CN113112309A - 一种用户管理方法、装置、电子设备及介质 - Google Patents
一种用户管理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113112309A CN113112309A CN202110514634.9A CN202110514634A CN113112309A CN 113112309 A CN113112309 A CN 113112309A CN 202110514634 A CN202110514634 A CN 202110514634A CN 113112309 A CN113112309 A CN 113112309A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- user
- riding
- behavior characteristics
- moped
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 54
- 238000006243 chemical reaction Methods 0.000 claims abstract description 110
- 230000009467 reduction Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 196
- 230000001351 cycling effect Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000007637 random forest analysis Methods 0.000 description 12
- 230000003203 everyday effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种用户管理方法、装置、电子设备及介质,其中,所述方法包括:根据潜客识别模型获取第二车辆用户转化为第一车辆用户的潜客转化概率;根据潜在高价值用户识别模型,获取新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;根据聚类模型,对成熟第一车辆用户进行类别划分;根据降频预警模型,获取预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;根据流失预警模型,获取预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。本发明可以根据预先训练好的机器学习模型,对第一车辆用户生命周期的各个阶段进行管理,以提高用户满意度、提高第一车辆的使用率、提高企业关于第一车辆的营收以及降低企业运行成本。
Description
技术领域
本发明涉及车辆用户管理领域,特别是涉及一种用户管理方法、装置、电子设备及介质。
背景技术
随着共享经济的发展,共享出行已经成为人们生活中不可或缺的一部分。目前存在的共享出行用户生命周期的管理仍然比较粗糙和滞后,只是简单的根据用户的第一车辆骑行频次对用户进行分层划分和活跃度分级,凭借业务经验对用户全生命周期进行干预管理,缺乏新型的信息技术手段来对用户生命周期管理和干预。此外,当前的共享出行用户生命周期干预手段容易由于信息滞后导致用户满意度下降,从而导致车辆使用率下降且企业运营成本提高。且拉新获客成本高、促活响应度低、流失干预手段滞后等。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种用户管理方法、装置、电子设备及介质,用于解决现有技术中对共享车辆的用户的管理不完善的问题。
为实现上述目的及其他相关目的,本发明提供一种用户管理方法,用于对第一车辆的用户进行管理,所述方法包括:根据潜客识别模型,对骑行过第二车辆且在所述第一车辆运行区域内对所述第二车辆执行过开锁操作或关锁操作的第二车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述第二车辆用户转化为第一车辆用户的潜客转化概率;和/或根据潜在高价值用户识别模型,对新第一车辆用户的首次第一车辆骑行中的骑行行为特征和/或消费行为特征进行分析,以获取所述新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;和/或根据聚类模型,对第一车辆骑行次数大于第一预设次数阈值的成熟第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以对所述成熟第一车辆用户进行类别划分;和/或根据降频预警模型,对第一车辆骑行次数下降幅度大于预设幅度阈值的预降频第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;和/或根据流失预警模型,对骑行次数由大于0次降为0次的预流失第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。
在一些实施例中,根据所述第一车辆用户和所述第二车辆用户的历史数据,获取骑行过所述第二车辆且在所述第一车辆运行区域内对所述第二车辆执行过所述开锁操作或所述关锁操作的所述第二车辆用户的骑行行为特征、消费行为特征以及所述第二车辆用户是否转化为第一车辆用户的潜客转化结果进行模型训练,以获得所述潜客识别模型。
在一些实施例中,根据所述第一车辆用户的历史数据,获取所述新第一车辆用户的首次第一车辆骑行中的骑行行为特征、消费行为特征以及所述新第一车辆用户转化为高价值第一车辆用户的高价值转化结果进行模型训练,以获得所述潜在高价值用户识别模型。
在一些实施例中,根据所述第一车辆用户的历史数据,获取所述成熟第一车辆用户的骑行行为特征、消费行为特征以及对应各所述骑行行为特征和各所述消费行为特征的分类结果,获取所述聚类模型。
在一些实施例中,根据所述第一车辆用户的历史数据,获取所述预降频第一车辆用户的骑行行为特征、消费行为特征以及所述预降频第一车辆用户转化为所述降频第一车辆用户的降频转化结果进行模型训练,以获得所述降频预警模型。
在一些实施例中,根据所述第一车辆用户的历史数据,对所述预流失第一车辆用户的骑行行为特征、消费行为特征以及所述预流失第一车辆用户转化为所述流失第一车辆用户的流失转化结果进行模型训练,以获得所述流失预警模型。
在一些实施例中,所述骑行行为特征至少包括以下中的一种:单次骑行距离、骑行起始位置、骑行终点位置、骑行路线、骑行总次数、每天的骑行频次、骑行间隔天数以及单次骑行时长;所述消费行为特征至少包括以下中的一种:购买骑行卡、购买优惠券、每次骑行的费用以及骑行总费用。
在一些实施例中,在一些实施例中,所述用户管理方法还包括:获取所述第一车辆用户的历史数据,根据所述第一车辆用户的历史数据,获取各所述第一车辆用户的骑行行为特征和/或消费行为特征;根据各所述第一车辆用户的骑行行为特征和/或消费行为特征对所述第一车辆用户进行级别划分;向对应级别的所述第一车辆用户发送指定级别的级别信息。
在一些实施例中,获取各所述第一车辆用户的骑行行为特征和/或消费行为特征的步骤还包括:根据各所述第一车辆用户的骑行行为特征和/或消费行为特征获取各所述第一车辆用户的价值属性、第一车辆忠诚度以及第一车辆品牌忠诚度;根据各所述第一车辆用户的骑行行为特征和/或消费行为特征对所述第一车辆用户进行级别划分的步骤还包括:根据各所述第一车辆用户的所述价值属性、所述第一车辆忠诚度以及所述第一车辆品牌忠诚度对所述第一车辆用户进行级别划分。
为实现上述目的及其他相关目的,本发明还提供一种用户管理***,用于对第一车辆的用户进行管理,所述***包括:潜客识别模块,用以根据潜客识别模型,对骑行过第二车辆且在所述第一车辆运行区域内对所述第二车辆执行过开锁操作或关锁操作的第二车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述第二车辆用户转化为第一车辆用户的潜客转化概率;和/或高价值转化模块,用以根据潜在高价值用户识别模型,对新第一车辆用户的首次第一车辆骑行中的骑行行为特征和/或消费行为特征进行分析,以获取所述新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;和/或聚类模块,用以根据聚类模型,对第一车辆骑行次数大于第一预设次数阈值的成熟第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以对所述成熟第一车辆用户进行类别划分;和/或降频预警模块,用以根据降频预警模型,对第一车辆骑行次数下降幅度大于预设幅度阈值的预降频第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;和/或流失预警模块,用以根据流失预警模型,对骑行次数由大于0次降为0次的预流失第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。
为实现上述目的及其他相关目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上中任一项所述用户管理方法。
为实现上述目的及其他相关目的,本发明还提供一种电子设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行如上中任一项所述用户管理方法。
如上所述,本发明提供一种用户管理方法、装置、电子设备及介质,其中,所述方法包括:根据潜客识别模型获取所述单车用户转化为第一车辆用户的潜客转化概率;根据潜在高价值用户识别模型,获取所述新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;根据聚类模型,对所述成熟第一车辆用户进行类别划分;根据降频预警模型,获取所述预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;根据流失预警模型,获取所述预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。本发明可以根据预先训练好的机器学习模型,对第一车辆用户生命周期的各个阶段进行管理,以提高用户满意度、提高第一车辆的使用率、提高企业关于第一车辆的营收以及降低企业运行成本。
附图说明
图1显示为本发明的用户管理方法在一具体实施例中的流程示意图。
图2显示为本发明的用户管理***在一具体实施例中的组成示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
随着共享车辆的广泛应用,对共享车辆的用户的管理显得尤为重要,现有的共享车辆的用户管理通常只是简单的根据用户的骑行频次进行用户的划分,且凭借个人经验度对划分后的用户进行相应的干预管理,用户管理手段粗糙,造成用户满意度下降,且不能很好的提高共享车辆的使用率。本发明提供一种用户管理方法,可根据预先训练形成的机器学习模型,对各个阶层的用户进行更加精确的管理,提高用户的用车满意度,同时提高共享车辆的使用率,增加企业的营收。
请参阅图1,显示为本发明的用户管理方法在一具体实施例中的流程示意图。其中,所述第一车辆例如为共享车辆,具体的,可为共享助力车或共享汽车等。所述用户管理方法S100可运行与电子设备中,该电子设备例如为服务器、平板电脑或台式电脑等。以下所有实施例中,以所述第一车辆为共享助力车为例进行描述。
所述用户管理方法S100包括步骤S101~步骤S105中的至少一个步骤,图1所示的用户管理方法S100包括步骤S101~步骤S105的所有步骤,在其他具体实施例中,所述用户管理方法S100可只包括步骤S101~步骤S105的一步或多步,其中,所述步骤S101~步骤S105参阅如下描述。
步骤S101:根据潜客识别模型,对骑行过第二车辆且在第一车辆运行区域内对所述第二车辆执行过开锁操作或关锁操作的第二车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述第二车辆用户转化为第一车辆用户的潜客转化概率;其中,所述第一车辆运行区域为第一车辆的运营商提前规划好的允许所述第一车辆在其中骑行或停放的区域范围。以下所有实施例的描述中,以所述第一车辆为共享助力车,所述第二车辆为共享单车为例进行说明,所述共享助力车可为两轮助力车或三轮助力车。且,具体分析时,可根据潜客识别模型,对在第一时间段内(例如过去一周内)骑行过第二车辆且在第一车辆运行区域内对所述第二车辆执行过开锁操作或关锁操作的第二车辆用户在第二时间段内(例如过去一周内或者过去一个月内)的骑行行为特征和/或消费行为特征进行分析,以获取所述第二车辆用户转化为第一车辆用户的潜客转化概率。该第一时间段和该第二时间段可以选择为相同长度的时间,也可以是不同时间长度的时间。
具体的,根据所述共享单车用户和共享助力车用户的历史数据(例如两个月内的历史数据),获取骑行过所述共享单车且在所述共享助力车运行区域内对所述共享单车执行过所述开锁操作或所述关锁操作的所述共享单车用户的骑行行为特征、消费行为特征以及所述共享单车用户是否转化为共享助力车用户的潜客转化结果进行模型训练,以获得所述潜客识别模型。具体的,可通过设置于停车区域的摄像头获取所述开锁操作获所述关锁操作,还可根据获取的共享单车的骑行数据,获取共享单车执行开锁操作和执行关锁操作的位置。其中,所述共享单车的骑行行为特征至少包括以下中的一种:单次骑行距离、骑行起始位置(例如执行开锁操作的位置)、骑行终点位置(例如执行关锁操作的位置)、骑行路线、骑行总次数、每天的骑行频次、骑行间隔天数以及单次骑行时长;所述消费行为特征至少包括以下中的一种:购买骑行卡、购买优惠券、每次骑行的费用以及骑行总费用。其中,骑行间隔天数为0时,即每天都有骑行行为,骑行间隔天数越小,该用户的骑行行为越活跃。例如,获取某两个月内的共享单车用户的历史数据作为训练所述潜客识别模型的基础,该历史数据中包括在所述助力车运行区域内对所述共享单车执行过所述开锁操作或所述关锁操作的所述共享单车用户的上述骑行行为特征和消费行为特征,还包括具有某些骑行行为特征和消费行为特征的共享单车用户是否转化为共享助力车用户的潜客转化结果,例如,对该两个月的历史数据前一个月内获取的在所述助力车运行区域内对所述共享单车执行过所述开锁操作或所述关锁操作的所述共享单车用户的上述骑行行为特征和消费行为特征进行分析,且以后一个月内共享单车用户是否转化为共享助力车用户的潜客转化结果作为该前一个月内的共享单车用户的上述骑行行为特征和消费行为特征的对应转化结果。其中,例如在所述助力车运行区域内对所述共享单车执行过所述开锁操作或所述关锁操作的所述共享单车用户的单次骑行距离较大或单次骑行时间较长时,该共享单车用户成为共享助力车用户的概率会较大。例如在所述助力车运行区域内对所述共享单车执行过所述开锁操作或所述关锁操作的所述共享单车用户购买过关于所述共享单车的骑行卡或每次骑行的费用较大时,该共享单车用户成为共享助力车用户的概率会较大。具体的,可采用随机森林算法,获取所述潜客识别模型。其中,所述随机森林算法的输入为预先根据所述共享单车用户和共享助力车用户的历史数据获取的骑行过所述共享单车且在所述共享助力车运行区域内对所述共享单车执行过所述开锁操作或所述关锁操作的所述共享单车用户的骑行行为特征和消费行为特征,所述随机森林算法的输出为所述共享单车用户是否转化为共享助力车用户的潜客转化结果。
具体的,在一些实施例中,可向所述潜客转化概率大于预设潜客转化概率阈值的单车用户发送第一信息;或选择所述潜客转化概率的递减排序中前预设百分比的潜客转化概率对应的第二车辆用户发送所述第一信息。在具体应用中,所述预设潜客转化概率阈值例如为10%,即对所述潜客转化概率大于10%的单车用户发送第一信息。或者在另一些实施例中,对所述潜客转化概率进行排序,向潜客转化概率较高的前20%的共享单车用户发送所述第一信息。其中,所述第一信息例如为针对共享助力车的注册推荐信息或注册提醒信息,所述第一信息还可包括针对所述共享助力车的骑行优惠信息。使得注册推荐信息和骑行优惠信息的发放更加有针对性,即对具有高概率转化为助力车用户的共享单车用户发送共享助力车的注册推荐信息和/或共享助力车的骑行优惠信息。提高用户注册共享助力车的概率,提升用户用车的满意度,提高共享助力车的使用率,增加共享车辆运营企业的营收。
步骤S102:根据潜在高价值用户识别模型,对新共享助力车用户的首次共享助力车骑行中的骑行行为特征和/或消费行为特征进行分析,以获取所述新共享助力车用户转化为高价值共享助力车用户的高价值转化概率;例如,对当天发生共享助力车首次骑行的新共享助力车用户的骑行行为特征和/或消费行为特征进行分析,以获取该新共享助力车用户在未来一段时间内(例如未来两周内)转化为骑行频次(每天的骑行次数或每周的骑行次数)较为稳定的高价值共享助力车用户的概率。其中,所述新共享助力车用户为还未使用注册的共享助力车账号进行共享助力车骑行的新用户,所述高价值共享助力车用户指的是一段时间内的(例如一周内)骑行频次较高(例如一周内至少骑行3次)的共享助力车用户,所述高价值共享助力车用户还可为在一段时间内(例如一周内)针对共享助力车的消费额度较高(例如一周内至少消费20元)的共享助力车用户。
具体的,根据共享助力车用户的历史数据(例如一周内的历史数据或一个月内的历史数据),获取所述新共享助力车用户的首次共享助力车骑行中的骑行行为特征、消费行为特征以及所述新共享助力车用户转化为高价值共享助力车用户的高价值转化结果进行模型训练,以获得所述潜在高价值用户识别模型。其中,所述共享单车的骑行行为特征至少包括以下中的一种:单次骑行距离、骑行起始位置(例如执行开锁操作的位置)、骑行终点位置(例如执行关锁操作的位置)、骑行路线、骑行总次数、每天的骑行频次、骑行间隔天数以及单次骑行时长;所述消费行为特征至少包括以下中的一种:购买骑行卡、购买优惠券、每次骑行的费用以及骑行总费用。其中,骑行间隔天数为0时,即每天都有骑行行为,骑行间隔天数越小,该用户的骑行行为越活跃。例如,对一个月的历史数据的前两周获取的新共享助力车用户的首次共享助力车骑行中的骑行行为特征和消费行为特征进行分析,且以后两周内新共享助力车用户转化为高价值共享助力车用户的高价值转化结果作为该前两周新共享助力车用户的首次共享助力车骑行中的骑行行为特征和消费行为特征的对应转化结果。例如,新共享助力车用户在首次共享助力车骑行中购买了骑行卡,则该新共享助力车用户转化为高价值共享助力车用户的概率较高。又例如,新共享助力车用户在首次共享助力车骑行中骑行时间较长(例如大于20分钟),则该新共享助力车用户转化为高价值共享助力车用户的概率较高。
具体的,可采用随机森林算法,获取所述高价值用户识别模型。其中,所述随机森林算法的输入为预先根据共享助力车用户的历史数据获取的所述新共享助力车用户的首次共享助力车骑行中的骑行行为特征、消费行为特征,所述随机森林算法的输出为所述新共享助力车用户转化为高价值共享助力车用户的高价值转化结果。
具体的,在一些实施例中,可向所述高价值转化概率大于预设高价值转化概率阈值的新共享助力车用户发送第二信息;或选择所述高价值转化概率的递减排序中前预设百分比的高价值转化概率对应的新共享助力车用户发送所述第二信息。在具体应用中,所述预设高价值转化概率阈值例如为10%,即对所述高价值转化概率大于10%的新共享助力车用户发送所述第二信息。或者在另一些实施例中,对所述高价值转化概率进行排序,向高价值转化概率较高的前20%的新共享助力车用户发送所述第二信息。其中,所述第二信息可包括针对所述共享助力车的骑行优惠信息。使得骑行优惠信息的发放更加有针对性,即对具有高概率转化为高价值共享助力车用户的新共享助力车用户发送共享助力车的骑行优惠信息。提升用户用车的满意度,提高共享助力车的使用率,增加共享车辆运营企业的营收。
步骤S103:根据聚类模型,对共享助力车骑行次数大于第一预设次数阈值的成熟共享助力车用户的骑行行为特征和/或消费行为特征进行分析,以对所述成熟共享助力车用户进行类别划分;
且,具体分析时,可根据聚类模型,对在第三时间段内共享助力车骑行次数大于第一预设次数阈值的成熟共享助力车用户在第四时间段内的骑行行为特征和消费行为特征进行分析,以对所述成熟共享助力车用户进行类别划分;例如,在一个月内骑行次数大于5次的共享助力车用户为成熟共享助力车用户,该第三时间段和该第四时间段可以选择为相同长度的时间,也可以是不同时间长度的时间。
具体的,根据共享助力车用户的历史数据(例如两个月内的历史数据),获取所述共享助力车骑行次数大于所述第一预设次数阈值的所述成熟共享助力车用户的骑行行为特征、消费行为特征以及对应各所述骑行行为特征和各所述消费行为特征的分类结果,获取所述聚类模型。其中,所述共享单车的骑行行为特征至少包括以下中的一种:单次骑行距离、骑行起始位置(例如执行开锁操作的位置)、骑行终点位置(例如执行关锁操作的位置)、骑行路线、骑行总次数、每天的骑行频次、骑行间隔天数以及单次骑行时长;所述消费行为特征至少包括以下中的一种:购买骑行卡、购买优惠券、每次骑行的费用以及骑行总费用。例如,对该两个月的历史数据前一个月内获取的所述共享助力车骑行次数大于所述第一预设次数阈值的所述成熟共享助力车用户的骑行行为特征和消费行为特征进行分析,且以后一个月内对应各所述骑行行为特征和各所述消费行为特征的分类结果作为该前一个月内获取的所述共享助力车骑行次数大于所述第一预设次数阈值的所述成熟共享助力车用户的骑行行为特征和消费行为特征对应的分类结果。例如,该成熟共享助力车用户的类别可为包括具有以下特征中的一种的类别:“集中在某几天骑行且一天骑行多次(例如,集中在某3天骑行且一天骑行3次以上)”、“集中在某个时间段中每天骑行一次(例如,集中在某1月骑行且一天骑行一次以上)”、“每天骑且一天骑多次(例如,每天骑行3次以上)”或“在指定区域内,每天骑行,且每天骑行多次(例如限制在某5公里范围内,每天骑行3次以上)”。
具体的,根据K-means算法获取所述聚类模型,K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。其中,所述K-means聚类算法的处理对象是根据共享助力车用户的历史数据(例如两个月内的历史数据),获取的所述共享助力车骑行次数大于所述第一预设次数阈值的所述成熟共享助力车用户的骑行行为特征和消费行为特征,且将根据K-means聚类结果划定为“集中在某几天骑行且一天骑行多次”、“集中在某个时间段中每天骑行一次”、“每天骑且一天骑多次”或“在指定区域内,每天骑行,且每天骑行多次”等类别。
在一些实施例中,根据所述聚类模型对所述成熟共享助力车用户进行类别划分的结果,向对应指定类别的所述成熟共享助力车用户发送指定的类别信息。具体的,为了对不同类别的成熟共享助力车用户进行有效干预和服务,可根据不同类别的成熟共享助力车用户的用车需要,向不同类别成熟共享助力车用户发送不同的类别信息,该类别信息可为包括指定类型的骑行优惠活动的信息。
例如,根据成熟共享助力车用户的骑行行为特征和消费行为特征,判断该成熟共享助力车用户为的类别为“集中在某几天骑行且一天骑行多次”时,发送包含“短期骑行卡”的优惠信息至该类别的成熟共享助力车用户。该“短期骑行卡”例如为一周内不限骑行次数的骑行卡。
根据成熟共享助力车用户的骑行行为特征和消费行为特征,判断该成熟共享助力车用户为的类别为“集中在某个时间段中每天骑行一次”时,发送包含“次卡”的优惠信息至该类别的成熟共享助力车用户。该“次卡”例如为不限使用时间,可骑行多次的骑行卡。
根据成熟共享助力车用户的骑行行为特征和消费行为特征,判断该成熟共享助力车用户为的类别为“每天骑且一天骑多次”时,发送包含“月卡”或“季度卡”的优惠信息至该类别的成熟共享助力车用户。该“月卡”例如为一月内不限骑行次数的骑行卡。该“年卡”例如为一年内不限骑行次数的骑行卡。
根据成熟共享助力车用户的消费行为特征和消费行为特征,判断该成熟共享助力车用户为的类别为“每天骑且一天骑多次”时,发送包含“月卡”或“季度卡”的优惠信息至该类别的成熟共享助力车用户。该“月卡”例如为一月内不限骑行次数的骑行卡。该“年卡”例如为一年内不限骑行次数的骑行卡。
根据成熟共享助力车用户的消费行为特征和消费行为特征,判断该成熟共享助力车用户为的类别为“在指定区域内,每天骑行,且每天骑行多次”时,发送包含“特定区域优惠的月卡”或“特定区域优惠的季度卡”的优惠信息至该类别的成熟共享助力车用户。该“特定区域优惠的月卡”较普通的“月卡”更加的优惠,但该特定区域优惠的月卡的使用必须是在为该用户定制的指定区域内,即骑行范围需在指定区域内,而在离开为该用户定制的指定区域内骑行,则不能使用该特定区域优惠,只能按照原价或其他优惠政策计费。即可实现向不同的共享助力车用户发送对应的共享助力车的骑行优惠信息,满足不同用户的用车需求,提高共享车辆的使用率。
步骤S104:根据降频预警模型,对共享助力车骑行次数下降幅度大于预设幅度阈值的预降频共享助力车用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频共享助力车用户转化为降频共享助力车用户的降频转化概率;且,具体分析时,可根据降频预警模型,对在第五时间段内(例如一个月内)骑行次数下降幅度大于预设幅度阈值(例如下降50%)的预降频共享助力车用户在第六时间段内的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频共享助力车用户转化为降频共享助力车用户的降频转化概率;例如,第五时间段的第一部分时间内(例如一个月的前两周),共享助力车骑行次数大于0,而在第五时间段的第二部分时间内(例如一个月的后两周),第五时间段的第二部分时间内共享助力车骑行次数相对于第五时间段的第一部分时间下降了60%,根据降频预警模型,对获取的预降频共享助力车用户在第六时间段(例如前两个月内)的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频共享助力车用户转化为降频共享助力车用户的降频转化概率。该第五时间段和该第六时间段可以选择为相同时间长度的时间,也可以是不同时间长度的时间。
具体的,根据共享助力车用户的历史数据(例如前三个月内的骑行数据),获取骑行次数下降幅度大于预设幅度阈值的预降频共享助力车用户的骑行行为特征、消费行为特征以及预降频共享助力车用户转化为所述降频共享助力车用户的降频转化结果进行模型训练,以获得所述降频预警模型。其中,所述共享单车的骑行行为特征至少包括以下中的一种:单次骑行距离、骑行起始位置(例如执行开锁操作的位置)、骑行终点位置(例如执行关锁操作的位置)、骑行路线、骑行总次数、每天的骑行频次、骑行间隔天数以及单次骑行时长;所述消费行为特征至少包括以下中的一种:购买骑行卡、购买优惠券、每次骑行的费用以及骑行总费用。所述降频共享助力车用户为在较长时间内,骑行次数小于或等于降频之后的次数,例如,共享助力车用户在一个月内,骑行次数由前两周的20次下降为后两周的8次,则该共享助力车用户为预降频共享助力车用户,且该预降频共享助力车用户在随后的一个月内,骑行次数都小于或等于降频之后的次数(例如小于或等于8次),则该预降频共享助力车用户成为降频共享助力车用户,而如果该预降频共享助力车用户在随后的一个月内,骑行次数又逐渐攀升,则该预降频共享助力车用户并非转化为降频共享助力车用户,只是由于某些特定的原因(例如短期外出),在短期内骑行频次的下降,待特定原因消除后,骑行频次又会恢复正常。例如,对某两个月的历史数据的前一个月内获取的骑行次数下降幅度大于预设幅度阈值的预降频共享助力车用户的骑行行为特征和消费行为特征进行分析,且以后一个月内预降频共享助力车用户转化为所述降频共享助力车用户的降频转化结果作为该前一个月内的预降频共享助力车用户的骑行行为特征和消费行为特征的对应转化结果。其中,如果在获取的历史数据中,预降频共享助力车用户具有购买骑行卡的行为,则该预降频共享助力车用户成为降频共享助力车用户的概率就会比较低。
如果在获取的历史数据中显示,预降频共享助力车用户的历史骑行的单次骑行距离也在下降,则该预降频共享助力车用户成为降频共享助力车用户的概率就会比较高。
具体的,可采用随机森林算法,获取所述降频预警模型。其中,所述随机森林算法的输入为预先根据共享助力车用户的历史数据获取的骑行次数下降幅度大于预设幅度阈值的预降频共享助力车用户的骑行行为特征和消费行为特征,所述随机森林算法的输出为预降频共享助力车用户转化为所述降频共享助力车用户的降频转化结果。
具体的,在一些实施例中,向降频转化概率大于预设降频转化概率阈值的预降频共享助力车用户发送第三信息;或选择所述降频转化概率的递减排序中前预设百分比的降频转化概率对应的预降频共享助力车用户发送所述第三信息。在具体应用中,所述预设降频转化概率阈值值例如为10%,即对所述降频转化概率大于10%的预降频共享助力车用户发送所述第三信息。或者在另一些实施例中,对所述降频转化概率进行排序,向降频转化概率较高的前20%的预降频共享助力车用户发送所述第三信息。其中,所述第三信息可包括针对所述共享助力车的骑行优惠信息。使得骑行优惠信息的发放更加有针对性,即对具有高概率转化为降频共享助力车用户的预降频共享助力车用户发送共享助力车的骑行优惠信息。提升用户用车的满意度,提高共享助力车的使用率,增加共享车辆运营企业的营收。
步骤S105:根据流失预警模型,对骑行次数由大于0次降为0次的预流失共享助力车用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预流失共享助力车用户转化为流失共享助力车用户的流失转化概率。且,具体分析时,可根据流失预警模型,对第七时间段内(例如一个月内),骑行次数由大于0次降为0次的预流失共享助力车用户在第八时间段内的骑行行为特征和消费行为特征进行分析,以获取所述预流失共享助力车用户转化为流失共享助力车用户的概率。例如,第七时间段的第一部分时间内(例如一个月的前两周),共享助力车骑行次数大于0,而在第七时间段的第二部分时间内(例如一个月的后两周),共享助力车骑行次数为0次,根据流失预警模型,对获取的预流失共享助力车用户在第八时间段内(例如前两个月内)的骑行行为特征和/或消费行为特征进行分析,以获取所述预流失共享助力车用户转化为流失共享助力车用户的流失转化概率。该第七时间段和该第八时间段可以选择为相同时间长度的时间,也可以是不同时间长度的时间。
具体的,根据共享助力车用户的历史数据(例如前三个月内的骑行数据),获取骑行次数由大于0次降为0次的预流失共享助力车用户的骑行行为特征、消费行为特征以及所述预流失共享助力车用户转化为流失共享助力车用户的流失转化结果进行模型训练,以获得所述流失预警模型。其中,所述共享单车的骑行行为特征至少包括以下中的一种:单次骑行距离、骑行起始位置(例如执行开锁操作的位置)、骑行终点位置(例如执行关锁操作的位置)、骑行路线、骑行总次数、每天的骑行频次、骑行间隔天数以及单次骑行时长;所述消费行为特征至少包括以下中的一种:购买骑行卡、购买优惠券、每次骑行的费用以及骑行总费用。所述流失共享助力车用户为在较长时间内,骑行次数为0,例如,共享助力车用户在一个月内,骑行次数由前两周的大于0次下降为后两周的0次,则该共享助力车用户为预流失共享助力车用户,且该预流失共享助力车用户在随后的一个月内,骑行次数都为0次,则该预流失共享助力车用户为流失共享助力车用户,而如果该预流失共享助力车用户在随后的一个月内,骑行次数又逐渐攀升,则该预流失共享助力车用户并非转化为流失共享助力车用户,只是由于某些特定的原因(例如短期出差),在短期内骑行频次为0,待特定原因消除后,骑行频次又会恢复正常。例如,对某两个月的历史数据的前一个月内获取的骑行次数由大于0次降为0次的预流失共享助力车用户的骑行行为特征和消费行为特征进行分析,且以后一个月内预流失共享助力车用户转化为所述流失共享助力车用户的流失转化结果作为该前一个月内的预流失共享助力车用户的骑行行为特征和消费行为特征的对应转化结果。其中,如果在获取的历史数据中,预流失共享助力车用户具有购买骑行卡的行为,则该预流失共享助力车用户成为降频共享助力车用户的概率就会比较低。
如果在获取的历史数据中显示,预流失共享助力车用户的历史骑行的单次骑行距离也在下降,则该预流失共享助力车用户成为流失共享助力车用户的概率就会比较高。
具体的,可采用随机森林算法,获取所述流失预警模型。其中,所述随机森林算法的输入为预先根据共享助力车用户的历史数据获取的骑行次数由大于0次降为0次的预流失共享助力车用户的骑行行为特征和消费行为特征,,所述随机森林算法的输出为所述预流失共享助力车用户转化为流失共享助力车用户的流失转化结果。
具体的,在一些实施例中,向流失转化概率大于预设流失转化概率阈值的预流失共享助力车用户发送第四信息;或选择所述流失转化概率的递减排序中前预设百分比的流失转化概率对应的预流失共享助力车用户发送所述第四信息。在具体应用中,所述预设流失转化概率阈值值例如为10%,即对所述流失转化概率大于10%的预流失共享助力车用户发送所述第四信息。或者在另一些实施例中,对所述流失转化概率进行排序,向流失转化概率较高的前20%的预流失共享助力车用户发送所述第四信息。其中,所述第四信息可包括针对所述共享助力车的骑行优惠信息。使得骑行优惠信息的发放更加有针对性,即对具有高概率转化为流失共享助力车用户的预流失享助力车用户发送共享助力车的骑行优惠信息,例如,实施发放折扣券和短信强制优惠提醒的营销手段,同时辅助低价次卡和月卡售卖,从而提高潜在流失用户的骑行频次,实现对流失概率较高的助力车用户进行及时挽留,防止用户流失。提升用户用车的满意度,提高共享助力车的使用率,增加共享车辆运营企业的营收。
在一些实施例中,例如设定所述步骤S101对应的助力车用户的阶段为导入期,步骤S102对应的助力车用户的阶段为成长期,步骤S103对应的助力车用户的阶段为成熟期,步骤S104对应的助力车用户的阶段为衰退期,步骤S105对应的助力车用户的阶段为流失期。
在一些实施例中,所述用户管理方法S100还包以下步骤:
获取所述第一车辆用户的历史数据,根据所述第一车辆用户的历史数据,获取各所述第一车辆用户的骑行行为特征和/或消费行为特征;具体的,该第一车辆为助力车,跟据各所述助力车用户的骑行行为特征和/或消费行为特征获取各所述助力车用户的价值属性、助力车忠诚度以及助力车品牌忠诚度。
例如,获取所述步骤S102~步骤S105中的用户数据,即根据用户生命周期中的所述成长期到所述流失期的数据,对助力车用户进行级别划分。其中,所述价值属性为所述第一车辆用户在最近一段时间内(例如最近一个月内)助力车贡献价值,即在该最近一段时间内,助力车用户的人均消费额,人均消费额越高的助力车用户,价值属性越高,即对应的助力车用户的级别也越高。所述第一车辆忠诚度例如为助力车忠诚度,具体的,所述助力车忠诚度为最近一段时间内(例如最近一个月内)骑行助力车的次数以及从助力车用户从注册开始的累计骑行次数,且最近一段时间内(例如最近一个月内)骑行助力车的次数越多或累计骑行次数越多,助力车忠诚度越高,对应的助力车用户的级别也越高。所述第一车辆品牌忠诚度例如为助力车品牌忠诚度,所述助力车品牌忠诚度为该助力车用户对指定运营商对应的品牌的助力车的累计骑行次数以及与该助力车用户对应的单车用户对所述指定运营商对应的品牌的单车的累计骑行次数之和。对同一品牌的所述助力车的累计骑行次数和所述单车的累计骑行次数之和越大,助力车用户的品牌忠诚度越高,且该助力车用户的用户级别越高。
根据各所述第一车辆用户的骑行行为特征和/或消费行为特征对所述第一车辆用户进行级别划分;具体的,根据各所述第一车辆用户的所述价值属性、所述第一车辆忠诚度以及所述助力车品牌忠诚度对所述第一车辆用户进行级别划分;例如,根据所述助力车用户的所述价值属性、所述第一车辆忠诚度以及所述助力车品牌忠诚度将所述助力车用户划分为以下等级:平台低价值用户、助力车成长期用户、助力车中等价值成长期用户、助力车中高价值成熟期用户、助力车高价值成熟期用户、助力车中高价值降频用户、助力车流失单车高价值用户以及平台流失用户;具体应用中,可采用聚类算法,将所述助力车用户划分为上述8个级别对应的8个类别,例如根据K-means算法获取该实施例中的聚类模型,所述K-means聚类算法的处理对象是根据共享助力车用户的历史数据(例如一个月内的历史数据),获取的助力车用户的价值属性、助力车忠诚度以及助力车品牌忠诚度,且将根据K-means聚类结果划定为以下8个类别:平台低价值用户、助力车成长期用户、助力车中等价值成长期用户、助力车中高价值成熟期用户、助力车高价值成熟期用户、助力车中高价值降频用户、助力车流失单车高价值用户以及平台流失用户。
向对应级别的所述第一车辆用户发送指定级别的级别信息。例如向对应级别的用户发送对应级别的预警信息、消费券信息等。
所述用户管理方法S100至少包括所述步骤S101~步骤S105中的其中一个步骤,当所述用户管理方法S100包括所述步骤S101~步骤S105时,所述步骤S101~步骤S105的执行顺序可以有多种,不以本申请的步骤编号和步骤描述先后所限制,各步骤之间没有严格的执行顺序,各步骤可以以各种顺序依次执行,各步骤也可同时执行。
参阅图2,显示为本发明的用户管理***在一具体实施例中的组成示意图。所述用户管理***200用于对第一车辆的用户进行管理,其中,所述第一车辆例如为共享车辆,具体的,可为共享助力车或共享汽车等。所述用户管理***200至少包括以下模块中的一种:潜客识别模块201、高价值转化模块202、聚类模块203、降频预警模块204以及流失预警模块205。所述用户管理***200与所述用户管理方法S100相对应,所有关于所述用户管理方法S100的描述均可应用于本实施例中。
所述潜客识别模块201,用以根据潜客识别模型,对骑行过第二车辆且在所述第一车辆运行区域内对所述第二车辆执行过开锁操作或关锁操作的第二车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述第二车辆用户转化为第一车辆用户的潜客转化概率;所述潜客识别模块201与所述步骤S101的技术方案相对应,所有关于所述步骤S101的描述均可应用于所述潜客识别模块201的技术方案的描述中。
所述高价值转化模块202,用以根据潜在高价值用户识别模型,对新第一车辆用户的首次第一车辆骑行中的骑行行为特征和/或消费行为特征进行分析,以获取所述新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;所述高价值转化模块202与所述步骤S102的技术方案相对应,所有关于所述步骤S102的描述均可应用于所述高价值转化模块202的技术方案的描述中。
所述聚类模块203,用以根据聚类模型,对第一车辆骑行次数大于第一预设次数阈值的成熟第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以对所述成熟第一车辆用户进行类别划分;所述聚类模块203与所述步骤S103的技术方案相对应,所有关于所述步骤S103的描述均可应用于所述聚类模块203的技术方案的描述中。
所述降频预警模块204,用以根据降频预警模型,对第一车辆骑行次数下降幅度大于预设幅度阈值的预降频第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;所述降频预警模块204与所述步骤S104的技术方案相对应,所有关于所述步骤S104的描述均可应用于所述降频预警模块204的技术方案的描述中。
所述流失预警模块205,用以根据流失预警模型,对骑行次数由大于0次降为0次的预流失第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。所述流失预警模块205与所述步骤S105的技术方案相对应,所有关于所述步骤S105的描述均可应用于所述流失预警模块205的技术方案的描述中。
本发明的一具体实施例中,还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述用户管理方法S100。
本发明的一具体实施例中,还提供一种电子设备,该电子设备包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行所述用户管理方法S100。
所述存储器可包括高速随机存取存储器,并且还可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中,存储器还可以包括远离一个或多个处理器的存储器,例如经由RF电路或外部端口以及通信网络访问的网络附加存储器,其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等,或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。
所述处理器可操作地与存储器和/或非易失性存储设备耦接。更具体地,处理器可执行在存储器和/或非易失性存储设备中存储的指令以在计算设备中执行操作,诸如生成图像数据和/或将图像数据传输到电子显示器。如此,处理器可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。
综上所述,本发明提供一种用户管理方法、装置、电子设备及介质,其中,所述方法包括:根据潜客识别模型获取所述单车用户转化为第一车辆用户的潜客转化概率;根据潜在高价值用户识别模型,获取所述新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;根据聚类模型,对所述成熟第一车辆用户进行类别划分;根据降频预警模型,获取所述预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;根据流失预警模型,获取所述预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。本发明可以根据预先训练好的机器学习模型,对第一车辆用户生命周期的各个阶段进行管理,以提高用户满意度、提高第一车辆的使用率、提高企业关于第一车辆的营收以及降低企业运行成本,且可减少企业对第一车辆的管理时间和管理消耗的人力。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种用户管理方法,其特征在于,用于对第一车辆的用户进行管理,所述方法包括:
根据潜客识别模型,对骑行过第二车辆且在所述第一车辆运行区域内对所述第二车辆执行过开锁操作或关锁操作的第二车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述第二车辆用户转化为第一车辆用户的潜客转化概率;和/或
根据潜在高价值用户识别模型,对新第一车辆用户的首次第一车辆骑行中的骑行行为特征和/或消费行为特征进行分析,以获取所述新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;和/或
根据聚类模型,对第一车辆骑行次数大于第一预设次数阈值的成熟第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以对所述成熟第一车辆用户进行类别划分;和/或
根据降频预警模型,对第一车辆骑行次数下降幅度大于预设幅度阈值的预降频第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;和/或
根据流失预警模型,对骑行次数由大于0次降为0次的预流失第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。
2.根据权利要求1所述的用户管理方法,其特征在于,根据所述第一车辆用户和所述第二车辆用户的历史数据,获取骑行过所述第二车辆且在所述第一车辆运行区域内对所述第二车辆执行过所述开锁操作或所述关锁操作的所述第二车辆用户的骑行行为特征、消费行为特征以及所述第二车辆用户是否转化为第一车辆用户的潜客转化结果进行模型训练,以获得所述潜客识别模型。
3.根据权利要求1所述的用户管理方法,其特征在于,根据所述第一车辆用户的历史数据,获取所述新第一车辆用户的首次第一车辆骑行中的骑行行为特征、消费行为特征以及所述新第一车辆用户转化为高价值第一车辆用户的高价值转化结果进行模型训练,以获得所述潜在高价值用户识别模型。
4.根据权利要求1所述的用户管理方法,其特征在于,根据所述第一车辆用户的历史数据,获取所述成熟第一车辆用户的骑行行为特征、消费行为特征以及对应各所述骑行行为特征和各所述消费行为特征的分类结果,获取所述聚类模型。
5.根据权利要求1所述的用户管理方法,其特征在于,根据所述第一车辆用户的历史数据,获取所述预降频第一车辆用户的骑行行为特征、消费行为特征以及所述预降频第一车辆用户转化为所述降频第一车辆用户的降频转化结果进行模型训练,以获得所述降频预警模型。
6.根据权利要求1所述的用户管理方法,其特征在于,根据所述第一车辆用户的历史数据,对所述预流失第一车辆用户的骑行行为特征、消费行为特征以及所述预流失第一车辆用户转化为所述流失第一车辆用户的流失转化结果进行模型训练,以获得所述流失预警模型。
7.根据权利要求1所述的用户管理方法,其特征在于,所述骑行行为特征至少包括以下中的一种:单次骑行距离、骑行起始位置、骑行终点位置、骑行路线、骑行总次数、每天的骑行频次、骑行间隔天数以及单次骑行时长;所述消费行为特征至少包括以下中的一种:购买骑行卡、购买优惠券、每次骑行的费用以及骑行总费用。
8.根据权利要求1所述的用户管理方法,其特征在于,所述用户管理方法还包括:
获取所述第一车辆用户的历史数据,根据所述第一车辆用户的历史数据,获取各所述第一车辆用户的骑行行为特征和/或消费行为特征;
根据各所述第一车辆用户的骑行行为特征和/或消费行为特征对所述第一车辆用户进行级别划分;
向对应级别的所述第一车辆用户发送指定级别的级别信息。
9.根据权利要求8所述的用户管理方法,其特征在于,
获取各所述第一车辆用户的骑行行为特征和/或消费行为特征的步骤还包括:根据各所述第一车辆用户的骑行行为特征和/或消费行为特征获取各所述第一车辆用户的价值属性、第一车辆忠诚度以及第一车辆品牌忠诚度;
根据各所述第一车辆用户的骑行行为特征和/或消费行为特征对所述第一车辆用户进行级别划分的步骤还包括:根据各所述第一车辆用户的所述价值属性、所述第一车辆忠诚度以及所述第一车辆品牌忠诚度对所述第一车辆用户进行级别划分。
10.一种用户管理***,其特征在于,用于对第一车辆的用户进行管理,所述***包括:
潜客识别模块,用以根据潜客识别模型,对骑行过第二车辆且在所述第一车辆运行区域内对所述第二车辆执行过开锁操作或关锁操作的第二车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述第二车辆用户转化为第一车辆用户的潜客转化概率;和/或
高价值转化模块,用以根据潜在高价值用户识别模型,对新第一车辆用户的首次第一车辆骑行中的骑行行为特征和/或消费行为特征进行分析,以获取所述新第一车辆用户转化为高价值第一车辆用户的高价值转化概率;和/或
聚类模块,用以根据聚类模型,对第一车辆骑行次数大于第一预设次数阈值的成熟第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以对所述成熟第一车辆用户进行类别划分;和/或
降频预警模块,用以根据降频预警模型,对第一车辆骑行次数下降幅度大于预设幅度阈值的预降频第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预降频第一车辆用户转化为降频第一车辆用户的降频转化概率;和/或
流失预警模块,用以根据流失预警模型,对骑行次数由大于0次降为0次的预流失第一车辆用户的骑行行为特征和/或消费行为特征进行分析,以获取所述预流失第一车辆用户转化为流失第一车辆用户的流失转化概率。
11.一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,所述程序被处理器执行时实现如权利要求1至9中任一项所述用户管理方法。
12.一种电子设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行如权利要求1至9中任一项所述用户管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514634.9A CN113112309A (zh) | 2021-05-08 | 2021-05-08 | 一种用户管理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514634.9A CN113112309A (zh) | 2021-05-08 | 2021-05-08 | 一种用户管理方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112309A true CN113112309A (zh) | 2021-07-13 |
Family
ID=76721975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110514634.9A Pending CN113112309A (zh) | 2021-05-08 | 2021-05-08 | 一种用户管理方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112309A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105763596A (zh) * | 2015-01-05 | 2016-07-13 | 福特全球技术公司 | 对等车辆共享社交图谱配置器 |
CN107274256A (zh) * | 2017-05-17 | 2017-10-20 | 南京昱立信息科技有限公司 | 共享单车客户识别***及分级方法 |
CN110490703A (zh) * | 2019-08-12 | 2019-11-22 | 永安行科技股份有限公司 | 一种基于车辆情况的车辆推荐方法和装置 |
CN110852780A (zh) * | 2019-10-08 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 数据分析方法、装置、设备和计算机存储介质 |
CN111127085A (zh) * | 2019-12-12 | 2020-05-08 | 上海钧正网络科技有限公司 | 奖励价值分配方法、装置、计算机设备和存储介质 |
CN111191834A (zh) * | 2019-12-26 | 2020-05-22 | 北京摩拜科技有限公司 | 用户行为的预测方法、装置及服务器 |
CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
-
2021
- 2021-05-08 CN CN202110514634.9A patent/CN113112309A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105763596A (zh) * | 2015-01-05 | 2016-07-13 | 福特全球技术公司 | 对等车辆共享社交图谱配置器 |
CN107274256A (zh) * | 2017-05-17 | 2017-10-20 | 南京昱立信息科技有限公司 | 共享单车客户识别***及分级方法 |
CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
CN110490703A (zh) * | 2019-08-12 | 2019-11-22 | 永安行科技股份有限公司 | 一种基于车辆情况的车辆推荐方法和装置 |
CN110852780A (zh) * | 2019-10-08 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 数据分析方法、装置、设备和计算机存储介质 |
CN111127085A (zh) * | 2019-12-12 | 2020-05-08 | 上海钧正网络科技有限公司 | 奖励价值分配方法、装置、计算机设备和存储介质 |
CN111191834A (zh) * | 2019-12-26 | 2020-05-22 | 北京摩拜科技有限公司 | 用户行为的预测方法、装置及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shin et al. | Consumer preferences and willingness to pay for advanced vehicle technology options and fuel types | |
Vij et al. | Consumer preferences for on-demand transport in Australia | |
WO2016091173A1 (zh) | 一种用户维护***及方法 | |
CN112534452A (zh) | 用于改进自动执行能源、计算、存储和其它资源的现货和远期市场中的分布式账本和其它交易的机器和***的方法和*** | |
US10740682B2 (en) | Sensor based truth maintenance | |
US8271310B2 (en) | Virtualizing consumer behavior as a financial instrument | |
US20170300991A1 (en) | Used-vehicle algorithmic pricing engine method and system | |
Poulsen et al. | Green cabs vs. uber in new york city | |
CN112182421A (zh) | 一种潜在客户挖掘方法、装置及电子设备 | |
Chen et al. | Short-term prediction of demand for ride-hailing services: A deep learning approach | |
Sun et al. | Investigating the potential of truck platooning for energy savings: empirical study of the US national highway freight network | |
Ding et al. | Effect of dockless bike-sharing scheme on the demand for London Cycle Hire at the disaggregate level using a deep learning approach | |
Sterk et al. | Understanding car data monetization: A taxonomy of data-driven business models in the connected car domain | |
Samunderu et al. | Predicting customer purpose of travel in a low-cost travel environment—A Machine Learning Approach | |
CN113095889A (zh) | 一种保险定价方法、装置、服务器及存储介质 | |
Basu | Reinterpreting vehicle ownership in the era of shared and smart mobility | |
Phiboonbanakit et al. | Analyzing Bangkok city taxi ride: reforming fares for profit sustainability using big data driven model | |
Hui et al. | Carsharing trip characteristic analysis: Do users choose carsharing rather than taxi to economize? | |
Ghamami et al. | Introducing a design framework for a multi-modal public transportation system, focusing on mixed-fleet bike-sharing systems | |
WO2023051085A1 (zh) | 对象识别方法、装置、设备、存储介质和程序产品 | |
CN113112309A (zh) | 一种用户管理方法、装置、电子设备及介质 | |
Kumar et al. | The Value of Disruptive Innovations | |
CN111327661A (zh) | 推送方法、推送装置、服务器和计算机可读存储介质 | |
CN116091157A (zh) | 资源推送方法及装置、存储介质、计算机设备 | |
Nguyen | Automotive Service Quality Investigation Using a Grey-DEMATEL Model. |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |