CN113360717B - 一种智能线索处理方法及系统 - Google Patents
一种智能线索处理方法及系统 Download PDFInfo
- Publication number
- CN113360717B CN113360717B CN202110615528.XA CN202110615528A CN113360717B CN 113360717 B CN113360717 B CN 113360717B CN 202110615528 A CN202110615528 A CN 202110615528A CN 113360717 B CN113360717 B CN 113360717B
- Authority
- CN
- China
- Prior art keywords
- information
- clue
- thread
- obtaining
- cable
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 39
- 238000004140 cleaning Methods 0.000 claims abstract description 39
- 238000003066 decision tree Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能线索处理方法及系统,所述方法包括:根据第一营销方案信息,获得多营销渠道;通过对所述多营销渠道的线索进行采集并存储到云端数据库中,获得第一线索数据库;根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型并获得第一线索分级信息;构建第一线索决策树,获得第一线索处理方式。解决了现有技术中存在大量真假不一的线索信息源,使得有效价值线索获取率低,从而降低线索处理转化率的技术问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种智能线索处理方法及系统。
背景技术
随着移动互联网的迅猛发展,企业越来越依赖管理信息系统的建设,其中,销售管理系统作为企业信息系统的重要组成部分,需要不断进行信息化的改革。基于客户需求日趋个性化、多样化,如何充分挖掘客户资源,获取并留住客户成为企业竞争的焦点,其中,在销售管理体系中销售线索处于客户产生机会的最前端,并且能够提供大量的信息源,如何将线索进行有效处理对于推进销售体系和企业经济效益具有重要意义。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在大量真假不一的线索信息源,使得有效价值线索获取率低,从而降低线索处理转化率的技术问题。
发明内容
本申请实施例通过提供一种智能线索处理方法及系统,解决了现有技术中存在大量真假不一的线索信息源,使得有效价值线索获取率低,从而降低线索处理转化率的技术问题,达到了通过对获取到的线索进行价值分级模型和决策树的双重分析实现线索智能化处理,从而增加线索流转有效性的技术效果。
鉴于上述问题,提出了本申请实施例提供一种智能线索处理方法及系统。
第一方面,本申请实施例提供了一种智能线索处理方法,其中,所述方法应用于一种营销线索智能管理系统,所述系统包括一云端数据库,所述方法包括:获得第一营销方案信息;根据所述第一营销方案信息,获得多营销渠道;通过对所述多营销渠道的线索进行采集并存储到所述云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;获得第一线索清洗规则;根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;根据所述线索分级模型,获得第一线索分级信息;构建第一线索决策树;基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。
另一方面,本申请还提供了一种智能线索处理系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一营销方案信息;第二获得单元,所述第二获得单元用于根据所述第一营销方案信息,获得多营销渠道;第一存储单元,所述第一存储单元用于通过对所述多营销渠道的线索进行采集并存储到云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;第三获得单元,所述第三获得单元用于获得第一线索清洗规则;第四获得单元,所述第四获得单元用于根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;第五获得单元,所述第五获得单元用于根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;第六获得单元,所述第六获得单元用于根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;第七获得单元,所述第七获得单元用于根据所述线索分级模型,获得第一线索分级信息;第一构建单元,所述第一构建单元用于构建第一线索决策树;第八获得单元,所述第八获得单元用于基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。
第三方面,本发明提供了一种智能线索处理系统,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,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过企业的具体产品信息获得第一营销方案信息,进而根据其营销方案信息获得对应的多营销渠道信息,再完成线索数据的大量采集存储到云端数据库中生成第一线索数据库,进一步的通过线索的清洗获得了线索数据更准确的第二线索数据库,在基于所述第二线索数据库的基础上完成对线索属性信息和线索行为信息的进一步划分,并对应输出新的线索分级模型对线索进行分类,通过构建决策树从而基于不同的分类线索进行不同线索流程方式的决策,进而获得第一线索处理方式对线索进行有效转化处理的方式,达到了通过对获取到的线索进行价值分级模型和决策树的双重分析实现线索智能化处理,从而增加线索流转有效性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种智能线索处理方法的流程示意图;
图2为本申请实施例一种智能线索处理系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一存储单元13,第三获得单元14,第四获得单元15,第五获得单元16,第六获得单元17,第七获得单元18,第一构建单元19,第八获得单元20,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种智能线索处理方法及系统,解决了现有技术中存在大量真假不一的线索信息源,使得有效价值线索获取率低,从而降低线索处理转化率的技术问题,达到了通过对获取到的线索进行价值分级模型和决策树的双重分析实现线索智能化处理,从而增加线索流转有效性的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
随着移动互联网的迅猛发展,企业越来越依赖管理信息系统的建设,其中,销售管理系统作为企业信息系统的重要组成部分,需要不断进行信息化的改革。基于客户需求日趋个性化、多样化,如何充分挖掘客户资源,获取并留住客户成为企业竞争的焦点,其中,在销售管理体系中销售线索处于客户产生机会的最前端,并且能够提供大量的信息源,如何将线索进行有效处理对于推进销售体系和企业经济效益具有重要意义。但现有技术中存在大量真假不一的线索信息源,使得有效价值线索获取率低,从而降低线索处理转化率的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种智能线索处理方法,其中,所述方法应用于一种营销线索智能管理系统,所述系统包括一云端数据库,所述方法包括:获得第一营销方案信息;根据所述第一营销方案信息,获得多营销渠道;通过对所述多营销渠道的线索进行采集并存储到所述云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;获得第一线索清洗规则;根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;根据所述线索分级模型,获得第一线索分级信息;构建第一线索决策树;基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种智能线索处理方法,其中,所述方法应用于一种营销线索智能管理系统,所述系统包括一云端数据库,所述方法包括:
步骤S100:获得第一营销方案信息;
步骤S200:根据所述第一营销方案信息,获得多营销渠道;
具体而言,所述第一营销方案为第一企业以销售为目的制定的对应计划,即在市场销售和服务之前达到预期的销售目标而进行的各种销售促进活动的策划,其中,由于所述第一营销方案包括多个市场状况信息。比如市场的销售和市场的需求情况,客户对新产品或服务的潜在需求等信息,从而获得营销商品对应的市场状况以完成进一步的营销,相对来说,所述多营销渠道是指根据所述第一营销方案制定的相关定位人群和各个营销渠道信息,比如微信平台、企业微信、小程序、广告、网页等信息,基于企业既有的业务服务基础上,整合渠道中所有客户信息,从而能够实现从全渠道完成数据的挖掘,使得线索数据获取的全面性和准确性达到有效管理的技术效果。
步骤S300:通过对所述多营销渠道的线索进行采集并存储到所述云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;
具体而言,所述云端数据库为所述一种营销线索智能管理系统搭建的基于互联网的关系数据库平台,能够将云和动态应用程序的概念整合进关系数据库中,其中,所述云端数据库包含多个功能,比如批量数据迁移、保存、修改、替换、增减等多个功能,从而实现采集到的线索数据于云平台中的相关控制和操作,所述第一线索数据库为采集到的初始数据库,并且所述第一线索数据库中的数据可以根据不断采集到的更新线索数据完成及时更新和替换,基于搭建的云平台提高了系统中存储容量,减少由于大量线索数据降低系统反应性能的影响,从而将不断获得的线索数据流进行可靠存储。
步骤S400:获得第一线索清洗规则;
具体而言,所述第一线索清洗规则为线索数据预处理的相关规则,通过制定相关的线索清洗规则,从而能够提前建立好对应的线索处理流程,所述第一线索清洗规则包括第一筛选规则和第一标签规则等规则信息,进一步的,所述第一线索清洗规则是基于对所述第一线索数据库中的所有数据进行数据的完整性、全面性、准确性的监测再进行相关清洗的过程,从而使得进行线索清理之前进行数据有效处理,提高数据计算准确度。
步骤S500:根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;
具体而言,所述第二线索数据库是基于所述第一线索清洗规则进行线索清理后获得的对应线索数据库,从而有效的排查了所有的线索数据信息,将其中有效数据进行提取实现线索自动清理的过程。详细来说,所述第一线索清洗规则中包括对人群进行筛选、并结合标签分析完成智能化分级存储,举例来说,实现所述第二线索数据库在所述云端数据库中的多层级、多标签存储,从而筛选出符合条件的有效线索,通过对筛出的线索进行标签和备注,进而完成分类,比如线索来源、客户行业、客户需求类型等,或者分级比如客户规模、需求紧急程度等,从而达到了对线索进行自动清理,生成有效第二线索数据库,提高了线索可利用性。
步骤S600:根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;
具体而言,所述第一线索属性信息是通过构建用户画像获得的线索属性信息,所述第一线索行为信息是基于对用户的兴趣方向获得的相关行为信息,其中,构建用户画像是通过对用户的的角色进行大数据分析,由于用户画像是对真实用户的虚拟代表,将用户的属性与产品和市场的相关信息进行结合,从而形成具有代表性能代表产品的主要受众和目标群体;所述兴趣方向的过程中是基于大数据的情况下对用户的浏览记录或者浏览网页相关兴趣点击方面获得的行为信息,从而达到了结合用户的基本画像以及用户的行为对线索进行进一步的细化分析,从而达到了聚集服务对象和特征定位,提高决策效率的技术效果。
步骤S700:根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;
步骤S800:根据所述线索分级模型,获得第一线索分级信息;
具体而言,获得所述线索分级模型是根据所述第一线索属性信息和所述第一线索行为信息进行细化的数据监督学习进行准确分析后获得的分级信息,进一步的,当线索等级越高,对应的表示目前线索的对应价值也越大,所以需要对应的采取相应等级的对应线索处理方式完成线索数据的有效处理和转化,通过多组数据的不间断识别,将所述第一线索属性信息和所述第一线索行为信息输入训练模型中进行线索等级的学习,从而获得所述第一线索分级信息,详细来说,所述第一线索分级信息能够对所有线索的分级特征进行数据化的准确标识,从而便于计算机搭建的平台进行相关数据的处理,进而达到了智能化处理数据,提高线索转化效率的技术效果。
步骤S900:构建第一线索决策树;
具体而言,所述第一线索决策树是对所述第二线索数据库中的所有线索数据基于不同的分级特征完成的对应线索处理方式决策树,通过构建所述第一线索决策树能够基于不同分级特征完对输入线索的有效决策。
进一步而言,所述构建第一线索决策树,本申请实施例步骤S900还包括:
步骤S910:将线索信息类别和线索有效程度分别作为第一分级特征和第二分级特征;
步骤S920:对所述第一分级特征进行信息论编码运算,获得第一特征信息熵;
步骤S930:对所述第二分级特征进行信息论编码运算,获得第二特征信息熵;
步骤S940:通过对所述第一特征信息熵和所述第二特征信息熵进行排序,获得第一特征排序信息;
步骤S950:基于所述第一分级特征、第二分级特征和所述第一特征排序信息,构建所述第一线索决策树。
具体而言,构建所述第一线索决策树的过程是基于线索的信息类别和有效程度进完成对应处理方式的分类判断,其中,所述第一特征信息熵和所述第二特征信息熵代表不同分类特征具体对应的权重值,进而不仅能够对线索分级进行分析,还可以基于不同节点特征完成对应线索的处理方式,从而能够达到基于对线索的树状分析进行之后相关线索处理等级的判断,进而达到了基于数据逻辑化功能使得最终决策功能的有效执行,进而提高线索转化率的技术性效果。
步骤S1000:基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。
具体而言,由于所述第一线索分级信息是基于神经网络模型完成对应的监督学习获得的信息,因此,所述第一线索分级信息具有一定的有效性,所述第一线索决策树能够对线索完成对应的线索流转决策结果,进而基于线索的具体分级信息和对应的决策树的决策结果完成对线索的进一步分析,进而确定之后线索的具体执行方式,其中,线索处理方式包括线索分配,线索流转,线索的具体计算等,因此,通过对线索进行有效的流转处理,使得线索处理的过程能够与销售进行结合,从而达到了增加线索流转有效性的技术效果。
进一步而言,所述根据所述第一营销方案信息,获得多营销渠道之后,本申请实施例步骤S200还包括:
步骤S210:根据第一筛选标识信息对所述多营销渠道进行筛选,获得第一筛选渠道;
步骤S220:根据第二筛选标识信息对所述第一筛选渠道中的多用户进行筛选,获得第一筛选人群;
步骤S230:获得所述第一筛选人群的第一基本信息;
步骤S240:判断所述第一基本信息中是否存在第一触发信息,所述第一触发信息为触发营销条件的信息;
步骤S250:若所述第一基本信息中存在所述第一触发信息,获得第一发送指令,所述第一发送指令用于将对应营销信息发送给触发用户。
具体而言,所述第一筛选标识信息为进行渠道选择的过滤标识信息,所述第二筛选标识信息为进行目标人群的过滤标识信息,进一步的,通过对多个营销渠道中进行渠道的筛选并进一步在对应的渠道中完成目标用户或需求用户的进一步的筛选,从而对筛选后的目标用户人群进行跟踪采集线索,当目标人群中的相关信息中达到了一定的触发条件,表示目前的跟踪人群具有了定位营销的潜在价值,进而根据所述第一发送指令将对应的营销信息发送给达到触发条件的用户,从而基于运营产品的基于策略信息完成用户线索获取的自动化跟踪,实现目标人群的智能跟踪培育过程,提高线索反应更新速率。
进一步而言,所述根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型之前,本申请实施例步骤S700还包括:
步骤S710:根据所述第一线索属性信息构建第一画像匹配规则;
步骤S720:根据所述第一线索行为信息构建第一兴趣匹配规则;
步骤S730:将所述第一画像匹配规则和所述第一兴趣匹配规则分别作为横坐标、纵坐标构建直角坐标系,获得线索双维度评分模型;
步骤S740:所述线索双维度评分模型包括多组评分结果,其中,所述多组评分结果包括第一评分结果、第二评分结果和第三评分结果;
步骤S750:通过对所述多组评分结果进行占比分析,获得第一线索分级结果。
具体而言,所述第一画像匹配规则是基于对线索的各个属性信息进行具体的分析从而确定的对应匹配规则,当所述第一线索属性信息与构建的画像达到目标匹配度时,表示目前线索有效价值程度较高进而完成匹配的过程,其中,进行用户画像和用户兴趣的匹配是通过对所有线索信息进行一一遍历,从而达到对采集到的每个线索都进行相应匹配度的计算进而构建出了所述线索双维度评分模型,所述多组评分结果是对所有的线索进行匹配度计算后综合计算结果并完成具体组别划分后获得的结果,进一步的,所述第一评分结果为高价值线索,所述第二评分结果为中价值线索,所述第三评分结果为低价值线索,并对每组评分结果的线索量进行占比的综合分析再输出对应的结果,达到了分级别对线索进行整合和分组,进而可以通过直观的占比分析数据信息获取线索的整体有效性,并对应采取相应的调整措施。
进一步而言,所述根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型,本申请实施例步骤S740还包括:
步骤S741:根据所述多组评分结果进行对线索进行划分,获得第一划分结果,其中,所述第一划分结果包括第一类别线索信息和第二类别线索信息;
步骤S742:根据所述第一类别线索信息,获得评分大于第一预设评分的N个线索信息,其中,N大于1且小于或等于所述第一类别线索的总数量;
步骤S743:根据所述第二类别线索信息,获得评分大于第二预设评分的M个线索信息,其中,M大于1且小于或等于所述第二类别线索的总数量;
步骤S744:根据所述N个线索信息和所述M个线索信息,获得所述线索分级模型。
具体而言,所述线索分级模型是经过神经网络训练获得的对应等级分析模型,进一步的,通过对多组评分结果进行进一步的中值划分,即根据其综合评分结果,获得第一逻辑回归线进行分类,分类的过程是基于对线索评分结果对应的价值进行更进一步的深化分类,基于其价值可分配使用性完成划分,其中,所述第一类别线索信息为逻辑回归线的一侧,代表线索可分配;所述第二类别线索信息为逻辑回归线的另一侧,代表线索不可分配还需经过数据更新。进而通过可分配使用的线索进行目标价值评分的提取以及需要进行线索更新的价值评分提取完成对应的训练数据的训练进而获得所述线索分级模型,从而使得所述线索分级模型的输入信息能够达到准确、有效的数据要求,并提高所述线索分级模型的数据训练性能。
进一步而言,本申请实施例S740还包括:
步骤S745:获得第一预设时间阈值;
步骤S746:获得所述多组评分结果在所述第一预设时间阈值中的第一占比信息,其中,所述第一占比信息为所述第一评分结果对应的占比;
步骤S747:判断所述第一占比信息是否处于预设占比阈值中;
步骤S748:若所述第一占比信息不处于所述预设占比阈值中,获得第一异常指令。
具体而言,所述第一预设时间阈值是基于所述第一营销方案具体的划分进行周期性的监测周期,由于线索数据具有一定的生命周期,因此通过再所述第一预设时间阈值中产生的所有评分占比数据结果进行数据的统计化分析,详细来说,通过将第一评分结果、第二评分结果和所述第三评分结果生成的曲线进行拟合,并将所述第一评分结果对应的曲线进行标记再计算其达到目标高价值的线索占比,进而完成了对高价值线索数据的进一步追踪管理,对于出现异常的情况进行异常提醒并完成异常周期的标记,从而为相关人员为之后方案的更新提供基础。
进一步而言,所述根据所述线索分级模型,获得第一线索分级信息,本申请实施例步骤S744还包括:
步骤S7441:将所述N个线索信息和所述M个线索信息作为输入数据,输入所述线索分级模型;
步骤S7442:所述线索分级模型通过多组输入数据训练至收敛状态而得,所述多组输入数据中的每组数据均包含所述N个线索信息、所述M个线索信息和用于标识第一线索分级信息的标识信息;
步骤S7443:获得所述线索分级模型的输出信息,所述输出信息包括所述第一线索分级信息。
具体而言,所述第一线索分级信息用于对所有的线索进行分级,进一步的,由于所述N个线索信息和所述M个线索信息是对所有线索信息进行有目的的提取获得的筛选训练数据,进而将所述第一线索分级信息作为监督数据输入每一组训练数据中进行监督学习,所述线索分级模型是以神经网络模型为基础建立的模型,而神经网络是大量的神经元之间相互连接构成的一种运算模型,网络的输出则依照网络的连接方式的一种逻辑策略表达。进一步而言,所述训练的过程实质为监督学习的过程,所述多组训练数据中的每组均包括所述N个线索信息、所述M个线索信息和用于标识第一线索分级信息的标识信息,所述线索分级模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,结束本组数据监督学习,进行下一组数据监督学习。当所述线索分级模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束,从而达到了通过所述线索分级模型的训练使得输出所述第一线索分级信息更加准确,达到了智能化分析线索数据的技术效果。
综上所述,本申请实施例所提供的一种智能线索处理方法及系统具有如下技术效果:
1、由于采用了通过企业的具体产品信息获得第一营销方案信息,进而根据其营销方案信息获得对应的多营销渠道信息,再完成线索数据的大量采集存储到云端数据库中生成第一线索数据库,进一步的通过线索的清洗获得了线索数据更准确的第二线索数据库,在基于所述第二线索数据库的基础上完成对线索属性信息和线索行为信息的进一步划分,并对应输出新的线索分级模型对线索进行分类,通过构建决策树从而基于不同的分类线索进行不同线索流程方式的决策,进而获得第一线索处理方式对线索进行有效转化处理的方式,达到了通过对获取到的线索进行价值分级模型和决策树的双重分析实现线索智能化处理,从而增加线索流转有效性的技术效果。
2、由于采用了通过线索双维度评分模型对线索数据进行进一步的线索评分,并对应生成多评分结果并基于数据生命周期完成数据异常跟踪监控的方式,达到了通过直观的占比分析数据信息获取线索的整体有效性,并能根据异常指令及时采取相应的调整措施,提高线索处理过程安全性的技术效果。
3、由于采用了通过对已评分的线索进行进一步的类别划分,再对不同类别的线索进行预设评分的线索提取再完成对应线索分级模型数据监督训练的方式,达到了智能化分析线索数据,提高所述线索分级模型的数据训练性能的技术效果。
实施例二
基于与前述实施例中一种智能线索处理方法同样发明构思,本发明还提供了一种智能线索处理系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一营销方案信息;
第二获得单元12,所述第二获得单元12用于根据所述第一营销方案信息,获得多营销渠道;
第一存储单元13,所述第一存储单元13用于通过对所述多营销渠道的线索进行采集并存储到云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;
第三获得单元14,所述第三获得单元14用于获得第一线索清洗规则;
第四获得单元15,所述第四获得单元15用于根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;
第五获得单元16,所述第五获得单元16用于根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;
第六获得单元17,所述第六获得单元17用于根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;
第七获得单元18,所述第七获得单元18用于根据所述线索分级模型,获得第一线索分级信息;
第一构建单元19,所述第一构建单元19用于构建第一线索决策树;
第八获得单元20,所述第八获得单元20用于基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于根据第一筛选标识信息对所述多营销渠道进行筛选,获得第一筛选渠道;
第十获得单元,所述第十获得单元用于根据第二筛选标识信息对所述第一筛选渠道中的多用户进行筛选,获得第一筛选人群;
第十一获得单元,所述第十一获得单元用于获得所述第一筛选人群的第一基本信息;
第十二获得单元,所述第十二获得单元用于若所述第一基本信息中存在所述第一触发信息,获得第一发送指令,所述第一发送指令用于将对应营销信息发送给触发用户。
进一步的,所述系统还包括:
第二构建单元,所述第二构建单元用于根据所述第一线索属性信息构建第一画像匹配规则;
第三构建单元,所述第三构建单元用于根据所述第一线索行为信息构建第一兴趣匹配规则;
第十三获得单元,所述第十三获得单元用于将所述第一画像匹配规则和所述第一兴趣匹配规则分别作为横坐标、纵坐标构建直角坐标系,获得线索双维度评分模型;
第十四获得单元,所述第十四获得单元用于所述线索双维度评分模型包括多组评分结果,其中,所述多组评分结果包括第一评分结果、第二评分结果和第三评分结果;
第十五获得单元,所述第十五获得单元用于通过对所述多组评分结果进行占比分析,获得第一线索分级结果。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于根据所述多组评分结果进行对线索进行划分,获得第一划分结果,其中,所述第一划分结果包括第一类别线索信息和第二类别线索信息;
第十七获得单元,所述第十七获得单元用于根据所述第一类别线索信息,获得评分大于第一预设评分的N个线索信息,其中,N大于1且小于或等于所述第一类别线索的总数量;
第十八获得单元,所述第十八获得单元用于根据所述第二类别线索信息,获得评分大于第二预设评分的M个线索信息,其中,M大于1且小于或等于所述第二类别线索的总数量;
第十九获得单元,所述第十九获得单元用于通根据所述N个线索信息和所述M个线索信息,获得所述线索分级模型。
进一步的,所述系统还包括:
第二十获得单元,所述第二十获得单元用于获得第一预设时间阈值;
第二十一获得单元,所述第二十一获得单元用于获得所述多组评分结果在所述第一预设时间阈值中的第一占比信息,其中,所述第一占比信息为所述第一评分结果对应的占比;
第一判断单元,所述第一判断单元用于判断所述第一占比信息是否处于预设占比阈值中;
第二十二获得单元,所述第二十二获得单元用于若所述第一占比信息不处于所述预设占比阈值中,获得第一异常指令。
进一步的,所述系统还包括:
第一操作单元,所述第一操作单元用于将线索信息类别和线索有效程度分别作为第一分级特征和第二分级特征;
第二十三获得单元,所述第二十三获得单元用于对所述第一分级特征进行信息论编码运算,获得第一特征信息熵;
第二十四获得单元,所述第二十四获得单元用于对所述第二分级特征进行信息论编码运算,获得第二特征信息熵;
第四构建单元,所述第四构建单元用于基于所述第一分级特征、第二分级特征和所述第一特征排序信息,构建所述第一线索决策树。
进一步的,所述系统还包括:
第一输入单元,所述第一输入单元用于将所述N个线索信息和所述M个线索信息作为输入数据,输入所述线索分级模型;
第二十五获得单元,所述第二十五获得单元用于所述线索分级模型通过多组输入数据训练至收敛状态而得,所述多组输入数据中的每组数据均包含所述N个线索信息、所述M个线索信息和用于标识第一线索分级信息的标识信息;
第二十六获得单元,所述第二十六获得单元用于获得所述线索分级模型的输出信息,所述输出信息包括所述第一线索分级信息。
前述图1实施例一中的一种智能线索处理方法的各种变化方式和具体实例同样适用于本实施例的一种智能线索处理系统,通过前述对一种智能线索处理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种智能线索处理系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种智能线索处理方法的发明构思,本发明还提供一种智能线索处理系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种智能线索处理方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种智能线索处理方法,其中,所述方法应用于一种营销线索智能管理系统,所述系统包括一云端数据库,所述方法包括:获得第一营销方案信息;根据所述第一营销方案信息,获得多营销渠道;通过对所述多营销渠道的线索进行采集并存储到所述云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;获得第一线索清洗规则;根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;根据所述线索分级模型,获得第一线索分级信息;构建第一线索决策树;基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。解决了现有技术中存在大量真假不一的线索信息源,使得有效价值线索获取率低,从而降低线索处理转化率的技术问题,达到了通过对获取到的线索进行价值分级模型和决策树的双重分析实现线索智能化处理,从而增加线索流转有效性的技术效果。
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系统。
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系统的制造品,该指令系统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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种智能线索处理方法,其中,所述方法应用于一种营销线索智能管理系统,所述系统包括一云端数据库,所述方法包括:
获得第一营销方案信息;
根据所述第一营销方案信息,获得多营销渠道;
根据第一筛选标识信息对所述多营销渠道进行筛选,获得第一筛选渠道;
根据第二筛选标识信息对所述第一筛选渠道中的多用户进行筛选,获得第一筛选人群;
获得所述第一筛选人群的第一基本信息;
判断所述第一基本信息中是否存在第一触发信息,所述第一触发信息为触发营销条件的信息;
若所述第一基本信息中存在所述第一触发信息,获得第一发送指令,所述第一发送指令用于将对应营销信息发送给触发用户;
通过对所述多营销渠道的线索进行采集并存储到所述云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;
获得第一线索清洗规则;
根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;
根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;
根据所述第一线索属性信息构建第一画像匹配规则;
根据所述第一线索行为信息构建第一兴趣匹配规则;
将所述第一画像匹配规则和所述第一兴趣匹配规则分别作为横坐标、纵坐标构建直角坐标系,获得线索双维度评分模型;
所述线索双维度评分模型包括多组评分结果,其中,所述多组评分结果包括第一评分结果、第二评分结果和第三评分结果;
通过对所述多组评分结果进行占比分析,获得第一线索分级结果;
根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;
根据所述线索分级模型,获得第一线索分级信息;
构建第一线索决策树;
基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。
2.如权利要求1所述的方法,所述根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型,所述方法还包括:
根据所述多组评分结果进行对线索进行划分,获得第一划分结果,其中,所述第一划分结果包括第一类别线索信息和第二类别线索信息;
根据所述第一类别线索信息,获得评分大于第一预设评分的N个线索信息,其中,N大于1且小于或等于所述第一类别线索的总数量;
根据所述第二类别线索信息,获得评分大于第二预设评分的M个线索信息,其中,M大于1且小于或等于所述第二类别线索的总数量;
根据所述N个线索信息和所述M个线索信息,获得所述线索分级模型。
3.如权利要求1所述的方法,所述方法还包括:
获得第一预设时间阈值;
获得所述多组评分结果在所述第一预设时间阈值中的第一占比信息,其中,所述第一占比信息为所述第一评分结果对应的占比;
判断所述第一占比信息是否处于预设占比阈值中;
若所述第一占比信息不处于所述预设占比阈值中,获得第一异常指令。
4.如权利要求1所述的方法,所述构建第一线索决策树,所述方法还包括:
将线索信息类别和线索有效程度分别作为第一分级特征和第二分级特征;
对所述第一分级特征进行信息论编码运算,获得第一特征信息熵;
对所述第二分级特征进行信息论编码运算,获得第二特征信息熵;
通过对所述第一特征信息熵和所述第二特征信息熵进行排序,获得第一特征排序信息;
基于所述第一分级特征、第二分级特征和所述第一特征排序信息,构建所述第一线索决策树。
5.如权利要求2所述的方法,所述根据所述线索分级模型,获得第一线索分级信息,所述方法还包括:
将所述N个线索信息和所述M个线索信息作为输入数据,输入所述线索分级模型;
所述线索分级模型通过多组输入数据训练至收敛状态而得,所述多组输入数据中的每组数据均包含所述N个线索信息、所述M个线索信息和用于标识第一线索分级信息的标识信息;
获得所述线索分级模型的输出信息,所述输出信息包括所述第一线索分级信息。
6.一种智能线索处理系统,其中,所述方法应用于权利要求1至5中任一项所述的方法,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一营销方案信息;
第二获得单元,所述第二获得单元用于根据所述第一营销方案信息,获得多营销渠道;
第一存储单元,所述第一存储单元用于通过对所述多营销渠道的线索进行采集并存储到云端数据库中,获得第一线索数据库,其中,所述第一线索数据库为多渠道线索集合;
第三获得单元,所述第三获得单元用于获得第一线索清洗规则;
第四获得单元,所述第四获得单元用于根据所述第一线索清洗规则对所述第一线索数据库进行线索清理,获得第二线索数据库;
第五获得单元,所述第五获得单元用于根据所述第二线索数据库中的所有线索数据,获得第一线索属性信息和第一线索行为信息;
第六获得单元,所述第六获得单元用于根据所述第一线索属性信息和所述第一线索行为信息,获得线索分级模型;
第七获得单元,所述第七获得单元用于根据所述线索分级模型,获得第一线索分级信息;
第一构建单元,所述第一构建单元用于构建第一线索决策树;
第八获得单元,所述第八获得单元用于基于所述第一线索分级信息和所述第一线索决策树,获得第一线索处理方式。
7.一种智能线索处理系统,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,其中,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615528.XA CN113360717B (zh) | 2021-06-02 | 2021-06-02 | 一种智能线索处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615528.XA CN113360717B (zh) | 2021-06-02 | 2021-06-02 | 一种智能线索处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113360717A CN113360717A (zh) | 2021-09-07 |
CN113360717B true CN113360717B (zh) | 2024-05-14 |
Family
ID=77531499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615528.XA Active CN113360717B (zh) | 2021-06-02 | 2021-06-02 | 一种智能线索处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360717B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980991A (zh) * | 2017-04-06 | 2017-07-25 | 百度在线网络技术(北京)有限公司 | 一种营销信息的推送方法、装置、设备及存储介质 |
CN107563715A (zh) * | 2017-07-19 | 2018-01-09 | 天津云脉三六五科技有限公司 | 外贸集客营销系统及方法 |
CN109544248A (zh) * | 2018-11-29 | 2019-03-29 | 上海文军信息技术有限公司 | 一种基于互联网信息进行销售线索挖掘的方法 |
CN109636458A (zh) * | 2018-12-07 | 2019-04-16 | 北京恒泰实达科技股份有限公司 | 一种轨道交通用户画像生成方法 |
CN110347665A (zh) * | 2019-06-27 | 2019-10-18 | 杭州数跑科技有限公司 | 销售线索清洗方法、装置、电子设备及存储介质 |
CN112328905A (zh) * | 2020-10-30 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 线上营销内容推送方法、装置、计算机设备及存储介质 |
CN112348417A (zh) * | 2020-12-04 | 2021-02-09 | 中信银行股份有限公司 | 一种基于主成分分析算法的营销价值评估方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10430985B2 (en) * | 2014-03-14 | 2019-10-01 | Magic Leap, Inc. | Augmented reality systems and methods utilizing reflections |
-
2021
- 2021-06-02 CN CN202110615528.XA patent/CN113360717B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980991A (zh) * | 2017-04-06 | 2017-07-25 | 百度在线网络技术(北京)有限公司 | 一种营销信息的推送方法、装置、设备及存储介质 |
CN107563715A (zh) * | 2017-07-19 | 2018-01-09 | 天津云脉三六五科技有限公司 | 外贸集客营销系统及方法 |
CN109544248A (zh) * | 2018-11-29 | 2019-03-29 | 上海文军信息技术有限公司 | 一种基于互联网信息进行销售线索挖掘的方法 |
CN109636458A (zh) * | 2018-12-07 | 2019-04-16 | 北京恒泰实达科技股份有限公司 | 一种轨道交通用户画像生成方法 |
CN110347665A (zh) * | 2019-06-27 | 2019-10-18 | 杭州数跑科技有限公司 | 销售线索清洗方法、装置、电子设备及存储介质 |
CN112328905A (zh) * | 2020-10-30 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 线上营销内容推送方法、装置、计算机设备及存储介质 |
CN112348417A (zh) * | 2020-12-04 | 2021-02-09 | 中信银行股份有限公司 | 一种基于主成分分析算法的营销价值评估方法及装置 |
Non-Patent Citations (3)
Title |
---|
context encoders:feature learning by inpainting;Deepak Pathak等;proceedings of the IEEE Conference on computer vision and pattern recognition;20160831;2536-2544 * |
基于用户画像的高校图书馆阅读疗法模式;刘丹;张兴刚;任淑敏;;中华医学图书情报杂志;20180715;第27卷(第07期);68-71 * |
新浪微博娱乐营销号的情绪营销状况研究;张凯璇;侯欣洁;;北京印刷学院学报;20200226;第28卷(第02期);30-34 * |
Also Published As
Publication number | Publication date |
---|---|
CN113360717A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573337B (zh) | 作业分配 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN111199493A (zh) | 一种基于客户缴费信息及征信信息的欠费风险识别方法 | |
CN111967521A (zh) | 跨境活跃用户识别方法及装置 | |
CN112860672A (zh) | 标签权重的确定方法和装置 | |
CN111178722B (zh) | 适用于销售线索评级和分配的机器学习系统、方法及介质 | |
CN113360717B (zh) | 一种智能线索处理方法及系统 | |
CN117235606A (zh) | 特种不锈钢的生产质量管理方法及系统 | |
CN115062676B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
CN115470279A (zh) | 基于企业数据的数源转换方法、装置、设备及介质 | |
US11782923B2 (en) | Optimizing breakeven points for enhancing system performance | |
CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
CN115952468A (zh) | 特征处理方法、装置、设备及计算机存储介质 | |
CN115328870A (zh) | 一种面向云制造的数据共享方法及系统 | |
CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
CN114265891A (zh) | 基于多源数据融合的智慧车间系统、方法及存储介质 | |
CN112308419A (zh) | 数据处理方法、装置、设备及计算机存储介质 | |
CN117453805B (zh) | 一种不确定性数据的可视化分析方法 | |
WO2022227213A1 (zh) | 行业推荐方法、装置、计算机设备及存储介质 | |
CN116976755B (zh) | 一种基于数据处理的产业协同分析评价系统 | |
CN115482419B (zh) | 一种海洋渔业产品的数据采集分析方法及系统 | |
CN114493477B (zh) | 一种基于bim的建筑成本多维度统计方法及系统 | |
CN115879501A (zh) | 多视角主动学习的制造服务数据价值评估动态优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |