CN117556192A - 一种基于人工智能的用户增长式运营系统及方法 - Google Patents

Abstract

本发明涉及人工智能技术领域，尤其为一种基于人工智能的用户增长式运营系统，包括：用户画像单元：用于收集和分析用户数据构建用户画像；策略运营单元：用于根据用户的画像结果，制定精细化的运营策略；数据监控单元：用于对执行策略后的用户数据进行实时监控；人机交互单元，用于实现数据监控单元监控数据的动态可视化并增加用户的体验感；数据优化单元：用于通过数据分析和监控，评估和优化运营策略的效果。本发明通过算法对用户的特征进行提取构成用户画像，增加了画像了精确性，同时能够根据条件对用户数据进行分类并自动执行相应的运营策略，减少了人工干预的时间，大大提高了运营效率和策略的准确性。

Description

一种基于人工智能的用户增长式运营系统及方法

技术领域

本发明涉及人工智能技术领域，尤其是一种基于人工智能的用户增长式运营系统及方法。

背景技术

随着互联网市场的逐渐成熟，越来越多的企业和产品开始涌现。竞争的加剧使得用户获取和留存变得更加困难，因此，企业需要通过有效的运营手段来实现用户增长和留存。传统的运营理念已经不能满足现代企业的需求。现代企业需要更加精细化的运营手段，通过对用户进行深入分析、制定运营策略、进行数据分析与优化等手段，实现用户增长和业务变现的目标。现有技术中，无法满足对数据的实时分析和处理需求，无法及时发现和解决用户问题，从而影响用户增长和留存，同时，现有的技术无法满足自动化运营的需求，需要人工干预的环节比较多，影响运营效率和准确性。鉴于以上问题，本发明提出一种基于人工智能的用户增长式运营系统及方法以解决上述问题。

发明内容

本发明的目的是通过提出一种基于人工智能的用户增长式运营系统及方法，以解决上述背景技术中提出的缺陷。

本发明采用的技术方案如下：

提供一种基于人工智能的用户增长式运营系统，包括：

用户画像单元：用于收集和分析用户数据构建用户画像；

策略运营单元：用于根据用户的画像结果，制定精细化的运营策略；

数据监控单元：用于对执行策略后的用户数据进行实时监控；

人机交互单元，用于实现数据监控单元监控数据的动态可视化并增加用户的体验感；

数据优化单元：用于通过数据分析和监控，评估和优化运营策略的效果。

作为本发明的一种优选技术方案：所述用户画像单元包括：

数据收集模块：所述数据收集模块用于收集来自不同平台的用户数据；

数据处理模块：所述数据分析模块用于对收集的数据进行处理，了解并保护用户的信息；

画像构建模块：所述画像构建模块用于对处理后的数据进行特征提取构建用户画像。

作为本发明的一种优选技术方案：所述数据处理模块的步骤如下：

对原始数据数据的加工和清洗；

对敏感数据进行脱敏处理；

将多个数据源进行整合，形成统一的格式化。

作为本发明的一种优选技术方案：所述对原始数据进行加工清洗包括去除重复数据、处理异常数据和处理错误数据。

作为本发明的一种优选技术方案：所述画像构建模块中对数据进行特征提取的步骤如下：

步骤一：获取用户的模糊决策函数μ(n)：

μ(n)＝β[1-exp e(n)]

其中，β表示用户数据之间的关联水平，e(n)表示用户数据的融合函数；

步骤二：基于粗糙集匹配方法，获取数据挖掘所需的约束条件X：

步骤三：计算目标用户数据潜在特征的挖掘平均值H:

其中，σ表示数据挖掘结果的方差；

步骤四：计算用户的特征数据的提取结果J：

作为本发明的一种优选技术方案：所述策略运营单元执行的步骤如下：

先制定不同的运营策略；

根据限定条件对用户进行分类；

对不同类型的用户自动执行相应的运营策略。

作为本发明的一种优选技术方案：所述根据限定条件对用户进行分类基于K-means聚类算法，K-means聚类算法公式如下：

已知用户画像的样本集X＝{x_i|i＝1,2,3,…,N},有k个运营策略C_j(j＝1,2,..,K)和k个限定条件，也就是聚类中心A_j(j＝1,2,…,K),则N个用户画像的样本间的欧氏距离公式为：

用户画像的样本集X的聚类中心为：

用户画像的样本误差聚类平方准则和E为:

其中，x_i为第i个用户画像的样本数据，c_j为第j个运营策略的聚类中心。

作为本发明的一种优选技术方案：所述人机交互单元包括：

数据查找模块，所述数据查找模块用于查找特定信息的用户数据；

可视化模块，所述可视化模块用于对数据监控单元监控的数据实现动态可视化；

用户反馈模块，所述用户反馈模块用于收集用户的反馈和建议，及时改进服务。

作为本发明的一种优选技术方案：所述数据优化单元中评估运营策略的效果基于用户的行为数据、用户留存率和用户转化率。

提供一种基于人工智能的用户增长式运营方法，包括如下步骤：

S1：收集和分析用户数据构建用户画像；

S2：根据用户画像结果和用户分析制定精细化的运营策略；

S3：对执行策略后的数据进行监控，并实现数据的动态可视化；

S4：通过数据分析和监控，评估运营策略的效果。

本发明提供的一种基于人工智能的用户增长式运营系统及方法，与现有技术相比，其有益效果有：

本发明在数据的处理中，会对敏感数据进行脱敏，保护了用户的隐私和数据安全，通过算法对用户的特征进行提取构成用户画像，增加了画像了精确性，同时能够根据条件对用户数据进行分类并自动执行相应的运营策略，减少了人工干预的时间，大大提高了运营效率和策略的准确性。

附图说明

图1为本发明中整体的系统框图；

图2为本发明中用户画像单元的系统框图；

图3为本发明中人机交互单元的系统框图；

图4为本发明的方法流程图。

图中各个标记的意义为：

1、用户画像单元；

11、数据收集模块；12、数据处理模块；13、画像构建模块；

2、策略运营单元；

3、数据监控单元；

4、人机交互单元；

41、数据查找模块；42、可视化模块；43、用户反馈模块；

5、数据优化单元。

具体实施方式

需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。

参照图1-图3，本发明提供了一种基于人工智能的用户增长式运营系统，包括：

用户画像单元1：用于收集和分析用户数据构建用户画像；

策略运营单元2：用于根据用户的画像结果，制定精细化的运营策略；

数据监控单元3：用于对执行策略后的用户数据进行实时监控；

人机交互单元4，用于实现数据监控单元3监控数据的动态可视化并增加用户的体验感；

数据优化单元5：用于通过数据分析和监控，评估和优化运营策略的效果。

所述用户画像单元1包括：

数据收集模块11：所述数据收集模块11用于收集来自不同平台的用户数据；

数据处理模块12：所述数据分析模块12用于对收集的数据进行处理，了解并保护用户的信息；

画像构建模块13：所述画像构建模块13用于对处理后的数据进行特征提取构建用户画像。

所述数据处理模块12的步骤如下：

对原始数据数据的加工和清洗；

对敏感数据进行脱敏处理；

将多个数据源进行整合，形成统一的格式化。

所述对原始数据进行加工清洗包括去除重复数据、处理异常数据和处理错误数据。

所述画像构建模块13中对数据进行特征提取的步骤如下：

步骤一：获取用户的模糊决策函数μ(n)：

μ(n)＝β[1-exp e(n)]

其中，β表示用户数据之间的关联水平，e(n)表示用户数据的融合函数；

步骤二：基于粗糙集匹配方法，获取数据挖掘所需的约束条件X：

步骤三：计算目标用户数据潜在特征的挖掘平均值H:

其中，σ表示数据挖掘结果的方差；

步骤四：计算用户的特征数据的提取结果J：

所述策略运营单元2执行的步骤如下：

先制定不同的运营策略；

根据限定条件对用户进行分类；

对不同类型的用户自动执行相应的运营策略。

所述根据限定条件对用户进行分类基于K-means聚类算法，K-means聚类算法公式如下：

已知用户画像的样本集X＝{x_i|i＝1,2,3,…,N},有k个运营策略C_j(j＝1,2,..,K)和k个限定条件，也就是聚类中心A_j(j＝1,2,…,K),则N个用户画像的样本间的欧氏距离公式为：

用户画像的样本集X的聚类中心为：

用户画像的样本误差聚类平方准则和E为:

其中，x_i为第i个用户画像的样本数据，c_j为第j个运营策略的聚类中心。

所述人机交互单元4包括：

数据查找模块41，所述数据查找模块41用于查找特定信息的用户数据；

可视化模块42，所述可视化模块42用于对数据监控单元3监控的数据实现动态可视化；

用户反馈模块43，所述用户反馈模块43用于收集用户的反馈和建议，及时改进服务。

所述数据优化单元5中评估运营策略的效果基于用户的行为数据、用户留存率和用户转化率。

参照图4，提供一种基于人工智能的用户增长式运营方法，包括如下步骤：

S1：收集和分析用户数据构建用户画像；

S2：根据用户画像结果和用户分析制定精细化的运营策略；

S3：对执行策略后的数据进行监控，并实现数据的动态可视化；

S4：通过数据分析和监控，评估运营策略的效果。

在本实施例中，用户增长式运营系统是一个综合性的运营体系，旨在通过一系列策略和方法，促进用户增长、提高用户活跃度、增加用户粘性，并最终实现业务增长和变现。首先数据收集模块11收集来自不同平台的用户数据，为了了解用户的基本信息、行为习惯、兴趣爱好等，数据处理模块12会对原始数据进行加工和清洗，包括去除重复数据、处理异常数据和错误数据，保证收集到的用户数据的准确性；其次对敏感数据进行脱敏处理，保护用户的隐私和数据安全；将多个数据源进行整合，形成统一的格式化，为了深入挖掘用户需求，了解用户对产品的期望和痛点，以便为不同用户群体提供定制化的服务和产品，将处理后的数据进行特征提取构建用户画像，具体方法为：为了更好实现用户特征挖掘，需要优先组建信息访问融合模型，由于数据一直处于分布不均匀的状态，所以还需要进一步组建多元数据融合跟踪识别模型，进而获取用户的模糊决策函数μ(n)：

μ(n)＝β[1-exp e(n)]

其中，β表示用户数据之间的关联水平，e(n)表示用户数据的融合函数；

为了后期获取更加准确的挖掘结果，基于粗糙集匹配方法，获取数据挖掘所需的约束条件X：

以约束条件X为依据，获取访问数据集对应的模糊聚类函数.同时根据模糊聚类函数，可以获取最优解向量融合方式，同时计算目标用户数据潜在特征的挖掘平均值H:

其中，σ表示数据挖掘结果的方差；

最后计算用户的特征数据的提取结果J：

此方法获取的特征数据精度相比于现有的特征提取技术更加精确，并且挖掘效率稳定，能够以更快的速度完成用户数据的特征挖掘。

进一步的，策略运营单元2，会根据用户的画像结果，制定精细化的运营策略，先根据潜力等级进行划分，来衡量平台流入的新用户是多大后续留存的可能以及未来在产品中贡献的价值，后续的抓手可以优先资源给潜力更大的新用户，加速他们成长。针对有效用户，可以通过用户忠诚度、用户粘性、用户质量等维度进行拆解分层，运用针对性的运营策略针对不同层级的用户优先培养高质量用户粘性进而提升用户忠诚度；针对沉默用户和流失用户，可以按用户质量和激活概率等维度进行分层，帮我们找出最容易激活且价值最高的用户，进而优先激活这部分用户。其中，根据限定条件对用户进行分类基于K-means聚类算法，K-means聚类算法是一种无监督学习算法，可以根据用户的属性和行为数据，将用户划分为不同的群体。根据不同的用户群体，可以制定相应的运营策略，K-means聚类算法公式如下：

已知用户画像的样本集X＝{x_i|i＝1,2,3,…,N},有k个运营策略C_j(j＝1,2,..,K)和k个限定条件，也就是聚类中心A_j(j＝1,2,…,K),则N个用户画像的样本间的欧氏距离公式为：

用户画像的样本集X的聚类中心为：

确定k个中心点，进行最小化聚类误差，而聚类误差定义为所有数据点到其各自聚类中心的距离之和，从而判断该对象是属于哪一类，用户画像的样本误差聚类平方准则和E为:

其中，x_i为第i个用户画像的样本数据，c_j为第j个运营策略的聚类中心。当E逐渐收敛时，聚类过程结束，聚类算法的应用大大提高了用户分类识别的准确率，并使得识别时间大幅降低。

数据监控单元3会对执行策略后的用户数据进行实时监控，并将监控的结果传输至人机交互单元4，可视化模块42能够将用户数据变化的结果动态可视化，能够将复杂的数据变得更加直观和易于理解，且提供更加全面和准确的数据信息，从而做出更加明智的决策，同时，人机交互单元4可以增加用户的体验感，其中，数据查找模块41用于查找特定信息的用户数据，可以从大量的数据中获取所需信息，提高工作效率和准确性；用户反馈模块43用于收集用户的反馈和建议，及时改进服务，能够提高用户体验和满意度，增加用户粘性和口碑传播。更进一步的，数优化单元5会根据可视化模块42的结果评估和优化运营策略的效果，评估运营策略的效果基于用户的行为数据、用户留存率和用户转化率，可以更好地了解用户，从而制定更好地战略和决策，提高工作地质量和效率。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在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发明内。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。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于人工智能的用户增长式运营系统，其特征在于：包括：

用户画像单元(1)：用于收集和分析用户数据构建用户画像；

策略运营单元(2)：用于根据用户的画像结果，制定精细化的运营策略；

数据监控单元(3)：用于对执行策略后的用户数据进行实时监控；

人机交互单元(4)，用于实现数据监控单元(3)监控数据的动态可视化并增加用户的体验感；

数据优化单元(5)：用于通过数据分析和监控，评估和优化运营策略的效果。

2.根据权利要求1所述的一种基于人工智能的用户增长式运营系统，其特征在于：所述用户画像单元(1)包括：

数据收集模块(11)：所述数据收集模块(11)用于收集来自不同平台的用户数据；

数据处理模块(12)：所述数据分析模块(12)用于对收集的数据进行处理，了解并保护用户的信息；

画像构建模块(13)：所述画像构建模块(13)用于对处理后的数据进行特征提取构建用户画像；

所述数据处理模块(12)的步骤如下：

对原始数据数据的加工和清洗；

对敏感数据进行脱敏处理；

将多个数据源进行整合，形成统一的格式化；

所述画像构建模块(13)中对数据进行特征提取的步骤如下：

步骤一：获取用户的模糊决策函数μ(n)：

μ(n)＝β[1-exp e(n)]

其中，β表示用户数据之间的关联水平，e(n)表示用户数据的融合函数；

步骤二：基于粗糙集匹配方法，获取数据挖掘所需的约束条件X：

步骤三：计算目标用户数据潜在特征的挖掘平均值H:

其中，σ表示数据挖掘结果的方差；

步骤四：计算用户的特征数据的提取结果J：

3.根据权利要求2所述的一种基于人工智能的用户增长式运营系统，其特征在于：所述对原始数据进行加工清洗包括去除重复数据、处理异常数据和处理错误数据。

4.根据权利要求1所述的一种基于人工智能的用户增长式运营系统，其特征在于：所述策略运营单元(2)执行的步骤如下：

先制定不同的运营策略；

根据限定条件对用户进行分类；

对不同类型的用户自动执行相应的运营策略。

5.根据权利要求4所述的一种基于人工智能的用户增长式运营系统，其特征在于：所述根据限定条件对用户进行分类基于K-means聚类算法，K-means聚类算法公式如下：

已知用户画像的样本集X＝{x_i|i＝1,2,3,…,N},有k个运营策略C_j(j＝1,2,..,K)和k个限定条件，也就是聚类中心A_j(j＝1,2,…,K),则N个用户画像的样本间的欧氏距离公式为：

用户画像的样本集X的聚类中心为：

用户画像的样本误差聚类平方准则和E为:

其中，x_i为第i个用户画像的样本数据，c_j为第j个运营策略的聚类中心。

6.根据权利要求1所述的一种基于人工智能的用户增长式运营系统，其特征在于：所述人机交互单元(4)包括：

数据查找模块(41)，所述数据查找模块(41)用于查找特定信息的用户数据；

可视化模块(42)，所述可视化模块(42)用于对数据监控单元(3)监控的数据实现动态可视化；

用户反馈模块(43)，所述用户反馈模块(43)用于收集用户的反馈和建议，及时改进服务。

7.根据权利要求1所述的一种基于人工智能的用户增长式运营系统，其特征在于：所述数据优化单元(5)中评估运营策略的效果基于用户的行为数据、用户留存率和用户转化率。

8.一种基于人工智能的用户增长式运营方法，基于权利要求1-7任意一项所述的一种基于人工智能的用户增长式运营系统，其特征在于：包括如下步骤：

S1：收集和分析用户数据构建用户画像；

S2：根据用户画像结果和用户分析制定精细化的运营策略；

S3：对执行策略后的数据进行监控，并实现数据的动态可视化；

S4：通过数据分析和监控，评估运营策略的效果。