CN110442799A - 基于数据管理平台的方案推送方法、装置及设备 - Google Patents
基于数据管理平台的方案推送方法、装置及设备 Download PDFInfo
- Publication number
- CN110442799A CN110442799A CN201910605626.8A CN201910605626A CN110442799A CN 110442799 A CN110442799 A CN 110442799A CN 201910605626 A CN201910605626 A CN 201910605626A CN 110442799 A CN110442799 A CN 110442799A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- management platform
- scheme
- data management
- 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.)
- Granted
Links
- 238000013523 data management Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 103
- 230000003542 behavioural effect Effects 0.000 claims abstract description 69
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims description 27
- 230000003993 interaction Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000007812 deficiency Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
Abstract
本申请涉及数据分析和用户行为画像的技术领域,基于数据管理平台的方案推送方法包括步骤:通过数据仓库对银行系统记录集中处理,获取用户的行为数据和用户数据;对行为数据和用户数据预处理,得到用户的原始分析数据,并将原始分析数据添加到数据管理平台;建立数据管理平台与用户的社交平台之间的数据通道,从社交平台获取用户的外部特征数据;在数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据原始分析数据和外部特征数据生成待推送方案,并将待推送方案推送至用户。本申请中所推送的待推送方案根据用户的特征生成,可实现对用户有针对性地推送,有效提升推送效率,在一定推送量的情况下方案转化率高,有效防止用户屏蔽。
Description
技术领域
本发明涉及数据分析和用户行为画像的技术领域,具体而言,本发明涉及一种基于数据管理平台的方案推送方法、装置及设备。
背景技术
随着互联网技术的日益发展,对用户采用互联网的技术进行推送也成为了新的推送方式。应用互联网技术的推送速度快,覆盖面广,相对于传统的推送技术具有一定的推送优势。
现在向用户推送方案普遍采用无差别推送的技术方案,即向全部用户进行方案的推送。
上述方案推送成本高,所推送方案的针对性差,对用户的命中率低,方案转化率低,容易导致被用户屏蔽,影响后续推送量。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一,特别是推送成本高,推送方案的针对性差,对用户的命中率低,方案转化率低,容易导致被用户屏蔽,影响后续推送量的技术缺陷。
本申请提供一种基于数据管理平台的方案推送方法,包括:
通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据;
对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台;
建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据;
在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。
在一种实施例中,所述的基于数据管理平台的方案推送方法,还包括:
获取所述用户在接受待推送方案后的反馈数据;
根据所述反馈数据向数据管理平台进行反馈;
利用数据管理平台接收的反馈数据调整所述待推送方案;
向用户重新推送调整后的待推送方案。
在一种实施例中,所述对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据的步骤,包括:
根据筛选条件对所述行为数据和用户数据进行筛选得到强相关的行为数据和用户数据;
对强相关的行为数据和用户数据进行定性分类为若干类别;
根据定性条件筛选指定类别的行为数据和用户数据;
对行为数据和用户数据分别进行参数化处理,得到行为参数和用户参数;
对所述行为参数和用户参数进行神经卷积网络分析,得到用户的原始分析数据。
在一种实施例中,所述建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据的步骤之后,还包括:
通过所述数据管理平台依据用户的原始分析数据和外部特征数据,对用户进行用户标签;
结合所述用户的用户标签和业务场景信息,对用户进行筛选得到目标用户;其中,所述业务场景信息包括开户场景、销户场景、购汇场景、投保场景、定投场景、投诉场景、建议场景、贷款场景的至少一种用户场景的信息;
在所述数据管理平台上应用协同过滤推荐算法,对所述目标用户进行深度分析,依据目标用户的原始分析数据和外部特征数据,得到待推送方案,并将所述待推送方案推送至相应的目标用户。
在一种实施例中,所述通过所述数据管理平台依据用户的原始分析数据和外部特征数据,对用户进行用户标签的步骤,包括:
通过所述数据管理平台对用户的外部特征数据进行主成分分析,剔除外部特征数据中影响因子小于阈值的外部特征值,生成主成分特征数据;其中,所述影响因子是对用户进行用户标签重要性的量化数值;
向用户数据库中获取用户标签列表;
根据所述主成分特征数据和原始分析数据在用户标签列表中查找对应标签信息;
将所述标签信息写入用户的用户信息,生成对应用户的用户标签。
在一种实施例中,所述通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据的步骤,包括:
通过用户的设备采集用户行为并向银行系统发送;其中,所述用户行为包括点击、转发、收藏、关闭、投诉的至少一种用户行为;
通过银行系统对所述用户行为进行记录,生成银行系统记录;
通过数据仓库向银行系统调用银行系统记录;
对所述银行系统记录进行集中处理,分析得到行为数据和用户数据。
在一种实施例中,所述建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据的步骤,包括:
建立所述数据管理平台与用户的社交平台之间的数据通道;
根据用户授权信息获取用户绑定设备的用户交互信息;其中,所述用户交互信息包括消费信息、兴趣信息、社交信息、信用信息、职业信息的至少一种信息;
对所述用户交互信息进行特征分析,得到外部特征数据;其中,所述交互数据包括消费特征数据、兴趣特征数据、社交特征数据、信用特征数据、职业特征数据的至少一种特征数据;
从所述社交平台获取用户的所述外部特征数据。
在一种实施例中,所述从所述社交平台获取用户的所述外部特征数据的步骤,包括:
获取所述社交平台生成的链接或二维码;
通过解析所述链接或二维码获取用户数据包;其中,所述用户数据包中包括用户在所述社交平台的外部特征数据;
提取所述用户数据包中的外部特征数据。
本申请实施例还提供一种基于数据管理平台的方案推送装置,包括:
第一处理单元,用于通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据;
第二处理单元,用于对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台;
数据传输单元,用于利用与建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据;
方案推送单元,用于在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。
本申请实施例还提供一种计算机设备,该计算机设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为如上述实施例所述基于数据管理平台的方案推送方法的步骤。
本申请还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行根据上述实施例中任一项所述的基于数据管理平台的方案推送方法的步骤。
本申请的基于数据管理平台的方案推送方法包括步骤:通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据;对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台;建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据;在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。通过上述技术方案,所推送的待推送方案是根据用户的特征生成的,可以实现对用户有针对性地推送,有效提升推送效率,在一定推送量的情况下方案转化率高,有效防止用户屏蔽。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为基于数据管理平台的方案推送方法的应用场景示意图;
图2为实施例中基于数据管理平台的方案推送方法的方法流程图;
图3为一个实施例的根据反馈数据调整待推送方案的方法流程图;
图4为从行为数据和用户数据中分析得原始分析数据的方法流程图;
图5为根据用户标签向经过筛选得到的目标用户推送的方法流程图;
图6为实施例的对用户进行用户标签的方法流程图;
图7为实施例中得到用户数据和行为数据的方法流程图;
图8为从社交平台获取外部特征数据的方法流程图;
图9为实施例中通过链接或二维码得到外部特征数据的方法流程图;
图10示出的一个实施例的基于数据管理平台的方案推送装置的装置结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
为了克服推送成本高,推送方案的针对性差,对用户的命中率低,方案转化率低,容易导致被用户屏蔽,影响后续推送量的技术缺陷,本申请提供了一种基于数据管理平台的方案推送方法,请参考图1,图1提供了一种基于数据管理平台的方案推送方法的应用场景示意图。其中包括,用户通过移动设备(例如是手机)与社交平台、数据仓库以及数据管理平台之间发生数据交互,数据仓库可以从银行系统中获取银行系统记录并进行数据分析,数据管理平台可以通过社交平台和数据仓库获取相应的数据,数据管理平台还可以通过向手机发送待推送方案。
请参考图2,上述的基于数据管理平台的方案推送方法包括步骤:
步骤S21:通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据。
上述的用户数据包括交易数据、个人属性数据、消费数据、信用数据和客户数据中的至少一种。
步骤S22:对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台。
步骤S23:建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据。
上述所述外部特征数据包括用户在社交过程中的社交特征、偏好特征、用户群体特征中的至少一种。
步骤S24:在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。
在上述过程中,数据管理平台通过数据仓库获取银行系统中的银行系统记录,数据管理平台可以通过数据仓库对银行系统记录进行集中处理。其中,集中处理是指可以通过数据仓库获取多个用户或者用户所控制的账户的关联银行系统记录。银行系统记录可以包括转账记录、来访记录、保险箱记录等业务记录,当然还可以包括用户使用第三方支付平台、第三方金融账户、虚拟货币支付平台的交易记录。银行系统记录也可以理解为金融系统的业务记录,但其业务记录不限于金融业务本身,还可以包括接待业务、投诉处理或者客户提问等记录。
数据管理平台通过上述数据仓库提取得到的银行系统记录,用户的行为数据和用户数据。其中的用户数据包括交易数据、个人属性数据、消费数据、信用数据和客户数据。用户数据反映用户在银行系统中所记录的基本属性,能够反映用户的性质。用户的行为数据可以包括办理业务的行为数据或者在手机上操作的行为数据。
数据仓库对来自银行系统中银行系统记录提取得到的行为数据和用户数据进行预处理。数据仓库通过预处理得到上述用户的原始分析数据,并将得到的原始分析数据添加到数据管理平台。
数据管理平台得到原始分析数据,对原始分析数据进行缓存。数据管理平台在数据管理平台与所述用户的社交平台之间,建立数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据。其中,外部特征数据包括用户在社交过程中的社交特征、偏好特征、用户群体特征等特征数据。外部特征数据可以用于反映用户社交特点的数据,例如是用户的社交群体、社交时间、社交深度、社交偏好或者从用户特有的社交网络连结中提取其他用户的数据。
在数据管理平台上应用协同过滤推荐算法,对用户进行深度分析。数据管理平台可以对用户进行批量分析,数据管理平台还可以通过定期或者周期设置,对特定名单上记载的用户进行深度分析。
通过上述定期或周期设置,配合特定名单用户深度分析的技术方案,可以有针对性地对特定名单的用户执行推送,避免对全部用户群体进行深度分析,能够有效降低服务器的运行压力,降低运算量。
数据管理平台依据得到的原始分析数据和外部特征数据,生成待推送方案,并将生成的待推送方案推送至上述用户的手机中。在上述过程中,数据管理平台根据原始分析数据和外部特征数据可以在数据库中获取若干组成方案的参数,生成待推送方案。例如,待推送方案是一个保险保单方案,数据管理平台可以在投保数据库中获取相应的投保人数据。数据管理平台根据原始分析数据和外部特征数据与投保人数据的匹配程度,选择与原始分析数据和外部特征数据匹配度较高的投保人数据对应的保单数据,对保单数据进行深度分析划分若干保单单元,再根据该用户的原始分析数据和外部特征数据选择不同的保单单元进行再次组合,生成待推送方案。
数据管理平台依据得到的原始分析数据和外部特征数据,生成待推送方案的过程,还可以采用分组匹配的技术方案实现。数据管理平台根据原始分析数据中的多个参数将用户进行排序和分类,得到多个分析用户组,并根据不同的参数类别对上述的分析用户组进行标签。数据管理平台根据外部特征数据的特征将一个分析用户组划分为多个子用户组。例如,数据管理平台根据原始分析数据中用户的资产级别、网银登录频次或年龄区间等参数区间对用户分组,对应一个参数会产生若干个用户组。数据管理平台根据外部特征数据所展现的用户特征(例如社交平台偏好、转发频次、在线活跃市场、好友互动次数等特征参数的不同数值区间)对单个用户组再次划分若干个子用户组。数据管理平台根据子用户组的原始分析数据和外部特征数据,在推送方案的历史数据库中匹配待推送方案。匹配推送方案的过程可以采用人工智能模型进行匹配,例如将推送方案的历史数据库中待推送方案进行特征提取,构建待推送方案的方案特征集。数据管理平台利用方案特征集不断进行训练构建的人工智能模型。数据管理平台根据原始分析数据和外部特征数据在历史数据库中匹配待推送方案。除此之外,数据管理平台还可以根据原始分析数据和外部特征数据对用户进行深度分析,例如将在社交平台活跃但银行系统内部标记为不活跃的沉默用户,可以调整推送的次数,激活沉默用户;将在社交平台不活跃且银行系统内部标记为不活跃的沉默用户,可以采用传统的推送方式(例如是短信基站批量短信),可以提升对用户的推送有效性。
数据管理平台将生成的待推送方案向用户的手机推送,由手机向用户展示待推送方案的细节内容。除了手机以外,本申请实施例中,还可以适用于立式柜台、自助一体机、银行自动柜员机等可以与用户进行交互的自助设备。
通过上述技术方案,可以根据用户的特点向用户推送针对性更强的待推送方案,避免用户屏蔽推送,有效提升用户的命中率,提升待推送方案的转化率。
本申请实施例中还提供一种针对用户后续对待推送方案的反馈数据进行调整,以便于进行二次推送的技术方案,请参考图3,所述的基于数据管理平台的方案推送方法,还包括:
步骤S31:获取所述用户在接受待推送方案后的反馈数据。
步骤S32:根据所述反馈数据向数据管理平台进行反馈。
步骤S33:利用数据管理平台接收的反馈数据调整所述待推送方案。
步骤S34:向用户重新推送调整后的待推送方案。
在上述过程中,可以通过用户的手机等外部设备,获取上述用户在接受待推送方案后的反馈数据。其中,反馈数据包括用户的建议数据、评价分数、点击次数、转发次数或者加入待推送方案的次数。例如,某用户在接收到待推送方案是保单时,某用户若加入该保单计划,可以将加入的用户总数量和待推送方案的推送数量作为上述的反馈数据反馈至手机等外部设备。
手机等外部设备根据所述反馈数据向数据管理平台进行反馈。当然,数据管理平台可以根据设定的时间,定期向手机请求反馈上述的反馈数据。根据不同时间的反馈数据的分析,可以获取用户对待推送方案的反馈变化,以便于后续继续调整待推送方案。
数据管理平台利用接收的反馈数据调整上述生成的待推送方案,重新生成待推送方案。若反馈数据达到预设的反馈阈值,数据管理平台可以继续采用同样的待推送方案进行推送。数据管理平台可以向继续推送同一批用户重新生成的待推送方案。
本申请实施例中还提供一种获得用户的原始分析数据的技术方案,请参考图4,所述的基于数据管理平台的方案推送方法,步骤S22中对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据的步骤,包括:
步骤S41:根据筛选条件对所述行为数据和用户数据进行筛选得到强相关的行为数据和用户数据。
步骤S42:对强相关的行为数据和用户数据进行定性分类为若干类别。
步骤S43:根据定性条件筛选指定类别的行为数据和用户数据。
步骤S44:对行为数据和用户数据分别进行参数化处理,得到行为参数和用户参数。
步骤S45:对所述行为参数和用户参数进行神经卷积网络分析,得到用户的原始分析数据。
在上述过程中,数据管理平台根据筛选条件对行为数据和用户数据进行筛选得到强相关的行为数据和用户数据。其中,筛选条件包括行为数据和用户数据之间引发与被引发的关联性、行为数据和用户数据之间的概率等筛选条件。数据管理平台在多种行为数据和用户数据中进行筛选,得到一组或成对呈现的强相关的行为数据和用户数据。
数据管理平台对上述筛选得到呈现强相关的行为数据和用户数据,进行定性分类为若干类别。其中,划分的类别可以是消极数据、积极数据、中性数据等类别。不同类别的行为数据和用户数据可以用于不同的数据生成过程。例如,当需要得到正面推送的用户或者待推送方案时,可以采用积极数据,其中包括积极的行为数据和用户数据。本申请的技术方案中还包括通过对部分用户消极推送的技术方案,该技术方案可以采取消极数据进行加工,对部分用户降低推送量或者降低推送频次。
数据管理平台对行为数据和用户数据分别进行参数化处理,得到行为参数和用户参数。在上述过程中,参数化处理可以根据全部数据或者数据管理平台在一段时间内采集得到的行为数据和用户数据进行参数化处理。具体可以是,数据管理平台根据行为数据和用户数据的不同类型进行线形的参数化,得到相应的数值,生成行为参数和用户参数。
数据管理平台对上述得到的行为参数和用户参数,进行神经卷积网络分析,得到用户的原始分析数据。根据行为参数和用户参数,数据管理平台可以采用神经卷积网络算法,得到反映用户个人特性和用户行为特性的原始分析数据。
此外,数据管理平台还可以通过根据行为参数和用户参数互成自变量和因变量的关系,建立多维坐标系,对该基于用户行为参数和用户参数形成的多维曲线进行分析,也可以得到相应的原始分析数据。
由于对全部用户推送上述待推送方案,推送的任务量还是比较庞大,推送精准性仍有提升的空间。为此,本申请还提供一种技术方案,请参考图5。所述的基于数据管理平台的方案推送方法,步骤S23中建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据的步骤之后,还包括:
步骤S51:通过所述数据管理平台依据用户的原始分析数据和外部特征数据,对用户进行用户标签。
步骤S52:结合所述用户的用户标签和业务场景信息,对用户进行筛选得到目标用户。
其中,所述业务场景信息包括开户场景、销户场景、购汇场景、投保场景、定投场景、投诉场景、建议场景、贷款场景的至少一种用户场景的信息。
步骤S53:在所述数据管理平台上应用协同过滤推荐算法,对所述目标用户进行深度分析,依据目标用户的原始分析数据和外部特征数据,得到待推送方案,并将所述待推送方案推送至相应的目标用户。
上述的步骤可以发生在步骤S23之后,也可以发生在向用户推送待推送方案之前,对用户群体进行筛选得到目标用户,以便于待推送方案向目标用户进行更有针对性的推送。
在上述过程中,可以通过数据管理平台依据用户的原始分析数据和外部特征数据,对用户进行用户标签。数据管理平台对全部用户进行用户标签。数据管理平台还可以根据用户标签的相似程度或者根据用户标签是否一致进行用户分组,以便于后续数据管理平台可以进行分组推送待推送方案,能有效提升推送效率。
数据管理平台可以通过外部设备,例如手机,获取得到用户当前所在的业务场景信息。业务场景信息可以是开户场景、销户场景、购汇场景、投保场景、定投场景、投诉场景、建议场景、贷款场景等用户场景的信息。
在一些使用场景中,例如用户在使用自助一体机时,数据管理平台可以根据上述自助一体机的放置位置和设定的使用场景等因素,确定用户使用的业务场景。除此之外,自助一体机还可以根据用户用户选定的业务类型确定上述业务场景信息。
数据管理平台通过结合上述用户的用户标签和业务场景信息,对用户进行筛选得到目标用户。数据管理平台具体可以通过用户标签对用户进行预先筛选,再根据业务场景信息在数据库中的匹配情况,对用户进行进一步的筛选。通过二级筛选,数据管理平台可以将目标用户控制在一定数量范围内。
在一些实施方式中,数据管理平台还可以获取单次推送的用户数量阈值,每次经过用户筛选后都对比当前目标用户的数量是否小于用户数量阈值。数据管理平台可以据此控制单次推送的用户数量,避免单次推送的用户数量过多引发服务器负载压力过大的情况。
在上述过程中,在所述数据管理平台上应用协同过滤推荐算法,对得到的目标用户进一步进行深度分析,依据目标用户的原始分析数据和来自社交平台的外部特征数据得到待推送方案,再将待推送方案推送至相应的目标用户。
数据管理平台应用协同过滤推荐算法可以将目标用户中部分用户进一步进行筛选过滤。具体地,数据管理平台可以根据原始分析数据和来自社交平台的外部特征数据对目标用户和待推送方案进行协同过滤。
在一些实施方式中,数据管理平台可以根据原始分析数据和来自社交平台的外部特征数据预先得到待推送方案,再与目标用户进行二次筛选,得到对筛选后的目标用户进行待推送方案的推送。
为了进一步提升用户标签的准确性,以便于后续目标用户的筛选,本申请实施例中提供一种更优选的技术方案,请参考图6。所述的基于数据管理平台的方案推送方法,所述步骤S51中通过所述数据管理平台依据用户的原始分析数据和外部特征数据,对用户进行用户标签的步骤,包括:
步骤S61:通过所述数据管理平台对用户的外部特征数据进行主成分分析,剔除外部特征数据中影响因子小于阈值的外部特征值,生成主成分特征数据。
其中,所述影响因子是对用户进行用户标签重要性的量化数值。
步骤S62:向用户数据库中获取用户标签列表。
步骤S63:根据所述主成分特征数据和原始分析数据在用户标签列表中查找对应标签信息。
步骤S64:将所述标签信息写入用户的用户信息,生成对应用户的用户标签。
在上述过程中,通过所述数据管理平台对用户的外部特征数据进行主成分分析,数据管理平台可以剔除外部特征数据中影响因子小于阈值的外部特征值,生成主成分特征数据。通过主成分分析法,数据管理平台可以筛选得到对用户特征影响较大的外部特征数据。相应得到的主成分特征数据发生数据变化值较小的变化都会影响用户特征的表征,因此可以认为主成分特征数据是反映用户特征的外部特征数据中较为重要、具有重大影响的数据。其中采用的影响因子是对用户进行用户标签重要性的量化数值,影响因子可以根据需要数据的精确性进行数值上的调整。数据管理平台可以根据历史数据生成当前可用的影响因子数值。同样地应用上述主成分分析法,对数据的类别进行主成分分析。
数据管理平台可以向用户数据库中获取用户标签列表。用户标签列表记载有用户的用户标签。数据管理平台根据上述得到的主成分特征数据和原始分析数据,在用户标签列表中查找对应标签信息。
数据管理平台将得到的标签信息写入用户的用户信息,生成对应用户的用户标签。此时,用户标签可以作为用户的用户信息。
本申请的实施例中海提供一种获取用户的行为数据和用户数据的技术方案,请参考图7。所述的基于数据管理平台的方案推送方法,所述步骤S21通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据的步骤,包括:
步骤S71:通过用户的设备采集用户行为并向银行系统发送。
其中,所述用户行为包括点击、转发、收藏、关闭、投诉的至少一种用户行为。
步骤S72:通过银行系统对所述用户行为进行记录,生成银行系统记录。
步骤S73:通过数据仓库向银行系统调用银行系统记录;
步骤S74:对所述银行系统记录进行集中处理,分析得到行为数据和用户数据。
在上述过程中,数据管理平台可以通过用户正在使用的设备采集用户行为,其中所用的设备可以包括手机、自助一体机、银行自动柜员机等设备。用户行为可以通过无线通信发送至银行系统进行记录,也可以通过数据管理平台进行数据中转发送至银行系统。
用户行为通过银行系统进行记录,生成记载用户行为银行系统记录。在一些实施例中,用户行为可以作为用户隐私数据以加密的形式记录在银行系统的银行系统记录中。当然,用户的隐私数据由于需要保密,为了防止设备公用、设备借用导致的用户隐私数据外泄,在本申请中设备将用户行为发送至银行系统的发送数据通道是单向的,银行系统不会就用户行为等用户隐私数据反向提供给用户所持有的设备。
当需要调用用户行为等数据时,数据管理平台通过数据仓库向银行系统调用银行系统记录。为了保护用户的信息安全,在调用之前数据管理平台还可以向用户所持有或使用中的设备发送提取用户行为等相关数据的数据提取请求。当用户反馈同意该数据提取请求时,数据仓库可以根据数据管理平台的数据提取请求调用银行系统中的银行系统记录。数据管理平台可以对所述银行系统记录进行集中处理或批量处理,分析得到行为数据和用户数据。为了提升处理效率,数据仓库可以预先对这些用户行为进行集中处理,当数据管理平台请求该部分数据时,可以直接向数据管理平台提供数据。前述方案可以加快数据处理的速度,还可以降低数据处理量,避免数据仓库和数据管理平台之间数据通道发生拥堵。
本申请的技术方案还提供一种向外部的社交平台获取用户的外部特征数据的技术方案。请参考图8,所述的基于数据管理平台的方案推送方法,所述步骤S23中建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据的步骤,包括:
步骤S81:建立所述数据管理平台与用户的社交平台之间的数据通道。
步骤S82:根据用户授权信息获取用户绑定设备的用户交互信息。
其中,所述用户交互信息包括消费信息、兴趣信息、社交信息、信用信息、职业信息的至少一种信息。
步骤S83:对所述用户交互信息进行特征分析,得到外部特征数据。
其中,上述交互数据包括消费特征数据、兴趣特征数据、社交特征数据、信用特征数据、职业特征数据的至少一种特征数据。
步骤S84:从所述社交平台获取用户的所述外部特征数据。
在上述过程中,建立所述数据管理平台与用户的社交平台之间的数据通道,数据通道用于数据管理平台与社交平台之间的数据交互。
社交平台可以根据用户授权信息,获取用户绑定设备的用户交互信息。在这个过程中,用户绑定的设备可以是手机。例如,用户可以通过在设备上的客户端登陆用户的账号,用户可以通过预先设置是否相应授权数据管理平台获取用户交互信息。其中,设备所采集的用户交互信息包括消费信息、兴趣信息、社交信息、信用信息、职业信息等信息。
社交平台可以对获得的用户交互信息进行特征分析,通过上述消费信息、兴趣信息、社交信息、信用信息、职业信息等信息,分析得到反映用户在社交平台社交行为的外部特征数据。
数据管理平台可以从所述社交平台获取用户在社交平台上的外部特征数据。当然,数据管理平台也可以根据社交平台上的用户交互信息通过特征分析得到外部特征数据。在社交平台上进行上述用户交互信息的处理,可以降低数据管理平台的数据运算量。社交平台在提供用户交互信息或者外部特征数据时,可以对于确定用户准确身份且与推送无关的用户信息进行模糊处理,避免用户信息的泄露。例如,可以针对用户的身份证号进行特征位数的模糊处理,还可以对用户的职业进行类别化,避免直接提供用户的准确职位信息或供职信息。
为了进一步提升从社交平台获取外部特征数据的速度,本申请提供一种技术方案,请参考图9,所述的基于数据管理平台的方案推送方法,步骤S84中从所述社交平台获取用户的所述外部特征数据的步骤,包括:
步骤S91:获取所述社交平台生成的链接或二维码。
步骤S92:通过解析所述链接或二维码获取用户数据包。
其中,所述用户数据包中包括用户在所述社交平台的外部特征数据。
步骤S93:提取所述用户数据包中的外部特征数据。
在上述过程中,用户可以在社交平台上将外部特征数据或者用户交互信息勾选,整理成用户数据包并生成相应的链接或二维码。通过生成链接和二维码,上述用户数据包可以在多个平台和系统流转,实现数据的交互。
数据管理平台可以获取社交平台生成的链接或者二维码,并对二维码进行解析,获得一个连通上述社交平台服务器的网址或者链接,该网址或链接指向特定的用户数据包。数据管理平台可以根据二维码或链接的授权范围,向社交平台获取包括用户在所述社交平台的外部特征数据的用户数据包。数据管理平台可以提取用户数据包中的外部特征数据。
请参考图10,为了克服推送成本高,推送方案的针对性差,对用户的命中率低,方案转化率低,容易导致被用户屏蔽,影响后续推送量的技术缺陷,本申请还提供一种基于数据管理平台的方案推送装置,包括:
第一处理单元101,用于通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据;
第二处理单元102,用于对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台;
数据传输单元103,用于利用与建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据;
方案推送单元104,用于在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。
本申请实施例中还提供一种计算机设备,该计算机设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为如上述实施例所述基于数据管理平台的方案推送方法的步骤。
本申请还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行根据上述实施例中任一项所述的基于数据管理平台的方案推送方法的步骤。
本申请的基于数据管理平台的方案推送方法包括步骤:通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据;对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台;建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据;在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。通过上述技术方案,所推送的待推送方案是根据用户的特征生成的,可以实现对用户有针对性地推送,有效提升推送效率,在一定推送量的情况下方案转化率高,有效防止用户屏蔽。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于数据管理平台的方案推送方法,其特征在于,包括:
通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据;
对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台;
建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据;
在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。
2.根据权利要求1所述的基于数据管理平台的方案推送方法,其特征在于,还包括:
获取所述用户在接受待推送方案后的反馈数据;
根据所述反馈数据向数据管理平台进行反馈;
利用数据管理平台接收的反馈数据调整所述待推送方案;
向用户重新推送调整后的待推送方案。
3.根据权利要求1所述的基于数据管理平台的方案推送方法,其特征在于,所述对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据的步骤,包括:
根据筛选条件对所述行为数据和用户数据进行筛选得到强相关的行为数据和用户数据;
对强相关的行为数据和用户数据进行定性分类为若干类别;
根据定性条件筛选指定类别的行为数据和用户数据;
对行为数据和用户数据分别进行参数化处理,得到行为参数和用户参数;
对所述行为参数和用户参数进行神经卷积网络分析,得到用户的原始分析数据。
4.根据权利要求1所述的基于数据管理平台的方案推送方法,其特征在于,所述建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据的步骤之后,还包括:
通过所述数据管理平台依据用户的原始分析数据和外部特征数据,对用户进行用户标签;
结合所述用户的用户标签和业务场景信息,对用户进行筛选得到目标用户;其中,所述业务场景信息包括开户场景、销户场景、购汇场景、投保场景、定投场景、投诉场景、建议场景、贷款场景的至少一种用户场景的信息;
在所述数据管理平台上应用协同过滤推荐算法,对所述目标用户进行深度分析,依据目标用户的原始分析数据和外部特征数据,得到待推送方案,并将所述待推送方案推送至相应的目标用户。
5.根据权利要求4所述的基于数据管理平台的方案推送方法,其特征在于,所述通过所述数据管理平台依据用户的原始分析数据和外部特征数据,对用户进行用户标签的步骤,包括:
通过所述数据管理平台对用户的外部特征数据进行主成分分析,剔除外部特征数据中影响因子小于阈值的外部特征值,生成主成分特征数据;其中,所述影响因子是对用户进行用户标签重要性的量化数值;
向用户数据库中获取用户标签列表;
根据所述主成分特征数据和原始分析数据在用户标签列表中查找对应标签信息;
将所述标签信息写入用户的用户信息,生成对应用户的用户标签。
6.根据权利要求1所述的基于数据管理平台的方案推送方法,其特征在于,所述通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据的步骤,包括:
通过用户的设备采集用户行为并向银行系统发送;其中,所述用户行为包括点击、转发、收藏、关闭、投诉的至少一种用户行为;
通过银行系统对所述用户行为进行记录,生成银行系统记录;
通过数据仓库向银行系统调用银行系统记录;
对所述银行系统记录进行集中处理,分析得到行为数据和用户数据。
7.根据权利要求1所述的基于数据管理平台的方案推送方法,其特征在于,所述建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据的步骤,包括:
建立所述数据管理平台与用户的社交平台之间的数据通道;
根据用户授权信息获取用户绑定设备的用户交互信息;其中,所述用户交互信息包括消费信息、兴趣信息、社交信息、信用信息、职业信息的至少一种信息;
对所述用户交互信息进行特征分析,得到外部特征数据;其中,所述交互数据包括消费特征数据、兴趣特征数据、社交特征数据、信用特征数据、职业特征数据的至少一种特征数据;
从所述社交平台获取用户的所述外部特征数据。
8.根据权利要求7所述的基于数据管理平台的方案推送方法,其特征在于,所述从所述社交平台获取用户的所述外部特征数据的步骤,包括:
获取所述社交平台生成的链接或二维码;
通过解析所述链接或二维码获取用户数据包;其中,所述用户数据包中包括用户在所述社交平台的外部特征数据;
提取所述用户数据包中的外部特征数据。
9.一种基于数据管理平台的方案推送装置,其特征在于,包括:
第一处理单元,用于通过数据仓库对银行系统记录进行集中处理,获取用户的行为数据和用户数据;
第二处理单元,用于对所述行为数据和用户数据进行预处理,得到所述用户的原始分析数据,并将所述原始分析数据添加到数据管理平台;
数据传输单元,用于利用与建立所述数据管理平台与所述用户的社交平台之间的数据通道,从所述社交平台获取所述用户的外部特征数据;
方案推送单元,用于在所述数据管理平台上应用协同过滤推荐算法对用户进行深度分析,依据所述原始分析数据和外部特征数据生成待推送方案,并将所述待推送方案推送至所述用户。
10.一种计算机设备,其特征在于,所述计算机设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为如权利要求1~8任一项权利要求所述基于数据管理平台的方案推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605626.8A CN110442799B (zh) | 2019-07-05 | 2019-07-05 | 基于数据管理平台的方案推送方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605626.8A CN110442799B (zh) | 2019-07-05 | 2019-07-05 | 基于数据管理平台的方案推送方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442799A true CN110442799A (zh) | 2019-11-12 |
CN110442799B CN110442799B (zh) | 2023-11-21 |
Family
ID=68428518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910605626.8A Active CN110442799B (zh) | 2019-07-05 | 2019-07-05 | 基于数据管理平台的方案推送方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442799B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798351A (zh) * | 2020-09-09 | 2020-10-20 | 北京神州泰岳智能数据技术有限公司 | 一种数据处理的方法及装置、可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010149948A2 (en) * | 2009-06-23 | 2010-12-29 | The University Of Manchester | Data selection |
US20120254224A1 (en) * | 2011-03-31 | 2012-10-04 | Mr. Thomson Brandon | Collaborative Search Network |
CN107918913A (zh) * | 2017-11-20 | 2018-04-17 | 中国银行股份有限公司 | 银行业务处理方法、装置以及系统 |
CN109145280A (zh) * | 2017-06-15 | 2019-01-04 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
CN109410032A (zh) * | 2018-09-26 | 2019-03-01 | 深圳壹账通智能科技有限公司 | 一种信息处理方法、服务器及计算机存储介质 |
-
2019
- 2019-07-05 CN CN201910605626.8A patent/CN110442799B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010149948A2 (en) * | 2009-06-23 | 2010-12-29 | The University Of Manchester | Data selection |
US20120254224A1 (en) * | 2011-03-31 | 2012-10-04 | Mr. Thomson Brandon | Collaborative Search Network |
CN109145280A (zh) * | 2017-06-15 | 2019-01-04 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
CN107918913A (zh) * | 2017-11-20 | 2018-04-17 | 中国银行股份有限公司 | 银行业务处理方法、装置以及系统 |
CN109410032A (zh) * | 2018-09-26 | 2019-03-01 | 深圳壹账通智能科技有限公司 | 一种信息处理方法、服务器及计算机存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798351A (zh) * | 2020-09-09 | 2020-10-20 | 北京神州泰岳智能数据技术有限公司 | 一种数据处理的方法及装置、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110442799B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11882139B2 (en) | Method and system for preventing illicit use of a telephony platform | |
Chen et al. | FinTech and commercial banks' performance in China: A leap forward or survival of the fittest? | |
US10931820B1 (en) | Intelligent interactive voice response system for processing customer communications | |
US11138630B1 (en) | Intelligent interactive voice response system for processing customer communications | |
US11900271B2 (en) | Self learning data loading optimization for a rule engine | |
US20140344155A1 (en) | Out of band authentication and authorization processing | |
US20090125980A1 (en) | Network rating | |
CN106453061A (zh) | 一种识别网络诈骗行为的方法及系统 | |
US11086991B2 (en) | Method and system for active risk control based on intelligent interaction | |
CN110598982B (zh) | 基于智能交互的主动风控方法和系统 | |
Agu et al. | Mobile banking-adoption and challenges in Nigeria | |
Nwanga et al. | Impact of big data analytics to Nigerian mobile phone industry | |
CN108961034A (zh) | 基于用户行为认证的系统和方法、存储介质 | |
Chen et al. | FinTech and Commercial Banks' Performance in China: The Current Status and Lessons Learned from Our Data Analysis. | |
CN110442799A (zh) | 基于数据管理平台的方案推送方法、装置及设备 | |
CN111062422B (zh) | 一种套路贷体系化识别方法及装置 | |
CN112950357A (zh) | 交易异常团伙识别方法及装置 | |
US9609102B1 (en) | Intelligent interactive voice response system for processing customer communications | |
CN106293354A (zh) | 快捷菜单自适应显示控制方法、服务器及便携式终端 | |
Moalosi et al. | Combating credit card fraud with online behavioural targeting and device fingerprinting | |
AT&T | paper.dvi | |
US20230139465A1 (en) | Electronic service filter optimization | |
US11895133B2 (en) | Systems and methods for automated device activity analysis | |
CN114037460B (zh) | 一种综合反诈平台、方法及存储介质 | |
Human et al. | Surprise fraudsters before they surprise you: A South African telecommunications case study |
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 |