一种多业态企业潜在客户识别方法技术

本发明专利技术提供一种多业态企业潜在客户识别方法，属于数据处理技术领域，包括：将各业态的会员数据进行数据融合；基于机器学习算法技术识别目标业态的潜在价值的融合会员；基于深度学习预测目标业态中单一会员的潜在价值；建立推荐模型，根据会员的价值等级向目标业态中的会员发送推荐信息；根据用户针对推荐信息的反馈内容和反馈数量，更新会员在目标业态的价值等级；根据价值等级变化情况，对反馈的多篇推荐信息的内容相似度进行分析。本发明专利技术能够识别出目标业态潜在价值会员的愿景的可行性方法，帮助产业进行更精准的会员营销。帮助产业进行更精准的会员营销。帮助产业进行更精准的会员营销。

【技术实现步骤摘要】
一种多业态企业潜在客户识别方法


[0001]本专利技术属于数据处理
，具体涉及一种多业态企业潜在客户识别方法。

技术介绍

[0002]随着互联网信息技术的高速发展，计算机处理能力得到极大提升，数据存储成本也大幅度削减，使得企业更容易收集并存储客户的大量数据信息，同时客户较为丰富的画像数据得以计算并保存。为达到增加企业投入产出比，同时提升顾客满意度的目标，基于客户消费行为等画像信息对其进行价值分析进而进行有针对性的精准营销是最为有效的实现途径。然而目前对于某一业态客户群体，可以根据其价值属性类的标签信息对客户进行细分，从而识别出较高价值客户群体和较低价值客户群体。目前，对于一些已经站稳市场脚跟的企业来说，多业态产品共同运营成为扩大资产规模的重要途经，对于融合会员群体，例如同一企业下的多个业态融合后的会员群体，当前业态如何借助客户在其它业态的价值表现，判断客户是否具有潜在价值，成为目前重点研究的问题。

技术实现思路

[0003]针对现有技术的上述不足，本专利技术提供一种多业态企业潜在客户识别方法，以解决上述技术问题。
[0004]本专利技术提供一种多业态企业潜在客户识别方法，包括：将各业态的会员数据进行数据融合，包括：利用用户唯一标识技术，将各业态的会员数据进行数据融合，确定至少共同存在于任意两个业态的融合会员，以及仅存在于任意一业态中的单一会员；利用文本识别技术实现标签统一，根据融合会员的会员标签构造全业态会员全方位画像；基于机器学习算法技术识别目标业态的潜在价值的融合会员，包括：根据融合会员的全方位画像，采用K
‑
Means聚类算法对融合会员分配价值等级；根据分配的融合会员的价值等级，确定目标业态中具有潜在价值的融合会员；基于深度学习预测目标业态中单一会员的潜在价值，包括：以融合会员群体为训练集、测试集，以目标业态的会员标签为特征变量，以融合会员在目标业态的价值等级为响应变量，在训练集上基于stacking建立多分类预测模型，使用XGBoost、LightGBM、GDBT算法，利用训练集进行建模、拟合、预测，完成第一层模型，再将第一层模型的预测结果作为输入特征变量，且将价值等级作为响应变量，以Bayes分类器作为元分类器，Bayes分类器经过训练之后，得到完整的多分类预测模型；在测试集上对所建预测模型进行验证，并将验证通过的预测模型运用到目标业态中的单一会员上，以单一会员在目标业态的价值等级为响应变量，以目标业态的会员标签为特征变量，预测目标业态中单一会员的价值等级；建立推荐模型，根据会员的价值等级向目标业态中的会员发送推荐信息；根据用户针对推荐信息的反馈内容和反馈数量，更新会员在目标业态的价值等级；根据价值等级
变化情况，对反馈的多篇推荐信息的相似度进行分析，根据相似推荐信息更新会员全方位画像。
[0005]进一步的，所述利用文本识别技术实现标签统一，根据融合会员的会员标签构造全业态会员全方位画像，包括：基于全业态数据构建会员全方位的画像，设定会员标签包括事实标签和分析类标签，所述事实标签包括属性标签和行为标签，属性标签包括性别和年龄；行为标签包括消费频次和客单价；分析类标签包括类别偏好和活动敏感度；针对各业态存储会员信息的数据库进行文本识别，通过字符特征提取的方式获取符合会员标签的内容，填充到对应的会员标签中。
[0006]进一步的，所述采用K
‑
Means聚类算法对融合会员分配价值等级，包括：步骤1、获取任意一个业态的数据集Data1数据，利用归一化公式进行归一化处理，归一化公式为：；其中，X为Data1中t个标签中的任一标签，n为数据集Data1中样本数量，归一化处理后的样本为m1,m2,
…
,m
n
，其中mi=(m
i1
,m
i2
,...,m
it
)；步骤2、获取预设的聚类类别个数K；步骤3、随机选定一个样本点作为第一个聚类中心C1，其值记作m1计算第一个聚类中心c1与其余n
‑
1个样本点的欧氏距离：；从这n
‑
1个距离中选择最大距离所对应的样本点即所对应样本点作为第二个聚类中心C2，即，其值记作m2，计算C2与n
‑
2个样本m3,
…
,m
n
的欧式距离D(c2,m
i
),i=3,4,n；分别比较m3,
…
,m
n
到C1和C2的距离，选m3,
…
,m
n
到C1和C2的最小距离的最大值所对应的样本点作为第三个聚类中心C3，，依次进行下去，直到选取出k个聚类中心{c1,c2,
…
,c
k
}为止，并将这k个聚类中心所对应的类记为{C1,C2,
…
,C
k
}；步骤4、分别计算每个样本点与k个聚类中心的欧式距离D(c
k
,m
i
)，将样本点归到最小距离所对应的类别中，即归到所对应的类别中，重新分配后的类别仍记为{C1,C2,
…
,C
k
}，此时每个类别中样本的个数记为{n1,n2,
…
,n
n
}；步骤5、计算每个类别中所有样本点的平均值，并将其作为新的聚类中心，仍记为{c1,c2,
…
,c
k
}；步骤6、给定容忍阈值ε，计算代价函数值： ；
其中m
i(k)
的上标(k)表示第k类，计算前后两次迭代的代价函数值的减少量，若减少量低于容忍阈值ε，则判断算法收敛，则该聚类算法结束；若不低于容忍阈值ε，则算法不收敛，转到步骤4进行循环迭代，直到聚类算法收敛，最终所得{C1,C2,
…
,C
k
}作为k个融合会员价值等级。
[0007]进一步的，所述建立推荐模型，根据会员的价值等级向目标业态中的会员发送推荐信息，包括：建立推荐模型，根据目标业态中会员的价值等级确定推荐信息的发送渠道和发送周期，所述推荐模型为S=W*X+E*Y，其中，S为价值等级，W为预设的发送渠道的权重值，E为发送周期的权重值；X为输出的发送渠道的预设值，Y为输出的发送周期对应的预设值，X、Y为正整数；得到至少一个组合解的X、Y，在多个组合解中选择X、Y差值最小的一组作为最终XY进行输出。
[0008]进一步的，所述根据用户针对推荐信息的反馈内容和反馈数量，更新会员在目标业态的价值等级，包括：对反馈内容设定至少一个反馈等级R，并设置反馈等级R的标记a，标记a为“+”表示接受推荐，标记a为
“‑”
表示不接收推荐；定期接收用户在上一周期内针对该推荐信息的反馈内容和反馈次数F，根据反馈内容确定反馈等级R，输入反馈模型： T=[(a*R*F)/e]，其中，[]表示取整函数，e为等级变化阈值，T为该周期用户在目标业态中价值等级的变化量。
[0009本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多业态企业潜在客户识别方法，其特征在于，包括：将各业态的会员数据进行数据融合，包括：利用用户唯一标识技术，将各业态的会员数据进行数据融合，确定至少共同存在于任意两个业态的融合会员，以及仅存在于任意一业态中的单一会员；利用文本识别技术实现标签统一，根据融合会员的会员标签构造全业态会员全方位画像；基于机器学习算法技术识别目标业态的潜在价值的融合会员，包括：根据融合会员的全方位画像，采用K
‑
Means聚类算法对融合会员分配价值等级；根据分配的融合会员的价值等级，确定目标业态中具有潜在价值的融合会员；基于深度学习预测目标业态中单一会员的潜在价值，包括：以融合会员群体为训练集、测试集，以目标业态的会员标签为特征变量，以融合会员在目标业态的价值等级为响应变量，在训练集上基于stacking建立多分类预测模型，使用XGBoost、LightGBM、GDBT算法，利用训练集进行建模、拟合、预测，完成第一层模型，再将第一层模型的预测结果作为输入特征变量，且将价值等级作为响应变量，以Bayes分类器作为元分类器，Bayes分类器经过训练之后，得到完整的多分类预测模型；在测试集上对所建预测模型进行验证，并将验证通过的预测模型运用到目标业态中的单一会员上，以单一会员在目标业态的价值等级为响应变量，以目标业态的会员标签为特征变量，预测目标业态中单一会员的价值等级；建立推荐模型，根据会员的价值等级向目标业态中的会员发送推荐信息；根据用户针对推荐信息的反馈内容和反馈数量，更新会员在目标业态的价值等级；根据价值等级变化情况，对反馈的多篇推荐信息的相似度进行分析，根据相似推荐信息的共同点更新会员全方位画像。2.根据权利要求1所述的方法，其特征在于，所述利用文本识别技术实现标签统一，根据融合会员的会员标签构造全业态会员全方位画像，包括：基于全业态数据构建会员全方位的画像，设定会员标签包括事实标签和分析类标签，所述事实标签包括属性标签和行为标签；针对各业态存储会员信息的数据库进行文本识别，通过字符特征提取的方式获取符合会员标签的内容，填充到对应的会员标签中。3.根据权利要求1所述的方法，其特征在于，所述采用K
‑
Means聚类算法对融合会员分配价值等级，包括：步骤1、获取任意一个业态的数据集Data1数据，利用归一化公式进行归一化处理，归一化公式为：；其中，X为Data1中t个标签中的任一标签，n为数据集Data1中样本数量，归一化处理后的样本为m1,m2,
…
,m
n
，其中mi=(m
i1
,m
i2
,...,m
it
)；步骤2、获取预设的聚类类别个数K；步骤3、随机选定一个样本点作为第一个聚类中心C1，其值记作m1计算第一个聚类中心c1与其余n
‑
1个样本点的欧氏距离：；
从这n
‑
1个距离中选择最大距离所对应的样本点即所对应样本点作为第二个聚类中心C2，即，其值记作m2，计算C2与n
‑
2个样本m3,
…
,m
n
的欧式距离D(c2,m
i
),i=3,4,n；分别比较m3,
…
,m
n
到C1和C2的距离，选m3,
…
,m
n
到C1和C2的最小距离的最大值所对应的样本点作为第三个聚类中心C3，，依次进行下去，直到选取出k个聚类中心{c1,c2,
…
,c
k
}为止，并将这k个聚类中心所对...

【专利技术属性】
技术研发人员：王强，娄海凤，王文雯，
申请(专利权)人：山东省商业集团有限公司，
类型：发明
国别省市：