产品购买决策人识别方法、系统、设备及存储介质与流程

本公开涉及大数据分析，具体涉及一种产品购买决策人识别方法，一种产品购买决策人识别系统，一种电子设备以及一种计算机可读存储介质。

背景技术：

1、随着信息技术的迅猛发展和人们对通信需求的不断增长，电信运营商成为了现代社会不可或缺的重要组成部分。为了提高市场竞争力，电信运营商开始采取前置营销策略，通过更多样化的产品，提供增值服务等方式，吸引用户提升粘性。同时随着数字经济发展，家庭网络需求发生新的变化，从“一根线”到“一张网”，再到“一个家”，全屋高品质wifi成为家庭用户的刚需，家庭网络需求从“有线网络接入”向“全屋智能wifi覆盖”升级。因此，营销的主体也逐渐从单手机号码营销转向家庭整体营销，面向整个家庭的营销方式和策略成为了现代营销的一个重要趋势。

2、在面向家庭展开营销的时候，当前的营销模式往往是通过一些融合关系，通话行为和位置信息来推测家庭中的成员有哪些，以此来构建一个详细的家庭单元描述，并根据家庭中所有成员的综合业务使用情况对家庭进行画像并匹配相应的家庭融合策略。但是在随后的营销过程中，往往是参考之前向用户开展营销时的经验，向家庭中的每个成员号码推荐家庭融合策略。但是在现实生活中一个家庭往往不是所有成员都会参与是否接受推荐的决策，比如家庭中的老年人或者青少年，此时就很容易出现被营销的成员对推荐的套餐或增值服务存在兴趣，但需要告知家庭其他成员的情况，也存在业务受理后引起相关投诉的风险，同时短时间内大量家庭成员收到同样的营销推荐，也可能会对用户造成打扰，引发用户不满。此外与全部成员都接触的方式也同样需要消耗大量的人力物力，而且在逐个触达家庭成员的过程中会耽误大量时间，错过商机。

技术实现思路

1、为了至少解决现有技术中存在的不能确定家庭产品购买决策人，向大量家庭成员进行同样的营销推荐，会对用户造成打扰，

2、引发用户不满，且容易造成营销浪费的问题，本公开提供一种产品购买决策人识别方法、产品购买决策人识别系统、电子设备以及计算机可读存储介质，能够准确识别出家庭产品购买决策人，更加精准和个性化的开展营销工作，避免因为家庭成员间转述造成的理解偏差的问题和短时间多次打扰用户的问题。

3、第一方面，本公开提供一种产品购买决策人识别方法，所述

4、方法包括：

5、进行基础数据的选取和采集，获取各个特征因子数据并对其中属于用户家庭的产品购买决策人信息进行标记；

6、对采集的数据进行预处理，并将部分特征因子构建成更具有影响力的衍生特征；

7、进行正负样本的构建，将被明确标记为决策者的号码的数据作为正样本，被标记为非决策者的号码的数据及已标记决策者号码家庭单元中的其他号码的数据作为负样本；

8、选取预设的模型算法进行模型建立，并通过构建的正负样本进行模型的训练，得到决策人识别模型；

9、对待分析数据通过训练好的决策人识别模型识别出家庭通信产品购买决策人。

10、进一步的，所述基础数据包括：

11、关于用户的自身情况的个人特征数据，包括：年龄、常驻地和装机地址；

12、对通信业务的使用情况的行为特征数据，包括：语音流量使用情况、业务受理变更情况、缴费及发票打印情况、拨打客服电话和报账投诉情况；

13、关于用户的业务属性的业务特征数据，包括：在网时长、是否融合主号码和是否宽带机主。

14、进一步的，所述方法还包括：

15、通过对营业厅业务受理时收集的数据、走访调查得到的数据、员工上门装机修障时收集的数据或者电话营销时询问了解以及公众号问卷调查的数据进行整理，识别出基础数据中对应的用户家庭的产品购买决策人信息。

16、进一步的，所述对采集的数据进行预处理，包括：

17、剔除基础数据中存在异常行为的号码的数据；

18、对于根据业务经验和日常生活经验筛选出的预选特征因子进行观察，剔除其中数据缺失量超过预设值的字段；

19、对剔除后的数据，对剩余特征因子进行缺失值填充，文本独热编码处理，离群值处理，归一化及数据分类处理。

20、进一步的，所述方法还包括：

21、将选定特征因子和衍生特征通过皮尔森相关系数进行特征筛选，将相关系数超过阈值的特征进行剔除。

22、进一步的，所述选取预设的模型算法进行模型建立，并通过构建的正负样本进行模型的训练，得到决策人识别模型，包括

23、进行模型选取，选取以gbdt为基底的random forest模型，xgboost模型和lightgbm模型为基础模型；

24、分别初始化各个基础模型，设置模型初始参数；

25、划分标签和输入特征数据，将正负样本中的训练集和验证集输入到各个基础模型中，开始训练；

26、在各基础模型的训练集和验证集效果满足要求后，则通过vote、stacking模型融合生成集成算法以对基础模型进行模型融合；

27、对融合后的模型判断训练集和验证集效果是否达到预设效果，若否，则重新进行模型融合，若是，则记录参数，保存模型为决策人识别模型。

28、进一步的，所述方法还包括；

29、收集新的产品购买决策人标签数据，并调整决策人识别模型预测中出现问题的数据；

30、将新的决策人标签数据和调整后的问题数据重新用于决策人识别模型的训练迭代，以得到更加精准的决策人识别模型。

31、第二方面，本公开提供一种产品购买决策人识别系统，所述系统包括：

32、获取模块，其设置为进行基础数据的选取和采集，获取各个特征因子数据并对其中属于用户家庭的产品购买决策人信息进行标记；

33、处理模块，其设置为对采集的数据进行预处理，并将部分特征因子构建成更具有影响力的衍生特征；

34、样本构建模块，其设置为进行正负样本的构建，将被明确标记为决策者的号码的数据作为正样本，被标记为非决策者的号码的数据及已标记决策者号码家庭单元中的其他号码的数据作为负样本；

35、模型构建模块，其设置为选取预设的模型算法进行模型建立，并通过构建的正负样本进行模型的训练，得到决策人识别模型；

36、识别模块，其设置为对待分析数据通过训练好的决策人识别模型识别出家庭通信产品购买决策人。

37、第三方面，本公开提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如第一方面中任一所述的产品购买决策人识别方法。

38、第四方面，本公开提供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，所述计算机程序被处理器执行时实现上述第一方面中任一所述的产品购买决策人识别方法。

39、有益效果：

40、本公开提供的产品购买决策人识别方法、产品购买决策人识别系统、电子设备及存储介质，通过人工智能的方式对决策人员进行识别，并通过构建成更具有影响力的衍生特征，提高决策人识别模型的识别效率和识别准确率，通过识别出家庭单元中的决策者并对其有针对性的策划和展开营销工作，可以更加精准和个性化的开展营销工作，避免因为家庭成员间转述造成的理解偏差的问题和短时间多次打扰用户的问题。而且有针对性的向决策人营销可以比全员营销更节省资源，也可以更加快速的触达用户，避免耽误商机。