CN107784390A - 用户生命周期的识别方法、装置、电子设备及存储介质 - Google Patents
用户生命周期的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN107784390A CN107784390A CN201710979638.8A CN201710979638A CN107784390A CN 107784390 A CN107784390 A CN 107784390A CN 201710979638 A CN201710979638 A CN 201710979638A CN 107784390 A CN107784390 A CN 107784390A
- Authority
- CN
- China
- Prior art keywords
- user
- end article
- stage
- article category
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Abstract
本发明的实施例提供了一种用户生命周期的识别方法、装置、电子设备以及存储介质,涉及数据处理技术领域。该用户生命周期的识别方法包括:获取用户针对目标商品品类的历史行为数据;根据所述历史行为数据,确定所述用户处于目标商品品类对应的用户生命周期中的阶段。本发明实施例的技术方案能够识别出用户在各个商品品类下处于用户生命周期的哪个阶段,从而能够在各商品品类下对用户进行更加精准化、个性化的营销。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种用户生命周期的识别方法、用户生命周期的识别装置、电子设备以及计算机可读存储介质。
背景技术
网站的用户生命周期可以理解为一个用户从与该网站建立关系开始到最后离开该网站即不再使用该网站的整个发展过程。网站的运营人员一般希望用户永远不会流失,然而,用户的流失几乎是不可避免的,所以就需要在合适的阶段针对用户使用适当的营销策略,以便尽可能地减少用户的流失。
目前,在一种技术方案中,根据用户在网站的消费行为将用户的生命周期划分为以下5个阶段:新用户、活跃用户、沉默用户、睡眠用户、流失用户。然后,根据这5个阶段的特征识别出沉默用户和睡眠用户,针对识别出的沉默用户和睡眠用户进行营销,以便尽可能地使用户不会流失。
然而,在该技术方案中,仅根据用户在全网站的消费行为进行用户生命周期的识别,无法判别出用户在各个商品品类上处于生命周期的哪个阶段,这样就无法针对商品品类对用户进行更加精准有效的营销。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种用户生命周期的识别方法、用户生命周期的识别装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本发明实施例的第一方面,提供了一种用户生命周期的识别方法,包括:获取用户针对目标商品品类的历史行为数据;根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户未购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的潜在阶段。
在本发明的一些实施例中,基于前述方案,还包括:根据所述历史行为数据判断所述用户在距当前时间预定时长的第一预定时间段内是否有与所述目标商品品类下的商品相关的行为数据;若判定所述用户未购买过所述目标商品品类下的商品,且在所述第一预定时间段内有与所述目标商品品类下的商品相关的行为数据,则确定所述用户处于所述潜在阶段。
在本发明的一些实施例中,基于前述方案,还包括:在确定所述用户处于所述潜在阶段时,预测所述用户购买所述目标商品品类下的商品的概率。
在本发明的一些实施例中,基于前述方案,预测所述用户购买所述目标商品品类下的商品的概率,包括:选取之前处于所述潜在阶段的目标用户作为样本数据;根据选取出的用户是否购买了所述目标商品品类下的商品,将所述样本数据分为正样本和负样本;提取所述正样本和所述负样本的样本特征,得到样本特征集;根据所述样本特征集对预定的预测模型进行训练,并基于训练后的预测模型预测所述用户购买所述目标商品品类下的商品的概率。
在本发明的一些实施例中,基于前述方案,根据所述样本特征集对预定的预测模型进行训练,包括:将所述样本特征集分为训练集和验证集;通过所述训练集对所述预定的预测模型进行训练;基于所述验证集验证训练后的预测模型的准确率,并基于验证结果调整所述预测模型。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且所述用户在所述第一预定时间段内未再次购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的形成阶段。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且在所述第一预定时间段内再次购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的适应阶段。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段内的平均购买次数大于在所述第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的成长阶段,其中,所述第一预定时长大于所述第二预定时长。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段的平均购买次数等于在所述第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的稳定阶段,其中,所述第一预定时长大于所述第二预定时长。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段的平均购买次数小于在所述第一预定时间段的平均购买次数,则判定所述用户处于所述用户生命周期中的衰退阶段,其中,所述第一预定时长大于所述第二预定时长。
在本发明的一些实施例中,基于前述方案,还包括:在确定所述用户处于所述衰退阶段时,预测所述用户针对所述目标商品品类的衰退概率。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在所述第一预定时间段内发生过复购行为,同时所述用户在距当前时间第三预定时长的第三预定时间段内未购买过所述目标商品品类下的商品,则判定所述用户处于所述用户生命周期中的沉睡阶段,其中,所述第一预定时长大于所述第三预定时长。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在所述第一预定时间段内未发生过复购行为,同时所述用户在距当前时间第四预定时长第四预定时间段购买过所述目标商品品类下的商品,则判定所述用户处于所述用户生命周期中的准流失阶段,其中,所述第一预定时长小于所述第四预定时长。
在本发明的一些实施例中,基于前述方案,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在距当前时间第四预定时长的第四预定时间段内未购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的流失阶段,其中,所述第一预定时长小于所述第四预定时长。
根据本发明实施例的第二方面,提供了一种用户生命周期的识别装置,包括:数据获取单元,用于获取用户针对目标商品品类的历史行为数据;生命周期识别单元,用于根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
根据本发明实施例的第三方面,提供了一种电子设备,包括处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上述第一方面所述的用户生命周期的识别方法。
根据本发明实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的用户生命周期的识别方法。
在本发明的一些实施例所提供的技术方案中,获取用户针对目标商品品类的历史行为数据,根据所述历史行为数据确定用户所处的目标商品品类下的用户生命周期中的阶段。一方面,获取用户针对目标商品品类的历史行为数据,可以对目标商品品类下的用户生命周期进行分析;另一方面,根据所述历史行为数据确定用户所处的目标商品品类下的用户生命周期中的阶段,与现有技术相比,能够识别出用户在各个商品品类下处于用户生命周期的哪个阶段,从而能够在各商品品类下对用户进行更加精准化、个性化的营销。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了根据本发明的第一个示例性实施例的用户生命周期的识别方法的流程示意图;
图2示出了根据本发明的示例性实施例的用户生命周期的各阶段划分的示意图;
图3示出了根据本发明的示例性实施例的商品品类下的用户生命周期的各阶段的结构示意图;
图4示出了根据本发明的示例性实施例的预测处于潜在阶段的用户购买目标商品品类下的商品的概率的流程示意图;
图5示出了根据本发明的示例性实施例对处于用户生命周期的各阶段的用户进行营销的示意图;
图6示出了根据本发明的一示例性实施例的用户生命周期的识别装置的示意框图;
图7示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了根据本发明的第一个示例性实施例的用户生命周期的识别方法的流程示意图。参照图1所示,该用户生命周期的识别方法可以包括:
步骤S110,获取用户针对目标商品品类的历史行为数据;
步骤S120,根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
根据本示例实施例中的用户生命周期的识别方法,一方面,获取用户针对目标商品品类的历史行为数据,可以对目标商品品类下的用户生命周期进行分析;另一方面,根据所述历史行为数据确定用户所处的目标商品品类下的用户生命周期中的阶段,与现有技术相比,能够识别出用户在各个商品品类下处于用户生命周期的哪个阶段,从而能够在各商品品类下对用户进行更加精准化、个性化的营销。
下面,将结合附图对本发明的示例实施例中的用户生命周期的识别方法进行详细的描述。
参照图1所示,在步骤S110中,获取用户针对目标商品品类的历史行为数据。
在本示例性实施例中,目标商品品类可以包括:手机数码产品、电脑办公用品、食品生鲜产品、母婴童装产品,还可以为个人护理产品、医疗保健产品以及家装产品等,本发明的实施例对此不进行特殊限定。
进一步地,用户在目标商品品类下的历史行为数据可以包括:与登录行为有关的数据例如登录天数、与访问目标商品品类下的商品的有关的数据例如访问时长、与浏览目标商品品类下的商品有关的数据例如浏览次数、与搜索目标商品品类下的商品有关的数据例如搜索次数、与将目标商品品类下的商品加入购物车有关的数据例如加入购物车的商品数量、与关注的目标商品品类下的商品有关的数据例如关注商品的数量,但是本发明的示例实施例中的历史行为数据不限于此,例如历史行为数据还可以为与咨询目标商品品类下的商品有关的数据以及与购买目标商品品类下的商品有关的数据等。
接下来,参照图1所示,在步骤S120中,根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
图2和图3示出了根据本发明的示例性实施例的用户生命周期的各阶段划分的示意图。参照图2和图3所示,在本示例实施例中,可以将目标商品品类下的用户生命周期划分为以下阶段:潜在阶段、形成阶段、适应阶段、成长阶段、稳定阶段、衰退阶段、沉睡阶段、准流失阶段、流失阶段等。进一步地,还可以将成长阶段划分为成长阶段-1、成长阶段-2,将稳定阶段划分为稳定阶段-1、稳定阶段-2,将衰退阶段划分为衰退阶段-1、衰退阶段-2,这同样在本发明的保护范围内。
与现有技术相比,本发明的示例实施例对用户生命周期进行了精细的划分,完善了用户的生命周期体系,从而能够对用户进行更精准的营销。下面将对步骤S120中分别如何确定用户处于目标商品品类对应的用户生命周期中的哪个阶段进行详细说明。
潜在阶段
在本示例实施例中,若根据用户的历史行为数据判断用户未购买过目标商品品类下的商品,则确定用户处于用户生命周期中的潜在阶段。但是,未购买过目标商品品类下的商品的用户的量级比较大,有时可能会达到千万级别甚至上亿级别。此外,有些用户是在很久以前注册的账号,现在已经不再使用该账号登陆了。如果对上述潜在阶段的这部分用户全部进行目标商品品类下的营销,无疑会产生巨大的资源浪费。
因此,为了对处于潜在阶段的用户进一步进行筛选,以减少资源浪费,在本示例实施例中,可以根据用户的历史行为数据判断用户在距当前时间预定时长的第一预定时间段内是否有与目标商品品类下的商品相关的行为数据;若判定用户未购买过目标商品品类下的商品,且在第一预定时间段内有与目标商品品类下的商品相关的行为数据,则确定用户处于潜在阶段。
在本示例实施例中,与目标商品品类下的商品相关的行为数据可以包括:浏览目标商品品类下的商品、将目标商品品类下的商品加入购物车、关注目标商品品类下的商品、搜索目标商品品类下的商品以及咨询目标商品品类下的商品中的一种或多种行为数据。
需要说明的是,在确定用户是否处于潜在阶段的示例实施例中,第一预定时间段可以为1个月,也可以为15天,还可以为其他适当的时间段,本发明对此不进行特殊限定。
进一步地,在本示例实施例中,在确定用户处于目标商品品类对应用户生命周期的潜在阶段时,可以预测用户购买目标商品品类下的商品的概率。参照图3所示,可以根据预测的用户购买目标商品品类下的商品的概率将用户分为高潜用户、中潜用户以及低潜用户。例如,针对处于目标商品品类对应的潜在阶段的用户,可以选取近1个月在该目标商品品类上有过浏览、加入购物车、关注、搜索、咨询商品等行为的用户作为目标商品品类的潜在用户,预测这部分潜在用户即将购买目标商品品类下的商品的概率,这样可以方便网站业务运营人员精准地选取用户人群进行营销,在营销资源有限的情况下,就会优先选取高潜用户进行营销,从而减少了不必要的资源浪费。
图4示出了根据本发明的示例实施例预测处于潜在阶段的用户购买目标商品品类下的商品的概率的流程示意图。预测用户购买目标商品品类下的商品的概率的处理过程主要包含训练样本的选取、特征集的加工、预测模型例如GBDT(Gradient Boosting DecisionTree,梯度提升决策树)模型的训练、潜在用户预测这些步骤。下面结合图4中对预测用户购买目标商品品类下的商品的概率的过程进行详细的说明。
参照图4所示,在步骤S410中,可以选取之前(如历史上某段时间例如2016年8月至2016年10月)处于目标商品品类下的潜在阶段的用户的历史行为数据作为样本数据。
在步骤S420中,根据选取出的用户是否购买了所述目标商品品类下的商品,将所述样本数据分为正样本和负样本。比如如果这部分潜在用户在这3个月后的下一段时间例如1周内购买了目标商品品类下的商品,则将购买商品的用户的样本数据标记为1作为正样本,若没有购买目标商品品类下的商品,则将未购买商品的用户的样本数据标记为0作为负样本,这样就构成了预测模型的因变量Y。
接下来,在步骤S430中,提取所述正样本和所述负样本的样本特征,得到样本特征集。具体地,由于预测的目的是为了预测一组自变量数值相对应的因变量Y是1的概率,即潜在用户购买目标商品品类下的商品的概率,因此可以提取对因变量Y有决定性作用的自变量特征,在本示例实施例中,可以提取用户在目标商品品类下的以下数据作为自变量特征指标:登录数据、访问数据、浏览数据、搜索数据、加入购物车数据、关注数据、咨询数据等指标,所提取的自变量特征的示例如下表1所示:
表1
接下来,在步骤S440中,可以根据提取的样本特征集对预测模型训练,并基于训练后的预测模型预测所述用户购买所述目标商品品类下的商品的概率。
具体而言,首先可以将样本特征集转换成LibSVM(A Library for SupportVector Machines,支持向量机的库)格式即稀疏矩阵的形式,LibSVM是一套支持向量机的库,可以很方便的对数据进行分类和回归。LibSVM的数据格式如下:[label][index1]:[value1][index2]:[value2]…,其中,label是类别的标识即是否购买的标记,index是指特征的编号,value是待参与训练的特征值即自变量。LibSVM格式的数据之间需要用空格隔开,如果某特征值为0即value为0,则可以省略该特征,这样可以减少内存的使用,提高数据处理效率。然后,可以将LibSVM格式的特征集输入到预测模型中进行训练,将预测模型直接导入spark(一种为大规模数据处理而设计的快速通用的计算引擎)封装好的算法包即可对预测模型进行训练。
需要说明的是,在本示例实施例中,预测模型可以为GBDT(Gradient BoostingDecision Tree,梯度提升决策树)模型,但是本领域技术人员应该理解的是,还可以采用其他的预测模型例如决策树模型或贝叶斯模型等,这同样在本公开的保护范围内。
进一步地,为了提高预测的准确率,在本示例实施例中,可以将步骤S430中提取的样本特征集分为训练集和验证集;通过训练集对预定的预测模型进行训练;基于验证集验证训练后的预测模型的准确率,并基于验证结果调整预测模型。具体而言,可以将输入的样本特征集按照7:3的比例随机地分成两部分,70%的数据作为训练集,30%的数据作为验证集。然后,设置预测模型算法的参数例如设置迭代次数、树的深度、类的个数等重要参数,之后调用train(训练)函数进行预测模型训练,最后用经训练的预测模型在验证集上进行预测,并用验证集已有的标识与模型预测的结果进行对比分析,若对比分析结果表明预测准确率较低,则可以调整预测模型的参数,并重新对预测模型进行训练,以提高预测的准确率。
利用上述训练出的模型,就可以针对预先选取的目标商品品类下的潜在用户进行预测,以得出潜在用户购买目标商品品类下的商品的概率。例如,以步骤S430中同样的方式提取出这部分待预测的潜在用户的样本特征,输入至训练好的预测模型中,预测模型会自动输出各用户即将产生购买行为的概率。预测模型输出的概率值介于0与1之间,概率值越大说明用户购买目标商品品类下的商品的潜力越大,概率值越小说明用户购买目标商品品类下的商品的潜力越小。进而根据目标商品品类下的用户的潜力值大小就可以进行精准的用户营销。因此,本发明的示例实施例不仅可以筛选出潜在客户,还可以对潜在用户是否会产生购买行为进行量化,以达到精准精细化的营销。
形成阶段
在本示例实施例中,若根据历史行为数据判定用户针对目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且用户在第一预定时间段内未再次购买过目标商品品类下的商品,则确定用户处于用户生命周期中的形成阶段。以一种目标商品品类例如手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间的第一预定时间段例如6个月之内,并且在近6个月之内未产生过复购行为,则可以将该用户确定为处于手机数码品类下的用户生命周期中的形成阶段。
需要说明的是,在本示例实施例中,第一预定时间段的确定是基于在目标商品品类下历史以来首次购买的用户在接下来时间例如1个月、2个月…9个月、10个月…的留存率计算得出。通过对手机数码品类下的历史用户的数据分析,首次购买的用户在接下来的6个月的时候,用户的留存率会达到50%,通常在这一时间节点上进行营销比较合适,首次购买后经过的时间越长,留存率越低,营销的成本也会越大。因此选取首次购买用户留存率为50%的时间节点即6个月最为合适。
进一步地,为了达到精细化的营销效果,可以将形成阶段细分为以下3个阶段:首次购买距当前时间1个月内、首单距当前时间2个月至3个月之间、首次购买距当前时间4个月至6个月之间,不同的阶段可以采取不同的营销策略。而且,这三个阶段的时间段的划分都是基于目标商品品类的历史用户的留存率分析得出。具体而言,在本示例实施例中,首先选取2016年1月的首次购买的用户,计算这部分用户在接下来的1个月(2016年2月)、2个月(2016年2月至2016年3月)…6个月(2016年2月至2016年7月)的用户留存率情况,为了防止由于某个月的促销活动影响,在本示例实施例中,进行了多次分析,共选取了12个时间点例如1年的12个月来分析目标商品品类下首次购买的用户的留存情况,最后对这12个时间点的数据求取在1个月、2个月…6个月的留存率平均值,绘制出留存率曲线,从留存率曲线中找到该曲线的2个拐点。本示例实施例中的留存率曲线的拐点为2个月、4个月,因此,可以根据这两个拐点将形成阶段细分成以上3个阶段。
适应阶段
在本示例实施例中,若根据所述历史行为数据判定用户针对目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且在第一预定时间段内再次购买过目标商品品类下的商品,则确定用户处于所述用户生命周期中的适应阶段。
以手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间第一预定时长例如近6个月之内,并且在近6个月产生过复购行为,则可以将该用户确定为处于手机数码品类下的用户生命周期的形成阶段。
在本示例实施例中,用户生命周期的适应阶段与形成阶段类似,区别在于是否在第一预定时间段内再次购买过目标商品品类下的商品。因此,同样也可以将适应阶段细分成以下3个阶段:最后一次购买时间距当前时间1个月内、最后一次购买时间距当前时间2个月至3个月之间、最后一次购买时间距当前时间4个月至6个月之间。同样地,适应阶段时间节点的确定也是基于在距某个时间节点的6个月之内是首次购买的用户,从产生过复购行为的用户在接下来的1个月、2个月…6个月的留存率进行分析,从留存率曲线中找出2个拐点,即可根据这2个拐点将适应阶段细分成3个小阶段,针对细分的小阶段采用相应的营销策略。
成长阶段
在本示例实施例中,若根据历史行为数据判定用户针对目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且用户在距当前时间第二预定时长的第二预定时间段内的平均购买次数大于在第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的成长阶段,其中,所述第一预定时长大于所述第二预定时长。
以手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间第一预定时长例如近6个月之前,并且在距当前时间第二预定时长例如1个月内购买过手机数码品类下的商品,并且近1个月内的购买次数大于近6个月的月平均购买次数,则可以将该用户确定为处于手机数码品类下的用户生命周期的成长阶段。
进一步地,在本示例实施例中,可以将手机数码品类下的成长阶段细分成2个子阶段即成长阶段1和成长阶段2。成长阶段1可以定义为在手机数码品类下的首次购买时间在距今6个月之前,并且近1个月购买过手机数码品类下的商品,并且近1个月的购买次数大于近6个月的月平均购买次数。成长阶段2可以定义为在手机数码品类下的首次购买时间在距今6个月之前,并且近1个月没有购买过手机数码品类下的商品,但近3个月购买过手机数码品类下的商品,且近3个月的月平均购买次数大于近6个月的月平均购买次数。
需要说明的是,在本示例实施例中,用户生命周期的成长阶段及之后的稳定阶段、衰退阶段、沉睡阶段、准流失阶段、流失阶段都限定首次购买时间距当前时间预定时长例如6个月之前,然后根据距当前时间第二预定时长例如1个月的订单量、距当前时间第三预定时长例如3个月的月平均订单量、距当前时间第一预定时长例如6个月的月平均订单量进行划分。同样地,第一预定时长例如6个月、第二预定时长例如1个月、第三预定时长例如3个月也是基于对首次购买行为在距某个时间点的第一预定时长例如6个月之前的这部分用户进行留存率分析得出。
稳定阶段
在本示例实施例中,若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段的平均购买次数等于在所述第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的稳定阶段,其中,所述第一预定时长大于所述第二预定时长。
以手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间第一预定时长例如近6个月之前,并且在距当前时间第二预定时长例如1个月内购买过手机数码品类下的商品,并且近1个月内的购买次数等于近6个月的月平均购买次数,则可以将该用户确定为处于手机数码品类下的用户生命周期的稳定阶段。
进一步地,在本示例实施例中,可以将手机数码品类下的稳定阶段分成两个子阶段即稳定阶段1和稳定阶段2。稳定阶段1可以定义为在手机数码品类下的首次购买时间在距今6个月之前,并且近1个月购买过手机数码品类下的商品,并且近1个月的购买次数等于近6个月的月平均购买次数。稳定阶段2可以定义为在手机数码品类下的首次购买时间在距今6个月之前,并且近1个月没有购买过手机数码品类下的商品,但近3个月购买过手机数码品类下的商品,且近3个月的月平均购买次数等于近6个月的月平均购买次数。
衰退阶段
在很多实际的应用中,网站业务运营人员经常选取睡眠用户或流失用户进行挽回式营销,但此时要唤醒或挽回这部分用户,不仅需要花费大量的资源和成本,还未必会有成效。所以,在本发明的示例实施例中,在用户生命周期中加入了衰退阶段。
在本示例实施例中,若根据历史行为数据判定用户针对目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且用户在距当前时间第二预定时长的第二预定时间段的平均购买次数小于在第一预定时间段的平均购买次数,则判定用户处于用户生命周期中的衰退阶段,其中,所述第一预定时长大于所述第二预定时长。
以手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间第一预定时长例如近6个月之前,并且在距当前时间第二预定时长例如1个月内购买过手机数码品类下的商品,并且近1个月内的购买次数小于近6个月的月平均购买次数,则可以将该用户确定为处于手机数码品类下的用户生命周期的衰退阶段。
进一步地,在本示例实施例中,衰退阶段的两个子阶段:衰退阶段1定义为首单在距今6个月之前,且近一个月有有效订单,但订单数小于近6个月的月平均订单数;衰退阶段2定义为首单在距今6个月之前,且近一个月没有有效订单,但近3个月有有效订单,且近3个月的月平均订单量小于近6个月的月平均订单量。
此外,在本示例实施例中,在确定用户处于目标商品品类对应的用户生命周期的衰退阶段时,可以预测所述用户针对目标商品品类的衰退概率,这样就可以针对处于衰退阶段的用户进行精准式的营销,在用户还未进入到睡眠流失阶段时就采取有效的措施提升用户的粘性,避免花费更大的成本或者造成更多用户的流失。
在本示例实施例中,预测衰退用户的衰退概率可以采用上述潜在阶段的预测模型,该预测模型的处理过程主要包含训练样本的选取、特征集的加工、预测模型训练、衰退用户的衰退概率预测这些步骤。以下分别对几个步骤进行详细的介绍。
训练样本的选取:在本示例实施例中,可以选取历史上某段时间例如2016年8月至2016年10月处于目标商品品类下的衰退阶段的用户作为训练样本,若这部分用户在接下来的3个月没有产生过购买行为,则这部分用户进入了沉睡阶段,标记为1作为正样本,反之若这部分用户在接下来的3个月内在该目标商品品类上产生过购买行为,则这部分用户并未沉睡,标记为0作为负样本。
特征集的加工:在本示例实施例中,为了预测处于衰退阶段的用户是否会进入到沉睡阶段,就需要用预测模型去学习处于这部分用户的行为特征,进而根据这些行为特征去预测其他处于衰退阶段的用户是否会进入沉睡阶段。例如,可以选取用户在目标商品品类下的以下数据作为行为特征:浏览类、加入购物车类、搜索类、关注类、咨询类、购买类相关特征,所提取的特征的示例如下表2所示:
表2
预测模型训练:与上述处于潜在阶段用户的训练过程类似,在此将不再进行赘述。
衰退用户的衰退概率预测:利用上述训练好的模型,就可以对识别出的处于衰退阶段的用户进行衰退概率的预测。首先,可以按照上述用户生命周期的识别方法确定最新的处于衰退阶段的用户,然后,可以按照训练集的特征模式加工出这部分用户同样的特征维度,将加工的特征输入至预测模型,通过预测模型即可输出用户在目标商品品类下的衰退概率,衰退概率值在0至1之间,概率值越大代表该用户在目标商品品类上衰退的衰退概率越大,概率值越小代表用户衰退的概率越小。具体进行衰退预测的代码与上述潜在阶段预测的代码相同。
沉睡阶段
在本示例实施例中,若根据历史行为数据判定用户针对目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且用户在第一预定时间段内发生过复购行为,同时用户在距当前时间第三预定时长的第三预定时间段内未购买过目标商品品类下的商品,则判定用户处于用户生命周期中的沉睡阶段,其中,所述第一预定时长大于所述第三预定时长。
以手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间第一预定时长例如近6个月之前,并且在距当前时间第二预定时长例如3个月内未购买过手机数码品类下的商品,但在近6个月购买过手机数码品类下的商品,则可以将该用户确定为处于手机数码品类下的用户生命周期的形成阶段。
准流失阶段
在本示例实施例中,若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在所述第一预定时间段内未发生过复购行为,同时所述用户在距当前时间第四预定时长第四预定时间段购买过所述目标商品品类下的商品,则判定所述用户处于所述用户生命周期中的准流失阶段,其中,所述第一预定时长小于所述第四预定时长。
以手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间第一预定时长例如近6个月之前,并且在近6个月购买过目标商品品类下的商品,同时距当前时间第四预定时长例如12个月内购买过手机数码品类下的商品,则可以将该用户确定为处于手机数码品类下的用户生命周期的准流失阶段。
流失阶段
在本示例实施例中,若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在距当前时间第四预定时长的第四预定时间段内未购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的流失阶段,其中,所述第一预定时长小于所述第四预定时长。以手机数码品类为例,如果用户在手机数码品类下的首次购买时间在距当前时间第一预定时长例如近6个月之前,并且在距当前时间第四预定时长例如12个月内未购买过手机数码品类下的商品,则可以将该用户确定为处于手机数码品类下的用户生命周期的流失阶段。
图5示出了根据本发明的示例性实施例对处于用户生命周期的各阶段的用户进行营销的示意图。在通过本示例实施例中的用户生命周期的识别方法识别出目标商品品类下处于各个阶段的用户之后,可以对处于各阶段的用户采用不同的营销策略。参照图5所示,可以对处于潜在阶段的用户设置新人专区,提供首次购买打折优惠的活动;对处于形成阶段的用户采用优惠的首次购的营销策略,例如发送欢迎信,提供新人礼包等活动;对处于适应阶段的用户采用培育用户成长的营销策略,例如发放成人礼勋章,提供会员满月礼等活动;对处于成长阶段、稳定阶段以及衰退阶段的用户采用维护用户的营销策略,例如提供优惠券、推荐优惠服务等活动;对处于沉睡阶段、准流失阶段以及流失阶段的用户采用唤醒用户的营销策略,例如提供优惠券、进行问卷调查等活动。
此外,在本发明的示例实施例中,还提供了一种用户生命周期的识别装置。参照图6所示,该用户生命周期的识别装置600可以包括:数据获取单元610以及生命周期识别单元620。其中:数据获取单元610用于获取用户针对目标商品品类的历史行为数据;生命周期识别单元620用于根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户未购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的潜在阶段。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:根据所述历史行为数据判断所述用户在距当前时间预定时长的第一预定时间段内是否有与所述目标商品品类下的商品相关的行为数据;若判定所述用户未购买过所述目标商品品类下的商品,且在所述第一预定时间段内有与所述目标商品品类下的商品相关的行为数据,则确定所述用户处于所述潜在阶段。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以包括:第一预测单元,用于在确定所述用户处于所述潜在阶段时,预测所述用户购买所述目标商品品类下的商品的概率。
在本发明的一些实施例中,基于前述方案,第一预测单元可以被配置为:选取之前处于所述潜在阶段的目标用户作为样本数据;根据选取出的用户是否购买了所述目标商品品类下的商品,将所述样本数据分为正样本和负样本;提取所述正样本和所述负样本的样本特征,得到样本特征集;根据所述样本特征集对预定的预测模型进行训练,并基于训练后的预测模型预测所述用户购买所述目标商品品类下的商品的概率。
在本发明的一些实施例中,基于前述方案,第一预测单元可以被配置为:将所述样本特征集分为训练集和验证集;通过所述训练集对所述预定的预测模型进行训练;基于所述验证集验证训练后的预测模型的准确率,并基于验证结果调整所述预测模型。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且所述用户在所述第一预定时间段内未再次购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的形成阶段。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且在所述第一预定时间段内再次购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的适应阶段。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段内的平均购买次数大于在所述第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的成长阶段,其中,所述第一预定时长大于所述第二预定时长。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段的平均购买次数等于在所述第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的稳定阶段,其中,所述第一预定时长大于所述第二预定时长。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段的平均购买次数小于在所述第一预定时间段的平均购买次数,则判定所述用户处于所述用户生命周期中的衰退阶段,其中,所述第一预定时长大于所述第二预定时长。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620还可以包括:第二预测单元,用于在确定所述用户处于所述衰退阶段时,预测所述用户针对所述目标商品品类的衰退概率。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在所述第一预定时间段内发生过复购行为,同时所述用户在距当前时间第三预定时长的第三预定时间段内未购买过所述目标商品品类下的商品,则判定所述用户处于所述用户生命周期中的沉睡阶段,其中,所述第一预定时长大于所述第三预定时长。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在所述第一预定时间段内未发生过复购行为,同时所述用户在距当前时间第四预定时长第四预定时间段购买过所述目标商品品类下的商品,则判定所述用户处于所述用户生命周期中的准流失阶段,其中,所述第一预定时长小于所述第四预定时长。
在本发明的一些实施例中,基于前述方案,生命周期识别单元620可以被配置为:若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在距当前时间第四预定时长的第四预定时间段内未购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的流失阶段,其中,所述第一预定时长小于所述第四预定时长。
此外,在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
下面参考图7,其示出了适于用来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备的计算机系统700仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统操作所需的各种程序和数据。CPU701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的用户生命周期的识别方法。
例如,所述电子设备可以实现如图1中所示的:步骤S110,获取用户针对目标商品品类的历史行为数据;步骤S120,根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (18)
1.一种用户生命周期的识别方法,其特征在于,包括:
获取用户针对目标商品品类的历史行为数据;
根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
2.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户未购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的潜在阶段。
3.根据权利要求2所述的用户生命周期的识别方法,其特征在于,还包括:
根据所述历史行为数据判断所述用户在距当前时间预定时长的第一预定时间段内是否有与所述目标商品品类下的商品相关的行为数据;
若判定所述用户未购买过所述目标商品品类下的商品,且在所述第一预定时间段内有与所述目标商品品类下的商品相关的行为数据,则确定所述用户处于所述潜在阶段。
4.根据权利要求2或3所述的用户生命周期的识别方法,其特征在于,还包括:
在确定所述用户处于所述潜在阶段时,预测所述用户购买所述目标商品品类下的商品的概率。
5.根据权利要求4所述的用户生命周期的识别方法,其特征在于,预测所述用户购买所述目标商品品类下的商品的概率,包括:
选取之前处于所述潜在阶段的目标用户作为样本数据;
根据选取出的用户是否购买了所述目标商品品类下的商品,将所述样本数据分为正样本和负样本;
提取所述正样本和所述负样本的样本特征,得到样本特征集;
根据所述样本特征集对预定的预测模型进行训练,并基于训练后的预测模型预测所述用户购买所述目标商品品类下的商品的概率。
6.根据权利要求5所述的用户生命周期的识别方法,其特征在于,根据所述样本特征集对预定的预测模型进行训练,包括:
将所述样本特征集分为训练集和验证集;
通过所述训练集对所述预定的预测模型进行训练;
基于所述验证集验证训练后的预测模型的准确率,并基于验证结果调整所述预测模型。
7.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且所述用户在所述第一预定时间段内未再次购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的形成阶段。
8.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间预定时长的第一预定时间段内,且在所述第一预定时间段内再次购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的适应阶段。
9.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段内的平均购买次数大于在所述第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的成长阶段,
其中,所述第一预定时长大于所述第二预定时长。
10.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段的平均购买次数等于在所述第一预定时间段内的平均购买次数,则判定所述用户处于所述用户生命周期中的稳定阶段,
其中,所述第一预定时长大于所述第二预定时长。
11.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,且所述用户在距当前时间第二预定时长的第二预定时间段的平均购买次数小于在所述第一预定时间段的平均购买次数,则判定所述用户处于所述用户生命周期中的衰退阶段,
其中,所述第一预定时长大于所述第二预定时长。
12.根据权利要求11所述的用户生命周期的识别方法,其特征在于,还包括:
在确定所述用户处于所述衰退阶段时,预测所述用户针对所述目标商品品类的衰退概率。
13.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在所述第一预定时间段内发生过复购行为,同时所述用户在距当前时间第三预定时长的第三预定时间段内未购买过所述目标商品品类下的商品,则判定所述用户处于所述用户生命周期中的沉睡阶段,
其中,所述第一预定时长大于所述第三预定时长。
14.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在所述第一预定时间段内未发生过复购行为,同时所述用户在距当前时间第四预定时长第四预定时间段购买过所述目标商品品类下的商品,则判定所述用户处于所述用户生命周期中的准流失阶段,
其中,所述第一预定时长小于所述第四预定时长。
15.根据权利要求1所述的用户生命周期的识别方法,其特征在于,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段,包括:
若根据所述历史行为数据判定所述用户针对所述目标商品品类下的商品的首次购买行为发生在距当前时间第一预定时长的第一预定时间段之前,并且所述用户在距当前时间第四预定时长的第四预定时间段内未购买过所述目标商品品类下的商品,则确定所述用户处于所述用户生命周期中的流失阶段,
其中,所述第一预定时长小于所述第四预定时长。
16.一种用户生命周期的识别装置,其特征在于,包括:
数据获取单元,用于获取用户针对目标商品品类的历史行为数据;
生命周期识别单元,用于根据所述历史行为数据,确定所述用户处于所述目标商品品类对应的用户生命周期中的阶段。
17.一种电子设备,其特征在于,包括
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如权利要求1至15中任一项所述的用户生命周期的识别方法。
18.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至15中任一项所述的用户生命周期的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710979638.8A CN107784390A (zh) | 2017-10-19 | 2017-10-19 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710979638.8A CN107784390A (zh) | 2017-10-19 | 2017-10-19 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784390A true CN107784390A (zh) | 2018-03-09 |
Family
ID=61434876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710979638.8A Pending CN107784390A (zh) | 2017-10-19 | 2017-10-19 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784390A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648000A (zh) * | 2018-04-24 | 2018-10-12 | 腾讯科技(深圳)有限公司 | 对用户留存生命周期进行评估的方法及装置、电子设备 |
CN108765094A (zh) * | 2018-06-06 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 保险数据处理方法、装置、计算机设备和存储介质 |
CN109002849A (zh) * | 2018-07-05 | 2018-12-14 | 百度在线网络技术(北京)有限公司 | 识别对象发展阶段的方法和装置 |
CN109729376A (zh) * | 2019-01-02 | 2019-05-07 | 广州虎牙信息科技有限公司 | 一种生命周期的处理方法、装置、设备和存储介质 |
CN109839917A (zh) * | 2019-01-08 | 2019-06-04 | 浙江大学 | 一种自适应校正的采煤机故障诊断系统 |
CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
CN111090706A (zh) * | 2018-10-24 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 计算机存储介质、司机平台生命周期的获取方法及系统 |
CN111667290A (zh) * | 2019-03-08 | 2020-09-15 | 北京京东尚科信息技术有限公司 | 业务展示方法和装置、计算机可读存储介质 |
CN111695941A (zh) * | 2020-06-15 | 2020-09-22 | 广州探途网络技术有限公司 | 商品交易网站数据分析方法、装置和电子设备 |
CN111797848A (zh) * | 2019-04-09 | 2020-10-20 | 成都鼎桥通信技术有限公司 | 用户分类方法、装置、设备及存储介质 |
CN111833110A (zh) * | 2020-07-23 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 客户生命周期定位方法、装置、电子设备及存储介质 |
CN112819555A (zh) * | 2019-11-15 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN112989183A (zh) * | 2021-02-20 | 2021-06-18 | 湖南视拓信息技术股份有限公司 | 一种基于生命周期的产品信息推荐方法、装置及相关设备 |
CN113297478A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于用户生命周期的信息推送方法、装置及电子设备 |
CN113298385A (zh) * | 2021-05-26 | 2021-08-24 | 上海晓途网络科技有限公司 | 一种用户管理方法、装置、电子设备及存储介质 |
CN113422978A (zh) * | 2021-07-14 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 休眠预警模型的训练方法和装置及休眠预警方法和装置 |
CN113590925A (zh) * | 2020-04-30 | 2021-11-02 | 中国移动通信集团北京有限公司 | 一种用户确定方法、装置、设备及计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599160A (zh) * | 2015-02-06 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置 |
CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN105678570A (zh) * | 2015-12-31 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 电子商务潜在用户识别的方法和装置 |
CN105740268A (zh) * | 2014-12-10 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 一种信息推送方法和装置 |
CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
CN107093091A (zh) * | 2016-11-17 | 2017-08-25 | 北京小度信息科技有限公司 | 一种数据处理方法和装置 |
CN107169849A (zh) * | 2017-06-29 | 2017-09-15 | 深圳天珑无线科技有限公司 | 购物信息推送方法、系统及存储介质 |
-
2017
- 2017-10-19 CN CN201710979638.8A patent/CN107784390A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN105740268A (zh) * | 2014-12-10 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 一种信息推送方法和装置 |
CN104599160A (zh) * | 2015-02-06 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置 |
CN105678570A (zh) * | 2015-12-31 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 电子商务潜在用户识别的方法和装置 |
CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
CN107093091A (zh) * | 2016-11-17 | 2017-08-25 | 北京小度信息科技有限公司 | 一种数据处理方法和装置 |
CN107169849A (zh) * | 2017-06-29 | 2017-09-15 | 深圳天珑无线科技有限公司 | 购物信息推送方法、系统及存储介质 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648000B (zh) * | 2018-04-24 | 2022-10-28 | 腾讯科技(深圳)有限公司 | 对用户留存生命周期进行评估的方法及装置、电子设备 |
CN108648000A (zh) * | 2018-04-24 | 2018-10-12 | 腾讯科技(深圳)有限公司 | 对用户留存生命周期进行评估的方法及装置、电子设备 |
CN108765094A (zh) * | 2018-06-06 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 保险数据处理方法、装置、计算机设备和存储介质 |
CN109002849A (zh) * | 2018-07-05 | 2018-12-14 | 百度在线网络技术(北京)有限公司 | 识别对象发展阶段的方法和装置 |
CN109002849B (zh) * | 2018-07-05 | 2022-05-17 | 百度在线网络技术(北京)有限公司 | 识别对象发展阶段的方法和装置 |
CN111090706A (zh) * | 2018-10-24 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 计算机存储介质、司机平台生命周期的获取方法及系统 |
CN109729376B (zh) * | 2019-01-02 | 2021-12-14 | 广州虎牙信息科技有限公司 | 一种生命周期的处理方法、装置、设备和存储介质 |
CN109729376A (zh) * | 2019-01-02 | 2019-05-07 | 广州虎牙信息科技有限公司 | 一种生命周期的处理方法、装置、设备和存储介质 |
CN109839917B (zh) * | 2019-01-08 | 2020-10-20 | 浙江大学 | 一种自适应校正的采煤机故障诊断系统 |
CN109839917A (zh) * | 2019-01-08 | 2019-06-04 | 浙江大学 | 一种自适应校正的采煤机故障诊断系统 |
CN111667290A (zh) * | 2019-03-08 | 2020-09-15 | 北京京东尚科信息技术有限公司 | 业务展示方法和装置、计算机可读存储介质 |
CN111797848A (zh) * | 2019-04-09 | 2020-10-20 | 成都鼎桥通信技术有限公司 | 用户分类方法、装置、设备及存储介质 |
CN111797848B (zh) * | 2019-04-09 | 2023-10-24 | 成都鼎桥通信技术有限公司 | 用户分类方法、装置、设备及存储介质 |
CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
CN112819555A (zh) * | 2019-11-15 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN113590925A (zh) * | 2020-04-30 | 2021-11-02 | 中国移动通信集团北京有限公司 | 一种用户确定方法、装置、设备及计算机存储介质 |
CN111695941A (zh) * | 2020-06-15 | 2020-09-22 | 广州探途网络技术有限公司 | 商品交易网站数据分析方法、装置和电子设备 |
CN111833110A (zh) * | 2020-07-23 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 客户生命周期定位方法、装置、电子设备及存储介质 |
CN112989183B (zh) * | 2021-02-20 | 2022-03-22 | 湖南视拓信息技术股份有限公司 | 一种基于生命周期的产品信息推荐方法、装置及相关设备 |
CN112989183A (zh) * | 2021-02-20 | 2021-06-18 | 湖南视拓信息技术股份有限公司 | 一种基于生命周期的产品信息推荐方法、装置及相关设备 |
CN113297478A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于用户生命周期的信息推送方法、装置及电子设备 |
CN113298385A (zh) * | 2021-05-26 | 2021-08-24 | 上海晓途网络科技有限公司 | 一种用户管理方法、装置、电子设备及存储介质 |
CN113422978A (zh) * | 2021-07-14 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 休眠预警模型的训练方法和装置及休眠预警方法和装置 |
CN113422978B (zh) * | 2021-07-14 | 2022-08-26 | 北京达佳互联信息技术有限公司 | 休眠预警模型的训练方法和装置及休眠预警方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784390A (zh) | 用户生命周期的识别方法、装置、电子设备及存储介质 | |
US11574354B2 (en) | Methods and apparatus for interactive evolutionary algorithms with respondent directed breeding | |
US11651381B2 (en) | Machine learning for marketing of branded consumer products | |
CN111008858A (zh) | 一种商品销量预测方法及系统 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
Choi et al. | Strategic demand forecasts for the tablet PC market using the Bayesian mixed logit model and market share simulations | |
CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
US20210125073A1 (en) | Method and system for individual demand forecasting | |
CN106779808A (zh) | 一种商圈中消费者空间行为分析系统及方法 | |
Patne et al. | Solving closed-loop supply chain problems using game theoretic particle swarm optimisation | |
Dye et al. | A particle swarm optimization for solving joint pricing and lot-sizing problem with fluctuating demand and unit purchasing cost | |
Huang et al. | A dynamic programming algorithm based on expected revenue approximation for the network revenue management problem | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN109685537A (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN107741967A (zh) | 用于行为数据处理的方法、装置以及电子设备 | |
CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CA3131040A1 (en) | Method and system for optimizing an objective having discrete constraints | |
WO2021077226A1 (en) | Method and system for individual demand forecasting | |
Vaganov et al. | Forecasting purchase categories with transition graphs using financial and social data | |
Sobreiro et al. | A slr on customer dropout prediction | |
CN110348947B (zh) | 对象推荐方法及装置 | |
JP6938259B2 (ja) | 生成装置、生成方法、及び生成プログラム | |
Saito et al. | Customer Visit Prediction Using Purchase Behavior and Tendency | |
Singh et al. | An Ordering Policy with generalized deterioration, ramp-type demand under complete backlogging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |