CN109934615A - 基于深度稀疏网络的产品营销方法 - Google Patents

Abstract

本发明提供了一种基于深度稀疏网络的产品营销方法。该方法利用深度稀疏网络架构，对营销流程中的目标进行定义，收集原始用户数据，对原始数据清理后，再进行多方面数据衍生，对衍生数据进行模型训练，形成训练结果二次组合，结合营销目标对组合后模型进行评估，将评估合格的模型应用到生产环节，同时对模型进行自优化，使模型对新目标或新环境进行自学习，最终形成闭环的应用体系。此方法实现了以数据驱动营销用户的触达管理，在处理大体量用户营销活动时能够保持高效性和精度，实现精准营销行为的开展，同时支持深度客户信息的挖掘，在精准营销的同时实现营销收益最大化和风险最小化。

Description

基于深度稀疏网络的产品营销方法

技术领域

本发明涉及深度稀疏网络架构领域，特别涉及一种基于深度稀疏网络的产品营销方法。

背景技术

随着各大金融机构产品线的丰富及产品类型的增多，需要向其客户进行产品的营销活动。鉴于各金融机构的客户量很大，对客户有效的营销触达成本也较高，从而造成产品营销覆盖面变小，往往只能从大体量的客户群中随机挑选一部分客户进行营销。目前业界主流的做法是：对金融机构的产品营销历史进行记录，将营销成功的标记为1，将营销失败的标记为0，然后将结果训练成一个二分类的0/1相应模型。但是，这种做法并不是以客户为中心进行营销，一方面没有做到以数据为驱动的合理用户触达行为管理，可能对同一客户多次营销，存在打扰客户现象，造成客户体验不好从而影响营销效果，另一方面，这种模型无法真正实现挖掘客户需求的目的，形成有需求的客户未营销，无需求的客户多次营销，或是客户有产品需求时没有营销，没有产品需求时却去营销的局面；另外，此模型配置较简单，无法自动更新，从而造成对金融机构的新业务或是新环境适应性不足；最后，当金融机构需要营销的客户群体量较大时，需要数据各参数间的互相调用，往往需要大量的时间和计算能力，现有模型在处理这些情况时会出现性能不足的现象。机器学习(MachineLearning)是交叉型的学科，涉及多领域的知识，例如概率论、算法复杂度、凸分析、统计学、逼近论等理论。从作用来说，机器学习是通过计算机的辅助，研究计算机如何模拟或实现人类的学习行为，以便获取到新的知识或技能，以便重新组织现有的知识结构，实现改善自身性能的目的。深度学习理论是机器学习研究中的一个新兴领域，属于特征学习(featurelearning)范畴，通过使用包含复杂结构或由非线性变换构成的多个处理层来实现对数据的高层抽象算法，而深度稀疏网络属于深度学习的基础模型之一。采用此模型处理用户营销行为有如下有点：通过采用多分层处理的方式训练数据，其中每一层都能提取到数据中不同层次的特征，从而逐层建立起从底层到高层信号的特征映射，从而大大改善系统训练的规模和速度；利用深度稀疏网络模型中的多层多参数的特征，使用户营销模型组合指标多样化；能够克服数据训练过程中的数据弥散问题，保证数据训练的高效，从而提高营销活动的精准性。

发明内容

本发明针对现有技术的上述问题，提出了一种基于深度稀疏网络的产品营销方法。在深度稀疏网络模型的架构下，对营销流程中的目标进行分析和定义，收集到原始的用户数据，经历对原始数据的清理环节后，再对清理后的数据进行多方面的衍生，然后对衍生后的宽表数据进行模型训练，进而形成训练结果的二次组合，同时结合营销目标对组合后模型进行评估，将评估合格的模型应用到生产环节。而且，在应用的过程中，还需要对模型进行自优化，使模型对可能的新目标或新环境进行自学习，最终形成闭环的应用体系。

本发明为解决其技术问题所采用的技术方案是：提供了一种基于深度稀疏网络产品营销方法，包括以下步骤：

步骤1：目标定义：将特定时间段内经营流程的营销目标定义化，然后转变为能够描述出实际问题的目标函数；

步骤2：原始数据收集：对营销客户信息进行结构区分，采用数据指标多样化的方式对客户的信息进行分类收集；

步骤3：原始数据清理：通过数据质量处理算法和数据适用度处理处理算法对原始数据进行清理；

步骤4：数据衍生：将数据包含的各个原指标信息进行量化，通过数学变换方式，将量化的信息衍生出其他的新指标信息，然后全部导入到模型中；

步骤5：模型训练：根据目标函数，通过数据逼近方法，将导入到模型的变量进行训练，并在训练中进行参数的调优和更新，逐渐降低目标函数，最终得到模型训练结果；

步骤6：模型组合：利用模型函数库，将模型训练结果进行再训练和组合，使结果与实际应用生产环境相适应，形成模型组合实际生产结果；

步骤7：模型评估：设定评估阈值，将模型组合实际生产结果进行评估筛选，判断模型组合实际生产结果是否大于设定评估阈值，在判断为是时，模型组合实际生产结果进入生产环节；

步骤8：模型应用：根据模型评估中冠军-挑战者方式，逐步将模型部署到生产环境；

步骤9：模型自优化：根据模型在实际中的应用效果，将模型参数进行自调优处理；

步骤10：模型自更新：根据应用场景指标信息的变化情况，将应用场景的数据衍生，并通过衍生环节将所有指标重新进行模型的训练、组合、评估和应用。

本发明基于其技术方案所具有的有益效果在于：利用数据衍生环节，形成以数据为驱动的用户触达管理，保证对客户在精准时间点的营销活动；利用模型组合环节，实现特定客户营销适应性的标识，同时还能量化营销成功客户的概率、成本及收效等指标，根据这三项指标做出营销决策，以便保证最终收益的最大化和风险的最小化；利用模型自由化环节，提高模型参数对实际应用效果的适用性，保证有效性的最大化；利用模型自更新环节，提高模型对新应用环境的适用能力，保证模型对新场景、新产品、以及新业务的支持能力；利用深度稀疏网络架构，提高大体量用户数据处理的性能，保证模型训练与应用的高效性和精度，实现深度客户信息的挖掘和精准营销行为的开展。

附图说明

图1是基于深度稀疏网络的产品营销方法的总体结构框图。

具体实施方式

以下采用实施例和附图来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。

本发明实施例公开了基于深度稀疏网络的产品营销方法的总体结构框图。参照图1，在深度稀疏网络模型的架构下，对营销流程中的目标进行分析和定义，收集到原始的用户数据，经历对原始数据的清理环节后，再对清理后的数据进行多方面的衍生，然后对衍生后的宽表数据进行模型训练，进而形成训练结果的二次组合，同时结合营销目标对组合后模型进行评估，将评估合格的模型应用到生产环节。而且，在应用的过程中，还需要对模型进行自优化，使模型对可能的新目标或新环境进行自学习，最终形成闭环的应用体系。具体实现方法包括以下步骤：

步骤1：目标定义：将特定时间段内经营流程的营销目标定义化，然后转变为能够描述出实际问题的目标函数。

实际营销行为中，一般有多个目标，并会根据经营性质的变化而变化。例如，响应人数(用户量)最大化，收益最大化，风险(成本)最小化，以及在风险一定水平下的收益或者响应最大化等目标。

步骤2：原始数据收集：对营销客户信息进行结构区分，采用数据指标多样化的方式对客户的信息进行分类收集。

收集原始数据时，根据流程中原始数据的结构化特征区分为结构化数据和非结构化数据，数据指标包括客户身份身份证号、客户号、手机号、时间、文本描述、商品名称、及商品详细参数信息。

步骤3：原始数据清理：通过数据质量处理算法和数据适用度处理处理算法对原始数据进行清理。

数据质量处理算法主要为解决数据质量问题，包括数据完整性、数据唯一性、数据权威性、数据合法性和数据一致性。

数据完整性算法采用以下方法处理：

a)近似补充，如果数据记录缺失的属性是可获得的，且数据无实时性要求，则通过已有属性进行近似补充，例如，利用身份证号码推算性别、籍贯、出生日期、年龄等；

b)前后数据补全，设置为全局常量或所属属性下的平均值，如果缺失数据是一个常量则以常量填补，如果缺失数据波动较小，则以所属属性下前后均值补充，如果缺失数据波动较大，则以所属属性下平滑曲线方式补充；

数据唯一性算法采用以下方法处理：

a)随机直接删除，如果数据记录是完全相同，则随机删除重复，保留其中1条；

b)查看属性后决定，数据记录间仅特定属性不一致，其他属性完全一致，则需要对比数据记录间的详细差异，如果数据属性值不同，但含义相同，则认为是完全相同数据，随机直接删除，如果数据属性值不同，但含义不同，则对数据进行修正。

数据权威性算法采用以下方法处理：如果用户信息采集渠道不一致时，通过测试与验证，选取权威性最高的渠道信息。

数据合法性算法采用以下方法处理：设置常规逻辑规则范围为判定规则，以强制数据合法，如果数据不在常规逻辑规则范围内，强制数据无法输入或者判断为无效数据，直接删除。

数据一致性算法采用以下方法处理：

a)非空值处理，如果数据不为空值，则根据数据前后的维度、口径、单位、频度判断后进行逻辑性调整；

b)空值处理，将空值定义为唯一性符号加以区分，以便进入模型。数据适用度处理算法主要为数据更符合模型处理特征，提高数据的区分度，包括高维度处理算法、低维度处理算法、无关信息处理算法和冗余信息处理算法。

高维度处理算法采用以下方法处理：a)主成分分析；b)随机森林算法。低维度处理算法和无关信息处理算法采用以下方法处理：a)数据计算法，包括汇总、平均、加总和求极值；b)离散化法，包括聚类、自定义分组；

冗余信息处理算法采用以下方法处理：直接删除。

步骤4：数据衍生：将数据包含的各个原指标信息进行量化，通过数学变换方式，将量化的信息衍生出其他的新指标信息，然后全部导入到模型中。

采用以下方法进行数据衍生：数学变换法，将数据属性信息量化，通过数学变换方式，衍生出更多量化指标，以便能描述出更多信息，提升模型描述信息的复杂度。

步骤5：模型训练：根据目标函数，通过数据逼近方法，将导入到模型的变量进行训练，并在训练中进行参数的调优和更新，逐渐降低目标函数，最终得到模型训练结果。

步骤6：模型组合：利用模型函数库，将模型训练结果进行再训练和组合，使结果与实际应用生产环境相适应，形成模型组合实际生产结果。

步骤7：模型评估：设定评估阈值，将模型组合实际生产结果进行评估筛选，判断模型组合实际生产结果是否大于设定评估阈值，在判断为是时，模型组合实际生产结果进入生产环节。

模型评估采用以下两种方式处理：

a)排序性评估，通过计算AUC进行排序性评估，如果排序后的评估结果大于排序前结果，则认为排序后使用的模型有效；

b)冠军-挑战者评估，在实际生产环境中随机抽取两组相同质量的客户群，利用冠军-挑战者模型，将新旧模型分别作用于客户群，对比两种模型的效果，若挑战者(新模型)效果更好，则更新为冠军策略，否则保留原冠军(旧模型)策略。

步骤8：模型应用：根据模型评估中冠军-挑战者方式，逐步将模型部署到生产环境。

于步骤7中，判断模型组合实际生产结果是否大于设定评估阈值，当判断为是时，模型组合实际生产结果进入生产环节，再利用的冠军-挑战者模型，由于目前部署的模型只是当前最好的生产实践结果，所以要逐步验证模型规则的有效性，将部分生产环境采用冠军策略即目前最好的模型，剩余生产环境执行挑战者策略及待测试的新模型，对比接受的两种模型，若挑战者模型更好，则更新为冠军策略，即按照新模型投放到生产环境，并继续循环，直到将模型全部部署到生产环境。

步骤9：模型自优化：根据模型在实际中的应用效果，将模型参数进行自调优处理。

步骤10：模型自更新：根据应用场景指标信息的变化情况，将应用场景的数据衍生，并通过衍生环节将所有指标重新进行模型的训练、组合、评估和应用。

所有上述的首要实施这一知识产权，并没有设定限制其他形式的实施这种新产品和/或新方法。本领域技术人员将利用这一重要信息，上述内容修改，以实现类似的执行情况。但是，所有修改或改造基于本发明新产品属于保留的权利。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种基于深度稀疏网络产品营销方法，其特征在于，包括以下步骤：

步骤1：目标定义：将特定时间段内经营流程的营销目标定义化，然后转变为能够描述出实际问题的目标函数；

步骤2：原始数据收集：对营销客户信息进行结构区分，采用数据指标多样化的方式对客户的信息进行分类收集；

步骤3：原始数据清理：通过数据质量处理算法和数据适用度处理处理算法对所述原始数据进行清理；

步骤4：数据衍生：将数据包含的各个原指标信息进行量化，通过数学变换方式，将量化的信息衍生出其他的新指标信息，然后全部导入到模型中；

步骤5：模型训练：根据目标函数，通过数据逼近方法，将导入到模型的变量进行训练，并在训练中进行参数的调优和更新，逐渐降低目标函数，最终得到模型训练结果；

步骤6：模型组合：利用模型函数库，将模型训练结果进行再训练和组合，使结果与实际应用生产环境相适应，形成模型组合实际生产结果；

步骤7：模型评估：设定评估阈值，将模型组合实际生产结果进行评估筛选，判断所述模型组合实际生产结果是否大于设定评估阈值，在判断为是时，所述模型组合实际生产结果进入生产环节；

步骤8：模型应用：根据模型评估中冠军-挑战者方式，逐步将模型部署到生产环境；

步骤9：模型自优化：根据模型在实际中的应用效果，将模型参数进行自调优处理；

步骤10：模型自更新：根据应用场景指标信息的变化情况，将应用场景的数据衍生，并通过衍生环节将所有指标重新进行模型的训练、组合、评估和应用。

2.如权利要求1所述的方法，其特征在于，在所述步骤1中，所述目标为响应人数最大化、收益最大化、风险最小化、在风险一定水平下的收益最大化、在风险一定水平下的响应最大化其中的一种或多种。

3.如权利要求1所述的方法，其特征在于，在所述步骤2中，所述数据指标包括客户身份身份证号、客户号、手机号、时间、文本描述、商品名称或商品详细参数信息。

4.如权利要求1所述的方法，其特征在于，在所述步骤3中，所述数据质量处理算法包括数据完整性、数据唯一性、数据权威性、数据合法性和数据一致性。

5.如权利要求4所述的方法，其特征在于，对所述数据完整性的处理包括近似补充或前后数据补全。

6.如权利要求4所述的方法，其特征在于，对所述数据一致性的处理包括非空值处理或空值处理。

7.如权利要求1所述的方法，其特征在于，在所述步骤3中，所述数据适用度处理算法包括高维度处理算法、低维度处理算法、无关信息处理算法和冗余信息处理算法。

8.如权利要求7所述的方法，其特征在于，对所述高维度处理算法的处理包括主成分分析或随机森林算法。

9.如权利要求7所述的方法，其特征在于，对所述低维度处理算法和无关信息处理算法的处理包括数据计算法或离散化法。

10.如权利要求1所述的方法，其特征在于，在所述步骤7中，对所述模型评估的处理包括排序性评估和冠军-挑战者评估。