[发明专利]基于深度稀疏网络的产品营销方法

说明书

本发明提供了一种基于深度稀疏网络的产品营销方法。该方法利用深度稀疏网络架构，对营销流程中的目标进行定义，收集原始用户数据，对原始数据清理后，再进行多方面数据衍生，对衍生数据进行模型训练，形成训练结果二次组合，结合营销目标对组合后模型进行评估，将评估合格的模型应用到生产环节，同时对模型进行自优化，使模型对新目标或新环境进行自学习，最终形成闭环的应用体系。此方法实现了以数据驱动营销用户的触达管理，在处理大体量用户营销活动时能够保持高效性和精度，实现精准营销行为的开展，同时支持深度客户信息的挖掘，在精准营销的同时实现营销收益最大化和风险最小化。

技术领域

本发明涉及深度稀疏网络架构领域，特别涉及一种基于深度稀疏网络的产品营销方法。

背景技术

随着各大金融机构产品线的丰富及产品类型的增多，需要向其客户进行产品的营销活动。鉴于各金融机构的客户量很大，对客户有效的营销触达成本也较高，从而造成产品营销覆盖面变小，往往只能从大体量的客户群中随机挑选一部分客户进行营销。目前业界主流的做法是：对金融机构的产品营销历史进行记录，将营销成功的标记为1，将营销失败的标记为0，然后将结果训练成一个二分类的0/1相应模型。但是，这种做法并不是以客户为中心进行营销，一方面没有做到以数据为驱动的合理用户触达行为管理，可能对同一客户多次营销，存在打扰客户现象，造成客户体验不好从而影响营销效果，另一方面，这种模型无法真正实现挖掘客户需求的目的，形成有需求的客户未营销，无需求的客户多次营销，或是客户有产品需求时没有营销，没有产品需求时却去营销的局面；另外，此模型配置较简单，无法自动更新，从而造成对金融机构的新业务或是新环境适应性不足；最后，当金融机构需要营销的客户群体量较大时，需要数据各参数间的互相调用，往往需要大量的时间和计算能力，现有模型在处理这些情况时会出现性能不足的现象。

机器学习（Machine Learning）是交叉型的学科，涉及多领域的知识，例如概率论、算法复杂度、凸分析、统计学、逼近论等理论。从作用来说，机器学习是通过计算机的辅助，研究计算机如何模拟或实现人类的学习行为，以便获取到新的知识或技能，以便重新组织现有的知识结构，实现改善自身性能的目的。深度学习理论是机器学习研究中的一个新兴领域，属于特征学习（feature learning）范畴，通过使用包含复杂结构或由非线性变换构成的多个处理层来实现对数据的高层抽象算法，而深度稀疏网络属于深度学习的基础模型之一。采用此模型处理用户营销行为有如下有点：通过采用多分层处理的方式训练数据，其中每一层都能提取到数据中不同层次的特征，从而逐层建立起从底层到高层信号的特征映射，从而大大改善系统训练的规模和速度；利用深度稀疏网络模型中的多层多参数的特征，使用户营销模型组合指标多样化；能够克服数据训练过程中的数据弥散问题，保证数据训练的高效，从而提高营销活动的精准性。

发明内容

本发明针对现有技术的上述问题，提出了一种基于深度稀疏网络的产品营销方法。在深度稀疏网络模型的架构下，对营销流程中的目标进行分析和定义，收集到原始的用户数据，经历对原始数据的清理环节后，再对清理后的数据进行多方面的衍生，然后对衍生后的宽表数据进行模型训练，进而形成训练结果的二次组合，同时结合营销目标对组合后模型进行评估，将评估合格的模型应用到生产环节。而且，在应用的过程中，还需要对模型进行自优化，使模型对可能的新目标或新环境进行自学习，最终形成闭环的应用体系。

本发明为解决其技术问题所采用的技术方案是：提供了一种基于深度稀疏网络产品营销方法，包括以下步骤：

步骤1：目标定义：将特定时间段内经营流程的营销目标定义化，然后转变为能够描述出实际问题的目标函数；

步骤2：原始数据收集：对营销客户信息进行结构区分，采用数据指标多样化的方式对客户的信息进行分类收集；

步骤3：原始数据清理：通过数据质量处理算法和数据适用度处理处理算法对原始数据进行清理；

步骤4：数据衍生：将数据包含的各个原指标信息进行量化，通过数学变换方式，将量化的信息衍生出其他的新指标信息，然后全部导入到模型中；