本发明涉及车辆技术及大数据处理领域，具体地涉及一种车辆的用户投资回报估算方法及系统。
背景技术：
目前，随着共享车辆市场的竞争加剧，各种各样的推广策略也应运而生，其中最为常见的推广策略是采用大规模免费或发优惠劵的运营方式来吸引用户。但是，本申请发明人在实现本发明的过程中发现：虽然这种大规模免费或发优惠劵的运营方式在一定程度上有利于提升运营效果，但其往往是针对全体用户实施，而在实际中并不是所有用户都会通过是否有免费活动或优惠劵来决定用车或不用车，从而针对所有用户实施的大规模免费或发优惠劵的运营方式可能并不会带来很高的运营效果，且反而可能会增大投资回报。
技术实现要素：
本发明实施例的目的是提供一种共享车辆的用户投资回报估算方法及系统，用于解决现有共享车辆运营方式带来的投资回报较高的问题。
为了实现上述目的，本发明实施例提供一种车辆的用户投资回报估算方法，所述用户投资回报估算方法包括：基于用户的车辆使用数据构建多个维度的用户画像标签；从所述多个维度的用户画像标签中提取出影响用户订单的关键用户画像标签；根据所述关键用户画像标签，利用机器学习算法计算所述用户在无激励情况下的自然订单概率及在有激励情况下的激励订单概率；以及基于所述自然订单概率和所述激励订单概率，计算所述用户进行运营激励的投资回报率以得到用户投资回报。
可选地，所述关键用户画像标签包括：金钱敏感度、app活跃度、用车时段、用车频次、历史活跃天数和订单量中的一者或多者。
可选地，所述利用机器学习算法计算所述用户在无激励情况下的自然订单概率及在有激励情况下的激励订单概率包括：根据所述关键用户画像标签，通过第一逻辑回归模型计算所述用户在无激励情况下的自然订单概率，其中所述第一逻辑回归模型由所述用户在无激励情况下的历史骑行数据构成的训练样本训练得到；根据所述关键用户画像标签，通过第二逻辑回归模型计算所述用户在有激励情况下的激励订单概率，其中所述第二逻辑回归模型由所述用户在有激励情况下的历史骑行数据构成的训练样本训练得到。
可选地，根据下式计算所述投资回报率：
roi＝(o1*p2-o2*p1)/o2*p1
式中，o1表示所述用户在有运营激励情况下的预估订单量，o2表示所述用户在无运营激励情况下的预估订单量；p1表示所述自然订单概率，p2表示所述激励订单概率；roi表示投资回报率。
另一方面，本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得服务器执行上述的车辆的用户投资回报估算方法。
另一方面，本发明实施例还提供一种车辆的用户投资回报估算系统，该用户投资回报估算系统包括：标签系统搭建模块，用于基于用户的车辆使用数据构建多个维度的用户画像标签；以及用户投资回报估算模块。其中，该用户投资回报估算模块包括：标签提取单元，用于从所述多个维度的用户画像标签中提取出影响用户订单的关键用户画像标签；订单概率估算单元，用于根据所述关键用户画像标签，利用机器学习算法计算所述用户在无激励情况下的自然订单概率，及在有激励情况下的激励订单概率；以及投资回报计算单元，用于基于所述自然订单概率和所述激励订单概率，计算所述用户进行运营激励的投资回报率以得到用户投资回报。
可选地，所述关键用户画像标签包括：金钱敏感度、app活跃度、用车时段、用车频次、历史活跃天数和订单量中的一者或多者。
可选地，所述订单概率估算单元用于利用机器学习算法计算所述用户在无激励情况下的自然订单概率及在有激励情况下的激励订单概率包括：根据所述关键用户画像标签，通过第一逻辑回归模型计算所述用户在无激励情况下的自然订单概率，其中所述第一逻辑回归模型由所述用户在无激励情况下的历史骑行数据构成的训练样本训练得到；根据所述关键用户画像标签，通过第二逻辑回归模型计算所述用户在有激励情况下的激励订单概率，其中所述第二逻辑回归模型由所述用户在有激励情况下的历史骑行数据构成的训练样本训练得到。
可选地，所述投资回报计算模块根据下式计算所述投资回报率：
roi＝(o1*p2-o2*p1)/o2*p1
式中，o1表示所述用户在有运营激励情况下的预估订单量，o2表示所述用户在无运营激励情况下的预估订单量；p1表示所述自然订单概率，p2表示所述激励订单概率；roi表示投资回报率。
通过上述技术方案，本发明实施例的有益效果是：本发明实施例的方法及系统改变了之前共享车辆大规模免费或发优惠劵的运营方式，通过精细个性化的方式提升了用户订单，提高了投资回报。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明实施例的车辆的用户投资回报估算方法的流程示意图；
图2是根据本发明实施例的构建用户画像标签系统的流程示意图；
图3是根据本发明实施例的构建数据仓库的示意图；
图4是根据本发明实施例的构建标签体系的示意图；
图5是根据本发明实施例的应用平台的示意图；以及
图6是根据本发明实施例的车辆的用户投资回报估算系统的结构示意图。
附图标记说明
610标签系统搭建模块620用户投资回报估算模块
621标签提取单元622订单概率估算单元
623投资回报计算单元
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1是根据本发明实施例的车辆的用户投资回报估算方法的流程示意图，其中所述车辆可以是共享的自行车、电动车、电助力自行车、三轮车、汽车等，且所述投资回报估算方法主要用于共享车辆的后台系统。如图1所示，所述用户投资回报估算方法可以包括以下步骤：
步骤s110，基于用户的车辆使用数据构建多个维度的用户画像标签。
其中，用户画像标签是基于对共享车辆行业用户的研究和分析，并在运营当中进行反复实验和验证，将用户的车辆使用数据进行标签化，并使用机器学习的方式模型化，以搭建的用户画像数据应用系统。
图2是根据本发明实施例的构建用户画像标签系统的流程示意图。如图2所示，该构建方法可以包括以下步骤：
步骤s111，获取用户的车辆使用数据，并存储至数据仓库。
其中，所述车辆使用数据可以包括批量数据和实时数据，且批量数据可以通过离线挖掘方式获得，而实时数据是共享车辆对应的线上系统中实时产生的数据。其中，以共享单车为例，所述线上系统可以是与共享单车的app(应用)所关联的后台数据系统。
图3是根据本发明实施例的构建数据仓库的示意图。如图3所示，批量数据可以来自线上系统的mysql数据库，且可以每隔预设时间(如一天)获取一次mysql数据中的增量数据；实时数据则是来自线上系统的binlong日志(又叫二进制日志)，且可通过kafka实时地传输至数据仓库。其中，kafka是一种高吞吐量的分布式发布订阅消息系统，而数据仓库可以采用hive，其是基于hadoop的数据仓库工具，可以将结构化的数据文件映射成一张数据库表。另外，对于来自mysql数据库和binlong日志的数据可以经过数据清洗后，再存储至hive中。
另外，用户的车辆使用数据可以例如是用户的id、个人信息、用车偏好、主要用车区域等。
步骤s112，对所述数据仓库中的车辆使用数据进行处理以形成包括基础标签和业务画像的标签体系。
其中，对车辆使用数据进行处理包括属性提取、标签形成等，下面将结合图4来说明。
图4是根据本发明实施例的构建标签体系的示意图。参考图4，用户标签可以由用户的一系列基础属性和计算属性组成，其中基础属性可直接由hive中的基础数据形成，计算属性可由hive中的基础数据经过聚合形成。这些基础数据来自hive中的多个分散的数据表，但最终可合并为一个以用户id为主键的宽表，表中的每一行是一个用户的各个属性，即标签。其中，数据合并过程可以spark框架来完成，合并结果即为标签体系，其可存储在druid系统中。druid系统是用于大数据实时查询和分析的高容错、高性能开源分布式系统，可使后续便于进行针对标签体系的属性维度、时间维度的筛选操作。
步骤s113，基于所述标签体系构建应用平台。
其中，所述应用平台是指可以在线上系统的应用层使用的操作平台，其属于对应用层的搭建，使得标签体系可服务于多个操作平台，例如运营操作平台、bi平台及ab测试平台等。
在优选的实施例中，对于步骤s113，可以通过所述标签体系获取指定用户群的用户规模变化图表，并基于所述用户规模变化图表构建用于特征建模、数据分析和/或数据预测的多个应用平台。其中，所述多个应用平台可以包括所述用户画像标签系统。
举例来说，图5是根据本发明实施例的应用平台的示意图。参考图5，可通过一个或多个标签的筛选条件，从druid系统中选出满足条件的用户群，得到用户规模，再增加时间维度，可以得到不同阶段的用户规模变化情况，进而得到转化率、留存率、新用户增长率等图表。这些图表可以用于特征建模、数据分析以及未来的数据预测，从而形成具有不同功能的应用平台，例如用于进行运营分析的运营平台、用于进行特征建模的特征平台、用于实现ab测试的ab测试平台以及本发明实施例所构建的用户画像标签系统。如此，可基于标签体系和这些应用平台进行运营管理等，例如运营人员可以通过运营平台对指定的用户群体发起运营活动，并通过一定时间后的图表展示来得到及时反馈。
进一步地，本发明实施例所构建的用户画像标签系统可以用于新用户增长环节，如多渠道精准投放、推广转化预测、新媒体营销策略制定、品牌合作运营策略制定、增长创新实验等，也可以用于存量用户复购及留存环节，如流失用户自动化召回、特定场景化自动触达、定价策略制定、促活创新实验等，其旨在精准触达目标人群，并提供个性化服务，提升用户体验，进一步提升用户粘性。
上述步骤s110实现了用户画像标签系统的构建，以下步骤s120-s140则主要基于所述用户画像标签系统的数据支持，实现用户投资回报估算模型的构建。
步骤s120，从所述多个维度的用户画像标签中提取出影响用户订单的关键用户画像标签。
优选地，所述关键用户画像标签可以包括金钱敏感度、app活跃度、用车时段、用车频次、历史活跃天数和订单量中的一者或多者。其中，金钱敏感度是指免费骑行订单在用户在所有订单中所占的百分比。
步骤s130，根据所述关键用户画像标签，利用机器学习算法计算所述用户在无激励情况下的自然订单概率及在有激励情况下的激励订单概率。
在本发明实施例中，涉及两种订单概率的计算，即：
1)根据所述关键用户画像标签，通过第一逻辑回归模型计算所述用户在无激励情况下的自然订单概率p1，其中所述第一逻辑回归模型由所述用户在无激励情况下的历史骑行数据构成的训练样本训练得到。
其中，对于用户的激励可以是优惠劵，此情形下，自然订单概率p1可以理解为未来不发劵的情况下的一个用户自然订单的概率。通过自然订单概率p1可反应出某用户在没有优惠劵及免费骑行活动的情况下，使用共享车辆的可能性。
2)根据所述关键用户画像标签，通过第二逻辑回归模型计算所述用户在有激励情况下的激励订单概率p2，其中所述第二逻辑回归模型由所述用户在有激励情况下的历史骑行数据构成的训练样本训练得到。
其中，有激励的情况例如是有发优惠劵，则对应的激励订单概率可理解为在未来发劵的情况下的一个用户订单的概率。通过激励订单概率p2可反应出某用户在优惠劵及免费骑行活动的情况下，使用共享车辆的可能性。
需说明的是，逻辑回归模型是机器学习中一种常用模型，通常是利用已知的自变量来预测一个离散型因变量的值。简单来说，逻辑回归模型就是通过拟合一个逻辑函数来预测一个事件发生的概率。
步骤s140，基于所述自然订单概率和所述激励订单概率，计算所述用户进行运营激励的roi(returnoninvestment，投资回报率)以得到用户投资回报。
其中，在本发明实施例中，投资回报率是指单位花销的成单数，例如投入10元的单位花销，形成了20个订单，其中单位花销对应为运营成本。
在前一步骤已估算出自然订单概率p1和激励订单概率p2的情况下，本发明实施例可通过以下公式来计算投资回报率roi：
roi＝(o1*p2-o2*p1)/o2*p1
式中，o1表示所述用户在有运营激励情况下的预估订单量，o2表示所述用户在无运营激励情况下的预估订单量；p1表示所述自然订单概率，p2表示所述激励订单概率；roi表示投资回报率。
可以理解的是，o1示出了在未来某日，在存在运营激励的情况下，对该用户的订单数量的预估，其可以通过该用户在存在运营激励的情况下的历史订单数据获取。与之对应，o2示出了在未来某日，在无运营激励的情况下，对该用户的订单数量的预估，其可以通过该用户在无运营激励的情况下的历史订单数据获取。
还可以理解的是，o1*p2-o2*p1示出了对用户进行运营激励的情形相对于不进行运营激励的情形所产生的订单增量，该订单增量可从一定程度上反映对该用户进行运营激励的投资回报，从而可进一步得到投资回报率roi。另外，在得到投资回报率roi后，可基于roi的大小来判断是否对该用户进行运营激励，从而可针对性地对用户进行运营激励或不进行运营激励。
如此，本发明实施例的用户投资回报估算方法改变了之前共享车辆大规模免费或发优惠劵的运营方式，通过精细个性化的方式提升了运营效果，提高了投资回报。
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得服务器执行上述实施例所述的用户投资回报估算方法。
基于与上述用户投资回报估算方法的实施例的相同发明思路，本发明实施例还提供了一种共享车辆的用户投资回报估算系统。其中，图6是根据本发明实施例的车辆的用户投资回报估算系统的结构示意图，且所述车辆可以是共享的自行车、电动车、电助力自行车、三轮车、汽车等，且所述投资回报估算系统主要用于共享车辆的后台系统。如图6所示，所述用户投资回报估算系统可以包括：标签系统搭建模块610，用于基于用户的车辆使用数据构建多个维度的用户画像标签；以及用户投资回报估算模块620。
并且，该用户投资回报估算模块620可以包括：标签提取单元621，用于从所述多个维度的用户画像标签中提取出影响用户订单的关键用户画像标签；订单概率估算单元622，用于根据所述关键用户画像标签，利用机器学习算法计算所述用户在无激励情况下的自然订单概率，及在有激励情况下的激励订单概率；以及投资回报计算单元623，用于基于所述自然订单概率和所述激励订单概率，计算所述用户进行运营激励的投资回报率以得到用户投资回报。
这里，关于本发明实施例的用户投资回报估算系统的实施细节及有益效果可参考上述关于用户投资回报估算方法的实施例，在此则不再进行赘述。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。