CN117522440A - 营销策略生成方法、装置及电子设备 - Google Patents
营销策略生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117522440A CN117522440A CN202311444316.5A CN202311444316A CN117522440A CN 117522440 A CN117522440 A CN 117522440A CN 202311444316 A CN202311444316 A CN 202311444316A CN 117522440 A CN117522440 A CN 117522440A
- Authority
- CN
- China
- Prior art keywords
- strategy
- marketing
- target
- user
- factors
- 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 59
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于营销策略技术领域,提供了营销策略生成方法、装置及电子设备,上述方法包括:获取营销任务,根据所述营销任务确定所述营销任务对应生命周期的目标用户,提取所述目标用户的生命周期特征,所述生命周期特征至少包括所述目标用户的行为特征,根据所述目标用户的生命周期特征匹配目标策略因子,所述目标策略因子中包括的策略因子均不相同,其中,不同的策略因子表示不同的策略动作,组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略。本申请可以提高营销策略生成的准确性。
Description
技术领域
本申请属于营销策略技术领域,尤其涉及一种营销策略生成方法、装置、电子设备及计算机可读存储介质。
背景技术
智能营销中,可以根据用户的生命周期划分对应的营销目标任务,通过该营销目标任务对相应生命周期的用户构建营销策略。
目前,智能营销虽然主要根据不同用户的用户画像进行营销,但是具体营销方法和策略生成都是通过运营团队经验判断,使得生成的营销策略不够准确,导致营销效果不佳。
发明内容
本申请实施例提供了一种营销策略生成方法、装置及电子设备,可以提高营销策略生成的准确性。
第一方面,本申请实施例提供了一种营销策略生成方法,包括:
获取营销任务,根据所述营销任务确定所述营销任务对应生命周期的目标用户;
提取所述目标用户的生命周期特征;所述生命周期特征至少包括所述目标用户的行为特征;
根据所述目标用户的生命周期特征匹配目标策略因子;所述目标策略因子中包括的策略因子均不相同,其中,不同的策略因子表示不同的策略动作;
组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略。
可选地,所述提取所述目标用户的生命周期特征之前,还包括:
根据历史用户的用户特征集合训练预构建的分类网络,得到分类模型;所述历史用户包括营销成功的用户及营销失败的用户,所述历史用户的用户特征集合至少包括所述历史用户的行为特征;
所述提取所述目标用户的生命周期特征,包括:
利用所述分类模型提取所述目标用户的用户特征及所述用户特征对应的特征权重;
根据所述特征权重选取预设个数的用户特征作为所述生命周期特征。
可选地,所述根据所述目标用户的生命周期特征匹配目标策略因子之前,还包括:
根据所述历史用户对应的历史营销策略构建策略因子库;所述策略因子库中包含所述历史营销策略中的所有营销动作;
根据所述历史用户的用户特征集合及所述策略因子库构建映射关系;所述映射关系用于将所述用户特征集合中的用户特征映射到所述策略因子库中的策略因子;
所述根据所述目标用户的生命周期特征匹配目标策略因子,包括:
基于所述映射关系,从所述策略因子库中匹配与所述生命周期特征相映射且不同的策略因子作为所述目标策略因子。
可选地,在所述得到分类模型之后,还包括:
利用所述分类模型对所述目标用户进行策略分析,得到策略分析结果,其中,所述策略分析结果包括对所述目标用户营销成功的概率。
可选地,所述组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略之后,还包括:
对所述营销策略进行策略评估;
利用所述策略评估的结果更新所述营销策略,得到更新后的营销策略。
可选地,所述对所述营销策略进行策略评估,包括:
确定所述营销策略中不同策略因子对所述目标用户的因子权重;所述因子权重表示所述营销策略中对应策略因子的重要程度;
根据所述因子权重计算所述营销策略的策略分数,利用所述策略分数对所述营销策略进行策略评估。
可选地,所述利用所述策略评估的结果更新所述营销策略,得到更新后的营销策略,包括:
在所述策略分数不满足预设的分数要求的情况下,不断调整所述营销策略中的策略因子并计算调整的营销策略的策略分数;
直至所述调整的营销策略的策略分数满足所述预设的分数要求的情况下,将所述调整的营销策略作为所述更新后的营销策略。
第二方面,本申请实施例提供了一种营销策略生成装置,包括:
任务获取模块,用于获取营销任务,根据所述营销任务确定所述营销任务对应生命周期的目标用户;
特征提取模块,用于提取所述目标用户的生命周期特征;所述生命周期特征至少包括所述目标用户的行为特征;
因子匹配模块,用于根据所述目标用户的生命周期特征匹配目标策略因子;所述目标策略因子中包括的策略因子均不相同,其中,不同的策略因子表示不同的策略动作;
策略生成模块,用于组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略。
第三方面,本申请实施例提供了一种电子设备,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第一方面所述的营销策略生成方法的步骤。
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第一方面所述的营销策略生成方法的步骤。
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电子设备上运行时,使得电子设备执行上述第一方面任一项所述的营销策略生成方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请利用目标用户的生命周期特征匹配目标策略因子,通过组合目标策略因子中不同的策略因子得到目标用户的营销策略,可以提高营销策略生成的准确性。具体地,通过营销任务确定对应生命周期的目标用户,并提取上述目标用户的生命周期特征,根据上述目标用户的生命周期特征匹配不同的策略因子,由于上述生命周期特征至少包括该目标用户的行为特征,意味着可以基于用户行为匹配不同的策略因子,且策略因子与策略动作相对应,即通过组合策略因子得到的营销策略中的策略动作可以与目标用户的用户行为相对应,并且该营销策略的生成不依赖人工主观判断,因此可以提高营销策略生成的准确性;同时由于目标策略因子中包括的策略因子均不相同,因此,基于策略因子组合的不同,可以提高营销策略生成的灵活性。
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是本申请一实施例提供的营销策略生成方法的流程示意图;
图2是本申请实施例提供的营销策略生成装置的结构示意图;
图3是本申请另一实施例提供的营销策略生成装置的结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
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]”。
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。
在智能营销中,以购物平台为例,根据用户在购物平台的完整购物周期可以将不同的用户划分到不同的生命周期,包括:新人期、攀升期、成熟期、沉默期等,不同生命周期的用户一般根据用户的消费能力、活跃度等进行分层划分,例如,成熟期的用户的消费能力、活跃度等高于其它生命周期的用户。不同生命周期的用户的营销目标有着明显差异,例如,对新人期的用户进行智能营销,使得新人期的用户可以快速过渡到攀升期或成熟期;而对沉默期的用户进行智能营销,则是为了提高其活跃度,使用户能够回归至成熟期等(即“唤醒”沉默期的用户)。这意味着,对于不同生命周期的不同用户,需要不同的营销策略,虽然实际营销中可以根据不同用户的用户画像进行营销,但是具体营销方法和策略生成都是通过运营团队经验判断,主观性较大;同时,同一生命周期中的用户也会有区别,例如,成熟期中的低活跃高价值人群与成熟期中的高活跃高价值人群,运营团队通过经验往往难以做出准确判断,使得生成的营销策略不够准确,导致营销效果不佳。
为了提高营销策略生成的准确性,本申请提供了一种基于策略因子的营销策略生成方法。
图1示出了本申请实施例提供的一种营销策略生成方法的流程示意图,详述如下:
S1、获取营销任务,根据上述营销任务确定上述营销任务对应生命周期的目标用户。
本申请实施例中,上述营销任务是指用来构建不同营销目标的任务,上述营销目标包括拉新目标、促活目标、唤醒目标等的一个或多个,其中,上述拉新目标用于获取更多的新人用户;上述促活目标用于提高低活跃用户的活跃度;上述唤醒目标用于唤醒沉睡期的用户。对应于不同的营销目标,上述营销任务可以为拉新目标任务、促活目标任务及唤醒目标任务,通过上述营销任务可以准确地获取对应生命周期的目标用户。
一些实施例中,假设在商超或购物平台领域,上述拉新目标任务、促活目标任务及唤醒目标任务可以从对应生命周期中圈选一定数量的用户作为目标用户;或者,为了提高确定的目标用户的准确性,可以通过聚类等方式寻找目标用户,例如,对于成熟期的用户,通过聚类得到不同活跃度的人群(如A人群、B人群……),并从中选取低活跃度的人群作为目标用户。
S2、提取上述目标用户的生命周期特征;上述生命周期特征至少包括上述目标用户的行为特征。
本申请实施例中,上述生命周期特征可以根据上述目标用户在整个购物周期内因购物行为产生的用户特征进行提取,如目标用户在购物平台APP注册后的所有用户特征,包括行为特征(如点击次数等)、商品特征(如商品名称等)、订单特征(如订单量等)、券特征(如消费券类型)、用户交互特征(如用户通过APP交互)、触达特征(如触达次数)等。同时在用户购物时,用户通过购物行为产生的行为特征最能反映用户的商品偏好及购物倾向,因此通过至少选取目标用户的行为特征作为生命周期特征,可以更好的反应目标用户在整个购物周期内的真实购物信息。
一些实施例中,上述生命周期特征可以包括行为特征,以及商品特征、订单特征、触达特征等的一种或多种。
S3、根据上述目标用户的生命周期特征匹配目标策略因子;上述目标策略因子中包括的策略因子均不相同,其中,不同的策略因子表示不同的策略动作。
本申请实施例中,上述目标策略因子是根据目标用户的生命周期特征匹配到的候选策略因子,包括不同的策略因子,其中,不同的策略因子表示不同类型的策略动作。例如,上述策略因子的类型可以包括:折扣因子(如首单折扣)、优惠因子(如发放新人优惠券)、触达渠道因子(如APP推送、短信推送等)以及触达内容因子(如商品推荐、优惠券推送等)。通过目标用户的生命周期特征匹配不同的策略因子,可以提高匹配到的策略动作的多样性。
S4、组合上述目标策略因子中不同的策略因子得到上述目标用户的营销策略。
本申请实施例中,组合目标策略因子中不同的策略因子是指按照预设的组合顺序对指定数量的策略因子进行组合,由于营销策略中策略动作的顺序、数量会影响营销效果,因此通过组合不同的策略因子可以得到更多样、更准确的营销策略。
本申请利用目标用户的生命周期特征匹配目标策略因子,通过组合目标策略因子中不同的策略因子得到目标用户的营销策略,可以提高营销策略生成的准确性。具体地,通过营销任务确定对应生命周期的目标用户,并提取上述目标用户的生命周期特征,根据上述目标用户的生命周期特征匹配不同的策略因子,由于上述生命周期特征至少包括该目标用户的行为特征,意味着可以基于用户行为匹配不同的策略因子,且策略因子与策略动作相对应,即通过组合策略因子得到的营销策略中的策略动作可以与目标用户的用户行为相对应,并且该营销策略的生成不依赖人工主观判断,因此可以提高营销策略生成的准确性;同时由于目标策略因子中包括的策略因子均不相同,因此,基于策略因子组合的不同,可以提高营销策略生成的灵活性。
本申请另一可选实施例中,上述提取上述目标用户的生命周期特征之前,还包括:
根据历史用户的用户特征集合训练预构建的分类网络,得到分类模型;上述历史用户包括营销成功的用户及营销失败的用户,上述历史用户的用户特征集合至少包括上述历史用户的行为特征。
一些实施例中,上述历史用户是指曾经被使用过营销动作进行营销的用户,包括营销成功的用户及营销失败的用户。上述分类模型用于对用户不同的用户特征进行分类,并且与上述营销任务相对应,例如,促活目标任务对应的分类模型为促活模型。假设营销任务为促活目标任务,上述分类模型为促活模型,在促活模型训练时,对于历史中曾经使用过营销动作进行营销的非活跃用户,若在某一个观测时点之后变成了活跃用户,即为营销成功的用户;若在某一个观测时点之后未变成活跃用户,即为营销失败的用户,将营销成功的用户的用户特征作为正样本,以及将营销失败的用户的用户特征作为负样本,利用正、负样本训练得到对应的促活模型。
一些实施例中,上述分类模型可以为逻辑回归模型(Logistic regression,LR)、支持向量机模型(Support Vector Machines,SVM)、随机森林模型(Random Forest,RF)及极端梯度提升模型(Extreme Gradient Boosting,XGBoost)的其中一种。
对应地,上述提取上述目标用户的生命周期特征,包括:
利用上述分类模型提取上述目标用户的用户特征及上述用户特征对应的特征权重;
根据上述特征权重选取预设个数的用户特征作为上述生命周期特征。
一些实施例中,由于上述分类模型根据营销成功的用户及营销失败的用户训练得到,因此上述分类模型可以按照营销成功的重要程度输出目标用户的用户特征,其中,上述重要程度与上述特征权重正相关,再通过特征权重选取预设个数的用户特征作为生命周期特征可以更准确的找到和营销成功相关的特征。
一些实施例中,例如促活模型输出的用户特征及对应的特征权重包括:近期点击次数(100)、订单量(90)、触达渠道(80)、触达时间(60)等,其中,(X)中的X即为对应的特征权重,若按照特征权重大于70选取生命周期特征,则选取的生命周期特征包括近期点击次数、订单量以及触达渠道。
本申请另一可选实施例中,上述根据上述目标用户的生命周期特征匹配目标策略因子之前,还包括:
根据上述历史用户对应的历史营销策略构建策略因子库;上述策略因子库中包含上述历史营销策略中的所有营销动作;
根据上述历史用户的用户特征集合及上述策略因子库构建映射关系;上述映射关系用于将上述用户特征集合中的用户特征映射到上述策略因子库中的策略因子。
一些实施例中,上述策略因子库中包括预设时间内对历史用户使用过的历史营销策略中的所有策略动作,并将上述的策略动作作为相应的策略因子。上述映射关系反映了用户特征和策略因子的对应关系,该对应关系包括一对一对应及多对一对应,即用户特征可以和一个策略因子对应,也可以和多个策略因子对应。
本申请一可选实施例中,对于上述映射关系,可以以用户特征为果,以策略因子为因,对从因到果关系成立的用户特征和策略因子,构建映射关系。对于不同的用户特征,可以根据不同的方法进行映射,对于业务常识类,包括:触达时间特征、点击行为特征等,可以得到以下因果关系:触达时间特征<--触达消费券次数<--消费券推送、触达消费券次数<--消费券推送、APP点击量<--短信提醒/商品推荐,即“触达时间特征”可以和“消费券推送”相映射、“触达消费券次数”可以和“消费券推送”相映射、“APP点击量”可以和“短信提醒/商品推荐”相映射;对于关联分析类,可以得到以下因果关系:订单量<--商品折扣力度/积分赠送力度等,即“订单特征”可以和“商品折扣因子”相映射;对于关联分析类,可以得到以下因果关系:复购次数<---复购商品推荐,从而构建相应的映射关系。
对应地,上述根据上述目标用户的生命周期特征匹配目标策略因子,包括:
基于上述映射关系,从上述策略因子库中匹配与上述生命周期特征相映射且不同的策略因子作为上述目标策略因子。
一些实施例中,利用上述映射关系,从策略因子库中匹配至少两个与生命周期特征相映射且不同的策略因子,可以得到和目标用户更匹配的策略动作。
本申请另一可选实施例中,上述在上述得到分类模型之后,还包括:
利用上述分类模型对上述目标用户进行策略分析,得到策略分析结果,其中,上述策略分析结果包括对上述目标用户营销成功的概率。
另一些实施例中,由于上述分类模型根据营销成功的用户及营销失败的用户训练得到,因此可以利用上述分类模型得到目标用户的策略分析结果,包括目标用户营销成功的概率,通过该目标用户营销成功的概率对目标用户进行策略分析,可以对概率较低的目标用户放弃营销,降低营销资源的浪费。
本申请另一可选实施例中,上述组合上述目标策略因子中不同的策略因子得到上述目标用户的营销策略之后,还包括:
对上述营销策略进行策略评估;
利用上述策略评估的结果更新上述营销策略,得到更新后的营销策略。
一些实施例中,由于营销策略中组合的策略因子的不同会产生不同的营销效果,因此通过对营销策略进行策略评估,利用策略评估的结果更新营销策略,可以不断优化营销策略,提高营销效果。
本申请实施例中,上述对上述营销策略进行策略评估,包括:
确定上述营销策略中不同策略因子对上述目标用户的因子权重;上述因子权重表示上述营销策略中对应策略因子的重要程度;
根据上述因子权重计算上述营销策略的策略分数,利用上述策略分数对上述营销策略进行策略评估。
一些实施例中,通过量化营销策略中不同策略因子的重要程度,即得到不同策略因子对目标用户的因子权重,可以更好的通过计算的策略分数对营销策略进行策略评估。
本申请一可选实施例中,可以根据策略模型确定营销策略中不同策略因子对上述目标用户的因子权重,上述策略模型可以为线性模型,用来获取营销策略里面每个策略因子的重要程度,例如,通过将使用所有目标策略因子并且营销成功的用户作为正样本,其他使用部分目标策略因子并且营销成功的用户作为负样本,训练策略模型。同时,对于上述营销策略中的每种类型的策略因子分别建立对应的因子模型,利用该因子模型预测目标用户对单个策略因子的反馈预测值,例如,对于触达渠道因子,包括:APP提醒、短信提醒等,利用因子模型预测目标人群对不同触达渠道因子的反馈概率,每个人去最高概率,然后取平均值或者中位数作为目标用户对触达渠道因子的反馈预测值,上述因子模型的训练方法与分类模型类似,在此不再赘述。
本申请一可选实施例中,可以通过下述公式计算策略分数:
策略分数=∑(策略因子的反馈预测值*策略因子的因子权重)
本申请另一可选实施例中,还可以通过上述因子模型进一步筛选不同的目标策略因子,即通过上述因子模型对匹配到的目标策略因子进行策略分析,得到目标用户对单个策略因子的反馈预测值,从而筛选出最佳的策略因子组合,从而提高营销策略生成的准确性。
本申请实施例中,上述利用上述策略评估的结果更新上述营销策略,得到更新后的营销策略,包括:
在上述策略分数不满足预设的分数要求的情况下,不断调整上述营销策略中的策略因子并计算调整的营销策略的策略分数;
直至上述调整的营销策略的策略分数满足上述预设的分数要求的情况下,将上述调整的营销策略作为上述更新后的营销策略。
一些实施例中,可以在策略分数不满足预设的分数要求的情况下,不断调整(如:增加、减少等)营销策略中的策略因子并重新计算调整的营销策略的策略分数,直至找到策略分数满足预设的分数要求的营销策略。通过策略评估可以不断更新营销策略,实现营销策略的迭代更新,从而获取优化后的营销策略,提高营销策略的精准性。同时,对于营销效果类似(如策略分数相近)的营销策略,运营人员可以根据每个策略因子的因子权重,考虑运营成本和运营难度人工干预选择最合适的营销策略,从而实现营销策略的有效沉淀。
本申请另一些实施例中,在上述得到更新后的营销策略之后,还包括:
利用所述更新后的营销策略进行策略迭代。
一些实施例中,在得到更新的营销策略时,可以通过自动迭代的方式实现营销策略的自动更新。例如,对于目标用户,目前的营销策略为营销策略1,新的营销策略为营销策略2,可以通过线上ab测试对照的方式,进行自动迭代,即将目标用户划分为两个人群,分别使用营销策略1及营销策略2进行营销,在营销策略2的营销效果高于营销策略1时,将营销策略1更新为营销策略2。
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。
对应于上文实施例所述的营销策略生成方法,图2示出了本申请实施例提供的营销策略生成装置的结构示意图,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2,该装置可以为营销策略生成装置21,所述营销策略生成装置21可以包括任务获取模块211、特征提取模块212、因子匹配模块213及策略生成模块214。
参照图2,所述营销策略生成装置21包括:
所述任务获取模块211,用于获取营销任务,根据所述营销任务确定所述营销任务对应生命周期的目标用户;
所述特征提取模块212,用于提取所述目标用户的生命周期特征;所述生命周期特征至少包括所述目标用户的行为特征;
所述因子匹配模块213,用于根据所述目标用户的生命周期特征匹配目标策略因子;所述目标策略因子中包括的策略因子均不相同,其中,不同的策略因子表示不同的策略动作;
所述策略生成模块214,用于组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略。
另一些实施例中,所述营销策略生成装置21还包括模型训练模块,所述模型训练模块用于提取所述目标用户的生命周期特征之前,包括:
根据历史用户的用户特征集合训练预构建的分类网络,得到分类模型;所述历史用户包括营销成功的用户及营销失败的用户,所述历史用户的用户特征集合至少包括所述历史用户的行为特征;
所述提取所述目标用户的生命周期特征,包括:
利用所述分类模型提取所述目标用户的用户特征及所述用户特征对应的特征权重;
根据所述特征权重选取预设个数的用户特征作为所述生命周期特征。
另一些实施例中,所述营销策略生成装置21还包括策略因子库构建模块,所述策略因子库构建模块用于根据所述目标用户的生命周期特征匹配目标策略因子之前,还包括:
根据所述历史用户对应的历史营销策略构建策略因子库;所述策略因子库中包含所述历史营销策略中的所有营销动作;
根据所述历史用户的用户特征集合及所述策略因子库构建映射关系;所述映射关系用于将所述用户特征集合中的用户特征映射到所述策略因子库中的策略因子;
所述根据所述目标用户的生命周期特征匹配目标策略因子,包括:
基于所述映射关系,从所述策略因子库中匹配与所述生命周期特征相映射且不同的策略因子作为所述目标策略因子。
另一些实施例中,所述营销策略生成装置21还包括策略分析模块,所述策略分析模块用于在所述得到分类模型之后,包括:
利用所述分类模型对所述目标用户进行策略分析,得到策略分析结果,其中,所述策略分析结果包括对所述目标用户营销成功的概率。
在另一些实施例中,图3示出了本申请实施例提供的营销策略生成装置31的结构示意图,参照图3所示,所述营销策略生成装置31可以包括任务获取模块311、特征提取模块312、因子匹配模块313及策略生成模块314。
一些实施例中,所述营销策略生成装置31还包括策略评估模块315,所述策略评估模块315用于组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略之后,包括:
对所述营销策略进行策略评估;
利用所述策略评估的结果更新所述营销策略,得到更新后的营销策略。
一些实施例中,所述策略评估模块通过下述步骤对所述营销策略进行策略评估,包括:
确定所述营销策略中不同策略因子对所述目标用户的因子权重;所述因子权重表示所述营销策略中对应策略因子的重要程度;
根据所述因子权重计算所述营销策略的策略分数,利用所述策略分数对所述营销策略进行策略评估。
一些实施例中,所述策略评估模块通过下述步骤利用所述策略评估的结果更新所述营销策略,得到更新后的营销策略,包括:
在所述策略分数不满足预设的分数要求的情况下,不断调整所述营销策略中的策略因子并计算调整的营销策略的策略分数;
直至所述调整的营销策略的策略分数满足所述预设的分数要求的情况下,将所述调整的营销策略作为所述更新后的营销策略。
一些实施例中,所述营销策略生成装置31还包括迭代模块316,所述迭代模块316用于在所述得到更新后的营销策略之后,包括:
利用所述更新后的营销策略进行策略迭代。
需要说明的是,所述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本申请一实施例提供的电子设备的结构示意图。如图4所示,该实施例的电子设备4包括:至少一个处理器40(图4中仅示出一个)、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现所述任意各个方法实施例中的步骤。
所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4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,例如所述电子设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),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该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经发送或者将要发送的数据。
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,仅以所述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将所述功能分配由不同的功能单元、模块完成,即将所述装置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。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。所述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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所述任意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可实现所述各个方法实施例中的步骤。
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电子设备上运行时,使得电子设备执行时实现可实现所述各个方法实施例中的步骤。
所述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,本申请实现所述实施例方法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,所述的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,可实现所述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述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。所述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/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在所述实施例中,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/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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。
所述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)
1.一种营销策略生成方法,其特征在于,包括:
获取营销任务,根据所述营销任务确定所述营销任务对应生命周期的目标用户;
提取所述目标用户的生命周期特征;所述生命周期特征至少包括所述目标用户的行为特征;
根据所述目标用户的生命周期特征匹配目标策略因子;所述目标策略因子中包括的策略因子均不相同,其中,不同的策略因子表示不同的策略动作;
组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略。
2.如权利要求1所述的营销策略生成方法,其特征在于,所述提取所述目标用户的生命周期特征之前,还包括:
根据历史用户的用户特征集合训练预构建的分类网络,得到分类模型;所述历史用户包括营销成功的用户及营销失败的用户,所述历史用户的用户特征集合至少包括所述历史用户的行为特征;
所述提取所述目标用户的生命周期特征,包括:
利用所述分类模型提取所述目标用户的用户特征及所述用户特征对应的特征权重;
根据所述特征权重选取预设个数的用户特征作为所述生命周期特征。
3.如权利要求2所述的营销策略生成方法,其特征在于,所述根据所述目标用户的生命周期特征匹配目标策略因子之前,还包括:
根据所述历史用户对应的历史营销策略构建策略因子库;所述策略因子库中包含所述历史营销策略中的所有营销动作;
根据所述历史用户的用户特征集合及所述策略因子库构建映射关系;所述映射关系用于将所述用户特征集合中的用户特征映射到所述策略因子库中的策略因子;
所述根据所述目标用户的生命周期特征匹配目标策略因子,包括:
基于所述映射关系,从所述策略因子库中匹配与所述生命周期特征相映射且不同的策略因子作为所述目标策略因子。
4.如权利要求2所述的营销策略生成方法,其特征在于,在所述得到分类模型之后,还包括:
利用所述分类模型对所述目标用户进行策略分析,得到策略分析结果,其中,所述策略分析结果包括对所述目标用户营销成功的概率。
5.如权利要求1至4任一项所述的营销策略生成方法,其特征在于,所述组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略之后,还包括:
对所述营销策略进行策略评估;
利用所述策略评估的结果更新所述营销策略,得到更新后的营销策略。
6.如权利要求5所述的营销策略生成方法,其特征在于,所述对所述营销策略进行策略评估,包括:
确定所述营销策略中不同策略因子对所述目标用户的因子权重;所述因子权重表示所述营销策略中对应策略因子的重要程度;
根据所述因子权重计算所述营销策略的策略分数,利用所述策略分数对所述营销策略进行策略评估。
7.如权利要求6所述的营销策略生成方法,其特征在于,所述利用所述策略评估的结果更新所述营销策略,得到更新后的营销策略,包括:
在所述策略分数不满足预设的分数要求的情况下,不断调整所述营销策略中的策略因子并计算调整的营销策略的策略分数;
直至所述调整的营销策略的策略分数满足所述预设的分数要求的情况下,将所述调整的营销策略作为所述更新后的营销策略。
8.一种营销策略生成装置,其特征在于,包括:
任务获取模块,用于获取营销任务,根据所述营销任务确定所述营销任务对应生命周期的目标用户;
特征提取模块,用于提取所述目标用户的生命周期特征;所述生命周期特征至少包括所述目标用户的行为特征;
因子匹配模块,用于根据所述目标用户的生命周期特征匹配目标策略因子;所述目标策略因子中包括的策略因子均不相同,其中,不同的策略因子表示不同的策略动作;
策略生成模块,用于组合所述目标策略因子中不同的策略因子得到所述目标用户的营销策略。
9.一种电子设备,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任一项所述的方法。
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任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311444316.5A CN117522440A (zh) | 2023-10-31 | 2023-10-31 | 营销策略生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311444316.5A CN117522440A (zh) | 2023-10-31 | 2023-10-31 | 营销策略生成方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117522440A true CN117522440A (zh) | 2024-02-06 |
Family
ID=89746779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311444316.5A Pending CN117522440A (zh) | 2023-10-31 | 2023-10-31 | 营销策略生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522440A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818406A (zh) * | 2017-10-17 | 2018-03-20 | 广州供电局有限公司 | 电力营销质量评估效率优化方法、***、介质及计算机 |
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
CN109858948A (zh) * | 2018-12-25 | 2019-06-07 | 国网北京市电力公司 | 电力客户营销策略的确定方法和装置 |
CN114266601A (zh) * | 2021-12-24 | 2022-04-01 | 深圳前海微众银行股份有限公司 | 营销策略确定方法、装置、终端设备及存储介质 |
CN116629937A (zh) * | 2022-02-10 | 2023-08-22 | 中移信息技术有限公司 | 营销策略推荐方法及装置 |
-
2023
- 2023-10-31 CN CN202311444316.5A patent/CN117522440A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818406A (zh) * | 2017-10-17 | 2018-03-20 | 广州供电局有限公司 | 电力营销质量评估效率优化方法、***、介质及计算机 |
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
CN109858948A (zh) * | 2018-12-25 | 2019-06-07 | 国网北京市电力公司 | 电力客户营销策略的确定方法和装置 |
CN114266601A (zh) * | 2021-12-24 | 2022-04-01 | 深圳前海微众银行股份有限公司 | 营销策略确定方法、装置、终端设备及存储介质 |
CN116629937A (zh) * | 2022-02-10 | 2023-08-22 | 中移信息技术有限公司 | 营销策略推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210350382A1 (en) | Machine learning system for transaction reconciliation | |
CN107613022B (zh) | 内容推送方法、装置及计算机设备 | |
US11562315B2 (en) | Detecting an issue related to a report | |
CN111639516B (zh) | 基于机器学***台 | |
WO2018188576A1 (zh) | 资源推送方法及装置 | |
CN102708131B (zh) | 将消费者自动分类到微细分中 | |
US20200265119A1 (en) | Site-specific anomaly detection | |
CN105069534A (zh) | 客户流失预测方法以及装置 | |
CN108304935B (zh) | 机器学习模型训练方法、装置和计算机设备 | |
CN111275205B (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
CN111160624B (zh) | 一种用户意向预测方法、用户意向预测装置及终端设备 | |
CN108921587B (zh) | 一种数据处理方法、装置及服务器 | |
CN111371853B (zh) | 资源信息推送方法、装置、服务器及存储介质 | |
WO2021081914A1 (zh) | 推送对象确定方法、装置、终端设备及存储介质 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN111078742A (zh) | 用户分类模型训练方法、用户分类方法及装置 | |
US20210350448A1 (en) | Computing techniques to predict locations to obtain products utilizing machine-learning | |
US20210233106A1 (en) | Multi-customer offer | |
Ko et al. | Keeping our rivers clean: Information-theoretic online anomaly detection for streaming business process events | |
US20220129754A1 (en) | Utilizing machine learning to perform a merger and optimization operation | |
CN114841526A (zh) | 一种高风险用户的检测方法、计算设备及可读存储介质 | |
US11727402B2 (en) | Utilizing machine learning and network addresses to validate online transactions with transaction cards | |
CN113763057A (zh) | 用户身份画像的数据处理方法和装置 | |
CN111325228B (zh) | 一种模型训练方法及装置 | |
CN110717787A (zh) | 一种用户的分类方法及装置 |
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 |