CN114238615A - 一种企业服务成果数据处理方法及*** - Google Patents
一种企业服务成果数据处理方法及*** Download PDFInfo
- Publication number
- CN114238615A CN114238615A CN202111523184.6A CN202111523184A CN114238615A CN 114238615 A CN114238615 A CN 114238615A CN 202111523184 A CN202111523184 A CN 202111523184A CN 114238615 A CN114238615 A CN 114238615A
- Authority
- CN
- China
- Prior art keywords
- service
- information
- enterprise
- customer
- achievement
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种企业服务成果数据处理方法及***,其中,该方法包括:获得第一企业信息;获得第一企业历史服务成果信息;基于第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,第一企业服务融合数据库内包括多种服务成果类别;获得第一客户画像信息;基于第一分类规则,对第一客户画像信息进行分类,获得第一客户服务成果需求信息;基于第二分类规则,对第一客户服务成果需求信息在一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,第一客户服务类型为多种服务成果类别中的一种;以第一客户服务类型对第一客户进行服务。
Description
技术领域
本发明涉及企业数据处理技术领域,具体涉及一种企业服务成果数据处理方法及***。
背景技术
服务类行业为三大产业中的第三产业,服务类行业内包括提供企业或个人问题解决方案的咨询行业,其通过客户信息规划合适的问题解决方案,包括法律咨询、物业管理咨询以及财务咨询等等行业。
咨询行业的企业一般会根据较优秀的已完成咨询服务方案成果进行员工培训和学习,并作为经验为新客户提供更好的服务方案。
在实现本申请中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中对于已完成的优秀咨询服务方案成果主要作为经验案例进行学习,对于新客户需要重新制定服务方案,无法对全部企业服务成果进行高效管理利用,也无法根据历史服务成果制定新客户的服务方案,存在着服务成果数据利用效率低的技术问题。
发明内容
本申请提供了一种企业服务成果数据处理方法及***,用于针对解决现有技术中无法对全部企业服务成果进行高效管理利用,存在着的服务成果数据利用效率低的技术问题。
鉴于上述问题,本申请提供了一种企业服务成果数据处理方法及***。
本申请的第一个方面,提供了一种企业服务成果数据处理方法,所述方法包括:获得第一企业信息;获得所述第一企业历史服务成果信息;基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,所述第一企业服务融合数据库内包括多种服务成果类别;获得第一客户画像信息;基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息;基于第二分类规则,对第一客户服务成果需求信息在所述第一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,所述第一客户服务类型为所述多种服务成果类别中的一种;以所述第一客户服务类型对所述第一客户进行服务。
本申请的第二个方面,提供了一种企业服务成果数据处理***,所述***包括:第一获得单元,所述第一获得单元用于获得第一企业信息;第二获得单元,所述第二获得单元用于获得所述第一企业历史服务成果信息;第一构建单元,所述第一构建单元用于基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,所述第一企业服务融合数据库内包括多种服务成果类别;第三获得单元,所述第三获得单元用于获得第一客户画像信息;第一处理单元,所述第一处理单元用于基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息;第二处理单元,所述第二处理单元用于基于第二分类规则,对第一客户服务成果需求信息在所述第一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,所述第一客户服务类型为所述多种服务成果类别中的一种;第三处理单元,所述第三处理单元用于以所述第一客户服务类型对所述第一客户进行服务。
本申请的第三个方面,提供了一种企业服务成果数据处理***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使***以执行如第一方面所述方法的步骤。
本申请的第四个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过获得根据企业信息,获得该企业的历史服务成果信息,然后基于历史服务成果信息构建企业服务融合数据库,在需要为新客户制定服务方案时,获取新客户的画像信息,并对该画像信息进行分类,获得新客户的服务成果需求信息,然后根据该服务成果需求信息在企业服务融合数据库内进行分类比对,获得新客户的服务类型,进而根据历史服务成果对新客户进行服务。本申请通过采集企业的历史服务成果信息,并构建企业服务融合数据库,实现对企业历史服务成果信息的有效管理,作为企业历史案例的同时,能够对历史成果信息进行调用,本申请还通过建立两种分类规则,根据客户画像进行分类获得客户所需的服务需求,然后根据服务需求进行分类推荐历史服务成果类别内的服务方案,能够提供历史服务成果数据的利用率,根据客户智能推荐服务方案,提升服务方案制定的智能性和准确性,提升服务方案制定的效率,达到了提供服务企业历史服务成果数据利用率和新服务方案制定准确性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种企业服务成果数据处理方法流程示意图;
图2为本申请提供的一种企业服务成果数据处理方法中第一分类规则的流程示意图;
图3为本申请提供的一种企业服务成果数据处理方法中第二分类规则的流程示意图;
图4为本申请提供了一种企业服务成果数据处理***结构示意图;
图5为本申请示例性电子设备的结构示意图。
图中:11.第一获得单元;12.第二获得单元;13.第一构建单元;14.第三获得单元;15.第一处理单元;16.第二处理单元;17.第三处理单元;300.电子设备;301.存储器;302.处理器;303.通信接口;304.总线架构。
具体实施方式
本申请提供了一种企业服务成果数据处理方法及***,用于针对解决现有技术中无法对全部企业服务成果进行高效管理利用,也无法根据历史服务成果制定新客户的服务方案,存在着的服务成果数据利用效率低的技术问题。
服务业和农业、制造业构成三大产业,随着经济的发展,现代社会中,服务业已经成为经济生产中最重要的产业。服务业中除提供实际物质服务的行业以外,还包括为企业或个人提供问题解决方案的咨询行业,其具体包括法律咨询、物业管理咨询以及财务咨询等等行业。咨询行业在为客户提供服务解决方案后,会将较优秀、效果较好的解决方案进行保存,作为优秀的服务成果案例,进行员工培训和复盘学习,并作为经验为新客户提供更好的服务方案。对于一般的解决方案,企业则不会进行保存,但实际上一般的解决方案也有部分优秀的点,可供学习和作为新服务方案的基础。现有技术中对于已完成的优秀咨询服务方案成果主要作为经验案例进行学习,对于新客户需要重新制定服务方案,无法对企业服务成果进行高效管理利用,也无法根据历史服务成果制定新客户的服务方案,存在着服务成果数据利用效率低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
获得第一企业信息;获得所述第一企业历史服务成果信息;基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,所述第一企业服务融合数据库内包括多种服务成果类别;获得第一客户画像信息;基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息;基于第二分类规则,对第一客户服务成果需求信息在所述第一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,所述第一客户服务类型为所述多种服务成果类别中的一种;以所述第一客户服务类型对所述第一客户进行服务。
在介绍了本申请基本原理后,下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种企业服务成果数据处理方法,所述方法包括:
S100:获得第一企业信息;
S200:获得所述第一企业历史服务成果信息;
具体而言,第一企业即为现有技术中从事服务业的任意企业,优选为从事咨询服务的任意企业,第一企业可根据客户咨询问题明确客户需求,制定问题解决方案为客户解决问题,解决完成后该解决方案即为第一企业的服务成果。示例性地,第一企业可为法律咨询企业、财务管理咨询企业、物业管理咨询企业等,进一步优选为法律咨询企业。
第一企业在为客户服务提供服务方案后,将服务方案作为服务成果进行数据处理,并进行保存,获得第一企业的历史服务成果信息。通过调用该历史服务成果信息,即可得到第一企业历史服务成果信息。
S300:基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,所述第一企业服务融合数据库内包括多种服务成果类别;
具体而言,基于上述的第一企业的历史服务成果信息,对其进行保存的过程中,采用第一企业历史服务成果信息构建第一企业服务融合数据库,以便于后续调用其内的历史服务成果信息。
在保存第一企业历史服务成果信息的过程中,可从多个维度对第一企业历史服务成果信息进行分类,然后采用数据库进行保存,提升调用第一企业历史服务成果信息的效率。
本申请提供的方法中的步骤S300包括:
S310:基于所述第一企业历史服务成果信息,获得M类服务信息,M为正整数;
S320:基于所述M类服务信息,获得M类服务信息区间;
S330:基于所述M类服务信息区间,筛选获得满足预设条件的服务信息区间,获得M个筛选企业服务信息区间;
S340:基于所述M个筛选企业服务信息区间,构建所述第一企业服务融合数据库。
具体而言,如前述内容,第一企业历史服务成果信息内包括多个历史上为客户提供的服务方案内的信息,每个服务方案内均包括多类不同的信息,示例性地,每个服务方案内均包括:客户对象、服务内容、服务效率、服务流程、服务效果评价等信息。第一企业优选为法律咨询企业,则该第一企业的每个历史服务方案内可包括:咨询法律领域(例如婚姻法、劳动法、房地产法律等领域)、法律服务内容(咨询分析服务、法律文书服务、仲裁服务等)、服务效率、服务效果评价等信息。
基于第一企业历史服务成果信息,获得其中的M类服务信息,M为正整数,M类服务信息即包括每一个历史服务方案内上述的客户对象、服务内容、服务效率、服务流程、服务效果评价等多类信息。基于该M类服务信息,获得M类服务信息区间。服务信息区间与服务信息一一对应,服务信息区间指该类服务信息在多个服务方案中能够达到的值域区间。示例性地,对于服务效率类服务信息,其对应的服务信息区间可为[1,10],其中,1代表服务效率极慢,10代表服务效率极快。对于客户对象类服务信息,其对应的服务信息区间内的值可指代不同的客户对象或不同的领域,例如可为房地产法律领域或劳动法领域。
基于M类服务信息区间,筛选获得满足预设条件的服务信息区间,获得M个筛选企业服务信息区间,具体地,为去除部分较差的服务信息数据,对M类服务信息区间的值域进行筛选。示例性地,服务效率类服务信息的服务信息区间可为[1,10],为筛选去除服务效率极低的服务信息,避免调用历史服务成果信息时获得服务效率极差的服务信息,而影响学习历史案例以及根据历史服务成果进行服务方案规划的效果,对服务效率服务信息区间[1,10]进行筛选,筛选后获得的筛选企业服务信息区间为[3,10],筛选去除了[1,3)的部分。而对于客户对象和服务内容类服务信息,其对应的服务信息区间内并不包括较优的数据和较劣的数据,不对该服务信息区间进行筛选,如此,获得用于筛选服务信息区间的预设条件,对服务信息区间进行筛选。
进一步地,根据筛选获得的M个筛选企业服务信息区间,其内筛选去除了部分较劣的服务信息,基于此构建第一企业服务融合数据库,将筛选后的M个筛选企业服务信息区间内的M类企业服务信息,将每类企业服务信息内的数据进行组合,获得新的历史服务方案信息,构建上述的第一企业服务融合数据库,并采用数据库进行储存,并构建SQL语句进行历史服务成果的查询。
构建的第一企业服务融合数据库内,包括多个历史服务方案,组成多种服务成果类别,示例性地,多种服务成果类别包括服务速率较快、服务内容较少、服务效果一般的类别,以及服务速率较慢、服务价格较高、服务内容复杂和服务效果好的类别等,可在为新客户制定服务方案时根据新客户需求进行历史服务成果的推荐定制。
本申请通过对历史服务成果信息数据进行划分,将每个历史服务方案内的数据归类为M类服务信息数据,并对M类服务信息数据的区间根据业务需求进行筛选,去除较劣的服务信息数据,组成新的服务方案数据,构建第一企业服务融合数据库,能够根据新客户的信息和需求调用第一企业服务融合数据库内的服务方案数据,为新客户推荐服务方案,提升服务效率,并且可避免调用获得较差的服务信息数据,提升服务效果。
S400:获得第一客户画像信息;
本申请提供的方法中的步骤S400包括:
S410:对所述第一企业历史服务成果信息进行降维处理;
S420:对降维后的所述第一企业历史服务成果信息按照客户类型分类,获得多族客户信息;
S430:获得第一客户信息;
S440:将所述第一客户信息在所述多族客户信息内映射匹配,获得第一同族客户信息;
S450:基于所述第一同族客户信息,获得第一客户画像信息。
具体而言,第一客户画像为第一企业当前需要为其服务,提供问题解决方案的新客户的画像信息,画像是指一类客户数据的标签化,第一客户画像信息包括该新客户所属客户群体在咨询服务过程中涉及的各种数据,示例性地,第一客户画像信息包括:客户类型、客户预算、客户规模、客户领域、客户需求等,客户类型可为私人或企业客户,客户领域可为房地产企业或个人业主等,客户需求可为法律问题咨询或法律文件起草等等。
为构建多种的客户画像信息,需要采用第一企业历史服务成果信息内的服务对象信息以及对应的服务方案信息进行构建,第一企业历史服务成果信息内的数据在构建基础客户画像信息的过程中可能会出现数据量过大、维度崩溃的问题,因此,需要对第一企业历史服务成果信息进行降维。
优选地,本申请中采用主成分分析法对第一企业历史服务成果信息进行降维处理,首先,对第一企业历史服务成果信息内的数据进行数值化处理,然后对数值化特征数据进行中心化处理,例如将服务对象特征数据进行求均值,然后对于所有的服务对象特征数据样本,减去该均值,获得新的特征值,处理所有特征数据,组成新的第一企业历史服务成果信息。新的第一企业历史服务成果信息为一数据矩阵,然后,对该数据矩阵采用协方差公式进行运算,获得协方差矩阵,然后通过矩阵运算,求出协方差矩阵内每个特征值对应的特征向量。在多个特征值数据和对应的特征向量内,选取最大的若干个特征值和对应的特征向量,将原始的第一企业历史服务成果信息的数值化特征数据投影到所选取的特征向量上,完成降维处理。
本申请通过对第一企业历史服务成果信息进行降维处理,处理后的第一企业历史服务成果信息内数量维度较小,能够提升后续的计算效率,并且能最大限度地保证原第一企业历史服务成果信息内数据的特性,不影响客户画像建立的准确性。
对于降维后的第一企业历史服务成果信息,获得其内的多个历史服务方案信息,进一步获得其内的服务对象信息,按照服务对象的客户类型对多个服务方案信息进行划分并进行归类,获得多族客户信息。多组客户信息内的每一族客户信息及代表了一类客户。示例性地,多组客户信息内的某一族客户信息包括私人、预算较高、个人业主、房地产法律领域法律问题咨询等信息,根据该族客户信息可获得第一企业为该类型客户制定的所有服务方案信息。
获得多族客户信息之后,获得当前需要进行服务的新客户信息,然后将该新客户信息在多族客户信息内映射匹配,获得第一同族客户信息,将该同族客户信息作为该第一客户的第一客户画像信息,完成客户画像的构建,对于第一客户可根据该同族客户信息你。
本申请通过历史服务信息数据构建客户画像信息,能够根据客户数据标签为客户提供服务方案推荐,能够提升服务方案制定的效率和推荐的准确性。
S500:基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息;
如图2所示,本申请提供的方法中的步骤S500包括:
S510:构建、训练获得分类森林模型;
S520:将所述第一客户画像信息输入所述分类森林模型,获得多个输出结果;
S530:基于所述多个输出结果,获得第一输出结果,其中所述第一输出结果为出现概率最高的一输出结果;
S540:将所述第一输出结果作为所述第一客户服务成果需求信息。
其中,步骤S510包括:
S511:获得历史服务成果信息集合;
S512:构建所述分类森林模型,所述分类森林模型内包括X个分类树,X为正整数;
S513:有放回地随机选择所述历史服务成果信息集合内的N个服务成果信息,N为正整数;
S514:获得所述N个服务成果信息内的第一数据集,训练分类根节点;
S515:获得所述N个服务成果信息内的第二数据集,训练分类枝节点,直到训练完成第一分类树;
S516:再次有放回地随机选择所述历史服务成果信息集合内的N个服务成果信息,训练第二分类树,直到训练完成第X分类树,得到所述分类森林模型。
具体而言,在获得第一客户画像信息之后,由于第一客户画像信息内的数据标签的范围仍然较大,例如根据第一客户画像信息可获知该第一用户需要咨询房地产法律方面的服务,但却不知晓需要咨询房地产法律领域哪一类的法律问题,因此,需要进一步对第一客户画像信息进行分类。
本申请中采用分类森林模型进行第一用户画像的分类,首先,需构建、训练获得分类森林模型。首先,获得历史服务成果信息集合,该历史服务成果信息集合为与第一企业相同行业领域内的多个咨询服务公司内所有的历史服务信息的集合,历史服务成果信息集合内的服务信息与第一企业历史服务成果信息内的服务信息类型相同,历史服务成果信息集合可通过联邦学习进行获得,对所有公司的历史服务信息进行加密获取使用,提升数据量。
首先,构建分类森林模型,其内包括括X个分类树,X为正整数,每个分类树内均包括分类根节点、分类枝节点和分类叶节点,其中,分类枝节点和分类叶节点可为多个。每个分类枝节点和分类叶节点内均包括一个分级特征,可将一部分数据进行二分类,最终分类至最终的类别中。
构建完毕分类森林模型后,可选取历史服务成果信息集合内的服务信息数据作为训练数据对分类森林模型进行训练,具体地,逐个训练分类森林模型内的分类树,最终完成分类森林模型的训练。首先,有放回地随机选择历史服务成果信息集合内的N个服务成果信息,其中,N为正整数,且N小于随机选择历史服务成果信息集合内服务成果信息的个数,即并非选择历史服务成果信息集合内所有服务成果信息进行单个分类树的训练。
获得该N个服务成果信息内的第一数据集,首先,需要计算第一数据集的信息熵,以确定第一数据集是否能够将N个服务成果信息全部分类,其通过信息熵计算公式进行计算,如下:
其中,t表示随机变量,与之相对应的是所有可能输出的集合,定义为符号集,随机变量的输出用t表示,p(i│t)表示输出概率函数,变量的不确定性越大,熵也就越大。该信息熵越小,则对应的数据集能够更好地将所有服务成果信息进行分类。计算N个服务成果信息内所有数据集的信息熵,按照信息熵从小到大进行排序数据集,然后依次对分类树的根节点至叶节点进行训练。
采用第一数据集训练第一分类树的分类根节点。示例性地,分类根节点为:客户类型为私人客户或企业客户,第一数据集内包括N个服务成果信息内服务对象的信息,根据该分类根节点可将N个服务成果信息进行二分类。
然后,获得N个服务成果信息内的第二数据集,第二数据集的信息熵大于第一数据集的信息熵,将第二数据集作为训练数据训练第一分类树的分类枝节点,根据该分类枝节点可将经分类根节点分类后的二分类的N个服务成果信息进一步进行分类。
如此重复上述步骤,采用N个服务成果信息内的多组数据集训练第一分类树的根节点直至最后的叶节点,直至将N个服务成果信息分类至预设要求或无法继续分类为止,完成第一分类树的训练。训练完成后,即可将第一客户画像信息输入该第一分类树的根节点,对第一画像信息按照其包括的客户服务需求信息进行分类,最终获得第一画像信息对应的客户服务成果需求。
但是,一个分类树的分类结果可能是不准确的,因此,本申请采用分类森林模型,构建多个分类树。进一步地,从上述的历史服务成果信息集合内再次有放回地随机选择N个服务成果信息,第二次随机选择的N个服务成果信息与第一次第一分类树的N各服务成果信息可能相同,可能部分相同,完全随机,达到以历史服务成果信息集随机的服务成果信息进行各个分类树训练的目的。
如上述步骤,采用第二次选择的N个服务成果信息进行第二分类树的根节点、枝节点和叶节点的训练,完成第二分类树的训练。然后,再一次有放回的从历史服务成果信息集合随机选择N个服务成果信息进行第三分类树的训练,直至训练至第X分类树,完成分类森林模型的训练。
完成分类森林模型的训练后,将第一客户画像信息分类森林模型,即同时输入了X个分类树,由于每个分类树内的训练数据完全随机,因此,各个分类树的输出结果并不完全相同,能够得到X个输出结果,但是由于各个分类树的训练数据均选自同一数据库,即历史服务成果信息集合,且可设置N值超过历史服务成果信息集合内服务成果信息数量值的一半,优选为历史服务成果信息集合内服务成果信息数量值的2/3,则各分类树的训练数据之间存在一定交集。因此,大部分分类树的输出结果相同或近似,获得X个输出结果内出现概率最高的一输出结果作为第一数据结果,将该第一输出结果作为第一客户服务成果需求信息,即完成了根据第一客户画像信息分类获得该第一客户的服务成果需求信息。
本申请通过采集海量历史服务成果信息,进行分类森林模型的训练,分类森林模型能够处理高维数据样本,无需进行降维,且分类森林模型内包括多个分类树,根据多个输出结果获得概率最高的输出结果,分类准确率高,能够根据历史服务成果信息,对第一客户画像信息进行准确分类,获得服务该第一客户最为可能需要的第一服务成果需求信息,进而基于该第一服务成果需求信息进行第一企业历史服务成果信息的调用和参考,达到提升历史服务成果信息的管理效率的技术效果。
S600:基于第二分类规则,对第一客户服务成果需求信息在所述第一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,所述第一客户服务类型为所述多种服务成果类别中的一种;
如图3所示,本申请提供的方法中的步骤S600包括:
S610:对所述第一客户服务成果需求信息进行预处理,获得第一客户服务需求文本信息;
S620:构建第二分类规则分类器;
S630:将所述第一客户服务需求文本信息进行分词,获得第一客户服务需求特征;
S640:将所述第一客户服务需求特征输入所述第二分类规则分类器,获得所述第一客户服务类型。
其中,步骤S620包括:
S621:基于所述第一企业服务融合数据库,获得多种所述服务成果类别,作为分类标签;
S622:基于所述第一企业服务融合数据库,获得多个第一企业服务成果信息,每个所述第一企业服务成果信息内包括多个服务需求特征;
S623:计算包含不同的所述多个服务需求特征的所述第一企业服务成果信息归类为某一所述分类标签的概率,获得所述第二分类规则分类器。
具体而言,经第一分类规则分类后获得的第一客户服务成果需求信息为其对应的第一客户画像信息所需要的服务成果的需求信息,将该第一客户服务成果需求信息数据转化为文本信息,示例性地,第一客户服务成果需求信息包括:咨询法律领域内房地产法律方面的房产税务法律问题,根据该第一客户服务成果需求信息,需要进一步确定其对应的服务方案类别,进行历史服务方案的推荐,因此,需要进一步对该第一客户服务成果需求信息进行分类。
首先,对第一客户服务成果需求信息进行预处理,具体包括将第一客户服务成果需求信息进行文本化处理,并去除其中部分停用词(Stop words),示例性地,去除“咨询法律领域内房地产法律方面的房产税务法律问题”内的“内”、“方面的”等停用词,然后,进行分词,获得第一客户服务成果需求信息内的特征分词。示例性地,将“咨询法律领域内房地产法律方面的房产税务法律问题”的分词为“法律领域”、“房地产”“房产税务”“法律问题”,将这些分词作为第一客户服务成果需求信息内的第一客户服务需求特征。
基于上述的预处理结果,还需构建并训练获得第二分类规则分类器,对第一客户服务成果需求信息进行分类。首先,获得上述第一企业服务融合数据库内的多种服务成果类别,将多种服务成果类别作为第一客户服务成果需求信息分类归类的分类标签,即第一客户服务成果需求信息经分类后,可划分至某一个服务成果类别内。
进一步地,基于上述的第一企业服务融合数据库,获得多个第一企业服务成果信息,每个第一企业服务成果信息内包括多个服务需求特征,多个服务需求特征与前述的M类服务信息一一对应,包括服务内容、服务效率、服务流程、服务效果评价等服务需求特征,根据该多个服务需求特征,可确定获得一对应的第一企业服务成果信息。
基于上述的多个服务需求特征和第一企业服务成果信息,计算包括不同的服务需求特征的第一企业服务成果信息归类为某一个服务成果类别的概率,获得第二分类规则分类器。该第二分类规则分类器如下:
其中,A为所述第一企业服务成果信息,c_i为所述分类标签,P(c_i│A)为某一所述第一企业服务成果信息的分类标签为c_i的概率,P(c_i)为c_i在所有所述分类标签内的概率分布,a_j为第一企业服务成果信息内的第j个服务需求特征,P(a_j|c_i)为c_i内服务需求特征a_j出现的概率。
如此,基于该第二分类规则分类器,将上述的第一客户服务需求文本信息分词后获得的第一客户服务需求特征,输入该第二分类规则分类器,根据第一客户服务需求特征对第一客户服务成果需求信息进行分类,获得其对应的分类标签,即为对应的第一客户服务类型,该第一客户服务类型为上述第一企业服务融合数据库内多种服务成果类别中的一种。
示例性地,根据上述的“法律领域”、“房地产”、“房产税务”、“法律问题”等第一客户服务需求特征计算第一客户服务成果需求信息对应的分类标签,如下:
其中,c_i即为第一客户服务类型,计算获得第一客户服务成果需求信息对应归类至所有样本标签内的概率后,选择最大概率的一样本标签,作为上述的第一客户服务类型,完成第一客户服务成果需求信息的分类。
S700:以所述第一客户服务类型对所述第一客户进行服务。
本申请通过采用第二分类规则分类器对第一客户服务成果需求信息进行分类,能够根据第一客户服务成果需求信息获得准确的第一客户服务类型,完成根据客户画像分类获得客户需求,再根据客户需求分类获得服务类型,最后根据服务类型调用第一企业历史服务成果信息内一服务成果类别的服务方案,为第一客户推荐服务方案,并作为制定新服务方案的基础,进行客户服务,达到了提升历史服务成果信息管理调用效率和准确率的技术效果。
综上所述,本申请通过采集企业的历史服务成果信息,并构建企业服务融合数据库,实现对企业历史服务成果信息的有效管理,作为企业历史案例的同时,能够对历史成果信息进行调用,本申请还通过建立两种分类规则,根据客户画像进行分类获得客户所需的服务需求,然后根据服务需求进行分类推荐历史服务成果类别内的服务方案,能够提供历史服务成果数据的利用率,根据客户智能推荐服务方案,提升服务方案制定的智能性和准确性,提升服务方案制定的效率,达到了提供服务企业历史服务成果数据管理利用效率、提升历史服务成果数据推荐准确性和提升新服务方案制定准确性的技术效果。
实施例二
基于与前述实施例中一种企业服务成果数据处理方法相同的发明构思,如图4所示,本申请提供了一种企业服务成果数据处理***,其中,所述***包括:
第一获得单元11,所述第一获得单元11用于获得第一企业信息;
第二获得单元12,所述第二获得单元12用于获得所述第一企业历史服务成果信息;
第一构建单元13,所述第一构建单元13用于基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,所述第一企业服务融合数据库内包括多种服务成果类别;
第三获得单元14,所述第三获得单元141用于获得第一客户画像信息;
第一处理单元15,所述第一处理单元15用于基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息;
第二处理单元16,所述第二处理单元16用于基于第二分类规则,对第一客户服务成果需求信息在所述第一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,所述第一客户服务类型为所述多种服务成果类别中的一种;
第三处理单元17,所述第三处理单元17用于以所述第一客户服务类型对所述第一客户进行服务。
进一步的,所述***还包括:
第四获得单元,所述第四获得单元用于基于所述第一企业历史服务成果信息,获得M类服务信息,M为正整数;
第五获得单元,所述第五获得单元用于基于所述M类服务信息,获得M类服务信息区间;
第四处理单元,所述第四处理单元用于基于所述M类服务信息区间,筛选获得满足预设条件的服务信息区间,获得M个筛选企业服务信息区间;
第二构建单元,所述第二构建单元用于基于所述M个筛选企业服务信息区间,构建所述第一企业服务融合数据库。
进一步的,所述***还包括:
第五处理单元,所述第五处理单元用于对所述第一企业历史服务成果信息进行降维处理;
第六处理单元,所述第六处理单元用于对降维后的所述第一企业历史服务成果信息按照客户类型分类,获得多族客户信息;
第六获得单元,所述第六获得单元用于获得第一客户信息;
第七处理单元,所述第七处理单元用于将所述第一客户信息在所述多族客户信息内映射匹配,获得第一同族客户信息;
第八处理单元,所述第八处理单元用于基于所述第一同族客户信息,获得第一客户画像信息。
进一步的,所述***还包括:
第三构建单元,所述第三构建单元用于构建、训练获得分类森林模型;
第九处理单元,所述第九处理单元用于将所述第一客户画像信息输入所述分类森林模型,获得多个输出结果;
第十处理单元,所述第十处理单元用于基于所述多个输出结果,获得第一输出结果,其中所述第一输出结果为出现概率最高的一输出结果;
第七获得单元,所述第七获得单元用于将所述第一输出结果作为所述第一客户服务成果需求信息。
进一步的,所述***还包括:
获得历史服务成果信息集合;
第四构建单元,所述第四构建单元用于构建所述分类森林模型,所述分类森林模型内包括X个分类树,X为正整数;
第八获得单元,所述第八获得单元用于有放回地随机选择所述历史服务成果信息集合内的N个服务成果信息,N为正整数;
第十一处理单元,所述第十一处理单元用于获得所述N个服务成果信息内的第一数据集,训练分类根节点;
第十二处理单元,所述第十二处理单元用于获得所述N个服务成果信息内的第二数据集,训练分类枝节点,直到训练完成第一分类树;
第十三处理单元,所述第十三处理单元用于再次有放回地随机选择所述历史服务成果信息集合内的N个服务成果信息,训练第二分类树,直到训练完成第X分类树,得到所述分类森林模型。
进一步的,所述***还包括:
第十四处理单元,所述第十四处理单元用于对所述第一客户服务成果需求信息进行预处理,获得第一客户服务需求文本信息;
第五构建单元,所述第五构建单元用于构建第二分类规则分类器;
第十五处理单元,所述第十五处理单元用于将所述第一客户服务需求文本信息进行分词,获得第一客户服务需求特征;
第十六处理单元,所述第十六处理单元用于将所述第一客户服务需求特征输入所述第二分类规则分类器,获得所述第一客户服务类型。
进一步的,所述***还包括:
第九获得单元,所述第九获得单元用于基于所述第一企业服务融合数据库,获得多种所述服务成果类别,作为分类标签;
第十获得单元,所述第十获得单元用于基于所述第一企业服务融合数据库,获得多个第一企业服务成果信息,每个所述第一企业服务成果信息内包括多个服务需求特征;
第十七处理单元,所述第十七处理单元用于计算包含不同的所述多个服务需求特征的所述第一企业服务成果信息归类为某一所述分类标签的概率,获得所述第二分类规则分类器。
实施例三
基于与前述实施例中一种企业服务成果数据处理方法相同的发明构思,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一内的方法。
下面参考图5来描述本申请的电子设备,
基于与前述实施例中一种企业服务成果数据处理方法相同的发明构思,本申请还提供了一种企业服务成果数据处理***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read only memory,EEPROM)、只读光盘(compactdiscread only memory,CD ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种企业服务成果数据处理方法。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a b,a c,b c,或a b c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种企业服务成果数据处理方法,其特征在于,所述方法包括:
获得第一企业信息;
获得所述第一企业历史服务成果信息;
基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,所述第一企业服务融合数据库内包括多种服务成果类别;
获得第一客户画像信息;
基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息;
基于第二分类规则,对第一客户服务成果需求信息在所述第一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,所述第一客户服务类型为所述多种服务成果类别中的一种;
以所述第一客户服务类型对所述第一客户进行服务。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,包括:
基于所述第一企业历史服务成果信息,获得M类服务信息,M为正整数;
基于所述M类服务信息,获得M类服务信息区间;
基于所述M类服务信息区间,筛选获得满足预设条件的服务信息区间,获得M个筛选企业服务信息区间;
基于所述M个筛选企业服务信息区间,构建所述第一企业服务融合数据库。
3.根据权利要求1所述的方法,其特征在于,所述获得第一客户画像信息,包括:
对所述第一企业历史服务成果信息进行降维处理;
对降维后的所述第一企业历史服务成果信息按照客户类型分类,获得多族客户信息;
获得第一客户信息;
将所述第一客户信息在所述多族客户信息内映射匹配,获得第一同族客户信息;
基于所述第一同族客户信息,获得第一客户画像信息。
4.根据权利要求1所述的方法,其特征在于,所述基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息,包括:
构建、训练获得分类森林模型;
将所述第一客户画像信息输入所述分类森林模型,获得多个输出结果;
基于所述多个输出结果,获得第一输出结果,其中所述第一输出结果为出现概率最高的一输出结果;
将所述第一输出结果作为所述第一客户服务成果需求信息。
5.根据权利要求4所述的方法,其特征在于,所述构建并训练分类森林模型,获得所述分类森林模型,包括:
获得历史服务成果信息集合;
构建所述分类森林模型,所述分类森林模型内包括X个分类树,X为正整数;
有放回地随机选择所述历史服务成果信息集合内的N个服务成果信息,N为正整数;
获得所述N个服务成果信息内的第一数据集,训练分类根节点;
获得所述N个服务成果信息内的第二数据集,训练分类枝节点,直到训练完成第一分类树;
再次有放回地随机选择所述历史服务成果信息集合内的N个服务成果信息,训练第二分类树,直到训练完成第X分类树,得到所述分类森林模型。
6.根据权利要求1所述的方法,其特征在于,所述基于第二分类规则,对第一客户服务成果需求信息在所述一企业服务融合数据库内进行比对,获得第一客户服务类型,包括:
对所述第一客户服务成果需求信息进行预处理,获得第一客户服务需求文本信息;
构建第二分类规则分类器;
将所述第一客户服务需求文本信息进行分词,获得第一客户服务需求特征;
将所述第一客户服务需求特征输入所述第二分类规则分类器,获得所述第一客户服务类型。
7.根据权利要求6所述的方法,其特征在于,所述构建第二分类规则分类器,包括:
基于所述第一企业服务融合数据库,获得多种所述服务成果类别,作为分类标签;
基于所述第一企业服务融合数据库,获得多个第一企业服务成果信息,每个所述第一企业服务成果信息内包括多个服务需求特征;
计算包含不同的所述多个服务需求特征的所述第一企业服务成果信息归类为某一所述分类标签的概率,获得所述第二分类规则分类器。
8.一种企业服务成果数据处理***,其特征在于,所述***包括:
第一获得单元,所述第一获得单元用于获得第一企业信息;
第二获得单元,所述第二获得单元用于获得所述第一企业历史服务成果信息;
第一构建单元,所述第一构建单元用于基于所述第一企业历史服务成果信息,构建第一企业服务融合数据库,其中,所述第一企业服务融合数据库内包括多种服务成果类别;
第三获得单元,所述第三获得单元用于获得第一客户画像信息;
第一处理单元,所述第一处理单元用于基于第一分类规则,对所述第一客户画像信息进行分类,获得第一客户服务成果需求信息;
第二处理单元,所述第二处理单元用于基于第二分类规则,对第一客户服务成果需求信息在所述第一企业服务融合数据库内进行比对,获得第一客户服务类型,其中,所述第一客户服务类型为所述多种服务成果类别中的一种;
第三处理单元,所述第三处理单元用于以所述第一客户服务类型对所述第一客户进行服务。
9.一种企业服务成果数据处理***,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使***以执行如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523184.6A CN114238615B (zh) | 2021-12-14 | 2021-12-14 | 一种企业服务成果数据处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523184.6A CN114238615B (zh) | 2021-12-14 | 2021-12-14 | 一种企业服务成果数据处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114238615A true CN114238615A (zh) | 2022-03-25 |
CN114238615B CN114238615B (zh) | 2022-07-22 |
Family
ID=80755518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111523184.6A Active CN114238615B (zh) | 2021-12-14 | 2021-12-14 | 一种企业服务成果数据处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238615B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992676A (zh) * | 2024-04-02 | 2024-05-07 | 福建省君诺科技成果转化服务有限公司 | 一种基于大数据的科技成果智能推荐方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120054333A1 (en) * | 2010-08-31 | 2012-03-01 | Vichare Nikhil M | System and Method for Customizing Information Handling System Product and Service Offerings Based on Usage Profiles |
CN108388955A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 |
CN109785020A (zh) * | 2019-03-26 | 2019-05-21 | 广州市番禺信息技术投资发展有限公司 | 一种大数据服务方法 |
CN109993553A (zh) * | 2017-12-30 | 2019-07-09 | ***通信集团山西有限公司 | 基于逆向漏斗的数据分析方法、装置、设备及介质 |
CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、***、介质和电子设备 |
CN110427418A (zh) * | 2019-07-04 | 2019-11-08 | 深圳供电局有限公司 | 一种基于客户能源价值指标体系的客户分析分群方法 |
CN110458435A (zh) * | 2019-08-01 | 2019-11-15 | 深圳市遇住信息科技有限公司 | 一种企业数据智能分析方法及平台 |
CN110580259A (zh) * | 2018-05-22 | 2019-12-17 | 上海大学 | 基于流程管理大数据的客户需求挖掘方法和设备 |
CN112232909A (zh) * | 2020-10-13 | 2021-01-15 | 汉唐信通(北京)科技有限公司 | 一种基于企业画像的商机挖掘方法 |
CN112837087A (zh) * | 2020-12-16 | 2021-05-25 | 北京交通大学 | 一种面向咨询服务***的用户画像构建方法 |
CN113435912A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于客户画像的数据分析方法、装置、设备及介质 |
CN113610566A (zh) * | 2021-07-22 | 2021-11-05 | 浙江惠瀜网络科技有限公司 | 一种基于机场客户画像与服务场景的智能推荐方法 |
CN113706220A (zh) * | 2021-09-15 | 2021-11-26 | 华人运通(上海)自动驾驶科技有限公司 | 用户画像确定、用户需求预测方法以及数据处理*** |
-
2021
- 2021-12-14 CN CN202111523184.6A patent/CN114238615B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120054333A1 (en) * | 2010-08-31 | 2012-03-01 | Vichare Nikhil M | System and Method for Customizing Information Handling System Product and Service Offerings Based on Usage Profiles |
CN109993553A (zh) * | 2017-12-30 | 2019-07-09 | ***通信集团山西有限公司 | 基于逆向漏斗的数据分析方法、装置、设备及介质 |
CN108388955A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 |
CN110580259A (zh) * | 2018-05-22 | 2019-12-17 | 上海大学 | 基于流程管理大数据的客户需求挖掘方法和设备 |
CN109785020A (zh) * | 2019-03-26 | 2019-05-21 | 广州市番禺信息技术投资发展有限公司 | 一种大数据服务方法 |
CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、***、介质和电子设备 |
CN110427418A (zh) * | 2019-07-04 | 2019-11-08 | 深圳供电局有限公司 | 一种基于客户能源价值指标体系的客户分析分群方法 |
CN110458435A (zh) * | 2019-08-01 | 2019-11-15 | 深圳市遇住信息科技有限公司 | 一种企业数据智能分析方法及平台 |
CN112232909A (zh) * | 2020-10-13 | 2021-01-15 | 汉唐信通(北京)科技有限公司 | 一种基于企业画像的商机挖掘方法 |
CN112837087A (zh) * | 2020-12-16 | 2021-05-25 | 北京交通大学 | 一种面向咨询服务***的用户画像构建方法 |
CN113435912A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于客户画像的数据分析方法、装置、设备及介质 |
CN113610566A (zh) * | 2021-07-22 | 2021-11-05 | 浙江惠瀜网络科技有限公司 | 一种基于机场客户画像与服务场景的智能推荐方法 |
CN113706220A (zh) * | 2021-09-15 | 2021-11-26 | 华人运通(上海)自动驾驶科技有限公司 | 用户画像确定、用户需求预测方法以及数据处理*** |
Non-Patent Citations (2)
Title |
---|
SARA ABRI 等: "A Classification on Different Aspects of User Modelling in Personalized Web Search", 《ACM》 * |
韩云惠: "基于用户画像的学术期刊精准服务研究", 《编辑学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992676A (zh) * | 2024-04-02 | 2024-05-07 | 福建省君诺科技成果转化服务有限公司 | 一种基于大数据的科技成果智能推荐方法 |
CN117992676B (zh) * | 2024-04-02 | 2024-06-07 | 福建省君诺科技成果转化服务有限公司 | 一种基于大数据的科技成果智能推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114238615B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | TOPSIS method based on the connection number of set pair analysis under interval-valued intuitionistic fuzzy set environment | |
Hatefi et al. | Multi-criteria ABC inventory classification with mixed quantitative and qualitative criteria | |
Rouyendegh | The intuitionistic fuzzy ELECTRE model | |
WO2021179544A1 (zh) | 样本分类方法、装置、计算机设备及存储介质 | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
AU2019100968A4 (en) | A Credit Reporting Evaluation System Based on Mixed Machine Learning | |
CN110162754B (zh) | 一种岗位描述文档的生成方法及设备 | |
CN113360780A (zh) | 一种基于大数据的信息推荐方法及*** | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
Briola et al. | Deep learning modeling of limit order book: A comparative perspective | |
Mo et al. | An interval efficiency measurement in DEA when considering undesirable outputs | |
CN114238615B (zh) | 一种企业服务成果数据处理方法及*** | |
CN117196808A (zh) | 一种同业业务的流动性风险预测方法及相关装置 | |
CN111353728A (zh) | 一种风险分析方法和*** | |
CN116523301A (zh) | 基于电商大数据进行风险评级预测的*** | |
CN111126629A (zh) | 模型的生成方法、刷单行为识别方法、***、设备和介质 | |
Deng et al. | A novel method for elimination of inconsistencies in ordinal classification with monotonicity constraints | |
CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
CN114692978A (zh) | 一种基于大数据的社交媒体用户行为预测方法及*** | |
CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
CN113256173A (zh) | 一种路由选择方法、装置、电子设备及存储介质 | |
Mahalle et al. | Data Acquisition and Preparation | |
Allahyari et al. | A novel spatial decision support methodology to practically restructure branches network under uncertainty |
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 |