CN113379529A - 一种协同决策引擎应用框架 - Google Patents
一种协同决策引擎应用框架 Download PDFInfo
- Publication number
- CN113379529A CN113379529A CN202110634161.6A CN202110634161A CN113379529A CN 113379529 A CN113379529 A CN 113379529A CN 202110634161 A CN202110634161 A CN 202110634161A CN 113379529 A CN113379529 A CN 113379529A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- customer
- layer
- decision engine
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 25
- 230000000694 effects Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000000034 method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种协同决策引擎应用框架，涉及计算机技术领域。包括数据基础层、决策引擎层、人工智能层和服务接入层；所述数据基础层用于存储客户信息，及所述客户信息的指标标签；所述决策引擎层用于接收所述服务接入层获取的事件，并根据所述事件进行指标运算，得到规则决策；所述人工智能层用于存储模型库，进行模型运行、训练以及算法拟合，并提供实时预估和批量预估方式供所述决策引擎层调用；所述服务接入层用于提供闭环分析功能、***管理功能和渠道接入管理功能。本发明能够根据客户信息进行分析得到规则决策，快速实现客户分类。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种协同决策引擎应用框架。
背景技术
在大数据时代背景下，银行零售营销条线为识别客户需求，化解信息不对称风险，才能赢得业务发展先机。目前遇到的技术痛点和问题为，第一，营销客户数据量不足以支持客户需求的精准识别问题。在营销客户上，对客户分群不够细，缺乏对客户全面、多维、动态的客户画像，未能更深入地洞察客户需求；第二，批量营销决策导致营销时效性未能覆盖全客户场景。在营销方案上以销售产品为中心，没有融入场景化和事件化思维，无法实时捕捉客户营销事件和场景，导致但营销效率不高；第三，在营销执行过程上，碎片化严重，主要依赖人工干预和专家经验，缺乏对客户的个性化产品推荐，无法抓住长尾用户。
发明内容
本发明目的在于，提供一种协同决策引擎应用框架，能够根据客户信息进行分析得到规则决策，快速实现客户分类。
为实现上述目的，本发明实施例提供一种协同决策引擎应用框架，其特征在于，包括数据基础层、决策引擎层、人工智能层和服务接入层；
所述数据基础层用于存储客户信息，及所述客户信息的指标标签；
所述决策引擎层用于接收所述服务接入层获取的事件，并根据所述事件进行指标运算，得到规则决策；
所述人工智能层用于存储模型库，进行模型运行、训练以及算法拟合，并提供实时预估和批量预估方式供所述决策引擎层调用；
所述服务接入层用于提供闭环分析功能、***管理功能和渠道接入管理功能。
优选地，所述数据基础层包括数据采集模块、数据加工模块、客户画像模块、客户关系圈模块和潜在客户视图模块；
所述数据采集模块用于获取客户交易数据和业务***数据；
所述数据加工模块用于根据所述客户交易数据和所述业务***数据进行主题区分，得到分层数据；
所述客户画像模块用于根据所述客户交易数据和所述业务***数据，结合所述分层数据梳理客户行为和客户属性，得到用户画像；
所述客户关系圈模块用于根据所述客户交易数据和所述业务***数据，挖掘客户的交易对象，得到客户社交信息；
潜在客户视图模块用于根据所述客户社交信息，剔除所述客户社交信息中预设类型的用户，得到非客户用户信息。
优选地，所述决策引擎层包括指标运算模块、模型调用模块和规则运算模块；
所述指标运算模块用于分析事件，所述事件包括实时交易行为和历史交易行为；
所述模型调用模块用于根据不同的事件匹配对应的模型进行预测；
所述规则运算模块用于根据所述模型调用模块处理得到的预测结果，输出规则决策。
优选地，所述人工智能层包括数据处理模块、特征分析模块和模型训练模块；
所述数据处理模块，用于获取事件，对所述事件进行数据清洗，得到预处理数据；
所述特征分析模块，用于根据所述预处理数据进行特征分析，得到特征数据；
所述模型训练模块，用于根据所述特征数据进行模型训练，优化预测精度。
优选地，所述服务接入层包括渠道接入管理模块和数据闭环管理模块；
所述渠道接入管理模块用于获取消息报文和事件；
所述数据闭环管理模块用于根据规则决策匹配对应的所述消息报文和事件进行分类存储。
与现有技术相比，本发明具有以下有益效果：
本发明公开的一种协同决策引擎应用框架，包括数据基础层、决策引擎层、人工智能层和服务接入层；所述数据基础层用于存储客户信息，及所述客户信息的指标标签；所述决策引擎层用于接收所述服务接入层获取的事件，并根据所述事件进行指标运算，得到规则决策；所述人工智能层用于存储模型库，进行模型运行、训练以及算法拟合，并提供实时预估和批量预估方式供所述决策引擎层调用；所述服务接入层用于提供闭环分析功能、***管理功能和渠道接入管理功能。本发明能够根据客户信息进行分析得到规则决策，快速实现客户分类。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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获得其他的附图。
图1是本发明某一实施例提供的协同决策引擎应用框架的结构示意图；
图2是本发明另一实施例提供的协同决策引擎应用框架的结构示意图。
具体实施方式
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，本领域普通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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明某一实施例提供的协同决策引擎应用框架的结构示意图。在本实施例中，协同决策引擎应用框架，包括数据基础层10、决策引擎层20、人工智能层30和服务接入层40；所述数据基础层10用于存储客户信息，及所述客户信息的指标标签；所述决策引擎层20用于接收所述服务接入层40获取的事件，并根据所述事件进行指标运算，得到规则决策；所述人工智能层30用于存储模型库，进行模型运行、训练以及算法拟合，并提供实时预估和批量预估方式供所述决策引擎层20调用；所述服务接入层40用于提供闭环分析功能、***管理功能和渠道接入管理功能。
在本发明某一实施例中，如图2所示，协同决策引擎应用框架中的数据基础层10包括数据采集模块11、数据加工模块12、客户画像模块13、客户关系圈模块14和潜在客户视图模块15；所述数据采集模块11用于获取客户交易数据和业务***数据；所述数据加工模块12用于根据所述客户交易数据和所述业务***数据进行主题区分，得到分层数据；所述客户画像模块13用于根据所述客户交易数据和所述业务***数据，结合所述分层数据梳理客户行为和客户属性，得到用户画像；所述客户关系圈模块14用于根据所述客户交易数据和所述业务***数据，挖掘客户的交易对象，得到客户社交信息；潜在客户视图模块15用于根据所述客户社交信息，剔除所述客户社交信息中预设类型的用户，得到非客户用户信息。
在本发明实施例中，数据采集模块11由实时数据处理模块和离线处理模块组成。实时采集模块通过APM旁路技术、OGG、实时接口等技术，实时获取客户业务***交易数据，实时标准化、实时清洗归一，并持久化至***。离线采集模块通过ODS、通用文服等方式，批量采集业务***数据，其中也涉及客户行为的埋点数据。对结构化和非结构化的数据进行清洗和标准化。
在本发明实施例中，数据加工模块12针对不同数据域(客户域、潜在客户域、卡域)等主题进行加工处理，并加工形成ITL、IML、ICL、IDL等分层，并接受数据开发平台的数据治理。
在本发明实施例中，客户画像模块13采用指标管理工具整合客户指标，加工客户关系、客户行为、客户属性等数据，形成存量客户视图、潜在客户视图、客户关系圈子，供大数据平台下游使用。客户画像分为3层，数据采集层收集用户的各种数据，就拿一个公司来说，它的数据源分布在各地，有客户关系管理***的，有分散在各个部门的，构建画像就是要把各处数据都搜集起来；数据管理层对这些数据进行清洗、拉通、整合以及分析建模，构建用户画像；数据接口层和应用层基于用户画像，提供各种分析、服务类以及营销类的应用。
在本发明实施例中，客户关系圈模块14将大数据技术与机器学习算法相结合，基于客户资金往来、推荐信息、电话号码等数据，整合加工形成客户关系及客户视图，并通过社群划分算法迭代挖掘银行客户资金关系圈。以客户资金往来为主体，结合社交、媒介及位置关系记录，挖掘了个人客户资金关系圈，实现客户洞察从静态感知到动态识别、从客户单体到客户社交圈的递进，填补银行业客户社交关系探索及应用领域的空白。
在本发明实施例中，潜在客户视图模块15主要汇总与所属平台发生关联交易的非相同平台的客户信息，包括在银行业的***进件、网银转账等渠道，通过整合去重识别可用于获客营销的潜在客户。
在本发明某一实施例中，如图2所示，所述决策引擎层20包括指标运算模块21、模型调用模块22和规则运算模块23；所述指标运算模块21用于分析事件，所述事件包括实时交易行为和历史交易行为；所述模型调用模块22用于根据不同的事件匹配对应的模型进行预测；所述规则运算模块23用于根据所述模型调用模块22处理得到的预测结果，输出规则决策。
在本发明实施例中，决策引擎层基于实时流计算技术，构建了毫秒级的决策引擎，实时接收渠道***事件流水，实现毫秒级的指标计算与营销规则决策，承担营销活动管理、设计、活动策略以及活动实施等功能。实时决策引擎在活动设计层面上，提供推荐服务管理以及营销活动设计管理的功能，让业务可视化配置活动要素。在活动策略层面，对接机器学习平台的预估结果，并查询客户画像，支持千人千面的个性化营销以及特定客群的针对性营销。在活动实施管理层面，支持ABtest和灰度发布技术，提升营销活动部署效率。在活动实施层面，对接行内各个触客渠道，实现渠道消息协同，而在权益下发方面，则可通过实时触发和批量运算等方式实现权益精准推送。引擎集成多个营销核心功能模块，提供活动管理：活动规则、活动策略、活动渠道、活动推送灵活配置，配置不同场景、不同客群的营销策略；策略对比：A/B TEST，灰度发布，分群发布，对比不同营销方案的活动效果，优化改进营销策略及场景；客户分群：自定义多维指标客群，客群画像跟踪分析，客群迁移分析，活动跟踪，基于客群的营销建模；客户画像：客户全景视图，基于用户不同维度的特征对用户的偏好、行为、趋势进行跟踪，深度跟踪用户。
在本发明某一实施例中，如图2所示，所述人工智能层30包括数据处理模块31、特征分析模块32和模型训练模块33；所述数据处理模块31，用于获取事件，对所述事件进行数据清洗，得到预处理数据；所述特征分析模块32，用于根据所述预处理数据进行特征分析，得到特征数据；所述模型训练模块33，用于根据所述特征数据进行模型训练，优化预测精度。
在某一具体实施例中，为了洞悉客户需求偏好，基于人工智能平台完成理财推荐、基金推荐、饭票推荐、分期推荐等模型的训练及发布，提供实时的模型服务能力和自学***台，提供数据处理、特征工程、模型构建、模型发布应用及模型自学***台整合高维度客户特征工程，提供丰富算法进行模型运行、训练以及算法拟合，并提供实时预估和批量预估方式供决策引擎调用。为不断优化模型预测精度，还可以通过自学习的方式不断自我优化，减少人工重复劳动，保持模型的预测精度。
在本发明某一实施例中，如图2所示，所述服务接入层40包括渠道接入管理模块41和数据闭环管理模块42；所述渠道接入管理模块41用于获取消息报文和事件；所述数据闭环管理模块42用于根据规则决策匹配对应的所述消息报文和事件进行分类存储。
在某一具体实施例中，渠道接入管理模块采用模块化、配置化的设计思路，构建了统一前置应用，支持行内渠道***消息报文的配置化实时接入，实现了服务接入的高并发支持能力与横向动态扩展。
在某一具体实施例中，数据闭环管理模块中数据探索功能主要由FI的HUE、CDH的CDSW提供；而精准营销分析、灵活报表分析提供业务营销运营的闭环分析。此模块为营销闭环管理提供抓手，借助大数据平台快速完成数据整合，建立统一的数据口径，支持自助式数据准备(ETL)，有机的将不同主题间(存款、AUM、交易、交叉销售、中收、代发、客群、产品销售)的数据进行多维交叉组合，大幅提升分析广度和深度。采用基于轻度汇总数据实时计算模式实现数据处理，不需要手工进行二次数据汇总，大大提升了数据使用的效率，以及采用自助引导方式简化了使用过程，使得业务人员可以直接使用工具，进行自助数据提取，分析，处理，挖掘，满足了业务人员对数据处理的要求，提高了业务人员对数据处理的效率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (5)
1.一种协同决策引擎应用框架，其特征在于，包括数据基础层、决策引擎层、人工智能层和服务接入层；
所述数据基础层用于存储客户信息，及所述客户信息的指标标签；
所述决策引擎层用于接收所述服务接入层获取的事件，并根据所述事件进行指标运算，得到规则决策；
所述人工智能层用于存储模型库，进行模型运行、训练以及算法拟合，并提供实时预估和批量预估方式供所述决策引擎层调用；
所述服务接入层用于提供闭环分析功能、***管理功能和渠道接入管理功能。
2.根据权利要求1所述的协同决策引擎应用框架，其特征在于，所述数据基础层包括数据采集模块、数据加工模块、客户画像模块、客户关系圈模块和潜在客户视图模块；
所述数据采集模块用于获取客户交易数据和业务***数据；
所述数据加工模块用于根据所述客户交易数据和所述业务***数据进行主题区分，得到分层数据；
所述客户画像模块用于根据所述客户交易数据和所述业务***数据，结合所述分层数据梳理客户行为和客户属性，得到用户画像；
所述客户关系圈模块用于根据所述客户交易数据和所述业务***数据，挖掘客户的交易对象，得到客户社交信息；
潜在客户视图模块用于根据所述客户社交信息，剔除所述客户社交信息中预设类型的用户，得到非客户用户信息。
3.根据权利要求1所述的协同决策引擎应用框架，其特征在于，所述决策引擎层包括指标运算模块、模型调用模块和规则运算模块；
所述指标运算模块用于分析事件，所述事件包括实时交易行为和历史交易行为；
所述模型调用模块用于根据不同的事件匹配对应的模型进行预测；
所述规则运算模块用于根据所述模型调用模块处理得到的预测结果，输出规则决策。
4.根据权利要求1所述的协同决策引擎应用框架，其特征在于，所述人工智能层包括数据处理模块、特征分析模块和模型训练模块；
所述数据处理模块，用于获取事件，对所述事件进行数据清洗，得到预处理数据；
所述特征分析模块，用于根据所述预处理数据进行特征分析，得到特征数据；
所述模型训练模块，用于根据所述特征数据进行模型训练，优化预测精度。
5.根据权利要求1所述的协同决策引擎应用框架，其特征在于，所述服务接入层包括渠道接入管理模块和数据闭环管理模块；
所述渠道接入管理模块用于获取消息报文和事件；
所述数据闭环管理模块用于根据规则决策匹配对应的所述消息报文和事件进行分类存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110634161.6A CN113379529A (zh) | 2021-06-07 | 2021-06-07 | 一种协同决策引擎应用框架 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110634161.6A CN113379529A (zh) | 2021-06-07 | 2021-06-07 | 一种协同决策引擎应用框架 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379529A true CN113379529A (zh) | 2021-09-10 |
Family
ID=77576211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110634161.6A Pending CN113379529A (zh) | 2021-06-07 | 2021-06-07 | 一种协同决策引擎应用框架 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379529A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118012432A (zh) * | 2024-04-09 | 2024-05-10 | 浙江口碑网络技术有限公司 | 端智能体验实现方法、装置、介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776897A (zh) * | 2016-11-29 | 2017-05-31 | 中国农业银行股份有限公司 | 一种用户画像标签确定方法及装置 |
| TWM578844U (zh) * | 2018-11-01 | 2019-06-01 | 中國人壽保險股份有限公司 | Artificial intelligence applied to insurance service establishment tag library and marketing system |
| CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
| US20200210908A1 (en) * | 2018-12-26 | 2020-07-02 | Microsoft Technology Licensing, Llc | Dynamic optimization for jobs |
| CN111767319A (zh) * | 2020-06-22 | 2020-10-13 | 中国工商银行股份有限公司 | 基于资金流向的客户挖掘方法及装置 |
| CN112102006A (zh) * | 2020-09-22 | 2020-12-18 | 中国建设银行股份有限公司 | 基于大数据分析的目标客户获取方法、搜索方法及装置 |
| CN112907305A (zh) * | 2021-04-13 | 2021-06-04 | 长沙银行股份有限公司 | 基于大数据分析的客户全周期管理*** |
-
2021
- 2021-06-07 CN CN202110634161.6A patent/CN113379529A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776897A (zh) * | 2016-11-29 | 2017-05-31 | 中国农业银行股份有限公司 | 一种用户画像标签确定方法及装置 |
| TWM578844U (zh) * | 2018-11-01 | 2019-06-01 | 中國人壽保險股份有限公司 | Artificial intelligence applied to insurance service establishment tag library and marketing system |
| US20200210908A1 (en) * | 2018-12-26 | 2020-07-02 | Microsoft Technology Licensing, Llc | Dynamic optimization for jobs |
| CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
| CN111767319A (zh) * | 2020-06-22 | 2020-10-13 | 中国工商银行股份有限公司 | 基于资金流向的客户挖掘方法及装置 |
| CN112102006A (zh) * | 2020-09-22 | 2020-12-18 | 中国建设银行股份有限公司 | 基于大数据分析的目标客户获取方法、搜索方法及装置 |
| CN112907305A (zh) * | 2021-04-13 | 2021-06-04 | 长沙银行股份有限公司 | 基于大数据分析的客户全周期管理*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118012432A (zh) * | 2024-04-09 | 2024-05-10 | 浙江口碑网络技术有限公司 | 端智能体验实现方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767255B (zh) | 一种通过大数据建模实现智能运营及精准营销的方法 | |
| Yang et al. | Social media data analytics for business decision making system to competitive analysis | |
| Peacock | Data mining in marketing: Part 1 | |
| CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及*** | |
| CN110796354A (zh) | 一种企业电费回收风险画像方法及*** | |
| CN109636482B (zh) | 基于相似度模型的数据处理方法及*** | |
| Orogun et al. | Predicting consumer behaviour in digital market: a machine learning approach | |
| Hosseini et al. | Identifying multi-channel value co-creator groups in the banking industry | |
| CN116468460A (zh) | 基于人工智能的消费金融客户画像识别***及其方法 | |
| UnnisaBegum et al. | Data mining techniques for big data | |
| Gerlich et al. | Artificial intelligence as toolset for analysis of public opinion and social interaction in marketing: identification of micro and nano influencers | |
| Pivk et al. | On approach for the implementation of data mining to business process optimisation in commercial companies | |
| CN113379529A (zh) | 一种协同决策引擎应用框架 | |
| CN117171244A (zh) | 基于数据中台构建的企业数据管理***及其数据分析方法 | |
| CN116595418A (zh) | 一种科技成果多维画像构建方法 | |
| Srivastava et al. | Hyperautomation in transforming underwriting operation in the life insurance industry | |
| Thompson | Data mining methods and the rise of big data | |
| Mahalle et al. | Data Acquisition and Preparation | |
| Xu et al. | Big data analytics toward intelligent mobile service provisions of customer relationship management in e-commerce | |
| Maedche et al. | Enhancing preprocessing in data-intensive domains using online-analytical processing | |
| Sena et al. | Intelligence systems: a sociotechnical systems perspective | |
| CN111352968A (zh) | 一种基于区块链网络的智能制造要素识取方法 | |
| Wang et al. | Power load forecasting using data mining and knowledge discovery technology | |
| Trianasari et al. | Analysis Of Product Recommendation Models at Each Fixed Broadband Sales Location Using K-Means, DBSCAN, Hierarchical Clustering, SVM, RF, and ANN | |
| Chaudhary | Data mining system, functionalities and applications: a radical review |
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 |