CN115564501A - 获取目标人群的方法、计算机设备和计算机可读存储介质 - Google Patents

Abstract

本申请涉及数据处理技术领域，提供了一种获取目标人群的方法、计算机设备和计算机可读存储介质，该方法包括：获取多个标签人群包，每个标签人群包携带标签属性，每个标签属性为一个标签类型对应的一个属性，每个标签人群包携带的标签属性不同，多个标签人群包为多个初始标签人群包和基础人群包交集得到的人群包，基础人群包中包括存在近期行为的人群和存在历史购买行为的人群；根据历史订单信息，确定多个标签人群包中，每个标签人群包的购买转化率，购买转化率用于表征标签人群包中存在历史购买行为的人数的占比；根据多个标签人群包中每个标签人群包的购买转化率，对多个标签人群包进行筛选，得到目标人群。由此，确定的目标人群更准确。

Description

获取目标人群的方法、计算机设备和计算机可读存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及获取目标人群的方法、计算机设备和计算机可读存储介质。

背景技术

随着科技的发展，越来越多的人们利用网络进行购物，电商已经成为人们生活的一部分。对于商家来说，对有意愿购买的潜在客户进行消息推送，可以提高商品的成交量。

传统技术是获取到具有近期行为的客户数据后，由工作人员根据平台提供的不同人群的标签，手动选择对应的标签后，将消息发送至所选的对象。

但是利用人工进行标签选择和消息推送这种方式，受工作人员的个人经验影响较大，会导致所选的对象不准确。

发明内容

本申请实施例提供了获取目标人群的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，可以解决人工选择的目标人群不准确的问题。

第一方面，本申请实施例提供了一种获取目标人群的方法，包括：

获取多个标签人群包，每个所述标签人群包携带标签属性，每个所述标签属性为一个标签类型对应的一个属性，每个所述标签人群包携带的标签属性不同，所述多个标签人群包为多个初始标签人群包和基础人群包交集得到的人群包，所述基础人群包中包括存在近期行为的人群和存在历史购买行为的人群，所述初始标签人群包为基于与目标店铺相关的全量人群进行标签圈选得到的人群包；

根据历史订单信息，确定所述多个标签人群包中，每个所述标签人群包的购买转化率，所述购买转化率用于表征标签人群包中存在历史购买行为的人数的占比，所述历史订单信息中包括存在历史购买行为的人群的信息；

根据所述多个标签人群包中每个所述标签人群包的购买转化率，对所述多个标签人群包进行筛选，得到目标人群。

该方法中，在获取近期行为的人群的基础上，获取了历史订单信息中存在购买行为的人群，并将获取到的近期行为的人群与存在历史购买行为的人群合并去重后得到基础人群包，再将得到的基础人群包与初始标签人群包进行交集，得到多个标签人群包，计算每个标签人群包对应的购买转化率，利用购买转化率对标签人群包进行筛选，就可以得到目标人群。通过自动化地进行目标人群圈选、计算与消息推送，可以避免人工主观意识对人群圈选的影响，使圈选的目标人群更加准确。同时，相比人工圈选的传统方式，效率更高。

在第一方面的一种可能的实现方式中，所述标签类型包括性别、地域、年龄、偏好、短信响应度、店铺关系、商品关系、最近一次消费-消费频率-消费金额（Recency FrequencyMonetary，RFM）模型、权益属性、互动关系、自定义标签中的至少一个。

标签类型与标签属性越丰富，使用标签圈选出来的标签人群就越精准，最后得到的目标人群也就更准确。

在第一方面的一种可能的实现方式中，所述根据历史订单信息，确定所述多个标签人群包中，每个所述标签人群包的购买转化率，包括：

从所述历史订单信息中获取存在历史购买行为的人群形成的购买人群包；

确定第一标签购买包和第一标签人群包的比值为所述第一标签人群包对应的第一购买转化率，所述第一标签人群包为所述多个标签人群包中的任意一个，所述第一标签购买包为所述第一标签人群包和所述购买人群包的交集，第一初始标签人群包为所述多个初始标签人群包中的一个，所述第一初始标签人群包和所述第一标签人群包的标签属性相同。

购买转化率是衡量圈选人群是否合理的一个重要标准，购买转化率高，证明圈选的人群精准，比较合理，购买转化率低，证明圈选的人群不准确，可以重新考虑圈选方式。

在第一方面的一种可能的实现方式中，所述根据所述多个标签人群包中每个所述标签人群包的购买转化率，对所述多个标签人群包进行初次筛选，得到目标人群，包括：

对所述多个标签人群包执行人群包初次筛选操作，得到所述目标人群；

所述人群包初次筛选操作包括如下操作中的至少一个：

删除第一购买转化率集合中的最大的购买转化率和最小的购买转化率的差值小于预设差异阈值的标签人群包，所述第一购买转化率集合中的最大的购买转化率和最小的购买转化率为同一标签类型下不同标签属性的标签人群包的购买转化率；

删除所述多个标签人群包中人数少于第一人数阈值的标签人群包；

删除基础转化率大于购买转化率的标签人群包，所述基础转化率为存在历史购买行为的人群在所述基础人群中的占比，所述购买转化率为存在历史购买行为的人群在标签人群包中的占比。

该方法中，删除最大的购买转化率和最小的购买转化率的差值小于预设差异阈值的标签人群包，是因为购买转化率相差不大就证明这个标签对区分购买转化率的意义不大，删除这样的标签人群包还可以节省后续的处理步骤；如果获取的标签人群包中的人数太少，那计算出来的购买转化率结果也是不具有参考意义的，所以可以删除人数过少的标签人群包，可以节省标签，减少数据处理量；利用标签圈选后计算出来的购买转化率反而少于未通过标签圈选计算的基础转化率，就证明这个标签圈选出来的人群更不准确，是没有意义的，可以删除经过这个标签圈选的标签人群包，减少数据处理量。

在第一方面的一种可能的实现方式中，所述方法还包括：

若所述目标人群的数量超过预设的预算人数，则对所述目标人群执行二次筛选操作，得到多个待选标签包；

根据所述多个待选标签包中每个待选标签包的转化率稳定性，从所述多个待选标签包中筛选出更新目标人群，所述转化率稳定性用于表征待选标签包中的人群在多次历史活动中的购买转化率的稳定程度；

所述二次筛选操作包括：

判断第一待选标签包的购买转化率是否大于转化率上限值，所述第一待选标签包为所述目标人群中的标签人群包中的任意一个；

若是，则将所述第一待选标签包加入所述多个待选标签包；

若否，则判断所述第一待选标签包的购买转化率是否小于转化率下限值，所述转化率下限值小于所述转化率上限值；

当所述第一待选标签包的转化率小于所述转化率下限值时，则将所述第一待选标签包删除。

如果筛选出来的标签人群包内的人数过多，如果直接给这么多人推送消息的话，成本太高，所以还可以对这些筛选出来的标签人群包进行二次筛选操作，得到多个待选标签包，这样可以节约成本。

在第一方面的一种可能的实现方式中，所述根据所述多个待选标签包中每个待选标签包的转化率稳定性，从所述多个待选标签包中筛选出更新目标人群，包括：

根据所述多个待选标签包中每个所述待选标签包的转化率稳定性，生成多个叠加标签人群包对应的转化率稳定性，所述多个叠加标签人群包为所述多个待选标签包所携带的多个标签属性叠加形成的人群包，每个所述叠加标签人群包携带的标签属性中同一标签类型下的标签属性的数量为一，每个所述叠加标签人群包携带的标签属性的数量小于预设的组合阈值；

根据所述多个待选标签包中每个所述待选标签包的转化率稳定性，以及所述多个叠加标签人群包中每个所述叠加标签人群包的转化率稳定性，从所述多个待选标签包中筛选出转化率稳定性高的人群，形成所述更新目标人群。

转化率稳定性反映人群再次购买的可能性，数值越高越好，所以选取转化率稳定性高的人群作为目标人群进行消息推送，可以提高商品的成交量。

在第一方面的一种可能的实现方式中，所述待选标签包的转化率稳定性为第一平均值减去总平均值的差值的一半、与第二平均值减去所述总平均值的一半之和，所述第一平均值为大于总平均值的历史购买转化率的平均值，所述第二平均值为小于所述总平均值的历史购买转化率的平均值，所述总平均值为多个历史购买转化率的平均值；

其中，所述多个历史购买转化率与多次历史活动一一对应，第一历史购买转化率为在第一历史活动中,所述待选标签包携带的标签属性对应的人群包中存在购买行为的人数的占比，所述第一历史购买转化率为所述多个历史购买转化率中的任意一个，所述第一历史活动为所述多次历史活动中的一个。

在第一方面的一种可能的实现方式中，所述方法还包括：

向所述目标人群发送通知消息；

获取所述目标人群响应于所述通知消息的实际购买转化率和/或实际投资回报率，所述实际购买转化率为接收到所述通知消息的人群中发生实际购买行为的人数的占比，所述实际投资回报率用于表征接收到所述通知消息的人群中发生实际购买行为的人所产生的利润率；

根据所述实际购买转化率和/或实际投资回报率更新所述标签类型和所述标签属性。

根据目标人群响应于通知消息的实际购买转化率和/或实际投资回报率可以知道目标人群的圈选与商品推送是否合理，对于不合理的目标人群可以进行标签更新，对于推送不合理的商品进行商品推送更新，这样可以提高下次活动时消息推送的准确率。

第二方面，本申请实施例提供了一种获取目标人群的装置，包括由软件和/或硬件组成的单元，该单元用于执行第一方面所述的技术方案中任意一种方法。

第三方面，本申请实施例提供了一种计算机设备，所述终端设备包括存储器、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，所述计算机程序被所述处理器执行时实现上述获取目标人群的方法。

第四方面，本申请实施例提供了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的获取目标人群的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的获取目标人群的方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种获取目标人群的方法的流程示意图；

图2是本申请实施例提供的一种标签圈选示意图；

图3是本申请实施例提供的一种二次筛选操作的流程示意图；

图4是本申请实施例提供的一种获取目标人群的装置的结构示意图；

图5是本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

通常，进行人群圈选与消息推送采用的方法是：首先，从电商平台的服务器中获取具有近期行为的人群，然后工作人员根据电商平台提供的不同的标签，对获取的具有近期行为的人群进行手动选择标签圈选人群，再给圈选的人群进行消息推送。因为现有技术中，进行人群圈选时，是工作人员依据自身的经验来选择标签进行人群圈选的，这种圈选方式受工作人员主观意识的影响较大，这就有可能会导致圈选出来进行消息推送的人群不准确。其中，近期行为可以是近三天注册或对店铺、品牌进行收藏、浏览、加购（加入购物车）等行为。

针对于现有技术圈选的人群不准确的问题，本申请首先利用标签对跟店铺相关的全量人群进行圈选得到初始标签人群包，然后获取历史订单信息中存在购买行为的人群，与存在近期行为的人群组合形成基础人群包，再将得到的基础人群包与初始标签人群包进行交集，得到标签人群包，然后根据计算出的每个标签人群包的购买转化率对标签人群包进行筛选，确定出目标人群。本申请通过自动化地进行目标人群圈选、计算与消息推送，可以避免人工主观意识对人群圈选的影响，使圈选的目标人群更加准确。同时，相比人工圈选的传统方式，效率更高。

图1是本申请实施例提供的一种获取目标人群的方法的流程示意图，具体包括以下步骤：

S101:获取多个标签人群包，每个所述标签人群包携带标签属性，每个所述标签属性为一个标签类型对应的一个属性，每个所述标签人群包携带的标签属性不同，所述多个标签人群包为多个初始标签人群包和基础人群包交集得到的人群包，所述基础人群包中包括存在近期行为的人群和存在历史购买行为的人群，所述初始标签人群包为基于与目标店铺相关的全量人群进行标签圈选得到的人群包。

本申请中，相比于现有技术，本申请在获取存在近期行为的人群的基础上，获取了历史订单信息中存在购买行为的人群，获取历史购买行为人群是因为购买过的人群的用户画像更准确，给这些人推荐的商品信息也会更加精准。

具体的，首先处理器获取所有与店铺相关的人群，经过去重后得到全量人群，例如有在店铺浏览过、收藏过店铺、在店铺购买过商品等行为的人群，全量人群的获取不受时间限制，可以包括近三天浏览过商品的人群，也可以包括三天前浏览过商品的人群，还可以包括其他方式和店铺关联的人群。因为在店铺浏览过商品的人也可能对商品进行了购买，对获取的与店铺相关的人群进行去重处理，可以避免数据的重复处理，减少数据处理量。

然后处理器利用不同的标签对全量人群进行圈选可以得到多个初始标签人群包，其中，每一个标签类型拥有至少一个标签属性，使用不用的标签属性圈选全量人群可以得到不同的初始标签人群包，每个标签属性对应一个初始标签人群包，标签类型与对应的属性可以是电商平台提供的，也可以是自定义的。全量人群是电商平台提供，可以使用ISV（Independent Software Vendors，独立软件开发商）工具对全量人群进行圈选，ISV工具是用来根据标签进行圈选的工具，例如，利用店铺有访问标签对全量人群进行圈选，得到的就是全量人群中对店铺有过访问的初始标签人群包。

可选地，标签类型包括但不限于性别、地域、年龄、偏好、短信响应度、店铺关系、商品关系、RFM模型、权益属性、互动关系、自定义标签中的至少一个。每个标签类型下对应的标签属性可以是一个或多个，例如，性别对应的标签属性包括男和女中的至少一个；地域对应的标签属性包括一线城市、二线城市、其他城市中的至少一个；年龄对应的标签属性包括至少一个年龄段；偏好对应的标签属性包括至少一个偏好的平台；短信响应度对应的标签属性包括高、中、低中的至少一种；店铺关系对应的标签属性包括：店铺有访问、店铺有收藏、店铺有加购、店铺有购买、店铺无访问、店铺无收藏、店铺无加购、店铺无购买中的至少一个；商品关系标签属性包括收藏的商品、加购的商品、购买的商品中的至少一个；RFM模型对应的标签属性包括至少一个最近成功交易时段、至少一个成功交易次数和至少一个最近成功交易金额范围中的至少一个；权益属性对应的标签属性包括会员的入会时间和会员等级中的至少一个；互动关系对应的标签属性包括优惠劵、买赠和折扣中的至少一种。可选地，标签类型还可以包括自定义标签，例如，标签类型可以为身形，对应的标签属性可以为身高、体重中的至少一种；标签类型可以为肤色，对应的标签属性可以为白皙、偏黄、偏黑中的至少一种。

标签类型与标签属性越丰富，使用标签圈选出来的标签人群就越精准，最后得到的目标人群也就更准确。

接着，处理器获取存在近期行为的人群，存在近期行为的人群由电商平台提供，然后从店铺的历史订单信息中获取到存在历史购买行为的人群，将存在历史购买行为的人群与存在近期行为的人群合并去重后得到基础人群包。因为在历史订单信息中购买过商品A的人，很有可能在本次活动中也准备购买，所以近期对商品A进行了浏览或者收藏，所以存在历史购买行为的人群与存在近期行为的人群中的人员可能会有重合，可以进行去重处理，然后得到基础人群包。例如，从历史订单信息中获取的存在历史购买行为的人群为A1、A2、A3、A4、A5，从平台服务器中获取具有近期行为的人群为A2、A4、A6、A7、A9，合并后的人群为A1、A2、A2、A3、A4、A4、A5、A6、A7、A9，经过去重后为A1、A2、A3、A4、A5、A6、A7、A9，即基础人群包。

最后，将得到的多个初始标签人群包和基础人群包进行交集，就可以得到多个标签人群包，其中，多个标签人群包与多个初始标签人群包的标签类型与标签属性一一对应。例如，利用标签类型为性别，标签属性为女对全量人群进行圈选可以得到女初始标签人群包，再与基础人群包进行交集就可以得到女标签人群包。可选地，如果全亮人群中不存在一些初始标签人群包的人群时，也有可能得到的标签人群包少于初始标签人群包。

S102：根据历史订单信息，确定所述多个标签人群包中，每个所述标签人群包的购买转化率，所述购买转化率用于表征标签人群包中存在历史购买行为的人数的占比，所述历史订单信息中包括存在历史购买行为的人群的信息。

存在历史购买行为的人群的信息可以通过历史订单信息查询，但是获取历史订单信息需要品牌的授权，可以由品牌授权开通相关代运营***账号进行品牌***数据的收集，或者可以允许品牌主动将私有数据（例如历史订单信息）上传到***。可选地，品牌也可以根据私有数据量采购对应容量的服务器用于数据存储与查询，并开通ISV下的子账号授权给代运营使用。通过品牌的授权后，可以获取到品牌的私有数据，包括历史订单信息，查询历史订单信息可以获取到哪些人购买了品牌的商品，哪些人浏览了但未购买、哪些人收藏了但未购买等。

处理器根据获取的购买人群包、标签人群包和基础人群包可以确定出购买转化率。其中，购买人群包是从历史订单信息中获取存在历史购买行为的人群形成的。购买转化率是衡量圈选人群是否合理的一个重要标准，购买转化率高，证明圈选的人群精准，比较合理，购买转化率低，证明圈选的人群不准确，可以重新考虑圈选方式。

购买转化率是第一标签购买包与第一标签人群包的比值。计算购买转化率的步骤为：从历史订单信息中获取存在历史购买行为的人群形成的购买人群包；确定第一标签购买包和第一标签人群包的比值为第一标签人群包对应的第一购买转化率，第一标签人群包为多个标签人群包中的任意一个，第一标签人群包为第一初始标签人群包和基础人群包的交集，第一标签购买包为第一标签人群包和购买人群包的交集。

具体的，处理器使用标签类型对应的标签属性对全量人群进行圈选，得到多个初始标签人群包，再将得到的多个初始标签人群包与基础人群包进行交集，就可以得到多个标签人群包。通常会基于多种标签类型的多个标签属性进行圈选，从而可以得到多个标签人群包。每个标签人群包都可以计算一个购买转化率，例如，标签类型为性别，对应的标签属性男、女都可以分别计算购买转化率。采用一个初始标签人群包与基础人群包交集形成一个标签人群包，购买人群包再与这个标签人群包交集，形成一个标签购买包，该标签购买包与这个标签人群包的比值就为该标签人群包对应的购买转化率。

例如，以标签类型为性别，标签属性为男和女分别对全量人群进行圈选，计算购买转化率。从服务器中获取到与店铺有关的人群去重后得到全量人群为500人，处理器将获取的存在近期行为的人群与从历史订单信息中获取的存在历史购买行为的人群经过合并去重后得到基础人群包400人。以标签属性为男对全量人群进行圈选，得到男初始标签人群包的人数为200人，将男初始标签人群包与基础人群包进行交集得到男标签人群包，人数为140人，存在历史购买行为的人群中男性占50人，男标签购买包就为50人，得到男标签人群包的购买转化率为50/140=0.36。以标签属性为女对全量人群进行圈选，得到女初始标签人群包人数为300人，将女初始标签人群包与基础人群包进行交集得到女标签人群包，人数为260人，存在历史购买行为的人群中女性占100人，女标签购买包就为100人，得到女标签人群包的购买转化率为100/260=0.38。参见图2，利用标签类型为性别，对应的标签属性为男和女分别对全量人群进行圈选，可以分别得到男初始标签人群包和女初始标签人群包，将获取的存在近期行为的人群与存在历史购买行为的人群合并去重后构成基础人群包，男初始标签人群包和女初始标签人群包分别再与基础人群包进行交集，得到男标签人群包和女标签人群包，男标签人群包和女标签人群包与存在历史购买行为的人群再进行交集，分别可以得到男标签购买包和女标签购买包。图2中斜纹与花纹合在一起的部分分别为男标签人群包和女标签人群包，花纹部分分别为男标签购买包和女标签购买包。上述人群包中的人群的数量仅为一种示例，实际的人群包中的人群数量会更大。

可选地，计算购买转化率可以包括以下步骤：利用画布接口完成基础人群包与圈选的初始标签人群包进行交集运算记作标签人群包，标签人群包与购买人群包再次进行交集运算记作标签购买包。可选地，可以利用JSON（Java Script Object Notation, JS 对象简谱）数据进行拼接实现上述交集运算。计算机设备可以针对每个标签人群包进行遍历，计算出每个标签人群包的购买转化率。

具体的，处理器可以启动画布接口进行上述交集运算，ISV数据库接受平台返回的数据（例如近期行为人群），进行落库处理，即存储在本地或对应的服务器。通过节点信息表（主要存放画布节点信息数据，包含节点名称，节点关联关系，节点人数等信息）与活动信息表（主要存放画布信息数据，包含画布中存在哪些节点，画布名称，画布创建时间，画布是否完成等信息）联查，获取运算结果，计算标签属性对应的购买转化率，公式为：标签人群包对应的购买转化率=标签购买包中的人数/标签人群包中的人数。

具体的，在节点信息表中，每一个标签属性可以为一个节点，节点的名称就是此标签属性名称；节点关联关系显示上一个与此标签人群包进行交集的包的类型，和/或与下一个与此标签人群包进行交集的包的类型，还有各种包的人数。例如，男标签购买包与上一个节点男标签人群包具有关联关系。节点信息表中还可以包括此标签人群包圈选的时间，圈选时使用的是哪种标签类型与对应的标签属性。处理器还可以建立活动信息表，该活动信息表中，存放多个节点信息表。

可选地，此时处理器可以删除获取的标签人群包。由于ISV工具对每个品牌的权限数量有限，例如只给出300个包的包位，品牌与工作人员都要使用，包位紧张。如果一直占着，就不利于其他工作的展开，所以就可以在计算出购买转化率后删除获取的标签人群包，为其他人员与工作腾出包位，有利于工作的同时开展，节省时间。

S103：根据所述多个标签人群包中每个所述标签人群包的购买转化率，对所述多个标签人群包进行初次筛选，得到目标人群。

S102中计算了每个标签人群包对应的购买转化率，然后可以直接根据计算出的购买转化率的结果筛选出购买转化率高的标签人群包，作为目标人群，也可以根据购买转化率对标签人群包进行初步筛选。

在一些实施例中，处理器对标签人群包的初次筛选可以包括以下操作1、2、3中的任意一个或任意多个的组合：

1.删除第一购买转化率集合中的最大的购买转化率和最小的购买转化率的差值小于预设差异阈值的标签人群包，第一购买转化率集合中的最大的购买转化率和最小的购买转化率为同一标签类型下不同标签属性的标签人群包的购买转化率。

具体的，处理器可以将根据同一标签类型下的不同标签属性圈选的标签人群包计算出来的购买转化率进行比较，删除最大的购买转化率和最小的购买转化率的差值小于预设差异阈值的标签人群包，因为购买转化率相差不大就证明这个标签对区分购买转化率的意义不大，删除这样的标签人群包还可以节省后续的处理步骤。其中预设差异阈值可以为0.1、0.12、0.15或其他数值。本申请以0.1为例说明。

例如，使用标签类型为短信响应度，标签属性为高、中、低圈选对应的标签人群包，计算出来的高、中、低的标签人群包的购买转化率分别为：0.2、0.25、0.23，这三个数据最大的差值为0.05，小于预设差异阈值0.1，这就证明短信响应度这个标签类型对区分购买转化率的贡献不大，就可以删除短信响应度这个标签人群包。

2.删除多个标签人群包中人数少于第一人数阈值的标签人群包。

具体的，第一人数阈值可以为100、200、300等。如果获取的标签人群包内的人数太少，那计算出来的购买转化率结果也是不具有参考意义的，所以可以删除人数过少的标签人群包，可以节省标签，减少数据处理量。

3.删除基础转化率大于购买转化率的标签人群包，基础转化率为存在历史购买行为的人群在基础人群中的占比，购买转化率为存在历史购买行为的人群在标签人群包中的占比。

具体的，利用标签圈选后计算出来的购买转化率反而小于未通过标签圈选计算的基础转化率，就证明这个标签圈选出来的人群更不准确，是没有意义的，可以删除经过这个标签圈选的标签人群包，减少数据处理量。

例如，从服务器中获取到经过去重后的全量人群为200人，存在近期行为的人群为70人，从历史订单信息中获取到存在历史购买行为的人群为60人，经过合并去重后得到基础人群包100人，使用性别标签对应的男这一标签属性对全量人群进行圈选，得到男初始标签人群包为90人，将男初始标签人群包与基础人群包进行交集得到男标签人群包为50人，存在历史购买行为的人群中男性占20人，男标签购买包就为20人，男标签人群包的购买转化率为20/50=0.4，基础转化率为60/100=0.6，男标签购买包的购买转化率小于基础购买转化率，所以删除圈选的男标签人群包。

通过上述操作已经实现了对标签人群包的初步筛选，如果筛选出来的标签人群包内的人数过多，例如有一千万人，如果直接给这么多人推送消息的话，成本太高，所以还可以对这些筛选出来的标签人群包进行二次筛选操作，得到多个待选标签包。如果多个待选标签包的人数符合要求，则可以直接将这多个待选标签包中的人群作为目标人群进行消息推送。如果多个待选标签包的人数依然很多，则可以根据每个待选标签包对应的转化率稳定性来筛选出转化率稳定性高的人群作为目标人群。

这里首先对二次筛选操作进行详细描述，具体可以包括如下操作中的任意一个或任意多个的组合：删除购买转化率过低且人数过少的标签人群包；保留购买转化率高的标签人群包；对购买转化率一般且人数多的标签人群包进行再次筛选，再次筛选的原则可以是选择购买转化率高的标签人群包进行保留，或者是删除购买转化率低的标签人群包，还可以是根据标签人群包对应的转化率稳定性，选择转化率稳定性高的标签人群包，从而得到待选人群包。

可选地，为了完整地描述二次筛选操作，上述二次筛选操作的流程可以参见图3所示的实施例，包括：

S301、判断第一待选标签包的购买转化率是否大于转化率上限值，第一待选标签包为目标人群中的标签人群包中的任意一个。若是，执行S302A；若否，执行S302B。

S302A、将第一待选标签包加入多个待选标签包。

购买转化率高，证明再次购买的可能性高，所以可以直接将计算出购买转化率高的标签人群包直接加入待选标签包。购买转化率的下限值可以为0.15、0.17、0.19或其他数值。

S302B、判断第一待选标签包的购买转化率是否小于转化率下限值，转化率下限值小于转化率上限值；若是，执行S303。

S303、将第一待选标签包删除。

购买转化率的上限值可以为0.35、0.38、0.41或其他数值。当标签人群包的购买转化率小于购买转化率下限值时，证明此标签圈选出的标签人群包内的人购买品牌商品的可能性低，所以可以直接将此标签人群包删除。

可选地，如果经过图3实施例的流程后，筛选出来的待选标签包内的人的数量还是过多，那直接给这些人推送消息的话，成本还是很高，就需要对待选标签包进行三次筛选，可以根据待选标签包的转化率稳定性进行筛选。

需要说明的是，上述转化率稳定性为多次历史活动中购买转化率的稳定程度，也即，在多次历史活动中，如果该标签人群包的购买转化率变化不大，则说明转化率稳定性高；如果该标签人群包的购买转化率变化大，则说明转化率稳定性低。

具体的，处理器可以计算多个待选标签包中每个待选标签包的转化率稳定性。例如可以是判断多次历史活动中购买转化率的最大值和最小值之间的差异度，如果差异度大，说明转化率稳定性低；如果差异度小，说明转化率稳定性高。在一些实施例中，转化率稳定性的计算方法还可以为：计算历次历史活动中待选标签包携带的标签属性对应的历史购买转化率，将这些历史购买转化率求取平均值，记为总平均值，计算大于总平均值的购买转化率对应的平均值，记为第一平均值，计算小于总平均值的购买转化率对应的平均值，记为第二平均值，待选标签包的转化率稳定性就为第一平均值减去总平均值的差值的一半、与第二平均值减去所述总平均值的一半之和。

例如，男待选标签包在五次历史活动中的购买转化率分别为0.2、0.25、0.3、0.26、0.33，计算总平均值（0.2+0.25+0.3+0.26+0.33）/5=0.268，其中购买转化率高于总平均值0.268的有0.3、0.33，低于总平均值0.268的有0.2、0.25、0.26，计算第一平均值（0.3+0.33）/2=0.315，第二平均值（0.2+0.25+0.26）/3=0.237，男待选标签包的转化率稳定性就为[(0.315-0.268)+(0.237-0.268)]/2=0.008。

可选地，计算单个待选标签包的购买率稳定性后还可以计算叠加标签人群包的购买率稳定性。叠加标签人群包为多个待选标签包所携带的多个标签属性叠加形成的人群包，每个叠加标签人群包携带的标签属性中同一标签类型下的标签属性的数量为一，每个叠加标签人群包携带的标签属性的数量小于预设的组合阈值，其中，组合阈值可以为4、5、6，本申请以组合阈值为5为例说明。其中，叠加标签人群包可以是任意两个标签属性叠加，也可以是任意三个标签属性叠加、任意四个标签属性叠加，或者任意五个标签属性叠加，通常，可以不超过组合阈值，在一些实施例中，组合阈值可以设置为5。

例如，选取五个待选标签包进行叠加，其中，标签属性为男，对应的转化率稳定性为0.2，标签属性为一线城市，对应的转化率稳定性为0.23，标签属性为高（对应短信响应度的标签类别），对应的转化率稳定性为0.25，标签属性为18-25岁，对应的转化率稳定性为0.3，标签属性为店铺有访问，对应的转化率稳定性为0.31。可以对待选标签包进行任意两个标签属性叠加，其中，可以将标签属性男与一线城市叠加，得到的转化率稳定性为0.43，也可以将标签属性男与高叠加，得到的转化率稳定性为0.45，也可以将标签属性男与18-25岁叠加，得到的转化率稳定性为0.5，也可以将标签属性男与店铺有访问叠加，得到的转化率稳定性为0.51。可以将待选标签包进行任意三个标签属性叠加，其中，可以将标签属性男、一线城市和高叠加，得到的转化率稳定性为0.68，也可以将标签属性一线城市、高和18-25岁叠加，得到的转化率稳定性为0.78，也可以将标签属性高、18-25岁和店铺有访问叠加，得到的转化率稳定性为0.86。可以将待选标签包进行四四叠加，其中，可以将标签属性男、一线城市、高和18-25岁叠加，得到的转化率稳定性为0.98，也可以将标签属性一线城市、高、18-25岁和店铺有访问叠加，得到的转化率稳定性为1.09。可以将五个标签待选包一起进行叠加，得到的转化率稳定性为1.29。其他数量的标签叠加可以参见前述描述，此处不再赘述。

在处理器计算出单个待选标签包和/或叠加待选标签包的转化率稳定性后，将计算出的结果进行排序处理，可以选择降序排列，也可以选择升序排列。排列完成后，处理器选取转化率稳定性高的待选标签包，选够需要的人数为止，选取的人群就为更新目标人群，再对这些更新目标人群进行消息推送。

因为转化率稳定性反映人群再次购买的可能性，数值越高越好，所以选取转化率稳定性高的人群作为目标人群进行消息推送，可以提高商品的成交量。

可选地，当对目标人群或更新目标人群进行消息推送后，收到推送消息的人群里，会有购买推送商品的人，也会有没有购买推送商品的但是购买了品牌其他商品的人，也可能有完全不购买的人等。在本次活动结束后，可以获取这些订单信息进行存储、展示。其中，订单信息中可以包括本次实际的购买转化率、浏览率、收藏率、ROI（Return OnInvestment，投资回报率）等信息，这些信息也可以通过图表展示，直观清晰。

可选地，处理器可以对获取的本次活动的订单信息进行分析，如果消息推送不准确，可以优化标签，提高下次活动时消息推送的准确率。其中，推送的消息可以是商品信息，也可以是优惠券。

具体的，如果实际购买转化率高，但是实际ROI低，证明虽然推送的商品类型是精准的，但是在这些购买的人群身上获取的利润少；如果实际购买转化率低，实际ROI也低，证明这个消息推送的人群完全不准，就可以删除掉这些人群对应的标签；如果实际购买转化率高，实际ROI也高，证明选取的人群非常精准，可以保留这个人群的标签，直接作为下一次推送消息的目标人群，还可以给这些人群添加金额不敏感标签，下次活动时继续给这些人群推送相同商品或者同类ROI高的商品。

可选地，如果实际购买转化率高，但是购买指定商品的实际准确率低，证明推送消息中推送的商品不准确，但是接收到推送消息的人群购买意愿强烈。这时，处理器还可以从订单信息中查询这些人都购买了什么商品，根据购买过的商品或收藏的商品，将给这些人群推送的商品进行更改，并给这些人群添加购买意愿高强烈的标签属性，下次活动时可以根据浏览记录和收藏记录重新推送新的商品。

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。

本申请实施例提供了一种获取目标人群的装置，该获取目标人群的装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或全部，用于执行上述实施例中的获取目标人群的方法中的步骤。

图4示出了本申请实施例提供的一种获取目标人群的装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图4，该装置400包括：获取模块410、确定模块420和筛选模块430.

获取模块410：用于获取多个标签人群包，每个所述标签人群包携带标签属性，每个所述标签属性为一个标签类型对应的一个属性，每个所述标签人群包携带的标签属性不同，所述多个标签人群包为多个初始标签人群包和基础人群包交集得到的人群包，所述基础人群包中包括存在近期行为的人群和存在历史购买行为的人群，所述初始标签人群包为基于与目标店铺相关的全量人群进行标签圈选得到的人群包。

确定模块420：用于根据历史订单信息，确定所述多个标签人群包中，每个所述标签人群包的购买转化率，所述购买转化率用于表征标签人群包中存在历史购买行为的人数的占比，所述历史订单信息中包括存在历史购买行为的人群的信息。

筛选模块430：用于根据所述多个标签人群包中每个所述标签人群包的购买转化率，对所述多个标签人群包进行筛选，得到目标人群。

在一些实施例中，所述标签类型包括性别、地域、年龄、偏好、短信响应度、店铺关系、商品关系、RFM模型、权益属性、互动关系、自定义标签中的至少一个。

在一些实施例中，获取模块410：具体用于从所述历史订单信息中获取存在历史购买行为的人群形成的购买人群包；

确定模块420：具体用于确定第一标签购买包和第一标签人群包的比值为所述第一标签人群包对应的第一购买转化率，所述第一标签人群包为所述多个标签人群包中的任意一个，所述第一标签购买包为所述第一标签人群包和所述购买人群包的交集，第一初始标签人群包为所述多个初始标签人群包中的一个，所述第一初始标签人群包和所述第一标签人群包的标签属性相同。

在一些实施例中，筛选模块430：具体用于对所述多个标签人群包执行人群包初次筛选操作，得到所述目标人群；

所述人群包初次筛选操作包括如下操作中的至少一个：

删除第一购买转化率集合中的最大的购买转化率和最小的购买转化率的差值小于预设差异阈值的标签人群包，所述第一购买转化率集合中的最大的购买转化率和最小的购买转化率为同一标签类型下不同标签属性的标签人群包的购买转化率；

删除所述多个标签人群包中人数少于第一人数阈值的标签人群包；

删除基础转化率小于购买转化率的标签人群包，所述基础转化率为存在历史购买行为的人群在所述基础人群中的占比，所述购买转化率为存在历史购买行为的人群在标签人群包中的占比。

在一些实施例中，筛选模块430：还用于当所述目标人群的数量超过预设的预算人数时，则对所述目标人群执行二次筛选操作，得到多个待选标签包；

根据所述多个待选标签包中每个待选标签包的转化率稳定性，从所述多个待选标签包中筛选出更新目标人群，所述转化率稳定性用于表征待选标签包中的人群在多次历史活动中的购买转化率的稳定程度；

所述二次筛选操作包括：

判断第一待选标签包的购买转化率是否大于转化率上限值，所述第一待选标签包为所述目标人群中的标签人群包中的任意一个；

若是，则将所述第一待选标签包加入所述多个待选标签包；

若否，则判断所述第一待选标签包的购买转化率是否小于转化率下限值，所述转化率下限值小于所述转化率上限值；

当所述第一待选标签包的转化率小于所述转化率下限值时，则将所述第一待选标签包删除。

在一些实施例中，筛选模块430：还用于根据所述多个待选标签包中每个所述待选标签包的转化率稳定性，生成多个叠加标签人群包对应的转化率稳定性，所述多个叠加标签人群包为所述多个待选标签包所携带的多个标签属性叠加形成的人群包，每个所述叠加标签人群包携带的标签属性中同一标签类型下的标签属性的种类为一，每个所述叠加标签人群包携带的标签属性的数量小于预设的组合阈值；

根据所述多个待选标签包中每个所述待选标签包的转化率稳定性，以及所述多个叠加标签人群包中每个所述叠加标签人群包的转化率稳定性，从所述多个待选标签包中筛选出转化率稳定性高的人群，形成所述更新目标人群。

在一些实施例中，所述待选标签包的转化率稳定性为第一平均值减去总平均值的差值的一半、与第二平均值减去所述总平均值的一半之和，所述第一平均值为大于总平均值的历史购买转化率的平均值，所述第二平均值为小于所述总平均值的历史购买转化率的平均值，所述总平均值为多个历史购买转化率的平均值；

其中，所述多个历史购买转化率与多次历史活动一一对应，第一历史购买转化率为在第一历史活动中,所述待选标签包携带的标签属性对应的人群包中存在购买行为的人数的占比，所述第一历史购买转化率为所述多个历史购买转化率中的任意一个，所述第一历史活动为所述多次历史活动中的一个。

在一些实施例中，装置400还包括通知与更新模块：用于向所述目标人群发送通知消息；

获取所述目标人群响应于所述通知消息的实际购买转化率和/或实际投资回报率，所述实际购买转化率为接收到所述通知消息的人群中发生实际购买行为的人数的占比，所述实际投资回报率用于表征接收到所述通知消息的人群中发生实际购买行为的人所产生的利润率；

根据所述实际购买转化率和/或实际投资回报率更新所述标签类型和所述标签属性。

本申请中，通过获取存在近期行为的人群和历史订单信息中存在历史购买行为的人群，合并去重后，形成基础人群包，再将获取的基础人群包与初始标签人群包进行交集，得到多个标签人群包，并计算这些标签人群包对应的购买转化率，然后通过购买转化率对多个标签人群包进行筛选，得到目标人群。这样获取到的目标人群更加准确，同时，相比人工圈选的传统方式，效率更高。

装置400执行获取目标人群的方法的具体方式以及产生的有益效果可以参见方法实施例中的相关描述，此处不再赘述。

本申请实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在该存储器中并可在该至少一个处理器上运行的计算机程序，该处理器执行该计算机程序时实现上述任意各个方法实施例中的步骤。

图5为本申请实施例提供的一种计算机设备的结构示意图。如图5所示，计算机设备500包括：处理器510、存储器520以及存储在存储器520中并可在处理器510上运行的计算机程序530，处理器510执行计算机程序530时实现上述实施例中的获取目标人群的方法中的步骤。

计算机设备500可以是一个通用计算机设备或一个专用计算机设备。在具体实现中，计算机设备500可以是台式机、便携式电脑、网络服务器、掌上电脑、移动手机、平板电脑、无线终端设备、通信设备或嵌入式设备，本申请实施例不限定计算机设备500的类型。本领域技术人员可以理解，图5仅仅是计算机设备500的举例，并不构成对计算机设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，比如还可以包括输入输出设备、网络接入设备等。

处理器510可以是中央处理单元（Central Processing Unit，CPU），处理器510还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器。

存储器520在一些实施例中可以是计算机设备500的内部存储单元，比如计算机设备500的硬盘或内存。存储器520在另一些实施例中也可以是计算机设备500的外部存储设备，比如计算机设备500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。进一步地，存储器520还可以既包括计算机设备500的内部存储单元也包括外部存储设备。存储器520用于存储操作***、应用程序、引导装载程序（Boot Loader）、数据以及其他程序等。存储器520还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。

本申请实施例还提供了一种计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例中的步骤。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述方法实施例中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，该计算机程序包括计算机程序代码，该计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。该计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM（Read-Only Memory，只读存储器）、RAM（Random Access Memory，随机存取存储器）、CD-ROM（Compact Disc Read-Only Memory，只读光盘）、磁带、软盘和光数据存储设备等。本申请提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。

应当理解的是，实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

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)

1.一种获取目标人群的方法，其特征在于，所述方法包括：

获取多个标签人群包，每个所述标签人群包携带标签属性，每个所述标签属性为一个标签类型对应的一个属性，每个所述标签人群包携带的标签属性不同，所述多个标签人群包为多个初始标签人群包和基础人群包交集得到的人群包，所述基础人群包中包括存在近期行为的人群和存在历史购买行为的人群，所述初始标签人群包为基于与目标店铺相关的全量人群进行标签圈选得到的人群包；

根据历史订单信息，确定所述多个标签人群包中，每个所述标签人群包的购买转化率，所述购买转化率用于表征标签人群包中存在历史购买行为的人数的占比，所述历史订单信息中包括存在历史购买行为的人群的信息；

根据所述多个标签人群包中每个所述标签人群包的购买转化率，对所述多个标签人群包进行筛选，得到目标人群。

2.根据权利要求1所述的方法，其特征在于，所述标签类型包括性别、地域、年龄、偏好、短信响应度、店铺关系、商品关系、最近一次消费-消费频率-消费金额RFM模型、权益属性、互动关系、自定义标签中的至少一个。

3.根据权利要求1所述的方法，其特征在于，所述根据历史订单信息，确定所述多个标签人群包中，每个所述标签人群包的购买转化率，包括：

从所述历史订单信息中获取存在历史购买行为的人群形成的购买人群包；

确定第一标签购买包和第一标签人群包的比值为所述第一标签人群包对应的第一购买转化率，所述第一标签人群包为所述多个标签人群包中的任意一个，所述第一标签购买包为所述第一标签人群包和所述购买人群包的交集。

4.根据权利要求3所述的方法，其特征在于，所述根据所述多个标签人群包中每个所述标签人群包的购买转化率，对所述多个标签人群包进行初次筛选，得到目标人群，包括：

对所述多个标签人群包执行人群包初次筛选操作，得到所述目标人群；

所述人群包初次筛选操作包括如下操作中的至少一个：

删除第一购买转化率集合中的最大的购买转化率和最小的购买转化率的差值小于预设差异阈值的标签人群包，所述第一购买转化率集合中的最大的购买转化率和最小的购买转化率为同一标签类型下不同标签属性的标签人群包的购买转化率；

删除所述多个标签人群包中人数少于第一人数阈值的标签人群包；

删除基础转化率大于购买转化率的标签人群包，所述基础转化率为存在历史购买行为的人群在所述基础人群中的占比，所述购买转化率为存在历史购买行为的人群在标签人群包中的占比。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若所述目标人群的数量超过预设的预算人数，则对所述目标人群执行二次筛选操作，得到多个待选标签包；

根据所述多个待选标签包中每个待选标签包的转化率稳定性，从所述多个待选标签包中筛选出更新目标人群，所述转化率稳定性用于表征待选标签包中的人群在多次历史活动中的购买转化率的稳定程度；

所述二次筛选操作包括：

判断第一待选标签包的购买转化率是否大于转化率上限值，所述第一待选标签包为所述目标人群中的标签人群包中的任意一个；

若是，则将所述第一待选标签包加入所述多个待选标签包；

若否，则判断所述第一待选标签包的购买转化率是否小于转化率下限值，所述转化率下限值小于所述转化率上限值；

当所述第一待选标签包的转化率小于所述转化率下限值时，则将所述第一待选标签包删除。

6.根据权利要求5所述的方法，其特征在于，所述根据所述多个待选标签包中每个待选标签包的转化率稳定性，从所述多个待选标签包中筛选出更新目标人群，包括：

根据所述多个待选标签包中每个所述待选标签包的转化率稳定性，生成多个叠加标签人群包对应的转化率稳定性，所述多个叠加标签人群包为所述多个待选标签包所携带的多个标签属性叠加形成的人群包，每个所述叠加标签人群包携带的标签属性中同一标签类型下的标签属性的数量为一，每个所述叠加标签人群包携带的标签属性的数量小于预设的组合阈值；

根据所述多个待选标签包中每个所述待选标签包的转化率稳定性，以及所述多个叠加标签人群包中每个所述叠加标签人群包的转化率稳定性，从所述多个待选标签包中筛选出转化率稳定性高的人群，形成所述更新目标人群。

7.根据权利要求5或6所述的方法，其特征在于，所述待选标签包的转化率稳定性为第一平均值减去总平均值的差值的一半、与第二平均值减去所述总平均值的一半之和，所述第一平均值为大于总平均值的历史购买转化率的平均值，所述第二平均值为小于所述总平均值的历史购买转化率的平均值，所述总平均值为多个历史购买转化率的平均值；

其中，所述多个历史购买转化率与多次历史活动一一对应，第一历史购买转化率为在第一历史活动中,所述待选标签包携带的标签属性对应的人群包中存在购买行为的人数的占比，所述第一历史购买转化率为所述多个历史购买转化率中的任意一个，所述第一历史活动为所述多次历史活动中的一个。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

向所述目标人群发送通知消息；

获取所述目标人群响应于所述通知消息的实际购买转化率和/或实际投资回报率，所述实际购买转化率为接收到所述通知消息的人群中发生实际购买行为的人数的占比，所述实际投资回报率用于表征接收到所述通知消息的人群中发生实际购买行为的人所产生的利润率；

根据所述实际购买转化率和/或实际投资回报率更新所述标签类型和所述标签属性。

9.一种计算机设备，其特征在于，所述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，所述计算机程序被所述处理器执行时实现如权利要求1至8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，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如权利要求1至8任一项所述的方法。

Images