一种基于因果关系的信息预测方法技术

本发明专利技术提供了一种基于因果关系的信息预测方法，属于信息处理技术领域，包括从业务行为中收集多源数据；将多源数据作为自变量，业务目标作为因变量，构建自变量与因变量的因果关系模型，将业务行为与业务目标建立联系；根据因果关系模型选择业务策略。本发明专利技术提供的一种基于因果关系的信息预测方法，使用该方法能去除干扰因素带来的伪相关；克服调研数据信息少、量小的局限性问题，形成全局化的洞察；该方法中生成的因果关系模型能够对真实市场环境进行高度还原，输出能切实指导商业决策的结果，直接助力企业决策。

【技术实现步骤摘要】
一种基于因果关系的信息预测方法
本专利技术属于信息处理
，更具体地说，是涉及一种基于因果关系的信息预测方法。
技术介绍
净推荐值(NetPromoterScore，NPS)是一种计量某个客户将会向其他人推荐某个产品或服务可能的指数，是衡量产品客户忠诚度的关键指标，由美国贝恩咨询公司题出，针对企业良性收益与真实增长，以NPS为基础进行信息推荐，可以更符合客户实际情况，提高推荐成功率，提升用户体验。现有的净推荐值收集的过程多通过向用户发放问卷调研的手段，收集用户看法，并使用传统统计方法进行分析。通过问卷收集用户态度，失效性较差，且所有答案都是用户“声称”的态度，其中不可避免地存在被访者给出不真实意见的情况，同一来源数据不能完全支撑用户态度的真实性以及态度产生原因的问题。传统分析业务影响因素的方法主要包括：相关分析、回归分析、因果分析。传统数据分析技术的缺点：1、将强相关当作因果，无法找到真正原因；2、传统统计方法在大数据时代局限性越专利技术显；3、传统统计方法在模拟和优化方面效率和效果不佳。传统统计方法无论在因果分析、模拟效率、优化效果方面都存在一定的瓶颈，且传统数据分析方法受大量干扰因素影响，只能看到目标因素之间的相关性，无法判断真正的因果关系，不能从因变量出发影响结果，容易制定无效的商业策略，导致高昂的容错成本失去市场先机等诸多局限。
技术实现思路
本专利技术的目的在于提供一种基于因果关系的信息预测方法，旨在解决传统统计方法无论在因果分析、模拟效率、优化效果方面都存在一定的瓶颈，且受干扰因素影响，只能看到目标因素之间的相关性，无法判断真正的因果关系，不能从因变量出发影响结果，容易制定无效的商业策略的技术问题。为实现上述目的，本专利技术采用的技术方案是：提供一种基于因果关系的信息预测方法，包括：从业务行为中收集多源数据；将所述多源数据作为自变量，业务目标作为因变量，构建自变量与因变量的因果关系模型，将业务行为与业务目标建立联系；根据所述因果关系模型选择业务策略。进一步地，从业务行为中收集多源数据包括:从企业或/和第三方收集调研平台收集数据。进一步地，所述因果关系模型的构建包括：确定研究问题；选出问题中含有的因素，其中，因素包括自变量与因变量，构建结构因果模型；确定因果关系参数；建立观察参数与因果模型的联系；评估平均因果作用公式的可识别性,确定多条路径的因果关系。进一步地，选出问题中含有的因素，其中，因素包括自变量与因变量，构建结构因果模型包括：确定内源性节点：X＝(W1,W2,A,Y),其中，W1：基本混杂元素，W2：不可观察的混杂元素；A：自变量，Y：因变量；确定外生节点：U＝(UW1,UW2，UY,UA)～P*，其中，UW1,UW2，UY,UA分别与W1,W2,A,Y具有相关性，P*表示数据类型的指针变量；构建结构方程F：W1＝fW1(UW1)W2→fW2(W1,UW2)A→fA(W1,W2,UA)Y→fY(W1,W2,A,UY)。进一步地，确定因果关系参数包括：ACE＝E(Y1)–E(Y0)＝P*(Y1＝1)-P*(Y0＝0)，其中，Y1表示采用自变量得到的业务目标；Y0表示不采用自变量得到的业务目标。进一步地，建立观察参数与因果模型的联系包括：uObservation＝(W1,W2,A,Y)～PuACE＝E[Y1]-E[Y0]。进一步地，所述多源数据包括：消费者的主观因素、消费者的客观因素、产品销量、用户行为数据、满意度的调研数据、在各媒体渠道的投入、历史促销活动的特征中的一种或多种。进一步地，所述业务目标包括：产品定价、产品利润、未接受调研的用户的净推荐值、业务结果指标、促销策略、购买结果中的一种或多种。本专利技术提供的一种基于因果关系的信息预测方法的有益效果在于：与现有技术相比，本专利技术一种基于因果关系的信息预测方法，使用该方法能去除干扰因素带来的伪相关；克服调研数据信息少、量小的局限性问题，形成全局化的洞察；该方法中生成的因果关系模型能够对真实市场环境进行高度还原，从而提升数据关系信度，摆脱传统数据分析技术的窠臼，打通不同层面的数据孤岛，输出能切实指导商业决策的结果，直接助力企业决策。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于因果关系的信息预测方法中提供的有向无环图；图2为本专利技术实施例2提供的一种基于因果关系的信息预测方法中提供的不同维度的定价模型；图3为本专利技术实施例提供的一种基于因果关系的信息预测方法的流程框图一；图4为本专利技术实施例提供的一种基于因果关系的信息预测方法的流程框图二。具体实施方式为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请一并参阅图1至图4，现对本专利技术提供的一种基于因果关系的信息预测方法进行说明。所述一种基于因果关系的信息预测方法，包括S1、从业务行为中收集多源数据；本步骤的实现可以为：使用企业提供的自由数据，或通过第三方收集信息平台(如：秒算)进行调研数据和大数据的收集。示例性的，通过用户APP使用的行为大数据(包括APP使用频率、时长)和调研(问卷调研用户对某款产品或服务的偏好态度)相结合对NPS及其它业务目标进行分析。S2、将所述多源数据作为自变量，业务目标作为因变量，构建自变量与因变量的因果关系模型，将业务行为与业务目标建立联系；本步骤的实现可以为：S2.1、确定研究问题；S2.2、选出问题中含有的因素，其中，因素包括自变量与因变量，构建结构因果模型；本步骤的实现可以为：确定内源性节点：X＝(W1,W2,A,Y),其中，W1：基本混杂元素(和Y具有相关关系的变量包括使用体验、好感度、铺货率、品牌印象等)，W2：不可观察的混杂元素；A：自变量，Y：因变量；确定外生节点：U＝(UW1,UW2，UY,UA)～P*，其中，UW1,UW2，UY,UA分别与W1,W2,A,Y具有相关性，P*表示数据类型的指针变量(见图1)；如图所示外生节点分别指向相应的内源性节点。由此我们构建结构方程F：W1＝fW1(UW1)W2→fW2(W1,UW2)A→fA(W1,W2,UA)Y→fY(W1,W2,A,UY)。其中W1可以用UW1为变量的公式fW1表示，W2可以用W1和UW2为变量的公式fW2表示，A可以用W1，W2UA和为变量的公式fA表示，Y可以用W1，W2，A和本文档来自技高网...

【技术保护点】
1.一种基于因果关系的信息预测方法，其特征在于，包括：/n从业务行为中收集多源数据；/n将所述多源数据作为自变量，业务目标作为因变量，构建自变量与因变量的因果关系模型，将业务行为与业务目标建立联系；/n根据所述因果关系模型选择业务策略。/n

【技术特征摘要】
1.一种基于因果关系的信息预测方法，其特征在于，包括：
从业务行为中收集多源数据；
将所述多源数据作为自变量，业务目标作为因变量，构建自变量与因变量的因果关系模型，将业务行为与业务目标建立联系；
根据所述因果关系模型选择业务策略。


2.如权利要求1所述的一种基于因果关系的信息预测方法，其特征在于，从业务行为中收集多源数据包括:从企业或/和第三方收集调研平台收集数据。


3.如权利要求1所述的一种基于因果关系的信息预测方法，其特征在于，所述因果关系模型的构建包括：
确定研究问题；选出问题中含有的因素，其中，因素包括自变量与因变量，构建结构因果模型；确定因果关系参数；建立观察参数与因果模型的联系；评估平均因果作用公式的可识别性,确定多条路径的因果关系。


4.如权利要求1所述的一种基于因果关系的信息预测方法，其特征在于，选出问题中含有的因素，其中，因素包括自变量与因变量，构建结构因果模型包括：
确定内源性节点：X＝(W1,W2,A,Y),其中，W1：基本混杂元素，W2：不可观察的混杂元素；A：自变量，Y：因变量；确定外生节点：U＝(UW1,UW2，UY,UA)～P*，其中，UW1,UW2，UY,UA分别与W1,W2,A,...

【专利技术属性】
技术研发人员：刘立丰，
申请(专利权)人：北京秒算信息技术有限公司，
类型：发明
国别省市：北京;11