[go: up one dir, main page]

CN113919869A - 一种基于销售增量模型的权益派发方法、装置和电子设备 - Google Patents

一种基于销售增量模型的权益派发方法、装置和电子设备 Download PDF

Info

Publication number
CN113919869A
CN113919869A CN202111147579.0A CN202111147579A CN113919869A CN 113919869 A CN113919869 A CN 113919869A CN 202111147579 A CN202111147579 A CN 202111147579A CN 113919869 A CN113919869 A CN 113919869A
Authority
CN
China
Prior art keywords
model
sales
data
increment
equity
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
Application number
CN202111147579.0A
Other languages
English (en)
Inventor
宋碧莲
李盛刚
祁云峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hualong Information Technology Co ltd
Original Assignee
Shanghai Hualong Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Hualong Information Technology Co ltd filed Critical Shanghai Hualong Information Technology Co ltd
Priority to CN202111147579.0A priority Critical patent/CN113919869A/zh
Publication of CN113919869A publication Critical patent/CN113919869A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0213—Consumer transaction fees
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及计算机技术领域，具体涉及一种基于销售增量模型的权益派发方法、装置和电子设备，包括：通过数据模板读入资源数据；对所述资源数据进行数据探索和数据清洗，获得汇总特征；根据所述汇总特征建立销售增量模型；执行所述销售增量模型，获取销售增量分数；对所述销售增量模型进行表现验证以及价值分析；根据所述价值分析结果选择与所述销售增量模型匹配最佳的权益派至客户。本发明采用智能营销过程中的销售增量模型结合促销权益工具建立一个优化的销售运营系统，选择最优的权益种类通过市场活动派发给最适合的客户人群，以实现最优的投资回报率。

Description

一种基于销售增量模型的权益派发方法、装置和电子设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于销售增量模型的权益派发方法、装置和电子设备。
背景技术
传统的提升建模方法首次出现于Radcliffe和Surry的工作，并首次提出了差分响应分析方法，即提升建模方法的前身，这种模型方法被首次提出应用于数字营销过程中的客户响应模型，提升建模方法也称为提升响应模型(也称为增量建模，真实提升建模或净建模)是一种在市场营销中促活，拉新和交叉推荐等过程中广泛使用的建模预测技术，同一般的响应模型相比，此方法可以直接对某项行为例如直接营销行为的增量影响进行建模。因此可以更精确地回答市场活动比如卡券，广告是否真正地提高了销售指标，比如客户活跃度，客户购买量，客户转化，客户响应度等。另外，提升建模在客户关系管理中也具有用于提升销售，交叉销售和保留率建模的功能。在应用领域方面，此方法也已应用于政治选举和个性化医学。
爱因斯坦系统是一个借助于客户销售数据和人工智能销售模型增进营销力度的系统，它使用在每个用户操作上收集的数据为爱因斯坦系统的客户提供预测分析、自然语言处理功能和机器学习。在人工智能技术方面云平台提供了预测预测客户是否会或多或少地通过预测以及潜在客户和机会得分来购买产品来帮助提高获胜率。此系统也包含各种客户响应模型，但不具备基于提升建模并且可用于实现销售业务运营的功能。
Infer是多个解决方案集成的人工智能平台，它可被用于预测潜在客户和客户计分以及管理超细分的个人资料。用户可以使用Infer系统预测性潜在的客户评分，以及利用平台的预测结果进行分析以帮助市场运营，例如可帮助用户确定理想的买家是谁，了解他们的购买行为，并避免浪费时间进行客户价值转换。Infer可以被用于分析客户关系系统数据，营销自动化系统，以找到最有可能购买并且最适合您公司的潜在客户。它可以计算出准确的分数，从而准确地告诉您的销售人员哪些会促成来电，哪些会带来更多的收益，哪些会下降等一些列功能。此系统也包含各种客户分群模型，营销渠道选择模型等，但不具备基于提升建模并且可用于实现销售业务运营的功能。
虽然相应提升算法已被应用于销售领域十年以上，但还没发现有一个成型的基于提升建模并且可用于实现销售业务运营的软件系统；传统的响应提升模型中使用的数据是建立在实施市场促销活动后收集的数据，也就是说，提升模型无法在市场促销活动之前进行开发。这将会浪费市场促销活动之前所收集的数据，而且会造成等待期，导致时间的浪费。
响应提升模型中以预测0,1型或多分类型为目标的技术，但没有涉及到用于预测连续增量目标的新响应提升模型，没有涉及到如销量提升等的预测问题；同时现有的模型在面向的用户是建模人员或有较强的计算机或统计学背景的专业人员，但业务人员或数据运营人员难以直接使用这些软件展开业务运营。
发明内容
本发明提供了一种基于销售增量模型的权益派发方法、装置和电子设备，用以选择最优的权益种类通过市场活动派发给最适合的客户人群，以实现最优的投资回报率。
本说明书实施例提供一种基于销售增量模型的权益派发方法，包括：
通过数据模板读入资源数据，所述资源数据包括：首次还未实施市场促销活动的交易数据、实施市场促销活动后的交易数据、客户信息特征数据、第三方信息特征数据；
对所述资源数据进行数据探索和数据清洗，获得汇总特征；
根据所述汇总特征建立销售增量模型；
执行所述销售增量模型，获取销售增量分数；
对所述销售增量模型进行表现验证以及价值分析；
根据所述价值分析结果选择与所述销售增量模型匹配最佳的权益派至客户。
优选的，所述对所述资源数据进行数据探索和数据清洗，包括：
显示和读入资源数据有关的特征；
输入和填补缺失数据；
处理所述资源数据中的异常值；
将所述资源数据分类变量转化为数字变量；
将所述资源数据正则化。
优选的，所述汇总特征包括交易频率、交易金额、交易时间间隔、购买新进度。
优选的，所述根据所述汇总特征建立响应提升模型和销售增量模型，包括：
采用变量聚类的特征分群方法对所述汇总特征进行筛选；
当所述汇总特征存在对建立所述销售增量模型有异常，则通过数据截取的方式交互式对所述汇总特征进行数据截取；
根据截取后的所述汇总特征建立所述销售增量模型；
所述销售增量模型包括：首次还未实施市场权益促销活动的第一价值预测模型、实施市场权益促销活动后的第二价值预测模型和实施市场权益促销活动后的第三价值预测模型。
优选的，所述执行所述响应提升模型，获取销售增量分数，包括：
通过所述第一价值预测模型、所述第二价值预测模型、所述第三价值预测模型对每个客户进行预测，分别得到价值分数；
根据所述价值分数计算每个客户的价值增量分数。
优选的，所述对所述销售增量模型进行表现验证以及价值分析，包括：
根据所述价值增量分数并结合历史资源数据对所所述销售增量模型进行表现验证；
根据消费金额、消费次数、成本对所述销售增量模型进行价值分析；
所述销售增量模型采用拓展重新定义的ROC曲线进行逻辑回归，所述ROC曲线用于提升对所述销售增量模型的表现验证准确度和价值分析准确度。
优选的，所述根据所述价值分析结果选择与所述响应提升模型和所述销售增量模型匹配最佳的权益派至客户，包括：
当从多个权益进行选择时，选择所述价值分析结果中最高的所述价值增量分数相对应的权益派发给所述客户。
本说明书实施例还提供一种基于销售增量模型的权益派发装置，包括：
数据读入模块，通过数据模板读入资源数据，所述资源数据包括：首次还未实施市场促销活动的交易数据、实施市场促销活动后的交易数据、客户信息特征数据、第三方信息特征数据；
特征获取模块，对所述资源数据进行数据探索和数据清洗，获得汇总特征；
模型创建模块，根据所述汇总特征建立销售增量模型；
模型执行模块，执行所述销售增量模型，获取销售增量分数；
验证分析模块，对所述销售增量模型进行表现验证以及价值分析；
权益派发模块，根据所述价值分析结果选择与所述销售增量模型匹配最佳的权益派至客户。
一种电子设备，其中，该电子设备包括：
处理器以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项所述的方法。
一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项所述的方法。
其有益效果在于：
本发明采用智能营销过程中的销售增量模型结合促销权益工具建立一个优化的销售运营系统，选择最优的权益种类通过市场活动派发给最适合的客户人群，以实现最优的投资回报率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种基于销售增量模型的权益派发方法的原理示意图；
图2为本说明书实施例提供的一种基于销售增量模型的权益派发装置的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图；
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
参照图1为本说明书实施例提供的一种基于销售增量模型的权益派发方法的原理示意图，包括：
S101：通过数据模板读入资源数据，所述资源数据包括：交易数据、客户信息特征数据、第三方信息特征数据；
在本发明较佳的实施例中，在一般情况下，如果交易数据所提供的信息被认为是充分的，则单独使用交易数据建立模型就可以了。但若用户有额外的被认定有价值的数据，那么用户可有选择地加入客户基本信息和/或其第三方信息。其中客户基本信息表包含客户的一些静态数据，而第三方数据则是通过客户的其他信息比如电话等可以连接到交易数据之上的数据，比如客户的支付水电费汇总，客户的信用评级等；由于以上三种数据的数据结构都是无法事先确定的，所以，作为一个通用发明系统，这三类数据采取通用数据模板的形式读入数据，即事先将数据结构如表名，字段名和数据类型和表中的分类信息初始化，并用标准名称以字典的形式加以映射，然后读入到系统之中。
数据模板初始信息会被存储在永久外部文件中，而本发明系统可以根据数据和用户要求更新这些设置。而源数据是根据这些设置读入系统中的，数据的导入过程就是按显示的初始化表将源数据读入到内存中，并生成具有数据结构规则的数据框架。
S102：对所述资源数据进行数据探索和数据清洗，获得汇总特征；
在本发明较佳的实施例中，采用树状列表控件将原始数据列特征放置到树结点上，这样可节省空间并利于操作比如展开，收缩等。实现这些功能需采用计算机交互式编程使得用户可以在树形表中选取不同的特征进行分别观察，也可以进行定制的条件查询返回子数据集合或子特征列，建立汇总特征。数据探索的任务是显示和读入数据有关的特征，比如行列数目，基本的统计量，特征缺失数目和比例以及数据类型，解释等。
S103：根据所述汇总特征建立响应提升模型和销售增量模型；
在本发明较佳的实施例中，用户通过本发明系统建立单个或批量的模型目标，也可利用特征工程生成定制的混合模型目标，其中，模型目标指的是模型被用来预测模型的因变量。特别地，用户需要在训练数据中需要指定或定义相应的特征列，比如在未来三个月内是否购买，在未来年内的购买总金额等；然后根据建立的模型目标并基于汇总特征建立响应提升模型和销售增量模型。
本发明除了具备传统的响应提升模型以预测0，1型或多分类型目标以外，还具备了用于预测连续增量目标的新响应提升模型。我们以下分场景介绍：
首次还未实施市场促销活动的建模数据：这里的数据是为销售增量模型建立的，所以模型目标是连续的数字特征，比如未来三个月的销售量或金额或使用量等；
实施市场促销活动后的建模数据：这里的数据是既是为销售增量模型也是为响应提升模型建立的，所以模型目标可以是连续的数字特征也可以是0，1类型的二进制特征，比如未来三个月是否有购买，是否有激活等特征。
S104：执行所述响应提升模型和所述销售增量模型，获取响应提升分数和销售增量分数；
在本发明较佳的实施例中，执行响应提升模型和所述销售增量模型，响应提升模型和所述销售增量模型执行后输出响应提升分数和销售增量分数。
S105：对所述响应提升模型和所述销售增量模型进行表现验证以及价值分析；
在本发明较佳的实施例中，根据响应提升分数、销售增量分数并结合历史资源数据对响应提升模型和销售增量模型进行表现验证；根据消费金额、消费次数、成本对响应提升模型和销售增量模型进行价值分析，最后的分析结果可被用于权益派发的优化。
S106：根据所述价值分析结果选择与所述响应提升模型和所述销售增量模型匹配最佳的权益派至客户。
在本发明较佳的实施例中，根据生成的价值分析结果进行权益优化，将现有的权益种类派发给最适合的客户人群吗，以优化总体效益指标。
进一步地，所述读入资源数据分两个阶段，包括：
第一阶段读入实施市场促销活动之前的客户交易数据；
第二阶段读入实施市场促销活动之后的客户交易数据，并以主键的方式与所述第一阶段读入的实施市场促销活动之前的客户交易数据进行连接。
在本发明较佳的实施例中，资源数据是分阶段被读入的，第一阶段将读入实施市场促销活动之前的客户交易数据，客户将利用系统的模型引擎创建某类响应模型；第二阶段是读入实施市场促销活动之后的客户交易数据，注意这里仅是增量数据，所以系统需要以主键比如客户ID,产品编号等的方式与第一阶段读入的数据进行连接。
进一步地，所述对所述资源数据进行数据探索和数据清洗，包括：
显示和读入资源数据有关的特征；
输入和填补缺失数据；
处理所述资源数据中的异常值；
将所述资源数据分类变量转化为数字变量；
将所述资源数据正则化。
在本发明较佳的实施例中，显示和读入资源数据有关的特征后，进一步对资源数据进行数据清洗，数据清洗包括：输入和填补缺失数据、处理所述资源数据中的异常值、将所述资源数据分类变量转化为数字变量以及将所述资源数据正则化，根据数据的不同情况对资源数据进行相对应的一个或多个处理方式。
其中，输入和填补缺失数据：当一些机器学习模型在训练阶段自动处理包含缺失值的行，但大多数算法不接受具有缺失值的数据集，这里处理缺失值的最简单解决方案是删除行或整列，没有最佳的删除阈值，但是本发明用户可以使用选用某阈值比如70％作为示例值，并尝试删除缺失值高于此阈值的行和列；这里系统也提供填充解决数据缺失的问题，用户可以根据缺失值来估算重要的内容，也可考虑该列中可能缺失值的默认值。例如，如果有一列仅包含1和NA，则NA行可能对应于0，除了为缺失值使用默认值的情况外，数据填充方式是使用特征列的中位数。
处理数据中的异常值：列出两种处理异常值的方法，将使用标准偏差和百分位数检测它们，一是采用具有标准偏差的异常值检测，如果某个值与平均值的距离大于标准偏差，则可以将其视为离群值；另一个是系统提供百分位数的异常值检测，这可以从顶部或底部假设某个百分比的值作为异常值。
将分类变量转化为数字变量：这里合并成组可以应用于分类数据和数字数据合并成组的主要目的是使模型更健壮并防止过度拟合，但是这会降低性能。每次合并成组时，失去一些有用的信息，但使数据更加规范化，性能与过度拟合之间的权衡是合并成组过程的关键。但这里要指出的是，合并成组对于boosting算法可能是多余的，但是对于分类列，合并会使得模型更稳定。
数据正则化：数据特征经过正则缩放过程后，连续特征的范围变得相同。对于许多算法来说，此过程不是强制性的，但应用起来可能会改进模型精度。
进一步地，所述汇总特征包括：交易频率、交易金额、交易时间间隔、购买新进度。
进一步地，所述根据所述汇总特征建立响应提升模型和销售增量模型，包括：
采用变量聚类的特征分群方法对所述汇总特征进行筛选；
当所述汇总特征存在对建立响应提升模型和销售增量模型有异常，则通过数据截取的方式交互式对所述汇总特征进行数据截取；
根据截取后的所述汇总特征建立响应提升模型和销售增量模型。
在本发明较佳的实施例中，系统根据资源数据生成汇总特征，在客户响应模型中，下面几类特征通常是必要的，包括：
过去各时间段内购买的次数：即交易频率，比如过去三个月购买某产品的月平均次数；
过去时间段内购买的次数：比如过去三个月购买某产品的月交易金额；
客户年限：客户第一次购买距离现在的时间比如天数；
首次购买与最后一次购买之间的时间长度：购买新近度。
另外，如果具备客户基本信息的话，则像年龄组，性别，收入等信息比较重要。本系统的做法是先预设一些重要特征，然后根据用户需求进行添加或删除修改等；由于过于长远的数据对于建模会有不良的影响，本发明系统提供给用户数据截取的功能，用户可以交互式地选取时间新近度以限制建模的数据。比如，用户可截取最近两年的交易数据最为建模数据样本。
进一步地，所述响应提升模型包括：首次还未实施市场权益促销活动的第一响应模型、实施市场权益促销活动后的第二响应模型和实施市场权益促销活动后的第三响应模型；所述销售增量模型包括：首次还未实施市场权益促销活动的第一价值预测模型、实施市场权益促销活动后的第二价值预测模型和实施市场权益促销活动后的第三价值预测模型。
在本发明较佳的实施例中，涉及到的几类模型包括以下：
首次还未实施市场权益促销活动的第一响应模型MR，这是一个是针对实施市场促销活动之前的所有客户样本建立0，1目标模型。目标＝1表示客户从目前时间点开始的某一时间段内有购买行为，而目标＝0表示没有。这个预测模型的结果将和下面模型的结果结合起来构成响应提升模型最终结果。
首次还未实施市场权益促销活动的第一价值预测模型MV，表示客户从目前时间点开始的某一时间段内的购买价值，比如复购量，金额等。也可根据具体业务由用户指定。这个预测模型的结果将和下面模型的结果结合起来构成销售增量模型的最终结果。
实施市场权益促销活动后的建模：这里的数据是既是为销售增量模型也是为响应提升模型建立的。包活以下几类：
实施市场权益促销活动后建立两个客户响应模型，一个是针对实施权益市场促销活动的那些客户样本建立第二响应模型MRT；一个是针对未实施市场促销活动的那些客户样本建立第三客户响应模型MRC，模型预测输出是概率值落在区间【0,1】之中。
实施市场权益促销活动后建立两个客户价值模型，一个是针对实施市场权益促销活动的那些客户样本建立第二价值预测模型MVT；一个是针对未实施市场权益促销活动的那些客户样本建立第二价值预测模型MVC。
进一步地，所述执行所述响应提升模型和所述销售增量模型，获取响应提升分数和销售增量分数，包括：
通过所述第一响应模型、所述第二响应模型和所述第三响应模型、对每个客户进行预测，分别得到响应分数；
根据所述响应分数计算每个客户的响应提升分数；
通过所述第一价值预测模型、所述第二价值预测模型、所述第三价值预测模型对每个客户进行预测，分别得到价值分数；
根据所述价值分数计算每个客户的价值增量分数。
在本发明较佳的实施例中，执行响应提升模型和销售增量模型预测：主要功能是根据上一步所生成的几个分阶段模型进行汇总计算而得出响应提升模型以及销售增量模型预测分数。具体执行过程如下：
响应提升模型：分别利用上步所生成的模型MR，MRT和MRC对所有客户人群进行预测分别得到客户响应分数：MR(X)，MRT(X)和MRC(X),然后按照(1)式对每个客户计算响应提升分数：
SCORE＝MRT(X)–0.5*MR(X)–0.5*MRC(X)(1)
传统的计算方式是SCORE＝MRT(X)–MRC(X)，即提升分数是控制组(Controlgroup)治疗组(Treatment group)之间的差值，注意到MRT(X)，MRC(X)都是实施市场权益促销活动之后的对客户响应的预测，而本发明不但考虑这个差值外，还考虑和实施市场权益促销活动之前的客户响应预测即MR(X)，这样做的好处在于传统的提升模型中MRT(X)和MRC(X)是分开建模的，MRT模型只体现了参与市场权益活动的那些客户，而MRC只体现了未参与市场权益活动的那些客户。虽然从理论上讲，初始的权益的派发实验设计是建立在随机样本上的，即随机发放任何一种权益给任何客户，但实际操作起来真正接收到权益的样本并不是随机的，比如能接收到权益的那些客户本身响应概率就较大，因此得到权益后并不能真正改变客户行为。所以传统响应提升模型中所采用两者差值计算提升分数会产生由于客户样本不同产生的偏差，而本发明中加入MR(X)可以调整样本的偏差，这是因为MR体现了全部人群在市场权益活动之前的响应概率。
销售增量模型：分别利用上步所生成的模型MV，MVT和MVC对所有客户人群进行预测分别得到客户响应分数：MV(X)，MVT(X)和MVC(X),然后按照(2)式对每个客户计算价值增量分数：
SCORE＝MVT(X)–0.5*MV(X)–0.5*MVC(X)(2)
以上改进方法的原理和响应提升模型原理雷同，在此不再阐述。
进一步地，所述对所述响应提升模型和所述销售增量模型进行表现验证以及价值分析，包括：
根据所述响应分数、所述价值增量分数并结合历史资源数据对所述响应提升模型和所述销售增量模型进行表现验证；
根据消费金额、消费次数、成本对所述响应提升模型和所述销售增量模型进行价值分析。
在本发明较佳的实施例中，根据响应分数、价值增量分数并结合历史资源数据对响应提升模型和销售增量模型进行表现验证；根据消费金额、消费次数、成本对响应提升模型和销售增量模型进行价值分析，在对模型进行表现验证和价值分析时，响应提升模型和所述销售增量模型采用拓展重新定义的ROC曲线进行逻辑回归，用于提升对所述响应提升模型和所述销售增量模型的表现验证准确度和价值分析准确度。
进一步地，所述响应提升模型和所述销售增量模型采用拓展重新定义的ROC曲线进行逻辑回归，用于提升对所述响应提升模型和所述销售增量模型的表现验证准确度和价值分析准确度。
在本发明较佳的实施例中，响应提升模型的验证和一般响应模型的验证是不同的，这是因为在验证数据中有两类人群，即实施权益促销的和没有实施的，比如在考虑提升响应模型时，在验证数据中既有接收到权益也有没接收到权益的客户，所以无法直接验证数据的预测提升量与验证数据的实际水平真实情况进行比较。因此本发明采用重新定义的ROC曲线对响应提升模型和销售增量模型进行逻辑回归，以用于提升模型评估。由于仅用实施权益促销数据无法获得提升值的真实信息，因此系统将通过对验证数据进行分类来查看总体提升值，价值分析只需将验证中的纵向指标拓展成销售金额再考虑权益成本即可。
进一步地，所述根据所述价值分析结果选择与所述响应提升模型和所述销售增量模型匹配最佳的权益派至客户，包括：
当从多个权益进行选择时，选择所述价值分析结果中最高的所述响应提升分数和所述价值增量分数相对应的权益派发给所述客户；
当权益所对应的所述响应提升分数和所述价值增量分数低于预设阈值，则无相匹配的权益派发给所述客户。
在本发明较佳的实施例中，如果需要从多个权益进行选择，那么响应提升模型和销售增量模型应当是多权益的响应提升模型或多权益的销售增量模型，那么最后对于每个客户应当有多个提升预测分数或多个销售增量预测分数。例如，如果有三种权益种类(A,B,C)可供选择，通过对每个客户进行响应提升模型和销售增量模型价值进行预测后，每个客户可以得到三个预测分数，那么对于某个客户，系统将选择分数最高的那个权益派发给这个客户。
在成本方面，并不是所有的客户都会得到市场促销权益，这是因为即使分数最高的那个权益也不会引起明显的响应和销售增量，所以这里除了以上的最高权益提升分数分析以外，还需要考虑最高权益提升分数的绝对分数，即需要找到一个阀值，在阀值以下的权益提升分数将不会被选择派发权益。
进一步地，所述预设阈值包括第一阈值和第二阈值，所述第一阈值是由整体客户的平均响应提升分数和个体客户的平均响应提升分数的比值决定的；所述第二阈值是由整体客户的平均价值增量分数以及个体客户的平均价值增量分数的比值决定的。
在本发明较佳的实施例中，这个阀值是由整体客户的平均权益提升分数和个体客户的权益提升分数的比值决定的。比如，某个客户权益提升分数是整体平均权益提升分数的150％，那么系统可以观察到达到150％这个比值的客户人数只占总体客户的20％，那么可以选择150％作为阀值，除此之外，用户可以根据类似的方法和结果决定自己偏好的阀值。
在本发明较佳的实施例中，从数据类型上讲，此发明系统通过采用标准化数据模板解决了针对产品的时间外样本预测的通用问题；从行业应用上讲，此发明不但可以被应用于供应链预测系统中的一般需求预测问题，而且还可以被应用于任何产品在交易过程中的任何指标的时间外样本预测问题；此发明系统的使用和操作十分简单，不需要专业人员了解算法，模型的专业知识；此发明系统所使用的特征分群方法对多个产品的预测特征筛选，特征降维的执行效率很高，用户因此可以迅速地找出最相关的预测特征；由于此发明解决的是通用时间外样本预测问题，此系统和使用界面可以帮助公司进行对客户以及售前人员进行售前培训，演示和不同行业以及应用场景的方案指导。
本发明采用智能营销过程中的销售增量模型结合促销权益工具建立一个优化的销售运营系统，选择最优的权益种类通过市场活动派发给最适合的客户人群，以实现最优的投资回报率。
图2为本说明书实施例提供的一种基于销售增量模型的权益派发装置的结构示意图，包括：
数据读入模块201通过数据模板读入资源数据，所述资源数据包括：首次还未实施市场促销活动的交易数据、实施市场促销活动后的交易数据、客户信息特征数据、第三方信息特征数据；
特征获取模块202；对所述资源数据进行数据探索和数据清洗，获得汇总特征；
模型创建模块203，根据所述汇总特征建立销售增量模型；
模型执行模块204，执行所述销售增量模型，获取销售增量分数；
验证分析模块205，对所述销售增量模型进行表现验证以及价值分析；
权益派发模块206，根据所述价值分析结果选择与所述销售增量模型匹配最佳的权益派至客户。
在本发明较佳的实施例中，权益派发模块206根据生成的价值分析结果进行权益优化，将现有的权益种类派发给最适合的客户人群，以优化总体效益指标。
基于同一发明构思，本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
参照图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同装置组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作装置、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID装置、磁带驱动器以及数据备份存储装置等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
参照图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于销售增量模型的权益派发方法，其特征在于，包括：
通过数据模板读入资源数据，所述资源数据包括：首次还未实施市场促销活动的交易数据、实施市场促销活动后的交易数据、客户信息特征数据、第三方信息特征数据；
对所述资源数据进行数据探索和数据清洗，获得汇总特征；
根据所述汇总特征建立销售增量模型；
执行所述销售增量模型，获取销售增量分数；
对所述销售增量模型进行表现验证以及价值分析；
根据所述价值分析结果选择与所述销售增量模型匹配最佳的权益派至客户。
2.如权利要求1所述的一种基于销售增量模型的权益派发方法，其特征在于，所述对所述资源数据进行数据探索和数据清洗，包括：
显示和读入资源数据有关的特征；
输入和填补缺失数据；
处理所述资源数据中的异常值；
将所述资源数据分类变量转化为数字变量；
将所述资源数据正则化。
3.如权利要求1所述的一种基于销售增量模型的权益派发方法，其特征在于，所述汇总特征包括交易频率、交易金额、交易时间间隔、购买新进度。
4.如权利要求1所述的一种基于销售增量模型的权益派发方法，其特征在于，所述根据所述汇总特征建立响应提升模型和销售增量模型，包括：
采用变量聚类的特征分群方法对所述汇总特征进行筛选；
当所述汇总特征存在对建立所述销售增量模型有异常，则通过数据截取的方式交互式对所述汇总特征进行数据截取；
根据截取后的所述汇总特征建立所述销售增量模型；
所述销售增量模型包括：首次还未实施市场权益促销活动的第一价值预测模型、实施市场权益促销活动后的第二价值预测模型和实施市场权益促销活动后的第三价值预测模型。
5.如权利要求4所述的一种基于销售增量模型的权益派发方法，其特征在于，所述执行所述响应提升模型，获取销售增量分数，包括：
通过所述第一价值预测模型、所述第二价值预测模型、所述第三价值预测模型对每个客户进行预测，分别得到价值分数；
根据所述价值分数计算每个客户的价值增量分数。
6.如权利要求5所述的一种基于销售增量模型的权益派发方法，其特征在于，所述对所述销售增量模型进行表现验证以及价值分析，包括：
根据所述价值增量分数并结合历史资源数据对所所述销售增量模型进行表现验证；
根据消费金额、消费次数、成本对所述销售增量模型进行价值分析；
所述销售增量模型采用拓展重新定义的ROC曲线进行逻辑回归，所述ROC曲线用于提升对所述销售增量模型的表现验证准确度和价值分析准确度。
7.如权利要求1所述的一种基于销售增量模型的权益派发方法，其特征在于，所述根据所述价值分析结果选择与所述响应提升模型和所述销售增量模型匹配最佳的权益派至客户，包括：
当从多个权益进行选择时，选择所述价值分析结果中最高的所述价值增量分数相对应的权益派发给所述客户。
8.如权利要求1所述的一种基于销售增量模型的权益派发装置，其特征在于，包括：
数据读入模块，通过数据模板读入资源数据，所述资源数据包括：首次还未实施市场促销活动的交易数据、实施市场促销活动后的交易数据、客户信息特征数据、第三方信息特征数据；
特征获取模块，对所述资源数据进行数据探索和数据清洗，获得汇总特征；
模型创建模块，根据所述汇总特征建立销售增量模型；
模型执行模块，执行所述销售增量模型，获取销售增量分数；
验证分析模块，对所述销售增量模型进行表现验证以及价值分析；
权益派发模块，根据所述价值分析结果选择与所述销售增量模型匹配最佳的权益派至客户。
9.一种电子设备，其中，该电子设备包括：
处理器以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
CN202111147579.0A 2021-09-28 2021-09-28 一种基于销售增量模型的权益派发方法、装置和电子设备 Pending CN113919869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111147579.0A CN113919869A (zh) 2021-09-28 2021-09-28 一种基于销售增量模型的权益派发方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111147579.0A CN113919869A (zh) 2021-09-28 2021-09-28 一种基于销售增量模型的权益派发方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN113919869A true CN113919869A (zh) 2022-01-11

Family

ID=79236741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111147579.0A Pending CN113919869A (zh) 2021-09-28 2021-09-28 一种基于销售增量模型的权益派发方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113919869A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314516A (zh) * 2023-09-19 2023-12-29 深圳市通商宝科技有限公司 一种数字卡券的管理方法以及系统
US12147453B1 (en) 2024-01-10 2024-11-19 The Strategic Coach Inc. Apparatus and a method for the generation of exploitation data

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060143071A1 (en) * 2004-12-14 2006-06-29 Hsbc North America Holdings Inc. Methods, systems and mediums for scoring customers for marketing
CN101620706A (zh) * 2008-06-30 2010-01-06 上海全成通信技术有限公司 一种增量销售的数据挖掘建模方法
CN107609060A (zh) * 2017-08-28 2018-01-19 百度在线网络技术（北京）有限公司 资源推荐方法及装置
CN107944593A (zh) * 2017-10-11 2018-04-20 北京三快在线科技有限公司 一种资源分配方法及装置，电子设备
CN109993428A (zh) * 2019-03-28 2019-07-09 第四范式（北京）技术有限公司 资源分配方法与装置
CN111694551A (zh) * 2020-06-02 2020-09-22 北京乾元大通技术有限公司 一种云物业开发平台

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060143071A1 (en) * 2004-12-14 2006-06-29 Hsbc North America Holdings Inc. Methods, systems and mediums for scoring customers for marketing
CN101620706A (zh) * 2008-06-30 2010-01-06 上海全成通信技术有限公司 一种增量销售的数据挖掘建模方法
CN107609060A (zh) * 2017-08-28 2018-01-19 百度在线网络技术（北京）有限公司 资源推荐方法及装置
CN107944593A (zh) * 2017-10-11 2018-04-20 北京三快在线科技有限公司 一种资源分配方法及装置，电子设备
CN109993428A (zh) * 2019-03-28 2019-07-09 第四范式（北京）技术有限公司 资源分配方法与装置
CN111694551A (zh) * 2020-06-02 2020-09-22 北京乾元大通技术有限公司 一种云物业开发平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨春柏，李辉，金彪: "《大数据驱动下的新金融发展研究》", 31 October 2018, 科学技术文献出版社, pages: 84 - 88 *
阿里文娱技术: "阿里文娱智能营销增益模型 (Uplift Model) 技术实践", pages 9 - 11, Retrieved from the Internet <URL:《DataFunTalk》，https://mp.weixin.qq.com/s?__biz=MzU1NTMyOTI4Mw==&mid=2247498630&idx=1&sn=b36 515e54c2dbc20186942102497c390&chksm=fbd749eacca0c0fc9e285ffc7d06e336115f387394362a4707c71377f02832f8 c42bcc71cc7a&mpshare=1&scene=24&srcid=&sharer_sharetime=1585109170232&sharer_shareid=255a68ecb152bdfa 3b164d51ce560a8d#rd> *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314516A (zh) * 2023-09-19 2023-12-29 深圳市通商宝科技有限公司 一种数字卡券的管理方法以及系统
US12147453B1 (en) 2024-01-10 2024-11-19 The Strategic Coach Inc. Apparatus and a method for the generation of exploitation data

Similar Documents

Publication Publication Date Title
Hofmann et al. Big data analytics and demand forecasting in supply chains: a conceptual analysis
CN110751261B (zh) 神经网络模型的训练方法和系统以及预测方法和系统
Roy et al. A complete overview of analytics techniques: descriptive, predictive, and prescriptive
Vanderveld et al. An engagement-based customer lifetime value system for e-commerce
KR20140120306A (ko) 마케팅 믹스 솔루션 생성 시스템 및 방법
Spearman et al. The case for a unified science of operations
Ozili Determinants of interest in eNaira and financial inclusion information in Nigeria: role of FinTech, cryptocurrency and central bank digital currency
JP5914549B2 (ja) 情報処理装置および情報分析方法
CN113919869A (zh) 一种基于销售增量模型的权益派发方法、装置和电子设备
CN118411199A (zh) 营销效果的预测方法、装置、电子设备和介质
Bekamiri et al. A stochastic approach for valuing customers in banking industry: a case study
JP7666966B2 (ja) 学習方法、学習モデル、予測方法、予測装置、及びコンピュータプログラム
Chashmi et al. Predicting customer turnover using recursive neural networks
CN118446543A (zh) 基于客户行为的营销策略制定方法、装置、设备及介质
CN112288475A (zh) 产品推荐方法、装置及电子设备
CN117853158A (zh) 基于动态量本利分析的企业运营数据预测方法及装置
Revenko et al. The impact of digitalization on the economic growth of the European Union: an empirical study
Ansari et al. Using decision trees to analyse the customers' shopping location preferences
CN113919868A (zh) 一种基于营销提升模型的权益派发方法、装置和电子设备
US20230177535A1 (en) Automated estimation of factors influencing product sales
CN114022178A (zh) 一种基于响应提升模型的权益派发方法、装置和电子设备
Jeswani Predicting Walmart Sales, Exploratory Data Analysis, and Walmart Sales Dashboard
JP2002123739A (ja) 情報処理装置および方法、並びに記録媒体
Ramasami et al. Analysis of Bigmart Outlets sales using Big Data Analytics Method
Movsisian et al. Application of Intelligent Decision-Making Support Model in the Processes of Omnichannel Marketing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220111