一种营销策略的确定方法、装置、计算机设备及存储介质与流程

1.本发明涉及深度学习技术领域，尤其涉及一种营销策略的确定方法、装置、计算机设备及存储介质。


背景技术：

2.在产品推广过程中，为了提高产品对用户的吸引力，通常情况下运营方会采用一些营销策略，例如消费补贴等方式，以增强用户对产品的吸引力和粘性。尤其是在o2o领域，为了保证用户对app平台的粘性和使用频率，运营方通常会采用一系列的策略吸引新用户注册，并且稳定老用户的消费习惯。
3.以共享交通领域的app为例，app专享骑行卡是共享平台的一种特定卡种，其价格与普通骑行卡一致，只是为了吸引用户从其他平台转移到自己的平台并留存已注册的用户，同时提高该app平台的日活跃用户数。设置了此特殊卡种，并给予购买此卡种的用户一定的补贴金额。若用户购买了该卡种，那么用户在一段时间内使用平台上的服务时，则会享有更加实惠的价格，对于平台而言，提高了用户在app上的活跃度以及留存概率，给了平台更多服务用户的机会。
4.对于平台运营方而言，采用上述营销策略可以从理论上增强用户对平台的吸引力和粘性，但是任何营销策略都会产生相应的成本，如何在采用低成本的情况下获得最大的转化率是一个亟待解决的问题。
5.目前的补贴方案只是能起到增强用户粘性的作用，但是无法确定出这些营销策略对转化率提升所带来的具体量化结果，从而无法针对具体给人给出一个更准确营销手段。


技术实现要素：

6.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有技术中无法量化营销策略所带来的转化率的提升情况导致无法确定出更精准的营销策略。
7.为实现上述目的，本发明提供了一种营销策略的确定方法，包括：获取目标用户的用户特征信息以及待营销的产品特征信息；将所述用户特征信息和所述产品特征信息输入到预先训练得到的预测模型中，输出所述目标用户在不同营销策略下的购买概率增量，其中，所述购买概率增量为对所述目标用户采用营销策略后相对于未采用营销策略的购买概率的增长量；根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略。
8.在本发明的较佳实施方式中，所述预测模型采用增量模型，所述将所述用户特征信息和所述产品特征信息输入到预先训练得到的预测模型中，输出所述目标用户在不同营销策略下的购买概率增量，包括：将所述用户特征信息和所述产品特征信息复制成多组输入数据；将所述多组输入数据中的一组输入到控制组，其他组输入数据分别输入到多个处理组中，其中，所述控制组为未采用营销策略的输入数据组，所述处理组为采用营销策略的输入数据组，每个处理组对应一种营销策略；对所述控制组的输入数据进行购买概率预测，
得到未采用营销策略的第一购买概率；对每个所述处理组的输入数据进行购买概率预测，得到不同营销策略下的多个第二购买概率；利用所述第二购买概率与所述第一购买概率做差，得到所述购买概率增量。
9.在本发明的较佳实施方式中，所述根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略，包括：确定出所述购买概率增量最大的营销策略，作为所述目标用户的营销策略。
10.在本发明的较佳实施方式中，所述根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略，包括：获取所述目标用户的用户类型，其中，所述用户类型根据所述用户的活跃程度来确定；获取预先设定的营销运营成本；根据所述用户类型、营销运营成本和所述购买概率增量确定出所述目标用户的营销策略。
11.在本发明的较佳实施方式中，所述获取所述目标用户的用户类型，包括：获取所述目标用户的历史行为特征数据；根据所述历史行为特征数据将所述目标用户划分为相应的用户类型，其中，所述用户类型包括：活跃用户、沉默用户和流失用户。
12.在本发明的较佳实施方式中，所述根据所述用户类型、营销运营成本和所述购买概率增量确定出所述目标用户的营销策略，包括：根据所述用户类型确定出目标关系表，其中，所述目标关系表记录有概率增量阈值与营销运营成本之间的对应关系；利用所述目标关系表和所述营销运营成本确定出所述目标用户的概率增量阈值；判断所述目标用户在不同营销策略下的购买概率增量是否小于所述概率增量阈值；当小于所述概率增量阈值时，则选择成本最小的营销策略。
13.在本发明的较佳实施方式中，所述预测模型通过以下步骤训练得到：将实验目标人群划分为多个处理组和一个控制组，其中，每个所述处理组采用一种营销策略，所述控制组未采用营销策略；记录转化结果，将成功购买的用户记为正样本，未购买的用户记为负样本；获取所有用户的用户特征信息以及产品特征信息；利用所述转化结果、用户特征信息以及产品特征信息作为训练样本，训练得到所述预测模型。
14.为实现上述目的，本发明还提供了一种营销策略的确定装置，包括：获取模块，用于获取目标用户的用户特征信息以及待营销的产品特征信息；检测模块，用于将所述用户特征信息和所述产品特征信息输入到预先训练得到的预测模型中，输出所述目标用户在不同营销策略下的购买概率增量，其中，所述购买概率增量为对所述目标用户采用营销策略后相对于未采用营销策略的购买概率的增长量；确定模块，用于根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略。
15.为实现上述目的，本发明还提供了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行上述的营销策略的确定方法。
16.为实现上述目的，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行如上述的营销策略的确定方法。
17.本发明提供的装置或方法具有以下技术效果：
18.根据本发明实施例，通过利用预先训练的预测模型，将所述用户特征信息和所述
产品特征信息作为输入，预测出目标用户在不同营销策略下的购买概率增量，确定出营销策略对购买概率提升所带来的具体量化结果，并根据该量化结果确定出相应的营销策略，从而确定出更精准的营销策略。
19.以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
20.图1是本发明实施例的营销策略的确定方法的一个较佳实施例的流程图；
21.图2是本发明实施例的补贴策略对应的购买概率计算的流程图；
22.图3是本发明实施例的增量模型的示意图；
23.图4是本发明实施例的目标关系表的示意图；
24.图5是本发明实施例的模型训练过程的流程图；
25.图6是本发明实施例的营销策略的确定装置的一个较佳实施例的示意图；
26.图7是本发明的计算机设备的结构示意图。
具体实施方式
27.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
28.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
29.为了阐释的目的而描述了本发明的一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。
30.本发明提供了一种营销策略的确定方法，具体可以应用与各类产品的营销，包括app、网站等软件服务产品的营销和推广，也可以是具体实物产品的营销和推广，本发明实施例不限定于具体的产品形式。相应地，营销策略也可以根据需要进行调整，例如，可以是补贴、返现、打折等策略，每种类型的营销策略也可以采用不同的力度，例如补贴额度划分为多种，打折可以分为多种折扣等。
31.本发明实施例的营销策略的确定方法可以通过后台服务器来执行，针对每个用户，计算出其相应的营销策略，然后发布给该用户，实现营销目的。
32.如图1所示，本发明实施例的一种营销策略的确定方法，包括：
33.步骤s101，获取目标用户的用户特征信息以及待营销的产品特征信息。
34.本实施例中目标用户可以是指当前需要确定其营销策略的用户，每个用户均可以作为该目标用户，通过本实施例的方法确定出其对应的营销策略。用户特征信息可以是用户的属性特征，例如年龄、性别、星座等，也可以是用户行为特征，例如，用户多久未采购或
者使用目标产品，上一次采购或者使用的时间距离当前的时间差等。待营销的产品可以是指上述中的软件或者实物产品，例如app平台，也可以是该平台上推广的会员卡等产品。产品特征信息则可以是指该产品的类型等信息。以共享交通工具的平台营销为例，可以获取用户的属性特征(如年龄、性别、星座等)、用户行为特征(如用户多久未骑行、上一次骑行距今天数等)、卡种特征(如7日骑行卡、30日骑行卡等)。
35.作为本发明实施例的一方面，为了提高确定的营销策略的准确性，本发明实施例中，还可以获取场景特征和上下文特征，其中场景特征可以是指用户在使用该产品时发生的关键事件，上下文特征则可以是指当前的环境等信息。还是以共享交通工具的平台为例，场景特征可以是骑行场景下扫码开锁失败的次数、购卡场景下点击次数等，实时上下文特征可以是位于的城市、所在的区域、当前的天气等。将场景特征和上下文特征一起作为预测模型的输入，可以提高转化率增量(购买概率增量)预测的准确性。
36.步骤s102，将所述用户特征信息和所述产品特征信息输入到预先训练得到的预测模型中，输出所述目标用户在不同营销策略下的购买概率增量，其中，所述购买概率增量为对所述目标用户采用营销策略后相对于未采用营销策略的购买概率的增长量。
37.本实施例中，将用户特征信息和产品特征信息输入到预测模型中进行预测，由该预测模型输出目标用户自不同营销策略下的购买概率增量。其中，预测模型在训练时，针对不同的用户采用不同的营销策略进行训练，也即是将营销策略作为预测模型的固化参数写入到模型中，而不作为输入数据，仅以用户特征信息和产品特征信息作为输入，进行相应的营销策略下的购买概率增量预测。当然，本发明实施例中，预测模型可以在离线训练的过程中，增加不同的营销策略，然后进行训练。
38.具体地，可以根据不同的营销策略类型训练出不同的预测模型。例如，以补贴策略为例，可以设置不同的补贴额，作为不同的营销策略，训练出能够预测不同补贴额对应的产品购买概率增量的预测模型；以打折策略为例，可以设置不同的折扣，作为不同的营销策略，训练出能够预测不同折扣对应的购买概率增量的预测模型。
39.本发明实施例中，预测模型所预测出的购买概率增量是指相对于未采用营销策略的购买概率的提升量，具体地，预测模型可以预测出每个营销策略下的购买概率，然后再预测出未采用营销策略下的购买概率，二者做差，得到购买概率增量，这样可以直观地体现出营销策略对购买概率的影响情况，从而选择出最合适的营销策略。
40.步骤s103，根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略。
41.在预测出不同营销策略下的购买概率增量之后，可以从中确定出适于所述目标用户的营销策略。具体地，可以以购买概率增量的最大值对应的营销策略作为该目标用户的营销策略，对目标用户执行相应的营销手段。其中，购买概率增量的值越大，表示该目标用户在该营销策略下的购买概率最大，并且该营销策略对购买概率的提升越大。另一方面，从成本角度考虑，则可以在对购买概率影响力相当的情况下，选择成本最低的营销策略，从而能够降低营销成本。无论采用哪种方式，均能够实现对具体用户的定向营销，实现最大的转化率。
42.根据本发明实施例，通过利用预先训练的预测模型，将所述用户特征信息和所述产品特征信息作为输入，预测出目标用户在不同营销策略下的购买概率增量，确定出营销
策略对购买概率提升所带来的具体量化结果，并根据该量化结果确定出相应的营销策略，从而确定出更精准的营销策略。
43.作为本发明实施例的一种可选实施方式，本发明实施例中，所述预测模型采用增量模型，所述将所述用户特征信息和所述产品特征信息输入到预先训练得到的预测模型中，输出所述目标用户在不同营销策略下的购买概率增量，包括：
44.步骤s1，将所述用户特征信息和所述产品特征信息复制成多组输入数据。
45.本实施例中，将用户特征信息和产品特征信息复制成多组，每组数据中的用户特征信息和产品特征信息均相同，从而形成多组输入数据，以便于输入到控制组和多个处理组。复制出的输入数据的组数等于处理组的数量和控制组的数量的总和。
46.步骤s2，将所述多组输入数据中的一组输入到控制组，其他组输入数据分别输入到多个处理组中，其中，所述控制组为未采用营销策略的输入数据组，所述处理组为采用营销策略的输入数据组，每个处理组对应一种营销策略。
47.本实施例中，预测模型中划分有两种组别，一组为控制组，一组为处理组，其中控制组一组，处理组可以是多组，每组对应一种营销策略。每一组输入数据分别进行预测，得到对应营销策略下的购买概率。
48.步骤s3，对所述控制组的输入数据进行购买概率预测，得到未采用营销策略的第一购买概率。
49.步骤s4，对每个所述处理组的输入数据进行购买概率预测，得到不同营销策略下的多个第二购买概率。
50.步骤s5，利用所述第二购买概率与所述第一购买概率做差，得到所述购买概率增量。
51.如图2所示，针对不同的营销策略(补贴1、补贴2
……
补贴4)，通过预测模型分别得到多个购买概率lift，然后从中选择最大的购买概率，作为最优的营销策略。由于未采用营销策略的购买概率为固定值，因此，营销策略对应的最大购买概率则对应购买概率增量最大值。
52.本发明实施例中，采用增量模型——twomodel，模型的训练如图3所示，treatment group作为处理组，control group作为控制组，两组分别进行预测，得到相应的购买概率g和g’。
53.作为一种可选实施方式，本发明实施例，所述根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略，包括：确定出所述购买概率增量最大的营销策略，作为所述目标用户的营销策略。
54.本发明实施例中，以最大的购买概率增量对应的营销策略作为目标用户的营销策略，使得用户购买产品的概率最大，实现精准营销。
55.作为进一步可选的实施方式，所述根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略，包括：获取所述目标用户的用户类型，其中，所述用户类型根据所述用户的活跃程度来确定；获取预先设定的营销运营成本；根据所述用户类型、营销运营成本和所述购买概率增量确定出所述目标用户的营销策略。
56.具体地，所述获取所述目标用户的用户类型，包括：获取所述目标用户的历史行为特征数据；根据所述历史行为特征数据将所述目标用户划分为相应的用户类型，其中，所述
用户类型包括：活跃用户、沉默用户和流失用户。
57.本实施例中，每个用户都可以通过预测模型计算出一个购买概率增量，然后获取用户对应的营销策略，但是在实际的运营过程中，营销策略都会有成本的约束，在一定的成本控制下，最大化转化提升的比例，才能使得平台总收益最大。所以，在模型预测完之后，会基于用户的购买概率、运营设定成本以及用户类型，也可以成为用户历史分层(用户历史分层是指根据用户的历史行为特征，比如购卡次数、骑行次数、活跃天数等，将用户划分为不同的用户群，比如活跃用户、沉默用户、流失用户等)，对于不同的分层用户制定不同分发策略，调整用户的营销策略。
58.进一步可选地，上述实施例中，所述根据所述用户类型、营销运营成本和所述购买概率增量确定出所述目标用户的营销策略，包括：根据所述用户类型确定出目标关系表，其中，所述目标关系表记录有概率增量阈值与营销运营成本之间的对应关系；利用所述目标关系表和所述营销运营成本确定出所述目标用户的概率增量阈值；判断所述目标用户在不同营销策略下的购买概率增量是否小于所述概率增量阈值；当小于所述概率增量阈值时，则选择成本最小的营销策略。
59.本发明实施例中，可以根据统计数据确定出每种用户对应的目标关系表，该目标关系表记录有概率增量阈值与营销运营成本之间的对应关系，具体地如图4所示，本实施例中可以对成本进行一个估算，同时设定一个补贴阈值p_value，如果用户在所有补贴下的购买率增量均小于p_value，那认为可以给予这个用户最少的补贴金额，p_value值的确定是尝试了不同参数后，根据成本确定的，例如运营设定成本为4.87元，从图4所示，可以得到p_value取值则为0.025。
60.根据本发明实施例，将购买概率增量与成本进行关联，使得在成本合理控制的情况下，选择更大的购买概率增量对应的营销策略，实现精准营销。
61.作为一种可选实施方式，所述预测模型通过以下步骤训练得到：将实验目标人群划分为多个处理组和一个控制组，其中，每个所述处理组采用一种营销策略，所述控制组未采用营销策略；记录转化结果，将成功购买的用户记为正样本，未购买的用户记为负样本；获取所有用户的用户特征信息以及产品特征信息；利用所述转化结果、用户特征信息以及产品特征信息作为训练样本，训练得到所述预测模型。
62.本发明实施例中，先进行随机实验设置：由于模型所需要的样本数据需要满足cia(conditional independence assumption)假设，在前期进行了随机试验，将用户分为不同的实验组(每个实验组均为同质用户)，每组给予不同的营销策略，例如设置不同的补贴额，如图5所示，观察用户的转化情况。训练样本收集：获取参与随机实验的用户数据，以及用户真实的转化情况，如果用户成功购买了该产品，则标记为正样本，否则将其视为负样本。然后，利用收集到的样本数据，统计转化率-购买概率，然后对增量模型进行训练，得到训练后的预测模型。
63.根据本发明实施例，基于用户特征信息以及产品特征信息，实现用户与营销策略之间的个性化匹配，同时设计了一种基于成本控制的分发方案，使得在成本一定的情况下，营销效果及整体收益达到最大化。
64.本发明实施例的另一方面还提供了一种营销策略的确定装置，该装置可以用于执行上述图1所示的方法，如图6所示，该装置包括：
65.获取模块601，用于获取目标用户的用户特征信息以及待营销的产品特征信息；
66.检测模块602，用于将所述用户特征信息和所述产品特征信息输入到预先训练得到的预测模型中，输出所述目标用户在不同营销策略下的购买概率增量，其中，所述购买概率增量为对所述目标用户采用营销策略后相对于未采用营销策略的购买概率的增长量；
67.确定模块603，用于根据所述目标用户在不同营销策略下的购买概率增量，确定出适于所述目标用户的营销策略。
68.根据本发明实施例，通过利用预先训练的预测模型，将所述用户特征信息和所述产品特征信息作为输入，预测出目标用户在不同营销策略下的购买概率增量，确定出营销策略对购买概率提升所带来的具体量化结果，并根据该量化结果确定出相应的营销策略，从而确定出更精准的营销策略。
69.可选地，所述预测模型采用增量模型，所述检测模块，包括：复制单元，用于将所述用户特征信息和所述产品特征信息复制成多组输入数据；输入单元，用于将所述多组输入数据中的一组输入到控制组，其他组输入数据分别输入到多个处理组中，其中，所述控制组为未采用营销策略的输入数据组，所述处理组为采用营销策略的输入数据组，每个处理组对应一种营销策略；第一预测单元，用于对所述控制组的输入数据进行购买概率预测，得到未采用营销策略的第一购买概率；第二预测单元，用于对每个所述处理组的输入数据进行购买概率预测，得到不同营销策略下的多个第二购买概率；计算单元，用于利用所述第二购买概率与所述第一购买概率做差，得到所述购买概率增量。
70.可选地，所述确定模块具体用于确定出所述购买概率增量最大的营销策略，作为所述目标用户的营销策略。
71.可选地，所述确定模块，包括：第一获取单元，用于获取所述目标用户的用户类型，其中，所述用户类型根据所述用户的活跃程度来确定；第二获取单元，用于获取预先设定的营销运营成本；确定单元，用于根据所述用户类型、营销运营成本和所述购买概率增量确定出所述目标用户的营销策略。
72.可选地，所述第一获取单元，包括：获取子单元，用于获取所述目标用户的历史行为特征数据；划分子单元，用于根据所述历史行为特征数据将所述目标用户划分为相应的用户类型，其中，所述用户类型包括：活跃用户、沉默用户和流失用户。
73.可选地，所述确定单元，包括：第一确定子单元，用于根据所述用户类型确定出目标关系表，其中，所述目标关系表记录有概率增量阈值与营销运营成本之间的对应关系；第二确定子单元，用于利用所述目标关系表和所述营销运营成本确定出所述目标用户的概率增量阈值；判断子单元，用于判断所述目标用户在不同营销策略下的购买概率增量是否小于所述概率增量阈值；选择子单元，用于当小于所述概率增量阈值时，则选择成本最小的营销策略。
74.可选地，所述营销策略的确定装置，还包括训练模块，用于通过以下步骤训练得到所述预测模型：将实验目标人群划分为多个处理组和一个控制组，其中，每个所述处理组采用一种营销策略，所述控制组未采用营销策略；记录转化结果，将成功购买的用户记为正样本，未购买的用户记为负样本；获取所有用户的用户特征信息以及产品特征信息；利用所述转化结果、用户特征信息以及产品特征信息作为训练样本，训练得到所述预测模型。
75.本发明的一个实施例中，还提供了一种计算机设备，其内部结构图可以如图7所
示。该计算机设备包括通过系统总线连接的处理器、存储器，还可以包括显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种电池充电柜火灾检测方法，该计算机设备还可以包括显示屏和输入装置，其显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板等。
76.本领域技术人员可以理解，图7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的限定，具体的计算机设备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。
77.本领域普通技术人员可以理解实现上述实施例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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
78.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
79.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。