CN112150179A - 一种信息推送方法和装置 - Google Patents
一种信息推送方法和装置 Download PDFInfo
- Publication number
- CN112150179A CN112150179A CN201910574404.4A CN201910574404A CN112150179A CN 112150179 A CN112150179 A CN 112150179A CN 201910574404 A CN201910574404 A CN 201910574404A CN 112150179 A CN112150179 A CN 112150179A
- Authority
- CN
- China
- Prior art keywords
- user
- pushing
- income
- marketing information
- profit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种信息推送方法和装置,所述方法包括:获取用户历史数据;对获取的历史数据进行预处理;基于预设神经网络分位数回归模型获取预处理后的历史数据的用户收益值;根据用户收益值范围与收益类型的映射关系,以及获取的用户收益值确定该用户的收益类型;根据该用户的收益类型为对应用户推送营销信息。该方法能够自动、准确地为用户推送匹配的营销信息,进而提高用户的体验度。
Description
技术领域
本发明涉及信息处理技术领域,特别涉及一种信息推送方法和装置。
背景技术
基于用户收益的预测模型应用广泛,现有技术主要是基于随机森林,Xgboost等机器学习算法建模,得到关于用户收益的预测模型。然后由数据分析师或运营人员根据模型的结果,进行简单用户分群,针对不同收益类型的用户推送不同的营销信息。
现有实现方案在预测用户收益时准确性比较低,且需要人工干预确定用户类型,以及推送的营销信息。
发明内容
有鉴于此,本申请提供一种信息推送方法和装置,能够自动、准确地为用户推送匹配的营销信息,进而提高用户的体验度。
为解决上述技术问题,本申请的技术方案是这样实现的:
在一个实施例中,提供了一种信息推送方法,所述方法包括:
获取用户历史数据;
对获取的历史数据进行预处理;
基于预设神经网络分位数回归模型获取预处理后的历史数据的用户收益值;
根据用户收益值范围与收益类型的映射关系,以及获取的用户收益值确定该用户的收益类型;
根据该用户的收益类型为对应用户推送营销信息。
在另一个实施例中,提供了一种信息推送装置,所述装置包括:
第一获取单元,用于获取用户历史数据;
预处理单元,用于对所述第一获取单元获取的历史数据进行预处理;
第二获取单元,用于基于预设神经网络分位数回归模型获取所述预处理单元预处理后的历史数据的用户收益值;
确定单元,用于根据用户收益值范围与收益类型的映射关系,以及所述第二获取单元获取的用户收益值确定该用户的收益类型;
推送单元,用于根据所述确定单元确定的该用户的收益类型为对应用户推送营销信息。
在另一个实施例中,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如所述信息推送方法的步骤。
在另一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述信息推送方法的步骤。
由上面的技术方案可见,上述实施例中通过对用户的历史数据进行预处理后,基于预设神经网络分位数回归模型获取预处理后的历史数据的用户收益值;根据用户的收益值对应的收益类型为对应用户推送营销信息。该方法能够自动、准确地为用户推送匹配的营销信息,进而提高用户的体验度。
附图说明
以下附图仅对本发明做示意性说明和解释,并不限定本发明的范围:
图1为本申请实施例一中信息推送流程示意图;
图2为本申请实施例二中信息推送流程示意图;
图3为本申请实施例三中信息推送流程示意图;
图4为本申请实施例四中信息推送流程示意图;
图5为本申请实施例中应用于上述技术的装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图并举实施例,对本发明的技术方案进行详细说明。
本申请实施例中提供一种信息推送方法,通过对用户的历史数据进行预处理后,基于预设神经网络分位数回归模型获取预处理后的历史数据的用户收益值;根据用户的收益值对应的收益类型为对应用户推送营销信息。该方案能够提高用户收益预测的准确性,并自动实现为用户推送与收益类型相匹配的营销信息,进而提高设备的信息处理能力,以及用户的体验度。
下面结合附图,详细说明本申请实施例实现信息推送的过程。
实现信息推送的设备可以是一台PC或多台PC等,下文为了描述方便,简称为推送设备。
实施例一
参见图1,图1为本申请实施例一中信息推送流程示意图。具体步骤为:
步骤101,获取用户历史数据。
本申请实施例中获取的历史数据可以是多维度的数据,历史数据的维度特征包括下述之一或任意组合:
商城下单数据、浏览数据、加购数据、搜索数据、用户商城粘性、用户购买力、用户购买档次、优惠券使用数据、商城用户画像数据、白条用户画像数据、白条消费数据、白条分期数据;
其中,加购数据为加入购物车相关数据,搜索数据为用户在对应商城搜索品牌、商品的数据,用户商城粘性为根据预设模型针对每个用户确定的用户商城粘性,或者人工设置的用户商城粘性(在具体实现时。用户商城粘性量化为一个数值),用户购买档次通常可以分为上中下等;商城用户画像数据为用户的基本信息,如年龄、性别等,白条用户画像数据为白条用户的基本信息。
步骤102,对获取的历史数据进行预处理。
本步骤中的预处理可以包括但不限于如下实现方式:
对所述历史数据进行异常值处理、缺失值处理;
其中,异常值处理如数值超过对应维度特征的特征量对应的范围,则舍弃该异常值,或修正该异常值;
缺失值的处理可以为:特殊值填充处理、热卡填充处理、平均值填充处理、机器学习算法预测处理等。
进行异常值处理和缺失值处理后的历史数据进行量化,并进行标准化或归一化处理,获得各维度特征的特征量;
有些维度的维度特征的内容不是使用数字表示的,如商城用户画像数据中的性别信息男和女,可以量化为0和1等,这里可以使用常规量化原则量化相关维度特征,对此本申请实施例不进行限制。
针对某一用户,不存在某一维度特征对应的数据信息时,针对该维度特征对应的特征量可以使用0表示。
由于维度特征数量较多,其中可能存在不相关的特征,特征之间也可能存在相互依赖,为了减轻维度灾难问题,并且去除无关特征可以降低学习的难度,基于随机森林的封装式特征选择算法对获得的各维度特征进行特征筛选,具体实现如下:
利用随机森林算法的变量重要性度量对特征进行排序,采用双向搜索方法,即使用序列前向选择(SFS)从空集开始,同时使用序列后向选择(SBS)从全集开始搜索,当两者搜索到一个相同的特征子集C时停止搜索。依此寻找能够训练最优性能分类器的特征子集。如何度量变量重要性的具体逻辑是:对用户历史不同时间节点的商城下单数据、浏览数据、加购数据、搜索数据、用户商城粘性、用户购买力、用户购买档次、优惠券使用数据、商城用户画像数据、白条用户画像数据、白条消费数据、白条分期数据中加工成的不同特征,根据不同特征的特征贡献度的比较得到特征重要性排序,其中贡献度的衡量指标包括:基尼指数(gini)、袋外数据(OOB)错误率作为评价指标来衡量。
步骤103,基于预设神经网络分位数回归模型获取预处理后的历史数据的用户收益值。
本申请实施例中将神经网络算法与分位数回归相结合,即神经网络分位数回归算法,神经网络分位数回归是一种非参数型非线性分位数回归方法,它具备神经网络与分位数回归两个方面的优势:一方面,神经网络模拟系统中的非线性结构,可以不依赖于明确的函数形式的设定,便可取得更高准确性的模拟效果,另一方面,具有分位数回归的优势,选取不同分位点,可得到响应变量的不同条件分位数,因此,它能更完整细致地被刻画,条件分布特征也可被全景描述。结合分位数回归,可建立神经网络分位数回归模型(QRNN)如下:
其中,为权重向量,为阈值向量。权重向量W(τ)与阈值向量b(τ)都依赖于分位点τ的变化。因此,实质为非线性分位数回归的神经网络分位数回归模型(QRNN)实现了从输入变量Xt到响应变量Yt条件分位数的一个非线性映射。
通过神经网络分位数回归算法对经历了变量预处理和变量筛选后的用户历史不同时间节点的商城下单数据、浏览数据、加购数据、搜索数据、用户商城粘性、用户购买力、用户购买档次、优惠券使用数据、商城用户画像数据、白条用户画像数据、白条消费数据、白条分期数据的上万维变量作为输入变量,以用户收益值为输出变量,模型通过AIC准则,得到惩罚参数与隐含层节点数目的最优值,且基于网格搜索法,系统将自动选择最佳参数组合,代入模型进行训练。将历史数据自动随机抽取部分训练集和测试集,最终,对用户未来某一时间的收益进行预估,从而建立了基于神经网络分位数回归的用户收益预测模型,并通过平均绝对误差(MAE)、均方根误差(RMSE)等指标衡量模型准确率。此种方法构建的用户收益模型,相比于以前用其他算法构建的模型,提升了模型训练速度,提高了模型的准确率。
步骤104,根据用户收益值范围与收益类型的映射关系,以及获取的用户收益值确定该用户的收益类型。
收益类型可以为:高收益、中高收益、中等正常收益、中低收益、低收益以及无收益;这仅是一种举例,实际应用中根据实际需要可以划分更多或更少的收益类型。
收益范围的个数与收益类型的个数匹配,划分逻辑可以但不限于如下实现:
根据平均划分原则,确定不同的阈值,例如,当所有用户的收益值在0到5000之间不等,即最小用户收益为0,最大用户收益为5000,那么,‘0’则为无收益,(0,1000]记为低收益,依此类推,同时,系统也提供手动更改功能,数据分析师可依据业务线的区别或实际情况的不同对不同收益区间进行阈值调整。从而,使整个系统更加具有灵活性和可操控性。
建立了用户收益值范围与收益类型的映射关系后,当获得一个用户的收益值时,可以确定该收益值对应的用户收益范围,进而确定该用户对应的收益类型。如当用户收益预测值为‘0’时,将该用户归入无收益预期用户群,当用户收益预测值为(0,1000]之间时,将该用户归入低收益用户群,依次类推。
针对每个用户确定其收益类型,也相当于将用户分群,从而对不同用户价值的用户群赋予上不同用户价值标签。
步骤105,根据该用户的收益类型为对应用户推送营销信息。
这里的营销信息可以为促销商品、优惠券、商城活动等;
推送的方式可以为短信通知,微信通知、push、利益点触达等。
与用户收益类型匹配的营销信息,如高收益用户,推送高品质的商品信息。
通过预设神经网络分位数回归模型确定收益值的方式能够提高确定收益值的准确率和速率,进而提高推送营销信息的准确性,并自动推送与用户的收益类型匹配的营销信息。
实施例二
设置收益类型对应的推送规则;具体为根据收益类型进行的人群划分,将自动做出推送营销信息,或不推送营销信息,以及推送的营销信息的内容。
如:对高收益预期的用户群做出的推送规则是,选择发送多条不同营销短信,系统对无收益预期的用户群将不会做出短信策略的部署。在系统做出不同的策略决断后,将根据具体的策略自动触达到不同用户,依据运营人员提前已输入的短信文案,自动发送短信,并触达用户,本发明解决了依赖人工短信触达的时间限制,不仅增加了用户触达的及时性和精准性,同时减少了短信营销成本。
参见图2,图2为本申请实施例二中信息推送流程示意图。具体步骤为:
步骤202,确定用户的收益类型。
步骤202,根据该用户的收益类型对应的推送规则确定是否为该用户推送营销信息,如果是,执行步骤203;否则,执行步骤204。
步骤203,根据该用户的收益类型为对应用户推送营销信息,结束本流程。
在确定推送营销信息时,还可以确定推送营销信息的内容,以及频率。
步骤204,不向该用户推送营销信息。
该实施例中给出针对不同收益类型的用户采用不同的推送规则,能够在达到信息推送的目的的基础上节省营销成本。
实施例三
针对不同类型的营销信息分别针对不同收益类型设置不同的营销信息推送策略;
如:对高收益预期用户发放满减优惠券或红包利益点,对于低收益预期用户发放立减3元券,立减5元券,立减10元券等,来促进低收益预期的用户群的活跃度。另外,所有的利益点策略包括满减不同额度不同品类优惠券,立减不同额度优惠券、免息券、息费折扣券、免运费券、红包利益点、不同时间期限的plus会员赠送,礼品赠送等不同利益点,还可以根据不同用户价值群的利益点偏好情况自动选择利益点策略进行部署,在系统做出不同的策略决断后,将根据具体的策略自动触达到不同用户,如将优惠券、红包等利益点自动发送到用户的账户上。
参见图3,图3为本申请实施例三中信息推送流程示意图。具体步骤为:
步骤301,确定用户的收益类型。
步骤302,根据该用户的收益类型确定对应的营销推送策略。
步骤303,基于确定的营销推送策略推送对应的营销信息。
本实施例中通过营销推送策略与收益类型的对应,使得自动地、准确第为用户推送营销信息,实现精准营销利益点的触达,能够降低营销成本,提高用户满意度。
实施例四
参见图4,图4为本申请实施例四中信息推送流程示意图。具体步骤为:
步骤401,获取N个时间段的商城下单数据,统计每个用户在每个时间段内各维度指标值,并进行归一化处理。
这里的N个时间段可以为连续时间段也可以为不连续时间段。
其中,维度指标包括下述之一或任意组合:
用户订单量、订单金额、下单率、白条订单量、白条渗透率、白条分期率、白条还款率、白条订单分期金额、白条账单分期金额。
还可以统计下单数据的其他维度指标,本申请实施例对此不进行限制。
对每一个维度指标对应的数值进行归一化处理。
步骤402,使用针对对应时间段设置的各维度指标权重对每个用户的各维度指标值进行加权求和。
在具体实现时,针对每个时间段设置各维度指标对应的权重,针对不同时间段设置的维度指标对应的权重可以相同也可以不相同;
针对每个时间段设置各维度指标对应的权重时,根据各指标的值的波动程度设置不同权重,波动程度越大,设置的对应权重越大。
如在一时间段内针对订单金额这个指标不同用户之间的差距比较大,如大于预设阈值,则确定订单金额这个指标的波动程度比较大,针对订单金额这个指标设置较大权重,这里的较大根据实际确定,如大于预设权重阈值的值为较大权重。
步骤403,针对任一用户,将加权求和所得值最大的时间段作为该用户的最佳收益获得时间段。
针对N个时间段,同一用户获得N个加权求和所得值,则将N个值中值最大所对应的时间段作为该用户的最佳收益获得时间段。
步骤403,当向该用户推送营销信息时,在该用户对应的最佳收益获得时间段推送。
如每月初工作日周一上班时间上午9点至12点间、每月中非工作日周六下班时间18点至20点间、每月末工作日周三上班时间下午14点至16点间等,对不同特征用户群赋予上不同用户特征人群标签,即用户在对应的最佳收益获得时间段推送营销信息。
这种针对不同用户在不同时间点推送营销信息的方案能够提高用户活跃度,以期获得最大用户收益。
实施例五
记录向用户推送的营销信息,以及推送策略,用于在推送的营销信息对应的活动结束后进行自动复盘,具体为:
获取推送的营销信息的反馈信息,并针对不同用户进行对照分析,并将对照分析结果进行显示。
如每次活动结束后,系统会自动对比分析实验组和对照组的活动效果,提供短信发送成功率、短信点击率、短信浏览率、短信覆盖度、短信发送成本、利益点触达成功率、利益点浏览率、利益点点击率、利益点发送增量成本、最终获得用户收益值等指标,对不同用户群、不同实验组和对照组进行数据对比,输出活动效果分析报表,在系统的活动分析报表盘模块清晰展示。
该实施例能够及时监测活动效果,即营销信息推送效果是否理想,以便指导后续的营销信息的推送。
基于同样的发明构思,本申请实施例中还提供一种信息推送装置。参见图5,图5为本申请实施例中应用于上述技术的装置结构示意图。该装置包括:
第一获取单元501,用于获取用户历史数据;
预处理单元502,用于对第一获取单元501获取的历史数据进行预处理;
第二获取单元503,用于基于预设神经网络分位数回归模型获取预处理单元502预处理后的历史数据的用户收益值;
确定单元504,用于根据用户收益值范围与收益类型的映射关系,以及所述第二获取单元获取的用户收益值确定该用户的收益类型;
推送单元505,用于根据确定单元504确定的该用户的收益类型为对应用户推送营销信息。
其中,所述对获取的历史数据进行预处理,包括:
对所述历史数据进行异常值处理、缺失值处理;
进行异常值处理和缺失值处理后的历史数据进行量化,并进行标准化或归一化处理,获得各维度特征的特征量;
其中,历史数据的维度特征包括下述之一或任意组合:
商城下单数据、浏览数据、加购数据、搜索数据、用户商城粘性、用户购买力、用户购买档次、优惠券使用数据、商城用户画像数据、白条用户画像数据、白条消费数据、白条分期数据。
其中,所述对获取的历史数据进行预处理之后,基于随机森林的封装式特征选择算法对获得的各维度特征进行特征筛选。
优选地,
确定单元504,进一步用于设置收益类型对应的推送规则;在根据用户收益值范围与收益类型的映射关系,以及获取的用户收益值确定该用户的收益类型之后,根据该用户的收益类型对应的推送规则确定是否为该用户推送营销信息,如果是,触发推送单元505根据该用户的收益类型为对应用户推送营销信息;否则,不触发推送单元505向该用户推送营销信息。
优选地,
确定单元504,进一步用于针对不同类型的营销信息分别针对不同收益类型设置不同的营销信息推送策略;根据该用户的收益类型为该用户推送营销信息时,根据该用户的收益类型确定对应的营销推送策略;
推送单元505,进一步用于基于确定单元504确定的营销推送策略推送对应的营销信息。
优选地,
第一获取单元501,进一步用于获取N个时间段的商城下单数据;
预处理单元502,进一步用于根据第一获取单元501获取的商城下单数据统计每个用户在每个时间段内各维度指标值,并进行归一化处理;其中,维度指标包括下述之一或任意组合:用户订单量、订单金额、下单率、白条订单量、白条渗透率、白条分期率、白条还款率、白条订单分期金额、白条账单分期金额;
确定单元504,进一步用于使用针对对应时间段设置的各维度指标权重对预处理单元502获取的每个用户的各维度指标值进行加权求和;针对任一用户,将加权求和所得值最大的时间段作为该用户的最佳收益获得时间段;
推送单元505,进一步用于根据该用户的收益类型为对应用户推送营销信息时,在该用户对应的最佳收益获得时间段推送营销信息。
优选地,
推送单元505,进一步用于记录向用户推送的营销信息,以及推送策略;获取推送的营销信息的反馈信息,并针对不同用户进行对照分析,并将对照分析结果进行显示。
上述实施例的单元可以集成于一体,也可以分离部署;可以合并为一个单元,也可以进一步拆分成多个子单元。
在另一个实施例中,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如所述信息推送方法的步骤。
在另一个实施例中,本申请实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述信息推送方法的步骤。
综上所述,本申请不仅提供自动化用户价值分群,同时系统还支持自动化策略部署及智能化的人群触达。策略自动化部署及人群触达分为两大模块:短信触达模块和利益点触达模块,可选择两个模块同时部署策略,或任意选择其中一个模块部署策略。一方面,根据系统做出的用户价值人群划分,决策系统将自动做出发短信或不发短信,以及发多条短信的策略制定及测试。另一方面,根据系统做出的用户价值人群划分,做出发放不同类型的营销利益点发放策略制定及测试。目的是降低营销成本,提高用户满意度和增加用户活跃度。
基于上述自动化策略部署,智能化人群触达指根据用户最佳收益获得时间段,在最佳营销时间段通过系统进行自动化策略触达,更加智能及时的选择不同的时间对不同用户特征群体完成系统已部署好的策略,目的是解决大量人力资源和时间成本,并提高营销策略触达的及时性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (14)
1.一种信息推送方法,其特征在于,所述方法包括:
获取用户历史数据;
对获取的历史数据进行预处理;
基于预设神经网络分位数回归模型获取预处理后的历史数据的用户收益值;
根据用户收益值范围与收益类型的映射关系,以及获取的用户收益值确定该用户的收益类型;
根据该用户的收益类型为对应用户推送营销信息。
2.根据权利要求1所述的方法,其特征在于,所述对获取的历史数据进行预处理,包括:
对所述历史数据进行异常值处理、缺失值处理;
进行异常值处理和缺失值处理后的历史数据进行量化,并进行标准化或归一化处理,获得各维度特征的特征量;
其中,历史数据的维度特征包括下述之一或任意组合:
商城下单数据、浏览数据、加购数据、搜索数据、用户商城粘性、用户购买力、用户购买档次、优惠券使用数据、商城用户画像数据、白条用户画像数据、白条消费数据、白条分期数据。
3.根据权利要求2所述的方法,其特征在于,所述对获取的历史数据进行预处理之后,所述基于预设的用户收益预测模型获取预处理后的历史数据的用户收益值之前,所述方法进一步包括:
基于随机森林的封装式特征选择算法对获得的各维度特征进行特征筛选。
4.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:设置收益类型对应的推送规则;
所述根据用户收益值范围与收益类型的映射关系,以及获取的用户收益值确定该用户的收益类型之后,所述方法进一步包括:
根据该用户的收益类型对应的推送规则确定是否为该用户推送营销信息,如果是,根据该用户的收益类型为对应用户推送营销信息;否则,不向该用户推送营销信息。
5.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
针对不同类型的营销信息分别针对不同收益类型设置不同的营销信息推送策略;
所述根据该用户的收益类型为该用户推送营销信息时,根据该用户的收益类型确定对应的营销推送策略,并基于确定的营销推送策略推送对应的营销信息。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法进一步包括:
获取N个时间段的商城下单数据,统计每个用户在每个时间段内各维度指标值,并进行归一化处理;其中,维度指标包括下述之一或任意组合:用户订单量、订单金额、下单率、白条订单量、白条渗透率、白条分期率、白条还款率、白条订单分期金额、白条账单分期金额;
使用针对对应时间段设置的各维度指标权重对每个用户的各维度指标值进行加权求和;
针对任一用户,将加权求和所得值最大的时间段作为该用户的最佳收益获得时间段;
所述根据该用户的收益类型为对应用户推送营销信息时,在该用户对应的最佳收益获得时间段推送营销信息。
7.根据权利要求6所述的方法,其特征在于,所述方法进一步包括:
记录向用户推送的营销信息,以及推送策略;
获取推送的营销信息的反馈信息,并针对不同用户进行对照分析,并将对照分析结果进行显示。
8.一种信息推送装置,其特征在于,所述装置包括:
第一获取单元,用于获取用户历史数据;
预处理单元,用于对所述第一获取单元获取的历史数据进行预处理;
第二获取单元,用于基于预设神经网络分位数回归模型获取所述预处理单元预处理后的历史数据的用户收益值;
确定单元,用于根据用户收益值范围与收益类型的映射关系,以及所述第二获取单元获取的用户收益值确定该用户的收益类型;
推送单元,用于根据所述确定单元确定的该用户的收益类型为对应用户推送营销信息。
9.根据权利要求8所述的装置,其特征在于,
所述确定单元,进一步用于设置收益类型对应的推送规则;在根据用户收益值范围与收益类型的映射关系,以及获取的用户收益值确定该用户的收益类型之后,根据该用户的收益类型对应的推送规则确定是否为该用户推送营销信息,如果是,触发所述推送单元根据该用户的收益类型为对应用户推送营销信息;否则,不触发所述推送单元向该用户推送营销信息。
10.根据权利要求8所述的装置,其特征在于,
所述确定单元,进一步用于针对不同类型的营销信息分别针对不同收益类型设置不同的营销信息推送策略;根据该用户的收益类型为该用户推送营销信息时,根据该用户的收益类型确定对应的营销推送策略;
所述推送单元,进一步用于基于所述确定单元确定的营销推送策略推送对应的营销信息。
11.根据权利要求8-10任一项所述的装置,其特征在于,
所述第一获取单元,进一步用于获取N个时间段的商城下单数据;
所述预处理单元,进一步用于根据所述第一获取单元获取的商城下单数据统计每个用户在每个时间段内各维度指标值,并进行归一化处理;其中,维度指标包括下述之一或任意组合:用户订单量、订单金额、下单率、白条订单量、白条渗透率、白条分期率、白条还款率、白条订单分期金额、白条账单分期金额;
所述确定单元,进一步用于使用针对对应时间段设置的各维度指标权重对所述预处理单元获取的每个用户的各维度指标值进行加权求和;针对任一用户,将加权求和所得值最大的时间段作为该用户的最佳收益获得时间段;
所述推送单元,进一步用于根据该用户的收益类型为对应用户推送营销信息时,在该用户对应的最佳收益获得时间段推送营销信息。
12.根据权利要求11所述的装置,其特征在于,
所述推送单元,进一步用于记录向用户推送的营销信息,以及推送策略;获取推送的营销信息的反馈信息,并针对不同用户进行对照分析,并将对照分析结果进行显示。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574404.4A CN112150179B (zh) | 2019-06-28 | 2019-06-28 | 一种信息推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574404.4A CN112150179B (zh) | 2019-06-28 | 2019-06-28 | 一种信息推送方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150179A true CN112150179A (zh) | 2020-12-29 |
CN112150179B CN112150179B (zh) | 2024-04-09 |
Family
ID=73869199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910574404.4A Active CN112150179B (zh) | 2019-06-28 | 2019-06-28 | 一种信息推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150179B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266601A (zh) * | 2021-12-24 | 2022-04-01 | 深圳前海微众银行股份有限公司 | 营销策略确定方法、装置、终端设备及存储介质 |
CN114549066A (zh) * | 2022-02-15 | 2022-05-27 | 上海钧正网络科技有限公司 | 营销方式确定方法、装置及计算机存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120516A1 (en) * | 2001-02-26 | 2002-08-29 | Nec Corporation | Mobile marketing method, mobile marketing system, mobile marketing server, and associated user terminal, analysis terminal, and program |
US20050071223A1 (en) * | 2003-09-30 | 2005-03-31 | Vivek Jain | Method, system and computer program product for dynamic marketing strategy development |
EP1670265A1 (en) * | 2004-12-09 | 2006-06-14 | Evolium S.A.S. | System for automatically providing location related information to a mobile terminal. |
US7212922B1 (en) * | 2004-12-16 | 2007-05-01 | The Weather Channel, Inc. | Method of determining a climate-based activity index and best-time-to recommendation |
US20100287060A1 (en) * | 2009-05-11 | 2010-11-11 | Microsoft Corporation | Providing time-sensitive information for purchase determinations |
CN103489117A (zh) * | 2012-06-12 | 2014-01-01 | 深圳市腾讯计算机系统有限公司 | 信息投放方法和系统 |
KR20160076374A (ko) * | 2014-12-22 | 2016-06-30 | 주식회사 바나나팩토리 | Crm 마케팅 정보를 제공하는 방법 및 장치 |
CN106846041A (zh) * | 2016-12-26 | 2017-06-13 | 携程计算机技术(上海)有限公司 | 优惠券的发放方法及系统 |
CN106971321A (zh) * | 2017-04-06 | 2017-07-21 | 百度在线网络技术(北京)有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
CN107451832A (zh) * | 2016-05-30 | 2017-12-08 | 北京京东尚科信息技术有限公司 | 推送信息的方法和装置 |
CN107704997A (zh) * | 2017-09-12 | 2018-02-16 | 广东万丈金数信息技术股份有限公司 | 评估客户端活跃度的方法、装置及存储介质 |
CN108696420A (zh) * | 2017-04-10 | 2018-10-23 | 北京雪球信息科技有限公司 | 通讯网络中的消息推送方法和装置 |
WO2019060912A1 (en) * | 2017-09-25 | 2019-03-28 | Appli Inc. | SYSTEMS AND METHODS FOR ANALYZING AUTONOMOUS DATA |
-
2019
- 2019-06-28 CN CN201910574404.4A patent/CN112150179B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120516A1 (en) * | 2001-02-26 | 2002-08-29 | Nec Corporation | Mobile marketing method, mobile marketing system, mobile marketing server, and associated user terminal, analysis terminal, and program |
US20050071223A1 (en) * | 2003-09-30 | 2005-03-31 | Vivek Jain | Method, system and computer program product for dynamic marketing strategy development |
EP1670265A1 (en) * | 2004-12-09 | 2006-06-14 | Evolium S.A.S. | System for automatically providing location related information to a mobile terminal. |
US7212922B1 (en) * | 2004-12-16 | 2007-05-01 | The Weather Channel, Inc. | Method of determining a climate-based activity index and best-time-to recommendation |
US20100287060A1 (en) * | 2009-05-11 | 2010-11-11 | Microsoft Corporation | Providing time-sensitive information for purchase determinations |
CN103489117A (zh) * | 2012-06-12 | 2014-01-01 | 深圳市腾讯计算机系统有限公司 | 信息投放方法和系统 |
KR20160076374A (ko) * | 2014-12-22 | 2016-06-30 | 주식회사 바나나팩토리 | Crm 마케팅 정보를 제공하는 방법 및 장치 |
CN107451832A (zh) * | 2016-05-30 | 2017-12-08 | 北京京东尚科信息技术有限公司 | 推送信息的方法和装置 |
CN106846041A (zh) * | 2016-12-26 | 2017-06-13 | 携程计算机技术(上海)有限公司 | 优惠券的发放方法及系统 |
CN106971321A (zh) * | 2017-04-06 | 2017-07-21 | 百度在线网络技术(北京)有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
CN108696420A (zh) * | 2017-04-10 | 2018-10-23 | 北京雪球信息科技有限公司 | 通讯网络中的消息推送方法和装置 |
CN107704997A (zh) * | 2017-09-12 | 2018-02-16 | 广东万丈金数信息技术股份有限公司 | 评估客户端活跃度的方法、装置及存储介质 |
WO2019060912A1 (en) * | 2017-09-25 | 2019-03-28 | Appli Inc. | SYSTEMS AND METHODS FOR ANALYZING AUTONOMOUS DATA |
Non-Patent Citations (1)
Title |
---|
百胜智库: "《企业中台 成就智慧品牌》", 中国经济出版社, pages: 106 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266601A (zh) * | 2021-12-24 | 2022-04-01 | 深圳前海微众银行股份有限公司 | 营销策略确定方法、装置、终端设备及存储介质 |
CN114549066A (zh) * | 2022-02-15 | 2022-05-27 | 上海钧正网络科技有限公司 | 营销方式确定方法、装置及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112150179B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764974A (zh) | 一种基于深度学习的商品采购量预测方法及装置 | |
CN108256898B (zh) | 一种产品销量预测方法、系统及存储介质 | |
US11216850B2 (en) | Predictive platform for determining incremental lift | |
CN110163647A (zh) | 一种数据处理方法及装置 | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
US20140289007A1 (en) | Scenario based customer lifetime value determination | |
CN112150179B (zh) | 一种信息推送方法和装置 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
US20030120370A1 (en) | Electric power consumer data analyzing method | |
CN108629467B (zh) | 一种样品信息处理方法及系统 | |
CN113554455A (zh) | 基于人工智能的店铺商品分析方法、装置及存储介质 | |
Zheng et al. | An application of machine learning for a smart grid resource allocation problem | |
CN113592539A (zh) | 基于人工智能的店铺订单趋势预测方法、装置及存储介质 | |
CN116304374B (zh) | 一种基于包装数据的客户匹配方法及系统 | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
CN110796520A (zh) | 商品推荐的方法、装置、计算设备以及介质 | |
CN112132498A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN116170330A (zh) | 业务套餐的推荐方法、装置及电子设备 | |
Granov | Customer loyalty, return and churn prediction through machine learning methods: for a Swedish fashion and e-commerce company | |
CN112633936A (zh) | 一种供应商隐藏费用预测方法、装置、服务器及存储介质 | |
CN112232945A (zh) | 一种确定个人客户授信的方法及装置 | |
CN110766424A (zh) | 构建市场画像的方法和装置 | |
CN109360051A (zh) | 确定用户购物需求的方法、装置、设备及可读存储介质 | |
CN117236996B (zh) | 一种基于大数据分析的用户行为预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |