[發明專利]一種判斷潛在客戶的方法及裝置、電子設備和存儲介質

在審

• 申請號: 202010034294.5
• 申請日: 2020-01-13
• 公開（公告）號: CN111222923A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 崔小珊;高雅
• 申請（專利權）人: 秒針信息技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N20/00
• 代理公司: 北京超成律師事務所 11646
• 代理人: 劉靜

1.一種判斷潛在客戶的方法，其特征在于，包括：

獲取設備標識集，所述設備標識集包括多個待分類人員的設備標識；

從特征匹配庫中查找每一設備標識對應的特征信息，并依據所述特征信息生成特征參數；

將每一設備標識對應的所述特征參數輸入至已訓練的機器學習模型，通過所述機器學習模型計算所述特征參數，獲得與每一設備標識對應的人員類別信息；其中，所述人員類別信息包括潛在客戶和非潛在客戶。

2.根據權利要求1所述的方法，其特征在于，所述機器學習模型通過以下方式訓練得到：

獲取多個正樣本標識和多個負樣本標識；其中，所述正樣本標識為歷史到店人員的設備標識，所述負樣本標識為未到店人員的設備標識；

從所述特征匹配庫中查找每一設備標識對應的特征信息，并依據所述特征信息生成所述特征參數；

為所述正樣本標識對應的特征參數添加正樣本標簽，為所述負樣本標識對應的特征參數添加負樣本標簽；其中，所述正樣本標簽表征潛在客戶，所述負樣本標簽表征非潛在客戶；

將多個所述特征參數輸入至所述機器學習模型，通過所述機器學習模型對每一特征參數計算出的人員類別信息與該特征參數的正樣本標簽或負樣本標簽之間的差異，對所述機器學習模型的模型參數進行訓練；

重復訓練過程，直至所述模型參數滿足所述機器學習模型的分類精度要求。

3.根據權利要求2所述的方法，其特征在于，所述方法還包括：

重新獲取多個所述正樣本標識和多個所述負樣本標識；

從所述特征匹配庫中查找每一設備標識對應的特征信息，并依據所述特征信息生成所述特征參數；

為所述正樣本標識對應的特征參數添加正樣本標簽，為所述負樣本標識對應的特征參數添加負樣本標簽；

將多個所述特征參數輸入至所述機器學習模型，通過所述機器學習模型對每一特征參數計算人員類別信息，并判斷所述人員類別信息與該特征參數的正樣本標簽或負樣本標簽之間的差異是否滿足所述分類精度要求；

如果不滿足所述分類精度要求，訓練所述模型參數，直至所述模型參數滿足所述分類精度要求。

4.根據權利要求1-3任一所述的方法，其特征在于，所述特征參數包括動態系數、距職系數、距住系數、興趣度系數和天氣系數中一種或多種的組合；

所述查找每一設備標識對應的特征信息，并依據所述特征信息生成所述特征參數，包括：

從所述特征匹配庫中查找每一設備標識對應的興趣點訪問日志；其中，所述興趣點訪問日志包括多條興趣點訪問記錄，每一興趣點訪問記錄包括時間戳、興趣點和興趣點類別；

篩選出時間戳位于指定時間段內的興趣點訪問記錄，從所述興趣點訪問記錄統計每一設備標識對應的所述興趣點的數量和所述興趣點類別的數量；

基于所述興趣點的數量和所述興趣點類別的數量，計算所述設備標識對應的動態系數。

5.根據權利要求4所述的方法，其特征在于，所述查找每一設備標識對應的特征信息，并依據所述特征信息生成所述特征參數，還包括：

從所述特征匹配庫查找每一設備標識對應的工作地坐標和居住地坐標；

基于預設目的地的坐標和每一設備標識對應的工作地坐標，計算該設備標識對應的距職系數；

基于所述目的地的坐標和每一設備標識對應的居住地坐標，計算該設備標識對應的距住系數。

6.根據權利要求4所述的方法，其特征在于，所述查找每一設備標識對應的特征信息，并依據所述特征信息生成所述特征參數，還包括：

確定預設目的地所屬的興趣點類別，并檢查每一設備標識的所述興趣點訪問記錄中屬于該興趣點類別的興趣點的數量，將該數量作為該設備標識對應的興趣度系數。

7.根據權利要求1-3任一所述的方法，其特征在于，所述依據所述特征信息生成特征參數，包括：

依照預定義的數據格式對所述特征參數進行標準化處理。