CN113822596B - 基于大数据的客户筛选方法 - Google Patents
基于大数据的客户筛选方法 Download PDFInfo
- Publication number
- CN113822596B CN113822596B CN202111189374.9A CN202111189374A CN113822596B CN 113822596 B CN113822596 B CN 113822596B CN 202111189374 A CN202111189374 A CN 202111189374A CN 113822596 B CN113822596 B CN 113822596B
- Authority
- CN
- China
- Prior art keywords
- client
- user
- old
- queue
- attribute
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于大数据的客户筛选方法,该方法旨在解决现有技术下不能对潜在客户进行挖掘,客户的转化率低,并且没有从网络爬取数据,数据量较少,可参考的范围较小,因此在作出决策或营销时,对客户的筛选精度低的技术问题。该方法,其步骤如下:S1:从网站、APP进行数据的爬取,并将数据存储;S2:根据爬取到的数据,从用户静态属性方面对用户基本信息进行分析并进行用户静态属性等级划分。该方法利用从网络上爬取数据,数据量的基数更大,对客户的筛选精度更高,有效删除转化率低的潜在客户,降低广告投放的成本,达到更高的利润,同时对老客户进行筛选,通过对老客户的质量进行等级划分,从而有针对性的,作出相对应的营销策略。
Description
技术领域
本发明属于大数据技术领域,具体涉及基于大数据的客户筛选方法。
背景技术
随着云时代的来临,大数据也吸引了越来越多的关注,基于大数据企业可以对消费者进行精准营销,企业通过理解原始数据与数据分析之间的差距,从而消除低质量数据并通过BI获得更佳决策。
目前,专利号为CN201810546593.X的发明专利公开了一种客户筛选方法,其具体包括以下步骤:S1,录入客户信息并上传数据库;S2,数据库调出客户相关信息并下载,将下载的客户信息上传至大数据保险分析***;S3,大数据保险分析***计算分析建议的保险种类及保障额度;S4,客户选择保险种类及保障额度;S5,将客户信息,客户选择的保险种类及保障额度录入客户筛选***;S6,客户筛选***通过大数据精算模型、人工智能的区分客户风险类别。其采用的是通过指定相应的投保方案,提高客户的续保率,但该方法不能对潜在客户进行挖掘,客户的转化率低,并且没有从网络爬取数据,数据量较少,可参考的范围较小,因此在作出决策或营销时,对客户的筛选精度低。
因此,针对上述方法不能对潜在客户进行挖掘,客户的转化率低的问题,亟需得到解决,以改善客户筛选方法的使用场景。
发明内容
(1)要解决的技术问题
针对现有技术的不足,本发明的目的在于提供基于大数据的客户筛选方法,该方法旨在解决现有技术下不能对潜在客户进行挖掘,客户的转化率低,并且没有从网络爬取数据,数据量较少,可参考的范围较小,因此在作出决策或营销时,对客户的筛选精度低的技术问题。
(2)技术方案
为了解决上述技术问题,本发明提供了这样基于大数据的客户筛选方法,其步骤如下:
S1:从网站、APP进行数据的爬取,并将数据存储;
S2:根据爬取到的数据,从用户静态属性方面对用户基本信息进行分析并进行用户静态属性等级划分:基本信息包括性别、年龄、学历、收入、地域、婚姻,根据营销产品类型的不同,给性别、年龄、学历、收入、地域、婚姻分别赋予不同的分值,并划分性别、年龄、学历、收入、地域、婚姻的权重J1%、J2%、J3%、J4%、J5%、J6%,并计算结果J,预设Jmin和Jmax的数值,当J<Jmin,则为三级用户静态属性,记1分,Jmin≤J≤Jmax,则为二级用户静态属性,记2分,当J>Jmax,则为一级用户静态属性,记3分;
S3:从用户动态属性方面根据用户的上网行为,并进行用户动态属性等级的划分:根据营销产品类型的不同,设定用户上网行为中娱乐、社交、出行或学习占比标准值集Z(Yb%、Sb%、Cb%、Xb%),预设Dmin(DYmin、DSmin、DCmin、DXmin)和Dmax(DYmax、DSmax、DCmax、DXmax)的数值,根据爬取到的数据,得出用户上网行为中娱乐、社交、出行、学习的实际占比T(Y%、S%、C%、X%),计算结果当D<Dmin,则为三级用户动态属性,记1分,当Dmin≤D≤Dmax,则为二级用户动态属性,记2分,当D>Dmax,则为一级用户动态属性,记3分;
S4:从用户消费属性方面根据用户消费的数据记录,划分用户消费属性等级:根据营销产品类型的不同,设定消费金额Mmin和Mmax的数值,当用户实际消费金额M<Mmin时,为三级用户消费属性,记1分,当Mmin≤M≤Mmax时,为二级用户消费属性,记2分,当M>Mmax时,为一级用户消费属性,记3分;
S5:计算S2-S4的得分F,设定客户判定标准分值Fb,根据潜在客户判断规则,对潜在客户进行筛分,将用户分为重点潜在客户和普通潜在客户,向重点潜在客户发送推送广告,并计算广告的转化率若P<1,则增大Fb,若否,则Fb保持不变;
S6:在老客户管理平台导出所有老客户数据,并建立老客户队列,根据筛选指标和筛选规则,从第一个老客户开始进行判断,不符合条件的老客户踢出队列,符合条件的老客户保留,直至队列中最后一个老客户,得到客户表;
S7:设定销售额的标准值Vb和利润率的标准值Lb,若客户的实际销售额V>Vb,则判定为销售额高,若否,则判定为销售额低,然后计算客户的利润率L,若L<Lb,则判定为利润低,若否,则判定为利润高,根据销售额和利润将客户表中的用户分为四个老客户等级。
优选地,所述S1具体包括以下步骤:
S11:依据爬取需求定义爬取的目标并进行描述,获取初始的URL;
S12:根据初始的URL爬取页面,获得新的URL,从新的URL中过滤掉与爬取目标无关的链接,将过滤后的链接放到URL队列中;
S13:从URL队列中,根据深度优选爬行策略,确定URL的优先级,并确定下一步要爬取的URL地址;
S14:重复S12-S13,直至满足预设的停止条件,或无法获取新的URL地址时,停止爬行。
优选地,所述S3中Yb%、Sb%、Cb%和Xb%分别为娱乐占比标准值、社交占比标准值、出行占比标准值、学习占比标准值。
优选地,所述S5中判断规则为:用F与Fb进行比较,若F<Fb,则判定为普通潜在客户,若F≥Fb,则判定为重点潜在客户。
优选地,所述S5中N为广告转化销售额,E为广告投放费用。
优选地,所述S6中筛选指标包括最后交易距离当前天数R、累计交易次数T和累计交易金额A,S6中筛选规则为:首先以实际最后交易距离当前天数Rn与最后交易距离当前天数R进行比较,若Rn<R,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,若满足最后交易距离当前天数R后,以实际累计交易次数Tn和累计交易次数T进行比较,若Tn≥T,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,然后用实际累计交易金额An与累计交易金额A进行比较,若An≥A,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户。
优选地,所述S7中的四个老客户等级分别为:销售额和利润均高的A类优质客户、销售额高但利润低的B类高购买力客户、销售额低但利润高的C类高利润客户和销售额和利润均低的D类普通客户。
优选地,所述S7中Lb的范围为15%-50%。
(3)有益效果
与现有技术相比,本发明的有益效果在于:本发明的方法利用从网络上爬取数据,数据量的基数更大,以大数据作为基础,作出决策或营销时,对客户的筛选精度更高,有效删除转化率低的潜在客户,从而可以提高潜在客户的转化率,降低广告投放的成本,达到更高的利润,同时对老客户进行筛选,通过对老客户的质量进行等级划分,有助于企业判断老客户的类型,从而有针对性的,作出相对应的营销策略,对质量度低的客户可以减少维护的时间,而对于质量度高的老客户,则要重点维护,从而保证企业的销售额和利润。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面对本发明具体实施方式中的技术方案进行清楚、完整的描述,以进一步阐述本发明,显然,所描述的具体实施方式仅仅是本发明的一部分实施方式,而不是全部的样式。
实施例1
本具体实施方式是基于大数据的客户筛选方法,其步骤如下:
S1:从网站、APP进行数据的爬取,并将数据存储:
S11:依据爬取需求定义爬取的目标并进行描述,获取初始的URL;
S12:根据初始的URL爬取页面,获得新的URL,从新的URL中过滤掉与爬取目标无关的链接,将过滤后的链接放到URL队列中;
S13:从URL队列中,根据深度优选爬行策略,确定URL的优先级,并确定下一步要爬取的URL地址;
S14:重复S12-S13,直至满足预设的停止条件,或无法获取新的URL地址时,停止爬行;
S2:根据爬取到的数据,从用户静态属性方面对用户基本信息进行分析并进行用户静态属性等级划分:基本信息包括性别、年龄、学历、收入、地域、婚姻,根据营销产品类型的不同,给性别、年龄、学历、收入、地域、婚姻分别赋予不同的分值,并划分性别、年龄、学历、收入、地域、婚姻的权重J1%、J2%、J3%、J4%、J5%、J6%,并计算结果J,预设Jmin和Jmax的数值,当J<Jmin,则为三级用户静态属性,记1分,Jmin≤J≤Jmax,则为二级用户静态属性,记2分,当J>Jmax,则为一级用户静态属性,记3分;
S3:从用户动态属性方面根据用户的上网行为,并进行用户动态属性等级的划分:根据营销产品类型的不同,设定用户上网行为中娱乐、社交、出行或学习占比标准值集Z(Yb%、Sb%、Cb%、Xb%),Yb%、Sb%、Cb%和Xb%分别为娱乐占比标准值、社交占比标准值、出行占比标准值、学习占比标准值,预设Dmin(DYmin、DSmin、DCmin、DXmin)和Dmax(DYmax、DSmax、DCmax、DXmax)的数值,根据爬取到的数据,得出用户上网行为中娱乐、社交、出行、学习的实际占比T(Y%、S%、C%、X%),计算结果当D<Dmin,则为三级用户动态属性,记1分,当Dmin≤D≤Dmax,则为二级用户动态属性,记2分,当D>Dmax,则为一级用户动态属性,记3分,;
S4:从用户消费属性方面根据用户消费的数据记录,划分用户消费属性等级:根据营销产品类型的不同,设定消费金额Mmin和Mmax的数值,当用户实际消费金额M<Mmin时,为三级用户消费属性,记1分,当Mmin≤M≤Mmax时,为二级用户消费属性,记2分,当M>Mmax时,为一级用户消费属性,记3分;
S5:计算S2-S4的得分F,设定客户判定标准分值Fb,根据潜在客户判断规则,对潜在客户进行筛分,用F与Fb进行比较,若F<Fb,则判定为普通潜在客户,若F≥Fb,则判定为重点潜在客户,将用户分为重点潜在客户和普通潜在客户,向重点潜在客户发送推送广告,并计算广告的转化率N为广告转化销售额,E为广告投放费用,若P<1,则增大Fb,若否,则Fb保持不变;
S6:在老客户管理平台导出所有老客户数据,并建立老客户队列,根据筛选指标和筛选规则,筛选指标包括最后交易距离当前天数R、累计交易次数T和累计交易金额A,筛选规则为:首先以实际最后交易距离当前天数Rn与最后交易距离当前天数R进行比较,若Rn<R,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,若满足最后交易距离当前天数R后,以实际累计交易次数Tn和累计交易次数T进行比较,若Tn≥T,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,然后用实际累计交易金额An与累计交易金额A进行比较,若An≥A,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,从第一个老客户开始进行判断,不符合条件的老客户踢出队列,符合条件的老客户保留,直至队列中最后一个老客户,得到客户表;
S7:设定销售额的标准值Vb和利润率的标准值Lb为15%,若客户的实际销售额V>Vb,则判定为销售额高,若否,则判定为销售额低,然后计算客户的利润率L,若L<Lb,则判定为利润低,若否,则判定为利润高,根据销售额和利润将客户表中的用户分为销售额和利润均高的A类优质客户、销售额高但利润低的B类高购买力客户、销售额低但利润高的C类高利润客户和销售额和利润均低的D类普通客户。
实施例2
本具体实施方式是基于大数据的客户筛选方法,其步骤如下:
S1:从网站、APP进行数据的爬取,并将数据存储:
S11:依据爬取需求定义爬取的目标并进行描述,获取初始的URL;
S12:根据初始的URL爬取页面,获得新的URL,从新的URL中过滤掉与爬取目标无关的链接,将过滤后的链接放到URL队列中;
S13:从URL队列中,根据深度优选爬行策略,确定URL的优先级,并确定下一步要爬取的URL地址;
S14:重复S12-S13,直至满足预设的停止条件,或无法获取新的URL地址时,停止爬行;
S2:根据爬取到的数据,从用户静态属性方面对用户基本信息进行分析并进行用户静态属性等级划分:基本信息包括性别、年龄、学历、收入、地域、婚姻,根据营销产品类型的不同,给性别、年龄、学历、收入、地域、婚姻分别赋予不同的分值,并划分性别、年龄、学历、收入、地域、婚姻的权重J1%、J2%、J3%、J4%、J5%、J6%,并计算结果J,预设Jmin和Jmax的数值,当J<Jmin,则为三级用户静态属性,记1分,Jmin≤J≤Jmax,则为二级用户静态属性,记2分,当J>Jmax,则为一级用户静态属性,记3分;
S3:从用户动态属性方面根据用户的上网行为,并进行用户动态属性等级的划分:根据营销产品类型的不同,设定用户上网行为中娱乐、社交、出行或学习占比标准值集Z(Yb%、Sb%、Cb%、Xb%),Yb%、Sb%、Cb%和Xb%分别为娱乐占比标准值、社交占比标准值、出行占比标准值、学习占比标准值,预设Dmin(DYmin、DSmin、DCmin、DXmin)和Dmax(DYmax、DSmax、DCmax、DXmax)的数值,根据爬取到的数据,得出用户上网行为中娱乐、社交、出行、学习的实际占比T(Y%、S%、C%、X%),计算结果当D<Dmin,则为三级用户动态属性,记1分,当Dmin≤D≤Dmax,则为二级用户动态属性,记2分,当D>Dmax,则为一级用户动态属性,记3分,;
S4:从用户消费属性方面根据用户消费的数据记录,划分用户消费属性等级:根据营销产品类型的不同,设定消费金额Mmin和Mmax的数值,当用户实际消费金额M<Mmin时,为三级用户消费属性,记1分,当Mmin≤M≤Mmax时,为二级用户消费属性,记2分,当M>Mmax时,为一级用户消费属性,记3分;
S5:计算S2-S4的得分F,设定客户判定标准分值Fb,根据潜在客户判断规则,对潜在客户进行筛分,用F与Fb进行比较,若F<Fb,则判定为普通潜在客户,若F≥Fb,则判定为重点潜在客户,将用户分为重点潜在客户和普通潜在客户,向重点潜在客户发送推送广告,并计算广告的转化率N为广告转化销售额,E为广告投放费用,若P<1,则增大Fb,若否,则Fb保持不变;
S6:在老客户管理平台导出所有老客户数据,并建立老客户队列,根据筛选指标和筛选规则,筛选指标包括最后交易距离当前天数R、累计交易次数T和累计交易金额A,筛选规则为:首先以实际最后交易距离当前天数Rn与最后交易距离当前天数R进行比较,若Rn<R,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,若满足最后交易距离当前天数R后,以实际累计交易次数Tn和累计交易次数T进行比较,若Tn≥T,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,然后用实际累计交易金额An与累计交易金额A进行比较,若An≥A,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,从第一个老客户开始进行判断,不符合条件的老客户踢出队列,符合条件的老客户保留,直至队列中最后一个老客户,得到客户表;
S7:设定销售额的标准值Vb和利润率的标准值Lb为30%,若客户的实际销售额V>Vb,则判定为销售额高,若否,则判定为销售额低,然后计算客户的利润率L,若L<Lb,则判定为利润低,若否,则判定为利润高,根据销售额和利润将客户表中的用户分为销售额和利润均高的A类优质客户、销售额高但利润低的B类高购买力客户、销售额低但利润高的C类高利润客户和销售额和利润均低的D类普通客户。
实施例3
本具体实施方式是基于大数据的客户筛选方法,其步骤如下:
S1:从网站、APP进行数据的爬取,并将数据存储:
S11:依据爬取需求定义爬取的目标并进行描述,获取初始的URL;
S12:根据初始的URL爬取页面,获得新的URL,从新的URL中过滤掉与爬取目标无关的链接,将过滤后的链接放到URL队列中;
S13:从URL队列中,根据深度优选爬行策略,确定URL的优先级,并确定下一步要爬取的URL地址;
S14:重复S12-S13,直至满足预设的停止条件,或无法获取新的URL地址时,停止爬行;
S2:根据爬取到的数据,从用户静态属性方面对用户基本信息进行分析并进行用户静态属性等级划分:基本信息包括性别、年龄、学历、收入、地域、婚姻,根据营销产品类型的不同,给性别、年龄、学历、收入、地域、婚姻分别赋予不同的分值,并划分性别、年龄、学历、收入、地域、婚姻的权重J1%、J2%、J3%、J4%、J5%、J6%,并计算结果J,预设Jmin和Jmax的数值,当J<Jmin,则为三级用户静态属性,记1分,Jmin≤J≤Jmax,则为二级用户静态属性,记2分,当J>Jmax,则为一级用户静态属性,记3分;
S3:从用户动态属性方面根据用户的上网行为,并进行用户动态属性等级的划分:根据营销产品类型的不同,设定用户上网行为中娱乐、社交、出行或学习占比标准值集Z(Yb%、Sb%、Cb%、Xb%),Yb%、Sb%、Cb%和Xb%分别为娱乐占比标准值、社交占比标准值、出行占比标准值、学习占比标准值,预设Dmin(DYmin、DSmin、DCmin、DXmin)和Dmax(DYmax、DSmax、DCmax、DXmax)的数值,根据爬取到的数据,得出用户上网行为中娱乐、社交、出行、学习的实际占比T(Y%、S%、C%、X%),计算结果当D<Dmin,则为三级用户动态属性,记1分,当Dmin≤D≤Dmax,则为二级用户动态属性,记2分,当D>Dmax,则为一级用户动态属性,记3分,;
S4:从用户消费属性方面根据用户消费的数据记录,划分用户消费属性等级:根据营销产品类型的不同,设定消费金额Mmin和Mmax的数值,当用户实际消费金额M<Mmin时,为三级用户消费属性,记1分,当Mmin≤M≤Mmax时,为二级用户消费属性,记2分,当M>Mmax时,为一级用户消费属性,记3分;
S5:计算S2-S4的得分F,设定客户判定标准分值Fb,根据潜在客户判断规则,对潜在客户进行筛分,用F与Fb进行比较,若F<Fb,则判定为普通潜在客户,若F≥Fb,则判定为重点潜在客户,将用户分为重点潜在客户和普通潜在客户,向重点潜在客户发送推送广告,并计算广告的转化率N为广告转化销售额,E为广告投放费用,若P<1,则增大Fb,若否,则Fb保持不变;
S6:在老客户管理平台导出所有老客户数据,并建立老客户队列,根据筛选指标和筛选规则,筛选指标包括最后交易距离当前天数R、累计交易次数T和累计交易金额A,筛选规则为:首先以实际最后交易距离当前天数Rn与最后交易距离当前天数R进行比较,若Rn<R,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,若满足最后交易距离当前天数R后,以实际累计交易次数Tn和累计交易次数T进行比较,若Tn≥T,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,然后用实际累计交易金额An与累计交易金额A进行比较,若An≥A,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,从第一个老客户开始进行判断,不符合条件的老客户踢出队列,符合条件的老客户保留,直至队列中最后一个老客户,得到客户表;
S7:设定销售额的标准值Vb和利润率的标准值Lb为45%,若客户的实际销售额V>Vb,则判定为销售额高,若否,则判定为销售额低,然后计算客户的利润率L,若L<Lb,则判定为利润低,若否,则判定为利润高,根据销售额和利润将客户表中的用户分为销售额和利润均高的A类优质客户、销售额高但利润低的B类高购买力客户、销售额低但利润高的C类高利润客户和销售额和利润均低的D类普通客户。
以上描述了本发明的主要技术特征和基本原理及相关优点,对于本领域技术人员而言,显然本发明不限于上述示范性具体实施方式的细节,而且在不背离本发明的构思或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将上述具体实施方式看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照各实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.基于大数据的客户筛选方法,其特征在于:其步骤如下:
S1:从网站、APP进行数据的爬取,并将数据存储;
S2:根据爬取到的数据,从用户静态属性方面对用户基本信息进行分析并进行用户静态属性等级划分:基本信息包括性别、年龄、学历、收入、地域、婚姻,根据营销产品类型的不同,给性别、年龄、学历、收入、地域、婚姻分别赋予不同的分值,并划分性别、年龄、学历、收入、地域、婚姻的权重J1%、J2%、J3%、J4%、J5%、J6%,并计算结果J,预设Jmin和Jmax的数值,当J<Jmin,则为三级用户静态属性,记1分,Jmin≤J≤Jmax,则为二级用户静态属性,记2分,当J>Jmax,则为一级用户静态属性,记3分;
S3:从用户动态属性方面根据用户的上网行为,并进行用户动态属性等级的划分:根据营销产品类型的不同,设定用户上网行为中娱乐、社交、出行或学习占比标准值集Z(Yb%、Sb%、Cb%、Xb%),预设Dmin(DYmin、DSmin、DCmin、DXmin)和Dmax(DYmax、DSmax、DCmax、DXmax)的数值,根据爬取到的数据,得出用户上网行为中娱乐、社交、出行、学习的实际占比T(Y%、S%、C%、X%),计算结果当D<Dmin,则为三级用户动态属性,记1分,当Dmin≤D≤Dmax,则为二级用户动态属性,记2分,当D>Dmax,则为一级用户动态属性,记3分;
S4:从用户消费属性方面根据用户消费的数据记录,划分用户消费属性等级:根据营销产品类型的不同,设定消费金额Mmin和Mmax的数值,当用户实际消费金额M<Mmin时,为三级用户消费属性,记1分,当Mmin≤M≤Mmax时,为二级用户消费属性,记2分,当M>Mmax时,为一级用户消费属性,记3分;
S5:计算S2-S4的得分F,设定客户判定标准分值Fb,根据潜在客户判断规则,对潜在客户进行筛分,将用户分为重点潜在客户和普通潜在客户,向重点潜在客户发送推送广告,并计算广告的转化率若P<1,则增大Fb,若否,则Fb保持不变;
S6:在老客户管理平台导出所有老客户数据,并建立老客户队列,根据筛选指标和筛选规则,从第一个老客户开始进行判断,不符合条件的老客户踢出队列,符合条件的老客户保留,直至队列中最后一个老客户,得到客户表;
S7:设定销售额的标准值Vb和利润率的标准值Lb,若客户的实际销售额V>Vb,则判定为销售额高,若否,则判定为销售额低,然后计算客户的利润率L,若L<Lb,则判定为利润低,若否,则判定为利润高,根据销售额和利润将客户表中的用户分为四个老客户等级。
2.根据权利要求1所述的基于大数据的客户筛选方法,其特征在于,所述S1具体包括以下步骤:
S11:依据爬取需求定义爬取的目标并进行描述,获取初始的URL;
S12:根据初始的URL爬取页面,获得新的URL,从新的URL中过滤掉与爬取目标无关的链接,将过滤后的链接放到URL队列中;
S13:从URL队列中,根据深度优选爬行策略,确定URL的优先级,并确定下一步要爬取的URL地址;
S14:重复S12-S13,直至满足预设的停止条件,或无法获取新的URL地址时,停止爬行。
3.根据权利要求1所述的基于大数据的客户筛选方法,其特征在于,所述S3中Yb%、Sb%、Cb%和Xb%分别为娱乐占比标准值、社交占比标准值、出行占比标准值、学习占比标准值。
4.根据权利要求1所述的基于大数据的客户筛选方法,其特征在于,所述S5中判断规则为:用F与Fb进行比较,若F<Fb,则判定为普通潜在客户,若F≥Fb,则判定为重点潜在客户。
5.根据权利要求1所述的基于大数据的客户筛选方法,其特征在于,所述S5中N为广告转化销售额,E为广告投放费用。
6.根据权利要求1所述的基于大数据的客户筛选方法,其特征在于,所述S6中筛选指标包括最后交易距离当前天数R、累计交易次数T和累计交易金额A,S6中筛选规则为:首先以实际最后交易距离当前天数Rn与最后交易距离当前天数R进行比较,若Rn<R,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,若满足最后交易距离当前天数R后,以实际累计交易次数Tn和累计交易次数T进行比较,若Tn≥T,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户,然后用实际累计交易金额An与累计交易金额A进行比较,若An≥A,则在老客户队列中保留当前客户,若否,则从老客户队列中删除当前客户。
7.根据权利要求1所述的基于大数据的客户筛选方法,其特征在于,所述S7中的四个老客户等级分别为:销售额和利润均高的A类优质客户、销售额高但利润低的B类高购买力客户、销售额低但利润高的C类高利润客户和销售额和利润均低的D类普通客户。
8.根据权利要求1所述的基于大数据的客户筛选方法,其特征在于,所述S7中Lb的范围为15%-50%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189374.9A CN113822596B (zh) | 2021-10-12 | 2021-10-12 | 基于大数据的客户筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189374.9A CN113822596B (zh) | 2021-10-12 | 2021-10-12 | 基于大数据的客户筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822596A CN113822596A (zh) | 2021-12-21 |
CN113822596B true CN113822596B (zh) | 2023-08-29 |
Family
ID=78916452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111189374.9A Active CN113822596B (zh) | 2021-10-12 | 2021-10-12 | 基于大数据的客户筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822596B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196724A (zh) * | 2023-10-17 | 2023-12-08 | 广东广信通信服务有限公司 | 一种基于大数据的营销方法、***、设备及可存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268660A (zh) * | 2018-02-08 | 2018-07-10 | 深圳市口袋网络科技有限公司 | 一种客户数据推荐方法、服务器及存储介质 |
CN108596683A (zh) * | 2018-05-03 | 2018-09-28 | 新奥(中国)燃气投资有限公司 | 一种潜在客户信息获取方法及装置 |
CN110223104A (zh) * | 2019-05-11 | 2019-09-10 | 浙江华坤道威数据科技有限公司 | 一种基于大数据的客户模型构建*** |
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 |
CN111428982A (zh) * | 2020-03-18 | 2020-07-17 | 国网浙江杭州市临安区供电有限公司 | 一种基于大数据的优质光伏客户评价和筛选方法 |
CN111507781A (zh) * | 2020-05-20 | 2020-08-07 | 苏州名诺信息科技有限公司 | 一种基于大数据的客户营销***及方法 |
-
2021
- 2021-10-12 CN CN202111189374.9A patent/CN113822596B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268660A (zh) * | 2018-02-08 | 2018-07-10 | 深圳市口袋网络科技有限公司 | 一种客户数据推荐方法、服务器及存储介质 |
CN108596683A (zh) * | 2018-05-03 | 2018-09-28 | 新奥(中国)燃气投资有限公司 | 一种潜在客户信息获取方法及装置 |
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 |
CN110223104A (zh) * | 2019-05-11 | 2019-09-10 | 浙江华坤道威数据科技有限公司 | 一种基于大数据的客户模型构建*** |
CN111428982A (zh) * | 2020-03-18 | 2020-07-17 | 国网浙江杭州市临安区供电有限公司 | 一种基于大数据的优质光伏客户评价和筛选方法 |
CN111507781A (zh) * | 2020-05-20 | 2020-08-07 | 苏州名诺信息科技有限公司 | 一种基于大数据的客户营销***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113822596A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
CN105574159B (zh) | 一种基于大数据的用户画像建立方法和用户画像管理*** | |
CN110222267A (zh) | 一种游戏平台信息推送方法、***、存储介质及设备 | |
CN111160992A (zh) | 一种基于用户画像体系的营销*** | |
CN111127105A (zh) | 用户分层模型构建方法及***、运营分析方法及*** | |
CN111461216A (zh) | 一种基于机器学习的案件风险识别方法 | |
Wong | Why so only 5.5% of black men marry white women? | |
CN116664012A (zh) | 一种基于大数据分析的企业信用评估方法及*** | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN113822596B (zh) | 基于大数据的客户筛选方法 | |
CN107977855B (zh) | 一种管理用户信息的方法及装置 | |
CN110958472A (zh) | 视频点击量评级预测方法、装置、电子设备及存储介质 | |
CN110659810A (zh) | 一种计算分析员可信程度的方法 | |
CN117271905B (zh) | 基于人群画像的侧向需求分析方法及*** | |
CN114463119A (zh) | 信用评估方法、装置及电子设备 | |
EP4208837A1 (en) | Methods and systems for monitoring brand performance based on consumer behavior metric data and expenditure data related to a competitive brand set over time | |
CN112184292A (zh) | 基于人工智能决策树的营销方法和装置 | |
Wang | Research on bank marketing behavior based on machine learning | |
CN109801162A (zh) | 一种社交媒体数据与多标准交叉认证融合的信用评级方法 | |
CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 | |
Mitic | Reputation: Probability Distributions, Predictions and Simulations | |
CN112381559A (zh) | 一种基于非监督机器学习算法的烟草零售商细分方法 | |
CN112785113A (zh) | 一种基于改进灰色模型的上市公司价值评估方法及*** | |
CN116452313B (zh) | 银行游戏客群中客户价值的计算方法、装置和电子设备 | |
Coucheney et al. | Influence of search neutrality on the economics of advertisement-financed content |
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 |
Effective date of registration: 20230620 Address after: Room 801, Building 1, Excellence Meilin Center Plaza (North Area), No. 128, Zhongkang Road, Meidu Community, Meilin Street, Futian District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Newsun Network Inc. Address before: 518000 803, building 1, Zhuoyue Meilin Central Plaza (North District), 128 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong Applicant before: Shenzhen we Online Education Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |