CN116805255B - 基于用户画像分析的广告自动优化投放系统 - Google Patents

Abstract

本发明公开了基于用户画像分析的广告自动优化投放系统，属于用户画像分析领域，用于解决当下各类平台中广告杂乱且种类繁多，广告投放效果欠佳的问题，包括智能推送模块、用户画像模块、投放优化模块和效果分析模块，用户画像模块用于依据购物信息将用户进行信息标签化，得到用户的用户画像模型，智能推送模块基于用户画像模型用于对用户自动化投放广告，效果分析模块用于对投放广告后商品的流量效果进行分析，生成效益欠佳信号、效益缓慢信号或效益正常信号，投放优化模块用于接收到投放优化指令对商品对应广告的投放情况进行投放优化，本发明基于用户习惯实现广告的精准投放，并直观了解广告投放所带来的收益和宣传效果。

Description

基于用户画像分析的广告自动优化投放系统

技术领域

本发明属于用户画像领域，涉及广告投放技术，具体是基于用户画像分析的广告自动优化投放系统。

背景技术

用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性，能代表产品的主要受众和目标群体。

当下各类平台中投放的广告杂乱且种类繁多，广告投放漫无目的，仅仅用户关闭或屏蔽时反馈关闭或屏蔽原因，此种投放方式达不到理想化的宣传效果，同时，当前在进行广告投放宣传时，也无法直观地知晓广告投放所带来的收益和宣传效果；

为此，我们提出基于用户画像分析的广告自动优化投放系统。

发明内容

针对现有技术存在的不足，本发明目的是提供基于用户画像分析的广告自动优化投放系统。

本发明所要解决的技术问题为：

如何基于用户习惯实现广告的精准化投放，以及如何直观了解广告投放的收益和宣传效果。

本发明的目的可以通过以下技术方案实现：

基于用户画像分析的广告自动优化投放系统，包括数据采集模块、智能推送模块、用户画像模块、存储模块、用户终端、投放优化模块、效果分析模块以及服务器；

经用户授权同意后，所述服务器用于获取用户终端的购物信息并发送至存储模块内进行存储；

所述用户画像模块用于依据购物信息将用户进行信息标签化，得到用户的用户画像模型反馈至服务器，所述服务器将用户画像模型发送至智能推送模块；所述智能推送模块基于用户画像模型用于对用户自动化投放广告；

所述数据采集模块用于对采集广告投放对应商品的广告后流量数据，并将广告后流量数据发送至服务器，所述服务器将广告后流量数据发送至效果分析模块；所述存储模块还用于存储广告对应商品的广告前流量数据，并将广告前流量数据发送至服务器，所述服务器将广告前流量数据发送至效果分析模块；所述效果分析模块用于对投放广告后商品的流量效果进行分析，生成效益欠佳信号、效益缓慢信号或效益正常信号反馈至服务器，若服务器接收到服务器将效益欠佳信号或效益缓慢信号，则生成投放优化指令加载至投放优化模块，若服务器接收到效益正常信号，则不进行任何操作；

所述投放优化模块用于接收到投放优化指令对商品对应广告的投放情况进行投放优化。

进一步地，购物信息为用户的购物次数，每次购物时的购物平台、购物价格、购物时段和购物种类。

进一步地，所述用户画像模块的工作过程具体如下：

获取用户的购物信息，得到用户的购物次数、每次购物时的购物平台、每次购物时的购物价格、每次购物时的购物时段和每次购物时的购物种类；

将购物次数与购物次数区间进行比对，得到用户所属的购物次数区间；

而后获取用户每次购物时的购物价格，遍历比对每次购物时的购物价格得到用户的购物价格下限值和购物价格上限值，购物价格下限值和购物价格上限值共同组成用户的购物价格区间；

同时获取用户每次购物时的购物平台、购物时段和购物种类，统计得到用户的购物平台列表、购物时段列表和购物种类列表；其中，购物平台列表按照购物次数由多到少将购物平台进行降序排列，购物时段列表和购物列表种类同理；

将购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表作为信息标签化的标签项，分别标定为次数标签项、平台标签项、价格标签项、时段标签项和种类标签项；

次数标签项、平台标签项、价格标签项、时段标签项和种类标签项组成构成用户的用户画像模型。

进一步地，购物次数区间包括第一购物次数区间、第二购物次数区间和第三购物次数区间；

第一购物次数区间的上限值小于或等于第二购物次数区间的下限值，第二购物次数区间的上限值小于或等于第三购物次数区间的下限值。

进一步地，所述智能推送模块的工作过程具体如下：

获取用户的用户画像模型，得到用户的次数标签项、平台标签项、价格标签项、时段标签项和种类标签项；

依据不同标签项得到用户的购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表；

若购物次数区间为第三购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n3次推送，且广告的播放间隔为m1秒；

若购物次数区间为第二购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n2次推送，且广告的播放间隔为m2秒；

若购物次数区间为第一购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n1次推送，且广告的播放间隔为m3秒；其中，n1、n2和n3均为固定数值的正整数，且0＜n1＜n2＜n3，同时，m1、m2和m3均为固定数值的正整数，且0＜m1＜m2＜m3。

进一步地，优选购物种类为购物种类列表中排名前三的购物种类，优选购物平台为购物平台列表中排名前三的购物平台，优选购物时段为购物时段列表中排名前三的购物时段。

进一步地，广告后流量数据为广告投放一周后对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告后销售量；

广告前流量数据为广告投放前对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告前销售量。

进一步地，所述效果分析模块的分析过程具体如下：

获取广告投放前对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告前销售量；

广告投放前每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长，广告投放前每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长；

而后获取广告投放一周后对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告后销售量；

广告投放后每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长，广告投放后每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长；

若广告后销售量小于等于广告前销售量，则生成效益欠佳信号；

若广告后销售量大于广告前销售量，则利用广告后销售量减去广告前销售量得到广告投放一周后对应商品的销量提升量，同时计算广告投放一周后对应商品的商品曝光值；

将销量提升量结合商品曝光值得到广告投放一周后对应商品的投放效益值；

投放效益值比对投放效益阈值，生成效益欠佳信号、效益缓慢信号或效益正常信号。

进一步地，投放优化的具体方案为：降低广告推送购物种类的数量、增加广告播放购物时段的数量、增加广告所投放购物平台的数量、增加在所投放的购物平台内的推送播放次数和缩短广告的播放间隔时长。

与现有技术相比，本发明的有益效果是：

本发明首先利用用户画像模块依据购物信息用于将用户进行信息标签化，得到用户的用户画像模型发送至智能推送模块，智能推送模块基于用户画像模型用于对用户自动化投放广告，在广告投放后，利用效果分析模块对投放广告后商品的流量效果进行分析，生成效益欠佳信号、效益缓慢信号或效益正常信号，效果分析模块将效益欠佳信号、效益缓慢信号或效益正常信号，若生成效益缓慢信号或效益正常信号则利用投放优化模块对商品对应广告的投放情况进行投放优化，本发明基于用户习惯实现广告的精准投放，并直观了解广告投放所带来的收益和宣传效果。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的整体系统框图；

图2为本发明中广告的正常投放图；

图3为本发明中广告的优化投放图。

具体实施方式

下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

请参阅图1-图3所示，基于用户画像分析的广告自动优化投放系统，包括数据采集模块、智能推送模块、用户画像模块、存储模块、用户终端、投放优化模块、效果分析模块以及服务器；

在本实施例中，所述用户终端用于用户输入个人信息后注册登录系统，并将个人信息发送至服务器，其中，个人信息包括用户的姓名、身份证号码、实名认证的号码等；

在用户登录服务器后，经用户授权同意后，所述服务器用于获取用户终端的购物信息，并将购物信息发送至存储模块；所述存储模块用于将不同用户的购物信息进行存储；

需要具体说明的是，购物信息为用户的购物次数，每次购物时的购物平台、购物价格、购物时段(包括购物开始时间和购物结束时间)和购物种类；具体的，购物信息可以为在初次登录服务器时用户所填写的购物信息单所得到；

所述用户画像模块依据购物信息用于将用户进行信息标签化，工作过程具体如下：

获取用户的购物信息，得到用户的购物次数、每次购物时的购物平台、每次购物时的购物价格、每次购物时的购物时段和每次购物时的购物种类；

将购物次数与购物次数区间进行比对，得到用户所属的购物次数区间；

其中，购物次数区间包括第一购物次数区间、第二购物次数区间和第三购物次数区间，第一购物次数区间的上限值小于或等于第二购物次数区间的下限值，第二购物次数区间的上限值小于或等于第三购物次数区间的下限值；

例如，第一购物次数区间为[15，30)，第二购物次数区间为[30，100)，第三购物次数区间为[100，∞]；

而后获取用户每次购物时的购物价格，遍历比对每次购物时的购物价格得到用户的购物价格下限值和购物价格上限值，购物价格下限值和购物价格上限值共同组成用户的购物价格区间；

同时获取用户每次购物时的购物平台、购物时段和购物种类，统计得到用户的购物平台列表、购物时段列表和购物种类列表；其中，购物平台列表按照购物次数由多到少将购物平台进行降序排列，购物时段列表和购物列表种类同理；

将购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表作为信息标签化的标签项，分别标定为次数标签项、平台标签项、价格标签项、时段标签项和种类标签项；

次数标签项、平台标签项、价格标签项、时段标签项和种类标签项组成构成用户的用户画像模型；

所述用户画像模块将用户的用户画像模型反馈至服务器，所述服务器将用户画像模型发送至智能推送模块；

在本实施例中，所述智能推送模块基于用户画像模型用于对用户自动化投放广告，工作过程具体如下：

获取用户的用户画像模型，得到用户的次数标签项、平台标签项、价格标签项、时段标签项和种类标签项；

依据不同标签项得到用户的购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表；

若购物次数区间为第三购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n3次推送，且广告的播放间隔为m1秒；

若购物次数区间为第二购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n2次推送，且广告的播放间隔为m2秒；

若购物次数区间为第一购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n1次推送，且广告的播放间隔为m3秒；其中，n1、n2和n3均为固定数值的正整数，且0＜n1＜n2＜n3，同时，m1、m2和m3均为固定数值的正整数，且0＜m1＜m2＜m3；

需要具体说明的是，优选购物种类为购物种类列表中排名前三的购物种类，优选购物平台为购物平台列表中排名前三的购物平台，优选购物时段为购物时段列表中排名前三的购物时段；

在具体实施时，如图2所示，购物列表中排名第一的购物种类(即第一购物种类)以广告形式在排名第一的购物时段(即第一购物时段)内，以处于购物价格区间内的购物价格在将排名第一的购物平台(即第一购物平台)内进行推送播放，当排名第一的购物种类的广告播放完毕，购物列表中排名第二的购物种类以广告形式在排名第一的购物时段内，以处于购物价格区间内的购物价格在将排名第一的购物平台内进行推送播放，以此类推进行播放；

作为本发明的一个实施例，所述数据采集模块用于对采集广告投放对应商品的广告后流量数据，并将广告后流量数据发送至服务器，所述服务器将广告后流量数据发送至效果分析模块；

需要具体说明的是，广告后流量数据为广告投放一周后对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告后销售量等；

进一步的，所述存储模块还用于存储广告对应商品的广告前流量数据，并将广告前流量数据发送至服务器，所述服务器将广告前流量数据发送至效果分析模块，其中，广告前流量数据为广告投放前对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告前销售量等；

所述效果分析模块用于对投放广告后商品的流量效果进行分析，分析过程具体如下：

将广告所对应的商品标记为i，i＝1，2，……，z，z为正整数；

获取广告投放前对应商品的浏览次数QLCi以及每次浏览时的浏览时长、咨询次数QZCi以及每次咨询时的咨询时长、广告前销售量QXLi；

广告投放前每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长QLTi，广告投放前每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长QZTi；

而后获取广告投放一周后对应商品的浏览次数HLCi以及每次浏览时的浏览时长、咨询次数HZCi以及每次咨询时的咨询时长、广告后销售量HXLi；

广告投放后每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长HLTi，广告投放后每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长HZTi；

若广告后销售量小于等于广告前销售量，则生成效益欠佳信号；

若广告后销售量大于广告前销售量，则利用广告后销售量HXLi减去广告前销售量QXLi得到广告投放一周后对应商品的销量提升量XTi并进入下一步骤；

利用公式BGi＝(HLCi-QLCi)×a1+(QLTi-HLTi)×a2+(QZCi-HZCi)×a3+(QXLi-HXLi)×a4计算得到广告投放一周后对应商品的商品曝光值BGi；式中，a1、a2、a3和a4均为固定数值的比例系数，且a1、a2、a3和a4的取值均大于零；

将销量提升量XTi和商品曝光值BGi代入计算式计算得到广告投放一周后对应商品的投放效益值TXi，计算式具体如下：

TXi＝XTi×α+BGi×β；式中，α和β为固定数值的权重系数，且α+β＝1；

若投放效益值小于第一投放效益阈值，则生成效益欠佳信号；

若投放效益值大于等于第一投放效益阈值且小于第二投放效益阈值，则生成效益缓慢信号；

若投放效益值大于等于第二投放效益阈值，则生成效益正常信号；其中，第一投放效益阈值和第二投放效益阈值均为固定数值，且第一投放效益阈值的取值小于第二投放效益阈值的取值；

所述效果分析模块将效益欠佳信号、效益缓慢信号或效益正常信号反馈至服务器，若服务器接收到服务器将效益欠佳信号或效益缓慢信号，则生成投放优化指令加载至投放优化模块，若服务器接收到效益正常信号，则不进行任何操作；

所述投放优化模块用于接收到投放优化指令对商品对应广告的投放情况进行投放优化；

具体的，如图3所示，投放优化的具体方案为：降低广告推送的购物种类、增加广告播放的购物时段和增加广告所投放的购物平台、增加在所投放的购物平台内的推送播放次数、缩短广告的播放间隔时长等。

在本申请中，若出现相应的计算公式，则上述计算公式均是去量纲取其数值计算，公式中存在的权重系数、比例系数等系数，其设置的大小是为了将各个参数进行量化得到的一个结果值，关于权重系数和比例系数的大小，只要不影响参数与结果值的比例关系即可。

实施例2

基于用户画像分析的广告自动优化投放方法，方法具体为：

步骤1，服务器获取用户终端的购物信息，并将购物信息发送至存储模块；

步骤2，用户画像模块依据购物信息用于将用户进行信息标签化，获取用户的购物信息，得到用户的购物次数、每次购物时的购物平台、每次购物时的购物价格、每次购物时的购物时段和每次购物时的购物种类，将购物次数与购物次数区间进行比对，得到用户所属的购物次数区间，而后获取用户每次购物时的购物价格，遍历比对每次购物时的购物价格得到用户的购物价格下限值和购物价格上限值，购物价格下限值和购物价格上限值共同组成用户的购物价格区间，同时获取用户每次购物时的购物平台、购物时段和购物种类，统计得到用户的购物平台列表、购物时段列表和购物种类列表，将购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表作为信息标签化的标签项，分别标定为次数标签项、平台标签项、价格标签项、时段标签项和种类标签项，次数标签项、平台标签项、价格标签项、时段标签项和种类标签项组成构成用户的用户画像模型，用户画像模块将用户的用户画像模型反馈至服务器，服务器将用户画像模型发送至智能推送模块；

步骤3，智能推送模块基于用户画像模型用于对用户自动化投放广告，获取用户的用户画像模型，得到用户的次数标签项、平台标签项、价格标签项、时段标签项和种类标签项，依据不同标签项得到用户的购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表，若购物次数区间为第三购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n3次推送，且广告的播放间隔为m1秒，若购物次数区间为第二购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n2次推送，且广告的播放间隔为m2秒，若购物次数区间为第一购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n1次推送，且广告的播放间隔为m3秒；

步骤4，数据采集模块对采集广告投放对应商品的广告后流量数据，并将广告后流量数据发送至服务器，服务器将广告后流量数据发送至效果分析模块，存储模块将广告前流量数据发送至服务器，服务器将广告前流量数据发送至效果分析模块；

步骤5，效果分析模块对投放广告后商品的流量效果进行分析，获取广告投放前对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告前销售量，广告投放前每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长，广告投放前每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长，而后获取广告投放一周后对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告后销售量，广告投放后每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长，广告投放后每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长，若广告后销售量小于等于广告前销售量，则生成效益欠佳信号，若广告后销售量大于广告前销售量，则利用广告后销售量减去广告前销售量得到广告投放一周后对应商品的销量提升量，并计算广告投放一周后对应商品的商品曝光值，结合将销量提升量和商品曝光值计算广告投放一周后对应商品的投放效益值，若投放效益值比对投放效益阈值，生成效益欠佳信号、效益缓慢信号或效益正常信号，效果分析模块将效益欠佳信号、效益缓慢信号或效益正常信号反馈至服务器；

步骤6，若服务器接收到服务器将效益欠佳信号或效益缓慢信号，则生成投放优化指令加载至投放优化模块，若服务器接收到效益正常信号，则不进行任何操作，投放优化模块接收到投放优化指令后对商品对应广告的投放情况进行投放优化。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.基于用户画像分析的广告自动优化投放系统，其特征在于，包括数据采集模块、智能推送模块、用户画像模块、存储模块、用户终端、投放优化模块、效果分析模块以及服务器，经用户授权同意后，所述服务器用于获取用户终端的购物信息并发送至存储模块；

所述用户画像模块依据购物信息将用户进行信息标签化得到用户画像模型，具体如下：

获取用户的购物信息，得到用户的购物次数、每次购物时的购物平台、每次购物时的购物价格、每次购物时的购物时段和每次购物时的购物种类；将购物次数与购物次数区间进行比对，得到用户所属的购物次数区间；而后获取用户每次购物时的购物价格，遍历比对每次购物时的购物价格得到用户的购物价格下限值和购物价格上限值，购物价格下限值和购物价格上限值共同组成用户的购物价格区间；同时获取用户每次购物时的购物平台、购物时段和购物种类，统计得到用户的购物平台列表、购物时段列表和购物种类列表；其中，购物平台列表按照购物次数由多到少将购物平台进行降序排列，购物时段列表和购物列表种类同理；将购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表作为信息标签化的标签项，分别标定为次数标签项、平台标签项、价格标签项、时段标签项和种类标签项并据此构成用户的用户画像模型；

所述智能推送模块基于用户画像模型对用户自动化投放广告；

所述数据采集模块用于对采集广告投放对应商品的广告后流量数据并经服务器发送至效果分析模块；所述存储模块还用于存储广告对应商品的广告前流量数据并经服务器发送至效果分析模块；所述效果分析模块用于对投放广告后商品的流量效果进行分析，生成效益欠佳信号、效益缓慢信号或效益正常信号反馈至服务器；

若服务器接收到服务器将效益欠佳信号或效益缓慢信号，则生成投放优化指令加载至投放优化模块；

所述投放优化模块用于接收到投放优化指令对商品对应广告的投放情况进行投放优化；

所述智能推送模块的工作过程具体如下：

获取用户的用户画像模型，得到用户的次数标签项、平台标签项、价格标签项、时段标签项和种类标签项；

依据不同标签项得到用户的购物次数区间、购物平台列表、购物价格区间、购物时段列表和购物种类列表；

若购物次数区间为第三购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n3次推送，且广告的播放间隔为m1秒；

若购物次数区间为第二购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n2次推送，且广告的播放间隔为m2秒；

若购物次数区间为第一购物次数区间，则将优选购物种类以广告形式在优选购物时段内，并以处于购物价格区间内的购物价格在优选购物平台内进行n1次推送，且广告的播放间隔为m3秒；其中，n1、n2和n3均为固定数值的正整数，且0＜n1＜n2＜n3，同时，m1、m2和m3均为固定数值的正整数，且0＜m1＜m2＜m3。

2.根据权利要求1所述的基于用户画像分析的广告自动优化投放系统，其特征在于，购物信息为用户的购物次数，每次购物时的购物平台、购物价格、购物时段和购物种类。

3.根据权利要求1所述的基于用户画像分析的广告自动优化投放系统，其特征在于，购物次数区间包括第一购物次数区间、第二购物次数区间和第三购物次数区间；

第一购物次数区间的上限值小于或等于第二购物次数区间的下限值，第二购物次数区间的上限值小于或等于第三购物次数区间的下限值。

4.根据权利要求1所述的基于用户画像分析的广告自动优化投放系统，其特征在于，优选购物种类为购物种类列表中排名前三的购物种类，优选购物平台为购物平台列表中排名前三的购物平台，优选购物时段为购物时段列表中排名前三的购物时段。

5.根据权利要求1所述的基于用户画像分析的广告自动优化投放系统，其特征在于，广告后流量数据为广告投放一周后对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告后销售量；

广告前流量数据为广告投放前对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告前销售量。

6.根据权利要求5所述的基于用户画像分析的广告自动优化投放系统，其特征在于，所述效果分析模块的分析过程具体如下：

获取广告投放前对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告前销售量；

广告投放前每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长，广告投放前每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长；

而后获取广告投放一周后对应商品的浏览次数以及每次浏览时的浏览时长、咨询次数以及每次咨询时的咨询时长、广告后销售量；

广告投放后每次浏览时的浏览时长相加求和得到广告投放前商品的浏览均时长，广告投放后每次咨询时的咨询时长相加求和得到广告投放前商品的咨询均时长；

若广告后销售量小于等于广告前销售量，则生成效益欠佳信号；

若广告后销售量大于广告前销售量，则利用广告后销售量减去广告前销售量得到广告投放一周后对应商品的销量提升量，同时计算广告投放一周后对应商品的商品曝光值；

将销量提升量结合商品曝光值得到广告投放一周后对应商品的投放效益值；

投放效益值比对投放效益阈值，生成效益欠佳信号、效益缓慢信号或效益正常信号。

7.根据权利要求1所述的基于用户画像分析的广告自动优化投放系统，其特征在于，投放优化的具体方案为：降低广告推送购物种类的数量、增加广告播放购物时段的数量、增加广告所投放购物平台的数量、增加在所投放的购物平台内的推送播放次数和缩短广告的播放间隔时长。