CN109961191B - 一种优惠券发放方法及装置 - Google Patents
一种优惠券发放方法及装置 Download PDFInfo
- Publication number
- CN109961191B CN109961191B CN201910266174.5A CN201910266174A CN109961191B CN 109961191 B CN109961191 B CN 109961191B CN 201910266174 A CN201910266174 A CN 201910266174A CN 109961191 B CN109961191 B CN 109961191B
- Authority
- CN
- China
- Prior art keywords
- user
- predicted
- coupon
- coupons
- value
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种优惠券发放方法及装置。该方法中,确定待预测用户;获得待预测用户的用户信息以及辅助信息;其中,该辅助信息包括历史行为记录和/或实时场景数据;历史行为记录为待预测用户在一段历史时期内观看视频产生的且被客户端获取的历史行为,实时场景数据为待预测用户通过所述客户端播放视频时产生的实时应用场景数据;将待预测用户的用户信息和辅助信息输入到训练后的预测模型中,预测待预测用户的优惠券使用意愿值;向待预测用户发放多种预设面额中的一种或多种优惠券,所述一种或多种优惠券与所述优惠券使用意愿值相对应。本发明实施例提供的优惠券发放方法,可以降低所发放优惠券的浪费率。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种优惠券发放方法及装置。
背景技术
在互联网技术领域中,通过客户端向用户发放优惠券,以吸引用户使用优惠券下单,从而提高销售额,是一种常见的促销手段。
现有技术中,在发放优惠券之前,通过人工方式,基于用户的消费等级来预测向该用户发放的优惠券的面额和个数,进而,向该用户发放与所确定的面额和个数相匹配的优惠券。
然而,发明人在实现本发明的过程中发现,现有技术至少存在如下问题:
在通过客户端向用户发放优惠券后,经常出现优惠券由于超期被作废的现象。因此,急需一种优惠券发放方法,以降低所发放优惠券的浪费率。
发明内容
本发明实施例的目的在于提供一种优惠券发放方法及装置,以降低所发放优惠券的浪费率。具体技术方案如下:
第一方面,本发明实施例首先提供了一种优惠券发放方法,该方法包括:
确定待预测用户;
获得所述待预测用户的用户信息以及辅助信息;其中,所述辅助信息包括历史行为记录和/或实时场景数据,所述历史行为记录为所述待预测用户在一段历史时期内观看视频产生的且被用户端获取的历史行为,所述实时场景数据为所述待预测用户通过所述用户端播放视频时产生的实时应用场景数据;
将所述待预测用户的用户信息和辅助信息输入到训练后的预测模型中,预测所述待预测用户的优惠券使用意愿值;
向所述待预测用户发放多种预设面额中的一种或多种优惠券,所述一种或多种优惠券与所述优惠券使用意愿值相对应。
可选地,所述向所述待预测用户发放多种预设面额中的一种或多种优惠券,包括:
针对所述多种预设面额中的每一种优惠券,获得该种优惠券的目标收益;将所述优惠券使用意愿值中对该种优惠券的使用意愿值与该种优惠券的目标收益相乘,得到乘积结果;将乘积结果作为该种优惠券对应的评判数值;
将评判数值符合预定筛选条件的一种或多种优惠券发放给所述待预测用户。
可选地,所述将评判数值符合预定筛选条件的一种或多种优惠券发放给所述待预测用户,包括:
将评判数值最大的一种优惠券发放给所述待预测用户;
或者,将评判数值大于预定阈值的一种或多种优惠券发放给所述待预测用户。
可选地,所述待预测用户包括多个;
所述向所述待预测用户发放多种预设面额中的一种或多种优惠券,包括:
按照预定的分配方式,为每个待预测用户分配一种预设面额的优惠券中的一个;
所述预定的分配方式,包括:
A、确定当前未被分配给任一待预测用户的优惠券中,最小面额的优惠券和次小面额的优惠券,确定所述最小面额的优惠券的个数X;其中,X为正整数;
B、针对每一未分配优惠券的待预测用户,确定该待预测用户的第一使用意愿值和第二使用意愿值,并计算所述第一使用意愿值和所述第二使用意愿值的意愿差值;所述第二使用意愿值为该待预测用户对当前最小面额的优惠券的使用意愿值;所述第一使用意愿值为该待预测用户对当前次小面额的优惠券的使用意愿值;
C、将各个未分配优惠券的待预测用户的意愿差值,按照从小到大的顺序进行排序,为排序所得的序列中前X个意愿差值对应的待预测用户,分别分配一个最小面额的优惠券;
D、判断当前是否还有未分配优惠券的待预测用户,如果是,返回步骤A。
第二方面,本发明实施例还提供了一种优惠券发放装置,该装置包括:
确定模块,用于确定待预测用户;
获得模块,用于获得所述待预测用户的用户信息以及辅助信息;其中,所述辅助信息包括历史行为记录和/或实时场景数据,所述历史行为记录为所述待预测用户在一段历史时期内观看视频产生的且被用户端获取的历史行为,所述实时场景数据为所述待预测用户通过所述用户端播放视频时产生的实时应用场景数据;
预测模块,用于将所述待预测用户的用户信息和辅助信息输入到训练后的预测模型中,预测所述待预测用户的优惠券使用意愿值;
发放模块,用于向所述待预测用户发放多种预设面额中的一种或多种优惠券,所述一种或多种优惠券与所述优惠券使用意愿值相对应。
可选地,所述发放模块,包括评判子模块和发放子模块;
所述评判子模块,用于针对所述多种预设面额中的每一种优惠券,获得该种优惠券的目标收益;将所述优惠券使用意愿值中对该种优惠券的使用意愿值与该种预优惠券的目标收益相乘,得到乘积结果;将乘积结果作为该种优惠券对应的评判数值;
所述发放子模块,将评判数值符合预定筛选条件的一种或多种优惠券发放给所述待预测用户。
可选地,所述发放子模块,具体用于:
将评判数值最大的一种优惠券发放给所述待预测用户;
或者,将评判数值大于预定阈值的一种或多种优惠券发放给所述待预测用户。
可选地,所述待预测用户包括多个;
所述发放模块,具体用于:
按照预定的分配方式,为每个待预测用户分配一种预设面额的优惠券中的一个;
所述预定的分配方式,包括:
A、确定当前未被分配给任一待预测用户的优惠券中,最小面额的优惠券和次小面额的优惠券,确定所述最小面额的优惠券的个数X;其中,X为正整数;
B、针对每一未分配优惠券的待预测用户,确定该待预测用户的第一使用意愿值和第二使用意愿值,并计算所述第一使用意愿值和所述第二使用意愿值的意愿差值;所述第二使用意愿值为该待预测用户对当前最小面额的优惠券的使用意愿值;所述第一使用意愿值为该待预测用户对当前次小面额的优惠券的使用意愿值;
C、将各个未分配优惠券的待预测用户的意愿差值,按照从小到大的顺序进行排序,为排序所得的序列中前X个意愿差值对应的待预测用户,分别分配一个最小面额的优惠券;
D、判断当前是否还有未分配优惠券的待预测用户,如果是,返回步骤A。
一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的优惠券发放方法。
在本发明实施的又一方面,还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中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的优惠券发放方法。
在本发明实施的又一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的优惠券发放方法。
本发明实施例提供的优惠券发放方法中,将待预测用户的用户信息以及辅助信息输入到训练后的预测模型中,预测待预测用户的优惠券使用意愿值;向待预测用户发放多种预设面额中,与优惠券使用意愿值对应的一种或多种优惠券。由于所预测的优惠券使用意愿值综合考虑了多种可能影响待预测用户最终是否会使用优惠券的因素,因此,本发明实施例提供优惠券发放方法,可以降低所发放优惠券的浪费率。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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。
图1为本发明实施例提供的一种优惠券发放方法的流程图;
图2为图1所示的优惠券发放方法中,预定的分配方式的流程图;
图3为本发明实施例提供的一种优惠券发放装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
为了降低所发放优惠券的浪费率,本发明实施例提供了一种优惠券发放方法及装置。
需要说明的是,本发明实施例提供的一种优惠券发放方法的执行主体,可以为一种优惠券发放装置,该装置可以应用于电子设备中。在具体应用中,该电子设备可以为服务器,该服务器对应有客户端,当然,该电子设备也可以为客户端的终端设备。其中,该服务器对应的客户端以及终端设备中所安装的客户端,与后续步骤S102中所涉及的客户端均为同一客户端。
可以理解的是,当该电子设备为终端设备时,该优惠券发放装置可以为该终端设备中的客户端,相应的,待预测用户即为该客户端的用户;而当该电子设备为服务器时,待预测用户可以为服务器所对应的客户端的全部或部分用户。
如图1所示,本发明实施例提供优惠券发放方法,可以包括以下步骤:
S101:确定待预测用户。
这里,确定待预测用户的具体实现方式存在多种。
示例性的,在一种实现方式中,当优惠券发放方法的执行主体为服务器时,可以预先设置多种发放场景,每种发放场景分别对应着各自的待预测用户的确定方式、各自的优惠券的预设面额以及各种面额下优惠券的数量。因此,可以根据发放场景,相应地确定待预测用户。例如,在一种发放场景中,需要向服务器所对应客户端的用户中,即将过期的会员用户,发放一定数量的面额分别为3元和5元的优惠券。那么,在该种发放场景中,就可以将未来若干天内会过期的会员用户,例如未来2天内会过期的会员用户,确定为待预测用户。可以理解的是,发放场景可以存在多种,相应的,待预测用户的确定方式也存在多种。
在另一种实现方式中,当优惠券发放方法的执行主体为终端设备时,待预测用户可以为该终端设备中的客户端的用户。
需要强调的是,上述确定待预测用户的具体实现方式,仅仅作为示例,并不应该构成对本发明实施例的限定,任何确定待预测用户的具体实现方式,均可以应用于本发明实施例所提供的优惠券发放方法中。
S102:获得待预测用户的用户信息以及辅助信息。
其中,该辅助信息可以包括历史行为记录和/或实时场景数据。该历史行为记录为待预测用户在一段历史时期内观看视频产生的且被客户端获取的历史行为;该实时场景数据可以为待预测用户通过客户端播放视频时产生的实时应用场景数据。
这里,待预测用户的用户信息可以存在多种。示例性的,在一种实现方式中,待预测用户的用户信息可以包括以下信息中的一种或多种:
开通会员时间、会员等级、自定义签名、性别、年龄、常驻地、客户端的软件版本,以及待预测用户所使用的终端设备型号等。
另外,待预测用户的历史行为记录也可以存在多种,示例性的,在一种实现方式中,待预测用户的历史行为记录,可以包括:
待预测用户在一段历史时期内观看视频产生的且被客户端获取的浏览记录和/或消费记录。
其中,待预测用户在一段历史时期内观看视频产生的且被客户端获取的浏览记录,可以包括以下记录中的一种或多种:
浏览过的各个页面、浏览各个页面时的停留时间、针对同一页面或多个页面的浏览次数、对各个页面的浏览时间的中位数、对各个页面的浏览时间的均方差、最近若干天内浏览过的页面、最近若干天内浏览各个页面时的停留时间、最近若干天内浏览各个页面的浏览次数、最近一次浏览的页面,以及最近一次浏览一页面时的停留时间等。
另外,待预测用户在一段历史时期内观看视频产生的且被客户端获取的消费记录,可以包括以下记录中的一种或多种:
订单号、订单金额、订单数量、订单购买商品明细、下单频次、下单时间、付费类型、付费明细、使用代金券支付的订单号和订单数、免费试用功能的使用次数以及ARPU(Average Revenue Per User,每用户平均收益)等。
其中,付费类型可以包括免费、使用代金券付费、用户转账付费以及多种方式合并付费等。付费明细可以包括使用代金券付费时,使用的代金券的金额和个数等。此外,会员功能也是一种商品,因此,付费明细还可以包括会员功能续费时的续费类型,例如,自动续费、非自动续费或免费续冲会员等。
本发明实施例中,实时场景数据也可以存在多种。示例性的,在一种实现方式中,实时场景数据可以包括以下数据中的一个或多个:
客户端的当前界面、当前网络环境、当前时间信息以及待预测用户的当前所在地。可以理解的是,待预测用户通过客户端播放视频时,该客户端可以对这些数据进行采集,从而生成实时应用场景数据。
其中,当前时间信息既可以包含当前的时间,也可以包含当前的日期。可以理解的是,通过当前时间信息,可以获知待预测用户的忙闲状况,如待预测用户是在休息中,还是工作中等。另外,当前网络环境,可以包括用户所使用的网络类型、运营商以及网络带宽等。其中,网络类型可以包括2G网络、3G网络、4G网络、有线宽带或无线宽带等。
可以理解的是,待预测用户的用户信息以及各种辅助信息中,有些存储于终端设备本地,有些存储于服务器。当应用本发明实施例所提供的优惠券发放方法的电子设备中,未存储有某种所需信息时,该电子设备也可以与其他电子设备交互,从而获得无法从本地获得的信息。
在实际应用中,采用交互的方式,获得待预测用户的用户信息以及各种辅助信息的具体实施方式存在多种。
示例性的,在一种实现方式中,当应用本发明实施例所提供的优惠券发放方法的电子设备为服务器时,服务器可以通过读取本地存储以及与其他电子设备进行交互两种方式,或者两种方式的结合,来获得待预测用户的用户信息和各种辅助信息。这里所说的其他电子设备,可以为该服务器对应的终端设备,也可以为该服务器可通信的其他服务器。
在另一种实现方式中,当应用本发明实施例所提供的优惠券发放方法的电子设备为终端设备时,该终端设备中可以保存有待预测用户的用户信息和一部分辅助信息,而未保存的辅助信息,可以从该终端设备对应的服务器请求获得。需要说明的是,该终端设备对应的服务器可以为一个服务器,也可以为多个服务器搭建的服务器群组,该服务器群组中的多个服务器,各自存储有待预测用户的不同的辅助信息。
另外,在实际应用中,在获得了待预测用户的用户信息以及各种辅助信息之后,可以对这些数据进行预处理。这里,数据的预处理可以包括以下处理方式中的一种或多种:数据采样、滤重处理、格式校验、提取关键参数、归一化、降维、离散化以及数据映射处理等。另外,还可以将对数据进行预处理后得到的各种信息作为已处理数据存入一数据库中。或者,对数据的预处理的功能也可以由数据库来实现,该数据库可以设置在服务器。这里,建立数据库,可以方便对各种数据进行管理。例如:数据存储、数据实时高效访问以及数据查询等。
S103:将待预测用户的用户信息和辅助信息输入到训练后的预测模型中,预测待预测用户的优惠券使用意愿值。
可以理解的是,该优惠券使用意愿值,可以包括:待预测用户对多种预设面额中的每种优惠券的使用意愿值。
其中,预测模型可以为:根据样本用户的用户信息、样本用户的辅助信息,以及样本用户对各种预设面额的优惠券的使用意愿值,所训练得到的模型。
其中,关于样本用户的用户信息以及各种辅助信息的获得方式,可以参考S102中待预测用户的用户信息以及各种辅助信息的获得方式,此处不再赘述。并且,在获得了样本用户的用户信息、样本用户的辅助信息,以及样本用户对各种预设面额的优惠券的使用意愿值之后,也可以参照S102中对数据的预处理方式,对获得的数据进行预处理。
另外,样本用户对各种预设面额的优惠券的使用意愿值,可以通过0和1两个数字来表征。如果样本用户使用了某一面额的优惠券,样本用户对该面额的优惠券的使用意愿值为1;未被样本用户使用的预设面额的优惠券,样本用户对这些预设面额的优惠券的使用意愿值则为0。当然,在具体应用中,还可以选择其他数字来表征使用意愿值,本申请对于使用意愿值的表征值并不做任何限定。
并且,在预测模型的训练阶段,样本用户的用户信息和辅助信息作为预测模型的输入内容,而样本用户对各种预设面额的优惠券的使用意愿值作为监督内容,从而实现对预测模型的有监督的训练。其中,将样本用户的用户信息和辅助信息输入至预测模型时,可以将样本用户的用户信息和辅助信息进行向量转换,得到多维向量,每一维对应一类具体信息。同样的,在将待预测用户的用户信息和辅助信息输入预测模型时,也可以将待预测用户的用户信息和辅助信息进行向量转换,得到多维向量。需要说明的是,任何一种能够将文本转换为向量的算法均可以应用于本发明实施例,例如:word2vec算法。这里,word2vec是一种自然语言处理算法,它的特点是将所有的词向量化,这样词与词之间就可以定量的去度量他们之间的关系,挖掘词之间的联系。
需要说明的是,上述的预测模型可以为机器学习算法模型中的决策树模型。并且,预测模型的训练初期,可以采用LR(Logistic Regression,逻辑回归)算法或FM(factorization machine,因子分解机)算法;在后续迭代训练的过程中,可以采用XGBoost(eXtreme Gradient Boosting)算法。其中,XGBoost是现有的一种算法库。本发明实施例中,利用决策树模型所实现的预测模型,预测得到的待预测用户对各种预设面额的优惠券的使用意愿值,均可以为一个0-1之间的数字。
当然,在具体应用中,预测模型并不限于机器学习算法模型中的决策树模型,还可以包括机器学习算法模型中的其他算法模型。例如:聚类算法模型、贝叶斯分类模型以及支持向量机模型等等。另外,也可以采用深度学习算法模型作为本发明实施例中的预测模型。这里,深度学习算法模型可以包括:卷积神经网络、循环神经网络以及多层感知机等等。
在实际应用中,可以训练多个预测模型,并将这些预测模型进行保存,每种预测模型对应一种发放场景。这里,发放场景的不同主要在于:待预测用户的不同,和/或,预设优惠券的面额种类的不同,和/或,每种预设面额下优惠券的数量的不同。因此,确定了发放场景,就可以确定待预测用户,也可以相应确定该应用场景对应的预测模型。
另外,在实际应用中,可以通过配置可配参数的方式选择发放场景。其中,可配参数可以包括以下参数中的一种或多种:预设优惠券的面额种类、每种预设面额下优惠券的数量,待预测用户的群组以及发放方案。其中,待预测用户的群组和发放方案可以分别预先设定多个,从而在配置可配参数时,可以通过下拉菜单或者子选项进行选择。这样,当发放场景确定后,该发放场景所对应的多种预设面额的优惠券的面额类型,以及每种面额下的优惠券数量也可以相应的确定下来。
可以理解的是,将多个发放场景上线应用后,就可以获得这些发放场景所能带来的收益。进而,可以选择出满足预期的发放场景,并将所选择的发放场景作为后续的优选发放场景。
S104:向待预测用户发放多种预设面额中的一种或多种优惠券,该一种或多种优惠券与优惠券使用意愿值相对应。
可以理解的是,基于待预测用户的优惠券使用意愿值,可以向待预测用户发放多种预设面额中的一种或多种优惠券。例如,将使用意愿值较高的一种或多种优惠券,发放给待预测用户。当然,并不局限于此。
在实际应用中,当发放场景确定后,还可以根据营销目的的不同,相应的制定不同的发放方案。例如,制定营销收益最大的发放方案,或者,制定下单量最大化的发放方案等等。通过制定发放方案,可以在一定程度上可以实现订单量和营销收益的可控制和可预期。
为了方案清楚及布局清晰,后续对向待预测用户发放多种预设面额中的一种或多种优惠券的具体发放方案进行举例说明。
本发明实施例提供的优惠券发放方法中,将待预测用户的用户信息以及辅助信息输入到训练后的预测模型中,预测待预测用户的优惠券使用意愿值;向待预测用户发放多种预设面额中,与优惠券使用意愿值对应的一种或多种优惠券。由于所预测的使用意愿值综合考虑了多种可能影响待预测用户最终是否会使用优惠券的因素,因此,本发明实施例提供优惠券发放方法,可以降低所发放优惠券的浪费率。
下面,对向待预测用户发放多种预设面额中的一种或多种优惠券的具体发放方案进行举例说明。
可选地,在一种实现方式中,向待预测用户发放多种预设面额中的一种或多种优惠券,可以包括:
针对多种预设面额中的每一种优惠券,获得该种优惠券的目标收益;将优惠券使用意愿值中对该种优惠券的使用意愿值与该种优惠券的目标收益相乘,得到乘积结果;将乘积结果作为该种优惠券对应的评判数值;
将评判数值符合预定筛选条件的一种或多种优惠券发放给待预测用户。
其中,每种优惠券的目标收益的确定方式可以存在多种。示例性的,在一种实现方式中,可以将每种优惠券的面额与成本价的差值,作为该种优惠券对应的目标收益。
可以理解的是,将对每种优惠券的使用意愿值和该种优惠券的目标收益的乘积结果,作为评判数据所筛选的一种或多种优惠券,可以在降低了所发放的优惠券的浪费率的同时,进一步地提升营销收益。
另外,将评判数值符合预定筛选条件的一种或多种优惠券发放给待预测用户的具体实现方式也存在多种。示例性的,在一种实现方式中,将评判数值符合预定筛选条件的一种或多种优惠券发放给待预测用户,可以包括:
将评判数值最大的一种优惠券发放给待预测用户;
或者,将评判数值大于预定阈值的一种或多种优惠券发放给待预测用户。
可以理解的是,在确定了向待预测用户发放的优惠券的面额种类后,可以向待预测用户发放所确定的每种预设面额下的一张或多张优惠券。
可见,采用这种方式向待预测用户所发放的优惠券,可以最大化营销收益。
可选地,在另一种实现方式中,待预测用户可以包括多个,相应的,向待预测用户发放多种预设面额中的一种或多种优惠券,可以包括:按照预定的分配方式,为每个待预测用户分配一种预设面额的优惠券中的一个。
其中,如图2所示,预定的分配方式,可以包括以下步骤:
A、确定当前未被分配给任一待预测用户的优惠券中,最小面额的优惠券和次小面额的优惠券,确定最小面额的优惠券的个数X;其中,X为正整数;
B、针对每一未分配优惠券的待预测用户,确定该待预测用户的第一使用意愿值和第二使用意愿值,并计算第一使用意愿值和第二使用意愿值的意愿差值;第二使用意愿值为该待预测用户对当前最小面额的优惠券的使用意愿值;第一使用意愿值为该待预测用户对当前次小面额的优惠券的使用意愿值;
C、将各个未分配优惠券的待预测用户的意愿差值,按照从小到大的顺序进行排序,为排序所得的序列中前X个意愿差值对应的待预测用户,分别分配一个最小面额的优惠券;
D、判断当前是否还有未分配优惠券的待预测用户,如果是,返回步骤A。
如图2所示,如果步骤D的判断结果为已经没有未分配优惠券的待预测用户,则完成分配,结束分配的流程。
另外,在实际应用中,通常会根据待预测用户的数量,来确定待发放的优惠券的数量。因此,待发放的优惠券的数量通常会大于等于待预测用户的数量。如果待发放的优惠券的数量大于待预测用户的数量时,在每个待预测用户都分配有一优惠券后,优惠券还有剩余。此时,可以完成分配,也可以继续依照上述的预定的分配方式,为待预测用户进行新一轮的分配,直至待发放的优惠券被分配完毕。
可以理解的是,采用上述预定的分配方式所确定的向待预测用户发放的优惠券,可以最大化待预测用户的下单量。
需要强调的是,上述的向待预测用户发放多种预设面额中的一种或多种优惠券的具体实现方式,仅仅作为示例,并不应该构成对本发明实施例的限定。
相应于上述的一种优惠券发放方法,本发明实施例还提供了一种优惠券发放装置。如图3所示,本发明实施例提供的优惠券发放装置,可以包括:
确定模块301,用于确定待预测用户;
获得模块302,用于获得待预测用户的用户信息以及辅助信息;其中,辅助信息包括历史行为记录和/或实时场景数据,历史行为记录为待预测用户在一段历史时期内观看视频产生的且被用户端获取的历史行为,实时场景数据为待预测用户通过用户端播放视频时产生的实时应用场景数据;
预测模块303,用于将待预测用户的用户信息和辅助信息输入到训练后的预测模型中,预测待预测用户的优惠券使用意愿值;
发放模块304,用于向待预测用户发放多种预设面额中的一种或多种优惠券,一种或多种优惠券与待优惠券使用意愿值相对应。
可选地,发放模块304,可以包括:评判子模块和发放子模块;
该评判子模块,用于针对多种预设面额中的每一种优惠券,获得该种优惠券的目标收益;将优惠券使用意愿值中对该种优惠券的使用意愿值与该种优惠券的目标收益相乘,得到乘积结果;将乘积结果作为该种优惠券对应的评判数值;
该发放子模块,用于将评判数值符合预定筛选条件的一种或多种优惠券发放给待预测用户。
可选地,发放子模块,可以具体用于:
将评判数值最大的一种优惠券发放给待预测用户;
或者,将评判数值大于预定阈值的一种或多种优惠券发放给待预测用户。
可选地,待预测用户可以包括多个;
相应的,发放模块304,可以具体用于:
按照预定的分配方式,为每个待预测用户分配一种预设面额的优惠券中的一个;
其中,预定的分配方式,可以包括以下步骤:
A、确定当前未被分配给任一待预测用户的优惠券中,最小面额的优惠券和次小面额的优惠券,确定最小面额的优惠券的个数X;其中,X为正整数;
B、针对每一未分配优惠券的待预测用户,确定该待预测用户的第一使用意愿值和第二使用意愿值,并计算第一使用意愿值和第二使用意愿值的意愿差值;第二使用意愿值为该待预测用户对当前最小面额的优惠券的使用意愿值;第一使用意愿值为该待预测用户对当前次小面额的优惠券的使用意愿值;
C、将各个未分配优惠券的待预测用户的意愿差值,按照从小到大的顺序进行排序,为排序所得的序列中前X个意愿差值对应的待预测用户,分别分配一个最小面额的优惠券;
D、判断当前是否还有未分配优惠券的待预测用户,如果是,返回步骤A。
本发明实施例提供的优惠券发放装置,将待预测用户的用户信息以及辅助信息输入到训练后的预测模型中,预测待预测用户的优惠券使用意愿值;向待预测用户发放多种预设面额中,与优惠券使用意愿值对应的一种或多种优惠券。由于所预测的使用意愿值综合考虑了多种可能影响待预测用户最终是否会使用优惠券的因素,因此,本发明实施例提供优惠券发放装置,可以降低所发放优惠券的浪费率。
另外,本发明实施例提供的优惠券的发放装置,还可以在一定程度上可以实现订单量和营销收益的可控制和可预期。
本发明实施例还提供了一种电子设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信;
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现上述任一种优惠券发放方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一的优惠券发放方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一的优惠券发放方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字客户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种优惠券发放方法,其特征在于,包括:
确定待预测用户,所述待预测用户为观看视频的用户,且在未来若干天内会过期的会员用户;
获得所述待预测用户的用户信息以及辅助信息;其中,所述用户信息包括开通会员时间和/或会员等级、性别、常驻地、客户端的软件版本,以及所述待预测用户所使用的终端设备型号;所述辅助信息包括历史行为记录和实时场景数据;所述历史行为记录为所述待预测用户在一段历史时期内观看视频产生的且被客户端获取的浏览记录;所述浏览记录至少包括:浏览过的各个页面、浏览各个页面时的停留时间、针对同一页面或多个页面的浏览次数;所述实时场景数据为所述待预测用户通过所述客户端播放视频时产生的实时应用场景数据;所述实时场景数据包括:客户端的当前界面、当前网络环境、当前时间信息及所述待预测用户的当前所在地中的一个或多个;
将所述待预测用户的用户信息和辅助信息输入到训练后的预测模型中,预测所述待预测用户的优惠券使用意愿值,其中,所述训练后的预测模型为多种,多种预测模型包括所述待预测用户不同对应的预测模型、预设优惠券的面额种类不同对应的预测模型和每种预设面额下优惠券的数量不同对应的预测模型,所述优惠券使用意愿值包括:所述待预测用户对多种预设面额中的每种优惠券的使用意愿值;
向所述待预测用户发放多种预设面额中的一种或多种优惠券,所述一种或多种优惠券与所述优惠券使用意愿值相对应。
2.根据权利要求1所述的方法,其特征在于,所述向所述待预测用户发放多种预设面额中的一种或多种优惠券,包括:
针对所述多种预设面额中的每一种优惠券,获得该种优惠券的目标收益;将所述优惠券使用意愿值中对该种优惠券的使用意愿值与该种优惠券的目标收益相乘,得到乘积结果;将乘积结果作为该种优惠券对应的评判数值;
将评判数值符合预定筛选条件的一种或多种优惠券发放给所述待预测用户。
3.根据权利要求2所述的方法,其特征在于,所述将评判数值符合预定筛选条件的一种或多种的优惠券发放给所述待预测用户,包括:
将评判数值最大的一种优惠券发放给所述待预测用户;
或者,将评判数值大于预定阈值的一种或多种优惠券发放给所述待预测用户。
4.根据权利要求1所述的方法,其特征在于,所述待预测用户包括多个;
所述向所述待预测用户发放多种预设面额中的一种或多种优惠券,包括:
按照预定的分配方式,为每个待预测用户分配一种预设面额的优惠券中的一个;
所述预定的分配方式,包括:
A、确定当前未被分配给任一待预测用户的优惠券中,最小面额的优惠券和次小面额的优惠券,确定所述最小面额的优惠券的个数X;其中,X为正整数;
B、针对每一未分配优惠券的待预测用户,确定该待预测用户的第一使用意愿值和第二使用意愿值,并计算所述第一使用意愿值和所述第二使用意愿值的意愿差值;所述第二使用意愿值为该待预测用户对当前最小面额的优惠券的使用意愿值;所述第一使用意愿值为该待预测用户对当前次小面额的优惠券的使用意愿值;
C、将各个未分配优惠券的待预测用户的意愿差值,按照从小到大的顺序进行排序,为排序所得的序列中前X个意愿差值对应的待预测用户,分别分配一个最小面额的优惠券;
D、判断当前是否还有未分配优惠券的待预测用户,如果是,返回步骤A。
5.一种优惠券发放装置,其特征在于,包括:
确定模块,用于确定待预测用户,所述待预测用户为观看视频的用户,且在未来若干天内会过期的会员用户;
获得模块,用于获得所述待预测用户的用户信息以及辅助信息;其中,所述用户信息包括开通会员时间和/或会员等级、性别、常驻地、客户端的软件版本,以及所述待预测用户所使用的终端设备型号;所述辅助信息包括历史行为记录和实时场景数据;所述历史行为记录为所述待预测用户在一段历史时期内观看视频产生的且被客户端获取的浏览记录;所述浏览记录至少包括:浏览过的各个页面、浏览各个页面时的停留时间、针对同一页面或多个页面的浏览次数;所述实时场景数据为所述待预测用户通过所述客户端播放视频时产生的实时应用场景数据;所述实时场景数据包括:客户端的当前界面、当前网络环境、当前时间信息及所述待预测用户的当前所在地中的一个或多个;
预测模块,用于将所述待预测用户的用户信息和辅助信息输入到训练后的预测模型中,预测所述待预测用户的优惠券使用意愿值,其中,所述训练后的预测模型为多种,多种预测模型包括所述待预测用户不同对应的预测模型、预设优惠券的面额种类不同对应的预测模型和每种预设面额下优惠券的数量不同对应的预测模型,所述优惠券使用意愿值包括:所述待预测用户对多种预设面额中的每种优惠券的使用意愿值;
发放模块,用于向所述待预测用户发放多种预设面额中的一种或多种优惠券,所述一种或多种优惠券与所述优惠券使用意愿值相对应。
6.根据权利要求5所述的装置,其特征在于,所述发放模块,包括评判子模块和发放子模块;
所述评判子模块,用于针对所述多种预设面额中的每一种优惠券,获得该种优惠券的目标收益;将所述优惠券使用意愿值中对该种优惠券的使用意愿值与该种优惠券的目标收益相乘,得到乘积结果;将乘积结果作为该种优惠券对应的评判数值;
所述发放子模块,用于将评判数值符合预定筛选条件的一种或多种优惠券发放给所述待预测用户。
7.根据权利要求6所述的装置,其特征在于,所述发放子模块,具体用于:
将评判数值最大的一种优惠券发放给所述待预测用户;
或者,将评判数值大于预定阈值的一种或多种优惠券发放给所述待预测用户。
8.根据权利要求5所述的装置,其特征在于,所述待预测用户包括多个;
所述发放模块,具体用于:
按照预定的分配方式,为每个待预测用户分配一种预设面额的优惠券中的一个;
所述预定的分配方式,包括:
A、确定当前未被分配给任一待预测用户的优惠券中,最小面额的优惠券和次小面额的优惠券,确定所述最小面额的优惠券的个数X;其中,X为正整数;
B、针对每一未分配优惠券的待预测用户,确定该待预测用户的第一使用意愿值和第二使用意愿值,并计算所述第一使用意愿值和所述第二使用意愿值的意愿差值;所述第二使用意愿值为该待预测用户对当前最小面额的优惠券的使用意愿值;所述第一使用意愿值为该待预测用户对当前次小面额的优惠券的使用意愿值;
C、将各个未分配优惠券的待预测用户的意愿差值,按照从小到大的顺序进行排序,为排序所得的序列中前X个意愿差值对应的待预测用户,分别分配一个最小面额的优惠券;
D、判断当前是否还有未分配优惠券的待预测用户,如果是,返回步骤A。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266174.5A CN109961191B (zh) | 2019-04-03 | 2019-04-03 | 一种优惠券发放方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266174.5A CN109961191B (zh) | 2019-04-03 | 2019-04-03 | 一种优惠券发放方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109961191A CN109961191A (zh) | 2019-07-02 |
CN109961191B true CN109961191B (zh) | 2022-06-03 |
Family
ID=67025712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910266174.5A Active CN109961191B (zh) | 2019-04-03 | 2019-04-03 | 一种优惠券发放方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961191B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
CN111199429A (zh) * | 2020-01-07 | 2020-05-26 | 支付宝(杭州)信息技术有限公司 | 预测模型的训练方法及装置 |
CN113760521A (zh) * | 2020-09-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种虚拟资源的分配方法和装置 |
CN113095883B (zh) * | 2021-04-21 | 2023-04-07 | 山东大学 | 基于深度交叉注意力网络的视频付费用户预测方法及系统 |
CN113592562A (zh) * | 2021-08-09 | 2021-11-02 | 京东科技控股股份有限公司 | 优惠券处理方法、装置、电子设备及存储介质 |
CN115860820A (zh) * | 2023-01-19 | 2023-03-28 | 武汉利楚商务服务有限公司 | 电子优惠券智能加密投放及销毁方法与装置 |
CN117350351B (zh) * | 2023-12-04 | 2024-03-05 | 支付宝(杭州)信息技术有限公司 | 用户响应预测系统的训练方法、用户响应预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN107818478A (zh) * | 2017-10-31 | 2018-03-20 | 携程计算机技术(上海)有限公司 | 基于预估收益的海外优惠券发放方法及系统 |
CN108280683A (zh) * | 2018-01-18 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 基于广告投放平台的优惠券发放方法及装置 |
CN109389431A (zh) * | 2018-09-30 | 2019-02-26 | 北京三快在线科技有限公司 | 优惠券的分配方法、装置、电子设备及可读存储介质 |
CN109509033A (zh) * | 2018-12-14 | 2019-03-22 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110039085A (ko) * | 2009-10-09 | 2011-04-15 | 하용진 | 전자 쿠폰 서비스 결제용 pda 단말기 및 전자 쿠폰 서비스 결제 방법 |
US20120116858A1 (en) * | 2010-11-04 | 2012-05-10 | Simmons Jr Lawrence D | Consumer created coupons |
CN102184501A (zh) * | 2011-03-24 | 2011-09-14 | 上海博路信息技术有限公司 | 一种移动终端的电子优惠券系统 |
CN106934646A (zh) * | 2015-12-31 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 营销活动中投放电子优惠券的方法和装置 |
CN107016569A (zh) * | 2017-03-21 | 2017-08-04 | 聚好看科技股份有限公司 | 一种网络产品的目标用户账号获取方法及装置 |
CN108416624A (zh) * | 2018-02-27 | 2018-08-17 | 深圳乐信软件技术有限公司 | 一种优惠券推送方法、装置、存储介质及智能终端 |
CN108876436A (zh) * | 2018-05-25 | 2018-11-23 | 广东工业大学 | 一种基于集成模型的电商优惠券使用概率预测方法 |
-
2019
- 2019-04-03 CN CN201910266174.5A patent/CN109961191B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN107818478A (zh) * | 2017-10-31 | 2018-03-20 | 携程计算机技术(上海)有限公司 | 基于预估收益的海外优惠券发放方法及系统 |
CN108280683A (zh) * | 2018-01-18 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 基于广告投放平台的优惠券发放方法及装置 |
CN109389431A (zh) * | 2018-09-30 | 2019-02-26 | 北京三快在线科技有限公司 | 优惠券的分配方法、装置、电子设备及可读存储介质 |
CN109509033A (zh) * | 2018-12-14 | 2019-03-22 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109961191A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961191B (zh) | 一种优惠券发放方法及装置 | |
CN111523976B (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN107330445B (zh) | 用户属性的预测方法和装置 | |
JP6425735B2 (ja) | 一時的な取引制限の決定 | |
CN110019693B (zh) | 智能客服的信息推荐方法、服务器及计算机可读介质 | |
CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
US20210012363A1 (en) | Device, method and computer-readable medium for analyzing customer attribute information | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN114116802A (zh) | Flink计算框架的数据处理方法、装置、设备和存储介质 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN113269355A (zh) | 一种用户贷款预测方法、装置及存储介质 | |
CN110895761A (zh) | 一种售后服务申请信息的处理方法和装置 | |
CN113159213A (zh) | 一种业务分配方法、装置及设备 | |
CN112651632A (zh) | 基于营销数据的信息分析处理方法和装置 | |
US20170249697A1 (en) | System and method for machine learning based line assignment | |
US11935075B2 (en) | Card inactivity modeling | |
WO2018151731A1 (en) | Unified smart connector | |
JP7198591B2 (ja) | 顧客の属性情報を解析する装置、方法、およびプログラム | |
CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN113837183B (zh) | 基于实时挖掘的多阶段凭证智能生成方法、系统及介质 | |
CN117217852B (zh) | 一种基于行为识别购买意愿度预测方法及装置 | |
US20230401104A1 (en) | Method and system to identify time-based patterns in resource management operations | |
US20230401239A1 (en) | Method and system to identify patterns in resource management operations | |
CN115953228A (zh) | 银行客群的生成方法及其系统、计算机设备 |
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 |