[发明专利]一种电商复购潜客近期复购概率估算的方法

说明书

本发明公开了一种电商复购潜客近期复购概率估算的方法，其属于电商复购行为预测的技术领域，该方法通过结合大数据处理技术和AI模型技术，估算出潜在客户的近期复购概率，具有效率高、识别效果好的特点。方法包括如下步骤：(1)基于用户购买行为记录和人口属性信息的原始数据，预处理生成用户的基本特征和聚类特征，形成瞬时特征；(2)基于特征池进行特征灵活管理，并基于特征池生成AI模型训练样本集和待估潜客当前特征；(3)基于训练样本集训练多类AI模型，并组合形成整套复购概率估算逻辑；(4)利用估算逻辑结合训练样本集输出显著特征组合及其显著性值；(5)利用估算逻辑基于潜客当前特征估算得到潜客近期复购概率。

技术领域

本发明涉及电商复购买行为预测的技术领域，更具体地说，尤其涉及一种电商复购潜客近期复购概率估算的方法。

背景技术

电子商务行业发展迅猛，对社会和经济的重要性与日俱增。随着互联网的普及，人们越来越依赖于诸如天猫、淘宝、京东、有赞等电商平台进行购物，电商平台现在每天服务于亿万的用户，大型电商平台更是电子商务行业发展的催化剂。对比传统线下销售的厂商，在电商平台上可以十分详尽地获取到商品的属性、销量、顾客属性、顾客属性对象的信息等海量的数据信息，从这海量数据中挖掘出潜在的价值便具有重大的意义,合理地利用这些数据可以为用户带来更好的消费体验，更可以帮助商家识别具有重复购买意向的潜在客户,从而实现营销信息的精准投放。

一般基于海量数据信息进行精准营销投放的常见处理方式有人工标签筛选和繁杂的特征工程外加常规AI模型训练及预估相结合这两种。

1.人工标签筛选方式具体操作为：先统计生成用户标签，然后运营人员根据经验结合营销活动内容对潜客基于标签进行人工筛选。

该处理方式存在以下几个问题：

a、运营人员只能根据经验大致选择目标人群，人工无法精准平衡各个特征、多个特征交叉组合后的正负向作用，以及正负向作用的度量值。

b、在巨量数据信息面前，人工对特征作用的感知比较繁重，因此经常忽略表现显著的负向特征对目前人群的影响。

c、在仅凭人工标签筛选的情况下，营销活动所选目标人群人数经常存在过多、超预算、浪费的情况，也会存在几种标签叠加筛选后只剩极少量目标人群，不再具有营销意义的情况。

d、对于一个新的商家品牌，运营人员需要花费巨大的人力时间成本和其他成本进行经验沉淀。

e、基于标签圈选来优化营销活动的经验会因为运营人员的流失而流失，运营人员需要花费巨大的人力时间成本和其他成本进行新一轮的经验沉淀。

f、大团队多业务线运营人员在标签特征作用感知经验的共享方式比较粗放，通常以分享会形式对有限人工认知的显著特征表现进行分享，面对多种跨行业不同特征表现、更细粒度的显著特征表现，传统的人工经验分享则陷入被动的局面。

2.繁杂的特征工程外加常规AI模型训练及预估方式的具体操作：先统计生产样本特征宽表，然后进行单个或多个AI模型堆叠训练预估。

该处理方式存在以下几个问题：

a、在面临多业务线大规模特征开发时，特征计算处理逻辑的开发部署、特征的淘汰退出、计算资源管理将会变成一个异常繁杂庞大的工作,高度耦合的特征工程开发工作难以避免低效的模型迭代速度。

b、新增特征需对特征表既有特征值重新计算，甚至调整表结构，既有的上下游逻辑也得进行相应调整，开发和生产、团队内并行开发工作高度耦合在一起，严重制约规模化工业应用。

c、对容易产生过拟合但又存在一定作用的特征，在通常的操作方式中采用直接限制其进一步拟合以保证模型的泛化效果，但却因此导致对该特征的表现拟合探索不足，形成特征资源的浪费。