CN113191819B - 用于线下作业的方法及装置 - Google Patents
用于线下作业的方法及装置 Download PDFInfo
- Publication number
- CN113191819B CN113191819B CN202110549812.1A CN202110549812A CN113191819B CN 113191819 B CN113191819 B CN 113191819B CN 202110549812 A CN202110549812 A CN 202110549812A CN 113191819 B CN113191819 B CN 113191819B
- Authority
- CN
- China
- Prior art keywords
- job
- real
- time
- information
- offline
- 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.)
- Active
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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种用于线下作业的方法及装置。该方法包括:召回各个作业对象的作业线索,从离线特征数据库中获取各个作业线索对应的作业对象属性信息,从实时特征数据库中获取各个作业对象当前的实时作业场景信息,使用作业转化率预估模型基于各个作业对象的作业对象属性信息和实时作业场景信息来预估各个作业对象的作业线索的作业转化率;以及基于预估的各个作业线索的作业转化率对各个作业线索进行排序,以提供给作业人员根据排序进行线下作业。
Description
技术领域
本说明书实施例涉及计算机技术领域,具体地,涉及用于线下作业的方法及装置。
背景技术
随着数字化生活服务的推进,越来越多的APP等数字化产品来为用户提供服务。一款数字化产品的出现以及正常运营除了设计和运营工作以外,还需要大量的线下营销推广工作,以增加使用数字化产品的用户数量。在线下营销推广环节,数以百万计的线下销售人员以直营、众包等方式加入,并承担着数字化产品的签约推广、商家门店的运营等工作。在线下营销推广工作中,各个线下销售人员通常以扫街方式拜访各个商户,即,线下销售人员以一条街道为单位进行作业,在每完成一条街道后再进入下一街道继续作业。针对每条街道,线下销售人员对街道两侧的所有门店依次进行地毯式的作业。这种扫街的作业方式导致线下销售人员的作业效率低,因此,如何提高线下销售人员的作业效率成为亟待解决的问题。
发明内容
鉴于上述,本说明书实施例提供了一种用于线下作业的方法及装置。通过用于线下作业的方法,针对召回的各个作业线索,根据各个作业线索的作业对象属性信息和实时作业场景信息来预测各个作业线索的作业转化率,所得到的作业转化率具备实时性,从而提高了各个作业线索的作业转化率的准确度。并且,基于作业转化率得到的作业线索的排序考虑了作业转化率的因素,能够引导作业人员选择作业转化率高的作业线索进行线下作业,从而提高线下作业的作业效率。
根据本说明书实施例的一个方面,提供了一种用于线下作业的方法,包括:召回各个作业对象的作业线索,所述作业线索包括对应的作业对象的兴趣点位置信息;从离线特征数据库中获取所述各个作业线索对应的作业对象属性信息,其中,所述离线特征数据库用于存储各个作业对象对应的作业对象属性信息;从实时特征数据库中获取所述各个作业对象当前的实时作业场景信息,所述实时特征数据库用于存储各个作业对象在进行每一次线下作业时所采集的实时作业场景信息;使用作业转化率预估模型基于所述各个作业对象的作业对象属性信息和实时作业场景信息来预估所述各个作业对象的作业线索的作业转化率;以及基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序,以提供给作业人员根据排序进行线下作业。
可选地,在上述方面的一个示例中,基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序包括:基于预估的各个作业线索的作业转化率、以及所述各个作业线索与作业人员的距离和/或所述作业人员的作业类型偏好信息,对所述各个作业线索进行排序。
可选地,在上述方面的一个示例中,基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序包括:基于预估的各个作业线索的作业转化率以及作业人员在上一次线下作业中的作业线索选择记录,对所述各个作业线索进行排序。
可选地,在上述方面的一个示例中,还包括:在一次线下作业完成时,采集该线下作业的作业记录;以及使用所述作业记录对所述离线特征数据库中该线下作业针对的作业对象的作业对象属性信息进行更新。
可选地,在上述方面的一个示例中,还包括:使用所述作业记录中的作业对象属性信息、对应的实时作业场景信息以及作业结果对所述作业转化率预估模型进行在线训练。
可选地,在上述方面的一个示例中,召回各个作业对象的作业线索包括:基于作业人员的当前位置信息召回各个作业对象的作业线索;或者基于所述作业人员输入的位置信息召回各个作业对象的作业线索。
可选地,在上述方面的一个示例中,召回各个作业对象的作业线索包括:在满足指定条件时,召回各个作业对象的作业线索,其中,所述指定条件包括以下中的至少一种:线下作业被启动,作业人员完成一次线下作业,以及在多次线下作业的连续作业过程中每间隔指定时长。
可选地,在上述方面的一个示例中,所述作业转化率预估模型使用各个作业线索的作业对象属性信息、每一次历史作业对应的实时作业场景信息和历史作业结果进行训练得到。
可选地,在上述方面的一个示例中,所述实时作业场景信息包括实时环境场景信息和/或作业对象的实时经营状态场景信息。
根据本说明书实施例的另一方面,还提供一种用于线下作业的装置,包括:至少一个处理器,与所述至少一个处理器耦合的存储器,以及存储在所述存储器上的计算机程序,所述至少一个处理器执行所述计算机程序来实现:召回各个作业对象的作业线索,所述作业线索包括对应的作业对象的兴趣点位置信息;从离线特征数据库中获取所述各个作业线索对应的作业对象属性信息,其中,所述离线特征数据库用于存储各个作业对象对应的作业对象属性信息;从实时特征数据库中获取所述各个作业对象当前的实时作业场景信息,所述实时特征数据库用于存储各个作业对象在进行每一次线下作业时所采集的实时作业场景信息;使用作业转化率预估模型基于所述各个作业对象的作业对象属性信息和实时作业场景信息来预估所述各个作业对象的作业线索的作业转化率;以及基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序,以提供给作业人员根据排序进行线下作业。
根据本说明书实施例的另一方面,还提供一种电子设备,包括:至少一个处理器;以及存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如上所述的用于线下作业方法。
根据本说明书实施例的另一方面,还提供一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的用于线下作业方法。
附图说明
通过参照下面的附图,可以实现对于本说明书实施例内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同的附图标记。
图1示出了根据本说明书实施例的用于线下作业的方法的一个示例的流程图。
图2示出了Wide&Deep模型的一个示例的示意图。
图3示出了根据本说明书实施例的显示作业线索排序的一个示例的示意图。
图4示出了本说明书实施例的对作业转化率预估模型进行在线训练的一个示例的示意图。
图5示出了根据本说明书实施例的用于线下作业的装置的一个示例的方框图。
图6示出了根据本说明书实施例的用于线下作业的系统的一个示例的示意图。
图7示出了根据本说明书实施例的实施例的用于线下作业的方法的电子设备的方框图。
具体实施方式
以下将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本说明书实施例内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
在本文中,线下作业是线下销售人员进行的营销推广工作,如平台商家运营、业务推广、合作签约等。
图1示出了根据本说明书实施例的用于线下作业的方法的一个示例100的流程图。
在110,召回各个作业对象的作业线索。
在本说明书中,作业对象是作业人员进行线下作业的对象,可以包括商户、店铺等。每个作业对象对应有线下的实体门店,在地理信息系统中可以表示成一个兴趣点(poi)。
在本说明书中,作业线索与作业对象一一对应,作业线索可以包括对应的作业对象的兴趣点位置信息。此外,作业线索还可以包括对应作业对象的属性信息,比如,作业对象名称、作业对象类型、作业对象的文本地址等。在一个示例中,每个作业线索中的兴趣点位置信息与属性信息对应关联。
在一个示例中,可以使用召回模型来召回各个作业对象的作业线索。所使用的召回模型可以包括TDM深度树匹配召回模型、Youtube DNN召回模型、DSSM语义召回模型以及RNN序列召回模型中的一种。
在一个示例中,可以从作业线索库中召回各个作业对象的作业线索,作业线索库中存储作业对象的作业线索。在另一个示例中,离线特征数据库中存储有作业对象的作业线索,还可以从离线特征数据库中召回各个作业对象的作业线索。
在一个示例中,可以根据目标位置与各个作业对象的距离来召回各个作业对象的作业线索。目标位置可以是作业人员的当前位置,还可以是作业人员自定义的位置。
在一个示例中,目标位置是作业人员的当前位置,可以基于作业人员的当前位置信息来召回各个作业对象的作业线索。
在该示例中,根据作业人员的当前位置与各个作业对象的距离来召回各个作业对象的作业线索,所召回的作业线索是位于作业人员附近的作业线索,从而便于作业人员实时了解附近的作业线索的分布情况。
在另一个示例中,目标位置是作业人员自定义的位置,比如,作业人员输入的目标位置信息。此时,可以基于作业人员输入的目标位置信息召回各个作业对象的作业线索,所召回的作业线索是在目标位置信息对应的位置点附近的作业线索。
在该示例中,目标位置与作业对象之间的距离可以是直线距离,还可以是行进距离。当设定目标位置与作业对象之间的距离是行进距离时,可以设定作业人员的行进方式,行进方式包括步行、自行车、自驾、公交等。针对同一目标位置和同一作业对象,不同的行进方式所得到的两者之间的行进路线可以不同,从而导致行进距离不同。
在执行召回操作时,可以先确定作业人员的行进方式,然后基于作业人员的行进方式来计算作业人员与各个作业对象的行进距离,再基于各个作业对象对应的行进距离进行召回。所召回的作业对象可以是满足预设条件的作业对象,该预设条件可以是距离阈值、数量阈值等中的任一个条件。例如,当指定条件是距离阈值时,可以将所计算的距离小于距离阈值的作业对象确定为召回对象。当指定提交是数量阈值时,可以将距离最小的该数量阈值个作业对象确定为召回对象。
在该示例中,可以利用向量化召回根据目标位置与各个作业对象的距离来召回各个作业对象的作业线索。具体地,可以将目标位置和各个作业对象的位置进行向量化处理,以得到目标位置和作业对象的位置对应的特征向量,然后通过特征向量之间的内积来计算目标位置与各个作业对象之间的距离,内积越大表示距离越近。
在本说明书的一个示例中,可以在满足指定条件时,执行召回各个作业对象的作业线索的操作。其中,执行一次110所述的召回操作可以表示将执行一次图1所示的线下作业方法,即完成一次更新作业线索的排序。
在该示例中,指定条件可以包括以下中的至少一种:线下作业被启动,作业人员完成一次线下作业,以及在多次线下作业连续作业过程中每间隔指定时长。
在该示例中,线下作业被启动可以表征作业人员准备进行线下作业。在一个示例中,本说明书示出的线下作业方法可以由终端设备上的APP执行,作业人员启动APP时作业人员准备进行线下作业,此时,线下作业被启动。
在该示例中,在作业人员每完成一次线下作业时,可以马上进入下一次线下作业,此时可以执行该下一次线下作业中的召回操作,为下一次线下作业更新作业线索的排序。这样,可以确保每一次线下作业所提供的作业线索都是最新的,从而可以提高每次线下作业的作业效率。
在该示例中,在多次线下作业的连续作业过程中,可以每间隔指定时长执行一次召回操作。在一个示例中,指定时长可以根据线下作业的平均作业时长来确定,比如,指定时长可以等于或小于平均作业时长,平均作业时长可以根据历史线下作业的作业时长计算得到。
在召回作业线索后,在120,可以从离线特征数据库中获取各个作业线索对应的作业对象属性信息。
在本说明书中,作业线索的作业对象属性信息可以属于离线特征信息,所获取的作业对象属性信息可以与作业线索的作业转化率存在相关性,可以作为影响因子特征用于预估作业线索的作业转化率。
作业对象属性信息可以包括基本属性信息,比如,作业对象类型等。在一个示例中,作业对象的兴趣点位置信息可以通过数据挖掘的方式得到,由此所得到的兴趣点位置信息对应有关联准确率,关联准确率用于指示作业对象的兴趣点位置信息的准确程度。兴趣点位置信息的关联准确率可以利用机器模型预测得到,还可以通过作业人员经过实地考察后得到。在一个示例中,作业对象的基本属性信息还可以包括兴趣点位置信息的关联准确率。在另一个示例中,作业对象属性信息还可以包括作业对象名称。作业对象名称可以作为作业对象的标识,以用来与其他作业对象进行区分。
作业对象类型和关联准确率与作业对象的作业成功率存在相关性,比如,一种作业对象类型(比如,餐饮)的历史作业成功率较高,则针对该作业对象类型的作业成功率推测较高,此外,关联准确率越高,作业人员越容易在线下找到,从而作业成功率也会升高。基于此,作业对象类型和关联准确率可以作为作业成功率的影响因子特征,以用于预测作业转化率。
此外,作业对象属性信息还可以包括动态属性信息,动态属性信息是根据作业对象的活动和行为会相应变化的属性信息,比如,作业对象的活跃度、作业对象对作业平台的认可度等。作业对象的动态属性信息与该作业对象的作业成功率存在相关性,例如,商户活跃度越高、商户对作业平台的认可度越高,则针对该商户的作业成功率越高。基于此,作业对象的动态属性信息可以作为作业成功率的影响因子特征。
此外,作业对象属性信息还可以包括针对作业对象的历史作业信息,历史作业信息可以包括历史曝光次数、历史作业频次等。历史曝光次数是作业人员在进行历史作业时作业线索在地图上的曝光次数,历史作业频次用于表示作业线索对应的作业对象被作业人员拜访并进行线下作业的次数。作业线索的历史曝光次数、历史作业频次与作业对象的作业成功率存在相关性,比如,历史曝光次数越高,历史作业频次越低,则可以推测作业成功率较低。基于此,可以将历史曝光次数和历史作业频次作为作业成功率的影响因子特征。
在本说明书中,离线特征数据库用于存储各个作业对象对应的作业对象属性信息。在离线特征数据库中,作业对象和作业对象属性信息对应存储。
在一个示例中,离线特征数据库中的作业对象可以用作业线索来表征。在该示例中,在离线特征数据库中,作业线索与作业对象属性信息对应存储。在该示例中,当利用召回模型执行110所述的召回操作时,召回模型可以从离线特征数据库中获取各个作业对象的作业线索,然后对所获取的作业线索进行召回。
接着,在130,从实时特征数据库中获取各个作业对象当前的实时作业场景信息。
在本说明书中,实时作业场景信息具有实时性,属于实时特征信息。所获取的实时作业场景信息可以与作业线索的作业转化率存在相关性,可以作为影响因子特征用于预估作业线索的作业转化率。
在一个示例中,实时作业场景信息可以包括实时环境场景信息和/或作业对象的实时经营状态场景信息。
实时环境场景信息可以包括天气信息、时间信息等。其中,作业对象的时间信息用来确定该作业对象是否处于忙碌的时间段,不同的作业对象的忙碌时间段可以不同。比如,饭馆的忙碌时间段为中午12点至14点之间的时间段,大排档的忙碌时间段为18点至24点之间的时间段。天气信息与作业对象的作业成功率存在相关性。具体地,天气较好时作业对象的运营或者经营状态正常,作业成功率较高,而较差的天气(比如,下雨、下雪等)会影响作业对象的运营或者经营状况,从而影响作业成功率。以天气信息和时间信息为例,当天气好并且处于非忙碌时间段的时间点时,作业成功率较高;而当天气不好并且处于忙碌时间段的时间点时,作业成功率较低。
实时经营状态场景信息可以包括交易量信息、忙碌程度信息等。作业对象的交易量信息可以实时变化的,实时变化的交易量信息可以反映作业对象当前的忙碌程度。例如,交易量较大,则作业对象的忙碌程度高;交易量较小,则作业对象的忙碌程度低,甚至当交易量为零时,则表示作业对象当前不忙。忙碌程度信息可以是由预测模型预测得到的,预测模型可以根据作业对象的实时的人流量、交易量、时间、作业对象类型等特征信息来预测作业对象的忙碌程度。交易量信息、忙碌程度信息与作业对象的作业成功率均存在相关性。例如,交易量越大、忙碌程度越高,则针对该作业对象的作业成功率越高;交易量越小、忙碌程度越低,则针对该作业对象的作业成功率越低。
在本说明书中,实时特征数据库用于存储各个作业对象在进行每一次线下作业时所采集的实时作业场景信息。在实时特征数据库中,作业对象、实时作业场景信息以及采集的时间点对应存储,不同时间点所采集的实时作业场景信息可以不同。
在一个示例中,在作业人员进行线下作业的过程中,可以实时采集各个作业对象的实时作业场景信息,再将所采集的实时作业场景信息存储至实时特征数据库中。当作业开始一次线下作业时,从实时特征数据库中获取各个作业对象最新的实时作业场景信息,并将所获取的最新的实时作业场景信息作为当前的实时作业场景信息。
在140,使用作业转化率预估模型基于各个作业对象的作业对象属性信息和实时作业场景信息来预估各个作业对象的作业线索的作业转化率。
在本说明书中,作业转化率用于指示作业线索的作业成功率,作业转化率可以用0到1之间的数值来表示,数值越大表示作业成功率越高。
在使用作业转化率预估模型进行预估时,可以将每个作业对象的作业对象属性信息和实时作业场景信息作为一组数据输入至作业转化率预估模型,作业转化率预估模型输出针对该作业对象的作业转化率。
在本说明书的一个示例中,作业转化率预估模型使用各个作业线索的作业对象属性信息、每一次历史作业对应的实时作业场景信息和历史作业结果进行训练得到。
在该示例中,历史作业结果可以包括每次历史线下作业的作业结果,每次线下作业的作业结果分为成功或者失败。历史作业结果可以作为训练的样本标签值。每一次历史作业对应的实时作业场景信息是该次历史作业在作业人员执行的过程中实时采集的实时作业场景信息。比如,一次历史作业在3月1日12点开始执行,则该次历史作业对应的实时作业场景信息可以是3月1日12点时刻的实时作业场景信息。
在训练过程中,将各个作业线索对应的作业对象属性信息、每一次历史作业对应的实时作业场景信息作为影响因子特征输入至作业转化率预估模型,作业转化率预估模型输出各个作业线索的预测值,基于各个作业线索的预测值和作为样本标签值的历史作业结果来调整作业转化率预估模型的参数。在参数调整过程中,可以采用梯度下降法、最小二乘法等。
在一个示例中,作业转化率预估模型可以是Wide&Deep模型。图2示出了Wide&Deep模型的一个示例200的示意图。如图2所示,Wide&Deep模型由Wide部分210和Deep部分220组成。Wide部分210可以是线性模型,通过对输入的特征进行叉乘以对输入的特征做非线性变换,具体的公式如下:
Deep部分220可以是神经网络模型,Deep部分220可以包括Embedding处理和多层感知器(Muti-Layer Perception,MLP)。特征输入Deep部分220后,通过Embedding将输入的特征转化成低维密集型特征,即特征向量,然后将转化后的特征向量进行拼接后输入给多层感知器,多层感知器的输出层输出预测结果。
在对Wide&Deep模型进行训练时,Wide部分210和Deep部分220可以协同训练。具体地,Wide部分210输出的结果与Deep部分220输出的结果进行加权求和,所得到的和结果作为Wide&Deep模型的预测结果,然后,将该预测结果输入给逻辑损失函数以对Wide&Deep模型的参数进行调整。
在满足训练结束条件时,可以停止训练,得到训练完成的作业转化率预估模型。训练结束条件可以包括循环次数达到指定次数、训练输出满足准确度条件、参数更新量小于指定更新量阈值等。
在预估出作业转化率后,在150,基于预估的各个作业线索的作业转化率对各个作业线索进行排序,以提供给作业人员根据排序进行线下作业。
在本说明书中,排序被提供给作业人员的方式可以是执行线下作业方法的执行主体设备将所得到的排序发送给作业人员使用的终端设备,然后该终端设备上显示所接收到的排序信息。在一个示例中,执行图1所述的线下作业方法的执行主体是服务器,服务器在得到作业线索的排序后,可以将排序发送给作业人员使用的终端设备,终端设备上再显示作业线索的排序信息。
图3示出了根据本说明书实施例的显示作业线索排序的一个示例的示意图。如图3所示,作业人员执行的线下作业是收钱码推广,所召回的作业线索包括284个商家,排序是针对该284个商家进行排序,其中排序第一位的是杭味面馆。这个排序显示在终端设备上,以供作业人员根据排序选择待作业的作业线索并进行线下作业。
作业人员在完成一次线下作业后,可以在终端设备上进行操作以用于表征线下作业完成。在终端设备上的操作可以包括开始下一次线下作业、针对当前完成的线下作业记录作业结果、针对当前完成的线下作业进行作业记录等中的至少一种操作。作业记录的内容可以包括作业结果、作业的难易程度、作业注意事项等。
在一个示例中,可以将全部作业线索的完整排序提供给作业人员,作业人员从完整排序中选择一个作业线索进行线下作业。比如,作业人员选择排在第一的作业线索进行线下作业。在另一个示例中,在得到针对各个作业线索的排序后,可以将排序第一的作业线索提供给作业人员,作业人员可以直接对所提供的作业线索进行线下作业。在另一个示例中,可以将排在前N位的作业线索的排序提供给作业人员,作业人员从该N个作业线索中选择一个作业线索进行线下作业。其中,N可以是大于1的正整数。
在一个示例中,可以仅根据作业转化率对各个作业线索进行排序。具体地,可以按照作业转化率从高到低的顺序各个作业线索进行排序,所得到的排序中作业转化率高的作业线索排名靠前,以引导作业人员选择作业转化率高的作业线索进行线下作业,从而提高作业人员每一次进行线下作业的作业效率。
在本说明书另一个示例中,还可以基于预估的各个作业线索的作业转化率、以及各个作业线索与作业人员的距离和/或作业人员的作业类型偏好信息,对各个作业线索进行排序。
在该示例中,各个作业线索与作业人员的距离可以是直线距离,还可以是行进距离。
在该示例中,作业人员的作业类型偏好信息可以包括作业对象偏好信息,作业对象偏好信息用于表示作业人员擅长和/或喜欢作业的作业对象。作业人员的作业对象类型偏好信息可以由作业人员自定义设定,例如,作业人员可以设定偏好的作业类型是餐饮类型,而不偏好的作业类型是服装类型。
作业人员的作业对象类型偏好信息还可以是根据作业人员的历史作业记录确定出的。历史作业记录可以包括历史拜访记录和历史作业成功记录,可以根据作业人员历史拜访的作业对象和/或作业成功的作业对象来确定出作业对象类型偏好信息。
在一个示例中,当根据作业人员历史拜访的作业对象来确定作业类型偏好信息时,可以将作业人员拜访的作业对象中最多的作业对象类型确定为作业人员偏好的作业对象类型。
在另一个示例中,当根据作业成功的作业对象来确定作业类型偏好信息时,可以将作业人员作业成功的作业对象中最多的作业对象类型确定为作业人员偏好的作业对象类型。
在另一个示例中,根据作业人员历史拜访的作业对象和作业成功的作业对象来确定作业类型偏好信息时,可以针对历史拜访的作业对象和作业成功的作业对象两个因素分别设置权重,历史拜访对应的权重与作业成功对应的权重可以不同,也可以相同。首先,统计出历史拜访的作业对象中各种作业对象类型的拜访次数以及作业成功的作业对象中各种作业对象类型的成功次数,然后,将各种作业对象类型对应的拜访次数和成功次数分别进行归一化处理,并将经过归一化处理后的拜访次数和成功次数分别乘以对应的权重,得到拜访次数分值和成功次数分值。再针对每种作业对象类型,将该作业对象类型的拜访次数分值和作业成功分值的和确定为该作业对象类型的总分值,然后按照总分值对作业对象类型进行排序,将排序第一的作业对象类型确定为作业人员偏好的作业对象类型。
在基于作业转化率、距离和/或作业类型偏好信息对作业线索进行排序时,可以为作业转化率和距离分别设置权重,所设置的权重可以不同。例如,作业转化率对应的权重大,距离对应的权重小,则相应地,作业线索的排序中作业转化率所占的比重较大。
在一个示例中,可以将作业转化率和距离分别进行归一化处理,然后将归一化处理后的作业转化率和距离分别乘以对应的权重,得到作业转化率权重分值和距离权重分值,针对每个作业线索,将该作业线索的作业转化率权重分值和距离权重分值的和确定为该作业线索的总分值,然后按照各个作业线索的总分值对各个作业线索进行排序。
在另一个示例中,基于作业转化率、距离和作业类型偏好信息对作业线索进行排序时,在根据上述示例基于作业转化率和距离确定出各个作业线索的总分值后,可以按照作业类型偏好信息对作业对象类型进行排序,可以将作业人员喜好的作业对象类型作为第一排序类型排在最前面,将作业人员不喜欢的作业对象类型作为第三排序类型排在最后面,然后将其他作业对象类型作为第二排序类型排在第一排序类型和第三排序类型中间。针对每一排序类型中的各个作业类型的排序,可以按照总分值从高到底的顺序依次排列。具体地,则针对第一排序类型,属于作业人员偏好的作业对象类型的各个作业线索按照总分值从高到底的顺序排列;针对第二排序类型,属于其他作业对象类型的各个作业线索按照总分值从高到底的顺序排列;针对第三排序类型,属于作业人员不偏好的作业对象类型的各个作业线索按照总分值从高到底的顺序排列。
在另一个示例中,基于作业转化率和作业类型偏好信息对作业线索进行排序时,根据作业类型偏好信息分为三种排序类型,如上所述的第一排序类型、第二排序类型和第三排序类型,针对每一种排序类型,可以按照作业转化率从高到低的顺序对属于该排序类型的各个作业线索进行排序。
在本说明书的另一个示例中,还可以基于预估的各个作业线索的作业转化率以及作业人员在上一次线下作业中的作业线索选择记录,对各个作业线索进行排序。
在该示例中,作业人员在上一次线下作业中的作业线索选择记录可以用于表征作业人员的作业类型偏好。当作业人员在上一次线下作业中选择排序第一的作业线索时,针对当前线下作业,可以基于预估的各个作业线索的作业转化率对各个作业线索进行排序。当作业人员在上一次线下作业中选择的作业线索不是排序第一的作业线索时,则对于排在所选择的作业线索之前的各个作业线索,可以被认为是作业人员不偏好的作业线索。在进行排序时,可以将被确定为作业人员不偏好的作业线索排在最后,针对其他的作业线索,则可以根据作业转化率进行排序。
在另一个示例中,可以基于预估的各个作业线索的作业转化率、各个作业线索与作业人员的距离、作业人员的作业类型偏好信息以及作业人员在上一次线下作业中的作业线索选择记录,对各个作业线索进行排序。其中,作业人员的作业类型偏好信息和在上一次线下作业中的作业线索选择记录可以用来确定作业人员的偏好和不偏好的作业类型,在基于作业转化率和距离对各个作业线索排序后,可以将所得到的排序中作业人员偏好的作业类型的排序移到最前,将作业人员不偏好的作业类型的排序移到最后。
在上述两个示例中,作业人员每次做的选择即反映了作业人员的作业类型偏好,通过实时采集作业人员的作业线索选择记录,从而可以获取到作业人员的实时的作业类型偏好,并在排序时考虑实时的作业类型偏好,得到符合当前作业人员的更准确的作业线索排序。
在一个示例中,在得到作业线索的排序后,还可以对排序进行等级划分,所划分的等级用于表示向作业人员的推荐度。例如,所划分的等级包括高、中、低三个等级,高等级表示向作业人员推荐度最高,中等级表示的推荐度次之,低等级所表示的推荐度最低。
等级的高低顺序按照排序从前往后的顺序划分,每个等级包括的作业线索数量可以指定,不同等级包括的作业线索数量可以不同。例如,将排序前十的作业线索被划分为高等级,排序第11位到第20位的作业线索被划分为中等级,其他作业线索被划分为低等级。
通过对排序进行等级划分,各个作业线索根据在排序中的位置来确定对应的等级,便于作业人员直观的了解各个作业线索的推荐度,从而便于作业人员根据推荐度从排序中选择作业线索。
在本说明书的一个示例中,在一次线下作业完成时,可以采集该线下作业的作业记录。所采集的作业记录可以包括基本属性信息、动态属性信息、作业结果等。
然后,使用作业记录对离线特征数据库中该线下作业针对的作业对象的作业对象属性信息进行更新。具体地,根据作业记录中的作业对象名称等基本属性信息从离线特征数据库中确定对应作业对象的作业对象属性信息。使用作业记录中的作业结果来重新计算该作业对象的关联准确率,当作业结果是成功时,关联准确率提高;当作业结果是失败时,关联准确率降低。
此外,根据作业记录中所记录的作业对象的活跃度和对作业平台的认可度来更新离线特征数据库中的作业对象的活跃度和作业对象对作业平台的认可度。其中,作业记录中所记录的活跃度和认可度是针对该作业记录对应的线下作业,作业对象在一次线下作业中的活跃度和认可度可以提高离线特征数据库中该作业对象的整体活跃度和认可度。作业记录中的活跃度和认可度可以是以打分、评论等方式呈现。
此外,针对离线特征数据库中的历史作业信息,可以将其中的历史曝光次数、历史作业频次均增加一次,并将增加后的历史曝光次数和历史作业频次更新至离线特征数据库中。还可以将所采集的作业记录中的作业结果增加至离线特征数据库中作业对象对应的作业结果中。
在一个示例中,在一个线下作业完成时,采集该线下作业对应的实时作业场景信息,并将该实时作业场景信息存储至实时特征数据库中。在实时特征数据库中,所采集的实时作业场景信息与该线下作业的作业对象对应存储。
在一个示例中,可以使用作业记录中的作业对象属性信息、对应的实时作业场景信息以及作业结果对作业转化率预估模型进行在线训练。
在该示例中,该作业记录中的作业对象属性信息属于完成的一次线下作业的作业记录。作业结果可以作为在线训练的标签值。
图4示出了本说明书实施例的对作业转化率预估模型进行在线训练的一个示例400的示意图。
如图4所示,输入作业转化率预估模型的线下作业实时数据包括作业记录中的作业对象属性信息、对应的实时作业场景信息以及作业结果,该线下作业实时数据是信息流数据。
作业转化率预估模型每接收到一个作为训练样本数据的线下作业实时数据,基于作业对象属性信息和对应的实时作业场景信息来对该线下作业实时数据进行预测,并输出预测结果。基于预测结果和作业结果来更新当前作业转化率预估模型。更新后的作业转化率预估模型可以用于下一次的线下作业和在线学习。
在另一个示例中,可以在满足指定训练条件时,使用离线特征数据库中各个作业线索的作业对象属性信息和历史作业结果、以及实时特征数据库中每一次历史作业对应的实时作业场景信息来对作业转化率预估模型进行离线训练。在该示例中,指定训练条件可以包括间隔指定时长、间隔指定数量次的线下作业等中的任一条件。
图5示出了根据本说明书实施例的用于线下作业的装置(以下称为线下作业装置500)的一个示例的方框图。
如图5所示,线下作业装置500包括作业线索召回单元510、离线特征获取单元520、实时特征获取单元530、作业转化率预估单元540和作业线索排序单元550。
作业线索召回单元510,被配置为召回各个作业对象的作业线索,作业线索包括对应的作业对象的兴趣点位置信息。
离线特征获取单元520,被配置为从离线特征数据库中获取所述各个作业线索对应的作业对象属性信息,其中,所述离线特征数据库用于存储各个作业对象对应的作业对象属性信息。
实时特征获取单元530,被配置为从实时特征数据库中获取所述各个作业对象当前的实时作业场景信息,所述实时特征数据库用于存储各个作业对象在进行每一次线下作业时所采集的实时作业场景信息。
作业转化率预估单元540,被配置为使用作业转化率预估模型基于所述各个作业对象的作业对象属性信息和实时作业场景信息来预估所述各个作业对象的作业线索的作业转化率。
作业线索排序单元550,被配置为基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序,以提供给作业人员根据排序进行线下作业。
在一个示例中,作业线索排序单元550被配置为基于预估的各个作业线索的作业转化率、以及所述各个作业线索与作业人员的距离和/或所述作业人员的作业类型偏好信息,对所述各个作业线索进行排序。
在一个示例中,作业线索排序单元550被配置为基于预估的各个作业线索的作业转化率以及作业人员在上一次线下作业中的作业线索选择记录,对所述各个作业线索进行排序。
在一个示例中,线下作业装置500还包括作业记录采集单元和信息更新单元。作业记录采集单元被配置为在一次线下作业完成时,采集该线下作业的作业记录。信息更新单元被配置为使用所述作业记录对所述离线特征数据库中该线下作业针对的作业对象的作业对象属性信息进行更新。
在一个示例中,线下作业装置500还包括在线训练单元,在线训练单元被配置为使用所述作业记录中的作业对象属性信息、对应的实时作业场景信息以及作业结果对所述作业转化率预估模型进行在线训练。
在一个示例中,作业线索召回单元510,被配置为基于作业人员的当前位置信息召回各个作业对象的作业线索;或者基于所述作业人员输入的位置信息召回各个作业对象的作业线索。
在一个示例中,作业线索召回单元510,被配置为在满足指定条件时,召回各个作业对象的作业线索,其中,所述指定条件包括以下中的至少一种:线下作业被启动,作业人员完成一次线下作业,以及在多次线下作业的连续作业过程中每间隔指定时长。
在一个示例中,所述作业转化率预估模型使用各个作业线索的作业对象属性信息、每一次历史作业对应的实时作业场景信息和历史作业结果进行训练得到。
在一个示例中,所述实时作业场景信息包括实时环境场景信息和/或作业对象的实时经营状态场景信息。
图6示出了根据本说明书实施例的用于线下作业的系统的一个示例600的示意图。
如图6所示,作业线索召回单元510可以调用离线特征数据库,可以从离线特征数据库中召回各个作业对象的作业线索。然后,离线特征获取单元520可以从离线特征数据库中获取所述各个作业线索对应的作业对象属性信息,以及实时特征获取单元530可以从实时特征数据库中获取所述各个作业对象当前的实时作业场景信息。
在获取到作业对象属性信息和实时作业场景信息后,作业转化率预估单元540可以调用作业转化率预估模型用于执行基于各个作业对象的作业对象属性信息和实时作业场景信息来预估各个作业对象的作业线索的作业转化率的操作。最后,作业线索排序单元550可以基于预估的各个作业线索的作业转化率对各个作业线索进行排序,以提供给作业人员根据排序进行线下作业。
此外,在每次线下作业完成后,作业记录采集单元可以采集该线下作业的作业记录,并将作业记录中的基本属性信息、动态属性信息以及作业结果发送给离线特征数据库,以更新离线特征数据库中作业对象的作业对象属性信息。此外,作业记录采集单元还可以将作业记录中的实时作业场景信息存储至实时特征数据库中。此外,作业记录采集单元还可以将作业记录中的作业对象属性信息、对应的实时作业场景信息以及作业结果发送给模型训练平台以对作业转化率预估模型进行在线训练。
以上参照图1到图6对根据本说明书实施例的用于线下作业的方法及装置的实施例进行了描述。
本说明书实施例的用于线下作业的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本说明书实施例中,用于线下作业的装置例如可以利用电子设备实现。
图7示出了根据本说明书实施例的实施例的用于线下作业的方法的电子设备700的方框图。
如图7所示,电子设备700可以包括至少一个处理器710、存储器(例如,非易失性存储器)720、内存730和通信接口740,并且至少一个处理器710、存储器720、内存730和通信接口740经由总线750连接在一起。至少一个处理器710执行在存储器中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器中存储计算机可执行指令,其当执行时使得至少一个处理器710:召回各个作业对象的作业线索,作业线索包括对应的作业对象的兴趣点位置信息;从离线特征数据库中获取各个作业线索对应的作业对象属性信息,其中,离线特征数据库用于存储各个作业对象对应的作业对象属性信息;从实时特征数据库中获取各个作业对象当前的实时作业场景信息,实时特征数据库用于存储各个作业对象在进行每一次线下作业时所采集的实时作业场景信息;使用作业转化率预估模型基于各个作业对象的作业对象属性信息和实时作业场景信息来预估各个作业对象的作业线索的作业转化率;以及基于预估的各个作业线索的作业转化率对各个作业线索进行排序,以提供给作业人员根据排序进行线下作业。
应该理解,在存储器中存储的计算机可执行指令当执行时使得至少一个处理器710进行本说明书的各个实施例中以上结合图1-6描述的各种操作和功能。
根据一个实施例,提供了一种例如机器可读介质的程序产品。机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本说明书的各个实施例中以上结合图1-6描述的各种操作和功能。
具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
本说明书各部分操作所需的计算机程序代码可以用任意一种或多种程序语言编写,包括面向对象编程语言,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB、NET以及Python等,常规程序化编程语言如C语言、Visual Basic 2003、Perl、COBOL 2002、PHP以及ABAP,动态编程语言如Python、Ruby和Groovy,或者其他编程语言等。该程序编码可以在用户计算机上运行,或者作为独立的软件包在用户计算机上运行,或者部分在用户计算机上运行另一部分在远程计算机运行,或者全部在远程计算机或服务器上运行。在后一种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或者在云计算环境中,或者作为服务使用,比如软件即服务(SaaS)。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理实体实现,或者,有些单元可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
以上结合附图详细描述了本说明书的实施例的可选实施方式,但是,本说明书的实施例并不限于上述实施方式中的具体细节,在本说明书的实施例的技术构思范围内,可以对本说明书的实施例的技术方案进行多种简单变型,这些简单变型均属于本说明书的实施例的保护范围。
本说明书内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本说明书内容。对于本领域普通技术人员来说,对本说明书内容进行的各种修改是显而易见的,并且,也可以在不脱离本说明书内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本说明书内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (11)
1.一种用于对作业线索进行排序的方法,包括:
召回各个作业对象的作业线索,所述作业线索包括对应的作业对象的兴趣点位置信息;
从离线特征数据库中获取所述各个作业线索对应的作业对象属性信息,其中,所述离线特征数据库用于存储各个作业对象对应的作业对象属性信息,所述作业对象属性信息包括基本属性信息和作为作业对象的标识的作业对象名称,所述基本属性信息包括作业对象类型;
从实时特征数据库中获取所述各个作业对象当前的实时作业场景信息,所述实时特征数据库用于存储各个作业对象在进行每一次线下作业时所采集的实时作业场景信息,所述实时作业场景信息包括实时环境场景信息和/或作业对象的实时经营状态场景信息,所述实时环境场景信息包括天气信息和时间信息,所述实时经营状态场景信息包括交易量信息和忙碌程度信息,所述忙碌程度信息由预测模型根据作业对象的实时的人流量、交易量、时间以及作业对象类型预测得到;
使用作业转化率预估模型基于所述各个作业对象的作业对象属性信息和实时作业场景信息来预估所述各个作业对象的作业线索的作业转化率;以及
基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序,所述排序用于提供给作业人员以使所述作业人员根据所述排序进行线下作业。
2.如权利要求1所述的方法,其中,基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序包括:
基于预估的各个作业线索的作业转化率、以及所述各个作业线索与作业人员的距离和/或所述作业人员的作业类型偏好信息,对所述各个作业线索进行排序。
3.如权利要求1所述的方法,其中,基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序包括:
基于预估的各个作业线索的作业转化率以及作业人员在上一次线下作业中的作业线索选择记录,对所述各个作业线索进行排序。
4.如权利要求1所述的方法,还包括:
在一次线下作业完成时,采集该线下作业的作业记录;以及
使用所述作业记录对所述离线特征数据库中该线下作业针对的作业对象的作业对象属性信息进行更新。
5.如权利要求4所述的方法,还包括:
使用所述作业记录中的作业对象属性信息、对应的实时作业场景信息以及作业结果对所述作业转化率预估模型进行在线训练。
6.如权利要求1所述的方法,其中,召回各个作业对象的作业线索包括:
基于作业人员的当前位置信息召回各个作业对象的作业线索;或者
基于所述作业人员输入的位置信息召回各个作业对象的作业线索。
7.如权利要求1所述的方法,其中,召回各个作业对象的作业线索包括:
在满足指定条件时,召回各个作业对象的作业线索,
其中,所述指定条件包括以下中的至少一种:线下作业被启动,作业人员完成一次线下作业,以及在多次线下作业的连续作业过程中每间隔指定时长。
8.如权利要求1所述的方法,其中,所述作业转化率预估模型使用各个作业线索的作业对象属性信息、每一次历史作业对应的实时作业场景信息和历史作业结果进行训练得到。
9.一种用于对作业线索进行排序的装置,包括:
至少一个处理器,
与所述至少一个处理器耦合的存储器,以及
存储在所述存储器上的计算机程序,所述至少一个处理器执行所述计算机程序来实现:
召回各个作业对象的作业线索,所述作业线索包括对应的作业对象的兴趣点位置信息;
从离线特征数据库中获取所述各个作业线索对应的作业对象属性信息,其中,所述离线特征数据库用于存储各个作业对象对应的作业对象属性信息,所述作业对象属性信息包括基本属性信息和作为作业对象的标识的作业对象名称,所述基本属性信息包括作业对象类型;
从实时特征数据库中获取所述各个作业对象当前的实时作业场景信息,所述实时特征数据库用于存储各个作业对象在进行每一次线下作业时所采集的实时作业场景信息,所述实时作业场景信息包括实时环境场景信息和/或作业对象的实时经营状态场景信息,所述实时环境场景信息包括天气信息和时间信息,所述实时经营状态场景信息包括交易量信息和忙碌程度信息,所述忙碌程度信息由预测模型根据作业对象的实时的人流量、交易量、时间以及作业对象类型预测得到;
使用作业转化率预估模型基于所述各个作业对象的作业对象属性信息和实时作业场景信息来预估所述各个作业对象的作业线索的作业转化率;以及
基于预估的各个作业线索的作业转化率对所述各个作业线索进行排序,所述排序用于提供给作业人员以使所述作业人员根据所述排序进行线下作业。
10.一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549812.1A CN113191819B (zh) | 2021-05-20 | 2021-05-20 | 用于线下作业的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549812.1A CN113191819B (zh) | 2021-05-20 | 2021-05-20 | 用于线下作业的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191819A CN113191819A (zh) | 2021-07-30 |
CN113191819B true CN113191819B (zh) | 2023-04-18 |
Family
ID=76982855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110549812.1A Active CN113191819B (zh) | 2021-05-20 | 2021-05-20 | 用于线下作业的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191819B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281585A (zh) * | 2013-07-02 | 2015-01-14 | 阿里巴巴集团控股有限公司 | 一种对象排序方法和装置 |
CN109903063A (zh) * | 2017-12-07 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统和可读存储介质 |
CN110647696A (zh) * | 2018-06-08 | 2020-01-03 | 北京三快在线科技有限公司 | 一种业务对象的排序方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9245021B2 (en) * | 2005-11-30 | 2016-01-26 | Who's Calling Holding Corp. | Method and system for tracking online promotional source to offline activity |
-
2021
- 2021-05-20 CN CN202110549812.1A patent/CN113191819B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281585A (zh) * | 2013-07-02 | 2015-01-14 | 阿里巴巴集团控股有限公司 | 一种对象排序方法和装置 |
CN109903063A (zh) * | 2017-12-07 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统和可读存储介质 |
CN110647696A (zh) * | 2018-06-08 | 2020-01-03 | 北京三快在线科技有限公司 | 一种业务对象的排序方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113191819A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119903B (zh) | 数据综合分析系统 | |
JP7043786B2 (ja) | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム | |
JP6171388B2 (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
CN111260102A (zh) | 一种用户满意度预测方法、装置、电子设备及存储介质 | |
CN108228428A (zh) | 用于输出信息的方法和装置 | |
CN107153656A (zh) | 一种信息搜索方法和装置 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
JPH10240799A (ja) | 新規出店評価支援装置 | |
CN111401801A (zh) | 一种确定目标物品仓库分散化存储的处理系统、方法 | |
TW201514730A (zh) | 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品 | |
CN112597389A (zh) | 一种基于用户行为实现物品推荐的控制方法及装置 | |
US20090276290A1 (en) | System and method of optimizing commercial real estate transactions | |
CN111259167A (zh) | 用户请求风险识别方法及装置 | |
CN113191819B (zh) | 用于线下作业的方法及装置 | |
Gutama et al. | Analysis of the effect of website sales quality on purchasing decisions on e-commerce websites | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN114693461A (zh) | 基于机器学习的城市普惠保险的风险影响因子获取方法 | |
KR101725013B1 (ko) | 회귀분석을 이용한 주택매매지수 예측 장치 및 그 방법 | |
CN116091130A (zh) | 面向多渠道销售的广告智能投放方法及系统 | |
KR101832398B1 (ko) | 위치기반 서비스 제공업체 추천 방법 및 장치 | |
CN114692002A (zh) | 预测模型的更新方法、装置、电子设备及存储介质 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN113052642B (zh) | 用于线下作业的方法及装置 | |
CN112669073A (zh) | 一种用户留存预测方法、装置、电子设备及存储介质 | |
JP2020123183A (ja) | 営業支援システム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |