营销策略确定方法、装置、终端设备及存储介质与流程

1.本发明涉及智慧营销技术领域，尤其涉及一种营销策略确定方法、装置、终端设备及存储介质。


背景技术：

2.随着互联网技术的不但发展，互联网营销活动也逐渐涉及到人们生活的方方面面。在互联网营销活动中，最常见的问题是：不同的营销渠道和营销方式，例如信息流、app启动画面或后台推送等，哪一种最能提升收益。更进一步，智慧营销旨在找到每一个客户对应的最佳营销策略，以便于进行个性化的营销服务。现有的智慧营销方式，大多通过用户的历史消费记录或浏览、点击网页的历史行为记录，对用户的消费行为进行预测，从而生成个性化的营销方案。但是，这种方式忽略了客群的结构性差异，会对预测结果产生影响。例如，通过奢侈品app中的广告进入目标页面的客户，普遍会比通过信息流中广告进入目标页面的客户消费金额更高一些，这并不一定说明在奢侈品app中推送的广告本身的营销效果较好，而是因为使用奢侈品app的客户本身的平均消费能力就更强。当忽略了客群的结构性差异时，会影响预测的营销策略的准确性，当营销策略和用户的匹配度不高时，难以达到收益提升的目的。


技术实现要素：

3.本发明的主要目的在于提供一种营销策略确定方法、装置、终端设备及存储介质，旨在解决现有的智慧营销方式忽略客群结构性差异，导致对用户对应的营销策略预测不准确的技术问题。
4.此外，为实现上述目的，本发明还提供一种营销策略确定方法，所述营销策略确定方法包括以下步骤：
5.获取用户的观测性数据，从所述观测性数据中提取所述用户的基本特征信息；
6.将所述基本特征信息输入经过预训练的目标分类模型中，基于所述基本特征信息对所述用户进行分类，得到对所述用户的决策结果；
7.根据所述决策结果，确定所述用户对应的目标营销策略。
8.可选地，所述决策结果中包含多个候选营销策略，所述根据所述决策结果，确定所述用户对应的目标营销策略的步骤，包括：
9.计算所述决策结果中各所述候选营销策略对应的第一收益值；
10.获取所述用户当前对应的第二收益值，并计算各所述第一收益值与所述第二收益值之间的目标差值；
11.根据所述目标差值从所述多个营销策略中确定所述用户对应的目标营销策略。
12.可选地，所述根据所述目标差值从所述多个营销策略中确定所述用户对应的目标营销策略的步骤，包括：
13.计算将所述用户当前的营销策略转换为各所述候选营销策略的营销成本值；
14.基于所述营销成本值和所述目标差值计算所述用户的收益提升值；
15.从所述多个候选营销策略中确定所述收益提升值最大的目标营销策略。
16.可选地，所述基于所述营销成本值和所述目标差值计算所述用户的收益提升值的步骤之后，还包括：
17.若所述收益提升值为负，则将所述用户当前的营销策略设置为目标营销策略。
18.可选地，所述目标分类模型包括随机森林模型，所述将所述基本特征信息输入经过预训练的目标分类模型中，基于所述基本特征信息对所述用户进行分类，得到对所述用户的决策结果的步骤，包括：
19.将所述基本特征信息输入经过预训练的随机森林模型中，以所述基本特征信息为分类条件生成多个决策树，各所述决策树的最大深度小于预设的深度阈值；
20.基于各所述决策树对所述用户进行分类，确定所述用户在各所述决策树中对应的目标叶子节点，得到对所述用户的决策结果，其中，各所述决策树的叶子节点为候选营销策略。
21.可选地，所述将所述基本特征信息输入经过预训练的分类模型中，以所述基本特征信息为分类条件对所述用户进行分类，得到对所述用户的决策结果的步骤之前，还包括：
22.获取用户集合中各用户的观测性数据形成观测性数据集，并基于所述观测性数据集构建样本数据集；
23.利用所述样本数据集对预设的基础分类模型进行预训练，得到目标分类模型。
24.可选地，所述目标分类模型包括随机森林模型，所述样本数据集包括所述用户集合中各用户的基本特征信息，所述利用所述样本数据集对预设的基础分类模型进行预训练，得到目标分类模型的步骤，包括：
25.获取模型训练参数，其中，所述模型训练参数包括深度阈值和样本阈值；
26.以所述用户集合中各用户的基本特征信息为分类条件进行分裂，生成随机森林模型，其中，所述随机森林模型包括多个决策树，各所述决策树的最大深度小于所述深度阈值，各所述决策树的叶子节点为候选营销策略，各所述候选营销策略对应的样本数量不小于所述样本阈值。
27.此外，为实现上述目的，本发明还提供一种营销策略确定装置，所述营销策略确定装置包括：
28.特征提取模块，用于获取用户的观测性数据，从所述观测性数据中提取所述用户的基本特征信息；
29.分类决策模块，用于将所述基本特征信息输入经过预训练的目标分类模型中，以所述基本特征信息为分类条件对所述用户进行分类，得到对所述用户的决策结果；
30.策略选取模块，用于根据所述决策结果，确定所述用户对应的目标营销策略。
31.此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的营销策略确定程序，所述营销策略确定程序被所述处理器执行时实现如上述的营销策略确定方法的步骤。
32.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有营销策略确定程序，所述营销策略确定程序被处理器执行时实现如上述的营销策略确定方法的步骤。
33.此外，为实现上述目的，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的营销策略确定方法的步骤。
34.本发明实施例提出的一种营销策略确定方法、装置、终端设备及存储介质。现有的营销策略确定方式中，大多基于用户的历史消费记录或历史行为记录进行预测，忽略了用户自身的客群差异，从而导致生成的营销策略不准确，与用户的匹配度不高，无法提升营销收益。本发明实施例中，通过获取用户的观测性数据，从所述观测性数据中提取所述用户的基本特征信息；将所述基本特征信息输入经过预训练的目标分类模型中，基于所述基本特征信息对所述用户进行分类，得到对所述用户的决策结果；根据所述决策结果，确定所述用户对应的目标营销策略。基于用户的观测性数据对用户进行分类，同一类别的用户群体之间，不存在结构性差异，对营销策略的评估，可以消除客群基于自身客观条件的倾向性的影响，有利于对不同营销策略对用户行为产生的影响做出较为准确的估计，从而使选取的营销策略更加准确，与用户的匹配度更高，进而有利于营销收益的提升。
附图说明
35.图1为本发明实施例提供的终端设备一种实施方式的硬件结构示意图；
36.图2为本发明营销策略确定方法第一实施例的流程示意图；
37.图3为本发明营销策略确定装置一实施例的功能模块示意图。
38.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
39.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。
40.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
41.本发明实施例营销策略确定终端(又叫终端、设备或者终端设备)可以是pc，也可以是智能手机、平板电脑和便携计算机等具有显示和数据处理功能的可移动式终端设备。
42.如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
43.可选地，终端还可以包括摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关
游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
44.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
45.如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及营销策略确定程序。
46.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的营销策略确定程序，所述营销策略确定程序被处理器执行时实现下述实施例提供的营销策略确定方法中的操作。
47.基于上述设备硬件结构，提出了本发明营销策略确定方法的实施例。
48.参照图2，在本发明营销策略确定方法的第一实施例中，所述营销策略确定方法包括：
49.步骤s10，获取用户的观测性数据，从所述观测性数据中提取所述用户的基本特征信息；
50.在本实施例中，预测用户对应的营销策略时，首先获取用户的观测性数据，该观测性数据是指在自然的未被控制的条件下能够观测到的数据，其中包括用户的基本特征信息，如用户的姓名、性别、年龄和职业等。营销策略包括营销方式和营销渠道，还包括营销的商品类型，需要说明的是，常规的营销策略是根据用户的历史消费记录或历史行为记录，如对广告的浏览、点击行为等，预测用户的消费倾向，根据用户的消费倾向有针对性地向用户推荐特定类型的营销商品。例如，当用户在社交软件推送的广告中点击进入了某营销商品的详情页面时，则预测用户可能存在对该商品的购买倾向，可以通过不同的营销方式或营销渠道持续向用户推荐同类型的商品，达到精准营销的目的。但是这种方式忽略了不同用户之间的结构性差异，这种结构性差异是基于不同用户自身的观测性数据产生的，例如，用户在社交软件中点击推送广告进入某商品的详情页面，并不一定是出于购买目的，推送商品与用户自身的消费水平可能并不匹配，用户的点击行为可能是错误点击，用户点击广告进入详情页面也可能是单纯的想要查看商品详情，并无购买倾向，通过不同的营销方式或营销渠道持续推送同类型的商品，也只是增加营销成本。
51.本实施例中的营销策略确定方法的不同之处在于，在预测用户对应的营销策略时，获取用户的观测性数据，并从中提取用户的基本特征信息，以便于找到客群结构相近的用户，消除不同用户之间的结构性差异，使得不同用户所受的营销策略是独立同分布的，从而提高对不同用户对应的营销策略的预测准确性。
52.步骤s20，将所述基本特征信息输入经过预训练的目标分类模型中，基于所述基本特征信息对所述用户进行分类，得到对所述用户的决策结果；
53.进一步地，在从获取的观测性数据中提取用户的基本特征信息后，将提取的基本特征信息输入至经过预训练的目标分类模型中，基于提取的基本特征信息对用户进行分类，得到对用户的决策结果。其中，目标分类模型至少包括决策树模型和随机森林模型，以下以随机森林模型作为目标分类模型为例进行说明。随机森林中包含多个决策树，一方面，由于决策树的表示能力弱于随机森林，当特征维度较高时，采用随机森林模型可以得到较
好的分类效果。另一方面，提取的用户的基本特征信息中包括多个特征，对于不同的用户，能够获取到的观测性数据的完整性，以及能够提取到的特征的数量是不同的，基于此，采用随机森林模型可以获得更好的分类效果。
54.进一步地，基于用户的基本特征信息对用户进行分类时，可以是利用提取的基本特征信息对用户的历史消费记录和历史行为记录等数据进行加权，将加权后的数据作为分类条件进行分类，也可以是直接将用户的基本特征信息作为分类条件进行分类，还可以是将用户的基本特征信息作为分类条件进行分类后，再进一步基于用户的历史消费记录和历史行为记录对用户进行分类，得到对用户的分类决策结果。
55.步骤s20之前，还包括：
56.步骤a1，获取用户集合中各用户的观测性数据形成观测性数据集，并基于所述观测性数据集构建样本数据集；
57.步骤a2，利用所述样本数据集对预设的基础分类模型进行预训练，得到目标分类模型。
58.在本实施例中，在确定用户对应的目标营销策略之前，需要对预设的基础分类模型进行预训练，得到经过预训练的目标分类模型。在进行预训练时，首先获取用户集合中各个用户的观测性数据形成观测性数据集，基于该观测性数据集构建样本数据集，其中，用户集合中包括多个用户，在构建样本数据集时，对各个用户及其对应的基本特征信息进行提取，利用构建的样本数据集对预设的基础分类模型进行预训练，得到目标分类模型，该目标分类模型包括随机森林模型。
59.当目标分类模型为随机森林模型时，预训练过程具体为，首先以预测用户接受哪一种营销策略为目标，建立随机森林模型，用l(x)表示用户对应的样本数据所落入的叶子节点编号。l(x)构成了特征空间的一个不相交分割，特征相同的用户是“相似”的。在随机森林的决策树分类效果较好时，可以认为同一叶子节点中的用户所受的营销方式t是独立同分布的，那么这些用户就近似构成了随机试验样本。对同一个叶子节点下的样本进行计算，从而确定各个用户对应的最佳营销策略。每个用户对应的样本在随机森林的每棵决策树中会落入唯一的一个叶子节点，将各树的结果综合起来得到叶子节点向量l(x)＝(l1(x),...,ln(x))，该叶子节点向量即为对用户的决策结果，其中，li(x)表示样本在第i棵树中所落入的叶子节点编号。
60.进一步地，在进行模型预训练时，构建的样本数据集包括用户集合中各个用户的基本特征信息，预训练的步骤还包括：
61.步骤b1，获取模型训练参数，其中，所述模型训练参数包括深度阈值和样本阈值；
62.步骤b2，以所述用户集合中各用户的基本特征信息为分类条件进行分裂，生成随机森林模型，其中，所述随机森林模型包括多个决策树，各所述决策树的最大深度小于所述深度阈值，各所述决策树的叶子节点为候选营销策略，各所述候选营销策略对应的样本数量不小于所述样本阈值。
63.在进行模型预训练时，首先获取模型训练参数，该模型训练参数包括深度阈值和样本阈值，对随机森林进行预剪枝，防止模型过拟合。其中，深度阈值用于限定随机森林中各决策树的最大深度，样本阈值用于限定各决策树按照分类条件进行分裂后，各叶子节点的样本数(即同一个叶子节点中落入的用户数量)。以样本数据集中各个用户的基本特征信
息为分类条件进行分裂，生成随机森林模型，生成的随机森林模型包括多个决策树，各个决策树的最大深度小于设定的深度阈值，各决策树的叶子节点为候选营销策略，每棵决策树的叶子节点分裂后的样本数量应不小于设定的样本阈值，即每个候选营销策略中落入的用户数量应不小于设定的样本阈值，若分裂后叶子节点的样本数量小于设定的样本阈值，则不进行分裂，在分裂过程中，决策树的最大深度超过设定的深度阈值时，即停止分裂，防止模型过拟合。
64.在预训练过程中，深度阈值和样本阈值是可调的，可以根据实际的训练需要以及样本数据集的规模进行自定义设置在，在此不作具体限定。
65.步骤s30，根据所述决策结果，确定所述用户对应的目标营销策略。
66.根据对用户的决策结果，确定用户对应的目标营销策略，可以从用户对应的叶子节点向量中，选取营销收益最高的营销策略作为用户对应的目标营销策略。进一步地，也可以基于用户对应的叶子节点向量进行进一步的计算，例如，细分各营销策略对应的营销方式和营销渠道，以及各营销方式和营销渠道中的商品类型等，从而生成对应的目标营销策略。进一步地，还可以基于用户对应的叶子节点向量，计算各叶子节点对应的候选营销策略的收益提升值，将收益提升值最大的营销策略作为目标营销策略。具体地，根据用户当前对应的营销策略的营销成本和收益值，若将营销策略变更为各候选营销策略，计算营销成本变化量和收益值的变化量，收益值的增加量与营销成本的增加量之间的差值，即为收益提升值，将收益提升值最大的候选营销策略作为目标营销策略。
67.本实施例中，确定用户对应的目标营销策略的方式，还可以是将收益变化量作为随机森林决策树的叶子节点值，具体地，两种不同的营销策略之间，收益变化量可以通过下列公式1计算：
68.diff(x)＝e(y|t＝1,x＝x)-e(y|t＝0,x＝x)
ꢀꢀ
(1)
69.其中，e(
·
|
·
)表示条件期望；y代表收益值，其含义依实际应用的业务场景确定，例如，对于互联网信息平台，收益就是用户对网页或app的点击率；对于电商平台，收益就是用户购买商品的金额或次数；x是可获取的用户的基本特征信息如性别、年龄、职业等；t表示营销策略，t＝0表示第一种营销策略，t＝1表示第二种营销策略。
70.将计算出的收益差值作为随机森林决策树的叶子节点值，以便直观地得出各候选营销策略的收益变化量，将各叶子节点的值与对应的成本变化量进行比较，计算收益提升值，从而确定用户对应的目标营销策略。例如，假设有数据集(xi,ti,yi),i＝0,1,2,...,n，x表示用户的基本特征信息，y表示用户产生的收益，t表示用户所受的营销策略，不失一般性地，假设t∈{0,1}。对于以t为因变量，以x为自变量生成的随机森林模型，第m棵决策树的叶子节点diff估计值的计算如下列公式2所示：
[0071][0072]
在生成的原始的随机森林模型的决策树中，各决策树的叶子节点的叶片值是用户落入该叶子节点的概率值，利用收益变化量替换决策树原有的叶片值，有利于更加直观快速地确定用户对应的目标营销策略。
[0073]
在本实施例中，通过获取用户的观测性数据，从所述观测性数据中提取所述用户的基本特征信息；将所述基本特征信息输入经过预训练的目标分类模型中，基于所述基本
特征信息对所述用户进行分类，得到对所述用户的决策结果；根据所述决策结果，确定所述用户对应的目标营销策略。基于用户的观测性数据对用户进行分类，同一类别的用户群体之间，不存在结构性差异，对营销策略的评估，可以消除客群基于自身客观条件的倾向性的影响，有利于对不同营销策略对用户行为产生的影响做出较为准确的估计，从而使选取的营销策略更加准确，与用户的匹配度更高，进而有利于营销收益的提升，以及对不同用户进行个性化营销服务。
[0074]
进一步地，在本实施例中，通过转换建模目标，同时对随机森林决策树进行改造，不仅可以更加直观快速地确定用户对应的目标营销策略，还可以对收益变化量进行量化，有利于对决策结果进行评估。
[0075]
进一步地，在本发明上述实施例的基础上，提出了本发明营销策略确定方法的第二实施例。
[0076]
本实施例是第一实施例中步骤s20和步骤s30细化的步骤，基于上述实施例，步骤s20的细化，包括：
[0077]
步骤s201，将所述基本特征信息输入经过预训练的随机森林模型中，以所述基本特征信息为分类条件生成多个决策树，各所述决策树的最大深度小于预设的深度阈值；
[0078]
步骤s202，基于各所述决策树对所述用户进行分类，确定所述用户在各所述决策树中对应的目标叶子节点，得到对所述用户的决策结果，其中，各所述决策树的叶子节点为候选营销策略。
[0079]
基于上述实施例，在本实施例中，基于用户的基本特征信息对用户进行分类，得到对用户的决策结果时，将用户的基本特征信息输入至经过预训练的随机森林模型中，以用户的基本特征信息中的各个特征作为分类条件，生成多个决策树。其中，各个决策树的最大深度小于预设的深度阈值，各个决策树中的叶子节点为候选营销策略。基于各个决策树对用户进行分类，确定用户在各个决策树中落入的目标叶子节点，目标叶子节点包括多个叶子节点，整合用户在各决策树中落入的叶子节点得到对应的叶子节点向量，该叶子节点向量即对用户的决策结果。
[0080]
进一步地，对用户的决策结果中包括多个候选营销策略，在得到对用户的决策结果后，根据决策结果确定用户对应的目标营销策略的细化，包括：
[0081]
步骤s301，计算所述决策结果中各所述候选营销策略对应的第一收益值；
[0082]
步骤s302，获取所述用户当前对应的第二收益值，并计算各所述第一收益值与所述第二收益值之间的目标差值；
[0083]
步骤s303，根据所述目标差值从所述多个营销策略中确定所述用户对应的目标营销策略。
[0084]
基于对用户的决策结果在确定用户对应的目标营销策略时，首先计算决策结果中各候选营销策略对应的第一收益值，然后获取用户当前对应的第二收益值，并计算各第一收益值与第二收益值之间的目标差值，基于该目标差值确定用户对应的目标营销策略。需要说明的是，用户当前对应的第二收益值，可以是在未接受到任何营销策略的自然状态下的收益值，也可以是在接受到当前的营销策略下的收益值。
[0085]
进一步地，步骤s303中，基于计算出的各第一收益值和第二收益值之间的目标差值，确定用户对应的目标营销策略的细化，还包括：
[0086]
步骤c1，计算将所述用户当前的营销策略转换为各所述候选营销策略的营销成本值；
[0087]
步骤c2，基于所述营销成本值和所述目标差值计算所述用户的收益提升值；
[0088]
步骤c3，从所述多个候选营销策略中确定所述收益提升值最大的目标营销策略。
[0089]
可知地，营销策略的变化，会带来相应的营销成本的变化，在实际应用时，如果营销策略的变换所带来的收益值的增加，不足以覆盖营销成本的增加，则不需要对营销策略进行变换。也即，根据计算出的目标差值确定用户对应的目标营销策略时，需要同时考虑营销成本的变化量。具体地，计算将用户当前的营销策略转换为决策结果中的各候选营销策略时的营销成本值，该营销成本值为营销策略转换带来的成本增加值，利用营销收益的目标差值减去营销成本值，得到用户对应的收益提升值。也就是说，在本实施例中，是在减去转换营销策略所增加的营销成本值的基础上，计算对用户转换营销策略所带来的收益提升值的。从多个候选营销策略中，选取收益提升值最大的营销策略作为用户对应的目标营销策略。
[0090]
进一步地，步骤c2之后，还包括：
[0091]
步骤c4，若所述收益提升值为负，则将所述用户当前的营销策略设置为目标营销策略。
[0092]
可以理解的是，在计算决策结果中，各候选营销策略对应的收益提升值均为负的情况，即每一种营销策略的转换所带来的收益的增加，都不足以覆盖其营销成本的增加，因此，则可以不对该用户进行营销策略的转换，将该用户当前的营销策略设置为目标营销策略。
[0093]
需要说明的是，本发明各实施例是通过转换建模目标、结合树类模型特性解决客群结构性差异的，基于相同的思路和方法，通过其他分类模型，结合具体的业务场景，只要能够对基本特征信息相同的用户进行分类，也可以达到与本发明各实施例相同的效果，在此不再赘述。
[0094]
在本实施例中，在确定用户对应的目标营销策略时，通过对决策树的叶子节点的叶片值进行替换，同时，考虑到营销策略转换时所带来的营销成本的增加，可以精确衡量各候选营销策略对应的收益提升值，从而准确确定用户对应的能够使营销收益最大化的目标营销策略，提高了营销策略选取的准确性。
[0095]
此外，参照图3，本发明实施例还提出一种装置，所述装置包括：
[0096]
特征提取模块10，用于获取用户的观测性数据，从所述观测性数据中提取所述用户的基本特征信息；
[0097]
分类决策模块20，用于将所述基本特征信息输入经过预训练的目标分类模型中，以所述基本特征信息为分类条件对所述用户进行分类，得到对所述用户的决策结果；
[0098]
策略选取模块30，用于根据所述决策结果，确定所述用户对应的目标营销策略。
[0099]
可选地，所述决策结果中包含多个候选营销策略，所述策略选取模块30，还用于：
[0100]
计算所述决策结果中各所述候选营销策略对应的第一收益值；
[0101]
获取所述用户当前对应的第二收益值，并计算各所述第一收益值与所述第二收益值之间的目标差值；
[0102]
根据所述目标差值从所述多个营销策略中确定所述用户对应的目标营销策略。
[0103]
可选地，所述策略选取模块30，还用于：
[0104]
计算将所述用户当前的营销策略转换为各所述候选营销策略的营销成本值；
[0105]
基于所述营销成本值和所述目标差值计算所述用户的收益提升值；
[0106]
从所述多个候选营销策略中确定所述收益提升值最大的目标营销策略。
[0107]
可选地，所述策略选取模块30，还用于：
[0108]
若所述收益提升值为负，则将所述用户当前的营销策略设置为目标营销策略。
[0109]
可选地，所述目标分类模型包括随机森林模型，所述分类决策模块20，还用于：
[0110]
将所述基本特征信息输入经过预训练的随机森林模型中，以所述基本特征信息为分类条件生成多个决策树，各所述决策树的最大深度小于预设的深度阈值；
[0111]
基于各所述决策树对所述用户进行分类，确定所述用户在各所述决策树中对应的目标叶子节点，得到对所述用户的决策结果，其中，各所述决策树的叶子节点为候选营销策略。
[0112]
可选地，所述营销策略确定装置还包括模型预训练模块，用于：
[0113]
获取用户集合中各用户的观测性数据形成观测性数据集，并基于所述观测性数据集构建样本数据集；
[0114]
利用所述样本数据集对预设的基础分类模型进行预训练，得到目标分类模型。
[0115]
可选地，所述目标分类模型包括随机森林模型，所述样本数据集包括所述用户集合中各用户的基本特征信息，所述模型预训练模块，还用于：
[0116]
获取模型训练参数，其中，所述模型训练参数包括深度阈值和样本阈值；
[0117]
以所述用户集合中各用户的基本特征信息为分类条件进行分裂，生成随机森林模型，其中，所述随机森林模型包括多个决策树，各所述决策树的最大深度小于所述深度阈值，各所述决策树的叶子节点为候选营销策略，各所述候选营销策略对应的样本数量不小于所述样本阈值。
[0118]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有营销策略确定程序，所述营销策略确定程序被处理器执行时实现上述实施例提供的营销策略确定方法中的操作。
[0119]
此外，本发明实施例还提出一种计算机程序产品，包括计算机程序，所述计算机被处理器执行时实现上述实施例提供的营销策略确定方法中的操作。
[0120]
本发明设备、计算机程序产品和计算机可读存储介质各实施例，均可参照本发明营销策略确定方法各个实施例，此处不再赘述。
[0121]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序；术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0122]
对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作
为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0123]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0124]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的营销策略确定方法。
[0125]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。