基于信息融合的业务分配方法和分配系统与流程

本技术涉及信息管理方法领域，具体而言，涉及一种基于信息融合的业务分配方法和分配系统。

背景技术：

1、卷烟的零售商户的运营情况不一样，所以对于不同的零售商户而言，其具有不同的隐性需求。在对这些零售商户的内部管理过程中，需要及时的发现这些用户的需求，然后及时的派遣营销人员，去对这些商户需求进行挖掘和处理。

2、现有技术中，通常是人为随机分配营销人员，容易出错且效率低下，容易出错体现在时常出现同一商户需求被不同人员重复处理、部分商户需求遗漏处理等情况，效率低下一方面是体现在人工分配效率低，另一方面体现在营销人员与商户需求不匹配，导致商户需求处理效率低。换言之，现有技术中存在资源分配不合理导致容易出错和效率低的问题，同时也存在部分资源浪费的问题。

技术实现思路

1、本技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、作为本技术的第一个方面，为了解决现有的营销分配系统中只关注商户信息，而没有关注内部营销人员信息的技术问题，提供了一种基于信息融合的业务分配方法：包括如下步骤：

3、步骤1：收集客户的订单历史信息和客户的经营信息建立客户画像；

4、步骤2：收集营销人员的数据信息和对应的营销业绩信息建立营销人员画像；

5、步骤3：基于蚂蚁算法建立客户画像和营销人员画像的匹配模型；

6、步骤4：将客户画像和营销人员画像输入至匹配模型，生成各营销人员与各待处理客户的访问顺序。

7、本技术所提供的技术方案中，基于蚂蚁算法建立客户和营销人员的匹配模型。将客户分别分配到对应的营销人员手中，所以避免了同一个客户分配给几个营销人员，使得营销人员重复拜访客户，而导致公司整体的营销资源浪费的问题。同时，将客户画像和营销人员画像相互融合起来，然后通过匹配模型生成营销人员的访问序列。所以相比较考虑单一维度的信息所生成的访问序列，本技术所提供的方案考虑了更多维度的信息，所以生成的访问序列更加合理。

8、步骤1包括如下步骤：

9、步骤11：收集所有的客户数据，并给每个客户生成唯一的序列码，序列码为u1、u2、…ui…、uk；其中，ui表示第i个客户，k表示客户的数量；

10、步骤12：收集客户ui的销售量、单条值、销售额、盈利率、经营业态、市场类型、经营规模、卷烟结构增长率、品牌宽度、税利贡献、结算方式、经营年限、商圈、会员体系客户、终端类型、会员分数、串货、违规、投诉情况、明码标价，将其作为客户初始数据；

11、步骤13：将客户初始数据处理为客户ui的经营能力、成长能力、支持度、影响力，以及诚信经营5个维度，构建客户的初始画像。

12、本技术所提供的技术方案中，尽量收集足够多的历史客户的数据，然后在至少5个维度上对客户的情况进行综合评判，从而能够准确的对客户进行准确的画像描述，并且对客户进行5个维度的评价，所构成的向量能够很少的区分客户与客户之间的区别，进而发现每个客户的特异性差别，从而准确的给客户分配对应的营销人员。

13、影响客户维度的信息非常多，这些信息之间的无序性会导致在建立客户维度时，无法凸出所需要注重的信息。而在减少信息的种类时，则会导致考虑的信息太少，无法准确的建立客户的维度画像。

14、步骤13中：

15、经营能力bc的计算公式为：

16、bc＝[客户本月销售量/最高客户本月销售量+客户本月单条值/最高客户本月单条值+客户本月销售额/最高客户本月销售额+客户本月盈利率/最高客户本月盈利率]×n1；

17、成长能力gc的计算公式为：bc＝经营业态分数+市场类型分数+经营规模分数+客户本月卷烟结构增长率/最高客户本月卷烟结构增长×n2；对应的经营业态分数、市场类型分数，以及经营规模分数依据预设标准评定，且每项的总分数不超过n2；

18、支持度sup的计算公式为：sup＝[客户本月品牌宽度/最高客户本月品牌宽度+客户本月税利贡献/最高客户本月税利贡献+客户经营年限/最高客户经营年限]×n3+结算方式分数；结算方式分数依据预设标准评定，且总分数不超过n3；

19、影响力inf的计算公式为：inf＝商圈分数+会员体系客户分数+终端类型分数+会员分数；商圈分数、会员体系客户分数、终端类型分数、会员分数依据预设标准评定，且总分数不超过n4；

20、诚信经营hip的计算公式为：hip＝串货分数+违规分数+客户被投诉情况分数+明码标记分数；串货分数、违规分数、客户被投诉情况分数、明码标记分数依据预设标准评定，且总分数不超过n5。

21、本技术所提供的技术方案中，能够通过预先设置n1、n2、n3、n4、n5的大小来完成调整客户画像构建时，所需要关注的因素。在需要更加关注客户的诚信经营的分数时，则只需要增加n5的大小，减少其余的大小既可。

22、进一步的，步骤2包括如下步骤：

23、步骤21：收集所有营销人员的销售数据，并给每个营销人员配备一个标识码，标识码为：m1、m2、…mj、…、mh；其中，j表示第j个营销人员，h表示营销人员的数量，h＜k；

24、步骤22：收集营销人员mj的销售量、客户处理效率、客户开发数量、客户粘度，以及客户投诉率；

25、步骤23：根据营销人员mj的销售量、客户处理效率、客户开发数量、客户粘度，以及客户投诉率构建营销人员mj的画像。

26、进一步的：步骤22中，

27、销售量a1为营销人员在一个拜访周期内，所处理的所有客户在该拜访周期内的销售量的总额；

28、客户处理效率a2为营销人员与客户的平均处理时间；

29、客户开发数量a3为营销人员在拜访周期内开发的新客户的数量；

30、客户粘度a4为营销人员在拜访周期内拜访的客户的丢失率；

31、客户投诉率a5为营销人员在拜访周期内营销人员拜访的客户数量与投诉客户的比值。

32、步骤3包括如下步骤：

33、步骤31：获取拜访周期内需要拜访的客户数量k0和拜访周期内能够工作的营销人员数量h0；

34、vm1，…vmui，…vmk是营销人员的拜访任务分配列表，vmui表示拜访任务ui分配的营销人员mj；

35、步骤32：计算营销人员的画像与客户画像的匹配度；

36、步骤33：基于匹配度构建信息素模型，

37、信息素模型为：

38、

39、其中，τ’i，m(e)表示第e代拜访任务i分配给营销人员vmm的信息素；

40、d表示拜访任务与营销人员的匹配度；

41、步骤34：设置信息素的更新公式：

42、

43、其中，{i,m}(e)表示在第e代时，拜访任务i在营销人员vmm上的信息素增量；

44、q是一个正常数，用于控制信息素增量的幅度；

45、d{i,m}是拜访任务n与营销人员vmm匹配度；

46、∑*a＝1nda,m×τ'a，m(e)是对营销人员vmm上所有拜访任务的信息素浓度与匹配度的乘积求和，用于归一化信息素增量。

47、进一步的，步骤32包括如下步骤：

48、步骤321：基于客户画像计算客户评定特征cu；

49、cu＝α1bc+α2gc+α3sup+α4inf+α5hip，α1+α2+α3+α4+α5＝1；α1、α2、α3、α4、α5，为预先配置的第一权重系数；

50、步骤322：基于营销人员画像计算营销评定特征ma；

51、ma＝a1β1+a2β2+a3β3+a4β4+a5β5；β1+β2+β3+β4+β5＝1，β1、β2、β3、β4、β5为预先配置的第二权重系数；

52、步骤323：将评定特征cu和营销特征ma均进行归一化处理；

53、步骤324：计算营销人员与客户的匹配度f(x)，f(x)＝|cu-ma|。

54、本技术所提供的技术方案中，实质上的逻辑是根据需求，能够调整对应的客户匹配策略。当需要高销售量的营销人员与高经营能力的客户匹配时，增加对应的第一权重系数和第二权重系数，就能够让这两类人员进行匹配。所以，在实际中，可以更好的接近需求，进行营销人员与客户的匹配工作。

55、作为本技术的第二个方面，为了解决背景技术中的技术问题，提供了一种基于信息融合的业务分配系统，包括信息获取模块、信息录入模块、以及任务分配模块；

56、其中，信息获取模块和信息录入模块分别与任务分配模块信号连接；

57、信息获取模块用于获取客户信息和营销人员信息；

58、信息录入模块，用于管理人员输入对应的权重信息；

59、任务分配模块，基于前述的基于信息融合的业务分配方法在拜访周期内给所有的营销人员分配拜访任务。