CN113869773A - 一种潜客满意度的测量方法及装置 - Google Patents
一种潜客满意度的测量方法及装置 Download PDFInfo
- Publication number
- CN113869773A CN113869773A CN202111191045.8A CN202111191045A CN113869773A CN 113869773 A CN113869773 A CN 113869773A CN 202111191045 A CN202111191045 A CN 202111191045A CN 113869773 A CN113869773 A CN 113869773A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- satisfaction
- training
- potential customer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 230000006854 communication Effects 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种潜客满意度的测量方法及装置,其中方法包括:收集销售顾问与潜在客户现场沟通的语音;提取与潜在客户满意度相关的内容;根据重要指标整理与潜在客户满意度相关的内容构建数据库;将数据库分成训练集和测试集,训练神经网络模型;筛选训练集准确率大于第一预设值,和测试集准确率大于第二预设值的神经网络模型及其对应参数;计算组样本均值预测误差率,根据组样本均值预测误差率确定误差超标率;获取验证集,利用验证集确定样本量小于预设个数和误差超标率小于预设阈值的模型及参数为最终神经网络模型及参数;获取预测数据,利用最终神经网络模型对预测数据进行预测,得到预测结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种潜客满意度的测量方法及装置。
背景技术
潜在客户满意度是指潜在消费者在购买商品前对所接受的各方面服务的满意程度的测量结果。各方面服务,包括但不限于服务言语和服务行为,也包括服务环境和设施,但不包含品牌、产品和价格等方面。
潜在客户满意度与品牌、产品、价格等因素,一同影响消费者最终购买选择和行为,是消费者购买商品前的重要考量因素之一。因此,了解掌握潜在客户满意度水平,变化趋势和影响因素,对商家促进和实现销售有着重要意义。
目前,潜在客户满意度获取方法,以事后询问了解及评判为主,具体获取和分析方法及步骤如下:
a)编制调查问卷
根据商品的基本销售流程,制定潜在客户满意度评价问卷,问卷通常包含整体满意度和流程满意度两个部分:
一、整体满意度,为潜在客户对整体服务过程的满意度评价,通常需要潜在客户对评价结果进行原因说明;
二、流程满意度,为潜在客户对各具体流程进行满意度评价,如欢迎接待、需求沟通、商品说明和体验、价格沟通等,通常也需要潜在客户对评价结果进行原因说明;
此外,部分行业会根据管理需要,制定专项评价题目,如人员专业性和服务态度等评价内容,需潜在客户对具体题目进行评价,并给出具体原因。
b)实施潜在客户满意度调查
基于制定的调查问卷,通过多种方式,如网络调查、门店拦访、电话回访等,对接受过销售服务还未正式购买商品的客户,开展潜在客户满意度调查,并获得评价结果。
c)调查结果分析和输出
根据获取的潜在客户满意度调查问卷结果,整理结果并输出定量和定性结果,从而达到掌握潜在客户满意度水平和变化趋势,了解主要问题和需改进的工作方面,并对管理工作提供改进建议。
上述潜在客户满意度获取方式具有广泛的应用,适用于各类快速消费品、大宗商品和服务类商品领域。
然而,上述潜在客户满意度获取方式的缺点有以下几点:
a)模式为事后回顾,非实时评价,调研和结果输出滞后,且评价结果存在不准确情况。
b)方式依赖潜在客户意愿,且容易受其他因素如销售拜托或利益影响,导致评价结果失真。
c)问卷内容固化较多,限制潜在客户的表达范围,容易造成评价随意性强和内容不完整。
d)以上潜在客户满意度结果,对后续管理指导弱,不能有效支持能力提升工作。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的潜客满意度的测量方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种潜客满意度的测量方法,包括:收集销售顾问与潜在客户现场沟通的语音;对所述语音进行识别和转化,提取与潜在客户满意度相关的内容;获取重要指标;根据所述重要指标整理所述与潜在客户满意度相关的内容构建数据库,所述数据库包括潜在客户满意度和重要指标达成与否的数值;将所述数据库分成训练集和测试集,训练神经网络模型,其中,所述神经网络模型的输入层为所述重要指标的达成与否的数值,输出层为所述潜在客户满意度;筛选所述训练集准确率大于第一预设值,和所述测试集准确率大于第二预设值的神经网络模型及其对应参数;计算组样本均值预测误差率,根据所述组样本均值预测误差率确定误差超标率;获取验证集,利用所述验证集确定样本量小于预设个数和误差超标率小于预设阈值的模型及参数为最终神经网络模型及参数;获取预测数据,利用所述最终神经网络模型对所述预测数据进行预测,得到预测结果。
其中,所述第一预设值和所述第二预设值通过准确性评价指标获得,所述训练集的准确性等于训练集的真实值的样本量/总样本量;所述测试集的准确性等于测试集的真实值的样本量/总样本量。
其中,所述销售顾问与潜在客户现场沟通的语音包括但不限于以下环节:到店接待、需求沟通、产品介绍、试乘试驾、报价议价、送别跟进。
其中,所述获取重要指标包括:根据各指标做到与否条件下的潜在客户满意度评价均值结果差异水平和潜在客户满意度评价差异相同条件下的指标做到与否比率差异水平,筛选所述重点指标。
其中,所述训练所述神经网络模型包括:通过随机抽取方式不断更换训练集和测试集训练所述神经网络模型。
本发明另一方面提供了一种潜客满意度的测量装置,包括:收集模块,用于收集销售顾问与潜在客户现场沟通的语音;提取模块,用于对所述语音进行识别和转化,提取与潜在客户满意度相关的内容;获取模块,用于获取重要指标;构建模块,用于根据所述重要指标整理所述与潜在客户满意度相关的内容构建数据库,所述数据库包括潜在客户满意度和重要指标达成与否的数值;训练模块,用于将所述数据库分成训练集和测试集,训练神经网络模型,其中,所述神经网络模型的输入层为所述重要指标的达成与否的数值,输出层为所述潜在客户满意度;筛选模块,用于筛选所述训练集准确率大于第一预设值,和所述测试集准确率大于第二预设值的神经网络模型及参数;计算模块,用于计算组样本均值预测误差率,根据所述组样本均值预测误差率确定误差超标率;确定模块,用于获取验证集,利用所述验证集确定样本量小于预设个数和误差超标率小于预设阈值的模型及参数为最终神经网络模型及参数;预测模块,用于获取预测数据,利用所述最终神经网络模型对所述预测数据进行预测,得到预测结果。
其中,所述第一预设值和所述第二预设值通过准确性评价指标获得,所述训练集的准确性等于训练集的真实值的样本量/总样本量;所述测试集的准确性等于测试集的真实值的样本量/总样本量。
其中,所述销售顾问与潜在客户现场沟通的语音包括但不限于以下环节:到店接待、需求沟通、产品介绍、试乘试驾、报价议价、送别跟进。
其中,所述获取模块通过如下方式获取重要指标:所述获取模块,具体用于根据各指标做到与否条件下的潜在客户满意度评价均值结果差异水平和潜在客户满意度评价差异相同条件下的指标做到与否比率差异水平,筛选所述重点指标。
其中,所述训练模块通过如下方式训练神经网络模型:所述训练模块,具体用于通过随机抽取方式不断更换训练集和测试集训练所述神经网络模型。
由此可见,通过本发明提供的潜客满意度的测量方法及装置,以语言智能分析技术为基础,神经网络算法为核心,通过构建销售服务沟通与潜在客户满意度关系的模型,实现通过服务过程的常态化监控,预判潜在客户满意度水平和变化趋势,帮助管理者发现并改善销售人员能力,提升销量和业绩的目标。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的潜客满意度的测量方法的框架流程图;
图2为本发明实施例提供的具体的潜客满意度的测量方法的流程图;
图3为本发明实施例提供的潜客满意度的测量装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明主要通过三个阶段实现目标,分别是现状梳理、定量分析和验证结论。
图1示出了本发明实施例提供的潜客满意度的测量方法的框架流程图,图2示出了本发明实施例提供的具体的潜客满意度的测量方法的流程图,结合图1和图2,对本发明实施例提供的潜客满意度的测量方法进行说明,本发明实施例提供的一种潜客满意度的测量方法,包括:
现状梳理阶段:包括步骤S1至步骤S3。
S1,收集销售顾问与潜在客户现场沟通的语音。
作为本发明实施例的一个可选实施方式,销售顾问与潜在客户现场沟通的语音包括但不限于以下环节:到店接待、需求沟通、产品介绍、试乘试驾、报价议价、送别跟进。
S2,对语音进行识别和转化,提取与潜在客户满意度相关的内容;
S3,获取重要指标。
作为本发明实施例的一个可选实施方式,获取重要指标包括:根据各指标做到与否条件下的潜在客户满意度评价均值结果差异水平和潜在客户满意度评价差异相同条件下的指标做到与否比率差异水平,筛选重点指标。
具体地,潜在客户满意度是消费者在正式购买商品前的销售情境中客观存在的一种主观感受。
通过对销售场景中的销售人员与消费者沟通交流内容的整理及消费者主观满意度感受评价,识别出各销售场景中,那些做到或达成后潜在客户满意度评价结果较高的沟通和服务内容,以及潜在客户满意度评价结果较高的情况下,那些做到或达成比率较高的沟通和服务内容,进而构建基于销售环节维度的指标框架体系,为数据建模和定量分析奠定基础。
如表1所示:
首先,对汽车销售场景中,基于基本销售流程,针对销售顾问与潜在客户主要沟通交流的服务环节,整理并选取了到店接待、需求沟通、产品介绍、试乘试驾、报价议价、送别跟进6个主要环节,剔除了电话咨询和客户回访2个仅有电话沟通交流,而不涉及现场服务的次要环节。
其次,汇总上述主要环节中可进行有效监测的全部83个指标,根据各指标做到与否条件下的潜在客户满意度评价均值结果差异水平和潜在客户满意度评价差异相同条件下的指标做到与否比率差异水平,筛选出34个重点指标。
上述沟通内容和所获得的特征指标,均源自销售人员与潜在客户的沟通过程中的内容和方式,不涉及其他外部信息和数据,从而为此方法的后续的独立使用提供了较好的基础。
表1
定量分析阶段包括:步骤S4至步骤S8。
S4,根据重要指标整理与潜在客户满意度相关的内容构建数据库,数据库包括潜在客户满意度和重要指标达成与否的数值。
具体地,本发明汇总了覆盖豪华品牌和中高端品牌的销售现场沟通录音样本约1500份,且这些样本均包含现场沟通结束后潜在客户对销售服务的满意度评价结果,构成基本数据源。
通过语言文本转换和语义识别技术,将录音进行了文本转换,并按照第一阶段梳理的重要指标,整理出用于后续建模的数据库(如表2)。其中,Y为该样本录音的整体满意度结果(1-5分),A6至F2为特征指标的转换与识别结果(1为该指标达成,0为该指标未达成)。
表2
S5,将数据库分成训练集和测试集,训练神经网络模型,其中,神经网络模型的输入层为重要指标的达成与否的数值,输出层为潜在客户满意度。
作为本发明实施例的一个可选实施方式,训练神经网络模型包括:通过随机抽取方式不断更换训练集和测试集训练神经网络模型。
具体地,基于上述结果,为了能够实现对潜在客户满意度的预估以及达成指导后续管理和能力改善工作的目标,在具体定量分析和建模开始前,考虑多种数理建模方式,如决策树、朴素贝叶斯算法、神经网络等。
经过真实销售场景的匹配性探讨和论证,结合潜在客户满意度是客户在购买商品前接受到的各项服务中的各类因素对客户身心的感受与影响,并经过客户复杂的内在感知处理,做出最后评价的这一实际过程和特征,选择通过神经网络方式开展后续的建模工作。
神经网络是对人脑或自然神经网络若干基本特性的抽象和模拟,在建立模型过程中有如下四项主要优势:可以充分逼近任意复杂的非线性关系;所有定量或定性的信息都等势分布贮存于网络内的各神经元,有很强的鲁棒性和容错性;采用并行分布处理方法,使得快速进行大量运算成为可能;可学习和自适应不知道或不确定的系统;以上特征和优势,使得神经网络更适用于销售场景中的潜在客户满意度的预估,因此选择神经网络作为定量分析的基础开展后续工作。
作为本发明实施例的一个可选实施方式,输入层为34个指标如表2,0/1变量(X1-X34),本发明可以采用单隐藏层神经网络模型,输出层为潜在客户满意度Y。通过建模以及模型评价,实现参数选择下的最优模型。通过输入34个指标,预测客户满意度Y。
本发明将数据库分为训练集,1200样本和测试集,300样本。但由于本发明数据特点,训练集和测试集的满意度指标Y为(1-5分打分制),所以本发明将通过神经网络模型回归算法的预测值为连续值,通过四舍五入获得预测值T。如表3所示,(仅为测试集部分数据示例)
表3
S6,筛选训练集准确率大于第一预设值,和测试集准确率大于第二预设值的神经网络模型及其对应参数。
作为本发明实施例的一个可选实施方式,第一预设值和第二预设值通过准确性评价指标获得,训练集的准确性等于训练集的真实值的样本量/总样本量;测试集的准确性等于测试集的真实值的样本量/总样本量。
具体地,由于本发明预测值Y的数据特点(1-5分),本发明采取测试集F1准确性评价指标。F1=预测值等于真实值的样本量/总样本量。
将数据划分为训练集和测试集,其中训练集样本量1200,测试集样本量300.通过随机抽取方式不断更换训练集和测试集,抽取20组。F1准确性为每个模型20组均值。
表4(训练集:仅展示部分预测准确性高的模型数据)
表5(测试集:仅展示部分预测准确性高的模型数据)
本发明通过单样本预测准确率(KPI1)确定神经网络的模型参数,为此,设定同时满足训练集模型F1准确率大于0.95,测试集模型F1准确率大于0.47为标准,筛选出所有的模型及参数如表6所示。
表6
S7,计算组样本均值预测误差率,根据组样本均值预测误差率确定误差超标率。
具体地,计算组样本均值预测误差率及误差超标率,由于各模型的F1准确率都在0.47-0.5之间,预测客户满意度个体值准确度难度较高。为了进一步挑选最优模型进行满意度预测,从业务角度出发,保证客户群体满意度预测准确性误差不高即可。
用上述表6筛选出的16个参数模型对客户满意度进行预测,分别抽取验证集50,60,70,80,90个样本量,每种样本量随机抽取30组,得到的结果见表7。
表7
(测试集部分数据:以50个样本组,参数神经元=350,学习率0.03,训练次数7000为例)
其中,预测误差=(group50_真实-group50_预测)/group50_真实。
如果预测误差>5%,则误差超标。通过计算平均超标率,获得每种参数水平下误差超标率。
表8(不同参数水平50个样本群预测满意度均值的误差超标率)
其中,暗色表示首先通过模型评价指标一检测的参数,其余参数因为为通过评价指标一检测,不再考虑。
同时完成30,40,50,60,70个样本组的上述误差超标率计算(这里不在一一展示每个表格),发现样本量为大于50个以后,神经元个数400,学习率0.04,训练次数7000时,此时模型预测的误差超标率开始低于10%,进入误差率可接纳空间。
S8,获取验证集,利用验证集确定样本量小于预设个数和误差超标率小于预设阈值的模型及参数为最终神经网络模型及参数。
具体地,结合业务成本要求,尽可能选择样本量最低,故选择50个样本的群体为预测群体,同时满足误差超标率9%,低于预设的阈值10%,确定最终模型。
最终模型神经元=400,学习率=0.04,训练次数=7000为本项目最终的神经网络预测模型参数值。
表9验证集神经网络模型预测结果
验证结论阶段包括:步骤S9。
S9,获取预测数据,利用最终神经网络模型对预测数据进行预测,得到预测结果。
具体地,通过获取预测数据可以对最终神经网络模型进行验证,同时还可以利用最终神经网络模型对真实待预测数据进行预测。从而实现潜客满意度测量的目的。
由此可见,通过本发明实施例提供的潜客满意度的测量方法,基于销售顾问与潜在客户现场沟通的语音的收集、识别和转化,筛选与潜在客户满意度相关的内容,构建出符合行业特征的多环节要素指标体系,以神经网络算法为核心,测算潜在客户的满意度评价水平,在不借助其他外部信息数据源和外部手段的情况下,实现实时、持续监测和预估潜在客户满意度水平和变化趋势,为管理和能力提升提供支持,从而促进成交,提升销售业绩。
基于神经网络模型测算,将原有的事后回顾和依赖潜在客户个人主观反馈的结果,转化为实时、量化处理、持续监测和预估结果,并给出管理指导意见,是本发明与传统潜在客户满意度测量方法的核心差异。
图3示出了本发明实施例提供的潜客满意度的测量装置的结构示意图,该潜客满意度的测量装置应用上述方法,以下仅对潜客满意度的测量装置的结构进行简单说明,其他未尽事宜,请参照上述潜客满意度的测量方法中的相关描述,参见图3,本发明实施例提供的潜客满意度的测量装置,包括:
收集模块,用于收集销售顾问与潜在客户现场沟通的语音;
提取模块,用于对语音进行识别和转化,提取与潜在客户满意度相关的内容;
获取模块,用于获取重要指标;
构建模块,用于根据重要指标整理与潜在客户满意度相关的内容构建数据库,数据库包括潜在客户满意度和重要指标达成与否的数值;
训练模块,用于将数据库分成训练集和测试集,训练神经网络模型,其中,神经网络模型的输入层为重要指标的达成与否的数值,输出层为潜在客户满意度;
筛选模块,用于筛选训练集准确率大于第一预设值,和测试集准确率大于第二预设值的神经网络模型及参数;
计算模块,用于计算组样本均值预测误差率,根据组样本均值预测误差率确定误差超标率;
确定模块,用于获取验证集,利用验证集确定样本量小于预设个数和误差超标率小于预设阈值的模型及参数为最终神经网络模型及参数;
预测模块,用于获取预测数据,利用最终神经网络模型对预测数据进行预测,得到预测结果。
作为本发明实施例的一个可选实施方式,第一预设值和第二预设值通过准确性评价指标获得,训练集的准确性等于训练集的真实值的样本量/总样本量;测试集的准确性等于测试集的真实值的样本量/总样本量。
作为本发明实施例的一个可选实施方式,销售顾问与潜在客户现场沟通的语音包括但不限于以下环节:到店接待、需求沟通、产品介绍、试乘试驾、报价议价、送别跟进。
作为本发明实施例的一个可选实施方式,获取模块通过如下方式获取重要指标:获取模块,具体用于根据各指标做到与否条件下的潜在客户满意度评价均值结果差异水平和潜在客户满意度评价差异相同条件下的指标做到与否比率差异水平,筛选重点指标。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式训练神经网络模型:训练模块,具体用于通过随机抽取方式不断更换训练集和测试集训练神经网络模型。
由此可见,通过本发明实施例提供的潜客满意度的测量装置,基于销售顾问与潜在客户现场沟通的语音的收集、识别和转化,筛选与潜在客户满意度相关的内容,构建出符合行业特征的多环节要素指标体系,以神经网络算法为核心,测算潜在客户的满意度评价水平,在不借助其他外部信息数据源和外部手段的情况下,实现实时、持续监测和预估潜在客户满意度水平和变化趋势,为管理和能力提升提供支持,从而促进成交,提升销售业绩。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种潜客满意度的测量方法,其特征在于,包括:
收集销售顾问与潜在客户现场沟通的语音;
对所述语音进行识别和转化,提取与潜在客户满意度相关的内容;
获取重要指标;
根据所述重要指标整理所述与潜在客户满意度相关的内容构建数据库,所述数据库包括潜在客户满意度和重要指标达成与否的数值;
将所述数据库分成训练集和测试集,训练神经网络模型,其中,所述神经网络模型的输入层为所述重要指标的达成与否的数值,输出层为所述潜在客户满意度;
筛选所述训练集准确率大于第一预设值,和所述测试集准确率大于第二预设值的神经网络模型及其对应参数;
计算组样本均值预测误差率,根据所述组样本均值预测误差率确定误差超标率;
获取验证集,利用所述验证集确定样本量小于预设个数和误差超标率小于预设阈值的模型及参数为最终神经网络模型及参数;
获取预测数据,利用所述最终神经网络模型对所述预测数据进行预测,得到预测结果。
2.根据权利要求1所述的方法,其特征在于,所述第一预设值和所述第二预设值通过准确性评价指标获得,所述训练集的准确性等于训练集的真实值的样本量/总样本量;所述测试集的准确性等于测试集的真实值的样本量/总样本量。
3.根据权利要求1所述的方法,其特征在于,所述销售顾问与潜在客户现场沟通的语音包括但不限于以下环节:到店接待、需求沟通、产品介绍、试乘试驾、报价议价、送别跟进。
4.根据权利要求3所述的方法,其特征在于,所述获取重要指标包括:
根据各指标做到与否条件下的潜在客户满意度评价均值结果差异水平和潜在客户满意度评价差异相同条件下的指标做到与否比率差异水平,筛选所述重点指标。
5.根据权利要求1所述的方法,其特征在于,所述训练所述神经网络模型包括:
通过随机抽取方式不断更换训练集和测试集训练所述神经网络模型。
6.一种潜客满意度的测量装置,其特征在于,包括:
收集模块,用于收集销售顾问与潜在客户现场沟通的语音;
提取模块,用于对所述语音进行识别和转化,提取与潜在客户满意度相关的内容;
获取模块,用于获取重要指标;
构建模块,用于根据所述重要指标整理所述与潜在客户满意度相关的内容构建数据库,所述数据库包括潜在客户满意度和重要指标达成与否的数值;
训练模块,用于将所述数据库分成训练集和测试集,训练神经网络模型,其中,所述神经网络模型的输入层为所述重要指标的达成与否的数值,输出层为所述潜在客户满意度;
筛选模块,用于筛选所述训练集准确率大于第一预设值,和所述测试集准确率大于第二预设值的神经网络模型及参数;
计算模块,用于计算组样本均值预测误差率,根据所述组样本均值预测误差率确定误差超标率;
确定模块,获取验证集,利用所述验证集确定样本量小于预设个数和误差超标率小于预设阈值的模型及参数为最终神经网络模型及参数;
预测模块,用于获取预测数据,利用所述最终神经网络模型对所述预测数据进行预测,得到预测结果。
7.根据权利要求6所述的装置,其特征在于,所述第一预设值和所述第二预设值通过准确性评价指标获得,所述训练集的准确性等于训练集的真实值的样本量/总样本量;所述测试集的准确性等于测试集的真实值的样本量/总样本量。
8.根据权利要求6所述的方法,其特征在于,所述销售顾问与潜在客户现场沟通的语音包括但不限于以下环节:到店接待、需求沟通、产品介绍、试乘试驾、报价议价、送别跟进。
9.根据权利要求8所述的装置,其特征在于,所述获取模块通过如下方式获取重要指标:
所述获取模块,具体用于根据各指标做到与否条件下的潜在客户满意度评价均值结果差异水平和潜在客户满意度评价差异相同条件下的指标做到与否比率差异水平,筛选所述重点指标。
10.根据权利要求6所述的装置,其特征在于,所述训练模块通过如下方式训练神经网络模型:
所述训练模块,具体用于通过随机抽取方式不断更换训练集和测试集训练所述神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191045.8A CN113869773A (zh) | 2021-10-13 | 2021-10-13 | 一种潜客满意度的测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191045.8A CN113869773A (zh) | 2021-10-13 | 2021-10-13 | 一种潜客满意度的测量方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869773A true CN113869773A (zh) | 2021-12-31 |
Family
ID=78998886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191045.8A Pending CN113869773A (zh) | 2021-10-13 | 2021-10-13 | 一种潜客满意度的测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869773A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680428A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 一种电网客户满意度模型的构建方法 |
WO2017133165A1 (zh) * | 2016-02-01 | 2017-08-10 | 百度在线网络技术(北京)有限公司 | 一种满意度自动测评的方法、装置、设备和计算机存储介质 |
US20180365714A1 (en) * | 2017-06-15 | 2018-12-20 | Oracle International Corporation | Promotion effects determination at an aggregate level |
CN112330055A (zh) * | 2020-11-23 | 2021-02-05 | 广州杰赛科技股份有限公司 | 一种用户投诉预测方法和装置 |
WO2021036664A1 (zh) * | 2019-08-26 | 2021-03-04 | 深圳壹账通智能科技有限公司 | 基于微表情的客户满意度识别方法、装置、终端及介质 |
CN112966568A (zh) * | 2021-02-09 | 2021-06-15 | 中国工商银行股份有限公司 | 一种视频客服服务质量分析方法及装置 |
CN115564458A (zh) * | 2022-10-10 | 2023-01-03 | 平安银行股份有限公司 | 一种客服服务质量的分析方法、装置、系统及介质 |
-
2021
- 2021-10-13 CN CN202111191045.8A patent/CN113869773A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680428A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 一种电网客户满意度模型的构建方法 |
WO2017133165A1 (zh) * | 2016-02-01 | 2017-08-10 | 百度在线网络技术(北京)有限公司 | 一种满意度自动测评的方法、装置、设备和计算机存储介质 |
US20180365714A1 (en) * | 2017-06-15 | 2018-12-20 | Oracle International Corporation | Promotion effects determination at an aggregate level |
WO2021036664A1 (zh) * | 2019-08-26 | 2021-03-04 | 深圳壹账通智能科技有限公司 | 基于微表情的客户满意度识别方法、装置、终端及介质 |
CN112330055A (zh) * | 2020-11-23 | 2021-02-05 | 广州杰赛科技股份有限公司 | 一种用户投诉预测方法和装置 |
CN112966568A (zh) * | 2021-02-09 | 2021-06-15 | 中国工商银行股份有限公司 | 一种视频客服服务质量分析方法及装置 |
CN115564458A (zh) * | 2022-10-10 | 2023-01-03 | 平安银行股份有限公司 | 一种客服服务质量的分析方法、装置、系统及介质 |
Non-Patent Citations (1)
Title |
---|
郭海龙;严朝勇;刘越琪;: "基于神经网络的汽车维修企业顾客满意度测评", 拖拉机与农用运输车, no. 04, pages 121 - 123 * |
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 | |
CN111199343B (zh) | 一种多模型融合的烟草市场监管异常数据挖掘方法 | |
CN108564414A (zh) | 基于线下行为的商品推荐方法和系统 | |
CN110288484B (zh) | 一种基于大数据平台的保险分类的用户推荐方法及系统 | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN107609060A (zh) | 资源推荐方法及装置 | |
CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
Asghar et al. | Used cars price prediction using machine learning with optimal features | |
Meinzer et al. | Can machine learning techniques predict customer dissatisfaction? A feasibility study for the automotive industry. | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
CN115526652A (zh) | 一种基于机器学习的客户流失预警方法及系统 | |
CN114399367A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
Gleue et al. | Decision support for the automotive industry: Forecasting residual values using artificial neural networks | |
Kathiravan et al. | Predicting the Sale Price of Pre-Owned Vehicles with the Ensemble ML Model | |
CN113869773A (zh) | 一种潜客满意度的测量方法及装置 | |
CN112613533B (zh) | 基于排序约束的图像分割质量评价网络系统、方法 | |
CN114741592A (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
CN111881008B (zh) | 一种数据评测、模型训练方法、装置、设备及存储介质 | |
CN113011949A (zh) | 基于客户信息补全的XGBoost金融产品推荐方法 | |
Jing et al. | Residual Value Prediction | |
Rusmee et al. | Predicting System for the Behavior of Consumer Buying Personal Car Decision by Using SMO | |
Hemendiran et al. | Predicting the Prices of the Used Cars using Machine Learning for Resale | |
Hoermann et al. | Evaluation of a vehicle exterior’s sportiness under real vs. virtual conditions | |
Kumar et al. | An Effective Pre-Owned Car Price Prediction Based on Multi Linear Regression Technique | |
CN113763032B (zh) | 一种商品购买意愿识别方法及装置 |
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 |