一种运营内容生成推送方法及装置与流程

1.本技术属于机器学习技术领域，具体地讲，涉及一种运营内容生成推送方法及装置。


背景技术：

2.目前银行业的客户运营领域中，对于不同主题的营销活动，其目标客户群体也不相同。在传统的营销模式中，为触及更多的客户常采取粗放型的广撒网运营内容推荐模式，但是往往投入成本高却收效低。在以往的运营方法中，一般采用无背景事件主动营销触达客户的方法，缺少与客户需求或行为的结合。用户在发生交易行为后，往往期望获得优惠或返利，从而弥补支出或获取更大的收入，此时客户营销的时效性显得尤为关键。如果能在客户发生交易等动作时实时触发交易伴随运营内容的推送，精准生成客户感兴趣的运营内容并推送给目标客户群体，从而使客户基于实时行为的考虑更容易接受运营内容，从而提升运营效果。
3.客户运营是一个持续迭代优化的过程，运营的提升需要依赖于运营效果的闭环反馈。目前银行业许多客户运营系统对于运营结果的运用仍处于手工导出结果再人工加工阶段，效果反馈不够直观简洁，也未能将数据回流形成系统闭环，运营结果数据未能充分发挥其价值。


技术实现要素：

4.本技术提供了一种运营内容生成推送方法及装置，以至少解决当前银行业许多客户运营系统对于运营结果的运用仍处于手工导出结果再人工加工阶段，针对客户的营销定位推荐不够精准且效果反馈不够直观简洁，也未能将数据回流形成系统闭环，运营结果数据未能充分发挥其价值的问题。
5.根据本技术的第一个方面，提供了一种运营内容生成推送方法，包括：
6.根据获取的客户数据确定目标客群并利用预先构建的客户画像模型生成客户画像；
7.根据目标客群和客户画像，利用预先构建的决策运营生成模型生成决策运营事件；
8.捕捉客户的实时行为数据，并根据实时行为数据和客户画像动态生成实时运营事件；
9.根据决策运营事件或实时运营事件生成运营内容并推送。
10.在一实施例中，运营内容生成推送方法还包括：
11.采集运营结果数据；
12.根据运营结果数据迭代优化客户画像模型和决策运营生成模型。
13.在一实施例中，根据获取的客户数据确定目标客群，包括：
14.从客户数据提取客户特征数据；
15.将客户特征数据输入训练后的目标定位模型中获得目标客群。
16.在一实施例中，目标定位模型的训练过程包括：
17.根据获取的历史客户数据划分训练集和测试集；
18.通过rfm分析法构建客户特征并从训练集中初步筛选客户特征数据；
19.对客户特征数据进行预处理并对预处理后的客户特征数据进行筛选获得筛选特征数据；
20.利用筛选特征数据对选定的算法模型进行训练获得目标定位模型；
21.通过测试集对目标定位模型进行测试。
22.在一实施例中，利用预先构建的客户画像模型生成客户画像，包括：
23.将获取的产品信息和目标客群输入客户画像模型中生成符合目标客群特征的产品集合。
24.在一实施例中，客户画像模型的训练过程包括：
25.从获取的历史产品信息和历史客户数据中进行初步筛选获得初步筛选产品特征和初步筛选客户特征；
26.根据初步筛选客户特征剔除冗余特征获得客户筛选特征；
27.根据近邻协同过滤算法对客户筛选特征进行计算获得客户对产品的喜好情况矩阵；
28.根据喜好情况矩阵、客户筛选特征和初步筛选产品特征计算客户与产品之间的曼哈顿距离并根据曼哈顿距离确定机器学习预测产品集。
29.在一实施例中，根据目标客群和客户画像，利用预先构建的决策运营生成模型生成决策运营事件，包括：
30.对客群和客户画像预处理后进行特征筛选获得筛选数据；
31.通过分类回归树算法对筛选数据进行定性分析获得分析结果；
32.将分析结果输入决策运营生成模型生成决策运营事件。
33.在一实施例中，根据决策运营事件或实时运营事件生成运营内容并推送，包括：
34.对决策运营事件或实时运营事件进行预处理，过滤不符合条件的运营事件获得过滤后可执行的运营事件；
35.获取可执行的运营事件对应的渠道模板，通过渠道模板将可执行的运营事件合成运营内容并推送。
36.根据本技术的另一个方面，还提供了一种运营内容生成推送装置，包括：
37.客户画像单元，用于根据获取的客户数据确定目标客群并利用预先构建的客户画像模型生成客户画像；
38.决策运营事件生成单元，用于根据目标客群和客户画像，利用预先构建的决策运营生成模型生成决策运营事件；
39.实时运营事件生成单元，用于捕捉客户的实时行为数据，并根据实时行为数据和客户画像动态生成实时运营事件；
40.运营内容生成推送单元，用于根据决策运营事件或实时运营事件生成运营内容并推送。
41.在一实施例中，运营内容生成推送装置还包括：
42.采集单元，用于采集运营结果数据；
43.迭代优化单元，用于根据运营结果数据迭代优化客户画像模型和决策运营生成模型。
44.在一实施例中，客户画像单元包括：
45.客户特征数据提取单元，用于从客户数据提取客户特征数据；
46.目标客群获取单元，用于将客户特征数据输入训练后的目标定位模型中获得目标客群。
47.在一实施例中，目标定位模型的训练过程包括：
48.根据获取的历史客户数据划分训练集和测试集；
49.通过rfm分析法构建客户特征并从训练集中初步筛选客户特征数据；
50.对客户特征数据进行预处理并对预处理后的客户特征数据进行筛选获得筛选特征数据；
51.利用筛选特征数据对选定的算法模型进行训练获得目标定位模型；
52.通过测试集对目标定位模型进行测试。
53.在一实施例中，客户画像单元包括：
54.产品集合生成模块，用于将获取的产品信息和目标客群输入客户画像模型中生成符合目标客群特征的产品集合。
55.在一实施例中，客户画像模型的训练过程包括：
56.从获取的历史产品信息和历史客户数据中进行初步筛选获得初步筛选产品特征和初步筛选客户特征；
57.根据初步筛选客户特征获取客户偏移特征，并对客户偏移特征进行插值处理获得客户筛选特征；
58.根据近邻协同过滤算法对客户筛选特征进行计算获得客户对产品的喜好情况矩阵；
59.根据喜好情况矩阵、客户筛选特征和初步筛选产品特征计算客户与产品之间的曼哈顿距离并根据曼哈顿距离确定产品集合。
60.在一实施例中，决策运营事件生成单元包括：
61.筛选数据获取模块，用于对客群和客户画像预处理后进行特征筛选获得筛选数据；
62.分析结果获取模块，用于通过分类回归树算法对筛选数据进行定性分析获得分析结果；
63.决策运营事件生成模块，用于将分析结果输入决策运营生成模型生成决策运营事件。
64.在一实施例中，运营内容生成推送单元包括：
65.可执行运营事件获取模块，用于对决策运营事件或实时运营事件进行预处理，过滤不符合条件的运营事件获得过滤后可执行的运营事件；
66.推送模块，用于获取可执行的运营事件对应的渠道模板，通过渠道模板将可执行的运营事件合成运营内容并推送。
67.本技术提供的方法及装置可以针对不同的运营需求灵活设计客群筛选策略，实现
精准确定运营客群，个性化推荐产品的技术效果，本技术还可以实现精准决策运营事件，通过实时产生交易伴随运营事件，使运营实时性提升，且运营效果回流可用于优化模型从而达到运营精细化、个性化、强时效性、低成本和高效率的技术效果。
附图说明
68.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
69.图1为本技术提供的一种运营内容生成推送方法的流程图。
70.图2为本技术实施例中根据运营结果数据迭代优化模型的方法流程图。
71.图3为本技术实施例中根据获取的客户数据确定目标客群的方法流程图。
72.图4为本技术实施例中目标定位模型的训练过程流程图。
73.图5为本技术实施例中客户画像模型的训练过程流程图。
74.图6为本技术实施例中利用预先构建的决策运营生成模型生成决策运营事件的流程图。
75.图7为本技术实施例中根据决策运营事件或实时运营事件生成运营内容并推送的流程图。
76.图8为本技术提供的一种运营内容生成推送装置的结构框图。
77.图9为本技术实施例中客群筛选模块的结构框图。
78.图10为本技术实施例中产品推荐客户画像模块的结构框图。
79.图11为本技术实施例中运营决策模块的结构框图。
80.图12为本技术实施例中实时运营事件生成模块的结构框图。
81.图13为本技术实施例中一种电子设备的具体实施方式。
具体实施方式
82.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本技术可以应用于金融领域，也可以应用于除金融领域之外的其他技术领域，本技术的应用领域不限。
83.在银行业诸多产品与服务中，能否精准把握客户需求是客户运营成败的关键。以往运营一般是人为规定主推产品或活动，至于产品能否匹配客户真实意愿有待考量。若能根据客户特点精准推荐产品，将对运营转化率提升大有裨益。
84.在以往的运营方法中，一般采用无背景事件主动营销触达客户的方法，缺少与客户需求或行为的结合。用户在发生交易行为后，往往期望获得优惠或返利，从而弥补支出或获取更大收入，此时客户营销的时效性显得尤为关键。如果能在客户发生交易等动作时实时触发交易伴随运营，精准推送合适的产品或活动给客户，客户基于实时行为的考虑，更容易接受营销内容，从而提升运营效果。如何进行实时运营，以及精准推送，是当前问题的难
点。
85.基于上述问题，本技术提供了一种运营内容生成推送方法，如图1所示，包括：
86.s101：根据获取的客户数据确定目标客群并利用预先构建的客户画像模型生成客户画像。
87.s102：根据目标客群和客户画像，利用预先构建的决策运营生成模型生成决策运营事件。
88.s103：捕捉客户的实时行为数据，并根据实时行为数据和客户画像动态生成实时运营事件。
89.s104：根据决策运营事件或实时运营事件生成运营内容并推送。
90.在一实施例中，如图2所示，运营内容生成推送方法还包括：
91.s201：采集运营结果数据。
92.s202：根据运营结果数据迭代优化客户画像模型和决策运营生成模型。
93.在一具体实施例中，运营内容生成推送方法包括以下步骤：
94.步骤1：从客户信息库获取客户数据，确定目标客群及构建产品推荐客户画像。
95.步骤2：由步骤1得到的目标客群、客户画像，决策生成运营事件内容。
96.步骤3：从流式数据平台捕捉客户实时行为数据，结合步骤1中的客户画像数据，动态生成交易伴随运营事件。
97.步骤4：由步骤2中获得的决策运营事件或步骤3获得的实时运营事件，生成个性化运营推送内容并通过对应渠道触达客户。
98.步骤5：采集运营结果数据，将运营结果反馈至步骤1～步骤3，以此来迭代优化系统模型。
99.在一实施例中，根据获取的客户数据确定目标客群，如图3所示，包括：
100.s301：从客户数据提取客户特征数据。
101.s302：将客户特征数据输入训练后的目标定位模型中获得目标客群。
102.在一实施例中，如图4所示，目标定位模型的训练过程包括：
103.s401：根据获取的历史客户数据划分训练集和测试集。
104.s402：通过rfm分析法构建客户特征并从训练集中初步筛选客户特征数据。
105.s403：对客户特征数据进行预处理并对预处理后的客户特征数据进行筛选获得筛选特征数据。
106.s404：利用筛选特征数据对选定的算法模型进行训练获得目标定位模型。
107.s405：通过测试集对目标定位模型进行测试。
108.在一具体实施例中，从获取的客户数据中筛选出目标客群具体包括如下流程：
109.(1)首先根据客户数据分析客群的总体情况并进行客户的交易分析，为了对目标客群进行进准预测，针对客户构建目标定位模型。选取目标客群，按照8:2的比例将客群划分为训练集和测试集。从静态指标、动态指标和基于rfm分析法构建客户特征。
110.可选的，其中静态指标包含了客户基本属性、客户贡献信息、金融属性类、客户资产信息、产品持有信息、负债情况类共六大类。
111.客户基本属性包括：性别、年龄、地区、婚姻、行业、职业、教育程度、年收入等；
112.客户贡献信息包括：风险等级、贡献星级、透支额度、开户年限等；
113.金融属性类包括：是否代发工资客户、信用卡自动还款标志、理财金客户标志、是否法人等；
114.客户资产信息包括：年人均金融资产、月日均金融资产、月日均负债、月均代发工资金额、当前金融资产总额、活期账户余额、定期账户余额、理财余额等；
115.产品持有信息包括：产品持有标志、产品开通时间、产品使用频率、产品交易笔数、产品交易金额等；
116.负债情况类包括：信用卡开通标志、信用卡可用余额、信用卡额度使用比例、是否有消费分期、消费分期笔数、消费分期金额、贷款业务开展标志、贷款类型、贷款金额、贷款余额、还款期数、还款方式、还款金额等。
117.可选的，动态指标包括：交易行为、网银特征类。
118.交易行为特征包括：单笔大额(大于1万)消费数量、历史分期次数、历史分期总金额、三方支付交易金额(支付宝、财付通)、atm交易金额、atm交易次数、pos交易金额、外币交易金额等；
119.网银特征包括：网银交易代码、汇总登录登出次数、介质持有信息、工银e支付开通标志、余额变动提醒服务开通标志、跨行网银转账信息等。
120.可选的，用rfm分析法来构建指标，结合业务经验，构建场景的特色指标体系。一是搭建基于业务、时间及指标的多维变量衍生体系。其中，业务维度包括金额、笔数等信息，时间维度圈定了如近1/3/6/12月等观察周期，指标维度运用交易集中度、趋势离散度等统计指标：
121.a.统计学rfm衍生：变量y＝y(@业务维度，@时间维度，@指标维度)
122.近12个月客户交易笔数集中度＝近12个月+交易笔数+集中度
123.计算方式：
124.其中si为第i个月交易笔数。
125.近6个月交易金额变异系数＝近6个月+结算金额+变异系数
126.计算方式：
127.其中s为近6月结算金额。
128.b.基于业务衍生：变量y＝y(@业务维度)
129.近3个月消费风险率：(a+b+c+d)/e:
130.其中a＝信用卡交易笔数，b＝异常交易笔数，c＝整笔大额交易笔数，d＝熟客同人交易笔数，e＝总交易笔数
131.近1个月过度消费笔数：max(ai)
132.其中ai为单日最大消费笔数，i取值范围为1～31。
133.近12个月平均消费水平：mean(amt)
134.其中amt是近12个月消费金额。
135.(2)从客户信息库中根据所属地区号获取初始客群客户初步筛选特征数据。
136.(3)进行数据预处理，可选的，包括数据去重、缺失值处理、删除冗余变量、连续性变量离散化、非数值型变量编码、数据标准化、相关性分析。以客户编号为维度对数据去重。
137.(4)进行特征筛选。可选的，特征筛选的方法包括iv值筛选、模型筛选、pearson相关系数筛选。
138.可选的，利用iv值筛选，初步剔除无区分变量。
139.计算所有特征的woe(weight of evidence)，即证据权重。
[0140][0141][0142]
初步筛选时，剔除iv值为0的变量。
[0143]
可选的，用随机森林算法和lightgbm按特征重要性筛选特征。
[0144]
可选的，用pearson相关系数筛选出与目标变量相关性高的变量。
[0145]
(5)从算法库中找出基模型进行训练。可选的，算法库中的算法模型包括：lightgbm、随机森林、regression、logistic回归、决策树、xgboost、adaboost、gbdt等。
[0146]
比较模型训练效果的准确率、召回率、f_score等指标，选取效果较优的模型。
[0147]
(6)采用soft voting、stacking选取基模型进行模型融合。
[0148]
(7)用网格搜索法和随机搜索法，找出目标损失函数最小的一组参数进行模型调优。
[0149]
部署训练后的模型，筛选出目标客群。
[0150]
在一实施例中，利用预先构建的客户画像模型生成客户画像，包括：
[0151]
将获取的产品信息和目标客群输入客户画像模型中生成符合目标客群特征的产品集合。
[0152]
在一实施例中，如图5所示，客户画像模型的训练过程包括：
[0153]
s501：从获取的历史产品信息和历史客户数据中进行初步筛选获得初步筛选产品特征和初步筛选客户特征。
[0154]
s502：根据初步筛选客户特征获取剔除冗余特征获得客户筛选特征。
[0155]
s503：根据近邻协同过滤算法对客户筛选特征进行计算获得客户对产品的喜好情况矩阵。
[0156]
s504：根据喜好情况矩阵、客户筛选特征和初步筛选产品特征计算客户与产品之间的曼哈顿距离并根据曼哈顿距离确定机器学习预测产品集。
[0157]
在一具体实施例中，利用客户画像模型生成客户画像，客户画像中包含客户的特征以及对该客户推荐的合适的产品集合，具体地，在推荐产品画像构建中，机制为机器学习与推荐规则结合：
[0158]
(s1)选定产品范围，可选的，产品包括理财产品、存款产品、信贷产品、代理收付业务、便民业务等类型下的具体产品、业务或活动。
[0159]
(s2)分析(s1)中客群单个客户产品渗透数量的分布。
[0160]
(s3)采用apriori方法评估产品间的关联关系。可选的，关联关系评估指标包括支持度、置信度、提升度。
[0161]
支持度：support(ab)＝support(ba)＝p(a∩b)
[0162]
置信度：confidence(a
→
b)＝support(ab)/support(a)＝p(a∩b)/p(a)＝p(b|a)
[0163]
提升度：lift(a
→
b)＝confidence(a
→
b)/support(b)＝p(a∩b)/[p(a)p(b)]
[0164]
(s4)基于账户交易信息、客户资产信息、产品持有信息、客户服务信息、贡献信息、基本信息、三方支付信息等，考虑特征间的业务逻辑关系、数据质量、相关性等，适当衍生，得到初步筛选的特征。
[0165]
(s5)取初步筛选特征，针对客户在典型产品的开办情况分别计算iv值，按iv值降序排列，选择对是否开办产品影响较大的特征。
[0166]
(s6)取(s5)中的客户群体为观察样本，在核心维度如客户规模、资产结构、行业、经营周期、资金交易、地区宏观经济等特征，计算特征均值、标准差、偏度、分度、四分位点等统计量观察客户偏移特征。
[0167]
(s7)根据不同客群的特征，分别设置推荐条件。
[0168]
(s8)客户特征在(s5)基础上在经过对空值的处理，进一步筛选特征。
[0169]
(s9)基于近邻协同过滤算法，构建用户对产品喜好情况的评分矩阵。
[0170]
(s10)对于待推荐客户，基于客户特征用曼哈顿距离计算与样本客户的相似度，确定相似客户。曼哈顿距离越小，相似度越高，选曼哈顿距离较小的前n个客户为相似客群。
[0171]
曼哈顿距离公式如下：
[0172]
d(i,j)＝|x
i1-y
i1
|+|x
i2-y
i2
|+...+|x
in-y
in
|
[0173]
(s11)客户推荐产品集合确定。依据待推荐客户相似客群的产品持有情况及(8)中所述客户特征，通过加权计算得最终产品集评分。当评分大于阈值时，产品归入可推荐产品集合。
[0174]
(s12)推荐规则整合：
[0175]
若某一客户只有机器学习推荐，则取机器学习推荐结果；
[0176]
若某一客户在机器学习与推荐规则中都出现，则产品推荐结果取二者并集。
[0177]
在一实施例中，根据目标客群和客户画像，利用预先构建的决策运营生成模型生成决策运营事件，如图6所示，包括：
[0178]
s601：对客群和客户画像预处理后进行特征筛选获得筛选数据。
[0179]
s602：通过分类回归树算法对筛选数据进行定性分析获得分析结果。
[0180]
s603：将分析结果输入决策运营生成模型生成决策运营事件。
[0181]
在一具体实施例中，结合行内客户数据，客户数据包括客户归属支行网点、性别、年龄等；以及通过第三方数据供应商获取外部数据，外部数据包括：地理空间、企地关系、房产交易、人地关系。行内外数据源相融合，构建数据集。可选的，数据集特征包括客群画像、交通设施、商业环境、触客渠道使用情况等类别。
[0182]
然后完成数据规范化处理，包括缺失值处理、变量转化。
[0183]
对数据进行特征筛选和过滤。特征筛选方法包括共线性诊断、嵌入法、iv值判定法等，本实施例不以此为限。
[0184]
接下来通过分类回归树算法对源数据进行定性分析，在通过adaboost算法对不同指标进行得分计算。最后通过主成分分析法对所有网点进行资源评分及排名。
[0185]
利用one-hot编码、embedding、多模型融合等方式，进一步提升模型性能。
[0186]
进一步的，根据模型训练结果为客户生成网点策略的选择，包括推荐支行网点及周边资源等信息。
[0187]
结合目标客群、推荐产品、网点策略等信息，生成运营事件要素。
[0188]
在一实施例中，根据决策运营事件或实时运营事件生成运营内容并推送，如图7所示，包括：
[0189]
s701：对决策运营事件或实时运营事件进行预处理，过滤不符合条件的运营事件获得过滤后可执行的运营事件。
[0190]
s702：获取可执行的运营事件对应的渠道模板，通过渠道模板将可执行的运营事件合成运营内容并推送。
[0191]
在一具体实施例中，步骤3中记载的从流式数据平台捕捉客户实时行为数据，结合步骤1中的客户画像数据，动态生成交易伴随运营事件，具体包括：
[0192]
(1)从流式数据平台接收客户实时行为数据，包括消费、转账、现金存取、信贷还款等交易行为事件。通过初步过滤规则如所属地区、交易起点金额等，将有运营价值的目标客群及对应行为数据接收至运营平台。
[0193]
(2)解析接收到的行为数据，获取行为主体信息与客户行为特征要素。优选的，行为主体信息包括客户编号、账号、卡号等；行为特征要素包括交易类型、交易渠道、交易场景、交易摘要、交易载体、交易产品、交易币种、交易金额、交易对手、发生时间等。将流式行为数据转化为结构化数据，进行特征向量化。
[0194]
(3)依赖于(2)解析所得行为主体信息及步骤1输出客户画像数据，将二者进行匹配，获取行为主体对应客户推荐产品画像。该部分为基于客户历史数据获得的静态客户推荐产品画像数据。
[0195]
(4)基于客户实时行为特征构建实时偏好预测模型，预测产品或服务偏好程度。实时行为一般有相关性较强的事件或产品。根据(2)中解析所得客户行为特征要素，基于lightgbm算法建立多个产品的预测模型，进行模型训练得出实时产品偏好度。
[0196]
(5)根据客户实时偏好信息与客户历史画像数据建立运营事件决策模型，通过模型决策出适合客户的最佳运营事件。结合(4)中预测所得客户实时偏好与(3)中匹配所得静态客户推荐产品画像数据，通过二者加权计算，得出综合偏好程度。再将问题转化为单标签多分类问题，通过softmax算法，生成推荐产品one-hot编码，由此决策出最优运营事件。
[0197]
(6)在运营事件决策模型决策出最佳运营事件后，根据客户画像数据及实时行为信息，合成运营事件要素，包括运营渠道、运营时间、运营对象、运营内容要素等，生成动态运营事件。
[0198]
在一具体实施例中，根据决策运营事件或实时运营事件生成运营内容并推送具体包括：
[0199]
(1)对步骤2和步骤3生成的运营事件，在执行对客运营前进行运营预处理。优选的，通过黑名单过滤、防重复运营、免打扰时间判定等多重机制对运营事件进行过滤，避免于休息时间运营、已屏蔽营销客户运营、同一事件短期内已触达客户重复运营等高客诉风险情形的运营触发。
[0200]
(2)经过预处理过滤后可执行的运营事件，依据运营事件所包含渠道，按对应事件渠道模板，将运营事件要素合成个性化运营推送内容。系统触客渠道包括智能外呼、短信、app、小程序、公众号等。通过对应推送渠道，将对客运营内容推至各渠道消息推送平台，进而触达客户。
[0201]
在一具体实施例中，图2所示的根据运营结果数据迭代优化模型具体包括：
[0202]
(1)运营结果的数据来源包括各渠道运营结果回传、触客页面埋点采集、各业务系统客户办理数据。采集各类运营数据，提取并整合成规范化运营结果数据，包括渠道触达情况、业务办理进度、产品使用情况等。
[0203]
(2)将运营数据转化为运营指标，如漏斗转化体系。通过报表平台生成可视化运营报表，直观展现运营效果。
[0204]
运营效果数据反馈至步骤1至步骤3中的相关模型，用于迭代优化客户画像模型、运营决策模型、实时偏好预测模型，实现通过数据反哺模型，形成系统闭环。
[0205]
本技术提供的方法可以针对不同的运营需求灵活设计客群筛选策略，实现精准确定运营客群，个性化推荐产品的技术效果，本技术还可以实现精准决策运营事件，通过实时产生交易伴随运营事件，使运营实时性提升，且运营效果回流可用于优化模型从而达到运营精细化、个性化、强时效性、低成本和高效率的技术效果。
[0206]
基于同一发明构思，本技术实施例还提供了一种运营内容生成推送装置，可以用于实现上述实施例中所描述的方法，如下面实施例所述。由于该运营内容生成推送装置解决问题的原理与运营内容生成推送方法相似。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0207]
如图8所示，为一种运营内容生成推送装置800的总体系统结构图，该系统由五个模块组成，分别是客户画像构建模块801、运营决策模块802、实时运营事件生成模块803、运营执行模块804、运营结果反馈模块805。客户画像构建模块可进一步分为客群筛选模块和产品推荐客户画像模块。
[0208]
如图9所示，本发明一实施例所提供的客户画像构建模块中的客群筛选模块900，具体包括：
[0209]
内部数据901：用于采集客户信息数据库；
[0210]
外部数据902：用于采集互联网上的数据，包含从社交网络、网购平台、搜索平台上的客户数据；
[0211]
数据获取单元903：用来接收来自多个数据源的多个客户的多个维度的数据；
[0212]
特征处理单元904：用于确定数据获取单元接收的数据所归属的客户，并且对数据进行清理、数据抽样、特征变换、特征筛选；
[0213]
用户身份管理单元905：用于管理客户在多个数据源中的账户，以便于确定数据储存单元906中数据与用户的归属关系；
[0214]
筛选模型配置库907：用于配置筛选客户模型的参数；
[0215]
算法库908：用于存储并更新多个用于筛选客户的算法；
[0216]
模型迭代单元909：用于收集业务数据，指导模型优化调整，包含数据反饲、模型优化、质量预警的闭环数据链路。
[0217]
如图10所示，本发明一实施例所提供的客户画像构建模块中的产品推荐模块1000，具体包括：
[0218]
数据获取单元1001：获取产品开通数据及客户特征数据，具体包括：
[0219]
产品开通数据获取单元：从营销产品及活动库中选定产品范围。分析客群筛选模
块所得客群单个客户产品渗透数量的分布。
[0220]
客户特征处理单元：选取客户原始特征，首先考虑特征间的业务逻辑关系、数据质量、相关性等因素，之后适当衍生，再考察逐个特征的空值率和单一取值最大比例，得到初步筛选特征集。
[0221]
产品关联分析单元1002：采用apriori方法评估产品间的关联关系，可选的，关联关系评估指标包括支持度、置信度、提升度。
[0222]
iv值筛选单元：取某地区客户，1001所得特征，针对客户在典型产品上的开办情况，分别计算iv值。按iv值降序排列选择特征。
[0223]
特征分析单元1004：取1003中的客户群体为观察样本，依据特征统计量观察在核心维度上的分布特点。
[0224]
推荐规则划分模块1005：包括产品关联关系单元、特征筛选单元、客群划分单元。
[0225]
推荐规则生产单元1006：根据1005整合不同客群的特征，分别设置推荐条件。
[0226]
特征处理与计算模块1007：包括入模特征选择单元和客户距离计算单元。
[0227]
机器学习算法库1008：对1007所得特征数据进行机器学习模型训练，得出推荐结果集。
[0228]
推荐结果整合单元1009：整合1006与1008结果，生成最终推荐产品集。
[0229]
如图11所示，本发明一实施例提供的运营决策模块1100，具体包括：
[0230]
数据集构建单元1101：用于获取基础数据集。包括人群画像获取单元、交通设施数据获取单元、商业环境数据获取单元、渠道使用数据获取单元。
[0231]
数据预处理单元1102：对基础数据集数据进行预处理。包括缺失值处理单元、变量转化单元。
[0232]
特征筛选过滤单元1103：包括通过共线性诊断、嵌入法、iv值过滤。
[0233]
算法库1104：包含gbdt，xgboost，lightgbm，stacking等模型算法。
[0234]
策略生成单元1105：生成网点策略、运营策略。
[0235]
客群、推荐产品获取单元1106：获取画像构建模块中生成的目标客群及产品推荐客户画像。
[0236]
运营事件合成单元1107：根据1105的生成策略和1106的客户数据，合成运营事件要素。
[0237]
如图12所示，本发明一实施例提供的实时运营事件生成模块1200，具体包括：
[0238]
实时事件接收单元1201：从流式数据平台接收客户实时行为数据。优选的，本实施例接收借记卡消费事件。
[0239]
实时数据解析单元1202：解析接收到的实时借记卡消费数据，获取行为主体信息与客户行为特征要素。将流式行为数据转化为结构化数据，进行特征向量化。
[0240]
客户标签匹配单元1203：根据行为主体信息查询从产品推荐画像模块输出的客户画像中行为主体对应客户的推荐产品画像数据。
[0241]
实时偏好预测模型1204：基于客户实时行为特征构建实时偏好预测模型，预测出实时产品偏好度。
[0242]
运营事件决策模型1205：将客户实时偏好预测结果与客户推荐产品画像数据加权计算，得出综合偏好程度，决策出最优运营事件。
[0243]
运营事件合成单元1206：根据客户画像数据及实时行为信息，合成最优运营事件要素。
[0244]
本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图13，所述电子设备具体包括如下内容：
[0245]
处理器(processor)1301、内存1302、通信接口(communications interface)1303、总线1304和非易失性存储器1305；
[0246]
其中，所述处理器1301、内存1302、通信接口1303通过所述总线1304完成相互间的通信；
[0247]
所述处理器1301用于调用所述内存1302和非易失性存储器1305中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0248]
s101：根据获取的客户数据确定目标客群并利用预先构建的客户画像模型生成客户画像。
[0249]
s102：根据目标客群和客户画像，利用预先构建的决策运营生成模型生成决策运营事件。
[0250]
s103：捕捉客户的实时行为数据，并根据实时行为数据和客户画像动态生成实时运营事件。
[0251]
s104：根据决策运营事件或实时运营事件生成运营内容并推送。
[0252]
本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0253]
s101：根据获取的客户数据确定目标客群并利用预先构建的客户画像模型生成客户画像。
[0254]
s102：根据目标客群和客户画像，利用预先构建的决策运营生成模型生成决策运营事件。
[0255]
s103：捕捉客户的实时行为数据，并根据实时行为数据和客户画像动态生成实时运营事件。
[0256]
s104：根据决策运营事件或实时运营事件生成运营内容并推送。
[0257]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这
种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。