CN116091113A - 营销模型数据处理方法、系统及计算机可读存储介质 - Google Patents

营销模型数据处理方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN116091113A
CN116091113A CN202310021106.9A CN202310021106A CN116091113A CN 116091113 A CN116091113 A CN 116091113A CN 202310021106 A CN202310021106 A CN 202310021106A CN 116091113 A CN116091113 A CN 116091113A
Authority
CN
China
Prior art keywords
marketing
model
data
result
prediction result
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
CN202310021106.9A
Other languages
English (en)
Inventor
崔桂旗
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 Merchants Bank Co Ltd
Original Assignee
China Merchants Bank 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 Merchants Bank Co Ltd filed Critical China Merchants Bank Co Ltd
Priority to CN202310021106.9A priority Critical patent/CN116091113A/zh
Publication of CN116091113A publication Critical patent/CN116091113A/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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种营销模型数据处理方法、系统及计算机可读存储介质，该方法包括：获取营销信息；根据营销信息对营销对象进行数据挖掘，得到反应营销对象的多维度类目数据；基于预设的营销模型对营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。

Description

营销模型数据处理方法、系统及计算机可读存储介质
技术领域
本发明涉及营销场景领域，尤其涉及一种营销模型数据处理方法、系统及计算机可读存储介质。
背景技术
在银行业务场景下，为协助营销人员做好营销工作，通常会构建相应的营销模型。现有的模型结果反馈体系往往只提供生硬的模型结果，而在银行实际营销场景中，一些营销人员对模型尚不熟悉，缺少对模型专业知识的了解，所以当面对中后台提供的技术性模型结果往往存在一知半解，将信将疑的困惑，出现想用而又不敢用的现象，从而降低了营销模型的使用率，也降低了营销人员的营销效果。
造成上述现象的症结在于缺少对模型预测结果进行解释性的体系。因此，有必要提出一种针对营销模型预测结果解释性的体系，填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟。
当前的主流做法一般是给出模型的重要性特征，从整体去解释模型结果，但是无法从客户个人角度去解释模型结果；也有运用评分卡模型的方式来达到客户个人级别的可解释性，但是评分卡模型只用了少量的特征，无法使用大量的特征数据来构建更复杂的模型。现有的处理方式均导致营销模型的解释效果不佳，不利于提升营销效率和准确率。
发明内容
本发明的主要目的在于提供一种营销模型数据处理方法、系统及计算机可读存储介质，旨在提升营销模型的解释效果，协助营销人员准确找到营销切入点，确定营销方法，提升营销效率和准确率。
为实现上述目的，本发明提供一种营销模型数据处理方法，所述方法包括以下步骤：
获取营销信息；
根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的多维度类目数据；
基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；
基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。
可选地，所述方法还包括：
获取营销人员的反馈结果；
结合所述营销人员的反馈结果，对所述模型预测结果进行修正。
可选地，所述基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示的步骤之前还包括：
获取营销场景数据；
对所述营销场景数据进行脱敏化处理；
基于脱敏化处理后的营销场景数据，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系，其中，每个维度包括若干细分类目。
可选地，所述基于所述营销场景数据，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系的步骤包括：
基于所述营销场景数据，通过多个维度构建动态和静态结合的营销画像；
基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系。
可选地，所述基于所述营销场景数据，通过多个维度构建动态和静态结合的营销画像的步骤包括：
基于所述营销场景数据，获取多个维度的静态用户特征，基于所述静态用户特征构建静态画像；
基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像；
结合所述静态画像和动态画像构建营销画像。
可选地，所述基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像的步骤包括：
基于所述营销场景数据，获取多个维度的不同类目的动态用户特征；
对每一条动态用户特征，进行数据的全局纵向对比，计算单条数据在当前类目下在全局数据中的排名，得到单条数据在当前类目下的百分比排名；
取排名靠前的前若干条数据作为全局动态展示画像；
基于全局纵向对比得到的数据百分比，进行数据的维度内横向对比，构建动态画像。
可选地，所述基于全局纵向对比得到的数据百分比，进行数据的维度内横向对比，构建动态画像的步骤包括：
基于全局纵向对比得到的数据百分比，对每一条数据的每个维度内的类目进行筛选，去除掉无效、异常和空的类目；
对每条数据经过筛选后的每个维度内的类目进行横向对比，取类目百分比靠前的若干个类目进行展示，以此得到每个数据的不同的动态画像。
可选地，所述细分类目分为数值型和字符型，所述基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像的步骤中还包括：
对所述营销场景数据中的数值型类目，计算营销对象全局的排名百分比；
对所述营销场景数据中的字符型类目，对所述字符型类目进行转化，通过统计手段，为每个字符型类目赋予对应权重，基于所述权重计算细分类目的排名百分比。
可选地，所述基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系的步骤中包括：
基于所述营销画像构建话术体系，以对展示的类目通过专业话术进行转化处理。
可选地，所述基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系的步骤中还包括：
建立全局类目排名关系表、维度内类目排名关系表、类目映射控制关系表、话术转化处理表、模型预测结果修正表及营销人员实际结果反馈修正表，以通过各表之间的相互关联作用，构建所述模型结果解释体系。
可选地，所述基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果的步骤之前还包括：
构建所述营销模型，具体包括：
构建初始数据集；
通过所述初始数据集训练模型并进行验证，得到训练好的初始模型；
使用已训练好的初始模型对实际场景数据进行预测，得到初始模型预测结果；
将所述初始模型预测结果与实际结果进行比较，根据比较结果确定最终的初始模型预测结果；
基于所述最终的初始模型预测结果，对模型预测错误的部分数据进行分层采样，作为下一轮模型迭代的训练补充数据集；
基于所述最终的初始模型预测结果，对模型预测正确的部分数据进行分层采样，作为下一下轮模型迭代的训练数据集；
将所述训练数据集和训练补充数据集作为模型下轮迭代的数据基础，对模型进行迭代，直到满足预期停止条件，结束模型迭代，得到训练好的营销模型。
本发明实施例还提出一种营销模型数据处理系统，所述系统包括：
获取模块，用于获取营销信息；
数据挖掘模块，用于根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的多维度类目数据；
预测模块，用于基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；
解释及展示模块，用于基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。
本发明实施例还提出一种营销模型数据处理系统，所述营销模型数据处理系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的营销模型数据处理程序，所述营销模型数据处理程序被所述处理器执行时实现如上所述的营销模型数据处理方法。
本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有营销模型数据处理程序，所述营销模型数据处理程序被处理器执行时实现如上所述的营销模型数据处理方法。
本发明实施例提出的一种营销模型数据处理方法、系统及计算机可读存储介质，通过获取营销信息；根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案，着重解决业务人员在使用模型结果时所面临的困惑，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动。通过本实施例方案，可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。进一步地，还可以根据实际营销场景下的模型预测结果，再结合营销人员反馈结果对模型预测结果进行修正，将预测错误样本参与到模型的下次更新迭代中，从而可以逐步提升营销模型的准确度。
附图说明
图1为本发明营销模型数据处理装置所属终端设备的功能模块示意图；
图2为本发明营销模型数据处理方法第一实施例的流程示意图；
图3为本发明营销模型数据处理方法第二实施例的流程示意图；
图4为本发明营销模型数据处理方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决方案是：通过获取营销信息；根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案，着重解决业务人员在使用模型结果时所面临的困惑，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动。通过本实施例方案，可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。进一步地，还可以根据实际营销场景下的模型预测结果，再结合营销人员反馈结果对模型预测结果进行修正，将预测错误样本参与到模型的下次更新迭代中，从而可以逐步提升营销模型的准确度。
本发明实施例考虑到：现有的模型结果反馈体系往往只提供生硬的模型结果，而在银行实际营销场景中，一些营销人员对模型尚不熟悉，缺少对模型专业知识的了解，所以当面对中后台提供的技术性模型结果往往存在一知半解，将信将疑的困惑，出现想用而又不敢用的现象，从而降低了营销模型的使用率，也降低了营销人员的营销效果。该现象的症结在于缺少对模型预测结果进行解释性的体系。当前主流做法是给出模型的重要性特征，从整体去解释模型结果，但是无法从客户个人角度去解释模型结果；或者运用评分卡模型以达到客户个人级别的可解释性，但是评分卡模型只用了少量的特征，无法使用大量的特征数据来构建更复杂的模型。现有的处理方式均导致营销模型的解释效果不佳，不利于提升营销效率和准确率。
基于此，本发明实施例提供解决方案，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动，能够实现打消营销人员的这种困惑，提升营销模型的解释效果，协助营销人员准确找到营销切入点，确定营销方法，提升营销效率和准确率。
具体地，参照图1，图1为本发明营销模型数据处理装置所属终端设备的功能模块示意图。该营销模型数据处理装置可以为独立于终端设备的装置，其可以通过硬件或软件的形式承载于终端设备或系统上。该终端设备可以为手机、平板电脑等智能移动终端，还可以为服务器等网络设备。
在本实施例中，该营销模型数据处理装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及营销模型数据处理程序；输出模块110可为显示屏、扬声器等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
其中，作为一种实施例方式，存储器130中的营销模型数据处理程序被处理器执行时实现以下步骤：
获取营销信息；
根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；
基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；
基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
获取营销人员的反馈结果；
结合所述营销人员的反馈结果，对所述模型预测结果进行修正。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
获取营销场景数据；
基于所述营销场景数据，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系，其中，每个维度包括若干细分类目。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
对所述营销场景数据进行脱敏化处理。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
基于所述营销场景数据，通过多个维度构建动态和静态结合的营销画像；
基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
基于所述营销场景数据，获取多个维度的静态用户特征，基于所述静态用户特征构建静态画像；
基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像；
结合所述静态画像和动态画像构建营销画像。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
基于所述营销场景数据，获取多个维度的不同类目的动态用户特征；
对每一条动态用户特征，进行数据的全局纵向对比，计算单条数据在当前类目下在全局数据中的排名，得到单条数据在当前类目下的百分比排名；
取排名靠前的前若干条数据作为全局动态展示画像；
基于全局纵向对比得到的数据百分比，进行数据的维度内横向对比，构建动态画像。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
基于全局纵向对比得到的数据百分比，对每一条数据的每个维度内的类目进行筛选，去除掉无效、异常和空的类目；
对每条数据经过筛选后的每个维度内的类目进行横向对比，取类目百分比靠前的若干个类目进行展示，以此得到每个数据的不同的动态画像。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
对所述营销场景数据中的数值型类目，计算营销对象全局的排名百分比；
对所述营销场景数据中的字符型类目，对所述字符型类目进行转化，通过统计手段，为每个字符型类目赋予对应权重，基于所述权重计算细分类目的排名百分比。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
基于所述营销画像构建话术体系，以对展示的类目通过专业话术进行转化处理。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
建立全局类目排名关系表、维度内类目排名关系表、类目映射控制关系表、话术转化处理表、模型预测结果修正表及营销人员实际结果反馈修正表，以通过各表之间的相互关联作用，构建所述模型结果解释体系。
进一步地，存储器130中的营销模型数据处理程序被处理器执行时还实现以下步骤：
构建所述营销模型，具体包括：
构建初始数据集；
通过所述初始数据集训练模型并进行验证，得到训练好的初始模型；
使用已训练好的初始模型对实际场景数据进行预测，得到初始模型预测结果；
将所述初始模型预测结果与实际结果进行比较，根据比较结果确定最终的初始模型预测结果；
基于所述最终的初始模型预测结果，对模型预测错误的部分数据进行分层采样，作为下一轮模型迭代的训练补充数据集；
基于所述最终的初始模型预测结果，对模型预测正确的部分数据进行分层采样，作为下一下轮模型迭代的训练数据集；
将所述训练数据集和训练补充数据集作为模型下轮迭代的数据基础，对模型进行迭代，直到满足预期停止条件，结束模型迭代，得到训练好的营销模型。
本实施例通过上述方案，具体通过获取营销信息；根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案，着重解决业务人员在使用模型结果时所面临的困惑，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动。通过本实施例方案，可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。进一步地，还可以根据实际营销场景下的模型预测结果，再结合营销人员反馈结果对模型预测结果进行修正，将预测错误样本参与到模型的下次更新迭代中，从而可以逐步提升营销模型的准确度。
基于上述终端设备架构但不限于上述架构，提出本发明方法实施例。
参照图2，图2为本发明营销模型数据处理方法第一实施例的流程示意图。
如图2所示，本发明实施例提出的一种营销模型数据处理方法，所述方法包括以下步骤：
步骤S101，获取营销信息；
本实施例方法主要应用于银行业务等营销场景，也可以应用于其他业务的营销场景，本实施例以银行业务的营销场景进行举例，但并不对此构成限制。
首先，获取实际的营销信息，该营销信息可以包括各个营销对象(即客户)的行为数据、相关固定信息(比如营销对象的年龄、性别、教育程度等基础属性信息)、收入情况、代发情况、信贷情况等。
步骤S102，根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；
对具体营销对象进行数据挖掘，得到能够有效反应营销对象的多维度类目数据。
其中，多维度类目数据的维度可以包括：营销对象的年龄、性别、教育程度等基础属性信息，收入情况，代发情况，信贷情况等。
步骤S103，基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；
本实施例预先基于样本数据集构建有营销模型，通过营销模型可以对输入的营销数据进行预测，得到营销场景下的模型预测结果。
步骤S104，基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。
由于现有的模型结果反馈体系往往只提供生硬的模型结果，而在银行实际营销场景中，一些营销人员对模型尚不熟悉，缺少对模型专业知识的了解，所以当面对中后台提供的技术性模型结果往往存在一知半解，将信将疑的困惑，出现想用而又不敢用的现象，从而降低了营销模型的使用率，也降低了营销人员的营销效果。
本实施例引入模型结果解释体系来对模型预测结果进行解释，得到不同维度下的营销突出类目并展示给营销人员，从而可以平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的
本实施例通过上述方案，具体通过获取营销信息；根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案，着重解决业务人员在使用模型结果时所面临的困惑，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动。
进一步地，所述方法还包括：获取营销人员的反馈结果；结合所述营销人员的反馈结果，对所述模型预测结果进行修正，从而一方面可以提供更准确的营销结果，另一方面还可以将预测错误样本参与到模型的下次更新迭代中，以达到逐步提升模型准确度的目的。
参照图3，图3为本发明营销模型数据处理方法第二实施例的流程示意图。
如图3所示，本发明实施例基于上述图2所示的实施例，在上述步骤S104，基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示之前(图3中以在步骤S101之前进行举例)还包括：
步骤S1002，获取营销场景数据；
步骤S1003，基于所述营销场景数据，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系，其中，每个维度包括若干细分类目。
相比上述图2所示的实施例，本实施例还包括构建模型结果解释体系的技术方案。
具体地，作为一种实施方式，首先，获取各种营销场景数据。
营销场景数据可以从各种网络平台或业务平台获取。营销场景数据作为构建模型结果解释体系的基础数据，可以包括：各种营销对象的行为数据、相关固定信息(比如营销对象的年龄、性别、教育程度等)。
其中，作为一种实施方式，在获取各种营销场景数据后，可以对各种营销场景数据进行脱敏化处理，以提高数据的安全性，以及后续数据处理的精准性。
然后，基于所述营销场景数据，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系。
针对实际营销场景，在结果可解释性方面，通过对营销场景数据进行脱敏化处理后，通过多个维度(维度的数量可以根据需要设定，比如5个维度)构建画像，每个维度下又有若干细分类目(比如40个)，以此构建二级模型结果解释性体系。其中，细分类目包括各种用户特征。
其中，以5个维度包括40个细分类目为例，5个维度可以包括：用户的年龄、性别、教育程度、收入情况、代发情况。
将40个左右的细分类目分为数值型和字符型两类，针对数值型类目计算营销对象全局的排名百分比，越大说明该类目下，营销对象优势愈发明显。针对字符型类目，对其进行转化，通过统计手段，为每个值赋予对应权重，并基于权重对各细分类目计算排名百分比；
然后，针对5个维度类目，根据营销对象的实际情况对每个维度内的细分类目百分比进行动态排名，分值越高排名越靠前，由此称为维度内类目重要度排名，根据排名结果，在前端页面解析进行动态类目展示。
其中，进行动态类目展示是考虑到用户行为每天会变化，对应的排名结果也会变化，因此，根据排名结果动态进行展示。
具体地，作为一种实施方式，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系的步骤可以包括：
基于所述营销场景数据，通过多个维度构建动态和静态结合的营销画像；
基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系。
其中，所述基于所述营销场景数据，通过多个维度构建动态和静态结合的营销画像的步骤可以包括：
基于所述营销场景数据，获取多个维度的静态用户特征，基于所述静态用户特征构建静态画像；
其中，静态画像主要是一些较长时间内不会改变的固化信息，其分散在上述各个维度中。
基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像；
其中，动态画像主要包括随时间变化且容易发生变化的信息，其特征同样分散在上述各个维度中。在可解释性体系中，动态画像的构建通过选取百分比排名的大小而确定。
然后，结合静态画像和动态画像构建营销画像。
进一步地，可以通过全局特征对比和维度内特征对比两种方式构建动态画像，具体实现如下：
首先，基于所述营销场景数据，获取多个维度的不同类目的动态用户特征；
对每一条动态用户特征，进行数据的全局纵向对比，计算单条数据在当前类目下在全局数据中的排名，得到单条数据在当前类目下的百分比排名；
取排名靠前的前若干条数据作为全局动态展示画像；
基于全局纵向对比得到的数据百分比，进行数据的维度内横向对比，构建动态画像。即通过全局纵向对比得到的百分比排名进一步作为维度内横向对比的数据基础。
数据的维度内横向对比通过全局纵向对比得到的数据百分比进行计算，具体步骤包括：
基于全局纵向对比得到的数据百分比，对每一条数据的每个维度内的类目进行筛选，去除掉无效、异常和空的类目；
对每条数据经过筛选后的每个维度内的类目进行横向对比，取类目百分比靠前的若干个类目进行展示，以此得到每个数据的不同的动态画像。
举例如下：
若客户有20个细分类目(即20个用户特征)，将20个细分类目进行分类，比如分成五个类，即五个维度。
全局纵向对比是指:针对客户的20个细分类目，将每个细分类目的得分做一个对比，即20个细分类目进行对比，得到排名百分比；
维度内横向对比是指：将20个细分类目进行分类，比如分成五个类，即五个维度，对每个维度内的各细分类目进行对比。
本实施例通过上述方案，具体通过构建模型结果解释体系，获取营销信息；根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的多维度类目数据；基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案，着重解决业务人员在使用模型结果时所面临的困惑，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动。通过本实施例方案，可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。进一步地，还可以根据实际营销场景下的模型预测结果，再结合营销人员反馈结果对模型预测结果进行修正，将预测错误样本参与到模型的下次更新迭代中，从而可以逐步提升营销模型的准确度。
进一步地，作为一种实施方式，还可以基于营销画像构建话术体系，以对展示的类目通过专业话术进行转化处理。即基于对模型数据挖掘结果进行解释的静态和动态画像构建一套话术体系，对展示的类目通过专业话术进行转化处理。
进一步地，在基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系的步骤中还可以包括以下方案：
建立全局类目排名关系表、维度内类目排名关系表、类目映射控制关系表、话术转化处理表、模型预测结果修正表及营销人员实际结果反馈修正表，以通过各表之间的相互关联作用，构建所述模型结果解释体系。
通过本实施例方案，构建全局类目排名关系表、维度内类目排名关系表、类目映射控制关系表、话术转化处理表、模型预测结果修正表及营销人员实际结果反馈修正表，通过各表之间的相互关联作用，构建模型结果解释体系，可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。进一步地，还可以根据实际营销场景下的模型预测结果，再结合营销人员反馈结果对模型预测结果进行修正，将预测错误样本参与到模型的下次更新迭代中，从而可以逐步提升营销模型的准确度。
参照图4，图4为本发明营销模型数据处理方法第三实施例的流程示意图。
如图4所示，本发明实施例基于上述图3所示的实施例，在上述步骤S103，基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果之前还包括：
步骤S1001，构建所述营销模型。
相比上述图3所示的实施例，本实施例还包括构建营销模型的方案。
通过构建一套完整的模型训练和迭代方法，以达到不断优化模型，提高模型准确率的目的。
具体地，可以采用如下方案训练迭代构建营销模型：
步骤1，构建初始数据集；
其中，作为一种实施方式，可以通过人工经验和规则构建初始数据集。
步骤2，通过所述初始数据集训练模型并进行验证，得到训练好的初始模型；
步骤3，使用已训练好的初始模型对实际场景数据进行预测，得到初始模型预测结果；
比如，使用已训练好的模型预测下一个月的营销结果。
步骤4，将所述初始模型预测结果与实际结果进行比较，根据比较结果确定最终的初始模型预测结果；
具体地，可以对全量数据进行预测，根据初始模型预测结果与实际结果进行比较，取初始模型预测结果和实际结果较高的那个，作为预测出的最终初始模型预测结果。
其中，实际结果是通过一定规则处理得到的结果；对全量数据进行预测是对系统里已存在的所有用户进行预测。
其中，初始模型预测结果和实际结果对比的原因是为了防止模型异常检测而采取的兜底策略，避免出现明显的错误预测结果。
步骤5，基于所述最终的初始模型预测结果，对模型预测错误的部分数据进行分层采样，作为下一轮模型迭代的训练补充数据集，用以让模型更加专注于预测错误的样本；
步骤6，基于所述最终的初始模型预测结果，对模型预测正确的部分数据进行分层采样，作为下一下轮模型迭代的训练数据集；
其中，分层采样是指对不同等级客户，以不同数量进行采样。
比如，对一级用户，采样10万个数据，对二级用户，采样20万个数据。
步骤7，将所述训练数据集和训练补充数据集作为模型下轮迭代的数据基础，对模型进行迭代。
步骤8，重复上述步骤3-步骤7，直到满足预期停止条件，结束模型迭代，得到训练好的营销模型。
其中，预期停止的条件可以是预先设置的迭代轮次或损失函数的值等，迭代轮次或损失函数的值达到预设条件，则可以终止迭代，得到训练好的营销模型。
本实施例通过上述方案，具体通过构建营销模型以及模型结果解释体系，获取营销信息；根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的多维度类目数据；基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案，着重解决业务人员在使用模型结果时所面临的困惑，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动。通过本实施例方案，可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。进一步地，还可以根据实际营销场景下的模型预测结果，再结合营销人员反馈结果对模型预测结果进行修正，将预测错误样本参与到模型的下次更新迭代中，从而可以逐步提升营销模型的准确度。
进一步地，基于上述方案，还可以构建二维关系数据库，通过二维关系数据库来存储相关信息，比如存储用户相关信息、模型预测结果等，以此作为后续训练和迭代模型的数据基础。
此外，本发明实施例还提出一种营销模型数据处理系统，所述系统包括：
获取模块，用于获取营销信息；
数据挖掘模块，用于根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的多维度类目数据；
预测模块，用于基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；
解释及展示模块，用于基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。
本实施例实现营销模型数据处理的原理，可以参照上述各实施例，在此不再赘述。
此外，本发明实施例还提出一种营销模型数据处理系统，所述营销模型数据处理系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的营销模型数据处理程序，所述营销模型数据处理程序被所述处理器执行时实现如上述实施例所述的营销模型数据处理方法。
本实施例实现营销模型数据处理的原理，可以参照上述各实施例，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有营销模型数据处理程序，所述营销模型数据处理程序被处理器执行时实现如上述实施例所述的营销模型数据处理方法。
本实施例实现营销模型数据处理的原理，可以参照上述各实施例，在此不再赘述。
相比现有技术，本发明实施例提出的一种营销模型数据处理方法、系统及计算机可读存储介质，通过获取营销信息；根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的多维度类目数据；基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。本发明方案，着重解决业务人员在使用模型结果时所面临的困惑，通过结合具体业务场景，构建一整套完善可解释性强的模型结果解释性体系，通过前端页面直观动态展示不同维度下的营销突出类目，使得业务人员据此结合模型预测结果及自身经验判断针对性对开展营销活动。通过本实施例方案，可以填平模型背后较为复杂的数学原理与对模型尚不熟悉的业务人员之间技术鸿沟，帮助业务人员在具体使用场景中通过模型预测结果、自身经验及模型结果解释性体系多个维度，准确找到营销切入点，确定营销方法，以达到提升营销效率、营销准确率和营销下限的目的。进一步地，还可以根据实际营销场景下的模型预测结果，再结合营销人员反馈结果对模型预测结果进行修正，将预测错误样本参与到模型的下次更新迭代中，从而可以逐步提升营销模型的准确度。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台推荐效果评价系统(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本发明每个实施例的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (14)

1.一种营销模型数据处理方法，其特征在于，所述方法包括以下步骤：
获取营销信息；
根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；
基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；
基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取营销人员的反馈结果；
结合所述营销人员的反馈结果，对所述模型预测结果进行修正。
3.根据权利要求2所述的方法，其特征在于，所述基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示的步骤之前还包括：
获取营销场景数据；
对所述营销场景数据进行脱敏化处理；
基于脱敏化处理后的营销场景数据，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系，其中，每个维度包括若干细分类目。
4.根据权利要求3所述的方法，其特征在于，所述基于脱敏化处理后的营销场景数据，通过多个维度构建对模型预测结果进行直观解释的画像体系，得到模型结果解释体系的步骤包括：
基于所述营销场景数据，通过多个维度构建动态和静态结合的营销画像；
基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系。
5.根据权利要求4所述的方法，其特征在于，所述基于所述营销场景数据，通过多个维度构建动态和静态结合的营销画像的步骤包括：
基于所述营销场景数据，获取多个维度的静态用户特征，基于所述静态用户特征构建静态画像；
基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像；
结合所述静态画像和动态画像构建营销画像。
6.根据权利要求5所述的方法，其特征在于，所述基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像的步骤包括：
基于所述营销场景数据，获取多个维度的不同类目的动态用户特征；
对每一条动态用户特征，进行数据的全局纵向对比，计算单条数据在当前类目下在全局数据中的排名，得到单条数据在当前类目下的百分比排名；
取排名靠前的前若干条数据作为全局动态展示画像；
基于全局纵向对比得到的数据百分比，进行数据的维度内横向对比，构建动态画像。
7.根据权利要求6所述的方法，其特征在于，所述基于全局纵向对比得到的数据百分比，进行数据的维度内横向对比，构建动态画像的步骤包括：
基于全局纵向对比得到的数据百分比，对每一条数据的每个维度内的类目进行筛选，去除掉无效、异常和空的类目；
对每条数据经过筛选后的每个维度内的类目进行横向对比，取类目百分比靠前的若干个类目进行展示，以此得到每个数据的不同的动态画像。
8.根据权利要求7所述的方法，其特征在于，所述细分类目分为数值型和字符型，所述基于所述营销场景数据，获取多个维度的动态用户特征，基于所述动态用户特征，通过全局特征对比和维度内特征对比构建动态画像的步骤中还包括：
对所述营销场景数据中的数值型类目，计算营销对象全局的排名百分比；
对所述营销场景数据中的字符型类目，对所述字符型类目进行转化，通过统计手段，为每个字符型类目赋予对应权重，基于所述权重计算细分类目的排名百分比。
9.根据权利要求8所述的方法，其特征在于，所述基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系的步骤中包括：
基于所述营销画像构建话术体系，以对展示的类目通过专业话术进行转化处理。
10.根据权利要求9所述的方法，其特征在于，所述基于所述营销画像获得对模型预测结果进行直观解释的模型结果解释体系的步骤中还包括：
建立全局类目排名关系表、维度内类目排名关系表、类目映射控制关系表、话术转化处理表、模型预测结果修正表及营销人员实际结果反馈修正表，以通过各表之间的相互关联作用，构建所述模型结果解释体系。
11.根据权利要求1-10中任一项所述的方法，其特征在于，所述基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果的步骤之前还包括：
构建所述营销模型，具体包括：
构建初始数据集；
通过所述初始数据集训练模型并进行验证，得到训练好的初始模型；
使用已训练好的初始模型对实际场景数据进行预测，得到初始模型预测结果；
将所述初始模型预测结果与实际结果进行比较，根据比较结果确定最终的初始模型预测结果；
基于所述最终的初始模型预测结果，对模型预测错误的部分数据进行分层采样，作为下一轮模型迭代的训练补充数据集；
基于所述最终的初始模型预测结果，对模型预测正确的部分数据进行分层采样，作为下一下轮模型迭代的训练数据集；
将所述训练数据集和训练补充数据集作为模型下轮迭代的数据基础，对模型进行迭代，直到满足预期停止条件，结束模型迭代，得到训练好的营销模型。
12.一种营销模型数据处理系统，其特征在于，所述系统包括：
获取模块，用于获取营销信息；
数据挖掘模块，用于根据所述营销信息对营销对象进行数据挖掘，得到反应营销对象的营销多维度类目数据；
预测模块，用于基于预设的营销模型对所述营销多维度类目数据进行预测，得到营销场景下的模型预测结果；
解释及展示模块，用于基于预先构建的模型结果解释体系对所述模型预测结果进行解释，得到不同维度下的营销突出类目并展示。
13.一种营销模型数据处理系统，其特征在于，所述营销模型数据处理系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的营销模型数据处理程序，所述营销模型数据处理程序被所述处理器执行时实现如权利要求1至12中任一项所述的营销模型数据处理方法。
14.一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上存储有营销模型数据处理程序，所述营销模型数据处理程序被处理器执行时实现如权利要求1至12中任一项所述的营销模型数据处理方法。
CN202310021106.9A 2023-01-06 2023-01-06 营销模型数据处理方法、系统及计算机可读存储介质 Pending CN116091113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310021106.9A CN116091113A (zh) 2023-01-06 2023-01-06 营销模型数据处理方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310021106.9A CN116091113A (zh) 2023-01-06 2023-01-06 营销模型数据处理方法、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116091113A true CN116091113A (zh) 2023-05-09

Family

ID=86203942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310021106.9A Pending CN116091113A (zh) 2023-01-06 2023-01-06 营销模型数据处理方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116091113A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703469A (zh) * 2023-08-03 2023-09-05 北京未来聚典信息技术有限公司 一种基于生成模型的营销活动优化推广方法及系统
CN117291649A (zh) * 2023-11-27 2023-12-26 云南电网有限责任公司信息中心 一种集约化的营销数据处理方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703469A (zh) * 2023-08-03 2023-09-05 北京未来聚典信息技术有限公司 一种基于生成模型的营销活动优化推广方法及系统
CN117291649A (zh) * 2023-11-27 2023-12-26 云南电网有限责任公司信息中心 一种集约化的营销数据处理方法及系统
CN117291649B (zh) * 2023-11-27 2024-02-23 云南电网有限责任公司信息中心 一种集约化的营销数据处理方法及系统

Similar Documents

Publication Publication Date Title
WO2020077824A1 (zh) 异常问题的定位方法、装置、设备及存储介质
US10147037B1 (en) Method and system for determining a level of popularity of submission content, prior to publicizing the submission content with a question and answer support system
CN110070391B (zh) 数据处理方法、装置、计算机可读介质及电子设备
US10565525B2 (en) Collaborative filtering method, apparatus, server and storage medium in combination with time factor
EP3623956A1 (en) Method and apparatus for obtaining recommendation information, and electronic device
US9218568B2 (en) Disambiguating data using contextual and historical information
US20160217472A1 (en) Method and system for pro-active detection and correction of low quality questions in a question and answer based customer support system
CN116091113A (zh) 营销模型数据处理方法、系统及计算机可读存储介质
CN109300050A (zh) 基于用户画像的保险推送方法、装置及存储介质
US11748452B2 (en) Method for data processing by performing different non-linear combination processing
US20220138770A1 (en) Method and apparatus for analyzing sales conversation based on voice recognition
US20210279622A1 (en) Learning with limited supervision for question-answering with light-weight markov models
CN113015010B (zh) 推送参数确定方法、装置、设备及计算机可读存储介质
CN113360622A (zh) 用户对话信息的处理方法、装置及计算机设备
CN113641767A (zh) 实体关系抽取方法、装置、设备及存储介质
CN112559868B (zh) 信息召回方法、装置、存储介质及电子设备
CN107729424B (zh) 一种数据可视化方法及设备
CN112270350A (zh) 组织机构的画像方法、装置、设备及存储介质
KR20210009266A (ko) 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
US11727209B2 (en) Systems for role classification
CN115186179A (zh) 保险产品推送方法和装置
WO2019000051A1 (en) DATA ANALYSIS METHOD AND LEARNING SYSTEM
JP7536048B2 (ja) コンピュータプログラム、情報処理装置、及び情報処理方法
CN117235366B (zh) 基于内容关联性的协同推荐方法及系统
US20170221004A1 (en) Using job poster value in job recommendations

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