CN107679889B - 一种潜在客户的识别方法及终端设备 - Google Patents
一种潜在客户的识别方法及终端设备 Download PDFInfo
- Publication number
- CN107679889B CN107679889B CN201710807133.3A CN201710807133A CN107679889B CN 107679889 B CN107679889 B CN 107679889B CN 201710807133 A CN201710807133 A CN 201710807133A CN 107679889 B CN107679889 B CN 107679889B
- Authority
- CN
- China
- Prior art keywords
- client
- potential customers
- operation model
- running node
- product
- 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.)
- Active
Links
Classifications
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种潜在客户的识别方法及终端设备,适用于数据处理技术领域,该方法包括:识别出产品对应的N个操作节点;基于历史客户数据对N个操作节点分别进行操作模型的构建;读取出所有待推广客户的客户属性数据,利用N个操作模型依次对客户属性数据进行处理,每个操作模型筛选出的客户属性数据都会作为下一个操作模型的输入;将第N个操作模型得到的筛选结果中的待推广客户识别为产品的潜在客户。将每一次筛选的结果都作为下一次模型的输入进行多次模型筛选,保证了最终识别出的待推广客户都是具有较大的概率能够完成所有操作步骤的潜在客户,从而使得本发明实施例能够实现对潜在客户较高准确度的识别。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及潜在客户的识别方法及终端设备。
背景技术
为了实现对产品准确有效的推广,许多企业都开始通过客户的个人属性特征来对不同的客户进行深入分析,确定出不同客户的不同消费需求,以筛选出与具有与产品较为吻合的消费需求的潜在客户,并对潜在客户进行产品推送,以实现对产品的精准推广。
然而实际情况中,在进行潜在客户的确定推广时,由于一些金融理财产品购买的操作流程较为复杂,如可能包含验证注册以及绑卡等操作,此时,即使客户的消费需求能与金融理财产品相吻合,客户也不一定有耐心去完成复杂的操作流程。例如对于金融理财产品中的基金产品,当客户的消费需求是基金产品时,由于基金产品在进行购买时,需要进行点击、动态口令验证(OTP,One-time Password)、注册/登陆、绑卡以及交易等操作步骤,此时,虽然基金产品与客户的消费需求相吻合了,但客户不一定会有耐心完成所有操作步骤,如可能在绑卡的时候就失去了耐心,继而放弃后续的步骤,从而使得此次销售失败。因此,仅根据客户消费需求与金融理财产品吻合度识别潜在客户的方法的准确度较低,导致产品的销售成功率较低,难以实现产品的精确推广。
综上可知,在面对如金融理财产品等具有复杂的操作流程的产品时,现有技术对与产品对应的潜在客户的识别准确度较低,进而难以实现对产品的精准推广。
发明内容
有鉴于此,本发明实施例提供了一种潜在客户的识别方法及终端设备,以解决现有技术中,对具有复杂操作流程的产品对应的潜在客户识别准确度较低的问题。
本发明实施例的第一方面提供了一种潜在客户的识别方法,包括:
识别出产品对应的N个操作节点;
基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,其中N为大于1的正整数;
读取所有待推广客户的客户属性数据,按照所述N个操作节点对应的操作顺序,利用所述N个操作模型依次对所述客户属性数据进行处理,根据每个操作模型处理得到的所述待推广客户在对应的所述操作节点的操作概率,对所述待推广客户进行筛选,其中,将每个操作模型筛选出的所述待推广客户对应的所述客户属性数据作为下一个操作模型的输入;
获取第N个操作模型对应的筛选结果,将所述筛选结果中的所述待推广客户识别为所述产品的潜在客户。
本发明实施例的第二方面提供了一种潜在客户的识别终端设备,所述潜在客户的识别终端设备包括存储器、处理器,所述存储器上存储有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如下步骤。
识别出产品对应的N个操作节点;
基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,其中N为大于1的正整数;
读取所有待推广客户的客户属性数据,按照所述N个操作节点对应的操作顺序,利用所述N个操作模型依次对所述客户属性数据进行处理,根据每个操作模型处理得到的所述待推广客户在对应的所述操作节点的操作概率,对所述待推广客户进行筛选,其中,将每个操作模型筛选出的所述待推广客户对应的所述客户属性数据作为下一个操作模型的输入;
获取第N个操作模型对应的筛选结果,将所述筛选结果中的所述待推广客户识别为所述产品的潜在客户。
本发明实施例的第三方面提供了一种计算机可读存储介质,包括: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如上所述的潜在客户的识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:通过对每一个操作节点都分别进行操作概率计算并依此进行筛选,保证了每次筛选过后得到的待推广客户,都是具有较大可能性会完成该操作节点对应操作步骤的客户。同时将每一次筛选的结果都作为下一次模型的输入,来进行多次模型筛选,从而保证了最终识别出的待推广客户,都是具有较大的概率能够完成所有操作步骤的潜在客户,从而使得本发明实施例能够实现对潜在客户的准确识别,提升了对潜在客户识别的准确度,进而保证了后续对产品推广的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的潜在客户的识别方法的实现流程示意图;
图2是本发明实施例二提供的潜在客户的识别方法的实现流程示意图;
图3是本发明实施例三提供的潜在客户的识别方法的实现流程示意图;
图4是本发明实施例四提供的潜在客户的识别方法的实现流程示意图;
图5是本发明实施例五提供的潜在客户的识别方法的实现流程示意图;
图6是本发明实施例六提供的潜在客户的识别装置的结构示意图;
图7是本发明实施例七提供的潜在客户的识别终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例一提供的潜在客户的识别方法的实现流程图,详述如下:
S101,识别出产品对应的N个操作节点。
其中,操作节点是指在客户购买产品时所需进行的操作步骤,如在购买基金产品需要进行点击、OTP、注册、绑卡以及交易等操作步骤,即基金产品对应着点击、OTP、注册、绑卡以及交易等操作节点。
由于金融理财产品的种类和数量较多,如常见的股票、基金、债券以及信托等,而对不同的金融理财产品,客户在购买时所需进行的操作流程会有所不同。因此,在进行产品对应的潜在客户的识别之前,首先要识别出产品对应的操作节点有哪些,以便后续的处理。
S102,基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,其中N为大于1的正整数。
其中历史客户数据,是指曾经被产品推广过的客户的数据,历史客户数据主要包含客户的个人相关信息,以及客户在被推广产品后,对产品对应的各个操作节点的操作情况。例如A客户的姓名及电话号码等个人信息,以及A客户在被推送基金产品后,进行了点击、OTP、注册、绑卡以及交易中的哪些操作步骤,如只进行了点击的操作步骤,或者完成了所有操作步骤。在本发明实施例中,数据库可由技术人员预先输入并进行存储。
本发明实施例中,为了保证识别出来的潜在客户能具有较大耐心完成产品购买的所有操作步骤,会在获取到历史客户数据之后,对每个操作节点都进行操作模型训练和构建,以使得后续能利用构建出的操作模型对客户完成每个操作节点的可能性概率进行计算以及筛选。例如,针对基金产品包含的点击、OTP、注册、绑卡以及交易等操作节点,分别训练构建出相应的点击模型、OTP模型、注册模型、绑卡模型以及交易模型等操作模型。
应当理解地,本发明实施例中的操作模型是用于计算客户在操作节点的操作概率,即是可对客户在操作节点进行操作行为预测的预测模型。因此,本发明实施例中在利用历史客户数据进行操作模型的构建时,应当选用可以进行数据预测的数据处理算法来进行操作模型的训练以及构建。同时,考虑到历史客户数据的数据量会日益增多较为庞大,因此,优选地,可选用可以进行大数据处理的数据处理算法来作为所需的数据处理算法。
S103,读取所有待推广客户的客户属性数据,按照N个操作节点对应的操作顺序,利用N个操作模型依次对客户属性数据进行处理,根据每个操作模型处理得到的待推广客户在对应的操作节点的操作概率,对待推广客户进行筛选,其中,将每个操作模型筛选出的待推广客户对应的客户属性数据作为下一个操作模型的输入。
其中待推广客户就是与产品吻合度较高的客户,待推广客户以及相应的客户属性数据,均需用户预先进行设定,以供使用时调取,其中客户属性数据,包含着待推广客户的个人相关信息。
由于产品的操作节点之间是有一定的逻辑操作顺序的,如基金产品的点击、OTP、注册、绑卡以及交易等操作节点,在没有执行点击操作时就无法进行后续的OTP等操作,因此,这些操作节点之间必须按点击、OTP、注册、绑卡、交易的顺序执行。在本发明实施例中,操作模型也是按照操作节点对应的操作顺序,来对客户属性数据进行操作概率计算,以基金产品为例,也是以点击模型、OTP模型、注册模型、绑卡模型、交易模型的顺序依次对客户属性数据进行处理的。为了保证最终识别出的潜在客户的准确性,在本发明实施例中,会对每一个操作模型计算出来的,待推广客户在对应操作节点的操作概率进行筛选,并将操作概率最高的部分待推广客户的客户属性数据作为下一个操作模型的输入进行再次处理。由于每次都是选取了操作模型处理后操作概率最高的部分待推广客户作为下一次处理的对象客户,从而保证了最终筛选出来的潜在客户,在每一个操作节点都具有较高的操作概率,进而保证了识别出的潜在客户具有较高的概率会完成整个购买的操作流程,即保证了识别出的潜在客户的准确度。
S104,获取第N个操作模型对应的筛选结果,将筛选结果中的待推广客户识别为产品的潜在客户。
在最后一个操作模型(即第N个操作模型)完成对前面所有操作模型进行多次筛选,得出的L个待推广客户在最后一个操作节点的操作概率的计算之后,根据计算出的操作概率来对这L个待推广客户进行筛选,将其中概率最高的部分待推广客户识别为潜在客户。
在本发明实施例中,没有对根据操作概率对待推广客户进行筛选的筛选方法进行限定,既可以是根据预设固定个数来进行筛选,如从点击模型中筛选出操作概率最高的1000名客户,也可以是根据预设筛选比例来进行筛选,如设置点击模型的筛选比例为40%,当输入点击模型的待推广客户的数量为2000时,从中筛选出概率最高的2000*40%=800名客户,最后将筛选出的待推广客户的客户属性数据输入到下一个操作模型,如基金产品中,将点击模型筛选出的待推广客户的客户属性数据输入到OTP模型中,进行下一步的处理与筛选。具体的筛选方法,可由技术人员根据实际需求进行设定。同样的,在S104对L为待推广客户进行操作概率筛选时,可以是选取操作概率最大的预设固定个数的待推广客户来作为潜在客户,也可以是选取操作概率最大的预设筛选比例内的待推广客户来作为潜在客户。
为了便于读者进一步地理解本发明实施例,以下以基金产品为例,进行举例详细说明:
在发明实施例中,所需推广的金融理财产品为基金产品,对应的操作节点有点击、OTP、注册、绑卡以及交易,所需处理的待推广客户共2000名,需要从中选取出50名左右的潜在客户进行产品推广。
此时有至少两种筛选方法可供选择:
第一种,设置每次操作模型处理后的筛选条件为选取操作概率最高预设固定个数筛选,如设置点击、OTP、注册、绑卡以及交易筛选预设固定个数分别为1000、500、250、120以及50,此时会将点击操作概率最大的前1000名待推广客户的客户属性数据输入OTP模型,将OTP操作概率最大的前500名待推广客户的客户属性数据输入注册模型,将注册操作概率最大的前250名待推广客户的客户属性数据输入绑卡模型,将绑卡操作概率最大的前120名待推广客户的客户属性数据输入交易模型,最后将交易操作概率最大的前50作为潜在客户,完成对潜在客户的筛选。在本发明实施例中,采用了预设固定个数的筛选方式,对每一个操作节点都设置了一个预设固定个数,在该操作节点对应的操作模型计算出待推广客户的操作概率后,将操作概率最大的前预设固定个数的待推广客户筛选出来,并将其对应的客户属性数据输入到下一个操作模型中进行处理。其中,每个操作节点对应的预设固定个数的具体数值可由技术人员根据需求自行设定。
第二种,设置每次操作模型处理后的筛选条件为选取操作概率最高筛选比例筛选,如设置点击、OTP、注册、绑卡以及交易筛选比例均为48%,此时每次都只会选取出操作概率最高前48%的待推广客户对应的客户属性数据,输入到下一个操作模型中,最终交易模型筛选出操作概率最高的前2000*48%*48%*48%*48%*48%≈50名(实际结果为50.961,此时取50或者取51均可,本发明实施例中考虑到最终50会更加满足实际需求,因此选取了50)待推广客户作为潜在客户,完成对潜在客户的筛选。
本发明实施例中,通过对每一个操作节点都分别进行操作概率计算,并根据设定的筛选得到进行待推广客户筛选,保证了每次筛选过后得到的待推广客户,都是具有较大可能性会完成该操作节点对应操作步骤的客户。同时将每一次筛选的结果都作为下一次模型的输入,来进行多次模型筛选,从而保证了最终识别出的待推广客户,都是具有较大的概率能够完成所有操作步骤的潜在客户,从而使得本发明实施例能够实现对潜在客户的准确识别,进而保证了后续对产品推广的准确性。
作为本发明的一个优选实施例二,如图2所示,包括:
S1021,在每个操作节点,利用逻辑回归算法对历史客户数据进行处理,得到对应的操作模型。
考虑到逻辑回归算法具有技术成熟、预测准确度较高以及训练速度快等优点,本发明实施例中,选用逻辑回归算法来对历史客户数据进行处理,进行操作模型的训练和构建,以得到每个操作节点对应的操作模型。
作为本发明的一个优选实施例三,如图3所示,包括:
S201,接收用户输入的标签扩展指令,并根据标签扩展指令在历史客户数据中增加对应的扩展属性标签。
历史客户数据中包含着客户的个人相关信息,这些个人相关信息也对应着客户的一个个属性标签,是客户的属性标签的具体数据内容,如客户的姓名、性别以及电话信息等个人信息,是客户的姓名属性标签、性别属性标签以及电话属性标签对应的具体数据内容。
当用户希望为历史客户增加新的扩展属性标签,以增强生成的操作模型对操作概率计算的准确性的时候,可以输入相应的标签扩展指令。本发明实施例在接收到用户输入的标签扩展指令后,会在历史客户数据中根据标签扩展指令生成相应的扩展属性标签。例如,用户希望增加VIP重要等级的扩展属性标签时,只需输入VIP等级标签扩展指令。本发明实施例在接收到VIP等级标签扩展指令后,会在历史客户数据中根据标签扩展指令生成一个相应的VIP等级属性标签。
S202,获取扩展属性标签对应的数据,并记录至历史客户数据。
由于增加的扩展属性标签仅仅只是一个属性标签而已,还需要对其中的具体数据内容进行设置才能用于后续的模型训练。在本发明实施例中,不对扩展属性标签对应的数据设置方法进行限定,既可以是由用户输入得到,也可以是根据其他属性标签进行处理得到,如,当扩展属性标签为VIP等级属性标签时,可以根据客户属性数据中记录的客户购买产品的总金额进行划分得到VIP等级。
S203,根据增加扩展属性标签后的历史客户数据,对每个操作节点分别进行操作模型的训练及构建,得到对应的操作模型。
在扩展属性标签以及其相应的具体数据内容记录完成后,对得到的新的历史客户数据进行操作模型的训练及构建,并得到与每个操作节点分别对应的操作模型。在本发明实施例中,优选地,利用逻辑回归算法来进行历史客户数据的处理以及操作模型的训练和构建。
作为本发明的一个优选实施例四,如图4所示,包括:
S105,从客户属性数据中读取出潜在客户的联系方式,并根据联系方式将产品对应的购买链接推送至潜在客户。
在识别出潜在客户后,需要将产品推送至潜在客户,以完成对产品的精确推广。在本发明实施例中,会从客户属性数据读取潜在客户的联系方式,如手机号码、邮箱地址等,并生成产品对应的购买链接,最后通过获取到的联系方式来将购买链接推送给潜在客户。
作为本发明的一个优选实施例,在生成产品对应的购买链接时,为了便于根据链接来进行潜在客户节点操作数据的获取,可以针对每个潜在客户生成唯一对应的购买链接。同时,此购买链接既可以是一次性的链接,也可以是每个客户对应一个永久的唯一链接。
作为本发明的一个优选实施例五,如图5所示,包括:
S106,获取潜在客户在各个操作节点的节点操作数据并将其记录至潜在客户的客户属性数据。
在本发明实施例中,为了进一步地提高操作模型对操作概率计算的准确度,会对潜在客户在各个操作节点的节点操作数据进行记录,如***A是否点击了购买链接,是否进行了OTP动态口令验证等。
为了实现对每个***的节点操作数据获取,首先需要确认出操作者的身份,作为本发明的一个优选实施例,在本发明实施例四的基础上,在S105生成每个潜在客户唯一对应的购买链接时,此时只要该链接被点击打开,即可识别出对应潜在客户的身份。作为本发明的一个另优选实施例,S105无需生成唯一对应的购买链接,而是在购买连接被打开时,自动读取潜在客户的手机号,并通过手机号来进行潜在客户的身份确定即可。
同时,若在购买链接推送后的预设时间内,若没有检测到潜在客户进行了点击操作,则认为潜在客户没有执行任何操作节点的操作,并进行记录。其中预设时间的具体数值可由技术人员根据实际情况进行设定。
S107,根据记录的潜在客户的客户属性数据,对N个操作模型进行训练更新。
在记录更新潜在客户的客户属性数据完成后,利用记录更新完成的客户属性数据对所有的操作模型进行训练,以更新提升操作模型对客户在操作节点进行操作的操作概率计算的准确度,从而提升对潜在客户的识别的准确度,提升后续对产品推广的精确度。
本发明实施例中,利用逻辑回归算法来进行操作模型构建,利用操作模型通过对每一个操作节点都分别进行操作概率计算,并根据设定的筛选方法一次进行筛选,保证了每次筛选过后得到的待推广客户,都是具有较大可能性会完成该操作节点对应操作步骤的客户。同时将每一次筛选的结果都作为下一次模型的输入,来进行多次模型筛选,从而保证了最终识别出的待推广客户,都是具有较大的概率能够完成所有操作步骤的潜在客户,从而使得本发明实施例能够实现对潜在客户的准确识别,进而保证了后续对产品推广的准确性。同时,增加了扩展属性标签设置功能,使得能根据用户的实际需求来优化提升操作模型的准确度,最后通过将识别出的潜在客户对操作节点的实际节点操作数据进行记录,并利用这些数据进行操作模型更新,使得操作模型对客户在每个操作节点的操作概率的计算得到进一步的提升,保证了下一次利用这些操作模型来进行潜在客户的识别时的准确度,从而提高了对潜在客户的识别的准确度,提升了对产品推广的精确度。
对应于上文实施例的方法,图6示出了本发明实施例提供的潜在客户的识别装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。图6示例的潜在客户的识别装置可以是前述实施例一提供的潜在客户的识别方法的执行主体。
参照图6,该潜在客户的识别装置包括:
节点识别模块61,用于识别出产品对应的N个操作节点。
模型构建模块62,用于基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,其中N为大于1的正整数。
客户筛选模块63,用于读取所有待推广客户的客户属性数据,按照所述N个操作节点对应的操作顺序,利用所述N个操作模型依次对所述客户属性数据进行处理,根据每个操作模型处理得到的所述待推广客户在对应的所述操作节点的操作概率,对所述待推广客户进行筛选,其中,将每个操作模型筛选出的所述待推广客户对应的所述客户属性数据作为下一个操作模型的输入。
客户识别模块64,获取第N个操作模型对应的筛选结果,将所述筛选结果中的所述待推广客户识别为所述产品的潜在客户。
进一步地,所述模型构建模块,包括:
在每个所述操作节点,利用逻辑回归算法对所述历史客户数据进行处理,得到对应的所述操作模型。
进一步地,所述模型构建模块,还包括:
标签扩展子模块,用于接收用户输入的标签扩展指令,并根据所述标签扩展指令在所述历史客户数据中增加对应的扩展属性标签。
标签填充子模块,用于获取所述扩展属性标签对应的数据,并记录至所述历史客户数据。
模型构建子模块,用于根据增加所述扩展属性标签后的所述历史客户数据,对每个所述操作节点分别进行所述操作模型的训练及构建,得到对应的所述操作模型。
进一步地,该潜在客户的识别装置,还包括:
推送模块,用于从所述客户属性数据中读取出所述潜在客户的联系方式,并根据所述联系方式将所述产品对应的购买链接推送至所述潜在客户。
进一步地,该潜在客户的识别装置,还包括:
记录模块,用于获取所述潜在客户在各个操作节点的节点操作数据并将其记录至所述潜在客户的所述客户属性数据。
模型更新模块,用于根据记录的所述潜在客户的所述客户属性数据,对所述N个操作模型进行训练更新。
本发明实施例提供的潜在客户的识别装置中各模块实现各自功能的过程,具体可参考前述图1所示实施例一的描述,此处不再赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
还应理解的是,虽然术语“第一”、“第二”等在文本中在一些本发明实施例中用来描述各种元素,但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如,第一接触可以被命名为第二接触,并且类似地,第二接触可以被命名为第一接触,而不背离各种所描述的实施例的范围。第一接触和第二接触都是接触,但是它们不是同一接触。
图7是本发明一实施例提供的潜在客户的识别终端设备的示意图。如图7所示,该实施例的潜在客户的识别终端设备7包括:处理器70、存储器71,所述存储器71中存储有可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个潜在客户的识别方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块61至64的功能。
所述潜在客户的识别终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述潜在客户的识别终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是潜在客户的识别终端设备7的示例,并不构成对潜在客户的识别终端设备7的限定,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,例如所述潜在客户的识别终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),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 Integrated Circuit,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。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。
所述存储器71为至少一种类型的计算机可读存储介质,可以是所述潜在客户的识别终端设备7的内部存储单元,例如潜在客户的识别终端设备7的硬盘或内存。所述存储器71也可以是所述潜在客户的识别终端设备7的外部存储设备,例如所述潜在客户的识别终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述潜在客户的识别终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述潜在客户的识别终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种潜在客户的识别方法,其特征在于,包括:
识别出产品对应的N个操作节点,所述操作节点为客户购买所述产品时所需进行的操作步骤;
基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,其中N为大于1的正整数;
读取所有待推广客户的客户属性数据,按照所述N个操作节点对应的操作顺序,利用所述N个操作模型依次对所述客户属性数据进行处理,根据每个操作模型处理得到的所述待推广客户在对应的所述操作节点的操作概率,对所述待推广客户进行筛选,其中,将每个操作模型筛选出的所述待推广客户对应的所述客户属性数据作为下一个操作模型的输入;
获取第N个操作模型对应的筛选结果,将所述筛选结果中的所述待推广客户识别为所述产品的潜在客户;
所述基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,包括:
在每个所述操作节点,利用逻辑回归算法对所述历史客户数据进行处理,得到对应的所述操作模型;
所述基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,还包括:
接收用户输入的标签扩展指令,并根据所述标签扩展指令在所述历史客户数据中增加对应的扩展属性标签;
获取所述扩展属性标签对应的数据,并记录至所述历史客户数据;
根据增加所述扩展属性标签后的所述历史客户数据,对每个所述操作节点分别进行所述操作模型的训练及构建,得到对应的所述操作模型。
2.如权利要求1所述的识别方法,其特征在于,还包括:
从所述客户属性数据中读取出所述潜在客户的联系方式,并根据所述联系方式将所述产品对应的购买链接推送至所述潜在客户。
3.如权利要求1或2所述的识别方法,其特征在于,还包括:
获取所述潜在客户在各个操作节点的节点操作数据并将其记录至所述潜在客户的所述客户属性数据;
根据记录的所述潜在客户的所述客户属性数据,对所述N个操作模型进行训练更新。
4.一种潜在客户的识别终端设备,其特征在于,所述潜在客户的识别处理终端设备包括存储器、处理器,所述存储器上存储有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如下步骤:
识别出产品对应的N个操作节点,所述操作节点为客户购买所述产品时所需进行的操作步骤;
基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,其中N为大于1的正整数;
读取所有待推广客户的客户属性数据,按照所述N个操作节点对应的操作顺序,利用所述N个操作模型依次对所述客户属性数据进行处理,根据每个操作模型处理得到的所述待推广客户在对应的所述操作节点的操作概率,对所述待推广客户进行筛选,其中,将每个操作模型筛选出的所述待推广客户对应的所述客户属性数据作为下一个操作模型的输入;
获取第N个操作模型对应的筛选结果,将所述筛选结果中的所述待推广客户识别为所述产品的潜在客户;
所述基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,具体包括:
在每个所述操作节点,利用逻辑回归算法对所述历史客户数据进行处理,得到对应的所述操作模型;
所述基于预设数据库中存储的历史客户数据,对产品的N个操作节点分别进行操作模型的构建,以分别得到N个操作模型,还包括:
接收用户输入的标签扩展指令,并根据所述标签扩展指令在所述历史客户数据中增加对应的扩展属性标签;
获取所述扩展属性标签对应的数据,并记录至所述历史客户数据;
根据增加所述扩展属性标签后的所述历史客户数据,对每个所述操作节点分别进行所述操作模型的训练及构建,得到对应的所述操作模型。
5.如权利要求4所述的识别终端设备,其特征在于,所述处理器执行所述计算机程序时还实现如下步骤:
从所述客户属性数据中读取出所述潜在客户的联系方式,并根据所述联系方式将所述产品对应的购买链接推送至所述潜在客户。
6.如权利要求4或5所述的识别终端设备,其特征在于,所述处理器执行所述计算机程序时还实现如下步骤:
获取所述潜在客户在各个操作节点的节点操作数据并将其记录至所述潜在客户的所述客户属性数据;
根据记录的所述潜在客户的所述客户属性数据,对所述N个操作模型进行训练更新。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807133.3A CN107679889B (zh) | 2017-09-08 | 2017-09-08 | 一种潜在客户的识别方法及终端设备 |
PCT/CN2017/108620 WO2019047350A1 (zh) | 2017-09-08 | 2017-10-31 | 一种潜在客户的识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710807133.3A CN107679889B (zh) | 2017-09-08 | 2017-09-08 | 一种潜在客户的识别方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679889A CN107679889A (zh) | 2018-02-09 |
CN107679889B true CN107679889B (zh) | 2018-09-11 |
Family
ID=61135847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710807133.3A Active CN107679889B (zh) | 2017-09-08 | 2017-09-08 | 一种潜在客户的识别方法及终端设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107679889B (zh) |
WO (1) | WO2019047350A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659922B (zh) * | 2018-06-28 | 2021-01-26 | 马上消费金融股份有限公司 | 一种客户筛选方法、装置、服务器及计算机可读存储介质 |
CN112561555A (zh) * | 2019-09-26 | 2021-03-26 | 北京国双科技有限公司 | 一种产品数据的处理方法和装置 |
TWI722774B (zh) * | 2020-01-17 | 2021-03-21 | 智泓科技股份有限公司 | 利用手機門號的行銷對象決策方法與行銷系統 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809637A (zh) * | 2015-05-18 | 2015-07-29 | 北京京东尚科信息技术有限公司 | 计算机实现的商品推荐方法及*** |
US9147159B2 (en) * | 2011-12-30 | 2015-09-29 | Certona Corporation | Extracting predictive segments from sampled data |
CN106407349A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置 |
CN106980991A (zh) * | 2017-04-06 | 2017-07-25 | 百度在线网络技术(北京)有限公司 | 一种营销信息的推送方法、装置、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101075303A (zh) * | 2006-05-18 | 2007-11-21 | 河北全通通信有限公司 | 一种预测新业务***的数据挖掘模型 |
US9195743B2 (en) * | 2007-10-04 | 2015-11-24 | Yahoo! Inc. | System and method for creating and applying predictive user click models to predict a target page associated with a search query |
US9652776B2 (en) * | 2012-06-18 | 2017-05-16 | Greg Olsen | Visual representations of recurring revenue management system data and predictions |
CN105488697A (zh) * | 2015-12-09 | 2016-04-13 | 焦点科技股份有限公司 | 一种基于客户行为特征的潜在客户挖掘方法 |
CN106776757B (zh) * | 2016-11-15 | 2020-03-27 | 中国银行股份有限公司 | 用户完成网银操作的指示方法及装置 |
CN106650273B (zh) * | 2016-12-28 | 2019-08-23 | 东方网力科技股份有限公司 | 一种行为预测方法和装置 |
CN106971321B (zh) * | 2017-04-06 | 2021-01-08 | 百度在线网络技术(北京)有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
-
2017
- 2017-09-08 CN CN201710807133.3A patent/CN107679889B/zh active Active
- 2017-10-31 WO PCT/CN2017/108620 patent/WO2019047350A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147159B2 (en) * | 2011-12-30 | 2015-09-29 | Certona Corporation | Extracting predictive segments from sampled data |
CN104809637A (zh) * | 2015-05-18 | 2015-07-29 | 北京京东尚科信息技术有限公司 | 计算机实现的商品推荐方法及*** |
CN106407349A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置 |
CN106980991A (zh) * | 2017-04-06 | 2017-07-25 | 百度在线网络技术(北京)有限公司 | 一种营销信息的推送方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019047350A1 (zh) | 2019-03-14 |
CN107679889A (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784504A (zh) | 客户回访事件的生成方法及终端设备 | |
CN107679889B (zh) | 一种潜在客户的识别方法及终端设备 | |
CN106326248A (zh) | 数据库数据的存储方法和装置 | |
CN109472568A (zh) | 一种区块链交易方法、装置、管理***、设备及存储介质 | |
CN107909330A (zh) | 工作流数据处理方法、装置、存储介质和计算机设备 | |
CN107784063B (zh) | 算法的生成方法及终端设备 | |
CN111694841A (zh) | 订单标识生成方法、装置、服务器及存储介质 | |
CN107844867A (zh) | 数据处理方法、装置及设备 | |
CN107844698A (zh) | 金融app的权限设置方法、装置、设备及存储介质 | |
CN109767110A (zh) | 一种风险控制***优化方法、装置、设备及存储介质 | |
CN110135984A (zh) | 交易管理方法、装置、计算机设备及存储介质 | |
CN106600082A (zh) | 业务***中任务的处理方法、装置及业务体系构建*** | |
CN109670835A (zh) | 基于业务节点的风控方法、装置、设备及可读存储介质 | |
CN110275903A (zh) | 提高机器学习样本的特征生成效率的方法及*** | |
CN107944870A (zh) | 基于电子商务的交易业务处理方法、***及终端设备 | |
CN109461069A (zh) | 基于业务节点的风控方法、装置、设备及可读存储介质 | |
CN106920168A (zh) | 期货点价交易信息处理方法及装置 | |
CN108183889A (zh) | 身份认证方法及身份认证装置 | |
CN108364230A (zh) | 一种账户提现方法、装置、终端设备和存储介质 | |
US7464008B2 (en) | Methods and apparatus for selecting event sequences based on a likelihood of a user completing each event sequence | |
CN110852809A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN109325167A (zh) | 特征分析方法、装置、设备、计算机可读存储介质 | |
CN111899018A (zh) | 订单数据处理方法、装置、服务器及存储介质 | |
CN115660814A (zh) | 风险预测方法、装置、计算机可读存储介质及电子设备 | |
CN115456684A (zh) | 信息触达处理方法、装置、计算机设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1247400 Country of ref document: HK |