CN110390548A - 优惠券派发策略的选择方法及装置 - Google Patents

优惠券派发策略的选择方法及装置 Download PDF

Info

Publication number
CN110390548A
CN110390548A CN201810361113.2A CN201810361113A CN110390548A CN 110390548 A CN110390548 A CN 110390548A CN 201810361113 A CN201810361113 A CN 201810361113A CN 110390548 A CN110390548 A CN 110390548A
Authority
CN
China
Prior art keywords
user
certificate
roi
index value
crowd
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.)
Pending
Application number
CN201810361113.2A
Other languages
English (en)
Inventor
杨文君
李奘
李思旭
成石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201810361113.2A priority Critical patent/CN110390548A/zh
Priority to JP2020546892A priority patent/JP7005782B2/ja
Priority to PCT/CN2019/083283 priority patent/WO2019201310A1/en
Publication of CN110390548A publication Critical patent/CN110390548A/zh
Priority to US16/941,511 priority patent/US10970733B2/en
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
    • 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
    • G06Q30/0211—Determining the effectiveness of discounts or incentives
    • 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
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Abstract

本发明提供一种优惠券派发策略的选择方法及装置，通过获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；根据预测的分组指标值以不同的分组方式对待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；然后获取每一备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中；最后以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。本发明的方法可以实现对于任意一待发券人群均可快速获得最优的优惠券派发策略，从而达到差异化运营，提高待发券人群中用户的消费意愿，给企业带来最大的收益。

Description

优惠券派发策略的选择方法及装置
技术领域
本发明涉及通信技术领域，尤其涉及一种优惠券派发策略的选择方法及装置。
背景技术
面对激烈的市场竞争，企业往往会通过给用户发送优惠券的运营策略，以低价刺激需求，给企业带来更大的经济效益。然而，如果大规模无差别的派发优惠券，不仅没有起到经济激励效果，反而给企业带来亏损。
因此，需要根据用户的转化率、用户的券敏感度等因素，对不同层次转化率的用户人群发送不同额度的优惠券，通过差异化运营策略，从而提高用户的消费意愿，给企业带来最大的收益，以使投资回报率(Return On Investment，ROI)达到最大。而现有技术中对于优惠券派发策略的选择，通常先根据历史数据设定几种备选策略，再计算投资回报率，选择其中投资回报率最高的一种作为最终策略。现有技术的优惠券派发策略的选择方法最后得到的策略可能并不是最优的优惠券派发策略，无法很好的达到差异化运营。
发明内容
本发明提供一种优惠券派发策略的选择方法及装置，以实现确定最优的优惠券派发策略，从而更好的达到差异化运营，提高用户的消费意愿，给企业带来最大的收益。
本发明的一个方面是提供一种优惠券派发策略的选择方法，所述方法包括：
获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；
根据所述预测的分组指标值以不同的分组方式对所述待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；
获取每一所述备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中，其中所述ROI预测模型为预先获取的ROI与优惠券派发策略中各分组的用户特征信息的关系模型；
以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。
进一步的，所述获取待发券人群中每一用户在未来预定时间内的预测的分组指标值前，还包括：
根据样本人群的消费历史数据获取所述样本人群在过去第一阶段的消费历史数据和所述第一阶段后相邻的第二阶段中的分组指标值；
根据所述样本人群在过去相邻的第一阶段消费历史数据和第二阶段中的分组指标值，采用机器学习算法获取分组指标预测模型；
所述获取待发券人群中每一用户在未来预定时间内的预测的分组指标值，包括：
获取所述待发券人群中每一用户的消费历史数据，并输入到所述分组指标预测模型中以获取所述待发券人群中每一用户在未来预定时间内的预测的分组指标值。
进一步的，所述方法还包括：
获取多个的训练策略，所述多个训练策略根据分组指标值以不同的分组方式分组，并对各分组方式中的各分组分别设定优惠券额度；
根据样本人群的消费历史数据，获取与各所述训练策略匹配的用户形成对应的实验组，以及获取未发券用户作为空白组，并根据各实验组和所述空白组的消费历史数据，获取每一所述训练策略的ROI及其各分组的用户特征信息；
将每一所述训练策略的ROI及其各分组的用户特征信息作为训练集，采用机器学习算法获取所述ROI预测模型。
进一步的，所述分组指标为成交金额GMV、券转化率或流失率。
进一步的，所述机器学习算法为梯度提升决策树算法。
本发明的另一个方面是提供一种优惠券派发策略的选择装置，所述装置包括：
分组指标值预测模块，用于获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；
策略生成模块，用于根据所述预测的分组指标值以不同的分组方式对所述待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；
获取模块，用于获取每一所述备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中，其中所述ROI预测模型为预先获取的ROI与优惠券派发策略中各分组的用户特征信息的关系模型；
最优策略获取模块，用于以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。
进一步的，所述装置还包括分组指标预测模型训练模块，用于：
根据样本人群的消费历史数据获取所述样本人群在过去第一阶段的消费历史数据和所述第一阶段后相邻的第二阶段中的分组指标值；
根据所述样本人群在过去相邻的第一阶段消费历史数据和第二阶段中的分组指标值，采用机器学习算法获取分组指标预测模型；
所述分组指标值预测模块具体用于：
获取所述待发券人群中每一用户的消费历史数据，并输入到所述分组指标预测模型中以获取所述待发券人群中每一用户在未来预定时间内的预测的分组指标值。
进一步的，所述装置还包括ROI预测模型训练模块，用于：
获取多个的训练策略，所述多个训练策略根据分组指标值以不同的分组方式分组，并对各分组方式中的各分组分别设定优惠券额度；
根据样本人群的消费历史数据，获取与各所述训练策略匹配的用户形成对应的实验组，以及获取未发券用户作为空白组，并根据各实验组和所述空白组的消费历史数据，获取每一所述训练策略的ROI及其各分组的用户特征信息；
将每一所述训练策略的ROI及其各分组的用户特征信息作为训练集，采用机器学习算法获取所述ROI预测模型。
进一步的，所述分组指标为成交金额GMV、券转化率或流失率。
进一步的，所述机器学习算法为梯度提升决策树算法。
本发明的另一个方面是提供一种优惠券派发策略的选择装置，所述装置包括：存储器、处理器、以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的方法。
本发明提供的优惠券派发策略的选择方法及装置，通过获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；根据预测的分组指标值以不同的分组方式对待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；然后获取每一备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中；最后以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。本发明的方法可以实现对于任意一待发券人群均可快速获得最优的优惠券派发策略，从而达到差异化运营，提高待发券人群中用户的消费意愿，给企业带来最大的收益。
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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的优惠券派发策略的选择方法流程图；
图2为本发明另一实施例提供的优惠券派发策略的选择方法流程图；
图3为本发明另一实施例提供的优惠券派发策略的选择方法流程图；
图4为本发明实施例提供的优惠券派发策略的选择装置的结构图；
图5为本发明另一实施例提供的优惠券派发策略的选择装置的结构图。
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的优惠券派发策略的选择方法流程图。如图1所示，本实施例提供了一种优惠券派发策略的选择方法，该方法具体步骤如下：
S101、获取待发券人群中每一用户在未来预定时间内的预测的分组指标值。
在本实施例中，首先预测待发券人群中每一用户在预定时间内的分组指标值，其中分组指标可以为GMV(Gross Merchandise Volume，成交金额)、券转化率或流失率，未来预定时间可以是未来一周或者其他时长。具体的，可以根据待发券人群的消费历史数据预测未来一周中每一用户可能消费多少金额，也即成交金额GMV；或者未来一周中如果向每一用户派发优惠券，用户有多大的可能性进行消费，也即券转化率；或者未来一周中用户有多大可能流失或不进行消费。当然分组指标也可以为其他的指标，此处不再进行赘述。本实施例中还可预先构建分组指标预测模型，采用样本人群作为训练集应用机器学习算法对分组指标预测模型进行训练，从而在对待发券人群进行预测时采用分组指标预测模型，可实现批量快速处理，提高处理效率。
S102、根据所述预测的分组指标值以不同的分组方式对所述待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略。
在本实施例中，按照预测的分组指标值对待发券人群进行排序，并根据预测的分组指标值设置分组节点，例如分组指标为GMV，可以按照预测的GMV值将待发券人群进行排序，并设置分组节点为30％和60％，也即将预测的GMV值最低的30％用户划分为一组，将预测的GMV值最高的40％用户划分为一组，剩余的用户为一组，换言之，待发券人群按照预测的分组指标值被划分为0～30％、30％～60％、60～100％三组，进一步的，完成分组后对每一分组设定优惠券额度，例如0～30％的分组优惠券额度为50％(五折)，30％～60％的分组优惠券额度为100％(无折扣)，60～100％的分组优惠券额度为88％(八八折)，从而形成一种备选的优惠券派发策略。更换分组节点如25％和75％、再如35％和65％等，从而形成不同的分组方式，再对每种分组方式中的各分组分别设定不同的优惠券额度(即分组方式相同，同一分组可设定不同的优惠券额度)，从而形成多个备选的优惠券派发策略。此外需要说明的是，上述示例中将分为待发券人群三组，很显然的分组的数量并不仅限于三组，可根据实际需要设计其他的组数。
S103、获取每一所述备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中，其中所述ROI预测模型为预先获取的ROI与优惠券派发策略中各分组的用户特征信息的关系模型。
在本实施例中，对于每一备选的优惠券派发策略，获取各分组的用户特征信息，具体的，根据用户的消费历史记录，获取各分组的人数、各分组人数相对于待发券人群总人数的占比、各分组平均完成订单量、各分组的平均年龄、性别等等信息，输入到ROI(Return OnInvestment，投资回报率)预测模型中，其中ROI预测模型为预先采用样本人群作为训练集应用机器学习算法构建的ROI与优惠券派发策略中各分组的用户特征信息的关系模型，在使用ROI预测模型时，只需要输入优惠券派发策略中各分组的用户特征信息即可得到该优惠券派发策略的ROI值。
S104、以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。
在本实施例中，遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。以所述多个备选的优惠券派发策略为初代种群，以ROI预测模型作为适应度函数，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(ROI值)大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群，直至产生最优的优惠券派发策略，也即ROI值最大的优惠券派发策略，作为最终的策略。需要说明的是遗传算法收敛到前后两次的ROI差异小于预定值时迭代结束。
其中遗传算子交叉过程具体例如第一优惠券派发策略为GMV值前30％分组折扣为50％，30％～60％分组折扣为100％，60％～100％分组折扣为80％，第二优惠券派发策略为GMV值前35％分组折扣为60％，35％～65％分组折扣为100％，65％～100％分组折扣为88％，当两个优惠券派发策略进行交叉时，可以生成第三优惠券派发策略如前35％分组折扣为50％，35％～60％分组折扣为100％，60％～100％分组折扣为88％，当然交叉过程并不仅限于生成一种新优惠券派发策略。生成新优惠券派发策略后，获取该策略各分组的用户特征信息后由ROI预测模型计算ROI值。当然遗传算法可以首先进行二进制编码，选择、交叉和变异等过程在二进制下进行。
本实施例提供的优惠券派发策略的选择方法，通过获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；根据预测的分组指标值以不同的分组方式对待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；然后获取每一备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中；最后以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。本实施例的方法可以实现对于任意一待发券人群均可快速获得最优的优惠券派发策略，从而达到差异化运营，提高待发券人群中用户的消费意愿，给企业带来最大的收益。
图2本发明另一实施例提供的优惠券派发策略的选择方法流程图。在上述实施例的基础上，本实施例中还提供一种分组指标预测模型的训练过程，其中分组指标预测模型可用于获取所述待发券人群中每一用户在未来预定时间内的预测的分组指标值。如图2所示，分组指标预测模型的训练过程具体步骤如下：
S201、根据样本人群的消费历史数据获取所述样本人群在过去第一阶段的消费历史数据和所述第一阶段后相邻的第二阶段中的分组指标值；
S202、根据所述样本人群在过去相邻的第一阶段消费历史数据和第二阶段中的分组指标值，采用机器学习算法获取分组指标预测模型。
在本实施例中以分组指标值为GMV举例，首先获取样本人群的消费历史数据，从中提取两个相邻阶段内的消费历史数据，例如样本人群在过去14天到过去7天内的消费历史数据和在过去7天内的消费历史数据，根据每一用户过去7天内的消费历史数据获取每一用户过去7天内的GMV，将样本人群每一用户在过去14天到过去7天内的消费历史数据和每一用户过去7天内的GMV输入机器学习算法中，从而建立消费历史数据与预测GMV之间的关系模型，也即所述的分组指标预测模型。当然该分组指标预测模型中也可包含一些用户特征信息，例如年龄、性别、收入情况等等因素。其中所述机器学习算法为梯度提升决策树算法，例如xgboost(eXtreme Gradient Boosting)算法，具有较高的效率和准确性。具体的学习过程应用现有的梯度提升决策树算法的建模过程，此处不再赘述。当然本实施例也可采用其他的机器学习算法。
进一步的，上述实施例中S101所述的获取待发券人群中每一用户在未来预定时间内的预测的分组指标值，具体可包括：
获取所述待发券人群中每一用户的消费历史数据，并输入到所述分组指标预测模型中以获取所述待发券人群中每一用户在未来预定时间内的预测的分组指标值。
本实施例中，在预先获取了分组指标预测模型后，可直接将待发券人群中每一用户的消费历史数据输入到分组指标预测模型中，从而由分组指标预测模型预测待发券人群中每一用户在未来预定时间内的预测的分组指标值，从而可以提高预测过程的处理效率和准确性。
图3本发明另一实施例提供的优惠券派发策略的选择方法流程图。在上述实施例的基础上，本实施例中还提供一种ROI预测模型的训练过程。如图3所示，ROI预测模型的训练过程具体步骤如下：
S301、获取多个的训练策略，所述多个训练策略根据分组指标值以不同的分组方式分组，并对各分组方式中的各分组分别设定优惠券额度。
在本实施例中，首先获取训练策略，例如以分组指标值最高的30％的分组优惠券额度为50％，30％～60％的分组优惠券额度为100％，60～100％的分组优惠券额度为88％，从而形成一个训练策略，更改分组节点和各分组对应的优惠券额度可形成其他的训练策略。训练策略的数量越多则更有利于提高ROI预测模型的准确性，本实施例中生成了10万个训练策略。
S302、根据样本人群的消费历史数据，获取与各所述训练策略匹配的用户形成对应的实验组，以及获取未发券用户作为空白组，并根据各实验组和所述空白组的消费历史数据，获取每一所述训练策略的ROI及其各分组的用户特征信息。
在本实施例中，对于每一训练策略从样本人群的消费历史数据中获取匹配的用户形成实验组。具体的，例如对于训练策略：GMV最高的30％的分组优惠券额度为50％，30％～60％的分组优惠券额度为100％，60～100％的分组优惠券额度为88％训练策略，首先从样本人群选取派发过五折优惠券的用户，从中选择GMV较高的一定数量的用户作为第一分组，再选取没有派发过优惠券的用户，从中选择GMV低于第一分组的一定数量的用户作为第二分组，再选取派发过八八折优惠券的用户，从中选择GMV低于第二分组的一定数量的用户作为第三分组，并且使得三组人数比例满足30:30:40，这样得到的三个分组的用户即形成一个与该训练策略相匹配的实验组。同理采用上述方法获取所有训练策略对应的实验组。空白组则可采用从样本人群中未派发过优惠券的用户随机选取一定数量的用户。需要说明的是，GMV可以采用实际的GMV值，也可采用由分组指标预测模型预测的GMV。
在获取每一训练策略的实验组、以及空白组后，根据ROI计算公式：ROI＝ΔGMV/ΔC获取每一训练策略的ROI，其中ΔGMV为成交金额的增量，也即实验组GMV与空白组GMV的差值，ΔC为补贴成本的增量，也即实验组派发的优惠券金额与空白组派发的优惠券金额的差值。
此外，还需要获取每一训练策略的实验组中各分组用户的用户特征信息，例如各分组的人数、各分组人数相对于待发券人群总人数的占比、各分组平均完成订单量、各分组的平均年龄、性别等等信息。
S303、将每一所述训练策略的ROI及其各分组的用户特征信息作为训练集，采用机器学习算法获取所述ROI预测模型。
本实施例中根据S302所获取的数据采用机器学习算法构建ROI预测模型，也即ROI与优惠券派发策略中各分组的用户特征信息之间的关系模型。其中所述机器学习算法也可采用梯度提升决策树算法，例如xgboost具有较高的效率和准确性。具体的学习过程应用现有的梯度提升决策树算法的建模过程，此处不再赘述。当然本实施例也可采用其他的机器学习算法。通过本实施例获得的ROI预测模型可实现任意优惠券派发策略的ROI的高效准确预测，为通过遗传算法获取最优的优惠券派发策略奠定基础。
图4为本发明实施例提供的优惠券派发策略的选择装置的结构图。本实施例提供的一种优惠券派发策略的选择装置，可以执行上述优惠券派发策略的选择方法实施例提供的处理流程。如图4所示，本实施例提供的优惠券派发策略的选择装置包括：分组指标值预测模块41、策略生成模块42、获取模块43、及最优策略获取模块44。
其中，分组指标值预测模块41，用于获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；
策略生成模块42，用于根据所述预测的分组指标值以不同的分组方式对所述待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；
获取模块43，用于获取每一所述备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中，其中所述ROI预测模型为预先获取的ROI与优惠券派发策略中各分组的用户特征信息的关系模型；
最优策略获取模块44，用于以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。
进一步的，所述装置还包括分组指标预测模型训练模块，用于：
根据样本人群的消费历史数据获取所述样本人群在过去第一阶段的消费历史数据和所述第一阶段后相邻的第二阶段中的分组指标值；
根据所述样本人群在过去相邻的第一阶段消费历史数据和第二阶段中的分组指标值，采用机器学习算法获取分组指标预测模型；
所述分组指标值预测模块41具体用于：
获取所述待发券人群中每一用户的消费历史数据，并输入到所述分组指标预测模型中以获取所述待发券人群中每一用户在未来预定时间内的预测的分组指标值。
进一步的，所述装置还包括ROI预测模型训练模块，用于：
获取多个的训练策略，所述多个训练策略根据分组指标值以不同的分组方式分组，并对各分组方式中的各分组分别设定优惠券额度；
根据样本人群的消费历史数据，获取与各所述训练策略匹配的用户形成对应的实验组，以及获取未发券用户作为空白组，并根据各实验组和所述空白组的消费历史数据，获取每一所述训练策略的ROI及其各分组的用户特征信息；
将每一所述训练策略的ROI及其各分组的用户特征信息作为训练集，采用机器学习算法获取所述ROI预测模型。
进一步的，所述分组指标为成交金额GMV、券转化率或流失率。
进一步的，所述机器学习算法为梯度提升决策树算法。
本实施例提供的优惠券派发策略的选择装置，通过获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；根据预测的分组指标值以不同的分组方式对待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；然后获取每一备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中；最后以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。本实施例的装置可以实现对于任意一待发券人群均可快速获得最优的优惠券派发策略，从而达到差异化运营，提高待发券人群中用户的消费意愿，给企业带来最大的收益。
图5为本发明另一实施例提供的优惠券派发策略的选择装置的结构图。如图5所示，本实施例提供的优惠券派发策略的选择装置，包括：存储器51、处理器52、以及计算机程序。
其中，所述计算机程序存储在所述存储器51中，并被配置为由所述处理器52执行以实现如上述实施例提供的优惠券派发策略的选择方法。此外还可包括接收器53和发送器54，用于传输指令和数据。
本实施例提供的优惠券派发策略的选择装置，通过获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；根据预测的分组指标值以不同的分组方式对待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；然后获取每一备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中；最后以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。本实施例的装置可以实现对于任意一待发券人群均可快速获得最优的优惠券派发策略，从而达到差异化运营，提高待发券人群中用户的消费意愿，给企业带来最大的收益。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (11)

1.一种优惠券派发策略的选择方法，其特征在于，包括：
获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；
根据所述预测的分组指标值以不同的分组方式对所述待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；
获取每一所述备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中，其中所述ROI预测模型为预先获取的ROI与优惠券派发策略中各分组的用户特征信息的关系模型；
以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。
2.根据权利要求1所述的方法，其特征在于，所述获取待发券人群中每一用户在未来预定时间内的预测的分组指标值前，还包括：
根据样本人群的消费历史数据获取所述样本人群在过去第一阶段的消费历史数据和所述第一阶段后相邻的第二阶段中的分组指标值；
根据所述样本人群在过去相邻的第一阶段消费历史数据和第二阶段中的分组指标值，采用机器学习算法获取分组指标预测模型；
所述获取待发券人群中每一用户在未来预定时间内的预测的分组指标值，包括：
获取所述待发券人群中每一用户的消费历史数据，并输入到所述分组指标预测模型中以获取所述待发券人群中每一用户在未来预定时间内的预测的分组指标值。
3.根据权利要求1所述的方法，其特征在于，还包括：
获取多个的训练策略，所述多个训练策略根据分组指标值以不同的分组方式分组，并对各分组方式中的各分组分别设定优惠券额度；
根据样本人群的消费历史数据，获取与各所述训练策略匹配的用户形成对应的实验组，以及获取未发券用户作为空白组，并根据各实验组和所述空白组的消费历史数据，获取每一所述训练策略的ROI及其各分组的用户特征信息；
将每一所述训练策略的ROI及其各分组的用户特征信息作为训练集，采用机器学习算法获取所述ROI预测模型。
4.根据权利要求2或3任一项所述的方法，其特征在于，所述分组指标为成交金额GMV、券转化率或流失率。
5.根据权利要求4所述的方法，其特征在于，所述机器学习算法为梯度提升决策树算法。
6.一种优惠券派发策略的选择装置，其特征在于，包括：
分组指标值预测模块，用于获取待发券人群中每一用户在未来预定时间内的预测的分组指标值；
策略生成模块，用于根据所述预测的分组指标值以不同的分组方式对所述待发券人群进行分组，并对各分组方式中的各分组分别设定优惠券额度，从而形成多个备选的优惠券派发策略；
获取模块，用于获取每一所述备选的优惠券派发策略中各分组的用户特征信息，并输入到投资回报率ROI预测模型中，其中所述ROI预测模型为预先获取的ROI与优惠券派发策略中各分组的用户特征信息的关系模型；
最优策略获取模块，用于以ROI预测模型作为适应度函数，采用遗传算法获取最优的优惠券派发策略。
7.根据权利要求6所述的装置，其特征在于，还包括分组指标预测模型训练模块，用于：
根据样本人群的消费历史数据获取所述样本人群在过去第一阶段的消费历史数据和所述第一阶段后相邻的第二阶段中的分组指标值；
根据所述样本人群在过去相邻的第一阶段消费历史数据和第二阶段中的分组指标值，采用机器学习算法获取分组指标预测模型；
所述分组指标值预测模块具体用于：
获取所述待发券人群中每一用户的消费历史数据，并输入到所述分组指标预测模型中以获取所述待发券人群中每一用户在未来预定时间内的预测的分组指标值。
8.根据权利要求6所述的装置，其特征在于，还包括ROI预测模型训练模块，用于：
获取多个的训练策略，所述多个训练策略根据分组指标值以不同的分组方式分组，并对各分组方式中的各分组分别设定优惠券额度；
根据样本人群的消费历史数据，获取与各所述训练策略匹配的用户形成对应的实验组，以及获取未发券用户作为空白组，并根据各实验组和所述空白组的消费历史数据，获取每一所述训练策略的ROI及其各分组的用户特征信息；
将每一所述训练策略的ROI及其各分组的用户特征信息作为训练集，采用机器学习算法获取所述ROI预测模型。
9.根据权利要求7或8任一项所述的装置，其特征在于，所述分组指标为成交金额GMV、券转化率或流失率。
10.根据权利要求9所述的装置，其特征在于，所述机器学习算法为梯度提升决策树算法。
11.一种优惠券派发策略的选择装置，其特征在于，包括：
存储器、处理器、以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-5中任一项所述的方法。
CN201810361113.2A 2018-04-20 2018-04-20 优惠券派发策略的选择方法及装置 Pending CN110390548A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810361113.2A CN110390548A (zh) 2018-04-20 2018-04-20 优惠券派发策略的选择方法及装置
JP2020546892A JP7005782B2 (ja) 2018-04-20 2019-04-18 クーポン発行のためのシステム及び方法
PCT/CN2019/083283 WO2019201310A1 (en) 2018-04-20 2019-04-18 Systems and methods for coupon issuing
US16/941,511 US10970733B2 (en) 2018-04-20 2020-07-28 Systems and methods for coupon issuing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810361113.2A CN110390548A (zh) 2018-04-20 2018-04-20 优惠券派发策略的选择方法及装置

Publications (1)

Publication Number Publication Date
CN110390548A true CN110390548A (zh) 2019-10-29

Family

ID=68239387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810361113.2A Pending CN110390548A (zh) 2018-04-20 2018-04-20 优惠券派发策略的选择方法及装置

Country Status (4)

Country Link
US (1) US10970733B2 (zh)
JP (1) JP7005782B2 (zh)
CN (1) CN110390548A (zh)
WO (1) WO2019201310A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112600756A (zh) * 2020-09-04 2021-04-02 京东数字科技控股股份有限公司 业务数据的处理方法及装置
CN112819507A (zh) * 2020-12-31 2021-05-18 北京嘀嘀无限科技发展有限公司 一种服务推送方法、装置、电子设备以及可读存储介质
CN113034206A (zh) * 2021-04-20 2021-06-25 上海汽车集团股份有限公司 一种优惠券发放方法及相关装置
CN113205367A (zh) * 2021-05-24 2021-08-03 上海钧正网络科技有限公司 一种用户数据处理方法、装置、电子设备和存储介质
CN113327141A (zh) * 2021-08-03 2021-08-31 南栖仙策(南京)科技有限公司 一种基于模拟环境的出行平台优惠券发放优化方法

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210182889A1 (en) * 2019-12-16 2021-06-17 Myntra Designs Private Limited System and method for price optimization of a retail portfolio
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
CN111950770A (zh) * 2020-07-20 2020-11-17 上海淇馥信息技术有限公司 一种管理资源返还辅助策略的方法、装置和电子设备
CN112559347B (zh) * 2020-12-15 2024-02-20 北京百度网讯科技有限公司 测试分配方法及装置、设备、可读介质和计算机程序产品
CN112990966B (zh) * 2021-03-03 2021-08-03 蚂蚁智信(杭州)信息技术有限公司 权益调整处理方法及装置
WO2022196070A1 (ja) * 2021-03-15 2022-09-22 ソニーグループ株式会社 情報処理装置および方法、並びにプログラム
US20220366437A1 (en) * 2021-04-27 2022-11-17 Beijing Didi Infinity Technology And Development Co., Ltd. Method and system for deep reinforcement learning and application at ride-hailing platform
CN113779472A (zh) * 2021-07-30 2021-12-10 阿里巴巴（中国）有限公司 内容审核方法、装置及电子设备
US11726765B2 (en) * 2021-08-12 2023-08-15 Google Llc Personalized application configuration as a service
CN113988893A (zh) * 2021-08-30 2022-01-28 北京百度网讯科技有限公司 一种商品信息处理方法、装置、设备及存储介质
CN114422584B (zh) * 2021-12-16 2023-07-07 北京百度网讯科技有限公司 资源的推送方法、设备和存储介质
KR20230166544A (ko) * 2022-05-31 2023-12-07 쿠팡 주식회사 쿠폰 관련 정보 관리 방법 및 이를 위한 전자 장치
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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09167182A (ja) * 1995-12-14 1997-06-24 Nippon Syst Design Kk 顧客管理システムと顧客管理装置
EP1861820A4 (en) * 2005-03-10 2010-04-21 Efficient Frontier METHOD AND APPARATUS FOR GENERATING AND / OR PREDICTING EFFECTIVENESS OF FEATURED WORDS
JP2006277270A (ja) 2005-03-29 2006-10-12 Seiko Epson Corp クーポン情報管理システムとクーポン情報管理プログラムと記録媒体とクーポン情報管理方法
US20080262928A1 (en) * 2007-04-18 2008-10-23 Oliver Michaelis Method and apparatus for distribution and personalization of e-coupons
JP6516293B2 (ja) * 2015-09-17 2019-05-22 株式会社Ｅｘｉｄｅａ ポイント還元率出力装置、ポイント還元率出力方法およびポイント還元率出力プログラム
US20180012246A1 (en) * 2016-07-08 2018-01-11 Ali Kamarei Method of Selectively Displaying Electronic Coupons In Real Time Depending On Market Conditions
JP6253744B1 (ja) 2016-11-04 2017-12-27 ヤフー株式会社 情報解析装置、情報解析方法、および情報解析プログラム
CN106846041A (zh) * 2016-12-26 2017-06-13 携程计算机技术（上海）有限公司 优惠券的发放方法及系统
CN107194717A (zh) * 2017-05-05 2017-09-22 卓集送信息科技（武汉）有限公司 一种优惠券管理方法及系统
CN107451869A (zh) * 2017-08-07 2017-12-08 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112600756A (zh) * 2020-09-04 2021-04-02 京东数字科技控股股份有限公司 业务数据的处理方法及装置
CN112600756B (zh) * 2020-09-04 2023-08-04 京东科技控股股份有限公司 业务数据的处理方法及装置
CN112819507A (zh) * 2020-12-31 2021-05-18 北京嘀嘀无限科技发展有限公司 一种服务推送方法、装置、电子设备以及可读存储介质
CN113034206A (zh) * 2021-04-20 2021-06-25 上海汽车集团股份有限公司 一种优惠券发放方法及相关装置
CN113205367A (zh) * 2021-05-24 2021-08-03 上海钧正网络科技有限公司 一种用户数据处理方法、装置、电子设备和存储介质
CN113327141A (zh) * 2021-08-03 2021-08-31 南栖仙策(南京)科技有限公司 一种基于模拟环境的出行平台优惠券发放优化方法

Also Published As

Publication number Publication date
US10970733B2 (en) 2021-04-06
JP2021515337A (ja) 2021-06-17
US20200357013A1 (en) 2020-11-12
JP7005782B2 (ja) 2022-01-24
WO2019201310A1 (en) 2019-10-24

Similar Documents

Publication Publication Date Title
CN110390548A (zh) 优惠券派发策略的选择方法及装置
Iliopoulou et al. Metaheuristics for the transit route network design problem: a review and comparative analysis
Maghsoudlou et al. A multi-objective invasive weeds optimization algorithm for solving multi-skill multi-mode resource constrained project scheduling problem
CN108171280A (zh) 一种分类器构建方法及预测分类的方法
CN106227599B (zh) 一种云计算系统中资源调度的方法及系统
Hassanzadeh et al. Two new meta-heuristics for a bi-objective supply chain scheduling problem in flow-shop environment
CN107547214A (zh) 基于电子书的群组阅读方法、电子设备及计算机存储介质
CN108053314A (zh) 一种借贷需求预测方法
Wang et al. Multi-objective fuzzy flexible job shop scheduling using memetic algorithm
CN110009233B (zh) 群智感知中基于博弈论的任务分配方法
Digalakis et al. A multipopulation cultural algorithm for the electrical generator scheduling problem
CN110246037A (zh) 交易特征预测方法、装置、服务器及可读存储介质
CN104820945A (zh) 基于社团结构挖掘算法的在线社会网络信息传播最大化方法
US20170213307A1 (en) Systems and method for implementing biomedical innovation datametrics dashboard
CN110110226A (zh) 一种推荐算法、推荐系统及终端设备
CN110490274A (zh) 评估交互事件的方法及装置
CN110097190A (zh) 一种基于双时间限制的群智感知任务分配方法
Sasaki et al. Fuzzy multiple objective optimal system design by hybrid genetic algorithm
CN109741818A (zh) 基于人工智能的医疗亚健康干预资源调配管理方法及装置
CN110390491A (zh) 一种公路工程多目标施工计划确定方法
Karakostas Bridging the gap between multi-objective optimization and spatial planning: a new post-processing methodology capturing the optimum allocation of land uses against established transportation infrastructure
CN114925941A (zh) 群智感知任务分配方法、装置、设备及存储介质
Mason et al. Watershed management using neuroevolution
CN104850306A (zh) 一种智能终端完全图标排列方法及装置
CN113297310B (zh) 一种物联网中区块链分片验证者选取的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191029

RJ01 Rejection of invention patent application after publication