一种判断潜在客户的方法及装置、电子设备和存储介质制造方法及图纸

本申请提供一种判断潜在客户的方法及装置、电子设备和计算机可读存储介质，该方法包括：获取设备标识集，所述设备标识集包括多个待分类人员的设备标识；从特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成特征参数；将每一设备标识对应的所述特征参数输入至已训练的机器学习模型，通过所述机器学习模型计算所述特征参数，获得与每一设备标识对应的人员类别信息；其中，所述人员类别信息包括潜在客户和非潜在客户。在本申请实施例中，由于已训练的机器学习模型学习了到店客户的特征参数的内在规律，因此可以准确地基于待分类人员对应的特征参数判断出潜在客户。

A method to judge potential customers, devices, electronic equipment and storage media

【技术实现步骤摘要】
一种判断潜在客户的方法及装置、电子设备和存储介质
本申请涉及计算机
，特别涉及一种判断潜在客户的方法及装置、电子设备和计算机可读存储介质。
技术介绍
互联网时代的消费情境相比以往更为丰富，用户可通过公众号、购物平台应用(比如：美团、淘宝、饿了么等)、社交网站等渠道向商家购买商品或服务。如今，许多线下商家也开始通过各类线上渠道向用户推送促销信息，从而提高店铺的客流量。一般，商家会大面积地向渠道上所有人推送促销信息。然而，这种方式难以确定真正有意愿到店的潜在客户，商家很难预测到店的客户量，也就无法灵活调整促销策略。
技术实现思路
本申请实施例的目的在于提供一种判断潜在客户的方法，用以判断到店几率高的潜在客户，从而提高促销精确性和有效性。本申请实施例提供一种判断潜在客户的方法，所述方法包括：获取设备标识集，所述设备标识集包括多个待分类人员的设备标识；从特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成特征参数；将每一设备标识对应的所述特征参数输入至已训练的机器学习模型，通过所述机器学习模型计算所述特征参数，获得与每一设备标识对应的人员类别信息；其中，所述人员类别信息包括潜在客户和非潜在客户。在一实施例中，所述机器学习模型通过以下方式训练得到：获取多个正样本标识和多个负样本标识；其中，所述正样本标识为历史到店人员的设备标识，所述负样本标识为未到店人员的设备标识；从所述特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数；为所述正样本标识对应的特征参数添加正样本标签，为所述负样本标识对应的特征参数添加负样本标签；其中，所述正样本标签表征潜在客户，所述负样本标签表征非潜在客户；将多个所述特征参数输入至所述机器学习模型，通过所述机器学习模型对每一特征参数计算出的人员类别信息与该特征参数的正样本标签或负样本标签之间的差异，对所述机器学习模型的模型参数进行训练；重复所述训练过程，直至所述模型参数满足所述机器学习模型的分类精度要求。在一实施例中，所述方法还包括：重新获取多个所述正样本标识和多个所述负样本标识；从所述特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数；为所述正样本标识对应的特征参数添加正样本标签，为所述负样本标识对应的特征参数添加负样本标签；将多个所述特征参数输入至所述机器学习模型，通过所述机器学习模型对每一特征参数计算人员类别信息，并判断所述人员类别信息与该特征参数的正样本标签或负样本标签之间的差异是否满足所述分类精度要求；如果不满足所述分类精度要求，训练所述模型参数，直至所述模型参数满足所述分类精度要求。在一实施例中，所述特征参数包括动态系数、距职系数、距住系数、兴趣度系数和天气系数中一种或多种的组合；所述查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数，包括：从所述特征匹配库中查找每一设备标识对应的兴趣点访问日志；其中，所述兴趣点访问日志包括多条兴趣点访问记录，每一兴趣点访问记录包括时间戳、兴趣点和兴趣点类别；筛选出时间戳位于指定时间段内的兴趣点访问记录，从所述兴趣点访问记录统计每一设备标识对应的所述兴趣点的数量和所述兴趣点类别的数量；基于所述兴趣点的数量和所述兴趣点类别的数量，计算所述设备标识对应的动态系数。在一实施例中，所述查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数，还包括：从所述特征匹配库查找每一设备标识对应的工作地坐标和居住地坐标；基于预设目的地的坐标和每一设备标识对应的工作地坐标，计算该设备标识对应的距职系数；基于所述目的地的坐标和每一设备标识对应的居住地坐标，计算该设备标识对应的距住系数。在一实施例中，所述查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数，还包括：确定预设目的地所属的兴趣点类别，并检查每一设备标识的所述兴趣点访问记录中属于该兴趣点类别的兴趣点的数量，将该数量作为该设备标识对应的兴趣度系数。在一实施例中，所述依据所述特征信息生成特征参数，包括：依照预定义的数据格式对所述特征参数进行标准化处理。本申请实施例还提供了一种判断潜在客户的装置，包括：获取模块，用于获取设备标识集，所述设备标识集包括多个待分类人员的设备标识；生成模块，用于从特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成特征参数；判断模块，用于将每一设备标识对应的所述特征参数输入至已训练的机器学习模型，通过所述机器学习模型计算所述特征参数，获得与每一设备标识对应的人员类别信息；其中，所述人员类别信息包括潜在客户和非潜在客户。进一步的，本申请实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述判断潜在客户的方法。进一步的，本申请实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述判断潜在客户的方法。在本申请实施例的技术方案中，获取设备标识后，从特征匹配库中查找每一设备标识对应的特征信息，并依据特征信息生成特征参数，然后通过已训练的机器学习模型计算特征参数，从而获得与每一设备标识对应的人员类别信息；由于已训练的机器学习模型学习了到店客户的特征参数的内在规律，因此可以准确地基于待分类人员对应的特征参数判断出潜在客户。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。图1为本申请一示例性实施例示出判断潜在客户的方法的应用场景示意图；图2为本申请一示例性实施例的电子设备的结构示意图；图3为本申请实施例示出的一种判断潜在客户的方法的流程示意图；图4为本申请实施例示出的一种机器学习模型的训练示意图；图5为本申请实施例示出的一种判断潜在客户的装置的框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。图1为本申请一示例性实施例示出判断潜在客户的方法的应用场景示意图。如图1所示，该应用场景包括服务端30和客户端20，服务端30可以是服务器、服务器集群或者云计算中心，服务端30可依据客户端20发送的人员判断指令提供相应的潜在客户判断服务。客户端20可以是计算机、平板电脑、智能手机等智能设备。如图2所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图2本文档来自技高网...

【技术保护点】
1.一种判断潜在客户的方法，其特征在于，包括：/n获取设备标识集，所述设备标识集包括多个待分类人员的设备标识；/n从特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成特征参数；/n将每一设备标识对应的所述特征参数输入至已训练的机器学习模型，通过所述机器学习模型计算所述特征参数，获得与每一设备标识对应的人员类别信息；其中，所述人员类别信息包括潜在客户和非潜在客户。/n

【技术特征摘要】
1.一种判断潜在客户的方法，其特征在于，包括：
获取设备标识集，所述设备标识集包括多个待分类人员的设备标识；
从特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成特征参数；
将每一设备标识对应的所述特征参数输入至已训练的机器学习模型，通过所述机器学习模型计算所述特征参数，获得与每一设备标识对应的人员类别信息；其中，所述人员类别信息包括潜在客户和非潜在客户。


2.根据权利要求1所述的方法，其特征在于，所述机器学习模型通过以下方式训练得到：
获取多个正样本标识和多个负样本标识；其中，所述正样本标识为历史到店人员的设备标识，所述负样本标识为未到店人员的设备标识；
从所述特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数；
为所述正样本标识对应的特征参数添加正样本标签，为所述负样本标识对应的特征参数添加负样本标签；其中，所述正样本标签表征潜在客户，所述负样本标签表征非潜在客户；
将多个所述特征参数输入至所述机器学习模型，通过所述机器学习模型对每一特征参数计算出的人员类别信息与该特征参数的正样本标签或负样本标签之间的差异，对所述机器学习模型的模型参数进行训练；
重复训练过程，直至所述模型参数满足所述机器学习模型的分类精度要求。


3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
重新获取多个所述正样本标识和多个所述负样本标识；
从所述特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数；
为所述正样本标识对应的特征参数添加正样本标签，为所述负样本标识对应的特征参数添加负样本标签；
将多个所述特征参数输入至所述机器学习模型，通过所述机器学习模型对每一特征参数计算人员类别信息，并判断所述人员类别信息与该特征参数的正样本标签或负样本标签之间的差异是否满足所述分类精度要求；
如果不满足所述分类精度要求，训练所述模型参数，直至所述模型参数满足所述分类精度要求。


4.根据权利要求1-3任一所述的方法，其特征在于，所述特征参数包括动态系数、距职系数、距住系数、兴趣度系数和天气系数中一种或多种的组合；
所述查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数，包括：
从所述特征匹配库中查找每一设备标识...

【专利技术属性】
技术研发人员：崔小珊，高雅，
申请(专利权)人：秒针信息技术有限公司，
类型：发明
国别省市：北京;11