一种用户行为分析方法及其服务器与流程

本发明涉及信息技术领域，尤其涉及一种用户行为分析方法及其服务器。

背景技术：

用户从打开交易组件的操作开始，到最后交易完成，例如打开支付软件、生成订单、输入密码、完成支付，在这个过程中会流失一部分用户。为了优化产品，需要分析用户离开的原因，这样可以对症下药、优化交易组件。根据现有埋点数据，可以统计出用户在哪个环节流失，但是无法准确知道用户离开的真实原因。目前只能通过部分用户的反馈来了解用户离开的原因，但是这部分数据量远远不够，也不具有普及性。

技术实现要素：

本发明的一个目的是提供一种用户行为分析方法及其服务器，以解决根据用户行为数据自动识别用户中断交易的原因的问题。

根据本发明第一方面，提供一种用户行为分析方法，用于第一服务器，该方法包括：

响应于用户对交易组件的操作，采集该用户对所述交易组件的第一行为数据；

响应于该用户通过所述交易组件中断交易的操作，将采集的所述第一行为数据输入行为分析模型；

使所述行为分析模型根据所述第一行为数据匹配得到该用户的退出交易原因信息。

进一步，根据本发明第一方面所述的方法，还包括：

以第二行为数据作为输入，以退出交易原因信息作为输出，对机器学习模型进行训练，以得到所述行为分析模型；其中，所述第二行为数据与所述退出交易原因信息具有对应关系。

进一步，根据本发明第一方面所述的方法，所述第一行为数据和第二行为数据均包括以下至少一种：修改交易金额行为数据、修改支付渠道行为数据、查看协议行为数据、产品浏览行为数据。

进一步，根据本发明第一方面所述的方法，还包括：

将所述行为分析模型得到的所述退出交易原因信息发送至第二服务器，以便于所述第二服务器根据所述退出交易原因信息优化所述交易组件；其中，所述第二服务器用于管理并控制所述交易组件。

根据本发明第二方面，提供一种用户行为分析方法，用于第二服务器，该方法包括：

接收第一服务器发送的用户的退出交易原因信息；

根据所述退出交易原因信息优化交易组件；

将经过优化的所述交易组件进行发布。

根据本发明第三方面，提供一种服务器，包括：

采集模块，用于响应于用户对交易组件的操作，采集该用户对所述交易组件的第一行为数据；

输入模块，用于响应于该用户通过所述交易组件中断交易的操作，将采集的所述第一行为数据输入行为分析模型；

行为分析模块，用于使所述行为分析模型根据所述第一行为数据匹配得到该用户的退出交易原因信息。

进一步，根据本发明第三方面所述的服务器，还包括：

训练模块，用于以第二行为数据作为输入，以退出交易原因信息作为输出，对机器学习模型进行训练，以得到所述行为分析模型；其中，所述第二行为数据与所述退出交易原因信息具有对应关系。

进一步，根据本发明第三方面所述的服务器，所述第一行为数据和第二行为数据均包括以下至少一种：修改交易金额行为数据、修改支付渠道行为数据、查看协议行为数据、产品浏览行为数据。

进一步，根据本发明第三方面所述的服务器，还包括：

发送模块，用于将所述行为分析模型得到的所述退出交易原因信息发送至第二服务器，以便于所述第二服务器根据所述退出交易原因信息优化所述交易组件；其中，所述第二服务器用于管理并控制所述交易组件。

根据本发明第四方面，还提供一种服务器，包括：

接收模块，用于接收第一服务器发送的用户的退出交易原因信息；

优化模块，用于根据所述退出交易原因信息优化交易组件；

更新模块，用于将经过优化的所述交易组件进行发布。

根据本发明第五方面，还提供一种存储设备，所述存储设备存储计算机程序指令，所述计算机程序指令根据本发明第一方面或第二方面所述的方法进行执行。

根据本发明第六方面，还提供一种计算设备，包括：用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发所述计算设备执行本发明第一方面或第二方面所述的方法。

本发明提供的一种用户行为分析方法及其服务器，通过行为分析模型可以基于海量数据对所有用户的行为进行分析和判断，从而获得更全面的数据分析结果，整个分析过程对用户是无感知的，避免对用户的打扰，提升用户体验，通过基于机器学习技术的行为分析模型，可以从用户的行为特征中挖掘隐藏的信息，准确性高。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例一的用户行为分析方法的流程示意图；

图2为本发明实施例二的用户行为分析方法的流程示意图；

图3为本发明实施例三的用户行为分析方法的流程示意图；

图4为本发明实施例四的服务器的结构示意图；

图5为本发明实施例五的服务器的结构示意图；

图6为本发明实施例六的服务器的结构示意图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在本发明一个典型的配置中，终端、服务网络的设备均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的装置或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

图1为本发明实施例一的用户行为分析方法的流程示意图，如图1所示，本发明实施例一提供的用户行为分析方法，用于第一服务器，该方法包括：

步骤s101，响应于用户对交易组件的操作，采集该用户对所述交易组件的第一行为数据。

具体地，交易组件包括支付类应用程序(app，application)中的交易组件，也包括其他app中的交易组件，例如购物app、社交app、团购app、金融机构开发的银行基金app、购票app等包含的用于支付的交易组件。用户对交易组件的操作行为包括：打开交易组件、输入交易密码、输入交易金额、选择交易渠道、确定交易、基金产品浏览以及在交易过程中的退出等。第一行为数据可以包括以上操作产生的修改交易金额行为数据、修改支付渠道行为数据、查看协议行为数据、产品浏览行为数据等任意一种或几种。终端实时监控并收集用户在交易组件中的行为数据，例如金额修改、支付渠道修改、查看协议、基金产品浏览等对交易组件的操作行为产生的用户行为数据，并按顺序记录整个操作链路直至交易中断。

步骤s102，响应于该用户通过所述交易组件中断交易的操作，将采集的所述第一行为数据输入行为分析模型。

具体地，用户在对交易组件的操作过程中，会通过退出操作等中断交易，若发现用户中断交易后，将步骤s101采集的第一行为数据输入行为分析模型。

步骤s103，使所述行为分析模型根据所述第一行为数据匹配得到该用户的退出交易原因信息。

具体地，行为分析模型可通过机器学习模型进行训练处理得到。可预先在用户中断交易时，弹出调查问卷弹窗，根据用户对弹窗内选项的选择或输入其他原因的方式确认并收集用户退出交易的原因，或者通过客服或人工收集用户退出交易的原因。对各种原因进行整理后，形成信息表格，信息表格包含若干互不相同的退出交易的原因信息，构成若干退出交易原因信息。以用户的行为数据作为输入，以该用户的退出交易原因信息作为输出，设置原始的机器学习模型进行训练处理，以得到本发明实施例的行为分析模型。每当一个用户退出交易时，该训练得到的行为分析模型可以通过特征匹配的方式，根据用户的第一行为数据匹配得到与之相对应的退出交易原因信息，达到自动判定用户因何种原因离开的效果。

图2为本发明实施例二的用户行为分析方法的流程示意图，如图2所示，本发明实施例二提供的用户行为分析方法，用于第一服务器，该方法包括：

步骤s201，以第二行为数据作为输入，以退出交易原因信息作为输出，对机器学习模型进行训练，以得到所述行为分析模型；其中，所述第二行为数据与所述退出交易原因信息具有对应关系。

具体地，第一行为数据包括以下至少一种：修改交易金额行为数据、修改支付渠道行为数据、查看协议行为数据、产品浏览行为数据。第二行为数据均包括以下至少一种：修改交易金额行为数据、修改支付渠道行为数据、查看协议行为数据、产品浏览行为数据。第一行为数据与第二行为数据为相同类别的行为数据，例如同时为修改交易金额行为数据或者同时为修改支付渠道行为数据。第二行为数据与退出交易原因信息具有确定的对应关系，该对应关系可以通过弹窗、客服或人工采集方式获取。当采集到足够数量的相互具有对应关系的第二行为数据和退出交易原因信息后，以用户的行为数据作为输入，以用户的退出交易原因信息作为输出，设置原始的机器学习模型进行训练，经过训练处理后的机器学习模型即为本发明实施例的行为分析模型。通过机器学习的方式，行为分析模型可以根据第二行为数据与退出交易原因信息的已经确定的对应关系，学取其逻辑关系，能够利用特征匹配的方式，对输入的新的行为数据查询到与其对应的退出交易原因信息。

步骤s202，响应于用户对交易组件的操作，采集该用户对所述交易组件的第一行为数据。

具体地，交易组件包括支付类应用程序(app，application)中的交易组件，也包括其他app中的交易组件，例如购物app、社交app、团购app、金融机构开发的银行基金app、购票app等包含的用于支付的交易组件。用户对交易组件的操作行为包括：打开交易组件、输入交易密码、输入交易金额、选择交易渠道、确定交易、基金产品浏览以及在交易过程中的退出等。终端实时监控并收集用户在交易组件中的行为数据，例如金额修改、支付渠道修改、查看协议、基金产品浏览等对交易组件的操作行为产生的用户行为数据，并按顺序记录整个操作链路直至交易中断。

步骤s203，响应于该用户通过所述交易组件中断交易的操作，将采集的所述第一行为数据输入行为分析模型。

具体地，用户在对交易组件的操作过程中，有可能通过退出操作等中断交易，若发现用户中断交易后，将步骤s202采集的第一行为数据输入行为分析模型。

步骤s204，使所述行为分析模型根据所述第一行为数据匹配得到该用户的退出交易原因信息。

具体地，经过步骤s201训练得到的行为分析模型可以通过特征匹配的方式，根据用户的第一行为数据匹配得到与之相对应的退出交易原因信息，实现自动判定用户因何种原因退出的。

步骤s205，将所述行为分析模型得到的所述退出交易原因信息发送至第二服务器，以便于所述第二服务器根据所述退出交易原因信息优化所述交易组件；其中，所述第二服务器用于管理并控制所述交易组件。

具体地，可以实时或不定期的将行为分析模型根据第一行为数据得到的退出交易原因信息发送至第二服务器。第二服务器用于管理并控制所述交易组件。通过第二服务器对退出交易原因信息进行统计，例如发现退出交易原因信息a、b、c的数量最多，则说明这三个退出交易原因最多发生，进而调取用户行为数据，根据操作链路寻找到用户在哪个交易环节中断了交易，从而发现交易组件中存在的问题，并根据这些问题优化设于第二服务器的交易组件。

图3为本发明实施例三的用户行为分析方法的流程示意图，如图3所示，本发明实施例三提供的用户行为分析方法，用于第二服务器，该方法包括：

步骤s301，接收第一服务器发送的用户的退出交易原因信息。

步骤s302，根据所述退出交易原因信息优化交易组件。

步骤s303，将经过优化的所述交易组件进行发布。

具体地，第一服务器设有本发明实施例的行为分析模型。行为分析模型可通过机器学习模型进行训练处理得到。以用户的行为数据作为输入，以用户的退出交易原因信息作为输出，设置原始的机器学习模型进行训练，可以得到本发明实施例的行为分析模型。每当一个用户退出交易时，第一服务器部署的行为分析模型可以通过特征匹配的方式，根据用户的第一行为数据匹配得到与之相对应的退出交易原因信息，自动判定用户因何种原因退出交易。

具体地，第二服务器用于管理并控制所述交易组件。交易组件包括支付类应用程序(app，application)中的交易组件，也包括其他app中的交易组件，例如购物app、社交app、团购app、金融机构开发的银行基金app、购票app等包含的用于支付的交易组件。用户对交易组件的操作行为包括：打开交易组件、输入交易密码、输入交易金额、选择交易渠道、确定交易、基金产品浏览以及在交易过程中的退出等。

具体地，第一服务器可以实时或不定期的将行为分析模型根据第一行为数据得到的退出交易原因信息发送至第二服务器，第二服务器对退出交易原因信息进行统计，例如发现退出交易原因信息a、b、c的数量最多，则说明这三个退出交易原因最多发生。进而调取用户行为数据，根据操作链路找到用户在哪个交易环节中断了交易，从而发现交易组件中存在的问题，并根据这些问题对交易组件优化迭代，优化后对交易组件进行发布更新。

优化后的交易组件上线后，继续通过行为分析模型对行为数据自动分析以获取用户中断交易行为的原因，并继续向第二服务器反馈这些原因，促进第二服务器继续进行优化及更新，从而形成第一服务器、第二服务器和终端之间的闭环优化迭代循环。具体地，该闭环优化迭代循环中，第一服务器从终端获取第一用户行为数据并根据第一用户行为数据通过行为分析模型得到用户的退出交易原因信息，第一服务器发送退出交易原因信息至第二服务器以便于第二服务器根据用户的退出交易原因优化交易组件并进行发布，终端根据第二服务器的发布对交易组件进行更新，之后第一服务器继续从终端获取第一用户行为数据进行分析，从而构成闭环循环系统。

图4为本发明实施例四的服务器的结构示意图，如图4所示，本发明实施例四提供的服务器，包括：采集模块41、输入模块42和行为分析模块43。

采集模块41，用于响应于用户对交易组件的操作，采集该用户对所述交易组件的第一行为数据；

输入模块42，用于响应于该用户通过所述交易组件中断交易的操作，将采集的所述第一行为数据输入行为分析模型；

行为分析模块43，用于使所述行为分析模型根据所述第一行为数据匹配得到该用户的退出交易原因信息。

其中，所述第一行为数据包括以下至少一种：修改交易金额行为数据、修改支付渠道行为数据、查看协议行为数据、产品浏览行为数据。

本发明实施例四的服务器，为图1所示的用户行为分析方法的实现装置，具体可参考图1实施例，此处不再赘述。

图5为本发明实施例五的服务器的结构示意图，如图5所示，本发明实施例五提供的服务器包括：采集模块41、输入模块42、行为分析模块43、训练模块51和发送模块52。

采集模块41，用于响应于用户对交易组件的操作，采集该用户对所述交易组件的第一行为数据；

输入模块42，用于响应于该用户通过所述交易组件中断交易的操作，将采集的所述第一行为数据输入行为分析模型；

行为分析模块43，用于使所述行为分析模型根据所述第一行为数据匹配得到该用户的退出交易原因信息。

训练模块51，用于以第二行为数据作为输入，以退出交易原因信息作为输出，对机器学习模型进行训练，以得到所述行为分析模型；其中，所述第二行为数据与所述退出交易原因信息具有对应关系。

发送模块52，用于将所述行为分析模型得到的所述退出交易原因信息发送至第二服务器，以便于所述第二服务器根据所述退出交易原因信息优化所述交易组件；其中，所述第二服务器用于管理并控制所述交易组件。

其中，所述第一行为数据和第二行为数据均包括以下至少一种：修改交易金额行为数据、修改支付渠道行为数据、查看协议行为数据、产品浏览行为数据。

本发明实施例五的服务器，为图2所示的用户行为分析方法的实现装置，具体可参考图2实施例，此处不再赘述。

图6为本发明实施例六的服务器的结构示意图，如图6所示，本发明实施例六提供的服务器包括：

接收模块61，用于接收第一服务器发送的用户的退出交易原因信息；

优化模块62，用于根据所述退出交易原因信息优化交易组件；

更新模块63，用于将经过优化的所述交易组件进行发布。

本发明实施例六的服务器，为图3所示的用户行为分析方法的实现装置，具体可参考图3实施例，此处不再赘述。

本发明实施例还提供一种存储设备，所述存储设备存储计算机程序指令，所述计算机程序指令根据本发明图1至图3所示的方法进行执行。

本发明实施例还提供一种计算设备，包括：用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发所述计算设备执行本发明图1至图3所示的方法。

此外，本发明的一些实施例还提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机可读指令可被处理器执行以实现前述本发明的多个实施例的方法和/或技术方案。

需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本发明的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。