CN113723997A - 潜在客户的推送方法、装置及电子设备 - Google Patents

Abstract

本说明书实施例提供一种潜在客户的推送方法、装置及电子设备。所述方法包括：获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据；对源数据执行预处理操作，得到总项目样本数据集，并拆分得到若干个分项目样本数据集；分别对总项目模型和分项目模型进行训练，并对训练后的总项目模型和分项目模型进行评估；利用部署到线上的总项目模型以及分项目模型，对后续业务过程中的线上用户的到访率进行预测和排序，根据排序结果确定潜在客户，以便将潜在客户推送给指定对象。本公开能够体现不同项目之间的差异，实现了对模型预测效果的评估，提升预测结果的准确性。

Description

潜在客户的推送方法、装置及电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种潜在客户的推送方法、装置及电子设备。

背景技术

随着互联网技术的发展，各行各业出现了大量的业务平台，用来满足用户对线上业务的需求，然而，一些线上业务需要在线下的实际业务场景中实现，比如以潜在客户的推送场景为例，首先需要判断线上用户中哪些是高质量的潜在客户，从而基于这些高潜客户进行业务推送。

相关技术中，虽然一些技术方案实现了利用机器学习模型对用户进行预测，从而判断哪些用户是最可能被转化的潜在客户，但是，目前已知的潜客推送方案中，受到场景的限制只能够获取单一维度的用户信息，对用户信息的处理比较简单，更无法区分不同项目之间的差异，也不会对模型之间进行评估和筛选，模型预测结果的准确性比较低，另外，现有的潜客推荐算法的架构大多比较复杂，使用成本高。

基于现有技术，需要提供一种通过对多维度的信息进行处理，体现不同项目之间的差异，并实现对模型预测效果的评估，提升预测结果准确性，降低系统复杂度和使用成本的潜在客户推送方案。

发明内容

有鉴于此，本公开实施例提供了一种潜在客户的推送方法、装置及电子设备，以解决现有技术存在的无法区分不同项目之间的差异，无法对模型预测效果进行评估，预测结果准确性低的问题。

本公开实施例的第一方面，提供了一种潜在客户的推送方法，包括：获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，其中，用户行为数据用于表示线上用户针对项目对应的线上程序界面的操作行为；对用户行为数据、项目信息数据和线下业务数据执行预处理操作，得到总项目样本数据集，并根据项目标识将总样本数据集拆分成若干个分项目样本数据集；利用总项目样本数据集对总项目模型进行训练，并利用分项目样本数据集对分项目模型进行训练，其中，总项目模型和分项目模型用于线上用户对项目的到访率进行预测；利用预定的模型评估算法对训练后的总项目模型和分项目模型进行评估，基于评估结果确定部署到线上的总项目模型以及分项目模型；利用部署到线上的总项目模型以及分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对后续业务过程中的线上用户进行排序，将排序结果满足预设要求的后续业务过程中的线上用户作为潜在客户，以便将潜在客户推送给指定对象。

本公开实施例的第二方面，提供了一种潜在客户的推送装置，包括：获取模块，被配置为获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，其中，用户行为数据用于表示线上用户针对项目对应的线上程序界面的操作行为；预处理模块，被配置为对用户行为数据、项目信息数据和线下业务数据执行预处理操作，得到总项目样本数据集，并根据项目标识将总样本数据集拆分成若干个分项目样本数据集；训练模块，被配置为利用总项目样本数据集对总项目模型进行训练，并利用分项目样本数据集对分项目模型进行训练，其中，总项目模型和分项目模型用于线上用户对项目的到访率进行预测；评估模块，被配置为利用预定的模型评估算法对训练后的总项目模型和分项目模型进行评估，基于评估结果确定部署到线上的总项目模型以及分项目模型；预测模块，被配置为利用部署到线上的总项目模型以及分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对后续业务过程中的线上用户进行排序，将排序结果满足预设要求的后续业务过程中的线上用户作为潜在客户，以便将潜在客户推送给指定对象。

本公开实施例的第三方面，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，处理器执行程序时实现上述方法的步骤。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，其中，用户行为数据用于表示线上用户针对项目对应的线上程序界面的操作行为；对用户行为数据、项目信息数据和线下业务数据执行预处理操作，得到总项目样本数据集，并根据项目标识将总样本数据集拆分成若干个分项目样本数据集；利用总项目样本数据集对总项目模型进行训练，并利用分项目样本数据集对分项目模型进行训练，其中，总项目模型和分项目模型用于线上用户对项目的到访率进行预测；利用预定的模型评估算法对训练后的总项目模型和分项目模型进行评估，基于评估结果确定部署到线上的总项目模型以及分项目模型；利用部署到线上的总项目模型以及分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对后续业务过程中的线上用户进行排序，将排序结果满足预设要求的后续业务过程中的线上用户作为潜在客户，以便将潜在客户推送给指定对象。本方案通过全方位地获取与业务相关的信息，对多维度信息进行处理，体现不同项目之间的差异，并实现了对模型预测效果的评估，提升预测结果准确性，降低了系统复杂度和使用成本。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例在实际应用场景中涉及的系统整体架构的示意图；

图2是本公开实施例提供的潜在客户的推送方法的流程示意图；

图3是本公开实施例对源数据进行预处理的操作示意图；

图4是本公开实施例中全国模型和分项目模型的训练及预测的示意图；

图5是本公开实施例中总项目模型和分项目模型的预测分值的融合流程的示意图；

图6是本公开实施例提供的潜在客户的推送装置的结构示意图；

图7是本公开实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

如何从大量的线上用户中挖掘出高质量的潜在客户进行推送，这是实现线上用户到线下用户的增长以及实现业务转化的关键，下面以房地产行业为例，对潜在客户的挖掘推送的技术背景以及问题进行详细说明，具体可以包括以下内容：

随着互联网技术的飞跃发展，越来越多的业务通过线上的系统平台得到实现，以房地产行业中的房屋销售为例，出现了一批能够实现在线看房、在线售房的应用程序和软件，然而，房屋销售与其他业务场景不同的是，房屋作为一种十分重要的不动产资源，仍需要在线下的业务场景中实现用户的购买和转化。

随着用户在线上行为数据的逐渐累积，面对营销蓄客增长的场景问题，如何实现对线上用户的潜客挖掘和推送，实现线上活跃用户到线下到访用户的增长转化，是房屋线上租售平台要解决的一个重要的技术问题。由于用户线上行为数据比较庞杂，欲实现线上用户向线下到访用户增长的引导转化，单靠业务经验，挖掘出的价值行为较为有限；难以实现线上行为与客户到访与否关系之间的精准量化。

由此可见，当前的房屋在线租售业务场景中，想要实现线上用户到线下实际到访用户之间的转化主要存在以下问题及难点：

1)如何实现用户线上行为数据向低频线下行为的推荐转化；2)如何选取多维有效的相关场景数据的拉取、处理和计算；3)如何区分不同项目的用户行为特征差异；4)如何调整不同地产项目的头部推送配额；5)如何对模型进行尽量与实际场景贴合的效果评估。

需要说明的是，本公开以上实施例在以房地产的房屋销售作为应用场景，介绍该具体场景下的技术问题时，虽然采用了一些具有商业意义的术语，但是应当理解的是，这是对特定应用场景下的技术问题的描述，因此，不能简单地将这些技术问题认为是本申请实际解决的技术问题。另外，本公开实施例也不限于房地产的业务场景，任何需要实现对线上用户进行潜客挖掘和推送的场景都可以适用于本方案。

在目前的潜客挖掘与推送的系统架构中虽然实现了利用机器学习模型对潜在客户进行预测，但是，受到应用场景等限制，现有的潜客推送模型架构只考虑单一维度的用户信息，对用户信息的处理也比较简单，更无法区分不同项目之间的差异，也不会对模型之间进行评估和筛选，模型预测结果的准确性比较低，另外，现有的潜客推荐算法的架构大多比较复杂，使用成本高。

具体地，目前潜客推送系统算法主要包括协同过滤模型、逻辑回归模型、因子分解机模型和组合模型。以逻辑回归模型和组合模型为例，逻辑回归模型与协同过滤模型中仅利用用户和产品间的显式和隐式反馈信息相比，逻辑回归能够利用和融合更多用户、产品及场景特征。此外，还有由逻辑回归发展出来的FM模型，以及多种不同模型配合使用的组合模型等，组合模型集成多模型的优点，如GBDT+LR组合模型，组合模型中体现出的特征工程模型化的思想，也成为深度学习推荐模型的引子和核心思想之一。

目前已知的基于推荐模型的潜客挖掘及推荐系统中，使用的模型算法架构大多比较复杂、成本高，且难以直接复现。由于潜客推荐系统更好的实现方式是问题和场景驱动，即定义清楚问题，再结合最合适的算法和系统工程架构，制定最优方案。因此，对于从线上用户的活跃行为向线下到访用户的增长引流场景来说，现有的潜客挖掘系统无法达到预期的效果。

结合前述的房屋在线租售业务场景中的技术难点，对于当前已有的技术方案，没有办法解决当前地产潜客推荐场景下的主要问题，例如：场景数据的全方位获取以及结合业务逻辑的聚合处理，实现不同项目差异区分，实际场景下的模型预测目标确定与预测效果的评估等问题。

下面结合附图对本公开潜在客户的推送方法在实际应用场景中涉及的系统架构进行说明。图1是本公开实施例在实际应用场景中涉及的系统整体架构的示意图。如图1所示，该系统架构中主要包括以下内容：

本公开实施例的系统架构主要包含两部分，第一部分是数据+特征部分，第二部分是算法模型部分，其中，第一部分主要包括以下处理操作：采集用户线上实时行为数据和项目实时供销数据，通过对用户线上实时行为数据和项目实时供销数据进行处理，得到用户行为数据、用户画像数据和项目信息数据，根据用户行为数据、用户画像数据和项目信息数据，利用特有的特征工程算法，分解出商机特征、用户特征和项目特征。

进一步地，在得到这些主要特征之后，将这些特征所组成的特征表作为机器学习模型的输入，利用特征表作为样本对机器学习模型进行训练，并且在模型离线训练的过程中，加入模型评估方案，对总项目模型与分项目模型之间的预测效果进行评估，从而筛选出预测效果最好的模型作为在线部署的模型，基于在线部署的模型对后续线上业务过程中的在线用户的到访率进行预测。

需要说明的是，本公开模型输出的结果是每一个在线用户在某一个项目上的到访率对应的分值，即在线用户对每一个项目的到访概率，到访概率表示线上用户转为线下到访用户的概率。到访率对应的分值越高，说明在线用户会成为更有可能签约的客户，将这些在线用户作为高潜客户推送到产品端进行转化。

本公开实施例以房地产线上租售作为应用场景，针对该场景特有的线上用户向线下到访用户的推荐增长问题，提出了由线上线下实时行为数据——特征工程搭建——推荐算法模型排序——补充策略筛选——线下线上评估迭代优化的完整推荐算法和系统工程架构，以期达成房地产线上至线下潜客推荐系统的搭建与实现。

图2是本公开实施例提供的潜在客户的推送方法的流程示意图。图2的潜在客户的推送方法可以由服务器执行。如图2所示，该潜在客户的推送方法具体可以包括：

S201，获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，其中，用户行为数据用于表示线上用户针对项目对应的线上程序界面的操作行为；

S202，对用户行为数据、项目信息数据和线下业务数据执行预处理操作，得到总项目样本数据集，并根据项目标识将总样本数据集拆分成若干个分项目样本数据集；

S203，利用总项目样本数据集对总项目模型进行训练，并利用分项目样本数据集对分项目模型进行训练，其中，总项目模型和分项目模型用于线上用户对项目的到访率进行预测；

S204，利用预定的模型评估算法对训练后的总项目模型和分项目模型进行评估，基于评估结果确定部署到线上的总项目模型以及分项目模型；

S205，利用部署到线上的总项目模型以及分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对后续业务过程中的线上用户进行排序，将排序结果满足预设要求的后续业务过程中的线上用户作为潜在客户，以便将潜在客户推送给指定对象。

具体地，本公开实施例中的项目包括房地产的租售项目，但是在实际应用中，可以根据不同的应用场景设定不同的项目对象，例如电商产品、线上优惠券等。业务可以认为是通过地产租售系统的应用程序为线上用户提供的在线租房、买房的业务。总项目可以认为是所有项目的集合，分项目则是一个个独立的项目对象，例如：对于在线售楼业务来说，线上所有的售楼项目组成了售楼业务的总项目，而每一个楼盘的销售则对应一个具体的分项目。

进一步地，总项目模型虽然是对所有项目的用户到访率做的预测，但是总项目模型的输出仍然可以是每一个用户在每个项目上的到访率，总项目模型和分项目模型输出的是一个分值，该分值表示用户到访率的高低，分值越大，用户到访率越高。线下可以认为是模型离线训练的阶段，线上则对应模型部署和实际预测及推送的阶段。

根据本公开实施例提供的技术方案，本方案搭建了一套完整的潜客推送系统架构，首先获取全方位的源数据，对用户行为数据、项目信息数据和线下业务数据进行清洗转化、特征加工，使用大数据机器学习算法，分别对总项目数据集和分项目数据集进行训练建模；进而在当前线上活跃用户中，筛选出未来一段时间内潜在高概率到访用户进行推送，预期达成用户到访的进一步提升。

在一些实施例中，获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，包括：获取线上用户通过系统登录线上程序界面后，基于线上程序界面所产生的用户行为数据；其中，项目信息数据为预设的项目对应的信息数据，线下业务数据包括线上用户与线下业务场景相对应的数据。

具体地，可以通过售楼小程序等在线拉取用户在线上的一些操作行为的数据，例如，用户对线上页面进行浏览、点击、收藏等行为数据；项目信息数据包括项目本身的一些数据，例如，项目地址、项目户型、项目业态，项目特征等；线下业务数据包括项目线下实际发生的业务数据，例如，用户是否达到现场、是否签约、顾问跟进等。在实际应用中，用户行为数据中还可以包含用户画像数据，例如，用户的职业、年龄、性别等。

在一些实施例中，对用户行为数据、项目信息数据和线下业务数据执行预处理操作，包括：对用户行为数据、项目信息数据和线下业务数据中的字段进行拆分，其中，字段中包含用户身份标识、用户行为标识和项目标识；对字段进行清洗得到清洗后的字段，并对清洗后的字段执行聚合操作，得到由聚合后的字段所组成的聚合表，其中，聚合操作用于根据字段中的标识实现对字段的聚类；对聚合表进行处理得到特征表，将特征表作为总项目样本数据集。

具体地，下面结合附图对本公开实施例中对源数据进行预处理的过程进行说明。图3是本公开实施例对源数据进行预处理的操作示意图。如图3所示，该预处理操作主要包括以下内容：

首先，获取待处理的源数据，即获取用户行为数据、项目信息数据和线下业务数据，其中，这些数据可以采用表格的方式进行存储，例如，房间供销表、交易合同表、项目信息表等，对表格中的字段进行划分和提取，比如可以提取出以下字段：uid、pid、sid、page、day等；其次，对字段进行清洗，字段的清洗包括对字段的清洗、提取和融合操作，对原始表格进行字段的清洗之后，可以得到清洗表，即对应图3中A1至A6中的表。

进一步地，由于字段的颗粒度不一样，需要对清洗表中的字段进行聚合，聚合是根据字段中的标识，将符合要求的字段聚合在同一张聚合表中，例如，聚合表B1是关于用户浏览页面统计的表格，那么可以将以下字段汇总到该聚合表中，即uid(用户标识)+pid(项目标识)+day(时间)；聚合的过程是对一些指标进行计算和统计的过程，即聚合是根据特征的类别进行汇总，例如，项目的浏览页面分为首页和项目的详情页，可以将页面向上一级汇总变成一个大类，其余指标也可以汇总成不同的类别。在一些实施例中，可以将所有的聚合表放在同一个表中形成一个大的宽表，即对聚合表进一步加工得到特征表，在特征表中除了包含聚合表之外，还可以包含target表、电话表等。

根据本公开实施例提供的技术方案，通过在spark开发环境下，对源数据中的冗杂数据进行清洗，剔除脏数据，使数据更加规范化，提高了数据填充率，由于不同项目的源数据之间存在明显差异，因此预处理操作后得到的特征表中包含的主要特征能够反映出不同项目之间的差异，基于特征表对模型进行训练，使训练后的模型也能够反应出这种差异。

在一些实施例中，根据项目标识将总样本数据集拆分成若干个分项目样本数据集，包括：根据特征表中具有相同项目标识的聚合表形成与项目相对应的分项目样本数据集。

具体地，为了对后面的分项目模型进行训练，因此，可以在训练之前，将总样本数据集拆分成若干个分项目样本数据集，在实际应用中，可以根据特征表中的项目标识对属于同一项目的样本进行识别，例如：特征表中的数据以行的形式进行存储，对特征表中每一行数据中的项目标识进行识别，当判断这一行数据对应的项目标识属于项目A时，则将该行数据移动至项目A对应的表中。

在一些实施例中，在利用总项目样本数据集对总项目模型进行训练，并利用分项目样本数据集对分项目模型进行训练之前，方法还包括：获取总项目样本数据集中的第一线下业务数据，确定第一线下业务数据中的第一用户到访时间，将第一用户到访时间在预设时间要求内的线上用户所对应的数据作为总项目模型训练的正样本；获取分项目样本数据集中的第二线下业务数据，确定第二线下业务数据中的第二用户到访时间，将第二用户到访时间在预设时间要求内的线上用户所对应的数据作为分项目模型训练的正样本。

具体地，在进行模型训练之前，需要确定样本数据集中的正负样本，在实际应用中，可以分别根据总项目样本数据集和分项目样本数据集中的线下业务数据中的用户到访时间这一特征划分正负样本，例如可以根据以下规则进行判断：在将潜在客户推送出去之后，两周之内到访的线上用户的样本数据作为正样本，两周之后到访的线上用户的样本数据作为负样本。同理，对于分项目模型来说，根据分项目样本数据集中用户到访时间的特征，将两周之内到访的线上用户的样本数据作为正样本，两周之后到访的线上用户的样本数据作为负样本。

在一些实施例中，总项目模型和分项目模型采用基于分类回归算法的机器学习模型，其中，总项目模型采用LR模型或者LightGBM模型，分项目模型采用XGB模型或者FM模型。

具体地，为了同时学习大样本下的普遍用户行为，以及区分不同项目下用户可能存在的到访行为差异，本公开实施例中从两个方向进行了建模，即分别训练总项目模型和分项目模型。其中，总项目模型和分项目模型均可以采用分类回归模型，总项目模型可以对所有线上用户的项目到访率进行预测，在实际业务场景中，由于总项目模型中包含了来自全国各个地区的分项目，因此，也可以将总项目模型称为全国模型；分项目模型可以对浏览过该项目的线上用户的项目到访率进行预测。

进一步地，对于分项目模型来说，通过对每一个试点项目，分别建立一套项目数据集，以区分不同类别项目下可能存在的不同客户行为特征，利用XGB、FM等多种分类回归算法，训练各项目专有模型，从而实现对不同项目下的活跃客群进行到访概率预测。

需要说明的是，LR模型、LightGBM模型、XGB模型或者FM模型均是基于已有的模型架构设计的模型，本公开实施例并未对模型的内部结构本身进行改进，因此，本公开实施例中不对上述模型的具体结构进行详细限定。另外，除了以上模型之外，其他基于分类回归算法的机器学习模型也同样适用于本方案。

下面结合附图对本公开实施例中两种模型的训练及预测的过程进行简要说明。图4是本公开实施例中全国模型和分项目模型的训练及预测的示意图。如图4所示，该模型的训练及预测主要包括以下内容：

在这两种训练及预测方案中，全国模型有利于学习大样本下的广泛用户行为，训练出的模型更具有普适性；而分项目模型更有利于区分不同类型和状态下的在售项目，能够训练出针对各项目的差异性行为的模型。在不同项目上，两种模型实际表现各有优劣，通过将两者优势相互补充，更有利于提高预测的精准度。

在一些实施例中，利用预定的模型评估算法对训练后的总项目模型和分项目模型进行评估，基于评估结果确定部署到线上的总项目模型以及分项目模型，包括：在模型训练过程中，分别计算总项目模型和分项目模型对应的分类模型评价指标，根据分类模型评价指标对总项目模型和分项目模型进行评估；或者，利用训练后的总项目模型和分项目模型分别对线上用户的到访率进行预测，根据输出的预测分值对线上用户进行排序，根据排序结果确定评估对象，对评估对象进行推送，获取推送日期后预设时间内的实际到访人数，根据实际到访人数计算实际到访率，根据实际到访率对总项目模型和分项目模型进行评估；基于评估结果对总项目模型和分项目模型进行模型选择，以便选取最终部署到线上的总项目模型和分项目模型。

具体地，在模型训练前后都可以对模型的预测效果进行评估，下面结合具体的模型评估算法对模型训练前后(即离线训练阶段和上线部署阶段)的评估过程进行说明，具体可以包括以下内容：

线下模型评估主要通过构建模型评估逻辑，选择效果更好的模型方案，线下评估分为线下模型评估和线下仿真模拟评估；其中，线下模型评估主要使用AUC等分类模型评价指标，做验证集上的评估及最优化调参；线下仿真模拟评估，对于线下预测人群，尽量贴近线上实际评估口径，对于模拟推送Top-N人群，统计T-1到访率作为模型效果评估结果。

例如，在具体实施例中，T-1到访率＝T-1扫码到访人数/T-1被动商机量；其中，“T-1被动商机量”表示前30天未产生主动商机的推送去重人数；“T-1扫码到访”表示推送后才扫码到访去重人数。同时，滑动评估推送日期T后一周、二周、一个月，评价T-1到访效果。

线上实际效果评估主要根据分值Top完成线上推送，并接入后续业务系统逻辑剔除后(包括剔除大学生、黑产、自有员工等可能作弊刷单的人群)，统计实际T-1扫码到访率。根据推送后到访的“T-1”到访，作为模型效果的评估指标，完成模型调参、模型选择、模型对比迭代上线等。

根据本公开实施例提供的技术方案，通过线下模型评估可以从预先训练的多个模型中选择效果最好的模型，例如对于同一项目而言，可以同时选择用不同的模型进行训练，之后根据模型评估的结果选择最优的模型作为线上部署模型；另外，通过线下模型评估可以实现对已部署到线上的模型进行复盘，如果发现效果更好的模型，则可以取代已经部署到线上的模型，从而保证模型的预测效果保持最好的状态。

在一些实施例中，利用部署到线上的总项目模型以及分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对后续业务过程中的线上用户进行排序，包括：分别获取总项目模型和分项目模型对后续业务过程中的线上用户的到访率进行预测得到的第一预测分值，并获取评估结果；当分项目模型的评估结果大于或等于总项目模型的评估结果时，对总项目模型的第一预测分值与分项目模型的第一预测分值之间进行加权平均得到第二预测分值，根据第二预测分值对后续业务过程中的线上用户进行排序；当分项目模型的评估结果小于总项目模型的评估结果时，根据总项目模型对应的第一预测分值对后续业务过程中的线上用户进行排序。

具体地，在对总项目模型和分项目模型的预测效果进行评估以及获取预测分值之后，由于总项目模型更具有普适性，预测表现相对更加稳定，而分项目模型更针对特定的项目。为了判断使用哪个模型的预测分值或者将两种模型的预测分值进行融合，因此，在保证模型稳定的基础上，为了达成效果优化，以全国模型为基线模型，对全国模型和分项目模型进行AB-test(即模型之间的效果比较)；对于分项目模型显著优于总项目模型的项目，将两个模型的预测分值进行加权平均，根据加权平均后的分值进行排序。在这种情形下，最终选择推送的在线用户，是基于选取融合模型中预测分值Top-N的活跃用户进行最终推送。

下面结合附图对本公开实施例中对总项目模型和分项目模型的预测分值进行融合的过程进行说明。图5是本公开实施例中总项目模型和分项目模型的预测分值的融合流程的示意图。如图5所示，该融合过程主要包括以下内容：

假设模型A是总项目模型，模型B是分项目模型，当模型B的预测效果显著优于模型A的预测效果时，对模型A和模型B的预测结果进行融合，并将融合后的预测分值作为最终分值。图中score(A)表示模型A的预测分值，score(B)表示模型B的预测分值，通过结合每个模型的权重来计算最终的预测分值。

需要说明的是，由于不同模型的参数是不一样，因此训练出来的模型的系数也不一样，系数也包含权重，即每个项目的特征权重不一样，在模型训练过程中通过拟合历史数据，使机器学习不断的接近、调整，直到使预测结果与历史真实数据之间的误差最小，算出来一个固定的权重。

根据本公开实施例提供的技术方案，本公开实施例具有以下优点：

1)双方案并行训练模型：总项目模型能够保留大样本下用户行为的普适性；同时训练分项目模型，以区分不同地产项目的差异。使用LR、LightGBM、FM、XGB等多种深度学习算法进行模型训练，模型选择后根据分值Top-配额推送潜客；最后以总项目模型为基线，保证模型预测鲁棒性的情况下，分项目对比评估效果，择优融合上线。

2)结合特有业务场景的评估指标确定：根据业务场景，自定义评价指标“T-1到访率”、“推送后滑动N天内到访”到访率等，线下离线评估+线下仿真+线上ABtest多重评估下，分项目对比进行模型选择；并不断迭代优化。

3)业务特有“线上行为向线下到访引流转化”场景下的解决方案：将自身业务场景与线上用户增长结合，实现线上用户行为数据向低频线下行为的推荐转化；以售楼小程序为用户洞察切入点，利用深度学习算法，搭建了问题驱动、数据、算法、架构及工程系统的完整商机推荐技术体系。

4)多源头高维数据拉取和特征工程构建：结合业务场景，拉取线上行为数据、线下到访数据、项目信息、用户画像信息等多方面数据，采样正负样本定义和数据特征工程的处理逻辑，设计了由源数据、提取清洗、聚合统计、特征提取的数据工程架构，计算出包括用户活跃时长、活跃次数、浏览页面类型数、用户状态、项目定位以及在销状态等在内的一系列用户活跃及到访意向潜在关联特征数据体系。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图6是本公开实施例提供的潜在客户的推送装置的结构示意图。如图6所示，该潜在客户的推送装置包括：

获取模块601，被配置为获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，其中，用户行为数据用于表示线上用户针对项目对应的线上程序界面的操作行为；

预处理模块602，被配置为对用户行为数据、项目信息数据和线下业务数据执行预处理操作，得到总项目样本数据集，并根据项目标识将总样本数据集拆分成若干个分项目样本数据集；

训练模块603，被配置为利用总项目样本数据集对总项目模型进行训练，并利用分项目样本数据集对分项目模型进行训练，其中，总项目模型和分项目模型用于线上用户对项目的到访率进行预测；

评估模块604，被配置为利用预定的模型评估算法对训练后的总项目模型和分项目模型进行评估，基于评估结果确定部署到线上的总项目模型以及分项目模型；

预测模块605，被配置为利用部署到线上的总项目模型以及分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对后续业务过程中的线上用户进行排序，将排序结果满足预设要求的后续业务过程中的线上用户作为潜在客户，以便将潜在客户推送给指定对象。

在一些实施例中，图6的获取模块601获取线上用户通过系统登录线上程序界面后，基于线上程序界面所产生的用户行为数据；其中，项目信息数据为预设的项目对应的信息数据，线下业务数据包括线上用户与线下业务场景相对应的数据。

在一些实施例中，图6的预处理模块602对用户行为数据、项目信息数据和线下业务数据中的字段进行拆分，其中，字段中包含用户身份标识、用户行为标识和项目标识；对字段进行清洗得到清洗后的字段，并对清洗后的字段执行聚合操作，得到由聚合后的字段所组成的聚合表，其中，聚合操作用于根据字段中的标识实现对字段的聚类；对聚合表进行处理得到特征表，将特征表作为总项目样本数据集。

在一些实施例中，图6的预处理模块602根据特征表中具有相同项目标识的聚合表形成与项目相对应的分项目样本数据集。

在一些实施例中，图6的训练模块603在利用总项目样本数据集对总项目模型进行训练，并利用分项目样本数据集对分项目模型进行训练之前，获取总项目样本数据集中的第一线下业务数据，确定第一线下业务数据中的第一用户到访时间，将第一用户到访时间在预设时间要求内的线上用户所对应的数据作为总项目模型训练的正样本；获取分项目样本数据集中的第二线下业务数据，确定第二线下业务数据中的第二用户到访时间，将第二用户到访时间在预设时间要求内的线上用户所对应的数据作为分项目模型训练的正样本。

在一些实施例中，总项目模型和分项目模型采用基于分类回归算法的机器学习模型，其中，总项目模型采用LR模型或者LightGBM模型，分项目模型采用XGB模型或者FM模型。

在一些实施例中，图6的评估模块604在模型训练过程中，分别计算总项目模型和分项目模型对应的分类模型评价指标，根据分类模型评价指标对总项目模型和分项目模型进行评估；或者，利用训练后的总项目模型和分项目模型分别对线上用户的到访率进行预测，根据输出的预测分值对线上用户进行排序，根据排序结果确定评估对象，对评估对象进行推送，获取推送日期后预设时间内的实际到访人数，根据实际到访人数计算实际到访率，根据实际到访率对总项目模型和分项目模型进行评估；基于评估结果对总项目模型和分项目模型进行模型选择，以便选取最终部署到线上的总项目模型和分项目模型。

在一些实施例中，图6的预测模块605分别获取总项目模型和分项目模型对后续业务过程中的线上用户的到访率进行预测得到的第一预测分值，并获取评估结果；当分项目模型的评估结果大于或等于总项目模型的评估结果时，对总项目模型的第一预测分值与分项目模型的第一预测分值之间进行加权平均得到第二预测分值，根据第二预测分值对后续业务过程中的线上用户进行排序；当分项目模型的评估结果小于总项目模型的评估结果时，根据总项目模型对应的第一预测分值对后续业务过程中的线上用户进行排序。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图7是本公开实施例提供的电子设备7的结构示意图。如图7所示，该实施例的电子设备7包括：处理器701、存储器702以及存储在该存储器702中并且可以在处理器701上运行的计算机程序703。处理器701执行计算机程序703时实现上述各个方法实施例中的步骤。或者，处理器701执行计算机程序703时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序703可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器702中，并由处理器701执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序703在电子设备7中的执行过程。

电子设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备7可以包括但不仅限于处理器701和存储器702。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7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，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器701可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器702可以是电子设备7的内部存储单元，例如，电子设备7的硬盘或内存。存储器702也可以是电子设备7的外部存储设备，例如，电子设备7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702还可以既包括电子设备7的内部存储单元也包括外部存储设备。存储器702用于存储计算机程序以及电子设备所需的其它程序和数据。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种潜在客户的推送方法，其特征在于，包括：

获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，其中，所述用户行为数据用于表示线上用户针对所述项目对应的线上程序界面的操作行为；

对所述用户行为数据、所述项目信息数据和所述线下业务数据执行预处理操作，得到总项目样本数据集，并根据项目标识将所述总样本数据集拆分成若干个分项目样本数据集；

利用所述总项目样本数据集对总项目模型进行训练，并利用所述分项目样本数据集对分项目模型进行训练，其中，所述总项目模型和所述分项目模型用于所述线上用户对所述项目的到访率进行预测；

利用预定的模型评估算法对训练后的所述总项目模型和所述分项目模型进行评估，基于评估结果确定部署到线上的所述总项目模型以及所述分项目模型；

利用所述部署到线上的所述总项目模型以及所述分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对所述后续业务过程中的线上用户进行排序，将排序结果满足预设要求的所述后续业务过程中的线上用户作为潜在客户，以便将所述潜在客户推送给指定对象。

2.根据权利要求1所述的方法，其特征在于，所述获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，包括：

获取所述线上用户通过系统登录所述线上程序界面后，基于所述线上程序界面所产生的用户行为数据；

其中，所述项目信息数据为预设的项目对应的信息数据，所述线下业务数据包括所述线上用户与线下业务场景相对应的数据。

3.根据权利要求1所述的方法，其特征在于，所述对所述用户行为数据、所述项目信息数据和所述线下业务数据执行预处理操作，包括：

对所述用户行为数据、所述项目信息数据和所述线下业务数据中的字段进行拆分，其中，所述字段中包含用户身份标识、用户行为标识和项目标识；

对所述字段进行清洗得到清洗后的字段，并对所述清洗后的字段执行聚合操作，得到由聚合后的字段所组成的聚合表，其中，所述聚合操作用于根据所述字段中的标识实现对所述字段的聚类；

对所述聚合表进行处理得到特征表，将所述特征表作为所述总项目样本数据集。

4.根据权利要求3所述的方法，其特征在于，所述根据项目标识将所述总样本数据集拆分成若干个分项目样本数据集，包括：

根据所述特征表中具有相同所述项目标识的聚合表形成与所述项目相对应的所述分项目样本数据集。

5.根据权利要求1所述的方法，其特征在于，在所述利用所述总项目样本数据集对总项目模型进行训练，并利用所述分项目样本数据集对分项目模型进行训练之前，所述方法还包括：

获取所述总项目样本数据集中的第一线下业务数据，确定所述第一线下业务数据中的第一用户到访时间，将所述第一用户到访时间在预设时间要求内的线上用户所对应的数据作为所述总项目模型训练的正样本；

获取所述分项目样本数据集中的第二线下业务数据，确定所述第二线下业务数据中的第二用户到访时间，将所述第二用户到访时间在预设时间要求内的线上用户所对应的数据作为所述分项目模型训练的正样本。

6.根据权利要求1所述的方法，其特征在于，所述总项目模型和所述分项目模型采用基于分类回归算法的机器学习模型，其中，所述总项目模型采用LR模型或者LightGBM模型，所述分项目模型采用XGB模型或者FM模型。

7.根据权利要求1所述的方法，其特征在于，所述利用预定的模型评估算法对训练后的所述总项目模型和所述分项目模型进行评估，基于评估结果确定部署到线上的所述总项目模型以及所述分项目模型，包括：

在模型训练过程中，分别计算所述总项目模型和所述分项目模型对应的分类模型评价指标，根据所述分类模型评价指标对所述总项目模型和所述分项目模型进行评估；或者，

利用训练后的所述总项目模型和所述分项目模型分别对所述线上用户的到访率进行预测，根据输出的预测分值对所述线上用户进行排序，根据排序结果确定评估对象，对所述评估对象进行推送，获取推送日期后预设时间内的实际到访人数，根据所述实际到访人数计算实际到访率，根据所述实际到访率对所述总项目模型和所述分项目模型进行评估；

基于所述评估结果对所述总项目模型和所述分项目模型进行模型选择，以便选取最终部署到线上的所述总项目模型和所述分项目模型。

8.根据权利要求7所述的方法，其特征在于，所述利用所述部署到线上的所述总项目模型以及所述分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对所述后续业务过程中的线上用户进行排序，包括：

分别获取所述总项目模型和所述分项目模型对所述后续业务过程中的线上用户的到访率进行预测得到的第一预测分值，并获取所述评估结果；

当所述分项目模型的评估结果大于或等于所述总项目模型的评估结果时，对所述总项目模型的第一预测分值与所述分项目模型的第一预测分值之间进行加权平均得到第二预测分值，根据所述第二预测分值对所述后续业务过程中的线上用户进行排序；

当所述分项目模型的评估结果小于所述总项目模型的评估结果时，根据所述总项目模型对应的第一预测分值对所述后续业务过程中的线上用户进行排序。

9.一种潜在客户的推送装置，其特征在于，包括：

获取模块，被配置为获取一个或多个项目在历史业务过程中产生的用户行为数据、项目信息数据和线下业务数据，其中，所述用户行为数据用于表示线上用户针对所述项目对应的线上程序界面的操作行为；

预处理模块，被配置为对所述用户行为数据、所述项目信息数据和所述线下业务数据执行预处理操作，得到总项目样本数据集，并根据项目标识将所述总样本数据集拆分成若干个分项目样本数据集；

训练模块，被配置为利用所述总项目样本数据集对总项目模型进行训练，并利用所述分项目样本数据集对分项目模型进行训练，其中，所述总项目模型和所述分项目模型用于所述线上用户对所述项目的到访率进行预测；

评估模块，被配置为利用预定的模型评估算法对训练后的所述总项目模型和所述分项目模型进行评估，基于评估结果确定部署到线上的所述总项目模型以及所述分项目模型；

预测模块，被配置为利用所述部署到线上的所述总项目模型以及所述分项目模型，分别对后续业务过程中的线上用户的到访率进行预测，根据预测分值对所述后续业务过程中的线上用户进行排序，将排序结果满足预设要求的所述后续业务过程中的线上用户作为潜在客户，以便将所述潜在客户推送给指定对象。

10.一种电子设备，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权利要求1至8中任一项所述的方法。

Images