CN117522419B - 一种应用于客户关系管理系统的资源分配方法 - Google Patents
一种应用于客户关系管理系统的资源分配方法 Download PDFInfo
- Publication number
- CN117522419B CN117522419B CN202410025340.3A CN202410025340A CN117522419B CN 117522419 B CN117522419 B CN 117522419B CN 202410025340 A CN202410025340 A CN 202410025340A CN 117522419 B CN117522419 B CN 117522419B
- Authority
- CN
- China
- Prior art keywords
- transaction
- clients
- client
- demand
- coefficient
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 238000013468 resource allocation Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q30/01—Customer relationship services
-
- 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
- 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
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于客户关系管理系统的资源分配方法，涉及资源分配技术领域，该方案的技术要点为：将客户的历史交易记录数据作为评估指标构建评估矩阵，对客户的交易价值进行评估，获得客户的交易价值系数；使用K‑means聚类算法将所有客户根据客户的交易价值系数分成若干类客户；通过客户需求数据，对客户的需求进行分析，计算出第k类客户的交易需求指数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数；通过第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重，对第k类客户的资源进行分配，有助于提高资源利用效率，提升整体业务效益。
Description
技术领域
本发明涉及资源分配技术领域，具体为一种应用于客户关系管理系统的资源分配方法。
背景技术
随着经济的发展和市场竞争的加剧，客户关系管理(CRM)系统在企业中的应用越来越广泛，客户关系管理系统（CRM）是一种利用软件、硬件和网络技术，为企业建立一个客户信息收集、管理、分析和利用的信息系统。其核心是客户数据的管理，可以记录企业在市场营销和销售过程中和客户发生的各种交互行为，以及各类有关活动的状态，提供各类数据模型，为后期的分析和决策提供支持。
在申请公布号为CN116909682A的中国发明申请中，提供客户关系管理系统中的资源分配方法、装置、设备及介质，涉及计算机技术领域，包括：获取待处理任务；检测各个虚拟机的运行状态；将待处理任务和运行状态输入至资源分配模型，得到资源分配方案；资源分配模型基于历史资源分配数据和样本数据训练得到，样本数据包括最佳综合分值对应的资源分配方案；最佳综合分值与系统安全分值和系统运行状态分值相关；基于资源分配方案将待处理任务分配至对应的虚拟机。
在申请公布号为CN109413598B的中国发明申请中，公开了一种资源分配与管理的方法及装置，该方法包括：确定客户端信令到达时，根据第一预设规则为所述客户端信令确定对应的服务端业务线程；根据所述资源分组标识和业务线程的映射关系，确定所述客户端信令对应的资源分组信息，所述资源分组信息包括资源分组标识；利用所述服务端业务线程为所述客户端信令调度所述资源分组标识对应的分组资源。
结合以上发明，现有技术存在以下不足：
1、传统的客户关系管理系统主要关注虚拟资源的分配，例如服务器资源、数据存储等，然而，在现实的企业运营中，除了虚拟资源外，人力资源等实体资源也是至关重要的，目前的系统通常没有将这些实体资源纳入资源分配的考虑范围，导致在某些情况下，尽管虚拟资源充足，但由于人力资源的短缺，仍无法及时响应客户需求，从而影响客户满意度；
2、在现有的客户关系管理系统中，资源的分配往往基于一些通用的标准，不够准确和细致，例如，高价值客户可能因为其业务的重要性或特殊性，需要更多的关注和资源，如果企业仅根据统一的标准来分配资源，可能会使得高价值客户的需求得不到满足，导致客户流失。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种应用于客户关系管理系统的资源分配方法，将客户的历史交易记录数据作为评估指标构建评估矩阵，对客户的交易价值进行评估，获得客户的交易价值系数；使用K-means聚类算法对客户进行聚类分析，将所有客户根据客户的交易价值系数分成若干类客户；通过客户咨询量、服务请求量以及投诉数量，对客户的需求进行分析，计算出第k类客户的交易需求指数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数；通过第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重，对第k类客户的资源进行分配。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种应用于客户关系管理系统的资源分配方法，包括以下步骤：
通过客户关系管理系统的数据接口和外部数据源，收集客户信息和资源信息；
将客户的历史交易记录数据作为评估指标构建评估矩阵，通过评估矩阵计算评估指标的熵值，进一步计算出各项评估指标的权重系数，对客户的交易价值进行评估，获得客户的交易价值系数；
使用K-means聚类算法对客户进行聚类分析，将所有客户根据客户的交易价值系数分成若干类客户；
通过客户咨询量、服务请求量以及投诉数量，对客户的需求进行分析，计算出第k类客户的交易需求指数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数；
通过第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重，对第k类客户的资源进行分配。
进一步的，客户信息包括客户需求数据和历史交易记录数据，客户的需求数据，包括客户咨询量、服务请求量以及投诉数量，客户的历史交易数据，包括交易量、交易收入、交易成本、交易频率以及交易时间间隔。
进一步的，将交易量、交易收入、交易成本、交易频率以及交易时间间隔作为评估指标，构建评估矩阵A；
将评估矩阵A的数据进行归一化处理，并计算评估指标的熵值，计算公式如下：
，
其中，表示第j个指标的熵值，/>表示矩阵A的第i行第j列，ε为常数，/>，n表示矩阵A的总行数。
进一步的，通过评估指标的熵值，计算出各项评估指标的权重系数，计算公式如下：
，
其中，表示各项评估指标的权重系数，/>表示第j个指标的熵值，m表示矩阵A的总列数。
进一步的，通过评估指标以及评估指标的权重系数，对客户的交易价值进行评估，计算出客户的交易价值系数，计算公式如下：
，
其中，表示第i个客户的交易价值系数，/>表示第j个指标的值，m表示矩阵A的总列数。
进一步的，通过客户的交易价值系数，使用K-means聚类算法对客户进行聚类分析，将误差平方和作为聚类标准对客户进行分类，误差平方和的计算公式如下：
，
其中，SSE表示误差平方和，K表示聚类数，表示第k个集合，/>表示集合/>中的第t个样本，/>表示第k个集合的聚类中心；
使用误差平方和作为聚类标准函数，根据肘部法则，当聚类标准函数出现拐点时，以拐点所在K的值，作为客户聚类的最佳聚类数。
进一步的，通过客户咨询量、服务请求量以及投诉数量，对客户的需求进行分析，计算出第k类客户的交易需求指数，计算公式如下：
，
其中，表示第k类客户的交易需求指数，/>表示第k类客户的客户咨询量，/>表示第k类客户的服务请求量，/>表示第k类客户的投诉数量，Ci表示总客户咨询量，Sr表示总客户咨询量，Cn表示总客户咨询量。
进一步的，获取第k类客户的交易价值系数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数，计算公式如下：
，
其中，表示第k类客户的交易需求系数，/>表示第k类客户第x个客户的交易价值系数，X表示第k类客户的客户数量，/>表示第k类客户的交易需求指数。
进一步的，根据第k类客户需求在所有客户中所占的比重，对第k类客户的资源进行分配；
获取第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重，计算公式如下：
，
其中，表示第k类客户需求在所有客户中所占的比重，/>表示第k类客户的交易需求系数，K表示客户的种类数量，ρ表示分配修正系数，/>；
收集销售数据以及客户满意度，当销售数据以及客户满意度没有达到期望数据时，对分配修正系数进行调整。
（三）有益效果
本发明提供了一种应用于客户关系管理系统的资源分配方法，具备以下有益效果：
（1）通过获取客户的历史交易数据并使用多个评估指标，可以全面评估客户的交易价值，这种综合评估方法考虑了多个维度，如交易量、交易收入、交易成本等，可以将客户进行更精细的细分，有助于更好地理解不同类型客户的特征和需求，进一步优化客户服务和营销策略。
（2）通过使用K-means聚类算法和客户的交易价值系数，可以对客户进行更精确的细分，这种基于客户价值的聚类分析能够帮助更好地理解不同类型客户的特征和需求，从而优化客户关系管理策略，可以更深入地挖掘客户数据的内在结构和模式，有助于发现潜在的市场机会和客户细分群体，进一步拓展业务。
（3）通过收集客户的需求数据，企业能够更全面地了解客户的实际需求和问题，引入客户交易价值系数对交易需求指数进行约束，实现了客户价值和需求的整合分析，有助于企业全面评估客户的综合价值，为资源分配和策略制定提供了更准确的依据。
（4）通过获取和计算每类客户的交易需求系数，可以更清晰地了解客户的需求状况，以需求为导向的资源分配方法能够确保资源更加精准地投放到有更高需求的客户类别中，可以更合理地配置资源，确保高价值且需求迫切的客户得到优先满足，有助于提高资源利用效率，提升整体业务效益。
附图说明
图1为本发明应用于客户关系管理系统的资源分配方法步骤示意图；
图2为本发明应用于客户关系管理系统的资源分配方法流程示意图。
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及图2，本发明提供一种应用于客户关系管理系统的资源分配方法，包括以下步骤：
步骤一：通过客户关系管理系统的数据接口和外部数据源，收集客户信息和资源信息；
所述步骤一包括以下内容：
步骤101：与客户关系管理系统进行数据接口对接，从外部数据源获取数据，收集客户信息和资源信息，客户信息包括客户需求数据、历史交易记录数据等；
需要说明的是，从外部数据源获取客户信息和资源信息，客户信息通常来自企业内部客户关系管理系统中的客户数据库、销售订单系统、市场活动管理系统等，资源信息来自企业的资源管理系统、供应链管理系统或其他相关系统；
步骤102：通过数据接口，从选定数据源中自动或手动采集客户信息和资源信息，包括从数据库中提取数据、从文件系统中读取数据或在网页上抓取数据等；
步骤103：对收集的数据进行预处理，包括去除重复数据和无效数据，并将预处理后的数据进行存储。
需要说明的是，在整个数据收集过程中，需要采取适当的安全措施和隐私保护措施，确保客户信息和资源信息不被泄露或滥用，为了确保数据的时效性和准确性，需要定期更新客户信息和资源信息，通过设置定时任务或使用触发器来实现，以确保数据的及时更新和处理。
使用时，结合步骤101至步骤103的内容：
通过与客户关系管理系统进行数据接口对接，可以统一从外部数据源获取数据，避免了数据的碎片化和分散化，有助于更好地整合和管理客户信息和资源信息，在收集数据后，进行预处理可以去除重复和无效数据，确保数据的准确性和质量，可以避免后续数据分析的误差和误导。
步骤二：将客户的历史交易记录数据作为评估指标构建评估矩阵，通过评估矩阵计算评估指标的熵值，进一步计算出各项评估指标的权重系数，对客户的交易价值进行评估，获得客户的交易价值系数；
所述步骤二包括以下内容：
步骤201：获取客户的历史交易数据，包括交易量、交易收入、交易成本、交易频率以及交易时间间隔等；
步骤202：将交易量、交易收入、交易成本、交易频率以及交易时间间隔等作为评估指标，构建评估矩阵A：
；
需要说明的是，客户的当前价值主要能够反映现阶段客户所体现的价值，比如交易量、交易收入、交易成本，客户的潜在价值则可以通过交易频率以及交易时间间隔等来进行评估，因此，通过对历史交易数据的分析和挖掘，可以更准确的评估客户的价值；
步骤203：将评估矩阵A的数据进行归一化处理，并计算评估指标的熵值，计算公式如下：
，
其中，表示第j个指标的熵值，/>表示矩阵A的第i行第j列，ε为常数，/>，n表示矩阵A的总行数；
步骤204：通过评估指标的熵值，计算出各项评估指标的权重系数，计算公式如下：
，
其中，表示各项评估指标的权重系数，/>表示第j个指标的熵值，m表示矩阵A的总列数；
步骤205：通过评估指标以及评估指标的权重系数，对客户的交易价值进行评估，计算出客户的交易价值系数，计算公式如下：
，
其中，表示第i个客户的交易价值系数，/>表示第j个指标的值，m表示矩阵A的总列数。
需要说明的是，熵值是一个衡量数据无序程度的指标，通过计算评估指标的熵值，可以衡量各个指标在客户价值评估中的重要性，熵值越低，表明该评估指标的重要性越高，结合评估指标及其权重系数，可以对客户的交易价值进行综合评估，计算出客户的交易价值系数，这个系数可以作为客户细分、营销策略制定等决策的依据；
使用时，结合步骤201至步骤205的内容：
通过获取客户的历史交易数据并使用多个评估指标，可以全面评估客户的交易价值，这种综合评估方法考虑了多个维度，如交易量、交易收入、交易成本等，可以将客户进行更精细的细分，有助于更好地理解不同类型客户的特征和需求，进一步优化客户服务和营销策略。
步骤三：使用K-means聚类算法对客户进行聚类分析，将所有客户根据客户的交易价值系数分成若干类客户；
所述步骤三包括以下内容：
步骤301：通过客户的交易价值系数，使用K-means聚类算法对客户进行聚类分析，将误差平方和作为聚类标准对客户进行分类，误差平方和的计算公式如下：
，
其中，SSE表示误差平方和，K表示聚类数，表示第k个集合，/>表示集合/>中的第t个样本，/>表示第k个集合的聚类中心；
需要说明的是，K-means聚类算法是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心，每一个聚类中心及分配给它的对象就是一个聚类；
每一个聚类中的样本都具有相似的特征，不同的聚类之间差异性较大，这个过程将不断重复直到满足某个终止条件，如没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，或者误差平方和局部最小；
步骤302：使用误差平方和作为聚类标准函数，根据肘部法则，当聚类标准函数出现拐点时，以拐点所在K的值，作为客户聚类的最佳聚类数。
需要说明的是，肘部法则是一种常用于确定最佳聚类数K的方法，它的核心思想是通过绘制不同K值下模型的误差（即损失函数）与K值的关系曲线，找到曲线上的“肘部”点，即最佳的K值；
具体的，选择一个合适的K值范围，一般可以从1开始，到样本数据集的大小为止；
根据每个K值，使用K-nearest neighbors算法进行模型训练和测试，常见的距离度量方法包括欧氏距离、曼哈顿距离等；计算每个K值下的预测误差，通常使用均方误差或交叉验证误差作为损失函数；绘制误差与K值的关系曲线，以直观地观察误差随K值变化的趋势；找到曲线上的“肘部”点，该点对应的K值即为最佳的K值。
使用时，结合步骤301至步骤302的内容：
通过使用K-means聚类算法和客户的交易价值系数，可以对客户进行更精确的细分，这种基于客户价值的聚类分析能够帮助更好地理解不同类型客户的特征和需求，从而优化客户关系管理策略，可以更深入地挖掘客户数据的内在结构和模式，有助于发现潜在的市场机会和客户细分群体，进一步拓展业务。
步骤四：通过客户咨询量、服务请求量以及投诉数量，对客户的需求进行分析，计算出第k类客户的交易需求指数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数；
所述步骤四包括以下内容：
步骤401：获取第k类客户的需求数据，包括客户咨询量、服务请求量以及投诉数量；
步骤402：通过客户咨询量、服务请求量以及投诉数量，对客户的需求进行分析，计算出第k类客户的交易需求指数，计算公式如下：
，
其中，表示第k类客户的交易需求指数，/>表示第k类客户的客户咨询量，/>表示第k类客户的服务请求量，/>表示第k类客户的投诉数量，Ci表示总客户咨询量，Sr表示总客户咨询量，Cn表示总客户咨询量；
需要说明的是，客户咨询量的多少可以反映客户对产品或服务的兴趣和需求，服务请求量可以反映客户在使用产品或服务过程中遇到的问题或困难，投诉是客户对产品或服务不满的直接表现，投诉数量多可能说明客户的期望未得到满足，通过以上需求数据，可以更全面地了解客户的需求和期望；
步骤403：获取第k类客户的交易价值系数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数，计算公式如下：
，
其中，表示第k类客户的交易需求系数，/>表示第k类客户第x个客户的交易价值系数，X表示第k类客户的客户数量，/>表示第k类客户的交易需求指数。
需要说明的是，引入客户交易价值系数作为约束条件，将客户的价值和需求紧密结合，这不仅考虑了客户的当前需求，还考虑了其交易价值和潜在价值，为企业提供了更全面的客户视图。
使用时，结合步骤401至步骤403的内容：
通过收集客户的需求数据，企业能够更全面地了解客户的实际需求和问题，引入客户交易价值系数对交易需求指数进行约束，实现了客户价值和需求的整合分析，有助于企业全面评估客户的综合价值，为资源分配和策略制定提供了更准确的依据。
步骤五：根据第k类客户需求在所有客户中所占的比重，对第k类客户的资源进行分配，通过第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重。
所述步骤五包括以下内容：
步骤501：根据第k类客户需求在所有客户中所占的比重，决定对第k类客户的资源分配量，例如，如果第k类客户需求占比很高，则为其分配更多的资源；
步骤502：获取第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重，计算公式如下：
，
其中，表示第k类客户需求在所有客户中所占的比重，/>表示第k类客户的交易需求系数，K表示客户的种类数量，ρ表示分配修正系数，/>；
步骤503：收集销售数据以及客户满意度，当销售数据以及客户满意度没有达到期望数据时，对分配修正系数进行调整。
需要说明的是，销售数据以及客户满意度是衡量资源分配效果的重要指标，如果这些指标没有达到期望，那么需要对资源分配进行修正，例如，如果第k类客户的销售数据和客户满意度都很高，但其他类别的客户数据表现不佳，那么可能需要为其他类别调整更多的资源，反之，如果第k类客户的数据表现不佳，可能需要减少为其分配的资源量。
使用时，结合步骤501至步骤503的内容：
通过获取和计算每类客户的交易需求系数，可以更清晰地了解客户的需求状况，以需求为导向的资源分配方法能够确保资源更加精准地投放到有更高需求的客户类别中，可以更合理地配置资源，确保高价值且需求迫切的客户得到优先满足，有助于提高资源利用效率，提升整体业务效益。
在申请中，所述涉及到的若干个公式均是去量纲后取其数值计算，而所述公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的系数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种应用于客户关系管理系统的资源分配方法，其特征在于，包括以下步骤：
通过客户关系管理系统的数据接口和外部数据源，收集客户信息和资源信息；
将客户的历史交易记录数据作为评估指标构建评估矩阵，通过评估矩阵计算评估指标的熵值，进一步计算出各项评估指标的权重系数，对客户的交易价值进行评估，获得客户的交易价值系数；
使用K-means聚类算法对客户进行聚类分析，将所有客户根据客户的交易价值系数分成若干类客户；
通过客户咨询量、服务请求量以及投诉数量，对客户的需求进行分析，计算出第k类客户的交易需求指数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数；
获取第k类客户的交易价值系数，通过客户交易价值系数对第k类客户的交易需求指数进行约束，生成第k类客户的交易需求系数，计算公式如下：
，
其中，表示第k类客户的交易需求系数，/>表示第k类客户第x个客户的交易价值系数，X表示第k类客户的客户数量，/>表示第k类客户的交易需求指数；
通过第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重，对第k类客户的资源进行分配；
根据第k类客户需求在所有客户中所占的比重，对第k类客户的资源进行分配；
获取第k类客户的交易需求系数，计算第k类客户需求在所有客户中所占的比重，计算公式如下：
，
其中，表示第k类客户需求在所有客户中所占的比重，/>表示第k类客户的交易需求系数，K表示客户的种类数量，ρ表示分配修正系数，/>；
收集销售数据以及客户满意度，当销售数据以及客户满意度没有达到期望数据时，对分配修正系数进行调整。
2.根据权利要求1所述的应用于客户关系管理系统的资源分配方法，其特征在于，
客户信息包括客户需求数据和历史交易记录数据，客户的需求数据，包括客户咨询量、服务请求量以及投诉数量，客户的历史交易数据，包括交易量、交易收入、交易成本、交易频率以及交易时间间隔。
3.根据权利要求1所述的应用于客户关系管理系统的资源分配方法，其特征在于，
将交易量、交易收入、交易成本、交易频率以及交易时间间隔作为评估指标，构建评估矩阵A；将评估矩阵A的数据进行归一化处理，并计算评估指标的熵值，计算公式如下：
，
其中，表示第j个指标的熵值，/>表示矩阵A的第i行第j列，ε为常数，/>，n表示矩阵A的总行数。
4.根据权利要求3所述的应用于客户关系管理系统的资源分配方法，其特征在于，
通过评估指标的熵值，计算出各项评估指标的权重系数，计算公式如下：
，
其中，表示各项评估指标的权重系数，/>表示第j个指标的熵值，m表示矩阵A的总列数。
5.根据权利要求4所述的应用于客户关系管理系统的资源分配方法，其特征在于，
通过评估指标以及评估指标的权重系数，对客户的交易价值进行评估，计算出客户的交易价值系数，计算公式如下：
，
其中，表示第i个客户的交易价值系数，/>表示第j个指标的值，m表示矩阵A的总列数。
6.根据权利要求1所述的应用于客户关系管理系统的资源分配方法，其特征在于，
通过客户的交易价值系数，使用K-means聚类算法对客户进行聚类分析，将误差平方和作为聚类标准对客户进行分类，误差平方和的计算公式如下：
，
其中，SSE表示误差平方和，K表示聚类数，表示第k个集合，/>表示集合/>中的第t个样本，/>表示第k个集合的聚类中心；
使用误差平方和作为聚类标准函数，根据肘部法则，当聚类标准函数出现拐点时，以拐点所在K的值，作为客户聚类的最佳聚类数。
7.根据权利要求1所述的应用于客户关系管理系统的资源分配方法，其特征在于，
通过客户咨询量、服务请求量以及投诉数量，对客户的需求进行分析，计算出第k类客户的交易需求指数，计算公式如下：
，
其中，表示第k类客户的交易需求指数，/>表示第k类客户的客户咨询量，/>表示第k类客户的服务请求量，/>表示第k类客户的投诉数量，Ci表示总客户咨询量，Sr表示总客户咨询量，Cn表示总客户咨询量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410025340.3A CN117522419B (zh) | 2024-01-08 | 2024-01-08 | 一种应用于客户关系管理系统的资源分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410025340.3A CN117522419B (zh) | 2024-01-08 | 2024-01-08 | 一种应用于客户关系管理系统的资源分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522419A CN117522419A (zh) | 2024-02-06 |
| CN117522419B true CN117522419B (zh) | 2024-03-22 |
Family
ID=89751757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410025340.3A Active CN117522419B (zh) | 2024-01-08 | 2024-01-08 | 一种应用于客户关系管理系统的资源分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522419B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2957506A1 (en) * | 2014-08-08 | 2016-02-11 | Hakuhodo Dy Holdings Inc. | Information-processing system |
| CN106529968A (zh) * | 2016-09-29 | 2017-03-22 | 深圳大学 | 一种基于交易数据的客户分类方法及其系统 |
| CN111127080A (zh) * | 2019-12-04 | 2020-05-08 | 国网浙江台州市黄岩区供电有限公司 | 一种基于大数据推荐算法的客户渠道引流方法 |
| CN113077164A (zh) * | 2021-04-15 | 2021-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于熵值法的输电线路落雷风险系数评估方法 |
| KR20220055737A (ko) * | 2020-10-27 | 2022-05-04 | 고려대학교 산학협력단 | 전기 이용 고객 데이터 군집 분석 방법 |
| CN116596547A (zh) * | 2023-05-23 | 2023-08-15 | 道有道科技集团股份公司 | 一种基于多维信息数据的客户关系管理方法及系统 |
-
2024
- 2024-01-08 CN CN202410025340.3A patent/CN117522419B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2957506A1 (en) * | 2014-08-08 | 2016-02-11 | Hakuhodo Dy Holdings Inc. | Information-processing system |
| CN106529968A (zh) * | 2016-09-29 | 2017-03-22 | 深圳大学 | 一种基于交易数据的客户分类方法及其系统 |
| CN111127080A (zh) * | 2019-12-04 | 2020-05-08 | 国网浙江台州市黄岩区供电有限公司 | 一种基于大数据推荐算法的客户渠道引流方法 |
| KR20220055737A (ko) * | 2020-10-27 | 2022-05-04 | 고려대학교 산학협력단 | 전기 이용 고객 데이터 군집 분석 방법 |
| CN113077164A (zh) * | 2021-04-15 | 2021-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于熵值法的输电线路落雷风险系数评估方法 |
| CN116596547A (zh) * | 2023-05-23 | 2023-08-15 | 道有道科技集团股份公司 | 一种基于多维信息数据的客户关系管理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 面向消费行为的顾客价值分级研究;姜京彤;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;20220415(第4期);49-91 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522419A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8631040B2 (en) | Computer-implemented systems and methods for flexible definition of time intervals | |
| US7200607B2 (en) | Data analysis system for creating a comparative profile report | |
| CN107810500A (zh) | 数据质量分析 | |
| CN111709613A (zh) | 基于数据统计的任务自动分配方法、装置及计算机设备 | |
| CN111402017A (zh) | 一种基于大数据的信用评分方法和系统 | |
| CN112100219B (zh) | 基于数据库查询处理的报表生成方法、装置、设备和介质 | |
| CN111177134A (zh) | 适用于海量数据的数据质量分析方法、装置、终端及介质 | |
| CN111639077B (zh) | 数据治理方法、装置、电子设备、存储介质 | |
| CN116034379A (zh) | 使用深度学习和机器学习的活动性水平测量 | |
| CN110675069B (zh) | 地产行业客户签约风险预警方法、服务器及存储介质 | |
| CN110737673B (zh) | 一种数据处理的方法及系统 | |
| CN112950359B (zh) | 一种用户识别方法和装置 | |
| CN117522419B (zh) | 一种应用于客户关系管理系统的资源分配方法 | |
| Quist et al. | Statistical analysis and data management | |
| CN115879829A (zh) | 一种应用于平台创新能力审核的评审专家筛选方法 | |
| CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
| CN115147183A (zh) | 基于云平台的芯片资源管理方法、装置、设备及存储介质 | |
| Ahituv et al. | The impact of accessibility on the value of information and the productivity paradox | |
| CN112926816B (zh) | 供应商评价方法、装置、计算机设备和存储介质 | |
| CN117520994B (zh) | 基于用户画像和聚类技术识别机票异常搜索用户方法及系统 | |
| JP2007052754A (ja) | データ分析集計表示処理制御装置 | |
| CN117056752A (zh) | 一种基于多源数据的工商业企业画像刻画方法 | |
| CN114330582A (zh) | 应用程序接口的画像应用方法装置电子设备及存储介质 | |
| CN114638722A (zh) | 养老金产品择时选股能力数据分析方法及装置 | |
| CN116739752A (zh) | 一种消息提醒方法、装置、电子设备及存储介质 |
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 |