[发明专利]一种基于用户画像体系的营销系统

说明书

一种基于用户画像体系的营销方法，基于数据源模块、制定用户标签体系模块、标签开发模块和应用模块的营销系统；所述数据源模块，搜集多源数据，存储在数据仓库中最原始的数据源层；所述制定用户标签体系模块，指制定适合当前核心业务特色的用户标签体系；所述标签开发模块，包含建立用户ONEID、用户全数据整合和统计与数据建模三个子模块；1)对网站客户数据收集，存储在数据仓库的数据源层；2)制定适合当前业务特色的用户标签体系，确定标签层级和类别；3)建立用户身份识别的ONEID；根据2)制定的标签体系逻辑规则，采用模型算法实现各类标签的计算，输出到数据仓库集市层；开发标签管理页面、用户分群详情页面，直接输出目标用户传到运维人员。

技术领域

本发明涉及用户画像搭建领域，具体而言，涉及一种基于用户画像体系的营销系统及方法。

背景技术

在移动互联网时代，随着电子商务企业的服务和产品日渐丰富，精细化营销与个性化服务成为了企业重要竞争力，用户画像的概念应运而生，依托企业自身的数据积累，从海量数据中抽象出各类标签，将用户形象具体化，形成画像。如今的电子商务早已步入了大数据时代，每天都会产生大量客户访问行为数据和消费记录，日积月累，各个来源的客户数据不再只是孤岛数据，通过用户规则多源联合，可将电脑端的网站用户形象化的描述出来，形成了人物原型，帮助企业充分了解用户，及时掌握其当前状态、行为偏好和潜在需求等信息，对企业整体业务发展尤为重要。

现有机器预测算法与模型已经比较常用，如GBDT(Gradient Boosting DecisionTree)梯度提升迭代决策树。GBDT也是Boosting算法的一种，但是和AdaBoost算法不同；区别如下：AdaBoost算法是利用前一轮的弱学习器的误差来更新样本权重值，然后一轮一轮的迭代；GBDT也是迭代，但是GBDT要求弱学习器必须是CART模型，而且GBDT在模型训练的时候，是要求模型预测的样本损失尽可能的小。GBDT机理是：每一轮预测和实际值有残差，下一轮根据残差再进行预测，最后将所有预测相加，就是结果。支持向量机方法SVM针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。SVM基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。

决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树的典型算法有ID3，C4.5，CART等；决策树算法构造决策树来发现数据中蕴涵的分类规则.如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪技：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数扼集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。

随机森林的构建过程：从原始训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行n_tree次采样，生成n_tree个训练集；对于n_tree个训练集，我们分别训练n_tree个决策树模型；对于单个决策树模型，假设训练样本特征的个数为n，那么每次分裂时根据信息增益/信息增益比/基尼指数选择最好的特征进行分裂；每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。在决策树的分裂过程中不需要剪枝；将生成的多棵决策树组成随机森林。对于分类问题，按多棵树分类器投票决定最终分类结果；对于回归问题，由多棵树预测值的均值决定最终预测结果。