CN117974207A - 客户忠诚度预测方法、装置、计算机设备和存储介质 - Google Patents
客户忠诚度预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117974207A CN117974207A CN202311873370.1A CN202311873370A CN117974207A CN 117974207 A CN117974207 A CN 117974207A CN 202311873370 A CN202311873370 A CN 202311873370A CN 117974207 A CN117974207 A CN 117974207A
- Authority
- CN
- China
- Prior art keywords
- information
- loyalty
- customer
- order
- behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims description 210
- 238000012545 processing Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 230000008092 positive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种客户忠诚度预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取客户的交易订单信息和用户行为数据;响应于客户忠诚度预测需求,根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;分别将每个客户的订单统计信息和行为统计信息,以及整体订单信息和整体行为信息,输入预设忠诚度预测模型中,得到每个客户的忠诚度预测值;忠诚度预测值表示客户流失风险程度。采用本方法能够得到准确的客户忠诚度预测值。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种客户忠诚度预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
客户关系管理,是以客户为中心的企业管理理论、商业理念和商业运作模式,是一种以信息技术为手段,获取、保持和增加可获利客户,有效提高企业收益,提升客户满意度及劳动生产力的软件和实现方法。
然而,当前的客户关系管理方法对客户的流失风险的预测准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确预测客户流失风险的客户忠诚度预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种客户忠诚度预测方法,包括:
获取客户的交易订单信息和用户行为数据;
响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值;所述忠诚度预测值表示客户流失风险程度。
在其中一个实施例中,所述根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,包括:
根据各个预设信息类型,将所述每个客户的交易订单信息和用户行为数据进行分类处理,得到所述每个客户在所述各个预设信息类型下的信息集合;
从各个信息集合中,筛选出与预设目标类型对应的目标信息集合;
根据所述目标信息集合,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息。
在其中一个实施例中,所述根据所述目标信息集合,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,包括:
根据预设的多个第一统计方式,对所述目标信息集合进行处理,确定出每个客户对应的订单统计信息和行为统计信息;
根据预设的多个第二统计方式,对所有客户对应的订单统计信息和行为统计信息进行处理,得到所述所有客户的整体订单信息和整体行为信息。
在其中一个实施例中,所述分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值,包括:
根据所述每个客户的订单统计信息和所述整体订单信息,得到所述每个客户的第一忠诚度预测值;
根据所述每个客户的行为统计信息和所述整体行为信息,得到所述每个客户的第二忠诚度预测值;
根据所述第一忠诚度预测值、所述第二忠诚度预测值和第一预设忠诚度权重,得到所述每个客户对应的忠诚度预测值。
在其中一个实施例中,所述订单统计信息包括下单统计信息和退单统计信息,所述整体订单信息包括整体下单信息和整体退单信息;
所述根据所述每个客户的订单统计信息和所述整体订单信息,得到所述每个客户的第一忠诚度预测值,包括:
根据所述每个客户的下单统计信息和所述整体下单信息,得到所述每个客户的第三忠诚度预测值;
根据所述每个客户的退单统计信息和所述整体退单信息,得到所述每个客户的第四忠诚度预测值;
根据所述第三忠诚度预测值、所述第四忠诚度预测值和第二预设忠诚度权重,得到所述每个客户对应的第一忠诚度预测值。
在其中一个实施例中,在获取客户的交易订单信息和用户行为数据之后,还包括:
根据预设加密模型,对所述交易订单信息和所述用户行为数据进行加密处理,得到加密信息;
所述响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,包括:
响应于客户忠诚度预测需求,根据预设解密模型,对所述加密信息进行解密处理,得到所述交易订单信息和所述用户行为数据;
根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息。
第二方面,本申请还提供了一种客户忠诚度预测装置,包括:
信息获取模块,用于获取客户的交易订单信息和用户行为数据;
信息统计模块,用于响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
忠诚预测模块,用于分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值;所述忠诚度预测值表示客户流失风险程度。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取客户的交易订单信息和用户行为数据;
响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值;所述忠诚度预测值表示客户流失风险程度。
第四方面,本申请还提供了一种计算机可读存储介质,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以下步骤:
获取客户的交易订单信息和用户行为数据;
响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值;所述忠诚度预测值表示客户流失风险程度。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取客户的交易订单信息和用户行为数据;
响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值;所述忠诚度预测值表示客户流失风险程度。
上述客户忠诚度预测方法、装置、计算机设备、存储介质和计算机程序产品,首先,获取客户的交易订单信息和用户行为数据,获取多维的客户信息,后续准确预测客户忠诚度;然后,响应于客户忠诚度预测需求,根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,以量化客户个体和整体的交易行为,为后续的预测建立基础,同时考虑到整体趋势,有助于识别客户行为的异常或变化;最后,分别将每个客户的订单统计信息和行为统计信息,以及整体订单信息和整体行为信息,输入预设忠诚度预测模型中,得到每个客户的忠诚度预测值,其中,忠诚度预测值表示客户流失风险程度,通过预设忠诚度预测模型,能够提供更全面的客户洞察,综合订单统计信息和行为统计信息能更准确地捕捉客户的活跃度、参与度等信息,从而更全面地反映客户忠诚度。同时,引入行为统计信息,可以更敏锐地感知到客户行为的变化,使得忠诚度预测更具有时效性,能够更迅速地发现潜在的客户流失迹象,提前预警可能的客户流失风险。上述方法中,通过结合订单信息和用户行为数据,以及客户整体的趋势,能够更全面及时地分析客户行为,提高了忠诚度预测的准确性,后续用户通过忠诚度预测值,可以实时监测客户流失风险,能够及时采取措施来提升客户满意度、增强客户忠诚度,从而最大程度地减少客户的流失。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中客户忠诚度预测方法的流程示意图;
图2为一个实施例中得到忠诚度预测值的步骤的流程示意图;
图3为另一个实施例中客户忠诚度预测方法的流程示意图;
图4为一个实施例中应用客户忠诚度预测方法的客户关系管理系统的示意图;
图5为一个实施例中客户忠诚度预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种客户忠诚度预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,获取客户的交易订单信息和用户行为数据。
其中,交易订单信息可以包括下单时间、下单商品数量、下单金额、发货时间、是否退单、退单金额、退单商品数量等;用户行为数据可以包括每次浏览开始时间、每次浏览结束时间、每次浏览商品数量、是否分享等。
示例性地,终端可以从交易系统的数据库中持续获取每个客户对应的交易订单信息,以及通过埋点数据获取每个客户对应的用户行为信息。终端将每个客户每个交易订单对应的交易订单信息作为一个数据组合进行存储,以及将每个客户的每次用户行为对应的用户行为数据作为一个数据组进行存储。
步骤S102,响应于客户忠诚度预测需求,根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息。
示例性地,终端将每个客户的所有数据组合中的数据,按照不同的信息类型提取出来,得到每个客户在每种信息类型对应的信息集合,不同的信息类型即为下单时间、下单商品数量、发货时间等。终端根据不同的信息集合,确定出每个客户对应的订单统计信息和行为统计信息。例如,下单商品数量、下单金额、下单时间、是否退单等可以分别单独计算出订单统计信息中的一种信息;每次浏览商品数量和是否分享也可以分别单独计算出行为统计信息中的一种信息;每次浏览开始时间和每次浏览结束时间可以共同计算出行为统计信息中的平均每次浏览时长。终端对所有的信息集合进行处理,最终得到每个客户对应的订单统计信息和行为统计信息。终端再基于所有客户对应的订单统计信息和行为统计信息,可以计算出整体订单信息和整体行为信息。另外,终端可以利用图表可视化展示每个客户的订单和行为统计信息,以及利用趋势图表可视化展示每个客户的订单和行为统计信息的变化趋势。
步骤S103,分别将每个客户的订单统计信息和行为统计信息,以及整体订单信息和整体行为信息,输入预设忠诚度预测模型中,得到每个客户的忠诚度预测值。
其中,忠诚度预测值表示客户流失风险程度。忠诚度预测值越高,客户流失风险越低;反之,忠诚度预测值越低,客户流失风险越高。
示例性地,终端在计算一个客户的忠诚度预测值时,将这一个客户的订单统计信息和行为统计信息,以及整体订单信息和整体行为信息,输入预设忠诚度预测模型中,得到这一个客户的忠诚度预测值。之后,终端可以基于之前计算的这一个客户的历史忠诚度预测值,确定出这一个客户的忠诚度预测值的变化情况,并可视化展示。同时,终端在计算出所有客户的忠诚度预测值后,可以标记出忠诚度预测值最低的若干个客户,以提醒用户关注。
上述客户忠诚度预测方法中,首先,获取客户的交易订单信息和用户行为数据,获取多维的客户信息,后续准确预测客户忠诚度;然后,响应于客户忠诚度预测需求,根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,以量化客户个体和整体的交易行为,为后续的预测建立基础,同时考虑到整体趋势,有助于识别客户行为的异常或变化;最后,分别将每个客户的订单统计信息和行为统计信息,以及整体订单信息和整体行为信息,输入预设忠诚度预测模型中,得到每个客户的忠诚度预测值,其中,忠诚度预测值表示客户流失风险程度,通过预设忠诚度预测模型,能够提供更全面的客户洞察,综合订单统计信息和行为统计信息能更准确地捕捉客户的活跃度、参与度等信息,从而更全面地反映客户忠诚度。同时,引入行为统计信息,可以更敏锐地感知到客户行为的变化,使得忠诚度预测更具有时效性,能够更迅速地发现潜在的客户流失迹象,提前预警可能的客户流失风险。上述方法中,通过结合订单信息和用户行为数据,以及客户整体的趋势,能够更全面及时地分析客户行为,提高了忠诚度预测的准确性,后续用户通过忠诚度预测值,可以实时监测客户流失风险,能够及时采取措施来提升客户满意度、增强客户忠诚度,从而最大程度地减少客户的流失。
在一个示例性的实施例中,上述步骤S102根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,还包括:根据各个预设信息类型,将每个客户的交易订单信息和用户行为数据进行分类处理,得到每个客户在各个预设信息类型下的信息集合;从各个信息集合中,筛选出与预设目标类型对应的目标信息集合;根据目标信息集合,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息。
其中,预设目标类型为用于确定订单统计信息和行为统计信息的预设信息类型。
示例性地,终端获取多个预设信息类型,将每个客户的交易订单信息和用户行为数据根据各个预设信息类型进行分类,形成多维度的信息集合。例如,预设信息类型为下单时间、下单商品数量、下单金额、发货时间、是否退单、退单金额、退单商品数量等,以及每次浏览开始时间、每次浏览结束时间、每次浏览商品数量、是否分享等,然后,一个客户的每次下单的下单时间整合为一个信息集合、每次下单的下单商品数量整合为一个信息集合等。然后,终端根据需要确定的订单统计信息和行为统计信息,确定对应的预设目标类型。接着,从各个信息集合中,筛选出与预设目标类型对应的目标信息集合,用于确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息。例如,确定客户平均每次下单金额,需要下单金额的信息集合;确定客户两次交易之间的平均时间间隔,需要下单时间的信息集合;确定客户平均每次退单的退单数量比例,需要下单数量和退单数量的信息集合(即退单数量除以下单数量得到);确定客户平均每次浏览时长,需要浏览开始时间和浏览结束时间的信息集合。有些信息集合可能不用于确定订单统计信息或行为统计信息,例如发货时间的信息集合。最后,终端获取到所有客户的订单统计信息和行为统计信息之后,确定出所有客户的整体订单信息和整体行为信息,例如各个订单统计信息或行为统计信息的最大值、最小值、平均值等。
本实施例中,根据预设信息类型,整理客户的交易订单信息和用户行为数据,得到信息集合。接着再基于预设目标类型确定目标信息集合,并对目标信息集合进行处理,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息。实现了多维度、个性化和灵活的数据处理和统计分析,提供了深度、全面的客户分析信息,为后续的决策制定和业务优化提供了有力支持。
在一个示例性的实施例中,上述根据目标信息集合,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,还包括:根据预设的多个第一统计方式,对目标信息集合进行处理,确定出每个客户对应的订单统计信息和行为统计信息;根据预设的多个第二统计方式,对所有客户对应的订单统计信息和行为统计信息进行处理,得到所有客户的整体订单信息和整体行为信息。
示例性地,终端针对目标信息集合,采用多个预设的第一统计方式,例如对订单信息的求和、平均值等。得到每个用户对应的订单统计信息和行为统计信息。其中,订单统计信息包括平均每次下单数量、平均每次下单金额、两次交易之间的平均时间间隔、退单率、平均每次退单的退单金额、平均每次退单的退单数量比例等。行为统计信息包括平均每次浏览时长、平均每次浏览商品数量、分享率等。
然后,终端针对所有客户的订单统计信息和行为统计信息,采用多个预设的第二统计方式,获得所有客户的整体订单信息和整体行为信息。其中,客户整体订单信息包括所有客户的各种订单统计信息中的最大值、最小值等;客户整体行为信息包括所有客户的各种行为统计信息中的最大值、最小值等。
本实施例中,通过不同的统计方式,得到了多维度、个性化和整体化的客户订单信息和行为信息的呈现,丰富了数据分析的层次和维度,为后续得到准确的忠诚度预测值提供了全面的数据基础。
在一个示例性的实施例中,如图2所示,上述步骤S103分别将每个客户的订单统计信息和行为统计信息,以及整体订单信息和整体行为信息,输入预设忠诚度预测模型中,得到每个客户的忠诚度预测值,还可以通过以下步骤实现:
步骤S201,根据每个客户的订单统计信息和整体订单信息,得到每个客户的第一忠诚度预测值;
步骤S202,根据每个客户的行为统计信息和整体行为信息,得到每个客户的第二忠诚度预测值;
步骤S203,根据第一忠诚度预测值、第二忠诚度预测值和第一预设忠诚度权重,得到每个客户对应的忠诚度预测值。
示例性地,对于一个客户,终端基于预设忠诚度预测模型中的计算方式,确定这一个客户的订单统计信息和整体订单信息之间的关系,则可以得到这一个客户的第一忠诚度预测值;类似地,终端基于预设忠诚度预测模型中的计算方式,确定这一个客户的行为统计信息和整体行为信息之间的关系,则可以得到这一个客户的第二忠诚度预测值。然后,终端获取第一预设忠诚度权重,基于第一忠诚度预测值和第二忠诚度预测值以及设定的权重,通过预设的计算方式,得到每个客户对应的忠诚度预测值。预设忠诚度权重表示在忠诚度预测值中的相对重要性和相关性。
本实施例中,通过预设忠诚度预测模型,确定出每个客户和所有客户之间的关系,从而全面准确地确定出客户的忠诚度预测值。同时,还引入预设忠诚度权重,预设忠诚度权重不仅考虑了第一和第二忠诚度预测值的相对重要性,还反映了它们在整体忠诚度预测中的相关性,有助于更准确地理解不同因素对于客户忠诚度的贡献度,为用户提供更智能化、有针对性的客户管理策略。
在一个示例性的实施例中,订单统计信息包括下单统计信息和退单统计信息,整体订单信息包括整体下单信息和整体退单信息;上述步骤S201根据每个客户的订单统计信息和整体订单信息,得到每个客户的第一忠诚度预测值,还包括:根据每个客户的下单统计信息和整体下单信息,得到每个客户的第三忠诚度预测值;根据每个客户的退单统计信息和整体退单信息,得到每个客户的第四忠诚度预测值;根据第三忠诚度预测值、第四忠诚度预测值和第二预设忠诚度权重,得到每个客户对应的第一忠诚度预测值。
示例性地,客户的订单统计信息包括下单统计信息和退单统计信息,那么就可以从两个维度的共同确定客户的第一忠诚度预测值。终端根据每个客户的下单统计信息和整体下单信息,得到每个客户的第三忠诚度预测值,并根据每个客户的退单统计信息和整体退单信息,得到每个客户的第四忠诚度预测值。另外,基于下单信息确定的第三忠诚度预测值应该对最后的忠诚度预测值具有正向作用,而基于退单信息确定的第四忠诚度预测值应该对最后的忠诚度预测值具有反向作用。
进一步地,在基于退单信息确定第四忠诚度预测值时,在实际情况中,有时候网购发生退单是正常的现象;退单金额更大或退单数量比例更大都会更影响客户的忠诚度。因此,采用区间动态的权重来根据退单率、平均每次退单的退单金额和平均每次退单的退单数量比例计算第四忠诚度预测值。例如,退单率低于预设阈值时,采用较小的权重,而高于预设阈值时,采用较大的权重;类似地,平均每次退单的退单金额和平均每次退单的退单数量比例也在低于预设阈值时,采用较小的权重,而高于预设阈值时,采用较大的权重。另外,区间动态的权重,可以根据实际需求,设置多个区间以及对应的多个权重。那么,终端首先确定出退单率、平均每次退单的退单金额和平均每次退单的退单数量比例分别位于哪个预设的目标区间范围,然后确定目标区间范围对应的权重,再基于对应的权重计算第四忠诚度预测值。
最后,终端根据第三忠诚度预测值、第四忠诚度预测值和第二预设忠诚度权重,得到每个客户对应的第一忠诚度预测值。
本实施例中,针对第一忠诚度预测值的计算,采用下单信息和退单信息两个维度进行计算,可以更准确地确定出客户的第一忠诚度预测值。同时,在计算第四忠诚度预测值时,采用更贴近现实的动态区间权重,能够获取更符合实际的第四忠诚度预测值,进而得到更准确的第一忠诚度预测值。
在一个示例性的实施例中,在上述步骤S101获取客户的交易订单信息和用户行为数据之后,还包括:根据预设加密模型,对交易订单信息和用户行为数据进行加密处理,得到加密信息;
进一步地,在一个示例性的实施例中,上述步骤S102响应于客户忠诚度预测需求,根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,还包括:响应于客户忠诚度预测需求,根据预设解密模型,对加密信息进行解密处理,得到交易订单信息和用户行为数据;根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息。
示例性地,终端在获取到客户的交易订单信息和用户行为数据之后,并不是马上对其进行处理得到忠诚度预测值。因此,终端在存储交易订单信息和用户行为数据,需要对交易订单信息和用户行为数据进行加密处理之后再存储,确保信息的安全。当需要采用交易订单信息和用户行为数据确定忠诚度预测值时,才解密得到原来的交易订单信息和用户行为数据。
加密处理可以采用例如SM4.0的加密标准。在SM4.0的加密标准,输入明文为轮密钥为/>通过32轮迭代加密运算:
Gi+4=F(Gi,Gi+1,Gi+2,Gi+3,rKi)=Gi⊕T(Gi+1⊕Gi+1,⊕Gi+1⊕rKi)
得到密文(H0,H1,H2,H3)=(G35,G34,G33,G32),其中i=0,1,2……31。轮密钥由加密密钥通过密钥扩展算法生成。在解密时,对加密数据经反序变换处理进行解密,即将轮密钥相对于加密时,逆向使用得到明文。
本实施例中,通过采用加解密处理,确保在收集客户的交易订单信息和用户行为数据时,能够确保数据的存储安全。
在另一个示例性的实施例中,如图3所示,提供了一种客户忠诚度预测方法,该方法包括以下步骤:
步骤S301,获取客户的交易订单信息和用户行为数据。
步骤S302,根据预设加密模型,对交易订单信息和用户行为数据进行加密处理,得到加密信息。
步骤S303,响应于客户忠诚度预测需求,根据预设解密模型,对加密信息进行解密处理,得到交易订单信息和用户行为数据。
步骤S304,根据各个预设信息类型,将每个客户的交易订单信息和用户行为数据进行分类处理,得到每个客户在各个预设信息类型下的信息集合。
步骤S305,从各个信息集合中,筛选出与预设目标类型对应的目标信息集合。
步骤S306,根据预设的多个第一统计方式,对目标信息集合进行处理,确定出每个客户对应的订单统计信息和行为统计信息。
步骤S307,根据预设的多个第二统计方式,对所有客户对应的订单统计信息和行为统计信息进行处理,得到所有客户的整体订单信息和整体行为信息。
其中,订单统计信息包括下单统计信息和退单统计信息,整体订单信息包括整体下单信息和整体退单信息。
步骤S308,根据每个客户的下单统计信息和整体下单信息,得到每个客户的第三忠诚度预测值;以及根据每个客户的退单统计信息和整体退单信息,得到每个客户的第四忠诚度预测值。
步骤S309,根据第三忠诚度预测值、第四忠诚度预测值和第二预设忠诚度权重,得到每个客户对应的第一忠诚度预测值。
步骤S310,根据每个客户的行为统计信息和整体行为信息,得到每个客户的第二忠诚度预测值。
步骤S311,根据第一忠诚度预测值、第二忠诚度预测值和第一预设忠诚度权重,得到每个客户对应的忠诚度预测值。
其中,忠诚度预测值表示客户流失风险程度。
示例性地,在存储客户的交易订单信息时,可以基于每次交易为数据组合单元,例如表示客户1在的第v次交易的交易订单信息,其中,/>为第v次交易的下单时间,/>为第v次交易的发货时间,/>为第v次交易的下单数量,/>为第v次交易的下单金额,Zv为第v次交易是否发生退单,/>为第v次交易的退单数量,/>为第v次交易的退单金额。
在预设忠诚度预测模型中,计算忠诚度预测值具体可以为:
Z=w1*Z1+w2*Z2
Z1=w3*Z3-w4*Z4
其中,Z为忠诚度预测值,Z1、Z2、Z3和Z4分别为第一忠诚度预测值、第二忠诚度预测值、第三忠诚度预测值和第四忠诚度预测值,w1、w2、w3和w4分别为第一忠诚度预测值、第二忠诚度预测值、第三忠诚度预测值、第四忠诚度预测值对应的预设权重。
其中,为所有客户的两次交易之间的平均时间间隔中,最大的两次交易之间的平均时间间隔;/>为所有客户的两次交易之间的平均时间间隔中,最大的两次交易之间的平均时间间隔;/>为当前计算忠诚度预测值的客户的两次交易之间的平均时间间隔。为当前计算忠诚度预测值的客户的平均每次下单数量;/>为当前计算忠诚度预测值的客户的平均每次下单金额;/>为当前计算忠诚度预测值的客户的退单率,wR为当前退单率对应的权重;/>为当前计算忠诚度预测值的客户的平均每次退单的退单金额,wRx为当前平均每次退单的退单金额对应的权重;/>为当前计算忠诚度预测值的客户的平均每次退单的退单数量比例,wRy为当前平均每次退单的退单数量比例对应的权重;/>为当前计算忠诚度预测值的客户的平均每次浏览时长;/>为当前计算忠诚度预测值的客户的平均每次浏览商品数量;/>为当前计算忠诚度预测值的客户的分享率;其他max和min下标的参数定义可以类比/>和/>
本实施例中,通过结合订单信息和用户行为数据,以及客户整体的趋势,能够更全面及时地分析客户行为,提高了忠诚度预测的准确性,后续用户通过忠诚度预测值,可以实时监测客户流失风险,能够及时采取措施来提升客户满意度、增强客户忠诚度,从而最大程度地减少客户的流失。
在又一个示例性的实施例中,如图4所示,提供了一种应用客户忠诚度预测方法的客户关系管理系统,该系统包括数据处理模块401、数据分析模块402、数据加密模块403和客户反馈模块404。
其中,数据处理模块401包括输入单元、标签单元和计算单元;数据加密模块403包括数据分类单元、加密单元和解密单元。
上述客户关系管理系统执行以下步骤:
步骤一:数据处理模块401中的输入单元对客户的下单行为和大量的客户数据进行收集并存储,包括个人信息、交易记录、服务需求等。
步骤二:数据处理模块401根据收集到的客户信息,计算出的客户忠诚度;具体包括:输入单元将存储客户的商品订单信息输入到标签单元,标签单元对输入的商品订单信息打上类型标签,然后计算单元再根据预设方式计算出包括两次下单之间的平均时间间隔、平均每次下单数量和平均每次下单金额等数据,进而计算出客户的忠诚度。
步骤三:数据分析模块402对比客户忠诚度,对大数据分析结果进行可视化的展示,为用户的决策提供更加清晰直观的客户关系展示。
步骤四:数据加密模块403对敏感数据进行加密,以保护客户隐私和客户数据,防止数据泄露导致客户和企业利益受损;具体包括:数据分类单元将客户数据分为公开资源和私密资源,加密单元采用加密算法对私密资源进行加密,在查询私密资源时,解密单元对加密数据解密。
步骤五:客户反馈模块404记录客户的反馈和评价,并将其反馈给用户进行改进。
本实施例中,通过客户关系管理系统对收集的客户数据收集、处理和分析,用数据处理模块处理收集到的客户信息,计算出的客户忠诚度,在计算的过程中,通过对客户在公司购物的多种数据记录,再通过计算两次下单之间的平均时间间隔、平均每次下单数量和平均每次下单金额数据,对得到的数据才计算出客户对公司的总忠诚度,多种数据可以进一步提高客户忠诚度数据的准确性,对多个客户忠诚度数据对比,可以剔除忠诚度较低客户,为后期的分析和决策提供有效帮助,极大提高忠诚度较高客户的地位,这样在对公司产品进行销售时,销售人员有一定的目标客户,极大提高公司产品的成单率,也避免频繁打扰忠诚度低的客户,从而对客户的行为进行大数据分析,将客户和企业的关系进行量化,更好地帮助公司了解自己的客户。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的客户忠诚度预测方法的客户忠诚度预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个客户忠诚度预测装置实施例中的具体限定可以参见上文中对于客户忠诚度预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图5所示,提供了一种客户忠诚度预测装置,包括:信息获取模块501、信息统计模块502和忠诚预测模块503,其中:
信息获取模块501,用于获取客户的交易订单信息和用户行为数据;
信息统计模块502,用于响应于客户忠诚度预测需求,根据交易订单信息和用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
忠诚预测模块503,用于分别将每个客户的订单统计信息和行为统计信息,以及整体订单信息和整体行为信息,输入预设忠诚度预测模型中,得到每个客户的忠诚度预测值;忠诚度预测值表示客户流失风险程度。
在其中一个实施例中,上述信息统计模块502,还用于根据各个预设信息类型,将每个客户的交易订单信息和用户行为数据进行分类处理,得到每个客户在各个预设信息类型下的信息集合;从各个信息集合中,筛选出与预设目标类型对应的目标信息集合;根据目标信息集合,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息。
在其中一个实施例中,上述信息统计模块502,还用于根据预设的多个第一统计方式,对目标信息集合进行处理,确定出每个客户对应的订单统计信息和行为统计信息;根据预设的多个第二统计方式,对所有客户对应的订单统计信息和行为统计信息进行处理,得到所有客户的整体订单信息和整体行为信息。
在其中一个实施例中,上述忠诚预测模块503,还用于根据每个客户的订单统计信息和整体订单信息,得到每个客户的第一忠诚度预测值;根据每个客户的行为统计信息和整体行为信息,得到每个客户的第二忠诚度预测值;根据第一忠诚度预测值、第二忠诚度预测值和第一预设忠诚度权重,得到每个客户对应的忠诚度预测值。
在其中一个实施例中,订单统计信息包括下单统计信息和退单统计信息,整体订单信息包括整体下单信息和整体退单信息;上述忠诚预测模块503,还用于根据每个客户的下单统计信息和整体下单信息,得到每个客户的第三忠诚度预测值;根据每个客户的退单统计信息和整体退单信息,得到每个客户的第四忠诚度预测值;根据第三忠诚度预测值、第四忠诚度预测值和第二预设忠诚度权重,得到每个客户对应的第一忠诚度预测值。
在其中一个实施例中,上述客户忠诚度预测装置还包括加解密模块,用于根据预设加密模型,对交易订单信息和用户行为数据进行加密处理,得到加密信息;响应于客户忠诚度预测需求,根据预设解密模型,对加密信息进行解密处理,得到交易订单信息和用户行为数据。
上述客户忠诚度预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种客户忠诚度预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种客户忠诚度预测方法,其特征在于,所述方法包括:
获取客户的交易订单信息和用户行为数据;
响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值;所述忠诚度预测值表示客户流失风险程度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,包括:
根据各个预设信息类型,将所述每个客户的交易订单信息和用户行为数据进行分类处理,得到所述每个客户在所述各个预设信息类型下的信息集合;
从各个信息集合中,筛选出与预设目标类型对应的目标信息集合;
根据所述目标信息集合,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标信息集合,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息,包括:
根据预设的多个第一统计方式,对所述目标信息集合进行处理,确定出每个客户对应的订单统计信息和行为统计信息;
根据预设的多个第二统计方式,对所有客户对应的订单统计信息和行为统计信息进行处理,得到所述所有客户的整体订单信息和整体行为信息。
4.根据权利要求1所述的方法,其特征在于,所述分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值,包括:
根据所述每个客户的订单统计信息和所述整体订单信息,得到所述每个客户的第一忠诚度预测值;
根据所述每个客户的行为统计信息和所述整体行为信息,得到所述每个客户的第二忠诚度预测值;
根据所述第一忠诚度预测值、所述第二忠诚度预测值和第一预设忠诚度权重,得到所述每个客户对应的忠诚度预测值。
5.根据权利要求4所述的方法,其特征在于,所述订单统计信息包括下单统计信息和退单统计信息,所述整体订单信息包括整体下单信息和整体退单信息;
所述根据所述每个客户的订单统计信息和所述整体订单信息,得到所述每个客户的第一忠诚度预测值,包括:
根据所述每个客户的下单统计信息和所述整体下单信息,得到所述每个客户的第三忠诚度预测值;
根据所述每个客户的退单统计信息和所述整体退单信息,得到所述每个客户的第四忠诚度预测值;
根据所述第三忠诚度预测值、所述第四忠诚度预测值和第二预设忠诚度权重,得到所述每个客户对应的第一忠诚度预测值。
6.根据权利要求1所述的方法,其特征在于,在获取客户的交易订单信息和用户行为数据之后,还包括:
根据预设加密模型,对所述交易订单信息和所述用户行为数据进行加密处理,得到加密信息;
所述响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,包括:
响应于客户忠诚度预测需求,根据预设解密模型,对所述加密信息进行解密处理,得到所述交易订单信息和所述用户行为数据;
根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息。
7.一种客户忠诚度预测装置,其特征在于,所述装置包括:
信息获取模块,用于获取客户的交易订单信息和用户行为数据;
信息统计模块,用于响应于客户忠诚度预测需求,根据所述交易订单信息和所述用户行为数据,确定出每个客户对应的订单统计信息和行为统计信息,以及所有客户的整体订单信息和整体行为信息;
忠诚预测模块,用于分别将所述每个客户的订单统计信息和行为统计信息,以及所述整体订单信息和所述整体行为信息,输入预设忠诚度预测模型中,得到所述每个客户的忠诚度预测值;所述忠诚度预测值表示客户流失风险程度。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,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中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873370.1A CN117974207A (zh) | 2023-12-29 | 2023-12-29 | 客户忠诚度预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873370.1A CN117974207A (zh) | 2023-12-29 | 2023-12-29 | 客户忠诚度预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974207A true CN117974207A (zh) | 2024-05-03 |
Family
ID=90857280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311873370.1A Pending CN117974207A (zh) | 2023-12-29 | 2023-12-29 | 客户忠诚度预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974207A (zh) |
-
2023
- 2023-12-29 CN CN202311873370.1A patent/CN117974207A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114398553A (zh) | 对象推荐方法、装置、电子设备以及存储介质 | |
CN117974207A (zh) | 客户忠诚度预测方法、装置、计算机设备和存储介质 | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
CN115712689A (zh) | 用电用户的分类方法、装置和计算机设备 | |
CN115619261A (zh) | 一种作业标签画像数据处理方法、装置、计算机设备 | |
CN116663951A (zh) | 用户留存数据分析模型构建以及分析方法、装置和设备 | |
CN115082183A (zh) | 业务对象的处理方法、装置、计算机设备、存储介质 | |
CN117520743A (zh) | 用户用电风险的监测方法、装置、设备、存储介质和产品 | |
CN115525914A (zh) | 数据加密方法、模型训练方法和房屋租赁客户识别方法 | |
CN116861273A (zh) | 划分参数确定方法、装置、计算机设备和存储介质 | |
CN117710107A (zh) | 资源值预测方法、装置、设备、存储介质和程序产品 | |
CN118133085A (zh) | 交互任务的控制方法、装置和计算机设备 | |
CN117118722A (zh) | 一种基于区块链的物流回溯方法与系统 | |
CN117151856A (zh) | 资源借调业务办理方法、装置、计算机设备和存储介质 | |
CN117932690A (zh) | 数据保护方法、装置、计算机设备和存储介质 | |
CN116108013A (zh) | 配电网数据处理方法、装置、计算机设备和存储介质 | |
CN116522357A (zh) | 一种基于信息化用户行为数据的保密风险方法 | |
CN116681203A (zh) | 基于大数据分析的企业管理咨询方法与系统 | |
CN115878780A (zh) | 问题推送方法、装置、计算机设备和存储介质 | |
CN117238017A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN115456716A (zh) | 一种在线展示多种类型商务信息的装置及信息处理终端 | |
CN116823384A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 | |
CN116150188A (zh) | 信息查询方法、装置、计算机设备和存储介质 | |
CN114064464A (zh) | 安全需求分析方法、装置、计算机设备和存储介质 | |
CN116452062A (zh) | 对象评级方法、装置、计算机设备及其存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |