CN111553542B - 一种用户优惠券核销率预测方法 - Google Patents

Abstract

本发明公开了一种用户优惠券核销率预测方法，该方法包括：获取商户的消费记录数据；对所述消费记录数据进行预处理，并进行特征提取；根据特征提取后的数据建立消费数据集，并划分训练集和测试集；采用随机梯度下降算法来训练核销率预测模型；利用训练好的核销率预测模型来预测核销率。本发明用户优惠券核销率预测方法通过对核销率预测模型进行训练，使得模型可以准确地预测优惠券核销率，实现精准投放优惠券的目的，并可以针对不同类型的用户提供不同的产品和服务，提升用户的价值，稳定和延长用户的消费，同时，避免了商户滥放优惠券导致降低品牌声誉，解决了难以估算营销成本的问题。

Description

一种用户优惠券核销率预测方法

技术领域

本发明涉及数据处理技术领域，特别涉及一种用户优惠核销率预测方法。

背景技术

机器学习(machine learning)是从数据中提取知识。它是统计学，人工智能和计算机科学交叉的研究领域，也被称为预测分析(predictive analytics)或统计学习(statistical learning)。近年来，机器学习方法已经应用到生活的方方面面。从自动推荐看什么电影，点什么实物，买什么商品，到个性化地在照片中识别好友都是机器学习算法。最成功的机器学习是能够将决策过程自动化的那些算法，这些决策过程是从已知示例中泛化得出的。在这种叫做监督学习(supervised learning)的方法中，用户将成对的输入和预期输出提供给算法，算法会找到一种方法，根据给定输入给出预期输出。尤其是在没有人类帮助的情况下，给定前所未见的输入，算法也能够给出相应的输出。利用机器学习算法，用户提供大量购买记录(作为输入)，以及这些购买记录是否使用了优惠券(作为预期输出)。给定一条新的购买记录，算法就能够预测出它未来是否会使用优惠券。

在现实生活的优惠券核销中，优惠券业务种类多种多样，很多有流量入口的App和微信公众号，都希望有不同的优惠券资源为其用户提供权限，同时，还有一些媒体或广告主，虽然他们为品牌厂家进行品牌宣传和营销，但是没有优惠券发放的经验和技术，往往导致了降低品牌声誉，成本难以估计等问题。现有的各种商户优惠券很常见，不管是线下还是线上的店铺，任何发生交易的订单都普遍存在不同形式的优惠和打折，本质都是以商户让利以吸引更多的用户，降低商品消费门槛，提高订单量，另一方面，优惠券的形式大多分为直减券，满减券，折扣券，从物理属性上看分别经历了纸质券，打印券到现在的电子券，现在几乎每个提供交易服务的APP都有优惠券栏目。那么，如何有效地将优惠券发放给用户来完成刺激成单的任务成为了核心问题。

在现有技术中，主流的优惠券发放方法如下。

(1)商户主动发放

A用户去餐厅吃饭，遇到商户做活动，满500减50元的代金券卡片，可供给下一次消费使用，A用户领取后，一周内还有可能会去这家餐厅进行消费。

B用户某天收到短信推送，得知自己获得了一张3.8折的咖啡消费券，恰巧附近有这家商户，想着比没有券优惠很多，不如买一杯犒劳自己。

商户主动向用户发放优惠券，通过用户爱占便宜的心理，撬动用户的钱包，培养用户的消费习惯，从中获利。

(2)用户传播

A用户在微信群里看到某外卖平台的红包链接，点开后手机提示已领取了20元的优惠券，A用户决定中午点外卖犒劳自己，并且自己也分享了红包。

B用户在某平台购物时发现有邀请新用户参与得优惠红包的活动，便立刻分享给自己的好友，想着又可以节省10元。

商户通过拉新和促活的方法，通过给用户高额返利来触及更多新用户和提升老用户的复购，老带新的传统方法类似于传统行业中的返佣策略，在线上更为流行，利用社交网络的传播环境，提供给用户丰富的传播内容和简单的传播机制，促进滚雪球式的品牌曝光。

(3)积分兑换，限时秒杀

A用户用自己在某平台的积分兑换了电影券，之后在该平台买电影券时又省了钱。

B用户在某平台直播中抢到了限量500份的一分钱大牌美妆，才安心下线

商户利用了有门槛的优惠，将平台订单交易转化为了积分，同时搭建了会员体系，消费越多福利越大，不断提供用户粘性，刺激复购，而秒杀则是通过优惠券营造了稀缺氛围，通过促销让利获得更多销量，用户购买得开心，口碑传播动力就越大。

以上几种现有的优惠券发放方法，本质上都是为了满足商业目的，带来订单和利润。可总结为两类:主动领取和被动获取。主动领取通过用户在商户首页、平台看到优惠券或线下看到宣传，产生兴趣主动领取优惠券，或看到朋友圈优惠券连接，主动点击等。这种发放方式需要依靠打动用户，从而产生兴趣点好奇点来吸引用户进行主动领取，这种方式需要做好防作弊机制，获取到的用户价值较高，但是对于用户群体的控制性并不强，用户只会对感兴趣的商品进行消费投资，不利于消费习惯的培养。被动获取通过应用内推送，短信推送，线下推广等。这种方式可以准确得预估营销费用，但可能面向的用户群体并不精准，需要大面积地分发，可能成本偏高，且效果不可把控。

从优惠券的发放角度来看，最为关键的是优惠券的补贴力度，需要随着用户购买动态的变化不断调整，什么时候发放优惠券，对什么人发放优惠券，发放什么金额的优惠券最为合理，怎样才能在保持订单增长的情况下减少补贴的成本，这些都是商户需要思考的问题。同时，从商户的运营角度来说，产品发展初期，为了积累早期的种子用户，需要投入大量的资金来补贴，向用户发放高额优惠券，鼓励“免费”体验，随着用户使用习惯的培养完成，精细化运营就应该开始启动，不同的用户应当制定不同的优惠策略，发放不同种类的优惠券，推荐购买不同价格档次的商品，充分利用用户的消费习惯特征。同时个性化的优惠券投放也是提高用户生活的诚心服务，有针对性地服务用户，营销量自然上升。为此，需要提供一种更优的资源信息发放策略，通过比较不同用户的用户价值，从而制定相应的营销策略。

发明内容

针对现有技术的不足，本发明目的在于提供一种可以降低成本，实现精准营销的用户优惠券核销率预测方法。其采用如下技术方案：

一种用户优惠券核销率预测方法，其包括：

获取商户的消费记录数据；

对所述消费记录数据进行预处理，并进行特征提取；

根据特征提取后的数据建立消费数据集，并划分训练集和测试集；

采用随机梯度下降算法来训练核销率预测模型；

利用训练好的核销率预测模型来预测核销率。

作为本发明的进一步改进，所述采用随机梯度下降算法来训练核销率预测模型，具体包括：根据损失函数公式采用随机梯度下降算法求得损失函数的最小值，通过损失函数的最小值得到最优的权重值，并得到训练后的核销率预测模型。

作为本发明的进一步改进，所述损失函数公式为：

其中，J(θ)为损失函数，h(x)为预测的目标值，θ为对应样本的权重，x为样本自变量，y为真实值，m为样本数取1，i为样本索引。

作为本发明的进一步改进，所述根据损失函数公式采用随机梯度下降算法求得损失函数的最小值，通过损失函数的最小值得到最优的权重值，具体包括：通过赋给θ一个初始值，并向着让J(θ)变化最大的方向更新θ的取值，依次迭代，其采用以下迭代公式：

其中，θ_j为迭代前的θ值，θ_j:为迭代后的θ值，j为迭代次数，α为步长，为J(θ)对θ的偏导，表示J(θ)变化最大的方向，求解偏导公式如下：

迭代公式变为：

最终得到最优的权重值θ。

作为本发明的进一步改进，所述核销率预测模型为：

其中，h(x)为预测的目标值，θ为对应样本的权重，x为样本自变量，T为转置矩阵，n为样本数，i为样本索引。

作为本发明的进一步改进，还包括：

对训练好的核销率预测模型进行评估。

作为本发明的进一步改进，所述对训练好的核销率预测模型进行评估，具体包括：

通过绘制ROC曲线对训练好的核销率预测模型进行评估。

作为本发明的进一步改进，所述预处理包括：对数据进行清洗并对数据进行标准化处理。

作为本发明的进一步改进，在训练核销率预测模型时选取若干单独特征和交叉特征作为输入。

作为本发明的进一步改进，还包括：

通过预测的核销率对用户进行分类。

本发明的有益效果：

本发明用户优惠券核销率预测方法通过对核销率预测模型进行训练，使得模型可以准确地预测优惠券核销率，实现精准投放优惠券的目的，并可以针对不同类型的用户提供不同的产品和服务，提升用户的价值，稳定和延长用户的消费，同时，避免了商户滥放优惠券导致降低品牌声誉，解决了难以估算营销成本的问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1是本发明实施例中用户优惠券核销率预测方法的流程图；

图2是本发明实施例中绘制的ROC曲线图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，本发明实施例中的用户优惠券核销率预测方法，包括以下步骤：

步骤S10、获取商户的消费记录数据。如表1所示。

表1

步骤S20、对所述消费记录数据进行预处理，并进行特征提取。如表2所示，为特征提取后的数据集。

具体的，预处理包括对数据进行清洗并对数据进行标准化处理。由于原始消费数据中存在缺失值和异常值，以及数据之间单位不统一的问题，需要清洗后才能用于分析。同时，由于原始数据的特征过多，不便直接用于用户价值分析，因此需要对特征进行筛选，挑选出衡量用户价值的关键特征。

通过对数据的观察发现原始数据中存在数据重复，分布变化大，缺失值等问题。于是对提供信息的表格进行了数据清洗，因为数据的重复会导致数据方差变小，数据分布发生较大变化。缺失则会导致样本信息减少，不仅增加了数据分析的难度，而且会导致数据分析的结果产生偏差。异常值会产生“伪回归”。因此对数据进行了检测，查询是否有重复值，缺失值和异常值，对这些数据进行了一些处理。其次，由于不同特征之间有不同的量纲，导致造成的数值差异特别大，在涉及空间距离计算或梯度下降法等情况下，不处理会影响到数据分析结果的准确性。为了消除特征之间量纲和取值范围差异可能会造成的影响，对数据进行标准化处理。

表2

步骤S30、根据特征提取后的数据建立消费数据集，并划分训练集和测试集。

具体的，利用scikit-learn中的train_test_split函数打乱消费数据集并进行拆分。这个函数将75％的行数据以及对应的标签作为训练集，剩下25％的数据以及标签作为测试集。在对数据进行拆分之前，利用train_test_split函数的伪随机数生成将消费数据集打乱。考虑到模型泛化能力的准确性，需要先将数据打乱，确保测试集中包含所有类别的数据。为了确保多次运行同一函数能够得到相同的输出，利用random_state参数制定了随机数生成器种子。

步骤S40、采用随机梯度下降算法来训练核销率预测模型。具体包括：根据损失函数公式采用随机梯度下降算法求得损失函数的最小值，通过损失函数的最小值得到最优的权重值，并得到训练后的核销率预测模型。

具体的，核销率预测模型为：

其中，h(x)为预测的目标值，θ为对应样本的权重，x为样本自变量，T为转置矩阵，n为样本数，i为样本索引。

具体的，损失函数公式为：

其中，J(θ)为损失函数，h(x)为预测的目标值，θ为对应样本的权重，x为样本自变量，y为真实值，m为样本数取1，i为样本索引。

上述根据损失函数公式采用随机梯度下降算法求得损失函数的最小值，通过损失函数的最小值得到最优的权重值，具体包括：通过赋给θ一个初始值，并向着让J(θ)变化最大的方向更新θ的取值，依次迭代，其采用以下迭代公式：

其中，θ_j为迭代前的θ值，θ_j:为迭代后的θ值，j为迭代次数，α为步长，为J(θ)对θ的偏导，表示J(θ)变化最大的方向，求解偏导公式如下：

迭代公式变为：

最终得到最优的权重值θ。

步骤S50、利用训练好的核销率预测模型来预测核销率。具体的，由于优惠券使用与普通消费特点不同，而且这些不同的特点在特征上被体现出来，于是，根据消费数据集，将其中的优惠券核销状态记录作为训练集训练核销率预测模型，然后根据训练好的模型来预测新采集到的用户数据。其中，在训练核销率预测模型时选取若干单独特征和交叉特征作为输入。得到训练好的模型后，就可以进行优惠券核销率预测。该模型算法在linear_model类中实现。将类实例化，并设定参数。然后调用fit方法来构建模型，传入训练数据和核销情况结果作为参数。通过堆叠合并和主键合并等多种方式，将预测结果与关联的数据信息合并至一张表中进行分析，如表3所示，为核销率预测情况。

表3

在本实施例中，该方法还包括：

对训练好的核销率预测模型进行评估。具体包括：通过绘制ROC曲线对训练好的核销率预测模型进行评估。

ROC曲线下面的面积就是AUC的值。ROC曲线表示的是模型灵敏度，横坐标为FPR,纵坐标为TPR即纵坐标表示真正预测为正样本的个数除以正样本个数的比值，横坐标为预测为正的负样本个数除以负样本个数。第一个参数为标签、第二个为预测概率值，第三个为指定哪类为正类，它的原理是根据不同的阈值来计算不同的点，然后在连接起来即形成曲线。AUC值是一个概率值，当随机挑选一个正样本以及负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前算法越有可能将正样本排在负样本前面，从而能够更好地进行预测。

ROC曲线下的面积值在1.0和0.5之间。在AUC>0.5的情况下，AUC越接近于1，说明诊断效果越好。AUC在0.5～0.7时有较低准确性，AUC在0.7～0.9时有一定准确性，AUC在0.9以上时有高准确性。AUC<0.5不符合真实情况，在实际中极少出现。

如图2所示，本模型最终预测的AUC值约为0.85，验证了本方法的准确性较高，值得作为精准发放优惠券核销的参考数据。

在本实施例中，该方法还包括：

通过预测的核销率对用户进行分类。

具体的，根据预测得出的优惠券核销率，定义了3个等级的用户类别：重要发展用户，重要挽留用户和一般用户。

重要保持用户：这类用户的优惠券核销率较高。他们是商户的高价值用户，是最为理想的用户类型，对商户的贡献最大，所占比率不高。商户应当优先将优惠券投放到他们身上，对他们进行差异化管理和一对一营销，提高这类用户的忠诚度与满意度，尽可能延长这类用户的高核销率。

重要发展用户：这类用户的优惠券核销率不是很高。他们是商户的潜在价值用户。虽然这类用户的当前价值并不是很高，但却有很大的发展潜力。商户要努力提高这类用户的钱包份额，维持与用户的互动，对其重点联系，采取一定的营销手段，延长用户的生命周期。

一般用户：这类用户的优惠券核销率很低。可能是在极优惠的促销情况下才会光顾商户。

根据每种用户的类型，可以对各类用户进行价值排名，针对不同类型的用户群提供不同的产品和服务，提升重要发展用户的价值，稳定和延长重要保持用户的高水平消费。本模型采用历史数据进行建模，随着时间的变化，分析数据的观测窗口也在变换。因此，对于新增用户的详细信息，应定期对新增用户的特征进行分析。

本发明用户优惠券核销率预测方法通过对核销率预测模型进行训练，使得模型可以准确的预测优惠券核销率，实现精准投放优惠券的目的，并可以针对不同类型的用户提供不同的产品和服务，提升用户的价值，稳定和延长用户的消费，同时，避免了商户滥放优惠券导致降低品牌声誉，同时解决了难以估算营销成本的问题。

以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (7)

1.一种用户优惠券核销率预测方法，其特征在于，包括：

获取商户的消费记录数据；

对所述消费记录数据进行预处理，并进行特征提取；

根据特征提取后的数据建立消费数据集，并划分训练集和测试集；

采用随机梯度下降算法来训练核销率预测模型；

利用训练好的核销率预测模型来预测核销率；

还包括：

对训练好的核销率预测模型进行评估；

所述对训练好的核销率预测模型进行评估，具体包括：

通过绘制ROC曲线对训练好的核销率预测模型进行评估；

在训练核销率预测模型时选取若干单独特征和交叉特征作为输入。

2.如权利要求1所述的用户优惠券核销率预测方法，其特征在于，所述采用随机梯度下降算法来训练核销率预测模型，具体包括：根据损失函数公式采用随机梯度下降算法求得损失函数的最小值，通过损失函数的最小值得到最优的权重值，并得到训练后的核销率预测模型。

3.如权利要求2所述的用户优惠券核销率预测方法，其特征在于，所述损失函数公式为：

其中，J(θ)为损失函数，h(x)为预测的目标值，θ为对应样本的权重，x为样本自变量，y为真实值，m为样本数取1，i为样本索引。

4.如权利要求3所述的用户优惠券核销率预测方法，其特征在于，所述根据损失函数公式采用随机梯度下降算法求得损失函数的最小值，通过损失函数的最小值得到最优的权重值，具体包括：通过赋给θ一个初始值，并向着让J(θ)变化最大的方向更新θ的取值，依次迭代，其采用以下迭代公式：

其中，θ_j为迭代前的θ值，θ_j:为迭代后的θ值，j为迭代次数，α为步长，为J(θ)对θ的偏导，表示J(θ)变化最大的方向，求解偏导公式如下：

迭代公式变为：

最终得到最优的权重值θ。

5.如权利要求1所述的用户优惠券核销率预测方法，其特征在于，所述核销率预测模型为：

其中，h(x)为预测的目标值，θ为对应样本的权重，x为样本自变量，T为转置矩阵，n为样本数，i为样本索引。

6.如权利要求1所述的用户优惠券核销率预测方法，其特征在于，所述预处理包括：对数据进行清洗并对数据进行标准化处理。

7.如权利要求1所述的用户优惠券核销率预测方法，其特征在于，还包括：

通过预测的核销率对用户进行分类。