[发明专利]电子商务环境下用户优惠券行为预测方法及模型构建方法

说明书

本发明公开了一种电子商务环境下用户优惠券行为预测方法及模型构建方法，本发明通过对用户优惠券使用情况的数据进行特征提取，得到待分析特征；进行多次数据抽样并通过机器学习的分类模型形成多个分类模型，多个分类模型集合形成集成模型；通过集成模型对待分析特征进行预测分析，筛选出与优惠券使用行为关联最大的待分析特征。本发明可以更加准确的预测用户使用优惠券的概率，使商户发放优惠券有一个参考因素，从而减小商户的运营成本，且更好的达到商户想要的的促销效果。

技术领域

本发明属于电子信息领域，尤其涉及一种电子商务环境下用户优惠券行为预测方法及模型构建方法。

背景技术

发放优惠券是一种很常见的促销行为。商家通过优惠活动来吸引客户消费。现有的电子商务预测技术，大多是基于用户已有的购买行为，去预测用户是否会够买一个商品如图1所示，然而，一些用户可能不会使用他们收到的优惠券，所以随机发放优惠券可能很难以达到预期的促销效果。而预测优惠券使用情况的技术还没有被应用。

现有的用户购买行为预测技术不能解决这一问题，所以我们提出一种预测用户优惠券使用情况的技术，电商平台可以通过这种方式构建模型，预测用户使用优惠券的概率，根据概率大小决定是否对用户发放优惠券。

发明内容

为解决上述问题，本发明提供了一种电子商务环境下用户优惠券行为预测方法及模型构建方法，本发明可以更加准确的预测用户使用优惠券的概率，使商户发放优惠券有一个参考因素，从而减小商户的运营成本，且更好的达到商户想要的的促销效果。

为达到上述技术效果，本发明的技术方案是：

一种电子商务环境下用户优惠券行为预测模型的构建方法(觉得整个资料讲的主要是模型的构建方法，而非预测方法，所以更改了下题目)，包括如下步骤:

步骤一:对用户优惠券使用情况的数据进行特征提取，得到待分析特征；

步骤二:进行多次数据抽样并通过机器学习的分类模型形成多个分类模型，多个分类模型集合形成集成模型；

步骤三:通过集成模型对待分析特征进行预测分析，筛选出与优惠券使用行为关联度在设定阈值或排位名次设定名次以上的待分析特征。

进一步的改进，所述待分析特征包括用户特征、优惠券特征、商铺特征、组合特征和其它特征；

其中，用户特征包括：用户领取优惠券的数量；用户使用优惠券购买商品的次数；用户领券与用券相隔的最大时间；用户领券与用券相隔的平均时间，以天为单位计算；用户购买商品时是否有使用优惠券的偏好；用户领券后是否倾向于使用，以区分某些只领券而不用券的差用户；用户所消费过的不同商铺的数量；

优惠券特征包括优惠券的发放数量；优惠券的核销量；优惠券的核销率，优惠券的折扣率，优惠券惠使用时的最低购买限额；商品的奢侈度；

所述商铺特征包括：发放优惠券的数量；发生购买行为的次数；发放优惠券的种类；核销优惠券的数量；核销率，用券率，优惠券种类的数量；

所述组合特征包括：某用户在某商户中发生购买行为的次数；某用户在某商户领取优惠券的数量；某用户在某商户核销优惠券的数量；某用户与某商户间的距离；某用户在某商户中使用优惠券的偏好某用户对某优惠券的核销次数；某用户对某优惠券的核销率；

所述其它特征包括：某类优惠券的发放量；某类优惠券的和销量；某类优惠券的核销率。

进一步的改进，所述待分析特征包括某用户在某商户领取优惠券的数量。

进一步的改进，所述步骤二中，机器学习的分类模型为Xgboost模型。