CN116993414A - 潜在客户数据的数据处理方法、系统、装置及存储介质 - Google Patents
潜在客户数据的数据处理方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116993414A CN116993414A CN202310872400.0A CN202310872400A CN116993414A CN 116993414 A CN116993414 A CN 116993414A CN 202310872400 A CN202310872400 A CN 202310872400A CN 116993414 A CN116993414 A CN 116993414A
- Authority
- CN
- China
- Prior art keywords
- data
- potential customer
- potential
- customer
- client
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013499 data model Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 230000003542 behavioural effect Effects 0.000 description 26
- 238000012797 qualification Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种潜在客户数据的数据处理方法、系统、装置及存储介质,所述方法包括获取潜在客户特征数据以及智能匹配规则;根据所述潜在客户特征数据以及所述智能匹配规则,通过规则引擎组件触发运算,确定代理人;获取潜在客户状态数据;根据所述潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息。本申请可以根据特定的智能匹配规则和潜在客户特征数据,智能匹配最合适的代理人,充分满足了潜在客户的需求,提高了匹配准确性以及潜在客户转化成客户的转化率,通过对客户生命周期进行跟踪,以便后期生成提供决策支撑的报表以及制定适合当前潜在客户的工作计划,提高了工作效率。本申请广泛应用于数据处理技术领域。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种潜在客户数据的数据处理方法、系统、装置及存储介质。
背景技术
随着营销服务业务发展的不断增长,企业的获客成本不断升高,新客户增长越来越困难,如何挖掘潜在客户和提高潜在客户转化为客户的转化率是两个营销服务行业的重要难题。
传统的营销服务行业的潜在客户挖掘和转化运营主要依靠代理人的行业经验,高度依赖个人经验,对新手代理人并不友好,且代理人的分配不够精准到位,不能高度符合潜在客户的需求,同时对潜在客户的生命周期没有实时跟踪,且没有充分利用潜在客户的各项数据,从而导致未能针对潜在客户进行更深层次的转化运营工作,潜在客户转化为客户的转化率不高。
发明内容
为了解决至少一个上述相关技术中存在的技术问题,本申请实施例提供了一种潜在客户数据的数据处理方法、系统、装置及存储介质。
本申请实施例的第一方面提出了一种潜在客户数据的数据处理方法,所述方法包括:
获取潜在客户特征数据以及智能匹配规则;
根据所述潜在客户特征数据以及所述智能匹配规则,通过规则引擎组件触发运算,确定代理人;
获取潜在客户状态数据;
根据所述潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息。
在一些实施例,所述方法还包括:
获取客户特征数据;
根据所述客户特征数据,训练潜在客户数据模型;
根据所述潜在客户特征数据,通过所述潜在客户数据模型进行预测,获得预测结果和客户质量评分;
根据所述潜在客户特征数据,通过机器学习算法进行预测,确定第一推荐产品。
在一些实施例,所述根据所述潜在客户特征数据,通过所述潜在客户数据模型进行预测,获得预测结果和客户质量评分这一步骤,具体包括:
将所述潜在客户特征数据反馈至所述潜在客户数据模型;
根据所述潜在客户特征数据,通过所述潜在客户数据模型进行预测,确定所述预测结果;
根据所述预测结果,确定所述客户质量评分。
在一些实施例,在执行所述根据所述潜在客户特征数据,通过机器学习算法进行预测,确定第一推荐产品这一步骤之后,包括:
根据所述潜在客户特征数据,收集需求分析数据;
根据所述需求分析数据,确定第二推荐产品。
在一些实施例,所述根据所述潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息这一步骤,包括:
当所述潜在客户状态数据更新时,更新所述客户生命周期;
根据所述潜在客户状态数据,确定所述工作计划信息;
根据所述潜在客户状态数据以及所述客户生命周期,生成客户报表信息。
在一些实施例,所述根据所述潜在客户特征数据以及所述智能匹配规则,通过规则引擎组件触发运算,确定代理人这一步骤,包括:
将所述潜在客户特征数据以及所述智能匹配规则输入至所述规则引擎组件;
通过所述规则引擎组件触发运算,确定输出结果;
根据所述输出结果,确定所述代理人。
在一些实施例,所述智能匹配规则包括技能匹配规则、地理位置规则、工作负载平衡规则、时间规则以及优先级规则。
本申请实施例的第二方面提供了一种潜在客户数据的数据处理系统,所述系统包括:
第一模块,用于获取潜在客户特征数据以及智能匹配规则;
第二模块,用于根据所述潜在客户特征数据以及所述智能匹配规则,通过规则引擎组件触发运算,确定代理人;
第三模块,用于获取潜在客户状态数据;
第四模块,用于根据所述潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息。
本申请实施例的第三方面提供了一种潜在客户数据的数据处理装置,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
本申请实施例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存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提供的潜在客户数据的数据处理方法、系统、装置及存储介质,其通过获取潜在客户特征数据,结合智能匹配规则输入至规则引擎组件中触发运算,智能匹配代理人,通过获取潜在客户状态数据,对客户生命周期进行跟踪以及确定工作计划信息,以便后期生成提供决策支撑的报表,以及代理人根据潜在客户状态确定一个更适合当前潜在客户的工作计划信息,提高了工作效率,根据特定的智能匹配规则和潜在客户特征数据,智能匹配最合适的代理人,充分满足了潜在客户的需求,便于后期工作的顺利开展,提高了匹配准确性以及潜在客户转化成客户的转化率。
附图说明
图1是本申请实施例提供的潜在客户数据的数据处理方法的流程图;
图2是本申请实施例步骤S601至步骤S603跟踪潜在客户生命周期的示意图;
图3是本申请实施例提供的潜在客户数据的数据处理方法的模块示意图;
图4是本申请实施例提供的潜在客户数据的数据处理装置的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参阅图1,图1是本申请实施例提供的一种潜在客户数据的数据处理方法的一个可选的流程图,该方法可以包括但不限于包括步骤S101至步骤S104:
步骤S101,获取潜在客户特征数据以及智能匹配规则;
步骤S102,根据潜在客户特征数据以及智能匹配规则,通过规则引擎组件触发运算,确定代理人;
步骤S103,获取潜在客户状态数据;
步骤S104,根据潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息。
在一些实施例中,本申请实施例提供的一种潜在客户数据的数据处理方法还可以包括但不限于包括步骤S201至步骤S204:
步骤S201,获取客户特征数据;
步骤S202,根据客户特征数据,训练潜在客户数据模型;
步骤S203,根据潜在客户特征数据,通过潜在客户数据模型进行预测,获得预测结果和客户质量评分;
步骤S204,根据潜在客户特征数据,通过机器学习算法进行预测,确定第一推荐产品。
在一些实施例的步骤S201中,获取客户特征数据(源数据),从而根据客户特征数据,展开对潜在客户的用户画像刻画,客户特征数据包括但不限于包括潜在客户的政策相关的行为特征数据和客户的背景特征数据。示例性地,潜在客户的政策相关的行为特征数据包括但不限于包括多个平台的购买行为数据(购买金额、购买数量、购买时间、购买频率等)以及对不同产品的偏好信息(需求信息)等;客户的背景特征数据包括但不限于包括客户年龄、性别、家庭状况、兴趣爱好以及生活方式等。
在一些实施例的步骤S202中,利用上述收集的多种多样的客户特征数据,对潜在客户数据模型进行数据训练。通过潜在客户数据模型,完成多种业务场景下的预测任务,满足多种业务需求,企业可以根据潜在客户的相关数据(潜在客户特征数据)进行分析预测,制定更合理的工作计划,提高工作效率和企业的经济效益。
在一些实施例的步骤S203中,潜在客户特征数据包括但不限于包括潜在客户的政策相关的行为特征数据和客户的背景特征数据。潜在客户特征数据与上述客户特征数据的数据构成基本一致,上述客户特征数据相当于模型样本数据,用于潜在客户数据模型进行数据训练,潜在客户特征数据用于反馈输入到潜在客户数据模型中进行预测,获得预测结果和客户质量评分。
在一些实施例的步骤S204中,潜在客户特征数据中包括潜在客户的需求和背景信息,根据潜在客户的需求和背景信息,使用机器学习算法对潜在客户的需求进行预测和分析,以找到最适合的保险产品,可选地,根据潜在客户的需求和背景信息,可以使用分类算法来对潜在客户的需求进行预测和分析,并推荐相应的保险产品。
在一些实施例中,步骤S203可以包括但不限于包括步骤S301至步骤S303:
步骤S301,将潜在客户特征数据反馈至潜在客户数据模型;
步骤S302,根据潜在客户特征数据,通过潜在客户数据模型进行预测,确定预测结果;
步骤S303,根据预测结果,确定客户质量评分。
在一些实施例的步骤S301中,将潜在客户特征数据反馈输入至潜在客户数据模型进行模型分析预测,模型分析预测可以应用于多种业务场景,满足多种业务需求,可选地,在销售和市场营销的业务场景中,可以使用模型预测分析出潜在客户的购买意向、需求和偏好,帮助销售人员更好地完成销售和营销任务。
在一些实施例的步骤S302中,根据潜在客户特征数据,进行模型预测的预测结果可以用于多种目的,取决于具体的业务需求和业务场景,预测结果是指基于模型分析和计算得出的关于潜在客户的一些预测性信息。具体的结果取决于所使用的预测模型和所关注的问题。示例性地,包括但不限于包括以下需要应用到模型进行预测的业务需求和业务场景:
销售和市场营销:在该业务场景下,通过模型进行预测,获得的预测结果是潜在客户的购买意向、购买时间、需求和偏好;购买意向,即潜在客户是否有可能购买某个产品或服务;购买时间,即潜在客户可能购买某个产品或服务的时间段,以便企业进行合适的市场推广和销售活动;需求和偏好,即潜在客户对不同产品或特征的偏好信息;该预测结果可以帮助销售团队更有针对性地开展销售活动,优化市场推广策略,并提高销售效率和成果。
客户细分:在该业务场景下,根据潜在客户的特征和行为进行分类,通过模型进行预测,获得的预测结果是将潜在客户划分为不同的细分群体,预测结果有助于企业更好地了解客户群体,个性化定制产品和服务,并开展有针对性的营销活动。
客户价值评估:客户价值,即客户在整个合作期间可能给企业带来的收益,在该业务场景下,通过模型进行预测,评估出潜在客户的价值和潜在利润,具体地,通过模型对客户的历史数据和行为模式进行预测和分析,获得的预测结果是客户的长期价值、购买频率和生命周期价值,从而可以根据预测结果,优化资源分配和客户管理策略。
产品推荐和个性化服务:在该业务场景下,通过模型进行预测,获得的预测结果是潜在客户的需求和产品偏好,基于此,企业可以提供个性化的产品推荐和定制化的服务,有助于提高客户满意度、促进交叉销售和增加客户忠诚度。
客户流失风险:在该业务需求下,通过模型进行预测,获得的预测结果是潜在客户的流失风险,即潜在客户可能放弃与企业的合作关系的概率。
交叉销售机会:在该业务需求下,通过模型进行预测,获得的预测结果是潜在客户可能对附加产品或相关产品感兴趣的机会,从而帮助企业进行交叉销售。
上述这些预测结果可用于指导企业的市场营销策略、销售决策和客户关系管理,通过了解潜在客户的行为和需求(潜在客户特征数据),企业可以更好地满足潜在客户的需求,提高销售效果,并建立更强的客户关系。
在一些实施例的步骤S303中,综合多种业务场景,预先制定各种评分标准,基于步骤S302得到的预测结果与各种评分标准,对潜在客户进行质量打分,获得客户质量评分。
在一些实施例中,在执行步骤S203之后,可以包括但不限于包括步骤S401至步骤S402:
步骤S401,根据潜在客户特征数据,收集需求分析数据;
步骤S402,根据需求分析数据,确定第二推荐产品。
在一些实施例的步骤S401中,潜在客户特征数据中包括潜在客户的需求和背景数据,根据潜在客户的需求和背景数据,进行需求分析数据的收集,可选地,需求分析数据包括但不限于包括保险营销公司的产品、保费、赔付历史、市场趋势等。
在一些实施例的步骤S402中,使用上述需求分析数据,对潜在客户的需求和背景数据进行数据分析,从而确定适合潜在客户的第二推荐产品,示例性地,潜在客户是一位年轻的单身人士,可以根据潜在客户的需求和背景,收集相关的需求分析数据,提供个性化的建议和解决方案,以满足其保险需求,向其推荐较低的保费和更适合的保险产品。
在一些实施例中,步骤S102可以包括但不限于包括步骤S501至步骤S503:
步骤S501,将潜在客户特征数据以及智能匹配规则输入至规则引擎组件;
步骤S502,通过规则引擎组件触发运算,确定输出结果;
步骤S503,根据输出结果,确定代理人。
在一些实施例的步骤S501中,智能匹配代理人的功能是根据潜在客户特征数据以及相应的一些特定的智能匹配规则,把潜在客户分配给对应的代理人。而这就需要通过规则引擎组件根据这些智能匹配规则去触发运算,然后输出结果。智能匹配规则可以包括但不限于包括以下规则:
技能匹配规则:将潜在客户分配给具有与其要求技能匹配的代理人,可选地,如果潜在客户要求分配到一位能够流利地说西班牙语的代理人,那么应该将其分配给会说西班牙语的代理人。
地理位置规则:根据代理人所在地与潜在客户所在地之问的距离,将潜在客户分配给最近的代理人。这可以减少代理人的旅行时问和成本,提高响应速度和客户满意度。
工作负载平衡规则:在分配代理人给潜在客户时,需要平衡代理人的工作负载。这可以确保每位代理人都有适量的工作量,并且不会出现一些代理人负责过多的潜在客户而其他代理人很少有工作的情况。具体地,在某一工作场景下,每个月确保排名前十的代理人分配到十个潜在客户,排名十名之后的代理人则遵循平均分配原则,按照排名分配,具体的排名对应地能够分配到的潜在客户人数可以通过规则引擎组件入参控制。
时间规则:如果在某个时区内的潜在客户需要分配给代理人,则最好将其分配给在该时区内工作的代理人,以便更快地响应和处理。
优先级规则:将潜在客户分配给具有较高优先级的代理人,可选地,如果潜在客户是一个重要的客户或有重大利润潜力的商业机会,则应将其分配给最有经验的代理人。
在一些实施例的步骤S502和步骤S503中,规则引擎组件是一个以数据和规则作为输入的系统,将这些规则应用于数据,并根据规则定义触发运算,最后输出结果,把潜在客户分配给最合适的代理人。
在一些实施例中,步骤S104可以包括但不限于包括步骤S601至步骤S603:
步骤S601,当潜在客户状态数据更新时,更新客户生命周期;
步骤S602,根据潜在客户状态数据,确定工作计划信息;
步骤S603,根据潜在客户状态数据以及客户生命周期,生成客户报表信息。
在一些实施例的步骤S601中,潜在客户状态数据包括但不局限于以下状态数据:已注册、营销资格、不具备营销资格1、销售已接受、已联系、已分配、不具备营销资格2、创建计划书、展现计划书、不具备营销资格3。上述状态数据与客户生命周期阶段一一对应,示例性地,已注册的状态数据对应的生命周期阶段为已注册,已联系的状态数据对应的生命周期阶段为已联系;当潜在客户状态数据更新时,即从当前的状态数据更新为下一阶段的状态数据,客户生命周期阶段也随之更新,进入下一阶段的状态数据对应的客户生命周期阶段,同时,客户的生命周期也随之延长更新,变为拥有两个阶段的生命周期,示例性地,潜在客户状态数据从已注册的状态数据,更新为营销资格的状态数据,再更新为销售已接受的状态数据,对应的客户生命周期阶段变化为已注册,再到营销资格,再到销售已接受,基于此,客户的生命周期从初始的已注册更新为已注册-营销资格-销售已接受。
在一些实施例的步骤S602中,根据潜在客户状态数据,确定客户生命周期阶段,从而确定工作计划信息,可选地,当客户生命周期阶段为销售已接受,此时确定的工作计划信息为分配代理人,代理人与潜在客户进行电话活动等。
在一些实施例的步骤S603中,根据潜在客户状态数据,实时跟踪潜在客户的现时状态以及客户生命周期,生成客户报表信息,潜在客户的现时状态实时跟踪对代理人起着关键的作用,可以让代理人更了解当前潜在客户的状态从而提出一个更适合当前潜在客户的保险计划,提高转化成客户的成功率。客户报表信息也尤为重要,可以给决策者提供决策支撑,更好地进行判断和决策,确定下一步的工作方针。
在一些实施例的步骤S601至步骤S603中,请参阅图2,图2是跟踪潜在客户生命周期的示意图,其中,清晰刻画了潜在客户状态数据和其对应的客户生命周期阶段的变化过程,不同的客户生命周期阶段对应不同的状态,不同的标号对应不同的导致状态变化的行为活动,具体如下:
潜在客户在网站或其他渠道注册个人信息,此时初始状态为:已注册。
标号1对应的行为活动为在已注册状态下智能评分系统会对潜在客户进行评分,达到一定分数,然后进入下一状态:营销资格。标号26对应的行为活动为在已注册的状态下,在某些源端进来的潜在客户可直接到达销售已接受的状态。
标号2对应的行为活动为在营销资格状态下进行一些准备活动之后若潜在客户表现出有意愿要买,点击了广告,创建账号等,则进入下一状态:销售已接受。在销售已接受的状态下代理人正式进入,在此状态下有些潜在客户之前已经买过保险,已经有代理人,可以直接进行电话活动。标号3对应的行为活动为在营销资格状态下进行一些准备活动之后若潜在客户的电话号码错误,不合理的电话号码,未成年(有些保险有年龄限制),无法联系-已关闭,明确拒绝并表示没有点击任何广告,拒绝并明确表现出没有任何营销活动的可能性等,则进入下一状态:不具备营销资格1。
标号4对应的行为活动为在销售已接受的状态下未分配好代理人的潜在客户则会通过智能分配代理人的规则引擎组件来完成分配代理人这个动作,进入下一阶段状态:已分配。标号5对应的行为活动为在销售已接受的状态下,上游系统已完成分配代理人的步骤,不在规则引擎组件里完成这个分配代理人的步骤,并且分配好的代理人已经联系过潜在客户,直接进入下一阶段状态:已联系。标号6对应的行为活动为在销售已接受的状态下,打电话给潜在客户而潜在客户又处于以下子状态:已购买,无效电话号码,错误联系人,不感兴趣,只是完成了一个调查问卷,对另一个产品感兴趣,其他等,则进入下一个状态:不具备营销资格2。
标号7对应的行为活动为进入已分配状态下的潜在客户有可能因为其他原因而需要再次分配新的代理人进行跟进,则再次重新进入当前状态:已分配。标号8对应的行为活动为在已分配的状态下,通过智能分配代理人的规则引擎组件来完成分配代理人这个动作,并且分配好的代理人已经联系过潜在客户,直接进入下一阶段状态:已联系。标号9对应的行为活动为在已分配的状态下,代理人打电话给潜在客户而潜在客户又处于以下子状态:已购买,无效电话号码,错误联系人,不感兴趣,只是完成了一个调查问卷,对另一个产品感兴趣,其他等,则进入下一个状态:不具备营销资格2。
标号10对应的行为活动为在已联系的状态下,代理人已成功联系上潜在客户并潜在客户表示:会买、有意愿购买,无回复,对其它产品更加感兴趣,其他。则进入下一状态:创建计划书。标号11对应的行为活动为在已联系的状态下,与潜在客户持续进行联系,潜在客户仍未确定购买意向,则继续停留在当前状态:已联系。标号12对应的行为活动为在已联系的状态下,打电话给潜在客户而潜在客户又处于以下子状态:已购买,无效电话号码,错误联系人,不感兴趣,只是完成了一个调查问卷,对另一个产品感兴趣,其他等,则进入下一个状态:不具备营销资格2。
标号13对应的行为活动为在创建计划书的状态下,计划书创建完毕,进入下一状态:展现计划书。标号14对应的行为活动为在创建计划书的状态下,在创建计划书时若潜在客户觉得太昂贵,不喜欢该产品则进入下一状态:不具备营销资格3。
标号15对应的行为活动为在展现计划书的状态下,潜在客户同意计划书的方案,可进入下一状态:已提交。标号16对应的行为活动为在展现计划书的状态下,若潜在客户有其他意见则代理人会调整计划书则返回上一状态:创建计划书(新),调整完毕后继续展现计划书。
标号17对应的行为活动为在已提交的状态下,已成功付款的潜在客户会进入下一状态:已宣布。标号18对应的行为活动为在已提交的状态下,潜在客户若出现付款失败则进入下一状态:不具备营销资格4。
标号19对应的行为活动为处于已宣布的状态下的潜在客户,对其进行追加销售,再次销售时可再次返回销售已接受状态,进行潜在客户生命周期再循环。
标号20对应的行为活动为在不具备营销资格2的状态下,在特定情况下可返回状态:销售已接受,进行潜在客户生命周期循环。标号21对应的行为活动为在不具备营销资格2的状态下,在特定情况下可返回初始状态:已注册,进行潜在客户生命周期循环。标号22对应的行为活动为在不具备营销资格3的状态下,在特定情况下可返回状态:已注册,进行潜在客户生命周期循环。标号23对应的行为活动为在不具备营销资格3的状态下,在特定情况下可返回初始状态:销售已接受,进行潜在客户生命周期循环。标号24对应的行为活动为在不具备营销资格4的状态下,在特定情况下可返回状态:销售已接受,进行潜在客户生命周期循环。标号25对应的行为活动为在不具备营销资格4的状态下,在特定情况下可返回初始状态:已注册,进行潜在客户生命周期循环。
请参阅图3,本申请实施例还提供了一种潜在客户数据的数据处理系统,可以实现上述的潜在客户数据的数据处理方法,该系统包括:
第一模块,用于获取潜在客户特征数据以及智能匹配规则;
第二模块,用于根据潜在客户特征数据以及智能匹配规则,通过规则引擎组件触发运算,确定代理人;
第三模块,用于获取潜在客户状态数据;
第四模块,用于根据潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息。
该潜在客户数据的数据处理系统的具体实施方式与上述潜在客户数据的数据处理方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种潜在客户数据的数据处理装置,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述潜在客户数据的数据处理方法。
请参阅图4,图4示意了另一实施例的潜在客户数据的数据处理装置的硬件结构,潜在客户数据的数据处理装置包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的潜在客户数据的数据处理方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还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存储有计算机程序,该计算机程序被处理器执行时实现上述潜在客户数据的数据处理方法。
本申请实施例提供的潜在客户数据的数据处理方法、系统、装置及存储介质,其通过获取潜在客户特征数据,结合智能匹配规则输入至规则引擎组件中触发运算,智能匹配代理人,通过获取潜在客户状态数据,对客户生命周期进行跟踪以及确定工作计划信息,以便后期生成提供决策支撑的报表,以及代理人根据潜在客户状态确定一个更适合当前潜在客户的工作计划信息,提高了工作效率,根据特定的智能匹配规则和潜在客户特征数据,智能匹配最合适的代理人,充分满足了潜在客户的需求,便于后期工作的顺利开展,提高了匹配准确性以及潜在客户转化成客户的转化率。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明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,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上参照附图说明了本申请实施例的可选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种潜在客户数据的数据处理方法,其特征在于,包括:
获取潜在客户特征数据以及智能匹配规则;
根据所述潜在客户特征数据以及所述智能匹配规则,通过规则引擎组件触发运算,确定代理人;
获取潜在客户状态数据;
根据所述潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息。
2.根据权利要求1所述的潜在客户数据的数据处理方法,其特征在于,还包括:
获取客户特征数据;
根据所述客户特征数据,训练潜在客户数据模型;
根据所述潜在客户特征数据,通过所述潜在客户数据模型进行预测,获得预测结果和客户质量评分;
根据所述潜在客户特征数据,通过机器学习算法进行预测,确定第一推荐产品。
3.根据权利要求2所述的潜在客户数据的数据处理方法,其特征在于,所述根据所述潜在客户特征数据,通过所述潜在客户数据模型进行预测,获得预测结果和客户质量评分这一步骤,具体包括:
将所述潜在客户特征数据反馈至所述潜在客户数据模型;
根据所述潜在客户特征数据,通过所述潜在客户数据模型进行预测,确定所述预测结果;
根据所述预测结果,确定所述客户质量评分。
4.根据权利要求2所述的潜在客户数据的数据处理方法,其特征在于,在执行所述根据所述潜在客户特征数据,通过机器学习算法进行预测,确定第一推荐产品这一步骤之后,包括:
根据所述潜在客户特征数据,收集需求分析数据;
根据所述需求分析数据,确定第二推荐产品。
5.根据权利要求1所述的潜在客户数据的数据处理方法,其特征在于,所述根据所述潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息这一步骤,包括:
当所述潜在客户状态数据更新时,更新所述客户生命周期;
根据所述潜在客户状态数据,确定所述工作计划信息;
根据所述潜在客户状态数据以及所述客户生命周期,生成客户报表信息。
6.根据权利要求1所述的潜在客户数据的数据处理方法,其特征在于,所述根据所述潜在客户特征数据以及所述智能匹配规则,通过规则引擎组件触发运算,确定代理人这一步骤,包括:
将所述潜在客户特征数据以及所述智能匹配规则输入至所述规则引擎组件;
通过所述规则引擎组件触发运算,确定输出结果;
根据所述输出结果,确定所述代理人。
7.根据权利要求1所述的潜在客户数据的数据处理方法,其特征在于,所述智能匹配规则包括技能匹配规则、地理位置规则、工作负载平衡规则、时间规则以及优先级规则。
8.一种潜在客户数据的数据处理系统,其特征在于,包括:
第一模块,用于获取潜在客户特征数据以及智能匹配规则;
第二模块,用于根据所述潜在客户特征数据以及所述智能匹配规则,通过规则引擎组件触发运算,确定代理人;
第三模块,用于获取潜在客户状态数据;
第四模块,用于根据所述潜在客户状态数据,跟踪客户生命周期以及确定工作计划信息。
9.一种潜在客户数据的数据处理装置,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的潜在客户数据的数据处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的潜在客户数据的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310872400.0A CN116993414A (zh) | 2023-07-14 | 2023-07-14 | 潜在客户数据的数据处理方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310872400.0A CN116993414A (zh) | 2023-07-14 | 2023-07-14 | 潜在客户数据的数据处理方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993414A true CN116993414A (zh) | 2023-11-03 |
Family
ID=88525864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310872400.0A Pending CN116993414A (zh) | 2023-07-14 | 2023-07-14 | 潜在客户数据的数据处理方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993414A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391405A (zh) * | 2023-12-11 | 2024-01-12 | 汇丰金融科技服务(上海)有限责任公司 | 用于客户与业务人员的智能匹配的方法、系统和电子设备 |
CN117726360A (zh) * | 2024-02-18 | 2024-03-19 | 深圳市加推科技有限公司 | 客户行为驱动的工业产品销售分析方法及相关组件 |
-
2023
- 2023-07-14 CN CN202310872400.0A patent/CN116993414A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391405A (zh) * | 2023-12-11 | 2024-01-12 | 汇丰金融科技服务(上海)有限责任公司 | 用于客户与业务人员的智能匹配的方法、系统和电子设备 |
CN117391405B (zh) * | 2023-12-11 | 2024-03-15 | 汇丰金融科技服务(上海)有限责任公司 | 用于客户与业务人员的智能匹配的方法、系统和电子设备 |
CN117726360A (zh) * | 2024-02-18 | 2024-03-19 | 深圳市加推科技有限公司 | 客户行为驱动的工业产品销售分析方法及相关组件 |
CN117726360B (zh) * | 2024-02-18 | 2024-05-17 | 深圳市加推科技有限公司 | 客户行为驱动的工业产品销售分析方法及相关组件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11451668B2 (en) | Customer journey management | |
CN116993414A (zh) | 潜在客户数据的数据处理方法、系统、装置及存储介质 | |
US20210233095A9 (en) | Systems and methods for predicting subscriber churn in renewals of subscription products and for automatically supporting subscriber-subscription provider relationship development to avoid subscriber churn | |
Sun et al. | “Adaptive” learning and “proactive” customer relationship management | |
US20130054306A1 (en) | Churn analysis system | |
US8200524B2 (en) | System and method for automated contact qualification | |
US20150317670A1 (en) | Dynamic marketing resource arbitrage | |
US20200302486A1 (en) | Method and system for determining optimized customer touchpoints | |
Adebiyi et al. | Improved customer churn and retention decision management using operations research approach | |
US11900424B2 (en) | Automatic rule generation for next-action recommendation engine | |
KR20010109402A (ko) | 인터넷 상에서의 고객 행동 가치 산출 시스템 및 방법 | |
Mohieldin | Big data applications in digital marketing | |
Alqudah | Artificial Intelligence in managing the electronic customer relationship and enhancing the level of satisfaction with electronic services | |
US20160148271A1 (en) | Personalized Marketing Based on Sequence Mining | |
Mistrean | Banking customer relationship management under the impact of new information technologies | |
CN112132597A (zh) | 数据处理方法、装置、设备及存储介质 | |
US20150235159A1 (en) | System and method for contact center agent guidance with feedback | |
Lee et al. | A value engineering based method of configuring ICT-based customer service centers | |
Pereira et al. | How artificial intelligence can improve digital marketing | |
Puspitasari et al. | Reducing Customer Churn for XL Axiata Prepaid: Factors and Strategies | |
Ekasari et al. | THE ROLE OF ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING IN PRECISION TARGETING: REVOLUTIONIZING MARKETING STRATEGIES | |
CN118014653A (zh) | 一种基于实时交互的广告系统 | |
CN116188047A (zh) | 用户推荐方法和系统、电子设备及存储介质 | |
Lendel et al. | New Trends in Customer Relationship Management and their Application in Slovak Enterprises | |
SAKAL | BIG DATA MARKETING |
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 |