CN112288117A - 目标客户的成交概率预测方法、装置与电子设备 - Google Patents

目标客户的成交概率预测方法、装置与电子设备 Download PDF

Info

Publication number
CN112288117A
CN112288117A CN201910666928.6A CN201910666928A CN112288117A CN 112288117 A CN112288117 A CN 112288117A CN 201910666928 A CN201910666928 A CN 201910666928A CN 112288117 A CN112288117 A CN 112288117A
Authority
CN
China
Prior art keywords
target
customer
index
client
probability
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
Application number
CN201910666928.6A
Other languages
English (en)
Inventor
花晓伟
王任凭
王莉
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.)
Beike Technology Co Ltd
Original Assignee
Beike Technology 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 Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN201910666928.6A priority Critical patent/CN112288117A/zh
Publication of CN112288117A publication Critical patent/CN112288117A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种目标客户的成交概率预测方法、装置与电子设备，其中所述方法包括：基于目标客户关于目标服务的业务行为数据，获取所述目标客户与第一共性指标对应的第一指标值；基于所述第一指标值和所述第一共性指标的阈值，利用第一概率模型，获取所述目标客户的流失状态；基于所述流失状态，预测目标客户关于目标服务的成交概率；其中，所述第一共性指标和所述第一共性指标的阈值按如下流程获取：基于流失客户样本关于所述目标服务的业务行为数据，提取第一行为特征时间序列，并通过对所述第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。本发明实施例能够有效提高对客户状态识别的准确性和客观性。

Description

目标客户的成交概率预测方法、装置与电子设备
技术领域
本发明涉及计算机应用技术领域，更具体地，涉及一种目标客户的成交概率预测方法、装置与电子设备。
背景技术
在房产交易平台中，经纪人对客户的维护是一个互动、匹配的过程。经纪人对接的客源多，在维护跟进客户的过程中，很难准确把握每个客户目前的状态、动向，往往会因错过跟进时机而造成客户流失。
目前，现有技术中多通过比对待评估客户的某些行为与流失和非流失客户对应这些行为的历史数据，或者根据客户对服务的历史评价数据，来评估客户流失的可能性。
但是，通过行为比对实现评估的方法中，很难保证所比对的行为能真实反应客户的流失情况，因此会造成对客户状态评估的准确性较差。而基于客户历史评价的评估方法中，需依赖于人的历史经验，也无法保证评估的客观性和准确性。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种目标客户的成交概率预测方法、装置与电子设备，用以有效提高对客户状态识别的准确性和客观性。
第一方面，本发明实施例提供一种目标客户的成交概率预测方法，包括：
基于目标客户关于目标服务的业务行为数据，获取所述目标客户与第一共性指标对应的第一指标值；
基于所述第一指标值和所述第一共性指标的阈值，利用第一概率模型，获取所述目标客户的流失状态；
基于所述流失状态，预测所述目标客户关于所述目标服务的成交概率；
其中，所述第一共性指标和所述第一共性指标的阈值按如下流程获取：基于流失客户样本关于所述目标服务的业务行为数据，提取第一行为特征时间序列，并通过对所述第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。
进一步的，在所述获取所述目标客户与第一共性指标对应的第一指标值的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：
获取所述目标服务相关的待维护客户信息，并基于所述待维护客户信息对应的待维护客户关于所述目标服务的业务行为数据，获取所述待维护客户与第二共性指标对应的第二指标值；
基于所述第二指标值和所述第二共性指标的阈值，利用第二概率模型，从所述待维护客户中筛选出满足设定标准的客户，作为所述目标客户；
其中，所述第二共性指标和所述第二共性指标的阈值按如下流程获取：基于成交客户样本关于所述目标服务的业务行为数据，提取第二行为特征时间序列，并通过对所述第二行为特征时间序列依次进行成交事件的回归相关性分析和假设性试验获取。
进一步的，在所述基于所述流失状态，维护所述目标客户的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：
基于所述目标客户与所述目标服务的提供者的互动信息，获取所述目标客户与所述目标服务的提供者的关系紧密度指标；
相应的，所述基于所述流失状态，维护所述目标客户的步骤具体包括：基于所述流失状态，结合所述关系紧密度指标，进行客户流失预警，以根据所述预警对不同目标客户采取不同跟进策略。
其中可选的，所述目标服务具体为房屋交易服务；
相应的，在所述获取所述目标客户与第一共性指标对应的第一指标值的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：获取包括客户活跃度、客户与经纪人关系紧密度和客户关于所述房屋交易服务最后一次业务行为与经纪人关联度的多个指标，作为所述第一共性指标。
其中可选的，所述目标服务具体为房屋交易服务；
相应的，在所述获取所述待维护客户与第二共性指标对应的第二指标值的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：获取包括最近第一给定时间段的带看频次、所述最近第一给定时间段带看占最近第二给定时间段带看次数比重以及贷款房源属性信息的多个指标，作为所述第二共性指标。
进一步的，在所述获取所述目标客户的流失状态的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：设置流失状态集合，所述流失状态集合中至少包括以下流失状态中的一种：安全、易流失和危险；
相应的，所述获取所述目标客户的流失状态的步骤具体包括：
若所述客户活跃度、所述关系紧密度和所述关联度对应的第一指标值均满足所述第一共性指标的阈值，则确定所述目标客户为安全用户；
若所述客户活跃度、所述关系紧密度和所述关联度对应的第一指标值中只有任意一个或两个满足所述第一共性指标的阈值，则确定所述目标客户为易流失用户；
若所述客户活跃度、所述关系紧密度和所述关联度对应的第一指标值均不满足所述第一共性指标的阈值，则确定所述目标客户为危险用户。
其中可选的，所述从所述待维护客户中筛选出满足设定标准的客户，作为所述目标客户的步骤具体包括：利用所述第二概率模型，以所述第二共性指标的阈值作为转移矩阵，筛选出所述第二指标值与所述转移矩阵的笛卡尔距离最小的客户，作为所述目标客户。
第二方面，本发明实施例提供一种目标客户的成交概率预测装置，包括：
第一计算模块，用于基于目标客户关于目标服务的业务行为数据，获取所述目标客户与第一共性指标对应的第一指标值；
第二计算模块，用于基于所述第一指标值和所述第一共性指标的阈值，利用第一概率模型，获取所述目标客户的流失状态；
预测模块，用于基于所述流失状态，预测所述目标客户关于所述目标服务的成交概率；
其中，所述第一共性指标和所述第一共性指标的阈值按如下流程获取：基于流失客户样本关于所述目标服务的业务行为数据，提取第一行为特征时间序列，并通过对所述第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的目标客户的成交概率预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，所述计算机指令被计算机执行时，实现如上第一方面所述的目标客户的成交概率预测方法的步骤。
本发明实施例提供的目标客户的成交概率预测方法、装置与电子设备，基于客户自接受目标服务开始至客户关于目标服务不再产生任何行为(成交了或者流失了)期间所有的业务行为数据，通过基于回归相关性的分析和第一马尔科夫链概率的分析，得到待维护目标客户的流失状态，并根据该流速状态及时跟进客户，能够有效避免单纯从客户行为判断客户流失情况的准确性问题和单纯依赖人工经验的主观性问题，有效提高对客户状态识别的准确性和客观性。
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一简单地介绍，显而易见地，下面描述中的附图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目标客户的成交概率预测方法的流程示意图；
图2为根据本发明实施例提供的目标客户的成交概率预测方法中第一共性指标的示意图；
图3为本发明实施例提供的目标客户的成交概率预测装置的结构示意图；
图4为本发明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，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，所描述的实施例是本发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
本发明实施例针对现有技术中单纯从客户行为判断客户流失情况的准确性问题和单纯依赖人工经验的客观性问题，基于客户自接受目标服务开始至客户关于目标服务不再产生任何行为(成交了或者流失了)期间所有的业务行为数据，通过基于回归相关性的分析和第一马尔科夫链概率的分析，得到待维护目标客户的流失状态，并根据该流速状态及时跟进客户，能够有效避免单纯从客户行为判断客户流失情况的准确性问题和单纯依赖人工经验的主观性问题，有效提高对客户状态识别的准确性和客观性。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。
图1为本发明实施例提供的目标客户的成交概率预测方法的流程示意图，该方法用于服务提供者对其对接的客户进行状态监控与维护，如图1所示，该方法包括：
S101，基于目标客户关于目标服务的业务行为数据，获取目标客户与第一共性指标对应的第一指标值。其中，第一共性指标按如下流程获取：基于流失客户样本关于目标服务的业务行为数据，提取第一行为特征时间序列，并通过对第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。
具体而言，对于一项确定的服务，也即目标服务，本发明实施例以目标客户关于该目标服务的业务行为数据为基础进行分析，计算该目标用户与第一共性指标对应的各项指标值，作为第一指标值。其中，为提高数据的可靠性，可以取目标客户全生命周期中关于该目标服务的业务行为数据进行分析。
其中，在对目标客户进行分析之前，需要事先通过分析流失客户样本得到第一共性指标。具体而言，首先需要获取流失客户样本关于目标服务的业务行为数据，如可以是全生命周期的业务行为数据，并基于该业务行为数据按照发生时间提取每个流失客户样本的时间序列特征，即作为第一行为特征时间序列。之后基于该第一行为特征时间序列，利用回归相关性模型，分析所有流失客户样本共有的所有行为指标与流失事件的相关性，获取解释度和准确度均达到设定标准的行为指标。最后通过假设性试验最终得到一组与流失事件相关度最高的行为指标作为第一共性指标，并获取各第一共性指标的阈值。
可以理解的是，其中的目标客户即是待进行维护的客户。其可以是服务提供者所有对接的客户，也可以是从中优选的一些客户。
S102，基于第一指标值和第一共性指标的阈值，利用第一概率模型，获取目标客户的流失状态。其中，第一共性指标的阈值按如下流程获取：基于流失客户样本关于目标服务全生命周期的业务行为数据，提取第一行为特征时间序列，并通过对第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。
可以理解为，在根据上述步骤得到目标客户第一指标值的基础上，本发明实施例利用概率模型来获取目标客户的流失状态。该概率模型例如可以是马尔科夫链概率模型。具体而言，以得到的第一共性指标的阈值作为转移矩阵，将得到的第一指标值输入马尔科夫链概率模型中，得到各第一指标值与转移矩阵的笛卡尔距离，并在此基础上判断目标客户的流失状态。可以理解，该流失状态可以表明客户是否可能流失以及可能流失的程度。
可以理解的是，为了便于区分，将上述概率模型称为第一概率模型。相应的，上述马尔科夫链概率模型即是第一马尔科夫链概率模型。并且，在上述获取第一共性指标的运算过程中，可同时获取各第一共性指标的阈值。
S103，基于流失状态，预测目标客户关于目标服务的成交概率。
具体而言，在根据上述步骤得到客户流失状态的基础上，可以根据目标客户的该流失状态，按照一定的预测算法预测目标客户关于目标服务的成交概率，也可以制定相应的维护策略对客户进行维护。例如，通常来说，客户的流失状态越接近于易流失的情况，客户的成交概率越低，反之成交概率越高。在进行维护策咯的制定时，则当获知目标客户的流失状态为可能流失且流失程度较高时，发出提示消息，以使服务提供者及时跟进和挽回，减少客户流失。
进一步的，在获取目标客户与第一共性指标对应的第一指标值的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：
获取目标服务相关的待维护客户信息，并基于该待维护客户信息对应的待维护客户关于目标服务的业务行为数据，获取待维护客户与第二共性指标对应的第二指标值；
基于第二指标值和第二共性指标的阈值，利用第二概率模型，从待维护客户中筛选出满足设定标准的客户，作为目标客户；
其中，第二共性指标和第二共性指标的阈值按如下流程获取：基于成交客户样本关于目标服务的业务行为数据，提取第二行为特征时间序列，并通过对第二行为特征时间序列依次进行成交事件的回归相关性分析和假设性试验获取。
具体而言，为了降低维护难度和维护工作量，本发明实施例首先从所有对接客户，也即待维护客户中筛选出成交概率较高的客户，再以筛选出的这些客户作为待维护的目标客户进行上述各实施例的维护处理步骤。具体而言，在进行成交概率较高客户的筛选时，采用与获取目标客户的流失状态类似的处理流程。所不同的是，在进行共性指标及其阈值的获取时，是以成交客户样本的数据为基础进行获取的。其中成交客户样本可以根据目标服务相关的所有已成交客户获取。
进一步的，在基于流失状态，维护目标客户的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：基于目标客户与目标服务的提供者的互动信息，获取目标客户与目标服务的提供者的关系紧密度指标；相应的，基于流失状态，维护目标客户的步骤具体包括：基于流失状态，结合关系紧密度指标，进行客户流失预警，以根据预警对不同目标客户采取不同跟进策略。
可以理解的是，上述得到的第一指标值仅是与客户自身行为相关的评价指标，而实际应用中成交与否还可能跟客户和目标服务的提供者之间的关系紧密程度相关，如，与目标服务的提供者关系紧密程度更高的客户，其最终成交的概率也更高。因此本发明实施例在获取第一指标值的基础上，进一步根据目标客户与目标服务的提供者的互动信息，获取目标客户与目标服务的提供者的关系紧密度指标。之后在基于目标客户的流失状态维护目标客户的过程中，相应的综合该关系紧密度指标，来进行客户流失预警，以更准确有效的进行客群维护。
其中可选的，目标服务具体为房屋交易服务；相应的，在获取目标客户与第一共性指标对应的第一指标值的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：获取包括客户活跃度、客户与经纪人关系紧密度和客户关于房屋交易服务最后一次业务行为与经纪人关联度的多个指标，作为第一共性指标。
可以理解为，本发明实施例的方法可具体用于房屋交易服务中。则相应的通过设定解释度阈值和准确度阈值，并在此约束条件下对根据上述各实施例得到的第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验，最终得到客户活跃度、客户与经纪人关系紧密度和客户关于房屋交易服务最后一次业务行为与经纪人关联度三个指标，作为第一共性指标，进行客群维护。
其中可选的，目标服务具体为房屋交易服务；相应的，在获取待维护客户与第二共性指标对应的第二指标值的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：获取包括最近第一给定时间段的带看频次、最近第一给定时间段带看占最近第二给定时间段带看次数比重以及贷款房源属性信息的多个指标，作为第二共性指标。
可以理解为，在房屋交易服务中，可以基于与上述实施例类似的处理思路，对上述各实施例得到的第二行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验，得到最近第一给定时间段的带看频次、最近第一给定时间段带看占最近第二给定时间段带看次数比重以及贷款房源属性信息三个指标，作为第二共性指标，进行客群维护。
进一步的，在获取目标客户的流失状态的步骤之前，本发明实施例的目标客户的成交概率预测方法还包括：设置流失状态集合，流失状态集合中至少包括以下流失状态中的一种：安全、易流失和危险；
相应的，获取目标客户的流失状态的步骤具体包括：若客户活跃度、关系紧密度和关联度对应的第一指标值均满足第一共性指标的阈值，则确定目标客户为安全用户；若客户活跃度、关系紧密度和关联度对应的第一指标值中只有任意一个或两个满足第一共性指标的阈值，则确定目标客户为易流失用户；若客户活跃度、关系紧密度和关联度对应的第一指标值均不满足第一共性指标的阈值，则确定目标客户为危险用户。
可以理解为，在得到上述三个第一共性指标的基础上，可以事先设定表示不同流失程度的三个流失状态，即安全、易流失和危险，同时需设定这三个流失状态的判定原则如上。可以理解的是，实际应用中，也可以仅监控这三种流失状态中的至少一个，以有针对性的对其中一种或多种流失状态的客户进行维护处理。之后，根据目标客户分别对应的上述三个第一共性指标的三个指标值，判断其是否满足第一共性指标的阈值，并根据满足该第一共性指标的阈值的指标值的个数，来确定目标客户的流失程度或流失等级。
例如，本发明实施例中可以建立马尔科夫链概率模型的形式如下：
Xn+1＝PijXn；
式中，Xn+1表示目标客户更新后的流失状态，Xn表示目标客户的当前流失状态，Pij表示转移矩阵，其中，
Xn＝(xj)1x3＝(安全,易流失,危险)；
Figure BDA0002140403980000101
式中，xj表示用户为安全、易流失和危险的取值，如X＝(1,0,0)表示用户的流失状态为安全，aij为不同时间点用户为安全、易流失和危险状态的概率，Yi n表示当前时间点各项指标实际值，n表示当前时间点，i表示第i项指标，Zk j表示不同时间周期下安全、易流失和危险各状态的标准值，k表示时间周期，j表示流失状态，其中，
Yi n＝(实际带看频次,实际带看占比，实际带看房源面积的标准差，实际带看房源价格的标准差)＝(yi)1x4，如Yi n＝(3,50％,5,25)表示目标客户当前时间的实际指标值为：实际带看频次为3,实际带看占比为50％，实际带看房源面积的标准差为5，实际带看房源价格的标准差为25；
Zk j＝(标准带看频次,标准带看占比，标准带看房源面积的标准差，标准带看房源价格的标准差)＝(zi)1x4，如
Figure BDA0002140403980000111
表示30天内成交的标准指标值为：带看频次为5，带看占比为80％，带看房源面积的标准差为5，带看房源价格的标准差为20。
其中可选的，从待维护客户中筛选出满足设定标准的客户，作为目标客户的步骤具体包括：利用第二概率模型，以第二共性指标的阈值作为转移矩阵，筛选出第二指标值与转移矩阵的笛卡尔距离最小的客户，作为目标客户。
可以理解为，在进行较高概率成交客户的筛选时，以客户的第二指标值与第二共性指标的阈值的笛卡尔距离为判断标准，选择第二指标值与转移矩阵的笛卡尔距离最小的客户，作为目标客户。
为进一步说明本发明实施例的技术方案，本发明实施例根据上述各实施例提供如下具体的处理流程，但不对本发明实施例的保护范围进行限制。
在维护客户的过程中，通过客户自进入平台开始至客户在平台不再产生任何行为(成交了或者流失了)期间所有的业务行为数据按照录入、浏览、收藏、带看、成交等业务场景进行拆分、标准化处理后，并结合基于对客户成交概率的判断找出的高成交概率的客户群体，对这类客户群体进行流失预警模型训练分析，为从这些客户中找到那些易流失的客户提供一套标准化的流失预警识别办法，及时、准确识别出那些目前正处于危险易流失状态的客户，以及这些客户目前所处的易流失阶段，并在客户维护的关键时间点提醒经纪人，为经纪人提供指导，帮助经纪人更好的跟进维护，减少客户流失。具体处理中，包括以下步骤：
步骤1，用户抽取，以历史成交的客户作为样本，对这些客户进行特征成交相关回归模型分析，找出这些客户与成交相关性最高的共性指标及阈值。
通过假设性检验，找出了客户近30天的带看频次、30天内带看占过去半年带看的比重、带看房源的面积及价格的标准差这几个指标对成交的解释度最高，其解释度超过60％，准确率超过15％。
从目前维护中尚未成交的客户中分析上述指标的情况，将这些指标数据放入马尔科夫链概率模型中，以之前在成交相关回归模型找到的指标阈值作为转移矩阵，找出那些未成交客户在这些指标的值上与转移矩阵笛卡尔距离最为接近的那些客户，加入带看时间序列，判断客户的下一个状态，从未成交客户中预筛选出高成交可能的客户。
步骤2，给聚焦出来的高成交概率的客户分配一个卡片，卡片上承载对于客户成交概率高的判断的指标信息，并增加维护经纪人带看的比重信息，用以评估客户行为之外客户与经纪人的关系紧密情况。基于客户从进入平台到不在产生任何行为为止的全生命周期数据作为样本，并且不断的更新样本池，放入相关性分析模型中，分析这些客户之间的共性特征，得到第一共性指标及其阈值。
通过假设性检验，找出了流失客户在近7天的带看活跃度、与经纪人的带看比重和在平台最后一次带看与维护人有关联这3个正向指标。找到预警相关的正向指标后，通过对客户活跃度、客户关系紧密度、平台最后行为关联度3个指标的阈值进行(数理化)组合分析，控制模型输出规则，分析其有没有表现出设定程度的解释相关性。试验表明上述三个指标解释度达到70％以上，准确率超过30％，并且通过了显著性检验，因此将这3个指标作为客户流失预警的指示指标，也即第一共性指标。同时不断扩充样本池进行训练，并通过比较分析不同样本规模下得到的共性指标及其对应阈值下共性指标总体的解释度和准确度等，来找到符合系统判断的安全阈值。
图2为根据本发明实施例提供的目标客户的成交概率预测方法中第一共性指标的示意图。针对已流失客户进行流失前的全生命周期行为作为样本池放入相关性模型中进行分析，找出与流失客户在哪些行为上表现出高度的一致性，找出流失相关性系数最高的3个核心维度正向指标，即流失客户在这3个指标的上笛卡尔距离是最近的，超过多少比例的客户均有这3个特征(具体的比例可以在模型中予以设置，通过显著性检验即可)，3个指标分别是客户活跃度(近7天平台是否有带看)、客户与经纪人关系紧密度(本门店维护经纪人带看占比及次数)、平台最后行为关联度(最后一次带看是否本门店/经纪人)。
步骤3，在用户卡片上提示当前预警状态，通过流失预警的3个正向指标，标识出当前用户目前处于的状态。即，若3个指标都满足第一共性指标的阈值，则用户是安全的；满足1个或2个，用户是易流失的；1个都不满足，用户是危险的。
也就是说，通过阈值水平识别客群的预警状态，当3个维度指标都处于安全阈值水平的时候，客户是处于安全状态；当只有1个或者2个维度指标处于安全阈值水平的时候，客户处于易流失状态；当3个维度指标都在安全阈值水平外的话，客户处于危险状态。最后经纪人基于预警状态跟进维护客户。该方法可以应用在经纪人维护客户时，对客户的状态进行判断评估，提升维护效率。
作为本发明实施例的另一个方面，本发明实施例根据上述各实施例提供一种目标客户的成交概率预测装置，该装置用于在上述各实施例中实现目标客户的成交概率预测。因此，在上述各实施例的目标客户的成交概率预测方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。
根据本发明实施例的一个实施例，目标客户的成交概率预测装置的结构如图3所示，为本发明实施例提供的目标客户的成交概率预测装置的结构示意图，该装置可以用于实现上述各方法实施例中目标客户的成交概率预测，该装置包括：第一计算模块301、第二计算模块302和预测模块303。其中：
第一计算模块301用于基于目标客户关于目标服务的业务行为数据，获取目标客户与第一共性指标对应的第一指标值；第二计算模块302用于基于第一指标值和第一共性指标的阈值，利用第一概率模型，获取目标客户的流失状态；预测模块303用于基于流失状态，预测目标客户关于目标服务的成交概率；其中，第一共性指标和第一共性指标的阈值按如下流程获取：基于流失客户样本关于目标服务的业务行为数据，提取第一行为特征时间序列，并通过对第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。
具体而言，对于一项确定的服务，也即目标服务，第一计算模块301以目标客户关于该目标服务的业务行为数据为基础进行分析，计算该目标用户与第一共性指标对应的各项指标值，作为第一指标值。其中，为提高数据的可靠性，可以取目标客户全生命周期中关于该目标服务的业务行为数据进行分析。
之后，第二计算模块302利用概率模型来获取目标客户的流失状态。该概率模型具体可以是马尔科夫链概率模型。具体而言，第二计算模块302以得到的第一共性指标的阈值作为转移矩阵，将得到的第一指标值输入马尔科夫链概率模型中，得到各第一指标值与转移矩阵的笛卡尔距离，并在此基础上判断目标客户的流失状态。可以理解，该流失状态可以表明客户是否可能流失以及可能流失的程度。
最后，预测模块303可以根据目标客户的该流失状态，按照一定的预测算法预测目标客户关于目标服务的成交概率，也可以制定相应的维护策略对客户进行维护。例如，通常来说，客户的流失状态越接近于易流失的情况，客户的成交概率越低，反之成交概率越高。在进行维护策咯的制定时，则当获知目标客户的流失状态为可能流失且流失程度较高时，发出提示消息，以使服务提供者及时跟进和挽回，减少客户流失。
其中，在对目标客户进行分析之前，需要事先通过分析流失客户样本得到第一共性指标。具体而言，首先需要获取流失客户样本关于目标服务的业务行为数据，如可以是全生命周期的业务行为数据，并基于该业务行为数据按照发生时间提取每个流失客户样本的时间序列特征，即作为第一行为特征时间序列。之后基于该第一行为特征时间序列，利用回归相关性模型，分析所有流失客户样本共有的所有行为指标与流失事件的相关性，获取解释度和准确度均达到设定标准的行为指标。最后通过假设性试验最终得到一组与流失事件相关度最高的行为指标作为第一共性指标，并获取各第一共性指标的阈值。
本发明实施例提供的目标客户的成交概率预测装置，通过设置相应的执行模块，基于客户自接受目标服务开始至客户关于目标服务不再产生任何行为(成交了或者流失了)期间所有的业务行为数据，通过基于回归相关性的分析和第一马尔科夫链概率的分析，得到待维护目标客户的流失状态，并根据该流速状态及时跟进客户，能够有效避免单纯从客户行为判断客户流失情况的准确性问题和单纯依赖人工经验的客观性问题，有效提高对客户状态识别的准确性和客观性。
可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的目标客户的成交概率预测装置利用上述各程序模块，能够实现上述各方法实施例的目标客户的成交概率预测流程，在用于实现上述各方法实施例中目标客户的成交概率预测时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。
作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该处理器执行该计算机程序时，实现如上述各实施例所述的目标客户的成交概率预测方法的步骤。
进一步的，本发明实施例的电子设备还可以包括通信接口和总线。参考图4，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器401、至少一个处理器402、通信接口403和总线404。
其中，存储器401、处理器402和通信接口403通过总线404完成相互间的通信，通信接口403用于该电子设备与客群信息设备之间的信息传输；存储器401中存储有可在处理器402上运行的计算机程序，处理器402执行该计算机程序时，实现如上述各实施例所述的目标客户的成交概率预测方法的步骤。
可以理解为，该电子设备中至少包含存储器401、处理器402、通信接口403和总线404，且存储器401、处理器402和通信接口403通过总线404形成相互间的通信连接，并可完成相互间的通信，如处理器402从存储器401中读取目标客户的成交概率预测方法的程序指令等。另外，通信接口403还可以实现该电子设备与客群信息设备之间的通信连接，并可完成相互间信息传输，如通过通信接口403从客群信息设备获取客户信息等。
电子设备运行时，处理器402调用存储器401中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：基于目标客户关于目标服务的业务行为数据，获取目标客户与第一共性指标对应的第一指标值；基于第一指标值和第一共性指标的阈值，利用第一概率模型，获取目标客户的流失状态；基于流失状态，预测目标客户关于目标服务的成交概率等。
上述的存储器401中的程序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。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该计算机指令被计算机执行时，实现如上述各实施例所述的目标客户的成交概率预测方法的步骤，例如包括：基于目标客户关于目标服务的业务行为数据，获取目标客户与第一共性指标对应的第一指标值；基于第一指标值和第一共性指标的阈值，利用第一概率模型，获取目标客户的流失状态；基于流失状态，预测目标客户关于目标服务的成交概率等。
本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的目标客户的成交概率预测方法，基于客户自接受目标服务开始至客户关于目标服务不再产生任何行为(成交了或者流失了)期间所有的业务行为数据，通过基于回归相关性的分析和第一马尔科夫链概率的分析，得到待维护目标客户的流失状态，并根据该流速状态及时跟进客户，能够有效避免单纯从客户行为判断客户流失情况的准确性问题和单纯依赖人工经验的客观性问题，有效提高对客户状态识别的准确性和客观性。
可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。
最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

Claims (10)

1.一种目标客户的成交概率预测方法，其特征在于，包括：
基于目标客户关于目标服务的业务行为数据，获取所述目标客户与第一共性指标对应的第一指标值；
基于所述第一指标值和所述第一共性指标的阈值，利用第一概率模型，获取所述目标客户的流失状态；
基于所述流失状态，预测所述目标客户关于所述目标服务的成交概率；
其中，所述第一共性指标和所述第一共性指标的阈值按如下流程获取：基于流失客户样本关于所述目标服务的业务行为数据，提取第一行为特征时间序列，并通过对所述第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。
2.根据权利要求1所述的目标客户的成交概率预测方法，其特征在于，在所述获取所述目标客户与第一共性指标对应的第一指标值的步骤之前，还包括：
获取所述目标服务相关的待维护客户信息，并基于所述待维护客户信息对应的待维护客户关于所述目标服务的业务行为数据，获取所述待维护客户与第二共性指标对应的第二指标值；
基于所述第二指标值和所述第二共性指标的阈值，利用第二概率模型，从所述待维护客户中筛选出满足设定标准的客户，作为所述目标客户；
其中，所述第二共性指标和所述第二共性指标的阈值按如下流程获取：基于成交客户样本关于所述目标服务的业务行为数据，提取第二行为特征时间序列，并通过对所述第二行为特征时间序列依次进行成交事件的回归相关性分析和假设性试验获取。
3.根据权利要求2所述的目标客户的成交概率预测方法，其特征在于，在所述基于所述流失状态，维护所述目标客户的步骤之前，还包括：
基于所述目标客户与所述目标服务的提供者的互动信息，获取所述目标客户与所述目标服务的提供者的关系紧密度指标；
相应的，所述基于所述流失状态，维护所述目标客户的步骤具体包括：基于所述流失状态，结合所述关系紧密度指标，进行客户流失预警，以根据所述预警对不同目标客户采取不同跟进策略。
4.根据权利要求1或2所述的目标客户的成交概率预测方法，其特征在于，所述目标服务具体为房屋交易服务；
相应的，在所述获取所述目标客户与第一共性指标对应的第一指标值的步骤之前，还包括：
获取包括客户活跃度、客户与经纪人关系紧密度和客户关于所述房屋交易服务最后一次业务行为与经纪人关联度的多个指标，作为所述第一共性指标。
5.根据权利要求2或3所述的目标客户的成交概率预测方法，其特征在于，所述目标服务具体为房屋交易服务；
相应的，在所述获取所述待维护客户与第二共性指标对应的第二指标值的步骤之前，还包括：
获取包括最近第一给定时间段的带看频次、所述最近第一给定时间段带看占最近第二给定时间段带看次数比重以及贷款房源属性信息的多个指标，作为所述第二共性指标。
6.根据权利要求4所述的目标客户的成交概率预测方法，其特征在于，在所述获取所述目标客户的流失状态的步骤之前，还包括：
设置流失状态集合，所述流失状态集合中至少包括以下流失状态中的一种：安全、易流失和危险；
相应的，所述获取所述目标客户的流失状态的步骤具体包括：
若所述客户活跃度、所述关系紧密度和所述关联度对应的第一指标值均满足所述第一共性指标的阈值，则确定所述目标客户为安全用户；
若所述客户活跃度、所述关系紧密度和所述关联度对应的第一指标值中只有任意一个或两个满足所述第一共性指标的阈值，则确定所述目标客户为易流失用户；
若所述客户活跃度、所述关系紧密度和所述关联度对应的第一指标值均不满足所述第一共性指标的阈值，则确定所述目标客户为危险用户。
7.根据权利要求2或3所述的目标客户的成交概率预测方法，其特征在于，所述从所述待维护客户中筛选出满足设定标准的客户，作为所述目标客户的步骤具体包括：
利用所述第二概率模型，以所述第二共性指标的阈值作为转移矩阵，筛选出所述第二指标值与所述转移矩阵的笛卡尔距离最小的客户，作为所述目标客户。
8.一种目标客户的成交概率预测装置，其特征在于，包括：
第一计算模块，用于基于目标客户关于目标服务的业务行为数据，获取所述目标客户与第一共性指标对应的第一指标值；
第二计算模块，用于基于所述第一指标值和所述第一共性指标的阈值，利用第一概率模型，获取所述目标客户的流失状态；
预测模块，用于基于所述流失状态，预测所述目标客户关于所述目标服务的成交概率；
其中，所述第一共性指标和所述第一共性指标的阈值按如下流程获取：基于流失客户样本关于所述目标服务的业务行为数据，提取第一行为特征时间序列，并通过对所述第一行为特征时间序列依次进行流失事件的回归相关性分析和假设性试验获取。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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，实现如权利要求1至7中任一项所述的目标客户的成交概率预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被计算机执行时，实现如权利要求1至7中任一项所述的目标客户的成交概率预测方法的步骤。
CN201910666928.6A 2019-07-23 2019-07-23 目标客户的成交概率预测方法、装置与电子设备 Pending CN112288117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910666928.6A CN112288117A (zh) 2019-07-23 2019-07-23 目标客户的成交概率预测方法、装置与电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910666928.6A CN112288117A (zh) 2019-07-23 2019-07-23 目标客户的成交概率预测方法、装置与电子设备

Publications (1)

Publication Number Publication Date
CN112288117A true CN112288117A (zh) 2021-01-29

Family

ID=74419156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910666928.6A Pending CN112288117A (zh) 2019-07-23 2019-07-23 目标客户的成交概率预测方法、装置与电子设备

Country Status (1)

Country Link
CN (1) CN112288117A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538020A (zh) * 2021-07-05 2021-10-22 深圳索信达数据技术有限公司 获取客群特征关联度方法、装置、存储介质和电子装置
CN113723710A (zh) * 2021-09-13 2021-11-30 中国银行股份有限公司 一种客户流失预测方法、系统、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402921A (zh) * 2016-05-18 2017-11-28 阿里巴巴集团控股有限公司 识别用户行为的事件时序数据处理方法、装置及系统
CN109615128A (zh) * 2018-12-05 2019-04-12 重庆锐云科技有限公司 房地产客户成交概率预测方法、装置及服务器
CN109615129A (zh) * 2018-12-05 2019-04-12 重庆锐云科技有限公司 房地产客户成交概率预测方法、服务器及计算机存储介质
CN109919685A (zh) * 2019-03-18 2019-06-21 苏州大学 客户流失预测方法、装置、设备及计算机可读存储介质
CN109962795A (zh) * 2017-12-22 2019-07-02 中国移动通信集团广东有限公司 一种基于多维组合变量的4g用户流失预警方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402921A (zh) * 2016-05-18 2017-11-28 阿里巴巴集团控股有限公司 识别用户行为的事件时序数据处理方法、装置及系统
CN109962795A (zh) * 2017-12-22 2019-07-02 中国移动通信集团广东有限公司 一种基于多维组合变量的4g用户流失预警方法和系统
CN109615128A (zh) * 2018-12-05 2019-04-12 重庆锐云科技有限公司 房地产客户成交概率预测方法、装置及服务器
CN109615129A (zh) * 2018-12-05 2019-04-12 重庆锐云科技有限公司 房地产客户成交概率预测方法、服务器及计算机存储介质
CN109919685A (zh) * 2019-03-18 2019-06-21 苏州大学 客户流失预测方法、装置、设备及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538020A (zh) * 2021-07-05 2021-10-22 深圳索信达数据技术有限公司 获取客群特征关联度方法、装置、存储介质和电子装置
CN113538020B (zh) * 2021-07-05 2024-03-26 深圳索信达数据技术有限公司 获取客群特征关联度方法、装置、存储介质和电子装置
CN113723710A (zh) * 2021-09-13 2021-11-30 中国银行股份有限公司 一种客户流失预测方法、系统、存储介质及电子设备
CN113723710B (zh) * 2021-09-13 2024-02-27 中国银行股份有限公司 一种客户流失预测方法、系统、存储介质及电子设备

Similar Documents

Publication Publication Date Title
Sheu Dynamic relief-demand management for emergency logistics operations under large-scale disasters
CN110008979A (zh) 异常数据预测方法、装置、电子设备及计算机存储介质
CN112734559A (zh) 企业信用风险评价方法、装置及电子设备
CN106952190A (zh) 虚假房源录入行为识别与预警系统
CN113673870B (zh) 一种企业数据分析方法及相关组件
CN111192133A (zh) 用户贷后风险模型生成方法、装置及电子设备
CN111597343B (zh) 一种基于app的智能化用户职业判断方法、装置和电子设备
CN112288117A (zh) 目标客户的成交概率预测方法、装置与电子设备
CN113869768A (zh) 产业链强弱度的评价方法、装置、设备及可读介质
CN113435713B (zh) 基于gis技术和两模型融合的风险地图编制方法及系统
CN117934154A (zh) 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品
CN111144673A (zh) 组织人员结构评估方法、装置、设备及计算机可读介质
CN112949745A (zh) 多源数据的融合处理方法、装置、电子设备及存储介质
CN110706122A (zh) 基于大数据分析提升社保代理效率方法、设备及可读介质
Erdogan Long-term examination of bank crashes using panel logistic regression: Turkish banks failure case
CN115293636A (zh) 基于综合pis与权重的fmea的复杂装备评估方法
CN112100165B (zh) 基于质量评估的交通数据处理方法、系统、设备和介质
CN114493851A (zh) 一种风险处理方法及装置
CN111105148B (zh) 离职概率评估方法、装置及计算机可读存储介质
CN113742495A (zh) 基于预测模型的评级特征权重确定方法及装置、电子设备
Okorie Markov chain models in discrete time space and application to personnel management
Rosslyn-Smith et al. Establishing turnaround potential before commencement of formal turnaround proceedings
Magnusson Uncertainty Analysis: identification, quantification and propagation
CN113111284B (zh) 归类信息展示方法、装置、电子设备和可读存储介质
Suleiman et al. Predicting an applicant status using principal component, discriminant and logistic regression analysis

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210129