CN113256070A - 基于电销转化率的承接线路分配方法、装置及电子设备 - Google Patents
基于电销转化率的承接线路分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113256070A CN113256070A CN202110452016.6A CN202110452016A CN113256070A CN 113256070 A CN113256070 A CN 113256070A CN 202110452016 A CN202110452016 A CN 202110452016A CN 113256070 A CN113256070 A CN 113256070A
- Authority
- CN
- China
- Prior art keywords
- line
- target
- conversion rate
- accepting
- sales
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 62
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001481833 Coryphaena hippurus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电销转化率的承接线路分配方法、装置及电子设备,所述方法包括:获取历史电销线索的用户特征、承接线路特征及电销转化率;通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;将所述目标电销线索分配给所述目标承接线路。本发明采用机器学习的方式预测线索与承接线路的匹配度,从而可以将目标电销线索分配给匹配度最高的承接线路,有效提高电销转化率。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于电销转化率的承接线路分配方法、装置、电子设备及计算机可读介质。
背景技术
随着通信技术的发展,越来越多的企业选择电话销售、甚至是电销机器人的方式来推销产品。现有电销过程中,会将电销线索随机分配给承接线路,承接线路根据分配到的电销线索将产品销售成功后会得到相应的奖励作为激励。
发明人发现:在实际中,每个承接线路的性别、年龄、行为信息等特征不同,不同特征的承接线路与电销线索的不同人群的匹配度也不同,承接线路会对匹配度高的电销线索的人群有较高的转化率。这种随机分配承接线路的方式显然无法保证将电销线索分配给匹配度最高的承接线路,导致电销线索的转化率比较低。
发明内容
本发明旨在解决随机分配承接线路导致电销线索转化率低的技术问题。
为了解决上述技术问题,本发明第一方面提出一种基于电销转化率的承接线路分配方法,所述方法包括:
获取历史电销线索的用户特征、承接线路特征及电销转化率;
通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;
将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;
根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;
将所述目标电销线索分配给所述目标承接线路。
根据本发明一种较佳的实施方式,所述方法还包括:
获取预设时间段内目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率;
通过所述目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率对所述预设分类模型再次进行训练。
根据本发明一种较佳的实施方式,所述方法还包括:
分别获取不同时间段内目标承接线路的电销转化率;
根据所述不同时间段内目标承接线路的电销转化率生成所述目标承接线路的激励策略。
根据本发明一种较佳的实施方式,所述用户特征包括:性别、年龄、所在地域、职业、学历、家庭结构、对产品的行为信息中的至少一种。
根据本发明一种较佳的实施方式,所述承接线路特征包括:性别、年龄、历史电销转化率、语音特征中的至少一种。
根据本发明一种较佳的实施方式,所述预设分类模型为:贝叶斯分类器、K临近模型、决策树模型、神经网络模型中的任意一种。
为了解决上述技术问题,本发明第二方面提供一种基于电销转化率的承接线路分配装置,所述装置包括:
获取模块,用于获取历史电销线索的用户特征、承接线路特征及电销转化率;
第一训练模块,用于通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;
模型处理模块,用于将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;
确定模块,用于根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;
分配模块,用于将所述目标电销线索分配给所述目标承接线路。
根据本发明一种较佳的实施方式,述装置还包括:
第一子获取模块,用于获取预设时间段内目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率;
第二训练模块,用于通过所述目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率对所述预设分类模型再次进行训练。
根据本发明一种较佳的实施方式,所述装置还包括:
第二子获取模块,用于分别获取不同时间段内目标承接线路的电销转化率;
激励模块,用于根据所述不同时间段内目标承接线路的电销转化率生成所述目标承接线路的激励策略。
根据本发明一种较佳的实施方式,所述用户特征包括:性别、年龄、所在地域、职业、学历、家庭结构、对产品的行为信息中的至少一种。
根据本发明一种较佳的实施方式,所述承接线路特征包括:性别、年龄、历史电销转化率、语音特征中的至少一种。
根据本发明一种较佳的实施方式,所述预设分类模型为:贝叶斯分类器、K临近模型、决策树模型、神经网络模型中的任意一种。
为解决上述技术问题,本发明第三方面提供一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为解决上述技术问题,本发明第四方面提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现上述方法。
本发明基于不同特征的承接线路与电销线索的不同人群的匹配度不同,通过历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;训练好的预设分类模型即可根据目标电销线索的用户特征和待分配承接线路特征得到线索承接线路匹配度,根据线索承接线路匹配度为目标显示分配目标承接线路。相较于随机分配承接线路的方式,本发明采用机器学习的方式预测线索与承接线路的匹配度,从而可以将目标电销线索分配给匹配度最高的承接线路,有效提高电销转化率。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明一种基于电销转化率的承接线路分配方法的流程示意图;
图2是本发得到线索坐标匹配度的示意图;
图3是本发明一种基于电销转化率的承接线路分配装置的结构框架示意图;
图4是根据本发明的一种电子设备的示例性实施例的结构框图;
图5是本发明一种计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
请参阅图1,图1是本发明提供的一种基于电销转化率的承接线路分配方法的流程图。如图1所示,所述方法包括:
S1、获取历史电销线索的用户特征、承接线路特征及电销转化率;
考虑到不同特征的承接线路与电销线索的不同人群的匹配度不同,即某些特征的承接线路对特定的电销线索人群的转化率更高,其更适合处理该特定的电销线索人群。简单举例来说,男性承接线路处理女性电销线索人群的转化率更高,更适合处理女性电销线索人群。显然,除了性别之前还有其他用户特征及承接线路特征的影响。本发明通过历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;
本发明中,所述用户特征包括:线索用户的性别、年龄、所在地域、职业、学历、家庭结构、对产品的行为信息中的至少一种。所述对产品的行为信息包括;线索用户对产品的购买记录、浏览记录、咨询记录等与产品相关的行为信息。具体可以通过对电销线索数据的特征工程加工来获取上述用户特征。所述承接线路特征包括:承接线路性别、年龄、历史电销转化率、语音特征中的至少一种。所述历史电销转化率可以通过对该承接线路历史电销数据的统计获得。所述语音特征包括:语速、音频、音色类别等,本发明中,承接线路可以是电销机器人,则可以预先配置承接线路的语速、音量和音色类别等。其中,音色类别可以包括:娃娃音、海豚音、指定目标音色等,所述指定目标音色具体可以是特定一个人的音色,比如某个明星的音色。承接线路也可以是销售人员,则承接线路的语速、音量和音色类别可以通过对承接线路的音频数据进行检测得到。
S2、通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;
具体的,将历史电销线索的用户特征、承接线路特征作为特征值,将电销转化率作为标签值输入预设分类模型进行训练。所述预设分类模型包括但不限于:贝叶斯分类器、K临近模型、决策树模型、神经网络模型中的任意一种。
S3、将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;
训练好的分类模型可以根据电销线索的用户特征和承接线路特征对二者进行打分,得到目标电销线索与各个待分配承接线路对应的电销承接线路匹配度。如图2中,对于待分配的承接线路1,将目标电销线索的用户特征,如:性别x1、年龄x2、产品的行为信息x3…家庭结构xn;以及待分配的承接线路1特征,如:性别r1、年龄r2…历史电销转化率rm输入训练好的分类模型中,得到目标电销线索与待分配承接线路1对应的电销承接线路匹配度p1。同理,可以得到目标电销线索与其他待分配承接线路的电销承接线路匹配度pi,其中,i=1、2…s,s为待分配承接线路的总个数。
S4、根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;
具体的,从各个线索承接线路匹配度中获取匹配度最高的待分配承接线路作为目标承接线路。该目标承接线路对应分类模型预测的目标电销线索转化率最高的承接线路
S5、将所述目标电销线索分配给所述目标承接线路。
进一步的,本发明为了提高分类模型的准确度,在分类模型使用一段时间后,可以获取预设时间段内目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率;并通过所述目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率对所述预设分类模型再次进行训练。
本发明进一步还可以生成对目标承接线路的激励策略,以调动目标承接线路的积极性。因此,在上述步骤S5之后,所述方法还包括:
S6、分别获取不同时间段内目标承接线路的电销转化率;
其中,不同时间段可以预先设置,比如不同月份。具体可以通过统计的方式获取不同时间段内目标承接线路的电销转化率。
S7、根据所述不同时间段内目标承接线路的电销转化率生成所述目标承接线路的激励策略。
本发明中,所述激励策略包括:激励方式及激励值,所述激励方式包括奖励和惩罚,所述激励值可以直接是资金奖励值,也可以是与资金奖励值对应的激励等级。示例性的,在一种具体的激励策略中,设置N个奖励范围,每个奖励范围对应一个资金奖励值,可以先计算历史不同时间段内目标承接线路电销转化率的平均值,对于当前时间段内目标承接线路的电销转化率大于平均值第i奖励范围的奖励与该第i奖励范围对应的资金奖励值,对于当前时间段内目标承接线路的电销转化率小于平均值第j奖励范围的惩罚与该第j奖励范围对应的资金奖励值。其中,i=1、2…N,j=1、2…N。显然,奖励时的奖励范围及资金奖励值与惩罚时的奖励范围及资金奖励值可以相同,也可以不同,本发明不作具体限定。比如在一种激励策略中,设置4个奖励范围:第一奖励范围:0~0.025%,第二奖励范围:0.025~0.05%,第三奖励范围:0.05~0.075%,第四奖励范围:0.075~0.1%,历史不同时间段内目标承接线路电销转化率的平均值为3.01%,当前时间段内目标承接线路的电销转化率为3.05%,则对目标承接线路奖励第二奖励范围对应的资金奖励值。
图3是本发明一种基于电销转化率的承接线路分配装置的架构示意图,如图3所示,所述装置包括:
获取模块31,用于获取历史电销线索的用户特征、承接线路特征及电销转化率;
第一训练模块32,用于通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;
模型处理模块33,用于将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;
确定模块34,用于根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;
分配模块35,用于将所述目标电销线索分配给所述目标承接线路。
进一步的,所述装置还包括:
第一子获取模块,用于获取预设时间段内目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率;
第二训练模块,用于通过所述目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率对所述预设分类模型再次进行训练。
第二子获取模块,用于分别获取不同时间段内目标承接线路的电销转化率;
激励模块,用于根据所述不同时间段内目标承接线路的电销转化率生成所述目标承接线路的激励策略。
本发明中,所述用户特征包括:性别、年龄、所在地域、职业、学历、家庭结构、对产品的行为信息中的至少一种。所述承接线路特征包括:性别、年龄、历史电销转化率、语音特征中的至少一种。所述预设分类模型为:贝叶斯分类器、K临近模型、决策树模型、神经网络模型中的任意一种。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图4是根据本发明的一种电子设备的示例性实施例的结构框图。图4显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,该示例性实施例的电子设备400以通用数据处理设备的形式表现。电子设备400的组件可以包括但不限于:至少一个处理单元410、至少一个存储单元420、连接不同电子设备组件(包括存储单元420和处理单元410)的总线430、显示单元440等。
其中,所述存储单元420存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元410执行,使得所述处理单元410执行本发明各种实施方式的步骤。例如,所述处理单元410可以执行如图1所示的步骤。
所述存储单元420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205包括但不限于:操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备300与该电子设备400交互,和/或使得该电子设备400能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口450进行,还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)进行。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白,尽管图4中未示出,电子设备400中可使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID电子设备、磁带驱动器以及数据备份存储电子设备等。
图5是本发明的一个计算机可读介质实施例的示意图。如图5所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:获取历史电销线索的用户特征、承接线路特征及电销转化率;通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;将所述目标电销线索分配给所述目标承接线路。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语音包括面向对象的程序设计语音—诸如Java、C++等,还包括常规的过程式程序设计语音—诸如“C”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
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,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,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 (14)
1.一种基于电销转化率的承接线路分配方法,其特征在于,所述方法包括:
获取历史电销线索的用户特征、承接线路特征及电销转化率;
通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;
将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;
根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;
将所述目标电销线索分配给所述目标承接线路。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取预设时间段内目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率;
通过所述目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率对所述预设分类模型再次进行训练。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
分别获取不同时间段内目标承接线路的电销转化率;
根据所述不同时间段内目标承接线路的电销转化率生成所述目标承接线路的激励策略。
4.根据权利要求1所述的方法,其特征在于,所述用户特征包括:性别、年龄、所在地域、职业、学历、家庭结构、对产品的行为信息中的至少一种。
5.根据权利要求1所述的方法,其特征在于,所述承接线路特征包括:性别、年龄、历史电销转化率、语音特征中的至少一种。
6.根据权利要求1所述的方法,其特征在于,所述预设分类模型为:贝叶斯分类器、K临近模型、决策树模型、神经网络模型中的任意一种。
7.一种基于电销转化率的承接线路分配装置,其特征在于,所述装置包括:
获取模块,用于获取历史电销线索的用户特征、承接线路特征及电销转化率;
第一训练模块,用于通过所述历史电销线索的用户特征、承接线路特征及电销转化率对预设分类模型进行训练;
模型处理模块,用于将目标电销线索的用户特征和待分配承接线路特征输入训练好的分类模型中,得到线索承接线路匹配度;
确定模块,用于根据所述线索承接线路匹配度从所述待分配承接线路中确定目标承接线路;
分配模块,用于将所述目标电销线索分配给所述目标承接线路。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第一子获取模块,用于获取预设时间段内目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率;
第二训练模块,用于通过所述目标电销线索的用户特征、目标承接线路特征及目标电销线索的电销转化率对所述预设分类模型再次进行训练。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二子获取模块,用于分别获取不同时间段内目标承接线路的电销转化率;
激励模块,用于根据所述不同时间段内目标承接线路的电销转化率生成所述目标承接线路的激励策略。
10.根据权利要求7所述的装置,其特征在于,所述用户特征包括:性别、年龄、所在地域、职业、学历、家庭结构、对产品的行为信息中的至少一种。
11.根据权利要求7所述的装置,其特征在于,所述承接线路特征包括:性别、年龄、历史电销转化率、语音特征中的至少一种。
12.根据权利要求7所述的装置,其特征在于,所述预设分类模型为:贝叶斯分类器、K临近模型、决策树模型、神经网络模型中的任意一种。
13.一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。
14.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452016.6A CN113256070A (zh) | 2021-04-26 | 2021-04-26 | 基于电销转化率的承接线路分配方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452016.6A CN113256070A (zh) | 2021-04-26 | 2021-04-26 | 基于电销转化率的承接线路分配方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256070A true CN113256070A (zh) | 2021-08-13 |
Family
ID=77221738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452016.6A Pending CN113256070A (zh) | 2021-04-26 | 2021-04-26 | 基于电销转化率的承接线路分配方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154727A (zh) * | 2021-12-07 | 2022-03-08 | 深圳前海微众银行股份有限公司 | 一种信息处理方法及装置、存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248034A (zh) * | 2017-06-01 | 2017-10-13 | 北京智网易联科技有限公司 | 业务线索分配方法、装置、计算设备以及存储介质 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN108711067A (zh) * | 2018-04-09 | 2018-10-26 | 平安科技(深圳)有限公司 | 电销时间段的选取方法、终端设备及介质 |
CN109598404A (zh) * | 2018-10-23 | 2019-04-09 | 平安科技(深圳)有限公司 | 自动对下发销售任务单进行数据处理的方法和装置 |
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN110443494A (zh) * | 2019-08-02 | 2019-11-12 | 泰康保险集团股份有限公司 | 数据分配方法和装置 |
CN110837587A (zh) * | 2019-09-30 | 2020-02-25 | 北京健康之家科技有限公司 | 一种基于机器学习的数据匹配方法和系统 |
US20200286109A1 (en) * | 2019-03-06 | 2020-09-10 | Cien, Inc. | System and Method to Establish Value of Generated Leads and Opportunities in a Sales Process |
CN112163868A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112650748A (zh) * | 2019-10-09 | 2021-04-13 | 浙江大搜车软件技术有限公司 | 业务线索分配方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-04-26 CN CN202110452016.6A patent/CN113256070A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248034A (zh) * | 2017-06-01 | 2017-10-13 | 北京智网易联科技有限公司 | 业务线索分配方法、装置、计算设备以及存储介质 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN108711067A (zh) * | 2018-04-09 | 2018-10-26 | 平安科技(深圳)有限公司 | 电销时间段的选取方法、终端设备及介质 |
CN109598404A (zh) * | 2018-10-23 | 2019-04-09 | 平安科技(深圳)有限公司 | 自动对下发销售任务单进行数据处理的方法和装置 |
US20200286109A1 (en) * | 2019-03-06 | 2020-09-10 | Cien, Inc. | System and Method to Establish Value of Generated Leads and Opportunities in a Sales Process |
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN110443494A (zh) * | 2019-08-02 | 2019-11-12 | 泰康保险集团股份有限公司 | 数据分配方法和装置 |
CN110837587A (zh) * | 2019-09-30 | 2020-02-25 | 北京健康之家科技有限公司 | 一种基于机器学习的数据匹配方法和系统 |
CN112650748A (zh) * | 2019-10-09 | 2021-04-13 | 浙江大搜车软件技术有限公司 | 业务线索分配方法、装置、电子设备及可读存储介质 |
CN112163868A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘鲲鹏等: "基于客户标签的话务引导和服务策略推送", 《电工技术》, no. 4, pages 54 - 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154727A (zh) * | 2021-12-07 | 2022-03-08 | 深圳前海微众银行股份有限公司 | 一种信息处理方法及装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
US10783431B2 (en) | Image search using emotions | |
CN112348564A (zh) | 自动管理广告投放的方法、装置和电子设备 | |
CN107767172A (zh) | 信息推送方法、装置、服务器及介质 | |
CN111209478A (zh) | 任务推送方法及装置、存储介质及电子设备 | |
CN110796534A (zh) | 一种分期贷款逾期率的预测方法和装置 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
US20150294226A1 (en) | Information processing apparatus, information processing method and program | |
CN111597437A (zh) | 一种基于兴趣点的消息推送方法、装置和电子设备 | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN113256070A (zh) | 基于电销转化率的承接线路分配方法、装置及电子设备 | |
CN111353872A (zh) | 一种基于金融表现值的授信处理的方法、装置和电子设备 | |
CN111340605B (zh) | 训练用户行为预测模型、用户行为预测的方法和装置 | |
CN116137004B (zh) | 广告投放效果的归因方法、系统及计算机 | |
CN116564322A (zh) | 语音转换方法、装置、设备及存储介质 | |
CN116737906A (zh) | 信息展示方法、装置、电子设备和存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN110580648A (zh) | 基于人工智能的金融理财信息处理方法及装置 | |
CN115345669A (zh) | 文案生成方法、装置、存储介质及计算机设备 | |
CN110717101B (zh) | 基于应用行为的用户分类方法、装置和电子设备 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN113947431A (zh) | 一种用户行为质量评估方法、装置、设备和存储介质 | |
CN111583015A (zh) | 一种信贷申请分类方法、装置及电子设备 | |
CN113850611A (zh) | 一种基于响应面的营销任务执行方法、装置和电子设备 |
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 |