一种基于DPI聚类分析用户对营销活动敏感度的方法技术

一种基于DPI聚类分析用户对营销活动敏感度的方法，包括根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到N个业务类型的特征值；通过DPI聚类建模，关联具有N个业务类型特征值的用户；设计多个维度的营销活动模式；对具有N个业务类型特征值的用户投放多个维度的营销活动模式；对多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个营销活动模式对应一个维度分类，每一个维度分类包括多个投放结果小类；通过DPI聚类算法，结合反馈的投放结果数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。

【技术实现步骤摘要】
一种基于DPI聚类分析用户对营销活动敏感度的方法
本专利技术涉及人工智能的
，更具体地，涉及一种基于DPI聚类分析用户对营销活动敏感度的方法。
技术介绍
互联网行业发展的趋势使其运营商竞争日益激烈，对运营商在对客户服务方面要求越来越高，客户服务的细分和差异化决定了互联网运营商的优劣。然而，客户服务差异化越明显，给运营商带来的运营成本越高，因此，精确化营销服务已经成为互联网运营提高竞争力的一个重要营销手段。目前，互联网运营商主要采用根据不同个体消费者或不同消费习惯给予客户关怀。虽然互联网运营商掌握了客户在网上消费的大量信息，但如何把这些信息深度挖掘，利用这些信息做好用户的聚类分析，提高目标用户定位的精准度，指导运营商精细化营销是一个新兴的发展方向，且对营销活动的成本和结果产生巨大影响，业界急需解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于DPI聚类分析用户对营销活动敏感度的方法。该方法用来解决的对目标用户按照营销活动关联度进行对同类型的DPI更精准的细分聚类，从而找出DPI聚类在用户营销活动敏感度的影响。为实现上述目的，本专利技术的技术方案如下：一种基于DPI聚类分析用户对营销活动敏感度的方法，其包括：步骤S1：根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到所述N个业务类型的特征值；步骤S2：通过DPI聚类建模，关联到具有所述N个业务类型特征值的用户；>步骤S3：设计多个维度的营销活动模式；步骤S4：对具有所述N个业务类型特征值的用户投放所述多个维度的营销活动模式；步骤S5：对所述多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个营销活动模式对应一个维度分类，每一个所述维度分类包括多个投放结果小类；步骤S6：通过DPI聚类算法，结合反馈的投放结果小类数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。进一步地，所述步骤S6中的聚类算法为K-Means算法，初始类别中心使用K-means++来进行初始化，距离度量为欧氏距离，初始类别中心的数量根据聚类后计算得到的轮廓系数的值来确定。进一步地，所述步骤S6中的聚类算法为K-Means算法，通过业务上的先验知识，从用户参与的活动列表中选择若干较为重要的且参与用户数量较多的活动作为初始类别中心，距离度量为jaccard系数，使用jaccard系数对非类别中心的用户活动，分别计算其到初始选定的类别中心的距离，距离最近的那个中心就作为该活动所属于的类别。进一步地，所述步骤S6中的聚类算法为K-Means算法，在计算样本间距离时仍然使用jaccard系数，在计算重心时，按照各类别样本均值的方式先求得连续值组成的重心向量，再设定一个阈值，使重心向量的元素如果大于该阈值就为1，否则为0，即将原本的由连续值组成的重心向量又转换为0和1组成的重心向量。进一步地，所述上网营销活动的业务大类包括视频营销活动和短信营销活动，所述短信营销活动将短信信息流定向用户进行用户触达，所述视频营销活动将视频信息流定向用户进行用户触达。进一步地，所述视频信息流投放用于收集用户观看这个视频的时长、次数、是否点击活动链接、是否下载观看以及是否注册会员的信息。进一步地，所述短信信息流投放用于收集用户的点击情况、下载和注册情况信息。从上述技术可以看出，本专利技术将用户对营销活动零散的数据按照预期的任务整理成规范的关系表的形式，再根据不同的网络行为所对应的用户群体，通过改进的K-Means无监督聚类方法，对不同的网络行为进行聚类，为后续针对不同类别的网络行为的精准营销活动提供基础，并对不同用户的群体划分提供基于人工智能的理论指导。附图说明图1为本专利技术基于DPI聚类分析用户对营销活动敏感度的方法流程图具体实施方式下面结合附图，对本专利技术的具体实施方式作进一步的详细说明。需要说明的是，在下述的具体实施方式中，在详述本专利技术的实施方式时，为了清楚地表示本专利技术的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本专利技术的限定来加以理解。在以下本专利技术的具体实施方式中，本专利技术方法通过分析用户的上网行为DPI来找出和营销活动相关联的目标用户，是每个数据挖掘、数据营销公司首要解决的目标。目标用户定位的精准度，对营销活动的成本和结果影响巨大，本专利技术方法通过结合两种不同的聚类算法，提高对DPI在具体营销活动中聚类的效果和精准度。也就是说，本专利技术方法用来解决更精准的对目标用户按照营销活动关联度进行对同类型的DPI细分聚类，从而找出DPI聚类在用户营销活动敏感度的影响。请参阅图1，图1为本专利技术基于DPI聚类分析用户对营销活动敏感度的方法流程图。该基于DPI聚类分析用户对营销活动敏感度的方法，其包括：步骤S1：根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到所述N个业务类型的特征值。在本专利技术的实施例中，上网营销活动的业务大类可以包括视频营销活动和短信营销活动等。短信营销活动将短信信息流定向用户进行用户触达，所述视频营销活动将视频信息流定向用户进行用户触达。所述视频信息流投放可以用于收集用户观看这个视频的时长、次数、是否点击活动链接、是否下载观看以及是否注册会员的等信息。所述短信信息流投放可以用于收集用户的点击情况、下载和注册情况等信息。通常操作实践中，上网行为DPI聚类都是一批聚类或者一类聚类，其中，每一个DPI聚类都会关联到许多用户。使用深度包检测技术获取用户上网数据，进行抽取分群从而获取用户行为特征，归纳出用户关注和希望得到哪些营销业务类型服务。具体地，在本专利技术的实施例中，可以根据待营销业务类型和特征参数选出位于相同业务大类中的N个业务类型，例如，如果待营销业务类型为推广一个视频网站的营销活动(下文称为：视频营销活动)，那么就可以通过人工预先筛选出一批同类型的DPI聚类。即可以预先收集优酷、爱奇艺、哔哩哔哩等网址作为该批DPI聚类的具体特征值。该批DPI聚类的具体特征值是针对优酷、爱奇艺、哔哩哔哩等网址，比较分散，对相同业务大类中的其它待营销业务类型的投放，指导意义有限。本次专利技术的解决方法用在DPI数据挖掘过程中，从一类/一批DPI中关联到大量的用户，这些用户对不同的营销活动敏感度区别很大，通过营销活动对用户进行互动，收集用户的互动结果数据。因此，如果对这批DPI聚类进行更细致的分类，可以提高最终关联到的目标用户对营销活动更精准，即执行下述的第二次DPI聚类步骤。步骤S2：通过DPI聚类建模，关联到具有所述N个业务类型特征值的用户。例如，在视频营销活动中，会关联到访问过优酷、爱奇艺、哔哩哔哩网站的用户。<本文档来自技高网...

【技术保护点】
1.一种基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，包括：/n步骤S1：根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到所述N个业务类型的特征值；/n步骤S2：通过DPI聚类建模，关联到具有所述N个业务类型特征值的用户；/n步骤S3：设计多个维度的营销活动模式；/n步骤S4：对具有所述N个业务类型特征值的用户投放所述多个维度的营销活动模式；/n步骤S5：对所述多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个营销活动模式对应一个维度分类，每一个所述维度分类包括多个投放结果小类；/n步骤S6：通过DPI聚类算法，结合反馈的投放结果小类数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。/n

【技术特征摘要】
1.一种基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，包括：
步骤S1：根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到所述N个业务类型的特征值；
步骤S2：通过DPI聚类建模，关联到具有所述N个业务类型特征值的用户；
步骤S3：设计多个维度的营销活动模式；
步骤S4：对具有所述N个业务类型特征值的用户投放所述多个维度的营销活动模式；
步骤S5：对所述多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个营销活动模式对应一个维度分类，每一个所述维度分类包括多个投放结果小类；
步骤S6：通过DPI聚类算法，结合反馈的投放结果小类数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。


2.根据权利要求1所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述步骤S6中的聚类算法为K-Means算法，初始类别中心使用K-means++来进行初始化，距离度量为欧氏距离，初始类别中心的数量根据聚类后计算得到的轮廓系数的值来确定。


3.根据权利要求1所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述步骤S6中的聚类算法为K-Means算法，通过业务上的先验知识，从用户参与的活动列表...

【专利技术属性】
技术研发人员：项亮，潘信法，
申请(专利权)人：上海数鸣人工智能科技有限公司，
类型：发明
国别省市：上海;31