CN109308538A - 成交转化率预测方法及装置 - Google Patents

Abstract

本发明实施例提供一种成交转化率预测方法及装置。该方法包括：获取样本集，样本集为预设历史时段内，至少一个用户使用打车软件进行价格预估的行为信息；获取样本集中每个样本的特征信息和标记信息；根据样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型；根据当前时刻用户使用打车软件进行价格预估的行为信息，以及成交转化率预测模型，预测当前时刻用户的成交转化率。本发明实施例通过建立成交转化率预测模型，该成交转化率预测模型用于预测当前时刻用户进行价格预估后，订单成交的概率。相比于现有技术，成交转化率不仅考虑到司机的因素，还考虑到了用户的因素，因此，成交转化率能准确反映出用户打车成功的概率。

Description

成交转化率预测方法及装置

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种成交转化率预测方法及装置。

背景技术

使用打车软件时，用户需要先输入起点和终点进行价格预估，再发出订单请求。司机可能会接收该订单请求，也有可能拒绝该订单请求，最终，订单请求可能会成交，也可能不会成交。

现有技术中,通过采集历史订单请求作为样本，以及根据历史订单请求是否最终成交，可以预估订单请求的成交率。所述订单请求的成交率指用户发出订单请求后，订单成交的概率。一般情况下,会利用订单成交率确定动态调价的倍率、给乘客的补贴、给司机的补贴或其他运营活动。

但是，订单请求的成交率体现了司机接收订单请求的概率或拒绝订单请求的概率，并没有体现出用户取消订单的概率，而一个订单是否成交，并不仅仅取决于司机或乘客一方的行为，而是由司机和乘客双方的行为一起决定的，而订单请求的成交率并不能完整的体现出司机和乘客双方的行为，因此，利用单一的订单成交率估算动态调价倍率、给乘客的补贴、给司机的补贴等信息，往往是不够准确的。

发明内容

为了解决上述利用单一订单成家率估算动态调价倍率等信息不准确的问题，本发明实施例提供一种成交转化率预测方法及装置，通过利用多项历史数据计算得到的成交转化率来估算动态调价倍率等其它信息。

本发明实施例的一个方面是提供一种成交转化率预测方法，包括：

获取样本集，所述样本集为预设历史时段内，至少一个用户使用打车软件进行价格预估的行为信息；

获取所述样本集中每个样本的特征信息和标记信息，所述特征信息包括：基础特征、实时特征、历史特征，所述标记信息用于标记所述用户进行价格预估后是否成功打车；

根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，所述成交转化率预测模型用于预测成交转化率，所述成交转化率表示用户进行价格预估后，订单成交的概率；

获取当前时刻用户使用打车软件进行价格预估的行为信息；

根据当前时刻用户使用打车软件进行价格预估的行为信息，以及所述成交转化率预测模型，预测当前时刻用户的成交转化率。

本发明实施例的另一个方面是提供一种成交转化率预测装置，包括：

获取模块，用于获取样本集，所述样本集为预设历史时段内，至少一个用户使用打车软件进行价格预估的行为信息；获取所述样本集中每个样本的特征信息和标记信息，所述特征信息包括：基础特征、实时特征、历史特征，所述标记信息用于标记所述用户进行价格预估后是否成功打车；

模型建立模块，用于根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，所述成交转化率预测模型用于预测成交转化率，所述成交转化率表示用户进行价格预估后，订单成交的概率；

所述获取模块还用于获取当前时刻用户使用打车软件进行价格预估的行为信息；

预测模块，用于根据当前时刻用户使用打车软件进行价格预估的行为信息，以及所述成交转化率预测模型，预测当前时刻用户的成交转化率。

本发明实施例提供的成交转化率预测方法及装置，通过采集历史时间段内，至少一个用户使用打车软件进行价格预估的行为信息作为样本集，并根据样本集中每个样本的特征信息和用户进行价格预估后是否成功打车，建立成交转化率预测模型，该成交转化率预测模型用于预测当前时刻用户进行价格预估后，订单成交的概率。相比于现有技术，成交转化率不仅考虑到司机的因素，还考虑到了用户的因素，因此，成交转化率能准确反映出用户打车成功的概率，利用成交转化率估算的动态调价倍率、给乘客的补贴、给司机的补贴等信息更准确。

附图说明

图1为本发明实施例提供的成交转化率预测方法流程图；

图2为本发明实施例提供的成交转化率预测装置的结构图；

图3为本发明另一实施例提供的成交转化率预测装置的结构图。

具体实施方式

图1为本发明实施例提供的成交转化率预测方法流程图。本发明实施例提供了成交转化率预测方法，该方法具体步骤如下：

步骤S101、获取样本集，所述样本集为预设历史时段内，至少一个用户使用打车软件进行价格预估的行为信息。

在本实施例中，用户终端安装有打车软件，用户使用打车软件出行时，可以先在打车软件上输入出行的起点和终点，或者还可以输入用户可以支付的小费，用户终端将起点、终点、当前时间、小费发送给服务器，服务器根据起点、终点、当前时间、小费进行价格预估，并将预估出的价格发送给用户终端，用户根据服务器预估出的价格确定是否通过用户终端发出订单请求，即用户根据服务器预估出的价格确定是否发单。若用户认为服务器预估出的价格合理，则通过用户终端发出订单请求，司机通过司机终端接收到该订单请求后，确定是否接收该订单，若司机愿意接收该订单，则通过司机终端确认接收该订单请求，此时司机接单，用户上车，由司机将该用户送到目的地，用户通过用户终端完成支付，此时订单成交。

可见，从用户使用打车软件进行价格预估到订单成交，中间还需要用户发单和司机接单，用户发单即订单请求，司机接单即订单接收，只要用户发单和司机接单中有一个不成功，则订单无法成交。

在本实施例中，可以选定一个地理区域，统计预设历史时段内，该地理区域内的用户使用打车软件进行价格预估的行为信息，构成样本集，可见，该样本集中可以包括大量的样本，每个样本为预设历史时段内，该地理区域内的一个用户使用打车软件进行一次价格预估的行为信息，该行为信息包括：历史起点、历史终点、历史起始时间(或者所属时间段，例如，高峰期、非高峰期)、历史预估价格、历史小费、历史周围订单数量、历史周围司机数量、历史天气、历史接单率、历史成交转化率等。在本实施例中，所述成交转化率表示用户进行价格预估后，订单成交的概率。

步骤S102、获取所述样本集中每个样本的特征信息和标记信息，所述特征信息包括：基础特征、实时特征、历史特征，所述标记信息用于标记所述用户进行价格预估后是否成功打车。

进一步获取所述样本集中每个样本的特征信息和标记信息，其中，所述特征信息包括：基础特征、实时特征、历史特征，具体的，所述基础特征包括：起点、终点、预估价格、小费；所述实时特征包括：天气状况、起始时间、用户所在区域内的订单数量、用户所在区域内的司机数量；所述历史特征包括：用户所在区域内的司机的接单率、用户所在区域内的成单率、用户所在区域内的成交转化率。此处，接单率指的是接单数和发单数的比值，成单率指的是成单数与发单数的比值，成交转化率指的是成单数与价格预估行为次数的比值。

所述标记信息用于标记所述用户进行价格预估后是否成功打车，例如，用户进行价格预估后成功打车标记为1，用户进行价格预估后没有打车标记为0。

步骤S103、根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，所述成交转化率预测模型用于预测成交转化率，所述成交转化率表示用户进行价格预估后，订单成交的概率。

根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，所述成交转化率预测模型用于预测成交转化率，在本实施例中，所述成交转化率预测模型可以是极端梯度提升(Extreme Gradient Boosting，简称Xgboost)模型，决策树模型，梯度提升决策树(Gradient Boosting Decision Tree，简称GBDT)模型、线性回归模型、神经网络模型等。下面以Xgboost模型为例，介绍成交转化率预测模型的建模方法。

Xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动利用CPU的多线程进行并行。利用Xgboost模型进行训练的目的为得到提升树(boosting tree)结构，利用提升树结构得到预测值，根据预测值进一步预测成交转化率。提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和loss function确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。

步骤S104、获取当前时刻用户使用打车软件进行价格预估的行为信息。

所述当前时刻用户使用打车软件进行价格预估的行为信息，包括如下至少一种：当前起点、当前终点、当前起始时间、当前预估价格、当前小费、当前用户所在区域内的订单数量、当前用户所在区域内的司机数量、当前天气状况。

步骤S105、根据当前时刻用户使用打车软件进行价格预估的行为信息，以及所述成交转化率预测模型，预测当前时刻用户的成交转化率。

本发明实施例通过采集历史时间段内，至少一个用户使用打车软件进行价格预估的行为信息作为样本集，并根据样本集中每个样本的特征信息和用户进行价格预估后是否成功打车，建立成交转化率预测模型，该成交转化率预测模型用于预测当前时刻用户进行价格预估后，订单成交的概率。相比于现有技术，成交转化率不仅考虑到司机的因素，还考虑到了用户的因素，因此，成交转化率能准确反映出用户打车成功的概率，利用成交转化率估算的动态调价倍率、给乘客的补贴、给司机的补贴等信息更准确。

在上述实施例的基础上，所述样本集包括训练样本和预测样本，其中，所述训练样本用于训练所述成交转化率预测模型；所述预测样本用于预测所述成交转化率预测模型的考核指标。训练样本和预测样本的数量的比例可以为，例如，7:3。在一些实施例中，可以选择距当前时间较近的价格预估的行为信息作为预测样本，这样可以使训练出的成交转化率预测模型更加准确。

相应的，所述根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，包括：利用训练样本训练得到成交转化率预测模型；利用预测样本计算所述成交转化率预测模型的考核指标；如果所述成交转化率预测模型的考核指标大于预设值，则训练结束；如果所述成交转化率预测模型的考核指标小于预设值，则对所述成交转化率预测模型进行校正、优化或重新训练。

具体的，利用训练样本训练得到一个成交转化率预测模型，然后利用预测样本对训练得到的成交转化率预测模型进行验证，计算所述成交转化率预测模型的考核指标，所述成交转化率预测模型的考核指标具体可以包括准确率、AUC等。当训练得到的成交转化率预测模型的AUC大于阈值(例如，80％)，训练结束；否则，需要对训练得到该成交转化率预测模型进行校正、优化或重新训练。

本实施例通过将样本集分为训练样本和预测样本，用训练样本来训练成交转化率预测模型，用预测样本来计算成交转化率预测模型的考核指标，例如准确率、AUC等，当成交转化率预测模型的考核指标不达标时，需要对训练得到该成交转化率预测模型进行校正、优化或重新训练，从而提高了成交转化率预测模型的精确度。

图2为本发明实施例提供的成交转化率预测装置的结构图。本发明实施例提供的成交转化率预测装置可以执行成交转化率预测方法实施例提供的处理流程，如图2所示，成交转化率预测装置20包括：获取模块21、模型建立模块22、预测模块23，其中，获取模块21用于获取样本集，所述样本集为预设历史时段内，至少一个用户使用打车软件进行价格预估的行为信息；获取所述样本集中每个样本的特征信息和标记信息，所述特征信息包括：基础特征、实时特征、历史特征，所述标记信息用于标记所述用户进行价格预估后是否成功打车；模型建立模块22用于根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，所述成交转化率预测模型用于预测成交转化率，所述成交转化率表示用户进行价格预估后，订单成交的概率；获取模块21还用于获取当前时刻用户使用打车软件进行价格预估的行为信息；预测模块23用于根据当前时刻用户使用打车软件进行价格预估的行为信息，以及所述成交转化率预测模型，预测当前时刻用户的成交转化率。

本发明实施例提供的成交转化率预测装置可以具体用于执行上述图1所提供的方法实施例，具体功能此处不再赘述。

本发明实施例通过采集历史时间段内，至少一个用户使用打车软件进行价格预估的行为信息作为样本集，并根据样本集中每个样本的特征信息和用户进行价格预估后是否成功打车，建立成交转化率预测模型，该成交转化率预测模型用于预测当前时刻用户进行价格预估后，订单成交的概率。相比于现有技术，成交转化率不仅考虑到司机的因素，还考虑到了用户的因素，因此，成交转化率能准确反映出用户打车成功的概率，利用成交转化率估算的动态调价倍率、给乘客的补贴、给司机的补贴等信息更准确。

图3为本发明另一实施例提供的成交转化率预测装置的结构图。在上述实施例的基础上，所述样本集包括训练样本和预测样本，其中，所述训练样本用于训练所述成交转化率预测模型；所述预测样本用于预测所述成交转化率预测模型的考核指标。

模型建立模块22包括：训练单元221、计算单元222，其中，训练单元221用于利用训练样本训练得到成交转化率预测模型；计算单元222用于利用预测样本计算所述成交转化率预测模型的考核指标；如果所述成交转化率预测模型的考核指标大于预设值，则训练单元221结束训练；如果所述成交转化率预测模型的考核指标小于预设值，则训练单元221还用于对所述成交转化率预测模型进行校正、优化或重新训练。

另外，所述当前时刻用户使用打车软件进行价格预估的行为信息，包括如下至少一种：当前起点、当前终点、当前起始时间、当前预估价格、当前小费、当前用户所在区域内的订单数量、当前用户所在区域内的司机数量、当前天气状况。

此外，所述基础特征包括：起点、终点、预估价格、小费；所述实时特征包括：天气状况、起始时间、用户所在区域内的订单数量、用户所在区域内的司机数量；所述历史特征包括：用户所在区域内的司机的接单率、用户所在区域内的成单率、用户所在区域内的成交转化率。

本发明实施例提供的成交转化率预测装置可以具体用于执行上述图1所提供的方法实施例，具体功能此处不再赘述。

本发明实施例通过将样本集分为训练样本和预测样本，用训练样本来训练成交转化率预测模型，用预测样本来计算成交转化率预测模型的考核指标，例如准确率、AUC等，当成交转化率预测模型的考核指标不达标时，需要对训练得到该成交转化率预测模型进行校正、优化或重新训练，从而提高了成交转化率预测模型的精确度；通过将样本集分为训练样本和预测样本，用训练样本来训练成交转化率预测模型，用预测样本来计算成交转化率预测模型的考核指标，例如准确率、AUC等，当成交转化率预测模型的考核指标不达标时，需要对训练得到该成交转化率预测模型进行校正、优化或重新训练，从而提高了成交转化率预测模型的精确度。

综上所述，本发明实施例通过采集历史时间段内，至少一个用户使用打车软件进行价格预估的行为信息作为样本集，并根据样本集中每个样本的特征信息和用户进行价格预估后是否成功打车，建立成交转化率预测模型，该成交转化率预测模型用于预测当前时刻用户进行价格预估后，订单成交的概率。相比于现有技术，成交转化率不仅考虑到司机的因素，还考虑到了用户的因素，因此，成交转化率能准确反映出用户打车成功的概率，利用成交转化率估算的动态调价倍率、给乘客的补贴、给司机的补贴等信息更准确。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种成交转化率预测方法，其特征在于，包括：

获取样本集，所述样本集为预设历史时段内，至少一个用户使用打车软件进行价格预估的行为信息；

获取所述样本集中每个样本的特征信息和标记信息，所述特征信息包括：基础特征、实时特征、历史特征，所述标记信息用于标记所述用户进行价格预估后是否成功打车；

根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，所述成交转化率预测模型用于预测成交转化率，所述成交转化率表示用户进行价格预估后，订单成交的概率；

获取当前时刻用户使用打车软件进行价格预估的行为信息；

根据当前时刻用户使用打车软件进行价格预估的行为信息，以及所述成交转化率预测模型，预测当前时刻用户的成交转化率。

2.根据权利要求1所述的方法，其特征在于，所述样本集包括训练样本和预测样本，其中，

所述训练样本用于训练所述成交转化率预测模型；

所述预测样本用于预测所述成交转化率预测模型的考核指标。

3.根据权利要求2所述的方法，其特征在于，所述根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，包括：

利用训练样本训练得到成交转化率预测模型；

利用预测样本计算所述成交转化率预测模型的考核指标；

如果所述成交转化率预测模型的考核指标大于预设值，则训练结束；

如果所述成交转化率预测模型的考核指标小于预设值，则对所述成交转化率预测模型进行校正、优化或重新训练。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述当前时刻用户使用打车软件进行价格预估的行为信息，包括如下至少一种：

当前起点、当前终点、当前起始时间、当前预估价格、当前小费、当前用户所在区域内的订单数量、当前用户所在区域内的司机数量、当前天气状况。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述基础特征包括：起点、终点、预估价格、小费；

所述实时特征包括：天气状况、起始时间、用户所在区域内的订单数量、用户所在区域内的司机数量；

所述历史特征包括：用户所在区域内的司机的接单率、用户所在区域内的成单率、用户所在区域内的成交转化率。

6.一种成交转化率预测装置，其特征在于，包括：

获取模块，用于获取样本集，所述样本集为预设历史时段内，至少一个用户使用打车软件进行价格预估的行为信息；获取所述样本集中每个样本的特征信息和标记信息，所述特征信息包括：基础特征、实时特征、历史特征，所述标记信息用于标记所述用户进行价格预估后是否成功打车；

模型建立模块，用于根据所述样本集中每个样本的特征信息和标记信息，建立成交转化率预测模型，所述成交转化率预测模型用于预测成交转化率，所述成交转化率表示用户进行价格预估后，订单成交的概率；

所述获取模块还用于获取当前时刻用户使用打车软件进行价格预估的行为信息；

预测模块，用于根据当前时刻用户使用打车软件进行价格预估的行为信息，以及所述成交转化率预测模型，预测当前时刻用户的成交转化率。

7.根据权利要求6所述的成交转化率预测装置，其特征在于，所述样本集包括训练样本和预测样本，其中，

所述训练样本用于训练所述成交转化率预测模型；

所述预测样本用于预测所述成交转化率预测模型的考核指标。

8.根据权利要求7所述的成交转化率预测装置，其特征在于，所述模型建立模块包括：

训练单元，用于利用训练样本训练得到成交转化率预测模型；

计算单元，用于利用预测样本计算所述成交转化率预测模型的考核指标；

如果所述成交转化率预测模型的考核指标大于预设值，则所述训练单元结束训练；

如果所述成交转化率预测模型的考核指标小于预设值，则所述训练单元还用于对所述成交转化率预测模型进行校正、优化或重新训练。

9.根据权利要求6-8任一项所述的成交转化率预测装置，其特征在于，所述当前时刻用户使用打车软件进行价格预估的行为信息，包括如下至少一种：

当前起点、当前终点、当前起始时间、当前预估价格、当前小费、当前用户所在区域内的订单数量、当前用户所在区域内的司机数量、当前天气状况。

10.根据权利要求6-8任一项所述的成交转化率预测装置，其特征在于，所述基础特征包括：起点、终点、预估价格、小费；

所述实时特征包括：天气状况、起始时间、用户所在区域内的订单数量、用户所在区域内的司机数量；

所述历史特征包括：用户所在区域内的司机的接单率、用户所在区域内的成单率、用户所在区域内的成交转化率。