基于客户和员工的产品推荐方法技术

本发明专利技术提出了一种基于客户和员工的产品推荐方法及系统，所述方法在客户意向和标签未知的情况下，通过设定标签以及通过历史数据计算产品与客户之间成交的可能性，将可能性最高的产品推荐给客户，这样即便推荐的产品无法最适合客户，也可提高业务人员的成交率和工作效率，同时兼顾客户需求和员工利益。同时兼顾客户需求和员工利益。同时兼顾客户需求和员工利益。

【技术实现步骤摘要】
rId,Itemid,label)，其中customerId为客户画像ID，Itemid为产品ID，label为正负样本的标识；
[0016]对list(customerId,Itemid,label)构成的训练样本进行模型训练，得到目标客户对所有产品的预测倾向值的列向量以及所有产品的真实倾向值的列向量。
[0017]可选的，训练样本中包括正样本和负样本。
[0018]可选的，模型训练的学习率随迭代的轮次逐渐衰减。
[0019]本专利技术的基于客户和员工的产品推荐方法相对于现有技术具有以下有益效果：
[0020](1)在客户意向和对产品的需求标签未知的情况下，通过设定产品标签以及通过历史数据计算产品与客户之间成交的可能性，将可能性最高的产品推荐给客户，这样即便推荐的产品无法最适合客户，也可提高业务人员的成交率和工作效率，同时兼顾客户需求和员工利益；
[0021](2)建立了评分矩阵，根据历史数据预测评分矩阵中的缺失值，然后得到产品的推荐值，可确保推荐值的可靠性高；
[0022](3)通过计算预测倾向值与真实倾向值、预测熟悉度与真实倾向值之间的距离，选择距离最小的产品进行推荐，可在提高员工成交率的基础上确保产品尽可能的适合客户，提高了客户满意度。
[0023]另一方面，本专利技术还提出了一种基于客户和员工的产品推荐系统，以解决传统产品推荐系统仅以客户角度出发无法提高某个业务人员的成交率的问题。
[0024]本专利技术的技术方案是这样实现的：一种基于客户和员工的产品推荐系统，包括：
[0025]标签及评分设定模块，用于设定多个客户标签以及多个员工标签，根据历史数据设定每个客户标签相对于每种产品的客户评分以及每个员工标签相对于每种产品的员工评分；
[0026]画像获取模块，用于获取目标客户的客户画像和特定员工的员工画像，客户画像包括多个客户标签，员工画像包括多个员工标签；
[0027]评分矩阵构建模块，用于构建客户画像相对于所有产品的客户评分矩阵以及员工画像相对于所有产品的员工评分矩阵；
[0028]列向量计算模块，用于根据客户评分矩阵计算目标客户对所有产品的预测倾向值的列向量以及所有产品的真实倾向值的列向量，根据员工评分矩阵计算特定员工对所有产品的预测熟悉度的列向量以及所有产品的真实倾向值的列向量；
[0029]推荐值计算模块，用于根据预测倾向值的列向量以及所有产品的真实倾向值的列向量计算所有产品对于目标客户的推荐值，根据预测熟悉度的列向量以及所有产品的真实倾向值的列向量计算所有产品对于特定员工的推荐值；
[0030]成功值计算模块，用于将每种产品对于目标客户的推荐值及此产品对于特定员工的推荐值相乘，得到所有产品的成功值，将成功值最高的产品推荐给目标客户。
[0031]所述基于客户和员工的产品推荐系统与上述基于客户和员工的产品推荐方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述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专利技术的一些实施例，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他的附图。
[0033]图1为本专利技术的基于客户和员工的产品推荐方法的流程图；
[0034]图2为本专利技术的每个客户标签相对于每种产品的客户评分表；
[0035]图3为本专利技术的每个员工标签相对于每种产品的员工评分表；
[0036]图4为本专利技术的客户评分矩阵；
[0037]图5为本专利技术的员工评分矩阵；
[0038]图6为本专利技术的基于客户和员工的产品推荐系统的结构框图。
具体实施方式
[0039]下面将结合本专利技术实施方式，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，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方式，都属于本专利技术保护的范围。
[0040]如图1所示，本实施例的基于客户和员工的产品推荐方法，包括：
[0041]步骤S1，设定多个客户标签以及多个员工标签，根据历史数据设定每个客户标签相对于每种产品的客户评分以及每个员工标签相对于每种产品的员工评分；
[0042]步骤S2，获取目标客户的客户画像和特定员工的员工画像，客户画像包括多个客户标签，员工画像包括多个员工标签；
[0043]步骤S3，构建客户画像相对于所有产品的客户评分矩阵以及员工画像相对于所有产品的员工评分矩阵；
[0044]步骤S4，根据客户评分矩阵计算目标客户对所有产品的预测倾向值的列向量以及所有产品的真实倾向值的列向量，根据员工评分矩阵计算特定员工对所有产品的预测熟悉度的列向量以及所有产品的真实倾向值的列向量；
[0045]步骤S5，根据预测倾向值的列向量以及所有产品的真实倾向值的列向量计算所有产品对于目标客户的推荐值，根据预测熟悉度的列向量以及所有产品的真实倾向值的列向量计算所有产品对于特定员工的推荐值；
[0046]步骤S6，将每种产品对于目标客户的推荐值及此产品对于特定员工的推荐值相乘，得到所有产品的成功值，将成功值最高的产品推荐给目标客户。
[0047]其中，如图2所示，客户标签包括客户性质、所属行业及所在地址等，如图3所示，员工标签包括性别、入职时长、签约状态及考察结果等。
[0048]其中，预测倾向值代表客户对某种产品标签(如大气、性价比)的喜欢程度或者倾向程度，预测熟悉度代表员工对某种产品的熟悉度，真实倾向值代表产品相对某个标签(例如大气、性价比)的符合程度。
[0049]一般的，销售人员在面对不同的机构时，特别是新机构，初始的第1、2次沟通尤为重要，需要迅速找到机构感兴趣的产品，而进行比较精准的营销。而公司的销售人员本身也存在每个人的个人特性，如入职时间长短、对产品的了解程度、签约情况等。假设客户对产品的要求是“大气”。“性价比”，若产品A 的预测倾向值为0.8、预测倾向值对应的真实倾向
值为0.7、预测熟悉度为0.9、预测熟悉度对应的真实倾向值为0.5，此时我很容易得出产品A对客户的推荐值 R＝0.8x0.7+0.9x0.5＝1.1。
[0050]真实情况是无法知道客户内心中真实想法和对应的标签，也无法知道客户与标签之间的系数是什么，那么本实施例可以抽象出客户标签之间的模型如下。其中q代表客户对某个产品标签(例如大气、性价比)的预测倾向值，p代表产品相对某个标签(例如大气、性价比)的真实倾向值。如果换成员工和产品的模型，则q代表员工对产品的预测熟悉度，p依然代表产品相对某个标签的符真实倾向值。
[0051]推到出推荐值的公式是:其中，cf为客户标签的序号，if为产品标签的序号，k为隐性特征(标签)的总数，设置为10-32个；
[0052本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于客户和员工的产品推荐方法，其特征在于，包括：步骤S1，设定多个客户标签以及多个员工标签，根据历史数据设定每个客户标签相对于每种产品的客户评分以及每个员工标签相对于每种产品的员工评分；步骤S2，获取目标客户的客户画像和特定员工的员工画像，客户画像包括多个客户标签，员工画像包括多个员工标签；步骤S3，构建客户画像相对于所有产品的客户评分矩阵以及员工画像相对于所有产品的员工评分矩阵；步骤S4，根据客户评分矩阵计算目标客户对所有产品的预测倾向值的列向量以及所有产品的真实倾向值的列向量，根据员工评分矩阵计算特定员工对所有产品的预测熟悉度的列向量以及所有产品的真实倾向值的列向量；步骤S5，根据预测倾向值的列向量以及所有产品的真实倾向值的列向量计算所有产品对于目标客户的推荐值，根据预测熟悉度的列向量以及所有产品的真实倾向值的列向量计算所有产品对于特定员工的推荐值；步骤S6，将每种产品对于目标客户的推荐值及此产品对于特定员工的推荐值相乘，得到所有产品的成功值，将成功值最高的产品推荐给目标客户。2.如权利要求1所述的基于客户和员工的产品推荐方法，其特征在于，客户标签包括客户性质、所属行业及所在地理位置。3.如权利要求1所述的基于客户和员工的产品推荐方法，其特征在于，员工标签包括性别、入职时长、签约状态及考察结果。4.如权利要求1所述的基于客户和员工的产品推荐方法，其特征在于，步骤S4包括：获取产品的信息和目标客户对产品的平均评分，编写get_item_info函数从mysql数据库中获取产品的信息放到item_dist中；编写get_train_data函数从客户评分矩阵中提取训练样本，返回list(custome rId,Itemid,l...

【专利技术属性】
技术研发人员：胡亮，
申请(专利权)人：武汉鼎森世纪科技有限公司，
类型：发明
国别省市：