CN109829757A - 一种最优营销方案的选择方法及装置 - Google Patents
一种最优营销方案的选择方法及装置 Download PDFInfo
- Publication number
- CN109829757A CN109829757A CN201910047083.2A CN201910047083A CN109829757A CN 109829757 A CN109829757 A CN 109829757A CN 201910047083 A CN201910047083 A CN 201910047083A CN 109829757 A CN109829757 A CN 109829757A
- Authority
- CN
- China
- Prior art keywords
- group
- marketing
- marketing program
- program
- test group
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种最优营销方案的选择方法,确定目标人群,对所述目标人群中的每个用户进行编号;根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;对每个所述测试组分别执行一个备选营销方案;对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。本发明实现了分组自动化执行备选营销方案,采用科学的统计分析方法从备选营销方案中选取最优营销方案,提高了选择结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,更具体的,涉及一种最优营销方案的选择方法及装置。
背景技术
当要开展一项营销活动时,中后台运营人员往往需要从多种备选营销方案中选择一种最优营销方案。在最优营销方案的选择过程中,运营人员需要对海量的营销数据进行分析,给运营人员造成了极大的困扰。
目前,一般采用人工主观判断备选营销方案的优劣,人工选择最优营销方案,这种选择最优营销方案的方法主要依靠运营人员的经验,难以保证选择结果的准确性。
发明内容
有鉴于此,本发明提供了一种最优营销方案的选择方法及装置,分组自动化执行备选营销方案,采用科学的统计分析方法从备选营销方案中选取最优营销方案,提高了选择结果的准确性。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种最优营销方案的选择方法,包括:
确定目标人群,对所述目标人群中的每个用户进行编号;
根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
对每个所述测试组分别执行一个备选营销方案;
对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
可选的,所述方法还包括:
采用Activiti工作流引擎对选择最优营销方案的整个执行流程进行配置,并利用Activiti工作流引擎实现对选择最优营销方案的整个执行流程的调度控制。
可选的,所述方法还包括:
将所述目标人群中每个用户的编号保存在hive表中,其中,所述hive表存储在Hadoop平台中。
可选的,所述根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组,包括:
根据所述目标人群中每个用户的编号生成目标人群数组;
将所述目标人群数组随机拆分为多个测试组数组和一个正式组数组;
依据拆分后的多个测试组数组和一个正式组数组,生成hive SQL语句;
执行所述hive SQL语句,生成多个hive表,建立hive表与测试组或正式组之间的对应关系,实现将所述目标人群拆分为多个测试组和一个正式组。
可选的,所述对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,包括:
分别从每个所述测试组的执行结果中提取每个所述测试组中每个预设指标对应的预设指标值;
对于每个所述测试组,根据每个所述预设指标的权重,对每个所述预设指标对应的预设指标值进行加权求和,计算所述测试组的营销得分。
可选的,所述预设指标包括:消息打开率、直投转化率、线索转化率和消息停留时长的至少其中之一。
可选的,在所述将营销得分最高的测试组对应的备选营销方案确定为最优营销方案之后,所述方法还包括:
对所述正式组执行所述最优营销方案。
一种最优营销方案的选择装置,包括:
用户编号单元,用于确定目标人群,对所述目标人群中的每个用户进行编号;
目标人群拆分单元,用于根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
备选方案执行单元,用于对每个所述测试组分别执行一个备选营销方案;
执行结果统计单元,用于对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
可选的,执行结果统计单元,具体用于分别从每个所述测试组的执行结果中提取每个所述测试组中每个预设指标对应的预设指标值;对于每个所述测试组,根据每个所述预设指标的权重,对每个所述预设指标对应的预设指标值进行加权求和,计算所述测试组的营销得分。
其中,可选的,所述预设指标包括:消息打开率、直投转化率、线索转化率和消息停留时长的至少其中之一。
可选的,所述装置还包括:
最优营销方案执行单元,用于对所述正式组执行所述最优营销方案。
可选的,所述装置还包括:
Activiti工作流引擎控制单元,用于采用Activiti工作流引擎对选择最优营销方案的整个执行流程进行配置,并利用Activiti工作流引擎实现对选择最优营销方案的整个执行流程的调度控制。
可选的,所述装置还包括:
数据存储单元,用于将所述目标人群中每个用户的编号保存在hive表中,其中,所述hive表存储在Hadoop平台中。
在此基础上,所述目标人群拆分单元,具体用于根据所述目标人群中每个用户的编号生成目标人群数组;将所述目标人群数组随机拆分为多个测试组数组和一个正式组数组;依据拆分后的多个测试组数组和一个正式组数组,生成hive SQL语句;执行所述hiveSQL语句,生成多个hive表,建立hive表与测试组或正式组之间的对应关系,实现将所述目标人群拆分为多个测试组和一个正式组。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理设备执行时实现上述实施例所述最优营销方案的选择方法。
一种电子设备,所述设备包括:
存储器,用于存储程序;
处理器,用于运行所述程序,当所述处理器运行所述程序时,所述处理器实现了上述实施例所述最优营销方案的选择方法。
相对于现有技术,本发明的有益效果如下:
本发明公开的一种最优营销方案的选择方法及装置,对目标人群中的每个用户进行编号,根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组,对每个测试组分别执行一个备选营销方案,减小用户差异对备选营销方案执行结果的影响。实现了分组自动化执行备选营销方案,采用科学的统计分析方法对每个备选营销方案的执行结果进行量化分析,得到每个测试组的营销得分,将营销得分最高的测试组对应的备选营销方案确定为最优营销方案,提高了选择结果的准确性。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种最优营销方案的选择方法流程示意图;
图2为本发明实施例公开的一种利用数组拆分进行目标人群拆分的方法流程示意图;
图3为本发明实施例公开的一种最优营销方案的选择装置结构示意图。
具体实施方式
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。
本实施例公开了一种最优营销方案的选择方法,请参阅图1,该方法具体包括以下步骤:
S101:确定目标人群,对所述目标人群中的每个用户进行编号;
目标人群是经过用户筛选后圈定的活动人群,其中,可以预先设定筛选标准,依据预先设定的筛选标准对用户进行筛选,得到目标人群。
S102:根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
需要说明的是,将目标人群拆分为多少个测试组是与备选营销方案的数量相关的,具体的,测试组的数量要与备选营销方案的数量相同,便于分别为每个测试组分配一个备选营销方案。
可以根据目标人群的数量设置一定比例的测试组用户,如将目标人群2%的用户作为测试组用户,再根据测试组的数量将一定比例的测试组用户进行分组;还可以设置固定数量的测试组用户,再根据测试组的数量将固定数量的测试组用户进行分组。
如当设置目标人群2%的用户作为测试组用户时,目标人群包括1000万用户,此时将目标人群2%的用户,即20万用户作为测试组用户,将剩余的目标人群的98%的用户,即980万用户作为正式组用户。当前有4个备选营销方案以供选择,则需要在测试组用户中拆分出4个测试组,则每个测试组包括5万用户,最终将目标人群随机拆分为5万、5万、5万、5万和980万,5个组。
S103:对每个所述测试组分别执行一个备选营销方案;
S104:对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
具体的,分别从每个所述测试组的执行结果中提取每个所述测试组中每个预设指标对应的预设指标值;对于每个所述测试组,根据每个所述预设指标的权重,对每个所述预设指标对应的预设指标值进行加权求和,计算所述测试组的营销得分。
可选的,预设指标包括:消息打开率、直投转化率、线索转化率和消息停留时长等的一种或者多种。
对测试组执行相应的备选营销方案后会向测试组中的用户推送备选营销方案的信息,信息中包含备选营销方案所销售的产品或服务的信息或链接,用户打开信息后会浏览该产品或服务的具体信息。
其中,消息打开率表示测试组中打开消息的用户占测试组所有用户的比例;直投转化率表示测试组中打开信息后直接购买产品或服务的用户占测试组所有用户的比例;测试组中用户打开消息后没有直接购买产品或服务,在后台生成该用户的线索,人工坐席根据该线索对该用户进行推荐后用户购买产品或服务,线索转化率表示此类用户占测试组所有用户的比例;消息停留时长表示测试组中用户打开消息后浏览消息的时长。
为了统计以上预设指标,在网页中预先进行埋点,当用户打开消息、购买产品或服务后触发相应的埋点,自动对用户的行为进行记录,如用户打开消息、用户浏览消息的时长、用户购买产品或服务器等。
在预先设定的一段时间后,获取每个测试组的执行结果。例:以三天为基准,对消息打开率a‰,直投转化率b‰,线索转化率c‰,根据预先对每个预设指标设置的权重,对每个预设指标对应的预设指标值进行简单的加权求和,计算测试组的营销得分。
考虑到消息停留时长对最终营销结果的影响,也可以根据每个预设指标对应的预设指标值、每个预设指标的权重、消息停留时长、消息平均停留时长,计算测试组的营销得分,按照以下公式进行加权求和计算,计算出每个测试组的营销得分。
r=(a‰*0.3+b‰*10*0.4+c‰*0.2)*1000+((t-T)/(t+T))*0.1*100
其中,r为该测试组的营销得分,0.3为消息打开率a‰的权重,10*0.4为直投转化率b‰的权重,0.2为线索转化率c‰的权重,t为消息停留时长,T为消息平均停留时长。需要说明的是,消息停留时长为测试组中每个用户浏览消息的时长的和值,消息平均停留时长为测试组中每个用户浏览消息的时长的平均值。
还需要说明的是,当选择出最优营销方案之后,对正式组执行该最优营销方案。
本实施例公开的最优营销方案的选择方法,对目标人群中的每个用户进行编号,根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组,对每个测试组分别执行一个备选营销方案,减小用户差异对备选营销方案执行结果的影响。实现了分组自动化执行备选营销方案,采用科学的统计分析方法对每个备选营销方案的执行结果进行量化分析,得到每个测试组的营销得分,将营销得分最高的测试组对应的备选营销方案确定为最优营销方案,提高了选择结果的准确性。
为了实现自动化执行上述实施例中公开的选择最优营销方案的方法,可以将上述最优营销方案的选择方法预先配置为多个顺序执行的任务,具体可以采用定时任务进行调度。进一步,为了提高***的稳定性以及开发的可维护性,还可以采用Activiti工作流引擎对选择最优营销方案的整个执行流程进行配置,并利用Activiti工作流引擎实现对选择最优营销方案的整个执行流程的调度控制。
具体的,新建一个Activiti Diagram,然后,在ActivitiDiagram中配置选择最优营销方案的整个执行流程中的开始事件、每个任务、以及结束事件的属性,并配置最优营销方案的整个执行流程中任务之间的执行顺序。
进一步,可以采用关系型数据库存储目标人群的分组数据和备选方案执行过程中产生的营销数据,为了满足大批量营销数据的处理需求,还可以采用hive数据仓库结合Hadoop平台的方式存储以及处理大批量的营销数据。
在此基础上,本实施例公开的一种最优营销方案的选择方法,应用于服务器***中,该服务器***中包括部署有Activiti工作流引擎的web服务器和部署有Hadoop平台的服务器,其中,hive数据仓库部署在Hadoop平台上。
可以理解的是,在上述实施例中将目标人群拆分为多个测试组和一个正式组时,直接对目标人群进行随机拆分是很困难的,为了降低对目标人群进行拆分的难度,本实施例提供了一种利用数组拆分进行目标人群拆分的方法,请参阅图2,该方法具体包括以下步骤:
S201:根据目标人群中每个用户的编号生成目标人群数组;
例如,目标人群有1000万用户,目标人群中每个用户的编号为1~10000000,则目标人群数组为[1,2,3,……,10000000],其中,数组中的数字表示目标人群中每个用户的编号。
S202:将目标人群数组随机拆分为多个测试组数组和一个正式组数组;
还以上述设置目标人群2%的用户作为测试组用户为例进行说明,目标人群包括1000万用户,此时将目标人群2%的用户,即20万用户作为测试组用户,将剩余的目标人群的98%的用户,即980万用户作为正式组用户。当前有4个备选营销方案以供选择,则需要在测试组用户中拆分出4个测试组,则每个测试组包括5万用户,最终将目标人群随机拆分为5万、5万、5万、5万和980万,5个组。
根据目标人群的拆分原则实现对目标人群数组的拆分,即将目标人群数组随机拆分为4个测试组数组和1个正式组数组,每个测试组数组中包括5万个变量,正式组数组中包括980万变量,数组中的变量表示用户编号。
S203:依据拆分后的多个测试组数组和一个正式组数组,生成hive SQL语句;
如,其中一个测试组数组为[2,4,89,409,879,1001……],其中,数组中的数字表示测试组中用户的编号,根据该测试组数组生成的hive SQL语句为:
create table customerg1as select tc.memberid,tc.idfromtkubdb.customer tc where tc.id in(2,4,89,409,879,1001……)
S204:执行hive SQL语句,生成多个hive表,建立hive表与测试组或正式组之间的对应关系,实现将目标人群拆分为多个测试组和一个正式组。
即hive表中存储着与其对应的测试组或正式组的用户编号,hive表存储在Hadoop平台中。
具体的,通过hive jdbc建立hive数据仓库与Hadoop平台之间的连接,将所述hiveSQL语句传入hive数据仓库,使hive计算引擎执行所述hive SQL语句,在hive数据仓库中生成多个hive表。
延续上面的例子“目标人群包括1000万用户,每个测试组包括5万用户,则将目标人群随机拆分为5万、5万、5万、5万和980万,5个组”,下面为生成的5个hive表:
第一组5万用户:customerg1
第二组5万用户:customerg2
第三组5万用户:customerg3
第四组5万用户:customerg4
正式组980万用户:customerlast
本实施例公开的最优营销方案的选择方法,采用Activiti工作流引擎,对选择最优营销方案的整个执行流程进行配置,并根据Activiti工作流引擎对整个执行流程的配置,利用Activiti工作流引擎实现对整个执行流程的调度控制,实现了选择最优营销方案整个执行流程按照预先配置逐步标准化的自动化执行,保证了***的稳定性,提高了开发的可维护性。同时,在Hadoop平台上部署hive数据仓库,将目标人群中每个用户的编号保存在hive表中,实现了hive数据仓库和Hadoop平台的紧密结合,提高了数据处理效率,进一步提高了选择最优营销方案的执行效率。
基于上述实施例公开的最优营销方法的选择方法,本实施例对应公开了一种最优营销方案的选择装置,请参阅图3,该最优营销方案的选择装置具体包括:
用户编号单元301,用于确定目标人群,对所述目标人群中的每个用户进行编号;
目标人群拆分单元302,用于根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
备选方案执行单元303,用于对每个所述测试组分别执行一个备选营销方案;
执行结果统计单元304,用于对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
其中,执行结果统计单元304,具体用于分别从每个所述测试组的执行结果中提取每个所述测试组中每个预设指标对应的预设指标值;对于每个所述测试组,根据每个所述预设指标的权重,对每个所述预设指标对应的预设指标值进行加权求和,计算所述测试组的营销得分。
其中,所述预设指标包括:消息打开率、直投转化率、线索转化率和消息停留时长等。
可选的,所述装置还包括:
最优营销方案执行单元,用于对所述正式组执行所述最优营销方案。
可选的,所述装置还包括:
Activiti工作流引擎控制单元,用于采用Activiti工作流引擎对选择最优营销方案的整个执行流程进行配置,并利用Activiti工作流引擎实现对选择最优营销方案的整个执行流程的调度控制。
可选的,所述装置还包括:
数据存储单元,用于将所述目标人群中每个用户的编号保存在hive表中,其中,所述hive表存储在Hadoop平台中。
在此基础上,所述目标人群拆分单元302,具体用于根据所述目标人群中每个用户的编号生成目标人群数组;将所述目标人群数组随机拆分为多个测试组数组和一个正式组数组;依据拆分后的多个测试组数组和一个正式组数组,生成hive SQL语句;执行所述hiveSQL语句,生成多个hive表,建立hive表与测试组或正式组之间的对应关系,实现将所述目标人群拆分为多个测试组和一个正式组。
可见,本实施例公开的最优营销方案的选择装置,实现了分组自动化执行备选营销方案,采用科学的统计分析方法对每个备选营销方案的执行结果进行量化分析,得到每个测试组的营销得分,将营销得分最高的测试组对应的备选营销方案确定为最优营销方案,提高了选择结果的准确性。并且采用Activiti工作流引擎,对选择最优营销方案的整个执行流程进行配置,并根据Activiti工作流引擎对整个执行流程的配置,利用Activiti工作流引擎实现对整个执行流程的调度控制,实现了选择最优营销方案整个执行流程按照预先配置逐步标准化的自动化执行,保证了***的稳定性,提高了开发的可维护性。同时,在Hadoop平台上部署hive数据仓库,将目标人群中每个用户的编号保存在hive表中,实现了hive数据仓库和Hadoop平台的紧密结合,提高了数据处理效率,进一步提高了选择最优营销方案的执行效率。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理设备执行时实现上述最优营销方案的选择方法。
处理设备执行计算机程序时实现以下步骤:
确定目标人群,对所述目标人群中的每个用户进行编号;
根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
对每个所述测试组分别执行一个备选营销方案;
对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
进一步,所述方法还包括:
采用Activiti工作流引擎对选择最优营销方案的整个执行流程进行配置,并利用Activiti工作流引擎实现对选择最优营销方案的整个执行流程的调度控制。
进一步,所述方法还包括:
将所述目标人群中每个用户的编号保存在hive表中,其中,所述hive表存储在Hadoop平台中。
进一步,所述根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组,包括:
根据所述目标人群中每个用户的编号生成目标人群数组;
将所述目标人群数组随机拆分为多个测试组数组和一个正式组数组;
依据拆分后的多个测试组数组和一个正式组数组,生成hive SQL语句;
执行所述hive SQL语句,生成多个hive表,建立hive表与测试组或正式组之间的对应关系,实现将所述目标人群拆分为多个测试组和一个正式组。
进一步,所述对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,包括:
分别从每个所述测试组的执行结果中提取每个所述测试组中每个预设指标对应的预设指标值;
对于每个所述测试组,根据每个所述预设指标的权重,对每个所述预设指标对应的预设指标值进行加权求和,计算所述测试组的营销得分。
进一步,所述预设指标包括:消息打开率、直投转化率、线索转化率和消息停留时长。
进一步,在所述将营销得分最高的测试组对应的备选营销方案确定为最优营销方案之后,所述方法还包括:
对所述正式组执行所述最优营销方案。
本发明实施例提供了一种电子设备,所述设备包括:
存储器,用于存储程序;
处理器,用于运行所述程序,当所述处理器运行所述程序时,所述处理器实现了上述最优营销方案的选择方法。
处理器运行程序时实现以下步骤:
确定目标人群,对所述目标人群中的每个用户进行编号;
根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
对每个所述测试组分别执行一个备选营销方案;
对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
进一步,所述方法还包括:
采用Activiti工作流引擎对选择最优营销方案的整个执行流程进行配置,并利用Activiti工作流引擎实现对选择最优营销方案的整个执行流程的调度控制。
进一步,所述方法还包括:
将所述目标人群中每个用户的编号保存在hive表中,其中,所述hive表存储在Hadoop平台中。
进一步,所述根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组,包括:
根据所述目标人群中每个用户的编号生成目标人群数组;
将所述目标人群数组随机拆分为多个测试组数组和一个正式组数组;
依据拆分后的多个测试组数组和一个正式组数组,生成hive SQL语句;
执行所述hive SQL语句,生成多个hive表,建立hive表与测试组或正式组之间的对应关系,实现将所述目标人群拆分为多个测试组和一个正式组。
进一步,所述对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,包括:
分别从每个所述测试组的执行结果中提取每个所述测试组中每个预设指标对应的预设指标值;
对于每个所述测试组,根据每个所述预设指标的权重,对每个所述预设指标对应的预设指标值进行加权求和,计算所述测试组的营销得分。
进一步,所述预设指标包括:消息打开率、直投转化率、线索转化率和消息停留时长。
进一步,在所述将营销得分最高的测试组对应的备选营销方案确定为最优营销方案之后,所述方法还包括:
对所述正式组执行所述最优营销方案。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
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过程、方法、商品或者设备不仅包括那些要素,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过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种最优营销方案的选择方法,其特征在于,包括:
确定目标人群,对所述目标人群中的每个用户进行编号;
根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
对每个所述测试组分别执行一个备选营销方案;
对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用Activiti工作流引擎对选择最优营销方案的整个执行流程进行配置,并利用Activiti工作流引擎实现对选择最优营销方案的整个执行流程的调度控制。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标人群中每个用户的编号保存在hive表中,其中,所述hive表存储在Hadoop平台中。
4.根据权利要求3所述的方法,其特征在于,所述根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组,包括:
根据所述目标人群中每个用户的编号生成目标人群数组;
将所述目标人群数组随机拆分为多个测试组数组和一个正式组数组;
依据拆分后的多个测试组数组和一个正式组数组,生成hive SQL语句;
执行所述hive SQL语句,生成多个hive表,建立hive表与测试组或正式组之间的对应关系,实现将所述目标人群拆分为多个测试组和一个正式组。
5.根据权利要求1所述的方法,其特征在于,所述对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,包括:
分别从每个所述测试组的执行结果中提取每个所述测试组中每个预设指标对应的预设指标值;
对于每个所述测试组,根据每个所述预设指标的权重,对每个所述预设指标对应的预设指标值进行加权求和,计算所述测试组的营销得分。
6.根据权利要求5所述的方法,其特征在于,所述预设指标包括消息打开率、直投转化率、线索转化率和消息停留时长的至少其中之一。
7.根据权利要求1所述的方法,其特征在于,在所述将营销得分最高的测试组对应的备选营销方案确定为最优营销方案之后,所述方法还包括:
对所述正式组执行所述最优营销方案。
8.一种最优营销方案的选择装置,其特征在于,包括:
用户编号单元,用于确定目标人群,对所述目标人群中的每个用户进行编号;
目标人群拆分单元,用于根据每个用户的编号将目标人群随机拆分为多个测试组和一个正式组;
备选方案执行单元,用于对每个所述测试组分别执行一个备选营销方案;
执行结果统计单元,用于对每个所述测试组的备选营销方案的执行结果进行统计,分别得到每个所述测试组的营销得分,并将营销得分最高的测试组对应的备选营销方案确定为最优营销方案。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理设备执行时实现权利要求1-7中任一所述的最优营销方案的选择方法。
10.一种电子设备,其特征在于,所述设备包括:
存储器,用于存储程序;
处理器,用于运行所述程序,当所述处理器运行所述程序时,所述处理器实现了权利要求1-7中任一所述的最优营销方案的选择方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910047083.2A CN109829757B (zh) | 2019-01-18 | 2019-01-18 | 一种最优营销方案的选择方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910047083.2A CN109829757B (zh) | 2019-01-18 | 2019-01-18 | 一种最优营销方案的选择方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829757A true CN109829757A (zh) | 2019-05-31 |
CN109829757B CN109829757B (zh) | 2021-02-26 |
Family
ID=66861720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910047083.2A Active CN109829757B (zh) | 2019-01-18 | 2019-01-18 | 一种最优营销方案的选择方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829757B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335075A (zh) * | 2019-06-30 | 2019-10-15 | 苏宁消费金融有限公司 | 适于消费金融的智能营销***及其工作方法 |
CN110838031A (zh) * | 2019-11-11 | 2020-02-25 | 深圳乐信软件技术有限公司 | 一种基于ABtest的数据运营方法和装置 |
CN113360218A (zh) * | 2021-06-16 | 2021-09-07 | 北京字节跳动网络技术有限公司 | 一种业务方案选择方法、装置、设备以及存储介质 |
CN113774982A (zh) * | 2021-08-24 | 2021-12-10 | 上海华兴数字科技有限公司 | 作业机械的工作参数离线确定方法、装置及作业机械 |
CN113988617A (zh) * | 2021-10-27 | 2022-01-28 | 中国航空综合技术研究所 | 基于综合效能评估的***测试诊断需求分解计算方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080300833A1 (en) * | 2007-05-29 | 2008-12-04 | Microsoft Corporation | Combiner training and evaluation with random data partition |
US20090012744A1 (en) * | 2007-07-03 | 2009-01-08 | Texas Instruments Incorporated | System and Method for Statistically Evaluating the Operation of Integrated Circuit Fabrication Tools |
CN102521367A (zh) * | 2011-12-16 | 2012-06-27 | 清华大学 | 面向海量数据的分布式处理方法 |
CN106776568A (zh) * | 2016-12-26 | 2017-05-31 | 成都康赛信息技术有限公司 | 基于用户评价的推荐理由生成方法 |
CN107025578A (zh) * | 2017-04-13 | 2017-08-08 | 上海艾德韦宣股份有限公司 | 一种大数据智能营销***及营销方法 |
CN107203910A (zh) * | 2017-05-27 | 2017-09-26 | 科技谷(厦门)信息技术有限公司 | 一种大数据智能精准营销*** |
CN107562632A (zh) * | 2017-09-12 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 针对推荐策略的a/b测试方法及装置 |
CN108510311A (zh) * | 2018-02-28 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种确定营销方案的方法、装置及电子设备 |
CN108540320A (zh) * | 2018-04-03 | 2018-09-14 | 南京华苏科技有限公司 | 基于信令挖掘用户满意度的评估方法 |
CN108845936A (zh) * | 2018-05-31 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种基于海量用户的ab测试方法及*** |
CN109101425A (zh) * | 2018-08-14 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种动态化的页面ab测试的指标埋点方法和装置 |
-
2019
- 2019-01-18 CN CN201910047083.2A patent/CN109829757B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080300833A1 (en) * | 2007-05-29 | 2008-12-04 | Microsoft Corporation | Combiner training and evaluation with random data partition |
US20090012744A1 (en) * | 2007-07-03 | 2009-01-08 | Texas Instruments Incorporated | System and Method for Statistically Evaluating the Operation of Integrated Circuit Fabrication Tools |
CN102521367A (zh) * | 2011-12-16 | 2012-06-27 | 清华大学 | 面向海量数据的分布式处理方法 |
CN106776568A (zh) * | 2016-12-26 | 2017-05-31 | 成都康赛信息技术有限公司 | 基于用户评价的推荐理由生成方法 |
CN107025578A (zh) * | 2017-04-13 | 2017-08-08 | 上海艾德韦宣股份有限公司 | 一种大数据智能营销***及营销方法 |
CN107203910A (zh) * | 2017-05-27 | 2017-09-26 | 科技谷(厦门)信息技术有限公司 | 一种大数据智能精准营销*** |
CN107562632A (zh) * | 2017-09-12 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 针对推荐策略的a/b测试方法及装置 |
CN108510311A (zh) * | 2018-02-28 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种确定营销方案的方法、装置及电子设备 |
CN108540320A (zh) * | 2018-04-03 | 2018-09-14 | 南京华苏科技有限公司 | 基于信令挖掘用户满意度的评估方法 |
CN108845936A (zh) * | 2018-05-31 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种基于海量用户的ab测试方法及*** |
CN109101425A (zh) * | 2018-08-14 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种动态化的页面ab测试的指标埋点方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335075A (zh) * | 2019-06-30 | 2019-10-15 | 苏宁消费金融有限公司 | 适于消费金融的智能营销***及其工作方法 |
CN110838031A (zh) * | 2019-11-11 | 2020-02-25 | 深圳乐信软件技术有限公司 | 一种基于ABtest的数据运营方法和装置 |
CN113360218A (zh) * | 2021-06-16 | 2021-09-07 | 北京字节跳动网络技术有限公司 | 一种业务方案选择方法、装置、设备以及存储介质 |
CN113360218B (zh) * | 2021-06-16 | 2024-06-07 | 抖音视界有限公司 | 一种业务方案选择方法、装置、设备以及存储介质 |
CN113774982A (zh) * | 2021-08-24 | 2021-12-10 | 上海华兴数字科技有限公司 | 作业机械的工作参数离线确定方法、装置及作业机械 |
CN113988617A (zh) * | 2021-10-27 | 2022-01-28 | 中国航空综合技术研究所 | 基于综合效能评估的***测试诊断需求分解计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829757B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829757A (zh) | 一种最优营销方案的选择方法及装置 | |
Ikeziri et al. | Theory of constraints: review and bibliometric analysis | |
Veliz et al. | Stochastic optimization models in forest planning: a progressive hedging solution approach | |
Barroso et al. | Nash equilibrium in strategic bidding: A binary expansion approach | |
US20180322404A1 (en) | Time Series Based Data Prediction Method and Apparatus | |
CN109657138A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN105488216A (zh) | 基于隐式反馈协同过滤算法的推荐***及方法 | |
Palma et al. | A robust optimization approach protected harvest scheduling decisions against uncertainty | |
CN107346502A (zh) | 一种基于大数据的迭代产品销售预测方法 | |
MX2015007248A (es) | Metodo y dispositivo para visualizar software de aplicacion. | |
CN105354133A (zh) | 一种游戏日志数据的处理方法及装置 | |
Polo et al. | Liberalizing the gas industry: Take-or-pay contracts, retail competition and wholesale trade | |
Barquín et al. | Cournot equilibrium calculation in power networks: An optimization approach with price response computation | |
Kornevs et al. | Cloud computing evaluation based on financial metrics | |
CN103577455A (zh) | 用于数据库聚集操作的数据处理方法和*** | |
CN107368501B (zh) | 数据的处理方法及装置 | |
CN110490635B (zh) | 商户菜品交易预测及备餐方法及装置 | |
Gorman et al. | NEMOSIS–NEM open source information service; open-source access to australian national electricity market data | |
Al‐Gwaiz et al. | Capacity expansion and cost efficiency improvement in the warehouse problem | |
Baslis et al. | Optimal yearly scheduling of generation and pumping for a price-maker hydro producer | |
Peng et al. | A simplified multi‐objective genetic algorithm optimization model for canal scheduling | |
US20230222400A1 (en) | Method and system for resource management | |
CN109146316A (zh) | 电力营销稽查方法、装置及计算机可读存储介质 | |
Pham | Market power issues in liberalized wholesale electricity markets: A review of the literature with a look into the future | |
Arezooji | A Big Data Analysis of the Ethereum Network: from Blockchain to Google Trends |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Floor 36, Zheshang Building, No. 718 Jianshe Avenue, Jiang'an District, Wuhan, Hubei 430019 Patentee after: TK.CN INSURANCE Co.,Ltd. Patentee after: TAIKANG INSURANCE GROUP Co.,Ltd. Address before: Taikang Life Building, 156 fuxingmennei street, Xicheng District, Beijing 100031 Patentee before: TAIKANG INSURANCE GROUP Co.,Ltd. Patentee before: TK.CN INSURANCE Co.,Ltd. |