-f。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图3是本发明一实施例提供的电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行如下方法:获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
本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存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例,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例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种产品的客户数量预测方法,其特征在于,包括:
获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;
根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
3.根据权利要求1所述的方法,其特征在于,所述获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量包括:
若获知所述当前周期为第一周期,则根据所述待预测产品的客户筛选规则以及客户信息,获得所述潜在客户人数,并设置所述当前客户数量和流失客户数量为0;其中,所述待预测产品的客户筛选规则是预设的。
4.根据权利要求1所述的方法,其特征在于,所述获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量包括:
若获知所述当前周期为第N周期且N大于1,则获取所述待预测产品的实际持有人数作为所述当前周期的当前客户数量,统计之前周期持有所述待预测产品但当前周期没有持有所述待预测产品的人数作为所述当前周期的流失客户人数。
5.一种产品的客户数量预测装置,其特征在于,包括:
获取单元,用于获取待预测产品的当前周期的潜在客户数量、当前客户数量和流失客户数量;
预测单元,用于根据所述潜在客户数量、所述当前客户数量和所述流失客户数量以及预设的客户数量预测方程,预测所述待预测产品的下一周期的客户数据。
7.根据权利要求5所述的装置,其特征在于,所述获取单元具体用于:
若获知所述当前周期为第一周期,则根据所述待预测产品的客户筛选规则以及客户信息,获得所述潜在客户人数,并设置所述当前客户数量和流失客户数量为0;其中,所述待预测产品的客户筛选规则是预设的。
8.根据权利要求5所述的装置,其特征在于,所述获取单元具体用于:
若获知所述当前周期为第N周期且N大于1,则获取所述待预测产品的实际持有人数作为所述当前周期的当前客户数量,统计之前周期持有所述待预测产品但当前周期没有持有所述待预测产品的人数作为所述当前周期的流失客户人数。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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4任一项所述方法的步骤。
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4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598277.4A CN111784389B (zh) | 2020-06-28 | 2020-06-28 | 一种产品的客户数量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598277.4A CN111784389B (zh) | 2020-06-28 | 2020-06-28 | 一种产品的客户数量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784389A true CN111784389A (zh) | 2020-10-16 |
CN111784389B CN111784389B (zh) | 2023-08-11 |
Family
ID=72760711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010598277.4A Active CN111784389B (zh) | 2020-06-28 | 2020-06-28 | 一种产品的客户数量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784389B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
-
2020
- 2020-06-28 CN CN202010598277.4A patent/CN111784389B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111784389B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807515B (zh) | 模型生成方法和装置 | |
CN109460432A (zh) | 一种数据处理方法及系统 | |
CN114172820A (zh) | 跨域sfc动态部署方法、装置、计算机设备及存储介质 | |
CN107025228A (zh) | 一种问题推荐方法及设备 | |
CN115730947A (zh) | 银行客户流失预测方法及装置 | |
CN107644047B (zh) | 标签预测生成方法及装置 | |
CN111311125B (zh) | 基于遗传算法的银行网点间资源联动方案选定方法及装置 | |
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
Cheng et al. | Learning-based metaheuristic for scheduling unrelated parallel machines with uncertain setup times | |
CN112613997A (zh) | 货币基金的组合投资预测方法和预测装置 | |
CN115630943A (zh) | 智能排班方法及装置 | |
CN117193980A (zh) | 任务剩余时长的计算方法和装置 | |
CN111784389A (zh) | 一种产品的客户数量预测方法及装置 | |
CN112598443A (zh) | 一种基于深度学习的线上渠道业务数据处理方法及系统 | |
CN110084406B (zh) | 基于自编码器和元学习策略的负荷预测方法及装置 | |
CN109978172B (zh) | 一种基于极限学习机的资源池利用率预测方法及装置 | |
CN115759672A (zh) | 客服排班方法及装置 | |
CN109872225A (zh) | 分单方法及装置 | |
CN114756352A (zh) | 一种调度服务器计算资源的方法、装置及介质 | |
CN114693352A (zh) | 一种客户访问量预测方法及装置 | |
CN112508295A (zh) | 基于业务图谱和马尔可夫模型的来电业务预测方法及系统 | |
CN113762972A (zh) | 数据存储控制方法及装置、电子设备、存储介质 | |
Pakhomova et al. | The income prediction module of the retail store's network | |
CN117196661A (zh) | 一种数据分析的方法和装置 | |
Siqueira | M (t)/M (t)/m (t)/C (t) and non-stationary hypercube models |
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 |