[发明专利]购车线索质量的评级方法和评级装置

说明书

技术领域

本发明涉及数据挖掘领域，具体而言，本发明涉及一种购车线索质量的评级方法和评级装置。

背景技术

近来，我国汽车销量正在缓慢增长，面对我国车市整体增速缓慢的局面，我国的汽车销售行业竞争也愈演愈烈，在如此激烈的市场竞争环境中，商家想要更敏锐的捕捉到客户，就需要更精准的获得质量佳的购车线索。

目前，我国汽车行业中的购车线索数量非常庞大，就近年购车线索数已经突破几千万条，在这样大量的购车线索数据中存在着质量较好的购车线索，也会存在着质量较差的购车线索，为了实现精细化的运营，需要对购车线索质量进行级别的划分。日前，汽车行业中对购车线索质量的级别划分方法主要是人为去划分购车线索质量的级别；但是，人为主观去划分购车线索质量的级别具有很大的不确定性，且对于大量的购车线索数据，会耗费大量的人力及时间成本，且划分购车线索质量级别的准确率也不高。

发明内容

为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：

本发明的实施例提出了一种购车线索质量的评级方法，包括：

对用户购车线索数据和用户购车行为数据进行预处理，以构造可用数据；

对可用数据进行原始特征数据的提取，并确定每一特征分类下的原始特征数据的特征分级密度和特征重要度；

根据特征分级密度和特征重要度对原始特征数据进行筛选，以获取训练特征数据；

根据训练特征数据构建分级模型；

根据分级模型对待分级的用户购车线索数据进行分级。

优选地，该方法还包括：

根据预设的购车交易业务类型确定用户购车线索数据的质量分级；

其中，根据训练特征数据构建分级模型，包括：

基于用户购车线索数据的质量分级，确定获取到的训练特征数据相应的质量分级；

根据训练特征数据，并结合与训练特征数据相应的质量分级，来构建分级模型。

优选地，根据特征分级密度和特征重要度对原始特征数据进行筛选，以获取训练特征数据，包括：

对比同一特征分类下的原始特征数据的特征分级密度；

若特征分级密度间的差异大于预定差异阈值，则选取该特征分类下的原始特征数据作为备用特征变量；

选取特征重要度大于预定重要度阈值的备用特征变量作为训练特征数据。

优选地，获取训练特征数据，还包括：

对训练特征数据进行去重以及数据平衡化处理。

优选地，根据训练特征数据构建分级模型，包括：

从训练特征数据中随机选择多个特征数据样本；

从一个特征数据样本中随机选择多个特征分类下的特征数据；

根据预定的分级规则对每个特征数据样本的多个特征分类下的特征数据进行分级，建立多个分级器。

优选地，根据分级模型对待分级的用户购车线索数据进行分级，包括：

通过已建立的多个分级器对待分级的用户购车线索数据进行分级。

本发明的另一实施例提出了一种购车线索质量的评级装置，包括：

数据处理模块，用于对用户购车线索数据和用户购车行为数据进行预处理，以构造可用数据；

提取模块，用于对可用数据进行原始特征数据的提取，并确定每一特征分类下的原始特征数据的特征分级密度和特征重要度；

选择模块，用于根据特征分级密度和特征重要度对原始特征数据进行筛选，以获取训练特征数据

构建模块，用于根据训练特征数据构建分级模型；

评级模块，用于根据分级模型对待分级的用户购车线索数据进行分级。

优选地，评级装置还包括：

分级模块，用于根据购车交易业务类型确定用户购车线索数据的质量分级；

构建模块，用于基于用户购车线索数据的质量分级，确定获取到的训练特征数据相应的质量分级；

根据训练特征数据，并结合与训练特征数据相应的质量分级，来构建分级模型。

优选地，选择模块包括：

对比单元，用于对比同一特征分类下的原始特征数据的特征分级密度；

第一选取单元，用于若特征分级密度间的差异大于预定差异阈值，则选取该特征分类下的原始特征数据作为备用特征变量；

第二选取单元，用于选取特征重要度大于预定重要度阈值的备用特征变量作为训练特征数据。

更优选地，选择模块还包括：

训练特征数据处理单元，用于对训练特征数据进行去重以及数据平衡化处理。