基于客户匹配的网络营销系统技术方案

本发明专利技术公开了一种基于客户匹配的网络营销系统，包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，标签服务单元与主数据管理单元的输出端连接，模型构建单元与主数据管理单元、标签服务单元连接，模型验证单元与模型构建单元连接。本发明专利技术属于客户价值预测技术领域，具体是提供了一种基于AI算法及大数据计算处理能力进行多维度实时聚类标签及场景，进行目标客群的详细画像分析、营销活动以及营销效果分析，帮助销售及运营人员精确找到高价值目标群体，避免浪费人力资源盲目营销、简化寻找客群的步骤，提升潜客引流效率的基于客户匹配的网络营销系统。客户匹配的网络营销系统。客户匹配的网络营销系统。

【技术实现步骤摘要】
基于客户匹配的网络营销系统


[0001]本专利技术属于客户价值预测
，具体是指一种基于客户匹配的网络营销系统。

技术介绍

[0002]现有技术获取潜在客户的个人特征数据，主要包括在预先划分好的各个工作时间段内，根据电销坐席的成交客户总数以及推销客户总数，分别计算所述电销坐席在各个所述工作时间段的客户转化率；将所述电销坐席在当前工作时间段的所述客户转化率以及所述潜在客户的个人特征数据输入预先建立的随机森林模型，以分别输出多个所述潜在客户的产品购买概率，依照所述产品购买概率的大小顺序，对多个所述潜在客户进行排序，将所述产品购买概率大于预设阈值的所述潜在客户确定为所述电销坐席在所述当前工作时间段的目标客户。
[0003]但是现有的营销目标客户圈选具有以下的缺点：(1)基于大数据任意客群多维度实时聚类分析的方法，利用业务规则和经验计算出客群的属性标签，对目标客群实现实时分析，标签粒度较粗，无法准确识别目标客群；(2)需要数据分析和研发人员支撑，获取数据的流程复杂且周期较长，基于聚类分析计算获得的标签规则不能实时满足业务需求，需要不断开发、计算新标签；(3)无法满足不同数据结构的客户数据，新的客户数据接入时需要全部重新耗费资源、时间进行开发。

技术实现思路

[0004]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于AI算法及大数据计算处理能力进行多维度实时聚类标签及场景，进行目标客群的详细画像分析、营销活动以及营销效果分析，帮助销售及运营人员精确找到高价值目标群体，避免浪费人力资源盲目营销、简化寻找客群的步骤，提升潜客引流效率的基于客户匹配的网络营销系统。
[0005]本专利技术采取的技术方案如下：本专利技术一种基于客户匹配的网络营销系统，包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，采集数据包括企业用户基础信息、行为数据、营销数据等，对数据源进行预处理包括数据清洗和数据标签，即数据抽取(extract)、交互转换(transform)、加载(load)，所述标签服务单元与主数据管理单元的输出端连接，所述标签服务单元配置对应基础属性标签，针对标签数据进行维值配置，形成高价值的准实时数据标签，分析维度配置包括标签类型配置、定向分析维值配置，标签聚类分析计算采用分布式SparkSQL计算层，所述模型构建单元与主数据管理单元、标签服务单元连接，所述模型构建单元基于建模数据集进行建模，分析选择目标变量，构造最终变量迭代拟合模型，基于线性回归、决策树、随机森林等算法进行流失预测分析、价值预测分析、生命周期预测等消费特征分析、以及营销转化分析，所述模型验证单元与模型构建单元连接，所述模型验证单元基于测试集数据进行模型效果验证，针对目标客群完成模型评估，设置模型自学习机制，进行模型部署。
[0006]进一步地，所述模型构建单元的建模流程，包括以下步骤：
[0007]S1特征编码：特征主要分为连续特征和离散特征，其中离散特征根据特征之间是否有大小关系又细分为两类，选取特征进行标准化处理，使特征数据方差为1，均值为0，降低数值特征过大对预测结果的影响；
[0008]S2数据相关性分析、特征选取：去除相关性较弱的变量选取目标变量；
[0009]S3样本不均衡处理：正常用户和流失用户数量分布不平衡，建模过程中容易忽略数量较少的流失客户，模型出现一边倒的情况，利用下采样方案进行处理；
[0010]S4：将数据集分为训练集和测试集，帮助完成模型测试工作；
[0011]S5：逻辑回归模型，过拟合现象采用正则化惩罚，即惩罚数值较大的权重参数，降低对结果的影响，已经训练好的模型利用混淆矩阵进行可视化展示分析，调整阈值确定正负样本。
[0012]进一步地，所述数据源采用SparkSQL分布式集群存储。
[0013]采用上述方案本专利技术取得的有益效果如下：本方案一种基于客户匹配的网络营销系统，基于客户价值预测、生命周期总价值、lookalike拓客模型算法，针对数据源进行采集、清洗转化，对数据进行基础属性标签，通过集成的算法进行智能分析对客群进行智能化标签；针对标签后的数据进行多维度洞察、下钻的精确数据分析，并将智能分析结果进行可视化的呈现，精准定位高价值人群，独立数据沉淀，优化模型计算效果，实时圈选出所需目标，快速响应客群精准细分的需求满足营销活动。
附图说明
[0014]图1为本专利技术一种基于客户匹配的网络营销系统的有模型与无模型的目标客户查全率的比较图。
[0015]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，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例，都属于本专利技术保护的范围。
[0017]如图1所示，本专利技术一种基于客户匹配的网络营销系统，包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，采集数据包括企业用户基础信息、行为数据、营销数据等，对数据源进行预处理包括数据清洗和数据标签，即数据抽取(extract)、交互转换(transform)、加载(load)，所述标签服务单元与主数据管理单元的输出端连接，所述标签服务单元配置对应基础属性标签，针对标签数据进行维值配置，形成高价值的准实时数据标签，分析维度配置包括标签类型配置、定向分析维值配置，标签聚类分析计算采用分布式SparkSQL计算层，所述模型构建单元与主数据管理单元、标签服务单元连接，所述模型构建单元基于建模数据集进行建模，分析选择目标变量，构造最终变量迭代拟合模型，基于线性回归、决策树、随机森林等算法进行流失
预测分析、价值预测分析、生命周期预测等消费特征分析、以及营销转化分析，所述模型验证单元与模型构建单元连接，所述模型验证单元基于测试集数据进行模型效果验证，针对目标客群完成模型评估，设置模型自学习机制，进行模型部署。
[0018]所述模型构建单元的建模流程，包括以下步骤：
[0019]S1特征编码：特征主要分为连续特征和离散特征，其中离散特征根据特征之间是否有大小关系又细分为两类，选取特征进行标准化处理，使特征数据方差为1，均值为0，降低数值特征过大对预测结果的影响；
[0020]S2数据相关性分析、特征选取：去除相关性较弱的变量选取目标变量；
[0021]S3样本不均衡处理：正常用户和流失用户数量分布不平衡，建模过程中容易忽略数量较少的流失客户，模型出现一边倒的情况，利用下采样方案进行处理；
[0022]S4：将数据集分为训练集和测试集，帮助完成模型测试工作；
[0023]S5：逻辑回归模型，过拟合现象采用正则化惩罚，即惩罚数值较大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于客户匹配的网络营销系统，其特征在于：包括主数据管理单元、标签服务单元、模型构建单元和模型验证单元，所述主数据管理单元针对数据源进行预处理，采集数据包括企业用户基础信息、行为数据、营销数据，对数据源进行预处理包括数据清洗和数据标签，即数据抽取、交互转换、加载，所述标签服务单元与主数据管理单元的输出端连接，所述标签服务单元配置对应基础属性标签，针对标签数据进行维值配置，形成高价值的准实时数据标签，分析维度配置包括标签类型配置、定向分析维值配置，标签聚类分析计算采用分布式SparkSQL计算层，所述模型构建单元与主数据管理单元、标签服务单元连接，所述模型构建单元基于建模数据集进行建模，分析选择目标变量，构造最终变量迭代拟合模型，基于线性回归、决策树、随机森林等算法进行流失预测分析、价值预测分析、生命周期预测等消费特征分析、以及营销转化分析，所述模型验证单元与模型构建单元连接，所述模型验证单元基于测试集数据进行模型效果验证，针对目标客群完成模型评估，设置模型自学习机制，进行模型部署。2.根据权利要求1所述的基于客户匹配的网络营销系统，其特征在于：所述系统还包括AI场景单元和计算层，所述AI场景单元基于完成的模型创建符合营销领域的AI场景，基于模型进行目标客群的划分，实时分析目标客群，根据分析指标进行聚类分析计算，或者从模型中选择目标客群，基于数模型数据实现多维度的...

【专利技术属性】
技术研发人员：孟艳冬，
申请(专利权)人：赛诺数据科技南京有限公司，
类型：发明
国别省市：