一种基于机器学习的全链路营销方法及系统与流程

摘要: 本发明涉及新一代信息,尤其涉及一种基于机器学习的全链路营销方法及系统。背景技术:1、随着线上营销渠道多元化发展,营销场景逐步分化为app、小程序、短信、h5等多...
一种基于机器学习的全链路营销方法及系统与流程

本发明涉及新一代信息,尤其涉及一种基于机器学习的全链路营销方法及系统。

背景技术:

1、随着线上营销渠道多元化发展,营销场景逐步分化为app、小程序、短信、h5等多个独立营销触点,用户跨触点碎片化交互行为持续增多;行业早期多采用单触点独立行为分析模式开展用户营销运营,依托单一渠道行为数据判定用户营销诉求;后续机器学习技术逐步融入智能营销领域,神经网络模型被广泛应用于用户转化意向、流失风险预测分析,通过行为序列建模挖掘用户潜在营销特征,实现用户分层与定向营销推送;现阶段行业逐步探索多触点行为融合分析,尝试依托多任务学习网络同步处理多维度营销预测任务,打通不同渠道用户行为数据关联链路,适配多场景全域用户精细化营销管控需求。

2、目前,现有的营销系统多独立营销触点数据相互割裂,常规技术无法完成用户跨窗口、跨渠道行为日志统一归并建模,难以完整还原用户全周期时序行为规律,用户状态特征提取存在大量信息缺失;并且,现有营销干预动作严重依赖预设固定策略库匹配生成,无法跟随用户实时行为状态动态适配调整,存在动作泛化匹配、触点推送错乱、干预目标与用户需求不匹配的缺陷,会导致全链路营销数据无法闭环回流迭代,触点执行后的新增用户行为无法反向更新,多触点营销协同性差,长期运营精准度持续下降;所以,在此提出了一种基于机器学习的全链路营销方法及系统来解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷,为实现上述目的,本发明提出如下技术方案:

2、一种基于机器学习的全链路营销方法,包括:

3、s1:采集来自多个独立营销触点的多触点行为日志,基于多触点行为日志中的客户标识匹配与时间窗口会话归并,生成跨触点行为事件序列;

4、s2:对跨触点行为事件序列进行适配处理获得输入张量,然后预训练包含共享底层编码层与两个并行任务头的多任务神经网络,通过共享底层编码层接收输入张量输出营销特征编码向量,通过两个并行任务头同时执行两个营销目标的预测任务,输出综合营销状态向量;

5、s3:对综合营销状态向量进行全量用户分级运算获得用户营销状态分级结果,基于用户营销状态分级结果生成候选营销干预动作;

6、s4:将候选营销干预动作分派至对应的营销触点执行引擎予以执行,实现全链路营销。

7、多触点行为日志的采集过程包括:

8、在多个独立的营销触点部署用户行为埋点,通过埋点sdk捕获用户在各触点上的交互行为日志;

9、并通过消息队列kafka实时汇总来自不同触点的行为日志数据,形成多触点行为日志集合。

10、生成跨触点行为事件序列的过程包括:

11、基于历史数据,构建跨触点的用户标识映射表,将同一用户在不同触点的行为日志中的用户标识进行关联,并以时间为维度划分会话窗口,根据业务场景设定会话窗口的时长阈值t;

12、对每个用户的多触点行为日志集合,按照行为发生的时间戳t进行升序排序,得到排序后的行为日志序列,遍历排序后的序列,将时间差小于t的连续行为日志序列归为同一个会话窗口,生成跨触点行为事件序列。

13、对跨触点行为事件序列进行适配处理的过程包括:

14、对每个会话窗口内的跨触点行为事件序列按时间戳排序,并将跨触点行为事件序列中行为类型编码为向量表示,业务对象标识映射为向量表示;

15、将同一会话窗口内的行为事件与业务对象标识按时间顺序拼接或堆叠,形成序列形式的输入张量。

16、多任务神经网络的共享底层编码层实现过程包括:

17、共享底层编码层内置transformer编码器、多头自注意力机制以及前馈神经网络;

18、基于transformer编码器对输入张量添加时序位置编码,输出携带时序位置信息的特征张量,基于特征张量通过多头自注意力机制并行计算序列内各行为事件的关联权重,输出全局行为关联特征矩阵,基于全局行为关联特征矩阵,输入前馈神经网络执行多层非线性映射变换,输出营销特征编码向量。

19、同时执行两个营销目标的预测任务的过程包括:

20、多任务神经网络包含两个并行的任务头,分别对共享编码层的营销特征编码向量进行处理,执行两个营销目标的预测任务,两个营销目标的预测任务为用户购买转化率预测与用户流失风险预测;

21、用户购买转化率预测通过将编码后的特征序列通过内置全局池化与序列到单值的转换,得到一个固定维度的特征向量,然后通过全连接层映射,输出购买转化率预测值;

22、用户流失风险预测通过对营销特征编码向量进行处理,执行平均池化,计算所有时间步特征的平均值,并选取所有时间步特征的最大值,得到固定维度的特征向量,然后通过sigmoid激活函数将特征向量转换为流失风险概率预测值;

23、将购买转化率预测值、流失风险概率预测值、共享编码层的营销特征编码向量进行向量拼接,得到综合营销状态向量。

24、获得用户营销状态分级结果的过程包括:

25、对输出的综合营销状态向量进行多维度特征解析提取核心营销状态特征,所述核心营销状态特征包括活跃度特征、偏好特征与价值特征;

26、采用动态聚类与业务规则双驱动的分级方法,将用户分为k级,基于核心营销状态执行全量用户分级运算,获得用户营销状态分级结果,其中,对应高价值活跃用户,对应成长型活跃用户。

27、全量用户分级运算的过程包括:

28、若满足、为空集、以及,,则用户营销状态分级结果为,对应高价值活跃用户;

29、其中,为活跃度一级阈值,为核心偏好标签集合,为价值一级阈值,为活跃用户生命周期阶段,为用户u当前所处的生命周期阶段;

30、若满足、、以及,则用户营销状态分级结果为,对应成长型活跃用户;

31、其中,为活跃度二级阈值,为成长偏好标签集合,为价值二级阈值。

32、生成候选营销干预动作的过程包括:

33、获取用户营销状态分级结果对应的购买转化率预测值、流失风险概率预测值、营销特征编码向量;

34、当购买转化率预测值高于预设转化阈值且流失风险概率预测值低于预设流失阈值时,生成转化促进类动作类型;

35、当购买转化率预测值高于预设转化阈值且流失风险概率预测值高于预设流失阈值时,生成流失挽回类动作类型;

36、当购买转化率预测值低于等于预设转化阈值时,直接生成活跃度提升类动作类型;

37、基于用户营销状态分级结果对应的营销特征编码向量,确定动作执行触点与动作指向业务对象,结合用户营销状态分级结果,将动作类型、执行触点、业务对象、用户营销状态分级结果进行结构化组合,形成完整的候选营销干预动作。

38、一种基于机器学习的全链路营销系统,包括:

39、营销采集模块:采集来自多个独立营销触点的多触点行为日志,基于多触点行为日志中的客户标识匹配与时间窗口会话归并,生成跨触点行为事件序列;

40、状态决策模块:对跨触点行为事件序列进行适配处理获得输入张量,然后预训练包含共享底层编码层与两个并行任务头的多任务神经网络,通过共享底层编码层接收输入张量输出营销特征编码向量,通过两个并行任务头同时执行两个营销目标的预测任务,输出综合营销状态向量;

41、营销干预模块:对综合营销状态向量进行全量用户分级运算获得用户营销状态分级结果,基于用户营销状态分级结果生成候选营销干预动作;

42、干预执行模块:将候选营销干预动作分派至对应的营销触点执行引擎予以执行,实现全链路营销。

43、本发明具备以下有益效果:

44、1、通过多触点行为统一归并、多任务共享神经网络建模、状态分级直驱动作生成、全链路闭环迭代的技术逻辑,可完整融合多独立触点碎片化用户行为,精准提取全域时序行为特征,全面还原用户真实跨触点营销状态,大幅提升用户分层定级准确度。

45、2、其次通过共享底层编码层双并行任务预测架构,同步输出转化、流失双维度用户指标,特征复用效率更高,系统运算开销更低,用户综合状态向量表征更全面。

46、3、本方案无需依赖预设营销策略库,直接依据用户实时营销状态分级结果定向生成适配干预动作,有效规避传统策略泛化适配问题,营销触达精准度显著提升,并且可实现触点执行数据全量回传迭代,形成感知-分级-执行-反馈的完整营销闭环,持续优化全域全链路智能营销效果提升用户转化留存与全周期营销价值。