一種信息投放用戶的篩選方法和設備與流程

2023-08-10 00:37:41 1

本申請涉及電子商務領域，特別是涉及一種信息投放用戶的篩選方法和設備。

背景技術：

近年來隨著電子商務的快速發展，越來越多的商家選擇在網上開店。為了吸引買家，提高銷量，很多賣家都會通過發放優惠券的方式來刺激買家在自己的店鋪購買商品。賣家發放優惠券一般採用兩種方法，一是對已經在本店鋪購買過商品的老客戶主動發放。由於賣家已經掌握了老客戶的網購帳號及手機號碼，因而可以直接將優惠券發放到老客戶的帳戶中並簡訊通知；二是直接將優惠券放在網上店鋪顯眼位置，由進入店鋪的買家主動領取，當買家需要購買店鋪商品時直接抵扣使用。

這兩種由賣家自身發起的優惠券發放方法均有明顯缺陷。對於第一種方法，很多店鋪的商品往往購買了一次之後短時間內不會再購買第二次，例如大件商品，或者電子類產品，因而對老客戶發放之後優惠券的使用率極低；而第二種方法沒有對進入店鋪的用戶進行細分，所有買家均可以領取，領取後的利用率亦很低。

針對上述問題現有技術提出了一種解決方案，所述方案中包括，參數配置模塊、接收模塊和商品頁文件生成模塊。

參數配置用於根據配置的活動範圍控制參數和活動信息展示控制參數生成用於向特定商戶展示優惠券活動的活動頁文件。其中，所述活動範圍控制參數用於配置參與優惠券活動的商品類目，所述活動信息展示控制參數用於配置參與優惠券活動的商戶。可以以資料庫表的形式存儲各個商戶所對應的活動信息展示控制參數。通過配置該活動信息展示控制參數，可以將商戶設置為可參與優惠券活動和不可參與優惠券活動，對於不可參與優惠券活動的 商戶，不生成所述活動頁文件。

接收模塊用於接收所述特定商戶中的商戶提交的活動請求。

商品頁文件生成模塊用於為提交活動請求的商戶中滿足審核規則的商品生成商品頁文件，所述商品頁文件包括參加優惠券活動的商品信息及優惠券活動信息。為白名單中的商戶生成所述商品頁文件，所述白名單為預先設定的滿足所述審核規則的商戶名單。

在實現現有技術的過程，申請人發現現有技術至少存在以下問題：

現有技術中未對消費者的日常行為數據進行分析，不能精確劃分出對店鋪優惠券感興趣的用戶，且是手動設置參數，不僅不夠智能，並且工作量較大，同時，以白名單的方式確定滿足規定的用戶會使用戶發生變化時操作不夠靈活。

技術實現要素：

本申請的目的在於提供一種信息投放用戶的篩選方法和設備，通過分析用戶的行為數據來確定出需要投放信息的潛在用戶，不僅可以實現潛在用戶的精準定位，還提高了信息投放的命中率。

本申請的技術方案如下：

一種信息投放用戶的篩選方法，所述方法包括：

伺服器獲取用戶的行為數據；

所述伺服器判斷所述用戶的行為數據是否滿足預設的行為標準；

如果滿足，所述伺服器根據預設的行為數據得分確定所述用戶的綜合得分；

所述伺服器根據所述用戶綜合得分和其他用戶的綜合得分確定信息向各個用戶的投放順序；

所述伺服器根據信息的投放種類和預設的投放策略按照所述投放順序向所述用戶投放所述信息。

所述行為數據包括以下的一種或多種的任意組合：

對目標對象的瀏覽次數、對目標對象的收藏情況、對目標對象的檢索情 況、行業偏好和歷史購買信息。

所述伺服器判斷所述用戶行為數據是否滿足預設的行為標準，具體為：

當所述行為數據為對目標對象的瀏覽次數時，所述伺服器判斷第一預設時間內所述用戶瀏覽所述目標對象的次數是否超過瀏覽閾值；

當所述行為數據為對目標對象的收藏情況時，所述伺服器判斷第二預設時間內所述用戶是否收藏過所述目標對象；

當所述行為數據為對目標對象的檢索次數時，所述伺服器判斷第三預設時間內所述用戶檢索所述目標對象的次數是否超過檢索閾值；

當所述行為數據為行業偏好時，所述伺服器統計第四預設時間內所述用戶的行業偏好，判斷所述用戶的行業偏好是否與所述目標對象的所屬行業相匹配；

當所述行為數據為購物信息時，所述伺服器統計第五預設時間內所述用戶的購物信息，判斷所述用戶的購物信息是否與所述目標對象有關聯。

所述伺服器根據預設的行為數據得分確定所述用戶的綜合得分，具體為：

所述伺服器確定所述用戶的行為數據的種類；

所述伺服器根據預設的行為數據得分為所述用戶的行為數據的種類進行打分；

所述伺服器根據所述用戶的行為數據的種類的打分確定所述用戶的綜合得分。

所述伺服器根據所述信息的投放種類和預設的投放策略按照所述投放順序向所述用戶投放所述信息，具體為：

所述伺服器根據所述用戶的行為數據和所述用戶的行業筆單價通過所述預設的投放策略確定所述信息的投放種類；

所述伺服器根據所述信息的投放種類按照所述投放順序向所述用戶投放所述信息。

一種伺服器，所述伺服器包括：

獲取模塊，用於獲取用戶的行為數據；

判斷模塊，用於判斷所述用戶的行為數據是否滿足預設的行為標準；

第一確定模塊，如果所述用戶的行為數據滿足預設的行為標準，用於根據預設的行為數據得分確定所述用戶的綜合得分；

第二確定模塊，用於根據所述用戶綜合得分和其他用戶的綜合得分確定信息向各個用戶的投放順序；

投放模塊，用於根據信息的投放種類和預設的投放策略按照所述投放順序向所述用戶投放所述信息。

所述行為數據包括以下的一種或多種的任意組合：

對目標對象的瀏覽次數、對目標對象的收藏情況、對目標對象的檢索情況、行業偏好和歷史購買信息。

所述判斷模塊，具體用於：

當所述行為數據為對目標對象的瀏覽次數時，判斷第一預設時間內所述用戶瀏覽所述目標對象的次數是否超過瀏覽閾值；

當所述行為數據為對目標對象的收藏情況時，判斷第二預設時間內所述用戶是否收藏過所述目標對象；

當所述行為數據為對目標對象的檢索次數時，判斷第三預設時間內所述用戶檢索所述目標對象的次數是否超過檢索閾值；

當所述行為數據為行業偏好時，統計第四預設時間內所述用戶的行業偏好，判斷所述用戶的行業偏好是否與所述目標對象的所屬行業相匹配；

當所述行為數據為購物信息時，統計第五預設時間內所述用戶的購物信息，判斷所述用戶的購物信息是否與所述目標對象有關聯。

所述第一確定模塊，具體用於：

確定所述用戶的行為數據的種類；

根據預設的行為數據得分為所述用戶的行為數據的種類進行打分；

根據所述用戶的行為數據的種類的打分確定所述用戶的綜合得分。

所述投放模塊，具體用於：

根據所述用戶的行為數據和所述用戶的行業筆單價通過所述預設的投放策略確定所述信息的投放種類；

根據所述信息的投放種類按照所述投放順序向所述用戶投放所述信息。

本申請通過分析用戶的行為數據來判斷所述用戶的行為數據是否滿足預設的行為標準，如果滿足，再根據確定的所述用戶的綜合得分確認信息向所述用戶的投放順序，然後根據信息的投放種類和預設的投放策略按照所述投放順序投放所述信息，本申請可以確定出需要所述投放信息的潛在用戶，通過對潛在用戶進行排序並投放信息不僅可以實現潛在用戶的精準定位，還提高了信息投放的命中率，同時還保證了對所述投放信息興趣較大的用戶可以優先獲得，而且本申請還是直接基於大數據對用戶進行分析，減輕了操作人員的工作負擔，並且在用戶的行為發生變化時可以靈活的針對用戶的變化做出相應的判斷。

附圖說明

為了更清楚地說明本申請或現有技術中的技術方案，下面將對本申請或現有技術描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本申請實施例中的一種信息投放用戶的篩選方法流程圖；

圖2為本申請實施例中的一種伺服器的結構示意圖。

具體實施方式

下面將結合本申請中的附圖，對本申請中的技術方案進行清楚、完整的描述，顯然，所描述的實施例是本申請的一部分實施例，而不是全部的實施例。基於本申請中的實施例，本領域普通技術人員獲得的其他實施例，都屬於本申請保護的範圍。

如背景技術所述現有技術未對消費者的日常行為數據進行分析，不能精確劃分出對店鋪優惠券感興趣的用戶且是手動設置參數，不僅不夠智能，並且工作量較大，同時，以白名單的方式確定滿足規定的用戶會使用戶發生變化時操作不夠靈活。

基於此，本申請實施例提出了一種信息投放用戶的篩選方法，通過分析 用戶的行為數據來判斷所述用戶是滿足所述信息的投放標準，在所述用戶滿足所述信息的投放標準後確定所述用戶對所述信息的需求程度，並以此確定所述信息向所述用戶的投放順序，再根據信息的投放種類和預設的投放策略確定出所述用戶對應的投放信息按照所述投放順序投放所述信息，實現了投放信息對應用戶的精確定位和投放信息的精確投放，提高了信息投放的命中率，還保證了對所述投放信息興趣較大的用戶可以優先獲得。

如圖1所述，為本申請實施例提出的一種信息投放用戶的篩選方法的流程示意圖，所述方法包括以下步驟：

步驟101，伺服器獲取用戶的行為數據。

其中，所述行為數據包括以下的一種或多種的任意組合：

對目標對象的瀏覽次數、對目標對象的收藏情況、對目標對象的檢索情況、行業偏好和歷史購買信息。

需要說明的是，這裡的目標對象，可以指的是一家店鋪，也可以是一家店鋪中所在出售的業務對象，而業務對象本身，可以是實體商品，也可以是服務，例如：洗車、養護、按摩、清潔、廚師上門、家政、家教、娛樂、吃喝、旅行、酒店、租車等，凡是可以屬於用戶需求範圍的內容都可以作為本申請實施例中的分析對象，用以找出潛在的目標用戶，這樣的變化並不會影響本申請的保護範圍，在本申請的後續說明中，目標對象的含義同樣存在上述的限定，後文中不再重複說明。

所述伺服器可以為電商平臺的伺服器，用戶在日常網購時會在電商平臺上留下操作痕跡，這些操作痕跡即為用戶的行為數據，可以根據所述操作痕跡分析出用戶潛在的業務對象需求或喜歡哪家店鋪中在售的業務對象。

例如：以業務對象為實體商品的情況為例，如果一個用戶多次瀏覽某店鋪中在售的商品，則表明用戶對該店鋪的商品比較喜歡，但是由於某些原因(如：價格或沒有優惠等)而沒有購買，通過用戶的瀏覽該店鋪的商品的次數這一信息可以確定出用戶對哪家店鋪的商品感興趣，並且還可以進一步分析出是對該家店鋪的何種商品感興趣。

同樣的，如果用戶收藏了某店鋪的商品、或者檢索某個商品的次數達到 了一定數量，或者用戶的行業偏好(如某用戶經常購買一些電子產品表明該用戶對電子產品有偏好)，以及用戶的購物信息與某些商品存在明顯關聯，則同樣可以表明用戶對這些商品感興趣。

通過獲取用戶的行為數據可以分析出用戶喜歡哪些商品，進而判斷出所述用戶是否對某店鋪出售的商品相對應，從而得出所述用戶是否為所述店鋪的潛在用戶。

當然，如果業務對象為具體的服務內容，例如家政服務，酒店業務等等，也存在上述的情況，可以得出用戶是否為提供這些服務的店鋪的潛在用戶。

當然，用戶的行為數據還可以包括用戶在日常消費過程中在伺服器(例如前述的電商平臺)上留下的其他操作痕跡，凡是能夠表明用戶潛在的業務需求的行為信息均屬於本申請的保護範圍。

步驟102，所述伺服器判斷所述用戶的行為數據是否滿足預設的行為標準。

如果滿足，則執行步驟103，如果不滿足，則結束。

所述伺服器判斷所述用戶行為數據是否滿足預設的行為標準，具體為：

當所述行為數據為對目標對象的瀏覽次數時，所述伺服器判斷第一預設時間內所述用戶瀏覽所述目標對象的次數是否超過瀏覽閾值；

當所述行為數據為對目標對象的收藏情況時，所述伺服器判斷第二預設時間內所述用戶是否收藏過所述目標對象；

當所述行為數據為對目標對象的檢索次數時，所述伺服器判斷第三預設時間內所述用戶檢索所述目標對象的次數是否超過檢索閾值；

當所述行為數據為行業偏好時，所述伺服器統計第四預設時間內所述用戶的行業偏好，判斷所述用戶的行業偏好是否與所述目標對象的所屬行業相匹配；

當所述行為數據為購物信息時，所述伺服器統計第五預設時間內所述用戶的購物信息，判斷所述用戶的購物信息是否與所述目標對象有關聯。

具體的，針對不同的具體應用場景，同樣以業務對象為實體商品的情況為例，對以上各情況進行說明如下：

情況一、行為數據為對目標對象的瀏覽次數。

在此種情況下，目標用戶的確定依據為：當某用戶瀏覽某一店鋪的商品超過一定次數時，表明所述用戶對該店鋪的商品有比較強烈的購買需求，但是可能由於價格或沒有折扣等原因而沒有購買，因此，可以確定所述用戶為該商品的潛在購買用戶，或者所述用戶為所述店鋪的潛在購買用戶。

基於上述的依據，在一個店鋪或該店鋪所銷售的商品有促銷活動要投放信息時，可以獲取第一預設時間內各用戶對該店鋪或該店鋪內商品的瀏覽次數，並判斷瀏覽次數是否超過預先設定的瀏覽閾值。如果超過，則相應的用戶滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求比較強烈，因此，可以將該用戶作為該店鋪在投放信息時需要投放的用戶之一。相反，如果沒有超過，則相應的用戶不滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求不太強烈，在該店鋪投放信息時不需要投放給該用戶。其中，所述第一預設時間和瀏覽閾值可以根據實際需要進行確定。

情況二、行為數據為對目標對象的收藏情況。

在此種情況下，目標用戶的確定依據為：當某用戶收藏過某店鋪的商品時，表明所述用戶對該店鋪的這件商品有購買慾望或比較喜歡所述商品，但是可能由於價格或沒有折扣等原因而沒有購買，或者，當某用戶收藏過某店鋪時，表明所述用戶對該店鋪的商品有購買慾望或比較喜歡這個店鋪，但是可能由於價格或沒有折扣等原因而沒有購買，因此，可以確定所述用戶為該店鋪的這件商品的潛在購買用戶，或所述用戶為所述店鋪的潛在的購買用戶。

基於上述的依據，在一個店鋪或該店鋪所銷售的商品有促銷活動要投放信息時，判斷第二預設時間範圍內各用戶是否收藏過該店鋪或者該店鋪的商品。如果收藏過，則相應的用戶滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求比較強烈，因此，可以將該用戶作為該店鋪在投放信息時需要投放的用戶之一。相反，如果沒有收藏過，則相應的用戶不滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求不太強烈，在該店鋪投放信息時不需要投放給該用戶。其中，所 述第二設時間可以根據實際需要進行確定。

情況三、行為數據為對目標對象的檢索次數。

在此種情況下，目標用戶的確定依據為：當某用戶對某一店鋪的商品檢索次數超過一定次數時，表明所述用戶對該店鋪的商品有比較強烈的購買需求，但是可能由於價格或沒有折扣等原因而沒有購買，因此，可以確定所述用戶為該商品的潛在購買用戶，或者所述用戶為所述店鋪的潛在購買用戶。

基於上述的依據，在一個店鋪或該店鋪所銷售的商品有促銷活動要投放信息時，可以獲取第三預設時間內各用戶對該店鋪或該店鋪內商品的檢索次數，並判斷檢索次數是否超過預先設定的檢索閾值。如果超過，則相應的用戶滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求比較強烈，因此，可以將該用戶作為該店鋪在投放信息時需要投放的用戶之一。相反，如果沒有超過，則相應的用戶不滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求不太強烈，在該店鋪投放信息時不需要投放給該用戶。其中，所述第三預設時間和檢索閾值可以根據實際需要進行確定。

情況四、行為數據為行業偏好。

某些用戶有行業偏好，例如：某用戶的行業偏好是電子產品，那麼，該用戶平時肯定會關注或購買很多電子產品，或者某些用戶在一段時間內對某些產品具有明顯的偏好，例如：某用戶在進行家裝時，所述用戶會對家裝產品具有明顯的行業偏好。如果某用戶的行業偏好於一些店鋪的商品相對應時，那麼，該用戶就成為了這些店鋪的潛在買家。

由於用戶的行業偏好可能是固定的，也可能是一段時間內具有某行業偏好，因此，需要統計第四預設時間範圍內用戶的行業偏好，根據統計到的行業偏好判斷是否與某店鋪的商品相吻合。如果吻合，則滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求比較強烈，因此，可以將該用戶作為該店鋪在投放信息時需要投放的用戶之一。相反，如果不吻合，則相應的用戶不滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求不太強烈，在該店鋪投放信息時不需要投放給該 用戶。其中，所述第四設時間可以根據實際需要進行確定。

情況五、行為數據為購物信息。

用戶的購物信息能夠反映出該用戶需要哪方面的商品，例如：某用戶購買過筆記本電腦，那麼該用戶對筆記本電腦和與筆記本電腦有關的電腦配件可能比較需要，如果某店鋪的商品與筆記本電腦或筆記本電腦有關的電腦配件有關，那麼該用戶就是該店鋪的潛在買家。

基於以上的依據，可以統計第五預設時間內各用戶的購物信息，根據各用戶的購物信息判斷是否與某店鋪的商品有關聯。如果有關聯，則相應的用戶滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求比較強烈，因此，可以將該用戶作為該店鋪在投放信息時需要投放的用戶之一。相反，如果沒有關聯，則相應的用戶不滿足該店鋪預設的行為標準，表明該用戶對該店鋪或該店鋪在售的商品購買需求不太強烈，在該店鋪投放信息時不需要投放給該用戶。其中，所述第五預設時間可以根據實際需要進行確定。

需要進行說明的是，上述的示例都是以業務對象為實體商品的情況為例進行說明的，如果業務對象具體為服務，相應的處理流程也與上述的方案相類似，可以以此類推，在此不再重複說明。

步驟103，所述伺服器根據預設的行為數據得分確定所述用戶的綜合得分。

所述伺服器根據預設的行為數據得分確定所述用戶的綜合得分，具體為：

所述伺服器確定所述用戶的行為數據的種類；

所述伺服器根據預設的行為數據得分為所述用戶的行為數據的種類進行打分；

所述伺服器根據所述用戶的行為數據的種類的打分確定所述用戶的綜合得分。

具體的，預先為行為數據設定得分，例如：瀏覽一個目標對象的得分為W1，收藏過該目標對象的得分為W2，檢索過該目標對象的得分為W3，行業偏好與該目標對象相吻合的得分為W4，購物信息與該目標對象相關聯的得分為 W5。

用戶可能有多種的行為數據都滿足所述店鋪預設的行為標準，例如：用戶在第一預設時間內瀏覽一個店鋪的商品的次數超過閾值，並且，該用戶在第二預設時間內也收藏過該店鋪的商品，那麼，該用戶的綜合得分為W1+W2，進一步的，如果預設的行為數據類型中還包括購物信息，並且該用戶的行業偏好也與該店鋪的商品相吻合，那麼，該用戶的綜合得分為W1+W2+W4。

步驟104，所述伺服器根據所述用戶綜合得分和其他用戶的綜合得分確定信息向各個用戶的投放順序。

具體的，所述用戶的綜合得分能夠反映出所述用戶與所述店鋪投放信息興趣的大小，得分越高表示所述用戶對所述店鋪投放信息的興趣越大，那麼所述用戶使用所述投放信息的概率也越大，因此需要優先向綜合得分高的用戶投放信息，以避免設定的投放信息數目的原因使綜合得分高的用戶無法獲得投放信息。

步驟105，所述伺服器根據信息的投放種類和預設的投放策略按照所述投放順序向所述用戶投放所述信息。

所述伺服器根據所述信息的投放種類和預設的投放策略按照所述投放順序向所述用戶投放所述信息，具體為：

所述伺服器根據所述用戶的行為數據和所述用戶的行業筆單價通過所述預設的投放策略確定所述信息的投放種類；

所述伺服器根據所述信息的投放種類按照所述投放順序向所述用戶投放所述信息。

用戶的行業筆單價為所述用戶在某行業購買商品，平均每筆訂單的價格，用於考查所述用戶在所述行業的購買能力。

當所述用戶的行為數據滿足所述店鋪設定的行為標準時，那麼所述用戶為所述店鋪的潛在用戶，再根據所述店鋪的商品確定所述店鋪所屬的行業，然後確定所述用戶在所述行業的行業筆單價，以確定所述用戶的購買能力。

所述伺服器將所述用戶的購買能力和所述用戶行為數據對應的價格進行對比，根據預設的投放策略確定信息投放種類，具體以信息為優惠券為例， 要投放的優惠券有滿300元減30和滿200元減20兩種。

當所述用戶的行為數據為收藏過所述店鋪的商品時，如果收藏的所述店鋪的商品的價格為200元，所述用戶的行業筆單價為300時，且如果預設的投放策略為刺激性投放策略，確定要投放的信息的種類為滿300元減30的優惠券，這樣可以刺激用戶購買所述店鋪中更多的商品，如果預設的投放策略為穩健型投放策略，確定要投放的信息的種類為滿200元減20的優惠券，這樣可以使用戶直接進行消費，使用戶使用所述優惠券的概率增加。當收藏的所述店鋪的商品的價格為200元，所述用戶的行業筆單價為100時，向用戶投放滿200減20的優惠券。其中，在投放時按照確定的用戶投放順序進行投放。

本申請通過分析用戶的行為數據來判斷所述用戶的行為數據是否滿足預設的行為標準，如果滿足，再根據確定的所述用戶的綜合得分確認信息向所述用戶的投放順序，然後根據信息的投放種類和預設的投放策略按照所述投放順序投放所述信息，本申請可以確定出需要所述投放信息的潛在用戶，通過對潛在用戶進行排序並投放信息不僅可以實現潛在用戶的精準定位，還提高了信息投放的命中率，同時還保證了對所述投放信息興趣較大的用戶可以優先獲得，而且本申請還是直接基於大數據對用戶進行分析，減輕了操作人員的工作負擔，並且在用戶的行為發生變化時可以靈活的針對用戶的變化做出相應的判斷。

為了進一步闡述本申請的技術思想，現結合具體的應用場景，對本申請的技術方案進行說明，具體如下：

以業務對象為實體商品的情況為例，伺服器獲取用戶的行為數據，具體包括：瀏覽店鋪的一件商品的次數、是否收藏該商品、檢索該商品的次數、行業偏好和購物信息，根據所述行為數據判斷所述用戶是否為所述店鋪的潛在購買用戶。

對於用戶在短時間內頻繁瀏覽一個店鋪中的某個商品的情況，如果在伺服器中設定的行為標準為10天(相當於前述第一預設時間)內瀏覽一家店鋪 中的某個商品超過5次(相當於前述瀏覽閾值)，則所述伺服器判斷該用戶在10天內瀏覽該店鋪的這件商品的次數是否超過5次，如果超過，則將該用戶列為該店鋪或該店鋪的這件商品的潛在購買者。

對於用戶收藏店鋪商品的情況，如果在所述伺服器中設定的行為標準為最近5天(相當於前述第二預設時間)內收藏過某個店鋪的商品，則所述伺服器判斷該用戶是否在5天內收藏過該店鋪的商品，如果收藏過，則將該用戶列為該店鋪或該店鋪的這件商品的潛在購買者。

對於用戶在短時間內頻繁檢索一個店鋪中的某個商品的情況，如果在伺服器中設定的行為標準為10天(相當於前述第三預設時間)內檢索一家店鋪中的某個商品超過5次(相當於前述檢索閾值)，則所述伺服器判斷該用戶在10天內檢索該店鋪的這件商品的次數是否超過5次，如果超過，則將該用戶列為該店鋪或該店鋪的這件商品的潛在購買者。

在另一種應用場景下，伺服器可以根據各用戶1個月內(相當於前述的第四預設時間)的日常購買行為確定出所述用戶的行業偏好，基於這樣的行業偏好結果，伺服器判斷該用戶的行業偏好與某個店鋪的商品是否相同，例如：如果確定用戶的行業偏好為購買圖書，而當前店鋪的商品為圖書的話，那麼，該用戶的行業偏好與這個店鋪的商品相吻合，則將該用戶列為該店鋪或該店鋪的潛在購買者。

在另一種應用場景下，所述伺服器可以統計1個月內各用戶的購物信息，如果一個用戶在1個月(相當於前述的第五預設時間)內購買過筆記本電腦，那麼，伺服器通過關聯分析算法，如：Apriori算法(一種挖掘關聯規則的頻繁項集算法)，確定出某個店鋪的商品與該用戶的購物信息是否存在關聯，如果存在關聯，則將該用戶列為該店鋪或該店鋪的潛在購買者。

需要進行說明的是，上述的示例都是以業務對象為實體商品的情況為例進行說明的，如果業務對象具體為店鋪本身或者服務，相應的處理流程也與上述的方案相類似，可以以此類推，在此不再重複說明。

在具體的處理過程中，伺服器統計所述用戶滿足預設的行為標準的行為數據，當一個用戶的行為數據中有2項滿足預設的行為標準時，則伺服器為 這2項行為數據進行打分，並確定出該用戶的綜合得分，例如：所述用戶的行為數據中瀏覽所述店鋪的次數和收藏所述店鋪的商品都滿足預設的行為標準，那麼所述伺服器根據預設的行為數據得分為瀏覽所述店鋪的次數和收藏所述店鋪的商品這兩項行為數據進行評分，並得出所述用戶的綜合得分。

所述伺服器將多個用戶的綜合得分進行排序，並按照所述排序投放所述店鋪準備的優惠券。

在投放優惠券之前，所述伺服器還要確定投放的優惠券的種類，具體的，所述伺服器確定所述店鋪的商品所述的行業，然後確定出所述用戶在所述行業的行業筆單價，如果所述用戶瀏覽所述店鋪的次數滿足設定的行為標準時，且所述用戶瀏覽所述店鋪的商品都在200元左右，所述店鋪所售商品屬於電子產品，然後確定出所述用戶在電子產品上的行業筆單價，如果所述用戶在電子產品上的行業筆單價為300元時，所述伺服器根據預先設定的投放策略確定優惠券的投放種類，根據所述用戶的投放順序投放對應的優惠券，例如：要投放的優惠券有滿300元減30和滿200元減20兩種，如果預設的投放策略為穩健型投放策略，確定要投放的信息的種類為滿200元減20的優惠券，如果預設的投放策略為刺激性投放策略，確定要投放的信息的種類為滿300元減30的優惠券。

當所述用戶的行業筆單價小於所述用戶瀏覽所述店鋪的商品的價格時，所述伺服器選擇滿200元減20的優惠券進行投放。其中，在投放時根據所述用戶的投放順序進行投放。

本申請通過分析用戶的行為數據來判斷所述用戶的行為數據是否滿足預設的行為標準，如果滿足，再根據確定的所述用戶的綜合得分確認信息向所述用戶的投放順序，然後根據信息的投放種類和預設的投放策略按照所述投放順序投放所述信息，本申請可以確定出需要所述投放信息的潛在用戶，通過對潛在用戶進行排序並投放信息不僅可以實現潛在用戶的精準定位，還提高了信息投放的命中率，同時還保證了對所述投放信息興趣較大的用戶可以優先獲得，而且本申請還是直接基於大數據對用戶進行分析，減輕了操作人員的工作負擔，並且在用戶的行為發生變化時可以靈活的針對用戶的變化做 出相應的判斷。

基於與上述方法同樣的申請構思，本申請還提出了一種伺服器，如圖2所述，所述伺服器包括：

獲取模塊21，用於獲取用戶的行為數據；

判斷模塊22，用於判斷所述用戶的行為數據是否滿足預設的行為標準；

第一確定模塊23，如果所述用戶的行為數據滿足預設的行為標準，用於根據預設的行為數據得分確定所述用戶的綜合得分；

第二確定模塊24，根據所述用戶綜合得分和其他用戶的綜合得分確定信息向各個用戶的投放順序；

投放模塊25，用於根據信息的投放種類和預設的投放策略按照所述投放順序向所述用戶投放所述信息。

所述行為數據包括以下的一種或多種的任意組合：

對目標對象的瀏覽次數、對目標對象的收藏情況、對目標對象的檢索情況、行業偏好和歷史購買信息。

所述判斷模塊，具體用於：

當所述行為數據為對目標對象的瀏覽次數時，判斷第一預設時間內所述用戶瀏覽所述目標對象的次數是否超過瀏覽閾值；

當所述行為數據為對目標對象的收藏情況時，判斷第二預設時間內所述用戶是否收藏過所述目標對象；

當所述行為數據為對目標對象的檢索次數時，判斷第三預設時間內所述用戶檢索所述目標對象的次數是否超過檢索閾值；

當所述行為數據為行業偏好時，統計第四預設時間內所述用戶的行業偏好，判斷所述用戶的行業偏好是否與所述目標對象的所屬行業相匹配；

當所述行為數據為購物信息時，統計第五預設時間內所述用戶的購物信息，判斷所述用戶的購物信息是否與所述目標對象有關聯。

所述第一確定模塊，具體用於：

確定所述用戶的行為數據的種類；

根據預設的行為數據得分為所述用戶的行為數據的種類進行打分；

根據所述用戶的行為數據的種類的打分確定所述用戶的綜合得分。

所述投放模塊，具體用於：

根據所述用戶的行為數據和所述用戶的行業筆單價通過所述預設的投放策略確定所述信息的投放種類；

根據所述信息的投放種類按照所述投放順序向所述用戶投放所述信息。

本申請通過分析用戶的行為數據來判斷所述用戶的行為數據是否滿足預設的行為標準，如果滿足，再根據確定的所述用戶的綜合得分確認信息向所述用戶的投放順序，然後根據信息的投放種類和預設的投放策略按照所述投放順序投放所述信息，本申請可以確定出需要所述投放信息的潛在用戶，通過對潛在用戶進行排序並投放信息不僅可以實現潛在用戶的精準定位，還提高了信息投放的命中率，同時還保證了對所述投放信息興趣較大的用戶可以優先獲得，而且本申請還是直接基於大數據對用戶進行分析，減輕了操作人員的工作負擔，並且在用戶的行為發生變化時可以靈活的針對用戶的變化做出相應的判斷。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到本申請可藉助軟體加必需的通用硬體平臺的方式來實現，當然也可以通過硬體，但很多情況下前者是更佳的實施方式。基於這樣的理解，本申請的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質中，包括若干指令用以使得一臺終端設備(可以是手機，個人計算機，伺服器，或者網絡設備等)執行本申請各個實施例所述的方法。

以上所述僅是本申請的優選實施方式，應當指出，對於本技術領域的普通技術人員來說，在不脫離本申請原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視本申請的保護範圍。

本領域技術人員可以理解實施例中的裝置中的模塊可以按照實施例描述進行分布於實施例的裝置中，也可以進行相應變化位於不同於本實施例的一個或多個裝置中。上述實施例的模塊可以集成於一體，也可以分離部署；可 以合併為一個模塊，也可以進一步拆分成多個子模塊。上述本申請實施例序號僅僅為了描述，不代表實施例的優劣。

以上公開的僅為本申請的幾個具體實施例，但是，本申請並非局限於此，任何本領域的技術人員能思之的變化都應落入本申請的保護範圍。