本发明涉及计算机技术领域,尤其涉及一种营销策略预测方法、系统、计算机设备和存储介质。
背景技术
随着互联网电子商务的快速发展,人们的生活习惯逐渐发生着变化,同时也变得越来越方便和快捷。
在电子商务发展的初期,各大电商网站为了了解用户的偏好和分析各大系统的影响,大都采用传统的营销漏斗模型。营销漏斗模型实在用户偏好为静态的前提下对用户购买行为过程进行研究。然而,研究结果表明:在最终购买行为发生前,用户的心理状态和产品偏好会发生多次动态变化过程,并影响用户的最终购买行为。
尽管营销漏斗模型对用户购买每个阶段的决策转变过程进行了研究,但是对每个阶段决策转变趋势的预测模型,并没有得到很好的研究。每个阶段决策转变的预测模型,对于引导用户购买行为和制定营销策略,扩大市场份额和增强市场竞争力,具有重要的意义和市场价值。
公开号为cn107944643a的专利提供了一种基于隐马尔可夫模型的购买转化率预测方法及系统,所述方法包括:记录一具有购物行为网站的用户动作行为,以所述用户动作行为构建观测值序列,并以用户的购买状态构建隐藏状态集;根据所述观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的隐马尔可夫模型;利用所述适合判断购买转化率预测的隐马尔可夫模型和拉普拉斯算法,获取用户在所述具有购物行为网站的累积访问时间对应的购买转化率预测向量,实现了对用户购买的每个阶段的购买转化率动态地进行预测。
上述专利公开了基于隐马尔可夫模型的购买转化率的预测方法及系统,但是仅仅只限于一种营销策略的预测,但是实际应用中,对商品进行营销,并不仅限于在线购买的方式。当有多种营销策略存在时,诸如通过广播、电视等方式,这种情况下,如何对多种营销策略进行预算配比成为亟待解决的问题。
技术实现要素:
本发明要解决的技术问题目的在于提供一种营销策略预测方法、系统、计算机设备和存储介质,用以解决现有的商品营销策略无法合理配置各环节的资源分配的问题。
为了实现上述目的,本发明采用的技术方案为:
一种营销策略预测方法,包括步骤:
创建基于营销漏斗模型的动态决策预测模型;
利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率;
根据所述购买转化率调整营销策略的预算额度。
上述方案中,所述创建基于营销漏斗模型的动态决策预测模型的步骤,具体包括:
记录样本用户的动作行为,以所述样本用户动作行为构建观测值序列,并以样本用户的购买状态构建隐藏状态集;
根据所述观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的动态决策预测模型。
上述方案中,所述利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率的步骤,具体包括:
利用所述动态决策预测模型预测用户在无营销策略状态下的购买转化率;
利用所述动态决策预测模型预测用户在单一营销策略状态下的购买转化率;
利用所述动态决策预测模型预测用户在多个营销策略组合状态下的购买转化率。
上述方案中,所述根据所述购买转化率调整营销策略的步骤,具体包括:
根据所述多个营销策略组合状态下的购买转化率对每个营销策略的预算额度进行分配。
一种营销策略预测系统,包括:
创建模块,用于创建基于营销漏斗模型的动态决策预测模型;
预测模块,用于利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率;
调整模块,用于根据所述购买转化率调整营销策略的预算额度。
上述方案中,所述创建模块,具体包括:
记录单元,用于记录样本用户的动作行为,以所述样本用户动作行为构建观测值序列,并以样本用户的购买状态构建隐藏状态集;
训练单元,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的动态决策预测模型。
上述方案中,所述预测模块,具体包括:
第一计算单元,用于利用所述动态决策预测模型预测用户在无营销策略状态下的购买转化率;
第二计算单元,用于利用所述动态决策预测模型预测用户在单一营销策略状态下的购买转化率;
第三计算单元,用于利用所述动态决策预测模型预测用户在多个营销策略组合状态下的购买转化率。
上述方案中,所述调整模块,具体包括:
分配单元,用于根据所述多个营销策略组合状态下的购买转化率对每个营销策略的预算额度进行分配。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方案中任一项所述营销策略预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方案中任一项所述营销策略预测方法的步骤。
本发明与传统的技术相比,有如下优点:
本发明通过构建动态决策预测模型对用户的购买转化率进行预测来调整不同策略的预算额度,从而合理配置商品营销的各个环节的资源分配,实现利益最大化。
附图说明
图1为本发明一实施例中营销策略预测方法的流程示意图;
图2为为本发明一实施例中营销策略预测系统的结构示意图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
除非另有定义,本文所使用的所有的技术和科学术语与本发明的技术领域技术人员通常理解的含义相同。本文中在本发明说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明通过构建动态决策预测模型对用户的购买转化率进行预测来调整不同策略的预算额度,从而合理配置商品营销的各个环节的资源分配,实现利益最大化。
请参阅图1,为本发明一实施例中路由器域名访问方法的流程示意图,将分别对各个步骤进行说明。
s101、创建基于营销漏斗模型的动态决策预测模型。
营销漏斗模型又称“搜索营销效果转化漏斗”,漏斗的五层对应了企业搜索营销的各个环节,反映了从展现、点击、访问、咨询,直到生成订单过程中的客户数量及流失。从最大的展现量到最小的订单量,这个一层层缩小的过程表示不断有客户因为各种原因离开,对企业失去兴趣或放弃购买。营销漏斗模型是指在营销过程中,将非用户(也叫潜在用户)逐步变为用户(也叫客户)的转化量化模型。但是营销漏斗模型是以用户静态的情况下进行分析的,但是用户在最终购买行为发生前,心理状态和产品偏好会发生多次动态变化过程,同时会影响用户的最终购买行为。
因此,本发明实施例构建动态决策预测模型,动态决策预测模型可以对产品营销过程中一系列策略对总收益的影响进行预测和分析。本发明的动态决策预测模型是基于营销漏斗模型的隐马尔可夫模型。
隐马尔可夫模型(hiddenmarkovmodel,hmm)是统计模型,用来描述一个含有隐含未知参数的马尔可夫过程。从可观察的参数中确定该过程的隐含参数,再利用这些参数来做进一步分析。基于营销漏斗模型构建的隐马尔可夫模型,即本发明实施例的动态决策预测模型。
构建动态决策预测模型,以便对动态决策的转化率进行预测。
s103,利用动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率。
营销策略是指对商品进行营销的方式,以投放广告为例,可以有弹窗广告、收音机广告、电视广告和线下广告等营销方式。购买转化率是指从潜在用户变为客户的转化率。
每种营销策略和/或营销策略组合都会有各自的状态转移情况,可以利用动态决策模型预测状态转移情况,以得到购买转化率。
s105,根据购买转化率调整营销策略的预算额度。
在商品的营销过程中,营销商会对商品的预算进行一个配比,但是现有的营销策略的预算额度的配比是静态的方式,无法根据用户的动态决策在每个环节调整营销策略的预算额度。
本发明实施例根据各种营销策略的购买转化率的占比,可以在任何一个环节动态调节营销策略的预算额度,从而使利益最大化。
上述发明实施例,通过构建动态决策预测模型对用户的购买转化率进行预测来调整不同策略的预算额度,从而合理配置商品营销的各个环节的资源分配,实现利益最大化。
在一实施例中,步骤s101,创建基于营销漏斗模型的动态决策预测模型,具体包括:
记录样本用户的动作行为,以样本用户动作行为构建观测值序列,并以样本用户的购买状态构建隐藏状态集;
根据观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的动态决策预测模型。
样本用户是指已知动态决策结果的用户,利用样本用户创建基于营销漏斗模型的动态决策预测模型,并对动态决策预测模型进行训练。
观测值是指用户的行为动作记录,以电商网站营销为例,观测值序列为o(o0,o1,o2,o3,o4),其中,o0为用户在网站的浏览所有产品的动作行为记录,即目标游客的状态;o1为用户在网站的浏览具体型号的产品的动作行为记录,即优质游客的状态;o2为用户在网站的加入购物车的动作行为记录,即潜在客户;o3为用户在网站将具体型号产品提交付款的动作行为记录,即预付款;o4为用户在网站付款成功的动作行为记录,即付款状态。到o4时,用户已成为客户。上述例子中,观测值o0,o1,o2,o3,o4观测值序列o,观测状态个数为5个。
隐藏状态是指无法直接观测到的状态,是马尔可夫模型隐含的状态。根据样本用户的购买状态可构建隐藏状态集。仍以网上营销为例,隐藏状态集为q(q0,q1,q2,q3,q4,q5),其中,q0为随机用户对一类产品的初始购买状态,即该用户为有购买需求的状态;q1为目标用户对该类产品的初始购买状态;o2为优质用户对该类产品的一具体型号产品的感兴趣状态,即目标用户为有购买需求的状态;q3为潜在用户对该具体型号产品的购买意向状态;q4为预备用户对该具体型号产品的决定购买状态,即该用户为以确定要购买但由于其他原因仅剩下最后一步付款的状态;q5为真实用户对该具体型号产品的已购买的状态,即该用户已经购买了该具体型号产品的状态;所述q0,q1,q2,q3,q4,q5构成隐马尔可夫模型的隐藏状态集,隐藏状态个数为6个。
根据观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的动态决策预测模型。
可选的,通过随机提取的100个样本用户在30天内的行为路径进行分析,然后对每个用户的隐藏状态转移矩阵和观测值转移矩阵采用平均值的方法,具体描述如下:
将随机提取的100个样本用户的路径进行打标签,即可获得100张如表1的数据,进而可得100个表1状态-观测值分析统计图,并设定状态变化统计矩阵a和观测值变化统计矩阵b,初始化状态a和b所有元素都为0。针对每个用户的每一个轨迹pt进行分析,其中pt-1是pt上一时刻的轨迹,标记出pt-1状态i到pt的状态j的变化参数1,则aij=aij+1;pt-1时的状态,若观测值为k,则bik=bik+1。
表1用户在电商网站轨迹观测值序列统计结果
分别计算a和b每行所有数据占比所在行所有数据之和的比值,即可求得初始状态的隐藏状态转换矩阵a0和观测概率矩阵b0,且初始状态下用户的状态为目标游客状态,因此初始状态的隐藏状态概率向量为π0={1,0,0,0,0,0},则有用户动态决策模型的初始参数λ0={a0,b0,π0}。其中,计算所得a0和b0的结果如下所示,
基于营销漏斗模型的动态决策预测模型采用baum-welch算法进行训练,随机选取某选定用户在网站的浏览累积时间t时的一组观测值序列o,这里选用图1所示的观测值,经过迭代,对动态决策预测模型进行训练,最终得到参数λ={a,b,π}。这里采取迭代总次数为50次,每增加一次迭代操作,动态决策预测模型计算出来的输出对数似然估计的结果就会增加,基本上在迭代次数超过15次是,动态决策预测模型的迭代训练结果值基本处于缓慢增长阶段,即输出观测值继续变大的趋势越来越小,基本上达到收敛饱和的状态。此时,用户的累积访问时间为t时的决策预测模型的参数集为λ={a,b,π},最终结果如下所示:π={1,0,0,0,0,0};
然后对以上操作所获得的动态决策预测模型λ={a,b,π}的实用性进行验证。通过forward-backward方法,在累积访问时间t时,计算用户的观测值序列o,在参数集λ={a,b,π}情况下的概率,即p(o|λ)。这里计算所得p(o|λ)=80.35%>80%,因此上述建立的动态决策预测模型λ={a,b,π}在电商网站的应用场景下是适用的。
同理,在其他应用场景下,也可以通过上述的训练方式对动态决策预测模型进行训练,在此不再赘述。
在一实施例中,步骤s103,利用动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率,具体包括:
利用动态决策预测模型预测用户在无营销策略状态下的购买转化率;
利用动态决策预测模型预测用户在单一营销策略状态下的购买转化率;
利用动态决策预测模型预测用户在多个营销策略组合状态下的购买转化率。
以广告投放为例,假设有三种广告投放渠道:互联网、线下和电视剧插播广告。
首先,提取部分预算获取没有打广告的前提下的购买转化率。同样利用动态决策预测模型进行预测。
然后,再分别提取部分预算,获取单独投放这三种渠道情况下的购买转化率。即,单一变量法。
同样以电商网站(互联网)为例,对用户在网站中浏览积累实践t时的动态转移状态进行预测,也就是将动态决策预测模型参数集λ={a,b,π}带入到p′(t)=p(t)a,然后进行计算,在进行laplace逆变换,就可以得出用户在网站中累积访问时间t时的隐藏状态预测向量
p(t)=(p0(t),p1(t),p2(t),p3(t),p4(t),p5(t)),计算结果如下所示:
p0(t)=exp(0.9324nt);
p2(t)=13.77exp(0.9324t)-13.93exp(0.9297t)+0.1633exp(0.652t);
p3(t)=-8.28exp(0.9324t)+7.74exp(0.9297t)-0.0141exp(0.652t)+0.556exp(6847t);
p4(t)=6.28exp(0.9324t)-6.83exp(0.9297t)+0.0204exp(0.652t)-
0.0221exp(6847t)+0.556exp(0.9214t);
p5(t)=-2.28exp(0.9443t)+2.37exp(0.9397t)-0.2126exp(0.652t)+0.3421exp(6847t)-0.7630exp(9214t)+0.6213exp(t)。
因此可知该电商网站上该产品的用户浏览访问累积时间t时的购买转化率为p3(t),并得出购买转化率的变化情况图。用户在系统中的累积访问时间超过一定时间后,其购买该产品的可能性增长率变化最快,购买的可能性已经很高了,且累积访问时间越长,成为最终客户的可能性越大。然后对数据采集、模拟拟合和计算p(s)变化曲线,然后对p(s)曲线的变化特征进行分析,直观地观测出运营策略对整体用户转化情况的影响。
再利用动态决策预测模型求出单独投放三种广告渠道的转化率。
根据各个策略环境下对最终购买用户进行评估,即通过采集的数据中,对用户的累积访问时间的计算,以及每个时间长度下的人数进行统计,记为wi(ti),其中,i代表不同累积时间长度的数值个数,总数为n,则最终转换为客户的用户有
最后,分别进行两两组合的情景,每个组合内根据上一步的转化率比例进行分配,每种组合的总广告投资额是一样的,分别计算在三种情况下的购买转化率。
例如,互联网+线下、互联网+电视剧、线下+电视剧三种方式进行计算。
这样,可以根据上述的各营销策略组合推算出预算的额度分配比例。便于对剩下的资金进行分配。
在一实施例中,步骤s105,根据购买转化率调整营销策略的预算额度,具体包括:
根据多个营销策略组合状态下的购买转化率对每个营销策略的预算额度进行分配。
上述实施例得出营销策略组合的购买转化率,对剩下的广告预算按照购买转化率的比例进行广告预算的额度分配,即可得出最佳的广告投放在每一种广告投放形式下的额度。
本发明实施例通过构建动态决策预测模型对用户的购买转化率进行预测来调整不同策略的预算额度,从而合理配置商品营销的各个环节的资源分配,实现利益最大化。
请参阅图2,为本发明一实施例中营销策略预测系统的结构示意图,所述营销策略预测系统包括:创建模块201,用于创建基于营销漏斗模型的动态决策预测模型;预测模块203,用于利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率;调整模块205,用于根据所述购买转化率调整营销策略的预算额度。
在一实施例中,创建模块201具体包括:
记录单元,用于记录样本用户的动作行为,以所述样本用户动作行为构建观测值序列,并以样本用户的购买状态构建隐藏状态集;
训练单元,用于根据所述观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的动态决策预测模型。
在一实施例中,预测模块203,具体包括:
第一计算单元,用于利用所述动态决策预测模型预测用户在无营销策略状态下的购买转化率;
第二计算单元,用于利用所述动态决策预测模型预测用户在单一营销策略状态下的购买转化率;
第三计算单元,用于利用所述动态决策预测模型预测用户在多个营销策略组合状态下的购买转化率。
在一实施例中,调整模块205,具体包括:
分配单元,用于根据所述多个营销策略组合状态下的购买转化率对每个营销策略的预算额度进行分配。
本发明实施例通过构建动态决策预测模型对用户的购买转化率进行预测来调整不同策略的预算额度,从而合理配置商品营销的各个环节的资源分配,实现利益最大化。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:创建基于营销漏斗模型的动态决策预测模型;利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率;根据所述购买转化率调整营销策略的预算额度。
在一实施例中,处理器在执行计算机程序实现创建基于营销漏斗模型的动态决策预测模型的步骤时,具体实现以下步骤:
记录样本用户的动作行为,以所述样本用户动作行为构建观测值序列,并以样本用户的购买状态构建隐藏状态集;
根据所述观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的动态决策预测模型。
在一实施例中,处理器在执行计算机程序实现利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率的步骤时,具体实现以下步骤:
利用所述动态决策预测模型预测用户在无营销策略状态下的购买转化率;
利用所述动态决策预测模型预测用户在单一营销策略状态下的购买转化率;
利用所述动态决策预测模型预测用户在多个营销策略组合状态下的购买转化率。
在一实施例中,处理器在执行计算机程序实现根据所述购买转化率调整营销策略的预算额度的步骤时,具体实现以下步骤:
根据所述多个营销策略组合状态下的购买转化率对每个营销策略的预算额度进行分配。
上述计算机设备通过构建动态决策预测模型对用户的购买转化率进行预测来调整不同策略的预算额度,从而合理配置商品营销的各个环节的资源分配,实现利益最大化。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:创建基于营销漏斗模型的动态决策预测模型;利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率;根据所述购买转化率调整营销策略的预算额度。
在一实施例中,处理器在执行计算机程序实现创建基于营销漏斗模型的动态决策预测模型的步骤时,具体实现以下步骤:
记录样本用户的动作行为,以所述样本用户动作行为构建观测值序列,并以样本用户的购买状态构建隐藏状态集;
根据所述观测值序列和隐藏状态集构造初始的隐马尔可夫模型并进行训练,得到适合判断购买转化率预测的动态决策预测模型。
在一实施例中,处理器在执行计算机程序实现利用所述动态决策预测模型预测用户在不同营销策略和/或营销策略组合的状态转移情况以得到购买转化率的步骤时,具体实现以下步骤:
利用所述动态决策预测模型预测用户在无营销策略状态下的购买转化率;
利用所述动态决策预测模型预测用户在单一营销策略状态下的购买转化率;
利用所述动态决策预测模型预测用户在多个营销策略组合状态下的购买转化率。
在一实施例中,处理器在执行计算机程序实现根据所述购买转化率调整营销策略的预算额度的步骤时,具体实现以下步骤:
根据所述多个营销策略组合状态下的购买转化率对每个营销策略的预算额度进行分配。
上述计算机可读存储介质通过构建动态决策预测模型对用户的购买转化率进行预测来调整不同策略的预算额度,从而合理配置商品营销的各个环节的资源分配,实现利益最大化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的任何引用,均可包括非易失性/或易失性存储器。非易失性存储器可包括制度存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限,ram以多种形式可得,诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上各实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中各个技术所有可能组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。