一种基于售后维修记录的客户分级方法与流程

1.本发明涉及计算机领域，具体涉及一种基于售后维修记录的客户分级方法。


背景技术：

2.随着经济全球化的不断推进发展，汽车工业在全国范围内都得到了广泛的普及发展，目前中国汽车市场逐步进入存量竞争时期，汽车市场从增量市场开始向保有量市场转移，产值收益也在向售后方向转移，这就给汽车的售后服务业带来了可观的市场前景，包括汽车的维修、美容、清洗、保养、改装等业务都受到了汽车售后维修服务企业的重视。
3.汽车售后维修服务企业通常可以利用它们每年收集的大量售后维修记录对客户进行分级，挖掘出不同客户在不同时间节点的需求，主动对每个相应级别的客户进行有效管理并采样相应的营销手段，提供符合该客户级别特征的产品或服务，以确保客户价值的不断贡献。
4.然而现有的客户分级方法通常采用员工手动评估分级，效率低下，同时客户分级结果存在不客观、不准确的缺点。因此，现在亟需一种基于售后维修记录的客户分级方法来解决上述问题。


技术实现要素：

5.鉴于上述问题，提出了本技术，以便提供一种基于售后维修记录的客户分级方法，用于提高分级效率和分级准确率。
6.本技术提供了一种基于售后维修记录的客户分级方法，包括：
7.步骤s1，收集售后维修记录表，对售后维修记录表进行扫描，建立售后维修记录库，作为训练样本。
8.步骤s2，构建卷积神经网络模型，利用训练样本对卷积神经网络进行训练。
9.步骤s3，将待分级的售后维修记录表输入到训练好的卷积神经网络中，输出客户分级结果；
10.所述卷积神经网络模型包括：特征提取模块、平均池化模块和分级模块；其中，特征提取模块包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一卷积层、第二卷积层、第一求和模块、第二求和模块；
11.售后维修记录库中的售后维修记录表输入到第一卷积模块的输入端，第一卷积模块的输出端连接第二卷积模块的输入端，第二卷积模块的输出端分别连接第三卷积模块的输入端和第一卷积层的输入端，第三卷积模块的输出端连接第一求和模块的第一输入端，第一卷积层的输出端连接第一求和模块的第二输入端，第一求和模块的输出端分别连接第四卷积模块的输入端和第二卷积层的输入端，第四卷积模块的输出端连接第二求和模块的第一输入端，第二卷积层的输出端连接第二求和模块的第二输入端，第二求和模块的输出端连接平均池化模块的输入端，平均池化模块的输出端连接分级模块的输入端，分级模块的输出端输出客户分级结果。
12.进一步的，所述步骤s1具体包括：
13.步骤s11，汽车售后维修服务企业预先制作售后维修记录表；
14.步骤s12，客户或汽车售后维修服务企业工作人员对售后维修记录表中各种客户信息进行勾选；
15.步骤s13，汽车售后维修服务企业工作人员收集售后维修记录表，对售后维修记录表进行扫描，录入到售后维修记录库，作为训练样本。
16.进一步的，所述售后维修记录表包括汽车行驶里程数范围、维修次数范围、消费金额范围、汽车使用年限范围、售后满意度。
17.进一步的，所述分级模块包括依次连接的第一全连接层、激活层、dropout层、第二全连接层、输出层。
18.进一步的，所述输出层为softmax分类器。
19.进一步的，所述第一卷积层和第二卷积层采用1
×
1的卷积核。
20.进一步的，所述客户分为四类：优质客户、稳定客户、高潜力客户和低价值客户。
21.本技术的有益效果是：
22.(1)本技术提供了一种基于售后维修记录的客户分级方法，对维修记录表进行扫描，以得到图片格式的维修记录表，方便后续卷积神经网络模型对其直接识别分级，以提高分级效率。
23.(2)本技术提供了一种卷积神经网络模型，通过大尺寸卷积核的第一卷积模块、第二卷积模块提高特征转化能力和计算效率，仅在小尺寸卷积核的第三卷积模块、第四卷积模块处增加第一卷积层和第二卷积层，使得整个卷积神经网络在保证计算效率的同时，提高了卷积神经网络分级准确度。
附图说明
24.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1为本技术提供的一种基于售后维修记录的客户分级方法的流程图；
26.图2为本技术提供的卷积神经网络的结构图。
具体实施方式
27.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.在本技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
29.本技术提供了一种基于售后维修记录的客户分级方法，对维修记录表进行扫描，以得到图片格式的维修记录表，方便后续卷积神经网络模型对其直接识别分级，以提高分级效率。同时通过大尺寸卷积核的第一卷积模块、第二卷积模块提高特征转化能力和计算效率，仅在小尺寸卷积核的第三卷积模块、第四卷积模块处增加第一卷积层和第二卷积层，使得整个卷积神经网络在保证卷积神经网络计算效率的同时，提高了卷积神经网络分级准确度。
30.下面结合附图和具体实施例对本技术作进一步说明。
31.图1为本发明实施例提供的一种基于售后维修记录的客户分级方法的流程图。如图1所示，一种基于售后维修记录的客户分级方法包括：
32.步骤s1，收集售后维修记录表，对售后维修记录表进行扫描，建立售后维修记录库，作为训练样本。
33.在本发明实施例中，所述步骤s1具体包括：
34.步骤s11，汽车售后维修服务企业可以预先制作售后维修记录表，包括汽车行驶里程数范围、维修次数范围、消费金额范围、汽车使用年限范围、售后满意度等信息。
35.步骤s12，客户或汽车售后维修服务企业工作人员对售后维修记录表中各种客户信息进行勾选。
36.步骤s13，汽车售后维修服务企业工作人员收集售后维修记录表，对售后维修记录表进行扫描，录入到售后维修记录库，作为训练样本。
37.在本技术该实施例中，利用售后维修记录表记录汽车行驶里程数范围、维修次数范围、消费金额范围等客户信息，通过对维修记录表进行扫描，以得到图片格式的维修记录表，方便后续神经网络模型对其直接识别分级，以提高分级效率。
38.步骤s2，构建卷积神经网络模型，利用训练样本对卷积神经网络进行训练。
39.在本发明实施例中，如图2所示，所述卷积神经网络具体包括：特征提取模块、平均池化模块和分级模块。
40.特征提取模块包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一卷积层、第二卷积层、第一求和模块、第二求和模块；分级模块包括依次连接的第一全连接层、激活层、dropout层、第二全连接层、输出层。
41.第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块分别包括三个相同的依次连接的卷积层，第一卷积模块中每个卷积层采用7
×
7的卷积核，第二卷积模块中每个卷积层采用5
×
5的卷积核，第三卷积模块、第四卷积模块中每个卷积层采用3
×
3的卷积核，第五卷积层、第六卷积层分别采用1
×
1的卷积核。其中，第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块中卷积核的大小可以根据特征提取需要进行调整。不同卷积核可使卷积操作获得不同尺度上的图片特征信息，本技术采用不同卷积核逐层进行卷积操作，进行特征提取。
42.售后维修记录库中的售后维修记录表输入到第一卷积模块的输入端，第一卷积模块的输出端连接第二卷积模块的输入端，第二卷积模块的输出端分别连接第三卷积模块的输入端和第一卷积层的输入端，第三卷积模块的输出端连接第一求和模块的第一输入端，第一卷积层的输出端连接第一求和模块的第二输入端，第一求和模块的输出端分别连接第四卷积模块的输入端和第二卷积层的输入端，第四卷积模块的输出端连接第二求和模块的
第一输入端，第二卷积层的输出端连接第二求和模块的第二输入端，第二求和模块的输出端连接平均池化模块的输入端，平均池化模块的输出端连接分级模块的输入端，分级模块的输出端输出客户分级结果。
43.在卷积神经网络中，基于本技术售后维修记录表格的特定样式可知，客户特征信息主要集中在售后维修记录表的中间位置，其图像边缘特征信息无关紧要，因此本技术利用大尺寸卷积核提高特征转化能力，采用第一卷积模块、第二卷积模块对售后维修记录表直接进行特征提取，提高计算效率，而不注重边缘特征信息。经过多次卷积操作后，客户特征信息会逐渐变化到特征图像的边缘位置，即第二卷积模块输出的特征图像的边缘特征信息逐渐重要，因此本技术此时增加第一卷积层和第二卷积层，其采用1
×
1的卷积核，增强边缘特征信息的转化能力，与小尺寸的第三卷积模块、第四卷积模块并行处理，并将其与第三卷积模块、第四卷积模块分别进行特征求和拼接，在保证卷积神经网络计算效率的同时，提高卷积神经网络后续分级准确度。
44.因此，本技术利用大尺寸的第一卷积模块、第二卷积模块提高特征转化能力和计算效率，同时仅在小尺寸的第三卷积模块、第四卷积模块处增加第一卷积层和第二卷积层，使得整个卷积神经网络在保证卷积神经网络计算效率的同时，提高了卷积神经网络分级准确度。
45.进一步的，输出层为softmax分类器，可将客户分为四类：优质客户、稳定客户、高潜力客户和低价值客户。在本技术中，卷积神经网络根据汽车行驶里程数范围、维修次数范围、消费金额范围、汽车使用年限范围、售后满意度等客户信息进行分级，以将客户分为优质客户、稳定客户、高潜力客户和低价值客户。
46.步骤s3，将待分级的售后维修记录表输入到训练好的卷积神经网络中，输出客户分级结果。
47.上述说明示出并描述了本技术的若干优选实施例，但如前所述，应当理解本技术并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本技术的精神和范围，则都应在本技术所附权利要求的保护范围内。