[发明专利]一种判断潜在客户的方法及装置、电子设备和存储介质

说明书

本申请提供一种判断潜在客户的方法及装置、电子设备和计算机可读存储介质，该方法包括：获取设备标识集，所述设备标识集包括多个待分类人员的设备标识；从特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成特征参数；将每一设备标识对应的所述特征参数输入至已训练的机器学习模型，通过所述机器学习模型计算所述特征参数，获得与每一设备标识对应的人员类别信息；其中，所述人员类别信息包括潜在客户和非潜在客户。在本申请实施例中，由于已训练的机器学习模型学习了到店客户的特征参数的内在规律，因此可以准确地基于待分类人员对应的特征参数判断出潜在客户。

技术领域

本申请涉及计算机技术领域，特别涉及一种判断潜在客户的方法及装置、电子设备和计算机可读存储介质。

背景技术

互联网时代的消费情境相比以往更为丰富，用户可通过公众号、购物平台应用(比如：美团、淘宝、饿了么等)、社交网站等渠道向商家购买商品或服务。如今，许多线下商家也开始通过各类线上渠道向用户推送促销信息，从而提高店铺的客流量。

一般，商家会大面积地向渠道上所有人推送促销信息。然而，这种方式难以确定真正有意愿到店的潜在客户，商家很难预测到店的客户量，也就无法灵活调整促销策略。

发明内容

本申请实施例的目的在于提供一种判断潜在客户的方法，用以判断到店几率高的潜在客户，从而提高促销精确性和有效性。

本申请实施例提供一种判断潜在客户的方法，所述方法包括：

获取设备标识集，所述设备标识集包括多个待分类人员的设备标识；

从特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成特征参数；

将每一设备标识对应的所述特征参数输入至已训练的机器学习模型，通过所述机器学习模型计算所述特征参数，获得与每一设备标识对应的人员类别信息；其中，所述人员类别信息包括潜在客户和非潜在客户。

在一实施例中，所述机器学习模型通过以下方式训练得到：

获取多个正样本标识和多个负样本标识；其中，所述正样本标识为历史到店人员的设备标识，所述负样本标识为未到店人员的设备标识；

从所述特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数；

为所述正样本标识对应的特征参数添加正样本标签，为所述负样本标识对应的特征参数添加负样本标签；其中，所述正样本标签表征潜在客户，所述负样本标签表征非潜在客户；

将多个所述特征参数输入至所述机器学习模型，通过所述机器学习模型对每一特征参数计算出的人员类别信息与该特征参数的正样本标签或负样本标签之间的差异，对所述机器学习模型的模型参数进行训练；

重复所述训练过程，直至所述模型参数满足所述机器学习模型的分类精度要求。

在一实施例中，所述方法还包括：

重新获取多个所述正样本标识和多个所述负样本标识；

从所述特征匹配库中查找每一设备标识对应的特征信息，并依据所述特征信息生成所述特征参数；

为所述正样本标识对应的特征参数添加正样本标签，为所述负样本标识对应的特征参数添加负样本标签；

将多个所述特征参数输入至所述机器学习模型，通过所述机器学习模型对每一特征参数计算人员类别信息，并判断所述人员类别信息与该特征参数的正样本标签或负样本标签之间的差异是否满足所述分类精度要求；

如果不满足所述分类精度要求，训练所述模型参数，直至所述模型参数满足所述分类精度要求。