基于大数据的跨境SAAS客户分析方法及系统

摘要

本发明实施例公开了一种基于大数据的跨境SAAS客户分析方法及系统，所述方法包括：步骤1：收集客户行为信息；步骤2：采集客户行为数据；步骤3：对客户行为数据进行清洗；步骤4：根据清洗后的数据，采用预设算法进行分析；步骤5：根据分析结果采用不同的方式通知该客户的对应的员工。本发明方便用户快速找到精准客户和维持一定水平的续签率，大数据，智能的，实时的，与业务系统紧密配合，促进跨境SAAS服务商的持续发展。

说明书

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于大数据的跨境SAAS客户分析方法及系统。

背景技术

自2009年以来，全球跨境电商贸易持续快速增长，相应地诞生很多基于此电商企业及对应的SAAS(Software as a Service)服务商；做为跨境SAAS服务商，面对的电商企业多、类型多和单价低等特点，快速找到精准客户和维持一定水平的续签率对跨境SAAS服务商持续发展至关重要。

现有客户分析系统中：

1、没有针对跨境SAAS的CRM（Customer Relationship Management，客户关系管理系统）；

2、没有客户签约概率，续签风险，流失概率等维度实时的智能的分析及分类；

3、现有CRM的客户分类基本是由公司内部员工指定或简单按照充值模型进行一定的等级分类;

4、现有CRM系统的客户分类是非实时的，且与业务系统是隔离的;

5、现有CRM系统的客户分类不涉及大数据计算，数据采集范围仅限于事务类或单产品类，未拉通。

基于上述原因，亟需一套大数据，智能的，实时的，与业务系统紧密配合的SAAS客户分类系统。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于大数据的跨境SAAS客户分析方法及系统，以便用户快速找到精准客户和维持一定水平的续签率，智能的，实时的，与业务系统紧密配合。

为了解决上述技术问题，本发明实施例提出了一种基于大数据的跨境SAAS客户分析方法，包括：

步骤1：收集客户行为信息，客户行为信息包括行为类型、客户唯一ID、时间、衡量单位、行为值中的一种或多种；

步骤2：从客户行为信息中采集客户行为数据以及产品或特性数据，客户行为数据包括前端浏览数据、计费数据、租户数据、后端产品数据、客服数据、客户CRM事务类数据中的一种或多种；

步骤3：对客户行为数据以及产品或特性数据进行清洗，清洗策略包括阀值法、白名单法、黑名单法、时间法则中的一种或多种；

步骤4：根据清洗后的数据，采用预设算法进行签约概率分析、客户等级分析、流失概率分析、续签风险分析以及客诉风险分析；

步骤5：根据分析结果采用不同的方式通知该客户的对应的员工。

相应地，本发明实施例还提供了一种基于大数据的跨境SAAS客户分析系统，包括：

客户行为收集模块：收集客户行为信息，客户行为信息包括行为类型、客户唯一ID、时间、衡量单位、行为值中的一种或多种；

客户行为采集模块：从客户行为信息中采集客户行为数据以及产品或特性数据，客户行为数据包括前端浏览数据、计费数据、租户数据、后端产品数据、客服数据、客户CRM事务类数据中的一种或多种；

数据清洗模块：对客户行为数据以及产品或特性数据进行清洗，清洗策略包括阀值法、白名单法、黑名单法、时间法则中的一种或多种；

客户行为分析模块：根据清洗后的数据，采用预设算法进行签约概率分析、客户等级分析、流失概率分析、续签风险分析以及客诉风险分析；

结果应用模块：根据分析结果采用不同的方式通知该客户的对应的员工。

本发明的有益效果为：本发明基于客户多产品的关键实时分析和客户对某一产品的关键实时行为数据，结合基础行为数据和CRM事务类型数据，进行实时分析，并对于分析出的概率和风险根据不同分类，不同策略的按不同方式推送给该客户对应的员工，以便用户快速找到精准客户和维持一定水平的续签率，大数据，智能的，实时的，与业务系统紧密配合，促进跨境SAAS服务商的持续发展。

附图说明

图1是本发明实施例的基于大数据的跨境SAAS客户分析方法的流程图。

图2是本发明实施例的流失概率分析的流程示意图。

图3是本发明实施例的续签风险分析的流程示意图。

图4是本发明实施例的客诉风险分析的流程示意图。

图5是本发明实施例的基于大数据的跨境SAAS客户分析系统的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。

本发明实施例中若有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中若涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

请参照图1，本发明实施例的基于大数据的跨境SAAS客户分析方法包括步骤1～步骤5。

步骤1：收集客户行为信息，客户行为信息包括行为类型、客户唯一ID、时间、衡量单位、行为值中的一种或多种。

具体实施时，收集方法有两种模式：

主动式：

1、实时打点上报到客户分析系统;

2、本产品端缓存后，按照一定的频度上报；频度包括分，小时，天等，可按照客户分析的实时性要求来定；

3、可采用Restful，自定义协议等方式实现，推荐Restful.

被动式：

1、各产品存一份，由客户分析系统主动来获取，可采用Restful，自定义协议等方式实现，推荐Restful。

步骤2：从客户行为信息中采集客户行为数据以及产品或特性数据，客户行为数据包括前端浏览数据、计费数据、租户数据、后端产品数据、客服数据、客户CRM事务类数据中的一种或多种。

客户行为采集以下信息(包括但不限于):

1、各产品或服务前端关键事件的行为数据；

2、多租户数据(包括但不限于)：注册行为，登录行为，登出行为，鉴权行为；

3、产品或服务的使用数据(包括但不限于) ：如产品使用行为，查询行为等;

4、客服数据(包括但不限于) : 投诉、建议、处理结点数据等;

5、CRM事务类数据(包括但不限于)：充值、续签等

收集方法有两种模式：

主动式：

1. 主动从产品或业务服务或业务特性处获取；可采用Restful，自定义协议等方式实现，推荐Restful；

被动式：

1、被动从产品或业务服务或业务特性处获取；可采用Restful，自定义协议等方式实现，推荐Restful。

步骤3：对客户行为数据以及产品或特性数据进行清洗，清洗策略包括阀值法、白名单法、黑名单法、时间法则中的一种或多种。

阀值法：上下阀值，但某一行为的不在正常阀值范围，则丢弃；白名单法：含有指定内容时，加权；黑名单法：含有指定内容时，丢弃；时间法则：属于指定时间范围内的，进行一定的操作，包括两个行为之间的时间差值，行为汇总等操作。

步骤4：根据清洗后的数据，采用预设算法进行签约概率分析、客户等级分析、流失概率分析、续签风险分析以及客诉风险分析。

客户流失概率分析关键结果：

客户流失概率：客户不再使用SAAS提供的任何产品或服务的概率，0~100%；

客户流失概率分析分类等级(推荐，阀值及分类名称可配置，分类后方便公司可以接触到客户的人员进行快速识别)：

1、100%：肯定流失；

2、[80,100)：极高；

3、[60,80)：高；

4、[30,60)：一般；

5、[0,30)：一般。

客户流失概率分析分类方法:

1.识别出关键的客户行为事件，并进行向量标注；

2.采用分类的机器学习算法进行分类；

3.可由员工进行人工修正或指定。

分析触发时机(包括但不限于)：涉及到该客户的新行为接入；定时机制(每小时，每天，每周等)；公司员工手动触发。

步骤5：根据分析结果采用不同的方式通知该客户的对应的员工。

作为一种实施方式，客户分析分类结果应用方法（包括但不限于）：

1、签约指导：根据签约和续签不同概率采用不同的方式通知该客户的对应的员工；

2、服务指导：根据流失和客诉不同概率采用不同的方式通知该客户的对应的员工。

通知方式(包括但不限于)：员工主动筛选；实时通知，一般针对需要及时处理的客户采用；提醒或站内消息通知；邮件提醒；第三方渠道提醒(微信，钉钉等)。

处理客户事宜员工职位(包括但不限于)：

1、销售：售前；

2、市场；

3、服务或客服或售后。

请参照图2，作为一种实施方式，所述步骤4中，基于客户多产品的关键实时分析，结合基础行为数据和CRM事务类型数据进行实时分析，采用以下步骤计算出客户的流失概率：

按预设的分类策略的要求统计出待计算客户在目标产品或特性的统计数据（产品或特性数据采集包括各类关键事件打点统计上报，如登录事件，功能使用事件，计费事件，格式一般如下: uuid, product, event, timestamp, amount, unit）；

将该客户在该产品或特性的流失概率的所有统计数据（针对同一产品的同一事件一般有按天,按周,按月,环比,同比的数据）输入到预设的机器学习的函数中（优选地，采用KNN（K-Nearest Neighbor）最邻近分类算法），计算出最接近的分类，作为该客户在此产品或特性上的流失概率分类；

将该客户在所有产品或特性的流失概率分类数据输入到预设的机器学习的函数（优选地，采用KNN（K-Nearest Neighbor）最邻近分类算法）中，计算出该客户最接近的分类，作为该客户的流失概率分类。

请参照图3，作为一种实施方式，所述步骤4中，基于客户对某一产品的关键实时行为数据，结合基础行为数据和CRM事务类型数据进行实时分析，采用以下步骤计算出客户在此产品或服务上的续签概率：

按预设的分类策略的要求统计出待计算客户在目标产品或特性的统计数据；

将该客户在该产品或特性的续签风险的所有统计数据输入到预设的机器学习的函数（优选地，采用KNN（K-Nearest Neighbor）最邻近分类算法）中，计算出最接近的分类，作为该客户在此产品或特性上的续签风险分类；

将该客户在所有产品或特性的续签风险分类数据输入到预设的机器学习的函数（优选地，采用KNN（K-Nearest Neighbor）最邻近分类算法）中，计算出该客户最接近的分类，作为该客户的续签风险分类。

请参照图4，作为一种实施方式，所述步骤4中，基于客户对某一产品的关键实时行为数据，结合基础行为数据和CRM事务类型数据，进行实时分析，采用以下步骤计算出客户的客诉风险：

按预设的分类策略的要求统计出待计算客户在目标产品或特性的统计数据；

将该客户在该产品或特性的客诉风险的所有统计数据输入到预设的机器学习的函数（优选地，采用KNN（K-Nearest Neighbor）最邻近分类算法）中，计算出最接近的分类，作为该客户在此产品或特性上的客诉风险分类；

将该客户在所有产品或特性的客诉风险分类数据输入到预设的机器学习的函数（优选地，采用KNN（K-Nearest Neighbor）最邻近分类算法）中，计算出该客户最接近的分类，作为该客户的客诉风险分类。

请参照图5，本发明实施例的基于大数据的跨境SAAS客户分析系统包括客户行为收集模块、客户行为采集模块、数据清洗模块、客户行为分析模块及结果应用模块。

客户行为收集模块：收集客户行为信息，客户行为信息包括行为类型、客户唯一ID、时间、衡量单位、行为值中的一种或多种。

客户行为采集模块：从客户行为信息中采集客户行为数据以及产品或特性数据，客户行为数据包括前端浏览数据、计费数据、租户数据、后端产品数据、客服数据、客户CRM事务类数据中的一种或多种。

数据清洗模块：对客户行为数据以及产品或特性数据进行清洗，清洗策略包括阀值法、白名单法、黑名单法、时间法则中的一种或多种。

客户行为分析模块：根据清洗后的数据，采用预设算法进行签约概率分析、客户等级分析、流失概率分析、续签风险分析以及客诉风险分析。

结果应用模块：根据分析结果采用不同的方式通知该客户的对应的员工。

作为一种实施方式，所述客户行为分析模块中，基于客户多产品的关键实时分析，结合基础行为数据和CRM事务类型数据进行实时分析，采用以下步骤计算出客户的流失概率：

按预设的分类策略的要求统计出待计算客户在目标产品或特性的统计数据；

将该客户在该产品或特性的流失概率的所有统计数据输入到预设的机器学习的函数中，计算出最接近的分类，作为该客户在此产品或特性上的流失概率分类；

将该客户在所有产品或特性的流失概率分类数据输入到预设的机器学习的函数中，计算出该客户最接近的分类，作为该客户的流失概率分类。

作为一种实施方式，所述客户行为分析模块中，基于客户对某一产品的关键实时行为数据，结合基础行为数据和CRM事务类型数据进行实时分析，采用以下步骤计算出客户在此产品或服务上的续签概率：

按预设的分类策略的要求统计出待计算客户在目标产品或特性的统计数据；

将该客户在该产品或特性的续签风险的所有统计数据输入到预设的机器学习的函数中，计算出最接近的分类，作为该客户在此产品或特性上的续签风险分类；

将该客户在所有产品或特性的续签风险分类数据输入到预设的机器学习的函数中，计算出该客户最接近的分类，作为该客户的续签风险分类。

作为一种实施方式，所述客户行为分析模块中，基于客户对某一产品的关键实时行为数据，结合基础行为数据和CRM事务类型数据，进行实时分析，采用以下步骤计算出客户的客诉风险：

按预设的分类策略的要求统计出待计算客户在目标产品或特性的统计数据；

将该客户在该产品或特性的客诉风险的所有统计数据输入到预设的机器学习的函数中，计算出最接近的分类，作为该客户在此产品或特性上的客诉风险分类；

将该客户在所有产品或特性的客诉风险分类数据输入到预设的机器学习的函数中，计算出该客户最接近的分类，作为该客户的客诉风险分类。

作为一种实施方式，所述结果应用模块中，对于分析出的概率和风险根据不同分类和不同策略按不同方式推送给该客户对应的员工，其中，客户分析分类结果包括签约指导和服务指导，签约指导：根据签约和续签不同概率采用不同的方式通知该客户的对应的员工；服务指导：根据流失和客诉不同概率采用不同的方式通知该客户的对应的员工。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。