(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211170239.4 (22)申请日 2022.09.23 (71)申请人 中国平安财产保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心12、 13、 38、 39、 40 层 (72)发明人 钱学广　 (74)专利代理 机构 深圳国新 南方知识产权代理 有限公司 4 4374 专利代理师 赵旭芳 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) (54)发明名称 重要客户识别关注方法、 装置、 计算机设备 及存储介质 (57)摘要 本发明公开了一种重要客户识别关注方法、 装置、 计算机设备及存储介质。 所述方法包括： 获 取网络营销平台上多个已有购买方的业务数据 集， 所述业务数据集中包括每个已有购买方的属 性特征； 获取新加入购买方的属性特征； 基于所 述新加入购买方以及已有购买方的属性特征， 采 用欧几里得算法分别计算所述新加入购买方与 每个已有购买方之间的欧式距离； 采用最近邻算 法选取与所述新加入购买方的欧式距离最近的K 个已有购买方， 将所述K个已有购买方中占比较 多的关注状态作为所述新加入购买方的关注状 态。 本申请可以对各个已有购买方的业务数据进 行分类预测， 精准识别并关注重要性较高的已有 购买方， 从而为 业务人员提供的具体数据支持。 权利要求书3页 说明书11页 附图4页 CN 115496534 A 2022.12.20 CN 115496534 A 1.一种重要客户识别关注方法， 其特 征在于， 包括： 获取网络营销平台上多个已有购买方的业务数据集， 所述业务数据集中包括每个已有 购买方的属性特 征， 所述已有购买方的属性特 征包括订单量、 支付 率以及关注状态； 当所述网络营销平台上存在新加入购买方时， 获取新加入购买方的属性特征； 所述新 加入购买方的属性特 征包括新加入购买方的订单量以及支付 率； 基于所述新加入购买方以及已有购买方的订单量和 支付率， 采用欧几里得算法分别计 算所述新加入购买方与每 个已有购买方之间的欧式距离； 采用最近邻算法选取与所述新加入购买方的欧式距离最近的K个已有购买方， 将所述K 个已有购买方中占比较多的关注状态作为所述 新加入购买方的关注状态。 2.根据权利要求1所述的重要客户识别关注方法， 其特征在于， 所述获取网络营销平台 上已有购买方的业 务数据集后还 包括： 对所述业务数据集中取值范围无法预期的属性特征进行均值方差归一化操作， 得到所 述属性特 征的均值方差归一 化属性值。 3.根据权利要求2所述的重要客户识别关注方法， 其特征在于， 所述取值范围无法预期 的属性特征为订单量， 所述对所述业务数据集中取值范围无法预期的属性特征进 行均值方 差归一化操作具体为： 上述公式中， X表示所述业务数据集中每个已有购买方的订单量， xm表示所述业务数据 集中所有已有购买方 的订单量均值， S表示所述业务数据集中所有已有购买方的订单量标 准差； 所述所有已有购买方的订单量均值xm以及订单量标准差S的计算方式为： 上述公式中， xi表示所述业务数据集中第i个已有购买方的订单量， n表示所述业务数据 集中所有已有购买方的总数。 4.根据权利要求3所述的重要客户识别关注方法， 其特征在于， 所述获取新加入购买方 的属性特 征后还包括： 对所述新加入购买方的订单量进行均值方差归一化操作， 得到所述订单量的均值方差 归一化属性值。 5.根据权利要求2至4任一项所述的重要客户识别关注方法， 其特征在于， 所述基于所 述新加入购买方以及已有购买方的订单量和支 付率， 采用欧几里得算法分别计算所述新加 入购买方与每 个已有购买方之间的欧式距离具体为： 基于所述已有购买方和新加入购买方的订单量均值方差归一化属性值以及支付率， 采 用欧几里得算法计算所述新加入购买方与各个已有购买方之间的欧式距离， 并按照所述欧 式距离对所述 业务数据集中的已有购买方进行排序； 所述欧式距离计算公式为：权　利　要　求　书 1/3 页 2 CN 115496534 A 2上述公式中， dab表示a、 b两个已有购买方之间的欧式距离， j为属性特征的数量， ai表示 已有购买方a在i属性特 征下的坐标值； bi表示已有购买方b在i属性特 征下的坐标值。 6.根据权利要求5所述的重要客户识别关注方法， 其特征在于， 所述基于所述新加入购 买方以及已有购买方的订单量和支 付率， 采用欧几里得算法分别计算所述新加入购买方与 每个已有购买方之间的欧式距离后还 包括： 基于排序 结果， 利用所有已有购买方中最小的欧氏距离与其他欧式距离计算各个已有 购买方的权 重系数； 所述权 重系数计算公式为： 上述公式中， d为业务数据集中所有已有购买方中距离最小的欧式距离， 所述距离最小 的欧式距离的默认权 重系数为1； dx为所述业务数据集中其 他每个已有购买方的欧式距离 。 7.根据权利要求6所述的重要客户识别关注方法， 其特征在于， 所述采用最近邻算法选 取与所述新加入购买方的欧式距离最近的K个已有购买方， 将所述K个已有购买方中占比较 多的关注状态作为所述 新加入购买方的关注状态具体为： 采用最近邻算法选取与所述新加入购买方的欧式距离最近的K个已有购买方； K的取值 不大于所述 业务数据集中已有购买方总数的平方根， 即 利用所述K个已有购买方的欧氏距离以及权 重系数计算各自的权 重距离； 基于所述权重距离， 根据少数服从多数的投票法则， 将所述K个已有购买方中占比较多 的关注状态作为新加入购买方的关注状态； 其中， 所述权重距离计算方式为： 权重距离＝欧 式距离×权重系数。 8.一种重要客户识别关注装置， 其特 征在于， 包括： 第一数据获取模块： 用于获取网络营销平台上多个已有购买方的业务数据集， 所述业 务数据集中包括每个已有购买方 的属性特征， 所述已有购买方的属 性特征包括订单量、 支 付率以及关注状态； 第二数据获取模块： 用于当所述网络营销平台上存在新加入购买方时， 获取新加入购 买方的属性特 征； 所述新加入购买方的属性特 征包括新加入购买方的订单量以及支付 率； 距离计算模块： 用于基于所述新加入购买方以及已有购买方的订单量和支付率， 采用 欧几里得算法分别计算所述 新加入购买方与每 个已有购买方之间的欧式距离； 近邻计算模块： 用于采用最近邻算法选取与所述新加入购买方的欧式距离最近的K个 已有购买方， 将所述K个已有购买方中占比较多的关注状态作为所述新加入购买方 的关注 状态。 9.一种计算机设备， 其特 征在于， 所述计算机设备包括： 存储有可执行的程序指令的存 储器； 与所述存 储器连接的处 理器； 所述处理器调用所述存储器中存储的所述可执行程序指令， 执行如权利要求1 ‑7任一 项所述的重要客户识别关注方法。 10.一种存储介质， 所述存储介质存储有处理器可执行的程序指令， 其特征在于， 所述权　利　要　求　书 2/3 页 3 CN 115496534 A 3