一种用户下单概率的预测方法及计算机设备与流程

1.本发明属于物流领域，尤其涉及一种用户下单概率的预测方法、计算机可读存储介质及计算机设备。


背景技术：

2.目前货拉拉向用户端发放以离线卷和活动卷为主，通过对用户的历史下单行为进行维度拆解，对不同标签分组内的用户进行千人以劵的补贴派发，来提高用户活跃性和留存率，实现用户在现有补贴预算下的最优补贴目标。
3.离线卷/活动劵的派发方式为根据前一天的策略迭代及劵包设计，每天固定时间进行优惠劵派发，使得离线劵/活动劵的补贴目的只能局限在用户促销活动和用户召回；这类补贴并不能有针对性的覆盖到线上活跃用户。
4.由于当前的派劵方式采用人工标签化用户，后根据分组进行劵包分配，导致无法在制定派劵策略的时候获取到估价的实时信息；对于一些在估价场景可能导致用户摇摆的信息无法准确抓取。同时当前的派劵采用千人一劵的方式，无法根据用户的真实需求进行精细化补贴，补贴/收益很难达到最优的状态。


技术实现要素：

5.本发明的目的在于提供一种用户下单概率的预测方法、计算机可读存储介质及计算机设备，旨在解决无法根据用户的真实需求进行精细化补贴，补贴很难达到最优的状态的问题。
6.第一方面，本发明提供了一种用户下单概率预测方法，包括：
7.根据估价起终点变更以及间隔时间，将用户下单前的多次估价进行分组，每组为一个独立需求；
8.根据实时行为标签、用户画像、估价地域信息和估价对应的下单标签，进行用户行为分析，通过不同下单概率用户的行为差距，挖掘出影响用户下单的实时特征和离线特征；
9.根据实时特征和离线特征得到二分类模型，选取所有独立需求中的第一次估价作为训练样本，进行估价到下单二分类模型训练，得到预测下单概率；
10.根据预测下单概率，结合用户实际下单标签，用保序回归算法进行结果校准并验证校准后的预测下单概率准确性。
11.进一步地，所述预测方法之前还包括：
12.根据用户线上行为的触发时间，对用户的估价和下单进行多维度的排序，同时对用户估价打上顺序和时间间隔标签；
13.根据用户线上估价的订单信息，对用户的估价和下单按照时间顺序，进行信息变更统计，同时对用户估价打上信息变更标签。
14.进一步地，所述根据实时特征和离线特征得到二分类模型之前还包括：
15.将实时特征和离线特征中的字符型特征进行编码；
16.对实时特征和离线特征进行交叉处理，根据对比交叉前后的特征与标签的相关性，进行相应是否交叉的处理；
17.对于类型较多的编码后的字符型特征或枚举型特征进行特征分桶。
18.进一步地，所述独立需求在线上派发实时补贴时补贴相同，所有估价代表的用户需求均一致，用户下单概率的预测也保持一致。
19.进一步地，所述根据预测下单概率，结合用户实际下单标签，用保序回归算法进行结果校准并验证校准后的预测下单概率准确性具体为：
20.根据真实的下单情况，对预测下单概率进行准确性评估；根据预测结果进行用户分桶，计算桶内的用户真实下单概率，与桶内的预测结果均值进行对比，评估预测准确性；
21.对预测下单概率进行等频分桶，结合桶内的真实下单概率及预测下单概率均值进行保序回归，得到一个递归序列，生成预测值的校准表，对用户下单概率的预测值进行校准。
22.第二方面，本发明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，其特征在于，所述计算机程序被处理器执行时实现如第一方面所述的用户下单概率的预测方法的步骤。
23.第三方面，本发明提供了一种计算机设备，包括：一个或多个处理器、存储器以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的用户下单概率的预测方法的步骤。
24.在本发明中，基于估价场景的用户下单预测更具有实时性，能够更加准确的抓住有需求的用户，增加线上用户的转化率；对同一组独立需求只预测第一次估价的下单概率，并根据这一下单概率进行补贴分配，可以保证用户拥有良好的产品使用体验，真正做到根据用户需求和意愿进行精细化补贴，在一定时间内需求不变的情况下，获得相同的补贴，避免心里落差；结合保序回归对于用户的预测下单概率进行校准能够使得预测结果更加接近真实值，对于提高预测补贴预算的准确性有很好的效果，更方便进行预算控制。
附图说明
25.图1是本发明一实施例提供的用户下单概率的预测方法的流程图。
26.图2是本发明一实施例提供的计算机设备的具体结构框图。
具体实施方式
27.为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
28.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
29.请参阅图1，本发明一实施例提供的用户下单概率的预测方法包括以下步骤：需注意的是，若有实质上相同的结果，本发明的用户下单概率的预测方法并不以图1所示的流程顺序为限。
30.s101、根据估价起终点变更以及间隔时间，将用户下单前的多次估价进行分组，每组为一个独立需求；
31.s102、根据实时行为标签、用户画像、估价地域信息和估价对应的下单标签，进行用户行为分析，通过不同下单概率用户的行为差距，挖掘出影响用户下单的实时特征和离线特征；
32.s103、根据实时特征和离线特征得到二分类模型，选取所有独立需求中的第一次估价作为训练样本，进行估价到下单二分类模型训练，得到预测下单概率；
33.s104、根据预测下单概率，结合用户实际下单标签，用保序回归算法进行结果校准并验证校准后的预测下单概率准确性。
34.在本发明一实施例中，所述行为标签为根据估价行为的下单事件编号以及独立需求编号，对估价间时间间隔、估价上一次下单的订单状态以及估价间信息变更进行标注。
35.在本发明一实施例中，所述预测方法之前还包括：
36.根据用户线上行为的触发时间，对用户的估价和下单进行多维度的排序，同时对用户估价打上顺序和时间间隔标签；
37.根据用户线上估价的订单信息，对用户的估价和下单按照时间顺序，进行信息变更统计，同时对用户估价打上信息变更标签。
38.在本发明一实施例中，所述根据实时特征和离线特征得到二分类模型之前还包括：
39.将实时特征和离线特征中的字符型特征进行编码；
40.对实时特征和离线特征进行交叉处理，根据对比交叉前后的特征与标签的相关性，进行相应是否交叉的处理；
41.对于类型较多的编码后的字符型特征或枚举型特征进行特征分桶。
42.在本发明一实施例中，所述多维度包括用户维度、下单组维度和独立需求维度。
43.在本发明一实施例中，所述独立需求在线上派发实时补贴时补贴相同，所有估价代表的用户需求均一致，用户下单概率的预测也保持一致。
44.在本发明一实施例中，所述估价间信息变更包括起终点所在区域、车型、估价城市、用户端口和估价单折扣率。
45.在本发明一实施例中，所述选取所有独立需求中的第一次估价作为训练样本之前还包括清洗异常账号数据、噪音估价数据，剔除起始点一致的数据。
46.在本发明一实施例中，所述训练样本包括正样本和负样本；所述正样本为下单估价，负样本为未下单估价。
47.在本发明一实施例中，所述根据预测下单概率，结合用户实际下单标签，用保序回归算法进行结果校准并验证校准后的预测下单概率准确性具体为：
48.根据真实的下单情况，对预测下单概率进行准确性评估；根据预测结果进行用户分桶，计算桶内的用户真实下单概率，与桶内的预测结果均值进行对比，评估预测准确性；
49.对预测下单概率进行等频分桶，结合桶内的真实下单概率及预测下单概率均值进行保序回归，得到一个递归序列，生成预测值的校准表，对用户下单概率的预测值进行校准。
50.本发明一实施例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如本发明一实施例提供的用户下单概率的预测方法的步骤。
51.图2示出了本发明一实施例提供的计算机设备的具体结构框图，一种计算机设备100包括：一个或多个处理器101、存储器102、以及一个或多个计算机程序，其中所述处理器101和所述存储器102通过总线连接，所述一个或多个计算机程序被存储在所述存储器102中，并且被配置成由所述一个或多个处理器101执行，所述处理器101执行所述计算机程序时实现如本发明一实施例提供的用户下单概率的预测方法的步骤。
52.计算机设备包括服务器和终端等。该计算机设备可以是台式计算机、移动终端或车载设备，移动终端包括手机、平板电脑、个人数字助理或可穿戴设备等中的至少一种。
53.在本发明实施例中，基于估价场景的用户下单预测更具有实时性，能够更加准确的抓住有需求的用户，增加线上用户的转化率；对同一组独立需求只预测第一次估价的下单概率，并根据这一下单概率进行补贴分配，可以保证用户拥有良好的产品使用体验，在一定时间内需求不变的情况下，获得相同的补贴，避免心里落差；结合保序回归对于用户的预测下单概率进行校准能够使得预测结果更加接近真实值，对于提高预测补贴预算的准确性有很好的效果，更方便进行预算控制。
54.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
55.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。