[发明专利]靶向推荐识别优质用户的方法、装置、设备和存储介质

说明书

本发明公开了一种靶向推荐识别优质用户的方法、装置、设备和存储介质，针对现有的通过人工收集客户各种资料，对潜在客户进行邀约推荐，反馈时间较长，且效率低，难以根据用户喜好与要求进行靶向分析的问题，通过获取快递业务中的散单用户数据，作为业务特征数据，生成逻辑回归模型及训练逻辑回归模型的目标标签数据，将目标标签数据和归一化处理后的业务特征数据输入到逻辑回归模型；通过迭代优化算法生成逻辑回归模型的特征系数，得到训练好的逻辑回归模型，从而得到散单用户的寄件概率，根据寄件概率的大小，确定潜在的优质用户。以机器学习的算法，预测散单用户的寄件概率，提高识别潜在优质客户的准确率的同时，节约成本，精准营销。

技术领域

本发明属于客户管理的技术领域，尤其涉及一种靶向推荐识别优质用户的方法、装置、设备和存储介质。

背景技术

随着物流市场化的发展，市场的多元化加剧了市场的竞争，以客户为中心、以服务为目的的集约型经营管理模式对客户关系管理需求日趋复杂，优质客户的评价指标休系涉及到很多因素，以及指标之间的独立与互补性，加剧了最优目标评价的有效性和客观性，伴随着物流各种信息测量手段的智能化和规模的日趋增长，有效的挖掘物流大数据的量测信息，量化个人优质客户提高营销经营效益急需提上议程。

目前针对物流客户(尤其是散单用户)的数据挖掘采用人工筛查的方法，通过人工收集客户各种资料，对潜在客户进行邀约推荐，反馈时间较长，且效率低，难以根据用户喜好与要求进行靶向分析，难以满足需求，潜在优质客户的识别准确率较低。

如何充分利用现有资源、定量比较物流客户多方面属性的不同带来的综合效应，通过数据挖掘识别优质客户，成为物流营销决策的困难之一。

发明内容

本发明的目的是提供一种靶向推荐识别优质用户的方法、装置、设备和存储介质，可以提高识别潜在优质客户的准确率，节约成本，精准营销。

为解决上述问题，本发明的技术方案为：

一种靶向推荐识别优质用户的方法，包括：

获取快递业务中的散单用户数据，作为业务特征数据，对所述业务特征数据进行归一化处理；

生成特征指标与寄件之间的逻辑回归模型及训练逻辑回归模型的目标标签数据，将所述目标标签数据和所述归一化处理后的业务特征数据输入到所述逻辑回归模型；

通过迭代优化算法确定所述逻辑回归模型的特征系数，得到训练好的逻辑回归模型；

基于训练好的逻辑回归模型，得到散单用户的寄件概率，根据寄件概率的大小，确定潜在的优质用户。

根据本发明一实施例，获取快递业务中的散单用户数据，作为业务特征数据进一步包括：

获取与散单用户寄件相关的特征数据，作为业务特征数据；所述特征数据至少包括用户ID、每次寄件时间、最近寄件时间及寄件数量。

根据本发明一实施例，对所述业务特征数据进行归一化处理进一步包括：

剔除所述业务特征数据的误点数据，对剔除误点数据后的业务特征数据进行归一化处理。

根据本发明一实施例，所述生成逻辑回归模型及训练逻辑回归模型的目标标签数据之后还包括：

对所述逻辑回归模型进行正则化约束。

根据本发明一实施例，所述通过迭代优化算法确定所述逻辑回归模型的特征系数进一步包括：