[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

本申請提供一種判斷潛在客戶的方法及裝置、電子設備和計算機可讀存儲介質，該方法包括：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。在本申請實施例中，由于已訓練的機器學習模型學習了到店客戶的特征參數的內在規律，因此可以準確地基于待分類人員對應的特征參數判斷出潛在客戶。

技術領域

本申請涉及計算機技術領域，特別涉及一種判斷潛在客戶的方法及裝置、電子設備和計算機可讀存儲介質。

背景技術

互聯網時代的消費情境相比以往更為豐富，用戶可通過公眾號、購物平臺應用(比如：美團、淘寶、餓了么等)、社交網站等渠道向商家購買商品或服務。如今，許多線下商家也開始通過各類線上渠道向用戶推送促銷信息，從而提高店鋪的客流量。

一般，商家會大面積地向渠道上所有人推送促銷信息。然而，這種方式難以確定真正有意愿到店的潛在客戶，商家很難預測到店的客戶量，也就無法靈活調整促銷策略。

發明內容

本申請實施例的目的在于提供一種判斷潛在客戶的方法，用以判斷到店幾率高的潛在客戶，從而提高促銷精確性和有效性。

本申請實施例提供一種判斷潛在客戶的方法，所述方法包括：

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。

在一實施例中，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；

重復所述訓練過程，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。

在一實施例中，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。