CN117709788A - 一种基于销售数据的评估处理方法、装置、设备及介质 - Google Patents
一种基于销售数据的评估处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117709788A CN117709788A CN202311724055.2A CN202311724055A CN117709788A CN 117709788 A CN117709788 A CN 117709788A CN 202311724055 A CN202311724055 A CN 202311724055A CN 117709788 A CN117709788 A CN 117709788A
- Authority
- CN
- China
- Prior art keywords
- sales
- predicted
- dimension
- transformation
- sales data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 189
- 238000009826 distribution Methods 0.000 claims abstract description 98
- 238000006243 chemical reaction Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 25
- 238000012360 testing method Methods 0.000 description 21
- 238000012549 training Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种基于销售数据的评估处理方法、装置、设备及介质,该方法包括:针对每个转化能力维度,获取待预测销售人员在所述转化能力维度下的销售数据;将所述销售数据输入所述转化能力维度对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下的预测值;根据所述待预测销售人员在每个转化能力维度下的预测值,确定所述待预测销售人员的转化能力预测分布,并根据所述转化能力预测分布对所述待预测销售人员的销售模式进行调整处理。解决了现有技术中依靠单一转化率无法对销售人员的转化能力进行准确地评估和预测的问题。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于销售数据的评估处理方法、装置、设备及介质。
背景技术
在互联网飞速发展,智能化愈演愈烈的今天,人们可以借助数字化的方式提升企业的营业额。现有技术中,企业往往通过销售人员的单一转化率表现,对该销售人员的转化能力进行判定。
然而,有的销售人员擅长电话拜访客户,有的销售人员擅长现场接待客户,有的销售人员更专注于对产品的研究,以提升客户对产品的好感度。因此,单一转化率并不能准确评估销售人员的转化能力,更无法准确预测销售人员的转化能力。
发明内容
本申请提供一种基于销售数据的评估处理方法、装置、设备及介质,用于解决现有技术中依靠单一转化率无法对销售人员的转化能力进行准确地评估和预测的问题。
第一方面,本申请提供一种基于销售数据的评估处理方法,包括:针对每个转化能力维度,获取待预测销售人员在所述转化能力维度下的销售数据;将所述销售数据输入所述转化能力维度对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下的预测值;根据所述待预测销售人员在每个转化能力维度下的预测值,确定所述待预测销售人员的转化能力预测分布,并根据所述转化能力预测分布对所述待预测销售人员的销售模式进行调整处理。
在一种具体实施方式中,所述将所述销售数据输入所述转化能力维度对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下的预测值,包括:获取多个分位数参数,并获取所述转化能力维度下,每个分位数参数对应的分布模型;将所述销售数据输入每个所述分位数参数对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下,每个分位数参数对应的预测值;则所述根据所述待预测销售人员在每个转化能力维度下的预测值,确定所述待预测销售人员的转化能力预测分布,包括:根据所述待预测销售人员在每个转化能力维度下,每个分位数参数对应的预测值,确定所述待预测销售人员的转化能力预测分布。
在一种具体实施方式中,所述根据所述转化能力预测分布对所述待预测销售人员的销售模式进行调整处理,包括:根据所述转化能力预测分布,确定与所述待预测销售人员匹配的转化能力维度;将所述待预测销售人员的销售模式调整为与所述转化能力维度对应的销售模式。
在一种具体实施方式中,所述转化能力维度对应的分布模型的获取方式为:获取预设时间内,与所述转化能力维度对应的历史销售数据;根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度对应的分布模型。
在一种具体实施方式中,所述根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度对应的分布模型,包括:设置多个分位数参数,针对每个所述分位数参数,根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度下,所述分位数参数对应的分布模型。
在一种具体实施方式中,所述根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度对应的分布模型,包括:根据所述历史销售数据,采用机器学习算法,获取目标函数;利用损失函数,对所述目标函数进行修正处理,以获取所述转化能力维度对应的分布模型。
第二方面,本申请提供一种基于销售数据的评估处理装置,包括:获取模块,用于针对每个转化能力维度,获取待预测销售人员在所述转化能力维度下的销售数据;处理模块,用于将所述销售数据输入所述转化能力维度对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下的预测值;所述处理模块,还用于根据所述待预测销售人员在每个转化能力维度下的预测值,确定所述待预测销售人员的转化能力预测分布,并根据所述转化能力预测分布对所述待预测销售人员的销售模式进行调整处理。
在一种具体实施方式中,所述处理模块,具体用于:获取多个分位数参数,并获取所述转化能力维度下,每个分位数参数对应的分布模型;将所述销售数据输入每个所述分位数参数对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下,每个分位数参数对应的预测值;根据所述待预测销售人员在每个转化能力维度下,每个分位数参数对应的预测值,确定所述待预测销售人员的转化能力预测分布。
在一种具体实施方式中,所述处理模块,具体用于:根据所述转化能力预测分布,确定与所述待预测销售人员匹配的转化能力维度;将所述待预测销售人员的销售模式调整为与所述转化能力维度对应的销售模式。
在一种具体实施方式中,所述处理模块还用于:获取预设时间内,与所述转化能力维度对应的历史销售数据;根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度对应的分布模型。
在一种具体实施方式中,所述处理模块,具体用于:设置多个分位数参数,针对每个所述分位数参数,根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度下,所述分位数参数对应的分布模型。
在一种具体实施方式中,所述处理模块,具体用于:根据所述历史销售数据,采用机器学习算法,获取目标函数;利用损失函数,对所述目标函数进行修正处理,以获取所述转化能力维度对应的分布模型。
第三方面,本申请提供一种电子设备,包括:处理器,存储器,通信接口;所述存储器用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行第一方面所述的基于销售数据的评估处理方法。
第四方面,本申请提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的基于销售数据的评估处理方法。
本申请提供一种基于销售数据的评估处理方法、装置、设备及介质,针对每个转化能力维度,获取待预测销售人员在该转化能力维度下的销售数据;将该销售数据输入该转化能力维度对应的分布模型,以获取该待预测销售人员在该转化能力维度下的预测值;根据该待预测销售人员在每个转化能力维度下的预测值,确定该待预测销售人员的转化能力预测分布,并根据该转化能力预测分布对该待预测销售人员的销售模式进行调整处理。相较于现有技术依靠单一转化率对销售人员的转化能力进行评估和预测,本申请分别在每个转化能力维度下,将相关销售数据输入对应的分布模型,获取待预测销售人员在每个转化能力维度下的预测值,以综合确定该待预测销售人员的转化能力预测分布,进而对待预测销售人员的销售模式进行有效调整。实现了从多个转化能力维度对销售人员的转化能力进行评估预测,有效提高了预测的准确性,解决了现有技术中依靠单一转化率无法对销售人员的转化能力进行准确地评估和预测的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的一种基于销售数据的评估处理方法实施例一的流程示意图;
图2为本申请提供的一种基于销售数据的评估处理方法实施例二的流程示意图;
图3为本申请提供的一种基于销售数据的评估处理方法实施例三的流程示意图;
图4为本申请提供的一种基于销售数据的评估处理装置实施例的结构示意图;
图5为本申请提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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根据本实施例的启示下作出的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的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。
在互联网飞速发展,智能化愈演愈烈的今天,人们可以借助数字化的方式提升企业的营业额。现有技术中,企业往往通过销售人员的单一转化率表现,对该销售人员的转化能力进行判定。
然而,有的销售人员擅长电话拜访客户,有的销售人员擅长现场接待客户,有的销售人员更专注于对产品的研究,以提升客户对产品的好感度。因此,单一转化率并不能准确评估销售人员的转化能力,更无法准确预测销售人员的转化能力。
基于上述技术问题,本申请的发明构思在于:如何准确预测销售人员的转化能力。
下面,通过具体实施例对本申请的技术方案进行详细说明。需要说明的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请提供的一种基于销售数据的评估处理方法实施例一的流程示意图。参见图1,该基于销售数据的评估处理方法具体包括以下步骤:
步骤S101:针对每个转化能力维度,获取待预测销售人员在该转化能力维度下的销售数据。
在本实施例中,评估销售人员的转化能力可以从多个能力维度进行考量。示例性地,转化能力维度可以包括邀约到店能力,转化试驾能力,转化大定能力以及人脉转化能力。
具体地,邀约到店能力是指客户通过应用软件等线上方式进行线索流入后,销售人员进行电话邀约,使其成功到店的能力。可以通过线索流入量和转化为到店的人数,评估销售人员的邀约到店能力。
转化试驾能力是指销售人员在客户线索到店或者通过网络操作系统的情况下,成功预约试驾后并创建试驾排程单的能力。可以通过销售人员总的接触线索和转化为试驾的人数,评估销售人员的转化试驾能力。
转化大定能力是指销售人员将所有的线上线下线索转化为客户订单的能力。可以通过销售人员接触的所有线索和引导成单的客户数,评估销售人员的转化大定能力。
人脉转化能力销售人员将客户的周边人员裂变为潜在客户的能力。可以通过销售人员被指定的线索数量,评估销售人员的人脉转化能力。
在本实施例中,针对每个转化能力维度,可以获取待预测销售人员在该转化能力维度下的销售数据。示例性地,针对邀约到店能力,可以获取待预测销售人员的邀约到店的线索数据,例如客户关键词,客户表现信息,门店信息等销售数据;针对转化试驾能力,可以获取待预测销售人员的试驾排程信息等销售数据;针对转化大定能力,可以获取待预测销售人员的转单信息,退单信息,订单支付信息等销售数据;针对人脉转化能力,可以获取待预测销售人员的被客户指定的数量等销售数据。
步骤S102:将该销售数据输入该转化能力维度对应的分布模型,以获取该待预测销售人员在该转化能力维度下的预测值。
在本实施例中,每个转化能力维度对应有分布模型。将待预测销售人员在每个转化能力维度下的销售数据输入该转化能力维度对应的分布模型,即可获取该待预测销售人员在该转化能力维度下的预测值。
示例性地,该分布模型可以是梯度提升回归模型(Gradient BoostingRegressor,简称GBR),也可以是轻量级梯度提升机模型(Light Gradient BoostingMachine,简称LGBM)。
示例性地,获取的待预测销售人员在每个转化能力维度下的预测值可以为待预测销售人员在该转化能力维度下的转化率。例如,待预测销售人员在邀约到店能力这一转化能力维度下的转化率为0.1,表明该待预测销售人员电话邀约客户使其成功到店的能力预测为0.1,每打10个邀约电话,可以成功到店客户1人。
步骤S103:根据该待预测销售人员在每个转化能力维度下的预测值,确定该待预测销售人员的转化能力预测分布,并根据该转化能力预测分布对该待预测销售人员的销售模式进行调整处理。
在本实施例中,可以根据待预测销售人员在每个转化能力维度下的预测值,确定该待预测销售人员的转化能力预测分布。示例性地,待预测销售人员在邀约到店能力这一转化能力维度下的预测值为0.1,在转化试驾能力这一转化能力维度下的预测值为0.5,在转化大定能力这一转化能力维度下的预测值为0.8,在人脉转化能力这一转化能力维度下的预测值为0.6,则该待预测销售人员的转化能力预测分布为[0.1,0.5,0.8,0.6],可以得出该待预测销售人员引导客户成单的能力较强,比较擅长以预约试驾和将客户的周边人员裂变为潜在客户的方式,引导客户成单。因此,可以根据该待预测销售人员的转化能力预测分布对其销售模式进行调整,使其以预约试驾和将客户的周边人员裂变为潜在客户的销售模式进行销售。
在本实施例中,针对每个转化能力维度,获取待预测销售人员在该转化能力维度下的销售数据;将该销售数据输入该转化能力维度对应的分布模型,以获取该待预测销售人员在该转化能力维度下的预测值;根据该待预测销售人员在每个转化能力维度下的预测值,确定该待预测销售人员的转化能力预测分布,并根据该转化能力预测分布对该待预测销售人员的销售模式进行调整处理。相较于现有技术依靠单一转化率对销售人员的转化能力进行评估和预测,本申请分别在每个转化能力维度下,将相关销售数据输入对应的分布模型,获取待预测销售人员在每个转化能力维度下的预测值,以综合确定该待预测销售人员的转化能力预测分布,进而对待预测销售人员的销售模式进行有效调整。实现了从多个转化能力维度对销售人员的转化能力进行评估预测,有效提高了预测的准确性,解决了现有技术中依靠单一转化率无法对销售人员的转化能力进行准确地评估和预测的问题。
图2为本申请提供的一种基于销售数据的评估处理方法实施例二的流程示意图,在上述图1所示实施例的基础上,参见图2,该步骤102和步骤103的一种具体实现方式为:
步骤S201:获取多个分位数参数,并获取该转化能力维度下,每个分位数参数对应的分布模型。
步骤S202:将销售数据输入每个分位数参数对应的分布模型,以获取待预测销售人员在该转化能力维度下,每个分位数参数对应的预测值。
步骤S203:根据该待预测销售人员在每个转化能力维度下,每个分位数参数对应的预测值,确定该待预测销售人员的转化能力预测分布。
销售人员的转化能力并不是恒定不变,随着时间和外界因素变动,转化能力会有很大的波动。比如在一定的时间段内,销售人员情绪较好,对客户的情绪和需求分解得很到位,就有较高的转化率。在本实施例中,可以对销售人员在不同维度的转化能力进行分布预测的基础上,进一步通过置信度对销售人员的转化能力进行拆分预测。
具体地,可以获取多个分位数参数,并获取该转化能力维度下,每个分位数参数对应的分布模型。示例性地,分位数参数可以为0.4,0.5,0.6,0.7,0.8,0.9。
将销售数据输入每个分位数参数对应的分布模型,即可获取待预测销售人员在该转化能力维度下,每个分位数参数对应的预测值,以预测待预测销售人员在不同的置信度下的转化能力。
示例性地,待预测销售人员在邀约到店能力这一转化能力维度下,分位数参数为0.9时,预测值为0.5,分位数参数为0.5时,预测值为0.1,则表明该待预测销售人员在90%的情况下,转化率为0.5,在50%的情况下,转化率为0.1,该待预测销售人员的转化能力较不稳定。
在本实施例中,可以根据该待预测销售人员在每个转化能力维度下,每个分位数参数对应的预测值,确定该待预测销售人员的转化能力预测分布。
步骤S204:根据该转化能力预测分布,确定与该待预测销售人员匹配的转化能力维度。
步骤S205:将该待预测销售人员的销售模式调整为与该转化能力维度对应的销售模式。
在本实施例中,可以根据转化能力预测分布,确定与待预测销售人员匹配的转化能力维度,进而将该待预测销售人员的销售模式调整为与该转化能力维度对应的销售模式。示例性地,根据转化能力预测分布,待预测销售人员在转化试驾能力这一转化能力维度下的预测值较高,则可确定与待预测销售人员匹配的转化能力维度为“转化试驾能力”,将该待预测销售人员的销售模式调整为与该转化能力维度对应的销售模式,使其以预约试驾的销售模式进行销售。
在本实施例中,在每个转化能力维度下,将销售数据输入每个分位数参数对应的分布模型,以获取待预测销售人员在该转化能力维度下,每个分位数参数对应的预测值,进而确定该待预测销售人员的转化能力预测分布,可以有效预测时间和外界因素变动导致的销售人员的转化能力的波动。同时,通过转化能力预测分布,可以对待预测销售人员的销售模式进行有效调整。进一步提高了预测销售人员的转化能力的准确性,解决了依靠单一转化率无法准确对销售人员的转化能力进行评估和预测的问题。
图3为本申请提供的一种基于销售数据的评估处理方法实施例三的流程示意图。在上述图1至图2所示实施例的基础上,参见图3,该转化能力维度对应的分布模型的获取方式包括如下步骤:
步骤S301:获取预设时间内,与该转化能力维度对应的历史销售数据。
步骤S302:根据该历史销售数据,采用机器学习算法,获取该转化能力维度对应的分布模型。
在本实施例中,可以获取预设时间内,与转化能力维度对应的历史销售数据。
具体地,可以先获取预设时间内的历史销售数据,例如邀约到店的线索数据,试驾排程数据,客户的应用程序APP行为数据,线索转大定数据,指定销售人员的线索数据等。
示例性地,该预设时间可以包括7天,15天,30天,60天,90天。以客户的应用程序APP行为数据为例,APP行为数据可以包括客户的浏览、点击、保存配置、发帖、评论等信息。可以分别获取多个时间段内客户的浏览信息,例如7天的浏览次数为0,15天的浏览次数为2,30天的浏览次数为80。
从获取的预设时间内的历史销售数据中,提取与转化能力维度对应的历史销售数据。以邀约到店能力这一转化能力维度为例,可以提取客户来源渠道类别,销售人员联系用户的次数,是否成功邀约到店等历史销售数据;以转化试驾能力这一转化能力维度为例,可以提取客户所属区域,客户性别,客户年龄段,是否成功试驾等历史销售数据;以转化大定能力这一转化能力维度为例,可以提取APP行为数据,是否下订单等历史销售数据;以人脉转化能力这一转化能力维度为例,可以提取客户指定到门店,客户指定到具体销售人员等历史销售数据。
具体地,可以先对历史销售数据进行数据预处理。示例性地,可以通过日志数据分析对历史销售数据进行确认,以确定历史销售数据是否符合真实情况。若历史销售数据符合真实情况,则对数据进行预处理,例如过滤掉入职时间过短的销售人员的数据,对于转化率统计异常数据进行校正,并对其它类型的异常数据进行剔除。
之后可以对预处理后的历史销售数据进行分类,例如按照销售的固有属性,APP行为属性,转化属性进行分类,以提取与每个转化能力维度对应的历史销售数据。
在本实施例中,可以根据历史销售数据,采用机器学习算法,获取每个转化能力维度对应的分布模型。示例性地,机器学习算法可以为回归模型算法。
具体地,可以将历史销售数据按照分布和比例拆分为训练集、验证集和测试集。其中,训练集为前序时间段的历史销售数据,也就是比较靠前一段时间的历史销售数据,验证集和测试集为后续时间段的历史销售数据,也就是训练集之后一段时间的历史销售数据。训练集用于模型训练,验证集用于模型训练的时候验证参数好坏,测试集用于模型效果评估,验证模型准确率。
具体地,可以根据历史销售数据,采用机器学习算法,获取目标函数;利用损失函数,对该目标函数进行修正处理,以获取该转化能力维度对应的分布模型。
具体地,可以设置多个分位数参数,针对每个分位数参数,根据历史销售数据,采用机器学习算法,获取该转化能力维度下,该分位数参数对应的分布模型。
示例性地,可以采用回归模型算法进行模型训练,获取目标函数。利用损失函数Quantile Loss对目标函数进行修正处理。该损失函数对预测值大于真实值和小于真实值的力度惩罚是不一样的。损失函数的表达式可以为:
其中,γ为分位数参数,y为真实转化率,f(x)为模型拟合结果,yi为销售人员i的转化率,f(xi)为销售人员i的拟合转化率结果。
当γ=0.5时,该损失等价于平均绝对误差(Mean Absolute Error,简称MAE);当γ>0.5时,该损失对预测值小于真实值的情况惩罚更大;当γ<0.5时,该损失对预测值大于真实值的情况惩罚更大。
针对每个分位数参数,分别采用机器学习算法进行模型训练,即可获取每个转化能力维度下,每个分位数参数对应的分布模型。
在利用训练集进行模型训练后,可以利用验证集验证模型的学习效果,进行评估,评估后进行调参优化,还可以使用测试集验证模型效果。
在本实施例中,获取预设时间内,与每个转化能力维度对应的历史销售数据,根据历史销售数据,采用机器学习算法,获取每个转化能力维度对应的分布模型,为提高预测销售人员的转化能力的准确性提供了前提条件;同时,设置多个分位数参数,针对每个分位数参数,进行模型训练,为有效预测时间和外界因素变动导致的销售人员的转化能力的波动提供了前提条件。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图4为本申请提供的一种基于销售数据的评估处理装置实施例的结构示意图;如图4所示,该基于销售数据的评估处理装置40包括:获取模块41以及处理模块42。其中,获取模块41用于针对每个转化能力维度,获取待预测销售人员在该转化能力维度下的销售数据。处理模块42用于将该销售数据输入该转化能力维度对应的分布模型,以获取该待预测销售人员在该转化能力维度下的预测值。处理模块42还用于根据该待预测销售人员在每个转化能力维度下的预测值,确定该待预测销售人员的转化能力预测分布,并根据该转化能力预测分布对该待预测销售人员的销售模式进行调整处理。
本申请实施例提供的基于销售数据的评估处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的实施方案中,处理模块42具体用于获取多个分位数参数,并获取该转化能力维度下,每个分位数参数对应的分布模型;将该销售数据输入每个分位数参数对应的分布模型,以获取该待预测销售人员在该转化能力维度下,每个分位数参数对应的预测值;根据该待预测销售人员在每个转化能力维度下,每个分位数参数对应的预测值,确定该待预测销售人员的转化能力预测分布。
在一种可能的实施方案中,处理模块42具体用于根据该转化能力预测分布,确定与该待预测销售人员匹配的转化能力维度;将该待预测销售人员的销售模式调整为与该转化能力维度对应的销售模式。
本申请实施例提供的基于销售数据的评估处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的实施方案中,处理模块42还用于获取预设时间内,与该转化能力维度对应的历史销售数据;根据该历史销售数据,采用机器学习算法,获取该转化能力维度对应的分布模型。
本申请实施例提供的基于销售数据的评估处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的实施方案中,处理模块42具体用于设置多个分位数参数,针对每个分位数参数,根据该历史销售数据,采用机器学习算法,获取该转化能力维度下,该分位数参数对应的分布模型。
在一种可能的实施方案中,处理模块42具体用于根据该历史销售数据,采用机器学习算法,获取目标函数;利用损失函数,对该目标函数进行修正处理,以获取该转化能力维度对应的分布模型。
本申请实施例提供的基于销售数据的评估处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
图5为本申请提供的一种电子设备的结构示意图。如图5所示,该电子设备50包括:处理器51,存储器52,以及通信接口53;其中,存储器52用于存储处理器51的可执行指令;处理器51配置为经由执行可执行指令来执行前述任一方法实施例中的技术方案。
可选的,存储器52既可以是独立的,也可以跟处理器51集成在一起。
可选的,当存储器52是独立于处理器51之外的器件时,电子设备50还可以包括:总线54,用于将上述器件连接起来。
该电子设备用于执行前述任一方法实施例中的技术方案,其实现原理和技术效果类似,在此不再赘述。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现前述任一实施例提供的技术方案。
本申请实施例还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时用于实现前述任一方法实施例提供的技术方案。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种基于销售数据的评估处理方法,其特征在于,包括:
针对每个转化能力维度,获取待预测销售人员在所述转化能力维度下的销售数据;
将所述销售数据输入所述转化能力维度对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下的预测值;
根据所述待预测销售人员在每个转化能力维度下的预测值,确定所述待预测销售人员的转化能力预测分布,并根据所述转化能力预测分布对所述待预测销售人员的销售模式进行调整处理。
2.根据权利要求1所述的基于销售数据的评估处理方法,其特征在于,所述将所述销售数据输入所述转化能力维度对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下的预测值,包括:
获取多个分位数参数,并获取所述转化能力维度下,每个分位数参数对应的分布模型;
将所述销售数据输入每个所述分位数参数对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下,每个分位数参数对应的预测值;
则所述根据所述待预测销售人员在每个转化能力维度下的预测值,确定所述待预测销售人员的转化能力预测分布,包括:
根据所述待预测销售人员在每个转化能力维度下,每个分位数参数对应的预测值,确定所述待预测销售人员的转化能力预测分布。
3.根据权利要求1或2所述的基于销售数据的评估处理方法,其特征在于,所述根据所述转化能力预测分布对所述待预测销售人员的销售模式进行调整处理,包括:
根据所述转化能力预测分布,确定与所述待预测销售人员匹配的转化能力维度;
将所述待预测销售人员的销售模式调整为与所述转化能力维度对应的销售模式。
4.根据权利要求1所述的基于销售数据的评估处理方法,其特征在于,所述转化能力维度对应的分布模型的获取方式为:
获取预设时间内,与所述转化能力维度对应的历史销售数据;
根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度对应的分布模型。
5.根据权利要求4所述的基于销售数据的评估处理方法,其特征在于,所述根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度对应的分布模型,包括:
设置多个分位数参数,针对每个所述分位数参数,根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度下,所述分位数参数对应的分布模型。
6.根据权利要求4或5所述的基于销售数据的评估处理方法,其特征在于,所述根据所述历史销售数据,采用机器学习算法,获取所述转化能力维度对应的分布模型,包括:
根据所述历史销售数据,采用机器学习算法,获取目标函数;
利用损失函数,对所述目标函数进行修正处理,以获取所述转化能力维度对应的分布模型。
7.一种基于销售数据的评估处理装置,其特征在于,包括:
获取模块,用于针对每个转化能力维度,获取待预测销售人员在所述转化能力维度下的销售数据;
处理模块,用于将所述销售数据输入所述转化能力维度对应的分布模型,以获取所述待预测销售人员在所述转化能力维度下的预测值;
所述处理模块,还用于根据所述待预测销售人员在每个转化能力维度下的预测值,确定所述待预测销售人员的转化能力预测分布,并根据所述转化能力预测分布对所述待预测销售人员的销售模式进行调整处理。
8.一种电子设备,其特征在于,包括:
处理器,存储器,通信接口;
所述存储器用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至6中任一项所述的基于销售数据的评估处理方法。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于销售数据的评估处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311724055.2A CN117709788A (zh) | 2023-12-14 | 2023-12-14 | 一种基于销售数据的评估处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311724055.2A CN117709788A (zh) | 2023-12-14 | 2023-12-14 | 一种基于销售数据的评估处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117709788A true CN117709788A (zh) | 2024-03-15 |
Family
ID=90151065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311724055.2A Pending CN117709788A (zh) | 2023-12-14 | 2023-12-14 | 一种基于销售数据的评估处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709788A (zh) |
-
2023
- 2023-12-14 CN CN202311724055.2A patent/CN117709788A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
AU2020201883B2 (en) | Call center system having reduced communication latency | |
CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
WO2021004324A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
US11811708B2 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
CN111489095A (zh) | 一种风险用户管理方法、装置、计算机设备和存储介质 | |
CN114187988A (zh) | 数据处理的方法及装置、系统、存储介质 | |
US20200302316A1 (en) | Question answering system influenced by user behavior and text metadata generation | |
CN111582341B (zh) | 用户异常操作预测方法及装置 | |
CN112036923A (zh) | 一种服务评价方法、系统、装置及存储介质 | |
US20220414470A1 (en) | Multi-Task Attention Based Recurrent Neural Networks for Efficient Representation Learning | |
CN112070545B (zh) | 用于优化信息触达的方法、装置、介质和电子设备 | |
CN112053205A (zh) | 通过机器人情绪识别的产品推荐方法及装置 | |
CN115034886A (zh) | 一种违约风险预测方法及装置 | |
CN113344647B (zh) | 一种信息推荐的方法及装置 | |
CN110502752A (zh) | 一种文本处理方法、装置、设备及计算机存储介质 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CN117709788A (zh) | 一种基于销售数据的评估处理方法、装置、设备及介质 | |
CN114120416A (zh) | 模型训练方法、装置、电子设备及介质 | |
CN115968478A (zh) | 机器学习特征推荐 | |
CN115516473A (zh) | 混合人机学习系统 | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN110992071A (zh) | 一种服务策略制定方法、装置、存储介质及电子设备 |
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 |