生命周期价值的预测方法及装置、存储介质、电子设备与流程

1.本发明涉及计算机技术领域，具体而言，涉及一种生命周期价值的预测方法及装置、存储介质、电子设备。


背景技术：

2.相关技术中，用户生命周期价值(consumer life time value，cltv)，是商业体从用户所有的互动中所得到的全部经济收益的总和，用于衡量企业客户对企业所产生的价值，被定为企业是否能够取得高利润的重要参考指标。利用cltv可以做用户运营效果的检测，并沉淀为后续用户运营活动的经验。但是如何很好的预测用户的生命周期价值一直是业界想要解决的问题，相关技术中的cltv值一般根据用户自身的属性(如教育程度，性别，年龄)来确定，而且是一个相对固定的值，而这种预估方式适用的商品非常有限，不能满足大多数商品的价值预测，相关技术中还没有一个较为合理的方式方法预测用户的生命周期价值。
3.针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种生命周期价值的预测方法及装置、存储介质、电子设备。
5.根据本技术实施例的一个方面，提供了一种生命周期价值的预测方法，其特征在于，包括：采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据；根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，其中，所述cltv预测模型用于预测所述目标用户在所述目标商品上的生命周期价值；采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值。
6.进一步，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据包括：获取所述历史交易数据中的首次交易记录和末次交易记录；提取所述首次交易记录的第一交易时间，以及提取所述末次交易记录的第二交易时间；计算所述第一交易时间减去所述第二交易时间的第一时间差，并将所述第一时间差确定为所述cltv预测模型的第一模型指标数据。
7.进一步，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据包括：获取所述历史交易数据中重复交易的所有交易记录；统计所述所有交易记录的条数，并将所述条数确定为所述cltv预测模型的第二模型指标数据。
8.进一步，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据包括：获取所述历史交易数据中的首次交易记录，以及获取所述历史运营数据中的末次运营记录；提取所述首次交易记录的第一交易时间，以及提取所述末次运营记录的第一运营时间；计算所述第一运营时间减去所述第一交易时间的第二时间差，并将所述第二时间差确定为所述cltv预测模型的第三模型指标数据。
9.进一步，采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时
间的cltv值包括：采用所述模型指标数据计算所述cltv预测模型的模型参数值，其中，所述模型参数值包括：平均客单价，目标用户在未来时间的购买次数；采用以下公式计算所述目标用户在第一时间的cltv值：
10.cltv值＝(monetary_value*expected_number_of_transactions)/(1+discount_rate)**(1/factor)；
11.其中，monetary_value为平均客单价；expected_number_of_transactions为目标用户在未来时间的购买次数；discount_rate为超参数，factor为超参数列表，**为次方运算符。
12.进一步，在采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值之后，所述方法还包括：获取所述目标用户在第二时间的cltv值，其中，所述第二时间在所述第一时间之前；采用所述第一时间的cltv值和所述第二时间的cltv值拟合生成价值变化曲线；计算所述价值变化曲线的曲率，并根据所述曲率查找所述目标用户在所述第一时间时所处的生命周期阶段。
13.进一步，在采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据之后，所述方法还包括：对所述历史交易数据和所述历史运营数据进行加密和脱敏处理，得到中间数据；解析所述中间数据的数据量；判断所述数据量是否小于预设阈值；若所述数据量小于预设阈值，采用所述历史交易数据确定所述目标用户的用户类型，其中，所述用户类型包括：未购会员用户，首购用户，老用户；采用以下公式预测所述目标用户在第一时间的cltv值：未购会员用户cltv值＝店铺老用户平均首购客单价*所有用户的平均购买频次；首购用户cltv值＝首次复购平均商品交易总额gmv*所有用户的平均购买频次；老用户cltv值＝老用户复购平均gmv*老用户的平均购买频次。
14.根据本技术实施例的另一个方面，还提供了一种生命周期价值的预测装置，包括：采集模块，用于采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据；计算模块，用于根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，其中，所述cltv预测模型用于预测所述目标用户在所述目标商品上的生命周期价值；第一预测模块，用于采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值。
15.进一步，计算模块包括：第一获取单元，用于获取所述历史交易数据中的首次交易记录和末次交易记录；第一提取单元，用于提取所述首次交易记录的第一交易时间，以及提取所述末次交易记录的第二交易时间；第一计算单元，用于计算所述第一交易时间减去所述第二交易时间的第一时间差；第一确定单元，用于将所述第一时间差确定为所述cltv预测模型的第一模型指标数据。
16.进一步，计算模块包括：第二获取单元，用于获取所述历史交易数据中重复交易的所有交易记录；统计单元，用于统计所述所有交易记录的条数；第二确定单元，用于将所述条数确定为所述cltv预测模型的第二模型指标数据。
17.进一步，计算模块包括：第三获取单元，用于获取所述历史交易数据中的首次交易记录，以及获取所述历史运营数据中的末次运营记录；第二提取单元，用于提取所述首次交易记录的第一交易时间，以及提取所述末次运营记录的第一运营时间；第二计算单元，用于计算所述第一运营时间减去所述第一交易时间的第二时间差；第三确定单元，用于将所述
第二时间差确定为所述cltv预测模型的第三模型指标数据。
18.进一步，第一预测模块包括：第三计算单元，用于采用所述模型指标数据计算所述cltv预测模型的模型参数值，其中，所述模型参数值包括：平均客单价，目标用户在未来时间的购买次数；第四计算单元，用于采用以下公式计算所述目标用户在第一时间的cltv值：
19.cltv值＝(monetary_value*expected_number_of_transactions)/(1+discount_rate)**(1/factor)；
20.其中，monetary_value为平均客单价；expected_number_of_transactions为目标用户在未来时间的购买次数；discount_rate为超参数，factor为超参数列表，**为次方运算符。
21.进一步，装置还包括：获取模块，用于获取所述目标用户在第二时间的cltv值，其中，所述第二时间在所述第一时间之前；拟合模块，用于采用所述第一时间的cltv值和所述第二时间的cltv值拟合生成价值变化曲线；查找模块，用于计算所述价值变化曲线的曲率，并根据所述曲率查找所述目标用户在所述第一时间时所处的生命周期阶段。
22.进一步，装置还包括：处理模块，用于对所述历史交易数据和所述历史运营数据进行加密和脱敏处理，得到中间数据；解析模块，用于解析所述中间数据的数据量；判断模块，用于判断所述数据量是否小于预设阈值；确定模块，用于若所述数据量小于预设阈值，采用所述历史交易数据确定所述目标用户的用户类型，其中，所述用户类型包括：未购会员用户，首购用户，老用户；第二预测模块，用于采用以下公式预测所述目标用户在第一时间的cltv值：未购会员用户cltv值＝店铺老用户平均首购客单价*所有用户的平均购买频次；首购用户cltv值＝首次复购平均商品交易总额gmv*所有用户的平均购买频次；老用户cltv值＝老用户复购平均gmv*老用户的平均购买频次。
23.根据本技术实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的步骤。
24.根据本技术实施例的另一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；其中：存储器，用于存放计算机程序；处理器，用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
25.本技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法中的步骤。
26.通过本发明，采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据，根据历史交易数据和历史运营数据计算cltv预测模型的模型指标数据，其中，cltv预测模型用于预测目标用户在目标商品上的生命周期价值，之后采用计算的模型指标数据和cltv预测模型来预测得到目标用户在第一时间的cltv值，采用用户的历史交易数据和商品的历史运营数据计算cltv预测模型的模型指标数据，并动态预测用户在某个时刻的cltv值，实现了对用户生命周期价值cltv的精准预测，解决了相关技术中预测用户的生命周期价值不准确的技术问题，根据cltv值商品厂商可以锁定高价值用户，并针对不同cltv值的用户选择不同的营销策略，还可以用cltv值检测运营效果，沉淀为后续用户运营活动的经验，为商品运营提供参考依据，提高运营的效率和效果。
附图说明
27.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
28.图1是本发明实施例的一种服务器的硬件结构框图；
29.图2是根据本发明实施例的一种生命周期价值的预测方法的流程图；
30.图3为本发明实施例一个实施场景中用户生命周期价值预测方法的流程示意图；
31.图4是根据本发明实施例的一种生命周期价值的预测装置的结构框图；
32.图5是实施本发明实施例的一种电子设备的结构框图。
具体实施方式
33.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
34.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
35.实施例1
36.本技术实施例一所提供的方法实施例可以在服务器、计算机、手机、或者类似的运算装置中执行。以运行在服务器上为例，图1是本发明实施例的一种服务器的硬件结构框图。如图1所示，服务器可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述服务器的结构建成限定。例如，服务器还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
37.存储器104可用于存储服务器程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种生命周期价值的预测方法对应的服务器程序，处理器102通过运行存储在存储器104内的服务器程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
38.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
39.在本实施例中提供了一种生命周期价值的预测方法，图2是根据本发明实施例的一种生命周期价值的预测方法的流程图，如图2所示，该流程包括如下步骤：
40.s1，采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据；
41.本实施例的第一时间是待求取用户cltv值的时间点(如当前时间)。
42.交易数据为用户购买商品发生业务活动产生的数据，可以包括交易金额、交易数量、交易时间、交易商品等。
43.运营数据为商品在组织、实施和控制等运营过程中产生的数据，可以包括商品的运营时间、运营价格、运营库存量、运营成本等。
44.可选的，本实施例的目标商品可以是某个固定型号的商品，也可以是某个种类，某个商铺，某个平台的商品等。
45.s2，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，其中，所述cltv预测模型用于预测所述目标用户在所述目标商品上的生命周期价值；
46.cltv(consumer life time value，用户生命周期价值)指用户在生命周期中贡献的商业价值，可以看作是一个用户从“初次购买时刻”到“流失时刻”在目标商品上花费的总金额，通过cltv可以告诉商品方在这段时期，每个客户能为其贡献多少收入，用户是活跃还是流失，用户还有多少付费潜力，用户在未来某段时间会否再次购买商品等，帮助商品方锁定真正更有价值的客户，衡量投入产出比，优化投放资源等。
47.本示例中用cltv预测模型来预测目标用户在目标商品上的生命周期价值，比如，可以先根据历史交易数据和历史运营数据预测用户在未来指定时间内的交易次数和平均交易金额，之后根据预测的交易次数与平均交易金额预测用户在未来指定时间内总的交易金额等，其中，预测用户在未来指定时间内的交易次数不限于使用bg/nbd模型，预测用户在未来指定时间内的消费金额不限于使用gamma-gamma模型。
48.s3，采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值。
49.cltv预测模型中建模需要的指标数据可以包括recency、frequency、t等，其中，recency表示用户第一次购买商品和最近一次购买之间的持续时间；frequency表示用户重复购买的次数，其数值为总购买次数减一；t表示用户第一次购买商品的时间到数据集最后结束时间之间的时间差，将得到的模型指标数据输入cltv预测模型，cltv预测模型将输出目标用户在第一时间的cltv值。
50.本发明实施例，采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据，根据历史交易数据和历史运营数据计算cltv预测模型的模型指标数据，其中，cltv预测模型用于预测目标用户在目标商品上的生命周期价值，之后采用计算的模型指标数据和cltv预测模型来预测得到目标用户在第一时间的cltv值，采用用户的历史交易数据和商品的历史运营数据计算cltv预测模型的模型指标数据，并动态预测用户在某个时刻的
cltv值，实现了对用户生命周期价值cltv的精准预测，解决了相关技术中预测用户的生命周期价值不准确的技术问题，根据cltv值商品厂商可以锁定高价值用户，并针对不同cltv值的用户选择不同的营销策略，还可以用cltv值检测运营效果，沉淀为后续用户运营活动的经验，为商品运营提供参考依据，提高运营的效率和效果。
51.在一示例中，模型指标数据为recency，即用户最后一次购买目标商品和第一次购买目标商品的时间差，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，s2，包括：
52.s201，获取所述历史交易数据中的首次交易记录和末次交易记录；
53.s202，提取所述首次交易记录的第一交易时间，以及提取所述末次交易记录的第二交易时间；
54.s203，计算所述第一交易时间减去所述第二交易时间的第一时间差，并将所述第一时间差确定为所述cltv预测模型的第一模型指标数据。
55.本示例中根据目标用户最后一次购买目标商品和第一次购买目标商品的时间差来计算第一模型指标数据recency。可理解的，若用户只进行了1次购买，则recency指标为0。
56.在另一示例中，模型指标数据为frequency，即客户重复购买商品的次数，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，s2，包括：
57.s211，获取所述历史交易数据中重复交易的所有交易记录；
58.s212，统计所述所有交易记录的条数，并将所述条数确定为所述cltv预测模型的第二模型指标数据。
59.本示例中用重复交易的记录条数计算第二模型指标数据frequency，比如，若历史交易数据中用户购买目标商品一次，则frequency＝0，若用户购买目标商品两次，则frequency＝1。
60.在又一示例中，模型指标数据为t，即用户第一次购买商品的时间到数据集最后结束时间之间的时间差，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，s2，包括：
61.s221，获取所述历史交易数据中的首次交易记录，以及获取所述历史运营数据中的末次运营记录；
62.s222，提取所述首次交易记录的第一交易时间，以及提取所述末次运营记录的第一运营时间；
63.s223，计算所述第一运营时间减去所述第一交易时间的第二时间差，并将所述第二时间差确定为所述cltv预测模型的第三模型指标数据。
64.本示例中采用目标商品最后一次运营时间和用户第一次购买目标商品的交易时间之间的时间差来计算第三模型指标数据t，若商品一直在有效运营过程中，那么，末次运营记录的运营时间即为本技术实施例中的第一时间。
65.在一示例中，采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值，s3，包括：
66.s31，采用所述模型指标数据计算所述cltv预测模型的模型参数值，其中，所述模型参数值包括：平均客单价，目标用户在未来时间的购买次数；
67.平均客单价，monetary_value，表示交易的次均金额，是用户购买总额除以购买总数的比值。当认为未来指定时间的平均客单价是变化的时，可以采用预测模型进行预测。
68.目标用户在未来时间的购买次数，expected_number_of_transactions，是一个预测值，通过将用户历史记录输入预测模型，可输出得到目标用户在未来时间的购买次数的预测结果，比如，根据模型指标数据recency、frequency、t采用bg/nbd模型计算得到gamma分布和beta分布中的参数(r，α，a，b)，接下来通过使用(r，α，a，b)四个参数建立预测模型，求解交易次数的期望e(x)来预测目标用户在未来时间的购买次数，其中，bg/nbd模型又称为贝塔几何/负二项模型，用于描述非契约客户关系情境下重复购买行为。
69.s32，采用以下公式计算所述目标用户在第一时间的cltv值：
70.cltv值＝(monetary_value*expected_number_of_transactions)/(1+discount_rate)**(1/factor)；
71.其中，monetary_value为平均客单价；expected_number_of_transactions为目标用户在未来时间的购买次数；discount_rate为超参数，factor为超参数列表，discount_rate可以配置为0.01，超参数列表选择d类型，值为30，**为次方运算符。
72.在一示例中，在采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值之后，所述方法还包括：
73.s4，获取所述目标用户在第二时间的cltv值，其中，所述第二时间在所述第一时间之前；
74.第二时间包括多个时刻，第二时间的cltv值计算方法可参照第一时间cltv值的计算方法。
75.s5，采用所述第一时间的cltv值和所述第二时间的cltv值拟合生成价值变化曲线；
76.根据第一时间的cltv值和第二时间的cltv值拟合生成价值变化曲线，其中，拟合方式不限于采用最小二乘法和梯度下降法。
77.s6，计算所述价值变化曲线的曲率，并根据所述曲率查找所述目标用户在所述第一时间时所处的生命周期阶段。
78.目标用户所处的生命周期阶段可以包括前期高价值用户阶段、衰退阶段、平稳阶段，其中，消费时间间隔短、消费次数多、消费金额大或者交互活跃的用户为高价值用户，cltv值呈下降趋势的用户为衰退用户等。根据计算价值变化曲线的曲率，之后通过查找预设的曲率和生命周期阶段映射表，得到与计算的曲率对应的生命周期阶段，如曲率上升，或者曲率大于0对应高价值用户，曲率下降或者小于0对应衰退用户，曲率平稳对应稳定用户等。
79.在一示例中，在采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据之后，所述方法还包括：
80.对所述历史交易数据和所述历史运营数据进行加密和脱敏处理，得到中间数据；
81.为保护敏感隐私数据，本示例中对历史交易数据和历史运营数据进行加密和脱敏处理，得到加密以及脱敏后的中间数据。
82.解析所述中间数据的数据量；
83.判断所述数据量是否小于预设阈值；
84.若所述数据量小于预设阈值，采用所述历史交易数据确定所述目标用户的用户类型，其中，所述用户类型包括：未购会员用户，首购用户，老用户；
85.首购用户为交易次数为1次的新用户，老用户为交易次数大于1次的用户，未购会员用户为交易次数为0的会员账号用户，统计历史交易数据中的交易次数以及用户账号的属性，可以确定目标用户的用户类型。
86.采用以下公式预测所述目标用户在第一时间的cltv值：
87.未购会员用户cltv值＝店铺老用户平均首购客单价*所有用户的平均购买频次；
88.首购用户cltv值＝首次复购平均gmv*所有用户的平均购买频次；
89.老用户cltv值＝老用户复购平均gmv*老用户的平均购买频次。
90.其中，店铺老用户平均首购客单价，所有用户的平均购买频次，首次复购平均gmv(商品交易总额，gross merchandise volume)，所有用户的平均购买频次，老用户复购平均gmv，老用户的平均购买频次可以通过统计目标商品和目标商品所在店铺的全量历史交易数据得到。
91.本示例中通过解析中间数据的数据量来判断历史交易数据和历史运营数据是否符合生命周期价值预测要求，若中间数据的数据量小于预设阈值，数据量过少，则先采用历史交易数据确定目标用户的用户类型，再根据上述用户类型对应的计算公式计算数据量较少的用户的cltv值。
92.以下，参照图3为本发明实施例做完整解释说明。图3为本发明实施例一个实施场景中用户生命周期价值预测方法的流程示意图，如图3所示，该流程包括：
93.步骤1：数据采集；
94.采集用户的历史交易数据和商品的历史运营数据，采集的数据中可以包括运营商品信息(如商品id、商品类目id、价格、商品描述、库存、运营时间等)、交易用户信息(如年龄、性别、所在城市、是否会员、会员等级、消费金额等)、用户交易数据(如交易商品id、交易商品数量、交易时间、交易金额等)。
95.步骤2：数据加密和脱敏；
96.保护数据隐私，对采集的数据进行加密和脱敏处理。
97.步骤3：判断数据是否符合要求；若符合要求，则转步骤4，若不符合要求，则转步骤6；
98.步骤4：数据处理加工；
99.如果数据量足够多，数据符合要求，则根据cltv预测模型的输入要求，对采集的用户数据进行加工处理，计算出recency、frequency、t指标，其中，recency，表示用户最后一次购买商品和第一次购买商品之间的时间差；
100.frequency，表示用户重复购买商品的次数，如frequency＝0表示购买一次，frequency＝1表示购买两次；
101.t，表示采集的数据集中商品末次运营的时间与用户第一次购买商品之间的时间差。
102.步骤5：模型预测cltv值；
103.将加工得到的指标数据输入到预测模型，使用gamma-gamma模型预测每个用户的cltv值，其中，计算公式如下：
104.cltv＝(monetary_value*expected_number_of_transactions)/(1+discount_rate)**(1/factor)；
105.其中，monetary_value：平均客单价；expected_number_of_transactions：预测用户未来可能购买的次数；discount_rate：为超参数，默认0.01；factor：为超参数列表。
106.步骤6：公式计算cltv值；
107.如果数据量少，数据不符合要求，则根据以下用户生命周期价值公式来计算cltv值：
108.未购会员用户cltv值＝店铺老用户平均首购客单价*所有用户的平均购买频次
109.首购用户cltv值＝首次复购平均gmv*所有用户的平均购买频次
110.老用户cltv值＝老用户复购平均gmv*老用户的平均购买频次。
111.步骤7：策略输出。
112.根据预测得到的用户的cltv值，对用户价值和所处在的生命周期阶段进行划分，其中，划分的生命周期阶段可以为前期新用户(交易次数为1～2次的用户)、老用户(交易次数大于1次的用户)、高价值用户(消费时间间隔短、消费次数多或消费金额大的用户)、衰退(cltv值呈下降趋势的用户)等，根据用户价值和所处在的生命周期阶段输出合理的运营策略，比如，加大前期新用户或者高价值用户的运营投放比例，降低老用户和处于衰退阶段用户的运营投放比例等。
113.通过本发明实施例，可以预测用户的生命周期价值cltv值，通过cltv值了解每个用户处在生命周期的哪个阶段，为下一次运营提供准确且有效的运营建议，以便于对用户做精准营销，最大限度延长生命周期，从而有效提升商品品牌的运营效率与效果，提高用户的生命周期价值，并且，还可以利用用户的生命周期价值cltv做用户运营效果的检测，并沉淀为后续用户运营活动的经验。
114.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
115.实施例2
116.在本实施例中还提供了一种生命周期价值的预测装置，用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“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装置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。
117.图4是根据本发明实施例的一种生命周期价值的预测装置的结构框图，如图4所示，该装置包括：采集模块100，计算模块200，第一预测模块300，其中，
118.采集模块100，用于采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据；
119.计算模块200，用于根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，其中，所述cltv预测模型用于预测所述目标用户在所述目标商品上的
生命周期价值；
120.第一预测模块300，用于采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值。
121.进一步，计算模块包括：第一获取单元，用于获取所述历史交易数据中的首次交易记录和末次交易记录；第一提取单元，用于提取所述首次交易记录的第一交易时间，以及提取所述末次交易记录的第二交易时间；第一计算单元，用于计算所述第一交易时间减去所述第二交易时间的第一时间差；第一确定单元，用于将所述第一时间差确定为所述cltv预测模型的第一模型指标数据。
122.进一步，计算模块包括：第二获取单元，用于获取所述历史交易数据中重复交易的所有交易记录；统计单元，用于统计所述所有交易记录的条数；第二确定单元，用于将所述条数确定为所述cltv预测模型的第二模型指标数据。
123.进一步，计算模块包括：第三获取单元，用于获取所述历史交易数据中的首次交易记录，以及获取所述历史运营数据中的末次运营记录；第二提取单元，用于提取所述首次交易记录的第一交易时间，以及提取所述末次运营记录的第一运营时间；第二计算单元，用于计算所述第一运营时间减去所述第一交易时间的第二时间差；第三确定单元，用于将所述第二时间差确定为所述cltv预测模型的第三模型指标数据。
124.进一步，第一预测模块包括：第三计算单元，用于采用所述模型指标数据计算所述cltv预测模型的模型参数值，其中，所述模型参数值包括：平均客单价，目标用户在未来时间的购买次数；第四计算单元，用于采用以下公式计算所述目标用户在第一时间的cltv值：
125.cltv值＝(monetary_value*expected_number_of_transactions)/(1+discount_rate)**(1/factor)；
126.其中，monetary_value为平均客单价；expected_number_of_transactions为目标用户在未来时间的购买次数；discount_rate为超参数，factor为超参数列表，**为次方运算符。
127.进一步，装置还包括：获取模块，用于获取所述目标用户在第二时间的cltv值，其中，所述第二时间在所述第一时间之前；拟合模块，用于采用所述第一时间的cltv值和所述第二时间的cltv值拟合生成价值变化曲线；查找模块，用于计算所述价值变化曲线的曲率，并根据所述曲率查找所述目标用户在所述第一时间时所处的生命周期阶段。
128.进一步，装置还包括：处理模块，用于对所述历史交易数据和所述历史运营数据进行加密和脱敏处理，得到中间数据；解析模块，用于解析所述中间数据的数据量；判断模块，用于判断所述数据量是否小于预设阈值；确定模块，用于若所述数据量小于预设阈值，采用所述历史交易数据确定所述目标用户的用户类型，其中，所述用户类型包括：未购会员用户，首购用户，老用户；第二预测模块，用于采用以下公式预测所述目标用户在第一时间的cltv值：未购会员用户cltv值＝店铺老用户平均首购客单价*所有用户的平均购买频次；首购用户cltv值＝首次复购平均商品交易总额gmv*所有用户的平均购买频次；老用户cltv值＝老用户复购平均gmv*老用户的平均购买频次。
129.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
130.实施例3
131.本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
132.可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
133.s1，采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据；
134.s2，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，其中，所述cltv预测模型用于预测所述目标用户在所述目标商品上的生命周期价值；
135.s3，采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值。
136.可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
137.本发明的实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
138.可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
139.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
140.s1，采集目标用户在第一时间之前的历史交易数据和目标商品的历史运营数据；
141.s2，根据所述历史交易数据和所述历史运营数据计算cltv预测模型的模型指标数据，其中，所述cltv预测模型用于预测所述目标用户在所述目标商品上的生命周期价值；
142.s3，采用所述模型指标数据和所述cltv预测模型预测所述目标用户在第一时间的cltv值。
143.可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
144.图5是本发明实施例的一种电子设备的结构图，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，存储器503，用于存放计算机程序；处理器501，用于执行存储器503上所存放的程序。
145.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
146.在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
147.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
148.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
149.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
150.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术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、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
151.以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。