CN112463947A - 营销方案迭代方法、系统、计算机设备及可读存储介质 - Google Patents
营销方案迭代方法、系统、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN112463947A CN112463947A CN202011346504.0A CN202011346504A CN112463947A CN 112463947 A CN112463947 A CN 112463947A CN 202011346504 A CN202011346504 A CN 202011346504A CN 112463947 A CN112463947 A CN 112463947A
- Authority
- CN
- China
- Prior art keywords
- marketing
- data
- text data
- label
- text
- 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 30
- 238000012549 training Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003313 weakening effect Effects 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Library & Information Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种营销方案迭代方法、系统、计算机设备及可读存储介质,其中,该方法包括:数据获取步骤,用于获取线下销售服务场景语音数据、多项营销产品及营销内容;数据预处理步骤,用于将语音数据转换为文本数据并进行分词及过滤,得到单句文本数据,利用一预设关键词词库对单句文本数据进行比对筛选,得到预设偏好文本数据,并对预设偏好文本数据添加标签;模型训练步骤,用于将预设偏好文本数据经过一神经网络模型转换为词向量,并将词向量及标签经一文本分类模型进行训练输出标签数据结果;营销方案迭代步骤,对标签数据结果进行统计,根据统计结果输出优化建议。通过上述方案,实现快速优化迭代线下销售服务营销方案和优化策略制定。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及基于线下销售服务场景语音数据的营销方案迭代方法、系统、计算机设备及计算机可读存储介质。
背景技术
活动营销,是指企业通过介入重大的社会活动或整合有效的资源策划大型活动而迅速提高企业及其品牌知名度、美誉度和影响力,促进产品销售的一种营销方式。一场营销活动从策划到落地,往往需要经过很多的环节,需要一定的人力物力。目前制定线下销售服务营销活动方案和策略,更多是依靠相关工作人员自身的过往经验和对消费者的理解来进行,难免存在盲区和不够精准的弊端。
发明内容
本申请实施例提供了一种基于线下销售服务场景语音数据的营销方案迭代方法、系统、计算机设备及计算机可读存储介质,提供基于消费者实际对话文本的数据支持,实现快速优化迭代线下销售服务营销方案和优化策略制定。
第一方面,本申请实施例提供了一种营销方案迭代方法,包括:
数据获取步骤,用于通过至少一语音采集设备获取营销活动期间的线下销售服务场景语音数据,并获取营销活动中的多项营销产品及营销内容,具体的,所述语音采集设备为佩戴式;
数据预处理步骤,用于将所述语音数据转换为文本数据并进行分词及过滤,得到单句文本数据,利用一预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据,并对所述预设偏好文本数据添加标签;
模型训练步骤,用于将所述预设偏好文本数据经过一神经网络模型转换为词向量,并将所述词向量及所述标签经一文本分类模型进行训练,输出标签数据结果;
营销方案迭代步骤,用于通过一服务器系统对所述标签数据结果进行统计,根据统计结果基于一调整机制输出对营销产品和/或营销内容的优化建议,以供相关人员对营销活动和营销策略进行调整和优化迭代。
通过上述步骤,基于消费者实际对话文本的数据支持精准定制线下销售服务营销活动,相比于现有的线下营销服务活动方案和略定制,实现了更有效率、更快速地迭代营销活动内容和策略的效果。
在其中一些实施例中,所述数据预处理步骤进一步包括:
数据转换步骤,用于基于ASR引擎(Automatic Speech Recognition,简称ASR,又称自动语音识别技术)将所述语音数据转换为文本数据。
文本分词步骤,用于将所述文本数据利用Jieba分词算法转换为单句文本数据并过滤所述单句文本数据中的停用词。
数据筛选步骤,用于利用所述预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据;其中,所述关键词词库为根据营销产品和/或营销内容预先建立的,所述预设偏好文本数据用表示消费者对营销产品和/或营销内容的偏好。
数据标注步骤,用于对所述预设偏好文本数据标注标签,所述标签包括营销标签及消费者偏好标签,所述消费者偏好标签进一步包括:积极标签、中性标签及消极标签,其中,所述营销标签用于标注所述营销产品和/或所述营销内容,所述消费者偏好标签用于表示消费者对所述营销产品和/或营销内容的偏好。
在其中一些实施例中,所述模型训练步骤进一步包括:
词向量获取步骤,用于将所述预设偏好文本数据经所述神经网络模型构建词向量;举例而非限制,所述神经网络模型为Word2Vec模型(全称Word to Vector)。
文本训练步骤,用于将所述词向量作为训练集输入所述文本分类模型,并通过所述标签对所述文本分类模型进行训练,得到标签数据结果。举例而非限制,所述文本分类模型可以为TextCNN模型(Text Convolutional Neural Networks,简称TextCNN)。
在其中一些实施例中,所述营销方案迭代步骤具体包括:通过一服务器系统对所述标签数据结果进行统计,具体的,统计对不同的营销产品和/或营销内容、不同的营销产品和/或营销内容对应的消费者偏好标签进行统计,根据统计结果基于一调整机制输出对各项营销产品和/或营销内容加强、持平或减弱的建议,所述调整机制进一步包括:
若所述统计结果中积极标签占比≥80%,则建议持平,即为保持现有营销方案;
若所述统计结果中积极标签占比≥50%且<80%,消极标签占比<20%,则建议持平;
若所述统计结果中积极标签占比≥50%且<80%,且消极标签占比≥20%,则建议减弱标注有消极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比<20%,则建议加强标注有积极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比≥20%,则建议加强标注有积极标签的营销产品和/或营销内容,并减弱标注有消极标签的营销产品和/或营销内容。
第二方面,本申请实施例提供了一种营销方案迭代系统,包括:
数据获取模块,用于通过至少一语音采集设备获取营销活动期间的线下销售服务场景语音数据,并获取营销活动中的多项营销产品及营销内容,具体的,所述语音采集设备为佩戴式;
数据预处理模块,用于将所述语音数据转换为文本数据并进行分词及过滤,得到单句文本数据,利用一预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据,并对所述预设偏好文本数据添加标签;
模型训练模块,用于将所述预设偏好文本数据经过一神经网络模型转换为词向量,并将所述词向量及所述标签经一文本分类模型进行训练,输出标签数据结果;
营销方案迭代模块,用于通过一服务器系统对所述标签数据结果进行统计,根据统计结果基于一调整机制输出对营销产品和/或营销内容的优化建议,以供相关人员对营销活动和营销策略进行调整和优化迭代。
通过上述模块,基于消费者实际对话文本的数据支持精准定制线下销售服务营销活动,相比于现有的线下营销服务活动方案和略定制,实现了更有效率、更快速地迭代营销活动内容和策略的效果。
在其中一些实施例中,所述数据预处理模块进一步包括:
数据转换模块,用于基于ASR引擎将所述语音数据转换为文本数据;
文本分词模块,用于将所述文本数据利用Jieba分词算法转换为单句文本数据并过滤所述单句文本数据中的停用词;
数据筛选模块,用于利用所述预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据;所述关键词词库为根据营销产品和/或营销内容预先建立的,所述预设偏好文本数据用表示消费者对营销产品和/或营销内容的偏好;
数据标注模块,用于对所述预设偏好文本数据标注标签,所述标签包括营销标签及消费者偏好标签,所述消费者偏好标签进一步包括:积极标签、中性标签及消极标签。所述营销标签用于标注所述营销产品和/或所述营销内容,所述消费者偏好标签用于表示消费者对所述营销产品和/或营销内容的偏好。
在其中一些实施例中,所述模型训练模块进一步包括:
词向量获取模块,用于将所述预设偏好文本数据经所述神经网络模型构建词向量;举例而非限制,所述神经网络模型为Word2Vec模型。
文本训练模块,用于将所述词向量作为训练集输入所述文本分类模型,并通过所述标签对所述文本分类模型进行训练,得到标签数据结果。举例而非限制,所述文本分类模型可以为TextCNN模型。
在其中一些实施例中,所述营销方案迭代步骤具体包括:通过一服务器系统对所述标签数据结果进行统计,具体的,统计对不同的营销产品和/或营销内容、不同的营销产品和/或营销内容对应的消费者偏好标签进行统计,根据统计结果基于一调整机制输出对各项营销产品和/或营销内容加强、持平或减弱的建议,所述调整机制进一步包括:
若所述统计结果中积极标签占比≥80%,则建议持平,即为保持现有营销方案;
若所述统计结果中积极标签占比≥50%且<80%,消极标签占比<20%,则建议持平;
若所述统计结果中积极标签占比≥50%且<80%,且消极标签占比≥20%,则建议减弱标注有消极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比<20%,则建议加强标注有积极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比≥20%,则建议加强标注有积极标签的营销产品和/或营销内容,并减弱标注有消极标签的营销产品和/或营销内容。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以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述第一方面所述的营销方案迭代方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的营销方案迭代方法。
相比于相关技术,本申请实施例提供的基于线下销售服务场景语音数据的营销方案迭代方法、系统、计算机设备及计算机可读存储介质,对基于佩戴式语音采集设备收集的线下销售服务场景的实际对话语音数据进行分析、识别和提取营销活动期间消费者对营销产品和/或营销内容的偏好量化数据,并给出相应产品和服务营销内容的优化调整建议,根据调整建议即可优化迭代下一次营销活动的内容和策略,实现对线下销售服务营销方案的快速优化迭代工作。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的营销方案迭代方法的流程示意图;
图2是根据本申请实施例的营销方案迭代方法的分步骤流程示意图;
图3是根据本申请实施例的营销方案迭代系统的结构框图。
附图说明:
11、数据获取模块;12、数据预处理模块;13、模型训练模块;
14、营销方案迭代模块;
121、数据转换模型;122、文本分词模块;123、数据筛选模块;
124、数据标注模块;131、词向量获取模块;132、文本训练模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供了一种营销方案迭代方法。图1-2是根据本申请实施例的营销方案迭代方法的流程图,如图1-2所示,该流程包括如下步骤:
数据获取步骤S11,用于通过至少一语音采集设备获取营销活动期间的线下销售服务场景语音数据,并获取营销活动中的多项营销产品及营销内容,具体的,语音采集设备为佩戴式;
数据预处理步骤S12,用于将语音数据转换为文本数据并进行分词及过滤,得到单句文本数据,利用一预设关键词词库对单句文本数据进行比对筛选,得到预设偏好文本数据,并对预设偏好文本数据添加标签,其中,预设关键词词库是基于营销产品和营销内容提前建立好的;
模型训练步骤S13,用于将预设偏好文本数据经过一神经网络模型转换为词向量,并将词向量及标签经一文本分类模型进行训练,输出标签数据结果;
营销方案迭代步骤S14,用于通过一服务器系统对标签数据结果进行统计,根据统计结果基于一调整机制输出对营销产品和/或营销内容的优化建议,以供相关人员对营销活动和营销策略进行调整和优化迭代,具体的,统计对不同的营销产品和/或营销内容、不同的营销产品和/或营销内容对应的消费者偏好标签进行统计,根据统计结果基于一调整机制输出对各项营销产品和/或营销内容加强、持平或减弱的建议,调整机制进一步包括:
若统计结果中积极标签占比≥80%,则建议持平,即为保持现有营销方案;
若统计结果中积极标签占比≥50%且<80%,消极标签占比<20%,则建议持平;
若统计结果中积极标签占比≥50%且<80%,且消极标签占比≥20%,则建议减弱标注有消极标签的营销产品和/或营销内容;
若统计结果中积极标签占比<50%,且消极标签占比<20%,则建议加强标注有积极标签的营销产品和/或营销内容;
若统计结果中积极标签占比<50%,且消极标签占比≥20%,则建议加强标注有积极标签的营销产品和/或营销内容,并减弱标注有消极标签的营销产品和/或营销内容。
基于上述营销方案调整机制,根据特定线下销售服务场景语音数据建立起的消费者对各种营销产品及其营销活动的偏好标签体系,有助于精确对应消费者的偏好,提高线下营销活动方案的精准度,提高活动效益。
通过上述步骤,基于消费者实际对话文本的数据支持精准定制线下销售服务营销活动,相比于现有的线下营销服务活动方案和略定制,实现了更有效率、更快速地迭代营销活动内容和策略的效果。
在其中一些实施例中,数据预处理步骤S12进一步包括:
数据转换步骤S121,用于基于ASR引擎将语音数据转换为文本数据。
文本分词步骤S122,用于将文本数据利用Jieba分词算法转换为单句文本数据并过滤单句文本数据中的停用词,本申请不限于Jieba分词算法,也可采用其他可实现文本数据转换为单句文本数据的算法模型。
数据筛选步骤S123,用于利用预设关键词词库对单句文本数据进行比对筛选,得到预设偏好文本数据;其中,关键词词库为根据营销产品和/或营销内容预先建立的,预设偏好文本数据用表示消费者对营销产品和/或营销内容的偏好。
数据标注步骤S124,用于对预设偏好文本数据标注标签,标签包括营销标签及消费者偏好标签,消费者偏好标签进一步包括:积极标签、中性标签及消极标签,其中,营销标签用于标注营销产品和/或营销内容,消费者偏好标签用于表示消费者对营销产品和/或营销内容的偏好。
通过上述步骤,利用分词算法及预设关键词词库获取语音数据中消费者偏好数据,并通过添加标签对消费者偏好数据进行量化,为模型训练步骤提供了可靠的数据支持。
在其中一些实施例中,模型训练步骤S13进一步包括:
词向量获取步骤S131,用于将预设偏好文本数据经神经网络模型构建词向量;举例而非限制,神经网络模型为Word2Vec模型。
文本训练步骤S132,用于将词向量作为训练集输入文本分类模型,并通过标签对文本分类模型进行训练,得到标签数据结果。举例而非限制,文本分类模型可以为TextCNN模型,经过多轮训练和参数调整的TextCNN模型具备为新的文本数据进行标签标注的稳定能力并能输出标签数据结果。
本实施例还提供了一种营销方案迭代系统,该系统用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本申请实施例的营销方案迭代系统的结构框图,如图3所示,该系统包括:
数据获取模块11,用于通过至少一语音采集设备获取营销活动期间的线下销售服务场景语音数据,并获取营销活动中的多项营销产品及营销内容,具体的,语音采集设备为佩戴式;
数据预处理模块12,用于将语音数据转换为文本数据并进行分词及过滤,得到单句文本数据,利用一预设关键词词库对单句文本数据进行比对筛选,得到预设偏好文本数据,并对预设偏好文本数据添加标签;具体的,数据预处理模块12进一步包括:数据转换模块121,用于基于ASR引擎将语音数据转换为文本数据;文本分词模块122,用于将文本数据利用Jieba分词算法转换为单句文本数据并过滤单句文本数据中的停用词,但本申请不限于Jieba分词算法,也可采用其他可实现文本数据转换为单句文本数据的算法模型;数据筛选模块123,用于利用预设关键词词库对单句文本数据进行比对筛选,得到预设偏好文本数据;关键词词库为根据营销产品和/或营销内容预先建立的,预设偏好文本数据用表示消费者对营销产品和/或营销内容的偏好;数据标注模块124,用于对预设偏好文本数据标注标签,标签包括营销标签及消费者偏好标签,消费者偏好标签进一步包括:积极标签、中性标签及消极标签。营销标签用于标注营销产品和/或营销内容,消费者偏好标签用于表示消费者对营销产品和/或营销内容的偏好。通过上述步骤,利用分词算法及预设关键词词库获取语音数据中消费者偏好数据,并通过添加标签对消费者偏好数据进行量化,为模型训练步骤提供了可靠的数据支持。
模型训练模块13,用于将预设偏好文本数据经过一神经网络模型转换为词向量,并将词向量及标签经一文本分类模型进行训练,输出标签数据结果;具体的,模型训练模块13进一步包括:词向量获取模块131,用于将预设偏好文本数据经神经网络模型构建词向量;举例而非限制,神经网络模型为Word2Vec模型。文本训练模块132,用于将词向量作为训练集输入文本分类模型,并通过标签对文本分类模型进行训练,得到标签数据结果。举例而非限制,文本分类模型可以为TextCNN模型,经过多轮训练和参数调整的TextCNN模型具备为新的文本数据进行标签标注的稳定能力并能输出标签数据结果。
营销方案迭代模块14,用于通过一服务器系统对标签数据结果进行统计,根据统计结果基于一调整机制输出对营销产品和/或营销内容的优化建议,以供相关人员对营销活动和营销策略进行调整和优化迭代。具体的,统计对不同的营销产品和/或营销内容、不同的营销产品和/或营销内容对应的消费者偏好标签进行统计,根据统计结果基于一调整机制输出对各项营销产品和/或营销内容加强、持平或减弱的建议,调整机制进一步包括:
若统计结果中积极标签占比≥80%,则建议持平,即为保持现有营销方案;
若统计结果中积极标签占比≥50%且<80%,消极标签占比<20%,则建议持平;
若统计结果中积极标签占比≥50%且<80%,且消极标签占比≥20%,则建议减弱标注有消极标签的营销产品和/或营销内容;
若统计结果中积极标签占比<50%,且消极标签占比<20%,则建议加强标注有积极标签的营销产品和/或营销内容;
若统计结果中积极标签占比<50%,且消极标签占比≥20%,则建议加强标注有积极标签的营销产品和/或营销内容,并减弱标注有消极标签的营销产品和/或营销内容。
基于上述营销方案调整机制,根据特定线下销售服务场景语音数据建立起的消费者对各种营销产品及其营销活动的偏好标签体系,有助于精确对应消费者的偏好,提高线下营销活动方案的精准度,提高活动效益。
通过上述模块,基于消费者实际对话文本的数据支持精准定制线下销售服务营销活动,相比于现有的线下营销服务活动方案和略定制,实现了更有效率、更快速地迭代营销活动内容和策略的效果。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1-2描述的本申请实施例营销方案迭代方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。
具体地,上述处理器可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在数据处理装置的内部或外部。在特定实施例中,存储器是非易失性(Non-Volatile)存储器。在特定实施例中,存储器包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种营销方案迭代方法。
另外,结合上述实施例中的营销方案迭代方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种营销方案迭代方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种营销方案迭代方法,其特征在于,包括:
数据获取步骤,用于通过至少一语音采集设备获取营销活动期间的线下销售服务场景语音数据,并获取营销活动中的多项营销产品及营销内容;
数据预处理步骤,用于将所述语音数据转换为文本数据并进行分词及过滤,得到单句文本数据,利用一预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据,并对所述预设偏好文本数据添加标签;
模型训练步骤,用于将所述预设偏好文本数据经过一神经网络模型转换为词向量,并将所述词向量及所述标签经一文本分类模型进行训练,输出标签数据结果;
营销方案迭代步骤,用于通过一服务器系统对所述标签数据结果进行统计,根据统计结果基于一调整机制输出对所述营销产品和/或营销内容的优化建议。
2.根据权利要求1所述的营销方案迭代方法,其特征在于,所述数据预处理步骤进一步包括:
数据转换步骤,用于基于ASR引擎将所述语音数据转换为文本数据;
文本分词步骤,用于将所述文本数据利用Jieba分词算法转换为单句文本数据并过滤所述单句文本数据中的停用词;
数据筛选步骤,用于利用所述预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据;
数据标注步骤,用于对所述预设偏好文本数据标注标签,所述标签包括营销标签及消费者偏好标签,所述消费者偏好标签进一步包括:积极标签、中性标签及消极标签。
3.根据权利要求2所述的营销方案迭代方法,其特征在于,所述模型训练步骤进一步包括:
词向量获取步骤,用于将所述预设偏好文本数据经所述神经网络模型构建词向量;
文本训练步骤,用于将所述词向量作为训练集输入所述文本分类模型,并通过所述标签对所述文本分类模型进行训练,得到标签数据结果。
4.根据权利要求1所述的营销方案迭代方法,其特征在于,所述营销方案迭代步骤具体包括:通过一服务器系统对所述标签数据结果进行统计,根据统计结果基于所述调整机制输出对各项所述营销产品和/或营销内容加强、持平或减弱的建议,所述调整机制进一步包括:
若所述统计结果中积极标签占比≥80%,则建议持平;
若所述统计结果中积极标签占比≥50%且<80%,消极标签占比<20%,则建议持平;
若所述统计结果中积极标签占比≥50%且<80%,且消极标签占比≥20%,则建议减弱标注有消极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比<20%,则建议加强标注有积极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比≥20%,则建议加强标注有积极标签的营销产品和/或营销内容,并减弱标注有消极标签的营销产品和/或营销内容。
5.一种营销方案迭代系统,其特征在于,包括:
数据获取模块,用于通过至少一语音采集设备获取营销活动期间的线下销售服务场景语音数据,并获取营销活动中的多项营销产品及营销内容;
数据预处理模块,用于将所述语音数据转换为文本数据并进行分词及过滤,得到单句文本数据,利用一预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据,并对所述预设偏好文本数据添加标签;
模型训练模块,用于将所述预设偏好文本数据经过一神经网络模型转换为词向量,并将所述词向量及所述标签经一文本分类模型进行训练,输出标签数据结果;
营销方案迭代模块,用于通过一服务器系统对所述标签数据结果进行统计,根据统计结果基于一调整机制输出对所述营销产品和/或营销内容的优化建议。
6.根据权利要求5所述的营销方案迭代系统,其特征在于,所述数据预处理模块进一步包括:
数据转换模块,用于基于ASR引擎将所述语音数据转换为文本数据;
文本分词模块,用于将所述文本数据利用Jieba分词算法转换为单句文本数据并过滤所述单句文本数据中的停用词;
数据筛选模块,用于利用所述预设关键词词库对所述单句文本数据进行比对筛选,得到预设偏好文本数据;
数据标注模块,用于对所述预设偏好文本数据标注标签,所述标签包括营销标签及消费者偏好标签,所述消费者偏好标签进一步包括:积极标签、中性标签及消极标签。
7.根据权利要求6所述的营销方案迭代系统,其特征在于,所述模型训练模块进一步包括:
词向量获取模块,用于将所述预设偏好文本数据经所述神经网络模型构建词向量;
文本训练模块,用于将所述词向量作为训练集输入所述文本分类模型,并通过所述标签对所述文本分类模型进行训练,得到标签数据结果。
8.根据权利要求5所述的营销方案迭代系统,其特征在于,所述营销方案迭代步骤具体包括:通过一服务器系统对所述标签数据结果进行统计,根据统计结果基于所述调整机制输出对各项所述营销产品和/或营销内容加强、持平或减弱的建议,所述调整机制进一步包括:
若所述统计结果中积极标签占比≥80%,则建议持平;
若所述统计结果中积极标签占比≥50%且<80%,消极标签占比<20%,则建议持平;
若所述统计结果中积极标签占比≥50%且<80%,且消极标签占比≥20%,则建议减弱标注有消极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比<20%,则建议加强标注有积极标签的营销产品和/或营销内容;
若所述统计结果中积极标签占比<50%,且消极标签占比≥20%,则建议加强标注有积极标签的营销产品和/或营销内容,并减弱标注有消极标签的营销产品和/或营销内容。
9.一种计算机设备,包括存储器、处理器以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4中任一项所述的营销方案迭代方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述的营销方案迭代方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346504.0A CN112463947A (zh) | 2020-11-26 | 2020-11-26 | 营销方案迭代方法、系统、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346504.0A CN112463947A (zh) | 2020-11-26 | 2020-11-26 | 营销方案迭代方法、系统、计算机设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112463947A true CN112463947A (zh) | 2021-03-09 |
Family
ID=74809642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011346504.0A Pending CN112463947A (zh) | 2020-11-26 | 2020-11-26 | 营销方案迭代方法、系统、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112463947A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845986A (zh) * | 2018-05-30 | 2018-11-20 | 中兴通讯股份有限公司 | 一种情感分析方法、设备及系统、计算机可读存储介质 |
CN110442615A (zh) * | 2019-07-15 | 2019-11-12 | 中国平安人寿保险股份有限公司 | 资源信息处理方法、装置、电子设备及存储介质 |
CN111524534A (zh) * | 2020-03-20 | 2020-08-11 | 北京捷通华声科技股份有限公司 | 一种语音分析方法、系统、设备及存储介质 |
CN111723178A (zh) * | 2020-05-19 | 2020-09-29 | 上海明略人工智能(集团)有限公司 | 一种实时提供销售建议的方法、系统、服务器和设备 |
CN111753092A (zh) * | 2020-06-30 | 2020-10-09 | 深圳创新奇智科技有限公司 | 一种数据处理方法、模型训练方法、装置及电子设备 |
-
2020
- 2020-11-26 CN CN202011346504.0A patent/CN112463947A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845986A (zh) * | 2018-05-30 | 2018-11-20 | 中兴通讯股份有限公司 | 一种情感分析方法、设备及系统、计算机可读存储介质 |
CN110442615A (zh) * | 2019-07-15 | 2019-11-12 | 中国平安人寿保险股份有限公司 | 资源信息处理方法、装置、电子设备及存储介质 |
CN111524534A (zh) * | 2020-03-20 | 2020-08-11 | 北京捷通华声科技股份有限公司 | 一种语音分析方法、系统、设备及存储介质 |
CN111723178A (zh) * | 2020-05-19 | 2020-09-29 | 上海明略人工智能(集团)有限公司 | 一种实时提供销售建议的方法、系统、服务器和设备 |
CN111753092A (zh) * | 2020-06-30 | 2020-10-09 | 深圳创新奇智科技有限公司 | 一种数据处理方法、模型训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522556B (zh) | 一种意图识别方法及装置 | |
CN108121795B (zh) | 用户行为预测方法及装置 | |
CN109872162B (zh) | 一种处理用户投诉信息的风控分类识别方法及系统 | |
CN107346433A (zh) | 一种文本数据分类方法及服务器 | |
Van den Bogaerd et al. | Applying machine learning in accounting research | |
CN110287318B (zh) | 业务操作的检测方法及装置、存储介质、电子装置 | |
CN110362689A (zh) | 一种风险评估方法、装置、存储介质和服务器 | |
US10678821B2 (en) | Evaluating theses using tree structures | |
CN111737961B (zh) | 一种故事生成的方法、装置、计算机设备和介质 | |
CN115344805A (zh) | 素材审核方法、计算设备及存储介质 | |
CN118154326A (zh) | 目标金融产品的筛选方法、装置、存储介质和电子设备 | |
Silpa et al. | Detection of Fake Online Reviews by using Machine Learning | |
CN109241249B (zh) | 一种确定突发问题的方法及装置 | |
CN105117468B (zh) | 一种网络数据处理方法和装置 | |
KR102078541B1 (ko) | 이슈 관심도 기반의 뉴스 가치 평가 장치 및 방법, 이를 기록한 기록매체 | |
US9940319B2 (en) | Information analysis system, information analysis method, and information analysis program | |
CN112463947A (zh) | 营销方案迭代方法、系统、计算机设备及可读存储介质 | |
CN111382385A (zh) | 网页所属行业分类方法及装置 | |
CN115617998A (zh) | 一种基于智能营销场景的文本分类方法及装置 | |
CN115098629A (zh) | 文件处理方法、装置、服务器及可读存储介质 | |
US11282093B2 (en) | Method and system for machine learning based item matching by considering user mindset | |
CN110443646B (zh) | 产品竞争关系网络分析方法和系统 | |
CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 | |
CN112307157A (zh) | 申诉意见挖掘方法和装置 | |
CN110852854A (zh) | 一种量化收益模型的生成方法和风险控制策略的评价方法 |
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 |