CN114092123A - 一种满意度智能分析*** - Google Patents
一种满意度智能分析*** Download PDFInfo
- Publication number
- CN114092123A CN114092123A CN202010769166.5A CN202010769166A CN114092123A CN 114092123 A CN114092123 A CN 114092123A CN 202010769166 A CN202010769166 A CN 202010769166A CN 114092123 A CN114092123 A CN 114092123A
- Authority
- CN
- China
- Prior art keywords
- client
- data
- satisfaction
- intelligent
- value
- 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 title claims abstract description 52
- 238000011835 investigation Methods 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 27
- 238000003066 decision tree Methods 0.000 claims abstract description 20
- 238000003064 k means clustering Methods 0.000 claims abstract description 18
- 230000007935 neutral effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003032 molecular docking Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种满意度智能分析***,涉及智能分析领域,包括数据采集模型、智能报表分析模型;所述数据采集模块用于采集客户的调研结果数据、历史消费数据,并且将调研结果数据与历史消费数据相互关联,计算客户的净推荐值;所述智能报表分析模型包括k‑means聚类算法模型、决策树算法模型;所述k‑means聚类算法模型用于根据调研结果数据、历史消费数据进行客户价值聚类,得到客户分类;所述决策树算法模型用于根据调研问题与影响因素分析关键影响因素。本发明基于计算机技术对调研结果数据进行自动报表分析,以提升客户推荐意愿为目的,帮助企业/品牌获取客户满意度的分析结果,实现更加高效的调研机制和更加精准的策略应用。
Description
技术领域
本发明涉及智能分析领域,特别是涉及一种满意度智能分析***。
背景技术
近年来,客户满意度调查得到了普遍重视,特别是服务性行业的客户满意度调查已经成为企业发现问题、改进服务的重要手段之一。客户满意度是一个通过客户对一个产品的可感知的效果与其期望值相比较,形成的愉快或失望的感觉状态。评估客户满意度的作用在于帮助企业将有限的资源集中到客户最看重的方面,从而达到建立和提升客户忠诚,促进顾客留存的目的。
目前,许多大型品牌通过线下对不同品牌和客户群调研,为分层、分流以及差异化服务提供依据,了解并衡量客户需求;客户群调研的核心是以资源价值最大化为宗旨,帮助企业实现将有限资源优先分配给最有价值的顾客;对于以服务为核心的企业,调研帮助其研究服务标准、流程以及服务传递与客户期望之间的差距,找到客户关注点和服务短板,并且基于此提出相应的改善建议。
净推荐值(NPS)测评指标是通过测量客户的推荐意愿来了解客户对企业的满意度和忠诚度。NPS调研的核心问题通常以简单的形式来询问客户,然后根据意愿推荐的程度让客户在1~10之间进行打分,并且根据得分将客户分为三大类,例如:1.推荐者(得分在9-10之间);2.中立者(得分在7-8分之间);3.贬低者(得分在0-6分之间)。
设计净推荐值(NPS)问卷时:首先,将以下四个关键变量划分为四个维度:
背景信息:客户过往使用产品或体验服务的经历;
体验与预期的匹配度:用户对品牌的预期和对产品本身的使用体验匹配度如何;
口碑感知:外部社交环境对产生用户的心理上的影响;
售后体验:有可能发生的售后行为,可理解为潜在风险因素;
然后,根据这四个维度分别从询问满意程度、满意/不满意的主要原因、推荐他人的意愿度来设计问题;例如:某时尚类品牌比较关注用户的购买体验,则会咨询用户“您对店铺的销售顾问的服务满意吗,请打分”,如果用户打分为5分(0-6分之间),客户则需要接着回答“您觉得销售顾问的服务,哪些方面需要加强”,如果客户打分为9分(9-10分之间),客户也需要继续回答接下来的问题:“您觉得销售顾问的哪些方面让您感到满意”,从而了解消费者关注的服务内容;设计净推荐值(NPS)问卷通过结合10分制问题模型和追问“为什么”的形式,进一步帮助品牌优化服务体验和流程。
最后,通过以下计算公式得出品牌或产品的净推荐值(NPS):NPS=(推荐者数/总样本数)×100%-(贬低者数/总样本数)×100%;例如:10客户,推荐者为1人,贬低者为3人,请参阅图1,净推荐值为:1/10%-3/10%=-20%。
如今越来越多的企业通过净推荐值(NPS)作为评估标准来了解消费者对产品或服务的满意度。净推荐值(NPS)侧重于用户对品牌、产品或服务的整体感受和推荐意愿,能更针对性地评估用户对于品牌的忠诚度/推荐度,从而了解品牌的整体口碑形象以及口碑营销的潜力,因此,净推荐值(NPS)得分高不仅代表着客户的高忠诚度,更预示着新客户的增加潜力。
但是,目前许多品牌在实施净推荐值(NPS)问卷调研的流程存在一些问题,导致无法根据问卷结果精确地找到影响客户满意度最为关键的因素、需要优化的方向和优先级。原因主要在于调研设计的流程中存在缺陷,主要体现在以下两方面:
1.由于净推荐值(NPS)问卷中的问题类型并不复杂,以选择题为主,品牌容易在设计问卷时忽略各个问题间逻辑关联的重要性,比如:总体推荐意愿的问题应放在最先提出或最后提出,都会直接影响最终的调研结果,因此,企业在设计NPS问卷内容和定义各项问题的排序之前,必须明确调研的核心目标和业务现状,并且在设计净推荐值(NPS)问卷的同时引入历史数据的对接需求以及调研人群的画像分析关联。
2.许多品牌在进行NPS调研结果分析时,由于在设计问卷阶段并没有引入自动化关联算法模型,导致需要花大量的时间进行回收数据的手动处理,而这样的处理过程容易导致在分析数据时有所疏漏,无法全方位地评估各个细项问题间的逻辑关联,从而影响整个调研的高效和精准。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种满意度智能分析***,基于计算机技术对调研结果数据进行自动报表分析,以提升客户推荐意愿(即口碑营销潜力)为目的,帮助企业/品牌快速获取客户满意度的分析结果,从而实现更加高效的调研机制和更加精准的策略应用。
本发明提供一种满意度智能分析***,包括数据采集模型、智能报表分析模型;所述数据采集模块用于采集客户的调研结果数据、历史消费数据,并且将调研结果数据与历史消费数据相互关联,计算客户的净推荐值;所述智能报表分析模型包括k-means聚类算法模型、自定义关联模块、决策树算法模型以及分析报表模块;所述k-means聚类算法模型用于根据调研结果数据、历史消费数据进行客户价值聚类,得到客户分类;所述自定义关联模块用于调研问题与影响因素细分关联;所述决策树算法模型用于根据调研问题与影响因素分析关键影响因素;所述分析报表模块用于根据关键影响因素生成可视化分析报表。
于本发明的一实施例中,所述数据采集模块工作原理如下:
(1)通过预先设置的净推荐值问卷对客户进行调研数据采集;
(2)通过客户关系管理***获取客户的活跃度,并且将客户的活跃度与调研数据相互关联;
(3)通过预先设置的净推荐值公式计算不同活跃度的客户的净推荐值。
于本发明的一实施例中,所述k-means聚类算法模型的工作原理如下:
(1)根据客户的活跃度、消费特征、净推荐值,通过k-means聚类算进行客户价值聚类;
(2)根据客户价值聚类将客户分类为:正推荐型客户、负推荐型客户、正中立型客户、负中立型客户、正贬低型客户、负贬低型客户。
于本发明的一实施例中,所述自定义关联模块工作原理如下:
(1)通过客户关系管理***获取客户的细分定义;
(2)通过细分定义统计净推荐值问卷细分项;
(3)通过净推荐值问卷的每个细分项关联到品牌或者产品的影响因素。
于本发明的一实施例中,所述决策树算法模型的工作原理如下:
(1)将品牌或者产品的影响因素对应调研结果数据的评分作为样本特征,形成样本集;
(2)将样本集作为决策树的子节点计算样本集的信息增益率,如果信息增益率大于预设值,则对样本集进行分割,并且将分割后的样本集作为决策树的子节点,否则,停止对样本集进行分割;
(3)递归执行以上两步,划分得到关键影响因素。
如上所述,本发明的一种满意度智能分析***,具有以下有益效果:
1、通过在设计净推荐值(NPS)问卷阶段进行历史数据自动对接、客户价值聚类、调研问题自定义关联,帮助企业/品牌解决在回收调研问题后由于人群定位不清晰、问题排序设置不合理、无法自动获取用户画像等一系列阻碍调研实现精准分析的问题。
2、通过结合客户价值聚类与净推荐值(NPS)问卷内容定义的细分逻辑搭建自定义关联模块,自动化定位客户的价值贡献与推荐意愿,制定客户策略优先级,完成客户细分;并且结合高价值客户画像,通过净推荐值(NPS)自动化关联分析得出高价值用户的满意与推荐度提升关键点,从而制定分人群运营策略和优先级。
3.通过事先定义的决策树模型识别影响客户推荐意愿的因素和关联影响度,帮助企业/品牌直观清晰地找到自身产品/服务存在的优缺点,以提升客户推荐意愿为目的,制定产品/服务优化的核心方向和策略。
附图说明
图1显示为本发明现有技术中公开的客户区分示意图。
图2显示为本发明实施例中公开的满意度智能分析***的结构框图。
图3显示为本发明实施例中公开的数据采集模块的工作原理图。
图4显示为本发明实施例中公开的k-means聚类算法模型的工作原理图。
图5显示为本发明实施例中公开的自定义关联模块的工作原理图。
图6显示为本发明实施例中公开的决策树算法模型的工作原理图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供的满意度智能分析***是通过在设计净推荐值(NPS)问卷阶段进行历史数据自动对接、客户价值聚类、调研问题自定义关联,帮助企业/品牌解决在回收调研问题后由于人群定位不清晰、问题排序设置不合理、无法自动获取用户画像等一系列阻碍调研实现精准分析的问题;通过自动化数据对接与模型搭建,在调研反馈后可以及时、快速提供问卷结果并输出自定义分析报表,无需额外数据处理,为企业/品牌进行用户满意度调研提供快捷和高效的分析途径。
在通过满意度智能分析***进行分析之前,首先需要人为进行设计:1.业务梳理与调研定位;2、调研流程与机制规划;3、问卷评分体系设计;4、人群细分与沟通机制设计;5、问卷收集定制化设计与开发;6、智能分析报表模型搭建;然后需要计算机进行运算:7、基于问卷收集定制设置的数据采集模型进行调研实施与结果回收;8、基于智能分析报表模型进行分析报表呈现。
请参阅图2,本发明提供一种满意度智能分析***,包括数据采集模型、智能报表分析模型;所述数据采集模块用于采集客户的调研结果数据、历史消费数据,并且将调研结果数据与历史消费数据相互关联,计算客户的净推荐值;所述智能报表分析模型包括k-means聚类算法模型、自定义关联模块、决策树算法模型以及分析报表模块;所述k-means聚类算法模型用于根据调研结果数据、历史消费数据进行客户价值聚类,得到客户分类;所述自定义关联模块用于调研问题与影响因素细分关联;所述决策树算法模型用于根据调研问题与影响因素分析关键影响因素;所述分析报表模块用于根据关键影响因素生成可视化分析报表。
本发明将某化妆品品牌两年内所有消费过的会员作为客户,对满意度智能分析***的工作流程进行说明,通过调研结果数据、会员生命周期阶段以及各品类消费的交叉分析,挖掘品牌不同价值会员的口碑营销潜力与提升关键点。
具体的,所述满意度智能分析***的应用流程如下:
步骤一:通过数据采集模块采集会员的调研结果数据、历史消费数据,并且将调研结果数据与历史消费数据相互关联,计算会员净推荐值,请参阅图3;
(1)通过预先设置的净推荐值问卷对会员进行调研数据采集;
(2)通过客户关系管理***(CRM)获取会员的活跃度,并且会员的活跃度与调研数据相互关联;
(3)通过预先设置的净推荐值公式计算不同活跃度的客户的净推荐值;
其中,客户关系管理***(CRM)根据会员消费频次、消费时间、消费金额等定义会员的活跃度,例如:活跃客、沉睡客、流失客。
步骤二:通过k-means聚类算法模型根据调研结果数据、历史消费数据进行会员价值聚类,得到会员分类,请参阅图4;
(1)根据会员的活跃度、消费特征(可以为单次消费金额、共计消费金额等)、净推荐值,通过k-means聚类算进行会员价值聚类;
(2)根据会员价值聚类将会员分类为:正推荐型会员、负推荐型会员、正中立型会员、负中立型会员、正贬低型会员、负贬低型会员。
其中,k-means聚类算法是输入聚类个数为k,以及包含n个数据对象的数据库,输出满足方差最小标准k个聚类的一种算法;k-means聚类算法接收输入量k,将n个数据对象划分为k个聚类,以便使得所获得的聚类满足:同一类对象的聚类相似度较高,而不同类对象的聚类相似度较低。
所述聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”(引力中心)进行计算,给定样本集D={x1,x2,…,xm},k-means聚类算法针对聚类所得簇划分C={C1,C2,…,Ck}最小化平方误差为:
其中,簇间欧式距离越大,簇与簇之间的样本相似度越低。
使用轮廓系数(silhouette coefficient)确定、选择使得系数较大所对应的k值。
计算样本i到同簇其他样本的平均距离ai,ai越小,则样本i越应该被聚类到该簇;将ai称为样本i的簇内不相似度,簇划分C中所有样本的ai均值称为簇划分C的簇不相似度。
计算样本i到其他某簇Cj的所有样本的平均距离bij,称为样本i与簇Cj的不相似度,定义为样本i的簇间不相似度:bi=min{bi1,bi2,…,bik},bi越大,则说明样本i越不属于其他簇。
轮廓系数范围在[-1,1]之间,该值越大,越合理,si接近1,则说明样本i聚类合理;si接近-1,则说明样本i更应该分类到另外的簇;若si近似为0,则说明样本i在两个簇的边界上。
所有样本的si的均值称为聚类结果的轮廓系数,是该聚类是否合理、有效的度量,使用轮廓系数来确定,选择使系数较大所对应的k值。
步骤三:通过自定义关联模块对调研问题与影响因素进行细分关联,请参阅图5;
(1)通过客户关系管理***获取客户的细分定义;
(2)通过细分定义统计净推荐值问卷细分项;
(3)通过净推荐值问卷的每个细分项关联到品牌或者产品的影响因素。
由于净推荐值(NPS)问卷是由品牌的客户关系管理***(CRM)针对会员出发的,因此,可以结合品牌的客户关系管理***(CRM)对会员进行细分定义,例如:新会员、老会员、某产品购买的会员等,基于会员的净推荐值(NPS)问卷的调研问题结果统计细分项,并且通过每个调研细分项关联到品牌/产品因素,例如:促销、价格、功效、服务等。
步骤四:通过决策树算法模型根据调研问题与影响因素分析关键影响因素,请参阅图6;
(1)将品牌或者产品的影响因素对应调研结果数据的评分作为样本特征,形成样本集;
本实施例选取净推荐值(NPS)问卷中每个客户对各个细项的评分作为样本特征,形成样本集;例如价格(PRICE)、商品(PRODUCT)、营销活动(CAMPAIGN)、服务(SERVICE)等。
(2)将样本集作为决策树的子节点计算样本集的信息增益率,如果信息增益率大于预设值,则对样本集进行分割,并且将分割后的样本集作为决策树的子节点,否则,停止对样本集进行分割;
其中,决策树算法采用信息增益率的方式来选择属性,选择具有最大增益率的属性作为***属性;
分子信息增益定义为原来的信息需求与新需求之间的差,分子表达式为:Gain(A)=Info(D)-InfoA(D);
其中,D为样本特征输出的集合,A为样本特征。
(3)递归执行以上两步,划分得到关键影响因素。
综上所述,本发明基于计算机技术对调研结果进行自动报表分析,以提升客户推荐意愿(即口碑营销潜力)为目的,帮助企业快速获取客户满意度的分析结果,从而实现更加高效的调研机制和更加精准的策略应用。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种满意度智能分析***,其特征在于:包括数据采集模型、智能报表分析模型;所述数据采集模块用于采集客户的调研结果数据、历史消费数据,并且将调研结果数据与历史消费数据相互关联,计算客户的净推荐值;所述智能报表分析模型包括k-means聚类算法模型、自定义关联模块、决策树算法模型以及分析报表模块;所述k-means聚类算法模型用于根据调研结果数据、历史消费数据进行客户价值聚类,得到客户分类;所述自定义关联模块用于调研问题与影响因素细分关联;所述决策树算法模型用于根据调研问题与影响因素分析关键影响因素;所述分析报表模块用于根据关键影响因素生成可视化分析报表。
2.根据权利要求1所述的一种满意度智能分析***,其特征在于:所述数据采集模块工作原理如下:
(1)通过预先设置的净推荐值问卷对客户进行调研数据采集;
(2)通过客户关系管理***获取客户的活跃度,并且将客户的活跃度与调研数据相互关联;
(3)通过预先设置的净推荐值公式计算不同活跃度的客户的净推荐值。
3.根据权利要求2所述的一种满意度智能分析***,其特征在于:所述k-means聚类算法模型的工作原理如下:
(1)根据客户的活跃度、消费特征、净推荐值,通过k-means聚类算进行客户价值聚类;
(2)根据客户价值聚类将客户分类为:正推荐型客户、负推荐型客户、正中立型客户、负中立型客户、正贬低型客户、负贬低型客户。
4.根据权利要求3所述的一种满意度智能分析***,其特征在于:所述自定义关联模块工作原理如下:
(1)通过客户关系管理***获取客户的细分定义;
(2)通过细分定义统计净推荐值问卷细分项;
(3)通过净推荐值问卷的每个细分项关联到品牌或者产品的影响因素。
5.根据权利要求4所述的一种满意度智能分析***,其特征在于:所述决策树算法模型的工作原理如下:
(1)将品牌或者产品的影响因素对应调研结果数据的评分作为样本特征,形成样本集;
(2)将样本集作为决策树的子节点计算样本集的信息增益率,如果信息增益率大于预设值,则对样本集进行分割,并且将分割后的样本集作为决策树的子节点,否则,停止对样本集进行分割;
(3)递归执行以上两步,划分得到关键影响因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769166.5A CN114092123A (zh) | 2020-08-03 | 2020-08-03 | 一种满意度智能分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769166.5A CN114092123A (zh) | 2020-08-03 | 2020-08-03 | 一种满意度智能分析*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092123A true CN114092123A (zh) | 2022-02-25 |
Family
ID=80295135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010769166.5A Pending CN114092123A (zh) | 2020-08-03 | 2020-08-03 | 一种满意度智能分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092123A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151872A (zh) * | 2022-11-28 | 2023-05-23 | 荣耀终端有限公司 | 产品特性分析方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050089189A (ko) * | 2004-03-04 | 2005-09-08 | 한국과학기술원 | 고객 만족 지수 분석 시스템 및 방법 |
CN107230090A (zh) * | 2016-03-23 | 2017-10-03 | ***通信集团上海有限公司 | 一种净推荐值nps分类方法及装置 |
CN110942098A (zh) * | 2019-11-28 | 2020-03-31 | 江苏电力信息技术有限公司 | 一种基于贝叶斯剪枝决策树的供电服务质量分析方法 |
-
2020
- 2020-08-03 CN CN202010769166.5A patent/CN114092123A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050089189A (ko) * | 2004-03-04 | 2005-09-08 | 한국과학기술원 | 고객 만족 지수 분석 시스템 및 방법 |
CN107230090A (zh) * | 2016-03-23 | 2017-10-03 | ***通信集团上海有限公司 | 一种净推荐值nps分类方法及装置 |
CN110942098A (zh) * | 2019-11-28 | 2020-03-31 | 江苏电力信息技术有限公司 | 一种基于贝叶斯剪枝决策树的供电服务质量分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151872A (zh) * | 2022-11-28 | 2023-05-23 | 荣耀终端有限公司 | 产品特性分析方法和装置 |
CN116151872B (zh) * | 2022-11-28 | 2023-11-14 | 荣耀终端有限公司 | 产品特性分析方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Seng et al. | An analytic approach to select data mining for business decision | |
Chen | Ranking discovered rules from data mining with multiple criteria by data envelopment analysis | |
Sun et al. | GPHC: A heuristic clustering method to customer segmentation | |
CN104346698A (zh) | 基于云计算和数据挖掘的餐饮会员大数据分析和考核*** | |
CN117829914B (zh) | 一种数字媒体广告效果评估*** | |
CN108921602A (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
Zhou et al. | Quality function deployment: A bibliometric-based overview | |
Hemalatha | Market basket analysis–a data mining application in Indian retailing | |
Orogun et al. | Predicting consumer behaviour in digital market: a machine learning approach | |
Oliveira | Analytical customer relationship management in retailing supported by data mining techniques | |
Wang et al. | A reliable location design of unmanned vending machines based on customer satisfaction | |
Abdulla | Application of MIS in E-CRM: A literature review in FMCG supply chain | |
CN107368506A (zh) | 非结构化数据分析***和方法 | |
CN114092123A (zh) | 一种满意度智能分析*** | |
Halkiopoulos et al. | E-marketing and Online Advertising: Case Study in Greek Companies during Economic Crisis | |
CN117291651A (zh) | 美妆行业的自然复购预测模型的创建方法及其应用 | |
Daneshmandi et al. | A hybrid data mining model to improve customer response modeling in direct marketing | |
Wang et al. | Research on precision marketing strategy based on cluster analysis algorithm | |
Casabayó et al. | Using AI techniques in the grocery industry: Identifying the customers most likely to defect | |
Danubianu et al. | Improving customer relationship management in hotel industry by data mining techniques | |
Paul et al. | An RFM and CLV analysis for customer retention and customer relationship management of a logistics firm | |
Guo et al. | Decision support system for industrial designer based on Kansei engineering | |
Xu | Design of CRM Hotel Management System Based on Machine Learning Algorithm | |
Gončarovs et al. | Using data analytics for continuous improvement of CRM processes: case of financial institution | |
Bahri et al. | Data Mining Techniques To Uncovering Customer Segments: K-Means Clustering Using The Elbow Method Approach In Medium-Scale Grocery |
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 |