CN116324832A

CN116324832A - 预测智能

Info

Publication number: CN116324832A
Application number: CN202080101992.0A
Authority: CN
Inventors: S·M·马克劳林
Original assignee: Delauren Artificial Intelligence Co ltd
Current assignee: Delauren Artificial Intelligence Co ltd
Priority date: 2020-05-26
Filing date: 2020-05-26
Publication date: 2023-06-23
Also published as: US20230177537A1; EP4154209A4; EP4154209A1; WO2021242223A1; MX2022014681A

Abstract

一种方法包括：接收容纳在一个或多个计算机系统中的历史数据，该历史数据包括结构化数据和非结构化数据；将该历史数据存储在中央数据库中；根据主题聚合中央数据库中的历史数据；验证经聚合历史数；使用一系列工具分析经验证经聚合历史数据，从所分析的经验证经聚合历史数据中生成第一计算机系统中的正常简档；将所生成的正常简档存储为参照数据集；接收容纳在一个或多个计算机系统中的实时数据；将该实时数据与参照数据集进行比较以标识正常简档和正常简档；以及基于用于调查的参数来为不正常简档生成基于规则的结果。

Description

预测智能

发明背景

本发明一般涉及数据建模，并且更具体地涉及预测智能。

一般而言，如今的商业正在寻找更智能的方式来精简他们的现有销售操作过程并改进转化率。例如，商业注重追逐具有更高转化和收益率变化的机会，缩短销售周期而不损害转化几率，并且降低赢得交易和正在进行的操作的成本。

发明概要

以下给出本发明的简化摘要，以便提供对本发明的一些方面的基本理解。本发明内容不是本发明的广泛概览。其既不旨在识别本发明的关键或关键要素，也不旨在界定本发明的范围。它的唯一目的是以简化的形式呈现本发明的一些概念，作为稍后呈现的具体实施方式的序言。

通常，在一个方面，本发明的特征为一种方法，包括：在第一计算机系统中接收容纳在一个或多个互连的计算机系统中的历史数据，该历史数据包括结构化数据和非结构化数据；将历史数据存储在驻留在网络中的所述第一计算机系统中的中央数据库中，根据主题聚合第一计算机系统中的中央数据库中的历史数据，验证第一计算机系统中的经聚合历史数据，使用一系列工具分析第一计算机系统中的经验证经聚合历史数据，从所分析的经验证经聚合历史数据生成第一计算机系统中的正常简档，将所生成的正常简档存储为参照(horizon)数据集，接收容纳在第一计算机系统中的互连计算机系统中的一个或多个中的实时数据，将实时数据与参照数据集进行比较以标识正常简档和不正常简档，以及基于用于调查的参数为不正常简档来生成基于规则的结果。

在另一方面中，本发明的特征在于一种系统，该系统包括处理器、存储器、数据存储，该存储器包括操作系统和预测过程，该预测过程包括接收容纳在一个或多个互连计算机系统中的历史数据，该历史数据包括结构化数据和非结构化数据，将历史数据存储在数据存储中，根据主题聚合数据存储中的历史数据，验证经聚合历史数据，使用一系列工具分析经验证经聚合历史数据，根据所分析的经验证经聚合历史数据中生成正常简档，将所生成的正常简档存储为参照数据集，从互连计算机系统中的一个或多个计算机系统接收实时数据，将实时数据与参照数据集进行比较以识别正常简档和不正常简档，以及基于用于调查的参数为不正常简档生成基于规则的结果。通过阅读以下详细说明和审查相关联的附图，这些以及其他特征和优点将显而易见。应当理解，前面的一般性描述和下面的详细描述两者仅是示例性，并且不限制所要求保护的各方面。

附图的简要说明

参考以下描述、所附权利要求书以及附图将能更好地理解本发明的这些和其他特征、方面以及优点，其中：

图1是示例性网络的框图。

图2是示例性服务器的框图。

图3是流程图。

图4是流程图。

图5解说了示例性CRM框架。

图6解说了摄取数据的一些示例性类型。

图7解说了下一最佳行动的示例。

详细描述

现在参考附图描述主题创新，其中相同的附图标记始终用于指代相同的元素。在以下描述中，出于解释的目的阐述了众多特定细节以便提供对本发明的透彻理解。然而，可能明显的是，可以在没有这些具体细节的情况下实践本发明。在其他情况下，以框图形式示出了公知的结构和设备，以便有助于描述本发明。

如图1所示，示例性网络10包括局域网(LAN)12和到互连计算机的网络16(例如，互联网)的链路14。LAN 12包括一个或多个服务器系统18、20和22。尽管仅示出了三个服务器18、20、22，但LAN 12可包括任何数量的服务器。服务器18、20、22均使用有线和/或无线通信彼此链接。在示出的示例中，服务器18通过链路14与互连计算机的网络16通信。链路14可以是有线的和/或无线的。

服务器系统18、20、22中的每一者和网络16中的互连计算机中的每一者包括至少处理器、存储器和数据存储。数据存储可包括公共和/或私有信息的存储库。

如图2中所示，服务器系统18例如包括处理器50、存储器52和存储单元54。存储器52至少包括操作系统(OS)56(诸如

或/>

)和预测过程100，在下文全面描述。

如图3中所示，预测过程100包括接收(102)容纳在第一计算机系统中的一个或多个互连计算机系统中的历史数据。互连计算机系统可包括例如云系统、数据集市、数据湖泊、智能数据湖泊、数据海洋等。历史数据还可以包括从链接到网络的其他计算机系统接收的数据。

所接收的数据可以包括例如结构化数据和非结构化数据。一般而言，结构化数据是驻留在记录或文件内的固定字段中的数据。一般来说，非结构化数据是不具有预定义数据模型的数据或不以预定义方式组织的数据。

所接收的数据可以包括例如内部和外部数据。此外，当N足够大时，可以合并“厚”数据。可以购买或“收获”外部数据，意味着其从数字化世界中刮除。

预测过程100将历史数据存储(104)在驻留在网络中的第一计算机系统中的中央数据库中。在其他实施例中，历史数据可被存储(104)在例如云系统、数据集市、数据湖、智能数据湖、数据海洋等中。

预测过程100聚合(106)第一计算机系统中的中央数据库中的历史数据。聚合(106)允许引用待分析的一个主题的多个数据源。

预测过程100验证(108)第一计算机系统中的经聚合历史数据。

预测过程100使用一系列分析、人工智能或数据科学工具来分析(110)第一计算机系统中的经验证的经聚合历史数据。分析、人工智能或数据科学工具可以包括文本挖掘、自然语言处理(NLP)、自然语言利用(NLU)、自然语言生成(NLG)、机器学习(例如，受监督和无监督的)、基因编程、进化编程、深度学习、神经网络、计算机视觉和音频声音识别中的一个或多个。

预测过程100从所分析的经验证经聚合历史数据生成(112)第一计算机系统中的正常简档。正常简档表示可由数学模式、可重复行为、特性、路径、公共变量、因果事件、风险群集和投资者回报(ROI)群集等定义的潜在群组的数学模型。潜在组可以是例如客户、患者、消费者、工人等。正常简档可以包括子简档，诸如举例而言，纽约州、康涅狄格州和马萨诸塞州的客户。

预测过程100存储(114)将所生成的正常简档存储(114)为历史参照(horizon)数据集。历史参照数据集表示目标行业的简档，诸如举例而言消费者、患者、医生、销售人员、销售交易等。

预测过程100接收(116)容纳在第一计算机系统中的互连计算机系统中的一个或多个中的实时数据。实时数据对于各种行业可以是不同的。例如，在金融服务交易中，实时是毫秒，对于制药行业，实时是每天，对于时尚行业趋势，实时是季度。在此，我们将实时数据视为决策时间数据。决策时间数据是被分析和量化以基于行业和/或客户的需要以及可以获取和摄取数据的速度来生成洞察和预测的数据。

预测过程100将实时数据与历史参照数据集进行比较(118)以识别正常简档和非正常简档。

预测过程100基于风险、财务、操作、质量和用于调查的其他业务或行业参数来生成(120)正常简档和非正常简档的基于规则的和/或预测结果。

预测过程100将正常简档或非正常简档引入(122)到理论场景中，并且使用(124)所引入的正常曲线来预测理论场景的可能结果。使用(124)所引入的正常简档和/或非正常简档来预测理论场景的可能结果可以包括将正常简档的数学简档与理论场景的场景事件数据和变量进行匹配。使用(124)可以包括干预阶段，其中最佳行动导致缓解、干预或增强事件和/或将来交互的概率。

一旦过程100完成，并且人们理解什么是正常的以及什么不是正常的数学模型，人们然后可以使用历史参照数据集中的这些数学模型作为“镜像”来比较实时/决策时间到来的数据，以查看其是否匹配正常参数内的简档或者它们是否落在正常范围之外。落在正常数学模型之外的那些简档然后可以被标记用于进一步分析。基于这些分析，过程100利用机器人处理自动化(RPA)基于用于调查的风险参数来实现基于规则的结果。这些简档可以基于较低的风险或规则被分流成预定结果或者直接被分流成人为干预。此外，如果存在落在正常之外的事物，则针对差异以及那些差异如何影响新生行业参数以预测将发生什么结果来建模这些简档。

确定将来的事件是否将以一定概率发生是过程100可以实现的内容。一旦过程100具有曾经扩展历史参照数据集的实时数据以及对该数据流的实时分析的流通，则过程100就能够理解和分析数学简档将在用理论数据变量构建的不同类型的场景环境内如何交互。过程100理解简档如何以及什么简档被呈现在场景中，以及当被呈现到场景中时它将如何交互。因此，如果简档被引入到理论场景中，则过程100可用已知概率来预测其结果。场景数据越多且数据越丰富，概率的有效性的精度就越高。

过程100可以包括攻击算法，其被类比为婴儿猎犬。这些攻击算法在沙箱中产生，并且被训练为“捕猎”或识别特定的数学简档，就像猎狗被训练为学习猎物的气味一样。一旦攻击算法被训练，它们就可以被释放到数字化的世界，并且当它们标识它们被训练以识别的数学简档时，则它们警示该识别并触发预测或分析。

解释攻击算法的另一类比是要将简档考虑为具有代表具有数据点的变量的某些细胞膜蛋白的细胞。攻击算法是已经被开发以标识那些蛋白质并且锁定用于标识免疫系统的抗体。该类比中的免疫系统是方法100。攻击算法基本上是高度聚焦的以简档为中心的高级网络爬行器/挖掘器。

一旦事件被预测在将来发生，企业或组织就可以确定该事件是好还是坏以及其是否将对该组织具有积极或消极影响。过程100的干预阶段使得组织能够改变事件将发生的概率。如果确定该事件具有负面结果，则该组织可以选择拉动杠杆或采取预防性行动以便减轻该事件的影响。如果事件对操作是肯定的，则组织可以采取步骤以提高事件的概率。

当过程100将到来数据的数学简档与场景事件数据和变量匹配，并且确定将来发生事件的概率时，基于该变量对发生的事件贡献多少来给予场景变量权重。干预阶段全部关于如何拉动某些杠杆或如何改变这些变量以减轻或增强未来事件。在数据科学和人工智能咨询中，这被称为“下一最佳行动”。因为过程100知道什么影响事件，所以过程100可以生成详述什么变量正在影响发生以及通过什么权重和对它们的重要性划分优先级的报告。根据该优先化处理100可以推荐或采取将改变预测事件的结果的行动。

例如，客户关系管理(CRM)是管理公司与当前和潜在客户的交互的办法。现在参考图4，示出了CRM的示例性销售漏斗进展。过程100可以数学地对存在于不同阶段(A至F)中的每个阶段中的交易以及销售漏斗的阶段(G至M)之间的向前和向后的进展进行建模。此外，过程100可以表征和模拟在特定阶段(N到Q)失败或退出漏斗的那些交易，并且更有力地，过程100可以确定与退出或输的那些交易和进展到下一阶段并最终获胜的那些交易有什么不同。退出交易以及进展并获胜交易之间的分类和差异增量产生下一最佳行动的列表或机会，以保存那些交易或改变办法，以便它们可移动到销售漏斗中的下一阶段，以及那些下一最佳行动如何个别地可按概率增加每个行动项目的进展和/或获胜的机会。

如可能想象的，除了CRM之外，预测过程100还可被用于许多领域，诸如举例而言，医疗保健，其中预测过程100可被用于对实时医疗管理、疾病进展、索赔、支付完整性等进行建模。

预测过程100可在面向客户时使用，例如如何标识客户、数学地建模客户是谁、如何在正确的时间在正确的渠道(例如，电子邮件、电话、邮件、应用等)中用正确的消息联系客户以驱动转换等等。

预测过程100可被用于获取和保留正确的客户。

预测过程100可以在生命科学中使用，例如患者和开处方者标识。

预测过程100可被用于石油和天然气行业中，例如如何标识什么自然资源领域最有利和如何以最高效和有利的方式发展。

预测过程100可与商品、股票和金融工具一起使用，例如以预测未来的价格和交易价值。

通过一个非限制性示例，以下描述了在CRM环境中使用预测过程100。

如图5中所示，解说了示例性CRM框架200，其描绘了来自通过四条分析脉络(即，结构化数据、受监督学习、无监督学习和情感分析)的数据采集的过程。结果是交易赢/输概率，其中，如果交易没有赢，则它将失败，并且可采取什么下一最佳行动以增加赢的概率。

从CRM系统的后端收获结构化数据和非结构化数据两者的数据。结构化数据的示例是客户人口统计、交易日、阶段日、销售人员、分类等。结构化数据是输入到用于CRM基本或可定制的特定报头或预定字段中的任何东西。非结构化数据包括但不限于特定字段中的自由文本笔记、会议笔记、跟进笔记、会议邀请、接受和相关联电子邮件、与交易有关的电子邮件、上传的文档、上传的演示文稿和任何其他潜在文件(诸如，PDFTM文件、ExcelTM文件等)。图6解说了摄取数据的示例性类型。数据被放置在数据库中并且随后在两条脉络(即，结构化和非结构化)中进行分析。

聚合结构化数据并且创建主数据文件。根据参照数据对每个时期或阶段进行数学建模。然后从非结构化数据中丰富数据。机器学习被用于确定赢/输预测分类器。机器学习被用于确定从一个阶段到下一阶段以及在什么方向上处理运动分类器的概率。机器学习导致关键交易进展驱动器和场景数据变量，以及采取什么下一最佳行动。在图7中解说了下一最佳行动的示例，其中在预测未来的交易事件中加权的场景数据变量和潜在的下一最佳行动以改善交易赢利率和通过销售漏斗的进展。归因建模有助于揭示不同的干预杠杆如何聚合在一起以在每个交易或在客户/账户级别上(直接或间接地)驱动/增加总交易转换概率或交易TCV。

非结构化数据分析通常包括三个分支，即，无监督学习、有监督学习和情感分析。收获诸如自由文本笔记、电子邮件和/或文件之类的非结构化数据源，然后解析和提取非结构化数据，清除数据，然后将数据向量化。从这一点，自动准备的数据然后被分成无监督的和有监督的分析脉络。然后，非结构化数据被处理成群集，这些群集随后按每个阶段和阶段之间的进展被数学地建模。该过程的结果是基于非结构化文本和文档给出关于交易存在于或转换的CRM过程中的什么阶段的概率的能力。一旦数学建模了不同阶段群集，就分析非结构化数据以用于情感分析。结果确定文档和/或电子邮件的情感是正面的(获胜概率)还是负面的(失败概率)。最后，基于每个销售阶段和/或转换的群集的无监督学习结果和数学模型，对已经被净化、解析和向量化的非结构化数据进行标记。在已经实现这一点之后，基于每个销售阶段和转换阶段的分段和表征来训练机器学习神经网络模型，这允许非结构化数据的关于目前分配了什么阶段的自动分类和概率参考。无监督的、有监督的和情感的分析结果的总和被馈送给结构化数据的数据富集中，用于进一步的机器学习建模。四条分析脉络(即，结构化的、无监督的学习、有监督的学习和情感分析)给出了以下最终结果：

学习和情绪分析给出了最终结果：

1.获胜/失败概率

2.关键交易进展驱动器

3.下一最佳阶段预测

4.最终交易阶段预测

5.实时交易方向性预测

6.下一最佳销售代表

7.下一最佳能力

8.交易间隔分析

9.交易转换和干预/推荐

如上所述，本发明能够通过利用结构化数据和非结构化数据，对沿着销售漏斗的客户/交易的进展进行预测建模。

本发明标识控制沿着销售漏斗的客户/交易的进展的因素。本发明预测新客户/交易的最终状态(目标)概率以及新客户/新交易可进展到什么阶段(沿着漏斗)(如果目标状态概率不利)。本领域技术人员将领会，在不脱离本发明的精神的情况下，可以对所解说的实施例进行各种变化和修改。除受所附权利要求书的范围限制外，所有此类修改和变更均应在本发明的范围内。

Claims

1.一种方法，包括：

在互连计算机系统的网络中，接收容纳在第一计算机系统中的一个或多个互连计算机系统中的历史数据，所述历史数据包括结构化数据和非结构化数据；

将所述历史数据存储在驻留在所述网络中的所述第一计算机系统中的中央数据库中；

根据主题聚合所述第一计算机系统中的所述中央数据库中的所述历史数据；

验证所述第一计算机系统中的经聚合历史数据；

使用一系列工具分析所述第一计算机系统中的经验证的经聚合历史数据；

根据所分析的经验证的经聚合历史数据生成所述第一计算机系统中的正常简档；

将所生成的正常简档存储为参照数据集；

接收容纳在所述第一计算机系统中的所述互连计算机系统中的一个或多个计算机系统中的实时数据；

将所述实时数据与所述参照数据集进行比较以标识正常简档和非正常简档；以及

基于用于调查的参数来生成针对所述非正常简档的基于规则的结果。

2.如权利要求1所述的方法，其特征在于，所述一系列工具包括数据科学工具、分析工具和人工智能工具中的一者或多者。

3.如权利要求1所述的方法，其特征在于，所述用于调查的参数包括风险参数、财务参数、操作参数、质量参数、业务参数和行业参数中的一者或多者。

4.如权利要求1所述的方法，其特征在于，接收历史数据进一步包括从链接至所述网络的其他计算机系统接收的结构化和非结构化数据。

5.如权利要求4所述的方法，其特征在于，所述结构化数据包括驻留在记录或文件内的固定字段中的数据。

6.如权利要求5所述的方法，其特征在于，所述非结构化数据包括不具有预定义数据模型的数据或不以预定义方式组织的数据。

7.如权利要求1所述的方法，其特征在于，所述工具包括文本挖掘、自然语言处理(NLP)、自然语言利用(NLU)、自然语言生成(NLG)、机器学习(受监督和无监督的)、基因编程、进化编程、深度学习、神经网络、计算机视觉和音频声音识别中的一个或多个。

8.如权利要求7所述的方法，其特征在于，所述正常简档表示目标行业。

9.如权利要求8所述的方法，其特征在于，所述正常简档是通过数学模式、可重复行为、特性、路径、公共变量、因果事件、风险群集和投资者回报(ROI)群集中的一个或多个来定义的。

10.如权利要求9所述的方法，其特征在于，实时数据被定义为决定时间数据。

11.如权利要求10所述的方法，其特征在于，决定时间数据包括被分析和量化以基于行业需要来生成洞察和预测的数据。

12.如权利要求11所述的方法，其特征在于，进一步包括：

将正常简档或非正常简档引入到理论场景中；以及

使用所引入的正常简档或非正常简档以预测所述理论场景的可能结果。

13.如权利要求12所述的方法，其特征在于，使用所引入的正常简档来预测所述理论场景的可能结果包括将所述正常简档的数学简档与所述理论场景的场景事件数据和变量进行匹配。

14.一种系统，包括：

处理器；

存储器；

数据存储；

所述存储器包括操作系统和预测过程，所述预测过程包括：

接收容纳在一个或多个互连计算机系统中的历史数据，所述历史数据包括结构化数据和非结构化数据；

将所述历史数据存储在所述数据存储中；

根据主题将所述历史数据聚合在所述数据存储中；

验证经聚合历史数据；

使用一系列工具来分析经验证的经聚合历史数据；

根据所分析的经验证的经聚合历史数据生成正常简档；

将所生成的正常简档存储为参照数据集；

从所述互连计算机系统中的一个或多个计算系统接收实时数据；

15.如权利要求14所述的系统，其特征在于，所述一系列工具包括数据科学工具、分析工具和人工智能工具中的一者或多者。

16.如权利要求14所述的系统，其特征在于，所述用于调查的参数包括风险参数、财务参数、操作参数、质量参数、业务参数和行业参数中的一者或多者。