一种基于因果推断和分配策略最优化的金融智能营销算法制造技术

本发明专利技术涉及金融智能营销相关领域，具体公开了一种基于因果推断和分配策略最优化的金融智能营销算法，包括以下步骤：S1、在预算有限、ROI约束条件下，将最大化营销动作转化率表示为通过分组背包问题；S2、构建基于因果推断的用户敏感度增量模型Δp

【技术实现步骤摘要】
一种基于因果推断和分配策略最优化的金融智能营销算法
本专利技术涉及金融智能营销相关领域，具体为一种基于因果推断和分配策略最优化的金融智能营销算法。
技术介绍
智能营销是通过人的创造性、创新力以及创意智慧将先进的计算机、网络、移动互联网，物联网等科学技术的融合应用于当代品牌营销领域的新思维、新理念、新方法和新工具的创新营销新概念。目前，智能化的营销手段越来越普及，商家可以通过多种渠道接触消费者，使用的营销干预手段，都会产生成本，如何衡量和预测营销干预带来的“增量提升”，而不把营销预算浪费在“本来就会转化”的那部分人身上，还有一部分“根本不会转化”的那部分人成为智能营销算法最重要的挑战。
技术实现思路
本专利技术的目的在于提供一种基于因果推断和分配策略最优化的金融智能营销算法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于因果推断和分配策略最优化的金融智能营销算法，包括以下步骤：S1、在预算有限、ROI约束条件下，将最大化营销动作转化率表示为通过分组背包问题，ROI约束条件：利润/投资实际计算的ROI≥设定的ROI，预算约束条件：投资≤B，Xik取值为0或1；其中，βik为用户i对于营销动作k的核销率，是针对营销动作k设计的值，kXik为是否对用户i实施营销动作k，kAik为用户i在营销动作k作用下的转化金额，wik为营销动作k对应的金额；B为营销动作k的预算上限的定值，ROI为资源回报率，是一个定值；分组背包模型公式为：其中：用户个数为i,营销动作为k，Δpik为用户敏感度模型，Xik为是否对用户i实施营销动作k，Xik取值为0或1，Xik＝1时表示用户i实施营销动作k，Xik＝0时表示用户i不实施营销动作k；表示对不同用户实施不同营销动作实现的营销转化率；表示在X矩阵中取得最大化营销转换率；表示用于最优化策略寻找，得到的数据即是针对用户的最优营销策略；S2、构建基于因果推断的用户敏感度增量模型Δpik，用于锁定营销敏感人群，预测不同营销动作对每个用户的敏感度，从而帮助制定营销策略：Δpik＝G(Yi|Xi,T＝1)-G(Yi|Xi,T＝0)，其中：Y代表的用户转换结果，X是用户维度的特征，该特征包括但不限于年龄、性别的特征，T代表的是营销的变量(1代表有干预，0代表无干预)，因此这个概率差值表示的是用户在有干预和没有干预情况下的变化；S3、使用用户敏感度增量模型预测对每个用户施加不同营销动作时的用户敏感程度，绘制用户的敏感度与营销动作关系曲线，曲线用于对一个用户施加不同的营销动作，判断用户对当前营销动作的敏感度；S4、搭建智能营销的在线服务平台，通过敏感程度数据、消耗和产出的数据，驱动模型进行收益模拟测算，完成最优营销策略的分配，促成营销推广效率的最大化；S5、通过业务方的营销后端实施推广决策的营销动作，为每种人群分配一种营销动作。作为本专利技术一种优选的技术方案，步骤S1中包括根据处理对象的规模、可用的计算资源，选取合适的参数，在不同程度上逼近模型全局效用最大化。作为本专利技术一种优选的技术方案，步骤S3中的曲线分析包括权益不敏感型、低成本胜高成本型和临界突增型。作为本专利技术一种优选的技术方案，步骤S4中智能营销的在线服务平台包括建立数据库，数据库包括公共数据、金融业务数据、营销活动数据和外部数据，根据用户的敏感程度与数据库中储存的数据进行比对，同时结合当前的环境特征预测用户在当前状态下真实的敏感度，进行最优营销策略的决策，其中当前的环境特征包括人文环境、经济环境、自然环境、技术环境、政治-法律环境和社会-文化环境等。作为本专利技术一种优选的技术方案，步骤S5中营销动作的分配为根据经验对不同属性的人群分配不同的营销动作。与现有技术相比，本专利技术的有益效果是：构建营销增益预测模型，帮助商家锁定营销敏感人群，预知每个用户的营销敏感程度，驱动收益模拟测算和投放营销策略制定，促成营销推广效率的最大化。附图说明图1为本专利技术的曲线图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术提供一种技术方案：一种基于因果推断和分配策略最优化的金融智能营销算法，包括以下步骤：S1、在预算有限、ROI约束条件下，将最大化营销动作转化率表示为通过分组背包问题，ROI约束条件：利润/投资实际计算的ROI≥设定的ROI，预算约束条件：投资≤B，Xik取值为0或1；其中，βik为用户i对于营销动作k的核销率，是针对营销动作k设计的值，kXik为是否对用户i实施营销动作k，kAik为用户i在营销动作k作用下的转化金额，wik为营销动作k对应的金额；B为营销动作k的预算上限的定值，ROI为资源回报率，是一个定值；分组背包模型公式为：其中：用户个数为i,营销动作为k，Δpik为用户敏感度模型，Xik为是否对用户i实施营销动作k，Xik取值为0或1，Xik＝1时表示用户i实施营销动作k，Xik＝0时表示用户i不实施营销动作k；表示对不同用户实施不同营销动作实现的营销转化率；表示在X矩阵中取得最大化营销转换率；表示用于最优化策略寻找，得到的数据即是针对用户的最优营销策略；S2、构建基于因果推断的用户敏感度增量模型Δpik，用于锁定营销敏感人群，预测不同营销动作对每个用户的敏感度，从而帮助制定营销策略：Δpik＝G(Yi|Xi,T＝1)-G(Yi|Xi,T＝0)，其中：Y代表的用户转换结果，X是用户维度的特征，该特征包括但不限于年龄、性别的特征，T代表的是营销的变量(1代表有干预，0代表无干预)，因此这个概率差值表示的是用户在有干预和没有干预情况下的变化；S3、使用用户敏感度增量模型预测对每个用户施加不同营销动作时的用户敏感程度，绘制用户的敏感度与营销动作关系曲线，曲线用于对一个用户施加不同的营销动作，判断用户对当前营销动作的敏感度；S4、搭建智能营销的在线服务平台，通过敏感程度数据、消耗和产出的数据，驱动模型进行收益模拟测算，完成最优营销策略的分配，促成营销推广效率的最大化；S5、通过业务方的营销后端实施推广决策的营销动作，为每种人群分配一种营销动作。进一步的，步骤S1中包括根据处理对象的规模、可用的计算资源，选取合适的参数，在不同程度上逼近模型全局效用最大化。进一步的，步骤S3中的曲线分析包括权益不敏感型、低成本胜高成本型和临界突增型。进一步的，步骤S4中智能营销的在线服务平台包括建立数据库，数据库包括公共数据、金融业务数据、营销活动数据和外部数据，根据用本文档来自技高网...

【技术保护点】
1.一种基于因果推断和分配策略最优化的金融智能营销算法，其特征在于，包括以下步骤：/nS1、在预算有限、ROI约束条件下，将最大化营销动作转化率表示为通过分组背包问题，/nROI约束条件：利润/投资/n

【技术特征摘要】
1.一种基于因果推断和分配策略最优化的金融智能营销算法，其特征在于，包括以下步骤：
S1、在预算有限、ROI约束条件下，将最大化营销动作转化率表示为通过分组背包问题，
ROI约束条件：利润/投资

实际计算的ROI≥设定的ROI，
预算约束条件：

投资≤B，

Xik取值为0或1；
其中，βik为用户i对于营销动作k的核销率，是针对营销动作k设计的值，Xik为是否对用户i实施营销动作k，Aik为用户i在营销动作k作用下的转化金额，wik为营销动作k对应的金额；B为营销动作k的预算上限的定值，ROI为资源回报率，是一个定值；
分组背包模型公式为：
其中：用户个数为i,营销动作为k，Δpik为用户敏感度模型，Xik为是否对用户i实施营销动作k，Xik取值为0或1，Xik＝1时表示用户i实施营销动作k，Xik＝0时表示用户i不实施营销动作k；表示对不同用户实施不同营销动作实现的营销转化率；表示在X矩阵中取得最大化营销转换率；表示用于最优化策略寻找，得到的数据即是针对用户的最优营销策略；
S2、构建基于因果推断的用户敏感度增量模型Δpik，用于锁定营销敏感人群，预测不同营销动作对每个用户的敏感度，从而帮助制定营销策略：
Δpik＝G(Yi|Xi,T＝1)-G(Yi|Xi,T＝0)，
其中：Y代表的用户转换结果，X是用户维度的特征，该特征包括但不限于年龄、性别的特征，T代表的是营销的变量，其中T为1代表有干预，T为0代表无干预，因此敏感度增量模型Δpik取得的这个概率差值表示的是用户在有干预和没有干预情况下的变化；
S3、...

【专利技术属性】
技术研发人员：唐松，
申请(专利权)人：唐松，
类型：发明
国别省市：广东;44