顾客价值的细分方法、系统及具有该系统的电子设备与流程

本发明属于商业运营分析
技术领域：
，涉及一种细分方法及系统，特别是涉及一种顾客价值的细分方法、系统及具有该系统的电子设备。
背景技术：
：传统的rfm顾客价值模型(recencyfrequencymonetary)的指标体系主要是根据客户的最近交易日、交易频率、交易金额来判断该客户是企业的重要价值客户或者即将流失的客户。在应用于商场顾客分析的场景下，指标中消费金额(monetary)对商场的运营者而言具有不易获得性，rfm模型在应用于商场顾客的价值区分方面有一定局限性，无法对商场的到访顾客进行细分，不利于提高商场的运营绩效。因此，如何提供一种顾客价值的细分方法、系统及具有该系统的电子设备，以解决现有技术中rfm顾客价值模型在应用于商场顾客的价值区分方面的局限性，导致无法对商场的到访顾客进行细分，不利于提高商场的运营绩效等缺陷，实以成为本领域技术人员亟待解决的技术问题。技术实现要素：鉴于以上所述现有技术的缺点，本发明的目的在于提供一种顾客价值的细分方法、系统及具有该系统的电子设备，用于解决现有技术中rfm顾客价值模型在应用于商场顾客的价值区分方面的局限性，导致无法对商场的到访顾客进行细分，不利于提高商场的运营绩效的问题。为实现上述目的及其他相关目的，本发明一方面提供一种顾客价值的细分方法，应用于商业运营场所，所述顾客价值的细分方法包括以下步骤：将预定聚类算法应用于在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数，以建立所述游逛参数的评分规则；所述游逛参数用于评价顾客价值；基于所述游逛参数，确定所述游逛参数的离散程度；根据顾客的细分标准和所述游逛参数的离散程度，计算用于对每一位到访顾客进行细分的顾客游逛价值指数；按照顾客游逛价值指数对在预定时间段收集的、到访所述商业运营场所的顾客进行细分。于本发明的一实施例中，所述游逛参数包括在预定时间段内到访顾客游逛所述商业运营场所的频次、到访顾客最后一次至所述商业运营场所的时间间隔、和到访顾客在所述商业运营场所的平均游逛时长。于本发明的一实施例中，所述预定聚类算法为k-means聚类算法。于本发明的一实施例中，所述将预定聚类算法应用于在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数，以获取所述游逛参数的评分的步骤包括：将所述k-means聚类算法应用于在预定时间段内到访顾客游逛所述商业运营场所的频次、到访顾客最后一次至所述商业运营场所的时间间隔、和到访顾客在所述商业运营场所的平均游逛时长，获取用于初步细分客群的聚类结果及用于显示初步细分后每一类到访顾客在频次、时间间隔、和游逛时长的聚类点分布；根据所述聚类结果，将到访顾客的客群进行初步细分；根据频次、时间间隔、和游逛时长的聚类点分布，分别建立在预定时间段内到访顾客游逛所述商业运营场所的频次、到访顾客最后一次至所述商业运营场所的时间间隔、和到访顾客在所述商业运营场所的平均游逛时长的评分规则，以获取在预定时间段内到访顾客游逛所述商业运营场所的频次的评分、到访顾客最后一次至所述商业运营场所的时间间隔的评分及到访顾客在所述商业运营场所的平均游逛时长的离散程度的评分。于本发明的一实施例中，所述在预定时间段内到访顾客游逛所述商业运营场所的频次的离散程度通过利用熵值法所计算的频次权重表示；所述到访顾客最后一次至所述商业运营场所的时间间隔通过利用熵值法所计算的时间间隔权重表示；和所述到访顾客在所述商业运营场所的平均游逛时长的离散程度通过利用熵值法所计算的游逛时长权重表示。于本发明的一实施例中，顾客游逛价值指数的计算公式为在预定时间段内到访顾客游逛所述商业运营场所的频次的评分×频次权重+到访顾客最后一次至所述商业运营场所的时间间隔的评分×时间间隔权重+到访顾客在所述商业运营场所的平均游逛时长的离散程度的评分×游逛时长权重。于本发明的一实施例中，所述按照顾客游逛价值指数对在预定时间段收集的、到访所述商业运营场所的顾客进行细分的步骤包括：按照预设的不同游逛价值细分区间对所计算的顾客游逛价值指数进行第一次顾客价值划分，以获取与预设的不同游逛价值细分区间对应的顾客价值客群；所述顾客价值客群包括高价值顾客客群、重要价值顾客客群、一般价值顾客客群、及潜在价值顾客客群；对所述重要价值顾客客群和一般价值顾客客群进行第二次顾客价值划分，以从所述重要价值顾客中划分出重要潜在顾客客群、重要挽留顾客客群、及重要发展顾客客群，从所述一般价值顾客客群中划分中一般潜力顾客客群、一般挽留顾客客群、及一般发展顾客客群，以为运营人员提供营销依据。于本发明的一实施例中，所述从所述重要价值顾客客群中划分出重要潜在顾客客群、重要挽留顾客客群、及重要发展顾客客群的步骤包括：取重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，高价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值；根据重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，高价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，分别获取用于进一步细分客群的第一频次比较均值、第一时间间隔比较均值、第一游逛时长比较均值；将重要价值顾客客群中每一位顾客的到访顾客游逛所述商业运营场所的频次与第一频次比较均值相减，到访顾客最后一次至所述商业运营场所的时间间隔与第一时间间隔比较均值相减、到访顾客在所述商业运营场所的平均游逛时长与第一游逛时长比较均值相减，若到访顾客游逛所述商业运营场所的频次与第一频次比较均值之差最大，那么划分该顾客为重要潜在顾客；若到访顾客最后一次至所述商业运营场所的时间间隔与第一时间间隔比较均值之差最大，那么划分该顾客为重要挽留顾客；若访顾客在所述商业运营场所的平均游逛时长与第一游逛时长比较均值之差最大，那么划分该顾客为重要发展顾客，将划分为重要潜在顾客组成重要潜在顾客客群，划分为重要挽留顾客组成重要挽留顾客客群，划分为重要发展顾客组成重要发展顾客客群。于本发明的一实施例中，所述从所述一般价值顾客客群中划分出一般潜在顾客客群、一般挽留顾客客群、及一般发展顾客客群的步骤包括：取一般价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值；根据一般价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，分别获取用于进一步细分客群的第二频次比较均值、第二时间间隔比较均值、第二游逛时长比较均值；将一般价值顾客客群中每一位顾客的到访顾客游逛所述商业运营场所的频次与第二频次比较均值相减，到访顾客最后一次至所述商业运营场所的时间间隔与第二时间间隔比较均值相减、到访顾客在所述商业运营场所的平均游逛时长与第二游逛时长比较均值相减，若到访顾客游逛所述商业运营场所的频次与第二频次比较均值之差最大，那么划分该顾客为一般潜在顾客；若到访顾客最后一次至所述商业运营场所的时间间隔与第二时间间隔比较均值之差最大，那么划分该顾客为一般挽留顾客；若访顾客在所述商业运营场所的平均游逛时长与第二游逛时长比较均值之差最大，那么划分该顾客为一般发展顾客，将划分为一般潜在顾客组成一般潜在顾客客群，划分为一般挽留顾客组成一般挽留顾客客群，划分为一般发展顾客组成一般发展顾客客群。本发明另一方面提供一种顾客价值的细分系统，应用于商业运营场所，所述顾客价值的细分系统包括：第一处理模块，用于将预定聚类算法应用于在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数，以建立所述游逛参数的评分规则；所述游逛参数用于评价顾客价值；第二处理模块，用于基于所述游逛参数，确定所述游逛参数的离散程度；计算模块，用于根据顾客的细分标准和所述游逛参数的离散程度，计算用于对到访顾客进行细分的顾客游逛价值指数；划分模块，用于按照顾客游逛价值指数对在预定时间段收集的、到访所述商业运营场所的顾客进行细分。本发明又一方面提供一种电子设备，所述电子设备包括所述的顾客价值的细分系统。如上所述，本发明的顾客价值的细分方法、系统及具有该系统的电子设备，具有以下有益效果：本发明所述的顾客价值的细分方法、系统及具有该系统的电子设备能够细分商业运营场所的到访顾客的游逛价值，为商业运营场所在进行多样的促销活动提供更有依据及针对性；顾客价值的细分模型的维度数据具有高可获得性，据此得到的海量数据通过机器学习的方式，使得模型排除了时间、地域的依赖性，具有广泛适用性；且能在顾客购买行为发生前,预先对顾客可能产生的购买价值高低判定。附图说明图1显示为本发明的顾客价值的细分方法于一实施例中的流程示意图。图2显示为本发明的顾客价值的细分方法中步骤s1的具体流程示意图。图3显示为本发明的顾客价值的细分方法中步骤s4的具体流程示意图.图4显示为本发明的顾客价值的细分系统于一实施例中的原理结构示意图。图5显示为本发明的电子设备于一实施例中的原理结构示意图。元件标号说明1顾客价值的细分系统11第一处理模块12第二处理模块13计算模块14划分模块141第一划分单元142第二划分单元s1～sn步骤具体实施方式以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。实施例一本实施例提供一种顾客价值的细分方法，应用于商业运营场所，所述顾客价值的细分方法包括以下步骤：将预定聚类算法应用于在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数，以建立所述游逛参数的评分规则；所述游逛参数用于评价顾客价值；基于所述游逛参数，确定所述游逛参数的离散程度；根据顾客的细分标准和所述游逛参数的离散程度，计算用于对到访顾客进行细分的顾客游逛价值指数；按照顾客游逛价值指数对在预定时间段收集的、到访所述商业运营场所的顾客进行细分。以下将结合图示对本实施例所提供的顾客价值的细分方法进行详细说明。本实施例所述的顾客价值的细分方法应用于商业运营场所，例如，商场，酒吧，超市等等。本实施例选择应用于用百货商场。本实施例基于rfl模型，该rfl模型在衡量百货商场到访顾客的细分价值上综合考虑了以下的维度：商场店铺对顾客的吸引力(顾客在商场的游逛时间l)、顾客来商场的频率(f)、顾客最近一次到访的时间(r)，综合评估商场到访顾客对场所的游逛价值贡献。请参阅图1，显示为顾客价值的细分方法于一实施例中的流程示意图。如图1所示，所述顾客价值的细分方法具体包括以下几个步骤：s1，将预定聚类算法应用于在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数，以建立所述游逛参数的评分规则；所述游逛参数用于评价顾客价值。在本实施例中，所述游逛参数包括在预定时间段(于本实施例中，所述预定时间段t为半年)内到访顾客游逛所述商业运营场所的频次(frequency/次)、到访顾客最后一次至所述商业运营场所的时间间隔(recently/天)、和/或到访顾客在所述商业运营场所的平均游逛时长(length/小时)。所述预定聚类算法为k-means聚类算法。请参阅图2，显示为步骤s1的具体流程示意图。如图2所示，所述步骤s1包括以下几个步骤：s11，将所述k-means聚类算法应用于在预定时间段内到访顾客游逛所述商业运营场所的频次、到访顾客最后一次至所述商业运营场所的时间间隔、和到访顾客在所述商业运营场所的平均游逛时长，获取聚类结果及频次、时间间隔、和游逛时长的聚类点分布。所述聚类结果用于初步细分客群的聚类结果。所述聚类点分布用于显示初步细分后每一类到访顾客在游逛商业运营场所的游逛参数，即频次、时间间隔、和游逛时长。在本实施例中，k-means聚类算法是通过迭代寻找k个聚类的划分方案，该划分方案以最小误差平方和准则为基础，使得用k个聚类的均值来代表相应各类样本所得的总体误差最小。k-means聚类算法的误差函数如下：其中，μc(i)表示第i个聚类的均值,x(i)为第i类的样本(其中包括在预定时间段内到访顾客游逛所述商业运营场所的频次、到访顾客最后一次至所述商业运营场所的时间间隔、和到访顾客在所述商业运营场所的平均游逛时长，三个维度的样本)。根据大量的实验数据获知，在从聚类结果k值＝9之后，误差值j的变化速度下降趋于平缓。s12，根据步骤s11推知的能使误差值j的变化速度下降趋于平缓的聚类结果，将到访顾客的客群进行初步细分，即将到访顾客分为9类。s13，根据频次、时间间隔、和游逛时长的聚类点分布，分别建立在预定时间段内到访顾客游逛所述商业运营场所的频次f、到访顾客最后一次至所述商业运营场所的时间间隔r、和到访顾客在所述商业运营场所的平均游逛时长l的评分规则，以获取在预定时间段内到访顾客游逛所述商业运营场所的频次的评分、到访顾客最后一次至所述商业运营场所的时间间隔的评分及到访顾客在所述商业运营场所的平均游逛时长的离散程度的评分。参见表1在预定时间段内到访顾客游逛所述商业运营场所的频次的评分规则，表2为到访顾客最后一次至所述商业运营场所的时间间隔的评分规则，表3为到访顾客在所述商业运营场所的平均游逛时长的评分规则。表1：频次的评分规则f评分(0，1]1(1，3]2(3，6]3(6，12]4(12，25]5(25，6表2：时间间隔的评分规则r评分(100，1(60，100]2(30，60]3(15,30]4(7，15]5(0，7]6表3：游逛时长的评分规则l评分(0，0.5]1(0.5，1]2(1，2]3(2，3]4(3，5]5(5，6s2，基于所述游逛参数，确定所述游逛参数的离散程度。在本实施例中，所述在预定时间段内到访顾客游逛所述商业运营场所的频次的离散程度通过利用熵值法所计算的频次权重hf表示；所述到访顾客最后一次至所述商业运营场所的时间间隔通过利用熵值法所计算的时间间隔权重hr表示；和所述到访顾客在所述商业运营场所的平均游逛时长的离散程度通过利用熵值法所计算的游逛时长权重hl表示。在本实施例中，游逛参数中的某一个参数的离散程度越大，说明该参数对综合评价的影响越大。其中，hf＝∑p(f)logp(f)，p(f)由到访顾客的在预定时间段内到访顾客游逛所述商业运营场所的频次组成。hr＝∑p(r)logp(r)，p(r)由在预定时间段内到访顾客最后一次至所述商业运营场所的时间间隔组成。hl＝∑p(l)logp(l)，p(l)由在预定时间段内到访顾客在所述商业运营场所的平均游逛时长组成。经过大量实验数据的计算，本实施例获取的hf＝0.3，hr＝0.3，hl＝0.4。s3，根据顾客的细分标准和所述游逛参数的离散程度，计算用于对每一位到访顾客进行细分的顾客游逛价值指数。在本实施例中，顾客游逛价值指数用rfl表示，即rfl＝f×hf+r×hr+l×hl＝f×30％+r×30％+l×40％公式(2)s4，按照顾客游逛价值指数对在预定时间段收集的、到访所述商业运营场所的顾客进行细分。请参阅图3，显示为步骤s4的流程示意图。如图3所示，所述步骤s4具体包括以下几个步骤：s41，按照预设的不同游逛价值细分区间对所计算的顾客游逛价值指数进行第一次顾客价值划分，以获取与预设的不同游逛价值细分区间对应的顾客价值客群；所述顾客价值客群包括高价值顾客客群、重要价值顾客客群、一般价值顾客客群、及潜在价值顾客客群。在本实施例中，预设的不同游逛价值细分区间包括[4，6]，[3,4)，[2,3)，(0,2)。其中，游逛价值细分区间[4，6]对应高价值顾客客群，游逛价值细分区间[3,4)对应重要价值顾客客群，游逛价值细分区间[2,3)对应一般价值顾客客群，游逛价值细分区间(0,2)对应潜在价值顾客客群。s42，对所述重要价值顾客客群和一般价值顾客客群进行第二次顾客价值划分，以从所述重要价值顾客中划分出重要潜在顾客客群、重要挽留顾客客群、及重要发展顾客客群，从所述一般价值顾客客群中划分中一般潜力顾客客群、一般挽留顾客客群、及一般发展顾客客群，以为运营人员提供营销依据。具体对所述重要价值顾客客群的第二次顾客价值划分过程如下：取重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值。例如，重要价值顾客客群三个维度的平均值为(a，b，c)，高价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，例如，高价值顾客客群三个维度的平均值为(a，b，c)。根据重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，高价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，分别获取用于进一步细分客群的第一频次比较均值x1、第一时间间隔比较均值y1、第一游逛时长比较均值z1。具体地，任意重要价值顾客客群中每一位顾客的三个维度为(a1，b1，c1)，将重要价值顾客客群中每一位顾客的到访顾客游逛所述商业运营场所的频次与第一频次比较均值相减，即(a1-x1)，到访顾客最后一次至所述商业运营场所的时间间隔与第一时间间隔比较均值相减(b1-y1)、到访顾客在所述商业运营场所的平均游逛时长与第一游逛时长比较均值相减(c1-z1)，若到访顾客游逛所述商业运营场所的频次与第一频次比较均值之差(a1-x1)最大，那么划分该顾客为重要潜在顾客；若到访顾客最后一次至所述商业运营场所的时间间隔与第一时间间隔比较均值之差(b1-y1)最大，那么划分该顾客为重要挽留顾客；若访顾客在所述商业运营场所的平均游逛时长与第一游逛时长比较均值之差(c1-z1)最大，那么划分该顾客为重要发展顾客。将划分为重要潜在顾客组成重要潜在顾客客群，划分为重要挽留顾客组成重要挽留顾客客群，划分为重要发展顾客组成重要发展顾客客群。具体对所述一般价值顾客客群的第二次顾客价值划分过程如下：取一般价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，例如，一般价值顾客客群三个维度的平均值为(d，e，f)，重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值(d，e，f)。根据一般价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，重要价值顾客客群在频次上的平均值、时间间隔上的平均值、和游逛时长上的平均值，分别获取用于进一步细分客群的第二频次比较均值x2、第二时间间隔比较均值y2、第二游逛时长比较均值z2.具体地，任意一般价值顾客客群中每一位顾客的三个维度为(a2，b2，c2)，将一般价值顾客客群中每一位顾客的到访顾客游逛所述商业运营场所的频次与第二频次比较均值相减(a2-x2)，到访顾客最后一次至所述商业运营场所的时间间隔与第二时间间隔比较均值相减(b2-y2)、到访顾客在所述商业运营场所的平均游逛时长与第二游逛时长比较均值相减(c2-z2)，若到访顾客游逛所述商业运营场所的频次与第二频次比较均值之差(a2-x2)最大，那么划分该顾客为一般潜在顾客；若到访顾客最后一次至所述商业运营场所的时间间隔与第二时间间隔比较均值之差(b2-y2)最大，那么划分该顾客为一般挽留顾客；若访顾客在所述商业运营场所的平均游逛时长与第二游逛时长比较均值之差(c2-z2)最大，那么划分该顾客为一般发展顾客。将划分为一般潜在顾客组成一般潜在顾客客群，划分为一般挽留顾客组成一般挽留顾客客群，划分为一般发展顾客组成一般发展顾客客群。本实施例所述的顾客价值的细分方法能够细分商业运营场所的到访顾客的游逛价值，为商业运营场所在进行多样的促销活动提供更有依据及针对性；顾客价值的细分模型的维度数据具有高可获得性，据此得到的海量数据通过机器学习的方式，使得模型排除了时间、地域的依赖性，具有广泛适用性，且能在顾客购买行为发生前,预先对顾客可能产生的购买价值高低判定。实施例二本实施例提供一种顾客价值的细分系统1，应用于商业运营场所，例如，商场，酒吧，超市等等。请参阅图4，显示为顾客价值的细分系统于一实施例中的原理结构示意图。如图4所示，所述顾客价值的细分系统1包括：第一处理模块11、第二处理模块12、计算模块13、及划分模块14。第一处理模块，用于将预定聚类算法应用于在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数，以建立所述游逛参数的评分规则；所述游逛参数用于评价顾客价值。在本实施例中，所述游逛参数包括在预定时间段(于本实施例中，所述预定时间段t为半年)内到访顾客游逛所述商业运营场所的频次(frequency/次)、到访顾客最后一次至所述商业运营场所的时间间隔(recently/天)、和/或到访顾客在所述商业运营场所的平均游逛时长(length/小时)。所述预定聚类算法为k-means聚类算法。具体地，第一处理模块用于将所述k-means聚类算法应用于在预定时间段内到访顾客游逛所述商业运营场所的频次、到访顾客最后一次至所述商业运营场所的时间间隔、和到访顾客每次在所述商业运营场所的游逛时长，获取聚类结果及频次、时间间隔、和游逛时长的聚类点分布。所述聚类结果用于初步细分客群的聚类结果。所述聚类点分布用于显示初步细分后每一类到访顾客在游逛商业运营场所的游逛参数，即频次、时间间隔、和游逛时长。根据大量的实验数据获知，在从聚类结果k值＝9之后，误差值j的变化速度下降趋于平缓。所述第一处理模块还用于根据推知的能使误差值的变化速度下降趋于平缓的聚类结果，将到访顾客的客群进行初步细分，并根据频次、时间间隔、和游逛时长的聚类点分布，分别建立在预定时间段内到访顾客游逛所述商业运营场所的频次f、到访顾客最后一次至所述商业运营场所的时间间隔r、和到访顾客在所述商业运营场所的平均游逛时长l的评分规则。与所述第一处理模块11连接的第二处理模块12用于基于所述游逛参数，确定所述游逛参数的离散程度。在本实施例中，所述在预定时间段内到访顾客游逛所述商业运营场所的频次的离散程度通过利用熵值法所计算的频次权重hf表示；所述到访顾客最后一次至所述商业运营场所的时间间隔通过利用熵值法所计算的时间间隔权重hr表示；和所述到访顾客在所述商业运营场所的平均游逛时长的离散程度通过利用熵值法所计算的游逛时长权重hl表示。与所述第二处理模块12连接的计算模块13用于根据顾客的细分标准和所述游逛参数的离散程度，计算用于对每一位到访顾客进行细分的顾客游逛价值指数。在本实施例中，顾客游逛价值指数用rfl表示，即rfl＝f×hf+r×hr+l×hl＝f×30％+r×30％+l×40％。与所述计算模块13连接的划分模块14用于按照顾客游逛价值指数对在预定时间段收集的、到访所述商业运营场所的顾客进行细分。继续参阅图4，所述划分模块14包括第一划分单元141和与所述第一划分单元141连接的第二划分单元142。具体地，所述第一划分单元141用于按照预设的不同游逛价值细分区间对所计算的顾客游逛价值指数进行第一次顾客价值划分，以获取与预设的不同游逛价值细分区间对应的顾客价值客群；所述顾客价值客群包括高价值顾客客群、重要价值顾客客群、一般价值顾客客群、及潜在价值顾客客群。在本实施例中，预设的不同游逛价值细分区间包括[4，6]，[3,4)，[2,3)，(0,2)。其中，游逛价值细分区间[4，6]对应高价值顾客客群，游逛价值细分区间[3,4)对应重要价值顾客客群，游逛价值细分区间[2,3)对应一般价值顾客客群，游逛价值细分区间(0,2)对应潜在价值顾客客群。所述第二划分单元142用于对所述重要价值顾客客群和一般价值顾客客群进行第二次顾客价值划分，以从所述重要价值顾客中划分出重要潜在顾客客群、重要挽留顾客客群、及重要发展顾客客群，从所述一般价值顾客客群中划分中一般潜力顾客客群、一般挽留顾客客群、及一般发展顾客客群，以为运营人员提供营销依据。本实施例提供一种电子设备2，请参阅图5，显示为电子设备于一实施例中的原理结构示意图。如图5所示，所述电子设备2包括上述的顾客价值的细分系统1。具体地，通过处理器和存储器实现对顾客价值的细分。处理器用于将预定聚类算法应用于在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数，以建立所述游逛参数的评分规则；基于所述游逛参数，确定所述游逛参数的离散程度；根据顾客的细分标准和所述游逛参数的离散程度，计算用于对每一位到访顾客进行细分的顾客游逛价值指数；按照顾客游逛价值指数对在预定时间段收集的、到访所述商业运营场所的顾客进行细分。与所述存储器用于存储预定聚类算法、在预定时间段收集的、到访所述商业运营场所的顾客的游逛参数等数据。该存储器可以包括只读存储器和随机存取存储器，并向处理器提供数据。存储器的一部分还可以包括非易失性随机存取存储器。综上所述，本发明所述的顾客价值的细分方法、系统及具有该系统的电子设备能够细分商业运营场所的到访顾客的游逛价值，为商业运营场所在进行多样的促销活动提供更有依据及针对性；且rfl模型的维度数据具有高可获得性，据此得到的海量数据通过机器学习的方式，使得模型排除了时间、地域的依赖性，具有广泛适用性，且能在顾客购买行为发生前,预先对顾客可能产生的购买价值高低判定。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属
技术领域：
中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。当前第1页12