CN116452261A - 一种基于跨境电商服务平台的广告投放数据处理方法 - Google Patents
一种基于跨境电商服务平台的广告投放数据处理方法 Download PDFInfo
- Publication number
- CN116452261A CN116452261A CN202310710320.5A CN202310710320A CN116452261A CN 116452261 A CN116452261 A CN 116452261A CN 202310710320 A CN202310710320 A CN 202310710320A CN 116452261 A CN116452261 A CN 116452261A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- advertisement
- processing
- generate
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 258
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 373
- 238000004458 analytical method Methods 0.000 claims description 79
- 238000006243 chemical reaction Methods 0.000 claims description 71
- 238000011156 evaluation Methods 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 54
- 230000000694 effects Effects 0.000 claims description 49
- 238000010276 construction Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004140 cleaning Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011056 performance test Methods 0.000 claims description 6
- 238000002759 z-score normalization Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 description 18
- 230000003993 interaction Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 238000012163 sequencing technique Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0245—Surveys
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0254—Targeted advertisements based on statistics
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融数据处理技术领域,尤其涉及一种基于跨境电商服务平台的广告投放数据处理方法,包括以下步骤:获取用户行为数据;对用户行为数据进行数据预处理,生成标准用户行为数据;对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据;通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像;对第二特征数据进行用户设备参数画像构建,生成用户设备画像;对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据;基于跨境电商服务平台获取广告库存数据;本发明通过对用户行为数据进行数据特征挖掘和智能广告投放模型建立,以实现跨境电商服务平台的广告投放数据处理方法。
Description
技术领域
本发明涉及金融数据处理技术领域,尤其涉及一种基于跨境电商服务平台的广告投放数据处理方法。
背景技术
近年来,消费者对广告的需求越来越高,用户的购买决策往往是在看到广告的瞬间做出的。因此,广告投放的实时性是至关重要的。跨境电商服务平台在这一方面具有一定优势,可以实现广告的即时投放和调整。企业越来越倾向于使用数据化的方式进行营销,即通过对各种数据进行分析和挖掘,实现精准营销投放的目标。跨境电商服务平台作为一个数据多样性的平台,可以为广告投放提供丰富的数据资源。同时,跨境电商服务平台拥有多种广告投放渠道,如搜索引擎广告、社交媒体广告、电商广告等,可以帮助企业实现全方位、多渠道的广告投放,覆盖更广泛的目标受众。然而目前的跨境电商服务平台对于广告投放仍然受限于人为判断进行投放,缺乏智能化的广告投放手段以及对用户需求定位不精准。
发明内容
基于此,有必要提供一种基于跨境电商服务平台的广告投放数据处理方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于跨境电商服务平台的广告投放数据处理方法,所述方法包括以下步骤:
步骤S1:利用跨境电商服务平台获取用户行为数据;对用户行为数据进行数据预处理,生成标准用户行为数据;
步骤S2:对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据;
步骤S3:通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像;对第二特征数据进行用户设备参数画像构建,生成用户设备画像;
步骤S4:基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据;
步骤S5:基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据;
步骤S6:利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据;
步骤S7:根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型;将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案。
本发明通过对用户行为数据进行预处理,可以对数据进行清洗、去重、缺失值填充等操作,提高数据的准确度和完整性,从而提高数据的质量,将不同的数据格式和数据类型进行标准化处理,形成标准的用户行为数据格式,便于后续的数据分析和建模;对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据,可以筛选出重要的特征指标,并去除无关或冗余的信息,从而缩小了数据的范围,提高了数据挖掘的效率和准确度,通过对用户行为数据进行特征提取,可以将原有的低维度数据转化为高维度数据,从而能够更全面、准确地描述用户的特点和行为模式;通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像,对第二特征数据进行用户设备参数画像构建,生成用户设备画像,可以更准确地了解用户的兴趣和偏好,从而在广告投放中实现个性化推荐,提高广告的点击率和转化率,从硬件设备的角度了解用户的特点,结合广告分类数据和用户行为数据进行精准投放,优化广告投放策略,提高广告的覆盖率和效果,可以更全面地了解用户的需求和使用场景,从而精准整合资源,为用户提供更加个性化和定制化的服务体验;基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据,可以更加准确地了解用户的消费能力和购买意愿,为企业提供更精准的营销策略和广告投放方案;基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据,可以对广告库存数据进行精细管理,提高广告库存的利用率和回报率,降低投入成本,了解不同广告分类的投放效果,进而针对性地进行广告投放和调整;利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据,可以对广告进行有效的筛选和管理,提高广告投放的效率和准确性,降低企业的营销成本,从而提高广告投放效果;根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型,将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案,可以进行精准广告投放,提高广告投放的准确性和效率,提高广告的点击率和转化率。因此,本发明的一种基于跨境电商服务平台的广告投放数据处理方法通过对用户和广告数据进行数据挖掘并利用神经网络模型对广告投放数据进行深度数据挖掘和智能投放,以实现跨境电商服务平台的智能广告投放精准性和高效性。
优选地,步骤S1包括以下步骤:
步骤S11:根据跨境电商服务平台数据库获取用户行为数据;
步骤S12:对用户行为数据进行数据清洗处理,生成用户行为清洗数据;
步骤S13:将用户行为清洗数据进行数据匿名化处理,生成用户行为匿名数据;
步骤S14:基于Z-Score标准化对用户行为匿名数据进行数据规范化处理,生成标准用户行为数据。
本发明通过根据跨境电商服务平台数据库获取用户行为数据,可以了解用户需求和行为非常重要,通过收集并整理这些数据,跨境电商服务平台可以掌握用户的兴趣和偏好,了解市场趋势,并做出更加明智的数据驱动决策;对用户行为数据进行数据清洗处理,生成用户行为清洗数据,可以去除无效信息、纠正错误、填补缺失值,提升数据质量,进而减少分析结果的误差;将用户行为清洗数据进行数据匿名化处理,生成用户行为匿名数据,可以保护用户隐私,防止敏感信息被不当使用或泄漏,提高数据的安全性;基于Z-Score标准化对用户行为匿名数据进行数据规范化处理,生成标准用户行为数据,可以将不同类型、不同尺度的数据转化成具有相同基准分布的标准数据,消除不同测量单位和数值范围的影响,更好地比较和分析数据。
优选地,步骤S2包括以下步骤:
步骤S21:对标准用户行为数据进行数据转换处理,生成用户行为转换数据;
步骤S22:对用户行为转换数据进行标签类别判断处理,若用户行为转换数据中含有标签,则基于线性判别分析法对用户行为转换数据进行线性判别处理,剔除标签影响,从而生成用户行为特征数据;若用户行为转换数据中不含标签,则基于主成分分析法对用户行为转换数据进行线性降维处理,从而生成用户行为特征数据;
步骤S23:通过one-hot编码对用户行为特征数据进行数据编码处理,生成用户行为编码数据;
步骤S24:将用户行为编码数据进行类别检测处理,生成用户行为分类变量数据和用户行为连续变量数据;
步骤S25:将用户行为编码数据进行数据动态检测处理,生成用户行为静态数据和用户行为动态数据;
步骤S26:对用户行为分类变量数据和用户行为静态数据进行静态结合,生成用户第一特征数据;对用户行为连续变量数据和用户行为动态数据进行静态结合,从而生成用户第二特征数据。
本发明通过对标准用户行为数据进行数据转换处理,生成用户行为转换数据,可以使原始数据更易于理解和比较,从而简化数据分析过程;对用户行为转换数据进行标签类别判断处理,若用户行为转换数据中含有标签,使用线性判别分析法剔除含有标签的用户行为转换数据影响,生成用户行为特征数据,可以提高数据准确性和可靠性,避免误导分析结果,若用户行为转换数据中不含标签,则基于主成分分析法对用户行为转换数据进行线性降维处理,生成用户行为特征数据,可以将多个维度的变量合并为少数几个主成分代表性变量,减少数据维度,提高计算效率;通过one-hot编码对用户行为特征数据进行数据编码处理,生成用户行为编码数据,可以将用户行为特征数据转化为0/1编码形式,方便后续分类、聚类等算法处理;将用户行为编码数据进行类别检测处理,生成用户行为分类变量数据和用户行为连续变量数据,可以将用户行为编码数据检测分类成离散变量和连续变量,便于针对性地选择不同分析方法进行处理;将用户行为编码数据进行数据动态检测处理,生成用户行为静态数据和用户行为动态数据,可以体现数据随时间的变化情况,增加数据分析的灵活性和准确性;对用户行为分类变量数据和用户行为静态数据进行静态结合,生成用户第一特征数据,对用户行为连续变量数据和用户行为动态数据进行静态结合,从而生成用户第二特征数据,可以更具体地描述用户行为模式和趋势,有助于更准确地识别用户需求,提高用户数据挖掘的精度和有效性。
优选地,步骤S3包括以下步骤:
步骤S31:根据用户第一特征数据进行用户兴趣分类处理,生成用户兴趣特征数据;
步骤S32:对用户第一特征数据进行用户偏好分析处理,从而生成用户偏好特征数据;
步骤S33:将用户第一特征数据进行行为路径分析处理,生成用户行为路径特征数据;
步骤S34:基于用户兴趣特征数据、用户偏好特征数据和用户行为路径特征数据进行画像构建处理,从而生成用户浏览画像;
步骤S35:根据用户第二特征数据进行设备类型分析处理,生成用户设备特征数据;
步骤S36:对用户第二特征数据进行操作系统分析处理,生成用户操作系统特征数据;
步骤S37:将用户第二特征数据进行设备参数分析处理,生成用户设备参数特征数据;
步骤S38:基于用户设备特征数据、用户操作系统特征数据和用户设备参数特征数据进行画像构建处理,从而生成用户设备画像。
本发明通过根据用户第一特征数据进行用户兴趣分类处理,生成用户兴趣特征数据,对用户第一特征数据进行用户偏好分析处理,从而生成用户兴趣特征数据,将用户第一特征数据进行行为路径分析处理,生成用户行为路径特征数据,基于用户兴趣特征数据、用户偏好特征数据和用户行为路径特征数据进行画像构建处理,从而生成用户浏览画像,可以了解用户的兴趣分类、偏好分析和行为路径,进而生成用户浏览画像,帮助企业更好地了解用户,为产品定位和营销策略提供有力支持和依据;根据用户第二特征数据进行设备类型分析处理,生成用户设备特征数据,对用户第二特征数据进行操作系统分析处理,生成用户操作系统特征数据,将用户第二特征数据进行设备参数分析处理,生成用户设备参数特征数据,基于用户设备特征数据、用户操作系统特征数据和用户设备参数特征数据进行画像构建处理,从而生成用户设备画像,可以了解用户使用的设备类型、操作系统和设备参数特征,进而生成用户设备画像,帮助企业更好地了解用户设备属性和使用偏好,为产品设计和用户体验提供重要参考和支持;通过对用户浏览画像和设备画像的构建,企业可以更加精准地为不同用户、不同设备提供个性化的营销策略和服务,提高运营效果和用户满意度,通过对用户行为数据和设备数据的分析处理和画像构建,企业可以基于数据驱动地进行决策和优化,提高运营效率和营收水平。
优选地,步骤S4包括以下步骤:
步骤S41:将用户浏览画像和用户设备画像进行用户画像关联处理,从而生成用户特征关联画像;
步骤S42:利用用户消费信息分析公式对用户特征关联画像进行消费度计算处理,生成用户消费力度数据;
步骤S43:根据预设的用户消费水平指标对用户消费力度数据进行消费水平对比处理,当用户消费力度数据大于用户消费水平指标,则标记为高消费用户数据;当用户消费力度数据小于用户消费水平指标,则标记为低消费用户数据;
步骤S44:对高消费用户数据和低消费用户数据进行数据整合处理,从而生成用户消费行为数据。
本发明通过将用户浏览画像和用户设备画像进行用户画像关联处理,生成用户特征关联画像,利用用户消费信息分析公式对用户特征关联画像进行消费度计算处理,生成用户消费力度数据,可以将用户划分为高消费和低消费群体,提高企业的营销精度和效果,可以更好地了解每位用户的喜好和购买习惯,从而为用户提供个性化推荐服务,提高用户满意度和转化率;根据预设的用户消费水平指标对用户消费力度数据进行消费水平对比处理,当用户消费力度数据大于用户消费水平指标,则标记为高消费用户数据;当用户消费力度数据小于用户消费水平指标,则标记为低消费用户数据,可以使营销团队更专注于高价值客户,开展精准的促销活动,提高营销效果和ROI (Return on Investment);对高消费用户数据和低消费用户数据进行数据整合处理,从而生成用户消费行为数据,可以将消费行为数据可视化,帮助企业更加直观地了解不同消费群体的消费偏好和趋势,为营销决策提供重要参考。
优选地,步骤S42中的用户消费信息分析公式具体如下:
;
式中,表示为用户消费能力水平评估值,/>表示为用户在跨境电商服务平台中的起始财富,/>表示为用户的月收入,/>表示为用户的月支出,/>表示为用户在一段时间内的总储蓄金额,/>表示为用户在工作日的购物活跃度,/>表示为用户在周末的购物活跃度,/>表示为用户的信用卡账单余额,/>表示为用户消费信息异常调整值。
本发明构建了一种用户消费信息分析公式,该公式充分考虑了用户在跨境电商服务平台中的起始财富、用户的月收入/>、用户的月支出/>、用户在一段时间内的总储蓄金额/>、用户在工作日的购物活跃度/>、用户在周末的购物活跃度/>、用户的信用卡账单余额/>、用户消费信息异常调整值/>,通过分析用户在工作日的购物活跃度和用户在周末的购物活跃度的相互作用,计算用户的消费粘性,与用户在跨境电商服务平台中的起始财富进行求解以及函数之间的相互作用,以形成函数关系:
;
通过用户在跨境电商服务平台中的起始财富加上用户的月收入与用户的月支出的比率的相互作用关系,可以了解用户月剩余金额来确定用户的恩格尔系数,保证区域数据精确的情况下进行用户消费能力信息分析,利用用户在一段时间内的总储蓄金额和用户的信用卡账单余额,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过用户消费信息异常调整值对用户消费金额的小数点进行调整,更加准确的生成用户消费能力水平评估值/>,提高了用户消费能力计算的准确性和可靠性。同时该公式中的用户在工作日的购物活跃度、用户在周末的购物活跃度等参数可以根据实际情况进行调整,从而适应不同的用户消费场景,提高了算法的适用性和灵活性。
优选地,步骤S5包括以下步骤:
步骤S51:根据跨境电商服务平台产品库获取广告库存数据;
步骤S52:对广告库存数据进行相似度分类处理,生成广告相似数据;
步骤S53:利用聚类算法对广告相似数据进行数据聚合处理,生成广告分类数据。
本发明通过根据跨境电商服务平台产品库获取广告库存数据,可以实时监测和管理广告库存,提高广告库存管理效率,保证广告投放正常展开;对广告库存数据进行相似度分类处理,生成广告相似数据,能够帮助跨境电商服务平台提高广告投放的效率,将具有相似特征的广告进行分类,以提高广告投放效果和准确度;利用聚类算法对广告相似数据进行数据聚合处理,生成广告分类数据,可以将相似广告分类进行数据聚合处理,优化广告分类效果,提高广告投放效果。
优选地,步骤S6包括以下步骤:
步骤S61:利用广告创意评估公式对广告分类数据进行广告创意评估处理,生成广告创意评估数据;
步骤S62:对广告创意评估数据进行优先级排序处理,生成广告创意排序数据;
步骤S63:通过预设的优先级阈值对广告创意排序数据进行优先级对比处理,当广告创意排序数据大于优先值阈值时,则标记为高优先级广告数据;当广告创意排序数据小于优先值阈值时,则标记为低优先级广告数据。
本发明通过利用广告创意评估公式对广告分类数据进行广告创意评估处理,生成广告创意评估数据,可以根据目标受众、广告内容、广告展示环境等多种因素进行评估,以评估广告的效果和优化广告创意;对广告创意评估数据进行优先级排序处理,生成广告创意排序数据,通过预设的优先级阈值对广告创意排序数据进行优先级对比处理,当广告创意排序数据大于优先值阈值时,则标记为高优先级广告数据,当广告创意排序数据小于优先值阈值时,则标记为低优先级广告数据,可以集中投放优质广告,避免过多的资源浪费在低效广告上,从而降低了广告成本,通过自动化的广告创意评估和排序流程,我们可以减少人力干预的操作需求,从而减少人工操作所需的时间和精力,并提高广告投放效率。
优选地,步骤S61中的广告创意评估公式具体如下:
;
式中,表示为广告创意的评估得分,/>表示为广告被点击的比率,/>表示为广告点击后转化为实际行为的比率,/>表示为广告被展示的次数,/>表示为广告的展示次数指数,/>表示为广告投放所需的费用,/>表示为广告投放所期望获得的回报率,/>表示为广告投放所面临的竞争程度,/>表示为广告创意评估异常调整值。
本发明构建了一种广告创意评估公式,该公式充分考虑了广告被点击的比率、广告点击后转化为实际行为的比率/>、广告被展示的次数/>、广告的展示次数指数/>、广告投放所需的费用/>、广告投放所期望获得的回报率/>、广告投放所面临的竞争程度/>、广告创意评估异常调整值/>,通过分析广告被点击的比率和广告点击后转化为实际行为的比率的相互作用,计算广告的曝光点击率,与广告投放所需的费用进行求解以及函数之间的相互作用,以形成函数关系:
;
通过广告投放所需的费用与广告投放所期望获得的回报率的相互作用关系,可以了解广告投放的预期期望值,保证区域数据精确的情况下进行广告创意收益评估,利用广告投放所面临的竞争程度和广告被展示的次数,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过广告创意评估异常调整值对广告创意最大最小值进行调整,更加准确的生成广告创意的评估得分/>,提高了广告创意评估的准确性和可靠性。同时该公式中的广告的展示次数指数、广告被点击的比率、广告点击后转化为实际行为的比率等参数可以根据实际情况进行调整,从而适应不同的广告创意评估场景,提高了算法的适用性和灵活性。
优选地,步骤S7包括以下步骤:
步骤S71:将高优先级广告数据、低优先级广告数据和用户消费行为数据进行数据整合处理,生成模型数据集;
步骤S72:将模型数据集进行数据集划分处理,得到模型训练集、模型验证集和模型测试集;
步骤S73:基于随机森林算法对模型训练集进行机器学习处理,生成广告投放预模型;
步骤S74:利用模型验证集对广告投放预模型进行模型性能调整处理,生成广告投放轻模型;
步骤S75:根据模型测试集对广告投放轻模型进行性能测试处理,从而生成广告投放模型;
步骤S76:将用户行为数据和广告库存数据导入广告投放模型进行广告投放资源调度处理,生成广告投放方案。
本发明通过将高优先级广告数据、低优先级广告数据和用户消费行为数据进行数据整合处理,生成模型数据集,可以使得机器学习可以使用大量的实时数据进行训练,从而提高模型反应速度和精准度;将模型数据集进行数据集划分处理,得到模型训练集、模型验证集和模型测试集,可以使训练集用于生成广告投放预模型,验证集用于调整性能,并最终通过测试集生成广告投放模型;基于随机森林算法对模型训练集进行机器学习处理,生成广告投放预模型,可以减少模型过拟合现象的发生,提升模型的鲁棒性和可解释性;利用模型验证集对广告投放预模型进行模型性能调整处理,生成广告投放轻模型,可以进一步优化广告投放预模型,并使其更接近实际场景;根据模型测试集对广告投放轻模型进行性能测试处理,从而生成广告投放模型,可以确保广告投放模型在实际场景中的准确性和可靠性;将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案,可以实现实时广告投放,提高广告投放效果和成功率,并确保广告投放的实时性和准确性。
本发明通过根据跨境电商服务平台获取用户行为数据;对用户行为数据进行数据预处理,生成标准用户行为数据,对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据,将原始数据转化为标准化的用户行为数据和特征数据。这有助于减少数据噪声和冗余,并提取出对广告投放有价值的特征信息,通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像;对第二特征数据进行用户设备参数画像构建,生成用户设备画像,可以帮助了解用户的兴趣、偏好和购买行为,而设备画像可以提供用户使用的设备信息,这两者结合起来有助于更好地了解目标用户,基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据,可以有助于评估用户的消费能力和购买意愿,从而生成更准确的用户消费行为数据,基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据,可以实现对广告进行有效管理和分类,便于后续的广告投放调度和优化,利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据,可以根据广告的质量和效果,确定广告的投放优先级,提高广告投放的效果和转化率,根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型,可以将用户行为数据和广告库存数据与模型结合,可以实现个性化的广告投放和精准的广告推荐,提高广告投放的效果和用户体验,将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案,可以根据用户的行为和广告库存的情况,制定合理的广告投放策略,最大程度地提升广告的曝光和转化效果。因此,本发明的一种基于跨境电商服务平台的广告投放数据处理方法通过对用户和广告数据进行数据挖掘并利用神经网络模型对广告投放数据进行深度数据挖掘和智能投放,以实现跨境电商服务平台的智能广告投放精准性和高效性。
附图说明
图1为一种基于跨境电商服务平台的广告投放数据处理方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S3的详细实施步骤流程示意图;
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
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例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,本领域所属的技术人员在没有做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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种基于跨境电商服务平台的广告投放数据处理方法,所述方法包括以下步骤:
步骤S1:利用跨境电商服务平台获取用户行为数据;对用户行为数据进行数据预处理,生成标准用户行为数据;
步骤S2:对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据;
步骤S3:通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像;对第二特征数据进行用户设备参数画像构建,生成用户设备画像;
步骤S4:基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据;
步骤S5:基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据;
步骤S6:利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据;
步骤S7:根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型;将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案。
本发明通过对用户行为数据进行预处理,可以对数据进行清洗、去重、缺失值填充等操作,提高数据的准确度和完整性,从而提高数据的质量,将不同的数据格式和数据类型进行标准化处理,形成标准的用户行为数据格式,便于后续的数据分析和建模;对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据,可以筛选出重要的特征指标,并去除无关或冗余的信息,从而缩小了数据的范围,提高了数据挖掘的效率和准确度,通过对用户行为数据进行特征提取,可以将原有的低维度数据转化为高维度数据,从而能够更全面、准确地描述用户的特点和行为模式;通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像,对第二特征数据进行用户设备参数画像构建,生成用户设备画像,可以更准确地了解用户的兴趣和偏好,从而在广告投放中实现个性化推荐,提高广告的点击率和转化率,从硬件设备的角度了解用户的特点,结合广告分类数据和用户行为数据进行精准投放,优化广告投放策略,提高广告的覆盖率和效果,可以更全面地了解用户的需求和使用场景,从而精准整合资源,为用户提供更加个性化和定制化的服务体验;基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据,可以更加准确地了解用户的消费能力和购买意愿,为企业提供更精准的营销策略和广告投放方案;基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据,可以对广告库存数据进行精细管理,提高广告库存的利用率和回报率,降低投入成本,了解不同广告分类的投放效果,进而针对性地进行广告投放和调整;利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据,可以对广告进行有效的筛选和管理,提高广告投放的效率和准确性,降低企业的营销成本,从而提高广告投放效果;根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型,将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案,可以进行精准广告投放,提高广告投放的准确性和效率,提高广告的点击率和转化率。因此,本发明的一种基于跨境电商服务平台的广告投放数据处理方法通过对用户和广告数据进行数据挖掘并利用神经网络模型对广告投放数据进行深度数据挖掘和智能投放,以实现跨境电商服务平台的智能广告投放精准性和高效性。
本发明实施例中,参考图1所述,为本发明一种基于跨境电商服务平台的广告投放数据处理方法的步骤流程示意图,在本实例中,所述一种基于跨境电商服务平台的广告投放数据处理方法包括以下步骤:
步骤S1:利用跨境电商服务平台获取用户行为数据;对用户行为数据进行数据预处理,生成标准用户行为数据;
本发明实施例中,通过根据跨境电商服务平台的数据接口以及相关技术手段,获取用户在平台上的行为数据。这些数据可能包括用户的浏览、搜索、购买、评价等所有与平台相关的操作记录,对获取的原始用户行为数据进行数据预处理,以生成标准的用户行为数据。数据预处理的具体步骤可能包括:数据清洗、匿名化处理、数据规范化。
步骤S2:对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据;
本发明实施例中,通过根据用户行为数据中的购买、浏览和评价历史,提取用户的消费行为模式。例如,可以计算用户的购买频率、购物车留存时间、购买周期等指标,并将其作为用户的第一特征数据,根据用户行为数据中的设备信息和操作习惯,提取用户的技术特征。例如,可以提取用户使用的设备型号、操作系统、浏览器类型等信息,并计算用户的访问时间、访问路径等指标,并将其作为用户的第二特征数据。
步骤S3:通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像;对第二特征数据进行用户设备参数画像构建,生成用户设备画像;
本发明实施例中,通过对用户第一特征数据进行画像构建时,可以使用机器学习和数据挖掘技术,对用户的搜索兴趣和偏好进行分析和建模。例如,可以使用聚类分析和分类算法,将用户的搜索历史、点击行为等数据进行整合和分析,生成用户浏览画像,并预测用户的兴趣和需求,对用户第一特征数据进行画像构建时,可以使用机器学习和数据挖掘技术,对用户的搜索兴趣和偏好进行分析和建模。例如,可以使用聚类分析和分类算法,将用户的搜索历史、点击行为等数据进行整合和分析,生成用户浏览画像,并预测用户的兴趣和需求。
步骤S4:基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据;
本发明实施例中,通过确定消费水平分析公式,根据用户浏览画像和设备画像,提取出影响用户消费水平的特征变量,并将其作为自变量代入消费水平分析公式中,预测和计算用户的消费水平。根据用户消费水平的预测结果,生成用户消费行为数据,例如,预测用户的购买意向和购买力,以及其在不同品类和场景下的消费偏好和行为模式,针对不同的用户消费情况,制定对应的个性化推荐策略和营销方案,例如,对于高消费水平用户,可以提供更高端、更精品的商品和服务;对于低消费水平用户,可以提供更加实惠、更加贴近其需求和层次的产品和服务。
步骤S5:基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据;
本发明实施例中,通过跨境电商服务平台提供的广告库存数据接口或者其他数据接口,获取广告相关的数据,包括广告的类型、投放时间、广告位、曝光量、点击量和转化量等指标。根据广告的类型、广告位、曝光量、点击量等指标,进行广告的分类处理。例如,将广告分为搜索广告、展示广告、视频广告等不同类型;根据广告位的不同,将广告分为头部广告、侧边栏广告、底部广告等不同位置;根据广告的表现指标,将广告分为高CTR广告、低CTR广告、高转化率广告、低转化率广告等不同性质。将处理后的广告数据进行整合和汇总,生成广告分类数据,在生成广告分类数据时,统计各类广告的总曝光量、总点击量、总转化量、CTR、转化率等指标,以及平均曝光量、平均点击量、平均转化量等指标。
步骤S6:利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据;
本发明实施例中,通过广告创意评估公式对广告分类数据进行优先级排序,生成高优先级广告数据和低优先级广告数据。例如,可以根据广告的评估得分进行升序排序,以区分高、低级广告。
步骤S7:根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型;将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案。
本发明实施例中,通过采用多种算法进行建模和求解,如决策树、随机森林、神经网络、深度学习等确定广告投放模型类型,根据用户行为数据和广告库存数据,提取出影响广告投放的特征变量,并进行特征工程和数据预处理,例如,对数据进行清洗、去重、缺失值处理和异常值处理等。在模型训练时,可以将高优先级广告数据、低优先级广告数据和用户消费数据作为训练集,进行模型的训练和调优,例如,通过交叉验证等方法,选择最优的模型参数和模型结构,将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案,例如,可以根据用户的兴趣和需求,选取合适的广告,并将广告投放到合适的广告位上。
优选地,步骤S1包括以下步骤:
步骤S11:根据跨境电商服务平台数据库获取用户行为数据;
步骤S12:对用户行为数据进行数据清洗处理,生成用户行为清洗数据;
步骤S13:将用户行为清洗数据进行数据匿名化处理,生成用户行为匿名数据;
步骤S14:基于Z-Score标准化对用户行为匿名数据进行数据规范化处理,生成标准用户行为数据。
本发明通过根据跨境电商服务平台数据库获取用户行为数据,可以了解用户需求和行为非常重要,通过收集并整理这些数据,跨境电商服务平台可以掌握用户的兴趣和偏好,了解市场趋势,并做出更加明智的数据驱动决策;对用户行为数据进行数据清洗处理,生成用户行为清洗数据,可以去除无效信息、纠正错误、填补缺失值,提升数据质量,进而减少分析结果的误差;将用户行为清洗数据进行数据匿名化处理,生成用户行为匿名数据,可以保护用户隐私,防止敏感信息被不当使用或泄漏,提高数据的安全性;基于Z-Score标准化对用户行为匿名数据进行数据规范化处理,生成标准用户行为数据,可以将不同类型、不同尺度的数据转化成具有相同基准分布的标准数据,消除不同测量单位和数值范围的影响,更好地比较和分析数据。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S1包括:
步骤S11:根据跨境电商服务平台数据库获取用户行为数据;
本发明实施例中,通过依据数据采集的具体场景和目标确定用户行为数据的采集方法,用户行为数据可以通过多种方式进行采集,如通过平台网站、APP、社交媒体等进行采集。
步骤S12:对用户行为数据进行数据清洗处理,生成用户行为清洗数据;
本发明实施例中,通过对用户行为数据进行类型检测,对于部分用户行为数据中某些属性缺失值,采取删除、填补、插值等方法进行缺失值处理,对于明显超出其它用户行为数据范围的离群值,通过数据探查、数据可视化等手段对其进行发现和异常值处理,对于用户行为数据中重复的值进行删除或合并处理,对于用户行为数据记录中存在明显错误的值或不符合业务规则的数据进行删除或纠正处理,对于用户行为数据中不同格式的数据进行格式化处理,以符合分析的要求和标准。
步骤S13:将用户行为清洗数据进行数据匿名化处理,生成用户行为匿名数据;
本发明实施例中,通过确定数据匿名化的属性和规则,根据数据敏感程度和应用场景,采取匿名化方法,包括脱敏、加密、置换、数据加噪等,对个人身份信息进行匿名化处理,例如去除个人姓名、电话号码、邮箱、身份证等敏感信息。同时采用数据打乱或分组的方法实现关联属性的匿名化处理,采用数据加噪技术,对数据进行扰动并在保证数据质量的情况下,增加数据的随机性和不可追溯性,对于某些数据仍存在隐私泄露风险的情况,采用数据划分和访问控制等方法,将数据按照不同的访问权限进行划分和处理。
步骤S14:基于Z-Score标准化对用户行为匿名数据进行数据规范化处理,生成标准用户行为数据。
本发明实施例中,通过对用户行为匿名数据中每个用户行为特征(例如浏览次数、购买金额等),计算该特征在整个数据集上的均值(μ)和标准差(σ)。其中Z-Score标准化公式如下:Z = (X - μ) / σ;
其中,Z为标准化后的数值,X为原始数据,μ为均值,σ为标准差,将计算得到的Z-Score值应用到对应的用户行为特征样本数据上,替代用户行为匿名数据,从而生成标准化后的用户行为数据。
优选地,步骤S2包括以下步骤:
步骤S21:对标准用户行为数据进行数据转换处理,生成用户行为转换数据;
步骤S22:对用户行为转换数据进行标签类别判断处理,若用户行为转换数据中含有标签,则基于线性判别分析法对用户行为转换数据进行线性判别处理,剔除标签影响,从而生成用户行为特征数据;若用户行为转换数据中不含标签,则基于主成分分析法对用户行为转换数据进行线性降维处理,从而生成用户行为特征数据;
步骤S23:通过one-hot编码对用户行为特征数据进行数据编码处理,生成用户行为编码数据;
步骤S24:将用户行为编码数据进行类别检测处理,生成用户行为分类变量数据和用户行为连续变量数据;
步骤S25:将用户行为编码数据进行数据动态检测处理,生成用户行为静态数据和用户行为动态数据;
步骤S26:对用户行为分类变量数据和用户行为静态数据进行静态结合,生成用户第一特征数据;对用户行为连续变量数据和用户行为动态数据进行静态结合,从而生成用户第二特征数据。
本发明通过对标准用户行为数据进行数据转换处理,生成用户行为转换数据,可以使原始数据更易于理解和比较,从而简化数据分析过程;对用户行为转换数据进行标签类别判断处理,若用户行为转换数据中含有标签,使用线性判别分析法剔除含有标签的用户行为转换数据影响,生成用户行为特征数据,可以提高数据准确性和可靠性,避免误导分析结果,若用户行为转换数据中不含标签,则基于主成分分析法对用户行为转换数据进行线性降维处理,生成用户行为特征数据,可以将多个维度的变量合并为少数几个主成分代表性变量,减少数据维度,提高计算效率;通过one-hot编码对用户行为特征数据进行数据编码处理,生成用户行为编码数据,可以将用户行为特征数据转化为0/1编码形式,方便后续分类、聚类等算法处理;将用户行为编码数据进行类别检测处理,生成用户行为分类变量数据和用户行为连续变量数据,可以将用户行为编码数据检测分类成离散变量和连续变量,便于针对性地选择不同分析方法进行处理;将用户行为编码数据进行数据动态检测处理,生成用户行为静态数据和用户行为动态数据,可以体现数据随时间的变化情况,增加数据分析的灵活性和准确性;对用户行为分类变量数据和用户行为静态数据进行静态结合,生成用户第一特征数据,对用户行为连续变量数据和用户行为动态数据进行静态结合,从而生成用户第二特征数据,可以更具体地描述用户行为模式和趋势,有助于更准确地识别用户需求,提高用户数据挖掘的精度和有效性。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S2包括:
步骤S21:对标准用户行为数据进行数据转换处理,生成用户行为转换数据;
本发明实施例中,通过根据业务需求和数据分析的目标,确定需要对哪些数据进行转换处理,例如独热编码、特征组合、文本处理等,将数值型变量转换为分类变量或文本型变量,对于分类变量,进行独热编码处理,将原始的分类变量转换为若干个0和1的二元码,每个变量维度表示一个状态或取值,对于文本型变量,进行文本处理,例如分词、词干提取、词向量化等。通过将文本型变量和分类变量中不同的特征结合起来,形成新的特征项,例如将年龄和性别进行组合,生成一个新的特征项“年龄+性别”,将新的特征项进行数值范围的归一化处理,生成用户行为转换数据。
步骤S22:对用户行为转换数据进行标签类别判断处理,若用户行为转换数据中含有标签,则基于线性判别分析法对用户行为转换数据进行线性判别处理,剔除标签影响,从而生成用户行为特征数据;若用户行为转换数据中不含标签,则基于主成分分析法对用户行为转换数据进行线性降维处理,从而生成用户行为特征数据;
本发明实施例中,通过对用户行为转换数据进行标签类别判断处理,若用户行为转换数据中含有标签,则基于线性判别分析法对用户行为转换数据进行线性判别处理,线性判别分析法可以将数据投影到一个低维的线性空间中,从而将原始特征数据转化成更具有区分性的新特征数据,若用户行为转换数据中不含标签,则基于主成分分析法对用户行为转换数据进行线性降维处理,主成分分析法可以将原始数据中的多维特征转化为一组相互独立的主成分,它们能够保留原始数据的主要信息,同时去除无关变量的影响,从而实现数据降维处理,从而生成用户行为特征数据。
步骤S23:通过one-hot编码对用户行为特征数据进行数据编码处理,生成用户行为编码数据;
本发明实施例中,通过利用one-hot独热编码对用户行为特征数据进行数据编码处理,将每个变量的每个取值转化为一个0或1的二元变量,表示这个取值是否存在,生成用户行为编码数据。
步骤S24:将用户行为编码数据进行类别检测处理,生成用户行为分类变量数据和用户行为连续变量数据;
本发明实施例中,通过对用户行为编码数据采用决策树、随机森林、朴素贝叶斯、支持向量机和k近邻等算法进行预测和分类处理,例如,通过对某区域不同时间段的用户行为编码数据进行学习和分析,来预测用户是否会发生某种行为,从而实现用户行为预测和分类,生成用户行为分类变量数据和用户行为连续变量数据。
步骤S25:将用户行为编码数据进行数据动态检测处理,生成用户行为静态数据和用户行为动态数据;
本发明实施例中,通过确定需要对用户行为编码数据进行的数据动态检测操作,数据动态检测目标可以包括发现数据趋势、异常检测、事件分析等,根据数据动态检测目标,选择适合的数据动态检测方法和技术,例如时间序列分析、统计方法、机器学习方法等,将用户行为编码数据分割为静态数据和动态数据,静态数据代表了用户行为的稳定部分,动态数据代表了用户行为的变化部分。
步骤S26:对用户行为分类变量数据和用户行为静态数据进行静态结合,生成用户第一特征数据;对用户行为连续变量数据和用户行为动态数据进行静态结合,从而生成用户第二特征数据。
本发明实施例中,通过将用户行为分类变量数据和用户行为静态数据进行静态结合,例如通过拼接、合并或连接等操作将两部分数据进行结合,生成用户第一特征数据,将用户行为连续变量数据和用户行为动态数据进行静态结合,例如通过拼接、合并或连接等操作将两部分数据进行结合,生成用户第二特征数据。
优选地,步骤S3包括以下步骤:
步骤S31:根据用户第一特征数据进行用户兴趣分类处理,生成用户兴趣特征数据;
步骤S32:对用户第一特征数据进行用户偏好分析处理,从而生成用户偏好特征数据;
步骤S33:将用户第一特征数据进行行为路径分析处理,生成用户行为路径特征数据;
步骤S34:基于用户兴趣特征数据、用户偏好特征数据和用户行为路径特征数据进行画像构建处理,从而生成用户浏览画像;
步骤S35:根据用户第二特征数据进行设备类型分析处理,生成用户设备特征数据;
步骤S36:对用户第二特征数据进行操作系统分析处理,生成用户操作系统特征数据;
步骤S37:将用户第二特征数据进行设备参数分析处理,生成用户设备参数特征数据;
步骤S38:基于用户设备特征数据、用户操作系统特征数据和用户设备参数特征数据进行画像构建处理,从而生成用户设备画像。
本发明通过根据用户第一特征数据进行用户兴趣分类处理,生成用户兴趣特征数据,对用户第一特征数据进行用户偏好分析处理,从而生成用户兴趣特征数据,将用户第一特征数据进行行为路径分析处理,生成用户行为路径特征数据,基于用户兴趣特征数据、用户偏好特征数据和用户行为路径特征数据进行画像构建处理,从而生成用户浏览画像,可以了解用户的兴趣分类、偏好分析和行为路径,进而生成用户浏览画像,帮助企业更好地了解用户,为产品定位和营销策略提供有力支持和依据;根据用户第二特征数据进行设备类型分析处理,生成用户设备特征数据,对用户第二特征数据进行操作系统分析处理,生成用户操作系统特征数据,将用户第二特征数据进行设备参数分析处理,生成用户设备参数特征数据,基于用户设备特征数据、用户操作系统特征数据和用户设备参数特征数据进行画像构建处理,从而生成用户设备画像,可以了解用户使用的设备类型、操作系统和设备参数特征,进而生成用户设备画像,帮助企业更好地了解用户设备属性和使用偏好,为产品设计和用户体验提供重要参考和支持;通过对用户浏览画像和设备画像的构建,企业可以更加精准地为不同用户、不同设备提供个性化的营销策略和服务,提高运营效果和用户满意度,通过对用户行为数据和设备数据的分析处理和画像构建,企业可以基于数据驱动地进行决策和优化,提高运营效率和营收水平。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S3包括:
步骤S31:根据用户第一特征数据进行用户兴趣分类处理,生成用户兴趣特征数据;
本发明实施例中,通过采用统计分析、数据挖掘和机器学习等方法,对用户属性和偏好进行分类处理,例如,对用户的年龄、性别、职业、教育程度、婚姻状况、收入水平等属性信息进行分析,得到用户属性类别;可以对用户的购物偏好、娱乐偏好、阅读偏好、出行偏好等进行分析,得到用户偏好类别。通过将用户行为类别、用户属性类别和用户偏好类别进行结合,生成用户兴趣特征数据。
步骤S32:对用户第一特征数据进行用户偏好分析处理,从而生成用户偏好特征数据;
本发明实施例中,通过对用户第一特征数据进行历史行为数据收集,通过数据挖掘、机器学习等算法,对历史行为数据进行分类、聚类、关联分析等方法,挖掘用户的行为偏好,生成用户偏好特征数据。
步骤S33:将用户第一特征数据进行行为路径分析处理,生成用户行为路径特征数据;
本发明实施例中,通过对用户第一特征数据转化为图模型,例如以用户为节点,以不同行为为边,构建用户行为图,对用户行为图进行路径分析,识别出用户经常使用的行为路径,例如用户进入平台首页,浏览商品分类,选择商品,加入购物车等,计算每种行为路径出现的频次,生成用户行为路径特征数据。
步骤S34:基于用户兴趣特征数据、用户偏好特征数据和用户行为路径特征数据进行画像构建处理,从而生成用户浏览画像;
本发明实施例中,基于用户的兴趣特征数据、偏好特征数据和行为路径特征数据,使用数据可视化工具,将不同特征展现在用户画像页面上,形成用户浏览画像。
步骤S35:根据用户第二特征数据进行设备类型分析处理,生成用户设备特征数据;
本发明实施例中,通过收集用户第二特征数据,包括用户使用的设备类型、操作系统、屏幕分辨率等信息,根据收集到的设备类型信息,对设备进行分类,例如手机、平板电脑、笔记本电脑等,对不同设备类型进行数量统计和占比分析,对不同设备类型的用户行为数据进行分析,根据设备类型、操作系统等信息,提取设备特征数据,例如设备类型分布、设备操作系统分布等提取设备特征数据。
步骤S36:对用户第二特征数据进行操作系统分析处理,生成用户操作系统特征数据;
本发明实施例中,通过收集用户第二特征数据用户使用的操作系统类型、版本等信息,根据收集到的操作系统类型信息,对操作系统进行分类,例如Windows、macOS、iOS、Android等,对不同操作系统类型进行数量统计和占比分析,对不同操作系统类型的用户行为数据进行分析,根据操作系统类型、版本等信息,提取操作系统特征数据,例如操作系统类型分布、操作系统版本分布等提取操作系统特征数据。
步骤S37:将用户第二特征数据进行设备参数分析处理,生成用户设备参数特征数据;
本发明实施例中,通过收集用户第二特征数据中包括用户使用设备的各种硬件参数,如CPU、内存、硬盘、显卡等信息,根据收集到的设备参数信息,对设备参数进行分类,如CPU品牌、主频、核心数、内存容量、硬盘类型和容量、显卡类型等,对不同设备参数进行数量统计和占比分析,对同一设备类型的不同参数进行分析比较,例如CPU主频或内存容量对用户访问速度的影响,基于不同设备参数的统计,提取设备参数特征数据,例如CPU品牌、主频分布、内存容量分布等提取设备参数特征数据。
步骤S38:基于用户设备特征数据、用户操作系统特征数据和用户设备参数特征数据进行画像构建处理,从而生成用户设备画像。
本发明实施例中,基于用户设备特征数据、用户操作系统特征数据和用户设备参数特征数据,使用数据可视化工具,将不同特征展现在用户设备画像页面上,形成用户设备画像。
优选地,步骤S4包括以下步骤:
步骤S41:将用户浏览画像和用户设备画像进行用户画像关联处理,从而生成用户特征关联画像;
步骤S42:利用用户消费信息分析公式对用户特征关联画像进行消费度计算处理,生成用户消费力度数据;
步骤S43:根据预设的用户消费水平指标对用户消费力度数据进行消费水平对比处理,当用户消费力度数据大于用户消费水平指标,则标记为高消费用户数据;当用户消费力度数据小于用户消费水平指标,则标记为低消费用户数据;
步骤S44:对高消费用户数据和低消费用户数据进行数据整合处理,从而生成用户消费行为数据。
本发明通过将用户浏览画像和用户设备画像进行用户画像关联处理,生成用户特征关联画像,利用用户消费信息分析公式对用户特征关联画像进行消费度计算处理,生成用户消费力度数据,可以将用户划分为高消费和低消费群体,提高企业的营销精度和效果,可以更好地了解每位用户的喜好和购买习惯,从而为用户提供个性化推荐服务,提高用户满意度和转化率;根据预设的用户消费水平指标对用户消费力度数据进行消费水平对比处理,当用户消费力度数据大于用户消费水平指标,则标记为高消费用户数据;当用户消费力度数据小于用户消费水平指标,则标记为低消费用户数据,可以使营销团队更专注于高价值客户,开展精准的促销活动,提高营销效果和ROI (Return on Investment);对高消费用户数据和低消费用户数据进行数据整合处理,从而生成用户消费行为数据,可以将消费行为数据可视化,帮助企业更加直观地了解不同消费群体的消费偏好和趋势,为营销决策提供重要参考。
本发明实施例中,通过提取用户浏览画像和用户设备画像中的共同特征,例如用户的地理位置、年龄、性别、设备品牌、型号等。利用数据挖掘和机器学习的技术对两种画像进行匹配和关联。通过数据挖掘和机器学习的技术,提取两种画像之间的匹配和关联信息,并进行关联处理,得到用户特征关联画像,将提取到的用户特征关联画像进行整合和归类,生成用户特征关联画像,利用用户消费信息分析公式进行消费度计算。根据用户交易数据,利用预设的分析公式计算用户的消费度,如消费次数、消费金额、客单价等,通过用户消费信息分析公式计算出用户的消费度,并将其转化为用户消费力度数据,预设一个消费水平指标作为标准,比如平均客单价、月度消费金额等,将计算出的用户消费力度数据与预设的消费水平指标进行对比,当用户消费力度数据大于预设的消费水平指标,则标记为高消费用户数据,反之则标记为低消费用户数据,将标记为高消费用户数据的用户相关信息进行整合处理,如用户ID、消费次数、消费金额、客单价、消费偏好等,与低消费用户数据进行数据类型合并处理,生成用户消费行为数据。
优选地,步骤S42中的用户消费信息分析公式具体如下:
;
式中,表示为用户消费能力水平评估值,/>表示为用户在跨境电商服务平台中的起始财富,/>表示为用户的月收入,/>表示为用户的月支出,/>表示为用户在一段时间内的总储蓄金额,/>表示为用户在工作日的购物活跃度,/>表示为用户在周末的购物活跃度,/>表示为用户的信用卡账单余额,/>表示为用户消费信息异常调整值。
本发明构建了一种用户消费信息分析公式,该公式充分考虑了用户在跨境电商服务平台中的起始财富、用户的月收入/>、用户的月支出/>、用户在一段时间内的总储蓄金额/>、用户在工作日的购物活跃度/>、用户在周末的购物活跃度/>、用户的信用卡账单余额/>、用户消费信息异常调整值/>,通过分析用户在工作日的购物活跃度和用户在周末的购物活跃度的相互作用,计算用户的消费粘性,与用户在跨境电商服务平台中的起始财富进行求解以及函数之间的相互作用,以形成函数关系:
;
通过用户在跨境电商服务平台中的起始财富加上用户的月收入与用户的月支出的比率的相互作用关系,可以了解用户月剩余金额来确定用户的恩格尔系数,保证区域数据精确的情况下进行用户消费能力信息分析,利用用户在一段时间内的总储蓄金额和用户的信用卡账单余额,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过用户消费信息异常调整值对用户消费金额的小数点进行调整,更加准确的生成用户消费能力水平评估值/>,提高了用户消费能力计算的准确性和可靠性。同时该公式中的用户在工作日的购物活跃度、用户在周末的购物活跃度等参数可以根据实际情况进行调整,从而适应不同的用户消费场景,提高了算法的适用性和灵活性。
优选地,步骤S5包括以下步骤:
步骤S51:根据跨境电商服务平台产品库获取广告库存数据;
步骤S52:对广告库存数据进行相似度分类处理,生成广告相似数据;
步骤S53:利用聚类算法对广告相似数据进行数据聚合处理,生成广告分类数据。
本发明通过根据跨境电商服务平台产品库获取广告库存数据,可以实时监测和管理广告库存,提高广告库存管理效率,保证广告投放正常展开;对广告库存数据进行相似度分类处理,生成广告相似数据,能够帮助跨境电商服务平台提高广告投放的效率,将具有相似特征的广告进行分类,以提高广告投放效果和准确度;利用聚类算法对广告相似数据进行数据聚合处理,生成广告分类数据,可以将相似广告分类进行数据聚合处理,优化广告分类效果,提高广告投放效果。
本发明实施例中,通过平台上的产品库,获取各类产品的基本信息,包括产品名称、价格、描述、分类等,根据提取的产品信息,筛选出需要展示广告的产品,并从中提取出广告信息,如广告标题、价格、促销信息等,将提取到的广告信息进行记录和归档,生成广告库存数据,从广告库存数据中提取广告的特征信息,如广告标题、价格、促销信息、所属类别等,利用文本相似度算法或其他相似度计算方法,计算出广告之间的相似度,根据相似度计算结果,将相似度较高的广告进行归类,生成广告相似数据,利用聚类算法对提取的广告相似数据进行聚合处理,形成广告分类数据。在聚合过程中,需要考虑到广告的类型、目标受众、投放时段等因素,将经过聚合处理得到的广告分类数据进行整合和归类,生成广告分类数据。
优选地,步骤S6包括以下步骤:
步骤S61:利用广告创意评估公式对广告分类数据进行广告创意评估处理,生成广告创意评估数据;
步骤S62:对广告创意评估数据进行优先级排序处理,生成广告创意排序数据;
步骤S63:通过预设的优先级阈值对广告创意排序数据进行优先级对比处理,当广告创意排序数据大于优先值阈值时,则标记为高优先级广告数据;当广告创意排序数据小于优先值阈值时,则标记为低优先级广告数据。
本发明通过利用广告创意评估公式对广告分类数据进行广告创意评估处理,生成广告创意评估数据,可以根据目标受众、广告内容、广告展示环境等多种因素进行评估,以评估广告的效果和优化广告创意;对广告创意评估数据进行优先级排序处理,生成广告创意排序数据,通过预设的优先级阈值对广告创意排序数据进行优先级对比处理,当广告创意排序数据大于优先值阈值时,则标记为高优先级广告数据,当广告创意排序数据小于优先值阈值时,则标记为低优先级广告数据,可以集中投放优质广告,避免过多的资源浪费在低效广告上,从而降低了广告成本,通过自动化的广告创意评估和排序流程,我们可以减少人力干预的操作需求,从而减少人工操作所需的时间和精力,并提高广告投放效率。
本发明实施例中,通过广告创意评估公式,计算出广告分类数据的评估指标值,反映该广告在广告投放中的效果,生成广告创意评估数据,根据广告创意评估公式选择需要排序的指标,如广告曝光率、转化率、ROI等利用排序算法对提取的广告创意评估数据进行排序处理,生成广告创意排序数据,设定一个广告创意排序指标阈值,如将排名前10%的广告创意视为高优先级,将广告创意排序数据与设定的优先级阈值进行对比处理,当广告创意排序数据大于优先值阈值时,则标记为高优先级广告数据;当广告创意排序数据小于优先值阈值时,则标记为低优先级广告数据。
优选地,步骤S61中的广告创意评估公式具体如下:
;
式中,表示为广告创意的评估得分,/>表示为广告被点击的比率,/>表示为广告点击后转化为实际行为的比率,/>表示为广告被展示的次数,/>表示为广告的展示次数指数,/>表示为广告投放所需的费用,/>表示为广告投放所期望获得的回报率,/>表示为广告投放所面临的竞争程度,/>表示为广告创意评估异常调整值。
本发明构建了一种广告创意评估公式,该公式充分考虑了广告被点击的比率、广告点击后转化为实际行为的比率/>、广告被展示的次数/>、广告的展示次数指数/>、广告投放所需的费用/>、广告投放所期望获得的回报率/>、广告投放所面临的竞争程度/>、广告创意评估异常调整值/>,通过分析广告被点击的比率和广告点击后转化为实际行为的比率的相互作用,计算广告的曝光点击率,与广告投放所需的费用进行求解以及函数之间的相互作用,以形成函数关系:
;
通过广告投放所需的费用与广告投放所期望获得的回报率的相互作用关系,可以了解广告投放的预期期望值,保证区域数据精确的情况下进行广告创意收益评估,利用广告投放所面临的竞争程度和广告被展示的次数,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过广告创意评估异常调整值对广告创意最大最小值进行调整,更加准确的生成广告创意的评估得分/>,提高了广告创意评估的准确性和可靠性。同时该公式中的广告的展示次数指数、广告被点击的比率、广告点击后转化为实际行为的比率等参数可以根据实际情况进行调整,从而适应不同的广告创意评估场景,提高了算法的适用性和灵活性。
优选地,步骤S7包括以下步骤:
步骤S71:将高优先级广告数据、低优先级广告数据和用户消费行为数据进行数据整合处理,生成模型数据集;
步骤S72:将模型数据集进行数据集划分处理,得到模型训练集、模型验证集和模型测试集;
步骤S73:基于随机森林算法对模型训练集进行机器学习处理,生成广告投放预模型;
步骤S74:利用模型验证集对广告投放预模型进行模型性能调整处理,生成广告投放轻模型;
步骤S75:根据模型测试集对广告投放轻模型进行性能测试处理,从而生成广告投放模型;
步骤S76:将用户行为数据和广告库存数据导入广告投放模型进行广告投放资源调度处理,生成广告投放方案。
本发明通过将高优先级广告数据、低优先级广告数据和用户消费行为数据进行数据整合处理,生成模型数据集,可以使得机器学习可以使用大量的实时数据进行训练,从而提高模型反应速度和精准度;将模型数据集进行数据集划分处理,得到模型训练集、模型验证集和模型测试集,可以使训练集用于生成广告投放预模型,验证集用于调整性能,并最终通过测试集生成广告投放模型;基于随机森林算法对模型训练集进行机器学习处理,生成广告投放预模型,可以减少模型过拟合现象的发生,提升模型的鲁棒性和可解释性;利用模型验证集对广告投放预模型进行模型性能调整处理,生成广告投放轻模型,可以进一步优化广告投放预模型,并使其更接近实际场景;根据模型测试集对广告投放轻模型进行性能测试处理,从而生成广告投放模型,可以确保广告投放模型在实际场景中的准确性和可靠性;将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案,可以实现实时广告投放,提高广告投放效果和成功率,并确保广告投放的实时性和准确性。
本发明实施例中,通过将高优先级广告数据、低优先级广告数据和用户消费行为数据进行整合处理,生成能够供机器学习使用的模型数据集,从整合后的模型数据集中,选择对于广告投放预测任务最为关键的特征,进行特征选择和抽取,如广告特征中可能包括曝光率、广告位等信息,用户特征中可能包括历史消费行为、兴趣爱好等信息,对整合出来的模型数据集进行划分。一般将数据集分为训练集、验证集和测试集三部分,其中训练集用于模型的训练,验证集用于模型性能的调整和参数优化,测试集用于最终模型的性能评估,根据随机森林算法对划分出来的模型训练集进行训练,得到广告投放预模型,利用模型验证集对广告投放预模型进行性能评估,调整模型参数和优化模型结构,在模型性能调整完成后,利用调整后的参数和优化后的模型结构,生成广告投放轻模型,利用模型测试集对广告投放轻模型进行性能测试,评估模型的准确率、召回率、精确率等指标,并进行模型的性能优化,生成最终的广告投放模型,将实时获得的用户行为数据和可用广告库存数据导入到广告投放模型中,进行调度处理,生成广告投放方案。
本发明通过根据跨境电商服务平台获取用户行为数据;对用户行为数据进行数据预处理,生成标准用户行为数据,对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据,将原始数据转化为标准化的用户行为数据和特征数据。这有助于减少数据噪声和冗余,并提取出对广告投放有价值的特征信息,通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像;对第二特征数据进行用户设备参数画像构建,生成用户设备画像,可以帮助了解用户的兴趣、偏好和购买行为,而设备画像可以提供用户使用的设备信息,这两者结合起来有助于更好地了解目标用户,基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据,可以有助于评估用户的消费能力和购买意愿,从而生成更准确的用户消费行为数据,基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据,可以实现对广告进行有效管理和分类,便于后续的广告投放调度和优化,利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据,可以根据广告的质量和效果,确定广告的投放优先级,提高广告投放的效果和转化率,根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型,可以将用户行为数据和广告库存数据与模型结合,可以实现个性化的广告投放和精准的广告推荐,提高广告投放的效果和用户体验,将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案,可以根据用户的行为和广告库存的情况,制定合理的广告投放策略,最大程度地提升广告的曝光和转化效果。因此,本发明的一种基于跨境电商服务平台的广告投放数据处理方法通过对用户和广告数据进行数据挖掘并利用神经网络模型对广告投放数据进行深度数据挖掘和智能投放,以实现跨境电商服务平台的智能广告投放精准性和高效性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,包括以下步骤:
步骤S1:利用跨境电商服务平台获取用户行为数据;对用户行为数据进行数据预处理,生成标准用户行为数据;
步骤S2:对标准用户行为数据进行特征提取,生成用户第一特征数据和用户第二特征数据;
步骤S3:通过对用户第一特征数据进行用户行为画像构建,生成用户浏览画像;对第二特征数据进行用户设备参数画像构建,生成用户设备画像;
步骤S4:基于用户消费信息分析公式对用户浏览画像和用户设备画像进行用户消费水平判断,从而生成用户消费行为数据;
步骤S5:基于跨境电商服务平台获取广告库存数据;对广告库存数据进行广告分类处理,生成广告分类数据;
步骤S6:利用广告创意评估公式对广告分类数据进行优先级排序处理,生成高优先级广告数据和低优先级广告数据;
步骤S7:根据高优先级广告数据、低优先级广告数据与用户消费行为数据进行模型构建处理,生成智能广告投放模型;将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案。
2.根据权利要求1所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S1包括以下步骤:
步骤S11:根据跨境电商服务平台数据库获取用户行为数据;
步骤S12:对用户行为数据进行数据清洗处理,生成用户行为清洗数据;
步骤S13:将用户行为清洗数据进行数据匿名化处理,生成用户行为匿名数据;
步骤S14:基于Z-Score标准化对用户行为匿名数据进行数据规范化处理,生成标准用户行为数据。
3.根据权利要求2所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对标准用户行为数据进行数据转换处理,生成用户行为转换数据;
步骤S22:对用户行为转换数据进行标签类别判断处理,若用户行为转换数据中含有标签,则基于线性判别分析法对用户行为转换数据进行线性判别处理,剔除标签影响,从而生成用户行为特征数据;若用户行为转换数据中不含标签,则基于主成分分析法对用户行为转换数据进行线性降维处理,从而生成用户行为特征数据;
步骤S23:通过one-hot编码对用户行为特征数据进行数据编码处理,生成用户行为编码数据;
步骤S24:将用户行为编码数据进行类别检测处理,生成用户行为分类变量数据和用户行为连续变量数据;
步骤S25:将用户行为编码数据进行数据动态检测处理,生成用户行为静态数据和用户行为动态数据;
步骤S26:对用户行为分类变量数据和用户行为静态数据进行静态结合,生成用户第一特征数据;对用户行为连续变量数据和用户行为动态数据进行静态结合,从而生成用户第二特征数据。
4.根据权利要求3所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S3包括以下步骤:
步骤S31:根据用户第一特征数据进行用户兴趣分类处理,生成用户兴趣特征数据;
步骤S32:对用户第一特征数据进行用户偏好分析处理,从而生成用户偏好特征数据;
步骤S33:将用户第一特征数据进行行为路径分析处理,生成用户行为路径特征数据;
步骤S34:基于用户兴趣特征数据、用户偏好特征数据和用户行为路径特征数据进行画像构建处理,从而生成用户浏览画像;
步骤S35:根据用户第二特征数据进行设备类型分析处理,生成用户设备特征数据;
步骤S36:对用户第二特征数据进行操作系统分析处理,生成用户操作系统特征数据;
步骤S37:将用户第二特征数据进行设备参数分析处理,生成用户设备参数特征数据;
步骤S38:基于用户设备特征数据、用户操作系统特征数据和用户设备参数特征数据进行画像构建处理,从而生成用户设备画像。
5.根据权利要求4所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S4包括以下步骤:
步骤S41:将用户浏览画像和用户设备画像进行用户画像关联处理,从而生成用户特征关联画像;
步骤S42:利用用户消费信息分析公式对用户特征关联画像进行消费度计算处理,生成用户消费力度数据;
步骤S43:根据预设的用户消费水平指标对用户消费力度数据进行消费水平对比处理,当用户消费力度数据大于用户消费水平指标,则标记为高消费用户数据;当用户消费力度数据小于用户消费水平指标,则标记为低消费用户数据;
步骤S44:对高消费用户数据和低消费用户数据进行数据整合处理,从而生成用户消费行为数据。
6.根据权利要求5所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S42中的用户消费信息分析公式如下所示:
;
式中,表示为用户消费能力水平评估值,/>表示为用户在跨境电商服务平台中的起始财富,/>表示为用户的月收入,/>表示为用户的月支出,/>表示为用户在一段时间内的总储蓄金额,/>表示为用户在工作日的购物活跃度,/>表示为用户在周末的购物活跃度,/>表示为用户的信用卡账单余额,/>表示为用户消费信息异常调整值。
7.根据权利要求5所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据跨境电商服务平台产品库获取广告库存数据;
步骤S52:对广告库存数据进行相似度分类处理,生成广告相似数据;
步骤S53:利用聚类算法对广告相似数据进行数据聚合处理,生成广告分类数据。
8.根据权利要求7所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S6包括以下步骤:
步骤S61:利用广告创意评估公式对广告分类数据进行广告创意评估处理,生成广告创意评估数据;
步骤S62:对广告创意评估数据进行优先级排序处理,生成广告创意排序数据;
步骤S63:通过预设的优先级阈值对广告创意排序数据进行优先级对比处理,当广告创意排序数据大于优先值阈值时,则标记为高优先级广告数据;当广告创意排序数据小于优先值阈值时,则标记为低优先级广告数据。
9.根据权利要求6所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S61中的广告创意评估公式如下所示:
;
式中,表示为广告创意的评估得分,/>表示为广告被点击的比率,/>表示为广告点击后转化为实际行为的比率,/>表示为广告被展示的次数,/>表示为广告的展示次数指数,/>表示为广告投放所需的费用,/>表示为广告投放所期望获得的回报率,/>表示为广告投放所面临的竞争程度,/>表示为广告创意评估异常调整值。
10.根据权利要求6所述的一种基于跨境电商服务平台的广告投放数据处理方法,其特征在于,步骤S7包括以下步骤:
步骤S71:将高优先级广告数据、低优先级广告数据和用户消费行为数据进行数据整合处理,生成模型数据集;
步骤S72:将模型数据集进行数据集划分处理,得到模型训练集、模型验证集和模型测试集;
步骤S73:基于随机森林算法对模型训练集进行机器学习处理,生成广告投放预模型;
步骤S74:利用模型验证集对广告投放预模型进行模型性能调整处理,生成广告投放轻模型;
步骤S75:根据模型测试集对广告投放轻模型进行性能测试处理,从而生成广告投放模型;
步骤S76:将用户行为数据和广告库存数据导入至广告投放模型进行广告投放调度处理,生成广告投放方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710320.5A CN116452261B (zh) | 2023-06-15 | 2023-06-15 | 一种基于跨境电商服务平台的广告投放数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710320.5A CN116452261B (zh) | 2023-06-15 | 2023-06-15 | 一种基于跨境电商服务平台的广告投放数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452261A true CN116452261A (zh) | 2023-07-18 |
CN116452261B CN116452261B (zh) | 2023-08-18 |
Family
ID=87134143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310710320.5A Active CN116452261B (zh) | 2023-06-15 | 2023-06-15 | 一种基于跨境电商服务平台的广告投放数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452261B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797282A (zh) * | 2023-08-28 | 2023-09-22 | 成都一心航科技有限公司 | 一种用于广告投放的实时监控系统以及监控方法 |
CN117151870A (zh) * | 2023-10-30 | 2023-12-01 | 湖南三湘银行股份有限公司 | 一种基于客群画像行为分析方法及系统 |
CN117422502A (zh) * | 2023-10-26 | 2024-01-19 | 广州渠道无忧网络技术服务有限公司 | 一种广告投放消费数据处理方法、系统、设备及存储介质 |
CN117851689A (zh) * | 2024-03-08 | 2024-04-09 | 山东怡然信息技术有限公司 | 基于用户行为分析的搜索引擎精准推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014186178A1 (en) * | 2013-05-15 | 2014-11-20 | OpenX Technologies, Inc. | System and methods for using a revenue value index to score impressions for users for advertisement placement |
CN109461011A (zh) * | 2017-09-05 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 机器学习方法、装置及系统 |
CN110570243A (zh) * | 2019-08-29 | 2019-12-13 | 上海光是信息科技有限公司 | 适用于硬件广告屏的广告适配方法 |
CN113065883A (zh) * | 2020-01-02 | 2021-07-02 | 中国移动通信集团广东有限公司 | 投放广告的方法和装置 |
CN114596108A (zh) * | 2020-12-04 | 2022-06-07 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-15 CN CN202310710320.5A patent/CN116452261B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014186178A1 (en) * | 2013-05-15 | 2014-11-20 | OpenX Technologies, Inc. | System and methods for using a revenue value index to score impressions for users for advertisement placement |
CN109461011A (zh) * | 2017-09-05 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 机器学习方法、装置及系统 |
CN110570243A (zh) * | 2019-08-29 | 2019-12-13 | 上海光是信息科技有限公司 | 适用于硬件广告屏的广告适配方法 |
CN113065883A (zh) * | 2020-01-02 | 2021-07-02 | 中国移动通信集团广东有限公司 | 投放广告的方法和装置 |
CN114596108A (zh) * | 2020-12-04 | 2022-06-07 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
姜智彬;马欣;: "领域、困境与对策:人工智能重构下的广告运作", 新闻与传播评论, no. 03, pages 57 - 64 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797282A (zh) * | 2023-08-28 | 2023-09-22 | 成都一心航科技有限公司 | 一种用于广告投放的实时监控系统以及监控方法 |
CN116797282B (zh) * | 2023-08-28 | 2023-10-27 | 成都一心航科技有限公司 | 一种用于广告投放的实时监控系统以及监控方法 |
CN117422502A (zh) * | 2023-10-26 | 2024-01-19 | 广州渠道无忧网络技术服务有限公司 | 一种广告投放消费数据处理方法、系统、设备及存储介质 |
CN117151870A (zh) * | 2023-10-30 | 2023-12-01 | 湖南三湘银行股份有限公司 | 一种基于客群画像行为分析方法及系统 |
CN117151870B (zh) * | 2023-10-30 | 2024-03-19 | 湖南三湘银行股份有限公司 | 一种基于客群画像行为分析方法及系统 |
CN117851689A (zh) * | 2024-03-08 | 2024-04-09 | 山东怡然信息技术有限公司 | 基于用户行为分析的搜索引擎精准推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116452261B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116452261B (zh) | 一种基于跨境电商服务平台的广告投放数据处理方法 | |
JP5662446B2 (ja) | リアルタイム広告入札に対して競争評価モデルを使用するための学習システム | |
Sarma | Predictive modeling with SAS enterprise miner: Practical solutions for business applications | |
US20180240152A1 (en) | Content for targeted transmission | |
US7062477B2 (en) | Information-processing apparatus, information-processing method and storage medium | |
Huang et al. | Handling sequential pattern decay: Developing a two-stage collaborative recommender system | |
US20210012363A1 (en) | Device, method and computer-readable medium for analyzing customer attribute information | |
CN116862592B (zh) | 一种基于用户行为的sop私域营销信息自动推送方法 | |
CN115131101A (zh) | 一种保险产品个性化智能推荐系统 | |
CN116431931A (zh) | 实时增量数据统计分析方法 | |
US20230368226A1 (en) | Systems and methods for improved user experience participant selection | |
JP5603678B2 (ja) | 需要予測装置及び需要予測方法 | |
Chou et al. | The RFM Model Analysis for VIP Customer: A case study of golf clothing brand | |
Leventhal | Predictive Analytics for Marketers: Using Data Mining for Business Advantage | |
CN115719244A (zh) | 用户行为预测方法及装置 | |
CN115115403A (zh) | 目标客群中客户的分类方法、装置、电子设备及存储介质 | |
CN115222177A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN110992091A (zh) | 一种基于分类模型评估投放权益的方法和装置 | |
CN117557306B (zh) | 一种基于行为、特征对消费者分类的管理系统 | |
CN114648391B (zh) | 一种网购信息推荐方法 | |
CN113094615B (zh) | 消息推送方法、装置、设备和存储介质 | |
Buaklee et al. | Similar Cluster recommendation of product purchases by pages liked analysis | |
Walters | Development and demonstration of a Customer Super-Profiling tool utilising data analytics for alternative targeting in marketing campaigns | |
CN113269610A (zh) | 银行产品的推荐方法、装置及存储介质 | |
CN117635237A (zh) | 基于SaaS信息流与跨平台人群数据的广告管理系统 |
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 |