TWI649708B

TWI649708B - 客戶價值之預測方法

Info

Publication number: TWI649708B
Application number: TW106113829A
Authority: TW
Inventors: 翁啟育
Original assignee: 福皓整合科技有限公司
Priority date: 2017-04-25
Filing date: 2017-04-25
Publication date: 2019-02-01
Also published as: TW201839693A

Abstract

一種客戶價值之預測方法，包含：建立一客戶資料庫，客戶資料庫包含至少一第一客戶之一第一特徵資料及一第一消費資料，其中第一特徵資料包含第一客戶於一社群網站上之一第一互動資料；根據第一消費資料計算第一客戶之一第一價值；根據第一客戶之第一價值及第一特徵資料，建立一預測模型；取得一第二客戶之一第二特徵資料，第二特徵資料包含第二客戶於社群網站上之一第二互動資料；及根據第二客戶之第二特徵資料，以預測模型預測第二客戶之一價值客戶機率。

Description

客戶價值之預測方法

本發明係有關於一種客戶價值之預測方法，特別是一種基於社群網站數據預測客戶價值之方法。

隨著網路普及，社群網站已成為商家經營忠實顧客、促銷廣告的重要平台。商家可在社群網站上經營自己的商家頁面，而可擁有其粉絲，而在商家頁面上對其粉絲促銷商品。此外，商家可根據社群網站的特性，對於粉絲的好友進行營銷。然而，好友間的喜好並不盡然有共同性，仍無法針對感興趣的族群有效進行營銷。

有鑑於此，本發明一實施例提出一種客戶價值之預測方法，包含：建立一客戶資料庫，該客戶資料庫包含至少一第一客戶之一第一特徵資料及一第一消費資料，其中該第一特徵資料包含該第一客戶於一社群網站上之一第一互動資料；根據該第一消費資料計算該第一客戶之一第一價值；根據該至少一第一客戶之該第一價值及該第一特徵資料，建立一預測模型；取得一第二客戶之一第二特徵資料，該第二特徵資料包含該第二客戶於該社群網站上之一第二互動資料；及根據該第二客戶之該第二特徵資料，以該預測模型預測該第二客戶之一價值客戶機率。

根據本發明一實施例提出之客戶價值之預測方法，能根據社群網站的資料，預測新客戶是否為價值客戶，以讓商家可針對潛在價值客戶進行營銷。此外，還能輸出判斷價值客戶的重要特徵。因此，商家可根據重要特徵來進行網路廣告投放等應用。

100‧‧‧伺服器

110‧‧‧處理器

120‧‧‧記憶體

130‧‧‧網路模組

140‧‧‧儲存媒體

200‧‧‧軟體

210‧‧‧客戶資料庫

211‧‧‧第一特徵資料

212‧‧‧第一消費資料

213‧‧‧第一價值

220‧‧‧客戶價值分類模組

230‧‧‧特徵工程模組

240‧‧‧模型訓練模組

250‧‧‧預測模型

260‧‧‧客戶價值預測模組

271‧‧‧第二特徵資料

272‧‧‧客戶價值機率

S310‧‧‧建立一客戶資料庫，客戶資料庫包含至少一第一客戶之一第一特徵資料及一第一消費資料，其中第一特徵資料包含第一客戶於一社群網站上之一第一互動資料

S320‧‧‧根據第一消費資料計算第一客戶之一第一價值

S330‧‧‧根據第一客戶之第一價值及第一特徵資料，建立一預測模型

S340‧‧‧取得一第二客戶之一第二特徵資料，第二特徵資料包含第二客戶於社群網站上之一第二互動資料

S350‧‧‧根據第二客戶之第二特徵資料，以預測模型預測第二客戶之一價值客戶機率

S360‧‧‧計算梯度提昇決策樹之各個分裂節點之信息熵

S370‧‧‧根據信息熵中之較大者，輸出一個或多個重要特徵

[圖1]為客戶價值之預測方法的硬體架構示意圖。

[圖2]為客戶價值之預測方法的軟體架構示意圖。

[圖3]為本發明一實施例之客戶價值之預測方法流程圖(一)。

[圖4]為本發明一實施例之客戶價值之預測方法流程圖(二)。

合併參照圖1及圖2，係分別為用於執行本發明一實施例之客戶價值之預測方法的硬體及軟體架構示意圖。所述軟體200係安裝於一個或多個伺服器100中。伺服器100係包含處理器110、記憶體120、網路模組130、儲存媒體140等。軟體200儲存於儲存媒體140中，而由處理器110執行。記憶體120供儲存所述軟體200執行時所需的暫存資料。網路模組130供連接至網際網路，以與社群網站連接。所述社群網站可例如為Facebook、Twitter、微博等網站。

如圖2所示，軟體200包含客戶資料庫210、客戶價值分類模組220、特徵工程模組230、模型訓練模組240、預測模型250、客戶價值預測模組260。

合併參照圖2及圖3，圖3為本發明一實施例之客戶價值之預測方法流程圖(一)。首先，建立客戶資料庫210(步驟S310)。客戶資料庫210包含至少一客戶(於此稱第一客戶)之特徵資料(於此稱第一特徵資料211)及消費資料(於此稱第一消費資料212)。第一特徵資料211包含第一客戶於社群網站上之互動資料(於此稱第一互動資料)。第一互動資料可包含第一客戶於社群網站對於一商家頁面之瀏覽記錄、點擊記錄及留言記錄等。第一消費資料212包含第一客戶在一商家的消費記錄。所述商家可為實體店家或網路商店，並具有會員管理平台。商家可於客戶資料庫210記錄第一客戶之消費記錄。第一客戶可綁定社群網站的帳戶至會員管理平台，或直接透過社群網站的帳戶登入會員，藉此商家可將會員身分與社群網站帳戶相互關連。於是，伺服器100可連接至社群網站，而將同一第一客戶的第一互動資料及第一消費資料儲存在客戶資料庫210中。

於步驟S320中，根據第一消費資料計算第一客戶之價值(於此稱第一價值213)。客戶價值分類模組220可根據RFM模型計算第一客戶之價值，RFM模型是根據消費者最近一次的購買時間(即Rencency)、消費者之交易記錄筆數(Frequency)及平均交易金額(Monetary)三項指標並賦予權重來計算得一權重值。第一價值213包含權重值及價值標籤。若第一客戶從未消費過，則權重值為零，而將價值標籤標示為負樣本。反之，曾有消費記錄的第一客戶之價值標籤將被標示為正樣本。

特徵工程模組230用來進行資料標記，亦即對於第一特徵資料進行資料轉換，將資料轉換為能輸入至預測模型250的資料樣本。例如根據留言資料統計出留言次數、根據瀏覽記錄統計出瀏覽文章數、瀏覽頻率等。並且，特徵工程模組230還將第一特徵資料中的多種特徵中，抓取合適的特徵拼接為資料樣本。除了第一特徵資料211外，資料樣本還包含同一第一客戶之第一價值213。參照表1，係為資料樣本之示例。

於步驟S330中，根據第一客戶之第一價值及第一特徵資料，建立預測模型250。亦即，模型訓練模組240於接收到特徵工程模組230拼接出的資料樣本後，將第一客戶之資料樣本輸入至預測模型250中，以對預測模型250進行訓練，進而完成預測模型250之建立。在一實施例中，預測模型為梯度提昇決策樹(Gradient Boosting Decision Tree，GBDT)，是基於決策樹實現的分類回歸算法，係由多個弱分類器(即決策樹)所構成，其可以下列方程式1表示。

Fmx=f0+α1f1x+α2f2x+α3f3x+...+αmfmx (1)

x表示輸入的特徵，Fmx為最終獲得的分類器，f0~fm為弱分類器，m為弱分類器的數量，α1~αm為權重參數。當第一棵決策樹計算出輸入特徵的預測值後，可計算出此預測值於實際值的殘差。接著，再利用此殘差，輸入給第二棵樹學習，如此接續下去，以完成模型訓練。

於此，損失函數可採用二元分類邏輯迴歸模型(logistic regression for binary classification)，其可以下列方程式2表示。Loss(F(x_i),y_i)表示第i個樣本的損失值，x_i表示第i個樣本的特徵，y_i表示第i個樣本的目標值。分類樹的數量可例如為6棵，樹的深度可例如為15，學習率可例如設定為0.3，但本發明之實施例並非以此為限。

預測模型250建立完成之後，接著，當商家有新的會員加入，或是商家頁面有新的粉絲加入，則進入步驟S340，取得此新客戶(於此稱第二客戶)之一第二特徵資料。第二特徵資料包含第二客戶於社群網站上之互動資料(於此稱第二互動資料)。第二互動資料包含第二客戶於社群網站對於前述商家頁面之瀏覽記錄、點擊記錄及留言記錄等。接著，客戶價值預測模組260將對第二互動資料進行如前述特徵工程模組230執行之資料標記與樣本拼接。於此，由於第二客戶可能為新客戶，而不具有消費資料。換言之，在此拼接完的樣本，相較於前述特徵工程模組230拼接完的樣本，僅有以第二特徵資料進行資料標記的特徵，而無價值標籤及權重值，如表2所示。在一實施例中，新客戶也可以不是商家的新會員或商家頁面的新粉絲，例如可以是第一客戶於社群網站上的好友。

樣本拼接完成後，便可根據第二客戶之第二特徵資料，以預測模型預測第二客戶之一價值客戶機率272(步驟S350)。換言之，客戶價值預測模組260將拼接完的樣本輸入至預測模型250，預測模型250便可輸出第二客戶之價值客戶機率272，而可據以獲得第二客戶是否為價值客戶之預測結果。於是，商家可特別針對可能為價值客戶之第二客戶進行促銷或給予優惠。

在一實施例中，前述第一特徵資料還包含第一客戶之個人資料(於此稱第一個人資料)，係可包含如性別、年齡、居住地、職業等資料。相似地，第二特徵資料也可包含第二客戶之個人資料(於此稱第二個人資料)，係包含如性別、年齡、居住地、職業等資料。在前述步驟S330中，可根據第一特徵資料及第一個人資料建立預測模型250。也就是說，特徵工程模組230可將第一個人資料中的全部或部分資料進行資料標記，而與標記後的全部或部分第一特徵資料進行樣本拼接，如表3所示。相似地，客戶價值預測模組260可將第二個人資料中的全部或部分資料進行資料標記，而與標記後的全部或部分第二特徵資料進行樣本拼接，以輸入至預測模型250。

參照圖4，係為本發明一實施例之客戶價值之預測方法流程圖(二)。在一實施例中，於前述步驟S340之後還可包含步驟S360及步驟S370。

步驟S360：計算梯度提昇決策樹之各個分裂節點之信息熵。所述分裂節點亦可稱為根節點，每一分裂節點均是依照一個特徵來分類至葉節點。在此，計算分裂節點的信息熵，即代表此特徵的重要程度，若信息熵愈大，則此特徵愈為重要。因此，可根據信息熵中之較大者(可為一個或多個)，輸出一個或多個重要特徵(步驟S370)。

綜上所述，本發明一實施例提出之客戶價值之預測方法，能根據社群網站的資料，預測新客戶是否為價值客戶，以讓商家可針對潛在價值客戶進行營銷。此外，還能輸出判斷價值客戶的重要特徵。因此，商家可根據重要特徵來進行網路廣告投放等應用。例如，年齡為重要特徵時，可針對特定年齡層投放廣告；居住地為重要特徵時，可針對特定區域的居民投放廣告。

Claims

一種客戶價值之預測方法，包含：建立一客戶資料庫，該客戶資料庫包含至少一第一客戶之一第一特徵資料及一第一消費資料，其中該第一特徵資料包含該第一客戶於一社群網站上之一第一互動資料；根據該第一消費資料計算該第一客戶之一第一價值；根據該至少一第一客戶之該第一價值及該第一特徵資料，建立一預測模型，其中該預測模型為梯度提昇決策樹；取得一第二客戶之一第二特徵資料，該第二特徵資料包含該第二客戶於該社群網站上之一第二互動資料；計算該梯度提昇決策樹之各個分裂節點之信息熵；根據該些信息熵中之較大者，輸出一個或多個重要特徵；及根據該第二客戶之該第二特徵資料，以該預測模型預測該第二客戶之一價值客戶機率。
如請求項1所述之客戶價值之預測方法，其中該第一價值是利用RFM模型計算而得。
如請求項1所述之客戶價值之預測方法，其中該第一特徵資料還包含該第一客戶之一第一個人資料，而以該第一特徵資料及該第一個人資料建立該預測模型，該第二特徵資料還包含該第二客戶之一第二個人資料，而以該第二特徵資料及該第二個人資料輸入該預測模型，以獲得該價值客戶機率。
如請求項1所述之客戶價值之預測方法，其中該第一互動資料包含該第一客戶於該社群網站對於一商家頁面之瀏覽記錄、點擊記錄及留言記錄，該第二互動資料包含該第二客戶於該社群網站對於該商家頁面之瀏覽記錄、點擊記錄及留言記錄。
如請求項1所述之客戶價值之預測方法，其中每一該第一價值包含一價值標籤及一權重值。