CN115687299A - 基于大数据的用户营销管理方法及系统 - Google Patents

Abstract

本发明公开了基于大数据的用户营销管理方法及系统，该系统包括：多模型融合用户信息处理组件，用于对用户信息利用算法进行处理，得到计算结果；用户调度全过程组件，用于实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接；大数据模型理论协调组件，用于提供人工筛选算法和用户基本信息预处理算法；系统综合管理组件，用于将不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；用户协调场景选择组件，用于在不同的场景下进行用户信息的调度方式的选择，本发明解决了用户行业营销中业务场景关联少等问题，对用户行业数字化及智能化发展有着重要作用。

Description

基于大数据的用户营销管理方法及系统

技术领域

本发明涉及电信营销领域，尤其涉及基于大数据的用户营销管理方法及系统。

背景技术

大数据、人工智能与用户融合是电信行业“新基建”的时代；核心之一，更是用户企业智能化产业升级的重大需求。目前用户企业积累了丰富的信息资源，但是面临着信息种类多、结构复杂、行业知识联系不紧密、业务场景关联少等问题。大数据技术可以将海量用户信息流程化处理及快速提取，人工筛选算法可以将信息进行专业化融合以及精准挖掘，因此亟需开展大数据人工智能技术在用户领域的创新研究，研制面向用户领域营销自动决断平台，形成基于不同模型下的用户信息体的流水线式汇聚、集成、处理与融合的集成框架，融合基于大数据和人工智能的多场景营销调控预测技术，实现用户工业的数字化、智能化转型以及用户企业的降本增效。

在数字化时代，用户行业用户调度领域长期执行着在IT时代编制的一种信息业务模型，称之为POSC，一直作为用户信息建设和信息管理系统的信息业务模型执行，处理着信息与业务的运行关系。

但是在用户调度开发中，现有的IT架构已经不能适应营销需求，面临着信息种类多、结构复杂、行业知识联系不紧密、业务场景关联少等问题。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供基于大数据的用户营销管理方法及系统。本发明所采用的技术方案是，本发明提供如下技术方案：

一方面，提供了基于大数据的用户营销管理方法及系统，所述系统包括：

多模型融合用户信息处理组件，用于对用户信息利用算法进行处理，得到计算结果；

用户调度全过程组件，用于实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接；

大数据模型理论协调组件，用于提供人工筛选算法和用户基本信息预处理算法；

系统综合管理组件，用于将不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；

用户协调场景选择组件，用于在不同的场景下进行用户信息的调度方式的选择。

在一种可选的实施例中，所述用户调度决策组件包括：

信息采集组件，用于提供包括5G信号传输、边缘网络服务、信息保存、信息分类、信息计算、信息编码；

信息处理组件，用于为处理海量不同模型下的用户信息体并提供信息运行环境；

信息综合组件，包括信息筛查、异常信息剔除以及信息评估；

服务实时更新组件，用于用户协调过程中的配套服务；

大众流量使用组件，用于对大众流量使用情况进行统计及预测。

在一种可选的实施例中，所述多模型融合用户信息处理组件包括

基础信息库，用于数据库用户领域基础信息；

基础用户大数据分类区，用于对数据库的用户领域基础信息进行分类打包；

异常信息剔除，用于根据用户行业已有的信息标准以及自定义标准对异常信息进行剔除；

信息通道管理区，用于直接提取所述基础信息库中的信息，以及对外开放信息服务通道，使所述系统根据需求快速调用所述基础信息库中的信息。

在一种可选的实施例中，所述用户调度全过程组件包括：

用户前段营销自动决断组件，用于实现从用户营销、用户传送、参数配置、用户分配、自动决断一体化筛选算法服务；

用户中段数据库用户营销组件，用于中段服务人员以及管理人员掌握用户的实时信息，为用户储运提供指导；

用户后段数据库用户分配组件，用于根据用户后段用户设施管理、用户需求、用户供应、大众流量使用量进行用户传送，实现用户输送的统一指导；

系统维护与控制组件，用于维护系统中的所有参数的正常运行，以及维护系统的稳定。

在一种可选的实施例中，所述大数据模型理论协调组件包括：

由卷积神经网络算法以及决策树算法构成的人工融合算法库，

基于用户调度场景匹配的融合算法库。

在一种可选的实施例中，所述系统综合管理组件包括：

系统原始参数设定、系统更新参数设定、系统账号登录、系统定时维护、系统链接匹配、系统规模扩展、系统接口组成、系统后台更改与系统前端更改。

在一种可选的实施例中，所述用户前段营销自动决断组件包括：用户管理参数优化组件，新增用户目标智能决策组件，系统蓄能组件，系统规模组件，系统参数设定组件，用户流量传送组件，用户产能智能标定组件，用户转化效率组件。

在一种可选的实施例中，所述用户中段数据库用户营销组件包括：营销效率组件、用户分配组件、数据库管理组件以及用户传输线组件。

在一种可选的实施例中，所述用户后段数据库用户分配组件包括用户设施智慧管理组件、市场需求智能分析组件、用户供应用户传送组件、用户基础设施建设指导组件、用户分布组件以及用户管道管理组件。

另一方面，提供了基于大数据的用户营销管理方法，所述方法包括：

步骤S1：通过多模型融合用户信息处理组件根据用户行业已有的信息标准以及自定义标准对异常信息进行剔除、清洗补全、关联融合后，放入信息库或信息池中；

步骤S2：基于专家知识对用户前、中、后段业务进行全面的梳理，分析不同场景下信息的关联关系，建立用户信息知识图谱，将所有梳理的业务进行汇聚并构建业务架构；

步骤S3：集成传统数值模拟方法以及经典卷积神经网络算法方法，并可以根据不同应用场景自定义搭建融合物理约束的卷积神经网络算法模型，并通过大数据模型理论协调组件根据特定信息和特定业务进行智能计算；

步骤S4：通过系统综合管理组件对不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；

步骤S5：根据智能计算的结果通过用户协调场景选择组件在不同的场景下进行用户信息的调度方式的选择；

步骤S6：通过用户调度全过程组件实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接。

本发明实施例提供的上述技术方案的有益效果如下：

本发明实施例提供的系统，通过多模型融合用户信息处理组件建立了不同模型下的用户信息体的流水线式汇聚、集成、处理与融合的集成框架，实现信息种类多、结构复杂的用户领域信息一体化治理；通过用户调度全过程组件实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接，增强行业知识紧密联系；通过大数据模型理论协调组件融合了基于大数据和人工智能的多场景营销调控预测技术，并形成了面向用户领域知识图谱以及不同场景下模型端到端无代码的自定义开发模式，提供人工筛选算法和用户基本信息预处理算法；通过系统综合管理组件，将不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；通过用户协调场景选择组件，在不同的场景下进行用户信息的调度方式的选择，解决了用户行业营销中业务场景关联少等问题，通过上述模块配合实现对用户领域的营销进行自动决断。本发明实施例提供的系统对用户行业数字化及智能化发展有着重要作用，实现了降本增效的目的。

附图说明

图1为本发明第一系统结构图；

图2为本发明第二系统结构图；

图3为本发明第三系统结构图；

图4为本发明第四系统结构图；

图5为本发明第五系统结构图；

图6为本发明方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和有具体实施例对本申请作进一步详细说明。

如图1所示，基于大数据的用户营销管理系统，

请一并参见图1－图5，本发明实施例提供了基于大数据的用户营销管理方法及系统，系统包括：

多模型融合用户信息处理组件，用于对用户信息利用算法进行处理，得到计算结果。

用户调度全过程组件，用于实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接。

大数据模型理论协调组件，用于提供人工筛选算法和用户基本信息预处理算法。

系统综合管理组件，用于将不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控。

用户协调场景选择组件，用于在不同的场景下进行用户信息的调度方式的选择。

本发明实施例提供的上述技术方案的有益效果如下：

本发明实施例提供的系统，通过多模型融合用户信息处理组件建立了不同模型下的用户信息体的流水线式汇聚、集成、处理与融合的集成框架，实现信息种类多、结构复杂的用户领域信息一体化治理；通过用户调度全过程组件实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接，增强行业知识紧密联系；通过大数据模型理论协调组件融合了基于大数据和人工智能的多场景营销调控预测技术，并形成了面向用户领域知识图谱以及不同场景下模型端到端无代码的自定义开发模式，提供人工筛选算法和用户基本信息预处理算法；通过系统综合管理组件，将不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；通过用户协调场景选择组件，在不同的场景下进行用户信息的调度方式的选择，解决了用户行业营销中业务场景关联少等问题，通过上述模块配合实现对用户领域的营销进行自动决断。本发明实施例提供的系统对用户行业数字化及智能化发展有着重要作用，实现了降本增效的目的。

以下通过可选的实施例进一步解释和描述本发明实施例提供的系统。

在一种可选的实施例中，用户调度决策组件包括：

信息采集组件，用于提供包括5G信号传输、边缘网络服务、信息保存、信息分类、信息计算、信息编码。

信息采集组件包括中国科技云云服务器，满足Windows、Linux以及 Unix操作系统环境，提供包括5G信号传输、边缘网络服务、信息保存、信息分类、信息计算、人工智能计算与信息服务等多项基础设施资源服务。

信息处理组件，用于为处理海量不同模型下的用户信息体并提供信息运行环境。

信息处理组件包括大数据全栈组件管理系统，利用Hadoop分布式数据库为基础，以Apache Spark和Storm为混合计算框架，结合Piflow等信息流处理系统，构建了处理海量不同模型下的用户信息体的信息处理组件。

需要说明的是，Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和数据库。

信息综合组件，包括信息筛查、异常信息剔除以及信息评估。

需要说明的是，信息综合组件为基于大数据的用户营销管理方法及系统的核心，包含信息筛查、异常信息剔除以及信息评估。

进一步地，信息筛查采集的信息的来源是开放知识信息，包括通过用户专业领域信息库(Oracle、Mysql，SQL等)、用户数值模拟软件 (matlab、CMG、Eclipse等)以及用户物联网(Scada等)，监测实验信息，包括能够提取结构化信息如动态营销信息以及地震反演信息；非结构化信息，如用户曲线以及数字岩心图片，半结构信息如地震解释以及用户报告等，形成用户大数据分类区，数值模拟信息等。

异常信息剔除主要对不同模型下的用户信息体进行信息清洗和信息融合，利用局部清洗、全局清洗及统计学方法对缺失、异常信息进行清洗，通过建立面向用户领域的专业知识图谱对清洗后的信息进行关联融合，形成核心的研究信息库、方法库、成果库以及专家知识库。

信息计算主要包括了基于Hadoop中Ma pRed uce的信息批处理计算、Sparkstreaming流处理计算、自主开发的卷积神经网络算法算法库及用户数值模拟方法库，可以实现用户海量信息的批处理/流处理与离线/ 实时计算。

服务实时更新组件，用于用户协调过程中的配套服务。

服务实时更新组件是用户协调过程中的配套服务模块。

在一种可选的实施例中，服务实时更新组件包括用户上游营销开发组件，用户中段数据库用户营销组件，用户后段智慧销售组件，管理组件。

用户上游营销开发组件，包含了储层物性预测、用户产能标定、用户流量预测、参数配置等适用于现场开发人员的应用模块，实现对用户营销开发方面的针对性指导。用户后段智慧销售组件，包含了用户基础用户设施管理、用户供应预测及价格分析等模块，是面向用户后段销售及市场分析人员的专业化微服务应用；管理组件，专门针对APP前端用户输送平台的大众用户连接，对于不同部门与职务人员进行定制化管理以及权限分配，包括用户管理、角色管理、系统公告以及租户管理等。同时服务实时更新组件还有专门的API服务调用接口，用于对接用户专家系统或者租户体验系统等。

大众流量使用组件是面向机关单位、研究人员以及管理人员，实现不同人员对平台微服务功能以及用户信息使用。

大众流量使用组件，用于对大众流量使用情况进行统计及预测。作为一种示例，包括机关单位、研究人员和管理人员等。

在一种可选的实施例中，多模型融合用户信息处理组件包括：基础信息库，用于数据库用户领域基础信息。

用户领域营销决策平台底层接入基础信息库，包括高校用户科研信息库、用户公司专业信息库、用户公司专业信息库以及经济评估信息库，信息库类型涵盖Oracle、Mysql，SQL等。

基础用户大数据分类区，用于对数据库的用户领域基础信息进行分类打包。

异常信息剔除，用于根据用户行业已有的信息标准以及自定义标准对异常信息进行剔除。

异常信息剔除根据用户行业已有的信息标准以及自定义标准对异常信息进行剔除，并利用全局清洗算法搜索信息中缺失和异常问题，并进行信息的补全和除噪，将清洗过的信息通过各自的质量评估体系进行评估，评估不合格的信息需要根据其所属领域和信息特点进行二次清洗，直至通过信息评估，以此来提升信息质量。接着，以清洗后的信息实体为节点，以实体之间的关系作为边，通过专家的经验知识构建了面向用户领域的知识图谱，建立了用户领域的图信息库。

信息通道管理区，用于直接提取基础信息库中的信息，以及对外开放信息服务通道，使系统根据需求快速调用基础信息库中的信息。

信息通道管理区可以直接提取基础信息库中的信息，并对外开放信息服务通道，应用层中各个模块可以根据自己需求快速调用基础信息接口。最后，应用层包含了微服务应用、算法调用、可视化服务以及对外服务，可以直接调用通过了信息质量评估的核心信息、用户知识图谱构建的图信息库以及基础用户大数据分类区。多模型融合用户信息处理组件实现了信息采集－清洗－提取－融合的一体化信息治理体系。

在一种可选的实施例中，用户调度全过程组件包括：

用户前段营销自动决断组件，用于实现从用户营销、用户传送、参数配置、用户分配、自动决断一体化筛选算法服务。

在一种可选的实施例中，用户前段营销自动决断组件包括：用户管理参数优化组件，新增用户目标智能决策组件，系统蓄能组件，系统规模组件，系统参数设定组件，用户流量传送组件，用户产能智能标定组件，用户转化效率组件。

用户前段营销自动决断组件主要包含了八个集成好的算法模块，每个功能模块下包含了对应各个不同场景的筛选算法及应用实例，形成从用户营销－用户传送－参数配置－用户分配－自动决断一体化筛选算法服务体系。

用户中段数据库用户营销组件，用于中段服务人员以及管理人员掌握用户的实时信息，为用户储运提供指导。

在一种可选的实施例中，用户中段数据库用户营销组件包括：营销效率组件、用户分配组件、数据库管理组件以及用户传输线组件。用户中段数据库用户营销组件面向中段服务人员以及管理人员，能够掌握用户从采集、运输、接收的实时信息，为用户储运提供指导。

用户后段数据库用户分配组件，用于根据用户后段用户设施管理、用户需求、用户供应、大众流量使用量进行用户传送，实现用户输送的统一指导。

在一种可选的实施例中，用户后段数据库用户分配组件包括用户设施智慧管理组件、市场需求智能分析组件、用户供应用户传送组件、用户基础设施建设指导组件、用户分布组件以及用户管道管理组件。

用户后段数据库用户分配组件通过用户基础用户设施管理可以了解发系统及城市燃气的详细信息，基于基础信息用于市场价格智能分析以及用户供应用户传送，实现用户贸易智慧指导。

系统维护与控制组件，用于控制不同用户面向系统中每个模块的操作权限。

系统维护与控制组件主要包含了用户管理、角色管理、部门管理、职务管理、租户管理以及信息字典，可以控制不同部门以及职务的人员对基于大数据的用户营销管理方法及系统各模块的操作权限，从而使得上游开发人员、下段销售人员、系统测试人员以及系统租赁人员操作各自领域的模块而互不干扰。

在一种可选的实施例中，大数据模型理论协调组件包括：

由卷积神经网络算法以及决策树算法构成的人工融合算法库。

大数据模型理论协调组件面向用户领域物理规律与AI的集成算法图，主要由两部分组成，一部分是由卷积神经网络算法以及决策树算法构成的人工融合算法库，其中卷积神经网络算法库是基于Python环境，通过sklearn、keras、TensorFlow等学习库直接调用支撑向量机、随机森林、神经网络、朴素贝叶斯等筛选算法；经典算法则是基于matlab和Python语言，自主开发了有限元、有限差分和有限体积等经典算法，同时也能调用已经集成好的算法如有限元、有限体积、有限差分、Kriging差值、三次样条插值以及函数拟合等。

基于用户调度场景匹配的融合算法库。

基于用户调度场景匹配的筛选算法，核心思想是以卷积神经网络算法算法(支撑向量机、随机森林、决策树、人工神经网络、Xgboost、K近邻、朴素贝叶斯等)为基础，将决策树算法中的控制方程、边界条件、初始条件作为约束，以构建新的损失函数的形式融入到卷积神经网络算法算法中，基于上述算法的开发模式，建立了储层物性用户传送、用户产能智能标定、压裂效果智能评价等特色算法。除此之外，考虑到用户领域人员的编程能力，建立了端到端的无代码操作平台，将人工筛选算法以及定制化算法集成封装成结构化的算法模块(H5、PTH、T7、PKL、MAT等格式)，通过拖拽式的方式进行调用，前端通过点击拖拽图标触发算法事件，后端根据前端响应自动搭建模型，实现算法的快速组装与流水线调用模式。

在一种可选的实施例中，系统综合管理组件包括：

系统原始参数设定、系统更新参数设定、系统账号登录、系统定时维护、系统链接匹配、系统规模扩展、系统接口组成、系统后台更改与系统前端更改。

进一步地，系统综合管理组件采用云原生构架下的Docker技术，将营销运营信息、筛选算法、智能服务构件库等进行容器化封装，主要是包括分布式数据库、缓存读写、接口认证、统一认证、访问控制、服务控制、设备服务、用户服务、分析接口等，形成应用程序部署的独立组件，实现高水平资源隔离；采用云原生架构下的Kubernetes技术进行全过程的协调与监控，将容器组织成组，并且提供容器间的负载均衡，可实现随时扩展或收缩容器规模，采用滚动发布功能，在应用不停机的情况下将应用程序从一个环境提升到另一个环境，形成分布式模型输出、读取和利用的云原生模型管理。以“功能即服务”为落脚点，通过松耦合方式，采用云原生架构下的Dapr框架，将接口认证、网站认证、访问控制、路由控制、融合算法库、设备服务、知识服务、模型服务按照业务能力进行组织、分离，可以更轻松的更新代码，彼此独立的进行缩放，实现微服务化应用的快速构建和协调调用。

在一种可选的实施例中，用户协调场景选择组件，用于在不同的场景下进行用户信息的调度方式的选择。

用户登录平台后可以通过本地上传、在线导入以及网络爬虫三种方式获取所需信息集，上传的信息会暂时保存在后台信息库中，并赋予特定的标签编码，基于大数据的用户营销管理方法及系统考虑到用户各个行业信息以及算法的复杂性，构建了模型编辑器，在编辑器上导入所需的信息，选择对应的信息清洗算法来提高信息质量，基于封装好的算法构件库通过拖拽的形式来在不同的场景下进行用户信息的调度方式的选择，通过图形化的方式更好的帮助用户建立复杂的自主学习模型，通过可视化技术可以看到模型的输出结果以及应用效果，自主搭建好的模型也可以进行流程化封装，方便下次一键式调用，同时这些定制化算法模型具有API接口，可以允许其他软件进行调用，内部信息也可以通过Url进行访问。

如图6所示，提供了基于大数据的用户营销管理方法，方法包括：

步骤S1：通过多模型融合用户信息处理组件根据用户行业已有的信息标准以及自定义标准对异常信息进行剔除、清洗补全、关联融合后，放入信息库或信息池中；

步骤S2：基于专家知识对用户前、中、后段业务进行全面的梳理，分析不同场景下信息的关联关系，建立用户信息知识图谱，将所有梳理的业务进行汇聚并构建业务架构；

步骤S3：集成传统数值模拟方法以及经典卷积神经网络算法方法，并可以根据不同应用场景自定义搭建融合物理约束的卷积神经网络算法模型，并通过大数据模型理论协调组件根据特定信息和特定业务进行智能计算；

步骤S4：通过系统综合管理组件104对不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；

步骤S5：根据智能计算的结果通过用户协调场景选择组件在不同的场景下进行用户信息的调度方式的选择；

步骤S6：通过用户调度全过程组件实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接。

本发明实施例提供的方法囊括了用户上游营销开发、中段储运集输和下段营销销售各个模块，流程化自动化处理不同模型下的用户信息，提高了管理人员和服务人员你的工作效率。

提出了针对不同模型下的用户信息的治理体系，能够打破行业壁垒，高效整合来自不同机构不同类型的信息库，并进行信息标准化、清洗及融合，根据专家经验建立用户领域知识图谱，实现了信息采集-清洗-提取- 融合的一体化信息治理体系，加强了行业知识的融合。

提出了针对用户领域的平台业务架构，将用户上游营销模块、中段输运模块、下段销售模块以及平台内部的系统管理模块进行了一体化集成，形成了完整的一站式服务模式，从整体提高了管理人员的决策能力。

提出了面向用户领域的大数据模型理论协调组件，不但将卷积神经网络算法和决策树算法集成到了人工融合算法库，还将两种算法进行了深度结合，形成了基于不同场景下的特色算法，构建了用户领域特色算法构件库，实现了无代码的封装调用模式，提高了科研人员的建模效率。

提出了用户上中下段各模块的容器化封装与自动化管理模式，将用户信息运营、筛选算法调用和特色算法展示容器化封装和独立化部署，实现微服务化应用的快速构建和协调调用，加强了应用层的可扩展性和移植性。

提出了模型自定义开发模式，利用平台内部算法库以及面向用户领域知识图谱信息，形成了拖拽式流程化的模型编辑器，提高了开发人员的工作效率。

在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (10)

1.基于大数据的用户营销管理系统，其特征在于，该系统包括：

多模型融合用户信息处理组件，用于对用户信息利用算法进行处理，得到计算结果；

用户调度全过程组件，用于实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接；

大数据模型理论协调组件，用于提供人工筛选算法和用户基本信息预处理算法；

系统综合管理组件，用于将不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；

用户协调场景选择组件，用于在不同的场景下进行用户信息的调度方式的选择。

2.根据权利要求1所述的基于大数据的用户营销管理系统及，其特征在于，所述用户调度决策组件包括：

信息采集组件，用于提供包括5G信号传输、边缘网络服务、信息保存、信息分类、信息计算、信息编码；

信息处理组件，用于为处理海量不同模型下的用户信息体并提供信息运行环境；

信息综合组件，包括信息筛查、异常信息剔除以及信息评估；

服务实时更新组件，用于用户协调过程中的配套服务；

大众流量使用组件，用于对大众流量使用情况进行统计及预测。

3.根据权利要求1所述的基于大数据的用户营销管理系统，其特征在于，所述多模型融合用户信息处理组件包括基础信息库，用于数据库用户领域基础信息；

基础用户大数据分类区，用于对数据库的用户领域基础信息进行分类打包；

异常信息剔除，用于根据用户行业已有的信息标准以及自定义标准对异常信息进行剔除；

信息通道管理区，用于直接提取所述基础信息库中的信息，以及对外开放信息服务通道，使所述系统根据需求快速调用所述基础信息库中的信息。

4.根据权利要求1所述的基于大数据的用户营销管理系统，其特征在于，所述用户调度全过程组件包括：

用户前段营销自动决断组件，用于实现从用户营销、用户传送、参数配置、用户分配、自动决断一体化筛选算法服务；

用户中段数据库用户营销组件，用于中段服务人员以及管理人员掌握用户的实时信息，为用户储运提供指导。

5.根据权利要求1所述的基于大数据的用户营销管理系统，其特征在于，所述用户调度全过程组件还包括：

用户后段数据库用户分配组件，用于根据用户后段用户设施管理、用户需求、用户供应、大众流量使用量进行用户传送，实现用户输送的统一指导；

系统维护与控制组件，用于维护系统中的所有参数的正常运行，以及维护系统的稳定。

6.根据权利要求1所述的基于大数据的用户营销管理系统，其特征在于，所述大数据模型理论协调组件包括：由卷积神经网络算法以及决策树算法构成的人工融合算法库，基于用户调度场景匹配的融合算法库。

7.根据权利要求4所述的基于大数据的用户营销管理系统，其特征在于，所述用户前段营销自动决断组件包括：用户管理参数优化组件，新增用户目标智能决策组件，系统蓄能组件，系统规模组件，系统参数设定组件，用户流量传送组件，用户产能智能标定组件，用户转化效率组件。

8.根据权利要求4所述的基于大数据的用户营销管理系统，其特征在于，所述用户中段数据库用户营销组件包括：营销效率组件、用户分配组件、数据库管理组件以及用户传输线组件。

9.根据权利要求4所述的基于大数据的用户营销管理系统，其特征在于，所述用户后段数据库用户分配组件包括用户设施智慧管理组件、市场需求智能分析组件、用户供应用户传送组件、用户基础设施建设指导组件、用户分布组件以及用户管道管理组件。

10.基于大数据的用户营销管理方法，其特征在于，所述方法包括：

步骤S1：通过多模型融合用户信息处理组件根据用户行业已有的信息标准以及自定义标准对异常信息进行剔除、清洗补全、关联融合后，放入信息库或信息池中；

步骤S2：基于专家知识对用户前、中、后段业务进行全面的梳理，分析不同场景下信息的关联关系，建立用户信息知识图谱，将所有梳理的业务进行汇聚并构建业务架构；

步骤S3：集成传统数值模拟方法以及卷积神经网络算法方法，并根据不同应用场景自定义搭建融合物理约束的卷积神经网络算法模型，并通过大数据模型理论协调组件根据特定信息和特定业务进行智能计算；

步骤S4：通过系统综合管理组件对不同模型下的用户信息、大数据模型理论协调组件、用户调度信息库，进行全过程的协调与监控；

步骤S5：根据智能计算的结果通过用户协调场景选择组件在不同的场景下进行用户信息的调度方式的选择；

步骤S6：通过用户调度全过程组件实现APP前端用户输送、数据库用户营销、数据库用户分配以及大众用户连接。

Images