[发明专利]一种周期性服务或产品的潜在客户挖掘系统与方法

摘要

本发明公开了一种周期性服务或产品的潜在客户挖掘系统，其特征在于，包括数据源模块、数据处理模块、潜在客户预测模块和潜在客户群管理模块，所述数据源模块用于搜集客户的源数据并存储于数据仓库中，所述客户的源数据包括订单等出单交易数据、客户基本信息数据和访问日志数据，所述数据处理模块提取数据源模块中的源数据进行统计分析和预处理，所述潜在客户预测模块根据数据处理模块的统计分析和预处理结果对不同类别的客户进行潜在需求的预测，所述潜在客户群管理模块根据潜在客户预测模块的预测结果对的潜在客户进行分类管理。可针对电子商务企业的周期性服务或产品，利用海量的客户数据，实现高效、准确、全面和及时挖掘出潜在客户的目标。 1

主权项

1.一种周期性服务或产品的潜在客户挖掘系统，其特征在于，包括数据源模块、数据处理模块、潜在客户预测模块和潜在客户群管理模块，所述数据源模块用于搜集客户的源数据并存储于数据仓库中，所述客户的源数据包括订单等出单交易数据、客户基本信息数据和访问日志数据，所述数据处理模块提取数据源模块中的源数据进行统计分析和预处理，所述潜在客户预测模块根据数据处理模块的统计分析和预处理结果对不同类别的客户进行潜在需求的预测，所述潜在客户群管理模块根据潜在客户预测模块的预测结果对的潜在客户进行分类管理。

2.如权利要求1所述的一种周期性服务或产品的潜在客户挖掘系统，其特征在于：所述数据源模块包括业务系统模块、用户规则模块和日志数据模块，所述业务系统模块用于搜集订单等出单交易数据，所述用户规则模块用于搜集客户基本信息数据，所述日志数据模块用于搜集访问日志数据。

3.如权利要求2所述的一种周期性服务或产品的潜在客户挖掘系统，其特征在于：所述数据处理模块包括客户细分子模块、犹豫期阈值设定子模块和训练集数据集成和模型训练子模块，所述客户细分子模块根据客户的源数据将客户细分为新客户和老客户，并细分老客户为未到期客户、即将到期客户和已到期客户，所述犹豫期阈值设定子模块根据客户的源数据计算老客户的犹豫期，确定犹豫期固定阈值，所述训练集数据集成和模型训练子模块根据客户的源数据生成犹豫期内训练集，并对犹豫期内训练集进行模型训练，所述犹豫期内训练集包括老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内的源数据。

4.如权利要求3所述的一种周期性服务或产品的潜在客户挖掘系统，其特征在于：所述潜在客户预测模块包含老客户预测子模块和新客户预测子模块。

5.如权利要求4所述的一种周期性服务或产品的潜在客户挖掘系统，其特征在于：所述老客户预测子模块包括关联需求预测模块和续约预测模块，所述新客户预测子模块包括客户价值细分模块和购买预测模块。

6.如权利要求5所述的一种周期性服务或产品的潜在客户挖掘系统，其特征在于：所述潜在客户群管理模块包含客户群特征描述模块、促销设计模块、精细化营销模块和营销效果分析模块。

7.一种根据权利要求1‑6之一所述系统进行周期性服务或产品的潜在客户挖掘方法，其特征在于：包括步骤1：对网站客户数据收集，根据用户规则存储于数据仓库中；

步骤2：按是否购买周期性服务或产品对客户进行细分，未购买的为新客户，已购买的为老客户，老客户根据其服务或产品到期时间细分为未到期客户、即将到期客户和已到期客户；

步骤3：计算出所有老客户购买前的犹豫期，对犹豫期进行分布分析，确定犹豫期固定阈值；

步骤4：分别获取老客户购买前犹豫期内和新客户某一固定时间节点前的犹豫期内访问指标和购买指标，进行行为分析、特征选择后，可对预测模型的训练集加以整合，用以训练潜在客户预测模型；

步骤5：当模型效果达到最优后，输入新客户当前日之前的犹豫期内行为数据，继而预测出新客户购买周期性服务或产品的可能性；

步骤6：对周期性服务或产品未到期的老客户进行关联需求预测，对即将到期客户进行续约预测；

步骤7：对不同来源的潜在客户群分类管理，分别进行群特征描述，并进行营销效果分析，通过分析营销效果，优化整个模型和营销策略并反复迭代。

8.如权利要求7所述的一种周期性服务或产品的潜在客户挖掘方法，其特征在于，步骤1中，所述用户规则为一般交易类、客户基本信息等业务数据以用户ID为单位存储，访问日志类数据会以cookie为单位存储，需要通过用户ID和cookie之间的对应关系将各类数据整合，统一按客户ID存储；步骤2中，所述老客户根据其服务或产品到期时间细分进一步细分，可以设30天为界限，如果终止日期减去当前日期小于30天且大于等于0，则为即将到期客户，如果终止日期减去当前日期小于0，则为已到期客户，其余均为未到期客户，对即将到期客户和已到期客户进行续约预测，对未到期客户进行关联需求预测；步骤3中，将已购买客户作为样本，分别计算出首次浏览产品到购买产品的时间差，根据具体数据分布特征设定犹豫期规则，可将犹豫期从小到大排列，设定占比在80％点的客户犹豫期为最终的犹豫期固定阈值；步骤4中，所述访问指标主要是对于周期性服务或产品的访问次数，访问时长，加入购物车次数，收藏次数，搜索相关词次数等，购买类指标主要是历史消费总金额，购买次数，最近购买时间等。

9.如权利要求8所述的一种周期性服务或产品的潜在客户挖掘方法，其特征在于，所述步骤4中，先利用smote算法解决数据不平衡问题，对特征进行归一化处理后，通过lasso算法筛选变量，去除部分共线性变量和相关性低的变量，从而训练集只保留相关性高的重要变量，随后可选择不同算法进行预测模型的训练，例如决策树，随机森林等，根据模型效果选择最优算法。所述步骤5中，潜在客户预测模型应当首选召回率，其次准确率作为模型的评估依据，在召回率达到80％，准确率达到98％，则模型效果达到最优，所述步骤6中，所述关联需求预测主要分析产品之间的关联关系，选取历史上已购买该周期性服务或产品客户的其他购买产品记录，通过关联规则算法计算该产品与其他产品之间的关联度，可对未到期的老客户推荐关联度高的其他产品。针对即将到期客户，类似步骤4和5，选取历史续约过客户和历史购买超过一定时间未续约的客户作为样本，进行续约模型训练，随后对即将到期客户进行续约预测，所述续约预测主要使用的算法为在深度学习平台上运行的集成学习算法和深度学习算法两类，所述集成学习算法包括随机森林、迭代决策树等，所述深度学习算法包括自编码神经网络、深度信念神经网络等，所述续约预测通过对比不同算法的计算结果选出效果最优的算法。

10.如权利要求9所述的一种周期性服务或产品的潜在客户挖掘方法，其特征在于，所述步骤6中，续约预测使用迭代决策树算法。