[发明专利]一种温度会员标签预测方法、装置、电子设备及存储介质

说明书

本发明提供一种温度会员标签预测方法、装置、电子设备及存储介质，该方法包括：从大数据平台数据源获取会员标签数据和会员历史消费数据；根据会员标签数据和会员历史消费数据，提取会员历史消费特征及对应的预测标签数据；基于3σ法则对异常特征数据进行清除，并通过embedded方法进行特征选择；构建ligthGBM算法，选取预订比例的清洗后的特征数据作为训练数据对ligthGMB模型进行训练，确定模型参数；通过GridSearch网格调参后，将最优参数代入ligthGBM模型，以基于ligthGBM模型进行会员标签预测。通过该方案解决了现有温度会员标签定义不准确的问题，可以实现对会员标签的准确定义，实时监控预测温度会员消费行为及价值。

技术领域

本发明涉及医药大数据领域，尤其涉及一种温度会员标签预测方法、装置、电子设备及存储介质。

背景技术

一般药企行业会员的体量都比较大，且流动性强，每天都有成千上万的会员购买其所需药品，会员真实的消费意愿及消费能力时刻在发生变化。对于药企管理者而言，需要某种管理标准监控门店海量会员实时变化的指标，即会员温度，基于会员温度可以实时了解门店会员状况，方便管理者作出准确的运营决策。

通过温度会员标签可以方便对客户分类，确定客户价值。目前，关于会员温度标签的定义往往会从商业利润角度直接定义，如客单价或毛利额等直接反应，这种方式定义的温度会员标签仅能反映会员的历史或当前利润价值，而对于将来的会员价值，定义的温度会员标签准确度不高。

发明内容

有鉴于此，本发明实施例提供了一种温度会员标签预测方法、装置、电子设备及存储介质，以解决的现有温度会员标签定义不准确的问题。

在本发明实施例的第一方面，提供了一种温度会员标签预测方法，包括：

从大数据平台数据源获取会员标签数据和会员历史消费数据；

根据会员标签数据和会员历史消费数据，提取会员历史消费特征及对应的预测标签数据；

基于3σ法则对异常特征数据进行清除，并通过embedded方法进行特征选择；

构建ligthGBM算法，选取预订比例的清洗后的特征数据作为训练数据对ligthGMB模型进行训练，确定模型参数；

通过GridSearch网格调参后，将最优参数代入ligthGBM模型，以基于ligthGBM模型进行会员标签预测。

在本发明实施例的第二方面，提供了一种用于温度会员标签预测的装置，包括：

获取模块，用于从大数据平台数据源获取会员标签数据和会员历史消费数据；

提取模块，用于根据会员标签数据和会员历史消费数据，提取会员历史消费特征及对应的预测标签数据；

清除模块，用于基于3σ法则对异常特征数据进行清除，并通过embedded方法进行特征选择；

训练模块，用于构建ligthGBM算法，选取预订比例的清洗后的特征数据作为训练数据对ligthGMB模型进行训练，确定模型参数；

调参模块，用于通过GridSearch网格调参后，将最优参数代入ligthGBM模型，以基于ligthGBM模型进行会员标签预测。

在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。

在本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。