基于机器学习的精准营销策略模型构建方法及装置制造方法及图纸

本发明专利技术公开了一种基于机器学习的精准营销策略模型构建方法及装置，属于模型构建技术领域，包括以下步骤：对客户的数据源进行不同渠道来源的数据获取；对数据源中的样本数据进行拓展，保留原样本数据中的所有正样本，对负样本进行欠采样，保证正负样本的比例均衡；根据均衡的正负样本对数据进行数据清洗以及数据预处理。该基于机器学习的精准营销策略模型构建方法及装置，通过对客户数据的采集，结合具有特征提取能力的机器学习技术，对客户的基础信息进行精准的区分和构建营销策略模型，不断优化模型，并通过后续的优化和迭代，房地产企业根据实际使用情况，对精准营销策略模型进行反馈，并对模型进行改进，提升了营销的精准性。

【技术实现步骤摘要】
基于机器学习的精准营销策略模型构建方法及装置
本专利技术属于模型构建
，具体为一种基于机器学习的精准营销策略模型构建方法及装置。
技术介绍
企业的发展离不开市场的变化，如今的市场处在一个经济全球化、大数据的背景下，消费者揭竿而起，客户需求的多样化、个性化导致企业以客户为中心，掌握客户更多、更准确的信息。在商业化进程中，企业所处的商业化环境竞争越来越激烈，很多企业尤其是互联网企业，更是把客户作为公司的重要资源，把企业与客户的关系作为企业的核心竞争力，通过实施营销策略，提高客户的满意度，使之成为有效客户，提升客户的价值。精准营销的追求是“无营销的营销”，是以客户为中心的终极营销方式，精准营销能够使企业加深对客户的了解：企业的客户群体需要什么，哪些时间点需求最强烈，如何刺激他们。现有技术中，通过销售对提供的客户进行电话沟通或者通过线下搜索潜在客户走访交流，这种模式成本大，利润小，人力物力浪费现象较为严重，而且效率不高。在大数据时代背景下，房地产市场竞争环境变得更加多元化，复杂化，这为房地产企业的发展带来新的挑战，传统市场营销方式本文档来自技高网...

【技术保护点】
1.一种基于机器学习的精准营销策略模型构建方法，其特征在于，包括以下步骤：/n对客户的数据源进行不同渠道来源的数据获取；/n对数据源中的样本数据进行拓展，保留原样本数据中的所有正样本，对负样本进行欠采样，保证正负样本的比例均衡；/n根据均衡的正负样本对数据进行数据清洗以及数据预处理；/n根据清洗和预处理后的数据集进行建模，并进行特征转换和提取；/n根据数据集划分训练集、验证集以及测试集；/n利用训练集、验证集以及测试集对精准营销策略模型进行模型参数的校正；/n根据校正的结果对精准营销策略模型进行评估；/n根据评估的结果完成对精准营销策略模型的构建；/n对构建的精准营销策略模型进行优化。/n

【技术特征摘要】
1.一种基于机器学习的精准营销策略模型构建方法，其特征在于，包括以下步骤：
对客户的数据源进行不同渠道来源的数据获取；
对数据源中的样本数据进行拓展，保留原样本数据中的所有正样本，对负样本进行欠采样，保证正负样本的比例均衡；
根据均衡的正负样本对数据进行数据清洗以及数据预处理；
根据清洗和预处理后的数据集进行建模，并进行特征转换和提取；
根据数据集划分训练集、验证集以及测试集；
利用训练集、验证集以及测试集对精准营销策略模型进行模型参数的校正；
根据校正的结果对精准营销策略模型进行评估；
根据评估的结果完成对精准营销策略模型的构建；
对构建的精准营销策略模型进行优化。


2.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述样本数据的正样本即为营销策略中的潜在用户，所述样本数据的负样本即为营销策略中的非潜在用户。


3.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述数据清洗包括对缺失数据的填充、重复数据的删除；所述数据预处理包括对数据设置最高值和最低值的区间截断。


4.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述特征转换和提取包括对数据集中各个特征进行相应提取和转换以适应模型训练的要求，把后续模型不能处理的特征转换成模型算法可以处理的干净特征，并提取出营销策略模型构建需要的特征。


5.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，在对精准营销策略模型进行模型参数的校正时，以时间来切分训练集、验证集以及测试集，利用验证集来调整精准营销策...

【专利技术属性】
技术研发人员：王哲，吴显夷，
申请(专利权)人：猎居网络科技上海有限公司，
类型：发明
国别省市：上海;31