本发明涉及可视化装置领域，具体而言，涉及一种面向营销客户异质因果效应的可视分析系统。
背景技术：
1、因果推断是在帮助人们了解某种处理或干预是否真的能够影响最终结果，以及这种影响有多大。而在评价处理效应的时候，不能忽视数据内部具有的差异性，因为同样的处理在不同的人群身上可能会产生不同的效果。具体来说，某些群体可能表现出对处理的强烈反应，而其他群体的反应则可能不那么显著。此外，即便是在反应较好的部分群体中，也可能出现同个群体的个体之间在处理效应上有较大的差异。
2、在营销场景中，发现那些具有较强烈因果效应且结果相对稳定的特定人群(称之为有显著处理效应的子群)是非常有价值的，可以帮助理解不同营销活动(如广告、促销等)对销售结果的实际影响，从而优化营销策略。例如，广告商在投放广告时想要找到那些更容易受到广告正面影响的消费者群体，而对于其他群体就不进行广告的投放。随机对照试验是因果推断的最可靠方法，但难以实施，所以从现有的观察数据中有效地识别出这些关键的因果子群变得尤为重要。
3、探究不同的客户群体对营销活动的不同反应会面临下面两个困难：
4、一、从大量的客户群体中识别出重要的那部分群体非常困难。因为客户本身具有多方面的特征(比如年龄，职位，收入等)，若通过特征的不同组合来划分客户，这可能导致候选的客户群体的数量会随特征属性的数量急剧增加。选择受营销活动影响最好的客户群体也需要在多个目标之间进行权衡，例如营销效益、客户购买结果的方差和客户群体的覆盖范围，这进一步增加了这一子群发现过程的复杂性。这个过程显然需要根据用户的自身需求和应用场景进行调整。
5、二、现有的识别模型很难与人类进行交流。即使模型找到了某些客户群体，也难以被理解或不足以支持用户进一步的分析工作，用户还需要费时费力地进行额外处理。此外，如果没有对营销效益的进一步解释，仅凭数值上的结论很难说服用户。
6、现有的异质处理效应估计方法有因果树和因果森林，但这种方法得到的客户群体并不都有实际用处，还需用户进一步处理。这是因为它们主要是基于树来为数据集中的个体构建一种树形层次结构，并以层次中的叶子节点为客户群体。然而，并非所有的叶节点代表的客户群体都会具有较高的平均营销收益，从而导致一棵树模型中有用的结果较少。因此，用户仍然需要通过繁琐的审查和分析来找到满足其需求的结果。此外还有相关性规则和子群发现方法，这两种方法并不着重关注因果，而更关注相关性，它们可以直接根据关注的目标进行优化，比如找出哪类人更易购买产品，但缺乏对更复杂的因果效应的关注，比如有些客户可能因为受营销的影响而购买了产品，而有些客户可能本身就倾向购买产品，又或者是受到了别的因素影响，精确性差。
技术实现思路
1、为了解决上述问题，本发明提出了一种面向营销客户异质因果效应的可视分析系统，将当前找出优质客户群体的问题转换成了一个需要同时考虑多个目标的优化问题，并通过一种智能搜索算法，来得到由最优客户群体组成的帕累托前沿，且这些客户群体都由可解释的规则来描述划分。基于获得的最优客户群体相关信息进行异质因果可视化处理，并允许用户根据需求对可视化数据进行深入交互操作。
2、本发明采用的技术方案如下：
3、一种面向营销客户异质因果效应的可视分析系统，包括：
4、目标优化问题转换模块，其用于获取营销场景下的客户观测数据，将客户观测数据划分为处理组和对照组，所述处理组为接触目标营销策略的群体，对照组为未接触目标营销策略的群体；计算每个客户权重，使得处理组和对照组在特征分布上保持一致，基于权重建立平均营销收益目标函数和营销收益不确定性目标函数；引入约束条件，将从营销场景下的客户观测数据中找出适用目标营销策略的一系列优质客户群体的问题转换为多目标优化问题；每一个客户群体对应一条规则描述；
5、客户群体搜索模块，其采用搜索算法从营销场景下的客户群体中生成一系列优质客户群体，包括客户群体初始化、更新客户群体、排序非支配客户群体、拥挤距离排序；在所述的排序非支配客户群体中，通过两两比较的方式确定各个客户群体之间的优先级关系，不被任何其他客户群体支配的客户群体构成帕累托前沿1，仅被前沿1支配的客户群体构成前沿2，以此类推，将所有客户群体划分为若干有序等级；在所述拥挤距离排序中，根据等级和拥挤距离筛选优质客户群体；重复更新客户群体、排序非支配客户群体、拥挤距离排序过程，直至生成最终的一系列优质客户群体，以及对应每一个优质客户群体的规则描述；
6、可视化模块，其用于对营销场景下的客户观测数据、搜索得到的一系列优质客户群体、客户群体对应的目标函数值和规则描述进行可视化，支持用户自定义。
7、进一步地，所述的客户权重计算公式如下：
8、
9、其中，ti表示客户i是否接触了目标营销策略，ti＝1表示接触，ti＝0表示未接触；ei表示客户i接触目标营销策略的概率，wi表示客户i的权重。
10、进一步地，所述的平均营销收益目标函数如下：
11、
12、其中，表示平均营销收益，wi表示客户i的权重，表示群体s中接触目标营销策略的客户集合，表示群体s中未接触目标营销策略的客户集合，yi表示客户i的行为是否符合目标营销策略的需求，yi＝1表示符合，yi＝0表示不符合。
13、进一步地，所述的营销收益不确定性目标函数如下：
14、
15、其中，表示未接触目标营销策略的客户集合和接触目标营销策略的客户集合中客户行为结果的方差，用于表示营销收益不确定性；分别指代集合中的客户行为yi的加权平均值。
16、进一步地，所述的约束条件包括：
17、任一客户群体中的客户数量不低于阈值；
18、任一客户群体对应的规则描述长度不超过阈值，所述的规则描述长度是指规则描述中涉及的客户特征的数量。
19、进一步地，所述的搜索算法具体为：
20、(2-1)客户群体初始化
21、通过随机抽样的方式创建一系列二进制代码，二进制代码的长度与客户特征数量一致，二进制代码中的0代表相应客户特征被排除，1代表相应用户特征被考虑；一系列二进制代码形成一系列规则描述，根据一系列规则描述从客户观测数据中生成一系列初始化客户群体作为父代子群；
22、(2-2)更新客户群体
23、利用已有的父代子群，通过拼接或随机改变不同客户群体对应的二进制代码，创造出新的客户群体作为后代子群；父代子群和后代子群共同构成候选群体；
24、(2-3)排序非支配客户群体
25、通过两两比较的方式确定各个客户群体之间的优先级关系，不被任何其他客户群体支配的客户群体形成帕累托前沿1，仅被帕累托前沿1支配的客户群体构成帕累托前沿2，以此类推，所有客户群体被划分为若干有序等级；
26、(2-4)拥挤距离排序
27、所述的拥挤距离是指在基于目标函数的客户群体间的平均距离，用来衡量客户群体的密度，每一个客户群体对应一个拥挤距离；
28、排序时，首先根据客户群体在帕累托前沿的顺序，其次根据拥挤距离，最终仅保留排名最高的客户群体，保留的客户群体数量与初始化的父代子群数量保持一致；将保留的客户群体作为新的父代子群，重复迭代步骤(2-2)至(2-4)，直到达到预定的迭代次数或目标函数不再改善，属于帕累托前沿1的客户群体作为最终筛选得到的一系列优质客户群体。
29、所述的拥挤距离计算公式为：
30、
31、其中，l[i]表示某一层帕累托前沿第i个客户群体的拥挤距离，fi-1,m,fi+1,m分别是该层第i-1，i+1个客户群体在第m个目标函数上的函数值。和分别是该层所有客户群体在第m个目标函数上的最大值和最小值。对于每个目标函数，会先将同一层帕累托前沿中的客户群体按照该目标函数的值进行升序排序，然后将排序后的序列中的第一个和最后一个客户群体的拥挤距离设置为无穷大，以确保边界点被选择的可能性，该层中间点表示的客户群体的拥挤距离则根据上述公式计算。
32、进一步地，所述的可视化模块包括：
33、因果子群视图单元，其用于展示优化后得到的一系列优质客户群体的可解释性规则描述和对应的目标函数值；并引入自定义窗口，通过用户自定义规则描述生成目标客户群体及其对应的目标函数值；以及，支持根据用户指定排序规则对展示内容进行排序；
34、用户特征投影视图单元，其用于将客户观测数据中的每一个客户视为一个散点，通过降维技术将客户特征压缩到二维平面上，支持对用户任意选定的客户群体进行突出展示；
35、异质因果效应验证视图单元，其用于展示选定客户群体中的处理组和对照组中的客户接触目标营销策略的概率分布直方图、两两配对的客户群体之间的平均营销收益估计值、两两配对的客户群体数量、以及客户信息，所述客户信息包括客户id、接触目标营销策略的概率、是否接触了目标营销策略、客户行为。
36、进一步地，客户群体两两配对的规则为：两客户接触目标营销策略的概率差值低于阈值，且一个客户接触了目标营销策略，另一个客户未接触目标营销策略。
37、本发明具备的有益效果是：
38、与因果树等方法相比，本发明通过包含约束的多目标优化方法来得到客户群体，既可以提前通过约束来过滤掉不满足实际需求的子群，还可以根据这多个目标来形成一个客户群体构成的帕累托前沿；与相关性规则和子群发现方法相比，本发明更关注处理效应，而不只是通过协变量的取值情况预测结果。
39、本发明将从营销场景下的客户观测数据中找出适用目标营销策略的一系列优质客户群体的问题转换为多目标优化问题，基于包含约束条件的多目标优化方法，从大量复杂的多维度的观测数据中找出受到营销策略正面影响而稳定提高收益的客户群体，并对营销场景下的客户观测数据、搜索得到的一系列优质客户群体、客户群体对应的目标函数值和规则描述进行可视化，支持用户自定义。该系统可以帮助用户深入理解、有效比较和精确验证那些关键的客户群体，用户还可以根据生成最终的一系列优质客户群体的规则描述，从广泛人群中快速、精确定位到适用目标营销策略的客户。
1.一种面向营销客户异质因果效应的可视分析系统，其特征在于，包括：
2.根据权利要求1所述的面向营销客户异质因果效应的可视分析系统，其特征在于，所述的客户权重计算公式如下：
3.根据权利要求1所述的面向营销客户异质因果效应的可视分析系统，其特征在于，所述的平均营销收益目标函数如下：
4.根据权利要求3所述的面向营销客户异质因果效应的可视分析系统，其特征在于，所述的营销收益不确定性目标函数如下：
5.根据权利要求1所述的面向营销客户异质因果效应的可视分析系统，其特征在于，所述的约束条件包括：
6.根据权利要求1所述的面向营销客户异质因果效应的可视分析系统，其特征在于，所述的搜索算法具体为：
7.根据权利要求6所述的面向营销客户异质因果效应的可视分析系统，其特征在于，所述的拥挤距离计算公式为：
8.根据权利要求1所述的面向营销客户异质因果效应的可视分析系统，其特征在于，所述的可视化模块包括：
9.根据权利要求8所述的面向营销客户异质因果效应的可视分析系统，其特征在于，客户群体两两配对的规则为：两客户接触目标营销策略的概率差值低于阈值，且一个客户接触了目标营销策略，另一个客户未接触目标营销策略。
