CN116127189A - 用户运营方法、装置、设备以及计算机存储介质 - Google Patents
用户运营方法、装置、设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN116127189A CN116127189A CN202211703294.5A CN202211703294A CN116127189A CN 116127189 A CN116127189 A CN 116127189A CN 202211703294 A CN202211703294 A CN 202211703294A CN 116127189 A CN116127189 A CN 116127189A
- Authority
- CN
- China
- Prior art keywords
- user
- feature
- determining
- target
- users
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000006243 chemical reaction Methods 0.000 claims abstract description 100
- 230000009466 transformation Effects 0.000 claims abstract description 63
- 238000013486 operation strategy Methods 0.000 claims abstract description 28
- 238000007621 cluster analysis Methods 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 101
- 238000011156 evaluation Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000002860 competitive effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Input From Keyboards Or The Like (AREA)
- Debugging And Monitoring (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例涉及计算机数据处理技术领域,公开了一种用户运营方法、装置、设备以及计算机存储介质,该方法包括:将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。通过上述方式,本发明实施例提高了用户运营的精准性。
Description
技术领域
本发明实施例涉及计算机数据处理技术领域,具体涉及一种用户运营方法、装置、设备以及计算机存储介质。
背景技术
现有的用户运营一般基于用户画像标签对用户进行划分,对划分得到的用户群进行分群运营。其中,一般按照根据专家经验制定的预设规则对用户画像标签划分,而标签维度较为单一导致分群准确率低,并且划分规则依赖专家经验,复用性低。并且现有在对用户群进行运营时,一般只针对群内用户的偏好,运营策略较为单一,导致其运营效果不佳。
因此,需要一种用户分群更准确、分群运营策略更全面的用户运营方法。
发明内容
鉴于上述问题,本发明实施例提供了一种用户运营方法、装置、设备以及计算机存储介质,用于解决现有技术中存在的用户运营的效果不佳的问题。
根据本发明实施例的一个方面,提供了一种用户运营方法,所述方法包括:
将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;
根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;
根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
在一种可选的方式中,所述方法还包括:
分别确定所述历史全量用户在多个预设的可选用户特征下的第一特征值;
分别确定所述历史转化用户在所述可选用户特征下的第二特征值;
将所述第一特征值与所述第二特征值匹配的所述可选用户特征确定为所述转化行为相关特征。
在一种可选的方式中,所述方法还包括:
根据预设的业务内容特征、通用用户特征以及所述转化行为相关特征确定初始聚类特征;
根据所述待运营用户在所述初始聚类特征下的特征值对所述初始聚类特征进行特征筛选,得到目标聚类特征;
根据所述待运营用户在所述目标聚类特征下的特征值对所述待运营用户进行聚类分析,得到所述多个用户群。
在一种可选的方式中,所述方法还包括:
根据所述待运营用户在所述初始聚类特征下的特征值确定所述初始聚类特征的取值分布情况和/或所述初始聚类特征之间的相关性;
根据所述取值分布情况和/或所述相关性对所述初始聚类特征进行特征筛选,得到所述目标聚类特征。
在一种可选的方式中,所述方法还包括:
根据预设的聚类评估指标对所述用户群进行聚类效果评估,得到评估结果;其中,所述聚类评估指标包括群内用户特征值分布指标和/或群内用户业务相关行为分布指标;
根据所述评估结果对所述用户群进行调整。
在一种可选的方式中,所述方法还包括:
根据所述运营资源使用信息确定目标运营场景;
根据所述用户画像信息确定所述用户群的用户偏好信息以及预计运营回报;
根据所述用户偏好信息确定所述目标运营内容;
根据所述预计运营回报确定所述运营优先级。
在一种可选的方式中,所述目标运营场景包括目标运营渠道以及目标运营时间;所述方法还包括:
针对各个所述用户群,根据所述运营资源使用信息确定多个可选运营渠道对于所述用户群的历史覆盖度;
根据所述历史覆盖度从所述可选运营渠道中确定所述目标运营渠道;
根据所述运营资源使用信息分别确定所述目标运营渠道的多个可选时间区间内的曝光度;
根据所述曝光度从所述可选时间区间中确定所述目标运营时间。
根据本发明实施例的另一方面,提供了一种用户运营装置,包括:
比较模块,用于将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;
聚类模块,用于根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;
确定模块,用于根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
根据本发明实施例的另一方面,提供了一种用户运营设备,包括:
处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如前述任意一项所述的用户运营方法的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使用户运营设备执行前述任意一项所述的用户运营方法的操作。
本发明实施例通过将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征,其中,转化行为相关特征用于表征与实施转化行为高度关联的用户特征,根据用户在转化行为相关特征下的特征分布即可以将用户划分为转化概率较大的潜在转化用户以及转化概率较小的非潜在转化用户。再根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群,其中,用户群可以包括潜在转化用户群以及非潜在转化用户群;最后根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略,其中,用户运营策略可以包括运营渠道、运营时间以及运营内容,运营资源使用信息可以包括历史运营资源的使用情况以及获得的用户反馈信息,运营资源使用信息还可以包括当前可用的运营资源信息。从而区别于现有技术中,现有的分群营销的方法或模型,组合标签或专家经验的划分方法过于简单粗糙,模型的分群方法业务可解释性较差且复用性不高。本发明实施例通过基于历史转化用户与历史全量用户的特征比较,得到与用户是否会实施转化行为高度相关的行为特征,从而根据转化行为相关特征对用户进行分群,得到潜在转化用户群以及非潜在转化用户群等不同的用户群,最后根据运营资源使用信息针对性地对不同的用户群制定个性化的运营策略,通过对用户特征的分析精准地对用户分群,围绕各个用户群制定具有明显区分度的产品策略,并提出有针对性的用户运营及服务方案,实现了从“粗放式管理”转向“精细化运营”,能够提高用户运营的精准性,为运营人员快速、科学、有效地制定营销策略提供了可靠的数据结论,实现流量的精准转化,达到降本增效的目的,激发了产品更加明显的竞争优势。进一步地,本发明实施例可应用到券商各类业务引流转化的精细化营销场景上,更加灵活、有扩展性,在运营工作中更实用高效。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的用户运营方法的流程示意图;
图2示出了本发明实施例提供的用户运营装置的结构示意图;
图3示出了本发明实施例提供的用户运营设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
在进行本发明实施例的说明之前,对现有技术以及其存在的问题进行进一步说明:
现有一些比较成熟的用户分群方法和模型如下:
1)画像标签分群:选择基础特征(如性别、年龄)、行为特征(如入金、交易)、用户价值标签(如资产、交易额)中的单个或多个组合标签进行规则分群;比如券商常用的按照用户资产价值分群的方法,将用户分为高净值用户、富裕用户、大众用户等;
2)模型分群:一类是通过业务状态类模型比如生命周期模型(如新户、留存用户)、转化漏斗模型(如转化、未转化)来划分用户群;一类是通过机器学习模型比如分类模型、聚类模型、深度学习模型等来划分用户群。
发明人发现现有技术存在的问题至少包括:
1)分群依据单一标签或规则组合标签:这样的分群方法过于简单、粗糙,分群维度单一,不但忽略了用户群之间的关联,也缺乏对一线业务人员的战术级支撑;且该类分群的规则方法大部分严重依赖专家经验,日常运营工作繁复、复用性差;
2)模型分群的方法:分类模型需要依赖前置样本,必须提供部分已划分的用户群,实用意义不大;聚类模型,属于无监督模型,分群的结果容易受长尾用户或异常用户的影响,且需要提前设置参数,导致聚类模型的分群效果难以保障。若分群数较少会导致出现人数偏多的大类用户群,大类用户群内的用户之间依然存在着明显的行为特征差异,若分群数较多会导致存在人数偏少的小类用户群,小类用户群之间的特征差异度不大,难以制定差异化营销方案;深度学习模型,数据处理黑盒,分群结果一般业务解释性较差,比较难落地应用。
因此,基于现有的用户分群的方法难以实现对于用户的个性化精准运营,导致现有的用户分群运营的效果不佳,难以提高运营资源的促转化率。因此,需要一种更加精准的个性化用户运营方式。
图1示出了本发明实施例提供的用户运营方法的流程图,该方法由计算机处理设备执行。该计算机处理设备可以包括手机、笔记本电脑等。如图1所示,该方法包括以下步骤:
步骤10:将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征。
历史全量用户包括历史时间区间内使用目标应用的所有用户,其中,目标应用可以是存在用户运营需求的应用,如购物应用、理财应用、社交应用等。目标应用的运营目标可以包括促进用户实施转化行为,其中,转化行为包括关注、转发、下单以及充值等表征用户的兴趣和投入的行为。
历史转化用户可以是历史全量用户中针对目标应用中执行的历史运营动作存在预设类型的转化行为的用户。其中,历史运营动作可以是推送内容、发放优惠券、发放限时权益等动作。对应地,历史转化用户所实施的转化行为可以是点击推送内容,报名或购买推送产品,领取和/或使用优惠券,领取和/或续费限时权益等。
转化行为相关特征用于表征与用户是否会实施转化行为高度相关的用户特征,即根据一个用户在转化行为相关特征下的特征分布情况即可以大概率地预测出其是否会实施转化行为。举例说明,针对金融理财产品对用户进行运营场景中,转化行为相关特征可以包括用户的净资产、投资金额以及投资年限等。通过针对历史转化用户与历史全量用户在多个可选特征下的特征分布的差异情况,筛选出历史转化用户相比历史全量用户,特征分布显著存在差异的特征作为转化行为相关特征。
举例说明,目标应用在首页向全量用户推送了一个教辅类金融课程视频,则报名并学习该课程的用户即为教辅类金融课程视频对应的历史转化用户。从而可以基于历史转化用户的表现,挖掘出更多教辅类金融课程视频的偏好用户群,即基于历史转化用户进行泛化,将待运营人群划分为潜在转化用户群以及其他用户群,从而实现对不同的用户群体的个性化运营。如对潜在转化人群做深度运营,促进其转化;对非潜在转化用户群做进一步分析,挖掘其偏好行为,更新投放素材和内容等。
因此在本发明实施例中,步骤10还可以包括:
步骤101:分别确定所述历史全量用户在多个预设的可选用户特征下的第一特征值。
具体地,可选用户特征用于表征用户的人口属性、账户属性、兴趣特征、行为特征、交易特征和资产特征的一或多个特征维度对应的特征信息。其中,人口属性用于表征用户的人口学以及社会学上的特征,如可以包括性别、年龄。账户属性用于表征用户在目标应用中的账户特征,可以包括账户类型、账户开通渠道、账户使用时长等。兴趣特征用于表征用户的兴趣偏好,如可以包括用户的偏好信息、用户敏感类型、用户使用的设备类型、操作***等。行为特征用于表征用户对于目标应用的交互行为特征,如可以包括使用目标应用是否活跃、是否浏览目标应用的推送资讯等。交易特征用于表征用户在目标应用中的交易以及付费行为的特征,如可以包括用户在目标应用中的月交易金额、各类产品的交易金额。资产特征用于表征用户在目标应用中的账户资产的特征,如可以包括账户的历史最高净资产以及月均净资产等。
针对每一个可选用户特征,确定各个历史全量用户在该可选用户特征下的特征值作为第一特征值。如针对“月交易金额”这一可选用户特征,将各个历史全量用户的月交易金额确定为第一特征值。
步骤102:分别确定所述历史转化用户在所述可选用户特征下的第二特征值。
针对每一个可选用户特征,确定历史转化用户在该可选用户特征下的特征值作为第二特征值。
步骤103:将所述第一特征值与所述第二特征值匹配的所述可选用户特征确定为所述转化行为相关特征。
具体地,当第一特征值与第二特征值的差值小于预设阈值时,则判定第一特征值与第二特征值匹配。而当可选用户特征“A”下的第一特征值与第二特征值匹配时,则将可选用户特征“A”确定为转化行为相关特征。
其中,第一特征值和第二特征值的确定可以根据历史全量用户以及历史转化用户对应的用户行为数据以及用户画像数据确定。其中,用户行为数据以及用户画像数据中包括用户的基础属性,如性别、年龄、职业、学历,账户属性如开户时长、业务办理情况,资产属性如场内场外基金保有量、股票保有量、总资产、净资产等,平台行为如目标应用活跃度、基金浏览、入金、交易、定投、打新行为等,风险偏好如投资结构偏好、风险等级等。
可选地,还可以通过TGI(Target Group Index,目标群体指数)指数衡量历史转化用户相比历史全量用户在多个可选用户特征中分布差异的程度,从将特征分布存在显著差异的特征选取作为转化行为相关特征。具体地,可以将TGI指数大于或等于预设指数阈值的可选用户特征确定为转化行为相关特征。其中,TGI指数的计算可以是历史转化用户中在可选用户特征“A”下的特征值为i的用户所占比例与历史全量用户中在可选用户特征“A”下的特征值为i的用户所占比例的比值。举例说明,针对当“A”为“开户时长”这一可选用户特征时,i设置为3年以及以上时,历史转化用户中有80%的用户的开户时长为3年以及以上,而历史全量用户中有50%的用户的开户时长为3年以及以上,则TGI指数为80%/50%=160。而160大于预设的指数阈值150,因此,将“开户时长”这一可选用户特征筛选出来作为转化行为相关特征。
步骤20:根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群。
具体地,待运营用户可以当前活跃的全量用户,也可以是符合预设条件的目标用户群体,如目标应用的新注册用户、历史被运营但未成功转化的用户、使用经验或用户等级达到预设条件的用户等。根据待运营用户在转化行为相关特征下的特征分布情况,对待运营用户进行聚类分析,得到多个用户群,其中,用户群包括潜在转化用户以及其他用户。
其中,考虑到待运营用户的用户数据可能数量巨大,在聚类分析时需要进行数据降维。而现有的处理高维数据常用的办法包括使用PCA(principal component analysis,主成分分析)进行降维,但PCA降维后的主成分的特征维度的含义具有模糊性,解释性太差,并且容易损失一些重要的信息,而常用的聚类算法,如k-prototype模型算法时间复杂度高,容易局部最优,且需要提前设置权重。因此,综合考虑到聚类分析过程的业务解释性应用性、聚类有效性以及计算复杂度,本发明实施例采用k-means(基准聚类模型)进行聚类分析。具体地,获取待运营用户的用户行为及画像数据,根据用户行为及画像数据进行待运营用户在转化行为相关特征下的特征信息的提取,最后根据k-means算法对待运营用户的用户数据按照转化行为相关特征下的特征值的聚类,得到多个用户群。
进一步地,考虑到用户是否转化除了受到用户自身的行为相关特征(如是否点击推送内容、是否观看过直播、新产品购买次数等)的影响外,还可能受到运营至用户的业务内容的相关特征(如业务推送渠道、业务内容偏好人群信息等)以及用户在人口学以及社会学上更通用的一般性特征(如地域、年龄以及资产状态等)的影响,因此,为了提高对待运营用户聚类分析的精准性,在前述基于历史转化用户得到的转化行为相关特征的基础上,还可以进一步对用于聚类分析的特征进行扩充以及筛选等特征工程,步骤20还可以包括:
步骤201:根据预设的业务内容特征、通用用户特征以及所述转化行为相关特征确定初始聚类特征。
其中,业务内容特征用于表征用于进行运营的业务内容的特征,其中,业务内容可以包括目标应用中用于为用户提供服务和/或可供购买的内容,如理财产品、课程、多媒体内容以及资源使用权限等。业务内容特征可以包括业务引流渠道相关特征、业务内容偏好相关特征以及业务核心功能相关特征等。业务引流渠道相关特征用于表征业务内容在运营至用户时所使用的引流渠道的特征,如渠道类型、渠道流量、运营时间等。业务内容偏好相关特征用于表征业务内容对应的偏好用户信息。业务核心功能相关特征用于表征业务内容的核心相关特征,如业务类型、业务风险等级、业务价格等。
通用用户特征用于表征通用性较高的一般性的用户特征,如可以包括LBS(Location Based Services,基于位置的服务)类特征、产品兴趣类特征(如是否关注理财资讯、是否关注科技板等)和社会经济状态类(如年收入、家庭状况等)的特征。
为了进一步提高用户聚类的准确性,在转化行为相关特征的基础上,根据业务内容特征、通用用户特征对其进行补充,得到初始聚类特征。其中,可以将业务内容特征、通用用户特征以及所述转化行为相关特征确定初始聚类特征进行融合和去重等特征工程处理,得到初始聚类特征。
步骤202:根据所述待运营用户在所述初始聚类特征下的特征值对所述初始聚类特征进行特征筛选,得到目标聚类特征。
具体地,根据待运营用户的用户行为及画像数据进行特征提取,得到待运营用户在所述初始聚类特征下的特征值,根据预设的聚类算法,如k-means算法根据待运营用户在各个所述初始聚类特征下的特征值进行聚类,分别得到各个初始聚类特征分别对应的所有待运营用户的特征值取值情况,根据特征值取值情况对初始聚类特征进行筛选。其中,在进行特征筛选时,可以考虑将初始聚类特征中取值相关性较高的特征进行筛选,只保留具有代表性的特征即可,从而减少后续模型的处理数据量。
进一步地,考虑到在部分初始聚类特征下,待运营用户的特征取值之间的差异可能并不大,如90%或以上的待运营用户的特征取值都保持在一定区间内,由此该初始聚类特征对于用户区分的作用并不大,因此可以将此类初始聚类特征剔除,提高聚类分析的效率。
因此,在本发明实施例中,步骤202还可以包括:
步骤2021:根据所述待运营用户在所述初始聚类特征下的特征值确定所述初始聚类特征的取值分布情况和/或所述初始聚类特征之间的相关性。
其中,取值分布情况表征各个初始聚类特征下的所有待运营用户的特征值的取值情况,如各个待运营用户分别的特征值,以及各个预设的特征值取值区间对应的待运营用户占比等。举例说明,在“日平均应用使用时长”这一项初始聚类特征下,30%的待运营用户的特征取值为1-3小时,60%的待运营用户的特征取值为1小时以下,10%的待运营用户的特征取值为3小时以上。
相关性用于表征不同的初始聚类特征之间的待运营用户的特征取值的关联程度。相关性较高的初始聚类特征下的待运营用户的特征取值相互影响,如“是否观看直播”与“是否点击推送”的相关性较高,因此,可以从这两个初始聚类特征中选取一个作为聚类分析的标准,避免对大量特征进行处理,提高聚类分析的效率。
步骤2022:根据所述取值分布情况和/或所述相关性对所述初始聚类特征进行特征筛选,得到所述目标聚类特征。
具体地,考虑到若某特征的取值基本都是某个数值,则该特征在聚类模型的训练中无较大意义,极端情况如某特征的取值均为1,则该特征无任何区分意义。因此使用去掉取值变化小的特征的方法删除掉一些应用意义不大的特征来提升模型训练的效率,具体地,可以将阈值设置为95%。需要说明的是,取值分布情况进行筛选的方法适用于离散型特征,连续型特征需要离散化如分段取值后才能应该上述步骤进行取值分布情况计算。
与此同时,考虑到初始聚类特征之间可能存在相关性,即出现多重共线性,可能导致回归拟合的结果出现偏差,甚至完全相反的结论,本发明实施例采取剔除冗余因子的方法来消除初始聚类特征共线性的问题。首先,计算初始聚类特征间的相关矩阵;然后,设定得分相关性阈值,将相关性得分大于该阈值的元素所对应的初始聚类特征只保留与其他初始聚类特征相关性较小的初始聚类特征,而其他初始聚类特征则作为冗余初始聚类特征剔除。
举例说明,在根据取值分布情况进行特征筛选时,若用户群中A特征下的特征取值分布满足用户群中A特征值为i的用户数与用户群中的用户总数的比例大于预设阈值,则剔除A特征。其中,预设阈值可以设置为95%。在根据相关性进行特征筛选时,若初始聚类特征m和初始聚类特征n的相关系数大于预设阈值,如0.8,并且,初始聚类特征m与其他初始聚类特征的相关性大于其与初始聚类特征n之间的相关性,则剔除初始聚类特征m。
本发明实施例基于历史已转化的用户群的显著特征(即转化行为相关特征)、业务相关特征和通用有效特征搭建特征库,相比现有技术方案或理论模型,特征库比较完备且业务解释性较强。并且,区别于目前直接对全量用户聚类建模的方法,本发明实施例中,首先对历史转化用户进行聚类分群,再基于历史转化用户的聚类分群的结果泛化至全量用户,既解决了全量用户中长尾用户或异常用户对聚类结果影响的问题,又解决了转化用户群与全量用户群分布差异性导致聚类结果偏差的问题。
进一步地,考虑到聚类分析的目标在包括提取数据的主要特征,反映数据的内在规律的同时,又可以对数据进行合理划分,但现有的聚类评价指标通常都基于统计理论或模糊理论,受到基础理论的限制,在业务应用的场景下,仅凭聚类评价指标不能正确评估出最佳的聚类结果,因此,现有的用户分群聚类的聚类结果的解释性较差,无法直接与用户的业务相关行为属性关联起来,无法作为用户分群运营提供指导,因此,为了提高聚类分析结果的精准度以及业务解释性,在步骤20之后还可以包括:
步骤210:根据预设的聚类评估指标对所述用户群进行聚类效果评估,得到评估结果;其中,所述聚类评估指标包括群内用户特征值分布指标和/或群内用户业务相关行为分布指标。
其中,群内用户特征值分布指标用于表征用户群的特征近似程度,即是否达到了特征近似的用户被聚到一类中。具体地,群内用户特征值分布指标可以包括WCSS(Within-Cluster-Sum-of-Square,最小簇内节点平方偏差之和)、silhouette_coefficient(轮廓系数)、DVI(Dunn Validity Index,邓恩指数)、DBI(Davies-Bouldin Index,戴维森堡丁指数)、calinski_harabaz_index等聚类评估指标中的一或多个。其中,WCSS用于表征每个样本到簇内中心点的距离偏差之和,WCSS越小,表征聚类效果越好。silhouette_coefficient用于描述一个目标对于目标所在簇与其他簇之间的相似性。其范围是从-1~+1,这个值越大表明目标与自己所在簇之间的匹配关系度越高,与其他簇的匹配关系度越低。silhouette_coefficient值越高,则聚类结果越好。DVI用于表征任意两个簇的样本点的最短距离与任意簇中样本点的最大距离之商,DVI的值越大,表征聚类效果越好。DBI又称为分类适确性指标,用于评价任意两类别的类内样本到类中心平均距离之和除以两类中心点之间的距离的最大值。DBI越小,表征类内距离越大,即聚类效果越好。
而群内用户业务相关行为分布指标用于表征聚类结果与用户对于业务内容的行为的相关性,即被聚到同一类的用户对于业务内容的行为是否也存在相似性。具体地,群内用户业务相关行为分布指标用于对聚类结果进行定性评估以及定量评估,其中,定性评估用于评估不同用户群之间是否有比较明确的业务诉求和产品偏好以及行为上的差异等。定量评估主要包括根据各用户群典型人群占比和各用户群核心特征个数这两个评估指标进行聚类结果优劣评估。在进行定性评估时,可以根据专家经验的评估在业务场景下不同用户群之间的业务诉求和产品偏好是否不同,从而评估聚类结果是否符合商业逻辑。在进行定量评估时,用户群典型人群占比=满足所有典型特征的用户数/用户群总用户数;用户群核心特征占比=用户群中典型特征A的特征值为i的用户数/用户群总用户数。其中,典型特征指的是聚类群组中的显著特征;典型人群指的是聚类群组中满足所有典型特征的用户群,预设比例值可以取80%。用户群典型人群占比越大和/或各用户群核心特征个数越大,则表征聚类的效果越佳。
步骤211:根据所述评估结果对所述用户群进行调整。
具体地,可以根据评估结果对用户群的数量进行调整,如在评估结果表征用户群在业务行为上之间的区分度不大时,如WCSS或DBI表征聚类效果不佳时,可以将划分的用户群数(如k-means算法中的k值)增多,从而更精细地对用户进行划分。而在评估结果表征各个用户群的内聚度较低时,如用户群内典型人群占比和/或用户群核心特征占比大于预设占比值时,可以减少用户群的数量,从而提高各个用户群的内聚程度,使得用户群内的用户特征一致性更高。其中,k值用于表征将规模为n的数据集基于数据间的相似性以及距离簇内中心点的距离划分成k簇。
考虑到聚类建模属于无监督学习算法,而现有的聚类评价指标通常基于统计理论或模糊理论,存在一定的局限性,只能提供参考性建议,不能较为准备的评估出最优的聚类结果。因此,本发明通过增加业务评估指标,通过定性评估和定量评估,能够选择出业务应用场景下的最优聚类方案,并且业务场景可解释性强,适合实际运营场景中使用。
步骤213:根据所述待运营用户在所述目标聚类特征下的特征值对所述待运营用户进行聚类分析,得到所述多个用户群。
具体地,按照预设的聚类算法根据所述待运营用户在所述目标聚类特征下的特征值聚类分析,以将特征值的距离小于预设距离阈值的待运营用户划分到一个用户群中。其中,聚类算法可以包括k-means、k-prototype以及CNN最近邻算法等。
步骤30:根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
其中,运营资源可以包括运营内容、运营渠道,其中,运营渠道用于将运营内容推送至用户,可以包括微博、微信公众号、目标应用首页等。运营资源使用信息包括预设时间区间内对于运营资源的使用以及收到的用户反馈信息,如在一周内的每天上午10点通过微信公众号推送运营内容至用户所收到的用户反馈信息,反馈信息可以包括运营内容的点击量、点赞数量以及评论数量等。用户运营策略用于表征在何时何地以怎样的方式将怎样的内容展示给什么样的用户,具体地,用户运营策略可以包括运营优先级、目标运营场景以及目标运营内容。其中,运营优先级表征用户群的运营的优先程度,目标运营场景表征对用户群进行运营的渠道以及时间等环境信息。目标运营内容表征推送至用户群的内容信息。
根据用户群的用户画像信息确定其所偏爱的运营内容作为目标运营内容,并根据用户画像信息确定用户的运营优先级。再根据历史时间区间内对应的运营资源使用信息,确定目标运营内容对应的运营效果最佳的运营渠道以及运营时间等目标运营场景,从而在目标运营场景中将目标运营内容推送至对应的用户群,实现不同用户群的差异化精准运营。
因此,在本发明实施例中,步骤30还可以包括:
步骤301:根据所述运营资源使用信息确定目标运营场景。
具体地,所述目标运营场景包括目标运营渠道以及目标运营时间。根据运营资源使用信息确定历史时间区间内多个可选运营渠道在多个可选运营时间上的用户覆盖情况,将用户覆盖情况最佳的可选运营时间和可选运营渠道的组合确定为目标运营场景。
因此,进一步地,步骤301还包括:步骤3011:针对各个所述用户群,根据所述运营资源使用信息确定多个可选运营渠道对于所述用户群的历史覆盖度。
历史覆盖度根据渠道流量以及渠道可触达用户群的用户数确定渠道的历史覆盖度。其中,渠道流量可以用某段时间内该渠道可触达的用户数表征。渠道流量的统计时间间隔可以根据需要设置,如30天、三个月等。渠道可触达用户群的用户数用于表征该运营渠道可以触及和覆盖的用户数量。
举例说明,在判断过去30天内“官微消息推送”这一可选运营渠道对应的历史覆盖度时,需要确定“官微消息推送”在过去30天内针对特定的用户群可覆盖多少该群内的用户。首先计算渠道可触达用户群用户数,如可以是用户群A中关注官微的用户数,再计算历史平均30日内官微推送消息的曝光率,则“官微消息推送”的渠道流量为用户群A中关注官微的用户数与历史平均30日内官微推送消息的曝光率的乘积。
步骤3012:根据所述历史覆盖度从所述可选运营渠道中确定所述目标运营渠道。
其中,将历史覆盖度最大的可选运营渠道确定为目标运营渠道。可选运营渠道可以根据渠道的覆盖范围粒度不同进一步划分为一级渠道以及二级渠道,一级渠道包括目标运营目标应用、微信生态、鸿蒙生态、短信等,二级渠道包括目标应用弹窗、目标应用运营位、企业微信等。
步骤3013:根据所述运营资源使用信息分别确定所述目标运营渠道的多个可选时间区间内的曝光度。
具体地,曝光度可以用目标运营渠道的流量大小表征。如可以确定目标运营渠道在各个可选时间区间的平均流量或流量极值确定,其中,可选时间区间可以按月、周、日、小时等时间长度划分,流量极值可以是流量峰值,根据目标运营渠道在各个可选时间区间内的流量峰值确定各个可选时间区间对应的曝光度。
步骤3014:根据所述曝光度从所述可选时间区间中确定所述目标运营时间。
具体地,将曝光度最大的可选时间区间确定为目标运营时间。举例说明,一般券商平台的流量峰值为下午3点左右的收市时段,次流量峰值一般为上午11点-12点。则可以将下午3点和/或上午11点-12点确定为目标运营时间。
步骤302:根据所述用户画像信息确定所述用户群的用户偏好信息以及预计运营回报。
具体地,用户偏好信息用于表征用户对于业务内容的偏好信息,可以根据用户群的特征关键词以及用户群的核心特征确定,其中,特征关键词用于更方便地对用户群进行描述和概括。核心特征指的是能够用于表征该用户群与其他用户群的区别的特征,该用户群的大部分用户都具有核心特征。
用户偏好信息可以包括用户的行为偏好、内容偏好、用户需求以及消费能力等多个偏好维度下的偏好信息。其中,行为偏好可以通过对用户在平台的活跃行为轨迹分析获取,具体包括用户的浏览内容的频次和种类、浏览资讯的频次和平台活跃程度等。内容偏好可以通过对用户消费和浏览产品行为的分析获取,如在针对金融产品投资的用户运营时,内容偏好可以包括用户的投资产品品种偏好、投资行业偏好、投资产品集中度和投资产品热门度等。用户需求可以通过桌面研究和用户调查访问的方式获取。如在针对金融产品投资的用户运营时,可以结合用户的人生阶段、生活情绪、投资情绪等分析用户的用户需求,如可以包括理财目的、风险偏好、预期盈利和投资期限等业务诉求。消费能力可以通过对用户的消费行为以及账户资产情况确定。在针对金融产品投资的用户运营时,可以根据用户的历史交易行为和持仓资产的数据分析获取,如可以包括用户的总账户盈亏程度、分产品盈亏程度、亏损容忍度和止盈准确度等。
针对用户群的特征关键词提取,可以根据各个用户群的特征指标分布情况,依据人口特征(年龄、性别、职业、学历、城市等级)和典型特征的分布情况提取关键词,再结合行业语言、业务功能点等,描述聚类分群的各个用户群。如用户群A中男性占比高、中年用户占比高、高净值用户占比显著高,则描述用户群A为“高净值成熟男性用户群”。具体地,在进行用户群的特征关键词描述时,可以根据人口特征,如果用户群A特征X的值为i的用户数占比大于50%,则选择特征值i描述用户群A,否则剔除特征值i。可选地,还可以根据典型特征进行用户群的特征关键词的描述,如计算用户群所有特征值的TGI指数如下:TGI=用户群A特征值为i的群体所占比例/全量用户中A特征值为i的群体所占比例。分用户群按TGI降序排列,筛选排序前三的特征用于描述该用户群。
预计运营回报用于表征用户针对运营策略的反馈预计能偶为目标应用产生的业务上的回报。容易理解的是,不同用户群为平台业务预计能带来的运营回报是不同的,如根据“二八法则”,即平台80%的运营回报是由20%的用户带来的,因此对用户群的预计运营回报进行分析对业务运营判断关注的重点是有非常重要的数据依据。具体地,可以根据用户群中用户的当前资产等级、创收贡献以及预测转化后能够得到的资产等级、创收贡献确定用户群的预计运营回报,用户群对应的预计运营回报为该用户群内所有用户的预计运营回报的总和,从而为运营人员提供简单、直观的用户群运营回报的判断依据。
其中,预计运营回报计算可以如下:
预计运营回报=k1×客户资产价值+k2×客户佣金收入+k3×
客户潜在资产价值+k4×客户潜在佣金收入;其中,客户资产价值可以用客户月均净资产表征;
客户佣金收入可以用客户月均佣金收入表征;
k1、k2、k3以及k4是预设的权重系数,k1+k2+k3+k4=1。
具体地,k1、k2、k3以及k4可以分别设置为0.1、0.4、0.1以及0.4。
进一步地,客户潜在资产价值=客户预测转化率×客户预测净资产。
客户潜在佣金收入=客户预测转化率×客户预测佣金收入。
客户月均净资产=客户总市值+客户资金余额-客户总负债。
客户月均佣金=客户股基佣金收入+客户两融佣金收入+
客户增值服务收入+客户其它佣金收入。
客户预测净资产=客户预测总市值+客户预测资金余额+
客户预测总负债。
客户预测佣金收入=客户预测股基佣金收入+客户预测两融佣金收入+客户预测增值服务收入+客户其它预测佣金收入。
本发明通过量化用户综合预计运营回报来评估不同用户群运营的优先级,从而在有限的运营资源的情况下达到提升运营效率的目的。
步骤303:根据所述用户偏好信息确定所述目标运营内容。
具体地,根据用户偏好信息从预设的运营内容库中选取目标运营内容。其中,运营内容库中存储有多个可选运营素材以及该可选运营素材对应的用户偏好标签。针对各个用户群,将该用户群的用户偏好信息与运营内容库中的用户偏好标签进行查找匹配,将匹配得到的可选运营内容确定为目标运营内容。其中,用户偏好标签可以是用户在前述步骤302中的预设的偏好维度下的特征以及特征关键词对应的标签。
步骤304:根据所述预计运营回报确定所述运营优先级。
具体地,预计运营回报越高,则用户的运营优先级越高。可以将所有待运营用户的预计运营回报进行排序,根据各个待运营用户的排序结果对应映射到预设运营优先级。用户的运营优先级越高,则可以更优先对其进行运营,并且一对一地对用户进行反馈行为跟踪,以便及时根据用户的反馈信息调整运营策略。
举例说明,在针对金融产品的用户运营时,目标运营策略的生成过程可以如下:根据前述用户群的预计运营回报进行排序,得到各个用户群的优先级;然后,根据用户群优先级选择最佳匹配的运营渠道,并根据渠道的流量顶峰时刻配置相应的运营推广时间;最后,结合用户群特征关键词以及业务的属性来制定该用户群的营销素材,比如“高净值成熟男性”用户群,用户群预计运营回报高,偏好股票交易、资金雄厚、平台活跃,金融能力强、追求收益最大化,若某项业务能够提供资讯引导来转化产品销售,那么针对该类用户群,业务需要重点跟进该用户群,围绕用户制定一对一的个性化专属资讯素材,提供专业、高效的资讯吸引转化用户。
从而区别于现有方案一般通过简单归纳或少量特征标签组合等来制定一些常规营销方案,本发明实施例通过分析出不同用户群的典型特征以及真实的业务诉求,并且基于用户群与渠道的重合度和流量变动曲线来制定活动触达渠道和事件点,从而达到最佳的网格化营销效果。
进一步地,在根据目标运营策略对各个用户群进行了运营之后,还可以对运营效果进行评估,从而对用户分群策略以分群运营策略进行优化。具体地,通过对用户群描述分析、偏好分析、触达渠道分析、预计运营回报分析后,制定了匹配用户群的个性化营销策略,然后采用A/B TEST(A/B组测试)的方法验证营销策略的有效性。共分为2个对照组:
营销素材维度对比:将目标用户群随机切分为实验组和对照组1,实验组投放匹配的特定营销素材,对照组投放历史库中随机的营销素材,来验证营销素材匹配的准确性。用户群维度对比:在非目标用户群的全部用户中随机筛选用户作为对照组2,实验组和对照组2均投放同样的用户群匹配的特定营销素材,来验证用户群筛选的准确性。最后进行效果评估,采用漏斗转化分析对比的方法验证投放效果。
图2示出了本发明实施例提供的用户运营装置的结构示意图。如图2所示,该装置40包括:比较模块401、聚类模块402和确定模块403。其中,
比较模块,用于将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;
聚类模块,用于根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;
确定模块,用于根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
本发明实施例提供的用户运营装置的操作过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的用户运营装置通过将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征,其中,转化行为相关特征用于表征与实施转化行为高度关联的用户特征,根据用户在转化行为相关特征下的特征分布即可以将用户划分为转化概率较大的潜在转化用户以及转化概率较小的非潜在转化用户。再根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群,其中,用户群可以包括潜在转化用户群以及非潜在转化用户群;最后根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略,其中,用户运营策略可以包括运营渠道、运营时间以及运营内容,运营资源使用信息可以包括历史运营资源的使用情况以及获得的用户反馈信息,运营资源使用信息还可以包括当前可用的运营资源信息。从而区别于现有技术中,现有的分群营销的方法或模型,组合标签或专家经验的划分方法过于简单粗糙,模型的分群方法业务可解释性较差且复用性不高。本发明实施例通过基于历史转化用户与历史全量用户的特征比较,得到与用户是否会实施转化行为高度相关的行为特征,从而根据转化行为相关特征对用户进行分群,得到潜在转化用户群以及非潜在转化用户群等不同的用户群,最后根据运营资源使用信息针对性地对不同的用户群制定个性化的运营策略,通过对用户特征的分析精准地对用户分群,围绕各个用户群制定具有明显区分度的产品策略,并提出有针对性的用户运营及服务方案,实现了从“粗放式管理”转向“精细化运营”,能够提高用户运营的精准性,为运营人员快速、科学、有效地制定营销策略提供了可靠的数据结论,实现流量的精准转化,达到降本增效的目的,激发了产品更加明显的竞争优势。进一步地,本发明实施例可应用到券商各类业务引流转化的精细化营销场景上,更加灵活、有扩展性,在运营工作中更实用高效。
图3示出了本发明实施例提供的用户运营设备的结构示意图,本发明具体实施例并不对用户运营设备的具体实现做限定。
如图3所示,该用户运营设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504,用于与其它设备比如用户端或其它服务器等的网元通信。处理器502,用于执行程序510,具体可以执行上述用于用户运营方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机可执行指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(目标应用licationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。用户运营设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包括高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以被处理器502调用使用户运营设备执行以下操作:
将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;
根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;
根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
本发明实施例提供的用户运营设备的操作过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的用户运营设备通过将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征,其中,转化行为相关特征用于表征与实施转化行为高度关联的用户特征,根据用户在转化行为相关特征下的特征分布即可以将用户划分为转化概率较大的潜在转化用户以及转化概率较小的非潜在转化用户。再根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群,其中,用户群可以包括潜在转化用户群以及非潜在转化用户群;最后根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略,其中,用户运营策略可以包括运营渠道、运营时间以及运营内容,运营资源使用信息可以包括历史运营资源的使用情况以及获得的用户反馈信息,运营资源使用信息还可以包括当前可用的运营资源信息。从而区别于现有技术中,现有的分群营销的方法或模型,组合标签或专家经验的划分方法过于简单粗糙,模型的分群方法业务可解释性较差且复用性不高。本发明实施例通过基于历史转化用户与历史全量用户的特征比较,得到与用户是否会实施转化行为高度相关的行为特征,从而根据转化行为相关特征对用户进行分群,得到潜在转化用户群以及非潜在转化用户群等不同的用户群,最后根据运营资源使用信息针对性地对不同的用户群制定个性化的运营策略,通过对用户特征的分析精准地对用户分群,围绕各个用户群制定具有明显区分度的产品策略,并提出有针对性的用户运营及服务方案,实现了从“粗放式管理”转向“精细化运营”,能够提高用户运营的精准性,为运营人员快速、科学、有效地制定营销策略提供了可靠的数据结论,实现流量的精准转化,达到降本增效的目的,激发了产品更加明显的竞争优势。进一步地,本发明实施例可应用到券商各类业务引流转化的精细化营销场景上,更加灵活、有扩展性,在运营工作中更实用高效。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在用户运营设备上运行时,使得所述用户运营设备执行上述任意方法实施例中的用户运营方法。
可执行指令具体可以用于使得用户运营设备执行以下操作:
将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;
根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;
根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
本发明实施例提供的计算机可读存储介质存储的可执行指令的操作过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的计算机可读存储介质存储的可执行指令通过将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征,其中,转化行为相关特征用于表征与实施转化行为高度关联的用户特征,根据用户在转化行为相关特征下的特征分布即可以将用户划分为转化概率较大的潜在转化用户以及转化概率较小的非潜在转化用户。再根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群,其中,用户群可以包括潜在转化用户群以及非潜在转化用户群;最后根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略,其中,用户运营策略可以包括运营渠道、运营时间以及运营内容,运营资源使用信息可以包括历史运营资源的使用情况以及获得的用户反馈信息,运营资源使用信息还可以包括当前可用的运营资源信息。从而区别于现有技术中,现有的分群营销的方法或模型,组合标签或专家经验的划分方法过于简单粗糙,模型的分群方法业务可解释性较差且复用性不高。本发明实施例通过基于历史转化用户与历史全量用户的特征比较,得到与用户是否会实施转化行为高度相关的行为特征,从而根据转化行为相关特征对用户进行分群,得到潜在转化用户群以及非潜在转化用户群等不同的用户群,最后根据运营资源使用信息针对性地对不同的用户群制定个性化的运营策略,通过对用户特征的分析精准地对用户分群,围绕各个用户群制定具有明显区分度的产品策略,并提出有针对性的用户运营及服务方案,实现了从“粗放式管理”转向“精细化运营”,能够提高用户运营的精准性,为运营人员快速、科学、有效地制定营销策略提供了可靠的数据结论,实现流量的精准转化,达到降本增效的目的,激发了产品更加明显的竞争优势。进一步地,本发明实施例可应用到券商各类业务引流转化的精细化营销场景上,更加灵活、有扩展性,在运营工作中更实用高效。
本发明实施例提供一种用户运营装置,用于执行上述用户运营方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使用户运营设备执行上述任意方法实施例中的用户运营方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的用户运营方法。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种用户运营方法,其特征在于,所述方法包括:
将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;
根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;
根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
2.根据权利要求1所述的方法,其特征在于,所述将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征,包括:
分别确定所述历史全量用户在多个预设的可选用户特征下的第一特征值;
分别确定所述历史转化用户在所述可选用户特征下的第二特征值;
将所述第一特征值与所述第二特征值匹配的所述可选用户特征确定为所述转化行为相关特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群,包括:
根据预设的业务内容特征、通用用户特征以及所述转化行为相关特征确定初始聚类特征;
根据所述待运营用户在所述初始聚类特征下的特征值对所述初始聚类特征进行特征筛选,得到目标聚类特征;
根据所述待运营用户在所述目标聚类特征下的特征值对所述待运营用户进行聚类分析,得到所述多个用户群。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待运营用户在所述初始聚类特征下的特征值对所述初始聚类特征进行特征筛选,得到目标聚类特征,包括:
根据所述待运营用户在所述初始聚类特征下的特征值确定所述初始聚类特征的取值分布情况和/或所述初始聚类特征之间的相关性;
根据所述取值分布情况和/或所述相关性对所述初始聚类特征进行特征筛选,得到所述目标聚类特征。
5.根据权利要求3所述的方法,其特征在于,在所述根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略之前,包括:
根据预设的聚类评估指标对所述用户群进行聚类效果评估,得到评估结果;其中,所述聚类评估指标包括群内用户特征值分布指标和/或群内用户业务相关行为分布指标;
根据所述评估结果对所述用户群进行调整。
6.根据权利要求1所述的方法,其特征在于,所述用户运营策略包括运营优先级、目标运营场景以及目标运营内容;所述根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略,包括:
根据所述运营资源使用信息确定目标运营场景;
根据所述用户画像信息确定所述用户群的用户偏好信息以及预计运营回报;
根据所述用户偏好信息确定所述目标运营内容;
根据所述预计运营回报确定所述运营优先级。
7.根据权利要求6所述的方法,其特征在于,所述目标运营场景包括目标运营渠道以及目标运营时间;所述根据所述运营资源使用信息确定目标运营场景,包括:
针对各个所述用户群,根据所述运营资源使用信息确定多个可选运营渠道对于所述用户群的历史覆盖度;
根据所述历史覆盖度从所述可选运营渠道中确定所述目标运营渠道;
根据所述运营资源使用信息分别确定所述目标运营渠道的多个可选时间区间内的曝光度;
根据所述曝光度从所述可选时间区间中确定所述目标运营时间。
8.一种用户运营装置,其特征在于,所述装置包括:
比较模块,用于将历史转化用户与历史全量用户进行用户特征比较,得到转化行为相关特征;
聚类模块,用于根据所述转化行为相关特征对待运营用户进行聚类分析,得到多个用户群;
确定模块,用于根据运营资源使用信息以及各个所述用户群的用户画像信息分别确定各个所述用户群对应的用户运营策略。
9.一种用户运营设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的用户运营方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在用户运营设备上运行时,使得用户运营设备执行如权利要求1-7任意一项所述的用户运营方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703294.5A CN116127189A (zh) | 2022-12-26 | 2022-12-26 | 用户运营方法、装置、设备以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703294.5A CN116127189A (zh) | 2022-12-26 | 2022-12-26 | 用户运营方法、装置、设备以及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116127189A true CN116127189A (zh) | 2023-05-16 |
Family
ID=86296672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211703294.5A Pending CN116127189A (zh) | 2022-12-26 | 2022-12-26 | 用户运营方法、装置、设备以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127189A (zh) |
-
2022
- 2022-12-26 CN CN202211703294.5A patent/CN116127189A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarma | Predictive modeling with SAS enterprise miner: Practical solutions for business applications | |
WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN107967575B (zh) | 一种人工智能保险咨询服务人工智能平台*** | |
Thorleuchter et al. | Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing | |
US20150356576A1 (en) | Computerized systems, processes, and user interfaces for targeted marketing associated with a population of real-estate assets | |
CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
WO2023040494A1 (zh) | 资源推荐方法、多目标融合模型的训练方法及装置 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、***、电子设备及存储介质 | |
WO2006102381A2 (en) | Constrained tree structure method and system | |
CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
CN111325248A (zh) | 降低贷前业务风险的方法及*** | |
CN110674636B (zh) | 一种用电行为分析方法 | |
US20230401607A1 (en) | Utilizing machine learning models to generate an optimized digital marketing simulation | |
Liu et al. | Research on telecom customer churn prediction based on ensemble learning | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114997916A (zh) | ***的预测方法、***、电子设备和存储介质 | |
CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN111563628A (zh) | 房地产客户成交时间预测方法、装置及存储介质 | |
Daneshmandi et al. | A hybrid data mining model to improve customer response modeling in direct marketing | |
CN116029766A (zh) | 用户交易决策识别方法、激励策略优化方法、装置和设备 | |
CN113902481B (zh) | 权益确定方法、装置、存储介质及设备 | |
CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
Ehsani | Customer churn prediction from Internet banking transactions data using an ensemble meta-classifier algorithm |
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 |