CN108416630A - 一种目标受众的确定方法及装置 - Google Patents

Abstract

本发明公开了一种目标受众的确定方法及装置，能够获取用户与意向商品有关的行为数据，根据所述行为数据和预设算法确定用户对意向商品的购买意向数据，依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。所述目标受众的确定方法及装置能够将采用一定算法计算得到的用户对商品的购买意向，与商品的聚类结果关联起来，确定对目标商品最感兴趣的目标受众，进而可以对确定的目标用户进行精准有效的营销，避免了不必要的营销成本的消耗及对用户的无用骚扰。

Description

一种目标受众的确定方法及装置

技术领域

本发明涉及营销领域，更具体的说，是涉及一种目标受众的确定方法及装置。

背景技术

购房过程往往会消耗用户比较多的时间和精力。对于用户来说，希望尽可能在较少的时间成本下获取满足自身定位的房产信息。同时对于房产开发商而言，购房市场上的用户有不同的需求，如何将楼盘的信息精准的传达到对此楼盘最感兴趣的用户群体中也至关重要。

目前房产开发商主要是通过各种线上线下渠道获取市场上的购房用户，不作区分的向所有用户发送短信，拨打电话，发送邮件等。这样做不但增加了自身的营销投入成本，而且，不同用户的房屋需求不同，若多个开发商都采用上述营销手段，会对用户造成较大的骚扰。如果只选择那些线上线下活动与自己楼盘相关的用户，也会流失大量还未来得及了解该开发商楼盘的潜在用户。

发明内容

有鉴于此，本发明提供了一种目标受众的确定方法及装置，以使得房产开发商能够精确的针对目标受众进行营销活动，避免了不必要的营销成本的消耗及对用户的无用骚扰。

为实现上述目的，本发明提供如下技术方案：

一种目标受众的确定方法，包括：

获取用户与意向商品有关的行为数据；

根据所述行为数据和预设算法确定用户对意向商品的购买意向数据；

依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

可选的，还包括：

根据不同的属性信息对已知的意向商品进行聚类计算，确定聚类结果。

可选的，还包括：

接收用户的反馈信息，并根据所述反馈信息更新用户对意向商品的购买意向数据。

可选的，所述预设算法包括逻辑回归算法和/或神经网络深度学习算法，则所述根据所述行为数据和预设算法确定用户对意向商品的购买意向数据，包括：

依据逻辑回归算法和/或神经网络深度学习算法对所述行为数据进行计算，确定用户对意向商品的购买意向数据。

可选的，所述预设规则为产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值；所述购买意向数据包括产生行为商品和意向程度数据，则所述依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众，包括：

根据目标商品的聚类结果和所述购买意向数据，将产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值的用户确定为目标受众。

一种目标受众的确定装置，包括：

数据获取模块，用于获取用户与意向商品有关的行为数据；

数据确定模块，用于根据所述行为数据和预设算法确定用户对意向商品的购买意向数据；

受众确定模块，用于依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

可选的，还包括：

聚类确定模块，用于根据不同的属性信息对已知的意向商品进行聚类计算，确定聚类结果。

可选的，还包括：

反馈更新模块，用于接收用户的反馈信息，并根据所述反馈信息更新用户对意向商品的购买意向数据。

可选的，所述预设算法包括逻辑回归算法和/或神经网络深度学习算法，则所述数据确定模块具体用于：

依据逻辑回归算法和/或神经网络深度学习算法对所述行为数据进行计算，确定用户对意向商品的购买意向数据。

可选的，所述预设规则为产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值；所述购买意向数据包括产生行为商品和意向程度数据，则所述受众确定模块具体用于：

根据目标商品的聚类结果和所述购买意向数据，将产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值的用户确定为目标受众。

经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种目标受众的确定方法及装置，能够获取用户与意向商品有关的行为数据，根据所述行为数据和预设算法确定用户对意向商品的购买意向数据，依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。所述目标受众的确定方法及装置能够将采用一定算法计算得到的用户对商品的购买意向，与商品的聚类结果关联起来，确定对目标商品最感兴趣的目标受众，进而可以对确定的目标用户进行精准有效的营销，避免了不必要的营销成本的消耗及对用户的无用骚扰。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的第一种目标受众的确定方法的流程图；

图2为本发明实施例公开的用户行为数据的收集示意图；

图3为本发明实施例公开的楼盘用户关联规则示意图；

图4为本发明实施例公开的第二种目标受众的确定方法流程图；

图5为本发明实施例公开的楼盘聚类示意图；

图6为本发明实施例公开的第三种目标受众的确定方法流程图；

图7为本发明实施例公开的第一种目标受众的确定装置的结构示意图；

图8为本发明实施例公开的第二种目标受众的确定装置的结构示意图；

图9为本发明实施例公开的第三种目标受众的确定装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

图1为本发明实施例公开的第一种目标受众的确定方法的流程图，参见图1所示，方法可以包括：

步骤101：获取用户与意向商品有关的行为数据。

其中，所述意向商品可以是房产、汽车等商品。需要说明的是，所述意向商品不特定指某一个固定的商品，而是指某个类型的商品，如房屋。

用户与意向商品有关的行为数据，可以是用户在线上或线下的行为数据，用户行为数据搜集可以是通过互联网程序自动获取，人工记录等。例如，所述行为数据可以是针对购房用户在房产交易、房产信息查询等线上线下平台下的行为数据。如图2所示，准备购房的用户的线上行为可以包括盘页面浏览、楼盘的线上点评、楼盘线上客服咨询等，线下行为可以包括参与看房活动、楼盘电话咨询、联系售房经纪人等。

步骤102：根据所述行为数据和预设算法确定用户对意向商品的购买意向数据。

其中，所述预设算法可以但不限制为包括逻辑回归算法和/或神经网络深度学习算法。由此，所述根据所述行为数据和预设算法确定用户对意向商品的购买意向数据，具体可以包括：依据逻辑回归算法和/或神经网络深度学习算法对所述行为数据进行计算，确定用户对意向商品的购买意向数据。

在根据所述行为数据计算用户的购买意向数据的过程中，需要用到权重值，不同的行为可以有不同的权重值。各种行为的权重值可以人工给定，也可以用过统计理论的方法进行估计，从而可以计算得到用户对已产生行为商品的购买意向初步结果。

步骤103：依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

其中，所述购买意向数据可以但不限制为包括产生行为商品和意向程度数据。所述产生行为商品为具体的符合某要求的商品，如某楼盘；所述意向程度数据可以用数值表示，也可以用等级表示，如高、中、低等级。

其中，所述预设规则可以根据实际应用场景，结合行业相关从业人员的分析来设定，本实施例中，对所述预设规则不做具体限定。一个示意性的示例中，所述预设规则可以是：产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值。则所述依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众，可以包括：根据目标商品的聚类结果和所述购买意向数据，将产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值的用户确定为目标受众。

所述目标商品的聚类结果可以预先获取。聚类的方法可以是现有的基于密度、基于中心等成熟的聚类算法，这样可以得到每一个楼盘的数个相似楼盘。

图3为本发明实施例公开的楼盘用户关联规则示意图，该例子中，以楼盘作为意向商品为例。如图3所示，对于某一个特定楼盘而言，只有在该楼盘或其相似楼盘产生过行为，且通过用户购房意向计算模块计算后，对于这些楼盘的购房意向较高的用户才能进行关联。对于没有在该楼盘和相似楼盘产生过行为，或者产生过行为但计算显示对这些楼盘不感兴趣的用户则会被过滤掉。

本实施例中，所述目标受众的确定方法能够将采用一定算法计算得到的用户对商品的购买意向，与商品的聚类结果关联起来，确定对目标商品最感兴趣的目标受众，进而可以对确定的目标用户进行精准有效的营销，避免了不必要的营销成本的消耗及对用户的无用骚扰。

在上述本发明公开的实施例的基础上，图4为本发明实施例公开的第二种目标受众的确定方法流程图，如图4所示，所述方法可以包括：

步骤401：根据不同的属性信息对目标商品进行聚类计算，确定聚类结果。

步骤401也可以是根据不同的属性信息对已知的意向商品进行聚类计算，确定聚类结果。

具体确定目标商品的聚类结果的过程可以参考以下内容：以楼盘为例，可以首先对房产市场上各个楼盘信息进行搜集，搜集的来源可以是互联网公开资料，人工录入等，搜集信息包括楼盘开盘时间、地段、价格、户型等信息；然后根据楼盘基本信息数据，将楼盘划分为不同主要类型，图5为本发明实施例公开的楼盘聚类示意图，图5中采用商铺、普通住宅、别墅三种类型，具体划分方式可以依据所在城市的具体情况确定。如针对一线城市，可增加学区房类型。针对各个类型，可以选择不同的特征属性对该类型下楼盘进行聚类，如对商铺类型的楼盘，较为重要的特征属性为地段、商圈。

步骤402：获取用户与意向商品有关的行为数据。

步骤403：根据所述行为数据和预设算法确定用户对意向商品的购买意向数据。

步骤404：依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

本实施例中，预先确定了所有已知商品的聚类结果，这样，在采用本发明实施例公开的目标受众的确定方法确定目标受众时，可以直接将目标商品的聚类结果调出运用，保证了目标受众的确定效率，进而可以对确定的目标用户进行精准有效的营销，避免了不必要的营销成本的消耗及对用户的无用骚扰。

图6为本发明实施例公开的第三种目标受众的确定方法流程图，如图6所示，所述方法可以包括：

步骤601：获取用户与意向商品有关的行为数据。

步骤602：根据所述行为数据和预设算法确定用户对意向商品的购买意向数据。

步骤603：依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

步骤604：接收用户的反馈信息，并根据所述反馈信息更新用户对意向商品的购买意向数据。

以意向商品为房产为例，在确定目标受众后，开发商对所述目标受众进行电话咨询、邀请线下看房等营销活动后，目标受众会有所反馈，反馈内容包括通话内容、看房活动记录等，根据所述目标受众的这些反馈，可以判断目标受众对该楼盘的感兴趣程度，可以将相关数据输入用户购房意向数据的计算模块，进而更新修正用户或目标受众对各个楼盘的购房意向。

在确定目标受众后，营销商对所述目标受众进行了相应的营销活动中，会收集一些反馈信息，这些反馈信息能够更准确的反映用户的购房意向，本实施例中，可以收集这些反馈信息，并将这些反馈信息作为计算用户购买意向数据的输入，得到更为准确的购房意向数据。本实施例所述目标受众的确定方法保证了确定的目标受众的准确率，避免了不必要的营销成本的消耗及对用户的无用骚扰。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。

图7为本发明实施例公开的第一种目标受众的确定装置的结构示意图，参见图7所示，所述目标受众的确定装置70可以包括：

数据获取模块701，用于获取用户与意向商品有关的行为数据。

其中，所述意向商品可以是房产、汽车等商品。需要说明的是，所述意向商品不特定指某一个固定的商品，而是指某个类型的商品，如房屋。

用户与意向商品有关的行为数据，可以是用户在线上或线下的行为数据，用户行为数据搜集可以是通过互联网程序自动获取，人工记录等。例如，所述行为数据可以是针对购房用户在房产交易、房产信息查询等线上线下平台下的行为数据。

数据确定模块702，用于根据所述行为数据和预设算法确定用户对意向商品的购买意向数据。

其中，所述预设算法可以但不限制为包括逻辑回归算法和/或神经网络深度学习算法。由此，所述数据确定模块702具体可以用于：依据逻辑回归算法和/或神经网络深度学习算法对所述行为数据进行计算，确定用户对意向商品的购买意向数据。

在根据所述行为数据计算用户的购买意向数据的过程中，需要用到权重值，不同的行为可以有不同的权重值。各种行为的权重值可以人工给定，也可以用过统计理论的方法进行估计，从而可以计算得到用户对已产生行为商品的购买意向初步结果。

受众确定模块703，用于依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

其中，所述购买意向数据可以但不限制为包括产生行为商品和意向程度数据。所述产生行为商品为具体的符合某要求的商品，如某楼盘；所述意向程度数据可以用数值表示，也可以用等级表示，如高、中、低等级。

其中，所述预设规则可以根据实际应用场景，结合行业相关从业人员的分析来设定，本实施例中，对所述预设规则不做具体限定。一个示意性的示例中，所述预设规则可以是：产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值。则所述依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众，可以包括：根据目标商品的聚类结果和所述购买意向数据，将产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值的用户确定为目标受众。

所述目标商品的聚类结果可以预先获取。聚类的方法可以是现有的基于密度、基于中心等成熟的聚类算法，这样可以得到每一个楼盘的数个相似楼盘。

本实施例中，所述目标受众的确定装置能够将采用一定算法计算得到的用户对商品的购买意向，与商品的聚类结果关联起来，确定对目标商品最感兴趣的目标受众，进而可以对确定的目标用户进行精准有效的营销，避免了不必要的营销成本的消耗及对用户的无用骚扰。

图8为本发明实施例公开的第二种目标受众的确定装置的结构示意图，如图8所示，所述目标受众的确定装置80可以包括：

聚类确定模块801，用于根据不同的属性信息对目标商品进行聚类计算，确定聚类结果。

所述聚类确定模块801也可以用于根据不同的属性信息对已知的意向商品进行聚类计算，确定聚类结果。

具体确定目标商品的聚类结果的过程可以参考以下内容：以楼盘为例，可以首先对房产市场上各个楼盘信息进行搜集，搜集的来源可以是互联网公开资料，人工录入等，搜集信息包括楼盘开盘时间、地段、价格、户型等信息；然后根据楼盘基本信息数据，将楼盘划分为不同主要类型，图5为本发明实施例公开的楼盘聚类示意图，图5中采用商铺、普通住宅、别墅三种类型，具体划分方式可以依据所在城市的具体情况确定。如针对一线城市，可增加学区房类型。针对各个类型，可以选择不同的特征属性对该类型下楼盘进行聚类，如对商铺类型的楼盘，较为重要的特征属性为地段、商圈。

数据获取模块701，用于获取用户与意向商品有关的行为数据。

数据确定模块702，用于根据所述行为数据和预设算法确定用户对意向商品的购买意向数据。

受众确定模块703，用于依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

本实施例中，预先确定了所有已知商品的聚类结果，这样，在采用本发明实施例公开的目标受众的确定方法确定目标受众时，可以直接将目标商品的聚类结果调出运用，保证了目标受众的确定效率，进而可以对确定的目标用户进行精准有效的营销，避免了不必要的营销成本的消耗及对用户的无用骚扰。

图9为本发明实施例公开的第三种目标受众的确定装置的结构示意图，如图9所示，所述目标受众的确定装置90可以包括：

数据获取模块701，用于获取用户与意向商品有关的行为数据。

数据确定模块702，用于根据所述行为数据和预设算法确定用户对意向商品的购买意向数据。

受众确定模块703，用于依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

反馈更新模块901，用于接收用户的反馈信息，并根据所述反馈信息更新用户对意向商品的购买意向数据。

以意向商品为房产为例，在确定目标受众后，开发商对所述目标受众进行电话咨询、邀请线下看房等营销活动后，目标受众会有所反馈，反馈内容包括通话内容、看房活动记录等，根据所述目标受众的这些反馈，可以判断目标受众对该楼盘的感兴趣程度，可以将相关数据输入用户购房意向数据的计算模块，进而更新修正用户或目标受众对各个楼盘的购房意向。

在确定目标受众后，营销商对所述目标受众进行了相应的营销活动中，会收集一些反馈信息，这些反馈信息能够更准确的反映用户的购房意向，本实施例中，可以收集这些反馈信息，并将这些反馈信息作为计算用户购买意向数据的输入，得到更为准确的购房意向数据。本实施例所述目标受众的确定装置保证了确定的目标受众的准确率，避免了不必要的营销成本的消耗及对用户的无用骚扰。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种目标受众的确定方法，其特征在于，包括：

获取用户与意向商品有关的行为数据；

根据所述行为数据和预设算法确定用户对意向商品的购买意向数据；

依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

2.根据权利要求1所述的目标受众的确定方法，其特征在于，还包括：

根据不同的属性信息对已知的意向商品进行聚类计算，确定聚类结果。

3.根据权利要求1所述的目标受众的确定方法，其特征在于，还包括：

接收用户的反馈信息，并根据所述反馈信息更新用户对意向商品的购买意向数据。

4.根据权利要求1所述的目标受众的确定方法，其特征在于，所述预设算法包括逻辑回归算法和/或神经网络深度学习算法，则所述根据所述行为数据和预设算法确定用户对意向商品的购买意向数据，包括：

依据逻辑回归算法和/或神经网络深度学习算法对所述行为数据进行计算，确定用户对意向商品的购买意向数据。

5.根据权利要求1所述的目标受众的确定方法，其特征在于，所述预设规则为产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值；所述购买意向数据包括产生行为商品和意向程度数据，则所述依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众，包括：

根据目标商品的聚类结果和所述购买意向数据，将产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值的用户确定为目标受众。

6.一种目标受众的确定装置，其特征在于，包括：

数据获取模块，用于获取用户与意向商品有关的行为数据；

数据确定模块，用于根据所述行为数据和预设算法确定用户对意向商品的购买意向数据；

受众确定模块，用于依据预设规则、目标商品的聚类结果和所述购买意向数据，确定目标受众。

7.根据权利要求6所述的目标受众的确定装置，其特征在于，还包括：

聚类确定模块，用于根据不同的属性信息对已知的意向商品进行聚类计算，确定聚类结果。

8.根据权利要求6所述的目标受众的确定装置，其特征在于，还包括：

反馈更新模块，用于接收用户的反馈信息，并根据所述反馈信息更新用户对意向商品的购买意向数据。

9.根据权利要求6所述的目标受众的确定装置，其特征在于，所述预设算法包括逻辑回归算法和/或神经网络深度学习算法，则所述数据确定模块具体用于：

依据逻辑回归算法和/或神经网络深度学习算法对所述行为数据进行计算，确定用户对意向商品的购买意向数据。

10.根据权利要求6所述的目标受众的确定装置，其特征在于，所述预设规则为产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值；所述购买意向数据包括产生行为商品和意向程度数据，则所述受众确定模块具体用于：

根据目标商品的聚类结果和所述购买意向数据，将产生行为商品与目标商品的相似度达到第一预设阈值，且意向程度数据达到第二预设阈值的用户确定为目标受众。