本说明书一个或多个实施例涉及数据处理技术领域，尤其涉及一种销售预测方法、装置、电子设备和存储介质。
背景技术：
销售预测是指根据以往的销售情况以及使用系统内部内置或用户自定义的销售预测模型，获得的对未来销售情况的预测。尽管销售预测十分重要，但进行高质量的销售预测却并非易事。在进行预测和选择最合适的预测方法之前，了解对销售预测产生影响的各种因素是非常重要的。现有的销售行为管理相关系统，通常以采集到的销售人员活动数据与系统后台销售情况数据进行汇总，最终以报表的形式进行统计。这种方式可以让管理人员在事后获取统计结果，但是无法让销售人员根据自身的销售活动特点，合理安排未来的销售行为。
技术实现要素：
有鉴于此，本说明书一个或多个实施例的目的在于提出一种销售预测方法，以解决销售人员无法及时准确合理安排销售活动的问题。
基于上述目的，本说明书一个或多个实施例提供了一种销售预测方法，包括：
获取用户的用户特征数据；所述用户特征数据包括用户基本情况数据、用户历史销售数据以及人均历史销售数据；
根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
根据所述属性集以及预先训练的销售预测模型，得到所述用户的销售行为效率比，所述销售行为效率比用于指导所述用户的销售行为。
可选的，还包括：
根据所述用户基本情况数据确定的所述属性包括性别、年龄、学历、服务客户数量、入司年限以及职级中的至少一个；
所述用户历史销售数据包括实际销售数据和目标销售数据，根据所述实际销售数据确定的所述属性包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费中的至少一个；根据所述目标销售数据确定的所述属性包括目标成单件数、目标保费以及目标fyc中的至少一个；
根据所述人均历史销售数据确定的所述属性包括人均保费、人均fyc以及人均成单件数中的至少一个。
可选的，所述销售行为效率比包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费中的至少一个。
可选的，所述销售预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的销售行为效率比；
根据所述训练用属性集和所述销售行为效率比，构建训练集；
根据所述训练集进行迭代训练，以得到所述销售预测模型。
可选的，所述获取训练用用户特征数据之前还包括对所述用户特征数据进行数据清洗和参数归一化处理。
基于同一发明构思，本说明书一个或多个实施例还提供了一种销售预测装置，包括：
获取模块，被配置为获取用户的用户特征数据；所述用户特征数据包括用户基本情况数据、用户历史销售数据以及人均历史销售数据；
属性确定模块，被配置为根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
结果获得模块，被配置为根据所述属性集以及预先训练的销售预测模型，得到所述用户的销售行为效率比，所述销售行为效率比用于指导所述用户的销售行为。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的销售预测方法。
基于同一发明构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的销售预测方法。
从上面所述可以看出，本说明书一个或多个实施例提供的一种销售预测方法、装置、电子设备和存储介质，通过用户特征数据确定至少三个属性，并基于这至少三个属性及其赋值以及预先训练的基于神经网络前向传播算法的销售预测模型，最终得到了用户的销售行为效率比。经过历史数据训练的销售预测模型能够比较准确的预测销售人员的销售行为效率比，指导销售人员根据自身效率比和月度业绩目标，合理安排销售活动的节奏。
附图说明
为了更清楚地说明本说明书一个或多个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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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。
图1为本说明书一个或多个实施例的销售预测方法的流程示意图；
图2为本说明书一个或多个实施例的销售预测模型训练的流程示意图；
图3为本说明书一个或多个实施例的销售预测装置结构示意图；
图4为本说明书一个或多个实施例的电子设备硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
前向反馈神经网络，简称前馈神经网络，是目前应用最广泛、发展最迅速的人工神经网络之一。它是一种结构较简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连。各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层(或隐藏层、隐层)。隐层可以是一层，也可以是多层。
销售行为效率比是本发明中用于评估和预测销售人员销售活动的关键指标，本发明中将传统的保险销售活动分解为获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单，保单收费七项关键的具体销售活动。销售行为效率比指为完成一次销售促成(以保单完成收费为标志)，需要进行的获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单，保单收费七项销售活动的次数。
fyc(firstyearcommission)，即销售人员销售的保单于第一保单年度可直接计提的佣金。
如背景技术部分所述，传统的基于数据统计和报表加工的销售行为管理，销售人员能够通过报表了解到本地区或者本机构的平均销售业绩水平，并根据平均水平来调整自身的销售行为。这种以统计加工为依据的事后分析无法根据销售人员的历史数据推测出未来销售人员的销售活动安排情况。
有鉴于此，本说明书一个或多个实施例提供了一种销售预测方法，利用用户基本情况数据、用户历史销售数据以及人均历史销售数据等用户特征数据并基于神经网络前向传播算法的销售预测模型来预测用户的销售行为效率比，从而指导销售人员本月的具体销售工作。
可见，本说明书一个或多个实施例的销售预测方法能够实时采集加工用户的销售活动数据，经过历史数据训练的神经网络模型能够比较准确的预测用户的销售行为效率比，指导用户根据自身效率比和月度业绩目标，合理安排销售活动的节奏。
以下，通过具体的实施例来详细说明本说明书一个或多个实施例的技术方案。
参考图1，本说明书一个实施例的销售预测方法，包括以下步骤：
步骤s101、获取用户的用户特征数据；所述用户特征数据包括用户基本情况数据、用户历史销售数据以及人均历史销售数据。
本步骤中，首先获取用户特征数据，基于用户特征数据进行后续的销售行为效率比预测。其中用户特征数据至少包括用户基本情况数据、用户历史销售数据以及人均历史销售数据。用户基本情况数据包括性别、年龄、学历、服务客户数量、入司年限、职级，共6个指标。用户历史销售数据包括过去5个月每个月用户7项实际销售数据和过去6个月每个月用户的3项目标销售数据，7项实际销售数据具体包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单、收取保费，共为35个指标。3项目标销售数据包括目标成单件数、目标保费、目标fyc，共为18个指标。人均历史销售数据为过去6个月所在职场的人均保费、人均fyc、人均成单件数，共为3个指标。以上用户特征数据共计62个指标。
采集实际销售数据时，为保障数据采集的真实性和准确性，将同时采集用户实际销售数据发送的时间和gps定位等信息。对采集到的实际销售数据进行清洗，剔除掉虚假数据。对于同一用户在同一天内重复发送多条相同实际销售数据的情况，设置单项实际销售数据指标录入的条数上限，超过单日上限的数据不予采用。
步骤s102、根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集。
本步骤中，根据用户基本情况数据确定的所述属性包括性别、年龄、学历、服务客户数量、入司年限以及职级。由于性别、学历等离散值在原始数据中以字母和中文汉字作为值，无法作为模型输入项，对这类指标做分级映射的处理。其中，性别对应成0或1，学历按照从低到高的顺序映射为0到7，共8个不同的离散数值。
用户历史销售数据包括实际销售数据和目标销售数据，根据所述实际销售数据确定的所述属性包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费，根据实际销售活动耗费时间和精力的不同，为各属性赋予不同的数据值。根据所述目标销售数据确定的所述属性包括目标成单件数、目标保费以及目标fyc。
根据人均历史销售数据确定的所述属性包括人均保费、人均fyc以及人均成单件数。由于目标保费、目标fyc、人均保费、人均fyc的数值在原始数据中以人民币元为单位，统一调整成万元。
从以上三大类用户特征数据中确定属性，为每个属性赋予一定的数值后合并作为属性集。
步骤s103、根据所述属性集以及预先训练的销售预测模型，得到所述用户的销售行为效率比，所述销售行为效率比用于指导所述用户的销售行为。
本步骤中，参考图2，销售预测模型的训练过程具体分为以下步骤：
步骤s201、获取训练用用户特征数据，在每月底，根据过去6个月的历史数据，随机抽取10万份数据作为训练用用户特征数据。
步骤s202、根据所述训练用用户特征数据，确定若干训练用属性集和每个属性集中的属性值，并确定本月实际的销售行为效率比为每个所述训练用属性集对应的销售行为效率比。
步骤s203、根据所述训练用属性集和所述销售行为效率比，构建训练集。
步骤s204、根据所述训练集以及前向传播算法进行迭代训练，以得到所述销售预测模型。前向传播算法实现了一个不断迭代直至收敛的过程，每次迭代开始的时候，先取一部分训练数据，通过前向传播算法得到神经网络的一个预测值。将该预测值与训练集的结果数据做比对，基于预测值与结果数据的差值，前向传播算法会更新神经网络中权重参数的取值，以便下一次迭代得到的预测值与真实值之间的差距更小。
通过设置一个收敛条件(本模型中收敛条件设置为与真实值的差距低于正负10％)，当训练结果没有达到收敛条件时，自动调整权重参数进入下一个迭代的训练。
前馈神经网络模型的激活函数、网络层数、每层神经元个数是影响神经网络模型训练效率和预测效果的重要参数，系统将上述3类参数作为可配置值，运维人员可以在系统实际运行中根据训练情况进行调整，实现模型参数调优。
基于步骤s201至s204完成对销售预测模型的训练。
所述销售行为效率比包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费。
本实施例中，在每个自然月初，当用户提交本月的销售目标后，即目标成单件数、目标保费和目标fyc，取上述模型训练中所用属性集以及本月用户设定的目标值作为销售预测模型的输入项，计算输出本月该用户的销售行为效率比。根据该销售行为效率比分解出用户应完成的每日和每周的具体实际销售活动次数，进行任务分解。如果是用户初次使用销售预测模型，系统根据该用户所在职场的平均销售行为效率比给出初始化值。
基于步骤s101至s103完成对用户销售行为效率比的预测，指导销售人员合理安排销售活动。
上述实施例仅为示例性的，仅代表本说明书实施例所采用的一种方式。在另一些可选的实施例中，可以选取上述实施例中用户特征数据所有属性中的一个或多个属性作为属性集，并基于此属性集对销售预测模型进行迭代训练，对销售预测模型的训练方法也不限于前向传播算法，也可以是其他现有技术中常用的神经网络算法。同时，得到用户的销售行为效率比也不限于上述实施例中7项具体数据，可以是其中的一种或几种。
可见，在本实施例中，利用预训练的神经网络模型，以用户基本情况数据、用户历史销售数据和当地保险市场人均历史销售数据作为输入项，实现了个性化地预测销售人员销售行为效率比。与传统的销售行为管理的事后统计不同，本发明计算的销售行为效率比能够个性化的为销售人员提供每月、每周、每日的销售活动安排的合理建议。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种销售预测装置。
参考图3，所述销售预测装置，包括：
获取模块301，被配置为获取用户的用户特征数据；所述用户特征数据包括用户基本情况数据、用户历史销售数据以及人均历史销售数据；
属性确定模块302，被配置为根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
结果获得模块303，被配置为根据所述属性集以及预先训练的销售预测模型，得到所述用户的销售行为效率比，所述销售行为效率比用于指导所述用户的销售行为。
作为一个可选的实施例，所述属性确定模块302，具体被配置为根据所述用户基本情况数据确定的所述属性包括性别、年龄、学历、服务客户数量、入司年限以及职级中的至少一个。
所述用户历史销售数据包括实际销售数据和目标销售数据，根据所述实际销售数据确定的所述属性包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费中的至少一个；根据所述目标销售数据确定的所述属性包括目标成单件数、目标保费以及目标fyc中的至少一个。
根据所述人均历史销售数据确定的所述属性包括人均保费、人均fyc以及人均成单件数中的至少一个。
作为一个可选的实施例，所述结果获得模块303，具体被配置为所述输出属性集包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费中的至少一个。
作为一个可选的实施例，所述销售预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的销售行为效率比；
根据所述训练用属性集和所述销售行为效率比，构建训练集；
根据所述训练集进行迭代训练，以得到所述销售预测模型。
作为一个可选的实施例，所述获取训练用用户特征数据之前还包括对所述用户特征数据进行数据清洗和参数归一化处理。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的销售预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的销售预测方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用rom(readonlymemory，只读存储器)、ram(randomaccessmemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的销售预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的销售预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的销售预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
1.一种销售预测方法，其特征在于，包括：
获取用户的用户特征数据；所述用户特征数据包括用户基本情况数据、用户历史销售数据以及人均历史销售数据；
根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
根据所述属性集以及预先训练的销售预测模型，得到所述用户的销售行为效率比，所述销售行为效率比用于指导所述用户的销售行为。
2.根据权利要求1所述的销售预测方法，其特征在于，还包括：
根据所述用户基本情况数据确定的所述属性包括性别、年龄、学历、服务客户数量、入司年限以及职级中的至少一个；
所述用户历史销售数据包括实际销售数据和目标销售数据，根据所述实际销售数据确定的所述属性包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费中的至少一个；根据所述目标销售数据确定的所述属性包括目标成单件数、目标保费以及目标fyc中的至少一个；
根据所述人均历史销售数据确定的所述属性包括人均保费、人均fyc以及人均成单件数中的至少一个。
3.根据权利要求1所述的销售预测方法，其特征在于，所述销售行为效率比包括获取转介绍、销售约访、客户经营、销售面谈、递送计划书、签投保单以及收取保费中的至少一个。
4.根据权利要求1所述的销售预测方法，其特征在于，所述销售预测模型的训练过程包括：
获取训练用用户特征数据；
根据所述训练用用户特征数据，确定若干训练用属性集，并确定每个所述训练用属性集对应的销售行为效率比；
根据所述训练用属性集和所述销售行为效率比，构建训练集；
根据所述训练集进行迭代训练，以得到所述销售预测模型。
5.根据权利要求4所述的销售预测方法，其特征在于，所述获取训练用用户特征数据之前还包括对所述用户特征数据进行数据清洗和参数归一化处理。
6.一种销售预测装置，其特征在于，包括：
获取模块，被配置为获取用户的用户特征数据；所述用户特征数据包括用户基本情况数据、用户历史销售数据以及人均历史销售数据；
属性确定模块，被配置为根据所述用户特征数据，确定至少三个属性并为所述属性赋值，以得到属性集；
结果获得模块，被配置为根据所述属性集以及预先训练的销售预测模型，得到所述用户的销售行为效率比，所述销售行为效率比用于指导所述用户的销售行为。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至5任一所述方法。
技术总结