CN107808346B - 一种潜在目标对象的评估方法及评估装置 - Google Patents
一种潜在目标对象的评估方法及评估装置 Download PDFInfo
- Publication number
- CN107808346B CN107808346B CN201610814375.0A CN201610814375A CN107808346B CN 107808346 B CN107808346 B CN 107808346B CN 201610814375 A CN201610814375 A CN 201610814375A CN 107808346 B CN107808346 B CN 107808346B
- Authority
- CN
- China
- Prior art keywords
- interaction
- rfm
- user
- information
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000013210 evaluation model Methods 0.000 claims abstract description 71
- 230000003993 interaction Effects 0.000 claims description 278
- 230000006399 behavior Effects 0.000 claims description 268
- 230000002452 interceptive effect Effects 0.000 claims description 76
- 238000012360 testing method Methods 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (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
本发明公开了一种潜在目标对象的评估方法及评估装置,用于解决现有技术中无法准确而及时的通过应用评估出有价值的潜在目标对象的问题,根据目标对象的对象行为数据和RFM评估模型,对目标对象进行分类,使得第三方可以准确且及时的得到有价值的潜在目标对象,从而提高了第三方的服务水平。潜在目标对象的评估方法包括:获取目标对象的对象行为数据;根据RFM评估模型及对象行为数据,获得目标对象的RFM码,RFM码表示目标对象操作应用的程度;根据RFM码对目标对象进行分类。
Description
技术领域
本发明涉及计算机领域,具体涉及一种基于潜在目标对象的评估方法及评估装置。
背景技术
潜客,全称是潜在客户,英文通常用leads(线索),通常指对企业产品或服务存在需求且具备购买能力的待开发客户,是企业市场销售团队努力获取和转化的对象。
现有的企业进行客户分类的两种技术方案为:1、RFM(Recency Frequency Money)模型,企业将传统的RFM模型用于个人消费品产品的客户价值评估,将客户分类。常用做法如下:根据参数R、F和M分别将客户排序,对于参数R,购买时间越近则排序越靠前,对于参数F,购买次数越多则排序约靠前,对于参数M,购买金额越高则排序约靠前;然后将R、F、M的排序结果各分成五等分,R5代表购买时间最近的客户,R1代表购买时间最远的客户,F5代表购买次数最多的客户,F1代表购买次数最少的客户,M5代表购买金额最高的客户,M1代表购买金额最低的客户;这样每个客户都可以得到R、F、M三个纬度的代表值,假设某客户的***值分别为R4、F3、M5,那么这个客户的RFM值为435,表示此客户为最近购买的、购买频次一般但消费金额较高的客户,企业可以根据RFM值对客户分类,并分别采取不同的营销手段;2、属性分类法,根据SCRM(社会化客户关系管理)依据客户所在地、性别、社交关系类型、年龄以及最近行为等简单分类。
但是,RFM模型分类法是基于客户的消费行为的,并不是为潜客分类而设计的,更偏向一种通用的客户评估模型;而属性分类法基本上都是以静态数据作为分类基础,适用于初步筛选,而无法动态调节客户分类,因此,企业无法评估出有价值的潜客,并且无法及时的调节客户分类,影响企业的销售服务水平。
发明内容
本发明提供了一种潜在目标对象的的评估方法及评估装置,用于解决现有技术中无法准确而及时的通过社交媒体评估出有价值的潜客的问题,根据用户在社交媒体的互动行为组信息和互动等级RFM评估模型,对用户进行用户分类,使得企业通过社交媒体渠道可以准确且及时的得到有价值的潜客,从而提高了企业的销售服务水平。
本发明第一方面提供一种潜在目标对象的评估方法,包括:
获取用户在社交媒体的互动行为组信息,所述互动行为组信息为所述用户与所述社交媒体互动的信息;
根据互动等级RFM评估模型及所述互动行为组信息,获得所述用户的RFM码,所述RFM码表示所述用户与所述社交媒体的互动程度;
根据所述RFM码对所述用户进行用户分类。
本发明第二方面提供一种潜在目标对象的评估装置,包括:
获取模块,用于获取用户在社交媒体的互动行为组信息,所述互动行为组信息为所述用户与所述社交媒体互动的信息;
处理模块,用于根据互动等级RFM评估模型及所述互动行为组信息,获得所述用户的RFM码,所述RFM码表示所述用户与所述社交媒体的互动程度;
分类模块,用于根据所述RFM码对所述用户进行用户分类。
从以上技术方案可以看出,本发明实施例具有以下优点:
与现有技术1不同的是,用户分类是依据用户在社交媒体的互动行为组信息和互动等级RFM评估模型而得到的,企业根据用户分类可以知道每一个用户的潜在价值;与现有技术2不同的是,由于用户分类需要用到用户在社交媒体的互动行为组信息,而互动行为组信息是根据用户使用社交媒体的情况得到的,在实际中,用户使用社交媒体的情况是动态的,这样就能动态的得到用户分类,因此,企业通过社交媒体渠道可以准确且及时的选择出有价值的潜客,从而提高了企业的销售服务水平。
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为本发明实施例中***的一个结构示意图;
图2为本发明实施例中潜在目标对象的评估方法的一个实施例示意图;
图3为本发明实施例中用户在微信公众号上的行为轨迹示意图;
图4为本发明实施例中用户在QQ群上的行为轨迹示意图;
图5为本发明实施例中用户在QQ上的行为轨迹示意图;
图6为本发明实施例中用户在微信公众号上的互动行为组的示意图;
图7为本发明实施例中潜在目标对象的评估装置的一个结构示意图;
图8为本发明实施例中潜在目标对象的评估装置的另一个结构示意图;
图9为本发明实施例中潜在目标对象的评估装置的又一个结构示意图;
图10为本发明实施例中潜在目标对象的评估装置的一个实体装置结构示意图。
具体实施方式
本发明提供了一种潜在目标对象的评估方法及评估装置,用于解决现有技术中无法准确而及时的通过社交媒体评估出有价值的潜客的问题,根据用户在社交媒体的互动行为组信息和互动等级RFM评估模型,对用户进行用户分类,使得企业通过社交媒体渠道可以准确且及时的得到有价值的潜客,从而提高了企业的销售服务水平。
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,本领域技术人员在没有作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。
在互联网高速发展的今天,很多人都已经***台。社交媒体主要包括社交网站和社交APP,典型如QQ、微信、微博和天涯论坛等等。
某些企业可能具有一种社交媒体,但是该企业还兼有其他种类的服务,以腾讯举例说明,QQ是腾讯的一款社交媒体类型的软件,现在腾讯又新推出了一款专业性较强的软件,例如,股票类的。考虑到用户的体验性,在推广新软件的时候,不可能向所有的QQ用户进行推广,因为股票不感兴趣的用户会反感此种推广信息,但是在QQ用户庞大的用户数中,会有部分用户是对股票感兴趣,并期望成为新软件用户的,这部分用户对于企业来说,就是潜客,是需要推广的潜在目标对象。而如何通过社交媒体渠道从广大的用户群体中区分出潜在目标对象,并将这部分潜在目标对象转化为新软件的用户,是企业提高销售服务水平的关键。因此,对使用企业的社交媒体的用户的分类是十分有必要的。
现有用户分类方法中,传统RFM模型是一种,但是是基于消费行为的,企业可以使用RFM模型长期跟踪用户的消费记录来对用户进行价值评估,定义不同用户的价值、识别潜在的用户流失风险、推测用户消费的异动状况或者评估现有用户流失风险,从而制定产品推销或挽留客户等措施。但是,使用社交媒体的用户不一定存在消费行为,所以使用基于消费行为的传统RFM模型对用户分类是不够广泛的和准确的。
SCRM基于社交媒体能迅速获取用户的一些公开属性,例如性别、年龄、学历、所在地及社交关系类型等等,从而快速将用户进行简单分类,帮助企业锁定潜在目标对象。企业可以通过分好类的用户设定销售或客服人员接待用户的优先顺序,优先接待更符合潜在目标对象特征的用户。例如,教育培训机构会将合适的年龄段以及服务覆盖的地区内的用户作为接待排序规则。但是,这只是简单的基于用户的公开属性进行的分类,是以静态数据作为分类基础,在实际使用社交媒体的时候的数据,并没有使用到分类中,无法动态的调整用户分类,例如,某个用户在刚开始使用社交媒体的时候,兴趣爱好填写的是电影,但是在使用社交媒体的时候,并没有涉及到电影,而是使用的音乐类型的功能,这样无法动态的调整用户分类,必然导致企业得到的潜在目标对象是错误的。
为了解决上述提到的问题,本发明对RFM模型进行了一些改变,使得改进后得到的互动等级RFM评估模型,可以基于社交媒体对用户进行用户分类。本发明的技术方案应用于通信***,如图1所示,通信***包括终端和服务器,终端与服务器通信连接,终端可以有多个,各个终端将自身的数据发送至服务器,服务器接收到各个终端发送的数据后,对所有的数据进行分析归类,并将分析归类后的数据进行保存,以便后续终端需要时可以从服务器直接获取。
在实际应用中,终端上安装有社交媒体的软件,一般终端为手机和电脑等具有上网功能的电子设备,用户在使用社交媒体的时候,记录用户的操作,例如,对微信公众号发布的文章进行转发或者点赞等行为,称作用户在社交媒体的互动行为。终端会将收集到的用户的操作的数据发送至服务器,服务器获取多个终端发送的数据,从而保存有所有用户在社交媒体上的数据。
请参阅图2,本发明实施例提供一种潜在目标对象的评估方法,包括:
201、获取用户在社交媒体的互动行为组信息;
本实施例中,用户在终端上使用社交媒体时,会执行一系列的互动行为,而用户的互动行为是具有先后顺序的行为轨迹,如图3为用户在微信公众号上可能的行为轨迹,如图4为用户在QQ群上可能的行为轨迹,如图5为用户在QQ上可能的行为轨迹,图3、图4和图5中圆角框代表用户的互动行为,方形框代表承载用户的互动行为的页面或载体,例如,微信公众号图文消息这个页面上,用户可能进行的互动行为包括:分享、收藏、点赞、评论、阅读原文及文章作者等。互动行为组是一组有序的互动行为。以图3中用户在微信公众号为例,用户先通过“查看文章作者、搜索添加未关注、名片分享、公众号接触点及扫二维码”中的一个互动行为进入微信公众号资料卡页面,在资料卡页面可以进行的互动行为包括“查看历史消息、关注、取消关注、设置消息、开启/关闭地理位置、分享名片和拨打电话”,如果互动行为是“查看历史消息”,则进入了图文消息页面;如果未执行互动行为,或者执行的互动行为不是“查看历史消息”,则通过执行互动行为“扫二维码、搜索进入已关注、进入公众号、消息list及关注公众号list”中的一个进入公众号聊天窗口页面,在公众号聊天窗口页面可以进行的互动行为包括“转发/分享图文、菜单及关键词回复”,如果互动行为是“菜单或关键词回复”,则进入了接待组件页面;如果未执行互动行为,或者执行的不是“菜单或关键词回复”,则通过执行互动行为“查看/转发分享的图文、查看图文消息、查看收藏的图片”中的一个进入图文消息页面,在图文消息页面可以执行的互动行为包括“分享、收藏、评论、点赞、阅读原文及文章作者”,用户通过执行互动行为“点击接待组件”可以进入接待组件页面,在接待组件页面可以执行的互动行为包括“在线咨询、拨打电话、加入群、加好友及关注公众号”。
如果用户通过好友的分享执行“名片分享”进入资料卡页面,在资料卡页面“查看历史消息”进入图文消息,“阅读原文”后退出微信,之后用户觉得这个微信公众号值得关注,又通过“名片分享”进入资料卡页面,在资料卡页面执行“关注”,执行“关注公众号list”进入公众号聊天窗口,在公众号聊天窗口点击“菜单”,再点击“查看图文消息”进入图文消息页面,点击“阅读原文”。从用户的互动行为中,可以得到两个互动行为组,一个互动行为组包括的互动行为依次为“名片分享”、“查看历史消息”和“阅读原文”,另一个互动行为组为包括的互动行为依次为“名片分享”、“关注”、“关注公众号list”、“菜单”、“查看图文消息”及“阅读原文”。
互动行为组信息是互动行为组中所有互动行为的信息,即该用户与社交媒体互动的信息。互动行为组信息一般是记录在终端,或者社交媒体的网络服务器上,在需要进行用户分类的时候,从终端或者服务器中可以提取出该用户的互动行为组信息。当然,在实际实施时,考虑到用户分类的准确性,可能需要用到多组互动行为组,那么互动行为组信息实际上是多个互动行为组的信息的一个合集,例如互动行为组信息包括上述两个互动行为组的信息,即互动行为“名片分享”、“查看历史消息”、“阅读原文”、“名片分享”、“关注”、“关注公众号list”、“菜单”、“查看图文消息”及“阅读原文”的信息。
202、根据互动等级RFM评估模型及互动行为组信息,获得用户的RFM码;
本实施例中,互动等级RFM评估模型是在RFM模型的基础上预先构建好的,互动等级RFM评估模型的排序法则并没有改变,只是重新定义了RFM参数,RFM参数包括参数R、参数F和参数M,参数R表示用户与社交媒体最近一次互动的时间,参数F表示用户与社交媒体在预设时间内的互动次数,参数M表示用户与社交媒体在预设时间内的互动深度,根据互动行为组信息可以计算得出参数R、参数F和参数M的信息,那么利用互动等级RFM评估模型及和RFM参数的信息,就能得到用户的RFM码,RFM码表示的用户与社交媒体的互动程度。
203、根据RFM码对用户进行用户分类。
本实施例中,根据RFM码知道用户与社交媒体的互动程度,一般RFM码是以数值的形式表示,那么,根据RFM码对用户进行用户分类,就是按照RFM码的数值进行划分的,具体的划分标准也是企业设置的。
本发明实施例中,与现有技术1不同的是,用户分类是依据用户在社交媒体的互动行为组信息和互动等级RFM评估模型而得到的,企业根据用户分类可以知道每一个用户的潜在价值;与现有技术2不同的是,由于用户分类需要用到用户在社交媒体的互动行为组信息,而互动行为组信息是根据用户使用社交媒体的情况得到的,在实际中,用户使用社交媒体的情况是动态的,这样就能动态的得到用户分类,因此,企业通过社交媒体渠道可以准确且及时的选择出有价值的潜客,从而提高了企业的销售服务水平。
在图2所示的实施例中互动等级RFM评估模型是预先构建好的,下面对互动等级RFM评估模型是如何构建好的进行详细的说明,具体如下:
可选的,本发明的一些实施例中,获取用户在社交媒体的互动行为组信息之前,还包括:
重定义RFM模型的RFM参数,RFM参数包括参数R、参数F及参数M,参数R表示用户与社交媒体最近一次互动的时间,参数F表示用户与社交媒体在预设时间内的互动次数,参数M表示用户与社交媒体在预设时间内的互动深度;
设置互动行为信息对应的互动行为的互动深度权重,得到权重表;
根据RFM参数及权重表,构建互动等级RFM评估模型。
本实施例中,现有的RFM模型是构建在用户的购买行为上,而在社交媒体上,用户很少直接产生购买行为,更多的是一种与企业的社交媒体的互动行为,如上面描述的在微信公众号和QQ上的行为轨迹,类似关注、加好友及加群等是典型的互动行为。因此,在现有的RFM模型的基础上,按用户在社交媒体上的行为特点,重新定义了RFM模型的RFM参数,如表1所示。
表1
在表1中,RFM参数包括参数R、参数F及参数M,参数R表示用户与社交媒体最近一次互动的时间,参数F表示用户与社交媒体在预设时间内的互动次数,参数M表示用户与社交媒体在预设时间内的互动深度,其中预设时间内表示的是企业设置的进行用户分类时,需要获取的用户在一段时间内的互动行为组信息。例如,企业需要在近期推出一个音乐类产品,那么就需要知道知道最近一个月或者一年中,哪些用户在社交媒体频繁进行音乐类的互动行为的。
由于参数R表示用户与社交媒体最近一次互动的时间,那么参数R的信息就是互动行为组中最近一次互动行为的时间信息,可以从互动行为组信息中直接知晓,而参数F表示的是用户与社交媒体在预设时间内的互动次数,那么参数R的信息就是预设时间内所有的互动行为组中互动行为的个数,从互动行为组信息可直接获得,但参数M的信息是无法直接获得的,参数M表示用户与社交媒体在预设时间内的互动深度,参数M的信息并不是一个显性值。通过观察图2实施例中的用户的行为轨迹,可以发现,一些互动行为代表的是用户对企业的正面积极反馈,例如加关注、加好友及加群等;一些互动行为代表的是用户对企业的负面消极反馈,例如取消关注、删除好友及退群等;还有一些互动行为相对另一些互动行为表现出客户更强烈的正面积极反馈,例如分享图文消息、对比查看图文消息、开启消息提醒及对比接收消息但不提示等等。用一个值来衡量这些互动行为所代表的正面积极/负面消极反馈的程度,即互动深度。然而,用多少值来衡量各种互动行为,极度依赖于互动等级RFM评估模型构建者对用户的互动行为的理解。下面以用户使用微信公众号的互动行为为例,按三分制为每个行为赋予权重,其中的权重可按照对用户的互动行为的理解自定义。权重表如表2所示。
表2
由于企业的微信公众号的关注度对于企业的推广和知名度是非常重要的,那么用户的关注是十分重要的,从表2中的不同互动行为所赋予的互动深度权重可以看出,微信公众号的承载页“资料卡”的互动行为“关注”,赋予了互动深度权重为3,而互动行为“取关”取关对微信公众号是负面的,互动深度权重为-3。
互动等级RFM评估模型得到RFM码的方式依然采用现有的RFM模型的排序法则,即对参数R、参数F和参数M分别分为R1-R5、F1-F5及M1-M5,这样就得到客户的RFM码。
本发明实施例中,对如何构建互动等级RFM评估模型的进行了详细说明,将现有的RFM模型中的RFM参数重新定义为与互动行为相关,使得通过社交媒体对用户进行分类成为可能。
可选的,本发明的一些实施例中,获取用户在社交媒体的互动行为组信息,包括:
采集用户在社交媒体的互动行为的互动行为信息,互动行为为用户在社交媒体的行为,互动行为信息为包括行为标识、用户标识、社交媒体标识、行为时间、行为类型及上一行为标识;
根据互动行为信息得到互动行为组,互动行为组为一组有序排列的有效互动行为;
获取互动行为组中每一个有效互动行为的互动行为信息,得到互动行为组信息。
本实施例中,由于社交媒体所针对的是数量众多的用户,那么采集到的互动行为信息,是由很多用户在社交媒体的各种互动行为产生的,如表3中所示,是一个用户的行为轨迹,通过好友的分享执行“名片分享”进入资料卡页面,在资料卡页面“查看历史消息”进入图文消息,“阅读原文”后退出微信,之后用户觉得这个微信公众号值得关注,又通过“名片分享”进入资料卡页面,在资料卡页面执行“关注”,执行“关注公众号list”进入公众号聊天窗口,在公众号聊天窗口点击“菜单”,再点击“查看图文消息”进入图文消息页面,点击“阅读原文”。每一个互动行为的互动行为信息中都包含了行为标识、用户标识、社交媒体标识、行为时间、行为类型、上一行为标识、用户社媒帐号等。根据互动行为信息中的行为标识和上一个行为标识,可以将串联出两组互动行为组,第一组的互动行为组用行为标识表示是“0a0a1、0a0b1及0a0f1”,第二组的互动行为组用行为标识表示是“0a0a1、0a0b2、0a0c1、0a0d1、0a0e1及0a0f1”,但是并不是行为轨迹中的所有互动行为都是有效的,比如,企业想要得到最近一个月的用户分类,那么行为轨迹中行为时间为一个月之前的就是无效的互动行为。如上描述按用户标识梳理统计时间段内用户的行为轨迹,有效串联在一次行为轨迹中的各个有效互动行为,形成了两组互动行为组,距离统计时间点最近互动行为组的最后一个互动行为的时间作为最近互动时间,如表4所示。获取两组互动行为组中每一个有效互动行为的互动行为信息,得到互动行为组信息。需要说明的是,以上只是以一个用户进行举例说明的,在实际应用中是存在多名用户的,那么就需要结合用户标识来得到每个用户的互动行为组,并且互动行为组的数量不做限定,可以不小于零的整数。
表3
表4
用户标识 | 互动行为组次数 | 最近互动时间 |
2000001 | 2 | 2016/5/23 16:26:00 |
本发明实施例中,对互动行为组信息的获取进行了详细的说明,从众多用户的互动行为中,选择出用户的有效互动行为,并且串联出互动行为组,从而得到互动行为组信息,可以明显的降低工作量,提高信息的精准度。
可选的,本发明的一些实施例中,根据互动等级RFM评估模型及互动行为组信息,获得用户的RFM码,包括:
根据互动行为组信息得到参数R的信息和参数F的信息;
根据互动行为组信息和权重表,得到参数M的信息;
根据互动等级RFM评估模型的排序法则,对参数R的信息、参数F的信息和参数M的信息进行处理,得到用户的RFM码。
本实施例中,以图6所示的用户在微信公众号上的两个互动行为组为例,两组互动行为组信息如表3所示,其中总共有9个互动行为,其中最近的一次互动行为“阅读原文”的行为时间是为“2016/5/23 16:26:00”,那么参数R的信息就是“2016/5/23 16:26:00”,参数F的信息就是“9次”,而参数F的信息还需要根据互动行为的行为类型,结合上述表1的权重表进行计算,分别计算两组互动行为组的参数M的信息,第一组互动行为组的参数M的信息为互动深度值M=0(名片分享)+1(查看历史消息)+2(阅读原文)=3;第二组互动行为组的参数M的信息为互动深度值M=0(名片分享)+3(关注)+0(进入公众号)+1(菜单)+1(查看图文消息)+2(阅读原文)=7;该用户的总的参数M的信息是互动深度值M=第一组的M值+第二组的M值=10,根据互动等级RFM评估模型的排序法则,对参数R、参数F和参数M分别分为R1-R5、F1-F5及M1-M5,例如,R1表示的是两年前至一年前用户有互动行为,R2表示一年前至10个月前用户有互动行为,R3表示10个月前至8个月前用户有互动行为,R4表示8个月至5个月前用户有互动行为,R5表示5个月前到现在时间点用户有互动行为,参数R的信息是“2016/5/23 16:26:00”,当前时间点是2016年9月3日,那么参数R为R5;F1表示互动行为不超过2次,F2表示互动行为在3-6次,F3表示互动行为在7-10次,F4表示互动行为在11-12次,F5表示互动行为在13次以上,参数F的信息就是9次,那么参数F为F3;参数M的信息为互动深度值,互动深度值小于1为M1,M2表示互动深度值在1-5,M3表示互动深度值在6-8,M4表示互动深度值在9-11,M5表示互动深度值在12以上,参数M的信息是互动深度值为10,那么参数M为M4。由此可知,该用户的RFM码为R5F3M4。而根据用户RFM码可以直观的看到用户与社交媒体的互动程度,RFM码为R1F1M1表示的是用户长期不互动、互动次数低且互动深度低,RFM码为R5F5M5表示的是用户近期有互动、互动次数高且互动深度大,可见从R1F1M1至R5F5M5是呈现用户的互动程度递增的情况,那么依据用户的RFM码的不同,就能对用户进行用户分类。
需要说明的是,R1-R5、F1-F5及M1-M5只是一种呈现递增关系的划分方式,在具体实施中,还可以有更多的划分,例如R1-R10、F1-F10及M1-M10等。
可选的,本发明的一些实施例中,根据RFM参数及权重表,构建互动等级RFM评估模型之后,还包括:
测试互动等级RFM评估模型是否满足预设评估标准;
若否,则重构互动等级RFM评估模型。
本发明实施例中,在构建好互动等级RFM评估模型之后,还需要进行测试,因为参数R和参数F都是从互动行为组信息可以直接得到,但是参数M确并不是简单的加减,还需要的一个重要元素就是互动行为的互动深度权重,每一个互动行为的互动深度权重都是需要设置的,在企业不同需求下,互动行为的互动深度权重都是需要改变的,因此测试互动等级RFM评估模型是否满足预设评估标准是十分重要的,如果满足预设评估标准就可以使用该互动等级RFM评估模型了,如果不满足预设评估标准,则需要重新构建该互动等级RFM评估模型。
可选的,本发明的一些实施例中,测试互动等级RFM评估模型是否满足预设评估标准,如下:
获取测试用户在社交媒体的测试互动行为组信息;
根据互动等级RFM评估模型及测试互动行为信息,得到测试用户的测试RFM码;
判断测试RFM码与RFM码是否处于预设偏差值范围之内;
若是,则互动等级RFM评估模型满足预设评估标准;
若否,则互动等级RFM评估模型不满足预设评估标准。
本发明实施例中,以微信公众号为例,为了提高测试的准确性,需要提高测试量,那么测试用户的个数应该较大,进行一次群发,跟踪测试用户对群发内容的反馈:无反馈、查看群发内容、查看并分享群发内容、查看及点赞群发内容等,获得测试RFM码,并对比步骤202中得到的RFM码,因为用户对群发反馈越积极说明用户对企业的潜在兴趣越大,如果步骤202中RFM码较大的用户在这次群发反馈中排序也较考前,则说明RFM码分类能在一定程度上反应用户对企业的潜在兴趣。判断测试RFM码与RFM码的偏差值是否处于预设偏差值范围内,预设偏差值范围是误差允许范围,若是,则可认为互动等级RFM评估模型满足预设评估标准,若否,则互动等级RFM评估模型不满足预设评估标准,需要进行重构。
需要说明的是,出了通过测试RFM码与RFM码偏差值来确定互动等级RFM评估模型是否满足预设评估标准之外,还可以通过对比SCRM***的成交结果。SCRM***的成交结果是最直接反应用户对企业的贡献度,因此将根据RFM码分类好的用户,按SCRM***里的成交记录进行对比分析,如果用户分类中RFM码较大的用户成交周期相对较短、成交金额相对较大、成交次数相对较多,则说明互动等级RFM评估模型有效,反之则无效,需要重新设置权重表来重构互动等级RFM评估模型。
需要说明的是,本发明不仅仅是企业用于寻找潜在目标对象,还可以用于社交平台的粉丝价值评估,例如对微博上某一用户的粉丝进行分类,通过转发、评论和点赞等行为将粉丝划分为活跃粉丝及“僵尸”粉等类型;还可以用于好友价值评估,比如社交平台上的好友数量众多的时候,根据用户与好友的互动情况,将好友划分为各个等级,在实施情况中,具体用于何种地发放不做限定。
为便于更好的实施本发明实施例的上述相关方法,下面还提供用于配合上述方法的相关装置。
请参阅图7,本发明实施例提供一种潜在目标对象的评估装置700,包括:
获取模块701,处理模块702及分类模块703;
获取模块701,用于获取用户在社交媒体的互动行为组信息,互动行为组信息为用户与社交媒体互动的信息;
处理模块702,用于根据互动等级RFM评估模型及获取模块701获取的互动行为组信息,获得用户的RFM码,RFM码表示用户与社交媒体的互动程度;
分类模块703,用于根据处理模块702得到的RFM码对用户进行用户分类。
在图7所示评估装置的基础上,请参阅图8,潜在目标对象的评估装置700还包括:
构建模块801,用于重定义RFM模型的RFM参数,RFM参数包括参数R、参数F及参数M,参数R表示用户与社交媒体最近一次互动的时间,参数F表示用户与社交媒体在预设时间内的互动次数,参数M表示用户与社交媒体在预设时间内的互动深度;
构建模块801,还用于设置互动行为信息对应的互动行为的互动深度权重,得到权重表;
构建模块801,还用于根据RFM参数及权重表,构建互动等级RFM评估模型。
可选的,本发明的一些实施例中,
获取模块701,具体用于采集用户在社交媒体的互动行为的互动行为信息,互动行为为用户在社交媒体的行为,互动行为信息为包括行为标识、用户标识、社交媒体标识、行为时间、行为类型及上一行为标识;
获取模块701,还用于根据互动行为信息得到互动行为组,互动行为组为一组有序排列的有效互动行为;
获取模块701,还用于获取互动行为组中每一个有效互动行为的互动行为信息,得到互动行为组信息。
可选的,本发明的一些实施例中,
处理模块702,具体用于根据互动行为组信息得到参数R的信息和参数F的信息;
处理模块702,还用于根据互动行为组信息和权重表,得到参数M的信息;
处理模块702,还用于根据互动等级RFM评估模型的排序法则,对参数R的信息、参数F的信息和参数M的信息进行处理,得到用户的RFM码。
在图8所示评估装置的基础上,请参阅图9,潜在目标对象的评估装置700还包括:
测试模块901,用于测试互动等级RFM评估模型是否满足预设评估标准;
构建模块901,还用于当测试模块901测试出互动等级RFM评估模型不满足预设评估标准时,重构互动等级RFM评估模型。
可选的,本发明的一些实施例中,
测试模块901,具体用于获取测试用户在社交媒体的测试互动行为组信息;
测试模块901,还用于根据互动等级RFM评估模型及测试互动行为组信息,得到测试用户的测试RFM码;
测试模块901,还用于判断测试RFM码与RFM码是否处于预设偏差值范围之内,若是,则互动等级RFM评估模型满足预设评估标准,若否,则互动等级RFM评估模型不满足预设评估标准。
综上,与现有技术1不同的是,用户分类是依据用户在社交媒体的互动行为组信息和互动等级RFM评估模型而得到的,企业根据用户分类可以知道每一个用户的潜在价值;与现有技术2不同的是,由于用户分类需要用到用户在社交媒体的互动行为组信息,而互动行为组信息是根据用户使用社交媒体的情况得到的,在实际中,用户使用社交媒体的情况是动态的,这样就能动态的得到用户分类,因此,企业通过社交媒体渠道可以准确且及时的选择出有价值的潜客,从而提高了企业的销售服务水平。
以上介绍了潜在目标对象的评估装置的模块化结构的实施例,下面以评估装置为服务器为例,对评估装置的实体装置进行说明。
潜在目标对象的评估装置以服务器为例,如图10所示,该评估装置可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(central processingunits,CPU)1022(例如,一个或一个以上处理器)和存储器1032,一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中,存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,CPU1022可以设置为与存储介质1030通信,在服务器上执行存储介质1030中的一系列指令操作。
评估装置还可以包括一个或一个以上电源10210,一个或一个以上无线网络接口1050,一个或一个以上输入输出接口1058,和/或,一个或一个以上操作***1041,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
请参阅图10,本发明实施例提供一种潜在目标对象的评估装置,包括:
无线网络接口1050、CPU1022及存储器1032,无线网络接口1050、CPU1022及存储器1003之间通过总线互相连接,存储器1032中存储有计算机指令,CPU1022通过执行计算机指令,从而实现以下方法:
获取用户在社交媒体的互动行为组信息,互动行为组信息为用户与社交媒体互动的信息;
根据互动等级RFM评估模型及互动行为组信息,获得用户的RFM码,RFM码表示用户与社交媒体的互动程度;
根据RFM码对用户进行用户分类。
Claims (8)
1.一种潜在目标对象的评估方法,其特征在于,包括:
获取用户在社交媒体的互动行为组信息,包括:采集所述用户在社交媒体的互动行为的互动行为信息,所述互动行为为所述用户在所述社交媒体的行为,所述互动行为信息包括行为标识、用户标识、社交媒体标识、行为时间、行为类型及上一行为标识;根据所述互动行为信息得到互动行为组,所述互动行为组为一组有序排列的有效互动行为;获取所述互动行为组中每一个有效互动行为的互动行为信息,得到互动行为组信息,所述互动行为组信息为所述用户与所述社交媒体互动的信息;
根据互动等级RFM评估模型及所述互动行为组信息,获得所述用户的RFM码,所述RFM码表示所述用户与所述社交媒体的互动程度;
根据所述RFM码对所述用户进行用户分类;
所述获取用户在社交媒体的互动行为组信息之前,还包括:
重定义RFM模型的RFM参数,所述RFM参数包括参数R、参数F及参数M,所述参数R表示用户与社交媒体最近一次互动的时间,所述参数F表示所述用户与所述社交媒体在预设时间内的互动次数,所述参数M表示所述用户与所述社交媒体在预设时间内的互动深度;所述参数M表示的互动深度根据互动行为组信息和权重表获得;
设置互动行为信息对应的互动行为的互动深度权重,得到权重表;
根据所述RFM参数及所述权重表,构建互动等级RFM评估模型。
2.根据权利要求1所述的潜在目标对象的评估方法,其特征在于,所述根据互动等级RFM评估模型及所述互动行为组信息,获得所述用户的RFM码,包括:
根据所述互动行为组信息得到所述参数R的信息和所述参数F的信息;
根据所述互动行为组信息和所述权重表,得到所述参数M的信息;
根据所述互动等级RFM评估模型的排序法则,对所述参数R的信息、所述参数F的信息和所述参数M的信息进行处理,得到所述用户的RFM码。
3.根据权利要求1至2中任一项所述的潜在目标对象的评估方法,其特征在于,所述根据所述RFM参数及所述权重表,构建互动等级RFM评估模型之后,还包括:
测试所述互动等级RFM评估模型是否满足预设评估标准;
若否,则重构所述互动等级RFM评估模型。
4.根据权利要求3所述的潜在目标对象的评估方法,其特征在于,所述测试所述互动等级RFM评估模型是否满足预设评估标准,包括:
获取测试用户在社交媒体的测试互动行为组信息;
根据所述互动等级RFM评估模型及所述测试互动行为组信息,得到所述测试用户的测试RFM码;
判断所述测试RFM码与所述RFM码是否处于预设偏差值范围之内;
若是,则所述互动等级RFM评估模型满足预设评估标准;
若否,则所述互动等级RFM评估模型不满足预设评估标准。
5.一种潜在目标对象的评估装置,其特征在于,包括:
获取模块,用于获取用户在社交媒体的互动行为组信息,所述互动行为组信息为所述用户与所述社交媒体互动的信息;
处理模块,用于根据互动等级RFM评估模型及所述互动行为组信息,获得所述用户的RFM码,所述RFM码表示所述用户与所述社交媒体的互动程度;
分类模块,用于根据所述RFM码对所述用户进行用户分类;
构建模块,用于重定义RFM模型的RFM参数,所述RFM参数包括参数R、参数F及参数M,所述参数R表示用户与社交媒体最近一次互动的时间,所述参数F表示所述用户与所述社交媒体在预设时间内的互动次数,所述参数M表示所述用户与所述社交媒体在预设时间内的互动深度;所述参数M表示的互动深度根据互动行为组信息和权重表获得;
所述构建模块,还用于设置互动行为信息对应的互动行为的互动深度权重,得到权重表;
所述构建模块,还用于根据所述RFM参数及所述权重表,构建互动等级RFM评估模型;
所述获取模块,具体用于采集所述用户在社交媒体的互动行为的互动行为信息,所述互动行为为所述用户在所述社交媒体的行为,所述互动行为信息包括行为标识、用户标识、社交媒体标识、行为时间、行为类型及上一行为标识;
所述获取模块,还用于根据所述互动行为信息得到互动行为组,所述互动行为组为一组有序排列的有效互动行为;
所述获取模块,还用于获取所述互动行为组中每一个有效互动行为的互动行为信息,得到互动行为组信息。
6.根据权利要求5所述的潜在目标对象的评估装置,其特征在于,
所述处理模块,具体用于根据所述互动行为组信息得到所述参数R的信息和所述参数F的信息;
所述处理模块,还用于根据所述互动行为组信息和所述权重表,得到所述参数M的信息;
所述处理模块,还用于根据所述互动等级RFM评估模型的排序法则,对所述参数R的信息、所述参数F的信息和所述参数M的信息进行处理,得到所述用户的RFM码。
7.根据权利要求5至6中任一项所述的潜在目标对象的评估装置,其特征在于,所述评估装置还包括:
测试模块,用于测试所述互动等级RFM评估模型是否满足预设评估标准;
所述构建模块,还用于当所述互动等级RFM评估模型不满足所述预设评估标准时,重构所述互动等级RFM评估模型。
8.根据权利要求7所述的潜在目标对象的评估装置,其特征在于,
所述测试模块,具体用于获取测试用户在社交媒体的测试互动行为组信息;
所述测试模块,还用于根据所述互动等级RFM评估模型及所述测试互动行为组信息,得到所述测试用户的测试RFM码;
所述测试模块,还用于判断所述测试RFM码与所述RFM码是否处于预设偏差值范围之内,若是,则所述互动等级RFM评估模型满足预设评估标准,若否,则所述互动等级RFM评估模型不满足预设评估标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814375.0A CN107808346B (zh) | 2016-09-08 | 2016-09-08 | 一种潜在目标对象的评估方法及评估装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814375.0A CN107808346B (zh) | 2016-09-08 | 2016-09-08 | 一种潜在目标对象的评估方法及评估装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107808346A CN107808346A (zh) | 2018-03-16 |
CN107808346B true CN107808346B (zh) | 2021-08-24 |
Family
ID=61569636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610814375.0A Active CN107808346B (zh) | 2016-09-08 | 2016-09-08 | 一种潜在目标对象的评估方法及评估装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107808346B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765052A (zh) * | 2018-04-20 | 2018-11-06 | 网易无尾熊(杭州)科技有限公司 | 电商推荐/推送方法及装置、存储介质及计算设备 |
CN110458298A (zh) * | 2018-05-03 | 2019-11-15 | 上海博泰悦臻网络技术服务有限公司 | 车辆及配件的分析维护***、及客户在线管理***和方法 |
CN109345075A (zh) * | 2018-08-31 | 2019-02-15 | 深圳市轱辘汽车维修技术有限公司 | 一种专业人士认证考察方法、装置及终端设备 |
CN111046269A (zh) * | 2018-10-15 | 2020-04-21 | 深圳市加推科技有限公司 | 数据获取方法和装置、计算机可读存储介质 |
CN111046270A (zh) * | 2018-10-15 | 2020-04-21 | 深圳市加推科技有限公司 | 数据处理方法和装置、计算机可读存储介质 |
CN111178976A (zh) * | 2019-12-31 | 2020-05-19 | 北京纷扬科技有限责任公司 | 一种基于bp神经网络的用户行为培育***及方法 |
CN117909002A (zh) * | 2022-10-17 | 2024-04-19 | 抖音视界有限公司 | 用于内容呈现的方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951446A (zh) * | 2014-03-25 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 大数据处理方法及平台 |
CN105573995A (zh) * | 2014-10-09 | 2016-05-11 | ***股份有限公司 | 一种兴趣识别方法、设备以及数据分析方法 |
CN105590231A (zh) * | 2014-10-24 | 2016-05-18 | 阿里巴巴集团控股有限公司 | 用户数据处理方法和装置 |
CN105608194A (zh) * | 2015-12-24 | 2016-05-25 | 成都陌云科技有限公司 | 社交媒体中用于主体特征分析的方法 |
-
2016
- 2016-09-08 CN CN201610814375.0A patent/CN107808346B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951446A (zh) * | 2014-03-25 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 大数据处理方法及平台 |
CN105573995A (zh) * | 2014-10-09 | 2016-05-11 | ***股份有限公司 | 一种兴趣识别方法、设备以及数据分析方法 |
CN105590231A (zh) * | 2014-10-24 | 2016-05-18 | 阿里巴巴集团控股有限公司 | 用户数据处理方法和装置 |
CN105608194A (zh) * | 2015-12-24 | 2016-05-25 | 成都陌云科技有限公司 | 社交媒体中用于主体特征分析的方法 |
Non-Patent Citations (1)
Title |
---|
基于评论行为的客户终身价值模型改进;赵萌;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;20150815(第08期);第J152-390页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107808346A (zh) | 2018-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808346B (zh) | 一种潜在目标对象的评估方法及评估装置 | |
US11659050B2 (en) | Discovering signature of electronic social networks | |
US20200218747A1 (en) | Systems and methods for compiling and dynamically updating a collection of frequently asked questions | |
Kimble et al. | Big data and business intelligence: Debunking the myths | |
Sen et al. | A total error framework for digital traces of human behavior on online platforms | |
US9223849B1 (en) | Generating a reputation score based on user interactions | |
US10091324B2 (en) | Content feed for facilitating topic discovery in social networking environments | |
US20160132800A1 (en) | Business Relationship Accessing | |
US20130332385A1 (en) | Methods and systems for detecting and extracting product reviews | |
US20130198204A1 (en) | System and method determining online significance of content items and topics using social media | |
JP6393686B2 (ja) | Pymkの使用およびコンテンツを価値モデルに基づいて判定するための方法およびシステム | |
CN104866969A (zh) | 个人信用数据处理方法和装置 | |
US20140358694A1 (en) | Social media pricing engine | |
CN111046237B (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
US20180068028A1 (en) | Methods and systems for identifying same users across multiple social networks | |
US20190180292A1 (en) | Method and apparatus for group filtered reports | |
CN110637317A (zh) | 用于在数字通信网络上跨多个设备建立数字接触点的分布式节点群集 | |
US20220360604A1 (en) | System and method for social network analysis | |
Saraswathi et al. | Deep Learning Enabled Social Media Recommendation Based on User Comments. | |
Neufeld | Cross-device and cross-channel identity measurement issues and guidelines: How advertisers can maximize the impact of an identity-based brand campaign | |
CN110720099A (zh) | 基于种子监督学习提供推荐的***和方法 | |
CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
US20170186009A1 (en) | Systems and methods to identify illegitimate online accounts | |
JP2016500457A (ja) | クライアント・デバイス所有に基づくメトリックの生成 | |
CN104281599A (zh) | 用于向社交网络中的用户推荐信息的方法和装置 |
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 |