商机转化概率的预测方法、装置及计算机可读存储介质与流程

1.本发明属于商机成交概率预测技术领域，具体涉及一种商机转化概率的预测方法、装置及计算机可读存储介质。


背景技术：

2.商机是指市场上存在的尚未被满足或者尚未被充分满足的消费需求，在销售领域中，一个商机就是一个获取利润的机会；在现代销售管理体系里，客户是一切销售行为的基础，在挖掘到潜在的客户之后，逐步将潜在客户往实际下单客户进行转化，这一过程就是商机转换过程的体现。
3.目前，进行商机转换的主要方式为：销售人员在商机洽谈初期，对客户进行逐步沟通以及拜访，以在沟通和拜访过程中逐步将潜在客户转换为实际下单客户；然而，在传统的销售公司中，一个销售人员往往会被分配有多个商机，且销售人员为了签单成功率，通常会对商机进行评估，从而选择易成交的商机进行优先沟通和拜访，但是，销售人员在进行商机评估时，通常是基于个人主观经验判断商机的成交概率，其存在以下不足：经验复制成本高，且判断不准确，无法有效提高销售人员的签单率；因此，提供一种基于深度学习模型的商机转化概率的预测方法迫在眉睫。


技术实现要素：

4.本发明的目的是提供一种商机转化概率的预测方法、装置及计算机可读存储介质，以解决现有商机成交概率采用经验判断所存在的判断不准确以及无法有效提高销售人员的签单率的问题。
5.为了实现上述目的，本发明采用以下技术方案：
6.第一方面，本发明提供了一种商机转化概率的预测方法，包括：
7.获取至少一个商机数据，其中，所述至少一个商机数据中的每个商机数据包括拜访记录；
8.对所述每个商机数据进行数据处理，得到每个商机数据对应的概率预测数据；
9.将每个商机数据对应的概率预测数据输入至商机转化概率预测模型中，得到每个商机数据对应的商机转化概率，其中，所述商机转化概率用于表征商机数据对应客户的成交概率，且所述商机转化概率预测模型包括bert网络以及文本分类输出层；
10.所述bert网络作为所述商机转化概率预测模型的主干特征提取网络，用于提取所述概率预测数据的特征信息；
11.所述文本分类输出层用于根据所述特征信息进行二分类预测，以输出所述概率预测数据对应的商机转化概率。
12.基于上述公开的内容，本发明通过构建基于深度学习网络的商机转化概率预测模型，来根据拜访记录进行商机转化概率的预测，即该模型可帮助销售人员预估出对应商机的成交概率，由此，该模型的使用，避免了传统经验判断所存在的判断不准确的问题，同时，
销售人员可根据预估出的成交概率，来优先拜访成交概率高的客户，从而避免无效拜访，不仅可提升销售人员的工作效率以及业绩，还可提高公司的整体营收。
13.在一个可能的设计中，在获取至少一个商机数据前，所述方法还包括：
14.获取多个历史商机数据，其中，所述多个历史商机数据中的每个历史商机数据包括历史拜访记录以及商机成交状态；
15.根据所述每个历史商机数据，构建概率预测训练数据集；
16.以所述概率预测训练数据集为输入，所述每个历史商机数据对应的商机成交状态为输出，训练所述bert网络以及所述文本分类输出层，得到所述商机转化概率预测模型。
17.基于上述公开的内容，本发明公开了商机转化概率预测模型的具体训练方法，即利用多个历史商机数据中的历史拜访记录以及对应的成交状态生成概率预测训练数据集，从而以该训练数据集为输入(实质为以历史拜访记录为输入)，每个历史商机数据对应的成交状态为输出，进行bert网络以及文本分类输出层的训练，从而在海量数据的训练下，得到商机转化概率预测模型。
18.在一个可能的设计中，所述历史拜访记录包括拜访信息以及客户反馈信息，且所述拜访信息包括商机编号以及客户拜访时间；
19.相应的，根据所述每个历史商机数据，构建概率预测训练数据集，包括:
20.将所述每个历史商机数据中的历史拜访记录按照时间顺序拼接为长文本数据，其中，所述时间顺序为所述历史拜访记录中的客户拜访时间的先后顺序；
21.将所述每个历史商机数据的商机编号，作为每个历史商机数据对应的长文本数据的标签，以得到每个历史商机数据对应的拜访反馈文本数据；
22.利用每个历史商机数据对应的拜访反馈文本数据以及对应的商机成交状态，组成所述概率预测训练数据集。
23.基于上述公开的内容，由于一个历史商机对应有至少一个历史拜访记录，由此，需要将一个历史商机中的所有历史拜访记录合并为一个文本数据，即进行数据拼接，得到长文本数据，然后再将长文本数据与该历史商机对应的商机编号进行一一对应，对应后即可得到该历史商机对应的拜访反馈文本数据，最后，利用多个拜访反馈文本数据以及历史商机对应商机成交状态即可组成概率预测训练数据集。
24.在一个可能的设计中，所述商机成交状态包括1和0，其中，1表示商机成交状态为已成交，0表示商机成交状态为失败。
25.在一个可能的设计中，在得到每个商机数据对应的商机转化概率后，所述方法还包括：
26.按照从高到低的顺序将每个商机数据对应的商机转化概率进行排序，并将排序顺序作为每个商机数据对应客户的拜访优先级，其中，商机转化概率越大，拜访优先级越高。
27.基于上述公开的内容，商机转化概率代表着商机对应客户的成交概率，因此，各个商机数据的商机转化概率的排序，也就代表着拜访优先级，即商机转化概率越大，拜访优先级越高；由此通过前述设计，销售人员可基于该排序，进行客户的优先拜访，从而提高签单率。
28.在一个可能的设计中，在得到每个商机数据对应的商机转化概率后，所述方法还包括：
29.获取所述每个商机数据对应的拜访次数；
30.根据所述每个商机数据对应的拜访次数以及商机转化概率，对每个商机数据对应的拜访记录进行拜访评估，得到拜访评估结果，其中，所述拜访评估结果包括虚假拜访和无效拜访。
31.基于上述公开的内容，可根据每个商机数据对应的拜访次数以及商机转化概率，来进行该商机的拜访评估，即当拜访次数很多而商机转化概率持续偏低时，可判定为该商机的拜访记录为虚假拜访和/或无效拜访；由此，可帮助公司督导人员由随机回访客户转变为重点回访拜访次数多且商机转化概率低的客户，从而提升督导工作效率以及客户体验。
32.第二方面，本发明提供了一商机转化概率的预测装置，包括：
33.获取单元，用于获取至少一个商机数据，其中，所述至少一个商机数据中的每个商机数据包括拜访记录；
34.数据处理单元，用于对所述每个商机数据进行数据处理，得到每个商机数据对应的概率预测数据；
35.转换概率预测单元，用于将每个商机数据对应的概率预测数据输入至商机转化概率预测模型中，得到每个商机数据对应的商机转化概率，其中，所述商机转化概率用于表征商机数据对应客户的成交概率，且所述商机转化概率预测模型包括bert网络以及文本分类输出层；
36.所述bert网络作为所述商机转化概率预测模型的主干特征提取网络，用于提取所述概率预测数据的特征信息；
37.所述文本分类输出层用于根据所述特征信息进行二分类预测，以输出所述概率预测数据对应的商机转化概率。
38.在一个可能的设计中，所述装置还包括：训练单元；
39.所述获取单元，还用于获取多个历史商机数据，其中，所述多个历史商机数据中的每个历史商机数据包括历史拜访记录以及商机成交状态；
40.所述数据处理单元，还用于根据所述每个历史商机数据，构建概率预测训练数据集；
41.所述训练单元，用于以所述概率预测训练数据集为输入，所述每个历史商机数据对应的商机成交状态为输出，训练所述bert网络以及所述文本分类输出层，得到所述商机转化概率预测模型。
42.第三方面，本发明提供了另一种商机转化概率的预测装置，以装置为计算机主设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述商机转化概率的预测方法。
43.第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述商机转化概率的预测方法。
44.第五方面，本发明供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述商机转化概率的预测方法。
附图说明
45.图1为本发明提供的商机转化概率的预测方法的步骤流程示意图；
46.图2为本发明提供的商机转化概率预测模型的训练步骤流程示意图；
47.图3为本发明提供的商机转化概率的预测装置的结构示意图；
48.图4为本发明提供的计算机主设备的结构示意图。
具体实施方式
49.下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
50.应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
51.应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，单独存在b，同时存在a和b三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，a/和b，可以表示：单独存在a，单独存在a和b两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
52.实施例
53.首先，为本技术构建基于拜访记录的深度学习网络预测模型(即商机转化概率预测模型)，以便基于该商机数据对应的拜访记录，进行该商机成交率的预测；由此，该模型的使用，使得商机成交概率的预测更客观以及更准确，同时，销售人员也可根据预估出的成交概率，来优先拜访成交概率高的客户，从而避免无效拜访，不仅可提升销售人员的工作效率以及业绩，还可提高公司的整体营收，适用于大规模推广与应用。
54.其次，下述提供一种应用时的商机转化概率预测模型的网络架构，该模型包括bert网络(bidirectional encoder representations from transformer，其是基于transformer的双向编码器表征，是一种自编码语言网络)以及文本分类输出层；在具体应用时，bert网络作为商机转化概率预测模型的主干特征提取网络，用于提取输入的商机数据的特征信息，而文本分类输出层则用于根据所述特征信息进行二分类预测，以输出商机数据对应的商机转化概率；具体的，bert网络采用主流的特征提取器transformer，不仅可实现双向语言模型，还可很好的提取数据的上下文特征，即bert网络是将输入的商机数据映射到隐层特征空间，得到特征数据，而文本分类输出层相当于一个全连接层，在整个模型中起到“分类器”的作用，实质为：将特征数据映射到样本标记空间的作用，从而实现概率预测。
55.具体应用时，文本分类输出层的输出结果，可以表示为输入的商机数据属于某一类的概率，即输出属于“1”(商机成交)的概率或属于为“0”(商机失败)的概率；可选的，该文本分类输出层可使用lstm(long short term memory网络，长短期记忆) 全连接层作为分
类模型，也就就是起到分类预测的作用。
56.最后，参见图2所示，具体实施时，为本技术提供一种应用时的商机转化概率预测模型的训练方法，其可以但不限于包括如下步骤s01～s03。
57.s01.获取多个历史商机数据，其中，所述多个历史商机数据中的每个历史商机数据包括历史拜访记录以及商机成交状态。
58.步骤s01则是抓取已有的商机数据，该已有的商机数据为已经成交或失败的商机数据，同时，由于销售人员在拜访客户后，会根据本次拜访情况填写相应的历史拜访记录，因此，可将历史拜访记录、商机成交状态与该商机进行对应，从而组成历史商机数据。
59.可选的，拜访记录内记录了拜访信息以及客户反馈信息，且所述拜访信息包括商机编号以及客户拜访时间；如，对于商机编号为1的历史商机数据(下述称为历史商机1)，销售人员填写的拜访信息可以但不限于为：“2021-10-24，上午11点，请客户吃饭，聊的很愉快”、“2021-10-24，下午2点，到客户公司面谈”、“2021-10-23，上午9点，带客户去看广告点位情况”和“2021-10-26，上午10点，再次去客户公司面谈”等；又如，客户反馈信息为：“2021-10-24，上午11点，请客户吃饭，聊的很愉快，客户回复为认可我们媒体，但是需要请示领导”、“2021-10-24，下午2点，到客户公司面谈，客户回复为价格高了，需要考虑一下”、“2021-10-23，上午9点，带客户去看广告点位情况，客户回复为点位很好，很不错”以及“2021-10-26，上午10点，再次去客户公司面谈后，客户回复为友商跟该客户沟通过投放方案”等。
60.由此，即可基于前述历史商机数据构建训练数据集，从而用于模型的训练，以达到基于拜访记录进行商机转化概率预测的目的，具体训练过程如下述步骤s02和步骤s03所示。
61.s02.根据所述每个历史商机数据，构建概率预测训练数据集；具体实施时，由于一个商机对应有一个或多个历史拜访记录，因此，需要将一个商机中的所有历史拜访记录合并为一个文本数据，作为一个整体组成训练数据，具体过程如下述步骤s021～s023所示。
62.s021.将所述每个历史商机数据中的历史拜访记录按照时间顺序拼接为长文本数据，其中，所述时间顺序为所述历史拜访记录中的客户拜访时间的先后顺序。
63.步骤s021则是对一个历史商机数据中的所有历史拜访记录进行合并的过程，具体应用时，可将任一历史商机数据中的每个历史拜访记录作为一个文本数据，然后将所有历史拜访记录拼接为长文本数据；在前述举例的基础上进行阐述：
64.历史商机1对应有4个历史拜访记录，每个时间段对应的历史拜访记录作为一个文本数据，同时，按照客户拜访时间顺序排序为：2021-10-23，上午9点——2021-10-24，上午11点——2021-10-24，下午2点——2021-10-26，上午10点，因此，拼接顺序依次为文本数据1、文本数据2、文本数据3以及文本数据4，由此，将前述4个文本数据进行拼接，即可得到包含有4个文本数据的长文本数据。
65.在得到每个历史商机数据对应的长本文数据后，即可将该长文本数据与历史商机数据对应的商机编号进行一一匹配，以便组成拜访反馈文本数据，如以下步骤s022所示。
66.s022.将所述每个历史商机数据的商机编号，作为每个历史商机数据对应的长文本数据的标签，以得到每个历史商机数据对应的拜访反馈文本数据；由此，在具体应用时，一个商机编号则对应该商机编号所属商机的长文本数据，可以但不限于由如下格式表示：
67.历史商机1(text
t11
,text
t12
,...,text
t1m
)，其中m表示拜访记录的总个数，而历史商机1则为历史商机数据对应的商机编号。
68.在得到每个历史商机数据对应的拜访反馈文本数据后，利用所有历史商机数据的拜访反馈文本数据以及该历史商机数据对应的商机成交状态，即可组成概率预测训练数据集，如下述步骤s023所示。
69.s023.利用每个历史商机数据对应的拜访反馈文本数据以及对应的商机成交状态，组成所述概率预测训练数据集；具体应用时，该概率预测训练数据集中的拜访反馈文本数据可以但不限于采用如下格式表示：
70.{历史商机1(text
t11
,text
t12
,...,text
t1m
)，历史商机2(text
t21
,text
t22
,...,text
t2m
)，...历史商机n(text
tn1
,text
tn2
,...,text
tnm
)}。
71.在得到概率预测训练数据集后，即可将该训练数据集输入至bert网络以及所述文本分类输出层中进行训练，以得到商机转化概率预测模型，训练过程如下述步骤s03所示。
72.s03.以所述概率预测训练数据集为输入，所述每个历史商机数据对应的商机成交状态为输出，训练所述bert网络以及所述文本分类输出层，得到所述商机转化概率预测模型；具体的，实际以概率预测训练数据集中的拜访反馈文本数据为输入，且为便于模型训练，举例所述商机成交状态包括1和0，其中，1表示商机成交状态为已成交，0表示商机成交状态为失败，由此，模型的输出即可用二分类结果来进行表示，其输出结果与输入的训练数据的对应关系如下所示：
73.输入
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
输出
74.历史商机1(text
t11
,text
t12
,...,text
t1m
)
ꢀꢀꢀꢀꢀꢀ075.历史商机2(text
t21
,text
t22
,...,text
t2m
)
ꢀꢀꢀꢀꢀꢀ176.历史商机n(text
tn1
,text
tn2
,...,text
tnm
)}
ꢀꢀꢀꢀꢀ077.另外，本实施例所使用的主干特征提取网络不限定与前述bert网络，可根据实际需求而具体选择，如xlnet网络(是一种通用的自回归预训练网络)或gpt2网络(生成式预训练transformers网络)，在此不限定与前述bert网络。
78.由此通过前述步骤s01～s03，即可构建基于拜访记录的商机转化概率预测模型，而后，在对任一商机的成交概率进行预测时，将该商机对应的拜访记录输入至前述预测模型中，即可得出该商机的成交概率。
79.在一个可能的设计中，参见图1所示，本实施例第二方面在实施例第一方面所构建的商机转化概率预测模型的基础上，对商机数据进行商机转化概率的预测，该模型可以部署在执行内容加载的电子设备上，例如个人计算机(personal computer，pc)、智能手机、个人数字助理(personal digital assistant，pad)和/或可穿戴设备等电子设备等，其预测过程如以下步骤s1～s3所示。
80.s1.获取至少一个商机数据，其中，所述至少一个商机数据中的每个商机数据包括拜访记录。
81.步骤s1则是获取待预测商机数据的过程，该商机数据为未成交的数据，其可在各个公司的商机系统中抓取，也可由销售人员手动输入至部署有该模型的电子设备上，于此不做限定；当然，商机数据对应的拜访记录包含具体内容与前述历史拜访记录一致，于此不再赘述。
82.在本实施例中，步骤s1抓取的商机数据为原始数据，因此，需要对商机数据中的拜访记录进行预处理，以得到商机转化概率预测模型能够识别的数据，如以下步骤s2所示。
83.s2.对所述每个商机数据进行数据处理，得到每个商机数据对应的概率预测数据；具体的，步骤s2对每个商机数据进行数据处理，也是将每个商机数据对应的拜访记录拼接为长文本数据，并将该商机数据对应的商机编号，作为长文本数据的标签，即概率预测数据也就是为商机数据对应的拜访反馈文本数据，其处理过程与前述步骤s021和步骤s022相同，于此不再赘述。
84.在得到各个商机数据对应的概率预测数据后，即可将概率预设数据输入至商机转化概率预测模型中进行概率预测，如以下步骤s3所示。
85.s3.将每个商机数据对应的概率预测数据输入至商机转化概率预测模型中，得到每个商机数据对应的商机转化概率；具体的，所述商机转化概率用于表征商机数据对应客户的成交概率，即商机转化概率越大，成交概率也越大，对应的客户也越容易成交。
86.在具体应用时，所述商机转化概率预测模型中的bert网络作为所述商机转化概率预测模型的主干特征提取网络，用于提取所述概率预测数据的特征信息，而所述文本分类输出层用于根据所述特征信息进行二分类预测，以输出所述概率预测数据对应的商机转化概率，即输出属于“1”(商机成交)的概率或输出属于为“0”(商机失败)的概率，其中，输出的数值越靠近于1，则说明商机成交概率越大，而越靠近于0，则说明商机成交概率越小。
87.可选的，在得到多个商机数据对应的商机转化概率后，可按照从高到低的顺序将每个商机数据对应的商机转化概率进行排序，并将排序顺序作为每个商机数据对应客户的拜访优先级，即商机转化概率越大，成交概率越大，拜访优先级越高；由此，可先拜访优先级高的客户，从而避免无效拜访，以提高销售人员的成单率。
88.更进一步的，在实际应用时，为方便指导每个销售人员的客户拜访顺序，可将每个销售人员的所有商机输入至前述模型中，从而得到每个销售人员对应商机的商机转化概率排序；例如，对于销售a所负责的所有客户，对应的商机为bi(i＝1,...,k),模型预估出的商机转化概率为pi(i＝1,...,k)，由此，销售人员a即可根据其对应的商机转化概率排序进行客户拜访，即优先拜访转换概率高的商机，从而帮助销售人员提高单位时间签单率、销售业绩及公司营收。
89.由此通过前述步骤s1～s4所详细描述的商机转化概率的预测方法，本发明避免了传统经验判断所存在的判断不准确的问题，同时，销售人员也可根据预估出的成交概率，来优先拜访成交概率高的客户，从而避免无效拜访，不仅可提升销售人员的工作效率以及业绩，还可提高公司的整体营收。
90.在一个可能的设计中，本实施例第三方面在实施例第二方面的基础上，进行进一步的扩展，以通过商机数据的商机转化概率进行销售人员的拜访评估，从而提高拜访质量；具体实施时，可以但不限于包括如下步骤s4和步骤s5。
91.s4.获取所述每个商机数据对应的拜访次数；具体的，可根据每个商机数据中的拜访记录得出，即拜访记录的个数为拜访次数。
92.s5.根据所述每个商机数据对应的拜访次数以及商机转化概率，对每个商机数据对应的拜访记录进行拜访评估，得到拜访评估结果，其中，所述拜访评估结果包括虚假拜访和无效拜访。
93.具体实施时，可根据拜访次数以及商机转化概率进行综合判断，即当拜访次数很多而商机转化概率持续偏低时，可判定为该商机的拜访记录为虚假拜访和/或无效拜访；当然，前述步骤s5中的评估只是第一次评估，最终的结果可由督导人员回访客户进行确认后得出，由此，可提高评估的准确性。
94.可选的，拜访次数很多而商机转化概率持续偏低时的界限值，可根据实际使用而进行预设(如拜访次数大于10次，而商机转化概率小于0.2)；同时，还可以拜访次数和商机转化概率为指标，为其设置相应的权重值，然后设置不同拜访次数区间以及不同商机转化概率区间的得分值，最后，通过两个指标的得分值，并乘以指标对应的权重来计算出总得分，从而根据总得分来得出评估结果；当然，本实施例不限于前述两种方式。
95.由此通过前述步骤s4和步骤s5，本发明基于商机转化概率以及拜访次数可对销售人员进行拜访评估，从而可帮助督导人员识别无效工作者，以便使督导人员由随机回访客户转变为重点回访拜访次数多且商机转化概率低的客户，达到提升督导工作效率以及客户体验度的目的。
96.如图3所示，本实施例第四方面提供了一种实现实施例第一方面、第二方面或第三方面中所述的商机转化概率的预测方法的硬件装置，包括：
97.获取单元，用于获取至少一个商机数据，其中，所述至少一个商机数据中的每个商机数据包括拜访记录。
98.数据处理单元，用于对所述每个商机数据进行数据处理，得到每个商机数据对应的概率预测数据。
99.转换概率预测单元，用于将每个商机数据对应的概率预测数据输入至商机转化概率预测模型中，得到每个商机数据对应的商机转化概率，其中，所述商机转化概率用于表征商机数据对应客户的成交概率，且所述商机转化概率预测模型包括bert网络以及文本分类输出层。
100.所述bert网络作为所述商机转化概率预测模型的主干特征提取网络，用于提取所述概率预测数据的特征信息。
101.所述文本分类输出层用于根据所述特征信息进行二分类预测，以输出所述概率预测数据对应的商机转化概率。
102.在一个可能的设计中，所述装置还包括：训练单元。
103.所述获取单元，还用于获取多个历史商机数据，其中，所述多个历史商机数据中的每个历史商机数据包括历史拜访记录以及商机成交状态。
104.所述数据处理单元，还用于根据所述每个历史商机数据，构建概率预测训练数据集。
105.所述训练单元，用于以所述概率预测训练数据集为输入，所述每个历史商机数据对应的商机成交状态为输出，训练所述bert网络以及所述文本分类输出层，得到所述商机转化概率预测模型。
106.本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面、第二方面或第三方面，于此不再赘述。
107.如图4所示，本实施例第五方面提供了另一种商机转化概率的预测装置，以装置为计算机主设备为例，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于
存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面、第二方面或第三方面所述的商机转化概率的预测方法。
108.具体举例的，所述存储器可以但不限于包括随机存取存储器(random access memory，ram)、只读存储器(read only memory image，rom)、闪存(flash memory)、先进先出存储器(first input first output，fifo)和/或先进后出存储器(first in last out，filo)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用dsp(digital signal processing，数字信号处理)、fpga(field －programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。
109.同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为stm32f105系列的微处理器、精简指令集计算机(reduced instruction set computer,rsic)微处理器、x86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，npu)的处理器；所述收发器可以但不限于为无线保真(wifi)无线收发器、蓝牙无线收发器、通用分组无线服务技术(general packet radio service，gprs)无线收发器、紫蜂协议(基于ieee802.15.4标准的低功耗局域网协议，zigbee)无线收发器、3g收发器、4g收发器和/或5g收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
110.本实施例提供的计算机主设备的工作过程、工作细节和技术效果，可以参见实施例例第一方面、第二方面或第三方面，于此不再赘述。
111.本实施例第六方面提供了一种存储包含有实施例第一方面、第二方面或第三方面所述的商机转化概率的预测方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面、第二方面或第三方面所述的商机转化概率的预测方法。
112.其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(memory stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
113.本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面、第二方面或第三方面，于此不再赘述。
114.本实施例第七方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面、第二方面或第三方面所述的商机转化概率的预测方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
115.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。