CN110751515A - 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 - Google Patents
一种基于用户消费行为的决策方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110751515A CN110751515A CN201910984284.5A CN201910984284A CN110751515A CN 110751515 A CN110751515 A CN 110751515A CN 201910984284 A CN201910984284 A CN 201910984284A CN 110751515 A CN110751515 A CN 110751515A
- Authority
- CN
- China
- Prior art keywords
- user
- consumption
- features
- attribute
- lifecycle
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种基于用户消费行为的决策方法和装置、电子设备及存储介质,该方法包括:获取用户的消费行为数据和属性数据;基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。从而,考虑了用户本身的消费相关特征,可以实现对用户全生命周期的精细化划分,进而可以为企业提供全量用户数据的模型封装以及更加精细化的用户特征信息。并且,无需大量用户的数据,效率高、资源消耗少。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于用户消费行为的决策方法和装置、电子设备及存储介质。
背景技术
用户生命周期是用户管理中的重要依据。按照所处的生命周期,根据用户的相关数据对用户进行分类,有助于针对不同用户提供针对性的服务。
然而,在现有的用户分类过程中,通常将生命周期粗略划分为新开卡阶段、活跃阶段、沉睡阶段以及流失阶段等,基于预先设定的阈值,采用“一刀切”的方式来识别用户所处的生命周期,例如将最近12个月内未消费的用户划分为处于流失阶段的用户。
发明内容
本申请实施例的目的是提供一种基于用户消费行为的决策方法和装置、电子设备及存储介质,以实现对用户全生命周期的精细化划分。
为了解决上述技术问题,为了实现上述目的,本申请实施例是这样实现的:
第一方面,提供一种基于用户消费行为的决策方法,包括:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
第二方面,提出一种基于用户消费行为的决策装置,包括:
获取模块,用于获取用户的消费行为数据和属性数据;
整合模块,用于基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
确定模块,用于基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
决策模块,用于对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
第三方面,提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:基于获取到的用户的消费行为数据和属性数据进行整合,得到包括用户属性特征和用户消费相关特征在内的用户特征数据,基于所述用户属性特征和所述用户消费相关特征确定用户的消费生命周期和消费贡献生命周期,并对用户进行与用户的消费生命周期和消费贡献生命周期匹配的决策处理。本申请实施例采用的方案考虑了用户本身的消费相关特征,相比于现有的“一刀切”方案,可以实现对用户全生命周期的精细化划分,进而可以为企业提供全量用户数据的模型封装以及更加精细化的用户特征信息。进一步地,基于用户全生命周期的精细化划分结果,对用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理,可采用不同的干预挽回措施,以减少用户的流失率,增加用户的活跃度。另外,本申请实施例采用的方案无需大量用户的数据,实施方便、效率高、资源消耗少。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,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是本申请实施例提供的一种基于用户消费行为的决策方法的步骤示意图。
图2是本申请实施例提供的一种决策树的示意图。
图3是本申请实施例的一种基于用户消费行为的决策装置的结构示意图。
图4是本申请的一个实施例电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例一
参照图1所示,为本申请实施例提供的一种基于用户消费行为的决策方法的步骤示意图,所示方法可以包括以下步骤:
步骤S102、获取用户的消费行为数据和属性数据。
在本申请实施例中,可以从CRM(Customer Relationship Management,客户关系管理)、ERP(Enterprise Resource Planning,企业资源计划)等系统以及电商平台等获取用户的消费行为数据和属性数据。其中,用户的消费行为数据是指用于表征用户消费行为的数据,具体包括但不限于用户的消费时间、消费频次以及消费金额等。用户的属性数据是指用户的基础信息,具体可以包括但不限于用于表征用户身份的唯一标识号、用户的注册时间、开卡时间、状态等。
步骤S104、基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征。
可选地,在本申请说明书中,在对用户的消费行为数据和属性数据进行整合时,可按照用户的唯一识别号等属性数据,对不同用户的消费行为数据进行统计,得到用户特征数据。
其中,用户特征数据具体包括用户属性特征和用户消费相关特征。用户属性特征具体可以包括用户的唯一标识号、姓名、开卡时间等,用户消费相关特征具体可以包括用户消费特征和用户消费趋势特征,其中,用户消费特征具体可以包括用户的历史消费时间间隔、累计消费次数、累计消费金额等,用户消费趋势特征是指用于表征用户的消费趋势的特征,所述趋势特征具体可以包括历史消费时间间隔、相邻两次消费的消费金额差值等。
步骤S106、基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期。
其中,用户的消费生命周期具体可以包括新:新开卡阶段、新购阶段、沉睡阶段、流失阶段以及常规阶段,其中,常规阶段是指除新开卡阶段、新购阶段、沉睡阶段以及流失阶段以外的阶段。用户的消费贡献生命周期具体可以包括:稳定上升阶段、稳定下降阶段、挽留高值阶段以及挽留低值阶段。
步骤S108、对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策进行处理。
在一种可选的实现方式中,上述步骤S106可以包括:可基于所述用户属性特征、所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费生命周期;基于所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费贡献生命周期。
其中,确定所述用户的消费生命周期具体包括:
1)基于流失预警模型识别处于流失阶段的用户:
可以将所述用户属性特征和所述用户消费特征输入所述流失预警模型,得到所述用户的流失概率,若所述用户的流失概率位于预设范围内,则确定所述用户的消费生命周期为流失阶段,其中,所述流失预警模型是以多个历史用户的属性特征和消费特征以及每一历史用户所对应的标识作为训练样本进行训练得到的,所述标识包括流失标识和非流失标识。更进一步地,所述流失预警模型可以是基于逻辑回归算法对大量训练样本进行训练得到的。
需要说明的是,所述预设范围可以根据所应用的业务场景自定义设置,例如,若本申请实施例所述的方法应用于零售行业这一业务场景下,则所述预设范围可以设置为[0.8,1]。
2)基于沉睡模型识别出处于沉睡阶段的用户:
可将所述用户消费趋势特征输入所述沉睡模型,得到所述用户的沉睡周期,若所述用户的沉睡周期超过预设周期,则确定所述用户的消费生命周期为沉睡阶段。其中,所述沉睡模型用于基于所述用户的历史消费时间间隔输出所述用户的沉睡周期,所述用户消费趋势特征包括所述用户的历史消费时间。
示例地,沉睡模型可采用3σ准则。具体地,所述沉警模型如公式(1)所示。
L=max{median(x)+n·IQR(x),90} (1)
其中,L为用户的沉睡周期;x为用户的历史消费时间间隔的数组;IQR为四分位差;n为预设常数。
需要说明的是,n可以根据所应用的业务场景自定义设置,通常情况下,n≥3。
3)基于决策树模型识别出处于新开卡阶段的用户和新购阶段的用户:
可将所述用户属性特征和所述用户消费特征输入所述决策树模型,得到处于新开卡阶段的用户和处于新购阶段的用户。其中,所述决策树模型是根据价值指标建立的,所述价值指标包括开卡时间阈值、累计消费金额阈值以及累计消费次数阈值。具体地,所述决策树模型包括第一决策层和第二决策层,所述第一决策层用于基于所述用户的开卡时间输出所述用户是否处于所述新开卡阶段的决策结果,所述第二决策层用于基于所述用户的累计消费次数和用于表征所述用户是否处于流失阶段或沉睡阶段的标识输出所述用户是否处于新购阶段的决策结果,所述用户属性特征包括所述用户的开卡时间,所述用户消费特征包括所述用户的累计消费次数。
示例地,如图2所示的决策树模型,针对每一用户,将该用户的开卡时间和累计消费金额输入第一决策层,由第一决策层判断该用户的开卡时间是否小于所述价值指标中的开卡时间阈值(比如90天)且累计消费金额是否小于所述价值指标中的消费金额阈值(比如0元),若该用户的开卡时间小于所述开卡时间阈值,则第一决策层输出该用户处于新开卡阶段的决策结果;若该用户的开卡时间超过所述开卡时间阈值且累计消费金额超过所述消费金额阈值,则将该用户的累计消费次数和用于表征该用户是否处于流失阶段或沉睡阶段的标识输入第二决策层,由第二决策层进一步判断该用户是否处于流失阶段或者沉睡阶段且累计消费次数是否达到所述价值指标中的消费次数阈值(比如1次);若该用户不处于流失阶段和沉睡阶段且累计消费次数达到所述消费次数阈值,则第二决策层输出该用户处于新购阶段的决策结果。
进一步地,所述决策树模型、所述流失预警模型和所述沉睡模型可以封装为一个模型,进而可以为企业提供全量用户数据的模型封装。
其中,确定所述用户的消费贡献生命周期具体包括:将所述用户消费趋势特征和所述用户消费特征输入消费趋势预测模型,通过消费趋势预测模型确定所述用户的消费贡献生命周期,其中所述消费趋势预测模型用于基于所述用户消费特征中的累计消费次数、每次消费的消费金额以及所述用户消费趋势特征中的历史消费时间间隔输出所述用户的消费贡献生命周期信息。
具体地,所述消费趋势预测模型可以是一个融合了线性回归算法和分位数算法的模型,其可以包括线性回归子模型、分位数分类子模型以及示性函数子模型。其中,所述线性回归子模型用于基于所述用户的历史消费时间间隔输出所述用户的消费时间趋势信息,所述分位数分类子模型用于基于所述用户的累计消费次数和每次消费的消费金额输出所述用户的消费金额趋势信息,所述示性函数子模型用于基于所述用户的消费时间趋势信息和消费金额趋势信息输出所述用户的消费贡献生命周期信息。
示例地,所述线性回归子模型如公式(2)所示,所述分位数分类子模型如公式(3)所示,所述示性函数子模型如公式(4)所示。
k1=cor(x,y)·sd(y)/sd(x) (2)
其中,k1为用户的消费时间间隔趋势;k2为用户的消费金额趋势;x为用户的消费时间序号向量;y为用户的历史消费时间间隔的向量;cor(x,y)为x和y之间的相关系数;sd(x)为x的方差;sd(y)为y的方差;n为用户的累计消费次数;xi为用户在第i次消费的消费金额;x为用户的消费金额向量;quantile(x,k)为向量x的k分位数,k为常数且k∈(0,1);f(k1,k2)为用户的消费贡献生命周期,f(k1,k2)取值为{1,2,3,4},其中,f(k1,k2)取值为1表示用户的消费贡献生命周期为稳定上升阶段,f(k1,k2)取值为2表示用户的消费贡献生命周期为稳定下降,f(k1,k2)取值为3表示用户的消费贡献生命周期为挽留高值阶段,f(k1,k2)取值为4表示用户的消费贡献生命周期为挽留低值阶段。
需要说明的是,k可以根据所应用的业务场景自定义设置。
在一种可选的实施方式中,针对上述步骤S108,针对处于不同消费生命周期的用户和处于不同消费贡献生命周期的用户,可采用不同的干预挽回措施,以减少用户的流失率,增加用户的活跃度。
通过本申请实施例,基于获取到的用户的消费行为数据和属性数据进行整合,得到包括用户属性特征和用户消费相关特征在内的用户特征数据,基于所述用户属性特征和所述用户消费相关特征确定用户的消费生命周期和消费贡献生命周期,并对用户进行与用户的消费生命周期和消费贡献生命周期匹配的决策处理。本申请实施例采用的方案考虑了用户本身的消费相关特征,相比于现有的“一刀切”方案,可以实现对用户全生命周期的精细化划分,进而可以为企业提供全量用户数据的模型封装以及更加精细化的用户特征信息。进一步地,基于用户全生命周期的精细化划分结果,对用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理,可采用不同的干预挽回措施,以减少用户的流失率,增加用户的活跃度。另外,本申请实施例采用的方案无需大量用户的数据,实施方便、效率高、资源消耗少。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
实施例二
图3为本申请实施例的一种用户生命周期的预测装置300的结构示意图。参考图3,该装置300可以包括:
获取模块302,用于获取用户的消费行为数据和属性数据;
整合模块304,用于基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
确定模块306,用于基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
决策模块308,用于对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
通过本申请实施例,基于获取到的用户的消费行为数据和属性数据进行整合,得到包括用户属性特征和用户消费相关特征在内的用户特征数据,基于所述用户属性特征和所述用户消费相关特征确定用户的消费生命周期和消费贡献生命周期,并对用户进行与用户的消费生命周期和消费贡献生命周期匹配的决策处理。本申请实施例采用的方案考虑了用户本身的消费相关特征,相比于现有的“一刀切”方案,可以实现对用户全生命周期的精细化划分,进而可以为企业提供全量用户数据的模型封装以及更加精细化的用户特征信息。进一步地,基于用户全生命周期的精细化划分结果,对用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理,可采用不同的干预挽回措施,以减少用户的流失率,增加用户的活跃度。另外,本申请实施例采用的方案无需大量用户的数据,实施方便、效率高、资源消耗少。
在本申请实施例的一种具体实现方式中,所述用户消费相关特征包括用户消费特征和用户消费趋势特征;
所述确定模块306基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期时,具体用于:
基于所述用户属性特征、所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费生命周期;
基于所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费贡献生命周期。
在本申请实施例的另一种具体实现方式中,所述确定模块306在确定所述用户的消费生命周期,具体用于:
将所述用户属性特征和所述用户消费特征输入流失预警模型,得到所述用户的流失概率,其中,所述流失预警模型是以多个历史用户的属性特征和消费特征以及每一历史用户所对应的标识作为训练样本进行训练得到的,所述标识包括流失标识和非流失标识;
若所述用户的流失概率位于预设范围内,则确定所述用户的消费生命周期为流失阶段。
在本申请实施例的另一种具体实现方式中,所述确定模块306在确定所述用户的消费生命周期,还具体用于:
将所述用户消费趋势特征输入沉睡模型,得到所述用户的沉睡周期,其中,所述沉睡模型用于基于所述用户的历史消费时间间隔输出所述用户的沉睡周期,所述用户消费趋势特征包括所述用户的历史消费时间;
若所述用户的沉睡周期超过预设周期,则确定所述用户的消费生命周期为沉睡阶段。
在本申请实施例的另一种具体实现方式中,所述消费生命周期还包括新开卡阶段和新购阶段;
所述确定模块306在确定所述用户的消费生命周期,还具体用于:
通过决策树模型确定所述用户的消费生命周期,其中,所述决策树模型包括第一决策层和第二决策层,所述第一决策层用于基于所述用户的开卡时间输出所述用户是否处于所述新开卡阶段的决策结果,所述第二决策层用于基于所述用户的累计消费次数和用于表征所述用户是否处于流失阶段或沉睡阶段的标识输出所述用户是否处于所述新购阶段的决策结果,所述用户属性特征包括所述用户的开卡时间,所述用户消费特征包括所述用户的累计消费次数。
在本申请实施例的另一种具体实现方式中,所述决策树模型、所述流失预警模型以及所述沉睡模型封装为一个模型。
在本申请实施例的另一种具体实现方式中,所述确定模块306在确定所述用户的消费贡献生命周期时,具体用于:
通过消费趋势预测模型确定所述用户的消费贡献生命周期,其中,所述消费趋势预测模型用于基于所述用户的累计消费次数、每次消费的消费金额以及历史消费时间间隔输出所述用户的消费贡献生命周期信息,所述消费贡献生命周期包括稳定上升阶段、稳定下降阶段、挽留高值阶段以及挽留低值阶段,所述用户消费特征包括所述用户的累计消费次数和每次消费的消费金额,所述消费趋势特征包括历史消费时间间隔。
在本申请实施例的另一种具体实现方式中,所述消费趋势预测模型包括线性回归子模型、分位数分类子模型以及示性函数子模型;
所述线性回归子模型用于基于所述用户的历史消费时间间隔输出所述用户的消费时间趋势信息;
所述分位数分类子模型用于基于所述用户的累计消费次数和每次消费的消费金额输出所述用户的消费金额趋势信息;
所述示性函数子模型用于基于所述用户的消费时间趋势信息和消费金额趋势信息输出所述用户的消费贡献生命周期信息。
实施例三
图4是本申请的一个实施例电子设备的结构示意图。请参考图4,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述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4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成基于用户消费行为的决策装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
上述如本申请图1所示实施例揭示的基于用户消费行为的决策装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法,并实现基于用户消费行为的决策装置在图1、图2所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
通过本申请实施例,基于获取到的用户的消费行为数据和属性数据进行整合,得到包括用户属性特征和用户消费相关特征在内的用户特征数据,基于所述用户属性特征和所述用户消费相关特征确定用户的消费生命周期和消费贡献生命周期,并对用户进行与用户的消费生命周期和消费贡献生命周期匹配的决策处理。本申请实施例采用的方案考虑了用户本身的消费相关特征,相比于现有的“一刀切”方案,可以实现对用户全生命周期的精细化划分,进而可以为企业提供全量用户数据的模型封装以及更加精细化的用户特征信息。进一步地,基于用户全生命周期的精细化划分结果,对用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理,可采用不同的干预挽回措施,以减少用户的流失率,增加用户的活跃度。另外,本申请实施例采用的方案无需大量用户的数据,实施方便、效率高、资源消耗少。
实施例四
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
通过本申请实施例,基于获取到的用户的消费行为数据和属性数据进行整合,得到包括用户属性特征和用户消费相关特征在内的用户特征数据,基于所述用户属性特征和所述用户消费相关特征确定用户的消费生命周期和消费贡献生命周期,并对用户进行与用户的消费生命周期和消费贡献生命周期匹配的决策处理。本申请实施例采用的方案考虑了用户本身的消费相关特征,相比于现有的“一刀切”方案,可以实现对用户全生命周期的精细化划分,进而可以为企业提供全量用户数据的模型封装以及更加精细化的用户特征信息。进一步地,基于用户全生命周期的精细化划分结果,对用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理,可采用不同的干预挽回措施,以减少用户的流失率,增加用户的活跃度。另外,本申请实施例采用的方案无需大量用户的数据,实施方便、效率高、资源消耗少。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括所述要素的过程、方法、商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递进的方式描述,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,对于系统实施例而言,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。
Claims (11)
1.一种基于用户消费行为的决策方法,其特征在于,包括:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
2.如权利要求1所述的方法,其特征在于,所述用户消费相关特征包括用户消费特征和用户消费趋势特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期,包括:
基于所述用户属性特征、所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费生命周期;
基于所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费贡献生命周期。
3.如权利要求2所述的方法,其特征在于,基于所述用户属性特征、所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费生命周期,包括:
将所述用户属性特征和所述用户消费特征输入流失预警模型,得到所述用户的流失概率,其中,所述流失预警模型是以多个历史用户的属性特征和消费特征以及每一历史用户所对应的标识作为训练样本进行训练得到的,所述标识包括流失标识和非流失标识;
若所述用户的流失概率位于预设范围内,则确定所述用户的消费生命周期为流失阶段。
4.如权利要求3所述的方法,其特征在于,基于所述用户属性特征、所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费生命周期,还包括:
将所述用户消费趋势特征输入沉睡模型,得到所述用户的沉睡周期,其中,所述沉睡模型用于基于所述用户的历史消费时间间隔输出所述用户的沉睡周期,所述用户消费趋势特征包括所述用户的历史消费时间;
若所述用户的沉睡周期超过预设周期,则确定所述用户的消费生命周期为沉睡阶段。
5.如权利要求4所述的方法,其特征在于,所述消费生命周期还包括新开卡阶段和新购阶段;
基于所述用户属性特征、所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费生命周期,还包括:
通过决策树模型确定所述用户的消费生命周期,其中,所述决策树模型包括第一决策层和第二决策层,所述第一决策层用于基于所述用户的开卡时间输出所述用户是否处于所述新开卡阶段的决策结果,所述第二决策层用于基于所述用户的累计消费次数和用于表征所述用户是否处于流失阶段或沉睡阶段的标识输出所述用户是否处于所述新购阶段的决策结果,所述用户属性特征包括所述用户的开卡时间,所述用户消费特征包括所述用户的累计消费次数。
6.如权利要求5所述的方法,其特征在于,所述决策树模型、所述流失预警模型以及所述沉睡模型封装为一个模型。
7.如权利要求2所述的方法,其特征在于,基于所述用户消费特征和所述用户消费趋势特征,确定所述用户的消费贡献生命周期,包括:
通过消费趋势预测模型确定所述用户的消费贡献生命周期,其中,所述消费趋势预测模型用于基于所述用户的累计消费次数、每次消费的消费金额以及历史消费时间间隔输出所述用户的消费贡献生命周期信息,所述消费贡献生命周期包括稳定上升阶段、稳定下降阶段、挽留高值阶段以及挽留低值阶段,所述用户消费特征包括所述用户的累计消费次数和每次消费的消费金额,所述消费趋势特征包括历史消费时间间隔。
8.如权利要求7所述的方法,其特征在于,所述消费趋势预测模型包括线性回归子模型、分位数分类子模型以及示性函数子模型;
所述线性回归子模型用于基于所述用户的历史消费时间间隔输出所述用户的消费时间趋势信息;
所述分位数分类子模型用于基于所述用户的累计消费次数和每次消费的消费金额输出所述用户的消费金额趋势信息;
所述示性函数子模型用于基于所述用户的消费时间趋势信息和消费金额趋势信息输出所述用户的消费贡献生命周期信息。
9.一种基于用户消费行为的决策装置,其特征在于,包括:
获取模块,用于获取用户的消费行为数据和属性数据;
整合模块,用于基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
确定模块,用于基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
决策模块,用于对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
10.一种电子设备,其特征在于,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
11.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取用户的消费行为数据和属性数据;
基于所述消费行为数据和所述属性数据进行整合,得到用户特征数据,所述用户特征数据包括用户属性特征和用户消费相关特征;
基于所述用户属性特征和所述用户消费相关特征,确定所述用户的消费生命周期和消费贡献生命周期;
对所述用户进行与所述用户的消费生命周期和消费贡献生命周期匹配的决策处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984284.5A CN110751515A (zh) | 2019-10-16 | 2019-10-16 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984284.5A CN110751515A (zh) | 2019-10-16 | 2019-10-16 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751515A true CN110751515A (zh) | 2020-02-04 |
Family
ID=69278526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910984284.5A Pending CN110751515A (zh) | 2019-10-16 | 2019-10-16 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751515A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465546A (zh) * | 2020-11-26 | 2021-03-09 | 中诚信征信有限公司 | 一种用户识别方法、装置及设备 |
CN112508596A (zh) * | 2020-10-21 | 2021-03-16 | 广州云徙科技有限公司 | 一种基于实体映射的消费者生命周期划分方法和系统 |
CN112967102A (zh) * | 2021-02-04 | 2021-06-15 | 江苏警官学院 | 以物流数据建立客户画像的方法 |
CN113313578A (zh) * | 2021-06-15 | 2021-08-27 | 中国银行股份有限公司 | 信用卡消费分期的决策方法及装置 |
CN113409088A (zh) * | 2021-06-30 | 2021-09-17 | 广州云徙科技有限公司 | 一种推送策略确定方法、执行方法、装置及存储介质 |
CN117291655A (zh) * | 2023-11-27 | 2023-12-26 | 广州欧派创意家居设计有限公司 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
CN118229265A (zh) * | 2024-04-08 | 2024-06-21 | 南京爱福路汽车科技有限公司 | 一种适用于维修厂管理车辆生命周期的方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093091A (zh) * | 2016-11-17 | 2017-08-25 | 北京小度信息科技有限公司 | 一种数据处理方法和装置 |
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN110111158A (zh) * | 2019-05-16 | 2019-08-09 | 创络(上海)数据科技有限公司 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
-
2019
- 2019-10-16 CN CN201910984284.5A patent/CN110751515A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093091A (zh) * | 2016-11-17 | 2017-08-25 | 北京小度信息科技有限公司 | 一种数据处理方法和装置 |
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN110111158A (zh) * | 2019-05-16 | 2019-08-09 | 创络(上海)数据科技有限公司 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508596A (zh) * | 2020-10-21 | 2021-03-16 | 广州云徙科技有限公司 | 一种基于实体映射的消费者生命周期划分方法和系统 |
CN112465546A (zh) * | 2020-11-26 | 2021-03-09 | 中诚信征信有限公司 | 一种用户识别方法、装置及设备 |
CN112465546B (zh) * | 2020-11-26 | 2024-04-19 | 中诚信征信有限公司 | 一种用户识别方法、装置及设备 |
CN112967102A (zh) * | 2021-02-04 | 2021-06-15 | 江苏警官学院 | 以物流数据建立客户画像的方法 |
CN113313578A (zh) * | 2021-06-15 | 2021-08-27 | 中国银行股份有限公司 | 信用卡消费分期的决策方法及装置 |
CN113313578B (zh) * | 2021-06-15 | 2024-03-08 | 中国银行股份有限公司 | 信用卡消费分期的决策方法及装置 |
CN113409088A (zh) * | 2021-06-30 | 2021-09-17 | 广州云徙科技有限公司 | 一种推送策略确定方法、执行方法、装置及存储介质 |
CN117291655A (zh) * | 2023-11-27 | 2023-12-26 | 广州欧派创意家居设计有限公司 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
CN117291655B (zh) * | 2023-11-27 | 2024-01-23 | 广州欧派创意家居设计有限公司 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
CN118229265A (zh) * | 2024-04-08 | 2024-06-21 | 南京爱福路汽车科技有限公司 | 一种适用于维修厂管理车辆生命周期的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751515A (zh) | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 | |
CN109544166B (zh) | 一种风险识别方法和装置 | |
EP3780541B1 (en) | Identity information identification method and device | |
CN108763952B (zh) | 一种数据分类方法、装置及电子设备 | |
TWI718643B (zh) | 異常群體識別方法及裝置 | |
US20150278813A1 (en) | Determining a temporary transaction limit | |
US11379845B2 (en) | Method and device for identifying a risk merchant | |
CN111523569B (zh) | 一种用户身份确定方法、装置及电子设备 | |
CN110322349B (zh) | 一种数据的处理方法、装置及设备 | |
CN108596410B (zh) | 一种风控事件自动处理方法及装置 | |
CN110874440A (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
CN107451854B (zh) | 确定用户类型的方法及装置、电子设备 | |
CN112182508A (zh) | 一种合规业务指标的异常监测方法及装置 | |
CN113837635B (zh) | 风险检测处理方法、装置及设备 | |
CN111353850A (zh) | 一种风险识别策略的更新、风险商户的识别方法和装置 | |
CN109582741A (zh) | 特征数据处理方法和装置 | |
CN110704423B (zh) | 激励信息获取方法、装置及存储介质、电子设备 | |
CN109271453B (zh) | 一种数据库容量的确定方法和装置 | |
CN111582872A (zh) | 异常账号检测模型训练、异常账号检测方法、装置及设备 | |
CN108932525B (zh) | 一种行为预测方法及装置 | |
CN113516453A (zh) | 建设项目投资资金管控预警方法、装置、设备及介质 | |
CN115129791A (zh) | 一种数据压缩存储方法、装置及设备 | |
CN113743618A (zh) | 时间序列数据处理方法、装置、可读介质及电子设备 | |
CN111311372A (zh) | 一种用户识别方法和装置 | |
CN111046909A (zh) | 一种负荷预测的方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 100096 101 / F, building 14, 27 Jiancai Middle Road, Haidian District, Beijing Applicant after: Beijing PERCENT Technology Group Co.,Ltd. Address before: 100096 101 / F, building 14, 27 Jiancai Middle Road, Haidian District, Beijing Applicant before: BEIJING BAIFENDIAN INFORMATION SCIENCE & TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |