CN113421133A - 基于客户匹配的网络营销系统 - Google Patents

Abstract

本发明公开了一种基于客户匹配的网络营销系统，包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，标签服务单元与主数据管理单元的输出端连接，模型构建单元与主数据管理单元、标签服务单元连接，模型验证单元与模型构建单元连接。本发明属于客户价值预测技术领域，具体是提供了一种基于AI算法及大数据计算处理能力进行多维度实时聚类标签及场景，进行目标客群的详细画像分析、营销活动以及营销效果分析，帮助销售及运营人员精确找到高价值目标群体，避免浪费人力资源盲目营销、简化寻找客群的步骤，提升潜客引流效率的基于客户匹配的网络营销系统。

Description

基于客户匹配的网络营销系统

技术领域

本发明属于客户价值预测技术领域，具体是指一种基于客户匹配的网络营销系统。

背景技术

现有技术获取潜在客户的个人特征数据，主要包括在预先划分好的各个工作时间段内，根据电销坐席的成交客户总数以及推销客户总数，分别计算所述电销坐席在各个所述工作时间段的客户转化率；将所述电销坐席在当前工作时间段的所述客户转化率以及所述潜在客户的个人特征数据输入预先建立的随机森林模型，以分别输出多个所述潜在客户的产品购买概率，依照所述产品购买概率的大小顺序，对多个所述潜在客户进行排序，将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐席在所述当前工作时间段的目标客户。

但是现有的营销目标客户圈选具有以下的缺点：(1)基于大数据任意客群多维度实时聚类分析的方法，利用业务规则和经验计算出客群的属性标签，对目标客群实现实时分析，标签粒度较粗，无法准确识别目标客群；(2)需要数据分析和研发人员支撑，获取数据的流程复杂且周期较长，基于聚类分析计算获得的标签规则不能实时满足业务需求，需要不断开发、计算新标签；(3)无法满足不同数据结构的客户数据，新的客户数据接入时需要全部重新耗费资源、时间进行开发。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于AI算法及大数据计算处理能力进行多维度实时聚类标签及场景，进行目标客群的详细画像分析、营销活动以及营销效果分析，帮助销售及运营人员精确找到高价值目标群体，避免浪费人力资源盲目营销、简化寻找客群的步骤，提升潜客引流效率的基于客户匹配的网络营销系统。

本发明采取的技术方案如下：本发明一种基于客户匹配的网络营销系统，包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，采集数据包括企业用户基础信息、行为数据、营销数据等，对数据源进行预处理包括数据清洗和数据标签，即数据抽取(extract)、交互转换(transform)、加载(load)，所述标签服务单元与主数据管理单元的输出端连接，所述标签服务单元配置对应基础属性标签，针对标签数据进行维值配置，形成高价值的准实时数据标签，分析维度配置包括标签类型配置、定向分析维值配置，标签聚类分析计算采用分布式SparkSQL计算层，所述模型构建单元与主数据管理单元、标签服务单元连接，所述模型构建单元基于建模数据集进行建模，分析选择目标变量，构造最终变量迭代拟合模型，基于线性回归、决策树、随机森林等算法进行流失预测分析、价值预测分析、生命周期预测等消费特征分析、以及营销转化分析，所述模型验证单元与模型构建单元连接，所述模型验证单元基于测试集数据进行模型效果验证，针对目标客群完成模型评估，设置模型自学习机制，进行模型部署。

进一步地，所述模型构建单元的建模流程，包括以下步骤：

S1特征编码：特征主要分为连续特征和离散特征，其中离散特征根据特征之间是否有大小关系又细分为两类，选取特征进行标准化处理，使特征数据方差为1，均值为0，降低数值特征过大对预测结果的影响；

S2数据相关性分析、特征选取：去除相关性较弱的变量选取目标变量；

S3样本不均衡处理：正常用户和流失用户数量分布不平衡，建模过程中容易忽略数量较少的流失客户，模型出现一边倒的情况，利用下采样方案进行处理；

S4：将数据集分为训练集和测试集，帮助完成模型测试工作；

S5：逻辑回归模型，过拟合现象采用正则化惩罚，即惩罚数值较大的权重参数，降低对结果的影响，已经训练好的模型利用混淆矩阵进行可视化展示分析，调整阈值确定正负样本。

进一步地，所述数据源采用SparkSQL分布式集群存储。

采用上述方案本发明取得的有益效果如下：本方案一种基于客户匹配的网络营销系统，基于客户价值预测、生命周期总价值、lookalike拓客模型算法，针对数据源进行采集、清洗转化，对数据进行基础属性标签，通过集成的算法进行智能分析对客群进行智能化标签；针对标签后的数据进行多维度洞察、下钻的精确数据分析，并将智能分析结果进行可视化的呈现，精准定位高价值人群，独立数据沉淀，优化模型计算效果，实时圈选出所需目标，快速响应客群精准细分的需求满足营销活动。

附图说明

图1为本发明一种基于客户匹配的网络营销系统的有模型与无模型的目标客户查全率的比较图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明一种基于客户匹配的网络营销系统，包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，采集数据包括企业用户基础信息、行为数据、营销数据等，对数据源进行预处理包括数据清洗和数据标签，即数据抽取(extract)、交互转换(transform)、加载(load)，所述标签服务单元与主数据管理单元的输出端连接，所述标签服务单元配置对应基础属性标签，针对标签数据进行维值配置，形成高价值的准实时数据标签，分析维度配置包括标签类型配置、定向分析维值配置，标签聚类分析计算采用分布式SparkSQL计算层，所述模型构建单元与主数据管理单元、标签服务单元连接，所述模型构建单元基于建模数据集进行建模，分析选择目标变量，构造最终变量迭代拟合模型，基于线性回归、决策树、随机森林等算法进行流失预测分析、价值预测分析、生命周期预测等消费特征分析、以及营销转化分析，所述模型验证单元与模型构建单元连接，所述模型验证单元基于测试集数据进行模型效果验证，针对目标客群完成模型评估，设置模型自学习机制，进行模型部署。

所述模型构建单元的建模流程，包括以下步骤：

S1特征编码：特征主要分为连续特征和离散特征，其中离散特征根据特征之间是否有大小关系又细分为两类，选取特征进行标准化处理，使特征数据方差为1，均值为0，降低数值特征过大对预测结果的影响；

S2数据相关性分析、特征选取：去除相关性较弱的变量选取目标变量；

S3样本不均衡处理：正常用户和流失用户数量分布不平衡，建模过程中容易忽略数量较少的流失客户，模型出现一边倒的情况，利用下采样方案进行处理；

S4：将数据集分为训练集和测试集，帮助完成模型测试工作；

S5：逻辑回归模型，过拟合现象采用正则化惩罚，即惩罚数值较大的权重参数，降低对结果的影响，已经训练好的模型利用混淆矩阵进行可视化展示分析，调整阈值确定正负样本。

其中，所述数据源采用SparkSQL分布式集群存储。

本方案集成机器学习算法、基于AI价值预测和拓客模型，基于大量用户历史数据，洞察客户需求、预测用户行为，封装为标准的营销场景模型，动态智能圈选目标客群，添加智能标签和精准预测客户行为，识别精确的目标客群、能够提高用户转化率，沉淀数据提高模型精准度。

基于预测模型针对客户多维人群画像进行多维度交叉、下钻分析，运营人员无需掌握sql能力，通过系统平台操作精准细分目标人群。

且平台设定时间周期自动跑模型刷新客群数据，保障数据的有效性，推送数据给营销自动化系统进行实时或定时的营销触达，对接用户行为数据进行投放效果展示分析。

通过可视化灵活配置分析维度，结合高效的智能计算引擎实时进行模型分析计算，获取分析结果进行专业的图表展示数据，圈选出的客群可打通第三方营销自动化系统推送人群包进行实时的营销活动。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (5)

1.基于客户匹配的网络营销系统，其特征在于：包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，采集数据包括企业用户基础信息、行为数据、营销数据，对数据源进行预处理包括数据清洗和数据标签，即数据抽取、交互转换、加载，所述标签服务单元与主数据管理单元的输出端连接，所述标签服务单元配置对应基础属性标签，针对标签数据进行维值配置，形成高价值的准实时数据标签，分析维度配置包括标签类型配置、定向分析维值配置，标签聚类分析计算采用分布式SparkSQL计算层，所述模型构建单元与主数据管理单元、标签服务单元连接，所述模型构建单元基于建模数据集进行建模，分析选择目标变量，构造最终变量迭代拟合模型，基于线性回归、决策树、随机森林等算法进行流失预测分析、价值预测分析、生命周期预测等消费特征分析、以及营销转化分析，所述模型验证单元与模型构建单元连接，所述模型验证单元基于测试集数据进行模型效果验证，针对目标客群完成模型评估，设置模型自学习机制，进行模型部署。

2.根据权利要求1所述的基于客户匹配的网络营销系统，其特征在于：所述系统还包括AI场景单元和计算层，所述AI场景单元基于完成的模型创建符合营销领域的AI场景，基于模型进行目标客群的划分，实时分析目标客群，根据分析指标进行聚类分析计算，或者从模型中选择目标客群，基于数模型数据实现多维度的标签条件组合创建最终的用户群；所述计算层接收到目标客群，自动多表关联查找目标数据，通过定义的唯一键进行多表关联聚类查询分析，并将分析结果通过图表及二级下钻进行可视化展示。

3.根据权利要求1所述的基于客户匹配的网络营销系统，其特征在于：针对已知的目标客群需要进行分析或营销活动的目标客群数据，可通过本地csv文件确定唯一标识导入系统平台进行营销活动。

4.根据权利要求1所述的基于客户匹配的网络营销系统，其特征在于：所述模型构建单元的建模流程，包括以下步骤：

S1特征编码：特征主要分为连续特征和离散特征，其中离散特征根据特征之间是否有大小关系又细分为两类，选取特征进行标准化处理，使特征数据方差为1，均值为0，降低数值特征过大对预测结果的影响；

S2数据相关性分析、特征选取：去除相关性较弱的变量选取目标变量；

S3样本不均衡处理：正常用户和流失用户数量分布不平衡，建模过程中容易忽略数量较少的流失客户，模型出现一边倒的情况，利用下采样方案进行处理；

S4：将数据集分为训练集和测试集，帮助完成模型测试工作；

S5：逻辑回归模型，过拟合现象采用正则化惩罚，即惩罚数值较大的权重参数，降低对结果的影响，已经训练好的模型利用混淆矩阵进行可视化展示分析，调整阈值确定正负样本。

5.根据权利要求1所述的基于客户匹配的网络营销系统，其特征在于：所述数据源采用SparkSQL分布式集群存储。

Images