CN117726360A - 客户行为驱动的工业产品销售分析方法及相关组件 - Google Patents
客户行为驱动的工业产品销售分析方法及相关组件 Download PDFInfo
- Publication number
- CN117726360A CN117726360A CN202410180017.3A CN202410180017A CN117726360A CN 117726360 A CN117726360 A CN 117726360A CN 202410180017 A CN202410180017 A CN 202410180017A CN 117726360 A CN117726360 A CN 117726360A
- Authority
- CN
- China
- Prior art keywords
- product
- client
- value
- customer
- authorized
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 153
- 238000005065 mining Methods 0.000 claims description 55
- 238000005259 measurement Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003997 social interaction Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种客户行为驱动的工业产品销售分析方法及相关组件。该方法包括：获取每一授权客户在产品推送信息下的行为数据；对每一授权客户的行为数据进行多维度行为特征数据提取，并进行多维价值计算得到每一授权客户的综合价值得分；选择高综合价值得分的授权客户并构建价值客户集；根据价值客户集中所有价值客户的行为数据进行产品前景度分析并得到销售趋势，并基于销售趋势构建对应所有授权客户的产品基础推送策略；根据每一价值客户的行为数据进行意向产品分析和交互特征提取，分别得到每一价值客户的意向产品表数据和交互方式偏好并构建对应的产品个性化推送策略。本发明通过优化销售推送策略，有效促进成交机会和提升了客户服务体验。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种客户行为驱动的工业产品销售分析方法及相关组件。
背景技术
在快速变化的工业产品市场中，企业面临巨大的销售挑战，工业产品不同于日常生活中的快消品，工业产品对应的客户群体并非广大的个人客户群体，尤其一些重型设备等工业产品，其客户群体可能是工厂、公司等单位客户，而对于传统的重型设备等工业产品的销售，大多是通过业务员线下跑业务谈单促成。
随着网络技术的发展，线上销售逐渐成熟，大大提高了客户了解工业产品的便捷性，客户可在线上进行咨询了解后购买，并且随近年来对模型驱动软件框架的架构的理解，工业互联网、工业APP、小程序等概念开始涌现，通过客户在线上的行为进行分析，可以理解和满足客户需求并增大成交机会。
目前在理解和满足客户需求方面，现有的CRM系统可以为客户信息管理和基础交互提供支持，但仍然缺乏深度的客户行为分析和需求预测能力，这一限制阻碍了企业从现有客户行为数据中挖掘潜在的销售机会和优化客户体验的能力。
发明内容
本发明的目的是提供一种客户行为驱动的工业产品销售分析方法及相关组件，旨在解决现有技术从客户行为数据中挖掘潜在的销售机会和优化客户体验的能力还有待提升的问题。
第一方面，本发明实施例提供一种客户行为驱动的工业产品销售分析方法，包括：
获取预设时段内每一授权客户在产品推送信息下的行为数据；
预先构建RFM模型的多维度衡量网络，包括输出消费得分的第一衡量网络，输出产品意向得分的第二衡量网络和输出潜在挖掘得分的第三衡量网络；
对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取，并分别输入所述RFM模型的第一衡量网络、第二衡量网络和第三衡量网络进行价值计算，得到每一授权客户的消费得分、产品意向得分和潜在挖掘得分；
对每一授权客户的消费得分、产品意向得分和潜在挖掘得分进行加权计算，得到每一授权客户的综合价值得分；
选择大于等于预设分数的综合价值得分的授权客户并构建价值客户集；
根据所述价值客户集中所有价值客户的行为数据进行产品前景度分析，得到对应每一产品的销售趋势，并按产品的销售趋势构建对应所有授权客户的产品基础推送策略；
根据所述价值客户集中每一价值客户的行为数据进行意向产品分析，得到每一价值客户的意向产品表数据；
对价值客户集中每一价值客户的行为数据进行交互特征提取，得到每一价值客户的交互方式偏好信息，并按每一价值客户的交互方式偏好信息和意向产品表数据构建对应的产品个性化推送策略。
第二方面，本发明实施例提供一种客户行为驱动的工业产品销售分析装置，包括：
获取单元，用于获取预设时段内每一授权客户在产品推送信息下的行为数据；
构建单元，用于预先构建RFM模型的多维度衡量网络，包括输出消费得分的第一衡量网络，输出产品意向得分的第二衡量网络和输出潜在挖掘得分的第三衡量网络；
多维度价值计算单元，用于对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取，并分别输入所述RFM模型的第一衡量网络、第二衡量网络和第三衡量网络进行价值计算，得到每一授权客户的消费得分、产品意向得分和潜在挖掘得分；
综合价值计算单元，用于对每一授权客户的消费得分、产品意向得分和潜在挖掘得分进行加权计算，得到每一授权客户的综合价值得分；
筛选单元，用于选择大于等于预设分数的综合价值得分的授权客户并构建价值客户集；
第一分析单元，用于根据所述价值客户集中所有价值客户的行为数据进行产品前景度分析，得到对应每一产品的销售趋势，并按产品的销售趋势构建对应所有授权客户的产品基础推送策略；
第二分析单元，用于根据所述价值客户集中每一价值客户的行为数据进行意向产品分析，得到每一价值客户的意向产品表数据；
第三分析单元，用于对价值客户集中每一价值客户的行为数据进行交互特征提取，得到每一价值客户的交互方式偏好信息，并按每一价值客户的交互方式偏好信息和意向产品表数据构建对应的产品个性化推送策略。
第三方面，本发明实施例提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，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客户行为驱动的工业产品销售分析方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的客户行为驱动的工业产品销售分析方法。
本发明实施例公开了一种客户行为驱动的工业产品销售分析方法及相关组件。该方法包括：获取每一授权客户在产品推送信息下的行为数据；对每一授权客户的行为数据进行多维度行为特征数据提取，并进行多维价值计算得到每一授权客户的综合价值得分；选择高综合价值得分的授权客户并构建价值客户集；根据价值客户集中所有价值客户的行为数据进行产品前景度分析并得到销售趋势，并基于销售趋势构建对应所有授权客户的产品基础推送策略；根据每一价值客户的行为数据进行意向产品分析和交互特征提取，分别得到每一价值客户的意向产品表数据和交互方式偏好并构建对应的产品个性化推送策略。本发明通过集成的客户行为数据进行产品前景度分析实现精准的销售预测，并针对价值客户进行深入挖掘以实现个性化的产品推送，同时优化了客户互动；从而有效促进成交机会和提升客户服务体验。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的客户行为驱动的工业产品销售分析方法的流程示意图；
图2为本发明实施例提供的客户行为驱动的工业产品销售分析方法的子流程示意图；
图3为本发明实施例提供的客户行为驱动的工业产品销售分析方法的又一子流程示意图；
图4为本发明实施例提供的客户行为驱动的工业产品销售分析方法的又一子流程示意图；
图5为本发明实施例提供的客户行为驱动的工业产品销售分析方法的又一子流程示意图；
图6为本发明实施例提供的客户行为驱动的工业产品销售分析方法的又一子流程示意图；
图7为本发明实施例提供的客户行为驱动的工业产品销售分析装置的示意性框图；
图8为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的客户行为驱动的工业产品销售分析方法的流程示意图；
如图1所示，该方法包括步骤S101~S108。
S101、获取预设时段内每一授权客户在产品推送信息下的行为数据；
该步骤中，以小程序或APP为销售平台，在客户登录授权后获取授权客户信息和行为数据；其中，产品推送信息包括以产品海报、产品文章、产品视频中的至少一种投放形式推送至小程序或APP上的信息；每一授权客户的行为数据包括在产品推送信息下对产品的购买数据、加购数据、反馈数据、社交互动数据和市场调研数据中的至少一种；对获取的行为数据进行清洗和整合等预处理，以为后续提供更好的数据分析。
S102、预先构建RFM模型的多维度衡量网络，包括输出消费得分的第一衡量网络，输出产品意向得分的第二衡量网络和输出潜在挖掘得分的第三衡量网络；
该步骤中，传统的RFM模型只能针对有历史购买记录的授权客户进行RFM值（即客户价值）分析，并且只能基于简单的购买数据进行RFM值分析，衡量指标过少，并且无法对无历史购买记录的授权客户进行价值分析，导致潜在客户的流失；为此，本步骤对传统的RFM模型进行改进，通过重新改进传统RFM模型的架构以增加更多维度的衡量指标，具体的，该步骤采用python编程来构建用于衡量消费行为维度、产品意向行为维度和潜在挖掘行为维度的衡量网络，并基于RFM模型分析原理，重新定义衡量指标的指标含义并设定每种衡量指标下的对比阈值和分类后对应的得分，从而构建出用于输出消费得分的第一衡量网络，输出产品意向得分的第二衡量网络和输出潜在挖掘得分的第三衡量网络。
S103、对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取，并分别输入RFM模型的第一衡量网络、第二衡量网络和第三衡量网络进行价值计算，得到每一授权客户的消费得分、产品意向得分和潜在挖掘得分；
该步骤中，基于S102构建的改进后的RFM模型，对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取；对应的，将消费行为特征、产品意向行为特征和潜在挖掘行为特征分别输入第一衡量网络、第二衡量网络和第三衡量网络分别进行对比阈值的判断，即可输出每一授权客户的消费得分、产品意向得分和潜在挖掘得分。
S104、对每一授权客户的消费得分、产品意向得分和潜在挖掘得分进行加权计算，得到每一授权客户的综合价值得分；
该步骤中，授权客户包含有历史购买记录的客户和无历史购买记录的客户，为了得到更能反映真实价值的得分，分别对有历史购买记录的客户和无历史购买记录的客户采用不同的加权策略进行综合计算；实现更全面更深度的客户行为挖掘，以得到更准确的每一授权客户的综合价值得分。
S105、选择大于等于预设分数的综合价值得分的授权客户并构建价值客户集；
该步骤中，通过筛选大于等于预设分数的综合价值得分的授权客户，可以保证整体数据的可分析性和准确性，并且便于后续对价值客户集中的价值客户进行个性化推送出策略指定。
S106、根据价值客户集中所有价值客户的行为数据进行产品前景度分析，得到对应每一产品的销售趋势，并按产品的销售趋势构建对应所有授权客户的产品基础推送策略；
该步骤中，产品前景度代表未来销售趋势的好坏，在同一单位推送资源下，产品的浏览量和购买转化率越高则说明产品前景度越高，即未来销售趋势越好；并由此得到产品销售趋势以为所有授权客户进行产品基础推送策略制定，其中，产品基础推送策略是指在所有授权客户的基础页面中的统一推送。
S107、根据价值客户集中每一价值客户的行为数据进行意向产品分析，得到每一价值客户的意向产品表数据；
S108、对价值客户集中每一价值客户的行为数据进行交互特征提取，得到每一价值客户的交互方式偏好信息，并按每一价值客户的交互方式偏好信息和意向产品表数据构建对应的产品个性化推送策略。
步骤S107-108针对价值客户进行意向产品分析和交互方式偏好分析，实现深入的客户行为挖掘，从而构建价值客户的产品个性化推送策略以实现个性化产品推送。
本实施例通过集成的客户行为数据进行产品前景度分析，实现精准的销售预测，并针对价值客户进行深入挖掘以实现个性化的产品推送，同时优化了客户互动；从而有效促进成交机会和提升客户服务体验。
在一实施例中，如图2所示，步骤S103包括：
S201、对每一授权客户的购买数据进行消费行为特征提取，并输入RFM模型进行第一衡量指标计算，得到每一授权客户的消费得分，其中，第一衡量指标中的指标维度包括最近一次消费距离现在的时间、消费频率和消费金额；
该步骤中，将第一衡量指标下的最近一次消费距离现在的时间、消费频率和消费金额的数据输入RFM模型的第一衡量网络进行对应阈值的对比，输出三个指标维度价值，通过2×2×2组合划分8个分类结果，并将预先对每一分类结果的预设得分作为消费得分，如此，可得到每一授权客户的消费得分。
S202、对每一授权客户的加购数据进行产品意向行为特征提取，并输入RFM模型进行第二衡量指标计算，输出每一授权客户的产品意向得分，其中，第二衡量指标中的指标维度包括为最近一次加购距离现在的时间、加购频率、加购单品均价和加购产品总价；
该步骤中，基于S201的相同计算原理，不同的是第二衡量指标对应有四个指标维度价值，可输出16个分类结果，同样是基于对每一分类结果的预设得分作为产品意向得分。
S203、对每一授权客户的预设时段内的反馈数据、社交互动数据和市场调研数据进行潜在挖掘行为特征提取，并输入RFM模型进行第三衡量指标计算，输出每一授权客户的潜在挖掘得分，其中，第三衡量指标中的指标维度包括为最近一次活跃距离现在的时间、活跃频率、产品关注度和所关注产品的价格；
该步骤中，基于S202的相同计算原理，输出第三衡量指标对应的潜在挖掘得分；其中产品关注度是指行为数据中对产品的点赞、评论、收藏和咨询等行为，存在这些行为则说明存在关注度，因此是可挖掘的潜在客户。
本实施例中，对于步骤S201-S203的三个衡量指标的得分计算，可根据实际情况对每一衡量指标中的每一指标维度的对比阈值和分类结果的得分进行自定义设置。
在一实施例中，如图3所示，步骤S104包括：
S301、对有历史购买记录的授权客户的消费得分、产品意向得分和潜在挖掘得分分别赋予第一权重值、第二权重值和第三权重值，其中，第一权重值、第二权重值和第三权重值的值依次减小；
S302、对无历史购买记录的授权客户的消费得分、产品意向得分和潜在挖掘得分分别赋予零权重值、第四权重值和第五权重值，其中，第四权重值大于第五权重值；
S303、基于有历史购买记录和无历史购买记录的权重设定，分别计算并得到有历史购买记录的授权客户和无历史购买记录的授权客户的综合价值得分。
本实施例中，对于消费影响而言，消费得分的影响力最大，其次是产品意向得分，最后是潜在挖掘得分；若授权客户有历史购买记录，可依次按影响力顺序分别赋予第一权重值(如0.5)、第二权重值(如0.35)和第三权重值(如0.15)，从而对有历史购买记录的授权客户进行综合价值得分计算。若授权客户无历史购买记录，则不存在消费得分，可对其产品意向得分和潜在挖掘得分进行加权计算，可分别赋予第四权重值(如0.6)和第五权重值(如0.4)进行综合价值得分计算。需要说明的是，各个权重值大小可依据实际情况进行调节以适应不同需求。
本实施例通过对有历史购买记录和无历史购买记录的授权客户采用不同权重的区别价值计算，实现对新老授权客户更全面更深入的价值评估，为后续的产品推送精准度提供了基础。
在一实施例中，如图4所示，步骤S106包括：
S401、计算每一产品的当前推送资源和全平台推送资源的比值得到每一产品的推送资源总占比，以及计算每一产品的有效浏览量和全平台有效浏览量的比值得到每一产品的有效浏览量总占比；
S402、计算每一产品的有效浏览量总占比与推送资源总占比的比值，得到每一产品的客户兴趣值；
步骤S401-S402中，为方便理解，假设来说，如产品A和B两款产品，产品A和B的当前推送资源总占比均为50％，全平台有效浏览量为20000，产品A和B的有效浏览量（在产品推送信息中停留达到预设时长时认定为有效浏览）分别为5000和15000，即产品A和B的有效浏览量总占比分别为25％和75％；即最后得到的产品A和B的客户兴趣值分别为0.5和1.25，可以理解的，客户兴趣值越高代表产品的吸引度越高。以推送资源总占比和有效浏览量占比为1∶1的基准，可将客户兴趣值低于0.8的产品标记低兴趣产品，可将兴趣值在[0.8,1.1]的产品标记为一般兴趣产品，可将高于1.1的产品标记为高兴趣产品。
S403、计算每一产品的购买量和有效浏览量的比值，得到每一产品购买转化率；
S404、计算每一产品的客户兴趣值和购买转化率的乘积，得到每一产品的产品前景度，其中产品前景度越高的产品对应的销售趋势越好；
步骤S403-S404中，客户兴趣值高不能完全代表销售趋势就一定好，也可能是产品文案吸引了客户，实际购买转换率并不高，而客户兴趣值不高也不能完全代表销售趋势就不好，也可能产品功效好，实际购买转换率高，属于高潜力的隐性产品；因此，通过计算每一产品的客户兴趣值和购买转化率的乘积得到的产品前景度，更能真实反映出产品的销售趋势，从而挖掘出真正高转化率的产品和一些高前景度的隐性产品作为未来的销售机会；同时也为后续的推送策略提供了精准的数据依据。
S405、按高至低的产品前景度顺序对产品的推送资源总占比进行高至低的分配，以得到对应所有授权客户的产品基础推送策略并向所有授权客户进行统一推送；
该步骤中，根据产品前景度的实时变化（可以是每间隔一定时间后进行计算更新）对推送资源总占比进行分配调节，从而优化资源分配，使得产品前景度更好的产品得到挖掘和推送。
本实施例中，基于步骤S401-S405的过程，结合产品的当前推送资源总占比和价值客户的行为数据进行产品前景度计算，并构建所有授权客户的产品基础推送策略，不仅保持了热门产品的稳定推送，还能挖掘出高潜力的隐性产品作为未来的销售机会。
在一实施例中，如图5所示，步骤S107包括：
S501、获取每一价值客户的行为数据中关联的所有产品并构建每一价值客户的个人关联产品集；
该步骤中，关联的产品是指客户购买过、加购、评论、点赞及有效浏览等操作留下数据记录的产品，均属于价值客户可能会消费的产品，因此作为个人关联产品集中的产品。
S502、将每一价值客户购买过的产品从对应的个人关联产品集中剔除，得到每一价值客户的个人关联意向产品集；
该步骤中，基于目前的消费习惯，购买过的产品再次复购时通常会在历史订单处直接复购，重新推荐在个性化页面会增加客户的冗余浏览量，故进行剔除后得到每一价值客户的个人关联意向产品集，即关联意向产品集中的产品为客户未购买过的潜在产品。
S503、基于每一价值客户对个人关联意向产品的行为数据，计算每一关联意向产品的意向度，其中，意向度的影响因素包括加购操作、收藏操作、评论操作、点赞操作、浏览时长及浏览次数中的至少一种；
该步骤可对每一关联意向产品的各个影响因素进行得分计算，再进行综合计算得到具体的意向度得分；具体也可以采用本发明改进后的RFM模型进行计算，基于影响因素构建RFM模型的多维度衡量指标，通过衡量指标的得分计算后再进行加权计算即可得到每一关联意向产品的意向度。
S504、按高至低的意向度顺序对个人关联意向产品集进行表排序，得到每一价值客户的意向产品表数据。
本实施例中，基于步骤S501-S504的过程，将每一价值客户关联且未购买过的所有产品进行意向度计算，以便于后续对价值客户额外制定了个性化推送策略。
在一实施例中，如图6所示，步骤S108包括：
S601、统计每一价值客户的行为数据中关联的所有产品的投放形式，并确认投放形式最多的方式作为每一价值客户的浏览方式偏好；
该步骤中，不同的浏览方式偏好则对应不同投放形式，即海报浏览偏好、文章浏览偏好及视频浏览偏好；价值客户在小程序或APP上进行有效浏览时，所浏览的产品的投放形式为最多则作为价值客户的浏览方式偏好。
S602、统计每一价值客户的行为数据中对关联的所有产品的所有语言数据，并确认语言数据的所属沟通形式，并确认沟通形式最多的方式作为每一价值客户的沟通方式偏好；
该步骤中，价值客户的语言数据包括以文本对话、语音对话和在线电话等沟通形式进行的交互数据；分析出价值客户的语言数据所属最多的沟通形式，并作为每一价值客户的沟通方式偏好。
S603、将每一价值客户的意向产品表数据按对应浏览方式偏好的投放形式向每一价值客户进行个性化推送，同时在每一价值客户的个性化页面嵌入AI数字人客服工具，并在客户进入个性化页面时发起其沟通方式偏好的打招呼及后续的对话请求。
本实施例在对价值客户额外制定了个性化推送策略的同时，考虑了客户的浏览方式偏好和沟通方式偏好，以价值客户更舒适的浏览方式提供个性化产品推送信息，有助于提高客户的浏览体验及意向产品成交机会；并且以客户更舒适的沟通方式与客户进行客户服务，从而提高了价值客户的个性化服务体验。
在一实施例中，为进一步促进成交，在储存授权客户的行为数据的客户数据库中部署具有关键词抽取功能的语言模型（如BERT模型、NMF模型和LDA模型），并预设一个行为关键词库，行为关键词库中存储不同关键词及关键词对应的行为解释，通过语言模型对客户数据库中的语言数据进行文本化处理后再进行分词，再基于关键词库中的关键词进行分词的查询匹配，当在客户数据库中查询匹配到对应的关键词时，基于关键词对应的行为理解进行客户行为分析，从而获知客户的需求，并将需求结果反馈至后台。可在后台基于AI数字人客服工具主动向需求客户发起对应其沟通方式偏好的需求介绍请求，从而精准的针对需求客户进行精准推销，以实现进一步促进成交。
本发明实施例还提供一种客户行为驱动的工业产品销售分析装置，该客户行为驱动的工业产品销售分析装置用于执行前述客户行为驱动的工业产品销售分析方法的任一实施例。具体地，请参阅图7，图7是本发明实施例提供的客户行为驱动的工业产品销售分析装置的示意性框图。
如图7所示，客户行为驱动的工业产品销售分析装置700，包括：获取单元701、构建单元702、多维度价值计算单元703、综合价值计算单元704、筛选单元705、第一分析单元706、第二分析单元707以及第三分析单元708。
获取单元701，用于获取预设时段内每一授权客户在产品推送信息下的行为数据；
构建单元702，用于预先构建RFM模型的多维度衡量网络，包括输出消费得分的第一衡量网络，输出产品意向得分的第二衡量网络和输出潜在挖掘得分的第三衡量网络；
多维度价值计算单元703，用于对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取，并分别输入RFM模型的第一衡量网络、第二衡量网络和第三衡量网络进行价值计算，得到每一授权客户的消费得分、产品意向得分和潜在挖掘得分；
综合价值计算单元704，用于对每一授权客户的消费得分、产品意向得分和潜在挖掘得分进行加权计算，得到每一授权客户的综合价值得分；
筛选单元705，用于选择大于等于预设分数的综合价值得分的授权客户并构建价值客户集；
第一分析单元706，用于根据价值客户集中所有价值客户的行为数据进行产品前景度分析，得到对应每一产品的销售趋势，并按产品的销售趋势构建对应所有授权客户的产品基础推送策略；
第二分析单元707，用于根据价值客户集中每一价值客户的行为数据进行意向产品分析，得到每一价值客户的意向产品表数据；
第三分析单元708，用于对价值客户集中每一价值客户的行为数据进行交互特征提取，得到每一价值客户的交互方式偏好信息，并按每一价值客户的交互方式偏好信息和意向产品表数据构建对应的产品个性化推送策略。
该装置集成的客户行为数据进行产品前景度分析实现精准的销售预测，并针对价值客户进行深入挖掘以实现个性化的产品推送，同时优化了客户互动；从而有效促进成交机会和提升客户服务体验。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述客户行为驱动的工业产品销售分析装置可以实现为计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本发明实施例提供的计算机设备的示意性框图。该计算机设备800是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图8，该计算机设备800包括通过系统总线801连接的处理器802、存储器和网络接口805，其中，存储器可以包括非易失性存储介质803和内存储器804。
该非易失性存储介质803可存储操作系统8031和计算机程序8032。该计算机程序8032被执行时，可使得处理器802执行客户行为驱动的工业产品销售分析方法。
该处理器802用于提供计算和控制能力，支撑整个计算机设备800的运行。
该内存储器804为非易失性存储介质803中的计算机程序8032的运行提供环境，该计算机程序8032被处理器802执行时，可使得处理器802执行客户行为驱动的工业产品销售分析方法。
该网络接口805用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图8中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备800的限定，具体的计算机设备800可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域技术人员可以理解，图8中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图8所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器802可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器802还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例的客户行为驱动的工业产品销售分析方法。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种客户行为驱动的工业产品销售分析方法，其特征在于，包括：
获取预设时段内每一授权客户在产品推送信息下的行为数据；
预先构建RFM模型的多维度衡量网络，包括输出消费得分的第一衡量网络，输出产品意向得分的第二衡量网络和输出潜在挖掘得分的第三衡量网络；
对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取，并分别输入所述RFM模型的第一衡量网络、第二衡量网络和第三衡量网络进行价值计算，得到每一授权客户的消费得分、产品意向得分和潜在挖掘得分；
对每一授权客户的消费得分、产品意向得分和潜在挖掘得分进行加权计算，得到每一授权客户的综合价值得分；
选择大于等于预设分数的综合价值得分的授权客户并构建价值客户集；
根据所述价值客户集中所有价值客户的行为数据进行产品前景度分析，得到对应每一产品的销售趋势，并按产品的销售趋势构建对应所有授权客户的产品基础推送策略；
根据所述价值客户集中每一价值客户的行为数据进行意向产品分析，得到每一价值客户的意向产品表数据；
对价值客户集中每一价值客户的行为数据进行交互特征提取，得到每一价值客户的交互方式偏好信息，并按每一价值客户的交互方式偏好信息和意向产品表数据构建对应的产品个性化推送策略。
2.根据权利要求1所述的客户行为驱动的工业产品销售分析方法，其特征在于，所述产品推送信息包括以产品海报、产品文章、产品视频中的至少一种投放形式推送至小程序或APP上的信息；每一授权客户的行为数据包括在产品推送信息下对产品的购买数据、加购数据、反馈数据、社交互动数据和市场调研数据中的至少一种。
3.根据权利要求2所述的客户行为驱动的工业产品销售分析方法，其特征在于，所述对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取，并分别输入所述RFM模型的第一衡量网络、第二衡量网络和第三衡量网络进行价值计算，得到每一授权客户的消费得分、产品意向得分和潜在挖掘得分，包括：
对每一授权客户的购买数据进行消费行为特征提取，并输入所述RFM模型进行第一衡量指标计算，输出每一授权客户的消费得分，其中，所述第一衡量指标中的指标维度包括最近一次消费距离现在的时间、消费频率和消费金额；
对每一授权客户的加购数据进行产品意向行为特征提取，并输入所述RFM模型进行第二衡量指标计算，输出每一授权客户的产品意向得分，其中，所述第二衡量指标中的指标维度包括为最近一次加购、加购频率、加购单品均价和加购产品总价；
对每一授权客户的预设时段内的反馈数据、社交互动数据和市场调研数据进行潜在挖掘行为特征提取，并输入所述RFM模型进行第三衡量指标计算，输出每一授权客户的潜在挖掘得分，其中，所述第三衡量指标中的指标维度包括为最近一次活跃时间、活跃频率、产品关注度和所关注产品的价格。
4.根据权利要求1所述的客户行为驱动的工业产品销售分析方法，其特征在于，所述对每一授权客户的消费得分、产品意向得分和潜在挖掘得分进行加权计算，得到每一授权客户的综合价值得分，包括：
对有历史购买记录的授权客户的消费得分、产品意向得分和潜在挖掘得分分别赋予第一权重值、第二权重值和第三权重值，其中，所述第一权重值、第二权重值和第三权重值的值依次减小；
对无历史购买记录的授权客户的消费得分、产品意向得分和潜在挖掘得分分别赋予零权重值、第四权重值和第五权重值，其中，所述第四权重值大于第五权重值；
基于有历史购买记录和无历史购买记录的权重设定，分别计算并得到有历史购买记录的授权客户和无历史购买记录的授权客户的综合价值得分。
5.根据权利要求1所述的客户行为驱动的工业产品销售分析方法，其特征在于，所述根据所述价值客户集中所有价值客户的行为数据进行产品前景度分析，得到对应每一产品的销售趋势，并按产品的销售趋势构建对应所有授权客户的产品基础推送策略，包括：
计算每一产品的当前推送资源和全平台推送资源的比值得到每一产品的推送资源总占比，以及计算每一产品的有效浏览量和全平台有效浏览量的比值得到每一产品的有效浏览量总占比；
计算每一产品的有效浏览量总占比与推送资源总占比的比值，得到每一产品的客户兴趣值；
计算每一产品的购买量和有效浏览量的比值，得到每一产品购买转化率；
计算每一产品的客户兴趣值和购买转化率的乘积，得到每一产品的产品前景度，其中产品前景度越高的产品对应的销售趋势越好；
按高至低的产品前景度顺序对产品的推送资源总占比进行高至低的分配，以得到对应所有授权客户的产品基础推送策略并向所有授权客户进行统一推送。
6.根据权利要求1所述的客户行为驱动的工业产品销售分析方法，其特征在于，所述根据所述价值客户集中每一价值客户的行为数据进行意向产品分析，得到每一价值客户的意向产品表数据，包括：
获取每一价值客户的行为数据中关联的所有产品并构建每一价值客户的个人关联产品集；
将每一价值客户购买过的产品从对应的个人关联产品集中剔除，得到每一价值客户的个人关联意向产品集；
基于每一价值客户对个人关联意向产品的行为数据，计算每一关联意向产品的意向度，其中，所述意向度的影响因素包括加购操作、收藏操作、评论操作、点赞操作、浏览时长及浏览次数中的至少一种；
按高至低的意向度顺序对个人关联意向产品集进行表排序，得到每一价值客户的意向产品表数据。
7.根据权利要求2所述的客户行为驱动的工业产品销售分析方法，其特征在于，所述对价值客户集中每一价值客户的行为数据进行交互特征提取，得到每一价值客户的交互方式偏好信息，并按每一价值客户的交互方式偏好信息和意向产品表数据构建对应的产品个性化推送策略，包括：
统计每一价值客户的行为数据中关联的所有产品的投放形式，并确认投放形式最多的方式作为每一价值客户的浏览方式偏好；
统计每一价值客户的行为数据中对关联的所有产品的所有语言数据，并确认所述语言数据的所属沟通形式，并确认沟通形式最多的方式作为每一价值客户的沟通方式偏好；
将每一价值客户的所述意向产品表数据按对应浏览方式偏好的投放形式向每一价值客户进行个性化推送，同时在每一价值客户的个性化页面嵌入AI数字人客服工具，并在客户进入个性化页面时发起其沟通方式偏好的打招呼及后续的对话请求。
8.一种客户行为驱动的工业产品销售分析装置，其特征在于，包括：
获取单元，用于获取预设时段内每一授权客户在产品推送信息下的行为数据；
构建单元，用于预先构建RFM模型的多维度衡量网络，包括输出消费得分的第一衡量网络，输出产品意向得分的第二衡量网络和输出潜在挖掘得分的第三衡量网络；
多维度价值计算单元，用于对每一授权客户的行为数据分别进行消费行为特征、产品意向行为特征和潜在挖掘行为特征提取，并分别输入所述RFM模型的第一衡量网络、第二衡量网络和第三衡量网络进行价值计算，得到每一授权客户的消费得分、产品意向得分和潜在挖掘得分；
综合价值计算单元，用于对每一授权客户的消费得分、产品意向得分和潜在挖掘得分进行加权计算，得到每一授权客户的综合价值得分；
筛选单元，用于选择大于等于预设分数的综合价值得分的授权客户并构建价值客户集；
第一分析单元，用于根据所述价值客户集中所有价值客户的行为数据进行产品前景度分析，得到对应每一产品的销售趋势，并按产品的销售趋势构建对应所有授权客户的产品基础推送策略；
第二分析单元，用于根据所述价值客户集中每一价值客户的行为数据进行意向产品分析，得到每一价值客户的意向产品表数据；
第三分析单元，用于对价值客户集中每一价值客户的行为数据进行交互特征提取，得到每一价值客户的交互方式偏好信息，并按每一价值客户的交互方式偏好信息和意向产品表数据构建对应的产品个性化推送策略。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，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中任一项所述的客户行为驱动的工业产品销售分析方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的客户行为驱动的工业产品销售分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410180017.3A CN117726360B (zh) | 2024-02-18 | 2024-02-18 | 客户行为驱动的工业产品销售分析方法及相关组件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410180017.3A CN117726360B (zh) | 2024-02-18 | 2024-02-18 | 客户行为驱动的工业产品销售分析方法及相关组件 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117726360A true CN117726360A (zh) | 2024-03-19 |
| CN117726360B CN117726360B (zh) | 2024-05-17 |
Family
ID=90200230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410180017.3A Active CN117726360B (zh) | 2024-02-18 | 2024-02-18 | 客户行为驱动的工业产品销售分析方法及相关组件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726360B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288393A (zh) * | 2019-06-18 | 2019-09-27 | 武汉久客网络科技有限公司 | 新零售模式下的客户资源分配方法、设备及可读存储介质 |
| CN110533486A (zh) * | 2019-09-06 | 2019-12-03 | 江苏物联网研究发展中心 | 一种基于电商平台的大数据分析方法 |
| CN112464094A (zh) * | 2020-11-30 | 2021-03-09 | 泰康保险集团股份有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
| CN115578161A (zh) * | 2022-12-08 | 2023-01-06 | 深圳市加推科技有限公司 | 用户意向度的统计方法、系统、终端设备及存储介质 |
| CN116993414A (zh) * | 2023-07-14 | 2023-11-03 | 富卫信息科技(广州)有限公司 | 潜在客户数据的数据处理方法、系统、装置及存储介质 |
| CN117391810A (zh) * | 2023-10-16 | 2024-01-12 | 广东云百科技有限公司 | 物联网客户信息管理系统及方法 |
-
2024
- 2024-02-18 CN CN202410180017.3A patent/CN117726360B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288393A (zh) * | 2019-06-18 | 2019-09-27 | 武汉久客网络科技有限公司 | 新零售模式下的客户资源分配方法、设备及可读存储介质 |
| CN110533486A (zh) * | 2019-09-06 | 2019-12-03 | 江苏物联网研究发展中心 | 一种基于电商平台的大数据分析方法 |
| CN112464094A (zh) * | 2020-11-30 | 2021-03-09 | 泰康保险集团股份有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
| CN115578161A (zh) * | 2022-12-08 | 2023-01-06 | 深圳市加推科技有限公司 | 用户意向度的统计方法、系统、终端设备及存储介质 |
| CN116993414A (zh) * | 2023-07-14 | 2023-11-03 | 富卫信息科技(广州)有限公司 | 潜在客户数据的数据处理方法、系统、装置及存储介质 |
| CN117391810A (zh) * | 2023-10-16 | 2024-01-12 | 广东云百科技有限公司 | 物联网客户信息管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117726360B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017101240A1 (zh) | 一种信息处理方法及服务器、计算机存储介质 | |
| EP2416289A1 (en) | System for measuring variables from data captured from internet applications | |
| US8655695B1 (en) | Systems and methods for generating expanded user segments | |
| US9760907B2 (en) | Granular data for behavioral targeting | |
| CN106251174A (zh) | 信息推荐方法及装置 | |
| US20100228595A1 (en) | System and method for scoring target lists for advertising | |
| CN111127105A (zh) | 用户分层模型构建方法及系统、运营分析方法及系统 | |
| CN104077407A (zh) | 一种智能数据搜索系统及方法 | |
| CN111369344A (zh) | 一种动态生成预警规则的方法和装置 | |
| CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
| CN103744938A (zh) | 一种用于生成与目标系统对应的用户页面方法和装置 | |
| US8903736B2 (en) | Fast networked based advertisement selection | |
| CN117271905B (zh) | 基于人群画像的侧向需求分析方法及系统 | |
| CN117093782B (zh) | 一种电力人工智能模型系统及方法 | |
| US20180373723A1 (en) | Method and system for applying a machine learning approach to ranking webpages' performance relative to their nearby peers | |
| CN117726360B (zh) | 客户行为驱动的工业产品销售分析方法及相关组件 | |
| WO2020057237A1 (zh) | 适用于关注对象的影响力检测方法、电子终端及存储介质 | |
| CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
| CN115545784A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| Silva et al. | A categorical clustering of publishers for mobile performance marketing | |
| Tudor et al. | Data mining algorithms and techniques research in CRM systems | |
| AU2013204719A1 (en) | Method and system for aggregation and analysis of metrics | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| CN112308419A (zh) | 数据处理方法、装置、设备及计算机存储介质 | |
| CN113886676A (zh) | 信息流推荐策略处理方法、装置、设备及计算机存储介质 |
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 |