本发明涉及数据分析统计技术领域，特别是一种基于公司存量联系人数据评价潜在商业价值的方法。
背景技术：
传统上，大部分公司对于公司业务拓展中留存下来的联系人数据，需要通过业务员进行挑选和跟进，该过程十分依赖于业务员的经验。业务员需要对本公司与联系人公司有全面的认识，同时还要还原之前联系留下的行为数据，这种方式给业务员增大了工作量，往往耗时耗力，收效甚微，且对于业务员更换这种常见场景，存在重复培训、重复沟通的弊端。
有鉴于此，本发明人提出一种基于公司存量联系人数据评价潜在商业价值的方法，本案由此产生。
技术实现要素：
本发明的目的在于提供一种基于公司存量联系人数据评价潜在商业价值的方法，为公司业务拓展提供重要的联系人商业价值判断依据。
为了实现上述目的，本发明的技术方案如下：
一种基于公司存量联系人数据评价潜在商业价值的方法，包括以下步骤：
步骤一、将分散的联系人数据汇总并且去重形成结构化的存量联系人数据；
步骤二、对存量联系人数据进行预处理，其包括：
对存量联系人数据进行分类，分为基础信息、行为信息、意向信号信息；
对分类信息进行标签化，包括行为信息识别归类，高频同类行为合并，行为关联性识别，意向信号识别归类，高频同类意向信号合并以及行为-意向信号关联性识别；
步骤三、对预处理后的存量联系人数据进行分类计算，其包括：
1.计算联系人基础信息价值(informationvalue，m)：
将联系人基础信息划分为6个维度：联系方式m(1)、社交媒体信息m(2)、职位信息m(3)、所在公司m(4)、公司主页m(5)、公司社交媒体m(6)，按照公式(1)和(2)对所有项求和可以得到联系人基础信息价值m：
2.计算联系人行为信息价值(behaviorvalue,b)：
将联系人的历史行为分成了5个阶段：判断筛选s(1)、信息完善s(2)、建立联系s(3)、客户推进s(4)、确定意向s(5)；根据过程中推进方式的不同建立一个复合函数f(p)，f(p)由7个维度构成：行为工具多样性p(1)、行为发生频率p(2)、行为关联度p(3)、响应时长p(4)、行为正/负反馈p(5)、终止行为类型p(6)、终止原因类型p(7)，通过对不同维度加权赋值，再结合阶段加权s，可以得到不同阶段不同模式的联系人具有的行为价值b，且行为价值b计算过程如下：
b＝s×f(p)(3)
3.计算联系人意向信号价值(intentionvalue,n)
联系人意向信号价值体现为联系人主动发起的信号，其包括访问网站n(1)，点击广告n(2)，社交媒体点赞、关注、申请好友(n(3))，将其定义为扰动项n，扰动项n计算公式为：
步骤四、对分类计算的结果进行汇总计算得到最终的商业价值数值；
综合前述三者，本发明利用正态分布公式，使用公式(7)，计算获得衡量联系人的综合价值p：
第五步、当存量联系人数据发生变化时，重新执行步骤二至四，得到新的结果。
所述分散的联系人数据包含分散的联系人身份信息、联系人公司信息、联系人过往通信信息、联系人互联网行为信息；前述分散的联系人数据来自于公司网站、客户管理系统、互联网或个人手里，来自于公司网站的联系人数据是指联系人在公司网站通过注册方式留存的信息，来自于客户管理系统的联系人数据是指公司人员在本公司客户管理系统录入的信息，来自于互联网的联系人数据是通过在互联网上搜寻到的联系人信息，来自于个人手里的联系人数据是指公司人员通过其自己的渠道获取的信息。
所述第二步中，行为信息识别是指将通过工具进行沟通的事件定义为“行为”，因此产生的信息即为“行为信息”，工具指邮件、社交媒体、电话、短信；
高频同类行为合并是指：同一工具低于一定时间间隔的行为合并，记为“1次行为”；
行为关联性识别是指：不同工具低于一定时间间隔的行为，认为存在关联；
意向信号识别是指将联系人主动发起的不带有沟通意图的事件定义为“意向信号”，例如访问网站，点击广告，社交媒体点赞、关注、申请好友；
高频意向信号合并是指将同一来源低于一定时间间隔的行为合并，记为“1次意向信号”；
行为-意向信号关联性识别是指：行为与意向信号间低于一定时间间隔的行为，认为存在关联。
本发明与现有技术相比具有的有益效果：
1)本发明评估了同一公司内所有联系人数据，避免因为业务员的差别造成的判断误差，提高了联系人价值判断准确率；
2)本发明充分考虑了联系人的动态变化，跟随变化时时更新价值判断数据，更具有准确性；
3)本发明可以扩展到新增联系人上，随着对联系人的跟进时时获取其商业价值判断数据，对公司后续的工作方向具有战略指导意义。
以下结合附图和具体实施例对本发明进行详细描述。
附图说明
图1是本发明的流程简图。
具体实施方式
如图1所示，本发明揭示的一种基于公司存量联系人数据评价潜在商业价值的方法，包括：
步骤一、将分散在公司、客户管理系统、互联网、个人手里的联系人身份信息、公司信息、过往通信信息、互联网行为信息汇总，去重形成结构化的存量联系人数据；前述分散的联系人数据来自于公司网站、客户管理系统、互联网或个人手里，来自于公司网站的联系人数据是指联系人在公司网站通过注册方式留存的信息，来自于客户管理系统的联系人数据是指公司人员在本公司客户管理系统录入的信息，来自于互联网的联系人数据是通过在互联网上搜寻到的联系人信息，如通过搜索关键词在相关类型的网站上获取的联系人的互联网新闻信息；来自于个人手里的联系人数据是指公司人员通过自己的渠道获取的信息，如公司业务原通过手机或网络社交工具与联系人沟通获取的联系人过往通信信息。
步骤二、对存量联系人数据进行预处理，其包括：
对存量联系人数据进行分类，分为基础信息、行为信息、意向信号信息；
对分类信息进行标签化，包括行为信息识别归类，高频同类行为合并，行为关联性识别，意向信号识别归类，高频同类意向信号合并以及行为-意向信号关联性识别；
行为信息识别是指将通过工具进行沟通的事件定义为“行为”，因此产生的信息即为“行为信息”，工具指邮件、社交媒体、电话、短信；
高频同类行为合并是指：同一工具低于一定时间间隔的行为合并，记为“1次行为”；
行为关联性识别是指：不同工具低于一定时间间隔的行为，认为存在关联；
意向信号识别是指将联系人主动发起的不带有沟通意图的事件定义为“意向信号”，例如访问网站，点击广告，社交媒体点赞、关注、申请好友；
高频意向信号合并是指将同一来源低于一定时间间隔的行为合并，记为“1次意向信号”；
行为-意向信号关联性识别是指：行为与意向信号间低于一定时间间隔的行为，认为存在关联。
步骤三、对预处理后的存量联系人数据进行分类计算，其包括：
1.计算联系人基础信息价值(informationvalue，m)：
信息是联系人的静态属性，信息是否完善，完善程度如何，是决定一个联系人是否有价值的核心因素，因此本发明将联系人基础信息划分为6个维度：联系方式m(1)、社交媒体信息m(2)、职位信息m(3)、所在公司m(4)、公司主页m(5)、公司社交媒体m(6)，按照公式(1)和(2)对所有项求和可以得到联系人基础信息价值m：
2.计算联系人行为信息价值(behaviorvalue,b)：
联系人的历史行为分为两个部分：①结果维度上：该联系人终止推进时是怎样一个推进深度；②过程维度上：该联系人在推进过程中具有怎样的推进方式。这决定了该联系人是否值得推进。因此本发明根据终止的情况不同，将最终结果分成了5个阶段(stage，s)：判断筛选s(1)、信息完善s(2)、建立联系s(3)、客户推进s(4)、确定意向s(5)；根据过程中推进方式的不同建立一个复合函数f(p)，f(p)由7个维度构成：行为工具多样性p(1)、行为发生频率p(2)、行为关联度p(3)、响应时长p(4)、行为正/负反馈p(5)、终止行为类型p(6)、终止原因类型p(7)，通过对不同维度加权赋值，再结合阶段加权s，可以得到不同阶段不同模式的联系人具有的行为价值b，且行为价值b计算过程如下：
b＝s×f(p)(3)
3.计算联系人意向信号价值(intentionvalue,n)
当出现联系人主动发起的带有一定目的性信号时，这表明该联系人具有潜在价值，联系人主动发起的信号包括访问网站n(1)，点击广告n(2)，社交媒体点赞、关注、申请好友(n(3))，这类价值是对于前述两类价值的补充，很多时候难以做出有效回应，因此本发明将其定义为扰动项n，扰动项n计算公式为：
步骤四、对分类计算的结果进行汇总计算得到最终的商业价值数值；
综合前述三者，本发明利用正态分布公式，使用公式(7)，计算获得衡量联系人的综合价值p：
第五步、当存量联系人数据发生变化时，重新执行步骤二至四，得到新的结果。
以下通过具体应用实例对本发明再进一步介绍。
第一步、通过工具收集到如下零散信息：
数据库：甲公司，采购部负责人，电话1，邮箱1，公司网址1
名片：李某，甲公司，采购部负责人，电话1，邮箱1
社交媒体1：昵称1，甲公司，采购部，邮箱1
社交媒体2：昵称2，电话1，邮箱2
社交媒体3：甲公司企业账号
销售沟通记录1：邮箱1，发送1次，送达1次，打开0次，回复0次
销售沟通记录2：电话1，通话3次，接通3次，分别在不同的3天
销售沟通记录3：邮箱2，发送4次，送达4次，打开4次，回复3次
社交媒体沟通记录1：昵称1，1月1日沟通4次，2月1日沟通1次，3月1日沟通5次
社交媒体沟通记录2：昵称2，4月1日沟通3次，4月5日沟通5次
其他记录：甲公司企业账号4月1日发布采购意向信息
对于以上信息，先经过步骤一进行信息合并去重，得到如下结构化数据：
姓名：李某
公司：甲公司
网址：公司网址1
公司社交账号：甲公司企业账号
职位：采购部负责人
联系方式1：电话1
联系方式2：邮箱1
联系方式3：邮箱2
联系方式4：社交媒体1
联系方式5：社交媒体2
联系记录：
销售沟通记录1：邮箱1，发送1次，送达1次，打开0次，回复0次
销售沟通记录2：电话1，通话3次，接通3次，分别在不同的3天
销售沟通记录3：邮箱2，发送4次，送达4次，打开4次，回复3次
社交媒体沟通记录1：昵称1，1月1日沟通4次，2月1日沟通1次，3月1日沟通5次
社交媒体沟通记录2：昵称2，4月1日沟通3次，4月5日沟通5次
第二步、对销售沟通记录与社交媒体记录进行分析处理，得到如下数据：
1、“邮箱1”与“社交媒体1”关联，“邮箱1”失效(概率>90％)
2、“邮箱2”与“社交媒体2”关联
3、“社交媒体1”和“社交媒体2”的行为合并，1月1日沟通4次记为1次行为，以此类推
4、“社交媒体2”与“甲公司企业账号”在“采购意向”上存在行为关联
第三步、对预处理后的存量联系人数据进行分类计算
计算联系人基础信息价值(informationvalue，m)以联系方式m(1)的计算为例，李某有5种联系方式，其中一种有较大概率失效，所以联系方式总数应为4，即n＝4。
则
计算联系人行为信息价值(behaviorvalue,b)，这里李某应当处于客户推进s(4)和确定意向s(5)阶段之间，简单认为s＝4.5；
对于行为的符合函数f(p)，李某使用了4种工具，则行为工具多样性p(1)＝4，合并后的行为频率p(2)＝8，行为关联度指数p(3)＝3，由于数据的缺失，p(4)～p(7)均为0。
于是b计算得67.5
计算联系人意向信号价值(intentionvalue,n)，这里仅有甲公司企业账号发布的采购信息一个意向信号，所以加权后n＝10。
第四步、根据以上结果计算得p＝20.6；仅仅依靠p值无法最终反映客户价值，还需要同样计算大量用户分数后，按照正态分布查看刘某在正态分布中所处位置判断其价值。
第五步、联系人数据变化时，重新执行步骤二至四，得到新的结果。
以上仅为本发明的具体实施例，并非对本发明的保护范围的限定。凡依本案的设计思路所做的等同变化，均落入本案的保护范围。