[发明专利]一种客户异常预警方法、装置和设备

说明书

本申请提供了一种客户异常预警方法、装置和设备，客户异常预警方法，包括以下步骤：接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势；计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常，降低公司业务损失，减少销售拜访成本，提高销售决策效率。

技术领域

本发明涉及物流及快递领域，具体为一种客户异常预警方法、装置和设备。

背景技术

随着物流及快递行业的发展，各种物流及快递公司大量涌现，企业客户的业务量难免会出现波动。

企业客户业务量(寄件量)出现下滑可能是自身经营问题，或由于某些原因改用其他物流服务商，如果是后一种原因则判断客户异常。

销售人员难以做到定期拜访全部客户,这就需要提前对客户异常进行预警，如果物流或快递公司若能及早发现可能发生异常的客户并制作异常名单，一线销售人员就可以根据该异常客户名单，采取措施挽回业务，然而，由于人工制作异常客户名单的成本高、效率低，很难做到提前识别客户异常，即使制作出异常客户名单，也不能实时适应市场变化。

综上，急需一种相对现有技术能够提早预测出客户异常风险，并将异常风险名单推送给销售人员的方法及系统。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种客户异常预警方法、装置和设备。

根据本发明的一个方面，提供一种客户异常预警方法，包括以下步骤：

接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势；

计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常。

进一步的，根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，包括：

提取历史订单信息内含的特征信息并进行数据处理后形成数据输入，提取的特征信息作为预设算法生成训练器所需的数据；

将所述数据输入读取到python环境，基于预设算法对数据进行建模生成训练器并保存；

使用所述训练器对客户下一周期的订单量进行预测并转化为订单量期望变化趋势。

进一步的，所述特征信息包括以下至少一种：订单金额、订单种类、折扣率、订单时效种类、是否为节假日。

进一步的，计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值，判断客户是否异常，包括：

预存储若干订单量变化趋势，若所述订单减少量超过预设范围则标记为异常；

计算所述订单量期望变化趋势与预存储的各订单量变化趋势的相似度；

识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配；

若其匹配的为异常的订单量变化趋势，则判断客户异常。

进一步的，所述被标记为是否异常的订单量变化趋势，通过机器学习的方式计算得出，所述机器学习的方式采用基于dtw距离的聚类算法或者基于kmeans的聚类算法。