CN107563785A - 可智能调价的收益管理系统及智能调价方法 - Google Patents
可智能调价的收益管理系统及智能调价方法 Download PDFInfo
- Publication number
- CN107563785A CN107563785A CN201710578833.XA CN201710578833A CN107563785A CN 107563785 A CN107563785 A CN 107563785A CN 201710578833 A CN201710578833 A CN 201710578833A CN 107563785 A CN107563785 A CN 107563785A
- Authority
- CN
- China
- Prior art keywords
- play
- price adjustment
- movie theatre
- film
- price
- 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
Landscapes
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本发明公开了一种可智能调价的收益管理系统及智能调价方法,主要包含数据监控模块、智能调价模块、收益预测模块,方法包括订单数据清洗、初始化权重、训练、计算系数权重、调整系数权重、在运行的偏差范围内计算票据等步骤;本发明的优点在于:能够对影院场次票房实时监控,根据临开场时间、影片热度、影厅类型、市场均价、影院分类、影片分类等基础数据模型,对影院场次票价进行智能调整,以提高影院收益、降低运营成本。
Description
技术领域
本发明涉及一种收益管理系统,具体地说是一种可智能调价的收益管理系统及智能调价方法,属于收益管理系统领域。
背景技术
目前,由于在线购票的便捷性、高效性,越来越多的人选择通过互联网渠道购买电影票,然后到影院自助机取票观影。对于影院的经营方来讲,一方面希望通过互联网渠道为影院带来更多的观影人群、提高上座率;另一方面由于对互联网渠道进行票价调控主要依赖影院运营人员手动操作,效率低下且不具备完善的决策依据,存在运营成本高、运营效果不理想的问题。因此,为影院提供一套可精准智能调价的收益管理系统,帮助影院实现票房收益最大化、降低影院的运营成本显得迫在眉睫。现有的《鼎新影院电商营销平台》已经实现针对不同渠道设置不同的价格规则、活动规则、售卖规则,以及根据每个场次的影片制式、影厅类型、影厅区域、观影时段等条件设置不同的价格和售卖规则,目前系统中的定价是根据用户设置的价格规则,通过价格计算得到的固定的价格,完全通过人工的方式进行控制,需要运营人员有较丰富的行业经验和市场把控能力,对影院来说运营的成本较高,且效率较低。
发明内容
为了解决上述问题,本发明设计了一种可智能调价的收益管理系统及智能调价方法,能够对影院场次票房实时监控,根据临开场时间、影片热度、影厅类型、市场均价、影院分类、影片分类等基础数据模型,对影院场次票价进行智能调整,以提高影院收益、降低运营成本。
本发明的技术方案为:
可智能调价的收益管理系统,主要包含数据监控模块、智能调价模块、收益预测模块;
数据监控模块帮助影院全面地了解当前市场情况、附近影院的场次、深度分析本影院的场次票房数据,为智能调价提供了有力的决策依据,该模块包含场次票房监控、竞品票房分析、影片热度分析三大内容;
1.1场次票房监控涵盖了每个场次的当前上座率、临开场时间、场次放映时长、放映影片基本信息、场次是否启用了智能调价等维度的信息;
1.2竞品票房分析为影院提供了周边影院的场次信息,包括有多少相近场次、影片不同介质的票价分布情况、场次上座率情况等信息;其中,相近场次可理解为同一部影片存在多种不同的放映介质;
1.3影片热度分析提供了当前热映影片的实时票房、平均上座率统计信息,帮助影院追踪当前热映影片。
智能调价模块是基于对给定指标进行大量数据分析和机器学习后进行的无需人工干预的自动调价的行为,具有调价频率可控、调价幅度可控、调价范围可控、调价结果精准、适用范围可控等优点。
收益预测模块是机器学习系统基于对观影人次、影片类型、影片热度、上映时间、调价时间等综合因素进行建模分析的过程;通过对模型的数据指标进行量化分析,精准预测出观影人次是否会增长、票房是否会增长、上座率是否会增长。
一种基于上述动态建模和机器学习系统的智能调价方法,包括如下步骤:
(1)学习已有的订单数据,包括清洗历史订单数据,为机器学习做第一步准备,提供训练数据;
订单数据清洗过程包括剔除离群数据等;
机器学习的范围包括影片类型、影片介质、影片上映时间、影片热度、场次开场时间、历史票价等参数对票价的影响;
(2)通过非监督式学习过程,计算各因素中每个因子对票价影响的权重;
预设影院客观条件参数,主要包括:在使用智能调价之前,首先应当在系统内输入影院的基本信息,基本信息包括当前影院的集团品牌、地理位置、基础设施等;输入完成后,系统会根据影院的客观条件得出一个客观的评分系数;该系数用于将智能调价程序算出的最终价格进行加盐处理;当上述影院的客观条件发生变更后,评分系数会自动调整。
(3)智能调价程序的运算过程包括以下逻辑:从数据库查询所有启用了智能调价的场次;遍历这些场次,依次计算每个场次的最优票价:获取场次的影片类型、影片介质、影片上映时间、影片热度、场次开场时间、历史票价等信息,该信息维度与机器学习的维度相同;将机器学习得出的每个维度的权重应用到当前场次,得出一个最优票价,某个维度的信息缺失不影响智能调价程序的正常运行,缺失的信息维度会以默认值来计算;将计算出的最优票价与影院客观条件评分系数相乘,得出最终的最优票价;
(4)通过以上智能调价学习的过程,不断地给各个影响因素寻找最完美的权重系数,其中的学习方法包含以下步骤:通过历史订单总票房和总座位数,计算出平均票价;将平均票价除以影响票价的因素总数,得出每个因素平均所占的权重值;通过不断的对训练数据进行学习,逐步调整每一项因素的权重系数;
其中,影响票价的具体因素可分为以下类别:影片上映时间,临开场时间,售卖时间,影片介质,影片类型,影厅类型,影片演员票房号召力,影片导演票房号召力,周边竞品影院等。
(5)将影院的历史订单带入以上算法中,计算出每张票的实际价格与算法得出的最优价格的偏差;将所有的偏差平方后求和获得总计;将总计除以实际票张数,得到预期价格的平均偏差;不断计算新产生订单的偏离平均值;
当特定范围订单的偏离平均值低于系统当前的偏离平均值时,更新相应的调价系数和预计偏离平均值,将这些调价系数作为以后同类场次的调价系数;由以上计算方法可知,当调价系数不同权重组合越多;使用调价系数进行的调价结果最接近理想价格,带来的收益也最高;同时,收益预测系统的结果也将越来越精准。
本发明的优点在于:
1.动态调价:根据当前场次票价、临开场时间、影片类型、影厅类型、同地区同时段影片均价等模型,综合计算出当前场次最优价格,将价格调整为最优价;
2.风险控制:通过对大量数据的清洗分析,计算不同类型的场次的价格增降范围,避免调整后的价格过低或过高;
3.效能预测:场次启用动态调价后,可预测该场次最终达到的人次、票房、上座率,同不动态调价相比,每个指标能够增长的比率;
4.自我学习:通过每次的动态调价和效能预测,算法可快速学习,不断修正,最后达到越来越精准的价格调控和预测效果。
下面结合附图和实施例对本发明作进一步说明。
附图说明
图1为本发明实施例的智能调价流程图。
具体实施方式
以下对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
如图1所示,一种可智能调价的收益管理系统,主要包含数据监控模块、智能调价模块、收益预测模块;
数据监控模块帮助影院全面地了解当前市场情况、附近影院的场次、深度分析本影院的场次票房数据,为智能调价提供了有力的决策依据,该模块包含场次票房监控、竞品票房分析、影片热度分析三大内容;
1.1场次票房监控涵盖了每个场次的当前上座率、临开场时间、场次放映时长、放映影片基本信息、场次是否启用了智能调价等维度的信息;
1.2竞品票房分析为影院提供了周边影院的场次信息,包括有多少相近场次、影片不同介质的票价分布情况、场次上座率情况等信息;其中,相近场次可理解为同一部影片存在多种不同的放映介质;
1.3影片热度分析提供了当前热映影片的实时票房、平均上座率统计信息,帮助影院追踪当前热映影片。
智能调价模块是基于对给定指标进行大量数据分析和机器学习(非监督式学习)后进行的无需人工干预的自动调价的行为,具有调价频率可控、调价幅度可控、调价范围可控、调价结果精准、适用范围可控等优点。
收益预测模块是机器学习系统基于对观影人次、影片类型、影片热度、上映时间、调价时间等综合因素进行建模分析的过程;通过对模型的数据指标进行量化分析,精准预测出观影人次是否会增长、票房是否会增长、上座率是否会增长。
一种基于动态建模和机器学习(非监督式学习)系统的智能调价方法,包括如下步骤:
(1)学习已有的订单数据,包括清洗历史订单数据,为机器学习做第一步准备,提供训练数据;
订单数据清洗过程包括剔除离群数据等;
机器学习的范围包括影片类型(国产片、进口片等)、影片介质(2D、3D、IMAX等)、影片上映时间、影片热度、场次开场时间、历史票价等参数对票价的影响;
(2)通过非监督式学习过程,计算各因素中每个因子对票价影响的权重;
预设影院客观条件参数,主要包括:在使用智能调价之前,首先应当在系统内输入影院的基本信息,基本信息包括当前影院的集团品牌、地理位置(城市、区域)、基础设施等;输入完成后,系统会根据影院的客观条件得出一个客观的评分系数;该系数用于将智能调价程序算出的最终价格进行加盐处理;当上述影院的客观条件发生变更后,评分系数会自动调整。
(3)智能调价程序的运算过程包括以下逻辑:从数据库查询所有启用了智能调价的场次;遍历这些场次,依次计算每个场次的最优票价:获取场次的影片类型(国产片、进口片等)、影片介质(2D、3D、IMAX等)、影片上映时间、影片热度、场次开场时间、历史票价等信息,该信息维度与机器学习的维度相同;将机器学习得出的每个维度的权重应用到当前场次,得出一个最优票价,某个维度的信息缺失不影响智能调价程序的正常运行,缺失的信息维度会以默认值来计算;将计算出的最优票价与影院客观条件评分系数相乘,得出最终的最优票价;
(4)通过以上智能调价学习的过程,不断地给各个影响因素寻找最完美的权重系数,其中的学习方法包含以下步骤:通过历史订单总票房和总座位数,计算出平均票价;将平均票价除以影响票价的因素总数,得出每个因素平均所占的权重值;通过不断的对训练数据进行学习,逐步调整每一项因素的权重系数;
其中,影响票价的具体因素可分为以下类别:
影片上映时间,具体可分为:热映期(如寒暑假、春节档等);非热映期(平日、工作日);
临开场时间,具体可分为:临开场1天、临开场2小时 临开场1小时;
售卖时间,具体可分为:工作日(6点至17点之间、17点至22点之间、22点至次日6点之间);节假日(9点至15点之间、15点至23点之间、23点至次日9点之间);
影片介质,具体可分为:2D、3D、4D、IMAX2D、IMAX3D、中国巨幕2D、中国巨幕3D;
影片类型,具体可分为:进口片、国产片;
影厅类型,具体可分为:普通厅、特价厅、激光厅、中国巨幕厅、全景声厅、巨幕厅、VIP厅、IMAX厅、4D厅;
影片演员票房号召力,具体可分为:大热演员、普通演员、不知名演员;
影片导演票房号召力,具体可分为:大热导演、普通导演、不知名导演;
周边竞品影院,具体可分为:场次密度、相同影片的价格、临开场场次的上座率;
(5)将影院的历史订单带入以上算法中,计算出每张票的实际价格与算法得出的最优价格的偏差;将所有的偏差平方后求和获得总计;将总计除以实际票张数,得到预期价格的平均偏差;不断计算新产生订单的偏离平均值;
当特定范围订单的偏离平均值低于系统当前的偏离平均值时,更新相应的调价系数和预计偏离平均值,将这些调价系数作为以后同类场次的调价系数;由以上计算方法可知,当调价系数不同权重组合越多;使用调价系数进行的调价结果最接近理想价格,带来的收益也最高;同时,收益预测系统的结果也将越来越精准。
Claims (5)
1.可智能调价的收益管理系统,其特征在于:主要包含数据监控模块、智能调价模块、收益预测模块;
数据监控模块帮助影院全面地了解当前市场情况、附近影院的场次、深度分析本影院的场次票房数据,为智能调价提供了有力的决策依据;
智能调价模块是基于对给定指标进行大量数据分析和机器学习后进行的无需人工干预的自动调价的行为;
收益预测模块是机器学习系统基于对观影人次、影片类型、影片热度、上映时间、调价时间综合因素进行建模分析的过程;通过对模型的数据指标进行量化分析,精准预测出观影人次是否会增长、票房是否会增长、上座率是否会增长。
2.根据权利要求1所述的可智能调价的收益管理系统,其特征在于:所述数据监控模块包含场次票房监控、竞品票房分析、影片热度分析三大内容;
场次票房监控涵盖了每个场次的当前上座率、临开场时间、场次放映时长、放映影片基本信息、场次是否启用了智能调价维度的信息;
竞品票房分析为影院提供了周边影院的场次信息,包括有多少相近场次、影片不同介质的票价分布情况、场次上座率情况信息;其中,相近场次可理解为同一部影片存在多种不同的放映介质;
影片热度分析提供了当前热映影片的实时票房、平均上座率统计信息,帮助影院追踪当前热映影片。
3.一种基于权利要求1-2所述的可智能调价的收益管理系统的智能调价方法,包括如下步骤:
(1)学习已有的订单数据,包括清洗历史订单数据,为机器学习做第一步准备,提供训练数据;
订单数据清洗过程包括剔除离群数据;
(2)通过非监督式学习过程,计算各因素中每个因子对票价影响的权重;
预设影院客观条件参数,主要包括:在使用智能调价之前,首先应当在系统内输入影院的基本信息,基本信息包括当前影院的集团品牌、地理位置、基础设施;输入完成后,系统会根据影院的客观条件得出一个客观的评分系数;该系数用于将智能调价程序算出的最终价格进行加盐处理;当上述影院的客观条件发生变更后,评分系数会自动调整;
(3)智能调价程序的运算过程包括以下逻辑:从数据库查询所有启用了智能调价的场次;遍历这些场次,依次计算每个场次的最优票价:获取场次的影片类型、影片介质、影片上映时间、影片热度、场次开场时间、历史票价信息,该信息维度与机器学习的维度相同;将机器学习得出的每个维度的权重应用到当前场次,得出一个最优票价,某个维度的信息缺失不影响智能调价程序的正常运行,缺失的信息维度会以默认值来计算;将计算出的最优票价与影院客观条件评分系数相乘,得出最终的最优票价;
(4)通过以上智能调价学习的过程,不断地给各个影响因素寻找最完美的权重系数,其中的学习方法包含以下步骤:通过历史订单总票房和总座位数,计算出平均票价;将平均票价除以影响票价的因素总数,得出每个因素平均所占的权重值;通过不断的对训练数据进行学习,逐步调整每一项因素的权重系数;
(5)将影院的历史订单带入以上算法中,计算出每张票的实际价格与算法得出的最优价格的偏差;将所有的偏差平方后求和获得总计;将总计除以实际票张数,得到预期价格的平均偏差;不断计算新产生订单的偏离平均值;
当特定范围订单的偏离平均值低于系统当前的偏离平均值时,更新相应的调价系数和预计偏离平均值,将这些调价系数作为以后同类场次的调价系数;由以上计算方法可知,当调价系数不同权重组合越多;使用调价系数进行的调价结果最接近理想价格,带来的收益也最高;同时,收益预测系统的结果也将越来越精准。
4.根据权利要求3所述的智能调价方法,其特征在于:所述步骤(1)机器学习的范围包括影片类型、影片介质、影片上映时间、影片热度、场次开场时间、历史票价参数对票价的影响。
5.根据权利要求3所述的智能调价方法,其特征在于:所述步骤(4)影响票价的具体因素可分为以下类别:影片上映时间,临开场时间,售卖时间,影片介质,影片类型,影厅类型,影片演员票房号召力,影片导演票房号召力,周边竞品影院。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710578833.XA CN107563785A (zh) | 2017-07-17 | 2017-07-17 | 可智能调价的收益管理系统及智能调价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710578833.XA CN107563785A (zh) | 2017-07-17 | 2017-07-17 | 可智能调价的收益管理系统及智能调价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563785A true CN107563785A (zh) | 2018-01-09 |
Family
ID=60973618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710578833.XA Pending CN107563785A (zh) | 2017-07-17 | 2017-07-17 | 可智能调价的收益管理系统及智能调价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563785A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830635A (zh) * | 2018-04-26 | 2018-11-16 | 深圳马可孛罗科技有限公司 | 一种机票订单动态调价方法及系统 |
CN112036985A (zh) * | 2020-09-04 | 2020-12-04 | 烟台冰兔网络科技有限公司 | 一种电商经营的营销系统 |
CN116579796A (zh) * | 2023-05-11 | 2023-08-11 | 广州一小时科技有限公司 | 基于深度学习实现智慧门店的效益分析方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899652A (zh) * | 2015-06-01 | 2015-09-09 | 上海交通大学 | 综合数据交互下的文化演艺运营平台决策支持系统 |
CN105184375A (zh) * | 2015-10-09 | 2015-12-23 | 中国传媒大学 | 基于大数据的全产业链的电影评价方法及系统 |
-
2017
- 2017-07-17 CN CN201710578833.XA patent/CN107563785A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899652A (zh) * | 2015-06-01 | 2015-09-09 | 上海交通大学 | 综合数据交互下的文化演艺运营平台决策支持系统 |
CN105184375A (zh) * | 2015-10-09 | 2015-12-23 | 中国传媒大学 | 基于大数据的全产业链的电影评价方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830635A (zh) * | 2018-04-26 | 2018-11-16 | 深圳马可孛罗科技有限公司 | 一种机票订单动态调价方法及系统 |
CN112036985A (zh) * | 2020-09-04 | 2020-12-04 | 烟台冰兔网络科技有限公司 | 一种电商经营的营销系统 |
CN116579796A (zh) * | 2023-05-11 | 2023-08-11 | 广州一小时科技有限公司 | 基于深度学习实现智慧门店的效益分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schweiger et al. | Active consumer participation in smart energy systems | |
Hong et al. | Probabilistic energy forecasting: Global energy forecasting competition 2014 and beyond | |
Khorasany et al. | Transactive energy market for energy management in microgrids: The monash microgrid case study | |
Biethahn et al. | Evolutionary algorithms in management applications | |
Ma et al. | Demand response for ancillary services | |
Afshari et al. | Life-cycle analysis of building retrofits at the urban scale—a case study in United Arab Emirates | |
Henderson et al. | Handbook of regional and urban economics: cities and geography | |
Yang et al. | Contract design in reverse recycling supply chain with waste cooking oil under asymmetric cost information | |
CN107563785A (zh) | 可智能调价的收益管理系统及智能调价方法 | |
Murimi et al. | Application of revenue management practices in star-rated hotels in Kenya | |
Wang et al. | Interpretable multi-modal stacking-based ensemble learning method for real estate appraisal | |
Karthik et al. | OELF: short term load forecasting for an optimal electrical load forecasting using hybrid whale optimization based convolutional neural network | |
Barbero et al. | Demand response approaches in a research project versus a real business | |
Binyet et al. | Potential of demand response for power reallocation, a literature review | |
CN116485445A (zh) | 基于数据自动采集处理的新能源电力现货交易辅助系统 | |
Nandakumar et al. | Impact of increased renewables on natural gas markets in eastern United States | |
Buzási et al. | Adaptive planning for reducing negative impacts of climate change in case of hungarian cities | |
Hesam et al. | Affecting Factors on Rural Tourism Investment Analyzed through Grounded Theory: The Case of the Villages of Larijan District, Amol, Iran | |
Filipova et al. | Small-scale embedded generation in South Africa | |
Ha et al. | Option-games on infrastructure investment in Vietnam: Focused on Smart City project | |
Nepal et al. | A Hybrid Model of Clustering and Neural Network Using Weather Conditions for Energy Management in Buildings | |
Becchio et al. | Energy Audit and Multi-criteria Decision Analysis to Identify Sustainable Strategies in the University Campuses: Application to Politecnico di Torino | |
EP3965049A1 (en) | Information processing apparatus, information processing method, information processing system, and computer program | |
Bottieau et al. | Machine Learning for Risk-Aware Decision-Making in Short-Term Electricity Markets | |
Tupėnaitė | Multiple criteria assessment of the built and human environment renovation projects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
RJ01 | Rejection of invention patent application after publication |