CN114066502A - 一种基于ai大数据的目标客户分析方法、系统、设备及计算机可读介质 - Google Patents
一种基于ai大数据的目标客户分析方法、系统、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN114066502A CN114066502A CN202110962189.2A CN202110962189A CN114066502A CN 114066502 A CN114066502 A CN 114066502A CN 202110962189 A CN202110962189 A CN 202110962189A CN 114066502 A CN114066502 A CN 114066502A
- Authority
- CN
- China
- Prior art keywords
- value
- customer
- target
- big data
- area
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 description 14
- 238000010219 correlation analysis Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q30/01—Customer relationship services
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于AI大数据的目标客户分析方法，所述方法包括以下步骤：通过存量客户电路的网管系统及CRM客户关系管理系统，实时对区域内存量客户形成存量客户行为模型；对获取的存量客户行为模型中的目标客户进行打分；将打分后的目标客户根据分值的高低分为不同的价值区域；对价值区域进行特征画像，根据特征画像计算综合价值排名，得出价值区域分级。本发明将AI大数据算法运用到网络的布局当中，确保网络能聚焦重点业务、重点市场、和高优先级，考虑行业及存量业务的权重及相关性，对高价值区域进行画像，确定基准。
Description
技术领域
本发明涉及基于AI大数据的目标客户分析技术领域，尤其涉及一种基于AI大数据的目标客户分析方法、系统、设备及计算机可读介质。
背景技术
通过大数据对客户的资金分布情况、流量情况、历史记录等方面的数据来分析客户的综合利用状况。利用客户分析系统，企业不再只依靠经验来推测，而是利用科学的手段和方法，收集、分析和利用各种客户信息，从而轻松的获得有价值的信息。
当前运营商的网络规划仍然停留在传统网络的建设模式，网业协同存在三方面瓶颈：资源建设未聚焦重点市场，重点业务需求、高优先级资源需求，高价值资源建设模式待确立；缺乏敏捷的投资管理机制，敏捷网络扩容、瓶颈资源修复、政企目标客户预覆盖无持续落实机制；资源建设仍停留在需求满足模式，未基于现有的资源格局和网络发展趋势部署全面、长远、分阶段细分的政企网络规划，因此急需改进。
发明内容
为了现有技术存在的上述技术缺陷，本发明提供一种基于AI大数据的目标客户分析方法、系统、设备及计算机可读介质，通过引进AI算法赋能政企综合业务区域精准分级，基于大数据相关性分析算法，对区域内行业及客户深度学习，对行政区域，中心位置、驻地机构、重点行业、总带宽大小、和最近两年内新增的专线数量等画像计算，对存量用户学习分析，给目标客户打分，细分场景的挖掘，根据特征画像计算，平台的数据处理，采用机器学习技术，对于获得的数据进行识别、聚类、分类、预测等智能处理和客户洞察可视化分析，通过综合价值得出价值区域排名，实现数据可视化综合价值区域分级分类清单，可以有效解决背景技术中的问题。
为了解决上述技术问题，本发明提供的基于AI大数据的目标客户分析方法、系统及计算机可读介质的技术方案具体如下：
第一方面，本发明实施例公开了一种基于AI大数据的目标客户分析方法，所述方法包括以下步骤：
通过存量客户电路的网管系统及CRM客户关系管理系统，实时对区域内存量客户形成存量客户行为模型；
对获取的存量客户行为模型中的目标客户进行打分；
将打分后的目标客户根据分值的高低分为不同的价值区域；
对价值区域进行特征画像，根据特征画像计算综合价值排名，得出价值区域分级。
在上述任一方案中优选的是，所述存量客户行为模型包括对存量客户行为深度学习，其中，所述深度学习按照客户的行业维度以及客户的地理分布的要求进行深度学习。
在上述任一方案中优选的是，所述客户的地理分布可根据客户所在的写字楼的等级将不同的客户分为不同的类型，以使根据不同的行业客户的需求数据进行分类，以实现输入新增的目标客户根据行业能输出客户的需求及要求。
在上述任一方案中优选的是，所述目标客户进行打分时，目标客户按照价值打分，按照行业的分类以及对带宽的需求，确定目标客户行业价值度模型，按照行业价值度模型匹配现有目标用户，得出目标客户的打分排序。
在上述任一方案中优选的是，所述行业价值度模型是以业务带宽为基础，按照″价值度＝业务带宽值/10″，确定行业客户的价值度。
在上述任一方案中优选的是，所述对价值区域进行特征画像时，包括分析各个综合接入区业务存量资源情况及近两年政企专线业务发展情况和价值商务楼宇数量，以实现评估综合接入区的价值。
在上述任一方案中优选的是，所述对价值区域进行特征画像时，基于AI算法对价值区域画像，所述AI算法采用皮尔逊相关系数和归一算法，具体步骤如下：
确定影响高价值区域各类因素的皮尔逊系数，确定各相关因素的影响权重，皮尔逊系数计算公式为：
其中，n是综合接入区的编号，X是综合接入区内的客户数量，Y是综合接入区内的近两年政企专线增长量；
运用相关性加权算法，对各个综合接入区的行业客户的价值进行加权评估，得出综合接入区综合价值。
在上述任一方案中优选的是，所述价值区域分级包括计算所有匹配的综合业务区的价值，以排名第一的综合接入区为基准，确定所在区域所有综合接入区的价值排名，以排名前N位界线，确定前N个综合接入区是高价值区域，高价值区域涵盖所在区域90％的行业存量及目标客户。
本发明与现有技术相比，具有以下有益效果：
通过引进AI算法赋能政企综合业务区域精准分级，基于大数据相关性分析算法，对区域内行业及客户深度学习，对行政区域，中心位置、驻地机构、重点行业、总带宽大小、和最近两年内新增的专线数量等画像计算，对存量用户学习分析，给目标客户打分，细分场景的挖掘，根据特征画像计算，平台的数据处理，采用机器学习技术，对于获得的数据进行识别、聚类、分类、预测等智能处理和客户洞察可视化分析，通过综合价值得出价值区域排名，实现数据可视化综合价值区域分级分类清单。
本发明将AI大数据算法运用到网络的布局当中，确保网络能聚焦重点业务、重点市场、和高优先级，考虑行业及存量业务的权重及相关性，对高价值区域进行画像，确定基准。
第二方面，一种基于AI大数据的目标客户分析系统，包括：
形成模块，用于通过存量客户电路的网管系统及CRM客户关系管理系统，实时对区域内存量客户形成存量客户行为模型；
打分模块，用于对获取的存量客户行为模型中的目标客户进行打分；
区分模块，用于将打分后的目标客户根据分值的高低分为不同的价值区域；
处理模块，用于对价值区域进行特征画像，根据特征画像计算综合价值排名，得出价值区域分级。
本发明与现有技术相比，具有以下有益效果：
通过引进AI算法赋能政企综合业务区域精准分级，基于大数据相关性分析算法，对区域内行业及客户深度学习，对行政区域，中心位置、驻地机构、重点行业、总带宽大小、和最近两年内新增的专线数量等画像计算，对存量用户学习分析，给目标客户打分，细分场景的挖掘，根据特征画像计算，平台的数据处理，采用机器学习技术，对于获得的数据进行识别、聚类、分类、预测等智能处理和客户洞察可视化分析，通过综合价值得出价值区域排名，实现数据可视化综合价值区域分级分类清单。
本发明将AI大数据算法运用到网络的布局当中，确保网络能聚焦重点业务、重点市场、和高优先级，考虑行业及存量业务的权重及相关性，对高价值区域进行画像，确定基准。
第三方面，一种基于AI大数据的目标客户分析设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述基于AI大数据的目标客户分析方法的步骤。
第四方面，一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的基于AI大数据的目标客户分析方法。
本发明与现有技术相比，具有以下有益效果：
通过引进AI算法赋能政企综合业务区域精准分级，基于大数据相关性分析算法，对区域内行业及客户深度学习，对行政区域，中心位置、驻地机构、重点行业、总带宽大小、和最近两年内新增的专线数量等画像计算，对存量用户学习分析，给目标客户打分，细分场景的挖掘，根据特征画像计算，平台的数据处理，采用机器学习技术，对于获得的数据进行识别、聚类、分类、预测等智能处理和客户洞察可视化分析，通过综合价值得出价值区域排名，实现数据可视化综合价值区域分级分类清单。
本发明将AI大数据算法运用到网络的布局当中，确保网络能聚焦重点业务、重点市场、和高优先级，考虑行业及存量业务的权重及相关性，对高价值区域进行画像，确定基准。
附图说明
附图用于对本发明的进一步理解，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。
图1是按照本发明基于AI大数据的目标客户分析方法原理图。
图2是按照本发明基于AI大数据的目标客户分析方法的行业客户的价值度模型示意图。
图3是按照本发明基于AI大数据的目标客户分析方法的大企业数-近两年新增数皮尔逊系数示意图。
图4是按照本发明基于AI大数据的目标客户分析系统示意图。
图5是按照本发明基于AI大数据的目标客户分析设备处理流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
此外，术语″第一″、″第二″仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有″第一″、″第二″的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，″多个″的含义是两个或两个以上，除非另有明确具体的限定。
为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
实施例：
第一方面，如图1、图2和图3所示，本发明实施例公开了一种基于AI大数据的目标客户分析方法，所述方法包括以下步骤：
通过存量客户电路的网管系统及CRM客户关系管理系统，实时对区域内存量客户形成存量客户行为模型；
对获取的存量客户行为模型中的目标客户进行打分；
将打分后的目标客户根据分值的高低分为不同的价值区域；
对价值区域进行特征画像，根据特征画像计算综合价值排名，得出价值区域分级。
如图1、图2和图3所示，所述存量客户行为模型包括对存量客户行为深度学习，其中，所述深度学习按照客户的行业维度以及客户的地理分布的要求进行深度学习。
如图1、图2和图3所示，所述客户的地理分布可根据客户所在的写字楼的等级将不同的客户分为不同的类型，以使根据不同的行业客户的需求数据进行分类，以实现输入新增的目标客户根据行业能输出客户的需求及要求。
如图1、图2和图3所示，所述目标客户进行打分时，目标客户按照价值打分，按照行业的分类以及对带宽的需求，确定目标客户行业价值度模型，按照行业价值度模型匹配现有目标用户，得出目标客户的打分排序，所述行业价值度模型是以业务带宽为基础，按照″价值度＝业务带宽值/10″，确定行业客户的价值度，所述对价值区域进行特征画像时，包括分析各个综合接入区业务存量资源情况及近两年政企专线业务发展情况和价值商务楼宇数量，以实现评估综合接入区的价值。
如图1、图2和图3所示，所述对价值区域进行特征画像时，基于AI算法对价值区域画像，所述AI算法采用皮尔逊相关系数和归一算法，具体步骤如下：
确定影响高价值区域各类因素的皮尔逊系数，确定各相关因素的影响权重，皮尔逊系数计算公式为：
其中，n是综合接入区的编号，X是综合接入区内的客户数量，Y是综合接入区内的近两年政企专线增长量；
运用相关性加权算法，如商务楼宇数量(权重值1)、政府用户数(权重2)、银行用户数(权重3)、大企业用户数(权重4)、医院用户数(权重5)、学校用户数(权重6)等，对各个综合接入区的行业客户的价值进行加权评估，得出综合接入区综合价值。
如图1、图2和图3所示，所述价值区域分级包括计算所有匹配的综合业务区的价值，以排名第一的综合接入区为基准，确定所在区域所有综合接入区的价值排名，以排名前N位界线，确定前N个综合接入区是高价值区域，高价值区域涵盖所在区域90％的行业存量及目标客户。
在本发明实施例所述的基于AI大数据的目标客户分析方法中，OTN网管系统是一种通过结合软件和硬件用来对OTN网络状态进行调整的系统，以保障网络系统能够正常、高效运行，使网络系统中的资源得到更好的利用，是在网络管理平台的基础上实现OTN网络管理功能的集合，网络管理功能包括故障管理、计费管理、配置管理、性能管理和安全管理等。其中性能管理能对存量客户电路的端口流量进行监测。对于带宽利用率大于70％的用户为大流量客户。
CRM客户信息管理系统是一个基于网络、通讯、计算机等信息技术系统，能实现不同职能部门的无缝连接，能够协助管理者更好地完成客户关系管理的两项基本任务，能识别和保持有价值的客户。系统会对客户进行深入分析：客户概况分析(Profiling)包括客户的层次、风险、爱好、习惯等；客户忠诚度分析(Persistency)指客户对某个产品或商业机构的忠实程度、持久性、变动情况等；客户利润分析(Profitability)指不同客户所消费的产品的边缘利润、总利润额、净利润等；客户性能分析(Performance)指不同客户所消费的产品按种类、渠道、销售地点等指标划分的销售额；客户未来分析(Prospecting)包括客户数量、类别等情况的未来发展趋势、争取客户的手段等；客户产品分析(Product)包括产品设计、关联性、供应链等；客户促销分析(Promotion)包括广告、宣传等促销活动的管理。
在本发明实施例所述的基于AI大数据的目标客户分析方法中，所述方法的实现基于CRM客户信息管理系统，CRM客户信息管理系统包括大数据平台和AI模型，所述的AI模型包括数据预处理模块、输入图处理模块和图卷积网络；数据预处理模块用CA知识图谱构建邻接矩阵构造，输入图模块对图中确定点打标签；图卷积网络包括SVM/SOFTMAX分类器、自研发图卷积层、优化模块。
本发明主要通过引进AI算法赋能政企综合业务区域精准分级，基于大数据相关性分析算法，对区域内行业及客户深度学习，对行政区域，中心位置、驻地机构、重点行业、总带宽大小、和最近两年内新增的专线数量等画像计算，对存量用户学习分析，给目标客户打分，细分场景的挖掘，根据特征画像计算，平台的数据处理，采用机器学习技术，对于获得的数据进行识别、聚类、分类、预测等智能处理和客户洞察可视化分析，通过综合价值得出价值区域排名，实现数据可视化综合价值区域分级分类清单。
本发明基于AI大数据相关性分析算法，对区域内存量客户深度学习，目标客户打分，根据特征画像计算，综合价值排名得出价值区域分级，具体方法步骤如下(请参阅图1)：
1)对存量客户行为深度学习，按照行业维度，聚焦政府、银行、证券期货、保险、大企业，大型OTT互联网公司、医院、高校等重点客户的地理分布，以及甲级写字楼的地理分布等方面的要求进行深度学习，形成存量客户行为模型；主要是学习存量样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如行业、带宽、时延、安全等数据的分析。它的最终目标是让机器能够像人一样对客户行为具有分析学习能力，能够使不同行业客户需求等数据，使得输入新增的目标客户根据行业就能输出客户的需求及要求。
2)目标客户按照价值打分，按照行业的分类以及对带宽的需求，确定目标客户打分模型，按照价值度模型匹配现有目标用户，得出目标客户的打分排序。行业价值度模型是以业务带宽为基础，按照算法″价值度＝业务带宽值/10″，确定行业客户的价值度(价值度模型如图2)；
3)基于战略区域的规划考虑，对应国家及省市的重要战略区域，需要对价值度×2，确保战略区域的重要性，以及提前对网络进行战略布局；
4)基于AI算法对价值区域画像，基于综合接入区基础价值评估是静态价值数据，为了全面评估综合接入区，还需考虑存量价值和动态发展数据，因此，进一步分析各个综合接入区业务存量资源情况及近两年政企专线业务发展情况和价值商务楼宇数量，将这些因素纳入算法，才能更贴近实际的评估综合接入区的价值。算法上，采用了皮尔逊相关系数和归一算法，具体应用步骤如下：
首先根据AI大数据相关性分析算法，确定影响高价值区域各类因素的皮尔逊系数，确定各相关因素的影响权重。
皮尔逊系数计算公式为：
其中，n是综合接入区的编号，X是综合接入区内的客户数量，Y是综合接入区内的近两年政企专线增长量，运用相关性加权算法，对各个综合接入区的行业客户的价值进行加权评估，得出综合接入区综合价值。
5)最后计算所有匹配的综合业务区的价值，以排名第一的综合接入区为基准，确定所在区域所有综合接入区的价值排名，以排名前N位界线，确定前N个综合接入区是高价值区域，高价值区域需涵盖所在区域90％的行业存量及目标客户。
本发明与现有技术相比，具有以下有益效果：
通过引进AI算法赋能政企综合业务区域精准分级，基于大数据相关性分析算法，对区域内行业及客户深度学习，对行政区域，中心位置、驻地机构、重点行业、总带宽大小、和最近两年内新增的专线数量等画像计算，对存量用户学习分析，给目标客户打分，细分场景的挖掘，根据特征画像计算，平台的数据处理，采用机器学习技术，对于获得的数据进行识别、聚类、分类、预测等智能处理和客户洞察可视化分析，通过综合价值得出价值区域排名，实现数据可视化综合价值区域分级分类清单。
本发明将AI大数据算法运用到网络的布局当中，确保网络能聚焦重点业务、重点市场、和高优先级，考虑行业及存量业务的权重及相关性，对高价值区域进行画像，确定基准。
第二方面，如图4所示，一种基于AI大数据的目标客户分析系统，包括：
形成模块，用于通过存量客户电路的网管系统及CRM客户关系管理系统，实时对区域内存量客户形成存量客户行为模型；
打分模块，用于对获取的存量客户行为模型中的目标客户进行打分；
区分模块，用于将打分后的目标客户根据分值的高低分为不同的价值区域；
处理模块，用于对价值区域进行特征画像，根据特征画像计算综合价值排名，得出价值区域分级。
本发明与现有技术相比，具有以下有益效果：
通过引进AI算法赋能政企综合业务区域精准分级，基于大数据相关性分析算法，对区域内行业及客户深度学习，对行政区域，中心位置、驻地机构、重点行业、总带宽大小、和最近两年内新增的专线数量等画像计算，对存量用户学习分析，给目标客户打分，细分场景的挖掘，根据特征画像计算，平台的数据处理，采用机器学习技术，对于获得的数据进行识别、聚类、分类、预测等智能处理和客户洞察可视化分析，通过综合价值得出价值区域排名，实现数据可视化综合价值区域分级分类清单。
本发明将AI大数据算法运用到网络的布局当中，确保网络能聚焦重点业务、重点市场、和高优先级，考虑行业及存量业务的权重及相关性，对高价值区域进行画像，确定基准。
第三方面，如图5所示，一种基于AI大数据的目标客户分析设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如所述基于AI大数据的目标客户分析方法的步骤。
其中，处理器用于控制该测量设备的整体操作，以完成上述的基于AI大数据的目标客户分析方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持在该测量设备的操作，这些数据例如可以包括用于在该测量设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandomAccessMemory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasableProgrammableRead-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammableRead-OnlyMemory，简称EPROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口为处理器和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件用于该测量设备与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，测量设备可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、数字信号处理器(DigitalSignalProcessor，简称DSP)、数字信号处理设备(DigitalSignalProcessingDevice，简称DSPD)、可编程逻辑器件(ProgrammableLogicDevice，简称PLD)、现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于AI大数据的目标客户分析方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于AI大数据的目标客户分析方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由测量设备的处理器执行以完成上述的基于AI大数据的目标客户分析方法。
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于AI大数据的目标客户分析方法可相互对应参照。
第四方面，一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于AI大数据的目标客户分析方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于AI大数据的目标客户分析方法，其特征在于，所述方法包括以下步骤：
通过存量客户电路的网管系统及CRM客户关系管理系统，实时对区域内存量客户形成存量客户行为模型；
对获取的存量客户行为模型中的目标客户进行打分；
将打分后的目标客户根据分值的高低分为不同的价值区域；
对价值区域进行特征画像，根据特征画像计算综合价值排名，得出价值区域分级。
2.根据权利要求1所述的基于AI大数据的目标客户分析方法，其特征在于，所述存量客户行为模型包括对存量客户行为深度学习，其中，所述深度学习按照客户的行业维度以及客户的地理分布的要求进行深度学习。
3.根据权利要求2所述的基于AI大数据的目标客户分析方法，其特征在于，所述客户的地理分布可根据客户所在的写字楼的等级将不同的客户分为不同的类型，以使根据不同的行业客户的需求数据进行分类，以实现输入新增的目标客户根据行业能输出客户的需求及要求。
4.根据权利要求3所述的基于AI大数据的目标客户分析方法，其特征在于，所述目标客户进行打分时，目标客户按照价值打分，按照行业的分类以及对带宽的需求，确定目标客户行业价值度模型，按照行业价值度模型匹配现有目标用户，得出目标客户的打分排序。
5.根据权利要求4所述的基于AI大数据的目标客户分析方法，其特征在于，所述行业价值度模型是以业务带宽为基础，按照“价值度＝业务带宽值/10”，确定行业客户的价值度。
6.根据权利要求5所述的基于AI大数据的目标客户分析方法，其特征在于，所述对价值区域进行特征画像时，包括分析各个综合接入区业务存量资源情况及近两年政企专线业务发展情况和价值商务楼宇数量，以实现评估综合接入区的价值。
7.根据权利要求6所述的基于AI大数据的目标客户分析方法，其特征在于，所述对价值区域进行特征画像时，基于AI算法对价值区域画像，所述AI算法采用皮尔逊相关系数和加权算法，具体步骤如下：
确定影响高价值区域各类因素的皮尔逊系数，确定各相关因素的影响权重，皮尔逊系数计算公式为：
其中，n是综合接入区的编号，X是综合接入区内的客户数量，Y是综合接入区内的近两年政企专线增长量；
运用相关性加权算法，就是对区域内各类型行业及场景等因素按照权值进行加权，然后再相加，对各个综合接入区的行业客户的价值进行加权评估，得出综合接入区综合价值。
8.根据权利要求7所述的基于AI大数据的目标客户分析方法，其特征在于，所述价值区域分级包括计算所有匹配的综合业务区的价值，以排名第一的综合接入区为基准，确定所在区域所有综合接入区的价值排名，以排名前N位界线，确定前N个综合接入区是高价值区域，高价值区域涵盖所在区域90％的行业存量及目标客户。
9.一种基于AI大数据的目标客户分析系统，其特征在于，包括：
形成模块，用于通过存量客户电路的网管系统及CRM客户关系管理系统，实时对区域内存量客户形成存量客户行为模型；
打分模块，用于对获取的存量客户行为模型中的目标客户进行打分；
区分模块，用于将打分后的目标客户根据分值的高低分为不同的价值区域；
处理模块，用于对价值区域进行特征画像，根据特征画像计算综合价值排名，得出价值区域分级。
10.一种基于AI大数据的目标客户分析设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7中任一项所述基于AI大数据的目标客户分析方法的步骤。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8中任一项所述的基于AI大数据的目标客户分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110962189.2A CN114066502A (zh) | 2021-08-20 | 2021-08-20 | 一种基于ai大数据的目标客户分析方法、系统、设备及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110962189.2A CN114066502A (zh) | 2021-08-20 | 2021-08-20 | 一种基于ai大数据的目标客户分析方法、系统、设备及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114066502A true CN114066502A (zh) | 2022-02-18 |
Family
ID=80233542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110962189.2A Pending CN114066502A (zh) | 2021-08-20 | 2021-08-20 | 一种基于ai大数据的目标客户分析方法、系统、设备及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066502A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147161A (zh) * | 2022-07-20 | 2022-10-04 | 平安科技（深圳）有限公司 | 基于存量客户的行业指引方法、装置、电子设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015153039A1 (en) * | 2014-04-01 | 2015-10-08 | Tableau Software, Inc. | Systems and methods for ranking data visualizations |
| CN107659432A (zh) * | 2017-09-08 | 2018-02-02 | 中国联合网络通信集团有限公司 | 一种区域价值评估方法和装置 |
| CN107909294A (zh) * | 2017-12-08 | 2018-04-13 | 国家电网公司 | 一种基于客户画像技术的供电公司客户价值评价方法 |
| CN111866896A (zh) * | 2020-07-17 | 2020-10-30 | 中国联合网络通信集团有限公司 | 基站位置确定方法、装置、设备以及存储介质 |
| CN111915156A (zh) * | 2020-07-14 | 2020-11-10 | 中国联合网络通信集团有限公司 | 基于用户价值的业务推送方法、电子设备及存储介质 |
| CN112101807A (zh) * | 2020-09-22 | 2020-12-18 | 北京思特奇信息技术股份有限公司 | 一种电信行业集团客户价值综合评估的方法及相关装置 |
| CN112217675A (zh) * | 2020-10-12 | 2021-01-12 | 北京电信规划设计院有限公司 | 固、移通讯网络大数据联合分析方法 |
| CN112395486A (zh) * | 2019-08-12 | 2021-02-23 | 中国移动通信集团重庆有限公司 | 一种宽带业务推荐方法、系统、服务器和存储介质 |
| CN112766522A (zh) * | 2020-12-23 | 2021-05-07 | 南京欣网互联网络科技有限公司 | 一种应用于电信运营商的智慧营业厅系统 |
-
2021
- 2021-08-20 CN CN202110962189.2A patent/CN114066502A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015153039A1 (en) * | 2014-04-01 | 2015-10-08 | Tableau Software, Inc. | Systems and methods for ranking data visualizations |
| CN107659432A (zh) * | 2017-09-08 | 2018-02-02 | 中国联合网络通信集团有限公司 | 一种区域价值评估方法和装置 |
| CN107909294A (zh) * | 2017-12-08 | 2018-04-13 | 国家电网公司 | 一种基于客户画像技术的供电公司客户价值评价方法 |
| CN112395486A (zh) * | 2019-08-12 | 2021-02-23 | 中国移动通信集团重庆有限公司 | 一种宽带业务推荐方法、系统、服务器和存储介质 |
| CN111915156A (zh) * | 2020-07-14 | 2020-11-10 | 中国联合网络通信集团有限公司 | 基于用户价值的业务推送方法、电子设备及存储介质 |
| CN111866896A (zh) * | 2020-07-17 | 2020-10-30 | 中国联合网络通信集团有限公司 | 基站位置确定方法、装置、设备以及存储介质 |
| CN112101807A (zh) * | 2020-09-22 | 2020-12-18 | 北京思特奇信息技术股份有限公司 | 一种电信行业集团客户价值综合评估的方法及相关装置 |
| CN112217675A (zh) * | 2020-10-12 | 2021-01-12 | 北京电信规划设计院有限公司 | 固、移通讯网络大数据联合分析方法 |
| CN112766522A (zh) * | 2020-12-23 | 2021-05-07 | 南京欣网互联网络科技有限公司 | 一种应用于电信运营商的智慧营业厅系统 |
Non-Patent Citations (5)
| Title |
|---|
| 李壮志 等: "基于大数据和AI的智能化PeOTN-CO价值分级建网创新与实践", 《邮电设计技术》 * |
| 李家京 等: "电信运营商政企商楼数字化支撑方法探析", 《互联网天地》 * |
| 李治国: "面向5G的移动网络用户感知大数据分析体系研究", 《移动通信》 * |
| 林创锐 等: "基于大数据分析的微网格价值画像及应用探讨", 《电信技术》 * |
| 金世和: "《中国服务外包产业研究与实践》", 30 September 2013, 上海：上海交通大学出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147161A (zh) * | 2022-07-20 | 2022-10-04 | 平安科技（深圳）有限公司 | 基于存量客户的行业指引方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teoh | The promise and challenges of new datasets for accounting research | |
| WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
| CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| Matthias et al. | Making sense of Big Data–can it transform operations management? | |
| Banasik et al. | Sample selection bias in credit scoring models | |
| Chen et al. | Predicting the influence of users’ posted information for eWOM advertising in social networks | |
| Mellahi et al. | Organizational failure: a critique of recent research and a proposed integrative framework | |
| CN110223155A (zh) | 投资推荐信息的推送方法、装置及计算机设备 | |
| Omidi et al. | The efficacy of predictive methods in financial statement fraud | |
| US11275994B2 (en) | Unstructured key definitions for optimal performance | |
| Maaroof | Big data and the 2030 agenda for sustainable development | |
| Mousavi et al. | Multi-criteria ranking of corporate distress prediction models: empirical evaluation and methodological contributions | |
| Kar et al. | How to differentiate propagators of information and misinformation–Insights from social media analytics based on bio-inspired computing | |
| KR102144126B1 (ko) | 기업을 위한 정보 제공 장치 및 방법 | |
| Pochiraju et al. | Essentials of business analytics: an introduction to the methodology and its applications | |
| Nam et al. | City size distribution as a function of socioeconomic conditions: an eclectic approach to downscaling global population | |
| Deng | Towards objective benchmarking of electronic government: an inter‐country analysis | |
| de Vries et al. | Clustering consumers based on trust, confidence and giving behaviour: Data-driven model building for charitable involvement in the Australian not-for-profit sector | |
| Asadabadi et al. | Enhancing the analysis of online product reviews to support product improvement: integrating text mining with quality function deployment | |
| Cooper | A framework of characteristics for analytics | |
| Cheng | Data-mining research in education | |
| Seol et al. | The impact of information technology on organizational efficiency in public services: a DEA-based DT approach | |
| Zhu et al. | A DEALG methodology for prediction of effective customers of internet financial loan products | |
| CN118037304A (zh) | 一种基于数据挖掘的金融风险等级标注方法及系统 | |
| CN114066502A (zh) | 一种基于ai大数据的目标客户分析方法、系统、设备及计算机可读介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |
|
| RJ01 | Rejection of invention patent application after publication |