[发明专利]网络用户活跃度评估方法和预测方法

说明书

技术领域

本发明涉及互联网领域，具体地涉及一种对网络用户在时间周期内的活跃度进行评估的方法和网络用户活跃度预测方法。

背景技术

在电商领域，一般只有活跃用户才能直接或间接地为网站创造价值。活跃用户的定义千差万别，一般将有关键动作或者行为达到某个要求时的用户定义为活跃用户。每个网站都会根据自身的产品特征定义活跃用户，并将其用于分析网站真正掌握的用户量。

用户活跃度能够帮助网站分析用户数据，进行进一步的用户挽留、促销等动作。比如，电商网站在识别出一批不太活跃的用户之后，可以采取派发优惠券的方式，激励用户重复访问其网站，并进而促成用户进行下单、购买等行为。又如，在识别出一系列高活跃度的用户后，可以赋予这批用户一些特权或者特殊标示，以提升这部分人群的归属感。总之，对于网站活跃用户正确的划分非常重要，也是电商制定宣传和营销策略的重要参考。

在传统的用户活跃度计算方法中，一般仅统计用户每日在线时间。比如，某聊天软件对于用户活跃天的判断有如下规则：当天(0：00-23：59)使用在2小时(及2小时以上)，当天算为活跃天，为其活跃天数累积1天；当天(0：00-23：59)使用在0.5小时至2小时，为其活跃天数累积0.5天；当天(0：00-23：59)使用在0.5小时以下的，不为其累积活跃天数。

在电商领域，衡量应用用户的活跃度有多个因素，包括用户日开启率、停留时长、互动频次等。理想状况下，一个应用每天启动的次数越多，每日启动停留的时间越长，在应用内与其他用户互动越频繁，表明该用户的活跃度就越高。

然而，现有的用户活跃度计算方法，只能笼统的根据用户的登录频次、停留时间等指标进行统计，并且人为的对活跃度划分出界限，将每个用户对应到各个不同的区间。这种方法并不是用数据来定义，而是用业务来定义用户的活跃度。

此外，传统方法都是基于历史数据的统计，计算出的是用户当前的活跃度状态，并没有对用户下一周期的活跃度进行预测。在实际的电商应用中，我们需要的往往不是当前数据，而是根据历史数据去推测用户未来可能的行为。

发明内容

为了解决现有技术中存在的上述问题，本发明提出了一种对网络用户在时间周期内的活跃度进行评估的方法和网络用户活跃度预测方法。

根据本发明的一个方面，提出了一种对网络用户在时间周期内的活跃度进行评估的方法，包括：收集所述网络用户在所述时间周期内的活动数据，所述活动数据通过单位时间来标识并且包括多个活动属性；通过所述时间周期来标识所述活动数据，得到活动评估数据；对所述活动评估数据中的各个活动属性的值进行归一化；以及根据经过归一化的各个活动属性的值，确定所述网络用户活跃度值。

优选地，所述活动属性是从以下各项中选择的：登录次数、停留时间、有效下单数、收藏商品数、搜索次数、评价次数、领取优惠券次数。

优选地，通过所述时间周期来标识所述活动数据得到活动评估数据包括：将所述时间周期内的各个单位时间所对应的活动数据的相应活动属性的值分别相加，作为活动评估数据的相应活动属性的值。

优选地，通过以下公式对所述活动评估数据中的活动属性X的值进行归一化：X_Normal＝A_X·X/X_Max，其中，X_Normal是活动属性X的经过归一化的值，X_Max是活动属性X的最大值，A_X是权重系数。

优选地，根据经过归一化的各个活动属性的值确定所述网络用户活跃度值包括：通过将经过归一化的各个活动属性的值相加，导出所述网络用户的活跃度值。

优选地，所述方法还包括：通过针对多个网络用户在多个时间周期内得到的活跃度值，确定所述网络用户的活跃度级别。

优选地，根据针对多个网络用户在多个时间周期内得到的活跃度值数据的平均值和标准差，划分网络用户的活跃度级别范围。

根据本发明的另一方面，还提供了一种网络用户活跃度预测方法，包括：收集网络用户在第一时间周期内的活动数据，所述活动数据通过单位时间来标识并且包括多个活动属性，所述第一时间周期终止于当前单位时间的前一天；通过第二时间周期来标识所述活动数据，得到活动评估数据，所述第一时间周期是所述第二时间周期的倍数；对所述活动评估数据中的各个活动属性的值进行归一化；根据经过归一化的各个活动属性的值，确定网络用户在所述第一时间周期内的各个第二时间周期中的活跃度值；根据所述各个第二时间周期中的活跃度值，对网络用户在下一个第二时间周期中的活跃度进行预测。