CN110111158A - 生命周期或成长特征的营销设计方法、装置和存储介质 - Google Patents
生命周期或成长特征的营销设计方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110111158A CN110111158A CN201910406818.6A CN201910406818A CN110111158A CN 110111158 A CN110111158 A CN 110111158A CN 201910406818 A CN201910406818 A CN 201910406818A CN 110111158 A CN110111158 A CN 110111158A
- Authority
- CN
- China
- Prior art keywords
- user
- class cluster
- consumption
- rule
- marketing
- 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 82
- 238000011161 development Methods 0.000 title description 4
- 238000013461 design Methods 0.000 title description 2
- 230000008569 process Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 37
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 230000035800 maturation Effects 0.000 claims description 17
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000003542 behavioural effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000005192 partition Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 6
- 230000012010 growth Effects 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
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
本发明提供的一种用户属性和营销规则归类方法,应用于电子装置,包括以下步骤:目标用户划分:获取第一预设时期的各用户的消费次数,将复购次数不小于最低复购次数的用户划分为新成熟用户;用户属性归类:获取各所述新成熟用户的每次消费金额,根据第一预设计算规则,选取最接近的类簇作为当前所述新成熟用户所属的类簇;营销规则匹配:根据每个所述类簇对应的营销规则,与所述新成熟用户相匹配。本发明中的用户属性和营销规则归类方法,对成熟用户通过时序聚类算法划分出多个具有相似行为特征的细分类簇,同时归纳出每个类簇的特征;最后针对所划分出的细化类簇通过矩阵分析逐步聚焦形成营销策略建议,并对其消费模式进行预测和干预。
Description
技术领域
本发明涉及大数据挖掘领域,特别涉及一种对消费者的消费模式进行预测和干预的方法、电子装置及计算机可读存储介质。
背景技术
随着经济与技术迅猛发展,催生了一种新的经济形势——网络经济。消费者通过越来越多的渠道接触,进行浏览、购物,使得零售行业之间的竞争也越来越激烈,越来越多的传统零售品牌在这种压力与机遇之下发展线上零售,将线上、线下融合、业务、数字化思维进行融合,并逐步完成数字化转型。将来不存在传统零售行业和纯电商的说法,零售业的发展已经进入全渠道时代。然而,目前的零售领域中,针对用户的营销策略匹配还存在以下问题:
第一、用户生命周期切割过于简化,忽略了用户之间也存在有行为模式的差异较大的情况,无法做到对不同用户有针对性的营销;
第二、对用户的生命周期的判断偏业务型角度居多,而基于用户数据的梳理和自动化分群并不属于业务人员人工处理之特长,因而对用户生命周期的判断不够准确。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种对消费者的用户属性进行归类的方法、电子装置及计算机可读存储介质。本发明对某线上、线下零售电商依据用户生命周期模型划分出成熟用户;并对成熟用户通过时序聚类算法划分出多个具有相似行为特征的细分类簇,同时归纳出每个类簇的特征;最后针对所划分出的细化类簇通过矩阵分析逐步聚焦形成营销策略建议,并对其消费模式进行预测和干预。
为实现上述目的,本发明提出一种用户属性和营销规则归类方法,应用于电子装置,具有这样的特征,包括以下步骤:
目标用户划分:获取第一预设时期的各用户的消费次数,将复购次数不小于最低复购次数的用户划分为新成熟用户;
用户属性归类:获取各所述新成熟用户的每次消费金额,根据第一预设计算规则,选取最接近的类簇作为当前所述新成熟用户所属的类簇;
营销规则匹配:根据每个所述类簇对应的营销规则,与所述新成熟用户相匹配。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,所述第一预设计算规则包括:
其中,ak为新成熟用户a的第k次消费金额,cik为类簇i的类簇中心,si为类簇i中的总消费次数,为新成熟用户a与类簇i的欧氏距离,dac为新成熟用户a与类簇i的欧式距离最小值。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,所述属性归类步骤之前,还包括以下训练步骤:
训练用户划分:根据预设训练时期各用户的消费次数、每次消费对应的消费人数,以及第二预设计算规则,选取留存转化率趋于稳定时所对应的最小复购次数为所述最低复购次数,将复购次数不小于所述最低复购次数的用户划分为成熟训练用户群;
训练数据获取:获取所述成熟训练用户群中各用户的消费次数及每次消费金额作为训练集数据;
类簇分群处理:对所述训练数集进行时序聚类,得到每个用户所属的所述类簇,以及各所述类簇的所述类簇中心。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,所述类簇中心的计算公式如下:
其中,mk为类簇中第k次消费的用户人数,bkj为所述类簇中当前用户bj的第k次消费金额,所述类簇中心ck为所述类簇的第k次消费的用户平均消费金额。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,所述第二预设计算规则包括:
其中,n为消费次数,n≥2,mn和mn-1分别为消费n次和n-1次的用户人数,dn为消费n次时的留存转化率。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,所述训练数据获取步骤还包括以下步骤:
训练集边界划分:根据所述成熟训练用户群的用户各所述消费次数、每次消费对应的消费人数和第三预设计算规则,设定各所述消费次数不大于最高复购次数n2的数据作为所述训练集数据。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,所述第三预设计算规则:
其中,f为复购人次占比,mn为消费n次的用户人数,mn1为消费最小复购次数n1次的用户人数,将f≤5%时所对应的复购次数最小值作为最高复购次数。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,还包括以下步骤:
类簇特征归纳:获取各所述类簇平均消费次数、各所述类簇平均单次消费金额、各所述类簇单用户平均总消费金额、各所述类簇平均消费时间间隔,以及各所述类簇中心,得到各所述类簇的特征描述;
营销规则获取:获取所述成熟用户平均总消费金额、所述成熟用户平均留存转化率、所述成熟用户平均消费间隔时间,与各所述类簇单用户平均总消费金额、各所述类簇用户人数、各所述类簇平均留存转化率、各所述类簇平均消费时间间隔对比,并基于各所述类簇的特征描述,得到与各所述类簇对应的所述营销规则。
此外,为实现上述目的,本发明还提供一种电子装置,具有这样的特征,该电子装置包括:存储器、处理器,所述存储器上存储有用户属性和营销规则归类程序,所述用户属性和营销规则归类程序被所述处理器执行时实现以下步骤:
目标用户划分:获取第一预设时期的各用户的消费次数,将复购次数不小于最低复购次数的用户划分为新成熟用户;
用户属性归类:获取各所述新成熟用户的每次消费金额,根据第一预设计算规则,选取最接近的类簇作为当前所述新成熟用户所属的类簇;
营销规则匹配:根据每个所述类簇对应的营销规则,与所述新成熟用户相匹配。
此外,为实现上述目的,本发明还提供了一种计算机可读存储介质,具有这样的特征,所述计算机可读存储介质上存储有所述用户属性和营销规则归类程序,所述用户属性和营销规则归类程序被处理器执行时实现上述用户属性和营销规则归类方法的步骤。
发明作用和效果
本发明所涉及的一种用户属性和营销规则归类的方法、装置和存储介质,提供了一种用户属类簇分类模型和方法,其按照用户的消费行为成长过程,基于其消费行为分解出多个行为关键点,并根据这些行为关键点提取不同消费阶段的数据,从而划分出用户消费生命周期的各个阶段,并按照成熟用户的消费行为和表现进行类簇分群,从而得到成熟用户群在各个类簇中的子生命周期行为特征。本发明的用户类簇分类模型和方法,可以将具有消费特征共性的成熟用户分别划分到各特定类簇中。此外,本发明中的用户属性和营销规则归类方法还可以将新成熟用户按照上述类簇进行逐一匹配,自动化所归属的类群,得到更贴合新成熟用户成长习惯的生命周期成长模式;随后,根据上述新熟用户的每个类簇中用户在不同成长阶段的消费特征,针对性地设定营销目标、策略,并加以引导,通过跟踪用户关键行为数据线索,找到针对性导入、提升用户留存、增加成熟用户量、降低流失用户比率、流失原因追踪的迭代式营销指引通路。本发明提供的方法,不仅可预测用户未来的生命周期和消费模式,还可以根据细分群监测指标,制定与形成营销策略建议的规则,以便持续阶段性地根据最新数据状况,产出后续营销策略建议。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1是本发明电子装置一实施例的示意图;
图2示本发明的用户属性和营销规则归类程序一实施例的程序模块图;
图3是本发明的用户属性和营销规则归类程序一实施例的用户生命周期阶段示意图;
图4是本发明的用户属性和营销规则归类程序一实施例的用户消费数据统计图表一;
图5是本发明的用户属性和营销规则归类程序一实施例的用户各阶段观测示意图;
图6是本发明的用户属性和营销规则归类程序一实施例的基于类簇平均消费次数和类簇平均单次消费金额的类簇矩阵分布图;
图7是本发明的用户属性和营销规则归类程序一实施例的类簇划分示意图;
图8是本发明的用户属性和营销规则归类程序一实施例的类簇特征分析表;
图9是本发明的用户属性和营销规则归类程序一实施例的类群特征简化归纳表;
图10是本发明的用户属性和营销规则归类程序一实施例的基于类簇平均留存转化率-类簇单用户平均总消费金额的类簇矩阵分布图;
图11是本发明的用户属性和营销规则归类程序一实施例的细分类群营销策略表。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提供一种电子装置1。参照图1所示,为本发明电子装置1较佳实施例的示意图。
在本实施例中,该电子装置1包括存储器11、处理器12,网络接口13及通信总线。其中,通信总线用于实现这些组件之间的连接通信。
网络接口13可以包括标准的有线接口、无线接口(如WI-FI接口)。
存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中,所述可读存储介质可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。在另一些实施例中,所述可读存储介质也可以是所述电子装置1的外部存储设备,例如所述电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
在本实施例中,所述存储器11的可读存储介质通常用于存储安装于所述电子装置1的用户属性和营销规则归类程序10等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行用户属性和营销规则归类程序10等。
图1仅示出了具有组件11-13以及用户属性和营销规则归类程序10的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选的,该电子装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。
可选地,该电子装置1还可以包括显示器,在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。显示器用于显示在电子装置中处理的信息以及用于显示可视化的用户界面。
图2示本发明的用户属性和营销规则归类程序一实施例的程序模块图。
在图1所示的装置实施例中,作为一种计算机存储介质的存储器11中包括用户属性和营销规则归类程序10,处理器12执行存储器11中存储的用户属性和营销规则归类程序10时包括以下模块:目标用户划分模块110、用户属性归类120、营销规则匹配130。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。参照图2所示,为图1中用户属性和营销规则归类程序的程序模块图。
在本实施例中,用户属性和营销规则归类程序10可以包括:
目标用户划分模块:获取第一预设时期的各用户的消费次数,将复购次数不小于最低复购次数的用户划分为新成熟用户。
在上述的目标用户划分步骤中,所选取的是需要进行类别分析的用户群,上述的第一预设时期没有限制,可以是当前时期的用户,也可以是先于当前时期的用户,还可以是任意选定的时期的用户。通常的,为了能够对最新周期的用户进行消费模式的划分和消费行为的预测,在本实施例中选取当前时期的用户群作为目标用户。该目标用户群是当前所有用户的总和。
图3是本发明的用户属性和营销规则归类程序一实施例的用户生命周期阶段示意图。
具体而言,如图3所示,用户的消费生命周期可至少分为阶段A(初期)、阶段B(成长期)、阶段C(成熟期)、阶段D(衰退期)以及阶段E(流失区)。初期、成长期用户与成熟期用户具有购买次数的区别。上述的最低复购次数n1是已预先计算得到的数据,其作为成熟用户与其他非成熟用户的分界点,用于在当前时期的用户群中划分成熟用户与其他非成熟用户。复购次数指的是一个用户重复消费购买的次数,不小于该最低复购次数的用户将划为成熟用户。在本实施例中,该最低复购次数n1为6,即购买次数不小于6次的用户将被划分入新成熟用户。
用户属性归类模块:获取各所述新成熟用户的每次消费金额,根据第一预设计算规则,选取最接近的类簇作为当前所述新成熟用户所属的类簇。
上述的类簇从在上述用户属性和营销规则归类方法程序中已有的各类簇分类模型中选取。根据各成熟用户的不同消费模式,用户属性和营销规则归类方法程序种具有不同的类簇,一般而言,每一个类簇将具有一定消费特征共性的用户聚类到一起,其对应一个典型的消费模式。每个类簇都具有各自的类簇中心。在上述的新成熟用户中,根据第一预设计算规则,将每个新成熟用户与各类簇中心做对比计算,选取与该成熟期用户最接近的类簇。
进一步的,上述的第一预设计算规则如下:
其中,ak为新成熟用户a的第k次消费金额,cik为类簇i的类簇中心,si为类簇i中的总消费次数,为新成熟用户a与类簇i的欧氏距离,dac为新成熟用户a与类簇i的欧式距离最小值。
在一些实施例中,用户分类模型中具有5个不同的类簇(i依次为1、2、3、4、5),因此当前用户a与类簇中心c1k、c2k、c3k、c4k、c5k的欧式距离的最小值的计算公式为:
选取各欧式距离的最小值,作为当期用户a所匹配的类簇。在一些实施例中,a与类簇中心c1k、c2k、c3k、c4k、c5k的欧式距离的最小值所对应的类簇中心为c3k,则当前用户a与第三类簇相匹配,当前用户a归类至第三类簇。
营销规则匹配模块:根据每个所述类簇对应的营销规则,与所述新成熟用户相匹配。
在本发明中,每个类簇具有相应的不同的营销规则,各类簇相应的营销规则可以是已有的,也可以是通过在用户属性归类模型的训练步骤中获取的。在一些实施例中,通过在用户属性归类模型的训练中获得与各类簇相对应的营销规则,并与新成熟用户相匹配。
进一步,本发明还提供了一种上述的类簇分类模型的训练步骤:
训练用户划分:根据预设训练时期各用户的消费次数、每次消费对应的消费人数,以及第二预设计算规则,选取留存转化率趋于稳定时所对应的最小复购次数为所述最低复购次数n1,将复购次数不小于所述最低复购次数n1的用户划分为成熟训练用户群。
在进行用户属性划分前,需对用户的类簇分类模型进行训练。在上述的训练用户划分步骤中,需预先选取用户数据进行分析和模型训练,该用户数据来自于预设时期的用户群,上述的预设时期通常是先于当前时期的用户,所述预设训练时期各用户是训练时期所有用户的总和。
如上所述,如图3所示,用户的消费生命周期可分为初期、成长期和成熟期。在上述所获取的训练用户群中,通过观察所有用户的历史交易行为,统计汇总每个用户的发生消费的所有日期,以及在该消费日期内发生的所有交易。用户在一个消费日期的发生的所有交易均算作一次消费,即1个购买次数,在该消费日内发生的所有金额均计入本次消费的总金额。即:用户的首个消费日内的所有消费的总金额,作为第1次消费的消费金额;第2个消费日内的所有消费的总金额,作为第2次消费的消费金额;第i个消费日内的所有消费的总金额,作为第i次消费的消费金额。
图4是本发明的用户属性和营销规则归类程序一实施例的用户消费数据统计图表一。按照上述的消费次数对用户进行统计,得到每个消费次数所对应的用户个数的统计结果,统计结果的形式参见图4的部分内容。
图5是本发明的用户属性和营销规则归类程序一实施例的用户各阶段观测示意图。
根据上述消费次数和相应发生消费的用户人数的统计结果,以消费次数为横轴,用户人数为纵轴,绘制并得到图5中下半部分的与消费次数对应的用户数量分布图,复购的用户数随着消费次数的增加而减少,复购次数越多,所对应的用户数越少。
进一步,根据第二预设计算规则计算每次复购的留存转化率,选取留存转化率趋于稳定时所对应的最小复购次数作为最低复购次数n1,划分成熟训练用户群。
上述的第二预设计算规则包括:
其中,n为消费次数,n≥2,mn和mn-1分别为消费n次和n-1次的用户人数,dn为消费n次时的留存转化率。当n=1时,设定d1=100%。
按照每个购买次数所对应的用户数的统计结果,分别计算每个购买次数所对应的用户复购转化例。在一些实施例中,发生1、2、3、4、5、6、7次订购的人数分别为46443、12479、6034、3585、2427、1759、1311。按照上述的第二预设计算规则,所计算得到的留存转化率:d1=100%,d2=26.9%,d3=48.4%,d3=59.5%,d4=67.7%,d5=72.5%,d6=74.5%。
按照上述计算结果,以消费次数为横轴,留存转化率为纵轴,绘制并得到图5中上半部分的与消费次数对应的留存转化率分布图。
在一些实施例中,如图5所示,当n≥6时,留存转化率趋于稳定,即使消费次数增加,留存转化率基本维持不变。选取该相对稳定区域对应的最小订购次数为步入成熟阶段(图中阶段C)的用户分界点,即最低复购次数n1。在本实施例中,n1=6。即在训练时期内订购次数不小于6次的用户将被划分入成熟用户池。
训练数据获取:获取所述成熟训练用户群中各用户的消费次数及每次消费金额作为训练集数据。
在上述所获取的成熟用户池中,选取上述成熟用户的所有历史交易数据形成用户序列,来作为训练集数据。通常的,在所述用户序列中,为了便于对序列中的数据进行分析,需界定用户序列的边界和长度。
具体而言,本发明所提出的用户属性和营销规则归类方法中,还具有训练集边界划分步骤:根据所述成熟训练用户群中每次消费对应的用户人数和第三预设计算规则得到最高复购次数n2,设定所述训练集数据中各用户的消费次数不大于最高复购次数n2。
上述的第三预设计算规则如下:
其中,f为复购人次占比,mn为消费n次的用户人数,mn1为消费最小复购次数n1次的用户人数,将f≤5%时所对应的复购次数最小值作为最高复购次数n2。
具体而言,根据每次消费所对应的用户人数,以及最低复购次数n1所对应的用户人数,计算上述最高复购次数n2,。如图5所示,在一些实施例中,n1=6,此时对应的用户人数为1759。当f≤5%时,所对应的mn为87.95,最接近的n为18或19。为了便于计算和后续类簇结果对比观测的可理解性,此处采取粗略化处理进行四舍五入,选取的最高复购次数n2为10或5的倍数,因此此时n2=20,设定各用户单位消费次数不大于最高复购次数n2的数据作为所述训练集数据。
类簇分群处理:对所述训练数集进行时序聚类,得到每个用户所属的所述类簇,以及各所述类簇的所述类簇中心。
具体而言,根据上述计算所得训练集中的用户数据序列,采用DTW时序聚类算法,对每个用户的相关数据进行类簇分群处理,并获得各类簇的类簇中心。
上述所述类簇中心的计算公式如下:
其中,mk为类簇中第k次消费的用户人数,bkj为所述类簇中当前用户bj的第k次消费金额,所述类簇中心ck为所述类簇的第k次消费的用户平均消费金额。
图7是本发明的用户属性和营销规则归类程序一实施例的类簇划分示意图。如图7所示,所有成熟用户被归为不同簇类。每个类簇由不多于最高复购次数n2个的柱状组成。每个柱状代表按照顺序该柱状所对应的第n次消费时,该类簇中所有用户的平均消费金额,每个类簇通过柱状从消费金额的大小和高度趋势上直观显示了当前用户群的消费模式。不同类簇的成熟用户,在消费行为模式和消费金额上有着明显的差异。
如图7所示,在一些实施例中,所有成熟用户被归为五个不同簇类,分别为第一类簇、第二类簇、第三类簇、第四类簇以及第五类簇。每个类簇具有20个柱状,用以显示该类簇的消费行为和消费趋势。
在一些实施例中,第三类簇的具体计算公式如下所示:
当计算第三类簇的类簇中心时,如图7所示,第三类簇中第k次消费的用户人数mk为412,bkj为第三类簇中当前用户bj的第k次消费金额,类簇中心ck为第三类簇的第k次消费的用户平均消费金额。
本发明所提出的用户属性和营销规则归类方法,还具有这样的特征,还包括以下步骤:
类簇特征归纳:获取各所述类簇平均消费次数、各所述类簇平均单次消费金额、各所述类簇单用户平均总消费金额、各所述类簇平均消费时间间隔,以及各所述类簇中心,得到各所述类簇的特征描述。
图6是本发明的用户属性y和营销规则归类程序一实施例的基于类簇平均消费次数和类簇平均单次消费金额的类簇矩阵分布图。
具体而言,在一些实施例中,基于各类簇的平均消费次数和平均单次消费金额(整体加权指标),得到图6的类簇矩阵分布图。如图6所示,类簇中用户人数的多少通过代表类簇的图形的大小来表示。占比人数较少的第二类簇、第三类簇、第四类簇较高的平均单次消费金额。在这三个类簇中,第三类簇具有最高的平均单次消费金额和最少的消费次数,第四类簇作为消费最频繁的类簇,则具有最高的平均消费次数。
图8是本发明的用户属性和营销规则归类程序一实施例的类簇特征分析表。
此外,通过统计计算各所述类簇单用户平均总消费金额、各所述类簇平均消费时间间隔,结合图6以及图5中各所述类簇中心,得到各所述类簇的特征描述。
如图8所示,在一些实施例中,第一类簇代表平稳、慢热型消费的用户群;第二类簇代表理性增值型的高价值用户群;第三类簇代表集中消费型的高价值用户,其消费模式表现为对价格敏感、倾向于囤货,每次消费间隔长;第四类簇代表高频、高价值的可增值用户群;第五类簇代表低频易流失用户群。
营销规则获取:获取所述成熟用户平均总消费金额、所述成熟用户平均留存转化率、所述成熟用户平均消费间隔时间,与各所述类簇单用户平均总消费金额、各所述类簇用户人数、各所述类簇平均留存转化率、各所述类簇平均消费时间间隔对比,并基于各所述类簇的特征描述,得到与各所述类簇对应的所述营销规则。
图9是本发明的用户属性和营销规则归类程序一实施例的类群特征简化归纳表。
具体而言,在本发明中,基于训练集中的成熟用户数和各用户总消费金额,获得成熟用户的平均总消费金额。如图9所示,将该成熟用户平均总消费金额与各类簇的平均总消费金额相对比,将高于成熟用户平均总消费金额的类簇分为高档,将低于该成熟用户平均总消费金额的类簇分为低档,将与该成熟用户平均总消费金额持平的类簇分为中档。
此外,可获取所述成熟用户的平均留存转化率、所述成熟用户平均消费时间间隔,按照上述高中低的分档规则,依次对各类簇平均留存转化率、各类簇平均用户数、各类簇平均消费时间间隔进行对比并分档。
此外,可获取所述成熟用户的平均单次消费金额,按照上述高中低的分档规则,对各类簇的平均单次消费金额进行对比并分档。
在一些实施例中,如图9所示,第三类簇在类簇平均单次消费金额、类簇单用户平均总消费金额、类簇平均留存转化率上属于高档分类,高于平均水平,在类簇平均消费次数和类簇平均消费时间间隔上属于低档分类,低于平均水平。第五类簇在类簇平均单次消费金额属于中档分类,为平均水平,在类簇单用户平均总消费金额、类簇平均消费次数、类簇平均消费时间间隔、类簇平均留存转化率上属于低档分类,低于平均水平。
图10是本发明的用户属性和营销规则归类程序一实施例的基于类簇平均留存转化率-类簇单用户平均总消费金额的类簇矩阵分布图。
如图10所示,类簇中用户人数的多少通过代表类簇的图形的大小来表示。图中具有代表代表成熟用户平均留存转化率和成熟用户总消费金额的十字图形。与图9所对应,第三类簇的类簇平均留存转化率高于成熟用户平均留存转化率。
图11是本发明的用户属性和营销规则归类程序一实施例的细分类群营销策略表。
如图11所示,根据图9、图10,形成如下与类簇相应的营销建议规则:
第一类簇:当类簇平均消费总金额为低档,且类簇平均留存转化率为高档时,类簇中用户为稳定型用户,营销策略为重点保持,并适量提升价值;另外,当类簇平均消费总金额为中档且类簇平均留存转化率为高档时,也可考虑采用此营销策略。
第二类簇:当类簇平均消费总金额为高档,且类簇平均留存转化率为低档时,类簇中用户为高价值用户,则营销策略为重点提升留存,并提供优质服务。
第三类簇:当类簇平均消费总金额为高档,且类簇平均留存转化率为高档,且类簇平均消费时间间隔为高档时,类簇中用户为高价值和稳定型用户,则营销策略为锁定来源渠道,优先引流,重点传播;
第四类簇:当类簇平均消费总金额为高档,且类簇平均留存转化率为低档时,类簇中用户为高价值用户,则营销策略为重点提升留存、唤醒、流失挽回、重点跟踪流失原因;
第五类簇:当类簇平均消费总金额为低档、且类簇平均留存转化率为低档,且类簇平均消费时间间隔为低档时,则营销策略为提升价值、一般唤醒、流失挽回。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有用户属性和营销规则归类程序,所述用户属性归类被处理器执行时实现如下操作:
目标用户划分:获取第一预设时期的各用户的消费次数,将复购次数不小于最低复购次数n1的用户划分为新成熟用户;
用户属性归类:获取各所述新成熟用户的每次消费金额,根据第一预设计算规则,选取与每个所述新成熟用户最接近的类簇作为当前所述新成熟用户的所属类簇;
营销方式匹配:根据所属类簇,将与每个所述类簇相应的营销规则与所述新成熟用户相匹配。
本发明之计算机可读存储介质的具体实施方式与上述用户属性和营销规则归类方法的具体实施方式大致相同,在此不再赘述。
实施例的作用与效果
根据本实施例所涉及的用户属性和营销规则归类的方法、装置和存储介质,提供了一种用户类簇分类模型和方法,其按照用户的消费行为成长过程,基于其消费行为分解出多个行为关键点,并根据这些行为关键点提取不同消费阶段的数据,从而划分出用户消费生命周期的各个阶段,并按照成熟用户的消费行为和表现进行类簇分群,从而得到成熟用户群在各个类簇中的子生命周期行为特征。本实施例的类簇分类模型和方法,可以将具有消费特征共性的成熟用户分别划分到各特定类簇中。此外,本实施例中的用户属性和营销规则归类方法还可以将新成熟用户按照上述类簇进行逐一匹配,自动化所归属的类群,得到更贴合新成熟用户成长习惯的生命周期成长模式;随后,根据上述新熟用户的每个类簇中用户在不同成长阶段的消费特征,针对性地设定营销目标、策略,并加以引导,通过跟踪用户关键行为数据线索,找到针对性导入、提升用户留存、增加成熟用户量、降低流失用户比率、流失原因追踪的迭代式营销指引通路。本实施例提供的方法,不仅可预测用户未来的生命周期和消费模式,还可以根据细分群监测指标,制定与形成营销策略建议的规则,以便持续阶段性地根据最新数据状况,产出后续营销策略建议。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种用户属性和营销规则归类方法,应用于电子装置,其特征在于,包括以下步骤:
目标用户划分:获取第一预设时期的各用户的消费次数,将复购次数不小于最低复购次数的用户划分为新成熟用户;
用户属性归类:获取各所述新成熟用户的每次消费金额,根据第一预设计算规则,选取最接近的类簇作为当前所述新成熟用户所属的类簇;
营销规则匹配:根据每个所述类簇对应的营销规则,与所述新成熟用户相匹配。
2.根据权利要求1所述的用户属性和营销规则归类方法,其特征在于,所述第一预设计算规则包括:
其中,ak为新成熟用户a的第k次消费金额,
cik为类簇i的类簇中心,
si为类簇i中的总消费次数,
为新成熟用户a与类簇i的欧氏距离,
dac为新成熟用户a与类簇i的欧式距离最小值。
3.如权利要求1或2所述的用户属性和营销规则归类方法,其特征在于,所述用户属性归类步骤之前,还包括以下训练步骤:
训练用户划分:根据预设训练时期各用户的消费次数、每次消费对应的消费人数,以及第二预设计算规则,选取留存转化率趋于稳定时所对应的最小复购次数为所述最低复购次数,将复购次数不小于所述最低复购次数的用户划分为成熟训练用户群;
训练数据获取:获取所述成熟训练用户群中各用户的消费次数及每次消费金额作为训练集数据;
类簇分群处理:对所述训练数集进行时序聚类,得到每个用户所属的所述类簇,以及各所述类簇的所述类簇中心。
4.如权利要求3所述的用户属性和营销规则归类方法,其特征在于,所述类簇中心的计算公式如下:
其中,mk为类簇中第k次消费的用户人数,
bkj为所述类簇中当前用户bj的第k次消费金额,
所述类簇中心ck为所述类簇的第k次消费的用户平均消费金额。
5.如权利要求3所述的用户属性和营销规则归类方法,其特征在于,所述第二预设计算规则包括:
其中,n为消费次数,n≥2,
mn和mn-1分别为消费n次和n-1次的用户人数,
dn为消费n次时的留存转化率。
6.如权利要求3所述的用户属性和营销规则归类方法,其特征在于,所述训练数据获取步骤还包括以下步骤:
训练集边界划分:根据所述成熟训练用户群中每次消费对应的用户人数和第三预设计算规则得到最高复购次数,设定所述训练集数据中各用户的消费次数不大于最高复购次数。
7.如权利要求6所述的用户属性和营销规则归类方法,其特征在于,所述第三预设计算规则:
其中,f为复购人次占比,mn为消费n次的用户人数,mn1为消费最小复购次数n1次的用户人数,
将f≤5%时所对应的复购次数最小值作为最高复购次数。
8.如权利要求3所述的用户属性和营销规则归类方法,其特征在于,所述类簇分群步骤后,还包括以下步骤:
类簇特征归纳:获取各所述类簇平均消费次数、各所述类簇平均单次消费金额、各所述类簇单用户平均总消费金额、各所述类簇平均消费时间间隔,以及各所述类簇中心,得到各所述类簇的特征描述;
营销规则获取:获取所述成熟用户平均总消费金额、所述成熟用户平均留存转化率、所述成熟用户平均消费间隔时间,与各所述类簇单用户平均总消费金额、各所述类簇用户人数、各所述类簇平均留存转化率、各所述类簇平均消费时间间隔对比,并基于各所述类簇的特征描述,得到与各所述类簇对应的所述营销规则。
9.一种电子装置,其特征在于,该电子装置包括:存储器、处理器,所述存储器上存储有用户属性和营销规则归类程序,所述用户属性和营销规则归类程序被所述处理器执行时实现以下步骤:
目标用户划分:获取第一预设时期的各用户的消费次数,将复购次数不小于最低复购次数的用户划分为新成熟用户;
用户属性归类:获取各所述新成熟用户的每次消费金额,根据第一预设计算规则,选取最接近的类簇作为当前所述新成熟用户所属的类簇;
营销规则匹配:根据每个所述类簇对应的营销规则,与所述新成熟用户相匹配。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有所述用户属性和营销规则归类程序,所述用户属性和营销规则归类程序被处理器执行时实现如权利要求1至2中任意一项所述的用户属性和营销规则归类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910406818.6A CN110111158A (zh) | 2019-05-16 | 2019-05-16 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910406818.6A CN110111158A (zh) | 2019-05-16 | 2019-05-16 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111158A true CN110111158A (zh) | 2019-08-09 |
Family
ID=67490350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910406818.6A Pending CN110111158A (zh) | 2019-05-16 | 2019-05-16 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111158A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
CN110827070A (zh) * | 2019-10-30 | 2020-02-21 | 神州数码融信软件有限公司 | 基于动态扩展因子的用户成长计算方法及装置 |
CN113688326A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
CN113781128A (zh) * | 2021-10-15 | 2021-12-10 | 北京明略软件***有限公司 | 高潜质消费者识别方法、***、电子设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050024695A (ko) * | 2003-09-01 | 2005-03-11 | 주식회사 엘지홈쇼핑 | 사용자의 속성별 파라미터 따른 전자상거래에서의 마케팅방식의 결정방법 |
US20050102213A1 (en) * | 2003-11-07 | 2005-05-12 | Serkan Savasoglu | Systems and methods for accreting remarketable convertible securities |
KR20110065970A (ko) * | 2009-12-10 | 2011-06-16 | 동국대학교 산학협력단 | 상품 추천 장치 및 방법 |
US8364522B1 (en) * | 2008-01-30 | 2013-01-29 | Intuit Inc. | Method and system for providing a small business coupon distribution system |
US20150142521A1 (en) * | 2013-11-20 | 2015-05-21 | Sears Brands, Llc | Customer clustering using integer programming |
CN105225135A (zh) * | 2015-10-31 | 2016-01-06 | 广州华多网络科技有限公司 | 潜力客户识别方法以及装置 |
CN106952145A (zh) * | 2017-03-24 | 2017-07-14 | 广州茶途网络科技有限公司 | 一种基于大数据分析的商品试用用户选取方法及装置 |
CN107103024A (zh) * | 2016-12-23 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 消费数据处理方法、装置及电子设备 |
CN108289121A (zh) * | 2018-01-02 | 2018-07-17 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
CN108492194A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品推荐方法、装置及存储介质 |
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 |
CN109543987A (zh) * | 2018-11-16 | 2019-03-29 | 广州知了科技有限公司 | 互联网和移动互联网产品的主客观双数据分析法 |
CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
CN109615426A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 一种基于客户聚类的营销方法、*** |
-
2019
- 2019-05-16 CN CN201910406818.6A patent/CN110111158A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050024695A (ko) * | 2003-09-01 | 2005-03-11 | 주식회사 엘지홈쇼핑 | 사용자의 속성별 파라미터 따른 전자상거래에서의 마케팅방식의 결정방법 |
US20050102213A1 (en) * | 2003-11-07 | 2005-05-12 | Serkan Savasoglu | Systems and methods for accreting remarketable convertible securities |
US8364522B1 (en) * | 2008-01-30 | 2013-01-29 | Intuit Inc. | Method and system for providing a small business coupon distribution system |
KR20110065970A (ko) * | 2009-12-10 | 2011-06-16 | 동국대학교 산학협력단 | 상품 추천 장치 및 방법 |
US20150142521A1 (en) * | 2013-11-20 | 2015-05-21 | Sears Brands, Llc | Customer clustering using integer programming |
CN105225135A (zh) * | 2015-10-31 | 2016-01-06 | 广州华多网络科技有限公司 | 潜力客户识别方法以及装置 |
CN107103024A (zh) * | 2016-12-23 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 消费数据处理方法、装置及电子设备 |
CN106952145A (zh) * | 2017-03-24 | 2017-07-14 | 广州茶途网络科技有限公司 | 一种基于大数据分析的商品试用用户选取方法及装置 |
CN108289121A (zh) * | 2018-01-02 | 2018-07-17 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
CN108492194A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品推荐方法、装置及存储介质 |
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 |
CN109543987A (zh) * | 2018-11-16 | 2019-03-29 | 广州知了科技有限公司 | 互联网和移动互联网产品的主客观双数据分析法 |
CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
CN109615426A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 一种基于客户聚类的营销方法、*** |
Non-Patent Citations (4)
Title |
---|
吴自爱等: "《网上零售理论与实战》", 31 January 2014, 中国科学技术大学出版社, pages: 189 * |
杜孟新;洪云峰;周晓明;: "面向消费防伪领域的客户价值分析", 福建电脑, no. 02 * |
田雨聪;耿子月;谢安泰;袁伊珊;张淑芬;: "基于数据挖掘的消费者价值细分模型研究", 软件, no. 08 * |
郑继刚: "《数据挖掘及其应用研究》", 31 May 2014, 云南大学出版社, pages: 50 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
CN110827070A (zh) * | 2019-10-30 | 2020-02-21 | 神州数码融信软件有限公司 | 基于动态扩展因子的用户成长计算方法及装置 |
CN113781128A (zh) * | 2021-10-15 | 2021-12-10 | 北京明略软件***有限公司 | 高潜质消费者识别方法、***、电子设备及介质 |
CN113688326A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
CN113688326B (zh) * | 2021-10-26 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111158A (zh) | 生命周期或成长特征的营销设计方法、装置和存储介质 | |
US20090319931A1 (en) | Visual Intelligence Systems | |
Choi et al. | Optimal two-stage ordering policy with Bayesian information updating | |
JP6161992B2 (ja) | 販売予測システム及び販売予測方法 | |
CN109189904A (zh) | 个性化搜索方法及*** | |
CN107678845A (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
CN108090800A (zh) | 一种基于玩家消费潜力的游戏道具推送方法和装置 | |
CN105229640B (zh) | 商品代码分析***以及商品代码分析方法 | |
EP1866851A2 (en) | Constrained tree structure method and system | |
CN108734216A (zh) | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 | |
CN105225129A (zh) | 移动o2o推荐方法及其*** | |
CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN109740642A (zh) | ***类别识别方法、装置、电子设备及可读存储介质 | |
CN109977316A (zh) | 一种并行式文章推荐方法、装置、设备及存储介质 | |
CN109255715A (zh) | 电子装置、产品推荐方法和计算机可读存储介质 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN102279963A (zh) | 两级预算合理性检查提醒及自动优化的方法、设备和*** | |
CN111652278A (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN108399553A (zh) | 一种考虑地理和线路从属关系的用户特征标签设定方法 | |
CN115391669A (zh) | 一种智能推荐方法、装置、电子设备 | |
CN110659948A (zh) | 一种进销商品匹配度计算方法及虚开***风险发现方法 | |
CN113450141B (zh) | 一种基于电力大客户群体售电量特征的智能预测方法及装置 | |
CN110032731A (zh) | 企业经营范围判断方法、装置及计算机可读存储介质 |
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 |