CN111080355A - 用户集合的展示方法、装置和电子设备 - Google Patents
用户集合的展示方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111080355A CN111080355A CN201911261683.5A CN201911261683A CN111080355A CN 111080355 A CN111080355 A CN 111080355A CN 201911261683 A CN201911261683 A CN 201911261683A CN 111080355 A CN111080355 A CN 111080355A
- Authority
- CN
- China
- Prior art keywords
- user
- users
- transaction data
- historical transaction
- user set
- 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.)
- Granted
Links
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/0204—Market segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种用户集合的展示方法、装置和电子设备。上述方法包括,首先,获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;然后,将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;最后,基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
Description
技术领域
本说明书一个或多个实施例涉及计算机应用技术领域,尤其涉及一种用户集合的展示方法、装置和电子设备。
背景技术
现如今,营销人员通常需要针对目标用户集合中的用户进行精准营销。但是,一方面,由于用户集合中包括大量的用户,在有限的人力下无法对所有的用户完成精准营销;另一方面,如果营销人员对用户集合中的用户进行盲目营销,则营销活动转化为订单的概率将会很低。
可见,如何提高营销活动转化成订单的概率成为亟待解决的问题。
发明内容
本申请一种用户集合的展示方法,上述方法包括:
获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征;
将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;其中,上述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;上述训练样本包括从若干用户的历史交易数据中提取出的上述目标特征构建的训练样本;上述用户类型包括高转化类用户;
基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
在示出的一实施例中,上述分类器为多分类器。
在示出的一实施例中,上述用户集合为电话销售的目标用户集合;
上述对上述用户集合中的高转化类用户进行输出展示,包括:
将上述用户集合中包含的高转化类用户的联系人信息,向电话销售人员进行输出展示。
在示出的一实施例中,上述用户类型还包括:高接听意向类用户;和/或,高风险类用户;
上述目标特征还包括:高接听意向类用户对应的用户特征;和/或,高风险类用户对应的用户特征。
在示出的一实施例中,上述方法还包括:
对上述用户集合中的高接听意向类用户的历史交易数据进行分析;
确定上述高接听意向类用户倾向的接听时间和倾向的客服类型;
基于上述接听时间和上述客服类型对上述用户集合中的高接听意向类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,上述方法还包括:
对上述用户集合中的高转化类用户的历史交易数据进行分析,确定上述各用户的倾向的附加服务;
基于上述附加服务对上述用户集合中的高转化类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,上述方法还包括:
对上述用户集合中的高风险类用户的历史交易数据进行分析,确定上述各用户的风险类型;
基于上述风险类型对上述用户集合中的高风险类用户分类,并将分类结果向电话销售人员进行展示。
相应于上述方法,本申请还提出一种用户集合的展示装置,上述方法包括:
提取模块,获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征;
计算模块,将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;其中,上述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;上述训练样本包括从若干用户的历史交易数据中提取出的上述目标特征构建的训练样本;上述用户类型包括高转化类用户;
展示模块,基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
在示出的一实施例中,上述分类器为多分类器。
在示出的一实施例中,上述用户集合为电话销售的目标用户集合;
上述对上述用户集合中的高转化类用户进行输出展示,包括:
将上述用户集合中包含的高转化类用户的联系人信息,向电话销售人员进行输出展示。
在示出的一实施例中,上述用户类型还包括:高接听意向类用户;和/或,高风险类用户;
上述目标特征还包括:高接听意向类用户对应的用户特征;和/或,高风险类用户对应的用户特征。
在示出的一实施例中,上述装置还包括:
对上述用户集合中的高接听意向类用户的历史交易数据进行分析;
确定上述高接听意向类用户倾向的接听时间和倾向的客服类型;
基于上述接听时间和上述客服类型对上述用户集合中的高接听意向类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,上述装置还包括:
对上述用户集合中的高转化类用户的历史交易数据进行分析,确定上述各用户的倾向的附加服务;
基于上述附加服务对上述用户集合中的高转化类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,上述装置还包括:
对上述用户集合中的高风险类用户的历史交易数据进行分析,确定上述各用户的风险类型;
基于上述风险类型对上述用户集合中的高风险类用户分类,并将分类结果向电话销售人员进行展示。
相应于上述方法,本申请还提出一种电子设备,上述电子设备包括:
处理器;
用于存储机器可执行指令的存储器;
其中,通过读取并执行上述存储器存储的与用户集合的展示的控制逻辑对应的机器可执行指令,上述处理器被促使:
获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征;
将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;其中,上述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;上述训练样本包括从若干用户的历史交易数据中提取出的上述目标特征构建的训练样本;上述用户类型包括高转化类用户;
基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
在上述技术方案中,由于先将用户集合中的各用户的历史交易数据输入深度学习网络进行深度学习,提取目标特征,再将从各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型,最后基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示,因此,营销人员可以针对上述展示出的高转化用户进行营销活动,提高营销活动转化成订单的概率。
附图说明
图1为本申请提示出的一种用户集合的展示方法的方法流程图;
图2为本申请示出的一种使用分类模型对用户集合中的用户进行分类的示意图;
图3为本申请示出的一用户集合的展示装置所在电子设备的一种硬件结构图;
图4是本申请示出的一用户集合的展示装置的框图。
具体实施例
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本说明书一个或多个实施例相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提供一种用户集合的展示方法,通过预先训练好的模型确定用户集合中的各用户的用户类型,并对上述用户集合中用户类型为高转化类的用户进行输出展示,从而使营销人员可以针对上述高转化用户进行营销活动,提高营销活动转化成订单的概率。
在实现时,可以先获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征;
然后,将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;其中,上述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;上述训练样本包括从若干用户的历史交易数据中提取出的上述目标特征构建的训练样本;上述用户类型包括高转化类用户;
最后,基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
在上述技术方案中,由于先将用户集合中的各用户的历史交易数据输入深度学习网络进行深度学习,提取目标特征,再将从各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型,最后基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示,因此,营销人员可以针对上述展示出的高转化用户进行营销活动,提高营销活动转化成订单的概率。
下面结合具体实施例对本说明书进行描述。
请参见图1,图1为本申请提示出的一种用户集合的展示方法的方法流程图。该方法可以应用于服务器、手机、平板设备、笔记本电脑、掌上电脑(Personal DigitalAssistants,PDAs)等电子设备,步骤如图1所示:
S101,获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征;
S102,将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;其中,上述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;上述训练样本包括从若干用户的历史交易数据中提取出的上述目标特征构建的训练样本;上述用户类型包括高转化类用户;
S103,基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
上述用户集合,具体是指营销人员用于营销的目标客户的集合;在实际应用中,可以包括目标用户的用户标识,以及与上述目标用户标识对应的用户信息。例如,上述用户集合可以是电话销售的目标用户集合;该用户集合可以包括目标用户的名字,以及与目标用户的名字对应的联系方式。
上述高转化类用户,具体是指在营销活动中容易形成订单的用户。在实际应用中,营销人员通常关注该类用户具有的特征,并希望在众多目标用户中找到该类用户,对该类用户进行营销,从而实现精准营销。
上述历史交易数据,具体是指用户参与营销活动的交易记录。上述历史交易数据可以包括用户在参与营销活动过程中的行为特征。例如,在电话销售人员通过电话营销的方式向目标用户进行电话销售的场景中,上述历史交易数据可以包括:用户接听营销电话的时刻;电话销售人员与用户的通话时长;用户倾向的附加活动(例如,返利活动);用户对电话销售人员的评价等等。
上述机器学习模型可以是一个基于深度学习的分类模型。在一实施例中,上述分类模型可以包括深度学习网络和分类器;其中,上述深度学习网络的输出可以是上述分类器的输入。
请参考图2,图2为本申请示出的一种使用分类模型对用户集合中的用户进行分类的示意图。如图2示出的分类模型,具体是一个基于深度学习的分类模型。该分类模型包括深度学习网络和分类器;其中,上述深度学习网络的输出可以是上述分类器的输入。
上述深度学习网络,用于从用户的历史交易数据中获取可以输入至上述分类器的用户特征。
上述分类器,可以基于上述深度学习网络输出的用户特征输出对上述用户分类结果。上述分类结果可以用于确定用户的用户类型。
上述分类模型在模型训练阶段,可以将上述深度学习网络和上述分类器,作为一个整体进行融合训练。其中,上述模型训练过程,在本说明书不再详述,本领域技术人员可以参考相关技术中的记载;
当然,在实际应用中,上述分类模型也可以不是一个深度学习的分类模型,而是一个通用的分类器;在这种情况下,在模型训练阶段,可以针对上述深度学习网络和上述分类器,分别进行训练。
下面介绍一种训练分类模型的方式。
在一实施例中,首先,可以从数据库记录的用户历史交易数据中挑选出若干携带用户类型标签的数据;其中,上述用户类型标签可以包括高转化类用户标签;高接听意向类用户标签;高风险类用户标签等。
然后,在获取上述携带用户类型标签的用户历史交易数据后,可以基于上述历史交易数据(不携带用户类型标签的数据)形成特征向量,并基于上述用户类型标签形成分类结果向量;其中,上述分类结果向量与上述特征向量一一对应。需要说明的是,上述基于历史交易数据形成特征向量的方式可以参照相关技术,在此不作详述。
最后,可以将上述特征向量作为输入,上述分类结果向量作为分类结果训练图2所示的分类模型。
在一实施例中,如果对用户的分类结果涉及多个用户类型时,上述分类模型可以是多分类器。
下面介绍使用图2所示的分类模型对用户集合中的用户进行分类的具体步骤。其中,上述用户集合为电话销售人员用于进行电话销售的目标用户集合。该用户集合包括用户的名字,以及与用户的联系方式。
首先,当接收到用户集合时,可以获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征。
然后,在获取到用户的目标特征后,可以将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型。
在上述步骤中,在通过上述分类器确定某一用户的用户类型后,可以为该用户添加相对应的用户标签。例如,当某一用户被确定为高转化类时,可以为该用户添加高转化用户标签。
最后,在确定上述用户集合中的用户的用户类型后,可以基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
在上述步骤中,可以将携带上述高转化用户标签的用户作为上述高转化用户,进行输出展示,以使电话销售人员可以针对上述高转化用户的联系方式进行电话销售活动,提高电话销售活动转化成订单的概率。
在一实施例中,假设训练上述分类模型时,所使用的训练样本被标注的用户类型包括高转化类、高接听意向类和高风险类。当接收到如表1所示的用户集合时,可以先获取该用户集合中的各用户的历史交易数据并形成特征向量。例如,从数据存储服务器中获取对应的历史交易数据并形成特征向量。
序号 | 姓名 | 联系方式 |
1 | 张* | 138* |
2 | 王* | 131* |
3 | 李* | 139* |
4 | 赵* | 135* |
5 | 钱* | 181* |
6 | 孙* | 188* |
表1
然后,可以将上述各用户的历史交易数据(特征向量)输入上述分类模型中。上述分类模型的深度学习网络部分可以输出各用户的上述目标特征,并将上述目标特征输入上述分类模型的分类器部分中进行计算,以确定各用户对应的用户类型。
在确定用户对应的用户类型时,在一实施例中,当上述分类器计算出某一用户对应不同用户类型的概率值时,可以将最大的概率值对应的用户类型作为该用户对应的用户类型。
在一实施例中,为了提升分类结果的正确性,如果上述分类器计算出某一用户对应不同用户类型的概率值间相差不超某一阈值时(例如,5%),可以放弃通过分类器对该数据分类,并将该用户(及其联系方式)通过预设方式提供于电话销售人员处理。需要说明的是,上述预设方式可以是一种将上述满足条件的用户(及其联系方式)汇总并通过显示模块向电话销售人员展示的方式,在此不作限定。
假设表1所示的用户集中的各用户经过上述分类模型处理之后,得到的各用户对应的用户类型如表2所示,并且各用户已经被添加了对应的用户标签。
序号 | 姓名 | 联系方式 | 用户类型 |
1 | 张* | 138* | 高风险 |
2 | 王* | 131* | 高转化 |
3 | 李* | 139* | 高接听意向 |
4 | 赵* | 135* | 高风险 |
5 | 钱* | 181* | 高接听意向 |
6 | 孙* | 188* | 高转化 |
表2
在一实施例中,在执行基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示这一步骤时,可以先将高风险用户从用户集合中剔除,然后将携带有高转化标签和/或高接听意向标签的用户,以及其联系方式通过显示模块进行展示。例如,在本实施例中,在进行用户集合展示这一步骤时,如表2所示的用户集合中的用户类型为高风险类的用户将会被剔除,从而使向电话销售人员展示的用户集合名单简洁明了。
在一实施例中,在确定用户集合中的各用户对应的用户类型后,还可以对上述用户集合中各高接听意向类用户的历史交易数据进行分析,以确定上述各接听意向类用户倾向的接听时间和倾向的客服类型;然后,在确定上述用户集合中各高接听意向类用户倾向的接听时间和倾向的客服类型后,可以继续基于上述接听时间和上述客服类型对上述用户集合中的高接听意向类用户进行分类,并将分类结果向电话销售人员进行展示,从而可以使电话销售人员针对上述分类结果进行电话销售,以提高电话销售效率。需要说明的是,为了提高电话销售成功率,在分析用户倾向的交易习惯时,除了获取用户倾向的接听时间和倾向的客服类型,还可以是其它交易习惯,在此不作限定。
在上述情形下,在对用户的历史交易数据进行分析时,可以使用数据统计法。例如,在用户交易成交时,可以将用户的接电话时间和对客户人员的评价记录等信息统计起来;然后,在后续对某一用户的接听时间和倾向的客服类型进行分析时,可以获取该用户的历史交易记录,并可以将该用户接电话时间频率最高的时间段和评价记录为良好次数最多的客服类型作为该用户倾向的接听时间和倾向的客服类型。
在一实施例中,在确定用户集合中的各用户对应的用户类型后,还可以对上述用户集合中各高转化类用户的历史交易数据进行分析,以确定上述各高转化类用户倾向的附加服务;然后,在确定上述用户集合中各高转化类用户倾向的附加服务后,可以继续基于上述附加服务对上述用户集合中的高转化类用户进行分类,并将分类结果向电话销售人员进行展示,从而可以使电话销售人员针对上述分类结果进行电话销售,以提高电话销售效率。需要说明的是,在实际应用中,上述附加服务可以是返现或馈赠礼品等附加服务,在此不作限定。
在上述情形下,在对用户的历史交易数据进行分析时,可以使用数据统计法。通过上述数据统计方法从用户的历史交易数据中获取该用户倾向的附加服务的步骤可以参照前述获取用户倾向的接听时间和倾向的客服类型的步骤,在此不作叙述。
在一实施例中,在确定用户集合中的各用户对应的用户类型后,还可以对上述用户集合中各高风险类用户的历史交易数据进行分析,以确定上述各高风险类用户的风险类型;然后,在确定上述用户集合中各高风险类用户的风险类型后,可以继续基于上述风险类型对上述用户集合中的高风险类用户进行分类,并将分类结果向电话销售人员进行展示,从而可以使电话销售人员针对上述分类结果进行电话销售,以降低电话销售的风险。例如,假设上述用户集合中的高风险类用户的风险类型包括保险诈骗类用户(风险较高的一类用户),以及高赔付率类用户(风险较低的一类用户),并且已经基于上述风险类型对高风险类用户完成分类。此时,电话销售人员在对用户集合中的高转化类用户和高接听意向类用户完成电话销售后,还可以选择对高风险类用户中的高赔付类用户进行电话销售,而不对保险诈骗类用户进行电话销售,从而降低电话销售的风险。
在上述情形下,在对用户的历史交易数据进行分析时,可以使用数据统计法。通过上述数据统计方法从用户的历史交易数据中获取该用户的风险类型的步骤可以参照前述获取用户倾向的接听时间和倾向的客服类型的步骤,在此不作叙述。
在一实施例中,假设在确定用户集合(表1所示)中的各用户对应的用户类型,并对各用户类型的用户进行上述再次分类后,可以为用户展示如表3所示用户集合。
表3
表3中将用户集合中对用户详细的分类进行了展示。电话销售人员可以优先针对表3中示出的高转化用户(王*和孙*)进行电话销售,并且在电话销售过程中为用户提供该用户倾向的附加服务(返现或礼品等),从而提高电话销售效率。在电话销售人员对上述高转化用户完成电话销售后,可以选择与自身客服类型匹配的客户人员,在客户倾向的接听时间对高接听意向用户(李*和钱*)进行电话销售,为该类用户提供服务,提高电话销售成功率。当然,在电话销售人员对此类用户进行电话销售时,也可以获取该类用户倾向的附加服务,并在电话销售过程中为该类用户提供上述附加服务,从而提高电话销售成功率。
在上述技术方案中,由于先将用户集合中的各用户的历史交易数据输入深度学习网络进行深度学习,提取目标特征,再将从各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型,最后基于上述各用户的用户类型确定出上述用户集合中的高转化用户,并将上述高转化用户向电话销售人员进行输出展示,因此,上述电话销售人员可以针对上述展示出的高转化用户进行电话销售活动,提高电话销售转化成订单的概率。
与用户集合的展示方法的实施例相对应,本说明书还提供了用户集合的展示装置的实施例。
本申请用户集合的展示装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图3所示,为本申请示出的一用户集合的展示装置所在电子设备的一种硬件结构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该用户集合的展示装置的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图4,图4是本申请示出的一用户集合的展示装置的框图。该装置400可以应用于图3所示的电子设备,包括:
提取模块410,获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征;
计算模块420,将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;其中,上述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;上述训练样本包括从若干用户的历史交易数据中提取出的上述目标特征构建的训练样本;上述用户类型包括高转化类用户;
展示模块430,基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
在示出的一实施例中,上述分类器为多分类器。
在示出的一实施例中,上述用户集合为电话销售的目标用户集合;
上述对上述用户集合中的高转化类用户进行输出展示,包括:
将上述用户集合中包含的高转化类用户的联系人信息,向电话销售人员进行输出展示。
在示出的一实施例中,上述用户类型还包括:高接听意向类用户;和/或,高风险类用户;
上述目标特征还包括:高接听意向类用户对应的用户特征;和/或,高风险类用户对应的用户特征。
在示出的一实施例中,上述装置400还包括:
对上述用户集合中的高接听意向类用户的历史交易数据进行分析;
确定上述高接听意向类用户倾向的接听时间和倾向的客服类型;
基于上述接听时间和上述客服类型对上述用户集合中的高接听意向类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,上述装置400还包括:
对上述用户集合中的高转化类用户的历史交易数据进行分析,确定上述各用户的倾向的附加服务;
基于上述附加服务对上述用户集合中的高转化类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,上述装置400还包括:
对上述用户集合中的高风险类用户的历史交易数据进行分析,确定上述各用户的风险类型;
基于上述风险类型对上述用户集合中的高风险类用户分类,并将分类结果向电话销售人员进行展示。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中上述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的***、装置、模块或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与用户集合的展示方法的实施例相对应,本说明书还提供了一种电子设备的实施例。该电子设备包括:处理器以及用于存储机器可执行指令的存储器;其中,处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中,上述设备还可能包括外部接口,以能够与其他设备或者部件进行通信。
在本实施例中,通过读取并执行上述存储器存储的与用户集合的展示的控制逻辑对应的机器可执行指令,上述处理器被促使:
获取用户集合中各用户的历史交易数据,并将获取到的上述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,上述目标特征包括高转化类用户对应的用户特征;
将从上述各用户的历史交易数据中提取到的上述目标特征输入至分类器进行计算,得到上述各用户的用户类型;其中,上述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;上述训练样本包括从若干用户的历史交易数据中提取出的上述目标特征构建的训练样本;上述用户类型包括高转化类用户;
基于上述各用户的用户类型确定出上述用户集合中的高转化类用户,并对上述用户集合中的高转化类用户进行输出展示。
在示出的一实施例中,上述分类器为多分类器。
在示出的一实施例中,上述用户集合为电话销售的目标用户集合;
上述对上述用户集合中的高转化类用户进行输出展示,包括:
将上述用户集合中包含的高转化类用户的联系人信息,向电话销售人员进行输出展示。
在示出的一实施例中,上述用户类型还包括:高接听意向类用户;和/或,高风险类用户;
上述目标特征还包括:高接听意向类用户对应的用户特征;和/或,高风险类用户对应的用户特征。
在示出的一实施例中,通过读取并执行上述存储器存储的与用户集合的展示的控制逻辑对应的机器可执行指令,上述处理器被促使:
对上述用户集合中的高接听意向类用户的历史交易数据进行分析;
确定上述高接听意向类用户倾向的接听时间和倾向的客服类型;
基于上述接听时间和上述客服类型对上述用户集合中的高接听意向类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,通过读取并执行上述存储器存储的与用户集合的展示的控制逻辑对应的机器可执行指令,上述处理器被促使:
对上述用户集合中的高转化类用户的历史交易数据进行分析,确定上述各用户的倾向的附加服务;
基于上述附加服务对上述用户集合中的高转化类用户分类,并将分类结果向电话销售人员进行展示。
在示出的一实施例中,通过读取并执行上述存储器存储的与用户集合的展示的控制逻辑对应的机器可执行指令,上述处理器被促使:
对上述用户集合中的高风险类用户的历史交易数据进行分析,确定上述各用户的风险类型;
基于上述风险类型对上述用户集合中的高风险类用户分类,并将分类结果向电话销售人员进行展示。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上上述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (15)
1.一种用户集合的展示方法,所述方法包括:
获取用户集合中各用户的历史交易数据,并将获取到的所述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,所述目标特征包括高转化类用户对应的用户特征;
将从所述各用户的历史交易数据中提取到的所述目标特征输入至分类器进行计算,得到所述各用户的用户类型;其中,所述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;所述训练样本包括从若干用户的历史交易数据中提取出的所述目标特征构建的训练样本;所述用户类型包括高转化类用户;
基于所述各用户的用户类型确定出所述用户集合中的高转化类用户,并对所述用户集合中的高转化类用户进行输出展示。
2.根据权利要求1所述的方法,所述分类器为多分类器。
3.根据权利要求1所述的方法,所述用户集合为电话销售的目标用户集合;
所述对所述用户集合中的高转化类用户进行输出展示,包括:
将所述用户集合中包含的高转化类用户的联系人信息,向电话销售人员进行输出展示。
4.根据权利要求3所述的方法,
所述用户类型还包括:高接听意向类用户;和/或,高风险类用户;
所述目标特征还包括:高接听意向类用户对应的用户特征;和/或,高风险类用户对应的用户特征。
5.根据权利要求4所述的方法,还包括:
对所述用户集合中的高接听意向类用户的历史交易数据进行分析;
确定所述高接听意向类用户倾向的接听时间和倾向的客服类型;
基于所述接听时间和所述客服类型对所述用户集合中的高接听意向类用户分类,并将分类结果向电销人员进行展示。
6.根据权利要求4所述的方法,还包括:
对所述用户集合中的高转化类用户的历史交易数据进行分析,确定所述各用户的倾向的附加服务;
基于所述附加服务对所述用户集合中的高转化类用户分类,并将分类结果向电销人员进行展示。
7.根据权利要求4所述的方法,还包括:
对所述用户集合中的高风险类用户的历史交易数据进行分析,确定所述各用户的风险类型;
基于所述风险类型对所述用户集合中的高风险类用户分类,并将分类结果向电销人员进行展示。
8.一种用户集合的展示装置,所述方法包括:
提取模块,获取用户集合中各用户的历史交易数据,并获取到的所述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,所述目标特征包括高转化类用户对应的用户特征;
计算模块,将从所述各用户的历史交易数据中提取到的所述目标特征输入至分类器进行计算,得到所述各用户的用户类型;其中,所述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;所述训练样本包括从若干用户的历史交易数据中提取出的所述目标特征构建的训练样本;所述用户类型包括高转化类用户;
展示模块,基于所述各用户的用户类型确定出所述用户集合中的高转化类用户,并对所述用户集合中的高转化类用户进行输出展示。
9.根据权利要求8所述的装置,所述分类器为多分类器。
10.根据权利要求8所述的装置,所述用户集合为电话销售的目标用户集合;
所述对所述用户集合中的高转化类用户进行输出展示,包括:
将所述用户集合中包含的高转化类用户的联系人信息,向电话销售人员进行输出展示。
11.根据权利要求10所述的装置,所述用户类型还包括:高接听意向类用户;和/或,高风险类用户;
所述目标特征还包括:高接听意向类用户对应的用户特征;和/或,高风险类用户对应的用户特征。
12.根据权利要求11所述的装置,还包括:
对所述用户集合中的高接听意向类用户的历史交易数据进行分析;
确定所述高接听意向类用户倾向的接听时间和倾向的客服类型;
基于所述接听时间和所述客服类型对所述用户集合中的高接听意向类用户分类,并将分类结果向电销人员进行展示。
13.根据权利要求11所述的装置,还包括:
对所述用户集合中的高转化类用户的历史交易数据进行分析,确定所述各用户的倾向的附加服务;
基于所述附加服务对所述用户集合中的高转化类用户分类,并将分类结果向电销人员进行展示。
14.根据权利要求11所述的装置,还包括:
对所述用户集合中的高风险类用户的历史交易数据进行分析,确定所述各用户的风险类型;
基于所述风险类型对所述用户集合中的高风险类用户分类,并将分类结果向电销人员进行展示。
15.一种电子设备,所述电子设备包括:
处理器;
用于存储机器可执行指令的存储器;
其中,通过读取并执行所述存储器存储的与用户集合的展示的控制逻辑对应的机器可执行指令,所述处理器被促使:
获取用户集合中各用户的历史交易数据,并将获取到的所述历史交易数据输入深度学习网络进行深度学习,提取目标特征;其中,所述目标特征包括高转化类用户对应的用户特征;
将从所述各用户的历史交易数据中提取到的所述目标特征输入至分类器进行计算,得到所述各用户的用户类型;其中,所述分类器为基于若干被标注了用户类型的训练样本训练出的机器学习模型;所述训练样本包括从若干用户的历史交易数据中提取出的所述目标特征构建的训练样本;所述用户类型包括高转化类用户;
基于所述各用户的用户类型确定出所述用户集合中的高转化类用户,并对所述用户集合中的高转化类用户进行输出展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261683.5A CN111080355B (zh) | 2019-12-10 | 2019-12-10 | 用户集合的展示方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261683.5A CN111080355B (zh) | 2019-12-10 | 2019-12-10 | 用户集合的展示方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080355A true CN111080355A (zh) | 2020-04-28 |
CN111080355B CN111080355B (zh) | 2022-12-20 |
Family
ID=70313997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261683.5A Active CN111080355B (zh) | 2019-12-10 | 2019-12-10 | 用户集合的展示方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080355B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021218336A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳壹账通智能科技有限公司 | 用户信息判别方法、装置、设备及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105229687A (zh) * | 2013-03-15 | 2016-01-06 | 格林伊登美国控股有限责任公司 | 用于呼叫中心的智能自动代理 |
CN107451861A (zh) * | 2017-07-27 | 2017-12-08 | 中兴软创科技股份有限公司 | 一种大数据下用户上网特征识别的方法 |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高***购买意向预测方法 |
CN108241984A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 一种访客分类方法及装置 |
CN109300050A (zh) * | 2018-08-31 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于用户画像的保险推送方法、装置及存储介质 |
CN109559221A (zh) * | 2018-11-20 | 2019-04-02 | 中国银行股份有限公司 | 基于用户数据的催收方法、装置和存储介质 |
CN109934622A (zh) * | 2019-02-26 | 2019-06-25 | 深圳市买买提信息科技有限公司 | 一种处理电销数据的方法及设备 |
CN110222880A (zh) * | 2019-05-20 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 业务风险的确定方法、模型训练方法和数据处理方法 |
CN110363655A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 基于时间特征的目标用户识别方法、装置及电子设备 |
-
2019
- 2019-12-10 CN CN201911261683.5A patent/CN111080355B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105229687A (zh) * | 2013-03-15 | 2016-01-06 | 格林伊登美国控股有限责任公司 | 用于呼叫中心的智能自动代理 |
CN108241984A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 一种访客分类方法及装置 |
CN107451861A (zh) * | 2017-07-27 | 2017-12-08 | 中兴软创科技股份有限公司 | 一种大数据下用户上网特征识别的方法 |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高***购买意向预测方法 |
CN109300050A (zh) * | 2018-08-31 | 2019-02-01 | 平安科技(深圳)有限公司 | 基于用户画像的保险推送方法、装置及存储介质 |
CN109559221A (zh) * | 2018-11-20 | 2019-04-02 | 中国银行股份有限公司 | 基于用户数据的催收方法、装置和存储介质 |
CN109934622A (zh) * | 2019-02-26 | 2019-06-25 | 深圳市买买提信息科技有限公司 | 一种处理电销数据的方法及设备 |
CN110222880A (zh) * | 2019-05-20 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 业务风险的确定方法、模型训练方法和数据处理方法 |
CN110363655A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 基于时间特征的目标用户识别方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
曹琳: "《互联网处理技术与应用研究》", 30 June 2019, 延边大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021218336A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳壹账通智能科技有限公司 | 用户信息判别方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111080355B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570718B (zh) | 信息的投放方法及投放*** | |
US20210224832A1 (en) | Method and apparatus for predicting customer purchase intention, electronic device and medium | |
CN107133865B (zh) | 一种信用分的获取、特征向量值的输出方法及其装置 | |
US10262336B2 (en) | Non-converting publisher attribution weighting and analytics server and method | |
CN112418932B (zh) | 一种基于用户标签的营销信息推送方法及装置 | |
US20200184485A1 (en) | Systems and methods for processing support messages relating to features of payment networks | |
CN112396079A (zh) | 号码识别模型训练方法、号码识别方法及装置 | |
CN111311328B (zh) | 用于确定在广告渠道下的产品的广告点击率的方法及装置 | |
CN112035717A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN110942392A (zh) | 一种业务数据处理方法、装置、设备和介质 | |
CN109450963B (zh) | 消息推送方法及终端设备 | |
CN110263132B (zh) | 项目案件推送方法以及装置 | |
CN111080355B (zh) | 用户集合的展示方法、装置和电子设备 | |
CN110310020B (zh) | 基于数据分析的项目方案管理方法、相关装置及存储介质 | |
WO2020170187A1 (en) | Large-scale processing of data records with efficient retrieval | |
JP6031165B1 (ja) | 有望顧客予測装置、有望顧客予測方法及び有望顧客予測プログラム | |
CN111340575A (zh) | 一种资源推送方法、装置和电子设备 | |
CN111476657A (zh) | 信息推送方法、装置及*** | |
CN110929144A (zh) | 一种业务数据管理方法、***和可读存储介质 | |
CN110795638A (zh) | 用于输出信息的方法和装置 | |
CN111353836A (zh) | 商品推荐方法、装置及设备 | |
CN111125514B (zh) | 用户行为分析的方法、装置、电子设备和存储介质 | |
CN111882360A (zh) | 一种用户群拓展方法和装置 | |
CN113065892A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN107368597B (zh) | 信息输出方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211220 Address after: Room 610, floor 6, No. 618, Wai Road, Huangpu District, Shanghai 200010 Applicant after: Ant Shengxin (Shanghai) Information Technology Co.,Ltd. Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |