CN116485352B - 会员管理和数据分析的方法、装置、设备及存储介质 - Google Patents

会员管理和数据分析的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116485352B
CN116485352B CN202310735860.9A CN202310735860A CN116485352B CN 116485352 B CN116485352 B CN 116485352B CN 202310735860 A CN202310735860 A CN 202310735860A CN 116485352 B CN116485352 B CN 116485352B
Authority
CN
China
Prior art keywords
data
online
information
platform
pushing
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.)
Active
Application number
CN202310735860.9A
Other languages
English (en)
Other versions
CN116485352A (zh
Inventor
高泗俊
赵雄飞
吴国斌
黄宇星
林晓莉
张显虹
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.)
Shenzhen Oak Black Card Network Technology Co ltd
Original Assignee
Shenzhen Oak Black Card Network Technology 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 Shenzhen Oak Black Card Network Technology Co ltd filed Critical Shenzhen Oak Black Card Network Technology Co ltd
Priority to CN202310735860.9A priority Critical patent/CN116485352B/zh
Publication of CN116485352A publication Critical patent/CN116485352A/zh
Application granted granted Critical
Publication of CN116485352B publication Critical patent/CN116485352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06Q30/01—Customer relationship services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及线上会员管理领域，公开了一种会员管理和数据分析的方法、装置、设备及存储介质。所述会员管理和数据分析的方法包括：获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；本发明可在获取线上会员数据标签和评论信息数据的基础上，通过个性化推送算法，有效向线上会员推送平台会员服务，提高服务满意度和用户粘性。

Description

会员管理和数据分析的方法、装置、设备及存储介质
技术领域
本发明涉及线上会员管理领域，尤其涉及一种会员管理和数据分析的方法、装置、设备及存储介质。
背景技术
随着数字化和互联网的发展，企业和商家越来越重视与客户的互动和沟通，以实现客户关系的维护、个性化服务和营销推广。然而，当前市场上的会员管理系统往往仅专注于会员信息的收集和管理，而缺乏对会员数据进行深入分析和挖掘的能力。此外，现有技术方案无法有效识别和处理复杂的消费行为和用户访问模式。因此，需要一种新颖的会员管理和数据分析方法，以便更精细地了解客户并提供针对性的服务。
发明内容
本发明提供了一种会员管理和数据分析的方法、装置、设备及存储介质，用于解决上述提到的技术问题。
本发明第一方面提供了一种会员管理和数据分析的方法，所述会员管理和数据分析的方法包括：
获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；
根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；
对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签；其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；
针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息。
可选的，在本发明第一方面的第一种实现方式中，所述根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息，包括：
将获取的所述注册信息进行分类处理，得到第一会员数据标签；
分析会员交互行为，生成对应的行为特征数据，根据所述行为特征数据得到第二会员数据标签；
将所述第一会员数据标签和所述第二会员数据标签融合，生成会员画像，并根据所述会员画像设计不同层次的自适应问卷与表单；
将所述自适应问卷与表单推送至线上会员的账号，并根据自适应问卷与表单的回答信息提取会员关键信息。
可选的，在本发明第一方面的第二种实现方式中，所述将所述第一会员数据标签和所述第二会员数据标签融合，生成会员画像，并根据所述会员画像设计不同层次的自适应问卷与表单，包括：
将所述第一会员数据标签与所述第二会员数据标签进行关联匹配，得到关联匹配后的第三数据标签，并通过所述第三数据标签获取各个线上会员之间的共同属性要素；
通过聚类算法对具有共同属性要素的会员进行分组，并根据不同的分组设计定制化的问卷与表单；
将所述第三数据标签的重要性和相关性作为不同的指标，计算相应的指标权重，并基于所述指标权重，对各个所述第三数据标签进行融合，生成完整的会员画像；
根据所述会员画像以及所述定制化的问卷与表单设计不同层次的自适应问卷与表单。
可选的，在本发明第一方面的第三种实现方式中，所述对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签，包括：
将收集到的会员关键信息转化为统一的数据格式，得到会员信息，并提取所述会员信息中的关键特征，再将所述关键特征转化为可度量的指标；
通过特征归一化算法将所述指标进行归一化处理，得到所述会员信息的属性；
基于所述会员信息的属性，通过无监督学习算法将不同属性的会员信息划分为不同组别的数据标签。
可选的，在本发明第一方面的第四种实现方式中，所述针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息，包括：
获取线上会员在平台内发布的评论数据，并将所述数据标签与所述评论数据进行融合，得到综合会员信息；
对所述综合会员信息进行预处理，提取关键特征和属性，得到预处理后的综合会员信息；
基于所述预处理后的综合会员信息，并通过个性化推送算法，筛选出符合会员需求且与用户特征匹配的平台会员服务；
将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化。
可选的，在本发明第一方面的第五种实现方式中，所述将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化，包括：
对收集到的评估结果进行预处理，包括数据清洗、异常值剔除和数据标准化；
从预处理后的评估结果中提取数据特征，并采用特征选择方法从所述数据特征中筛选具备预测价值的特征；
根据筛选出的特征构建支持向量机模型，对模型进行优化，包括选择核函数，并调整超参数，其中，所述支持向量机模型为一种个性化推送算法；
将评估结果分为训练集和测试集，使用训练集对支持向量机模型进行训练，进行交叉验证以评估模型预测准确性；在收集到新的评估结果时，及时更新训练集和测试集；
根据模型评估数据，动态调整模型参数和选取的特征。
本发明第二方面提供了一种会员管理和数据分析的装置，所述会员管理和数据分析的装置包括：
获取模块，用于获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；
第一处理模块，用于根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；
第二处理模块，用于对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签，其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；
推送模块，用于针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息。
本发明第三方面提供了一种会员管理和数据分析的设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述会员管理和数据分析的设备执行上述的会员管理和数据分析的方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的会员管理和数据分析的方法。
本发明提供的技术方案中，有益效果：本发明提供的一种会员管理和数据分析的方法、装置、设备及存储介质，通过获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；再根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；然后对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签；其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；最后针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息。本发明通过动态生成自适应问卷与表单，收集线上会员的关键信息，使得平台更能准确了解会员需求。此外，基于机器学习算法，将不同属性的会员信息划分为不同组别的数据标签，有助于平台更有针对性地推送会员服务信息，从而提高用户满意度。针对每个线上会员获取评论数据，结合个性化推送算法，使信息推送更贴近会员需求，促进会员平台服务的精准投放。本发明优化了会员管理过程，提高了平台效率，还有助于提升会员体验，增强业务竞争力。
附图说明
图1为本发明实施例中会员管理和数据分析的方法的一个实施例示意图；
图2为本发明实施例中会员管理和数据分析的装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种会员管理和数据分析的方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中会员管理和数据分析的方法的一个实施例包括：
步骤101、获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；
可以理解的是，本发明的执行主体可以为会员管理和数据分析的装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以会员管理和数据分析的装置为执行主体为例进行说明。
具体的，首先，开发数据接口，该接口能够与平台内的数据库系统实时同步交流，以实时获取在线会员的注册信息。此外，数据接口还可用于实时追踪线上会员的交互行为，例如浏览记录、购买记录、评论记录。
或者设计和开发分布式爬虫系统，实时获取线上会员的注册信息和交互行为，提高数据爬取速度并降低平台压力。
再结合在线会员的注册信息和交互行为，运用心理分析模型预测用户心理特点，进一步了解他们的需求和行为模式。
分析线上会员之间的社交网络关系，挖掘用户间的影响力、相似性等因素，从而更好地理解他们的交互行为。
运用自然语言处理技术分析线上会员产生的文本数据，如评论、留言等，以捕捉潜在需求和意图。同时，进行情感分析，监测用户对平台内活动和产品的情感反应。
步骤102、根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；
具体的，首先，运用数据挖掘技术系统地分析线上会员的注册信息和交互行为数据，找到关键因素和隐藏的需求，以便更有针对性地设计问卷与表单。
然后利用已有数据，为每个线上会员创建用户画像，包括会员兴趣、消费行为和偏好，以便在问卷设计中更好地满足不同会员的需求。
再设计多个可组合和动态调整的问卷模块，依据用户画像和历史数据自动为每个线上会员生成定制化问卷和表单。并且运用机器学习技术根据每个线上会员的特性和需求自动生成个性化的问卷内容，提高问卷与表单的适应性。
运用多模态技术，例如图片、语音和视频等元素，为问卷添加丰富的媒体内容，使问卷更加生动有趣，提高会员的参与度。并根据每个线上会员的行为数据，实时更新问卷内容，以保持和会员需求的同步。
最后利用个性化推送算法，将自适应问卷与表单发送至每个线上会员的电子账号中，确保及时有效的收集会员关键信息。
本发明实施例有针对性地为每个线上会员动态生成自适应问卷与表单，既增加了会员参与度，又提高了数据收集的效果。
步骤103、对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签；其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；
具体的，首先，对收集到的会员关键信息进行去重、去噪、填充缺失值预处理操作，得到会员信息，以提高数据质量。再挖掘会员信息中具有代表性和区分性的特征，将特征转化为可用于机器学习的规范化格式。
将个人注册信息属性与线上会员交互行为信息属性进行细分，例如按照兴趣、购买频率、地域、年龄等维度，进一步挖掘会员信息中的潜在联系。
然后针对会员信息的特点，使用改进的聚类算法（如基于密度或层次的聚类算法）来对不同属性的会员信息进行分组，同时提高分组的准确性和稳定性。
本发明实施例通过对收集到的会员关键信息进行高效预处理，并基于会员信息的属性，灵活划分不同组别的数据标签，助力平台精准服务和个性化推送。
步骤104、针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息。
具体的，首先，设计实时评论数据抓取器，自动收集线上会员的评论数据，并与之前的历史行为数据整合。并运用自然语言处理技术（如语义分析、主题模型等）深入挖掘线上会员评论数据中的关键信息和潜在需求。
再对评论数据进行情感分析，以判断会员对平台会员服务的满意度和喜好，从而有针对性地优化服务内容。并通过引入深度学习等先进技术，设计并优化个性化推送算法，实现更精准的会员服务信息推送。
根据线上会员的喜好和行为特点，设计和应用多种推送策略，如时间优化推送、跨渠道推送，提升信息接收的效果。然后设计反馈机制，实时收集线上会员对推送服务的评价，据此优化和调整推送算法以提高推送效果。
最后在信息推送前进行A/B测试，对比不同推送策略的效果，以确保最优的推送策略适用于实际场景。
本发明实施例实现针对每个线上会员的评论数据获取与个性化推送算法优化，使信息推送内容更贴近会员需求，提高线上会员对平台服务的满意度和忠诚度。
本发明实施例中，有益效果：本发明提供的一种会员管理和数据分析的方法，通过获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；再根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；然后对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签；其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；最后针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息。本发明通过动态生成自适应问卷与表单，收集线上会员的关键信息，使得平台更能准确了解会员需求。此外，基于机器学习算法，将不同属性的会员信息划分为不同组别的数据标签，有助于平台更有针对性地推送会员服务信息，从而提高用户满意度。针对每个线上会员获取评论数据，结合个性化推送算法，使信息推送更贴近会员需求，促进会员平台服务的精准投放。本发明优化了会员管理过程，提高了平台效率，还有助于提升会员体验，增强业务竞争力。
本发明实施例中会员管理和数据分析的方法的另一个实施例包括：
所述根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息，包括：
将获取的所述注册信息进行分类处理，得到第一会员数据标签；
分析会员交互行为，生成对应的行为特征数据，根据所述行为特征数据得到第二会员数据标签；
将所述第一会员数据标签和所述第二会员数据标签融合，生成会员画像，并根据所述会员画像设计不同层次的自适应问卷与表单；
将所述自适应问卷与表单推送至线上会员的账号，并根据自适应问卷与表单的回答信息提取会员关键信息。
具体的，将线上会员的注册信息进行细分归类，例如按照年龄、性别、地域、会员等级等维度进行分类处理。这有助于从源头数据中提炼出第一会员数据标签。
通过对线上会员在平台内的历史行为进行分析（如浏览、点赞、购买、评论等），生成对应的行为特征数据。结合机器学习和自然语言处理技术，对交互行为进行深入挖掘和分析，并根据挖掘到的特征构建第二会员数据标签。
将第一会员数据标签（来自注册信息）和第二会员数据标签（来自交互行为特征）进行融合，利用这些综合标签生成会员画像。会员画像可以帮助平台更好地理解线上会员的需求、兴趣和行为倾向。
依据会员画像中的详细信息，设计不同层次和类型的自适应问卷与表单，以获得更精确的会员关键信息。基于机器学习和自适应算法，个性化生成问卷与表单，使内容能够更好地反映线上会员的实际需求。
将设计好的自适应问卷与表单推送至线上会员的个人电子账号中。可以利用智能推送算法，根据会员的在线行为和预测最佳接收时间，优化推送过程。
对线上会员提交的自适应问卷与表单进行分析，根据回答信息挖掘会员关键信息，如需求偏好、消费习惯等。这些关键信息将有助于为会员提供更精准和个性化的服务。
本发明实施例中，有益效果：本发明实施例实现了从多维度收集线上会员的关键信息，从而为平台提供更有针对性和个性化的服务。这将有助于提高线上会员的满意度和忠诚度。
本发明实施例中会员管理和数据分析的方法的另一个实施例包括：所述将所述第一会员数据标签和所述第二会员数据标签融合，生成会员画像，并根据所述会员画像设计不同层次的自适应问卷与表单，包括：
将所述第一会员数据标签与所述第二会员数据标签进行关联匹配，得到关联匹配后的第三数据标签，并通过所述第三数据标签获取各个线上会员之间的共同属性要素；
通过聚类算法对具有共同属性要素的会员进行分组，并根据不同的分组设计定制化的问卷与表单；
将所述第三数据标签的重要性和相关性作为不同的指标，计算相应的指标权重，并基于所述指标权重，对各个所述第三数据标签进行融合，生成完整的会员画像；
根据所述会员画像以及所述定制化的问卷与表单设计不同层次的自适应问卷与表单。
具体的，将第一会员数据标签（来源于分类处理的注册信息）与第二会员数据标签（来源于分析的交互行为特征）进行关联匹配，找到不同维度的数据之间的相似性和联系，获得关联匹配后的第三数据标签。通过第三数据标签，我们可以挖掘线上会员之间的共同属性要素。
利用聚类算法，将具有共同属性要素的线上会员进行分组。根据不同分组的特点，设计针对各组会员特征的定制化问卷与表单，从而更精确地了解他们的需求和偏好。
将第三数据标签的重要性和相关性作为不同指标，计算各指标的权重。根据这些权重，对第三数据标签进行融合与综合，从而生成完整的会员画像。会员画像将有助于更全面地反映线上会员的特点和需求。
依据生成的会员画像以及定制化的问卷与表单，设计出不同层次的自适应问卷与表单。这些问卷与表单可以根据会员的实际情况和需求进行动态调整，让内容更加贴合目标对象。
本发明实施例中，有益效果：本发明实施例实现了将各类数据标签的融合与综合，生成详尽的会员画像，并能够设计出不同层次的自适应问卷与表单。这将有助于更精确地了解线上会员的需求与偏好，进而提供更个性化和针对性的服务。
本发明实施例中会员管理和数据分析的方法的另一个实施例包括：所述对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签，包括：
将收集到的会员关键信息转化为统一的数据格式，得到会员信息，并提取所述会员信息中的关键特征，再将所述关键特征转化为可度量的指标；
通过特征归一化算法将所述指标进行归一化处理，得到所述会员信息的属性；
基于所述会员信息的属性，通过无监督学习算法将不同属性的会员信息划分为不同组别的数据标签。
具体的，首先将收集到的会员关键信息转化为统一的数据格式，便于后续分析和处理。在此基础上，提取每个会员信息中的关键特征，从数值、时间、频率等多个维度挖掘潜藏的信息。然后，将这些关键特征转化为可度量的指标，以便于后续计算和比较。
为消除不同特征之间的量纲影响和数值差异，运用特征归一化算法将各指标进行归一化处理。这样可保证数据在同一尺度上，便于后续分析。归一化处理后，我们将得到会员信息的属性。
基于会员信息的属性，通过无监督学习算法（如 K-means 或DBSCAN 算法）对具有不同属性的会员信息进行聚类。这样，我们可以将具有相似特点的线上会员信息划分为不同组别的数据标签。这一过程充分运用了数据的内在属性，确保了客观性。
本发明实施例中，有益效果：本发明实施例实现了对会员关键信息的预处理、归一化处理和聚类划分。这将使我们能更有针对性地分析和了解线上会员，有助于为他们提供更个性化和专属的服务。
本发明实施例中会员管理和数据分析的方法的另一个实施例包括：所述针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息，包括：
获取线上会员在平台内发布的评论数据，并将所述数据标签与所述评论数据进行融合，得到综合会员信息；
对所述综合会员信息进行预处理，提取关键特征和属性，得到预处理后的综合会员信息；
基于所述预处理后的综合会员信息，并通过个性化推送算法，筛选出符合会员需求且与用户特征匹配的平台会员服务；
将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化。
具体的，首先获取每个线上会员在平台内发布的评论数据，将这些评论数据与之前生成的数据标签进行融合，得到综合的会员信息。这可以让我们更全面地了解每个线上会员的兴趣、需求和行为倾向。
对综合会员信息进行预处理，提取关键特征和属性，使得这些信息更利于后续分析。得到预处理后的综合会员信息，为推送服务提供依据。
基于预处理后的综合会员信息，运用个性化推送算法（如协同过滤推荐算法等），筛选出与线上会员需求和特征匹配的平台会员服务。这种个性化推送能够提升会员的满意度和留存率。
将筛选出的平台会员服务按照推送策略推送给线上会员，例如通过邮件、短信或者App内推送等方式。接收线上会员针对平台会员服务的评估结果作为反馈，通过这些评估结果我们可以了解服务推送效果和满意度。
根据收集到的评估结果，对个性化推送算法的参数进行调整和优化，以提高推送服务的精确度和符合会员的个性化需求。这个过程可以通过增量更新和在线学习等方式实施，实时改进推荐效果。
本发明实施例中，有益效果：本发明实施例实现了根据线上会员的行为数据、评论数据以及数据标签，实现个性化的平台会员服务推送。这将有助于提升线上会员的满意度以及平台的整体用户体验。
本发明实施例中会员管理和数据分析的方法的另一个实施例包括：所述将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化，包括：
对收集到的评估结果进行预处理，包括数据清洗、异常值剔除和数据标准化；
从预处理后的评估结果中提取数据特征，并采用特征选择方法从所述数据特征中筛选具备预测价值的特征；
根据筛选出的特征构建支持向量机模型，对模型进行优化，包括选择核函数，并调整超参数，其中，所述支持向量机模型为一种个性化推送算法；
将评估结果分为训练集和测试集，使用训练集对支持向量机模型进行训练，进行交叉验证以评估模型预测准确性；在收集到新的评估结果时，及时更新训练集和测试集；
根据模型评估数据，动态调整模型参数和选取的特征。
具体的，首先将收集到的线上会员针对平台会员服务的评估结果进行预处理，包括数据清洗、异常值剔除和数据标准化。这一步骤确保评估数据的质量和可用性，为后续分析和建模打下基础。
对预处理后的评估结果，提取其中的数据特征。使用特征选择方法（如信息增益、互信息等）从数据特征中筛选具备预测价值的特征，这可以提升模型性能并减少计算资源消耗。
采用支持向量机（SVM）作为个性化推送算法的机器学习方法。构建SVM模型时，需要选择合适的核函数（如线性、径向基、多项式等）并调整超参数（如惩罚参数C和核函数中的参数），以优化模型性能。
将评估结果分为训练集和测试集。使用训练集对SVM模型进行训练，并在测试集上进行交叉验证，以评估模型的预测准确性。随着新的评估结果到来，应实时更新训练集和测试集，以保持模型在最新数据上的效果。
根据模型评估数据，通过技术手段如网格搜索或随机搜索等，动态调整模型参数（如超参数C等）和选取的特征，以便进一步优化模型性能和提高推送服务的准确性。
本发明实施例中，有益效果：本发明实施例实现了在收集到的线上会员评估结果的基础上，构建和优化支持向量机模型，同时实现动态调整和更新以提高个性化推送算法的准确性和效果。这将有助于更精确地推送平台会员服务，并提升线上会员的满意度和留存率。
上面对本发明实施例中会员管理和数据分析的方法进行了描述，下面对本发明实施例中会员管理和数据分析的装置进行描述，请参阅图2，本发明实施例中会员管理和数据分析的装置1一个实施例包括：
获取模块11，用于获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；
第一处理模块12，用于根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；
第二处理模块13，用于对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签，其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；
推送模块14，用于针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息。
本发明还提供一种会员管理和数据分析的设备，所述会员管理和数据分析的设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述会员管理和数据分析的方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述会员管理和数据分析的方法的步骤。
有益效果：本发明提供的一种会员管理和数据分析的方法、装置、设备及存储介质，通过获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；再根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；然后对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签；其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；最后针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息。本发明通过动态生成自适应问卷与表单，收集线上会员的关键信息，使得平台更能准确了解会员需求。此外，基于机器学习算法，将不同属性的会员信息划分为不同组别的数据标签，有助于平台更有针对性地推送会员服务信息，从而提高用户满意度。针对每个线上会员获取评论数据，结合个性化推送算法，使信息推送更贴近会员需求，促进会员平台服务的精准投放。本发明优化了会员管理过程，提高了平台效率，还有助于提升会员体验，增强业务竞争力。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以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全部或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（read-only memory，ROM）、随机存取存储器（randomaccess memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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 (4)

1.一种会员管理和数据分析的方法，其特征在于，包括：
获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；
根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；
对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签；其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；
针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息；
所述根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息，包括：
将获取的所述注册信息进行分类处理，得到第一会员数据标签；
分析会员交互行为，生成对应的行为特征数据，根据所述行为特征数据得到第二会员数据标签；
将所述第一会员数据标签和所述第二会员数据标签融合，生成会员画像，并根据所述会员画像设计不同层次的自适应问卷与表单；
将所述自适应问卷与表单推送至线上会员的账号，并根据自适应问卷与表单的回答信息提取会员关键信息；
所述将所述第一会员数据标签和所述第二会员数据标签融合，生成会员画像，并根据所述会员画像设计不同层次的自适应问卷与表单，包括：
将所述第一会员数据标签与所述第二会员数据标签进行关联匹配，得到关联匹配后的第三数据标签，并通过所述第三数据标签获取各个线上会员之间的共同属性要素；
通过聚类算法对具有共同属性要素的会员进行分组，并根据不同的分组设计定制化的问卷与表单；
将所述第三数据标签的重要性和相关性作为不同的指标，计算相应的指标权重，并基于所述指标权重，对各个所述第三数据标签进行融合，生成完整的会员画像；
根据所述会员画像以及所述定制化的问卷与表单设计不同层次的自适应问卷与表单；
所述对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签，包括：
将收集到的会员关键信息转化为统一的数据格式，得到会员信息，并提取所述会员信息中的关键特征，再将所述关键特征转化为可度量的指标；
通过特征归一化算法将所述指标进行归一化处理，得到所述会员信息的属性；
基于所述会员信息的属性，通过无监督学习算法将不同属性的会员信息划分为不同组别的数据标签；
所述针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息，包括：
获取线上会员在平台内发布的评论数据，并将所述数据标签与所述评论数据进行融合，得到综合会员信息；
对所述综合会员信息进行预处理，提取关键特征和属性，得到预处理后的综合会员信息；
基于所述预处理后的综合会员信息，并通过个性化推送算法，筛选出符合会员需求且与用户特征匹配的平台会员服务；
将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化；
所述将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化，包括：
对收集到的评估结果进行预处理，包括数据清洗、异常值剔除和数据标准化；
从预处理后的评估结果中提取数据特征，并采用特征选择方法从所述数据特征中筛选具备预测价值的特征；
根据筛选出的特征构建支持向量机模型，对模型进行优化，包括选择核函数，并调整超参数，其中，所述支持向量机模型为一种个性化推送算法；
将评估结果分为训练集和测试集，使用训练集对支持向量机模型进行训练，进行交叉验证以评估模型预测准确性；在收集到新的评估结果时，及时更新训练集和测试集；
根据模型评估数据，动态调整模型参数和选取的特征。
2.一种会员管理和数据分析的装置，其特征在于，所述会员管理和数据分析的装置包括：
获取模块，用于获取在平台内各个线上会员的注册信息，以及获取平台内各个线上会员交互行为的历史记录数据；
第一处理模块，用于根据各个所述注册信息和平台内各个线上会员交互行为的历史记录数据，动态生成自适应问卷与表单，并将所述自适应问卷与表单发送至每个线上会员的电子账号中，以收集每个线上会员的会员关键信息；
第二处理模块，用于对收集到的各个会员关键信息进行预处理，得到会员信息，并基于所述会员信息的属性，通过机器学习算法将不同属性的会员信息划分为不同组别的数据标签，其中，所述会员信息的属性包括个人注册信息属性与各个线上会员交互行为信息属性；
推送模块，用于针对每个线上会员，获取所述线上会员的评论数据，根据所述数据标签以及线上会员的评论数据，通过个性化推送算法，向线上会员推送平台会员服务信息；
第一处理模块具体用于：
将获取的所述注册信息进行分类处理，得到第一会员数据标签；
分析会员交互行为，生成对应的行为特征数据，根据所述行为特征数据得到第二会员数据标签；
将所述第一会员数据标签和所述第二会员数据标签融合，生成会员画像，并根据所述会员画像设计不同层次的自适应问卷与表单；
将所述自适应问卷与表单推送至线上会员的账号，并根据自适应问卷与表单的回答信息提取会员关键信息；
第一处理模块具体还用于：
将所述第一会员数据标签与所述第二会员数据标签进行关联匹配，得到关联匹配后的第三数据标签，并通过所述第三数据标签获取各个线上会员之间的共同属性要素；
通过聚类算法对具有共同属性要素的会员进行分组，并根据不同的分组设计定制化的问卷与表单；
将所述第三数据标签的重要性和相关性作为不同的指标，计算相应的指标权重，并基于所述指标权重，对各个所述第三数据标签进行融合，生成完整的会员画像；
根据所述会员画像以及所述定制化的问卷与表单设计不同层次的自适应问卷与表单；
第二处理模块，具体：
用于将收集到的会员关键信息转化为统一的数据格式，得到会员信息，并提取所述会员信息中的关键特征，再将所述关键特征转化为可度量的指标；
通过特征归一化算法将所述指标进行归一化处理，得到所述会员信息的属性；
基于所述会员信息的属性，通过无监督学习算法将不同属性的会员信息划分为不同组别的数据标签；
推送模块，具体用于：
获取线上会员在平台内发布的评论数据，并将所述数据标签与所述评论数据进行融合，得到综合会员信息；
对所述综合会员信息进行预处理，提取关键特征和属性，得到预处理后的综合会员信息；
基于所述预处理后的综合会员信息，并通过个性化推送算法，筛选出符合会员需求且与用户特征匹配的平台会员服务；
将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化；
所述将筛选出的平台会员服务按照推送策略推送给线上会员，并接收线上会员针对平台会员服务进行评估的评估结果，根据评估结果对个性化推送算法的参数进行调整优化，包括：
对收集到的评估结果进行预处理，包括数据清洗、异常值剔除和数据标准化；
从预处理后的评估结果中提取数据特征，并采用特征选择方法从所述数据特征中筛选具备预测价值的特征；
根据筛选出的特征构建支持向量机模型，对模型进行优化，包括选择核函数，并调整超参数，其中，所述支持向量机模型为一种个性化推送算法；
将评估结果分为训练集和测试集，使用训练集对支持向量机模型进行训练，进行交叉验证以评估模型预测准确性；在收集到新的评估结果时，及时更新训练集和测试集；
根据模型评估数据，动态调整模型参数和选取的特征。
3.一种会员管理和数据分析的设备，其特征在于，所述会员管理和数据分析的设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述会员管理和数据分析的设备执行如权利要求1中所述的会员管理和数据分析的方法。
4.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1所述的会员管理和数据分析的方法。
CN202310735860.9A 2023-06-21 2023-06-21 会员管理和数据分析的方法、装置、设备及存储介质 Active CN116485352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310735860.9A CN116485352B (zh) 2023-06-21 2023-06-21 会员管理和数据分析的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310735860.9A CN116485352B (zh) 2023-06-21 2023-06-21 会员管理和数据分析的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116485352A CN116485352A (zh) 2023-07-25
CN116485352B true CN116485352B (zh) 2023-12-22

Family

ID=87219923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310735860.9A Active CN116485352B (zh) 2023-06-21 2023-06-21 会员管理和数据分析的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116485352B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020012648A (ko) * 2000-08-08 2002-02-20 하원종 인터넷 상에서 웹폰을 이용한 광고기법
CN111612551A (zh) * 2020-06-03 2020-09-01 陈包容 商家进行用户数据引流的方法及系统
CN112732974A (zh) * 2019-10-10 2021-04-30 腾讯科技（深圳）有限公司 一种数据处理方法、电子设备及存储介质
KR20210058680A (ko) * 2019-11-13 2021-05-24 배재대학교 산학협력단 수요자 회원 가입 정보 기반 맞춤형 의료 서비스 플랫폼 제공 시스템 및 방법
CN114185954A (zh) * 2021-11-08 2022-03-15 深圳市移动力量科技有限公司 会员管理方法、会员管理平台、会员管理系统和存储介质
JP3240982U (ja) * 2022-12-22 2023-02-17 騰雲科技服務股▲ふん▼有限公司 顧客購買意向と推薦分析システム
CN116091171A (zh) * 2023-02-28 2023-05-09 三亚南宏科技发展有限公司 会员统计与管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230057120A (ko) * 2021-10-21 2023-04-28 주식회사 에이미랩스 맞춤형 영양제 정보 제공 장치 및 그 동작 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020012648A (ko) * 2000-08-08 2002-02-20 하원종 인터넷 상에서 웹폰을 이용한 광고기법
CN112732974A (zh) * 2019-10-10 2021-04-30 腾讯科技（深圳）有限公司 一种数据处理方法、电子设备及存储介质
KR20210058680A (ko) * 2019-11-13 2021-05-24 배재대학교 산학협력단 수요자 회원 가입 정보 기반 맞춤형 의료 서비스 플랫폼 제공 시스템 및 방법
CN111612551A (zh) * 2020-06-03 2020-09-01 陈包容 商家进行用户数据引流的方法及系统
CN114185954A (zh) * 2021-11-08 2022-03-15 深圳市移动力量科技有限公司 会员管理方法、会员管理平台、会员管理系统和存储介质
JP3240982U (ja) * 2022-12-22 2023-02-17 騰雲科技服務股▲ふん▼有限公司 顧客購買意向と推薦分析システム
CN116091171A (zh) * 2023-02-28 2023-05-09 三亚南宏科技发展有限公司 会员统计与管理系统

Also Published As

Publication number Publication date
CN116485352A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
US11157926B2 (en) Digital content prioritization to accelerate hyper-targeting
US20130263181A1 (en) Systems and methods for defining video advertising channels
KR102451099B1 (ko) 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법
US20210350202A1 (en) Methods and systems of automatic creation of user personas
Ribeiro et al. Artificial intelligence applied to digital marketing
CN116862592B (zh) 一种基于用户行为的sop私域营销信息自动推送方法
EP3953872A1 (en) Systems and methods for improved modelling of partitioned datasets
CN111460267A (zh) 对象识别方法、装置和系统
CN114371946B (zh) 基于云计算和大数据的信息推送方法及信息推送服务器
Gerlich et al. Artificial intelligence as toolset for analysis of public opinion and social interaction in marketing: identification of micro and nano influencers
Lopez Optimizing Marketing ROI with Predictive Analytics: Harnessing Big Data and AI for Data-Driven Decision Making
Moniz et al. A framework for recommendation of highly popular news lacking social feedback
CN117216419A (zh) 基于ai技术的数据分析方法
Wang et al. A collaborative filtering algorithm fusing user-based, item-based and social networks
Wasilewski et al. Clustering methods for adaptive e-commerce user interfaces
CN116485352B (zh) 会员管理和数据分析的方法、装置、设备及存储介质
CN113946753B (zh) 基于位置围栏的服务推荐方法、装置、设备及存储介质
Pajo et al. Towards automatic and accurate lead user identification
Lavanya et al. Evolving Business Intelligence on Data Integration, ETL Procedures, and the Power of Predictive Analytics
Huttunen Marketing in social media: using data and artificial intelligence for segmentation
CN118521356B (zh) 基于大数据的用户画像分析系统与方法
Lee et al. A study on intelligent personalized push notification with user history
Davoudi User Acquisition and engagement in digital News Media
Incekas et al. Data Driven Positioning Analysis of Music Streaming Platforms
Adeniji Business to consumers (B2C): the effect of machine learning application in telecom customer churn management

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