CN115204273A - 一种基于商圈大数据对客户分类的方法、装置及电子设备 - Google Patents

一种基于商圈大数据对客户分类的方法、装置及电子设备 Download PDF

Info

Publication number
CN115204273A
CN115204273A CN202210725203.1A CN202210725203A CN115204273A CN 115204273 A CN115204273 A CN 115204273A CN 202210725203 A CN202210725203 A CN 202210725203A CN 115204273 A CN115204273 A CN 115204273A
Authority
CN
China
Prior art keywords
business
data
grid
classifying
district
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
Application number
CN202210725203.1A
Other languages
English (en)
Inventor
莫玉华
陈志�
邓超
梁雪霞
许良本
陈凯迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tobacco Guangxi Industrial Co Ltd
Original Assignee
China Tobacco Guangxi Industrial Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Tobacco Guangxi Industrial Co Ltd filed Critical China Tobacco Guangxi Industrial Co Ltd
Priority to CN202210725203.1A priority Critical patent/CN115204273A/zh
Publication of CN115204273A publication Critical patent/CN115204273A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0204—Market segmentation

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于商圈大数据对客户分类的方法、装置及电子设备，该方法包括：获取销售区域、与销售区域对应的商业数据和客户的客户信息；将销售区域划分为商圈网格，并根据客户信息将客户映射到相应的商圈网格内；根据商业数据对商圈网格进行数据填充；对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型；基于客户信息和商圈类型对客户进行分类。本发明通过对销售市场划分区域，根据每个区域的商业数据对区域内的客户进行更加精准的分类，建立了以商圈网格为核心的分析层级，实现了客户精细化智能化的管理，通过更加精准的客户分类，有效提升对客户进行精准营销的水平，促进货源的精准投放。

Description

一种基于商圈大数据对客户分类的方法、装置及电子设备
技术领域
本发明涉及数据分析处理技术领域，具体涉及一种基于商圈大数据对客户分类的方法、装置及电子设备。
背景技术
随着大数据技术正向各个行业加速渗透，烟草行业也将其引入到卷烟营销工作的场景当中，以推动数字技术与销售深度融合，为货源投放进一步提供敏捷、可视、便捷、智能的数据分析服务，助力货源投放由“经验式分析”向“数据化分析”转变。现阶段需要紧跟经济社会发展趋势，优化业态分类，细化商圈类型，拓展市场细分维度，提高供货精度，尽量满足客户的真实需求。
而现有技术中对客户进行分类的方式基本上靠档位划分，且在实际应用中获取数据时经常存在丢失大量关键信息的数据集以及数据量太大特征提取困难的问题，而数据的缺失以及特征冗余极大地降低了数据在营销工作中的适用性和实用性，使得对客户的分类不够准确，影响营销定位准确度。
发明内容
有鉴于此，本发明实施例提供了一种基于商圈大数据对客户分类的方法，以解决现有技术中对客户分类不够细致准确的问题。
为达到上述目的，本发明提供如下技术方案：
本发明实施例提供了一种基于商圈大数据对客户分类的方法，包括：
获取销售区域、与所述销售区域对应的商业数据和客户的客户信息；
将所述销售区域划分为商圈网格，并根据所述客户信息将客户映射到相应的商圈网格内；
根据所述商业数据对所述商圈网格进行数据填充；
对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型；
基于所述客户信息和所述商圈类型对客户进行分类。
可选的，所述将所述销售区域划分为商圈网格，并根据所述客户信息将客户映射到相应的商圈网格内，包括：
获取所述销售区域的行政区域边界，并从地图上提取所述行政区域边界的边界点坐标；
基于所述边界点坐标将所述销售区域划分成多个同等面积的商圈网格；
从所述客户信息中提取所述客户的位置信息，并将所述位置信息进行坐标转换，得到客户坐标；
基于所述客户坐标将所述客户映射到相应的商圈网格内。
可选的，所述根据所述商业数据对所述商圈网格进行数据填充，包括：
基于所述商圈网格的地理位置从所述商业数据中提取相应的数据进行填充；
对数据填充后商圈网格进行筛选，得到缺失数据的缺陷网格；
获取与所述缺陷网格相邻的商圈网格的商业数据；
按照预设的权重通过加权求和的方式对相邻商圈网格的商业数据进行计算得到所述缺陷网格的商业数据，并进行填充。
可选的，所述对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型，包括：
从所述商业数据中提取POI数据、人口密度数据和消费水平数据；
根据预设的分类字段对所述POI数据进行分类，得到多个类型的特殊POI点；
对每个商圈网格中的特殊POI点进行统计，得到包含特殊POI点的特殊商圈网格和不包含特殊POI点的普通商圈网格；
基于特殊POI点的类型对所述特殊商圈网格进行分类；
基于所述人口密度数据和消费水平数据对所述普通商圈网格进行分类。
可选的，所述基于特殊POI点的类型对所述特殊商圈网格进行分类，包括：
将所述特殊POI点根据预设的分类优先级进行排序，以每个特殊商圈网格中优先级最高的特殊POI点的类型作为每个所述特殊商圈网格的商圈类型。
可选的，所述基于所述人口密度数据和消费水平数据对所述普通商圈网格进行分类，包括：
将每个所述普通商圈网格的消费水平数据与预设消费水平阈值进行对比，得到消费类型；
将每个所述普通商圈网格的人口密度数据与预设人口密度阈值进行对比，得到人口密度类型；
将每个所述普通商圈网格的所述消费类型和所述人口密度类型结合，作为每个所述普通商圈网格的商圈类型。
可选的，所述基于所述客户信息和所述商圈类型对所述客户进行分类，包括：
根据所述客户与所述商圈网格之间的映射关系，得到每个客户对应的商圈类型；
从所述客户信息中提取所述客户的档位信息；
将所述档位信息与所述商圈类型结合完成对所述客户的分类。
本发明实施例还提供了一种基于商圈大数据对客户分类的装置，包括：
获取模块，用于获取销售区域、与所述销售区域对应的商业数据和客户的客户信息；
划分模块，用于将所述销售区域划分为商圈网格，并根据所述客户信息将客户映射到相应的商圈网格内；
填充模块，用于根据所述商业数据对所述商圈网格进行数据填充；
商圈分类模块，用于对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型；
客户分类模块，用于基于所述客户信息和所述商圈类型对客户进行分类。
本发明实施例还提供了一种电子设备，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例提供的基于商圈大数据对客户分类的方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行本发明实施例提供的基于商圈大数据对客户分类的方法。
本发明技术方案，具有如下优点：
本发明提供了一种基于商圈大数据对客户分类的方法，通过获取销售区域、与销售区域对应的商业数据和客户的客户信息；将销售区域划分为商圈网格，并根据客户信息将客户映射到相应的商圈网格内；根据商业数据对商圈网格进行数据填充；对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型；基于客户信息和商圈类型对客户进行分类。本发明通过对销售市场划分区域，根据每个区域的商业数据对区域内的客户进行更加精准的分类，建立了以商圈网格为核心的分析层级，打破了传统以区县为分析区域的粗放模式，实现了客户精细化智能化的管理，通过更加精准的客户分类，有效提升对客户进行精准营销的水平，促进货源的精准投放、品牌的精准培育。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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的附图。
图1为本发明实施例中的基于商圈大数据对客户分类的方法的流程图；
图2为根据本发明实施例中将客户映射到相应的商圈网格内的流程图；
图3为根据本发明实施例中根据商业数据对商圈网格进行数据填充的流程图；
图4为根据本发明实施例中对商圈网格进行分类的流程图；
图5为根据本发明实施例中对普通商圈网格进行分类的流程图；
图6为根据本发明实施例中基于客户信息和商圈类型对客户进行分类的流程图；
图7为本发明实施例中的基于商圈大数据对客户分类的装置的结构示意图；
图8为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
根据本发明实施例，提供了一种基于商圈大数据对客户分类的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于商圈大数据对客户分类的方法，可用于上述的终端设备，如电脑等，如图1所示，该基于商圈大数据对客户分类的方法包括如下步骤：
步骤S1：获取销售区域、与销售区域对应的商业数据和客户的客户信息。具体的，可以通过互联网爬虫技术，根据关键词从各地图网站资源中获取特殊POI相关数据字段(POI数据字段包括：名称、省份、城市、城区、地址、经纬度等)；可以通过外部平台接口获取整个区域市场中所有商圈网格的外部数据字段值，包含人口密度(常住人口、工作人口、居住人口、流动人口)、消费水平(高、次高、中、次低、低)等；通过对历史销售信息进行分析可以得到客户信息。
步骤S2：将销售区域划分为商圈网格，并根据客户信息将客户映射到相应的商圈网格内。具体的，通过建立映射关系，在后续步骤确定了商圈网格的类型后，可以根据商圈类型对客户进行分类。
步骤S3：根据商业数据对商圈网格进行数据填充。具体的，通过数据填充过程，可以将数据精准映射到对应的商圈网格，还可以通过对缺失数据的补充，提高后续分类的精确度。
步骤S4：对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型。具体的，通过对商圈进行分类，有效根据每个区域的商业数据对区域内的客户进行更加精准的分类，建立了以商圈网格为核心的分析层级，打破了传统以区县为分析区域的粗放模式，实现了客户精细化智能化的管理。
步骤S5：基于客户信息和商圈类型对客户进行分类。具体的，将商圈分类和客户传统分类相结合，产生多种不同类型的分类组合，使客户分类更加精确。
通过上述步骤S1至步骤S5，本发明实施例提供的基于商圈大数据对客户分类的方法，通过对销售市场划分区域，根据每个区域的商业数据对区域内的客户进行更加精准的分类，建立了以商圈网格为核心的分析层级，打破了传统以区县为分析区域的粗放模式，实现了客户精细化智能化的管理，通过更加精准的客户分类，有效提升对客户进行精准营销的水平，促进货源的精准投放、品牌的精准培育。
具体地，在一实施例中，上述的步骤S2，如图2所示，具体包括如下步骤：
步骤S21：获取销售区域的行政区域边界，并从地图上提取行政区域边界的边界点坐标。具体的，利用地图提供的API获取销售区域市场的行政区域边界点的经纬度坐标，取所有边界点经纬度中经度最大的值lngmax和经度最小的值lngmin，以及纬度最大的值latmax和纬度最小的值latmin，将整个区域市场围成一个矩形，矩形的四个点分别为A(lngmin，latmin)，B(lngmax，latmin)，C(lngmax，latmax)，D(lngmin，latmax)。通过对边界点的边界坐标进行提取，可以准确划分出销售区域，便于后续进行网格的划分。
步骤S22：基于边界点坐标将销售区域划分成多个同等面积的商圈网格。具体的，以行政区域中最左下点A(lngmin，latmin)为起点进行750×750米商圈网格的划分，将整个区域市场划分成m×n商圈网格；还可对商圈进行编码，从左到右、从上到下的编号为(0，0)，(0，1)，(0，2)，(0，4)，......，(0，n)，......，(m，n)，通过编码便于统计查找。
步骤S23：从客户信息中提取客户的位置信息，并将位置信息进行坐标转换，得到客户坐标。具体的，将区域市场卷烟销售系统中所有零售户的原始经纬度坐标转换成与上述商圈网格位置对应的坐标。
步骤S24：基于客户坐标将客户映射到相应的商圈网格内。具体的，映射可以通过如下公式建立：
零售户经度＞＝栅格左下经度and零售户经度＜＝栅格右上经度
and零售户纬度＞＝栅格左下纬度and零售户维度＜＝栅格右上纬度。
具体的，通过划分商圈网格，并将客户根据客户位置映射至对应的商圈网格，建立了客户与商圈网格之间的对应关系，便于后续根据商圈网格的类型对客户进行分类。
具体地，在一实施例中，上述的步骤S3，如图3所示，具体包括如下步骤：
步骤S31：基于商圈网格的地理位置从商业数据中提取相应的数据进行填充。具体的，可以通过地理位置，从商业数据中提取出该位置对应的详细数据，并将该数据填充至商圈网格，由于是通过地理位置进行的数据提取，数据的对应具有更高的准确性。
步骤S32：对数据填充后商圈网格进行筛选，得到缺失数据的缺陷网格。具体的，由于数据管控和隐私安全问题，从第三方接口获取的数据可能会存在缺失，通过筛选，可以得到缺失数据的缺陷网格。
步骤S33：获取与缺陷网格相邻的商圈网格的商业数据。具体的，将整个区域市场形成的“棋盘”外围再新增一层商圈网格，则区域市场形成的棋盘大小由原来的m×n变成(m+2)×(n+2)，则对应商圈编码由(0，0)→(1，1)，(m，0)→(m+1，1)，(0，n)→(1，n+1)，(i，j)→(i+1，j+1)，(m，n)→(m+1，n+1)；便于后期根据当前缺陷网格周围相邻的8个商圈网格对当前缺陷网格的商业数据进行补充。
步骤S34：按照预设的权重通过加权求和的方式对相邻商圈网格的商业数据进行计算得到缺陷网格的商业数据，并进行填充。具体的，从从区域市场最左下角的商圈开始从左往右，从下往上进行搜寻缺失数据的商圈，进而根据缺失数据商圈周围八个商圈的数值乘以数值对应的权重，加权求和去填充缺失数据。其中，缺失数据商圈周围八个商圈所对应的权重值wab由机器学习knn算法计算得出。计算对于缺失数据且编码为(i，j)的商圈，缺失数据的计算公式如下：
Figure BDA0003710642180000111
f(value(a，b))＝0，value(a，b)＜＝0；
f(value(a，b))＝1，value(a，b)＞0；
直到m×n个商圈网格中的缺失网格的数据都被填充完毕。
具体的，随着大数据时代的发展，数据爆炸式的增长，网络资源获取变得更容易，但是同时数据缺失和数据选取现象也更加普遍。在实际应用中经常存在丢失大量关键信息的数据集以及数据量太大特征提取困难的问题，而数据的缺失以及特征冗余极大地降低了数据在卷烟营销工作中的适用性和实用性。通过利用商圈不完整数据进行机器学习的方式对缺陷网格进行缺失数据的填充，使整体数据更加完整，为后续分类的精确度提供有力保障。
具体地，在一实施例中，上述的步骤S4，如图4所示，具体包括如下步骤：
步骤S41：从商业数据中提取POI数据、人口密度数据和消费水平数据。具体的，POI数据是基于位置服务的最核心数据，应用场景广泛，如查看周边的地标、餐馆、公交站点等。人口密度数据包括：常驻人口、工作人口、居住人口、流动人口等；消费水平数据包括：高、次高、中、次低、低等。
步骤S42：根据预设的分类字段对POI数据进行分类，得到多个类型的特殊POI点。具体的，例如，POI一级分类分为：写字楼、购物服务、风景名胜、科教文化服务、医疗保健服务、交通设施服务；POI二级分类根据关键分类字段分为：写字楼(高级写字楼、普通写字楼)、购物服务(购物中心、购物广场)、风景名胜(博物馆、游乐园、水族馆、动物园、风景区、景点、教堂、植物园、寺庙、文物古迹)、科教文化服务(高等学校、大专院校、职业院校)、医疗保健服务(综合医院)、交通设施服务(机场、火车站、长途汽车站、港口码头、地铁)。
步骤S43：对每个商圈网格中的特殊POI点进行统计，得到包含特殊特殊POI点的特殊商圈网格和不包含特殊特殊POI点的普通商圈网格。
步骤S44：基于特殊POI点的类型对特殊商圈网格进行分类。具体的，例如，将包含写字楼和购物服务类特殊POI点的特殊商圈网格划分为CBD商圈，将包含风景名胜类特殊POI点的特殊商圈网格划分为旅游区商圈，将包含科教文化服务类的特殊POI点的特殊商圈网格划分为Z时代商圈，包含医疗保健服务类特殊POI点的特殊商圈网格划分为医院商圈，将包含交通设施服务类的特殊POI点的特殊商圈网格划分为交通中转商圈。
步骤S45：基于人口密度数据和消费水平数据对普通商圈网格进行分类。具体的，若商圈网格内不包含特殊的特殊POI点，则判定为普通商圈，根据每个商圈网格的人口密度和消费水平，对商圈网格进行综合分类。
具体的，通过对商圈进行分类，有效根据每个区域的商业数据对区域内的客户进行更加精准的分类，建立了以商圈网格为核心的分析层级，打破了传统以区县为分析区域的粗放模式，实现了客户精细化智能化的管理。
具体地，在一实施例中，上述的步骤S44，具体包括如下步骤：
将特殊POI点根据预设的分类优先级进行排序，以每个特殊商圈网格中优先级最高的特殊POI点的类型作为每个特殊商圈网格的商圈类型。具体的，例如：一个商圈网格中包含多种类型特殊POI点时，分类优先级为：Z时代商圈＞CBD商圈＞交通中转商圈＞医院商圈＞旅游区商圈；以每个特殊商圈网格中优先级最高的特殊POI点的类型作为每个特殊商圈网格的商圈类型。通过优先级的方式，可以根据优先级快速确定商圈类型。还可以根据商圈内不同类型特殊POI点的数量确定商圈类型，将同一类型特殊POI点数量最多的商圈类型作为该特殊商圈网格的商圈类型。
具体地，在一实施例中，上述的步骤S45，如图5所示，具体包括如下步骤：
步骤S451：将每个普通商圈网格的消费水平数据与预设消费水平阈值进行对比，得到消费类型。具体的，每个商圈消费水平包含了高、次高、中、次低、低五个字段值，其值分别对应Ch、Csh、Cm、Csl、Cl，通过神经网络模型预测各级消费水平的权重，赋值分别为wh，wsh，wm，wsl，wl，求得商圈编码为(i，j)的综合消费水平并对其进行归一化处理：
Figure BDA0003710642180000141
Figure BDA0003710642180000142
其中，Cij表示商圈编码为(i，j)的加权消费水平值，C′ij表示商圈编码为(i，j)归一化之后的消费水平值。
将消费水平值与预设消费水平阈值进行对比，可以根据落入的不同阈值范围确定每个普通商圈网格的消费类型。
步骤S452：将每个普通商圈网格的人口密度数据与预设人口密度阈值进行对比，得到人口密度类型。具体的，每个商圈网格的人口密度数据包含了常驻人口、工作人口、居住人口、流动人口四个字段值，其值分别对应Ps、Pw、Pr、Pf，由于常驻人口与工作人口、居住人口线性相关，因此在计算商圈人口密度时只考虑工作人口、居住人口、流动人口三个字段，通过神经网络预测三个人口字段的权重，权重分别赋值为ww，wr，wf，商圈编码为(i，j)的人口密度加权求和及归一化计算公式如下：
Figure BDA0003710642180000144
Figure BDA0003710642180000145
其中，Pij表示商圈编码为(i，j)的加权人口密度值，P′ij表示商圈编码为(i，j)归一化之后的人口密度值；
将人口密度值与预设人口密度阈值进行对比，可以根据落入的不同阈值范围确定每个普通商圈网格的人口密度类型。
步骤S453：将每个普通商圈网格的消费类型和人口密度类型结合，作为每个普通商圈网格的商圈类型。具体的，用横坐标表示经济消费水平，纵坐标表示人口密度，考虑到每个商圈分类中包含零售户个数基本均匀，例如将消费水平分成低消费(0＜C′ij＜＝0.25)、中消费(0.25＜C′ij＜＝0.5)、次高消费(0.5＜C′ij＜＝0.75)、高消费(0.75＜C′ij＜＝1)，考虑到每个商圈网格中包含客户的数量基本均匀，将人口密度分为低密度、中密度、高密度；
根据消费水平的四个等级以及人口密度的三个层次，将区域市场划分为高消费-高密度商圈、高消费-中密度商圈、高消费-低密度商圈、次高消费-高密度商圈、次高消费-中密度商圈、次高消费-低密度商圈、中消费-高密度商圈、中消费-中密度商圈、中消费-低密度商圈、低消费-高密度商圈、低消费-中密度商圈、低消费-低密度商圈。
具体的，通过POI、消费水平和人口密度，分别对商圈进行分类，更加直观的反映出每个商圈的特点，便于后续根据分类结果对客户进行精准营销。
具体地，在一实施例中，上述的步骤S5，如图6所示，具体包括如下步骤：
步骤S51：根据客户与商圈网格之间的映射关系，得到每个客户对应的商圈类型。
步骤S52：从客户信息中提取客户的档位信息。
步骤S53：将档位信息与商圈类型结合完成对客户的分类。
具体的，由于不同客户可根据其历史销售数据划分为不同的档位，再结合客户所在商圈网格的商圈类型，可以细化出多种分类，完成了对销售区域市场更细粒度的划分，使分类结果更加精准，便于后续对客户的精细化智能化管理，有助于后期对货源的精准投放。
在本实施例中还提供了一种基于商圈大数据对客户分类的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于商圈大数据对客户分类的装置，如图7所示，包括：
获取模块101，用于获取销售区域、与销售区域对应的商业数据和客户的客户信息，详细内容参见上述方法实施例中步骤S1的相关描述，在此不再进行赘述。
划分模块102，用于将销售区域划分为商圈网格，并根据客户信息将客户映射到相应的商圈网格内，详细内容参见上述方法实施例中步骤S2的相关描述，在此不再进行赘述。
填充模块103，用于根据商业数据对商圈网格进行数据填充，详细内容参见上述方法实施例中步骤S3的相关描述，在此不再进行赘述。
商圈分类模块104，用于对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型，详细内容参见上述方法实施例中步骤S4的相关描述，在此不再进行赘述。
客户分类模块105，用于基于客户信息和商圈类型对客户进行分类，详细内容参见上述方法实施例中步骤S5的相关描述，在此不再进行赘述。
本实施例中的基于商圈大数据对客户分类的装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
根据本发明实施例还提供了一种电子设备，如图8所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于商圈大数据对客户分类的方法，其特征在于，包括：
获取销售区域、与所述销售区域对应的商业数据和客户的客户信息；
将所述销售区域划分为商圈网格，并根据所述客户信息将客户映射到相应的商圈网格内；
根据所述商业数据对所述商圈网格进行数据填充；
对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型；
基于所述客户信息和所述商圈类型对客户进行分类。
2.根据权利要求1所述的基于商圈大数据对客户分类的方法，其特征在于，所述将所述销售区域划分为商圈网格，并根据所述客户信息将客户映射到相应的商圈网格内，包括：
获取所述销售区域的行政区域边界，并从地图上提取所述行政区域边界的边界点坐标；
基于所述边界点坐标将所述销售区域划分成多个同等面积的商圈网格；
从所述客户信息中提取所述客户的位置信息，并将所述位置信息进行坐标转换，得到客户坐标；
基于所述客户坐标将所述客户映射到相应的商圈网格内。
3.根据权利要求1所述的基于商圈大数据对客户分类的方法，其特征在于，所述根据所述商业数据对所述商圈网格进行数据填充，包括：
基于所述商圈网格的地理位置从所述商业数据中提取相应的数据进行填充；
对数据填充后商圈网格进行筛选，得到缺失数据的缺陷网格；
获取与所述缺陷网格相邻的商圈网格的商业数据；
按照预设的权重通过加权求和的方式对相邻商圈网格的商业数据进行计算得到所述缺陷网格的商业数据，并进行填充。
4.根据权利要求1所述的基于商圈大数据对客户分类的方法，其特征在于，所述对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型，包括：
从所述商业数据中提取POI数据、人口密度数据和消费水平数据；
根据预设的分类字段对所述POI数据进行分类，得到多个类型的特殊POI点；
对每个商圈网格中的特殊POI点进行统计，得到包含特殊POI点的特殊商圈网格和不包含特殊POI点的普通商圈网格；
基于特殊POI点的类型对所述特殊商圈网格进行分类；
基于所述人口密度数据和消费水平数据对所述普通商圈网格进行分类。
5.根据权利要求4所述的基于商圈大数据对客户分类的方法，其特征在于，所述基于特殊POI点的类型对所述特殊商圈网格进行分类，包括：
将所述特殊POI点根据预设的分类优先级进行排序，以每个特殊商圈网格中优先级最高的特殊POI点的类型作为每个所述特殊商圈网格的商圈类型。
6.根据权利要求4所述的基于商圈大数据对客户分类的方法，其特征在于，所述基于所述人口密度数据和消费水平数据对所述普通商圈网格进行分类，包括：
将每个所述普通商圈网格的消费水平数据与预设消费水平阈值进行对比，得到消费类型；
将每个所述普通商圈网格的人口密度数据与预设人口密度阈值进行对比，得到人口密度类型；
将每个所述普通商圈网格的所述消费类型和所述人口密度类型结合，作为每个所述普通商圈网格的商圈类型。
7.根据权利要求1所述的基于商圈大数据对客户分类的方法，其特征在于，所述基于所述客户信息和所述商圈类型对所述客户进行分类，包括：
根据所述客户与所述商圈网格之间的映射关系，得到每个客户对应的商圈类型；
从所述客户信息中提取所述客户的档位信息；
将所述档位信息与所述商圈类型结合完成对所述客户的分类。
8.一种基于商圈大数据对客户分类的装置，其特征在于，包括：
获取模块，用于获取销售区域、与所述销售区域对应的商业数据和客户的客户信息；
划分模块，用于将所述销售区域划分为商圈网格，并根据所述客户信息将客户映射到相应的商圈网格内；
填充模块，用于根据所述商业数据对所述商圈网格进行数据填充；
商圈分类模块，用于对数据填充后的商圈网格进行分类，得到每个商圈网格的商圈类型；
客户分类模块，用于基于所述客户信息和所述商圈类型对客户进行分类。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的基于商圈大数据对客户分类的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的基于商圈大数据对客户分类的方法。
CN202210725203.1A 2022-06-23 2022-06-23 一种基于商圈大数据对客户分类的方法、装置及电子设备 Pending CN115204273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210725203.1A CN115204273A (zh) 2022-06-23 2022-06-23 一种基于商圈大数据对客户分类的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210725203.1A CN115204273A (zh) 2022-06-23 2022-06-23 一种基于商圈大数据对客户分类的方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115204273A true CN115204273A (zh) 2022-10-18

Family

ID=83577359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210725203.1A Pending CN115204273A (zh) 2022-06-23 2022-06-23 一种基于商圈大数据对客户分类的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115204273A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545807A (zh) * 2022-12-02 2022-12-30 广州数说故事信息科技有限公司 商圈划分方法、装置、地理信息系统、终端设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545807A (zh) * 2022-12-02 2022-12-30 广州数说故事信息科技有限公司 商圈划分方法、装置、地理信息系统、终端设备及介质

Similar Documents

Publication Publication Date Title
Hu et al. Automated urban land-use classification with remote sensing
Fan et al. A polygon-based approach for matching OpenStreetMap road networks with regional transit authority data
Pijanowski et al. Modelling urbanization patterns in two diverse regions of the world
US11966424B2 (en) Method and apparatus for dividing region, storage medium, and electronic device
Goerlich et al. A population density grid for Spain
CN112861972B (zh) 一种展业区域的选址方法、装置、计算机设备和介质
CN109684428A (zh) 空间数据建设方法、装置、设备及存储介质
CN114049462B (zh) 一种三维模型单体化方法及装置
CN112651574B (zh) 基于p中位遗传算法的选址方法、装置及电子设备
US20230049839A1 (en) Question Answering Method for Query Information, and Related Apparatus
CN110009379A (zh) 一种选址模型构建和选址方法、装置及设备
CN117079148B (zh) 城市功能区的识别方法、装置、设备和介质
Calka et al. Redistribution population data across a regular spatial grid according to buildings characteristics
Cetl et al. A comparison of address geocoding techniques–case study of the city of Zagreb, Croatia
CN115204273A (zh) 一种基于商圈大数据对客户分类的方法、装置及电子设备
Ensari et al. Web scraping and mapping urban data to support urban design decisions
CN115525642A (zh) 逆地理编码方法、装置及电子设备
Chaudhuri et al. Application of web-based Geographical Information System (GIS) in tourism development
CN117556158A (zh) 耦合地名标签与等值线的用户周边地点可视化方法及系统
CN109376638B (zh) 一种基于遥感图像和地理信息系统的文地率计算方法
CN111737374B (zh) 位置坐标确定方法、装置、电子设备及存储介质
CN109635047B (zh) 地理网格的信息处理方法、装置、设备及可读存储介质
CN113344645A (zh) 房价预测的方法、装置和电子设备
Kumar et al. Geographic Information Systems in Urban Planning and Management
Sparks et al. Modeling Building Use and Population Distribution Opportunity Using Open Geosocial Data in Urban Areas

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