CN109840788B - 用于分析用户行为数据的方法及装置 - Google Patents
用于分析用户行为数据的方法及装置 Download PDFInfo
- Publication number
- CN109840788B CN109840788B CN201711202210.9A CN201711202210A CN109840788B CN 109840788 B CN109840788 B CN 109840788B CN 201711202210 A CN201711202210 A CN 201711202210A CN 109840788 B CN109840788 B CN 109840788B
- Authority
- CN
- China
- Prior art keywords
- user
- stage
- behavior data
- data
- dimension
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种用于分析用户行为数据的方法及装置。涉及计算机信息处理领域,该方法包括:获取用户在第一预定时间周期内的行为数据;根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签;获取所述用户在第二预定时间周期内的行为数据;根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签;根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据。本申请公开的用于分析用户行为数据的方法及装置,能够分析出目标品类下用户所处的购买阶段,并定期监控用户的阶段变化,从而干预用户的购买行为。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种用于分析用户行为数据的方法及装置。
背景技术
目前,互联网电商业务发展迅猛,各大品类都存在着大量的忠实用户群体,但随着规模的扩大,老用户所带来的GMV(Gross Merchandise Volume,成交总额)提升已经达到瓶颈,因此,识别品类新用户的需求越来越重要,对于任何品类来说,吸引的新用户越多,人群定位越准确,所带来的收益也会越大,这是一个长期可持续的运营策略,也是最具挑战性的研究课题。
拉新是指为产品带来新用户,这里“新”是指一段时间内未曾购买过该产品。目前,针对用户拉新的需求,所采用的手段有很多,大多数的方案,是制定一个强业务规则,根据采销和运营的经验,人工筛选出一部分目标人群作为拉新用户。现在的主流做法是,选择一定时间范围内(通常是1到2年)未曾下过订单的用户,对这些用户的行为进行分析,筛选出行为次数较多的用户群体,也可以综合考虑浏览行为、加购行为、关注行为等维度,最终得到一些业务规则,进而实现用户拉新。实践证明,虽然通过强业务规则可以筛选出一定的目标用户,但效果并不理想。通常来说,定义业务规则的难度很大,筛选条件的阈值很难合理的定义,例如多久未下单算“新”、浏览过多少次算“活跃”。同时,筛选出的目标人群波动很大,用户质量参差不齐,很难做到精准干预,经常把大量的优质资源发放给了并没有强烈购买意愿的用户上。
因此,需要一种新的用于分析用户行为数据的方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它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
有鉴于此,本发明提供一种用于分析用户行为数据的方法及装置,能够分析出目标品类下用户所处的购买阶段,并定期监控用户的阶段变化,从而干预用户的购买行为。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种用于分析用户行为数据的方法,该方法包括:获取用户在第一预定时间周期内的行为数据;根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签;获取所述用户在第二预定时间周期内的行为数据;根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签;根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据。
在本公开的一种示例性实施例中,还包括:通过所述用户行为分析数据,为所述用户制定推送信息。
在本公开的一种示例性实施例中,还包括:根据不同产品特点,为不同的产品类别确定不同的阶段类别标签数量。
在本公开的一种示例性实施例中,通过多个维度下的特征参数的数值区分不同的阶段类别标签。
在本公开的一种示例性实施例中,所述阶段类别标签包括:需求显现阶段,品类学习阶段,初期选品阶段,精细选品阶段,预备下单阶段。
在本公开的一种示例性实施例中,所述多个维度包括:浏览维度,搜索维度,加购维度,关注维度,下单维度,用户属性维度,附加条件维度。
在本公开的一种示例性实施例中,所述为不同的产品类别确定不同的阶段类别标签数量,包括:汇总用户历史浏览与搜索数据的数值;舍弃所述数值的N-1位,生成第一数据;取所述第一数据的众数;以及将所述众数的最小值作为需求显现阶段的限值。
在本公开的一种示例性实施例中,所述为不同的产品类别确定不同的阶段类别标签数量,包括:获取用户历史浏览商品属性与商品评价次数的数值;取所述数值的四分位数作为所述品类学习阶段的限值。
在本公开的一种示例性实施例中,所述为不同的产品类别确定不同的阶段类别标签数量,包括:获取用户由购物车到商品页面的次数;判断用户由购物车到商品页面的次数是否大于用户历史中浏览商品的次数;如果判断为是,则将此次数作为预备下单阶段的限值。
在本公开的一种示例性实施例中,所述为不同的产品类别确定不同的阶段类别标签数量,包括:获取用户删改购物车行为大于预定阈值的用户集合;将所述用户集合中的购物车删改行为按照时序取变化曲线的极小值作为初期选品阶段与精细选品阶段的限值。
根据本发明的一方面,提出一种用于分析用户行为数据的装置,该装置包括:第一数据模块,用于获取用户在第一预定时间周期内的行为数据;第一标签模块,用于根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签;第二数据模块,用于获取所述用户在第二预定时间周期内的行为数据;第二标签模块,用于根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签;分析模块,用于根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据。
在本公开的一种示例性实施例中,还包括:推送消息模块,用于通过所述用户行为分析数据,为所述用户制定推送信息。
根据本发明的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本发明的用于分析用户行为数据的方法及装置,能够分析出目标品类下用户所处的购买阶段,并定期监控用户的阶段变化,从而干预用户的购买行为。
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的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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。
图1是根据一示例性实施例示出的一种用于分析用户行为数据的方法的系统框图。
图2是根据一示例性实施例示出的一种用于分析用户行为数据的方法的流程图。
图3是根据一示例性实施例示出的一种用于分析用户行为数据的装置的框图。
图4是根据另一示例性实施例示出的一种用于分析用户行为数据的装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
具体实施例
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。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
图1是根据一示例性实施例示出的一种用于分析用户行为数据的方法的系统框图。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台数据分析服务器。后台数据分析服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的分析用户行为数据的方法一般由服务器105执行,相应地,网页生成装置以及消息推送装置一般设置于客户端101中。
在本发明实施例中分阶段划分用户,将用户购买商品的过程抽象为多个购买阶段,所述阶段类别标签包括:潜需求阶段,需求显现阶段,品类学习阶段,初期选品阶段,精细选品阶段,预备下单阶段。
潜需求阶段,可例如为从未对该品类产生过任何浏览行为,没有直接的历史数据做参考,通常只能根据一些关联数据、经验知识加以识别:
1.通过人群的购买力、购买倾向等维度,提前判断需求,例如对高端用户推荐奢侈品,有很大概率会引起目标人群的兴趣。
2.处于特殊购物场景中,能够提前判断需求,包括家装场景、结婚场景、怀孕场景、育儿场景等,这些场景天然具备阶段性划分,例如怀孕的用户,一段时间后推荐婴儿用品,成功率很高。
需求显现阶段,可例如在此阶段中,用户开始有了浏览行为,并伴随着少量的搜索关键词的行为,该阶段的特点是交互数据量非常少,带有随机性,分布稀疏。
品类学习阶段,可例如在此阶段中,用户浏览商详页,查看规格参数,阅读商品评价,但没有加购或者关注等强意愿的行为。
初期选品阶段,可例如在此阶段中,用户开始出现加购和关注行为,同一品类中会加购或关注多种商品;重复浏览的行为较多,浏览时长较长。
精细选品阶段,可例如在此阶段中,浏览来源主要来自购物车和关注列表,商品浏览集中度很高,浏览商品的个数减少,主要集中在特定几个商品中,购物车的删改行为比较频繁。
预备下单阶段,可例如在此阶段中,购物车中仅仅剩下了很少的商品(通常只剩一件),并且有反复从购物车进入商详页的行为。
以上几个阶段是一个通用的泛化划分,对于实际的品类,可能存在某个或某些阶段缺失的情况。
图2是根据一示例性实施例示出的一种用于分析用户行为数据的方法的流程图。
如图2所示,在S202中,获取用户在第一预定时间周期内的行为数据。可例如,获取用户在某天的行为数据,用户的行为数据包括多个维度的行为数据,可例如包括:浏览维度,搜索维度,加购维度,关注维度,下单维度,用户属性维度,附加条件维度。
在S204中,根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签。在本实施例中,所述阶段类别标签包括:需求显现阶段,品类学习阶段,初期选品阶段,精细选品阶段,预备下单阶段。
在S206中,获取所述用户在第二预定时间周期内的行为数据。可例如,获取用户在上文所述时间的第二天的行为数据。
在S208中,根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签。
在S210中,根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据。可例如每天计算出满足条件的用户人群,考虑到用户购买商品的阶段性属性,具有时序性变化,需要持续跟踪用户的阶段变化,每天计算出用户所处的阶段以及变化的趋向,即阶段前进和阶段后退。
根据本发明的用于分析用户行为数据的方法,通过将用户的行为划分为不同的阶段类别,并根据用户在所述不同阶段类之间的状态变化,进而分析用户购物意愿的方式,能够分析出目标品类下用户所处的购买阶段,并定期监控用户的阶段变化,从而干预用户的购买行为。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
在本公开的一种示例性实施例中,还包括:根据不同产品特点,为不同的产品类别确定不同的阶段类别标签数量。可例如,通过多个维度下的特征参数的数值区分不同的阶段类别标签。
可例如,对于潜需求阶段,不同的品类通常具有不同的筛选策略,有的品类可能没有这个阶段,因此,该阶段需要根据业务规则,独立构建筛选模型。由于各个场景的规则过多,本申请中不一一赘述。
本申请的实施例主要介绍如何划分需求显现、品类学习、初期选品、精细选品、预备下单这5个阶段。
首先,定义“浏览”、“搜索”、“加购”、“关注”、“下单”、“用户属性”、“附加条件”等7个主要的特征维度。针对这7个维度,为各阶段划分条件列表,条件不限记做∞,取值范围统一采用左开右闭区间,区间值表示为Nxy的形式,其中x表示目标维度,取维度首字母缩写,即x∈{v,s,c,f,o},y表示阶段序号,即y∈{1,2,3,4,5},具体表格定义如下所示:
上表中,用户属性包括有效用户和优质用户,可例如定义如下:
1.有效用户:去除企业账号、内采、风控用户;
2.优质用户:品类平均复购周期内有下单行为(全品类行为)的用户。
显然,上述条件列表中,每个阶段的条件都是互斥的,即保证各个阶段的用户不会重复。此外,需要说明的是,所有条件加起来并不能完全覆盖用户全集,这5个阶段只是品类用户集合的真子集。复购,指消费者对产品的重复购买次数,重复购买率越多,则反应出消费者对品牌的忠诚度就越高,反之则越低。
接下来的实施例介绍如何计算条件范围的取值:
(1)Nv1和Ns1,这两个值是需求显现阶段的上限,首先根据经验数据得到超参数区间(2,10],这个区间可以过滤掉由于误操作导致的异常浏览,同时不会对品类学习阶段产生过大的影响。分别计算出超参数取3到10时的浏览用户数分布,舍弃N-1位精度,然后取众数,并从中挑选出最小值作为Nv1和Ns1。举个例子,下表是超参数的分布数据:
3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
浏览用户数 | 4568 | 8968 | 4554 | 7896 | 4453 | 9445 | 7897 | 2135 |
舍弃N-1位 | 4000 | 8000 | 4000 | 7000 | 4000 | 9000 | 7000 | 2000 |
由上表可以看出,舍弃N-1位精度后,4000出现了3次,取最小值3作为取值上限。
(2)Nv2,品类学习阶段用户的特点是多次查询规格参数和商品评价,计算出用户浏览商品属性区域和商品评价区域的次数,取四分位数作为Nv2,此外,还需要一个附加条件,即查看的商品(SPU)去重个数,要大于一个阈值,可例如取3即可。四分位数,是指在统计学中把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值。
(3)Nv5和Ns5,这两个值是预备下单阶段的上限,需要通过一个附加条件进行区分,即从购物车进入商详页的次数,如果这个次数大于用户历史浏览某个商品的平均次数的2倍以上,则把这个数值作为取值上限。
(4)Nc4和Nf4,这两个值是初期选品阶段与精细选品阶段的分界线,取值原则是尽量向精细选品的方向靠近,需要计算出购物车删改次数大于阈值(通常取3)用户集合,并按照时序取变化曲线的极小值。可例如,某用户在挑选手机时,将第一品牌、第二品牌、第三品牌、第四品牌都加入了购物车,在某段时间内,他频繁的将各种型号的商品加入或移除,最终稳定在第三品牌和第五品牌两款商品中,那么在本实施例中,限值可例如为2。
通过上述的限值计算方式,可以每天计算出满足条件的用户人群,考虑到用户购买商品的阶段性属性,具有时序性变化,需要持续跟踪用户的阶段变化,每天计算出用户所处的阶段以及变化的趋向,即阶段前进和阶段后退。
在本公开的一种示例性实施例中,还包括:通过所述用户行为分析数据,为所述用户制定推送信息。例如,用户在9月1日处于品类学习阶段,9月2日到4日处于初期选品,9月5日处于精细选品阶段,9月6日流失了。这说明在精细选品时,用户没有找到心仪的商品,或由于价格或库存等因素导致不想在该购物网站下单,此时需要对用户做出相应的干预,实现新用户转化。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图3是根据一示例性实施例示出的一种用于分析用户行为数据的装置的框图。在用于分析用户行为数据的装置30中,包括如下模块:第一数据模块302,第一标签模块304,第二数据模块306,第二标签模块308,分析模块310。
其中,第一数据模块302用于获取用户在第一预定时间周期内的行为数据。可例如,获取用户在某天的行为数据,用户的行为数据包括多个维度的行为数据,可例如包括:浏览维度,搜索维度,加购维度,关注维度,下单维度,用户属性维度,附加条件维度。
第一标签模块304用于根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签。在本实施例中,所述阶段类别标签包括:需求显现阶段,品类学习阶段,初期选品阶段,精细选品阶段,预备下单阶段。
第二数据模块306用于获取所述用户在第二预定时间周期内的行为数据。可例如,获取用户在上文所述时间的第二天的行为数据。
第二标签模块308用于根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签。
分析模块310用于根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据。可例如每天计算出满足条件的用户人群,考虑到用户购买商品的阶段性属性,具有时序性变化,需要持续跟踪用户的阶段变化,每天计算出用户所处的阶段以及变化的趋向,即阶段前进和阶段后退。
在本公开的一种示例性实施例中,还包括:推送消息模块(图中未示出),用于通过所述用户行为分析数据,为所述用户制定推送信息。例如,用户在9月1日处于品类学习阶段,9月2日到4日处于初期选品,9月5日处于精细选品阶段,9月6日流失了。这说明在精细选品时,用户没有找到心仪的商品,或由于价格或库存等因素导致不想在该购物网站下单,此时需要对用户做出相应的干预,实现新用户转化。
图4是根据另一示例性实施例示出的一种用于分析用户行为数据的装置的框图。用于分析用户行为数据的装置40可例如包括:数据源402,阶段划分模块404,人群选择模块406,分组触达模块408,任务调度器410,阶段变化跟踪器412,
数据源402来自京东数据集市,以HDFS方式存储,通过HiveSQL进行T+1的特征提取。
阶段划分模块404是基于上述定义的算法,确定不同品类的阶段边界参数,并将参数固化到系统中。
人群选择模块406是利用固化好的阶段参数,筛选出各个阶段的目标人群,并在阶段变化跟踪器412中为每个人建立一条阶段变化数据,当某个人连续一周没有出现在任何购买阶段时,自动将其剔除,并转移到潜在用户列表中,方便对其流失的原因进行分析,或者通过其他手段进行干预。
分组触达模块408是为各个阶段配置触达方式,最大限度的节约拉新成本,多种触达渠道(例如短信、APP Push、优惠券、促销活动等)都可以通过接口方式方便的嵌入到触达模块414中。例如,需求显现阶段只通过APP Push推送消息,初期选品时给用户发短信,精细选品时发优惠券,预备下单阶段可以使用最大力度的促销活动促使新用户下单。此外,还可以根据阶段变化定制触达方式,例如用户从精细选品阶段退回到了初期选品阶段,此时系统会发送一篇关于该品类的专业攻略,方便用户充分了解该品类,避免用户流失。
整个系统40通过任务调度器412管理不同品类不同阶段的调度任务,各个品类是相互独立计算的,各个阶段是按顺序执行的,在任务调度器的管理下,每天进行全量计算,保证每天的用户拉新任务准确高效的执行。
图5是根据一示例性实施例示出的一种电子设备的框图。
下面参照图5来描述根据本发明的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例,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5所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
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,根据本公开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、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
所述计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。可读存储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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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设备执行时,使得该计算机可读介质实现如下功能:获取用户在第一预定时间周期内的行为数据;根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签;获取所述用户在第二预定时间周期内的行为数据;根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签;根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例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、移动终端、或者网络设备等)执行根据本发明实施例的方法。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (12)
1.一种用于分析用户行为数据的方法,其特征在于,包括:
获取用户在第一预定时间周期内的行为数据,所述行为数据包括:浏览维度行为数据,搜索维度行为数据,加购维度行为数据,关注维度行为数据,下单维度行为数据,用户属性维度行为数据,附加条件维度行为数据;
根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签;
获取所述用户在第二预定时间周期内的行为数据;
根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签;
根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据;所述用户的行为分析数据包括所述用户所处的阶段以及阶段变化的趋向;
通过所述用户的行为分析数据,为所述用户制定推送信息。
2.如权利要求1所述的方法,其特征在于,还包括:
根据不同产品特点,为不同的产品类别确定不同的阶段类别标签数量。
3.如权利要求2所述的方法,其特征在于,通过多个维度下的特征参数的数值区分不同的阶段类别标签。
4.如权利要求3所述的方法,其特征在于,所述阶段类别标签包括:
需求显现阶段,品类学习阶段,初期选品阶段,精细选品阶段,预备下单阶段。
5.如权利要求3所述的方法,其特征在于,所述多个维度包括:
浏览维度,搜索维度,加购维度,关注维度,下单维度,用户属性维度,附加条件维度。
6.如权利要求4所述的方法,其特征在于,所述为不同的产品类别确定不同的阶段类别标签数量,包括:
汇总用户历史浏览与搜索数据的数值;
舍弃所述数值的N-1位,生成第一数据;
取所述第一数据的众数;以及
将所述众数的最小值作为需求显现阶段的限值。
7.如权利要求4所述的方法,其特征在于,所述为不同的产品类别确定不同的阶段类别标签数量,包括:
获取用户历史浏览商品属性与商品评价次数的数值;
取所述数值的四分位数作为所述品类学习阶段的限值。
8.如权利要求4所述的方法,其特征在于,所述为不同的产品类别确定不同的阶段类别标签数量,包括:
获取用户由购物车到商品页面的次数;
判断用户由购物车到商品页面的次数是否大于用户历史中浏览商品的次数;
如果判断为是,则将此次数作为预备下单阶段的限值。
9.如权利要求4所述的方法,其特征在于,所述为不同的产品类别确定不同的阶段类别标签数量,包括:
获取用户删改购物车行为大于预定阈值的用户集合;
将所述用户集合中的购物车删改行为按照时序取变化曲线的极小值作为初期选品阶段与精细选品阶段的限值。
10.一种用于分析用户行为数据的装置,其特征在于,包括:
第一数据模块,用于获取用户在第一预定时间周期内的行为数据,所述行为数据包括:浏览维度行为数据,搜索维度行为数据,加购维度行为数据,关注维度行为数据,下单维度行为数据,用户属性维度行为数据,附加条件维度行为数据;
第一标签模块,用于根据所述第一预定时间周期内的行为数据,为所述用户指定多个类别标签中的一个作为所述用户的第一阶段类别标签;
第二数据模块,用于获取所述用户在第二预定时间周期内的行为数据;
第二标签模块,用于根据所述第二预定时间周期内的行为数据,为所述用户指定所述多个类别标签中的一个作为所述用户的第二阶段类别标签;
分析模块,用于根据所述第一阶段类别标签与所述第二阶段类别标签,生成所述用户的行为分析数据;所述用户的行为分析数据包括所述用户所处的阶段以及阶段变化的趋向;
推送消 息模块,用于通过所述用户的行为分析数据,为所述用户制定推送信息。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202210.9A CN109840788B (zh) | 2017-11-27 | 2017-11-27 | 用于分析用户行为数据的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202210.9A CN109840788B (zh) | 2017-11-27 | 2017-11-27 | 用于分析用户行为数据的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840788A CN109840788A (zh) | 2019-06-04 |
CN109840788B true CN109840788B (zh) | 2021-11-02 |
Family
ID=66879937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711202210.9A Active CN109840788B (zh) | 2017-11-27 | 2017-11-27 | 用于分析用户行为数据的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840788B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458641B (zh) * | 2019-06-28 | 2022-02-25 | 苏宁云计算有限公司 | 一种电商推荐方法及系统 |
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 |
CN113806656B (zh) * | 2020-06-17 | 2024-04-26 | 华为技术有限公司 | 确定用户的特征的方法、设备及计算机可读介质 |
CN113379511A (zh) * | 2021-07-02 | 2021-09-10 | 北京沃东天骏信息技术有限公司 | 用于输出信息的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574140A (zh) * | 2014-12-22 | 2015-04-29 | 北京京东尚科信息技术有限公司 | 一种输出促销信息的方法和装置 |
CN104765752A (zh) * | 2014-01-07 | 2015-07-08 | 三星电子(中国)研发中心 | 基于用户模型演进的推荐装置和方法 |
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 |
CN107230103A (zh) * | 2017-05-22 | 2017-10-03 | 江苏德胜智业信息技术有限公司 | 一种精准营销系统 |
CN107273454A (zh) * | 2017-05-31 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 用户数据分类方法、装置、服务器和计算机可读存储介质 |
-
2017
- 2017-11-27 CN CN201711202210.9A patent/CN109840788B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765752A (zh) * | 2014-01-07 | 2015-07-08 | 三星电子(中国)研发中心 | 基于用户模型演进的推荐装置和方法 |
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 |
CN104574140A (zh) * | 2014-12-22 | 2015-04-29 | 北京京东尚科信息技术有限公司 | 一种输出促销信息的方法和装置 |
CN107230103A (zh) * | 2017-05-22 | 2017-10-03 | 江苏德胜智业信息技术有限公司 | 一种精准营销系统 |
CN107273454A (zh) * | 2017-05-31 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 用户数据分类方法、装置、服务器和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109840788A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729937B (zh) | 用于确定用户兴趣标签的方法及装置 | |
CN109840788B (zh) | 用于分析用户行为数据的方法及装置 | |
US10853847B2 (en) | Methods and systems for near real-time lookalike audience expansion in ads targeting | |
JP7455252B2 (ja) | セグメンテーション・アズ・ア・サービスのための方法及びシステム | |
CN110363604B (zh) | 页面生成方法和装置 | |
CN111095330B (zh) | 用于预测在线用户交互的机器学习方法和系统 | |
CN110135878B (zh) | 用于确定销售价格的方法及装置 | |
WO2022197669A1 (en) | End-to-end machine learning pipelines for data integration and analytics | |
US20160196579A1 (en) | Dynamic deep links based on user activity of a particular user | |
JP2018128805A (ja) | 生成装置、生成方法及び生成プログラム | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
US20230099386A1 (en) | System of recommending item, method of recommending item, computer system, and medium | |
CN113360816A (zh) | 点击率预测的方法和装置 | |
CN110838019A (zh) | 确定试用品发放人群的方法和装置 | |
CN110956478A (zh) | 确定物品进货量的方法和装置 | |
CN110766431A (zh) | 判断用户对优惠券是否敏感的方法和装置 | |
CN110858335A (zh) | 一种计算促销弹性的方法和装置 | |
WO2021159871A1 (zh) | 用于输出信息的方法和装置 | |
CN113378043A (zh) | 用户筛选的方法和装置 | |
CN111241382A (zh) | 数据处理方法及装置、存储介质、电子设备 | |
CN111506643A (zh) | 用于生成信息的方法、装置和系统 | |
CN110956514A (zh) | 一种生成订单信息的方法和装置 | |
CN110109901B (zh) | 筛选目标对象的方法和装置 | |
Dhal et al. | Shrinking The Uncertainty In Online Sales Prediction With Time Series Analysis. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |