[发明专利]一种基于机器学习的销售系统客户匹配方法

说明书

本发明公开了一种基于机器学习的销售系统客户匹配方法，其特征在于，包括步骤一，对销售系统中客户信息进行数据探索，得到客户信息；步骤二，对所述客户信息做数据预处理，得到训练集和测试集；步骤三，将训练集和测试集中的字符串特征输入LDA主题模型进行主题分类；步骤四，设计样本用于模型的训练；步骤五，以GBDT+LR的构建方式构建第一模型与第二模型，所述第一模型预测客户的成交可能性，所述第二模型预测销售与客户的匹配概率；步骤六，将待测客户信息依次输入第一模型与第二模型，输出客户与各销售的匹配概率。达到解决销售系统在随机分配销售线索时造成的很多无效分配，提升客户分配效率的效果。

技术领域

本发明涉及销售管理系统中客户分配系统领域，特别是涉及一种基于机器学习的销售系统客户匹配方法。

背景技术

针对外贸行业销售人员，这一类销售人员基本采用电话销售的方式做客户的初始挖掘。但是在其电话销售开发客户的过程中经常存在的过度开发或者无效开发，从而导致公司成本上升的问题。例如，目前的销售系统无法根据实际的外贸行业业务需求主动智能的分配客户，销售基本采用搜索客户属性关键词的方法去搜索客户，并将目标客户加入自己的客户池，这种办法很容易造成一些热门属性的同一个客户被反复添加，被多个销售联系多次，或者销售所寻找的客户存在关键属性与之不匹配的问题，导致无法继续展开销售活动，浪费时间与精力。因此需要提出一种可以快速高效并且有针对性的客户搜索推荐系统用来解决销售开发的成本问题。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于机器学习的销售系统客户匹配方法。

为解决上述技术问题，本发明提供一种基于机器学习的销售系统客户匹配方法，其特征在于，包括如下步骤：

步骤一，对销售系统中客户信息进行数据探索，得到客户信息；

步骤二，对所述客户信息做数据预处理，得到训练集和测试集；

步骤三，将训练集和测试集中的字符串特征输入LDA主题模型进行主题分类；

步骤四，设计样本，所述样本用于模型的训练；

步骤五，以GBDT+LR的构建方式构建第一模型与第二模型，所述第一模型与第二模型使用样本进行训练，所述第一模型根据样本中的客户信息预测客户的成交可能性，所述第二模型根据样本中的客户信息和第一模型输出的成交可能性，预测销售与客户的匹配概率；

步骤六，将待测客户信息依次输入第一模型与第二模型，输出客户与各销售的匹配概率。

所述步骤一中的数据探索具体为：从销售系统中提取客户信息，所述客户信息中的属性特征包括：客户ID、销售ID、联系记录、购买记录、电话、传真、客户来源、经营范围、公司人员规模、公司注册资本、经营范围、公司类型、所在地、客户成交可能性。

所述步骤二中，所述数据预处理包括：删除属性特征中缺失的字符串，对无实质意义的属性特征进行离散特征转化，将结果转化为0,1标签,对客户来源，公司类型进行标签统计并转化为虚拟变量，对公司人员规模和公司注册资本进行数据探索，划分数据区间，对数据区间转化虚拟变量，使用sklearn的train_test_split功能将客户信息分割成训练集和测试集。

所述步骤三中，通过perplexity计算和卡方检验对LDA主题模型定量调参，所述定量调参的用词数目为7500词，主题数目为30。

所述步骤四中，所述样本设计中的样本包括相对应的第一正、负样本，和相对应的第二正、负样本，所述第一正样本为有销售记录的客户的客户信息，第一负样本为没有销售记录的客户的客户信息；所述第二正样本为在预设时间范围内有销售ID的联系记录和购买记录的客户信息；第二负样本为在预设时间范围内有销售ID的联系记录但无购买记录的客户信息。