CN112232612A - 客户资料智能分发方法和装置 - Google Patents

Abstract

本发明实施例提供一种客户资料智能分发方法和装置，属于数据处理领域。该方法包括：采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据；基于智能分发模型，根据所述客户特征数据以及所述每个销售人员的销售特征数据，得到所述每个销售人员的销售成单概率；以及根据所述每个销售人员的销售成单概率，分发所述客户资料。该客户资料智能分发方法和装置可以将优质的客户资料分配给合适的销售人员跟进。

Description

客户资料智能分发方法和装置

技术领域

本发明涉及数据处理，具体地涉及客户资料智能分发方法和装置。

背景技术

在客户关系管理(CRM，Customer Relationship Management)系统中，客户资料是核心数据和资产，它的特点是数据量大、质量不一等。在销售型CRM中，销售人员是核心用户，他的特点是对不同类型的客户销售能力不一。

为了提升销售效率，将优质的客户资料分配给合适的销售人员跟进是一个至关重要问题，目前在传统的CRM系统中销售获取资料的方式有两种：

1、“推”：设定检索条件，系统将检索结果定期自动推送给销售。

2、“拉”：销售人员通过检索条件主动去检索查询，获取资料。

传统的方式存在以下两个关键性问题：

1、无法判断出资料的质量，更多依赖于销售累积的经验定性去判断客户转化率。

2、无法判断获得的资料是否跟自己的偏好和能力最为匹配。

发明内容

本发明实施例的目的是提供一种客户资料智能分发方法和装置，该客户资料智能分发方法和装置可以将优质的客户资料分配给合适的销售人员跟进。

为了实现上述目的，本发明实施例提供一种客户资料智能分发方法，该方法包括：采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据；基于智能分发模型，根据所述客户特征数据以及所述每个销售人员的销售特征数据，得到所述每个销售人员的销售成单概率，所述智能分发模型为通过历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单进行机器学习得到的；以及根据所述每个销售人员的销售成单概率，分发所述客户资料。

优选地，所述智能分发模型通过以下方式建立：根据第一数据集以及至少一种分类算法得到至少一个第一模型，其中所述第一数据集包括客户特征数据、销售特征数据以及销售是否成单；根据第二数据集以及所述至少一个第一模型得到至少一个分类结果，其中所述第二数据集包括客户特征数据、销售特征数据以及销售是否成单，并且所述第二数据集不同于所述第一数据集；根据所述第二数据集、所述至少一个分类结果以及机器学习算法得到第二模型，以将所述第二模型作为所述智能分发模型。

优选地，所述客户特征数据包括以下中的至少一者：客户主体信息、商业信息、联系人信息、客户公司信息以及客户历史客保信息。

优选地，所述销售特征数据包括以下中的至少一者：销售人员信息以及历史销售成单信息。

优选地，在采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据之后，该方法还包括：通过标签编码或独热编码将所述客户特征数据以及所述每个销售人员的销售特征数据中的非数字数据转化为数字数据。

本发明实施例还提供一种客户资料智能分发装置，该装置包括：采集单元、处理单元以及分发单元，其中，所述采集单元用于采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据；所述处理单元用于基于智能分发模型，根据所述客户特征数据以及所述每个销售人员的销售特征数据，得到所述每个销售人员的销售成单概率，所述智能分发模型为通过历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单进行机器学习得到的；以及所述分发单元用于根据所述每个销售人员的销售成单概率，分发所述客户资料。

优选地，所述智能分发模型通过以下方式建立：根据第一数据集以及至少一种分类算法得到至少一个第一模型，其中所述第一数据集包括客户特征数据、销售特征数据以及销售是否成单；根据第二数据集以及所述至少一个第一模型得到至少一个分类结果，其中所述第二数据集包括客户特征数据、销售特征数据以及销售是否成单，并且所述第二数据集不同于所述第一数据集；根据所述第二数据集、所述至少一个分类结果以及机器学习算法得到第二模型，以将所述第二模型作为所述智能分发模型。

优选地，所述客户特征数据包括以下中的至少一者：客户主体信息、商业信息、联系人信息、客户公司信息以及客户历史客保信息。

优选地，所述销售特征数据包括以下中的至少一者：销售人员信息以及历史销售成单信息。

优选地，在采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据之后，所述处理单元还用于：通过标签编码或独热编码将所述客户特征数据以及所述每个销售人员的销售特征数据中的非数字数据转化为数字数据。

通过上述技术方案，采用本发明提供的客户资料智能分发方法和装置，通过采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据，再基于智能分发模型，得到所述每个销售人员的销售成单概率，最后根据所述每个销售人员的销售成单概率，分发所述客户资料。该客户资料智能分发方法和装置可以将优质的客户资料分配给合适的销售人员跟进。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明一实施例提供的客户资料智能分发方法的流程图；

图2是本发明一实施例提供的客户资料智能分发方法的流程框图；

图3是本发明一实施例提供的智能分发模型建立方法的流程图；

图4是本发明一实施例提供的客户资料智能分发装置的结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是本发明一实施例提供的客户资料智能分发方法的流程图。如图1所示，该方法包括：

步骤S11，采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据；

步骤S12，基于智能分发模型，根据所述客户特征数据以及所述每个销售人员的销售特征数据，得到所述每个销售人员的销售成单概率，所述智能分发模型为通过历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单进行机器学习得到的；以及

步骤S13，根据所述每个销售人员的销售成单概率，分发所述客户资料。

在本发明实施例中，客户特征数据可以从客户资料获得，可以包括以下中的至少一者：客户主体信息、商业信息、联系人信息、客户公司信息以及客户历史客保信息，其中，客户主体信息可以包括以下中的至少一者：标识客户的唯一性的客户身份标识号、客户来源、公司全称以及统一社会信用代码等，商业信息可以包括以下中的至少一者：企业类型编码、省市区、注册资本、经营范围、行业分级以及公司规模等，联系人信息可以包括以下中的至少一者：联系人性别、联系人年龄、联系人常住地、联系人兴趣点以及联系人职位等，客户公司信息可以包括以下中的至少一者：成立时间、注册资金、厂房面积、经营模式、经营范围、研发人员人数、年营业额、主要客户、主要市场以及联系人个数等，客户历史客保信息可以包括以下中的至少一者：客户历史客保次数、从客户获取到客户成单/掉保时间以及从客户客保到客户成单/掉保时间，其中，若很久未成单，从客户获取到客户成单/掉保时间则取客户获取到当前时间，从客户客保到客户成单/掉保时间则取客户客保到当前时间。

销售特征数据可以包括以下中的至少一者：销售人员信息以及历史销售成单信息，其中，销售人员信息可以包括以下中的至少一者：小组、成单/掉保时年龄、性别、成单/掉保时工龄、学历、职位、兴趣爱好、所在地等，历史销售成单信息可以包括以下中的至少一者：销售成单前历史成单量、销售成单前接手过的客户量、销售成单前历史客保次数、销售成单前历史掉保次数、销售成单前历史放弃次数、销售成单前历史平均通话时长、销售成单前历史通话次数、销售成单前成单历史平均通话时长以及销售成单前成单历史通话次数等。

在获得客户特征数据以及每个销售人员的销售特征数据之后，基于智能分发模型，根据客户特征数据以及每个销售人员的销售特征数据，可以得到每个销售人员的销售成单概率。具体地，智能分发模型将在下文详述。

最后，根据每个销售人员的销售成单概率，分发客户资料，当然，销售成单概率越高的销售人员，说明越适合该客户资料的客户。

图2是本发明一实施例提供的客户资料智能分发方法的流程框图。如图2所示，将代表多个销售人员的多个销售特征数据分别和客户的客户特征数据输入智能分发模型中，可以分别得到多个销售成单概率，从而判断哪个销售人员更加适合该客户。

图3是本发明一实施例提供的智能分发模型建立方法的流程图。如图3所示，所述智能分发模型通过以下方式建立：

步骤S31，根据第一数据集以及至少一种分类算法得到至少一个第一模型，其中所述第一数据集包括客户特征数据、销售特征数据以及销售是否成单；

步骤S32，根据第二数据集以及所述至少一个第一模型得到至少一个分类结果，其中所述第二数据集包括客户特征数据、销售特征数据以及销售是否成单，并且所述第二数据集不同于所述第一数据集；

步骤S33，根据所述第二数据集、所述至少一个分类结果以及机器学习算法得到第二模型，以将所述第二模型作为所述智能分发模型。

本发明实施例采用建立两个模型的方式来得到最后的智能分发模型，第一模型是通过分类算法建立用来进行分类的模型，第二个模型是最终的智能分发模型。具体地：

将历史数据的客户特征数据、销售特征数据以及销售是否成单组成的数据集分为两份，分别为第一数据集和第二数据集；也可以分为三份，如果分为三份，则有一份为测试集，两份为训练集，训练集和测试集的比例可以为7:3。然后，采用至少一个常用的分类算法，例如逻辑回归、随机森林、支持向量机、自适应增强(Adaptive Boosting)以及梯度增强(GradientBoost)等，结合第一数据集分别训练得到至少一个第一模型。

然后将第二数据集带入至少一个第一模型，得到至少一个分类结果，例如0或1。

最后，使用至少一个分类结果和第二数据集，结合机器学习算法，例如极端梯度增强(XGboost，eXtremeGradient Boosting)算法训练第二模型，该第二模型即为智能分发模型。其中，每个模型调参可以采用网格搜索(gridsearch)来进行，如果有过拟合、欠拟合现象，则继续调整模型。

如果之前有分出测试集，则使用测试集测试智能分发模型的可用性，即测试该模型得到的结果是否准确，例如只带入客户特征数据和销售特征数据，然后使用智能分发模型得到的成单概率与事实上销售是否成单进行对比，观察智能分发模型的可用性。

另外，在本发明实施例中，还可以在采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据之后，对数据进行处理，例如：

用随机森林算法分析各个特征的相关性，根据分析结果决定是否应该适当对特征进行降维；

画出特征与标签的可视化图像，更详细的分析特征；

分析离散型特征值的出现次数，若某些值出现次数非常少，可以统一成一个值，例如和出现次数多的值统一。

分析离散型特征取值变化，若某特征95％的样本都是一个取值，说明此特征用处不大，可以舍弃。

需要特别分析的特征：客户特征的选填字段。分析字段的空白情况，决定是否放弃特征。

如果机器学习的第三方模块不支持非数字特征，可以将离散型特征转化成数字。例如销售性别、销售职位等。转化数字有两种方式，标签编码(LabelEncoder)或独热编码(OneHotEncoder)。

连续特征离散化，将特征离散化会有很多好处，例如鲁棒性强，扩大特征数量等。

特征标准化，在某些算法中，没进行离散化的特征需要进行标准化，以防止特征间数值相差太大引起偏差。标准化方法有两种：

最大最小标准化(Min max normalization)，该标准化方法将特征值缩放到[0,1]的区间。

标准偏差标准化(standard deviation normalization)，该标准化方法将特征值缩放到[-1,1]的区间。

连续型特征用平均数、最大最小值、赋值0等方式进行缺失值处理。

离散型特征可以直接填成“缺失”，当作一个特征值。

连续性特征可以先转为离散型特征，再填成“缺失”，再做数字化转换。

将特征数字化转换后可能出现海量特征，此时需要进行特征降维，常见的降维方法有主成分分析(PCA，Principal Component Analysis)等。

图4是本发明一实施例提供的客户资料智能分发装置的结构示意图。如图4所示，该装置包括：采集单元1、处理单元2以及分发单元3，其中，所述采集单元1用于采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据；所述处理单元2用于基于智能分发模型，根据所述客户特征数据以及所述每个销售人员的销售特征数据，得到所述每个销售人员的销售成单概率，所述智能分发模型为通过历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单进行机器学习得到的；以及所述分发单元3用于根据所述每个销售人员的销售成单概率，分发所述客户资料。

优选地，所述智能分发模型通过以下方式建立：根据第一数据集以及至少一种分类算法得到至少一个第一模型，其中所述第一数据集包括客户特征数据、销售特征数据以及销售是否成单；根据第二数据集以及所述至少一个第一模型得到至少一个分类结果，其中所述第二数据集包括客户特征数据、销售特征数据以及销售是否成单，并且所述第二数据集不同于所述第一数据集；根据所述第二数据集、所述至少一个分类结果以及机器学习算法得到第二模型，以将所述第二模型作为所述智能分发模型。

优选地，所述客户特征数据包括以下中的至少一者：客户主体信息、商业信息、联系人信息、客户公司信息以及客户历史客保信息。

优选地，所述销售特征数据包括以下中的至少一者：销售人员信息以及历史销售成单信息。

优选地，在采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据之后，所述处理单元2还用于：通过标签编码或独热编码将所述客户特征数据以及所述每个销售人员的销售特征数据中的非数字数据转化为数字数据。

上述客户资料智能分发装置的实施例与上文所述的客户资料智能分发方法的实施例类似，在此不再赘述。

通过上述技术方案，采用本发明提供的客户资料智能分发方法和装置，通过采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据，再基于智能分发模型，得到所述每个销售人员的销售成单概率，最后根据所述每个销售人员的销售成单概率，分发所述客户资料。该客户资料智能分发方法和装置可以将优质的客户资料分配给合适的销售人员跟进。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请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。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种客户资料智能分发方法，其特征在于，该方法包括：

采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据；

基于智能分发模型，根据所述客户特征数据以及所述每个销售人员的销售特征数据，得到所述每个销售人员的销售成单概率，所述智能分发模型为通过历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单进行机器学习得到的；以及

根据所述每个销售人员的销售成单概率，分发所述客户资料。

2.根据权利要求1所述的客户资料智能分发方法，其特征在于，所述智能分发模型通过以下方式建立：

根据第一数据集以及至少一种分类算法得到至少一个第一模型，其中所述第一数据集包括历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单；

根据第二数据集以及所述至少一个第一模型得到至少一个分类结果，其中所述第二数据集包括历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单，并且所述第二数据集不同于所述第一数据集；

根据所述第二数据集、所述至少一个分类结果以及机器学习算法得到第二模型，以将所述第二模型作为所述智能分发模型。

3.根据权利要求1所述的客户资料智能分发方法，其特征在于，所述客户特征数据包括以下中的至少一者：

客户主体信息、商业信息、联系人信息、客户公司信息以及客户历史客保信息。

4.根据权利要求1所述的客户资料智能分发方法，其特征在于，所述销售特征数据包括以下中的至少一者：

销售人员信息以及历史销售成单信息。

5.根据权利要求1所述的客户资料智能分发方法，其特征在于，在采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据之后，该方法还包括：

通过标签编码或独热编码将所述客户特征数据以及所述每个销售人员的销售特征数据中的非数字数据转化为数字数据。

6.一种客户资料智能分发装置，其特征在于，该装置包括：

采集单元、处理单元以及分发单元，其中，

所述采集单元用于采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据；

所述处理单元用于基于智能分发模型，根据所述客户特征数据以及所述每个销售人员的销售特征数据，得到所述每个销售人员的销售成单概率，所述智能分发模型为通过历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单进行机器学习得到的；以及

所述分发单元用于根据所述每个销售人员的销售成单概率，分发所述客户资料。

7.根据权利要求6所述的客户资料智能分发装置，其特征在于，所述智能分发模型通过以下方式建立：

根据第一数据集以及至少一种分类算法得到至少一个第一模型，其中所述第一数据集包括历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单；

根据第二数据集以及所述至少一个第一模型得到至少一个分类结果，其中所述第二数据集包括历史的客户特征数据、历史的销售特征数据以及历史的销售是否成单，并且所述第二数据集不同于所述第一数据集；

根据所述第二数据集、所述至少一个分类结果以及机器学习算法得到第二模型，以将所述第二模型作为所述智能分发模型。

8.根据权利要求6所述的客户资料智能分发装置，其特征在于，所述客户特征数据包括以下中的至少一者：

客户主体信息、商业信息、联系人信息、客户公司信息以及客户历史客保信息。

9.根据权利要求6所述的客户资料智能分发装置，其特征在于，所述销售特征数据包括以下中的至少一者：

销售人员信息以及历史销售成单信息。

10.根据权利要求6所述的客户资料智能分发装置，其特征在于，在采集客户特征数据以及至少一个销售人员中每个销售人员的销售特征数据之后，所述处理单元还用于：

通过标签编码或独热编码将所述客户特征数据以及所述每个销售人员的销售特征数据中的非数字数据转化为数字数据。

Images