CN105744005A - 客户定位分析方法及服务器 - Google Patents
客户定位分析方法及服务器 Download PDFInfo
- Publication number
- CN105744005A CN105744005A CN201610289448.9A CN201610289448A CN105744005A CN 105744005 A CN105744005 A CN 105744005A CN 201610289448 A CN201610289448 A CN 201610289448A CN 105744005 A CN105744005 A CN 105744005A
- Authority
- CN
- China
- Prior art keywords
- client
- class
- information
- data class
- label
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种客户定位分析方法,包括:根据客户属性数据从多个业务服务器中提取出属性数据对应的各种业务数据;按照一分析规则,将提取的各种业务数据划分成一种或多种数据类;及按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签,实现用户定位。本发明还提供一种适用于上述方法的服务器。本发明可以对潜在客户进行定位分析,以便实现定制化的业务推送。
Description
技术领域
本发明涉及数据分析评估技术领域,特别是一种客户定位分析方法及服务器。
背景技术
目前,各个公司在推广业务时,通常是采用人工电话方式或者即时消息群发模式向客户推荐或者推送业务。
例如,保险公司的电话销售人员通常在获取客户的基本信息,如电话号码及姓名之后,就会打电话给客户进行保险销售。由于销售人员可能并不了解该客户的详细信息,如客户的经济实力、偏好,教育情况等信息,可能使得推销效果不尽如意,而且可能引起客户的反感情绪。
此外,通过即时消息群发模式向客户推送业务的方式,由于所有人收到的信息都是一样的,没有进行定制化,所以大部分客户可能都会选择直接忽略消息。
因此,上述业务推广的精度较低,成本较高,客户反感度较高。
发明内容
鉴于以上内容,有必要提供一种客户定位分析方法,其可以对潜在客户进行定位分析,以便实现定制化的业务推送。
一种客户定位分析方法,该方法包括:
根据客户属性数据从多个业务服务器中提取出属性数据对应的各种业务数据;
按照一分析规则,将提取的各种业务数据划分成一种或多种数据类;及
按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签,实现用户定位。
优选地,该方法还包括:
根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的客户特征标签对应的推荐业务种类,为确定的各个数据类下的客户推送对应的推荐业务种类。
优选地,所述业务数据包括金融信息、订购的机票信息、保险信息、求职信息及即时通讯工具账号的使用信息。
优选地,所述分析规则为聚类分析规则。
优选地,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
鉴于以上内容,还有必要提供一种适用于上述方法的服务器,其可以对潜在客户进行定位分析,以实现定制化的业务推送。
一种服务器,包括存储设备以及处理器,其中:
所述存储设备,用于存储一个客户定位分析***;
所述处理器,用于调用并执行所述客户定位分析***,以执行如下步骤:
根据客户属性数据从多个业务服务器中提取出属性数据对应的各种业务数据;
按照一分析规则,将提取的各种业务数据划分成一种或多种数据类;及
按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签,实现用户定位。
优选地,所述处理器调用并执行所述客户定位分析***,还执行如下步骤:
根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的客户特征标签对应的推荐业务种类,为确定的各个数据类下的客户推送对应的推荐业务种类。
优选地,所述业务数据包括金融信息、订购的机票信息、保险信息、求职信息及即时通讯工具账号的使用信息。
优选地,所述分析规则为聚类分析规则。
优选地,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
本发明所述客户定位分析方法及适用于上述方法的服务器,通过大数据分析,对客户进行定位,以实现对每个潜在客户执行定制化的业务推送。
附图说明
图1是本发明客户定位分析***第一实施例的硬件环境图。
图2是本发明客户定位分析***第二实施例的硬件环境图。
图3是本发明客户定位分析***较佳实施例的功能模块图。
图4是本发明客户定位分析方法第一较佳实施例的方法实施流程图。
图5是本发明客户定位分析方法第二较佳实施例的方法实施流程图。
具体实施方式
参阅图1所示,是本发明客户定位分析***第一实施例的硬件环境图。
本实施例中,所述客户定位分析***2可以安装并运行于一台服务器中,如大数据分析服务器1。
所述大数据分析服务器1可以通过通讯模块(未图示)与多台业务服务器3通讯连接,用于从所述多台业务服务器3中获取海量数据,以进行大数据分析。所述业务服务器3可以包括,但不限制于,例如,银行服务器、***服务器、保险服务器、证券服务器、即时通讯服务器、民航服务器、电商服务器和/或招聘服务器等。
进一步地,所述大数据分析服务器1还可以通过其通讯模块与至少一台终端设备4通讯连接,用于接收终端设备4的信息输入,并将基于所述信息输入得到的分析结果输出给终端设备4。所述终端设备4可以是,例如,个人电脑、智能手机、平板电脑等设备。所述终端设备4包括用于信息输入的输入设备40以及用于信息输出的显示设备41。
所述大数据分析服务器1可以包括有处理器以及存储设备(未图示)。所述处理器是大数据分析服务器1的运算核心(CoreUnit)和控制核心(ControlUnit),用于解释计算机指令以及处理计算机软件中的数据。所述存储设备可以是一个或者多个非易失性存储单元,如ROM、EPROM或FlashMemory(快闪存储单元)等。所述存储设备可以内置或者外接于大数据分析服务器1。
本实施例中,所述客户定位分析***2可以是一种计算机软件,其包括计算机可执行的程序指令代码,该程序指令代码可以存储于所述存储设备中,在所述处理器的执行下,实现下述功能:根据,如从终端设备4接收的客户的属性数据,包括,例如,证件号码,手机号码、或者姓名与证件号码及手机号码的组合等,从所连接的多个业务服务器3中提取出该客户对应的各种业务数据,例如,金融信息,包括***授信额度及使用情况信息、银行贷款额度及还款情况信息等,订购的机票信息,包括飞行时间、起始地、目的地、预设时间的飞行次数等,保险信息,包括所处行业,性别、年龄、婚姻状况、职业,保险购买地,保险购买渠道,投保险种,业务类型,有效保单数,被保人数、受益人与投保人的关系等,求职信息,包括兴趣爱好、教育经历、工作经历等,即时通讯工具账号的使用信息,包括,登陆时间信息、在线时长等信息等等,按照一分析规则,将提取的各种业务数据划分成一种或多种数据类,按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签,从而实现对该用户的定位,以根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的客户特征标签对应的推荐业务种类,为确定的各个数据类下的客户推送对应的推荐业务种类。
其中,所述特征标签包括基本特征信息(例如,所属地域属于一线城市、受过高等教育、从事IT并属于管理层等)、偏好习惯信息(例如,习惯线下消费、偏好的上网时段为20:00-22:00、偏好的接触渠道是即时通讯工具等)、行为信息(例如,有较高的社交网络影响力、线上活跃度高、网络粘度大、驾驶违章次数少、就医次数少等)、金融风险信息(例如,无违约、无欺诈、不属于任何黑名单等)、交易信息(例如,线上交易频繁、线下交易活跃度高等)、个人价值评估信息(例如,年薪高、拥有的房产估值高、开豪车等)及/或社会关系信息(例如,社交面广、所接触人群消费潜力大)等。
本发明较佳实施例中,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
例如,年薪及固定时间内的线上交易次数等为连续数值的业务数据种类,可以设置年薪对应的标签阈值可以为30万人民币,固定时间内的线上交易次数对应的标签阈值可以为10次;当客户的年薪超过对应的标签阈值“例如,30万人民币”时,代表该客户年薪对应的标签信息是“高年薪”;当客户的固定时间内的线上交易次数超过对应的标签阈值“例如,10次”,则代表该客户的线上交易对应的标签信息是“线上交易频繁”。
又如,所属地域、学历等为非连续数值的各种业务数据种类,可以设置所属地域对应的标签范围包括:一线城市集合、二线城市集合等,当客户所属地域属于所述一线城市集合中的城市时,代表该客户所属地域对应的标签信息是“属于一线城市”;客户学历对应的标签范围包括:高等教育学历集合、中等教育学历集合和低等教育学历集合,当客户的最高学历属于所述高等教育学历集合时,代表该客户学历对应的标签信息是“受过高等教”。
本实施例中,所述分析规则可以是聚类分析规则。所述聚类分析又称群分析,它是研究数据分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
本实施例中,所述分析规则可以采用聚类分析中的K-MEANS算法,其步骤包括:A、从各种业务数据中,任意选择预设数量,例如,K种(K为大于2的正整数)业务数据作为第一聚类中心;B、测量剩余的各种业务数据到每个第一聚类中心的第一距离,将剩余的各种业务数据划分到距离最近的第一聚类中心的类,以获得K个当前数据类;C、按照预设计算规则,重新计算各个所述当前数据类的第二聚类中心;D、计算各个所述当前数据类的第二聚类中心与对应的原第一聚类中心的第二距离,若各个所述当前数据类对应的第二距离均小于预设阈值,则各个所述当前数据类即是要划分的第二预设数量的数据类,或者,若有所述当前数据类对应的第二距离大于等于预设阈值,则转入执行下述步骤E、测量各种业务数据到每个第二聚类中心的第一距离,将各个客户的各种业务数据划分到距离最近的第二聚类中心的类,以获得K个最新数据类;F、按照预设计算规则,重新计算各个所述最新数据类的当前第二聚类中心;G、计算各个所述最新数据类的当前第二聚类中心与对应的原第二聚类中心的第二距离,若各个所述最新数据类对应的第二距离均小于预设阈值,则各个所述最新数据类即是要划分的第二预设数量的数据类,或者,若有所述最新数据类对应的第二距离大于等于预设阈值,则重复执行上述步骤E、F、G,直到各个所述最新数据类对应的第二距离均小于预设阈值为止。
其中,所述预设计算规则为:对数据类下的各个客户的业务数据取均值,所述均值即是对应的数据类的第二聚类中心。
参阅图2所示,是本发明客户定位分析***第二实施例的硬件环境图。
本实施例中,所述大数据分析服务器1连接于网络5,如万维网,以从所述网络5中筛选出客户的属性数据,例如,证件号码,手机号码、或者姓名与证件号码及手机号码的组合等。所述客户定位分析***2根据所述筛选出来的客户的属性数据,通过执行上述功能,实现对各个客户的定位。
参阅图3所示,是本发明客户定位分析***较佳实施例的功能模块图。
所述客户定位分析***2的程序代码根据其不同的功能,可以划分为多个功能模块。本发明较佳实施例中,所述客户定位分析***2可以包括客户选取模块20、数据获取模块21、分类模块22、标记模块23以及推送模块24。
所述客户选取模块20用于获取客户的属性数据。所述属性数据可以包括,例如,证件号码,手机号码、或者姓名与证件号码及手机号码的组合等。本实施例中,所述客户的属性数据可以通过从一终端设备4中被动接收,或者一网络5,如万维网中主动筛选。
所述数据获取模块21用于从多个业务服务器3中提取出该客户对应的各种业务数据。
所述业务数据包括,例如,金融信息,包括***授信额度及使用情况信息、银行贷款额度及还款情况信息等,订购的机票信息,包括飞行时间、起始地、目的地、预设时间的飞行次数等,保险信息,包括所处行业,性别、年龄、婚姻状况、职业,保险购买地,保险购买渠道,投保险种,业务类型,有效保单数,被保人数、受益人与投保人的关系等,求职信息,包括兴趣爱好、教育经历、工作经历等,即时通讯工具账号的使用信息,包括,登陆时间信息、在线时长等信息等等。
所述分类模块22用于按照一分析规则,将提取的各种业务数据划分成一种或多种数据类。
本实施例中,所述分析规则可以是聚类分析规则。所述聚类分析又称群分析,它是研究数据分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
本实施例中,所述分析规则可以采用聚类分析中的K-MEANS算法,其步骤包括:A、从各种业务数据中,任意选择预设数量,例如,K种(K为大于2的正整数)业务数据作为第一聚类中心;B、测量剩余的各种业务数据到每个第一聚类中心的第一距离,将剩余的各种业务数据划分到距离最近的第一聚类中心的类,以获得K个当前数据类;C、按照预设计算规则,重新计算各个所述当前数据类的第二聚类中心;D、计算各个所述当前数据类的第二聚类中心与对应的原第一聚类中心的第二距离,若各个所述当前数据类对应的第二距离均小于预设阈值,则各个所述当前数据类即是要划分的第二预设数量的数据类,或者,若有所述当前数据类对应的第二距离大于等于预设阈值,则转入执行下述步骤E、测量各种业务数据到每个第二聚类中心的第一距离,将各个客户的各种业务数据划分到距离最近的第二聚类中心的类,以获得K个最新数据类;F、按照预设计算规则,重新计算各个所述最新数据类的当前第二聚类中心;G、计算各个所述最新数据类的当前第二聚类中心与对应的原第二聚类中心的第二距离,若各个所述最新数据类对应的第二距离均小于预设阈值,则各个所述最新数据类即是要划分的第二预设数量的数据类,或者,若有所述最新数据类对应的第二距离大于等于预设阈值,则重复执行上述步骤E、F、G,直到各个所述最新数据类对应的第二距离均小于预设阈值为止。
所述标记模块23用于按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签。
其中,所述特征标签包括基本特征信息(例如,所属地域属于一线城市、受过高等教育、从事IT并属于管理层等)、偏好习惯信息(例如,习惯线下消费、偏好的上网时段为20:00-22:00、偏好的接触渠道是即时通讯工具等)、行为信息(例如,有较高的社交网络影响力、线上活跃度高、网络粘度大、驾驶违章次数少、就医次数少等)、金融风险信息(例如,无违约、无欺诈、不属于任何黑名单等)、交易信息(例如,线上交易频繁、线下交易活跃度高等)、个人价值评估信息(例如,年薪高、拥有的房产估值高、开豪车等)及/或社会关系信息(例如,社交面广、所接触人群消费潜力大)等。
本发明较佳实施例中,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
例如,年薪及固定时间内的线上交易次数等为连续数值的业务数据种类,可以设置年薪对应的标签阈值可以为30万人民币,固定时间内的线上交易次数对应的标签阈值可以为10次;当客户的年薪超过对应的标签阈值“例如,30万人民币”时,代表该客户年薪对应的标签信息是“高年薪”;当客户的固定时间内的线上交易次数超过对应的标签阈值“例如,10次”,则代表该客户的线上交易对应的标签信息是“线上交易频繁”。
又如,所属地域、学历等为非连续数值的各种业务数据种类,可以设置所属地域对应的标签范围包括:一线城市集合、二线城市集合等,当客户所属地域属于所述一线城市集合中的城市时,代表该客户所属地域对应的标签信息是“属于一线城市”;客户学历对应的标签范围包括:高等教育学历集合、中等教育学历集合和低等教育学历集合,当客户的最高学历属于所述高等教育学历集合时,代表该客户学历对应的标签信息是“受过高等教”。
所述推送模块24用于根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的客户特征标签对应的推荐业务种类,为确定的各个数据类下的客户推送对应的推荐业务种类。
参阅图4所示,是本发明客户定位分析方法第一较佳实施例的方法实施流程图。本实施例所述客户定位分析方法并不限于流程图中所示步骤,此外流程图中所示步骤中,某些步骤可以省略、步骤之间的顺序可以改变。
步骤S10,客户选取模块20通过一终端设备4接收获取客户的属性数据。所述属性数据可以包括,例如,证件号码,手机号码、或者姓名与证件号码及手机号码的组合等。
步骤S11,数据获取模块21从多个业务服务器3中提取出该客户对应的各种业务数据。
所述业务数据包括,例如,金融信息,包括***授信额度及使用情况信息、银行贷款额度及还款情况信息等,订购的机票信息,包括飞行时间、起始地、目的地、预设时间的飞行次数等,保险信息,包括所处行业,性别、年龄、婚姻状况、职业,保险购买地,保险购买渠道,投保险种,业务类型,有效保单数,被保人数、受益人与投保人的关系等,求职信息,包括兴趣爱好、教育经历、工作经历等,即时通讯工具账号的使用信息,包括,登陆时间信息、在线时长等信息等等。
步骤S12,分类模块22按照一分析规则,将提取的各种业务数据划分成一种或多种数据类。
本实施例中,所述分析规则可以是聚类分析规则。所述聚类分析又称群分析,它是研究数据分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
本实施例中,所述分析规则可以采用聚类分析中的K-MEANS算法,其步骤包括:A、从各种业务数据中,任意选择预设数量,例如,K种(K为大于2的正整数)业务数据作为第一聚类中心;B、测量剩余的各种业务数据到每个第一聚类中心的第一距离,将剩余的各种业务数据划分到距离最近的第一聚类中心的类,以获得K个当前数据类;C、按照预设计算规则,重新计算各个所述当前数据类的第二聚类中心;D、计算各个所述当前数据类的第二聚类中心与对应的原第一聚类中心的第二距离,若各个所述当前数据类对应的第二距离均小于预设阈值,则各个所述当前数据类即是要划分的第二预设数量的数据类,或者,若有所述当前数据类对应的第二距离大于等于预设阈值,则转入执行下述步骤E、测量各种业务数据到每个第二聚类中心的第一距离,将各个客户的各种业务数据划分到距离最近的第二聚类中心的类,以获得K个最新数据类;F、按照预设计算规则,重新计算各个所述最新数据类的当前第二聚类中心;G、计算各个所述最新数据类的当前第二聚类中心与对应的原第二聚类中心的第二距离,若各个所述最新数据类对应的第二距离均小于预设阈值,则各个所述最新数据类即是要划分的第二预设数量的数据类,或者,若有所述最新数据类对应的第二距离大于等于预设阈值,则重复执行上述步骤E、F、G,直到各个所述最新数据类对应的第二距离均小于预设阈值为止。
步骤S13,标记模块23按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签。
其中,所述特征标签包括基本特征信息(例如,所属地域属于一线城市、受过高等教育、从事IT并属于管理层等)、偏好习惯信息(例如,习惯线下消费、偏好的上网时段为20:00-22:00、偏好的接触渠道是即时通讯工具等)、行为信息(例如,有较高的社交网络影响力、线上活跃度高、网络粘度大、驾驶违章次数少、就医次数少等)、金融风险信息(例如,无违约、无欺诈、不属于任何黑名单等)、交易信息(例如,线上交易频繁、线下交易活跃度高等)、个人价值评估信息(例如,年薪高、拥有的房产估值高、开豪车等)及/或社会关系信息(例如,社交面广、所接触人群消费潜力大)等。
本发明较佳实施例中,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
例如,年薪及固定时间内的线上交易次数等为连续数值的业务数据种类,可以设置年薪对应的标签阈值可以为30万人民币,固定时间内的线上交易次数对应的标签阈值可以为10次;当客户的年薪超过对应的标签阈值“例如,30万人民币”时,代表该客户年薪对应的标签信息是“高年薪”;当客户的固定时间内的线上交易次数超过对应的标签阈值“例如,10次”,则代表该客户的线上交易对应的标签信息是“线上交易频繁”。
又如,所属地域、学历等为非连续数值的各种业务数据种类,可以设置所属地域对应的标签范围包括:一线城市集合、二线城市集合等,当客户所属地域属于所述一线城市集合中的城市时,代表该客户所属地域对应的标签信息是“属于一线城市”;客户学历对应的标签范围包括:高等教育学历集合、中等教育学历集合和低等教育学历集合,当客户的最高学历属于所述高等教育学历集合时,代表该客户学历对应的标签信息是“受过高等教”。
步骤S14,推送模块24根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的客户特征标签对应的推荐业务种类,为确定的各个数据类下的客户推送对应的推荐业务种类。
本实施例的应用场景可以是,例如,保险公司的电话销售人员在获取客户的基本信息,如电话号码及姓名之后,将该基本信息传送到大数据分析服务器1。所述大数据分析服务器1根据上述基本信息,从各种业务服务器3中获取该客户的各种业务数据,并据此分析出该客户对应的特征标签,以便根据该特征标签向客户推荐对应的保险种类,以提高成交率。
参阅图5所示,是本发明客户定位分析方法第二较佳实施例的方法实施流程图。本实施例所述客户定位分析方法并不限于流程图中所示步骤,此外流程图中所示步骤中,某些步骤可以省略、步骤之间的顺序可以改变。
步骤S20,客户选取模块20从一网络5,如万维网中筛选出客户的属性数据。所述属性数据可以包括,例如,证件号码,手机号码、或者姓名与证件号码及手机号码的组合等。
步骤S21,数据获取模块21从多个业务服务器3中提取出各个客户对应的各种业务数据。
所述业务数据包括,例如,金融信息,包括***授信额度及使用情况信息、银行贷款额度及还款情况信息等,订购的机票信息,包括飞行时间、起始地、目的地、预设时间的飞行次数等,保险信息,包括所处行业,性别、年龄、婚姻状况、职业,保险购买地,保险购买渠道,投保险种,业务类型,有效保单数,被保人数、受益人与投保人的关系等,求职信息,包括兴趣爱好、教育经历、工作经历等,即时通讯工具账号的使用信息,包括,登陆时间信息、在线时长等信息等等。
步骤S22,分类模块22按照一分析规则,将提取的各种业务数据划分成一种或多种数据类。
本实施例中,所述分析规则可以是聚类分析规则。所述聚类分析又称群分析,它是研究数据分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
本实施例中,所述分析规则可以采用聚类分析中的K-MEANS算法,其步骤包括:A、从各种业务数据中,任意选择预设数量,例如,K种(K为大于2的正整数)业务数据作为第一聚类中心;B、测量剩余的各种业务数据到每个第一聚类中心的第一距离,将剩余的各种业务数据划分到距离最近的第一聚类中心的类,以获得K个当前数据类;C、按照预设计算规则,重新计算各个所述当前数据类的第二聚类中心;D、计算各个所述当前数据类的第二聚类中心与对应的原第一聚类中心的第二距离,若各个所述当前数据类对应的第二距离均小于预设阈值,则各个所述当前数据类即是要划分的第二预设数量的数据类,或者,若有所述当前数据类对应的第二距离大于等于预设阈值,则转入执行下述步骤E、测量各种业务数据到每个第二聚类中心的第一距离,将各个客户的各种业务数据划分到距离最近的第二聚类中心的类,以获得K个最新数据类;F、按照预设计算规则,重新计算各个所述最新数据类的当前第二聚类中心;G、计算各个所述最新数据类的当前第二聚类中心与对应的原第二聚类中心的第二距离,若各个所述最新数据类对应的第二距离均小于预设阈值,则各个所述最新数据类即是要划分的第二预设数量的数据类,或者,若有所述最新数据类对应的第二距离大于等于预设阈值,则重复执行上述步骤E、F、G,直到各个所述最新数据类对应的第二距离均小于预设阈值为止。
步骤S23,标记模块23按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定各个客户的各个数据类的特征标签。
其中,所述特征标签包括基本特征信息(例如,所属地域属于一线城市、受过高等教育、从事IT并属于管理层等)、偏好习惯信息(例如,习惯线下消费、偏好的上网时段为20:00-22:00、偏好的接触渠道是即时通讯工具等)、行为信息(例如,有较高的社交网络影响力、线上活跃度高、网络粘度大、驾驶违章次数少、就医次数少等)、金融风险信息(例如,无违约、无欺诈、不属于任何黑名单等)、交易信息(例如,线上交易频繁、线下交易活跃度高等)、个人价值评估信息(例如,年薪高、拥有的房产估值高、开豪车等)及/或社会关系信息(例如,社交面广、所接触人群消费潜力大)等。
本发明较佳实施例中,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
例如,年薪及固定时间内的线上交易次数等为连续数值的业务数据种类,可以设置年薪对应的标签阈值可以为30万人民币,固定时间内的线上交易次数对应的标签阈值可以为10次;当客户的年薪超过对应的标签阈值“例如,30万人民币”时,代表该客户年薪对应的标签信息是“高年薪”;当客户的固定时间内的线上交易次数超过对应的标签阈值“例如,10次”,则代表该客户的线上交易对应的标签信息是“线上交易频繁”。
又如,所属地域、学历等为非连续数值的各种业务数据种类,可以设置所属地域对应的标签范围包括:一线城市集合、二线城市集合等,当客户所属地域属于所述一线城市集合中的城市时,代表该客户所属地域对应的标签信息是“属于一线城市”;客户学历对应的标签范围包括:高等教育学历集合、中等教育学历集合和低等教育学历集合,当客户的最高学历属于所述高等教育学历集合时,代表该客户学历对应的标签信息是“受过高等教”。
步骤S24,推送模块24根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的各个客户特征标签对应的推荐业务种类,为确定的各个数据类下的各个客户推送对应的推荐业务种类。
本实施例的应用场景可以是,例如,采用通过即时消息群发模式向客户推送业务的方式时,首先从网络5筛选出多个客户的基本信息,如身份证号码、电话号码、姓名或1其组合后,将该基本信息传送到大数据分析服务器1。所述大数据分析服务器1根据上述基本信息,从各种业务服务器3中获取各个客户的各种业务数据,并据此分析出各个客户对应的特征标签,以根据每个客户的特征标签,向每个客户提供定制化的业务介绍,以提高客户的关注度。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种客户定位分析方法,其特征在于,该方法包括:
根据客户属性数据从多个业务服务器中提取出属性数据对应的各种业务数据;
按照一分析规则,将提取的各种业务数据划分成一种或多种数据类;及
按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签,实现用户定位。
2.如权利要求1所述的方法,其特征在于,该方法还包括:
根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的客户特征标签对应的推荐业务种类,为确定的各个数据类下的客户推送对应的推荐业务种类。
3.如权利要求1所述的方法,其特征在于,所述业务数据包括金融信息、订购的机票信息、保险信息、求职信息及即时通讯工具账号的使用信息。
4.如权利要求1所述的方法,其特征在于,所述分析规则为聚类分析规则。
5.如权利要求1所述的方法,其特征在于,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
6.一种服务器,其特征在于,该服务器包括存储设备以及处理器,其中:
所述存储设备,用于存储一个客户定位分析***;
所述处理器,用于调用并执行所述客户定位分析***,以执行如下步骤:
根据客户属性数据从多个业务服务器中提取出属性数据对应的各种业务数据;
按照一分析规则,将提取的各种业务数据划分成一种或多种数据类;及
按照一特征标签提取规则,对划分的各种数据类进行特征标签分析,以确定客户的各个数据类的特征标签,实现用户定位。
7.如权利要求6所述的服务器,其特征在于,所述处理器调用并执行所述客户定位分析***,还执行如下步骤:
根据预设的特征标签与推荐业务种类的映射关系,获取确定的各个数据类下的客户特征标签对应的推荐业务种类,为确定的各个数据类下的客户推送对应的推荐业务种类。
8.如权利要求6所述的服务器,其特征在于,所述业务数据包括金融信息、订购的机票信息、保险信息、求职信息及即时通讯工具账号的使用信息。
9.如权利要求6所述的服务器,其特征在于,所述分析规则为聚类分析规则。
10.如权利要求6所述的服务器,其特征在于,所述特征标签提取规则为:对于各种连续数值的业务数据种类设置对应的标签阈值;对于非连续数值的各种业务数据种类设置对应的标签范围;并根据连续数值的各种业务数据种类与标签阈值的映射关系,确定出各个客户的各种连续数值的业务数据对应的标签信息,及根据非为连续数值的各种业务数据种类与标签范围的映射关系,确定出各个客户的各种非为连续数值的业务数据对应的标签信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289448.9A CN105744005A (zh) | 2016-04-30 | 2016-04-30 | 客户定位分析方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289448.9A CN105744005A (zh) | 2016-04-30 | 2016-04-30 | 客户定位分析方法及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105744005A true CN105744005A (zh) | 2016-07-06 |
Family
ID=56287902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610289448.9A Pending CN105744005A (zh) | 2016-04-30 | 2016-04-30 | 客户定位分析方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105744005A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789292A (zh) * | 2016-12-29 | 2017-05-31 | 东方网力科技股份有限公司 | 一种异常行为监控方法和装置 |
CN107657500A (zh) * | 2016-12-03 | 2018-02-02 | 平安证券股份有限公司 | 股票推荐方法及服务器 |
CN107767275A (zh) * | 2016-08-22 | 2018-03-06 | 平安科技(深圳)有限公司 | 保险资源需求分析方法和装置 |
CN107909473A (zh) * | 2017-12-27 | 2018-04-13 | 中国银行股份有限公司 | 一种基于用户行为分析的网上银行营销方法及装置 |
WO2018202170A1 (zh) * | 2017-05-05 | 2018-11-08 | 平安科技(深圳)有限公司 | 动态语音交互***及其菜单生成方法 |
CN108831553A (zh) * | 2018-04-09 | 2018-11-16 | 平安科技(深圳)有限公司 | 电子装置、鼻咽癌风险预警方法和计算机可读存储介质 |
CN108831552A (zh) * | 2018-04-09 | 2018-11-16 | 平安科技(深圳)有限公司 | 电子装置、鼻咽癌筛查分析方法和计算机可读存储介质 |
CN109246077A (zh) * | 2018-08-01 | 2019-01-18 | 广州唯品会信息科技有限公司 | 分布式并发交易校验方法、装置和计算机存储介质 |
CN109447674A (zh) * | 2018-09-03 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 电子装置、保险代理人目标服务区域确定方法及存储介质 |
CN109657294A (zh) * | 2018-11-29 | 2019-04-19 | 中国航空工业集团公司沈阳飞机设计研究所 | 基于特征参数的试飞数据自动化分析方法及*** |
CN109711950A (zh) * | 2019-01-18 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 营销产品的推荐方法、装置、存储介质及计算机设备 |
CN110727699A (zh) * | 2019-10-21 | 2020-01-24 | 中国民航信息网络股份有限公司 | 一种信息请求方法、装置、服务器及存储介质 |
CN111311420A (zh) * | 2020-02-21 | 2020-06-19 | 深圳市思迪信息技术股份有限公司 | 一种业务数据的推送方法及装置 |
CN112632143A (zh) * | 2020-12-30 | 2021-04-09 | 中国农业银行股份有限公司 | 一种数据标签生成方法及装置 |
CN112686764A (zh) * | 2021-01-08 | 2021-04-20 | 北京虹信万达科技有限公司 | 一种基于保险行业的渠道管理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101192235A (zh) * | 2007-04-11 | 2008-06-04 | 腾讯科技(深圳)有限公司 | 一种基于用户特征推送广告的方法、***及设备 |
US20090010410A1 (en) * | 2007-07-06 | 2009-01-08 | Van Anderson | Leads processing engine |
CN101599164A (zh) * | 2009-06-25 | 2009-12-09 | 阿里巴巴集团控股有限公司 | 对潜在网络客户进行评判的方法和*** |
CN102118706A (zh) * | 2010-12-14 | 2011-07-06 | 北京星源无限传媒科技有限公司 | 一种基于手机广告用户细分的手机广告投放方法 |
CN102754110A (zh) * | 2010-02-10 | 2012-10-24 | 微软公司 | 基于联系关系和客户经验的潜在客户鉴定 |
CN103559630A (zh) * | 2013-10-31 | 2014-02-05 | 华南师范大学 | 一种基于客户属性及行为特征分析的客户细分方法 |
CN103714139A (zh) * | 2013-12-20 | 2014-04-09 | 华南理工大学 | 一种移动海量客户群识别的并行数据挖掘方法 |
-
2016
- 2016-04-30 CN CN201610289448.9A patent/CN105744005A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101192235A (zh) * | 2007-04-11 | 2008-06-04 | 腾讯科技(深圳)有限公司 | 一种基于用户特征推送广告的方法、***及设备 |
US20090010410A1 (en) * | 2007-07-06 | 2009-01-08 | Van Anderson | Leads processing engine |
CN101599164A (zh) * | 2009-06-25 | 2009-12-09 | 阿里巴巴集团控股有限公司 | 对潜在网络客户进行评判的方法和*** |
CN102754110A (zh) * | 2010-02-10 | 2012-10-24 | 微软公司 | 基于联系关系和客户经验的潜在客户鉴定 |
CN102118706A (zh) * | 2010-12-14 | 2011-07-06 | 北京星源无限传媒科技有限公司 | 一种基于手机广告用户细分的手机广告投放方法 |
CN103559630A (zh) * | 2013-10-31 | 2014-02-05 | 华南师范大学 | 一种基于客户属性及行为特征分析的客户细分方法 |
CN103714139A (zh) * | 2013-12-20 | 2014-04-09 | 华南理工大学 | 一种移动海量客户群识别的并行数据挖掘方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767275A (zh) * | 2016-08-22 | 2018-03-06 | 平安科技(深圳)有限公司 | 保险资源需求分析方法和装置 |
CN107657500A (zh) * | 2016-12-03 | 2018-02-02 | 平安证券股份有限公司 | 股票推荐方法及服务器 |
CN107657500B (zh) * | 2016-12-03 | 2022-04-29 | 平安证券股份有限公司 | 股票推荐方法及服务器 |
CN106789292A (zh) * | 2016-12-29 | 2017-05-31 | 东方网力科技股份有限公司 | 一种异常行为监控方法和装置 |
WO2018202170A1 (zh) * | 2017-05-05 | 2018-11-08 | 平安科技(深圳)有限公司 | 动态语音交互***及其菜单生成方法 |
CN107909473A (zh) * | 2017-12-27 | 2018-04-13 | 中国银行股份有限公司 | 一种基于用户行为分析的网上银行营销方法及装置 |
CN108831553A (zh) * | 2018-04-09 | 2018-11-16 | 平安科技(深圳)有限公司 | 电子装置、鼻咽癌风险预警方法和计算机可读存储介质 |
CN108831552A (zh) * | 2018-04-09 | 2018-11-16 | 平安科技(深圳)有限公司 | 电子装置、鼻咽癌筛查分析方法和计算机可读存储介质 |
CN109246077B (zh) * | 2018-08-01 | 2021-06-29 | 广州唯品会信息科技有限公司 | 分布式并发交易校验方法、装置和计算机存储介质 |
CN109246077A (zh) * | 2018-08-01 | 2019-01-18 | 广州唯品会信息科技有限公司 | 分布式并发交易校验方法、装置和计算机存储介质 |
CN109447674A (zh) * | 2018-09-03 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 电子装置、保险代理人目标服务区域确定方法及存储介质 |
CN109657294A (zh) * | 2018-11-29 | 2019-04-19 | 中国航空工业集团公司沈阳飞机设计研究所 | 基于特征参数的试飞数据自动化分析方法及*** |
CN109711950A (zh) * | 2019-01-18 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 营销产品的推荐方法、装置、存储介质及计算机设备 |
CN110727699A (zh) * | 2019-10-21 | 2020-01-24 | 中国民航信息网络股份有限公司 | 一种信息请求方法、装置、服务器及存储介质 |
CN111311420A (zh) * | 2020-02-21 | 2020-06-19 | 深圳市思迪信息技术股份有限公司 | 一种业务数据的推送方法及装置 |
CN112632143A (zh) * | 2020-12-30 | 2021-04-09 | 中国农业银行股份有限公司 | 一种数据标签生成方法及装置 |
CN112686764A (zh) * | 2021-01-08 | 2021-04-20 | 北京虹信万达科技有限公司 | 一种基于保险行业的渠道管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105744005A (zh) | 客户定位分析方法及服务器 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
CN108681871A (zh) | 一种提示信息的方法、终端设备及计算机可读存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN112910953B (zh) | 业务数据的推送方法、装置和服务器 | |
KR102345949B1 (ko) | It 인프라 시스템 추천 장치 | |
US10853763B1 (en) | Onboarding new service providers utilizing portable service provider attributes | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN116050359A (zh) | 一种保单托管录入方法、***、终端设备及存储介质 | |
CN115375434A (zh) | 一种界面布局的调整方法及相关装置 | |
US20220351269A1 (en) | Momentum blended recommendation engine | |
KR20190125067A (ko) | 유사 기업 추출 장치 및 이를 이용한 유사 기업 추출 방법 | |
CN114022184A (zh) | 数据管理方法、装置、电子设备及存储介质 | |
US11561963B1 (en) | Method and system for using time-location transaction signatures to enrich user profiles | |
CN113094595A (zh) | 对象识别方法、装置、计算机***及可读存储介质 | |
CN113393320A (zh) | 企业金融服务风险预测方法及装置 | |
CN113077251A (zh) | 一种预付费交易场景下的异常行为监测方法及装置 | |
CN112750043A (zh) | 业务数据的推送方法、装置和服务器 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
CN112116253A (zh) | 一种中心网点选择的方法、装置和*** | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
CN116738294A (zh) | 客户分类方法及装置 | |
CN117853202A (zh) | 产品推荐方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |
|
RJ01 | Rejection of invention patent application after publication |