CN111400375A - 一种基于财务业务数据商机挖掘方法及装置 - Google Patents
一种基于财务业务数据商机挖掘方法及装置 Download PDFInfo
- Publication number
- CN111400375A CN111400375A CN202010196806.8A CN202010196806A CN111400375A CN 111400375 A CN111400375 A CN 111400375A CN 202010196806 A CN202010196806 A CN 202010196806A CN 111400375 A CN111400375 A CN 111400375A
- Authority
- CN
- China
- Prior art keywords
- data
- financial
- business
- modeling
- analysis
- 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 27
- 238000005065 mining Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于财务业务数据商机挖掘方法,包括:数据接收存储,接收用户使用财务软件之后的财务业务数据,并进行存储;现存的财务业务数据,包括订单数据,财务数据和用户行为数据;需求分析,获取现有需求进行分析,并获取财务业务专家的分类,并根据分类形成建模数据;模型训练,接收建模数据,采用K_means无监督机器学习进行聚类分析;运营实践,获取聚类分析结果,结合运营业务分析用户标签,并制定运营方案进行测试。
Description
技术领域
本发明涉及计算机网络技术领域,更具体地,涉及一种基于中小微企业财务业务数据商机挖掘方法及装置。
背景技术
对于现存财务软件客户标签分析,主要基于传统的经验,没有对现存的客户信息,行为信息,财务信息做到动态的分析和处理,很难做到高效的用户标签构建。因此对于现存客户打标签的方法已经很难满足快速变化的运营需求。
针对现存客户标签定义问题,实现快速迭代用户商机标签装置,对于定期维护客户关系,客户复购,续购等商机具有很好的现实意义。
发明内容
针对现在用户商机标签经验化,更新迭代慢的问题,本发明提出一种基于财务数据快速迭代商机标签挖掘方法及装置,
本发明提供一种基于财务业务数据商机挖掘方法,包括:
数据接收存储,接收用户使用财务软件之后的财务业务数据,并进行存储;现存的财务业务数据,包括订单数据,财务数据和用户行为数据;
需求分析,获取现有需求进行分析,并获取财务业务专家的分类,并根据分类形成建模数据;
模型训练,接收建模数据,采用K_means无监督机器学习进行聚类分析;
运营实践,获取聚类分析结果,结合运营业务分析用户标签,并制定运营方案进行测试。
在本公开的一实施例中,所述需求分析,包括对分析运营需求结合之前的用户标签数据和运营流程对需求分类,根据需求分类确定对现有数据进行ETL操作,形成财务建模指标数据。
在本公开的一实施例中,所述模型训练,包括步骤1,利用谱系聚类图和业务需求确定聚类K值。
在本公开的一实施例中,所述模型训练,包括步骤2,训练k_means聚类模型对建模指标数据进行分簇,分为K簇。
在本公开的一实施例中,所述模型训练,包括步骤3,对建模指标数据根据聚类分簇进行打标记,分析不同类别数据的密度特征。
在本公开的一实施例中,所述模型训练,包括步骤4,对不同的建模指标密度特征进行归类,结合当前标签体系和运营过程形成商机标签。
本发明还提供一种基于财务业务数据商机挖掘装置,包括:
数据接收存储单元,用于接收用户使用财务软件之后的财务业务数据,并进行存储;现存的财务业务数据,包括订单数据,财务数据和用户行为数据;
需求分析单元,用于获取现有需求进行分析,并获取财务业务专家的分类,并根据分类形成建模数据;
模型训练单元,用于接收建模数据,采用K_means无监督机器学习进行聚类分析;运营实践单元,用于获取聚类分析结果,结合运营业务分析用户标签,并制定运营方案进行测试。
在本公开的一实施例中,所述需求分析单元,包括用于对分析运营需求结合之前的用户标签数据和运营流程对需求分类,根据需求分类确定对现有数据进行ETL操作,形成财务建模指标数据。
在本公开的一实施例中,所述模型训练单元,包括用于利用谱系聚类图和业务需求确定聚类K值;训练k_means聚类模型对建模指标数据进行分簇,分为K簇;对建模指标数据根据聚类分簇进行打标记,分析不同类别数据的密度特征;对不同的建模指标密度特征进行归类,结合当前标签体系和运营过程形成商机标签。
本发明提供的基于财务业务数据商机挖掘方法及装置,具有如下技术效果:
基于现存数据库财务数据,分析运营需求以及现存客户标签,总结现存商机标签经验,利用K_means无监督机器学习对企业财务业务数据进行挖掘,指定简单的运营方案进行标签测试,不断更新商机标签,快速更新财务企业客户标签体系。
下面通过附图和实施例,对本发明实施例的技术方案做进一步的详细描述。
附图说明
图1是商机挖掘整体流程图;
图2是商机挖掘详细流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出一种基于财务业务数据商机挖掘方法,如图1所示,其包括步骤如下:
数据接收存储,接收用户使用财务软件之后的财务业务数据,并进行存储;现存的财务业务数据,包括订单数据,财务数据和用户行为数据等,如图1中0节点。
需求分析,获取现有需求进行分析,并获取财务业务专家的分类,并根据分类形成建模数据,如图1中1,2节点。
模型训练,接收建模数据,采用K_means无监督机器学习进行聚类分析,如图1中3节点。
运营实践,获取聚类分析结果,结合运营业务分析用户标签,并制定运营方案进行测试。如图1中4,5,6,7节点,通过模型分析产生用户标签,应用用户标签获取定期维护客户关系、客户复购和续购等商机,对应用结果进行分析,并将其作为专家经验反馈到装置中,实现快速迭代用户商机标签。
本实施例方法中,更详细的流程包括如下:
需求分析,对分析运营需求结合之前的用户标签数据和运营流程对需求分类,根据需求分类确定对现有数据进行ETL操作,形成财务建模指标数据,如图2中1节点。
模型训练,利用建模数据建立k_means建模,包括:
步骤1,首先建模指标数据,利用谱系聚类图和业务需求确定聚类K值,如图2中2节点;
步骤2,训练k_means聚类模型对建模指标数据进行分簇,分为K簇,如图2中3节点;
步骤3,对建模指标数据根据聚类分簇进行打标记,分析不同类别数据的密度特征,如图2中4节点;
步骤4,对不同的建模指标密度特征进行归类,结合当前标签体系和运营过程形成商机标签。如图2中5.1,5.2,5.3等节点,建模指标可以分类为财务指标、行为指标和基本指标等大类。财务指标可以包括当月资产、当月利润和当月现金流量等指标。行为指标可以包括凭证数量、登录次数和最近一次购买时间等指标。基本指标可以包括行业、员工数等指标。对各类指标进行密度分析,再形成用户商机标签。
运营实践,对模型分析的商机标签,结合运营流程阶段,指定运营方案对商机标签进行测试,并反馈商机标签到标签库中。如图2中6.1,6.2,6.3等节点,商机标签可以分为高价值标签、低价值标签、重要发展标签和流失预警标签等,实现快速迭代用户商机标签,对于定期维护客户关系,客户复购,续购等商机具有很好的现实意义。
本发明另一实施例提出一种基于财务业务数据商机挖掘装置,如图1所示,其包括:
数据接收存储单元,接收用户使用财务软件之后的财务业务数据,并进行存储;现存的财务业务数据,包括订单数据,财务数据和用户行为数据等,如图1中0节点。
需求分析单元,获取现有需求进行分析,并获取财务业务专家的分类,并根据分类形成建模数据,如图1中1,2节点。
模型训练单元,接收建模数据,采用K_means无监督机器学习进行聚类分析,如图1中3节点。
运营实践单元,获取聚类分析结果,结合运营业务分析用户标签,并制定运营方案进行测试,如图1中4,5,6,7节点。
本发明的方法及装置基于现存数据库财务数据,分析运营需求以及现存客户标签,总结现存商机标签经验,利用K_means无监督机器学习对企业财务业务数据进行挖掘,指定简单的运营方案进行标签测试,不断更新商机标签,快速更新财务企业客户标签体系,可以实现客户标签经验化问题的有效验证,可以实现快速更新企业财务客户标签体系,可以提高企业运营效率增加企业盈利。
以上所述仅为本发明的较佳实施例而已,为方便本领域的技术人员更容易理解而设计,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于财务业务数据商机挖掘方法,其特征在于,包括:
数据接收存储,接收用户使用财务软件之后的财务业务数据,并进行存储;现存的财务业务数据,包括订单数据,财务数据和用户行为数据;
需求分析,获取现有需求进行分析,并获取财务业务专家的分类,并根据分类形成建模数据;
模型训练,接收建模数据,采用K_means无监督机器学习进行聚类分析;
运营实践,获取聚类分析结果,结合运营业务分析用户标签,并制定运营方案进行测试。
2.如权利要求1所述的方法,其特征在于,所述需求分析,包括对分析运营需求结合之前的用户标签数据和运营流程对需求分类,根据需求分类确定对现有数据进行ETL操作,形成财务建模指标数据。
3.如权利要求1所述的方法,其特征在于,所述模型训练,包括步骤1,利用谱系聚类图和业务需求确定聚类K值。
4.如权利要求3所述的方法,其特征在于,所述模型训练,包括步骤2,训练k_means聚类模型对建模指标数据进行分簇,分为K簇。
5.如权利要求4所述的方法,其特征在于,所述模型训练,包括步骤3,对建模指标数据根据聚类分簇进行打标记,分析不同类别数据的密度特征。
6.如权利要求5所述的方法,其特征在于,所述模型训练,包括步骤4,对不同的建模指标密度特征进行归类,结合当前标签体系和运营过程形成商机标签。
7.一种基于财务业务数据商机挖掘装置,其特征在于,包括:
数据接收存储单元,用于接收用户使用财务软件之后的财务业务数据,并进行存储;现存的财务业务数据,包括订单数据,财务数据和用户行为数据;
需求分析单元,用于获取现有需求进行分析,并获取财务业务专家的分类,并根据分类形成建模数据;
模型训练单元,用于接收建模数据,采用K_means无监督机器学习进行聚类分析;运营实践单元,用于获取聚类分析结果,结合运营业务分析用户标签,并制定运营方案进行测试。
8.如权利要求7所述的装置,其特征在于,所述需求分析单元,包括用于对分析运营需求结合之前的用户标签数据和运营流程对需求分类,根据需求分类确定对现有数据进行ETL操作,形成财务建模指标数据。
9.如权利要求7所述的装置,其特征在于,所述模型训练单元,包括用于利用谱系聚类图和业务需求确定聚类K值;训练k_means聚类模型对建模指标数据进行分簇,分为K簇;对建模指标数据根据聚类分簇进行打标记,分析不同类别数据的密度特征;对不同的建模指标密度特征进行归类,结合当前标签体系和运营过程形成商机标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196806.8A CN111400375A (zh) | 2020-03-19 | 2020-03-19 | 一种基于财务业务数据商机挖掘方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196806.8A CN111400375A (zh) | 2020-03-19 | 2020-03-19 | 一种基于财务业务数据商机挖掘方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111400375A true CN111400375A (zh) | 2020-07-10 |
Family
ID=71432711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196806.8A Pending CN111400375A (zh) | 2020-03-19 | 2020-03-19 | 一种基于财务业务数据商机挖掘方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400375A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204603A (zh) * | 2021-05-21 | 2021-08-03 | 中国光大银行股份有限公司 | 金融数据资产的类别标注方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503438A (zh) * | 2016-10-20 | 2017-03-15 | 上海科瓴医疗科技有限公司 | 一种用于药店会员分析的h‑rfm用户建模方法及*** |
CN106548381A (zh) * | 2016-12-19 | 2017-03-29 | 武汉理工数字传播工程有限公司 | 智能用户标签***及实现方法 |
CN108171553A (zh) * | 2018-01-17 | 2018-06-15 | 焦点科技股份有限公司 | 一种周期***或产品的潜在客户挖掘***与方法 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN108664653A (zh) * | 2018-05-18 | 2018-10-16 | 拓普暨达(广州)基因精准医疗科技有限公司 | 一种基于K-means的医疗消费客户自动分类方法 |
CN109242514A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 客户标签推荐方法、装置和*** |
CN109685581A (zh) * | 2019-01-03 | 2019-04-26 | 江苏方天电力技术有限公司 | 一种基于标签聚类技术的电力大客户用电行为分析方法 |
-
2020
- 2020-03-19 CN CN202010196806.8A patent/CN111400375A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503438A (zh) * | 2016-10-20 | 2017-03-15 | 上海科瓴医疗科技有限公司 | 一种用于药店会员分析的h‑rfm用户建模方法及*** |
CN106548381A (zh) * | 2016-12-19 | 2017-03-29 | 武汉理工数字传播工程有限公司 | 智能用户标签***及实现方法 |
CN108171553A (zh) * | 2018-01-17 | 2018-06-15 | 焦点科技股份有限公司 | 一种周期***或产品的潜在客户挖掘***与方法 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN108664653A (zh) * | 2018-05-18 | 2018-10-16 | 拓普暨达(广州)基因精准医疗科技有限公司 | 一种基于K-means的医疗消费客户自动分类方法 |
CN109242514A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 客户标签推荐方法、装置和*** |
CN109685581A (zh) * | 2019-01-03 | 2019-04-26 | 江苏方天电力技术有限公司 | 一种基于标签聚类技术的电力大客户用电行为分析方法 |
Non-Patent Citations (1)
Title |
---|
郝志峰: "数据科学与数学建模", vol. 1, pages: 41 - 42 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204603A (zh) * | 2021-05-21 | 2021-08-03 | 中国光大银行股份有限公司 | 金融数据资产的类别标注方法及装置 |
CN113204603B (zh) * | 2021-05-21 | 2024-02-02 | 中国光大银行股份有限公司 | 金融数据资产的类别标注方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11087245B2 (en) | Predictive issue detection | |
CN111915366B (zh) | 一种用户画像构建方法、装置、计算机设备及存储介质 | |
US20180046956A1 (en) | Warning About Steps That Lead to an Unsuccessful Execution of a Business Process | |
CN110968695A (zh) | 基于弱监督技术主动学***台 | |
CN110874715A (zh) | 检测与报告相关的问题 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN110555451A (zh) | 信息识别方法和装置 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN111489201A (zh) | 一种客户价值分析的方法、设备、存储介质 | |
CN111427974A (zh) | 数据质量评估管理方法和装置 | |
CN111062600B (zh) | 模型评估方法、***、电子设备和计算机可读存储介质 | |
CN111783039A (zh) | 风险确定方法、装置、计算机***和存储介质 | |
CN113780329A (zh) | 用于识别数据异常的方法、装置、服务器和介质 | |
CN114997916A (zh) | ***的预测方法、***、电子设备和存储介质 | |
CN109684198B (zh) | 待测试数据获取方法、装置、介质、电子设备 | |
CN112685374A (zh) | 日志分类方法、装置及电子设备 | |
US20230230081A1 (en) | Account identification method, apparatus, electronic device and computer readable medium | |
CN111400375A (zh) | 一种基于财务业务数据商机挖掘方法及装置 | |
Tao | Analysis method for customer value of aviation big data based on LRFMC model | |
CN111582313A (zh) | 样本数据生成方法、装置及电子设备 | |
CN116795978A (zh) | 一种投诉信息处理方法、装置、电子设备及介质 | |
US20200286104A1 (en) | Platform for In-Memory Analysis of Network Data Applied to Profitability Modeling with Current Market Information | |
CN115114073A (zh) | 告警信息的处理方法及装置、存储介质、电子设备 | |
CN114003567A (zh) | 数据采集的方法及相关装置 |
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 |