CN113486225A - 一种基于大数据的企业画像展现方法及系统 - Google Patents
一种基于大数据的企业画像展现方法及系统 Download PDFInfo
- Publication number
- CN113486225A CN113486225A CN202110764229.2A CN202110764229A CN113486225A CN 113486225 A CN113486225 A CN 113486225A CN 202110764229 A CN202110764229 A CN 202110764229A CN 113486225 A CN113486225 A CN 113486225A
- Authority
- CN
- China
- Prior art keywords
- information
- enterprise
- obtaining
- customer
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013210 evaluation model Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000003066 decision tree Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 239000002699 waste material Substances 0.000 abstract description 12
- 238000003860 storage Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000000474 nursing effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/90—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的企业画像展现方法及系统,所述方法包括:对第一客户信息进行特征提取,获得第一主特征信息,基于大数据获得历史数据信息,获得第一映射关系进而获得第一客户信息的第一感兴趣信息;获得企业特征信息与第一感兴趣信息,并输入特征参数类型评估模型,获得第一参数类型信息;确定第一参数信息,根据企业特征信息,构建基础企业画像信息,进而获得与第一客户相匹配的第一企业画像信息;获得第一展示信息,并对第一客户进行展示。解决了无法基于大数据对企业画像进行展现,来帮助用户全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术问题。
Description
技术领域
本发明涉及大数据分析领域,尤其涉及一种基于大数据的企业画像展现方法及系统。
背景技术
企业画像是企业给人的印象,可以跟自然人的用户画像相类比。这其实是IT行业的一种叫法,在金融行业,一般叫做“尽职调查报告”。是企业在工商局登记的信息,你会看到以下几方面的信息:单位的名称、法人代表;成立日期(年龄)、住所、营业期限、经营范围;登记机关、登记状态、注册资本、实收资本;股东信息、高管信息等。选择什么样的市场和客户是至关重要的。特别是对于一些创业公司,在资源有限的情况下,如何选择和聚焦目标,是能否站上制高点的关键。当企业对客户是谁、需求是什么、企业给客户提供的价值是什么等等没有统一认知时,想要帮助客户达成期望或让客户购买产品是根本不现实的。而用户画像的构建则会从以下方面让企业的运营达到事半功倍的效果。基于大数据分析,根据产品特点,可以更快地找到目标客户群体,帮助销售部门聚焦重点于潜在客户及其需求上,提高销售转化率,实现精准运营和营销。为了实现基于大数据对企业画像进行精准展现,来帮助用户全面了解企业状况,随着大数据、智能控制、物联网等技术的发展,基于大数据分析技术会使企业对用户的需求了解更加智能化、精准化。
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:
现有技术中存在无法基于大数据对企业画像进行精准展现,来帮助用户全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术问题。
发明内容
本申请实施例通过提供一种基于大数据的企业画像展现方法及系统,基于大数据分析,对第一客户信息进行特征提取,获得第一主特征信息,基于大数据获得历史数据信息,获得第一映射关系进而获得第一客户信息的第一感兴趣信息;获得企业特征信息与第一感兴趣信息,并输入特征参数类型评估模型,获得第一参数类型信息;确定第一参数信息,根据企业特征信息,构建基础企业画像信息,进而获得与第一客户相匹配的第一企业画像信息;获得第一展示信息,并对第一客户进行展示。解决了无法基于大数据对企业画像进行展现,来帮助我们全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术问题。实现了根据用户的不同信息获得不同的企业画像,达到了对用户需求推送的智能化、精准化操作,可以帮助用户全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术效果。
鉴于上述问题,本申请实施例提供一种基于大数据的企业画像展现方法及系统。
第一方面,本申请提供了一种基于大数据的企业画像展现方法及系统,其中,所述方法包括:通过获得第一客户信息;对所述第一客户信息进行特征提取,获得第一主特征信息;基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;根据所述历史数据信息,获得第一映射关系;根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;获得第一企业的企业特征信息;将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;依据遗传算法和所述第一参数类型信息,确定第一参数信息;根据所述第一企业的企业特征信息,构建基础企业画像信息;根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。
另一方面,本申请还提供了一种基于大数据的企业画像展现系统,其中,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客户信息;第二获得单元,所述第二获得单元用于对所述第一客户信息进行特征提取,获得第一主特征信息;第三获得单元,所述第三获得单元用于基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;第四获得单元,所述第四获得单元用于根据所述历史数据信息,获得第一映射关系;第五获得单元,所述第五获得单元用于根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;第六获得单元,所述第六获得单元用于获得第一企业的企业特征信息;第七获得单元,所述第七获得单元用于将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;第一确定单元,所述第一确定单元依据遗传算法和所述第一参数类型信息,确定第一参数信息;第一构建单元,所述第一构建单元用于根据所述第一企业的企业特征信息,构建基础企业画像信息;第八获得单元,所述第八获得单元用于根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;第九获得单元,所述第九获得单元用于获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。
另一方面,本申请实施例还提供了一种基于大数据的企业画像展现方法及系统,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上述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:
本申请实施例提供了一种基于大数据的企业画像展现方法及系统,通过获得第一客户信息;对所述第一客户信息进行特征提取,获得第一主特征信息;基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;根据所述历史数据信息,获得第一映射关系;根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;获得第一企业的企业特征信息;将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;依据遗传算法和所述第一参数类型信息,确定第一参数信息;根据所述第一企业的企业特征信息,构建基础企业画像信息;根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。解决了无法基于大数据对企业画像进行展现,来帮助我们全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术问题。实现了根据用户的不同信息获得不同的企业画像,达到了对用户需求推送的智能化、精准化操作,可以帮助用户全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术效果。
上述说明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基于大数据的企业画像展现方法的流程示意图;
图2为本申请实施例一种基于大数据的企业画像展现系统的结构示意图;
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,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第七获得单元17,第一确定单元18,第一构建单元19,第八获得单元20,第九获得单元21,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供一种基于大数据的企业画像展现方法及系统,解决了无法基于大数据对企业画像进行展现,来帮助我们全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术问题。实现了根据用户的不同信息获得不同的企业画像,达到了对用户需求推送的智能化、精准化操作,可以帮助用户全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术效果。
下面,将参考附图详细的描述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
企业画像是企业给人的印象,可以跟自然人的用户画像相类比。这其实是IT行业的一种叫法,在金融行业,一般叫做“尽职调查报告”。是企业在工商局登记的信息,你会看到以下几方面的信息:单位的名称、法人代表;成立日期(年龄)、住所、营业期限、经营范围;登记机关、登记状态、注册资本、实收资本;股东信息、高管信息等。选择什么样的市场和客户是至关重要的。特别是对于一些创业公司,在资源有限的情况下,如何选择和聚焦目标,是能否站上制高点的关键。当企业对客户是谁、需求是什么、企业给客户提供的价值是什么等等没有统一认知时,想要帮助客户达成期望或让客户购买产品是根本不现实的。而用户画像的构建则会从以下方面让企业的运营达到事半功倍的效果。基于大数据分析,根据产品特点,可以更快地找到目标客户群体,帮助销售部门聚焦重点于潜在客户及其需求上,提高销售转化率,实现精准运营和营销。为了实现基于大数据对企业画像进行精准展现,来帮助用户全面了解企业状况,随着大数据、智能控制、物联网等技术的发展,基于大数据分析技术会使企业对用户的需求了解更加智能化、精准化。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于大数据的企业画像展现方法,所述方法应用于一种基于大数据的企业画像展现系统,其中,所述方法包括:通过获得第一客户信息;对所述第一客户信息进行特征提取,获得第一主特征信息;基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;根据所述历史数据信息,获得第一映射关系;根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;获得第一企业的企业特征信息;将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;依据遗传算法和所述第一参数类型信息,确定第一参数信息;根据所述第一企业的企业特征信息,构建基础企业画像信息;根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。
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,本申请实施例提供一种基于大数据的企业画像展现方法,其中,所述方法包括:
步骤S1000:获得第一客户信息;
步骤S2000:对所述第一客户信息进行特征提取,获得第一主特征信息;
具体而言,所述特征提取是指在机器学习、模式识别和图像处理中,特征提取从初始的一组测量数据开始,并建立旨在提供信息和非冗余的派生值(特征),从而促进后续的学习和泛化步骤,并且在某些情况下带来更好的可解释性。特征提取与降维有关。特征的好坏对泛化能力有至关重要的影响。主特征是区别于组织其他内容的根本点,也是最明显、最重要的特征之一。对于企业来说,客户是谁、需求是什么、企业给客户提供的价值是什么等等没有统一认知时,想要使用户了解公司形象,就必须为用户提供精准的企业画像。客户不同,所展现的企业画像不同,因此,我们需要获得第一客户的信息。在获得第一客户信息后,系统对所述第一客户信息进行特征提取,即可获得主特征,记为第一主特征信息。
步骤S3000:基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;
步骤S4000:根据所述历史数据信息,获得第一映射关系;
具体而言,在浏览器中,历史数据信息是指浏览器曾经浏览过的网站在计算机中的暂存信息,通过浏览器的属性设置,可以更改历史记录在浏览器中的保留时间。通过查看历史记录,可以知道用户曾经访问过哪些网站,可以按时间排序、名称排序、地址排序、字母排序的方式来列出历史纪录,甚至还可以按照访问次数来排列历史纪录。所述历史数据信息包括客户主特征信息以及客户感兴趣信息。所述映射关系是指两个元素的集之间元素相互“对应”的关系。在本系统中用于实现面向对象编程语言里不同类型系统的数据之间的转换。从效果上说,它其实是创建了一个可在编程语言里使用的“虚拟对象数据库”。系统基于提取的用户主特征信息以及历史记录中用户可能感兴趣的数据信息,进而获得两者一一对应的映射关系,记为第一映射关系。所述第一主特征信息和所述第一映射关系的获得,便于系统进一步获得第一客户信息的第一感兴趣信息。
步骤S5000:根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;
步骤S6000:获得第一企业的企业特征信息;
具体而言,企业特征是指企业自产生以来各行各业、各种类型的企业共同的质的规定性。企业特征是企业的本质,是企业与非企业的区别所在。系统获得所述第一主特征信息和所述第一映射关系后,可以由此获得所述第一客户信息的第一感兴趣信息。系统在获得了第一客户信息以及用户可能感兴趣的信息,进行反复特征提取,可以获得感兴趣信息,所述的第一感兴趣信息是较为精准的用户兴趣信息,所得结果具有广泛适用性。然后获得第一企业的企业特征信息,便于构建特征参数类型评估模型。
步骤S7000:将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;
具体而言,所述特征参数类型评估模型是根据所述第一感兴趣信息和所述第一企业的企业特征信息决定的。其模型的输入信息是所述第一感兴趣信息和所述第一企业的企业特征信息,第一参数类型信息是其输出结果。所述第一参数信息是指第一企业的不同方面的简介信息,参数信息不一样,则企业面向用户的简介信息不一样,企业画像也就不一样。将所述第一感兴趣信息和所述第一企业的企业特征信息作为输入信息,输入进特征参数类型评估模型中,可以获得输出信息,输出信息即为第一参数类型信息。
步骤S8000:依据遗传算法和所述第一参数类型信息,确定第一参数信息;
具体而言,遗传算法(Genetic Algorithm,GA)是根据大自然中生物体进化规律而设计提出的,是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。系统依据遗传算法和所述第一参数类型信息,对数据进行优化处理,可以获得第一参数信息。
步骤S9000:根据所述第一企业的企业特征信息,构建基础企业画像信息;
具体而言,企业画像是企业给人的印象,可以跟自然人的用户画像相类比。这是IT行业的一种叫法。系统会根据第一客户信息以及客户感兴趣信息,提取的主特征信息与第一企业的第一参数类型信息相匹配,给用户精准的企业画像信息。但如果在没有上传第一客户信息时查看企业信息,则会得到基础企业画像信息。系统根据所述第一企业的全部企业特征信息,构建基础企业画像信息,所述基础企业画像信息包含第一企业的全部特征,但对于用户来说,展示的企业画像不具有精准性。
步骤S10000:根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;
步骤S11000:获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。
具体而言,在已知了第一客户信息对应的企业第一参数信息,根据基础企业画像信息,对其进行特征提取,提取出满足客户需求的企业画像信息,记为第一企业画像信息。系统将第一企业画像信息展示给客户,以便客户深入了解公司信息。所述第一企业画像信息是根据第一客户需求准确生成并展示的,所以所述第一企业画像信息与所述第一客户相匹配。
进一步而言,所述对所述第一客户信息进行特征提取,获得第一主特征信息,本申请实施例步骤S2000包括:
步骤S2100:获得所述第一客户的第一服务对象信息;
步骤S2200:获得所述第一客户的产品信息;
步骤S2300:将所述第一客户的第一服务对象信息和所述产品信息输入特征提取模型,获得所述第一客户的第一特征集合;
步骤S2400:对所述第一特征集合进行去中心化处理,获得第二特征集合;
步骤S2500:获得所述第二特征集合的第一协方差矩阵;
步骤S2600:对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
步骤S2700:将所述第一特征集合投影到所述第一特征向量,获得第一降维数据集合,其中所述第一降维数据集合为所述第一特征集合降维之后获得的特征集合;
步骤S2800:根据所述第一降维数据集合,获得第一主特征信息。
具体而言,要想实现对所述第一客户信息进行特征提取,获得第一主特征信息,必须要获得降维数据集合。去中心化是互联网发展过程中形成的社会关系形态和内容产生形态,是相对于“中心化”而言的新型网络内容生产过程。在一个分布有众多节点的系统中,每个节点都具有高度自治的特征。节点之间彼此可以自由连接,形成新的连接单元。任何一个节点都可能成为阶段性的中心,但不具备强制性的中心控制功能。节点与节点之间的影响,会通过网络而形成非线性因果关系。这种开放式、扁平化、平等性的系统现象或结构,我们称之为去中心化。在统计学与概率论中,协方差矩阵的每个元素是各个向量元素之间的协方差,是从标量随机变量到高维度随机向量的自然推广。降维是通过单幅图像数据的高维化,对单幅图像转化为高维空间中的数据集合进行的一种操作。
对提取到的特征数据进行数值化处理,并构建特征数据集矩阵,获得所述第一特征数据集。继而对所述第一特征数据集中的各特征数据进行中心化处理,首先求解所述第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征值构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式:协方差公式:
对所述第二特征数据集进行运算,获得所述第二特征数据集的第一协方差矩阵。其中,为所述第二特征数据集中的特征数据;为该特征数据的平均值;为所述第二特征数据集中的样本数据总量。继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的所述第一特征数据集。
进一步而言,本申请实施例步骤S12000包括:
步骤S12100:获得第一客户群体;
步骤S12200:获得所述第一客户群体中每个客户的主特征信息;
步骤S12300:获得第一分类标准;
步骤S12400:按照所述主特征信息对所述第一客户群体中的每个客户进行分类,获得第一分类结果;
步骤S12500:判断所述第一分类结果是否满足所述第一分类标准;
步骤S12600:如果所述第一分类结果满足所述第一分类标准,根据所述第一分类结果,获得不同类别的企业画像信息;
步骤S12700:获得第二展示信息,所述第二展示信息用于将所述不同类别的企业画像信息按照所述第一分类结果进行对应展示。
具体而言,系统获得第一客户群体,将所述第一客户群体中每个客户的主特征信息提取出来,根据公司设置的第一分类标准,按照所述主特征信息,对所述第一客户群体中的每个客户进行分类,进而获得第一分类结果。将所述第一分类结果与所述第一分类标准作比较,判断所述第一分类结果是否满足所述第一分类标准。如果所述第一分类结果满足所述第一分类标准,根据所述第一分类结果,可以获得不同类别的企业画像信息,按照第一分类结果进行对应展示;如果所述第一分类结果不满足所述第一分类标准,进行下一个步骤。解决了客户群体基数较大时,也可以对用户精准展示企业画像。
进一步而言,本申请实施例步骤S13000包括:
步骤S13100:如果所述第一分类结果不满足所述第一分类标准,获得第三展示信息,所述第三展示信息用于将所述基础企业画像信息展示给所述第一客户群体中的每个客户。
具体而言,将所述第一分类结果与所述第一分类标准作比较,判断所述第一分类结果是否满足所述第一分类标准。如果所述第一分类结果满足所述第一分类标准,根据所述第一分类结果,获得第二展示信息,进而可以获得不同类别的企业画像信息,按照第一分类结果进行对应展示;如果所述第一分类结果不满足所述第一分类标准,即获得第三展示信息,用户信息对应不上,系统无法进行特征对应,因此系统会将所述基础企业画像信息展示给所述第一客户群体中的每个客户。
进一步而言,所述按照所述主特征信息对所述第一客户群体中的每个客户进行分类,获得第一分类结果,本申请实施例步骤S12400包括:
步骤S12410:根据所述主特征信息构建所述第一客户群体的特征分类决策树;
步骤S12420:根据所述特征分类决策树,对所述第一客户群体进行分类,获得所述第一分类结果。
具体而言,若要按照所述主特征信息对所述第一客户群体中的每个客户进行分类,获得第一分类结果,则需要构建第一客户群体的特征分类决策树。分类树(决策树)是一种十分常用的分类方法。决策树是一种树形结构,其中每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别。它是一种监督学习,所谓监督学习就是给定一堆样本,每个样本都有一组属性和一个类别,这些类别是事先确定的,那么通过学习得到一个分类器,这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。系统根据所述主特征信息,对其进行分类,并构建所述第一客户群体的特征分类决策树。根据所述特征分类决策树,对所述第一客户群体按照特征进行分类,即可获得所述第一分类结果。
进一步而言,所述根据所述主特征信息构建所述第一客户群体的特征分类决策树,本申请实施例步骤S12410包括:
步骤S12411:分别计算所述主特征信息的信息熵;
步骤S12412:获得所述主特征信息的信息熵中的最大值,根据所述最大值,获得第一根节点特征信息;
步骤S12413:通过递归算法根据所述第一根节点特征信息和所述第一客户群体,构建所述第一客户群体的特征分类决策树。
具体而言,若要根据所述主特征信息构建所述第一客户群体的特征分类决策树,必须要获得决策树第一根节点的特征信息。信息熵常被用来作为一个系统的信息含量的量化指标,从而可以进一步用来作为系统方程优化的目标或者参数选择的判据。在决策树的生成过程中,就使用了熵来作为样本最优属性划分的判据。信息熵计算公式:
其中,t表示随机变量,与之相对应的是所有可能输出的集合,定义为符号集,随机变量的输出用t表示,表示输出概率函数,变量的不确定性越大,熵也就越大。对其进行信息熵数值的具体计算,进而获得对应的所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵,进一步,基于所述数据大小比对模型对所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵进行大小数值的比对,继而获得熵值最大的特征,即第一根节点特征信息,通过对熵值最大的特征进行优先分类,继而按照熵值由大到小的顺序,依次对各特征进行递归算法的分类,最终构建所述多层级护理决策树,使得每个用户特征都匹配适合的护理方案,进而实现了对多层级护理决策树的具体构建。
进一步而言,所述将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息,本申请实施例步骤S7000包括:
步骤S7100:构建所述特征参数类型评估模型;
步骤S7200:将所述第一感兴趣信息和所述第一企业的企业特征信息作为输入信息输入所述特征参数类型评估模型;
步骤S7300:获得所述特征参数类型评估模型的输出信息,所述输出信息包括所述第一参数类型信息。
具体而言,要想获得准确的第一参数类型信息,必须要构建所述特征参数类型评估模型。所述特征参数类型评估模型是根据所述第一感兴趣信息和所述第一企业的企业特征信息决定的。其模型的输入信息是所述第一感兴趣信息和所述第一企业的企业特征信息,第一参数类型信息是其输出结果。首先根据所述第一感兴趣信息和所述第一企业的企业特征信息,构建所述特征参数类型评估模型,将所述第一感兴趣信息和所述第一企业的企业特征信息作为输入信息,输入到所述特征参数类型评估模型中,获得输出信息,输出信息即为包括所述第一参数类型信息。
综上所述,本申请实施例所提供的一种基于大数据的企业画像展现方法,具有如下技术效果:
1、本申请提供了一种基于大数据的企业画像展现方法,所述方法应用于一种基于大数据的企业画像展现系统,其中,所述方法包括:通过获得第一客户信息;对所述第一客户信息进行特征提取,获得第一主特征信息;基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;根据所述历史数据信息,获得第一映射关系;根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;获得第一企业的企业特征信息;将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;依据遗传算法和所述第一参数类型信息,确定第一参数信息;根据所述第一企业的企业特征信息,构建基础企业画像信息;根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。解决了无法基于大数据对企业画像进行展现,来帮助我们全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术问题。实现了根据用户的不同信息获得不同的企业画像,达到了对用户需求推送的智能化、精准化操作,可以帮助用户全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术效果。
实施例二
基于与前述实施例中一种基于大数据的企业画像展现方法,同样发明构思,本发明还提供了一种基于大数据的企业画像展现系统,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用于获得第一客户信息;
第二获得单元12,所述第二获得单元12用于对所述第一客户信息进行特征提取,获得第一主特征信息;
第三获得单元13,所述第三获得单元13用于基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;
第四获得单元14,所述第四获得单元14用于根据所述历史数据信息,获得第一映射关系;
第五获得单元15,所述第五获得单元15用于根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;
第六获得单元16,所述第六获得单元16用于获得第一企业的企业特征信息;
第七获得单元17,所述第七获得单元17用于将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;
第一确定单元18,所述第一确定单元18依据遗传算法和所述第一参数类型信息,确定第一参数信息;
第一构建单元19,所述第一构建单元19用于根据所述第一企业的企业特征信息,构建基础企业画像信息;
第八获得单元20,所述第八获得单元20用于根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;
第九获得单元21,所述第九获得单元21用于获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于获得所述第一客户的第一服务对象信息;
第十一获得单元,所述第十一获得单元用于获得所述第一客户的产品信息;
第十二获得单元,所述第十二获得单元用于将所述第一客户的第一服务对象信息和所述产品信息输入特征提取模型,获得所述第一客户的第一特征集合;
第十三获得单元,所述第十三获得单元用于对所述第一特征集合进行去中心化处理,获得第二特征集合;
第十四获得单元,所述第十四获得单元用于获得所述第二特征集合的第一协方差矩阵;
第十五获得单元,所述第十五获得单元用于对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
第十六获得单元,所述第十六获得单元用于将所述第一特征集合投影到所述第一特征向量,获得第一降维数据集合,其中所述第一降维数据集合为所述第一特征集合降维之后获得的特征集合;
第十七获得单元,所述第十七获得单元用于根据所述第一降为数据集合,获得第一主特征信息。
进一步的,所述系统还包括:
第十八获得单元,所述第十八获得单元用于获得第一客户群体;
第十九获得单元,所述第十九获得单元用于获得所述第一客户群体中每个客户的主特征信息;
第二十获得单元,所述第二十获得单元用于获得第一分类标准;
第二十一获得单元,所述第二十一获得单元用于按照所述主特征信息对所述第一客户群体中的每个客户进行分类,获得第一分类结果;
第一判断单元,所述第一判断单元用于判断所述第一分类结果是否满足所述第一分类标准;
第二十二获得单元,所述第二十二获得单元用于如果所述第一分类结果满足所述第一分类标准,根据所述第一分类结果,获得不同类别的企业画像信息;
第二十三获得单元,所述第二十三获得单元用于获得第二展示信息,所述第二展示信息用于将所述不同类别的企业画像信息按照所述第一分类结果进行对应展示。
进一步的,所述系统还包括:
第二十四获得单元,所述第二十四获得单元用于如果所述第一分类结果不满足所述第一分类标准,获得第三展示信息,所述第三展示信息用于将所述基础企业画像信息展示给所述第一客户群体中的每个客户。
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主特征信息构建所述第一客户群体的特征分类决策树;
第二十五获得单元,所述第二十五获得单元用于根据所述特征分类决策树,对所述第一客户群体进行分类,获得所述第一分类结果。
进一步的,所述系统还包括:
第一执行单元,所述第一执行单元用于分别计算所述主特征信息的信息熵;
第二十六获得单元,所述第二十六获得单元用于获得所述主特征信息的信息熵中的最大值,根据所述最大值,获得第一根节点特征信息;
第三构建单元,所述第三构建单元用于通过递归算法根据所述第一根节点特征信息和所述第一客户群体,构建所述第一客户群体的特征分类决策树。
进一步的,所述系统还包括:
第四构建单元,所述第四构建单元用于构建所述特征参数类型评估模型;
第二执行单元,所述第二执行单元用于将所述第一感兴趣信息和所述第一企业的企业特征信息作为输入信息输入所述特征参数类型评估模型;
第二十七获得单元,所述第二十七获得单元用于获得所述特征参数类型评估模型的输出信息,所述输出信息包括所述第一参数类型信息。
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。
基于与前述实施例中一种基于大数据的企业画像展现方法相同的发明构思,本申请实施例还提供了一种基于大数据的企业画像展现系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标总线或扩展工业标准结构总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网,无线局域网,有线接入网等。存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种提高消化科病房管理质量的方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例解决了无法基于大数据对企业画像进行展现,来帮助我们全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术问题。实现了根据用户的不同信息获得不同的企业画像,达到了对用户需求推送的智能化、精准化操作,可以帮助用户全面了解企业状况、节约用户不必要的时间浪费、让企业的运营事半功倍的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。
相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于大数据的企业画像展现方法,其中,所述方法包括:
获得第一客户信息;
对所述第一客户信息进行特征提取,获得第一主特征信息;
基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;
根据所述历史数据信息,获得第一映射关系;
根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;
获得第一企业的企业特征信息;
将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;
依据遗传算法和所述第一参数类型信息,确定第一参数信息;
根据所述第一企业的企业特征信息,构建基础企业画像信息;
根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;
获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。
2.如权利要求1所述的方法,其中,所述对所述第一客户信息进行特征提取,获得第一主特征信息,包括;
获得所述第一客户的第一服务对象信息;
获得所述第一客户的产品信息;
将所述第一客户的第一服务对象信息和所述产品信息输入特征提取模型,获得所述第一客户的第一特征集合;
对所述第一特征集合进行去中心化处理,获得第二特征集合;
获得所述第二特征集合的第一协方差矩阵;
对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
将所述第一特征集合投影到所述第一特征向量,获得第一降维数据集合,其中所述第一降维数据集合为所述第一特征集合降维之后获得的特征集合;
根据所述第一降维数据集合,获得第一主特征信息。
3.如权利要求1所述的方法,其中,所述方法包括:
获得第一客户群体;
获得所述第一客户群体中每个客户的主特征信息;
获得第一分类标准;
按照所述主特征信息对所述第一客户群体中的每个客户进行分类,获得第一分类结果;
判断所述第一分类结果是否满足所述第一分类标准;
如果所述第一分类结果满足所述第一分类标准,根据所述第一分类结果,获得不同类别的企业画像信息;
获得第二展示信息,所述第二展示信息用于将所述不同类别的企业画像信息按照所述第一分类结果进行对应展示。
4.如权利要求3所述的方法,其中,所述方法包括;
如果所述第一分类结果不满足所述第一分类标准,获得第三展示信息,所述第三展示信息用于将所述基础企业画像信息展示给所述第一客户群体中的每个客户。
5.如权利要求3所述的方法,其中,所述按照所述主特征信息对所述第一客户群体中的每个客户进行分类,获得第一分类结果,包括:
根据所述主特征信息构建所述第一客户群体的特征分类决策树;
根据所述特征分类决策树,对所述第一客户群体进行分类,获得所述第一分类结果。
6.如权利要求5所述的方法,其中,所述根据所述主特征信息构建所述第一客户群体的特征分类决策树,包括:
分别计算所述主特征信息的信息熵;
获得所述主特征信息的信息熵中的最大值,根据所述最大值,获得第一根节点特征信息;
通过递归算法根据所述第一根节点特征信息和所述第一客户群体,构建所述第一客户群体的特征分类决策树。
7.如权利要求1所述的方法,其中,所述将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息,包括:
构建所述特征参数类型评估模型;
将所述第一感兴趣信息和所述第一企业的企业特征信息作为输入信息输入所述特征参数类型评估模型;
获得所述特征参数类型评估模型的输出信息,所述输出信息包括所述第一参数类型信息。
8.一种基于大数据的企业画像展现系统,应用于权利要求1-7任一所述方法,其中,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客户信息;
第二获得单元,所述第二获得单元用于对所述第一客户信息进行特征提取,获得第一主特征信息;
第三获得单元,所述第三获得单元用于基于大数据获得历史数据信息,所述历史数据信息包括客户主特征信息以及客户感兴趣信息;
第四获得单元,所述第四获得单元用于根据所述历史数据信息,获得第一映射关系;
第五获得单元,所述第五获得单元用于根据所述第一主特征信息和所述第一映射关系,获得所述第一客户信息的第一感兴趣信息;
第六获得单元,所述第六获得单元用于获得第一企业的企业特征信息;
第七获得单元,所述第七获得单元用于将所述第一感兴趣信息和所述第一企业的企业特征信息输入特征参数类型评估模型,获得第一参数类型信息;
第一确定单元,所述第一确定单元依据遗传算法和所述第一参数类型信息,确定第一参数信息;
第一构建单元,所述第一构建单元用于根据所述第一企业的企业特征信息,构建基础企业画像信息;
第八获得单元,所述第八获得单元用于根据所述第一参数信息和所述基础企业画像信息,获得第一企业画像信息,所述第一企业画像信息与所述第一客户相匹配;
第九获得单元,所述第九获得单元用于获得第一展示信息,所述第一展示信息用于将所述第一企业画像信息对所述第一客户进行展示。
9.一种基于大数据的企业画像展现系统,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1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764229.2A CN113486225B (zh) | 2021-07-06 | 2021-07-06 | 一种基于大数据的企业画像展现方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764229.2A CN113486225B (zh) | 2021-07-06 | 2021-07-06 | 一种基于大数据的企业画像展现方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486225A true CN113486225A (zh) | 2021-10-08 |
CN113486225B CN113486225B (zh) | 2023-10-31 |
Family
ID=77941398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764229.2A Active CN113486225B (zh) | 2021-07-06 | 2021-07-06 | 一种基于大数据的企业画像展现方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486225B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130218869A1 (en) * | 2012-02-21 | 2013-08-22 | Salesforce.Com, Inc. | Method and system for providing information from a customer relationship management system |
CN107464037A (zh) * | 2017-07-05 | 2017-12-12 | 九次方大数据信息集团有限公司 | 基于多指标维度模型的企业画像方法及系统 |
CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、系统、介质和电子设备 |
CN110968782A (zh) * | 2019-10-15 | 2020-04-07 | 东北大学 | 一种面向学者的用户画像构建及应用方法 |
CN111597330A (zh) * | 2019-02-21 | 2020-08-28 | 中国科学院信息工程研究所 | 一种基于支持向量机的面向智能专家推荐的用户画像方法 |
CN112052270A (zh) * | 2020-08-26 | 2020-12-08 | 南京越扬科技有限公司 | 一种通过大数据进行用户画像深度分析的方法及系统 |
-
2021
- 2021-07-06 CN CN202110764229.2A patent/CN113486225B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130218869A1 (en) * | 2012-02-21 | 2013-08-22 | Salesforce.Com, Inc. | Method and system for providing information from a customer relationship management system |
CN107464037A (zh) * | 2017-07-05 | 2017-12-12 | 九次方大数据信息集团有限公司 | 基于多指标维度模型的企业画像方法及系统 |
CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
CN111597330A (zh) * | 2019-02-21 | 2020-08-28 | 中国科学院信息工程研究所 | 一种基于支持向量机的面向智能专家推荐的用户画像方法 |
CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、系统、介质和电子设备 |
CN110968782A (zh) * | 2019-10-15 | 2020-04-07 | 东北大学 | 一种面向学者的用户画像构建及应用方法 |
CN112052270A (zh) * | 2020-08-26 | 2020-12-08 | 南京越扬科技有限公司 | 一种通过大数据进行用户画像深度分析的方法及系统 |
Non-Patent Citations (2)
Title |
---|
CHEN CHEN等: "Research on situation perception of power grid business based on user portrait", 《2019 IEEE INTERNATIONAL CONFERENCE ON SMART INTERNET OF THINGS》, pages 1 - 13 * |
欧阳意: "基于大数据平台的柳州银行小微企业信用评级系统研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, pages 152 - 1765 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486225B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
CN108596630B (zh) | 基于深度学习的欺诈交易识别方法、系统及存储介质 | |
CN112070125A (zh) | 一种基于孤立森林学习的不平衡数据集的预测方法 | |
Lima et al. | Domain knowledge integration in data mining using decision tables: case studies in churn prediction | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
JP2002543538A (ja) | 実験データの分布状階層的発展型モデリングと可視化の方法 | |
CN110147389B (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN112785441B (zh) | 数据处理方法、装置、终端设备及存储介质 | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN107622326A (zh) | 用户分类、可用资源预测方法、装置及设备 | |
CN116401379A (zh) | 金融产品数据推送方法、装置、设备及存储介质 | |
CN111738812B (zh) | 一种基于用户群微细分的信息推送方法及系统 | |
CN112991026A (zh) | 一种商品推荐方法、系统、设备及计算机可读存储介质 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
CN113486225B (zh) | 一种基于大数据的企业画像展现方法及系统 | |
CN115471260A (zh) | 基于神经网络的销售预测方法、装置、设备及介质 | |
Villegas-Cortez et al. | Interest points reduction using evolutionary algorithms and CBIR for face recognition | |
Arai et al. | Customer Profiling Method with Big Data based on BDT and Clustering for Sales Prediction | |
CN113849580A (zh) | 一种主体评级预测方法、装置、电子设备及存储介质 | |
CN111784403A (zh) | 基于网上商城的用户类别分析方法、装置和计算机设备 | |
Liu et al. | Inventory Management of Automobile After-sales Parts Based on Data Mining | |
Singh | Exploratory data analysis and customer segmentation for smartphones |
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 |