CN116170500A - 一种基于网格数据的消息推送方法和*** - Google Patents
一种基于网格数据的消息推送方法和*** Download PDFInfo
- Publication number
- CN116170500A CN116170500A CN202310436508.5A CN202310436508A CN116170500A CN 116170500 A CN116170500 A CN 116170500A CN 202310436508 A CN202310436508 A CN 202310436508A CN 116170500 A CN116170500 A CN 116170500A
- Authority
- CN
- China
- Prior art keywords
- client
- data
- task
- grid
- information
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明提供了一种基于网格数据的消息推送方法和***,涉及大数据分析方法领域,所述方法包括:对客户数据按照不同特征属性进行网格划分,并分别构建任务与客户的第一对应关系、任务与客户经理的映射关系,通过机器学习将客户与客户经理进行匹配,根据匹配结果将客户经理的推送信息自动发送至所匹配客户。本发明解决现有技术中推送的信息与客户需求不符、消息推送的精准度低的技术问题,实现了根据任务类型对客户与客户经理进行精准、高效匹配,进而有利于提高推送消息与客户需求的匹配度,有利于提高消息推送的精准度的技术效果。
Description
技术领域
本发明涉及大数据分析方法技术领域,特别涉及一种基于网格数据的消息推送方法和***。
背景技术
目前很多企业都想做私域运营,但是客户经理添加客户账户时遇到了很多问题:客户经理添加客户的通过率非常低;没有对客户信息按业务网格进行划分,导致最终添加的客户无法提供服务;不了解客户需求,推送的任务不能引起客户兴趣;从而存在推送的信息与客户需求不符,消息推送不精准等问题。
因此,现有技术中对于如何实现精准推送和提高推送成功率是私域运营中探索的重点。
发明内容
有鉴于此,本发明提供了一种基于网格数据的消息推送方法,以解决现有技术中推送的信息与客户需求不符、消息推送的精准度低的技术问题。该方法包括:
基于网络数据获取客户数据,并构建所述客户数据的网格数据,其中,所述网格数据分为多个网格,每个网格用于存储所述客户数据的一类特征属性数据;
获取任务数据,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的第一对应关系;
获得各客户经理的账号信息和所述任务数据中各推送任务的映射关系,将所述映射关系和所述第一对应关系输入神经网络模型,所述神经网络模型输出与所述各客户经理的账号信息对应的第一客户分配信息;
将所述第一客户分配信息分别发送给对应的客户经理的账号,通过客户经理的账号将对应推送任务的消息发送到所述第一客户分配信息中各客户的账号上。
进一步的,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的第一对应关系,包括:
构建关系文档,所述关系文档包括所述网格数据和所述任务数据;
对所述关系文档中的所述网格数据和所述任务数据进行数据比对,获得差异数据,根据所述差异数据获得所述第一对应关系,其中,所述差异数据包括各推送任务的任务类型与所述客户数据的匹配数据,以及各推送任务与所述客户数据中客户的历史关联数据。
进一步的,对所述关系文档中的所述网格数据和所述任务数据进行数据比对,获得差异数据,包括:对所述关系文档中的所述网格数据和所述任务数据通过主成分分析法进行数据的降维处理,对降维处理后的所述关系文档中的数据进行数据比对,获得所述差异数据。
进一步的,将所述第一客户分配信息分别发送给对应的所述各客户经理的账号信息,包括:
获取所述各客户经理的账号信息中的好友信息;
根据所述好友信息,从所述第一客户分配信息中筛选出与所述各客户经理的账号信息为非好友的客户数据,形成第二客户分配信息;
将建联提示信息发送至所述各客户经理的账号,所述建联提示信息包括所述第二客户分配信息。
进一步的,所述一种基于网格数据的消息推送方法,还包括:
获取客户经理数据;
根据所述客户经理数据和所述网格数据,获取所述客户经理数据中各客户经理与所述网格数据中所述客户数据的第二对应关系,所述第二对应关包括各客户经理与所述网格数据中客户的关联关系数据;
根据所述第二对应关系,获得各客户经理与所述网格数据中各客户的历史服务记录,根据所述历史服务记录生成任务分配影响因素;
将所述任务分配影响因素、所述映射关系和所述第一对应关系输入所述神经网络模型,所述神经网络模型输出各客户经理的账号信息对应的第三客户分配信息;
将所述第三客户分配信息分别发送给对应的所述各客户经理的账号信息,通过所述各客户经理的账号信息将对应推送任务的消息发送给所述第三客户分配信息中各客户的账号上。
进一步的,获得所述第三客户分配信息之后,还包括:
从所述网格数据中提取客户对于各推送任务的意向权重值;
按照预设权重值,在所述第三客户分配信息中将所述意向权重值低于所述预设权重值的客户数据进行剔除,得到第四客户分配信息;
确定多个意向权重阈值;
根据所述意向权重值和多个所述意向权重阈值,对所述第四客户分配信息中的客户进行梯度划分,每个梯度对应有一个意向等级标识,并对各梯度内的客户按照所述意向权重值的大小进行意向排序,每个梯度对应一个由相邻两个所述意向权重阈值确定的意向权重值区间,每个梯度的意向等级标识的等级与意向权重值区间的数值大小成正比。
本发明还提供了一种基于网格数据的消息推送***,以解决现有技术中推送的信息与客户需求不符、消息推送的精准度低的技术问题。该***包括:网格数据构建模块,用于基于网络数据获取客户数据,并构建所述客户数据的网格数据,其中,所述网格数据分为多个网格,每个网格用于存储所述客户数据的一类特征属性数据;
任务数据匹配模块,用于获取任务数据,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的第一对应关系;
模型输出模块,用于获得各客户经理的账号信息和所述任务数据中各推送任务的映射关系,将所述映射关系和所述第一对应关系输入神经网络模型,所述神经网络模型输出所述各客户经理的账号信息对应的第一客户分配信息;
客户分配模块,用于将所述第一客户分配信息分别发送给对应的客户经理的账号,通过客户经理的账号将对应推送任务的消息发送到所述第一客户分配信息中各客户的账号上。
本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的一种基于网格数据的消息推送方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的一种基于网格数据的消息推送方法的计算机程序。
与现有技术相比,本说明书采用的上述至少一个技术方案能够达到的有益效果至少包括:提供了一种基于网格数据的消息推送方法,对客户数据按照不同特征属性进行网格划分,并分别构建任务与客户的第一对应关系、任务与客户经理的映射关系,基于第一对应关系和映射关系,通过机器学习将客户与客户经理进行匹配,根据匹配结果,通过客户经理的账号将对应的推送信息自动发送至所匹配客户的账号上;实现了根据任务类型对客户与客户经理进行精准、高效匹配,进而有利于提高推送消息与客户需求的匹配度,有利于提高消息推送的精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,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它的附图。
图1是本发明实施例提供的一种基于网格数据的消息推送方法流程示意图;
图2为本发明实施例提供的一种基于网格数据的消息推送***结构示意图;
图3为本发明实施例提供的一种计算机设备示意图。
图中附图标记:200、***;210、网格数据构建模块;220、任务数据匹配模块;230、模型输出模块;240、客户分配模块;301、存储器;302、处理器。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,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申请的其他优点与功效。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。本申请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,在没有背离本申请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。基于本申请中的实施例,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,都属于本申请保护的范围。
在本发明实施例中,提供了一种基于网格数据的消息推送方法,该方法通过对客户数据按照不同特征属性进行网格划分,并分别构建任务与客户、任务与客户经理的第一对应关系,通过机器学习将客户与客户经理进行匹配,根据匹配结果将客户经理的推送信息自动发送至所匹配客户;实现了根据任务类型对客户与客户经理进行精准、高效匹配的技术效果。
如图1所示,本实施例提供的一种基于网格数据的消息推送方法具体包括以下步骤:
步骤S100:基于网络数据获取客户数据,并构建所述客户数据的网格数据,其中,所述网格数据分为多个网格,每个网格用于存储所述客户数据的一类特征属性数据;
具体而言,网格数据为基于大数据网络获取的,对客户信息进行分类存储的数据信息;通过与各省平台达成合作,共同实现网格数据传输平台,接收网格数据;将大量客户数据按照特定的特征属性进行划分网格,多种特征属性包括:客户所属地区、客户账号、客户设备号、客户办理业务记录、客户建联客户经理、客户访问记录等。每个特征属性具有唯一对应网格ID,存储于不同网格中;并且对网格数据进行分布式存储,从而提高数据存储效率和安全性。对客户进行消息推送时,按照不同特征属性对客户进行筛选,从而使得推送更为精准。
步骤S200:获取任务数据,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的第一对应关系;
进一步的,步骤S200还包括:
步骤S210:构建关系文档,所述关系文档包括所述网格数据和所述任务数据;
步骤S220:对所述关系文档中的所述网格数据和所述任务数据进行数据比对,获得差异数据,根据所述差异数据获得所述第一对应关系,其中,所述差异数据包括各推送任务的任务类型与所述客户数据的匹配数据以及各推送任务与所述客户数据中客户的历史关联数据。
进一步的,在具体实施步骤S220时,对所述关系文档中的所述网格数据和所述任务数据通过主成分分析法进行数据的降维处理,对降维处理后的所述关系文档中的数据进行数据比对,获得所述差异数据。
具体而言,所述任务数据包括各推送任务的具体信息,包括任务类别、任务内容、任务区域等信息。根据所述网格数据和所述任务数据,构建包含客户信息和任务信息的关系文档,以文件比对方式获取所述差异数据,并对所述差异数据进行ES数据索引的更新,基于所述差异数据,获得各推送任务所匹配的客户信息,即所述第一对应关系。
进一步而言,对所述关系文档进行文件比对,获取所述差异数据中,首先对所述关系文档中的数据进行数据降维,剔除冗余数据,优选的,本申请中选用主成分分析法对数据进行降维,使用主成分分析法进行数据降维的步骤包括:
数据清洗:对原始数据进行清洗,包括处理缺失值、重复值、异常值等问题,以确保数据的准确性和完整性;
数据转换:对数据进行转换,包括将分类数据转换为数值型数据、将时间序列数据进行处理等操作,以便于后续的分析和建模;
数据缩放:对数据进行缩放,包括将数据进行标准化或归一化等操作,以保证数据的尺度一致,避免数据的数量级差异对模型造成影响;
特征提取:从原始数据中提取特征,包括从文本数据中提取关键词,以便于后续的建模和分析;
特征选择:从提取出的特征中选择有用的特征,以避免特征维度过高,导致模型训练时间过长或出现过拟合的问题。
进一步的,对降维处理后的所述关系文档进行数据比对,可用的数据比对算法包括:哈希比对、块比对、字符串匹配和差异比对;进行数据比对之后,获得包含任务信息与客户信息对应关系的差异数据。所述差异数据为包含任务信息与客户信息的值、属性、结构等方面的差异的数据集,包含各推送任务信息、各推送任务对应客户信息、以及各推送任务与对应客户的关联信息。各推送任务与对应客户的关联信息用于标识各推送任务下曾参与过该任务的客户信息。基于所述差异数据获取的所述第一对应关系,可以在实现根据任务类型分配客户的同时,将客户对于某一任务的参与历史信息纳入分配考虑因素,如:将曾参与某一推送任务的客户再次分配至该任务中。针对数据处理之后的差异数据,***根据文件类型和***特性、差异数据属性、索引效率进行索引工具的选择,对数据进行索引更新,且该数据库可增量更新。通过对数据进行降维处理,以提高数据集的处理效率和质量,使得任务匹配结果更为准确和高效。
步骤S300:获得各客户经理的账号信息和所述任务数据中各推送任务的映射关系,将所述映射关系和所述第一对应关系输入神经网络模型,所述神经网络模型输出所述各客户经理的账号信息对应的第一客户分配信息;
具体而言,所述任务数据中包括各推送任务所分配的客户经理信息,所述映射关系为客户经理与各推送任务的匹配信息,通过分别将任务与客户经理的映射关系和任务与客户的第一对应关系输入至神经网络模型。神经网络模型可以处理非线性和高维数据,并具有较强的泛化能力和适应性,基于机器学习能够自动学习数据之间的关系,从而将不同数据进行匹配和分类。因此,通过神经网络模型输出所述第一客户分配信息的方式,提高了数据处理的准确率和效率。所述第一客户分配信息包括各客户经理所匹配的客户数据。
步骤S400:将所述第一客户分配信息分别发送给对应的客户经理的账号,通过客户经理的账号将对应推送任务的消息发送到所述第一客户分配信息中各客户的账号上。
具体而言,在生成所述第一客户匹配关系之后,根据各客户经理与任务数据的映射关系,在对应客户经理的账号内自动生成对应推送任务的推送文案,并将上述推送文案发送到所述第一客户分配信息中各客户的账号上。推送消息包括各推送任务的内容、链接、营销语、任务名称等任务信息,且该推送消息的类型不限制于文字消息,还包括图像等类型的消息。
进一步的,步骤S400还包括:
步骤S410:获取所述各客户经理的账号信息中的好友信息;
步骤S420:根据所述好友信息,从所述第一客户分配信息中筛选出与所述各客户经理的账号信息为非好友的客户数据,组成第二客户分配信息;
步骤S430:将建联提示信息发送至所述各客户经理的账号,所述建联提示信息包括所述第二客户分配信息。
具体而言,在生成所述第一客户匹配关系之后,获取各客户经理的账户信息中的好友数据,对好友进行精准的消息推送,对非好友进行建联,建联后的数据会定时同步至增量好友关系,从而提高了任务推送的成功率。
进一步的,步骤S100还包括:
步骤S110:获取客户经理数据;
步骤S120:根据所述客户经理数据和所述网格数据,获取所述客户经理数据中各客户经理与所述网格数据中所述客户数据的第二对应关系,所述第二对应关包括各客户经理与所述网格数据中客户的关联关系数据;
步骤S130:根据所述第二对应关系,获得各客户经理与所述网格数据中各客户的历史服务记录,根据所述历史服务记录生成任务分配影响因素;
步骤S140:将所述任务分配影响因素、所述映射关系和所述第一对应关系输入所述神经网络模型,所述神经网络模型输出各客户经理的账号信息对应的第三客户分配信息;
步骤S150:将所述第三客户分配信息分别发送给对应的所述各客户经理的账号信息,通过所述各客户经理的账号信息将对应推送任务的消息发送给所述第三客户分配信息中各客户的账号上。
具体而言,所述客户经理数据包括各客户经理的账号ID和工号、历史服务客户等信息,分别获取各客户经理账号信息与网格数据中客户数据的关系数据文档,对关系文档进行数据预处理、数据比对,获得差异数据,并根据差异数据获取所述第二对应关系,所述第二对应关系为客户经理与客户数据的对应关系,包括各客户经理与网格中客户的关联关系数据。举例而言,通过所述各客户经理账号信息与网格数据中客户数据的差异数据,可以标识出某客户经理与某客户的好友关系、曾建立服务关系。其中,上述差异数据的获取方式与所述第一对应关系相同。根据所述第二对应关系,可以获得各客户经理与网格中客户的关联内容(包括服务记录和建联记录),从而分析获得所述任务分配影响因素,包括各客户经理与网格中各客户的关联信息,根据该影响因素,将第一客户分配信息中与各客户经理有服务记录或建联记录的客户进行匹配顺序调整。通过将所述任务分配影响因素、所述映射关系和所述第一对应关系输入所述神经网络模型,输出所述第三客户分配信息,在原有的匹配结果的基础上增加了客户经理影响因素,使得对客户分配的结果更为精准,并且通过将彼此建联或者服务过的客户与客户经理进行优先匹配,提高客户对于推送任务的满意度和接受程度。
进一步的,步骤S140还包括:
步骤S141:从所述网格数据中提取客户对于各推送任务的意向权重值;
步骤S142:按照预设权重值,在所述第三客户分配信息中将所述意向权重值低于所述预设权重值的客户数据进行剔除,得到第四客户分配信息;
步骤S143:确定多个意向权重阈值;
步骤S144:根据所述意向权重值和多个所述意向权重阈值,对所述第四客户分配信息中的客户进行梯度划分,每个梯度对应有一个意向等级标识,并对各梯度内的客户按照所述意向权重值的大小进行意向排序,每个梯度对应一个由相邻两个所述意向权重阈值确定的意向权重值区间,每个梯度的意向等级标识的等级与意向权重值区间的数值大小成正比(例如,当前梯度的意向权重值区间的数值相对前一个梯度的意向权重值区间的数值较大,则当前梯度的意向等级标识的等级高于前一个梯度的意向等级标识的等级)。
具体而言,所述网格数据包括基于大数据获取的客户的访问信息、业务办理记录等信息,基于客户的访问记录和业务办理记录对客户的行为趋势进行分析,获取客户对于一个或多个推送任务的意向,并用数值表示,从而获得所述第三客户分配信息中各客户对于各推送任务的意向权重值。设定一个预设权重值,在所述第三客户分配信息中将所述意向权重值低于所述预设权重值的客户数据进行剔除,得到第四客户分配信息,上述预设权重值可根据机器学习分析用户行为进行获取,也可由人为进行配置。对第三客户分配信息进行数据剔除之后,获得第四客户分配信息。设定多个意向权重阈值,按照多个设定的意向权重阈值划分区间,对第四客户分配信息中的客户进行梯度划分。获取意向权重值属于不同梯度区间的客户列表,并按照意向权重值的大小对客户进行排序。每个梯度代表不同的意向等级,各个梯度的客户分别具有该梯度对应的意向等级标识,梯度越高,该梯度客户对对应推送任务的意向越高,对应意向等级标识越高,对第四客户分配信息中的客户进行梯度划分之后,将各客户及其对应的意向等级标识共同发送至各客户经理的账号,由对应客户经理按照客户意向等级进行先后性、或者选择性的任务推送。通过对客户进行意向趋势分析,并按照客户意向对客户进行匹配和筛选,提高了推送任务的成功率,也使得任务推送更为精准,避免了人力和物力的浪费。
进一步而言,任务分配之后,***将各客户经理账号对应的客户信息生成推送信息发送至各客户经理,并对于处于不同意向权重梯度的客户类型进行区分或标注,提高分级推送的能力;此外,客户经理客户端可以进行营销文案(即消息内容)的修改;推送消息可以进行一键推送,提高了推送消息服务的效率。
更进一步而言,除按照预设的客户经理与推送任务的映射关系生成客户匹配信息,并将客户匹配信息信息发送至客户经理账号的方式进行派单之外,客户经理与推送任务的映射还包括以下几种模式:
抢单模式:任务会直接派到业务网格中,同一业务网格的客户经理都会看到相同的任务和客户清单,客户经理在业务网格下会对客户的任务进行领取,领取后才可以对该客户展开后续的消息推送服务。一旦某个客户的任务被领取,则该客户与客户经理之间会形成唯一的服务关系,其他客户经理就不能看到该客户,也就无法对同一个客户进行领取和服务,确保客户不被重复推送,提高客户体验;
指定派单模式:派单时若有特殊的需要可直接指定客户经理进行派单,则任务数据会直接派到对应的客户经理账号上,不再向业务网格内进行派单,即同业务网格中的其余的客户经理无法查看到该客户,由对应的客户经理直接负责对该客户进行消息推送等服务。
具体实施时,上述基于网格数据的消息推送方法可以是基于企业微信、微信、***账号等各类社交账号进行的消息推送方法,即上述客户经理的账号信息、客户的账号信息均可以是企业微信、微信、***账号等各类社交账号。
基于同一发明构思,本发明实施例中还提供了一种基于网格数据的消息推送***,如下面的实施例所述。由于一种基于网格数据的消息推送***解决问题的原理与一种基于网格数据的消息推送方法相似,因此一种基于网格数据的消息推送***的实施可以参见一种基于网格数据的消息推送方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是本发明实施例的一种基于网格数据的消息推送***200的一种结构框图,如图2所示,包括:网格数据构建模块210,用于基于网络数据获取客户数据,并构建所述客户数据的网格数据,其中,所述网格数据分为多个网格,每个网格用于存储所述客户数据的一类特征属性数据;任务数据匹配模块220,用于获取任务数据,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的对应关系;模型输出模块230,用于获得各客户经理的账号信息和所述任务数据中各推送任务的映射关系,将所述映射关系和所述对应关系输入神经网络模型,所述神经网络模型输出所述各客户经理的账号信息对应的第一客户分配信息;客户分配模块240,用于将所述第一客户分配信息分别发送给对应的客户经理的账号,通过客户经理的账号将对应推送任务的消息发送到所述第一客户分配信息中各客户的账号上。
进一步的,任务数据匹配模块220,还用于构建关系文档,所述关系文档包括所述网格数据和所述任务数据;对所述关系文档中的所述网格数据和所述任务数据进行数据比对,获得差异数据,根据所述差异数据获得所述第一对应关系。
进一步的,任务数据匹配模块220,还用于对所述关系文档中的所述网格数据和所述任务数据通过主成分分析法进行数据的降维处理,对降维处理后的所述关系文档中的数据进行数据比对,获得所述差异数据。
进一步的,模型输出模块230,还用于获取客户经理数据;
根据所述客户经理数据和所述网格数据,获取所述客户经理数据中各客户经理与所述网格数据中所述客户数据的第二对应关系;
根据所述第二对应关系,获得各客户经理与所述网格数据中各客户的历史服务记录,根据所述历史服务记录生成任务分配影响因素;
将所述任务分配影响因素、所述映射关系和所述对应关系输入所述神经网络模型,所述神经网络模型输出各客户经理的账号信息对应的第三客户分配信息;
将所述第二客户分配信息分别发送给对应的所述各客户经理的账号信息,通过所述各客户经理的账号信息将对应推送任务的消息发送给所述第三客户分配信息中各客户的账号上。
进一步的,模型输出模块230,还用于从所述网格数据中提取客户对于各推送任务的意向权重值;
确定多个意向权重阈值;
根据所述意向权重值和多个所述意向权重阈值,对所述第三客户分配信息中的客户进行梯度划分,并对各梯度内的客户按照所述意向权重值的大小进行意向排序,每个梯度对应一个由相邻两个所述意向权重阈值确定的意向权重值区间;
根据梯度划分结果,对所述第三客户分配信息中的客户数据进行筛选,将所述第三客户分配信息中所述意向权重值低于预设权重值的客户数据进行剔除,所述预设权重值由管理人员进行配置。
进一步的,客户分配模块240,还用于获取所述各客户经理的账号信息中的好友信息;
根据所述好友信息,从所述第一客户分配信息中筛选出与所述各客户经理的账号信息为非好友的客户数据,组成第二客户分配信息;
将建联提示信息发送至所述各客户经理的账号,所述建联提示信息包括所述第二客户分配信息。
在本实施例中,提供了一种计算机设备,如图3所示,包括存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序,所述处理器302执行所述计算机程序时实现上述任意的一种基于网格数据的消息推送方法。
具体的,该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的一种基于网格数据的消息推送方法的计算机程序。
具体的,计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明实施例实现了如下技术效果:
1、提供了一种基于网格数据的消息推送方法和***,通过对客户数据按照不同特征属性进行网格划分,并分别构建任务与客户、任务与客户经理的第一对应关系,通过机器学习将客户与客户经理进行匹配,根据匹配结果将客户经理的推送信息自动发送至所匹配客户;实现了根据任务类型对客户与客户经理进行精准、高效匹配的技术效果。
2、通过引入客户意向权重值、客户经理与客户关联度的影响因素,对客户匹配的结果进行调整,对推送任务意向较高的客户进行优先推送,对与某个客户经理有关联度的客户与对应客户经理进行优选匹配,进一步提高了任务推送的精准程度,提高了客户满意度,并且避免了消息推送成本的浪费。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于网格数据的消息推送方法,其特征在于,包括:
基于网络数据获取客户数据,并构建所述客户数据的网格数据,其中,所述网格数据分为多个网格,每个网格用于存储所述客户数据的一类特征属性数据;
获取任务数据,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的第一对应关系;
获得各客户经理的账号信息和所述任务数据中各推送任务的映射关系,将所述映射关系和所述第一对应关系输入神经网络模型,所述神经网络模型输出与所述各客户经理的账号信息对应的第一客户分配信息;
将所述第一客户分配信息分别发送给对应的客户经理的账号,通过客户经理的账号将对应推送任务的消息发送到所述第一客户分配信息中各客户的账号上。
2.根据权利要求1所述的一种基于网格数据的消息推送方法,其特征在于,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的第一对应关系,包括:
构建关系文档,所述关系文档包括所述网格数据和所述任务数据;
对所述关系文档中的所述网格数据和所述任务数据进行数据比对,获得差异数据,根据所述差异数据获得所述第一对应关系,其中,所述差异数据包括各推送任务的任务类型与所述客户数据的匹配数据,以及各推送任务与所述客户数据中客户的历史关联数据。
3.根据权利要求2所述的一种基于网格数据的消息推送方法,其特征在于,对所述关系文档中的所述网格数据和所述任务数据进行数据比对,获得差异数据,包括:
对所述关系文档中的所述网格数据和所述任务数据通过主成分分析法进行数据的降维处理,对降维处理后的所述关系文档中的数据进行数据比对,获得所述差异数据。
4.根据权利要求1所述的一种基于网格数据的消息推送方法,其特征在于,将所述第一客户分配信息分别发送给对应的所述各客户经理的账号信息,包括:
获取所述各客户经理的账号信息中的好友信息;
根据所述好友信息,从所述第一客户分配信息中筛选出与所述各客户经理的账号信息为非好友的客户数据,形成第二客户分配信息;
将建联提示信息发送至所述各客户经理的账号,所述建联提示信息包括所述第二客户分配信息。
5.根据权利要求1至4中任一项所述的一种基于网格数据的消息推送方法,其特征在于,还包括:
获取客户经理数据;
根据所述客户经理数据和所述网格数据,获取所述客户经理数据中各客户经理与所述网格数据中所述客户数据的第二对应关系,所述第二对应关系包括各客户经理与所述网格客户中客户的关联关系数据;
根据所述第二对应关系,获得各客户经理与所述网格数据中各客户的历史服务记录,根据所述历史服务记录生成任务分配影响因素;
将所述任务分配影响因素、所述映射关系和所述第一对应关系输入所述神经网络模型,所述神经网络模型输出各客户经理的账号信息对应的第三客户分配信息;
将所述第三客户分配信息分别发送给对应的所述各客户经理的账号,通过所述各客户经理的账号将对应推送任务的消息发送给所述第三客户分配信息中各客户的账号上。
6.根据权利要求5所述的一种基于网格数据的消息推送方法,其特征在于,获得所述第三客户分配信息之后,还包括:
从所述网格数据中提取客户对于各推送任务的意向权重值;
按照预设权重值,在所述第三客户分配信息中将所述意向权重值低于所述预设权重值的客户数据进行剔除,得到第四客户分配信息;
确定多个意向权重阈值;
根据所述意向权重值和多个所述意向权重阈值,对所述第四客户分配信息中的客户进行梯度划分,每个梯度对应有一个意向等级标识,并对各梯度内的客户按照所述意向权重值的大小进行意向排序,每个梯度对应一个由相邻两个所述意向权重阈值确定的意向权重值区间,每个梯度的意向等级标识的等级与意向权重值区间的数值大小成正比。
7.一种基于网格数据的消息推送***,其特征在于,包括:
网格数据构建模块,用于基于网络数据获取客户数据,并构建所述客户数据的网格数据,其中,所述网格数据分为多个网格,每个网格用于存储所述客户数据的一类特征属性数据;
任务数据匹配模块,用于获取任务数据,根据所述网格数据和所述任务数据,确定所述任务数据中各推送任务与所述网格数据中所述客户数据的第一对应关系;
模型输出模块,用于获得各客户经理的账号信息和所述任务数据中各推送任务的映射关系,将所述映射关系和所述第一对应关系输入神经网络模型,所述神经网络模型输出所述各客户经理的账号信息对应的第一客户分配信息;
客户分配模块,用于将所述第一客户分配信息分别发送给对应的客户经理的账号,通过客户经理的账号将对应推送任务的消息发送到所述第一客户分配信息中各客户的账号上。
8.根据权利要求7所述的一种基于网格数据的消息推送***,其特征在于,所述模型输出模块,还用于获取客户经理数据;根据所述客户经理数据和所述网格数据,获取所述客户经理数据中各客户经理与所述网格数据中所述客户数据的第二对应关系;根据所述第二对应关系,获得各客户经理与所述网格数据中各客户的历史服务记录,根据所述历史服务记录生成任务分配影响因素;将所述任务分配影响因素、所述映射关系和所述第一对应关系输入所述神经网络模型,所述神经网络模型输出各客户经理的账号信息对应的第三客户分配信息;将所述第三客户分配信息分别发送给对应的所述各客户经理的账号,通过所述各客户经理的账号将对应推送任务的消息发送给所述第三客户分配信息中各客户的账号上。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的一种基于网格数据的消息推送方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至6中任一项所述的一种基于网格数据的消息推送方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310436508.5A CN116170500B (zh) | 2023-04-23 | 2023-04-23 | 一种基于网格数据的消息推送方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310436508.5A CN116170500B (zh) | 2023-04-23 | 2023-04-23 | 一种基于网格数据的消息推送方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116170500A true CN116170500A (zh) | 2023-05-26 |
CN116170500B CN116170500B (zh) | 2023-08-11 |
Family
ID=86414946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310436508.5A Active CN116170500B (zh) | 2023-04-23 | 2023-04-23 | 一种基于网格数据的消息推送方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116170500B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160117703A1 (en) * | 2014-10-22 | 2016-04-28 | Staples, Inc. | Large-Scale Customer-Product Relationship Mapping and Contact Scheduling |
CN110097455A (zh) * | 2019-04-09 | 2019-08-06 | 中国工商银行股份有限公司 | 银行客户优化配置方法及装置 |
CN113256340A (zh) * | 2021-06-04 | 2021-08-13 | 中电金信软件有限公司 | 执行任务的方法、装置及电子设备 |
CN114491255A (zh) * | 2022-01-24 | 2022-05-13 | 中国工商银行股份有限公司 | 推荐方法、***、电子设备和介质 |
CN114943514A (zh) * | 2022-05-23 | 2022-08-26 | 中国电信股份有限公司 | 业务信息处理的方法、装置以及电子设备 |
CN115169995A (zh) * | 2022-09-05 | 2022-10-11 | 平安银行股份有限公司 | 一种客户资源分配方法、装置、设备及存储介质 |
-
2023
- 2023-04-23 CN CN202310436508.5A patent/CN116170500B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160117703A1 (en) * | 2014-10-22 | 2016-04-28 | Staples, Inc. | Large-Scale Customer-Product Relationship Mapping and Contact Scheduling |
CN110097455A (zh) * | 2019-04-09 | 2019-08-06 | 中国工商银行股份有限公司 | 银行客户优化配置方法及装置 |
CN113256340A (zh) * | 2021-06-04 | 2021-08-13 | 中电金信软件有限公司 | 执行任务的方法、装置及电子设备 |
CN114491255A (zh) * | 2022-01-24 | 2022-05-13 | 中国工商银行股份有限公司 | 推荐方法、***、电子设备和介质 |
CN114943514A (zh) * | 2022-05-23 | 2022-08-26 | 中国电信股份有限公司 | 业务信息处理的方法、装置以及电子设备 |
CN115169995A (zh) * | 2022-09-05 | 2022-10-11 | 平安银行股份有限公司 | 一种客户资源分配方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116170500B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784721B (zh) | 一种就业数据分析与数据挖掘分析的平台*** | |
EP1530136A1 (en) | Data aggregation | |
CN111915366B (zh) | 一种用户画像构建方法、装置、计算机设备及存储介质 | |
CN112883692B (zh) | 一种ppt数据报告的自动生成方法 | |
CN109800354B (zh) | 一种基于区块链存储的简历修改意图识别方法及*** | |
CN110597796B (zh) | 基于全生命周期的大数据实时建模方法及*** | |
CN112835960B (zh) | 一种数字展会的数据分析方法与*** | |
Gupta et al. | Retracted: Robotic Process Automation use cases in academia and early implementation experiences | |
CN116170500B (zh) | 一种基于网格数据的消息推送方法和*** | |
CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
CN116385045A (zh) | 一种用于收寄附加服务的数据处理方法、装置和设备 | |
CN113627997A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113656692A (zh) | 基于知识迁移算法的产品推荐方法、装置、设备及介质 | |
JP7015725B2 (ja) | データ利活用に係るデータ準備方法及びデータ利活用システム | |
CN112966024A (zh) | 一种基于大数据的金融风控数据分析*** | |
CN111967671A (zh) | 基于支持向量数据域描述的跨境活跃用户识别方法及装置 | |
CN112308419A (zh) | 数据处理方法、装置、设备及计算机存储介质 | |
JP2019185582A5 (zh) | ||
CN117150389B (zh) | 模型训练方法、运营商号卡激活预测方法及其设备 | |
CN115587087B (zh) | 一种基于数据抽取和***建模的高效数据共享平台 | |
CN113393221B (zh) | 基于在线数据的企业生态链服务推送方法及*** | |
CN116150420B (zh) | 一种图片任务推送结果的评估方法和*** | |
CN113361931B (zh) | 煤化工企业智能生产***的规划***和方法 | |
CN113806450B (zh) | 一种基于综合交通大数据的融合型旅客关系网络构建方法 | |
Buö et al. | Predicting customer churn at a swedish crm-system company |
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 |