CN112541534A - 一种客户特性化营销模型匹配方法和装置 - Google Patents
一种客户特性化营销模型匹配方法和装置 Download PDFInfo
- Publication number
- CN112541534A CN112541534A CN202011421897.7A CN202011421897A CN112541534A CN 112541534 A CN112541534 A CN 112541534A CN 202011421897 A CN202011421897 A CN 202011421897A CN 112541534 A CN112541534 A CN 112541534A
- Authority
- CN
- China
- Prior art keywords
- nodes
- model
- cluster
- marketing
- behavior data
- 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 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 74
- 238000013499 data model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 38
- 230000003993 interaction Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 14
- 238000005265 energy consumption Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006855 networking Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (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
本发明提供了一种客户特性化营销模型匹配方法和装置，该方法包括：获取客户行为数据；对客户行为数据进行预处理，确定标准客户行为数据；根据业务需求从节点中动态划分出簇内节点；根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；将匹配结果传输至其他节点，确定展示营销模型。本发明实施例通过边缘端进行的用户数据采集，将银行节点进行边缘自组织的计算模型，减少交互所带来的时延，实现营销模型的精准匹配。
Description
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种客户特性化营销模型匹配方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
传统的集中式计算模型，存在需要将边缘采集的数据传输至云计算平台进行统一的计算，再回传至边缘系传输过程产生的能量消耗和网络带宽的量级十分巨大，并且强依赖于基础网络铺设。并且集中计算的方式，处理数据的模式难免寻求共性，模糊特性。
传统的数据处理计算系统，需要将采集好的数据，传输至云计算节点来进行计算，这样会造成数据传输带来的网络带宽压力及传输能耗，计算中心的计算负载也非常高，强依赖基础设施的铺设。
因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种客户特性化营销模型匹配方法，将银行节点进行边缘自组织的计算模型，减少交互所带来的时延，实现营销模型的精准匹配，该方法包括：
获取客户行为数据；
对客户行为数据进行预处理，确定标准客户行为数据；
根据业务需求从节点中动态划分出簇内节点；
根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；
将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；
将匹配结果传输至其他节点，确定展示营销模型。
本发明实施例还提供一种客户特性化营销模型匹配装置，包括：
数据获取模块，用于获取客户行为数据；
预处理模块，用于对客户行为数据进行预处理，确定标准客户行为数据；
簇内节点确定模块，用于根据业务需求从节点中动态划分出簇内节点；
簇计算节点确定模块，用于根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；
模型及计算服务模块，用于将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；
展示营销模型确定模块，用于将匹配结果传输至其他节点，确定展示营销模型。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述一种客户特性化营销模型匹配方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述一种客户特性化营销模型匹配方法的计算机程序。
本发明实施例提供的一种客户特性化营销模型匹配方法和装置，首先获取客户行为数据；然后对客户行为数据进行预处理，确定标准客户行为数据；接着根据业务需求从节点中动态划分出簇内节点；下一步根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；再下一步将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；最后将匹配结果传输至其他节点，确定展示营销模型。本发明实施例通过边缘端进行的用户数据采集，将银行节点进行边缘自组织的计算模型，减少交互所带来的时延，能够用于快速进行用户画像的边缘端特征计算，实现营销模型的精准匹配；解决集中式数据处理远距离的数据传输带来的能耗及带宽占用问题，做到实时采集，实时反馈，实现营销产品的快速转化和潜在用户发现及后续匹配针对性营销策略；同时达到降低中心计算负载、更少的带宽占用，能源节约等目的。
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简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
图1为本发明实施例一种客户特性化营销模型匹配方法示意图。
图2为本发明实施例一种客户特性化营销模型匹配方法的簇内节点划分过程示意图。
图3为本发明实施例一种客户特性化营销模型匹配方法的匹配过程示意图。
图4为运行本发明实施的一种客户特性化营销模型匹配方法的计算机装置示意图。
图5为本发明实施例一种客户特性化营销模型匹配装置示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例一种客户特性化营销模型匹配方法示意图，如图1所示，本发明实施例提供一种客户特性化营销模型匹配方法，将银行节点进行边缘自组织的计算模型，减少交互所带来的时延，实现营销模型的精准匹配，该方法包括：
步骤101：获取客户行为数据；
步骤102：对客户行为数据进行预处理，确定标准客户行为数据；
步骤103：根据业务需求从节点中动态划分出簇内节点；
步骤104：根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；
步骤105：将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；
步骤106：将匹配结果传输至其他节点，确定展示营销模型。
本发明实施例提供的一种客户特性化营销模型匹配方法，首先获取客户行为数据；然后对客户行为数据进行预处理，确定标准客户行为数据；接着根据业务需求从节点中动态划分出簇内节点；下一步根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；再下一步将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；最后将匹配结果传输至其他节点，确定展示营销模型。本发明实施例通过边缘端进行的用户数据采集，将银行节点进行边缘自组织的计算模型，减少交互所带来的时延，能够用于快速进行用户画像的边缘端特征计算，实现营销模型的精准匹配；解决集中式数据处理远距离的数据传输带来的能耗及带宽占用问题，做到实时采集，实时反馈，实现营销产品的快速转化和潜在用户发现及后续匹配针对性营销策略；同时达到降低中心计算负载、更少的带宽占用，能源节约等目的。
边缘式的计算系统由于其天然优势更有助于边缘端的特征计算。因其快速响应和边缘端特征计算的优势有助于解决网点营销业务实时性和针对差的问题。随着智能设备的增设铺设，边缘端拥有计算能力的设备数量迅速增加，在原有的集中式数据处理的模型下，已经不能满足网点营销快速反应和用户画像的边缘特征计算的需求。传统网点营销手段通常采用客户资产划分、和网点现有营销业务实时性和针对性都不高。
现在边缘端的设备更新换代，计算能力已经可以媲美PC，本发明实施例在边缘端进行的分布式数据计算不但能解决集中式数据所带来的能耗等问题，并且边缘自组织的计算模型，减少交互所带来的时延，能够快速进行用户画像的边缘端特征计算，这里讲的边缘端特征计算指的是以边缘簇为范围进行的特征提取，例如划定地区内经办外币兑换的网点，簇的形成可动态划分，实时进行用户画像与对应营销模型的匹配，进而满足网点营销的快速反应。
具体实施本发明实施例提供的一种客户特性化营销模型匹配方法时，可以包括：
获取客户行为数据；对客户行为数据进行预处理，确定标准客户行为数据；根据业务需求从节点中动态划分出簇内节点；根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；将匹配结果传输至其他节点，确定展示营销模型。
具体实施本发明实施例提供的一种客户特性化营销模型匹配方法时，在一个实施例中，前述的获取客户行为数据，包括：利用边缘设备集成的摄像头、迎宾摄像头和红外设备获取客户行为数据。
实施例中，采集边缘端集成的摄像头，迎宾摄像头，红外设备等客户行为数据。
具体实施本发明实施例提供的一种客户特性化营销模型匹配方法时，在一个实施例中，前述的对客户行为数据进行预处理，确定标准客户行为数据，包括：
将客户行为数据进行数据清理、转换和特征选择，去除无意义数据项和异常值，确定标准客户行为数据。
实施例中，为了提高边缘计算的效率，提升每一节点在计算时数据的处理能力，需要进行数据预处理，具体包括：将客户行为数据进行数据清理、转换和特征选择，去除无意义数据项和异常值，确定标准客户行为数据。还包括将标准客户行为数据传输至簇计算节点。当整体架构设计为计算能源节约型需求时，该预处理部署在计算服务上；当整体架构为带宽节约型需求是，预处理部署在数据采集服务上。
图2为本发明实施例一种客户特性化营销模型匹配方法的簇内节点划分过程示意图，如图2所示，具体实施本发明实施例提供的一种客户特性化营销模型匹配方法时，在一个实施例中，前述的根据业务需求从节点中动态划分出簇内节点，包括：
步骤201：利用调度服务根据业务需求，提取节点的特征标签；
步骤202：利用节点的特征标签作为划分依据，从节点中动态划分出簇内节点。
具体实施本发明实施例提供的一种客户特性化营销模型匹配方法时，在一个实施例中，前述的根据自适应集簇算法，动态的从簇内节点中选出簇计算节点，包括：
选取簇内节点标签划分节点成簇，向所有含有此标签的节点发送成簇指令，节点收到指令后向调度服务发送节点信息，调度服务根据节点信息进行计算，选出簇计算节点。
实施例中，前述节点信息，包括：能量，是否为无线设备，计算能力等。
本发明采用边缘计算进行数据处理计算，通过边缘端采集数据，组网计算，呈现结果的方式。不但能解决集中式数据处理远距离的数据传输带来的能耗及带宽占用问题，做到实时采集，实时反馈。边缘端自组织的组网方式，通过标签模型划分网点或机具的组网，可以便于银行动态调节计算网络，进行边缘端特征的计算，使得网点营销和客户营销更有针对性，更灵活。
本发明实施例在边缘端进行的分布式数据计算不但能解决集中式数据所带来的能耗等问题，并且边缘自组织的计算模型，减少交互所带来的时延，能够快速进行用户画像的边缘端特征计算，这里讲的边缘端特征计算指的是以边缘簇为范围进行的特征提取，例如划定地区内经办外币兑换的网点，簇的形成可动态划分，实时进行用户画像与对应营销模型的匹配，进而满足网点营销的快速反应。
根据时间频次，有些步骤并不是每次计算都参与，例如：调度服务的划分簇节点，可根据营销服务等实际业务或工程需要的变动频次来调整划分频次。
图3为本发明实施例一种客户特性化营销模型匹配方法的匹配过程示意图，如图3所示，具体实施本发明实施例提供的一种客户特性化营销模型匹配方法时，在一个实施例中，前述的营销模型，包括：客户特征模型，潜在客户特征模型，网点营销数据模型；
将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果，包括：
步骤301：将计算服务部署在簇计算节点上，通过计算服务调用模型服务加载客户特征模型、潜在客户特征模型和网点营销数据模型；
步骤302：利用线性判别分析算法将客户特征模型、潜在客户特征模型和网点营销数据模型与标准客户行为数据进行匹配，确定匹配结果。
营销模型是通过模型服务进行加载与下载，加载模型供计算服务调用，目前在本实施例中提供客户特征模型、潜在客户特征模型、网点营销数据模型等。
前述的将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果，可以包括：首先，将计算服务部署在簇计算节点上，通过计算服务调用模型服务加载客户特征模型、潜在客户特征模型和网点营销数据模型；然后利用线性判别分析算法将客户特征模型、潜在客户特征模型和网点营销数据模型与标准客户行为数据进行匹配，确定匹配结果，将匹配结果回传给簇内节点。
根据时间频次，有些步骤并不是每次计算都参与，例如：模型下载服务如果模型变更的频次不是很高，也可采用离线推送的方式。
报表服务和通讯服务属于基本框架，为了系统的完整性需要增加。
银行智能网点智能设备的自组织的边缘端客户行为数据采集、计算和营销，用户画像模型的匹配。
具体实施本发明实施例提供的一种客户特性化营销模型匹配方法时，在一个实施例中，前述的方法还可以包括：调用报表服务，按照业务导向为维度和系统运维为维度生成业务报表。
实施例中，报表服务可以提供各维度的报表汇集，包括以业务导向为维度和系统运维为维度。簇计算节点、调度服务、模型服务夜间批量调用报表服务生成报表。
本发明实施例还提供了一种客户特性化营销模型匹配方法的流程，包括：
调度服务根据业务规则选用标签划分节点为簇内节点，根据簇内计算奖励最大化原则选出簇计算节点。
簇计算节点接收边缘端集成的摄像头，迎宾摄像头，红外设备等客户行为数据。
簇计算节点初筛客户行为数据情况，调用模型服务进行营销模型下载(含更新日期)，进行计算匹配。
簇计算节点回传匹配结果给其他节点，如客户操作节点机具，大堂经理手持pad等。
客户操作节点机具展示结果给客户，大堂经理手持pad展示给大堂经理作为营销依据。
簇计算节点、调度服务、模型服务夜间批量调用报表服务生成报表。
本发明实施例还提供了一种客户特性化营销模型匹配方法提供的各种服务支持，包括：
数据采集服务：采集边缘端集成的摄像头，迎宾摄像头，红外设备等客户行为数据，并传输至簇计算节点。
预处理服务：将收集的数据进行数据清理，转换，特征选择，去除无意义数据项，异常值。当整体架构设计为计算能源节约型需求时，预处理服务部署在计算服务上，当整体架构为带宽节约型需求是，预处理服务部署在数据采集服务上。
计算服务：部署在计算节点上，当机具被选为计算节点时启用，接收传输的采集数据，使用线性判别分析算法匹配客户特征模型、潜在客户特征模型，和网点营销数据模型并将匹配结果回传给簇内节点。
调度服务：负责划分节点为簇内节点，提取节点的标签作为划分依据，并通过自适应集簇算法动态选出簇计算节点。其中，自适应集簇算法的运行过程，包括：选取节点标签划分节点成簇，调度服务向所有含有此标签的节点发送成簇指令，节点收到指令后向调度服务发送节点信息(属性值包含能量，是否为无线设备，计算能力等)，调度服务根据节点信息进行计算，选出计算节点。
模型服务：加载模型供计算服务调用，目前在本方案中提供客户特征模型、潜在客户特征模型、网点营销数据模型等。
消息服务：基础服务，负责节点间的数据传输。
报表服务，提供各维度的报表汇集，包括以业务导向为维度和系统运维为维度。
本发明实施例建立一套基于边缘端的分布式客户特性化营销模型匹配方法，其中，计算服务和调度服务的建立，计算服务需要采用合适的算法及参数调整将机具选为计算节点。调度服务需要选用合适的节点标签作为划分依据。模型服务的建立是个迭代的过程，本方案为实现一个网点营销快速反应所需建立的客户特征模型、潜在客户特征模型、网点营销数据模型为后续模型建立提供了基础和样例。
图4为运行本发明实施的一种客户特性化营销模型匹配方法的计算机装置示意图，如图4所示，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述一种客户特性化营销模型匹配方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现上述一种客户特性化营销模型匹配方法的计算机程序。
本发明实施例中还提供了一种客户特性化营销模型匹配装置，如下面的实施例所述。由于该装置解决问题的原理与一种客户特性化营销模型匹配方法相似，因此该装置的实施可以参见一种客户特性化营销模型匹配方法的实施，重复之处不再赘述。
图5为本发明实施例一种客户特性化营销模型匹配装置示意图，如图5所示，本发明实施例还提供一种客户特性化营销模型匹配装置，具体实施时可以包括：
数据获取模块501，用于获取客户行为数据；
预处理模块502，用于对客户行为数据进行预处理，确定标准客户行为数据；
簇内节点确定模块503，用于根据业务需求从节点中动态划分出簇内节点；
簇计算节点确定模块504，用于根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；
模型及计算服务模块505，用于将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；
展示营销模型确定模块506，用于将匹配结果传输至其他节点，确定展示营销模型。
具体实施本发明实施例提供的一种客户特性化营销模型匹配装置时，在一个实施例中，前述的数据获取模块，具体用于：利用边缘设备集成的摄像头、迎宾摄像头和红外设备获取客户行为数据。
具体实施本发明实施例提供的一种客户特性化营销模型匹配装置时，在一个实施例中，前述的预处理模块，具体用于：
将客户行为数据进行数据清理、转换和特征选择，去除无意义数据项和异常值，确定标准客户行为数据。
具体实施本发明实施例提供的一种客户特性化营销模型匹配装置时，在一个实施例中，前述的簇内节点确定模块，具体用于：
利用调度服务根据业务需求，提取节点的特征标签；
利用节点的特征标签作为划分依据，从节点中动态划分出簇内节点。
具体实施本发明实施例提供的一种客户特性化营销模型匹配装置时，在一个实施例中，前述的簇计算节点确定模块，具体用于：
选取簇内节点标签划分节点成簇，向所有含有此标签的节点发送成簇指令，节点收到指令后向调度服务发送节点信息，调度服务根据节点信息进行计算，选出簇计算节点。
具体实施本发明实施例提供的一种客户特性化营销模型匹配装置时，在一个实施例中，前述的营销模型，包括：客户特征模型，潜在客户特征模型，网点营销数据模型；
前述的模型及计算服务模块，具体用于：
将计算服务部署在簇计算节点上，通过计算服务调用模型服务加载客户特征模型、潜在客户特征模型和网点营销数据模型；
利用线性判别分析算法将客户特征模型、潜在客户特征模型和网点营销数据模型与标准客户行为数据进行匹配，确定匹配结果。
具体实施本发明实施例提供的一种客户特性化营销模型匹配装置时，在一个实施例中，前述的装置还包括：报表模块，用于调用报表服务，按照业务导向为维度和系统运维为维度生成业务报表。
综上，本发明实施例提供的一种客户特性化营销模型匹配方法和装置，首先获取客户行为数据；然后对客户行为数据进行预处理，确定标准客户行为数据；接着根据业务需求从节点中动态划分出簇内节点；下一步根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；再下一步将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；最后将匹配结果传输至其他节点，确定展示营销模型。本发明实施例通过边缘端进行的用户数据采集，将银行节点进行边缘自组织的计算模型，减少交互所带来的时延，能够用于快速进行用户画像的边缘端特征计算，实现营销模型的精准匹配；解决集中式数据处理远距离的数据传输带来的能耗及带宽占用问题，做到实时采集，实时反馈，实现营销产品的快速转化和潜在用户发现及后续匹配针对性营销策略；同时达到降低中心计算负载、更少的带宽占用，能源节约等目的。
本发明采用边缘计算进行数据处理计算，通过边缘端采集数据，组网计算，呈现结果的方式。不但能解决集中式数据处理远距离的数据传输带来的能耗及带宽占用问题，做到实时采集，实时反馈。边缘端自组织的组网方式，通过标签模型划分网点或机具的组网，可以便于银行动态调节计算网络，进行边缘端特征的计算，使得网点营销和客户营销更有针对性，更灵活。
本发明实施例在边缘端进行的分布式数据计算不但能解决集中式数据所带来的能耗等问题，并且边缘自组织的计算模型，减少交互所带来的时延，能够快速进行用户画像的边缘端特征计算，这里讲的边缘端特征计算指的是以边缘簇为范围进行的特征提取，例如划定地区内经办外币兑换的网点，簇的形成可动态划分，实时进行用户画像与对应营销模型的匹配，进而满足网点营销的快速反应。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (16)
1.一种客户特性化营销模型匹配方法，其特征在于，包括：
获取客户行为数据；
对客户行为数据进行预处理，确定标准客户行为数据；
根据业务需求从节点中动态划分出簇内节点；
根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；
将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；
将匹配结果传输至其他节点，确定展示营销模型。
2.如权利要求1所述的方法，其特征在于，获取客户行为数据，包括：利用边缘设备集成的摄像头、迎宾摄像头和红外设备获取客户行为数据。
3.如权利要求1所述的方法，其特征在于，对客户行为数据进行预处理，确定标准客户行为数据，包括：
将客户行为数据进行数据清理、转换和特征选择，去除无意义数据项和异常值，确定标准客户行为数据。
4.如权利要求1所述的方法，其特征在于，根据业务需求从节点中动态划分出簇内节点，包括：
利用调度服务根据业务需求，提取节点的特征标签；
利用节点的特征标签作为划分依据，从节点中动态划分出簇内节点。
5.如权利要求1所述的方法，其特征在于，根据自适应集簇算法，动态的从簇内节点中选出簇计算节点，包括：
选取簇内节点标签划分节点成簇，向所有含有此标签的节点发送成簇指令，节点收到指令后向调度服务发送节点信息，调度服务根据节点信息进行计算，选出簇计算节点。
6.如权利要求1所述的方法，其特征在于，所述营销模型，包括：客户特征模型，潜在客户特征模型，网点营销数据模型；
将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果，包括：
将计算服务部署在簇计算节点上，通过计算服务调用模型服务加载客户特征模型、潜在客户特征模型和网点营销数据模型；
利用线性判别分析算法将客户特征模型、潜在客户特征模型和网点营销数据模型与标准客户行为数据进行匹配，确定匹配结果。
7.如权利要求1所述的方法，其特征在于，还包括：调用报表服务，按照业务导向为维度和系统运维为维度生成业务报表。
8.一种客户特性化营销模型匹配装置，其特征在于，包括：
数据获取模块，用于获取客户行为数据；
预处理模块，用于对客户行为数据进行预处理，确定标准客户行为数据；
簇内节点确定模块，用于根据业务需求从节点中动态划分出簇内节点；
簇计算节点确定模块，用于根据自适应集簇算法，动态的从簇内节点中选出簇计算节点；
模型及计算服务模块，用于将计算服务部署在簇计算节点上，调用模型服务加载营销模型，根据标准客户行为数据进行匹配，确定匹配结果；
展示营销模型确定模块，用于将匹配结果传输至其他节点，确定展示营销模型。
9.如权利要求8所述的装置，其特征在于，数据获取模块，具体用于：利用边缘设备集成的摄像头、迎宾摄像头和红外设备获取客户行为数据。
10.如权利要求8所述的装置，其特征在于，预处理模块，具体用于：
将客户行为数据进行数据清理、转换和特征选择，去除无意义数据项和异常值，确定标准客户行为数据。
11.如权利要求8所述的装置，其特征在于，簇内节点确定模块，具体用于：
利用调度服务根据业务需求，提取节点的特征标签；
利用节点的特征标签作为划分依据，从节点中动态划分出簇内节点。
12.如权利要求8所述的装置，其特征在于，簇计算节点确定模块，具体用于：
选取簇内节点标签划分节点成簇，向所有含有此标签的节点发送成簇指令，节点收到指令后向调度服务发送节点信息，调度服务根据节点信息进行计算，选出簇计算节点。
13.如权利要求8所述的装置，其特征在于，所述营销模型，包括：客户特征模型，潜在客户特征模型，网点营销数据模型；
模型及计算服务模块，具体用于：
将计算服务部署在簇计算节点上，通过计算服务调用模型服务加载客户特征模型、潜在客户特征模型和网点营销数据模型；
利用线性判别分析算法将客户特征模型、潜在客户特征模型和网点营销数据模型与标准客户行为数据进行匹配，确定匹配结果。
14.如权利要求8所述的装置，其特征在于，还包括：报表模块，用于调用报表服务，按照业务导向为维度和系统运维为维度生成业务报表。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7任一项所述方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行实现权利要求1至7任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421897.7A CN112541534A (zh) | 2020-12-08 | 2020-12-08 | 一种客户特性化营销模型匹配方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421897.7A CN112541534A (zh) | 2020-12-08 | 2020-12-08 | 一种客户特性化营销模型匹配方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541534A true CN112541534A (zh) | 2021-03-23 |
Family
ID=75018629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011421897.7A Pending CN112541534A (zh) | 2020-12-08 | 2020-12-08 | 一种客户特性化营销模型匹配方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541534A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538036A (zh) * | 2021-06-04 | 2021-10-22 | 深圳市英创艾伦智能科技有限公司 | 5g、ai边缘计算、物联网的数字化管理系统及方法和装置 |
| CN114528448A (zh) * | 2022-02-25 | 2022-05-24 | 南京苏维博欣信息技术有限公司 | 一种全球外贸客户客户画像精准分析系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665083A (zh) * | 2017-03-31 | 2018-10-16 | 江苏瑞丰信息技术股份有限公司 | 一种基于用户画像动态轨迹模型的广告推荐方法及系统 |
| CN109684635A (zh) * | 2018-12-20 | 2019-04-26 | 上海四宸软件技术有限公司 | 一种基于智能营销的用户评价观点挖掘系统 |
| CN111784496A (zh) * | 2020-06-08 | 2020-10-16 | 恒银金融科技股份有限公司 | 一种应用于银行中的实时精准营销辅助系统和方法 |
-
2020
- 2020-12-08 CN CN202011421897.7A patent/CN112541534A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665083A (zh) * | 2017-03-31 | 2018-10-16 | 江苏瑞丰信息技术股份有限公司 | 一种基于用户画像动态轨迹模型的广告推荐方法及系统 |
| CN109684635A (zh) * | 2018-12-20 | 2019-04-26 | 上海四宸软件技术有限公司 | 一种基于智能营销的用户评价观点挖掘系统 |
| CN111784496A (zh) * | 2020-06-08 | 2020-10-16 | 恒银金融科技股份有限公司 | 一种应用于银行中的实时精准营销辅助系统和方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538036A (zh) * | 2021-06-04 | 2021-10-22 | 深圳市英创艾伦智能科技有限公司 | 5g、ai边缘计算、物联网的数字化管理系统及方法和装置 |
| CN114528448A (zh) * | 2022-02-25 | 2022-05-24 | 南京苏维博欣信息技术有限公司 | 一种全球外贸客户客户画像精准分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740755B (zh) | 一种基于梯度下降法的数据处理方法及相关装置 | |
| CN109167835A (zh) | 一种基于kubernetes的物理资源调度方法及系统 | |
| CN109814951A (zh) | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 | |
| CN103761309B (zh) | 一种运营数据处理方法及系统 | |
| CN106330576A (zh) | 容器化微服务自动伸缩及迁移调度的方法、系统和设备 | |
| CN112541534A (zh) | 一种客户特性化营销模型匹配方法和装置 | |
| CN110532078A (zh) | 一种边缘计算调度优化方法及系统 | |
| CN105677763B (zh) | 一种基于Hadoop的图像质量评估系统 | |
| CN113448812A (zh) | 微服务场景下的监控告警方法及装置 | |
| CN110430068A (zh) | 一种特征工程编排方法及装置 | |
| CN108334557B (zh) | 一种聚合数据分析方法、装置、存储介质及电子设备 | |
| CN109558991B (zh) | 基于自贩机的货道量推荐方法、装置、设备及存储介质 | |
| CN111857734B (zh) | 一种分布式深度学习模型平台部署及使用方法 | |
| CN112764920A (zh) | 一种边缘应用部署方法、装置、设备和存储介质 | |
| CN110347653A (zh) | 数据处理方法及装置、电子设备和可读存储介质 | |
| CN109873872A (zh) | 一种支持混合云模式的云连接器装置及方法 | |
| CN116668331A (zh) | 分布式性能监控系统以及方法 | |
| CN116192849A (zh) | 一种异构加速板卡计算方法、装置、设备及介质 | |
| CN115081679A (zh) | 基于cdc的工业数据动态变化自动感知处理系统 | |
| CN115827232A (zh) | 一种为业务模型确定配置的方法、装置、系统及设备 | |
| CN114862098A (zh) | 资源分配方法以及装置 | |
| CN112486667A (zh) | 一种基于边缘计算精准处理数据的方法及装置 | |
| CN113379344A (zh) | 一种基于云计算处理的智能物流处理方法和系统 | |
| CN106027420A (zh) | 一种资源模型创建方法和装置 | |
| CN111506409A (zh) | 一种数据处理方法及系统 |
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 |