经纪人激励活动奖励金额的设定方法、装置及计算机设备

摘要

本发明提供一种经纪人激励活动奖励金额的设定方法、装置及计算机设备，其中，方法通过获取活动开展前的基础数据和活动开展历史数据作为初始数据，并对初始数据进行预处理，得到目标数据，再根据目标数据计算和统计得到活动金额的影响因素，并进一步，基于神经网络模型，建立活动定价预测模型，通过目标数据对活动定价预测模型进行训练，输出活动定价预测值，并将活动定价预测值设定为经纪人激励活动奖励金额，从而实现合理的设定经纪人激励活动奖励金额，进一步提高经纪人转化效率和开发商资金使用效率，便于发展更多的有价值的经纪人。

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种经纪人激励活动奖励金额的设定方法、装置及计算机设备。

背景技术

随着房地产库存的日益增大，房地产市场竞争日益激烈，为了抢占更多的市场份额，传统的营销模式已经不能满足市场需要，越来越多的开发商开始重视渠道获客，特别是全民营销渠道，目前发展全民营销渠道经纪人的方式主要是线上获客，即经纪人可以在线上参与邀请好友、分享文章、报备客户等活动获得奖励，但是其中奖励金额的设定还不够合理，这就导致开发商资金使用效率不高，经纪人转化效率低。为了提高经纪人转化效率，发展更多的有价值的经纪人，设定合理的活动奖励金额就显得尤为重要。

发明内容

基于此，有必要针对上述技术问题，提供一种经纪人激励活动奖励金额的设定方法、装置及计算机设备。

一种经纪人激励活动奖励金额的设定方法，所述方法包括：获取活动开展前的基础数据和活动开展历史数据，构成初始数据；对所述初始数据进行预处理，得到目标数据；根据所述目标数据计算和统计得到活动金额的影响因素；根据所述影响因素，基于神经网络模型，建立活动定价预测模型；通过所述目标数据对所述活动定价预测模型进行训练，输出活动定价预测值；将所述活动定价预测值设定为经纪人激励活动奖励金额，并将该活动开展结果数据存入数据库。

在其中一个实施例中，所述初始数据，具体包括：楼盘数据、经纪人数据、活动开展数据和活动开展所在城市数据。

在其中一个实施例中，对所述初始数据进行数据预处理，得到目标数据步骤，具体为：排除所述初始数据中的测试数据和异常数据，得到清洗后的数据；通过所述清洗后的数据进行数据统计，统计得到各预设数据类型的值，构成目标数据。

在其中一个实施例中，所述各预设数据类型的值，具体包括活动开展内的全民营销经纪人人数，全民营销渠道成交套数，开展活动目标成交套数、房源每套房销售单价，房源每套面积，经纪人佣金比率，和活动佣金比率。

在其中一个实施例中，所述影响因素，具体为活动开展所在城市的城市总人数，城市面积，住宅平均房价，居民人均可支配收入，居民人均消费支出，活动开展时长，以及目标注册经纪人人数。

在其中一个实施例中，所述目标注册经纪人人数＝全民营销经纪人人数*开展活动目标成交套数/全民营销渠道成交套数。

在其中一个实施例中，通过所述目标数据对所述活动定价预测模型进行训练，输出活动定价预测值步骤之后，还包括：根据所述目标数据，计算目标经纪人注册人数区间与目标费效比区间。根据所述影响因素和所述活动定价预测值，基于回归模型，建立活动人数预测模型；通过所述目标数据和所述活动定价预测值，对所述活动人数预测模型进行训练，得到活动人数预测值；根据所述活动人数预测值、所述目标经纪人注册人数区间和所述目标费效比区间，检验所述活动定价预测值的合理性。

在其中一个实施例中，根据所述目标数据，计算目标经纪人注册人数区间与目标费效比区间步骤，具体为：通过所述目标经纪人注册人数，计算目标经纪人注册人数区间；根据所述房源每套房销售单价和所述房源每套面积，计算得到每套房产总价；根据所述每套房产总价和所述经纪人佣金比率，计算得到渠道佣金总额；根据所述渠道佣金总额和所述活动佣金比率，计算得到活动开展奖励总金额；根据所述活动开展奖励总金额和所述目标经纪人注册人数，计算得到目标活动费效比；根据所述目标活动费效比，计算得到目标活动费效比区间。

一种经纪人激励活动奖励金额的设定装置，包括数据获取模块、数据处理模块、影响因素计算模块、定价模型建立模块、定价预测输出模块和奖励金额设定模块，其中：所述数据获取模块用于，获取活动开展前的基础数据和活动开展历史数据，构成初始数据；所述数据处理模块用于，对所述初始数据进行预处理，得到目标数据；所述影响因素计算模块用于，根据所述目标数据计算和统计得到活动金额的影响因素；所述定价模型建立模块用于，根据所述影响因素，基于神经网络模型，建立活动定价预测模型；所述定价预测输出模块用于，通过所述目标数据对所述活动定价预测模型进行训练，输出活动定价预测值；所述奖励金额设定模块用于，将所述活动定价预测值设定为经纪人激励活动奖励金额，并将该活动开展结果数据存入数据库。

一种计算机设备，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述各个实施例中所述的经纪人激励活动奖励金额的设定方法的步骤。

上述经纪人激励活动奖励金额的设定方法、装置及计算机设备，通过获取活动开展前的基础数据和活动开展历史数据作为初始数据，并对初始数据进行预处理，得到目标数据，再根据目标数据计算和统计得到活动金额的影响因素，并进一步，基于神经网络模型，建立活动定价预测模型，通过目标数据对活动定价预测模型进行训练，输出活动定价预测值，并将活动定价预测值设定为经纪人激励活动奖励金额，从而实现合理的设定经纪人激励活动奖励金额，进一步提高经纪人转化效率和开发商资金使用效率，便于发展更多的有价值的经纪人。

附图说明

图1为一个实施例中经纪人激励活动奖励金额的设定方法的流程示意图；

图2为一个实施例中活动定价预测模型的示意图；

图3为一个实施例中经纪人激励活动奖励金额的设定装置的结构框图；

图4是一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在一个实施例中，如图1所示，提供了一种经纪人激励活动奖励金额的设定方法，包括以下步骤：

S110获取活动开展前的基础数据和活动开展历史数据，构成初始数据。

在一个实施例中，步骤S110中的初始数据，具体包括：楼盘数据、经纪人数据、活动开展数据和活动开展所在城市数据。

具体地，活动开展前的基础数据至少包括楼盘经纪人明细数据，经纪人报备成交数据，经纪人明细数据应该包含经纪人的姓名、性别、年龄、电话、渠道类型等。经纪人报备成交数据应该包含成交的订单编号和成交日期。活动开展历史数据应该包含活动开展的时间，活动参与情况相关信息，开展活动关联楼盘等数据。获取数据的方式可以直接从公司数据库获取或者从其他数据公司获取数据。获取活动开展所在城市的信息，包括城市总人数，城市面积，城市的居民人均可支配收入与居民人均消费支出，可以从中国统计年鉴获取数据。

S120对初始数据进行预处理，得到目标数据。

在一个实施例中，步骤S120具体为：排除初始数据中的测试数据和异常数据，得到清洗后的数据；通过清洗后的数据进行数据统计，统计得到各预设数据类型的值，构成目标数据。

具体地，对步骤S110中获取的数据进行数据预处理，排除测试数据、异常数据，例如剔除活动奖励金额为0的异常数据，剔除活动异常数据，比如违背活动规则参与活动的数据。

在一个实施例中，上述步骤中各预设数据类型的值，具体包括活动开展内的全民营销经纪人人数，全民营销渠道成交套数，开展活动目标成交套数、房源每套房销售单价，房源每套面积，经纪人佣金比率，和活动佣金比率。具体地，通过清洗好的数据统计出的活动开展范围内的现有的全民营销经纪人人数，用broker_num表示；全民营销渠道成交套数，用deal_room_num表示；开展活动目标成交套数，用target_room_num表示；房源每套房屋销售单价，用price(元 /平方米)表示；房源每套面积area；经纪人总佣金比率rate1，活动佣金比率rate2。

S130根据目标数据计算和统计得到活动金额的影响因素。

在一个实施例中，步骤S130中的影响因素，具体为活动开展所在城市的城市总人数，城市面积，住宅平均房价，居民人均可支配收入，居民人均消费支出，活动开展时长，以及目标注册经纪人人数。

具体地，通过步骤S120中处理的数据统计出活动开展所在城市的城市总人数(X1)、城市面积(X2)、住宅平均房价(X3)、居民人均可支配收入(X4)、居民人均消费支出(X5)、活动开展时长(X6)、目标注册经纪人人数(X7)，对活动定价规律进行影响因素分析，初步判断各个指标与活动定价的相关性，活动定价为注册经纪人邀请一位新人注册成为经纪人产生的经纪人邀请金额与注册人获得注册奖励金额之和。

在一个实施例中，目标注册经纪人人数＝全民营销经纪人人数*开展活动目标成交套数/全民营销渠道成交套数。具体地，目标经纪人注册人数： target_broker_num＝broker_num*target_room_num/deal_room_num。

S140根据影响因素，基于神经网络模型，建立活动定价预测模型。

具体地，构建BP神经网络模型，建立定价方案。BP网络模型是经典的前向网络，主要由输入层、隐层(可有若干层)和输出层组成。根据因素指标，建立活动定价预测模型，并反复试算，确定隐层的最佳层数k，即7×k×1的活动定价预测模型，如图2所示。BP算法将神经网络学习输入输出的映射问题转变为一个非线性优化问题，可使用最优化理论中的梯度下降算法，用迭代运算修正网络权重，以实现网络输出与期望输出间的均方误差最小化。BP神经网络由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入信息从输入层经隐层逐层处理，传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出，则转向反向传播，将误差信号沿原来的连接通路返回，通过修改各层的权重使得误差信号最小。输入信息经输入层处理，传向隐层，得到：

式中

信息由隐层输入经隐层处理，传入输出层，得到：

式中：

S150通过目标数据对活动定价预测模型进行训练，输出活动定价预测值。

具体地，通过目标数据对活动定价数据进行神经网络训练，输出活动定价预测值。

在一个实施例中，步骤S150之后，还包括：根据目标数据，计算目标经纪人注册人数区间与目标费效比区间。根据影响因素和活动定价预测值，基于回归模型，建立活动人数预测模型；通过目标数据和活动定价预测值，对活动人数预测模型进行训练，得到活动人数预测值；根据活动人数预测值、目标经纪人注册人数区间和目标费效比区间，检验活动定价预测值的合理性。具体地，预测活动人数，构建指标体系，分析影响活动参与人数的因素，可能包括城市总人数(X1)、城市面积(X2)、住宅平均房价(X3)、居民人均可支配收入 (X4)、居民人均消费支出(X5)、活动开展时长(X6)、目标注册经纪人人数(X7)、活动定价(X8)，建立回归模型：

Y＝β

其中β

将步骤S140建立的活动定价预测模型得到的定价数据，以及其他的必要数据活动参与人数预测模型得到活动参与人数预测值。再对活动定价预测结果进行评价：通过开展活动激发的经纪人注册人数在目标注册人数区间范围内，即预测参与人数落在目标参与人数区间，并且开展活动的费效比在合理范围内。说明定价合理。

在一个实施例中，步骤根据目标数据，计算目标经纪人注册人数区间与目标费效比区间步骤，具体为：通过目标经纪人注册人数，计算目标经纪人注册人数区间；根据房源每套房销售单价和房源每套面积，计算得到每套房产总价；根据每套房产总价和经纪人佣金比率，计算得到渠道佣金总额；根据渠道佣金总额和活动佣金比率，计算得到活动开展奖励总金额；根据活动开展奖励总金额和目标经纪人注册人数，计算得到目标活动费效比；根据目标活动费效比，计算得到目标活动费效比区间。具体地，先计算目标经纪人注册人数区间：

①计算目标经纪人注册人数：

target_broker_num＝broker_num*target_room_num/deal_room_num

②确定目标经纪人注册人数区间，注册人数区间下限表示开展一次活动获取的新注册经济人数应该不低于target_broker_num*0.8，在保证费效比处于较低水平下获取的新注册经纪人人数越多越好：

[target_broker_num*0.8，target_broker_num*10]

(1)计算目标活动费效比区间，费效比等价于平均获得每个经纪人需要耗费的成本，即预测费效比落在目标费效比区间。费效比区间上限表示活动费效比不高于ROT*1.2，在保证注册人数达到目标注册人数的前提下，费效比越低越好：

①计算每套房产的总价：amount＝price*area

②计算渠道佣金总额：

③计算活动开展奖励总金额：activity_amount＝total_Commission*rate2

④计算目标活动费效比：ROI＝activity_amount/target_broker_num

⑤计算目标活动费效比区间：(0，ROI*1.2]。

S160将活动定价预测值设定为经纪人激励活动奖励金额，并将该活动开展结果数据存入数据库。

具体地，最后将活动定价预测模型所预测到的活动定价预测值，设定为经纪人激励活动奖励金额。并将该活动开展结果数据存入数据库，作为后续计算的历史数据。

上述实施例中，通过获取活动开展前的基础数据和活动开展历史数据作为初始数据，并对初始数据进行预处理，得到目标数据，再根据目标数据计算和统计得到活动金额的影响因素，并进一步，基于神经网络模型，建立活动定价预测模型，通过目标数据对活动定价预测模型进行训练，输出活动定价预测值，并将活动定价预测值设定为经纪人激励活动奖励金额，从而实现合理的设定经纪人激励活动奖励金额，进一步提高经纪人转化效率和开发商资金使用效率，便于发展更多的有价值的经纪人。

在一个实施例中，如图3所示，提供了一种经纪人激励活动奖励金额的设定装置200，该装置包括数据获取模块210、数据处理模块220、影响因素计算模块230、定价模型建立模块240、定价预测输出模块250和奖励金额设定模块 260，其中：

数据获取模块210用于，获取活动开展前的基础数据和活动开展历史数据，构成初始数据；

数据处理模块220用于，对初始数据进行预处理，得到目标数据；

影响因素计算模块230用于，根据目标数据计算和统计得到活动金额的影响因素；

定价模型建立模块240用于，根据影响因素，基于神经网络模型，建立活动定价预测模型；

定价预测输出模块250用于，通过目标数据对活动定价预测模型进行训练，输出活动定价预测值；

奖励金额设定模块260用于，将活动定价预测值设定为经纪人激励活动奖励金额，并将该活动开展结果数据存入数据库。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配置模板，还可用于存储目标网页数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种经纪人激励活动奖励金额的设定方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。