CN109993553A - 基于逆向漏斗的数据分析方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及基于逆向漏斗的数据分析方法、装置、设备及介质。该方法包括：获取历史营销活动数据和用户信息；根据历史营销活动数据和用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库，其中营销活动类型和历史画像具有匹配关系；根据历史营销活动数据、用户群行为和业务趋势指标，对历史用户画像进行重构来获得新的用户画像；将每一种营销活动类型与获得的新的用户画像进行匹配来构建营销活动类型与新的用户画像之间的逆向漏斗分析矩阵，其中每一种营销活动类型对应于一种或多个新的用户画像；以及利用逆向漏斗分析矩阵提取与策划的营销活动相关联的目标用户群。

Description

基于逆向漏斗的数据分析方法、装置、设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于逆向漏斗的数据分析方法、装置、设备及介质。

背景技术

随着电信市场迅速发展，运营商的业务复杂度也越来越高。为了满足持续增长的个性化用户需求，需要对存量用户进行“超细分”，以便准确划定出不同的用户群，从而针对不同用户群体的需求推出适合的产品和营销活动。

传统的分群方法是先将所有用户打上标签，然后根据标签特征划分用户群。这种方法主要应用于生命周期较长的电信套餐产品推广，但不足以支撑生命周期短、时效性较强的营销活动。

为了促进更加复杂的营销活动推广，出现了一种漏斗式分析方法。该方法通过漏斗式过滤对庞大的用户群进行逐步筛选，直到产生数量合规的用户群。具体地，当制定出营销活动策略之后，且营销活动尚未开展之前，业务人员可以利用这种方法首先排除不符合活动标准的用户(比如，与现有活动互斥的用户)，然后根据用户标签设置筛选条件以不断缩小用户数量，最终得出符合要求的用户群。

上述漏斗式分析方法依赖于人工经验和判断，因为在筛选过程中，虽然筛选条件是根据客户标签经过系统计算后得到的，但是筛选条件的配置和组合却需要由人工完成。另外，这种方法只能够排除不符合条件的用户，却无法自动分析出特定的营销活动最符合哪类用户群。因而，这种方法导致业务部门外呼的成功率较低，营销推广活动执行效果不佳。

综上所述，需要一种更为准确地提取目标用户群的数据分析方法、装置、设备及介质，通过智能分析营销活动应用场景，以结果为导向分析与营销活动适配的用户群特征，逆向导出用户标签，基于用户标签自动生成筛选条件，配合营销策略完成最终用户群提取。

发明内容

本发明实施例提供了一种基于逆向漏斗的数据分析方法、装置、设备及介质。

第一方面，本发明实施例提供了一种基于逆向漏斗的数据分析方法，该方法包括：

获取历史营销活动数据和用户信息；

根据历史营销活动数据和用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库，其中营销活动类型和历史画像具有匹配关系；

根据历史营销活动数据、用户群行为和业务趋势指标，对历史用户画像进行重构来获得新的用户画像；

将每一种营销活动类型与获得的新的用户画像进行匹配来构建营销活动类型与新的用户画像之间的逆向漏斗分析矩阵，其中每一种营销活动类型对应于一种或多个新的用户画像；以及

利用逆向漏斗分析矩阵提取与策划的营销活动相关联的目标用户群。

第二方面，本发明实施例提供了一种基于逆向漏斗的数据分析装置，该装置包括：

数据获取单元，被配置为获取历史营销活动数据和用户信息；

聚类分析单元，被配置为根据从数据获取单元获取的历史营销活动数据和用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库，其中营销活动类型和历史画像具有匹配关系；

重构单元，被配置为根据历史营销活动数据、用户群行为和业务趋势指标，对聚类分析单元生产的历史用户画像进行重构来获得新的用户画像；

矩阵构建单元，被配置为将每一种营销活动类型与获得的新的用户画像进行匹配来构建营销活动类型与新的用户画像之间的逆向漏斗分析矩阵，其中每一种营销活动类型对应于一种或多个新的用户画像；以及

提取单元，被配置为利用矩阵构建单元构建的逆向漏斗分析矩阵提取与策划的营销活动相关联的目标用户群。

第三方面，本发明实施例提供了一种基于逆向漏斗的数据分析设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

根据本发明上述实施例提供的技术方案，改变了现有的数据分析技术从上至下的分析顺序，弥补了传统漏斗分析需要逐步人工刷选，从而导致海量数据分析难度大、用户分群准确性低的问题。充分发挥企业大数据分析能力，利用海量历史数据进行深度数据解析，形成体系化用户参与营销活动特征。结合当前业务发展数据，不断更新用户画像知识库，使得用户画像知识库能够持续满足营销活动分析要求。解决了营销活动用户群提取复杂的问题，使得业务人员能够根据需要进行客户分群，显著提高了营销活动执行成功率。有助于提升移动公司经营业务分析水平，拓展大数据应用场景。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，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示出了根据发明实施例的基于逆向漏斗的数据分析方法100的流程图；

图2示出了根据本发明实施例的图1中步骤120的子流程图；

图3示出了根据本发明实施例的基于历史营销活动数据、业务指标和用户行为对用户画像进行重构的框图；

图4示出了根据本发明实施例的图1中步骤150的子流程图；

图5示出了根据本发明实施例的方法100的阶段框图；

图6示出了根据本发明实施例的基于逆向漏斗的数据分析装置的框图；以及

图7示出了根据本发明实施例的基于逆向漏斗的数据分析设备的框图；

图8示出了根据本发明实施例的营销活动类型和历史用户画像进行匹配之后得到的网状关系图谱。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

图1示出了根据本发明实施例的基于逆向漏斗的数据分析方法100的流程图。具体地，基于逆向漏斗的数据分析方法100包括以下步骤110- 150。

步骤110：获取历史营销活动数据和用户信息。在一些实施例中，历史营销活动数据包括营销活动规则、营销活动类型、营销活动执行周期以及营销活动执行效果等，用户信息包括用户分群情况、用户号码以及用户参与积极性等等，如表1所示。其中，目标用户群生成之后推荐到各渠道进行营销执行，执行过程存在三种执行效果：营销成功，用户参与活动；客户有意向，但未参与活动；营销失败，用户拒绝参与活动。根据三种执行效果可以把目标用户群分解成三个集合，即成功用户群、意向用户群、以及失败用户群。

表1-历史营销活动数据和用户信息

步骤120：根据历史营销活动数据和用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库，其中营销活动类型和历史用户画像具有匹配关系。

聚类分析也称为群分析，是一种研究样品或指标分类问题的统计分析方法，同时也是一种用于数据挖掘的重要算法，能够帮助市场分析人员从消费者数据库中区分出不同的消费群体来，并且概括出每一类消费者的消费模式或消费习惯。简而言之，聚类是将数据分布到不同的类的过程，属于同一类的样本具有相似性，反之，属于不同类的样本具有相异性。聚类分析与基于预先定义的类别进行归类不同，其目的在于挖掘样本数据的相似性，因而所要划分的类是事先未知的。聚类分析的解依赖于所选择的一个或多个聚类变量，在本实施例中，聚类变量可以选择用户信息。聚类分析进一步包括多种形式，例如谱系聚类、快速聚类、两阶段聚类等，本文所述的方法不受限于具体的聚类形式。

在本文的实施例中，方法100利用聚类算法将历史营销活动和用户分群构建成不同维度的集合。具体地，按照第一聚类规则将历史营销活动划分成不同的营销活动类型，按照第二聚类规则将用户分群划分成不同的历史用户画像，以用于后续分析。

图2示出了根据本发明实施例的图1中步骤120的子流程图。如图2 所示，步骤120进一步包括：

步骤122：提取与营销活动相关联的营销活动特征，按照第一聚类规则将与营销活动特征相关联的营销活动划分成多个营销活动类型。在一些实施例中，第一聚类规则可以是例如，将具有相同营销活动特征的营销活动划分成同一营销活动类型，即∑(营销活动1,营销活动2,…营销活动n)＝营销活动类型。划分的所有营销活动类型的集合：(活动类型1,活动类型 2,…活动类型n)构成了营销活动类型库。

步骤124：提取与用户信息相关联的用户群特征，按照第二聚类规则将与用户群特征相关联的用户划分成多个历史用户画像，其中划分的多个历史用户画像构成历史用户画像库。在一些实施例中，第二聚类规则可以是例如，将成功参与每一个营销活动的、具有相同用户群特征的用户划分成同一用户群。步骤124的本质是将该用户群特征提取出来作为分析用户画像的依据，不同的用户群组合可以总结出不同的历史用户画像，即∑(用户1,用户2,用户3,…)＝历史用户画像。例如，构成某个历史用户画像的用户群特征包括日通话时长、日流量、月消费等指标。这些历史用户画像的集合：(历史用户画像1,历史用户画像2,…历史用户画像n)构成了历史用户画像库。

步骤126：根据营销活动类型库和历史用户画像库，建立二者之间的匹配关系。同一营销活动类型可以对应于多个用户画像。反过来说，同一用户画像也可以对应于不止一种营销活动类型。图8示出了根据本发明的实施例的营销活动类型和历史用户画像进行匹配之后得到的网状关系图谱。

步骤130：根据历史营销活动数据、用户群行为和业务趋势指标，对历史用户画像进行重构来获得新的用户画像。随着市场结构调整和电信业务发展，用户需求不可能一成不变，同一营销活动所面向的用户群也会随之变化，所以有必要根据业务发展趋势和用户群行为综合分析市场现状，对用户画像进行重构。

参考图3，根据本发明实施例示出了基于历史营销活动数据、业务指标和用户行为对用户画像进行重构的框图。如图3所示，针对当前历史用户画像，可以综合分析用户行为信息和业务发展趋势指标，对构成用户画像的用户群特征进行调整，使之更加符合未来的营销活动，进而重构出新的用户画像。例如，某个历史用户画像包括3项用户群特征：日通话时长大于20分钟、日流量使用量大于5M、月消费大于100元。通过对该用户群行为和相关业务发展趋势分析发现，此类用户的平均日通话时长趋势大于30分钟且日流量使用量趋势大于10M，这说明原用户群特征已经不适用于描述该类用户群，需要对用户画像的用户群特征进行调整，例如可以调整为日通话时长大于30分钟，日流量使用量大于10M，月消费大于120元。在本实施例中，用户群行为可以包括例如，与相应用户群相关联的历史用户画像所匹配的营销活动类型、消费偏好趋势等，业务趋势指标可以包括例如，通信行为趋势、互联网行为趋势、流量使用趋势、短信使用趋势等。用户群特征元素可以是诸如日通话时长、日流量、月消费之类的用户群行为。当然，本发明不对具体的用户行为信息和业务发展趋势指标进行限制，除了这两类因素，根据需要还可以综合考虑其他因素，本文对此不进行赘述。

步骤140：将每一种营销活动类型与获得的新的用户画像进行匹配，即营销活动类型→(历史用户画像集合)→(重构后的新的用户画像集合)，以构建营销活动类型和新的用户画像之间的逆向漏斗分析矩阵，每一种营销活动类型可以对应于一种或多个新的用户画像，如表3所示。

	新用户画像1	新用户画像2	……	新用户画像n
					活动类型1	√		√
活动类型2		√
					……	√			√
活动类型n		√	√

表3-营销活动类型与重构的新的用户画像之间的匹配关系

步骤150：利用逆向漏斗分析矩阵提取与策划的营销活动相关联的目标用户群。图4示出了根据本发明实施例的图1中步骤150的子流程图。如图4所示，步骤150进一步包括以下步骤：

步骤152：将策划的营销活动的活动内容输入到逆向漏斗分析矩阵中，以获得该策划的营销活动所属的营销活动类型。针对不同的营销活动可以输入不同的活动内容，例如针对套餐类产品可以输入套内通话时长、套内流量总量、套内短信数等等；针对流量类优化产品可以输入活动期限、活动内所包含的流量总量等等。本发明实施例适用于各种营销活动内容，因此不受具体营销活动内容的限制。

步骤154：利用逆向漏斗分析矩阵来提取与策划的营销活动所属的营销活动类型相匹配的用户画像，如表4所示。

营销活动	所属类型	对应用户画像
			活动1	活动类型3	∑(新用户画像1+新用户画像2+…)
活动2	活动类型1	∑(新用户画像1+新用户画像3+…
			…	…	…

图表4-营销活动类型与用户画像之间的匹配关系

步骤156：将提取的用户画像分解成可识别的用户标签组合，经过自动标签匹配生成目标用户群，例如∑(新用户画像1+新用户画像2+…) ＝>用户标签匹配＝>目标用户群(138********、139********、 137********、134********、136********、151********、150********……)。

在一些实施例中，根据方法100生成的目标用户群可以被推送给业务人员，业务人员再根据营销规则对目标用户群进行调整，通过人工调整不断优化用户群范围，进而获得最终用户群。

在一些实施例中，最终用户群可以推送到相应的营销渠道，并按照营销规则在合理的营销周期内开始执行营销活动。

在一些实施例中，营销活动执行完成之后，可以对营销活动执行情况和用户分群情况进行分析，将分析的结果沉淀到营销活动类型库和历史用户画像库中，以不断完善和更新数据库，从而保障了用户分群的先进性、及时性和准确性。

结合图5，可以将本文所述的基于逆向漏斗的数据分析方法分为三个阶段。第一阶段实现用户画像构建，基于历史营销活动案例构建历史用户画像。第二阶段实现逆向漏斗分析矩阵构建，在第一阶段的历史用户画像和历史营销活动数据的基础上结合当前业务发展趋势数据重构用户画像，建立营销活动类型与重构的新的用户画像之间的匹配关系，即逆向漏斗分析矩阵；以及第三阶段实现目标用户分群，利用第二阶段建立的逆向漏斗分析矩阵来提取目标用户群。

本发明改变了现有的数据分析技术从上至下的分析顺序，弥补了传统漏斗分析需要逐步人工刷选，从而导致海量数据分析难度大、用户分群准确性低的问题。充分发挥企业大数据分析能力，利用海量历史数据进行深度数据解析，形成体系化用户参与营销活动特征。结合当前业务发展数据，不断更新用户画像知识库，使得用户画像知识库能够持续满足营销活动分析要求。解决了营销活动用户群提取复杂的问题，使得业务人员能够根据需要进行客户分群，显著提高了营销活动执行成功率。有助于提升移动公司经营业务分析水平，拓展大数据应用场景。

图6示出了根据本发明实施例的基于逆向漏斗的数据分析装置600的框图。如图6所示，装置600包括数据获取单元601、聚类分析单元 602、重构单元603、矩阵构建单元604以及提取单元605。具体地，数据获取单元601被配置为获取历史营销活动数据和用户信息，如步骤110所述。聚类分析单元602被配置为根据从数据获取单元601获取的历史营销活动数据和用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库，其中营销活动类型和所述历史画像具有匹配关系，如步骤120所述。重构单元603被配置为根据历史营销活动数据、用户群行为和业务趋势指标，对聚类分析单元602生成的历史用户画像进行重构来获得新的用户画像，如步骤130所述。矩阵构建单元604被配置为将每一种营销活动类型与获得的新的用户画像进行匹配来构建营销活动类型与新的用户画像之间的逆向漏斗分析矩阵，其中每一种营销活动类型对应于一种或多个新的用户画像，如步骤140所述。提取单元605被配置为利用矩阵构建单元604构建的逆向漏斗分析矩阵来提取与策划的营销活动相关联的目标用户群，如步骤150所述。

在一些实施例中，聚类分析单元602进一步包括营销活动类型生产子单元621、用户画像库生成子单元622以及匹配子单元623。销活动类型生产子单元621被配置为提取与营销活动相关联的营销活动特征，按照第一聚类规则将与营销活动特征相关联的营销活动划分成多个营销活动类型，其中划分的多个营销活动类型构成营销活动类型库，如步骤122所述。用户画像库生成子单元622被配置为提取与所述用户信息相关联的用户群特征，按照第二聚类规则将与用户群特征相关联的用户划分成多个历史用户画像，其中划分的多个历史用户画像构成历史用户画像库，如步骤 124所述。匹配子单元623被配置为根据营销活动类型库和历史用户画像库来建立营销活动类型库和历史用户画像库之间的匹配关系，如步骤126 所述。在一些实施例中，销活动类型生产子单元621所采用的第一聚类规则可以包括将具有相同营销活动特征的营销活动划分成同一营销活动类型，用户画像库生成子单元622所采用的第二聚类规则可以包括将成功参与每一个营销活动的、具有相同用户群特征的用户划分成同一用户群。当然，本发明不限于上述第一聚类规则和第二聚类规则，还可以根据具体的营销活动内容和营销规则选择使用其他聚类规则。

在一些实施例中，数据获取单元601获取的历史营销活动数据可以包括，但不限于营销活动规则、营销活动类型、营销活动执行周期、营销活动执行效果等，其中营销活动执行效果可以包括：营销成功；营销失败；用户有意向、营销暂未成功等。在一些实施例中，数据获取单元601获取的用户信息可以包括，但不限于用户分群情况、用户号码、用户参与积极性等，其中用户分群情况包括成功用户群、意向用户群、失败用户群等。

在一些实施例中，用户群行为可以包括消费偏好趋势以及与相应用户群相关联的历史用户画像所匹配的营销活动类型，业务趋势指标包括通信行为趋势、互联网行为趋势、流量使用趋势、以及短信使用趋势，以及用户群行为包括日通话时长、日流量以及月消费。

在一些实施例中，提取单元604进一步包括营销活动类型获取子单元 641、用户画像提取子单元642以及用户群生成子单元643。营销活动类型获取子单元641被配置为将策划的营销活动的活动内容输入到逆向漏斗分析矩阵中，以获得该策划的营销活动所属的营销活动类型。用户画像提取子单元642被配置为利用逆向漏斗分析矩阵来提取与策划的营销活动所属的营销活动类型相匹配的用户画像。用户群生成子单元643被配置为将提取的用户画像分解成可识别的用户标签组合，经过自动标签匹配生成所述目标用户群。

在一些实施例中，由用户群生成子单元643生产的目标用户群可以被推送给业务人员以进行人工调整，获得最终用户群。最终用户群可以推送到营销渠道，按照营销规则在营销周期内开始执行营销活动。在营销活动执行完成之后，对营销活动执行情况和用户分群情况进行分析，将分析结果沉淀到营销活动类型库和历史用户画像库中，以对营销活动类型库和历史用户画像库进行更新。

另外，结合图1描述的本发明实施例的基于逆向漏斗的数据分析方法可以由基于逆向漏斗的数据分析设备700来实现。图7示出了本发明实施例提供的基于逆向漏斗的数据分析设备的硬件结构示意图。

基于逆向漏斗的数据分析设备可以包括处理器701以及存储有计算机程序指令的存储器702。

具体地，上述处理器701可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus， USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在数据处理装置的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。在特定实施例中，存储器702包括只读存储器 (ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程 ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM (EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现上述实施例中的任意一种基于逆向漏斗的数据分析方法。

在一个示例中，基于逆向漏斗的数据分析设备还可包括通信接口703 和总线710。其中，如图7所示，处理器701、存储器702、通信接口703 通过总线710连接并完成相互间的通信。

通信接口703，主要用于实现本发明实施例中各模块、装置、单元和/ 或设备之间的通信。

总线710包括硬件、软件或两者，将基于逆向漏斗的数据分析设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口 (AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线 (FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件 (SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

另外，结合上述实施例中的基于逆向漏斗的数据分析方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于逆向漏斗的数据分析方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、 ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，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，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (11)

1.一种基于逆向漏斗的数据分析方法，其特征在于，所述方法包括：

获取历史营销活动数据和用户信息；

根据所述历史营销活动数据和所述用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库，其中所述营销活动类型和所述历史画像具有匹配关系；

根据所述历史营销活动数据、用户群行为和业务趋势指标，对所述历史用户画像进行重构来获得新的用户画像；

将每一种营销活动类型与获得的新的用户画像进行匹配来构建所述营销活动类型与新的用户画像之间的逆向漏斗分析矩阵，其中每一种营销活动类型对应于一种或多个新的用户画像；以及

利用所述逆向漏斗分析矩阵提取与策划的营销活动相关联的目标用户群。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史营销活动数据和所述用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库进一步包括：

提取与所述营销活动相关联的营销活动特征，按照第一聚类规则将与所述营销活动特征相关联的营销活动划分成多个营销活动类型，其中划分的多个营销活动类型构成所述营销活动类型库；

提取与所述用户信息相关联的用户群特征，按照第二聚类规则将与所述用户群特征相关联的用户划分成多个历史用户画像，其中划分的多个历史用户画像构成所述历史用户画像库；以及

根据所述营销活动类型库和所述历史用户画像库来建立所述营销活动类型库和所述历史用户画像库之间的匹配关系。

3.根据权利要求2所述的方法，其特征在于，所述第一聚类规则包括将具有相同营销活动特征的营销活动划分成同一营销活动类型，以及所述第二聚类规则包括将成功参与每一个营销活动的、具有相同用户群特征的用户划分成同一用户群。

4.根据权利要求1所述的方法，其特征在于，所述历史营销活动数据包括营销活动规则、营销活动类型、营销活动执行周期以及营销活动执行效果，其中所述营销活动执行效果包括：营销成功；营销失败；以及用户有意向、营销暂未成功，以及

所述用户信息包括用户分群情况、用户号码以及用户参与积极性，其中用户分群情况包括成功用户群、意向用户群、以及失败用户群。

5.根据权利要求1所述的方法，其特征在于，所述用户群行为包括消费偏好趋势以及与相应用户群相关联的历史用户画像所匹配的营销活动类型，所述业务趋势指标包括通信行为趋势、互联网行为趋势、流量使用趋势、以及短信使用趋势，以及所述用户群行为包括日通话时长、日流量以及月消费。

6.根据权利要求1所述的方法，其特征在于，所述利用所述逆向漏斗分析矩阵提取与策划的营销活动相关联的目标用户群进一步包括：

将所述策划的营销活动的活动内容输入到所述逆向漏斗分析矩阵中，以获得该策划的营销活动所属的营销活动类型；

利用所述逆向漏斗分析矩阵来提取与策划的营销活动所属的营销活动类型相匹配的用户画像；以及

将提取的用户画像分解成可识别的用户标签组合，经过自动标签匹配生成所述目标用户群。

7.根据权利要求6所述的方法，其特征在于，所述目标用户群被推送给业务人员以进行人工调整，获得最终用户群。

8.根据权利要求7所述的方法，其特征在于，还包括：

将所述最终用户群推送到营销渠道，按照营销规则在营销周期内开始执行营销活动；以及

在所述营销活动执行完成之后，对营销活动执行情况和用户分群情况进行分析，将分析结果沉淀到所述营销活动类型库和所述历史用户画像库中，以对所述营销活动类型库和所述历史用户画像库进行更新。

9.一种基于逆向漏斗的数据分析装置，其特征在于，所述装置包括：

数据获取单元，被配置为获取历史营销活动数据和用户信息；

聚类分析单元，被配置为根据从所述数据获取单元获取的所述历史营销活动数据和所述用户信息，对营销活动和用户信息进行聚类分析，生成营销活动类型库和历史用户画像库，其中所述营销活动类型和所述历史画像具有匹配关系；

重构单元，被配置为根据所述历史营销活动数据、用户群行为和业务趋势指标，对所述聚类分析单元生产的历史用户画像进行重构来获得新的用户画像；

矩阵构建单元，被配置为将每一种营销活动类型与获得的新的用户画像进行匹配来构建所述营销活动类型与新的用户画像之间的逆向漏斗分析矩阵，其中每一种营销活动类型对应于一种或多个新的用户画像；以及

提取单元，被配置为利用所述矩阵构建单元构建的逆向漏斗分析矩阵提取与策划的营销活动相关联的目标用户群。

10.一种基于逆向漏斗的数据分析设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-8中任一项所述的方法。