CN107622413A - 一种价格敏感度计算方法、装置及其设备 - Google Patents

Abstract

本说明书实施例公开了一种价格敏感度计算方法、装置及其设备。根据用户的历史数据，获得训练样本进行模型训练，进而根据训练后的模型计算在给定补贴金额时用户的购买意愿(交易次数/购买概率)随补贴额度所对应的变化，从而获取用户的购买意愿和补贴额度的关系曲线，以该曲线上点的斜率或者区间斜率作为补贴金额所对应的用户的价格敏感度。

Description

一种价格敏感度计算方法、装置及其设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种价格敏感度计算方法、装置及其设备。

背景技术

随着技术发展，基于用户的价格敏感度进行补贴营销的情形越来越多。

价格敏感度反映了补贴金额的改变对用户交易次数/购买概率带来的变化。目前，存在如下确定价格敏感度的方式：对多个用户特征(例如年龄、性别)进行价格敏感度评分，进而基于所述多个用户特征的评分值，采用诸如加权等计算方法，获得用户的价格敏感度。

基于此，我们需要一种更方便的计算用户价格敏感度的方法。

发明内容

本说明书实施例提供一种价格敏感度计算方法、装置及其设备，用于解决如下问题：以提供一种更方便的计算用户价格敏感度的方法。

基于此，本说明书实施例提供一种价格敏感度计算方法，包括：

获取预先设定的补贴金额数据集合；

针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

同时，本说明书的实施例还提供一种价格敏感度计算装置，所述装置包括：

获取模块，获取预先设定的补贴金额数据集合；

确定模块，针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

计算模块，根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

对应的，本说明书实施例还提供一种价格敏感度计算设备，包括：

存储器，存储价格敏感度计算程序；

处理器，接收用户的历史数据，调用存储器中的价格敏感度计算程序，并执行：

获取预先设定的补贴金额数据集合；

针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

对应的，本说明书的实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取预先设定的补贴金额数据集合；

针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

根据用户的历史数据，获得训练样本进行模型训练，进而根据训练后的模型计算在给定补贴金额时用户的购买意愿(交易次数统计值/单次购买概率)随补贴额度所对应的变化，从而获取用户的购买意愿和补贴额度的关系曲线，以该曲线上点的斜率或者区间斜率作为补贴金额所对应的用户的价格敏感度。

通过采用历史数据采样、模型训练，对多个补贴金额点位的交易次数统计值进行计算，并根据计算结果得到一个曲线。并用曲线在特定点/区间的斜率作为用户的价格敏感度的衡量。从而，本方案无需对用户进行主观分析(例如对用户特征评分、设定特征权重等)，更加客观。此外，对于使用模型预估交易次数统计值的预估准确率，可使用成熟的指标进行衡量，进而模型可根据实际数据进行进一步优化，计算结果更贴近实际；使用归一化的斜率值作为价格敏感度，更方便业务的操作。

附图说明

图1为本说明书实施例提供的架构示意图；

图2为本说明书实施例提供的模型处理设备执行示意图；

图3为本说明书实施例提供的方法流程示意图；

图4为本说明书实施例提供的部分方法流程示意图；

图5为本说明书实施例提供的部分方法流程示意图；

图6为本说明书实施例提供的装置结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

基于前述内容，所述补贴金额通常是通过一定的补贴方式所实现，实际中的补贴方式可包括抽奖、立减、打折、返佣、发红包等。

对于同一个用户来说，补贴金额的变化会导致购买意愿的变化，通常来说，补贴金额越大买家购买意愿越强烈，买家的购买意愿通常可以通过交易次数统计值反映出来。前述的交易次数统计值可包括卖家(即商户)的交易次数总计、买家的交易次数总计，以及具体到特定交易或者特定用户时，根据其他相关的交易数据，统计得到的买家的购买概率。

用户的价格敏感度指的是对于补贴金额变化带来的用户交易次数/买家的购买概率的变化。前述的补贴金额和交易次数统计值均有多种表现形式，可与时间、整体交易量或者整体补贴额度相关，例如可包括日均补贴金额、笔均补贴金额、日均交易次数、买家购买概率等等，具体选取哪一种可根据业务需求而定。

所述的用户特征可包括用户的年龄、性别、学历、收入、居住地点等等特征，对于确定的补贴金额或者补贴金额的改变量，所述的用户购买意愿和用户特征通常有相关性。

在本说明书的实施例中，所述的价格敏感度计算方法可采用如图1所示的架构，在所述架构中，模型处理设备可以包括各种集群式/分布式的服务器、处理器等等，所述模型处理设备可执行建立模型，根据历史数据训练模型，并根据补贴输入值和当前模型，进行计算并输出用户的交易次数统计值，以及补贴金额和交易次数统计值的相关曲线/函数，其执行过程如图2所示。

下面将基于如图1所示的架构，详细说明本说明书的实施例提供的价格敏感度计算过程，该过程具体包括以下步骤，如图3所示：

步骤S301，获取预先设定的补贴金额数据集合。

具体而言，可采用如下方式：把补贴金额分为若干个小区间，每个小区间内选择一个平均金额，作为补贴金额数据集合中的一个元素。所述补贴金额可以人为设定。

例如，根据业务方给定100元的补贴金额，将其等额分为100个区间，选取每个区间的平均值0.5、1.5等等直至99.5元，作为补贴金额数据集合中的元素。

步骤S303，针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系。

通常，为获得两种或两种以上变量间相互的定量/定性关系，可以采用建立模型进行回归分析的方法。所述的模型可通过采用一个或一组方程，或者采用代数、几何、拓扑、数理逻辑等方式，定量地或定性地描述用户的补贴金额、交易次数统计值和用户特征之间的相互关系。在所述模型中，预测目标为用户的交易次数统计值。

对于补贴金额数据集合中的每一个元素，均可与用户特征拼接为一个预测样本，并利用该预测样本和训练后的预估模型，预测交易次数统计值。对每一个用户而言，每一个补贴金额都可预测得到一个对应的交易次数统计值，进而对于补贴金额数据集合，得到对应的预估交易次数统计值集合

步骤S305，根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

得到两个对应的集合以后，进一步采用分析得到补贴金额交易次数统计值的函数或者曲线关系，进而计算用户的价格敏感度。

上述方案通过采用历史数据采样、模型训练，对多个补贴金额点位的交易次数统计值进行计算用户的价格敏感度。从而，本方案无需对用户进行主观分析(例如对用户特征评分、设定特征权重等)，更加客观。

作为本申请实施例的一种实现方式，所述步骤S303中，预先训练得到的预估模型，可通过如下方法得到：

a，建立关于用户的补贴金额、交易次数统计值和用户特征的模型。

在本说明书的实施例中，可采用GBDT(Gradient Boosting Decision Tree，迭代决策树)回归模型，定量分析用户的补贴金额变化带来的用户交易次数统计值的变化。

b，获取用户的历史数据作为模型训练样本，其中，所述历史数据至少包括用户的补贴金额和交易次数统计值。具体而言，可以选择部分或者整体历史数据作为训练样本，训练样本除包括用户的补贴金额和交易次数统计值外，还可包括用户特征。例如，每一个训练样本可包括用户特征(可包括学历、性别、地点等等)+日均优惠金额特，以及已知的该日均优惠金额所对应的用户交易次数统计值。

c，根据所述训练样本进行模型训练，得到所述的预估模型。训练后得到的预估模型将更贴近实际。如前所述，GBDT回归分析是比较成熟的方法，有相应成熟的评估指标，如均分误差、均方根误差、平均绝对误差等指标，并以提升这些指标作为优化目标来优化模型，进而模型可根据实际数据进行进一步优化，计算结果更贴近实际。具体实施方式，此处不再赘述。

作为本申请实施例的一种可实施方式，所述根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度，具体而言，可采用如下方式：

I，针对任一用户，根据该用户的补贴金额数据集合和预估交易次数统计值集合，生成关系曲线。由于补贴金额数据集合是预设的，其中包含多个预设的补贴金额。针对每一个用户，一个补贴金额对应一个交易次数统计值，由补贴金额数据集合和预估交易次数统计值集合得到多组(补贴金额，预估交易次数统计值)数据。即，在维度为(补贴金额，预估交易次数统计值)的二维平面上，可得到多个点，根据所述的多个点即可得到对应的关系曲线(以及曲线对应的函数)，例如通过拟合的方式。

II，根据所述关系曲线，计算用户的价格敏感度。在获得了补贴金额和预估交易次数统计值二者之间的关联关系(函数或者曲线的形式)之后，可以通过计算曲线的斜率或者函数的导数来获取价格敏感度。

作为本申请实施例的可选方案，前述的根据所述关系曲线，计算用户的价格敏感度，可包括如下两种实施方式：

对于任意金额，以曲线上对应点的切线斜率来计算价格敏感度，如图4所示，包括：

步骤S401，针对所述关系曲线上的任一补贴金额，确定该补贴金额在所述曲线上的斜率；

步骤S403，将该斜率确定为用户的价格敏感度。

或者，以点所处的区间斜率来近似代替曲线上该点的切线斜率，如图5所示，包括：

步骤S501，针对所述关系曲线上的任意两个补贴金额，确定经过所述两个补贴金额的直线的斜率；

步骤S503，将所述斜率确定为两个补贴金额对应的补贴金额区间内，各补贴金额所对应的用户的价格敏感度。

在实际应用中，一般发放补贴，都会设置一个区间，比如一块钱到十块钱，在这个区间内计算一次斜率即可描述用户在该区间的价格敏感度。一个用户在一个价格点附近的价格敏感度变化不会很大，可以通过用“区间斜率”来近似表达该用户在该区间的价格敏感度。例如，针对任一用户，一个区间内的斜率可使用“该区间成交次数的变化/该区间笔均补贴金额的变化”，不用对于区间上每个点都进行计算，减少计算量。

作为本申请实施例的另一种情形，在获取了补贴金额所对应的斜率后，根据所述关联关系，计算用户的价格敏感度，还可包括如下实施方式：

归一化所述斜率，生成所述斜率的归一化值，以所述斜率的归一化值作为用户的价格敏感度。

例如对于某十个用户，在补贴金额100元时，获取其补贴金额—交易次数统计值关系曲线上的斜率分别为：1、2、3、5、5、7、10、12、15、21。进行归一化处理后，其斜率的归一化值为别为：0、0.05、0.1、0.2、0.2、0.3、0.45、0.55、0.7、1。从而无需知道该补贴金额所对应的最大斜率和最小斜率，使用斜率的归一化值作为价格敏感度，更加直观的反映出该用户的价格敏感度在用户整体中的相对位置，越贴近1说明该用户的价格敏感度越高，补贴可优先针对该类用户进行发放，方便了业务的操作。

在实际场景中，对于价格敏感度，存在如下应用方式：对满足一定条件的用户，在完成一笔交易时，对其发放一定数量的补贴金额；或者，对满足一定条件的用户，直接发放一定数量的补贴金额。在采用本说明书的方案确定用户的价格敏感度之后，根据各用户价格敏感度的不同，给予不同额度的补贴金额。对于价格敏感度高的用户，给予较高额度的补贴金额，从而带来更多的交易次数或者更高的购买概率；价格敏感度低的用户给予较低额度的补贴金额，则该用户交易次数或者购买概率(相比于高额度补贴金额时)的下降并不明显。从而在笔均补贴金额不变的情况下，提升整体成交次数。

通过采用历史数据采样、模型训练，对多个补贴金额点位的交易次数统计值进行计算，并根据计算结果得到一个曲线。并用曲线在对应点/区间的斜率作为用户的价格敏感度的衡量。从而，本方案无需对用户进行主观分析(例如对用户特征评分、设定特征权重等)，更加客观。此外，对于使用模型预估交易次数统计值的预估准确率，可使用成熟的指标进行衡量，进而模型可根据实际数据进行进一步优化，计算结果更贴近实际；使用归一化的斜率值作为价格敏感度，更方便业务的操作。

基于同样的思路，本发明还提供一种价格敏感度计算装置，如图6所示，所述装置包括：

获取模块601，获取预先设定的补贴金额数据集合；

确定模块603，针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

计算模块605，根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

进一步地，所述装置，还包括建立模块607，建立关于用户的补贴金额、交易次数统计值和用户特征的模型，所述获取模块601还用于，获取用户的历史数据作为模型训练样本，其中，所述训练样本至少包括用户的补贴金额和交易次数统计值，根据所述训练样本进行模型训练，所述获取模块601还用于获取训练后得到的预估模型。

进一步地，所述计算模块605，针对任一用户，根据该用户的补贴金额数据集合和预估交易次数统计值集合，生成关系曲线，根据所述关系曲线，计算用户的价格敏感度。

进一步地，所述计算模块605，任选一个补贴金额，确定该补贴金额在所述关系曲线上所对应的点，获取所述曲线上该点的斜率，确定该斜率为用户的价格敏感度。

进一步地，所述计算模块605，根据两个补贴金额确定一个补贴金额区间，确定所述两个补贴金额在所述曲线上所对应的两个点，确定过所述两点直线的斜率为所述补贴金额区间内任意金额所对应的用户的价格敏感度。

更进一步地，所述计算模块605，归一化所述斜率，生成所述斜率的归一化值，将所述斜率的归一化值作为用户的价格敏感度。

对应的，本说明书实施例还提供一种价格敏感度计算设备，包括：

存储器，存储价格敏感度计算程序；

处理器，接收用户的历史数据，调用存储器中的价格敏感度计算程序，并执行：

获取预先设定的补贴金额数据集合；

针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

对应的，本说明书的实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取预先设定的补贴金额数据集合；

针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和介质类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可，这里就不再一一赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤或模块可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书的实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信编号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书中一个或多个的实施例可提供为方法、系统或计算机程序产品。因此，本说明书的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的形式。而且，本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本说明书的实施例可以有各种更改和变化。凡在本说明书的实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利范围之中。

Claims (13)

1.一种价格敏感度计算方法，包括：

获取预先设定的补贴金额数据集合；

针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

2.如权利要求1所述的方法，所述预先训练得到的预估模型，是通过如下方法得到的：

建立关于用户的补贴金额、交易次数统计值和用户特征的模型；

获取用户的历史数据作为模型训练样本，其中，所述历史数据至少包括用户的补贴金额和交易次数统计值；

根据所述训练样本进行模型训练，得到预估模型。

3.如权利要求2所述的方法，根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度，包括：

针对任一用户，根据该用户的补贴金额数据集合和预估交易次数统计值集合，生成关系曲线；

根据所述关系曲线，计算用户的价格敏感度。

4.如权利要求3所述的方法，根据所述关系曲线，计算用户的价格敏感度，包括：

针对所述关系曲线上的任一补贴金额，确定该补贴金额在所述曲线上的斜率；

将该斜率确定为用户的价格敏感度。

5.如权利要求3所述的方法，根据所述关系曲线，计算用户的价格敏感度，包括：

针对所述关系曲线上的任意两个补贴金额，确定经过所述两个补贴金额的直线的斜率；

将所述斜率确定为两个补贴金额对应的补贴金额区间内，各补贴金额所对应的用户的价格敏感度。

6.如权利要求4或5所述的方法，根据所述关系曲线，计算用户的价格敏感度，包括：

归一化所述斜率，生成所述斜率的归一化值；

将所述斜率的归一化值作为用户的价格敏感度。

7.一种价格敏感度计算装置，包括：

获取模块，获取预先设定的补贴金额数据集合；

确定模块，针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

计算模块，根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。

8.如权利要求7所述的装置，还包括：

建立模块，建立关于用户的补贴金额、交易次数统计值和用户特征的模型；

所述获取模块还用于，获取用户的历史数据作为模型训练样本，其中，所述训练样本至少包括用户的补贴金额和交易次数统计值，根据所述训练样本进行模型训练，得到预估模型。

9.如权利要求8所述的装置，所述计算模块，针对任一用户，根据该用户的补贴金额数据集合和预估交易次数统计值集合，生成关系曲线，根据所述关系曲线，计算用户的价格敏感度。

10.如权利要求9所述的装置，所述计算模块，针对所述关系曲线上的任一补贴金额，确定该补贴金额在所述曲线上的斜率，将该斜率确定为用户的价格敏感度。

11.如权利要求9所述的装置，所述计算模块，针对所述关系曲线上的任意两个补贴金额，确定经过所述两个补贴金额的直线的斜率，将所述斜率确定为两个补贴金额对应的补贴金额区间内，各补贴金额所对应的用户的价格敏感度。

12.如权利要求10或11所述的装置，所述计算模块，归一化所述斜率，生成所述斜率的归一化值，将所述斜率的归一化值作为用户的价格敏感度。

13.一种价格敏感度计算设备，包括：

存储器，存储价格敏感度计算程序；

处理器，接收用户的历史数据，并执行：

获取预先设定的补贴金额数据集合；

针对任一用户，根据所述补贴金额数据集合以及预先训练得到的预估模型，确定预估交易次数统计值集合；其中，所述预估模型表征补贴金额与交易次数统计值的关联关系；

根据所述补贴金额数据集合以及预估交易次数统计值集合，计算用户的价格敏感度。