CN112669084A - 策略确定方法、设备及计算机可读存储介质 - Google Patents
策略确定方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112669084A CN112669084A CN202011645153.3A CN202011645153A CN112669084A CN 112669084 A CN112669084 A CN 112669084A CN 202011645153 A CN202011645153 A CN 202011645153A CN 112669084 A CN112669084 A CN 112669084A
- Authority
- CN
- China
- Prior art keywords
- marketing
- decision matrix
- modes
- under
- response
- 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 61
- 230000004044 response Effects 0.000 claims abstract description 132
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 238000011160 research Methods 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 57
- 230000006399 behavior Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融科技(Fintech)技术领域。本发明公开了一种策略确定方法、设备及计算机可读存储介质，本发明通过先构建目标客户群的营销响应预测模型来对存在一种或是多种营销方式的场景下的客户行为进行预测，从而考虑到每个用户差异化的营销偏好；通过在营销响应预测结果的基础上构建决策矩阵，再利用决策矩阵建立运筹学模型，使得所建立的运筹学模型能够适用于同时存在多种营销方式的应用场景；最后通过运筹学模型得到目标客户群在一种或多种不同营销方式下的最优营销发放策略，尤其是在同时存在多种营销方式场景下，能够通过数学手段快速给出目标客户群的具有针对性的最优营销手段，可进一步提升获客率或者降低营销成本。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域，尤其涉及策略确定方法、设备及计算机可读存储介质。
背景技术
随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。目前市场上为了产品推广通常采用多种营销手段来刺激用户使用产品。其中产品人员会设计可供营销的多种offer，并对营销客群分别采用多种offer进行试验，并选用成本较低，获客率较高的营销offer，作为常规的营销策略。而这种营销策略并未考虑每个用户的偏好，而仅仅是迎合大众，因此营销效果往往难以达到预期。
发明内容
本发明的主要目的在于提出一种策略确定方法、设备及计算机可读存储介质，旨在解决通过现有的营销策略制定方式所能达到的营销效果不佳的技术问题。
为实现上述目的，本发明提供一种策略确定方法，所述策略确定方法包括：
确定目标客户群，并基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果，其中，所述目标场景中存在若干种不同营销方式；
根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵；
根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略。
可选地，所述根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略的步骤包括：
获取第一约束条件，根据所述第一约束条件与所述决策矩阵构建所述运筹学模型的第一目标函数，其中，所述第一约束条件对营销成本进行限定，所述第一目标函数用于求解在限定最高营销成本下的最大响应客户数量；
利用数学规划算法对所述第一目标函数进行求解，得到在限定最高营销成本下的最大响应客户数量，以基于所述最大响应客户数量确定所述最优营销发放策略。
可选地，所述决策矩阵中包含若干组别，
所述第一约束条件包括：
x∈[0,1]，其中。Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本，C为所述最高营销成本，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数；
所述第一目标函数包括：
其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率。
可选地，所述根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略的步骤包括：
获取第二约束条件，根据所述第二约束条件与所述决策矩阵构建所述运筹学模型的第二目标函数，其中，所述第二约束条件对最低营销客户数量进行限定，所述第二目标函数用于求解在限定最小营销客户数量下的最低营销成本；
利用数学规划算法对所述第二目标函数进行求解，得到在限定最小营销客户数量下的最低营销成本，以基于所述最低营销成本确定所述最优营销策略。
可选地，所述决策矩阵中包含若干组别，
所述第二约束条件包括：
xij∈[0,1]，其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数，N为所述最低营销客户数量；
所述第二目标函数包括：
其中，Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本。
可选地，所述目标场景中存在多种不同营销方式，
所述基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果的步骤之前，还包括：
获取历史场景中所述目标客户群对于多种不同所述营销方式的历史行为数据，并根据多种不同所述营销方式将所述历史行为数据进行分群；
利用机器学习算法，并基于分群后的历史行为数据建立所述目标客户群在多种不同所述营销方式下的营销响应预测模型。
可选地，所述基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果的步骤包括：
确定当前场景为所述目标场景，利用所述营销响应预测模型预测出所述目标客户群在所述当前场景下分别对于多种不同所述营销方式的响应率以及概率值，以作为所述营销响应预测结果。
可选地，所述根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵的步骤包括：
根据所述概率值对所述响应率进行交叉分组，得到若干交叉组；
计算每一所述交叉组中各种所述营销方式的响应率与营销成本，以构建所述决策矩阵。
此外，为实现上述目的，本发明还提供一种策略确定装置，所述策略确定装置包括：
营销响应预测模块，用于确定目标客户群，并基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果，其中，所述目标场景中存在若干种不同营销方式；
决策矩阵构建模块，用于根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵；
最优策略确定模块，用于根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略。
可选地，所述最优策略确定模块包括：
第一函数构建单元，用于获取第一约束条件，根据所述第一约束条件与所述决策矩阵构建所述运筹学模型的第一目标函数，其中，所述第一约束条件对营销成本进行限定，所述第一目标函数用于求解在限定最高营销成本下的最大响应客户数量；
第一函数求解单元，用于利用数学规划算法对所述第一目标函数进行求解，得到在限定最高营销成本下的最大响应客户数量，以基于所述最大响应客户数量确定所述最优营销发放策略。
可选地，所述决策矩阵中包含若干组别，
所述第一约束条件包括：
x∈[0,1]，其中。Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本，C为所述最高营销成本，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数；
所述第一目标函数包括：
其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率。
可选地，所述最优策略确定模块包括：
第二函数构建单元，用于获取第二约束条件，根据所述第二约束条件与所述决策矩阵构建所述运筹学模型的第二目标函数，其中，所述第二约束条件对最低营销客户数量进行限定，所述第二目标函数用于求解在限定最小营销客户数量下的最低营销成本；
第二函数求解单元，用于利用数学规划算法对所述第二目标函数进行求解，得到在限定最小营销客户数量下的最低营销成本，以基于所述最低营销成本确定所述最优营销策略。
可选地，所述决策矩阵中包含若干组别，
所述第二约束条件包括：
xij∈[0,1]，其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数，N为所述最低营销客户数量；
所述第二目标函数包括：
其中，Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本。
可选地，所述目标场景中存在多种不同营销方式，
所述营销响应预测模块包括：
数据分群单元，用于获取历史场景中所述目标客户群对于多种不同所述营销方式的历史行为数据，并根据多种不同所述营销方式将所述历史行为数据进行分群；
模型建立单元，用于利用机器学习算法，并基于分群后的历史行为数据建立所述目标客户群在多种不同所述营销方式下的营销响应预测模型。
可选地，所述营销响应预测模块包括：
响应预测单元，用于确定当前场景为所述目标场景，利用所述营销响应预测模型预测出所述目标客户群在所述当前场景下分别对于多种不同所述营销方式的响应率以及概率值，以作为所述营销响应预测结果。
可选地，所述决策矩阵构建模块包括：
分段交叉单元，用于根据所述概率值对所述响应率进行交叉分组，得到若干交叉组；
矩阵构建单元，用于计算每一所述交叉组中各种所述营销方式的响应率与营销成本，以构建所述决策矩阵。
此外，为实现上述目的，本发明还提供一种策略确定设备，所述策略确定设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的策略确定程序，所述策略确定程序被所述处理器执行时实现如上所述的策略确定方法的步骤。
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上存储有策略确定程序，所述策略确定程序被处理器执行时实现如上所述的策略确定方法的步骤。
本发明提供一种策略确定方法、设备及计算机可读存储介质。本发明通过先构建目标客户群的营销响应预测模型来对存在一种或是多种营销方式的场景下的客户行为进行预测，从而考虑到每个用户差异化的营销偏好；通过在营销响应预测结果的基础上构建决策矩阵，再利用决策矩阵建立运筹学模型，使得所建立的运筹学模型能够适用于同时存在多种营销方式的应用场景；最后通过运筹学模型得到目标客户群在一种或多种不同营销方式下的最优营销发放策略，尤其是在同时存在多种营销方式场景下，能够通过数学手段快速给出目标客户群的具有针对性的最优营销手段，可进一步提升获客率或者降低营销成本，从而解决了通过现有的营销策略制定方式所能达到的营销效果不佳的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明策略确定方法第一实施例的流程示意图；
图3为本发明策略确定方法第一实施例中一具体实施例的流程示意图；
图4为本发明策略确定方法第三实施例中的决策矩阵示意图；
图5为本发明策略确定装置的功能模块示意图。
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。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该策略确定装置可以包括：处理器1001，例如CPU，用户接口1003，网络接口1004，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及策略确定程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(程序员端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的策略确定程序，并执行下述策略确定方法中的操作：
确定目标客户群，并基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果，其中，所述目标场景中存在若干种不同营销方式；
根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵；
根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略。
进一步地，所述根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略的步骤包括：
获取第一约束条件，根据所述第一约束条件与所述决策矩阵构建所述运筹学模型的第一目标函数，其中，所述第一约束条件对营销成本进行限定，所述第一目标函数用于求解在限定最高营销成本下的最大响应客户数量；
利用数学规划算法对所述第一目标函数进行求解，得到在限定最高营销成本下的最大响应客户数量，以基于所述最大响应客户数量确定所述最优营销发放策略。
进一步地，所述决策矩阵中包含若干组别，
所述第一约束条件包括：
x∈[0,1]，其中。Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本，C为所述最高营销成本，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数；
所述第一目标函数包括：
其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率。
进一步地，所述根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略的步骤包括：
获取第二约束条件，根据所述第二约束条件与所述决策矩阵构建所述运筹学模型的第二目标函数，其中，所述第二约束条件对最低营销客户数量进行限定，所述第二目标函数用于求解在限定最小营销客户数量下的最低营销成本；
利用数学规划算法对所述第二目标函数进行求解，得到在限定最小营销客户数量下的最低营销成本，以基于所述最低营销成本确定所述最优营销策略。
进一步地，所述决策矩阵中包含若干组别，
所述第二约束条件包括：
xij∈[0,1]，其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数，N为所述最低营销客户数量；
所述第二目标函数包括：
其中，Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本。
进一步地，所述目标场景中存在多种不同营销方式，
所述基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果的步骤之前，处理器1001可以用于调用存储器1005中存储的策略确定程序，并执行下述策略确定方法中的操作：
获取历史场景中所述目标客户群对于多种不同所述营销方式的历史行为数据，并根据多种不同所述营销方式将所述历史行为数据进行分群；
利用机器学习算法，并基于分群后的历史行为数据建立所述目标客户群在多种不同所述营销方式下的营销响应预测模型。
进一步地，所述基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果的步骤包括：
确定当前场景为所述目标场景，利用所述营销响应预测模型预测出所述目标客户群在所述当前场景下分别对于多种不同所述营销方式的响应率以及概率值，以作为所述营销响应预测结果。
进一步地，所述根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵的步骤包括：
根据所述概率值对所述响应率进行交叉分组，得到若干交叉组；
计算每一所述交叉组中各种所述营销方式的响应率与营销成本，以构建所述决策矩阵。
基于上述硬件结构，提出本发明策略确定方法实施例。
为解决上述问题，本发明提供一种策略确定方法，即通过先构建目标客户群的营销响应预测模型来对存在一种或是多种营销方式的场景下的客户行为进行预测，从而考虑到每个用户差异化的营销偏好；通过在营销响应预测结果的基础上构建决策矩阵，再利用决策矩阵建立运筹学模型，使得所建立的运筹学模型能够适用于同时存在多种营销方式的应用场景；最后通过运筹学模型得到目标客户群在一种或多种不同营销方式下的最优营销发放策略，尤其是在同时存在多种营销方式场景下，能够通过数学手段快速给出目标客户群的具有针对性的最优营销手段，可进一步提升获客率或者降低营销成本，从而解决了现有的营销手段选择方式的应用场景局限性较大的技术问题。
参照图2，图2为本发明策略确定方法第一实施例的流程示意图。所述策略确定方法包括；
步骤S10，确定目标客户群，并基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果，其中，所述目标场景中存在若干种不同营销方式；
在本实施例中，本方法应用于终端设备。目标客户群指的是本次营销策略制定任务中的目标受众，该目标客户群的确定方式可以由相关人员指定，也可由终端依据某种规则从历史客户数据中筛选得出等。营销响应预测模型指的是根据目标客户群的历史行为表现所训练完成的预测模型，具体可采用机器学习的方式进行模型训练。目标场景指的是本次营销策略制定任务中需要对目标客户群的行为表现进行预测的营销场景。营销响应预测结果指的是营销响应预测模型对于目标客户群在目标场景下所预测的，可以表征其行为表现的指标参数，例如响应率、偏好程度等。在目标场景中，可能存在一种或多种营销方式。
具体地，终端在接收到基于当前营销场景的营销策略制定的指令时，根据该指令获取到目标客户群的相关信息以确定出目标客户群，然后搜寻目标客户群在历史营销场景中对于一种或者多种不同营销方式的历史行为表现信息，并基于这些历史数据建立一种或不同营销方式的营销响应预测模型，以基于该模型对目标场景的用户行为表现进行预测。
步骤S20，根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵；
在本实施例中，决策矩阵就是列出每个用户对应组别下的每种营销手段的营销成本，预估营销响应率值。这个矩阵中的数值将作为下一步制定运筹学模型的参数，代入模型中。
步骤S30，根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略。
在本实施例中，运筹学是现代管理学的一门重要专业基础课，是用数学和形式科学的跨领域研究，利用统计学、数学模型和算法等方法，去寻找复杂问题中的最佳或近似最佳的解答。最优营销发放策略指的是在目标场景下针对若干中不同营销方式的最优解答，具体可包括在给定营销成本下响应客户数最大化的最优策略，或是在限定响应客户前提下营销成本最小化的最优策略等。
终端根据决策矩阵建立运筹学模型，以基于运筹学模型构造出对于最优营销发放策略问题，再采用数学手段对这一问题进行求解，所得结果即为该问题的最优解。需要说明的是，对于最优解，终端可一次根据一种限制条件得到单一的最优解，也可根据多种不同的限制条件得到多种不同的最优解以供相关人员进一步选择，具体可按实际需求灵活设定。
作为一具体实施例，如图3所示。终端首先利用目标客户群在历史场景下的历史响应率数据进行模型训练，得到N种不同offer(营销方式)对应的响应率预测模型，然后利用训练好的响应率预测模型对目标客户群在N种不同offer下的响应率进行预测，得到预测结果；然后根据预存结果构建决策模型；再根据决策模型构建运筹学模型，最后对运筹学问题进行求解，以确定出每一组别下最优的offer选择方案。
本发明提供一种策略确定方法。所述策略确定方法通过确定目标客户群，并基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果，其中，所述目标场景中存在若干种不同营销方式；根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵；根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略。本发明通过先构建目标客户群的营销响应预测模型来对存在一种或是多种营销方式的场景下的客户行为进行预测，从而考虑到每个用户差异化的营销偏好；通过在营销响应预测结果的基础上构建决策矩阵，再利用决策矩阵建立运筹学模型，使得所建立的运筹学模型能够适用于同时存在多种营销方式的应用场景；最后通过运筹学模型得到目标客户群在一种或多种不同营销方式下的最优营销发放策略，尤其是在同时存在多种营销方式场景下，能够通过数学手段快速给出目标客户群的具有针对性的最优营销手段，可进一步提升获客率或者降低营销成本，从而解决了现有的营销手段选择方式的应用场景局限性较大的技术问题。
进一步地，基于上述图2所示的第一实施例，提出本发明策略确定方法的第二实施例。在本实施例中，步骤S30包括：
获取第一约束条件，根据所述第一约束条件与所述决策矩阵构建所述运筹学模型的第一目标函数，其中，所述第一约束条件对营销成本进行限定，所述第一目标函数用于求解在限定最高营销成本下的最大响应客户数量；
利用数学规划算法对所述第一目标函数进行求解，得到在限定最高营销成本下的最大响应客户数量，以基于所述最大响应客户数量确定所述最优营销发放策略。
在本实施例中，第一约束条件指的是对营销成本进行限定的约束条件，其至少限定了最高营销成本；第一目标函数指的是在限定了最高营销成本下的目标函数，对于第一目标函数求解所得的结果即为限定最高营销成本下的最大响应客户数量。
终端若确定出当前需要根据第一约束条件指定最优策略，则根据第一约束条件构建第一目标函数，然后采用合适的数学规划算法对函数进行求解，具体可运用Python、Matlab、Lingo等软件对其进行求解，以得出限定最高营销成本下针对一种或是多种营销方式对应的最大响应客户数量，再按照该最大响应客户数量制定出使用一种或是多种营销方式的最优营销发放策略。
进一步地，所述决策矩阵中包含若干组别，
所述第一约束条件包括：
x∈[0,1]，其中。Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本，C为所述最高营销成本，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数；
所述第一目标函数包括：
其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率。
在本实施例中，限定了最高营销成本为C，i表示具体的组别数，取值范围为[0，n]，n为组别总个数；j表示具体的营销方式种类序号，取值范围为[0，m]，m为营销方式总种类数最终求得的maxf(x)为限定最高营销成本C下的最大响应客户数量。例如目标场景中存在三种营销方式，则第一约束条件为：
第一目标函数为：
进一步地，步骤S30还包括：
获取第二约束条件，根据所述第二约束条件与所述决策矩阵构建所述运筹学模型的第二目标函数，其中，所述第二约束条件对最低营销客户数量进行限定，所述第二目标函数用于求解在限定最小营销客户数量下的最低营销成本；
利用数学规划算法对所述第二目标函数进行求解，得到在限定最小营销客户数量下的最低营销成本，以基于所述最低营销成本确定所述最优营销策略。
在本实施例中，第二约束条件指的是对进行限定的约束条件，其至少限定了最小营销客户数量；第二目标函数指的是在限定了最小营销客户数量下的目标函数，对于第一目标函数求解所得的结果即为限定最小营销客户数量下的最低营销成本。
终端若确定出当前需要根据第二约束条件指定最优策略，则根据第二约束条件构建第二目标函数，然后采用合适的数学规划算法对函数进行求解，以得出限定最小营销客户数量下针对一种或是多种营销方式对应的最低营销成本，再按照该最低营销成本制定出使用一种或是多种营销方式的最优营销发放策略。
进一步地，所述决策矩阵中包含若干组别，
所述第二约束条件包括：
xij∈[0,1]，其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数，N为所述最低营销客户数量；
所述第二目标函数包括：
其中，Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本。
在本实施例中，Cij，xij，Pij，m，n，i，j的含义与第一种情况相同，不同的是限定了最低营销客户数量为N，最终所求得的minf(x)为限定了最低营销客户数量N下的最低营销成本。例如，例如目标场景中存在三种营销方式，则第二约束条件为：
第二目标函数为：
进一步地，本实施例通过构建运筹学模型得到目标客户群在多种不同营销方式以及多种约束条件下的最优营销发放策略，从而能够通过数学手段快速确定出对于目标客户群的最优营销手段。
进一步地，基于上述图2所示的第一实施例，提出本发明策略确定方法的第三实施例。在本实施例中，所述目标场景中存在多种不同营销方式，
步骤S10之前，还包括：
获取历史场景中所述目标客户群对于多种不同所述营销方式的历史行为数据，并根据多种不同所述营销方式将所述历史行为数据进行分群；
利用机器学习算法，并基于分群后的历史行为数据建立所述目标客户群在多种不同所述营销方式下的营销响应预测模型。
在本实施例中，机器学习算法具体可包括逻辑回归算法、随机森林算法、梯度提升决策树(GBDT，Gradient Boosting Decision Tree)算法等。历史行为数据具体可为历史响应率。分群的依据是客户在不同的offer下的响应率表现。假设有A、B、C三种offer且三种offer均有一定规模的历史营销，即根据历史的测试数据建立用户在三种offer下的响应率预测模型。
进一步地，步骤S10包括：
确定当前场景为所述目标场景，利用所述营销响应预测模型预测出所述目标客户群在所述当前场景下分别对于多种不同所述营销方式的响应率以及概率值，以作为所述营销响应预测结果。
在本实施例中，若当前场景为本次最优策略制定任务中的目标场景，则终端通过训练好的营销响应预测模型预测出目标客户群在当前场景下分别对于多种offer的响应率，并输出有每种offer响应下的概率值，以将响应率与概率值作为上述营销响应预测结果。
进一步地，步骤S20包括：
根据所述概率值对所述响应率进行交叉分组，得到若干交叉组；
计算每一所述交叉组中各种所述营销方式的响应率与营销成本，以构建所述决策矩阵。
在本实施例中，终端根据每种offer响应下的概率值大小进行分段，再将所有offer响应下的概率值分段进行交叉分组。最终计算每个组下的各种offer的响应率和营销成本，以构建决策矩阵。
具体地，决策矩阵如图4所示。模型p值段即表示上述的概率值，具体分为P0-P1，P1-P2，P2-P3三段，offer包含A、B、C三种，并分为了若干组别，例如，响应值P11表示的是第一组别下A种类offer所对应的响应率，营销成本C23表示的是第二组别下C种类offer所对应的营销成本，表格中的其他数值以此类推。
进一步地，在现有技术中，使用意愿与offer响应虽具有一定相关性，但最终的营销手段是用户对offer是否响应，故预测使用意愿和实际应用目标具有一定偏差，而本实施例通过先构建目标客户群的营销响应预测模型来对存在多种营销方式的场景下的客户行为进行预测，再利用决策矩阵建立运筹学模型，最后通过运筹学模型得到目标客户群在多种不同营销方式下的最优营销发放策略，从而能够准确有效地对目标客户的使用意愿进行预测进行制定营销策略。
如图5所示，本发明还提供一种策略确定装置，所述策略确定装置包括：
营销响应预测模块10，用于确定目标客户群，并基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果，其中，所述目标场景中存在若干种不同营销方式；
决策矩阵构建模块20，用于根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵；
最优策略确定模块30，用于根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略。
上述各程序模块所执行的方法可参照本发明策略确定方法各个实施例，此处不再赘述。
本发明还提供一种策略确定设备。
所述策略确定设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的策略确定程序，其中所述策略确定程序被所述处理器执行时，实现如上所述的策略确定方法的步骤。
其中，所述策略确定程序被执行时所实现的方法可参照本发明策略确定方法的各个实施例，此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有策略确定程序，所述策略确定程序被处理器执行时实现如上所述的策略确定方法的步骤。
其中，所述策略确定程序被执行时所实现的方法可参照本发明策略确定方法各个实施例，此处不再赘述。
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、方法、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
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。
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，空调器，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他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种策略确定方法，其特征在于，所述策略确定方法包括：
确定目标客户群，并基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果，其中，所述目标场景中存在若干种不同营销方式；
根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵；
根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略。
2.如权利要求1所述的策略确定方法，其特征在于，所述根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略的步骤包括：
获取第一约束条件，根据所述第一约束条件与所述决策矩阵构建所述运筹学模型的第一目标函数，其中，所述第一约束条件对营销成本进行限定，所述第一目标函数用于求解在限定最高营销成本下的最大响应客户数量；
利用数学规划算法对所述第一目标函数进行求解，得到在限定最高营销成本下的最大响应客户数量，以基于所述最大响应客户数量确定所述最优营销发放策略。
3.如权利要求2所述的策略确定方法，其特征在于，所述决策矩阵中包含若干组别，
所述第一约束条件包括：
其中。Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本，C为所述最高营销成本，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数；
所述第一目标函数包括：
其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率。
4.如权利要求1所述的策略确定方法，其特征在于，所述根据所述决策矩阵建立运筹学模型，以基于所述运筹学模型确定出针对所述目标客户群在若干种不同营销方式下的最优营销发放策略的步骤包括：
获取第二约束条件，根据所述第二约束条件与所述决策矩阵构建所述运筹学模型的第二目标函数，其中，所述第二约束条件对最低营销客户数量进行限定，所述第二目标函数用于求解在限定最小营销客户数量下的最低营销成本；
利用数学规划算法对所述第二目标函数进行求解，得到在限定最小营销客户数量下的最低营销成本，以基于所述最低营销成本确定所述最优营销策略。
5.如权利要求4所述的策略确定方法，其特征在于，所述决策矩阵中包含若干组别，
所述第二约束条件包括：
其中，Pij为所述决策矩阵中第i组别下第j种所述营销方式的响应概率，xij为第i组别中客户是否使用第j种所述营销方式的取值，若使用则取值为1，不使用则取值为0，m为营销方式总种类数，n为组别总个数，N为所述最低营销客户数量；
所述第二目标函数包括：
其中，Cij为所述决策矩阵中第i组别下第j种所述营销方式的营销成本。
6.如权利要求1所述的策略确定方法，其特征在于，所述目标场景中存在多种不同营销方式，
所述基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果的步骤之前，还包括：
获取历史场景中所述目标客户群对于多种不同所述营销方式的历史行为数据，并根据多种不同所述营销方式将所述历史行为数据进行分群；
利用机器学习算法，并基于分群后的历史行为数据建立所述目标客户群在多种不同所述营销方式下的营销响应预测模型。
7.如权利要求6所述的策略确定方法，其特征在于，所述基于预设的营销响应预测模型得到所述目标客户群在目标场景下的营销响应预测结果的步骤包括：
确定当前场景为所述目标场景，利用所述营销响应预测模型预测出所述目标客户群在所述当前场景下分别对于多种不同所述营销方式的响应率以及概率值，以作为所述营销响应预测结果。
8.如权利要求7所述的策略确定方法，其特征在于，所述根据所述营销响应预测结果构建所述目标客户群对应的决策矩阵的步骤包括：
根据所述概率值对所述响应率进行交叉分组，得到若干交叉组；
计算每一所述交叉组中各种所述营销方式的响应率与营销成本，以构建所述决策矩阵。
9.一种策略确定设备，其特征在于，所述策略确定设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的策略确定程序，所述策略确定程序被所述处理器执行时实现如权利要求1至8中任一项所述的策略确定方法的步骤。
10.一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上存储有策略确定程序，所述策略确定程序被处理器执行时实现如权利要求1至8中任一项所述的策略确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011645153.3A CN112669084B (zh) | 2020-12-31 | 2020-12-31 | 策略确定方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011645153.3A CN112669084B (zh) | 2020-12-31 | 2020-12-31 | 策略确定方法、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669084A true CN112669084A (zh) | 2021-04-16 |
| CN112669084B CN112669084B (zh) | 2024-05-14 |
Family
ID=75412501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011645153.3A Active CN112669084B (zh) | 2020-12-31 | 2020-12-31 | 策略确定方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669084B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688326A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| CN113850611A (zh) * | 2021-08-02 | 2021-12-28 | 上海画龙信息科技有限公司 | 一种基于响应面的营销任务执行方法、装置和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050071223A1 (en) * | 2003-09-30 | 2005-03-31 | Vivek Jain | Method, system and computer program product for dynamic marketing strategy development |
| CN1870039A (zh) * | 2005-05-28 | 2006-11-29 | 长沙伍华科技开发有限公司 | 一种大规模One to One营销优化建模方法及装置 |
| US20170213236A1 (en) * | 2016-01-27 | 2017-07-27 | Adobe Systems Incorporated | Estimation of Causal Impact of Digital Marketing Content |
| CN107274201A (zh) * | 2016-04-07 | 2017-10-20 | 滴滴（中国）科技有限公司 | 基于用户画像的营销方法、装置及系统 |
| CN109598542A (zh) * | 2018-11-20 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种营销权益的投放方法、装置及电子设备 |
-
2020
- 2020-12-31 CN CN202011645153.3A patent/CN112669084B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050071223A1 (en) * | 2003-09-30 | 2005-03-31 | Vivek Jain | Method, system and computer program product for dynamic marketing strategy development |
| CN1870039A (zh) * | 2005-05-28 | 2006-11-29 | 长沙伍华科技开发有限公司 | 一种大规模One to One营销优化建模方法及装置 |
| US20170213236A1 (en) * | 2016-01-27 | 2017-07-27 | Adobe Systems Incorporated | Estimation of Causal Impact of Digital Marketing Content |
| CN107274201A (zh) * | 2016-04-07 | 2017-10-20 | 滴滴（中国）科技有限公司 | 基于用户画像的营销方法、装置及系统 |
| CN109598542A (zh) * | 2018-11-20 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种营销权益的投放方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李德强;: "基于客户细分的客户获取与保持的最优化投入模型研究", 价值工程, no. 12, pages 141 - 144 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850611A (zh) * | 2021-08-02 | 2021-12-28 | 上海画龙信息科技有限公司 | 一种基于响应面的营销任务执行方法、装置和电子设备 |
| CN113850611B (zh) * | 2021-08-02 | 2023-01-13 | 上海画龙信息科技有限公司 | 一种基于响应面的营销任务执行方法、装置和电子设备 |
| CN113688326A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| CN113688326B (zh) * | 2021-10-26 | 2022-02-08 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669084B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI703458B (zh) | 資料處理模型構建方法、裝置、伺服器和用戶端 | |
| WO2018103595A1 (zh) | 一种授权策略推荐方法及装置、服务器、存储介质 | |
| Oukil et al. | Ranking dispatching rules in multi-objective dynamic flow shop scheduling: a multi-faceted perspective | |
| CN106503269A (zh) | 应用推荐的方法、装置及服务器 | |
| CN109885452A (zh) | 性能监控方法、装置及终端设备 | |
| WO2020244152A1 (zh) | 数据推送方法、装置、计算机设备和存储介质 | |
| KR102087959B1 (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
| CN113298263B (zh) | 计算图处理、模型运行方法及装置、设备、服务器及终端 | |
| WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
| CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
| CN112669084A (zh) | 策略确定方法、设备及计算机可读存储介质 | |
| CN110827120A (zh) | 基于gan网络的模糊推荐方法、装置、电子设备及存储介质 | |
| CA3114298A1 (en) | Recommendation method and system and method and system for improving a machine learning system | |
| CN115619448A (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
| CN110322143B (zh) | 模型实体化管理方法、装置、设备及计算机存储介质 | |
| CN110909888A (zh) | 泛型决策树构建方法、装置、设备及可读存储介质 | |
| CN105162931B (zh) | 一种通信号码的分类方法及装置 | |
| CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN112598244A (zh) | 风险收益的管理方法、装置、系统及计算机可读存储介质 | |
| CN117057886A (zh) | 商品推荐方法、装置、设备及存储介质 | |
| CN115062676B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN110929526A (zh) | 样本生成方法、装置以及电子设备 | |
| CN115860835A (zh) | 基于人工智能的广告推荐方法、装置、设备及存储介质 | |
| CN115640454A (zh) | 一种产品推荐方法、系统、电子设备及存储介质 | |
| CN114897290A (zh) | 业务流程的演化识别方法、装置、终端设备以及存储介质 |
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 |