一种汽车行业大数据获客方法与流程

本发明属于大数据应用技术领域，具体涉及一种汽车行业大数据获客方法。

背景技术：

传统汽车营销方式有各种缺陷影响营销效果和营销成本，如线下媒体广告虽然影响范围广，但是成本高，潜在客户转化率无法控制。展厅、车展影响范围比线下媒体更小，潜在客户的平均转化成本较高，老客户介绍影响范围最小，转化效率也较低，垂直网络线索寻找潜在客户重叠性高，客户质量较低。现实情况是已有产品的适用客户与有意向购买汽车的潜在客户之间由于缺乏针对客户需求的获客方式，导致营销成本高企、但获客效率较慢，潜在客户转化率不高。

现在虽然出现了对海量用户大数据的分析处理进行对客户针对性宣传的营销方法，但是客户在购买汽车时需要考虑的除价格因素外、还包含外观、性能、发动机等汽车关键部件的类型、品牌信任度等多方面特征，涉及的特征众多，且不同客户的关注重点也不同，因此如何判断客户对汽车各个特征的关注程度，并将各个部分综合起来评价客户最可能认可的汽车产品是现有的大数据营销方法也尚未解决的问题。

技术实现要素：

本发明的目的在于提供一种汽车行业大数据获客方法，以解决现有技术中无法对潜在客户关注的汽车各方面的特征的程度具体分析客户对汽车的需求，无法对客户针对性的推销相对应的汽车种类，从而降低了营销效果，营销人员不得不花费大量成本的问题。

所述的一种汽车行业大数据获客方法，包括下列步骤：

步骤一、采集潜在客户的网上行为数据；

步骤二、对网上行为数据进行分析识别创建相应潜在客户的数据标签；

步骤三、对潜在客户的数据标签进行分析处理生成对潜在客户的客户画像；

步骤四、根据客户画像划分客户的行为需求类型和对汽车的购买力区间，并定向到与客户的汽车需求相接近的定向汽车产品；

步骤五、根据潜在客户的汽车产品标签与定向汽车产品的定向符合度划分意向级别，将购买力区间与定向汽车产品的购买力符合度划分意向级别，将意向级别都属于高级别的潜在客户标记为相应定向汽车产品的高级别潜在客户；

步骤六、向销售部门提供潜在客户的客户画像分析报告，并集中列明高级别潜在客户，销售部门根据客户画像分析报告和客户级别有目的的对潜在客户进行营销推广。

优选的，所述网上行为数据包括客户在网上浏览互动产生的与汽车相关的汽车信息数据，本方法对汽车信息数据进行分类识别出不同的汽车产品标签，汽车产品标签包括汽车的外观、性能和部件的数据标签，用于将客户定向到定向汽车产品。

优选的，所述网上行为数据包括客户的app使用信息，所述app使用信息包括名称、app种类和使用频率，本方法根据app使用信息中使用频率达到一定阈值的app建立包含上述信息的app应用标签，用于划分客户的行为需求类型。

优选的，所述网上行为数据包括客户网上消费的产品偏好信息和消费级别信息，本方法根据产品偏好信息和消费级别信息建立消费偏好标签和消费级别标签，用于划分客户的行为需求类型和购买力区间。

优选的，所述网上行为数据包括客户的通信资费信息，本方法根据通信资费信息建立行动轨迹标签和通信资费级别标签，用于划分客户的行为需求类型和购买力区间。

优选的，本方法将app按应用场景分为商务型app和家庭型app，对客户的app应用标签进行分类后分析两种类型的app应用在应用数量中的占比，将商务型app占比不小于60％的客户分类为商务型需求，将家庭型app占比不小于60％的客户分类为家庭型需求；消费偏好标签中，属于商务用品的商品数量占比不小于60％的客户分类为商务型需求，属于家用物品的商品数量占比不小于60％的客户分类为家庭型需求。

优选的，利用所述潜在客户数据训练神经网络模型，利用训练好的神经网络模型对客户的汽车需求进行定向并对客户的购买力区间进行计算；

将不同汽车产品标签及潜在客户对该标签浏览次数、搜索次数和发言次数作为输入数据输入到bp神经网络模型，所述bp神经网络模型的输出结果为不同汽车产品标签对应的权重，定向汽车产品所符合汽车产品标签的数量与权重结合占比为定向符合度不小于阈值1；

将网上消费的产品价格和产品价格在同类产品中的分级以及通信资费数据输入到到bp神经网络模型，bp神经网络模型的输出结果为不同金额与客户实际购买力的相符可能性，相符可能性即购买力符合度大于阈值3的金额构成购买力区间。

优选的，在划分意向级别时，定向汽车产品相对客户的定向符合度不小于阈值2的客户标记为高级别意向，定向汽车产品价格相对客户的购买力符合度不小于阈值4时将客户标记为高级别意向。

本发明具有如下优点：

1、本发明能针对大部分客户关注的常规汽车的特征，如汽车的外观、性能、主要部件和品牌等关键信息建立相应的数据标签，从而有利于在生产客户画像后，对客户具体的汽车需求进行针对性分析，通过匹配不同汽车产品与汽车产品标签，从而定向到与客户需求达到一定符合度的定向汽车产品。这样本方法还能将进一步通过客户画像后生成的购买力区间和客户的行为需求类型，找出汽车需求与相应定向汽车产品符合度高，同时购买力区间与汽车产品价格符合度也高的高级别潜在客户，对这类客户进行定向汽车产品的针对性营销，成功几率大幅增加，而且相对广撒网式的传统营销方式大大减少了营销成本。

2、本发明采集过去验证过的营销结果和相关客户的多种原始数据，经过处理转化为数据标签的标准数据并构成学习数据集，通过学习数据集对神经网络模型、进行训练最后得到训练好的神经网络模型。通过这种神经网络模型对客户的大数据进行分析，相应客户的不同种类的汽车产品标签经过神经网络模型能得到相应的客户关注的权重，即对客户选择汽车的影响力，这样就能在计算定向汽车产品的定向符合度上能得到更加准确的结果。

3、与计算定向符合度类似，本发明通过数据集训练得到相应的神经网络模型以用于计算客户的购买力区间，同时得到不同金额的汽车价格与客户实际购买力相符可能性，这样能比较准确地得到不同汽车产品是否与客户购买力水平相匹配的结果，从而提高了营销的针对性。购买力符合度和定向符合度都达到一定高度的客户为需求与相应定向汽车产品高度相符的高级别客户，通过对高级别客户的重点营销能大大提高营销的成功率。

附图说明

图1为本发明中获取高级别潜在客户的流程图。

具体实施方式

下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

本发明提供了所述的一种汽车行业大数据获客方法，包括下列步骤：

步骤一、采集潜在客户的网上行为数据；

步骤二、对网上行为数据进行分析识别创建相应潜在客户的数据标签；

步骤三、对潜在客户的数据标签进行分析处理生成对潜在客户的客户画像；

步骤四、根据客户画像划分客户的行为需求类型和对汽车的购买力区间，并定向到与客户的汽车需求相接近的定向汽车产品；

步骤五、根据潜在客户的汽车产品标签与定向汽车产品的定向符合度对客户的信心划分意向级别，将购买力区间与定向汽车产品的购买力符合度对客户的购买力划分意向级别，将意向级别都属于高级别的潜在客户标记为相应定向汽车产品的高级别潜在客户；

步骤六、向销售部门提供潜在客户的客户画像分析报告，并集中列明高级别潜在客户，销售部门根据客户画像分析报告和客户级别有目的的对潜在客户进行营销推广。客户画像分析报告除了系统生成的客户画像信息还包括与客户对应的定向汽车产品、标注位于客户购买力区间内的汽车产品。信心和购买力的意向属于高级别的还会在对应汽车产品上进行标注。这样销售部门能直观地了解客户的级别以及客户喜好类型和购买力所适合的汽车产品。

本方法中，所述网上行为数据包括：

1)、客户在网上浏览互动产生的与汽车相关的汽车信息数据，如客户在垂直网站中的浏览痕迹、浏览和搜索汽车相关的产品资讯、以及论坛互动过程中参与话题所包含的汽车内容；

2)、客户网上消费的产品偏好信息和消费级别信息；

3)、客户的app使用信息，所述app使用信息包括名称、app种类和使用频率，由此得到使用达到一定频率的活跃app的分类及其使用频率，特别是汽车类app信息是获取重点；

4)、客户的通信资费信息，根据通话的所属地区可以得到客户的行动轨迹。

本方法对汽车信息数据进行分类识别出不同的汽车产品标签，汽车产品标签包括汽车的外观、性能和部件的数据标签，用于将客户定向到定向汽车产品。汽车产品标签包含的信息可以包括如蓝色、花纹、外形等外观特征，如智能、高科技等宣传特征，如大空间、七座等使用特征，9速、2.0t等性能规格特征，led大灯、发动机等汽车部件特征，以及如德国品牌、宝马等品牌特征。

本方法根据产品偏好信息和消费级别信息建立消费偏好标签和消费级别标签，用于划分客户的行为需求类型和购买力区间。本方法根据通信资费信息建立行动轨迹标签和通信资费级别标签，用于划分客户的行为需求类型和购买力区间。其中客户行动轨迹分布广泛的可以定义为商务型需求，否则为家庭型需求

本方法将app按应用场景分为商务型app和家庭型app，对客户的app应用标签进行分类后分析两种类型的app应用在应用数量中的占比，将商务型app占比不小于60％的客户分类为商务型需求，将家庭型app占比不小于60％的客户分类为家庭型需求；消费偏好标签中，属于商务用品的商品数量占比不小于60％的客户分类为商务型需求，属于家用物品的商品数量占比不小于60％的客户分类为家庭型需求。客户可以既属于商务型需求又属于家庭型需求。

本方法在进行大数据分析后通过人口属性和行为特征对客户进行画像。人口属性主要指用户的年龄、性别、所在的省份和城市、教育程度、婚姻情况、生育情况、工作所在的行业和职业等。行为特征主要包含活跃度、忠诚度等指标。如针对媒体，还有搜索引擎或通用导航类网站采集的信息，往往会提取用户对浏览内容的兴趣特征，比如体育类、娱乐类、美食类、理财类、旅游类、房产类、汽车类等等。产品偏好信息主要指用户在网购时的类目偏好，比如服饰类、箱包类、居家类、母婴类、洗护类、饮食类等。消费级别信息既包括用户总的消费水平所在的级别也包括与汽车相关的产品或大件产品中其消费的金额在相应产品类目下所处的级别。由此得到的客户画像能一定程度得到用户的行为偏好和相应消费类别中的消费级别。

为了更准确地获得定向汽车产品和购买力区间，本方法利用所述潜在客户数据训练神经网络模型，利用训练好的神经网络模型对客户的汽车需求进行定向并对客户的购买力区间进行计算。

对于汽车产品的定向，本方法将不同汽车产品标签及潜在客户对该标签浏览次数、搜索次数和发言次数作为输入数据输入到bp神经网络模型，所述bp神经网络模型的输出结果为不同汽车产品标签对应的权重。之后根据汽车产品标签找寻与之相符的汽车产品，汽车产品所符合汽车产品标签的数量与权重结合占比为定向符合度不小于阈值1，将其定义为该客户的定向汽车产品，这样可以得到一定数量的定向汽车产品，对于不同的定向汽车产品根据定向符合度标记客户相对应的信心属于什么意向级别。如果汽车产品标签的总数为i，各个汽车产品标签的权重依次为x1、x2、x3、……xi，定向符合度a等于相符的汽车产品标签的权重之和与所有汽车产品标签的权重之和两者间的百分比值。

对于购买力区间的评估，本方法将网上消费的产品价格和产品价格在同类产品中的分级以及通信资费数据输入到到bp神经网络模型，bp神经网络模型的输出结果为不同金额与客户实际购买力的相符可能性，相符可能性即购买力符合度是一个百分比值，如果购买力符合度大于一定阈值3的金额构成购买力区间，对于不同汽车价格的金额对应的购买力符合度标记客户相对应的购买力属于什么意向级别。

在划分意向级别时，定向汽车产品相对客户的定向符合度不小于阈值2时将客户的信心标记为高级别意向，并标明对应的定向汽车产品。定向汽车产品价格相对客户的购买力符合度不小于阈值4时将客户的购买力标记为高级别意向，并标明对应的定向汽车产品，当对同一汽车产品客户的信心和购买力均为高级别意向，则将该客户标记为高级别潜在客户，并标明相应的汽车产品。本方法中阈值2和阈值4均为80％。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。