本發(fā)明涉及物聯(lián)網(wǎng)，尤其涉及一種面向電信業(yè)務(wù)的數(shù)字化營銷管理系統(tǒng)及方法。

背景技術(shù)：

1、物聯(lián)網(wǎng)技術(shù)領(lǐng)域包含通過智能設(shè)備、網(wǎng)絡(luò)通信和數(shù)據(jù)處理技術(shù)實(shí)現(xiàn)設(shè)備互聯(lián)、信息采集與分析的系統(tǒng)。該技術(shù)領(lǐng)域的核心內(nèi)容包括感知層、網(wǎng)絡(luò)層和應(yīng)用層，其中感知層主要由傳感器、rfid和攝像頭等設(shè)備組成，負(fù)責(zé)收集物理世界的環(huán)境數(shù)據(jù)和設(shè)備狀態(tài)信息；網(wǎng)絡(luò)層通過有線或無線通信技術(shù)，如蜂窩網(wǎng)絡(luò)、wi-fi、藍(lán)牙、lora等，實(shí)現(xiàn)設(shè)備與服務(wù)器之間的通信；應(yīng)用層依托云計(jì)算、大數(shù)據(jù)分析和人工智能技術(shù)，完成數(shù)據(jù)存儲(chǔ)、分析和應(yīng)用服務(wù)，如智能家居、工業(yè)自動(dòng)化和智慧城市等。物聯(lián)網(wǎng)整體技術(shù)領(lǐng)域的系統(tǒng)性發(fā)展涉及數(shù)據(jù)采集、傳輸、處理和應(yīng)用等多個(gè)環(huán)節(jié)，旨在構(gòu)建智能化、自動(dòng)化的數(shù)字世界，提高資源利用率和運(yùn)行效率。

2、其中，面向電信業(yè)務(wù)的數(shù)字化營銷管理系統(tǒng)是指基于電信網(wǎng)絡(luò)環(huán)境，結(jié)合數(shù)據(jù)分析和智能計(jì)算能力，實(shí)現(xiàn)精準(zhǔn)營銷和客戶關(guān)系管理的系統(tǒng)。該系統(tǒng)主要涉及群體行為特征的聚類分析、目標(biāo)客戶群體的精準(zhǔn)定位、營銷內(nèi)容的動(dòng)態(tài)生成與優(yōu)化，以及多渠道營銷方案的執(zhí)行。具體方式包括基于群體行為統(tǒng)計(jì)模型的特征挖掘，采用機(jī)器學(xué)習(xí)模型對群體偏好趨勢進(jìn)行預(yù)測，通過自然語言處理技術(shù)生成分類別營銷內(nèi)容，并借助短信、社交媒體、app推送等渠道進(jìn)行分發(fā)。此外，該系統(tǒng)還通過反饋數(shù)據(jù)的實(shí)時(shí)采集和分析，優(yōu)化后續(xù)營銷策略，提高營銷管理的智能化水平。

3、現(xiàn)有技術(shù)依賴靜態(tài)數(shù)據(jù)統(tǒng)計(jì)，缺乏對時(shí)序分布特征的計(jì)算，導(dǎo)致用戶特征刻畫局限于固定模式。行為軌跡分析停留在離散位置點(diǎn)，未能關(guān)聯(lián)連續(xù)狀態(tài)遷移，影響對群體行為模式的識別。時(shí)間分布特征的建模未結(jié)合多維度統(tǒng)計(jì)指標(biāo)，難以準(zhǔn)確判斷典型行為時(shí)段。行為預(yù)測依賴固定時(shí)間窗口，未考慮周期性變化偏移，降低非規(guī)則行為模式的追蹤能力。營銷策略基于規(guī)則匹配，未能結(jié)合動(dòng)態(tài)行為特征優(yōu)化，影響精準(zhǔn)度和用戶互動(dòng)效果。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的一種面向電信業(yè)務(wù)的數(shù)字化營銷管理系統(tǒng)及方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：一種面向電信業(yè)務(wù)的數(shù)字化營銷管理系統(tǒng)包括：

3、用戶行為監(jiān)測模塊獲取蜂窩通信記錄，采集事件類型、信令強(qiáng)度、通信頻次、駐留時(shí)長，依照時(shí)間戳排序，分區(qū)計(jì)算均值最大值波動(dòng)速率，得到用戶連續(xù)區(qū)段內(nèi)的事件強(qiáng)度變化速率值；

4、路徑軌跡提取模塊基于所述事件強(qiáng)度變化速率值，判定軌跡狀態(tài)，采集基站編號接入狀態(tài)時(shí)間戳，排序生成節(jié)點(diǎn)序列，統(tǒng)計(jì)切換頻次，得出高頻路徑節(jié)點(diǎn)序列；

5、動(dòng)態(tài)作息建模模塊基于所述高頻路徑節(jié)點(diǎn)序列，檢測穩(wěn)定駐留時(shí)長，采集同一時(shí)段內(nèi)多區(qū)域駐留數(shù)據(jù)，統(tǒng)計(jì)下行請求與上行事件頻次，合并頻次數(shù)值，判斷穩(wěn)定區(qū)間，篩選重復(fù)出現(xiàn)時(shí)段，整理日內(nèi)分布，累計(jì)出現(xiàn)天數(shù)，構(gòu)建作息模型，得出核心作息時(shí)段分布值；

6、行為周期分析模塊根據(jù)所述核心作息時(shí)段分布值，調(diào)用連續(xù)日作息時(shí)間，檢測時(shí)段偏移，篩選偏移時(shí)段，整理作息節(jié)點(diǎn)，得到作息周期偏移動(dòng)態(tài)預(yù)測結(jié)果。

7、作為本發(fā)明的進(jìn)一步方案，所述用戶連續(xù)區(qū)段內(nèi)的事件強(qiáng)度變化速率值包括動(dòng)態(tài)指標(biāo)、極值指標(biāo)、波動(dòng)指標(biāo)，所述高頻路徑節(jié)點(diǎn)序列包括核心節(jié)點(diǎn)、時(shí)序關(guān)聯(lián)、切換標(biāo)識，所述核心作息時(shí)段分布值包括主要時(shí)段標(biāo)識、分布特征、集中性指標(biāo)，所述作息周期偏移動(dòng)態(tài)預(yù)測結(jié)果包括周期偏移、偏移幅度、動(dòng)態(tài)趨勢。

8、作為本發(fā)明的進(jìn)一步方案，所述用戶行為監(jiān)測模塊包括：

9、蜂窩通信數(shù)據(jù)采集子模塊獲取蜂窩通信記錄數(shù)據(jù)，采集事件類型、信令強(qiáng)度、通信頻次及駐留時(shí)長，并對所有數(shù)據(jù)按照時(shí)間戳進(jìn)行排序，得到時(shí)序蜂窩通信數(shù)據(jù)；

10、事件信號分析子模塊基于所述時(shí)序蜂窩通信數(shù)據(jù)，針對相同時(shí)間區(qū)間內(nèi)的信令強(qiáng)度、通信頻次及駐留時(shí)長，計(jì)算均值與最大值，并對多項(xiàng)數(shù)據(jù)進(jìn)行時(shí)間序列劃分，識別差異化區(qū)間內(nèi)的變化趨勢，得到區(qū)間信號統(tǒng)計(jì)特征；

11、連續(xù)區(qū)段強(qiáng)度變化計(jì)算子模塊調(diào)用所述區(qū)間信號統(tǒng)計(jì)特征，依據(jù)時(shí)間戳劃分?jǐn)?shù)據(jù)，采用公式：

12、；

13、計(jì)算連續(xù)區(qū)段內(nèi)信號強(qiáng)度變化速率，得到用戶連續(xù)區(qū)段信號變化速率值；

14、其中，代表信號強(qiáng)度變化速率，代表第個(gè)時(shí)間點(diǎn)的信號強(qiáng)度，代表所選區(qū)段的時(shí)間窗口內(nèi)數(shù)據(jù)點(diǎn)總數(shù)，代表時(shí)間窗口總時(shí)長，代表相鄰時(shí)間點(diǎn)的信號強(qiáng)度差值，代表時(shí)間點(diǎn)索引。

15、作為本發(fā)明的進(jìn)一步方案，所述路徑軌跡提取模塊包括：

16、軌跡狀態(tài)判定子模塊基于所述事件強(qiáng)度變化速率值，計(jì)算相鄰時(shí)間點(diǎn)的速率變化差值，判斷軌跡狀態(tài)是否發(fā)生變化，若速率變化超過設(shè)定閾值，則標(biāo)記為軌跡切換點(diǎn)，調(diào)用切換點(diǎn)集合，并匹配對應(yīng)時(shí)間戳，建立軌跡切換時(shí)間序列；

17、節(jié)點(diǎn)序列生成子模塊調(diào)用所述軌跡切換時(shí)間序列，按時(shí)間順序提取基站編號與接入狀態(tài)，匹配時(shí)間戳并排序生成初始節(jié)點(diǎn)序列，篩選連續(xù)接入的基站編號，去除重復(fù)與異常數(shù)據(jù)，構(gòu)建軌跡節(jié)點(diǎn)序列；

18、高頻路徑分析子模塊調(diào)用所述軌跡節(jié)點(diǎn)序列，統(tǒng)計(jì)基站切換頻次，根據(jù)頻次計(jì)算節(jié)點(diǎn)間的連接強(qiáng)度，采用公式：

19、；

20、運(yùn)算獲取節(jié)點(diǎn)間的影響力權(quán)重，篩選閾值以上的高頻節(jié)點(diǎn)，建立高頻路徑節(jié)點(diǎn)序列；

21、其中，代表節(jié)點(diǎn)影響力權(quán)重，代表切換次數(shù)，p，q代表節(jié)點(diǎn)索引，r代表其他節(jié)點(diǎn)索引。

22、作為本發(fā)明的進(jìn)一步方案，所述動(dòng)態(tài)作息建模模塊包括：

23、駐留時(shí)段篩選子模塊基于所述高頻路徑節(jié)點(diǎn)序列，檢測多區(qū)域穩(wěn)定駐留時(shí)長，采集同一時(shí)段內(nèi)多區(qū)域的駐留數(shù)據(jù)，計(jì)算多區(qū)域的駐留時(shí)間占比值，并篩選駐留時(shí)間占比超過設(shè)定閾值的時(shí)段，得到高駐留占比時(shí)段；

24、穩(wěn)定區(qū)間判斷子模塊基于所述高駐留占比時(shí)段，統(tǒng)計(jì)對應(yīng)時(shí)段的下行請求頻次與上行事件頻次，計(jì)算合并頻次數(shù)值，判斷時(shí)段是否屬于穩(wěn)定區(qū)間，篩選在多個(gè)差異化天數(shù)中重復(fù)出現(xiàn)的時(shí)段，得到穩(wěn)定駐留區(qū)間分布；

25、核心作息構(gòu)建子模塊基于所述穩(wěn)定駐留區(qū)間分布，整理多時(shí)段在日內(nèi)的分布情況，累計(jì)相同時(shí)段出現(xiàn)的天數(shù)，采用公式：

26、；

27、運(yùn)算獲取核心作息時(shí)段分布值，并整理在日內(nèi)的時(shí)間區(qū)間，得到核心作息時(shí)段分布；

28、其中，代表核心作息時(shí)段分布值，代表第s天穩(wěn)定駐留時(shí)段的累計(jì)時(shí)長，代表第s天時(shí)段的合并頻次數(shù)值，代表第s天全天駐留總時(shí)長，代表第s天時(shí)段的重復(fù)出現(xiàn)次數(shù)，代表統(tǒng)計(jì)天數(shù)，s代表天數(shù)索引。

29、作為本發(fā)明的進(jìn)一步方案，所述行為周期分析模塊包括：

30、時(shí)段偏移篩選子模塊基于所述核心作息時(shí)段分布值，調(diào)用連續(xù)日作息時(shí)間，計(jì)算多時(shí)間點(diǎn)的時(shí)段間隔，獲取差異化時(shí)間段的作息頻率變化值，篩選時(shí)段變化顯著的數(shù)據(jù)點(diǎn)，提取多作息時(shí)間點(diǎn)的偏移幅度與方向，并計(jì)算偏移時(shí)段的標(biāo)準(zhǔn)化值與累計(jì)偏移率，獲取偏移時(shí)段數(shù)據(jù)；

31、作息節(jié)點(diǎn)整理子模塊調(diào)用所述偏移時(shí)段數(shù)據(jù)，檢測高頻出現(xiàn)的作息時(shí)間點(diǎn)，計(jì)算相鄰時(shí)間點(diǎn)的偏移趨勢，判斷時(shí)間節(jié)點(diǎn)的穩(wěn)定性，篩選波動(dòng)范圍較低的時(shí)間點(diǎn)，重新劃分作息周期節(jié)點(diǎn)，得到作息周期穩(wěn)定節(jié)點(diǎn)；

32、周期偏移預(yù)測子模塊調(diào)用所述作息周期穩(wěn)定節(jié)點(diǎn)，計(jì)算多時(shí)間點(diǎn)的偏移趨勢與波動(dòng)范圍，建立周期偏移計(jì)算模型，采用公式：

33、；

34、計(jì)算周期偏移復(fù)合指數(shù)，獲取偏移趨勢向量，結(jié)合往期數(shù)據(jù)分析偏移變化速率，生成作息周期偏移動(dòng)態(tài)預(yù)測結(jié)果；

35、其中，代表周期偏移復(fù)合指數(shù)，代表第t天的偏移量，代表第t天偏移方向系數(shù)，代表第t天的穩(wěn)定性系數(shù)，代表統(tǒng)計(jì)周期內(nèi)的總天數(shù)，代表偏移量的期望值，代表正則化因子，t代表周期天數(shù)索引。

36、作為本發(fā)明的進(jìn)一步方案，所述系統(tǒng)還包括：

37、用戶畫像生成模塊調(diào)用所述作息周期偏移動(dòng)態(tài)預(yù)測結(jié)果，識別節(jié)假日模式標(biāo)簽，采集高頻路徑節(jié)點(diǎn)及核心停駐特征，統(tǒng)計(jì)時(shí)空分布，生成用戶行為畫像，得出動(dòng)態(tài)行為畫像參數(shù)集；

38、所述動(dòng)態(tài)行為畫像參數(shù)集包括模式標(biāo)簽、路徑特性、時(shí)空參數(shù)。

39、作為本發(fā)明的進(jìn)一步方案，所述用戶畫像生成模塊包括：

40、作息活動(dòng)變異性分析子模塊調(diào)用所述作息周期偏移動(dòng)態(tài)預(yù)測結(jié)果，計(jì)算用戶在差異化時(shí)間段的活動(dòng)偏移值，采用公式：

41、；

42、運(yùn)算獲取日間活動(dòng)變異性指標(biāo)，得到作息偏移分布參數(shù)；

43、其中，代表日間活動(dòng)變異性指標(biāo)，代表第個(gè)時(shí)間點(diǎn)的活動(dòng)記錄，代表測量的總時(shí)間點(diǎn)數(shù)，代表所有時(shí)間點(diǎn)的平均活動(dòng)時(shí)間，代表所有時(shí)間點(diǎn)的標(biāo)準(zhǔn)差，u代表時(shí)間點(diǎn)索引；

44、節(jié)假日模式識別子模塊基于所述作息偏移分布參數(shù)，比對用戶在工作日與節(jié)假日的作息差異，統(tǒng)計(jì)差異化時(shí)間段的行為變化趨勢，計(jì)算多時(shí)間段的作息偏移量，根據(jù)作息偏移均值與標(biāo)準(zhǔn)差篩選節(jié)假日行為特征值，篩選變化最明顯的時(shí)間段，獲取節(jié)假日模式標(biāo)簽；

45、時(shí)空行為統(tǒng)計(jì)子模塊調(diào)用所述節(jié)假日模式標(biāo)簽，采集用戶高頻路徑節(jié)點(diǎn)及核心停駐位置，統(tǒng)計(jì)多路徑節(jié)點(diǎn)的停駐時(shí)間，計(jì)算差異化區(qū)域的停駐時(shí)間占比，根據(jù)停駐時(shí)間的離散程度計(jì)算時(shí)空活動(dòng)分布，生成用戶行為畫像，得出動(dòng)態(tài)行為畫像參數(shù)集。

46、一種面向電信業(yè)務(wù)的數(shù)字化營銷管理方法，所述面向電信業(yè)務(wù)的數(shù)字化營銷管理方法基于上述面向電信業(yè)務(wù)的數(shù)字化營銷管理系統(tǒng)執(zhí)行，包括以下步驟：

47、s1：獲取蜂窩通信記錄，采集事件類型、信令強(qiáng)度、通信頻次、駐留時(shí)長，并依據(jù)時(shí)間戳進(jìn)行排序，分區(qū)計(jì)算均值、最大值、波動(dòng)速率，得到用戶連續(xù)區(qū)段內(nèi)的事件強(qiáng)度變化速率值；

48、s2：基于所述用戶連續(xù)區(qū)段內(nèi)的事件強(qiáng)度變化速率值，判定軌跡狀態(tài)，采集基站編號接入狀態(tài)時(shí)間戳，排序生成節(jié)點(diǎn)序列，統(tǒng)計(jì)切換頻次，得到高頻路徑節(jié)點(diǎn)序列；

49、s3：調(diào)用所述高頻路徑節(jié)點(diǎn)序列，檢測穩(wěn)定駐留時(shí)長，采集同一時(shí)段內(nèi)多區(qū)域駐留數(shù)據(jù)，統(tǒng)計(jì)下行請求與上行事件頻次，將頻次數(shù)值合并，依據(jù)駐留時(shí)長篩選穩(wěn)定區(qū)間，篩選重復(fù)出現(xiàn)時(shí)段，整理日內(nèi)分布，累計(jì)出現(xiàn)天數(shù)，建立核心作息時(shí)段分布值；

50、s4：根據(jù)所述核心作息時(shí)段分布值，調(diào)用連續(xù)日作息時(shí)間，檢測時(shí)段偏移，篩選偏移時(shí)段，整理作息節(jié)點(diǎn)，得到作息周期偏移動(dòng)態(tài)預(yù)測結(jié)果；

51、s5：調(diào)用所述作息周期偏移動(dòng)態(tài)預(yù)測結(jié)果，結(jié)合電信業(yè)務(wù)推送數(shù)據(jù)，篩選目標(biāo)用戶活躍時(shí)段，匹配適應(yīng)性營銷推送時(shí)間，得到用戶營銷觸達(dá)時(shí)段優(yōu)化值。

52、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)和積極效果在于：

53、本發(fā)明中，通過蜂窩通信數(shù)據(jù)的群體特征建模，能夠精準(zhǔn)計(jì)算行為趨勢變化速率，動(dòng)態(tài)刻畫群體行為特征。高頻區(qū)域節(jié)點(diǎn)序列的提取，使行為軌跡的分析從單點(diǎn)離散狀態(tài)轉(zhuǎn)變?yōu)槁窂疥P(guān)聯(lián)模式，實(shí)現(xiàn)對群體活動(dòng)模式的精準(zhǔn)識別?；谌后w駐留時(shí)長統(tǒng)計(jì)與多維行為指標(biāo)的交叉分析，構(gòu)建時(shí)間分布模型，識別穩(wěn)定行為區(qū)間及典型模式，提升對群體行為特征的解析能力。周期偏移的動(dòng)態(tài)預(yù)測，使非規(guī)則行為趨勢得到有效跟蹤。結(jié)合節(jié)假日特征識別與熱點(diǎn)區(qū)域分布特征，優(yōu)化營銷策略匹配，提升分群推薦策略的精準(zhǔn)度。