CN117829885A - 一种基于多维特征分析的商业订单数据监测处理方法 - Google Patents
一种基于多维特征分析的商业订单数据监测处理方法 Download PDFInfo
- Publication number
- CN117829885A CN117829885A CN202410245039.3A CN202410245039A CN117829885A CN 117829885 A CN117829885 A CN 117829885A CN 202410245039 A CN202410245039 A CN 202410245039A CN 117829885 A CN117829885 A CN 117829885A
- Authority
- CN
- China
- Prior art keywords
- age
- customer
- actual
- sales
- analysis
- 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 78
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 238000009472 formulation Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram 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
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据监测处理技术领域,具体公开提供的一种基于多维特征分析的商业订单数据监测处理方法,该方法通过根据目标分析车型的营销数据和预售数据,绘制目标分析车型的实际客户画像,从而分析目标车型的客户画像定位精准度,进而结合目标车企对应历史销售车型数目和各历史销售车型的初始客户画像和实际客户画像,进行目标车企对应客户画像综合定位吻合度分析,有效解决了当前客户需求不明确难以准确了解不同客户群体的需求和偏好的问题,弥补了当前销售策略制定存在的针对性和精准性不足的欠缺,便于准确把握目标客户群体,提高了后续营销活动制定的有效度,同时确保了后续销售汽车的运营稳定性和销售效果。
Description
技术领域
本发明属于数据监测处理技术领域,涉及一种基于多维特征分析的商业订单数据监测处理方法。
背景技术
随着经济的发展和国民收入的增加,越来越多的人开始购买汽车。因此,汽车销售数据已成为一个越来越受欢迎的研究领域。而公司汽车销售订单数据的监测和处理可以帮助公司了解顾客需求,并制定战略规划。
目前汽车企业销售订单数据的监测和处理主要聚焦在销售订单的销售量层面,从而进行库存调整和销售策略管理,未结合企业销售客户画像设计等层面进行管理,很显然,当前这种监测处理方式还存在以下几个方面的问题:1、客户需求不明确:难以准确了解不同客户群体的需求和偏好,无法为其提供个性化服务和产品定制,降低了销售转化率,进而难以保障后续库存调整的管理效果,同时也无法挖掘出企业的有效客户群体,确保汽车的运营稳定性。
2、销售策略制定针对性和精准性不足:企业在制定营销策略时可能无法准确把握目标客户群体,导致营销活动的精准度不足,浪费了营销资源并降低了市场反应效果,进而使得销售策略管理的有效性不足,难以保障销售效果。
3、销售周期延长的可能:没有针对客户画像进行精准管理,企业可能会在错误的市场领域投入大量资源和精力,导致资源浪费和效率低下,且难以快速识别潜在客户并满足其需求,导致销售周期延长,影响销售效率和业绩表现。
发明内容
鉴于此,为解决上述背景技术中所提出的问题,现提出一种基于多维特征分析的商业订单数据监测处理方法。
本发明的目的可以通过以下技术方案实现:本发明提供一种基于多维特征分析的商业订单数据监测处理方法,该方法包括:S1、车企设置信息提取:将目标车企对应当前待销售车型记为目标分析车型,提取目标分析车型对应设计的初始客户画像。
S2、车企销售信息提取:提取目标分析车型的销售相关数据,销售相关数据由营销数据和预售数据组成。
S3、车企客户画像绘制:基于目标分析车型的销售相关数据,绘制目标分析车型的实际客户画像。
S4、客户画像制定分析:对比所述目标分析车型的实际客户画像和初始客户画像,分析目标车型的客户画像定位精准度。
S5、企业客户定位分析:从车企信息库中调取目标车企对应历史销售车型数目和各历史销售车型的初始客户画像和实际客户画像,分析目标车企对应客户画像综合定位吻合度。
S6、车企分析结果反馈:将目标车型的客户画像定位精准度和目标车企对应客户画像综合定位吻合度反馈至目标车企对应营销管理相关人员。
优选地,所述绘制目标分析车型的实际客户画像,包括:从预售数据中提取已预定车辆数目和各已预定车辆对应预定人员的性别、年龄和所属地区。
统计预定人员性别为男性和女性的已预定车辆数目,分别记为和/>,将/>标记为实际性别比。
基于各已预定车辆对应预定人员的年龄,确认已预定车辆的集中年龄区间集合,作为实际年龄区间集合。
将各已预定车辆对应预定人员的所属地区进行去重处理,筛选出去重后的各所属地区,记为各实际销售地区。
将各实际销售地区在电子地图中进行圈定,得到各圈定区域,将各圈定区域的中心点作为标注连接点,连接各标注连接点生成实际销售区域覆盖路径。
将实际性别比、实际年龄区间集合和实际销售地区覆盖路径作为实际客户画像的各绘制特征,并绘制目标分析车型的实际客户画像。
优选地,所述确认已预定车辆的集中年龄区间集合,包括:将各已预定车辆对应预定人员的年龄与设定的各年龄区间进行对比,统计位于预定人员年龄位于各年龄区间内的已预定车辆数目。
将已预定车辆数目与设定的年龄区间数目的比值记为,若某年龄区间内的已预定车辆数目小于/>,将该年龄区间作为剔除年龄区间,并进行剔除,统计剔除后剩余的各年龄区间,/>为向上取整符号。
将剔除后剩余的各年龄区间记为各关注年龄区间,若某关注年龄区间下限值与其他另一关注年龄区间对应上限值之间的年龄间隔为1,将该关注年龄区间与其他另一关注年龄区间进行组合,并记为组合年龄区间,若年龄间隔不为1,则将该关注年龄区间记为单一年龄区间,将各组合区间和各单一区间组合成集中年龄区间集合。
优选地,所述分析目标车型的客户画像定位精准度,包括:从营销数据中提取各营销宣发渠道对应的关注人员数目,求和得到关注人员数目总和,从预售数据中提取公布预售车辆数目,据此设定销售量偏差影响权重。
从实际客户画像中提取实际性别比,从初始客户画像中提取设定性别比,分别记为和/>。
从实际客户画像中提取实际年龄区间集合,从初始客户画像中定位出设定客群年龄区间集合,统计实际客户画像的年龄定位符合度。
从实际客户画像中提取实际销售地区覆盖路径,从初始客户画像中定位出设定销售地区覆盖路径,同时从营销数据中提取各营销宣发渠道对应各关注人员的所处IP地址,统计实际客户画像的地区定位符合度。
统计目标车型的客户画像定位精准度,,/>为设定的许可性别比偏差,/>分别为设定参照的年龄定位符合度、地区定位符合度,/>为自然常数。
优选地,所述设定销售量偏差影响权重,包括:将关注人员数目总和记为,将已预定车辆数目和公布预售车辆数目分别记为/>和/>。
将作为销售量偏差影响权重/>,/>分别为设定参照的综合关注比偏差、预定车辆比偏差。
优选地,所述统计实际客户画像的年龄定位符合度,包括:判断实际年龄区间集合和设定客群年龄区间集合内的年龄区间是否均为1个。
若判断结果为是,将实际年龄区间集合内对应年龄区间的上限值和下限值分别记为和/>,将设定客群年龄区间集合内对应年龄区间的上限值和下限值分别记为/>和/>,将/>作为实际客户画像的年龄定位符合度,并记为/>,/>为设定年龄差。
若判断结果为否,将实际年龄区间集合和设定客群年龄区间集合内的年龄区间数目分别记为和/>,并通过年龄对比规则对比得到实际集中年龄区间与设定客群年龄区间的重合度,记为/>,并将/>作为实际客户画像的年龄定位符合度,并记为/>,以此得到实际客户画像的年龄定位符合度/>,/>取值为/>或者/>,/>为设定参照的客群年龄区间重合度。
优选地,所述统计实际客户画像的地区定位符合度,包括:将各营销宣发渠道对应各关注人员进行整合,将整合后的各关注人员记为各分析关注人员。
将各分析关注人员的所属IP地址进行相互对比,统计各IP地址下的分析关注人员数目,据此筛选出各有效分析IP地址。
从IP地址数据库中查询出各有效分析IP地址的所处地区,记为各重点关注地区。
从所述实际销售地区覆盖路径中定位出各实际销售地区,将与覆盖销售地区相同的重点关注地区分别记为重点重合地区,统计重点重合地区数目,记为。
将设定销售地区覆盖路径与实际销售地区覆盖路径进行重合对比,统计重合覆盖路径长度,并提取设定销售地区覆盖路径长度,记为/>。
统计实际销售地区数目,记为,进而统计实际客户画像的地区定位符合度/>,。
优选地,所述有效分析IP地址的筛选条件为:IP地址下的分析关注人员数目与关注人员数目总和的比值小于,/>为设定的有效关注人员数目比。
优选地,所述分析目标车企对应客户画像综合定位吻合度,包括:按照目标车型的客户画像定位精准度的统计方式同理统计得到各历史销售车型的客户画像定位精准度。
将各历史销售车型和目标车型进行整合,得到各累计销售车型,将各累计销售车型的客户画像定位精准度记为,/>表示累计销售车型编号,/>。
将累计销售车型数目记为,将客户画像定位精准度大于或者等于设定基准画像精准度/>的累计销售车型记为达标车型,统计达标车型数目,记为/>。
对进行均值计算,将计算结果记为/>,统计目标车企对应客户画像综合定位吻合度/>,/>,/>为设定的客户画像定位综合评定修正因子。
优选地,所述客户画像定位综合评定修正因子的具体设定过程如下:以累计销售车型为横坐标,以客户画像定位精准度为纵坐标,构建客户画像定位精准度变化曲线,从中定位出峰值点数目、谷值点数目以及各峰值点与其临近谷值点之间的客户画像定位精准度差。
将峰值点数目和谷值点数目分别记为和/>,同时从各峰值点与其临近谷值点之间的客户画像定位精准度差中筛选出最大客户画像定位精准度差,记为/>。
对各峰值点与其临近谷值点之间的客户画像定位精准度差进行均值计算,将计算结果记为。
若且/>,将/>作为客户画像定位综合评定修正因子,/>为设定的参照客户画像定位精准度浮动差。
若或者/>成立,提取客户画像定位精准度变化曲线的斜率,记为/>,将/>作为客户画像定位综合评定修正因子,并记为/>,/>为设定参照销售车型数目差,/>为设定参照客户画像定位精准度变化率,由此得到客户画像定位综合评定修正因子/>,/>取值为/>或者/>,/>。
相较于现有技术,本发明的有益效果如下:(1)本发明通过分析目标车型的客户画像定位精准度以及目标车企对应客户画像综合定位吻合度分析,有效解决了当前客户需求不明确难以准确了解不同客户群体的需求和偏好的问题,弥补了当前销售策略制定存在的针对性和精准性不足的欠缺,便于为客户提供后续的个性化服务以及准确把握目标客户群体,进而确保了后续目标车型的销售转化率以及后续营销活动制定的有效度,并且还促进了后续库存调整的管理效果,在另一层面还便于挖掘出企业的有效客户群体,确保了后续销售汽车的运营稳定性和市场反应效果,同时减少了营销资源的浪费,提高了销售策略管理的有效性和销售效果。
(2)本发明通过设定销售量偏差影响权重,并从客户画像的年龄定位层面、性别比层面以及地区定位层面统计目标车型的客户画像定位精准度,直观地展示了目标车企对当前待销售车型对应客户画像的精准情况,降低了当前待销售车型对应后续销售周期延迟的可能性,避免了企业在错误的市场领域投入大量资源和精力从而导致资源浪费和效率低下的发生,同时也便于后续企业快速识别潜在客户,并满足其需求,进而保障了销售效率和业绩表现。
(3)本发明在分析目标车企对应客户画像综合定位吻合度时,通过从时间层面、定位精准度偏差波动情况、变化情况等设定客户画像定位综合评定修正因子,提高了客户画像综合定位吻合度的分析精准性和可靠性,便于目标车企后续车辆客户画像的及时优化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明方法各模块连接示意图。
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所示,本发明提供了一种基于多维特征分析的商业订单数据监测处理方法,该方法包括:S1、车企设置信息提取:将目标车企对应当前待销售车型记为目标分析车型,提取目标分析车型对应设计的初始客户画像。
S2、车企销售信息提取:提取目标分析车型的销售相关数据,销售相关数据由营销数据和预售数据组成。
具体地,营销数据包括各营销宣发渠道对应的关注人员数目和各关注人员的所处IP地址,预售数据包括已预定车辆数目和各已预定车辆对应预定人员的性别、年龄和所属地区。
S3、车企客户画像绘制:基于目标分析车型的销售相关数据,绘制目标分析车型的实际客户画像。
具体地,绘制目标分析车型的实际客户画像,包括:S31、从预售数据中提取已预定车辆数目和各已预定车辆对应预定人员的性别、年龄和所属地区。
S32、统计预定人员性别为男性和女性的已预定车辆数目,分别记为和/>,将标记为实际性别比。
S33、基于各已预定车辆对应预定人员的年龄,确认已预定车辆的集中年龄区间集合,作为实际年龄区间集合。
S34、将各已预定车辆对应预定人员的所属地区进行去重处理,筛选出去重后的各所属地区,记为各实际销售地区。
S35、将各实际销售地区在电子地图中进行圈定,得到各圈定区域,将各圈定区域的中心点作为标注连接点,连接各标注连接点生成实际销售区域覆盖路径。
S36、将实际性别比、实际年龄区间集合和实际销售地区覆盖路径作为实际客户画像的各绘制特征,并绘制目标分析车型的实际客户画像。
本发明实施例通过从性别比、年龄区间集合以及销售区域覆盖路径这三个维度绘制目标分析车型的实际客户画像,直观地展示了实际销售群体的特征情况,提高了客户画像的代表度。
进一步地,所述S33步骤中确认已预定车辆的集中年龄区间集合,包括:X1、将各已预定车辆对应预定人员的年龄与设定的各年龄区间进行对比,统计位于预定人员年龄位于各年龄区间内的已预定车辆数目。
在一个具体实施例中,设定的各年龄区间是依据车辆的购买力进行划分的,其具体一般可以划分为5个年龄区间,即20-28岁,29-35岁、36-45岁、45-55岁和56岁及以上。
X2、将已预定车辆数目与设定的年龄区间数目的比值记为,若某年龄区间内的已预定车辆数目小于/>,将该年龄区间作为剔除年龄区间,并进行剔除,统计剔除后剩余的各年龄区间,/>为向上取整符号。
X3、将剔除后剩余的各年龄区间记为各关注年龄区间,若某关注年龄区间下限值与其他另一关注年龄区间对应上限值之间的年龄间隔为1,将该关注年龄区间与其他另一关注年龄区间进行组合,并记为组合年龄区间,若年龄间隔不为1,则将该关注年龄区间记为单一年龄区间,将各组合区间和各单一区间组合成集中年龄区间集合。
S4、客户画像制定分析:对比所述目标分析车型的实际客户画像和初始客户画像,分析目标车型的客户画像定位精准度。
具体地,分析目标车型的客户画像定位精准度,包括:S41、从营销数据中提取各营销宣发渠道对应的关注人员数目,求和得到关注人员数目总和,从预售数据中提取公布预售车辆数目,据此设定销售量偏差影响权重。
S42、从实际客户画像中提取实际性别比,从初始客户画像中提取设定性别比,分别记为和/>。
S43、从实际客户画像中提取实际年龄区间集合,从初始客户画像中定位出设定客群年龄区间集合,统计实际客户画像的年龄定位符合度。
S44、从实际客户画像中提取实际销售地区覆盖路径,从初始客户画像中定位出设定销售地区覆盖路径,同时从营销数据中提取各营销宣发渠道对应各关注人员的所处IP地址,统计实际客户画像的地区定位符合度。
S45、统计目标车型的客户画像定位精准度,,/>为设定的许可性别比偏差,/>分别为设定参照的年龄定位符合度、地区定位符合度,/>为自然常数。
进一步地,所述S41步骤中,设定销售量偏差影响权重,包括:将关注人员数目总和记为,将已预定车辆数目和公布预售车辆数目分别记为/>和/>。
将作为销售量偏差影响权重/>,/>分别为设定参照的综合关注比偏差、预定车辆比偏差。
在一个具体实施例中,可以取值为0.3,/>可以取值为0.4。
在另一个具体实施例中,当预定的车辆数目与综合关注人员数目的比值较少且已预定的车辆数目与公布预售车辆数目的比值较少时,表明前期宣发时的效果较差且后期实际销售效果也较差,进而导致客户画像的样本容量大大减少,不足以代表整个客户群体的特征和行为。这会导致客户画像的实际建立过程中存在偏差,无法全面准确地反映真实的客户特征和行为,同时也增加了实际客户画像定位的偶然性和误差性,因此设定销售量偏差影响权重进行客户画像定位精准度的数值修正。
需要补充的是,销售量偏差影响权重反映的是销售量存在偏差时使得客户画像定位的误差程度,即表示销售量存在偏差时对客户画像定位精准度的影响。
本发明实施例通过设定销售量偏差影响权重,并从客户画像的年龄定位层面、性别比层面以及地区定位层面统计目标车型的客户画像定位精准度,直观地展示了目标车企对当前待销售车型对应客户画像的精准情况,降低了当前待销售车型对应后续销售周期延迟的可能性,避免了企业在错误的市场领域投入大量资源和精力从而导致资源浪费和效率低下的发生,同时也便于后续企业快速识别潜在客户,并满足其需求,进而保障了销售效率和业绩表现。
进一步地,所述S43步骤中统计实际客户画像的年龄定位符合度,包括:V1、判断实际年龄区间集合和设定客群年龄区间集合内的年龄区间是否均为1个。
V2、若判断结果为是,将实际年龄区间集合内对应年龄区间的上限值和下限值分别记为和/>,将设定客群年龄区间集合内对应年龄区间的上限值和下限值分别记为和/>,将/>作为实际客户画像的年龄定位符合度,并记为/>,/>为设定年龄差。
V3、若判断结果为否,将实际年龄区间集合和设定客群年龄区间集合内的年龄区间数目分别记为和/>,并通过年龄对比规则对比得到实际集中年龄区间与设定客群年龄区间的重合度,记为/>,并将/>作为实际客户画像的年龄定位符合度,并记为/>,以此得到实际客户画像的年龄定位符合度/>,/>取值为/>或者/>,/>为设定参照的客群年龄区间重合度。
需要补充的是,在一个具体实施例中,V3步骤中所述年龄对比规则的对比过程如下:D1、将集中年龄区间集合的年龄区间为1个且设定客群年龄区间集合内的年龄区间为多个作为年龄对比场景1。
D2、将设定客群年龄区间集合内的各年龄区间与集中年龄区间集合的年龄区间进行对比在时间数轴上进行标注,得到标注的各设定年龄区间和实际年龄区间。
D3、若标注的各设定年龄区间均完全位于实际年龄区间内,则将作为实际集中年龄区间与设定客群年龄区间的重合度。
在一个具体实施例中,具体可以取值为0.95。
D4、若存在标注的某设定年龄区间不完全位于实际年龄区间内,从时间数轴中提取标注的各设定年龄区间和实际年龄区间对应重合区域的长度,并提取各设定年龄区间对应的区域长度和,将作为实际集中年龄区间与设定客群年龄区间的重合度,并记为/>,以此得到年龄对比场景1下实际集中年龄区间与设定客群年龄区间的重合度,记为/>,/>取值为/>或者/>。
D5、将集中年龄区间集合的年龄区间为多个且设定客群年龄区间集合内的年龄区间为1个作为年龄对比场景2,按照分析方式同理进行分析,得到年龄对比场景2下实际集中年龄区间与设定客群年龄区间的重合度,记为/>。
D6、将集中年龄区间集合和设定客群年龄区间集合内的年龄区间均为多个作为年龄对比场景3,进而将设定客群年龄区间集合内的各年龄区间与集中年龄区间集合的各年龄区间进行对比在时间数轴上进行标注,得到标注的各设定年龄区间和各实际年龄区间。
D7、从时间数轴中提取各设定年龄区间与其临近实际年龄区间之间的重合长度,并提取各设定年龄区间的长度,同时提取与实际年龄区间完全不重合的设定年龄区间数目。
D8、将各设定年龄区间与其临近实际年龄之间的重合长度与各设定年龄区域的长度进行作比,将比值记为重合比,统计重合比大于0.8的设定年龄区间数目,记为,同时对各设定年龄区间与其临近实际年龄之间的重合长度以及各设定年龄区间的长度分别进行求和,并分别记为/>以及/>。
D9、将作为年龄对比场景3下实际集中年龄区间与设定客群年龄区间的重合度,记为/>,以此得到实际集中年龄区间与设定客群年龄区间的重合度/>,/>取值为/>或者/>或者/>。
更进一步地,所述S44步骤中统计实际客户画像的地区定位符合度,包括:步骤1、将各营销宣发渠道对应各关注人员进行整合,将整合后的各关注人员记为各分析关注人员。
步骤2、将各分析关注人员的所属IP地址进行相互对比,统计各IP地址下的分析关注人员数目,据此筛选出各有效分析IP地址。
其中,有效分析IP地址的筛选条件为:IP地址下的分析关注人员数目与关注人员数目总和的比值小于,/>为设定的有效关注人员数目比,在一个具体实施例中,/>取值为大于0且小于1的任意实数,其具体根据关注人员数目总和进行设置,如当关注人员数目总和为1000人时,/>取值可以为0.05。
步骤3、从IP地址数据库中查询出各有效分析IP地址的所处地区,记为各重点关注地区。
步骤4、从所述实际销售地区覆盖路径中定位出各实际销售地区,将与覆盖销售地区相同的重点关注地区分别记为重点重合地区,统计重点重合地区数目,记为。
步骤5、将设定销售地区覆盖路径与实际销售地区覆盖路径进行重合对比,统计重合覆盖路径长度,并提取设定销售地区覆盖路径长度,记为/>。
步骤6、统计实际销售地区数目,记为,进而统计实际客户画像的地区定位符合度/>,/>。
在一个具体实施例中,在某个地区存在大量人员对宣发活动表现出关注,即为本发明所述重点关注地区,说明该地区的潜在客户对产品或服务有较高的兴趣,即后续实际预售成功率较大,进而该地区被作为实际销售地区的概率性也就较大,比较前期定位地区覆盖路径和后期实际地区覆盖路径的重合情况,可以评估销售地区定位的准确性和精准性。如果两者的重合度较高且当重点地区数目与实际销售地区数目比值越大,说明定位较为准确,销售地区定位的符合度也就越大。
S5、企业客户定位分析:从车企信息库中调取目标车企对应历史销售车型数目和各历史销售车型的初始客户画像和实际客户画像,分析目标车企对应客户画像综合定位吻合度。
具体地,分析目标车企对应客户画像综合定位吻合度,包括:S51、按照目标车型的客户画像定位精准度的统计方式同理统计得到各历史销售车型的客户画像定位精准度。
S52、将各历史销售车型和目标车型进行整合,得到各累计销售车型,将各累计销售车型的客户画像定位精准度记为,/>表示累计销售车型编号,/>。
在一个具体实施例中,取值为大于1的正整数。
S53、将累计销售车型数目记为,将客户画像定位精准度大于或者等于设定基准画像精准度/>的累计销售车型记为达标车型,统计达标车型数目,记为/>。
S54、对进行均值计算,将计算结果记为/>,统计目标车企对应客户画像综合定位吻合度/>,/>,/>为设定的客户画像定位综合评定修正因子。
需要补充的是,客户画像定位综合评定修正因子的具体设定过程如下:以累计销售车型为横坐标,以客户画像定位精准度为纵坐标,构建客户画像定位精准度变化曲线,从中定位出峰值点数目、谷值点数目以及各峰值点与其临近谷值点之间的客户画像定位精准度差。
将峰值点数目和谷值点数目分别记为和/>,同时从各峰值点与其临近谷值点之间的客户画像定位精准度差中筛选出最大客户画像定位精准度差,记为/>。
对各峰值点与其临近谷值点之间的客户画像定位精准度差进行均值计算,将计算结果记为。
若且/>,将/>作为客户画像定位综合评定修正因子,/>为设定的参照客户画像定位精准度浮动差。
若或者/>成立,提取客户画像定位精准度变化曲线的斜率,记为/>,将/>作为客户画像定位综合评定修正因子,并记为/>,/>为设定参照销售车型数目差,/>为设定参照客户画像定位精准度变化率,由此得到客户画像定位综合评定修正因子/>,/>取值为/>或者/>,。
在一个具体实施例中,取值为大于或者等于0且小于/>的任意实数,为了便于分析,/>具体取值可以为0,其中,/>,/>表示属于符号。
本发明实施例在分析目标车企对应客户画像综合定位吻合度时,通过从时间层面、定位精准度偏差波动情况、变化情况等设定客户画像定位综合评定修正因子,提高了客户画像综合定位吻合度的分析精准性和可靠性,便于目标车企后续车辆客户画像的及时优化。
S6、车企分析结果反馈:将目标车型的客户画像定位精准度和目标车企对应客户画像综合定位吻合度反馈至目标车企对应营销管理相关人员。
本发明实施例通过分析目标车型的客户画像定位精准度以及目标车企对应客户画像综合定位吻合度分析,有效解决了当前客户需求不明确难以准确了解不同客户群体的需求和偏好的问题,弥补了当前销售策略制定存在的针对性和精准性不足的欠缺,便于为客户提供后续的个性化服务以及准确把握目标客户群体,进而确保了后续目标车型的销售转化率以及后续营销活动制定的有效度,并且还促进了后续库存调整的管理效果,在另一层面还便于挖掘出企业的有效客户群体,确保了后续销售汽车的运营稳定性和市场反应效果,同时减少了营销资源的浪费,提高了销售策略管理的有效性和销售效果。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:该方法包括:
S1、车企设置信息提取:将目标车企对应当前待销售车型记为目标分析车型,提取目标分析车型对应设计的初始客户画像;
S2、车企销售信息提取:提取目标分析车型的销售相关数据,销售相关数据由营销数据和预售数据组成;
S3、车企客户画像绘制:基于目标分析车型的销售相关数据,绘制目标分析车型的实际客户画像;
S4、客户画像制定分析:对比所述目标分析车型的实际客户画像和初始客户画像,分析目标车型的客户画像定位精准度;
S5、企业客户定位分析:从车企信息库中调取目标车企对应历史销售车型数目和各历史销售车型的初始客户画像和实际客户画像,分析目标车企对应客户画像综合定位吻合度;
S6、车企分析结果反馈:将目标车型的客户画像定位精准度和目标车企对应客户画像综合定位吻合度反馈至目标车企对应营销管理相关人员。
2.如权利要求1所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述绘制目标分析车型的实际客户画像,包括:
从预售数据中提取已预定车辆数目和各已预定车辆对应预定人员的性别、年龄和所属地区;
统计预定人员性别为男性和女性的已预定车辆数目,分别记为和/>,将/>标记为实际性别比;
基于各已预定车辆对应预定人员的年龄,确认已预定车辆的集中年龄区间集合,作为实际年龄区间集合;
将各已预定车辆对应预定人员的所属地区进行去重处理,筛选出去重后的各所属地区,记为各实际销售地区;
将各实际销售地区在电子地图中进行圈定,得到各圈定区域,将各圈定区域的中心点作为标注连接点,连接各标注连接点生成实际销售区域覆盖路径;
将实际性别比、实际年龄区间集合和实际销售地区覆盖路径作为实际客户画像的各绘制特征,并绘制目标分析车型的实际客户画像。
3.如权利要求2所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述确认已预定车辆的集中年龄区间集合,包括:
将各已预定车辆对应预定人员的年龄与设定的各年龄区间进行对比,统计位于预定人员年龄位于各年龄区间内的已预定车辆数目;
将已预定车辆数目与设定的年龄区间数目的比值记为,若某年龄区间内的已预定车辆数目小于/>,将该年龄区间作为剔除年龄区间,并进行剔除,统计剔除后剩余的各年龄区间,/>为向上取整符号;
将剔除后剩余的各年龄区间记为各关注年龄区间,若某关注年龄区间下限值与其他另一关注年龄区间对应上限值之间的年龄间隔为1,将该关注年龄区间与其他另一关注年龄区间进行组合,并记为组合年龄区间,若年龄间隔不为1,则将该关注年龄区间记为单一年龄区间,将各组合区间和各单一区间组合成集中年龄区间集合。
4.如权利要求2所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述分析目标车型的客户画像定位精准度,包括:
从营销数据中提取各营销宣发渠道对应的关注人员数目,求和得到关注人员数目总和,从预售数据中提取公布预售车辆数目,据此设定销售量偏差影响权重;
从实际客户画像中提取实际性别比,从初始客户画像中提取设定性别比,分别记为和/>;
从实际客户画像中提取实际年龄区间集合,从初始客户画像中定位出设定客群年龄区间集合,统计实际客户画像的年龄定位符合度;
从实际客户画像中提取实际销售地区覆盖路径,从初始客户画像中定位出设定销售地区覆盖路径,同时从营销数据中提取各营销宣发渠道对应各关注人员的所处IP地址,统计实际客户画像的地区定位符合度;
统计目标车型的客户画像定位精准度,/>,/>为设定的许可性别比偏差,/>分别为设定参照的年龄定位符合度、地区定位符合度,/>为自然常数。
5.如权利要求4所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述设定销售量偏差影响权重,包括:
将关注人员数目总和记为,将已预定车辆数目和公布预售车辆数目分别记为/>和;
将作为销售量偏差影响权重/>,/>分别为设定参照的综合关注比偏差、预定车辆比偏差。
6.如权利要求4所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述统计实际客户画像的年龄定位符合度,包括:
判断实际年龄区间集合和设定客群年龄区间集合内的年龄区间是否均为1个;
若判断结果为是,将实际年龄区间集合内对应年龄区间的上限值和下限值分别记为和/>,将设定客群年龄区间集合内对应年龄区间的上限值和下限值分别记为/>和,将/>作为实际客户画像的年龄定位符合度,并记为/>,为设定年龄差;
若判断结果为否,将实际年龄区间集合和设定客群年龄区间集合内的年龄区间数目分别记为和/>,并通过年龄对比规则对比得到实际集中年龄区间与设定客群年龄区间的重合度,记为/>,并将/>作为实际客户画像的年龄定位符合度,并记为/>,以此得到实际客户画像的年龄定位符合度/>,/>取值为/>或者/>,/>为设定参照的客群年龄区间重合度。
7.如权利要求4所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述统计实际客户画像的地区定位符合度,包括:
将各营销宣发渠道对应各关注人员进行整合,将整合后的各关注人员记为各分析关注人员;
将各分析关注人员的所属IP地址进行相互对比,统计各IP地址下的分析关注人员数目,据此筛选出各有效分析IP地址;
从IP地址数据库中查询出各有效分析IP地址的所处地区,记为各重点关注地区;
从所述实际销售地区覆盖路径中定位出各实际销售地区,将与覆盖销售地区相同的重点关注地区分别记为重点重合地区,统计重点重合地区数目,记为;
将设定销售地区覆盖路径与实际销售地区覆盖路径进行重合对比,统计重合覆盖路径长度,并提取设定销售地区覆盖路径长度,记为/>;
统计实际销售地区数目,记为,进而统计实际客户画像的地区定位符合度/>,。
8.如权利要求7所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述有效分析IP地址的筛选条件为:IP地址下的分析关注人员数目与关注人员数目总和的比值小于,/>为设定的有效关注人员数目比。
9.如权利要求1所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述分析目标车企对应客户画像综合定位吻合度,包括:
按照目标车型的客户画像定位精准度的统计方式同理统计得到各历史销售车型的客户画像定位精准度;
将各历史销售车型和目标车型进行整合,得到各累计销售车型,将各累计销售车型的客户画像定位精准度记为,/>表示累计销售车型编号,/>;
将累计销售车型数目记为,将客户画像定位精准度大于或者等于设定基准画像精准度/>的累计销售车型记为达标车型,统计达标车型数目,记为/>;
对进行均值计算,将计算结果记为/>,统计目标车企对应客户画像综合定位吻合度,/>,/>为设定的客户画像定位综合评定修正因子。
10.如权利要求9所述的一种基于多维特征分析的商业订单数据监测处理方法,其特征在于:所述客户画像定位综合评定修正因子的具体设定过程如下:
以累计销售车型为横坐标,以客户画像定位精准度为纵坐标,构建客户画像定位精准度变化曲线,从中定位出峰值点数目、谷值点数目以及各峰值点与其临近谷值点之间的客户画像定位精准度差;
将峰值点数目和谷值点数目分别记为和/>,同时从各峰值点与其临近谷值点之间的客户画像定位精准度差中筛选出最大客户画像定位精准度差,记为/>;
对各峰值点与其临近谷值点之间的客户画像定位精准度差进行均值计算,将计算结果记为;
若且/>,将/>作为客户画像定位综合评定修正因子,/>为设定的参照客户画像定位精准度浮动差;
若或者/>成立,提取客户画像定位精准度变化曲线的斜率,记为/>,将/>作为客户画像定位综合评定修正因子,并记为/>,/>为设定参照销售车型数目差,/>为设定参照客户画像定位精准度变化率,由此得到客户画像定位综合评定修正因子/>,/>取值为/>或者/>,/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410245039.3A CN117829885B (zh) | 2024-03-05 | 2024-03-05 | 一种基于多维特征分析的商业订单数据监测处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410245039.3A CN117829885B (zh) | 2024-03-05 | 2024-03-05 | 一种基于多维特征分析的商业订单数据监测处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829885A true CN117829885A (zh) | 2024-04-05 |
CN117829885B CN117829885B (zh) | 2024-05-10 |
Family
ID=90517612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410245039.3A Active CN117829885B (zh) | 2024-03-05 | 2024-03-05 | 一种基于多维特征分析的商业订单数据监测处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829885B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620564B1 (en) * | 2004-08-11 | 2009-11-17 | HarvestGold | Sales territory planning tool and method |
KR20100078493A (ko) * | 2008-12-30 | 2010-07-08 | 주식회사 큐오시스템즈 | 웹사이트 기반의 세일즈 통계 분석 및 산출 서비스 시스템 및 그 방법과 그 방법에 대한 컴퓨터프로그램을 저장한 기록매체 |
CN110009400A (zh) * | 2019-03-18 | 2019-07-12 | 康美药业股份有限公司 | 商品定价方法、终端及计算机可读存储介质 |
CN115689617A (zh) * | 2023-01-04 | 2023-02-03 | 北京北测数字技术有限公司 | 一种基于大数据的零售商品销售数据统计分析系统 |
CN117112584A (zh) * | 2023-08-25 | 2023-11-24 | 公安县朵依服装有限公司 | 一种指标库数据智能管理系统 |
CN117132305A (zh) * | 2023-08-23 | 2023-11-28 | 江苏启赢数字技术有限公司 | 一种基本大数据技术的企业营销管理数据分析处理方法及系统 |
CN117151870A (zh) * | 2023-10-30 | 2023-12-01 | 湖南三湘银行股份有限公司 | 一种基于客群画像行为分析方法及系统 |
-
2024
- 2024-03-05 CN CN202410245039.3A patent/CN117829885B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620564B1 (en) * | 2004-08-11 | 2009-11-17 | HarvestGold | Sales territory planning tool and method |
KR20100078493A (ko) * | 2008-12-30 | 2010-07-08 | 주식회사 큐오시스템즈 | 웹사이트 기반의 세일즈 통계 분석 및 산출 서비스 시스템 및 그 방법과 그 방법에 대한 컴퓨터프로그램을 저장한 기록매체 |
CN110009400A (zh) * | 2019-03-18 | 2019-07-12 | 康美药业股份有限公司 | 商品定价方法、终端及计算机可读存储介质 |
CN115689617A (zh) * | 2023-01-04 | 2023-02-03 | 北京北测数字技术有限公司 | 一种基于大数据的零售商品销售数据统计分析系统 |
CN117132305A (zh) * | 2023-08-23 | 2023-11-28 | 江苏启赢数字技术有限公司 | 一种基本大数据技术的企业营销管理数据分析处理方法及系统 |
CN117112584A (zh) * | 2023-08-25 | 2023-11-24 | 公安县朵依服装有限公司 | 一种指标库数据智能管理系统 |
CN117151870A (zh) * | 2023-10-30 | 2023-12-01 | 湖南三湘银行股份有限公司 | 一种基于客群画像行为分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
VIKRAM NATHAN 等: "Learning Multi-Dimensional Indexes", SIGMOD \'20: PROCEEDINGS OF THE 2020 ACM SIGMOD INTERNATIONAL CONFERENCE, 30 June 2020 (2020-06-30) * |
何春爱;: "基于大数据的精准营销模式分析――以汽车营销为例", 财富生活, no. 18, 15 September 2020 (2020-09-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117829885B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110881B (zh) | 电力客户需求预测分析方法及系统 | |
CN107392479A (zh) | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 | |
CN109711955A (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
CN115730858B (zh) | 一种基于大数据的文化产品设计智能管理平台 | |
CN112070345A (zh) | 一种基于产业节点进行数据统计的产业分析方法 | |
CN111598333A (zh) | 客流数据的预测方法及装置 | |
CN112465549A (zh) | 一种识别渠道作弊的系统和方法 | |
CN113052505A (zh) | 基于人工智能的跨境文旅推荐方法、装置和设备 | |
CN115082225A (zh) | 一种企业融资风险的评估方法和装置 | |
CN115619270A (zh) | 数据资产管理方法、装置、计算机设备、存储介质 | |
CN116433052A (zh) | 一种基于智能化的招标信息采集数据分析评价系统 | |
CN110992111A (zh) | 基于大数据的投保人用户画像挖掘方法 | |
CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
CN111815430A (zh) | 一种用于不良贷款处置的资产管理系统 | |
CN110889536A (zh) | 警情态势预测和预警方法及其系统 | |
CN117829885B (zh) | 一种基于多维特征分析的商业订单数据监测处理方法 | |
CN112182388A (zh) | 一种广告投放前推荐广告机的方法 | |
CN114841832B (zh) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 | |
CN111899112A (zh) | 一种不动产信托项目管理方法与装置 | |
CN112257654A (zh) | 一种智慧城市用人脸识别装置 | |
CN113837518B (zh) | 一种基于历史处理数据的人员处理能力刻画方法 | |
CN117829648B (zh) | 基于大数据的展览工程智能监控方法、系统和介质 | |
CN116416056B (zh) | 一种基于机器学习的征信数据处理方法及系统 | |
Robertshaw et al. | An empirical measure of the availability, completeness and reliability of voluntarily disclosed personal information for direct marketing purposes |
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 |