客户资源的分配方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，揭示了一种客户资源的分配方法、装置、设备及存储介质，其中方法包括：根据目标人员的成功客户特征向量集确定多个成功客户特征向量聚类集；从多个成功客户特征向量聚类集中确定最佳成功客户特征向量聚类集；根据最佳成功客户特征向量聚类集和待分配的客户特征向量集确定多个待分析的客户特征向量聚类集；确定多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量，从所有最佳成功客户特征向量数量中找出最大的，根据最大的最佳成功客户特征向量数量对应的待分析的客户特征向量聚类集，得到目标人员的目标客户集。从而使目标客户集与目标人员的营销能力的匹配度较高，有利于提高销售的成功率。

【技术实现步骤摘要】
客户资源的分配方法、装置、设备及存储介质
本申请涉及到人工智能
，特别是涉及到一种客户资源的分配方法、装置、设备及存储介质。
技术介绍
在现有技术的销售中对潜在客户的分配，采用随机分配的方法，从而使业务员的营销能力与被分配到的潜在客户的匹配度不高，导致销售的成功率不高，造成人力成本的浪费。
技术实现思路
本申请的主要目的为提供一种客户资源的分配方法、装置、设备及存储介质，旨在解决现有技术采用对潜在客户进行随机分配的方法，使业务员的营销能力与被分配到的潜在客户的匹配度不高，导致销售的成功率不高的技术问题。为了实现上述专利技术目的，本申请提出一种客户资源的分配方法，所述方法包括：获取目标人员的成功客户特征向量集；对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；获取待分配的客户特征向量集；根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。进一步的，所述对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集的步骤，包括：分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度；分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离；分别将所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度和所述待分析的第一高局部密度最小欧氏距离进行相乘计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析密度距离；采用第一预设数量从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析密度距离中获取所述第一待分析密度距离，得到所述成功客户特征向量集对应的多个第一目标聚类中心；根据所述成功客户特征向量集对应的多个第一目标聚类中心和所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度进行聚类分群，得到所述成功客户特征向量集对应的多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集。进一步的，所述分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度的步骤，包括：分别对所述成功客户特征向量集中的所有所述成功客户特征向量进行两两之间的欧氏距离计算，得到所述成功客户特征向量集对应的待处理的欧氏距离集合；分别根据所述成功客户特征向量集对应的所述待处理的欧氏距离集合对所述成功客户特征向量集中的每个所述成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度；第一待分析局部密度的计算公式ρi为：其中，ρi是所述成功客户特征向量集的第i个所述成功客户特征向量对应的所述第一待分析局部密度；m是所述成功客户特征向量集中所述成功客户特征向量的数量；dc是预设的截断距离，是一个常量；dij是所述成功客户特征向量集的第i个所述成功客户特征向量和第j个所述成功客户特征向量之间的所述待处理的欧氏距离；x是自变量，也就是dij-dc；当dij-dc小于0时确定X(x)等于1，否则确定X(x)等于0。进一步的，所述分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离的步骤，包括：从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度；从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中找出大于所述目标第一待分析局部密度的所述第一待分析局部密度，得到所述目标第一待分析局部密度对应的待分析高局部密度集；分别计算所述待分析高局部密度集中每个所述第一待分析局部密度对应的所述成功客户特征向量与所述目标第一待分析局部密度对应的所述成功客户特征向量之间的欧氏距离，得到所述目标第一待分析局部密度对应的待分析的欧氏距离集；从所述待分析的欧氏距离集中获取最小值，得到所述目标第一待分析局部密度对应的所述成功客户特征向量的所述待分析的第一高局部密度最小欧氏距离；重复执行所述从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述待分析的第一高局部密度最小欧氏距离。进一步的，所述根据所述成功客户特征向量集对应的多个第一目标聚类中心和所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度进行聚类分群，得到所述成功客户特征向量集对应的多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集的步骤，包括：分别对所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度与所述成功客户特征向量集对应的所述多个第一目标聚类中心对应的每个所述第一待分析密度距离进行相减计算和绝对值计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的聚类中心距离差值集；分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述聚类中心距离差值集中找出最小值，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一目标聚类中心距离差值；从所述成功客户特征向量集对应的多个第一目标聚类中心中提取出一个所述第一目标聚类中心作为待分群的第一目标聚类中心；分别将所述待分群的第一目标聚类中心对应的每个所述第一目标聚类中心距离差值对应的所述成功客户特征向量归类到同一个聚类集，得到所述待分群的第一目标聚类中心对应的所本文档来自技高网...

【技术保护点】
1.一种客户资源的分配方法，其特征在于，所述方法包括：/n获取目标人员的成功客户特征向量集；/n对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；/n从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；/n获取待分配的客户特征向量集；/n根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；/n分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；/n从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。/n

【技术特征摘要】
1.一种客户资源的分配方法，其特征在于，所述方法包括：
获取目标人员的成功客户特征向量集；
对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；
从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；
获取待分配的客户特征向量集；
根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；
分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；
从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。


2.根据权利要求1所述的客户资源的分配方法，其特征在于，所述对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集的步骤，包括：
分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度；
分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离；
分别将所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度和所述待分析的第一高局部密度最小欧氏距离进行相乘计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析密度距离；
采用第一预设数量从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析密度距离中获取所述第一待分析密度距离，得到所述成功客户特征向量集对应的多个第一目标聚类中心；
根据所述成功客户特征向量集对应的多个第一目标聚类中心和所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度进行聚类分群，得到所述成功客户特征向量集对应的多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集。


3.根据权利要求2所述的客户资源的分配方法，其特征在于，所述分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度的步骤，包括：
分别对所述成功客户特征向量集中的所有所述成功客户特征向量进行两两之间的欧氏距离计算，得到所述成功客户特征向量集对应的待处理的欧氏距离集合；
分别根据所述成功客户特征向量集对应的所述待处理的欧氏距离集合对所述成功客户特征向量集中的每个所述成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度；
第一待分析局部密度的计算公式ρi为：






其中，ρi是所述成功客户特征向量集的第i个所述成功客户特征向量对应的所述第一待分析局部密度；m是所述成功客户特征向量集中所述成功客户特征向量的数量；dc是预设的截断距离，是一个常量；dij是所述成功客户特征向量集的第i个所述成功客户特征向量和第j个所述成功客户特征向量之间的所述待处理的欧氏距离；x是自变量，也就是dij-dc；当dij-dc小于0时确定X(x)等于1，否则确定X(x)等于0。


4.根据权利要求2所述的客户资源的分配方法，其特征在于，所述分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离的步骤，包括：
从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度；
从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中找出大于所述目标第一待分析局部密度的所述第一待分析局部密度，得到所述目标第一待分析局部密度对应的待分析高局部密度集；
分别计算所述待分析高局部密度集中每个所述第一待分析局部密度对应的所述成功客户特征向量与所述目标第一待分析局部密度对应的所述成功客户特征向量之间的欧氏距离，得到所述目标第一待分析局部密度对应的待分析的欧氏距离集；
从所述待分析的欧氏距离集中获取最小值，得到所述目标第一待分析局部密度对应的所述成功客户特征向量的所述待分析的第一高局部密度最小欧氏距离；
重复执行所述从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述待分析的第一高局部密度最小欧氏距离。
<...

【专利技术属性】
技术研发人员：严杨扬，程克喜，卢显锋，晏湘涛，张政，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：广东;44