CN112365036A - 物流客户流失预警方法、装置、设备和存储介质 - Google Patents

物流客户流失预警方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112365036A
CN112365036A CN202011171668.4A CN202011171668A CN112365036A CN 112365036 A CN112365036 A CN 112365036A CN 202011171668 A CN202011171668 A CN 202011171668A CN 112365036 A CN112365036 A CN 112365036A
Authority
CN
China
Prior art keywords
model
logitics
data
early warning
logistics
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
CN202011171668.4A
Other languages
English (en)
Inventor
李�杰
苌生辉
郑国兵
孙越峰
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.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software 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 Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202011171668.4A priority Critical patent/CN112365036A/zh
Publication of CN112365036A publication Critical patent/CN112365036A/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • G06Q30/01—Customer relationship services

Landscapes

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

Abstract

本发明公开了一种物流客户流失预警方法、装置、设备和存储介质，针对目前快递行业因大客户单量波动大影响快递企业效益的问题，通过采集一历史时期内的物流大客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；基于该若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息。实现预知物流大客户流失的概率，从而方便从业人员对可能流失的物流大客户进行维护，避免大客户突然流失，进而影响企业的效益。

Description

物流客户流失预警方法、装置、设备和存储介质
技术领域
本发明属于物流管理的技术领域，尤其涉及一种物流客户流失预警方法、装置、设备和存储介质。
背景技术
大客户是快递公司的核心资产。目前国内几家快递企业的每日票件量合计达到上亿件，而这上亿的票件中，95％的来源是电商大客户，谁的件量多谁获得的利益就大，所以大客户的多少决定了快递公司业务量的走势。
然而，在快递行业普遍存在大客户单量波动大的现象。经过分析，造成大客户单量波动大的现象的原因有以下几点：
1、大客户忠诚度较低，会经常更换快递承运商：
2、快递巨头间价格战激烈，导致价格变动频繁，从而导致大客户跟着价格变动而切换快递公司，导致网点单量骤降
3、电商客户单量会随着一年多次的促销活动，出现暴涨暴跌的情况
4、各家快递各个线路的时效不同，也会导致大客户切换快递的情况，如将发往北京的给到圆通，发往广东的给到韵达等。
因此，为了避免大客户突然流失，需要对大客户的行为进行预测，如有可能流失，则提前预警，提前告知快递公司负责人，及时和大客户做好沟通，避免客户流失。
发明内容
本发明的目的是提供一种物流客户流失预警方法、装置、设备和存储介质，可预知物流客户流失的概率，从而方便从业人员对可能流失的物流客户进行维护，避免客户突然流失，影响企业的效益。
为解决上述问题，本发明的技术方案为：
一种物流客户流失预警方法，包括：
采集一历史时期内的各物流客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；
基于所述若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；
基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息。
根据本发明一实施例，所述原始单量数据至少包括大客户编码、揽件明细及签收明细。
根据本发明一实施例，所述对原始单量数据进行整理汇总进一步包括：
对原始单量数据进行异常值剔除、缺失数据填补及去噪滤波处理，形成时序数据集。
根据本发明一实施例，所述计算出与客户流失相关的若干属性进一步包括：
对所述时序数据集进行统计分析，计算出包括日单量环比增长率、周平均单量环比增长率、固定期限内的单量变化趋势及连续多日的时环比增长率对比在内的若干属性。
根据本发明一实施例，所述计算出与客户流失相关的若干属性之后还包括：
对若干属性进行离散化或布尔化处理。
根据本发明一实施例，所述若干属性还包括签收时效及投诉率。
根据本发明一实施例，所述采用Logistics模型进行客户流失的预测进一步包括：
设定客户流失阈值，将待预测的单量数据输入所述Logistics模型，若响应于所述单量数据的Logistics模型的数值大于等于客户流失阈值，则预测结果为客户流失；若响应于所述单量数据的Logistics模型的数值小于客户流失阈值，则预测结果为客户不流失。
一种物流客户流失预警装置，包括：
数据处理模块，用于采集一历史时期内的各物流客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；
模型创建模块，用于基于所述若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；
预警模块，用于基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息；
其中，所述数据处理模块包括数据集创建单元及统计分析单元；
所述数据集创建单元用于对原始单量数据进行异常值剔除、缺失对原始单量数据进行异常值剔除、缺失数据填补及去噪滤波处理，形成时序数据集；
所述统计分析单元用于对所述时序数据集进行统计分析，计算出包括日单量环比增长率、周平均单量环比增长率、固定期限内的单量变化趋势及连续多日的时环比增长率对比在内的若干属性。
一种物流客户流失预警设备，包括：
存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流客户流失预警设备执行本发明一实施例中的物流客户流失预警方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明一实施例中的物流客户流失预警方法。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
本发明一实施例中的物流客户流失预警方法，针对目前快递行业因大客户单量波动大影响快递企业效益的问题，通过采集一历史时期内的物流大客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；基于该若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息。实现预知物流大客户流失的概率，从而方便从业人员对可能流失的物流大客户进行维护，避免大客户突然流失，进而影响企业的效益。
附图说明
图1为本发明一实施例中的物流客户流失预警方法的流图；
图2为本发明一实施例中的连续多日的时环比增长率对比图；
图3为本发明一实施例中的物流客户流失预警装置的框图；
图4为本发明一实施例中的物流客户流失预警设备的示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种物流客户流失预警方法、装置、设备和存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
实施例一
通常，物流企业的80％的销售额来自其整体的20％的客户，此类客户在业内被称为大客户。可以理解为，大客户主要是对市场上卖家一方具有核心意义和价值的客户群，针对中小客户而言，大客户主要是对企业长期发展和利润提升起到大幅度的推动效能。由此可见，大客户是物流企业进行后续销售额提升和利润获取的关键因素。
然而，目前的物流行业中普遍存在大客户单量波动大的现象，为了避免因大客户突然流失而影响物流企业的收益，本发明提供了一种物流客户的流失预警方法，可预知物流客户流失的概率，从而方便从业人员对可能流失的物流客户进行维护，避免因客户突然流失而影响企业的效益。
请参看图1，该物流客户的流失预警方法包括：
S1：采集一历史时期内的各物流客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；
S2：基于所述若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；
S3：基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息。
具体的，步骤S1中，采集一历史时期内的各物流客户的原始单量数据，本实施例以2018年7月至12月的某快递企业的业务数据作为原始单量数据。该原始单量数据至少包括大客户编码、揽件明细、派件明细及签收明细。其中，大客户编码是指利用固定算法得出的一串数字，如2425008166。揽件明细包括揽件时间、揽件数量、揽件人等信息。派件明细包括派件时间、派件人等信息。签收明细包括签收时间、签收人等信息。
对原始单量数据进行整理汇总是指对原始单量数据进行异常值剔除、缺失数据填补及去噪滤波处理，形成时序数据集。其中，异常值为非数字型数据，如字符、空数据等。对原始单量数据进行缺失数据填补可采用插值的方法实现，对原始单量数据进行去噪滤波可采用中值滤波的方法实现。如有必要，还可以对原始单量数据进行归一化处理，将所有需要计算的数据都缩小到0-1之间，有效地简化计算，节约计算资源。最终将原始单量数据处理成时序数据集。
然后对该时序数据集进行统计分析，计算出包括日单量环比增长率、周平均单量环比增长率、固定期限内的单量变化趋势、连续多日的时环比增长率对比及签收时效在内的若干属性。具体请参看表1：
表1
Figure BDA0002747481480000051
表1提供了一部分大客户在一定时期内的日均揽件量及签收时效，如3天的日均揽件量、7天的签收时效等。其属性项包括：大客户编码、3天日均揽件、7天日均揽件、7天签收时效、30天签收时效、周/月时效比、时效降幅等，在此就不一一罗列了。通过3天日均揽件与7天日均揽件的数据可以判断大客户的业务量是否平稳，是否符合该大客户一贯的业务量，从而可以初步判断该大客户是否会流失。通过7天签收时效、30天签收时效、周/月时效比、时效降幅等的数据可以判断快递公司对大客户业务的完成质量，是否一如既往地重视该大客户的业务。大客户可根据签收时效来对快递公司的服务质量进行评价，这也可能会影响投诉率。因此，可以将签收时效与投诉率结合起来判断大客户是否会流失。签收时效是指派件自上一级分拨中心在规定的时间内扫描交接到末端派送站点，站点再交接给派送员，派送员派送到收件人处后签收上传数据的时效监控。投诉率＝投诉次数/揽件次数，如投诉率达到预设的值，如5％，那么该大客户有可能会流失。
其中，日单量环比增长率＝当前日期的揽件量-前一日的揽件量的差值/前一日的揽件量*100％，也就是表1中的同比前日浮动。如某大客户当前日期的揽件量为497，前一日的揽件量为432，那么日单量环比增长率＝(497-432)/432*100％＝15.05％。通过设置对日单量环比增长率设置阈值，可以判断某大客户流失的可能性。如日单量环比增长率是否降幅超过50％，若是，则可判定该大客户会流失。
周平均单量环比增长率＝本周的平均揽件量-上一周的平均揽件量的产值/上一周的平均揽件量*100％，也就是表1中的同比上周浮动。如某大客户本周的平均揽件量为697，上周的平均揽件量为620，那么周平均单量环比增长率＝(697-620)/620*100％＝12.4％。通过设置对周平均单量环比增长率设置阈值，可以判断某大客户流失的可能性。如周平均单量环比增长率是否降幅超过50％，若是，则可判定该大客户会流失。
固定期限内的单量变化趋势是指某一时间段(10天)内的单量变化趋势，若某大客户在该时间段内的单量呈持续下降的趋势，那么可以判定该大客户会流失。
连续多日的时环比增长率对比是指某一大客户的单量数据以小时为单位，记录连续多日(如3天)中每天24小时的单量数据，对比这3天中相对应的时间段中的单量数据。具体请参看表2：
表2
Figure BDA0002747481480000061
Figure BDA0002747481480000071
根据表2的单量数据制作的折线图，请参看图2。从图2中，可以看出该大客户的单量数据在2018/10/21(也就是图中用×标记数据的折线)的下午16：00之后发生了较大的变化，在17:00的时候，单量突然下降，并趋于0。通常，大客户每天的单量数据是趋于平稳的，如发生图2中的情况，也就是发生异常情况，就需要引起注意了，有可能该大客户会流失。
为了便于分析，本实施例将上述属性进行布尔化处理，布尔化后的属性具体为：属性A为日单量环比增长率是否存在降幅超过50％，属性B为周平均单量环比增长率是否存在降幅超过50％，属性C为固定期限内的单量变化趋势是否一直下滑，属性D为连续多日的时环比增长率对比是否存在降幅超过50％，属性E为签收时效是否存在降幅超过50％。
在步骤S2中，基于上述属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数。
本实施例中的Logistics模型需借助Logistics回归方程进行构建。由于本实施例中的因变量的取值范围为实数集，而在本发明所研究的问题中，分类型因变量的取值在0～1之间，如客户流失率为0.1、0.5、0.8等等。因此需要先对因变量的值(目标概率)做logit变换。
该logit变换具体为：设客户流失发生的概率为p，不发生的概率为1-p，则将p/(1-p)称为客户流失的发生比。logit变换即为：logit(p)＝ln(p/(1-p))。显然，当p＝1时，logit(p)取值为+∞；当p＝0.5时，logit(p)＝0；当p＝0时，logit(p)取值为-∞。这样一来，就把因变量的取值范围从0～1扩展到了实数集，而采用了这种处理的回归分析模型就是logistic模型。
在logistic模型中需要使用LR分类器，LR分类器，即Logistic RegressionClassifier。在分类情形下，经过学习后的LR分类器是一组权值w0，w1，w2，...，wn，当测试模型的数据输入时，这组权值与测试数据按照线性加和得到
x＝w0+w1x1+…+wnxn
这里x1，x2，...，xn是每个样本的n个特征。之后按照sigmoid函数的形式求出
Figure BDA0002747481480000081
所以Logistic回归最关键的问题就是研究如何求得w0，w1，w2，...，wn这组权值。考虑具有n个独立变量的向量x＝(x1，x2，...，xn)，设条件慨率P(y＝1|x)＝p为根据观测量相对于某事件x发生的概率，这里的x表示步骤S1中的属性。那么Logistic回归模型可以表示为
Figure BDA0002747481480000082
这里
Figure BDA0002747481480000083
称为Logistic函数。其中g(x)＝w0+w1x1+…+wnxn，那么在x条件下y(客户流失)不发生的概率为
Figure BDA0002747481480000084
所以客户流失事件发生与不发生的概率之比为
Figure BDA0002747481480000085
这个比值称为事件的发生比(the odds of experiencing an event)，简记为odds。
对odds取对数得到
Figure BDA0002747481480000086
可以看出Logistic回归都是围绕一个Logistic函数来展开的。本实施例采用极大似然估计求LR分类器的参数，即权值w0,w1,w2,...,wn。其具体计算过程在此不做描述。
在步骤S3中，基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息。
该Logistics模型的相关参数是指权值w0,w1,w2,...,wn。在权值确定之后，就可采用该Logistics模型进行客户流失的预测了。在预测是，设定客户流失阈值，将待预测的单量数据输入Logistics模型，若响应于该输入的单量数据的Logistics模型的数值大于等于客户流失阈值，则预测结果为客户流失；若响应于该输入的单量数据的Logistics模型的数值小于客户流失阈值，则预测结果为客户不流失。
当得到的预测结果为客户流失时，就需要发出预警信息。发送预警信息的方式可采用以下方式：
短信提醒：通过基础信息后台获取客户对应的网点老板的电话发出预警，调用短信平台接口发送短信给到网点负责人。
app通知提醒：通过自有app推送预警消息给到网点负责人账号，用户通过app反馈单量骤降原因，并进行关注及跟进。
钉钉通知提醒：通过公司内部通讯软件，如钉钉，推送预警消息给到网点负责人账号，用户通过钉钉反馈单量骤降原因，并进行关注及跟进。
实施例二
本发明还提供了一种物流客户流失预警装置，参看图3，该装置包括：
数据处理模块1，用于采集一历史时期内的各物流客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；
模型创建模块2，用于基于若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；
预警模块3，用于基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息。
其中，数据处理模块1包括数据集创建单元及统计分析单元。数据集创建单元用于对原始单量数据进行异常值剔除、缺失对原始单量数据进行异常值剔除、缺失数据填补及去噪滤波处理，形成时序数据集。统计分析单元用于对所述时序数据集进行统计分析，计算出包括日单量环比增长率、周平均单量环比增长率、固定期限内的单量变化趋势及连续多日的时环比增长率对比在内的若干属性。
上述数据处理模块1、模型创建模块2、预警模块3的具体内容及实现方法，均如实施例一中所述，在此不再赘述。
实施例三
上述实施例二从模块化功能实体的角度对本发明物流客户流失预警装置进行详细描述，下面从硬件处理的角度对本发明物流客户流失预警设备进行详细描述。
请参看图4，该物流客户流失预警设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对物流客户流失预警设备500中的一系列指令操作。
进一步地，处理器510可以设置为与存储介质530通信，在物流客户流失预警设备500上执行存储介质530中的一系列指令操作。
物流客户流失预警设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve、Vista等等。
本领域技术人员可以理解，图4示出的物流客户流失预警设备结构并不构成对物流客户流失预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的物流客户流失预警方法的步骤。
实施例二中的模块如果以软件功能模块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全部或部分可以以软件的形式体现出来，该计算机软件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(Read-only memory，ROM)、随机存取存储器(Random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。

Claims (10)

1.一种物流客户流失预警方法，其特征在于，包括：
采集一历史时期内的各物流客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；
基于所述若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；
基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息。
2.如权利要求1所述的物流客户流失预警方法，其特征在于，所述原始单量数据至少包括大客户编码、揽件明细及签收明细。
3.如权利要求1所述的物流客户流失预警方法，其特征在于，所述对原始单量数据进行整理汇总进一步包括：
对原始单量数据进行异常值剔除、缺失数据填补及去噪滤波处理，形成时序数据集。
4.如权利要求3所述的物流客户流失预警方法，其特征在于，所述计算出与客户流失相关的若干属性进一步包括：
对所述时序数据集进行统计分析，计算出包括日单量环比增长率、周平均单量环比增长率、固定期限内的单量变化趋势及连续多日的时环比增长率对比在内的若干属性。
5.如权利要求4所述的物流客户流失预警方法，其特征在于，所述计算出与客户流失相关的若干属性之后还包括：
对若干属性进行离散化或布尔化处理。
6.如权利要求4或5所述的物流客户流失预警方法，其特征在于，所述若干属性还包括签收时效及投诉率。
7.如权利要求1所述的物流客户流失预警方法，其特征在于，所述采用Logistics模型进行客户流失的预测进一步包括：
设定客户流失阈值，将待预测的单量数据输入所述Logistics模型，若响应于所述单量数据的Logistics模型的数值大于等于客户流失阈值，则预测结果为客户流失；若响应于所述单量数据的Logistics模型的数值小于客户流失阈值，则预测结果为客户不流失。
8.一种物流客户流失预警装置，其特征在于，包括：
数据处理模块，用于采集一历史时期内的各物流客户的原始单量数据，对原始单量数据进行整理汇总，计算出与客户流失相关的若干属性；
模型创建模块，用于基于所述若干属性，建立Logistics模型，将包含已经流失的客户的单量数据输入Logistics模型中进行分析，确定Logistics模型的相关参数；
预警模块，用于基于确定的Logistics模型的相关参数，采用Logistics模型进行客户流失的预测，并发布预警信息；
其中，所述数据处理模块包括数据集创建单元及统计分析单元；
所述数据集创建单元用于对原始单量数据进行异常值剔除、缺失对原始单量数据进行异常值剔除、缺失数据填补及去噪滤波处理，形成时序数据集；
所述统计分析单元用于对所述时序数据集进行统计分析，计算出包括日单量环比增长率、周平均单量环比增长率、固定期限内的单量变化趋势及连续多日的时环比增长率对比在内的若干属性。
9.一种物流客户流失预警设备，其特征在于，包括：
存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流客户流失预警设备执行如权利要求1-7中任意一项所述的物流客户流失预警方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1-7中任意一项所述的物流客户流失预警方法。
CN202011171668.4A 2020-10-28 2020-10-28 物流客户流失预警方法、装置、设备和存储介质 Pending CN112365036A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011171668.4A CN112365036A (zh) 2020-10-28 2020-10-28 物流客户流失预警方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011171668.4A CN112365036A (zh) 2020-10-28 2020-10-28 物流客户流失预警方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN112365036A true CN112365036A (zh) 2021-02-12

Family

ID=74511180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011171668.4A Pending CN112365036A (zh) 2020-10-28 2020-10-28 物流客户流失预警方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112365036A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962740A (zh) * 2021-10-27 2022-01-21 彩虹无线（北京）新技术有限公司 汽车4s店客户流失的预警方法和装置
CN114022222A (zh) * 2021-11-25 2022-02-08 北京京东振世信息技术有限公司 客户流失预测方法及装置、存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962740A (zh) * 2021-10-27 2022-01-21 彩虹无线（北京）新技术有限公司 汽车4s店客户流失的预警方法和装置
CN114022222A (zh) * 2021-11-25 2022-02-08 北京京东振世信息技术有限公司 客户流失预测方法及装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
US20170329837A1 (en) Digital analytics system
CN107943809B (zh) 数据质量监控方法、装置及大数据计算平台
Vajgel et al. Development of intelligent robotic process automation: A utility case study in Brazil
CN112365036A (zh) 物流客户流失预警方法、装置、设备和存储介质
CN107705056A (zh) 一种库存状态监控方法及装置、服务器、客户端
CN112184340A (zh) 一种快消品自动补货系统及其工作方法
CN115202847A (zh) 任务的调度方法和装置
CN113469598A (zh) 智慧供应链系统及服务器平台
CN111310843A (zh) 一种基于K-means的海量流式数据的聚类方法及系统
CN112163154B (zh) 数据处理方法、装置、设备及存储介质
CN114444751A (zh) 物资需求预测方法、装置、计算机设备以及存储介质
CN116739332A (zh) 一种基于大数据的产业链智能管理方法、系统及介质
CN116452095A (zh) 一种数字工厂的车辆智能监管调度方法、系统和介质
CN116308494A (zh) 供应链需求预测方法
CN115983759A (zh) 物品需求量预测方法及装置、电子设备和存储介质
CN1567318A (zh) 库存管理系统及方法
CN114463085A (zh) 自动化营销的通用沟通互动方法、装置、电子设备及存储介质
CN112884391A (zh) 收派件规划方法、装置、电子设备及存储介质
CN113762879A (zh) 设定邮费的方法、装置和系统
CN111861556B (zh) 一种消费者购买强度的预测方法
CN108985482A (zh) 监测异常查询的方法和系统
US12020196B2 (en) Optimized tree ensemble based demand model
US20230096633A1 (en) Optimized tree ensemble based demand model
CN117593018A (zh) 刷单行为确定方法
CN117611024A (zh) 物流订单的预警方法、装置及存储介质

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