CN115408586A - 一种智能渠道运营数据分析方法、***、设备及存储介质 - Google Patents
一种智能渠道运营数据分析方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN115408586A CN115408586A CN202211025826.4A CN202211025826A CN115408586A CN 115408586 A CN115408586 A CN 115408586A CN 202211025826 A CN202211025826 A CN 202211025826A CN 115408586 A CN115408586 A CN 115408586A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- channel
- path
- operation data
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 151
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 230000014759 maintenance of location Effects 0.000 claims description 123
- 230000006399 behavior Effects 0.000 claims description 94
- 238000012384 transportation and delivery Methods 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012502 risk assessment Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 108091006146 Channels Proteins 0.000 description 311
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000004458 analytical method Methods 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种智能渠道运营数据分析方法、***、设备及存储介质，其方法包括实时获取全生命周期的渠道运营数据，对所述渠道运营数据进行数据清洗处理，得到有效用户数据，对所述有效用户数据进行用户画像处理，得到用户画像数据，根据所述用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图，识别所述用户留存曲线上的渠道异常数据，并对所述渠道异常数据进行数据标记，得到渠道标记数据，根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化。本申请具有提高渠道运营数据分析结果的准确性的效果。
Description
技术领域
本发明涉及数据分析的技术领域，尤其是涉及一种智能渠道运营数据分析方法、***、设备及存储介质。
背景技术
目前，随着大数据时代的快速发展，企业的投放渠道也在进行快速迭代，常见的投放渠道如信息流广告、媒体推广和搜索引擎等，无论是付费渠道还是免费渠道，都需要企业付出一定的运营成本，因此复杂多样的推广渠道也对渠道运营提出了更高的要求，尤其是在电商领域，电商产品推广渠道的选择往往决定了电商产品的销量。
现有的渠道运营数据分析方式通常为通过第三方统计工具拉取渠道的全部渠道运营数据进行数据分析，从而根据分析结果判断渠道是否为优质渠道，并进行相应的广告投放，但是，部分渠道运营商为了吸引广告商，往往会通过网络水军进行定时定点的登录来提供一个“高点击率”的流量假象，这些渠道刷量、渠道作弊所带来的虚假流量往往给渠道运营数据分析带来难以忽略的误差影响，影响渠道分析结果的准确性。
针对上述中的相关技术，发明人认为存在有虚假渠道流量影响渠道运营数据分析结果的准确性缺陷。
发明内容
为了提高渠道运营数据分析结果的准确性，本申请提供一种智能渠道运营数据分析方法、***、设备及存储介质。
本申请的上述发明目的一是通过以下技术方案得以实现的：
提供一种智能渠道运营数据分析方法，所述智能渠道运营数据分析方法包括：
实时获取全生命周期的渠道运营数据，对所述渠道运营数据进行数据清洗处理，得到有效用户数据；
对所述有效用户数据进行用户画像处理，得到用户画像数据；
根据所述用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图；
识别所述用户留存曲线上的渠道异常数据，并对所述渠道异常数据进行数据标记，得到渠道标记数据；
根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化。
通过采用上述技术方案，由于渠道流量作弊通常是通过定时模拟启动行为和固定浏览行为统一进行的，难以产生真实用户的随机浏览行为和点击转化行为，因此，通过对全生命周期的渠道运营数据进行数据清洗处理，有助于将用户行为固定且无真实转化率的无效运营数据进行清除，从而得到有效用户数据，通过有效用户数据进行用户画像，有助于减少虚假渠道流量对用户画像带来的误差影响，并通过用户留存曲线图对数据拐点、断点等渠道异常数据进行数据标记，从而有助于针对性地对渠道异常数据进行优化，并通过对渠道用户转化率的计算，有助于根据用户留存情况和渠道用户转化率对渠道投放策略进行多维度的优化，从而使优化后的渠道投放策略更加贴合真实渠道流量，从而提高渠道运营数据的分析结果的准确性。
本申请在一较佳示例中可以进一步配置为：所述对所述有效用户数据进行用户画像处理，得到用户画像数据，具体包括：
获取符合企业渠道投放目标的原始渠道投放策略；
对所述原始渠道投放策略进行数据分析处理，得到用于绘制用户画像的用户特征指标；
识别所述渠道运营数据中的用户唯一标识码和用户行为数据；
根据所述用户唯一标识码，对所述用户特征指标和所述用户行为数据进行聚类处理，得到用户聚类模型；
将所述有效用户数据输入到所述用户聚类模型中，得到用户画像数据。
通过采用上述技术方案，每个企业的渠道投放目的均不相同，如电商企业是为了促进商品销量，新闻网站是为了增加新闻浏览量，投放目的不同，所针对的目标用户群体也不相同，因此，为了提高用户画像与企业投放目的的契合度，通过对原始渠道投放策略进行分析，从而得到符合企业投放目标的用户特征指标，有助于根据用户特征指标筛选出契合程度最优的用户数据，由于用户唯一标识码具有唯一性，虚假流量难以对用户唯一标识码进行模拟，因此根据用户唯一标识码，将用户特征指标和用户行为数据进行聚类关联，从而根据用户聚类模型能够快速地将符合用户特征指标的有效用户数据进行关联和聚集，得到用户画像数据，进而提高渠道运营数据的用户画像速率。
本申请在一较佳示例中可以进一步配置为：在所述将所述有效用户数据输入到所述用户聚类模型中，得到用户画像数据之后，包括：
对所述用户行为数据进行路径跟踪处理，得到用户行为路径；
根据所述用户行为路径，对渠道用户到达预设转化目标进行路径规划，得到用户转化路径；
按照所述用户转化路径进行渠道运营过程中，实时获取渠道用户的实际行为路径；
将所述实际行为路径和所述用户转化路径进行路径拟合处理，得到路径偏差数据；
根据所述路径偏差数据，生成与所述路径偏差数据相对应的，且用于对所述原始渠道投放策略进行投放路径调整的路径优化指令。
通过采用上述技术方案，由于每个渠道用户的用户行为路径均不相同，在对用户行为数据进行预判时，往往是通过用户行为路径对用户行为进行跟踪，因此，通过将散点分布的用户行为数据绘制成可视化的用户行为路径，并结合预期转化目标进行路径规划，从而得到用户转化路径，其中，预期转化目标由渠道投放策略中分析得到，通过用户转化路径对渠道投放策略进行调整，从而使渠道投放内容更加贴合用户需求，提高用户体验，并通过实际行为路径和用户转化路径的拟合，得到路径偏差数据，从而有助于根据路径偏差数据对渠道投放素材进行及时的优化，从而使渠道投放路径更加贴合用户的需求，通过对投放渠道的动态调整，缩短用户实际行为路径达到预期转化目标之间的投放时间，从而减少渠道投放成本，也提高了渠道投放的转化效率。
本申请在一较佳示例中可以进一步配置为：所述根据所述用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图，具体包括：
识别所述渠道运营数据中的用户新增数据和用户登录数据，其中，所述用户登录数据为新增用户的次日登录数据；
根据所述用户新增数据和所述用户登录数据进行留存率计算，得到用户留存率；
根据所述用户留存率，绘制与所述用户画像数据相对应的用户留存曲线，得到用户留存曲线图。
通过采用上述技术方案，由于真实用户的用户留存曲线图通常呈指数式衰减变化，而虚假流量往往是机器固定设置，定时定点进行固定的登录或浏览行为，因此产生的用户留存曲线通常是平滑无变化的，难以模拟出真实流量的随机浏览变化的效果，因此，获取相邻运营周期下的用户新增数据和用户登录数据进行计算，从而得到用户留存率，有助于根据用户留存率判断用户是否为真实用户，并根据用户留存率结合用户画像数据进行用户留存曲线绘制，得到用户留存曲线图，通过用户留存曲线图可以直观地观察到渠道投放效果和用户留存变化情况，从而根据用户留存变化情况对渠道用户进行忠实度评估，从而有助于对用户进行多维度的分类，提高对用户真实性的判断准确度。
本申请在一较佳示例中可以进一步配置为：所述识别所述用户留存曲线上的渠道异常数据，并对所述渠道异常数据进行数据标记，得到渠道标记数据，具体包括：
获取所述渠道运营数据中的自然流量数据，其中，所述自然流量数据包括自然用户登录数据和自然用户新增数据；
根据所述自然用户登录数据和所述自然用户新增数据，构建关于自然流量数据的标准留存曲线；
将所述标准留存曲线和所述用户留存曲线进行特征比对，得到渠道异常数据；
根据所述用户画像数据中的用户特征指标对所述渠道异常数据进行数据标记，得到渠道标记数据。
通过采用上述技术方案，由于用户突然变更IP地址或者浏览时长徒增等现象都会造成用户留存曲线出现数据拐点或断点，形成渠道异常数据，存在渠道异常数据的用户留存变化情况过于随机不可控，对用户画像的误差补偿参考意义不大，因此，为了降低无效的用户留存数据对数据分析准确性的影响，通过自然流量数据的用户登录情况和用户新增情况绘制成标准留存曲线，有助于为符合渠道投放策略的用户留存曲线提供一个比对参考依据，根据比对结果得到用户留存曲线中与标准留存曲线相区别的异常数据，并通过用户特征指标对渠道异常数据进行数据标记，有助于根据渠道标记数据对不符合用户特征指标的渠道异常数据进行精准补偿，从而提高渠道运营数据分析的误差补偿准确性。
本申请在一较佳示例中可以进一步配置为：所述根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化，具体包括：
实时获取所述有效用户数据所对应渠道用户的转化次数信息；
将所述转化次数信息和符合所述用户留存曲线的用户登录数据进行计算，得到渠道用户转化率；
根据所述渠道用户转化率，构建符合所述用户留存曲线的用户漏斗模型；
将所述渠道运营数据输入到所述用户漏斗模型中，生成与所述渠道用户转化率相对应的，且用于对渠道投放策略进行优化的策略优化指令。
通过采用上述技术方案，由于渠道作弊所产生的虚假流量通常为通过机器设定，来进行启动模拟、点击模拟或浏览模拟等宏观指标的模拟行为，但是对于用户转化率的模拟却存在一定的技术难度，通常虚假流量仅停留在宏观指标表现层面，当渠道运营数据的宏观指标优异，用户真实转化率却很低时，则说明存在较高的流量作假的可能性，因此，通过获取有效用户数据对应的用户转化次数信息，结合用户留存曲线中的用户登录数据进行用户转化率的计算，有助于根据用户转化率判断对应的渠道运营数据的有效性，并通过渠道用户转化率构建用户漏斗模型，有助于根据用户漏斗模型对用户转情况进行深度分析，对渠道运营过程中的多个环节进行监督和管理，并根据用户漏斗模型对渠道运营数据进行多维度分析，根据分析结果有助于对渠道投放策略进行进一步的优化，使优化后的渠道投放策略更贴合渠道用户转化率，提高渠道运营数据分析结果的真实性。
本申请在一较佳示例中可以进一步配置为：所述根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化之后，还包括：
将所述渠道用户转化率与所述渠道投放策略中预设的预期转化指标进行比对，得到转化率比对结果；
根据所述转化率比对结果对所述渠道用户进行风险评估，得到用户风险评估结果；
根据所述用户风险评估结果判断所述渠道用户是否为风险用户；
若是，则对所述风险用户进行数据清除处理，以便于使所述渠道运营数据更贴合自然流量下的用户转化率。
通过采用上述技术方案，由于在渠道虚假流量往往存在于渠道宏观层面，如页面停留时长、访问深度等，存在虚假流量的风险渠道通常表现为用户宏观数据表现良好，而转化率和留存率较低，因此，通过渠道用户转化率和预设的预期转化指标进行比对，有助于判断渠道用户转化率是否符合预期转化指标，并进一步判断渠道的投放效果是否满足企业的渠道投放需求，并根据用户风险评估结果来判断渠道用户是否为风险用户，如用户宏观数据良好却转化率低下的虚假用户，从而对风险用户进行数据清除处理，减少无效用户对渠道运营数据分析结果所带来的误差影响，使渠道运营数据的数据分析结果更加贴合自然流量下的用户转化率。
本申请的上述发明目的二是通过以下技术方案得以实现的：
提供一种智能渠道运营数据分析***，所述智能渠道运营数据分析***包括：
数据获取模块，用于实时获取全生命周期的渠道运营数据，对所述渠道运营数据进行数据清洗处理，得到有效用户数据；
用户画像模块，用于对所述有效用户数据进行用户画像处理，得到用户画像数据；
留存曲线构建模块，用于根据所述用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图；
数据标记模块，用于识别所述用户留存曲线上的渠道异常数据，并对所述渠道异常数据进行数据标记，得到渠道标记数据；
策略优化模块，用于根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化。
通过采用上述技术方案，由于渠道流量作弊通常是通过定时模拟启动行为和固定浏览行为统一进行的，难以产生真实用户的随机浏览行为和点击转化行为，因此，通过对全生命周期的渠道运营数据进行数据清洗处理，有助于将用户行为固定且无真实转化率的无效运营数据进行清除，从而得到有效用户数据，通过有效用户数据进行用户画像，有助于减少虚假渠道流量对用户画像带来的误差影响，并通过用户留存曲线图对数据拐点、断点等渠道异常数据进行数据标记，从而有助于针对性地对渠道异常数据进行优化，并通过对渠道用户转化率的计算，有助于根据用户留存情况和渠道用户转化率对渠道投放策略进行多维度的优化，从而使优化后的渠道投放策略更加贴合真实渠道流量，从而提高渠道运营数据的分析结果的准确性。
本申请的上述目的三是通过以下技术方案得以实现的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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智能渠道运营数据分析方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述智能渠道运营数据分析方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1、通过对全生命周期的渠道运营数据进行数据清洗处理，有助于将用户行为固定且无真实转化率的无效运营数据进行清除，从而得到有效用户数据，通过有效用户数据进行用户画像，有助于减少虚假渠道流量对用户画像带来的误差影响，并通过用户留存曲线图对数据拐点、断点等渠道异常数据进行数据标记，从而有助于针对性地对渠道异常数据进行优化，并通过对渠道用户转化率的计算，有助于根据用户留存情况和渠道用户转化率对渠道投放策略进行多维度的优化，从而使优化后的渠道投放策略更加贴合真实渠道流量，从而提高渠道运营数据的分析结果的准确性；
2、通过对原始渠道投放策略进行分析，从而得到符合企业投放目标的用户特征指标，有助于根据用户特征指标筛选出契合程度最优的用户数据，由于用户唯一标识码具有唯一性，虚假流量难以对用户唯一标识码进行模拟，因此根据用户唯一标识码，将用户特征指标和用户行为数据进行聚类关联，从而根据用户聚类模型能够快速地将符合用户特征指标的有效用户数据进行关联和聚集，从而得到用户画像数据，从而提高渠道运营数据的用户画像速率；
3、通过将散点分布的用户行为数据绘制成用户行为路径，并结合预期转化目标进行路径规划，从而得到用户转化路径，其中，预期转化目标由渠道投放策略中分析得到，通过用户转化路径对渠道投放策略进行调整，从而使渠道投放内容更加贴合用户需求，提高用户体验，并通过实际行为路径和用户转化路径的拟合，得到路径偏差数据数据，从而有助于根据路径偏差数据数据对渠道投放素材进行及时的优化，使渠道投放路径更加贴合用户的需求，通过对投放渠道的动态调整，缩短用户实际行为路径达到预期转化目标之间的投放时间，从而减少渠道投放成本，提高渠道投放的转化效率。
附图说明
图1是本申请一实施例中的一种智能渠道运营数据分析方法的实现流程图。
图2是本申请一实施例中的智能渠道运营数据分析方法的步骤S20的实现流程图。
图3是本申请一实施例中的智能渠道运营数据分析方法的步骤S20的另一实现流程图。
图4是本申请一实施例中的智能渠道运营数据分析方法的步骤S30的实现流程图。
图5是本申请一实施例中的智能渠道运营数据分析方法的步骤S40的实现流程图。
图6是本申请一实施例中的智能渠道运营数据分析方法的步骤S50的实现流程图。
图7是本申请一实施例中的智能渠道运营数据分析方法的步骤S50的另一实现流程图。
图8是本申请一实施例中的一种智能渠道运营数据分析***的结构示意图。
图9是本申请一实施例中用于实现智能渠道运营数据分析方法的计算机设备的内部结构示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种智能渠道运营数据分析方法，具体包括如下步骤：
S10：实时获取全生命周期的渠道运营数据，对渠道运营数据进行数据清洗处理，得到有效用户数据。
具体的，通过开发人员根据预设的渠道数据包进行渠道运营数据的拉取，如当有用户点击相应的产品连接时建立用户与产品之间的短链接，从而根据每个渠道与用户之间的短链接实时拉取渠道运营数据，渠道运营数据包括用户IP地址、用户个人信息、用户留存情况和用户转化情况等，全生命周期的渠道运营数据包括用户注册至用户注销期间所有的用户行为数据，并通过对预设的反作弊规则对部分可疑的或不需要的流量进行过滤，如频繁更换IP地址的可疑流量、活跃度低于预设标准的无效流量以及数据包不完整的无效流量等，从而通过数据清洗得到过滤无效流量后的有效用户数据。
S20：对有效用户数据进行用户画像处理，得到用户画像数据。
具体的，为了使用户画像数据更加贴合企业的投放目标，通过对原始渠道投放策略进行分析，并结合用户唯一标识码对用户特征指标和用户行为数据进行关联，从而得到用户画像数据，如图2所示，步骤S20具体包括：
S101：获取符合企业渠道投放目标的原始渠道投放策略。
具体的，根据产品标签、用户群体定位进行渠道投放策略的制定，并通过对产品的投放行为进行分析，得到原始渠道投放策略，如根据用户的产品推广方式选择、目标用户人群选择、推广效果选择和付费方式选择等进行综合分析，从而得到原始渠道投放策略，如搜索引擎投放、社交媒体投放和信息流广告投放等多种投放方式的选择。
S102：对原始渠道投放策略进行数据分析处理，得到用于绘制用户画像的用户特征指标。
具体的，通过对原始渠道投放策略进行数据分析，包括渠道用户特征、渠道投放场景和渠道信息进行分析，得到用户特征指标，如目标人群年龄、爱好、渠道活跃时长、购买力等。
S103：识别渠道运营数据中的用户唯一标识码和用户行为数据。
具体的，根据渠道运营数据，获取用户注册时的用户手机号码或者实名认证信息作为手机唯一标识码，并预先封装的监控数据包对渠道运营数据中的特定用户行为进行检测，包括用户点击、浏览、购买等用户行为，当用户行为达到预设的触发条件时通过监控数据包自动获取用户行为数据。
S104：根据用户唯一标识码，对用户特征指标和用户行为数据进行聚类处理，得到用户聚类模型。
具体的，根据每个用户特征指标对用户进行聚类，如将18-28年龄段的女性用户划分为一个类，将渠道活跃时长超过预设值如5小时的用户划分为一个类，根据用户特征指标数量设定对应数量的聚类质心，对同一渠道下的所有用户进行重复的归类处理，并根据归类结果对用户特征指标和用户行为数据进行关联，从而得到用户聚类模型。
S105：将有效用户数据输入到用户聚类模型中，得到用户画像数据。
具体的，当有效用户数据输入到用户聚类模型中时，按照用户特征指标对有效用户数据进行归类处理，并对归类后的有效用户数据中的用户行为数据和用户特征指标进行关联，从而得到关于用户唯一标识码的用户画像数据，如关联后的用户唯一标识码所对应的用户画像数据为18-28年龄段、渠道活跃度高于平均水平的女性用户，且浏览时间、购买力等行为数据高于男性用户等。
本实施例中，为了更加准确地对用户行为进行刻画，在将有效用户数据输入到用户聚类模型中，得到用户画像数据之后，如图3所示，步骤S20还包括：
S201：对用户行为数据进行路径跟踪处理，得到用户行为路径。
具体的，通过预先封装好的数据监控包获取每个有效用户行为的用户行为数据，如产生真实点击、浏览或购买等行为的用户行为数据，将散点分布的用户行为数据按照行为产生时间进行连线，从而得到用户行为数据的走势，根据用户行为数据的走势得到用户行为路径。
S202：根据用户行为路径，对渠道用户到达预设转化目标进行路径规划，得到用户转化路径。
具体的，通过决策树算法对用户行为路径进行筛选，获取当前用户位置达到预设转化目标的最优路径，如根据用户行为路径预测用户的下一行为，并根据决策树算法在多个用户预期行为中进行随机抽样，并对抽样的样本进行数据训练从而规划出最快达到预设转化目标的用转化路径。
S203：按照用户转化路径进行渠道运营过程中，实时获取渠道用户的实际行为路径。
具体的，根据用户转化路径向用户进行精准推送，如用户转化路径的预设转化目标为促成商品成交，则当用户进入推送渠道时，通过弹窗或者优化推送素材的方式吸引用户的注意力，并促成订单成交，并在用户转化路径进行产品推送的过程中实时获取用户的实际行为数据，并绘制成实际行为路径。
S204：将实际行为路径和用户转化路径进行路径拟合处理，得到路径偏差数据。
具体的，将实际行为路径和用户转化路径进行路径拟合，并在误差范围内根据拟合结果判断用户的实际行为路径符合用户转化路径，若是，则说明用户转化路径为最优用户转化路径；若否，则根据用户实际行为路径和用户转化路径之间的路径偏差数据，来对用户转化路径进行进一步的优化，如调整推送素材内容、调整推送方式如将弹窗推送改为视频页推送等。
S205：根据路径偏差数据，生成与路径偏差数据相对应的，且用于对原始渠道投放策略进行投放路径调整的路径优化指令。
具体的，根据路径偏差数据，如用户转化路径上的订单成交阶段，用户却只停留在产品浏览阶段，造成实际行为路径和用户转化路径之间的路径偏差数据，根据路径偏差数据结合用户画像数据，判断路径偏差数据的原因如支付能力低，从而生成与路径偏差数据相对应的，且用户对投放路径进行调整的路径优化指令，如将高价位产品调整至用户购买力较高的时间段进行投放，将低价位产品调整至用户购买力较低的时间段进行投放。
S30：根据用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图。
具体的，根据用户画像数据判断用户是否为符合渠道推广对象的目标人群，并根据用户画像数据如用户行为来构建用户留存曲线，如图4所示，步骤S30具体包括：
S301：识别渠道运营数据中的用户新增数据和用户登录数据，其中，用户登录数据为新增用户的次日登录数据。
具体的，根据用户注册时的注册按钮触发预先封装的数据监控包，根据数据监控包的激活情况得到用户新增数据，并根据用户唯一标识码搭建用户端与运营后台之间的短链路，通过用户的登录操作触发数据监控包对用户登录数据进行记录，从而得到用户登录数据。
S302：根据用户新增数据和用户登录数据进行留存率计算，得到用户留存率。
具体的，根据预设的留存率公式，如将用户登录数据与新增用户数据之间的商值作为用户留存率，如用户登录数值为200人次，对应的用户新增数值为1000人次，则用户留存率为20%。
S303：根据用户留存率，绘制与用户画像数据相对应的用户留存曲线，得到用户留存曲线图。
具体的，根据相邻运营时间段下的用户留存率，将相邻的用户行为数据进行关联，从而对用户留存曲线进行绘制，得到用户留存曲线图。
S40：识别用户留存曲线上的渠道异常数据，并对渠道异常数据进行数据标记，得到渠道标记数据。
具体的，为了减少渠道异常数据对渠道运营数据分析的误差影响，通过对用户留存曲线上的数据拐点、断点等异常的用户数据进行识别并标记，从而得到渠道标记数据，如图5所示，步骤S40具体包括：
S401：获取渠道运营数据中的自然流量数据，其中，自然流量数据包括自然用户登录数据和自然用户新增数据。
具体的，自然流量数据是指在产品未进行付费推广前的，用户通过关键字搜索、用户裂变等自行产生的产品浏览或付费数据，通过在产品未进行渠道推广状态时的用户访问情况进行记录，从而得到自然流量数据，其中，在未推广状态下的用户登录数量为自然用户登录数据，在未推广状态下的用户注册数量为自然用户新增数据，
S402：根据自然用户登录数据和自然用户新增数据，构建关于自然流量数据的标准留存曲线。
具体的，根据相邻运营周期的自然用户登录数据和自然用户新增数据进行自然流量的留存率计算，如获取到当天的自然用户新增人数为1000人，次日的自然用户登录人数为500人，则自然流量的留存率为50%，根据自然流量数据的留存率，将相邻运营周期下的用户数据进行连线，从而绘制成标准留存曲线，便于为渠道推广状态下的用户留存情况提供一个有效的数据参考。
S403：将标准留存曲线和用户留存曲线进行特征比对，得到渠道异常数据。
具体的，以运营周期为参照，将同一运营周期下的用户留存曲线与标准留存曲线进行特征比对，将运营周期分为激活阶段、留存阶段和流失阶段，如在留存阶段，标准留存曲线的平均用户浏览时长为3小时，在用户留存曲线中的平均用户浏览时长为1小时，则两个曲线在平均浏览时长的特征比对上相差较大，平均浏览时长异常数据为2小时，有助于根据渠道异常数据判断用户留存特征异常的原因。
S404：根据用户画像数据中的用户特征指标对渠道异常数据进行数据标记，得到渠道标记数据。
具体的，根据用户画像数据中的用户特征指标如用户购买力、用户活跃度、用户偏好等对渠道异常数据进行数据标记，如将平均用户浏览时长低于标准留存曲线的渠道异常数据标记为用户活跃度低，通过每个用户特征指标分别对用户留存曲线上的渠道异常数据进行标记，得到符合用户画像数据的渠道标记数据。
S50：根据用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过策略优化指令对渠道标记数据进行优化。
具体的，通过用户留存曲线结合用户转化率对渠道投放策略进行多维度的优化，从而使渠道投放策略更加贴合渠道真实流量的用户需求，如图6所示，步骤S50具体包括：
S501：实时获取有效用户数据所对应渠道用户的转化次数信息。
具体的，通过对有效用户数据进行实时的数据监控，并统计有效用户数据所对应的渠道用户的转化次数信息，如根据原始的渠道投放策略，对转化目标进行分析，如电商企业的渠道投放目标为用户产生购买行为，如新闻媒体企业的渠道投放目标为用户产生页面浏览行为，则统计有效渠道用户的真实购买次数，或有效渠道用户的页面浏览次数，如浏览时长30秒以上为一次有效浏览，从而得到渠道用户的转化次数信息，如对500个有效渠道用户中产生购买行为的次数为300次，则转化次数信息为300次。
S502：将转化次数信息和符合用户留存曲线的用户登录数据进行计算，得到渠道用户转化率。
具体的，根据预设的渠道转化率计算公式，如将转化次数信息和用户登录数据的商值作为渠道用户转化率，如用户登录数据为登录人数为500人，符合渠道投放目标的转化次数为200次，渠道用户转化率为40%。
S503：根据渠道用户转化率，构建符合用户留存曲线的用户漏斗模型。
具体的，根据渠道用户转化率，对用户从注册到达成渠道投放目标进行渠道运营环节进行规划，如以促成商品购买为投放目标的渠道运营环节进行规划，如将点击进入商品首页的用户设置为目标用户，将点击进入商品首页设置为第一环节，获取目标用户的页面浏览数据作为第二环节，将商品加入购物车设置为第三环节，进入支付页面设置为第四环节，支付成功设置为第五环节，分别获取每个环节的用户行为数据，并根据用户唯一标识码将每个环节的用户行为数据进行关联，从而得到用户漏斗模型。
S504：将渠道运营数据输入到用户漏斗模型中，生成与渠道用户转化率相对应的，且用于对渠道投放策略进行优化的策略优化指令。
具体的，将渠道运营数据输入到用户漏斗模型中，根据用户唯一标识码，计算每一环节下的用户转化率，从而根据每个环节的转化情况，对用户流失或者转化率低的问题环节进行针对性优化，如对于页面浏览时长较短的用户，可以通过优化产品详情页面或者更改产品介绍方式等，对渠道投放策略进行优化；再如对于支付转化率低下的用户，通过对用户购买力进行分析，向用户推送对应价位的商品等，对渠道投放策略进行优化。
本实施例中，为了更好地对渠道投放策略进行综合评价，以便于筛选出有效渠道进行精准营销，如图7所示，在步骤S50之后，还包括：
S601：将渠道用户转化率与渠道投放策略中预设的预期转化指标进行比对，得到转化率比对结果。
具体的，如预期转化目标为用户支付转化率为50%，而实际的渠道用户转化率为20%，则转化率比对结果为渠道用户转化率与预期转化目标之间的转化率差值为30%。
S602：根据转化率比对结果对渠道用户进行风险评估，得到用户风险评估结果。
具体的，在渠道运营策略中预设转化率相差阈值为10%，即在误差范围内，实际渠道用户转化率与预期转化目标之间的转化率差值小于10%，则转化率比对结果大于或等于10%，则判定对应的渠道存在虚假流量，导致用户转化率的宏观基数过大，从而造成实际用户转化率远小于预期的转化指标，则用户风险评估结果为高风险；若转化率比对结果小于10%，则判定对应的渠道用户为真实流量的可能性较大，则用户风险评估结果为低风险。
S603：根据用户风险评估结果判断渠道用户是否为风险用户。
具体的，如用户风险评估结果为高风险，则说明对应的渠道存在渠道作假现象，对应的渠道用户为风险用户；若用户风险评估结果为低风险，则说明对应的渠道流量为真实流量，对应的渠道用户为非风险用户。
S604：若是，则对风险用户进行数据清除处理，以便于使渠道运营数据更贴合自然流量下的用户转化率。
具体的，若渠道用户为风险用户，则说明对应的渠道运营数据不符合实际的运营需求，对达成企业投放目标所起的作用不大，则对判定为风险用户的用户数据进行数据清除，从而减少虚假流量数据对数据分析准确性的误差影响。
S605：若否，则对非风险用户继续进行数据监控。
具体的，若渠道用户为非风险用户，则说明对应的渠道运营数据为真实流量下的用户数据，通过用户注册时构建的短链接对非风险用户进行持续性的数据监控。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种智能渠道运营数据分析***，该智能渠道运营数据分析***与上述实施例中智能渠道运营数据分析方法一一对应。如图8所示，该智能渠道运营数据分析***包括数据获取模块、用户画像模块、留存曲线构建模块、数据标记模块和策略优化模块。各功能模块详细说明如下：
数据获取模块，用于实时获取全生命周期的渠道运营数据，对渠道运营数据进行数据清洗处理，得到有效用户数据。
用户画像模块，用于对有效用户数据进行用户画像处理，得到用户画像数据。
留存曲线构建模块，用于根据用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图。
数据标记模块，用于识别用户留存曲线上的渠道异常数据，并对渠道异常数据进行数据标记，得到渠道标记数据。
策略优化模块，用于根据用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过策略优化指令对渠道标记数据进行优化。
可选的，用户画像模块包括：
策略获取子模块，用于获取符合企业渠道投放目标的原始渠道投放策略。
指标获取子模块，用于对原始渠道投放策略进行数据分析处理，得到用于绘制用户画像的用户特征指标。
数据识别子模块，用于识别渠道运营数据中的用户唯一标识码和用户行为数据。
聚类模型构建子模块，用于根据用户唯一标识码，对用户特征指标和用户行为数据进行聚类处理，得到用户聚类模型。
用户画像数据获取子模块，用于将有效用户数据输入到用户聚类模型中，得到用户画像数据。
本实施例中，为了提高用户画像的准确性，且缩短用户达到预设转化目标的运营周期，在将有效用户数据输入到用户聚类模型中，得到用户画像数据之后，用户画像模块还包括：
路径跟踪子模块，用于对用户行为数据进行路径跟踪处理，得到用户行为路径。
路径规划子模块，用于根据用户行为路径，对渠道用户到达预设转化目标进行路径规划，得到用户转化路径。
实际行为路径获取子模块，用于按照用户转化路径进行渠道运营过程中，实时获取渠道用户的实际行为路径。
路径拟合子模块，用于将实际行为路径和用户转化路径进行路径拟合处理，得到路径偏差数据。
路径优化指令生成子模块，用于根据路径偏差数据，生成与路径偏差数据相对应的，且用于对原始渠道投放策略进行投放路径调整的路径优化指令。
可选的，留存曲线构建模块包括：
数据识别子模块，用于识别渠道运营数据中的用户新增数据和用户登录数据，其中，用户登录数据为新增用户的次日登录数据。
留存率计算子模块，用于根据用户新增数据和用户登录数据进行留存率计算，得到用户留存率。
留存曲线绘制子模块，用于根据用户留存率，绘制与用户画像数据相对应的用户留存曲线，得到用户留存曲线图。
可选的，数据标记模块包括：
自然流量获取子模块，用于获取渠道运营数据中的自然流量数据，其中，自然流量数据包括自然用户登录数据和自然用户新增数据。
标准留存曲线绘制子模块，用于根据自然用户登录数据和自然用户新增数据，构建关于自然流量数据的标准留存曲线。
特征比对子模块，用于将标准留存曲线和用户留存曲线进行特征比对，得到渠道异常数据。
数据标记子模块，用于根据用户画像数据中的用户特征指标对渠道异常数据进行数据标记，得到渠道标记数据。
可选的，策略优化模块包括：
转化次数获取子模块，用于实时获取有效用户数据所对应渠道用户的转化次数信息。
转化率计算子模块，用于将转化次数信息和符合用户留存曲线的用户登录数据进行计算，得到渠道用户转化率。
漏斗模型构建子模块，用于根据渠道用户转化率，构建符合用户留存曲线的用户漏斗模型。
策略优化指令生成子模块，用于将渠道运营数据输入到用户漏斗模型中，生成与渠道用户转化率相对应的，且用于对渠道投放策略进行优化的策略优化指令。
本实施例中，为了对渠道运营数据进行综合管理，同时为了筛选出有效渠道进行精准投放，策略优化模块还包括：
转化指标比对子模块，用于将渠道用户转化率与渠道投放策略中预设的预期转化指标进行比对，得到转化率比对结果。
风险评估处理子模块，用于根据转化率比对结果对渠道用户进行风险评估，得到用户风险评估结果。
风险用户判断子模块，用于根据用户风险评估结果判断渠道用户是否为风险用户。
数据清除处理子模块，用于若是，则对风险用户进行数据清除处理，以便于使渠道运营数据更贴合自然流量下的用户转化率。
关于智能渠道运营数据分析***的具体限定可以参见上文中对于智能渠道运营数据分析方法的限定，在此不再赘述。上述智能渠道运营数据分析***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储渠道运营数据和对渠道运营数据进行数据分析过程中产生的分析数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能渠道运营数据分析方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述智能渠道运营数据分析方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述***的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种智能渠道运营数据分析方法，其特征在于，所述智能渠道运营数据分析方法包括：
实时获取全生命周期的渠道运营数据，对所述渠道运营数据进行数据清洗处理，得到有效用户数据；
对所述有效用户数据进行用户画像处理，得到用户画像数据；
根据所述用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图；
识别所述用户留存曲线上的渠道异常数据，并对所述渠道异常数据进行数据标记，得到渠道标记数据；
根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化。
2.根据权利要求1所述的智能渠道运营数据分析方法，其特征在于，所述对所述有效用户数据进行用户画像处理，得到用户画像数据，具体包括：
获取符合企业渠道投放目标的原始渠道投放策略；
对所述原始渠道投放策略进行数据分析处理，得到用于绘制用户画像的用户特征指标；
识别所述渠道运营数据中的用户唯一标识码和用户行为数据；
根据所述用户唯一标识码，对所述用户特征指标和所述用户行为数据进行聚类处理，得到用户聚类模型；
将所述有效用户数据输入到所述用户聚类模型中，得到用户画像数据。
3.根据权利要求2所述的智能渠道运营数据分析方法，其特征在于，在所述将所述有效用户数据输入到所述用户聚类模型中，得到用户画像数据之后，包括：
对所述用户行为数据进行路径跟踪处理，得到用户行为路径；
根据所述用户行为路径，对渠道用户到达预设转化目标进行路径规划，得到用户转化路径；
按照所述用户转化路径进行渠道运营过程中，实时获取渠道用户的实际行为路径；
将所述实际行为路径和所述用户转化路径进行路径拟合处理，得到路径偏差数据；
根据所述路径偏差数据，生成与所述路径偏差数据相对应的，且用于对所述原始渠道投放策略进行投放路径调整的路径优化指令。
4.根据权利要求1所述的智能渠道运营数据分析方法，其特征在于，所述根据所述用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图，具体包括：
识别所述渠道运营数据中的用户新增数据和用户登录数据，其中，所述用户登录数据为新增用户的次日登录数据；
根据所述用户新增数据和所述用户登录数据进行留存率计算，得到用户留存率；
根据所述用户留存率，绘制与所述用户画像数据相对应的用户留存曲线，得到用户留存曲线图。
5.根据权利要求1所述的智能渠道运营数据分析方法，其特征在于，所述识别所述用户留存曲线上的渠道异常数据，并对所述渠道异常数据进行数据标记，得到渠道标记数据，具体包括：
获取所述渠道运营数据中的自然流量数据，其中，所述自然流量数据包括自然用户登录数据和自然用户新增数据；
根据所述自然用户登录数据和所述自然用户新增数据，构建关于自然流量数据的标准留存曲线；
将所述标准留存曲线和所述用户留存曲线进行特征比对，得到渠道异常数据；
根据所述用户画像数据中的用户特征指标对所述渠道异常数据进行数据标记，得到渠道标记数据。
6.根据权利要求1所述的智能渠道运营数据分析方法，其特征在于，所述根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化，具体包括：
实时获取所述有效用户数据所对应渠道用户的转化次数信息；
将所述转化次数信息和符合所述用户留存曲线的用户登录数据进行计算，得到渠道用户转化率；
根据所述渠道用户转化率，构建符合所述用户留存曲线的用户漏斗模型；
将所述渠道运营数据输入到所述用户漏斗模型中，生成与所述渠道用户转化率相对应的，且用于对渠道投放策略进行优化的策略优化指令。
7.根据权利要求6所述的智能渠道运营数据分析方法，其特征在于，所述根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化之后，还包括：
将所述渠道用户转化率与所述渠道投放策略中预设的预期转化指标进行比对，得到转化率比对结果；
根据所述转化率比对结果对所述渠道用户进行风险评估，得到用户风险评估结果；
根据所述用户风险评估结果判断所述渠道用户是否为风险用户；
若是，则对所述风险用户进行数据清除处理，以便于使所述渠道运营数据更贴合自然流量下的用户转化率。
8.一种智能渠道运营数据分析***，其特征在于，所述智能渠道运营数据分析***包括：
数据获取模块，用于实时获取全生命周期的渠道运营数据，对所述渠道运营数据进行数据清洗处理，得到有效用户数据；
用户画像模块，用于对所述有效用户数据进行用户画像处理，得到用户画像数据；
留存曲线构建模块，用于根据所述用户画像数据，构建关于渠道用户留存的留存曲线，得到用户留存曲线图；
数据标记模块，用于识别所述用户留存曲线上的渠道异常数据，并对所述渠道异常数据进行数据标记，得到渠道标记数据；
策略优化模块，用于根据所述用户留存曲线对渠道用户转化率进行计算，并根据计算结果生成用于对渠道投放策略进行优化的策略优化指令，以便于通过所述策略优化指令对渠道标记数据进行优化。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述智能渠道运营数据分析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述智能渠道运营数据分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211025826.4A CN115408586B (zh) | 2022-08-25 | 2022-08-25 | 一种智能渠道运营数据分析方法、***、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211025826.4A CN115408586B (zh) | 2022-08-25 | 2022-08-25 | 一种智能渠道运营数据分析方法、***、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115408586A true CN115408586A (zh) | 2022-11-29 |
| CN115408586B CN115408586B (zh) | 2024-01-23 |
Family
ID=84162177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211025826.4A Active CN115408586B (zh) | 2022-08-25 | 2022-08-25 | 一种智能渠道运营数据分析方法、***、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115408586B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056591A (zh) * | 2023-07-24 | 2023-11-14 | 深圳义云科技有限公司 | 基于动态预测的电力缴费渠道智能推荐方法及*** |
| CN117217828A (zh) * | 2023-08-18 | 2023-12-12 | 上海数禾信息科技有限公司 | 验证转化回传数据方法、装置、计算机设备和存储介质 |
| CN117556192A (zh) * | 2023-11-16 | 2024-02-13 | 南京小裂变网络科技有限公司 | 一种基于人工智能的用户增长式运营***及方法 |
| CN117593055A (zh) * | 2023-11-21 | 2024-02-23 | 广州吴凡科技服务有限公司 | 一种基于大数据的广告效果智能分析方法及*** |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106612202A (zh) * | 2015-10-27 | 2017-05-03 | 网易（杭州）网络有限公司 | 一种网游渠道刷量的预估判别方法及*** |
| JP2018037009A (ja) * | 2016-09-02 | 2018-03-08 | 株式会社日立製作所 | クラスタ分析システム、クラスタ分析装置、クラスタ分析方法 |
| CN107944059A (zh) * | 2017-12-29 | 2018-04-20 | 深圳市中润四方信息技术有限公司西安分公司 | 一种基于流计算的用户行为分析方法及*** |
| CN109086787A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技（深圳）有限公司 | 用户画像获取方法、装置、计算机设备以及存储介质 |
| CN109284380A (zh) * | 2018-09-25 | 2019-01-29 | 平安科技（深圳）有限公司 | 基于大数据分析的非法用户识别方法及装置、电子设备 |
| CN109815269A (zh) * | 2018-12-24 | 2019-05-28 | 苏州蜗牛数字科技股份有限公司 | 一种数据增量信息计算方法及*** |
| CN111090822A (zh) * | 2019-12-18 | 2020-05-01 | 浙江口碑网络技术有限公司 | 业务对象的推送方法及装置 |
| CN111476375A (zh) * | 2020-03-30 | 2020-07-31 | 中移动信息技术有限公司 | 一种确定识别模型的方法、装置、电子设备及存储介质 |
| CN112633715A (zh) * | 2020-12-28 | 2021-04-09 | 四川新网银行股份有限公司 | 一种线上业务用户流失分析方法 |
| CN113743995A (zh) * | 2021-09-09 | 2021-12-03 | 平安科技（深圳）有限公司 | 多渠道的广告投放方法、装置、设备及存储介质 |
| CN113781095A (zh) * | 2021-07-29 | 2021-12-10 | 深圳思为科技有限公司 | 一种优化产品的投放渠道的方法及相关装置 |
| CN113836124A (zh) * | 2021-07-23 | 2021-12-24 | 青岛海尔科技有限公司 | 用户画像的生成方法、装置、设备及存储介质 |
| US20220101044A1 (en) * | 2020-09-29 | 2022-03-31 | International Business Machines Corporation | Artificial intelligence model generation using data with desired diagnostic content |
-
2022
- 2022-08-25 CN CN202211025826.4A patent/CN115408586B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106612202A (zh) * | 2015-10-27 | 2017-05-03 | 网易（杭州）网络有限公司 | 一种网游渠道刷量的预估判别方法及*** |
| JP2018037009A (ja) * | 2016-09-02 | 2018-03-08 | 株式会社日立製作所 | クラスタ分析システム、クラスタ分析装置、クラスタ分析方法 |
| CN107944059A (zh) * | 2017-12-29 | 2018-04-20 | 深圳市中润四方信息技术有限公司西安分公司 | 一种基于流计算的用户行为分析方法及*** |
| CN109086787A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技（深圳）有限公司 | 用户画像获取方法、装置、计算机设备以及存储介质 |
| CN109284380A (zh) * | 2018-09-25 | 2019-01-29 | 平安科技（深圳）有限公司 | 基于大数据分析的非法用户识别方法及装置、电子设备 |
| CN109815269A (zh) * | 2018-12-24 | 2019-05-28 | 苏州蜗牛数字科技股份有限公司 | 一种数据增量信息计算方法及*** |
| CN111090822A (zh) * | 2019-12-18 | 2020-05-01 | 浙江口碑网络技术有限公司 | 业务对象的推送方法及装置 |
| CN111476375A (zh) * | 2020-03-30 | 2020-07-31 | 中移动信息技术有限公司 | 一种确定识别模型的方法、装置、电子设备及存储介质 |
| US20220101044A1 (en) * | 2020-09-29 | 2022-03-31 | International Business Machines Corporation | Artificial intelligence model generation using data with desired diagnostic content |
| CN112633715A (zh) * | 2020-12-28 | 2021-04-09 | 四川新网银行股份有限公司 | 一种线上业务用户流失分析方法 |
| CN113836124A (zh) * | 2021-07-23 | 2021-12-24 | 青岛海尔科技有限公司 | 用户画像的生成方法、装置、设备及存储介质 |
| CN113781095A (zh) * | 2021-07-29 | 2021-12-10 | 深圳思为科技有限公司 | 一种优化产品的投放渠道的方法及相关装置 |
| CN113743995A (zh) * | 2021-09-09 | 2021-12-03 | 平安科技（深圳）有限公司 | 多渠道的广告投放方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JUNAID HASEEB 等: "Autoencoder-based feature construction for IoT attacks clustering", 《FUTURE GENERATION COMPUTER SYSTEMS》, pages 487 - 502 * |
| 沈浩 等: "按风格划分数据的模糊聚类算法", 《模式识别与人工智能》, pages 204 - 213 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056591A (zh) * | 2023-07-24 | 2023-11-14 | 深圳义云科技有限公司 | 基于动态预测的电力缴费渠道智能推荐方法及*** |
| CN117217828A (zh) * | 2023-08-18 | 2023-12-12 | 上海数禾信息科技有限公司 | 验证转化回传数据方法、装置、计算机设备和存储介质 |
| CN117217828B (zh) * | 2023-08-18 | 2024-05-10 | 上海数禾信息科技有限公司 | 验证转化回传数据方法、装置、计算机设备和存储介质 |
| CN117556192A (zh) * | 2023-11-16 | 2024-02-13 | 南京小裂变网络科技有限公司 | 一种基于人工智能的用户增长式运营***及方法 |
| CN117593055A (zh) * | 2023-11-21 | 2024-02-23 | 广州吴凡科技服务有限公司 | 一种基于大数据的广告效果智能分析方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115408586B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115408586A (zh) | 一种智能渠道运营数据分析方法、***、设备及存储介质 | |
| CN109741146B (zh) | 基于用户行为的产品推荐方法、装置、设备及存储介质 | |
| US20170186030A1 (en) | Advertisement click-through rate correction method and advertisement push server | |
| US10348550B2 (en) | Method and system for processing network media information | |
| US20140143012A1 (en) | Method and system for predictive marketing campigns based on users online behavior and profile | |
| CN105335391A (zh) | 基于搜索引擎的搜索请求的处理方法和装置 | |
| CN109376237A (zh) | 客户稳定性的预测方法、装置、计算机设备和存储介质 | |
| CN110991875A (zh) | 一种平台用户质量评估*** | |
| US20140244354A1 (en) | Method and a system for predicting behaviour of persons performing online interactions | |
| US20130238375A1 (en) | Evaluating email information and aggregating evaluation results | |
| WO2020257991A1 (zh) | 用户识别方法及相关产品 | |
| CN112149352B (zh) | 一种结合gbdt自动特征工程对营销活动点击的预测方法 | |
| CN112966865B (zh) | 携号转网预测方法、装置及设备 | |
| CN117093782B (zh) | 一种电力人工智能模型***及方法 | |
| CN112132209B (zh) | 一种基于偏向性特征的属性预测方法 | |
| Deligiannis et al. | Designing a real-time data-driven customer churn risk indicator for subscription commerce | |
| Keramati et al. | Investigating factors affecting customer churn in electronic banking and developing solutions for retention | |
| CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN114330550A (zh) | 模型融合策略的选择方法、装置及电子设备 | |
| CN113204699B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| US20200193486A1 (en) | System and method for determining bid vector transformed predictive click-through rate | |
| Shakiba et al. | Spam query detection using stream clustering | |
| US20220051273A1 (en) | Telecommunications Data Used For Lookalike Analysis | |
| CN114841588A (zh) | 信息处理方法、装置、电子设备和计算机可读介质 | |
| Liang | A Precision Advertising Strategy Based on Deep Reinforcement Learning. |
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 |