CN111798265A - 一种适用于企业用户的精准营销方法和装置 - Google Patents
一种适用于企业用户的精准营销方法和装置 Download PDFInfo
- Publication number
- CN111798265A CN111798265A CN202010462173.0A CN202010462173A CN111798265A CN 111798265 A CN111798265 A CN 111798265A CN 202010462173 A CN202010462173 A CN 202010462173A CN 111798265 A CN111798265 A CN 111798265A
- Authority
- CN
- China
- Prior art keywords
- bid
- amount
- order
- enterprise user
- enterprise
- 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 49
- 238000011156 evaluation Methods 0.000 claims abstract description 116
- 238000005192 partition Methods 0.000 claims abstract description 81
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000000638 solvent extraction Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing 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
- G06Q30/0204—Market segmentation
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (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
本发明公开了一种适用于企业用户的精准营销方法和装置，所述方法包括：通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。应用本发明可以适用于对企业用户进行精准营销。
Description
技术领域
本发明涉及精准营销技术领域，特别是指一种适用于企业用户的精准营销方法和装置。
背景技术
现有精准营销推荐技术，大多数适用于互联网营销，主要通过对自然人用户在互联网上进行消费、浏览等行为产生的数据进行分析，获得用户行为喜好、操作等信息；
然而，现有技术多针对自然人用户的互联网消费、喜好等行为数据，进行精准营销，不适用于企业级用户，尤其是针对供应链金融的精准营销，因其业务流程的独特性，亟需适合的精准营销推荐方法。而且原有的互联网营销模型，通过一个方面、三个维度的数据进行分析，将用户分为3大类，6个分区，无法覆盖供应链金融精准营销涉及的全部数据方向。
因此，亟需一种适合企业级用户的精准营销推荐方法。
发明内容
有鉴于此，本发明的目的在于提出一种适用于企业用户的精准营销方法和装置，可以适用于对企业用户进行精准营销。
基于上述目的，本发明提供一种适用于企业用户的精准营销方法，包括：
通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；
针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。
其中，所述6个阈值具体分别为：第一、二、三、四、五、六阈值；以及
在所述针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较之前，还包括：对所述6个阈值进行动态调整的过程：
将各企业用户的中标时间间隔的评估值进行排序，根据排序结果设定第一阈值；
将各企业用户的中标数量的频率特征的评估值进行排序，根据排序结果设定第二阈值；
将各企业用户的中标金额的频率特征的评估值进行排序，根据排序结果设定第三阈值；
将各企业用户的订单时间间隔的评估值进行排序，根据排序结果设定第四阈值；
将各企业用户的订单数量的频率特征的评估值进行排序，根据排序结果设定第五阈值；
将各企业用户的订单金额的频率特征的评估值进行排序，根据排序结果设定第六阈值。
进一步，在所述针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码之后，还包括：
以各企业用户的订单信息、中标信息作为自变量，各企业用户的分区编码作为因变量训练分类器。
进一步，在所述训练分类器后，还包括：
将新的企业用户的订单信息、中标信息输入到训练后的分类器，根据所述分类器的输出确定该新的企业用户的分区编码。
本发明还提供一种适用于企业用户的精准营销装置，包括：
评估值计算模块，用于通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；
分区营销模块，用于针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。
本发明还提供一种电子设备，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，其中，所述处理器执行所述程序时实现如上所述的适用于企业用户的精准营销方法。
本发明的技术方案中，通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。从而本发明技术方案中通过RFM模型得到的六个针对用户的中标信息以及订单信息的评估值，相比于传统的互联网营销模型，通过三个方向的数据的分析，可以完全覆盖供应链中供应商的企业用户的全部的业务数据，从而根据评估值得到的分区结果所对应的精准营销策略可以更为适用于企业级用户。
而且，本发明技术方案中，还可根据评估值序列的大小变化动态调整阈值，相比于现有技术的精准营销得分的阈值设置上，多采用静态的、指定的、估计的设置方式，本发明技术方案中的阈值的生成方式更灵活、更客观，使得基于阈值的分区更为合理。
进一步，本发明技术方案中利用已有用户的中标信息、订单信息，以及分区编码训练分类器，再利用经过训练后的分类器预测新用户的分区编码，从而实现新老用户兼顾的精准营销：
事实上，现有技术在精准营销上，存在局限性，有的技术适用于新用户精准营销，但是对已有用户的营销方法上存在不足；有的技术适用于已经有大量数据积累的已有用户，对数据量稀疏的新用户推荐上，存在不准确的现象。
而本发明技术方案中，老用户采用基于RFM模型的精准营销推荐分区的推荐结果；新用户利用训练好的分类器进行分类预测，之后根据预测的新用户的分区编码的分区结果所对应的精准营销推荐分区，实现辅助新用户的精准营销。从而实现新老用户兼顾的精准营销，并解决现有技术中面对新用户的精准营销，因其获得数据稀疏，存在冷启动的问题。
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。
图1为本发明实施例提供的一种适用于企业用户的精准营销方法流程图；
图2为本发明实施例提供的一种企业用户的相关信息的评估值的计算方法流程图；
图3为本发明实施例提供的一种对企业用户在中标与生成订单过程中的量值特征进行时域-频域波形变换，得到相应的频率特征的方法流程图；
图4为本发明实施例提供的一种适用于企业用户的精准营销装置的内部结构框图；
图5为本发明实施例提供的一种电子设备硬件结构示意图。
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明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本发明的技术方案中，通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。从而本发明技术方案中通过RFM模型得到的六个针对用户的中标信息以及订单信息的评估值，相比于传统的互联网营销模型，通过三个方向的数据的分析，可以完全覆盖供应链中供应商的企业用户的全部的业务数据，从而根据评估值得到的分区结果所对应的精准营销策略可以更为适用于企业级用户。
而且，本发明技术方案中，还可根据评估值序列的大小变化动态调整阈值，相比于现有技术的精准营销得分的阈值设置上，多采用静态的、指定的、估计的设置方式，本发明技术方案中的阈值的生成方式更灵活、更客观，使得基于阈值的分区更为合理。
下面结合附图详细说明本发明实施例的技术方案。
本发明实施例提供的一种适用于企业用户的精准营销方法流程如图1所示，包括如下步骤：
步骤S101：通过RFM模型得到各企业用户的中标信息、订单信息的评估值。
本步骤中，通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值，具体方法将在后续详细介绍。
步骤S102：动态调整阈值。
将各企业用户的中标时间间隔的评估值进行排序，根据排序结果设定第一阈值；例如，通过哈希排序、堆排序、起泡排序等排序方法，将各企业用户的中标时间间隔的评估值进行排序；采用聚类的方法，如K-means(K-均值)、层次聚类、均值漂移聚类、高斯混合模型(GMM)的最大期望(EM)聚类等，将排序的数据进行二分类，比较两类数据包含的数据值大小，计算得到动态的第一阈值；
将各企业用户的中标数量的频率特征的评估值进行排序，根据排序结果设定第二阈值；
将各企业用户的中标金额的频率特征的评估值进行排序，根据排序结果设定第三阈值；
将各企业用户的订单时间间隔的评估值进行排序，根据排序结果设定第四阈值；
将各企业用户的订单数量的频率特征的评估值进行排序，根据排序结果设定第五阈值；
将各企业用户的订单金额的频率特征的评估值进行排序，根据排序结果设定第六阈值；第二、三、四、五、六阈值的计算方法也可参考第一阈值的计算方法，此处不再赘述。
步骤S103：针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码。
具体地，所述6个阈值分别为：第一、二、三、四、五、六阈值；
本步骤中，针对每个企业用户，将该企业用户的中标时间间隔的评估值与第一阈值进行比较；若该企业用户的中标时间间隔的评估值大于第一阈值，则将该企业用户的中标时间间隔的评估值映射为二进制的1，否则将该企业用户的中标时间间隔的评估值映射为二进制的0；
针对每个企业用户，将该企业用户的中标数量的频率特征的评估值与第二阈值进行比较；若该企业用户的中标数量的频率特征的评估值大于第二阈值，则将该企业用户的中标数量的频率特征的评估值映射为二进制的1，否则将该企业用户的中标数量的频率特征的评估值映射为二进制的0；
针对每个企业用户，将该企业用户的中标金额的频率特征的评估值与第三阈值进行比较；若该企业用户的中标金额的频率特征的评估值大于第三阈值，则将该企业用户的中标金额的频率特征的评估值映射为二进制的1，否则将该企业用户的中标金额的频率特征的评估值映射为二进制的0；
针对每个企业用户，将该企业用户的订单时间间隔的评估值与第四阈值进行比较；若该企业用户的订单时间间隔的评估值大于第四阈值，则将该企业用户的订单时间间隔的评估值映射为二进制的1，否则将该企业用户的订单时间间隔的评估值映射为二进制的0；
针对每个企业用户，将该企业用户的订单数量的频率特征的评估值与第五阈值进行比较；若该企业用户的订单数量的频率特征的评估值大于第五阈值，则将该企业用户的订单数量的频率特征的评估值映射为二进制的1，否则将该企业用户的订单数量的频率特征的评估值映射为二进制的0；
针对每个企业用户，将该企业用户的订单金额的频率特征的评估值与第五阈值进行比较；若该企业用户的订单金额的频率特征的评估值大于第五阈值，则将该企业用户的订单金额的频率特征的评估值映射为二进制的1，否则将该企业用户的订单金额的频率特征的评估值映射为二进制的0。
针对每个企业用户，将该企业用户的各评估值的映射结果组成6位数的二进制，得到该企业用户的二进制的分区编码。
相比于传统的互联网营销模型将基于用户的最近一次消费、消费次数和消费金额这三个数据，本发明技术方案中改进为更贴近供应商用户行为的中标时间间隔、订单时间间隔、中标次数、订单次数、中标金额、订单金额这六个方向的数据，并依据模型得到的六个数据的评估值，利用这种分区机制，能够将供应商行为细分为3个大类，每个大类4个子类，共计64种用户分区；并且，依据分值的高低，能够得到对供应商的行为数据的基本描述，具体描述如下表1、2、3所示。
表1
表2
表3
从表1、2、3可以看出本发明技术方案中改进为更贴近供应商用户行为的中标时间间隔、订单时间间隔、中标次数、订单次数、中标金额、订单金额这六个方向的数据，并依据模型得到的六个数据的评估值，利用这种分区机制，能够将供应商行为细分为3个大类，每个大类4个子类，共计64种用户分区；多种用户分区，能够覆盖供应链金融的精准营销所需的用户划分，辅助实现营销的精准性。
步骤S104：针对每个企业用户，根据该企业用户的分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。
本步骤中，针对每个企业用户，统计该企业用户的分区编码中1的数量，将统计结果作为该企业用户的分区结果，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。
如下表4所示，分区结果可划分为7类，规则设定如下：
表4
更优地，在得到各企业用户的分区编码之后，还可利用已有的企业用户的分区编码训练分类器，进而利用训练后的分类器输出新的企业用户的分区编码：
以各企业用户的订单信息、中标信息作为自变量，各企业用户的分区编码作为因变量训练分类器；
将新的企业用户的订单信息、中标信息输入到训练后的分类器，根据所述分类器的输出确定该新的企业用户的分区编码。进而，根据该新的企业用户的分区编码中1的数量对该新的企业用户进行分区，根据分区结果所对应的精准营销策略为该新的企业用户进行精准营销，实现辅助新用户的精准营销。
上述步骤S101中得到企业用户的相关信息的评估值的具体方法，流程可以如图2所示，包括如下步骤：
步骤S201：对企业用户在中标与生成订单过程中的量值特征进行时域-频域波形变换，得到相应的频率特征。
本步骤中，将企业用户的货品的中标时间与中标数量的对应关系、订单时间与订单数量的对应关系、中标时间与中标金额的对应关系、订单时间与订单金额的对应关系，经过时域-频域波形变换后，分别得到所述企业用户的中标数量、订单数量、中标金额、订单金额的频率特征。
更优地，所述企业用户的货品具体可以包括多种品类的货品，且各品类分别设置了归一化的权重；相应地，本步骤中对企业用户在中标与生成订单过程中的量值特征进行时域-频域波形变换，得到相应的频率特征的具体方法流程，如图3所示，包括如下子步骤：
子步骤S301：时域-频域波形变换；
本子步骤中，对于每种品类的货品，将企业用户的该品类的货品的中标时间与中标数量的对应关系、订单时间与订单数量的对应关系、中标时间与中标金额的对应关系、订单时间与订单金额的对应关系，经过时域-频域波形变换后，分别得到该品类的货品的中标数量、订单数量、中标金额、订单金额的频率特征；
子步骤S302：对时域-频域波形变换得到的频率特征进行权重修正计算。
本子步骤中，将每种品类的货品的中标数量的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的中标数量的频率特征；
将每种品类的货品的订单数量的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的订单数量的频率特征；
将每种品类的货品的中标金额的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的中标金额的频率特征；
将每种品类的货品的订单金额的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的订单金额的频率特征。
上述的时域-频域波形变换具体可以是小波变换、傅里叶变换、或拉普拉斯变换。
步骤S202：将得到的频率特征输入到RFM模型，获得所述RFM模型输出的评估值。
具体地，将所述中标时间间隔、中标数量的频率特征、中标金额的频率特征作为RFM(Recency Frequency Monetary，近期频率金额)模型(又称互联网营销模型)的输入，获得所述RFM模型输出的所述中标时间间隔、中标数量的频率特征、中标金额的频率特征的评估值；
将所述订单时间间隔、订单数量的频率特征、订单金额的频率特征作为RFM模型的输入，获得所述RFM模型输出的订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；
较佳地，中标时间间隔具体可以是最近两次中标时间的时间差，订单时间间隔具体可以是最近两次订单时间的时间差。
基于上述的适用于企业用户的精准营销方法，本发明实施例提供的一种适用于企业用户的精准营销装置，内部结构如图4所示，包括：评估值计算模块401、分区营销模块402。
评估值计算模块401用于通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；
分区营销模块402用于针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。其中，所述6个阈值具体分别为：第一、二、三、四、五、六阈值；
进一步，本发明实施例提供的一种适用于企业用户的精准营销装置还可包括：阈值调整模块403。
阈值调整模块403用于对所述6个阈值进行动态调整：将各企业用户的中标时间间隔的评估值进行排序，根据排序结果设定第一阈值；将各企业用户的中标数量的频率特征的评估值进行排序，根据排序结果设定第二阈值；将各企业用户的中标金额的频率特征的评估值进行排序，根据排序结果设定第三阈值；将各企业用户的订单时间间隔的评估值进行排序，根据排序结果设定第四阈值；将各企业用户的订单数量的频率特征的评估值进行排序，根据排序结果设定第五阈值；将各企业用户的订单金额的频率特征的评估值进行排序，根据排序结果设定第六阈值。
更优地，本发明实施例提供的一种适用于企业用户的精准营销装置还可包括：分类器训练模块404、新用户分区模块405。
分类器训练模块404用于以各企业用户的订单信息、中标信息作为自变量，各企业用户的分区编码作为因变量训练分类器；
新用户分区模块405用于将新的企业用户的订单信息、中标信息输入到训练后的分类器，根据所述分类器的输出确定该新的企业用户的分区编码。进而，可以根据该新的企业用户的分区编码中1的数量对该新的企业用户进行分区，根据分区结果所对应的精准营销策略为该新的企业用户进行精准营销，实现辅助新用户的精准营销。
本发明实施例提供的一种适用于企业用户的精准营销装置中各模块的具体功能的实现方法可参考上述图1所示流程各步骤中的方法，此处不再赘述。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明实施例所提供的一种适用于企业用户的精准营销方法。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本发明实施例方案所必需的组件，而不必包含图中所示的全部组件。
本发明的技术方案中，通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。从而本发明技术方案中通过RFM模型得到的六个针对用户的中标信息以及订单信息的评估值，相比于传统的互联网营销模型，通过三个方向的数据的分析，可以完全覆盖供应链中供应商的企业用户的全部的业务数据，从而根据评估值得到的分区结果所对应的精准营销策略可以更为适用于企业级用户。
而且，本发明技术方案中，还可根据评估值序列的大小变化动态调整阈值，相比于现有技术的精准营销得分的阈值设置上，多采用静态的、指定的、估计的设置方式，本发明技术方案中的阈值的生成方式更灵活、更客观，使得基于阈值的分区更为合理。
进一步，本发明技术方案中利用已有用户的的中标信息、订单信息，以及分区编码训练分类器，再利用经过训练后的分类器预测新用户的分区编码，从而实现新老用户兼顾的精准营销：
事实上，现有技术在精准营销上，存在局限性，有的技术适用于新用户精准营销，但是对已有用户的营销方法上存在不足；有的技术适用于已经有大量数据积累的已有用户，对数据量稀疏的新用户推荐上，存在不准确的现象。
而本发明技术方案中，老用户采用基于RFM模型的精准营销推荐分区的推荐结果；新用户利用训练好的分类器进行分类预测，之后根据预测的新用户的分区编码的分区结果所对应的精准营销推荐分区，实现辅助新用户的精准营销。从而实现新老用户兼顾的精准营销，并解决现有技术中面对新用户的精准营销，因其获得数据稀疏，存在冷启动的问题。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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)
1.一种适用于企业用户的精准营销方法，其特征在于，包括：
通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；
针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。
2.根据权利要求1所述的方法，其特征在于，所述6个阈值具体分别为：第一、二、三、四、五、六阈值；以及
在所述针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较之前，还包括：对所述6个阈值进行动态调整的过程：
将各企业用户的中标时间间隔的评估值进行排序，根据排序结果设定第一阈值；
将各企业用户的中标数量的频率特征的评估值进行排序，根据排序结果设定第二阈值；
将各企业用户的中标金额的频率特征的评估值进行排序，根据排序结果设定第三阈值；
将各企业用户的订单时间间隔的评估值进行排序，根据排序结果设定第四阈值；
将各企业用户的订单数量的频率特征的评估值进行排序，根据排序结果设定第五阈值；
将各企业用户的订单金额的频率特征的评估值进行排序，根据排序结果设定第六阈值。
3.根据权利要求1所述的方法，其特征在于，在所述针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码之后，还包括：
以各企业用户的订单信息、中标信息作为自变量，各企业用户的分区编码作为因变量训练分类器。
4.根据权利要求3所述的方法，其特征在于，在所述训练分类器后，还包括：
将新的企业用户的订单信息、中标信息输入到训练后的分类器，根据所述分类器的输出确定该新的企业用户的分区编码。
5.根据权利要求1-4任一所述的方法，其特征在于，所述通过RFM模型得到企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值，具体包括：
将企业用户的货品的中标时间与中标数量的对应关系、订单时间与订单数量的对应关系、中标时间与中标金额的对应关系、订单时间与订单金额的对应关系，经过时域-频域波形变换后，分别得到所述企业用户的中标数量、订单数量、中标金额、订单金额的频率特征；
将所述中标时间间隔、中标数量的频率特征、中标金额的频率特征作为RFM模型的输入，获得所述RFM模型输出的所述中标时间间隔、中标数量的频率特征、中标金额的频率特征的评估值；
将所述订单时间间隔、订单数量的频率特征、订单金额的频率特征作为RFM模型的输入，获得所述RFM模型输出的订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值。
6.根据权利要求5所述的方法，其特征在于，所述企业用户的货品包括多种品类的货品，且各品类分别设置了归一化的权重；以及
所述将企业用户的货品的中标时间与中标数量的对应关系、订单时间与订单数量的对应关系、中标时间与中标金额的对应关系、订单时间与订单金额的对应关系，经过时域-频域波形变换后，分别得到所述企业用户的中标数量、订单数量、中标金额、订单金额的频率特征，具体为：
对于每种品类的货品，将企业用户的该品类的货品的中标时间与中标数量的对应关系、订单时间与订单数量的对应关系、中标时间与中标金额的对应关系、订单时间与订单金额的对应关系，经过时域-频域波形变换后，分别得到该品类的货品的中标数量、订单数量、中标金额、订单金额的频率特征；
将每种品类的货品的中标数量的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的中标数量的频率特征；
将每种品类的货品的订单数量的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的订单数量的频率特征；
将每种品类的货品的中标金额的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的中标金额的频率特征；
将每种品类的货品的订单金额的频率特征分别与每种品类的权重相乘后，将得到的乘积结果求和得到所述企业用户的订单金额的频率特征。
7.一种适用于企业用户的精准营销装置，其特征在于，包括：
评估值计算模块，用于通过RFM模型得到各企业用户的中标时间间隔、中标数量的频率特征、中标金额的频率特征、订单时间间隔、订单数量的频率特征、订单金额的频率特征的评估值；
分区营销模块，用于针对每个企业用户，将该企业用户的各评估值分别与设定的6个阈值进行比较，根据比较结果将各评估值映射为二进制的0或1，得到该企业用户的分区编码；进而根据分区编码中1的数量对该企业用户进行分区，根据分区结果所对应的精准营销策略为该企业用户进行精准营销。
8.根据权利要求7所述的装置，其特征在于，所述6个阈值具体分别为：第一、二、三、四、五、六阈值；以及所述装置还包括：
阈值调整模块，用于对所述6个阈值进行动态调整：将各企业用户的中标时间间隔的评估值进行排序，根据排序结果设定第一阈值；将各企业用户的中标数量的频率特征的评估值进行排序，根据排序结果设定第二阈值；将各企业用户的中标金额的频率特征的评估值进行排序，根据排序结果设定第三阈值；将各企业用户的订单时间间隔的评估值进行排序，根据排序结果设定第四阈值；将各企业用户的订单数量的频率特征的评估值进行排序，根据排序结果设定第五阈值；将各企业用户的订单金额的频率特征的评估值进行排序，根据排序结果设定第六阈值。
9.根据权利要求7所述的装置，其特征在于，还包括：
分类器训练模块，用于以各企业用户的订单信息、中标信息作为自变量，各企业用户的分区编码作为因变量训练分类器；
新用户分区模块，用于将新的企业用户的订单信息、中标信息输入到训练后的分类器，根据所述分类器的输出确定该新的企业用户的分区编码。
10.一种电子设备，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程序时实现如权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010462173.0A CN111798265A (zh) | 2020-05-27 | 2020-05-27 | 一种适用于企业用户的精准营销方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010462173.0A CN111798265A (zh) | 2020-05-27 | 2020-05-27 | 一种适用于企业用户的精准营销方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111798265A true CN111798265A (zh) | 2020-10-20 |
Family
ID=72806564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010462173.0A Pending CN111798265A (zh) | 2020-05-27 | 2020-05-27 | 一种适用于企业用户的精准营销方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798265A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339806A (zh) * | 2016-08-24 | 2017-01-18 | 北京创业公社征信服务有限公司 | 一种面向企业信息的行业全息画像构建方法及系统 |
| CN107133719A (zh) * | 2017-04-17 | 2017-09-05 | 北京科技大学 | 一种供应商价值评价方法 |
| CN108564393A (zh) * | 2018-03-14 | 2018-09-21 | 深圳市和讯华谷信息技术有限公司 | 潜在客户评分方法、装置和系统 |
| CN109272308A (zh) * | 2018-09-20 | 2019-01-25 | 新疆玖富万卡信息技术有限公司 | 动态获取用户评级等级信息并定制分期服务的方法及系统 |
| CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、系统、介质和电子设备 |
| CN111080241A (zh) * | 2019-12-04 | 2020-04-28 | 贵州非你莫属人才大数据有限公司 | 一种基于互联网平台的数据化人才管理分析系统 |
-
2020
- 2020-05-27 CN CN202010462173.0A patent/CN111798265A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339806A (zh) * | 2016-08-24 | 2017-01-18 | 北京创业公社征信服务有限公司 | 一种面向企业信息的行业全息画像构建方法及系统 |
| CN107133719A (zh) * | 2017-04-17 | 2017-09-05 | 北京科技大学 | 一种供应商价值评价方法 |
| CN108564393A (zh) * | 2018-03-14 | 2018-09-21 | 深圳市和讯华谷信息技术有限公司 | 潜在客户评分方法、装置和系统 |
| CN109272308A (zh) * | 2018-09-20 | 2019-01-25 | 新疆玖富万卡信息技术有限公司 | 动态获取用户评级等级信息并定制分期服务的方法及系统 |
| CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、系统、介质和电子设备 |
| CN111080241A (zh) * | 2019-12-04 | 2020-04-28 | 贵州非你莫属人才大数据有限公司 | 一种基于互联网平台的数据化人才管理分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6676167B2 (ja) | 情報推薦方法及び装置 | |
| CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
| WO2019169977A1 (zh) | 一种信息转化率的预测、信息推荐方法和装置 | |
| CN110727868B (zh) | 对象推荐方法、装置和计算机可读存储介质 | |
| CN108388509B (zh) | 一种软件测试方法、计算机可读存储介质及终端设备 | |
| US20210117792A1 (en) | Methods and apparatus to facilitate continuous learning | |
| CN116823409B (zh) | 一种基于目标搜索数据的智能筛选方法及系统 | |
| CN109934684A (zh) | 一种商品推荐方法、装置、终端及存储介质 | |
| CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
| CN116362823A (zh) | 用于行为稀疏场景的推荐模型训练方法、推荐方法及装置 | |
| CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
| CN111798265A (zh) | 一种适用于企业用户的精准营销方法和装置 | |
| CN112766995A (zh) | 物品推荐方法、装置、终端设备及存储介质 | |
| US20230120224A1 (en) | Prediction model training apparatus and method | |
| CN115577798A (zh) | 基于随机加速梯度下降的半联邦学习方法及装置 | |
| CN108154377B (zh) | 广告作弊预测方法及装置 | |
| CN114676272A (zh) | 多媒体资源的信息处理方法、装置、设备及存储介质 | |
| US10223728B2 (en) | Systems and methods of providing recommendations by generating transition probability data with directed consumption | |
| CN114417964A (zh) | 卫星运营商分类方法、装置及电子设备 | |
| CN108062338A (zh) | 一种评估功能页面的导航能力的方法及装置 | |
| CN113850523A (zh) | 基于数据补全的esg指数确定方法及相关产品 | |
| CN113223017A (zh) | 目标分割模型的训练方法、目标分割方法及设备 | |
| CN111461328A (zh) | 一种神经网络的训练方法及电子设备 | |
| CN111797307B (zh) | 一种企业用户的画像方法和装置 |
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 |