CN115953166A - 基于大数据智能匹配的客户信息管理方法及系统 - Google Patents
基于大数据智能匹配的客户信息管理方法及系统 Download PDFInfo
- Publication number
- CN115953166A CN115953166A CN202211688664.2A CN202211688664A CN115953166A CN 115953166 A CN115953166 A CN 115953166A CN 202211688664 A CN202211688664 A CN 202211688664A CN 115953166 A CN115953166 A CN 115953166A
- Authority
- CN
- China
- Prior art keywords
- cluster
- client
- data
- type
- information
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 230000009467 reduction Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000005611 electricity Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003696 structure analysis method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于大数据智能匹配的客户信息管理方法及系统,包括:根据电商平台中所有客户的信息进行聚类,得到多个聚簇;识别每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户;对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数识别出每个待分类客户所属聚簇,并得到更新后的聚簇,对更新后的聚簇进行存储。本发明提高了电商平台中,对客户进行分类的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于大数据智能匹配的客户信息管理方法及系统。
背景技术
随着信息科技的发展,互联网技术逐渐拓展至金融领域,形成新的业务模式——互联网金融。互联网金融拓宽了金融服务的通道、优化了资金的配置、降低了交易成本、简化了交易程序,能够弥补传统金融的不足,满足用户多样化的需求,具代表性的便是电商平台。
电商平台中在管理的过程中往往通过对客户信息的分析,对客户进行分类,再对每类客户进行服务营销,但是,传统的根据客户信息对客户进行分类的方法是根据客户信息对客户进行一次性聚类,从而完成所有客户的分类,但是由于客户的信息较杂,一次性分类会存在误分的情况;因此,需要利用客户的信息对客户准确的进行分类。
发明内容
本发明提供基于大数据智能匹配的客户信息管理方法及系统,以解决现有的电商平台中客户分类不准确的问题。
本发明的基于大数据智能匹配的客户信息管理方法,采用如下技术方案:
获取电商平台中所有客户的信息,将每个客户的信息中的每类数据进行分级,得到每类数据的等级;
根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇;
根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户;
对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇,对更新后的聚簇进行存储。
进一步的,得到每个聚簇中不属于该聚簇的客户的方法是:
将每个聚簇中每个客户的信息作为一个向量;
将每个聚簇中所有客户的信息中,每类数据的均值组合成向量,得到对应聚簇的基准向量;
计算每个聚簇中每个客户对应的向量与对应聚簇的基准向量之间的欧式距离;
设置距离阈值;当每个聚簇中每个客户对应的向量与对应聚簇的基准向量之间的欧式距离大于距离阈值时,该客户不属于该聚簇。
进一步的,得到所有更新后的聚簇后,还包括:
当电商平台出现新客户时,将新客户的信息作为一个向量,得到新客户对应的向量;
将每个更新后的聚簇中所有客户的信息中,每类数据的均值组合成向量,得到对应更新后的聚簇的向量;
计算新客户对应的向量与每个更新后的聚簇的向量之间的余弦相似度,将新客户归类至最大余弦相似度对应的更新后的聚簇。
进一步的,确定出待分类客户所属聚簇的方法是:
将每个待分类客户对应的降维值代入每个聚簇对应的高斯函数,得到每个待分类客户对应的多个高斯函数值;
获取每个待分类客户对应的多个高斯函数值中,最大值对应的高斯函数,将该最大值对应的高斯函数所属聚簇作为待分类客户所属聚簇。
进一步的,得到每类数据的等级的方法是:
设置每类数据的等级;
按照每个客户的信息中的每类数据的数值,将每个客户的信息中的每类数据归类到该类数据的数值所属的等级,得到每类数据的等级。
进一步的,构建矩阵的方法是:
将所有客户进行排序得到每个客户对应的序号;
以每个客户对应的序号作为矩阵的列,客户每类数据的等级作为矩阵的行构建矩阵;其中,矩阵中每行数据代表每个客户的信息中的同类数据。
基于大数据智能匹配的客户信息管理系统,包括:
数据获取模块,获取平台中所有客户的信息;
数据处理模块,将每个客户的信息中的每类数据进行分级,得到每类数据的等级;
分类模块,根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇;
根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户;
对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇;
存储模块,对更新后的聚簇进行存储。
本发明的有益效果是:获取电商平台中所有客户的信息,将每个客户的信息中的每类数据进行分级,得到每类数据的等级,根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇,该过程对客户进行了初步的分类,分类过程中利用了矩阵将信息进行整理,再进行聚簇,使得所得的聚簇较为准确;根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户,为了提高每个客户分类的准确度,对初次聚类后的聚簇中的客户进行了筛选,得到了待分类客户;对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇,对更新后的聚簇进行存储,对矩阵进行降维,得到了每个客户对应的降维值,该降维值体现了每个客户最具代表的数据类型,因此利用降维值获取待分类客户所属聚簇,所得的更新后的聚簇更加准确。
附图说明
为了更清楚地说明本发明实施例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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于大数据智能匹配的客户信息管理方法的实施例的流程图;
图2为本发明的基于大数据智能匹配的客户信息管理系统的结构图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的基于大数据智能匹配的客户信息管理方法的实施例,如图1所示,包括:
S1、获取电商平台中所有客户的信息,将每个客户的信息中的每类数据进行分级,得到每类数据的等级。
从电商平台中近两年历史数据源中提取客户的信息,若历史数据源采用数据库管理系统,可以利用数据库存储过程实现客户的信息的提取,若历史数据源是Web数据库数据,提取客户的信息的方法主要有直接解析法、HTML结构分析法、数据建模法等,因此,客户信息的提取方法,实施者可根据实际情况进行选取。
可选的,客户的信息包括:客户个人信息,浏览商品信息,交易记录信息等;客户个人信息主要有:客户性别、年龄、收入、居住地区、入会员时间、电话号码、职业类别、购买力;浏览商品信息主要有:商品代号、商品类型、商品规格;交易记录信息主要有:客户序号、商品代号、交易单价、交易数量、交易金额、购买时间。
具体的客户的信息所包含的数据实施者可自行设置,优选的,本发明中客户信息为:性别,年龄,收入,入会员时间,购买力,商品代号、商品类型、商品规格,交易单价、交易数量、交易金额。其中,客户的信息所包含的每个数据为一类数据,在获取平台中所有客户的信息后,对所有客户进行排序得到每个客户对应的序号。
需要说明的是,并非所有客户都会存在本发明所要采集的信息,或者会出现客户信息不真实的情况,如客户年龄大于105岁,因此,为了避免不真实信息数据对客户群体划分精度的影响,本发明将对获取的所有客户的信息均进行初步的过滤,对于信息缺失以及明显错误、不真实的数据,利用所有客户的信息中的该类数据的均值进行填补或替换,用以获取较为完整、准确的客户的信息,因此,实施者可对客户信息中的每类数据自行设置阈值,判断客户信息中的每类数据是否真实可用,并将明显错误、不真实的数据替换为所有客户的信息中的该类数据的均值,将客户的缺失信息利用所有客户的信息中的该类数据的均值进行填补。
设置每类数据的等级;按照每个客户的信息中的每类数据的数值,将每个客户的信息中的每类数据归类到该类数据的数值所属的等级,得到每类数据的等级。
可选的,本发明所指每类数据的等级,实则是把每类数据根据数值划分到对应的阿拉伯数字,例如,客户性别男、女分别用0、1表示;对于连续性的数据比如年龄,将年龄分为[0,20],(20,30],(30,40],(40,50],50以上,分别用1、2、3、4、5来代替;设置购买力阈值,客户购买力可以划分为购买力高、购买力中等、购买力较低,分别用0,1,2来代替,其中购买力阈值可根据实际情况设置阈值进行划分,本发明不给出具体参考值;对客户收入划分区间,可自行划分,本发明不给出具体参考,将收入从低区间到高区间分别用0,1…a代替,其中a表示区间的个数;商品类型,可将每个类型用特定的数字代替;商品规格,可将每个规格用特定的数字代替;据此,实施者可将每个客户的信息中的每类数据利用阿拉伯数字代替,具体的划分过程实施者可自行设定,本发明不再赘述。此外,将每类数据转化为简单的阿拉伯数字,可降低系统计算量,提高系统计算速度。
S2、根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇。
以每个客户对应的序号作为矩阵的列,客户每类数据的等级作为矩阵的行构建矩阵;其中,矩阵中每行数据代表每个客户的信息中的同类数据。利用K-means聚类算法,对矩阵中每列数据进行聚类得到多个聚簇。其中具体聚类过程为现有公知技术,本发明不做详细阐述,可选的,K值设置为20。
S3、根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户。
优选的,将每个聚簇中每个客户的信息作为一个向量;获取每个聚簇中每个客户的信息中,每类数据的均值,将每类数据的均值组合成向量,得到对应聚簇的基准向量;计算每个聚簇中每个客户对应的向量与对应聚簇的基准向量之间的欧式距离,欧式距离越小,则认为该客户越属于该聚簇,分类准确性越高;对欧式距离进行归一化处理,设置距离阈值0.7;当每个聚簇中每个客户对应的向量,与对应聚簇的基准向量之间的欧式距离大于距离阈值时,该客户不属于当前所在的聚簇;其中,每个客户的信息中的数据均为每类数据等级。据此,可得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户。
S4、对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇,对更新后的聚簇进行存储。
为了提高客户分类的准确度,本发明对每个客户的信息中的每类数据的等级进行分析,以获取影响度较高的数据,优选的,假设矩阵的维度为n×m,其中m为客户数量,n为客户的信息中的数据类别数,对矩阵进行PCA主成分分析,可得到n个特征值,以及每个特征值对应的特征向量,特征值越大,则认为对应特征向量代表的主成分越重要,因此,获取矩阵的最大特征值,根据最大特征值对应的特征向量对矩阵进行降维,得到降维后的矩阵为1×m,即每个客户对应一个降维值,利用PCA进行矩阵降维为现有技术,本发明不再阐述。
根据每个聚簇中每个客户对应的降维值构建高斯函数,可获得K个高斯函数,将每个待分类客户对应的降维值代入每个聚簇对应的高斯函数,得到每个待分类客户对应的多个高斯函数值;获取每个待分类客户对应的多个高斯函数值中,最大值对应的高斯函数,将该最大值对应的高斯函数所属聚簇作为待分类客户所属聚簇。至此,对所有客户完成了分类,并得到更新后的聚簇,对更新后的聚簇进行存储。
此外,当电商平台出现新客户时,将新客户的信息作为一个向量,得到新客户对应的向量;将每个更新后的聚簇中所有客户的信息中,每类数据的均值组合成向量,得到对应更新后的聚簇的向量;计算新客户对应的向量与每个更新后的聚簇的向量之间的余弦相似度,将新客户归类至最大余弦相似度对应的更新后的聚簇。
基于大数据智能匹配的客户信息管理系统,如图2所示,包括:数据获取模块,获取平台中所有客户的信息;数据处理模块,将每个客户的信息中的每类数据进行分级,得到每类数据的等级;分类模块,根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇;根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户;对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇;存储模块,对更新后的聚簇进行存储。
综上所述,获取电商平台中所有客户的信息,将每个客户的信息中的每类数据进行分级,得到每类数据的等级,根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇,该过程对客户进行了初步的分类,分类过程中利用了矩阵将信息进行整理,再进行聚簇,使得所得的聚簇较为准确;根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户,为了提高每个客户分类的准确度,对初次聚类后的聚簇中的客户进行了筛选,得到了待分类客户;对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇,对更新后的聚簇进行存储,对矩阵进行降维,得到了每个客户对应的降维值,该降维值体现了每个客户最具代表的数据类型,因此利用降维值获取待分类客户所属聚簇,所得的更新后的聚簇更加准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (7)
1.基于大数据智能匹配的客户信息管理方法,其特征在于,包括:
获取电商平台中所有客户的信息,将每个客户的信息中的每类数据进行分级,得到每类数据的等级;
根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇;
根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户;
对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇,对更新后的聚簇进行存储。
2.根据权利要求1所述的基于大数据智能匹配的客户信息管理方法,其特征在于,得到每个聚簇中不属于该聚簇的客户的方法是:
将每个聚簇中每个客户的信息作为一个向量;
将每个聚簇中所有客户的信息中,每类数据的均值组合成向量,得到对应聚簇的基准向量;
计算每个聚簇中每个客户对应的向量与对应聚簇的基准向量之间的欧式距离;
设置距离阈值;当每个聚簇中每个客户对应的向量与对应聚簇的基准向量之间的欧式距离大于距离阈值时,该客户不属于该聚簇。
3.根据权利要求1所述的基于大数据智能匹配的客户信息管理方法,其特征在于,得到更新后的聚簇后,还包括:
当电商平台出现新客户时,将新客户的信息作为一个向量,得到新客户对应的向量;将每个更新后的聚簇中所有客户的信息中,每类数据的均值组合成向量,得到对应更新后的聚簇的向量;
计算新客户对应的向量与每个更新后的聚簇的向量之间的余弦相似度,将新客户归类至最大余弦相似度对应的更新后的聚簇。
4.根据权利要求1所述的基于大数据智能匹配的客户信息管理方法,其特征在于,确定出待分类客户所属聚簇的方法是:
将每个待分类客户对应的降维值代入每个聚簇对应的高斯函数,得到每个待分类客户对应的多个高斯函数值;
获取每个待分类客户对应的多个高斯函数值中,最大值对应的高斯函数,将该最大值对应的高斯函数所属聚簇作为待分类客户所属聚簇。
5.根据权利要求1所述的基于大数据智能匹配的客户信息管理方法,其特征在于,得到每类数据的等级的方法是:
设置每类数据的等级;
按照每个客户的信息中的每类数据的数值,将每个客户的信息中的每类数据归类到该类数据的数值所属的等级,得到每类数据的等级。
6.根据权利要求1所述的基于大数据智能匹配的客户信息管理方法,其特征在于,构建矩阵的方法是:
将所有客户进行排序得到每个客户对应的序号;
以每个客户对应的序号作为矩阵的列,客户每类数据的等级作为矩阵的行构建矩阵;
其中,矩阵中每行数据代表每个客户的信息中的同类数据。
7.基于大数据智能匹配的客户信息管理系统,其特征在于,包括:
数据获取模块,获取平台中所有客户的信息;
数据处理模块,将每个客户的信息中的每类数据进行分级,得到每类数据的等级;分类模块,根据每个客户的信息中的每类数据的等级构建矩阵,对矩阵中每列数据进行聚类得到多个聚簇;
根据每个聚簇中每个客户的信息中的每类数据的等级与该聚簇中每类数据的等级均值,得到每个聚簇中不属于该聚簇的客户,将每个聚簇中不属于该聚簇的客户作为待分类客户;
对矩阵进行降维,得到每个客户对应的降维值,根据每个聚簇中每个客户对应的降维值构建高斯函数,利用每个待分类客户对应的降维值及每个聚簇对应的高斯函数确定出每个待分类客户所属聚簇,并得到更新后的聚簇;
存储模块,对更新后的聚簇进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688664.2A CN115953166B (zh) | 2022-12-27 | 2022-12-27 | 基于大数据智能匹配的客户信息管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688664.2A CN115953166B (zh) | 2022-12-27 | 2022-12-27 | 基于大数据智能匹配的客户信息管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953166A true CN115953166A (zh) | 2023-04-11 |
CN115953166B CN115953166B (zh) | 2024-04-02 |
Family
ID=87285738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211688664.2A Active CN115953166B (zh) | 2022-12-27 | 2022-12-27 | 基于大数据智能匹配的客户信息管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953166B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377242A (zh) * | 2012-04-25 | 2013-10-30 | Tcl集团股份有限公司 | 用户行为分析方法、分析预测方法及电视节目推送系统 |
US20150142580A1 (en) * | 2013-11-19 | 2015-05-21 | Sears Brands, Llc | Heuristic customer clustering |
WO2016150354A1 (zh) * | 2015-03-20 | 2016-09-29 | 北京京东尚科信息技术有限公司 | 一种对电子商务平台的用户进行分类的方法及系统 |
US20180121942A1 (en) * | 2016-11-03 | 2018-05-03 | Adobe Systems Incorporated | Customer segmentation via consensus clustering |
CN109615426A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 一种基于客户聚类的营销方法、系统 |
CN113111924A (zh) * | 2021-03-26 | 2021-07-13 | 邦道科技有限公司 | 电力客户分类方法及装置 |
CN113569910A (zh) * | 2021-06-25 | 2021-10-29 | 石化盈科信息技术有限责任公司 | 账户类型识别方法、装置、计算机设备及存储介质 |
CN114187054A (zh) * | 2021-12-15 | 2022-03-15 | 芸豆数字科技有限公司 | 客户分类方法、装置及存储介质 |
CN114444846A (zh) * | 2021-12-14 | 2022-05-06 | 中国电子科技集团公司电子科学研究院 | 基于谱聚类的事故风险智能分级方法及装置 |
CN114596031A (zh) * | 2022-03-10 | 2022-06-07 | 南京邮电大学 | 基于全生命周期数据的快递终端用户画像模型 |
CN115222443A (zh) * | 2022-06-21 | 2022-10-21 | 平安科技(深圳)有限公司 | 客户群体划分方法、装置、设备及存储介质 |
-
2022
- 2022-12-27 CN CN202211688664.2A patent/CN115953166B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377242A (zh) * | 2012-04-25 | 2013-10-30 | Tcl集团股份有限公司 | 用户行为分析方法、分析预测方法及电视节目推送系统 |
US20150142580A1 (en) * | 2013-11-19 | 2015-05-21 | Sears Brands, Llc | Heuristic customer clustering |
WO2016150354A1 (zh) * | 2015-03-20 | 2016-09-29 | 北京京东尚科信息技术有限公司 | 一种对电子商务平台的用户进行分类的方法及系统 |
US20180121942A1 (en) * | 2016-11-03 | 2018-05-03 | Adobe Systems Incorporated | Customer segmentation via consensus clustering |
CN109615426A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 一种基于客户聚类的营销方法、系统 |
CN113111924A (zh) * | 2021-03-26 | 2021-07-13 | 邦道科技有限公司 | 电力客户分类方法及装置 |
CN113569910A (zh) * | 2021-06-25 | 2021-10-29 | 石化盈科信息技术有限责任公司 | 账户类型识别方法、装置、计算机设备及存储介质 |
CN114444846A (zh) * | 2021-12-14 | 2022-05-06 | 中国电子科技集团公司电子科学研究院 | 基于谱聚类的事故风险智能分级方法及装置 |
CN114187054A (zh) * | 2021-12-15 | 2022-03-15 | 芸豆数字科技有限公司 | 客户分类方法、装置及存储介质 |
CN114596031A (zh) * | 2022-03-10 | 2022-06-07 | 南京邮电大学 | 基于全生命周期数据的快递终端用户画像模型 |
CN115222443A (zh) * | 2022-06-21 | 2022-10-21 | 平安科技(深圳)有限公司 | 客户群体划分方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
于化龙;韩雪峰;: "基于改进K均值聚类的银行客户分类算法", 湘潭大学自然科学学报, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN115953166B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Conrad et al. | ELM: An extended logic matching method on record linkage analysis of disparate databases for profiling data mining | |
US6834266B2 (en) | Methods for estimating the seasonality of groups of similar items of commerce data sets based on historical sales data values and associated error information | |
US8032448B2 (en) | Detecting and measuring risk with predictive models using content mining | |
CN111445028A (zh) | Ai驱动的交易管理系统 | |
WO2022105525A1 (zh) | 预测用户概率的方法、装置和计算机设备 | |
CN106447066A (zh) | 一种大数据的特征提取方法和装置 | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN113240518A (zh) | 基于机器学习的银行对公客户流失预测方法 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
CN114610881A (zh) | 应用日志分析方法、装置、设备和存储介质 | |
CN116823496A (zh) | 基于人工智能的智能保险风险评估和定价系统 | |
Aditya et al. | Comparative study of fuzzy c-means and k-means algorithm for grouping customer potential in brand limback | |
CN114399367A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
CN117972583A (zh) | 一种基于无监督学习的数据智能分类算法 | |
CN110458581B (zh) | 商户业务周转异常的识别方法及装置 | |
CN112529712A (zh) | 用户运营分析rfm的建模方法与系统 | |
CN112256964A (zh) | 一种基于多维度数据学习的金融机构潜在客户推荐方法 | |
CN115953166A (zh) | 基于大数据智能匹配的客户信息管理方法及系统 | |
CN115237970A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
CN114266646A (zh) | 基于网联摘要计算的用户消费行为监测分析方法及系统 | |
CN112818215A (zh) | 产品数据的处理方法、装置、设备及存储介质 | |
Ahola et al. | Data mining case studies in customer profiling | |
Liu | Apriori Algorithm in K-Means Clustering of Consumer Purchases | |
CN118378180B (zh) | 一种金融大数据分析方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |