CN117291655B - 基于实体、网络协同映射的消费者生命周期运营分析方法 - Google Patents
基于实体、网络协同映射的消费者生命周期运营分析方法 Download PDFInfo
- Publication number
- CN117291655B CN117291655B CN202311591158.6A CN202311591158A CN117291655B CN 117291655 B CN117291655 B CN 117291655B CN 202311591158 A CN202311591158 A CN 202311591158A CN 117291655 B CN117291655 B CN 117291655B
- Authority
- CN
- China
- Prior art keywords
- consumer
- data
- behavior
- kappa
- clustering
- 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
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 140
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 94
- 238000012360 testing method Methods 0.000 claims description 66
- 238000000034 method Methods 0.000 claims description 56
- 238000012729 kappa analysis Methods 0.000 claims description 34
- 238000007637 random forest analysis Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于实体、网络协同映射的消费者生命周期运营分析方法，用于消费者生命周期划分领域，该方法包括以下步骤：划分消费者在购买决策阶段的行为步骤，创建旅程停靠点；收集相应的消费者行为数据；为每个旅程停靠点创建对应的消费者实体，模拟真实世界的消费者行为；使用AI和机器学习模型对各个旅程停靠点的消费者行为和反馈数据进行预测；根据预测结果，找出影响消费者购买决策的关键因素，优化消费者旅程地图和针对性策略；对消费者的使用和回购数据进行分析，完善消费者旅程地图；搭建与消费者反馈的互动平台，并提供个性化服务。本发明结合AI和机器学习模型，分析各个旅程停靠点的消费者行为和反馈数据，预测消费者行为。
Description
技术领域
本发明涉及消费者生命周期划分领域，具体来说，尤其涉及基于实体、网络协同映射的消费者生命周期运营分析方法。
背景技术
随着科技的发展，尤其是互联网技术的崛起，为了更好地瞄准客户需求并提高销售额，很多企业正在迈向数字化，建设大数据和人工智能等领域的IT系统，对消费者行为进行深入研究和挖掘，从而使其运营策略更加精准。
通过应用消费者生命周期理论，企业可以更有效地理解和预测消费者的消费习惯和需求，从而提供更高效、更具针对性的服务，提高消费者满意度，最终实现销售额和利润的增长。
现有技术的数据分析方法可能无法深度理解消费者在购买决策各阶段的行为，无法充分挖掘和借鉴消费者行为中的信息，由于缺乏实时的消费者行为反馈信息，企业可能无法及时优化产品和服务，也无法有效地解决消费者的问题，若没有及时、有效地反馈消费者行为的变化，企业可能无法及时调整市场策略以适应消费者行为的变化。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
为了克服以上问题，本发明旨在提出基于实体、网络协同映射的消费者生命周期运营分析方法，目的在于解决现有技术的数据分析方法可能无法深度理解消费者在购买决策各阶段的行为，无法充分挖掘和借鉴消费者行为中的信息的问题。
为此，本发明采用的具体技术方案如下：
基于实体、网络协同映射的消费者生命周期运营分析方法，该消费者生命周期运营分析方法包括以下步骤：
S1、划分消费者在购买决策阶段的行为步骤，映射到消费者旅程地图上，创建旅程停靠点；
S2、根据每个旅程停靠点的需求，收集相应的消费者行为数据；
S3、为每个旅程停靠点创建对应的消费者实体，模拟真实世界的消费者行为；
S4、使用AI和机器学习模型对各个旅程停靠点的消费者行为和反馈数据进行预测；
S5、根据预测结果，找出影响消费者购买决策的关键因素，并基于关键因素优化消费者旅程地图和针对性策略；
S6、对消费者的使用和回购数据进行分析，完善消费者旅程地图；
S7、搭建与消费者反馈的互动平台，收集消费者对产品的反馈，并提供个性化服务。
可选地，划分消费者在购买决策阶段的行为步骤，映射到消费者旅程地图上，创建旅程停靠点包括以下步骤：
S11、标识消费者购买决策的各个阶段；
S12、分析消费者在每个阶段的行为的意图；
S13、根据分析结果，记录消费者购买过程中的行为数据；
S14、将行为数据映射到消费者旅程地图上，为每个购买决策阶段确定一个或多个旅程停靠点；
S15、确保每个旅程停靠点都与消费者在相应阶段的典型行为和潜在需求相关联；
S16、持续监测和更新消费者旅程地图，根据消费者行为动态调整旅程停靠点。
可选地，为每个旅程停靠点创建对应的消费者实体，模拟真实世界的消费者行为包括以下步骤：
S31、获取消费者行为数据，利用聚类算法将特征的数据分组，深入分析消费者行为数据，提取不同类别消费者的特征，并依据聚类结果创建消费者实体；
S32、利用消费者实体模拟在各个旅程停靠点的消费者行为，预测消费者实体在给定的旅程停靠点的行为；
S33、基于消费者行为的预测结果，优化产品并满足消费者的服务需求；
S34、定期更新收集的消费者行为数据，重复执行S31-S33的步骤，并根据新的消费者行为数据、洞察和聚类结果优化消费者实体。
可选地，获取消费者行为数据，利用聚类算法将具有相似行为或特征的数据分组，深入分析消费者行为数据，提取不同类别消费者的特征，并依据聚类结果创建消费者实体包括以下步骤：
S311、收集消费者行为数据，并进行数据清洗；
S312、利用肘部法找到最优的聚类数量，并利用概率抽样法确定初始的聚类中心；
S313、计算每个数据样本距离所有聚类中心的距离，并根据样本间的相关性权重进行软聚类分配；
S314、基于每个数据样本的贡献度权重，对每个聚类中心进行软更新；
S315、重复执行S313-S314的步骤，直到达到预设的聚类评估标准；
S316、使用Davies-Bouldin指数对聚类效果进行评估，提取每个聚类的特征，根据特征为不同的消费者群体创建消费者实体；
S317、根据聚类结果和消费者实体，进行业务分析。
可选地，使用AI和机器学习模型对各个旅程停靠点的消费者行为和反馈数据进行预测包括以下步骤：
S41、收集各个旅程停靠点历史消费者行为原始数据，得到结构化的数据集；
S42、基于业务分析，选取影响目标消费者行为的特征数据集；
S43、将特征数据集按预设比例分割为训练集和测试集，并利用随机森林算法对训练集数据生成多个决策树，得到基分类器集合；
S44、用测试集数据评估每棵决策树的分类精度，采用AUC指标排序，选取精度较高的决策树组成高精度子森林；
S45、使用Kappa统计量计算高精度子森林中每对决策树之间的相似度；
S46、采用聚类算法，根据决策树相似度对高精度子森林进行划分，得到多个类簇；
S47、从每个类簇中选择分类精度较高且相似度较低的代表决策树，组合代表决策树构建改进的随机森林模型；
S48、使用改进的随机森林模型对测试数据进行预测，评估模型分类精度；
S49、根据预测结果，为不同旅程停靠点的消费者生成个性化推荐，对比和评估生成的推荐结果与真实消费者行为的匹配程度，优化随机森林模型。
可选地，将特征数据集按预设比例分割为训练集和测试集，并利用随机森林算法对训练集数据生成多个决策树，得到基分类器集合包括以下步骤：
S431、将特征数据集按预设比例分割为训练集和测试集；
S432、初始化随机森林算法的参数，参数至少包括树的数量、树的最大深度及节点划分所需的最小样本数；
S433、利用随机森林算法和初始化后的参数对训练集数据生成多个决策树，得到基分类器集合；
S434、采用交叉验证方法，在训练集上对随机森林模型进行训练并评估性能；
S435、根据交叉验证结果，确定最优的参数设置；
S436、用最优参数设置重新训练随机森林模型，生成优化后的决策树，然后在测试集上进行最后的评估，对树的特征重要性进行分析。
可选地，使用Kappa统计量计算高精度子森林中每对决策树之间的相似度包括以下步骤：
S451、根据预设的评估指标从生成的决策树中挑选出最佳的决策树，组成高精度子森林；
S452、对于这个高精度子森林中的每一个决策树，均与其他决策树进行配对，并计算所有配对后的决策树；
S453、对于决策树对，通过Kappa统计量计算这两棵决策树的相似度，并将决策树对的Kappa统计量存储下来；
S454、统计所有决策树对的Kappa统计量，并进行分析；
S455、基于Kappa统计量，评估子森林中决策树之间的一致性，一致性越高，Kappa统计量越接近于1；一致性越低，Kappa统计量越接近于0；
S456、对比分析各基分类器之间的Kappa统计量，然后选择Kappa统计量较接近1的决策树组合。
可选地，采用聚类算法，根据决策树相似度对高精度子森林进行划分，得到多个类簇包括以下步骤：
S461、收集高精度子森林中每棵决策树对测试样本的分类结果；
S462、定义决策树之间输出结果的相似度，采用归一化的Kappa统计量；
S463、确定聚类的类别数，使用距离法初始化每个聚类中心，其中，聚类中心在数据空间中代表不同分组的点；
S464、计算每个测试样本预测结果与各聚类中心的Kappa值距离；
S465、根据距离，将预测结果分配到聚类中心对应的类簇；
S466、对每个类簇，重新计算中心决策树，并由中心决策树作为类簇的代表；
S467、重复执行S464-S466的步骤，直至达到预定的迭代次数，得到 K个聚类的类簇。
可选地，计算每个测试样本预测结果与各聚类中心的Kappa值距离包括以下步骤：
S4641、对测试样本集进行预测，通过决策树得到每个测试样本的分类结果；
S4642、根据预测结果，构建分类结果矩阵，对于聚类中心树k，提取其分类结果向量；
S4643、对每个测试样本，计算测试样本与各聚类中心树k的Kappa相似度；
S4644、将Kappa相似度转化为Kappa距离；
S4645、计算测试样本与所有聚类中心树k的Kappa距离，得到个别测试样本关于所有聚类中心的Kappa距离分配矩阵；
S4646、在所有聚类中心中，找出与具体测试样本的Kappa距离最小的聚类中心，将测试样本i分配到该聚类中心所在的类；
S4647、重复执行S4641-S4646的步骤，直到得到所有测试样本与各聚类中心的Kappa距离矩阵；计算测试样本与各聚类中心树k的Kappa相似度的公式为：；计算测试样本与所有聚类中心k的Kappa距离的公式为：；式中，/>表示测试样本与各聚类中心树k的Kappa相似度；/>表示分类上随机分类中正确分类的比例；/>表示分类上随机分类中预期的正确分类比例；表示测试样本与各聚类中心树k的Kappa距离。
可选地，根据预测结果，找出影响消费者购买决策的关键因素，并基于关键因素优化消费者旅程地图和针对性策略包括以下步骤：
S51、分析每个决策树的分裂节点，计算每个特征对分裂节点的贡献度；
S52、统计所有决策树中的关键特征，并且按照关键特征对分裂节点的贡献度和在所有决策树中出现的频率进行排序；
S53、选择贡献度最大且出现频率最高的前若干个关键特征，作为影响消费者购买决策的关键因素；
S54、依据关键因素，准确定义出消费者在购买过程中经历的各种阶段，并标出消费者在各种阶段遇到的问题、所寻求的需求及他们的购买意向；
S55、针对旅程地图的每个阶段，制定新的营销策略。
相较于现有技术，本申请具有以下有益效果：
1、本发明通过理解和标识消费者在购买决策各阶段的行为，针对性地满足消费者的需求，提高消费者的购买转换率，其次将行为数据映射到消费者旅程地图上，并创建相应的旅程停靠点，不仅使得消费者的行为变得可视化，从而帮助企业更好地理解消费者，也有利于企业精确地提供满足消费者需求的产品和服务，然后确保每个旅程停靠点都与消费者在相应阶段的典型行为和潜在需求相关联，有助于企业捕捉到消费者可能存在的痛点和需求，从而优化产品和服务，最后持续监测和更新消费者旅程地图使得第一时间反映消费者行为的变化；
2、本发明使用了聚类算法来创建消费者实体，有效地捕捉到消费者行为的相似性，更好的理解并预测消费者的行为模式，消费者实体的创建可以模拟真实的消费者行为，帮助企业在产品设计和市场策略的早期阶段就获得有价值的反馈，流程中的持续优化环节保证了企业的模型和策略能够及时地适应消费者行为的变化，使用肘部法确定最优聚类数量，并利用概率抽样法确定初始的聚类中心，可以有效地优化聚类的效果，最后Davies-Bouldin指数的使用，提供了有效的方法来评估聚类的效果，辅助企业对消费者实体的创建做出更好的决策；
3、本发明结合AI和机器学习模型，通过分析各个旅程停靠点的消费者行为和反馈数据，能有效预测消费者行为，同时，引入了多种评估指标和优化策略，如AUC指标、Kappa统计量、随机森林和聚类算法等，使得模型的预测结果更精确，随机森林能处理复杂和高维度的数据，对数据集的适应能力强，通过进行交叉验证和参数优化，可以实现模型性能的自我提升，通过构建的模型，可以为消费者生成更加个性化的推荐，提升用户体验，从而增加企业的收益。
附图说明
结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：图1是根据本发明实施例的基于实体、网络协同映射的消费者生命周期运营分析方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
根据本发明的实施例，提供了基于实体、网络协同映射的消费者生命周期运营分析方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于实体、网络协同映射的消费者生命周期运营分析方法，该消费者生命周期运营分析方法包括以下步骤：
S1、划分消费者在购买决策阶段的行为步骤，映射到消费者旅程地图上，创建旅程停靠点。
优选地，划分消费者在购买决策阶段的行为步骤，映射到消费者旅程地图上，创建旅程停靠点包括以下步骤：
S11、标识消费者购买决策的各个阶段；
S12、分析消费者在每个阶段的行为的意图；
S13、根据分析结果，记录消费者购买过程中的行为数据；
S14、将行为数据映射到消费者旅程地图上，为每个购买决策阶段确定一个或多个旅程停靠点；
S15、确保每个旅程停靠点都与消费者在相应阶段的典型行为和潜在需求相关联；
S16、持续监测和更新消费者旅程地图，根据消费者行为动态调整旅程停靠点。
需要解释说明的是，消费者旅程地图是一个图形化的消费者购买决策过程，它揭示了消费者从了解产品、评价和购买，到使用和反馈的全部过程，这个过程可能包括搜索信息、比较产品、考虑价格等，营销人员通过理解消费者在旅程中各阶段的行为和需求，可深入了解消费者，并优化其营销策略，数字化营销为消费者旅程带来了更深层级的个性化、实时性、自动化等特性，有助于更好地理解消费者行为并作出回应。
S2、根据每个旅程停靠点的需求，收集相应的消费者行为数据。
需要解释说明的是，收集到的消费者行为数据可以是购买行为、浏览习惯、搜索记录、评价反馈等，在现实环境下，数据的收集可以通过各种途径，例如网站的用户行为记录、社交媒体互动、电子邮件营销反馈等，利用这些数据，企业能够更准确地理解消费者的需求和痛点，从而可以在每个旅程停靠点提供更符合消费者需求的服务或产品，此外，使用这些数据，可以帮助企业预测消费者的未来行为，以提前做好市场策略准备，例如，通过分析消费者的在线行为，企业能够预测哪些新产品或服务最可能受到其欢迎。
S3、为每个旅程停靠点创建对应的消费者实体，模拟真实世界的消费者行为。
优选地，为每个旅程停靠点创建对应的消费者实体，模拟真实世界的消费者行为包括以下步骤：
S31、获取消费者行为数据，利用聚类算法将特征的数据分组，深入分析消费者行为数据，提取不同类别消费者的特征并依据聚类结果创建消费者实体；
S32、利用消费者实体模拟在各个旅程停靠点的消费者行为，预测消费者实体在给定的旅程停靠点的行为；
S33、基于消费者行为的预测结果，优化产品并满足消费者的服务需求；
S34、定期更新收集的消费者行为数据，重复执行S31-S33的步骤，并根据新的消费者行为数据、洞察和聚类结果优化消费者实体。
优选地，获取消费者行为数据，利用聚类算法将具有相似行为或特征的数据分组，深入分析消费者行为数据，提取不同类别消费者的特征，并依据聚类结果创建消费者实体包括以下步骤：
S311、收集消费者行为数据，并进行数据清洗；
S312、利用肘部法找到最优的聚类数量，并利用概率抽样法确定初始的聚类中心；
S313、计算每个数据样本距离所有聚类中心的距离，并根据样本间的相关性权重进行软聚类分配；需要补充说明是，软聚类分配指在聚类分析中，允许每个数据样本可能同时属于多个聚类类别，而不是硬聚类只将每个样本完全分配到一个聚类中，软聚类可以更好地处理边界样本，避免固定划分的效果，同时也能考虑样本间的相关性；
S314、基于每个数据样本的贡献度权重，对每个聚类中心进行软更新；
S315、重复执行S313-S314的步骤，直到达到预设的聚类评估标准；需要补充说明是，预设的聚类评估标准包括：聚类中心的改变量达到阈值，如果连续迭代中，聚类中心的改变量小于某个阈值，则说明聚类结果趋于稳定，可以停止迭代，预设标准通常与迭代过程中样本分配、聚类中心变化、评价指标等的改变量有关；
S316、使用Davies-Bouldin指数（戴维斯-布尔丁指数，该指数是一种用于评估聚类效果的指标。这个指数越小，意味着聚类效果越好，即类内相似性高，类间相似性低）对聚类效果进行评估，提取每个聚类的特征，根据特征为不同的消费者群体创建消费者实体；
S317、根据聚类结果和消费者实体，进行业务分析。
需要解释说明的是，围绕着运用消费者行为数据、聚类算法以及消费者实体（也称为买家人格或顾客画像）来理解和模拟消费者行为，消费者实体通常包括消费者的基本信息以及行为、需求、希望、目标等特征，在这个过程中，数据挖掘和机器学习技术起到了至关重要的作用，例如，聚类算法可以找到具有相似行为或特征的消费者群体；肘部法和Davies-Bouldin指数等评估标准则可以评估聚类的效果并确定最佳的聚类数量，应用这些技术，可以基于已有的消费者行为数据创建消费者实体，还可以根据模拟的消费者行为调整和优化产品或服务，以更好地满足消费者的需求。
S4、使用AI和机器学习模型对各个旅程停靠点的消费者行为和反馈数据进行预测。
S41、收集各个旅程停靠点历史消费者行为原始数据，包括购买记录、浏览点击、评价反馈等，并进行数据清洗，得到结构化的数据集；
S42、基于业务分析，选取影响目标消费者行为的特征数据集，如商品信息、价格、停靠点位置等；
S43、将特征数据集按预设比例分割为训练集和测试集，并利用随机森林算法对训练集数据生成多个决策树，得到基分类器集合；
S44、用测试集数据评估每棵决策树的分类精度，采用AUC指标（曲线下面积指标）排序，选取精度较高的决策树组成高精度子森林；
S45、使用Kappa（卡帕）统计量计算高精度子森林中每对决策树之间的相似度；
S46、采用聚类算法，根据决策树相似度对高精度子森林进行划分，得到多个类簇；
S47、从每个类簇中选择分类精度较高且相似度较低的代表决策树，组合代表决策树构建改进的随机森林模型；
S48、使用改进的随机森林模型对测试数据进行预测，评估模型分类精度；
S49、根据预测结果，为不同旅程停靠点的消费者生成个性化推荐，对比和评估生成的推荐结果与真实消费者行为的匹配程度，反馈并进一步优化模型。
具体的，在现代的数据驱动营销中，利用随机森林模型进行消费者行为预测已经变得越来越普遍，特别是随机森林算法，由于其出色的处理大数据集和高维度特征的能力，被广泛应用于多种预测问题，包括消费者行为预测，此外，AUC、Kappa统计量等数学工具，能够对模型性能进行精确评估，确保预测结果的可靠性，值得注意的是，任何预测模型都需要定期更新和优化，以确保其能够顺应消费者行为的变化，因此，模型的反馈和优化步骤在实际应用中非常关键，根据模型预测的消费者行为生成个性化推荐，有助于提高消费者的购买满意度和忠诚度，从而为企业带来更高的收益。
优选地，将特征数据集按预设比例分割为训练集和测试集，并利用随机森林算法对训练集数据生成多个决策树，得到基分类器集合包括以下步骤：
S431、将特征数据集按预设比例分割为训练集和测试集；
S432、初始化随机森林算法的参数，参数至少包括树的数量、树的最大深度及节点划分所需的最小样本数；
S433、利用随机森林算法和初始化后的参数对训练集数据生成多个决策树，得到基分类器集合；
S434、采用交叉验证方法，在训练集上对随机森林模型进行训练并评估性能；
S435、根据交叉验证结果，确定最优的参数设置；
S436、用最优参数设置重新训练随机森林模型，生成优化后的决策树，然后在测试集上进行最后的评估，对树的特征重要性进行分析。
优选地，使用Kappa统计量计算高精度子森林中每对决策树之间的相似度包括以下步骤：
S451、根据预设的评估指标从生成的决策树中挑选出最佳的决策树，组成高精度子森林；
S452、对于这个高精度子森林中的每一个决策树，均与其他决策树进行配对，并计算所有配对后的决策树；
S453、对于决策树对，通过Kappa统计量计算这两棵决策树的相似度，并将决策树对的Kappa统计量存储下来；
S454、统计所有决策树对的Kappa统计量，并进行分析；
S455、基于Kappa统计量，评估子森林中决策树之间的一致性，一致性越高，Kappa统计量越接近于1；一致性越低，Kappa统计量越接近于0；
S456、对比分析各基分类器之间的Kappa统计量，然后选择Kappa统计量较接近1的决策树组合。
优选地，采用聚类算法，根据决策树相似度对高精度子森林进行划分，得到多个类簇包括以下步骤：
S461、收集高精度子森林中每棵决策树对测试样本的分类结果；
S462、定义决策树之间输出结果的相似度，采用归一化的Kappa统计量；
S463、确定聚类的类别数，使用距离法初始化每个聚类中心，其中，聚类中心在数据空间中代表不同分组的点；
S464、计算每个测试样本预测结果与各聚类中心的Kappa值距离；
S465、根据距离，将预测结果分配到其最近的聚类中心对应的类簇；
S466、对每个类簇，重新计算中心决策树，并由中心决策树作为类簇的代表；
S467、重复执行S464-S466的步骤，直至达到预定的迭代次数，得到 K个聚类的类簇。
可以说明的是，参数优化和交叉验证是机器学习的关键步骤，帮助找到最优模型，并提高模型的鲁棒性。此外，通过Kappa统计量及其在此过程中的运用，能更好地理解和衡量模型中的各个分类器之间的一致性。这对于确保分类器集成的效果至关重要，在随机森林等基于投票的模型中，分类器的一致性往往能显著影响最终模型的表现。最后，聚类算法的使用优化了模型，通过将相似的决策树划分到相同的类簇，从而提高模型的预测精度。
优选地，计算每个测试样本预测结果与各聚类中心的Kappa值距离包括以下步骤：
S4641、对测试样本集进行预测，通过决策树得到每个测试样本的分类结果；
S4642、根据预测结果，构建分类结果矩阵，对于聚类中心树k，提取其分类结果向量；
S4643、对每个测试样本，计算测试样本与各聚类中心树k的Kappa相似度；
S4644、将Kappa相似度转化为Kappa距离；
S4645、计算测试样本与所有聚类中心树k的Kappa距离，得到个别测试样本关于所有聚类中心的Kappa距离分配矩阵；
S4646、在所有聚类中心中，找出与具体测试样本的Kappa距离最小的聚类中心，将测试样本i分配到该聚类中心所在的类；
S4647、重复执行S4641-S4646的步骤，直到得到所有测试样本与各聚类中心的Kappa距离矩阵；计算测试样本与各聚类中心树k的Kappa相似度的公式为：；计算测试样本与所有聚类中心k的Kappa距离的公式为：；式中，/>表示测试样本与各聚类中心树k的Kappa相似度；/>表示分类上随机分类中正确分类的比例；/>表示分类上随机分类中预期的正确分类比例；表示测试样本与各聚类中心树k的Kappa距离。
需要解释说明的是，此处提及了如何计算Kappa距离，以及如何测定样本和聚类中心间的相近程度，在Kappa相似度公式中， 和/>分别表示随机分类正确的比例和预期的正确分类比例，Kappa值本质上衡量了分类器准确性超出随机分类的程度，因此，通过转换Kappa相似度可以得到Kappa距离，借此评估样本和聚类中心的远近，通常情况下，处理机器学习问题的方法主要是通过测量样本间欧氏距离或者余弦相似度等，然而，引入Kappa值后，可以从不同的角度理解和解决问题，针对特定的问题发展出新颖的解决方案。
S5、根据预测结果，找出影响消费者购买决策的关键因素，并基于关键因素优化消费者旅程地图和针对性策略。
优选地，使用AI和机器学习模型对各个旅程停靠点的消费者行为和反馈数据进行预测包括以下步骤：
优选地，根据预测结果，找出影响消费者购买决策的关键因素，并基于关键因素优化消费者旅程地图和针对性策略包括以下步骤：
S51、分析每个决策树的分裂节点，计算每个特征对分裂节点的贡献度；
S52、统计所有决策树中的关键特征，并且按照关键特征对分裂节点的贡献度和在所有决策树中出现的频率进行排序；
S53、选择贡献度最大且出现频率最高的前若干个关键特征，作为影响消费者购买决策的关键因素；
S54、依据关键因素，准确定义出消费者在购买过程中经历的各种阶段，并标出消费者在各种阶段遇到的问题、所寻求的需求及他们的购买意向；
S55、针对旅程地图的每个阶段，制定新的营销策略。
需要解释说明的是，使用AI和机器学习模型进行消费者行为预测并优化营销策略的步骤主要集中于挖掘影响消费者购买决策的关键因素，在实际工作中，利用决策树和随机森林等模型寻找最能影响目标变量的特征，同时，消费者旅程地图是视觉化工具，能清晰地显示消费者在购买过程中的行为和需求，优化消费者旅程地图直观地揭示消费者体验的问题，并有助于制定精确定位的营销策略。
S6、对消费者的使用和回购数据进行分析，完善消费者旅程地图。
需要解释说明的是，回购数据可以提供丰富的客户忠诚度信息，有助于发现消费者的购买模式和偏好。此外，拓宽消费者行为的视野，以获取他们在购买之后的行为（如产品的使用和回购），可以了解以解决问题、满足需求和增强购买意愿为目标的策略是否有效，在完善消费者旅程地图时，回购数据和使用数据的深度分析将有助于更好地理解消费者行为，预测消费者需求，并据此优化产品的设计和营销策略。
S7、搭建与消费者反馈的互动平台，收集消费者对产品的反馈，并提供个性化服务。
需要解释说明的是，建立一个与消费者的互动平台以收集消费者的反馈，并提供个性化服务的重要性，通过这个平台，企业能实时获取消费者对产品或服务的反馈，以便及时对产品或服务进行改进，同时，这样的互动也有助于构建更强大的消费者关系并提高消费者满意度，此外，个性化服务是提高消费者体验的一个重要方式，它依赖于对消费者行为、需求和偏好的深入理解，通过AI和机器学习模型，可以更精准地理解消费者，并提供符合消费者需求和偏好的个性化服务。
综上，借助于本发明的上述技术方案，
1、本发明通过理解和标识消费者在购买决策各阶段的行为，针对性地满足消费者的需求，提高消费者的购买转换率，其次将行为数据映射到消费者旅程地图上，并创建相应的旅程停靠点，不仅使得消费者的行为变得可视化，从而帮助企业更好地理解消费者，也有利于企业精确地提供满足消费者需求的产品和服务，然后确保每个旅程停靠点都与消费者在相应阶段的典型行为和潜在需求相关联，有助于企业捕捉到消费者可能存在的痛点和需求，从而优化产品和服务，最后持续监测和更新消费者旅程地图使得第一时间反映消费者行为的变化；
2、本发明使用了聚类算法来创建消费者实体，有效地捕捉到消费者行为的相似性，更好的理解并预测消费者的行为模式，消费者实体的创建可以模拟真实的消费者行为，帮助企业在产品设计和市场策略的早期阶段就获得有价值的反馈，流程中的持续优化环节保证了企业的模型和策略能够及时地适应消费者行为的变化，使用肘部法确定最优聚类数量，并利用概率抽样法确定初始的聚类中心，可以有效地优化聚类的效果，最后Davies-Bouldin指数的使用，提供了有效的方法来评估聚类的效果，辅助企业对消费者实体的创建做出更好的决策；本发明结合AI和机器学习模型，通过分析各个旅程停靠点的消费者行为和反馈数据，能有效预测消费者行为，同时，引入了多种评估指标和优化策略，如AUC指标、Kappa统计量、随机森林和聚类算法等，使得模型的预测结果更精确，随机森林能处理复杂和高维度的数据，对数据集的适应能力强，通过进行交叉验证和参数优化，可以实现模型性能的自我提升，通过构建的模型，可以为消费者生成更加个性化的推荐，提升用户体验，从而增加企业的收益。
虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。
Claims (6)
1.基于实体、网络协同映射的消费者生命周期运营分析方法，其特征在于，该消费者生命周期运营分析方法包括以下步骤：
S1、划分消费者在购买决策阶段的行为步骤，映射到消费者旅程地图上，创建旅程停靠点；
S2、根据每个旅程停靠点的需求，收集相应的消费者行为数据；
S3、为每个旅程停靠点创建对应的消费者实体，模拟真实世界的消费者行为；
S4、使用AI和机器学习模型对各个旅程停靠点的消费者行为和反馈数据进行预测；
S5、根据预测结果，找出影响消费者购买决策的关键因素，并基于关键因素优化消费者旅程地图和针对性策略；
S6、对消费者的使用和回购数据进行分析，完善消费者旅程地图；
S7、搭建与消费者反馈的互动平台，收集消费者对产品的反馈，并提供个性化服务；
所述划分消费者在购买决策阶段的行为步骤，映射到消费者旅程地图上，创建旅程停靠点包括以下步骤：
S11、标识消费者购买决策的各个阶段；
S12、分析消费者在每个阶段的行为的意图；
S13、根据分析结果，记录消费者购买过程中的行为数据；
S14、将行为数据映射到消费者旅程地图上，为每个购买决策阶段确定一个或多个旅程停靠点；
S15、确保每个旅程停靠点都与消费者在相应阶段的典型行为和潜在需求相关联；
S16、持续监测和更新消费者旅程地图，根据消费者行为动态调整旅程停靠点；
所述为每个旅程停靠点创建对应的消费者实体，模拟真实世界的消费者行为包括以下步骤：
S31、获取消费者行为数据，利用聚类算法将特征的数据分组，深入分析消费者行为数据，提取不同类别消费者的特征并依据聚类结果创建消费者实体；
S32、利用消费者实体模拟在各个旅程停靠点的消费者行为，预测消费者实体在给定的旅程停靠点的行为；
S33、基于消费者行为的预测结果，优化产品并满足消费者的服务需求；
S34、定期更新收集的消费者行为数据，重复执行S31-S33的步骤，并根据新的消费者行为数据、洞察和聚类结果优化消费者实体；
所述使用AI和机器学习模型对各个旅程停靠点的消费者行为和反馈数据进行预测包括以下步骤：
S41、收集各个旅程停靠点历史消费者行为原始数据，得到结构化的数据集；
S42、基于业务分析，选取影响目标消费者行为的特征数据集；
S43、将特征数据集按预设比例分割为训练集和测试集，并利用随机森林算法对训练集数据生成多个决策树，得到基分类器集合；
S44、用测试集数据评估每棵决策树的分类精度，采用AUC指标排序，选取决策树组成高精度子森林；
S45、使用Kappa统计量计算高精度子森林中每对决策树之间的相似度；
S46、采用聚类算法，根据决策树相似度对高精度子森林进行划分，得到多个类簇；
S47、从每个类簇中选择代表决策树，组合代表决策树构建改进的随机森林模型；
S48、使用改进的随机森林模型对测试数据进行预测，评估模型分类精度；
S49、根据预测结果，为不同旅程停靠点的消费者生成个性化推荐，对比和评估生成的推荐结果与真实消费者行为的匹配程度，优化随机森林模型；
所述根据预测结果，找出影响消费者购买决策的关键因素，并基于关键因素优化消费者旅程地图和针对性策略包括以下步骤：
S51、分析每个决策树的分裂节点，计算每个特征对分裂节点的贡献度；
S52、统计所有决策树中的关键特征，并且按照关键特征对分裂节点的贡献度和在所有决策树中出现的频率进行排序；
S53、选择贡献度最大且出现频率最高的前若干个关键特征，作为影响消费者购买决策的关键因素；
S54、依据关键因素，准确定义出消费者在购买过程中经历的各种阶段，并标出消费者在各种阶段遇到的问题、所寻求的需求及购买意向；
S55、针对旅程地图的每个阶段，制定新的营销策略。
2.根据权利要求1所述的基于实体、网络协同映射的消费者生命周期运营分析方法，其特征在于，所述获取消费者行为数据，利用聚类算法将具有相似行为或特征的数据分组，深入分析消费者行为数据，提取不同类别消费者的特征，并依据聚类结果创建消费者实体包括以下步骤：
S311、收集消费者行为数据，并进行数据清洗；
S312、利用肘部法找到最优的聚类数量，并利用概率抽样法确定初始的聚类中心；
S313、计算每个数据样本距离所有聚类中心的距离，并根据样本间的相关性权重进行软聚类分配；
S314、基于每个数据样本的贡献度权重，对每个聚类中心进行软更新；
S315、重复执行S313-S314的步骤，直到达到预设的聚类评估标准；
S316、使用Davies-Bouldin指数对聚类效果进行评估，提取每个聚类的特征，根据特征为不同的消费者群体创建消费者实体；
S317、根据聚类结果和消费者实体，进行业务分析。
3.根据权利要求1所述的基于实体、网络协同映射的消费者生命周期运营分析方法，其特征在于，所述将特征数据集按预设比例分割为训练集和测试集，并利用随机森林算法对训练集数据生成多个决策树，得到基分类器集合包括以下步骤：
S431、将特征数据集按预设比例分割为训练集和测试集；
S432、初始化随机森林算法的参数，所述参数至少包括树的数量、树的最大深度及节点划分所需的最小样本数；
S433、利用随机森林算法和初始化后的参数对训练集数据生成多个决策树，得到基分类器集合；
S434、采用交叉验证方法，在训练集上对随机森林模型进行训练并评估性能；
S435、根据交叉验证结果，确定最优的参数设置；
S436、用最优参数设置重新训练随机森林模型，生成优化后的决策树，然后在测试集上进行最后的评估，对树的特征重要性进行分析。
4.根据权利要求3所述的基于实体、网络协同映射的消费者生命周期运营分析方法，其特征在于，所述使用Kappa统计量计算高精度子森林中每对决策树之间的相似度包括以下步骤：
S451、根据预设的评估指标从生成的决策树中挑选出最佳的决策树，组成高精度子森林；
S452、对于这个高精度子森林中的每一个决策树，均与其他决策树进行配对，并计算所有配对后的决策树；
S453、对于决策树对，通过Kappa统计量计算两棵决策树的相似度，并将决策树对的Kappa统计量存储下来；
S454、统计所有决策树对的Kappa统计量，并进行分析；
S455、基于Kappa统计量，评估子森林中决策树之间的一致性；
S456、对比分析各基分类器之间的Kappa统计量。
5.根据权利要求4所述的基于实体、网络协同映射的消费者生命周期运营分析方法，其特征在于，所述采用聚类算法，根据决策树相似度对高精度子森林进行划分，得到多个类簇包括以下步骤：
S461、收集高精度子森林中每棵决策树对测试样本的分类结果；
S462、定义决策树之间输出结果的相似度，采用归一化的Kappa统计量；
S463、确定聚类的类别数，使用距离法初始化每个聚类中心，其中，聚类中心在数据空间中代表不同分组的点；
S464、计算每个测试样本预测结果与各聚类中心的Kappa值距离；
S465、根据距离，将预测结果分配到其最近的聚类中心对应的类簇；
S466、对每个类簇，重新计算中心决策树，并由中心决策树作为类簇的代表；
S467、重复执行S464-S466的步骤，直至达到预定的迭代次数，得到 K个聚类的类簇。
6.根据权利要求5所述的基于实体、网络协同映射的消费者生命周期运营分析方法，其特征在于，所述计算每个测试样本预测结果与各聚类中心的Kappa值距离包括以下步骤：
S4641、对测试样本集进行预测，通过决策树得到每个测试样本的分类结果；
S4642、根据预测结果，构建分类结果矩阵，对于聚类中心树k，提取其分类结果向量；
S4643、对每个测试样本，计算测试样本与各聚类中心树k的Kappa相似度；
S4644、将Kappa相似度转化为Kappa距离；
S4645、计算测试样本与所有聚类中心树k的Kappa距离，得到个别测试样本关于所有聚类中心的Kappa距离分配矩阵；
S4646、在所有聚类中心中，找出与具体测试样本的Kappa距离最小的聚类中心，将测试样本分配到该聚类中心所在的类；
S4647、重复执行S4641-S4646的步骤，直到得到所有测试样本与各聚类中心的Kappa距离矩阵；
所述计算测试样本与各聚类中心树k的Kappa相似度的公式为：
；
所述计算测试样本与所有聚类中心k的Kappa距离的公式为：
；
式中，表示测试样本与各聚类中心树k的Kappa相似度；
表示分类上随机分类中正确分类的比例；
表示分类上随机分类中预期的正确分类比例；
表示测试样本与各聚类中心树k的Kappa距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311591158.6A CN117291655B (zh) | 2023-11-27 | 2023-11-27 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311591158.6A CN117291655B (zh) | 2023-11-27 | 2023-11-27 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291655A CN117291655A (zh) | 2023-12-26 |
| CN117291655B true CN117291655B (zh) | 2024-01-23 |
Family
ID=89239440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311591158.6A Active CN117291655B (zh) | 2023-11-27 | 2023-11-27 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291655B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557299B (zh) * | 2024-01-11 | 2024-03-22 | 天津慧聪科技有限公司 | 基于计算机辅助的营销策划方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214585A (zh) * | 2018-09-25 | 2019-01-15 | 平安科技（深圳）有限公司 | 用户消费预测方法、装置、电子设备及存储介质 |
| CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
| CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
| CN110956479A (zh) * | 2018-09-26 | 2020-04-03 | 北京高科数聚技术有限公司 | 基于销售线索交互记录的产品推荐方法 |
| CN113678156A (zh) * | 2019-04-09 | 2021-11-19 | 格林伊登美国控股有限责任公司 | 用于使用神经序列模型进行客户旅程事件表示学习和结果预测的系统和方法 |
| CN115269985A (zh) * | 2022-07-27 | 2022-11-01 | 南京灵越信息技术有限公司 | 基于客户旅程地图自动生成问卷的方法和系统 |
| CN115578138A (zh) * | 2022-09-26 | 2023-01-06 | 杭州网易再顾科技有限公司 | 营销方法、装置、介质和计算设备 |
| CN116611873A (zh) * | 2023-05-30 | 2023-08-18 | 北京奇艺世纪科技有限公司 | 一种节点更新方法、装置、计算机设备及存储介质 |
| CN116862592A (zh) * | 2023-07-31 | 2023-10-10 | 广州有机云计算有限责任公司 | 一种基于用户行为的sop私域营销信息自动推送方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9092801B2 (en) * | 2011-09-23 | 2015-07-28 | 24/7 Customer, Inc. | Customer journey prediction and resolution |
| WO2018002731A2 (en) * | 2016-04-25 | 2018-01-04 | Customer Operations Limited | A process and system to categorize, evaluate and optimize a customer experience |
| US20180025359A1 (en) * | 2016-07-19 | 2018-01-25 | Sugarcrm Inc. | Customer journey optimized pre-fetching |
| US20180240145A1 (en) * | 2017-02-22 | 2018-08-23 | Syntasa Inc. | System and method for providing predictive behavioral analytics |
| US11068942B2 (en) * | 2018-10-19 | 2021-07-20 | Cerebri AI Inc. | Customer journey management engine |
| JP7219635B2 (ja) * | 2019-03-01 | 2023-02-08 | 株式会社日立製作所 | 対象者の行動変容と習慣化を支援するシステム及び方法 |
| US11468449B2 (en) * | 2019-05-01 | 2022-10-11 | Conduent Business Services, Llc | Method and system for dynamic visualization of a user journey for customer support |
-
2023
- 2023-11-27 CN CN202311591158.6A patent/CN117291655B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214585A (zh) * | 2018-09-25 | 2019-01-15 | 平安科技（深圳）有限公司 | 用户消费预测方法、装置、电子设备及存储介质 |
| CN110956479A (zh) * | 2018-09-26 | 2020-04-03 | 北京高科数聚技术有限公司 | 基于销售线索交互记录的产品推荐方法 |
| CN113678156A (zh) * | 2019-04-09 | 2021-11-19 | 格林伊登美国控股有限责任公司 | 用于使用神经序列模型进行客户旅程事件表示学习和结果预测的系统和方法 |
| CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
| CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
| CN115269985A (zh) * | 2022-07-27 | 2022-11-01 | 南京灵越信息技术有限公司 | 基于客户旅程地图自动生成问卷的方法和系统 |
| CN115578138A (zh) * | 2022-09-26 | 2023-01-06 | 杭州网易再顾科技有限公司 | 营销方法、装置、介质和计算设备 |
| CN116611873A (zh) * | 2023-05-30 | 2023-08-18 | 北京奇艺世纪科技有限公司 | 一种节点更新方法、装置、计算机设备及存储介质 |
| CN116862592A (zh) * | 2023-07-31 | 2023-10-10 | 广州有机云计算有限责任公司 | 一种基于用户行为的sop私域营销信息自动推送方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291655A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102708131B (zh) | 将消费者自动分类到微细分中 | |
| CN108154430A (zh) | 一种基于机器学习和大数据技术的信用评分构建方法 | |
| Farajian et al. | Mining the banking customer behavior using clustering and association rules methods | |
| CN105528387A (zh) | 分割发现、评估和实施平台 | |
| CN117291655B (zh) | 基于实体、网络协同映射的消费者生命周期运营分析方法 | |
| Surendro | Predictive analytics for predicting customer behavior | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN113743615A (zh) | 简化机器学习的特征移除框架 | |
| CN108830603A (zh) | 交易识别方法及装置 | |
| Xu et al. | AMCAD: adaptive mixed-curvature representation based advertisement retrieval system | |
| CN116304374A (zh) | 一种基于包装数据的客户匹配方法及系统 | |
| CN113537731B (zh) | 基于强化学习的设计资源能力评估方法 | |
| CN114756764A (zh) | 基于企业的内容信息流推荐方法、装置、电子设备及存储介质 | |
| CN104636489B (zh) | 描述属性数据的处理方法和装置 | |
| Luthfiarta et al. | Prediction on deposit subscription of customer based on bank telemarketing using Decision Tree with entropy comparison | |
| Yang | The research of improved Apriori mining algorithm in bank customer segmentation | |
| CN117557299B (zh) | 基于计算机辅助的营销策划方法及系统 | |
| Jatain | Performance Optimization of an Enterprise using Data-Driven Strategy | |
| Tang et al. | A method for telecom user portrait modeling | |
| CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
| CN117829914B (zh) | 一种数字媒体广告效果评估系统 | |
| CN113902533B (zh) | 一种适用于财税领域指标自定义和自动化运行的应用方法 | |
| CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
| Sharma | Identifying Factors Contributing to Lead Conversion Using Machine Learning to Gain Business Insights | |
| Oner et al. | Data analytics in industry 4.0: In the perspective of big data |
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 |