CN113064927A - 客户筛选方法、装置、电子设备及计算机可读存储介质 - Google Patents
客户筛选方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113064927A CN113064927A CN202110312135.1A CN202110312135A CN113064927A CN 113064927 A CN113064927 A CN 113064927A CN 202110312135 A CN202110312135 A CN 202110312135A CN 113064927 A CN113064927 A CN 113064927A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- customer
- target
- sample
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 216
- 239000013598 vector Substances 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims description 50
- 238000004891 communication Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102220279244 rs1555053901 Human genes 0.000 description 1
- 102220096718 rs865838543 Human genes 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Mathematical Analysis (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及信息筛选技术领域,公开了一种客户筛选方法、装置、电子设备及计算机可读存储介质。该方法包括:获取客户信息;根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项;计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值;计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。通过上述方式,本发明实施例实现了对目标客户的准确筛选。
Description
技术领域
本发明实施例涉及信息筛选技术领域,具体涉及一种客户筛选方法、装置、电子设备及计算机可读存储介质。
背景技术
在销售活动中,若商家对目标客户的筛选不准确,往往会导致销售业绩不理想。因此,商家需要对客户进行准确筛选,以提升销售业绩。
相关技术中,对客户进行筛选没有固定的标准,往往基于人工进行。在汽车维修场景下,客户信息一般包含客户的车辆信息。客户的车辆信息一般包含车型、品牌、车辆行驶公里数等信息。基于客户信息来筛选目标客户,并制定针对目标客户的销售方案,可以较好的提高销售业绩。然而,发明人在实现本发明的过程中发现:相关技术中的筛选方式准确度较低,无法实现准确筛选目标客户。
发明内容
鉴于上述问题,本发明实施例提供了一种客户筛选方法、装置、电子设备及计算机可读存储介质,用于解决现有技术中存在的客户筛选不准确的问题。
根据本发明实施例的一个方面,提供了一种客户筛选方法,包括:
获取客户信息;
根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项;
计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值;
计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。
在一种可选的方式中,所述权重矩阵的训练包括:
获取客户信息样本以及所述客户信息样本中每个样本所对应的样本标签;
根据所述客户信息样本生成特征矩阵样本,其中,所述特征矩阵样本的行向量表征样本特征项的多个特征维度的特征值,所述样本特征项为所述客户信息样本对应的任意一个特征项;
计算所述特征矩阵样本的行向量与待训练权重矩阵的对应列向量的乘积,以生成训练对角矩阵,其中,所述待训练权重矩阵的对应列向量表征所述样本特征项的多个特征维度的权重值;
计算所述训练对角矩阵的迹;
根据所述训练对角矩阵的迹的大小以及对应的样本标签,调整所述待训练权重矩阵的列向量的对应元素的权重值。
在一种可选的方式中,所述样本标签包括目标客户标签和非目标客户标签;
所述根据所述训练对角矩阵的迹的大小以及对应的样本标签,调整所述待训练权重矩阵的列向量的对应元素的权重值包括:
若所述样本标签为目标客户标签,且所述训练对角矩阵的迹不大于第二预设阈值,则调高所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述目标客户标签所对应的训练对角矩阵的迹均大于所述第二预设阈值;
若所述样本标签为非目标客户标签,且所述训练对角矩阵的迹不小于第三预设阈值,则调低所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述非目标客户标签所对应的训练对角矩阵的迹均小于所述第三预设阈值。
在一种可选的方式中,所述方法还包括:
生成拉新优惠券;
将所述拉新优惠券发送给所述目标客户,以供所述目标客户将所述拉新优惠券转发给潜在客户。
在一种可选的方式中,所述方法包括:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的目标客户;
向所述使用信息所对应的目标客户发送奖励优惠券。
在一种可选的方式中,所述方法包括:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的潜在客户;
获取所述潜在客户所对应的潜在客户信息;
根据所述潜在客户信息对所述权重矩阵进行训练。
在一种可选的方式中,在所述根据所述客户信息的特征项所对应的特征值生成特征矩阵之前,包括:
提取所述客户信息中的特征项所对应的特征值,所述客户信息中的特征项包括车辆品牌、车辆价格、车龄、车辆行驶公里数、客户消费活跃度、客户平均消费金额、客户性格。
根据本发明实施例的另一方面,提供了一种客户筛选装置,包括:
获取模块,用于获取客户信息;
第一生成模块,用于根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项;
第二生成模块,用于计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值;
确定模块,用于计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。
根据本发明实施例的另一方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述的客户筛选方法的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使电子设备执行上述的客户筛选方法的操作。
本发明实施例根据客户信息的特征项所对应的特征值生成特征矩阵,特征矩阵的行向量表征目标特征项的多个特征维度的特征值。通过计算特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积以生成对角矩阵,若判断对角矩阵的迹大于第一预设阈值,则将客户信息所对应的客户确定为目标客户。将目标客户的筛选转化为对角矩阵的迹与第一预设阈值的大小的判断,避免了人工筛选所存在的局限性,提高了客户筛选的准确度。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的客户筛选方法的流程示意图;
图2示出了本发明实施例提供的客户筛选装置的结构示意图;
图3示出了本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明实施例客户筛选方法的流程图,该方法由电子设备执行。电子设备的存储器用于存放至少一可执行指令,该可执行指令使电子设备执行上述的客户筛选方法的操作。
如图1所示,该方法包括以下步骤:
步骤110:获取客户信息。
其中,根据不同的应用场景,客户信息包括多种。例如,在汽车维修场景下,客户信息为进行汽车维修的客户的相关信息。
步骤120:根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项。
其中,客户信息一般对应多个特征项。例如,在汽车维修场景下,客户信息的特征项包括客户特征项和车辆特征项。车辆特征项可以包括车辆品牌、车辆价格、车龄和车辆行驶公里数,客户特征项可以包括客户消费频率、客户单次消费金额和客户消费性格。客户信息的特征项一般包括多个特征维度。
在一种可选的方式中,车辆品牌的特征维度包括:宝马、奔驰、大众、福特、日产、本田、丰田、法拉利和保时捷;车辆价格的特征维度包括:0-5万、5-8万、8-10万、10-15万、15-20、20-25万、20-30万、30-50万和50万以上;车龄的特征维度包括:0-3年、4年、5年、6年、7年、8年、9年、10年和10年以上;车辆行驶公里数的特征维度包括:0-2万、2-4万、4-6万、6-8万、8-10万、10-13万、13-16万、16-19万和19万以上;客户消费频率的特征维度包括:0-3个月、4个月、5个月、6个月、7个月、8个月、9个月、10个月和10个月以上;客户单次消费金额的特征维度包括:0-100、100-200、200-300、300-400、400-500、500-800、800-1000、1000-2000和2000以上;客户消费性格的特征维度包括:慷慨、和善、易于沟通、仔细认真、专业、要求较多、节俭、难缠和不易相处。
在一种可选的方式中,可以先提取客户信息中的特征项所对应的特征值,再执行根据客户信息的特征项所对应的特征值生成特征矩阵的步骤。
其中,特征矩阵的行向量表征目标特征项的多个特征维度的特征值,目标特征项为客户信息对应的任意一个特征项。例如,特征矩阵为如下的特征矩阵X:
特征矩阵X的行向量X1、X2、X3、X4、X5、X6和X7分别表征车辆品牌、车辆价格、车龄、车辆行驶公里数、客户消费频率、客户单次消费金额和客户消费性格的多个特征维度的特征值。
其中,行向量X1中x11~x19分别代表车辆品牌的特征维度:宝马、奔驰、大众、福特、日产、本田、丰田、法拉利和保时捷;行向量X2中x21~x29分别代表车辆价格的特征维度:0-5万、5-8万、8-10万、10-15万、15-20、20-25万、25-30万、30-50万和50万以上;行向量X3中x31~x39分别代表车龄的特征维度:0-3年、4年、5年、6年、7年、8年、9年、10年和10年以上;行向量X4中x41~x49分别代表车辆行驶公里数的特征维度:0-2万、2-4万、4-6万、6-8万、8-10万、10-13万、13-16万、16-19万和19万以上;行向量X5中x51~x59分别代表客户消费频率的特征维度:0-3个月、4个月、5个月、6个月、7个月、8个月、9个月、10个月和10个月以上;行向量X6中x61~x69分别代表客户单次消费金额的特征维度:0-100、100-200、200-300、300-400、400-500、500-800、800-1000、1000-2000和2000以上;行向量X7中x71~x79分别代表客户消费性格的特征维度:慷慨、和善、易于沟通、仔细认真、专业、要求较多、节俭、难缠和不易相处。
其中,若某客户信息样本为“宝马,25-30万,5年,6-8万,4个月,500-800,慷慨”,则根据该客户信息的特征项所对应的特征值所生成的特征矩阵为特征矩阵X’:
步骤130:计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值。
其中,通过计算特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,可以生成对角矩阵。预先训练好的权重矩阵的对应列向量表征目标特征项的多个特征维度的权重值。例如,训练好的权重矩阵为如下的权重矩阵W:
权重矩阵W的列向量W1、W2、W3、W4、W5、W6和W7分别表征车辆品牌、车辆价格、车龄、车辆行驶公里数、客户消费频率、客户单次消费金额和客户消费性格的多个特征维度的权重值。
其中,w11~w19分别代表车辆品牌的特征维度中宝马、奔驰、大众、福特、日产、本田、丰田、法拉利和保时捷的权重值;w21~w29分别代表车辆价格的特征维度中0-5万、5-8万、8-10万、10-15万、15-20、20-25万、25-30万、30-50万和50万以上的权重值;w31~w39分别代表车龄的特征维度中0-3年、4年、5年、6年、7年、8年、9年、10年和10年以上的权重值;w41~w49分别代表车辆行驶公里数的特征维度中0-2万、2-4万、4-6万、6-8万、8-10万、10-13万、13-16万、16-19万和19万以上的权重值;w51~w59分别代表客户消费频率的特征维度中0-3个月、4个月、5个月、6个月、7个月、8个月、9个月、10个月和10个月以上的权重值;w61~w69分别代表客户单次消费金额的特征维度中0-100、100-200、200-300、300-400、400-500、500-800、800-1000、1000-2000和2000以上的权重值;w71~w79分别代表客户消费性格的特征维度中慷慨、和善、易于沟通、仔细认真、专业、要求较多、节俭、难缠和不易相处的权重值。
其中,分别计算特征矩阵X的行向量与预先训练好的权重矩阵W的对应列向量的乘积可以生成对角矩阵。该对角矩阵例如为如下的矩阵C:
C11=X11*W11+X12*W12+X13*W13+X14*W14+X15*W15+X16*W16+X17*W17+X18*W18+X19*W19;
C22=X21*W21+X22*W22+X23*W23+X24*W24+X25*W25+X26*W26+X27*W27+X28*W28+X29*W29;
……
C77=X71*W71+X72*W72+X73*W73+X74*W74+X75*W75+X76*W76+X77*W77+X78*W78+X79*W79。
在一种可选的方式中,可以预先生成待训练权重矩阵,对待训练权重矩阵进行训练以生成所述预先训练好的权重矩阵。待训练权重矩阵中的每一个元素均对应一个初始权重值。在对待训练权重矩阵进行训练之前,可以预先获取历史维修记录,根据历史维修记录获取客户信息样本,设置客户信息样本中每个样本的样本标签。在对待训练权重矩阵进行训练时,获取客户信息样本以及客户信息样本中每个样本所对应的样本标签;根据客户信息样本生成特征矩阵样本,特征矩阵样本的行向量表征样本特征项的多个特征维度的特征值,样本特征项为客户信息样本对应的任意一个特征项;计算特征矩阵样本的行向量与待训练权重矩阵的对应列向量的乘积,以生成训练对角矩阵,其中,待训练权重矩阵的对应列向量表征所述样本特征项的多个特征维度的权重值;计算训练对角矩阵的迹;根据训练对角矩阵的迹的大小以及对应的样本标签,调整待训练权重矩阵的列向量的对应元素的权重值。
在一种可选的方式中,样本标签包括目标客户标签和非目标客户标签;若样本标签为目标客户标签,且训练对角矩阵的迹不大于第二预设阈值,则调高待训练权重矩阵的列向量的对应元素的权重值,使得客户信息样本中目标客户标签所对应的训练对角矩阵的迹均大于第二预设阈值。若样本标签为非目标客户标签,且训练对角矩阵的迹不小于第三预设阈值,则调低待训练权重矩阵的列向量的对应元素的权重值,使得客户信息样本中非目标客户标签所对应的训练对角矩阵的迹均小于第三预设阈值。需要说明的是,第二预设阈值大于第三预设阈值。
步骤140:计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。
其中,对角矩阵C的迹为对角矩阵C主对角线上所有元素之和,即对角矩阵C的迹trC=C11+C22+C33+C44+C55+C66+C77。计算出对角矩阵C的迹后,判断对角矩阵C的迹是否大于第一预设阈值,若判断对角矩阵C的迹大于第一预设阈值,则将客户信息所对应的客户确定为目标客户;若判断对角矩阵C的迹不大于第一预设阈值,则将客户信息所对应的客户确定为非目标客户。
在一种可选的方式中,在步骤140之后,本发明实施例客户筛选方法还包括步骤150:生成拉新优惠券;将所述拉新优惠券发送给所述目标客户,以供所述目标客户将所述拉新优惠券转发给潜在客户。
其中,拉新优惠券是一种供潜在客户进行消费的优惠券,一般由目标客户分享给潜在客户。潜在客户是还未消费过的客户,当潜在客户第一次进行消费时,使用拉新优惠券可以获得一定的优惠额度。生成拉新优惠券之后,将拉新优惠券发送给目标客户,目标客户可以通过各种方式将拉新优惠券转发给潜在客户。例如,目标客户直接将拉新优惠券分享给潜在客户,或者,目标客户将拉新优惠券的二维码分享给潜在客户,供潜在客户通过扫一扫以获取拉新优惠券。
在一种可选的方式中,在步骤150之后,本发明实施例客户筛选方法还包括步骤160:获取所述拉新优惠券的使用信息;确定所述使用信息所对应的目标客户;向所述使用信息所对应的目标客户发送奖励优惠券。
其中,拉新优惠券使用后,可以生成使用记录。例如,拉新优惠券的使用记录例如可以包括使用时间、对应的目标客户和对应的潜在客户。在获取拉新优惠券的使用信息后,可以根据使用信息确定拉新优惠券的使用信息所对应的目标客户,向使用信息所对应的目标客户发送奖励优惠券。奖励优惠券是一种用于奖励目标客户的优惠券。在目标客户进行消费时,使用奖励优惠券可以获取一定的优惠额度。
在一种可选的方式中,在步骤150之后,本发明实施例客户筛选方法还包括步骤170:获取所述拉新优惠券的使用信息;确定所述使用信息所对应的潜在客户;获取所述潜在客户所对应的潜在客户信息;根据所述潜在客户信息对所述权重矩阵进行训练。
其中,获取拉新优惠券的使用信息后,可以确定拉新优惠券的使用信息所对应的潜在客户,获取该潜在客户所对应的潜在客户信息。根据潜在客户信息生成特征矩阵样本,根据潜在客户信息所生成的特征矩阵样本对权重矩阵进行训练,以使得训练后的权重矩阵更加准确。
本发明实施例根据客户信息的特征项所对应的特征值生成特征矩阵,特征矩阵的行向量表征目标特征项的多个特征维度的特征值。通过计算特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积以生成对角矩阵,若判断对角矩阵的迹大于第一预设阈值,则将客户信息所对应的客户确定为目标客户。将目标客户的筛选转化为对角矩阵的迹与第一预设阈值的大小的判断,避免了人工筛选所存在的局限性,提高了客户筛选的准确度。
图2示出了本发明实施例客户筛选装置的结构示意图。如图2所示,该装置300包括:获取模块310、第一生成模块320、第二生成模块330和确定模块340。
其中,获取模块310,用于获取客户信息;
第一生成模块320,用于根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项;
第二生成模块330,用于计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值;
确定模块340,用于计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。
在一种可选的方式中,装置300还包括训练模块,用于对权重矩阵进行训练,所述训练模块进一步用于:
获取客户信息样本以及所述客户信息样本中每个样本所对应的样本标签;
根据所述客户信息样本生成特征矩阵样本,其中,所述特征矩阵样本的行向量表征样本特征项的多个特征维度的特征值,所述样本特征项为所述客户信息样本对应的任意一个特征项;
计算所述特征矩阵样本的行向量与待训练权重矩阵的对应列向量的乘积,以生成训练对角矩阵,其中,所述待训练权重矩阵的对应列向量表征所述样本特征项的多个特征维度的权重值;
计算所述训练对角矩阵的迹;
根据所述训练对角矩阵的迹的大小以及对应的样本标签,调整所述待训练权重矩阵的列向量的对应元素的权重值。
在一种可选的方式中,所述样本标签包括目标客户标签和非目标客户标签,所述训练模块用于:
若所述样本标签为目标客户标签,且所述训练对角矩阵的迹不大于第二预设阈值,则调高所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述目标客户标签所对应的训练对角矩阵的迹均大于所述第二预设阈值;
若所述样本标签为非目标客户标签,且所述训练对角矩阵的迹不小于第三预设阈值,则调低所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述非目标客户标签所对应的训练对角矩阵的迹均小于所述第三预设阈值。
在一种可选的方式中,装置300还包括发送模块,用于:
生成拉新优惠券;
将所述拉新优惠券发送给所述目标客户,以供所述目标客户将所述拉新优惠券转发给潜在客户。
在一种可选的方式中,所述发送模块用于:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的目标客户;
向所述使用信息所对应的目标客户发送奖励优惠券。
在一种可选的方式中,所述训练模块用于:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的潜在客户;
获取所述潜在客户所对应的潜在客户信息;
根据所述潜在客户信息对所述权重矩阵进行训练。
在一种可选的方式中,第一生成模块320用于:
提取所述客户信息中的特征项所对应的特征值,所述客户信息中的特征项包括车辆品牌、车辆价格、车龄、车辆行驶公里数、客户消费活跃度、客户平均消费金额、客户性格。
本发明实施例根据客户信息的特征项所对应的特征值生成特征矩阵,特征矩阵的行向量表征目标特征项的多个特征维度的特征值。通过计算特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积以生成对角矩阵,若判断对角矩阵的迹大于第一预设阈值,则将客户信息所对应的客户确定为目标客户。将目标客户的筛选转化为对角矩阵的迹与第一预设阈值的大小的判断,避免了人工筛选所存在的局限性,提高了客户筛选的准确度。
图3示出了本发明实施例电子设备结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图3所示,该电子设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述用于客户筛选方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以被处理器402调用使电子设备执行以下操作:
获取客户信息;
根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项;
计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值;
计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。
在一种可选的方式中,所述程序410被处理器402调用使电子设备执行以下操作:
获取客户信息样本以及所述客户信息样本中每个样本所对应的样本标签;
根据所述客户信息样本生成特征矩阵样本,其中,所述特征矩阵样本的行向量表征样本特征项的多个特征维度的特征值,所述样本特征项为所述客户信息样本对应的任意一个特征项;
计算所述特征矩阵样本的行向量与待训练权重矩阵的对应列向量的乘积,以生成训练对角矩阵,其中,所述待训练权重矩阵的对应列向量表征所述样本特征项的多个特征维度的权重值;
计算所述训练对角矩阵的迹;
根据所述训练对角矩阵的迹的大小以及对应的样本标签,调整所述待训练权重矩阵的列向量的对应元素的权重值。
在一种可选的方式中,所述样本标签包括目标客户标签和非目标客户标签;所述程序410被处理器402调用使电子设备执行以下操作:
若所述样本标签为目标客户标签,且所述训练对角矩阵的迹不大于第二预设阈值,则调高所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述目标客户标签所对应的训练对角矩阵的迹均大于所述第二预设阈值;
若所述样本标签为非目标客户标签,且所述训练对角矩阵的迹不小于第三预设阈值,则调低所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述非目标客户标签所对应的训练对角矩阵的迹均小于所述第三预设阈值。
在一种可选的方式中,所述程序410被处理器402调用使电子设备执行以下操作:
生成拉新优惠券;
将所述拉新优惠券发送给所述目标客户,以供所述目标客户将所述拉新优惠券转发给潜在客户。
在一种可选的方式中,所述程序410被处理器402调用使电子设备执行以下操作:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的目标客户;
向所述使用信息所对应的目标客户发送奖励优惠券。
在一种可选的方式中,所述程序410被处理器402调用使电子设备执行以下操作:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的潜在客户;
获取所述潜在客户所对应的潜在客户信息;
根据所述潜在客户信息对所述权重矩阵进行训练。
在一种可选的方式中,在执行所述根据所述客户信息的特征项所对应的特征值生成特征矩阵的步骤之前,所述程序410被处理器402调用使电子设备执行以下操作:
提取所述客户信息中的特征项所对应的特征值,所述客户信息中的特征项包括车辆品牌、车辆价格、车龄、车辆行驶公里数、客户消费活跃度、客户平均消费金额、客户性格。
本发明实施例根据客户信息的特征项所对应的特征值生成特征矩阵,特征矩阵的行向量表征目标特征项的多个特征维度的特征值。通过计算特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积以生成对角矩阵,若判断对角矩阵的迹大于第一预设阈值,则将客户信息所对应的客户确定为目标客户。将目标客户的筛选转化为对角矩阵的迹与第一预设阈值的大小的判断,避免了人工筛选所存在的局限性,提高了客户筛选的准确度。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在电子设备上运行时,使得所述电子设备执行上述任意方法实施例中的客户筛选方法。
本发明实施例提供一种客户筛选装置,用于执行上述客户筛选方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使电子设备执行上述任意方法实施例中的客户筛选方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的客户筛选方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明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要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种客户筛选方法,其特征在于,包括:
获取客户信息;
根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项;
计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值;
计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。
2.根据权利要求1所述的方法,其特征在于,所述权重矩阵的训练包括:
获取客户信息样本以及所述客户信息样本中每个样本所对应的样本标签;
根据所述客户信息样本生成特征矩阵样本,其中,所述特征矩阵样本的行向量表征样本特征项的多个特征维度的特征值,所述样本特征项为所述客户信息样本对应的任意一个特征项;
计算所述特征矩阵样本的行向量与待训练权重矩阵的对应列向量的乘积,以生成训练对角矩阵,其中,所述待训练权重矩阵的对应列向量表征所述样本特征项的多个特征维度的权重值;
计算所述训练对角矩阵的迹;
根据所述训练对角矩阵的迹的大小以及对应的样本标签,调整所述待训练权重矩阵的列向量的对应元素的权重值。
3.根据权利要求2所述的方法,其特征在于,所述样本标签包括目标客户标签和非目标客户标签;
所述根据所述训练对角矩阵的迹的大小以及对应的样本标签,调整所述待训练权重矩阵的列向量的对应元素的权重值包括:
若所述样本标签为目标客户标签,且所述训练对角矩阵的迹不大于第二预设阈值,则调高所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述目标客户标签所对应的训练对角矩阵的迹均大于所述第二预设阈值;
若所述样本标签为非目标客户标签,且所述训练对角矩阵的迹不小于第三预设阈值,则调低所述待训练权重矩阵的列向量的对应元素的权重值,使得所述客户信息样本中所述非目标客户标签所对应的训练对角矩阵的迹均小于所述第三预设阈值。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
生成拉新优惠券;
将所述拉新优惠券发送给所述目标客户,以供所述目标客户将所述拉新优惠券转发给潜在客户。
5.根据权利要求4所述的方法,其特征在于,所述方法包括:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的目标客户;
向所述使用信息所对应的目标客户发送奖励优惠券。
6.根据权利要求4所述的方法,其特征在于,所述方法包括:
获取所述拉新优惠券的使用信息;
确定所述使用信息所对应的潜在客户;
获取所述潜在客户所对应的潜在客户信息;
根据所述潜在客户信息对所述权重矩阵进行训练。
7.根据权利要求1所述的方法,其特征在于,在所述根据所述客户信息的特征项所对应的特征值生成特征矩阵之前,包括:
提取所述客户信息中的特征项所对应的特征值,所述客户信息中的特征项包括车辆品牌、车辆价格、车龄、车辆行驶公里数、客户消费活跃度、客户平均消费金额、客户性格。
8.一种客户筛选装置,其特征在于,包括:
获取模块,用于获取客户信息;
第一生成模块,用于根据所述客户信息的特征项所对应的特征值生成特征矩阵,所述特征矩阵的行向量表征目标特征项的多个特征维度的特征值,所述目标特征项为所述客户信息对应的任意一个特征项;
第二生成模块,用于计算所述特征矩阵的行向量与预先训练好的权重矩阵的对应列向量的乘积,以生成对角矩阵,所述预先训练好的权重矩阵的对应列向量表征所述目标特征项的多个特征维度的权重值;
确定模块,用于计算所述对角矩阵的迹,若所述对角矩阵的迹大于第一预设阈值,则将所述客户信息所对应的客户确定为目标客户。
9.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的客户筛选方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使得电子设备执行如权利要求1-7任意一项所述的客户筛选方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312135.1A CN113064927A (zh) | 2021-03-24 | 2021-03-24 | 客户筛选方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312135.1A CN113064927A (zh) | 2021-03-24 | 2021-03-24 | 客户筛选方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113064927A true CN113064927A (zh) | 2021-07-02 |
Family
ID=76561680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110312135.1A Pending CN113064927A (zh) | 2021-03-24 | 2021-03-24 | 客户筛选方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064927A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155086A (zh) * | 2021-11-22 | 2022-03-08 | 北京字节跳动网络技术有限公司 | 一种数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017121272A1 (zh) * | 2016-01-12 | 2017-07-20 | 阿里巴巴集团控股有限公司 | 用户行为数据的处理方法及装置 |
CN110096526A (zh) * | 2019-04-30 | 2019-08-06 | 秒针信息技术有限公司 | 一种用户属性标签的预测方法及预测装置 |
CN110390563A (zh) * | 2019-07-17 | 2019-10-29 | 世纪龙信息网络有限责任公司 | 用户价值的量化方法、装置、计算机设备和存储介质 |
CN112035541A (zh) * | 2020-08-28 | 2020-12-04 | 平安科技(深圳)有限公司 | 客户画像方法、装置、计算机可读存储介质及终端设备 |
CN112365046A (zh) * | 2020-11-09 | 2021-02-12 | 北京沃东天骏信息技术有限公司 | 用户信息生成方法、装置、电子设备和计算机可读介质 |
-
2021
- 2021-03-24 CN CN202110312135.1A patent/CN113064927A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017121272A1 (zh) * | 2016-01-12 | 2017-07-20 | 阿里巴巴集团控股有限公司 | 用户行为数据的处理方法及装置 |
CN110096526A (zh) * | 2019-04-30 | 2019-08-06 | 秒针信息技术有限公司 | 一种用户属性标签的预测方法及预测装置 |
CN110390563A (zh) * | 2019-07-17 | 2019-10-29 | 世纪龙信息网络有限责任公司 | 用户价值的量化方法、装置、计算机设备和存储介质 |
CN112035541A (zh) * | 2020-08-28 | 2020-12-04 | 平安科技(深圳)有限公司 | 客户画像方法、装置、计算机可读存储介质及终端设备 |
CN112365046A (zh) * | 2020-11-09 | 2021-02-12 | 北京沃东天骏信息技术有限公司 | 用户信息生成方法、装置、电子设备和计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155086A (zh) * | 2021-11-22 | 2022-03-08 | 北京字节跳动网络技术有限公司 | 一种数据处理方法及装置 |
CN114155086B (zh) * | 2021-11-22 | 2024-02-02 | 抖音视界有限公司 | 一种数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210303939A1 (en) | Processing Image-Bearing Electronic Documents using a Multimodal Fusion Framework | |
CN104951965B (zh) | 广告投放方法及装置 | |
US20180075482A1 (en) | Non-converting publisher attribution weighting and analytics server and method | |
US10515378B2 (en) | Extracting relevant features from electronic marketing data for training analytical models | |
CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
CN116402539B (zh) | 基于大数据的拓客方法、系统、设备及存储介质 | |
CN107742128A (zh) | 用于输出信息的方法和装置 | |
CN107862339A (zh) | 用于输出信息的方法和装置 | |
CN107908742A (zh) | 用于输出信息的方法和装置 | |
JP2019087254A (ja) | 印刷メタデータを使って印刷パフォーマンスを予測する機構 | |
US20230334555A1 (en) | Vehicle listing generation and optimization system | |
CN112232933A (zh) | 房源信息的推荐方法、装置、设备及可读存储介质 | |
CN113064927A (zh) | 客户筛选方法、装置、电子设备及计算机可读存储介质 | |
US20230076083A1 (en) | Methods and apparatus for generating training data to train machine learning based models | |
CN113361537B (zh) | 基于通道注意力的图像语义分割方法及装置 | |
CN111967970B (zh) | 基于spark平台的银行产品推荐方法及装置 | |
CN117132317A (zh) | 数据处理方法、装置、设备、介质及产品 | |
CN111754300A (zh) | 一种商品推荐方法、装置、设备和存储介质 | |
CN116935368A (zh) | 深度学习模型训练方法、文本行检测方法、装置及设备 | |
CN115393868B (zh) | 文本检测方法、装置、电子设备和存储介质 | |
CN111598638B (zh) | 点击率确定方法、装置及设备 | |
CN112685441A (zh) | 基于Metadata的内容资产管理方法和系统 | |
US20140067464A1 (en) | Facilitating introductions between buyers and automobile dealers | |
US20230306476A1 (en) | Systems and methods for valuing an item | |
CN117745338B (zh) | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
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 |