购车用户行为数据分析处理方法、装置及设备与流程

1.本技术涉及数据处理技术领域，尤其涉及一种购车用户行为数据分析处理方法、装置及设备。


背景技术：

2.目前，许多汽车制造企业都会通过各种方法宣传车辆产品，例如通过企业公众号或通过app(application，应用程序)等向消费者介绍汽车产品的具体信息。对于消费者而言，在购买车辆前，可以通过使用app来获知汽车产品的具体信息，利用从app获知的相关产品信息作为是否购车的参考。
3.然而，相关技术中，对于消费者在使用app等软件工具过程中所生产的大量用户行为数据，相关企业并没有进行有效的分析处理工作，从而导致相关企业无法利用大数据的分析结果，为销售服务工作提供辅助支持。


技术实现要素：

4.为解决或部分解决相关技术中存在的问题，本技术提供一种购车用户行为数据分析处理方法、装置及设备，能够利用用户行为数据分析处理结果，为销售服务工作提供辅助支持。
5.本技术第一方面提供一种购车用户行为数据分析处理方法，包括：
6.获取潜在购车用户的用户行为特征，其中所述用户行为特征包括所述潜在购车用户的汽车类应用工具的安装和/或登录数据、在所述汽车类应用工具中的操作数据；
7.根据所述潜在购车用户的用户行为特征和预设概率模型，输出所述潜在购车用户的购车概率；
8.在所述购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户；
9.生成所述目标用户的辅助促销数据。
10.在一种实施方式中，所述预设概率模型按以下方式预先生成：
11.获取第一设定时段内的预设用户的所述用户行为特征；
12.从所述预设用户中选择设定数量的未购车用户，根据所述未购车用户在第二设定时段内的购车结果，将所述未购车用户分别标记为不同样本；
13.将所述不同样本和对应的用户行为特征输入机器学习模型进行拟合训练；
14.根据所述拟合训练结果，输出模型文件。
15.在一种实施方式中，所述不同样本包括正样本与负样本；
16.其中，所述正样本包括所述购车结果为已购车的用户，所述负样本包括所述购车结果为未购车的用户；或，
17.所述正样本包括所述购车结果为未购车的用户，所述负样本包括所述购车结果为已购车的用户。
18.在一种实施方式中，所述将所述不同样本和对应的用户行为特征输入机器学习模
型进行拟合训练，包括：
19.将所述不同样本和对应的用户行为特征输入机器学习模型后，采用最大似然估计算法进行拟合训练。
20.在一种实施方式中，所述根据所述拟合训练结果，输出模型文件，包括：
21.根据所述拟合训练结果，进行测试，在测试准确率符合测试阈值时，输出模型文件。
22.在一种实施方式中，所述生成所述目标用户的辅助促销数据之后，还包括：
23.将所述目标用户的辅助促销数据分配给符合预设条件的销售门店和/或销售人员。
24.在一种实施方式中，所述预设条件包括：
25.销售门店位于所述目标用户的出行区域的预设距离内；和/或，所述销售人员的评分位于评分排序前列。
26.本技术第二方面提供一种购车用户行为数据分析处理装置，包括：
27.获取模块，用于获取潜在购车用户的用户行为特征，其中所述用户行为特征包括所述潜在购车用户的汽车类应用工具的安装和/或登录数据、在所述汽车类应用工具中的操作数据；
28.预测模块，用于根据所述获取模块获取的潜在购车用户的用户行为特征和预设概率模型，输出所述潜在购车用户的购车概率；
29.确定模块，用于在所述预测模块输出的购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户；
30.生成模块，用于生成所述确定模块确定的目标用户的辅助促销数据。
31.在一种实施方式中，所述装置还包括：
32.构建模块，用于构建预设概率模型，所述预设概率模型按以下方式预先生成：获取第一设定时段内的预设用户的所述用户行为特征；从所述预设用户中选择设定数量的未购车用户，根据所述未购车用户在第二设定时段内的购车结果，将所述未购车用户分别标记为不同样本；将所述不同样本和对应的用户行为特征输入机器学习模型进行拟合训练；根据所述拟合训练结果，输出模型文件。
33.在一种实施方式中，所述装置还包括：
34.分配模块，用于将所述生成模块生成的目标用户的辅助促销数据分配给符合预设条件的销售门店和/或销售人员。
35.本技术第三方面提供一种电子设备，包括：
36.处理器；以及
37.存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
38.本技术第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
39.本技术提供的技术方案可以包括以下有益效果：
40.本技术提供的方法，通过潜在购车用户的用户行为特征和预设概率模型，得到潜在购车用户的购车概率，在购车概率高于预设阈值时，将对应的潜在购车用户确定为目标
用户，进而生成目标用户的辅助促销数据，其中所述用户行为特征包括所述潜在购车用户的汽车类应用工具的安装和/或登录数据、在所述汽车类应用工具中的操作数据。利用上述经过分析处理得到的辅助促销数据，就能够找出具有较强购车意愿的目标用户，为相关企业的销售服务工作提供辅助支持，便于销售人员主动为这些目标用户提供更好的销售建议或服务，用户也将能够获得更好的购车体验。
41.进一步的，本技术提供的方法，预设概率模型可以按以下方式预先生成：获取第一设定时段内的预设用户的所述用户行为特征；从预设用户中选择设定数量的未购车用户，根据未购车用户在第二设定时段内的购车结果，将未购车用户分别标记为不同样本；将不同样本和对应的用户行为特征输入机器学习模型进行拟合训练；根据拟合训练结果，输出模型文件。通过预设概率模型，可以比较快速及有效地对潜在购车用户的购车概率进行预测。
42.进一步的，本技术提供的方法，生成目标用户的辅助促销数据之后，还可以将目标用户的辅助促销数据分配给符合预设条件的销售门店和/或销售人员，从而更好的完成了对辅助促销数据的分配工作，保障后续销售服务工作开展的有效性。
43.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
44.通过结合附图对本技术示例性实施方式进行更详细的描述，本技术的上述以及其它目的、特征和优势将变得更加明显，其中，在本技术示例性实施方式中，相同的参考标号通常代表相同部件。
45.图1是本技术实施例示出的购车用户行为数据分析处理方法的流程示意图；
46.图2是本技术实施例示出的购车用户行为数据分析处理方法的另一流程示意图；
47.图3是本技术实施例示出的购车用户行为数据分析处理方法的另一流程示意图；
48.图4是本技术实施例示出的购车用户行为数据分析处理装置的结构示意图；
49.图5是本技术实施例示出的购车用户行为数据分析处理装置的另一结构示意图；
50.图6是本技术实施例示出的电子设备的结构示意图。
具体实施方式
51.下面将参照附图更详细地描述本技术的实施方式。虽然附图中显示了本技术的实施方式，然而应该理解，可以以各种形式实现本技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本技术更加透彻和完整，并且能够将本技术的范围完整地传达给本领域的技术人员。
52.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
53.应当理解，尽管在本技术可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，
在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
54.相关技术中，对于消费者在使用app的过程中所生产的大量用户行为数据，相关企业并没有进行有效的分析处理工作，从而导致相关企业无法利用大数据的分析结果，为销售服务工作提供辅助支持。针对上述问题，本技术实施例提供一种购车用户行为数据分析处理方法，能够利用用户行为数据分析处理结果，为相关产品例如车辆产品等销售服务工作提供辅助支持。
55.以下结合附图详细描述本技术实施例的技术方案。
56.图1是本技术实施例示出的购车用户行为数据分析处理方法的流程示意图。
57.参见图1，该方法包括：
58.步骤s101、获取潜在购车用户的用户行为特征，其中用户行为特征包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。
59.在该步骤中，潜在购车用户可以包括使用过汽车类应用工具例如相关汽车类app的用户，潜在购车用户的用户行为特征可以通过相关app的后台数据库被获取。其中用户行为特征可以包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。其中汽车类应用工具，可以包括汽车类app、汽车类小程序或汽车类应用网站、汽车厂商网站等。
60.步骤s102、根据潜在购车用户的用户行为特征和预设概率模型，输出潜在购车用户的购车概率。
61.在该步骤中，可以将潜在购车用户的用户行为特征输入预设概率模型中，运行预设概率模型，可以得到潜在购车用户的购车概率。
62.其中，预设概率模型可以按以下方式预先生成：获取第一设定时段内的预设用户的用户行为特征；从预设用户中选择设定数量的未购车用户，根据未购车用户在第二设定时段内的购车结果，将未购车用户分别标记为不同样本；将不同样本和对应的用户行为特征输入机器学习模型进行拟合训练；根据拟合训练结果，输出模型文件。
63.步骤s103、在购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户。
64.在该步骤中，可以将购车概率高于预设阈值的潜在购车用户确定为目标用户，预设阈值可以为预期百分率，例如60％、70％、80％等。该预设阈值可以根据需要进行调整。
65.步骤s104、生成目标用户的辅助促销数据。
66.在该步骤中，利用目标用户使用过的相关app的后台数据库，可以整理生成目标用户的辅助促销数据，辅助促销数据可以包括目标用户的个人信息，例如姓名或昵称、性别、联系方式(例如手机号码、邮箱地址、微信号等)，还可以包括目标用户的出行区域、关注的车辆产品类型和关注的车辆的销售内容等。
67.从该实施例可以看出，本技术实施例提供的方法，通过潜在购车用户的用户行为特征和预设概率模型，得到潜在购车用户的购车概率，在购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户，进而生成目标用户的辅助促销数据，其中用户行为特征包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作
数据。利用上述经过分析处理得到的辅助促销数据，就能够找出具有较强购车意愿的目标用户，为相关企业的销售服务工作提供辅助支持，便于销售人员主动为这些目标用户提供更好的销售服务，用户也将能够获得更好的购车体验。
68.图2是本技术实施例的购车用户行为数据分析处理方法的另一流程示意图。图2相对图1更详细描述了本技术的方案。
69.参见图2，该方法包括：
70.步骤s201、获取潜在购车用户的用户行为特征，其中用户行为特征包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。
71.在该步骤中，潜在购车用户可以包括使用过汽车类应用工具例如相关汽车类app的用户，潜在购车用户的用户行为特征可以通过相关app的后台数据库被获取。其中用户行为特征包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。其中在汽车类应用工具中的操作数据可以包括：用户在设定时间段内登录app来的天数，浏览过程中查看的车辆销售内容及对不同内容的点击次数等。
72.步骤s202、构建预设概率模型。
73.在一可选的实施方式中，步骤s202构建预设概率模型可以包括以下步骤：
74.11)获取第一设定时段内的预设用户的用户行为特征。
75.其中，第一设定时段包括已经过去的一个历史时间段，例如，近两三个月，近一两周，或者已经过去的其中几天等。进一步的，第一设定时段可以是连续的过去的一个历史时间段，也可以是间断的多个历史时间段的组合。预设用户可以包括已经购车的用户和未购车的用户。优选的，在本技术实施例中，预设用户包括在第一设定时段内的未购车的用户。
76.12)从预设用户中选择设定数量的未购车用户，根据未购车用户在第二设定时段内的购车结果，将未购车用户分别标记为不同样本。
77.其中，不同样本包括正样本与负样本。其中，以购车车辆产品为例，正样本包括在第二设定时段内已购车的用户，即购车结果为已购车的用户，负样本包括在第二设定时段内未购车的用户，即购车结果为未购车的用户。或，正样本包括在第二设定时段内未购车的用户，即购车结果为未购车的用户，负样本包括在第二设定时段内已购车的用户，即购车结果为已购车的用户。优选的，正样本包括在第二设定时段内已购车的用户，负样本包括在第二设定时段内未购车的用户。
78.优选的，设定数量的未购车用户可以为选择的20万的未购车用户。也就是说，可以从预设用户中选择20万的未购车用户，根据未购车用户在第二设定时段内的购车结果，将未购车用户分别标记为正样本与负样本需说明的是，设定数量为20万只是举例说明但不局限于此。
79.其中，第二设定时段包括过去的一个历史时间段，且第二设定时段为第一设定时段之后的时间段。例如，第二设定时段可以是第一设定时段之后的几个月、几周或者几天的时间段。优选的，第二设定时段可以为第一设定时段之后的三个月。
80.13)将不同样本和对应的用户行为特征输入机器学习模型进行拟合训练。
81.在该步骤中，可以将不同样本和对应的用户行为特征输入机器学习模型后，采用最大似然估计算法进行拟合训练。也就是说，可以将正样本与负样本及其对应的用户行为特征输入机器学习模型后，采用最大似然估计算法进行拟合训练。
82.在其中一个实施方式中，拟合训练的过程可以理解为最大似然估计过程。也就是说，确定一组符合要求的参数，以使得根据这组参数，数据的似然度(概率)最大。拟合训练过程包括对以下似然方程(或称模型)的求解过程，该似然方程可以表示为：
[0083][0084]
其中，似然方程中的x、y分别为用户行为特征的向量值和对应的样本的标注值，θ则是拟合训练所需求解的一组参数。d表示样本集，l(θ)是似然度，p(d|θ)是联合概率密度函数。
[0085]
其中，p(y|x；θ)为：
[0086][0087]
在求解上述机器学习模型的参数(即无约束优化问题)时，梯度下降(gradient descent)是最常采用的方法之一。
[0088]
在本技术实施例中，参数θ的求解过程可以采用梯度下降法。梯度下降又称最速梯度下降，是一种迭代求解的方法，其通过在每一步选取使目标函数变化最快的一个方向调整参数的值来逼近最优值。梯度下降法的基本步骤可以包括：
[0089]
1)选择下降方向(梯度方向，)；
[0090]
2)选择步长，更新参数
[0091]
通过重复以上两步，直到满足终止条件，从而完成对上述机器学习模型的参数θ的求解。
[0092]
14)根据拟合训练结果，输出模型文件。
[0093]
在该步骤中，根据拟合训练结果，也就是根据在步骤13)中对θ求解的最优结果，输出的模型文件可以包括已知θ最优解的似然方程。
[0094]
通过将样本的标注值代入上述似然方程的y中，并将该样本对应的用户行为特征的向量值代入上述似然方程的x中，从而可获得最大似然估计值l(θ)，进而可得到对应的购车概率值。
[0095]
进一步的，步骤14)根据拟合训练结果，输出模型文件还可以包括：根据拟合训练结果，进行测试，在测试准确率符合阈值时，再输出模型文件。其中，阈值可以是80％、85％或者90％等。例如，根据拟合训练结果，进行测试，在测试准确率高于80％时，输出模型文件。在该步骤中，可以将多份已知购车结果的样本，输入上述一个已知参数θ的似然方程中，进行准确率测试。当测试准确率未符合阈值时，可以通过不断调整参数θ，并重复进行拟合训练，以得到测试准确率符合阈值的模型文件。进一步的，当得到了测试准确率符合阈值的模型文件时，可以存储该模型文件。例如，将该模型文件存储到本地，或持久化存储到云服务器，以便于调取利用。
[0096]
步骤s203、根据潜在购车用户的用户行为特征和预设概率模型，输出潜在购车用户的购车概率。
[0097]
在该步骤中，可以将潜在购车用户的用户行为特征输入预设概率模型中，运行预设概率模型，可以得到潜在购车用户的购车概率。
[0098]
步骤s204、在购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户。
[0099]
在该步骤中，可以将购车概率高于预设阈值的潜在购车用户确定为目标用户，预设阈值可以为预期百分率，例如60％、70％、80％等。该预设阈值可以根据需要进行调整。
[0100]
步骤s205、生成目标用户的辅助促销数据。
[0101]
在该步骤中，利用目标用户使用过的相关app获取的后台数据库，可以整理生成目标用户的辅助促销数据，辅助促销数据可以包括目标用户的个人信息，例如姓名或昵称、性别、联系方式(例如手机号码、邮箱地址、微信号等)，还可以包括目标用户的出行区域、关注的车辆产品类型和关注的车辆的销售内容等。
[0102]
从该实施例可以看出，本技术实施例提供的方法，预设概率模型可以按以下方式预先生成：获取第一设定时段内的预设用户的用户行为特征；从预设用户中选择设定数量的未购车用户，根据未购车用户在第二设定时段内的购车结果，将未购车用户分别标记为不同样本；将不同样本和对应的用户行为特征输入机器学习模型进行拟合训练；根据拟合训练结果，输出模型文件。通过预设概率模型，可以比较快速及有效地对潜在购车用户的购车概率进行预测。利用预设概率模型得到的辅助促销数据，就能够找出具有较强购车意愿的目标用户，为相关企业的销售服务工作提供辅助支持。
[0103]
图3是本技术实施例的购车用户行为数据分析处理方法的另一流程示意图。图3相对图2更详细描述了本技术的方案。
[0104]
参见图3，该方法包括：
[0105]
步骤s301、获取潜在购车用户的用户行为特征，其中用户行为特征包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。
[0106]
在该步骤中，潜在购车用户可以包括使用过汽车类应用工具例如相关汽车类app的用户，潜在购车用户的用户行为特征可以通过相关app的后台数据库被获取。
[0107]
其中，用户行为特征可以通过app的预设埋点上报获得或通过相关app的后台数据库被获取。其中，埋点分析是网站和app等产品分析的最常用的数据采集方法。利用预设埋点的方式中，可以是预先设定好想要获取的目标数据，将“采集器”埋到相应的页面上，用于追踪和记录用户的行为，并将实时数据传送到后台数据库或者客户端。
[0108]
用户行为特征可以包括：用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。其中汽车类应用工具，可以包括汽车类app、汽车类小程序、汽车厂商公众号、汽车类应用网站、汽车厂商网站等。汽车类应用工具的安装数据可以包括是否安装汽车类应用工具，登录数据可以包括登录汽车类应用工具的天数或次数等。以app为例，安装数据可以包括是否安装汽车类app，登录数据可以包括用户在设定时间段内登录app的天数(例如，用户在近14天、30天或者90天内登录app的天数)或次数等。其中，在汽车类应用工具中的操作数据可以包括：浏览过程中查看的内容及对不同内容的点击次数、反馈内容及次数等。例如，其中浏览过程中查看的内容及对不同内容的点击次数、反馈内容及次数可以包括：点击车辆信息、客服、金融方案、预约试驾、充电地图、商城、车主权益、预约试驾等的次数，配置购车单次数，社区发帖、点赞、评论次数等。
[0109]
步骤s302、构建预设概率模型。
[0110]
该步骤可以参阅图2实施例中的描述，此处不再进行赘述。
[0111]
步骤s303、根据潜在购车用户的用户行为特征和预设概率模型，输出潜在购车用户的购车概率。
[0112]
在该步骤中，可以将潜在购车用户的用户行为特征输入预设概率模型中，运行预设概率模型，可以得到潜在购车用户的购车概率。
[0113]
步骤s304、在购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户。
[0114]
在该步骤中，可以将购车概率高于预设阈值的潜在购车用户确定为目标用户，预设阈值可以为预期百分率，例如60％、70％、80％等。该预设阈值可以根据需要进行调整。
[0115]
步骤s305、生成目标用户的辅助促销数据。
[0116]
在该步骤中，目标用户的辅助促销数据可以通过目标用户使用过的相关企业app获取。其中，辅助促销数据可以包括目标用户的个人信息、目标用户的出行区域、关注的车辆产品类型和关注的车辆的销售内容。
[0117]
其中，根据目标用户的注册信息可以提取目标用户的个人信息，包括姓名或昵称、性别、联系方式(例如手机号码、邮箱地址、微信号等)等信息。
[0118]
其中，根据目标用户的登录行为信息可以提取目标用户的出行区域，即利用用户在使用app时智能终端所定位到的区域位置可以提取目标用户的出行区域。进一步的，根据用户在使用app时智能终端所定位到在不同区域位置所对应的不同时长，可以得知用户经常出行的多个不同区域。也就是说，可以获知目标用户的出行时长位于前列的多个不同的出行区域。进一步的，为了便于识别不同的出行区域，可以将出行区域信息用预设位数的预设地理编码表示。例如，将出行区域信息用6位的geohash编码表示。geohash是一种地址编码方法，它能够把二维的空间经纬度数据编码成一个字符串。geohash的基本原理是将地球理解为一个二维平面，将平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码。
[0119]
其中，根据目标用户的点击行为信息，可以提取关注的车辆产品类型和关注的车辆的销售内容。这样，根据目标用户的点击行为信息，即可以获知目标用户点击次数到达设定次数的车系类型，以及车系类型所属的多个细分信息。例如，被目标用户点击的次数到达设定次数的车系类型可以是a车系类型，细分信息可以是a车系类型所属的车辆配置信息、金融方案、保修政策及电池性能信息。
[0120]
步骤s306、将目标用户的辅助促销数据分配给符合预设条件的销售门店和/或销售人员。
[0121]
在该步骤中，可以将目标用户的辅助促销数据分配给符合预设条件的销售门店，也可以将目标用户的辅助促销数据分配给符合预设条件的销售人员，还可以将目标用户的辅助促销数据分配给符合预设条件的销售门店及销售人员。
[0122]
进一步的，在其中一个实施例中，预设条件包括：销售门店位于目标用户的出行区域的预设距离内；和/或，销售人员的评分位于评分排序前列。
[0123]
也就是说，可以将目标用户的辅助促销数据分配给销售门店位于目标用户的出行区域的预设距离内；和/或，销售人员的评分位于评分排序前列的销售门店和/或销售人员。
[0124]
例如，可以将目标用户的辅助促销数据分配给位于目标用户的其中一出行区域中心10公里范围内的销售门店。
[0125]
又例如，可以根据销售人员利用辅助促销数据的历史成单率以及销售人员的用户满意度作为评分指标，将两个评分指标分别乘以不同的权重系数后再相加，以得到最终的评分。例如，评分＝历史线索成单率*50 客户满意度。进而，可以将目标用户的辅助促销数
据分配给评分位于评分排序前列(例如前50名)的销售人员，另外还可以提醒销售人员注意目标用户的关注点。
[0126]
从该实施例可以看出，本技术实施例提供的方法，在生成目标用户的辅助促销数据之后，还可以将目标用户的辅助促销数据分配给符合预设条件的销售门店和/或销售人员，从而更精准的完成了对辅助促销数据的分配工作，保障后续销售服务工作开展的有效性。
[0127]
与前述应用功能实现方法实施例相对应，本技术还提供了一种购车用户行为数据分析处理装置及相关设备。
[0128]
图4是本技术实施例示出的购车用户行为数据分析处理装置的结构示意图。
[0129]
参见图4，本技术实施例提供一种购车用户行为数据分析处理装置，包括：获取模块401、预测模块402、确定模块403、生成模块404。
[0130]
获取模块401，用于获取潜在购车用户的用户行为特征，其中用户行为特征包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。潜在购车用户可以包括使用过汽车类应用工具例如相关汽车类app的用户，潜在购车用户的用户行为特征可以通过相关app的后台数据库被获取。其中汽车类应用工具，可以包括汽车类app、汽车类小程序、汽车厂商公众号、汽车类应用网站、汽车厂商网站等。汽车类应用工具的安装数据可以包括是否安装汽车类应用工具，登录数据可以包括登录汽车类应用工具的天数或次数等。
[0131]
预测模块402，用于根据获取模块401获取的潜在购车用户的用户行为特征和预设概率模型，输出潜在购车用户的购车概率。预测模块402可以将潜在购车用户的用户行为特征输入预设概率模型中，运行预设概率模型，可以得到潜在购车用户的购车概率。
[0132]
确定模块403，用于在预测模块402输出的购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户。确定模块403可以将购车概率高于预设阈值的潜在购车用户确定为目标用户，预设阈值可以为预期百分率，例如60％、70％、80％等。该预设阈值可以根据需要进行调整。
[0133]
生成模块404，用于生成确定模块403确定的目标用户的辅助促销数据。生成模块404可以利用目标用户使用过的相关app的后台数据库，可以整理生成目标用户的辅助促销数据，辅助促销数据可以包括目标用户的个人信息，例如姓名或昵称、性别、联系方式(例如手机号码、邮箱地址、微信号等)，还可以包括目标用户的出行区域、关注的车辆产品类型和关注的车辆的销售内容等。
[0134]
从该实施例可以看出，本技术实施例提供的购车用户行为数据分析处理装置，通过潜在购车用户的用户行为特征和预设概率模型，得到潜在购车用户的购车概率，在购车概率高于预设阈值时，将对应的潜在购车用户确定为目标用户，进而生成目标用户的辅助促销数据，其中用户行为特征包括潜在购车用户的汽车类应用工具的安装和/或登录数据、在汽车类应用工具中的操作数据。利用上述经过分析处理得到的辅助促销数据，就能够找出具有较强购车意愿的目标用户，为相关企业的销售服务工作提供辅助支持，便于销售人员主动为这些目标用户提供更好的销售服务，用户也将能够获得更好的购车体验。
[0135]
请参见图5，是本技术实施例示出的购车用户行为数据分析处理装置的另一结构示意图。
[0136]
进一步的，图5所示的装置还可以包括：获取模块401、预测模块402、确定模块403、生成模块404、构建模块405、分配模块406。
[0137]
其中，获取模块401、预测模块402、确定模块403、生成模块404的功能可以参见图4中的描述，此处不再赘述。
[0138]
构建模块405，用于构建预设概率模型。构建模块405构建预设概率模型的方式可以包括：获取第一设定时段内的预设用户的用户行为特征；从预设用户中选择设定数量的未购车用户，根据未购车用户在第二设定时段内的购车结果，将未购车用户分别标记为不同样本；将不同样本和对应的用户行为特征输入机器学习模型进行拟合训练；根据拟合训练结果，输出模型文件。
[0139]
分配模块406，用于将生成模块404生成目标用户的辅助促销数据分配给符合预设条件的销售门店和/或销售人员。
[0140]
利用本技术实施例提供的购车用户行为数据分析处理装置，能够为相关企业的销售服务工作提供辅助支持，便于销售人员为用户提供更好的销售服务，用户也将能够获得更好的购车体验。
[0141]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
[0142]
图6是本技术实施例示出的电子设备的结构示意图。
[0143]
参见图6，电子设备600包括存储器610和处理器620。
[0144]
处理器620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)、现场可编程门阵列(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。
[0145]
存储器610可以包括各种类型的存储单元，例如系统内存、只读存储器(rom)，和永久存储装置。其中，rom可以存储处理器620或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器610可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(dram，sram，sdram，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器610可以包括可读和/或写的可移除的存储设备，例如激光唱片(cd)、只读数字多功能光盘(例如dvd
‑
rom，双层dvd
‑
rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、min sd卡、micro
‑
sd卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
[0146]
存储器610上存储有可执行代码，当可执行代码被处理器620处理时，可以使处理器620执行上文述及的方法中的部分或全部。
[0147]
此外，根据本技术的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本技术的上述方法中部分或全部步骤的计算机程序代码指令。
[0148]
或者，本技术还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时，使处理器执行根据本技术的上述方法的各个步骤的部分或全部。
[0149]
以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。