CN117436931A - 营销金额分配方法、装置、设备、介质 - Google Patents
营销金额分配方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN117436931A CN117436931A CN202311378482.XA CN202311378482A CN117436931A CN 117436931 A CN117436931 A CN 117436931A CN 202311378482 A CN202311378482 A CN 202311378482A CN 117436931 A CN117436931 A CN 117436931A
- Authority
- CN
- China
- Prior art keywords
- user
- marketing
- users
- target
- activity
- 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 74
- 230000000694 effects Effects 0.000 claims abstract description 246
- 230000004044 response Effects 0.000 claims abstract description 126
- 238000013210 evaluation model Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims description 135
- 238000012549 training Methods 0.000 claims description 104
- 238000012216 screening Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种营销金额分配方法、装置、设备、介质,属于互联网技术领域。该方法包括:在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征;结合响应概率评估模型和价值评估模型构建目标函数,目标函数用于结合N个用户响应概率和N个用户价值,评估目标活动在不同营销金额分配方案下的营销活动效果;将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,函数值用于表征目标活动在不同营销金额分配方案下的营销活动效果;在目标活动中为N个待营销用户分配N个第一营销金额。根据本申请能够使用户营销金额分配方式更具有科学性和个性化,提升营销活动的整体营销效果。
Description
技术领域
本申请属于互联网技术领域,尤其涉及一种营销金额分配方法、装置、设备、介质。
背景技术
随着互联网技术的发展应用,目前线上平台可以通过定期开展营销活动的方式吸引用户参与,提升平台活跃度。
相关技术中,对于用户营销活动设计方面,通常以专家规则进行设计,在同一营销活动中设置同等或几档金额的消费金或礼券,然后将其分配给不同用户群体,即为同一用户群体分配相同的营销金额。因此,相关技术中的营销金额分配方式较为单一,无法在用户群的各个用户间完成营销金额的最优分配,营销活动的整体营销效果不佳。
发明内容
本申请实施例提供一种营销金额分配方法、装置、设备、介质,能够使用户营销金额分配方式更具有科学性和个性化,提升营销活动的整体营销效果。
第一方面,本申请实施例提供一种营销金额分配方法,该方法包括:
在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征,N为正整数;
结合响应概率评估模型和价值评估模型构建目标函数,其中,响应概率评估模型用于基于多维特征,评估N个待营销用户在目标活动的不同营销金额分配方案下的用户响应概率,价值评估模型用于基于多维特征,评估N个待营销用户在目标活动的不同营销金额分配方案下的用户价值,目标函数用于结合N个用户响应概率和N个用户价值,评估目标活动在不同营销金额分配方案下的营销活动效果;
将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,其中,函数值用于表征目标活动在不同营销金额分配方案下的营销活动效果;
在目标活动中为N个待营销用户分配N个第一营销金额。
第二方面,本申请实施例提供一种营销金额分配装置,该装置包括:
获取模块,用于在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征,N为正整数;
构建模块,用于结合响应概率评估模型和价值评估模型构建目标函数,其中,响应概率评估模型用于基于多维特征,评估N个待营销用户在目标活动的不同营销金额分配方案下的用户响应概率,价值评估模型用于基于多维特征,评估N个待营销用户在目标活动的不同营销金额分配方案下的用户价值,目标函数用于结合N个用户响应概率和N个用户价值,评估目标活动在不同营销金额分配方案下的营销活动效果;
确定模块,用于将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,其中,函数值用于表征目标活动在不同营销金额分配方案下的营销活动效果;
分配模块,用于在目标活动中为N个待营销用户分配N个第一营销金额。
第三方面,本申请实施例提供一种电子设备,包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现第一方面所示的营销金额分配方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质上存储程序或指令,程序或指令被处理器执行时实现如第一方面所示的营销金额分配方法的步骤。
第五方面,本申请实施例提供一种计算机程序产品,计算机程序产品被存储在非易失的存储介质中,计算机程序产品被至少一个处理器执行时实现如第一方面所示的营销金额分配方法的步骤。
第六方面,本申请实施例提供一种芯片,该芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现如第一方面的营销金额分配方法的步骤。
本申请实施例提供一种营销金额分配方法、装置、设备、介质,在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征。考虑到营销活动的营销预算分配时各个用户相互牵制的影响,可以结合响应概率评估模型和价值评估模型构建目标函数。由于响应概率评估模型可以基于多维特征评估N个待营销用户在目标活动的不同营销金额分配方案下的用户响应概率,价值评估模型可以基于多维特征评估N个待营销用户在目标活动的不同营销金额分配方案下的用户价值,因此通过该目标函数可以结合N个用户响应概率和N个用户价值,评估目标活动在不同营销金额分配方案下的营销活动效果。由于N个用户响应概率能够反映目标活动在不同营销金额分配方案下的用户促活概率,N个用户价值能够反映目标活动在不同营销金额分配方案下的用户促活价值,因此结合上述两个模型输出的用户响应概率和用户价值,能够更科学地量化计算营销活动的效应,因此在实际评价中具有较强合理性和可解释性,目标函数能够实现营销效果的准确评估。在此基础上,将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,由于函数值用于准确表征目标活动在不同营销金额分配方案下的营销活动效果,因此通过求取函数值最大时得到的N个第一营销金额,能够兼顾用户促活效果与用户价值实现营销活动效果全局最优,在目标活动中为N个待营销用户分配N个第一营销金额,能够在千人千面的同时,有效提升目标活动对N个待营销用户的整体活动效果,相较于以专家规则设计活动,减少人工主观参与度,使用户营销金额分配方式更具有科学性和个性化。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请第一方面提供的营销金额分配方法的一实施例的流程图;
图2为本申请第一方面提供的营销金额分配方法的另一实施例的流程图;
图3为本申请第一方面提供的营销金额分配方法的再一实施例的流程图;
图4为本申请第一方面提供的营销金额分配方法的再一实施例的流程图;
图5为本申请第一方面提供的营销金额分配方法的再一实施例的流程图;
图6为本申请第一方面提供的营销金额分配方法的再一实施例的流程图;
图7为本申请第二方面提供的营销金额分配装置的一实施例的结构示意图;
图8为本申请第三方面提供的电子设备的一实施例的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
随着互联网技术的发展应用,目前线上平台可以通过定期开展营销活动的方式吸引用户参与,提升平台活跃度。相关技术中,对于用户营销活动设计方面,通常以专家规则进行设计,在同一营销活动中设置同等或几档金额的消费金或礼券,然后将其分配给不同用户群体,即为同一用户群体分配相同的营销金额。因此,相关技术中的营销金额分配方式较为单一,无法在用户群的各个用户间完成营销金额的最优分配,营销活动的整体营销效果不佳。
基于上述出现的问题,本申请实施例提供一种营销金额分配方法、装置、设备、介质,能够将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,由于函数值用于准确表征目标活动在不同营销金额分配方案下的营销活动效果,因此通过求取函数值最大时得到的N个第一营销金额,能够兼顾用户促活效果与用户价值实现营销活动效果全局最优,在目标活动中为N个待营销用户分配N个第一营销金额,能够在千人千面的同时,有效提升目标活动对N个待营销用户的整体活动效果,相较于以专家规则设计活动,减少人工主观参与度,使用户营销金额分配方式更具有科学性和个性化。
本申请实施例中的营销金额分配方法可以应用于线上平台开展营销活动的营销场景,下面结合附图,通过具体的实施例对本申请实施例提供的营销金额分配方法进行详细地说明。
本申请第一方面提供一种营销金额分配方法,可应用于电子设备,即该营销金额分配方法可由电子设备执行。需要说明的是,上述执行主体并不构成对本申请的限定。
例如,该电子设备可以为线上平台侧的服务器。
图1为本申请第一方面提供的营销金额分配方法的一实施例的流程图。如图1所示,该营销金额分配方法可以包括步骤110-步骤140。
步骤110,在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征;
步骤120,结合响应概率评估模型和价值评估模型构建目标函数,目标函数用于结合N个用户响应概率和N个用户价值,评估目标活动在不同营销金额分配方案下的营销活动效果;
步骤130,将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,函数值用于表征目标活动在不同营销金额分配方案下的营销活动效果;
步骤140,在目标活动中为N个待营销用户分配N个第一营销金额。
本申请实施例提供的营销金额分配方法,在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征。考虑到营销活动的营销预算分配时各个用户相互牵制的影响,可以结合响应概率评估模型和价值评估模型构建目标函数。由于响应概率评估模型可以基于多维特征评估N个待营销用户在目标活动的不同营销金额分配方案下的用户响应概率,价值评估模型可以基于多维特征评估N个待营销用户在目标活动的不同营销金额分配方案下的用户价值,因此通过该目标函数可以结合N个用户响应概率和N个用户价值,评估目标活动在不同营销金额分配方案下的营销活动效果,由于N个用户响应概率能够反映目标活动在不同营销金额分配方案下的用户促活概率,N个用户价值能够反映目标活动在不同营销金额分配方案下的促活用户价值,因此结合上述两个模型输出的用户响应概率和用户价值,能够更科学地量化计算营销活动的效应,因此在实际评价中具有较强合理性和可解释性,目标函数能够实现营销效果的准确评估。在此基础上,将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,由于函数值用于准确表征目标活动在不同营销金额分配方案下的营销活动效果,因此通过求取函数值最大时得到的N个第一营销金额,能够兼顾用户促活效果与用户价值实现营销活动效果全局最优,在目标活动中为N个待营销用户分配N个第一营销金额,能够在千人千面的同时,有效提升目标活动对N个待营销用户的整体活动效果,相较于以专家规则设计活动,减少人工主观参与度,使用户营销金额分配方式更具有科学性和个性化。
下面结合实施例,对上述步骤的具体实现方式进行详细说明,具体如下所示。
涉及步骤110,在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征。
在步骤110中,N为正整数,目标活动可以为营销活动,N个待营销用户为目标活动对应的目标客群,也即,目标活动是针对N个待营销用户所开展的,以期望N个待营销用户全部响应。
在本申请的一些实施例中,获取每个待营销用户的多维特征,可以具体包括下述步骤:获取每个待营销用户的原始多元数据;将原始多元数据输出为格式统一的向量化数据;对向量化数据进行特征提取和特征挖掘,得到多维特征,多维特征可以包括基础属性特征和消费特征。
具体地,原始数据可以包括基础信息数据和消费数据,基础信息数据可以包括人口属性数据、地域属性数据、用卡数据、应用活跃程度数据等,消费数据可以包括交易数据、消费偏好数据、营销响应数据等,电子设备可以通过对原始多元数据进行数据清洗,将原始多元数据输出为格式统一的向量化数据。数据清洗可以包括数据对齐、缺失值处理、异常值处理、数据转化。
示例性地,数据对齐可以是将金额、时间等数据和单位进行统一,异常值处理是通过异常值检测算法和模型预测进行异常值删除,数据转化是对年龄、活跃天数、交易时间等连续性数据进行分段处理,根据业务规则将数据分成不同区间段。
在一些实施例中,上述人口属性数据包括性别、年龄、职业、学历等,地域属性数据包括常消费地区、境内分布、境外特征、消费商圈等,用卡数据包括持卡数量、用卡等级、卡性质、发卡行等,应用活跃程度数据包括最近一次登录时间、登录次数、连续活跃天数、在线时长、使用功能个数等数据,交易数据包括用户交易金额、交易笔数等数据,消费偏好数据包括消费渠道、消费行业、消费规模、消费笔数等数据,营销响应数据包括历史营销转化率和点击率、历史营销活动类型等数据。
在本申请的一些实施例中,为了精准筛选出针对目标活动的客户群,图2为本申请第一方面提供的营销金额分配方法的另一实施例的流程图,在上述步骤110之前,还可以包括图2所示的步骤210和步骤220。
步骤210,在获取到全量用户的多维特征的情况下,向流失概率评估模型中输入全量用户的多维特征,得到全量用户的用户流失概率;
步骤220,从全量用户中筛选用户流失概率大于预设概率阈值的待营销用户,得到N个待营销用户。
具体地,全量用户可以包括线上平台的使用用户,流失概率评估模型用于基于多维特征对用户的用户流失概率进行评估。预设概率阈值可以根据具体需求进行设置,例如设置为0.5、0.6或者其它数值,本申请对此不做具体限定。
在本申请实施例中,在开展目标活动之前,可以利用流失概率阈值对线上平台的全量用户进行用户流失概率的评估,并将用户流失概率较高的用户作为待营销用户,实现待营销用户的精准筛选。基于此,通过针对待营销用户开展目标活动,可以降低用户后续流失概率,提升用户留存率。
在本申请的一些实施例中,为了对用户流失概率进行准确评估,在上述步骤210向流失概率评估模型中输入全量用户的多维特征之前,该方法还可以包括下述步骤:
获取训练样本用户的多维特征,多维特征包括基础属性特征和消费特征;
将训练样本用户的多维特征作为输入样本,训练样本用户的第二标签作为输出样本对lightGBM模型进行训练,得到流失概率评估模型,其中,第二标签用于表征训练样本用户为已流失用户或者未流失用户。
具体地,基于决策树算法的分布式梯度提升框架(Light Gradient BoostingMachine,lightGBM)是一个实现GBDT算法的框架,支持高效率的并行训练,并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。在流失概率评估模型的训练过程中,可以根据AUC值指标评估模型预测能力,即流失概率评估模型对用户流失概率的评估准确度。
涉及步骤120,结合响应概率评估模型和价值评估模型构建目标函数。
在步骤120中,响应概率评估模型用于基于多维特征,评估N个待营销用户在目标活动的不同营销金额分配方案下的用户响应概率,价值评估模型用于基于多维特征,评估N个待营销用户在目标活动的不同营销金额分配方案下的用户价值。将响应概率评估模型和价值评估模型进行叠加,可以得到目标函数。
其中,待营销用户对应的用户响应概率为待营销用户对目标活动产生响应事件的概率,该响应事件即为参与目标活动,以及核销目标活动中为待营销用户分配的营销金额的事件。待营销用户对应的用户价值可以包括待营销用户响应目标活动后的累计增值收入,该累积增值收入例如可以是用户手续费、目标订单的用户交易金额等,该目标订单为用于核销营销金额的订单,也即核销目标活动下发优惠券的订单。
在本申请的一些实施例中,可以预先进行模型训练,得到响应概率评估模型和价值评估模型,图3为本申请第一方面提供的营销金额分配方法的再一实施例的流程图,在上述步骤120之前,还可以包括图3所示的步骤310和步骤220。
步骤310,获取训练样本用户的多维特征,多维特征包括基础属性特征和消费特征;
步骤320,将训练样本用户的多维特征和营销活动参数作为输入样本,训练样本用户的第一标签作为输出样本对lightGBM模型进行训练,得到响应概率评估模型;
步骤330,将训练样本用户的多维特征和营销活动参数作为输入样本,训练样本用户的累计增值收入作为输出样本对lightGBM模型进行训练,得到价值评估模型。
具体地,营销活动参数可以包括营销活动对应的营销金额和营销类型,第一标签可以用于表征已响应营销活动或者未响应营销活动。在响应概率评估模型和价值评估模型的训练过程中,可以根据性能指标(Area under the ROC curve,AUC)值评估模型分类性能,即响应概率评估模型对用户响应概率的评估准确度,以及价值评估模型对用户价值的评估准确度。
在本申请的一些实施例中,训练样本用户可以是线上平台的全量用户,或者,训练样本用户是从全量用户中筛选的已流失用户和/或用户活跃度大于预设活跃度阈值的用户。
涉及步骤130,将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额。
在步骤130中,当为N个待营销用户分别分配N个第一营销金额时,目标函数的函数值最大,也即目标活动的整体营销效果最佳,如此可以实现对N个待营销用户的整体活动效果最大化。
在本申请的一些实施例中,上述确定目标函数的函数值最大时对应的N个第一营销金额,可以具体包括:
基于序列二次规划算法,求取目标函数的函数值最大时对应的第一最优解;
其中,第一最优解包括N个第一营销金额,序列二次规划算法(sequentialquadratic programming,SQP)通过解“Quadratic Programming”来生成一个序列(Sequence),该序列即为第一最优解。
在一些示例中,目标函数可以如公式(1)所示:
其中,R(M)为目标函数在营销金额分配方案M下的的函数值,mi为第i个待营销用户,为用于输入响应概率评估模型的第i个待营销用
户的多维特征,为向响应概率评估模型输入/>后得到的用户响应概率,/>为用于输入价值评估模型的第i个待营销用户的多维特征,为向响应概率评估模型输入/>后得到的用户价值。
需要说明的是,和/>均为待营销用户的多维特征,两者可以相同,也可以不同,本申请对此不做具体限定。
在本申请实施例中,目标函数在N个待营销用户确定的情况下,即对任意i∈{1,...,N},为已知量,因此目标函数是一个关于求解最优解M的函数,综合考虑了用户参与活动概率及用户价值,描述了营销活动效应。因此,利用该目标函数,可以结合N个待营销用户在不同营销金额分配方案下的用户促活概率和用户促活价值,对目标活动在不同营销金额分配方案下的营销活动效果进行准确有效评估。
上述基于序列二次规划算法,求取目标函数的函数值最大时对应的第一最优解可以如公式(2)所示:
具体地,对目标函数求最优解,即求解M使得R(M)最大,即目标活动的营销效应值最大,第一最优解Mbest=[m1,m2,...,mN],其中,m1,m2,...,mN为N个第一营销金额。
在本申请实施例中,在开展营销活动之前,可以对其所产生的营销效果进行合理预测评估,从而为该营销活动的后续开展提供数据支撑和指导意义。具体地,基于动态规划的思想,利用SQP算法的非线性优化的方法,并考虑了营销金额分配时在每个待营销用户产生的边际效应的差异,计算出使得活动效应最大化的全局最优的营销金额分配方案,也即第一最优解。如此,后续通过第一最优解中的N个第一营销金额开展目标活动,相较于相关技术中活动开展前未量化评估营销活动效果的方案,能够保证目标活动的活动执行率以及活动投入产出比,避免造成活动执行率低、活动投入产出比低等结果。并且,该目标函数更具有科学性和稳定性,相较于依据专家经验规则设计目标活动,能够减少人工主观参与度,最大程度挖掘各个维度数据和各特征之间的高阶组合关系,精准预测及评估策略效果、用户价值等指标。
在本申请的一些实施例中,为了保证目标活动的顺利开展,控制活动总营销预算以及单用户营销预算,上述基于序列二次规划算法,求取目标函数的函数值最大时对应的第一最优解,可以包括:
基于序列二次规划算法,在预设限制条件下求取目标函数的函数值最大时对应的第一最优解;
其中,预设限制条件包括以下至少一项:
第一最优解对应的营销金额总值小于或等于目标活动的预设营销预算B,即其中,预设营销预算可以根据实际需求进行设置;
第一最优解中的第一营销金额小于或等于预设单用户营销预算C,即MAX(mi)≤C,i=1,…,N,C·N>B;
第一最优解中包含的第一营销金额的数量I小于或等于预设活动用户数量L,即L≤N,C·L>B;
第一最优解中第一营销金额的取值属于预设金额集合S,即mi∈S,i=1,...,N。
示例性地,预设金额集合中可选取以0.01为单位的数值区间,如[0.88,0.89,...5.88],也可选取特定金额集,如[0.88,1.88,2.88,...,8.88],本申请对此不做具体限定。
在本申请实施例中,可以自主设置业务约束条件的数值要求,兼顾业务限制要求、用户促活效果、促活用户价值,快速生成符合约束条件的营销金额分配方案,提升用户营销金额分配效率。
涉及步骤140,在目标活动中为N个待营销用户分配N个第一营销金额。
在步骤140中,可以为每个待营销用户分配对应的营销金额,该营销金额即为目标活动为该待营销用户下发的数字优惠券或者数字红包面值。
随着目标活动开展,已响应与未响应用户的数据对于优化活动效果具有重要意义,基于此,在本申请的一些实施例中,图4为本申请第一方面提供的营销金额分配方法的再一实施例的流程图,在上述步骤140之后,该方法还可以包括图4所示的步骤410-步骤460。
步骤410,在目标活动满足预设更新条件的情况下,筛选N个待营销用户中的第一用户和第二用户,第一用户为已响应目标活动的待营销用户,第二用户为未响应目标活动的待营销用户,第二用户的数量为M1;
步骤420,为第一用户和第二用户设置第一标签;
步骤430,将第一用户和第二用户对应的多维特征和第一营销金额作为输入样本,第一用户和第二用户的第一标签作为输出样本,对响应概率评估模型进行训练,得到更新后的响应概率评估模型;
步骤440,结合更新后的响应概率评估模型,对目标函数进行更新;
步骤450,将M1个第二用户的多维特征代入更新后的目标函数,并确定更新后的目标函数的函数值最大时对应的M1个第二营销金额;
步骤460,在目标活动中为M1个第二用户重新分配M1个第二营销金额。
在本申请实施例中,在目标活动进行一段时间后,基于已响应目标活动的第一用户的用户数据,以及未响应目标活动的第二用户的用户数据,利用第一用户作为正样本,第二用户作为负样本,对响应概率评估模型进行训练,更新并完善响应概率评估模型,提升响应概率评估模型的评估实时性、准确率以及与目标活动的匹配度,从而利用该完善后的响应概率评估模型,实现营销金额优化迭代,动态优化营销金额变量,提升营销活动效果,以提升目标活动对第二用户的活动吸引程度,进而提升其留存概率。
在本申请的一些实施例中,图5为本申请第一方面提供的营销金额分配方法的再一实施例的流程图,在上述步骤140之后,该方法还可以包括图5所示的步骤501-步骤510。
步骤501,在目标活动满足预设更新条件的情况下,筛选N个待营销用户中的第一用户和第二用户,其中,第一用户为已响应目标活动的待营销用户,第二用户为未响应目标活动的待营销用户,第二用户的数量为M1;
步骤502,为第一用户和第二用户设置第一标签;
步骤503,获取M1个第二用户在对应的M1个第一营销金额下的M1个用户响应概率;
步骤504,从M1个第二用户中,筛选用户响应概率大于或等于第一响应概率阈值的目标第二用户,得到M2个目标第二用户;
步骤505,获取第一用户和目标第二用户在对应第一营销金额下的用户价值;
步骤506,基于第一用户和目标第二用户的用户价值,确定第一用户和目标第二用户的训练样本权重;
步骤507,向响应概率评估模型传入第一用户和目标第二用户的训练样本权重,并将第一用户和目标第二用户对应的多维特征和第一营销金额作为输入样本,第一用户和目标第二用户的第一标签作为输出样本对响应概率评估模型进行训练,得到更新后的响应概率评估模型;
步骤508,结合更新后的响应概率评估模型,对目标函数进行更新;
步骤509,将M2个目标第二用户的多维特征代入更新后的目标函数,并确定更新后的目标函数的函数值最大时对应的M2个第三营销金额;
步骤510,在目标活动中为M2个目标第二用户重新分配M2个第三营销金额。
在本申请实施例中,考虑到随着目标活动开展,已响应与未响应用户的数据对于优化活动效果具有重要意义,因此基于已响应与未响应用户产生的数据,快速迭代优化模型,随时调整相关策略数值,迭代用户营销金额变量,提升响应概率评估模型的评估实时性、准确率以及与目标活动的匹配度,从而利用该完善后的响应概率评估模型,实现营销金额优化迭代,动态优化营销金额变量,提升营销活动。
在本申请的一些实施例中,在步骤501筛选用户响应概率大于或等于第一响应概率阈值的目标第二用户之前,该方法还可以包括下述步骤:
计算截止到当前时刻,第一用户已核销的第一营销金额的第一和值;
计算第一和值与目标活动对应预设营销预算的第一比值;
将预设数值与第一比值的差值,作为第一响应概率阈值。
具体地,第一用户的数量为N-M1,则计算N-M1个第一用户对应的N-M1个第一营销金额的和值,得到第一和值,该第一和值用于表征目标活动截止到当前时刻的营销金额核销总额,第一比值用于表征目标活动截止到当前时刻的活动预算消耗率。预设数值可以根据具体需求进行设置,本申请对此不做具体限定。
示例性地,预设数值为1,则在M1个第二用户中,需筛选满足的第二用户,作为目标第二用户。
在一些示例中,s.t.P(X≤Z)=1-BPT,P(X≤x)为的累积分布函数。
在本申请实施例中,第一用户作为正样本,此处设计了负样本(即目标第二用户)的判定规则,按照预算消耗情况与前期预测用户响应概率进行判断,而非将所有未响应用户均视为负样本。
在一些实施例中,可以通过sample_weight参数向响应概率评估模型传入第一用户和目标第二用户的训练样本权重。
在本申请的一些实施例中,为了进一步提升响应概率评估模型的训练效果,进而提升响应概率评估模型的预测结果的准确度,图6为本申请第一方面提供的营销金额分配方法的再一实施例的流程图,上述步骤506可以包括图6所示的步骤610-步骤640。
步骤610,获取第一用户针对目标活动的第一时长,其中,第一时长为第一用户的响应时刻与当前时刻的间隔时长,响应时刻为第一用户响应目标活动的时刻;
步骤620,获取目标第二用户针对目标活动的第二时长,其中,第二时长为第一时刻与当前时刻的间隔时长,第一时刻是为目标第二用户设置第一标签的时刻;
步骤630,基于第一用户对应的第一时长和用户价值,确定第一用户的训练样本权重;
步骤640,基于目标第二用户对应的第二时长和用户价值,确定目标第二用户的训练样本权重。
示例性地,训练样本权重w的计算公式可以如公式(3)所示:
其中,PVALUED为用户价值,对于第一用户,t为第一时长,对于目标第二用户,t为第二时长。
在本申请的一些实施例中,上述步骤507向响应概率评估模型传入第一用户和目标第二用户的训练样本权重,并将第一用户和目标第二用户对应的多维特征和第一营销金额作为输入样本,第一用户和目标第二用户的第一标签作为输出样本对响应概率评估模型进行训练,可以具体包括:
向响应概率评估模型传入第一用户、目标第二用户以及训练样本用户的训练样本权重,并将第一用户和目标第二用户对应的多维特征和第一营销金额,以及训练样本用户的多维特征和训练样本用户的多维特征和营销活动参数作为输入样本,第一用户、目标第二用户以及训练样本用户的第一标签作为输出样本对响应概率评估模型进行训练。
其中,训练样本用户的训练样本权重为预设权重,预设权重用于表征训练样本用户的用户数据的重要程度,该预设权重可以根据具体需求进行设置,例如设置为1、0.5等其它数值,本申请对此不做具体限定。
示例性地,训练数据包括输入样本和输出样本,训练样本用户的训练数据X=[x1,x2,x3,...,xN_Train],对应训练样本权重W=[1,1,1,...,1];第一用户的训练数据XG=[xG1,xG2,xG3,...,xGN_Good],目标第二用户的训练数据XB=[xB1,xB2,xB3,...,xBN_Bad],则向响应概率评估模型输入的训练数据X′=[x1,...,xN_Train,xG1,...,xGN_Good,xB1,...,xBN_Bad],传入的训练样本权重W′=[1,1,1,...,1,wG1,...,wGN_Good,wB1,...,wBN_Bad]。
在本申请实施例中,在目标活动新产生数据的基础上,结合原始训练样本用户的训练数据,重新优化迭代响应概率评估模型,提升训练样本数据的全面性,进而提升模型的优化效果。
基于同样的发明构思,本申请第二方面提供一种营销金额分配装置。图7为本申请第二方面提供的营销金额分配装置的一实施例的结构示意图。
如图7所示,该营销金额分配装置700具体可以包括:获取模块710、构建模块720、确定模块730和分配模块740。
其中,获取模块710,用于在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征,N为正整数;
构建模块720,用于结合响应概率评估模型和价值评估模型构建目标函数,其中,所述响应概率评估模型用于基于所述多维特征,评估所述N个待营销用户在所述目标活动的不同营销金额分配方案下的用户响应概率,所述价值评估模型用于基于所述多维特征,评估所述N个待营销用户在所述目标活动的不同营销金额分配方案下的用户价值,所述目标函数用于结合N个用户响应概率和N个用户价值,评估所述目标活动在不同营销金额分配方案下的营销活动效果;
确定模块730,用于将所述N个待营销用户的N个多维特征代入所述目标函数,并确定所述目标函数的函数值最大时对应的N个第一营销金额,其中,所述函数值用于表征所述目标活动在不同营销金额分配方案下的营销活动效果;
分配模块740,用于在所述目标活动中为所述N个待营销用户分配所述N个第一营销金额。
本申请实施例提供的营销金额分配装置,筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征。考虑到营销活动的营销预算分配时各个用户相互牵制的影响,可以结合响应概率评估模型和价值评估模型构建目标函数。由于响应概率评估模型可以基于多维特征评估N个待营销用户在目标活动的不同营销金额分配方案下的用户响应概率,价值评估模型可以基于多维特征评估N个待营销用户在目标活动的不同营销金额分配方案下的用户价值,因此通过该目标函数可以结合N个用户响应概率和N个用户价值,评估目标活动在不同营销金额分配方案下的营销活动效果,由于N个用户响应概率能够反映目标活动在不同营销金额分配方案下的用户促活概率,N个用户价值能够反映目标活动在不同营销金额分配方案下的用户促活价值,因此结合上述两个模型输出的用户响应概率和用户价值,能够更科学地量化计算营销活动的效应,因此在实际评价中具有较强合理性和可解释性,目标函数能够实现营销效果的准确评估。在此基础上,将N个待营销用户的N个多维特征代入目标函数,并确定目标函数的函数值最大时对应的N个第一营销金额,由于函数值用于准确表征目标活动在不同营销金额分配方案下的营销活动效果,因此通过求取函数值最大时得到的N个第一营销金额,能够兼顾用户促活效果与用户价值实现营销活动效果全局最优,在目标活动中为N个待营销用户分配N个第一营销金额,能够在千人千面的同时,有效提升目标活动对N个待营销用户的整体活动效果,相较于以专家规则设计活动,减少人工主观参与度,使用户营销金额分配方式更具有科学性和个性化。
在本申请的一些实施例中,确定模块730包括:求解单元,用于基于序列二次规划算法,求取目标函数的函数值最大时对应的第一最优解;其中,第一最优解包括N个第一营销金额。
在本申请的一些实施例中,求解单元具体用于:基于序列二次规划算法,在预设限制条件下求取目标函数的函数值最大时对应的第一最优解;其中,预设限制条件包括以下至少一项:第一最优解对应的营销金额总值小于或等于目标活动的预设营销预算;第一最优解中的第一营销金额小于或等于预设单用户营销预算;第一最优解中包含的第一营销金额的数量小于或等于预设活动用户数量;第一最优解中第一营销金额的取值属于预设金额集合。
在本申请的一些实施例中,装置还包括:获取模块710,还用于在结合响应概率评估模型和价值评估模型构建目标函数之前,获取训练样本用户的多维特征,多维特征包括基础属性特征和消费特征;训练模块,用于将训练样本用户的多维特征和营销活动参数作为输入样本,训练样本用户的第一标签作为输出样本对lightGBM模型进行训练,得到响应概率评估模型,其中,营销活动参数包括营销活动对应的营销金额和营销类型,第一标签用于表征已响应营销活动或者未响应营销活动;训练模块,还用于将训练样本用户的多维特征和营销活动参数作为输入样本,训练样本用户的累计增值收入作为输出样本对lightGBM模型进行训练,得到价值评估模型。
在本申请的一些实施例中,装置还包括:筛选模块,用于在目标活动中为N个待营销用户分配N个第一营销金额之后,在目标活动满足预设更新条件的情况下,筛选N个待营销用户中的第一用户和第二用户,其中,第一用户为已响应目标活动的待营销用户,第二用户为未响应目标活动的待营销用户,第二用户的数量为M1;设置模块,用于为第一用户和第二用户设置第一标签;训练模块,还用于将第一用户和第二用户对应的多维特征和第一营销金额作为输入样本,第一用户和第二用户的第一标签作为输出样本,对响应概率评估模型进行训练,得到更新后的响应概率评估模型;更新模块,用于结合更新后的响应概率评估模型,对目标函数进行更新;确定模块730,还用于将M1个第二用户的多维特征代入更新后的目标函数,并确定更新后的目标函数的函数值最大时对应的M1个第二营销金额;分配模块740,还用于在目标活动中为M1个第二用户重新分配M1个第二营销金额。
在本申请的一些实施例中,装置还包括:筛选模块,用于在目标活动中为N个待营销用户分配N个第一营销金额之后,在目标活动满足预设更新条件的情况下,筛选N个待营销用户中的第一用户和第二用户,其中,第一用户为已响应目标活动的待营销用户,第二用户为未响应目标活动的待营销用户,第二用户的数量为M1;设置模块,用于为第一用户和第二用户设置第一标签;获取模块710,还用于获取M1个第二用户在对应的M1个第一营销金额下的M1个用户响应概率;筛选模块,还用于从M1个第二用户中,筛选用户响应概率大于或等于第一响应概率阈值的目标第二用户,得到M2个目标第二用户;获取模块710,还用于获取第一用户和目标第二用户在对应第一营销金额下的用户价值;确定模块730,还用于基于第一用户和目标第二用户的用户价值,确定第一用户和目标第二用户的训练样本权重;训练模块,还用于向响应概率评估模型传入第一用户和目标第二用户的训练样本权重,并将第一用户和目标第二用户对应的多维特征和第一营销金额作为输入样本,第一用户和目标第二用户的第一标签作为输出样本对响应概率评估模型进行训练,得到更新后的响应概率评估模型;更新模块,用于结合更新后的响应概率评估模型,对目标函数进行更新;确定模块730,还用于将M2个目标第二用户的多维特征代入更新后的目标函数,并确定更新后的目标函数的函数值最大时对应的M2个第三营销金额;分配模块740,还用于在目标活动中为M2个目标第二用户重新分配M2个第三营销金额。
在本申请的一些实施例中,装置还包括计算模块,计算模块用于:在筛选用户响应概率大于或等于第一响应概率阈值的目标第二用户之前,计算截止到当前时刻,第一用户已核销的第一营销金额的第一和值;计算第一和值与目标活动对应预设营销预算的第一比值;将预设数值与第一比值的差值,作为第一响应概率阈值。
在本申请的一些实施例中,确定模块730包括:获取单元,用于获取第一用户针对目标活动的第一时长,其中,第一时长为第一用户的响应时刻与当前时刻的间隔时长,响应时刻为第一用户响应目标活动的时刻;获取单元,还用于获取目标第二用户针对目标活动的第二时长,其中,第二时长为第一时刻与当前时刻的间隔时长,第一时刻是为目标第二用户设置第一标签的时刻;确定单元,用于基于第一用户对应的第一时长和用户价值,确定第一用户的训练样本权重;确定单元,还用于基于目标第二用户对应的第二时长和用户价值,确定目标第二用户的训练样本权重。
在本申请的一些实施例中,训练模块具体用于:向响应概率评估模型传入第一用户、目标第二用户以及训练样本用户的训练样本权重,并将第一用户和目标第二用户对应的多维特征和第一营销金额,以及训练样本用户的多维特征和训练样本用户的多维特征和营销活动参数作为输入样本,第一用户、目标第二用户以及训练样本用户的第一标签作为输出样本对响应概率评估模型进行训练;其中,训练样本用户的训练样本权重为预设权重。
在本申请的一些实施例中,装置还包括:输入模块,用于在获取每个待营销用户的多维特征之前,在获取到全量用户的多维特征的情况下,向流失概率评估模型中输入全量用户的多维特征,得到全量用户的用户流失概率;筛选模块,用于从全量用户中筛选用户流失概率大于预设概率阈值的待营销用户,得到N个待营销用户。
在本申请的一些实施例中,装置还包括:获取模块710,用于在向流失概率评估模型中输入全量用户的多维特征之前,获取训练样本用户的多维特征,多维特征包括基础属性特征和消费特征;训练模块,还用于将训练样本用户的多维特征作为输入样本,训练样本用户的第二标签作为输出样本对lightGBM模型进行训练,得到流失概率评估模型,其中,第二标签用于表征训练样本用户为已流失用户或者未流失用户。
本申请第三方面还提供了一种电子设备。图8为本申请第三方面提供的电子设备的一实施例的结构示意图。如图8所示,电子设备800包括存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。
在一个示例中,上述处理器802可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器801可包括只读存储器(Read-Only Memory,ROM),随机存取存储器(RandomAccess Memory,RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请第一方面的实施例中营销金额分配方法所描述的操作。
处理器802通过读取存储器801中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序,以用于实现上述第一方面的实施例中的营销金额分配方法。
在一些示例中,电子设备800还可包括通信接口803和总线804。其中,如图8所示,存储器801、处理器802、通信接口803通过总线804连接并完成相互间的通信。
通信接口803,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口803接入输入设备和/或输出设备。
总线804包括硬件、软件或两者,将电子设备800的部件彼此耦接在一起。举例来说而非限制,总线804可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Enhanced Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(IndustryStandard Architecture,ISA)总线、无限带宽互连、低引脚数(Low pin count,LPC)总线、存储器总线、微信道架构(Micro Channel Architecture,MCA)总线、外围组件互连(Peripheral Component Interconnect,PCI)总线、PCI-Express(PCI-E)总线、串行高级技术附件(Serial Advanced Technology Attachment,SATA)总线、视频电子标准协会局部(Video Electronics Standards Association Local Bus,VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线804可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
本申请第四方面提供一种计算机可读存储介质,该计算机可读存储介质上存储有程序或指令,该程序或指令被处理器执行时可实现上述第一方面所示的营销金额分配方法,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,上述计算机可读存储介质可包括非暂态计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等,在此并不限定。
本申请第五方面提供一种计算机程序产品,该计算机程序产品被存储在非易失的存储介质中,计算机程序产品被至少一个处理器执行时实现如第一方面所示的营销金额分配方法的步骤,营销金额分配方法的具体内容可参见上述实施例中的相关说明,在此不再赘述。
本申请第六方面提供一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现如第一方面所示的营销金额分配方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要明确的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例、用户终端实施例、设备实施例、系统实施例和计算机可读存储介质实施例而言,相关之处可以参见方法实施例的说明部分。本申请并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本申请的精神之后,作出各种改变、修改和添加,或者改变步骤之间的顺序。并且,为了简明起见,这里省略对已知方法技术的详细描述。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
本领域技术人员应能理解,上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合,以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上,应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中,术语“包括”并不排除其他装置或步骤;数量词“一个”不排除多个;术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。
Claims (14)
1.一种营销金额分配方法,其特征在于,所述方法包括:
在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征,N为正整数;
结合响应概率评估模型和价值评估模型构建目标函数,其中,所述响应概率评估模型用于基于所述多维特征,评估所述N个待营销用户在所述目标活动的不同营销金额分配方案下的用户响应概率,所述价值评估模型用于基于所述多维特征,评估所述N个待营销用户在所述目标活动的不同营销金额分配方案下的用户价值,所述目标函数用于结合N个用户响应概率和N个用户价值,评估所述目标活动在不同营销金额分配方案下的营销活动效果;
将所述N个待营销用户的N个多维特征代入所述目标函数,并确定所述目标函数的函数值最大时对应的N个第一营销金额,其中,所述函数值用于表征所述目标活动在不同营销金额分配方案下的营销活动效果;
在所述目标活动中为所述N个待营销用户分配所述N个第一营销金额。
2.根据权利要求1所述的方法,其特征在于,所述确定所述目标函数的函数值最大时对应的N个第一营销金额,包括:
基于序列二次规划算法,求取所述目标函数的函数值最大时对应的第一最优解;
其中,所述第一最优解包括所述N个第一营销金额。
3.根据权利要求2所述的方法,其特征在于,所述基于序列二次规划算法,求取所述目标函数的函数值最大时对应的第一最优解,包括:
基于序列二次规划算法,在预设限制条件下求取所述目标函数的函数值最大时对应的第一最优解;
其中,所述预设限制条件包括以下至少一项:
所述第一最优解对应的营销金额总值小于或等于所述目标活动的预设营销预算;
所述第一最优解中的所述第一营销金额小于或等于预设单用户营销预算;
所述第一最优解中包含的第一营销金额的数量小于或等于预设活动用户数量;
所述第一最优解中第一营销金额的取值属于预设金额集合。
4.根据权利要求1所述的方法,其特征在于,在所述结合响应概率评估模型和价值评估模型构建目标函数之前,所述方法还包括:
获取训练样本用户的多维特征,所述多维特征包括基础属性特征和消费特征;
将所述训练样本用户的多维特征和营销活动参数作为输入样本,所述训练样本用户的第一标签作为输出样本对lightGBM模型进行训练,得到所述响应概率评估模型,其中,所述营销活动参数包括营销活动对应的营销金额和营销类型,所述第一标签用于表征已响应所述营销活动或者未响应所述营销活动;
将所述训练样本用户的多维特征和营销活动参数作为输入样本,所述训练样本用户的累计增值收入作为输出样本对lightGBM模型进行训练,得到所述价值评估模型。
5.根据权利要求4所述的方法,其特征在于,所述在所述目标活动中为所述N个待营销用户分配所述N个第一营销金额之后,所述方法还包括:
在所述目标活动满足预设更新条件的情况下,筛选所述N个待营销用户中的第一用户和第二用户,其中,所述第一用户为已响应所述目标活动的待营销用户,所述第二用户为未响应所述目标活动的待营销用户,所述第二用户的数量为M1;
为所述第一用户和所述第二用户设置所述第一标签;
将所述第一用户和所述第二用户对应的多维特征和所述第一营销金额作为输入样本,所述第一用户和所述第二用户的第一标签作为输出样本,对所述响应概率评估模型进行训练,得到更新后的响应概率评估模型;
结合所述更新后的响应概率评估模型,对所述目标函数进行更新;
将M1个第二用户的多维特征代入更新后的目标函数,并确定所述更新后的目标函数的函数值最大时对应的M1个第二营销金额;
在所述目标活动中为所述M1个第二用户重新分配所述M1个第二营销金额。
6.根据权利要求4所述的方法,其特征在于,所述在所述目标活动中为所述N个待营销用户分配所述N个第一营销金额之后,所述方法还包括:
在所述目标活动满足预设更新条件的情况下,筛选所述N个待营销用户中的第一用户和第二用户,其中,所述第一用户为已响应所述目标活动的待营销用户,所述第二用户为未响应所述目标活动的待营销用户,所述第二用户的数量为M1;
为所述第一用户和所述第二用户设置所述第一标签;
获取M1个所述第二用户在对应的M1个第一营销金额下的M1个用户响应概率;
从M1个第二用户中,筛选所述用户响应概率大于或等于第一响应概率阈值的目标第二用户,得到M2个目标第二用户;
获取所述第一用户和所述目标第二用户在对应第一营销金额下的用户价值;
基于所述第一用户和所述目标第二用户的用户价值,确定所述第一用户和所述目标第二用户的训练样本权重;
向所述响应概率评估模型传入所述第一用户和所述目标第二用户的训练样本权重,并将所述第一用户和所述目标第二用户对应的多维特征和所述第一营销金额作为输入样本,所述第一用户和所述目标第二用户的第一标签作为输出样本对所述响应概率评估模型进行训练,得到更新后的响应概率评估模型;
结合所述更新后的响应概率评估模型,对所述目标函数进行更新;
将M2个目标第二用户的多维特征代入更新后的目标函数,并确定所述更新后的目标函数的函数值最大时对应的M2个第三营销金额;
在所述目标活动中为所述M2个目标第二用户重新分配所述M2个第三营销金额。
7.根据权利要求6所述的方法,其特征在于,在所述筛选所述用户响应概率大于或等于第一响应概率阈值的目标第二用户之前,所述方法还包括:
计算截止到当前时刻,所述第一用户已核销的第一营销金额的第一和值;
计算所述第一和值与所述目标活动对应预设营销预算的第一比值;
将预设数值与所述第一比值的差值,作为所述第一响应概率阈值。
8.根据权利要求6所述的方法,其特征在于,所述基于所述第一用户和所述目标第二用户的用户价值,确定所述第一用户和所述目标第二用户的训练样本权重,包括:
获取所述第一用户针对所述目标活动的第一时长,其中,所述第一时长为所述第一用户的响应时刻与当前时刻的间隔时长,所述响应时刻为所述第一用户响应所述目标活动的时刻;
获取所述目标第二用户针对所述目标活动的第二时长,其中,所述第二时长为第一时刻与所述当前时刻的间隔时长,所述第一时刻是为所述目标第二用户设置所述第一标签的时刻;
基于所述第一用户对应的所述第一时长和所述用户价值,确定所述第一用户的训练样本权重;
基于所述目标第二用户对应的所述第二时长和所述用户价值,确定所述目标第二用户的训练样本权重。
9.根据权利要求6所述的方法,其特征在于,所述向所述响应概率评估模型传入所述第一用户和所述目标第二用户的训练样本权重,并将所述第一用户和所述目标第二用户对应的多维特征和所述第一营销金额作为输入样本,所述第一用户和所述目标第二用户的第一标签作为输出样本对所述响应概率评估模型进行训练,包括:
向所述响应概率评估模型传入所述第一用户、所述目标第二用户以及所述训练样本用户的训练样本权重,并将所述第一用户和所述目标第二用户对应的多维特征和所述第一营销金额,以及所述训练样本用户的多维特征和所述训练样本用户的多维特征和营销活动参数作为输入样本,所述第一用户、所述目标第二用户以及所述训练样本用户的第一标签作为输出样本对所述响应概率评估模型进行训练;
其中,所述训练样本用户的训练样本权重为预设权重。
10.根据权利要求1所述的方法,其特征在于,在所述获取每个待营销用户的多维特征之前,所述方法还包括:
在获取到全量用户的多维特征的情况下,向流失概率评估模型中输入所述全量用户的多维特征,得到所述全量用户的用户流失概率;
从所述全量用户中筛选所述用户流失概率大于预设概率阈值的待营销用户,得到所述N个待营销用户。
11.根据权利要求10所述的方法,其特征在于,在所述向流失概率评估模型中输入所述全量用户的多维特征之前,所述方法还包括:
获取训练样本用户的多维特征,所述多维特征包括基础属性特征和消费特征;
将所述训练样本用户的多维特征作为输入样本,所述训练样本用户的第二标签作为输出样本对lightGBM模型进行训练,得到所述流失概率评估模型,其中,所述第二标签用于表征所述训练样本用户为已流失用户或者未流失用户。
12.一种营销金额分配装置,其特征在于,所述装置包括:
获取模块,用于在筛选出针对目标活动的N个待营销用户的情况下,获取每个待营销用户的多维特征,N为正整数;
构建模块,用于结合响应概率评估模型和价值评估模型构建目标函数,其中,所述响应概率评估模型用于基于所述多维特征,评估所述N个待营销用户在所述目标活动的不同营销金额分配方案下的用户响应概率,所述价值评估模型用于基于所述多维特征,评估所述N个待营销用户在所述目标活动的不同营销金额分配方案下的用户价值,所述目标函数用于结合N个用户响应概率和N个用户价值,评估所述目标活动在不同营销金额分配方案下的营销活动效果;
确定模块,用于将所述N个待营销用户的N个多维特征代入所述目标函数,并确定所述目标函数的函数值最大时对应的N个第一营销金额,其中,所述函数值用于表征所述目标活动在不同营销金额分配方案下的营销活动效果;
分配模块,用于在所述目标活动中为所述N个待营销用户分配所述N个第一营销金额。
13.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1至11中任意一项所述的营销金额分配方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至11中任意一项所述的营销金额分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378482.XA CN117436931A (zh) | 2023-10-23 | 2023-10-23 | 营销金额分配方法、装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378482.XA CN117436931A (zh) | 2023-10-23 | 2023-10-23 | 营销金额分配方法、装置、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117436931A true CN117436931A (zh) | 2024-01-23 |
Family
ID=89549118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311378482.XA Pending CN117436931A (zh) | 2023-10-23 | 2023-10-23 | 营销金额分配方法、装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436931A (zh) |
-
2023
- 2023-10-23 CN CN202311378482.XA patent/CN117436931A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
CN109214585B (zh) | 用户消费预测方法、装置、电子设备及存储介质 | |
WO2019209846A1 (en) | Credit risk prediction method and device based on lstm model | |
US9449283B1 (en) | Selecting a training strategy for training a machine learning model | |
CN108399564B (zh) | 信用评分方法及装置 | |
CN109376766B (zh) | 一种画像预测分类方法、装置及设备 | |
CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
CN111383091A (zh) | 一种资产证券化定价方法和装置 | |
CN111861521A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN115545712A (zh) | 一种交易行为的欺诈预测方法、装置、设备和存储介质 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN110555749B (zh) | 基于神经网络的信用行为预测方法以及装置 | |
CN117132317A (zh) | 数据处理方法、装置、设备、介质及产品 | |
CN111222993A (zh) | 基金推荐方法及装置 | |
CN111464337A (zh) | 资源配置方法、装置、电子设备 | |
CN110910241A (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN117436931A (zh) | 营销金额分配方法、装置、设备、介质 | |
CN111325372A (zh) | 预测模型的建立方法、预测方法、装置、介质及设备 | |
CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
CN114169906B (zh) | 电子券推送方法、装置 | |
CN111932376A (zh) | 虚拟资源数据的模拟方法、装置 | |
CN112862602B (zh) | 一种用户请求的确定方法及存储介质、电子装置 | |
CN113515383B (zh) | 系统资源数据分配方法和装置 | |
CN114820164A (zh) | 信用卡额度评估方法、装置、设备及介质 |
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 |