CN115641198A - 用户运营方法、装置、电子设备和存储介质 - Google Patents
用户运营方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115641198A CN115641198A CN202211280496.3A CN202211280496A CN115641198A CN 115641198 A CN115641198 A CN 115641198A CN 202211280496 A CN202211280496 A CN 202211280496A CN 115641198 A CN115641198 A CN 115641198A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- score
- interval
- asset
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种用户运营方法、装置、电子设备和存储介质;本申请实施例可以获取用户数据,所述用户数据包括资产数据、行为数据、资质数据、购买数据;基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分;基于所述用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;基于所述价值总分,确定所述用户所处的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;为所述用户制定所述价值区间对应的运营策略。本方案可以提升用户运营的效率。
Description
技术领域
本申请涉及计算机领域,具体涉及一种用户运营方法、装置、电子设备和存储介质。
背景技术
对互联网企业而言,用户资源是核心资源,能够给予资本市场无尽的想象;但银行体系下,传统估值模型仅关注银行整体盈利性,难以评估其内部互联网平台的用户变现价值。以往对公客户的价值评估体系都是基于PB-ROE框架,关注每股净资产、股权收益率等财务指标,识别相对盈利能力强、但净资产溢价少的银行。该种评估方法单纯考虑财务指标,而忽略用户流量背后的经济价值,所以难以预测银行通过互联网金融平台用户上量带来的超常规增长。所以,现行的财务估值模型(如EVA模型),忽略了用户变现价值,对银行对公用户价值成长性难以准确预判。
发明内容
本申请实施例提供一种用户运营方法、装置、电子设备和存储介质,可以提升用户运营的效率。
本申请实施例提供一种用户运营方法,包括:
获取用户数据,所述用户数据包括资产数据、行为数据、资质数据、购买数据;
基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分;
基于所述用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;
基于所述价值总分,确定所述用户所处的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
为所述用户制定所述价值区间对应的运营策略。
本申请实施例还提供一种用户运营装置,包括:
获取单元,用于获取用户数据,所述用户数据包括资产数据、行为数据、资质数据、购买数据;
评分单元,用于基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分;
总分单元,用于基于所述用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;
区间单元,用于基于所述价值总分,确定所述用户所处的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
运营单元,用于为所述用户制定所述价值区间对应的运营策略。
在一些实施例中,所述获取单元,包括:
获取子单元,用于获取原始用户数据;
量化子单元,用于对所述原始用户数据进行量化处理,得到量化数据;
缺失值子单元,用于对所述量化数据进行缺失值分析,得到补缺数据;
异常值子单元,用于对所述补缺数据进行异常值剔除,得到用户数据。
在一些实施例中,所述异常值子单元,用于:
生成所述补缺数据对应的箱线图;
将位于所述箱线图中箱线边缘以外的数据确定为异常数据;
将所述异常数据剔除出所述补缺数据,得到用户数据。
在一些实施例中,所述异常值子单元,用于:
确定所述补缺数据之间的密度;
将密度小于预设阈值的所述补缺数据确定为异常数据;
将所述异常数据剔除出所述补缺数据,得到用户数据。
在一些实施例中,所述异常值子单元,用于:
对所述补缺数据进行聚类处理,得到多个聚类簇,每个所述聚类簇包括中心点;
确定每个所述聚类簇中补缺数据与所述中心点之间的距离;
将距离最大的补缺数据确定为异常数据;
将所述异常数据剔除出所述补缺数据,得到用户数据。
在一些实施例中,所述评分单元,包括:
构建子单元,用于构建逻辑回归评分卡模型;
评分子单元,用于将所述资产数据、行为数据、资质数据、购买数据输入所述逻辑回归模型,得到所述用户的资产评分、行为评分、资质评分、购买力评分。
在一些实施例中,所述构建子单元,用于:
获取训练样本,所述训练样本标注有其对应的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
计算高资产活跃区间的训练样本的证据权重;
计算活跃交易区间的训练样本的证据权重;
计算活跃非交易区间的训练样本的证据权重;
计算高外围沉默的训练样本的证据权重;
基于所述所有证据权重训练预设的逻辑回归模型,得到逻辑回归评分卡模型。
本申请实施例还提供一种电子设备,包括存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行本申请实施例所提供的任一种用户运营方法中的步骤。
本申请实施例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存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例所提供的任一种用户运营方法中的步骤。
本申请实施例提出的新的银行对公用户价值评估标准,围绕用户和业务两个方面,从用户资产、行为表现、经营资质、交易金额4个维度19个指标对银行整体对公用户价值进行评估,相较于传统的估值模型,进一步考虑了策略经营维度以及用户变现的潜在价值,以求更全面地反映银行的对公用户整体价值,针对不同价值的用户采用不同的运营策略,从而解决运营资源浪费与分配粗放的问题,由此,本申请实施例可以提升用户运营的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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他的附图。
图1是本申请实施例提供的用户运营方法的场景示意图;
图2是本申请实施例提供的用户运营方法的混淆举证示意图;
图3是本申请实施例提供的用户运营装置的结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请实施例提供一种用户运营方法、装置、电子设备和存储介质。
其中,该用户运营装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该用户运营装置还可以集成在多个电子设备中,比如,用户运营装置可以集成在多个服务器中,由多个服务器来实现本申请的用户运营方法。
在一些实施例中,服务器也可以以终端的形式来实现。
例如,该电子设备可以是服务器,该服务器可以获取用户数据,所述用户数据包括资产数据、行为数据、资质数据、购买数据;基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分;基于所述用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;基于所述价值总分,确定所述用户所处的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;为所述用户制定所述价值区间对应的运营策略。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
图1为本申请实施例的流程图,具体解释如下:
101、获取用户数据,所述用户数据包括资产数据、行为数据、资质数据、购买数据。
其中,资产数据是指用户的用户资产信息,如资产持有情况、资产使用情况等;行为数据是指用户的行为表现信息,如用户在平台的登陆行为、交易行为、忠诚行为等;资质数据是指用户的经营资质信息,如经营属性特征、经营情况、税务情况等;购买数据可以包括用户购买的金融产品、非金融产品等。
在一些实施例中,需要对数据进行预处理,故步骤101可以包括如下步骤:
获取原始用户数据;
对所述原始用户数据进行量化处理,得到量化数据;
对所述量化数据进行缺失值分析,得到补缺数据;
对所述补缺数据进行异常值剔除,得到用户数据。
其中,量化处理是指对于数据集中部分指标为非数字化数据,如忠诚行为、经营情况、属性特征等进行数字化映射,使其成为量化的数字数据。
其中,由于数学模型对缺失值敏感,因此填补缺失值是其中很重要的一个步骤。在一些实施例中,可以利用图形函数对缺失值部分进行可视化展示,然后统计缺失值的数量数据,获取数据的可视化呈现。在一些实施例中,可以根据缺失数据的情况,选择处理方法,如基于聚类的方法、基于回归的方法、基于均值的方法等。在一些实施例中,如果缺失值所占比例小于预设比例阈值,直接移除不会损失大量观测,因此也可以直接移除缺失值。
由于互联网用户部分指标缺失率较高,因此在一些实施例中,为了避免损失大量观测,可以利用KNN方法对缺失值进行填补。
其中,KNN(K-NearesNeighbor)即K邻近法是一种聚类方法,给定两个样本I=(i1,i2,…in)和J=(j1,j2,…jn),其中n表示特征数,I和J两个向量间的欧氏距离(EuclideanDistance)表示为:
将待测点与所有点距离进行计算,然后排序选出前K个点。
在一些实施例中,由于异常值可能会导致构建模型时的模型倾斜,因此可以采用单变量异常值检测法进行异常值剔除。故对补缺数据进行异常值剔除,得到用户数据可以包括如下步骤:
生成所述补缺数据对应的箱线图;
将位于所述箱线图中箱线边缘以外的数据确定为异常数据;
将所述异常数据剔除出所述补缺数据,得到用户数据。
例如,根据返回的统计数据生成箱线图。更明确的说就是里面列出了箱线图中箱须线外面的数据点。
在一些实施例中,也可以采用LOF(局部异常因子)检测异常值,故对补缺数据进行异常值剔除,得到用户数据可以包括如下步骤:
确定所述补缺数据之间的密度;
将密度小于预设阈值的补缺数据确定为异常数据;
将异常数据剔除出补缺数据,得到用户数据。
其中,LOF(局部异常因子)是一种基于密度识别异常值的算法。算法实现是:将一个点的局部密度与分布在它周围的点的密度相比较,如果前者明显的比后者小,那么这个点相对于周围的点来说就处于一个相对比较稀疏的区域,这就表明该点是一个异常值。
在一些实施例中,也可以通过聚类检测异常值,故对补缺数据进行异常值剔除,得到用户数据可以包括如下步骤:
对补缺数据进行聚类处理,得到多个聚类簇,每个聚类簇可以包括中心点;
确定每个聚类簇中补缺数据与中心点之间的距离;
将距离最大的补缺数据确定为异常数据;
将异常数据剔除出补缺数据,得到用户数据。
例如,通过聚类把数据聚成不同的类,选择不属于任何类的数据作为异常值。在一些实施例中可以使用K-means算法实现异常值的检测:首先通过把数据划分为k组,划分方式是选择距离各自簇中心最近的点为一组;然后计算每个对象和对应的簇中心的距离(或者相似度),并挑出拥有最大的距离的点作为异常值,对于异常值直接剔除。
在一些实施例中,还可以对用户数据进行变量分析,例如,通过单变量分析、分析变量之间的相关性去除冗余数据等。
例如,由于变量之间相关性显著会影响模型的预测效果,因此如果存在多重共线性,即有可能存在两个变量高度线性相关,则可以对这两个变量进行降维或剔除其中之一的处理。
102、基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分。
在一些实施例中,步骤102可以包括如下步骤:
构建逻辑回归评分卡模型;
将资产数据、行为数据、资质数据、购买数据输入所述逻辑回归模型,得到所述用户的资产评分、行为评分、资质评分、购买力评分。
其中逻辑回归评分卡模型是指将逻辑(Logistic)回归模型转变为评分卡(Score)格式的模型。
以下介绍逻辑回归模型:
考虑具有n个独立变量的向量x={x1、x2、....xn}设条件概率P(y=1|x)=p为根据观测量相对于某事件x发生的概率。那么Logistic回归模型可以表示为:
所以这个比值称为事件的发生比(the odds of experiencing an event),简记为odds。对odds取对数得到:
其中的x=(x1,x2,....xn)为n个用户数据指标。
利用全变量进行回归,根据模型拟合效果情况,根据p值能否通过检验,来确定保留结果,用AIC值(赤池信息准则)来衡量模型的拟合效果。
在一些实施例中,在构建逻辑回归评分卡模型后评估该模型是否可靠,例如,可以通过ROC(Receiver Operating Characteristic)曲线和AUC值来进行评价。
其中,如图2所示,图2为混淆矩阵,其中P(Positive)和N(Negative)代表模型的判断结果,T(True)和F(False)评价模型的判断结果是否正确。
FP(False Positive)指假正例,模型的判断是正例(P),实际上这是错误的(F);FN(False Negative)指假负例,模型的判断是负例(N),实际上这是错误的(F);TP(TruePositive)指真正例,模型的判断是正例(P),实际上它也是正例,预测正确(T);TN(TrueNegative)指真负例,模型的判断是负例(N),实际上它也是负例,预测正确(T)。
其中,指标包括:
准确率accuracy=预测正确的样本数T/所有样本数T+F,即预测正确的样本比例(包括预测正确的正样本和预测正确的负样本)。
Precision查准率=真正例样本数TP/所有正例样本数TP+FP,用于衡量模型对某一类的预测有多准。
Recall召回率(真正类率)=真正例样本数TP/真正例样本数TP+假负例样本数FN之和。
FP Rate负正类率代表分类器预测的负类中负实例占所有负实例的比例,TN Rate=1-FP Rate。
roc曲线上每个点反映着对同一信号刺激的感受性,其横轴为假正类率(falsepostive rate,FPR),纵轴为真正类率Recall(true postive rate,TPR)。
在一些实施例中,构建逻辑回归评分卡模型可以包括如下步骤:
获取训练样本,训练样本标注有其对应的价值区间,价值区间可以包括四个大区间,每个大区间可以包括五个小区间,四个大区间可以包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
计算高资产活跃区间的训练样本的证据权重;
计算活跃交易区间的训练样本的证据权重;
计算活跃非交易区间的训练样本的证据权重;
计算高外围沉默的训练样本的证据权重;
基于所有证据权重训练预设的逻辑回归模型,得到逻辑回归评分卡模型。
其中,证据权重(Weight of Evidence,WOE)转换可以将Logistic回归模型转变为标准评分卡格式。用WOE(x)替换变量x,这里的x表示客户对银行的价值因素。其中,WOE=ln[(无价值/总无价值)/(有价值/总有价值)]。
其中,WOE是对原始自变量的一种编码形式,要对一个变量进行WOE编码,需要首先把这个变量进行分组处理(也叫离散化、分箱)。当前分组WOE的正负,由当前分组响应和未响应的比例,与样本整体响应和未响应的比例的大小关系决定,当前分组的比例小于样本整体比例时,WOE为负,当前分组的比例大于整体比例时,WOE为正,当前分组的比例和整体比例相等时,WOE为0。
在本申请实施例中引入WOE转换是由于一些变量不应该被纳入模型,这或者是因为这部分变量不能增加模型值,或者是因为与其模型相关系数有关的误差较大,因此,通过引入WOE转换可提高用户分类的精度,同时,采用WOE转换可降低Logistic回归模型需要处理的自变量的数量。
103、基于用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分。
标准评分卡采用的格式是评分卡中的每一个变量都遵循一系列IF-THEN法则,变量的值决定了该变量所分配的分值,总分为各评分分值之和。
在一些实施例中,评分卡设定的分值刻度通过分值在这里,表示客户的有价值和无价值的概率比对数(log(odds)),其线性表达式为:
Score=A-Blog(odds)
上述流程中得到了每个变量经WOE变换后各类别的WOE值和各变量的logistic回归模型的系数(β0,β1…),因此每条记录的违约和正常概率比的对数log(odds)就可以得到:
Score=A-B{β0+β1x1+…βpxp}
在一些实施例中,计算A、B值最终得到客户价值总评分的计算公式如下:
客户价值总评分=基础分+各因素得分
104、基于价值总分,确定用户所处的价值区间,价值区间包括四个大区间,每个大区间包括五个小区间,四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间。
在一些实施例中,可以将分值划分为4个价值区间具体可以划分为高价值活跃客户、活跃交易客户、活跃非交易客户、外围沉默客户从高到低的四个客群。
在一些实施例中,每个价值区间又可以划分为5个小区间,如青铜、白银、黄金、铂金、黑钻5个等级小区间,以便针对不同的客群和客户等级作相应的用户运营策略。
105、为用户制定价值区间对应的运营策略。
新的银行对公用户价值评估标准,围绕用户和业务两个方面,从用户资产、行为表现、经营资质、交易金额4个维度19个指标对银行整体对公用户价值进行评估,相较于传统的估值模型,进一步考虑了策略经营维度以及用户变现的潜在价值,以求更全面地反映银行的对公用户整体价值。SCORE模型在营收贡献的基础上,综合考虑银行对公用户潜在价值,一方面新增经营资质、行为表现两大潜力评价维度,另一方面创新性的提出能体现数据产生价值的价维度。能够更加进行对用户进行分群,完善用户价值体系,为客户指定精准的营销策略,提升银行收益。
由上可知,通过SCORE模型与银行对公用户价值评估指标的共同作用,可以提升银行整体对公用户综合价值。此外,通过根据分层客户制定特定的运营策略,可以分层引导提高交易转化和回报率。以及,根据模型得出的客户分层,映射出会员等级,根据会员等级建立用户积分体系,可以完善产品的客户运营。故本申请实施例可以提升用户运营的效率。
为了更好地实施以上方法,本申请实施例还提供一种用户运营装置,该用户运营装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
比如,在本实施例中,将以用户运营装置具体集成在服务器中为例,对本申请实施例的方法进行详细说明。
例如,如图3所示,该用户运营装置可以包括获取单元301、评分单元302、总分单元303、区间单元304以及运营单元305,如下:
(一)获取单元301。
获取单元301用于获取用户数据,用户数据包括资产数据、行为数据、资质数据、购买数据。
在一些实施例中,获取单元301,包括:
获取子单元,用于获取原始用户数据;
量化子单元,用于对原始用户数据进行量化处理,得到量化数据;
缺失值子单元,用于对量化数据进行缺失值分析,得到补缺数据;
异常值子单元,用于对补缺数据进行异常值剔除,得到用户数据。
在一些实施例中,异常值子单元,用于:
生成补缺数据对应的箱线图;
将位于箱线图中箱线边缘以外的数据确定为异常数据;
将异常数据剔除出补缺数据,得到用户数据。
在一些实施例中,异常值子单元,用于:
确定补缺数据之间的密度;
将密度小于预设阈值的补缺数据确定为异常数据;
将异常数据剔除出补缺数据,得到用户数据。
在一些实施例中,异常值子单元,用于:
对补缺数据进行聚类处理,得到多个聚类簇,每个聚类簇包括中心点;
确定每个聚类簇中补缺数据与中心点之间的距离;
将距离最大的补缺数据确定为异常数据;
将异常数据剔除出补缺数据,得到用户数据。
(二)评分单元302。
评分单元302用于基于资产数据、行为数据、资质数据、购买数据确定用户的资产评分、行为评分、资质评分、购买力评分。
在一些实施例中,评分单元302,包括:
构建子单元,用于构建逻辑回归评分卡模型;
评分子单元,用于将资产数据、行为数据、资质数据、购买数据输入逻辑回归模型,得到用户的资产评分、行为评分、资质评分、购买力评分。
在一些实施例中,构建子单元,用于:
获取训练样本,训练样本标注有其对应的价值区间,价值区间包括四个大区间,每个大区间包括五个小区间,四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
计算高资产活跃区间的训练样本的证据权重;
计算活跃交易区间的训练样本的证据权重;
计算活跃非交易区间的训练样本的证据权重;
计算高外围沉默的训练样本的证据权重;
基于所有证据权重训练预设的逻辑回归模型,得到逻辑回归评分卡模型。
(三)总分单元303。
总分单元303用于基于用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分。
(四)区间单元304。
区间单元304用于基于价值总分,确定用户所处的价值区间,价值区间包括四个大区间,每个大区间包括五个小区间,四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间。
(五)运营单元305。
运营单元305用于为用户制定价值区间对应的运营策略。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的用户运营装置由获取单元获取用户数据,用户数据包括资产数据、行为数据、资质数据、购买数据;由评分单元基于资产数据、行为数据、资质数据、购买数据确定用户的资产评分、行为评分、资质评分、购买力评分;由总分单元基于用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;由区间单元基于价值总分,确定用户所处的价值区间,价值区间包括四个大区间,每个大区间包括五个小区间,四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;由运营单元为用户制定价值区间对应的运营策略。
由此,本申请实施例可以提升用户运营的效率。
本申请实施例还提供一种电子设备,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑,等等;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,等等。
在一些实施例中,该用户运营装置还可以集成在多个电子设备中,比如,用户运营装置可以集成在多个服务器中,由多个服务器来实现本申请的用户运营方法。
在本实施例中,将以本实施例的电子设备是终端为例进行详细描述,比如,如图4所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,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。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。在一些实施例中,处理器401可包括一个或多个处理核心;在一些实施例中,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,在一些实施例中,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入模块404,该输入模块404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该电子设备还可包括通信模块405,在一些实施例中通信模块405可以包括无线模块,电子设备可以通过该通信模块405的无线模块进行短距离无线传输,从而为用户提供了无线的宽带互联网访问。比如,该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取用户数据,用户数据包括资产数据、行为数据、资质数据、购买数据;
基于资产数据、行为数据、资质数据、购买数据确定用户的资产评分、行为评分、资质评分、购买力评分;
基于用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;
基于价值总分,确定用户所处的价值区间,价值区间包括四个大区间,每个大区间包括五个小区间,四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
为用户制定价值区间对应的运营策略。以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种用户运营方法中的步骤。例如,该指令可以执行如下步骤:
获取用户数据,用户数据包括资产数据、行为数据、资质数据、购买数据;
基于资产数据、行为数据、资质数据、购买数据确定用户的资产评分、行为评分、资质评分、购买力评分;
基于用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;
基于价值总分,确定用户所处的价值区间,价值区间包括四个大区间,每个大区间包括五个小区间,四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
为用户制定价值区间对应的运营策略。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中提供的用户分类方面或者运营方面的各种可选实现方式中提供的方法。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种用户运营方法中的步骤,因此,可以实现本申请实施例所提供的任一种用户运营方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种用户运营方法、装置、电子设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种用户运营方法,其特征在于,包括:
获取用户数据,所述用户数据包括资产数据、行为数据、资质数据、购买数据;
基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分;
基于所述用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;
基于所述价值总分,确定所述用户所处的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
为所述用户制定所述价值区间对应的运营策略。
2.如权利要求1所述的用户运营方法,其特征在于,所述获取用户数据,包括:
获取原始用户数据;
对所述原始用户数据进行量化处理,得到量化数据;
对所述量化数据进行缺失值分析,得到补缺数据;
对所述补缺数据进行异常值剔除,得到用户数据。
3.如权利要求2所述的用户运营方法,其特征在于,所述对所述补缺数据进行异常值剔除,得到用户数据,包括:
生成所述补缺数据对应的箱线图;
将位于所述箱线图中箱线边缘以外的数据确定为异常数据;
将所述异常数据剔除出所述补缺数据,得到用户数据。
4.如权利要求2所述的用户运营方法,其特征在于,所述对所述补缺数据进行异常值剔除,得到用户数据,包括:
确定所述补缺数据之间的密度;
将密度小于预设阈值的所述补缺数据确定为异常数据;
将所述异常数据剔除出所述补缺数据,得到用户数据。
5.如权利要求2所述的用户运营方法,其特征在于,所述对所述补缺数据进行异常值剔除,得到用户数据,包括:
对所述补缺数据进行聚类处理,得到多个聚类簇,每个所述聚类簇包括中心点;
确定每个所述聚类簇中补缺数据与所述中心点之间的距离;
将距离最大的补缺数据确定为异常数据;
将所述异常数据剔除出所述补缺数据,得到用户数据。
6.如权利要求1所述的用户运营方法,其特征在于,所述基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分,包括:
构建逻辑回归评分卡模型;
将所述资产数据、行为数据、资质数据、购买数据输入所述逻辑回归模型,得到所述用户的资产评分、行为评分、资质评分、购买力评分。
7.如权利要求6所述的用户运营方法,其特征在于,所述构建逻辑回归评分卡模型,包括:
获取训练样本,所述训练样本标注有其对应的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
计算高资产活跃区间的训练样本的证据权重;
计算活跃交易区间的训练样本的证据权重;
计算活跃非交易区间的训练样本的证据权重;
计算高外围沉默的训练样本的证据权重;
基于所述所有证据权重训练预设的逻辑回归模型,得到逻辑回归评分卡模型。
8.一种用户运营装置,其特征在于,包括:
获取单元,用于获取用户数据,所述用户数据包括资产数据、行为数据、资质数据、购买数据;
评分单元,用于基于所述资产数据、行为数据、资质数据、购买数据确定所述用户的资产评分、行为评分、资质评分、购买力评分;
总分单元,用于基于所述用户的资产评分、行为评分、资质评分和购买力评分进行综合评估,得到用户的价值总分;
区间单元,用于基于所述价值总分,确定所述用户所处的价值区间,所述价值区间包括四个大区间,每个所述大区间包括五个小区间,所述四个大区间包括高资产活跃区间、活跃交易区间、活跃非交易区间和外围沉默区间;
运营单元,用于为所述用户制定所述价值区间对应的运营策略。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行如权利要求1~7任一项所述的用户运营方法中的步骤。
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存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1~7任一项所述的用户运营方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211280496.3A CN115641198A (zh) | 2022-10-19 | 2022-10-19 | 用户运营方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211280496.3A CN115641198A (zh) | 2022-10-19 | 2022-10-19 | 用户运营方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641198A true CN115641198A (zh) | 2023-01-24 |
Family
ID=84944153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211280496.3A Pending CN115641198A (zh) | 2022-10-19 | 2022-10-19 | 用户运营方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809835A (zh) * | 2023-02-07 | 2023-03-17 | 南京爱福路汽车科技有限公司 | 一种车辆维修门店运营情况评价方法及系统 |
-
2022
- 2022-10-19 CN CN202211280496.3A patent/CN115641198A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809835A (zh) * | 2023-02-07 | 2023-03-17 | 南京爱福路汽车科技有限公司 | 一种车辆维修门店运营情况评价方法及系统 |
CN115809835B (zh) * | 2023-02-07 | 2023-11-14 | 南京爱福路汽车科技有限公司 | 一种车辆维修门店运营情况评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US20230102337A1 (en) | Method and apparatus for training recommendation model, computer device, and storage medium | |
CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
US10614073B2 (en) | System and method for using data incident based modeling and prediction | |
CN103370722B (zh) | 通过小波和非线性动力学预测实际波动率的系统和方法 | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN111144941A (zh) | 商户评分的生成方法、装置、设备及可读存储介质 | |
CN113313538A (zh) | 用户消费能力预测方法、装置、电子设备和存储介质 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 | |
US20060248096A1 (en) | Early detection and warning systems and methods | |
CN111340540B (zh) | 广告推荐模型的监控方法、推荐方法及装置 | |
CN113554504A (zh) | 一种车贷风控模型生成方法、装置及评分卡生成方法 | |
CN112991026A (zh) | 一种商品推荐方法、系统、设备及计算机可读存储介质 | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN114625894A (zh) | 鉴赏力评估、模型训练方法、装置、介质和计算设备 | |
CN111325350A (zh) | 可疑组织发现系统和方法 |
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 |