CN112215655A - 一种客户画像的标签管理方法及系统 - Google Patents

一种客户画像的标签管理方法及系统 Download PDF

Info

Publication number
CN112215655A
CN112215655A CN202011091909.4A CN202011091909A CN112215655A CN 112215655 A CN112215655 A CN 112215655A CN 202011091909 A CN202011091909 A CN 202011091909A CN 112215655 A CN112215655 A CN 112215655A
Authority
CN
China
Prior art keywords
label
data
value
cluster
client
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
Application number
CN202011091909.4A
Other languages
English (en)
Other versions
CN112215655B (zh
Inventor
吴裕宙
何志强
骆华
谭伟聪
任龙霞
袁文伟
刘沛
梁永昌
尹玉芬
王伟然
谢庆新
叶智德
林建文
李韵诗
卢璇君
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.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202011091909.4A priority Critical patent/CN112215655B/zh
Publication of CN112215655A publication Critical patent/CN112215655A/zh
Application granted granted Critical
Publication of CN112215655B publication Critical patent/CN112215655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种客户画像的标签管理方法及系统，方法包括：对采集的原始数据进行初步处理、数据分析，对电力营销业务系统中的用户特征数据进行分析，计算出每个用户的标签；依据多系统的数据基础，基于标签体系和预先定义的标签规则，利用数据分析工具引擎分析数据并构建标签体系；利用画像引擎在业务场景中即时刻画任务标签，依据任务标签进行画像刻画；对应图像刻画与各个应用，形成统一的应用管理体系，并针对不同的标签客户群体提供不同的服务；本发明通过电力营销业务系统中的用户特征数据提取用户特征，制定基于业务需求的电力客户标签集合，再与各个应用系统的对接应用建设，逐步形成统一的应用管理体系、应用策略，确保标签使用价值。

Description

一种客户画像的标签管理方法及系统
技术领域
本发明涉及电力系统技术领域，具体涉及一种客户画像的标签管理方法及系统。
背景技术
目前在营销系统中存在客户分群体系，此体系分类基于客户基础信息的客户分群记录的数据。现有的客户分群体系无法灵活的描述用电客户具有的特征，包含的描述信息不足，不能细化具体客户群体，无法筛选具有某些共同特征的用户群体，在描述单一用户特征时不够灵活，同时分群的定义不具有业务含义，不能在业务上提供更多的帮助。
现有的客户特征描述更多的是基于客户的基础信息，不能满足对客户特征的描述需求。
发明内容
为此，本发明提供一种客户画像的标签管理方法及系统，通过对客户特征数据分析以解决现有技术中不能满足对客户特征描述需求的问题。
为了实现上述目的，本发明提供如下技术方案：
一种客户画像的标签管理方法，包括：
对采集的原始数据进行初步处理；
将初步处理后的数据进行数据分析，对电力营销业务系统中的用户特征数据进行分析，并通过逻辑回归、决策树和聚类分析的大数据算法计算出每个用户的标签；
依据多系统的数据基础，基于预先设计的标签体系和预先定义的标签规则，利用数据分析工具引擎分析数据并构建标签体系；
利用画像引擎在业务场景中即时刻画任务标签，依据任务标签进行画像刻画；
将生成的图像刻画与各个应用对应起来，形成统一的应用管理体系，并针对不同的标签客户群体提供不同的服务。
可选的，所述对采集的原始数据进行初步处理，包括：
读取原始数据，对原始数据中的空值、缺失值、唯一值和异常值进行检验；
其中，对空值和缺失值的比例进行计算，将空值或缺失值占比大于40％的变量做删除处理，将空值或缺失值占比小于等于40％的变量通过三次样条插值法进行填充处理；
对唯一值和异常值均做删除处理。
可选的，所述将初步处理后的数据进行数据分析为变量之间相似度的计算，包括：
对连续数据进行数据离散化处理得到离散化数据；
将离散化数据和原始数据中的离散型数据进行数据合并，并计算其woe-iv值；
对计算获得iv值进行排序，并设定iv值的判定阈值，将小于iv值判定阈值的变量剔除，将大于等于iv值判定阈值的变量留存。
可选的，所述聚类分析采用Kmeans聚类算法。
可选的，所述Kmeans聚类算法包括：
随机选取k个对象作为初始的k个簇的质心；
将其余对象根据其与各个簇质心的距离分配到最近的簇，再求新形成簇的质心；
重复执行上述迭代重定位过程，直到目标函数最小化或者簇的质心不再变化为止。
可选的，所述对象与各个簇质心的距离满足如下原则：
非负性：d(i，j)>0 if i≠j，and d(i,i)＝0；
对称性：d(i，j)＝d(j，i)；
三角不等式：d(i，j)≤d(i，k)+d(k，j)；
其中d(i，j)、d(j，i)以及d(i，k)、d(k，j)均为对象与簇质心之间的距离。
可选的，所述对象与簇质心之间的距离的计算方法包括：
根据闵可夫斯基距离公式计算所述对象与各个簇质心之间的距离，计算公式为：
Figure BDA0002722403060000031
其中，i＝(xi1，xi2，...，xip)和j＝(xj1，xj2，...，xjp)为p维数据对象，xi1，xi2，...，xip以及xj1，xj2，...，xjp均为坐标值数据对象的坐标值，h为维度；或，
根据曼哈顿距离公式计算对象与各个簇质心之间的距离，包括：
d(i，j)＝|xi1-xj1|+|xi2-xj2|+...+|xip-xjp|；
其中，h＝1；或
根据欧几里德距离公式计算对象与各个簇质心之间的距离，包括：
Figure BDA0002722403060000032
其中，h＝2。
可选的，在所述Kmeans聚类算法中，输入期望得到簇的数目k以及n个对象的数据库，输出使得平方误差准则函数最小化的k个簇。
可选的，所述标签体系包括属性标签、需求标签和行为标签。
本发明还提供了一种客户画像的标签管理系统，用于实现如上所述的客户画像的标签管理方法，包括：
数据预处理模块，用于对采集的原始数据进行初步处理；
数据分析模块，用于将初步处理后的数据进行数据分析，对电力营销业务系统中的用户特征数据进行分析，并通过逻辑回归、决策树和聚类分析的大数据算法计算出每个用户的标签；
标签体系构建模块，接入多系统数据，用于依托数据基础，基于预先设计的标签体系和预先定义的标签规则，利用数据分析工具引擎分析数据并构建标签体系；
刻画模块，用于利用画像引擎在业务场景中即时刻画任务标签，依据任务标签进行画像刻画；
应用模块，用于将生成的图像刻画与各个应用对应起来，形成统一的应用管理体系，并针对不同的标签客户群体提供不同的服务。
本发明具有如下优点：
本发明通过电力营销业务系统中的用户特征数据提取用户特征，制定基于业务需求的电力客户标签集合，利用画像引擎生成个人和群体的画像及分析，再到最终与各个应用系统的对接应用建设，逐步形成统一的应用管理体系、应用策略，确保标签使用价值。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明提供的一种客户画像的标签管理系统的结构框图；
图2为本发明提供的一种客户画像的标签管理方法的流程图。
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，显然，所描述的实施例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。
如图1所示，本发明提供了一种客户画像的标签管理系统，包括：
数据预处理模块10，用于对采集的原始数据进行初步处理；
数据分析模块20，用于将初步处理后的数据进行数据分析，对电力营销业务系统中的用户特征数据进行分析，并通过逻辑回归、决策树和聚类分析的大数据算法计算出每个用户的标签；
标签体系构建模块30，接入多系统数据，用于依托数据基础，基于预先设计的标签体系和预先定义的标签规则，利用数据分析工具引擎分析数据并构建标签体系；
刻画模块40，用于利用画像引擎在业务场景中即时刻画任务标签，依据任务标签进行画像刻画；
应用模块50，用于将生成的图像刻画与各个应用对应起来，形成统一的应用管理体系，并针对不同的标签客户群体提供不同的服务。
请参阅图2，基于前述实施例，本实施例提供一种客户画像的标签管理方法，用于对已经数据处理完成的数据进行数据建模，对于无监督的算法建模，本次采用的为聚类算法kmeans算法，通过这一算法对用户数据进行用户分群处理，根据分群结果进行数据探索分析，总结用户标签的定义规则。
对于有监督的算法建模，本次采用的为逻辑回归和决策树算法，分别将数据处理得到的变量数据输入到以上两种模型算法中，训练模型，对训练完成的数据进行模型测试，评价模型的有效性，针对模型结果进行模型调优，模型效果达到预期效果后对预测数据进行标签预测，计算出用户标签。
具体地，本实施例提供的客户画像的标签管理方法包括如下步骤：
S1、对采集的原始数据进行初步处理；
S2、将初步处理后的数据进行数据分析，对电力营销业务系统中的用户特征数据进行分析，并通过逻辑回归、决策树和聚类分析的大数据算法计算出每个用户的标签；
S3、依据多系统的数据基础，基于预先设计的标签体系和预先定义的标签规则，利用数据分析工具引擎分析数据并构建标签体系；
S4、利用画像引擎在业务场景中即时刻画任务标签，依据任务标签进行画像刻画；
S5、将生成的图像刻画与各个应用对应起来，形成统一的应用管理体系，并针对不同的标签客户群体提供不同的服务。
Kmeans聚类算法的具体步骤为：
随机选取k个对象作为初始的k个簇的质心；
将其余对象根据其与各个簇质心的距离分配到最近的簇，再求新形成簇的质心；
重复执行上述迭代重定位过程，直到目标函数最小化或者簇的质心不再变化为止。
其中，对象与各个簇质心的距离满足如下原则：
非负性：d(i，j)＞0 if i≠j，and d(i，i)＝0；
对称性：d(i，j)＝d(j，i)；
三角不等式：d(i，j)≤d(i，k)+d(k，j)；
其中d(i，j)、d(j，i)以及d(i，k)、d(k，j)均为对象与簇质心之间的距离。
对象与簇质心之间的距离的计算方法包括：
根据闵可夫斯基距离公式计算对象与各个簇质心之间的距离，计算公式：
Figure BDA0002722403060000061
其中，i＝(xi1，xi2，...，xip)和j＝(xj1，xj2，...，xjp)是p维数据对象，xi1，xi2，...，xip以及xj1，xj2，...，xjp均为坐标值数据对象的坐标值，h为维度；
根据曼哈顿距离公式计算对象与各个簇质心之间的距离时，h＝1，具体为：
d(i，j)＝|xi1-xj1|+|xi2-xj2|+...+|xip-xjp|；
根据欧几里德距离公式计算对象与各个簇质心之间的距离时，h＝2，具体为：
Figure BDA0002722403060000062
在Kmeans聚类算法中，输入期望得到簇的数目k以及n个对象的数据库，输出使得平方误差准则函数最小化的k个簇。
有监督算法，如逻辑回归和决策树算法，在客户标签的预测过程中，使用有监督学习算法可使得标签预测结果更加精准。而无监督算法，如聚类算法，在使用过程中无需具有因变量，即可只针对自变量进行分群处理。
本发明通过将无监督算法和有监督算法结合使用的方式来解决无监督学习算法的模型低准确率和有监督学习的定义标签规则问题，首先通过聚类算法对客户信息数据进行聚类，对客户进行粗略分群，通过分群之后的数据结果进行数据探索分析，通过分析其中的规律来定义标签规则，定义标签规则之后，运用决策树算法和逻辑回归算法对预测数据进行标签预测计算。
在本实施方式中，电力客户画像是“互联网+电力营销”的典型应用之一，可以有效识别客户特征，洞悉客户需求，提供精准化、个性化的优质服务手段。
而电力客户标签则是客户画像的基本构成单元，通过分析用电信息采集系统、营销业务应用系统、电话客户服务系统等信息化系统中的用户台账、用电数据、缴费信息、GIS数据等企业内部数据，结合商业信息点、互联网交易平台等外部数据，提取用户特征，制定基于业务需求的电力客户标签集合。
在本发明中，客户画像是一个系统的工程，基于业务分析需要的客户画像主题建立标签体系，通过数据挖掘技术构建隐性标签，利用画像引擎生成个人和群体的画像及分析，再到最终与各个应用系统的对接应用建设，逐步形成统一的应用管理体系、应用策略，确保标签使用价值。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种客户画像的标签管理方法，其特征在于，包括：
对采集的原始数据进行初步处理；
将初步处理后的数据进行数据分析，对电力营销业务系统中的用户特征数据进行分析，并通过逻辑回归、决策树和聚类分析的大数据算法计算出每个用户的标签；
依据多系统的数据基础，基于预先设计的标签体系和预先定义的标签规则，利用数据分析工具引擎分析数据并构建标签体系；
利用画像引擎在业务场景中即时刻画任务标签，依据任务标签进行画像刻画；
将生成的图像刻画与各个应用对应起来，形成统一的应用管理体系，并针对不同的标签客户群体提供不同的服务。
2.根据权利要求1所述的一种客户画像的标签管理方法，其特征在于，所述对采集的原始数据进行初步处理，包括：
读取原始数据，对原始数据中的空值、缺失值、唯一值和异常值进行检验；
其中，对空值和缺失值的比例进行计算，将空值或缺失值占比大于40％的变量做删除处理，将空值或缺失值占比小于等于40％的变量通过三次样条插值法进行填充处理；
对唯一值和异常值均做删除处理。
3.根据权利要求1所述的一种客户画像的标签管理方法，其特征在于，所述将初步处理后的数据进行数据分析为变量之间相似度的计算，包括：
对连续数据进行数据离散化处理得到离散化数据；
将离散化数据和原始数据中的离散型数据进行数据合并，并计算其woe-iv值；
对计算获得iv值进行排序，并设定iv值的判定阈值，将小于iv值判定阈值的变量剔除，将大于等于iv值判定阈值的变量留存。
4.根据权利要求1所述的一种客户画像的标签管理方法，其特征在于，所述聚类分析采用Kmeans聚类算法。
5.根据权利要求4所述的一种客户画像的标签管理方法，其特征在于，所述Kmeans聚类算法包括：
随机选取k个对象作为初始的k个簇的质心；
将其余对象根据其与各个簇质心的距离分配到最近的簇，再求新形成簇的质心；
重复执行上述迭代重定位过程，直到目标函数最小化或者簇的质心不再变化为止。
6.根据权利要求5所述的一种客户画像的标签管理方法，其特征在于，所述对象与各个簇质心的距离满足如下原则：
非负性：d(i，j)>0 if i≠j，and d(i,i)＝0；
对称性：d(i，j)＝d(j，i)；
三角不等式：d(i，j)≤d(i，k)+d(k，j)；
其中d(i，j)、d(j，i)以及d(i，k)、d(k，j)均为对象与簇质心之间的距离。
7.根据权利要求6所述的一种客户画像的标签管理方法，其特征在于，所述对象与簇质心之间的距离的计算方法包括：
根据闵可夫斯基距离公式计算所述对象与各个簇质心之间的距离，计算公式为：
Figure FDA0002722403050000021
其中，i＝(xi1,xi2,…,xip)和j＝(xj1,xj2,…,xjp)为p维数据对象，xi1,xi2,…,xip以及xj1,xj2,…,xjp均为坐标值数据对象的坐标值，h为维度；或，
根据曼哈顿距离公式计算对象与各个簇质心之间的距离，包括：
d(i，j)＝|xi1-xj1|+|xi2-xj2|+...+|xip-xjp|；
其中，h＝1；或
根据欧几里德距离公式计算对象与各个簇质心之间的距离，包括：
Figure FDA0002722403050000031
其中，h＝2。
8.根据权利要求7所述的一种客户画像的标签管理方法，其特征在于，在所述Kmeans聚类算法中，输入期望得到簇的数目k以及n个对象的数据库，输出使得平方误差准则函数最小化的k个簇。
9.根据权利要求1所述的一种客户画像的标签管理方法，其特征在于，所述标签体系包括属性标签、需求标签和行为标签。
10.一种客户画像的标签管理系统，其特征在于，用于实现如权利要求1至9任一项所述的客户画像的标签管理方法，包括：
数据预处理模块，用于对采集的原始数据进行初步处理；
数据分析模块，用于将初步处理后的数据进行数据分析，对电力营销业务系统中的用户特征数据进行分析，并通过逻辑回归、决策树和聚类分析的大数据算法计算出每个用户的标签；
标签体系构建模块，接入多系统数据，用于依托数据基础，基于预先设计的标签体系和预先定义的标签规则，利用数据分析工具引擎分析数据并构建标签体系；
刻画模块，用于利用画像引擎在业务场景中即时刻画任务标签，依据任务标签进行画像刻画；
应用模块，用于将生成的图像刻画与各个应用对应起来，形成统一的应用管理体系，并针对不同的标签客户群体提供不同的服务。
CN202011091909.4A 2020-10-13 2020-10-13 一种客户画像的标签管理方法及系统 Active CN112215655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011091909.4A CN112215655B (zh) 2020-10-13 2020-10-13 一种客户画像的标签管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011091909.4A CN112215655B (zh) 2020-10-13 2020-10-13 一种客户画像的标签管理方法及系统

Publications (2)

Publication Number Publication Date
CN112215655A true CN112215655A (zh) 2021-01-12
CN112215655B CN112215655B (zh) 2023-04-28

Family

ID=74053852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011091909.4A Active CN112215655B (zh) 2020-10-13 2020-10-13 一种客户画像的标签管理方法及系统

Country Status (1)

Country Link
CN (1) CN112215655B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064936A (zh) * 2021-03-31 2021-07-02 深圳供电局有限公司 一种用户画像方法及其系统、存储介质
CN113516313A (zh) * 2021-07-20 2021-10-19 上海航天能源股份有限公司 一种基于用户画像的燃气异常检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9275374B1 (en) * 2011-11-15 2016-03-01 Google Inc. Method and apparatus for pre-fetching place page data based upon analysis of user activities
CN108764939A (zh) * 2018-05-11 2018-11-06 深圳供电局有限公司 一种电力企业客户关系管理系统及其方法
CN109871393A (zh) * 2019-03-05 2019-06-11 云南电网有限责任公司信息中心 一种基于标签体系的取数方法
CN109919652A (zh) * 2019-01-17 2019-06-21 平安城市建设科技(深圳)有限公司 用户群体分类方法、装置、设备及存储介质
CN110347712A (zh) * 2019-05-21 2019-10-18 平安科技（深圳）有限公司 一种基于用户画像的业务平台出价逻辑的测试方法及装置
CN111159258A (zh) * 2019-12-31 2020-05-15 科技谷（厦门）信息技术有限公司 一种基于聚类分析的客户分群实现方法
CN111160992A (zh) * 2020-01-02 2020-05-15 焦点科技股份有限公司 一种基于用户画像体系的营销系统
CN111640040A (zh) * 2020-04-07 2020-09-08 国网新疆电力有限公司 基于客户画像技术的供电客户价值评价方法及大数据平台
CN111724039A (zh) * 2020-05-26 2020-09-29 河海大学 一种向电力用户推荐客服人员的推荐方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9275374B1 (en) * 2011-11-15 2016-03-01 Google Inc. Method and apparatus for pre-fetching place page data based upon analysis of user activities
CN108764939A (zh) * 2018-05-11 2018-11-06 深圳供电局有限公司 一种电力企业客户关系管理系统及其方法
CN109919652A (zh) * 2019-01-17 2019-06-21 平安城市建设科技(深圳)有限公司 用户群体分类方法、装置、设备及存储介质
CN109871393A (zh) * 2019-03-05 2019-06-11 云南电网有限责任公司信息中心 一种基于标签体系的取数方法
CN110347712A (zh) * 2019-05-21 2019-10-18 平安科技（深圳）有限公司 一种基于用户画像的业务平台出价逻辑的测试方法及装置
CN111159258A (zh) * 2019-12-31 2020-05-15 科技谷（厦门）信息技术有限公司 一种基于聚类分析的客户分群实现方法
CN111160992A (zh) * 2020-01-02 2020-05-15 焦点科技股份有限公司 一种基于用户画像体系的营销系统
CN111640040A (zh) * 2020-04-07 2020-09-08 国网新疆电力有限公司 基于客户画像技术的供电客户价值评价方法及大数据平台
CN111724039A (zh) * 2020-05-26 2020-09-29 河海大学 一种向电力用户推荐客服人员的推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
傅军等: "电力用户行为画像构建技术研究", 《电气应用》 *
程蕊等: "基于电力营销大数据的客户画像体系研究与应用", 《第三届智能电网会议论文集》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064936A (zh) * 2021-03-31 2021-07-02 深圳供电局有限公司 一种用户画像方法及其系统、存储介质
CN113516313A (zh) * 2021-07-20 2021-10-19 上海航天能源股份有限公司 一种基于用户画像的燃气异常检测方法

Also Published As

Publication number Publication date
CN112215655B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN103513983B (zh) 用于预测性警报阈值确定工具的方法和系统
CN109255586B (zh) 一种面向电子政务办事的在线个性化推荐方法
CN107622326B (zh) 用户分类、可用资源预测方法、装置及设备
JP6001871B2 (ja) 混合モデルの構築方法
CN112215655B (zh) 一种客户画像的标签管理方法及系统
CN112052891A (zh) 机器行为识别方法、装置、设备及计算机可读存储介质
CN113762703A (zh) 确定企业画像的方法和装置、计算设备和存储介质
WO2020147259A1 (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN115619245A (zh) 一种基于数据降维方法的画像构建和分类方法及系统
Anand et al. Clustering of big data in cloud environments for smart applications
CN115080868A (zh) 产品推送方法、装置、计算机设备、存储介质和程序产品
CN115062087A (zh) 一种用户画像构建方法、装置、设备和介质
CN111310462A (zh) 用户属性的确定方法、装置、设备及存储介质
Zhang et al. CRUC: Cold-start recommendations using collaborative filtering in internet of things
CN116541166A (zh) 一种超算算力调度服务器及资源管理方法
CN116227989A (zh) 多维度的业务信息化监督方法及系统
Bu et al. A High‐Order CFS Algorithm for Clustering Big Data
CN116127189A (zh) 用户运营方法、装置、设备以及计算机存储介质
CN115146103A (zh) 图像检索方法、装置、计算机设备、存储介质和程序产品
CN114298245A (zh) 异常检测方法、装置、存储介质和计算机设备
Arputhamary et al. Performance Improved Holt-Winter’s (PIHW) Prediction Algorithm for Big Data Environment
CN115686867B (zh) 一种基于云计算的数据挖掘方法、装置、系统、设备以及介质
Ahmed et al. Scaling up for high dimensional and high speed data streams: HSDStream
US11934384B1 (en) Systems and methods for providing a nearest neighbors classification pipeline with automated dimensionality reduction
Sun et al. pGrid: Parallel grid-based data stream clustering with mapreduce

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