客户资源的分配方法、装置、设备及存储介质与流程

本申请涉及到人工智能技术领域，特别是涉及到一种客户资源的分配方法、装置、设备及存储介质。

背景技术：

在现有技术的销售中对潜在客户的分配，采用随机分配的方法，从而使业务员的营销能力与被分配到的潜在客户的匹配度不高，导致销售的成功率不高，造成人力成本的浪费。

技术实现要素：

本申请的主要目的为提供一种客户资源的分配方法、装置、设备及存储介质，旨在解决现有技术采用对潜在客户进行随机分配的方法，使业务员的营销能力与被分配到的潜在客户的匹配度不高，导致销售的成功率不高的技术问题。

为了实现上述发明目的，本申请提出一种客户资源的分配方法，所述方法包括：

获取目标人员的成功客户特征向量集；

对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；

从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；

获取待分配的客户特征向量集；

根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；

分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；

从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。

进一步的，所述对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集的步骤，包括：

分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度；

分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离；

分别将所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度和所述待分析的第一高局部密度最小欧氏距离进行相乘计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析密度距离；

采用第一预设数量从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析密度距离中获取所述第一待分析密度距离，得到所述成功客户特征向量集对应的多个第一目标聚类中心；

根据所述成功客户特征向量集对应的多个第一目标聚类中心和所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度进行聚类分群，得到所述成功客户特征向量集对应的多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集。

进一步的，所述分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度的步骤，包括：

分别对所述成功客户特征向量集中的所有所述成功客户特征向量进行两两之间的欧氏距离计算，得到所述成功客户特征向量集对应的待处理的欧氏距离集合；

分别根据所述成功客户特征向量集对应的所述待处理的欧氏距离集合对所述成功客户特征向量集中的每个所述成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度；

第一待分析局部密度的计算公式ρi为：

其中，ρi是所述成功客户特征向量集的第i个所述成功客户特征向量对应的所述第一待分析局部密度；m是所述成功客户特征向量集中所述成功客户特征向量的数量；dc是预设的截断距离，是一个常量；dij是所述成功客户特征向量集的第i个所述成功客户特征向量和第j个所述成功客户特征向量之间的所述待处理的欧氏距离；x是自变量，也就是dij-dc；当dij-dc小于0时确定x(x)等于1，否则确定x(x)等于0。

进一步的，所述分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离的步骤，包括：

从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度；

从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中找出大于所述目标第一待分析局部密度的所述第一待分析局部密度，得到所述目标第一待分析局部密度对应的待分析高局部密度集；

分别计算所述待分析高局部密度集中每个所述第一待分析局部密度对应的所述成功客户特征向量与所述目标第一待分析局部密度对应的所述成功客户特征向量之间的欧氏距离，得到所述目标第一待分析局部密度对应的待分析的欧氏距离集；

从所述待分析的欧氏距离集中获取最小值，得到所述目标第一待分析局部密度对应的所述成功客户特征向量的所述待分析的第一高局部密度最小欧氏距离；

重复执行所述从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述待分析的第一高局部密度最小欧氏距离。

进一步的，所述根据所述成功客户特征向量集对应的多个第一目标聚类中心和所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度进行聚类分群，得到所述成功客户特征向量集对应的多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集的步骤，包括：

分别对所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度与所述成功客户特征向量集对应的所述多个第一目标聚类中心对应的每个所述第一待分析密度距离进行相减计算和绝对值计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的聚类中心距离差值集；

分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述聚类中心距离差值集中找出最小值，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一目标聚类中心距离差值；

从所述成功客户特征向量集对应的多个第一目标聚类中心中提取出一个所述第一目标聚类中心作为待分群的第一目标聚类中心；

分别将所述待分群的第一目标聚类中心对应的每个所述第一目标聚类中心距离差值对应的所述成功客户特征向量归类到同一个聚类集，得到所述待分群的第一目标聚类中心对应的所述成功客户特征向量聚类集；

重复执行所述从所述成功客户特征向量集对应的多个第一目标聚类中心中提取出一个所述第一目标聚类中心作为待分群的第一目标聚类中心的步骤，直至确定所述成功客户特征向量集对应的所述多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集。

进一步的，所述根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集的步骤，包括：

对所述最佳成功客户特征向量聚类集中每个所述成功客户特征向量进行标记，得到标记后的最佳成功客户特征向量聚类集；

将所述标记后的最佳成功客户特征向量聚类集和所述待分配的客户特征向量集放入一个集合，得到待聚类的客户特征向量集；

对所述待聚类的客户特征向量集进行聚类分群，得到所述多个待分析的客户特征向量聚类集。

进一步的，所述对所述待聚类的客户特征向量集进行聚类分群，得到所述多个待分析的客户特征向量聚类集的步骤，包括：

分别对所述待聚类的客户特征向量集中的每个客户特征向量进行局部密度计算，得到所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的第二待分析局部密度；

分别对所述待聚类的客户特征向量集的每个所述客户特征向量对应的所述第二待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的待分析的第二高局部密度最小欧氏距离；

分别将所述待聚类的客户特征向量集的每个所述客户特征向量对应的所述第二待分析局部密度和所述待分析的第二高局部密度最小欧氏距离进行相乘计算，得到所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的第二待分析密度距离；

采用第二预设数量从所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的所述第二待分析密度距离中获取所述第二待分析密度距离，得到所述待聚类的客户特征向量集对应的多个第二目标聚类中心；

根据所述待聚类的客户特征向量集对应的所述多个第二目标聚类中心和所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的所述第二待分析局部密度进行聚类分群，得到所述多个待分析的客户特征向量聚类集。

本申请还提出了一种客户资源的分配装置，所述装置包括：

第一数据获取模块，用于获取目标人员的成功客户特征向量集；

成功客户特征向量聚类集确定模块，用于对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；

最佳成功客户特征向量聚类集确定模块，用于从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；

第二数据获取模块，用于获取待分配的客户特征向量集；

待分析的客户特征向量聚类集确定模块，用于根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；

最佳成功客户特征向量数量确定模块，用于分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；

目标客户集确定模块，用于从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。

本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请的客户资源的分配方法、装置、设备及存储介质，通过先对目标人员的成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集，从多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的成功客户特征向量聚类集，得到成功客户特征向量集对应的最佳成功客户特征向量聚类集，然后再根据最佳成功客户特征向量聚类集和待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集，分别对多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于最佳成功客户特征向量聚类集的数量统计，得到多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量，最后从多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量中找出最大的最佳成功客户特征向量数量，根据最大的最佳成功客户特征向量数量对应的待分析的客户特征向量聚类集，得到目标人员的目标客户集，从而实现了先发现目标人员最擅长销售的客户群体，然后根据目标人员最擅长销售的客户群体分配潜在客户，从而使分配给目标人员的目标客户集与目标人员的营销能力的匹配度较高，有利于提高销售的成功率，提高了销售效率。

附图说明

图1为本申请一实施例的客户资源的分配方法的流程示意图；

图2为本申请一实施例的客户资源的分配装置的结构示意框图；

图3为本申请一实施例的计算机设备的结构示意框图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

为了解决现有技术采用对潜在客户进行随机分配的方法，使业务员的营销能力与被分配到的潜在客户的匹配度不高，导致销售的成功率不高的技术问题，本申请提了一种客户资源的分配方法，所述方法应用于人工智能技术领域。所述客户资源的分配方法采用聚类分群的方法先发现目标人员最擅长销售的客户群体，然后根据目标人员最擅长销售的客户群体分配潜在客户，从而使分配给目标人员的目标客户集与目标人员的营销能力的匹配度较高，有利于提高销售的成功率，提高了销售效率。

参照图1，本申请实施例中提供一种客户资源的分配方法，所述方法包括：

s1：获取目标人员的成功客户特征向量集；

s2：对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；

s3：从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；

s4：获取待分配的客户特征向量集；

s5：根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；

s6：分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；

s7：从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。

本实施例通过先对目标人员的成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集，从多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的成功客户特征向量聚类集，得到成功客户特征向量集对应的最佳成功客户特征向量聚类集，然后再根据最佳成功客户特征向量聚类集和待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集，分别对多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于最佳成功客户特征向量聚类集的数量统计，得到多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量，最后从多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量中找出最大的最佳成功客户特征向量数量，根据最大的最佳成功客户特征向量数量对应的待分析的客户特征向量聚类集，得到目标人员的目标客户集，从而实现了先发现目标人员最擅长销售的客户群体，然后根据目标人员最擅长销售的客户群体分配潜在客户，从而使分配给目标人员的目标客户集与目标人员的营销能力的匹配度较高，有利于提高销售的成功率，提高了销售效率。

对于s1，可以从数据库中获取目标人员的成功客户特征向量集，也可以是用户输入的目标人员的成功客户特征向量集，还可以是第三方应用系统发送的目标人员的成功客户特征向量集。

目标人员，是指待分配客户的业务员。

成功客户特征向量集中包括多个成功客户特征向量，每个成功客户特征向量对应一个客户。成功客户特征向量，是指已经销售成功的客户特征向量。

客户特征向量中的向量元素代表目标人员历史成功销售的客户的客户特征。比如，客户特征包括但不限于：性别、年龄范围、地点、一人多车、车型、出险次数、驾龄、电销结果分类，在此举例不做具体限定。

可选的，所述获取目标人员的成功客户特征向量集的步骤，包括：获取所述目标人员的历史成功销售数据；从所述历史成功销售数据进行每个客户的特征提取，得到所述历史成功销售数据对应的所述成功客户特征向量集。

可选的，当所述目标人员的所述成功客户特征向量集中的所述成功客户特征向量的数量大于预设成功客户数量时，执行步骤s2至步骤s7。可以理解的是，当所述目标人员的所述成功客户特征向量集中的所述成功客户特征向量的数量大于预设成功客户数量时，意味着可以挖掘出目标人员最擅长销售的客户群体，此时通过步骤s2至步骤s7确定目标人员的目标客户集，有利于提高确定的目标人员的目标客户集的准确性，有利于提高销售的成功率。

可选的，预设成功客户数量设置为100。

对于s2，采用密度峰值聚类算法对所述成功客户特征向量集进行聚类分群，将聚类分群得到的每一个集合作为一个成功客户特征向量聚类集。

对于s3，从所述多个成功客户特征向量聚类集中找出成功客户特征向量的数量最多的所述成功客户特征向量聚类集，将找到的所述成功客户特征向量聚类集作为所述成功客户特征向量集对应的最佳成功客户特征向量聚类集。

对于s4，可以从数据库中获取待分配的客户特征向量集，也可以是用户输入的待分配的客户特征向量集，还可以是第三方应用系统发送的待分配的客户特征向量集。

待分配的客户特征向量集，也就是需要分配给业务员进行销售的客户的客户特征向量集。

待分配的客户特征向量集中包括至少一个客户特征向量。

可选的，获取待分配的客户数据；分别对所述待分配的客户数据进行每个客户的特征提取，得到待分配的客户特征向量集。

对于s5，将所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集组合成一个集合，然后采用密度峰值聚类算法对组合得到的集合中的客户特征向量进行聚类分群，将聚类分群得到的每一个集合作为一个待分析的客户特征向量聚类集。

对于s6，从所述多个待分析的客户特征向量聚类集中提取一个待分析的客户特征向量聚类集作为目标待分析的客户特征向量聚类集；计算目标待分析的客户特征向量聚类集中来源于所述最佳成功客户特征向量聚类集的客户特征向量的数量，将计算得到的数量作为目标待分析的客户特征向量聚类集对应的最佳成功客户特征向量数量；重复执行从所述多个待分析的客户特征向量聚类集中提取一个待分析的客户特征向量聚类集作为目标待分析的客户特征向量聚类集的步骤，直至确定所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量。

对于s7，从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，将找到的所述最佳成功客户特征向量数量作为得到目标最佳成功客户特征向量数量；将所述目标最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集作为目标客户特征向量聚类集；将目标客户特征向量聚类集对应的所有客户作为所述目标人员的所述目标客户集。

在一个实施例中，上述对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集的步骤，包括：

s21：分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度；

s22：分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离；

s23：分别将所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度和所述待分析的第一高局部密度最小欧氏距离进行相乘计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析密度距离；

s24：采用第一预设数量从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析密度距离中获取所述第一待分析密度距离，得到所述成功客户特征向量集对应的多个第一目标聚类中心；

s25：根据所述成功客户特征向量集对应的多个第一目标聚类中心和所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度进行聚类分群，得到所述成功客户特征向量集对应的多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集。

本实施例实现了采用密度峰值聚类算法对所述成功客户特征向量集进行聚类分群，从而为确定目标人员最擅长销售的客户群体提供了数据基础。

对于s21，从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量；根据所述成功客户特征向量集对目标成功客户特征向量进行局部密度计算，得到目标成功客户特征向量对应的第一待分析局部密度；重复执行所述从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度。

对于s22，从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量；将目标成功客户特征向量对应的所述第一待分析局部密度进行最小欧氏距离进行高局部密度的确定和最小欧氏距离的确定，得到目标成功客户特征向量对应的待分析的第一高局部密度最小欧氏距离；重复执行所述从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离。

对于s23，从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量；将目标成功客户特征向量对应的所述第一待分析局部密度和目标成功客户特征向量对应的所述待分析的第一高局部密度最小欧氏距离进行相乘计算，得到目标成功客户特征向量对应的第一待分析密度距离；重复执行所述从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析密度距离。

对于s24，将所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析密度距离采用降序排序，从排序后的所有所述第一待分析密度距离中从头开始提取，提取出第一预设数量的所述第一待分析密度距离，将提取出的每个所述第一待分析密度距离作为一个第一目标聚类中心。也就是说，所述成功客户特征向量集对应的多个第一目标聚类中心中每个第一目标聚类中心对应一个第一待分析密度距离。

对于s25，根据所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度将所述成功客户特征向量集中的成功客户特征向量聚类分群到所述成功客户特征向量集对应的多个第一目标聚类中心，聚类分群结束，每个第一目标聚类中心对应一个成功客户特征向量聚类集。

在一个实施例中，上述分别对所述成功客户特征向量集中的每个成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一待分析局部密度的步骤，包括：

s211：分别对所述成功客户特征向量集中的所有所述成功客户特征向量进行两两之间的欧氏距离计算，得到所述成功客户特征向量集对应的待处理的欧氏距离集合；

s212：分别根据所述成功客户特征向量集对应的所述待处理的欧氏距离集合对所述成功客户特征向量集中的每个所述成功客户特征向量进行局部密度计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度；

第一待分析局部密度的计算公式ρi为：

其中，ρi是所述成功客户特征向量集的第i个所述成功客户特征向量对应的所述第一待分析局部密度；m是所述成功客户特征向量集中所述成功客户特征向量的数量；dc是预设的截断距离，是一个常量；dij是所述成功客户特征向量集的第i个所述成功客户特征向量和第j个所述成功客户特征向量之间的所述待处理的欧氏距离；x是自变量，也就是dij-dc；当dij-dc小于0时确定x(x)等于1，否则确定x(x)等于0。

本实施例实现了基于欧式距离进行局部密度计算，从而为对所述成功客户特征向量集进行聚类分群提供了数据基础。

对于s211，从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量；分别计算目标成功客户特征向量与所述成功客户特征向量集中每个成功客户特征向量之间的欧氏距离，得到目标成功客户特征向量对应的多个待处理的欧氏距离；重复执行所述从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量的步骤，直至确定所述成功客户特征向量集中所有所述成功客户特征向量各自对应的多个待处理的欧氏距离，将所有待处理的欧氏距离作为所述成功客户特征向量集对应的待处理的欧氏距离集合。

对于s212，从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量；根据目标成功客户特征向量对应的所有待处理的欧氏距离对目标成功客户特征向量进行局部密度计算，得到目标成功客户特征向量对应的所述第一待分析局部密度；重复执行所述从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度。

其中，所述预设的截断距离可以是用户输入的，还可以是存储在数据库中的，也可以第三方应用系统发送的。可以理解的是，可以将所述预设的截断距离写入实现申请的程序文件中。

在一个实施例中，上述分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述第一待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的待分析的第一高局部密度最小欧氏距离的步骤，包括：

s221：从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度；

s222：从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中找出大于所述目标第一待分析局部密度的所述第一待分析局部密度，得到所述目标第一待分析局部密度对应的待分析高局部密度集；

s223：分别计算所述待分析高局部密度集中每个所述第一待分析局部密度对应的所述成功客户特征向量与所述目标第一待分析局部密度对应的所述成功客户特征向量之间的欧氏距离，得到所述目标第一待分析局部密度对应的待分析的欧氏距离集；

s224：从所述待分析的欧氏距离集中获取最小值，得到所述目标第一待分析局部密度对应的所述成功客户特征向量的所述待分析的第一高局部密度最小欧氏距离；

s225：重复执行所述从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，得到目标第一待分析局部密度的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述待分析的第一高局部密度最小欧氏距离。

本实施例实现了进行高局部密度的确定和最小欧氏距离的确定得到待分析的第一高局部密度最小欧氏距离，从而为对所述成功客户特征向量集进行聚类分群提供了数据基础。

对于s221，从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中获取一个所述第一待分析局部密度，将获取的所述第一待分析局部密度作为目标第一待分析局部密度。

对于s222，从所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度中找出大于所述目标第一待分析局部密度的所述第一待分析局部密度，将找出的所有所述第一待分析局部密度作为所述目标第一待分析局部密度对应的待分析高局部密度集，从而对目标第一待分析局部密度实现了高局部密度的确定。

对于s223，分别计算所述待分析高局部密度集中每个所述第一待分析局部密度对应的所述成功客户特征向量与所述目标第一待分析局部密度对应的所述成功客户特征向量之间的欧氏距离，从而实现了最小欧氏距离的确定。

对于s224，从所述目标第一待分析局部密度对应的待分析的欧氏距离集中获取最小值，将获取的待分析的欧氏距离作为所述目标第一待分析局部密度对应的所述成功客户特征向量的所述待分析的第一高局部密度最小欧氏距离。

对于s225，重复执行步骤s221至步骤s226，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述待分析的第一高局部密度最小欧氏距离。

在一个实施例中，上述根据所述成功客户特征向量集对应的多个第一目标聚类中心和所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度进行聚类分群，得到所述成功客户特征向量集对应的多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集的步骤，包括：

s251：分别对所述成功客户特征向量集的所有所述成功客户特征向量各自对应的所述第一待分析局部密度与所述成功客户特征向量集对应的所述多个第一目标聚类中心对应的每个所述第一待分析密度距离进行相减计算和绝对值计算，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的聚类中心距离差值集；

s252：分别对所述成功客户特征向量集的每个所述成功客户特征向量对应的所述聚类中心距离差值集中找出最小值，得到所述成功客户特征向量集的所有所述成功客户特征向量各自对应的第一目标聚类中心距离差值；

s253：从所述成功客户特征向量集对应的多个第一目标聚类中心中提取出一个所述第一目标聚类中心作为待分群的第一目标聚类中心；

s254：分别将所述待分群的第一目标聚类中心对应的每个所述第一目标聚类中心距离差值对应的所述成功客户特征向量归类到同一个聚类集，得到所述待分群的第一目标聚类中心对应的所述成功客户特征向量聚类集；

s255：重复执行所述从所述成功客户特征向量集对应的多个第一目标聚类中心中提取出一个所述第一目标聚类中心作为待分群的第一目标聚类中心的步骤，直至确定所述成功客户特征向量集对应的所述多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集。

本实施例实现了采用密度峰值聚类算法对所述成功客户特征向量集进行聚类分群，从而为确定目标人员最擅长销售的客户群体提供了数据基础。

对于s251，从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量；分别将目标成功客户特征向量对应的所述第一待分析局部密度减去与所述成功客户特征向量集对应的所述多个第一目标聚类中心对应的每个所述第一待分析密度距离，得到目标成功客户特征向量对应的多个待处理密度差值；分别对目标成功客户特征向量对应的每个待处理密度差值进行绝对值计算，得到目标成功客户特征向量对应的聚类中心距离差值集；重复所述从所述成功客户特征向量集中获取一个成功客户特征向量作为目标成功客户特征向量的步骤，直至确定所述成功客户特征向量集的所有所述成功客户特征向量各自对应的聚类中心距离差值集。

对于s253，依次从所述成功客户特征向量集对应的多个第一目标聚类中心中提取出一个所述第一目标聚类中心作为待分群的第一目标聚类中心。

对于s254，分别将所述待分群的第一目标聚类中心对应的每个所述第一目标聚类中心距离差值对应的所述成功客户特征向量归类到同一个聚类集，将得到的聚类集作为所述待分群的第一目标聚类中心对应的所述成功客户特征向量聚类集，也就是所述成功客户特征向量聚类集中的所有所述成功客户特征向量各自对应的所述第一目标聚类中心距离差值的都是根据所述待分群的第一目标聚类中心对应的所述第一待分析密度距离得到的。

对于s255，重复执行步骤s252至步骤s255，直至确定所述成功客户特征向量集对应的所述多个第一目标聚类中心各自对应的所述成功客户特征向量聚类集。

在一个实施例中，上述根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集的步骤，包括：

s51：对所述最佳成功客户特征向量聚类集中每个所述成功客户特征向量进行标记，得到标记后的最佳成功客户特征向量聚类集；

s52：将所述标记后的最佳成功客户特征向量聚类集和所述待分配的客户特征向量集放入一个集合，得到待聚类的客户特征向量集；

s53：对所述待聚类的客户特征向量集进行聚类分群，得到所述多个待分析的客户特征向量聚类集。

本实施例实现了先对所述成功客户特征向量进行标记，然后再进行聚类分群，为后续计算最佳成功客户特征向量数量提供了数据基础。

对于s51，采用标记符号对所述最佳成功客户特征向量聚类集中每个所述成功客户特征向量进行标记，将所有携带有标记符号的成功客户特征向量作为标记后的最佳成功客户特征向量聚类集。

对于s52，将所述标记后的最佳成功客户特征向量聚类集和所述待分配的客户特征向量集放入一个集合，将得到的集合作为待聚类的客户特征向量集。

对于s53，采用密度峰值聚类算法对所述待聚类的客户特征向量集进行聚类分群，将聚类分群得到的每一个集合作为一个待分析的客户特征向量聚类集。

在一个实施例中，上述对所述待聚类的客户特征向量集进行聚类分群，得到所述多个待分析的客户特征向量聚类集的步骤，包括：

s531：分别对所述待聚类的客户特征向量集中的每个客户特征向量进行局部密度计算，得到所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的第二待分析局部密度；

s532：分别对所述待聚类的客户特征向量集的每个所述客户特征向量对应的所述第二待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的待分析的第二高局部密度最小欧氏距离；

s533：分别将所述待聚类的客户特征向量集的每个所述客户特征向量对应的所述第二待分析局部密度和所述待分析的第二高局部密度最小欧氏距离进行相乘计算，得到所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的第二待分析密度距离；

s534：采用第二预设数量从所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的所述第二待分析密度距离中获取所述第二待分析密度距离，得到所述待聚类的客户特征向量集对应的多个第二目标聚类中心；

s535：根据所述待聚类的客户特征向量集对应的所述多个第二目标聚类中心和所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的所述第二待分析局部密度进行聚类分群，得到所述多个待分析的客户特征向量聚类集。

本实施例实现了采用密度峰值聚类算法对所述待聚类的客户特征向量集进行聚类分群，从而为根据目标人员最擅长销售的客户群体分配潜在客户提供了数据基础。

对于s531，从所述待聚类的客户特征向量集中获取一个客户特征向量作为目标客户特征向量；根据所述待聚类的客户特征向量集对目标客户特征向量进行局部密度计算，得到目标客户特征向量对应的第二待分析局部密度；重复执行所述从所述待聚类的客户特征向量集中获取一个客户特征向量作为目标客户特征向量的步骤，直至确定所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的第二待分析局部密度。

对于s532，从所述待聚类的客户特征向量集中获取一个客户特征向量作为目标客户特征向量；将目标客户特征向量对应的所述第二待分析局部密度进行高局部密度的确定和最小欧氏距离的确定，得到目标客户特征向量对应的待分析的第二高局部密度最小欧氏距离；重复执行所述从所述待聚类的客户特征向量集中获取一个客户特征向量作为目标客户特征向量的步骤，直至确定所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的待分析的第二高局部密度最小欧氏距离。

对于s533，从所述待聚类的客户特征向量集中获取一个客户特征向量作为目标客户特征向量；将目标客户特征向量对应的所述第二待分析局部密度和目标客户特征向量对应的所述待分析的第二高局部密度最小欧氏距离进行相乘计算，得到目标客户特征向量对应的第二待分析密度距离；重复执行所述从所述待聚类的客户特征向量集中获取一个客户特征向量作为目标客户特征向量的步骤，直至确定所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的第二待分析密度距离。

对于s534，将所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的所述第二待分析密度距离采用降序排序，从排序后的所有所述第二待分析密度距离中从头开始提取，提取出第一预设数量的所述第二待分析密度距离，将提取出的每个所述第二待分析密度距离作为一个第二目标聚类中心。也就是说，所述待聚类的客户特征向量集对应的多个第二目标聚类中心中每个第二目标聚类中心对应一个第二待分析密度距离。

对于s535，根据所述待聚类的客户特征向量集的所有所述客户特征向量各自对应的所述第二待分析局部密度将所述待聚类的客户特征向量集中的客户特征向量聚类分群到所述待聚类的客户特征向量集对应的多个第二目标聚类中心，聚类分群结束，每个第二目标聚类中心对应一个待分析的客户特征向量聚类集。

参照图2，本申请还提出了一种客户资源的分配装置，所述装置包括：

第一数据获取模块100，用于获取目标人员的成功客户特征向量集；

成功客户特征向量聚类集确定模块200，用于对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；

最佳成功客户特征向量聚类集确定模块300，用于从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；

第二数据获取模块400，用于获取待分配的客户特征向量集；

待分析的客户特征向量聚类集确定模块500，用于根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；

最佳成功客户特征向量数量确定模块600，用于分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；

目标客户集确定模块700，用于从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。

本实施例通过先对目标人员的成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集，从多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的成功客户特征向量聚类集，得到成功客户特征向量集对应的最佳成功客户特征向量聚类集，然后再根据最佳成功客户特征向量聚类集和待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集，分别对多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于最佳成功客户特征向量聚类集的数量统计，得到多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量，最后从多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量中找出最大的最佳成功客户特征向量数量，根据最大的最佳成功客户特征向量数量对应的待分析的客户特征向量聚类集，得到目标人员的目标客户集，从而实现了先发现目标人员最擅长销售的客户群体，然后根据目标人员最擅长销售的客户群体分配潜在客户，从而使分配给目标人员的目标客户集与目标人员的营销能力的匹配度较高，有利于提高销售的成功率，提高了销售效率。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存客户资源的分配方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种客户资源的分配方法。所述客户资源的分配方法，包括：获取目标人员的成功客户特征向量集；对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；获取待分配的客户特征向量集；根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。

本实施例通过先对目标人员的成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集，从多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的成功客户特征向量聚类集，得到成功客户特征向量集对应的最佳成功客户特征向量聚类集，然后再根据最佳成功客户特征向量聚类集和待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集，分别对多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于最佳成功客户特征向量聚类集的数量统计，得到多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量，最后从多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量中找出最大的最佳成功客户特征向量数量，根据最大的最佳成功客户特征向量数量对应的待分析的客户特征向量聚类集，得到目标人员的目标客户集，从而实现了先发现目标人员最擅长销售的客户群体，然后根据目标人员最擅长销售的客户群体分配潜在客户，从而使分配给目标人员的目标客户集与目标人员的营销能力的匹配度较高，有利于提高销售的成功率，提高了销售效率。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种客户资源的分配方法，包括步骤：获取目标人员的成功客户特征向量集；对所述成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集；从所述多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的所述成功客户特征向量聚类集，得到所述成功客户特征向量集对应的最佳成功客户特征向量聚类集；获取待分配的客户特征向量集；根据所述最佳成功客户特征向量聚类集和所述待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集；分别对所述多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于所述最佳成功客户特征向量聚类集的数量统计，得到所述多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量；从所述多个待分析的客户特征向量聚类集各自对应的所述最佳成功客户特征向量数量中找出最大的所述最佳成功客户特征向量数量，根据最大的所述最佳成功客户特征向量数量对应的所述待分析的客户特征向量聚类集，得到所述目标人员的目标客户集。

上述执行的客户资源的分配方法，通过先对目标人员的成功客户特征向量集进行聚类分群，得到多个成功客户特征向量聚类集，从多个成功客户特征向量聚类集中获取成功客户特征向量的数量最多的成功客户特征向量聚类集，得到成功客户特征向量集对应的最佳成功客户特征向量聚类集，然后再根据最佳成功客户特征向量聚类集和待分配的客户特征向量集进行聚类分群，得到多个待分析的客户特征向量聚类集，分别对多个待分析的客户特征向量聚类集中每个待分析的客户特征向量聚类集进行归属于最佳成功客户特征向量聚类集的数量统计，得到多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量，最后从多个待分析的客户特征向量聚类集各自对应的最佳成功客户特征向量数量中找出最大的最佳成功客户特征向量数量，根据最大的最佳成功客户特征向量数量对应的待分析的客户特征向量聚类集，得到目标人员的目标客户集，从而实现了先发现目标人员最擅长销售的客户群体，然后根据目标人员最擅长销售的客户群体分配潜在客户，从而使分配给目标人员的目标客户集与目标人员的营销能力的匹配度较高，有利于提高销售的成功率，提高了销售效率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。