CN116645137A - 基于数据库的营销业务效能智能分析预测模型 - Google Patents
基于数据库的营销业务效能智能分析预测模型 Download PDFInfo
- Publication number
- CN116645137A CN116645137A CN202310533780.5A CN202310533780A CN116645137A CN 116645137 A CN116645137 A CN 116645137A CN 202310533780 A CN202310533780 A CN 202310533780A CN 116645137 A CN116645137 A CN 116645137A
- Authority
- CN
- China
- Prior art keywords
- data
- marketing
- user
- module
- unit
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000013500 data storage Methods 0.000 claims abstract description 42
- 238000010276 construction Methods 0.000 claims abstract description 33
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000013075 data extraction Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009193 crawling Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于数据库的营销业务效能智能分析预测模型,涉及营销业务技术领域,包括用户画像构建单元,所述用户画像构建单元从用户数据存储单元中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据等,通过数据分析为每个不同用户打上相应的标签,通过数据建模生成用户画像,通过不断的填充不同时期的用户数据完成对用户不同时期的用户画像构建,将构建完成的用户画像数据传输至营销策略分析单元。本发明通过营销策略匹配单元实现了精准营销,通过营销预测模型单元构建智能预测分析模型。
Description
技术领域
本发明涉及营销业务技术领域,具体为基于数据库的营销业务效能智能分析预测模型。
背景技术
营销业务是指企业以产品或服务为媒介、通过一定的方式,比如包括广告等,与目标客户进行沟通和交流的业务,营销过程应该围绕消费者行为展开,因此有必要想办法理解消费者,以方便交易的执行;
目前,营销业务效能分析只要依靠将营销数据输入至Excel内,营销管理人员通过查看Excel内的营销数据,人工分析评价营销业务效能,但是这种营销业务效能分析的方式消耗了大量人力物力,对营销企业来说增加了大量的人工成本,并且人工不能根据Excel内的营销数据预测出合适的营销策略,而且人工也不能准确的分析出营销业务效能,从而不能够有效地预测营销活动的效果和业务效益,帮助企业优化营销策略,提高营销效能。
发明内容
本发明的目的在于提供基于数据库的营销业务效能智能分析预测模型,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于数据库的营销业务效能智能分析预测模型,包括数据采集单元、数据预处理单元、数据分类单元、用户数据存储单元、用户画像构建单元、营销数据存储单元、营销预测模型单元、营销策略分析单元和营销策略匹配单元;
所述用户画像构建单元从用户数据存储单元中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据等,通过数据分析为每个不同用户打上相应的标签,通过数据建模生成用户画像,通过不断的填充不同时期的用户数据完成对用户不同时期的用户画像构建,将构建完成的用户画像数据传输至营销策略分析单元;
所述营销预测模型单元从营销数据存储单元中的营销数据库中获取大量的营销数据,从大量的营销数据中提取营销策略、营销策略用户满意度、营销策略的宣传度、营销产品的市场占比、营销产品的市场增长率、营销点击率及营销转化率等,通过调用大量的数据利用营销预测算法建立预测模型,通过预测模型预测出符合市场的营销策略,将预测出的大量符合市场的营销策略传输至营销策略分析单元;营销预测算法具体为:
其关联积分计算方式具体如下:
将全部营销的历史数据数量划分为t个子集,这样可以得到:
S=RS1+S1S2+S1+S2
其中,r为领域半径,M=(m-1)τ,C为关联积分,S为划分的子集,t为划分子集的个数,m为营销历史数据,X(i)和X(j)为两个样本,R、S1和S2为模型输入值。
所述营销策略分析单元对用户画像构建单元构建的用户画像数据和营销预测模型单元预测出营销策略进行接收,根据接收到的用户画像数据及营销策略从中分析每个用户最适合的营销策略,将营销策略与每个不同的用户画像数据进行对应,将对应完成后的用户画像数据及营销策略传输至营销策略匹配单元。
优选的,所述数据采集单元对互联网中的营销数据和用户数据进行采集,通过图像识别技术识别该企业历史营销表单及人工录入营销信息获取历史营销数据和用户数据,并将数据传输至数据预处理单元,所述数据预处理单元对数据采集单元发出的数据进行接收,对接收的数据的异常情况进行修复和处理,对来自不同数据源的数据进行整合,通过预处理使得原有数据更加规范,将预处理后的数据传输至数据分类单元,所述数据分类单元对数据预处理单元发出的数据进行接收,根据接收到的数据,将数据分为用户数据及营销数据,将用户数据传输至用户数据存储单元,将营销数据传输至营销数据存储单元。
优选的,所述用户数据存储单元对数据分类单元发出的用户数据进行接收,将接收到的数据存储到用户数据库中,并根据用户画像构建单元的调用条件,从用户数据库中将用户数据传输至用户画像构建单元,所述营销数据存储单元对数据分类单元发出的营销数据进行接收,将接收到的营销数据存储到营销数据库中,并根据营销预测模型单元的调用条件,从营销数据库中将营销数据传输至营销预测模型单元,所述营销策略匹配单元对营销策略分析单元发出的对应完成后的数据画像数据及营销策略进行接收,将接收到的对应完成后的数据画像数据及营销策略进行匹配及整合,匹配完成后对不同的用户运用与之相匹配的营销策略,实现精准营销。
优选的,所述数据采集单元包括网络爬虫模块、图像识别模块和信息录入模块,所述网络爬虫模块通过选择一个或多个和营销域数据相关的网站,对网站内容进行爬取,当爬取到和营销域数据主题无关的网站时,将无关的网站进行过滤,将爬取到的网站数据传输至数据预处理单元,所述图像识别模块通过图像识别技术识别该企业历史营销表单,将识别的历史营销表单数据传输至数据预处理单元,所述人工录入模块通过人工将营销数据传输至数据预处理单元。
优选的,所述数据预处理单元包括异常值筛选模块、缺失值填补模块、异常值修改模块和数据整合模块,所述异常值筛选模块将数据分布做正态化检测,检测数据的概率密度图,不满足要求则筛选异常值,所述缺失值填补模块用于对数据进行填补或者删除,当数据缺失量比较少,删除后对数据模型的结果几乎不会造成影响时,则对数据进行删除,当数据缺失量太多时,用平均值对缺失值进行填补,所述异常值修改模块用于对异常值进行修改,根据异常值筛选模块筛选出的异常值,将异常值进行删除,但是为了没有缺失值,用数字0对删除的异常值进行填补,所述数据整合模块用于将筛选、填补和修改完成后的数据进行整合,将整合后的数据传输至数据分类单元。
优选的,所述用户画像构建单元包括用户数据提取模块、用户标签化模块、用户图像建模模块、更新模块和最新模型获取模块,所述用户数据提取模块从用户数据存储单元中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据等,并将提取的数据传输至用户标签化模块,所述用户标签化模块对用户数据提取模块发出的数据进行接收,对接收到的数据进行数据分析,从中得到用户的喜好,对用户进行标签化,将标签化后的用户数据传输至用户图像建模模块。
优选的,所述用户图像建模模块对用户标签化模块发出的数据进行接收,将接收到的数据通过相应的建模工具进行用户数据建模,若此时数据没有发生更新,则将建立完成的用户图像模型传输至最新模型获取模块,若此时数据发生更新,则将建立完成的用户图像模型传输至更新模块,所述更新模块则将建立完成的用户图像模型保存,并重新开始用户标签化,所述最新模型获取模块对用户图像建模模块发出的建立完成的用户图像模型进行接收,并将接收的用户图像模型传输至营销策略分析单元。
优选的,所述营销预测模型单元包括营销数据提取模块、营销数据整合模块、营销预测模块、参数优化模块和最优解获取模块,所述营销数据提取模块从营销数据存储单元中的营销数据库中获取大量的营销数据,从大量的营销数据中提取营销策略、营销策略用户满意度、营销策略的宣传度、营销产品的市场占比、营销产品的市场增长率、营销点击率及营销转化率等,将提取的数据传输至营销数据整合模块,所述营销数据整合模块对营销数据提取模块发出的数据进行接收,并对接收到的数据进行整合,通过数据整合将离散的一维营销数据变为连续的多维的营销数据,将连续的多维的营销数据传输至营销预测模块。
优选的,所述营销预测模块对营销数据整合模块发出的连续的多维的营销数据进行接收,根据接收到的连续的多维的营销数据利用营销预测算法获取此时最优的营销策略及评价数据,若预测出的此时最优的策略的评价数据低于以前存储的最优的营销策略的评价数据,则将预测出的此时最优的营销策略及评价数据传输至参数优化模块,所述参数优化模块对营销预测模块发出的营销策略及评价数据进行接收,将接收的营销策略及评价数据进行存储,并获取最新的营销数据,将获取的最新的营销数据,再次传输至营销预测模块,若预测出的此时最优的营销策略的评价数据高于以前存储的最优的营销策略的评价数据,则将此时最优的营销策略传输至最优解获取模块,所述最优解获取模块对营销预测模块发出的最优的营销策略进行接收,将接收到的最优的营销策略传输至营销策略分析单元。
与现有技术相比,本发明的有益效果是:
本发明通过营销策略匹配单元实现了精准营销,通过营销预测模型单元构建智能预测分析模型,减少了营销中的大量人力物力,缩小了企业运行的成本,提高了企业的经济效益,从而能够有效地预测营销活动的效果和业务效益,帮助企业优化营销策略,提高营销效能,这样营销人员就可以更好地了解市场和客户,制定更加精准的营销策略和计划,提高营销效率和效果。
附图说明
图1为本发明实施例提供整体的原理示意图;
图2为本发明实施例提供的数据采集单元的原理示意图;
图3为本发明实施例提供的数据预处理单元的原理示意图;
图4为本发明实施例提供的用户画像构建单元流程图;
图5为本发明实施例提供的营销预测模型单元流程图。
图中:1、数据采集单元;101、网络爬虫模块;102、图像识别模块;103、信息录入模块;2、数据预处理单元;201、异常值筛选模块;202、缺失值填补模块;203、异常值修改模块;204、数据整合模块;3、数据分类单元;4、用户数据存储单元;5、用户画像构建单元;501、用户数据提取模块;502、用户标签化模块;503、用户图像建模模块;504、更新模块;505、最新模型获取模块;6、营销数据存储单元;7、营销预测模型单元;701、营销数据提取模块;702、营销数据整合模块;703、营销预测模块;704、参数优化模块;705、最优解获取模块;8、营销策略分析单元;9、营销策略匹配单元。
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。
请参阅图1-5,本发明提供一种技术方案基于数据库的营销业务效能智能分析预测模型,包括数据采集单元1、数据预处理单元2、数据分类单元3、用户数据存储单元4、用户画像构建单元5、营销数据存储单元6、营销预测模型单元7、营销策略分析单元8和营销策略匹配单元9;
用户画像构建单元5从用户数据存储单元4中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据等,通过数据分析为每个不同用户打上相应的标签,通过数据建模生成用户画像,通过不断的填充不同时期的用户数据完成对用户不同时期的用户画像构建,将构建完成的用户画像数据传输至营销策略分析单元8;
营销预测模型单元7从营销数据存储单元6中的营销数据库中获取大量的营销数据,从大量的营销数据中提取营销策略、营销策略用户满意度、营销策略的宣传度、营销产品的市场占比、营销产品的市场增长率、营销点击率及营销转化率等,通过调用大量的数据利用营销预测算法建立预测模型,通过预测模型预测出符合市场的营销策略,将预测出的大量符合市场的营销策略传输至营销策略分析单元8;营销预测算法具体为:
其关联积分计算方式具体如下:
将全部营销的历史数据数量划分为t个子集,这样可以得到:
S=RS1+S1S2+S1+S2
其中,r为领域半径,M=(m-1)τ,C为关联积分,S为划分的子集,t为划分子集的个数,m为营销历史数据,X(i)和X(j)为两个样本,R、S1和S2为模型输入端;
营销策略分析单元8对用户画像构建单元5构建的用户画像数据和营销预测模型单元7预测出营销策略进行接收,根据接收到的用户画像数据及营销策略从中分析每个用户最适合的营销策略,将营销策略与每个不同的用户画像数据进行对应,将对应完成后的用户画像数据及营销策略传输至营销策略匹配单元9。
数据采集单元1对互联网中的营销数据和用户数据进行采集,通过图像识别技术识别该企业历史营销表单及人工录入营销信息获取历史营销数据和用户数据,并将数据传输至数据预处理单元2,数据预处理单元2对数据采集单元1发出的数据进行接收,对接收的数据的异常情况进行修复和处理,对来自不同数据源的数据进行整合,通过预处理使得原有数据更加规范,将预处理后的数据传输至数据分类单元3,数据分类单元3对数据预处理单元2发出的数据进行接收,根据接收到的数据,将数据分为用户数据及营销数据,将用户数据传输至用户数据存储单元4,将营销数据传输至营销数据存储单元6;通过数据采集单元1对营销数据及用户数据进行采集。
用户数据存储单元4对数据分类单元3发出的用户数据进行接收,将接收到的数据存储到用户数据库中,并根据用户画像构建单元5的调用条件,从用户数据库中将用户数据传输至用户画像构建单元5,营销数据存储单元6对数据分类单元3发出的营销数据进行接收,将接收到的营销数据存储到营销数据库中,并根据营销预测模型单元7的调用条件,从营销数据库中将营销数据传输至营销预测模型单元7,营销策略匹配单元9对营销策略分析单元8发出的对应完成后的数据画像数据及营销策略进行接收,将接收到的对应完成后的数据画像数据及营销策略进行匹配及整合,匹配完成后对不同的用户运用与之相匹配的营销策略,实现精准营销;通过用户数据存储单元4对用户的数据进行存储,建立大数据库。
数据采集单元1包括网络爬虫模块101、图像识别模块102和信息录入模块103,网络爬虫模块101通过选择一个或多个和营销域数据相关的网站,对网站内容进行爬取,当爬取到和营销域数据主题无关的网站时,将无关的网站进行过滤,将爬取到的网站数据传输至数据预处理单元2,图像识别模块102通过图像识别技术识别该企业历史营销表单,将识别的历史营销表单数据传输至数据预处理单元2,人工录入模块通过人工将营销数据传输至数据预处理单元2;通过各个模块的相互配合,完成对互联网及企业自身的营销数据及用户数据进行采集。
数据预处理单元2包括异常值筛选模块201、缺失值填补模块202、异常值修改模块203和数据整合模块204,异常值筛选模块201将数据分布做正态化检测,检测数据的概率密度图,不满足要求则筛选异常值,缺失值填补模块202用于对数据进行填补或者删除,当数据缺失量比较少,删除后对数据模型的结果几乎不会造成影响时,则对数据进行删除,当数据缺失量太多时,用平均值对缺失值进行填补,异常值修改模块203用于对异常值进行修改,根据异常值筛选模块201筛选出的异常值,将异常值进行删除,但是为了没有缺失值,用数字0对删除的异常值进行填补,数据整合模块204用于将筛选、填补和修改完成后的数据进行整合,将整合后的数据传输至数据分类单元3;通过数据预处理单元2对异常数据进行筛选、删除和填补。
用户画像构建单元5包括用户数据提取模块501、用户标签化模块502、用户图像建模模块503、更新模块504和最新模型获取模块505,用户数据提取模块501从用户数据存储单元4中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据等,并将提取的数据传输至用户标签化模块502,用户标签化模块502对用户数据提取模块501发出的数据进行接收,对接收到的数据进行数据分析,从中得到用户的喜好,对用户进行标签化,将标签化后的用户数据传输至用户图像建模模块503;通过用户画像构建单元5完成对用户图像的构建。
用户图像建模模块503对用户标签化模块502发出的数据进行接收,将接收到的数据通过相应的建模工具进行用户数据建模,若此时数据没有发生更新,则将建立完成的用户图像模型传输至最新模型获取模块505,若此时数据发生更新,则将建立完成的用户图像模型传输至更新模块504,更新模块504则将建立完成的用户图像模型保存,并重新开始用户标签化,最新模型获取模块505对用户图像建模模块503发出的建立完成的用户图像模型进行接收,并将接收的用户图像模型传输至营销策略分析单元8;通过用户图像建模模块503将标签化后的用户数据通过建模工具进行建模。
营销预测模型单元7包括营销数据提取模块701、营销数据整合模块702、营销预测模块703、参数优化模块704和最优解获取模块705,营销数据提取模块701从营销数据存储单元6中的营销数据库中获取大量的营销数据,从大量的营销数据中提取营销策略、营销策略用户满意度、营销策略的宣传度、营销产品的市场占比、营销产品的市场增长率、营销点击率及营销转化率等,将提取的数据传输至营销数据整合模块702,营销数据整合模块702对营销数据提取模块701发出的数据进行接收,并对接收到的数据进行整合,通过数据整合将离散的一维营销数据变为连续的多维的营销数据,将连续的多维的营销数据传输至营销预测模块703;通过营销预测模型单元7计算符合市场的营销策略。
营销预测模块703对营销数据整合模块702发出的连续的多维的营销数据进行接收,根据接收到的连续的多维的营销数据利用营销预测算法获取此时最优的营销策略及评价数据,若预测出的此时最优的策略的评价数据低于以前存储的最优的营销策略的评价数据,则将预测出的此时最优的营销策略及评价数据传输至参数优化模块704,参数优化模块704对营销预测模块703发出的营销策略及评价数据进行接收,将接收的营销策略及评价数据进行存储,并获取最新的营销数据,将获取的最新的营销数据,再次传输至营销预测模块703,若预测出的此时最优的营销策略的评价数据高于以前存储的最优的营销策略的评价数据,则将此时最优的营销策略传输至最优解获取模块705,最优解获取模块705对营销预测模块703发出的最优的营销策略进行接收,将接收到的最优的营销策略传输至营销策略分析单元8。
工作原理:本发明通过数据采集单元1对互联网中的营销数据和用户数据进行采集,通过图像识别技术识别该企业历史营销表单及人工录入营销信息获取历史营销数据和用户数据,并将数据传输至数据预处理单元2,数据预处理单元2对接收的数据的异常情况进行修复和处理,对来自不同数据源的数据进行整合,通过预处理使得原有数据更加规范,将预处理后的数据传输至数据分类单元3,数据分类单元3根据接收到的数据,将数据分为用户数据及营销数据,将用户数据传输至用户数据存储单元4,将营销数据传输至营销数据存储单元6,用户数据存储单元4将接收到的数据存储到用户数据库中,并根据用户画像构建单元5的调用条件,从用户数据库中将用户数据传输至用户画像构建单元5,用户画像构建单元5从用户数据存储单元4中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据等,通过数据分析为每个不同用户打上相应的标签,通过数据建模生成用户画像,通过不断的填充不同时期的用户数据完成对用户不同时期的用户画像构建,将构建完成的用户画像数据传输至营销策略分析单元8,营销数据存储单元6将接收到的营销数据存储到营销数据库中,并根据营销预测模型单元7的调用条件,从营销数据库中将营销数据传输至营销预测模型单元7;
同时通过营销预测模型单元7从营销数据存储单元6中的营销数据库中获取大量的营销数据,从大量的营销数据中提取营销策略、营销策略用户满意度、营销策略的宣传度、营销产品的市场占比、营销产品的市场增长率、营销点击率及营销转化率等,通过调用大量的数据利用营销预测算法建立预测模型,通过预测模型预测出符合市场的营销策略,将预测出的大量符合市场的营销策略传输至营销策略分析单元8,营销策略分析单元8对用户画像构建单元5构建的用户画像数据和营销预测模型单元7预测出营销策略进行接收,根据接收到的用户画像数据及营销策略从中分析每个用户最适合的营销策略,将营销策略与每个不同的用户画像数据进行对应,将对应完成后的用户画像数据及营销策略传输至营销策略匹配单元9,营销策略匹配单元9对将接收到的对应完成后的数据画像数据及营销策略进行匹配及整合,匹配完成后对不同的用户运用与之相匹配的营销策略,实现精准营销。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
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物限定。
Claims (9)
1.基于数据库的营销业务效能智能分析预测模型,其特征在于,包括数据采集单元(1)、数据预处理单元(2)、数据分类单元(3)、用户数据存储单元(4)、用户画像构建单元(5)、营销数据存储单元(6)、营销预测模型单元(7)、营销策略分析单元(8)和营销策略匹配单元(9);
所述数据采集单元(1)对互联网及企业本身的数据进行采集,所述数据预处理单元(2)对采集的数据进行预处理,将采集数据中的异常值进行修改、删除和填补,所述数据分类单元(3)将数据分为用户数据和营销数据,所述用户数据存储单元(4)对用户数据进行存储,所述营销数据存储单元(6)对营销数据进行存储;
所述用户画像构建单元(5)从用户数据存储单元(4)中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据,通过数据分析为每个不同用户打上相应的标签,通过数据建模生成用户画像,通过不断的填充不同时期的用户数据完成对用户不同时期的用户画像构建,将构建完成的用户画像数据传输至营销策略分析单元(8);
所述营销预测模型单元(7)从营销数据存储单元(6)中的营销数据库中获取大量的营销数据,从大量的营销数据中提取营销策略、营销策略用户满意度、营销策略的宣传度、营销产品的市场占比、营销产品的市场增长率、营销点击率及营销转化率,通过调用大量的数据利用营销预测算法建立预测模型,通过预测模型预测出符合市场的营销策略,将预测出的大量符合市场的营销策略传输至营销策略分析单元(8);
所述营销策略分析单元(8)根据接收到的用户画像数据及营销策略从中分析每个用户最适合的营销策略,将营销策略与每个不同的用户画像数据进行对应,将对应完成后的用户画像数据及营销策略传输至营销策略匹配单元(9)。
2.根据权利要求1所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述数据采集单元(1)对互联网中的营销数据和用户数据进行采集,通过图像识别技术识别该企业历史营销表单及人工录入营销信息获取历史营销数据和用户数据,并将数据传输至数据预处理单元(2),所述数据预处理单元(2)对数据采集单元(1)发出的数据进行接收,对接收的数据的异常情况进行修复和处理,对来自不同数据源的数据进行整合,通过预处理使得原有数据更加规范,将预处理后的数据传输至数据分类单元(3),所述数据分类单元(3)对数据预处理单元(2)发出的数据进行接收,根据接收到的数据,将数据分为用户数据及营销数据,将用户数据传输至用户数据存储单元(4),将营销数据传输至营销数据存储单元(6)。
3.根据权利要求1所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述用户数据存储单元(4)对数据分类单元(3)发出的用户数据进行接收,将接收到的数据存储到用户数据库中,并根据用户画像构建单元(5)的调用条件,从用户数据库中将用户数据传输至用户画像构建单元(5),所述营销数据存储单元(6)对数据分类单元(3)发出的营销数据进行接收,将接收到的营销数据存储到营销数据库中,并根据营销预测模型单元(7)的调用条件,从营销数据库中将营销数据传输至营销预测模型单元(7),所述营销策略匹配单元(9)对营销策略分析单元(8)发出的对应完成后的数据画像数据及营销策略进行接收,将接收到的对应完成后的数据画像数据及营销策略进行匹配及整合,匹配完成后对不同的用户运用与之相匹配的营销策略,实现精准营销。
4.根据权利要求1所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述数据采集单元(1)包括网络爬虫模块(101)、图像识别模块(102)和信息录入模块(103),所述网络爬虫模块(101)通过选择一个或多个和营销域数据相关的网站,对网站内容进行爬取,当爬取到和营销域数据主题无关的网站时,将无关的网站进行过滤,将爬取到的网站数据传输至数据预处理单元(2),所述图像识别模块(102)通过图像识别技术识别该企业历史营销表单,将识别的历史营销表单数据传输至数据预处理单元(2),所述人工录入模块通过人工将营销数据传输至数据预处理单元(2)。
5.根据权利要求1所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述数据预处理单元(2)包括异常值筛选模块(201)、缺失值填补模块(202)、异常值修改模块(203)和数据整合模块(204),所述异常值筛选模块(201)将数据分布做正态化检测,检测数据的概率密度图,不满足要求则筛选异常值,所述缺失值填补模块(202)用于对数据进行填补或者删除,当数据缺失量比较少,删除后对数据模型的结果几乎不会造成影响时,则对数据进行删除,当数据缺失量太多时,用平均值对缺失值进行填补,所述异常值修改模块(203)用于对异常值进行修改,根据异常值筛选模块(201)筛选出的异常值,将异常值进行删除,但是为了没有缺失值,用数字0对删除的异常值进行填补,所述数据整合模块(204)用于将筛选、填补和修改完成后的数据进行整合,将整合后的数据传输至数据分类单元(3)。
6.根据权利要求1所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述用户画像构建单元(5)包括用户数据提取模块(501)、用户标签化模块(502)和用户图像建模模块(503),所述用户数据提取模块(501)从用户数据存储单元(4)中的用户数据库获取大量用户数据,从大量的用户数据中提取人口数据、空间时间数据、社交数据、消费数据、行为特征数据及金融数据等,并将提取的数据传输至用户标签化模块(502),所述用户标签化模块(502)对用户数据提取模块(501)发出的数据进行接收,对接收到的数据进行数据分析,从中得到用户的喜好,对用户进行标签化,将标签化后的用户数据传输至用户图像建模模块(503)。
7.根据权利要求6所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述用户画像构建单元(5)还包括更新模块(504)和最新模型获取模块(505),所述用户图像建模模块(503)对用户标签化模块(502)发出的数据进行接收,将接收到的数据通过相应的建模工具进行用户数据建模,若此时数据没有发生更新,则将建立完成的用户图像模型传输至最新模型获取模块(505),若此时数据发生更新,则将建立完成的用户图像模型传输至更新模块(504),所述更新模块(504)则将建立完成的用户图像模型保存,并重新开始用户标签化,所述最新模型获取模块(505)对用户图像建模模块(503)发出的建立完成的用户图像模型进行接收,并将接收的用户图像模型传输至营销策略分析单元(8)。
8.根据权利要求1所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述营销预测模型单元(7)包括营销数据提取模块(701)、营销数据整合模块(702)和营销预测模块(703),所述营销数据提取模块(701)从营销数据存储单元(6)中的营销数据库中获取大量的营销数据,从大量的营销数据中提取营销策略、营销策略用户满意度、营销策略的宣传度、营销产品的市场占比、营销产品的市场增长率、营销点击率及营销转化率等,将提取的数据传输至营销数据整合模块(702),所述营销数据整合模块(702)对营销数据提取模块(701)发出的数据进行接收,并对接收到的数据进行整合,通过数据整合将离散的一维营销数据变为连续的多维的营销数据,将连续的多维的营销数据传输至营销预测模块(703)。
9.根据权利要求8所述的基于数据库的营销业务效能智能分析预测模型,其特征在于:所述营销预测模型单元(7)还包括参数优化模块(704)和最优解获取模块(705),所述营销预测模块(703)对营销数据整合模块(702)发出的连续的多维的营销数据进行接收,根据接收到的连续的多维的营销数据利用营销预测算法获取此时最优的营销策略及评价数据,若预测出的此时最优的策略的评价数据低于以前存储的最优的营销策略的评价数据,则将预测出的此时最优的营销策略及评价数据传输至参数优化模块(704),所述参数优化模块(704)对营销预测模块(703)发出的营销策略及评价数据进行接收,将接收的营销策略及评价数据进行存储,并获取最新的营销数据,将获取的最新的营销数据,再次传输至营销预测模块(703),若预测出的此时最优的营销策略的评价数据高于以前存储的最优的营销策略的评价数据,则将此时最优的营销策略传输至最优解获取模块(705),所述最优解获取模块(705)对营销预测模块(703)发出的最优的营销策略进行接收,将接收到的最优的营销策略传输至营销策略分析单元(8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533780.5A CN116645137A (zh) | 2023-05-12 | 2023-05-12 | 基于数据库的营销业务效能智能分析预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533780.5A CN116645137A (zh) | 2023-05-12 | 2023-05-12 | 基于数据库的营销业务效能智能分析预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645137A true CN116645137A (zh) | 2023-08-25 |
Family
ID=87623915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310533780.5A Pending CN116645137A (zh) | 2023-05-12 | 2023-05-12 | 基于数据库的营销业务效能智能分析预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645137A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-05-12 CN CN202310533780.5A patent/CN116645137A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN109767255B (zh) | 一种通过大数据建模实现智能运营及精准营销的方法 | |
US10896203B2 (en) | Digital analytics system | |
KR102435891B1 (ko) | 인공지능 모델을 이용한 물류창고의 공실률 관리 방법 및 장치 | |
CN108229810B (zh) | 基于网络信息资源的行业分析系统及方法 | |
CN108629630A (zh) | 一种基于特征交叉联合深度神经网络的广告推荐方法 | |
CN105447184A (zh) | 信息抓取方法及装置 | |
CN109635006A (zh) | 基于Apriori的社保业务关联规则挖掘和推荐装置及方法 | |
CN115203311B (zh) | 一种基于数据大脑的行业数据分析挖掘方法及系统 | |
CN116645137A (zh) | 基于数据库的营销业务效能智能分析预测模型 | |
US20230259499A1 (en) | User generated tag collection system and method | |
CN112632405A (zh) | 一种推荐方法、装置、设备及存储介质 | |
CN116228319A (zh) | 基于埋点的智能广告投放方法与系统 | |
CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
CN117522607A (zh) | 一种企业财务管理系统 | |
KR102067782B1 (ko) | 예약부도 및 예약이행의 확률통계 기반 예약부도 가능성 예측을 이용한 예약부도 관리 서비스 제공 방법 | |
CN115689758A (zh) | 一种股票预测模型构建方法、系统及其应用 | |
CN112396531A (zh) | 一种集资讯、社交、多平台聚合服务于一体的管理系统 | |
CN112085566A (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
Xu et al. | Churn prediction in telecom using a hybrid two-phase feature selection method | |
Dawodi et al. | Data-Mining Opportunities in E-Government: Agriculture Sector of Afghanistan | |
CN115455269B (zh) | 文章热度分析方法、装置、数据处理架构和分析系统 | |
CN116645131A (zh) | 基于图技术的营销域数据资产预测管理模型 | |
CN116934419A (zh) | 数据处理方法、装置、非易失性存储介质及电子设备 | |
Li et al. | Construction of Cross-Border Logistics System based on Preference Recommendation Algorithm | |
CN117370545A (zh) | 一种基于知识图谱的化妆品不良事件分级预警方法及系统 |
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 |