(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111662697.5 (22)申请日 2021.12.3 0 (71)申请人 天翼电子商务有限公司 地址 100037 北京市西城区阜成门外大街 31号4层429D (72)发明人 储森　程晨　胡文杰　 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) (54)发明名称 一种活动权益精准批充方法 (57)摘要 本发明公开了一种活动权益精 准批充方法， 它涉及软件开发领域。 包括以下步骤： 1、 配置活 动权益信息； 2、 用户在各渠道使用权益； 3、 权益 发放模块将 权益发放到用户账户中； 4、 收集用户 数据， 进行数据分析， 构建决策模型； 5、 使用用户 活动决策模型过滤适合用户的活动权益； 6、 在用 户最常打开app时间段内发放权益； 7、 获得数据， 继续训练决策模 型。 本发明根据实际数据分析得 到用户使用时间点发放， 带来了更好的用户体 验； 可以有效提高用户活动度， 增 加企业收入。 权利要求书1页 说明书3页 附图3页 CN 114529327 A 2022.05.24 CN 114529327 A 1.一种活动权益精准批充方法， 其特 征在于， 包括以下步骤： (1)、 配置活动权益信息； (2)、 用户在各渠道使用权益； (3)、 权益发放模块将权益发放到用户账户中； (4)、 收集用户数据， 进行 数据分析， 构建决策模型； (5)、 使用 用户活动决策模型 过滤适合用户的活动权益； (6)、 在用户最常 打开app时间段内发放权益； (7)、 获得 数据， 继续训练决策模型。 2.根据权利要求1所述的一种活动权益精准批充方法， 其特征在于， 所述的步骤(4)采 用了数据分析模块和构建决策模块， 所述的数据分析模块包括： (a)收集0 ‑24时各个时间段内用户打开app后使用时间,以时间段为横向指标， 用户使 用时长为纵向指标， 对收集到的数据进行时间段分组求和， 可清晰明了的展现用户使用时 间段的集中趋势； (b)归集用户订单数据， 得到用户每笔订单有无门槛， 使用渠道， 是否绑卡， 客户星级， 面值等属性， 开启定时任务定时计算各属性 不同值所占比率。 3.根据权利要求2所述的一种活动权益精准批充方法， 其特征在于， 所述的构建决策模 块采用决策树算法作为新活动权益是否发放给目标用户的依据。 构建决策树的首要任务是 对各属性进行评估， 以分类效果最好的属性作为根节点。 本方案采用Gini指数作为判断各 组属性数据的混乱程度。 根据Gini指数公式 (其中p(i)为属性下特征值 出现的概率)计算出各属性的Gini系数， 取最小的属性作为根节 点， 以此类推构建整个决策 树。 4.根据权利要求1所述的一种活动权益精准批充方法， 其特征在于， 所述的步骤(5)采 用了决策模块， 所述的决策模块可配置手动 或定时任务扫描配置生效的活动权益， 根据构 建好的决策模型， 为每 个目标用户匹配合 适的权益。 5.根据权利要求1所述的一种活动权益精准批充方法， 其特征在于， 所述的步骤(6)采 用了权益发放模块， 所述的权益发放模块收取决策模块对应用户的获益权益列表， 给用户 无侵扰式充值权益。权　利　要　求　书 1/1 页 2 CN 114529327 A 2一种活动权益精准批充方 法 技术领域 [0001]本发明涉及的是 软件开发领域， 具体涉及一种活动权益精准批充方法。 背景技术 [0002]随着互联 网商业的发展， 各行各业的营销方式层出不穷。 以往的模式中， 用户需要 打开app选择性参加活动， 对于企业本身来说， 由用户选择什么平台， 参与什么样的营销方 式， 引流成本高， 活动效果差 。 [0003]电信用户群体大， 直接批量发放权益成本高、 难以达到预期收益， 活动权益类型繁 多， 需要分析用户喜好， 精准投放。 [0004]采用主动发放方式， 应充分考虑用户主观体验， 要做到无侵扰 的同时引起用户更 多的关注。 [0005]故结合机器学习中决策树算法， 分析用户特征； 统计用户app使用习惯， 精准给用 户直充活动权益， 达 到降低成本， 精准营销的目的。 发明内容 [0006]针对现有技术上存在的不足， 本发明目的是在于提供一种活动权益精准批充方 法， 降低电信公司活动营销成本 。 激励新用户注 册， 提高老用户活跃度。 [0007]为了实现上述目的， 本发明是通过如下的技术方案来实现： 一种活动权益精准批 充方法， 包括以下步骤： [0008]1、 配置活动权益信息； [0009]2、 用户在各渠道使用权益； [0010]3、 权益发放模块将权益发放到用户账户中； [0011]4、 收集用户数据， 进行 数据分析， 构建决策模型； [0012]5、 使用用户活动决策模型 过滤适合用户的活动权益； [0013]6、 在用户最常 打开app时间段内发放权益； [0014]7、 获得数据， 继续训练决策模型。 [0015]所述的步骤4采用了数据分析模块和构建决策模块， 所述的数据分析模块包括： [0016](a)收集0 ‑24时各个时间段内用户打开app后使用时间,以时间段为横向指标， 用 户使用时长为纵向指标， 对收集到的数据进行时间段分组求和， 可清晰明了的展现用户使 用时间段的集中趋势； [0017](b)归集用户订单数据， 得到用户每笔订单有无门槛， 使用渠道， 是否绑卡， 客户星 级， 面值等属性， 开启定时任务定时计算各属性 不同值所占比率。 [0018]作为优选， 所述的构建决策模块采用决策树算法作为新活动权益是否发放给目标 用户的依据。 构建决策树的首要任务是对各属 性进行评估， 以分类效果最好的属 性作为根 节点。 本方案采用Gini指数作为判断各组属性数据的混乱程度。 根据Gini指数公式说　明　书 1/3 页 3 CN 114529327 A 3