CN114663083A - 基于流量预测的价值信息生成方法、装置、设备和介质 - Google Patents
基于流量预测的价值信息生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114663083A CN114663083A CN202210308836.2A CN202210308836A CN114663083A CN 114663083 A CN114663083 A CN 114663083A CN 202210308836 A CN202210308836 A CN 202210308836A CN 114663083 A CN114663083 A CN 114663083A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- grouping
- group
- ability
- 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.)
- Pending
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
- G06Q20/145—Payments according to the detected use or quantity
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于流量预测的价值信息生成方法,可以应用于大数据技术领域或金融领域。该方法包括:获取用户能力矩阵,所述用户能力矩阵包含用户能力评分值;对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵;针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息;基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据;以及基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。本公开还提供了一种基于流量预测的价值信息生成装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及大数据技术领域,可应用于金融领域,具体涉及一种基于流量预测的价值信息生成方法、装置、设备、介质和程序产品。
背景技术
理财平台在进行权益服务的定价时,通常依据其流量进行计费和定价。然而,在面向理财用户销售,或理财用户续费权益服务前,缺乏定价所需的权益流量数据。现有的定价模型主要包含基于同种类产品市场表现的中位数预测模型,以及基于客群偏好的流量预测模型。上述两种模型均存在较大的局限性,无法实现权益价值信息生成的科学性,客观性和准确性。
发明内容
鉴于上述问题,本公开的实施例提供了一种基于流量预测的价值信息生成方法、装置、设备、介质和程序产品,能够基于流量预测,客观,科学,准确地生成价值信息。
根据本公开的第一个方面,提供了一种基于流量预测的价值信息生成方法,包括:获取用户能力矩阵,所述用户能力矩阵包含用户能力评分值;对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵;针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息;基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据,其中,所述分组一致性收益判据用于预测分组最显著收益区间;基于各分组一致性收益判据获取总体一致性收益判据,其中,所述总体一致性收益判据用于预测同能力用户最显著收益区间;以及基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
根据本公开的实施例,获取用户能力矩阵包括:获取用户群体的第一群体能力评分矩阵和第一用户能力评分矩阵;对所述第一群体能力评分矩阵和所述第一用户能力评分矩阵进行t次迭代修正,获取第t+1用户能力评分矩阵和第t+1群体能力评分矩阵,其中,t为大于等于1的整数;以及基于所述第t+1用户能力评分矩阵和第t+1群体能力评分矩阵获取用户能力矩阵。
根据本公开的实施例,对第一群体能力评分矩阵和第一用户能力评分矩阵进行t次迭代修正包括:基于所述第一用户能力评分矩阵和所述第一群体能力评分矩阵计算用户能力评分标准差,当所述用户能力评分标准差大于等于第一阈值时,对所述第一用户能力评分矩阵进行用户评分修正,获取第二用户能力评分矩阵,其中,所述用户能力评分标准差包括用户群体中第i个用户的能力评分与群体能力评分的标准差,其中,i为正整数;基于所述第二用户能力评分矩阵对所述第一用户群体能力评分矩阵进行群体评分修正,获取第二用户群体能力评分矩阵;基于第一时间窗口对用户评分修正过程以及群体评分修正过程进行t次迭代。
根据本公开的实施例,基于所述第t+1用户能力评分矩阵和第t+1群体能力评分矩阵获取用户能力矩阵包括:基于所述第t+1用户能力评分矩阵和所述第t+1群体能力评分矩阵计算用户能力评分标准差;剔除用户能力评分标准差大于等于第二阈值的第j个用户的能力评分,其中,所述j满足1≤j≤i且j为整数。
根据本公开的实施例,获取与每个用户分组匹配的用户收益表现还包括:获取第p个用户分组经过预设时间周期后的用户收益表现,其中,p为大于等于1的整数;所述预设时间周期包含m个第二时间窗口,m为大于等于2的整数;其中,在每个第二时间窗口期间均对所述第p个用户分组进行权益服务激励。
根据本公开的实施例,基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据包括:基于所述用户分组能力矩阵和所述用户分组收益信息获取分组收益数据;基于用户属性对所述分组收益数据进行分箱,获取分组属性预测指标矩阵,其中,所述分组属性预测指标矩阵个数为n,n为大于等于2的整数;每个分组属性预测指标矩阵与一种用户属性相对应,所述用户属性包含用户能力;所述分组属性预测指标矩阵包含q个分组属性预测指标值,其中q为分箱个数;基于所述分组收益数据和所述分组属性预测指标进行逻辑回归拟合,获取收益分布曲线;对所述收益分布曲线进行评估,获取所述分组一致性收益判据。
根据本公开的实施例,基于用户属性对所述分组收益数据进行分箱,获取分组属性预测指标矩阵包括:针对第k种用户属性,调整分箱策略直至对应于所述第k种用户属性的分组属性预测指标矩阵包含单调递增的分组属性预测指标值,其中,k满足1≤k≤n且k为整数;所述分组属性预测指标值基于当前分箱中的响应数据和未响应数据计算得到,其中,所述响应数据和所述未响应数据基于当前分箱中用户收益期望偏差进行筛选获取。
根据本公开的实施例,基于各分组一致性收益判据获取总体一致性收益判据包括:对各分组一致性收益判据按照从大到小的顺序进行排序;以预设排序编号的分组一致性收益判据作为总体一致性收益判据。
本公开的第二方面提供了一种基于流量预测的价值信息生成装置,包括:能力测评模块,配置为获取用户能力矩阵,所述用户能力矩阵包含用户能力评分值;第一分组模块,配置为对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵;权益激励模块,配置为针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息;评估模块,配置为基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据,其中,所述分组一致性收益判据用于预测分组最显著收益区间;预测模块,配置为基于各分组一致性收益判据获取总体一致性收益判据,其中,所述总体一致性收益判据用于预测同能力用户最显著收益区间;以及定价模块,配置为基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述基于流量预测的价值信息生成方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述基于流量预测的价值信息生成方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述基于流量预测的价值信息生成方法。
本公开的实施例提供的基于流量预测的价值信息生成方法,通过探索用户能力,权益用量,以及用户收益三者间的关联关系,可以预测同能力级别用户最显著收益区间,从而实现权益服务用量预测。进一步可以结合量化的权益要素成本矩阵,客观,科学,准确地实现生成价值信息,在降低理财平台成本的同时,提升了用户满意度和用户粘性。实现理财用户、理财平台的双赢。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的基于流量预测的价值信息生成方法、装置、设备、介质和程序产品的应用场景图。
图2示意性示出了根据本公开实施例的基于流量预测的价值信息生成方法的流程图。
图3示意性示出了根据本公开实施例的获取用户能力矩阵的方法的流程图。
图4示意性示出了根据本公开实施例的对第一群体能力评分矩阵和所述第一用户能力评分矩阵进行t次迭代修正的方法的流程图。
图5示意性示出了根据本公开实施例的基于所述第t+1用户能力评分矩阵和第t+1群体能力评分矩阵获取用户能力矩阵的方法的流程图。
图6示意性示出了根据本公开实施例的获取分组一致性收益判据的方法的流程图。
图7示意性示出了根据本公开实施例的获取分组一致性收益判据的方法的流程图。
图8示意性示出了根据本公开实施例的基于流量预测的价值信息生成装置的结构框图。
图9示意性示出了根据本公开实施例的适于实现基于流量预测的价值信息生成方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
理财平台在面向理财用户提供权益服务时,常常采用免费提供、捆绑销售的方式。对于权益服务的定价,通常依据其流量(即使用量)进行计费和定价。然而,在面向理财用户销售,或理财用户续费权益服务前,缺乏定价所需的权益服务用量数据。现有的定价模型主要包含基于同种类产品市场表现的中位数预测模型,以及基于客群偏好的流量预测模型。其中,基于同种类产品市场表现的中位数预测模型主要利用市场中同种类产品的表现数据,使用流量数据,结合平台自身的客群范围和推广能力进行用量假设,并通过时间窗口修正预测结果。基于客群偏好的流量预测模型通过划分客群,采集理财用户客群行为数据,分析理财用户客群偏好,从而进行用量假设,并结合预测情况进行反向迭代优化,修正模型的预测效果。
然而,在基于同种类产品市场表现的中位数预测模型预测过程中,忽略了理财权益服务受平台品牌、实力、服务内容或机制、市场环境、用户粘性等影响,呈现较大的差异性,因此不同理财平台的权益服务存在较大差异性,导致要寻找严格意义上,甚至普通意义上的同种类权益服务产品变得极为困难,模型预测结果缺乏客观性和准确性。并且,由于理财平台的权益服务呈现线下、分散等特点,以及较强的保护性和竞争性,信息往往是失灵的,不对称的,致使同种类权益服务产品的市场表现数据缺少信赖依据,或准确可信的表现数据的数据成本非常高,且外部平台的表现数据对于待定价平台自身客群的预测模型的适用性存在较大不确定性。从而使得该模型运用存在较多局限。
另一方面,基于客群偏好的流量预测模型改变了基于权益服务产品出发的不确定性和局限性,可以充分基于平台自身客群做偏好分析和数据挖掘。但该模型的局限性在于忽略了权益服务的产品属性,以及客群特性划分的局限性。造成无法在客群扩大的情况下进行准确预测,也无法准确衡量权益服务与客群匹配度。
由此,亟需开发一种提高预测科学性,客观性和准确性的价值信息生成方法。
针对现有技术中存在的上述问题,本公开的实施例提供了一种基于流量预测的价值信息生成方法,包括:获取用户能力矩阵,所述用户能力矩阵包含用户能力评分值;对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵;针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息;基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据,其中,所述分组一致性收益判据用于预测分组最显著收益区间;基于各分组一致性收益判据获取总体一致性收益判据,其中,所述总体一致性收益判据用于预测同能力用户最显著收益区间;以及基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
需要说明的是,本公开实施例提供的基于流量预测的价值信息生成方法、装置、设备、介质和程序产品可用于大数据技术在信息生成相关方面,也可用于除大数据技术之外的多种领域,如金融领域等。本公开实施例提供的基于流量预测的价值信息生成的方法、装置、设备、介质和程序产品的应用领域不做限定。
图1示意性示出了根据本公开实施例的基于流量预测的价值信息生成方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等,例如发送理财平台登录信息,理财产品交易信息,接收权益服务推荐信息,权益服务包价格等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等,例如权益服务推荐信息,权益服务包价格)反馈给终端设备。
需要说明的是,本公开实施例所提供的基于流量预测的价值信息生成方法一般可以由服务器105执行。相应地,本公开实施例所提供的基于流量预测的价值信息生成装置一般可以设置于服务器105中。本公开实施例所提供的基于流量预测的价值信息生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的基于流量预测的价值信息生成装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图7对公开实施例的基于流量预测的价值信息生成方法进行详细描述。
图2示意性示出了根据本公开实施例的基于流量预测的价值信息生成方法的流程图。
如图2所示,该实施例的基于流量预测的价值信息生成方法包括操作S210~操作S260,该交易处理方法可以由处理器执行,也可以由包括处理器的任何电子设备执行。
在操作S210,获取用户能力矩阵。
根据本公开的实施例,所述用户能力矩阵包含用户能力评分值。其中,用户能力可以包含一种或多种。典型的用户能力可以包含理论能力、实战能力、收益管理能力,风险适应能力。相应的,对每一个用户,可以获取理论知识评分,实战技巧评分,收益管理评分,以及风险偏好评分中的一种或多种。可以理解,用户能力矩阵中包含待评测用户群体的每一个用户的各项能力评分。其中,待评测用户群体可以为选定的用户群体,例如按照用户净值等级,理财年限等级、收益表现等圈定并设置标签的用户群体。其中,可以为用户群体设置标签,以便于业务人员开展和分析业务。
在一些具体的实施例中,还可以基于用户能力矩阵构建对应的用户能力评级矩阵。典型的能力评级矩阵可以为{理论知识BK0~2,实战技巧SK0~2,收益管理EM0~2,风险偏好PE0~2}和能力评分矩阵{理论知识评分,实战技巧评分,收益管理评分,风险偏好评分}。其中,用户能力评级矩阵的级别与用户能力评分值关联。级别越大,评分越高。用户能力评级矩阵的构建利于业务人员对用户能力级别进行标识,以利于相关业务的分析处理。
在操作S220,对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵。
在操作S230,针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息。
根据本公开的实施例,核心在于评测同一能力级别的用户收益一致性表现好时的权益服务用量,以实现权益定价。从而实现对于不同能力的客户采用不同用量,不同价格的权益服务激励,以实现科学,客观,准确地提供有粘性的权益服务。由此,为了评测在不同权益服务用量下用户的收益表现,以最终筛选出用户收益一致性最高时的权益服务用量,可以对用户能力矩阵进行用户分组抽样,例如,将用户分组为N+1组,其中,“N”组中的每一组可以均配置权益服务激励,且每组配置不同的权益服务用量;“1”组可以为对照组,即不使用权益服务激励。应当理解,在每一组中所使用的权益服务激励类型可以是相同的,以更为客观地评测权益用量对同能力级别用户收益的影响。其中,同一能力级别用户的权益服务类型以及各分组用量可以基于专家经验设定,也可以基于已有的权益服务推荐模型获取。可以理解,在为每个用户分组配置不同的权益服务流量并经过一段时间后,可以获取与每个用户分组匹配的用户分组收益信息。
在操作S240,基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据。
根据本公开的实施例,用户分组能力矩阵可以为用户能力矩阵在分组后,每一组用户的能力评分构成的矩阵。类似的,用户分组收益信息可以为与分组一一对应的用户的收益数据。可以根据用户分组能力矩阵和用户分组收益信息建立用户能力评分与收益的关联关系,获取分组一致性收益判据。其中,分组一致性收益判据用于预测分组最显著收益区间,即相同能力级别用户在分组权益用量下能够获取的一致性最高的收益。
在操作S250,基于各分组一致性收益判据获取总体一致性收益判据。
根据本公开的实施例,在获取各分组一致性收益判据后,可以进一步获取总体一致性收益判据,从而可以基于总体一致性收益判据获取预测同能力用户最显著收益区间。
在操作S260,基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
根据本公开的实施例,在获取总体一致性收益判据后,即可以获得相同能力级别用户能够获取的一致性最高的收益。基于用户收益与权益服务流量的映射关系,可以获取与总体一致性收益判据相对应的权益服务流量,即实现与最显著收益对应的流量预测。进一步,可以结合权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
在本公开的实施例中,权益服务要素可以包含权益服务激励类型,典型的权益服务激励类型可以包含现金价值类:理财权益费用减免红包、理财权益费用折扣券、理财权益本金抵扣红包等,按现金价值计;数据类:包括大盘基本面数据、大盘增值数据、行业指南、行业增值数据、个股基本面、个股增值数据等众多类型,根据阶梯计价方式,折算为现金价值计;研报资讯类:包括行业、个股的研报资讯,金融大小事资讯等,按资讯的级别以现金价值计;培训讲座类:包括理财平台、理财经理针对理财用户开展的金融知识培训讲座,分析行情、分享理财知识/技能/经验等内容,按照面向的群体、讲师的级别,以现金价值计。其他金融服务类:包括融资融券、抵押、缴费等各类金融服务,按交易过程中的金融服务定价计费;增值服务类:包括咨询、上门签约、理财规划等各类面向理财场景的金融类增值服务,以及类似签证、教育等代办或赠送的非面向理财场景的非金融类增值服务,按照市场同类产品或服务参考计价。可以理解,上述权益服务激励类型仅为示例性说明,不作为本公开权益服务类型的限定。以权益服务激励类型为权益服务要素,可以分别预构建权益服务要素矩阵,权益服务要素用量矩阵和权益服务要素成本价值矩阵。其中,可以设定权益服务要素矩阵SR[i,j],即配置M*N权益组合包,M为权益服务要素大类数量,N为每一大类权益服务要素所包含的具体小类数量。例如,现金价值类权益服务大类中包含理财权益费用减免红包、理财权益费用折扣券、理财权益本金抵扣红包等小类。相应的,可以设定包括M*N权益服务要素用量矩阵UR[i,j]以及M*N权益服务要素成本价值矩阵CR[i,j]。在一个示例中,权益服务要素用量矩阵可以为{现金价值权益1的用量,现金价值权益2的用量,…,现金价值权益9的用量;数据权益1的用量,数据权益2的用量,…,数据权益9的用量;研报资讯权益1的用量,研报资讯权益2的用量,…,研报权益9的用量;培训讲座权益1的用量,培训讲座权益2的用量,…,培训讲座权益9的用量;金融类增值服务权益1的用量,金融类增值服务权益2的用量,…,金融类增值服务权益9的用量;非金融类增值服务权益1的用量,非金融类增值服务权益2的用量,…,非金融类增值服务权益9的用量}。权益服务要素成本价值矩阵可以为{现金价值权益1的单位成本价值,现金价值权益2的单位成本价值,…,现金价值权益9的单位成本价值;数据权益1的单位成本价值,数据权益2的单位成本价值,…,数据权益9的单位成本价值;研报资讯权益1的单位成本价值,研报资讯权益2的单位成本价值,…,研报权益9的单位成本价值;培训讲座权益1的单位成本价值,培训讲座权益2的单位成本价值,…,培训讲座权益9的单位成本价值;金融类增值服务权益1的单位成本价值,金融类增值服务权益2的单位成本价值,…,金融类增值服务权益9的单位成本价值;非金融类增值服务权益1的单位成本价值,非金融类增值服务权益2的单位成本价值,…,非金融类增值服务权益9的单位成本价值}。
需说明,在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。根据本公开的实施例,通过对权益服务要素化,产品化,权益服务流量化,定义了权益服务使用流量的量化方法。通过构建用户能力矩阵,对同能力用户分组分配权益服务流量并得到用户收益,进一步探索用户能力,权益用量,以及用户收益三者间的关联关系,可以预测同能力级别用户最显著收益区间,从而实现权益流量预测。进一步,利用量化的权益要素成本矩阵可以客观,科学,合理地生成权益价值信息,实现基于用户能力的差异化权益服务体系建构。使得理财用户可以使用更低的成本获得了匹配的权益服务,获得了潜在的理财能力、理财收益的提升,提高用户满意度和用户粘性。同时,基于差异化的定价体系,理财平台可以在付出更低的成本的同时给理财用户提供了更契合的、适度的、专注的权益服务,有利于理财平台业绩的提升、理财品牌的推广。实现理财用户、理财平台的双赢。
图3示意性示出了根据本公开实施例的获取用户能力矩阵的方法的流程图。
如图3所示,该实施例的获取用户能力矩阵的方法包括操作S310~操作S330。
在操作S310,获取用户群体的第一群体能力评分矩阵和第一用户能力评分矩阵。
在操作S320,对所述第一群体能力评分矩阵和所述第一用户能力评分矩阵进行t次迭代修正,获取第t+1用户能力评分矩阵和第t+1群体能力评分矩阵,其中,t为大于等于1的整数。
在操作S330,基于所述第t+1用户能力评分矩阵和第t+1群体能力评分矩阵获取用户能力矩阵。
根据本公开的实施例,第一群体能力评分矩阵可以为用户群体能力评分的初始矩阵,第一用户能力评分矩阵可以为该用户群体中用户的初始能力评分。其中,第一群体能力评分矩阵可以通过专家法构建,例如,可以依据业务开展和分析需求圈定用户客群作为待测用户群体。例如可以按照净值等级、理财年限等级、收益表现等级等圈定用户群体,并设置用户群体标签。例如按用户净值等级圈定出用户群体A,其用户群体标签可以为高净值用户群。以用户群体A为待测用户群体,基于专家法初始化设定第一群体能力评分矩阵EAR[i,j]1为{90,90,90,85}。并可以根据用户选择或系统主动推送等不同形式进行理财知识问答测试,例如从知识库中进行知识推送,理财用户参与答题后得到的测评结果作为该用户知识能力的评价结果,以各用户能力评分构建第一用户能力评分矩阵AAR[i,j]1。其中,知识库可以包含各知识领域理财相关知识,以测试待测用户在各领域中各维度下的能力。例如,可以按照行业、理财产品类别、权益服务场景等确定知识领域,依据知识领域的特点以及所涉及的能力需求设置知识库,从理论知识、实战技巧、收益管理和风险偏好等不同维度测试用户能力。例如,知识库可以包含证券基础、法律知识、实操技巧、历史事件、金融工具、财务知识、数据挖掘基础、量化知识、衍生品知识等。其中,证券基础可以从理论知识维度测试用户能力,法律知识可以从风险偏好维度测试用户能力,实操技巧可以从实战技巧维度测试用户能力。在设置知识库时,还可以采用专家法按领域根据难度能级划分的知识题库,并可以根据答题情况修正题库的能级。其中,对于不同难度级别,可以以不同难度标签进行标识,例如入门级别为EL0~6,中级为J0~4,高级为S0~2,专家E。其中,数字越大代表能级越高。对不同的能级所对应的题目,赋予不同的分数。能级越高,分数越高。由此,可以建立用户偏好与用户能力评分的关联关系。在获取用户能力评分后,还可以基于业务开发和分析需求设置用户能力标签。
在一些具体的实施例中,为了对用户能力进行更细致的划分和利于迭代修正评估,对同能力级别的用户可以进一步进行能级细化,拆分成多个用户能级评分矩阵和/或群体能级评分矩阵。例如,对于用户群体A,可以再次基于专家法,将用户群体的第一群体能力评分矩阵拆分成多个初始群体能级评分矩阵,如设定为{95,95,95,30},{75,75,75,50},{55,55,55,70}。由此,可以在迭代修正过程中对用户能力评级矩阵进行修正,及时更新用户能力评级以及能力标签。其中,用户能力标签可以以各维度能力中最卓越的能力评级作为能力标签。例如用户理论知识能力为BK2,是该用户所有能力中最卓越的,则能力标签就是理论知识能力级别-BK2。当四维能力均衡时,可以采用业务专家人工标记的方式,设定用户能力标签。
在一些具体的实施例中,还可以基于用户各维度能力评分获取综合得分CScore,以利于业务人员记录和进行相关业务处理。其中,综合评分CScore的计算可以采用设定的能力权重矩阵WR[i,j],能力相关性系数矩阵RR[i,j]与能力评分矩阵进行卷积得到(可以将卷积结果进行百分制处理)。
根据本公开的实施例,为了消除偶然性因素,去除个体能力显著差异对于预测结果的影响,可以在获取第一群体能力评分矩阵和所述第一用户能力评分矩阵后对其进行t次迭代修正。每次迭代均可修正群体能力评分和用户个体能力评分。在完成t次迭代,获取第t+1用户能力评分矩阵和第t+1群体能力评分矩阵后,可以进一步获取最终的用户能力矩阵。
图4示意性示出了根据本公开实施例的对第一群体能力评分矩阵和所述第一用户能力评分矩阵进行t次迭代修正的方法的流程图。
如图4所示,该实施例的迭代修正方法包括操作S410~操作S440。
在操作S410,基于第一用户能力评分矩阵和所述第一群体能力评分矩阵计算用户能力评分标准差。其中,用户能力评分标准差包括用户群体中第i个用户的能力评分与群体能力评分的标准差,其中,i为正整数。
当用户能力评分标准差大于或等于第一阈值时,执行操作S420。
在操作S420,对所述第一用户能力评分矩阵进行用户评分修正,获取第二用户能力评分矩阵。
在操作S430,基于所述第二用户能力评分矩阵对所述第一用户群体能力评分矩阵进行群体评分修正,获取第二用户群体能力评分矩阵。
在操作S440,基于第一时间窗口对用户评分修正过程以及群体评分修正过程进行t次迭代。
根据本公开的实施例,可以设置第一时间窗口为观察期进行用户能力评分修正。第一时间窗口可以为一周/半月/一月等,具体的窗口时间可以基于业务评测需求进行设定。在本公开的实施例中,可以持续观察t个时间窗口,在每一个时间窗口中均推送能力测试,从而在每一次迭代后完成该轮次用户能力评分修正。进一步,可以在完成用户能力评分修正后,基于修正后的用户能力评分对用户群体能力评分进行修正。例如,可以各用户能力评分的期望作为用户群体能力修正评分。也可以基于用户能力评分与上一轮次用户群体能力评分的偏差进行调整。
可以理解,当用户能力评分标准差小于第一阈值时,保持用户能力评分不变作为下一次迭代的初始用户能力评分数据。
在一些实施例中,可以以当前时间窗口的用户能力评分矩阵AAR[i,j]和群体能力评分矩阵EAR[i,j]计算用户能力评分标准差(例如任一维度能力评分的标准差),并基于用户能力评分标准差为判断依据对用户能力评分进行修正。例如,当用户能力标准差高于预设标准差阈值(即第一阈值)后,上调用户能力评分。当用户能力标准差低于预设标准差阈值后,下调用户能力评分。当用户能力标准差在预设标准差阈值范围内时,保持用户能力评分不变。在一些具体的实施例中,可以基于细分的用户能级评分矩阵进行用户能力评分调整。例如,当任一维度用户能力标准差高于预设标准差阈值(即第一阈值,例如+7标准差)后,该项能力提升一个能级评分级别;当任一维度用户能力标准差低于预设标准差阈值(即第一阈值,例如-7标准差)后,则该项能力下调一个能级评分级别。处于能级评分级别边界时可以直接进行能级上调或下调。进一步,可以基于能级级别调整能力评分。例如,当能级上调一个级别时,采用调整后的能级对应的能力评分期望值偏离预设标准差阈值为调整幅度进行能力评分调整。例如,当能级下调时,取下调能级的能力评分期望值+7个标准差为调整后的能力评分;当能级上调时,取上调能级的能力评分期望值-7个标准差为调整后的能力评分。由此可以获取迭代后的用户能力评分矩阵以及群体能力评分矩阵。经过t次迭代后,可以消除能力评分判断的误差,得出较为准确的个体用户能力评估和群体能力评估。
在一些实施例中,为了进一步过滤偏差数据,可以在完成迭代后对异常数据进行剔除,以获取最终的用户能力矩阵。
图5示意性示出了根据本公开实施例的基于所述第t+1用户能力评分矩阵和第t+1群体能力评分矩阵获取用户能力矩阵的方法的流程图。
如图5所示,该实施例的获取用户能力矩阵的方法包括操作S510~操作S520。
在操作S510,基于所述第t+1用户能力评分矩阵和所述第t+1群体能力评分矩阵计算用户能力评分标准差。
在操作S520,剔除用户能力评分标准差大于等于第二阈值的第j个用户的能力评分,其中,所述j满足1≤j≤i且j为整数。
根据本公开的实施例,在获取迭代t次后的第t+1用户能力评分矩阵和所述第t+1群体能力评分矩阵。可以进一步计算用户能力评分和群体能力评分间的用户能力评分标准差。对用户能力评分标准差大于等于第二阈值的用户及其用户能力评分进行剔除,以完成偏差数据过滤。应当理解,第一阈值和第二阈值的设定可以相同或不同。此外,当收益数据存在缺失值等失真情况时,可以进行数据补充以保证数据的完整性。
根据本公开的实施例,获取与每个用户分组匹配的用户收益表现还包括:获取第p个用户分组经过预设时间周期后的用户收益表现,其中,p为大于等于1的整数;所述预设时间周期包含m个第二时间窗口,m为大于等于2的整数;其中,在每个第二时间窗口期间均对所述第p个用户分组进行权益服务激励。
在本公开的实施例中,基于理财产品特性和用户消费特性,可以基于第二时间窗口为激励周期,持续对每一个用户分组进行权益服务激励,以过滤偶然偏差,提升用户收益表现数据的稳定性和可靠性。
图6示意性示出了根据本公开实施例的获取分组一致性收益判据的方法的流程图。
如图6所示,该实施例的获取分组一致性收益判据的方法包括操作S610~操作S640。
在操作S610,基于所述用户分组能力矩阵和所述用户分组收益信息获取分组收益数据。
根据本公开的实施例,分组收益数据可以为用户分组能力矩阵和用户分组收益匹配的集合,即任一分组中的任一用户与该用户能力评分以及该用户在当前权益用量分组下的收益形成映射关系并共同构成该用户收益数据。
在操作S620,基于用户属性对所述分组收益数据进行分箱,获取分组属性预测指标矩阵。
根据本公开的实施例,可以基于用户属性维度对分组收益数据进行分箱,以评测用户属性对收益的关联关系。其中,分组属性预测指标矩阵个数可以为n,n为大于等于2的整数;每个分组属性预测指标矩阵与一种用户属性相对应,所述用户属性包含用户能力;所述分组属性预测指标矩阵包含q个分组属性预测指标值,其中q为分箱个数。由此,对于每一个分组,均可以基于一种用户属性分箱并得到对应于每一个分箱的用户属性预测指标。在本公开的实施例中,用户能力包含一个或多个维度,每个维度的用户能力均可作为一种用户属性,相应的,可以以相应维度的用户能力评分为依据进行分箱。需说明,用户属性还可以包含其他维度属性,例如可以包含用户性别,学历,用户偏好等,可以基于业务分析需求选取相应的用户属性作为分箱依据。可以理解,其他维度属性可以在数据收集阶段进行采集以便在分箱时应用。由此,可以实现基于用户能力,用户偏好,用户性别,学历等多维度因素进行科学,客观地生成权益价值信息。本公开实施例所用的分箱策略可以包含本领域常见分箱策略,例如等距分箱,等深分箱,最小熵法,用户自定义区间法等。应当理解,当用户属性为类别型变量(如性别,学历)时,可以直接按照类别枚举进行分箱。需注意,当抽样分箱样本在分组总体样本中占比超过70%时,代表分箱抽样分布极度不均匀,该组分箱无效。
在操作S630,基于所述分组收益数据和所述分组属性预测指标进行逻辑回归拟合,获取收益分布曲线。
根据本公开的实施例,在获取每一个分组属性预测指标后,可以利用分组收益数据和分组属性预测指标进行逻辑回归拟合,获取收益分布曲线,以评测各用户属性对于用户收益的整体影响。典型的实现方法包括采用python的statsmodel库的Logit方法进行拟合。
在操作S640,对所述收益分布曲线进行评估,获取所述分组一致性收益判据。
根据本公开的实施例,在获取拟合结果后,可以对拟合结果进行评估,以筛选出最显著的收益区间,并将标识最显著收益区间的收益作为分组一致性收益判据。典型的评估方式可以为K-S评估,通过绘制K-S曲线查找分组一致性收益判据。其中,对于第p个分组,可以基于式(1)计算K-S:
K-S(p)=SUM(#Yq(p))/#Yq)/(SUM(#Np(q))/#Np 式(1)
其中,K-S(p)代表第p个分组的K-S,#代表交易样本,Yp(q)代表第p个分组中第q个分箱中响应数据数量,Yp代表第p个分组中响应数据数量,Np(q)代表第p个分组中第q个分箱中未响应数据数量,Np代表第p个分组中未响应数据数量。可见,K-S(P)可以作为分组一致性收益判据标识最显著收益区间。
根据本公开的实施例,基于用户属性对所述分组收益数据进行分箱,获取分组属性预测指标矩阵还可以包括:针对第k种用户属性,调整分箱策略直至对应于第k种用户属性的分组属性预测指标矩阵包含单调递增的分组属性预测指标值,其中,k满足1≤k≤n且k为整数。所述分组属性预测指标值基于当前分箱中的响应数据和未响应数据计算得到,其中,所述响应数据和所述未响应数据基于当前分箱中用户收益期望偏差进行筛选获取。
在本公开的实施例中,可以以分箱WOE权重作为分组属性预测指标。具体的,可以以用户收益为样本,当前分箱中用户收益与该组用户收益期望的偏差作为相应数据和未响应数据的筛选依据。例如,偏差在第一预设偏差范围的样本为未响应数据,偏差在第二预设偏差范围的样本为响应数据。在一个示例中,第一预设偏差范围可以为3个标准差~7个标准差,第二预设偏差范围可以为3个标准差以内。如式(2),可以根据响应数据和未响应数据的数量计算第p个分组中第q个分箱的WOE权重:
WOEq=ln((#Yp(q)/#Yp)/(#Np(q)/#Np)) 式(2)
其中,WOEq代表第q个分箱的WOE权重。当第p个分组的WOE单调递增时,即获取了分组属性预测指标,该分组属性预测指标可以用于后续逻辑回归拟合。
在一些具体的实施例中,还可以基于IV值筛选法进行WOE权重的筛选/合并,以筛选影响最大的用户属性,并将其分组属性预测指标用于后续拟合,减少数据处理开销。其中,可以基于式(3)计算IV值:
IVq=(#Yp(q)/#Yp-#Np(q)/#Np)×ln((#Yp(q)/#Yp)/(#Np(q)/#Np))
式(3)
其中,IVq代表第q个分箱的IV值,可以预设IV阈值,仅以大于IV阈值的分箱对应的WOE权重作为分组属性预测指标。
图7示意性示出了根据本公开实施例的获取分组一致性收益判据的方法的流程图。
如图7所示,该实施例的获取分组一致性收益判据的方法包括操作S710~操作S720。
在操作S710,对各分组一致性收益判据按照从大到小的顺序进行排序;
在操作S720,以预设排序编号的分组一致性收益判据作为总体一致性收益判据。
根据本公开的实施例,在获取各分组一致性收益判据后,即可预测各分组权益服务用量下最显著收益区间。通过对各分组一致性收益判据的排序,可以预测该能力评分矩阵中用户能够获得的最显著区间收益。可以理解,排序第一的分组一致性收益判据为用户收益一致性最强且收益最高的收益。为了进一步消除偶然性和过滤偏差,提高预测结果的普适度,可以以预设排序编号的分组一致性收益判据作为总体一致性收益判据。由此,可以基于总体一致性收益判据获取对应的权益服务流量,进而最终生成价值信息。
基于上述基于流量预测的价值信息生成方法,本公开还提供了一种基于流量预测的价值信息生成装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的基于流量预测的价值信息生成装置的结构框图。
如图8所示,该实施例的基于流量预测的价值信息生成装置800包括能力测评模块810、第一分组模块820、权益激励模块830、评估模块840、预测模块850和价值信息生成模块860。
能力测评模块810被配置为获取用户能力矩阵,所述用户能力矩阵包含用户能力评分值。
第一分组模块820被配置为对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵。
权益激励模块830被配置为针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息。
评估模块840被配置为基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据,其中,所述分组一致性收益判据用于预测分组最显著收益区间。
预测模块850被配置为基于各分组一致性收益判据获取总体一致性收益判据,其中,所述总体一致性收益判据用于预测同能力用户最显著收益区间。
价值信息生成模块860被配置为基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
根据本公开的实施例,能力测评模块810、第一分组模块820、权益激励模块830、评估模块840、预测模块850和定价模块860中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,能力测评模块810、第一分组模块820、权益激励模块830、评估模块840、预测模块850和价值信息生成模块860中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,能力测评模块810、第一分组模块820、权益激励模块830、评估模块840、预测模块850和价值信息生成模块860中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现基于流量预测的价值信息生成方法的电子设备的方框图。
如图9所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机防问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的基于流量预测的价值信息生成方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种基于流量预测的价值信息生成方法,其特征在于,包括:
获取用户能力矩阵,所述用户能力矩阵包含用户能力评分值;
对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵;
针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息;
基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据,其中,所述分组一致性收益判据用于预测分组最显著收益区间;
基于各分组一致性收益判据获取总体一致性收益判据,其中,所述总体一致性收益判据用于预测同能力用户最显著收益区间;以及
基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
2.根据权利要求1所述的方法,其中,所述获取用户能力矩阵包括:
获取用户群体的第一群体能力评分矩阵和第一用户能力评分矩阵;
对所述第一群体能力评分矩阵和所述第一用户能力评分矩阵进行t次迭代修正,获取第t+1用户能力评分矩阵和第t+1群体能力评分矩阵,其中,t为大于等于1的整数;以及
基于所述第t+1用户能力评分矩阵和第t+1群体能力评分矩阵获取用户能力矩阵。
3.根据权利要求2所述的方法,其中,所述对所述第一群体能力评分矩阵和所述第一用户能力评分矩阵进行t次迭代修正包括:
基于所述第一用户能力评分矩阵和所述第一群体能力评分矩阵计算用户能力评分标准差,当所述用户能力评分标准差大于等于第一阈值时,对所述第一用户能力评分矩阵进行用户评分修正,获取第二用户能力评分矩阵,其中,所述用户能力评分标准差包括用户群体中第i个用户的能力评分与群体能力评分的标准差,其中,i为正整数;
基于所述第二用户能力评分矩阵对所述第一用户群体能力评分矩阵进行群体评分修正,获取第二用户群体能力评分矩阵;
基于第一时间窗口对用户评分修正过程以及群体评分修正过程进行t次迭代。
4.根据权利要求2所述的方法,其中,所述基于所述第t+1用户能力评分矩阵和第t+1群体能力评分矩阵获取用户能力矩阵包括:
基于所述第t+1用户能力评分矩阵和所述第t+1群体能力评分矩阵计算用户能力评分标准差;
剔除用户能力评分标准差大于等于第二阈值的第j个用户的能力评分,其中,所述j满足1≤j≤i且j为整数。
5.根据权利要求1所述的方法,其中,所述获取与每个用户分组匹配的用户收益表现还包括:
获取第p个用户分组经过预设时间周期后的用户收益表现,其中,p为大于等于1的整数;所述预设时间周期包含m个第二时间窗口,m为大于等于2的整数;其中,在每个第二时间窗口期间均对所述第p个用户分组进行权益服务激励。
6.根据权利要求1所述的方法,其中,所述基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据包括:
基于所述用户分组能力矩阵和所述用户分组收益信息获取分组收益数据;
基于用户属性对所述分组收益数据进行分箱,获取分组属性预测指标矩阵,其中,所述分组属性预测指标矩阵个数为n,n为大于等于2的整数;每个分组属性预测指标矩阵与一种用户属性相对应,所述用户属性包含用户能力;所述分组属性预测指标矩阵包含q个分组属性预测指标值,其中q为分箱个数;
基于所述分组收益数据和所述分组属性预测指标进行逻辑回归拟合,获取收益分布曲线;
对所述收益分布曲线进行评估,获取所述分组一致性收益判据。
7.根据权利要求6所述的方法,其中,所述基于用户属性对所述分组收益数据进行分箱,获取分组属性预测指标矩阵包括:
针对第k种用户属性,调整分箱策略直至对应于所述第k种用户属性的分组属性预测指标矩阵包含单调递增的分组属性预测指标值,其中,k满足1≤k≤n且k为整数;所述分组属性预测指标值基于当前分箱中的响应数据和未响应数据计算得到,其中,所述响应数据和所述未响应数据基于当前分箱中用户收益期望偏差进行筛选获取。
8.根据权利要求6所述的方法,其中,所述基于各分组一致性收益判据获取总体一致性收益判据包括:
对各分组一致性收益判据按照从大到小的顺序进行排序;
以预设排序编号的分组一致性收益判据作为总体一致性收益判据。
9.一种基于流量预测的价值信息生成装置,其特征在于,包括:
能力测评模块,配置为获取用户能力矩阵,所述用户能力矩阵包含用户能力评分值;
第一分组模块,配置为对所述用户能力矩阵进行用户分组抽样,获取用户分组能力矩阵;
权益激励模块,配置为针对每个用户分组配置不同的权益服务流量,获取与每个用户分组匹配的用户分组收益信息;
评估模块,配置为基于所述用户分组能力矩阵和所述用户分组收益信息获取分组一致性收益判据,其中,所述分组一致性收益判据用于预测分组最显著收益区间;
预测模块,配置为基于各分组一致性收益判据获取总体一致性收益判据,其中,所述总体一致性收益判据用于预测同能力用户最显著收益区间;以及
定价模块,配置为基于所述总体一致性收益判据,权益要素用量矩阵,以及权益要素成本矩阵获取价值信息。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308836.2A CN114663083A (zh) | 2022-03-25 | 2022-03-25 | 基于流量预测的价值信息生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308836.2A CN114663083A (zh) | 2022-03-25 | 2022-03-25 | 基于流量预测的价值信息生成方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663083A true CN114663083A (zh) | 2022-06-24 |
Family
ID=82032936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210308836.2A Pending CN114663083A (zh) | 2022-03-25 | 2022-03-25 | 基于流量预测的价值信息生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663083A (zh) |
-
2022
- 2022-03-25 CN CN202210308836.2A patent/CN114663083A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boyle | Contingent valuation in practice | |
Lu | The philanthropic consequence of government grants to nonprofit organizations: A meta‐analysis | |
Lewis | Asymmetric price adjustment and consumer search: An examination of the retail gasoline market | |
Pike et al. | Examining the effects of institutional and cohort characteristics on retention rates | |
US8744946B2 (en) | Systems and methods for credit worthiness scoring and loan facilitation | |
US20170124184A1 (en) | Method and system for performing a probabilistic topic analysis of search queries for a customer support system | |
Rose Birch et al. | The characteristics of ‘Gap‐Year’students and their tertiary academic outcomes | |
Königsheim et al. | Financial knowledge, risk preferences, and the demand for digital financial services | |
Abduh et al. | Factors Influence Depositors-Withdrawal Behavior in Islamic Banks: A Theory of Reasoned Action | |
Cotler et al. | The lending interest rates in the microfinance sector: searching for its determinants | |
CN103748605A (zh) | 转化类型到转化类型的传送 | |
US20190034843A1 (en) | Machine learning system and method of grant allocations | |
Perdana et al. | Accelerating data analytics adoption in small and mid-size enterprises: A Singapore context | |
CN103608807A (zh) | 路径长度选择器 | |
Behaghel et al. | How can randomised controlled trials help improve the design of the common agricultural policy? | |
US20120330729A1 (en) | Engine, system and method of providing business valuation and database services using alternative payment arrangements | |
Rolfe et al. | Meta-analysis: rationale, issues and applications | |
Huang et al. | Models of transportation choice with risk: an application to managed lanes | |
Bradley et al. | Governments harnessing the power of data to get ‘value for money’: a simulation study of England’s Office for Students B3 Proceed Metric | |
US20130103555A1 (en) | System and method for business verification using the data universal numbering system | |
Rolfe | Theoretical issues in using choice modelling data for benefit transfer | |
LaSota et al. | Does aid matter? A systematic review and meta-analysis of the effects of grant aid on college student outcomes | |
Guo et al. | Global network centrality of university rankings | |
Hayes | Valuing Broadband Benefits: A selective report on issues and options | |
Putra et al. | Antecedents of e-government perceived net benefits: a study of e-filing in Indonesia |
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 |