CN111401935B - 资源分配方法、装置及存储介质 - Google Patents
资源分配方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111401935B CN111401935B CN202010110450.1A CN202010110450A CN111401935B CN 111401935 B CN111401935 B CN 111401935B CN 202010110450 A CN202010110450 A CN 202010110450A CN 111401935 B CN111401935 B CN 111401935B
- Authority
- CN
- China
- Prior art keywords
- label
- user
- data
- resource
- preset
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,揭露了一种资源分配方法,该方法包括:接收用户发出的资源配置请求;根据请求中的预设类型数据确定所述用户对应的第一标签及第二标签;根据所述第二标签及所述预设类型数据确定所述用户的第三标签;获取预设时间内与所述指定标的对应的历史资源分配记录,筛选出与所述用户的第二标签及所述第三标签匹配的第一资源分配记录,确定待分配资源;计算所述待分配资源的分配概率,选择分配概率排序靠前的待分配资源作为目标分配资源,并将所述目标分配资源分配至所述用户。本发明还揭露了一种电子装置及计算机存储介质。利用本发明,可以提高资源分配效率及准确性。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种资源分配方法、电子装置及计算机可读存储介质。
背景技术
目前市面上在福利资源配置这块,大多采用定向资源分配,并且形式单一,用户选择范围窄,体验差。以礼品配置为例,合理优化礼品配置会给客户带来更好的使用体验,同类型的客户群体,对于礼品的诉求也会有差异。如何准确的判断出客户的真正需求,帮助客户便捷选择,也是提升企业服务质量的因素之一。
传统的礼品配置方案较为单一,需要企业收集、分析客户的喜好与需求,再根据实际成本预算,手动配置,增加了企业人力负担。另外,随着消费水平的提升,以及人们对个性化表达的追求,越来越多客户会看中企业在细微处的服务质量。合理化满足客户个性的需求,成为企业发展过程中需要关注的重点方面。
因此,如何合理分配资源成为了亟待解决的问题。
发明内容
鉴于以上内容,本发明提供一种资源分配方法、电子装置及计算机可读存储介质,其主要目的在于提高资源分配的效率及准确性。
为实现上述目的,本发明提供一种资源分配方法,该方法包括:
接收步骤,接收用户通过客户端发出的资源配置请求,所述资源配置请求包括:指定标的及与所述指定标的对应的预设类型数据;
第一分类步骤,根据所述预设类型数据及第一预设分类规则对所述用户进行分类,确定所述用户对应的第一标签,基于预设的第一标签与第二标签的映射数据,确定所述用户对应的第二标签;
第二分类步骤,根据所述用户对应的第二标签、所述预设类型数据及第二预设分类规则对所述用户进行二次分类,确定所述用户的第三标签;
筛选步骤,获取预设时间内与所述指定标的对应的历史资源分配记录,从所述历史资源分配记录中筛选出与所述用户的第二标签及所述第三标签匹配的第一资源分配记录,根据所述第一资源分配记录确定待分配资源;及
分配步骤,根据所述第一资源分配记录计算所述待分配资源的分配概率,选择分配概率排序靠前的待分配资源作为目标分配资源,并将所述目标分配资源分配至所述用户。
此外,为实现上述目的,本发明还提供一种电子装置,该装置包括:存储器、处理器,所述存储器中存储有可在所述处理器上运行的资源分配程序,所述资源分配程序被所述处理器执行时可实现如上所述资源分配方法中的任意步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括资源分配程序,所述资源分配程序被处理器执行时,可实现如上所述资源分配方法中的任意步骤。
本发明提出的资源分配方法、电子装置及计算机可读存储介质,根据用户的第一特征数据确定用户的第一标签及第二标签,基于包含第二标签的第二特征数据确定用户的第三标签,根据用户的第二标签及第三标签从历史资源分配记录中筛选出待分配资源,并从待分配资源中选择最佳的目标分配资源。通过综合考虑用户的价格敏感等级及客户价值自动分析德奥最终的目标分配资源,提高了资源分配的效率、客观性及准确性。
附图说明
图1为本发明资源分配方法较佳实施例的流程图;
图2为Random取值的示意图;
图3为本发明电子装置较佳实施例的示意图;
图4为图3中资源分配程序较佳实施例的程序模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种资源分配方法。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
参照图1所示,为本发明资源分配方法较佳实施例的流程图。
在本发明资源分配方法一较佳实施例中,所述资源分配方法包括:步骤S1-步骤S5。
步骤S1,接收用户通过客户端发出的资源配置请求,所述资源配置请求包括:指定标的及与所述指定标的对应的预设类型数据。
以下以电子装置作为执行主体对本发明各实施例进行说明。
在本实施例中,上述指定标的为:车险产品。
上述资源配置请求为:用户通过客户端发出的礼品配置请求。可以理解的是,为了提高用户体验,当用户发出车险购买请求时,需向用户合理配置资源(礼品)。
上述指定标的对应的预设类型数据包括:用户在发出车险购买请求时输入的投保相关信息。以车险为例,当用户通过客户端发出购买请求时,需要输入预设类型数据,例如,包括:姓名、身份证号、年龄、性别、是否已婚、保单价格、职业、车型、车价、车龄、金融资产及相关消费记录等投保相关信息。
用户通过客户端上的APP录入数据并发起请求。电子装置接收到客户端发出的请求后,基于请求中包括的预设类型数据为用户进行资源配置,即,礼品推荐。
步骤S2,根据所述预设类型数据及第一预设分类规则对所述用户进行分类,确定所述用户对应的第一标签,基于预设的第一标签与第二标签的映射数据,确定所述用户对应的第二标签。
其中,第一标签为客群标签,用于标识用户所属客群类型。第二标签为价格敏感标签,用于标识用户对应的价格敏感等级,例如,上述价格敏感等级包括:高度敏感、中度敏感及低敏感。
在本实施例中,所述第一预设分类规则包括:
从所述预设类型数据中筛选出第一特征数据,将所述第一特征数据分为定量特征数据和定性特征数据;
根据预设分析规则将所述定量特征数据转换为定性特征数据,基于所述第一特征数据对应的所有定性特征数据生成所述用户的属性特征组合;及
将所述用户的属性特征组合输入预先训练好的分析模型中进行分析,根据分析结果确定所述用户对应的第一标签。
例如,上述分析模型为深度确定性策略梯度(Deep Deterministic PolicyGradient,DDPG)算法模型,模型训练过程与业内模型训练过程大致相同,这里不作赘述。第一特征数据包括:年龄、是否已婚、金融资产等,首先,根据预先确定的定量特征数据类型、数据区间、定性特征数据之间的映射关系,分别确定用户的各个类型定量特征数据对应的数据区间和定性特征数据;然后,分别将所述用户的不同类型的定性特征数据作为多元数据组的不同数据元,组成对应的属性特征组合;最后,将用户的属性特征组合输入分析模型中,根据分析结果即可得到用户所属客群。
上述预设的第一标签与第二标签的映射数据中包括:价格高度敏感对应的客群类别Ai;价格中度敏感对应的客群类别Bi;价格低敏感对应的客群类别Ci。需要说明的是,同一个价格敏感等级可能对一个或多个客群类别。在本实施例中,所述预设的第一标签与第二标签的映射数据通过以下步骤确定:
获取指定历史客户的客户数据,对所述指定历史客户进行客群分类,确定所述指定历史客户对应的第一标签;
按照客群的粒度,接收指定历史客户针对指定产品反馈的价格点,其包括:有点高但可以接受的价格,有点低但可以接受的价格,太高而不会接受的价格,太低而不会接受的价格;
基于所述反馈的价格点,分别求各预设单位价格区间对应的各价格类型百分比,以所属百分比作价格需求弹性曲线;
基于不同价格类型对应的需求弹性曲线的交点,分别确定所述客群对应的所述指定产品的合适价格区间;及
根据预设的价格区间与第二标签的映射数据,确定各第一标签对应的第二标签,生成所述第一标签与第二标签的映射数据。
其中,上述预设单位价格区间可设置为50,上述个价格类型包括:太便宜、便宜、贵、太贵。在生成的价格需求弹性曲线中,“太便宜”和“贵”的交点意味着此价格能够让最多的人觉得“不会便宜到影响购买意愿,即使可能有点贵也是能够接受的”,“便宜”和“太贵”的交点意味着此价格能够让最多的人觉得“不会贵到不能接受,还是挺划算的”,因此这两个交点分别为合适价格区间的下限和上限,“太便宜”和“太贵”的交点作为最优价格点。
确定各客群对应的合适价格区间后,根据合适价格区间即可确定对应的客群的价格敏感等级,从而可生成各客群与价格敏感等级的映射数据。
步骤S3,根据所述用户对应的第二标签、所述预设类型数据及第二预设分类规则对所述用户进行二次分类,确定所述用户的第三标签。
其中,上述第三标签为客户价值标签,用于标识用户的客户价值。
在本实施例中,所述第二分类规则包括:
根据所述预设类型数据及所述第二标签确定所述用户的第二特征数据;
从预设存储路径中获取与预先确定的K个聚类中心、所述K个聚类中心对应的第二特征数据及第三标签;
分别计算所述用户的第二特征数据与所属K个聚类中心对应的第二特征数据的距离;及
选择距离最小值对应的聚类中心所对应的第三标签作为所述用户的第三标签。
其中,所述第二特征数据包括:P-价格敏感等级、L-(观测窗口的结束时间-注册时间)(单位:月)、R-最后一次消费时间至观测窗口结束的时长(单位:月)、F-观测窗口内在通过我司平台消费次数、M-观测窗口通过我司平台消费商品的总数、C-用户在观测窗口内在我司消费商品所对应的折扣系数的平均值。通过利用以上6个指标对客户价值进行聚类分析,可提高客户价值聚类的准确性。所述距离包括但不仅限于余弦相似度、欧氏距离等。
在本实施例中,所述预先确定的K个聚类中心的分析步骤包括:
a1.获取指定历史客户的第二特征数据,将每个历史客户的第二特征数据作为一个样本,生成样本集;
a2.从所述样本集中随机选择一个样本作为第t个初始聚类中心;
a3.分别计算所述样本集中每个样本X与最近的初始聚类中心的距离D(x),计算所述样本的距离之和Sum(D(x));
a4.取落在所述距离之和Sum(D(x))中的随机值Random,利用Random-=D(x),直到其<=0,此时的样本即为第t+1个初始聚类中心;
a5.重复执行步骤a3及步骤a4,选出所述样本集中的K个初始聚类中心;
a6.分别计算所述样本集中所有样本与所述K个初始聚类中心的距离,将所有样本依次划分至距离最近的初始聚类中心对应的类,并重新计算K个初始聚类中心对应的类对应的聚类中心,得到所述K个聚类中心。
其中,t=1,K为大于或等于2的整数。
首先,对于样本集中的每一个样本点X,在计算其与初始聚类中心的距离D(x)后,保存在一个数组里,然后把这些距离加起来得到Sum(D(x))。需要说明的是,当已经选出多个初始聚类中心时,在选择下一个初始聚类中心的过程中,对于不同的样本点X,其对应的初始聚类中心都不一样,也就是用于计算距离的标的都不一样,例如,样本点X1对应的距离最近的初始聚类中心为A,样本点X2对应的距离最近的初始聚类中心为B,分别计算两者之间的距离。
然后,取一个落在Sum(D(x))中的随机值Random,然后用Random-=D(x),直到其<=0,此时的点就是下一个初始聚类中心;
其中,Random取数:Random=Sum(D(x))*乘以0至1之间的一个小数。之所以取一个能落在Sum(D(x))中是值是因为,Random是随机的,那么它有更大的机率落在D(x)值较大的区域里。如图2所示,Random有更大的机率落在D(x3)中。其中,Random-=D(x)的意义在于找出当前Random到底落在了哪个区间。
从图2可以看出,假设Random落在D(x3)这个区间内,然后用“Random-=D(x),直到其<=0",此时找到的点就是D(x3),就是这步的中心点,即下一个初始聚类中心。
最后,重复上述步骤,直到K个初始聚类中心被选出来,然后利用传统的K-means聚类算法进行聚类得到最终的聚类中心。
在确定指定用户对应的聚类结果及聚类中心后,确定各聚类结果对应的客户价值类别,即,第三标签。例如,客户价值类别,包括:重要保持客户,重要发展客户,重要挽留客户,一般客户,低价值客户等。
需要说明的是,为了提高聚类中心的准确性,在步骤a4中,当根据第T+N个初始聚类中心确定一个满足条件的中心点时,计算其与第T+N-1、T+N-2、…、1个初始聚类中心的距离,当距离均大于或等于预设阈值时,将其作为第T+N个聚类中心,否则,将其放弃,重新执行步骤a3及步骤a4,直到确定出所有的初始聚类中心。其中,N为小于K的正整数。
本实施例中的聚类算法,在传统K-Means算法的基础上,改进了初始质心的选择。相较于传统的K-Means聚类算法,1)不需要预先给定K值;2)仅需随机选取一个初始聚类中心,后续通过计算得到,减小了随机种子点造成的误差,进而提高了初始聚类中心的准确性。
步骤S4,获取预设时间内与所述指定标的对应的历史资源分配记录,从所述历史资源分配记录中筛选出与所述用户的第二标签及所述第三标签匹配的第一资源分配记录,根据所述第一资源分配记录确定待分配资源。
其中,历史资源分配记录为历史礼品发放记录。获取最近三个月的历史礼品发放记录,获取每一条历史礼品发放记录中的客户标签:价格敏感标签及客户价值标签,并根据客户标签筛选出与用户标签匹配的历史礼品发放记录。例如,获取到300条记录,并根据客户的价格敏感等级与客户价值等级筛选出的50条与当前用户匹配的数据,确定50条数据对应的礼品,即,待分配资源。
步骤S5,根据所述第一资源分配记录计算所述待分配资源的分配概率,选择分配概率排序靠前的待分配资源作为目标分配资源,并将所述目标分配资源分配至所述用户。
统计以上匹配的50条数据中所有礼品的客户选择概率,例如,50条数据中有5种资源(即,5种礼品),分别计算5种礼品在这50条数据中的被选择概率,最后选择概率排名前三的礼品作为备选礼品供用户选择。
在其他实施例中,所述选择分配概率排序靠前的待分配资源作为目标分配资源,还包括:
根据所述用户的第二标签及所述第三标签确定所述用户对应的属性参数;
基于所述指定标的属性及所述用户对应的属性参数计算所述用户对应的资源分配属性;及
获取所述待分配资源的资源属性,筛选出资源属性与所述资源分配属性匹配、且分配概率排序靠前的待分配资源作为目标分配资源。
其中,所述用户对应的属性参数为折扣系数;指定标的属性为车险保单价格;用户对应的资源分配属性为礼品发放总价;待分配资源的资源属性为待分配礼品的礼品价值。
也就是说,选择礼品价值小于或等于礼品发放总价,且客户选择概率排序靠前的礼品作为目标分配礼品,供用户选择。需要说明的是,需要预先确定第二标签、第二标签与属性参数的映射关系并保存至预设存储路径中。
在其他实施例中,接收用户从所述目标分配资源中选择的目标资源,并保存该资源分配记录,以更新资源分配系统,供后续计算资源分配概率。
本发明还提出一种电子装置。参照图3所示,为本发明电子装置较佳实施例的示意图。
在本实施例中,电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备,所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。
该电子装置1包括存储器11、处理器12及网络接口13。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备,例如该电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。
存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据,例如,资源分配程序10等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如,资源分配程序10等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该电子装置1与其他电子设备之间建立通信连接,例如,客户端(图中未标识)。电子装置1的组件11-13通过通信总线相互通信。
图3仅示出了具有组件11-13的电子装置1,本领域技术人员可以理解的是,图3示出的结构并不构成对电子装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
可选地,该电子装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。
可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。其中,显示器也可以称为显示屏或显示单元,用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在图3所示的电子装置1实施例中,作为一种计算机存储介质的存储器11中存储资源分配程序10的程序代码,处理器12执行资源分配程序10的程序代码时,实现如下步骤:
接收步骤,接收用户通过客户端发出的资源配置请求,所述资源配置请求包括:指定标的及与所述指定标的对应的预设类型数据。
在本实施例中,上述指定标的为:车险产品。
上述资源配置请求为:用户通过客户端发出的礼品配置请求。可以理解的是,为了提高用户体验,当用户发出车险购买请求时,需向用户合理配置资源(礼品)。
上述指定标的对应的预设类型数据包括:用户在发出车险购买请求时输入的投保相关信息。以车险为例,当用户通过客户端发出购买请求时,需要输入预设类型数据,例如,包括:姓名、身份证号、年龄、性别、是否已婚、保单价格、职业、车型、车价、车龄、金融资产及相关消费记录等投保相关信息。
用户通过客户端上的APP录入数据并发起请求。电子装置1接收到客户端发出的请求后,基于请求中包括的预设类型数据为用户进行资源配置,即,礼品推荐。
第一分类步骤,根据所述预设类型数据及第一预设分类规则对所述用户进行分类,确定所述用户对应的第一标签,基于预设的第一标签与第二标签的映射数据,确定所述用户对应的第二标签。
其中,第一标签为客群标签,用于标识用户所属客群类型。第二标签为价格敏感标签,用于标识用户对应的价格敏感等级,例如,上述价格敏感等级包括:高度敏感、中度敏感及低敏感。
在本实施例中,所述第一预设分类规则包括:
从所述预设类型数据中筛选出第一特征数据,将所述第一特征数据分为定量特征数据和定性特征数据;
根据预设分析规则将所述定量特征数据转换为定性特征数据,基于所述第一特征数据对应的所有定性特征数据生成所述用户的属性特征组合;及
将所述用户的属性特征组合输入预先训练好的分析模型中进行分析,根据分析结果确定所述用户对应的第一标签。
例如,上述分析模型为深度确定性策略梯度(Deep Deterministic PolicyGradient,DDPG)算法模型,模型训练过程与业内模型训练过程大致相同,这里不作赘述。第一特征数据包括:年龄、是否已婚、金融资产等,首先,根据预先确定的定量特征数据类型、数据区间、定性特征数据之间的映射关系,分别确定用户的各个类型定量特征数据对应的数据区间和定性特征数据;然后,分别将所述用户的不同类型的定性特征数据作为多元数据组的不同数据元,组成对应的属性特征组合;最后,将用户的属性特征组合输入分析模型中,根据分析结果即可得到用户所属客群。
上述预设的第一标签与第二标签的映射数据中包括:价格高度敏感对应的客群类别Ai;价格中度敏感对应的客群类别Bi;价格低敏感对应的客群类别Ci。需要说明的是,同一个价格敏感等级可能对一个或多个客群类别。在本实施例中,所述预设的第一标签与第二标签的映射数据通过以下步骤确定:
获取指定历史客户的客户数据,对所述指定历史客户进行客群分类,确定所述指定历史客户对应的第一标签;
按照客群的粒度,接收指定历史客户针对指定产品反馈的价格点,其包括:有点高但可以接受的价格,有点低但可以接受的价格,太高而不会接受的价格,太低而不会接受的价格;
基于所述反馈的价格点,分别求各预设单位价格区间对应的各价格类型百分比,以所属百分比作价格需求弹性曲线;
基于不同价格类型对应的需求弹性曲线的交点,分别确定所述客群对应的所述指定产品的合适价格区间;及
根据预设的价格区间与第二标签的映射数据,确定各第一标签对应的第二标签,生成所述第一标签与第二标签的映射数据。
其中,上述预设单位价格区间可设置为50,上述个价格类型包括:太便宜、便宜、贵、太贵。在生成的价格需求弹性曲线中,“太便宜”和“贵”的交点意味着此价格能够让最多的人觉得“不会便宜到影响购买意愿,即使可能有点贵也是能够接受的”,“便宜”和“太贵”的交点意味着此价格能够让最多的人觉得“不会贵到不能接受,还是挺划算的”,因此这两个交点分别为合适价格区间的下限和上限,“太便宜”和“太贵”的交点作为最优价格点。
确定各客群对应的合适价格区间后,根据合适价格区间即可确定对应的客群的价格敏感等级,从而可生成各客群与价格敏感等级的映射数据。
第二分类步骤,根据所述用户对应的第二标签、所述预设类型数据及第二预设分类规则对所述用户进行二次分类,确定所述用户的第三标签。
其中,上述第三标签为客户价值标签,用于标识用户的客户价值。
在本实施例中,所述第二分类规则包括:
根据所述预设类型数据及所述第二标签确定所述用户的第二特征数据;
从预设存储路径中获取与预先确定的K个聚类中心、所述K个聚类中心对应的第二特征数据及第三标签;
分别计算所述用户的第二特征数据与所属K个聚类中心对应的第二特征数据的距离;及
选择距离最小值对应的聚类中心所对应的第三标签作为所述用户的第三标签。
其中,所述第二特征数据包括:P-价格敏感等级、L-(观测窗口的结束时间-注册时间)(单位:月)、R-最后一次消费时间至观测窗口结束的时长(单位:月)、F-观测窗口内在通过我司平台消费次数、M-观测窗口通过我司平台消费商品的总数、C-用户在观测窗口内在我司消费商品所对应的折扣系数的平均值。通过利用以上6个指标对客户价值进行聚类分析,可提高客户价值聚类的准确性。所述距离包括但不仅限于余弦相似度、欧氏距离等。
在本实施例中,所述预先确定的K个聚类中心的分析步骤包括:
a1.获取指定历史客户的第二特征数据,将每个历史客户的第二特征数据作为一个样本,生成样本集;
a2.从所述样本集中随机选择一个样本作为第t个初始聚类中心;
a3.分别计算所述样本集中每个样本X与最近的初始聚类中心的距离D(x),计算所述样本的距离之和Sum(D(x));
a4.取落在所述距离之和Sum(D(x))中的随机值Random,利用Random-=D(x),直到其<=0,此时的样本即为第t+1个初始聚类中心;
a5.重复执行步骤a3及步骤a4,选出所述样本集中的K个初始聚类中心;
a6.分别计算所述样本集中所有样本与所述K个初始聚类中心的距离,将所有样本依次划分至距离最近的初始聚类中心对应的类,并重新计算K个初始聚类中心对应的类对应的聚类中心,得到所述K个聚类中心。
其中,t=1,K为大于或等于2的整数。
首先,对于样本集中的每一个样本点X,在计算其与初始聚类中心的距离D(x)后,保存在一个数组里,然后把这些距离加起来得到Sum(D(x))。需要说明的是,当已经选出多个初始聚类中心时,在选择下一个初始聚类中心的过程中,对于不同的样本点X,其对应的初始聚类中心都不一样,也就是用于计算距离的标的都不一样,例如,样本点X1对应的距离最近的初始聚类中心为A,样本点X2对应的距离最近的初始聚类中心为B,分别计算两者之间的距离。
然后,取一个落在Sum(D(x))中的随机值Random,然后用Random-=D(x),直到其<=0,此时的点就是下一个初始聚类中心;
其中,Random取数:Random=Sum(D(x))*乘以0至1之间的一个小数。之所以取一个能落在Sum(D(x))中是值是因为,Random是随机的,那么它有更大的机率落在D(x)值较大的区域里。如图2所示,Random有更大的机率落在D(x3)中。其中,Random-=D(x)的意义在于找出当前Random到底落在了哪个区间。
从图2可以看出,假设Random落在D(x3)这个区间内,然后用“Random-=D(x),直到其<=0",此时找到的点就是D(x3),就是这步的中心点,即下一个初始聚类中心。
最后,重复上述步骤,直到K个初始聚类中心被选出来,然后利用传统的K-means聚类算法进行聚类得到最终的聚类中心。
在确定指定用户对应的聚类结果及聚类中心后,确定各聚类结果对应的客户价值类别,即,第三标签。例如,客户价值类别,包括:重要保持客户,重要发展客户,重要挽留客户,一般客户,低价值客户等。
需要说明的是,为了提高聚类中心的准确性,在步骤a4中,当根据第T+N个初始聚类中心确定一个满足条件的中心点时,计算其与第T+N-1、T+N-2、…、1个初始聚类中心的距离,当距离均大于或等于预设阈值时,将其作为第T+N个聚类中心,否则,将其放弃,重新执行步骤a3及步骤a4,直到确定出所有的初始聚类中心。
本实施例中的聚类算法,在传统K-Means算法的基础上,改进了初始质心的选择。相较于传统的K-Means聚类算法,1)不需要预先给定K值;2)仅需随机选取一个初始聚类中心,后续通过计算得到,减小了随机种子点造成的误差,进而提高了初始聚类中心的准确性。
筛选步骤,获取预设时间内与所述指定标的对应的历史资源分配记录,从所述历史资源分配记录中筛选出与所述用户的第二标签及所述第三标签匹配的第一资源分配记录,根据所述第一资源分配记录确定待分配资源。
其中,历史资源分配记录为历史礼品发放记录。获取最近三个月的历史礼品发放记录,获取每一条历史礼品发放记录中的客户标签:价格敏感标签及客户价值标签,并根据客户标签筛选出与用户标签匹配的历史礼品发放记录。例如,获取到300条记录,并根据客户的价格敏感等级与客户价值等级筛选出的50条与当前用户匹配的数据,确定50条数据对应的礼品,即,待分配资源。
分配步骤,根据所述第一资源分配记录计算所述待分配资源的分配概率,选择分配概率排序靠前的待分配资源作为目标分配资源,并将所述目标分配资源分配至所述用户。
统计以上匹配的50条数据中所有礼品的客户选择概率,例如,50条数据中有5种资源(即,5种礼品),分别计算5种礼品在这50条数据中的被选择概率,最后选择概率排名前三的礼品作为备选礼品供用户选择。
在其他实施例中,所述选择分配概率排序靠前的待分配资源作为目标分配资源,还包括:
根据所述用户的第二标签及所述第三标签确定所述用户对应的属性参数;
基于所述指定标的属性及所述用户对应的属性参数计算所述用户对应的资源分配属性;及
获取所述待分配资源的资源属性,筛选出资源属性与所述资源分配属性匹配、且分配概率排序靠前的待分配资源作为目标分配资源。
其中,所述用户对应的属性参数为折扣系数;指定标的属性为车险保单价格;用户对应的资源分配属性为礼品发放总价;待分配资源的资源属性为待分配礼品的礼品价值。
也就是说,选择礼品价值小于或等于礼品发放总价,且客户选择概率排序靠前的礼品作为目标分配礼品,供用户选择。需要说明的是,需要预先确定第二标签、第二标签与属性参数的映射关系并保存至预设存储路径中。
在其他实施例中,接收用户从所述目标分配资源中选择的目标资源,并保存该资源分配记录,以更新资源分配系统,供后续计算资源分配概率。
可选地,在其他的实施例中,资源分配程序10还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器12所执行,以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
例如,参照图4所示,为图3中资源分配程序10的程序模块示意图。
在所述资源分配程序10一实施例中,资源分配程序10包括:模块110-150,其中:
接收模块110,用于接收用户通过客户端发出的资源配置请求,所述资源配置请求包括:指定标的及与所述指定标的对应的预设类型数据;
第一分类模块120,用于根据所述预设类型数据及第一预设分类规则对所述用户进行分类,确定所述用户对应的第一标签,基于预设的第一标签与第二标签的映射数据,确定所述用户对应的第二标签;
第二分类模块130,用于根据所述用户对应的第二标签、所述预设类型数据及第二预设分类规则对所述用户进行二次分类,确定所述用户的第三标签;
筛选模块140,用于获取预设时间内与所述指定标的对应的历史资源分配记录,从所述历史资源分配记录中筛选出与所述用户的第二标签及所述第三标签匹配的第一资源分配记录,根据所述第一资源分配记录确定待分配资源;及
分配模块150,用于根据所述第一资源分配记录计算所述待分配资源的分配概率,选择分配概率排序靠前的待分配资源作为目标分配资源,并将所述目标分配资源分配至所述用户。
所述模块110-150所实现的功能或操作步骤均与上文类似,此处不再详述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质中包括资源分配程序10,所述资源分配程序10被处理器执行时实现所述资源分配方法的任意步骤。本发明计算机可读存储介质的具体实施方式与上述方法实施例大致相同,在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种资源分配方法,适用于电子装置,其特征在于,该方法包括:
接收步骤,接收用户通过客户端发出的资源配置请求,所述资源配置请求包括:指定标的及与所述指定标的对应的预设类型数据;
第一分类步骤,根据所述预设类型数据及第一预设分类规则对所述用户进行分类,确定所述用户对应的第一标签,基于预设的第一标签与第二标签的映射数据,确定所述用户对应的第二标签;
第二分类步骤,根据所述用户对应的第二标签、所述预设类型数据及第二预设分类规则对所述用户进行二次分类,确定所述用户的第三标签;
筛选步骤,获取预设时间内与所述指定标的对应的历史资源分配记录,从所述历史资源分配记录中筛选出与所述用户的第二标签及所述第三标签匹配的第一资源分配记录,根据所述第一资源分配记录确定待分配资源;及
分配步骤,根据所述第一资源分配记录计算所述待分配资源的分配概率,选择分配概率排序靠前的待分配资源作为目标分配资源,并将所述目标分配资源分配至所述用户;
其中,所述预设的第一标签与第二标签的映射数据通过以下步骤确定:
获取指定历史客户的客户数据,对所述指定历史客户进行客群分类,确定所述指定历史客户对应的第一标签;
按照客群的粒度,接收指定历史客户针对指定产品反馈的价格点;
基于所述反馈的价格点,分别求各预设单位价格区间对应的各价格类型百分比,以所属百分比作价格需求弹性曲线;
基于不同价格类型对应的需求弹性曲线的交点,分别确定所述客群对应的所述指定产品的合适价格区间;及
根据预设的价格区间与第二标签的映射数据,确定各第一标签对应的第二标签,生成所述第一标签与第二标签的映射数据。
2.根据权利要求1所述的资源分配方法,其特征在于,所述第一预设分类规则包括:
从所述预设类型数据中筛选出第一特征数据,将所述第一特征数据分为定量特征数据和定性特征数据;
根据预设分析规则将所述定量特征数据转换为定性特征数据,基于所述第一特征数据对应的所有定性特征数据生成所述用户的属性特征组合;及
将所述用户的属性特征组合输入预先训练好的分析模型中进行分析,根据分析结果确定所述用户对应的第一标签。
3.根据权利要求2所述的资源分配方法,其特征在于,所述预设分析规则包括:
根据预先确定的定量特征数据类型、数据区间、定性特征数据之间的映射关系,分别确定用户的各个类型定量特征数据对应的数据区间和定性特征数据;及
分别将所述用户的不同类型的定性特征数据作为多元数据组的不同数据元,组成对应的属性特征组合。
4.根据权利要求1所述的资源分配方法,其特征在于,第二分类规则包括:
根据所述预设类型数据及所述第二标签确定所述用户的第二特征数据;
从预设存储路径中获取与预先确定的K个聚类中心、所述K个聚类中心对应的第二特征数据及第三标签;
分别计算所述用户的第二特征数据与所属K个聚类中心对应的第二特征数据的距离;及
选择距离最小值对应的聚类中心所对应的第三标签作为所述用户的第三标签。
5.根据权利要求4所述的资源分配方法,其特征在于,所述预先确定的K个聚类中心的分析步骤包括:
a1.获取指定历史客户的第二特征数据,将每个历史客户的第二特征数据作为一个样本,生成样本集;
a2.从所述样本集中随机选择一个样本作为第t个初始聚类中心;
a3.分别计算所述样本集中每个样本X与最近的初始聚类中心的距离D(x),计算所述样本的距离之和Sum(D(x));
a4.取落在所述距离之和Sum(D(x))中的随机值Random,利用Random -= D(x),直到减等结果<=0,此时的样本即为第t+1个初始聚类中心;
a5.重复执行步骤a3及步骤a4,选出所述样本集中的K个初始聚类中心;及
a6.分别计算所述样本集中所有样本与所述K个初始聚类中心的距离,将所有样本依次划分至距离最近的初始聚类中心对应的类,并重新计算K个初始聚类中心对应的类对应的聚类中心,得到所述K个聚类中心。
6.根据权利要求5所述的资源分配方法,其特征在于,所述步骤a4还包括:
当根据第T+N个初始聚类中心确定一个满足条件的中心点时,计算其与第T+N-1、T+N-2、…、1个初始聚类中心的距离,当距离均大于或等于预设阈值时,将其作为第T+N个聚类中心。
7.根据权利要求1至6中任意一项所述的资源分配方法,其特征在于,所述选择分配概率排序靠前的待分配资源作为目标分配资源,还包括:
根据所述用户的第二标签及所述第三标签确定所述用户对应的属性参数;
基于所述指定标的属性及所述用户对应的属性参数计算所述用户对应的资源分配属性;及
获取所述待分配资源的资源属性,筛选出资源属性与所述资源分配属性匹配、且分配概率排序靠前的待分配资源作为目标分配资源。
8.一种电子装置,其特征在于,该装置包括存储器及处理器,所述存储器中存储有可在所述处理器上运行的资源分配程序,所述资源分配程序被所述处理器执行时可实现如权利要求1至7中任意一项所述的资源分配方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括资源分配程序,所述资源分配程序被处理器执行时,可实现如权利要求1至7中任意一项所述的资源分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110450.1A CN111401935B (zh) | 2020-02-21 | 2020-02-21 | 资源分配方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110450.1A CN111401935B (zh) | 2020-02-21 | 2020-02-21 | 资源分配方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401935A CN111401935A (zh) | 2020-07-10 |
CN111401935B true CN111401935B (zh) | 2023-04-07 |
Family
ID=71430389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010110450.1A Active CN111401935B (zh) | 2020-02-21 | 2020-02-21 | 资源分配方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401935B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331686A (zh) * | 2021-12-30 | 2022-04-12 | 鲁信科技股份有限公司 | 一种基于标签的不良资产管理方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107096227A (zh) * | 2017-04-18 | 2017-08-29 | 腾讯科技(深圳)有限公司 | 一种电子资源分配方法和装置 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN108492194A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品推荐方法、装置及存储介质 |
CN108629043A (zh) * | 2018-05-14 | 2018-10-09 | 平安科技(深圳)有限公司 | 网页目标信息的提取方法、装置及存储介质 |
CN109034892A (zh) * | 2018-07-19 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 资源分配方法、装置、计算机可读存储介质和计算机设备 |
CN109447674A (zh) * | 2018-09-03 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 电子装置、保险代理人目标服务区域确定方法及存储介质 |
-
2020
- 2020-02-21 CN CN202010110450.1A patent/CN111401935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107096227A (zh) * | 2017-04-18 | 2017-08-29 | 腾讯科技(深圳)有限公司 | 一种电子资源分配方法和装置 |
CN108492194A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品推荐方法、装置及存储介质 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN108629043A (zh) * | 2018-05-14 | 2018-10-09 | 平安科技(深圳)有限公司 | 网页目标信息的提取方法、装置及存储介质 |
CN109034892A (zh) * | 2018-07-19 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 资源分配方法、装置、计算机可读存储介质和计算机设备 |
CN109447674A (zh) * | 2018-09-03 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 电子装置、保险代理人目标服务区域确定方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111401935A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019169756A1 (zh) | 产品推荐方法、装置及存储介质 | |
WO2018103718A1 (zh) | 应用推荐的方法、装置及服务器 | |
US8694372B2 (en) | Systems and methods for automatic control of marketing actions | |
CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
CN111552870A (zh) | 对象推荐方法、电子装置及存储介质 | |
CN110751497A (zh) | 一种商品补货方法和装置 | |
US11127032B2 (en) | Optimizing and predicting campaign attributes | |
CN108369674B (zh) | 使用目标聚类方法对具有混合属性类型的客户进行细分的系统和方法 | |
CN112070577A (zh) | 一种商品推荐方法、系统、设备及介质 | |
CN110097287B (zh) | 一种物流司机的群体画像方法 | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
WO2015124024A1 (zh) | 一种提升信息的曝光率的方法和装置、确定搜索词的价值的方法和装置 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN110650170B (zh) | 用于推送信息的方法和装置 | |
CN116523268B (zh) | 一种基于大数据画像的人岗匹配分析方法及装置 | |
CN110019774B (zh) | 标签分配方法、装置、存储介质及电子装置 | |
CN111639077B (zh) | 数据治理方法、装置、电子设备、存储介质 | |
CN113051480A (zh) | 资源推送方法、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 | |
CN111383049A (zh) | 产品推荐方法、装置及存储介质 | |
CN111401935B (zh) | 资源分配方法、装置及存储介质 | |
CN111352624A (zh) | 界面展示方法、信息处理方法及装置 | |
CN111652471A (zh) | 名单分配控制方法、装置、电子设备及存储介质 | |
CN116167692A (zh) | 一种结合货单信息的自动优化方法与系统 | |
CN111915115A (zh) | 执行策略设置方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |