数据驱动的复杂模糊型商品品牌线索分派方法技术

本发明专利技术公开了一种数据驱动的复杂模糊型商品品牌线索分派方法，包括以下步骤：收集潜在客户信息，经过预处理后存储至目标数据库中；基于主成分分析，去除线索相关性，保留综合线索，存储至数据库中；对潜在客户的综合线索进行归一化，计算信息熵，得到综合线索权重；利用综合线索和综合线索权重，得到潜在客户加权后的归一化矩阵，计算潜在客户线索得分，从而确定最终的目标客户；利用客户‑属性评分矩阵，采用协同过滤算法，计算客户之间的相似度，基于客户相似度，向目标客户推荐相关产品。本发明专利技术可应用于具有标签化特征的大数据产能分派，具体来说是为商品品牌经销商寻找目标用户并匹配目标产品，切实提高数据利用效率，降低公司客户跟进成本。

【技术实现步骤摘要】
数据驱动的复杂模糊型商品品牌线索分派方法
本专利技术涉及一种计算机技术中的数据处理及线索分派方法，尤其涉及一种数据驱动的复杂模糊型商品品牌线索分派方法。
技术介绍
当前，我们处在一个大数据高速发展的时代，越来越多的企业开始重视数据资产的积累、应用和变现。各家品牌经销商都可以通过手机WAP网站、手机APP等数据源获取到近期关注自身品牌或竞争品牌的潜在消费者线索。该类线索主要表现为用户咨询价格主动留下的电话号码、QQ号/微信、电子邮箱等信息。在数据产能爆发的同时，数据清洗服务提供商不得不为数据线索需求与产能的合理平衡犯难。例如，大数据结果集中某城市某天A产品的线索有380个、关注B产品的线索有287个、关注C产品的线索有360个。如果该城市A产品经销商有20家、B产品经销商有25家、C产品经销商32家，以每家每天线索需求量为50条为基本需求(实际情况需求量各不相同、更为复杂)，那么每家经销商应分派多少条线索才能既均衡经销商需求又不浪费线索产能是一道不可避免的难题。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种数据驱动的复杂模糊型商品品牌线索分派方法，可应用于具有标签化特征的大数据产能分派，具体来说是为商品品牌经销商寻找目标用户并匹配目标产品，切实提高数据利用效率，降低公司客户跟进成本。本专利技术通过以下技术方案来实现上述目的：一种数据驱动的复杂模糊型商品品牌线索分派方法，包括以下步骤：步骤(1)：数据前期准备阶段：收集关注自身品牌或竞争品牌的潜在客户信息，经过预处理后存储至目标数据库中；步骤(2)：综合线索确定阶段：基于主成分分析，去除线索相关性，保留综合线索，存储至数据库中；步骤(3)：线索权重确定阶段：对潜在客户的综合线索进行归一化，计算信息熵，得到综合线索权重；步骤(4)：目标客户确定阶段：利用步骤(2)得到的综合线索和步骤(3)得到的综合线索权重，得到潜在客户加权后的归一化矩阵，计算潜在客户线索得分，从而确定最终的目标客户；步骤(5)：目标产品推荐阶段：利用客户-属性评分矩阵，采用协同过滤算法，计算客户之间的相似度，基于客户相似度，向目标客户推荐相关产品。具体地，所述步骤(1)中，所述潜在客户信息包括但不限于基本信息、特征信息、关注信息；所述预处理包括对所收集数据进行清洗和将类别型数据映射为布尔数据。进一步，所述步骤(1)中，所述预处理还包括：使用梯形模糊数，将具有模糊特性的客户线索，进行量化处理，其具体方法是：使用期望值算子对梯形模糊数进行计算，计算公式为：其中，xik为第k个意向客户第i种类型线索的计算值；为第k个意向客户第i种类型线索，为一个模糊数，为模糊数的期望值，a1,a2,a3,a4分别为第k个意向客户第i种类型线索的最小值、最可能指下限、最可能值上限、最大值，为态度参数，决策者根据自己的情况选择，范围为0～1，越接近于1，情况越乐观，越接近于0，情况越悲观。进一步，所述步骤(1)中，所述预处理后存储至目标数据库中的，是经过清洗、模糊处理的如下所示的客户原始线索矩阵，用X表示，k表示有k个意向客户，i表示收集到i种类型的线索：所述步骤(2)中，所述去除线索相关性的具体方法是：首先计算协方差矩阵COV(X)，找到COV(X)的k个实特征根，以及相应的k个长度为1的、相互正交的特征向量b1，b2，…，bk，即特征向量矩阵B：其中，cii是协方差矩阵的元素，B是协方差矩阵的特征向量矩阵，bi是协方差矩阵的长度为1且相互正交的特征向量，||bi||＝1，bii是特征向量bi中的第i个元素，原始线索主成分Q＝BTX，展开表达式为Q1＝b11X1+b21X2+…+bi1Xi…其中，Qi＝b1iX1+b2iX2+…+biiXi所述综合线索，就是通过上述数学变换方法，在保证变量总方差不变的情况下，转换出的i个主成分；所述步骤(2)中，所述存储至数据库中的综合线索，即综合线索矩阵Q’：其中，j≤i，Qj表示所选择的j个综合线索，bij表示第j综合线索值的第i个取值；所述步骤(3)中，所述对潜在客户的综合线索进行归一化，是将综合线索转换为无量纲属性，其变换方程为：其中，zjk表示第k位客户第j条综合线索的归一化值；所述计算信息熵的公式为：其中，Ej为第j条综合线索的信息熵，pjk为第k位客户第j条综合线索出现的概率，lnpjk为第k位客户第j条综合线索出现概率的对数，为客户数量对数的倒数，用于选取一个合适的单位；所述综合线索权重为：其中，wj为第j条综合线索的综合权重。所述步骤(4)中，所述归一化矩阵为矩阵V，这里包含j个综合指标、i个潜在客户：其中，vjk为第k个客户第j条综合线索的加权归一化矩阵值，wj为第j条综合线索的综合权重，zjk表示第k位客户第j条综合线索的归一化值；所述计算潜在客户线索得分的变换方程如下：其中，其中，A-和A+是两位极端客户，其中A-表示客户所有综合线索的值都是0，A+表示客户所有综合线索值都是每种线索中的最大值，分别表示客户k与A+、A-两位客户的欧氏距离，是客户k与客户A-的相对贴近度；所述确定最终的目标客户，是依据的值进行判定，越大，越是应该关注的目标客户。所述步骤(5)中，所述客户-属性评分矩阵中，“客户”包括已购买客户、意向客户，“属性”是商品的属性；所述客户-属性评分矩阵是矩阵A：其中，ais表示第s位已购买客户对第i种商品属性的重要性评价；所述协同过滤算法，是利用皮尔森相关系数r为目标客户找出u个最相似的用户，形成用户邻居集合；其中，其中，r是已购买商品客户与意向客户之间的皮埃尔森相关系数，ais表示第s位已购买商品客户对第i种商品属性的重要性评价，xik表示第k位客户对第i种商品属性的重要性评价，xjk表示第k位客户对第j种商品属性的重要性评价，是客户s所有指标的均值，是客户k所有指标的均值；所述基于用户相似度，向目标客户推荐相关产品，是基于计算出来的相似度，推荐与目标用户相似度最高的N位已购买用户所购买的商品。本专利技术的有益效果在于：本专利技术通过梯形模糊线索处理，能够量化客户的感性描述；运用主成分分析，能够形成潜在用户的综合线索；通过熵权法，能够对潜在客户的综合线索进行加权归一化处理，从而确定目标客户；通过协同过滤机制计算目标客户与历史客户评分矩阵的相似度，基于相似度为目标用户推荐产品，从而减少人工参与工作量，减少线索分派经济成本；本专利技术可应用于具有标签化特征的大数据产能分派，具体来说是为商品品牌经销商寻找目标用户并匹配目标产品，切实提高数据利用效率，降低公司客户跟进成本。具体实施方式下面结合实施例对本专利技术作进一步说明：实施例：一种优选的数据驱动的复杂模糊型商品品牌线索分派方法，包括以下步骤：步骤(1)：数据前期准备阶段：收集关注自身品牌或竞争品牌的潜在客户信息，所述潜在客户信息包括但不限于基本信息、特征信息、关注信息，用数学方法描述为线索1、线索2、…线索i，潜在客户信息经过预处理后存储至目标数据库中；所述预处理包括对所收集数据进行清洗，对所收集数据进行清洗即对缺失数据进行填补、重复信息进行删除、错误信息进行修正，再将类别型数据映射为布尔数据，如婚姻状况可以直接映射成0、1，分别表示未婚和已婚，并使用梯形模糊数，将具有模糊特性的客户线索，进行量本文档来自技高网...

【技术保护点】
一种数据驱动的复杂模糊型商品品牌线索分派方法，其特征在于：包括以下步骤：步骤(1)：数据前期准备阶段：收集关注自身品牌或竞争品牌的潜在客户信息，经过预处理后存储至目标数据库中；步骤(2)：综合线索确定阶段：基于主成分分析，去除线索相关性，保留综合线索，存储至数据库中；步骤(3)：线索权重确定阶段：对潜在客户的综合线索进行归一化，计算信息熵，得到综合线索权重；步骤(4)：目标客户确定阶段：利用步骤(2)得到的综合线索和步骤(3)得到的综合线索权重，得到潜在客户加权后的归一化矩阵，计算潜在客户线索得分，从而确定最终的目标客户；步骤(5)：目标产品推荐阶段：利用客户‑属性评分矩阵，采用协同过滤算法，计算客户之间的相似度，基于客户相似度，向目标客户推荐相关产品。

【技术特征摘要】
1.一种数据驱动的复杂模糊型商品品牌线索分派方法，其特征在于：包括以下步骤：步骤(1)：数据前期准备阶段：收集关注自身品牌或竞争品牌的潜在客户信息，经过预处理后存储至目标数据库中；步骤(2)：综合线索确定阶段：基于主成分分析，去除线索相关性，保留综合线索，存储至数据库中；步骤(3)：线索权重确定阶段：对潜在客户的综合线索进行归一化，计算信息熵，得到综合线索权重；步骤(4)：目标客户确定阶段：利用步骤(2)得到的综合线索和步骤(3)得到的综合线索权重，得到潜在客户加权后的归一化矩阵，计算潜在客户线索得分，从而确定最终的目标客户；步骤(5)：目标产品推荐阶段：利用客户-属性评分矩阵，采用协同过滤算法，计算客户之间的相似度，基于客户相似度，向目标客户推荐相关产品。2.根据权利要求1所述的数据驱动的复杂模糊型商品品牌线索分派方法，其特征在于：所述步骤(1)中，所述潜在客户信息包括但不限于基本信息、特征信息、关注信息；所述预处理包括对所收集数据进行清洗和将类别型数据映射为布尔数据。3.根据权利要求2所述的数据驱动的复杂模糊型商品品牌线索分派方法，其特征在于：所述步骤(1)中，所述预处理还包括：使用梯形模糊数，将具有模糊特性的客户线索，进行量化处理，其具体方法是：使用期望值算子对梯形模糊数进行计算，计算公式为：其中，xik为第k个意向客户第i种类型线索的计算值；为第k个意向客户第i种类型线索，为一个模糊数，为模糊数的期望值，a1,a2,a3,a4分别为第k个意向客户第i种类型线索的最小值、最可能指下限、最可能值上限、最大值，为态度参数，决策者根据自己的情况选择，范围为0～1，越接近于1，情况越乐观，越接近于0，情况越悲观。4.根据权利要求3所述的数据驱动的复杂模糊型商品品牌线索分派方法，其特征在于：所述步骤(1)中，所述预处理后存储至目标数据库中的，是经过清洗、模糊处理的如下所示的客户原始线索矩阵，用X表示，k表示有k个意向客户，i表示收集到i种类型的线索：5.根据权利要求1所述的数据驱动的复杂模糊型商品品牌线索分派方法，其特征在于：所述步骤(2)中，所述去除线索相关性的具体方法是：首先计算协方差矩阵COV(X)，找到COV(X)的k个实特征根，以及相应的i个长度为1的、相互正交的特征向量b1，b2，…，bi，即特征向量矩阵B：其中，cii是协方差矩阵的元素，B是协方差矩阵的特征向量矩阵，bi是协方差矩阵的长度为1且相互正交的特征向量，||bi||＝1，bii是特征向量bi中的第i个元素，原始线索主成分Q＝BTX，展开表达式为其中，所述综合线索，就是通过上述数学变换方法，在保证变量总方差不变的情况下，转换出的i个主成分。6.根据权利要求5所述的数据驱动的复杂模糊型商品品牌线索分派方法，其特征在于：所述步骤(2)中，所述存储至数据库中的综合线索，即综合线索矩阵Q’：

【专利技术属性】
技术研发人员：姚黎明，张胤，
申请(专利权)人：成都初联创智软件有限公司，
类型：发明
国别省市：四川,51