CN102208080A

CN102208080A - 一种优化服务资源的方法及系统

Info

Publication number: CN102208080A
Application number: CN2010101405543A
Authority: CN
Inventors: 刘大鹏; 李多全; 岳亚丁; 赖晓平; 李邕; 黄华基; 肖磊; 叶幸春; 陈永锋; 言艳花; 贡鸣; 陈显露
Original assignee: Shenzhen Tencent Computer Systems Co Ltd
Current assignee: Shenzhen Tencent Computer Systems Co Ltd
Priority date: 2010-03-29
Filing date: 2010-03-29
Publication date: 2011-10-05

Abstract

本发明公开了一种优化服务资源的方法，包括：采集当前服务阶段各个服务操作的应用数据；根据所采集的应用数据建立各服务操作的策略模型，并根据所建立的策略模型计算得到各服务操作服务资源量与服务提升率之间的函数关系；根据得到的函数关系和总服务资源量确定服务资源的分配。本发明还同时公开了一种优化服务资源的系统，采用本发明能精确、合理地分配服务资源，提高和优化服务资源的利用率，使服务得以充分地推广和实施。

Description

一种优化服务资源的方法及系统

技术领域

本发明涉及服务资源管理技术，特别是涉及一种优化服务资源的方法及系统。

背景技术

随着网络的不断发展，各类网络服务层出不穷。一般，对于任何一项新的网络服务而言，都会包括服务推新、服务推广、服务维护、以及服务老化几个阶段，换句话说就是，每项服务都会存在一个生命周期。通常，面对众多不同类型的服务，每个用户通常会按自己的喜好选择使用适合的服务，那么，为了使服务能被更多的用户接受并选择使用，就需要在服务推新初始，使用户充分了解所推出服务的功能，进而选择使用相应服务；并且，在后续的服务推广和维护过程中，使用户持续选择使用相应服务。这样，就需要在一项服务的生命周期中，利用该服务各个阶段的特点采用适当的服务实施策略，对服务资源进行精确、合理的规划与分配。

随着数据挖掘技术的普遍使用，对于服务的推广，可以从大量不完全、有噪声、模糊的实际应用数据中，发现和提取含在其中、事先不为人所知的潜在有用信息，并利用所获取的潜在有用信息精准定位用户的喜好，进而选择并设置合适的服务实施策略，以保证服务被用户广泛使用。另外，每个服务在每个阶段都希望得到更多的服务资源，例如：在服务推新阶段，由于用户对新的服务并不了解，就需要将大量服务资源用于如何使尽量多的用户了解并接受，进而选择使用该新的服务；在服务推广阶段，由于该服务已经被一些用户所了解，所以，在利用一定服务资源继续使更多用户了解该服务的同时，还需要一定服务资源用于有针对性的吸引更多已了解服务的用户选择使用该服务；在服务维护阶段，不仅需要吸引更多用户选择使用该服务，而且需要尽可能地使已在使用该服务的用户继续使用该服务，即挽留更多用户，甚至希望能吸引一些使用类似服务的用户转而选择使用该服务，这几种服务操作都需要一定的服务资源来实现；在服务老化阶段，一方面需要挽留更多的用户，另一方面希望能吸引一些使用类似服务的用户转而选择使用该服务，每种服务操作也各自需要一定的服务资源。可以看出，每个阶段每种服务操作都需要服务资源，而且服务资源越多对服务操作的执行越有利，但在实际应用中服务资源是一定的，如何能合理、优化的分配服务资源是非常关键的。

目前，选择和设置服务实施策略时，分别考虑服务的单个阶段、或者基于对多个阶段中每个阶段的单一服务操作考虑来分配服务资源；并且，通过数据挖掘方式，获取一定数量的最优用户完成相应服务的实施。这种方式，虽然能使服务在一定范围得到一定程度的推广和实施，但是，由于没有全面考虑到每个服务所涉及的各个阶段、每个阶段所涉及的各个服务操作、以及每个阶段中各个服务操作之间的重要程度，因此，并不能使服务资源得到精确、合理、优化地分配，也不能使服务得到最大程度的推广和实施。

发明内容

有鉴于此，本发明的主要目的在于提供一种优化服务资源的方法及系统，能精确、合理地分配服务资源，提高和优化服务资源的利用率，使服务得以充分地推广和实施。

为达到上述目的，本发明的技术方案是这样实现的：

本发明提供了一种优化服务资源的方法，包括：

采集当前服务阶段各个服务操作的应用数据；

根据所采集的应用数据建立各服务操作的策略模型，并根据所建立的策略模型计算得到各服务操作服务资源量与服务提升率之间的函数关系；

根据得到的函数关系和总服务资源量确定服务资源的分配。

上述方案中，在建立策略模型时，该方法还包括：为每个用户设置策略实施可能性标签，标识该用户所参与策略模型建立的服务操作。

上述方案中，计算函数关系之前，该方法还包括：计算服务操作的服务提升率。

上述方案中，该方法还包括：设置服务资源更新周期。

上述方案中，所述服务阶段为服务推新阶段、服务推广阶段、服务维护阶段、以及服务老化阶段。所述每个服务阶段包括一种或一种以上服务操作。

本发明还提供了一种优化服务资源的系统，包括：数据采集模块、策略模型建立模块、函数计算模块和服务资源分配确定模块；其中，

所述数据采集模块，用于采集当前服务阶段各个服务操作的应用数据；

所述策略模型建立模块，用于根据所采集的应用数据建立各服务操作的策略模型；

所述函数计算模块，用于根据所建立的策略模型计算得到各服务操作服务资源量与服务提升率之间的函数关系；

服务资源分配确定模块，用于根据得到的函数关系和总服务资源量确定服务资源的分配。

上述方案中，该系统进一步包括用户标签设置模块，用于为每个用户设置策略实施可能性标签，标识该用户所参与策略模型建立的服务操作。

上述方案中，该系统进一步包括提升率计算模块，用于计算服务操作的服务提升率，并将计算得到的服务提升率送至所述函数计算模块。

上述方案中，该系统进一步包括周期设置模块，用于设置服务资源更新周期。

本发明所提供的优化服务资源的方法及系统，采集当前服务阶段各个服务操作的应用数据；根据所采集的应用数据建立各服务操作的策略模型，并根据所建立的策略模型计算得到各服务操作服务资源量与服务提升率之间的函数关系；根据得到的函数关系和总服务资源量确定服务资源的分配。这样，可使服务在整个实施过程中，全面的考虑到每个服务阶段的具体情况，结合每个服务阶段所有的不同服务操作、以及不同服务操作在所属服务阶段的实施情况，精确、合理、优化地进行服务资源分配，例如：使用户了解并接受新服务的服务操作，在服务推新阶段，该服务操作处于非常重要的位置，那么根据实际采集的应用数据经过建立策略模型、服务提升率计算、确定最优资源分配的过程，最终可能确定分配95％的服务资源用于此服务操作；到了服务推广阶段，由于新服务已经被一定范围的用户所了解，那么根据实际采集的应用数据经过建立策略模型、服务提升率计算、确定最优资源分配的过程，最终可能会确定降低为该服务操作分配的资源，可能只会有50％～60％的服务资源；再到后期，经过资源优化分配的过程就会确定再降低为该服务操作分配的资源，可能分配20％甚至不需要分配服务资源。如此，可提高和优化服务资源的利用率，使每项服务得以充分地推广和实施。

另外，由于每个服务阶段都有一定的时间段，本发明可以随时根据服务具体的实施情况，随时改变每个服务操作的服务资源分配比例，例如：某个服务阶段有三种服务操作，在该服务阶段刚开始时，经过资源优化分配的过程可能给第一、第二、第三服务操作分别分配50％、30％、20％的服务资源，经过一段时间的数据采集，再通过资源优化分配的过程分析发现需要调整服务资源，就可以根据需要将第一、第二、第三服务操作的服务资源比例分别调整为20％、50％、30％。如此，可进一步提高和优化服务资源的利用，提高服务推广和实施的效率；而且，使服务资源的分配实现方便、灵活。

附图说明

图1为本发明优化服务资源方法的实现流程示意图；

图2为本发明实施例中根据所采集应用数据得到的决策树示意图。

具体实施方式

本发明的基本思想是：采集当前服务阶段各个服务操作的应用数据；根据所采集的应用数据建立各服务操作的策略模型，并根据所建立的策略模型计算得到各服务操作服务资源量与服务提升率之间的函数关系；根据得到的函数关系和总服务资源量确定服务资源的分配。

这里，所述服务阶段可以是服务推新阶段、服务推广阶段、服务维护阶段、以及服务老化阶段；每个服务阶段包括一种或一种以上服务操作；所述应用数据为历史应用数据、和/或用户响应数据。

本发明中，可预先设置服务资源更新周期，该服务资源更新周期是指根据所采集的应用数据确定如何调整服务资源分配的时间，可以根据实际应用情况，将服务资源更新周期设置为一周、一个月、一个季度等等。

通常，所有用户在使用过程中产生的历史应用数据、或通过服务测试获取的用户响应数据都是实时保存的，保存后作为供后续选取、建模的应用数据；相应的，所述采集应用数据就是从保存的历史应用数据和/或用户响应数据中，随机选取一定量用户对应的应用数据，用以建立策略模型和分析计算。

图1为本发明优化服务资源方法的实现流程示意图，如图1所示，本发明优化服务资源的方法包括以下步骤：

步骤101：采集当前服务阶段各个服务操作的应用数据；

这里，所述采集应用数据可以有两种方式：

一种是，从已有的历史应用数据中随机选取一定量的应用数据，这些应用数据中包括属于各个服务操作的应用数据。其中，各个服务操作可以根据一定的条件进行划分，比如：当前服务阶段包括四个服务操作，第一个服务操作为吸引更多用户选择使用该服务；第二个服务操作为尽可能挽留更多用户继续使用该服务；第三个服务操作为吸引一些使用类似服务的用户转而选择使用该服务；第四个服务操作为使每用户平均收入(ARPU)值提升。

另一种是，通过服务测试获得响应数据。具体的，可以选取一定量的用户作为服务测试用户群，然后针对当前服务阶段需要的每个服务操作，分别对所选定的用户群发送实验数据测试用户的响应度，并获取用户的响应数据，将获得的响应数据作为采集的应用数据。

步骤102：根据所采集的应用数据建立各服务操作的策略模型；

这里，所述所采集的应用数据可以是历史应用数据，也可以是测试得到的用户响应数据。相应的，根据历史应用数据或用户响应数据、以及采集到的用户自身的相关属性建立针对不同服务操作的分类策略模型。

其中，具体根据哪些属性和应用数据建立各个服务操作的策略模型，本申请人在专利申请号为201010126802.9，发明名称为“支持多个推广活动协同实施的服务推广系统及方法”的另一件专利申请有详细描述，在此不再赘述。

具体采用哪种方法建立策略模型，可以使用任意一种分类回归算法建立策略模型，比如：决策树方法、贝叶斯算法等等，这些算法都是通用的标准分类算法；也可以使用数据挖掘工具，比如SAS、SPSS等等，只要能建立分类模型即可。

在实际应用中，为了更精确的分配服务资源，需要避免各个服务操作对应的用户群有交集，即：同一个用户不能同时参与两个服务操作的模型建立，所以，本发明可以为每个用户设置一个策略实施可能性标签，用于标识该用户参与哪个服务操作的模型建立。对于所述策略实施可能性标签的设置，可通过所采集应用数据中的多种信息综合评估，给出相应用户属于各个服务操作的评估值，并最终确定相应用户参与评估值最高的服务操作的模型建立。当然，对于服务操作对应的用户群之间不可能存在交集的情况，无需为用户设置策略实施可能性标签

这里，具体如何保证用户标签的唯一性，本申请人在专利申请号为201010126802.9，发明名称为“支持多个推广活动协同实施的服务推广系统及方法”的另一件专利申请中有详细描述，在此不再赘述。

步骤103：根据所建立的策略模型计算得到各服务操作服务资源量与服务提升率之间的函数关系；

在实际应用中，服务资源量可以是用户数量，那么，根据采集的应用数据可以获知各服务操作对应的用户量，即服务资源量；再根据所建立的策略模型可以得到各服务操作的服务提升率。

具体的，对所选取应用数据对应的用户实施服务策略，通过所建立的策略模型分别获取各种条件分支下这些用户的响应概率；再根据所建立的策略模型，对未实施服务策略的用户分别获取各种同样条件分支下用户的自然响应概率；之后，将获得的两种响应概率相减，即可得到各服务操作的服务提升率，即：服务提升率是实施服务策略的用户的响应概率与未实施服务策略的用户的响应概率之差；最后，基于得到的服务提升率就可以得到服务资源量与服务提升率之间的函数关系。

步骤104：根据得到的函数关系和总服务资源量确定服务资源的分配；

本步骤中，由于针对一个服务阶段中的各个服务操作均有对应的策略模型，那么，综合考虑总服务资源量和根据策略模型得到的函数关系，就可以确定出如何分配现有固定的服务资源。

具体的，可结合服务实施的成本，通过以下方式得到最优资源分配方案：

服务资源量×服务提升率-服务实施成本

在实际应用中，还可以结合各个服务操作的效果权重系数，进一步的优化资源分配方案为：

服务资源量×服务提升率×效果权重系数-服务实施成本

下面结合附图和具体实施例来进一步说明本发明的实现过程。

本实施例中，假设服务为A服务，A服务的当前服务阶段中有三个服务操作，每个服务操作的策略模型可根据不同的条件划分得到。

首先，随机采样选取部分上个月A服务的用户，获取各个用户的相关属性信息，比如：基本属性(年龄、性别、QQ登陆次数、上网天数......)、服务活跃情况、消费信息、以及A服务自身的服务属性等各种属性信息汇总成一个大表；再采集本月这些对应用户的相关信息，通过比较即可得到建立策略模型所需的信息，如：本月流失的用户、本月未流失的用户，可以为本月流失用户标记1，未流失用户标记0。

之后，根据不同的条件划分以及随机选取的用户数据得到服务操作的策略模型，图2为根据所采集应用数据得到的决策树，也就是一个服务操作根据不同条件划分得到的策略模型。

具体的，假设该服务操作总的用户量是100万人，那么根据消费金额和使用时间的划分，可得到四种情况，如图2中最后一层四个叶子节点所示。

情况1：消费金额＜795分且A服务使用时间＜37天的，用户流失概率是86％，用户群占比30％，即：在100万人中占30万人；

情况2：消费金额＜795分且A服务使用时间＞＝37天的，用户流失概率是67％，用户群占比10％，即：在100万人中占10万人；

情况3：消费金额＞＝795分且A服务使用时间＜33天的，用户流失概率是68％，用户群占比35％，即：在100万人中占35万人；

情况4：消费金额＞＝795分且A服务使用时间＞＝33天的，用户流失概率是51％，用户群占比25％，即：在100万人中占25万人；

类似的，可计算出各种情况下用户的自然流失率，其中，所述用户流失概率是指实施服务策略的用户的响应概率；用户的自然流失率是指未实施服务策略的用户的响应概率，两者相减即得到服务提升率：

情况1：服务提升率是4％，用户群占比30％，即：100万人中占30万人；

情况2：服务提升率是3％，用户群占比10％，即：100万人中占10万人；

情况3：服务提升率是2％，用户群占比35％，即：100万人中占35万人；

情况4：服务提升率是1％，用户群占比25％，即：100万人中占25万人。

这样，就得到一个服务操作的服务资源量与服务提升率之间的函数关系，即得到一个分段函数：

Y＝0.04*x (如果x＜30万)；

Y＝0.04*30+0.03*(x-30)(如果30万＜x＜40万)；

Y＝0.04*30+0.03*10+0.02*(x-40)(如果40万＜x＜75万)；

Y＝0.04*30+0.03*10+0.02*35+0.01*(x-75)(如果75万＜x)；

其中，Y表示函数结果变量，X表示服务资源量，即：用户群的用户人数。

最后，根据各个服务操作的函数关系和总服务资源量，就可以确定如何分配服务资源。

具体的，对于不同服务操作有不同的函数关系，假设第一服务操作的函数为f1(x)，第二服务操作的函数为f2(x)，第三服务操作的函数为f3(x)，总服务资源量为200万。那么，最优化的资源分配方案为：

Max：F(x)＝f1(x1)+f2(x2)+f3(x3)其中，x1+x2+x3＝200万。

在实际应用中，还可以结合各个服务操作的效果权重系数、以及服务实施的成本，进一步的优化资源分配方案为：

Max：服务资源量×服务提升率×效果权重系数-服务实施成本

为实现上述方法，本发明还提供了一种优化服务资源的系统，包括：数据采集模块、策略模型建立模块、函数计算模块和服务资源分配确定模块；其中，

该系统还可以进一步包括：用户标签设置模块，用于为每个用户设置策略实施可能性标签，标识该用户参与哪个服务操作的策略模型建立。

该系统还可以进一步包括：提升率计算模块，用于计算服务操作的服务提升率，并将计算得到的服务提升率送至所述函数计算模块。

该系统还可以进一步包括周期设置模块，用于设置服务资源更新周期。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种优化服务资源的方法，其特征在于，该方法包括：

采集当前服务阶段各个服务操作的应用数据；

根据得到的函数关系和总服务资源量确定服务资源的分配。

2.根据权利要求1所述的方法，其特征在于，建立策略模型时，该方法还包括：为每个用户设置策略实施可能性标签，标识该用户所参与策略模型建立的服务操作。

3.根据权利要求1所述的方法，其特征在于，计算函数关系之前，该方法还包括：计算服务操作的服务提升率。

4.根据权利要求1所述的方法，其特征在于，该方法还包括：设置服务资源更新周期。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述服务阶段为服务推新阶段、服务推广阶段、服务维护阶段、以及服务老化阶段。

6.根据权利要求5所述的方法，其特征在于，所述每个服务阶段包括一种或一种以上服务操作。

7.一种优化服务资源的系统，其特征在于，该系统包括：数据采集模块、策略模型建立模块、函数计算模块和服务资源分配确定模块；其中，

8.根据权利要求7所述的系统，其特征在于，该系统进一步包括用户标签设置模块，用于为每个用户设置策略实施可能性标签，标识该用户所参与策略模型建立的服务操作。

9.根据权利要求7或8所述的系统，其特征在于，该系统进一步包括提升率计算模块，用于计算服务操作的服务提升率，并将计算得到的服务提升率送至所述函数计算模块。

10.根据权利要求7或8所述的系统，其特征在于，该系统进一步包括周期设置模块，用于设置服务资源更新周期。