CN109934605A - 基于大数据的转化率提升的方法、装置、介质及电子设备 - Google Patents

Abstract

本发明实施例提供一种基于大数据的转化率提升的方法、装置、介质及电子设备，该方法包括：获取指定时间段内的针对预设品类的用户行为数据；根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；针对所述意向用户推送针对所述预设品类的推送消息，能够满足用户的个性化需求，实现基于大数据针对性的提升各种品类的转化率。

Description

基于大数据的转化率提升的方法、装置、介质及电子设备

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种基于大数据的转化率提升的方法、装置、介质及电子设备。

背景技术

在互联网电商行业，提升销量是各大电商门户的终极目标。根据电商行业的基础公式“销量＝流量*转化率*客单价”来看，流量是销量提升的基础，转化率是销量提升的关键。随着互联网的发展，互联网人口红利已经所剩无几，对于各大电商门户而言，缺的不是流量，而是流量的转化率。转换一般指访问者在某种营销方式的引导下，进行某项对网站有利的动作行为，转换率是指访问者当中，有多少比例的人数进行了某项对网站有利动作行为。

传统的提升转化率的手段有很多，如，网页布局、商品展示、客服服务、物流配送，打造爆款，促销活动等等运营手段，提升用户对网站的粘性和购物体验，从而达到提升转化率的目的。本发明实施例提出一种具体的提升转换率的方式：

首先，通过大量基础数据统计来定位转化率低的环节。

从用户踏入网站开始到用户购买结束，统计整个生命周期中各个阶段的行为数据，来定位转化率低的阶段。

其次，分析该阶段转化率低的原因。如可能是网页粘性不够，或者是商品不够吸引人，或者是客服服务不好等。

最后，由研发和运营人员配合采取措施。

在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：

随着大数据时代的到来，现有技术中的宏观调控决策已经不能满足电商业务发展需要了。现有技术是基于历史数据分析的宏观调控决策，不考虑品类特性，不考虑用户个性化需求，无针对性，不能满足电商业务发展需要。

因此，需要一种新的基于大数据的转化率提升的方法、装置、介质及电子设备。

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，本发明提供一种基于大数据的转化率提升的方法、装置、介质及电子设备，实现基于大数据针对性的提升各种品类的转化率。

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。

根据本发明的第一方面，提供一种基于大数据的转化率提升的方法，其中，所述方法包括：

获取指定时间段内的针对预设品类的用户行为数据；

根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；

针对所述意向用户推送针对所述预设品类的推送消息，以提高所述预设品类的转化率。

根据一些实施例，所述方法包括：构建针对所述预设品类的预测模型；

所述构建针对所述预设品类的预测模型，包括：从大数据平台中获取针对所述预设品类的用户基础行为数据；从多个维度将所述用户基础行为数据衍生成模型特征数据；根据所述模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型。

根据一些实施例，从大数据样本中获取针对所述预设品类的用户基础行为数据，包括：从大数据平台中清洗出针对所述预设品类的用户行为数据；对所述用户行为数据进行基础加工，获取所述预设品类的用户基础行为数据。

根据一些实施例，根据模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型，包括：根据样本的实际结果，从模型特征数据中确定正样本与负样本；将所述正样本与所述负样本融合后，划分出至少一组训练样本；对每组训练样本采用GBDT模型建模，以获取到针对所述预设品类的至少一个预测模型。

根据一些实施例，根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户，包括：对所述用户行为数据进行基础加工，获取所述预设品类的用户基础行为数据；从多个维度将用户基础行为数据衍生成模型特征数据；将所述模型特征数据输入至所述预测模型，获取到针对所述预设品类的意向用户。

根据一些实施例，当获取到针对所述预设品类的多个预测模型时，所述获取到针对所述预设品类的意向用户，包括：获取所述多个预测模型针对所述预设品类的多个预测结果；将所述多个预测结果中的相同意向用户的数目达到阈值的意向用户，作为所述预设品类的意向用户。

根据一些实施例，获取到针对所述预设品类的意向用户之后，所述方法包括：获取所述意向用户针对所述预设品类中的各SKU的用户行为数据；根据所述用户行为数据以及构建的针对所述各SKU的预测模型，获取到所述意向用户的意向SKU；针对所述意向用户推送针对所述意向SKU的推送消息，以提高所述意向SKU的转化率。

根据一些实施例，所述方法还包括：构建针对SKU的预测模型；

所述构建针对SKU的预测模型，包括：从大数据平台中获取针对所述SKU的用户基础行为数据；通过比较针对所述SKU的用户基础行为数据、所述SKU所属的品牌的用户行为数据、所述SKU所属的品类的用户行为数据，获取所述用户行为数据衍生出的模型特征数据；根据所述模型特征数据以及样本的实际结果构建至少一个针对所述SKU的预测模型。

根据一些实施例，获取到针对所述预设品类的意向用户后，所述方法还包括：将所述意向用户分为两组；对其中一组所述意向用户推送针对所述预设品类的推送消息；比较两组所述意向用户针对所述预设品类的成交总额GMV，对所述预设品类的转化率的效果评估。

根据本发明的第二方面，提供一种基于大数据的转化率提升的装置，其中，所述装置包括：

第一获取模块，用于获取指定时间段内的针对预设品类的用户行为数据；

第二获取模块，用于根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；

第一推送模块，用于针对所述意向用户推送针对所述预设品类的推送消息，以提高所述预设品类的转化率。

根据一些实施例，所述装置包括：构建模块，用于构建针对所述预设品类的预测模型；

所述构建模块，包括：

获取单元，用于从大数据平台中获取针对所述预设品类的用户基础行为数据；

衍生单元，用于从多个维度将所述用户基础行为数据衍生成模型特征数据；

构建单元，用于根据所述模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型。

根据一些实施例，所述装置还包括：第三获取模块，用于获取所述意向用户针对所述预设品类中的各SKU的用户行为数据；

第四获取模块，用于根据所述用户行为数据以及构建的针对所述各SKU的预测模型，获取到所述意向用户的意向SKU；

第二推送模块，用于针对所述意向用户推送针对所述意向SKU的推送消息，以提高所述意向SKU的转化率。

根据本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面所述的方法步骤。

根据本发明的第四方面，提供一种电子设备，其中，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时，使得所述一个或多个处理器实现如第一方面所述的方法步骤。

本发明实施例中，通过获取指定时间段内的针对预设品类的用户行为数据；根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；针对所述意向用户推送针对所述预设品类的推送消息，能够满足用户的个性化需求，从大数据平台的海量日志中提取用户行为特征，预测具有品类购买意向的用户，为促销活动圈定用户群，针对用户进行个性化营销，从而节约促销成本，实现基于大数据针对性的提升各种品类的转化率。

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。

图1是根据一示例性实施例示出的基于大数据的转化率提升的方法的流程图；

图2是根据一示例性实施例示出的构建针对预设品类的预测模型的方法的流程图；

图3为本发明实施例提供的一种趋势图；

图4是根据一示例性实施例示出的获取意向用户的意向SKU的方法的流程图；

图5是根据一示例性实施例示出的构建针对SKU的预测模型的方法的流程图；

图6为本发明实施提出的一种SKU的趋势图；

图7为本发明实施提出的一种品牌行为趋势图；

图8为本发明实施例提供的一种对笔记本电脑品类的转化率的效果评估的流程图；

图9是根据本发明实施例示出的一种基于大数据的转化率提升的装置的结构图；

图10是根据一示例性实施例示出的一种电子设备的结构示意图。

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。

应该理解，虽然本发明实施例中采用第一/第二等术语来描述获取模块、推送模块，但这些术语仅用于将获取模块以及推送模块彼此区分开，并不会限制获取模块以及推送模块。

图1是根据一示例性实施例示出的基于大数据的转化率提升的方法的流程图。

如图1所示，在S110中，获取指定时间段内的针对预设品类的用户行为数据。

根据示例实施例，用户行为数据包括：用户浏览、点击、搜索、加购、关注、评价等行为产生的日志数据。

需要说明的是，用户行为数据的来源可以包括但不限于：计算机端和移动终端的用户行为数据，而且考虑到绝大多数浏览日志是用户在未登陆的情况下产生的，因此，不仅需要获取基于登陆账号所产生的用户行为数据，还要基于终端设备与浏览器的绑定关系，获取到未登陆用户所产生的用户行为数据。例如，可以通过处理用户在2个月内的登录情况得到该用户的终端设备与浏览器标识的对应关系，为获取指定时间段内的针对预设品类的全部用户行为数据提供基础。

在S120中，根据上述用户行为数据以及构建的针对该预设品类的预测模型，获取到针对该预设品类的意向用户。

需要说明的是，本发明实施例中预先构建针对该预设品类的预测模型，详细说明参见下面关于构建针对预设品类的预测模型的实施例。

根据示例实施例，从大数据平台中清洗出针对该预设品类的用户行为数据，在获取到用户行为数据后，对用户行为数据进行基础加工，获取所述预设品类的用户基础行为数据，并从多个维度将用户基础行为数据衍生成模型特征数据，将所述模型特征数据输入至预测模型，获取到针对所述预设品类的意向用户。

需要说明的是，对用户行为数据进行基础加工，例如，可以对指定时间段内所有的用户行为数据，按照用户进行划分，对每个用户的用户行为数据，按天数进行统计，分别统计出每个用户对预设品类的页面浏览量PV、页面停留时长、加购次数、关注次数、联系客服次数、从购物车进入次数、点击评价页测试以及点击图文详情页次数等用户基础行为数据。

根据示例实施例，本发明实施例中的维度可以包括但不限于浏览、搜索、时间、趋势四个维度。

从多个维度将用户基础行为数据衍生成模型特征数据，例如，可以分别从每个维度，将用户基础行为数据进一步衍生成PC端以及移动终端等模型特征数据。

在将用户基础行为数据衍生成模型特征数据后，将模型特征数据输入至针对该预设品类的预测模型，获取到针对所述预设品类的意向用户。

在S130中，针对该意向用户推送针对该预设品类的推送消息，以提高该预设品类的转化率。

根据示例实施例，在获取到针对该预设品类的意向用户后，可以向该意向用户推送针对该预设品类的促销等推送消息，例如，通过短信推送的方式向意向用户推送消息，以提升意向用户对该预设品类的SKU的购买概率，提高该预设品类的转化率。

本发明实施例中，通过获取指定时间段内的针对预设品类的用户行为数据；根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；针对所述意向用户推送针对所述预设品类的推送消息，能够满足用户的个性化需求，从大数据平台的海量日志中提取用户行为特征，预测具有品类购买意向的用户，为促销活动圈定用户群，针对用户进行个性化营销，从而节约促销成本，实现基于大数据针对性的提升各种品类的转化率。

下面结合具体的实施例，对构建针对预设品类的预测模型进行详细的说明。

图2是根据一示例性实施例示出的构建针对预设品类的预测模型的方法的流程图。

如图2所示，在S210中，从大数据平台中获取针对预设品类的用户基础行为数据。

根据示例实施例，可以首先从大数据平台的历史数据或者样本数据中清洗出针对该预设品类的用户行为数据，并对该用户行为数据进行基础加工，获取该预设品类的用户基础行为数据。

例如，以预设品类为笔记本电脑为例，首先可以从大数据平台中获取PC端和APP端的用户浏览和点击日志数据，按天清洗出用户PC端和APP端针笔记本电脑的商详页浏览日志，用户PC端列表页浏览日志，用户PC端笔记本电脑搜索行为日志，用户APP端笔记本电脑搜索行为日志，用户PC端和APP端的对笔记本电脑品类中的某一SKU加购行为数据，用户对对笔记本电脑品类中的某一SKU的关注行为数据，用户对笔记本电脑品类中的某一SKU的评价行为数据。在清洗出针对该笔记本电脑品类的用户行为数据后，对该用户行为数据基础加工，分别统计出任意一天针对该笔记本电脑品类的页面浏览量PV、页面停留时长、加购次数、关注次数、联系客服次数、从购物车进入次数、点击评价页测试以及点击图文详情页次数等用户基础行为数据。

在S220中，从多个维度将用户基础行为数据衍生成模型特征数据。

根据示例实施例，可以从浏览，搜索，时间，趋势四个维度衍生模型特征数据，例如，在从浏览维度衍生模型特征数据时，可以从广度和深度上来描述用户对该品类的浏览行为，涵盖从品牌、价格段等方面统计的浏览、点击、加购、关注、联系客户、从购物车进入、评价等多模型特征数据。在从搜索维度衍生模型特征数据时，可以从PC列表、PC搜索、移动终端搜索三方面获取搜索明细行为，分别得到这三种途径搜索的品牌和价格段个数，平均有效搜索的PV，引入的商详页PV和时长等模型特征数据，从用户搜索的广度和深度上来描述用户的搜索行为。在从时间维度上衍生模型特征数据时，可以获取各类行为的首席和末次时间距离，描述用户对该品类行为的时间跨度。比如，首次末次的浏览商详距离购买日期的提案书，首次和末次加购距离购买日期的天数，首次和末次从购物车进入距离购买日期的天数等模型特征数据。

在从趋势维度上衍生模型特征数据时，如图3所示，其为本发明实施例提供的一种趋势图，其横轴表示“15-距离购买日期天数+1”，纵轴表示加购并且购买的用户占加购用户的比例。本发明实施例中以15天为购买周期，其中，Pv表示页面浏览量，Stm_rt表示页面停留时长，from_cart_num表示从购物车进入的次数，Add_cart_num表示加购次数，comment_click表示点击评价页次数，infodetail_num表示点击商品详情页次数，item_concern_cnt表示关注次数，contat_service_num表示联系客服次数。由图3可知，随着购买日期的临近，有上述基础行为数据的用户并且购买的用户占有上述基础行为数据的用户的比例逐渐增加，例如，有过Pv并且购买的用户占有过Pv的用户的比例逐渐增加，又例如，加购并且购买的用户占加购用户的比例逐渐增加。

需要说明的是，可以考虑日期重叠和推移，获取多份针对预设品类的用户基础行为数据，从而获取衍生多份模型特征数据，在获取每份模型特征数据时，避开促销期间。

在S230中，根据模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型。

根据示例实施例，例如，在获取到模型特征数据后，可以根据这些模型特征数据对应的样本实际的购买结果样本的实际结果，确定正样本与负样本。

例如，当有多份模型特征数据，可以将其融合，假设模型特征数据中有一个数据是从2017年8月1日的用户行为数据获取的，则可以以该日期为起始点，如果未来5日内产生该行为的用户购买该预设品类，则该数据作为正样本，如果在将未来6-30日内产生该行为的用户购买该预设品类，则将该数据剔除，如果未来30日内产生该行为的用户没有购买该预设品类本，则该数据作为负样本。

需要说明的是，本发明实施例中通过设置不同购买周期的负样本、正样本，以及剔除样本，可以获取到不同购买周期的预测模型。

在获取到正样本和负样本后，将所述正样本与所述负样本融合，划分出至少一组训练样本。例如，假设负样本有100个，正样本有10个，则可以将负样本划分为每组50个的2组，并分别与正样本组合，得到每组50个负样本+10个正样本的训练样本。

需要说明的是，正样本与负样本的比例可选地控制在1:5左右。

在得到至少一组训练样本后，对每组训练样本采用GBDT模型建模，以获取到针对所述预设品类的至少一个预测模型。例如，采用GBDT模型分别训练上述两组训练样本，可以得到两个预测模型。

GBDT(Gradient Boosting Decision Tree)又叫MART(Multiple AdditiveRegression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力较强的算法。

需要说明的是，当获取到针对预设品类的预测模型为多个，在应用该多个预测模型获取到针对所述预设品类的意向用户时，可以首先获取多个预测模型针对该预设品类的多个预测结果，并将多个预测结果中的相同意向用户的数目达到阈值的意向用户，作为所述预设品类的意向用户。

例如，预测模型数目为5个，在获取指定时间段内的针对预设品类的用户行为数据后，对该用户行为数据进行基础加工，获取该预设品类的用户基础行为数据，并从多个维度将用户基础行为数据衍生成模型特征数据，然后该模型特征数据分别输入到这5个预测模型，假设其中预测用户A为意向用户的数目为4个，大于设置的阈值3，则用户A为意向用户。

本发明实施例中，通过构建针对各种品类的预测模型，能够满足用户的个性化需求，实现基于大数据针对性的提升各种品类的转化率。

下面结合具体的实施例，对本发明做进一步的说明。

根据示例实施例，在获取到针对所述预设品类的意向用户之后，可以进一步获取到该意向用户的意向SKU。

图4是根据一示例性实施例示出的获取意向用户的意向SKU的方法的流程图。

如图4所示，在S410中，获取意向用户针对该预设品类中的各SKU的用户行为数据。

需要说明的是，在获取指定时间段内的针对预设品类的用户行为数据时，可以同时获取到针对各SKU的用户行为数据。

在S420中，根据所述用户行为数据以及构建的针对所述各SKU的预测模型，获取到所述意向用户的意向SKU。

需要说明的是，本发明实施例中预先构建针对SKU的预测模型，详细说明参见下面关于构建针对SKU的预测模型的实施例。

需要指出的是，可以直接对获取到针对各SKU的用户行为数据进行基础加工，从而获取预设品类中的各SKU的用户基础行为数据，进一步的，对各SKU的用户基础行为数据综合，就可以得到针对预设品类的用户基础行为数据。例如，可以统计出该意向用户对各SKU的页面浏览量PV、页面停留时长、加购次数、关注次数、联系客服次数、从购物车进入次数、点击评价页测试以及点击图文详情页次数等用户基础行为数据。对用户基础行为数据衍生，获取模型特征数据。

在获取到意向用户后，查找到该意向用户针对该预设品类的各SKU的模型特征数据，并将各SKU的模型特征数据输入至每个SKU的预测模型，从而获取到该意向用户的意向SKU。

在S430中，针对所述意向用户推送针对所述意向SKU的推送消息，以提高所述意向SKU的转化率。

本发明实施例中，通过针对各SKU的预测模型，计算出意向用户的意向SKU，满足用户的个性化需求，实现基于大数据针对性的提升SKU的转化率。

下面结合具体的实施例，对构建针对SKU的预测模型进行详细的说明。

图5是根据一示例性实施例示出的构建针对SKU的预测模型的方法的流程图。

如图5所示，在S510中，从大数据平台中获取针对SKU的用户基础行为数据。具体的用户基础行为数据的获取方式可以参见上文，此处不再赘述。

在S520中，通过比较针对该SKU的用户基础行为数据、SKU所属的品牌的用户行为数据、SKU所属的品类的用户行为数据，获取用户行为数据衍生出的模型特征数据。

在获取到该SKU的用户基础行为数据后，可以进一步的统计出该SKU所属的品牌的用户行为数据、SKU所属的品类的用户行为数据，比较这些数据，获取用户行为数据衍生出的模型特征数据。

例如，图6为本发明实施提出的一种SKU的趋势图，如图6所示，位于上面的曲线为购买用户的曲线，位于下面的曲线为未购买用户的曲线，横轴表示日期，纵轴表示行为平均值。图7为本发明实施提出的一种品牌行为趋势图。如图7所示，其中位于上面的曲线为购买用户的曲线，位于下面的曲线为未购买用户的曲线，横轴表示日期，纵轴表示行为平均值。对图6和图7分析，可以看出，购买用户对SKU的各种行为和对品牌的各种行为并不会随着时间越接近购买日期而成上升趋势，但行为的绝对值比未购买用户明显要高。因此针对SKU的模型特征参数可以为pv,加购，关注，从购物车进入，点击，评价等用户基础行为数据的绝对值，以及SKU所属的品牌的行为值和占比情况。

在S530中，根据所述模型特征数据以及样本的实际结果构建至少一个针对所述SKU的预测模型。

本发明实施例中，通过构建针对SKU的预测模型，能够满足用户的个性化需求，实现基于大数据针对性的提升SKU的转化率。

下面结合具体的实施例，对本发明做进一步的说明。

根据示例实施例，获取到针对所述预设品类的意向用户后，可以对该预设品类的转化率的效果评估。

根据示例实施例，可以将意向用户分为两组，仅对其中一组所述意向用户推送针对所述预设品类的推送消息，比较两组所述意向用户针对所述预设品类的成交总额GMV，对所述预设品类的转化率的效果评估。

例如，以预设品类为笔记本电脑为例，如图8所示，其为本发明实施例提供的一种对笔记本电脑品类的转化率的效果评估的流程图。

如图8所示，在S810中，获取笔记本电脑品类的意向用户。

在S820中，将意向用户随机配比分流为两组：基准版意向用户和干预版意向用户。

在S830中，对干预版意向用户推送针对笔记本电脑品类的推送消息。

在S840中，对两组意向用户针对笔记本电脑品类的转化率对比评估。

需要说明的是，商用后提升效果评估指标为：按品类维度、品牌维度和SKU维度计算GMV提升效果。如下是提升效果的计算方式：

品类提升GMV＝(干预版意向用户在预设时间内的购买用户数/基准版意向用户-干预版意向用户在预设时间内的购买用户数/基准版意向用户数)*干预版意向用户数*活动批次SKU平均单价；

品牌提升GMV＝(干预版意向用户在预设时间内购买预测品牌的用户数/干预版意向用户数-基准版意向用户在预设时间内购买预测品牌的用户数/基准版意向用户)*干预版意向用户数*活动批次SKU平均单价；

SKU提升GMV＝(干预版意向用户在预设时间内购买意向SKU的用户数/干预版意向用户数-基准版意向用户在预设时间内购买意向SKU的用户数/基准版意向用户数)*干预版意向用户数*活动批次SKU平均单价。

需要说明的是，在向意向用户推送针对该预设品类的推送消息之前，也可以进行模型效果的评估。在召回率一定的情况下，准确率越高说明用户的意向越明显；召回率越高，说明模型对购买用户的行为覆盖度越广。具体评估指标如下：

品类准确率＝意向用户中在预设时间段购买预设品类的用户数/输出的意向用户数；

品类召回率＝意向用户中在预设时间段购买预设品类的用户数/预设时间段购买预设品类的用户数。

其中，该预设时间段是指以获取用户行为数据的日期为基准的未来的一段时间内，例如，可以是未来5日内。

需要说明的是，本发明实施例中不仅可以对该预设品类的转化率的效果评估，也可以对意向SKU的转化率的效果进行评估。例如，在向意向用户推送针对该意向SKU的推送消息之前，也可以进行模型效果的评估。具体评估指标如下：

SKU准确率＝意向用户中在预设时间段购买意向SKU的用户数/在预设时间段购买预设品类的用户数；

SKU召回率＝意向用户中在预设时间段购买意向SKU的用户数/在预设时间段购买意向SKU的用户数。

需要指出的是，本发明实施例中还可以对品牌的转化率的效果进行评估。具体评估指标如下：

品牌准确率＝意向用户中在预设时间段购买意向品牌的用户数/意向用户中在预设时间段购买预设品类的用户数；

品牌召回率＝意向用户中在预设时间段购买意向品牌的用户数/在预设时间段购买意向品牌的用户数

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。

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。在下文对装置的描述中，与前述方法相同的部分，将不再赘述。

图9是根据本发明实施例示出的一种基于大数据的转化率提升的装置的结构图。

如图9所示，装置900可以包括：

第一获取模块910，用于获取指定时间段内的针对预设品类的用户行为数据；

第二获取模块920，用于根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；

第一推送模块930，用于针对所述意向用户推送针对所述预设品类的推送消息，以提高所述预设品类的转化率。

根据一些实施例，所述装置包括：构建模块940，用于构建针对所述预设品类的预测模型；

所述构建模块940，包括：

获取单元942，用于从大数据平台中获取针对所述预设品类的用户基础行为数据；

衍生单元944，用于从多个维度将所述用户基础行为数据衍生成模型特征数据；

构建单元946，用于根据所述模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型。

根据一些实施例，所述装置还包括：第三获取模块950，用于获取所述意向用户针对所述预设品类中的各SKU的用户行为数据；

第四获取模块960，用于根据所述用户行为数据以及构建的针对所述各SKU的预测模型，获取到所述意向用户的意向SKU；

第二推送模块970，用于针对所述意向用户推送针对所述意向SKU的推送消息，以提高所述意向SKU的转化率。

本发明实施例中，通过获取指定时间段内的针对预设品类的用户行为数据；根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；针对所述意向用户推送针对所述预设品类的推送消息，能够满足用户的个性化需求，从大数据平台的海量日志中提取用户行为特征，预测具有品类购买意向的用户，为促销活动圈定用户群，针对用户进行个性化营销，从而节约促销成本，实现基于大数据针对性的提升各种品类的转化率。

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设备中所包含的；也可以是单独存在，而未装配入该设备中。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设备执行时，使得该设备可以执行：获取指定时间段内的针对预设品类的用户行为数据；根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；针对所述意向用户推送针对所述预设品类的推送消息，以提高所述预设品类的转化率。

图10是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是，图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；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1007；包括硬盘等的存储部分1008；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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，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1010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1008。

特别地，根据本公开的实施例，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，本公开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1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的终端中限定的上述功能。

需要说明的是，本申请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。在本申请中，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。而在本申请中，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，图示了按照本申请各种实施例的系统、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。

描述于本申请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，例如，可以描述为：一种处理器包括第一获取模块、第二获取模块和第一推送模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

以上具体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。

Claims (14)

1.一种基于大数据的转化率提升的方法，其特征在于，所述方法包括：

获取指定时间段内的针对预设品类的用户行为数据；

根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；

针对所述意向用户推送针对所述预设品类的推送消息，以提高所述预设品类的转化率。

2.如权利要求1所述的方法，其特征在于，所述方法包括：

构建针对所述预设品类的预测模型；

所述构建针对所述预设品类的预测模型，包括：

从大数据平台中获取针对所述预设品类的用户基础行为数据；

从多个维度将所述用户基础行为数据衍生成模型特征数据；

根据所述模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型。

3.如权利要求2所述的方法，其特征在于，从大数据样本中获取针对所述预设品类的用户基础行为数据，包括：

从大数据平台中清洗出针对所述预设品类的用户行为数据；

对所述用户行为数据进行基础加工，获取所述预设品类的用户基础行为数据。

4.如权利要求3所述的方法，其特征在于，根据模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型，包括：

根据样本的实际结果，从模型特征数据中确定正样本与负样本；

将所述正样本与所述负样本融合后，划分出至少一组训练样本；

对每组训练样本采用GBDT模型建模，以获取到针对所述预设品类的至少一个预测模型。

5.如权利要求1所述的方法，其特征在于，根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户，包括：

对所述用户行为数据进行基础加工，获取所述预设品类的用户基础行为数据；

从多个维度将用户基础行为数据衍生成模型特征数据；

将所述模型特征数据输入至所述预测模型，获取到针对所述预设品类的意向用户。

6.如权利要求5所述的方法，其特征在于，当获取到针对所述预设品类的多个预测模型时，所述获取到针对所述预设品类的意向用户，包括：

获取所述多个预测模型针对所述预设品类的多个预测结果；

将所述多个预测结果中的相同意向用户的数目达到阈值的意向用户，作为所述预设品类的意向用户。

7.如权利要求1所述的方法，其特征在于，获取到针对所述预设品类的意向用户之后，所述方法包括：

获取所述意向用户针对所述预设品类中的各SKU的用户行为数据；

根据所述用户行为数据以及构建的针对所述各SKU的预测模型，获取到所述意向用户的意向SKU；

针对所述意向用户推送针对所述意向SKU的推送消息，以提高所述意向SKU的转化率。

8.如权利要求7所述的方法，其特征在于，所述方法还包括：

构建针对SKU的预测模型；

所述构建针对SKU的预测模型，包括：

从大数据平台中获取针对所述SKU的用户基础行为数据；

通过比较针对所述SKU的用户基础行为数据、所述SKU所属的品牌的用户行为数据、所述SKU所属的品类的用户行为数据，获取所述用户行为数据衍生出的模型特征数据；

根据所述模型特征数据以及样本的实际结果构建至少一个针对所述SKU的预测模型。

9.如权利要求1所述的方法，其特征在于，获取到针对所述预设品类的意向用户后，所述方法还包括：

将所述意向用户分为两组；

对其中一组所述意向用户推送针对所述预设品类的推送消息；

比较两组所述意向用户针对所述预设品类的成交总额GMV，对所述预设品类的转化率的效果评估。

10.一种基于大数据的转化率提升的装置，其特征在于，所述装置包括：

第一获取模块，用于获取指定时间段内的针对预设品类的用户行为数据；

第二获取模块，用于根据所述用户行为数据以及构建的针对所述预设品类的预测模型，获取到针对所述预设品类的意向用户；

第一推送模块，用于针对所述意向用户推送针对所述预设品类的推送消息，以提高所述预设品类的转化率。

11.如权利要求10所述的装置，其特征在于，所述装置包括：

构建模块，用于构建针对所述预设品类的预测模型；

所述构建模块，包括：

获取单元，用于从大数据平台中获取针对所述预设品类的用户基础行为数据；

衍生单元，用于从多个维度将所述用户基础行为数据衍生成模型特征数据；

构建单元，用于根据所述模型特征数据以及样本的实际结果构建针对所述预设品类的预测模型。

12.如权利要求10所述的装置，其特征在于，所述装置还包括：

第三获取模块，用于获取所述意向用户针对所述预设品类中的各SKU的用户行为数据；

第四获取模块，用于根据所述用户行为数据以及构建的针对所述各SKU的预测模型，获取到所述意向用户的意向SKU；

第二推送模块，用于针对所述意向用户推送针对所述意向SKU的推送消息，以提高所述意向SKU的转化率。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述的方法步骤。

14.一种电子设备，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时，使得所述一个或多个处理器实现如权利要求1-9中任一项所述的方法步骤。