买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：邓白氏公司

摘要：通过在客户端公司赢得失去度量上训练至少一个分类器来识别公司潜在客户并且确定潜在客户的优先级的系统和方法的实施方式。可以在根据客户端的公司赢得失去数据库和来自稳健的商业实体数据库的企业统计结构数据编译的训练数据库上训练一个或更多个分类器。训练后，系统可以使用由经过训练的分类器驱动的人工智能来对人工智能已经确定的可能成为特定营销和销售目标的成千上万的简档化的且已评分的公司的定制潜在客户列表进行分类并且输出该定制潜在客户列表。人工智能还可以摄取客户端目标的数据库，并且基于经定制训练的分类器对它们进行分类和评分。

主权项：1.一种用于对公司潜在客户进行识别并分类的系统，包括：收发器，其用于通过网络进行通信；存储器，其用于至少存储指令；处理器设备，其能够进行操作以执行程序指令；训练数据库，其包括：客户端用户的公司参与的列表以及针对每个参与的公司标识符，其中，所述列表包括赢得的公司参与，以及映射至每个公司参与的公司实体数据，所述公司实体数据包括来自商业实体信息数据库的企业统计结构数据，以及来自所述商业实体信息数据库的非客户公司数据，所述非客户公司数据包括所述非客户公司的公司参与和映射至每个公司参与的公司实体数据，所述公司实体数据包括来自所述商业实体信息数据库的所述企业统计结构数据；其中，所述非客户公司参与数据被映射至所述客户端用户的公司参与数据；分类引擎，其包括被配置成识别公司潜在客户的至少一个分类器，所述分类引擎被配置成在所述训练数据库中的训练数据上训练所述至少一个分类器以识别一个或更多个有吸引力的类和一个或更多个无吸引力的类，从而对公司潜在客户进行分类。

全文数据：在赢得失去分类上进行人工智能优化的潜在客户确定的机器学习分类器和预测引擎相关申请的交叉引用本申请要求于2016年10月6日提交的美国临时专利申请第62404,951号的优先权，该美国临时专利申请的全部内容通过引用并入本文。技术领域公开了涉及商业实体的人工智能AI机器学习和分析的实施方式。背景技术营销和销售团队必须不断识别新的潜在销售目标，并且在涉猎对象进入时确定涉猎对象的优先级。最常见的四个用例包括交叉销售、追加销售、续订重新订购基于年金或基于消费的销售以及新客户获取。交叉销售涉及向相关潜在客户销售，并且交叉销售通常通过分析公司联系来执行。追加销售通常向潜在或现有客户销售价值更高的产品。新客户获取是在现有客户中渗透新市场，或者是向全新客户销售。通常，客户目标被约束为不同标准的组合，并且然后基于其他标准进行评定。约束通常与商业类型、适当的法律地位、位置以及与客户是否可以利用所提供的产品或服务相关的其他信息相关。包括在这些位置约束中的内容可以是用于销售、支持、交付的法律管辖和物流要求的项目以及相关项目。为了识别“最佳”目标，存在用于分析的大量潜在候选数据项目。用于此的最常见项目是诸如联系尤其用于交叉销售和追加销售、商业类型例如，SIC代码、位置、增长率例如，雇员和收入、商业信用评分和收入之类的事项。这些不同的项term的选择可能是一项艰巨的任务，并且使得生成的目标优先级划分变得复杂。发明内容在至少一种实施方式中，描述了一种系统，其包括：用于通过网络进行通信的收发器；用于存储至少指令的存储器；能够进行操作以执行程序指令的处理器设备；训练数据库，其包括公司参与companyengagement的列表以及针对每个参与的公司标识符——其中该列表包括赢得的公司参与——以及映射至每个公司的公司实体数据，该公司实体数据包括来自商业实体信息数据库的企业统计结构数据；分类引擎，其包括至少一个被配置成识别公司潜在客户的分类器，该分类引擎被配置成在训练数据库中的训练数据上训练分类器以识别一个或更多个有吸引力的类和一个或更多个无吸引力的类以对公司潜在客户进行分类。在各种实施方式中的至少一种实施方式中，公司参与可以包括客户的列表。在各种实施方式中的至少一个中，对于参与中的至少一个，公司参与的列表可以包括公司成为客户的开始时间。在各种实施方式的至少一个中，对于参与中的至少一个，公司参与的列表可以包括客户收入值。在各种实施方式中的至少一种实施方式中，赢得的公司参与的列表可以包括产品或服务的售出。在各种实施方式中的至少一个中，赢得的公司参与的列表可以包括对营销消息的响应。在各种实施方式中的至少一种实施方式中，训练数据库可以包括失去的公司参与的列表。在各种实施方式中的至少一种实施方式中，公司参与的列表可以包括一个或更多个雇员标识符。在各种实施方式中的至少一种实施方式中，对于至少一个失去的公司参与，失去的公司参与的列表可以包括何时失去的值和为什么失去的值。在各种实施方式中的至少一种实施方式中，为什么失去的值可以包括从投资回报率ROI数据值和竞争者数据值中的至少一个中选择的值。在各种实施方式中的至少一种实施方式中，失去的公司参与可以包括：对营销活动的不响应或者产品或服务的失去销路中的至少一个。在各种实施方式中的至少一种实施方式中，分类器引擎可以包括从以下组中选择的机器学习分类器模型构建器：决策树、随机森林建模器、聚类建模器、K均值聚类建模器、神经网络、梯度增强树机器建模器和支持向量机SVM。在各种实施方式中的至少一种实施方式中，分类器引擎可以包括在训练数据库上训练的公司简档分类器，公司简档分类器被配置成识别一个或更多个公司简档公司分类，包括基于有吸引力的类中的至少一个的至少一个公司简档。在各种实施方式中的至少一种实施方式中，分类器引擎可以包括机器学习分类器模型构建器，该机器学习分类器模型构建器包括K均值聚类建模器。在各种实施方式的至少一种实施方式中，分类器引擎可以包括从以下组中选择的至少一个权重参数：被配置成偏好有吸引力分类的更近期的客户的权重参数；以及被配置成偏好有吸引力分类的每客户更高收入的权重参数。在各种实施方式的至少一种中，机器学习分类器构建器可以被配置成从公司赢得或失去的参与的开始时间在企业统计结构数据上进行训练。在各种实施方式的至少一种中，机器学习分类器构建器可以被配置成在公司度量数据上进行训练，公司度量数据包括公司状态数据，其中公司状态数据包括财务状态、公司增长和公司的生存能力中的至少一个。在各种实施方式中的至少一种实施方式中，分类器引擎可以包括预测引擎，该预测引擎包括至少一个分类器，预测引擎被配置成计算公司潜在客户分类的概率分数。在各种实施方式中的至少一种中，预测引擎可以被配置成计算与类相关联的收入。在各种实施方式中的至少一种中，类是无吸引力的分类，其可以包括失去销路，并且收入可以包括表示估计的机会成本的负收入。在各种实施方式中的至少一种中，概率分数可以被计算为公司是该类的成员的概率乘以收入值，并且可以针对客户端用户销售的每个产品或服务单独计算概率分数。在各种实施方式中的至少一种实施方式中，可以在随机森林决策树上训练预测引擎。在各种实施方式中的至少一种实施方式中，系统还可以包括在K均值聚类模型构建器上训练的公司简档分类器。在各种实施方式中的至少一种实施方式中，其中，对于列出的一个或更多个公司，列表可以包括标识符，该标识符包括公司地址、网站、电话号码、电子邮件地址和雇员标识符中的至少一个。雇员标识符可以包括例如雇员名称、雇员职位或雇员联系人信息。在各种实施方式中的至少一种实施方式中，公司参与的列表可以包括一个或更多个雇员标识符，并且该系统被配置成训练分类器以对包括公司雇员标识符的公司潜在客户进行分类。在各种实施方式中的至少一种实施方式中，分类器模型构建器可以被配置成对预测引擎的至少一个分类器进行训练，预测引擎被配置成计算公司雇员标识符的公司潜在客户分类的概率分数。在各种实施方式的至少一种实施方式中，系统可以被配置成至少：针对公司潜在客户的雇员数据访问商业实体数据库，雇员数据包括联系人数据或会话跟踪cookie数据中的至少一个；以及向客户端用户的用户界面提供多个经评分的潜在客户，该多个经评分的潜在客户包括公司潜在客户的雇员数据。在各种实施方式中的至少一种实施方式中，公开了一种由计算机系统执行的方法，该计算机系统：包括一个或更多个处理器；操作地耦接至处理器中的至少一个的存储器；以及计算机可读存储介质，其编码有可由处理器中的至少一个执行的指令，并且操作地耦接至处理器中的至少一个，该方法包括：将包括用于客户端用户的公司参与的列表的公司参与数据库接收至存储器中，其中，该列表包括赢得的公司参与；对包括链接至每个公司的公司实体数据的训练数据库进行编译，该公司实体数据包括来自商业实体信息数据库的企业统计结构数据；在训练数据库中的训练数据上训练至少一个分类器以训练分类器从而识别一个或更多个有吸引力的类和一个或更多个无吸引力的类，从而对公司潜在客户进行分类；将至少一个分类器输出至分类引擎；在包括公司实体数据和企业统计结构数据的数据库上运行分类器，以识别被分类为有吸引力的潜在客户公司；以及将公司潜在客户的数据库输出至客户端用户界面。在各种实施方式中的至少一种实施方式中，公司参与的列表可以包括客户的列表。在各种实施方式中的至少一种实施方式中，训练数据库可以包括失去的公司参与的列表。在各种实施方式中的至少一种实施方式中，该方法可以包括：在从以下组中选择的机器学习分类器模型构建器上训练至少一个分类器：决策树、随机森林建模器、聚类建模器、K均值聚类建模器、神经网络、梯度增强树机器建模器和支持向量机SVM。在各种实施方式中的至少一种实施方式中，该方法可以包括：训练公司简档分类器，该公司简档分类器被配置成识别一个或更多个公司简档公司分类，包括基于有吸引力的类中至少一个的至少一个公司简档。在各种实施方式中的至少一种实施方式中，该方法可以包括：在包括K均值聚类建模器的机器学习分类器模型构建器上训练公司简档分类器。在各种实施方式的至少一个中，数据库可以包括公司实体数据，并且企业统计结构数据可以是商业实体信息数据库。在各种实施方式中的至少一种实施方式中，该方法可以包括：训练预测引擎的至少一个分类器，该预测引擎被配置成计算公司潜在客户分类的概率分数。在各种实施方式中的至少一种实施方式中，该方法可以包括：在随机森林决策树上训练预测引擎的分类器。在各种实施方式的至少一个中，包括公司实体数据并且企业统计结构数据的数据库是根据新的公司潜在客户和来自商业实体信息数据库的公司潜在客户的企业统计结构数据编译的数据库。在各种实施方式中的至少一种实施方式中，公司参与的列表可以包括一个或更多个雇员标识符，并且系统可以被配置成训练分类器以对包括公司雇员标识符的公司潜在客户进行分类。在各种实施方式中的至少一种实施方式中，该方法可以包括训练预测引擎的至少一个分类器，该预测引擎被配置成计算公司雇员标识符的公司潜在客户分类的概率分数。在各种实施方式中的至少一种实施方式中，该方法可以包括：针对雇员数据访问商业实体数据库，该雇员数据包括联系人数据或会话跟踪数据中的至少一个；以及向客户端用户的用户界面提供多个经评分的潜在客户，该多个经评分的潜在客户包括公司潜在客户的雇员数据。除了其他优点之外，该系统还采用人工智能来识别新的涉猎对象leads或潜在客户，以及在新的涉猎对象或潜在客户被获取后几秒或更短的时间内确定新的涉猎对象或潜在客户的优先级。附图说明参照以下附图描述了非限制性且非穷举性的实施方式。在附图中，除非另有说明，否则在各个附图中相似的附图标记指代相似的部件。为了更好地理解本发明，将参照以下详细描述，以下详细描述将结合附图阅读，在附图中：图1A至图1B是其中可以实现各种实施方式中的至少一种的环境的系统图；图2示出了可以包括在诸如图1A至图1B中所示的系统中的网络计算机的实施方式；图3示出了根据各种实施方式中的至少一种实施方式的系统和操作流程图的逻辑架构；图4示出了根据各种实施方式中的至少一种实施方式的系统和操作流程图的逻辑架构；图5A至图5C示出了根据各种实施方式中的至少一种实施方式的系统和操作流程图的逻辑架构；图6A和图6B示出了根据各种实施方式中的至少一种实施方式的系统和操作流程图的逻辑架构；图7示出了展示客户简档的示例性客户端用户界面；图8示出了展示经评分的潜在客户的示例性客户端用户界面。具体实施方式现在将在下文中参照附图更全面地描述各种实施方式，附图形成本发明的一部分，并且通过图示的方式示出了可以实践本发明的具体实施方式。然而，可以以许多不同的形式实施实施方式，并且不应该被解释为限制于本文所阐述的实施方式；而是，提供这些实施方式，使得本公开内容将是完全的和完整的，并且向本领域技术人员充分传达实施方式的范围。其中，各种实施方式可以是方法、系统、介质或设备。因此，各种实施方式可以采用硬件实施方式、软件实施方式或组合软件和硬件方面的实施方式的形式。在整个说明书和权利要求书中，除非上下文另有明确规定，否则以下术语采用与本文明确相关的含义。术语“本文”是指与当前申请相关的说明书、权利要求和附图。本文使用的短语“在至少一种实施方式中”不一定是指相同的实施方式，尽管其可以指相同的实施方式。此外，本文使用的短语“在另一种实施方式中”不一定是指不同的实施方式，尽管其可以指不同的实施方式。因此，如下所述，在不偏离本发明的范围或精神的情况下，可以容易地组合本发明的各种实施方式。此外，除非上下文另有明确规定，否则如本文所用的术语“或”是包含性的“或”操作符，并且等同于术语“和或”。除非上下文另有明确规定，否则术语“基于”并非是排他性的并且允许基于未描述的附加因素。另外，在整个说明书中，“一”，“一个”和“该”的含义包括复数个所指代物。“在……中”的含义包括“在……中”和“在……上”。如在本申请中所使用的，术语“部件”、“模块”和“系统”旨在指代与计算机相关的实体，该实体是硬件、硬件和软件的组合、软件或者是执行中的软件。例如，部件可以是但不限于是在处理器上运行的进程、处理器、对象、可执行文件、执行的线程、程序以及或者计算机。举例说明，服务器和在服务器上运行的应用程序两者都可以是部件。一个或更多个部件可以驻留在进程和或执行的线程内，并且部件可以位于一个计算机上以及或者分布在两个或更多个计算机之间。此外，该详细的描述出于说明的目的描述了本发明的各种实施方式，并且实施方式包括所描述的方法并且可以使用一个或更多个装置例如耦接至电子介质的处理装置来实现。实施方式可以被存储在电子介质电子存储器、RAM、ROM、EEPROM上或者被编程为计算机代码例如，源代码、目标代码或任何合适的编程语言，以由一个或更多个处理器结合一个或更多个电子存储介质进行操作来执行。说明性的逻辑系统架构和环境图1A示出了根据各种实施方式中的至少一种实施方式的系统100的逻辑架构和环境。在各种实施方式中的至少一种实施方式中，潜在客户分析服务器102可以被布置为与商业实体分析服务器104、客户关系管理服务器106、营销自动化平台服务器108等进行通信。在各种实施方式中的至少一种实施方式中，潜在客户分析服务器102可以是被布置用于如本文所描述的公司简档的AI预测分析和潜在客户生成的一个或更多个计算机。在各种实施方式的至少一个中，潜在客户分析服务器102可以包括一个或更多个计算机，例如图2的网络计算机1等。在各种实施方式中的至少一种实施方式中，商业实体分析服务器104可以是被布置为提供商业实体分析的一个或更多个计算机，例如图2的网络计算机1等。如本文所描述的，商业实体分析服务器104可以包括稳健的公司商业实体数据304和雇员数据的数据库，以充实如本文所描述的公司赢得失去事件数据库301。在于2003年2月18日提交的题为“SystemandMethodforProvidingEnhancedInformation”的美国专利第7,822,757号和于2010年9月28日提交的题为“DataIntegrationMethodandSystem”的美国专利第8,346,790号中描述了商业实体分析服务器104的示例，上述两个美国专利中的每个的全部内容通过引用并入本文。在各种实施方式中的至少一种实施方式中，商业实体分析服务器104可以包括一个或更多个计算机，例如图2的网络计算机1等。在各种实施方式中的至少一种实施方式中，CRM服务器106可以包括一个或更多个第三方服务和或外部CRM服务，所述一个或更多个第三方服务和或外部CRM服务为一个或更多个类型的客户数据库托管服务或提供服务，这些客户数据库被提供给客户端用户和从客户端用户提供。例如，CRM服务器106可以包括一个或更多个web服务器或托管服务器，所述一个或更多个web服务器或托管服务器提供用于诸如名称、地址和电话号码的客户联系信息的软件和系统并且跟踪诸如网站访问、电话呼叫、销售、电子邮件、文本移动电话等的客户事件活动。在各种实施方式中的至少一种实施方式中，CRM服务器可以被布置成使用API或其他通信接口与潜在客户分析服务器102集成。例如，CRM服务可以提供基于HTTPREST的接口，该基于HTTPREST的接口使得潜在客户分析服务器102能够接受客户赢得失去数据库301，客户赢得失去数据库301包括公司名称和赢得失去事件，所述赢得失去事件可以由如本文所描述的潜在客户分析服务器102和商业实体分析服务器104处理。在各种实施方式中的至少一种实施方式中，营销自动化平台服务器108可以包括一个或更多个第三方服务和或外部营销服务，营销自动化平台服务器108可以包括例如一个或更多个web服务器或托管服务器，web服务器或托管服务器为营销部门和组织提供营销分发平台，以便更有效地在多个渠道例如，电子邮件、社交媒体、网站、电话、邮件等上进行营销以及自动执行重复任务等。在各种实施方式的至少一个中，潜在客户分析服务器102可以被布置成使用API或由服务提供的其他通信接口来与营销自动化平台108进行集成和或通信。例如，营销自动化平台服务器可以提供基于HTTPREST的接口，该基于HTTPREST的接口使得潜在客户分析服务器102能够输出由如本文所描述的潜在客户分析服务器102和商业实体分析服务器104处理的潜在客户的客户简档和概率分数。在各种实施方式中的至少一种实施方式中，可以通过网络204向一个或更多个客户端计算机提供文件和或接口，该文件和或接口受服务于潜在客户分析服务器、商业实体分析服务器104、CRM406服务器和营销自动化平台服务器108并且或者托管在潜在客户分析服务器、商业实体分析服务器104、CRM406服务器和营销自动化平台服务器108上，该客户端计算机例如为客户端计算机112、客户端计算机114、客户端计算机116、客户端计算机118等。潜在客户分析服务器102可以被布置成通过网络204直接地或间接地与客户端计算机进行通信。这种通信可以包括基于由客户端用户在客户端计算机112、114、116、118上提供的公司赢得失去数据库来提供潜在客户输出。例如，潜在客户分析服务器可以从客户端计算机112、114、116、118获得公司赢得失去事件数据库以用于如本文所描述的AI机器学习训练和分类器生成。在处理之后，潜在客户分析服务器102可以与客户端计算机112、114、116、118通信并且输出如本文所描述的公司简档数据和预测数据。在各种实施方式中的至少一种实施方式中，潜在客户分析服务器102可以使用与CRM服务器106和营销自动化平台服务器108等的通信，以从客户端或者代表客户端接受公司赢得失去数据库并且基于公司赢得失去数据库输出简档分类和潜在客户预测。例如，CRM可以从客户端计算机112、114、116、118获得或者生成公司赢得失去事件数据库，该公司赢得失去事件数据库被传送至潜在客户分析服务器102以用于如本文所描述的AI机器学习训练和分类器生成。在处理之后，潜在客户分析服务器102可以与CRM服务器106和或营销自动化平台服务器进行通信，并且输出如本文所描述的公司和公司雇员简档数据和预测数据。在各种实施方式中的至少一种实施方式中，潜在客户分析服务器102可以被布置成使用API或其他通信接口与CRM服务器106或营销自动化平台服务器108进行集成和或通信。因此，本文对与客户端用户的通信和接口的引用包括与CRM服务器、营销自动化平台服务器或为客户端用户托管和或管理通信和服务的其他平台。本领域普通技术人员将理解的是，系统400的架构是非限制性示例，其说明了各种实施方式中的至少一种实施方式中的至少一部分。这样，在不偏离本文描述的创新的范围的情况下，可以不同地采用和或布置更多或更少的部件。然而，对于至少公开本文要求保护的发明来说，系统100是充分的。说明性的操作环境图1B示出了其中可以实践本文描述的本发明的实施方式的环境的一种实施方式的部件。并非需要所有部件来实施本发明，并且可以在不偏离本发明的精神或范围的情况下对部件的布置和部件的类型进行改变。图1B示出了适于支持本发明的网络环境200。示例性环境200包括网络204，并且包括多个计算机或计算机系统202a至202n其中“n”是任何合适的数字。计算机可以包括例如一个或更多个SQL服务器。计算机202还可以包括有线系统和无线系统。可以通过网络环境200的部件的互操作来实现数据存储、处理、数据传输和程序操作。例如，服务器202a中的包括程序的部件可以被调整成和布置成对存储在服务器202b中的数据和从服务器202c输入的数据进行响应。该响应可以作为预编程指令的结果而发生，并且可以在没有操作员干预的情况下发生。网络204是例如适于访问、传输和或处理数据的链接计算机或处理设备的任何组合。网络204可以是私有互联网协议IP网络以及公共IP网络或者私有网络和公共网络的组合，该公共IP网络例如可以利用万维网www浏览功能的因特网。网络204被配置成通过无线网络将网络计算机与其他计算机和或计算设备进行耦接。网络204能够使用任何形式的计算机可读介质将信息从一个电子设备传送至另一电子设备。此外，网络204除了包括局域网LAN、广域网WAN、直接连接例如通过通用串行总线USB端口、其他形式的计算机可读介质或其任何组合以外，还可以包括因特网。在一组互连的LAN包括基于不同体系结构和协议的那些LAN上，路由器充当LAN之间的链路，使消息能够从一个LAN发送至另一个LAN。另外，LAN内的通信链路通常包括双绞线或同轴电缆，而网络之间的通信链路可以利用模拟电话线、包括T1、T2、T3和T4的全部或部分专用数字线路以及或者其他载波机制，该其他载波机制包括例如E载波、综合业务数字网ISDN、数字用户线路DSL、无线链路，该无线链路包括卫星链路或本领域技术人员已知的其他通信链路。此外，通信链路还可以采用各种数字信令技术中的任何一种，该数字信令技术包括但不限于，例如DS-0、DS-1、DS-2、DS-3、DS-4、OC-3、OC-12、OC-48等。此外，远程计算机和其他相关电子设备可以经由调制解调器和临时电话链路远程连接至LAN或WAN。在一种实施方式中，网络204可以被配置成传输因特网协议IP的信息。实质上，网络204包括使信息可以在计算设备之间传播的任何通信方法。另外，通信介质通常包含计算机可读指令、数据结构、程序模块或其他传输机制并且包括任何信息传递介质。举例而言，通信介质包括有线介质和无线介质，有线介质例如双绞线、同轴电缆、光纤、波导和其他有线介质，无线介质例如声学、射频、红外和其他无线介质。计算机202可以经由双向通信信道或互连器206操作地连接至网络，互连器206可以是例如串行总线，例如IEEE1394或其他有线或无线传输介质。无线传输介质的示例包括调制解调器未示出与无线收发器未示出之间的传输，该调制解调器例如利用无线通信协议的蜂窝调制解调器或利用无线应用协议的无线服务提供商或设备。互连器204可以用于馈送或提供数据。无线网络可以包括各种无线子网络中的任何一种，所述无线子网络还可以覆盖在独立的自组织ad-hoc网络等上，以为计算机202提供面向基础设施的连接。这种子网络可以包括网状网络、无线LANWLAN网络、蜂窝网络等。在至少一种实施方式中，该系统可以包括一个以上的无线网络。无线网络还可以包括通过无线的无线电链路等进行连接的终端、网关、路由器等的自治系统。这些连接器可以被配置成自由地且随机地移动并且任意地组织它们自身，使得无线网络的拓扑可以快速地改变。无线网络还可以采用多种接入技术，多种接入技术包括用于蜂窝系统的第二代2G、第三代3G、第四代4G第五5G代无线电接入、WLAN、无线路由器WR网等。诸如2G、3G、4G、5G之类的接入技术和未来接入网络能够支持具有各种程度的移动性的移动设备例如客户端计算机的广域覆盖。在一个非限制性示例中，无线网络可以通过无线电网络接入来使能进行无线电连接，无线电网络接入例如是全球移动通信系统GSM、通用分组无线电业务GPRS、增强型数据GSM环境EDGE、码分多址CDMA、时分多址TDMA、宽带码分多址WCDMA、高速下行链路分组接入HSDPA、长期演进LTE等。实质上，无线网络实际可以包括用来使信息可以在计算机与另一计算机、网络等之间传播的任何无线通信机制。用于系统的计算机202a可以适于经由网络或网络204来访问数据、向其他计算机202b至202n发送数据以及从其他计算机202b至202n接收数据。计算机202通常利用网络服务提供商来访问网络的资源，该网络服务提供商例如是因特网服务提供商ISP或应用服务提供商ASP未示出ISP和ASP。如本文所使用的术语“操作地连接”和“操作地耦接”表示如此连接或耦接的元件适于发送和或接收数据，或以其他方式进行通信。传输、接收或通信是在特定元件之间，并且可以包括或者不包括其他中间元件。该连接耦接可以包括或者不包括附加的传输介质或部件，并且可以在单个模块或设备内或者在一个或更多个远程模块或设备之间。例如，托管有分类器构建器的计算机可以经由局域网、广域网、直接电子或光缆连接、拨号电话连接或者包括使用基于有线的系统和基于无线的系统的因特网的共享网络连接来与托管一个或更多个分类器程序和或事件数据库的计算机进行通信。说明性的网络计算机图2示出了为系统配置概要的网络计算机的实施方式，该系统被配置成基于潜在客户的赢得失去分类使用人工智能AI机器学习来生成公司简档和预测。在各种实施方式的至少一种实施方式中，系统1包括网络计算机1、处理器4和存储器6，该网络计算机1包括例如经由网络接口2的用于接收输入例如音频输入的信号输入输出装置，该存储器6包括程序存储器10，网络计算机1、处理器4和存储器6全部通过总线相互通信。在一些实施方式中，处理器可以包括一个或更多个中央处理单元。如图2所示，网络计算机1还可以经由网络接口单元2与因特网或一些其他通信网络进行通信，网络接口单元2被构建为结合包括TCPIP协议的各种通信协议使用。网络接口单元2有时被称为收发器、收发设备或网络接口卡NIC。网络计算机1还包括用于与外部设备例如未示出的键盘或其他输入或输出设备进行通信的输入输出接口。输入输出接口可以利用一种或更多种通信技术，例如USB、红外、蓝牙等。存储器6总体上包括RAM、ROM和一个或更多个永久大容量存储设备，例如硬盘驱动器、磁带驱动器、光盘驱动器和或软盘驱动器。存储器6存储用于控制网络计算机1的操作的操作系统。可以使用任何通用操作系统。还提供基本输入输出系统BIOS，用于控制网络计算机1的低级操作。存储器6可以包括处理器可读存储介质10。处理器可读存储介质10可以被称为计算机可读介质、计算机可读存储介质和或处理器可读存储设备以及或者包括计算机可读介质、计算机可读存储介质和或处理器可读存储设备。处理器可读存储介质10可以包括以用于存储信息的任何方法或技术实现的易失性、非易失性、可移动和不可移动介质，该信息例如是计算机可读指令、数据结构、程序模块或其他数据。处理器可读存储介质的示例包括RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字通用盘DVD或其他光学存储装置、磁带盒、磁带、磁盘存储装置或其他磁存储设备或者可以用于存储所期望的信息以及可以由计算机访问的任何其他介质。存储器6还包括一个或更多个数据存储装置20，网络计算机可以利用数据存储装置20来存储应用和或其他数据等。例如，还可以采用数据存储装置20来存储描述网络计算机1的各种能力的信息。然后可以基于各种事件中的任何一个来将信息提供给另一计算机，包括在通信期间作为报头的一部分发送、根据请求发送等。数据存储装置20还可以用于存储消息、网页内容等。信息中的至少一部分也可以被存储在网络计算机的另一部件上，该部件包括但不限于处理器可读存储介质、硬盘驱动器或计算机1内的其他计算机可读存储介质未示出。数据存储装置20可以包括数据库、文本、电子表格、文件夹、文件等，该数据库、文本、电子表格、文件夹、文件等可以被配置成维护和存储用户帐户标识符、用户简档、电子邮件地址、IM地址和或其他网络地址等等。在各种实施方式中的至少一种实施方式中，数据存储装置20可以包括数据库，该数据库可以包含从一个或更多个实体的一个或更多个事件确定的信息。数据存储装置20还可以包括程序代码、数据、算法等，以供处理器例如处理器4使用以执行和进行操作。在一种实施方式中，数据存储装置20中的至少一些也可以被存储在网络计算机1的另一部件上，该部件包括但不限于处理器可读存储介质、硬盘驱动器等。该系统还包括数据存储存储器20，该数据存储存储器20包括可以托管在同一计算机中或托管在分布式网络架构中的多个数据存储装置21、22、23、26、304。系统1包括用于一组实体事件22的数据存储装置。实体事件数据库22可以包括用于如本文所描述的公司的数据库，实体事件数据库22包括公司赢得失去数据库301、训练数据库306、403、503。系统1还包括分类器部件，该分类器部件包括分类器数据存储装置23以及公司简档分类器模型构建程序14，分类器数据存储装置23包括一组公司简档分类器，公司简档分类器模型构建程序14用于在由处理器执行时将实体事件组映射至公司简档分类器，该组实体事件由系统预先提供和存储或者由事件记录器11处理并且被存储在实体事件22的数据库中。系统1还包括预测分类器模型构建部件13，预测分类器模型构建部件13包括预测分类器数据存储装置26，预测分类器数据存储装置26包括一组预测分类器，预测分类器模型构建部件13用于在由处理器执行时将来自数据库的由预测分类器处理并且被存储在事件数据库22中的公司数据集映射至该组预测分类器。系统1包括预测引擎15。预测引擎15可以包括程序或算法，该程序或算法用于在由处理器执行时从客观测量自动预测实体赢得失去事件，该客观测量即记录或存储为实体事件的观察和实体交易，所述实体事件被存储在记录数据存储装置21和或实体数据存储装置22中并且由预测分类器23分类为赢得失去事件。包括人工智能AI机器学习分类的AI机器学习和处理可以基于许多已知的机器学习算法中的任何之一，AI机器学习和处理包括诸如本文描述的分类器的分类器例如，聚类、K均值聚类、决策树、随机森林决策树、梯度增强树机、命题规则学习器、线性回归、神经网络、支持向量机等。该系统还可以包括记录部件，该记录部件包括记录程序11，记录程序11用于在由处理器执行时记录并且存储与该实体事件相关联的数据。记录数据存储装置21可以将由事件记录器11在初始分类器处识别的实体事件的实例与用于分类器的记录数据一起存储。在这些分类器处的实体事件的实例可以与记录数据一起存储，该记录数据包括活动分类器的名称和版本、实体的分类、事件的时间、事件的预测模块的假设、事件数据本身、系统的版本以及有关系统、实体和事件功能的其他信息。记录数据存储装置21可以包括在事件被记录的情况下的实体的数据报告预测例如，概率分数和事件本身。此外，可以存储预测模型和预测模型的组类和事件分数。因此，记录数据可以包括诸如实体事件的分类状态、所采用的预测模型和模型错误之类的数据。数据存储装置20还可以包括稳健的公司商业实体数据304的商业实体信息数据库304，以利用来自如本文所描述的企业统计结构数据库31的公司企业统计结构数据映射至公司赢得失去事件数据库301并且充实公司赢得失去事件数据库301。在各种实施方式中的至少一种实施方式中，来自商业实体信息数据库304的企业统计结构数据可以包括公司的分数或其他排名。在各种实施方式中的至少一种实施方式中，商业实体信息数据库304可以包括链接至商业实体信息的一个或更多个数据库，所述数据库例如包括雇员名称和职称或管理代码的雇员数据库37、用于公司例如电子邮件、移动设备ID、电话雇员的联系人的联系人数据库38或从商业实体使用来用于数字跟踪和数字活动的cookie编译的数据的cookie数据库35。可以使用映射模块12将来自数据库304的数据映射至公司。在各种实施方式中的至少一种实施方式中，如果在商业实体数据库中未标识公司名称，则系统可以被配置成生成标识符并且为公司生成一个或更多个企业统计结构数据库。在于2003年2月18日提交的题为“MethodforProvidingEnhancedInformation”的美国专利第7,822,757号和于2010年9月28日提交的题为“DataIntegrationMethodandSystem”的美国专利第8,346,790号中描述了通过商业实体信息数据库304和商业分析服务器进行的公司实体数据链接、为公司生成企业统计结构数据库并且进行评分以及数据集成的非限制性示例，上述两个美国专利中的每个的全部内容通过引用并入本文。事件记录器11、分类器模型构建程序14、预测分类器模型构建部件13和预测引擎15可以被布置成并且被配置成使用与结合图3至图6描述的那些类似的进程或部分进程以至少执行进程的一些动作。尽管图2将系统1示出为单个网络计算机，但是本发明不限于此。例如，网络服务器计算机1的一个或更多个功能可以被分布在一个或更多个不同的网络计算机上。此外，系统1网络服务器计算机不限于特定配置。因此，在一种实施方式中，网络服务器计算机可以包含多个网络计算机。在另一实施方式中，网络服务器计算机可以包含使用主从方法操作的多个网络计算机，其中网络服务器计算机的多个网络计算机之一可操作以管理和或以其他方式协调其他网络计算机的操作。在其他实施方式中，网络服务器计算机可以作为被布置在聚类架构、对等架构和或甚至云架构内的多个网络计算机来操作。可以在软件程序的控制下在通用计算机上实现该系统，并且该系统被配置成包括如本文所描述的技术创新。可替选地，系统1可以在通用计算机的网络上实现并且包括单独的系统部件，每个系统部件处于单独的软件程序的控制下或者在互连的并行处理器的系统上，系统1被配置成包括如本文所描述的技术创新。因此，实施方式不应被解释为限于单个环境，并且还设想了其他配置和架构。广义操作现在将参照图3至图8描述各种实施方式的某些方面的操作。在各种实施方式中的至少一种实施方式中，结合图3至图8描述的系统可以由单个网络计算机实现以及或者在单个网络计算机上被执行，该单个网络计算机例如是与客户端用户计算机或CRM服务器进行通信的图2的网络服务器计算机1、营销自动化平台服务器或其他托管和或管理客户端用户的通信和服务的平台。在其他实施方式中，这些进程或这些进程的部分可以由多个网络计算机来实现以及或者在多个网络计算机上被执行，该多个网络计算机例如是图1B的网络计算机202a至202n。然而，实施方式不限于此，可以使用网络计算机、客户端计算机、虚拟机等的各种组合。此外，在各种实施方式中的至少一种实施方式中，结合图3至图8描述的进程可以在具有逻辑架构的系统中操作，该逻辑架构例如是结合这些附图所描述的那些逻辑架构。图3示出了根据各种实施方式中的至少一种实施方式的系统的高级逻辑架构和分类器引擎的操作流程图。在各种实施方式中的至少一种实施方式中，在操作601处，系统接受包括公司参与的列表的公司和每个参与的公司名称值和公司地址值的赢得失去数据库301作为到分类器建模器的输入，分类器建模器被配置成训练并且输出至少一个分类器。该列表可以包括公司的其他标识数据，例如公司地址值、网站、电话号码、电子邮件地址等。在各种实施方式中的至少一种实施方式中，公司赢得失去数据库301还可以包括公司的雇员和代理的雇员标识符，例如名称、职称、联系信息例如，电子邮件、移动标识、社交网络简档。对于每个公司，数据库301包括每个公司参与的一个或更多个成功度量，例如，赢得失去或响应无响应。如本文所描述的，公司的积极事件观察例如，客户、销售、营销响应被描述为“赢得”W参与并且消极事件观察例如，失去销路、没有响应被描述为“失去”L参与，但是为了训练和分类器生成的目的，可以以任何数目的方式记录或编码数据库中的观察和事件，并且所述观察和事件在本文中被定义为赢得和失去。在操作602处，来自商业实体信息数据库304的系统数据被映射至公司赢得失去数据库301并且被接受至分类器建模器中。系统可以被配置成将来自商业实体信息数据库304的公司实体数据映射至来自公司赢得失去数据库301的每个公司。在公司赢得失去数据库301包括雇员标识符数据例如名称数据和雇员头衔数据的情况下，系统可以被配置成将来自商业实体数据库的数据映射至公司雇员标识符例如，将数据映射至名称和或头衔。例如，在至少一种实施方式中，系统可以被配置成利用包括来自商业实体信息数据库304的企业统计结构数据的数据来处理公司列表。在各种实施方式中的至少一种实施方式中，来自商业实体信息数据库的企业统计结构数据可以包括公司的分数或其他排名或者被配置成结合商业实体分析服务器104生成这样的分数或排名。商业实体评分的示例包括公司过去业绩的分数和未来业绩的预测。在至少一种实施方式中，系统被配置成将公司标识符例如，名称映射至商业实体信息数据库中的公司数据以编译训练数据库，该训练数据库包括映射至公司赢得数据和失去数据如果有的话的稳健的企业统计结构数据。在公司赢得失去数据库301包括雇员标识符例如名称数据和雇员头衔数据的情况下，系统可以被配置成：在编译训练数据库时将来自商业实体数据库的数据映射至公司雇员标识符例如名称和或头衔。在各种实施方式中的至少一种实施方式中，如果在商业实体数据库中未标识公司名称，则系统可以被配置用于为公司生成标识符和企业统计结构数据库。在于2003年2月18日提交的题为“SystemandMethodforProvidingEnhancedInformation”的美国专利第7,822,757号和于2010年9月28日提交的题为“DataIntegrationMethodandSystem”的美国专利第8,346,790号中描述了由商业实体信息数据库304和商业分析服务器进行的公司实体数据映射、为公司生成企业统计结构数据库并且进行评分以及数据集成的非限制性示例，上述两个美国专利中的每个的全部内容通过引用并入本文。在操作603处，在各种实施方式中的至少一种实施方式中，分类引擎的分类建模器被配置成识别用于至少一个分类器的一组分类，以识别一个或更多个有吸引力的类和一个或更多个无吸引力的类。分类引擎可以被配置成根据来自客户端公司赢得失去数据库301和商业实体信息数据库304的公司数据的数据输入来在训练数据库上训练分类器。分类建模器可以包括机器学习模型构建器，例如决策树、随机森林决策树、聚类建模器、K均值聚类建模器、神经网络、梯度增强树机器和支持向量机SVM。例如，在一种实施方式中，分类引擎使用如本文所描述的K均值聚类在训练数据库306上训练客户简档分类器。然后，分类器建模器输出在客户端“赢得”上训练的简档分类器，以在商业实体数据库304上运行，从而生成如关于图4所描述的目标公司的优化公司列表。例如，在操作605处，系统可以被配置成在商业实体数据库304上运行公司简档分类器，从而将公司分类为客户简档并且将结果输出给用户。在操作604处，客户端用户可以访问如图7所示的界面，以基于个性化AI生成的简档来识别新目标，所述个性化AI生成的简档由如关于图4所描述的公司简档分类器进行分类。对于另一示例，在至少一种实施方式中，分类引擎使用决策树分类器例如随机森林分类器在训练数据库306、403、503上训练预测分类器。然后，分类器模型构建器将经训练的公司预测简档分类器输出至预测引擎。然后，分类器建模器输出在客户端“赢得”和“失去”上训练的预测分类器，以在潜在客户公司列表上运行并且确定潜在客户公司列表的优先级。例如，在各种实施方式中的至少一种实施方式中，可以采用预测分类器来确定由如关于图4所描述的公司简档分类器分别进行分类的公司的优先级。在至少一种实施方式中，可以如关于图5A至图5B和图6A所描述的那样在数据上训练预测分类器，并且计算潜在客户列表的概率分数，所述潜在客户列表包括由简档分类器生成的潜在客户列表和或由客户端用户提供的潜在客户列表。在至少一种实施方式中，可以如关于图5B和图6B所描述的那样在数据上训练预测分类器，并且计算潜在客户列表的概率分数，所述潜在客户列表包括从目标公司的雇员的商业实体数据库304映射的分数和雇员数据，所述潜在客户列表包括由简档分类器生成的潜在客户列表和或由客户端用户提供的潜在客户列表。在各种实施方式中的至少一种实施方式中，预测引擎可以被配置成例如在为客户端用户生成的一个或更多个“赢得”简档中或者经由客户端用户提供的初始潜在客户列表来识别并且将潜在客户作为目标。在一种实施方式中，预测引擎可以被配置用于为每个公司的分类计算概率分数。在各种实施方式中的至少一种实施方式中，预测引擎可以被配置用于为公司雇员的分类计算概率分数，其中在公司雇员数据上训练分类器。例如，然后可以使用分类器引擎来确定新公司成为类或聚类的一个或更多个定义的公司简档的成员的概率。然后，预测引擎可以计算分数，该分数包括公司在定义的聚类或类内的概率以及与该类相关联的收入。例如，如果公司与失去销路的聚类或类关联，则应用估计的机会成本或负收入。然后，公司的分数是公司作为类或聚类成员的概率乘以与类或聚类相关的收入或机会成本。此外，在一种实施方式中，每客户收入被用于进一步提高所得类的吸引力。基于该分类器，可以将一个或更多个新公司的列表处理为相应的一组企业统计结构，并且该分类器可以被用于为每个新公司分配在一个或更多个类中的概率。可以基于处于简档类中的概率和类的吸引力来确定公司的相关联的吸引力。因此，在一种实施方式中，预测分类器被配置成使用AI来识别和或对客户端用户的个性化潜在客户确定优先级。例如，在操作605处，系统可以被配置成在商业实体数据库304上运行公司简档分类器，以对公司和或公司雇员进行分类并且将结果输出给用户。例如，在操作604处，客户端用户可以访问如图7所示的界面，以基于个性化AI生成的简档来识别新目标，所述个性化AI生成的简档由如关于图4所描述的公司简档分类器进行分类。该系统可以运行包括在客户的赢得和失去方面上进行训练的预测分类器的预测引擎，并且在操作606处提供确定了优先级的潜在客户的列表。在一种实施方式中，为了验证和模型错误检查，客户端用户可以得到现有客户和用户发送的客户的雇员的列表、相关联的收入、失去销路以及每种情况的概率分数。然后，客户端用户可以验证模型是否按预期执行或者输入数据集中是否存在错误，并且提供模型校正数据。还可以利用交叉验证分析来确认模型对从建模过程中遗漏的一组已知数据集按预期进行操作。例如，预测分类器可以用于确定公司成为类或聚类的定义的一个或更多个公司简档中的成员的概率。然后，预测分类器可以输出现有客户和或客户的雇员的列表、相关联的收入、失去销路以及每种情况的分数。然后，客户端用户可以选择目标公司和或雇员，利用作为处于“盈”类的最高可能性的预测分数来标识目标公司和或雇员。例如，在操作604处，客户端用户可以经由界面或其他输入提供例如用于销售或营销的新潜在客户的列表。在操作605处，分类器引擎被配置成将由客户端用户提供的名称映射至来自公司实体数据库304的企业统计结构数据，并且运行预测分类器以对公司进行评分。然后，在操作606处，系统将确定了优先级的目标列表输出至客户端用户。输出被配置成输出经分类和确定优先级的潜在客户的列表。例如，客户端用户可以基于计算的分数接收100个潜在客户的有序集合。系统可以被配置用于为列表输出提供选项，例如提供结果的前百分之X、满足或超过概率分数阈值例如：超过0.7的所有公司或其他配置。在一种实施方式中，系统被配置成在输入装置上接受客户端用户约束，以接受对分类器结果的一个或更多个约束。约束结果的原因的示例包括法律约束或物流约束。例如，一组约束可能是物流和销售覆盖相关问题例如，只有加利福尼亚州的公司，如果产品、销售、支持或服务仅在该地区可用的话；或排除非美国实体例如，如果公司没有能力处理美国境外或特定地区的合同。在操作606处，预测分类器被配置成运行具有约束和附加信息的分类器，并且输出经分类和确定优先级的潜在客户的列表。例如，客户端用户可以基于所计算的分数和所提供的约束来接收100个潜在客户的有序集合。图4示出了根据各种实施方式中的至少一种实施方式的用于公司简档和潜在客户生成的AI预测分析的系统和系统流程300的逻辑架构。在各种实施方式的至少一种实施方式中，在操作302处，系统接受公司赢得失去数据库301作为输入，该公司赢得失去数据库301包括赢得的或失去的公司参与310的列表以及每个参与的公司标识符例如公司名称312。该列表可以包括公司的其他标识数据，例如公司地址314、网站、电话号码、电子邮件地址等。在各种实施方式中的至少一种实施方式中，公司赢得失去数据库301还可以包括公司的雇员和代理的标识符，例如名称、职称、联系信息例如，电子邮件、移动ID、社交网络简档。数据库301可以包括针对每个公司的赢得的参与W的值和或失去的参与L值以及参与的相关联的特征，例如，产品A销售或营销参与渠道例如，电子邮件、文本、社交媒体简档。在一种实施方式中，赢得的公司参与310的列表包括简单的客户列表或售出报告，售出是系统可以识别为赢得的成功度量。在一种实施方式中，赢得的公司参与可以包括一个或更多个参与的开始时间值以及如果可用客户收入值。例如，在一个实施方式中，用户可以提供现有客户的列表作为赢得的参与，并且针对开始时间值可以提供何时这些现有客户成为客户。如果可用，用户可以提供每客户收到的年收入。在一种实施方式中，公司参与赢得包括对营销活动的响应、产品或服务的售出、正投资回报率ROI。客户端用户还可以提供失去的公司参与310的列表。在一种实施方式中，列表可以针对每个失去的公司参与310包括如果可用何时失去的值和为什么失去的值。例如，用户可以提供如果可用失去的销售参与的列表和何时销售参与失去。如果存在关于为什么交易失去例如关于竞争对手或由于缺乏ROI的进一步分类，那么也可以提供该分类。例如，用户可以提供失去的销售参与的列表和何时失去以及关于交易失去的原因的代码，例如“N”代表没有产品被购买和或“C”代表购买竞争产品。失去的公司参与310的示例可以包括任何数目的值，例如，对营销活动的不响应、产品或服务的失去销路、失去ROI等。可以理解，同一公司可能具有多个且交叠的赢得值和失去值。例如，公司可以被识别为客户，进而为赢得参与W，但也可能被识别为拒绝购买给定的产品或服务例如追加销售或交叉销售，或者没有响应营销活动，因此也具有失去参与L值。因此，分类器可以训练以识别不同的类，并且给定的公司对于某些类可以被分类为赢得方和对于其他类可以被分类为失去方，每个类具有针对该类的离散赢得值和离散失去值。因此，每个公司将具有给定类的赢得值或失去值。如本文所描述的，相似的公司例如，具有相似的企业统计结构的公司可以被分类为同一类中的赢得方或失去方。此外，在各种实施方式中的至少一种实施方式中，赢得值和或失去值由系统确定。例如，客户端用户可以向已识别的公司提供售出列表。系统可以被配置成将售出标识为赢得W值，并且将销售事件记录为与公司名称相关联的赢得。在至少一种实施方式中，在操作303处，系统可以被配置成针对在赢得失去数据库301中识别的每个公司链接公司实体数据。例如，在至少一种实施方式中，系统可以被配置成处理公司列表以识别或生成企业统计结构公司ID，并且将每个公司与包括来自商业实体信息数据库304的企业统计结构数据316和公司数据318的数据进行匹配，以及生成分数以评估例如每家公司过去的业绩和未来业绩的预测。在于2003年2月18日提交的题为“SystemandMethodforProvidingEnhancedInformation”的美国专利第7,822,757号和于2010年9月28日提交的题为“DataIntegrationMethodandSystem”的美国专利第8,346,790号中描述了公司实体数据链接、数据集成和质量保证的企业统计结构数据的商业实体信息数据库304的示例，上述两个美国专利中的每个的全部内容通过引用并入本文。在至少一种实施方式中，在操作305处，将链接的公司赢得失去数据库301数据310、312、314和来自公司实体数据库304的公司实体数据316、318编译至训练数据库306中。在一种实施方式中，对于每个公司，数据库包括一个或更多个赢得失去值310、企业统计结构和分数数据316以及公司数据318。对训练数据库306进行编译以训练如本文所描述的机器学习AI客户简档分类器。训练数据库306包括用于建模的数据，该建模利用来自可用的商业实体信息数据库304的稳健的企业统计结构数据316，例如来自于每个公司的开始时间值，例如公司成为客户的时间或失去销路的时间。每个公司的公司数据318和企业统计结构数据316可以包括但不限于收入范围、行业、地理位置和覆盖范围、自持租赁、位置类型子公司、总部、销售地点、销售量、雇员数、组织结构、公司年龄、法律地位、SIC代码数据以及许多其他类。这些特征可以用于创建如下所述的分类，该分类可以基于企业统计结构和公司状态的相关数据，例如，何时发生失去或赢得。此数据包括诸如财务稳定性和增长相关信息之类的信息，诸如，分数，例如，该分数用于评估每家公司过去业绩和预测未来业绩包括公司在12个月期间内继续经营的可能性或公司在特定时间段内显著增长或收缩的可能性，该未来业绩的预测例如由AI专家系统确定，在于2003年2月18日提交的题为“SystemandMethodforProvidingEnhancedInformation”的美国专利第7,822,757号和于2010年9月28日提交的题为“DataIntegrationMethodandSystem”的美国专利第8,346,790号中描述了该AI专家系统，上述两个美国专利中的每个的全部内容通过引用并入本文。在各种实施方式中的至少一种实施方式中，在操作307处，分类引擎模型构建器可以被配置成识别至少一个分类器的一组分类，该分类器例如公司简档分类器或预测分类器。在各种实施方式中的至少一种实施方式中，分类引擎可以被配置成识别一个或更多个有吸引力的类以及一个或多个无吸引力的类。分类引擎可以被配置成在训练数据库306中的企业统计结构增强训练数据上训练至少一个分类器。分类引擎可以包括机器学习模型构建器，例如，决策树、随机森林决策树、聚类建模器、K均值聚类建模器、神经网络、梯度增强树机器和支持向量机SVM。公司简档构建器例如，在一种实施方式中，分类引擎使用聚类建模器在训练数据库306上训练客户简档分类器。例如，在至少一种实施方式中，系统包括K均值聚类建模器，例如K均值聚类算法、K模型聚类算法或k均值++算法。K均值聚类解决方案通常被定义为其使x_i与一组K聚类中的每个聚类j的聚类质心μ_j之间的偏差的平方的和最小化，其中，观察的第i个向量属于第j个聚类。在一种实施方式中，分类引擎建模器被配置成将企业统计结构数据316与公司赢得失去数据310相关联以识别简档分类。在各种实施方式中的至少一种实施方式中，在赢得的公司参与数据310是客户参与的情况下，分类引擎包括权重参数，该权重参数被配置成偏好更近期的客户以用于有吸引力的分类。例如，在聚类期间，应用模型处理权重，使得较旧的客户比较新的客户具有更低的相关性。在另一个示例中，赢得或失去的年龄开始时间减少了分类模型中该数据的权重。也就是说，与去年获得的客户相比，来自5年前开始时间的客户W对分类简档模型的影响较小。在一种实施方式中，分类引擎包括权重参数，该权重参数被配置成偏好每客户更高预期收入以用于有吸引力的分类。在一个实施方式中，分类器被配置成在企业统计结构数据和失去的公司参与数据上进行训练，例如从失去公司参与当失去时时开始在企业统计结构数据上进行训练。在一种实施方式中，为什么失去的分类器包括缺乏资金类、ROI类和竞争者类。在一种实施方式中，分类可以包括未定义的类，该未定义的类对应于与数据集中的其他公司显著不同的公司。这使得公司也有可能能够与已识别的任何类无关。这种未定义的分类可以指示具有显著区别的企业统计结构的公司，该企业统计结构概述新的简档例如，新的商业模型或“分裂器disruptor”。在一个实施方式中，企业统计结构的部分可能不可用于特定公司。例如，系统可以被配置成针对在建模过程中使用的每种类型的信息元素参数化一组定义的标准，并且如果数据不完整或者数据被需要，则公司不包括在建模过程中。在另一实施方式中，信息元素可以是可以基于模型中可用的其他标准进行平均并且用该估计值填充的元素。在一种实施方式中，公司可以表现出略微改变的特征，基于例如成熟度、地理范围或可用数据的深度而将这些特征定性为“有吸引力的”或“没有吸引力的”。基于这些特征以及稍后可以定义的其他特征对特征进行分割可以提供更稳健的分类。在各种实施方式中的至少一种实施方式中，在操作308处，分类引擎被配置成识别并且生成与如上所述的赢得聚类W相关联的企业统计结构316以及包括公司状态数据的公司数据318的简档分类，该公司数据318可以包括公司度量。例如，如上所述，分类引擎可以通过在企业统计结构数据316和与公司的增长率和财务状况相关联的公司度量318上进行训练来识别类例如：公司在12个月时间段内继续经营的可能性或公司在特定时间段内显著增长或收缩的可能性，例如由AI专家系统确定的，在于2003年2月18日提交的题为“SystemandMethodforProvidingEnhancedInformation”的美国专利第7,822,757号和于2010年9月28日提交的题为“DataIntegrationMethodandSystem”的美国专利第8,346,790号中描述了该AI专家系统，上述两个美国专利中的每个的全部内容通过引用并入本文。分类器引擎输出简档分类器，该简档分类器包括作为公司简档的每个盈得聚类的定义的简档，然后可以在公司实体数据库304上运行该简档分类器以对数据库304中适合相应简档的其他公司进行分类。在操作309处，简档分类器被配置成将其他公司分类为简档类并且尤其计算简档的市场份额和市场机会。在一种实施方式中，客户简档分类包括市场机会、潜在客户公司的数量、平均销售交易以及客户端用户的市场份额的分类。因此，分类器识别并且可以生成与过去销售或推广的并且由简档特征分组的公司的列表在企业统计结构上相类似的公司的列表，在客户端用户自己的数据上训练简档特征。可以使用已训练的分类器在短时间内生成这种列表，并且可以每简档包括数千到数万家公司以及相关人员和相关人员的联系信息，全部都是AI合格的潜在客户。在操作310处，系统被配置成输出客户端用户的客户简档和简档数据，例如输出至如图7所示的客户端用户界面，或者可以经由其他输出例如，潜在客户数据库或报告提供。图5A至图5B示出了根据各种实施方式中的至少一种实施方式的用于目标分类和对公司购买客户端用户的产品或服务的可能性进行评分的AI预测分析的系统和系统流程400的逻辑架构。图5C示出了根据各种实施方式中的至少一种实施方式的用于目标分类和对公司和公司的雇员购买客户端用户的产品或服务的可能性进行评分的AI预测分析的系统和系统流程400的逻辑架构。如图5C所示，公司赢得失去数据库301包括雇员标识数据320和公司标识数据312、314，雇员标识数据320例如雇员名称数据和雇员头衔数据。在至少一种实施方式中，系统执行如上所述的操作302-305，并且在操作305处，映射至公司实体数据318的公司赢得或失去数据库301数据310和来自公司实体数据库304的企业统计结构数据316被编译进入训练数据库306。在一种实施方式中，如图5A至图5B所示，对于每个公司，训练数据库306包括如上所述的一个或更多个赢得失去值310、企业统计结构和评定分数数据316以及公司数据318。如图5C所示，在操作305处，在编译训练数据库306时，系统将来自商业实体数据库304的数据映射至雇员数据322。在操作402处，系统被配置成访问来自公司实体数据库304的非客户数据410的样本，并且编译训练数据库403以还包括非客户数据401，使得训练数据库403包括如下训练数据：所述训练数据包括作为赢得数据301W的客户销售的公司列表。如图5B所示，客户数据库还可以包括失去数据310L例如失去销路，失去数据310L可以被包括在训练数据库403中。系统可以编译训练数据库403以将非客户赢得失去销售数据410的样本、每个公司的企业统计结构和评分数据416以及公司数据418映射至如图5B所示的相应的客户数据库310W、316W、318W以及如果可用失去数据库310L、316L、318L。如图5C所示，训练数据库403还可以包括来自被映射至客户失去销路公司雇员数据322的非客户样本的雇员数据422。在操作404处，在至少一种实施方式中，分类引擎训练并且输出分类模型，该分类模型被配置成对与现有客户和或其雇员的特征相对应的一组“有吸引力的”类和由失去销路的特征定义的一组“无吸引力的”类进行识别。在一种实施方式中，机器学习分类器例如决策树诸如随机森林建模技术可以在多个模型上进行迭代以捕获数据集的许多特征并且避免过度拟合。预测分类器构建器构建分类器，所述分类器被配置成对在稳健的企业统计结构316、416和公司数据318、418上进行训练的销售赢得W和失去销路损失L如果提供有进行分类。在一种实施方式中，预测引擎可以被配置成计算每个公司的分类和或公司雇员的分类的概率分数。在一种实施方式中，预测引擎可以被配置成计算与分类相关联的销售收入。如果类包含失去销路，则收入为表示估计的机会成本的负收入。在一种实施方式中，概率加权分数可以被计算为公司和或雇员作为该类的成员的概率乘以收入值，其中针对用户销售的每个产品或服务单独计算概率分数。在至少一种实施方式中，分类引擎输出分类模型，该分类模型被配置成对与现有客户和或其雇员的特征相对应的一组“有吸引力的”类或聚类和由失去销路的特征所定义的一组“无吸引力的”类或聚类进行识别。如上所述，在一种实施方式中，机器学习分类器例如决策树诸如随机森林建模技术可以在多个模型上迭代以捕获数据集的许多特征并且避免过度拟合。例如，然后所得到的分类器可以用于确定新公司或公司的雇员成为类的所定义的一个或更多个公司简档中的成员的概率。然后可以计算分数，该分数包括公司或公司的雇员在定义的购买产品的分类内的概率。在一种实施方式中，收入可以与分类相关联。在一种实施方式中，客户分类包括企业统计结构数据，该企业统计结构数据包括但不限于销售量、行业、自持租赁、总部、雇员数、家族树大小例如，国内和全球实体的总数、总部、分支机构等、公司年龄和法律地位。此外，在一种实施方式中，每客户的收入可用于进一步提高所得的分类的吸引力。基于该分类器，可以使用新公司和相应的一组企业统计结构和相关数据来分配该公司处于一个或更多个类中的概率，并且可以基于处于简档类的概率和类的吸引力来确定公司的相关联的吸引力。在一种实施方式中，失去的分类可以与赢得的分类交叠。例如，分类器可以对交叠的赢得值和失去值进行分类，例如针对类似公司例如：在同一行业中或与具有其他类似的企业统计结构的客户参与或销售W和失去销路L。这可以指示存在在该空间中操作的竞争者并且因此将降低分类的“吸引力”以及导致降低概率购买分数。可以由与如下分类器相关联的企业统计结构分类来确定购买的概率分数并对其进行加权：在客户赢得和失去以及非客户企业统计结构上训练该分类器。在一种实施方式中，客户简档分类包括例如市场机会、潜在客户公司的数量、平均销售交易和用户的市场份额的分类。AI机器学习被配置成训练分类器以给不同的产品和不同的服务分配其自己的分类。在操作404处，分类器引擎将具有经学习的客户特征的经训练的分类器输出至预测引擎。在操作405处，预测引擎接受公司名称的数据库或文件作为输入。在至少一种实施方式中，系统可以被配置成将识别每个公司的公司列表例如，公司名称、电子邮件地址、网址、电话与包括企业统计结构数据的数据进行链接，该企业统计结构数据例如来自如本文所描述的商业实体信息数据库304的质量保证的企业统计结构数据。一旦企业统计结构数据充实新的客户数据库，则在操作406处，预测引擎被配置成使用经训练的分类器来计算来自公司名称405的数据库的公司可能购买给定产品或给定服务的概率分数。图6A和图6B示出了根据各种实施方式中的至少一种实施方式的用于目标分类和对公司和或公司雇员响应营销消息的可能性进行评分的AI预测分析的系统和系统流程500的逻辑架构。在各种实施方式中的至少一种实施方式中，在操作302处，系统接受公司赢得失去数据库301作为输入，该公司赢得失去数据库301包括公司参与510的列表以及针对每个参与的公司名称值312和公司地址值314。如图6B所示，在各种实施方式中的至少一种实施方式中，列表301可以包括公司雇员名称和头衔的列表。对于每个公司和或公司雇员，数据库301包括响应赢得参与W值510W。数据库301还可以包括无响应参与L值510L。在一种实施方式中，赢得的公司参与510W的列表包括营销响应。在一个实施方式中，赢得的公司参与可以包括针对每个参与的时间值，例如，在一种实施方式中，该时间值是公司和或公司雇员发送营销消息时的时间值和接收到响应时的时间值。用户还可以提供失去的公司参与510W的列表。在一种实施方式中，该列表可以针对每个失去的公司参与510W包括如果可用何时失去的值以及为什么失去的值。例如，用户可以提供如果可用何时发送营销消息以及如果可用为什么没有响应例如，消息渠道不再可用。在至少一种实施方式中，在操作303处，系统可以被配置成根据公司赢得失去数据库301将公司实体数据链接至每个公司。例如，在至少一种实施方式中，系统可以被配置成对识别每个公司的公司列表例如，公司名称312、地址314、电子邮件地址、网址、电话和或每个公司雇员320例如，雇员名称、雇员头衔进行处理，以识别或生成企业统计结构公司ID315并且使每个公司与包括例如来自商业实体信息数据库304的质量保证的企业统计结构数据316和公司数据318的数据进行匹配，以及生成用于对例如每家公司过去的业绩和未来业绩的预测进行评分的分数。在于2003年2月18日提交的题为“SystemandMethodforProvidingEnhancedInformation”的美国专利第7,822,757号和于2010年9月28日提交的题为“DataIntegrationMethodandSystem”的美国专利第8,346,790号中描述了公司实体数据链接、数据集成和商业实体信息数据库304的示例，上述两个美国专利中的每个的全部内容通过引用并入本文。在至少一种实施方式中，在操作305处，来自数据库301的公司响应无响应数据510经由公司企业统计结构ID315被映射至来自公司实体数据库304的公司实体数据并且被编译至训练数据库306中。在一个实施方式中，对于每个公司和或公司雇员，训练数据库306包括一个或更多个赢得失去值510、稳健的企业统计结构和评定分数数据316以及公司数据318。在操作502处，系统被配置成访问来自公司实体数据库304的其他公司数据401的样本，并且编译训练数据库503，该训练数据库503包括训练数据，该训练数据包括响应者510W和无响应者510L的公司列表、企业统计结构和评分数据316以及由样本通过其他非客户公司数据410、416、418、422充实的公司数据318。如图6B所示，公司数据库301还可以包括失去数据510L，例如无响应数据510L，失去数据可以被包括在训练数据库503中。系统可以编译训练数据库503以将其他公司赢得失去销售数据410、每个公司的企业统计结构和评分数据416以及公司数据418的样本映射至相应的公司数据库510W、316W、318W以及如果可用失去数据库510L、316L、318L。如图6B所示，训练数据库503还可以包括来自映射至响应无响应公司雇员数据322的非客户其他公司样本的雇员数据422。在操作509处，在至少一种实施方式中，分类引擎训练并且输出分类模型，该分类模型被配置为对与现有客户的特征相对应的一组“有吸引力的”类或聚类和由公司对营销消息的响应W公司参与和无响应L公司参与的特征定义一组“无吸引力的”类或聚类进行识别。在一种实施方式中，机器学习分类器例如决策树诸如随机森林建模技术可以在多个模型上迭代以捕获数据集的许多特征并且避免过度拟合。在一种实施方式中，失去的分类可以与赢得的分类交叠。例如，分类器可以对交叠的赢得值和失去值进行分类，例如针对类似公司例如：在同一行业中或具有其他类似的企业统计结构的特定营销渠道例如，电子邮件的响应W和无响应L。这可以指示消息渠道不一致地参与客户响应并且因此将降低分类的“吸引力”并且导致较低的概率响应分数。再例如，公司可以通过一个渠道例如电子邮件发送营销消息而没有响应L，并且通过另一渠道例如文本发送相同的消息并获得响应W。这将增加文本渠道对该特定类型的营销消息的“吸引力”并且降低电子邮件渠道对该特定类型的营销消息的吸引力。因此，可以通过与分类器相关联的企业统计结构数据和消息传送的类来确定消息响应的概率分数并且对消息响应的概率分数进行加权，在提供响应赢得和失去以及非客户其他公司企业统计结构数据和消息传送的客户端上训练分类器。AI机器学习被配置成训练分类器以识别并且分配不同的类，例如针对不同的渠道和消息类型分配它们自身的类，并且生成如本文所描述的分数。分类器引擎将具有经学习的响应者特征的经训练的分类器输出至预测引擎。在操作505处，预测引擎接受公司名称的数据库或文件作为输入。在至少一种实施方式中，系统可以被配置成将标识每个公司的公司列表例如公司名称、电子邮件地址、网址、电话与包括企业统计结构数据的数据例如，来自如本文所描述的商业实体信息数据库304的质量保证的企业统计结构数据进行映射。一旦企业统计结构数据充实新的客户数据库，则在操作506处，预测引擎被配置成使用经训练的分类器来计算公司可能响应消息以及通过何种渠道响应的概率分数。在各种实施方式中的至少一种实施方式中，系统可以被配置成将标识每个公司雇员的公司列表例如，公司名称、电子邮件地址、网址、电话与来自如本文所描述的商业实体信息数据库304的雇员数据例如，名称、电子邮件、会话跟踪cookie数据进行映射。例如，如图6B所示，系统可以访问商业实体信息数据库304的联系人数据库33、会话跟踪数据库或雇员数据库37中的至少一个中的雇员数据，并且将该数据映射至公司列表。一旦企业统计结构数据以及雇员数据充实新的客户数据库，则在操作511处，预测引擎被配置成使用经训练的分类器来计算公司雇员和或雇员职位例如，管理代码、头衔可能响应消息以及通过何种渠道响应的概率分数。该系统还可以被配置用于为经评分的雇员提供用于联系雇员的一个或更多个渠道，例如，电子邮件、数字媒体渠道例如，来自cookie跟踪数据、手机和文本。图7示出了用于各种实施方式中的至少一种实施方式的示例性简档界面700。该系统被配置成使得客户端用户如上所述能够提供公司和地址的列表以及赢得失去数据，系统例如使用K均值聚类部件在赢得失去数据上训练公司简档分类器。然后，系统在来自稳健的企业统计结构数据的公司实体数据库的数据上运行分类器，以生成从“赢得”类产生的多个简档701a、701b、701c、701d。每个简档701a、701b、701c、701d包括市场机会、潜在客户公司的数量、平均销售交易以及客户端用户的市场份额的简档分类702。因此，界面700使得客户端用户能够识别基于赢得的简档，在客户端用户自己的顾客上训练该基于赢得的简档、加权为最高成功概率、具有最佳市场机会、每客户的最高平均交易以及每个简档内的客户端用户市场份额。简档分类还包括公司和企业统计结构分类703。如图7所示，企业统计结构分类703可以包括：收入范围销售量、雇员数、家族树大小、公司年龄和法律地位。系统界面700还可以被配置成呈现企业统计结构分类信息以识别可用于瞄准潜在客户和消息传送例如，市场消息传送和其他战略目标的简档特征，企业统计结构分类信息例如行业704例如，类型和百分比和区域705例如区域覆盖和百分比。还可以提供其他企业统计结构分类信息，例如SIC编码信息、可行性信息、分类内的深入分析等等，而没有限制。界面700还可以被配置成显示落在每个简档内的公司示例706的列表，客户端用户可以下载该列表。每个简档701a、701b、701c、701d可以包括数千到数万个实现简档化的公司。因此，在至少一种实施方式中，系统可以包括预测引擎，该预测引擎包括在如本文所描述的客户端用户提供的赢得失去数据库上训练的预测分类器，例如随机森林决策树模块。在至少一种实施方式中，系统界面700可以被配置成使得用户能够选择要与潜在客户列表一起呈现的简档。系统可以被配置成使用预测分类器对每个简档中的潜在客户公司进行分类，并且对简档中的每个公司的成功概率进行评分。然后，系统可以基于如本文所描述的概率分数输出确定了优先级的公司集合，例如，基于计算的分数的100个潜在客户的有序集合。系统界面700可以被配置成使得用户能够从公司数据的结果中进行选择以从简档内选择目标，例如用于缩小结果或者利用更多信息呈现。界面700还可以被配置成使得用户接受关于分类器结果的一个或更多个约束，例如，物流约束或法律约束。在此之后，分类模型采用约束和附加信息，并且基于如本文所描述的概率分数输出确定了优先级的公司集合，例如，基于计算的分数和提供的约束的100个潜在客户的有序集合。图8示出了界面800的实施方式，界面800被配置成使得客户端用户能够搜索简档并且获得经评分的潜在客户的确定了优先级的列表。该界面包括搜索对象801，搜索对象801被配置成使得用户能够发起对经评分的潜在客户公司或雇员的搜索。可以执行类别的搜索，该类别例如行业或地区等企业统计结构类别。界面800还包括简档搜索对象802，其中用户可以使用下拉菜单来选择子类别803例如，场所、国内、全球并且选择搜索运算符804例如，“主要是”、“包括”、“排除”以及子类别字段806，以用于为公司或公司人员简档选择并且定义一个或更多个子类别例如，行业部门、销售范围、雇员数、法律状态、雇员头衔。简档搜索对象802还包括包含未知对象805，包含未知对象805用于在搜索参数和过滤器未知的结果中包含公司。界面800包括潜在客户评分区域808，潜在客户评分区域808被配置成使得用户能够接收预测分数并且对该预测分数进行确定优先级。潜在客户评分区域808包括用于过滤器809、过滤器810例如，产品、电子邮件响应率、营销响应和结果811例如，最高得分记录的百分比、达到或超过概率分数阈值的公司、计数阈值的下拉过滤器。潜在客户评分区域808包括以条形图示出的图表812，图表812显示公司的评分结果。界面800被配置成使得客户端用户能够经由保存简档对象814来保存确定了优先级的潜在客户的简档。该界面还包括清除搜索对象815，该对象配置为使得用户能够清除经评分的潜在客户的搜索结果。在一种实施方式中，系统界面包括保存简档对象816以访问保存的简档。将理解的是，可以由计算机程序指令实现流程图中的每个操作以及流程图中的操作的组合。可以将这些程序指令提供给处理器以产生机器，使得指令在处理器上执行时创建用于实现流程图操作或操作中指定的动作的手段。计算机程序指令可以由处理器执行以使得处理器执行一系列操作步骤以产生计算机实现的处理，使得指令在处理器上执行时提供用于实现在流程图操作或操作中制定的动作的步骤。计算机程序指令还可以使得流程图的操作中示出的操作步骤中的至少一些并行执行。此外，一些步骤也可以跨多个处理器执行，例如可能出现在多处理器计算机系统或者甚至一组多个计算机系统中。此外，流程图中的一个或更多个操作或操作的组合也可以与其他操作或操作的组合同时执行，或者甚至在不偏离本发明的范围或精神的情况下以不同于所示的不同顺序执行。因此，流程图的操作支持用于执行指定动作的手段的组合、用于执行指定动作的步骤的组合以及用于执行指定动作的程序指令手段。还将理解的是，流程图的每个操作以及流程图中的操作的组合可以由执行指定的动作或步骤的专用基于硬件的系统来实现，或者由专用硬件和计算机指令的组合来实现。前述示例不应被解释为限制和或穷举，而是用于示出本发明的各种实施方式中的至少一种实施方式的实现方式的说明性用例。

权利要求：1.一种系统，包括：收发器，其用于通过网络进行通信；存储器，其用于至少存储指令；处理器设备，其能够进行操作以执行程序指令；训练数据库，其包括：来自客户端用户的公司参与的列表以及针对每个参与的公司标识符，其中，所述列表包括赢得的公司参与，以及映射至每个公司参与的公司实体数据，所述公司实体数据包括来自商业实体信息数据库的企业统计结构数据，分类引擎，其包括被配置成识别公司潜在客户的至少一个分类器，所述分类引擎被配置成在所述训练数据库中的训练数据上训练所述至少一个分类器以识别一个或更多个有吸引力的类和一个或更多个无吸引力的类，从而对公司潜在客户进行分类。2.根据权利要求1所述的系统，其中，所述公司参与的列表包括客户的列表。3.根据权利要求2所述的系统，其中，对于参与中的至少一个，所述公司参与的列表包括以下中的至少一个：所述公司成为客户的开始时间；客户收入值；一个或更多个雇员标识符。4.根据权利要求2所述的系统，其中，所述赢得的公司参与的列表包括以下中的至少一个：产品或服务的售出；以及对营销消息的响应。5.根据权利要求1所述的系统，其中，所述训练数据库包括失去的公司参与的列表。6.根据权利要求1所述的系统，其中，所述分类器引擎包括从以下组中选择的机器学习分类器模型构建器：决策树、随机森林建模器、聚类建模器、K均值聚类建模器、神经网络、梯度增强树机器建模器和支持向量机即SVM。7.根据权利要求6所述的系统，其中，所述分类器引擎包括在所述训练数据库上训练的公司简档分类器，所述公司简档分类器被配置成识别一个或更多个公司简档公司分类，所述一个或更多个公司简档公司分类包括基于有吸引力的类中的至少一类的至少一个公司简档。8.根据权利要求7所述的系统，其中，所述分类引擎包括机器学习分类器模型构建器，所述机器学习分类器模型构建器包括K均值聚类建模器。9.根据权利要求8所述的系统，其中，所述机器学习分类器构建器被配置成从公司赢得参与或失去参与的开始时间在企业统计结构数据上训练所述至少一个分类器。10.根据权利要求6所述的系统，包括：预测引擎，其包括所述至少一个分类器，所述预测引擎被配置成计算公司潜在客户分类的概率分数。11.根据权利要求10所述的系统，其中，在随机森林决策树上训练所述预测引擎的分类器。12.根据权利要求5所述的系统，其中，所述公司参与的列表包括一个或更多个雇员标识符，并且所述系统被配置成训练所述至少一个分类器以对包括所述一个或更多个雇员标识符的公司潜在客户进行分类。13.根据权利要求12所述的系统，其中，所述分类器模型构建器被配置成对预测引擎的至少一个分类器进行训练，所述预测引擎被配置成针对所述公司雇员标识符计算公司潜在客户分类的概率分数。14.根据权利要求13所述的系统，其中，所述系统被配置成至少：针对所述公司潜在客户的雇员数据访问商业实体数据库，所述雇员数据，以及为客户端用户提供包括所述公司潜在客户的所述雇员数据的多个经评分的潜在客户。15.一种由计算机系统执行的方法，所述计算机系统包括一个或更多个处理器、存储器以及计算机可读存储介质，所述存储器操作地耦接至处理器中的至少一个处理器，所述计算机可读存储介质编码有可由所述处理器中的至少一个处理器执行的指令并且操作地耦接至所述处理器中的至少一个处理器，所述方法包括：将包括用于客户端用户的公司参与的列表的公司参与数据库接收至存储器中，其中，所述列表包括赢得的公司参与；对包括链接至每个公司的公司实体数据的训练数据库进行编译，所述公司实体数据包括来自商业实体信息数据库的企业统计结构数据；在所述训练数据库中的训练数据上训练至少一个分类器，以训练所述至少一个分类器识别一个或更多个有吸引力的类和一个或更多个无吸引力的类，从而对公司潜在客户进行分类；将所述至少一个分类器输出至分类引擎；在包括所述公司实体数据和所述企业统计结构数据的数据库上运行所述至少一个分类器，以识别被分类为有吸引力的潜在客户公司；以及将公司潜在客户的数据库输出至客户端用户界面。16.根据权利要求15所述的方法，其中，所述公司参与的列表包括客户的列表。17.根据权利要求15所述的方法，其中，所述训练数据库包括失去的公司参与的列表。18.根据权利要求15所述的方法，其中所述方法包括：在从以下组中选择的机器学习分类器模型构建器上训练所述至少一个分类器：决策树、随机森林建模器、聚类建模器、K均值聚类建模器、神经网络、梯度增强树机器建模器和支持向量机即SVM。19.根据权利要求15所述的方法，其中，所述方法包括：训练公司简档分类器，所述公司简档分类器被配置成识别一个或更多个公司简档公司分类，所述一个或更多个公司简档公司分类包括基于一个或更多个有吸引力的类中的至少一个的至少一个公司简档。20.根据权利要求15所述的方法，其中，所述方法包括：在包括K均值聚类建模器的机器学习分类器模型构建器上训练所述公司简档分类器。21.根据权利要求19所述的方法，其中，包括所述公司实体数据和所述企业统计结构数据的数据库是所述商业实体信息数据库。22.根据权利要求15所述的方法，包括：训练预测引擎的至少一个分类器，所述预测引擎被配置成计算公司潜在客户分类的概率分数。23.根据权利要求22所述的方法，包括：在随机森林决策树上训练所述预测引擎的所述至少一个分类器。24.根据权利要求22所述的方法，其中，包括所述公司实体数据和所述企业统计结构数据的数据库是根据新的公司潜在客户和来自商业实体信息数据库的所述公司潜在客户的企业统计结构数据编译的数据库。25.根据权利要求15所述的方法，其中，所述公司参与的列表包括一个或更多个雇员标识符，并且所述系统被配置成训练所述至少一个分类器以对包括公司雇员标识符的公司潜在客户进行分类。26.根据权利要求25所述的方法，其中，所述方法包括训练预测引擎的至少一个分类器，所述预测引擎被配置成针对所述公司雇员标识符计算公司潜在客户分类的概率分数。27.根据权利要求25所述的方法，其中，所述方法包括：针对雇员数据访问商业实体数据库，所述雇员数据包括联系人数据或会话跟踪数据中的至少一个；以及向客户端用户的用户界面提供包括所述公司潜在客户的所述雇员数据的多个经评分的潜在客户。28.一种计算机程序产品，其包括编码有可由计算机系统执行的指令的计算机可读存储器，所述指令在由所述计算机系统的处理器中的至少一个处理器执行时执行包括以下操作的方法：将包括客户端用户的公司参与的列表的公司参与数据库接收至存储器中，其中，所述列表包括赢得的公司参与；对包括链接至每个公司的公司实体数据的训练数据库进行编译，所述公司实体数据包括来自商业实体信息数据库的企业统计结构数据；在所述训练数据库中的训练数据上训练至少一个分类器，以训练所述至少一个分类器识别一个或更多个有吸引力的类和一个或更多个无吸引力的类，从而对公司潜在客户进行分类；将所述至少一个分类器输出至分类引擎；在包括所述公司实体数据和所述企业统计结构数据的数据库上运行所述至少一个分类器，以识别被分类为有吸引力的潜在客户公司；以及将公司潜在客户的数据库输出到客户端用户界面。

百度查询： 邓白氏公司 在赢得/失去分类上进行人工智能优化的潜在客户确定的机器学习分类器和预测引擎