CN110503453A - 消费行为分析方法、装置、计算机设备及存储介质 - Google Patents
消费行为分析方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110503453A CN110503453A CN201910606166.0A CN201910606166A CN110503453A CN 110503453 A CN110503453 A CN 110503453A CN 201910606166 A CN201910606166 A CN 201910606166A CN 110503453 A CN110503453 A CN 110503453A
- Authority
- CN
- China
- Prior art keywords
- consumption
- user
- label
- subtab
- attribute tags
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了消费行为分析方法、装置、计算机设备及存储介质，采用标签化的方式对用户的个人信息数据进行初步分析，将相同标签的用户放在同一集合中；再通过标签化的方式分别对每一用户的消费信息进行行为分析，从而划分出具有相同消费行为对应的用户群体，根据消费行为确定该用户群体偏好的消费倾向，获取相应的消费定位信息从而获取该用户群体的消费倾向。本发明以用户的消费信息为基础进行多维度消费标签的消费偏好分析，获取的分析结果更加全面具体，具有实际应用意义的数据集合。
Description
技术领域
本发明涉及金融领域，尤其涉及消费行为分析方法、装置、计算机设备及存储介质。
背景技术
消费者行为研究，是市场调研中最普通、最经常实施的一项研究。是指对消费者为获取、使用物品所采用的各种行动以及事先决定这些行动的决策过程的定量研究和定性研究。该项研究除了可以了解消费者是如何获取产品与服务，还可以了解消费者是如何消费产品。因此，它是营销决策的基础，与企业市场的营销活动密不可分。对于消费者行为的分析虽然仅有几十年的时间，但是已引起了多方的关注，不同的学科从不同的领域研究、探索，提出了各具特色的购买行为模式，这些模式对于企业市场营销活动中弄清特定的购买者行为及其与企业各项营销方针、方法和策略的关系，掌握规律性以诱发有利的购买行为有着重要的参考价值。但是现有的消费者行为的分析普遍采用问卷调查的形式获取数据源，需要耗费大量的人力物力，主要是针对实体行业，如商场购买等分析的维度有限无法全面的反映消费者的消费行为。
发明内容
针对现有的消费者行为的分析需要耗费大量的人力物力且分析维度有限的问题，现提供一种可降低人力物力全面多维度的对用户的消费行为进行统计的消费行为分析方法、装置、计算机设备及存储介质。
为实现上述目的，本发明提供一种消费行为分析方法，提供一存储数据源的数据库，所述数据源为用户的个人信息数据；所述方法包括：
从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签；
获取所有用户的用户属性标签，对所有用户属性标签进行相似度匹配，将属性标签相同的用户组合在一起，形成一属性用户集合；
获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签；
将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息。
优选的，从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签，包括：
从所述数据库中提取所述用户的个人信息数据；
将个人信息数据中的每一项个人数据与预先存储的属性标签进行匹配，以获取与用户的所有个人数据匹配的属性标签；
所述属性标签包括：性别，和/或学历，和/或婚姻状况，和/或国籍，和/或城市，和/或年龄阶段。
优选的，从所述数据库中获取用户的个人信息数据，将个人数据与预先存储的属性标签进行匹配，形成用户的属性标签还包括：以预设周期更新所述数据库中的所述用户的个人信息数据，将更新后的个人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签。
优选的，所述消费标签包括：消费方式、消费兴趣、消费额度和消费频率；
所述消费方式对应的标签包括：快捷支付子标签和刷卡支付子标签；
所述消费兴趣对应的标签包括：出行类子标签、健身类子标签、观影类子标签、餐饮类子标签、母婴类子标签、电竞类子标签、保险类子标签、数码类子标签、美妆个人护理类子标签、营养保健类子标签和服饰类子标签；
所述消费额度对应的标签为预设金额区间内消费金额的标签；
所述消费频率对应的标签为预设时间内消费的次数的标签。
优选的，获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签，包括：
提取所述用户的消费信息，对所述消费信息进行解析获取至少一项消费数据，分别每一所述消费数据与所述消费标签中的子标签进行匹配，获取与所述消费数据匹配的消费子标签；
基于所述消费子标签生成与所述消费信息对应的消费组合标签。
优选的，获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签，还包括：
以预设周期对所述消费组合标签进行更新。
优选的，在所述步骤S4中，将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息，包括：
将相同消费组合标签对应用户的属性标签聚集在一起形成一属性标签集合，对该属性标签集合中用户的属性标签进行统计分类，获取每一属性标签在该属性标签集合中的百分比，将消费组合标签与百分比大于预设阈值的属性标签组合在一起生成应用标签集合。
为实现上述目的，本发明提供一种消费行为分析装置，包括：
存储单元，用于存储数据源，所述数据源为用户的个人信息数据；
属性划分单元，用于从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签；
分类单元，用于获取所有用户的用户属性标签，对所有用户属性标签进行相似度匹配，将属性标签相同的用户组合在一起，形成一属性用户集合；
处理单元，用于获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签；
聚合单元，用于将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息。
为实现上述目的，本发明提供一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
为实现上述目的，本发明提供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器执行时实现上述方法的步骤。
本发明提供的消费行为分析方法、装置、计算机设备及存储介质，采用标签化的方式对用户的个人信息数据进行初步分析，将相同标签的用户放在同一集合中；再通过标签化的方式分别对每一用户的消费信息进行行为分析，从而划分出具有相同消费行为对应的用户群体，根据消费行为确定该用户群体偏好的消费倾向，获取相应的消费定位信息从而获取该用户群体的消费倾向。本发明以用户的消费信息为基础进行多维度消费标签的消费偏好分析，获取的分析结果更加全面具体，具有实际应用意义的数据集合。
附图说明
图1为本发明所述的消费行为分析方法的一种实施例的流程图；
图2为本发明所述的消费行为分析方法的另一种实施例的流程图；
图3为本发明所述的消费行为分析装置的一种实施例的模块图；
图4为本发明所述的计算机设备一实施例的硬件架构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
本发明的消费行为分析方法、装置、计算机设备及存储介质，适用于精准推送、个性化营销及风险防控等领域，提供了一种从多个角度考虑用户消费行为的分析方法。采用标签化的方式对用户的个人信息数据进行初步分析，将相同标签的用户放在同一集合中；再通过标签化的方式分别对每一用户的消费信息进行行为分析，从而划分出具有相同消费行为对应的用户群体，根据消费行为确定该用户群体偏好的消费倾向，获取相应的消费定位信息从而获取该用户群体的消费倾向。本发明以用户的消费信息为基础进行多维度消费标签的消费偏好分析，获取的分析结果更加全面具体，具有实际应用意义的数据集合。
实施例一
请参阅图1，本实施例的一种消费行为分析方法，可应用银行等金融***中，提供一存储数据源的数据库，所述数据源为用户的个人信息数据；所述方法包括：
S1.从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签；
在实际应用中，用户的个人信息数据可以是用户提交的申卡信息、投保信息及用户使用***的用卡(消费)数据等包含有用户个人数据的信息。
所述步骤S1，从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签，包括：
从所述数据库中提取所述用户的个人信息数据；
将个人信息数据中的每一项个人数据与预先存储的属性标签进行匹配，以获取与用户的所有个人数据匹配的属性标签；
需要说明的是，对用户的个人信息数据进行预处理是指对用户的个人信息数据进行筛选过滤，过滤掉与属性标签无关的信息，如政治面貌情况、手机号、电子邮箱等信息。用户的个人信息数据中每一项数据对应一标识，部分标识与属性标签关联，在进行预处理时将个人信息数据中每一项数据的标识与属性标签对应的标识进行匹配，过滤掉不匹配的标识，提取匹配的标识对应的数据。
所述属性标签包括：性别，和/或学历，和/或婚姻状况，和/或国籍，和/或城市，和/或年龄阶段。
具体地，性别对应的属性标签包括：男性子标签、女性子标签；学历对应的属性标签包括：大专以下学历子标签、大专学历标签、大专以上学历标签；婚姻状况对应的属性标签包括：已婚子标签、未婚子标签；国籍对应的属性标签需是具体的国籍子标签；城市对应的属性标签需是具体的城市子标签；年龄阶段对应的属性标签可包括：儿童(0至6岁)子标签、少年(7至17岁)子标签、青年(18至35岁)子标签、中年(36至45岁)子标签、中老年(46至65岁)子标签、老年(65岁+)子标签。
由于用户的年龄会随着时间的推移发生变化，而其他数据基本初次采集后不会再发生变化。因此步骤S1还可包括：以预设周期(如：一年)更新所述数据库中的所述用户的个人信息数据(主要是年龄信息)，将更新后的个人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签，以保证个人信息数据的准确性。
S2.获取所有用户的用户属性标签，对所有用户属性标签进行相似度匹配，将属性标签相同的用户组合在一起，形成一属性用户集合；
在本步骤中，相同的属性子标签将用户初步划分，形成属性用户集合，实现了根据用户的个人信息数据对用户人群划分的目的。
S3.获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签；
进一步地，所述消费标签包括：消费方式、消费兴趣、消费额度和消费频率。
所述消费方式对应的标签包括：快捷支付子标签和刷卡支付子标签。
所述消费兴趣对应的标签包括：出行类子标签(如：公交地铁、飞机、火车、自驾、骑车等)、健身类子标签、观影类子标签、餐饮类子标签、母婴类子标签、电竞类子标签、保险类子标签、数码类子标签、美妆个人护理类子标签、营养保健类子标签和服饰类子标签。
所述消费额度对应的标签为预设金额区间内消费金额的标签。
作为举例而非限定，所述消费额度对应的标签可包括：小于10元类子标签，大于或等于10且小于50元类子标签，大于或等于50且小于100元类子标签，大于或等于100且小于200元类子标签，大于或等于200且小于500元类子标签，大于或等于500且小于800元类子标签，大于或等于800且小于1000元类子标签，大于或等于1000且小于3000元类子标签，大于或等于3000且小于5000元类子标签，大于或等于5000子标签。
需要说明的是：还可根据每一消费兴趣对应的标签对消费额度进行分级划分，如：
观影类子标签对应的消费额度子标签可包括：小于10元(含)类子标签，10-30(含)元类子标签，大于30元类子标签；
餐饮类子标签对应的消费额度子标签可包括：小于20元(含)类子标签，20-50元(含)类子标签，大于50元类子标签；
自驾类子标签(可通过加油类消费确定)对应的消费额度子标签可包括：小于100元(含)类子标签，100-200元(含)类子标签，大于200元类子标签。
所述消费频率对应的标签为预设时间内消费的次数的标签。
消费频率是对用户近期消费以类别区分，对正负交易的消费笔数进行聚合累计。其中对于出现负交易的情况，将多次出现的负交易以客户号、授权码、交易时间等条件进行分组后聚合处理，聚合条件相同的数据只计一次，以聚合后的结果同正交易的数据累计结果做差集后为消费频率。这是每天变动更新的数据。其中，聚合结果＝正交易集-负交易集。
所述步骤S3，获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签，可包括(参考图2)：
S31.提取所述用户的消费信息，对所述消费信息进行解析获取至少一项消费数据，分别每一所述消费数据与所述消费标签中的子标签进行匹配，获取与所述消费数据匹配的消费子标签；
S32.基于所述消费子标签生成与所述消费信息对应的消费组合标签。
在本步骤中，消费组合标签(与消费行为对应)是用户基于消费兴趣的基础上，在不同时间点上，对不同商品类别通过不同的消费方式所消费的金额的行为标签。
例如：出生于2001年1月2日的王某在2019年1月2日生日月通过淘宝购买电影券花费9.9元。该消费行为对应的标签如下：
属性标签：少年->青年(经年龄标签更新)；
消费标签：消费方式-快捷支付(淘宝购买)，消费额度-花费9.9元，消费兴趣-观影类(购买电影券)。依此消费组合标签即为：观影类，小于10元，快捷支付。
消费组合标签是将消费方式、消费频率、消费兴趣、消费额度标签组合在一起形成的标签。通过消费组合标签可体现用户的消费行为。
需要说明的是：所述步骤S3还可包括：
以预设周期(如一天)对所述消费组合标签进行更新，以保证消费信息的实时性。
S4.将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息。
具体地，将相同消费组合标签对应用户的属性标签聚集在一起形成一属性标签集合，对该属性标签集合中用户的属性标签进行统计分类，获取每一属性标签在该属性标签集合中的百分比，将消费组合标签与百分比大于预设阈值的属性标签组合在一起生成应用标签集合。
其中，预设阈值可以是0.75、0.8或0.85等，该预设阈值可根据实际情况进行设定。
所述消费定位信息为与所述应用标签集合对应的消费定位信息组成的消费行为预测信息。
消费定位信息可体现出用户的消费水平、消费倾向等多方面的内容。根据该消费定位信息可向用户推送与其兴趣爱好、关注点相关度高的产品或服务，提升用户的体验效果，实现个性化话营销的目的，还可根据该消费定位信息进行相应的风险防控。依据生成的应用标签集合可在同等情况下满足相同类别的用户人群时，推送相应的消费行为。通过消费行为的聚焦，打造数据赋能的生态链。
在本实施例中，采用标签化的方式对用户的个人信息数据进行初步分析，将相同标签的用户放在同一集合中；再通过标签化的方式分别对每一用户的消费信息进行行为分析，从而划分出具有相同消费行为对应的用户群体，根据消费行为确定该用户群体偏好的消费倾向，获取相应的消费定位信息从而获取该用户群体的消费倾向。本发明以用户的消费信息为基础进行多维度消费标签的消费偏好分析，获取的分析结果更加全面具体，具有实际应用意义的数据集合。
实施例二
如图3所示，一种消费行为分析装置1，包括：存储单元11、属性划分单元12、分类单元13、处理单元14和聚合单元15；其中：
存储单元11，用于存储数据源，所述数据源为用户的个人信息数据；
属性划分单元12，用于从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签；
在实际应用中，用户的个人信息数据可以是用户提交的申卡信息、投保信息及用户使用***的用卡(消费)数据等包含有用户个人数据的信息。
对所述用户的个人信息数据进行属性标签化具体可包括：
从所述数据库中提取所述用户的个人信息数据；
将个人信息数据中的每一项个人数据与预先存储的属性标签进行匹配，以获取与用户的所有个人数据匹配的属性标签；
需要说明的是，对用户的个人信息数据进行预处理是指对用户的个人信息数据进行筛选过滤，过滤掉与属性标签无关的信息，如政治面貌情况、手机号、电子邮箱等信息。
所述属性标签包括：性别，和/或学历，和/或婚姻状况，和/或国籍，和/或城市，和/或年龄阶段。
具体地，性别对应的属性标签包括：男性子标签、女性子标签；学历对应的属性标签包括：大专以下学历子标签、大专学历标签、大专以上学历标签；婚姻状况对应的属性标签包括：已婚子标签、未婚子标签；国籍对应的属性标签需是具体的国籍子标签；城市对应的属性标签需是具体的城市子标签；年龄阶段对应的属性标签可包括：儿童(0至6岁)子标签、少年(7至17岁)子标签、青年(18至35岁)子标签、中年(36至45岁)子标签、中老年(46至65岁)子标签、老年(65岁+)子标签。
由于用户的年龄会随着时间的推移发生变化，而其他数据基本初次采集后不会再发生变化。因此步骤S1还可包括：以预设周期(如：一年)更新所述用户的个人信息数据(主要是年龄信息)，基于更新后的个人信息数据进行属性标签化，以保证个人信息数据的准确性。
分类单元13，用于获取所有用户的用户属性标签，对所有用户属性标签进行相似度匹配，将属性标签相同的用户组合在一起，形成一属性用户集合；
相同的属性子标签将用户初步划分，形成属性用户集合，实现了根据用户的个人信息数据对用户人群划分的目的。
处理单元14，用于获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签；
进一步地，所述消费标签可包括：消费方式、消费兴趣、消费额度和消费频率。
所述消费方式对应的标签包括：快捷支付子标签和刷卡支付子标签。
所述消费兴趣对应的标签包括：出行类子标签(如：公交地铁、飞机、火车、自驾、骑车等)、健身类子标签、观影类子标签、餐饮类子标签、母婴类子标签、电竞类子标签、保险类子标签、数码类子标签、美妆个人护理类子标签、营养保健类子标签和服饰类子标签。
所述消费额度对应的标签为预设金额区间内消费金额的标签。
作为举例而非限定，所述消费额度对应的标签可包括：小于10元类子标签，大于或等于10且小于50元类子标签，大于或等于50且小于100元类子标签，大于或等于100且小于200元类子标签，大于或等于200且小于500元类子标签，大于或等于500且小于800元类子标签，大于或等于800且小于1000元类子标签，大于或等于1000且小于3000元类子标签，大于或等于3000且小于5000元类子标签，大于或等于5000子标签。
需要说明的是：还可根据每一消费兴趣对应的标签对消费额度进行分级划分，如：
观影类子标签对应的消费额度子标签可包括：小于10元(含)类子标签，10-30(含)元类子标签，大于30元类子标签；
餐饮类子标签对应的消费额度子标签可包括：小于20元(含)类子标签，20-50元(含)类子标签，大于50元类子标签；
自驾类子标签(可通过加油类消费确定)对应的消费额度子标签可包括：小于100元(含)类子标签，100-200元(含)类子标签，大于200元类子标签。
所述消费频率对应的标签为预设时间内消费的次数的标签。
消费频率是对用户近期消费以类别区分，对正负交易的消费笔数进行聚合累计。其中对于出现负交易的情况，将多次出现的负交易以客户号、授权码、交易时间等条件进行分组后聚合处理，聚合条件相同的数据只计一次，以聚合后的结果同正交易的数据累计结果做差集后为消费频率。这是每天变动更新的数据。其中，聚合结果＝正交易集-负交易集。
所述处理单元14获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签，可包括的过程有：
提取所述用户的消费信息，对所述消费信息进行解析获取至少一项消费数据，分别每一所述消费数据与所述消费标签中的子标签进行匹配，获取与所述消费数据匹配的消费子标签；
基于所述消费子标签生成与所述消费信息对应的消费组合标签。
其中，消费组合标签(与消费行为对应)是用户基于消费兴趣的基础上，在不同时间点上，对不同商品类别通过不同的消费方式所消费的金额的行为标签。
例如：出生于2001年1月2日的王某在2019年1月2日生日月通过淘宝购买电影券花费9.9元。该消费行为对应的标签如下：
属性标签：少年->青年(经年龄标签更新)；
消费标签：消费方式-快捷支付(淘宝购买)，消费额度-花费9.9元，消费兴趣-观影类(购买电影券)。依此消费组合标签即为：观影类，9.9元，快捷支付。
消费组合标签是将消费方式、消费频率、消费兴趣、消费额度标签组合在一起形成的标签。通过消费组合标签可体现用户的消费行为。
需要说明的是：所述步骤S3还可包括：
以预设周期(如一天)对所述消费组合标签进行更新，以保证消费信息的实时性。
聚合单元15，用于将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息。
具体地，将相同消费组合标签对应用户的属性标签聚集在一起形成一属性标签集合，对该属性标签集合中用户的属性标签进行统计分类，获取每一属性标签在该属性标签集合中的百分比，将消费组合标签与百分比大于预设阈值的属性标签组合在一起生成应用标签集合。
其中，预设阈值可以是0.75、0.8或0.85等，该预设阈值可根据实际情况进行设定。
所述消费定位信息为与所述应用标签集合对应的消费定位信息组成的消费行为预测信息。
消费定位信息可体现出用户的消费水平、消费倾向等多方面的内容。根据该消费定位信息可向用户推送与其兴趣爱好、关注点相关度高的产品或服务，提升用户的体验效果，实现个性化话营销的目的，还可根据该消费定位信息进行相应的风险防控。依据生成的应用标签集合可在同等情况下满足相同类别的用户人群时，推送相应的消费行为。通过消费行为的聚焦，打造数据赋能的生态链。
在本实施例中，采用标签化的方式对用户的个人信息数据进行初步分析，将相同标签的用户放在同一集合中；再通过标签化的方式分别对每一用户的消费信息进行行为分析，从而划分出具有相同消费行为对应的用户群体，根据消费行为确定该用户群体偏好的消费倾向，获取相应的消费定位信息从而获取该用户群体的消费倾向。本发明以用户的消费信息为基础进行多维度消费标签的消费偏好分析，获取的分析结果更加全面具体，具有实际应用意义的数据集合。
实施例三
为实现上述目的，本发明还提供一种计算机设备2，该计算机设备2包括多个计算机设备2，实施例二的消费行为分析装置1的组成部分可分散于不同的计算机设备2中，计算机设备2可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备2至少包括但不限于：可通过***总线相互通信连接的存储器21、处理器23、网络接口22以及消费行为分析装置1(参考图4)。需要指出的是，图4仅示出了具有组件-的计算机设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，所述存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元11，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括计算机设备2的内部存储单元11也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作***和各类应用软件，例如实施例一的消费行为分析方法的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器23在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器23通常用于控制计算机设备2的总体操作例如执行与所述计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器23用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的消费行为分析装置1等。
所述网络接口22可包括无线网络接口或有线网络接口，该网络接口22通常用于在所述计算机设备2与其他计算机设备2之间建立通信连接。例如，所述网络接口22用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global Systemof Mobile communication，GSM)、宽带码分多址(WidebandCode DivisionMultiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图4仅示出了具有部件21-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的所述消费行为分析装置1还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器23)所执行，以完成本发明。
实施例四：
为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器23执行时实现相应功能。本实施例的计算机可读存储介质用于存储消费行为分析装置1，被处理器23执行时实现实施例一的消费行为分析方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法可借助软件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，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种消费行为分析方法，其特征在于，提供一存储数据源的数据库，所述数据源为用户的个人信息数据；所述方法包括：
从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签；
获取所有用户的用户属性标签，对所有用户属性标签进行相似度匹配，将属性标签相同的用户组合在一起，形成一属性用户集合；
获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签；
将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息。
2.根据权利要求1所述的消费行为分析方法，其特征在于，从所述数据库中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签，包括：
从所述数据库中提取所述用户的个人信息数据；
将个人信息数据中的每一项个人数据与预先存储的属性标签进行匹配，以获取与用户的所有个人数据匹配的属性标签；
所述属性标签包括：性别，和/或学历，和/或婚姻状况，和/或国籍，和/或城市，和/或年龄阶段。
3.根据权利要求1所述的消费行为分析方法，其特征在于，从所述数据库中获取用户的个人信息数据，将个人数据与预先存储的属性标签进行匹配，形成用户的属性标签还包括：以预设周期更新所述数据库中的所述用户的个人信息数据，将更新后的个人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签。
4.根据权利要求1所述的消费行为分析方法，其特征在于，所述消费标签包括：消费方式、消费兴趣、消费额度和消费频率；
所述消费方式对应的标签包括：快捷支付子标签和刷卡支付子标签；
所述消费兴趣对应的标签包括：出行类子标签、健身类子标签、观影类子标签、餐饮类子标签、母婴类子标签、电竞类子标签、保险类子标签、数码类子标签、美妆个人护理类子标签、营养保健类子标签和服饰类子标签；
所述消费额度对应的标签为预设金额区间内消费金额的标签；
所述消费频率对应的标签为预设时间内消费的次数的标签。
5.根据权利要求4所述的消费行为分析方法，其特征在于，获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签，包括：
提取所述用户的消费信息，对所述消费信息进行解析获取至少一项消费数据，分别每一所述消费数据与所述消费标签中的子标签进行匹配，获取与所述消费数据匹配的消费子标签；
基于所述消费子标签生成与所述消费信息对应的消费组合标签。
6.根据权利要求5所述的消费行为分析方法，其特征在于，所述获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签，还包括：
以预设周期对所述消费组合标签进行更新。
7.根据权利要求4所述的消费行为分析方法，其特征在于，将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息，包括：
将相同消费组合标签对应用户的属性标签聚集在一起形成一属性标签集合，对该属性标签集合中用户的属性标签进行统计分类，获取每一属性标签在该属性标签集合中的百分比，将消费组合标签与百分比大于预设阈值的属性标签组合在一起生成应用标签集合。
8.一种消费行为分析装置，其特征在于，包括：
存储单元，用于存储数据源，所述数据源为用户的个人信息数据；
属性划分单元，用于从所述存储单元中获取用户的个人信息数据，将人信息数据与预先存储的属性标签进行匹配，形成用户的属性标签；
分类单元，用于获取所有用户的用户属性标签，对所有用户属性标签进行相似度匹配，将属性标签相同的用户组合在一起，形成一属性用户集合；
处理单元，用于获取用户消费信息，将用户的消费信息与预设的消费标签进行匹配，并基于消费标签生成与所述消费信息对应的消费组合标签；
聚合单元，用于将相同消费组合标签对应的用户属性标签聚合在一起，生成应用标签集合，每一应用标签集合对应相应的消费定位信息。
9.一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权力要求1至7任一项所述方法的步骤。
10.一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器执行时实现权力要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910606166.0A CN110503453A (zh) | 2019-07-05 | 2019-07-05 | 消费行为分析方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910606166.0A CN110503453A (zh) | 2019-07-05 | 2019-07-05 | 消费行为分析方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110503453A true CN110503453A (zh) | 2019-11-26 |
Family
ID=68586110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910606166.0A Pending CN110503453A (zh) | 2019-07-05 | 2019-07-05 | 消费行为分析方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503453A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111078816A (zh) * | 2019-12-16 | 2020-04-28 | 秒针信息技术有限公司 | 基于位置的分析方法、装置、终端及存储介质 |
| CN112084242A (zh) * | 2020-09-02 | 2020-12-15 | 深圳市铭数信息有限公司 | 一种消费信息的展示方法、装置、终端及介质 |
| CN112258209A (zh) * | 2020-09-01 | 2021-01-22 | 武汉策微信息科技有限公司 | 一种客户智能分级及跟踪*** |
| CN112561642A (zh) * | 2020-12-16 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 多维度产品对比分析方法、装置、计算机设备及存储介质 |
| CN116823382A (zh) * | 2023-05-17 | 2023-09-29 | 南京邮电大学 | 一种基于大数据的产品推广方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106790570A (zh) * | 2016-12-27 | 2017-05-31 | 山东开创云软件有限公司 | 一种消费者行为分析管理***及其分析方法 |
| CN108769190A (zh) * | 2018-05-28 | 2018-11-06 | 广州招点信息科技有限公司 | 一种基于用户消费行为的活动邀请推送方法及*** |
| CN109118283A (zh) * | 2018-08-10 | 2019-01-01 | 云南数金科技有限公司 | 基于大数据的精准营销服务*** |
| CN109711872A (zh) * | 2018-12-14 | 2019-05-03 | 中国平安人寿保险股份有限公司 | 基于大数据分析的广告投放方法及装置 |
| CN109919652A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 用户群体分类方法、装置、设备及存储介质 |
| CN109934721A (zh) * | 2019-01-18 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、装置、设备及存储介质 |
-
2019
- 2019-07-05 CN CN201910606166.0A patent/CN110503453A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106790570A (zh) * | 2016-12-27 | 2017-05-31 | 山东开创云软件有限公司 | 一种消费者行为分析管理***及其分析方法 |
| CN108769190A (zh) * | 2018-05-28 | 2018-11-06 | 广州招点信息科技有限公司 | 一种基于用户消费行为的活动邀请推送方法及*** |
| CN109118283A (zh) * | 2018-08-10 | 2019-01-01 | 云南数金科技有限公司 | 基于大数据的精准营销服务*** |
| CN109711872A (zh) * | 2018-12-14 | 2019-05-03 | 中国平安人寿保险股份有限公司 | 基于大数据分析的广告投放方法及装置 |
| CN109919652A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 用户群体分类方法、装置、设备及存储介质 |
| CN109934721A (zh) * | 2019-01-18 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、装置、设备及存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111078816A (zh) * | 2019-12-16 | 2020-04-28 | 秒针信息技术有限公司 | 基于位置的分析方法、装置、终端及存储介质 |
| CN111078816B (zh) * | 2019-12-16 | 2023-08-25 | 秒针信息技术有限公司 | 基于位置的分析方法、装置、终端及存储介质 |
| CN112258209A (zh) * | 2020-09-01 | 2021-01-22 | 武汉策微信息科技有限公司 | 一种客户智能分级及跟踪*** |
| CN112084242A (zh) * | 2020-09-02 | 2020-12-15 | 深圳市铭数信息有限公司 | 一种消费信息的展示方法、装置、终端及介质 |
| CN112561642A (zh) * | 2020-12-16 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 多维度产品对比分析方法、装置、计算机设备及存储介质 |
| CN112561642B (zh) * | 2020-12-16 | 2024-04-09 | 中国平安人寿保险股份有限公司 | 多维度产品对比分析方法、装置、计算机设备及存储介质 |
| CN116823382A (zh) * | 2023-05-17 | 2023-09-29 | 南京邮电大学 | 一种基于大数据的产品推广方法 |
| CN116823382B (zh) * | 2023-05-17 | 2024-01-05 | 南京邮电大学 | 一种基于大数据的产品推广方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503453A (zh) | 消费行为分析方法、装置、计算机设备及存储介质 | |
| US10733647B2 (en) | Cumulative evaluation and review systems and methods | |
| Bhattacharya et al. | Doing better at doing good: When, why, and how consumers respond to corporate social initiatives | |
| US20190205993A1 (en) | Transaction data categorizer system and method | |
| WO2020001106A1 (zh) | 分类模型的训练方法、店铺分类的方法及装置 | |
| CN109934619A (zh) | 用户画像标签建模方法、装置、电子设备及可读存储介质 | |
| US10902341B1 (en) | Machine learning based list recommendations | |
| Tsai et al. | Customer segmentation issues and strategies for an automobile dealership with two clustering techniques | |
| US11080624B2 (en) | Application programming interface for a learning concierge system and method | |
| Choi et al. | The effects of product attributes and service quality of transportation card solutions on service user’s continuance and word-of-mouth intention | |
| CN106611344A (zh) | 挖掘潜在客户的方法及装置 | |
| Kumar et al. | Data mining and machine learning in retail business: developing efficiencies for better customer retention | |
| CN110033331A (zh) | 一种优惠券的发放方法、***及终端设备 | |
| US20130204823A1 (en) | Tools and methods for determining relationship values | |
| CN108628866A (zh) | 数据融合的方法和装置 | |
| CN109118316A (zh) | 线上店铺真实性的识别方法和装置 | |
| CN110992111A (zh) | 基于大数据的投保人用户画像挖掘方法 | |
| CN111784449A (zh) | 数据推送方法、设备、存储介质及装置 | |
| US20130262355A1 (en) | Tools and methods for determining semantic relationship indexes | |
| Leimeister et al. | RFID as enabler for the boundless real-time organisation: empirical insights from Germany | |
| Rezaei et al. | Apps shoppers' behaviour and the moderating effect of product standardisation/brand recognition: A maximum likelihood estimation approach | |
| CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
| US20130159091A1 (en) | Hosted website access prompted by product | |
| CN110020118A (zh) | 一种计算用户之间相似度的方法及装置 | |
| Vikram et al. | Data mining tools and techniques: a review |
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 |