本發(fā)明涉及數(shù)據(jù)分析，尤其涉及一種基于平臺(tái)生態(tài)型產(chǎn)品數(shù)據(jù)挖掘及商機(jī)分析辦法。

背景技術(shù)：

1、傳統(tǒng)行業(yè)、互聯(lián)網(wǎng)行業(yè)逐漸開始進(jìn)行執(zhí)行數(shù)字化改革。不同企業(yè)或團(tuán)隊(duì)生產(chǎn)的線上辦公應(yīng)用產(chǎn)品通過上架平臺(tái)生態(tài)市場的形式在不同的即時(shí)通訊辦公平臺(tái)傳播，不再是彼此之間隔絕防守的姿態(tài)，而是采取合作共贏共同發(fā)展謀求更深遠(yuǎn)的發(fā)展道路。而基于這種形態(tài)搭建的產(chǎn)品或項(xiàng)目越來越多的情況下，商機(jī)分析這種業(yè)務(wù)發(fā)展流程不再滿足于傳統(tǒng)的撒網(wǎng)式獲客、廣告推介、上下級推廣等商機(jī)獲取方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于平臺(tái)生態(tài)型產(chǎn)品數(shù)據(jù)挖掘及商機(jī)分析辦法，可根據(jù)客戶使用、體驗(yàn)和對平臺(tái)能力調(diào)用的信息情況進(jìn)行分析，從分析商機(jī)到商機(jī)轉(zhuǎn)化過程系統(tǒng)地反饋到對應(yīng)的商機(jī)處理部門或人員，并提供對應(yīng)的分析線索和配套的轉(zhuǎn)換方案。

2、本發(fā)明采用的技術(shù)方案是：

3、一種基于平臺(tái)生態(tài)型產(chǎn)品數(shù)據(jù)挖掘及商機(jī)分析辦法，其包括以下步驟：

4、步驟1，采集所有企業(yè)在多租戶saas化線上辦公協(xié)同平臺(tái)上運(yùn)行時(shí)操作行為事件產(chǎn)生的事件數(shù)據(jù)，形成事件數(shù)據(jù)集；

5、步驟2，根據(jù)事件數(shù)據(jù)集的事件數(shù)據(jù)計(jì)算得到不同的指數(shù)參數(shù)；

6、步驟3，通過數(shù)據(jù)分析控件對不同的指數(shù)參數(shù)進(jìn)行分析處理，得到各個(gè)不同指數(shù)參數(shù)的最優(yōu)數(shù)據(jù)參數(shù)；步驟3具體包括以下步驟：

7、步驟3-1，預(yù)設(shè)事件數(shù)據(jù)集z，并將平臺(tái)商機(jī)資源按對應(yīng)特征匯總并按照一定規(guī)律編號(hào)分類得到商機(jī)轉(zhuǎn)換資源類目集x；

8、步驟3-2，對作為事件數(shù)據(jù)集的數(shù)據(jù)來源的相關(guān)采集點(diǎn)進(jìn)行配置，將采集點(diǎn)根據(jù)不同行指數(shù)參數(shù)的特征類別歸納為不同的域；

9、步驟3-3，數(shù)據(jù)分析控件根據(jù)需求獲取各個(gè)不同域下屬的采集點(diǎn)對應(yīng)的指數(shù)參數(shù)形成事件數(shù)據(jù)集z；同時(shí)設(shè)置修正集和測試集，利用softmax模型的歸一化處理能力對事件數(shù)據(jù)集z中指數(shù)參數(shù)進(jìn)行清洗，并根據(jù)各個(gè)域值的參數(shù)利用修正集和測試集訓(xùn)練和辨識(shí)提取指數(shù)參數(shù)的最優(yōu)數(shù)據(jù)參數(shù)；

10、步驟4，將待分析的客戶的事件數(shù)據(jù)進(jìn)行計(jì)算得到待分析的客戶指數(shù)參數(shù)；

11、步驟5，將待分析的客戶指數(shù)參數(shù)與各個(gè)指數(shù)參數(shù)對應(yīng)的最優(yōu)數(shù)據(jù)參數(shù)進(jìn)行比較，判斷客戶的每個(gè)指數(shù)參數(shù)是否達(dá)到最優(yōu)數(shù)據(jù)參數(shù)；如果是，則判斷當(dāng)前商機(jī)資源為最優(yōu)資源；否則，判斷當(dāng)前指數(shù)參數(shù)為待優(yōu)化指數(shù)參數(shù)；

12、步驟6，將當(dāng)前待優(yōu)化指數(shù)參數(shù)，用吸附算法將待優(yōu)化的客戶指數(shù)參數(shù)與平臺(tái)提供商機(jī)資源的特征信息進(jìn)行調(diào)校匹配，建立完整的商機(jī)策轉(zhuǎn)換策略方案；

13、步驟7，工作人員或者平臺(tái)基于轉(zhuǎn)換路徑結(jié)果，向客戶推薦調(diào)整優(yōu)化后的平臺(tái)資源。

14、進(jìn)一步地，步驟1中通過在多租戶saas化線上辦公協(xié)同平臺(tái)上個(gè)預(yù)埋數(shù)據(jù)監(jiān)控埋頭采集協(xié)同平臺(tái)運(yùn)行的事件數(shù)據(jù)。

15、進(jìn)一步地，步驟1中事件數(shù)據(jù)包括基礎(chǔ)能力調(diào)用頻率、流程發(fā)起頻率、im消息收發(fā)數(shù)據(jù)、日均在線率、軟硬件資源使用數(shù)據(jù)、應(yīng)用喚起次數(shù)、流程提交及誤操作率以及其他數(shù)據(jù)。

16、進(jìn)一步地，步驟2中指數(shù)參數(shù)包括流失指數(shù)、流程發(fā)起頻率、基礎(chǔ)能力調(diào)用頻率。

17、進(jìn)一步地，步驟3-1中平臺(tái)商機(jī)資源根據(jù)資源特征屬性進(jìn)行分類編號(hào)。

18、進(jìn)一步地，步驟3-2中分別就域特征、域值數(shù)據(jù)建立數(shù)據(jù)來源庫。

19、進(jìn)一步地，步驟3-3中根據(jù)修正集和測試集辨識(shí)結(jié)果，對事件數(shù)據(jù)集z的取值進(jìn)行偏差值修正，以便通過少量人工干預(yù)、修正集和測試集自我調(diào)整。

20、進(jìn)一步地，步驟3-3具體包括以下步驟：

21、步驟3-3-1，預(yù)設(shè)特征集標(biāo)記為z，將指數(shù)參數(shù)向量化得到對應(yīng)向量特征zi，

22、zi＝αei???????(1)

23、其中，zi表示第i個(gè)指數(shù)參數(shù)對應(yīng)的特征向量，表示為zi＝αei，α是一個(gè)標(biāo)量，ei是單位向量；

24、步驟3-3-2，將所有向量特征分別歸化為概率向量得到概率分布[p1,...,pi,...,pk]，每個(gè)pi表示對應(yīng)類別的概率，每個(gè)向量特征zi對應(yīng)的轉(zhuǎn)化公式如下：

25、

26、其中，oftmax(z)i是歸一化后的概率；k表示實(shí)數(shù)的輸入向量的總數(shù)；

27、進(jìn)一步地，步驟3-3-2中，我們采用了softmax函數(shù)來進(jìn)行指數(shù)參數(shù)的歸一化處理。softmax函數(shù)是一種將實(shí)數(shù)向量轉(zhuǎn)換為概率分布的數(shù)學(xué)函數(shù)，其定義如下：

28、

29、其中，z是包含k個(gè)實(shí)數(shù)的輸入向量，z1,....,zk是向量中的各個(gè)元素；softmax(z)函數(shù)的輸出是一個(gè)概率分布[p1,....,pk]，其中每個(gè)pi表示對應(yīng)類別的概率，并且所有概率值之和為1。進(jìn)行歸一化處理，通過softmax函數(shù)得到歸一化特征向量，以細(xì)化每個(gè)特征的貢獻(xiàn)度，并為模型參數(shù)的更新提供依據(jù)。

30、步驟3-3-3，通過最小化損失函數(shù)l(θ)來優(yōu)化softmax模型參數(shù)θ，損失函數(shù)定義為：

31、

32、其中，n是訓(xùn)練樣本的數(shù)量，pi(θ)是模型預(yù)測為第i個(gè)樣本的正確類別的概率；

33、步驟3-3-4，使用梯度下降算法優(yōu)化θ，其更新規(guī)則為：

34、

35、其中，η是學(xué)習(xí)率，是損失函數(shù)l對參數(shù)θ的梯度，k是特征的總數(shù)，是損失函數(shù)對第k個(gè)參數(shù)的偏導(dǎo)數(shù)。

36、9.根據(jù)權(quán)利要求1所述的一種基于平臺(tái)生態(tài)型產(chǎn)品數(shù)據(jù)挖掘及商機(jī)分析辦法，其特征在于：

37、步驟3-3-4中的參數(shù)θk的更新步驟如下：

38、步驟3-3-4-1，計(jì)算任意參數(shù)θk的梯度，計(jì)算公式如下：

39、

40、其中，n是樣本數(shù)量，yi是樣本i的真實(shí)標(biāo)簽，zk是歸一化前的特征值，是樣本i歸一化后屬于類別k的概率；pi(θ)是模型預(yù)測的概率，而是預(yù)測概率對參數(shù)θk的偏導(dǎo)數(shù)；

41、步驟3-3-4-2，使用梯度下降算法來更新模型參數(shù)θ，更新規(guī)則如下：

42、

43、其中，η是學(xué)習(xí)率，用于控制每次更新的步長。

44、進(jìn)一步的，通過定義損失函數(shù)l(θ)關(guān)于模型參數(shù)θ的梯度，它反映了損失函數(shù)隨參數(shù)變化的敏感度，梯度的計(jì)算公式如下：

45、

46、其中，k是特征的總數(shù)，是損失函數(shù)對第k個(gè)參數(shù)的偏導(dǎo)數(shù)。對于每個(gè)參數(shù)θk，梯度的計(jì)算可以表示為：

47、

48、這里，n是樣本數(shù)量，yi是樣本i的真實(shí)標(biāo)簽，zk是歸一化前的特征值，是樣本i歸一化后屬于類別k的概率。

49、進(jìn)一步的，使用梯度下降算法來更新模型參數(shù)θ，更新規(guī)則如下：

50、

51、η是學(xué)習(xí)率，一個(gè)超參數(shù)用于控制每次更新的步長。

52、進(jìn)一步地，步驟6中平臺(tái)商機(jī)資源按對應(yīng)特征匯總并按照一定規(guī)律編號(hào)分類得到商機(jī)轉(zhuǎn)換資源類目集x。

53、進(jìn)一步地，步驟6中將當(dāng)前待優(yōu)化指數(shù)參數(shù)作為擬優(yōu)化的用戶意向特征與平臺(tái)提供的所有商機(jī)資源轉(zhuǎn)化路徑分別計(jì)算特征相似性，即用已有的標(biāo)準(zhǔn)化路徑參數(shù)或者調(diào)整商機(jī)路徑參數(shù)比對獲取匹配分值較高的轉(zhuǎn)換路徑結(jié)果；轉(zhuǎn)換路徑結(jié)果分配到具體的轉(zhuǎn)換人員。

54、本發(fā)明采用以上技術(shù)方案，運(yùn)用在多租戶saas化線上辦公協(xié)同平臺(tái)上，是一種基于平臺(tái)生態(tài)和技術(shù)底座來提供saas化服務(wù)內(nèi)容的產(chǎn)品。通過采集企業(yè)用戶在生態(tài)中產(chǎn)生的各種使用數(shù)據(jù)輸送至數(shù)據(jù)分析模塊通過結(jié)合各種算法公式計(jì)算企業(yè)用戶商機(jī)信息，隨時(shí)根據(jù)數(shù)據(jù)分析結(jié)果對企業(yè)客戶使用狀態(tài)進(jìn)行評估，并學(xué)習(xí)和建立模型，根據(jù)企業(yè)客戶數(shù)據(jù)信息發(fā)掘和預(yù)判各種不同情況的潛在商機(jī)信息。

55、本發(fā)明具有如下技術(shù)優(yōu)點(diǎn)：1)本發(fā)明主要是基于平臺(tái)型產(chǎn)品細(xì)化到租戶用戶操作行為以及其在平臺(tái)產(chǎn)生的各種事件數(shù)據(jù)，通過所述內(nèi)容進(jìn)行數(shù)據(jù)清洗和取樣分析，自動(dòng)獲取商機(jī)轉(zhuǎn)換策略及最優(yōu)轉(zhuǎn)換路徑。所采取的分析辦法和比對規(guī)則將根據(jù)所述的數(shù)據(jù)信息整體的變遷情況自動(dòng)調(diào)整變更，具備了一定的自我調(diào)整機(jī)制。2)本發(fā)明采用的算法模型根據(jù)特殊情況進(jìn)行了改良處理，提升了算法適配精度，分析過程更加精確，將根據(jù)平臺(tái)的資源特色和功能內(nèi)容自動(dòng)分析商機(jī)最佳轉(zhuǎn)換路徑，提供到相關(guān)對接人員。