CN106408306A - 确定业务对象品牌指数信息的方法及装置 - Google Patents
确定业务对象品牌指数信息的方法及装置 Download PDFInfo
- Publication number
- CN106408306A CN106408306A CN201510447140.8A CN201510447140A CN106408306A CN 106408306 A CN106408306 A CN 106408306A CN 201510447140 A CN201510447140 A CN 201510447140A CN 106408306 A CN106408306 A CN 106408306A
- Authority
- CN
- China
- Prior art keywords
- index
- brand
- level
- value
- grade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000011002 quantification Methods 0.000 claims description 11
- 230000004807 localization Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000019771 cognition Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了确定业务对象品牌指数信息的方法及装置,所述方法包括:预先确定用于刻画品牌指数的指标,所述指标包括N个层级,每个层级上包括至少一个指标,第n级指标通过至少一个第n+1级指标进行刻画;确定各个指标的权重;根据用户的历史操作记录,确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值;利用各个第N级指标上的量化值、权重依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,确定该品牌的品牌指数。通过本申请实施例,能够从电商销售平台的角度更准确地刻画各个品牌的品牌指数。
Description
技术领域
本申请涉及业务对象信息处理技术领域,特别是涉及确定业务对象品牌指数信息的方法及装置。
背景技术
随着电子商务的重要组成部分——购物网站的蓬勃发展,带动了网络营销的迅速发展,开始进入了网络品牌细化的时代,消费者的购物行为中开始出现自主性和个性化的需求。消费者对单向的、被动式的“填鸭式”信息获取方式感到厌倦和不信任,希望在购买产品时通过各种途径能够主动获取相关信息。网络品牌细化适应了消费者的这一特殊需求。网络为消费者个性化的选择提供了便利,个性化消费成为消费的主流,而这种个性化恰好是品牌战略的重点。网络品牌细化的核心即为刻画品牌的理念和个性,从消费者的角度研究购物网站的品牌个性和形象以及消费者品牌态度之间的关系,有利于通过品牌推荐激发消费者的购买需求,精准定位品牌活动营销,提高购物网站的品牌影响力和品质感。
现有技术中的品牌指数的指标体系包括品牌识别、信息化建设、渠道建设、客户拓展、媒体表现、搜索力、市场活动、口碑八项。每项的内容基本上来自品牌正式对外公布、且被公众所了解的信息。信息来源包含企业网站信息、企业宣传画册和产品说明书、企业在杂志和网站上投放的广告、企业参展资料和参展情况、企业参加或自行主办的活动情况、企业代理商对品牌的描述、用户对品牌的描述、行业杂志和行业网站、涉及品牌信息的个人网站和论坛、博客,等等。
上述现有技术虽然能够从一定程度上刻画品牌指数,但是这种现有的品牌指数主要衡量线下品牌的情况,没有考虑电商销售平台中品牌的不同表现特点,因此无法深刻刻画电商销售平台中品牌的个性形象,进而也就无法用该现有的品牌指数来满足消费者对电商销售平台中品牌的需求。
因此,如何从电商销售平台的角度更准确地刻画各个品牌的品牌指数,成为需要本领域技术人员解决的技术问题。
发明内容
本申请实施例提供了确定业务对象品牌指数信息的方法及装置,能够从电商销售平台的角度更准确地刻画各个品牌的品牌指数。
本申请实施例提供了如下方案:
一种确定业务对象品牌指数信息的方法,包括:
预先确定用于刻画品牌指数的指标,所述指标包括N个层级,每个层级上包括至少一个指标,第n级指标通过至少一个第n+1级指标进行刻画;其中,n=1,2……N,N为大于1的正整数;
确定各个指标的权重,所述权重用于表示所述指标在刻画其所隶属的上一级指标时体现的相对重要程度;
根据用户的历史操作记录,确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值;
利用各个第N级指标上的量化值、权重以及各个第N级指标所隶属的第N-1级指标,确定各个第N-1级各个指标量化值,并按照该步骤的方式依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,确定该品牌的品牌指数。
一种确定业务对象品牌指数信息的装置,包括:
指标确定单元,用于预先确定用于刻画品牌指数的指标,所述指标包括N个层级,每个层级上包括至少一个指标,第n级指标通过至少一个第n+1级指标进行刻画;其中,n=1,2……N,N为大于1的正整数;
指标权重确定单元,用于确定各个指标的权重,所述权重用于表示所述指标在刻画其所隶属的上一级指标时体现的相对重要程度;
指标量化值确定单元,用于根据用户的历史操作记录,确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值;
品牌指数确定单元,用于利用各个第N级指标上的量化值、权重以及各个第N级指标所隶属的第N-1级指标,确定各个第N-1级各个指标量化值,并按照该步骤的方式依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,确定该品牌的品牌指数。
根据本申请提供的具体实施例,本申请公开了以下技术效果:
通过本申请实施例,可以从电子商务消费者的认知角度出发,研究购物网站的品牌个性与消费者品牌态度之间的相关关系,并以此来刻画品牌。并且,为了体现这种相关关系,可以通过建立层次化结构模型的方式来实现,在该模型中,包括多个层级的指标,最后一级指标为可统计或者可计算的值,并且,每个指标都可以具有各自的权重,用于表明其在刻画其所隶属的上一级指标时所起作用的相对重要程度。这样,就可以从最后一级指标开始,采用逐级向上计算的方式,最终得到品牌的指数量化值。在整个计算过程中,利用了网络消费者用户在销售平台中的历史操作信息进行数据挖掘,体现了电子商务交易平台的特性。并且,由于采用了层级化的结构,因此,对于各个指标而言,只需要确定出对于其所隶属的上一级别指标的重要程度,并进行逐级的计算,而不需要进行跨级别的权重确定,效率更高,计算结果也更准确。
当然,实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的方法的流程图;
图2是本申请实施例中指标层次化结构模型示意图;
图3是本申请实施例中品牌指数散点示意图;
图4是本申请实施例提供的装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例中,可以从电子商务消费者的认知角度出发,研究购物网站的品牌个性与消费者品牌态度之间的相关关系,并以此来刻画品牌。为了体现这种相关关系,可以通过建立层次化结构模型的方式来实现。具体的,可以预先确定用于刻画品牌指数的指标,这种指标可以包括N个层级,每个层级上包括至少一个指标,其中,第n级指标通过至少一个第n+1级指标进行刻画;其中,n=1,2……N,N为大于1的正整数。
例如,在一种具体的实现方式下,N=2,也即,可以通过两个层级的指标,对品牌指数进行刻画。其中,考虑到消费者对品牌的态度形成包括“认知——情感——意动”的过程,因此,可以将一级指标确定为品牌认知、功能定位、品质认定、品牌购买和品牌忠诚度五个方面中的部分或全部,这五个方面与品牌态度的认知、情感、意动有很强的对应关系,能够很深刻的刻画消费者心中的品牌形象。其中,每个一级指标又可以通过一个或者多个二级指标来进行刻画,二级指标一般是具体可以获取的指标值,例如成交额等。具体的,对应上述各个一级指标,二级指标一共可以有15个,并且,一级指标与二级指标的关系可以如下:
品牌认知通过以下部分或全部二级指标进行刻画:搜索次数、收藏次数以及浏览次数;
功能定位通过以下部分或全部二级指标进行刻画:业务对象数量、有无指定类型店铺、店铺数量;
品质认定通过以下部分或全部二级指标进行刻画:品牌价位、高评分的描述相符率以及退款投诉率;
品牌购买通过以下部分或全部二级指标进行刻画:成交笔数、成交额、转化率、热销度、客单价;
品牌忠诚度通过以下二级指标进行刻画:重复购买率。
上述二级层级模型的建立,是根据网络消费者的购物特点和个性需求,从消费者对品牌的态度形成的过程出发,沿着消费者从接触认知品牌到购买再到二次购买的购物路线,全面衡量消费者购物选择体验,选取并构建能够刻画网络消费者个性需求的品牌指标体系。这种,可以挖掘出网络消费者内心世界里的喜欢和关注的品牌。利用这种品牌信息在向用户提供各种类型的业务对象信息(例如,搜索结果,按类目浏览的结果,推荐信息等等)时,可以将这种普遍被喜欢或者关注的品牌优先提供,这样,可以激发用户的购买需求,节省用户选商品的时间,更加符合“以用户为中心”的理念,并且能增加用户在网站上的停留时间,拉动消费,提升用户对网站的粘性。
在建立了上述递阶层级结构之后,上下层之间的元素隶属关系就确定了,接下来就可以通过对各级指标进行量化,最终得到品牌的量化表示结果,以便在不同的品牌之间进行比较。
其中,最后一级指标(第N级)的量化值可以直接根据统计数据中计算获得,而第N级指标隶属于第N-1级,因此,具体可以通过将第N级指标的量化值进行线性相加的方式,获得第N-1级各指标的量化值,以此方式向上级指标逐层计算,就可以计算出第1级各个指标的量化值,进而,就可以利用各个第1级指标上的量化值,通过线性求和的方式,确定该品牌的品牌指数量化值。
具体实现时,虽然每个第n级指标可以通过多个第n+1级指标来刻画,但是,每个第n+1级在刻画其隶属的第n级指标时,通常具有不同的重要性,因此,在进行指标量化值的线性求和时,还可以考虑体现出这种重要性方面的差别,从而更准确的刻画出品牌指数。具体的,为了体现这种重要性方面的差别,还可以确定出各个指标的权重,这种权重就标识该指标在刻画其所隶属的上一级指标时体现的相对重要程度。
也就是说,在本申请实施例中,在建立了指标之间的递阶层级结构之后,还可以确定出每个指标的权重。在依次向上级指标进行逐层计算时,就可以基于这种权重,进行线性加权计算,从而使得得出的结果更准确。
下面对具体的实现方式进行详细介绍。
参见图1,本申请实施例提供了一种确定业务对象品牌指数信息的方法,该方法可以包括以下步骤:
S101:预先确定用于刻画品牌指数的指标,所述指标包括N个层级,每个层级上包括至少一个指标,第n级指标通过至少一个第n+1级指标进行刻画;其中,n=1,2……N,N为大于1的正整数;
S102:确定各个指标的权重,所述权重用于表示所述指标在刻画其所隶属的上一级指标时体现的相对重要程度;
具体确定各个指标的权重的方式可以有多种,例如,可以直接根据经验等方式,判断各个指标的重要程度,并直接赋予权重值。或者,在本申请实施例中,还可以通过以下方式来确定各个指标的权重:首先,基于隶属于同一第n级指标的m个第n+1级指标,生成m×m的判断矩阵,然后,可以计算判断矩阵的最大特征值以及该最大特征值对应的特征向量,最终就可以根据该最大特征值对应的特征向量,来确定该m个第n+1级指标各自的权重。其他各指标也均可以按照此方式确定权重。
其中,判断矩阵是以矩阵的形式来表述每一层次中各要素相对其上层要素的相对重要程度。具体实现时,该判断矩阵中各个元素的取值通过以下方式确定:将所述m个第n+1级指标的在刻画该第n级指标时体现的重要程度进行两两比对,根据比对结果的差异程度确定差异程度量化值,将所述两两比对得到的所述差异程度量化值,确定为所述判断矩阵中的各个元素。
在一种具体实现方式下,为了使各因素之间进行两两比较得到量化的判断矩阵,可以引入1~9的差异程度量化值,如表1所示:
表1
当然,在实际应用中,还可以通过其他方式定义上述差异程度量化值。在定义了上述差异程度量化值之后,就可以将隶属于同一上级指标的各个指标进行两两比较,并根据比较的结果建立起判断矩阵。
例如,如图2所示,假设Z为最终需要计算的品牌指数的量化值,其中,一级指标为A1、A2、A3、A4、A5,二级指标分别为B1、B2……B15,其中,B1、B2、B3隶属于A1,B4、B5、B6隶属于A2,以此类推。也就是说,A1至A5是影响Z的量化值的五个因素,B1、B2、B3是影响A1量化值的三个因素,等等。接下来,就可以在隶属于同一上级指标的各个指标之间,进行重要程度的两两比对。例如,对于A1至A5这五个因素,分别在A1与A2、A1与A3、A1与A4、A1与A5、A2与A3……等之间进行两两比对。其中,假设,A1比A2略重要,则A1相对于A2的差异程度量化值就可以表示为3,相应的,A2相对于A1的差异程度量化值就可以表示为1/3,以此类推,就可以建立起第一个判断矩阵:
其中,矩阵中的各个元素就代表A1至A5这五个因素两两对比时,得到的差异程度量化值,可以看出,对角线上的元素均为1,这是因为,其为同一个指标与自身比较时的结果。另外,以该对角线为轴,对称位置上的元素之间互为倒数,例如,第一行第二列的元素值为1/2,第二行第一列的元素值为2,这代表:元素A1与A2进行两两比较时,A1相对于A2的差异程度量化值为1/2,相应的,A2相对于A1的差异程度量化值就为其倒数,也就是2,以此类推。
另外,由于各个一级指标分别由多个二级指标来刻画,因此,也分别可以得到一个判断矩阵。例如对于图2中所示的层级结构,基于A1至A5这五个一级指标,还可以分别建立以下五个判断矩阵:
其中,M2这一判断矩阵代表隶属于一级指标A1的各个二级指标B1、B2、B3两两比较,分别得到的差异程度量化值。M3这一判断矩阵代表隶属于一级指标A2的各个二级指标B4、B5、B6两两比较,分别得到的差异程度量化值,以此类推。如果还有其他层级的指标,则还可以按照上述方式建立起其他的判断矩阵。
需要说明的是,各个判断矩阵中各个元素上的具体取值可以是根据经验等确定。在建立起各个判断矩阵之后,就可以基于这种判断矩阵,来确定各个指标的权重。具体的,对于一个判断矩阵,可以计算出该判断矩阵的最大特征值以及该最大特征值对应的特征向量,该特征向量包含的分量值数量,与该矩阵的阶数相同,也就是与隶属于同一上级指标的指标数目相同,因此,就可以将该特征向量的各个分量值分别作为各个指标的权重。
例如,对于判断矩阵M1,计算得到其最大特征值为λmax=5.073,该最大特征值对应的特征向量为ω={0.263,0.475,0.055,0.099,0.110},则可以确定出指标A1的权重为0.263,A2的权重为0.475,A3的权重为0.055,A4的权重为0.099,A5的权重为0.110。
对于其他各判断矩阵,也可以分别作类似处理,例如,对于判断矩阵M2,计算得到其最大特征值为λmax=3.005,该最大特征值对应的特征向量为ω={0.595,0.277,0.129},则可以确定出B1的权重为0.595,B2的权重为0.277,A3的权重为0.129。总之,对于各个指标,均可以通过上述方式确定出其各自的权重。
需要说明的是,关于计算判断矩阵的最大特征值以及特征向量的具体实现,可以根据数学领域的计算公式来实现,这里不再详述。
另外,在具体实现时中,为了进一步提高权重确定过程中使用数据的合理性,在计算出各个判断矩阵的最大特征值以及对应的特征向量之后,还可以对判断矩阵进行一致性校验,如果校验通过,则将该最大特征值对应的特征向量中包含的各个分量值作为对应指标的权重,否则,如果校验不通过,则证明判断矩阵中的元素值可能存在一定的不合理性,因此,还可以对判断矩阵中的元素值进行调整,调整之后再重新计算最大特征值,重新进行一致性校验,直到校验通过后,再用特征向量确定各个指标的权重。
其中,所谓一致性校验,其目的是为了检验判断矩阵中各元素重要度之间的协调性,避免出现“A1比A2重要,A2比A3重要,而A3又比A1重要”这样的矛盾情况出现。具体在进行一致性校验时可以有多种方式,例如,在其中一种方式下,可以CR=CI/RI进行检验,其中CR是判断矩阵的随机一致性比率,一致性指标是平均随机一致性指标,RI是多次(例如500次以上)重复随机判断矩阵特征值的计算之后取算术平均得到的。一般认为,当一致性比例CR<0.1时,判断矩阵的一致性是可以接受的。否则需要对判断矩阵进行调整,直到达到满意的一致性为止。
例如,对于前述判断矩阵M1,λmax=5.073,n=5,也即矩阵M1的阶数,则可以计算出CI=(5.073-5)/(5-1)=0.018,通过查表可得RI=1.12,因此,可以计算出CR=0.018/1.12=0.016<0.1,因此,该判断矩阵的一致性满足条件,进而,直接将该最大特征值对应的特征向量中的各个分量,作为A1至A5各个指标的权重即可。其他各判断矩阵也都可以通过该方式进行一致性校验。通过计算,前述例子中的各个判断矩阵均能通过一致性校验,因此,可以分别基于前述矩阵确定出各个指标的权重。
S103:根据用户的历史操作记录,确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值;
在确定了各个指标的层级化结构以及各自的权重之后,就可以利用该模型,对各个品牌的指数量化值进行评估。具体的,由于最后一级也即第N级指标通常是可以通过统计等方式直接得到的,因此,可以首先确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值。
例如,在前述二级层级结构中,可以通过以下表2表达各个指标的关系以及权重信息。
表2
上述表2中给出了各个二级指标的计算方式,可以根据销售平台中海量用户的历史操作记录,包括对某指定品牌的历史购买记录、收藏记录、浏览记录等等,分别计算出各个二级指标的统计值。关于各个二级指标的具体计算方式这里不再进行详述。当然,在具体实现时,如果N>2,则第N级上各个指标也可以通过上述方式计算统计值,再据此确定出第N级指标的量化值。并且,在具体实现时,上述指标也可以用该其他的统计值来计算,另外,根据具体指标的不同,对应的计算方法也可以进行调整,上述表2仅作为示例,而不应看作是对本申请保护范围的限制。
需要说明的是,在具体实现时,上述各个第N级指标的统计值,如果直接进行比较,则可能存在由于不是同一数量级,因此,相互之间不具有直接的可比性等情况。例如,某二级指标为对某品牌的浏览次数,另一二级指标为对该品牌的收藏次数,显然,浏览次数远大于收藏次数,两者并不在同一数量级上。因此,为了使得各个第N级指标的量化值之间具有可比性,并最终使得各个品牌指数的量化值具有可比性,也为了使得统计结果更平滑,可以对各个第N级指标的统计值进行平滑以及归一化处理,之后,再将得到的值确定出各个第N级指标的量化值。其中,具体的处理方式可以有多种,例如,其中一种具体的实现方式下,可以采用ln函数以及反正切函数对各个第N级指标的统计值进行处理,使得各个第N级指标的量化值均落在[0,1]范围内。
S104:利用各个第N级指标上的量化值、权重以及各个第N级指标所隶属的第N-1级指标,通过线性加权求和的方式,确定各个第N-1级各个指标量化值,并按照该步骤的方式依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,通过线性加权求和的方式,确定该品牌的品牌指数。
在确定出各个第N级指标上的量化值之后,就可以利用各个第N级指标上的量化值、权重以及各个第N级指标所隶属的第N-1级指标,通过线性加权求和的方式,确定各个第N-1级各个指标量化值。例如,在前述表2中,N=2,二级指标B1、B2、B3隶属于一级指标A1,因此,就可以计算出A1的量化值为:
VA1=VB1×w1+VB2×w2+VB3×w3
二级指标B4、B5、B6隶属于一级指标A2,因此,就可以计算出A2的量化值为:
VA2=VB4×w4+VB5×w5+VB6×w6
其他各个以及指标的量化值也可以通过上述方式进行线性加权求和。
当然,在具体实现时,如果N>2,则在计算出各个第N-1级各个指标量化值之后,还可以按照该步骤的方式依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,通过线性加权求和的方式,确定该品牌的品牌指数。
例如,前述例子中,由于N=2,因此,计算出的A1、A2……A5的量化值已经是第1级指标,因此,就可以直接通过线性加权求和的方式,计算出对应品牌指数的量化值:
VZ=VA1×W1+VA2×W2+VA3×W3+VA4×W4+VA5×W5
类似的,其他品牌的品牌指数也可以通过上述各个步骤的方式计算出来。
总之,在本申请实施例中,可以从电子商务消费者的认知角度出发,研究购物网站的品牌个性与消费者品牌态度之间的相关关系,并以此来刻画品牌。并且,为了体现这种相关关系,可以通过建立层次化结构模型的方式来实现,在该模型中,包括多个层级的指标,最后一级指标为可统计或者可计算的值,并且,每个指标都可以具有各自的权重,用于表明其在刻画其所隶属的上一级指标时所起作用的相对重要程度。这样,就可以从最后一级指标开始,采用逐级向上计算的方式,最终得到品牌的指数量化值。在整个计算过程中,利用了网络消费者用户在销售平台中的历史操作信息进行数据挖掘,体现了电子商务交易平台的特性。并且,由于采用了层级化的结构,因此,对于各个指标而言,只需要确定出对于其所隶属的上一级别指标的重要程度,并进行逐级的计算,而不需要进行跨级别的权重确定,效率更高,计算结果也更准确。
在具体实现时,确定出各个品牌的品牌指数之后,就可以应用中具体的应用场景中,例如,在提供搜索结果、推荐信息等业务对象列表信息时,可以利用这种将品牌指数对提供的业务对象列表进行处理。例如,可以将品牌指数较高的品牌下的业务对象优先提供,等等。
或者,还可以首先对各个品牌进行分层,然后再将这种层次信息应用到具体的应用场景中。例如,在一种具体实现方式下,可以根据品牌指数的从小到大排序,做出品牌指数的散点图,然后,可以根据散点图中趋势线的斜率发生变化的点,找出对应的品牌指数,将这些品牌指数作为临界值,实现对品牌的分层。
例如,假设散点图如图3所示,在该图3中,假设有30个品牌,通过散点图可见,趋势线的斜率发生变化的点有A点和B点,因此,就可以将这两点对应的品牌指数(例如,分为为0.6和0.9),作为各个品牌层次的临界值,也即,将指数为0.9至1之间的品牌作为第一层,0.6至0.9之间的品牌作为第二层,0至0.6之间的品牌作为第三层。当然,在实际应用中,品牌数量众多,该图3仅作为示例性说明。
区分出品牌层次之后,可以将这种层次信息应用到具体的应用场景中。例如,在提供业务对象信息列表时,可以提供按照品牌层次进行选择的操作选项,这样,消费者可以根据其实际需求,选择适合自己的目标层次的品牌,进而,服务器可以根据该操作选择确定被选中的目标层次,并提供该目标层次内的品牌的业务对象信息,这样,可以节省用户选商品的时间。
与本申请实施例提供的确定业务对象品牌指数信息的方法相对应,本申请实施例还提供了一种确定业务对象品牌指数信息的装置,参见图4,该装置具体可以包括:
指标确定单元401,用于预先确定用于刻画品牌指数的指标,所述指标包括N个层级,每个层级上包括至少一个指标,第n级指标通过至少一个第n+1级指标进行刻画;其中,n=1,2……N,N为大于1的正整数;
指标权重确定单元402,用于确定各个指标的权重,所述权重用于表示所述指标在刻画其所隶属的上一级指标时体现的相对重要程度;
指标量化值确定单元403,用于根据用户的历史操作记录,确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值;
品牌指数确定单元404,用于利用各个第N级指标上的量化值、权重以及各个第N级指标所隶属的第N-1级指标,确定各个第N-1级各个指标量化值,并按照该步骤的方式依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,确定该品牌的品牌指数。
具体实现时,所述指标权重确定单元402可以包括:
判断矩阵生成子单元,用于基于隶属于同一第n级指标的m个第n+1级指标,生成m×m的判断矩阵,所述判断矩阵中各个元素的取值通过以下方式确定:
将所述m个第n+1级指标的在刻画该第n级指标时体现的重要程度进行两两比对,根据比对结果的差异程度确定差异程度量化值,将所述两两比对得到的所述差异程度量化值,确定为所述判断矩阵中的各个元素;
计算子单元,用于计算所述判断矩阵的最大特征值以及该最大特征值对应的特征向量;
权重确定子单元,用于根据所述最大特征值对应的特征向量,确定所述m个第n+1级指标各自的权重。
其中,所述权重确定子单元包括:
一致性校验子单元,用于对所述判断矩阵进行一致性检验;
确定子单元,用于如果校验通过,则将所述最大特征值对应的特征向量中的各个分量值,确定为所述m个第n+1级指标各自的权重。
如果一致性校验未通过,还可以包括:
矩阵调整单元,用于如果一致性校验未通过,则对所述判断矩阵进行调整。
具体实现时,所述量化值确定单元403具体用于:
将所述统计值进行平滑以及归一化处理,得到所述第N级指标的量化值。
在一种具体的实现方式中,所述N=2,其中,一级指标包括品牌认知、功能定位、品质认定、品牌购买以及品牌忠诚度中的部分或全部;
其中,
所述品牌认知通过以下部分或全部二级指标进行刻画:搜索次数、收藏次数以及浏览次数;
所述功能定位通过以下部分或全部二级指标进行刻画:业务对象数量、有无指定类型店铺、店铺数量;
所述品质认定通过以下部分或全部二级指标进行刻画:品牌价位、高评分的描述相符率以及退款投诉率;
所述品牌购买通过以下部分或全部二级指标进行刻画:成交笔数、成交额、转化率、热销度、客单价;
所述品牌忠诚度通过以下二级指标进行刻画:重复购买率。
在实际应用中,该装置还可以包括:
业务对象列表处理单元,用于在向客户端提供业务对象列表信息时,根据所述品牌指数对提供的业务对象列表进行处理。
或者,该装置还可以包括:
品牌分层单元,用于根据各个品牌的品牌指数对品牌进行分层;
信息提供单元,用于利用分层信息向客户端提供业务对象信息。
其中,所述品牌分层单元包括:
排序子单元,用于将各个品牌的品牌指数进行排序;
散点图生成子单元,用于根据排序结果生成散点图;
目标点确定子单元,用于确定散点图中趋势线的斜率发生变化的目标点;
临界值确定子单元,用于将所述目标点处的品牌指数值确定为分层的临界值,以便根据所述临界值对品牌进行分层。
所述信息提供单元包括:
操作选项提供子单元,用于提供用于选择品牌层次的操作选项;
信息提供子单元,用于根据所述操作选择确定被选中的目标层次后,提供该目标层次内的品牌的业务对象信息。
通过本申请实施例,可以从电子商务消费者的认知角度出发,研究购物网站的品牌个性与消费者品牌态度之间的相关关系,并以此来刻画品牌。并且,为了体现这种相关关系,可以通过建立层次化结构模型的方式来实现,在该模型中,包括多个层级的指标,最后一级指标为可统计或者可计算的值,并且,每个指标都可以具有各自的权重,用于表明其在刻画其所隶属的上一级指标时所起作用的相对重要程度。这样,就可以从最后一级指标开始,采用逐级向上计算的方式,最终得到品牌的指数量化值。在整个计算过程中,利用了网络消费者用户在销售平台中的历史操作信息进行数据挖掘,体现了电子商务交易平台的特性。并且,由于采用了层级化的结构,因此,对于各个指标而言,只需要确定出对于其所隶属的上一级别指标的重要程度,并进行逐级的计算,而不需要进行跨级别的权重确定,效率更高,计算结果也更准确。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本申请所提供的确定业务对象品牌指数信息的方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本申请的限制。
Claims (20)
1.一种确定业务对象品牌指数信息的方法,其特征在于,包括:
预先确定用于刻画品牌指数的指标,所述指标包括N个层级,每个层级上包括至少一个指标,第n级指标通过至少一个第n+1级指标进行刻画;其中,n=1,2……N,N为大于1的正整数;
确定各个指标的权重,所述权重用于表示所述指标在刻画其所隶属的上一级指标时体现的相对重要程度;
根据用户的历史操作记录,确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值;
利用各个第N级指标上的量化值、权重以及各个第N级指标所隶属的第N-1级指标,确定各个第N-1级各个指标量化值,并按照该步骤的方式依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,确定该品牌的品牌指数。
2.根据权利要求1所述的方法,其特征在于,所述确定各个指标的权重,包括:
基于隶属于同一第n级指标的m个第n+1级指标,生成m×m的判断矩阵,所述判断矩阵中各个元素的取值通过以下方式确定:
将所述m个第n+1级指标的在刻画该第n级指标时体现的重要程度进行两两比对,根据比对结果的差异程度确定差异程度量化值,将所述两两比对得到的所述差异程度量化值,确定为所述判断矩阵中的各个元素;
计算所述判断矩阵的最大特征值以及该最大特征值对应的特征向量;
根据所述最大特征值对应的特征向量,确定所述m个第n+1级指标各自的权重。
3.根据权利要求2所述的方法,其特征在于,所述根据所述最大特征值对应的特征向量,确定所述m个第n+1级指标各自的权重,包括:
利用一致性指标、随机一致性指标和一致性比率,对所述判断矩阵进行一致性检验;
如果校验通过,则将所述最大特征值对应的特征向量中的各个分量值,确定为所述m个第n+1级指标各自的权重。
4.根据权利要求3所述的方法,其特征在于,还包括:
如果一致性校验未通过,则对所述判断矩阵进行调整。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据该统计值确定各个第N级指标的量化值,包括:
将所述统计值进行平滑以及归一化处理,得到所述第N级指标的量化值。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述N=2,其中,一级指标包括品牌认知、功能定位、品质认定、品牌购买以及品牌忠诚度中的部分或全部;
其中,
所述品牌认知通过以下部分或全部二级指标进行刻画:搜索次数、收藏次数以及浏览次数;
所述功能定位通过以下部分或全部二级指标进行刻画:业务对象数量、有无指定类型店铺、店铺数量;
所述品质认定通过以下部分或全部二级指标进行刻画:品牌价位、高评分的描述相符率以及退款投诉率;
所述品牌购买通过以下部分或全部二级指标进行刻画:成交笔数、成交额、转化率、热销度、客单价;
所述品牌忠诚度通过以下二级指标进行刻画:重复购买率。
7.根据权利要求1至4任一项所述的方法,其特征在于,还包括:
在向客户端提供业务对象列表信息时,根据所述品牌指数对提供的业务对象列表进行处理。
8.根据权利要求1至4任一项所述的方法,其特征在于,还包括:
根据各个品牌的品牌指数对品牌进行分层;
利用分层信息向客户端提供业务对象信息。
9.根据权利要求8所述的方法,其特征在于,所述根据各个品牌的品牌指数对品牌进行分层,包括:
将各个品牌的品牌指数进行排序;
根据排序结果生成散点图;
确定散点图中趋势线的斜率发生变化的目标点;
将所述目标点处的品牌指数值确定为分层的临界值,以便根据所述临界值对品牌进行分层。
10.根据权利要求8所述的方法,其特征在于,所述利用分层信息向客户端提供业务对象信息,包括:
提供用于选择品牌层次的操作选项;
根据所述操作选择确定被选中的目标层次后,提供该目标层次内的品牌的业务对象信息。
11.一种确定业务对象品牌指数信息的装置,其特征在于,包括:
指标确定单元,用于预先确定用于刻画品牌指数的指标,所述指标包括N个层级,每个层级上包括至少一个指标,第n级指标通过至少一个第n+1级指标进行刻画;其中,n=1,2……N,N为大于1的正整数;
指标权重确定单元,用于确定各个指标的权重,所述权重用于表示所述指标在刻画其所隶属的上一级指标时体现的相对重要程度;
指标量化值确定单元,用于根据用户的历史操作记录,确定同一品牌分别在各个第N级指标上的统计值,并根据该统计值确定各个第N级指标的量化值;
品牌指数确定单元,用于利用各个第N级指标上的量化值、权重以及各个第N级指标所隶属的第N-1级指标,确定各个第N-1级各个指标量化值,并按照该步骤的方式依次向上级指标进行逐层计算,直到计算出第1级各个指标的量化值时,利用各个第1级指标上的量化值、权重,确定该品牌的品牌指数。
12.根据权利要求11所述的装置,其特征在于,所述指标权重确定单元包括:
判断矩阵生成子单元,用于基于隶属于同一第n级指标的m个第n+1级指标,生成m×m的判断矩阵,所述判断矩阵中各个元素的取值通过以下方式确定:
将所述m个第n+1级指标的在刻画该第n级指标时体现的重要程度进行两两比对,根据比对结果的差异程度确定差异程度量化值,将所述两两比对得到的所述差异程度量化值,确定为所述判断矩阵中的各个元素;
计算子单元,用于计算所述判断矩阵的最大特征值以及该最大特征值对应的特征向量;
权重确定子单元,用于根据所述最大特征值对应的特征向量,确定所述m个第n+1级指标各自的权重。
13.根据权利要求12所述的装置,其特征在于,所述权重确定子单元包括:
一致性校验子单元,用于对所述判断矩阵进行一致性检验;
确定子单元,用于如果校验通过,则将所述最大特征值对应的特征向量中的各个分量值,确定为所述m个第n+1级指标各自的权重。
14.根据权利要求13所述的装置,其特征在于,还包括:
矩阵调整单元,用于如果一致性校验未通过,则对所述判断矩阵进行调整。
15.根据权利要求11至14任一项所述的装置,其特征在于,所述量化值确定单元具体用于:
将所述统计值进行平滑以及归一化处理,得到所述第N级指标的量化值。
16.根据权利要求11至14任一项所述的装置,其特征在于,所述N=2,其中,一级指标包括品牌认知、功能定位、品质认定、品牌购买以及品牌忠诚度中的部分或全部;
其中,
所述品牌认知通过以下部分或全部二级指标进行刻画:搜索次数、收藏次数以及浏览次数;
所述功能定位通过以下部分或全部二级指标进行刻画:业务对象数量、有无指定类型店铺、店铺数量;
所述品质认定通过以下部分或全部二级指标进行刻画:品牌价位、高评分的描述相符率以及退款投诉率;
所述品牌购买通过以下部分或全部二级指标进行刻画:成交笔数、成交额、转化率、热销度、客单价;
所述品牌忠诚度通过以下二级指标进行刻画:重复购买率。
17.根据权利要求11至14任一项所述的装置,其特征在于,还包括:
业务对象列表处理单元,用于在向客户端提供业务对象列表信息时,根据所述品牌指数对提供的业务对象列表进行处理。
18.根据权利要求11至14任一项所述的装置,其特征在于,还包括:
品牌分层单元,用于根据各个品牌的品牌指数对品牌进行分层;
信息提供单元,用于利用分层信息向客户端提供业务对象信息。
19.根据权利要求18所述的装置,其特征在于,所述品牌分层单元包括:
排序子单元,用于将各个品牌的品牌指数进行排序;
散点图生成子单元,用于根据排序结果生成散点图;
目标点确定子单元,用于确定散点图中趋势线的斜率发生变化的目标点;
临界值确定子单元,用于将所述目标点处的品牌指数值确定为分层的临界值,以便根据所述临界值对品牌进行分层。
20.根据权利要求18所述的装置,其特征在于,所述信息提供单元包括:
操作选项提供子单元,用于提供用于选择品牌层次的操作选项;
信息提供子单元,用于根据所述操作选择确定被选中的目标层次后,提供该目标层次内的品牌的业务对象信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510447140.8A CN106408306A (zh) | 2015-07-27 | 2015-07-27 | 确定业务对象品牌指数信息的方法及装置 |
PCT/CN2016/090285 WO2017016403A1 (zh) | 2015-07-27 | 2016-07-18 | 确定业务对象品牌指数信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510447140.8A CN106408306A (zh) | 2015-07-27 | 2015-07-27 | 确定业务对象品牌指数信息的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408306A true CN106408306A (zh) | 2017-02-15 |
Family
ID=57884118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510447140.8A Pending CN106408306A (zh) | 2015-07-27 | 2015-07-27 | 确定业务对象品牌指数信息的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106408306A (zh) |
WO (1) | WO2017016403A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808300A (zh) * | 2017-09-15 | 2018-03-16 | 安徽中瑞通信科技股份有限公司 | 一种基于无线领域营销平台的广告推送系统及推送方法 |
CN108564314A (zh) * | 2018-06-15 | 2018-09-21 | 杭州后博科技有限公司 | 一种出行时不同品牌共享单车的选择方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369300A (zh) * | 2020-03-13 | 2020-07-03 | 浙江师范大学 | 满意度评价方法、装置、计算机设备和可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100805297B1 (ko) * | 2006-07-07 | 2008-02-20 | 주식회사 동서리서치 | 브랜드의 자산가치평가 시스템 및 그 방법 |
CN104424572A (zh) * | 2013-08-28 | 2015-03-18 | 国家广播电影电视总局广播科学研究院 | 一种数字家庭购物商户信用评价方法 |
CN104123656A (zh) * | 2014-07-14 | 2014-10-29 | 广东省标准化研究院 | 一种基于层次分析法的信用评价方法 |
CN104732429A (zh) * | 2015-04-21 | 2015-06-24 | 上海商学院 | 综合消费者品牌偏好的修正哈弗模型 |
-
2015
- 2015-07-27 CN CN201510447140.8A patent/CN106408306A/zh active Pending
-
2016
- 2016-07-18 WO PCT/CN2016/090285 patent/WO2017016403A1/zh active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808300A (zh) * | 2017-09-15 | 2018-03-16 | 安徽中瑞通信科技股份有限公司 | 一种基于无线领域营销平台的广告推送系统及推送方法 |
CN108564314A (zh) * | 2018-06-15 | 2018-09-21 | 杭州后博科技有限公司 | 一种出行时不同品牌共享单车的选择方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2017016403A1 (zh) | 2017-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Onar et al. | A new hesitant fuzzy QFD approach: an application to computer workstation selection | |
Kabir et al. | Comparative Analysis Of TOPSIS and FUZZY TOPSIS for the Evaluation of Travel Website Service Quality. | |
Yu et al. | Rank B2C e-commerce websites in e-alliance based on AHP and fuzzy TOPSIS | |
Hu | Fuzzy multiple-criteria decision making in the determination of critical criteria for assessing service quality of travel websites | |
CN108920527A (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN104463548B (zh) | 一种多因素影响下的承运量化选择方法 | |
Alptekin et al. | Evaluation of websites quality using fuzzy TOPSIS method | |
CN106022869A (zh) | 一种消费对象的推荐方法及装置 | |
CN107895213A (zh) | 消费额度的预测方法、装置及电子设备 | |
Pratap et al. | Benchmarking sustainable E‐commerce enterprises based on evolving customer expectations amidst COVID‐19 pandemic | |
Ebrahimi | Smarterdeals: a context-aware deal recommendation system based on the smartercontext engine | |
Swarnakar et al. | Why generation Y prefers online shopping: a study of young customers of India | |
Toloo | A cost efficiency approach for strategic vendor selection problem under certain input prices assumption | |
Pandey et al. | A fuzzy decision making approach for analogy detection in new product forecasting | |
CN106408306A (zh) | 确定业务对象品牌指数信息的方法及装置 | |
CN111340522A (zh) | 资源推荐方法、装置、服务器及存储介质 | |
Erkamim et al. | Decision Support System Using a Combination of COPRAS and Rank Reciprocal Approaches to Select Accounting Software | |
Sahu et al. | Supply chain performance appraisement, benchmarking and decision-making: empirical study using grey theory and grey-MOORA | |
Kaur et al. | Key aspects to evaluate the performance of a commercial website | |
Manowan et al. | Using the AHP method to evaluate laundromat store location selection: a case study in Bangkok Metropolitan Region | |
Buglione et al. | QEST nD: n-dimensional extension and generalisation of a software performance measurement model | |
MacEachern | Measuring the added value of library and information services: the New Zealand approach | |
Alsharif et al. | Multi-dimensional e-commerce trust evaluation method | |
Mazumdar et al. | Multi-agent negotiation in B2C e-commerce based on data mining methods | |
Gutowska et al. | Modelling the B2C Marketplace: Evaluation of a Reputation Metric for e-commerce |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1233365 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1233365 Country of ref document: HK |