[发明专利]数据获取方法、装置、设备及介质

说明书

本发明公开了一种数据获取方法、装置、设备及介质。其中，该数据获取方法包括：通过分类模型对原始客群数据进行价值迁移预测处理，生成客群价值迁移数据；根据预设阈值关系对客群价值迁移数据进行分类，获取原始客群数据中的潜在客群价值数据；其中，潜在客群价值数据应用于精细化营销。通过本发明的数据获取方法，实现了对无监督学习算法和有监督学习算法的结合，突破了无监督学习建立客户细分模型的传统限制，起到了进一步提升客户细分模型以进行精细化智能营销的目的。

技术领域

本发明涉及计算技术领域，尤其涉及一种数据获取方法、数据处理装置、电子设备及计算机可读存储介质。

背景技术

随着人工智能技术的快速发展，利用机器学习技术解决商业问题的方式越来越普遍。其中，在智能营销技术领域中，考虑精细化管理以提升运营效益的目的，基于机器学习技术的客户细分模型在许多行业都有广泛应用，例如零售、金融、电商等领域。

但是，客户细分模型通常采用的是无监督学习算法，这就造成各类别客户群体(即客群)的数据之间差别不大，使得针对各个客群的营销效果不具有显著区别，因而无法区分客群之间的潜在营销效果的优劣，造成智能营销活动缺乏针对性，无法更好地实现精细化营销。

发明内容

(一)要解决的技术问题

为解决现有技术中应用于智能营销的无监督学习算法针对性不强，无法更好地实现精细化营销的技术问题，本发明公开了一种数据获取方法、数据处理装置、电子设备及计算机可读存储介质。

(二)技术方案

本发明的一个方面公开了一种数据获取方法，其中，包括：通过分类模型对原始客群数据进行价值迁移预测处理，生成客群价值迁移数据；根据预设阈值关系对客群价值迁移数据进行分类，获取原始客群数据中的潜在客群价值数据；其中，潜在客群价值数据应用于精细化营销。

根本发明的实施例，在通过分类模型对原始客群数据进行价值迁移预测处理，生成客群价值迁移数据之前，还包括：根据预设价值分层规则，通过聚类算法对固定客群数据进行聚类预测处理，生成价值分层模型；其中，聚类算法为Kmeans算法或kmeans++算法。

根据本发明的实施例，在根据预设价值分层规则，对固定客群数据进行聚类预测处理，生成价值分层模型之后，还包括：基于固定客群数据，确定于第一时间点的第一固定数据和于第二时间点的第二固定数据；根据第一固定数据和第二固定数据，确定训练样本数据，用于生成分类模型；其中，第一时间点和第二时间点之间具有时间间隔。

根据本发明的实施例，根据第一固定数据和第二固定数据，确定训练样本数据，包括：通过价值分层模型对第一固定数据进行价值分层预测，获取第一分层数据；通过价值分层模型对第二固定数据进行价值分层预测，获取第二分层数据；对第一分层数据和第二分层数据进行价值层级比较处理，获取具有价值迁移标签的训练样本数据。

根据本发明的实施例，生成分类模型，包括：通过多分类算法对训练样本数据进行学习建模，生成分类模型；其中，多分类算法为Xgboost算法、Logistic Regression算法或Svm算法。

根据本发明的实施例，客群价值迁移数据中对应于每个客户具有三个维度，每个维度具有一个预测标签分值，其中，每个客户的三个维度的预测标签分值的和为1；预设阈值关系为：对应每个客户的一个维度的预测标签分值与第一预设阈值和/或第二预设阈值之间的大小关系。