银行智能营销方法、装置、计算机设备及存储介质与流程

1.本发明涉及计算机，更具体地说是指银行智能营销方法、装置、计算机设备及存储介质。


背景技术：

2.银行系统为了提高业绩，进行了大量的推广营销场景如推广车主卡、信用卡开卡等，并为参与活动的用户进行优惠票券或现金返还等权益政策，一方面，这类营销推广活动对于部分用户来说是形成了打扰，导致客诉；另一方面，由营销活动的权益政策引来少数不法分子进行非法套利行为。但是现有技术并不能进行有效的身份资格认证，也无法根据用户特性实现精准营销推广。
3.因此，有必要设计一种新的方法，实现可进行有效的身份资格认证，根据用户特性实现精准营销推广。


技术实现要素：

4.本发明的目的在于克服现有技术的缺陷，提供银行智能营销方法、装置、计算机设备及存储介质。
5.为实现上述目的，本发明采用以下技术方案：银行智能营销方法，包括：
6.获取营销活动场景的用户数据；
7.根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户；
8.若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述获取营销活动场景的用户数据；
9.若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果；
10.对所述用户营销结果进行核销资格处理。
11.其进一步技术方案为：所述用户数据是通过sdk进行脱敏和加密处理，并进行数值特征化后形成的数据。
12.其进一步技术方案为：所述根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户，包括：
13.根据所述用户数据以及所述营销活动场景采用硬性身份资格规则进行用户身份认证检查，以得到检查结果；
14.判断所述检查结果是否是符合硬性身份资格规则的结果；
15.若所述检查结果不是符合硬性身份资格规则的结果，则确定参与营销活动场景的用户不是正常用户；
16.若所述检查结果是符合硬性身份资格规则的结果，则根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；
17.判断所述判定结果是否是反套利身份；
18.若所述判定结果不是反套利身份，则确定参与营销活动场景的用户是正常用户；
19.若所述判定结果是反套利身份，则执行所述确定参与营销活动场景的用户不是正常用户。
20.其进一步技术方案为：所述根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果，包括；
21.采用分类模型根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；
22.其中，所述分类模型是通过对历史营销数据中的套利行为进行数据标注以作为样本集训练决策树模型所得的，或者，所述分类模型是基于k紧邻相似比较算法生成的模型。
23.其进一步技术方案为：所述规划最佳营销路径，并发送至终端，以获取终端的用户营销结果，包括：
24.对所述营销活动场景进行web页面组件化，并对每个营销页面进行编号，且对逻辑组件进行id化表示；
25.采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率；
26.根据所述营销转化率确定最佳营销路径，并发送至终端，以获取终端的用户营销结果。
27.其进一步技术方案为：所述营销转化率预测模型是通过拉取所述营销活动场景的历史营销用户行为数据，并采用机器学习模型或深度学习模型对所述历史营销用户行为数据进行模型迭代训练所得的。
28.其进一步技术方案为：所述采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率，包括：
29.根据所述用户数据以及所述营销活动场景生成潜在全部的营销路径信息；
30.采用营销转化率预测模型确定潜在全部的营销路径信息对应的营销转化率。
31.本发明还提供了银行智能营销装置，包括：
32.数据获取单元，用于获取营销活动场景的用户数据；
33.资格检查单元，用于根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户；
34.过滤单元，用于若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述获取营销活动场景的用户数据；
35.路径确定单元，用于若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果；
36.核销单元，用于对所述用户营销结果进行核销资格处理。
37.本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
38.本发明还提供了一种存储介质，所述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可实现上述的方法。
39.本发明与现有技术相比的有益效果是：本发明通过获取营销活动场景的用户数
据，对用户进行资格身份认证检查，在确保用户是正常用户的情况下，分析用户参与营销的最终转化概率，规划最佳营销路径，实现可进行有效的身份资格认证，结合用户数据和营销活动场景确定的最佳营销路径，以实现根据用户特性实施精准营销推广。
40.下面结合附图和具体实施例对本发明作进一步描述。
附图说明
41.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
42.图1为本发明实施例提供的银行智能营销方法的应用场景示意图；
43.图2为本发明实施例提供的银行智能营销方法的流程示意图；
44.图3为本发明实施例提供的银行智能营销方法的子流程示意图；
45.图4为本发明实施例提供的银行智能营销方法的子流程示意图；
46.图5为本发明实施例提供的银行智能营销方法的子流程示意图；
47.图6为本发明实施例提供的银行智能营销装置的示意性框图；
48.图7为本发明实施例提供的银行智能营销装置的资格检查单元的示意性框图；
49.图8为本发明实施例提供的银行智能营销装置的路径确定单元的示意性框图；
50.图9为本发明实施例提供的银行智能营销装置的预测子单元的示意性框图；
51.图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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。
54.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
55.还应当进一步理解，在本发明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。
56.请参阅图1和图2，图1为本发明实施例提供的银行智能营销方法的应用场景示意图。图2为本发明实施例提供的银行智能营销方法的示意性流程图。该银行智能营销方法应用于服务器中。该服务器与终端进行数据交互，服务器结合营销活动场景的人群限定规则、分析历史营销场景转数据，及用户画像与行为特征信息等共同分析用户是否为正常用户以排除非法套利用户，并预测分析用户参与营销的最终转化概率，规划最佳营销路径，以提高最终营销推广效果。
57.图2是本发明实施例提供的银行智能营销方法的流程示意图。如图2所示，该方法包括以下步骤s110至s150。
58.s110、获取营销活动场景的用户数据。
59.在本实施例中，所述用户数据是通过sdk进行脱敏和加密处理，并进行数值特征化后形成的数据。
60.在银行系统中，营销平台由于需在互联网对银行用户进行营销推广，其一般部署在银行公有云系统中；而银行系统中的用户数据是重要的隐私敏感数据，用户数据一般存放于银行私有云系统中，这两者采用防火墙进行安全隔离。而银行系统中，一个营销场景例如：信用卡刷卡消费促活活动大致流程如下：营销平台根据营销活动场景向银行拉取该场景潜在全量用户数据，具体包括手机号码、卡户机构号、信用卡额度、消费记录、开卡时间、信用卡逾期情况、用户年龄、用户性别、用户教育背景、工作单位等数据字段，然后银行数管系统在获取到请求信息时候，采用sdk(软件开发工具包，software development kit)加密脱敏模块进行数据脱敏与加密处理，并传递给营销平台。而对于一个互联网用户，在登录web推广页面之前则进行用户参与资格验证，在过滤掉不满足身份自核验证的非法用户之后再根据历史行情营销数据构建模型对每个用户进行营销转化概率预测，在用户参加完毕营销活动之后对于完成营销活动的用户进行完成资格判断，对满足条件的用户进行权益发放。从上述可知，对于用户身份资格认证的数据包括如下两大类数据，活动参与资格用户数据与活动完成核销用户数据。也就是用户数据包括活动参与资格用户数据与活动完成核销用户数据，因此整个系统包含这两类数据的数据准备和传输。
61.在用户参与活动之前，为了避免一些非法套利行为或用户进行营销客诉问题，需要获相关用户数据并结合营营销活动规则进行判别。场景营销活动需要获取用户手机号码、卡户机构号、信用卡额度、消费记录、开卡时间等敏感性数据，因此在数据传递中最重要的就是对用户画像数据准备最重要的就是数据脱敏编码。为了使得在不同银行间的预测训练模型能够相互通用，由b端营销平台提供统一的用户信息sdk转换工具提供到行方私有云，其将原始用户信息依据用户字段及范围进行脱敏转换，最终完成用户画像数据的数值特征化，例如转换数据如表1所示。
62.表1.用户画像数据进行数值特征化后的数据
[0063][0064]
在对用户进行营之后，需根据用户参与活动完成情况进行数据核销。由于银行系统很多营销活动是线下流程，例如信用卡拉新一般会长达1个月的审批、制卡、邮寄、激活等流程，因此，一般需要营销场景中设置这类核销参数信息，具体包括用户参与完成活动多久后可以开始进行资格核销验证，以及资格核销验证最长不超过多久。并且，用户核销规则也依据场景不同而设置不同的规则，包括用户完成活动信息字段、以及判定逻辑规则，与上述的活动参与资格数据类似，也需要从银行系统中脱敏加密获取该类数据。
[0065]
除了上述用户参与资格数据和用户完成核销数据，还有用户场景的具体活动记录数据例如浏览了哪些web页面、页面停留时长等，而这类历史活动详细数据存放于金融营销平台之中。对于这三类数据按照用户手机号码md5信息对同一用户进行数据对齐，结合用户参与资格数据、用户完成数据，并按整个活动过程时间前后顺序进行排列，从而得到全体完成数据记录，具体为什么样的用户在什么时候参与活动，页面停留了多少时间，而之后又完成了营销推广任务，以及营销推广任务的具体完成情况。
[0066]
s120、根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户。
[0067]
在银行进行金融营销推广时，需要根据营销活动场景及用户特征信息对用户进行资格身份认证检查。由于营销场景一般会对营销推广的地域、用户开户时间、用户资金规模或一些特殊画像字段特征进行判别如车主卡就需要对有车用户进行推广，也就是对于用户信息和场景规则进行我们需要进行建模匹配，将其看成一个二分类问题。
[0068]
在一实施例中，请参阅图3，上述的步骤s120可包括步骤s121～s126。
[0069]
s121、根据所述用户数据以及所述营销活动场景采用硬性身份资格规则进行用户身份认证检查，以得到检查结果。
[0070]
在本实施例中，上述的检查结果是指采用硬性身份资格规则进行用户身份认证检查所得到的结果。
[0071]
具体地，营销活动是有一些硬性用户特征规则的，例如地域、年龄、购房、购车等数据标签信息。对于这类硬性规则，一般可以从用户画像字段中进行获取相应字段进行直接匹配对比；有时也需要通过用户历史消费行为数据进行分析抽取，例如从最近半年的消费记录中分析消费备注信息，例如对于购车用户识别的判别，从消费备注字段中抽取确定是否含有“加油费”、“停车费”或者消费商家场所进行分析是否包含“加油站”、“停车场”等字段信息，以及这类信息的频次频率情况，并通过前面sdk脱敏工具将相应字段标志从银行数仓中传递出来，用于规则判定。又如地域规则字段，可以从用户住址或者目前访问ip地址信息进行省份、城市等字段信息的抽取，继而用于条件匹配。
[0072]
s122、判断所述检查结果是否是符合硬性身份资格规则的结果；
[0073]
s123、若所述检查结果不是符合硬性身份资格规则的结果，则确定参与营销活动场景的用户不是正常用户；
[0074]
s124、若所述检查结果是符合硬性身份资格规则的结果，则根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果。
[0075]
在本实施例中，所述判定结果是指进行反套利身份资格判定的结果。
[0076]
对于参与活动的硬性规则判定，对于不满足条件用户，则认为身份资格认证失败，而直接过滤。而对于可能还存在剩余满足硬性规则的用户，还需要进行反套利行为身份资格判定过滤，将可能存在的套利作弊行为进行探测。
[0077]
具体地，采用分类模型根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；
[0078]
其中，所述分类模型是通过对历史营销数据中的套利行为进行数据标注以作为样本集训练决策树模型所得的，或者，所述分类模型是基于k紧邻相似比较算法生成的模型。
[0079]
s125、判断所述判定结果是否是反套利身份；
[0080]
s126、若所述判定结果不是反套利身份，则确定参与营销活动场景的用户是正常用户；
[0081]
若所述判定结果是反套利身份，则执行所述步骤s123。
[0082]
进行套利行为探测分析主要利用如下行为数据：用户历史活动数据，包括参加次数、活动时长、权益发放次数及金额等信息；当前用户ip段参与营销活动情况，包括该网段营销活动次数、平均访问频率等；当前用户开卡信息，包括开户时间、开户银行卡数、银行资金数额等信息。
[0083]
通过对历史营销数据中的套利行为进行数据标注，然后采用训练决策树模型或直接采用k紧邻相似比较算法，确定当前用户是否属于营销套利行为，对高概率的销套利用户则进行过滤，身份资格判定失败。经过处理就能够对银行营销活动用户参与资格身份判定，只有认证成功的用户才进行正式营销。
[0084]
s130、若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述步骤s110；
[0085]
s140、若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果。
[0086]
在本实施例中，最佳营销路径是指最终营销转化率最高的营销路径。
[0087]
当对用户进行了营销场景资格身份认定之后，需要对用户进行具体营销。由于每个用户特性信息差异很大，营销策略需要根据用户性别、教育背景、职业等习惯继进行自由路径规划，对于web页面的个性化营销规划，一般将营销过程中的每个web页面规划设计出可以替代的多种风格组件，而当一个用户进入页面则根据历史营销行为数据进行自动规划，实现可进行有效的身份资格认证，根据用户特性实现精准营销推广。
[0088]
在一实施例中，请参阅图4，上述的步骤s140可包括步骤s141～s143。
[0089]
s141、对所述营销活动场景进行web页面组件化，并对每个营销页面进行编号，且对逻辑组件进行id化表示。
[0090]
具体地，对营销场景进行web页面实现页面组件化，并对每个营销页面进行编号以及对逻辑组件进行id化表示，实现web页面自动路径生成。对一个营销场景进行硬性时序逻辑设计，即这些营销场景必须包含的前后时序逻辑步骤的几个web页面，这是营销场景的硬性规划，并对可以进行时序调整或可选穿插页面步骤进行标志。
[0091]
s142、采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率。
[0092]
在本实施例中，营销转化率是指最终营销转化为成果的占比。
[0093]
具体地，所述营销转化率预测模型是通过拉取所述营销活动场景的历史营销用户行为数据，并采用机器学习模型或深度学习模型对所述历史营销用户行为数据进行模型迭代训练所得的。
[0094]
在本实施例中，拉取该场景的历史营销用户行为数据，数据内容包括用户个性化特征、当前用户每个页面点击行为数据、停留时长、以及最终营销完成数据等，然后并对这些数据进行word2vec向量化表示。将最终完成数据作为整个营销活动的最终目标，也是模型建立的目标，然后训练模型；可以采用传统的机器学习模型如gbdt(梯度提升决策树，gradient boosting decision tree)或深度学习模型如textcnn对上述向量化的历史营销用户行为数据进行模型迭代训练，该模型能够根据对某个用户特征采取一定web营销路径，web营销路径含有该路径上的点击、驻留行为等，得到最终营销转化率。将该模型记为f(x)，其中x就是用户特征与行销路径行为特征，f(x)是最终转化概率，即营销转化率。
[0095]
在一实施例中，请参阅图5，上述的步骤s142可包括步骤s1421～s1422。
[0096]
s1421、根据所述用户数据以及所述营销活动场景生成潜在全部的营销路径信息；
[0097]
s1422、采用营销转化率预测模型确定潜在全部的营销路径信息对应的营销转化率。
[0098]
对于一个新用户，只能获取得到该用户特征信息，因此，需要根据营销场景路径规划配置，生成潜在全部的营销路径信息，记录为路径集合paths，每个路径包含了多个web页面信息。然后，从根据营销转化率预测模型从当前路径中选择最终转化概率最大的某条行销路径path进行营销，该path包含第一个web页面参数、第二个web页面参数信息等。
[0099]
由于只是提前先验根据用户特征信息生成web路径，但是实际用户的点击行为和停留行为是需要在完成一个个具体页面之后才获取得到的，提前产生的路径可能会在获取得到更多点击行为后发生改变。因此，在用户每完成第一个web页面后，需要根据已经完成的web页面及点击行为数据信，以及用户特征信息，再次按照营销转化率预测模型规划产生
出后继最佳路径，从而达到最终优化目标，重复上述两个步骤直到需要再度让用户营销引导的web页面是最后结束页面为止。
[0100]
s143、根据所述营销转化率确定最佳营销路径，并发送至终端，以获取终端的用户营销结果。
[0101]
在本实施例中，筛选出营销转化率最大的营销路径，以作为最佳营销路径发送至终端，以获取终端的用户营销结果。
[0102]
s150、对所述用户营销结果进行核销资格处理。
[0103]
在完成了用户营销之后，需要对用户营销结果进行完成核销判定，用户完成资格判定一般采用硬性规则进行，例如信用卡完成激活或消费笔数达到限额，或者最近n个月日均存款额度达到若干万以上；这些完成核销判定直接采用逻辑表达式进行；对于营销达标用户，则进行权益发放操作，例如进行现金返还或优惠券配送。
[0104]
上述的银行智能营销方法，通过获取营销活动场景的用户数据，对用户进行资格身份认证检查，在确保用户是正常用户的情况下，分析用户参与营销的最终转化概率，规划最佳营销路径，实现可进行有效的身份资格认证，结合用户数据和营销活动场景确定的最佳营销路径，以实现根据用户特性实施精准营销推广。
[0105]
图6是本发明实施例提供的一种银行智能营销装置300的示意性框图。如图6所示，对应于以上银行智能营销方法，本发明还提供一种银行智能营销装置300。该银行智能营销装置300包括用于执行上述银行智能营销方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该银行智能营销装置300包括数据获取单元301、资格检查单元302、过滤单元303、路径确定单元304以及核销单元305。
[0106]
数据获取单元301，用于获取营销活动场景的用户数据；资格检查单元302，用于根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户；过滤单元303，用于若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述获取营销活动场景的用户数据；路径确定单元304，用于若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果；核销单元305，用于对所述用户营销结果进行核销资格处理。
[0107]
在一实施例中，如图7所示，所述资格检查单元302包括检查子单元3021、检查结果判断子单元3022、第一确定子单元3023、判定子单元3024、判定结果判断子单元3025以及第二确定子单元3026。
[0108]
检查子单元3021，用于根据所述用户数据以及所述营销活动场景采用硬性身份资格规则进行用户身份认证检查，以得到检查结果；检查结果判断子单元3022，用于判断所述检查结果是否是符合硬性身份资格规则的结果；第一确定子单元3023，用于若所述检查结果不是符合硬性身份资格规则的结果，则确定参与营销活动场景的用户不是正常用户；判定子单元3024，用于若所述检查结果是符合硬性身份资格规则的结果，则根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；判定结果判断子单元3025，用于判断所述判定结果是否是反套利身份；若所述判定结果是反套利身份，则执行所述确定参与营销活动场景的用户不是正常用户。第二确定子单元3026，用于若所述判定结果不是反套利身份，则确定参与营销活动场景的用户是正常用户。
[0109]
在一实施例中，所述判定子单元3024，用于采用分类模型根据所述用户数据以及
所述营销活动场景进行反套利身份资格判定，以得到判定结果；
[0110]
其中，所述分类模型是通过对历史营销数据中的套利行为进行数据标注以作为样本集训练决策树模型所得的，或者，所述分类模型是基于k紧邻相似比较算法生成的模型。
[0111]
在一实施例中，如图8所示，所述路径确定单元304包括组件化子单元3041、预测子单元3042以及最佳路径确定子单元3043。
[0112]
组件化子单元3041，用于对所述营销活动场景进行web页面组件化，并对每个营销页面进行编号，且对逻辑组件进行id化表示；预测子单元3042，用于采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率；最佳路径确定子单元3043，用于根据所述营销转化率确定最佳营销路径，并发送至终端，以获取终端的用户营销结果。
[0113]
在一实施例中，如图9所示，所述预测子单元3042包括信息生成模块30421以及转化率确定模块30422。
[0114]
信息生成模块30421，用于根据所述用户数据以及所述营销活动场景生成潜在全部的营销路径信息；转化率确定模块30422，用于采用营销转化率预测模型确定潜在全部的营销路径信息对应的营销转化率。
[0115]
需要说明的是，所属领域的技术人员可以清楚地了解到，上述银行智能营销装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
[0116]
上述银行智能营销装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
[0117]
请参阅图10，图10是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
[0118]
参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
[0119]
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种银行智能营销方法。
[0120]
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
[0121]
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种银行智能营销方法。
[0122]
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0123]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
[0124]
获取营销活动场景的用户数据；根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户；若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述获取营销活动场景的
用户数据；若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果；对所述用户营销结果进行核销资格处理。
[0125]
其中，所述用户数据是通过sdk进行脱敏和加密处理，并进行数值特征化后形成的数据。
[0126]
在一实施例中，处理器502在实现所述根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户步骤时，具体实现如下步骤：
[0127]
根据所述用户数据以及所述营销活动场景采用硬性身份资格规则进行用户身份认证检查，以得到检查结果；判断所述检查结果是否是符合硬性身份资格规则的结果；若所述检查结果不是符合硬性身份资格规则的结果，则确定参与营销活动场景的用户不是正常用户；若所述检查结果是符合硬性身份资格规则的结果，则根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；判断所述判定结果是否是反套利身份；若所述判定结果不是反套利身份，则确定参与营销活动场景的用户是正常用户；若所述判定结果是反套利身份，则执行所述确定参与营销活动场景的用户不是正常用户。
[0128]
在一实施例中，处理器502在实现所述根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果步骤时，具体实现如下步骤：
[0129]
采用分类模型根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；其中，所述分类模型是通过对历史营销数据中的套利行为进行数据标注以作为样本集训练决策树模型所得的，或者，所述分类模型是基于k紧邻相似比较算法生成的模型。
[0130]
在一实施例中，处理器502在实现所述规划最佳营销路径，并发送至终端，以获取终端的用户营销结果步骤时，具体实现如下步骤：
[0131]
对所述营销活动场景进行web页面组件化，并对每个营销页面进行编号，且对逻辑组件进行id化表示；采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率；根据所述营销转化率确定最佳营销路径，并发送至终端，以获取终端的用户营销结果。
[0132]
其中，所述营销转化率预测模型是通过拉取所述营销活动场景的历史营销用户行为数据，并采用机器学习模型或深度学习模型对所述历史营销用户行为数据进行模型迭代训练所得的。
[0133]
在一实施例中，处理器502在实现所述采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率步骤时，具体实现如下步骤：
[0134]
根据所述用户数据以及所述营销活动场景生成潜在全部的营销路径信息；采用营销转化率预测模型确定潜在全部的营销路径信息对应的营销转化率。
[0135]
应当理解，在本技术实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502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。其中，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。
[0136]
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
[0137]
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
[0138]
获取营销活动场景的用户数据；根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户；若参与营销活动场景的用户不是正常用户，则过滤所述用户对应的用户数据，并执行所述获取营销活动场景的用户数据；若参与营销活动场景的用户是正常用户，则规划最佳营销路径，并发送至终端，以获取终端的用户营销结果；对所述用户营销结果进行核销资格处理。
[0139]
其中，所述用户数据是通过sdk进行脱敏和加密处理，并进行数值特征化后形成的数据。
[0140]
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述用户数据以及所述营销活动场景进行资格身份认证检查，以判断参与营销活动场景的用户是否是正常用户步骤时，具体实现如下步骤：
[0141]
根据所述用户数据以及所述营销活动场景采用硬性身份资格规则进行用户身份认证检查，以得到检查结果；判断所述检查结果是否是符合硬性身份资格规则的结果；若所述检查结果不是符合硬性身份资格规则的结果，则确定参与营销活动场景的用户不是正常用户；若所述检查结果是符合硬性身份资格规则的结果，则根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；判断所述判定结果是否是反套利身份；若所述判定结果不是反套利身份，则确定参与营销活动场景的用户是正常用户；若所述判定结果是反套利身份，则执行所述确定参与营销活动场景的用户不是正常用户。
[0142]
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果步骤时，具体实现如下步骤：
[0143]
采用分类模型根据所述用户数据以及所述营销活动场景进行反套利身份资格判定，以得到判定结果；其中，所述分类模型是通过对历史营销数据中的套利行为进行数据标注以作为样本集训练决策树模型所得的，或者，所述分类模型是基于k紧邻相似比较算法生成的模型。
[0144]
在一实施例中，所述处理器在执行所述计算机程序而实现所述规划最佳营销路径，并发送至终端，以获取终端的用户营销结果步骤时，具体实现如下步骤：
[0145]
对所述营销活动场景进行web页面组件化，并对每个营销页面进行编号，且对逻辑组件进行id化表示；采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率；根据所述营销转化率确定最佳营销路径，并发送至终端，以获取终端的用户营销结果。
[0146]
其中，所述营销转化率预测模型是通过拉取所述营销活动场景的历史营销用户行为数据，并采用机器学习模型或深度学习模型对所述历史营销用户行为数据进行模型迭代训练所得的。
[0147]
在一实施例中，所述处理器在执行所述计算机程序而实现所述采用营销转化率预测模型对所述用户数据进行最终营销转化率的预测，以得到营销转化率步骤时，具体实现如下步骤：
[0148]
根据所述用户数据以及所述营销活动场景生成潜在全部的营销路径信息；采用营销转化率预测模型确定潜在全部的营销路径信息对应的营销转化率。
[0149]
所述存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
[0150]
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
[0151]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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系统，或一些特征可以忽略，或不执行。
[0152]
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元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，也可以是两个或两个以上单元集成在一个单元中。
[0153]
该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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0154]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。