CN115271282A - 基于模糊逻辑的客户价值确定方法及装置 - Google Patents
基于模糊逻辑的客户价值确定方法及装置 Download PDFInfo
- Publication number
- CN115271282A CN115271282A CN202110476880.XA CN202110476880A CN115271282A CN 115271282 A CN115271282 A CN 115271282A CN 202110476880 A CN202110476880 A CN 202110476880A CN 115271282 A CN115271282 A CN 115271282A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- customer
- determining
- behavior data
- 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 50
- 230000006399 behavior Effects 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 150000007524 organic acids Chemical class 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于模糊逻辑的客户价值确定方法及装置，该方法包括：获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；利用模糊逻辑算法确定所述行为数据的隶属度；基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。通过充分分析客户的消费数据和点击数据；并且利用模糊逻辑算法确定所述行为数据的隶属度；基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值，与现有技术中使用设定好的预制的MFC的指标计算方式相比，无需人工计算阈值、权重，具有自适应性，能更精确的衡量用户价值，方便企业对用户价值进行量化衡量，适用于多种营销场景，有效应对客户的消费行为的实时变动，精准的衡量客户价值。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于模糊逻辑的客户价值确定方法及装置。
背景技术
目前在金融支付领域，为了解决粗放营销带来的营销资源浪费、客户流失问题，基于客户消费行为的RFM模型成为了衡量客户价值的重要分析工具。RFM模型可以动态的根据客户的消费行为特征，判断客户的潜在价值，方便企业对客户开展个性化的、千人千面的精准营销。
现有RFM模型计算出客户在线上办理业务模式下最近一次消费日期(Recency),消费频次(Frequency),消费总额(Monetary)，并且接收客户自行设置的权重和阈值，或者对这三个要素设定阈值进行打分，并在此基础上进行加权求和计算出每个客户的总得分，基于该分数衡量客户价值。
目前金融支付场景下RFM模型仅仅考虑了客户的消费行为，而且现有的RFM模型涉及到客户需要自行设置权重、阈值，过多的依赖于个人经验，会掺杂过多的个人因素。
因此，如何提供一种客户价值确定方案，能够有效应对客户的消费行为的实时变动，更加精准的衡量客户价值是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供一种基于模糊逻辑的客户价值确定方法及装置，有效应对客户的消费行为的实时变动，更加精准的衡量客户价值。
第一方面，本发明提供一种基于模糊逻辑的客户价值确定方法，包括：
获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
利用模糊逻辑算法确定所述行为数据的隶属度；
基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
进一步地，所述获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据包括：
获取待分析客户的原始行为数据；
在所述原始行为数据中提取R指标、F指标、M指标以及C指标；
对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据；
其中，所述R指标分析为：客户最近一次消费与上一次消费的时间间隔；
所述F指标为：客户在预设时间段内的购买次数；
所述M指标为：客户在预设时间段内的消费金额；
所述C指标为：客户在预设时间段内在浏览页面的点击次数。
进一步地，所述对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据包括：
实时获取目标指标中的最大值max和最小值min；其中所述标准指标为所述R指标、所述F指标、所述M指标以及所述C指标中的任一个；
利用如下转换公式对所述目标指标进行标准化转换：
其中，max为目标指标中的最大值,min为目标指标中的最小值；x*为标准值，x为目标指标的待转换值；
依次利用所述转换公式对所述R指标、所述F指标、所述M指标以及所述C指标进行转换，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据。
进一步地，所述利用模糊逻辑算法确定所述行为数据的隶属度包括：
选取计算成本较低的三角函数作为隶属函数；所述三角函数如下：
其中，b＝0.5*Max(X)；
a＝α*Max(X)，α初始值为0.25；
c＝β*Max(X)，β初始值为0.75；
当X<a时，确定隶属分类低；
当X属于[a,b]时，确定隶属分类
低，
高；
当X属于[b,c]时，确定隶属分类
高
低；
当X>c时，确定隶属分类高。
进一步地，所述基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值包括：
在所述R指标、所述F指标、所述M指标以及所述C指标中存在三个以上指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最大值；
在所述R指标、所述F指标、所述M指标以及所述C指标中存在两个指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的平均值；
在所述R指标、所述F指标、所述M指标以及所述C指标中存在一个以下指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最小值。
进一步地，还包括：
获取每个火力值对应的加权值；
基于以下公式得到去模糊化的量化价值输出值：
其中量化价值输出值output，δi为对应火力值的加权值；FSi为火力值。
进一步地，还包括：
获取营销效果反馈采集的量化价值与营销的样本集；
基于所述样本集定时或者定量对量化价值函数的α、β参数进行线性回归训练，得到新的α、β参数；
利用新的α、β参数更新当前的α、β参数。
第二方面，本发明实施例提供一种基于模糊逻辑的客户价值确定装置，包括：
数据获取模块，用于获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
隶属度确定模块，用于利用模糊逻辑算法确定所述行为数据的隶属度；
模糊结果模块，用于基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
进一步地，所述数据获取模块包括：
原始数据获取单元，用于获取待分析客户的原始行为数据；
指标提取单元，用于在所述原始行为数据中提取R指标、F指标、M指标以及C指标；
数据处理单元，用于对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据；
其中，
所述R指标分析为：客户最近一次消费与上一次消费的时间间隔；
所述F指标为：客户在预设时间段内的购买次数；
所述M指标为：客户在预设时间段内的消费金额；
所述C指标为：客户在预设时间段内在浏览页面的点击次数。
进一步地，所述数据处理单元包括：
最大最小获取子单元，用于实时获取目标指标中的最大值max和最小值min；其中所述标准指标为所述R指标、所述F指标、所述M指标以及所述C指标中的任一个；
标准转换子单元，用于利用如下转换公式对所述目标指标进行标准化转换：
其中，max为目标指标中的最大值,min为目标指标中的最小值；x*为标准值，x为目标指标的待转换值；
依次转换子单元，用于依次利用所述转换公式对所述R指标、所述F指标、所述M指标以及所述C指标进行转换，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据。
进一步地，所述隶属度确定模块包括：
函数选取单元，用于选取计算成本较低的三角函数作为隶属函数；所述三角函数如下：
其中，b＝0.5*Max(X)；
a＝α*Max(X)，α初始值为0.25；
c＝β*Max(X)，β初始值为0.75；
隶属度确定模块，用于当X<a时，确定隶属分类低；
当X属于[a,b]时，确定隶属分类
低，
高；
当X属于[b,c]时，确定隶属分类
高
低；
当X>c时，确定隶属分类高。
进一步地，所述模糊结果模块包括：
最大结果确定单元，用于在所述R指标、所述F指标、所述M指标以及所述C指标中存在三个以上指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最大值；
平均结果确定单元，用于在所述R指标、所述F指标、所述M指标以及所述C指标中存在两个指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的平均值；
最小结果确定单元，用于在所述R指标、所述F指标、所述M指标以及所述C指标中存在一个以下指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最小值。
进一步地，还包括：
加权值获取模块，用于获取每个火力值对应的加权值；
加权模块，用于基于以下公式得到去模糊化的量化价值输出值：
其中量化价值输出值output，δi为对应火力值的加权值；FSi为火力值。
进一步地，还包括：
样本获取模块，用于获取营销效果反馈采集的量化价值与营销的样本集；
参数训练模块，用于基于所述样本集定时或者定量对量化价值函数的α、β参数进行线性回归训练，得到新的α、β参数；
参数更新模块，用于利用新的α、β参数更新当前的α、β参数。
第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述基于模糊逻辑的客户价值确定方法的步骤。
第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述基于模糊逻辑的客户价值确定方法的步骤。
本发明提供的一种基于模糊逻辑的客户价值确定方法及装置，通过充分分析客户的消费数据和点击数据；并且利用模糊逻辑算法确定所述行为数据的隶属度；基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值，与现有技术中使用设定好的预制的MFC的指标计算方式相比，无需人工计算阈值、权重，同时模型具有自适应性，能更精确的衡量用户价值，方便企业对用户价值进行量化衡量，适用于多种营销场景，能够有效应对客户的消费行为的实时变动，更加精准的衡量客户价值。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的流程示意图之一；
图2为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的流程示意图之二；
图3为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的三角函数的示意图；
图4为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的流程示意图之三；
图5为本发明实施例提供的基于模糊逻辑的客户价值确定装置的结构示意图；
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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，本领域普通技术人员在没有作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。
下面结合图1-图4描述本发明实施例的一种基于模糊逻辑的客户价值确定方法。
图1为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的流程示意图；图2为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的流程示意图之二；图3为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的三角函数的示意图；图4为本发明实施例提供的一种基于模糊逻辑的客户价值确定方法的流程示意图之三。
在本发明的一种具体实施方式中，本发明实施例提供一种基于模糊逻辑的客户价值确定方法，包括：
步骤110：获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
在本发明实施例中，首先需要获取待分析客户的行为数据，具体地，在金融支付领域，用户特征日渐丰富，包括基础特征、消费行为、风险等级、用户端侧行为等等，在众多用户特征中选取特征，并客观的衡量用户价值，是实现基于用户价值选取目标用户进行精准营销的关键，从用户特征中选取关键特征，能够更高效的评估用户价值，根据用户价值的实时变动及时更新拉新促活策略。
在客户关系管理领域，RFM被广泛的用户衡量用户价值，但目前的RFM模型比较适用于线下消费场景，仅仅局限于用户的消费金额、消费频次等，更多的衡量了用户的消费价值，忽略了没有消费的潜在用户的价值。随着数字经济的发展，移动互联网行业的快速增长，越来越多的企业推出金融支付app，在金融支付app上，用户不仅仅只有消费行为，还有点击浏览行为，用户对某业务点击次数多，也就意味着该用户对业务有办理倾向，该用户的潜在意向也是其价值，此处引入了用户点击频次的概念。在对原有数据进行清理、特征提取后，计算每个用户的RFMC指标值，能够节省计算成本，实现用户价值的实时更新。
步骤120：利用模糊逻辑算法确定所述行为数据的隶属度；
具体地，模糊逻辑是一种处理人类不确定性的数学方法，这种算法可以对不精确的语义信息进行处理，如“高”与“低”这种模糊概念的问题，通过模糊集合是的变量可以属于多个集合，每个集合部分占有这个变量，将这个具体的离散数据模糊化，通过模糊规则去解释模糊集合，进行去模糊化，得到确定的值。
在模糊逻辑中，第一步是将标准化后的RFMC值根据隶属函数对应到模糊集合中，计算出隶属度，在金融支付场景中，线上用户较多，用户交易频繁，用户账户金额、价值变动较大，为了降低计算成本，此处选取计算成本较低的三角函数作为隶属函数，隶属度是来表示一个元素属于某一种概念的程度，当隶属度为1或者0时，就代表传统非此即彼，而此处利用隶属函数来表示边界不分明的模糊集合。以实现对不精确的语义信息进行处理，如“高”与“低”这种模糊概念的问题，通过模糊集合时的变量可以属于多个集合，每个集合部分占有这个变量，将这个具体的离散数据模糊化，通过模糊规则去解释模糊集合，进行去模糊化，得到确定的值。
步骤130：基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
模糊规则管理对模糊匹配规则的输入和管理，在对RFMC指标模糊化后，基于输入规则，结合隶属度，生成FS(Fire Strength)结果，例如，在本发明的一种具体实施方式中，本方案初始规则如下：RFMC中大于三个值分类属于高时，FS＝max(RFMC)。RFMC中2个值分类属于高时，FS＝Avg(RFMC)。RFMC中1个值以下分类属于高时，FS＝min(RFMC)，具体如下表1所示。
数据输出实现对用户量化价值数据的管理和输出，可对接营销平台用于精准营销，如常用的短信营销、客户端营销、外呼营销，可以更精准的投放广告，更低的成本投入，更合理的控制费用。也可以用于给不同价值的用户以不同的营销资源、优惠，针对不同的消费者，不同的消费需求，提供个性化的产品和服务，精准的满足市场需求，更好的做好以消费者为导向，提高自身竞争力。
表1
在本发明的又一具体实施方式中，所述获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据包括：
步骤210：获取待分析客户的原始行为数据；
步骤220：在所述原始行为数据中提取R指标、F指标、M指标以及C指标；
步骤230：对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据；
其中，所述R指标分析为：客户最近一次消费与上一次消费的时间间隔；
所述F指标为：客户在预设时间段内的购买次数；
所述M指标为：客户在预设时间段内的消费金额；
所述C指标为：客户在预设时间段内在浏览页面的点击次数。
具体地，R指标(最近一次消费：Recency)分析为：用户最近一次消费与上一次消费的时间间隔，其中用户的R值越小，用户留存的概率越高。F指标(消费频率：Frequency)分析为：用户在特定时间段内(近一年)的购买次数，用户的消费频次在一定程度上显示了用户对产品的满意度一级忠诚度。M指标(消费金额：Monetary)分析为：用户在特定时间段内(近一年)的消费金额，在金融支付领域，根据“二八定律”，80％的收入来自于排名前20％的用户，M值是最有价值的指标C(点击频次，Click)分析为：用户在特定时间段内(近一年)的在客户端、网页(H5)的点击次数，点击次数在一定程度上反应了用户对业务、产品、企业的感兴趣程度，对产品感兴趣的客户也是企业的潜在用户，点击次数越多，价值越高。
在本发明又一具体实施方式中，由于金融支付领域客单金额差距较大，比如理财产品客单金额较高，支付领域客单金额较低。为了消除极端值对后续模糊逻辑造成的影响，增强数据的可比性，此处对RFMC几个指标进行标准化处理，将指标值映射到[0,1]之间。
为了对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据可以进行以下步骤：
实时获取目标指标中的最大值max和最小值min；其中所述标准指标为所述R指标、所述F指标、所述M指标以及所述C指标中的任一个；
利用如下转换公式对所述目标指标进行标准化转换：
其中，max为目标指标中的最大值,min为目标指标中的最小值；x*为标准值，x为目标指标的待转换值；
依次利用所述转换公式对所述R指标、所述F指标、所述M指标以及所述C指标进行转换，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据。其中最大值、最小值为实时更新的RFMC值，因此更能敏感的提现业务实际情况。
如图3，为了利用模糊逻辑算法确定所述行为数据的隶属度，可以首先选取计算成本较低的三角函数作为隶属函数；所述三角函数如下：
在本发明实施例中，用户的RFMC值可以映射为，对高、低两个不同概念的隶属度，例如：用户近一年消费金额3000元，对高的隶属度为0.7，对低的隶属度为0.3.；
其中中间值其中，b＝0.5*Max(X)；
a＝α*Max(X)，α初始值为0.25；
c＝β*Max(X)，β初始值为0.75；
当X<a时，确定隶属分类低；
当X属于[a,b]时，确定隶属分类
低，
高；
当X属于[b,c]时，确定隶属分类
高
低；
当X>c时，确定隶属分类高。
进一步地，所述基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值包括：
步骤310：在所述R指标、所述F指标、所述M指标以及所述C指标中存在三个以上指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最大值；
步骤320：在所述R指标、所述F指标、所述M指标以及所述C指标中存在两个指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的平均值；
步骤330：在所述R指标、所述F指标、所述M指标以及所述C指标中存在一个以下指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最小值。
具体地，可以采用加权平均方式去模糊化，根据上述步骤所得多个FS，得到用户明确的价值输出值。RFMC4个输入值，最多有8个FS输出，因此去模糊化的量化价值输出值，具体地，获取每个火力值对应的加权值；基于以下公式得到去模糊化的量化价值输出值：
其中量化价值输出值output，δi为对应火力值的加权值；FSi为火力值。
在上述实施例的基础上，本实施例中，还可以获取营销效果反馈采集的量化价值与营销的样本集；基于所述样本集定时或者定量对量化价值函数的α、β参数进行线性回归训练，得到新的α、β参数；利用新的α、β参数更新当前的α、β参数。能够快速的对业务情况进行反应，提升下一时间间隔的营销效果。
具体，可以通过参数自适应模块主要实现权重与阈值的实时更新，通过模糊逻辑算法，确定RFMC指标的加权参数，取代传统的加权求和，一方面能够使参数对实时变化的用户消费金额、频次、点击次数等信息进行自适应调节，另一方面避免权重、阈值人为选择，依赖经验导致准确性不高的问题。该模块主要包含模糊化、模糊规则管理、去模糊化等功能。
用户的消费金额、频次、点击次数等都是实时变化的，因此在全量用户中，消费频次、金额、点击次数的高低、多少也是一个相对的概念，使用传统的加权求和等算法使用RFMC进行简单加总求和，则面临的问题就是阈值的制定和定时调整。此处引入了模糊逻辑算法，将标准化后的RFMC值输入模糊逻辑算法中，用来取代传统的加权求和，避免了权重、阈值选择的问题，同时可以根据用户交易、点击行为的变动自动调整阈值，达到对用户价值的精准衡量，由于用户特征维度较少，也能很大程度上节省计算量。
本发明实施例提供的一种基于模糊逻辑的客户价值确定方法通过充分分析客户的消费数据和点击数据；并且利用模糊逻辑算法确定所述行为数据的隶属度；基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值，与现有技术中使用设定好的预制的MFC的指标计算方式相比，无需人工计算阈值、权重，同时模型具有自适应性，能更精确的衡量用户价值，方便企业对用户价值进行量化衡量，适用于多种营销场景，能够有效应对客户的消费行为的实时变动，更加精准的衡量客户价值。
下面对本发明提供的基于模糊逻辑的客户价值确定装置进行描述，下文描述的基于模糊逻辑的客户价值确定装置与上文描述的基于模糊逻辑的客户价值确定方法可相互对应参照。
请参考图5，图5为本发明实施例提供的一种基于模糊逻辑的客户价值确定装置组成结构示意图。
在本发明又一具体实施方式中，本发明实施例提供一种基于模糊逻辑的客户价值确定装置500，包括：
数据获取模块510，用于获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
隶属度确定模块520，用于利用模糊逻辑算法确定所述行为数据的隶属度；
模糊结果模块530，用于基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
进一步地，所述数据获取模块包括：
原始数据获取单元，用于获取待分析客户的原始行为数据；
指标提取单元，用于在所述原始行为数据中提取R指标、F指标、M指标以及C指标；
数据处理单元，用于对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据；
其中，
所述R指标分析为：客户最近一次消费与上一次消费的时间间隔；
所述F指标为：客户在预设时间段内的购买次数；
所述M指标为：客户在预设时间段内的消费金额；
所述C指标为：客户在预设时间段内在浏览页面的点击次数。
进一步地，所述数据处理单元包括：
最大最小获取子单元，用于实时获取目标指标中的最大值max和最小值min；其中所述标准指标为所述R指标、所述F指标、所述M指标以及所述C指标中的任一个；
标准转换子单元，用于利用如下转换公式对所述目标指标进行标准化转换：
其中，max为目标指标中的最大值,min为目标指标中的最小值；x*为标准值，x为目标指标的待转换值；
依次转换子单元，用于依次利用所述转换公式对所述R指标、所述F指标、所述M指标以及所述C指标进行转换，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据。
进一步地，所述隶属度确定模块包括：
函数选取单元，用于选取计算成本较低的三角函数作为隶属函数；所述三角函数如下：
其中，b＝0.5*Max(X)；
a＝α*Max(X)，α初始值为0.25；
c＝β*Max(X)，β初始值为0.75；
隶属度确定模块，用于当X<a时，确定隶属分类低；
当X属于[a,b]时，确定隶属分类
低，
高；
当X属于[b,c]时，确定隶属分类
高
低；
当X>c时，确定隶属分类高。
进一步地，所述模糊结果模块包括：
最大结果确定单元，用于在所述R指标、所述F指标、所述M指标以及所述C指标中存在三个以上指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最大值；
平均结果确定单元，用于在所述R指标、所述F指标、所述M指标以及所述C指标中存在两个指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的平均值；
最小结果确定单元，用于在所述R指标、所述F指标、所述M指标以及所述C指标中存在一个以下指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最小值。
进一步地，还包括：
加权值获取模块，用于获取每个火力值对应的加权值；
加权模块，用于基于以下公式得到去模糊化的量化价值输出值：
其中量化价值输出值output，δi为对应火力值的加权值；FSi为火力值。
进一步地，还包括：
样本获取模块，用于获取营销效果反馈采集的量化价值与营销的样本集；
参数训练模块，用于基于所述样本集定时或者定量对量化价值函数的α、β参数进行线性回归训练，得到新的α、β参数；
参数更新模块，用于利用新的α、β参数更新当前的α、β参数。
第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述基于模糊逻辑的客户价值确定方法的步骤。
第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述基于模糊逻辑的客户价值确定方法的步骤。
本发明实施例提供的一种基于模糊逻辑的客户价值确定装置，通过充分分析客户的消费数据和点击数据；并且利用模糊逻辑算法确定所述行为数据的隶属度；基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值，与现有技术中使用设定好的预制的MFC的指标计算方式相比，无需人工计算阈值、权重，同时模型具有自适应性，能更精确的衡量用户价值，方便企业对用户价值进行量化衡量，适用于多种营销场景，能够有效应对客户的消费行为的实时变动，更加精准的衡量客户价值。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communication Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的计算机程序，以执行基于模糊逻辑的客户价值确定方法的步骤，例如包括：
获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
利用模糊逻辑算法确定所述行为数据的隶属度；
基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于模糊逻辑的客户价值确定方法，该方法包括：
获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
利用模糊逻辑算法确定所述行为数据的隶属度；
基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，例如包括：
获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
利用模糊逻辑算法确定所述行为数据的隶属度；
基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于模糊逻辑的客户价值确定方法，其特征在于，包括：
获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
利用模糊逻辑算法确定所述行为数据的隶属度；
基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
2.根据权利要求1所述的基于模糊逻辑的客户价值确定方法，其特征在于，
所述获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据包括：
获取待分析客户的原始行为数据；
在所述原始行为数据中提取R指标、F指标、M指标以及C指标；
对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据；
其中，所述R指标分析为：客户最近一次消费与上一次消费的时间间隔；
所述F指标为：客户在预设时间段内的购买次数；
所述M指标为：客户在预设时间段内的消费金额；
所述C指标为：客户在预设时间段内在浏览页面的点击次数。
3.根据权利要求2所述的基于模糊逻辑的客户价值确定方法，其特征在于，
所述对所述R指标、所述F指标、所述M指标以及所述C指标进行标准化处理，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据包括：
实时获取目标指标中的最大值max和最小值min；其中所述标准指标为所述R指标、所述F指标、所述M指标以及所述C指标中的任一个；
利用如下转换公式对所述目标指标进行标准化转换：
其中，max为目标指标中的最大值,min为目标指标中的最小值；x*为标准值，x为目标指标的待转换值；
依次利用所述转换公式对所述R指标、所述F指标、所述M指标以及所述C指标进行转换，得到R标准指标、F标准指标、M标准指标以及C标准指标作为行为数据。
4.根据权利要求1所述的基于模糊逻辑的客户价值确定方法，其特征在于，
所述利用模糊逻辑算法确定所述行为数据的隶属度包括：
选取计算成本较低的三角函数作为隶属函数；所述三角函数如下：
其中，b＝0.5*Max(X)；
a＝α*Max(X)，α初始值为0.25；
c＝β*Max(X)，β初始值为0.75；
当X<a时，确定隶属分类低；
当X属于[a,b]时，确定隶属分类
低，
高；
当X属于[b,c]时，确定隶属分类
高
低；
当X>c时，确定隶属分类高。
5.根据权利要求4所述的基于模糊逻辑的客户价值确定方法，其特征在于，
所述基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值包括：
在所述R指标、所述F指标、所述M指标以及所述C指标中存在三个以上指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最大值；
在所述R指标、所述F指标、所述M指标以及所述C指标中存在两个指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的平均值；
在所述R指标、所述F指标、所述M指标以及所述C指标中存在一个以下指标的隶属度分类为高的情况下，确定所述客户的火力值FS为所述R指标、所述F指标、所述M指标以及所述C指标中的最小值。
6.根据权利要求5所述的基于模糊逻辑的客户价值确定方法，其特征在于，还包括：
获取每个火力值对应的加权值；
基于以下公式得到去模糊化的量化价值输出值：
其中量化价值输出值output，δi为对应火力值的加权值；FSi为火力值。
7.根据权利要求4所述的基于模糊逻辑的客户价值确定方法，其特征在于，还包括：
获取营销效果反馈采集的量化价值与营销的样本集；
基于所述样本集定时或者定量对量化价值函数的α、β参数进行线性回归训练，得到新的α、β参数；
利用新的α、β参数更新当前的α、β参数。
8.一种基于模糊逻辑的客户价值确定装置，其特征在于，包括：
数据获取模块，用于获取待分析客户的行为数据，所述行为数据包括：消费数据和点击数据；
隶属度确定模块，用于利用模糊逻辑算法确定所述行为数据的隶属度；
模糊结果模块，用于基于预设模糊规则和所述隶属度确定模糊结果作为客户价值输出值。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于模糊逻辑的客户价值确定方法的步骤。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至7任一项所述基于模糊逻辑的客户价值确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110476880.XA CN115271282A (zh) | 2021-04-29 | 2021-04-29 | 基于模糊逻辑的客户价值确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110476880.XA CN115271282A (zh) | 2021-04-29 | 2021-04-29 | 基于模糊逻辑的客户价值确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115271282A true CN115271282A (zh) | 2022-11-01 |
Family
ID=83745563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110476880.XA Pending CN115271282A (zh) | 2021-04-29 | 2021-04-29 | 基于模糊逻辑的客户价值确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115271282A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151444A (zh) * | 2023-11-01 | 2023-12-01 | 深圳航天科创泛在电气有限公司 | 汽车充电调度方法、系统、设备及存储介质 |
| CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
-
2021
- 2021-04-29 CN CN202110476880.XA patent/CN115271282A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151444A (zh) * | 2023-11-01 | 2023-12-01 | 深圳航天科创泛在电气有限公司 | 汽车充电调度方法、系统、设备及存储介质 |
| CN117151444B (zh) * | 2023-11-01 | 2024-03-08 | 深圳航天科创泛在电气有限公司 | 汽车充电调度方法、系统、设备及存储介质 |
| CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
| CN117911085B (zh) * | 2024-03-18 | 2024-06-11 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11663493B2 (en) | Method and system of dynamic model selection for time series forecasting | |
| CN111915156B (zh) | 基于用户价值的业务推送方法、电子设备及存储介质 | |
| CN115271282A (zh) | 基于模糊逻辑的客户价值确定方法及装置 | |
| CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN110175689A (zh) | 一种概率预测的方法、模型训练的方法及装置 | |
| CN117151870A (zh) | 一种基于客群画像行为分析方法及系统 | |
| CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
| CN109993380A (zh) | 一种信息处理方法、装置和计算机可读存储介质 | |
| CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN112819256A (zh) | 一种基于注意力机制的卷积时序房价预测方法 | |
| CN114154672A (zh) | 一种用于客户流失预测的数据挖掘方法 | |
| CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
| CN117668205A (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
| CN114782123A (zh) | 一种信用评估方法及系统 | |
| CN117853158A (zh) | 基于动态量本利分析的企业运营数据预测方法及装置 | |
| CN118134630A (zh) | 信用风险等级评估方法、装置及电子设备 | |
| CN114066405A (zh) | 数据处理方法及装置 | |
| CN117422374A (zh) | 基于大数据技术的食堂智能采购方法、电子设备及介质 | |
| CN117194779A (zh) | 基于人工智能的营销系统优化方法、装置及设备 | |
| CN109784748B (zh) | 一种市场竞争机制下用户用电行为辨识方法及装置 | |
| CN111026863A (zh) | 客户行为预测方法、装置、设备及介质 | |
| CN115186179A (zh) | 保险产品推送方法和装置 | |
| CN113256404A (zh) | 数据处理方法及装置 | |
| CN116843203B (zh) | 服务接入处理方法、装置、设备、介质及产品 |
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 |