CN113822715A - 一种数据采集训练处理一体化平台分析方法 - Google Patents
一种数据采集训练处理一体化平台分析方法 Download PDFInfo
- Publication number
- CN113822715A CN113822715A CN202111116325.2A CN202111116325A CN113822715A CN 113822715 A CN113822715 A CN 113822715A CN 202111116325 A CN202111116325 A CN 202111116325A CN 113822715 A CN113822715 A CN 113822715A
- Authority
- CN
- China
- Prior art keywords
- data
- client
- customer
- training
- classification
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据采集训练处理一体化平台分析方法,属于数据分析技术领域,从企业数据库中筛选出客户数据,并获取客户数据中的客户行为数据;为客户行为数据设置状态标签,建立智能模型,将客户行为数据和状态标签整合标记为训练集,通过训练集对智能模型进行训练,将训练后的智能模型标记为客户分析模型;实时获取企业数据库中的更新数据,将更新数据发送到客户数据模型中,获得客户数据,从客户数据中筛选出客户行为数据,将客户行为数据输入到客户分析模型中,获得对应的状态标签,将获得的状态标签发送给企业管理人员;通过将分类标签为04的数据进行删除,减少企业数据库中储存的无用数据,完成对企业数据库的净化。
Description
技术领域
本发明属于数据分析技术领域,具体是一种数据采集训练处理一体化平台分析方法。
背景技术
客户是企业真正的核心资产,可以说客户的数量和质量决定了企业经营的真正实力。每家企业都希望开发的客户越多越好,然而客户多了,管理和服务水平跟不上,又会产生混乱。因此,如何经营好客户是考验企业经营水平的关键问题。随着市场竞争越来越激烈,企业必须在客户端及时了解客户对企业的满意度,为客户提供满意的产品和服务,才能留住客户,实现企业战略目标。因此目前亟需提出一种数据采集训练处理一体化平台分析方法,用于帮助企业分析客户对企业的满意情况。
发明内容
为了解决上述方案存在的问题,本发明提供了一种数据采集训练处理一体化平台分析方法。
本发明的目的可以通过以下技术方案实现:
一种数据采集训练处理一体化平台分析方法,具体方法包括:
步骤一:从企业数据库中筛选出客户数据,并获取客户数据中的客户行为数据;
步骤二:为客户行为数据设置状态标签,建立智能模型,将客户行为数据和状态标签整合标记为训练集,通过训练集对智能模型进行训练,将训练后的智能模型标记为客户分析模型;
步骤三:实时获取企业数据库中的更新数据,将更新数据发送到客户数据模型中,获得客户数据,从客户数据中筛选出客户行为数据,将客户行为数据输入到客户分析模型中,获得对应的状态标签,将获得的状态标签发送给企业管理人员。
进一步地,状态标签包括01和02,01表示客户对企业服务满意,02表示客户对企业服务不满意。
进一步地,从企业数据库中筛选出客户数据的方法包括:
获取客户信息,根据获取的客户信息建立客户名单表,将客户名单发送到区块链平台进行上链,分发唯一的数字识别ID,对数字识别ID进行编码,并标记为识别码,建立识别码表,建立神经网络模型,将识别码表、企业数据库数据和客户数据整合标记为训练集,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为客户数据模型;通过客户数据模型从企业数据库中筛选出客户数据。
进一步地,对数字识别ID进行编码的方法包括:
设置编码库,将数字识别ID按照字符数进行分割,形成字符段,将字符段输入到编码库中与符号对照表内对照栏中数据进行匹配,当匹配到对照栏中的数据时,获得对应的特殊符号,当字符段没有在对照栏中匹配到数据时,将字符段输入到对照栏中,获得对应的特殊符号;将特殊符号标记为编码,按照字符段的排列进行顺序,获得对应的识别码。
进一步地,设置编码库的方法包括:
建立初级数据库,从互联网中获取特殊符号,将特殊符号储存到初级数据库中,在初级数据库中设置符号对照表,符号对照表包括符号栏和对照栏,将特殊符号输入到符号栏中,实时检测对照栏内的数据,当检测到有新填写的数据时,获取对应的特殊符号,将初级数据库内对应的特殊符号删除;将初级数据库标记为编码库。
进一步地,将客户数据中的非客户行为数据标记为沉睡数据,建立初筛模型,将沉睡数据输入到初筛模型中,获得分类标签,分类标签包括03和04,当分类标签为03时,表示沉睡数据是有用的客户数据,当分类标签为04时,表示沉睡数据是有无用的客户数据,将分类标签为03的数据标记为初筛数据,将分类标签为04的数据进行删除。
进一步地,获取初筛数据的最近调取时间距离当前的时间长度L,将L≥X1对应的数据标记为长时间数据,建立瘦身分类表,根据瘦身分类表中的分类设置分类精简模板,将长时间数据进行分类,将符合瘦身分类表分类的数据标记为待瘦身数据,获取对应分类的分类精简模板,通过分类精简模板对待瘦身数据进行瘦身,获得精简数据。
进一步地,当L<X1时,不进行操作。
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的介绍,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获得其他的附图。
图1为本发明原理框图。
具体实施方式
下面将结合实施例对本发明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做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。
如图1所示,一种数据采集训练处理一体化平台分析方法,具体方法包括:
步骤一:从企业数据库中筛选出客户数据,并获取客户数据中的客户行为数据;客户行为数据就是客户数据中的交易数据、询价数据等可以表示客户行为的数据;
从企业数据库中筛选出客户数据的方法包括:
获取客户信息,根据获取的客户信息建立客户名单表,将客户名单发送到区块链平台进行上链,分发唯一的数字识别ID,对数字识别ID进行编码,并标记为识别码,建立识别码表,建立神经网络模型,将识别码表、企业数据库数据和客户数据整合标记为训练集,其中识别码表、企业数据库数据为输入数据,客户数据为输出数据,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为客户数据模型;通过客户数据模型从企业数据库中筛选出客户数据。
对数字识别ID进行编码的方法包括:
设置编码库,将数字识别ID按照字符数进行分割,形成字符段,将字符段输入到编码库中与符号对照表内对照栏中数据进行匹配,当匹配到对照栏中的数据时,获得对应的特殊符号,当字符段没有在对照栏中匹配到数据时,将字符段输入到对照栏中,获得对应的特殊符号;将特殊符号标记为编码,按照字符段的排列进行顺序,获得对应的识别码;
因为客户数据对企业来说是极其重要的,通过对数字识别ID进行编码,实现了对数字识别ID的加密,增加客户数据的安全性,同时可以保证数据的完整性。
设置编码库的方法包括:
建立初级数据库,从互联网中获取特殊符号,例如: 将特殊符号储存到初级数据库中,在初级数据库中设置符号对照表,符号对照表包括符号栏和对照栏,对照栏就是符号栏的对应栏,相当于符号栏内特殊符号的对应数据输入在对照栏中;将特殊符号输入到符号栏中,实时检测对照栏内的数据,当检测到有新填写的数据时,就是之前没有,现在检测有的数据,获取对应的特殊符号,将初级数据库内对应的特殊符号删除;将初级数据库标记为编码库。
步骤二:为客户行为数据设置状态标签,状态标签包括01和02,01表示客户对企业服务满意,02表示客户对企业服务不满意,建立智能模型,智能模型就是神经网络模型,将客户行为数据和状态标签整合标记为训练集,通过训练集对智能模型进行训练,将训练后的智能模型标记为客户分析模型;
步骤三:实时获取企业数据库中的更新数据,将更新数据发送到客户数据模型中,获得客户数据,从客户数据中筛选出客户行为数据,将客户行为数据输入到客户分析模型中,获得对应的状态标签,将获得的状态标签发送给企业管理人员。
将客户数据中的非客户行为数据标记为沉睡数据,建立初筛模型,将沉睡数据输入到初筛模型中,获得分类标签,分类标签包括03和04,当分类标签为03时,表示沉睡数据是有用的客户数据,当分类标签为04时,表示沉睡数据是有无用的客户数据,将分类标签为03的数据标记为初筛数据,将分类标签为04的数据进行删除;通过将分类标签为04的数据进行删除,减少企业数据库中储存的无用数据,完成对企业数据库的净化;
获取初筛数据的最近调取时间距离当前的时间长度L,例如某数据的最近调取时间为2020年9月2日00:00,当前时间为2020年9月28日12:00,则时间长度L为6.5日,单位为日,将L≥X1对应的数据标记为长时间数据,其中X1为阈值,根据企业的实际需求进行设置,当L<X1时,不进行操作;建立瘦身分类表,瘦身分类表内的分类都是可以进行数据瘦身的分类,瘦身分类表中的分类都是由企业进行人工输入的,根据瘦身分类表中的分类设置分类精简模板,将长时间数据进行分类,将符合瘦身分类表分类的数据标记为待瘦身数据,获取对应分类的分类精简模板,通过分类精简模板对待瘦身数据进行瘦身,获得精简数据。
建立初筛模型的方法包括:
获取历史沉睡数据,为历史沉睡数据设置分类标签;分类标签包括03和04,当分类标签为03时,表示沉睡数据是有用的客户数据,当分类标签为04时,表示沉睡数据是有无用的客户数据,有用的客户数据或者无用的客户数据由企业进行分类;构建人工智能模型;人工智能模型即为神经网络模型;将历史沉睡数据和对应的分类标签按照设定比例划分为训练集、测试集和校验集;所述设定比例包括2:1:1、3:2:1和3:1:1;通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验;将训练完成的人工智能模型标记为初筛模型。
设置分类精简模板的方法包括:
构建神经网络模型,获取企业历史待瘦身数据,提取企业历史待瘦身数据中的必要数据,构建神经网络模型的目的就是快速地从企业历史待瘦身数据中筛选出必要数据,将必要数据和企业历史待瘦身数据整合标记为训练集,通过训练集对神经网络模型进行训练,将训练后的对神经网络模型标记分类精简模板;因为企业数据库中储存有大量的客户数据,而储存时间较长的客户数据中除了某些数据会被使用,其他的数据都是无用数据,占用储存空间,通过剔除待瘦身数据中的非必要数据,对待瘦身数据进行瘦身,增加储存空间的储存效率。
本发明的工作原理:获取客户信息,根据获取的客户信息建立客户名单表,将客户名单发送到区块链平台进行上链,分发唯一的数字识别ID,对数字识别ID进行编码,并标记为识别码,建立识别码表,建立神经网络模型,将识别码表、企业数据库数据和客户数据整合标记为训练集,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为客户数据模型;通过客户数据模型从企业数据库中筛选出客户数据,并获取客户数据中的客户行为数据;将客户数据中的非客户行为数据标记为沉睡数据,建立初筛模型,将沉睡数据输入到初筛模型中,获得分类标签,将分类标签为03的数据标记为初筛数据,将分类标签为04的数据进行删除;获取初筛数据的最近调取时间距离当前的时间长度L,将L≥X1对应的数据标记为长时间数据,建立瘦身分类表,根据瘦身分类表中的分类设置分类精简模板,将长时间数据进行分类,将符合瘦身分类表分类的数据标记为待瘦身数据,获取对应分类的分类精简模板,通过分类精简模板对待瘦身数据进行瘦身,获得精简数据。
为客户行为数据设置状态标签,建立智能模型,将客户行为数据和状态标签整合标记为训练集,通过训练集对智能模型进行训练,将训练后的智能模型标记为客户分析模型;实时获取企业数据库中的更新数据,将更新数据发送到客户数据模型中,获得客户数据,从客户数据中筛选出客户行为数据,将客户行为数据输入到客户分析模型中,获得对应的状态标签,将获得的状态标签发送给企业管理人员。
在本发明所提供的实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;所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单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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实施例方法的目的。
另对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神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,均应将实施例看作是示范性的,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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种数据采集训练处理一体化平台分析方法,其特征在于,具体方法包括:
步骤一:从企业数据库中筛选出客户数据,并获取客户数据中的客户行为数据;
步骤二:为客户行为数据设置状态标签,建立智能模型,将客户行为数据和状态标签整合标记为训练集,通过训练集对智能模型进行训练,将训练后的智能模型标记为客户分析模型;
步骤三:实时获取企业数据库中的更新数据,将更新数据发送到客户数据模型中,获得客户数据,从客户数据中筛选出客户行为数据,将客户行为数据输入到客户分析模型中,获得对应的状态标签,将获得的状态标签发送给企业管理人员。
2.根据权利要求1所述的一种数据采集训练处理一体化平台分析方法,其特征在于,状态标签包括01和02,01表示客户对企业服务满意,02表示客户对企业服务不满意。
3.根据权利要求1所述的一种数据采集训练处理一体化平台分析方法,其特征在于,从企业数据库中筛选出客户数据的方法包括:
获取客户信息,根据获取的客户信息建立客户名单表,将客户名单发送到区块链平台进行上链,分发唯一的数字识别ID,对数字识别ID进行编码,并标记为识别码,建立识别码表,建立神经网络模型,将识别码表、企业数据库数据和客户数据整合标记为训练集,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为客户数据模型;通过客户数据模型从企业数据库中筛选出客户数据。
4.根据权利要求3所述的一种数据采集训练处理一体化平台分析方法,其特征在于,对数字识别ID进行编码的方法包括:
设置编码库,将数字识别ID按照字符数进行分割,形成字符段,将字符段输入到编码库中与符号对照表内对照栏中数据进行匹配,当匹配到对照栏中的数据时,获得对应的特殊符号,当字符段没有在对照栏中匹配到数据时,将字符段输入到对照栏中,获得对应的特殊符号;将特殊符号标记为编码,按照字符段的排列进行顺序,获得对应的识别码。
5.根据权利要求4所述的一种数据采集训练处理一体化平台分析方法,其特征在于,设置编码库的方法包括:
建立初级数据库,从互联网中获取特殊符号,将特殊符号储存到初级数据库中,在初级数据库中设置符号对照表,符号对照表包括符号栏和对照栏,将特殊符号输入到符号栏中,实时检测对照栏内的数据,当检测到有新填写的数据时,获取对应的特殊符号,将初级数据库内对应的特殊符号删除;将初级数据库标记为编码库。
6.根据权利要求1所述的一种数据采集训练处理一体化平台分析方法,其特征在于,将客户数据中的非客户行为数据标记为沉睡数据,建立初筛模型,将沉睡数据输入到初筛模型中,获得分类标签,分类标签包括03和04,当分类标签为03时,表示沉睡数据是有用的客户数据,当分类标签为04时,表示沉睡数据是有无用的客户数据,将分类标签为03的数据标记为初筛数据,将分类标签为04的数据进行删除。
7.根据权利要求6所述的一种数据采集训练处理一体化平台分析方法,其特征在于,获取初筛数据的最近调取时间距离当前的时间长度L,将L≥X1对应的数据标记为长时间数据,建立瘦身分类表,根据瘦身分类表中的分类设置分类精简模板,将长时间数据进行分类,将符合瘦身分类表分类的数据标记为待瘦身数据,获取对应分类的分类精简模板,通过分类精简模板对待瘦身数据进行瘦身,获得精简数据。
8.根据权利要求7所述的一种数据采集训练处理一体化平台分析方法,其特征在于,当L<X1时,不进行操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111116325.2A CN113822715B (zh) | 2021-09-23 | 2021-09-23 | 一种数据采集训练处理一体化平台分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111116325.2A CN113822715B (zh) | 2021-09-23 | 2021-09-23 | 一种数据采集训练处理一体化平台分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822715A true CN113822715A (zh) | 2021-12-21 |
CN113822715B CN113822715B (zh) | 2022-04-08 |
Family
ID=78915319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111116325.2A Active CN113822715B (zh) | 2021-09-23 | 2021-09-23 | 一种数据采集训练处理一体化平台分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822715B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090891A (zh) * | 2023-01-10 | 2023-05-09 | 扬州广源集团有限公司 | 一种基于大数据的电力施工企业客户行为分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274066A (zh) * | 2017-05-19 | 2017-10-20 | 浙江大学 | 一种基于lrfmd模型的共享交通客户价值分析方法 |
US10096068B1 (en) * | 2013-12-23 | 2018-10-09 | Massachusetts Mutual Life Insurance Company | Lapse predicting tool and scoring mechanism to triage customer retention approaches |
CN109583966A (zh) * | 2018-12-07 | 2019-04-05 | 平安银行股份有限公司 | 一种高价值客户识别方法、***、设备及存储介质 |
CN110490632A (zh) * | 2019-07-01 | 2019-11-22 | 广州阿凡提电子科技有限公司 | 一种潜在客户识别方法、电子设备及存储介质 |
CN110737812A (zh) * | 2019-09-20 | 2020-01-31 | 浙江大学 | 一种融合半监督学习和主动学习的搜索引擎用户满意度评估方法 |
CN111563509A (zh) * | 2020-04-30 | 2020-08-21 | 贵州电网有限责任公司 | 一种基于tesseract的变电站端子排识别方法及*** |
CN111626766A (zh) * | 2020-04-23 | 2020-09-04 | 深圳索信达数据技术有限公司 | 一种融合多个机器学习模型的手机银行营销客户筛选方法 |
CN111814670A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 一种银行网点的特殊客户识别方法及装置 |
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
- 2021-09-23 CN CN202111116325.2A patent/CN113822715B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10096068B1 (en) * | 2013-12-23 | 2018-10-09 | Massachusetts Mutual Life Insurance Company | Lapse predicting tool and scoring mechanism to triage customer retention approaches |
CN107274066A (zh) * | 2017-05-19 | 2017-10-20 | 浙江大学 | 一种基于lrfmd模型的共享交通客户价值分析方法 |
CN109583966A (zh) * | 2018-12-07 | 2019-04-05 | 平安银行股份有限公司 | 一种高价值客户识别方法、***、设备及存储介质 |
CN110490632A (zh) * | 2019-07-01 | 2019-11-22 | 广州阿凡提电子科技有限公司 | 一种潜在客户识别方法、电子设备及存储介质 |
CN110737812A (zh) * | 2019-09-20 | 2020-01-31 | 浙江大学 | 一种融合半监督学习和主动学习的搜索引擎用户满意度评估方法 |
CN111626766A (zh) * | 2020-04-23 | 2020-09-04 | 深圳索信达数据技术有限公司 | 一种融合多个机器学习模型的手机银行营销客户筛选方法 |
CN111563509A (zh) * | 2020-04-30 | 2020-08-21 | 贵州电网有限责任公司 | 一种基于tesseract的变电站端子排识别方法及*** |
CN111814670A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 一种银行网点的特殊客户识别方法及装置 |
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 |
---|---|---|---|---|
CN116090891A (zh) * | 2023-01-10 | 2023-05-09 | 扬州广源集团有限公司 | 一种基于大数据的电力施工企业客户行为分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113822715B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915366B (zh) | 一种用户画像构建方法、装置、计算机设备及存储介质 | |
CN112541745A (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN111680073A (zh) | 一种基于用户数据的金融服务平台政策资讯推荐方法 | |
CN113822715B (zh) | 一种数据采集训练处理一体化平台分析方法 | |
CN115545671A (zh) | 一种法律法规结构化处理的方法、*** | |
CN113159421A (zh) | 一种基于企业特征预测中标概率的方法及装置 | |
CN114385609A (zh) | 基于标签的政务事件处理***、方法、设备及存储介质 | |
CN113706172B (zh) | 基于客户行为的投诉解决方法、装置、设备及存储介质 | |
CN113205130B (zh) | 一种数据审核方法、装置、电子设备及存储介质 | |
CN114119322A (zh) | 政策全流程服务的方法、装置、服务器及计算机存储介质 | |
CN114049089A (zh) | 一种构建政务大数据平台的方法及*** | |
CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及*** | |
CN111831817A (zh) | 问卷生成分析方法、装置、计算机设备及可读存储介质 | |
CN116402334A (zh) | 一种多模态数据合规分析与智能评估方法及装置 | |
CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN112612921B (zh) | 视频的标签确定方法及装置 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN113343103A (zh) | 报表推送方法、装置、电子设备及存储介质 | |
CN113313615A (zh) | 一种对企业司法风险进行量化评分定级的方法及装置 | |
CN114548825B (zh) | 投诉工单失真检测方法、装置、设备及存储介质 | |
CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
CN117408693A (zh) | 一种业务交易数据管理方法、***及介质 | |
CN114630314B (zh) | 终端信息库的更新方法、装置、设备及存储介质 | |
CN114661779A (zh) | 特定人员的计算和分析方法、***和存储介质 | |
CN116861399A (zh) | 团伙篡改指纹检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |