CN109711950A - 营销产品的推荐方法、装置、存储介质及计算机设备 - Google Patents
营销产品的推荐方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN109711950A CN109711950A CN201910047149.8A CN201910047149A CN109711950A CN 109711950 A CN109711950 A CN 109711950A CN 201910047149 A CN201910047149 A CN 201910047149A CN 109711950 A CN109711950 A CN 109711950A
- Authority
- CN
- China
- Prior art keywords
- consumption
- sub
- node
- data
- marketing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000013210 evaluation model Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 235000015278 beef Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于数据处理技术领域，提供了一种营销产品的推荐方法、装置、存储介质及计算机设备。其中，方法包括：获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点；根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
Description
技术领域
本发明属于数据处理技术领域，尤其涉及一种营销产品的推荐方法、装置、存储介质及计算机设备。
背景技术
随着人们生活水平的提高，信用卡已经深入人们生活消费的方方面面，一般而言，较为年轻的例如刚毕业的大学生或者有一段工作经历的白领是信用卡的主要消费用户，不过仍然存在较大比例的用户是没有开通信用卡的。因此，银行一般会与商家进行合作，给使用信用卡在合作的商家进行消费的用户一定的折扣或者优惠，来进行信用卡的营销，然而由于商家存在的地区差异、用户消费习惯差异以及年龄差异等，难以匹配出有针对性的营销方案。
综上所述，目前使用的营销产品存在推广成功率低的问题。
发明内容
有鉴于此，本发明实施例提供了一种营销产品的推荐方法、装置及计算机设备设备，以解决现有技术中营销产品的推荐方法存在推广成功率低的问题。
本发明实施例的第一方面提供了一种营销产品的推荐方法，包括：
获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；
根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点；
根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；
根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；
根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
本发明实施例的第二方面提供了一种营销产品的推荐装置，包括：
获取模块，用于获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；
划分模块，用于根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点；
分析模块，用于根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；
第一确定模块，用于根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；
第二确定模块，用于根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
本发明实施例的第三方面提供了一种计算机设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；
根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点；
根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；
根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；
根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
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，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；
根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点；
根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；
根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；
根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
本发明实施例通过获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；根据所述地理位置对所述预设区域进行划分，得到多个子区域，所述子区域包括至少一个消费节点；根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品，根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。可见，本发明可以根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值，然后根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品，最后根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品，大大提高了信用卡推广的成功率，解决了现有技术中营销产品的推荐方法存在推广成功率低的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中营销产品的推荐方法的一应用环境示意图；
图2是本发明实施例一提供的营销产品的推荐方法的实现流程示意图；
图3是本发明一实施例提供的营销产品的推荐方法的实现流程示意图；
图4是本发明另一实施例提供的营销产品的推荐方法的实现流程示意图；
图5是本发明实再一施例提供的营销产品的推荐方法的实现流程示意图；
图6是本发明再一实施例提供的营销产品的推荐方法的实现流程示意图；
图7是本发明实施例二提供的营销产品的推荐装置的示意图；
图8是本发明实施例提供的营销产品的推荐装置中划分模块的示意图；
图9是本发明实施例二提供的营销产品的推荐装置中建立模块的示意图；
图10是本发明实施例三提供的计算机设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的营销产品的推荐方法的实现流程示意图。如图1所示，该营销产品的推荐方法具体包括如下：
本申请提供的营销产品的推荐方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。其中，计算机设备/客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种营销产品的推荐方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
101、获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息。
其中，所述消费节点为具体的店铺或者店铺名称；举例来说，营销人员针对的是整个深圳市的消费节点，深圳市包括福田区、南山区、福田区和罗湖区等，例如，具体的店铺可以为汕头八合里海记牛肉店(八卦岭店)，其中八卦岭店在深圳市罗湖区，因此，汕头八合里海记牛肉店(八卦岭店)是一个消费节点。
其中，所述消费数据包括订单消费金额和支付方式。
进一步地，获取预设区域内多个消费节点中每个消费节点的消费数据，包括如下两种方式：
第一种方式，如图3所示，包括以下步骤：
201、获取多个银行在所述预设区域内多个消费节点中每个消费节点的消费数据；
202、根据关键字从所述消费数据中筛选出银行的预设区域内多个消费节点中每个消费节点的消费数据。
本实施例中，预设银行可以是中国建设银行，平安银行或者中国工商银行等银行。
第二种方式，如图4所示，包括以下步骤：
301、获取指定银行的交易数据库；
302、以所述预设区域作为关键字，从所述交易数据库中筛选出所述预设区域内多个消费节点中每个消费节点的消费数据。
其中，本实施例中的预定银行一般为一个银行的名称，例如平安银行、中国建设银行、中国工商银行和上海银行等。举例来说，获取平安银行在全国的交易数据库，预设区域为深圳市，则从平安银行在全国的数据交易库中筛选出深圳市的内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息。举例来说，获取平安银行在深圳市的交易数据库，预设区域为福田区(深圳市)，则从平安银行在深圳市的数据交易库中筛选出福田区内的多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息。可以理解的是，一般每个银行均具有调用自己银行系统里的交易数据的权限，因此本实施例的方法是可行也便捷的。
可以理解的是，上述第一种方式或者第二种方式，相较于将“银行名称”和“区域的地理位置名称”作为筛选的关键字，在海量的不限银行不限区域(地理位置)的消费数据库中进行筛选而言，提高了筛选数据的效率。
102、根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点。
其中，所述子区域包括至少一个消费节点，优选地，所述子区域包括多个消费节点，所述子区域可以是一个广场或者一个街道；例如，XXX万达广场、八卦路美食一条街。可以理解的是，所述万达广场包括多个店铺(消费节点)。如图5所示，划分的划分标准可以根据实际情况进行调整，具体包括：
401、根据所述预设区域内的商圈的人气排名信息确定所述商圈的人气度。
其中，人气排名信息可以是人气排名分数(如，满分为100，人气排名分数为94)，也可以是人气排名指数(如，五颗星为满分，人气排名指数为三颗半星)。
具体地，人气排名信息可通过在一些APP中获取，例如在支付宝口碑里面获取所述预设区域内的商圈的人气排名信息。
402、判断所述人气度是否高于第一预设阈值，若高于第一预设阈值，则将所述商圈按照第一划分标准进行划分。
403、若所述人气度低于第一预设阈值，则判断所述人气度是否高于第二预设阈值，若所述人气度高于第二预设阈值，则将所述商圈按照第二划分标准进行划分。
404、若所述人气度低于第二预设阈值，则将所述商圈按照第三划分标准进行划分，其中，所述第一阈值大于第二阈值，所述第一划分标准的划分精度大于第二划分标准的划分精度，所述第二划分标准的划分精度大于第三划分标准的划分精度。
对于402-404，通过衡量人气度的两个阈值将商圈划分为三个等级，每个等级分别对应一个划分划分标准，以不同的划分精度对商圈进行划分，在提高了划分流程效率的同时，对人气度是否高于第一预设阈值的商圈进行了更为细致的划分，为后续流程提供了更精准的信息，如，具体人员的安排提供了更为准确的指导。
103、根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值。
其中，消费数据包括所述子区域内的消费节点所在的位置、用户的支付方式和消费金额。
针对消费者在消费节点的消费数据进行建模。建立一种面向消费节点上消费数据的数学模型，挖掘出消费者在不同的消费节点上相应支付方式的消费潜力值。
建立模型之前，包括消费节点数据的转换，如图6所示，具体包括：
501、将数据池中的消费者购物清单与店铺地理位置标签，组合成消费节点的数据结构，数据结构如下所示：
<消费节点地理位置标签，<单次购买商品的总金额，支付方式>>。
其中，消费节点地理位置标签用于标识消费者购买商品所在的店铺位置，<单次购买商品的总金额，支付方式>表示每个消费者的购物清单，包括购买商品的总金额以及对应的支付方式。
502、针对每个消费节点地理位置标签，统计该消费节点不同支付方式对应的人均消费金额。
其中，建立面向消费节点上消费数据的数学模型包括以下步骤：
设定模型参数，
定义消费节点数据库D。
D＝{ConShopRecord1，ConShopRecord2，...，ConShopRecordm，ConShopRecordM}，
D为消费节点数据库，ConShopRecordm表示第m个消费节点的消费记录详情，M表示消费节点的个数；
ConShopRecordm＝{<aggregate amount，payment term>1，<aggregate amount，paymentterm>2，...，<aggregate amount，paymentterm>Nm}
其中，<aggregate amount，paymentterm>m表示第m个消费节点的单个订单消费金额及其支付方式，Nm表示第m个消费节点被消费的订单总数量。
503、获取每个消费节点预设时长内的人均消费金额，以及所述预设时长内信用卡支付方式的增长比例。
其中，预设时长可以为一个月或一个季度等，在此不作限定。
通过比例的上升或者下降情况得出趋势。
504、将每个消费节点的信用卡消费潜力值与预设时长内的信用卡人均消费金额，以及信用卡使用比例的增长率的函数关系作为消费潜力函数，基于所述消费潜力函数构建所述消费潜力值分析模型。
104、根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；
105、根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
本发明实施例通过获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；根据所述地理位置对所述预设区域进行划分，得到多个子区域，所述子区域包括至少一个消费节点；根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品，根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。可见，本发明可以根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值，然后根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品，最后根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品，大大提高了营销的针对性，解决了现有技术中营销产品的推荐方法存在推广成功率低的问题。
需要说明的是，在步骤104之前，还包括：采用子区域的消费潜力值和营销产品特征，以及用户特征和营销产品来建立机器学习模型，本实施例中称之为匹配度评估模型，用来对营销产品与用户特征之间的匹配程度进行评估。
其中，用户特征可以是任何能够体现用户个性化特点的信息，可以将某个具体应用场景中反映对营销产品的兴趣和需求的用户个性化信息作为该应用场景中的用户特征，本实施例中不做限定。
作为本发明的一个实施例，可以将用户的背景特征和/或用户的消费行为特征作为用户特征。其中，用户的背景特征根据用户个人信息生成，是基于静态数据刻画的用户固有特性；用户的消费特征根据用户的历史消费行为记录生成，是通过用户互联网行为数据构建的动态特性。用户的背景特征可以基于用户在网络服务提供商的服务端的注册信息、以及用户在其它关联站点留存的静态数据来构建；背景特征可以是：用户的性别、年龄、受教育年限、最高学历、家庭住址和毕业院校等中的一项到多项。用户的消费行为特征可以包括用户在访问网络服务提供商的服务端时对营销产品相关服务的展示、点击浏览、购买等行为，也可以包括用户在访问和使用其他服务提供商时对上述服务的展示、点击浏览、购买等行为；可以采用这些动态的历史消费行为记录来构建出与营销产品相关的行为特征，例如对金融消费类的营销产品(如信用卡，理财产品)，行为特征可以是：购买力、品牌偏好、风险偏好、投资经验、偏好理财类型等中的一项到多项。
产品特征可以是任何体现营销产品特性的信息，可以将某个具体应用场景中可能影响用户的兴趣和需求的营销产品特性，用来作为该应用场景中的产品特征，在此不做限定。例如，可以将营销产品的产品属性和/或营销属性来作为产品特征，其中，产品属性用来描述营销产品本身的产品特点，可以是产品类型、产品好评度、产品销量等中的一项到多项；营销属性用来描述营销产品的营销特点，可以是营销新颖度、折扣程度等中的一项到多项。
需要说明的是，上述匹配度评估模型中的训练样本中的已知点击率可以根据具有该样本中用户特征的用户对具有该样本中产品特征的营销产品做出的行为来确定。在一个例子中，可以根据展示数和点击综合数来确定已知点击率，其中，展示数是在预定时间段内向该用户展示该营销产品的次数；点击综合数用来衡量该用户对该营销产品的综合反应，根据预定时间段内该用户针对该营销产品所进行的行为以及行为的次数确定，用户针对该营销产品所进行的行为可以是主动浏览、收藏、评论、预订和购买等行为中的一项到多项。
进一步地，可以为用户对营销产品所进行的各种行为设置预定的权重，将各种行为次数的加权和作为用户的点击综合数。假设某个应用场景中以用户对营销产品的点击浏览行为(即在向用户展示营销产品后，用户以点击或者以其他方式主动获取营销产品信息的行为)和购买行为来计算点击综合数，则已知点击率可以根据以下方式确定：将预定时间段内用户购买营销产品的次数按预定比例折算为点击数，以预定时间段内用户点击浏览营销产品的次数与折算后的点击数之和作为点击综合数，将点击综合数相对于展示数的比例作为已知点击率。
在匹配度评估模型训练完成后，即可通过模型输出的点击率评估值来衡量某个用户对某个营销产品的兴趣和需求程度，或者说用来预测该用户与该营销产品的匹配程度。然后，计算所述子区域所有用户的对某个营销产品的平均兴趣和平均需求程度，或者说用来预测该子区域的用户与营销产品的匹配程度，从而根据子区域与营销产品的匹配度分别为多个子区域匹配出至少一个营销产品。其中，营销产品可以为包括折扣信息的信用卡，也可以为支付APP,还可以为其他具有产品属性和营销属性的营销产品。可以理解的是为了推广所述营销产品，还可以针对于不同的子区域制定对应的营销方案。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
请参考图7，其示出了本发明实施例二提供的营销产品的推荐装置的示意图。所述营销产品的推荐装置，包括：获取模块61，划分模块66，分析模块63，第一确定模块64和第二确定模块。其中，各模块的具体功能如下：
获取模块61，用于获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；
划分模块62，用于根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点；
分析模块63，用于根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；
第一确定模块64，用于根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；
第二确定模块65，用于根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
可选地，所述划分模块62包括：
确定单元621，用于根据所述预设区域内的商圈的人气排名信息确定所述商圈的人气度；
第一判断单元622，用于判断所述人气度是否高于第一预设阈值，若高于第一预设阈值，则将所述商圈按照第一划分标准进行划分；
第二判断单元623，用于若所述人气度低于第一预设阈值，则判断所述人气度是否高于第二预设阈值，若所述人气度高于第二预设阈值，则将所述商圈按照第二划分标准进行划分；
第三判断单元624，用于若所述人气度低于第二预设阈值，则将所述商圈按照第三划分标准进行划分，其中，所述第一阈值大于第二阈值，所述第一划分标准的划分精度大于第二划分标准的划分精度，所述第二划分标准的划分精度大于第三划分标准的划分精度。
可选地，所述营销产品的推荐装置还包括，建立模块66，用于针对消费者在消费节点的消费数据建立数学模型，所述建立模块65包括：
组合单元651，用于将数据池中的消费者购物清单与店铺地理位置标签，组合成消费节点的数据结构，所述消费者购物清单包括单次购买商品的总金额和支付方式；
统计单元652，用于针对所述数据结构中每个消费节点地理位置标签，统计该消费节点不同支付方式对应的人均消费金额，所述不同支付方式包括信用卡支付方式；
获取单元653，用于获取每个消费节点预设时长内的人均消费金额，以及所述预设时长内信用卡支付方式的增长比例；
函数构建单元654，用于将每个消费节点的信用卡消费潜力值与预设时长内的信用卡人均消费金额，以及信用卡使用比例的增长率的函数关系作为消费潜力函数，基于所述消费潜力函数构建所述消费潜力值分析模型。
可选地，获取模块61包括：
第一获取单元610，用于获取多个银行在所述预设区域内多个消费节点中每个消费节点的消费数据；
第一筛选单元612，用于根据输入的关键字从所述消费数据中筛选出多个银行中一个银行在所述预设区域内多个消费节点中每个消费节点的消费数据。
可选地，获取模块61包括：
第二获取单元611，用于获取指定银行的交易数据库；
第二筛选单元613，用于以所述预设区域作为关键字，从所述交易数据库中筛选出所述预设区域内多个消费节点中每个消费节点的消费数据。
本发明实施例提供的营销产品的推荐装置，通过获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；根据所述地理位置对所述预设区域进行划分，得到多个子区域，所述子区域包括至少一个消费节点；根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品，根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。可见，本发明可以根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值，然后根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品，最后根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品，大大提高了营销的针对性，解决了现有技术中营销产品的推荐方法存在推广成功率低的问题。
实施例三
图8是本发明实施例三提供的一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中营销产品的推荐方法的步骤，例如图2所示的步骤101至步骤105。或者，处理器执行计算机程序时实现上述实施例中营销产品的推荐装置的各模块/单元的功能，例如图7所示模块61至模块65的功能。为避免重复，这里不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中营销产品的推荐方法的步骤，例如图2所示的步骤101至步骤105。或者，计算机程序被处理器执行时实现上述实施例中营销产品的推荐装置的各模块/单元的功能，例如图7所示模块61至模块65的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种营销产品的推荐方法，其特征在于，包括：
获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；
根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个所述子区域包括至少一个消费节点；
根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；
根据所述每个子区域的消费潜力值，为每个子区域匹配对应的多个营销产品；
根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
2.根据权利要求1所述的营销产品的推荐方法，其特征在于，根据所述地理位置对所述预设区域进行划分，得到多个子区域包括：
根据所述预设区域内的商圈的人气排名信息确定所述商圈的人气度；
若所述人气度高于第一预设阈值，则将所述商圈按照第一划分标准进行划分；
若所述人气度低于第一预设阈值，则判断所述人气度是否高于第二预设阈值，若所述人气度高于第二预设阈值，则将所述商圈按照第二划分标准进行划分；
若所述人气度低于第二预设阈值，则将所述商圈按照第三划分标准进行划分，其中，所述第一预设阈值大于所述第二预设阈值，所述第一划分标准的划分精度大于第二划分标准的划分精度，所述第二划分标准的划分精度大于第三划分标准的划分精度。
3.根据权利要求1所述的营销产品的推荐方法，其特征在于，在根据预先训练的模型对所述子区域内的消费数据进行分析之前，还包括：
将数据池中的消费者购物清单与店铺地理位置标签，组合成消费节点的数据结构，所述消费者购物清单包括单次购买商品的总金额和支付方式；
针对所述数据结构中每个消费节点地理位置标签，统计该消费节点不同支付方式对应的人均消费金额，所述不同支付方式包括信用卡支付方式；
获取每个消费节点预设时长内的人均消费金额，以及所述预设时长内信用卡支付方式的增长比例；
将每个消费节点的信用卡消费潜力值与预设时长内的信用卡人均消费金额，以及信用卡使用比例的增长率的函数关系作为消费潜力函数，基于所述消费潜力函数构建所述消费潜力值分析模型。
4.根据权利要求1所述的营销产品的推荐方法，其特征在于，获取预设区域内多个消费节点中每个消费节点的消费数据，包括：
获取多个银行在所述预设区域内多个消费节点中每个消费节点的消费数据；
根据输入的关键字从所述消费数据中筛选出多个银行中一个银行在所述预设区域内多个消费节点中每个消费节点的消费数据。
5.根据权利要求1所述的营销产品的推荐方法，其特征在于，获取预设区域内多个消费节点中每个消费节点的消费数据，包括：
获取指定银行的交易数据库；
以所述预设区域作为关键字，从所述交易数据库中筛选出所述预设区域内多个消费节点中每个消费节点的消费数据。
6.一种营销产品的推荐装置，其特征在于，包括：
获取模块，用于获取预设区域内多个消费节点中每个消费节点的消费数据，所述消费数据包括消费节点的地理位置信息；
划分模块，用于根据所述地理位置信息对所述预设区域进行划分，得到多个子区域，每个子区域包括至少一个消费节点；
分析模块，用于根据预先训练的消费潜力值分析模型对所述子区域内的消费数据进行分析，得到所述每个子区域的消费潜力值；
第一确定模块，用于根据每个子区域的消费潜力值，为每个子区域匹配与所述消费潜力值对应的多个营销产品；
第二确定模块，用于根据所述子区域的用户特征从所述多个营销产品中确定与所述子区域的用户特征匹配的营销产品。
7.根据权利要求6所述的营销产品的推荐装置，其特征在于，所述划分模块包括：
确定单元，用于根据所述预设区域内的商圈的人气排名信息确定所述商圈的人气度；
第一判断单元，用于判断所述人气度是否高于第一预设阈值，若高于第一预设阈值，则将所述商圈按照第一划分标准进行划分；
第二判断单元，用于若所述人气度低于第一预设阈值，则判断所述人气度是否高于第二预设阈值，若所述人气度高于第二预设阈值，则将所述商圈按照第二划分标准进行划分；
第三判断单元，用于若所述人气度低于第二预设阈值，则将所述商圈按照第三划分标准进行划分，其中，所述第一阈值大于第二阈值，所述第一划分标准的划分精度大于第二划分标准的划分精度，所述第二划分标准的划分精度大于第三划分标准的划分精度。
8.根据权利要求6所述的营销产品的推荐装置，其特征在于，所述营销产品的推荐装置还包括，建立模块，用于针对消费者在消费节点的消费数据建立数学模型，所述建立模块包括：
组合单元，用于将数据池中的消费者购物清单与店铺地理位置标签，组合成消费节点的数据结构，所述消费者购物清单包括单次购买商品的总金额和支付方式；
统计单元，用于针对所述数据结构中每个消费节点地理位置标签，统计该消费节点不同支付方式对应的人均消费金额，所述不同支付方式包括信用卡支付方式；
获取单元，用于获取每个消费节点预设时长内的人均消费金额，以及所述预设时长内信用卡支付方式的增长比例；
函数构建单元，用于将每个消费节点的信用卡消费潜力值与预设时长内的信用卡人均消费金额，以及信用卡使用比例的增长率的函数关系作为消费潜力函数，基于所述消费潜力函数构建所述消费潜力值分析模型。
9.一种计算机设备设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047149.8A CN109711950A (zh) | 2019-01-18 | 2019-01-18 | 营销产品的推荐方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047149.8A CN109711950A (zh) | 2019-01-18 | 2019-01-18 | 营销产品的推荐方法、装置、存储介质及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109711950A true CN109711950A (zh) | 2019-05-03 |
Family
ID=66262441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910047149.8A Pending CN109711950A (zh) | 2019-01-18 | 2019-01-18 | 营销产品的推荐方法、装置、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711950A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335078A (zh) * | 2019-07-03 | 2019-10-15 | 中国银行股份有限公司 | 广告推送方法、装置和设备 |
| CN111523765A (zh) * | 2020-03-25 | 2020-08-11 | 平安科技（深圳）有限公司 | 物资需求分析方法、设备、装置及可读存储介质 |
| CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| WO2021169659A1 (zh) * | 2020-02-24 | 2021-09-02 | 中国银联股份有限公司 | 资源信息推送方法、装置、服务器及存储介质 |
| CN113361978A (zh) * | 2021-08-09 | 2021-09-07 | 湖南和信安华区块链科技有限公司 | 一种基于区块链的交易管理系统 |
| CN114092226A (zh) * | 2021-11-19 | 2022-02-25 | 中国银行股份有限公司 | 银行网点外汇产品推荐方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2237109A1 (en) * | 1997-05-07 | 1998-11-07 | Pnc National Bank | Database marketing information and method and system using same |
| CN1826618A (zh) * | 2003-06-10 | 2006-08-30 | 花旗银行,全国协会（N.A.） | 分析市场营销的系统和方法 |
| CN105744005A (zh) * | 2016-04-30 | 2016-07-06 | 平安证券有限责任公司 | 客户定位分析方法及服务器 |
| CN105898420A (zh) * | 2015-01-09 | 2016-08-24 | 阿里巴巴集团控股有限公司 | 一种视频推荐方法、装置以及电子设备 |
| CN107093135A (zh) * | 2017-06-08 | 2017-08-25 | 北京惠赢天下网络技术有限公司 | 一种推荐订单的方法及装置 |
| CN107273544A (zh) * | 2017-07-07 | 2017-10-20 | 广东小天才科技有限公司 | 应用程序推荐方法、应用程序推荐装置及服务器 |
| CN107424039A (zh) * | 2017-05-19 | 2017-12-01 | 苏州商信宝信息科技有限公司 | 一种基于电子支付事件的智能推荐方法及其系统 |
| CN107656938A (zh) * | 2016-07-26 | 2018-02-02 | 北京搜狗科技发展有限公司 | 一种推荐方法和装置、一种用于推荐的装置 |
| CN108242203A (zh) * | 2016-12-23 | 2018-07-03 | 中兴通讯股份有限公司 | 一种区域划分方法及装置 |
| CN109034877A (zh) * | 2018-07-05 | 2018-12-18 | 南京鸿美信息技术有限公司 | 一种信用卡营销活动管理系统 |
| CN109118265A (zh) * | 2018-06-27 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 商圈确定方法、装置和服务器 |
| CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
-
2019
- 2019-01-18 CN CN201910047149.8A patent/CN109711950A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2237109A1 (en) * | 1997-05-07 | 1998-11-07 | Pnc National Bank | Database marketing information and method and system using same |
| CN1826618A (zh) * | 2003-06-10 | 2006-08-30 | 花旗银行,全国协会（N.A.） | 分析市场营销的系统和方法 |
| CN105898420A (zh) * | 2015-01-09 | 2016-08-24 | 阿里巴巴集团控股有限公司 | 一种视频推荐方法、装置以及电子设备 |
| CN105744005A (zh) * | 2016-04-30 | 2016-07-06 | 平安证券有限责任公司 | 客户定位分析方法及服务器 |
| CN107656938A (zh) * | 2016-07-26 | 2018-02-02 | 北京搜狗科技发展有限公司 | 一种推荐方法和装置、一种用于推荐的装置 |
| CN108242203A (zh) * | 2016-12-23 | 2018-07-03 | 中兴通讯股份有限公司 | 一种区域划分方法及装置 |
| CN107424039A (zh) * | 2017-05-19 | 2017-12-01 | 苏州商信宝信息科技有限公司 | 一种基于电子支付事件的智能推荐方法及其系统 |
| CN107093135A (zh) * | 2017-06-08 | 2017-08-25 | 北京惠赢天下网络技术有限公司 | 一种推荐订单的方法及装置 |
| CN107273544A (zh) * | 2017-07-07 | 2017-10-20 | 广东小天才科技有限公司 | 应用程序推荐方法、应用程序推荐装置及服务器 |
| CN109118265A (zh) * | 2018-06-27 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 商圈确定方法、装置和服务器 |
| CN109034877A (zh) * | 2018-07-05 | 2018-12-18 | 南京鸿美信息技术有限公司 | 一种信用卡营销活动管理系统 |
| CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 中国银行业协会银行卡专业委员会: "《中国信用卡产业发展蓝皮书（2010）》", vol. 1, 中国金融出版社, pages: 77 - 78 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335078A (zh) * | 2019-07-03 | 2019-10-15 | 中国银行股份有限公司 | 广告推送方法、装置和设备 |
| WO2021169659A1 (zh) * | 2020-02-24 | 2021-09-02 | 中国银联股份有限公司 | 资源信息推送方法、装置、服务器及存储介质 |
| TWI803823B (zh) * | 2020-02-24 | 2023-06-01 | 大陸商中國銀聯股份有限公司 | 資源資訊推送方法、裝置、伺服器及存儲介質 |
| CN111523765A (zh) * | 2020-03-25 | 2020-08-11 | 平安科技（深圳）有限公司 | 物资需求分析方法、设备、装置及可读存储介质 |
| CN111523765B (zh) * | 2020-03-25 | 2024-03-22 | 平安科技（深圳）有限公司 | 物资需求分析方法、设备、装置及可读存储介质 |
| CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN111985901B (zh) * | 2020-08-24 | 2024-02-02 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN113361978A (zh) * | 2021-08-09 | 2021-09-07 | 湖南和信安华区块链科技有限公司 | 一种基于区块链的交易管理系统 |
| CN114092226A (zh) * | 2021-11-19 | 2022-02-25 | 中国银行股份有限公司 | 银行网点外汇产品推荐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Understanding the intention to use mobile banking by existing online banking customers: an empirical study | |
| Romero | Customer engagement behaviors in hospitality: Customer-based antecedents | |
| CN109711950A (zh) | 营销产品的推荐方法、装置、存储介质及计算机设备 | |
| US20210027357A1 (en) | Systems and methods for credit card selection based on a consumer's personal spending | |
| Islam et al. | Factors that influence customers' buying intention on shopping online | |
| Busemeyer | Education funding and individual preferences for redistribution | |
| US9177326B2 (en) | Method and system for determining overall content values for content elements in a web network and for optimizing internet traffic flow through the web network | |
| Tandon | Predictors of online shopping in India: an empirical investigation | |
| Suárez-Vega et al. | Locating a supermarket using a locally calibrated Huff model | |
| JP5914549B2 (ja) | 情報処理装置および情報分析方法 | |
| CN104077711A (zh) | 用于确定接触在线广告后品牌认知度的变化的方法和系统 | |
| US11068920B2 (en) | Methods, platforms and systems for paying persons for use of their personal intelligence profile data | |
| CN109934614A (zh) | 一种基于消费分析热力图的信用卡推广方法及装置 | |
| Henley et al. | A crowdsourced nickel‐and‐dime approach to analog OBM research: A behavioral economic framework for understanding workforce attrition | |
| Zhao et al. | What are the revenue implications of mobile channel visits? Evidence from the online travel agency industry | |
| Kang | Box-office forecasting in Korea using search trend data: a modified generalized Bass diffusion model | |
| Gong et al. | Geographical and temporal huff model calibration using taxi trajectory data | |
| CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
| Osaysa | Improving the quality of marketing analytics systems | |
| Sun et al. | Online communities and offline sales: considerations on visiting behavior dimensions and online community types | |
| Karvanen et al. | Survey data and Bayesian analysis: a cost-efficient way to estimate customer equity | |
| Hsia et al. | AN EMPIRICAL STUDY OF USERS'CONTINUANCE INTENTION AND WORD OF MOUTH TOWARD SNA (SOCIAL NETWORK APP) | |
| US20130159091A1 (en) | Hosted website access prompted by product | |
| Schlereth | Pricing plans for a financial advisory service | |
| Jayasundara | Prediction of Marketing by the Consumer Analytics |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190503 |