一种目标客户筛选方法及装置制造方法及图纸

本发明专利技术提供了一种目标客户筛选方法及装置，该目标客户筛选方法包括：在待分类客户样本中筛选出预进行推送预设信息的本次目标客户；获取对所述本次目标客户进行预设信息推送后的推送反馈结果；根据所述推送反馈结果对筛选本次目标客户的筛选模型进行修正，以根据修正后的筛选模型进行下次目标客户的筛选。上述方案，通过利用营销反馈结果动态调整数据挖掘模型，提高了营销客户筛选的准确性，大大提高了营销的命中率和精准度，提高了营销效果，大幅度降低了营销成本，提高了营销投入产出比以及营销收益。

A method and device for target customer screening

The invention provides a target selection method and device, including the target selection method: pre screened the target customers to push the preset information to customer classification in the sample; the access to the target customers for the preset information push to send feedback results sent after; according to the push the feedback results of the screening model of the target customer is modified to be screened next target customers according to the revised screening model. The scheme, through the use of marketing feedback to dynamically adjust the data mining model, improve the marketing customer selection accuracy, greatly improves the hit rate and precision marketing, improve the marketing effect, reduce marketing costs, improve marketing input-output ratio and marketing revenue.

【技术实现步骤摘要】
一种目标客户筛选方法及装置
本专利技术涉及数据仓库
，特别涉及一种目标客户筛选方法及装置。
技术介绍
在市场竞争日趋激烈的情况下，如何提高目标客户群选取的精准度、提高营销成功率、降低营销成本是各电商运营商一直关心的问题。现阶段，一般是针对专门领域的营销活动，建立数据挖掘模型，匹配特征和用户偏好等方式来筛选客户群。数据挖掘模型一般是基于历史数据分析构建，找出相应用户群的筛选规则，然后利用相应的规则得到营销客户群，构建的过程没有利用到最新的营销反馈结果。现有技术主要存在以下2个缺陷：1、数据挖掘模型调整的滞后性。数据挖掘筛选出的规则往往依赖于输出指标、维度的完备性，以及数据挖掘团队的经验。模型训练经过验证后，即把模型结果固定下来，由相应的规则筛选出目标用户群。而模型的输入指标、指标的权重均保持固定不变，无法随着业务的变化而自动调整。直到模型性能下降到一定程度，引起营销人员的重视，进而投入大量人力、物力以及时间对数据挖掘模型进行二次优化。2、营销反馈无法得到充分利用。传统的营销反馈信息仅仅用来评价营销活动的效果，或者用来评估模型的优劣，没有实际反馈信息的充分利用，没有实现真正意义上的营销闭环。随着市场环境的变化，用户行为也会发生改变。原有的静态模型规则或者客户标签，越来越无法适应市场、客户行为的变化，导致客户群筛选并不精准，营销效果也越来越差。
技术实现思路
本专利技术要解决的技术问题是提供一种目标客户筛选方法及装置，用以解决现有的静态数据挖掘模型不能结合营销反馈结果动态调整，造成营销客户筛选不准确，营销效果差的问题。为了解决上述技术问题，本专利技术实施例提供一种目标客户筛选方法，包括：在待分类客户样本中筛选出预进行推送预设信息的本次目标客户；获取对所述本次目标客户进行预设信息推送后的推送反馈结果；根据所述推送反馈结果对筛选本次目标客户的筛选模型进行修正，以根据修正后的筛选模型进行下次目标客户的筛选。进一步地，所述在待分类客户样本中筛选出预进行推送预设信息的本次目标客户的步骤包括：获取筛选模型；根据所述筛选模型，分别计算待分类客户样本中每个客户样本在每个类别上的概率值；根据每个客户样本的所述概率值，在待分类客户样本中选取出推送预设信息的本次目标客户。进一步地，所述筛选模型为朴素贝叶斯分类器时，所述获取筛选模型的步骤包括：获取用于构建朴素贝叶斯分类器的训练数据和测试数据；利用所述训练数据构建得到初始的分类器；利用所述测试数据对所述分类器进行选择，得到朴素贝叶斯分类器。进一步地，所述利用所述训练数据构建得到初始的分类器的步骤包括：利用训练数据得到初始的分类器的先验概率和条件概率；根据先验概率和条件概率得到训练数据、测试数据中每个样本所属的类别，并计算训练误差、测试误差，选取测试误差最小的分类器作为初始的分类器。进一步地，所述利用训练数据得到初始的分类器的先验概率和条件概率的步骤包括：利用公式：计算得到训练数据在每个类别上的先验概率；利用公式：计算得到训练数据的条件概率；其中，训练数据T＝{(x1,y1),(x2,y2),...,(xN,yN)}，N表示所述训练数据中包含样本x的总个数；P(Y＝ck)表示在类别Y上的先验概率；yi为Y的目标变量，表示样本类别，且yi∈{c1,c2,...,cK}，ck为样本类别值；I(·)表示求样本类别概率函数；P(X(j)＝ajl|Y＝ck)表示训练数据的条件概率；表示第i个样本的第j个特征，且ajl是第j个特征取得第l个值；j＝1,2,...,n，l＝1,2,...,Sj，k＝1,2,...,K。进一步地，所述根据先验概率和条件概率得到训练数据、测试数据中每个样本所属的类别，并计算训练误差、测试误差，选取测试误差最小的分类器作为初始的分类器的步骤包括：利用公式：将训练数据中每个样本在预设类别上求得的最大值所对应的类别作为该样本的类别；其中，y表示具有最大值的样本类别；P(Y＝ck)表示在类别Y上的先验概率；Y表示样本类别；ck为样本类别值；P(X(j)＝x(j)|Y＝ck)表示条件概率，x(j)为x的目标变量，x表示样本实例，且x＝(x(1),x(2),...,x(n))T。进一步地，所述利用所述测试数据对所述分类器进行选择，得到朴素贝叶斯分类器的步骤包括：多次调整训练数据中目标变量的浓度与贝叶斯估计的参数，根据每次调整后的目标变量的浓度与贝叶斯估计的参数，在测试数据中计算评估指标值，获取最大的一个评估指标值所对应的目标事件浓度及贝叶斯估计的参数，得到朴素贝叶斯分类器；其中，所述朴素贝叶斯分类器的先验概率为：条件概率为：其中，Pλ(Y＝ck)为朴素贝叶斯分类器的先验概率；yi为Y的目标变量，表示样本类别，且yi∈{c1,c2,...,cK}，ck为样本类别值；I(·)表示求样本类别概率；λ为贝叶斯估计的参数；Pλ(X(j)＝ajl|Y＝ck)为朴素贝叶斯分类器的条件概率；表示第i个样本的第j个特征，且ajl是第j个特征取得第l个值；j＝1,2,...,n，l＝1,2,...,Sj，k＝1,2,...,K。进一步地，所述评估指标值利用公式：计算得到；其中，F1为评估指标值，P实际为正例，表示初始的分类器在测试数据上的查准率，且P＝预测为正例的样本个数/预测为正例的样本个数；R为初始的分类器在测试数据上的查全率，且R＝预测为正例的样本个数/实际正例的样本个数。进一步地，所述根据每个客户样本的所述概率值，在待分类客户样本中选取出推送预设信息的本次目标客户的步骤包括：计算待分类客户样本归属不同类别的概率值，选取目标类概率值大于非目标类概率值的样本，并把概率值由大到小降序排列，选取排列在前面的预设个数的客户样本作为本次目标客户。进一步地，所述根据所述推送反馈结果对筛选本次目标客户的筛选模型进行修正的步骤包括：将所述推送反馈结果与本次目标客户的类别标签进行比较，在本次目标客户中获取推送反馈结果为推送未成功的第一样本；根据所述第一样本对筛选模型进行调整。进一步地，当所述筛选模型为朴素贝叶斯分类器时，所述根据所述第一样本对筛选模型进行调整的步骤包括：根据公式：重新计算朴素贝叶斯分类器的先验概率；根据公式：重新计算朴素贝叶斯分类器的条件概率；其中，P1(Y＝ck)表示朴素贝叶斯分类器的先验概率；yi为Y的目标变量，表示样本类别，且yi∈{c1,c2,...,cK}，ck为样本类别值；I(·)表示求样本类别概率；N表示训练数据中包含样本x的总个数；P1(X(j)＝ajl|Y＝ck)表示朴素贝叶斯分类器的条件概率；表示第i个样本的第j个特征，且ajl是第j个特征取得第l个值；j＝1,2,...,n，l＝1,2,...,Sj，k＝1,2,...,K；N1为第一样本的个数。本专利技术实施例提供一种目标客户筛选装置，包括：筛选模块，用于在待分类客户样本中筛选出预进行推送预设信息的本次目标客户；反馈结果获取模块，用于获取对所述本次目标客户进行预设信息推送后的推送反馈结果；修正模块，用于根据所述推送反馈结果对筛选本次目标客户的筛选模型进行修正，以根据修正后的筛选模型进行下次目标客户的筛选。进一步地，所述筛选模块包括：模型获取子模块，用于获取筛选模型；概率计算子模块，用于根据所述筛选模型，分别计算待分类客户样本文档来自技高网...

【技术保护点】
一种目标客户筛选方法，其特征在于，包括：在待分类客户样本中筛选出预进行推送预设信息的本次目标客户；获取对所述本次目标客户进行预设信息推送后的推送反馈结果；根据所述推送反馈结果对筛选本次目标客户的筛选模型进行修正，以根据修正后的筛选模型进行下次目标客户的筛选。

【技术特征摘要】
1.一种目标客户筛选方法，其特征在于，包括：在待分类客户样本中筛选出预进行推送预设信息的本次目标客户；获取对所述本次目标客户进行预设信息推送后的推送反馈结果；根据所述推送反馈结果对筛选本次目标客户的筛选模型进行修正，以根据修正后的筛选模型进行下次目标客户的筛选。2.根据权利要求1所述的目标客户筛选方法，其特征在于，所述在待分类客户样本中筛选出预进行推送预设信息的本次目标客户的步骤包括：获取筛选模型；根据所述筛选模型，分别计算待分类客户样本中每个客户样本在每个类别上的概率值；根据每个客户样本的所述概率值，在待分类客户样本中选取出推送预设信息的本次目标客户。3.根据权利要求2所述的目标客户筛选方法，其特征在于，所述筛选模型为朴素贝叶斯分类器时，所述获取筛选模型的步骤包括：获取用于构建朴素贝叶斯分类器的训练数据和测试数据；利用所述训练数据构建得到初始的分类器；利用所述测试数据对所述分类器进行选择，得到朴素贝叶斯分类器。4.根据权利要求3所述的目标客户筛选方法，其特征在于，所述利用所述训练数据构建得到初始的分类器的步骤包括：利用训练数据得到初始的分类器的先验概率和条件概率；根据先验概率和条件概率得到训练数据、测试数据中每个样本所属的类别，并计算训练误差、测试误差，选取测试误差最小的分类器作为初始的分类器。5.根据权利要求4所述的目标客户筛选方法，其特征在于，所述利用训练数据得到初始的分类器的先验概率和条件概率的步骤包括：利用公式：计算得到训练数据在每个类别上的先验概率；利用公式：计算得到训练数据的条件概率；其中，训练数据T＝{(x1,y1),(x2,y2),...,(xN,yN)}，N表示所述训练数据中包含样本x的总个数；P(Y＝ck)表示在类别Y上的先验概率；yi为Y的目标变量，表示样本类别，且yi∈{c1,c2,...,cK}，ck为样本类别值；I(·)表示求样本类别概率函数；P(X(j)＝ajl|Y＝ck)表示训练数据的条件概率；表示第i个样本的第j个特征，且ajl是第j个特征取得第l个值；j＝1,2,...,n，l＝1,2,...,Sj，k＝1,2,...,K。6.根据权利要求4所述的目标客户筛选方法，其特征在于，所述根据先验概率和条件概率得到训练数据、测试数据中每个样本所属的类别，并计算训练误差、测试误差，选取测试误差最小的分类器作为初始的分类器的步骤包括：利用公式：将训练数据中每个样本在预设类别上求得的最大值所对应的类别作为该样本的类别；其中，y表示具有最大值的样本类别；P(Y＝ck)表示在类别Y上的先验概率；Y表示样本类别；ck为样本类别值；P(X(j)＝x(j)|Y＝ck)表示条件概率，x(j)为x的目标变量，x表示样本实例，且x＝(x(1),x(2),...,x(n))T。7.根据权利要求3所述的目标客户筛选方法，其特征在于，所述利用所述测试数据对所述分类器进行选择，得到朴素贝叶斯分类器的步骤包括：多次调整训练数据中目标变量的浓度与贝叶斯估计的参数，根据每次调整后的目标变量的浓度与贝叶斯估计的参数，在测试数据中计算评估指标值，获取最大的一个评估指标值所对应的目标事件浓度及贝叶斯估计的参数，得到朴素贝叶斯分类器；其中，所述朴素贝叶斯分类器的先验概率为：条件概率为：其中，Pλ(Y＝ck)为朴素贝叶斯分类器的先验概率...

【专利技术属性】
技术研发人员：赵洪松，苏燕，
申请(专利权)人：中国移动通信集团黑龙江有限公司，中国移动通信集团公司，
类型：发明
国别省市：黑龙江,23