TW202145105A - 客戶分群服務客製化行銷方法及系統 - Google Patents
客戶分群服務客製化行銷方法及系統 Download PDFInfo
- Publication number
- TW202145105A TW202145105A TW109116641A TW109116641A TW202145105A TW 202145105 A TW202145105 A TW 202145105A TW 109116641 A TW109116641 A TW 109116641A TW 109116641 A TW109116641 A TW 109116641A TW 202145105 A TW202145105 A TW 202145105A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- trajectory
- analyzed
- digital
- digital trajectory
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種客戶分群服務客製化行銷方法及系統,一處理模組利用一深度學習演算法,根據一儲存模組儲存的多筆數位軌跡訓練資料,建立一預訓練模型,並利用該預訓練模型,根據該等數位軌跡訓練資料,產生多筆向量資料,再利用一機器學習演算法,根據該等向量資料及該儲存模組儲存的多筆交易訓練資料,建立一預測模型,且利用該預測模型,根據經由一通訊模組接收到來自一伺服器的多筆待分析數位軌跡資料,產生多個預測結果,並根據該等預測結果,從該等待分析數位軌跡資料中,獲得多個目標待分析數位軌跡資料,最後根據該等目標待分析數位軌跡資料,產生一行銷名單。
Description
本發明是有關於一種行銷方法,特別是指一種客戶分群服務客製化行銷方法及系統。
現有金融產業從資料庫中的客戶資料進行規則篩選後,找出潛力客戶,以建立的行銷名單,而通常為讓行銷部門能夠快速的了解客戶需求,會再對潛力客戶進行分群。
然而,現有金融產業常是以固定規則篩選出潛力客戶名單,並進行分群,例如年齡介於25~40歲且有購買過外幣基金的客戶系統會判定之後可能會再購買外幣基金,故系統判定該客戶為潛力客戶,且歸類為有高度換匯需求的群組,但是客戶過去有購買過外幣基金,並不代表未來也會購買外幣基金,現有行銷的篩選方式無法精確地找出潛力客戶。
因此,本發明的目的,即在提供一種能精確地找出潛力客戶的客戶分群服務客製化行銷方法。
於是,本發明客戶分群服務客製化行銷方法,由一行銷系統執行,該行銷系統儲存多筆分別相關於多個客戶的數位軌跡訓練資料、多筆分別對應該等數位軌跡訓練資料的交易訓練資料,及多筆相關於多個待分析客戶的待分析數位軌跡資料,每一數位軌跡訓練資料包括多個相關於一網站的瀏覽紀錄,每一交易訓練資料包括多個商品購買紀錄,每一待分析數位軌跡資料包括多個相關於該網站的待分析瀏覽紀錄,該客戶分群方法包含一步驟(A)、一步驟(B)、一步驟(C)、一步驟(D)、一步驟(E),及一步驟(F)。
在該步驟(A)中,該處理模組利用一深度學習演算法,根據該等數位軌跡訓練資料,建立一用以將資料轉換成向量的預訓練模型。
在該步驟(B)中,該處理模組利用該預訓練模型,根據該等數位軌跡訓練資料,產生多筆分別對應該等數位軌跡訓練資料的向量資料。
在該步驟(C)中,該處理模組利用一機器學習演算法,根據該等交易訓練資料及該等向量資料,建立一用以預測客戶是否會購買商品的預測模型。
在該步驟(D)中,該處理模組利用該預測模型,根據該等待分析數位軌跡資料,產生多個分別對應該等待分析數位軌跡資料的預測結果。
在該步驟(E)中,該處理模組根據該等預測結果,從該等待分析數位軌跡資料中,獲得多個目標待分析數位軌跡資料,其中該等目標待分析數位軌跡資料所對應的預測結果為會購買商品
在該步驟(F)中,該處理模組根據該等目標待分析數位軌跡資料,產生一行銷名單。
本發明的另一目的,即在提供一種能精確地找出潛力客戶的客戶分群服務客製化行銷系統。
於是,本發明客戶分群服務客製化行銷系統,適用於將一伺服器儲存的多筆相關於多個待分群客戶的待分析數位軌跡資料進行分群,每一待分析數位軌跡資料包括多個相關於一網站的待分析瀏覽紀錄,包含一通訊模組、一儲存模組,及一處理模組。
該通訊模組經由一通訊網路連接該伺服器。
該儲存模組儲存多筆分別相關於多個客戶的數位軌跡訓練資料、多筆分別對應該等數位軌跡訓練資料的交易訓練資料,及多筆相關於多個待分群客戶的待分析數位軌跡資料,每一數位軌跡訓練資料包括多個相關於該網站的瀏覽紀錄,每一交易訓練資料包括多個商品購買紀錄。
該處理模組電連接該通訊模組及該儲存模組,該處理模組利用一深度學習演算法,根據該等數位軌跡訓練資料,建立一用以將資料轉換成向量的預訓練模型,並利用該預訓練模型,根據該等數位軌跡訓練資料,產生多筆分別對應該等數位軌跡訓練資料的向量資料,再利用一機器學習演算法,根據該等交易訓練資料及該等向量資料,建立一用以預測客戶是否會購買商品的預測模型,且利用該預測模型,根據該等待分析數位軌跡資料,產生多個分別對應該等待分析數位軌跡資料的預測結果,並根據該等預測結果,從該等待分析數位軌跡資料中,獲得多個目標待分析數位軌跡資料,其中該等目標待分析數位軌跡資料所對應的預測結果為會購買商品,最後根據該等目標待分析數位軌跡資料,產生一行銷名單。
本發明的功效在於:藉由該行銷系統根據該等預測結果,精確地找出會購買商品的該等目標待分析數位軌跡資料。
在本發明被詳細描述之前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,本發明客戶分群服務客製化行銷系統1的一實施例,適用於將一伺服器2儲存的多筆相關於多個待分群客戶的待分析數位軌跡資料進行分群,每一待分析數位軌跡資料包括多個相關於一網站的待分析瀏覽紀錄,該客戶分群服務客製化行銷系統1包含一通訊模組11、一儲存模組12,及一處理模組13。值得注意的是,在本實施例中,該客戶分群服務客製化行銷系統1例如為一電腦主機,但不以此為限。
該通訊模組11經由一通訊網路100連接該伺服器2,該通訊網路100例如為網際網路(internet)或是內部網路(intranet)。
值得注意的是,在本實施例中,該伺服器2架設一包括多個頁面的網站,並透過在該網站埋設追蹤代碼(Tracking Code),以搜集該等待分析數位軌跡資料,但不以此為限。
該儲存模組12儲存多筆分別相關於多個客戶的數位軌跡訓練資料、多筆分別對應該等數位軌跡訓練資料的交易訓練資料,及多筆相關於多個待分群客戶的待分析數位軌跡資料,每一數位軌跡訓練資料包括多個相關於該網站的瀏覽紀錄,每一交易訓練資料包括多個商品購買紀錄。值得注意的是,在本實施例中,每一瀏覽紀錄包括一相關於該網站之其中一頁面的瀏覽頁面、一交談識別碼(Session ID)、一客戶識別碼、一相關於瀏覽裝置的訊錄(cookies)、一頁面瀏覽時間,及一前一瀏覽頁面,每一商品購買紀錄包括一客戶識別碼、一交易型態、一交易金額、一手續費,及一交易時間,但不以此為限。
該處理模組13電連接該通訊模組11及該儲存模組12。
參閱圖1及圖2,說明本發明客戶分群服務客製化行銷系統1如何執行本發明客戶分群服務客製化行銷方法之一實施例。
在步驟21中,該處理模組13利用一深度學習演算法,根據該等數位軌跡訓練資料,建立一用以將資料轉換成向量的預訓練模型。值得注意的是,在本實施例中,該深度學習演算法例如為一相關於自然語言處理(Natural Language Processing, NLP))的嵌入語言模型(Embeddings from Language Models, ELMo)深度學習演算法,但不以此為限。
在步驟22中,該處理模組13利用該預訓練模型,根據該等數位軌跡訓練資料,產生多筆分別對應該等數位軌跡訓練資料的向量資料。值得注意的是,在本實施例中,每一向量資料包括多個相關於所對應之數位軌跡訓練資料的瀏覽紀錄之瀏覽頁面的詞向量(word vector),但不以此為限。
在步驟23中,該處理模組13利用一機器學習演算法例如基於樹模型(Tree-Based Models)及隨機森林(Random Forest)等演算法,根據該等交易訓練資料及該等向量資料,建立一用以預測客戶是否會購買商品的預測模型。
在步驟24中,該處理模組13利用該預測模型,根據經由該通訊模組11接收到來自該伺服器2的該等待分析數位軌跡資料,產生多個分別對應該等待分析數位軌跡資料的預測結果,每一預測結果為會購買商品或不會購買商品。
在步驟25中,該處理模組13根據該等預測結果,從該等待分析數位軌跡資料中,獲得多個目標待分析數位軌跡資料,其中該等目標待分析數位軌跡資料所對應的預測結果為會購買商品。
在步驟26中,該處理模組13利用一分群演算法,將該等目標待分析數位軌跡資料進行分群,以獲得多個群組。
搭配參閱圖3,步驟26包括子步驟261~263,以下說明步驟26的子步驟。
在步驟261中,該處理模組13利用一基因序列比對(Sequence Alignment)演算法將該等目標待分析數位軌跡資料進行分群,以獲得多個軌跡群組。
在步驟262中,對於每一軌跡群組,該處理模組13利用該預訓練模型,根據該軌跡群組的目標待分析數位軌跡資料,產生多筆分別對應該軌跡群組的目標待分析數位軌跡資料的目標向量資料。
在步驟263中,該處理模組13利用該分群演算法,根據該等軌跡群組對應的目標向量資料,將該等軌跡群組進行分群,以獲得該等群組。
值得注意的是,在本實施例中,該處理模組13在步驟261先利用該基因序列比對演算法進行細分群,並在步驟263利用該分群演算法(例如k-means演算法)進行粗分群,舉例來說,有3578筆目標待分析數位軌跡資料,經過步驟261細分群後,該處理模組13將該等3578筆目標待分析數位軌跡資料分群成326個軌跡群組,並經過步驟263粗分群後,該處理模組13將該等326個軌跡群組分群成7個群組。
在步驟27中,該處理模組13根據該等目標待分析數位軌跡資料及該等群組,產生一行銷名單。
綜上所述,本發明客戶分群服務客製化行銷方法及系統,藉由該處理模組13根據該等數位軌跡訓練資料建立該預訓練模型,且利用該預訓練模型產生對應該等數位軌跡訓練資料的該等向量資料,再以該預測模型,根據該通訊模組11從該伺服器2接收到即時的該等待分析數位軌跡資料產生該等預測結果,最後根據該等預測結果,精確地找出會購買商品的該等目標待分析數位軌跡資料,並以該等目標待分析數位軌跡資料產生該行銷名單,使得行銷部門能根據該行銷名單產生即時性的客製化推播服務,故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
1:客戶分群服務客製化行銷系統
11:通訊模組
12:儲存模組
13:處理模組
21~27:步驟
261~263:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊圖,說明本發明客戶分群服務客製化行銷系統的一實施例;
圖2是一流程圖,說明本發明客戶分群服務客製化行銷方法的一實施例;及
圖3一流程圖,輔助圖2說明步驟26的子步驟。
1:客戶分群服務客製化行銷系統
11:通訊模組
12:儲存模組
13:處理模組
Claims (10)
- 一種客戶分群服務客製化行銷方法,由一行銷系統執行,該行銷系統儲存多筆分別相關於多個客戶的數位軌跡訓練資料、多筆分別對應該等數位軌跡訓練資料的交易訓練資料,及多筆相關於多個待分析客戶的待分析數位軌跡資料,每一數位軌跡訓練資料包括多個相關於一網站的瀏覽紀錄,每一交易訓練資料包括多個商品購買紀錄,每一待分析數位軌跡資料包括多個相關於該網站的待分析瀏覽紀錄,該客戶分群方法包含以下步驟: (A)利用一深度學習演算法,根據該等數位軌跡訓練資料,建立一用以將資料轉換成向量的預訓練模型; (B)利用該預訓練模型,根據該等數位軌跡訓練資料,產生多筆分別對應該等數位軌跡訓練資料的向量資料; (C)利用一機器學習演算法,根據該等交易訓練資料及該等向量資料,建立一用以預測客戶是否會購買商品的預測模型; (D)利用該預測模型,根據該等待分析數位軌跡資料,產生多個分別對應該等待分析數位軌跡資料的預測結果; (E)根據該等預測結果,從該等待分析數位軌跡資料中,獲得多個目標待分析數位軌跡資料,其中該等目標待分析數位軌跡資料所對應的預測結果為會購買商品;及 (F)根據該等目標待分析數位軌跡資料,產生一行銷名單。
- 如請求項1所述的客戶分群服務客製化行銷方法,其中,在步驟(A)中,該深度學習演算法為一相關於自然語言處理的嵌入語言模型深度學習演算法。
- 如請求項1所述的客戶分群服務客製化行銷方法,該網站包括多個頁面,每一瀏覽紀錄包括一相關於該網站之其中一頁面的瀏覽頁面,其中,在步驟(B)中,每一向量資料包括多個相關於所對應之數位軌跡訓練資料的瀏覽紀錄之瀏覽頁面的詞向量。
- 如請求項1所述的客戶分群服務客製化行銷方法,在步驟(F)之前還包含以下步驟: (G)利用一分群演算法,將該等目標待分析數位軌跡資料進行分群,以產生多個群組; 其中,在步驟(F)中,還根據該等群組產生該行銷名單。
- 如請求項4所述的客戶分群服務客製化行銷方法,其中,在步驟(G)包括以下子步驟: (G-1)利用一基因序列比對演算法將該等目標待分析數位軌跡資料進行分群,以獲得多個軌跡群組; (G-2)對於每一軌跡群組,利用該預訓練模型,根據該軌跡群組的目標待分析數位軌跡資料,產生多筆分別對應該軌跡群組的目標待分析數位軌跡資料的目標向量資料;及 (G-3)利用該分群演算法,根據該等軌跡群組對應的目標向量資料,將該等軌跡群組進行分群,以產生該等群組。
- 一種客戶分群服務客製化行銷系統,適用於將一伺服器儲存的多筆相關於多個待分群客戶的待分析數位軌跡資料進行分群,每一待分析數位軌跡資料包括多個相關於一網站的待分析瀏覽紀錄,包含: 一通訊模組,經由一通訊網路連接該伺服器; 一儲存模組,儲存多筆分別相關於多個客戶的數位軌跡訓練資料、多筆分別對應該等數位軌跡訓練資料的交易訓練資料,及多筆相關於多個待分群客戶的待分析數位軌跡資料,每一數位軌跡訓練資料包括多個相關於該網站的瀏覽紀錄,每一交易訓練資料包括多個商品購買紀錄;及 一處理模組,電連接該通訊模組及該儲存模組,利用一深度學習演算法,根據該等數位軌跡訓練資料,建立一用以將資料轉換成向量的預訓練模型,並利用該預訓練模型,根據該等數位軌跡訓練資料,產生多筆分別對應該等數位軌跡訓練資料的向量資料,再利用一機器學習演算法,根據該等交易訓練資料及該等向量資料,建立一用以預測客戶是否會購買商品的預測模型,且利用該預測模型,根據經由該通訊模組接收到來自該伺服器的該等待分析數位軌跡資料,產生多個分別對應該等待分析數位軌跡資料的預測結果,並根據該等預測結果,從該等待分析數位軌跡資料中,獲得多個目標待分析數位軌跡資料,其中該等目標待分析數位軌跡資料所對應的預測結果為會購買商品,最後根據該等目標待分析數位軌跡資料,產生一行銷名單。
- 如請求項6所述的客戶分群服務客製化行銷系統,其中,該深度學習演算法為一相關於自然語言處理的嵌入語言模型深度學習演算法。
- 如請求項6所述的客戶分群服務客製化行銷系統,其中,該網站包括多個頁面,每一瀏覽紀錄包括一相關於該網站之其中一頁面的瀏覽頁面,每一向量資料包括多個相關於所對應之數位軌跡訓練資料的瀏覽紀錄之瀏覽頁面的詞向量。
- 如請求項6所述的客戶分群服務客製化行銷系統,其中,該處理模組利用一分群演算法,將該等目標待分析數位軌跡資料進行分群,以獲得多個群組,且該處理模組還根據該等群組產生該行銷名單。
- 如請求項9所述的客戶分群服務客製化行銷系統,其中,該處理模組利用該基因序列比對演算法將該等目標待分析數位軌跡資料進行分群,以獲得多個軌跡群組,對於每一軌跡群組,該處理模組利用該預訓練模型,並根據該軌跡群組的目標待分析數位軌跡資料,產生多筆分別對應該軌跡群組的目標待分析數位軌跡資料的向量資料,再利用該分群演算法,根據該等軌跡群組對應的向量資料,將該等軌跡群組進行分群,以獲得該等群組。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109116641A TWI747290B (zh) | 2020-05-20 | 2020-05-20 | 客戶分群服務客製化行銷方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109116641A TWI747290B (zh) | 2020-05-20 | 2020-05-20 | 客戶分群服務客製化行銷方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI747290B TWI747290B (zh) | 2021-11-21 |
TW202145105A true TW202145105A (zh) | 2021-12-01 |
Family
ID=79907518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109116641A TWI747290B (zh) | 2020-05-20 | 2020-05-20 | 客戶分群服務客製化行銷方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI747290B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI824876B (zh) * | 2022-12-13 | 2023-12-01 | 永豐金融控股股份有限公司 | 利用顧客基因之行銷系統與方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843080B (zh) * | 2023-07-12 | 2024-03-19 | 济南明泉数字商务有限公司 | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI534732B (zh) * | 2010-11-15 | 2016-05-21 | Alibaba Group Holding Ltd | Recommended information output method, system and server |
US10235681B2 (en) * | 2013-10-15 | 2019-03-19 | Adobe Inc. | Text extraction module for contextual analysis engine |
CN105868847A (zh) * | 2016-03-24 | 2016-08-17 | 车智互联(北京)科技有限公司 | 一种购物行为的预测方法及装置 |
TWM601397U (zh) * | 2020-05-20 | 2020-09-11 | 中國信託商業銀行股份有限公司 | 客戶分群服務客製化行銷系統 |
-
2020
- 2020-05-20 TW TW109116641A patent/TWI747290B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI824876B (zh) * | 2022-12-13 | 2023-12-01 | 永豐金融控股股份有限公司 | 利用顧客基因之行銷系統與方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI747290B (zh) | 2021-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210374164A1 (en) | Automated and dynamic method and system for clustering data records | |
CN112200601B (zh) | 物品推荐方法、装置及可读存储介质 | |
WO2020023647A1 (en) | Privacy preserving ai derived simulated world | |
US20140172543A1 (en) | Systems and methods for automatic control of marketing actions | |
CA3007338A1 (en) | Method and system for purchase behavior prediction of customers | |
KR102461415B1 (ko) | 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
TWI747290B (zh) | 客戶分群服務客製化行銷方法及系統 | |
Kumar et al. | Customer loan eligibility prediction using machine learning algorithms in banking sector | |
Bouzidi et al. | Deep learning-based automated learning environment using smart data to improve corporate marketing, business strategies, fraud detection in financial services, and financial time series forecasting | |
KR20230122524A (ko) | 이커머스 솔루션의 구매, 판매, 재고, 물류, 유통, 정산 과정에서 발생하는 엔드 투 엔드 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
CN111008861A (zh) | 基于智能预测的商品在线交易系统及方法 | |
Zaghloul et al. | Predicting E-commerce customer satisfaction: Traditional machine learning vs. deep learning approaches | |
JP2020135434A (ja) | 企業情報処理装置、企業のイベント予測方法及び予測プログラム | |
TWM601397U (zh) | 客戶分群服務客製化行銷系統 | |
KR102433933B1 (ko) | 이커머스 판매 및 유통 관리 시스템 플랫폼 취합 데이터를 기반으로 한 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
CN116151857A (zh) | 一种营销模型的构建方法及装置 | |
KR20230122522A (ko) | Oms 상에서 온라인 판매자 및 소비자 간 발생하는 주문 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
Elrefai et al. | Using artificial intelligence in enhancing banking services | |
KR20230109070A (ko) | 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치 | |
JP6910515B1 (ja) | 分析装置、分析方法および分析プログラム | |
CN114741592A (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
Meng et al. | Forecasting service quality dynamics based on integrated method with GM (1, 1) model and Markov chain | |
CN112819541A (zh) | 商品推荐方法、系统、计算机设备及存储介质 | |
Goel et al. | Classification Of Positive And Negative Fake Online Reviews Using Machine Learning Techniques | |
CN111369315A (zh) | 资源对象推荐方法及装置,数据预测模型训练方法及装置 |