CN107590684A - 一种基于用户购买数据实时下发优惠券的方法及装置 - Google Patents

Abstract

本发明公开了一种基于用户购买数据实时下发优惠券的方法及装置，方法包括如下步骤：根据用户购买数据建立用户购买数据库，判定所述用户是否为首次购买用户，若是则触发复购事件估计，若否则根据产品购买周期进行复购提醒并下发优惠券，根据用户购买周期进行流失用户判定并下发优惠券。本发明中的方法是自动化地处理数据收集、数据计算、优惠券下发的过程，实现了对自然发生下，复购概率低、临近产品周期、召回概率低的用户自动实施优惠券的下发，促进用户对产品的复购。此外，本发明中的阻拦机制同时考虑了用户在沟通中的体验，避免由于频繁的沟通产生的负面情绪。

Description

一种基于用户购买数据实时下发优惠券的方法及装置

技术领域

本发明涉及计算机软件技术领域，特别涉及一种基于用户购买数据实时下发优惠券的方法及装置，在用户购买后自动提醒用户复购。

背景技术

产品销售是指产成品、代制品、代修品、自制半成品等产品和工业性作业的销售。消费者是企业各种经营活动的向导，消费者的购买意愿是购买行为的基础，可以用来预测消费者的行为。从市场营销角度来看，当企业掌握消费者的购买意愿后，就可以合理安排原材料的购买，调整产品的结构，制定产品的生产计划；当营销人员掌握消费者的购买意愿后，就可以有针对性地向消费者推荐相关商品，提高销售量；当商场、超市掌握消费者的购买意愿后，就可以有目的地采购商品，加速商品的回转。因此，研究用户的购买意愿是市场营销研究的重要内容，对正确引导居民消费和指导企业制定科学合理的生产、营销策略都具有重要的理论和现实意义。

优惠券作为促销手段中常见的一种，有着天然的优势：优惠券种类众多，可以筛选消费者的层次；优惠券有额度和数量的限制，面向特定的用户发放，可以充当资源调配的作用。大规模无差别派送的优惠券，如麦当劳肯德基的优惠券等，失去了优惠券可筛选调节的优势；而针对特定人群发送的推广/短信等，因为用户领券和使用不在同一场景下，打开率低，对消费的刺激作用不大。

面对同样的产品或服务，不同消费者本身就有着不同的支付意愿。如何在用户查看产品时，分析出消费者愿意为某种物品支付的最高量，自动匹配和精准推送优惠券，从而提高用户的购买意愿，如何能够更好地与已购买过的客户高效沟通，并利用自动化的方法达成用户的复购成为当下的重要问题。

现有技术中给出了一些技术方法，比如，中国专利申请CN201510729459.X，购买力预测方法和装置，所述购买力预测方法包括：获取购买力预测模型，该购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型，购买力预测模型包括预测购买力与购买因子之间的对应关系；获取目标用户在第二历史时间段内的历史购买信息，该历史购买信息包括目标用户在第二历史时间段内的目标购买因子；根据历史购买信息以及购买力预测模型，预测目标用户在未来的目标时间段内的目标购买力。缺点在于：与优惠券关联程度较低。又比如，中国专利申请CN201080048736.6，向客户呈现数字优惠券，为和电子商务系统的操作相关的多个实体在计算设备中维护多个优惠券活动，所述电子商务系统用于经过网络销售多个物品。每个优惠券活动包括用于购买至少一个物品的至少一个数字优惠券。缺点在于：如何准确将优惠券对特定顾客呈现，无法在用户购买后自动提醒用户复购。

发明内容

本发明要解决的技术问题是，一种能够促进用户对产品的复购基于用户购买数据实时下发优惠券的方法，同时可避免由于频繁的沟通产生的负面情绪。

解决上述技术问题，本发明提供了一种基于用户购买数据实时下发优惠券的方法，包括如下步骤：

根据用户购买数据建立用户购买数据库，

判定所述用户是否为首次购买用户，若是则触发复购事件估计，

若否则根据产品购买周期进行复购提醒并下发优惠券，

根据用户购买周期进行流失用户判定并下发优惠券，

上述产品购买周期，根据所述用户购买数据库中同一用户购买同一产品的间隔，计算出的每个指定用户对指定产品的平均间隔，得到的所有用户在该产品购买间隔的平均值，

上述用户购买周期，根据用户各个产品的购买周期及各个产品最近一次的购买时间得到的该用户各产品中最晚的复购时间。

更进一步，所述用户购买数据包括：购买行为记录和/或用户基本属性信息，

所述购买行为记录，用以记录用户购买行为及所购买产品属性，

所述用户基本属性信息，用以作为用户基本元组信息。

更进一步，所述触发复购事件估计的方法具体包括：

若用户在购买后录入用户购买数据库的用户唯一号在数据库中第一次出现，则判定用户是首次购买，并计算用户复购概率，

根据得到的复购概率及第一次购买的产品，下发产品优惠券，

上述用户复购概率的计算是通过梯度提升树训练的学习模型对新的首次购买用户的复购概率预估得到。

更进一步，所述梯度提升树训练的学习模型为：

基于spark.mllib的二分类GBTs，类别Y的正样本为当前的复购用户，类别Y的负样本为当前的首购用户；

训练集的特征至少为：当前用户在首购时的购买产品、用户所在地、产品规格、产品价格、用户性别或用户年龄。

更进一步，所述产品购买周期的计算方法如下：

在所述用户购买数据库历史数据中找到同一用户购买同一产品的所有间隔，计算每个指定用户对指定产品的平均间隔，

将该同一产品的各个用户平均间隔在所有用户中求平均，得到所有用户在该产品购买间隔的平均值，并将其作为预估的产品购买周期，

根据写入用户购买数据库中的用户最近一次各个产品的购买时间、上一次购买量以及预估的产品购买周期、用户购买次数，判定用户距下一次购买该产品的分值，若所述分值大于设定阀值则准备对用户进行该产品的复购提醒，

若下发优惠券阻拦机制未拦截，则下发优惠券。具体地，所述阻拦机制包括但不限于，人工根据业务指定的限制逻辑，比如：一个月内仅能和某一用户进行一次沟通。在本申请中若满足阻拦机制，则下发逻辑终止。

更进一步，所述判定用户距下一次购买该产品的分值公式如下：

分值＝1/(2^(a*days+b*buycnt))

其中，a、b为调节系数，days＝产品购买周期-(当前时间-上次购买时间)，为一个天数值；buycnt为用户历史购买该产品的次数。

更进一步，所述根据用户购买周期进行流失用户判定的计算方法如下：

获取用户各个产品的购买周期及各个产品最近一次的购买时间，得到最晚购买的产品理论复购时间，即该用户各产品中最晚的复购时间；

其中，所述最晚复购时间max_产品i＝产品i上一次购买时间+产品i购买周期；

若到该时间用户对所有产品都没有再次购买，则判定为流失用户。

更进一步，方法还包括：

根据历史数据中所有被判定有发生过流失的用户为样本，

将流失发生后又再次购买的用户作为正样本，

将流失发生后未再次购买的样本作为负样本，

将用户性别、年龄、历史流失次数、购买次数、最近一次购买距离流失天数、历史累计消费总额信息作为特征，

进行逻辑回归的机器学习训练，根据训练模型，对流失样本进行预测，预测其流失召回概率，

根据流失召回概率，若流失召回概率低，且此时下发优惠券阻拦机制未拦截，则进行优惠券的下发。

更进一步，所述下发优惠券中附有产品推荐内容，其中推荐内容中的产品是根据数据库中历史用户购买该产品后下一次购买最多的产品作为推荐产品，

以及，所述下发优惠券在完成人群和产品的选择后进行下发，下发方式为可触达该用户的手机号和/或微信号，

所述下发优惠券中，根据实际产品和用户等级提前设定规则设定的金额或折扣。

基于上述，本发明还提供了一种基于用户购买数据实时下发优惠券的装置，包括：计算设备，

在所述计算设备中，根据用户购买数据建立用户购买数据库，判定所述用户是否为首次购买用户，若是则触发复购事件估计，

若否则根据产品购买周期进行复购提醒并下发优惠券，根据用户购买周期进行流失用户判定并下发优惠券，

所述计算设备中还包括：周期计算单元，

所述周期计算单元用以计算产品购买周期和用户购买周期，

计算所述产品购买周期，根据所述用户购买数据库中同一用户购买同一产品的间隔，计算出的每个指定用户对指定产品的平均间隔，得到的所有用户在该产品购买间隔的平均值，

计算所述用户购买周期，根据用户各个产品的购买周期及各个产品最近一次的购买时间得到的该用户各产品中最晚的复购时间。

本发明的有益效果：

本发明中的方法方法是自动化地处理数据收集、数据计算、优惠券下发的过程，由于包括：根据用户购买数据建立用户购买数据库，判定所述用户是否为首次购买用户，若是则触发复购事件估计，若否则根据产品购买周期进行复购提醒并下发优惠券，根据用户购买周期进行流失用户判定并下发优惠券。从而实现了对自然发生下，复购概率低、临近产品周期、召回概率低的用户自动实施优惠券的下发，促进用户对产品的复购。此外，本发明中的阻拦机制同时考虑了用户在沟通中的体验，避免由于频繁的沟通产生的负面情绪。

附图说明

图1是本发明一实施例中的方法流程示意图；

图2为本发明中判定所述用户是否为首次购买用户的流程图；

图3为本发明中根据产品购买周期进行复购提醒并下发优惠券的流程图；

图4为本发明中流失用户判定中的流失时间节点确定图；

图5为本发明中记录、训练、计算、阻拦、发券的详解流程图；

图6是本发明一实施例中的系统结构示意图。

具体实施方式

现在将参考一些示例实施例描述本公开的原理。可以理解，这些实施例仅出于说明并且帮助本领域的技术人员理解和实施例本公开的目的而描述，而非建议对本公开的范围的任何限制。在此描述的本公开的内容可以以下文描述的方式之外的各种方式实施。

如本文中所述，术语“包括”及其各种变体可以被理解为开放式术语，其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”可以被理解为“至少一个实施例”。术语“另一实施例”可以被理解为“至少一个其它实施例”。

图1是本发明一实施例中的方法流程示意图，本实施例中的方法包括：

步骤S100根据用户购买数据建立用户购买数据库，

步骤S101判定所述用户是否为首次购买用户，

步骤S102若是则触发复购事件估计，

步骤S103若否则根据产品购买周期进行复购提醒并下发优惠券，

步骤S104根据用户购买周期进行流失用户判定并下发优惠券，

步骤S105上述产品购买周期，根据所述用户购买数据库中同一用户购买同一产品的间隔，计算出的每个指定用户对指定产品的平均间隔，得到的所有用户在该产品购买间隔的平均值，

步骤S106上述用户购买周期，根据用户各个产品的购买周期及各个产品最近一次的购买时间得到的该用户各产品中最晚的复购时间。

作为本实施例中的优选，所述用户购买数据包括：购买行为记录和/或用户基本属性信息，所述购买行为记录，用以记录用户购买行为及所购买产品属性，所述用户基本属性信息，用以作为用户基本元组信息。在本实施例中的所述用户购买数据包括但不限于：用户唯一号，用户购买发生时间，用户购买产品，用户购买所在地，产品规格，产品价格，另外还可增加收集，产品品类等其他购买信息作为补充和后续模型训练、预测中的特征。

在一些实施例中，所述优惠券下发是根据用户注册的手机号和微信号完成的。若注册信息同时存在，则以通微信号下发优先。

在一些实施例中，下发的优惠券是有有效期的，有效期的设定可根据具体的产品手工配置。

在一些实施例中，下发的优惠券的金额或折扣可根据具体产品和用户等级进行设定。

在一些实施例中，下发优惠券与用户沟通前存在阻拦机制，即，在规定时间内只能进行有限次数的沟通，该时间范围和有限次数可根据产品进行设定。

如图2所示为本发明中判定所述用户是否为首次购买用户的流程图作为本实施例中的优选，所述触发复购事件估计的方法具体包括：

若用户在购买后录入用户购买数据库的用户唯一号在数据库中第一次出现，则判定用户是首次购买，并计算用户复购概率，

根据得到的复购概率及第一次购买的产品，下发产品优惠券，

上述用户复购概率的计算是通过梯度提升树训练的学习模型对新的首次购买用户的复购概率预估得到。

优选地，所述梯度提升树训练的学习模型为：

基于spark.mllib的二分类GBTs，类别Y的正样本为当前的复购用户，类别Y的负样本为当前的首购用户；

训练集的特征至少为：当前用户在首购时的购买产品、用户所在地、产品规格、产品价格、用户性别或用户年龄。

在所述步骤S101判定所述用户是否为首次购买用户，判定用户是否为首次购买用户，若用户购买后录入数据库的用户唯一号在数据库中第一次出现，判定用户是首次购买，则计算用户复购概率，并根据复购概率及第一次购买的产品下发产品优惠券，主要针对复购概率低的首次购买用户进行优惠券的下发，用户下次购买产品时可使用该优惠券得到优惠的价格，具体折扣根据预算进行控制；判定用户不是首次购买则跳过步骤S101。

在一些实施例中，用户复购概率的计算是通过梯度提升树训练的学习模型对新的首次购买用户的复购概率预估的。

在一些实施例中，梯度提升树训练是基于spark.mllib的二分类GBTs，类别Y的正样本为当前的复购用户，类别Y的负样本为当前的首购用户，训练集的特征为：当前用户在首购时的购买产品、用户所在地、产品规格、产品价格、用户性别、用户年龄。

在一些实施例中，下发的优惠券中附有产品推荐内容，推荐的产品是根据数据库中历史用户购买该产品后下一次购买最多的产品作为推荐产品。

在一些实施例中，在完成人群和产品的选择后，进行优惠券的下发，下发方式为可触达该用户的手机号或微信号，两者同时存在时可选择微信号优先。下发的金额或折扣，可以根据实际产品和用户等级提前设定规则。

如图3所示为本发明中根据产品购买周期进行复购提醒并下发优惠券的流程图作为本实施例中的优选，所述产品购买周期的计算方法如下：

在所述用户购买数据库历史数据中找到同一用户购买同一产品的所有间隔，计算每个指定用户对指定产品的平均间隔，

将该同一产品的各个用户平均间隔在所有用户中求平均，得到所有用户在该产品购买间隔的平均值，并将其作为预估的产品购买周期，

根据写入用户购买数据库中的用户最近一次各个产品的购买时间、上一次购买量以及预估的产品购买周期、用户购买次数，判定用户距下一次购买该产品的分值，若所述分值大于设定阀值则准备对用户进行该产品的复购提醒，

若下发优惠券阻拦机制未拦截，则下发优惠券。

优选地，所述判定用户距下一次购买该产品的分值公式如下：

分值＝1/(2^(a*days+b*buycnt))

其中，a、b为调节系数，days＝产品购买周期-(当前时间-上次购买时间)，为一个天数值；buycnt为用户历史购买该产品的次数。

作为本实施例中的优选，所述根据用户购买周期进行流失用户判定的计算方法如下：

获取用户各个产品的购买周期及各个产品最近一次的购买时间，得到最晚购买的产品理论复购时间，即该用户各产品中最晚的复购时间；

其中，所述最晚复购时间max_产品i＝产品i上一次购买时间+产品i购买周期；

若到该时间用户对所有产品都没有再次购买，则判定为流失用户。

如图4所示为本发明中流失用户判定中的流失时间节点确定图，作为本实施例中的优选，方法更进一步还包括：

根据历史数据中所有被判定有发生过流失的用户为样本，

将流失发生后又再次购买的用户作为正样本，

将流失发生后未再次购买的样本作为负样本，

将用户性别、年龄、历史流失次数、购买次数、最近一次购买距离流失天数、历史累计消费总额信息作为特征，

进行逻辑回归的机器学习训练，根据训练模型，对流失样本进行预测，预测其流失召回概率，

根据流失召回概率，若流失召回概率低，且此时下发优惠券阻拦机制未拦截，则进行优惠券的下发。

根据用户购买周期进行流失用户判定，方法为：用户各个产品的购买周期及各个产品最近一次的购买时间，求得最晚购买的产品理论复购时间，即该用户各产品中最晚的复购时间。若到该时间用户对所有产品都没有再次购买，则判定为流失用户。最晚复购时间＝max_产品i(产品i上一次购买时间+产品i购买周期)。再根据历史数据中所有被判定有发生过流失的用户为样本。其中，流失发生后，又再次购买的用户为正样本；流失发生后，未再次购买的样本为负样本；用户性别、年龄、历史流失次数、购买次数、最近一次购买距离流失天数、历史累计消费总额信息作为特征；进行逻辑回归的机器学习训练。根据训练模型，对流失样本进行预测，预测其流失召回概率。根据流失召回概率，若流失召回概率低，且此时下发优惠券阻拦机制未拦截，则进行优惠券的下发。

作为本实施例中的优选，所述下发优惠券中附有产品推荐内容，其中推荐内容中的产品是根据数据库中历史用户购买该产品后下一次购买最多的产品作为推荐产品，

以及，所述下发优惠券在完成人群和产品的选择后进行下发，下发方式为可触达该用户的手机号和/或微信号，

所述下发优惠券中，根据实际产品和用户等级提前设定规则设定的金额或折扣。

请参考图6是本发明一实施例中的系统结构示意图，本实施例提供了一种基于用户购买数据实时下发优惠券的装置，包括：计算设备1，

在所述计算设备中，根据用户购买数据建立用户购买数据库，判定所述用户是否为首次购买用户，若是则触发复购事件估计，

若否则根据产品购买周期进行复购提醒并下发优惠券，根据用户购买周期进行流失用户判定并下发优惠券，

所述计算设备1中还包括：周期计算单元11，

所述周期计算单元用以计算产品购买周期和用户购买周期，

计算所述产品购买周期，根据所述用户购买数据库中同一用户购买同一产品的间隔，计算出的每个指定用户对指定产品的平均间隔，得到的所有用户在该产品购买间隔的平均值，

计算所述用户购买周期，根据用户各个产品的购买周期及各个产品最近一次的购买时间得到的该用户各产品中最晚的复购时间。

如图5所示，为本发明中记录、训练、计算、阻拦、发券的详解流程图，在所述计算设备1中的具体操作包括但不限于：

步骤1，根据用户购买数据，即购买行为记录记入用户购买数据库，并记录用户基本属性信息。

其中，所述购买行为记录，包括：用户唯一号，用户购买发生时间，用户购买产品，用户购买所在地，产品规格，产品价格；

步骤2，判定用户是否为首次购买用户，判定用户是首次购买后计算用户复购概率，并根据复购概率及第一次购买的产品下发产品优惠券，主要针对复购概率低的首次购买用户；判定用户不是首次购买则跳过步骤2。

所述首次购买的定义为：用户购买后录入数据库的用户唯一号在数据库中第一次出现。

所述计算用户复购概率，即再次购买，为：根据数据库中已有用户购买记录为样本，通过梯度提升树训练的学习模型对新的首次购买用户的复购概率预估。

所述梯度提升树训练的学习模型为：基于spark.mllib的二分类GBTs，类别Y的正样本为当前的复购用户，类别Y的负样本为当前的首购用户，训练集的特征为：当前用户在首购时的购买产品、用户所在地、产品规格、产品价格、用户性别、用户年龄。

所述复购用户为，购买过两次及两次以上的用户；所述首购用户为仅购买一次的用户。

所述产品优惠券为用户可在下一次购买产品中使用，并以优惠的价格进行购买。

所述根据复购概率及第一次购买的产品下发产品优惠券是根据数据库中历史用户购买该产品后下一次购买最多的产品作为推荐产品，根据复购概率，选择低概率人群下发优惠券

步骤3，根据产品购买周期进行复购提醒的优惠券下发。

其中，所述产品购买周期是根据数据库中历史该产品单一用户的平均购买间隔进行确定的。即，产品购买周期＝所有用户在该产品购买间隔的平均值。

所述复购提醒的优惠券下发，是根据写入数据库的用户最近一次各个产品的购买时间、上一次购买量及预估的产品购买周期，用户购买次数，判定用户距下一次购买该产品的分值，若分值大于阀值则准备对用户进行该产品的复购提醒，此时下发优惠券阻拦机制未拦截，下发优惠券。

所述，判定用户距下一次购买该产品的分值，公式如下：

分值＝1/(2^(a*days+b*buycnt))

其中，a、b为调节系数，可自由调节；

days＝产品购买周期-(当前时间-上次购买时间)，为一个天数值；

buycnt为用户历史购买该产品的次数。

步骤4，根据用户购买周期进行流失用户判定，根据流失召回概率，若流失召回概率低，且下发优惠券阻拦机制未拦截，则进行优惠券的下发。

其中，所述流失用户判定是根据用户各个产品的购买周期及各个产品最近一次的购买时间，求得最晚购买的产品理论复购时间。若到该时间用户对所有产品都没有再次购买，则判定为流失用户。

其中，所述理论复购时间为根据各个产品的产品理论复购时间取最晚的理论复购时间得到的。所述产品理论复购时间为该产品上次购买时间在产品周期后的时间。

所述流失召回概率是根据历史数据中所有被判定有发生过流失的用户为样本。其中，流失发生后，又再次购买的用户为正样本；流失发生后，未再次购买的样本为负样本；用户性别、年龄、历史流失次数、购买次数、最近一次购买距离流失天数、历史累计消费总额信息作为特征；进行逻辑回归的机器学习训练。根据训练模型，对流失样本进行预测，预测其流失召回概率。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

总体而言，本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任意组合实施。一些方面可以以硬件实施，而其它一些方面可以以固件或软件实施，该固件或软件可以由控制器、微处理器或其它计算设备执行。虽然本公开的各种方面被示出和描述为框图、流程图或使用其它一些绘图表示，但是可以理解本文描述的框、设备、系统、技术或方法可以以非限制性的方式以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算设备或其一些组合实施。

此外，虽然操作以特定顺序描述，但是这不应被理解为要求这类操作以所示的顺序执行或是以顺序序列执行，或是要求所有所示的操作被执行以实现期望结果。在一些情形下，多任务或并行处理可以是有利的。类似地，虽然若干具体实现方式的细节在上面的讨论中被包含，但是这些不应被解释为对本公开的范围的任何限制，而是特征的描述仅是针对具体实施例。在分离的一些实施例中描述的某些特征也可以在单个实施例中组合地执行。相反对，在单个实施例中描述的各种特征也可以在多个实施例中分离地实施或是以任何合适的子组合的方式实施。

Claims (10)

1.一种基于用户购买数据实时下发优惠券的方法，其特征在于，包括如下步骤：

根据用户购买数据建立用户购买数据库，

判定所述用户是否为首次购买用户，若是则触发复购事件估计，

若否则根据产品购买周期进行复购提醒并下发优惠券，

根据用户购买周期进行流失用户判定并下发优惠券，

上述产品购买周期，根据所述用户购买数据库中同一用户购买同一产品的间隔，计算出的每个指定用户对指定产品的平均间隔，得到的所有用户在该产品购买间隔的平均值，

上述用户购买周期，根据用户各个产品的购买周期及各个产品最近一次的购买时间得到的该用户各产品中最晚的复购时间。

2.根据权利要求1所述的方法，其特征在于，所述用户购买数据包括：购买行为记录和/或用户基本属性信息，

所述购买行为记录，用以记录用户购买行为及所购买产品属性，

所述用户基本属性信息，用以作为用户基本元组信息。

3.根据权利要求1所述的方法，其特征在于，所述触发复购事件估计的方法具体包括：

若用户在购买后录入用户购买数据库的用户唯一号在数据库中第一次出现，则判定用户是首次购买，并计算用户复购概率，

根据得到的复购概率及第一次购买的产品，下发产品优惠券，

上述用户复购概率的计算是通过梯度提升树训练的学习模型对新的首次购买用户的复购概率预估得到。

4.根据权利要求3所述的方法，其特征在于，所述梯度提升树训练的学习模型为：

基于spark.mllib的二分类GBTs，类别Y的正样本为当前的复购用户，类别Y的负样本为当前的首购用户；

训练集的特征至少为：当前用户在首购时的购买产品、用户所在地、产品规格、产品价格、用户性别或用户年龄。

5.根据权利要求1所述的方法，其特征在于，所述产品购买周期的计算方法如下：

在所述用户购买数据库历史数据中找到同一用户购买同一产品的所有间隔，计算每个指定用户对指定产品的平均间隔，

将该同一产品的各个用户平均间隔在所有用户中求平均，得到所有用户在该产品购买间隔的平均值，并将其作为预估的产品购买周期，

根据写入用户购买数据库中的用户最近一次各个产品的购买时间、上一次购买量以及预估的产品购买周期、用户购买次数，判定用户距下一次购买该产品的分值，若所述分值大于设定阀值则准备对用户进行该产品的复购提醒，若下发优惠券阻拦机制未拦截，则下发优惠券。

6.根据权利要求5所述的方法，其特征在于，所述判定用户距下一次购买该产品的分值公式如下：

分值＝1/(2^(a*days+b*buycnt))

其中，a、b为调节系数，days＝产品购买周期-(当前时间-上次购买时间)，为一个天数值；buycnt为用户历史购买该产品的次数。

7.根据权利要求1所述的方法，其特征在于，所述根据用户购买周期进行流失用户判定的计算方法如下：

获取用户各个产品的购买周期及各个产品最近一次的购买时间，得到最晚购买的产品理论复购时间，即该用户各产品中最晚的复购时间；

其中，所述最晚复购时间max_产品i＝产品i上一次购买时间+产品i购买周期；

若到该时间用户对所有产品都没有再次购买，则判定为流失用户。

8.根据权利要求7所述的方法，其特征在于，更进一步还包括：

根据历史数据中所有被判定有发生过流失的用户为样本，

将流失发生后又再次购买的用户作为正样本，

将流失发生后未再次购买的样本作为负样本，

将用户性别、年龄、历史流失次数、购买次数、最近一次购买距离流失天数、历史累计消费总额信息作为特征，

进行逻辑回归的机器学习训练，根据训练模型，对流失样本进行预测，预测其流失召回概率，

根据流失召回概率，若流失召回概率低，且此时下发优惠券阻拦机制未拦截，则进行优惠券的下发。

9.根据权利要求1所述的方法，其特征在于，所述下发优惠券中附有产品推荐内容，其中推荐内容中的产品是根据数据库中历史用户购买该产品后下一次购买最多的产品作为推荐产品，

以及，所述下发优惠券在完成人群和产品的选择后进行下发，下发方式为可触达该用户的手机号和/或微信号，

所述下发优惠券中，根据实际产品和用户等级提前设定规则设定的金额或折扣。

10.一种基于用户购买数据实时下发优惠券的装置，其特征在于，包括：计算设备，

在所述计算设备中，根据用户购买数据建立用户购买数据库，判定所述用户是否为首次购买用户，若是则触发复购事件估计，

若否则根据产品购买周期进行复购提醒并下发优惠券，根据用户购买周期进行流失用户判定并下发优惠券，

所述计算设备中还包括：周期计算单元，

所述周期计算单元用以计算产品购买周期和用户购买周期，

计算所述产品购买周期，根据所述用户购买数据库中同一用户购买同一产品的间隔，计算出的每个指定用户对指定产品的平均间隔，得到的所有用户在该产品购买间隔的平均值，

计算所述用户购买周期，根据用户各个产品的购买周期及各个产品最近一次的购买时间得到的该用户各产品中最晚的复购时间。