本发明涉及数据分析，尤其涉及一种基于多目标规划模型制定最优销售策略方法、系统、设备以及方法。
背景技术：
1、一般线上和线下门店销售中，在未明确客户的购买意愿的前提下，只能随机推荐多种商品，但是很难直接给客户推荐相对满意的产品，更不用说提供针对性的服务，这不仅会导致浪费双方时间，销售效率低下，而且会流失新老客户。
2、因此，传统的销售方式存在无法了解到客户的购买喜好和购买意愿，无法为用户提供针对性的购买推荐的问题，从而导致无法提高成交率。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本发明提供一种基于多目标规划模型制定最优销售策略方法、系统、设备以及方法，其解决了存在无法了解到客户的购买喜好和购买意愿，无法为用户提供针对性的购买推荐的技术问题。
3、(二)技术方案
4、为了达到上述目的，本发明采用的主要技术方案包括：
5、第一方面，本发明实施例提供一种基于多目标规划模型制定最优销售策略方法，包括：
6、将包含产品特征、产品满意度及个人信息的调查问卷分发给目标客户，并接收目标客户反馈的问卷数据；
7、将产品特征和个人信息输入至预先构建的基于递归特征消除和随机森林融合算法的影响因素研究模型进行特征筛选，并对从不同产品角度分别进行回归预测，得出影响产品满意度的特征及特征权重；
8、将选取的特征输入至预先构建的基于rusboost的客户挖掘模型反复迭代进行训练集生成、新分布生成以及分布权重调整，直至生成t个分类器停止迭代，之后根据t个分类器的加权结果预测目标客户购买产品的可能性；
9、以减少所承受服务难度和提高产品满意度为优化目标，根据设定的约束条件构建产品策略多目标规划模型，在提供的不同产品所对应的服务难度下，通过产品策略多目标规划模型求解得到满意度提升策略；
10、按照满意度提升策略对产品特征进行调整，将调整之后的产品特征再次代入客户挖掘模型进行预测检验，当寻求到满意度提升最小且目标客户购买产品的可能性提升最大时，输出当前最优销售策略。
11、可选地，将包含产品特征、产品满意度及个人信息的调查问卷分发给目标客户，并接收目标客户反馈的问卷数据包括：
12、生成包含卷烟产品代号、产品特征、产品特征满意度指标及个人信息的调查问卷；
13、根据调查任务将调查问卷分发给目标客户侧以供目标客户填写，若有未填写信息则自动跳转至未填写信息位置，待调查问卷所有信息全部填满之后自动回传云数据库；
14、当所有调查任务完成之后，从云数据库中调取所需的目标客户反馈的问卷数据。
15、可选地，将产品特征和个人信息输入至预先构建的基于递归特征消除和随机森林融合算法的影响因素研究模型进行特征筛选，并对从不同产品角度分别进行回归预测，得出影响产品满意度的特征及特征权重包括：
16、构建基于递归特征消除和随机森林融合算法的影响因素研究模型；
17、选取卷烟的产品特征和个人信息作为初始特征集合，并输入至影响因素研究模型；
18、借助于基于影响因素研究模型的递归特征消除模块，根据基于递归特征消除的随机森林算法的变量重要性进行特征选择，将筛选出的特征从初始特征集合中移除，并在剩余特征中重复遍历，直到选出最优子集；
19、借助于影响因素研究模型的随机森林算法模块，对最优子集中的各个特征从不同产品角度分别进行回归预测，得到影响产品满意度的特征及特征权重。
20、可选地，将选取的特征输入至预先构建的基于rusboost的客户挖掘模型反复迭代进行训练集生成、新分布生成以及分布权重调整，直至生成t个分类器停止迭代，之后根据t个分类器的加权结果预测目标客户购买产品的可能性包括：
21、构建基于rusboost的客户挖掘模型；
22、选取权重累计占比前60％～80％的特征作为基于rusboost的客户挖掘模型的输入样本，并归一化输入样本的权重；
23、随机欠抽样生成初始训练集并形成对应的初始样本分布，利用初始训练集及其对应的初始样本分布进行训练得到分类器；
24、根据当前训练误差调整初始训练集的初始样本分布权重，增大被误分类样本权重以使误分类样本在后续得到更多关注；
25、利用调整后训练集和新的样本分布训练得到下一个分类器，如此反复迭代，直到生成t个分类器；
26、将t个分类器进行加权组合，根据加权结果预测目标客户购买产品的可能性；
27、其中，
28、初始训练集为：
29、s＝{(x1,y1),(x2,y2),...,(xm,ym)}；
30、式中，(x1,y1),(x2,y2),...,(xm,ym)分别为第1组、第2组……第n组样本数据，xm和ym∈{-1,+1}分别为样本的特征向量及其对应的类别标记；
31、在第t次迭代中所有样本构成如下离散分布：
32、
33、式中，dt(1),dt(2),...,dt(m)分别为第1组、第2组……第m组样本t次迭代中对应的权重，在第t次迭代中，所有m个样本组的权重之和为1；
34、分类器的错误率定义为在分布下其预测错误的概率：
35、
36、式中，εt为分类器的错误率，表示一组样本xi从分布抽取的，ht为在第t次迭代中生成的分类器，ht(xi)为分类器ht对一组样本xi的预测结果，y为真实标签；
37、t个分类器进行加权组合为：
38、
39、式中，h(x)为t个分类器进行加权结果，αt为分类器ht的权重。
40、可选地，将选取的特征输入至预先构建的基于rusboost的客户挖掘模型反复迭代进行训练集生成、新分布生成以及分布权重调整，直至生成t个分类器停止迭代，之后根据t个分类器的加权结果预测目标客户购买产品的可能性之后，还包括：
41、生成产品roc曲线；
42、利用matlab软件绘制出产品混淆矩阵，并基于f1-score的模型计算出产品f1得分以及输出得分表格；
43、根据产品roc曲线和得分表格评估基于rusboost的客户挖掘模型的预测结果灵敏度。
44、可选地，以减少所承受服务难度和提高产品满意度为优化目标，根据设定的约束条件构建产品策略多目标规划模型，在提供的不同产品所对应的服务难度下，通过产品策略多目标规划模型求解得到满意度提升策略包括：
45、分别建立总体服务难度的刻画和提升后满意度评分的刻画；
46、根据建立的总体服务难度的刻画和提升后满意度评分的刻画，从减少所承受服务难度和提高产品满意度两个角度确定目标函数；
47、根据目标函数和设定的约束条件构建产品策略多目标规划模型；
48、在提供的不同产品所对应的服务难度下，将产品策略多目标规划模型的多目标规划求解转化为单目标规划求解，输出满意度提升策略；
49、其中，
50、总体服务难度的刻画为：
51、max{qkλk|k＝1,2,...,8}；
52、式中，qk为销售难度与提升满意度幅度的转化系数，λk为第k个指标提升的满意度幅度；
53、提升后满意度评分的刻画为：
54、(1+λk)ak；
55、式中，ak为第k个满意度指标的评分；
56、目标函数为：
57、
58、约束条件为：
59、
60、0％≤λk≤5％；
61、式中，m为各满意度评分提升所承受销售难度的总和；
62、产品策略多目标规划模型为：
63、
64、可选地，按照满意度提升策略对产品特征进行调整，将调整之后的产品特征再次代入客户挖掘模型进行预测检验，当寻求到满意度提升最小且目标客户购买产品的可能性提升最大时，输出当前最优销售策略包括：
65、根据求解得到的满意度提升策略，自动调整产品特征，然后将调整后的产品特征数据再次输入到客户挖掘模型中进行效果预测和检验，输出带入调整数据的预测结果；
66、比较带入调整数据的预测结果与初始求得的目标客户购买产品的可能性数据，评估产品特征调整后的消费者购买意愿的提升效果；
67、如果产品特征调整后的消费者购买意愿的未有提升，则舍弃此时的满意度提升策略，通过产品策略多目标规划模型重新求得满意度提升策略，再次输入到客户挖掘模型中进行效果预测和检验；
68、如果产品特征调整后的消费者购买意愿的有所提升，则将此时的满意度提升策略加入备选方案集中；
69、通过客户挖掘模型的反复预测检验和调整，将至少一个满意度提升策略不断加入备选方案集中；
70、在备选方案集中找到一种能够在最小化产品满意度提升幅度的同时，最大化目标客户购买产品的可能性提升的方案，此时输出该方案作为当前最优销售策略；
71、其中，最优销售策略包括针对每个产品特征的调整幅度以及预测的消费者购买意愿提升幅度。
72、第二方面，本发明实施例提供一种基于多目标规划模型制定最优销售策略方法，包括：
73、问卷反馈模块，用于将包含产品特征、产品满意度及个人信息的调查问卷分发给目标客户，并接收目标客户反馈的问卷数据；
74、将产品特征和个人信息输入至预先构建的基于递归特征消除和随机森林融合算法的影响因素研究模型进行特征筛选，并对从不同产品角度分别进行回归预测，得出影响产品满意度的特征及特征权重；
75、可能性确定模块，用于将选取的特征输入至预先构建的基于rusboost的客户挖掘模型反复迭代进行训练集生成、新分布生成以及分布权重调整，直至生成t个分类器停止迭代，之后根据t个分类器的加权结果预测目标客户购买产品的可能性；
76、满意度提升策略输出模块，用于以减少所承受服务难度和提高产品满意度为优化目标，根据设定的约束条件构建产品策略多目标规划模型，在提供的不同产品所对应的服务难度下，通过产品策略多目标规划模型求解得到满意度提升策略；
77、最优销售策略输出模块，用于按照满意度提升策略对产品特征进行调整，将调整之后的产品特征再次代入客户挖掘模型进行预测检验，当寻求到满意度提升最小且目标客户购买产品的可能性提升最大时，输出当前最优销售策略。
78、第三方面，本发明实施例提供一种设备，包括：至少一个数据库；以及与所述至少一个数据库通信连接的存储器；其中，所述存储器存储有可被所述至少一个数据库执行的指令，所述指令被所述至少一个数据库执行，以使所述至少一个数据库能够执行如上所述的基于目标客户满意度的卷烟产品精准投放市场的方法。
79、第四方面，本发明实施例提供一种计算机可读介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上所述的基于目标客户满意度的卷烟产品精准投放市场的方法。
80、(三)有益效果
81、本发明的有益效果是：本发明收集顾客对产品的满意度及自身特征信息，并采用递归特征消除和随机森林的融合算法对产品本身特征及目标客户个人特征进行特征筛选，依据不同产品数据特征分析其主要影响因素，选取影响购买因素特征作为输入特征，考虑到数据存在不平衡问题，建立了rusboost模型针对不同产品目标客户购买可能性进行分类预测。本发明以提升满意度评分最大化，承受服务难度最小化为目标，建立了产品销售策略多目标规划模型，最终通过求解模型确定各产品的最优销售策略，并通过前期所建立的预测模型进行验证，计算不同产品客户达到产生购买的目标满意度所应提升的产品改善幅度，从而针对性地加大销售力度，提升顾客购买产品的意愿。
1.一种基于多目标规划模型制定最优销售策略方法，其特征在于，包括：
2.如权利要求1所述的基于多目标规划模型制定最优销售策略方法，其特征在于，将包含产品特征、产品满意度及个人信息的调查问卷分发给目标客户，并接收目标客户反馈的问卷数据包括：
3.如权利要求1所述的基于多目标规划模型制定最优销售策略方法，其特征在于，将产品特征和个人信息输入至预先构建的基于递归特征消除和随机森林融合算法的影响因素研究模型进行特征筛选，并对从不同产品角度分别进行回归预测，得出影响产品满意度的特征及特征权重包括：
4.如权利要求1所述的基于多目标规划模型制定最优销售策略方法，其特征在于，将选取的特征输入至预先构建的基于rusboost的客户挖掘模型反复迭代进行训练集生成、新分布生成以及分布权重调整，直至生成t个分类器停止迭代，之后根据t个分类器的加权结果预测目标客户购买产品的可能性包括：
5.如权利要求1所述的基于多目标规划模型制定最优销售策略方法，其特征在于，将选取的特征输入至预先构建的基于rusboost的客户挖掘模型反复迭代进行训练集生成、新分布生成以及分布权重调整，直至生成t个分类器停止迭代，之后根据t个分类器的加权结果预测目标客户购买产品的可能性之后，还包括：
6.如权利要求1所述的基于多目标规划模型制定最优销售策略方法，其特征在于，以减少所承受服务难度和提高产品满意度为优化目标，根据设定的约束条件构建产品策略多目标规划模型，在提供的不同产品所对应的服务难度下，通过产品策略多目标规划模型求解得到满意度提升策略包括：
7.如权利要求1-6任一项所述的基于多目标规划模型制定最优销售策略方法，其特征在于，按照满意度提升策略对产品特征进行调整，将调整之后的产品特征再次代入客户挖掘模型进行预测检验，当寻求到满意度提升最小且目标客户购买产品的可能性提升最大时，输出当前最优销售策略包括：
8.一种基于多目标规划模型制定最优销售策略方法，其特征在于，包括：
9.一种设备，其特征在于，包括：至少一个数据库；以及与所述至少一个数据库通信连接的存储器；其中，所述存储器存储有可被所述至少一个数据库执行的指令，所述指令被所述至少一个数据库执行，以使所述至少一个数据库能够执行如权利要求1-7任一项所述的基于目标客户满意度的卷烟产品精准投放市场的方法。
10.一种计算机可读介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的基于目标客户满意度的卷烟产品精准投放市场的方法。
