CN113065885B - 用于智能营销的方法及*** - Google Patents

用于智能营销的方法及*** Download PDF

Info

Publication number
CN113065885B
CN113065885B CN202110226143.4A CN202110226143A CN113065885B CN 113065885 B CN113065885 B CN 113065885B CN 202110226143 A CN202110226143 A CN 202110226143A CN 113065885 B CN113065885 B CN 113065885B
Authority
CN
China
Prior art keywords
variable
variables
target
index
trend curve
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.)
Active
Application number
CN202110226143.4A
Other languages
English (en)
Other versions
CN113065885A (zh
Inventor
孟庆余
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Suning Yifubao Network Technology Co ltd
Nanjing Xingyun Digital Technology Co Ltd
Original Assignee
Suning Financial Technology Nanjing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suning Financial Technology Nanjing Co Ltd filed Critical Suning Financial Technology Nanjing Co Ltd
Priority to CN202110226143.4A priority Critical patent/CN113065885B/zh
Publication of CN113065885A publication Critical patent/CN113065885A/zh
Priority to CA3150580A priority patent/CA3150580A1/en
Application granted granted Critical
Publication of CN113065885B publication Critical patent/CN113065885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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)

Abstract

本发明公开用于智能营销的方法及***，其中该方法包括：获取变量并绘制变量走势曲线，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征或U型特征的变量；利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量；利用所述目标变量和所述智能营销模型获取目标客户，并将商品推送给目标客户。该***执行上述用于智能营销的方法，可以完全取代人工，自动筛选出单调性或U型程度较好的变量再输入到智能营销模型中获取目标客户，并将商品推送给目标客户，提高了营销效率。

Description

用于智能营销的方法及***
技术领域
本发明涉及大数据技术领域，尤其涉及用于智能营销的方法及***。
背景技术
随着信息技术的发展以及商品营销业务的不断扩展，传统的商品营销模式已经不能满足现代社会信息化的需求，往往采用智能营销模型将商品推送给目标客户，以提高用户购买的可能性，进而提高营销效率。
但是，在智能营销模型等逻辑回归类机器学习模型中，通常要求连续型变量具有较好的单调性或者至少呈正U型、倒U型，以使模型具有较好的预测效果或可解释性，在实际应用中，变量种类繁多，包括用户基本信息、浏览行为、购买行为等数千种变量，往往不能要求每种变量的走势图都呈严格的单调性或U型，这时就需要筛选那些单调性或U型程度较好的变量再输入到智能营销模型中。现有的方法依赖于人工查看变量走势曲线，在变量个数很多的情况下，工作量大、效率低。
发明内容
本发明的目的在于提供用于智能营销的方法及***，可以完全取代人工，自动筛选出单调性或U型程度较好的变量再输入到智能营销模型中获取目标客户，并将商品推送给目标客户，提高了营销效率。
为了实现上述目的，本发明提供如下技术方案：
一种用于智能营销的方法，包括：
获取变量并绘制变量走势曲线，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征或U型特征的变量；
利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量；
利用所述目标变量和所述智能营销模型获取目标客户，并将商品推送给目标客户。
优选地，对变量进行分箱得到多个分点，并基于所述分点绘制变量走势曲线。
进一步地，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征的变量的方法包括：
基于变量走势曲线计算变量的全变差TV，其中，所述变量的全变差TV为变量走势曲线的相邻两个分点之间振幅的总和；
计算变量走势曲线左右两个端点之差的绝对值并记为第一差值AD1，根据所述全变差TV和所述第一差值AD1获取变量的单调性指标M_index，其中，M_index＝TV/AD1；
基于预设的单调性指标阈值筛选出具备单调性特征的变量。
较佳地，基于所述变量走势曲线和预设的走势识别规则获取具备U型特征的变量的方法包括：
获取变量走势曲线除左右两个端点之外的最大值和最小值；
计算变量走势曲线左右两个端点分别与最小值的差值的绝对值之和并记为第二差值AD2，根据所述全变差TV和所述第二差值AD2获取变量的正U 型指标U_index_1，其中，U_index_1＝TV/AD2；和/或
计算变量走势曲线左右两个端点分别与最大值的差值的绝对值之和并记为第三差值AD3，根据所述全变差TV和所述第三差值AD3获取变量的倒U 型指标U_index_2，其中，U_index_2＝TV/AD3；
基于预设的正U型指标阈值和倒U型指标阈值筛选出具备U型特征的变量。
优选地，所述单调性指标阈值、正U型指标阈值和倒U型指标阈值的取值范围为[1，1.5]。
进一步地，当变量走势曲线除左右两个端点之外的最大值同时小于左右两个端点的值时，不计算倒U型指标U_index_2；
当变量走势曲线除左右两个端点之外的最小值同时大于左右两个端点的值时，不计算正U型指标U_index_1。
较佳地，利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量的方法包括：
对所述具备单调性特征或U型特征的变量进行数据预处理；
从预处理后的变量中筛选出重要变量；
将所述重要变量输入智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量。
优选地，所述数据预处理包括缺失值填充、异常值处理以及针对分类型变量进行独热编码。
较佳地，从预处理后的变量中筛选出重要变量的方法包括：
分别计算变量的IV值和PSI值；
筛选出IV值大于IV阈值且PSI值小于PSI阈值的重要变量。
一种用于智能营销的***，包括：
第一变量筛选模块、第二变量筛选模块和营销推送模块；其中，
所述第一变量筛选模块，用于获取变量并绘制变量走势曲线，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征或U型特征的变量；
所述第二变量筛选模块，用于利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量；
所述营销推送模块，用于利用所述目标变量和所述智能营销模型获取目标客户，并将商品推送给目标客户。
与现有技术相比，本发明提供的用于智能营销的方法及***具有以下有益效果：
本发明提供的用于智能营销的方法，利用机器学习，取代了传统的人工查看走势图的步骤，可以自动筛选出众多变量中单调性、U型程度较好的的变量，将筛选出的变量输入到智能营销模型中获取目标客户，并将商品推送给目标客户，对变量走势曲线的类型及单调、U型程度的识别与人工的直观判断一致，可以替代人工，在保证识别质量的基础上，有效提高工作效率。
本发明提供的用于智能营销的***，采用上述用于智能营销的方法，可以自动筛选变量，并根据筛选出的变量获取目标客户，将商品推送给目标客户，有效提高了工作效率和营销后客户购买的成功率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中用于智能营销的方法流程示意图；
图2为本发明实施例中用于智能营销的核心筛选方法流程示意图；
图3(a)至 图3(b)分别为本发明实施例中变量走势曲线被识别为正U型的条件一和被识别为倒U型的条件二示例；
图4(a)至 图4(f)分别为判断变量走势曲线类型时可能出现的情形；
图5(a)至 图5(l)分别为变量走势曲线类型的判断示例。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，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作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
请参阅图1，一种用于智能营销的方法，包括：
获取变量并绘制变量走势曲线，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征或U型特征的变量；
利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量；
利用所述目标变量和所述智能营销模型获取目标客户，并将商品推送给目标客户。
本发明提供的用于智能营销的方法，利用机器学习，取代了传统的人工查看走势图的步骤，可以自动筛选出众多变量中单调性、U型程度较好的的变量，将筛选出的变量输入到智能营销模型中获取目标客户，并将商品推送给目标客户，提高商品营销的成功率，同时实现自动化模型训练，有效提高了工作效率。
请参阅图2，本发明实施例中基于变量走势曲线和预设的走势识别规则获取具备单调性特征、U型特征的变量的方法包括：
将变量进行分箱以得到多个分点，并基于分点绘制正样本率 (Target_Rate)关于变量的变量走势曲线。其中，变量为连续变量，离散型变量不在本发明的考虑范围内。
假设对连续变量进行分箱后的变量走势曲线中的x轴上共有N个分点，这N个分点依次是P1，P2，…，PN，变量走势曲线上这N个分点处的正样本率分别是Target_Rate1，Target_Rate2，…，Target_RateN，并获取除左右两个端点处正样本率(Target_Rate1和Target_RateN)外的最小正样本率 (Target_Ratemin)和最大正样本率(Target_Ratemax)。
计算变量走势曲线的全变差(TV)，该全变差(TV)反映变量走势曲线的波动程度，可以通过计算变量走势曲线的相邻两个分点之间振幅的总和来获得，即，TV＝∑i N ＝1|Target-Ratei+1-Target-Ratei|。
计算变量走势曲线的第一差值(AD1)，该第一差值是指变量走势曲线上左右两个端点处正样本率之差的绝对值，即，AD1＝|Target-RateN- Target-Rate1|。
计算变量走势曲线的第二差值(AD2)，该第二差值是指变量走势曲线上左右两个端点处正样本率分别与除左右两个端点处正样本率外的最小正样本率之差的绝对值的和，即，AD2＝|Target-Ratemin-Target-Rate1|+ |Target-RateN-Target-Ratemin|。
计算变量走势曲线的第三差值(AD3)，该第三差值是指变量走势曲线上左右两个端点处正样本率分别与除左右两个端点处正样本率外的最大正样本率之差的绝对值的和，即，AD3＝|Target-Ratemax-Target-Rate1|+ |Target-RateN-Target-Ratemax|。
计算变量走势曲线的单调性程度指标(M_index)，该单调性程度指标可以通过计算变量走势曲线的全变差(TV)与第一差值(AD1)的比值来计算，即， M_index＝TV/AD1。如果变量走势曲线是完全单调的，那么比值TV/AD1＝ 1；如果不是单调的，那么比值TV/AD1>1；比值TV/AD1越接近于1，则说明变量走势曲线的单调性程度越高，反之，说明变量走势曲线的单调性程度越低。因此，变量走势曲线的单调性程度指标的取值范围是M_index∈ [1,+∞)，当M_index＝1时，说明该变量走势曲线完全单调，且M_index的值越大，该变量走势曲线的单调性程度越低。
计算变量走势曲线的U型程度指标，其中U型程度指标可包括正U型程度指标(U_index_1)和倒U型程度指标(U_index_2)。其中，U型程度和V型程度实质上一样，都是一种判断和预测某种特殊发展过程的事物，现状和发展趋势的分析模型指标。
当且仅当条件一(Target_Ratemin<Target_Rate1，且Target_Ratemin< Target_RateN)成立时，变量走势曲线可能被识别为正U型，进而其正U型程度指标(U_index_1)可以通过计算变量走势曲线的全变差(TV)与第二差值(AD2)的比值来计算，即，U_index_1＝TV/AD2。如果变量走势曲线呈严格的正U型，那么比值TV/AD2＝1；如果不是严格的正U型，那么比值 TV/AD2>1；比值TV/AD2越接近于1，则说明变量走势曲线的正U型程度越高，反之，说明变量走势曲线的正U型程度越低。因此，变量走势曲线的正U型程度指标的取值范围是U_index_1∈[1,+∞)，当U_index_1＝1时，说明该变量走势曲线呈严格的正U型，且U_index_1的值越大，该变量走势曲线的正U型程度越低。
当且仅当条件二(Target_Ratemax>Target_Rate1，且Target_Ratemax> Target_RateN)成立时，变量走势曲线可能被识别为倒U型，进而其倒U型程度指标(U_index_2)可以通过计算变量走势曲线的全变差(TV)与第三差值(AD3)的比值来计算，即，U_index_2＝TV/AD3。如果变量走势曲线呈严格的倒U型，那么比值TV/AD3＝1；如果不是严格的倒U型，那么比值 TV/AD3>1；比值TV/AD3越接近于1，则说明变量走势曲线的倒U型程度越高，反之，说明变量走势曲线的倒U型程度越低。因此，变量走势曲线的倒U型程度指标的取值范围是U_index_2∈[1,+∞)，当U_index_2＝1时，说明该变量走势曲线呈严格的倒U型，且U_index_2的值越大，该变量走势曲线的倒U型程度越低。
在计算变量走势曲线的U型程度指标时，由于变量走势曲线可能被识别为正U型和倒U型的情况可能同时出现，此时变量走势曲线的正U型程度指标和倒U型程度指标都必须计算，取二者中较小的一个指标来判断该变量走势曲线属于正U型或倒U型，并把二者中较小的一个指标作为该变量走势曲线的U型程度指标U_index。
基于预设的单调性指标阈值、正U型指标阈值或倒U型指标阈值筛选出具备单调性特征、U型特征的变量，在本实施例中，单调性指标阈值、正U 型指标阈值和倒U型指标阈值的取值范围均为[1，1.5]。但是在变量走势曲线单调程度好的、变量多的情况下，可以减小该阈值范围，反之提高该阈值范围。
进一步地，利用单调性程度指标M_index和U型程度指标U_index判断该变量走势曲线类型，该判断过程涉及左右端点处的正样本率 (Target_Rate1，Target_RateN)，和除左右端点处的正样本率的最值 (Target_Ratemin，Target_Ratemax)。
当左端点处正样本率大于右端点处正样本率(Target_Rate1≥Target_RateN)时，左右端点处的正样本率与除左右端点处正样本率的最值的大小关系有以下6种情形：
情形A1：Target_Ratemax∈(-∞,Target_RateN)；
情形A2：Target_Ratemax∈[Target_RateN,Target_Rate1)；
情形A3：Target_Ratemax∈[Target_Rate1,+∞)；
情形B1：Target_Ratemin∈(-∞,Target_RateN)；
情形B2：Target_Ratemin∈[Target_RateN,Target_Rate1)；
情形B3：Target_Ratemin∈[Target_Rate1,+∞)。
以上6种情形有9种组合情形，即，
情形A1-B1：Target_Ratemax∈(-∞,Target_RateN)且 Target_Ratemin∈(-∞,Target_RateN)；
情形A1-B2：Target_Ratemax∈(-∞,Target_RateN)且 Target_Ratemin∈[Target_RateN,Target_Rate1)；
情形A1-B3：Target_Ratemax∈(-∞,Target_RateN)且 Target_Ratemin∈[Target_Rate1,+∞)；
情形A2-B1：Target_Ratemax∈[Target_RateN,Target_Rate1)且 Target_Ratemin∈(-∞,Target_RateN)；
情形A2-B2：Target_Ratemax∈[Target_RateN,Target_Rate1)且 Target_Ratemin∈[Target_RateN,Target_Rate1)；
情形A2-B3：Target_Ratemax∈[Target_RateN,Target_Rate1)且 Target_Ratemin∈[Target_Rate1,+∞)；
情形A3-B1：Target_Ratemax∈[Target_Rate1,+∞)且 Target_Ratemin∈(-∞,Target_RateN)；
情形A3-B2：Target_Ratemax∈[Target_Rate1,+∞)且 Target_Ratemin∈[Target_RateN,Target_Rate1)；
情形A3-B3：Target_Ratemax∈[Target_Rate1,+∞)且 Target_Ratemin∈[Target_Rate1,+∞)。
在情形A1-B1中，因为Target_Ratemax∈(-∞,Target_RateN)，不满足被识别为倒U型的条件二，变量走势曲线不可能是倒U形，所以不需要计算倒U型指标；曲线有可能被判定为正U型，所以需要计算正U型指标；变量走势曲线也可能被判定为单调减，所以也需要计算单调性指标。计算正U型指标U_index_1和单调性指标M_index后，比较两者的大小，如果 U_index_1<M_index，则变量走势曲线曲线判定为正U型；否则判定为单调减。
在情形A1-B2中，因为Target_Ratemin>Target_Ratemax不可能发生，所以这种情形不存在。
在情形A1-B3中，因为Target_Ratemin>Target_Ratemax不可能发生，所以这种情形不存在。
在情形A2-B1中，因为Target_Ratemax∈[Target_RateN,Target_Rate1)，不满足被识别为倒U型的条件二，变量走势曲线不可能是倒U形，所以不需要计算倒U型指标；变量走势曲线有可能被判定为正U型，所以需要计算正 U型指标；变量走势曲线也可能被判定为单调减，所以也需要计算单调性指标。计算正U型指标U_index_1和单调性指标M_index后，比较两者的大小，如果U_index_1<M_index，则把变量走势曲线判定为正U型；否则判定为单调减。
在情形A2-B2中，因为Target_Ratemax∈[Target_RateN,Target_Rate1)，不满足被识别为倒U型的条件二，该变量走势曲线不可能是倒U形；因为 Target_Ratemin∈[Target_RateN,Target_Rate1)，不满足被识别为正U型的条件一，该变量走势曲线也不可能是正U型。所以该变量走势曲线只能被判定为单调减，只需要计算单调性指标M_index。
在情形A2-B3中，因为Target_Ratemin>Target_Ratemax不可能发生，所以这种情形不存在。
在情形A3-B1中，因为变量走势曲线既满足被识别为正U型的条件一，也满足被识别为倒U型的条件二，所以既可能被识别为正U型，也可能被识别为倒U型。所以既需要计算正U型指标U_index_1，又需要计算倒U型指标U_index_2。该变量走势曲线也可能被识别为单调减，所以也需要计算单调性指标M_index。计算完以上3个指标后，比较三者的大小，取最小的一个，并把该变量走势曲线判定为相应的类型。
在情形A3-B2中，因为变量走势曲线不满足被识别为正U型的条件一，但满足被识别为倒U型的条件二，所以计算倒U型指标U_index_2后，再计算单调性指标M_index，比较二者的大小，取最小的一个，并把该变量走势曲线判定为相应的类型。
在情形A3-B3中，因为变量走势曲线不满足被识别为正U型的条件一，但满足被识别为倒U型的条件二，所以计算倒U型指标U_index_2后，再计算单调性指标M_index，比较二者的大小，取最小的一个，并把该变量走势曲线判定为相应的类型。
当左端点处正样本率小于右端点处正样本率 (Target_Rate1<Target_RateN)时，与以上左端点处正样本率大于右端点处正样本率的情况类似，只要把单调减改成单调增即可。
进一步地，利用单调性程度指标M_index和U型程度指标U_index将变量单调性程度、U型程度进行排序。具体地，把单调型的变量归为一类(包括单调增和单调减)，把U型的变量归为一类(包括正U型和倒U型)，按照相应的指标升序排列，完成把变量从单调型程度高到低及U型程度从高到低排序。
利用具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量，其方法包括：
对具备单调性特征或U型特征的变量进行数据预处理，其中，数据预处理包括缺失值填充、异常值处理以及针对分类型变量进行独热编码；
从预处理后的变量中筛选出重要变量，方法包括：分别计算变量的IV值和PSI值，进而筛选出IV值大于IV阈值且PSI值小于PSI阈值的重要变量；
将重要变量输入智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量。
本发明提供的方法对一般的智能营销的响应度模型都是适用的，以现金贷产品的拉新营销模型为例，包括用户基本信息、浏览行为、购买行为等维度的变量。由于现金贷产品拉新的最终目标是授信，所以这里以是否授信作为y标签正负样本的判断标准。根据经验，在营销之后，90％以上的用户会在 7天内申请额度并且过风控A卡，就可以判断拉新营销是否成功，所以这里表现期取7天。如果用户在营销后的7天内授信，则标记为正样本，否则标记为负样本。训练集的观察点是某次营销日，测试集的观察点是训练集观察点之后的某个营销日。
技术人员进行了AB test，即把利用本发明中的筛选方法和人工筛选方法的结果进行了比较。在使用传统的人工筛选的过程中，从上一步筛选出的1061 个变量中，共去掉了498个变量，保留了563个变量，耗时55分钟，筛选过后的变量经过逐步回归再次筛选后，入模14个变量，在训练集上的AUC(曲线下的面积)是0.91，测试集上的AUC是0.9；在利用本发明中单调程度自动筛选的过程中，从上一步筛选出的1061个变量中，共去掉了516个变量，保留了545个变量，耗时3分钟，筛选过后的变量经过逐步回归再次筛选后，入模15个变量，在训练集上的AUC是0.92，测试集上的AUC是0.91。本发明提高了工作效率，模型效果比人工筛选略有提高；且人工筛选依赖人的判断，有可能识别不准确，本自动识别算法用单调性指标判断单调程度及U型程度，识别结果更加准确。
实施例二
一种用于智能营销的***，包括第一变量筛选模块、第二变量筛选模块和营销推送模块，其中，第一变量筛选模块，用于获取变量并绘制变量走势曲线，基于变量走势曲线和预设的走势识别规则获取具备单调性特征或U型特征的变量；第二变量筛选模块，用于利用具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量；营销推送模块，用于利用目标变量和智能营销模型获取目标客户，并将商品推送给目标客户。
本发明提供的用于智能营销的***，采用上述实施例一中的用于智能营销的的方法，利用机器学习，取代了传统的人工查看走势图的步骤，可以自动筛选出众多变量中单调性、U型程度较好的的变量，将筛选出的变量输入到智能营销模型中获取目标客户，并将商品推送给目标客户，有效提高了工作效率和营销后客户购买的成功率。与现有技术相比，本发明实施例提供的用于智能营销的***的有益效果与上述实施例一提供的用于智能营销的方法的有益效果相同，且用于智能营销的***中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种用于智能营销的方法，其特征在于，包括：
获取变量并绘制变量走势曲线，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征或U型特征的变量，其中，所述变量包括用户基本信息、浏览行为信息、购买行为信息；
利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量；
将所述目标变量输入所述智能营销模型中，得到所述目标变量对应的目标客户，并将商品推送给目标客户。
2.根据权利要求1所述的用于智能营销的方法，其特征在于，对变量进行分箱得到多个分点，并基于所述分点绘制变量走势曲线。
3.根据权利要求2所述的用于智能营销的方法，其特征在于，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征的变量的方法包括：
基于变量走势曲线计算变量的全变差TV，其中，所述变量的全变差TV为变量走势曲线的相邻两个分点之间振幅的总和；
计算变量走势曲线左右两个端点之差的绝对值并记为第一差值AD1，根据所述全变差TV和所述第一差值AD1获取变量的单调性指标M_index，其中，M_index＝TV/AD1；
基于预设的单调性指标阈值筛选出具备单调性特征的变量。
4.根据权利要求3所述的用于智能营销的方法，其特征在于，基于所述变量走势曲线和预设的走势识别规则获取具备U型特征的变量的方法包括：
获取变量走势曲线除左右两个端点之外的最大值和最小值；
计算变量走势曲线左右两个端点分别与最小值的差值的绝对值之和并记为第二差值AD2，根据所述全变差TV和所述第二差值AD2获取变量的正U型指标U_index_1，其中，U_index_1＝TV/AD2；和/或
计算变量走势曲线左右两个端点分别与最大值的差值的绝对值之和并记为第三差值AD3，根据所述全变差TV和所述第三差值AD3获取变量的倒U型指标U_index_2，其中，U_index_2＝TV/AD3；
基于预设的正U型指标阈值和倒U型指标阈值筛选出具备U型特征的变量。
5.根据权利要求4所述的用于智能营销的方法，其特征在于，所述单调性指标阈值、正U型指标阈值和倒U型指标阈值的取值范围为[1，1.5]。
6.根据权利要求4所述的用于智能营销的方法，其特征在于，当变量走势曲线除左右两个端点之外的最大值同时小于左右两个端点的值时，不计算倒U型指标U_index_2；
当变量走势曲线除左右两个端点之外的最小值同时大于左右两个端点的值时，不计算正U型指标U_index_1。
7.根据权利要求1所述的用于智能营销的方法，其特征在于，利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量的方法包括：
对所述具备单调性特征或U型特征的变量进行数据预处理；
从预处理后的变量中筛选出重要变量；
将所述重要变量输入智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量。
8.根据权利要求7所述的用于智能营销的方法，其特征在于，所述数据预处理包括缺失值填充、异常值处理以及针对分类型变量进行独热编码。
9.根据权利要求7所述的用于智能营销的方法，其特征在于，从预处理后的变量中筛选出重要变量的方法包括：
分别计算变量的IV值和PSI值；
筛选出IV值大于IV阈值且PSI值小于PSI阈值的重要变量。
10.一种用于智能营销的***，其特征在于，包括第一变量筛选模块、第二变量筛选模块和营销推送模块，其中，
所述第一变量筛选模块，用于获取变量并绘制变量走势曲线，基于所述变量走势曲线和预设的走势识别规则获取具备单调性特征或U型特征的变量，其中，所述变量包括用户基本信息、浏览行为信息、购买行为信息；
所述第二变量筛选模块，用于利用所述具备单调性特征或U型特征的变量训练智能营销模型，同时利用逐步回归运算筛选得到一个或多个适用于所述智能营销模型的目标变量；
所述营销推送模块，用于将所述目标变量输入所述智能营销模型中，得到所述目标变量对应的目标客户，并将商品推送给目标客户。
CN202110226143.4A 2021-03-01 2021-03-01 用于智能营销的方法及*** Active CN113065885B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110226143.4A CN113065885B (zh) 2021-03-01 2021-03-01 用于智能营销的方法及***
CA3150580A CA3150580A1 (en) 2021-03-01 2022-03-01 Method and system for intelligent marketing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110226143.4A CN113065885B (zh) 2021-03-01 2021-03-01 用于智能营销的方法及***

Publications (2)

Publication Number Publication Date
CN113065885A CN113065885A (zh) 2021-07-02
CN113065885B true CN113065885B (zh) 2022-12-23

Family

ID=76559398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110226143.4A Active CN113065885B (zh) 2021-03-01 2021-03-01 用于智能营销的方法及***

Country Status (2)

Country Link
CN (1) CN113065885B (zh)
CA (1) CA3150580A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730286A (zh) * 2016-08-10 2018-02-23 ***通信集团黑龙江有限公司 一种目标客户筛选方法及装置
KR20190085795A (ko) * 2018-01-11 2019-07-19 민윤정 웹 사이트 내 작성된 포스트(본문)의 Engagement 데이터를 일정 주기별로 재수집하여 부정버즈의 매체 전이와 동조량 분석을 통한 온라인 위기대응 모니터링 시스템 장치 및 그 방법
CN109767255B (zh) * 2018-12-06 2023-05-12 东莞团贷网互联网科技服务有限公司 一种通过大数据建模实现智能运营及精准营销的方法
CN111353812A (zh) * 2020-02-20 2020-06-30 中信银行股份有限公司 链式智能营销方法及装置

Also Published As

Publication number Publication date
CA3150580A1 (en) 2022-09-01
CN113065885A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN110866819A (zh) 一种基于元学习的自动化信贷评分卡生成方法
CN111079941B (zh) 信用信息处理方法、***、终端和存储介质
CN110706039A (zh) 电动汽车残值率评估***、方法、设备及介质
CN111583012B (zh) 融合文本信息的信用债发债主体违约风险评估方法
CN112468853B (zh) 电视资源推荐方法、装置、计算机设备及存储介质
CN112288455A (zh) 标签生成方法及装置、计算机可读存储介质、电子设备
CN111738819A (zh) 表征数据筛选方法、装置和设备
US20140278774A1 (en) In the market model systems and methods
CN113159461A (zh) 基于样本迁移学习的中小微企业信用评价方法
CN111062564A (zh) 一种电力客户诉求敏感值计算方法
CN114722945A (zh) 一种存量客户投保意向预测方法及装置
CN110751170A (zh) 面板质量检测方法、***、终端设备及计算机可读介质
CN113065885B (zh) 用于智能营销的方法及***
JPH10124476A (ja) 階層的予測モデル構築装置及びその方法
CN116883153A (zh) 一种基于人行征信的汽车金融预授信评分卡开发方法及终端
CN113298393A (zh) 基于回归算法的车贷风险评估方法
CN114820074A (zh) 基于机器学习的目标用户群体预测模型构建方法
CN113421154B (zh) 基于控制图的信贷风险评估方法及***
CN115587193A (zh) 一种汽车金融领域知识推荐方法
CN114298472A (zh) 数字工厂上下游企业画像评价方法以及***
KR20000054056A (ko) 기업가치 평가방법
CN115904920A (zh) 一种测试用例推荐方法、装置、终端及存储介质
CN113034264A (zh) 客户流失预警模型的建立方法、装置、终端设备及介质
CN116308722A (zh) 一种风控模型冷启动建模方法、装置及存储介质
CN112215494B (zh) 一种居民用电的房屋租赁识别方法及***

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
CP01 Change in the name or title of a patent holder

Address after: Room 834, Yingying building, No.99, Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province

Patentee after: Nanjing Xingyun Digital Technology Co.,Ltd.

Address before: Room 834, Yingying building, No.99, Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province

Patentee before: Suning financial technology (Nanjing) Co.,Ltd.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20230621

Address after: No. 1-1, Suning Avenue, Xuanwu District, Nanjing City, Jiangsu Province, 210000

Patentee after: NANJING SUNING YIFUBAO NETWORK TECHNOLOGY Co.,Ltd.

Address before: Room 834, Yingying building, No.99, Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province

Patentee before: Nanjing Xingyun Digital Technology Co.,Ltd.

TR01 Transfer of patent right