数据处理方法及系统、客户关系管理系统、电子设备技术方案

本申请实施例提供一种数据处理方法及系统、客户关系管理系统、电子设备。其中，数据处理方法包括：通过至少一种渠道，接收与目标客户关联的数据；从所述数据中，提取特征信息；获取基于集成学习算法的预测模型；利用所述基于集成学习算法的预测模型，对所述特征信息进行处理，得出预测结果；其中，所述预测结果与所述目标客户在未来时段为使用信息技术所需的支出相关。本申请各实施例提供的技术方案可预测客户的IT支出(即OV)，且准确度高。且准确度高。且准确度高。

【技术实现步骤摘要】
数据处理方法及系统、客户关系管理系统、电子设备


[0001]本申请涉及计算机
，尤其涉及一种数据处理方法及系统、客户关系管理系统、电子设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]客户分析是根据各种关于客户的信息和数据来了解客户需求，分析客户特征，评估客户价值，从而为客户制定相应的营销策略与资源配置计划。目前，市场上已经存在类似的管理系统可实现上述客户分析。
[0003]对于一部分企业来说，仅能为客户制定营销策略与资源配置计划是不够的；未来企业的发展方向如何制定，还需了解客户的IT支出(OV，英文opportunity value)。客户IT(information technology)支出，是指客户为使用信息技术所做出的支出。
[0004]目前，大客户(即排名在前几的客户)的OV值可通过人工的方式梳理，但一些中小客户的OV还处于缺失或错误的状态。

技术实现思路

[0005]鉴于现有技术存在的问题，本申请各实施例提供能解决或改善现有技术问题的一种数据处理方法及系统、客户关系管理系统、电子设备、计算机可读存储介质及计算机程序产品。
[0006]在本申请的一个实施例中，提供了一种数据处理方法。该方法包括：
[0007]通过至少一种渠道，接收与目标客户关联的数据；
[0008]从所述数据中，提取特征信息；
[0009]获取基于集成学习算法的预测模型；
[0010]利用所述基于集成学习算法的预测模型，对所述特征信息进行处理，得出预测结果；
[0011]其中，所述预测结果与所述目标客户在未来时段为使用信息技术所需的支出相关。
[0012]在本申请的另一个实施例中，提供了一种数据处理方法。该方法包括：
[0013]通过至少一种渠道，接收多个客户的数据；
[0014]对所述多个客户的数据进行处理，以从所述多个客户的数据中提取出样本特征集；
[0015]根据所述样本特征集，确定所述训练样本集；
[0016]利用所述训练样本，采用集成学习算法对所述至少两个分类器进行训练，得到所述基于集成学习算法的预测模型；
[0017]其中，所述基于集成学习算法的预测模型用于预测目标客户在未来时段为使用信息技术所需的支出。
[0018]在本申请的又一实施例中，提供了一种数据处理系统。该数据处理系统包括：
[0019]服务端，用于通过至少一种渠道，接收与目标客户关联的数据；从所述数据中，提取特征信息；获取基于集成学习算法的预测模型；利用所述基于集成学习算法的预测模型，对所述特征信息进行处理，得出预测结果；其中，所述预测结果与所述目标客户在未来时段为使用信息技术所需的支出相关；
[0020]客户端，用于从所述服务端获取所述预测结果，并基于所述预测结果输出相应的提示信息。
[0021]在本申请的又一实施例中，提供了一种客户关系管理系统。所述目标客户关系管理系统包括：
[0022]第一客户端，用于为第一客户提供使用所述目标客户关系管理系统的接口；
[0023]服务端，用于通过至少一种渠道，接收与使用所述目标客户关系管理系统的第一客户关联的数据；从所述数据中，提取特征信息；获取基于集成学习算法的预测模型；利用所述基于集成学习算法的预测模型，对所述特征信息进行处理，得出预测结果；其中，所述预测结果与所述第一客户在未来时段为使用所述目标客户关系管理系统提供的信息技术所需的支出相关；
[0024]第二客户端，用于从所述服务端获取所述预测结果，并依据所述预测结果，为所述第二客户端对应的第一客户输出相应的提示信息。
[0025]在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括存储器和处理器，其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述各实施例提供的方法中的步骤。
[0026]在本申请的又一个实施例中，提供了一种计算机可读存储介质。所述计算机可读存储介质用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述各实施例提供的方法中的步骤。
[0027]在本申请的又一个实施例中，提供了一种计算机程序产品。该计算机程序产品包括计算机程序或指令，当所述计算机程序或指令被处理器执行时，能够实现上述各实施例提供的方法中的步骤。
[0028]本申请实施例提供的技术方案中，通过至少一种渠道接收与目标客户关联的数据；然后利用基于集成学习算法的预测模型，对从所述数据中提取出的特征信息进行处理，以预测所述目标客户在未来时段为使用信息技术所需的支出，实现了客户OV预测的自动化，不仅适用于大客户的OV预测，同样也可覆盖到中小客户的OV预测。此外，本申请各实施例提供的技术方案，采用了基于集成学习算法的预测模型进行预测，准确度高于单一算法的预测。
[0029]本申请各实施例提供的技术方案，不仅可适用于客户OV预测，还可适用于企业、公司未来营收的预测。
[0030]本申请还提供了基于集成学习算法的预测模型的建模方案，即通过至少一种渠道接收多个客户的数据；然后对多个客户的数据进行处理以得到样本特征集，该样本特征集对算法层中各模型(即基于集成学习算法的预测模型包含的多个模型)高度复用，不用在训练每个模型时都从数据中提取一次特征信息，大幅提升了预测模型的建模效率；另外，采用本实施例建模得到的基于集成学习算法的预测模型进行客户OV预测，准确度高。
附图说明
[0031]为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
[0032]图1为本申请一实施例提供的数据处理方法的流程示意图；
[0033]图2为本申请另一实施例提供的数据处理方法的流程示意图；
[0034]图3为本申请实施例提供的数据处理方法的原理性框图；
[0035]图4为本申请一实施例提供的数据处理系统的架构图；
[0036]图5为本申请另一实施例提供的数据处理系统的架构图；
[0037]图6为本申请一实施例提供的数据处理装置的结构框图；
[0038]图7为本申请另一实施例提供的数据处理装置的结构框图；
[0039]图8为本申请一实施例提供的电子设备的结构框图。
具体实施方式
[0040]为了使本
的人员更好地理解本申请方案，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清楚、完整地描述。在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：通过至少一种渠道，接收与目标客户关联的数据；从所述数据中，提取特征信息；获取基于集成学习算法的预测模型；利用所述基于集成学习算法的预测模型，对所述特征信息进行处理，得出预测结果；其中，所述预测结果与所述目标客户在未来时段为使用信息技术所需的支出相关。2.根据权利要求1所述的方法，其特征在于，基于集成学习算法的预测模型包括至少两个分类器；以及利用所述基于集成学习算法预测模型，对所述特征信息进行处理，得出预测结果，包括：分别利用所述至少两个分类器，对所述特征信息进行处理，得到对应数量的至少两个输出结果；集成所述至少两个输出结果，得出所述预测结果。3.根据权利要求2所述的方法，其特征在于，集成所述至少两个输出结果，得出所述预测结果，包括：获取所述至少两个输出结果中各输出结果对应的权重；基于各输出结果的权重，计算所述至少两个输出结果的加权平均和，得到所述预测结果。4.根据权利要求3所述的方法，其特征在于，获取所述至少两个输出结果中各输出结果对应的权重，包括：获取所述至少两个分类器的准确率；根据所述至少两个分类器的准确率，确定各分类器的输出结果对应的权重。5.根据权利要求2所述的方法，其特征在于，所述至少两个分类器为不同类型的分类器。6.根据权利要求5所述的方法，其特征在于，所述基于集成学习算法的预测模型包括三个不同类型的分类器；所述三个不同类型的分类器分别为：线性回归模型、多分类Logistic回归模型、全连接神经网络模型。7.根据权利要求1至6中任一项所述的方法，其特征在于，还包括：获取所述目标客户在提供所述信息技术的服务方处产生的费用；根据所述费用，确定修正参数；利用所述修正参数，对所述预测结果进行修正。8.根据权利要求7所述的方法，其特征在于，利用所述修正参数，对所述预测结果进行修正，包括：比较所述预测结果与所述修正参数的大小；若所述预测结果小于所述修正参数，则将所述预测结果修正为所述修正参数。9.根据权利要求1至5中任一项所述的方法，其特征在于，获取基于集成学习算法的预测模型，包括：获取训练样本集；
确定至少两个分类器；利用所述训练样本集，采用集成学习算法对所述至少两个分类器进行训练，得到所述基于集成学习算法的预测模型。10.根据权利要求9所述的方法，其特征在于，所述至少两个分类器包括：线性回归模型、多分类Logistic回归模型、全连接神经网络模型；利用所述训练样本集，采用集成学习算法对所述至少两个分类器进行训练，得到所述基于集成学习算法的预测模型，包括：利用所述训练样本集，对所述线性回归模型进行训练，并确定完成训练的所述线性回归模型对应的第一准确率；根据所述第一准确率，确定完成训练的所述线性回归模型的输出结果在集成时对应的权重；利用所述训练样本集，对所述多分类Logistic回归模型进行训练，并确定完成训练的所述多分类Logistic回归模型对应的第二准确率；根据所述第二准确率，确定完成训练的所述多分类Logistic回归模型的输出结果在集成时对应的权重；利用所述训练样本集，对所述全连接神经网络模型进行训练，并确定完成训练的所述全连接神经网络模型对应的第三准确率；根据所述第三准确率，确定完成训练的所述全连接神经网络模型的输出结果在集成时对应的权重。11.根据权利要求9所述的方法，其特征在于，获取训练样本集，包括：通过至少一种渠道，接收多个客户的数据；对所述多个客户的数据进行处理，以从所述多个客户的数据中提取出样本特征集；根据所述样本特征集，确定所述训练样本集。12.根据权利要求1至6中任一项所述的方法，其特征在于，还包括：将所述预测结果发送至客户端，以便于在所述客户端基于所述预测结果，输出相应的提示信息。13....

【专利技术属性】
技术研发人员：康进，何桂丽，
申请(专利权)人：阿里巴巴新加坡控股有限公司，
类型：发明
国别省市：