CN113449818A - 一种基于用户行为特征的优惠券额度动态调节方法 - Google Patents

一种基于用户行为特征的优惠券额度动态调节方法 Download PDF

Info

Publication number
CN113449818A
CN113449818A CN202110993110.2A CN202110993110A CN113449818A CN 113449818 A CN113449818 A CN 113449818A CN 202110993110 A CN202110993110 A CN 202110993110A CN 113449818 A CN113449818 A CN 113449818A
Authority
CN
China
Prior art keywords
user
behavior
users
weight
coupon
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
Application number
CN202110993110.2A
Other languages
English (en)
Other versions
CN113449818B (zh
Inventor
曾胜
曹权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Tehao Shangmeng Technology Co ltd
Original Assignee
Sichuan Tehao Shangmeng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Tehao Shangmeng Technology Co ltd filed Critical Sichuan Tehao Shangmeng Technology Co ltd
Priority to CN202110993110.2A priority Critical patent/CN113449818B/zh
Publication of CN113449818A publication Critical patent/CN113449818A/zh
Application granted granted Critical
Publication of CN113449818B publication Critical patent/CN113449818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0239—Online discounts or incentives
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于用户行为特征的优惠券额度动态调节方法，方法包括：一：采集并记录用户在t时间段内对商品的操作变量，进行组合后形成t时间段内的用户行为权重；二根据用户的优惠券购物信息计算出用户调整权重；三：对每个用户的个人信息进行聚类分析，获取每个用户的特征权重；四：根据公式并结合行为权重、调整权重和特征权重计算出每个用户的激励分数；五：将用户的激励分数和优惠额度均划分为M个等级，并将划分等级后的激励分数和优惠额度一一对应，最后获得用户的优惠额度等级。本发明根据用户行为特征计算出用户的激励等级，根据等级获得不同的优惠额度，使不同用户拿到的同种优惠券的优惠额度不同，形成个性化用户激励。

Description

一种基于用户行为特征的优惠券额度动态调节方法
技术领域
本发明涉及电子商务领域，尤其涉及一种基于用户行为特征的优惠券额度动态调节方法。
背景技术
优惠券是一种为各大电商所常用的一种促销手段，用户可以利用优惠券抵扣部分现金，激励用户下单购买，促进产品的销售。电商所用的优惠券为电子优惠券，不具有实物的形态。当客户领取优惠券以后，以数字形态与客户绑定，方便客户以后使用。
当前电商优惠券的优惠额度，都是通过后台运营人员手动设置，每个客户拿到的同一种优惠券优惠额度是固定不变的，由运营人员提前在系统中设置好。优惠券的额度在公司成本可接受的范围内，由人为固定设置，每个用户领取的同一种优惠券优惠额度一致，并没有考虑这个额度对每个用户的吸引力，用户领取优惠券后激励效果没有最大化。
如申请号为CN201910449607.0 专利申请公开了一个电子商务网站自动化优惠券推送方法，该方法包括步骤：1)监测到客户输入商品尺码、颜色信息；2)客户在T时间内未付款，则推送优惠券弹窗；优惠券的优惠方法包括步骤：21)收集客户浏览历史中与所选商品同类的商品信息；22)筛选价格与该商品差异不超过N的商品；23)将筛选出的商品的价格求平均值；24)平均值与该商品价格进行比较；所述比较方法包括步骤：(1)该商品的价格高于平均值，则给出优惠券金额为：该商品价格减去平均值的优惠券；(2)该商品的价格低于平均值，则给出任意优惠金额的优惠券，任意金额由商家自定义。该方案的优惠券的优惠金额的计算方法没有考虑用户行为特征的影响，因此计算出的优惠券优惠金额不是最佳的。
又如申请号为CN201811527288.2的专利申请提供了一种优惠券生成方法、装置、存储介质及电子设备，该优惠券生成方法应用于服务器；服务器对外提供信息服务接口，以及通过信息服务接口与至少一个第三方应用系统进行信息交互；该方法包括：配置或通过信息服务接口从第三方应用系统获取电子优惠券信息，电子优惠券信息包括多种优惠类型以及预设范围的优惠金额；基于用户的历史订单信息，将发送至用户终端的第一电子优惠券更新为第二电子优惠券；其中，第一电子优惠券为基于电子优惠券信息随机生成的。该方法虽然可以通过对电子优惠券的优惠类型和/或优惠金额进行动态更新，但是也未考虑用户行为特征对优惠券优惠金额的影响，因此该方案需要进一步进行改进。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于用户行为特征的优惠券额度动态调节方法，方法根据用户行为特征计算出用户的激励等级，根据等级获得不同的优惠额度，使不同用户拿到的同种优惠券的优惠额度不同，形成个性化用户激励，最大化优惠券对用户的激励效果，更高效的使用优惠券。
本发明的目的是通过以下技术方案来实现的：
一种基于用户行为特征的优惠券额度动态调节方法，包括以下步骤：
步骤一：获取用户行为权重，采集并记录用户在t时间段内对商品的操作变量，进行组合后形成t时间段内的用户行为权重；
步骤二：计算用户调整权重，根据用户的优惠券购物信息计算出用户调整权重；
步骤三：用户特征权重分析，对每个用户的个人信息进行聚类分析，获取每个用户的特征权重；
步骤四：激励分数计算，根据激励分数计算公式并结合用户行为权重、用户调整权重和用户的特征权重计算出每个用户的激励分数；
步骤五：优惠额度等级划分，将用户的激励分数和优惠额度均划分为M个等级，并将划分等级后的激励分数和优惠额度一一对应，最后获得用户的优惠额度等级。
具体的，步骤一具体包括以下子步骤：
S101，分别并采集记录一段时间t内每个用户的商品操作变量xj，操作变量xj具体 包括商品点击数
Figure DEST_PATH_IMAGE001
、商品详情页面停留时间
Figure DEST_PATH_IMAGE002
、购物车商品价值
Figure DEST_PATH_IMAGE003
、已购商品价格
Figure DEST_PATH_IMAGE004
、分享次 数
Figure DEST_PATH_IMAGE005
和优惠券使用次数
Figure DEST_PATH_IMAGE006
，并将记录的操作变量xj组成用户i的行为向量Xi，如下式所示：
Figure DEST_PATH_IMAGE007
，
同时将t时间段内m个用户的行为向量X组成形成用户行为矩阵U：
Figure DEST_PATH_IMAGE008
，n表示操作变量的个数，m表示用户的个数，
Figure DEST_PATH_IMAGE009
表示 第m个用户的第n个操作变量；
取行为矩阵U中用户i的行为向量
Figure DEST_PATH_IMAGE010
，把
Figure 841381DEST_PATH_IMAGE010
的操作变量
Figure DEST_PATH_IMAGE011
平移1，即将行为向量
Figure 571571DEST_PATH_IMAGE010
的 所有操作变量
Figure 413625DEST_PATH_IMAGE011
的值加1，获得平移后的行为向量
Figure DEST_PATH_IMAGE012
：
Figure DEST_PATH_IMAGE013
,
根据上述公式，把所有m个用户的行为向量进行加1操作，此时行为矩阵U变换为
Figure DEST_PATH_IMAGE014
：
Figure DEST_PATH_IMAGE015
S103：计算用户i的第j个操作变量的的标准化正向指标
Figure DEST_PATH_IMAGE016
：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
为行为矩阵
Figure DEST_PATH_IMAGE019
中的第i行j列的元素,
Figure DEST_PATH_IMAGE020
为矩阵中的第j个列的所有元 素, min, max分别为求最小值和最大值的函数，
Figure DEST_PATH_IMAGE021
表示计算行为矩阵
Figure 324948DEST_PATH_IMAGE019
中的第j个 列的所有元素中的最小值，
Figure DEST_PATH_IMAGE022
表示计算行为矩阵
Figure 450904DEST_PATH_IMAGE019
中第j个列的所有元素中的最大 值，即求操作变量j中的最小值和最大值；
计算出行为矩阵行为矩阵
Figure 335684DEST_PATH_IMAGE019
中全体用户的所有操作变量的标准化正向指标
Figure 602717DEST_PATH_IMAGE016
， 然后根据下标索引i和j，获得关于m个用户的标准化正向指标矩阵Y：
Figure DEST_PATH_IMAGE023
，n表示用户的n个标准化正向指标；
S104：基于标准化正向指标矩阵Y，定义用户i关于操作行为j的发生概率为
Figure DEST_PATH_IMAGE024
：
Figure DEST_PATH_IMAGE025
，
计算每类操作变量j的熵
Figure DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
；
定义熵向量E为所有操作变量j的熵
Figure 50885DEST_PATH_IMAGE026
的集合，所有的熵按操作变量的索引j排列， 获得熵向量E为：
Figure DEST_PATH_IMAGE028
；
S105：每个操作变量的熵
Figure 595130DEST_PATH_IMAGE026
确定操作变量xj的行为权重w j ，行为权重w j 的计算表达 式为：
Figure DEST_PATH_IMAGE029
，
定义权重向量W为操作变量的权重
Figure DEST_PATH_IMAGE030
的集合，所有的权重按操作变量的索引j排 列，获得权重向量W为：
Figure DEST_PATH_IMAGE031
；
S106：根据权重向量W，计算第i个用户的行为的得分z i ：
Figure DEST_PATH_IMAGE032
，
其中，i表示用户的索引，
Figure DEST_PATH_IMAGE033
为U矩阵中的i行j列的元素，表示用户i的第j个操作 变量；
Figure 843620DEST_PATH_IMAGE030
表示操作j的权重；
从而得到所有用户的行为评分的集合，以向量Z来表示，所有的评分按用户索引i排列；
Figure DEST_PATH_IMAGE034
。
具体的，所述步骤二具体包括以下子步骤：
S201: 计算一段时间t内m个用户使用优惠券购物的总金额，第i个用户使用购物 的总金额用
Figure DEST_PATH_IMAGE035
表示；
S202: 计算一段时间t内n个用户中每个用户使用优惠券购物所占的比例作为调整权重：
Figure DEST_PATH_IMAGE036
其中，
Figure 784900DEST_PATH_IMAGE035
为上一步骤中计算的第i个用户的购物券购物的总金额，
Figure DEST_PATH_IMAGE037
表示第i个用 户的总金额在所有用户的购物总金额中占的比重；
将所有m个用户的比重集合组成比重向量T，所有的比重按用户索引i排列;
Figure DEST_PATH_IMAGE038
。
具体的，所述步骤三具体包括：根据用户的基本信息，利用聚类算法将所有用户划分成k个用户群，计算用户i所在用户群的购买力水平公式如下；
Figure DEST_PATH_IMAGE039
其中，
Figure DEST_PATH_IMAGE040
表示用户i在 t时间内的总的购买金额，
Figure DEST_PATH_IMAGE041
表示用户i所在的用户群 的所有用户在t时间段内的总的购买金额，
Figure DEST_PATH_IMAGE042
表示i用户的购买力特征权重；
计算出所有m个用户的购买力特征向量H，所有的购买力特征按用户索引i排列，获得购买力向量H为：
Figure DEST_PATH_IMAGE043
。
具体的，所述激励分数计算公式如下式所示：
Figure DEST_PATH_IMAGE044
式中，α和β为超参数，由运营人员根据实际运营情况设置；
Figure DEST_PATH_IMAGE045
为用户i的评分，
Figure DEST_PATH_IMAGE046
为用户的比重，
Figure DEST_PATH_IMAGE047
为购买力评价，最后，
Figure DEST_PATH_IMAGE048
为用户i的激励分数。
具体的，步骤五具体包括以下子步骤：
S501：根据预设的优惠券最大金额分成M个等级的优惠额度；
S502：根据每个用户的激励分数
Figure 20447DEST_PATH_IMAGE048
，按从高到低的顺序对每个用户进行排名；
S503：根据步骤S502的用户排名结果，以从高到低的顺序将用户分成M个等级，每个等级的用户与每个等级的优惠额度一一对应，从而获得每个用户的优惠额度等级。
本发明的有益效果：
1.本发明根据用户行为特征计算出用户的激励等级，根据等级获得不同的优惠额度，使不同用户拿到的同种优惠券的优惠额度不同，形成个性化用户激励，最大化优惠券对用户的激励效果，更高效的使用优惠券。
2.本发明可以根据用户的行为特征自动计算权重，避免了传统的人为打分，专家判断带来的主观性。
3.本发明计算出的用户行为特征可以根据实际情况增加或者减少，提高了系统的普适性。
4.本发明为了防止部分用户的故意操作引起系统计算结果的异常波动，引入了用户购买力分群，减少异常用户操作行为对计算的影响。
5.本发明设置的权重调整参数给运营人员调整系统偏差的机会，可以根据外界宏观信息，影响系统的计算行为。
6.本发明提供的用户群聚类可以离线计算，整个计算过程主要为一般的加减乘除等基本运算，因而实时计算效率很高。
附图说明
图1是本发明的方法步骤流程框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
本实施例中，如图1所示，一种基于用户行为特征的优惠券额度动态调节方法，包括以下步骤：
步骤一：获取用户行为权重，采集并记录用户在t时间段内对商品的操作变量，进行组合后形成t时间段内的用户行为权重；
步骤二：计算用户调整权重，根据用户的优惠券购物信息计算出用户调整权重；
步骤三：用户特征权重分析，对每个用户的个人信息进行聚类分析，获取每个用户的特征权重；
步骤四：激励分数计算，根据激励分数计算公式并结合用户行为权重、用户调整权重和用户的特征权重计算出每个用户的激励分数；
步骤五：优惠额度等级划分，将用户的激励分数和优惠额度均划分为M个等级，并将划分等级后的激励分数和优惠额度一一对应，最后获得用户的优惠额度等级。
本实施例中，根据用户行为动态调节优惠券额度，方法流程包括：通过记录一段时间t内用户的行为，计算出当前访问网站的所有用户的访问权重项Z，再根据本用户过去的优惠券成交金额计算出调整权重项T，最后计算用户的特征权重H。
方法结合访问权重Z和调整权重T，用户特征权重H，最终求出某个用户的激励性得分F，对t时间段内的所有用户的激励性得分F从高到低排名，把用户分成M个等级。
运营人员把优惠额度分成M个等级，每个等级额度不同，从高到低排序，把用户的M个等级和优惠额度的M个等级一一对应，从而得出该等级用户的优惠券优惠额度。
该方法分成四大步骤：第一步根据用户一段时间t内的行为计算用户的行为权重；第二步根据用户过去的优惠券购买金额计算用户的调整权重；第三步计算用户的特征权重；第四步通过结合行为权重，调整权重和特征权重，获得最终的激励得分；第五步把用户按激励得分分成M个等级，优惠额度也分成M个等级，一一映射用户到对应的优惠额度等级。
本实施例可以达到以下技术效果：
本实施例的方法根据用户行为特征计算出用户的激励等级，根据等级获得不同的优惠额度，使不同用户拿到的同种优惠券的优惠额度不同，形成个性化用户激励，最大化优惠券对用户的激励效果，更高效的使用优惠券。
实施例二：
本实施例中，方法具体流程如下：
一、计算t时间内用户行为权重：
步骤1：本实施例用操作变量代表用户的操作行为，在一段时间t内可能有n个用户 访问系统，每个用户有m个操作行为，我们定义i为用户索引，j为用户的操作变量的索引。定 义
Figure DEST_PATH_IMAGE049
表示某个用户的第j个操作变量。用户i的所有操作变量xj组成用户i的行为向量，用
Figure DEST_PATH_IMAGE050
表示， 因此
Figure DEST_PATH_IMAGE051
表示第i个用户的第j个操作变量。操作变量xj具体包括商品点击数
Figure DEST_PATH_IMAGE052
、 商品详情页面停留时间
Figure DEST_PATH_IMAGE053
、购物车商品价值
Figure DEST_PATH_IMAGE054
、已购商品价格
Figure DEST_PATH_IMAGE055
、分享次数
Figure DEST_PATH_IMAGE056
和优惠 券使用次数
Figure DEST_PATH_IMAGE057
等。同时将t时间段内所有m个用户的行为向量X组成用户行为矩阵U；
某个用户i的j个操作变量组成的行为向量具体定义如下：
Figure DEST_PATH_IMAGE058
t 时段内m个用户的行为矩阵U定义如下， n表示操作变量的个数，m表示用户的个 数，
Figure DEST_PATH_IMAGE059
表示第m个用户的第n个操作变量，获得行为矩阵U为：
Figure DEST_PATH_IMAGE060
因此，矩阵U大小为m行n例，代表了t时间内所有用户的操作行为。U中的行向量代表一个用户的行为，m行表示总共有m个用户。
步骤2：对行为向量X的各分量
Figure 36509DEST_PATH_IMAGE049
平移1，以防止后面计算时候出现为0情况，造成计 算无意义。取矩阵U中某个用户i的行为向量
Figure DEST_PATH_IMAGE061
，把
Figure 840254DEST_PATH_IMAGE061
的操作变量
Figure 144197DEST_PATH_IMAGE049
平移1，即将向量
Figure 232369DEST_PATH_IMAGE061
的 所有分量
Figure 938157DEST_PATH_IMAGE049
的值加1，即X变换为
Figure DEST_PATH_IMAGE062
；
Figure DEST_PATH_IMAGE063
因为矩阵中U中的每一行都做了加1操作，因此矩阵U变换为
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE065
。
步骤3：因为矩阵
Figure 522591DEST_PATH_IMAGE064
中的行为变量的单位不同，需要做标准化处理。用户i的行为变 量的标准化指标可分为正向指标和负向指标，正向指标表示结果值越大效果越好，负向指 标表示结果值越小效果越好，此处选择正向指标进行说明，选择负向指标最终效果一样，不 影响方法说明。
定义某个用户i的第j个操作变量的标准化指标
Figure DEST_PATH_IMAGE066
如下：
Figure DEST_PATH_IMAGE067
其中
Figure DEST_PATH_IMAGE068
,
Figure DEST_PATH_IMAGE069
均来自于上面步骤中的矩阵
Figure 444323DEST_PATH_IMAGE064
, 其中min, max分别为求最小值和最 大值的函数。
Figure DEST_PATH_IMAGE070
表示计算所有
Figure 585454DEST_PATH_IMAGE069
中的最小值，
Figure DEST_PATH_IMAGE071
表示计算所有
Figure 395016DEST_PATH_IMAGE069
中的最 大值，即求操作变量j中的最小和最大值。
根据上面的公式，计算出矩阵
Figure 228980DEST_PATH_IMAGE064
中全体用户的所有行为变量的标准化正向指标
Figure DEST_PATH_IMAGE072
，然后根据索引i和j，获得用户的标准化指标矩阵Y；
Figure DEST_PATH_IMAGE073
Y矩阵为m行n列，表示矩阵有m个用户，每个用户n个标准化指标。
步骤4：基于标准化指标矩阵Y，定义用户i的行为j发生的概率
Figure DEST_PATH_IMAGE074
：
Figure DEST_PATH_IMAGE075
；
本实施例中，此处所谓概率其实是一个比例，计算是用户i的操作变量（操作行为）j在所有用户的操作变量j中的比例，是为了后续的熵计算而做的。评估的是用户i的操作变量j在所有用户的操作变量j中的影响程度。方法总体思路来说，是为了评估t时刻内某个用户在一群用户中的重要性程度，因此，此处虽然操作是独立的，但是重要性影响关系是存在的。
在m个用户中，每个用户关于相同操作变量j的行为属性是不同的，例如用户A和用 户B同时浏览过同一商品，用户A浏览商品的时长比用户B要长，通过计算用户A和用户B关于 同一操作行为（即操作变量j）的熵值，可以评判出在相同类型的行为条件下，用户A和用户B 对于同一商品的关注度，即用户A的熵值大于用户B的熵值，用户A关于该商品的关注度比用 户B高。利用上面的概率公式，计算每类操作变量j的熵
Figure DEST_PATH_IMAGE076
，公式如下：
Figure 428886DEST_PATH_IMAGE027
；
上述计算中，若
Figure DEST_PATH_IMAGE077
，则定义
Figure DEST_PATH_IMAGE078
,
定义熵向量E为所有操作变量j的熵
Figure 186758DEST_PATH_IMAGE076
的集合， 所有的熵按操作变量的索引j排 列。
Figure DEST_PATH_IMAGE079
因为系统有n个操作变量，因而有n个熵值。
步骤5：对每个操作变量的熵
Figure 850826DEST_PATH_IMAGE076
确定xj的行为权重w j ，行为权重w j 的计算表达式 为：
Figure DEST_PATH_IMAGE080
定义权重向量W为操作变量的权重
Figure DEST_PATH_IMAGE081
的集合，所有的权重按操作变量的索引j排 列。
Figure DEST_PATH_IMAGE082
因为系统有n个操作变量，因而有n个权重值。
步骤6：根据上面的权重向量W， 计算第i个用户的行为的得分z i ，
Figure DEST_PATH_IMAGE083
。
其中，i表示用户的索引，
Figure DEST_PATH_IMAGE084
表示用户i的第j个操作，
Figure 60220DEST_PATH_IMAGE081
表示操作j的权重。
从而得到所有用户的行为评分的集合，以向量Z来表示，所有的评分按用户索引i排列。
Figure DEST_PATH_IMAGE085
因为系统有m个用户，所以有m个行为评分值。
二、计算用户调整权重T i ，具体包括以下子步骤：
S201: 计算一段时间t内m个用户使用优惠券购物的总金额，第i个用户使用购物 的总金额用
Figure DEST_PATH_IMAGE086
表示。
S202: 计算一段时间t内m个用户中每个用户使用优惠券购物所占的比例作为调整权重：
Figure DEST_PATH_IMAGE087
。
其中，
Figure DEST_PATH_IMAGE088
为上一步骤中计算的第i个用户的购物券购物的总金额，
Figure DEST_PATH_IMAGE089
表示第i个用 户的总金额在所有用户的购物总金额中占的比重。
所有m个用户的比重集合组成比重向量T，所有的比重按用户索引i排列。
Figure DEST_PATH_IMAGE090
因为系统有m个用户，所以有m个行为比重值。
三、计算用户特征权重：
通过用户的基本信息，比如姓名，性别，年龄，终端类型，地级市GDP情况，利用聚类算法将所有用户划分成k个用户群，计算每个用户在所在群的购买力水平。 计算用户i所在用户群的购买力水平公式如下；
Figure DEST_PATH_IMAGE091
其中，
Figure DEST_PATH_IMAGE092
表示用户i在 t时间内的总的购买金额，
Figure DEST_PATH_IMAGE093
表示用户i所在的用户 群的所有用户在t时间段内的总的购买金额，
Figure DEST_PATH_IMAGE094
表示i用户的购买力特征权重。
计算出所有m个用户的购买力特征向量H，所有的购买力特征按用户索引i排列：
Figure DEST_PATH_IMAGE095
因为系统有m个用户，所以有m个行为购买力特征值。
四、计算出最终的得分：
综合上面步骤中的用户的评分向量Z, 比重向量T, 购买力向量H, 计算出所有用户的激励分数。
用户i的激励分数计算公式为：
Figure DEST_PATH_IMAGE096
式中，α和β为超参数，由运营人员根据实际运营情况设置；
Figure DEST_PATH_IMAGE097
为用户i的评分，
Figure DEST_PATH_IMAGE098
为用户的比重，
Figure DEST_PATH_IMAGE099
为购买力评价，最后，
Figure DEST_PATH_IMAGE100
为用户i的激励分数。
五、映射到优惠券等级：
步骤1：根据优惠券最大金额，分成M个等级，每个等级由人工设定具体的金额，每个等级的金额大小不同。
步骤2： 根据计算结果
Figure 934373DEST_PATH_IMAGE100
，按从高到低对用户进行排名。
步骤3： 根据步骤2的排名，把用户从高到低分成M个等级。每个等级的用户对应优惠券的相应等级。从而计算出该用户优惠券的具体金额。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于用户行为特征的优惠券额度动态调节方法，其特征在于，包括以下步骤：
步骤一：获取用户行为权重，采集并记录用户在t时间段内对商品的操作变量，进行组合后形成t时间段内的用户行为权重；
步骤二：计算用户调整权重，根据用户的优惠券购物信息计算出用户调整权重；
步骤三：用户特征权重分析，对每个用户的个人信息进行聚类分析，获取每个用户的特征权重；
步骤四：激励分数计算，根据激励分数计算公式并结合用户行为权重、用户调整权重和用户的特征权重计算出每个用户的激励分数；
步骤五：优惠额度等级划分，将用户的激励分数和优惠额度均划分为M个等级，并将划分等级后的激励分数和优惠额度一一对应，最后获得用户的优惠额度等级。
2.根据权利要求1所述的一种基于用户行为特征的优惠券额度动态调节方法，其特征在于，所述步骤一具体包括以下子步骤：
S101，分别并采集记录一段时间t内每个用户的商品操作变量xj，操作变量xj具体包括商品点击数
Figure 577374DEST_PATH_IMAGE001
、商品详情页面停留时间
Figure 25673DEST_PATH_IMAGE002
、购物车商品价值
Figure 999486DEST_PATH_IMAGE003
、已购商品价格
Figure 66799DEST_PATH_IMAGE004
、分享次数
Figure 412330DEST_PATH_IMAGE005
和优惠券使用次数
Figure 906896DEST_PATH_IMAGE006
，并将记录的操作变量xj组成用户i的行为向量Xi，如下式所示：
Figure 846034DEST_PATH_IMAGE007
，
同时将t时间段内m个用户的行为向量X组成形成用户行为矩阵U：
Figure 576092DEST_PATH_IMAGE008
，n表示操作变量的个数，m表示用户的个数，
Figure 415610DEST_PATH_IMAGE009
表示第m个用户的第n个操作变量；
S102：取行为矩阵U中用户i的行为向量
Figure 877815DEST_PATH_IMAGE010
，把
Figure 38669DEST_PATH_IMAGE010
的操作变量
Figure 306840DEST_PATH_IMAGE011
平移1，即将行为向量
Figure 502329DEST_PATH_IMAGE010
的所有操作变量
Figure 102812DEST_PATH_IMAGE011
的值加1，获得平移后的行为向量
Figure 16542DEST_PATH_IMAGE012
：
Figure 88403DEST_PATH_IMAGE013
,
根据上述公式，把所有m个用户的行为向量进行加1操作，此时行为矩阵U变换为
Figure 138398DEST_PATH_IMAGE014
：
Figure 145669DEST_PATH_IMAGE015
S103：计算用户i的第j个操作变量的的标准化正向指标
Figure 405749DEST_PATH_IMAGE016
：
Figure 389623DEST_PATH_IMAGE017
其中，
Figure 684338DEST_PATH_IMAGE018
为行为矩阵
Figure 393668DEST_PATH_IMAGE019
中的第i行j列的元素,
Figure 16410DEST_PATH_IMAGE020
为矩阵中的第j个列的所有元素,min, max分别为求最小值和最大值的函数，
Figure 305440DEST_PATH_IMAGE021
表示计算行为矩阵
Figure 454662DEST_PATH_IMAGE019
中的第j个列的所有元素中的最小值，
Figure 302270DEST_PATH_IMAGE022
表示计算行为矩阵
Figure 412309DEST_PATH_IMAGE019
中第j个列的所有元素中的最大值，即求操作变量j中的最小值和最大值；
计算出行为矩阵行为矩阵
Figure 364084DEST_PATH_IMAGE019
中全体用户的所有操作变量的标准化正向指标
Figure 243178DEST_PATH_IMAGE016
，然后根据下标索引i和j，获得关于m个用户的标准化正向指标矩阵Y：
Figure 153365DEST_PATH_IMAGE023
，n表示用户的n个标准化正向指标；
S104：基于标准化正向指标矩阵Y，定义用户i关于操作行为j的发生概率为
Figure 485121DEST_PATH_IMAGE024
：
Figure 880068DEST_PATH_IMAGE025
，
计算每类操作变量j的熵
Figure 738302DEST_PATH_IMAGE026
Figure 429178DEST_PATH_IMAGE027
；
定义熵向量E为所有操作变量j的熵
Figure 372863DEST_PATH_IMAGE026
的集合，所有的熵按操作变量的索引j排列，获得熵向量E为：
Figure 338545DEST_PATH_IMAGE028
；
S105：每个操作变量的熵
Figure 926652DEST_PATH_IMAGE026
确定操作变量xj的行为权重w j ，行为权重w j 的计算表达式为：
Figure 647484DEST_PATH_IMAGE029
，
定义权重向量W为操作变量的权重
Figure 452366DEST_PATH_IMAGE030
的集合，所有的权重按操作变量的索引j排列，获得权重向量W为：
Figure 690581DEST_PATH_IMAGE031
；
S106：根据权重向量W，计算第i个用户的行为的得分z i ：
Figure 523408DEST_PATH_IMAGE032
，
其中，i表示用户的索引，
Figure 556086DEST_PATH_IMAGE033
为U矩阵中的i行j列的元素，表示用户i的第j个操作变量；
Figure 474363DEST_PATH_IMAGE030
表示操作j的权重；
从而得到所有用户的行为评分的集合，以向量Z来表示，所有的评分按用户索引i排列；
Figure 516268DEST_PATH_IMAGE034
。
3.根据权利要求1所述的一种基于用户行为特征的优惠券额度动态调节方法，其特征在于，所述步骤二具体包括以下子步骤：
S201: 计算一段时间t内m个用户使用优惠券购物的总金额，第i个用户使用购物的总金额用
Figure 311924DEST_PATH_IMAGE035
表示；
S202: 计算一段时间t内n个用户中每个用户使用优惠券购物所占的比例作为调整权重：
Figure 640137DEST_PATH_IMAGE036
其中，
Figure 921077DEST_PATH_IMAGE035
为上一步骤中计算的第i个用户的购物券购物的总金额，
Figure 297832DEST_PATH_IMAGE037
表示第i个用户的总金额在所有用户的购物总金额中占的比重；
将所有m个用户的比重集合组成比重向量T，所有的比重按用户索引i排列;
Figure 715038DEST_PATH_IMAGE038
。
4.根据权利要求1所述的一种基于用户行为特征的优惠券额度动态调节方法，其特征在于，所述步骤三具体包括：根据用户的基本信息，利用聚类算法将所有用户划分成k个用户群，计算用户i所在用户群的购买力水平公式如下；
Figure 214152DEST_PATH_IMAGE039
其中，
Figure 480923DEST_PATH_IMAGE040
表示用户i在 t时间内的总的购买金额，
Figure 723686DEST_PATH_IMAGE041
表示用户i所在的用户群的所有用户在t时间段内的总的购买金额，
Figure 995398DEST_PATH_IMAGE042
表示i用户的购买力特征权重；
计算出所有m个用户的购买力特征向量H，所有的购买力特征按用户索引i排列，获得购买力向量H为：
Figure 806359DEST_PATH_IMAGE043
。
5.根据权利要求1所述的一种基于用户行为特征的优惠券额度动态调节方法，其特征在于，所述步骤四中的激励分数计算公式如下式所示：
Figure 920946DEST_PATH_IMAGE044
式中，α和β为超参数，由运营人员根据实际运营情况设置；
Figure 842765DEST_PATH_IMAGE045
为用户i的评分，
Figure 998678DEST_PATH_IMAGE046
为用户的比重，
Figure 246120DEST_PATH_IMAGE047
为购买力评价，最后，
Figure 848002DEST_PATH_IMAGE048
为用户i的激励分数。
6.根据权利要求1所述的一种基于用户行为特征的优惠券额度动态调节方法，其特征在于，所述步骤五具体包括以下子步骤：
S501：根据预设的优惠券最大金额分成M个等级的优惠额度；
S502：根据每个用户的激励分数
Figure 307934DEST_PATH_IMAGE048
，按从高到低的顺序对每个用户进行排名；
S503：根据步骤S502的用户排名结果，以从高到低的顺序将用户分成M个等级，每个等级的用户与每个等级的优惠额度一一对应，从而获得每个用户的优惠额度等级。
CN202110993110.2A 2021-08-27 2021-08-27 一种基于用户行为特征的优惠券额度动态调节方法 Active CN113449818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110993110.2A CN113449818B (zh) 2021-08-27 2021-08-27 一种基于用户行为特征的优惠券额度动态调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110993110.2A CN113449818B (zh) 2021-08-27 2021-08-27 一种基于用户行为特征的优惠券额度动态调节方法

Publications (2)

Publication Number Publication Date
CN113449818A true CN113449818A (zh) 2021-09-28
CN113449818B CN113449818B (zh) 2021-11-23

Family

ID=77818846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110993110.2A Active CN113449818B (zh) 2021-08-27 2021-08-27 一种基于用户行为特征的优惠券额度动态调节方法

Country Status (1)

Country Link
CN (1) CN113449818B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739662A (zh) * 2023-08-14 2023-09-12 广州淘通科技股份有限公司 一种电子优惠券信息的异常检测方法、装置及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1008090A1 (en) * 1997-08-29 2000-06-14 Catalina Marketing International, Inc. Method and apparatus for generating purchase incentives based on price differentials
US20130325608A1 (en) * 2009-01-21 2013-12-05 Truaxis, Inc. Systems and methods for offer scoring
US20130325587A1 (en) * 2009-01-21 2013-12-05 Truaxis, Inc. System and method for managing campaign effectiveness by a merchant
CN105761104A (zh) * 2016-02-05 2016-07-13 腾讯科技（深圳）有限公司 一种信息处理方法及服务器
KR20170075695A (ko) * 2017-06-20 2017-07-03 주식회사 이베이코리아 온라인 쇼핑을 위한 검색 서비스 방법과 그 검색 서비스 방법을 실행하기 위한 프로그램이 기록된 기록매체
CN109147064A (zh) * 2018-09-18 2019-01-04 西安艾润物联网技术服务有限责任公司 停车场收费方法、装置、设备以及可读存储介质
CN110135900A (zh) * 2019-05-09 2019-08-16 达疆网络科技(上海)有限公司 一种基于用户行为的实时优惠券发放方法
CN111814062A (zh) * 2020-09-10 2020-10-23 平安国际智慧城市科技股份有限公司 信息推送方法、装置、服务器及存储介质
CN112767177A (zh) * 2020-12-30 2021-05-07 中国人寿保险股份有限公司上海数据中心 基于随机森林进行客户等级划分的保险客户信息管理系统
CN113095723A (zh) * 2021-04-30 2021-07-09 中国银行股份有限公司 优惠券的推荐方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1008090A1 (en) * 1997-08-29 2000-06-14 Catalina Marketing International, Inc. Method and apparatus for generating purchase incentives based on price differentials
US20130325608A1 (en) * 2009-01-21 2013-12-05 Truaxis, Inc. Systems and methods for offer scoring
US20130325587A1 (en) * 2009-01-21 2013-12-05 Truaxis, Inc. System and method for managing campaign effectiveness by a merchant
CN105761104A (zh) * 2016-02-05 2016-07-13 腾讯科技（深圳）有限公司 一种信息处理方法及服务器
KR20170075695A (ko) * 2017-06-20 2017-07-03 주식회사 이베이코리아 온라인 쇼핑을 위한 검색 서비스 방법과 그 검색 서비스 방법을 실행하기 위한 프로그램이 기록된 기록매체
CN109147064A (zh) * 2018-09-18 2019-01-04 西安艾润物联网技术服务有限责任公司 停车场收费方法、装置、设备以及可读存储介质
CN110135900A (zh) * 2019-05-09 2019-08-16 达疆网络科技(上海)有限公司 一种基于用户行为的实时优惠券发放方法
CN111814062A (zh) * 2020-09-10 2020-10-23 平安国际智慧城市科技股份有限公司 信息推送方法、装置、服务器及存储介质
CN112767177A (zh) * 2020-12-30 2021-05-07 中国人寿保险股份有限公司上海数据中心 基于随机森林进行客户等级划分的保险客户信息管理系统
CN113095723A (zh) * 2021-04-30 2021-07-09 中国银行股份有限公司 优惠券的推荐方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHIHAO YI 等: "Purchase Behavior Prediction in M-Commerce with an Optimized Sampling Methods", 《2015 IEEE 15TH INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS》 *
何嘉伟: "电子商户环境下的用户优惠券使用行为预测", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
韩琮师: "K-means聚类算法优化及其在电商平台精准营销中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739662A (zh) * 2023-08-14 2023-09-12 广州淘通科技股份有限公司 一种电子优惠券信息的异常检测方法、装置及系统
CN116739662B (zh) * 2023-08-14 2024-02-20 广州淘通科技股份有限公司 一种电子优惠券信息的异常检测方法、装置及系统

Also Published As

Publication number Publication date
CN113449818B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN110222272B (zh) 一种潜在客户挖掘与推荐方法
US20210334845A1 (en) Method and system for generation of at least one output analytic for a promotion
Brynjolfsson et al. The great equalizer? Consumer choice behavior at Internet shopbots
CN111127155A (zh) 商品推荐方法、装置、服务器和存储介质
CN112200601B (zh) 物品推荐方法、装置及可读存储介质
WO2022095701A1 (zh) 一种对象推荐方法及装置、设备、存储介质
CN113516496B (zh) 广告转化率预估模型构建方法、装置、设备及其介质
Baecke et al. Improving purchasing behavior predictions by data augmentation with situational variables
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
CN116385048B (zh) 一种农产品智慧营销方法和系统
Gangurde et al. Building prediction model using market basket analysis
CN113449818B (zh) 一种基于用户行为特征的优惠券额度动态调节方法
CN114493361A (zh) 一种商品推荐算法的有效性评估方法和装置
Gunawan et al. Online Groceries Segmentation of Brand, Shopping Convenience, and Adoption to Influence Consumer Purchase Intention.
Coenen et al. The improvement of response modeling: combining rule-induction and case-based reasoning
CN116611796B (zh) 一种店铺交易数据的异常检测方法及装置
Badiee et al. A monopoly pricing model for diffusion maximization based on heterogeneous nodes and negative network externalities (Case study: A novel product)
CN116228280A (zh) 基于大数据的用户需求预测方法
Lee et al. A personalized trustworthy seller recommendation in an open market
TWM600893U (zh) 商品推薦裝置
CN116308466B (zh) 数据信息采集与智能分析方法、系统、设备和存储介质
Mahdiloo et al. Optimal direct mailing modelling based on data envelopment analysis
Yadav et al. Prediction Of Online Shopper’s Buying Intention Using Algorithms Of Pyspark Mllib
Bai et al. Practical constrained optimization of auction mechanisms in E-commerce sponsored search advertising
Jamshidi et al. AN EMPIRICAL CLASSIFICATION OF ABC INVENTORY SYSTEM WITH CRITICAL ITEMS AND EXPONENTIAL SMOOTHING WEIGHTS.

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