CN116797235A - 消费信息的处理方法、装置、存储介质及计算机设备 - Google Patents
消费信息的处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN116797235A CN116797235A CN202310841377.9A CN202310841377A CN116797235A CN 116797235 A CN116797235 A CN 116797235A CN 202310841377 A CN202310841377 A CN 202310841377A CN 116797235 A CN116797235 A CN 116797235A
- Authority
- CN
- China
- Prior art keywords
- customer
- information
- preset
- consumption
- merchant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 100
- 230000003993 interaction Effects 0.000 claims abstract description 87
- 239000013598 vector Substances 0.000 claims description 69
- 230000004927 fusion Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 15
- 238000007499 fusion processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种消费信息的处理方法、装置、存储介质及计算机设备,涉及信息技术领域,主要在于能够提高会员等级的评定准确度,提升顾客的购物体验。其中方法包括:获取顾客在目标商家中的消费信息,顾客对目标商家的评价信息,顾客与目标商家之间的互动信息,并确定目标商家所属的商家类型信息;根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;基于所述会员积分,确定所述顾客对应的会员等级。本发明适用于金融科技技术场景。
Description
技术领域
本发明涉及信息技术领域,尤其是涉及一种消费信息的处理方法、装置、存储介质及计算机设备。
背景技术
随着社会经济的不断发展,人们的消费水平也逐渐提高,顾客与商家之间的交易也逐渐增多,例如,用户与保险商家之间的保险交易,为了使商家对顾客的服务具有针对性和个性化,以提升顾客购物体验,商家需要对顾客进行会员等级评定。
目前,通常仅根据顾客的消费金额来对顾客进行会员等级划分。然而,影响顾客会员等级的因素有很多,这种仅根据消费金额的大小来对会员进行等级划分的方式,没有综合考虑影响会员等级的其它因素,从而导致会员等级的评定准确度较低,并且降低了顾客的购物体验。
发明内容
本发明提供了一种消费信息的处理方法、装置、存储介质及计算机设备,主要在于能够提高会员等级的评定准确度,提升顾客的购物体验。
根据本发明的第一个方面,提供一种消费信息的处理方法,包括:
获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定所述目标商家所属的商家类型信息;
根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;
若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;
基于所述会员积分,确定所述顾客对应的会员等级。
可选地,所述方法还包括:
若所述顾客不符合所述预设条件,则确定所述顾客的会员等级为0级。
可选地,所述消费信息包括顾客在所述目标商家中的消费金额、消费频率和消费次数,所述评价信息是指顾客对目标商家的评价等级,所述互动信息包括所述顾客对目标商家优惠活动的转发率和参与率,所述根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件,包括:
判断所述顾客在所述目标商家的消费金额是否大于预设金额阈值;和/或,
判断所述顾客在所述目标商家的消费频率是否大于预设频率阈值;和/或,
判断所述顾客在所述目标商家的消费次数是否大于预设次数阈值;和/或,
判断所述顾客对所述目标商家的评价等级是否大于预设等级阈值;和/或,
判断所述顾客对目标商家优惠活动的转发率是否大于预设转发率阈值;和/或,
判断所述顾客对目标商家优惠活动的参与率是否大于预设参与率阈值;
若所述消费金额大于预设金额阈值、和/或消费频率大于预设频率阈值、和/或消费次数大于预设次数阈值、和/或评价等级大于预设等级阈值、和/或转发率大于预设转发率阈值、和/或参与率大于预设参与率阈值,则判定所述顾客符合会员评定的预设条件。
可选地,所述将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分,包括:
将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息进行融合处理,得到会员融合特征向量;
将所述会员融合特征向量输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分。
可选地,所述将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息进行融合处理,得到会员融合特征向量,包括:
确定所述消费信息对应的第一特征向量,所述评价信息对应的第二特征向量,所述互动信息对应的第三特征向量,以及所述商家类型信息对应的第四特征向量;
将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行横向拼接,得到所述会员融合特征向量。
可选地,所述基于所述会员积分,确定所述顾客对应的会员等级,包括:
确定所述会员积分所属的目标积分区间;
在预设积分等级配置表中确定所述目标积分区间对应的目标会员等级,并将所述目标会员等级确定为所述顾客对应的会员等级。
可选地,在所述基于所述会员积分,确定所述顾客对应的会员等级之后,所述方法还包括:
在对所述顾客评定会员等级后的预设时间内,判断所述顾客是否在所述目标商家进行会员消费;
若所述顾客未在所述目标商家进行会员消费,则根据所述顾客对应的会员等级和特征数据,确定所述顾客对应的外呼端,并利用所述外呼端对所述顾客进行外呼维护。
根据本发明的第二个方面,提供一种消费信息的处理装置,包括:
获取单元,用于获取顾客在目标商家中的消费信息,以及所述顾客对所述目标商家的评价信息,以及所述顾客与所述目标商家之间的互动信息;
判断单元,用于根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;
预测单元,用于若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息和所述互动信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;
确定单元,用于基于所述会员积分,确定所述顾客对应的会员等级。
根据本发明的第三个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上消费信息的处理方法。
根据本发明的第四个方面,提供一种计算机设备,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以上消费信息的处理方法。
根据本发明提供的一种消费信息的处理方法、装置、存储介质及计算机设备,与目前仅根据顾客的消费金额来对顾客进行会员等级划分的方式相比,本发明通过获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定目标商家所属的商家类型信息;并根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;最终基于所述会员积分,确定所述顾客对应的会员等级,由此通过在会员等级划分之前,先根据消费信息、评价信息和互动信息来判断顾客是否符合会员等级的划分条件,在顾客符合会员等级划分条件的基础上,再对顾客进行会员等级划分,能够避免在顾客不符合会员等级划分条件下利用模型对顾客进行会员等级预测,造成的模型计算资源浪费的情况,从而本发明实施例能够节约计算资源,与此同时,在顾客符合会员等级划分的条件下,利用模型来对顾客的消费信息、顾客对商家的评价信息、顾客与商家之间的互动信息和商家类型信息进行综合分析,以此来确定顾客的会员等级,能够对影响会员等级划分的所有因素进行综合分析,从而提高了会员等级划分的准确度,进而能够提高顾客的购物体验,同时,不同类型商家对应的会员等级的评定规则可能会不同,本发明能够实现对不同类型商家的顾客进行会员等级评定,从而本发明对会员等级评定的适用范围更广。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种消费信息的处理方法流程图;
图2示出了本发明实施例提供的另一种消费信息的处理方法流程图;
图3示出了本发明实施例提供的一种消费信息的处理装置的结构示意图;
图4示出了本发明实施例提供的另一种消费信息的处理装置的结构示意图;
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
目前,仅根据顾客的消费金额来对顾客进行会员等级划分的方式,没有综合考虑影响会员等级的其它因素,从而导致会员等级的评定准确度较低,并且降低了顾客的购物体验。
为了解决上述问题,本发明实施例提供了一种消费信息的处理方法,如图1所示,所述方法包括:
101、获取顾客在目标商家中的消费信息,所顾客对目标商家的评价信息,顾客与目标商家之间的互动信息,并确定目标商家所属的商家类型信息。
其中,消费信息包括顾客在目标商家中的消费金额、消费频率和消费次数等信息,评价信息是指顾客对目标商家的评价等级,互动信息包括所述顾客对目标商家优惠活动的参与度,例如,顾客对目标商家优惠活动的转发率和参与率等信息,商家类型信息包括电信业务商家、保险业务商家、服装业务商家等。
对于本发明实施例,可以在商家后台服务器的数据库中获取顾客的消费信息、评价信息、互动信息和商家类型信息。需要说明的是,本实施例中获取的消费信息、评价信息和互动信息,并非是顾客的个人隐私数据,而是在商家商品交易管理平台中可以得到的与该顾客购买服务相关的数据(非个人隐私数据)。
102、根据消费信息、评价信息和互动信息,判断顾客是否符合会员评定的预设条件。
其中,会员评定的预设条件可根据实际需求进行预先设置。
对于本发明实施例,顾客中的部分顾客可能并不符合会员评定的条件,因此为了避免对该部分顾客进行会员评定所浪费的时间和资源,首先需要根据顾客在目标商家中的消费金额、消费次数、消费频率,以及顾客对目标商家的评价信息和顾客与目标商家之间的互动信息,来判断顾客是否符合会员评定的预设条件,在顾客符合会员评定的预设条件的基础上,再对顾客进行会员评定,若顾客不符合会员评定的预设条件,则禁止利用人力和资源对顾客进行会员评定,由此能够避免对不符合会员评定资格的顾客进行会员评定所浪费的时间和资源,从而本发明实施例通过在判定顾客符合会员评定资格的条件下,再对顾客进行会员等级评定,能够节约时间,并节约会员等级评定资源。
103、若顾客符合预设条件,则将消费信息、评价信息、互动信息和商家类型信息输入至预设会员积分预测模型中进行积分预测,得到顾客对应的会员积分。
对于本发明实施例,若顾客符合会员评定的预设条件,则利用预测模型对顾客在目标商家的消费信息、评价信息、互动信息和商家类型信息进行综合分析,得到分析结果,其中,该分析结果具体可以为顾客的会员积分,并根据分析结果来对顾客进行会员等级评定,由此通过对影响会员等级的所有因素,包括消费信息、评价信息、互动信息和商家类型信息等因素进行综合分析来确定顾客的会员等级,能够提高会员等级的预测准确度,与此同时,通过利用预测模型来对顾客的会员等级进行预测,能够避免人工评定会员等级导致的会员等级评定效率较低和评定准确度较低的问题,从而本发明实施例还能够提高会员等级的评定效率和评定准确度,此外,不同类型商家可能对应不同的会员等级评定规则,本发明实施例在对顾客的会员等级进行评定时,还考虑了商家类型信息,从而使会员等级的评定准确度更高,同时还能够使会员等级评定的适用范围更广。
104、基于会员积分,确定顾客对应的会员等级。
对于本发明实施例,在利用预测模型对顾客的消费信息、评价信息、互动信息和商家类型信息进行综合分析,得到顾客的会员积分后,可以根据顾客的会员积分,来确定顾客的会员等级,例如,若目标商家预先设置的会员积分和会员等级之间的关系为:2000-5000分对应会员等级为初级,5000-10000分对应的会员等级为中级,10000-20000分对应的会员等级为高级,20000分以上对应的会员等级为特级,若顾客的会员积分为12000分,则确定顾客的会员等级为高级。由此通过利用预测模型来对影响顾客会员等级评定的消费信息、评价信息、互动信息和商家类型信息等所有因素进行综合分析,来确定顾客的会员等级,能够提高会员等级的评定效率和评定准确度。
进一步地,为了提升顾客的购物体验,在对顾客进行会员等级评定后,根据会员等级,还需要为顾客分配相应的权益,不同会员等级对应不同的权益,例如,初级会员对应的权益为所有消费商品打9.8折,特级会员对应的权益为所有消费商品打8折,并赠送礼品,由此通过为不同会员等级配置不同的权益,能够提升顾客的购物体验。
根据本发明提供的一种消费信息的处理方法,与目前仅根据顾客的消费金额来对顾客进行会员等级划分的方式相比,本发明通过获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定目标商家所属的商家类型信息;并根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;最终基于所述会员积分,确定所述顾客对应的会员等级,由此通过在会员等级划分之前,先根据消费信息、评价信息和互动信息来判断顾客是否符合会员等级的划分条件,在顾客符合会员等级划分条件的基础上,再对顾客进行会员等级划分,能够避免在顾客不符合会员等级划分条件下利用模型对顾客进行会员等级预测,造成的模型计算资源浪费的情况,从而本发明实施例能够节约计算资源,与此同时,在顾客符合会员等级划分的条件下,利用模型来对顾客的消费信息、顾客对商家的评价信息、顾客与商家之间的互动信息和商家类型信息进行综合分析,以此来确定顾客的会员等级,能够对影响会员等级划分的所有因素进行综合分析,从而提高了会员等级划分的准确度,进而能够提高顾客的购物体验,同时,不同类型商家对应的会员等级的评定规则可能会不同,本发明能够实现对不同类型商家的顾客进行会员等级评定,从而本发明对会员等级评定的适用范围更广。
进一步的,为了更好的说明上述对消费信息进行处理的过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种消费信息的处理方法,如图2所示,所述方法包括:
201、获取顾客在目标商家中的消费信息,顾客对目标商家的评价信息,顾客与目标商家之间的互动信息,并确定目标商家所属的商家类型信息。
具体地,可以在目标商家对应的管理平台数据库中获取顾客的消费信息、顾客对目标商家的评价信息、顾客与目标商家之间的互动信息和商家类型信息,上述信息非隐私信息。
202、根据消费信息、评价信息和互动信息,判断顾客是否符合会员评定的预设条件。
其中,消费信息包括顾客在目标商家中的消费金额、消费频率和消费次数,评价信息是指顾客对目标商家的评价等级,互动信息包括顾客对目标商家优惠活动的转发率和参与率。
在获取顾客的消费信息、评价信息和互动信息之后,还需要基于上述信息判定顾客是否符合会员等级的评定条件,基于此,步骤202具体包括:判断所述顾客在所述目标商家的消费金额是否大于预设金额阈值;和/或,判断所述顾客在所述目标商家的消费频率是否大于预设频率阈值;和/或,判断所述顾客在所述目标商家的消费次数是否大于预设次数阈值;和/或,判断所述顾客对所述目标商家的评价等级是否大于预设等级阈值;和/或,判断所述顾客对目标商家优惠活动的转发率是否大于预设转发率阈值;和/或,判断所述顾客对目标商家优惠活动的参与率是否大于预设参与率阈值;若所述消费金额大于预设金额阈值、和/或消费频率大于预设频率阈值、和/或消费次数大于预设次数阈值、和/或评价等级大于预设等级阈值、和/或转发率大于预设转发率阈值、和/或参与率大于预设参与率阈值,则判定所述顾客符合会员评定的预设条件。
需要说明的是,上述判断是否符合会员评定的预设条件的方式,可根据实际情况组合搭配,并设定判定标准。
例如,如表1所示,如果顾客的消费信息,满足消费金额大于x元、消费频率大于b%,且顾客的互动信息,满足顾客对目标商家优惠活动的转发率大于c%时,可判定顾客满足会员评定的预设条件。
表1
消费信息 | 互动信息 |
消费金额>x元 | 转发率>c% |
消费频率>b% |
通过本发明实施例提供的判定顾客是否符合会员等级评定的预设条件的方式,可准确判断是否需要对顾客进行会员等级评定,若用户不符合会员等级评定的预设条件,此时无需将顾客的消费信息和互动信息等信息输入至预测模型中进行综合分析,便可以直接判定顾客的会员等级为0级,0级代表顾客不属于目标商家中的会员,从而能够避免在顾客不符合会员等级评定条件下,继续利用模型对顾客进行会员等级评定所浪费的时间和资源,从而本发明实施例能够节约时间,且还能够节约计算资源,若用户符合会员等级评定的预设条件,则利用预测模型对顾客进行会员等级评定,通过预测模型来对会员等级进行评定的方式,能够提高会员等级的评定效率和评定准确度。
203、若顾客符合预设条件,则将消费信息、评价信息、互动信息和商家类型信息进行融合处理,得到会员融合特征向量。
对于本发明实施例,在顾客符合会员等级评定的条件下,需要对顾客进行会员等级评定,为了准确地对顾客进行会员等级评定,首先需要对消费信息、评价信息、互动信息和商家类型信息进行融合处理,基于此,步骤203具体包括:确定所述消费信息对应的第一特征向量,所述评价信息对应的第二特征向量,所述互动信息对应的第三特征向量,以及所述商家类型信息对应的第四特征向量;将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行横向拼接,得到所述会员融合特征向量。
具体地,顾客的消费信息、评价信息、互动信息和商家类型信息属于不同维度的信息,为了充分利用不同维度信息之间的关系,需要将不同维度的信息合成一个更加全面的信息,基于此,需要对不同维度的信息进行融合处理,具体处理方法为:首先需要确定消费信息中包含的各个字符,评价信息中包含的各个字符、互动信息中包含的各个字符和商家类型信息中的各个字符,之后利Word2Vec等词嵌入方法分别将消费信息中的各个字符、评价信息中的各个字符、互动信息中的各个字符和商家类型信息中的各个字符转化为嵌入向量,即可得到消费信息对应的第一特征向量、评价信息对应的第二特征向量、互动信息对应的第三特征向量和商家类型信息对应的第四特征向量,若第一特征向量为(a1,a2),第二特征向量为(b1,b2),第三特征向量为(c1,c2),第四特征向量为(d1,d2),则对第一特征向量、第二特征向量、第三特征向量和第四特征向量进行横向拼接得到会员融合特征向量为(a1,a2,b1,b2,c1,c2,d1,d2),之后将会员融合特征向量输入至预设会员积分预测模型中进行积分预测,得到顾客在目标商家中的会员积分,最终根据会员积分进行会员等级的评定,由此通过对顾客的消费信息、评价信息、互动信息和商家类型信息等不同维度的信息进行融合处理,能够充分利用不同维度信息之间的关系,将不同维度的信息合成一个更加全面的信息,从而能够提高预设积分预测模型的预测精度,进而能够提高会员等级的评定准确度。
204、将会员融合特征向量输入至预设会员积分预测模型中进行积分预测,得到顾客对应的会员积分。
其中,预设会员积分预测模型具体为神经网络模型,在利用预设会员积分预测模型进行积分预测之前,首先需要构建预设会员积分预测模型,基于此,所述方法包括:构建预设初始会员积分预测模型;获取样本顾客在样本商家的样本消费信息、样本顾客对样本商家的样本评价信息、样本顾客与样本商家之间的样本互动信息,并确定样本商家所属的样本商家类型信息,以及获取样本顾客在样本商家中的实际会员积分;对样本消费信息、样本评价信息、样本互动信息和样本商家类型信息进行融合处理,得到样本融合特征向量;将样本融合特征向量输入至预设初始会员积分预测模型中进行积分预测,得到预测会员积分;基于样本顾客对应的实际会员积分和预测会员积分,构建预设初始会员积分预测模型对应的损失函数;基于所述损失函数,构建所述预设会员积分预测模型。
其中,样本消费信息包括顾客在样本商家中的消费金额、消费频率和消费次数,样本评价信息是指样本顾客对样本商家的评价等级,样本互动信息包括样本顾客对样本商家优惠活动的转发率和参与率。具体地,可以预先构建预设初始会员积分预测模型,之后利用获取的样本消费信息、样本评价信息、样本互动信息和样本商家类型信息及其对应的实际会员积分,对预设初始会员积分预测模型的参数进行迭代训练,训练得到预测损失最小的预设会员积分预测模型。
其中,预设会员积分预测模型具体可以为预设多层感知器,包括输入层、隐藏层和输出层。
进一步地,在构建预设会员积分预测模型后,将会员融合特征向量输入至预设多层感知器,提取预设多层感知器中最后一个全连接层输出的特征;并将最后一个全连接层输出的特征输入至预设多层感知器中的softmax层,得到顾客对应的会员积分,其中,该预设多层感知器的输出层输出的实际为不同会员积分对应的分类概率,在不同分类概率中确定最大分类概率,并将最大分类概率对应的会员积分确定为顾客在目标商家中的会员积分,最终根据顾客在目标商家中的会员积分,确定顾客对应的会员等级,由此通过利用预测模型来对顾客的会员积分进行预测,并根据会员积分来确定顾客的会员等级,能够提高会员等级的评定效率和评定准确度,与此同时,通过对顾客的消费信息、顾客对商家的评价信息、顾客与商家之间的互动信息和商家类型信息进行综合分析,以此来确定顾客的会员等级,能够对影响会员等级划分的所有因素进行综合分析,从而提高了会员等级划分的准确度,进而能够提高顾客的购物体验,同时,不同类型商家对应的会员等级的评定规则可能会不同,本发明能够实现对不同类型商家的顾客进行会员等级评定,从而本发明对会员等级评定的适用范围更广。
205、基于会员积分,确定顾客对应的会员等级。
对于本发明实施例,在确定顾客在目标商家的会员积分后,需要根据会员积分来确定顾客的会员等级,基于此,步骤205具体包括:确定所述会员积分所属的目标积分区间;在预设积分等级配置表中确定所述目标积分区间对应的目标会员等级,并将所述目标会员等级确定为所述顾客对应的会员等级。
具体地,预设积分等级配置表中存储着不同积分区间对应的会员等级,例如,若预设积分等级配置表中存储着:1000-2000分对应初级会员、2000-4000分对应中级会员、4000-10000分对应高级会员、10000以上积分对应特级会员,若顾客在目标商家的会员积分为5200分,则确定顾客被目标商家评定为高级会员,之后为顾客分配高级会员应用的权益,通过为顾客评定会员等级并分配相应权益,能够提升顾客的购物体验。
进一步地,在对顾客评定会员等级后,为了促进消费,并时刻掌握顾客对商家的服务评价,需要对顾客进行定期回访维护,基于此,所述方法包括:获取所述顾客的特征数据;在对所述顾客评定会员等级后的预设时间内,判断所述顾客是否在所述目标商家进行会员消费;若所述顾客未在所述目标商家进行会员消费,则根据所述顾客对应的会员等级和特征数据,确定所述顾客对应的外呼端,并利用所述外呼端对所述顾客进行外呼维护。
其中,特征数据是指顾客的年龄、职业、性别、爱好等数据,预设时间是根据实际需求预先设定的数值。
具体地,例如,若预设时间为3个月,在对顾客进行会员等级评定后,判断顾客在会员等级评定后的3个月内是否再次在目标商家进行过消费,若未在目标商家进行过消费,则将该会员确定为僵尸会员,此时,为了了解顾客未消费的原因,需要根据用户的会员等级和特征数据确定顾客对应的外呼端,并利用该外呼端对顾客进行外呼回访和维护,从而能够提升顾客的购物体验,其中,具体根据用户的会员等级和特征数据确定顾客对应的外呼端的方法包括:将所述顾客的会员等级和特征数据输入至预先训练好的消费参数预测模型中进行消费参数预测,得到所述顾客对应的预测消费参数;基于所述预测消费参数为所述顾客分配对应的外呼端。
其中,预设消费参数预测模型具体可以为神经网络模型,消费参数具体可以为顾客再次消费的销售额,外呼端可以是外呼服务系统中提供业务服务的话务员。
具体地,预先获取各个外呼端对应的外呼成功率(通过外呼后再次消费的顾客与外呼顾客总数量之比),根据外呼成功率由高到底的顺序,对各个外呼端进行排序,得到预设外呼端列表,之后在预设外呼端列表中选择与预测消费参数匹配的外呼端,若预测消费参数较高,则可以选取预设外呼端列表中排名较前的外呼端对顾客进行外呼任务,假设预测消费参数较低,则可以选取预设外呼端列表中较后的外呼端对顾客进行外呼任务,根据本发明实施例提供的外呼维护方法,可以通过智能算法的预测与最精细化的匹配对应,并且通过简单的拟合并计算,可以向用户提供更加优质的外呼服务,进而提升用户的体验感。
根据本发明提供的另一种消费信息的处理方法,与目前仅根据顾客的消费金额来对顾客进行会员等级划分的方式相比,本发明通过获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定目标商家所属的商家类型信息;并根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;最终基于所述会员积分,确定所述顾客对应的会员等级,由此通过在会员等级划分之前,先根据消费信息、评价信息和互动信息来判断顾客是否符合会员等级的划分条件,在顾客符合会员等级划分条件的基础上,再对顾客进行会员等级划分,能够避免在顾客不符合会员等级划分条件下利用模型对顾客进行会员等级预测,造成的模型计算资源浪费的情况,从而本发明实施例能够节约计算资源,与此同时,在顾客符合会员等级划分的条件下,利用模型来对顾客的消费信息、顾客对商家的评价信息、顾客与商家之间的互动信息和商家类型信息进行综合分析,以此来确定顾客的会员等级,能够对影响会员等级划分的所有因素进行综合分析,从而提高了会员等级划分的准确度,进而能够提高顾客的购物体验,同时,不同类型商家对应的会员等级的评定规则可能会不同,本发明能够实现对不同类型商家的顾客进行会员等级评定,从而本发明对会员等级评定的适用范围更广。
进一步地,作为图1的具体实现,本发明实施例提供了一种消费信息的处理装置,如图3所示,所述装置包括:获取单元31、判断单元32、预测单元33和确定单元34。
所述获取单元31,可以用于获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定所述目标商家所属的商家类型信息。
所述判断单元32,可以用于根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件。
所述预测单元33,可以用于若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分。
所述确定单元34,用于基于所述会员积分,确定所述顾客对应的会员等级。
在具体应用场景中,所述确定单元34,还可以用于若所述顾客不符合所述预设条件,则确定所述顾客的会员等级为0级。
在具体应用场景中,所述消费信息包括顾客在所述目标商家中的消费金额、消费频率和消费次数,所述评价信息是指顾客对目标商家的评价等级,所述互动信息包括所述顾客对目标商家优惠活动的转发率和参与率,为了根据上述信息判断顾客是否符合会员评定的预设条件,如图4所示,所述判断单元32,包括判断模块321和确定模块322。
所述判断模块321,可以用于判断所述顾客在所述目标商家的消费金额是否大于预设金额阈值;和/或。
所述判断模块321,还可以用于判断所述顾客在所述目标商家的消费频率是否大于预设频率阈值;和/或。
所述判断模块321,还可以用于判断所述顾客在所述目标商家的消费次数是否大于预设次数阈值;和/或。
所述判断模块321,还可以用于判断所述顾客对所述目标商家的评价等级是否大于预设等级阈值;和/或。
所述判断模块321,还可以用于判断所述顾客对目标商家优惠活动的转发率是否大于预设转发率阈值;和/或。
所述判断模块321,还可以用于判断所述顾客对目标商家优惠活动的参与率是否大于预设参与率阈值。
所述确定模块322,可以用于若所述消费金额大于预设金额阈值、和/或消费频率大于预设频率阈值、和/或消费次数大于预设次数阈值、和/或评价等级大于预设等级阈值、和/或转发率大于预设转发率阈值、和/或参与率大于预设参与率阈值,则判定所述顾客符合会员评定的预设条件。
在具体应用场景中,为了确定顾客的会员积分,所述预测单元33,包括融合处理模块331和预测模块332。
所述融合处理模块331,可以用于将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息进行融合处理,得到会员融合特征向量。
所述预测模块332,可以用于将所述会员融合特征向量输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分。
在具体应用场景中,为了对消费信息、评价信息、互动信息和商家类型信息进行融合处理,所述融合处理模块331,包括确定子模块和拼接子模块。
所述确定子模块,可以用于确定所述消费信息对应的第一特征向量,所述评价信息对应的第二特征向量,所述互动信息对应的第三特征向量,以及所述商家类型信息对应的第四特征向量。
所述拼接子模块,可以用于将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行横向拼接,得到所述会员融合特征向量。
在具体应用场景中,为了对顾客进行会员等级划分,所述确定单元34,具体可以用于确定所述会员积分所属的目标积分区间;在预设积分等级配置表中确定所述目标积分区间对应的目标会员等级,并将所述目标会员等级确定为所述顾客对应的会员等级。
在具体应用场景中,为了对会员进行定期维护,所述装置还包括:外呼单元35。
所述判断单元32,还可以用于在对所述顾客评定会员等级后的预设时间内,判断所述顾客是否在所述目标商家进行会员消费。
所述外呼单元35,可以用于若所述顾客未在所述目标商家进行会员消费,则根据所述顾客对应的会员等级和特征数据,确定所述顾客对应的外呼端,并利用所述外呼端对所述顾客进行外呼维护。
需要说明的是,本发明实施例提供的一种消费信息的处理装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定所述目标商家所属的商家类型信息;根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;基于所述会员积分,确定所述顾客对应的会员等级。
基于上述如图1所示方法和如图3所示装置的实施例,本发明实施例还提供了一种计算机设备的实体结构图,如图5所示,该计算机设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定所述目标商家所属的商家类型信息;根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;基于所述会员积分,确定所述顾客对应的会员等级。
通过本发明的技术方案,本发明通过获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定目标商家所属的商家类型信息;并根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;最终基于所述会员积分,确定所述顾客对应的会员等级,由此通过在会员等级划分之前,先根据消费信息、评价信息和互动信息来判断顾客是否符合会员等级的划分条件,在顾客符合会员等级划分条件的基础上,再对顾客进行会员等级划分,能够避免在顾客不符合会员等级划分条件下利用模型对顾客进行会员等级预测,造成的模型计算资源浪费的情况,从而本发明实施例能够节约计算资源,与此同时,在顾客符合会员等级划分的条件下,利用模型来对顾客的消费信息、顾客对商家的评价信息、顾客与商家之间的互动信息和商家类型信息进行综合分析,以此来确定顾客的会员等级,能够对影响会员等级划分的所有因素进行综合分析,从而提高了会员等级划分的准确度,进而能够提高顾客的购物体验,同时,不同类型商家对应的会员等级的评定规则可能会不同,本发明能够实现对不同类型商家的顾客进行会员等级评定,从而本发明对会员等级评定的适用范围更广。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种消费信息的处理方法,其特征在于,包括:
获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定所述目标商家所属的商家类型信息;
根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;
若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;
基于所述会员积分,确定所述顾客对应的会员等级。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述顾客不符合所述预设条件,则确定所述顾客的会员等级为0级。
3.根据权利要求1所述的方法,其特征在于,所述消费信息包括顾客在所述目标商家中的消费金额、消费频率和消费次数,所述评价信息是指顾客对目标商家的评价等级,所述互动信息包括所述顾客对目标商家优惠活动的转发率和参与率,所述根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件,包括:
判断所述顾客在所述目标商家的消费金额是否大于预设金额阈值;和/或,
判断所述顾客在所述目标商家的消费频率是否大于预设频率阈值;和/或,
判断所述顾客在所述目标商家的消费次数是否大于预设次数阈值;和/或,
判断所述顾客对所述目标商家的评价等级是否大于预设等级阈值;和/或,
判断所述顾客对目标商家优惠活动的转发率是否大于预设转发率阈值;和/或,
判断所述顾客对目标商家优惠活动的参与率是否大于预设参与率阈值;
若所述消费金额大于预设金额阈值、和/或消费频率大于预设频率阈值、和/或消费次数大于预设次数阈值、和/或评价等级大于预设等级阈值、和/或转发率大于预设转发率阈值、和/或参与率大于预设参与率阈值,则判定所述顾客符合会员评定的预设条件。
4.根据权利要求1所述的方法,其特征在于,所述将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分,包括:
将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息进行融合处理,得到会员融合特征向量;
将所述会员融合特征向量输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分。
5.根据权利要求4所述的方法,其特征在于,所述将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息进行融合处理,得到会员融合特征向量,包括:
确定所述消费信息对应的第一特征向量,所述评价信息对应的第二特征向量,所述互动信息对应的第三特征向量,以及所述商家类型信息对应的第四特征向量;
将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行横向拼接,得到所述会员融合特征向量。
6.根据权利要求1所述的方法,其特征在于,所述基于所述会员积分,确定所述顾客对应的会员等级,包括:
确定所述会员积分所属的目标积分区间;
在预设积分等级配置表中确定所述目标积分区间对应的目标会员等级,并将所述目标会员等级确定为所述顾客对应的会员等级。
7.根据权利要求1所述的方法,其特征在于,在所述基于所述会员积分,确定所述顾客对应的会员等级之后,所述方法还包括:
获取所述顾客的特征数据;
在对所述顾客评定会员等级后的预设时间内,判断所述顾客是否在所述目标商家进行会员消费;
若所述顾客未在所述目标商家进行会员消费,则根据所述顾客对应的会员等级和特征数据,确定所述顾客对应的外呼端,并利用所述外呼端对所述顾客进行外呼维护。
8.一种消费信息的处理装置,其特征在于,包括:
获取单元,用于获取顾客在目标商家中的消费信息,所述顾客对所述目标商家的评价信息,所述顾客与所述目标商家之间的互动信息,并确定所述目标商家所属的商家类型信息;
判断单元,用于根据所述消费信息、所述评价信息和所述互动信息,判断所述顾客是否符合会员评定的预设条件;
预测单元,用于若所述顾客符合所述预设条件,则将所述消费信息、所述评价信息、所述互动信息和所述商家类型信息输入至预设会员积分预测模型中进行积分预测,得到所述顾客对应的会员积分;
确定单元,用于基于所述会员积分,确定所述顾客对应的会员等级。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备,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,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841377.9A CN116797235A (zh) | 2023-07-10 | 2023-07-10 | 消费信息的处理方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841377.9A CN116797235A (zh) | 2023-07-10 | 2023-07-10 | 消费信息的处理方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116797235A true CN116797235A (zh) | 2023-09-22 |
Family
ID=88042040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310841377.9A Pending CN116797235A (zh) | 2023-07-10 | 2023-07-10 | 消费信息的处理方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797235A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437824A (zh) * | 2023-12-13 | 2024-01-23 | 江西拓世智能科技股份有限公司 | 演讲训练方法及相关装置 |
-
2023
- 2023-07-10 CN CN202310841377.9A patent/CN116797235A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437824A (zh) * | 2023-12-13 | 2024-01-23 | 江西拓世智能科技股份有限公司 | 演讲训练方法及相关装置 |
CN117437824B (zh) * | 2023-12-13 | 2024-05-14 | 江西拓世智能科技股份有限公司 | 演讲训练方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN112163887A (zh) | 电销系统和电销名单管理方法、装置、设备、存储介质 | |
CN112528110A (zh) | 确定实体业务属性的方法及装置 | |
Ferrucci | Pro-active dynamic vehicle routing: real-time control and request-forecasting approaches to improve customer service | |
Kim et al. | Reference-dependent preferences on smart phones in South Korea: Focusing on attributes with heterogeneous preference direction | |
CN109359834A (zh) | 商品供应管理系统和方法 | |
CN116797235A (zh) | 消费信息的处理方法、装置、存储介质及计算机设备 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
TW201818304A (zh) | 產品服務系統分類與服務轉型方法 | |
CN113672797A (zh) | 一种内容推荐方法及装置 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN112163154A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
Rodpysh | Model to predict the behavior of customers churn at the industry | |
Tănase | Predictive Marketing: Anticipating Market Demand with Proactive Action | |
CN113743435A (zh) | 业务数据分类模型的训练、业务数据的分类方法和装置 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN111752985A (zh) | 一种主体画像生成的方法、装置和存储介质 | |
KR102260924B1 (ko) | 통합 양식 기반의 금융 서비스를 위한 금융 시스템의 동작 방법 | |
JP7518244B1 (ja) | 予測装置、予測方法、及びプログラム | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 |
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 |