CN107093091A - 一种数据处理方法和装置 - Google Patents
一种数据处理方法和装置 Download PDFInfo
- Publication number
- CN107093091A CN107093091A CN201611013031.6A CN201611013031A CN107093091A CN 107093091 A CN107093091 A CN 107093091A CN 201611013031 A CN201611013031 A CN 201611013031A CN 107093091 A CN107093091 A CN 107093091A
- Authority
- CN
- China
- Prior art keywords
- user
- time
- order
- consumption
- feature
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种数据处理方法和装置,其中,该处理方法包括:获取用户的消费数据;从所述用户的消费数据中提取所述用户的消费特征;进而根据所述用户的消费特征,确定所述用户的生命周期阶段。由于本发明实施例是从用户的历史消费数据中提取出用户个性化的消费特征,如消费频度特征和消费量特征,进而根据用户个性化的消费特征确定用户个性化的生命周期阶段,可以精确的确定每个用户个性化的生命周期阶段,因此可以解决现有技术中存在的生命周期阶段识别同向和不精确的问题。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种数据处理方法和装置。
背景技术
随着互联网的发展,常常需要对用户的行为信息进行分析,以便预测用户未来的行为,进而基于预测结果确定互联网信息的分发策略或处理策略。
目前,通常通过用户使用产品的不同阶段将用户关系分成潜在、成长、成熟、衰退和离开等生命周期。
发明内容
现有技术中识别用户生命周期的方法主要是根据用户购买某种产品或服务的关键节点,比如购买前、使用中、闲置或放弃等,将用户关系分成潜在、成长、成熟、衰退和离开等生命周期。这种识别方法存在用户在不同生命周期发展的趋势同向的问题,不能反映用户在不同生命周期阶段反复流转的情况,不能反映出高频消费领域用户行为的变化趋势。因此,现有的用户生命周期识别方法存在不精确的问题。
发明人通过对大量用户的消费数据的跟踪、研究发现:以任一个用户或多个用户来说,其在不同时间阶段所体现出的消费数据可能是不同的。该用户在不同时间的消费数据的变化,可能主要受多个消费属性的影响,比如配送时间、起送价格等等。因此,如果能够准确分析获得每个用户在不同时间阶段的消费特征,将能够基于分析获得的用户个性化的消费特征,进行针对性的营销策略输出。
有鉴于此,本发明实施例提供一种数据处理方法和装置,用以克服现有的用户生命周期识别方法不精确的问题。
在本发明的一个实施例中,提供了一种数据处理方法,该方法包括:
获取用户的消费数据;
从所述用户的消费数据中提取所述用户的消费特征;
根据所述用户的消费特征,确定所述用户的生命周期。
可选地,从所述用户的消费数据中提取所述用户的消费特征,包括:
从所述用户的消费数据中提取所述用户的消费频度特征和消费量特征。
可选地,从所述用户的消费数据中提取所述用户的消费频度特征,包括:
从所述用户的消费数据中提取所述用户的下单时间;
根据所述用户的下单时间,计算当前时间与第一次下单时间之间的第一时间间隔,计算当前时间与最后一次下单时间之间的第二时间间隔;
计算第一次下单时间和最后一次下单时间之间的第三时间间隔;
将所述第三时间间隔除以第一系数得到第四时间间隔。
可选地,从所述用户的消费数据中提取所述用户的消费量特征,包括:
从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量;
根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征。
可选地,从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,包括:
从所述用户的消费数据中提取最后一次下单时间之日起往前倒数所述第四时间间隔内的第一订单量,最后一次下单时间之日起往前倒数所述第三时间间隔内的第二订单量;
从所述用户的消费数据中提取当前时间之日起往前倒数第五时间段内的第三订单量,当前时间之日起往前倒数第六时间段内的第四订单量,和当前时间之日起往前倒数第七时间段内的第五订单量。
可选地,根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征,包括:
将所述第一订单量和所述第二订单量相除得到第一消费量特征;
将所述第四订单量与所述第五订单量相除后乘以第二系数得到第二消费量特征;
将所述第三订单量与所述第五订单量相除后乘以第三系数得到第三消费量特征。
可选地,根据所述用户的消费特征,确定所述用户的生命周期,包括:
根据所述用户的消费频度特征所在的频度阈值区间,以及所述消费量特征所在的消费量阈值区间,确定所述用户的生命周期。
可选地,确定所述用户的生命周期之后,还包括:
将所述用户的生命周期标记在所述用户属性中;
制定与所述生命周期对应的服务策略。
在本发明的一个实施例中,提供了一种数据处理装置,包括:
获取模块,用于获取用户的消费数据;
特征提取模块,用于从所述获取模块获取的用户的消费数据中提取所述用户的消费特征;
确定模块,用于根据所述特征提取模块提取的用户的消费特征,确定所述用户的生命周期。
可选地,所述特征提取模块具体用于:
从所述用户的消费数据中提取所述用户的消费频度特征和消费量特征。
可选地,所述特征提取模块具体包括消费频度特征提取单元,用于:
从所述用户的消费数据中提取所述用户的下单时间;
根据所述用户的下单时间,计算当前时间与第一次下单时间之间的第一时间间隔,计算当前时间与最后一次下单时间之间的第二时间间隔;
计算第一次下单时间和最后一次下单时间之间的第三时间间隔;
将所述第三时间间隔除以第一系数得到第四时间间隔。
可选地,所述特征提取模块具体包括消费量特征提取单元,用于:
从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量;
根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征。
可选地,所述消费量特征提取单元还用于:
从所述用户的消费数据中提取最后一次下单时间之日起往前倒数所述第四时间间隔内的第一订单量,最后一次下单时间之日起往前倒数所述第三时间间隔内的第二订单量;
从所述用户的消费数据中提取当前时间之日起往前倒数第五时间段内的第三订单量,当前时间之日起往前倒数第六时间段内的第四订单量,和当前时间之日起往前倒数第七时间段内的第五订单量。
可选地,所述消费量特征提取单元还用于:
将所述第一订单量和所述第二订单量相除得到第一消费量特征;
将所述第四订单量与所述第五订单量相除后乘以第二系数得到第二消费量特征;
将所述第三订单量与所述第五订单量相除后乘以第三系数得到第三消费量特征。
可选地,所述确定模块具体用于:
根据所述用户的消费频度特征所在的频度阈值区间,以及所述消费量特征所在的消费量阈值区间,确定所述用户的生命周期。
可选地,所述的装置还包括:
标记模块,用于将所述确定模块确定的用户的生命周期标记在所述用户属性中;
制定模块,用于制定与所述确定模块确定的生命周期对应的服务策略。
本发明实施例通过获取用户的消费数据;从所述用户的消费数据中提取所述用户的消费特征;进而根据所述用户的消费特征,确定所述用户的生命周期阶段。由于本发明实施例是从用户的历史消费数据中提取出用户个性化的消费特征,如消费频度特征和消费量特征,进而根据用户个性化的消费特征确定用户个性化的生命周期阶段,可以精确的确定每个用户个性化的生命周期阶段,因此可以解决现有技术中存在的生命周期阶段识别同向和不精确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的数据处理方法实施例一的流程图;
图2为本发明实施例提供的数据处理方法实施例一的流程图;
图3为本发明实施例提供的数据处理方法实施例一的流程图;
图4为本发明实施例提供的数据处理方法实施例一的流程图;
图5为本发明实施例提供的数据处理装置实施例一的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述XXX,但这些XXX不应限于这些术语。这些术语仅用来将XXX彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一XXX也可以被称为第二XXX,类似地,第二XXX也可以被称为第一XXX。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者***中还存在另外的相同要素。
需要说明的是,本发明实施例中定义的生命周期例如包括考验期、上升期、稳定期、衰退期和流失期,例如,可以将用户的第一下单(首单)完成之后的一段时间(如一周)内设置为考验期;当用户下单的频次增加,与之前一段时间(考验期)内的下单行为相比有明显的增长趋势,则可以将用户下单频次明显增长的时段设置为上升期;当用户下单频次保持一定的节奏,即下单频次的环比幅度不大,这个时期可以设置为稳定期;当用户下单频次开始衰减,逐渐呈现出下降的趋势,这个时期可以设置为衰退期;当用户在一段时间内没有下单行为,则可以认为已经流失该用户,该用户未下单时间越长流失该用户的几率越大,这个时期可以设置为流失期。
图1为本发明实施例提供的数据处理方法实施例一的流程图,本实施例提供的数据处理方法由服务器来执行,如图1所示,该方法包括如下步骤:
步骤101、获取用户的消费数据;
通常,用户设备中安装有很多应用软件,例如物流类应用软件,用户可以通过物流类应用软件进行订餐、购物等下单行为,用户的每一次下单时间和订单数量等用户消费数据均保存在物流类应用软件对应的后台服务器中。因此,后台服务器可以根据用户在物流类应用软件中的用户信息获取相应的该用户的消费数据。
步骤102、从所述用户的消费数据中提取所述用户的消费特征;
本发明实施例中,所述用户的消费特征包括用户的消费频度特征和消费量特征。需要说明的是,所述用户的消费频度特征和消费量特征是属于该用户个性化的消费频度特征和消费量特征。其中,用户的消费频度特征体现该用户下单的频繁程度,例如可以通过获取用户每一次下单时间提取用户的消费频度特征;其中,用户的消费量特征体现该用户下单的消费数量,例如可以通过获取预设时间段内的用户订单数量提取用户的消费量特征。
根据上述生命周期阶段的定义,为了能够精确识别每个用户个性化的生命周期,本发明实施例中,可以从每个用户的消费数据中提取所述用户的消费频度特征和消费量特征。
具体地,从每个用户的消费数据中提取所述用户的消费频度特征包括:
从所述用户的消费数据中提取所述用户的下单时间;根据所述用户的下单时间,计算当前时间与该用户第一次下单时间之间的第一时间间隔,计算当前时间与该用户最后一次下单时间之间的第二时间间隔;计算该用户第一次下单时间和最后一次下单时间之间的第三时间间隔;
可选地,还可以将所述第三时间间隔除以第一系数得到第四时间间隔。
具体地,从每个用户的消费数据中提取所述用户的消费量特征包括:
首先,从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量;具体实现时,例如从所述用户的消费数据中提取最后一次下单时间之日起往前倒数所述第四时间间隔内的第一订单量,最后一次下单时间之日起往前倒数所述第三时间间隔内的第二订单量;可选地,还可以从所述用户的消费数据中提取当前时间之日起往前倒数第五时间段内的第三订单量,当前时间之日起往前倒数第六时间段内的第四订单量,和当前时间之日起往前倒数第七时间段内的第五订单量。
其次,根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征。具体实现时,例如,将所述第一订单量和所述第二订单量相除得到第一消费量特征;可选地,将所述第四订单量与所述第五订单量相除后乘以第二系数得到第二消费量特征;可选地,将所述第三订单量与所述第五订单量相除后乘以第三系数得到第三消费量特征。
步骤103、根据所述用户的消费特征,确定所述用户的生命周期阶段。
具体实现时,例如可以预设多个消费频度特征的频度阈值区间和多个消费量特征的消费量阈值区间,根据上述提取的用户的消费频度特征和消费量特征,判断该用户的消费频度特征所在的频度阈值区间,以及该用户的消费量特征所在的消费量阈值区间,确定该用户处于上述定义的生命周期的阶段(即确定该用户个性化的生命周期)。
可选地,如图2所示,步骤103之后还包括:
步骤104、将所述用户的生命周期阶段标记在所述用户属性中;
预先设置生命周期中每个阶段的标记,例如可以用不同的文字、图形或颜色等标识标记生命周期中每个阶段,假设用户的生命周期是上升期,则可以在该用户属性中利用上升期对应的标识(如文字、图形或颜色等)标记该用户的生命周期是上升期。
可选地,如图3所示,步骤103之后还包括:
步骤105、制定与所述用户的生命周期阶段对应的服务策略。
具体地,预先设置生命周期的每个阶段对应的服务策略,其中,服务策略可以包括营销策略、支付策略和配送策略等。例如,当生命周期阶段为考验期,对应的服务策略为红包策略,当生命周期阶段为考验期,对应的服务策略例如为红包策略,当生命周期阶段为稳定期,对应的服务策略例如为红包会员积分策略,当生命周期阶段为流失期和衰退期,对应的服务策略例如为物流体验保障策略或自动化注券策略等。
当确定每个用户个性化的生命周期阶段(即用户所在生命周期中的哪个阶段)之后,根据预先设置的生命周期的每个阶段对应的服务策略,确定该用户个性化的生命周期阶段对应的服务策略。
步骤106、向所述用户的用户设备推送所述服务策略。
本发明实施例通过获取用户的消费数据;从所述用户的消费数据中提取所述用户的消费特征;进而根据所述用户的消费特征,确定所述用户的生命周期阶段。由于本发明实施例是从用户的历史消费数据中提取出用户个性化的消费特征,如消费频度特征和消费量特征,进而根据用户个性化的消费特征确定用户个性化的生命周期阶段,可以精确的确定每个用户个性化的生命周期阶段,因此可以解决现有技术中存在的生命周期阶段识别同向和不精确的问题。
进一步地,根据每个用户个性化的生命周期阶段,可以定制个性化的服务策略并推送的该用户的用户设备,提高用户的体验度,更大可能性地阻止用户进入流失期和衰退期。
下面对本发明实施例的具体实现方法进行详细的说明。首先预先设置本发明实施例中应用的各个指标定义,如表1所示:
表1
图4为本发明实施例提供的数据处理方法实施例一的流程图;位于服务器侧执行,如图4所示,包括:
步骤401、获取用户的消费数据;
参考图1所示实施例中的步骤101部分的相关描述。
步骤402、从所述用户的消费数据中提取用户的下单时间和订单数量。
步骤403、根据用户的下单时间,计算下单时间间隔指标T、R和T-R以获得用户的消费频度特征;
本发明实施例中,上述时间间隔指标T、R和T-R用于表示用户的消费频度特征,其中,时间间隔指标T为当前时间与用户第一次下单时间之间的时间间隔T;时间间隔指标R为当前时间与用户最后一次下单时间之间的时间间隔R;时间间隔指标T-R为用户第一次下单时间与用户最后一次下单时间之间的时间间隔。
步骤404、根据用户的下单时间和订单数量,提取用户最后一次下单时间之前多个时间段内的订单数量,和当前时间之前多个时间段内的订单数量。
如表1所示,提取从用户最后一次下单时间开始往前倒数(T-R)/2天内的订单数量,表示为N((T-R)/2);
提取从用户最后一次下单时间开始往前倒数(T-R)天内的订单数量,表示为N(T-R);
提取从用户最后一次下单时间开始往前倒数(T-R)/8天内的订单数量,表示为N((T-R)/8。
如表1所示,提取从当前时间之前30天内订单数量,表示为N(30);提取从当前时间之前90天内订单数量,表示为N(90);提取从当前时间之前180天内订单数量,表示为N(180);
步骤405、根据用户最后一次下单时间之前多个时间段内的订单数量,和当前时间之前多个时间段内的订单数量,计算订单数量比值以获得用户的消费量特征。
如表1所示,将从用户最后一次下单时间开始往前倒数(T-R)/2天内的订单数量除以从用户最后一次下单时间开始往前倒数(T-R)天内的订单数量,得到的订单数量比值表示为k;
将从用户最后一次下单时间开始往前倒数(T-R)/8天内的订单数量除以从用户最后一次下单时间开始往前倒数(T-R)天内的订单数量,得到的订单数量比值表示为m;
将当前时间之前90天内订单数量除以当前时间之前180天内订单数量之后乘以系数2,得到的订单数量比值表示为长期斜率x1;
将当前时间之前30天内订单数量除以当前时间之前180天内订单数量之后乘以系数6,得到的订单数量比值表示为整体斜率x2;
上述得到的订单数量比值k、m、x1、x2用于表示用户的消费量特征。
步骤406、根据用户的消费频度特征和消费量特征,以及预设的多个频度阈值区间和消费量阈值区间,确定用户的消费频度特征所在的频度阈值区间和用户的消费量特征所在的消费量阈值区间。
步骤407、根据用户的消费频度特征所在的频度阈值区间,以及用户消费量特征所在的消费量阈值区间,确定用户的生命周期阶段。
本发明实施例中预先设置多个频度阈值区间和消费量阈值区间,以及生命周期的计算规则。
如表2所示,表示消费频度特征的时间间隔指标R的阈值区间包括0<=R<=7、8<=R<=30、31<=R<=90、91<=R<=180、R>180;
表示消费频度特征的时间间隔指标T的阈值区间包括0<=T<=7、8<=T<=30、31<=T<=90、91<=T<=180、T>180;
表示消费频度特征的时间间隔指标T-R的阈值区间包括T-R=0、T-R!=0;
表示消费量特征的订单数量比值k的阈值区间包括2k>1.5、0.5<=2k<=1.5、0.1<=2k<0.5、2k<0.1;
表示消费量特征的订单数量比值m的阈值区间包括8m>1.5、0.5<=8m<=1.5、0.1<=8m<0.5、8m<0.1;
表示消费量特征的订单数量比值x1的阈值区间包括x1>1.5、0.5<=x1<=1.5、0.1<=x1<0.5、x1<0.1;
表示消费量特征的订单数量比值x2的阈值区间包括x2>1.5、0.5<=x2<=1.5、0.1<=X2<0.5、x2<0.1。
如表2所示,本发明实施例采用的生命周期的计算规则是综合考虑每个时间间隔指标的阈值区间和每个订单数量比值的阈值区间来精确确定生命周期的阶段,也就是说,考虑的时间间隔指标和订单数量比值越多,相应设置的阈值区间越多,确定的生命周期阶段越是精确。
表2
本发明实施例中,根据用户的消费数据,计算表示用户消费频度特征的多个时间间隔指标,和表示用户消费量特征的多个订单数量比值,以及预设的时间间隔指标的阈值区间和订单数量比值的阈值区间,根据计算得到的每个时间间隔指标和订单数量比值,确定每个时间间隔指标所在的阈值区间和每个订单数量比值所在的阈值区间,进而根据上表2设置的生命周期计算规则,精确确定该用户的生命周期阶段。因此,本发明实施例提供的方法可以更加精确的确定每个用户个性化的生命周期阶段。
图5为本发明实施例提供的数据处理装置实施例一的结构图;如图5所示,包括:
获取模块51,用于获取用户的消费数据;
特征提取模块52,用于从所述获取模块获取的用户的消费数据中提取所述用户的消费特征;
确定模块53,用于根据所述特征提取模块提取的用户的消费特征,确定所述用户的生命周期阶段。
可选地,所述特征提取模块52具体用于:
从所述用户的消费数据中提取所述用户的消费频度特征和消费量特征。
可选地,所述特征提取模块52具体包括消费频度特征提取单元521,用于:
从所述用户的消费数据中提取所述用户的下单时间;
根据所述用户的下单时间,计算当前时间与第一次下单时间之间的第一时间间隔,计算当前时间与最后一次下单时间之间的第二时间间隔;
计算第一次下单时间和最后一次下单时间之间的第三时间间隔;
将所述第三时间间隔除以第一系数得到第四时间间隔。
可选地,所述特征提取模块52具体包括消费量特征提取单元522,用于:
从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量;
根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征。
可选地,所述消费量特征提取单元522还用于:
从所述用户的消费数据中提取最后一次下单时间之日起往前倒数所述第四时间间隔内的第一订单量,最后一次下单时间之日起往前倒数所述第三时间间隔内的第二订单量;
从所述用户的消费数据中提取当前时间之日起往前倒数第五时间段内的第三订单量,当前时间之日起往前倒数第六时间段内的第四订单量,和当前时间之日起往前倒数第七时间段内的第五订单量。
可选地,所述消费量特征提取单元522还用于:
将所述第一订单量和所述第二订单量相除得到第一消费量特征;
将所述第四订单量与所述第五订单量相除后乘以第二系数得到第二消费量特征;
将所述第三订单量与所述第五订单量相除后乘以第三系数得到第三消费量特征。
可选地,所述确定模块53具体用于:
根据所述用户的消费频度特征所在的频度阈值区间,以及所述消费量特征所在的消费量阈值区间,确定所述用户的生命周期阶段。
可选地,所述的装置还包括:
标记模块54,用于将所述确定模块确定的用户的生命周期阶段标记在所述用户属性中;
制定模块55,用于制定与所述确定模块确定的生命周期阶段对应的服务策略。
图5所示装置可以执行图1-图4中任一所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图4中任一所示实施例中的相关说明。该技术方案的执行过程和技术效果参见图1-图4中任一所示实施例中的描述,在此不再赘述。
以上描述了数据处理装置的内部功能和结构,实际中,该数据处理装置可实现为服务器,包括:通信组件、处理器,所述通信组件与所述处理器耦合;
所述处理器,用于获取用户的消费数据;从所述用户的消费数据中提取所述用户的消费特征;根据所述用户的消费特征,确定所述用户的生命周期阶段。
可选地,所述处理器还用于执行上述方法步骤104-步骤105中的全部或部分。
所述通信组件用于:在所述处理器的控制下,发送与所述用户的生命周期阶段对应的服务策略至所述用户的用户设备。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以产品的形式体现出来,该计算机产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (16)
1.一种数据处理方法,其特征在于,包括:
获取用户的消费数据;
从所述用户的消费数据中提取所述用户的消费特征;
根据所述用户的消费特征,确定所述用户的生命周期阶段。
2.根据权利要求1所述的方法,其特征在于,从所述用户的消费数据中提取所述用户的消费特征,包括:
从所述用户的消费数据中提取所述用户的消费频度特征和消费量特征。
3.根据权利要求2所述的方法,其特征在于,从所述用户的消费数据中提取所述用户的消费频度特征,包括:
从所述用户的消费数据中提取所述用户的下单时间;
根据所述用户的下单时间,计算当前时间与第一次下单时间之间的第一时间间隔,计算当前时间与最后一次下单时间之间的第二时间间隔;
计算第一次下单时间和最后一次下单时间之间的第三时间间隔;
将所述第三时间间隔除以第一系数得到第四时间间隔。
4.根据权利要求2所述的方法,其特征在于,从所述用户的消费数据中提取所述用户的消费量特征,包括:
从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量;
根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征。
5.根据权利要求4所述的方法,其特征在于,从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,包括:
从所述用户的消费数据中提取最后一次下单时间之日起往前倒数所述第四时间间隔内的第一订单量,最后一次下单时间之日起往前倒数所述第三时间间隔内的第二订单量;
从所述用户的消费数据中提取当前时间之日起往前倒数第五时间段内的第三订单量,当前时间之日起往前倒数第六时间段内的第四订单量,和当前时间之日起往前倒数第七时间段内的第五订单量。
6.根据权利要求5所述的方法,其特征在于,根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征,包括:
将所述第一订单量和所述第二订单量相除得到第一消费量特征;
将所述第四订单量与所述第五订单量相除后乘以第二系数得到第二消费量特征;
将所述第三订单量与所述第五订单量相除后乘以第三系数得到第三消费量特征。
7.根据权利要求2所述的方法,其特征在于,根据所述用户的消费特征,确定所述用户的生命周期阶段,包括:
根据所述用户的消费频度特征所在的频度阈值区间,以及所述消费量特征所在的消费量阈值区间,确定所述用户的生命周期阶段。
8.根据权利要求7所述的方法,其特征在于,确定所述用户的生命周期阶段之后,还包括:
将所述用户的生命周期阶段标记在所述用户属性中;
制定与所述生命周期阶段对应的服务策略。
9.一种数据处理装置,其特征在于,包括:
获取模块,用于获取用户的消费数据;
特征提取模块,用于从所述获取模块获取的用户的消费数据中提取所述用户的消费特征;
确定模块,用于根据所述特征提取模块提取的用户的消费特征,确定所述用户的生命周期阶段。
10.根据权利要求9所述的装置,其特征在于,所述特征提取模块具体用于:
从所述用户的消费数据中提取所述用户的消费频度特征和消费量特征。
11.根据权利要求10所述的装置,其特征在于,所述特征提取模块具体包括消费频度特征提取单元,用于:
从所述用户的消费数据中提取所述用户的下单时间;
根据所述用户的下单时间,计算当前时间与第一次下单时间之间的第一时间间隔,计算当前时间与最后一次下单时间之间的第二时间间隔;
计算第一次下单时间和最后一次下单时间之间的第三时间间隔;
将所述第三时间间隔除以第一系数得到第四时间间隔。
12.根据权利要求10所述的装置,其特征在于,所述特征提取模块具体包括消费量特征提取单元,用于:
从所述用户的消费数据中,提取最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量;
根据最后一次下单时间之前多个时间段内的订单量,和当前时间之前多个时间段内的订单量,计算订单量比值以获得消费量特征。
13.根据权利要求12所述的装置,其特征在于,所述消费量特征提取单元还用于:
从所述用户的消费数据中提取最后一次下单时间之日起往前倒数所述第四时间间隔内的第一订单量,最后一次下单时间之日起往前倒数所述第三时间间隔内的第二订单量;
从所述用户的消费数据中提取当前时间之日起往前倒数第五时间段内的第三订单量,当前时间之日起往前倒数第六时间段内的第四订单量,和当前时间之日起往前倒数第七时间段内的第五订单量。
14.根据权利要求13所述的装置,其特征在于,所述消费量特征提取单元还用于:
将所述第一订单量和所述第二订单量相除得到第一消费量特征;
将所述第四订单量与所述第五订单量相除后乘以第二系数得到第二消费量特征;
将所述第三订单量与所述第五订单量相除后乘以第三系数得到第三消费量特征。
15.根据权利要求10所述的装置,其特征在于,所述确定模块具体用于:
根据所述用户的消费频度特征所在的频度阈值区间,以及所述消费量特征所在的消费量阈值区间,确定所述用户的生命周期阶段。
16.根据权利要求15所述的装置,其特征在于,还包括:
标记模块,用于将所述确定模块确定的用户的生命周期阶段标记在所述用户属性中;
制定模块,用于制定与所述确定模块确定的生命周期阶段对应的服务策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611013031.6A CN107093091B (zh) | 2016-11-17 | 2016-11-17 | 一种数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611013031.6A CN107093091B (zh) | 2016-11-17 | 2016-11-17 | 一种数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107093091A true CN107093091A (zh) | 2017-08-25 |
CN107093091B CN107093091B (zh) | 2021-08-10 |
Family
ID=59646045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611013031.6A Expired - Fee Related CN107093091B (zh) | 2016-11-17 | 2016-11-17 | 一种数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107093091B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN107845019A (zh) * | 2017-10-23 | 2018-03-27 | 浪潮软件股份有限公司 | 一种订单生成方法及网络销售平台 |
CN108009855A (zh) * | 2017-12-13 | 2018-05-08 | 北京小度信息科技有限公司 | 数据处理方法、设备和存储介质 |
CN110298742A (zh) * | 2019-06-14 | 2019-10-01 | 联动优势科技有限公司 | 数据处理方法和装置 |
CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
CN111222932A (zh) * | 2018-11-23 | 2020-06-02 | 北京嘀嘀无限科技发展有限公司 | 订单周期计算方法、装置及电子设备 |
CN113409088A (zh) * | 2021-06-30 | 2021-09-17 | 广州云徙科技有限公司 | 一种推送策略确定方法、执行方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7152039B1 (en) * | 2000-06-29 | 2006-12-19 | Oracle International Corporation | Methods and systems for customer lifecycle definition and categorization |
CN101867955A (zh) * | 2010-03-01 | 2010-10-20 | 北京邮电大学 | 基于Gompertz函数的异网用户数预测方法 |
CN101894014A (zh) * | 2009-05-22 | 2010-11-24 | 镇江雅迅软件有限责任公司 | 客户生命周期在计算机软件***中的实现方法 |
CN104794639A (zh) * | 2015-04-28 | 2015-07-22 | 北京嘀嘀无限科技发展有限公司 | 用于确定用户的历史订单的价值的方法及设备 |
CN105139225A (zh) * | 2015-08-17 | 2015-12-09 | 北京京东世纪贸易有限公司 | 一种确定用户行为能力等级的方法和装置 |
CN106127663A (zh) * | 2016-06-27 | 2016-11-16 | 江苏省邮电规划设计院有限责任公司 | 一种通信用户消费特征属性约简拟合提取方法及数据*** |
-
2016
- 2016-11-17 CN CN201611013031.6A patent/CN107093091B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7152039B1 (en) * | 2000-06-29 | 2006-12-19 | Oracle International Corporation | Methods and systems for customer lifecycle definition and categorization |
CN101894014A (zh) * | 2009-05-22 | 2010-11-24 | 镇江雅迅软件有限责任公司 | 客户生命周期在计算机软件***中的实现方法 |
CN101867955A (zh) * | 2010-03-01 | 2010-10-20 | 北京邮电大学 | 基于Gompertz函数的异网用户数预测方法 |
CN104794639A (zh) * | 2015-04-28 | 2015-07-22 | 北京嘀嘀无限科技发展有限公司 | 用于确定用户的历史订单的价值的方法及设备 |
CN105139225A (zh) * | 2015-08-17 | 2015-12-09 | 北京京东世纪贸易有限公司 | 一种确定用户行为能力等级的方法和装置 |
CN106127663A (zh) * | 2016-06-27 | 2016-11-16 | 江苏省邮电规划设计院有限责任公司 | 一种通信用户消费特征属性约简拟合提取方法及数据*** |
Non-Patent Citations (2)
Title |
---|
王荣鑫,张新,姜青: "基于客户生命周期理论的客户保持策略研究", 《企业活力》 * |
陈明亮: "客户生命周期模式研究", 《浙江大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN107845019A (zh) * | 2017-10-23 | 2018-03-27 | 浪潮软件股份有限公司 | 一种订单生成方法及网络销售平台 |
CN107845019B (zh) * | 2017-10-23 | 2021-08-03 | 浪潮软件股份有限公司 | 一种订单生成方法及网络销售平台 |
CN108009855A (zh) * | 2017-12-13 | 2018-05-08 | 北京小度信息科技有限公司 | 数据处理方法、设备和存储介质 |
CN111222932A (zh) * | 2018-11-23 | 2020-06-02 | 北京嘀嘀无限科技发展有限公司 | 订单周期计算方法、装置及电子设备 |
CN111222932B (zh) * | 2018-11-23 | 2023-08-29 | 北京嘀嘀无限科技发展有限公司 | 订单周期计算方法、装置及电子设备 |
CN110298742A (zh) * | 2019-06-14 | 2019-10-01 | 联动优势科技有限公司 | 数据处理方法和装置 |
CN110751515A (zh) * | 2019-10-16 | 2020-02-04 | 北京百分点信息科技有限公司 | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 |
CN113409088A (zh) * | 2021-06-30 | 2021-09-17 | 广州云徙科技有限公司 | 一种推送策略确定方法、执行方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107093091B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107093091A (zh) | 一种数据处理方法和装置 | |
CN109657138A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN106407210B (zh) | 一种业务对象的展示方法和装置 | |
CN103455522B (zh) | 应用程序扩展工具推荐方法及*** | |
JP6846390B2 (ja) | ドメイン間の文法スロットによる分類 | |
CN110060090A (zh) | 推荐商品组合的方法、装置、电子设备及可读存储介质 | |
CN108280749B (zh) | 服务功能入口的展示方法及装置 | |
CN108536694A (zh) | 用户偏好的推测方法、装置和终端设备 | |
CN108875776A (zh) | 模型训练方法和装置、业务推荐的方法和装置、电子设备 | |
CN109784959B (zh) | 一种目标用户预测方法、装置、后台服务器及存储介质 | |
CN106097044A (zh) | 一种数据推荐处理方法以及装置 | |
CN109377328A (zh) | 商家门店地理位置的推荐方法及装置 | |
CN112001754A (zh) | 用户画像生成方法、装置、设备及计算机可读介质 | |
CN107093081A (zh) | 服务策略制定方法和装置 | |
CN109063900A (zh) | 用户转化率预测模型的训练及用户转化率预测方法和装置 | |
CN108446944A (zh) | 一种常驻城市的确定方法、装置及电子设备 | |
CN107993088A (zh) | 一种购买周期预测方法及装置,电子设备 | |
KR102097045B1 (ko) | 사용자의 특성을 반영하여 상품을 추천하는 방법 및 장치 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
CN110298707A (zh) | 一种用于资费套餐场景定价的方法及装置 | |
CN115797005A (zh) | 预测模型的训练、商品推荐方法、装置、电子设备及介质 | |
CN110019774A (zh) | 标签分配方法、装置、存储介质及电子装置 | |
CN109829763A (zh) | 消费能力评估方法及装置、电子设备、存储介质 | |
CN113626734A (zh) | 用户行为引导方法、装置、电子设备及存储介质 | |
CN107562846A (zh) | 一种推荐应用的方法和装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 100096 building N3, Jinyu Zhizao workshop, 27 Jiancai Chengzhong Road, Haidian District, Beijing Applicant after: Beijing Xingxuan Technology Co.,Ltd. Address before: Room 202, 2 floors, 1-3 floors, No. 11 Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: Beijing Xiaodu Information Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210810 |