CN116862592A - 一种基于用户行为的sop私域营销信息自动推送方法 - Google Patents
一种基于用户行为的sop私域营销信息自动推送方法 Download PDFInfo
- Publication number
- CN116862592A CN116862592A CN202310949904.8A CN202310949904A CN116862592A CN 116862592 A CN116862592 A CN 116862592A CN 202310949904 A CN202310949904 A CN 202310949904A CN 116862592 A CN116862592 A CN 116862592A
- Authority
- CN
- China
- Prior art keywords
- push
- pushing
- user
- marketing
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 claims abstract description 111
- 238000011156 evaluation Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 59
- 239000000463 material Substances 0.000 claims abstract description 48
- 238000006243 chemical reaction Methods 0.000 claims abstract description 39
- 230000000694 effects Effects 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000007789 sealing Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000007477 logistic regression Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 17
- 230000002354 daily effect Effects 0.000 claims description 16
- 230000003442 weekly effect Effects 0.000 claims description 15
- 230000000295 complement effect Effects 0.000 claims description 12
- 230000008451 emotion Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011423 initialization method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 11
- 230000001737 promoting effect Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于用户行为的SOP私域营销信息自动推送方法,包括:自动创建企业的微信SOP推送计划,并进行营销推送;根据不同营销推送周期,获取反馈评价指标,包括在不同推送周期下的不同转化率、响应时间、投诉率、封号率;针对不同类型的推送素材的推送限制,判断不同类型素材的推送反馈结果,选择最终的推送策略;根据推送中断机制,调整目标群体、推送内容,对中断推送的内容进行补发;排除推送风险后,进一步统计具有最佳营销效果的素材和推送周期,训练通用推送模型,并共享给类似推送需求的客户,共享相同推送模型。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于用户行为的SOP私域营销信息自动推送方法。
背景技术
随着微信营销推送的广泛应用,企业面临着一些问题。首先,企业需要花费大量时间和人力资源来创建微信SOP推送计划,并且需要根据不同的推送周期进行细致的调整。其次,企业需要了解不同推送周期下的转化率、响应时间、投诉率和封号率等评价指标,以便确定最佳的推送策略。此外,企业还需要根据推送素材的类型设定推送限制,以确保推送的效果和稳定性。然而,在实际的营销推送过程中,企业往往面临着推送被迫中断或需要主动中断处理的情况。这可能是因为某种类型的推送形式导致用户对推送不感兴趣或产生反感,或者是因为推送的内容与用户的需求不匹配。为了解决这个问题,企业需要根据营销推送的反馈结果进行判断,并及时调整推送策略。此外,企业还需要根据反馈结果暂停推送计划的执行,并重新调整参数后再进行推送,以提高推送的效果和准确性。因此,需要不断探索和优化,提高自动化营销效果。
发明内容
本发明提供了一种基于用户行为的SOP私域营销信息自动推送方法,主要包括:
自动创建企业的微信SOP推送计划,并进行营销推送;根据不同营销推送周期,获取反馈评价指标,包括在不同推送周期下的不同转化率、响应时间、投诉率、封号率;针对不同类型的推送素材的推送限制,判断不同类型素材的推送反馈结果,选择最终的推送策略;根据营销推送的反馈结果,判断哪种类型的推送形式会导致推送被迫中断,哪种类型的推送需要进行主动中断处理,依据营销推送的反馈结果暂停推送计划的执行,重新调整参数后再进行推送;采用基于关联规则的分组算法,获取主动中断用户和被动中断用户之间的关联和相似性,细分目标群体,判断推送的中断风险程度,对推送的中断风险程度高的用户中断推送;根据推送中断机制,调整目标群体、推送内容,对中断推送的内容进行补发;排除推送风险后,进一步统计具有最佳营销效果的素材和推送周期,训练通用推送模型,并共享给类似推送需求的客户,共享相同推送模型。
进一步可选地,所述自动创建企业的微信SOP推送计划,并进行营销推送,包括:
根据客户画像数据库,采用TF-IDF和词频统计的方法在客户历史数据中提取关键词,并使用词嵌入技术Word2Vec,将客户进行分类并确定不同类别受众的主题,创建推送对象库;根据不同类别受众的主题,通过训练调优的GPT模型,结合受众需求和相关资讯,自动生成推送内容库,包括文字、图片、视频、链接形式;针对受众特征和习惯,运用逻辑回归算法,结合交叉验证和网格搜索技术进行模型参数调优,确定最佳推送时间和频次;利用自动化工具Airflow,根据推送计划自动生成微信SOP推送计划,包括推送时间、推送内容、推送对象信息;还包括:根据受众特征和习惯,通过逻辑回归算法,确定推送时间和推送频次。
所述根据受众特征和习惯,通过逻辑回归算法,确定推送时间和推送频次,具体包括:
获取推送数据集,包括推送时间、推送频次和推送受众的特征好习惯数据;其中,所述受众的特征和习惯,包括地理位置、行为习惯、偏好;根据推送时间、推送频次和推送受众的特征好习惯数据,采用逻辑回归算法进行建模,使用梯度下降算法进行训练,得到最佳的参数;将获取的数据集分为训练集和测试集,利用训练集对模型进行训练,并利用测试数据集对模型进行评估。使用模型进行预测,确定最佳的推送时间和推送频次,得到推送时间和推送频次的最佳方案。
进一步可选地,所述根据不同营销推送周期,获取反馈评价指标,包括在不同推送周期下的不同转化率、响应时间、投诉率、封号率,包括:
根据每日、每周、和每月推送的营销信息,插入链接点击、账号注册和商品购买的跟踪标签;获取用户营销数据,所述用户营销数据,包括用户每日点击链接次数、每周点击链接次数、每月点击链接次数、每日注册账号次数、每周注册账号次数、每月注册账号次数、每日购买商品次数、每周购买商品次数、每月购买商品次数;通过用户营销数据,得到在不同推送周期下的用户转化率;通过追踪用户在收到营销信息后的反馈时间,计算出平均响应时间数据,确定用户对推送信息的关注度和行动意愿;通过监控用户对营销信息的投诉频次,统计投诉率数据;通过追踪因违规操作导致的平台账户封停,获取封号率数据。
进一步可选地,所述针对不同类型的推送素材的推送限制,判断不同类型素材的推送反馈结果,选择最终的推送策略,包括:
根据营销目标,制定推送内容的格式,包括文字、图片、视频;根据不同平台的限制规则文本,确定推送的素材的大小、格式和内容长度,包括文字长度、图片大小、视频大小及时长;获取用户的行为数据、历史反馈评价指标数据以及用户是否会点击这类推送,所述用户行为数据,包括浏览记录、购买记录、点击记录,所述历史反馈评价指标数据,包括点击率、购买率、转化率;将用户的行为数据、历史反馈评价指标数据作为输入特征,用户是否会点击这类推送作为目标变量,通过标准化处理,确保所有特征在同一数量级上;使用随机初始化的方法初始化模型的参数,包括截距项和特征权重;使用训练数据集拟合逻辑回归模型,使用梯度下降优化算法找到使模型性能最优的参数;使用测试数据集对训练得到的模型进行评估,其中评估指标,包括准确率、精确率、召回率、F1值;通过训练得到的模型进行新样本的预测,将预测结果作为决策依据,确定最终的推送策略;确定最终的推送策略,包括确定推送内容的类型、推送的时间;其中,所述确定推送内容的类型,包括文字、图片、链接或视频。
进一步可选地,所述根据营销推送的反馈结果,判断哪种类型的推送形式会导致推送被迫中断,哪种类型的推送需要进行主动中断处理,依据营销推送的反馈结果暂停推送计划的执行,重新调整参数后再进行推送,包括:
收集反馈评价的数据,运用狄利克雷过程算法判断哪种类型的推送会导致推送被迫中断,基于决策树算法判断哪种类型的推送需要进行主动中断处理;根据判断结果,确定需要采取的措施,进行相应的推送策略调整,如果发现某种推送类型容易导致掉线,立即进行中断处理;如果某种推送类型需要重新调整参数,对其进行中断处理,进行中断处理前,将推送计划的执行暂停;获取投诉信息数据集,包括投诉时间、投诉类型、用户ID、投诉内容;从原始数据中提取特征,包括文本情感、关键词;基于决策树算法,将预处理后的特征数据输入模型进行训练;根据模型的预测结果,找出与投诉频次和强度相关的特征,确定需要优化的推送内容和相关性,输出问题分析报告;根据问题分析报告,针对性地优化推送内容,得到新的推送内容;还包括:采用狄利克雷过程算法,预测哪种类型的内容会导致推送被迫中断;采用决策树算法构建模型,判断何种类型的内容需要中断推送。
所述采用狄利克雷过程算法,预测哪种类型的内容会导致推送被迫中断,具体包括:
收集历史推送行为数据,包括每次推送的内容、推送的时间、推送结果;其中,所述推送结果为推送是否导致掉线。对这些数据进行预处理,包括数据清洗、数据格式转换;从推送内容中提取关键词、主题、情感;选择狄利克雷分布作为先验分布,确定集中度参数。使用吉布斯采样的方法进行训练,根据分配给每个样本的簇,更新簇的参数,对于未分配到任何簇的样本,新建一个簇,并更新其参数。在训练过程中,进行多次迭代和优化模型参数以获得最佳性能。当达到最大迭代次数时,结束算法。通过测试集评估模型的性能,包括对比实际结果和预测结果;使用训练好的模型对新的数据进行预测,同时,解释模型的预测结果,找出哪种类型的推送更容易导致掉线。
所述采用决策树算法构建模型,判断何种类型的内容需要中断推送,具体包括:
根据业务属性收集和准备用于训练的数据集,包括推送内容的类型、目标受众以及推送的场景;根据业务属性选择特征,包括投诉率、推送内容的类型以及目标受众。采用决策树算法构建模型,选择投诉率作为目标变量。根据投诉率将数据集分为不同的子集,并递归构建子树,直到满足终止条件。采用剪枝技术对生成的决策树进行优化。根据模型预测,根据推送内容的类型、目标受众以及推送的场景,得到中断推送的内容类型。根据业务属性判断中断推送的内容类型是否进行进一步处理,包括修改推送内容、调整推送时间。
进一步可选地,所述采用基于关联规则的分组算法,获取主动中断用户和被动中断用户之间的关联和相似性,细分目标群体,判断推送的中断风险程度,对推送的中断风险程度高的用户中断推送,包括:
收集用户行为数据,包括用户的使用时间、频率、使用功能;基于关联规则的分组算法处理用户数据,识别出出现次数大于阈值的行为模式,确定主动中断和被动中断用户的行为模式;使用统计方法对主动中断用户和被动中断用户的行为模式进行比较,验证两组行为模式是否存在显著差异;根据统计结果,将具有相似行为模式的用户分为一组,形成多个用户群体;获取每个用户群体的行为,包括行为模式的频率、时长、使用功能;根据用户群体的行为模式,使用线性回归模型预测用户的行为;计算用户实际行为和预测行为在使用时间、频率、使用功能方面的差值;根据用户实际行为和预测行为的差值,判断推送的中断风险程度,若差值大于预设阈值,则推送的中断风险程度高;对推送的中断风险程度高的用户中断推送。
进一步可选地,所述根据推送中断机制,调整目标群体、推送内容,对中断推送的内容进行补发,包括:
根据推送中断的原因,重新确定推送目标群体;通过获取未收到推送的用户列表,确定哪些用户在中断推送时未收到推送内容;根据用户属性,包括地理位置、年龄、性别、兴趣,判断重新推送的目标用户群体;根据用户主动中断的属性信息,判断推送内容是否适合所述目标用户群体;根据推送内容的性确定是否补发推送以及补发的优先级;通过评估推送内容对用户的价值和影响,判断是否补发推送;根据推送内容的有效期,确定在有效期内进行补发;通过获取推送内容的有效期信息;通过根据用户的兴趣和行为数据,判断用户对原始推送内容的相关性;若用户对原推送内容不感兴趣,则不进行补发;根据推送中断的原因,重新确定推送目标群体;通过分析中断推送的原因,包括网络状况、设备类型,得到未收到推送的用户列表;根据用户反馈和推送成功率调整推送策略;通过获取用户反馈和推送成功率数据,判断是否增加推送失败时的重试次数或调整推送时段;通过判断推送内容的重要性,若重要程度大于预设的阈值,立即进行补发;根据推送内容的时效性,选择时间窗口进行适时补发;通过获取推送内容的有效期信息,选择时间窗口进行补发;若推送内容不适合进行补发,通过通知用户推送的中断情况,并提供其他途径或方式获取相关内容;还包括:根据推送内容的重要性和有效期,通过评估推送内容对用户的价值和影响,确定补发推送的优先级和时间窗口。
所述根据推送内容的重要性和有效期,通过评估推送内容对用户的价值和影响,确定补发推送的优先级和时间窗口,具体包括:
获取推送内容的性、有效期、用户价值和影响程度属性。对获取的属性进行预处理操作,包括对推送内容的有效期进行转化为时间窗口的形式。根据推送内容的性、有效期、用户价值和影响程度等属性,计算推送的优先级。采用加权求和的方式,根据不同属性的性确定权重,将各个属性的值乘以对应的权重,并求和得到推送的优先级。根据推送内容的有效期和优先级,确定推送的时间窗口。根据不同优先级的推送分配不同的时间窗口,包括高优先级的推送设置较短的时间窗口,低优先级的推送设置较长的时间窗口。根据确定的时间窗口,在对应的时间段内进行补发推送。在时间窗口结束前的合适时间点对未接收到推送的用户进行补发推送。
进一步可选地,所述排除推送风险后,进一步统计具有最佳营销效果的素材和推送周期,训练通用推送模型,并共享给类似推送需求的客户,共享相同推送模型,包括:
获取营销数据和用户反馈评价指标数据,其中,所述营销数据,包括推送时间、推送内容、推送周期、营销素材,所述用户反馈评价指标数据,包括点击率、购买率、转化率;根据营销数据和用户反馈评价指标数据,使用逻辑回归算法建立用户反馈评价指标预测模型;通过交叉验证和模型评估指标对模型进行验证和优化,所述评估指标,包括准确率、精确率、召回率和F1分数;通过用户反馈评价指标预测模型,预测用户反馈评价指标;根据用户反馈评价指标预测结果确定最佳的营销策略,包括最佳营销素材和最佳推送周期;创建一个通用推送模型,预测最佳的推送时间和内容,并依据模型输出确定最佳的营销素材和推送周期;将有相同推送需求的客户分在一组,得到不同推送需求的客户群,将通用推送模型应用于新的营销数据,为每一组客户定制营销策略;将通用推送模型共享给其他具有相同推送需求的客户;还包括:基于逻辑回归算法,预测用户的反馈评价指标,确定最佳营销素材和最佳推送周期。
所述基于逻辑回归算法,预测用户的反馈评价指标,确定最佳营销素材和最佳推送周期,具体包括:
收集相关的营销数据,包括推送时间、推送内容、推送周期和营销素材。获取用户反馈评价指标数据,包括点击率、购买率、转化率。对获取的数据进行清洗和预处理,包括处理缺失值、异常值和重复值,对数据进行标准化处理。将推送时间、推送内容、推送周期和营销素材作为自变量,将点击率、购买率、转化率作为目标变量,采用逻辑回归算法进行建模,拟合自变量与目标变量之间的关系。使用训练数据对模型进行训练,并使用测试数据对模型进行评估。通过模型预测,输入未来的营销数据,得到预测的用户反馈评价指标;根据用户反馈评价指标的预测结果确定最佳的营销策略,包括最佳营销素材和最佳推送周期。
进一步可选地,所述进一步优化分组算法,训练主动中断和被动中断模型,进一步提升个性化营销效果,包括:
根据用户历史行为数据和属性数据,对用户行为进行特征提取;遍历每一对用户特征向量,计算它们的欧氏距离,得到用户之间的相似度矩阵;根据用户相似度矩阵,从高到低排序,将相似度最高的两个用户合并为一个新的聚类,更新相似度矩阵,重复以上过程,直到达到预设的聚类数目;分别计算每一类用户的平均特征向量,得到每一类用户的代表特征向量;根据用户代表特征向量和用户行为数据,将用户分为主动中断和被动中断两类,对每一类用户随机划分为训练集和测试集;对每一类用户的训练集,采用交叉验证方法选择最优的推荐算法和参数,训练主动中断和被动中断模型;对每一类用户的测试集,使用训练好的模型进行预测,计算准确率、召回率、F1值,得到模型的评估结果;根据评估结果,调整模型参数、使用不同的机器学习算法、改变特征工程的策略,重新训练模型;根据新的用户行为数据,更新用户特征,重新训练主动中断和被动中断模型。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种自动创建企业的微信SOP推送计划,并进行营销推送的技术。该技术根据不同营销推送周期,获取反馈评价指标,包括不同推送周期下的转化率、响应时间、投诉率和封号率,并针对不同类型的推送素材设定推送限制。根据不同类型素材的推送反馈结果,选择最终的推送策略。根据营销推送的反馈结果,该技术能判断哪种类型的推送形式会导致推送被迫中断,哪种类型的推送需要进行主动中断处理,并根据反馈结果暂停推送计划的执行,重新调整参数后再进行推送。该技术采用基于关联规则的分组算法,用于获取主动中断用户和被动中断用户之间的关联和相似性,从而细分目标群体,判断推送风险。根据推送中断机制,该技术能调整目标群体和推送内容,对中断推送的内容进行补发。经过排除推送风险后,进一步统计具有最佳营销效果的素材和推送周期,训练通用推送模型,并将该模型共享给类似推送需求的客户。同时,该技术还能进一步优化分组算法,训练主动中断和被动中断模型,以进一步提升个性化营销效果。综上所述,本发明提供的技术能够自动创建企业的微信SOP推送计划,并进行营销推送,具有高效、准确和个性化的优势。
附图说明
图1为本发明的一种基于用户行为的SOP私域营销信息自动推送方法的流程图。
图2为本发明的一种基于用户行为的SOP私域营销信息自动推送方法的示意图。
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。
本实施例一种基于用户行为的SOP私域营销信息自动推送方法具体可以包括:
步骤101,自动创建企业的微信SOP推送计划,并进行营销推送。
根据客户画像数据库,采用TF-IDF和词频统计的方法在客户历史数据中提取关键词,并使用词嵌入技术Word2Vec,将客户进行分类并确定不同类别受众的主题,创建推送对象库。根据不同类别受众的主题,通过训练调优的GPT模型,结合受众需求和相关资讯,自动生成推送内容库,包括文字、图片、视频、链接形式。针对受众特征和习惯,运用逻辑回归算法,结合交叉验证和网格搜索技术进行模型参数调优,确定最佳推送时间和频次。利用自动化工具Airflow,根据推送计划自动生成微信SOP推送计划,包括推送时间、推送内容、推送对象信息。例如,有一个客户历史数据集,其中包含了客户的购买记录和浏览行为,使用TF-IDF和词频统计的方法提取关键词。假设提取了关键词及其出现次数,关键词A为购买商品A,出现次数100,关键词B为浏览商品B,出现次数50,关键词C为购买商品C,出现次数80;接下来,使用Word2Vec技术将客户进行分类,假设使用Word2Vec将客户分为类别1和类别2,类别1代表对商品A有购买兴趣的客户,类别2代表对商品B和商品C有浏览兴趣的客户。接着,根据不同类别受众的主题创建推送对象库,对于类别1的客户,可以创建主题为“购买商品A”的推送对象库,对于类别2的客户,可以创建主题为“浏览商品B和商品C”的推送对象库。然后,使用训练调优的GPT模型结合受众需求和相关资讯生成推送内容库,假设使用GPT模型生成了推送内容,推送内容1为关于商品A的优惠活动信息,推送内容2为关于商品B和商品C的新款推荐,推送内容3为关于商品A的使用技巧分享;接下来,使用逻辑回归算法结合交叉验证和网格搜索技术进行模型参数调优,通过调优得到了最佳推送时间为每周三下午2点,并且每个客户每周收到2次推送。最后,使用自动化工具Airflow,根据推送计划自动生成微信SOP推送计划,推送时间为每周三下午2点,推送内容为给类别1的客户推送内容1和给类别2的客户推送内容2,推送对象信息为类别1的客户和类别2的客户。
根据受众特征和习惯,通过逻辑回归算法,确定推送时间和推送频次。
获取推送数据集,包括推送时间、推送频次和推送受众的特征好习惯数据;其中,所述受众的特征和习惯,包括地理位置、行为习惯、偏好;根据推送时间、推送频次和推送受众的特征好习惯数据,采用逻辑回归算法进行建模,使用梯度下降算法进行训练,得到最佳的参数;将获取的数据集分为训练集和测试集,利用训练集对模型进行训练,并利用测试数据集对模型进行评估。使用模型进行预测,确定最佳的推送时间和推送频次,得到推送时间和推送频次的最佳方案。例如,一家电商平台,希望通过逻辑回归模型来确定最佳的推送时间和推送频次。首先,获取推送数据集,包括推送时间、推送频次和推送受众的特征好习惯数据。这些特征可能包括用户的地理位置、购买行为习惯,例如购买频率、购买金额、偏好,例如喜欢的商品类别。通过用户注册信息、购买记录和行为日志来获取这些数据。假设得到数据集:(推送时间,推送频次,地理位置,购买频率,购买金额,偏好),(10,3,北京,5,1000,电子产品),(16,2,上海,8,1500,时尚服饰),(8,1,北京,3,500,家居用品),(14,3,广州,6,1200,美妆护肤),(12,2,上海,4,800,电子产品);接下来,使用逻辑回归算法进行建模,并使用梯度下降算法进行训练,得到最佳的参数。逻辑回归模型可以用于预测二分类问题,可以将推送消息的效果分为两类:成功和失败。将推送成功定义为用户在推送后购买了商品,推送失败定义为用户在推送后没有购买商品。然后,将数据集分为训练集和测试集,例如将80%的数据用于训练,20%的数据用于测试。使用训练集对逻辑回归模型进行训练,并使用测试数据集对模型进行评估。评估指标可以使用准确率、精确率、召回率等。最后,可以使用训练好的逻辑回归模型进行预测,确定最佳的推送时间和推送频次。例如,模型预测结果可能是在早上8点到10点推送一次,推送频次为2次。
步骤102,根据不同营销推送周期,获取反馈评价指标,包括在不同推送周期下的不同转化率、响应时间、投诉率、封号率。
根据每日、每周、和每月推送的营销信息,插入链接点击、账号注册和商品购买的跟踪标签;获取用户营销数据,所述用户营销数据,包括用户每日点击链接次数、每周点击链接次数、每月点击链接次数、每日注册账号次数、每周注册账号次数、每月注册账号次数、每日购买商品次数、每周购买商品次数、每月购买商品次数;通过用户营销数据,得到在不同推送周期下的用户转化率。通过追踪用户在收到营销信息后的反馈时间,计算出平均响应时间数据,确定用户对推送信息的关注度和行动意愿;通过监控用户对营销信息的投诉频次,统计投诉率数据;通过追踪因违规操作导致的平台账户封停,获取封号率数据。例如,在促销活动的一个月内,购物平台推送了每日、每周和每月的营销推送信息,并收集数据,每日推送的营销信息总数:100条,每周推送的营销信息总数:500条,每月推送的营销信息总数:2000条;点击链接次数:每日:10次点击,其中有3次是通过标签"click"进行的。每周:40次点击,其中有15次是通过标签"click"进行的。每月:150次点击,其中有50次是通过标签"click"进行的。注册账号次数:每日:2次注册,其中有1次是通过标签"register"进行的。每周:10次注册,其中有5次是通过标签"register"进行的。每月:50次注册,其中有20次是通过标签"register"进行的。购买商品次数:每日:1次购买,其中有1次是通过标签"purchase"进行的。每周:5次购买,其中有3次是通过标签"purchase"进行的。每月:20次购买,其中有10次是通过标签"purchase"进行的。每日转化率=(1/3)*100≈33.33%,每周转化率=(3/15)*100=20%,每月转化率=(10/50)*100=20%;假设平均响应时间为2小时,有1个用户投诉了营销推送信息,有1个账号因违规行为而被封禁,而在活动期间共有50个新注册账号。则得知不同推送周期下的转化率有所不同,每日转化率最高达到了33.33%,而每周和每月的转化率为20%。平均响应时间为2小时,这表明用户对推广信息表现出较高的关注度和行动意愿。投诉率为2%,这表明极少数用户对推广信息有投诉,大多数用户接受了推送内容。封号率为2%,封禁的账号占新注册账号的比例较小,但仍需关注用户行为以确保平台规则的遵守。
步骤103,针对不同类型的推送素材的推送限制,判断不同类型素材的推送反馈结果,选择最终的推送策略。
根据营销目标,制定推送内容的格式,包括文字、图片、视频。根据不同平台的限制规则文本,确定推送的素材的大小、格式和内容长度,包括文字长度、图片大小、视频大小及时长。获取用户的行为数据、历史反馈评价指标数据以及用户是否会点击这类推送,所述用户行为数据,包括浏览记录、购买记录、点击记录,所述历史反馈评价指标数据,包括点击率、购买率、转化率;将用户的行为数据、历史反馈评价指标数据作为输入特征,用户是否会点击这类推送作为目标变量,通过标准化处理,确保所有特征在同一数量级上;使用随机初始化的方法初始化模型的参数,包括截距项和特征权重。使用训练数据集拟合逻辑回归模型,使用梯度下降优化算法找到使模型性能最优的参数。使用测试数据集对训练得到的模型进行评估,其中评估指标,包括准确率、精确率、召回率、F1值。通过训练得到的模型进行新样本的预测,将预测结果作为决策依据,确定最终的推送策略。确定最终的推送策略,包括确定推送内容的类型、推送的时间;其中,所述确定推送内容的类型,包括文字、图片、链接或视频;例如,有一个在线购物平台,获取一些用户行为数据和历史反馈评价指标数据,用户行为数据包括浏览记录、购买记录、点击记录,历史反馈评价指标数据包括点击率、购买率、转化率。浏览记录为用户每天浏览产品的平均时间、购买记录为用户购买产品的频率、点击记录为用户每天点击产品的次数。点击率为每100个推送中有多少被点击,购买率为每100个推送中有多少导致购买,转化率为点击后多少人进行了购买;该平台希望预测在接下来的一个月中,用户是否会点击他们发送的推送消息。假设平台决定使用文本和图片的组合进行推送,文本长度限制在200字以内,图片大小限制在2MB以内。将用户每天浏览产品的平均时间从秒数转换为分钟数,将用户购买产品的频率从次数转换为次数/月,将用户每天点击产品的次数从次数转换为次数/天。假设选择随机初始化方法,截距项初始化为0.5,特征权重初始化为一组随机数,比如[0.2,0.3,0.1]。使用训练数据集拟合逻辑回归模型,使用梯度下降优化算法,设置迭代次数为2000次,学习率为0.05。在测试数据集上评估模型,得到的评估指标,准确率为0.85,精确率为0.8,召回率为0.7,F1值为0.75。假设模型预测结果显示,在下午3点发送包含文字和图片的推送消息的点击率最高,因此,平台决定在下午3点发送推送消息,并且消息内容为文字和图片的组合。
步骤104,根据营销推送的反馈结果,判断哪种类型的推送形式会导致推送被迫中断,哪种类型的推送需要进行主动中断处理,依据营销推送的反馈结果暂停推送计划的执行,重新调整参数后再进行推送。
收集反馈评价的数据,运用狄利克雷过程算法判断哪种类型的推送会导致推送被迫中断,基于决策树算法判断哪种类型的推送需要进行主动中断处理。根据判断结果,确定需要采取的措施,进行相应的推送策略调整,如果发现某种推送类型容易导致掉线,立即进行中断处理。如果某种推送类型需要重新调整参数,对其进行中断处理,进行中断处理前,将推送计划的执行暂停。获取投诉信息数据集,包括投诉时间、投诉类型、用户ID、投诉内容;从原始数据中提取特征,包括文本情感、关键词;基于决策树算法,将预处理后的特征数据输入模型进行训练。根据模型的预测结果,找出与投诉频次和强度相关的特征,确定需要优化的推送内容和相关性,输出问题分析报告。根据问题分析报告,针对性地优化推送内容,得到新的推送内容。例如,通过用户调查收集用户对推送内容的评价数据。根据狄利克雷过程算法判断哪种类型的推送会导致推送被迫中断,例如根据用户反馈中出现频率较高的投诉类型来确定中断推送类型。运用决策树算法判断哪种类型的推送需要进行主动中断处理,例如根据推送内容的特征,如情感分析、关键词,通过决策树算法判断是否需要中断处理。根据判断结果确定需要采取的措施,例如如果发现某种推送类型容易导致掉线,则立即进行中断处理并暂停推送计划。如果某种推送类型需要重新调整参数,则进行中断处理。获取投诉信息数据集,例如包括投诉时间、投诉类型、用户ID、投诉内容等信息。从原始数据中提取特征,例如通过文本情感分析提取出推送内容的情感特征,通过关键词提取出与投诉类型相关的特征。使用决策树算法对预处理后的特征数据进行模型训练,例如根据投诉频次和强度相关的特征训练决策树模型。根据模型的预测结果,例如找出与投诉频次和强度相关的特征,确定需要优化的推送内容和相关性,并输出问题分析报告。根据问题分析报告,针对性地优化推送内容,得到新的推送内容。
采用狄利克雷过程算法,预测哪种类型的内容会导致推送被迫中断。
收集历史推送行为数据,包括每次推送的内容、推送的时间、推送结果;其中,所述推送结果为推送是否导致掉线。对这些数据进行预处理,包括数据清洗、数据格式转换;从推送内容中提取关键词、主题、情感;选择狄利克雷分布作为先验分布,确定集中度参数。使用吉布斯采样的方法进行训练,根据分配给每个样本的簇,更新簇的参数,对于未分配到任何簇的样本,新建一个簇,并更新其参数。在训练过程中,进行多次迭代和优化模型参数以获得最佳性能。当达到最大迭代次数时,结束算法。通过测试集评估模型的性能,包括对比实际结果和预测结果;使用训练好的模型对新的数据进行预测,同时,解释模型的预测结果,找出哪种类型的推送更容易导致掉线。例如,收集了历史推送行为数据为,推送1:内容为特价优惠,折扣商品大促销",推送时间为2021-01-0108:00:00,推送结果为导致掉线。推送2:内容为"最新资讯:公司将开展新产品发布会",推送时间为2021-01-0214:30:00,推送结果为未导致掉线。推送3:内容为"今晚8点,直播解析历史事件",推送时间为2021-01-0519:30:00,推送结果为未导致掉线。首先,需要进行数据清洗和格式转换。对于推送内容,可以去除特殊字符和停用词,将其转换为词袋模型或者TF-IDF向量,对于推送时间,可以将其转换为时间戳。接下来,从推送内容中提取关键词、主题和情感,例如,对于推送1,关键词可能包括"特价优惠"、"折扣商品",主题可能是促销活动,情感可能是积极的。类似地,对其他推送进行关键词、主题和情感的提取。然后,选择狄利克雷分布作为先验分布,用于确定集中度参数,例如,假设选择了狄利克雷分布的参数为[5,5,5],表示对于每个主题的偏好程度是相等的。接下来,使用吉布斯采样的方法进行训练,根据分配给每个样本的簇,更新簇的参数,对于未分配到任何簇的样本,新建一个簇,并更新其参数。在训练过程中,进行多次迭代和优化模型参数,以获得最佳性能,当达到最大迭代次数时,结束算法。在训练过程中,还可以使用测试集评估模型的性能,例如,可以对比实际结果和预测结果,计算准确率、召回率和F1值等指标,以评估模型的预测性能。最后,可以使用训练好的模型对新的数据进行预测,并解释模型的预测结果,例如,可以根据模型的输出结果,找出哪种类型的推送更容易导致掉线。如果模型预测某个推送具有较高的导致掉线概率,可以认为这种类型的推送更容易导致掉线。
采用决策树算法构建模型,判断何种类型的内容需要中断推送。
根据业务属性收集和准备用于训练的数据集,包括推送内容的类型、目标受众以及推送的场景;根据业务属性选择特征,包括投诉率、推送内容的类型以及目标受众。采用决策树算法构建模型,选择投诉率作为目标变量。根据投诉率将数据集分为不同的子集,并递归构建子树,直到满足终止条件。采用剪枝技术对生成的决策树进行优化。根据模型预测,根据推送内容的类型、目标受众以及推送的场景,得到中断推送的内容类型。根据业务属性判断中断推送的内容类型是否进行进一步处理,包括修改推送内容、调整推送时间。例如,一个电商平台,希望通过推送消息提高用户的购买转化率。根据业务属性,收集数据集,推送内容的类型:包括促销信息、新品推荐、个性化推荐。目标受众:根据用户的购买历史、浏览记录,将用户分为不同的群体,例如高消费用户、新用户、活跃用户。推送的场景:包括用户登录后推送、购物车有商品未支付时推送。将投诉率作为目标变量,根据业务属性选择推送内容的类型,目标受众,投诉率作为特征,采用决策树算法构建模型。首先,根据投诉率将数据集分为不同的子集,例如高投诉率子集和低投诉率子集。然后,递归地构建子树,将特征进行分割,直到满足终止条件,例如节点样本数量小于一定阈值或纯度达到一定程度。为了优化生成的决策树模型,采用剪枝技术,剪枝技术可以减少模型过拟合的风险,提高模型的泛化能力。根据生成的决策树模型进行预测时,可以根据推送内容的类型、目标受众以及推送的场景,得到中断推送的内容类型,例如,如果模型预测某个推送内容类型的投诉率较高,可以将该类型的推送内容进行中断处理。最后,根据业务属性判断中断推送的内容类型是否需要进一步处理,如果中断推送的内容类型对用户购买转化率影响较大,可以考虑修改推送内容或调整推送时间,以提高推送效果。例如,决策树模型预测出某个推送内容类型为“促销信息”的投诉率为25%,而其他类型的投诉率较低,只有10%。根据业务属性,判断“促销信息”类型的推送内容对购买转化率影响较大。因此,可以考虑进一步处理该类型的推送内容,例如修改促销信息的文字内容、优化促销活动的力度,以提高用户的购买转化率。
步骤105,采用基于关联规则的分组算法,获取主动中断用户和被动中断用户之间的关联和相似性,细分目标群体,判断推送的中断风险程度,对推送的中断风险程度高的用户中断推送。
收集用户行为数据,包括用户的使用时间、频率、使用功能。基于关联规则的分组算法处理用户数据,识别出出现次数大于阈值的行为模式,确定主动中断和被动中断用户的行为模式。使用统计方法对主动中断用户和被动中断用户的行为模式进行比较,验证两组行为模式是否存在显著差异。根据统计结果,将具有相似行为模式的用户分为一组,形成多个用户群体。获取每个用户群体的行为,包括行为模式的频率、时长、使用功能。根据用户群体的行为模式,使用线性回归模型预测用户的行为。计算用户实际行为和预测行为在使用时间、频率、使用功能方面的差值。根据用户实际行为和预测行为的差值,判断推送的中断风险程度,若差值大于预设阈值,则推送的中断风险程度高。对推送的中断风险程度高的用户中断推送。例如,在一个电商平台上,收集了用户的浏览时间、购买频率以及最常使用的功能,包括搜索商品、浏览商品评价、添加购物车。使用关联规则分组算法对这些数据进行处理,例如,设定一天内浏览商品次数大于20次的行为模式为有效模式。经过处理,确定用户自行关闭电商平台的主动中断和电商平台因为网络问题自动退出的被动中断的用户行为模式。若主动中断的用户通常在浏览超过15分钟后中断,而被动中断的用户则在浏览5分钟后中断,这表明两组用户的行为模式存在显著差异。将浏览时间超过15分钟的用户分为一组,5分钟的用户分为另一组,形成了两个用户群体。因此,15分钟群体的用户更倾向于在浏览商品时同时查看商品评价,而5分钟群体的用户更倾向于直接搜索目标商品。根据用户群体的行为模式,使用线性回归模型预测用户的行为,例如预测15分钟群体的用户在未来一天内可能会浏览多少商品。例如,预测15分钟群体的用户在未来一天会浏览10个商品,但实际上他们浏览了13个商品,所以差值是3。若差值大于预设阈值2,就认为推送的中断风险程度高,因为用户行为与预测行为存在较大差距,推送可能打乱用户的行为模式,造成用户中断。对推送的中断风险程度高的用户中断推送。
步骤106,根据推送中断机制,调整目标群体、推送内容,对中断推送的内容进行补发。
根据推送中断的原因,重新确定推送目标群体。通过获取未收到推送的用户列表,确定哪些用户在中断推送时未收到推送内容。根据用户属性,包括地理位置、年龄、性别、兴趣,判断重新推送的目标用户群体。根据用户主动中断的属性信息,判断推送内容是否适合所述目标用户群体。根据推送内容的性确定是否补发推送以及补发的优先级。通过评估推送内容对用户的价值和影响,判断是否补发推送。根据推送内容的有效期,确定在有效期内进行补发。通过获取推送内容的有效期信息。通过根据用户的兴趣和行为数据,判断用户对原始推送内容的相关性。若用户对原推送内容不感兴趣,则不进行补发。根据推送中断的原因,重新确定推送目标群体。通过分析中断推送的原因,包括网络状况、设备类型,得到未收到推送的用户列表。根据用户反馈和推送成功率调整推送策略。通过获取用户反馈和推送成功率数据,判断是否增加推送失败时的重试次数或调整推送时段。通过判断推送内容的重要性,若重要程度大于预设的阈值,立即进行补发。根据推送内容的时效性,选择时间窗口进行适时补发。通过获取推送内容的有效期信息,选择时间窗口进行补发。若推送内容不适合进行补发,通过通知用户推送的中断情况,并提供其他途径或方式获取相关内容。根据推送中断的原因,重新确定推送目标群体。例如,如果推送中断是由于网络状况不稳定导致的,那么重新确定推送目标群体时可以重点选择那些网络不稳定的地区或用户。假如有1000个用户未收到推送,其中有500个用户来自网络不稳定的地区,那么重新确定推送目标群体时可以只针对这500个用户进行推送。通过获取未收到推送的用户列表,确定哪些用户在中断推送时未收到推送内容。例如,根据推送记录获取未收到推送的用户列表,并分析他们的属性信息。根据用户属性,包括地理位置、年龄、性别、兴趣,判断重新推送的目标用户群体。例如,根据用户属性信息,判断推送内容针对哪些地理位置、年龄、性别和兴趣的用户,他们是接受还是拒绝,调整推送方式,以便让更多人接受。例如,针对年轻女性用户,推送与时尚和美妆相关的他们接受的内容。根据推送内容的性质确定是否补发推送以及补发的优先级。例如,如果推送内容是有限时优惠活动的信息,那么可以考虑补发推送以确保用户及时获得优惠。如果推送内容是一般的资讯信息,可以根据用户的行为数据和兴趣判断是否补发推送。通过评估推送内容对用户的价值和影响,判断是否补发推送。例如,根据用户行为数据和兴趣,评估推送内容对用户的相关性和价值,如果推送内容对用户有较高的价值,可以考虑补发推送。根据推送内容的有效期,确定在有效期内进行补发。例如,如果推送内容是一条当天有效的优惠活动信息,那么可以在当天内补发推送。通过获取推送内容的有效期信息,确定补发推送的时间窗口。例如,如果推送内容的有效期是一周,可以在一周内适时补发推送。根据用户的兴趣和行为数据,判断用户对原始推送内容的相关性。例如,通过分析用户的浏览历史和点击行为,判断用户对原推送内容的兴趣程度。如果用户对原推送内容不感兴趣,则不进行补发。通过分析中断推送的原因,包括网络状况、设备类型,得到未收到推送的用户列表。例如,假设中断推送的原因是由于设备类型不兼容,那么可以通过获取设备类型信息,确定未收到推送的用户列表。通过获取用户反馈和推送成功率数据,调整推送策略。例如,通过统计用户反馈和推送成功率,如果发现推送失败率较高,可以考虑增加推送失败时的重试次数或调整推送时段。对于重要的推送内容,进行即时补发。例如,如果推送内容是一条重要的紧急通知,且重要程度大于预设的阈值,可以立即进行补发。根据推送内容的时效性,选择时间窗口进行适时补发。例如,如果推送内容是一条在特定时间段内有效的信息,可以选择在该时间窗口内适时补发推送。如果推送内容不适合进行补发,通过通知或其他方式告知用户推送的中断情况,并提供其他途径或方式获取相关内容。例如,如果推送内容是一条特定时段内的限时抢购信息且已过期,可以通过通知用户推送中断情况,并提供其他途径或方式让用户获取相关抢购信息。
根据推送内容的重要性和有效期,通过评估推送内容对用户的价值和影响,确定补发推送的优先级和时间窗口。
获取推送内容的性、有效期、用户价值和影响程度属性。对获取的属性进行预处理操作,包括对推送内容的有效期进行转化为时间窗口的形式。根据推送内容的性、有效期、用户价值和影响程度等属性,计算推送的优先级。采用加权求和的方式,根据不同属性的性确定权重,将各个属性的值乘以对应的权重,并求和得到推送的优先级。根据推送内容的有效期和优先级,确定推送的时间窗口。根据不同优先级的推送分配不同的时间窗口,包括高优先级的推送设置较短的时间窗口,低优先级的推送设置较长的时间窗口。根据确定的时间窗口,在对应的时间段内进行补发推送。在时间窗口结束前的合适时间点对未接收到推送的用户进行补发推送。假设有一个推送平台,用户可以接收各种类型的推送消息,包括新闻、促销信息等。获取推送内容的重要性、有效期、用户价值和影响程度等属性。比如,获取到一条新闻推送,重要性为8(重要),有效期为1天,用户价值为9(用户一直有浏览该类推送的历史记录),影响程度为7(用户可能会分享给其他人)。对获取的属性进行预处理操作。将有效期1天转化为时间窗口的形式,比如将时间窗口设置为12小时。根据推送内容的重要性、有效期、用户价值和影响程度等属性,计算推送的优先级。假设给重要性属性设置权重为4,有效期属性权重为3,用户价值属性权重为2,影响程度属性权重为1。则推送的优先级可以计算为:优先级=4*8+3*12+2*9+1*7=2。根据推送内容的有效期和优先级,确定推送的时间窗口。根据优先级2,可以设置时间窗口为6小时。根据确定的时间窗口,在对应的时间段内进行补发推送。假设现在是上午10点,推送平台可以在下午4点的时候对未接收到该条推送的用户进行补发推送,以确保用户能够及时收到该条推送。
步骤107,排除推送风险后,进一步统计具有最佳营销效果的素材和推送周期,训练通用推送模型,并共享给类似推送需求的客户,共享相同推送模型。
获取营销数据和用户反馈评价指标数据,其中,所述营销数据,包括推送时间、推送内容、推送周期、营销素材,所述用户反馈评价指标数据,包括点击率、购买率、转化率。根据营销数据和用户反馈评价指标数据,使用逻辑回归算法建立用户反馈评价指标预测模型。通过交叉验证和模型评估指标对模型进行验证和优化,所述评估指标,包括准确率、精确率、召回率和F1分数;通过用户反馈评价指标预测模型,预测用户反馈评价指标;根据用户反馈评价指标预测结果确定最佳的营销策略,包括最佳营销素材和最佳推送周期;创建一个通用推送模型,预测最佳的推送时间和内容,并依据模型输出确定最佳的营销素材和推送周期。将有相同推送需求的客户分在一组,得到不同推送需求的客户群,将通用推送模型应用于新的营销数据,为每一组客户定制营销策略。将通用推送模型共享给其他具有相同推送需求的客户。例如,一家电商平台,想要通过营销推送来提高用户的购买率和转化率,收集到了相关的营销数据和用户反馈评价指标数据;营销数据:推送时间:上午10点,推送内容:特卖活动,折扣商品,推送周期:每周一次,营销素材:活动海报、商品描述信息;用户反馈评价指标数据:点击率:20%,购买率:5%,转化率:25%;使用逻辑回归算法对营销数据进行建模,确定每个特征与用户反馈评价指标的关系。通过交叉验证和模型评估指标对模型进行验证和优化,例如使用80%的数据进行训练,20%的数据进行测试,计算模型的准确率、精确率、召回率和F1分数。假设经过模型训练和评估,得到了一个准确率为80%、精确率为75%、召回率为70%、F1分数为72%的模型,这意味着模型能够较准确地预测用户的反馈评价指标。接下来,使用该模型进行未来的营销数据预测,例如预测下一次推送的用户反馈评价指标。根据预测结果,可以确定最佳的营销策略,例如选择点击率和购买率较高的营销素材,并调整推送周期。此外,可以创建一个通用推送模型,根据输入的营销数据预测最佳的推送时间和内容,例如,根据历史数据和模型输出,可以预测在下午2点推送特卖活动的推送,内容为折扣商品,以提高用户的点击率和购买率。将具有相同推送需求的客户分在一组,并将通用推送模型应用于新的营销数据,为每一组客户定制营销策略,例如,对于喜欢购买护肤品的客户群,可以定制推送时间为晚上8点,内容为新品护肤品的特别优惠。最后,可以将通用推送模型共享给其他具有相同推送需求的客户,帮助他们定制更有效的营销策略。
基于逻辑回归算法,预测用户的反馈评价指标,确定最佳营销素材和最佳推送周期。
收集相关的营销数据,包括推送时间、推送内容、推送周期和营销素材。获取用户反馈评价指标数据,包括点击率、购买率、转化率。对获取的数据进行清洗和预处理,包括处理缺失值、异常值和重复值,对数据进行标准化处理。将推送时间、推送内容、推送周期和营销素材作为自变量,将点击率、购买率、转化率作为目标变量,采用逻辑回归算法进行建模,拟合自变量与目标变量之间的关系。使用训练数据对模型进行训练,并使用测试数据对模型进行评估。通过模型预测,输入未来的营销数据,得到预测的用户反馈评价指标;根据用户反馈评价指标的预测结果确定最佳的营销策略,包括最佳营销素材和最佳推送周期。例如,发现在周末的上午10点推送指定品牌的优惠券,使用图片和文字结合的营销素材,可以显著提高点击率和购买率。而在工作日的下午3点推送新品上市的通知,使用短视频作为营销素材,可以提高转化率。这样,就可以根据模型预测结果,确定最佳的营销策略。
步骤108,进一步优化分组算法,训练主动中断和被动中断模型,进一步提升个性化营销效果。
根据用户历史行为数据和属性数据,对用户行为进行特征提取。遍历每一对用户特征向量,计算它们的欧氏距离,得到用户之间的相似度矩阵。根据用户相似度矩阵,从高到低排序,将相似度最高的两个用户合并为一个新的聚类,更新相似度矩阵,重复以上过程,直到达到预设的聚类数目;分别计算每一类用户的平均特征向量,得到每一类用户的代表特征向量。根据用户代表特征向量和用户行为数据,将用户分为主动中断和被动中断两类,对每一类用户随机划分为训练集和测试集。对每一类用户的训练集,采用交叉验证方法选择最优的推荐算法和参数,训练主动中断和被动中断模型。对每一类用户的测试集,使用训练好的模型进行预测,计算准确率、召回率、F1值,得到模型的评估结果。根据评估结果,调整模型参数、使用不同的机器学习算法、改变特征工程的策略,重新训练模型。根据新的用户行为数据,更新用户特征,重新训练主动中断和被动中断模型。例如,有一组用户历史行为数据和属性数据为,用户1:行为A,行为B,属性1=10,属性2=5;用户2:行为C,行为D,属性1=8,属性2=7;用户3:行为B,行为E,属性1=12,属性2=6;用户4:行为A,行为C,属性1=10,属性2=8;首先,可以根据用户行为数据提取特征向量,例如,将用户1的行为A和行为B编码为一个特征向量,如[1,1,0,0,0],其中每个元素表示用户是否有进行对应行为。然后,可以计算用户之间的欧氏距离,得到用户相似度矩阵。例如,用户1和用户2的特征向量分别为[1,1,0,0,0]和[0,0,1,1,0],它们的欧氏距离为83。接下来,可以根据用户相似度矩阵,将相似度最高的两个用户合并为一个新的聚类,假设预设聚类数目为2,那么将用户1和用户2合并为一个聚类。然后,可以计算每一类用户的平均特征向量,得到每一类用户的代表特征向量。对于聚类1,它的平均特征向量为[5,5,5,5,0]。接下来,可以根据用户代表特征向量和用户行为数据,将用户分为主动中断和被动中断两类,假设根据特征向量的第一个元素来判断,如果大于5则判断为主动中断,否则为被动中断。然后,可以将每一类用户随机划分为训练集和测试集,假设将聚类1中的用户随机划分为训练集和测试集,其中训练集包括用户1和用户2,测试集包括用户3和用户4。接下来,可以采用交叉验证方法选择最优的推荐算法和参数,训练主动中断和被动中断模型。对于训练集中的用户1和用户2,可以尝试使用不同的推荐算法和参数进行训练,然后选择准确率、召回率、F1值等评价指标最高的模型作为最优模型。然后,可以使用训练好的模型对测试集中的用户进行预测,计算准确率、召回率、F1值等评价指标,得到模型的评估结果。根据评估结果,可以调整模型参数、使用不同的机器学习算法、改变特征工程的策略,重新训练模型,以提高模型的性能。最后,根据新的用户行为数据,可以更新用户特征,重新训练主动中断和被动中断模型,以保持模型的准确性和适应性。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。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,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种基于用户行为的SOP私域营销信息自动推送方法,其特征在于,所述方法包括:
自动创建企业的微信SOP推送计划,并进行营销推送;根据不同营销推送周期,获取反馈评价指标,包括在不同推送周期下的不同转化率、响应时间、投诉率、封号率;针对不同类型的推送素材的推送限制,判断不同类型素材的推送反馈结果,选择最终的推送策略;根据营销推送的反馈结果,判断哪种类型的推送形式会导致推送被迫中断,哪种类型的推送需要进行主动中断处理,依据营销推送的反馈结果暂停推送计划的执行,重新调整参数后再进行推送;采用基于关联规则的分组算法,获取主动中断用户和被动中断用户之间的关联和相似性,细分目标群体,判断推送的中断风险程度,对推送的中断风险程度高的用户中断推送;根据推送中断机制,调整目标群体、推送内容,对中断推送的内容进行补发;排除推送风险后,进一步统计具有最佳营销效果的素材和推送周期,训练通用推送模型,并共享给类似推送需求的客户,共享相同推送模型。
2.根据权利要求1所述的方法,其中,所述自动创建企业的微信SOP推送计划,并进行营销推送,包括:
根据客户画像数据库,采用TF-IDF和词频统计的方法在客户历史数据中提取关键词,并使用词嵌入技术Word2Vec,将客户进行分类并确定不同类别受众的主题,创建推送对象库;根据不同类别受众的主题,通过训练调优的GPT模型,结合受众需求和相关资讯,自动生成推送内容库,包括文字、图片、视频、链接形式;针对受众特征和习惯,运用逻辑回归算法,结合交叉验证和网格搜索技术进行模型参数调优,确定最佳推送时间和频次;利用自动化工具Airflow,根据推送计划自动生成微信SOP推送计划,包括推送时间、推送内容、推送对象信息;还包括:根据受众特征和习惯,通过逻辑回归算法,确定推送时间和推送频次。
3.根据权利要求1所述的方法,其中,所述根据不同营销推送周期,获取反馈评价指标,包括在不同推送周期下的不同转化率、响应时间、投诉率、封号率,包括:
根据每日、每周、和每月推送的营销信息,插入链接点击、账号注册和商品购买的跟踪标签;获取用户营销数据,所述用户营销数据,包括用户每日点击链接次数、每周点击链接次数、每月点击链接次数、每日注册账号次数、每周注册账号次数、每月注册账号次数、每日购买商品次数、每周购买商品次数、每月购买商品次数;通过用户营销数据,得到在不同推送周期下的用户转化率;通过追踪用户在收到营销信息后的反馈时间,计算出平均响应时间数据,确定用户对推送信息的关注度和行动意愿;通过监控用户对营销信息的投诉频次,统计投诉率数据;通过追踪因违规操作导致的平台账户封停,获取封号率数据。
4.根据权利要求1所述的方法,其中,所述针对不同类型的推送素材的推送限制,判断不同类型素材的推送反馈结果,选择最终的推送策略,包括:
根据营销目标,制定推送内容的格式,包括文字、图片、视频;根据不同平台的限制规则文本,确定推送的素材的大小、格式和内容长度,包括文字长度、图片大小、视频大小及时长;获取用户的行为数据、历史反馈评价指标数据以及用户是否会点击这类推送,所述用户行为数据,包括浏览记录、购买记录、点击记录,所述历史反馈评价指标数据,包括点击率、购买率、转化率;将用户的行为数据、历史反馈评价指标数据作为输入特征,用户是否会点击这类推送作为目标变量,通过标准化处理,确保所有特征在同一数量级上;使用随机初始化的方法初始化模型的参数,包括截距项和特征权重;使用训练数据集拟合逻辑回归模型,使用梯度下降优化算法找到使模型性能最优的参数;使用测试数据集对训练得到的模型进行评估,其中评估指标,包括准确率、精确率、召回率、F1值;通过训练得到的模型进行新样本的预测,将预测结果作为决策依据,确定最终的推送策略;确定最终的推送策略,包括确定推送内容的类型、推送的时间;其中,所述确定推送内容的类型,包括文字、图片、链接或视频。
5.根据权利要求1所述的方法,其中,所述根据营销推送的反馈结果,判断哪种类型的推送形式会导致推送被迫中断,哪种类型的推送需要进行主动中断处理,依据营销推送的反馈结果暂停推送计划的执行,重新调整参数后再进行推送,包括:
收集反馈评价的数据,运用狄利克雷过程算法判断哪种类型的推送会导致推送被迫中断,基于决策树算法判断哪种类型的推送需要进行主动中断处理;根据判断结果,确定需要采取的措施,进行相应的推送策略调整,如果发现某种推送类型容易导致掉线,立即进行中断处理;如果某种推送类型需要重新调整参数,对其进行中断处理,进行中断处理前,将推送计划的执行暂停;获取投诉信息数据集,包括投诉时间、投诉类型、用户ID、投诉内容;从原始数据中提取特征,包括文本情感、关键词;基于决策树算法,将预处理后的特征数据输入模型进行训练;根据模型的预测结果,找出与投诉频次和强度相关的特征,确定需要优化的推送内容和相关性,输出问题分析报告;根据问题分析报告,针对性地优化推送内容,得到新的推送内容;还包括:采用狄利克雷过程算法,预测哪种类型的内容会导致推送被迫中断;采用决策树算法构建模型,判断何种类型的内容需要中断推送。
6.根据权利要求1所述的方法,其中,所述采用基于关联规则的分组算法,获取主动中断用户和被动中断用户之间的关联和相似性,细分目标群体,判断推送的中断风险程度,对推送的中断风险程度高的用户中断推送,包括:
收集用户行为数据,包括用户的使用时间、频率、使用功能;基于关联规则的分组算法处理用户数据,识别出出现次数大于阈值的行为模式,确定主动中断和被动中断用户的行为模式;使用统计方法对主动中断用户和被动中断用户的行为模式进行比较,验证两组行为模式是否存在显著差异;根据统计结果,将具有相似行为模式的用户分为一组,形成多个用户群体;获取每个用户群体的行为,包括行为模式的频率、时长、使用功能;根据用户群体的行为模式,使用线性回归模型预测用户的行为;计算用户实际行为和预测行为在使用时间、频率、使用功能方面的差值;根据用户实际行为和预测行为的差值,判断推送的中断风险程度,若差值大于预设阈值,则推送的中断风险程度高;对推送的中断风险程度高的用户中断推送。
7.根据权利要求1所述的方法,其中,所述根据推送中断机制,调整目标群体、推送内容,对中断推送的内容进行补发,包括:
根据推送中断的原因,重新确定推送目标群体;通过获取未收到推送的用户列表,确定哪些用户在中断推送时未收到推送内容;根据用户属性,包括地理位置、年龄、性别、兴趣,判断重新推送的目标用户群体;根据用户主动中断的属性信息,判断推送内容是否适合所述目标用户群体;根据推送内容的性确定是否补发推送以及补发的优先级;通过评估推送内容对用户的价值和影响,判断是否补发推送;根据推送内容的有效期,确定在有效期内进行补发;通过获取推送内容的有效期信息;通过根据用户的兴趣和行为数据,判断用户对原始推送内容的相关性;若用户对原推送内容不感兴趣,则不进行补发;根据推送中断的原因,重新确定推送目标群体;通过分析中断推送的原因,包括网络状况、设备类型,得到未收到推送的用户列表;根据用户反馈和推送成功率调整推送策略;通过获取用户反馈和推送成功率数据,判断是否增加推送失败时的重试次数或调整推送时段;通过判断推送内容的重要性,若重要程度大于预设的阈值,立即进行补发;根据推送内容的时效性,选择时间窗口进行适时补发;通过获取推送内容的有效期信息,选择时间窗口进行补发;若推送内容不适合进行补发,通过通知用户推送的中断情况,并提供其他途径或方式获取相关内容;还包括:根据推送内容的重要性和有效期,通过评估推送内容对用户的价值和影响,确定补发推送的优先级和时间窗口。
8.根据权利要求1所述的方法,其中,所述排除推送风险后,进一步统计具有最佳营销效果的素材和推送周期,训练通用推送模型,并共享给类似推送需求的客户,共享相同推送模型,包括:
获取营销数据和用户反馈评价指标数据,其中,所述营销数据,包括推送时间、推送内容、推送周期、营销素材,所述用户反馈评价指标数据,包括点击率、购买率、转化率;根据营销数据和用户反馈评价指标数据,使用逻辑回归算法建立用户反馈评价指标预测模型;通过交叉验证和模型评估指标对模型进行验证和优化,所述评估指标,包括准确率、精确率、召回率和F1分数;通过用户反馈评价指标预测模型,预测用户反馈评价指标;根据用户反馈评价指标预测结果确定最佳的营销策略,包括最佳营销素材和最佳推送周期;创建一个通用推送模型,预测最佳的推送时间和内容,并依据模型输出确定最佳的营销素材和推送周期;将有相同推送需求的客户分在一组,得到不同推送需求的客户群,将通用推送模型应用于新的营销数据,为每一组客户定制营销策略;将通用推送模型共享给其他具有相同推送需求的客户;还包括:基于逻辑回归算法,预测用户的反馈评价指标,确定最佳营销素材和最佳推送周期。
9.根据权利要求1所述的方法,其中,所述进一步优化分组算法,训练主动中断和被动中断模型,进一步提升个性化营销效果,包括:
根据用户历史行为数据和属性数据,对用户行为进行特征提取;遍历每一对用户特征向量,计算它们的欧氏距离,得到用户之间的相似度矩阵;根据用户相似度矩阵,从高到低排序,将相似度最高的两个用户合并为一个新的聚类,更新相似度矩阵,重复以上过程,直到达到预设的聚类数目;分别计算每一类用户的平均特征向量,得到每一类用户的代表特征向量;根据用户代表特征向量和用户行为数据,将用户分为主动中断和被动中断两类,对每一类用户随机划分为训练集和测试集;对每一类用户的训练集,采用交叉验证方法选择最优的推荐算法和参数,训练主动中断和被动中断模型;对每一类用户的测试集,使用训练好的模型进行预测,计算准确率、召回率、F1值,得到模型的评估结果;根据评估结果,调整模型参数、使用不同的机器学习算法、改变特征工程的策略,重新训练模型;根据新的用户行为数据,更新用户特征,重新训练主动中断和被动中断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949904.8A CN116862592B (zh) | 2023-07-31 | 2023-07-31 | 一种基于用户行为的sop私域营销信息自动推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949904.8A CN116862592B (zh) | 2023-07-31 | 2023-07-31 | 一种基于用户行为的sop私域营销信息自动推送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862592A true CN116862592A (zh) | 2023-10-10 |
CN116862592B CN116862592B (zh) | 2024-03-29 |
Family
ID=88221595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310949904.8A Active CN116862592B (zh) | 2023-07-31 | 2023-07-31 | 一种基于用户行为的sop私域营销信息自动推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862592B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114820A (zh) * | 2023-10-23 | 2023-11-24 | 广州伊的家网络科技有限公司 | 离线用户与在线用户的最优推送指数计算方法和系统 |
CN117132169A (zh) * | 2023-10-20 | 2023-11-28 | 国网智能科技股份有限公司 | 电力人工智能模型调用评价方法及系统 |
CN117291655A (zh) * | 2023-11-27 | 2023-12-26 | 广州欧派创意家居设计有限公司 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230103A (zh) * | 2017-05-22 | 2017-10-03 | 江苏德胜智业信息技术有限公司 | 一种精准营销系统 |
CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
CN113722433A (zh) * | 2021-08-30 | 2021-11-30 | 中国建设银行股份有限公司 | 一种信息推送方法、装置、电子设备及计算机可读介质 |
CN114463085A (zh) * | 2021-12-29 | 2022-05-10 | 上海欣兆阳信息科技有限公司 | 自动化营销的通用沟通互动方法、装置、电子设备及存储介质 |
CN115345753A (zh) * | 2022-07-04 | 2022-11-15 | 云南电网有限责任公司 | 一种基于互联网渠道的电力客户消息精准推送方法 |
-
2023
- 2023-07-31 CN CN202310949904.8A patent/CN116862592B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230103A (zh) * | 2017-05-22 | 2017-10-03 | 江苏德胜智业信息技术有限公司 | 一种精准营销系统 |
CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
CN113722433A (zh) * | 2021-08-30 | 2021-11-30 | 中国建设银行股份有限公司 | 一种信息推送方法、装置、电子设备及计算机可读介质 |
CN114463085A (zh) * | 2021-12-29 | 2022-05-10 | 上海欣兆阳信息科技有限公司 | 自动化营销的通用沟通互动方法、装置、电子设备及存储介质 |
CN115345753A (zh) * | 2022-07-04 | 2022-11-15 | 云南电网有限责任公司 | 一种基于互联网渠道的电力客户消息精准推送方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132169A (zh) * | 2023-10-20 | 2023-11-28 | 国网智能科技股份有限公司 | 电力人工智能模型调用评价方法及系统 |
CN117114820A (zh) * | 2023-10-23 | 2023-11-24 | 广州伊的家网络科技有限公司 | 离线用户与在线用户的最优推送指数计算方法和系统 |
CN117291655A (zh) * | 2023-11-27 | 2023-12-26 | 广州欧派创意家居设计有限公司 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
CN117291655B (zh) * | 2023-11-27 | 2024-01-23 | 广州欧派创意家居设计有限公司 | 基于实体、网络协同映射的消费者生命周期运营分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116862592B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273454B (zh) | 用户数据分类方法、装置、服务器和计算机可读存储介质 | |
US10078853B2 (en) | Offer matching for a user segment | |
CN116862592B (zh) | 一种基于用户行为的sop私域营销信息自动推送方法 | |
CN102708131B (zh) | 将消费者自动分类到微细分中 | |
US7016936B2 (en) | Real time electronic service interaction management system and method | |
US8700468B2 (en) | Micro-segment definition system | |
Coussement et al. | Integrating the voice of customers through call center emails into a decision support system for churn prediction | |
Bawm et al. | A Conceptual Model for effective email marketing | |
US11727313B2 (en) | Unsupervised machine learning for identification of audience subpopulations and dimensionality and/or sparseness reduction techniques to facilitate identification of audience subpopulations | |
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 | |
KR102451099B1 (ko) | 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법 | |
KR102458510B1 (ko) | 실시간 보완 가능한 마케팅 시스템 | |
CN113177809A (zh) | 一种基于一物一码用户消费行为自动聚类方法及应用系统 | |
CN103177129A (zh) | 互联网实时信息推荐预测系统 | |
Hwang et al. | Identifying customer priority for new products in target marketing: Using RFM model and TextRank | |
Zheng et al. | A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy | |
CN113516496A (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
Alzyadat et al. | Big data, classification, clustering and generate rules: an inevitably intertwined for prediction | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
WO2018175814A1 (en) | Consumer response intelligent spend prediction system | |
CN113657975B (zh) | 一种基于互联网电商直播平台的营销方法及系统 | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
Bojanowska | Customer data collection with Internet of Things | |
CN111400567B (zh) | 一种基于ai的用户数据的处理方法、装置及系统 |
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 |