CN111178972A - 消息推送方法、装置、存储介质及设备 - Google Patents
消息推送方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN111178972A CN111178972A CN201911404495.3A CN201911404495A CN111178972A CN 111178972 A CN111178972 A CN 111178972A CN 201911404495 A CN201911404495 A CN 201911404495A CN 111178972 A CN111178972 A CN 111178972A
- Authority
- CN
- China
- Prior art keywords
- user
- products
- lost
- users
- attrition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000006399 behavior Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 102100040401 DNA topoisomerase 3-alpha Human genes 0.000 description 2
- 101000611068 Homo sapiens DNA topoisomerase 3-alpha Proteins 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种消息推送方法、装置、存储介质及设备,属于互联网技术领域。所述方法包括:预测流失用户并获取预测出的每个流失用户的M种偏好产品,M为正整数;对于预测出的每个流失用户,获取所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,所述价格信息指示了产品的单位交换价值,所述优惠券信息用于降低产品价格;根据所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定所述流失用户的M种偏好产品最终的价格信息;向所述流失用户发送推送消息,所述推送消息中包括所述流失用户的M种偏好产品的名称信息和最终的价格信息。本申请能够对流失用户进行个性化消息推送,可以有效地挽回流失用户。
Description
技术领域
本申请涉及互联网技术领域,特别涉及一种消息推送方法、装置、存储介质及设备。
背景技术
随着互联网技术的快速发展,电子商务步入了蓬勃发展的时代,比如时下涌现出了众多的电商平台,而电商平台的兴起使得网络购物在人群中越来越普及,已经逐渐发展成为一种非常重要的购物方式。
然而,目前对于电商平台来讲,一个不得不面对的问题便是用户流失,比如受限于同行竞争、商品质量或价格等因素,电商平台可能会出现用户流失现象,这无疑会对电商平台产生巨大影响。因此,很有必要针对疑似流失用户(以下称为流失用户)提出一些有效的挽救措施,以召回流失用户。为此,如何对流失用户进行消息推送,便成为了本领域技术人员极具挑战又必须完成的一项工作。
发明内容
本申请实施例提供了一种消息推送方法、装置、存储介质及设备,该种方法能够对流失用户进行个性化消息推送,可以有效地挽回流失用户。所述技术方案如下:
一方面,提供了一种消息推送方法,所述方法包括:
预测流失用户并获取预测出的每个流失用户的M种偏好产品,M为正整数;
对于预测出的每个流失用户,获取所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,所述价格信息指示了产品的单位交换价值,所述优惠券信息用于降低产品价格;
根据所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定所述流失用户的M种偏好产品最终的价格信息;
向所述流失用户发送推送消息,所述推送消息中包括所述流失用户的M种偏好产品的名称信息和最终的价格信息。
在一种可能的实现方式中,所述预测流失用户,包括:
确定第一时长内未卸载目标应用程序的已注册用户;
基于训练好的预测模型在所述已注册用户中预测流失用户。
其中,所述预测模型的训练过程包括:
确定用于模型训练的流失用户样本和未流失用户样本;
获取所述流失用户样本的用户基础数据和用户行为数据,以及获取所述未流失用户样本的用户基础数据和用户行为数据;
对获取到的用户基础数据和所述用户行为数据进行特征提取;
在将提取到的用户基础特征和用户行为特征处理为同一量纲后,将处理后的用户特征输入二分类模型中进行模型训练,得到所述预测模型。
在一种可能的实现方式中,所述确定流失用户样本和未流失用户样本,包括:
对于任意一个已注册用户,若所述已注册用户在所述第一时长内未登录所述目标应用程序且已卸载所述目标应用程序,则将所述已注册用户确定为所述流失用户样本;或,
若所述已注册用户当前未卸载所述目标应用程序且在第二时长内登录过所述目标应用程序,则将所述已注册用户确定为所述未流失用户样本。
在一种可能的实现方式中,所述获取预测出的每个流失用户的M种偏好产品,包括:
对于预测出的每个流失用户,获取所述流失用户的历史产品交易记录;
根据所述历史产品交易记录,确定所述流失用户的历史交易产品;
按照产品交易量由大到小的顺序对确定的历史交易产品进行排序,将排序在前M位的历史交易产品确定为所述流失用户的M种偏好产品。
在一种可能的实现方式中,所述方法还包括:
若确定出来的偏好产品小于M种,则获取与所述流失用户具有一致用户偏好的其他用户;
确定所述其他用户在指定时间段内的交易产品,根据所述其他用户在指定时间段内的交易产品进行产品数量补齐,得到所述流失用户的M种偏好产品。
在一种可能的实现方式中,所述向所述流失用户发送推送消息,包括:
若所述流失用户当前未卸载目标应用程序,则通过第一推送方式向所述流失用户发送所述推送消息,其中,所述第一推送方式为通过所述目标应用程序进行应用内推送;
若所述流失用户当前已卸载目标应用程序,则通过第二推送方式向所述流失用户发送所述推送消息,其中,所述第二推送方式至少包括短消息推送方式和邮件推送方式。
在一种可能的实现方式中,所述方法还包括:
加载推送文案池,所述推送文案池中包括多种框架文案;
在所述多种框架文案中获取所述流失用户对应的目标框架文案;
将所述流失用户的M种偏好产品的名称信息和最终的价格信息与所述目标框架文案进行组合,生成所述流失用户的推送消息。
另一方面,提供了一种消息推送装置,所述装置包括:
预测模块,被配置为预测流失用户;
第一获取模块,被配置为获取预测出的每个流失用户的M种偏好产品,M为正整数;
第二获取模块,被配置为对于预测出的每个流失用户,获取所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,所述价格信息指示了产品的单位交换价值,所述优惠券信息用于降低产品价格;
第一确定模块,被配置为根据所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定所述流失用户的M种偏好产品最终的价格信息;
推送模块,被配置为向所述流失用户发送推送消息,所述推送消息中包括所述流失用户的M种偏好产品的名称信息和最终的价格信息。
在一种可能的实现方式中,所述预测模块,还被配置为确定第一时长内未卸载目标应用程序的已注册用户;基于训练好的预测模型在所述已注册用户中预测流失用户。
其中,所述装置还包括:
训练模块,被配置为确定用于模型训练的流失用户样本和未流失用户样本;获取所述流失用户样本的用户基础数据和用户行为数据,以及获取所述未流失用户样本的用户基础数据和用户行为数据;对获取到的用户基础数据和所述用户行为数据进行特征提取;在将提取到的用户基础特征和用户行为特征处理为同一量纲后,将处理后的用户特征输入二分类模型中进行模型训练,得到所述预测模型。
在一种可能的实现方式中,所述训练模块,还被配置为对于任意一个已注册用户,若所述已注册用户在所述第一时长内未登录所述目标应用程序且已卸载所述目标应用程序,则将所述已注册用户确定为所述流失用户样本;或,若所述已注册用户当前未卸载所述目标应用程序且在第二时长内登录过所述目标应用程序,则将所述已注册用户确定为所述未流失用户样本。
在一种可能的实现方式中,所述第一获取模块,还被配置为对于预测出的每个流失用户,获取所述流失用户的历史产品交易记录;根据所述历史产品交易记录,确定所述流失用户的历史交易产品;按照产品交易量由大到小的顺序对确定的历史交易产品进行排序,将排序在前M位的历史交易产品确定为所述流失用户的M种偏好产品。
在一种可能的实现方式中,所述第一获取模块,还被配置为若确定出来的偏好产品小于M种,则获取与所述流失用户具有一致用户偏好的其他用户;确定所述其他用户在指定时间段内的交易产品,根据所述其他用户在指定时间段内的交易产品进行产品数量补齐,得到所述流失用户的M种偏好产品。
在一种可能的实现方式中,所述推送模块,还被配置为若所述流失用户当前未卸载目标应用程序,则通过第一推送方式向所述流失用户发送所述推送消息,其中,所述第一推送方式为通过所述目标应用程序进行应用内推送;若所述流失用户当前已卸载目标应用程序,则通过第二推送方式向所述流失用户发送所述推送消息,其中,所述第二推送方式至少包括短消息推送方式和邮件推送方式。
在一种可能的实现方式中,所述装置还包括:
生成模块,被配置为加载推送文案池,所述推送文案池中包括多种框架文案;在所述多种框架文案中获取所述流失用户对应的目标框架文案;将所述流失用户的M种偏好产品的名称信息和最终的价格信息与所述目标框架文案进行组合,生成所述流失用户的推送消息。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述的消息推送方法。
另一方面,提供了一种消息推送设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述的消息推送方法。
本申请实施例提供的技术方案带来的有益效果是:
在本申请实施例中,首先会在已注册用户中预测流失用户,之后,获取预测出的每个流失用户的M种偏好产品,其中,M为正整数;进一步地,对于预测出的每个流失用户,本申请实施例会还获取该流失用户的M种偏好产品当前的价格信息以及优惠券信息,其中,价格信息指示了产品的单位交换价值,优惠券信息用于降低产品价格;之后,再根据流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定流失用户的M种偏好产品最终的价格信息;最后,向流失用户发送推送消息,推送消息中包括流失用户的M种偏好产品的名称信息和最终的价格信息。
基于以上描述可知,本申请实施例在识别出流失用户后,针对这部分流失用户提供了一种基于个性化消息推送的挽回方式,其中,推送消息中包括流失用户喜好的产品的名称信息和使用优惠券后的价格,而由于对流失用户进行了个性化消息推送,因此可以有效地挽回流失用户,效果较佳。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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消息推送方法涉及的实施环境的示意图;
图2是本申请实施例提供的一种消息推送方法的流程图;
图3是本申请实施例提供的一种消息推送方法的流程图;
图4是本申请实施例提供的一种消息推送流程的示意图;
图5是本申请实施例提供的另一种消息推送流程的示意图;
图6是本申请实施例提供的另一种消息推送流程的示意图;
图7是本申请实施例提供的另一种消息推送流程的示意图;
图8是本申请实施例提供的另一种消息推送流程的示意图;
图9是本申请实施例提供的另一种消息推送流程的示意图;
图10是本申请实施例提供的另一种消息推送流程的示意图;
图11是本申请实施例提供的另一种消息推送流程的示意图;
图12是本申请实施例提供的另一种消息推送流程的示意图;
图13是本申请实施例提供的一种消息推送方法的整体执行流程的示意图;
图14是本申请实施例提供的一种消息推送装置的结构示意图;
图15是本申请实施例提供的一种消息推送设备的结构示意图。
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,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行详细地解释说明之前,先对本申请实施例涉及到的一些名词术语或缩略语进行介绍。
目标应用程序:指代安装在用户终端上的电商平台的应用软件客户端。以生鲜电商平台为例,则目标应用程序便指代生鲜类App。
用户偏好:指代用户对产品的喜好程度。以生鲜电商平台为例,则用户偏好指代用户对各类生鲜产品的喜好程度。
价格:指代产品同货币交换时单位产品量需要的货币数量。即,价格可以指代产品的单位交换价值。也即,价格是产品的交换价值在流通过程中所取得的转化形式。
优惠券:广义上讲,优惠券按照使用分类,可以分为至少以下几类:现金券,消费者持券消费可抵用部分现金;体验券,消费者持券消费可体验部分服务;礼品券,消费者持券消费可领用指定礼品;折扣券,消费者持券消费可享受消费折扣;特价券,消费者持券消费可购买特价产品;换购券,消费者持换购券可换购指定产品;通用券,拥有以上所有功能。
在本申请实施例中,优惠券用于降低产品价格,比如优惠券可为上述折扣券,本申请实施例对此不进行具体限定。
用户基础数据:在本申请实施例中,用户基础数据包括但不限于年龄、性别、职业、星座、血型、毕业院校、所在地区、收入情况等,本申请实施例对此不进行具体限定。
用户行为数据:在本申请实施例中,包括但不限于登录、浏览、点击、加入购物车、购买等行为,本申请实施例对此同样不进行具体限定。
下面对本申请实施例提供的消息推送方法涉及的实施环境进行介绍。
参见图1,该实施环境包括:用户终端101和服务器102。示例性地,服务器102可以为电商平台比如生鲜电商平台,本申请实施例对此不进行具体限定。
在一种可能的实现方式中,用户终端101的类型包括但不限于:移动式终端和固定式终端。作为一个示例,移动式终端包括但不限于:智能手机、平板电脑、笔记本电脑、电子阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器等;固定式终端包括但不限于台式电脑,本申请实施例对此不进行具体限定。
示例性地,图1仅是以用户终端101为智能手机进行举例说明。而服务器102用于为用户终端101提供后台服务。其中,服务器102既可以是一个独立的服务器,也可以是由多个服务器组成的服务器集群,本申请实施例对此同样不进行具体限定。另外,用户终端102上通常安装有适配的目标应用程序,以方便用户通过该适配的目标应用程序浏览产品以及下单。
示例性地,本申请实施例提供的消息推送方法可以应用于生鲜电商平台,处理生鲜电商平台的用户流失问题。对于生鲜电商平台,目前通常采用城市总仓+前置仓的两级分布式仓储体系,因此用户在通过用户终端201上安装的目标应用程序下单后,相关订单会被分配至该用户附近的微仓,比如,该用户购买的相关生鲜产品可能来自于在其附近社区里设置的一个微仓,进而保证该用户下单后在较短的时间内购买的产品即可配送上门。
基于上述的实施环境,本申请实施例提供的消息推送方法主要应用在电商平台对疑似流失用户(以下称为流失用户)进行挽回的场景。即,本申请实施例提供了一种基于个性化消息推送的流失用户挽回方法,在确认流失用户后,采取个性化消息推送的方式来挽回这部分用户,换一种表达方式,本申请实施例的目的是如何有效地挽回流失用户。
下面通过以下实施例对此本申请实施例提供的消息推送方法进行详细地解释说明。
图2是本申请实施例提供的一种消息推送方法的流程图。参见图2,本申请实施例提供的方法流程包括:
201、预测流失用户并获取预测出的每个流失用户的M种偏好产品,M为正整数。
202、对于预测出的每个流失用户,获取该流失用户的M种偏好产品当前的价格信息以及优惠券信息,其中,价格信息指示了产品的单位交换价值,优惠券信息用于降低产品价格。
203、根据该流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定该流失用户的M种偏好产品最终的价格信息。
204、向该流失用户发送推送消息,该推送消息中包括该流失用户的M种偏好产品的名称信息和最终的价格信息。
本申请实施例提供的方法,首先会在已注册用户中预测流失用户,之后,获取预测出的每个流失用户的M种偏好产品,其中,M为正整数;进一步地,对于预测出的每个流失用户,本申请实施例会还获取该流失用户的M种偏好产品当前的价格信息以及优惠券信息,其中,价格信息指示了产品的单位交换价值,优惠券信息用于降低产品价格;之后,再根据流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定流失用户的M种偏好产品最终的价格信息;最后,向流失用户发送推送消息,推送消息中包括流失用户的M种偏好产品的名称信息和最终的价格信息。
基于以上描述可知,本申请实施例在识别出流失用户后,针对这部分流失用户提供了一种基于个性化消息推送的挽回方式,其中,推送消息中包括流失用户喜好的产品的名称信息和使用优惠券后的价格,而由于对流失用户进行了个性化消息推送,因此可以有效地挽回流失用户,效果较佳。
在一种可能的实现方式中,所述预测流失用户,包括:
确定第一时长内未卸载目标应用程序的已注册用户;
基于训练好的预测模型在所述已注册用户中预测流失用户。
其中,所述预测模型的训练过程包括:
确定用于模型训练的流失用户样本和未流失用户样本;
获取所述流失用户样本的用户基础数据和用户行为数据,以及获取所述未流失用户样本的用户基础数据和用户行为数据;
对获取到的用户基础数据和所述用户行为数据进行特征提取;
在将提取到的用户基础特征和用户行为特征处理为同一量纲后,将处理后的用户特征输入二分类模型中进行模型训练,得到所述预测模型。
在一种可能的实现方式中,所述确定流失用户样本和未流失用户样本,包括:
对于任意一个已注册用户,若所述已注册用户在所述第一时长内未登录所述目标应用程序且已卸载所述目标应用程序,则将所述已注册用户确定为所述流失用户样本;或,
若所述已注册用户当前未卸载所述目标应用程序且在第二时长内登录过所述目标应用程序,则将所述已注册用户确定为所述未流失用户样本。
在一种可能的实现方式中,所述获取预测出的每个流失用户的M种偏好产品,包括:
对于预测出的每个流失用户,获取所述流失用户的历史产品交易记录;
根据所述历史产品交易记录,确定所述流失用户的历史交易产品;
按照产品交易量由大到小的顺序对确定的历史交易产品进行排序,将排序在前M位的历史交易产品确定为所述流失用户的M种偏好产品。
在一种可能的实现方式中,所述方法还包括:
若确定出来的偏好产品小于M种,则获取与所述流失用户具有一致用户偏好的其他用户;
确定所述其他用户在指定时间段内的交易产品,根据所述其他用户在指定时间段内的交易产品进行产品数量补齐,得到所述流失用户的M种偏好产品。
在一种可能的实现方式中,所述向所述流失用户发送推送消息,包括:
若所述流失用户当前未卸载目标应用程序,则通过第一推送方式向所述流失用户发送所述推送消息,其中,所述第一推送方式为通过所述目标应用程序进行应用内推送;
若所述流失用户当前已卸载目标应用程序,则通过第二推送方式向所述流失用户发送所述推送消息,其中,所述第二推送方式至少包括短消息推送方式和邮件推送方式。
在一种可能的实现方式中,所述方法还包括:
加载推送文案池,所述推送文案池中包括多种框架文案;
在所述多种框架文案中获取所述流失用户对应的目标框架文案;
将所述流失用户的M种偏好产品的名称信息和最终的价格信息与所述目标框架文案进行组合,生成所述流失用户的推送消息。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
需要说明的是,下述出现的诸如第一、第二、第三以及第四等描述,仅是用于区分不同的对象,而不构成其他任何形式的限定。
图3是本申请实施例提供的一种消息推送方法的流程图。该方法的执行主体为图1中所示的服务器102。参见图3,本申请实施例提供的方法流程包括:
301、确定流失用户样本和未流失用户样本。
如图4所示,本申请实施例通过用户ID获取用户状态数据,进而基于用户状态数据对用户流失状态进行识别。其中,用户状态数据但不限于图4所示的登录状态和App状态(目标应用程序的状态)。
在一种可能的实现方式中,流失用户的判断方式可以为:对于任意一个已注册用户,若该已注册用户在第一时长内未登录目标应用程序且已卸载目标应用程序,则将该已注册用户确定为流失用户。其中,第一时长可为最近90天,本申请实施例对此不进行具体限定。参见图4,即通过用户ID获取最近90天内处于未登录状态且已卸载目标应用程序的用户,将这部分用户确定为流失用户。
在一种可能的实现方式中,未流失用户的判断方式可以为:对于任意一个已注册用户,若该已注册用户当前未卸载目标应用程序且在第二时长内登录过目标应用程序,则将该已注册用户确定为未流失用户。其中,第二时长可为最近7天,本申请实施例对此同样不进行具体限定。参见图5,即根据用户状态数据确定当前日期未卸载目标应用程序且最近7天内有过登录的用户ID,将提取到的用户ID指示的这部分用户确定为目前的未流失用户。
需要说明的是,之所以将本步骤确定的流失用户和未流失用户分别称之为流失用户样本和未流失用户样本,是因为二者需要用于训练预测模型。
302、获取流失用户样本的用户基础数据和用户行为数据,以及获取未流失用户样本的用户基础数据和用户行为数据;对获取到的用户基础数据和用户行为数据进行特征提取。
在本申请实施例中,用户基础数据包括但不限于年龄、性别、职业、星座、血型、毕业院校、所在地区、收入情况等;用户行为数据包括但不限于登录、浏览、点击、加入购物车、购买等行为,本申请实施例对此不进行具体限定。
在一种可能的实现方式中,针对流失用户样本,可通过用户ID关联最近一段时间(比如90天)内的用户行为数据(也称历史用户行为数据),包括上述登录、浏览、点击、加入购物车、购买等行为;针对未流失用户样本,可通过用户ID关联最近一段时间(比如7天)内的用户行为数据。另外,针对用户基础数据,也可通过用户ID进行关联。
接下来,对流失用户样本的用户行为数据和用户基础数据进行用户行为特征提取和用户基础特征提取;以及,对未流失用户样本的用户行为数据和用户基础数据进行用户行为特征提取和用户基础特征提取。
在一种可能的实现方式中,如图6所示,在确定流失用户样本的用户ID和未流失用户样本的用户ID后,可将这两部分用户ID进行混合拼接,之后获取混合拼接后形成的用户集合的用户基础特征和用户行为特征。
303、在将提取到的用户基础特征和用户行为特征处理为同一量纲后,将处理后的用户特征输入二分类模型中进行模型训练,得到预测模型。
在本申请实施例中,在得到用户基础特征和用户行为特征后,如图6所示,这两部分的特征还会经过一步特征工程的处理,以将提取到的用户基础特征和用户行为特征处理为同一量纲后再输入二分类模型中进行模型训练。
而之所以需要经过一步特征工程的处理,是因为:通过特征提取得到的是未经处理的特征,这时的特征有可能存在以下问题:不属于同一量纲,即特征的规格不一样,比如用户基础特征和用户行为特征的维度不一样,不能直接输入二分类模型中进行模型训练,所以还需要经过此步处理,比如将用户基础特征和用户行为特征处理为相同维度。作为一个示例,上述二分类模型可以为xgboost(eXtreme Gradient Boosting,极端梯度提升)模型,本申请实施例对此不进行具体限定。
如图7所示,用于预测流失用户的预测模型的训练过程可以为:将经过特征工程步骤处理后的用户特征输入xgboost模型中进行预测模型训练;其中,模型训练过程即是一个逐步优化模型分类结果的精准度的过程,即确定xgboost模型输出的预测分类结果与实际分类结果是否一致;若预测分类结果与实际分类结果不一致,则反复循环地迭代更新xgboost模型的网络参数,直至模型收敛,得到预测模型。其中,模型收敛条件可以为模型的预测准确率达到95%以上,本申请实施例对此不进行具体限定。
304、确定第一时长内未卸载目标应用程序的已注册用户;基于训练好的预测模型在已注册用户中预测流失用户。
在本申请实施例中,可以通过训练好的预测模型,在最近90天内所有未卸载目标应用程序的用户中进行用户流失预测,得到全部的流失用户。
即,首先在已注册用户中获取最近90天内未卸载目标应用程序的所有用户ID;之后,可以按照步骤302所示的方式,获取这部分用户的用户基础特征和用户行为特征,并在经过特征工程步骤的处理后,将得到的用户特征输入训练好的预测模型中,从而基于预测模型输出的分类结果得到这部分用户中的流失用户,即此步骤完成了流失用户的预测打标。
在一种可能的实现方式中,模型输出的分类结果可以为0和1,其中,0指代流失用户,1指代未流失用户,本申请实施例对此不进行具体限定,仅是给出一种可能的形式。需要说明的是,在预测出流失用户后,针对预测出的每个流失用户,本申请实施例还包括计算预测出的每个流失用户的偏好产品的步骤,参见下述步骤305。
305、获取预测出的每个流失用户的M种偏好产品,M为正整数。
作为一个示例,M的取值可以为3,即获取预测出的每个流失用户的3种偏好产品。需要说明的是,这3种偏好产品均归属于不同产品,没有重复。
在本申请实施例中,在获取到预测出的每个流失用户的用户ID后,如图8所示,会计算预测出的每个流失用户的偏好产品,并会对偏好产品进行排序。其中,上述偏好产品在本文中也称为用户偏好产品或用户喜好产品。另外,参见图8,本申请实施例还会统计计算出的偏好产品数量,并提取偏好产品数量小于M的用户ID,即对偏好产品不足3个不同产品的用户ID进行提取。
在一种可能的实现方式中,获取预测出的每个流失用户的M种偏好产品,包括但不限于如下方式:对于预测出的每个流失用户,获取该流失用户的历史产品交易记录;根据该历史产品交易记录,确定该流失用户的历史交易产品;按照产品交易量由大到小的顺序,对确定的历史交易产品进行排序,将排序在前M位的历史交易产品确定为该流失用户的M种偏好产品。
以M的取值为3,则本步骤可以是计算预测出的每个流失用户的TOP3不同产品,将TOP3不同产品作为每个用户的M种偏好产品。
在另一种可能的实现方式中,还可通过用户偏好模型来获取预测出的每个流失用户的M种偏好产品。示例性地,针对预测出的任意一个流失用户,可以获取该流失用户的用户基础数据和历史用户行为数据。之后,对获取到的用户基础数据和用户行为数据进行特征提取,并将生成的特征数据输入至用户偏好模型中,获取该用户偏好模型的输出结果,该输出结果给出了反映该用户对相应产品种类的偏好权重值。作为一个示例,用户偏好模型可以给出用户对相应产品种类的偏好权重值。其中,偏好权重值反映了用户对相应产品种类的喜好程度,偏好权重值越大,表明用户对相应产品种类的喜好程度越大。
其中,用户偏好模型可以为线性模型。比如,构建用户画像数据与用户偏好产品之间的初始线性模型;基于训练样本数据训练初始线性模型,即优化线性参数;采用优化后的线性参数作为最终的线性模型的线性参数。其中,上述用户画像数据包括但不限于用户基础数和用户行为数据。在另一种可能的实现方式中,用户偏好模型还可以是非线性的深度学习模型,本申请实施例对此不进行具体限定。
如图9所示,在对偏好产品不足M种不同产品的用户ID进行提取后,本申请实施例还会基于协同过滤算法进一步地计算这部分用户的偏好产品,以对前述不足M种的偏好产品进行数量补齐,以使预测出的每个流失用户均对应M个偏好产品。
在一种可能的实现方式中,参见图9,针对偏好产品不足M种不同产品的任意一个流失用户,可基于协同过滤算法获取与该流失用户具有一致用户偏好的其他用户,比如其他用户与该流失用户购买过相同或相似的产品,例如该流失用户当前的偏好产品(不足M个的那部分偏好产品)其他用户之前也购买过。
之后,确定其他用户在最近一段时间内购买过的产品,并基于这部分产品对该流失用户进行产品数量补齐。即,确定其他用户在指定时间段内的交易产品,根据其他用户在指定时间段内的交易产品进行产品数量补齐,得到该流失用户的M种偏好产品。其中,指定时间段可以为最近90天,本申请实施例对此不进行具体限定。
306、对于预测出的每个流失用户,获取该流失用户的M种偏好产品当前的价格信息以及优惠券信息;根据该流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定该流失用户的M种偏好产品最终的价格信息。
其中,上述价格信息指示了产品的单位交换价值,比如上述价格信息可以是指每种偏好产品的单价,而优惠券信息用于降低产品价格。
在本申请实施例中,如图10所示,对于预测出的任意一个流失用户,通过该流失用户的M种偏好产品的产品编码,可以获取每种偏好产品实时的价格信息以及对应的优惠券信息,然后根据M种偏好产品当前的价格信息和优惠券信息,计算M种偏好产品使用优惠券后的价格,生成偏好产品与最终的价格信息的组合数据。
307、向该流失用户发送推送消息,该推送消息中包括该流失用户的M种偏好产品的名称信息和最终的价格信息。
在一种可能的实现方式中,本申请实施例还包括生成可推送文案的步骤,如图11所示,在输入该流失用户的M种偏好产品和最终的价格信息后,会加载推送文案池,其中,推送文案池中包括多种框架文案;之后,在多种框架文案中获取流失用户对应的目标框架文案;最终,组合产品&价格信息&文案,即将流失用户的M种偏好产品的名称信息和最终的价格信息与目标框架文案进行组合,生成流失用户对应的可推送文案,得到针对该流失用户的推送消息。
换一种表达方式,将该流失用户的M种偏好产品的产品名称以及对应优惠后的价格信息与选取的框架文案进行匹配,进而将匹配后完整的可推送文案作为针对该流失用户的推送消息。
其中,与流失用户对应的目标框架文案可以是随机选取的,也可以是根据流失用户的用户基础数据选取的,本申请实施例对此不进行具体限定。
在本申请实施例中,如图12所示,在向该流失用户发送生成的推送消息之前,还需先检测目标应用程序当前的状态;若该流失用户当前未卸载目标应用程序,则通过第一推送方式向该流失用户发送推送消息,其中,第一推送方式为通过目标应用程序进行应用内推送,即通过App Push功能推送消息;若该流失用户当前已卸载目标应用程序,则通过第二推送方式向该流失用户发送推送消息,其中,第二推送方式至少包括短消息推送方式和邮件推送方式,本申请实施例对此不进行具体限定。
本申请实施例提供的方法,在识别出流失用户后,针对这部分流失用户提供了一种基于个性化消息推送的挽回方式,其中,推送消息中包括流失用户喜好的产品的名称信息和使用优惠券后的价格,而由于对流失用户进行了个性化消息推送,因此可以有效地挽回流失用户,效果较佳。
在另一个实施例中,图13示出了本申请实施例提供的消息推送方法的整体执行流程图。参见图13,该整体执行流程包括如下步骤:
a、获取用户ID;
b、根据用户ID获取用户状态数据,根据用户状态数据识别用户流失状态,确定流失用户样本和未流失用户样本;
c、提取流失用户样本和未流失用户样本的用户基础特征和用户行为特征。
d、基于提取到的用户基础特征和用户行为特征进行预测模型训练。
e、基于训练好的预测模型进行流失用户预测。
f、针对预测出的每个流失用户,计算偏好产品和对应的产品数量。
g、提取偏好产品数量小于M的用户ID,基于协同过滤算法对这部分流失用户进行偏好产品的产品数量补齐。
h、选取流失用户对应的框架文案并组合产品&价格信息&选取的文案。
i、判断用户App状态。
j、基于确定的App状态进行消息推送。
本申请实施例提供的方法,在识别出流失用户后,针对这部分流失用户提供了一种基于个性化消息推送的挽回方式,其中,推送消息中包括流失用户喜好的产品的名称信息和使用优惠券后的价格,而由于对流失用户进行了个性化消息推送,因此可以有效地挽回流失用户,效果较佳。
图14是本申请实施例提供的一种消息推送装置的结构示意图。参见图14,该装置包括:
预测模块1401,被配置为预测流失用户;
第一获取模块1402,被配置为获取预测出的每个流失用户的M种偏好产品,M为正整数;
第二获取模块1403,被配置为对于预测出的每个流失用户,获取所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,所述价格信息指示了产品的单位交换价值,所述优惠券信息用于降低产品价格;
第一确定模块1404,被配置为根据所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定所述流失用户的M种偏好产品最终的价格信息;
推送模块1405,被配置为向所述流失用户发送推送消息,所述推送消息中包括所述流失用户的M种偏好产品的名称信息和最终的价格信息。
本申请实施例提供的装置,首先会在已注册用户中预测流失用户,之后,获取预测出的每个流失用户的M种偏好产品,其中,M为正整数;进一步地,对于预测出的每个流失用户,本申请实施例会还获取该流失用户的M种偏好产品当前的价格信息以及优惠券信息,其中,价格信息指示了产品的单位交换价值,优惠券信息用于降低产品价格;之后,再根据流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定流失用户的M种偏好产品最终的价格信息;最后,向流失用户发送推送消息,推送消息中包括流失用户的M种偏好产品的名称信息和最终的价格信息。
基于以上描述可知,本申请实施例在识别出流失用户后,针对这部分流失用户提供了一种基于个性化消息推送的挽回方式,其中,推送消息中包括流失用户喜好的产品的名称信息和使用优惠券后的价格,而由于对流失用户进行了个性化消息推送,因此可以有效地挽回流失用户,效果较佳。
在一种可能的实现方式中,预测模块,还被配置为确定第一时长内未卸载目标应用程序的已注册用户;基于训练好的预测模型在所述已注册用户中预测流失用户。
其中,该装置还包括:
训练模块,被配置为确定用于模型训练的流失用户样本和未流失用户样本;获取所述流失用户样本的用户基础数据和用户行为数据,以及获取所述未流失用户样本的用户基础数据和用户行为数据;对获取到的用户基础数据和所述用户行为数据进行特征提取;在将提取到的用户基础特征和用户行为特征处理为同一量纲后,将处理后的用户特征输入二分类模型中进行模型训练,得到所述预测模型。
在一种可能的实现方式中,训练模块,还被配置为对于任意一个已注册用户,若所述已注册用户在所述第一时长内未登录所述目标应用程序且已卸载所述目标应用程序,则将所述已注册用户确定为所述流失用户样本;或,若所述已注册用户当前未卸载所述目标应用程序且在第二时长内登录过所述目标应用程序,则将所述已注册用户确定为所述未流失用户样本。
在一种可能的实现方式中,第一获取模块,还被配置为对于预测出的每个流失用户,获取所述流失用户的历史产品交易记录;根据所述历史产品交易记录,确定所述流失用户的历史交易产品;按照产品交易量由大到小的顺序对确定的历史交易产品进行排序,将排序在前M位的历史交易产品确定为所述流失用户的M种偏好产品。
在一种可能的实现方式中,第一获取模块,还被配置为若确定出来的偏好产品小于M种,则获取与所述流失用户具有一致用户偏好的其他用户;确定所述其他用户在指定时间段内的交易产品,根据所述其他用户在指定时间段内的交易产品进行产品数量补齐,得到所述流失用户的M种偏好产品。
在一种可能的实现方式中,推送模块,还被配置为若所述流失用户当前未卸载目标应用程序,则通过第一推送方式向所述流失用户发送所述推送消息,其中,所述第一推送方式为通过所述目标应用程序进行应用内推送;若所述流失用户当前已卸载目标应用程序,则通过第二推送方式向所述流失用户发送所述推送消息,其中,所述第二推送方式至少包括短消息推送方式和邮件推送方式。
在一种可能的实现方式中,该装置还包括:
生成模块,被配置为加载推送文案池,所述推送文案池中包括多种框架文案;在所述多种框架文案中获取所述流失用户对应的目标框架文案;将所述流失用户的M种偏好产品的名称信息和最终的价格信息与所述目标框架文案进行组合,生成所述流失用户的推送消息。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
需要说明的是:上述实施例提供的消息推送装置在进行消息推送时,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。另外,上述实施例提供的消息推送装置与消息推送方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图15是本申请实施例提供的一种消息推送设备的结构示意图,该消息推送设备可以表现为服务器。其中,该服务器1500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)1501和一个或一个以上的存储器1502,其中,所述存储器1502中存储有至少一条指令,所述至少一条指令由所述处理器1501加载并执行以实现上述各个方法实施例提供的消息推送方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述实施例中的消息推送方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,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。
Claims (10)
1.一种消息推送方法,其特征在于,所述方法包括:
预测流失用户并获取预测出的每个流失用户的M种偏好产品,M为正整数;
对于预测出的每个流失用户,获取所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,所述价格信息指示了产品的单位交换价值,所述优惠券信息用于降低产品价格;
根据所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定所述流失用户的M种偏好产品最终的价格信息;
向所述流失用户发送推送消息,所述推送消息中包括所述流失用户的M种偏好产品的名称信息和最终的价格信息。
2.根据权利要求1所述的方法,其特征在于,所述预测流失用户,包括:
确定第一时长内未卸载目标应用程序的已注册用户;
基于训练好的预测模型在所述已注册用户中预测流失用户。
其中,所述预测模型的训练过程包括:
确定用于模型训练的流失用户样本和未流失用户样本;
获取所述流失用户样本的用户基础数据和用户行为数据,以及获取所述未流失用户样本的用户基础数据和用户行为数据;
对获取到的用户基础数据和所述用户行为数据进行特征提取;
在将提取到的用户基础特征和用户行为特征处理为同一量纲后,将处理后的用户特征输入二分类模型中进行模型训练,得到所述预测模型。
3.根据权利要求2所述的方法,其特征在于,所述确定流失用户样本和未流失用户样本,包括:
对于任意一个已注册用户,若所述已注册用户在所述第一时长内未登录所述目标应用程序且已卸载所述目标应用程序,则将所述已注册用户确定为所述流失用户样本;或,
若所述已注册用户当前未卸载所述目标应用程序且在第二时长内登录过所述目标应用程序,则将所述已注册用户确定为所述未流失用户样本。
4.根据权利要求1所述的方法,其特征在于,所述获取预测出的每个流失用户的M种偏好产品,包括:
对于预测出的每个流失用户,获取所述流失用户的历史产品交易记录;
根据所述历史产品交易记录,确定所述流失用户的历史交易产品;
按照产品交易量由大到小的顺序对确定的历史交易产品进行排序,将排序在前M位的历史交易产品确定为所述流失用户的M种偏好产品。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若确定出来的偏好产品小于M种,则获取与所述流失用户具有一致用户偏好的其他用户;
确定所述其他用户在指定时间段内的交易产品,根据所述其他用户在指定时间段内的交易产品进行产品数量补齐,得到所述流失用户的M种偏好产品。
6.根据权利要求1所述的方法,其特征在于,所述向所述流失用户发送推送消息,包括:
若所述流失用户当前未卸载目标应用程序,则通过第一推送方式向所述流失用户发送所述推送消息,其中,所述第一推送方式为通过所述目标应用程序进行应用内推送;
若所述流失用户当前已卸载目标应用程序,则通过第二推送方式向所述流失用户发送所述推送消息,其中,所述第二推送方式至少包括短消息推送方式和邮件推送方式。
7.根据权利要求1至6中任一项权利要求所述的方法,其特征在于,所述方法还包括:
加载推送文案池,所述推送文案池中包括多种框架文案;
在所述多种框架文案中获取所述流失用户对应的目标框架文案;
将所述流失用户的M种偏好产品的名称信息和最终的价格信息与所述目标框架文案进行组合,生成所述流失用户的推送消息。
8.一种消息推送装置,其特征在于,所述装置包括:
预测模块,被配置为预测流失用户;
第一获取模块,被配置为获取预测出的每个流失用户的M种偏好产品,M为正整数;
第二获取模块,被配置为对于预测出的每个流失用户,获取所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,所述价格信息指示了产品的单位交换价值,所述优惠券信息用于降低产品价格;
第一确定模块,被配置为根据所述流失用户的M种偏好产品当前的价格信息以及优惠券信息,确定所述流失用户的M种偏好产品最终的价格信息;
推送模块,被配置为向所述流失用户发送推送消息,所述推送消息中包括所述流失用户的M种偏好产品的名称信息和最终的价格信息。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至7中任一项权利要求所述的消息推送方法。
10.一种消息推送设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1至7中任一项权利要求所述的消息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404495.3A CN111178972A (zh) | 2019-12-30 | 2019-12-30 | 消息推送方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404495.3A CN111178972A (zh) | 2019-12-30 | 2019-12-30 | 消息推送方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178972A true CN111178972A (zh) | 2020-05-19 |
Family
ID=70655876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911404495.3A Pending CN111178972A (zh) | 2019-12-30 | 2019-12-30 | 消息推送方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178972A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681099A (zh) * | 2020-06-03 | 2020-09-18 | 中国银行股份有限公司 | 产品信息推送方法、装置、计算机设备及可读存储介质 |
CN113744020A (zh) * | 2021-01-15 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品文案处理方法、装置、电子设备和存储介质 |
CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
CN115796890A (zh) * | 2022-11-07 | 2023-03-14 | 首约科技(北京)有限公司 | 流失用户的召回方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
CN107545450A (zh) * | 2016-06-27 | 2018-01-05 | 百度在线网络技术(北京)有限公司 | 一种交易信息推送方法和装置 |
CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动(北京)科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
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 |
CN108509583A (zh) * | 2018-03-29 | 2018-09-07 | 广东欧珀移动通信有限公司 | 一种信息推送方法、服务器及计算机可读存储介质 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN109213936A (zh) * | 2018-11-22 | 2019-01-15 | 北京京东金融科技控股有限公司 | 商品搜索方法和装置 |
CN109461023A (zh) * | 2018-10-12 | 2019-03-12 | 中国平安人寿保险股份有限公司 | 流失用户挽回方法及装置、电子设备、存储介质 |
CN109859011A (zh) * | 2019-01-31 | 2019-06-07 | 傲宝珠宝文化发展(深圳)有限公司 | 基于珠宝线上商城的消息推送方法、系统及其存储介质 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110363654A (zh) * | 2019-06-27 | 2019-10-22 | 上海淇毓信息科技有限公司 | 一种优惠信息推送方法、装置和电子设备 |
-
2019
- 2019-12-30 CN CN201911404495.3A patent/CN111178972A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
CN107545450A (zh) * | 2016-06-27 | 2018-01-05 | 百度在线网络技术(北京)有限公司 | 一种交易信息推送方法和装置 |
CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动(北京)科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
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 |
CN108509583A (zh) * | 2018-03-29 | 2018-09-07 | 广东欧珀移动通信有限公司 | 一种信息推送方法、服务器及计算机可读存储介质 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN109461023A (zh) * | 2018-10-12 | 2019-03-12 | 中国平安人寿保险股份有限公司 | 流失用户挽回方法及装置、电子设备、存储介质 |
CN109213936A (zh) * | 2018-11-22 | 2019-01-15 | 北京京东金融科技控股有限公司 | 商品搜索方法和装置 |
CN109859011A (zh) * | 2019-01-31 | 2019-06-07 | 傲宝珠宝文化发展(深圳)有限公司 | 基于珠宝线上商城的消息推送方法、系统及其存储介质 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110363654A (zh) * | 2019-06-27 | 2019-10-22 | 上海淇毓信息科技有限公司 | 一种优惠信息推送方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
周玉涛: "挖掘流失用户的价值", 《中国药店》 * |
康波等: "基于大数据分析的互联网业务用户体验管理", 《电信科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681099A (zh) * | 2020-06-03 | 2020-09-18 | 中国银行股份有限公司 | 产品信息推送方法、装置、计算机设备及可读存储介质 |
CN113744020A (zh) * | 2021-01-15 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品文案处理方法、装置、电子设备和存储介质 |
CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
CN115796890A (zh) * | 2022-11-07 | 2023-03-14 | 首约科技(北京)有限公司 | 流失用户的召回方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178972A (zh) | 消息推送方法、装置、存储介质及设备 | |
CN109492772B (zh) | 生成信息的方法和装置 | |
CN107517251B (zh) | 信息推送方法和装置 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN110674391A (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN110226180A (zh) | 购买信息应用系统和购买信息应用方法以及程序 | |
CN110555749A (zh) | 基于神经网络的信用行为预测方法以及装置 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN116911953B (zh) | 物品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN106030641A (zh) | 对于用户生成的游戏内容的微支付补偿 | |
CN110704706A (zh) | 分类模型的训练方法、分类方法及相关设备、分类系统 | |
CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN112036987A (zh) | 确定推荐商品的方法和装置 | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
CN111311381A (zh) | 一种商品推荐方法及系统 | |
CN112116393B (zh) | 用于实现事件用户维护的方法、装置和设备 | |
US10354313B2 (en) | Emphasizing communication based on past interaction related to promoted items | |
CN114741606A (zh) | 企业推荐方法、装置、计算机可读介质及电子设备 | |
CN113487389A (zh) | 一种信息推荐方法及装置 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
CN114764472A (zh) | 一种内容推送方法及装置 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN110929123A (zh) | 一种电商产品竞争分析方法及系统 | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200519 |