CN108256917A - 优惠券核销量、成交总额、成本的预测方法 - Google Patents

Abstract

本发明公开了一种营销活动优惠券核销量的预测方法，包括：选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。运营人员凭主观因素制定的营销策略不合理，对营销活动的效果预测不准确的问题。

Description

优惠券核销量、成交总额、成本的预测方法

技术领域

本申请涉及数据处理技术领域，具体涉及一种营销活动优惠券核销量、成交总额、成本的预测方法

背景技术

为了吸引顾客、提高销售额，电商或实体店商家都会不定期的举行各种促销活动，例如，打折促销、满减活动、消费送券等活动来吸引顾客到店消费，通常促销活动会带来一定的客流量和销售额，但是这种促销活动的效果都是在活动结束后才能够得知，到底促销活动的力度多大才合适，哪种促销活动的效果更好。如果活动的力度太小，带来的客流量和销售额就不明显，如果活动的力度太大，成本就会大大提高，往往销量上去了，但是利润并不可观。

现有的促销活动往往都是商家参考历史活动的数据进行适当调整，对营销活动的这些调整往往都是营销活动的运营人员凭经验来制定，导致营销人员凭主观因素制定的营销策略不合理，对营销活动的效果预测不准确。

发明内容

本申请提供一种营销活动优惠券核销量的预测方法，以解决现有技术下，营销人员凭主观因素制定的营销策略不合理，对营销活动的效果预测不准确的问题。

本申请提供了一种营销活动优惠券核销量的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

优选的，所述根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，至少包括下述任一维度：位置、类别、日均笔数、笔单价、门店所属ID。

优选的，所述设定的门店相似度排序方法，包括：

根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述核销率因子通过如下公式获得：

核销率因子等于各个相似门店的历史营销活动优惠券的核销量除以满足消费门槛的订单数。

优选的，使用所述核销率因子对所述目标门店的优惠券核销量的第一预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第二预估值；该目标门店的优惠券核销量的第二预估值等于所述目标门店优惠券核销量的第一预估值乘以核销率因子。

优选的，还包括：根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子；使用所述活动时长调节因子对所述目标门店优惠券核销量的第二预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第三预估值；该目标门店的优惠券核销量的第三预估值等于所述目标门店优惠券核销量的第二预估值乘以活动时长调节因子。

优选的，所述活动时长调节因子，通过如下公式获得：

活动时长调节因子等于各个门店的历史营销活动每天首次购买订单数除以每天复购订单数。

优选的，还包括：加入构建的折扣率因子对所述第三预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第四预估值；该目标门店的优惠券核销量的第四预估值等于所述目标门店优惠券核销量的第三预估值乘以折扣率因子。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

优选的，所述折扣率＝0.85，b＝0.3，折扣率因子＝0.973767。

本申请提供了一种营销活动成交总额的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值；

根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况及单价-订单总金额分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。根据所述单价-订单总金额分布情况，获得到各个金额阈值上的订单总金额；根据各个金额阈值上的订总金额及消费门槛确定目标门店满足消费门槛的订单总金额。

优选的，所述根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，至少包括下述任一维度：位置、类别、日均笔数、笔单价、门店所属ID。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述核销率因子通过如下公式获得：

核销率因子等于各个相似门店的历史营销活动优惠券的核销量除以满足消费门槛的订单数。

优选的，使用所述核销率因子对所述目标门店成交总额的第一预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第二预估值：

该目标门店的成交总额的第二预估值等于所述目标门店成交总额的第一预估值乘以核销率因子。

优选的，还包括：根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子；使用所述活动时长调节因子对所述目标门店成交总额的第二预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第三预估值；该目标门店的成交总额的第三预估值等于所述目标门店成交总额的第二预估值乘以活动时长调节因子。

优选的，所述活动时长调节因子，通过如下公式获得：

活动时长调节因子等于各个门店的历史营销活动每天首次购买订单数除以每天复购订单数。

优选的，还包括：加入构建的折扣率因子对所述第三预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第四预估值；该目标门店的成交总额的第四预估值等于所述目标门店成交总额的第三预估值乘以折扣率因子。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

优选的，所述折扣率＝0.85，b＝0.3，折扣率因子＝0.973767。

本申请提供了一种营销活动成本的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值；

根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

优选的，所述根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，至少包括下述任一维度：位置、类别、日均笔数、笔单价、门店所属ID。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值等于所述优惠券面额乘以优惠券核销量的第一预估值。

优选的，所述核销率因子通过如下公式获得：

核销率因子等于各个相似门店的历史营销活动优惠券的核销量除以满足消费门槛的订单数。

优选的，还包括：根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子；使用所述活动时长调节因子对所述目标门店成本的第二预估值进行调节，采用下述调节公式，获得所述目标门店成本的第三预估值；该目标门店的成本的第三预估值等于所述目标门店成本的第二预估值乘以活动时长调节因子。

优选的，所述活动时长调节因子，通过如下公式获得：

活动时长调节因子等于各个门店的历史营销活动每天首次购买订单数除以每天复购订单数。

优选的，还包括：加入构建的折扣率因子对所述第三预估值进行调节，采用下述调节公式，获得所述目标门店成本的第四预估值；成本的第四预估值等于所述成本的第三预估值乘以折扣率因子。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

优选的，所述折扣率＝0.85，b＝0.3，折扣率因子＝0.973767。

本申请提供了一种营销活动优惠券核销量的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述活动时长调节因子通过如下公式获得：

活动时长调节因子等于各个相似门店的历史营销活动每天首次购买的订单数除以每天复购订单数。

优选的，使用所述活动时长调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第二预估值；

该目标门店的优惠券核销量的第二预估值等于所述目标门店优惠券核销量的第一预估值乘以活动时长调节因子。

优选的，还包括：加入构建的折扣率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第三预估值；该目标门店的优惠券核销量的第三预估值等于所述目标门店优惠券核销量的第二预估值乘以折扣率因子。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

本申请提供了一种营销活动成交总额的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值；

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况及单价-订单总金额分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。根据所述单价-订单总金额分布情况，获得到各个金额阈值上的订单总金额；根据各个金额阈值上的订总金额及消费门槛确定目标门店满足消费门槛的订单总金额。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述活动时长调节因子通过如下公式获得：

活动时长调节因子等于各个相似门店的历史营销活动每天首次购买的订单数除以每天复购订单数。

优选的，使用所述活动时长调节因子对所述目标门店成交总额的第一预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第二预估值：

该目标门店的成交总额的第二预估值等于所述目标门店成交总额的第一预估值乘以活动时长调节因子。

优选的，还包括：加入构建的折扣率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第三预估值；该目标门店的成交总额的第三预估值等于所述目标门店成交总额的第二预估值乘以折扣率因子。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

本申请提供了一种营销活动成本的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值；

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值等于所述优惠券面额乘以优惠券核销量的第一预估值。

优选的，所述活动时长调节因子通过如下公式获得：

活动时长调节因子等于各个相似门店的历史营销活动每天首次购买的订单数除以每天复购订单数。

优选的，使用所述活动时长调节因子对所述目标门店成本的第一预估值进行调节，采用下述调节公式，获得所述目标门店成本的第二预估值：

该目标门店的成本的第二预估值等于所述目标门店成本的第一预估值乘以活动时长调节因子。

优选的，还包括：加入构建的折扣率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成本的第三预估值；成本的第三预估值等于所述成本的第二预估值乘以折扣率因子。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

本申请提供了一种营销活动优惠券核销量的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

使用折扣率调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

优选的，使用所述折扣率调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第二预估值；

该目标门店的优惠券核销量的第二预估值等于所述目标门店优惠券核销量的第一预估值乘以折扣率调节因子。

优选的，还包括：加入构建的优惠券核销率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第三预估值；该目标门店的优惠券核销量的第三预估值等于所述目标门店优惠券核销量的第二预估值乘以核销率因子。

优选的，所述优惠券核销率因子通过如下公式获得：

核销率因子等于各个相似门店的历史营销活动优惠券的核销量除以满足消费门槛的订单数。

本申请提供了一种营销活动成交总额的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值；

使用折扣率调节因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况及单价-订单总金额分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。根据所述单价-订单总金额分布情况，获得到各个金额阈值上的订单总金额；根据各个金额阈值上的订总金额及消费门槛确定目标门店满足消费门槛的订单总金额。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

优选的，使用所述折扣率调节因子对所述目标门店成交总额的第一预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第二预估值：

该目标门店的成交总额的第二预估值等于所述目标门店成交总额的第一预估值乘以折扣率调节因子。

优选的，还包括：加入构建的优惠券核销率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第三预估值；该目标门店的成交总额的第三预估值等于所述目标门店成交总额的第二预估值乘以核销率因子。

优选的，所述优惠券核销率因子通过如下公式获得：

核销率因子等于各个相似门店的历史营销活动优惠券的核销量除以满足消费门槛的订单数。

本申请提供了一种营销活动成本的预测方法，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值；

使用折扣率调节因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

优选的，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

优选的，所述设定的门店相似度排序方法，包括：根据预设条件筛选出所述目标门店的候选相似门店；根据所述候选相似门店各维度特征值，各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。

优选的，所述根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值等于所述优惠券面额乘以优惠券核销量的第一预估值。

优选的，所述折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

优选的，使用所述折扣率调节因子对所述目标门店成本的第一预估值进行调节，采用下述调节公式，获得所述目标门店成本的第二预估值：

该目标门店的成本的第二预估值等于所述目标门店成本的第一预估值乘以折扣率调节因子。

优选的，还包括：加入构建的优惠券核销量因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成本的第三预估值；成本的第三预估值等于所述成本的第二预估值乘以核销量因子。

优选的，所述优惠券核销率因子通过如下公式获得：

核销率因子等于各个相似门店的历史营销活动优惠券的核销量除以满足消费门槛的订单数。

与现有技术相比，本申请提供的营销活动销售数据的预测方法，根据KNN模型获取相似商家的历史销售数据，确定营销活动的消费门槛，优惠券面额，从而更合理的确定了活动的折扣率，不仅减少了运营人员的工作量，还使营销活动更加合理，加入了调节因子，使预测的营销活动的效果更加接近于真实的效果，避免了运营人员凭主观因素制定的营销策略不合理，对营销活动的效果预测不准确的问题。

附图说明

图1是本申请第一实施例提供的营销活动优惠券核销量的预测方法示意图；

图2是本申请第二实施例提供的营销活动成交总额的预测方法示意图；

图3是本申请第三实施例提供的营销活动成本的预测方法示意图；

图4是本申请提供的消费送营销活动活动时长调节因子的曲线图；

图5是本申请第四实施例提供的营销活动优惠券核销量的预测方法示意图；

图6是本申请第五实施例提供的营销活动成交总额的预测方法示意图；

图7是本申请第六实施例提供的营销活动成本的预测方法示意图；

图8是本申请第七实施例提供的营销活动优惠券核销量的预测方法示意图；

图9是本申请第八实施例提供的营销活动成交总额的预测方法示意图；

图10是本申请第九实施例提供的营销活动成本的预测方法示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

请参看图1，图1为本申请提供的一种营销活动优惠券核销量的预测方法。

步骤S101，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值。

本步骤用于在预测目标门店营销活动优惠券的核销量时，首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动优惠券核销量的第一预估值。

所述优惠券的核销量，是指，在满减、每满减、消费送等营销活动中所发的优惠券被线下交易中使用的数量。例如，在快餐店的满减活中，快餐店发放了一种消费满50减5的优惠券，消费者领取了该优惠券，当消费者到店消费时，共花费了60元，这时候消费者就使用该消费券抵扣了5元，那么在快餐店的营销活动中，优惠券的核销量就加1。每满减活动是指，消费者每满足一定消费金额，就可使用一张消费券抵扣一定金额，例如，快餐店发放了一种每消费满50减5的优惠券，当消费者消费100元时，就可以使用两张5元的优惠券，消费满150元，就可以使用三张5元的优惠券。消费送活动是指，在消费活动结束后才可获得一定金额的优惠券，再例如，快餐店发放了一种消费送优惠券，在消费者结帐时，赠送一张消费满50减5的优惠券，当消费者再次到店消费时，消费满50元时，就可使用这张优惠券。

在查找与目标门店相似门店时，根据KNN算法模型确定相似门店的模型特征，KNN(k-Nearest Neighbor)算法模型，即邻近算法，或者说K最近邻分类算法，是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。在这里，使用KNN算法首先确定相似门店的两个基本模型特征，包括距离上是同一城市，分类上属于同一类型，例如肯德基是西式快餐，在类型上相似的门店有麦当劳、汉堡王、必胜客等。根据这两个基本模型特征获得所有符合基本特征的候选门店集合，在获得候选门店集合后，对所有候选门店进行分档，根据KNN算法从一个或多个维度创建分档的优先极，优先级的排序依次为该目标门店本身、日均笔数相似(<＝1.5)、笔单价相似(高笔单价/低笔单价<＝1.5)、同属一个集团、距离上少于300米、距离上少于500米、距离上少于1000米等，然后根据优先级的排序依次召回相似门店，首先召回的相似门店是该目标门店本身，可视为自已和自己最相似，然后再根据日均消费笔数，召回日均消费笔数相似的门店，具体计算方法如下，相似门店日均消费笔数/目标门店日均消费笔数<＝1.5，接着再召回每笔单价相似的门店，具体计算方法如下，相似门店的最高笔单价/最低笔单价<＝1.5，接着再召回属于同一集团下的相似门店，例如，肯德基和必胜客就属于同一集团，然后再根据与目标门店的距离远近依次进行相似门店的召回，在满足两个基本特征的候选门店中，对相似门店进行分档，是为了在对相似门店进行召回的时候，可以优先召回更相似的门店，优先考虑更相似门店的历史数据，有助于相似门店模型精度的提高。根据上述获取相似门店模型的方法，在实际操作中的步骤如下，例如，目标门店是一家连锁的西式快餐店，根据KNN算法模型，首先获得同一城市内，属于同一类别即西式快餐的所有门店集合，在所有门店集合中，对门店进行分档，首先确认的相似门店是自己，排在相似度的第一位，然后再确认日均消费笔数相似的门店，排在相似度的第二位，确认完日均消费笔数据相似的门店后，再确认每笔单价相似的门店，排在相似度的第三位，根据这种方法依次确认门店所属商家ID即属于同一集团的门店，排在相似度的第四位，距离300米的相似度排在第五位，距离500米的相似度排六位，其他距离不在例举，在将找到的相似门店根据相似程度排序完成后，取相似度最高的几家门店，例如10家，做为与目标门店的相似门店。

在获取到与目标门店的相似门店后，提取相似门店的在历史时间段内的营销数据，历史时间段可以取过去35-5天前，统计的时间段选择在过去35-5天，是因为要与预测时间段的星期几对齐，这样预测效果会更精准。另外30天的历史数据足够代表相对准确的历史营销数据模型，而35是7的整数倍，正好抵消掉由于星期的不同导致的天然误差。销售数据包括在历史时间段内每天的订单数量、每笔消费金额、每天的销售总额，还包括相似门店历史营销活动的的营销数据。

虽然大多时候都能获取到相似门店的历史数据，但是有时也会有例外，例如，新开的一家快餐店，获取不到自己的历史营销数据，而最相似的10家门店也是新开的，也不能获取到历史营销数据，在不能获取到历史营销数据时，就需要采用另外一种方法兜底策略来获取历史营销数据，所谓兜底策略，就是取全国相似门店的各项历史营销数据平均值，例如，目标门店是一家西式快餐店，在没有获取到相似门店的历史营销数据的情况下，启用兜底策略，取全国西餐门店的各项历史营销数据的平均值，如果在全国西餐门店的历史营销数据都不能获取的情况下，只能取全国餐饮行业的的各项历史营销数据的平均值。兜底策略的启用只是在极少的情况下，一般情况下，都能够获取到相似门店的历史数据。

接下来对获取到的相似门店的历史营销数据进行统计，根据历史营销数据的客单价-订单数据分布情况，统计出历史时间段内每天每家门店各个金额阀值之上的订单数，具体方法如下。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。金额阈值的设定与目标门店的客单价密切相关，在上述例子中，为了获取到的优惠券消费门槛更为精确，也可以将金额阈值设定为5元，而在一些客单价较高的餐厅，例如，客单价可以达到1000元，如果再将金额阈值定为10元，就会产生很多金额阈值区间，数据统计起来就会变得非常繁琐，而且统计出的数据的实用性也就降低了，所以可以将消费金额阈值提高到50元、或者100元。如此可以看出，消费金额阈值可以根据客单价进行确定。

在上面所举的例子中，根据客单价-订单数分布数据，得到了满足优惠券的消费门槛，消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数，这个数值即为在满减，每满减活动中的平均每天每家门店满足消费门槛订单数量，也为满减和每满减活动中目标门店满足门槛订单数的预估值；而针对消费送活动，统计的是历史销售数据中，平均每天每家门店在复购时使用满足消费门槛的订单数量，也就可以作为消费送活动中目标门店满足门槛订单数的预估值。而且是根据KNN算法获取的相似门店在历史营销数据中满足优惠券门槛的订单数，所以可以将其作为目标门店优惠券的核销量的第一预估值。

步骤S102，根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的预估值。

本步骤用于，在历史数据中获得的所述目标门店的优惠券核销量的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对优惠券核销量的第一预估值进行调节，使预测的所述目标门店优惠券核销量更接近于实际结果。

在实际消费活动中，不是满足了消费门槛，所有顾客都会使用优惠券，例如，有些顾客并不知道门店正在搞营销活动，所以在消费时不会使用优惠券，还有一种情况就是，优惠券都是有消费时间限制的，顾客在领取了消费券后，一直没有进行消费，直至优惠券过期，这些现象在消费送活动中比较常见，所以在实际消费中需将这两种情况考虑进去，否则会影响营销活动预测的效果。通过计算各个相似门店的历史数据中实际使用优惠券消费的订单数即历史营销活动优惠券的核销量与满足消费门槛的订单数的比值得到优惠券的核销率因子，具体公式为：核销率因子＝各个门店历史营销活动优惠券的核销量/满足消费门槛的订单数。

接下来就使用优惠券的核销率因子对该目标门店优惠券核销量的第一预估值进行调节，以弥补优惠券核销率对优惠券核销量预估值引起的偏差，将经过核销率因子调节后得到的该目标门店优惠券核销量的预估值作为该目标门店优惠券核销量的第二预估值。

其采用的调节公式为：该目标门店优惠券核销量的第二预估值＝该目标门店优惠券核销量的第一预估值*核销率因子，此时得到的该目标门店优惠券核销量的第二预估值通过核销率因子的调节，与实际消费产生的优惠券核销量的偏差缩小了，但对目标门店优惠券核销量产生影响的因子不只是只有优惠券的核销率，还有其他因子，只加入了核销率因子进行调节后得到的该目标门店优惠券核销量的第二预估值，与实际营销活动的效果还存在较大偏差，所以接下来还需要加入其他因子进行调节。

一个营销活动能带来多少的消费额，多少的订单，显然与活动时长成正相关，所述正相关是指，正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。针对满减和每满减的营销活动，消费额、订单量与活动时长在短期内近似线性，即20天的消费总额是10天的两倍，由于满减和每满减的营销活动只是统计的首次消费，所以如果营销活动是长期活动，那么就会受一些客观因素的影响，包括季节性、节假日等。例如一家处于北方的冰淇淋店，搞了一个长期的营销活动，在活动中，他的消费额、订单量和活动时长的关系就会稍微偏离线性关系，因为受季节性的影响。再例如一些度假休闲类的长期营销活动，肯定会受到诸如十一黄金周、春节黄金周等节假日的影响，所以消费额、订单量与活动时长的关系就会稍微偏离线性关系。而针对消费送活动，由于统计的是二次消费，所以受复购周期的影响，刚开始营销活动带的的消费额和订单量会有一段时间为零，请参看图4，图4是本申请提供的消费送营销活动活动时长调节因子的曲线图，从该曲线图可以看出短期内订单数基本为0，后续曲线慢慢上扬，长期来看近似线性。

在消费额、订单量与活动时长的正相关的情况下，长期活动受客观因素影响，使用消费额、订单量与活动时长稍微偏线性关系，这时需要加入活动时长调节因子，使它们之间的关系趋于线性关系，且更接近于真实的营销活动，活动时长调节因子的获取，首先根据目标门店的所属类型，获得所属类型的上一级分类的所有门店在过去90天每天首次和复购订单数比例，所述所属类型的上一级分类，是指，例如目标门店一家西式快餐店，那么它的上一及分类就是快餐，快餐包括西式快餐和中式快餐。然后根据活动时长，得到对应活动时长的首次和复购订单数的比例，即为活动时长调节因子。通过这种方法，得到了90天对应的活动时长调节因子，因为所取的历史数据是90天，所以就得到了活动时长90天对应的活动时长调节因子，而对于大于90天的营销活动，活动时长调节因子的获取，就是根据过去60天至90天的活动时长调节因子的数据延长线获取即可。通过这种方法，就可以获取到任意活动时长的营销活动的活动时长调节因子，这种方法的活动时长调节因子适用于满减、每满减活动还适用于满减、每满减活动与消费送活动并存的情况。

从上述活动时长调节因子的产生来看，目标门店优惠券的核销量的预估值除了受核销率的影响外，同时还受到了活动时长的影响，所以需加入活动时长调节因子进行调节，接下来就使用的活动时长调节因子对该目标门店优惠券核销量的第二预估值进行调节，以弥补活动时长对优惠券核销量预估值引起的偏差，将经过活动时长调节因子调节后得到的该目标门店优惠券核销量的预估值作为该目标门店优惠券核销量的第三预估值，其采用的调节公式为：该目标门店优惠券核销量的第三预估值＝该目标门店优惠券核销量的第二预估值*活动时长调节因子。

而对于消费送活动，因为统计的是复购，所以活动开始的短期内，使用优惠券消费的订单数基本为0，故短期内的活动时长调节因子也为0，根据优惠券的核销量公式得到短期内的优惠券核销量也为0，实际中，消费送的营销活动不可能只维持几天，所以这种情况非常少见。消费送活动的活动时长因子的曲线图如图4所示，其中横轴为天数，曲线为对应天数的活动时长因子，可以看出活动刚开始的几天，活动时长调节因子几乎为0，而后曲线慢慢上扬，长期看来近似线性。消费送活动的活动时长因子可以通过延长曲线，得到更长活动时间的活动时长因子。

除了优惠券的核销率因子和活动时长因子对目标门店优惠券的核销量产生影响外，还有一个特别重要的因子对优惠券的核销量产生影响，那就是折扣率因子。通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

下面是将折扣率每提高0.05时，通过上面的公式计算得出对应的折扣率因子，左面是折扣率，右面是折扣率因子：

discount:0.000000,score:1.492781

discount:0.050000,score:1.476210

discount:0.100000,score:1.458745

discount:0.150000,score:1.440292

discount:0.200000,score:1.420740

discount:0.250000,score:1.399960

discount:0.300000,score:1.377798

discount:0.350000,score:1.354071

discount:0.400000,score:1.328553

discount:0.450000,score:1.300968

discount:0.500000,score:1.270968

discount:0.550000,score:1.238108

discount:0.600000,score:1.201803

discount:0.650000,score:1.161262

discount:0.700000,score:1.115373

discount:0.750000,score:1.062488

discount:0.800000,score:1.000000

discount:0.850000,score:0.973767

discount:0.900000,score:0.937195

discount:0.950000,score:0.876495

discount:1.000000,score:0.000000

从上面的数据可以看出，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店优惠券核销量的第三预估值进行调节，以弥补优惠券折扣率对目标门店优惠券核销量预估值引起的偏差，将经过折扣率因子调节后得到目标门店优惠券核销量的预估值作为目标门店优惠券核销量的第四预估值。其采用的调节公式为：该目标门店优惠券核销量的第四预估值＝该目标门店优惠券核销量的第三预估值*折扣率因子。

在本步骤中，目标门店优惠券核销量的第一预估值通过优惠券核销量因子、活动时长调节因子以及折扣率因子的调节，得到了目标门店优惠券核销量的第四预估值，弥补了优惠券核销率、活动时长、折扣率对优惠券核销量预估值引起的偏差，使营销活动的预测更为准确。

本申请同时提供了一种营销活动成交总额的预测方法，请参看图2，图2为本申请提供的一种营销活动成交总额的预测方法。

步骤S201，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值。

本步骤用于，在预测目标门营销活动成交总额时，首先获取首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动成交总额的第一预估值。

所述成交总额，是指，在满减、每满减、消费送等营销活动中使用所发的优惠券进行消费，产生的订单总金额。包括使用优惠券减免的金额。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。获取相似门店的算法在第一实施例中已有详细说明，在这里就不再重复。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。金额阈值的设定的第一实施例中有更详细的说明，在这里就不再重复。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数。在不能获取到相似门店的历史数据时，采用兜底策略，采用兜底策略获得历史数据的过程在第一实施例中已详细说明，在此就不再重复。

接下来统计相似门店历史营销数据的客单价-成交总额分布情况，根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。然后对这10个相似门店在过去35-5天内的历史销售数据的客单价-订单总金额分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单总金额，例如，10元以上3000元，20元以上2500元，30元以上1500元，40元以上600，50元以上0元。再根据上述所举订单价-订单数量分布情况的例子中，确认的消费门槛为30元，所以在本步骤中就根据该消费门槛确认满足该消费门槛30元之上的成交总额就为目标门店成交总额的第一预估值。

步骤S202，根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

本步骤用于，在历史数据中获得的所述目标门店成交总额的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对成交总额的第一预估值进行调节，使预测的所述目标门店成交总额更接近于实际结果。

在实际消费活动中，不是满足了消费门槛，所有顾客都会使用优惠券，例如，有些顾客并不知道门店正在搞营销活动，所以在消费时不会使用优惠券，还有一种情况就是，优惠券都是有消费时间限制的，顾客在领取了消费券后，一直没有进行消费，直至优惠券过期，这些现象在消费送活动中比较常见，所以在实际消费中需将这两种情况考虑进去，否则会影响营销活动预测的效果。通过计算各个相似门店的历史数据中实际使用优惠券消费的订单数即历史营销活动优惠券的核销量与满足消费门槛的订单数的比值得到优惠券的核销率因子，具体公式为：核销率因子＝各个门店历史营销活动优惠券的核销量/满足消费门槛的订单数。

接下来就使用优惠券的核销率因子对该目标门店成交总额的第一预估值进行调节，以弥补优惠券核销率对成交总额预估值引起的偏差，将经过核销率因子调节后得到的该目标门店成交总额的预估值作为该目标门店成交总额的第二预估值。其采用的调节公式为：该目标门店成交总额的第二预估值＝该目标门店成交总额的第一预估值*核销率因子，此时得到的该目标门店成交总额的第二预估值通过核销率因子的调节，与实际消费产生的成交总额的偏差缩小了，但对目标门店成交总额产生影响的因子不只是只有优惠券的核销率，还有其他因子，只加入了核销率因子进行调节后得到的该目标门店成交总额的第二预估值，与实际营销活动的效果还存在较大偏差，所以接下来还需要加入其他因子进行调节。

一个营销活动能带来多少的消费额，多少的订单，显然与活动时长成正相关，所述正相关是指，正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。针对满减和每满减的营销活动，消费额、订单量与活动时长在短期内近似线性，即20天的消费总额是10天的两倍，由于满减和每满减的营销活动只是统计的首次消费，所以如果营销活动是长期活动，那么就会受一些客观因素的影响，包括季节性、节假日等。例如一家处于北方的冰淇淋店，搞了一个长期的营销活动，在活动中，他的消费额、订单量和活动时长的关系就会稍微偏离线性关系，因为受季节性的影响。再例如一些度假休闲类的长期营销活动，肯定会受到诸如十一黄金周、春节黄金周等节假日的影响，所以消费额、订单量与活动时长的关系就会稍微偏离线性关系。而针对消费送活动，由于统计的是二次消费，所以受复购周期的影响，刚开始营销活动带的的消费额和订单量会有一段时间为零，请参看图4，图4是本申请提供的消费送营销活动活动时长调节因子的曲线图，从该曲线图可以看出短期内订单数基本为0，后续曲线慢慢上扬，长期来看近似线性。

在消费额、订单量与活动时长的正相关的情况下，长期活动受客观因素影响，使用消费额、订单量与活动时长稍微偏线性关系，这时需要加入活动时长调节因子，使它们之间的关系趋于线性关系，且更接近于真实的营销活动。活动时长调节因子的获取，首先根据目标门店的所属类型，获得所属类型的上一级分类的所有门店在过去90天每天首次和复购订单数比例，所述所属类型的上一级分类，是指，例如目标门店一家西式快餐店，那么它的上一及分类就是快餐，快餐包括西式快餐和中式快餐。然后根据活动时长，得到对应活动时长的首次和复购订单数的比例，即为活动时长调节因子。通过这种方法，得到了90天对应的活动时长调节因子，因为所取的历史数据是90天，所以就得到了活动时长90天对应的活动时长调节因子，而对于大于90天的营销活动，活动时长调节因子的获取，就是根据过去60天至90天的活动时长调节因子的数据延长线获取即可。通过这种方法，就可以获取到任意活动时长的营销活动的活动时长调节因子，这种方法的活动时长调节因子适用于满减、每满减活动还适用于满减、每满减活动与消费送活动并存的情况。

从上述活动时长调节因子的产生来看，目标门店成交总额的预估值除了受核销率的影响外，同时还受到了活动时长的影响，所以需加入活动时长调节因子进行调节，接下来就使用的活动时长调节因子对该目标门店成交总额的第二预估值进行调节，以弥补活动时长对成交总额预估值引起的偏差，将经过活动时长调节因子调节后得到的该目标门店成交总额的预估值作为该目标门店成交总额的第三预估值，其采用的调节公式为：该目标门店成交总额的第三预估值＝该目标门店成交总额的第二预估值*活动时长调节因子。

而对于消费送活动，因为统计的是复购，所以活动开始的短期内，使用优惠券消费的订单数基本为0，故短期内的活动时长调节因子也为0，根据优惠券的核销量公式得到短期内的优惠券核销量也为0，实际中，消费送的营销活动不可能只维持几天，所以这种情况非常少见。消费送活动的活动时长因子的曲线图如图4所示，其中横轴为天数，曲线为对应天数的活动时长因子，可以看出活动刚开始的几天，活动时长调节因子几乎为0，而后曲线慢慢上扬，长期看来近似线性。消费送活动的活动时长因子可以通过延长曲线，得到更长活动时间的活动时长因子。

除了优惠券的核销率因子和活动时长调节因子对目标门店优惠券的成交总额产生影响外，还有一个特别重要的因子对成交总额产生影响，那就是折扣率因子。通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显然是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店成交总额的第三预估值进行调节，以弥补优惠券折扣率对目标门店成交总额预估值引起的偏差，将经过折扣率因子调节后得到目标门店成交总额的预估值作为目标门店成交总额的第四预估值。其采用的调节公式为：该目标门店成交总额的第四预估值＝该目标门店成交总额的第三预估值*折扣率因子。

在本步骤中，目标门店成交总额的第一预估值通过优惠券核销量因子、活动时长调节因子以及折扣率因子的调节，得到了目标门店成交总额的第四预估值，弥补了优惠券核销率、活动时长、折扣率对成交总额预估值引起的偏差。

本申请同时提供了一种营销活动成本的预测方法，请参看图3，图3为本申请提供的一种营销活动成本的预测方法。

步骤S301，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值。

本步骤用于，在预测目标门店营销活动成本时，首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动优惠券核销量的第一预估值。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。获取相似门店的算法在第一实施例中已有详细说明，在这里就不再重复。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。金额阈值的设定的第一实施例中有更详细的说明，在这里就不再重复。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数。在不能获取到相似门店的历史数据时，采用兜底策略，采用兜底策略获得历史数据的过程在第一实施例中已详细说明，在此就不再重复。

针对满减和消费送活动，其每单补的金额是一定的，即每单只使用一张优惠券，所以获取优惠券核销量的第一预估值与与第一实施例的步骤S101的内容相同，具体可参照第一实施例的步骤S101，在此就不再重复叙述。

而针对每满减活动，每笔订单可能会使用多张优惠券，所以针对每满减活动，需要统计历史数据中满足各个倍数优惠券门槛的数量，这个值就可作为每满减活动的优惠券核销量的第一预估值。因为针对不同活动类型初始化的优惠券核销量不同，但是，接下来加入的活动因子除非特殊说明，其都是相同的，所以接下来在计算优惠券的核销量时没有再针对活动类型而分别计算，而在实际应用中，只要根据不同活动类型取不同的优惠券核销量的第一预估值就可得到该活动类型的优惠券核销量的预估值。所以下面的步骤中没有再加以区分。

步骤S302，根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值。

本步骤用于，在已知优惠券面额及优惠券核销量第一预估值的情况下，获得成本的第一预估值。

优惠券的面额可以在营销活动预测时，通过选择已有的优惠券进行设置，例如，在营销活动预测时，有几种优惠可供选择，有满50减3、满50减5、满50减10，要选择了满50减5的优惠后，也就确定了优惠券的面额为5元，还有一种方式，在营销活动预测时，通过自定义的方法，设置优惠券的面额。例如，通过自定义的方式，对优惠券的面额进行设置，自定义的优惠券面额为满30减3，那么就确定了优惠券的面额为3元。

再根据优惠券的面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值＝所述优惠券面额*优惠券核销量的第一预估值。其中优惠券核销量的第一预估值根据活动类型不同而取不同的值(将满减、消费送与每满减进行区分)步骤S301已详细说明。

步骤S303，根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

本步骤用于，在获得的所述目标门店成本的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对成本的第一预估值进行调节，使预测的所述目标门店的成本的预估值更接近于实际结果。

在实际消费活动中，不是满足了消费门槛，所有顾客都会使用优惠券，例如，有些顾客并不知道门店正在搞营销活动，所以在消费时不会使用优惠券，还有一种情况就是，优惠券都是有消费时间限制的，顾客在领取了消费券后，一直没有进行消费，直至优惠券过期，这些现象在消费送活动中比较常见，所以在实际消费中需将这两种情况考虑进去，否则会影响营销活动预测的效果。通过计算各个相似门店的历史数据中实际使用优惠券消费的订单数即历史营销活动优惠券的核销量与满足消费门槛的订单数的比值得到优惠券的核销率因子，具体公式为：核销率因子＝各个门店历史营销活动优惠券的核销量/满足消费门槛的订单数。

接下来就使用优惠券的核销率因子对该目标门店成本的第一预估值进行调节，以弥补优惠券核销率对成本预估值引起的偏差，将经过核销率因子调节后得到的该目标门店成本的预估值作为该目标门店成本的第二预估值。其采用的调节公式为：该目标门店成本的第二预估值＝该目标门店成本的第一预估值*核销率因子，此时得到的该目标门店成本的第二预估值通过核销率因子的调节，与实际消费产生的成本的偏差缩小了，但对目标门店成本产生影响的因子不只是只有优惠券的核销率，还有其他因子，只加入了核销率因子进行调节后得到的该目标门店成本的第二预估值，与实际营销活动的效果还存在较大偏差，所以接下来还需要加入其他因子进行调节。

一个营销活动能带来多少的消费额，多少的订单，显然与活动时长成正相关，所述正相关是指，正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。针对满减和每满减的营销活动，消费额、订单量与活动时长在短期内近似线性，即20天的消费总额是10天的两倍，由于满减和每满减的营销活动只是统计的首次消费，所以如果营销活动是长期活动，那么就会受一些客观因素的影响，包括季节性、节假日等。例如一家处于北方的冰淇淋店，搞了一个长期的营销活动，在活动中，他的消费额、订单量和活动时长的关系就会稍微偏离线性关系，因为受季节性的影响。再例如一些度假休闲类的长期营销活动，肯定会受到诸如十一黄金周、春节黄金周等节假日的影响，所以消费额、订单量与活动时长的关系就会稍微偏离线性关系。而针对消费送活动，由于统计的是二次消费，所以受复购周期的影响，刚开始营销活动带的的消费额和订单量会有一段时间为零，请参看图4，图4是本申请提供的消费送营销活动活动时长调节因子的曲线图，从该曲线图可以看出短期内订单数基本为0，后续曲线慢慢上扬，长期来看近似线性。

在消费额、订单量与活动时长的正相关的情况下，长期活动受客观因素影响，使用消费额、订单量与活动时长稍微偏线性关系，这时需要加入活动时长调节因子，使它们之间的关系趋于线性关系，且更接近于真实的营销活动。活动时长调节因子的获取，首先根据目标门店的所属类型，获得所属类型的上一级分类的所有门店在过去90天每天首次和复购订单数比例，所述所属类型的上一级分类，是指，例如目标门店一家西式快餐店，那么它的上一及分类就是快餐，快餐包括西式快餐和中式快餐。然后根据活动时长，得到对应活动时长的首次和复购订单数的比例，即为活动时长调节因子。通过这种方法，得到了90天对应的活动时长调节因子，因为所取的历史数据是90天，所以就得到了活动时长90天对应的活动时长调节因子，而对于大于90天的营销活动，活动时长调节因子的获取，就是根据过去60天至90天的活动时长调节因子的数据延长线获取即可。通过这种方法，就可以获取到任意活动时长的营销活动的活动时长调节因子，这种方法的活动时长调节因子适用于满减、每满减活动还适用于满减、每满减活动与消费送活动并存的情况。

从上述活动时长调节因子的产生来看，目标门店成本的预估值除了受核销率的影响外，同时还受到了活动时长的影响，所以需加入活动时长调节因子进行调节，接下来就使用的活动时长调节因子对该目标门店成本的第二预估值进行调节，以弥补活动时长对成本预估值引起的偏差，将经过活动时长调节因子调节后得到的该目标门店成本的预估值作为该目标门店成本的第三预估值，其采用的调节公式为：该目标门店成本的第三预估值＝该目标门店成本的第二预估值*活动时长调节因子。

而对于消费送活动，因为统计的是复购，所以活动开始的短期内，使用优惠券消费的订单数基本为0，故短期内的活动时长调节因子也为0，根据优惠券的核销量公式得到短期内的优惠券核销量也为0，实际中，消费送的营销活动不可能只维持几天，所以这种情况非常少见。消费送活动的活动时长因子的曲线图如图4所示，其中横轴为天数，曲线为对应天数的活动时长因子，可以看出活动刚开始的几天，活动时长调节因子几乎为0，而后曲线慢慢上扬，长期看来近似线性。消费送活动的活动时长因子可以通过延长曲线，得到更长活动时间的活动时长因子。

除了优惠券的核销率因子和活动时长调节因子对目标门店成本产生影响外，还有一个特别重要的因子对成本产生影响，那就是折扣率因子。通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店成本的第三预估值进行调节，以弥补优惠券折扣率对目标门店成本预估值引起的偏差，将经过折扣率因子调节后得到目标门店成本的预估值作为目标门店成本的第四预估值。其采用的调节公式为：该目标门店成本的第四预估值＝该目标门店成本的第三预估值*折扣率因子。

在本步骤中，目标门店成本的第一预估值通过优惠券核销量因子、活动时长调节因子以及折扣率因子的调节，得到了目标门店成本的第四预估值，弥补了优惠券核销率、活动时长、折扣率对成交总额预估值引起的偏差，使营销活动的预测更为准确。

本申请同时提供了一种营销活动优惠券核销量的预测方法，请参看图5，图5为本申请提供的一种营销活动优惠券核销量的预测方法。

步骤S501，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值。

本步骤用于，在预测目标门店营销活动优惠券的核销量时，首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动优惠券核销量的第一预估值。

所述优惠券的核销量，是指，在满减、每满减、消费送等营销活动中所发的优惠券被线下交易中使用的数量。例如，在快餐店的满减活中，快餐店发放了一种消费满50减5的优惠券，消费者领取了该优惠券，当消费者到店消费时，共花费了60元，这时候消费者就使用该消费券抵扣了5元，那么在快餐店的营销活动中，优惠券的核销量就加1。每满减活动是指，消费者每满足一定消费金额，就可使用一张消费券抵扣一定金额，例如，快餐店发放了一种每消费满50减5的优惠券，当消费者消费100元时，就可以使用两张5元的优惠券，消费满150元，就可以使用三张5元的优惠券。消费送活动是指，在消费活动结束后才可获得一定金额的优惠券，再例如，快餐店发放了一种消费送优惠券，在消费者结帐时，赠送一张消费满50减5的优惠券，当消费者再次到店消费时，消费满50元时，就可使用这张优惠券。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。获取相似门店的算法在第一实施例中已有详细说明，在这里就不再重复。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。金额阈值的设定的第一实施例中有更详细的说明，在这里就不再重复。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数。在不能获取到相似门店的历史数据时，采用兜底策略，采用兜底策略获得历史数据的过程在第一实施例中已详细说明，在此就不再重复。

针对满减和消费送活动，其每单补的金额是一定的，即每单只使用一张优惠券，所以获取优惠券核销量的第一预估值与与第一实施例的步骤S101的内容相同，具体可参照第一实施例的步骤S101，在此就不再重复叙述。

而针对每满减活动，每笔订单可能会使用多张优惠券，所以针对每满减活动，需要统计历史数据中满足各个倍数优惠券门槛的数量，这个值就可作为每满减活动的优惠券核销量的第一预估值。因为针对不同活动类型初始化的优惠券核销量不同，但是，接下来加入的活动因子除非特殊说明，其都是相同的，所以接下来在计算优惠券的核销量时没有再针对活动类型而分别计算，而在实际应用中，只要根据不同活动类型取不同的优惠券核销量的第一预估值就可得到该活动类型的优惠券核销量的预估值。所以下面的步骤中没有再加以区分。

步骤S502，根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

本步骤用于，在历史数据中获得的所述目标门店的优惠券核销量的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对优惠券核销量的第一预估值进行调节，使预测的所述目标门店优惠券核销量更接近于实际结果。

一个营销活动能带来多少的消费额，多少的订单，显然与活动时长成正相关，所述正相关是指，正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。针对满减和每满减的营销活动，消费额、订单量与活动时长在短期内近似线性，即20天的消费总额是10天的两倍，由于满减和每满减的营销活动只是统计的首次消费，所以如果营销活动是长期活动，那么就会受一些客观因素的影响，包括季节性、节假日等。例如一家处于北方的冰淇淋店，搞了一个长期的营销活动，在活动中，他的消费额、订单量和活动时长的关系就会稍微偏离线性关系，因为受季节性的影响。再例如一些度假休闲类的长期营销活动，肯定会受到诸如十一黄金周、春节黄金周等节假日的影响，所以消费额、订单量与活动时长的关系就会稍微偏离线性关系。而针对消费送活动，由于统计的是二次消费，所以受复购周期的影响，刚开始营销活动带的的消费额和订单量会有一段时间为零，请参看图4，图4是本申请提供的消费送营销活动活动时长调节因子的曲线图，从该曲线图可以看出短期内订单数基本为0，后续曲线慢慢上扬，长期来看近似线性。

在消费额、订单量与活动时长的正相关的情况下，长期活动受客观因素影响，使用消费额、订单量与活动时长稍微偏线性关系，这时需要加入活动时长调节因子，使它们之间的关系趋于线性关系，且更接近于真实的营销活动，活动时长调节因子的获取，首先根据目标门店的所属类型，获得所属类型的上一级分类的所有门店在过去90天每天首次和复购订单数比例，所述所属类型的上一级分类，是指，例如目标门店一家西式快餐店，那么它的上一及分类就是快餐，快餐包括西式快餐和中式快餐。然后根据活动时长，得到对应活动时长的首次和复购订单数的比例，即为活动时长调节因子。通过这种方法，得到了90天对应的活动时长调节因子，因为所取的历史数据是90天，所以就得到了活动时长90天对应的活动时长调节因子，而对于大于90天的营销活动，活动时长调节因子的获取，就是根据过去60天至90天的活动时长调节因子的数据延长线获取即可。通过这种方法，就可以获取到任意活动时长的营销活动的活动时长调节因子，这种方法的活动时长调节因子适用于满减、每满减活动还适用于满减、每满减活动与消费送活动并存的情况。

从上述活动时长调节因子的产生来看，目标门店优惠券的核销量的预估值受到了活动时长的影响，所以需加入活动时长调节因子进行调节，接下来就使用的活动时长调节因子对该目标门店优惠券核销量的第一预估值进行调节，以弥补活动时长对优惠券核销量预估值引起的偏差，将经过活动时长调节因子调节后得到的该目标门店优惠券核销量的预估值作为该目标门店优惠券核销量的第二预估值，其采用的调节公式为：该目标门店优惠券核销量的第二预估值＝该目标门店优惠券核销量的第一预估值*活动时长调节因子。

而对于消费送活动，因为统计的是复购，所以活动开始的短期内，使用优惠券消费的订单数基本为0，故短期内的活动时长调节因子也为0，根据优惠券的核销量公式得到短期内的优惠券核销量也为0，实际中，消费送的营销活动不可能只维持几天，所以这种情况非常少见。消费送活动的活动时长因子的曲线图如图4所示，其中横轴为天数，曲线为对应天数的活动时长因子，可以看出活动刚开始的几天，活动时长调节因子几乎为0，而后曲线慢慢上扬，长期看来近似线性。消费送活动的活动时长因子可以通过延长曲线，得到更长活动时间的活动时长因子。

除了优惠券的活动时长因子对目标门店优惠券的核销量产生影响外，还有一个特别重要的因子对优惠券的核销量产生影响，那就是折扣率因子。通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店优惠券核销量的第二预估值进行调节，以弥补优惠券折扣率对目标门店优惠券核销量预估值引起的偏差，将经过折扣率因子调节后得到目标门店优惠券核销量的预估值作为目标门店优惠券核销量的第三预估值。其采用的调节公式为：该目标门店优惠券核销量的第三预估值＝该目标门店优惠券核销量的第二预估值*折扣率因子。

在本步骤中，目标门店优惠券核销量的第一预估值通过活动时长调节因子以及折扣率因子的调节，得到了目标门店优惠券核销量的第三预估值，弥补了活动时长、折扣率对优惠券核销量预估值引起的偏差，使营销活动的预测更为准确。

本申请同时提供了一种营销活动成交总额的预测方法，请参看图6，图6为本申请提供的一种营销活动成交总额的预测方法。

步骤S601，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值。

本步骤用于，在预测目标门营销活动成交总额时，首先获取首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动成交总额的第一预估值。

所述成交总额，是指，在满减、每满减、消费送等营销活动中使用所发的优惠券进行消费，产生的订单总金额。包括使用优惠券减免的金额。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。获取相似门店的算法在第一实施例中已有详细说明，在这里就不再重复。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。金额阈值的设定的第一实施例中有更详细的说明，在这里就不再重复。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数。在不能获取到相似门店的历史数据时，采用兜底策略，采用兜底策略获得历史数据的过程在第一实施例中已详细说明，在此就不再重复。

接下来统计相似门店历史营销数据的客单价-成交总额分布情况，根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。然后对这10个相似门店在过去35-5天内的历史销售数据的客单价-订单总金额分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单总金额，例如，10元以上3000元，20元以上2500元，30元以上1500元，40元以上600，50元以上0元。再根据上述所举订单价-订单数量分布情况的例子中，确认的消费门槛为30元，所以在本步骤中就根据该消费门槛确认满足该消费门槛30元之上的成交总额就为目标门店成交总额的第一预估值。

步骤S602，根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

本步骤用于，在历史数据中获得的所述目标门店成交总额的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对成交总额的第一预估值进行调节，使预测的所述目标门店成交总额更接近于实际结果。

一个营销活动能带来多少的消费额，多少的订单，显然与活动时长成正相关，所述正相关是指，正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。针对满减和每满减的营销活动，消费额、订单量与活动时长在短期内近似线性，即20天的消费总额是10天的两倍，由于满减和每满减的营销活动只是统计的首次消费，所以如果营销活动是长期活动，那么就会受一些客观因素的影响，包括季节性、节假日等。例如一家处于北方的冰淇淋店，搞了一个长期的营销活动，在活动中，他的消费额、订单量和活动时长的关系就会稍微偏离线性关系，因为受季节性的影响。再例如一些度假休闲类的长期营销活动，肯定会受到诸如十一黄金周、春节黄金周等节假日的影响，所以消费额、订单量与活动时长的关系就会稍微偏离线性关系。而针对消费送活动，由于统计的是二次消费，所以受复购周期的影响，刚开始营销活动带的的消费额和订单量会有一段时间为零，请参看图4，图4是本申请提供的消费送营销活动活动时长调节因子的曲线图，从该曲线图可以看出短期内订单数基本为0，后续曲线慢慢上扬，长期来看近似线性。

在消费额、订单量与活动时长的正相关的情况下，长期活动受客观因素影响，使用消费额、订单量与活动时长稍微偏线性关系，这时需要加入活动时长调节因子，使它们之间的关系趋于线性关系，且更接近于真实的营销活动。活动时长调节因子的获取，首先根据目标门店的所属类型，获得所属类型的上一级分类的所有门店在过去90天每天首次和复购订单数比例，所述所属类型的上一级分类，是指，例如目标门店一家西式快餐店，那么它的上一及分类就是快餐，快餐包括西式快餐和中式快餐。然后根据活动时长，得到对应活动时长的首次和复购订单数的比例，即为活动时长调节因子。通过这种方法，得到了90天对应的活动时长调节因子，因为所取的历史数据是90天，所以就得到了活动时长90天对应的活动时长调节因子，而对于大于90天的营销活动，活动时长调节因子的获取，就是根据过去60天至90天的活动时长调节因子的数据延长线获取即可。通过这种方法，就可以获取到任意活动时长的营销活动的活动时长调节因子，这种方法的活动时长调节因子适用于满减、每满减活动还适用于满减、每满减活动与消费送活动并存的情况。

从上述活动时长调节因子的产生来看，目标门店成交总额的预估值受到了活动时长的影响，所以需加入活动时长调节因子进行调节，接下来就使用的活动时长调节因子对该目标门店成交总额的第一预估值进行调节，以弥补活动时长对成交总额预估值引起的偏差，将经过活动时长调节因子调节后得到的该目标门店成交总额的预估值作为该目标门店成交总额的第二预估值，其采用的调节公式为：该目标门店成交总额的第二预估值＝该目标门店成交总额的第一预估值*活动时长调节因子。

而对于消费送活动，因为统计的是复购，所以活动开始的短期内，使用优惠券消费的订单数基本为0，故短期内的活动时长调节因子也为0，根据优惠券的核销量公式得到短期内的优惠券核销量也为0，实际中，消费送的营销活动不可能只维持几天，所以这种情况非常少见。消费送活动的活动时长因子的曲线图如图4所示，其中横轴为天数，曲线为对应天数的活动时长因子，可以看出活动刚开始的几天，活动时长调节因子几乎为0，而后曲线慢慢上扬，长期看来近似线性。消费送活动的活动时长因子可以通过延长曲线，得到更长活动时间的活动时长因子。

除了优惠券的活动时长调节因子对目标门店优惠券的成交总额产生影响外，还有一个特别重要的因子对成交总额产生影响，那就是折扣率因子。通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店成交总额的第二预估值进行调节，以弥补优惠券折扣率对目标门店成交总额预估值引起的偏差，将经过折扣率因子调节后得到目标门店成交总额的预估值作为目标门店成交总额的第三预估值。其采用的调节公式为：该目标门店成交总额的第三预估值＝该目标门店成交总额的第二预估值*折扣率因子。

在本步骤中，目标门店成交总额的第一预估值通过活动时长调节因子以及折扣率因子的调节，得到了目标门店成交总额的第三预估值，弥补了活动时长、折扣率对成交总额预估值引起的偏差。

本申请同时提供了一种营销活动成本的预测方法，请参看图7，图7为本申请提供的一种营销活动成本的预测方法。

步骤S701，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值。

本步骤用于，本步骤用于在预测目标门店营销活动成本时，首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动优惠券核销量的第一预估值。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。获取相似门店的算法在第一实施例中已有详细说明，在这里就不再重复。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。金额阈值的设定的第一实施例中有更详细的说明，在这里就不再重复。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数。在不能获取到相似门店的历史数据时，采用兜底策略，采用兜底策略获得历史数据的过程在第一实施例中已详细说明，在此就不再重复。

针对满减和消费送活动，其每单补的金额是一定的，即每单只使用一张优惠券，所以获取优惠券核销量的第一预估值与与第一实施例的步骤S101的内容相同，具体可参照第一实施例的步骤S101，在此就不再重复叙述。

而针对每满减活动，每笔订单可能会使用多张优惠券，所以针对每满减活动，需要统计历史数据中满足各个倍数优惠券门槛的数量，这个值就可作为每满减活动的优惠券核销量的第一预估值。因为针对不同活动类型初始化的优惠券核销量不同，但是，接下来加入的活动因子除非特殊说明，其都是相同的，所以接下来在计算优惠券的核销量时没有再针对活动类型而分别计算，而在实际应用中，只要根据不同活动类型取不同的优惠券核销量的第一预估值就可得到该活动类型的优惠券核销量的预估值。所以下面的步骤中没有再加以区分。

步骤S702，根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值；

本步骤用于，在已知优惠券面额及优惠券核销量第一预估值的情况下，获得成本的第一预估值。

优惠券的面额可以在营销活动预测时，通过选择已有的优惠券进行设置，例如，在营销活动预测时，有几种优惠可供选择，有满50减3、满50减5、满50减10，要选择了满50减5的优惠后，也就确定了优惠券的面额为5元，还有一种方式，在营销活动预测时，通过自定义的方法，设置优惠券的面额。例如，通过自定义的方式，对优惠券的面额进行设置，自定义的优惠券面额为满30减3，那么就确定了优惠券的面额为3元。

再根据优惠券的面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值＝所述优惠券面额*优惠券核销量的第一预估值。其中优惠券核销量的第一预估值根据活动类型不同而取不同的值(将满减、消费送与每满减进行区分)步骤S301已详细说明。

步骤S703，根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

本步骤用于，在获得的所述目标门店成本的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对成本的第一预估值进行调节，使预测的所述目标门店的成本的预估值更接近于实际结果。

一个营销活动能带来多少的消费额，多少的订单，显然与活动时长成正相关，所述正相关是指，正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。针对满减和每满减的营销活动，消费额、订单量与活动时长在短期内近似线性，即20天的消费总额是10天的两倍，由于满减和每满减的营销活动只是统计的首次消费，所以如果营销活动是长期活动，那么就会受一些客观因素的影响，包括季节性、节假日等。例如一家处于北方的冰淇淋店，搞了一个长期的营销活动，在活动中，他的消费额、订单量和活动时长的关系就会稍微偏离线性关系，因为受季节性的影响。再例如一些度假休闲类的长期营销活动，肯定会受到诸如十一黄金周、春节黄金周等节假日的影响，所以消费额、订单量与活动时长的关系就会稍微偏离线性关系。而针对消费送活动，由于统计的是二次消费，所以受复购周期的影响，刚开始营销活动带的的消费额和订单量会有一段时间为零，请参看图4，图4是本申请提供的消费送营销活动活动时长调节因子的曲线图，从该曲线图可以看出短期内订单数基本为0，后续曲线慢慢上扬，长期来看近似线性。

在消费额、订单量与活动时长的正相关的情况下，长期活动受客观因素影响，使用消费额、订单量与活动时长稍微偏线性关系，这时需要加入活动时长调节因子，使它们之间的关系趋于线性关系，且更接近于真实的营销活动。活动时长调节因子的获取，首先根据目标门店的所属类型，获得所属类型的上一级分类的所有门店在过去90天每天首次和复购订单数比例，所述所属类型的上一级分类，是指，例如目标门店一家西式快餐店，那么它的上一及分类就是快餐，快餐包括西式快餐和中式快餐。然后根据活动时长，得到对应活动时长的首次和复购订单数的比例，即为活动时长调节因子。通过这种方法，得到了90天对应的活动时长调节因子，因为所取的历史数据是90天，所以就得到了活动时长90天对应的活动时长调节因子，而对于大于90天的营销活动，活动时长调节因子的获取，就是根据过去60天至90天的活动时长调节因子的数据延长线获取即可。通过这种方法，就可以获取到任意活动时长的营销活动的活动时长调节因子，这种方法的活动时长调节因子适用于满减、每满减活动还适用于满减、每满减活动与消费送活动并存的情况。

从上述活动时长调节因子的产生来看，目标门店成本的预估值受到了活动时长的影响，所以需加入活动时长调节因子进行调节，接下来就使用的活动时长调节因子对该目标门店成本的第一预估值进行调节，以弥补活动时长对成本预估值引起的偏差，将经过活动时长调节因子调节后得到的该目标门店成本的预估值作为该目标门店成本的第二预估值，其采用的调节公式为：该目标门店成本的第二预估值＝该目标门店成本的第一预估值*活动时长调节因子。

而对于消费送活动，因为统计的是复购，所以活动开始的短期内，使用优惠券消费的订单数基本为0，故短期内的活动时长调节因子也为0，根据优惠券的核销量公式得到短期内的优惠券核销量也为0，实际中，消费送的营销活动不可能只维持几天，所以这种情况非常少见。消费送活动的活动时长因子的曲线图如图4所示，其中横轴为天数，曲线为对应天数的活动时长因子，可以看出活动刚开始的几天，活动时长调节因子几乎为0，而后曲线慢慢上扬，长期看来近似线性。消费送活动的活动时长因子可以通过延长曲线，得到更长活动时间的活动时长因子。

除了优惠券的活动时长调节因子对目标门店成本产生影响外，还有一个特别重要的因子对成本产生影响，那就是折扣率因子。通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店成本的第二预估值进行调节，以弥补优惠券折扣率对目标门店成本预估值引起的偏差，将经过折扣率因子调节后得到目标门店成本的预估值作为目标门店成本的第三预估值。其采用的调节公式为：该目标门店成本的第三预估值＝该目标门店成本的第二预估值*折扣率因子。

在本步骤中，目标门店成本的第一预估值通过活动时长调节因子以及折扣率因子的调节，得到了目标门店成本的第四预估值，弥补了活动时长、折扣率对成交总额预估值引起的偏差，使营销活动的预测更为准确。

本申请同时提供了一种营销活动优惠券核销量的预测方法，请参看图8，图8为本申请提供的一种营销活动优惠券核销量的预测方法。

步骤S801，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值。

本步骤用于，在预测目标门店营销活动优惠券的核销量时，首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动优惠券核销量的第一预估值。

所述优惠券的核销量，是指，在满减、每满减、消费送等营销活动中所发的优惠券被线下交易中使用的数量。例如，在快餐店的满减活中，快餐店发放了一种消费满50减5的优惠券，消费者领取了该优惠券，当消费者到店消费时，共花费了60元，这时候消费者就使用该消费券抵扣了5元，那么在快餐店的营销活动中，优惠券的核销量就加1。每满减活动是指，消费者每满足一定消费金额，就可使用一张消费券抵扣一定金额，例如，快餐店发放了一种每消费满50减5的优惠券，当消费者消费100元时，就可以使用两张5元的优惠券，消费满150元，就可以使用三张5元的优惠券。消费送活动是指，在消费活动结束后才可获得一定金额的优惠券，再例如，快餐店发放了一种消费送优惠券，在消费者结帐时，赠送一张消费满50减5的优惠券，当消费者再次到店消费时，消费满50元时，就可使用这张优惠券。

在查找与目标门店相似门店时，根据KNN算法模型确定相似门店的模型特征，KNN(k-Nearest Neighbor)算法模型，即邻近算法，或者说K最近邻分类算法，是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。在这里，使用KNN算法首先确定相似门店的两个基本模型特征，包括距离上是同一城市，分类上属于同一类型，例如肯德基是西式快餐，在类型上相似的门店有麦当劳、汉堡王、必胜客等。根据这两个基本模型特征获得所有符合基本特征的候选门店集合，在获得候选门店集合后，对所有候选门店进行分档，根据KNN算法从一个或多个维度创建分档的优先极，优先级的排序依次为该目标门店本身、日均笔数相似(<＝1.5)、笔单价相似(高笔单价/低笔单价<＝1.5)、同属一个集团、距离上少于300米、距离上少于500米、距离上少于1000米等，然后根据优先级的排序依次召回相似门店，首先召回的相似门店是该目标门店本身，可视为自已和自己最相似，然后再根据日均消费笔数，召回日均消费笔数相似的门店，具体计算方法如下，相似门店日均消费笔数/目标门店日均消费笔数<＝1.5，接着再召回每笔单价相似的门店，具体计算方法如下，相似门店的最高笔单价/最低笔单价<＝1.5，接着再召回属于同一集团下的相似门店，例如，肯德基和必胜客就属于同一集团，然后再根据与目标门店的距离远近依次进行相似门店的召回，在满足两个基本特征的候选门店中，对相似门店进行分档，是为了在对相似门店进行召回的时候，可以优先召回更相似的门店，优先考虑更相似门店的历史数据，有助于相似门店模型精度的提高。根据上述获取相似门店模型的方法，在实际操作中的步骤如下，例如，目标门店是一家连锁的西式快餐店，根据KNN算法模型，首先获得同一城市内，属于同一类别即西式快餐的所有门店集合，在所有门店集合中，对门店进行分档，首先确认的相似门店是自己，排在相似度的第一位，然后再确认日均消费笔数相似的门店，排在相似度的第二位，确认完日均消费笔数据相似的门店后，再确认每笔单价相似的门店，排在相似度的第三位，根据这种方法依次确认门店所属商家ID即属于同一集团的门店，排在相似度的第四位，距离300米的相似度排在第五位，距离500米的相似度排六位，其他距离不在例举，在将找到的相似门店根据相似程度排序完成后，取相似度最高的几家门店，例如10家，做为与目标门店的相似门店。

在获取到与目标门店的相似门店后，提取相似门店的在历史时间段内的营销数据，历史时间段可以取过去35-5天前，统计的时间段选择在过去35-5天，是因为要与预测时间段的星期几对齐，这样预测效果会更精准。另外30天的历史数据足够代表相对准确的历史营销数据模型，而35是7的整数倍，正好抵消掉由于星期的不同导致的天然误差。销售数据包括在历史时间段内每天的订单数量、每笔消费金额、每天的销售总额，还包括相似门店历史营销活动的的营销数据。

虽然大多时候都能获取到相似门店的历史数据，但是有时也会有例外，例如，新开的一家快餐店，获取不到自己的历史营销数据，而最相似的10家门店也是新开的，也不能获取到历史营销数据，在不能获取到历史营销数据时，就需要采用另外一种方法兜底策略来获取历史营销数据，所谓兜底策略，就是取全国相似门店的各项历史营销数据平均值，例如，目标门店是一家西式快餐店，在没有获取到相似门店的历史营销数据的情况下，启用兜底策略，取全国西餐门店的各项历史营销数据的平均值，如果在全国西餐门店的历史营销数据都不能获取的情况下，只能取全国餐饮行业的的各项历史营销数据的平均值。兜底策略的启用只是在极少的情况下，一般情况下，都能够获取到相似门店的历史数据。

接下来对获取到的相似门店的历史营销数据进行统计，根据历史营销数据的客单价-订单数据分布情况，统计出历史时间段内每天每家门店各个金额阀值之上的订单数，具体方法如下。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。金额阈值的设定与目标门店的客单价密切相关，在上述例子中，为了获取到的优惠券消费门槛更为精确，也可以将金额阈值设定为5元，而在一些客单价较高的餐厅，例如，客单价可以达到1000元，如果再将金额阈值定为10元，就会产生很多金额阈值区间，数据统计起来就会变得非常繁琐，而且统计出的数据的实用性也就降低了，所以可以将消费金额阈值提高到50元、或者100元。如此可以看出，消费金额阈值可以根据客单价进行确定。

在上面所举的例子中，根据客单价-订单数分布数据，得到了满足优惠券的消费门槛，消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数，这个数值即为在满减，每满减活动中的平均每天每家门店满足消费门槛订单数量，也为满减和每满减活动中目标门店满足门槛订单数的预估值；而针对消费送活动，统计的是历史销售数据中，平均每天每家门店在复购时使用满足消费门槛的订单数量，也就可以作为消费送活动中目标门店满足门槛订单数的预估值。而且是根据KNN算法获取的相似门店在历史营销数据中满足优惠券门槛的订单数，所以可以将其作为目标门店优惠券的核销量的第一预估值。

步骤S802，使用折扣率调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

本步骤用于，在历史数据中获得的所述目标门店的优惠券核销量的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对优惠券核销量的第一预估值进行调节，使预测的所述目标门店优惠券核销量更接近于实际结果。

通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店优惠券核销量的第一预估值进行调节，以弥补优惠券折扣率对目标门店优惠券核销量预估值引起的偏差，将经过折扣率因子调节后得到目标门店优惠券核销量的预估值作为目标门店优惠券核销量的第二预估值。其采用的调节公式为：该目标门店优惠券核销量的第二预估值＝该目标门店优惠券核销量的第一预估值*折扣率因子。

在实际消费活动中，不是满足了消费门槛，所有顾客都会使用优惠券，例如，有些顾客并不知道门店正在搞营销活动，所以在消费时不会使用优惠券，还有一种情况就是，优惠券都是有消费时间限制的，顾客在领取了消费券后，一直没有进行消费，直至优惠券过期，这些现象在消费送活动中比较常见，所以在实际消费中需将这两种情况考虑进去，否则会影响营销活动预测的效果。通过计算各个相似门店的历史数据中实际使用优惠券消费的订单数即历史营销活动优惠券的核销量与满足消费门槛的订单数的比值得到优惠券的核销率因子，具体公式为：核销率因子＝各个门店历史营销活动优惠券的核销量/满足消费门槛的订单数。

接下来就使用优惠券的核销率因子对该目标门店优惠券核销量的第二预估值进行调节，以弥补优惠券核销率对优惠券核销量预估值引起的偏差，将经过核销率因子调节后得到的该目标门店优惠券核销量的预估值作为该目标门店优惠券核销量的第三预估值。

其采用的调节公式为：该目标门店优惠券核销量的第三预估值＝该目标门店优惠券核销量的第二预估值*核销率因子。

在本步骤中，目标门店优惠券核销量的第一预估值通过折扣率因子、优惠券核销量因子的调节，得到了目标门店优惠券核销量的第三预估值，弥补了折扣率、优惠券核销率对优惠券核销量预估值引起的偏差，使营销活动的预测更为准确。

本申请同时提供了一种营销成交总额的预测方法，请参看图9，图9为本申请提供的一种营销活动优惠券核销量的预测方法。

步骤S901，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值；

本步骤用于，在预测目标门营销活动成交总额时，首先获取首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动成交总额的第一预估值。

所述成交总额，是指，在满减、每满减、消费送等营销活动中使用所发的优惠券进行消费，产生的订单总金额。包括使用优惠券减免的金额。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。获取相似门店的算法在第一实施例中已有详细说明，在这里就不再重复。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。金额阈值的设定的第一实施例中有更详细的说明，在这里就不再重复。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数。在不能获取到相似门店的历史数据时，采用兜底策略，采用兜底策略获得历史数据的过程在第一实施例中已详细说明，在此就不再重复。

接下来统计相似门店历史营销数据的客单价-成交总额分布情况，根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。然后对这10个相似门店在过去35-5天内的历史销售数据的客单价-订单总金额分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单总金额，例如，10元以上3000元，20元以上2500元，30元以上1500元，40元以上600，50元以上0元。再根据上述所举订单价-订单数量分布情况的例子中，确认的消费门槛为30元，所以在本步骤中就根据该消费门槛确认满足该消费门槛30元之上的成交总额就为目标门店成交总额的第一预估值。

步骤S902，使用折扣率调节因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

本步骤用于，在历史数据中获得的所述目标门店成交总额的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对成交总额的第一预估值进行调节，使预测的所述目标门店成交总额更接近于实际结果。

通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店成交总额的第一预估值进行调节，以弥补优惠券折扣率对目标门店成交总额预估值引起的偏差，将经过折扣率因子调节后得到目标门店成交总额的预估值作为目标门店成交总额的第二预估值。其采用的调节公式为：该目标门店成交总额的第二预估值＝该目标门店成交总额的第一预估值*折扣率因子。

在实际消费活动中，不是满足了消费门槛，所有顾客都会使用优惠券，例如，有些顾客并不知道门店正在搞营销活动，所以在消费时不会使用优惠券，还有一种情况就是，优惠券都是有消费时间限制的，顾客在领取了消费券后，一直没有进行消费，直至优惠券过期，这些现象在消费送活动中比较常见，所以在实际消费中需将这两种情况考虑进去，否则会影响营销活动预测的效果。通过计算各个相似门店的历史数据中实际使用优惠券消费的订单数即历史营销活动优惠券的核销量与满足消费门槛的订单数的比值得到优惠券的核销率因子，具体公式为：核销率因子＝各个门店历史营销活动优惠券的核销量/满足消费门槛的订单数。

接下来就使用优惠券的核销率因子对该目标门店成交总额的第二预估值进行调节，以弥补优惠券核销率对成交总额预估值引起的偏差，将经过核销率因子调节后得到的该目标门店成交总额的预估值作为该目标门店成交总额的第三预估值。其采用的调节公式为：该目标门店成交总额的第三预估值＝该目标门店成交总额的第二预估值*核销率因子。

在本步骤中，目标门店成交总额的第一预估值通过折扣率因子、优惠券核销量因子的调节，得到了目标门店成交总额的第三预估值，弥补了折扣率、优惠券核销率对成交总额预估值引起的偏差。

本申请同时提供了一种营销活动成本的预测方法，请参看图10，图10为本申请提供的一种营销活动优惠券核销量的预测方法。

步骤S1001，选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值。

本步骤用于，在预测目标门店营销活动成本时，首先获取与目标门店相似的门店在一定的历史时间段内的营销数据，然后再对营销数据进行统计，获得所述营销活动优惠券核销量的第一预估值。

根据KNN算法模型，在候选门店集合中取10个与目标门店最相似的门店。获取相似门店的算法在第一实施例中已有详细说明，在这里就不再重复。在本步骤中就对这10个相似门店在过去35-5天内的历史营销数据的客单价-订单数分布进行统计，例如目标门店是一家快餐店，首先按照每10元设定一个消费金额阈值，直到达到最高消费金额，然后统计每个阈值之上每天每家店的订单数，例如，10元以上200单，20元以上170单，30元以上100单，40元以上40单，50元以上0单，从以上金额阈值之上的订单数量可以看出，10-20元的订单数为30单，20-30元的订单数为70单，30-40元的订单数为60单，40-50以上的订单数为40单，50以上的为0单，通过设定消费金额阈值的方法，对每天每家门店在各个金额阈值之上的订单数量进行核算，得到相邻金额阈值间的订单数量。金额阈值的设定的第一实施例中有更详细的说明，在这里就不再重复。

从上述客单价-订单数分布进行统计的数据可以看出，消费金额集中的阈值为20-30元为70单，为了提高目标门店的消费金额，通常将优惠券的消费门槛设置为消费金额集中的最高值，所以最终确认的优惠券消费门槛为30元，这样可以更有效的提高客单价。消费门槛之上的订单数就是历史营销数据中满足优惠券门槛的订单数。在不能获取到相似门店的历史数据时，采用兜底策略，采用兜底策略获得历史数据的过程在第一实施例中已详细说明，在此就不再重复。

针对满减和消费送活动，其每单补的金额是一定的，即每单只使用一张优惠券，所以获取优惠券核销量的第一预估值与与第一实施例的步骤S101的内容相同，具体可参照第一实施例的步骤S101，在此就不再重复叙述。

而针对每满减活动，每笔订单可能会使用多张优惠券，所以针对每满减活动，需要统计历史数据中满足各个倍数优惠券门槛的数量，这个值就可作为每满减活动的优惠券核销量的第一预估值。因为针对不同活动类型初始化的优惠券核销量不同，但是，接下来加入的活动因子除非特殊说明，其都是相同的，所以接下来在计算优惠券的核销量时没有再针对活动类型而分别计算，而在实际应用中，只要根据不同活动类型取不同的优惠券核销量的第一预估值就可得到该活动类型的优惠券核销量的预估值。所以下面的步骤中没有再加以区分。

步骤S1002，根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值。

本步骤用于，在已知优惠券面额及优惠券核销量第一预估值的情况下，获得成本的第一预估值。

优惠券的面额可以在营销活动预测时，通过选择已有的优惠券进行设置，例如，在营销活动预测时，有几种优惠可供选择，有满50减3、满50减5、满50减10，要选择了满50减5的优惠后，也就确定了优惠券的面额为5元，还有一种方式，在营销活动预测时，通过自定义的方法，设置优惠券的面额。例如，通过自定义的方式，对优惠券的面额进行设置，自定义的优惠券面额为满30减3，那么就确定了优惠券的面额为3元。

再根据优惠券的面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值＝所述优惠券面额*优惠券核销量的第一预估值。其中优惠券核销量的第一预估值根据活动类型不同而取不同的值(将满减、消费送与每满减进行区分)步骤S301已详细说明。

步骤S1003，使用折扣率调节因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

本步骤用于，在获得的所述目标门店成本的第一预估值，在应用到实际的营销活动预测时，由于受实际营销活动预测诸多因素的影响，而存在偏差，在本步骤中就加入调节因子对成本的第一预估值进行调节，使预测的所述目标门店的成本的预估值更接近于实际结果。

通常情况下，折扣率越低，其优惠券的面额越大，例如，满100减20的优惠活动，肯定比满100减10的优惠力度大，看起来更能吸引消费者，但不一定满100减20的优惠活动比满100减10的活动效果更好，因为在现实中会受很多客观因素的影响，例如肯德基的9.5折优惠券，可能比其他不知名的店7折券都要好用，在他们的原价相同的情况下，在使用优惠券后，普通快餐店显然更便宜，但他的活动效果还是不如肯德基。而针对某一特定门店，例如肯德基，往往折扣率都在某一特定范围内，即8.5-9.5折扣之间，而在这个范围外的折扣率在历史销售数据中是不存在的，所以就造成数据的不完备。针对以上提到的两种情况，要在历史销售数据中获取从0至1折扣率的数据，显示是不可能的，所以折扣率不能从历史销售数据中获取，那么就需要创造一个折扣率因子公式来获取，而且此公式需满足几个特定要求。

上文中提到的折扣率因子的公式，需要满足的几个具体要求如下：

1、随着折扣率变小，调节因子应该变大。因为折扣率越小，优惠力度越大，活动的效果应该越好。例如，肯德基的9折的优惠活动，肯定比9.5折的优惠活动的效果要好，所以9折的折扣率因子要大于9.5折的折扣率因子。

2、折扣率接近1时，调节因子应变为0。因为折扣率为1时，对应的活动没有任何优惠，但在0.95时，应该保持一个较大的接近1的数，因为9.5折券还是比较常见的。

3、折扣率的值不应该偏离1太大。因为营销活动效果最主要的因素还是门店本身，一个差的店折扣力度再大效果都不一定很好。同时由于上述提到的数据稀疏问题，保守起见，预测效果也不应该随着折扣力度的改变而变化太大。

4、折扣率为0.8时折扣率调节因子为1。这点不是强要求，但是会增加可解释性，即我们认为折扣率为0.8是某种基准，折扣率比0.8大则调节因子小于1，否则大于1。

综合以上几点，折扣率因子通过如下函数确定，具体公式如下：

a＝1/log(1.2)

折扣率<0.8:b＝0.1；否则b＝0.3

折扣率因子＝(a*log(2-折扣率))^b

其中a的取值是保证折扣率为0.8时，折扣率因子类1；b的取值是调节整个函数的曲率。

利用log函数作为公式设计的原型是因为log函数有天然的零点(log1＝0)，对应于我们这边的折扣率为1时取0的需求。同时log不像exp(-x)这种函数一样有界，也不像exp(x)这种函数一样导数越来越大，增加幅度越来越大导致函数值不好控制。a的取值是为了保证折扣率为0.8时函数值为1。b作为幂函数的参数是为了调节整个函数的曲率，让它变化没那么快从而实现我们折扣率调节因子的保守性。同时因为在0.8的两边，对应函数值是大于1还是小于1，这两边实验证明需要不同的曲率，所以b在这两边也分开取值。

折扣率与折扣率因子的对应关系在第一实施例的步骤S102中都有列出，在此就不再重复。

当折扣率一定时，折扣率因子通过公式计算得出，例如，当折扣率＝0.85时：b＝0.3，这时折扣率因子经过公式计算得出，折扣率因子＝0.973767。

接下来就使用折扣率因子，对目标门店成本的第一预估值进行调节，以弥补优惠券折扣率对目标门店成本预估值引起的偏差，将经过折扣率因子调节后得到目标门店成本的预估值作为目标门店成本的第二预估值。其采用的调节公式为：该目标门店成本的第二预估值＝该目标门店成本的第一预估值*折扣率因子。

在实际消费活动中，不是满足了消费门槛，所有顾客都会使用优惠券，例如，有些顾客并不知道门店正在搞营销活动，所以在消费时不会使用优惠券，还有一种情况就是，优惠券都是有消费时间限制的，顾客在领取了消费券后，一直没有进行消费，直至优惠券过期，这些现象在消费送活动中比较常见，所以在实际消费中需将这两种情况考虑进去，否则会影响营销活动预测的效果。通过计算各个相似门店的历史数据中实际使用优惠券消费的订单数即历史营销活动优惠券的核销量与满足消费门槛的订单数的比值得到优惠券的核销率因子，具体公式为：核销率因子＝各个门店历史营销活动优惠券的核销量/满足消费门槛的订单数。

接下来就使用优惠券的核销率因子对该目标门店成本的第二预估值进行调节，以弥补优惠券核销率对成本预估值引起的偏差，将经过核销率因子调节后得到的该目标门店成本的预估值作为该目标门店成本的第三预估值。其采用的调节公式为：该目标门店成本的第三预估值＝该目标门店成本的第二预估值*核销率因子。

在本步骤中，目标门店成本的第一预估值通过折扣率因子、优惠券核销量因子的调节，得到了目标门店成本的第三预估值，弥补了折扣率、优惠券核销率对成交总额预估值引起的偏差，使营销活动的预测更为准确。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (41)

1.一种营销活动优惠券核销量的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

2.根据权利要求1所述的营销活动优惠券核销量的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

3.根据权利要求1所述的营销活动优惠券核销量的预测方法，其特征在于，使用所述核销率因子对所述目标门店的优惠券核销量的第一预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第二预估值；

该目标门店的优惠券核销量的第二预估值等于所述目标门店优惠券核销量的第一预估值乘以核销率因子。

4.根据权利要求3所述的营销活动优惠券核销量的预测方法，其特征在于，还包括：

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子；

使用所述活动时长调节因子对所述目标门店优惠券核销量的第二预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第三预估值；

该目标门店的优惠券核销量的第三预估值等于所述目标门店优惠券核销量的第二预估值乘以活动时长调节因子。

5.根据权利要求4所述的营销活动优惠券核销量的预测方法，其特征在于，还包括：

加入构建的折扣率因子对所述第三预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第四预估值；

该目标门店的优惠券核销量的第四预估值等于所述目标门店优惠券核销量的第三预估值乘以折扣率因子。

6.一种营销活动成交总额的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值；

根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

7.根据权利要求6所述的营销活动成交总额的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况及单价-订单总金额分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

根据所述单价-订单总金额分布情况，获得到各个金额阈值上的订单总金额；

根据各个金额阈值上的订总金额及消费门槛确定目标门店满足消费门槛的订单总金额。

8.根据权利要求6所述的营销活动成交总额的预测方法，其特征在于，使用所述核销率因子对所述目标门店成交总额的第一预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第二预估值：

该目标门店的成交总额的第二预估值等于所述目标门店成交总额的第一预估值乘以核销率因子。

9.根据权利要求8所述的营销活动成交总额的预测方法，其特征在于，还包括：

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子；

使用所述活动时长调节因子对所述目标门店成交总额的第二预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第三预估值；

该目标门店的成交总额的第三预估值等于所述目标门店成交总额的第二预估值乘以活动时长调节因子。

10.根据权利要求9所述的营销活动成交总额的预测方法，其特征在于，还包括：

加入构建的折扣率因子对所述第三预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第四预估值；

该目标门店的成交总额的第四预估值等于所述目标门店成交总额的第三预估值乘以折扣率因子。

11.一种营销活动成本的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值；

根据各个相似门店的历史营销活动优惠券的核销量和满足消费门槛的订单数构建核销率因子，使用所述核销率因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

12.根据权利要求11所述的营销活动成本的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

13.根据权利要求11所述的营销活动成本的预测方法，其特征在于，所述根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值等于所述优惠券面额乘以优惠券核销量的第一预估值。

14.根据权利要求11所述的营销活动成本的预测方法，其特征在于，还包括：

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子；

使用所述活动时长调节因子对所述目标门店成本的第二预估值进行调节，采用下述调节公式，获得所述目标门店成本的第三预估值；

该目标门店的成本的第三预估值等于所述目标门店成本的第二预估值乘以活动时长调节因子。

15.根据权利要求14所述的营销活动成本的预测方法，其特征在于，还包括：

加入构建的折扣率因子对所述第三预估值进行调节，采用下述调节公式，获得所述目标门店成本的第四预估值；

成本的第四预估值等于所述成本的第三预估值乘以折扣率因子。

16.一种营销活动优惠券核销量的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

17.根据权利要求16所述的营销活动优惠券核销量的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

18.根据权利要求16所述的营销活动优惠券核销量的预测方法，其特征在于，使用所述活动时长调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第二预估值；

该目标门店的优惠券核销量的第二预估值等于所述目标门店优惠券核销量的第一预估值乘以活动时长调节因子。

19.根据权利要求18所述的营销活动优惠券核销量的预测方法，其特征在于，还包括：

加入构建的折扣率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第三预估值；

该目标门店的优惠券核销量的第三预估值等于所述目标门店优惠券核销量的第二预估值乘以折扣率因子。

20.一种营销活动成交总额的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值；

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

21.根据权利要求20所述的营销活动成交总额的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况及单价-订单总金额分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

根据所述单价-订单总金额分布情况，获得到各个金额阈值上的订单总金额；

根据各个金额阈值上的订总金额及消费门槛确定目标门店满足消费门槛的订单总金额。

22.根据权利要求20所述的营销活动成交总额的预测方法，其特征在于，使用所述活动时长调节因子对所述目标门店成交总额的第一预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第二预估值：

该目标门店的成交总额的第二预估值等于所述目标门店成交总额的第一预估值乘以活动时长调节因子。

23.根据权利要求22所述的营销活动成交总额的预测方法，其特征在于，还包括：

加入构建的折扣率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第三预估值；

该目标门店的成交总额的第三预估值等于所述目标门店成交总额的第二预估值乘以折扣率因子。

24.一种营销活动成本的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值；

根据各个门店的历史营销活动每天首次和复购订单数的比值，构建活动时长调节因子，使用所述活动时长调节因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

25.根据权利要求24所述的营销活动成本的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

26.根据权利要求24所述的营销活动成本的预测方法，其特征在于，所述根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值等于所述优惠券面额乘以优惠券核销量的第一预估值。

27.根据权利要求24所述的营销活动成本的预测方法，其特征在于，使用所述活动时长调节因子对所述目标门店成本的第一预估值进行调节，采用下述调节公式，获得所述目标门店成本的第二预估值：

该目标门店的成本的第二预估值等于所述目标门店成本的第一预估值乘以活动时长调节因子。

28.根据权利要求27所述的营销活动成本的预测方法，其特征在于，还包括：

加入构建的折扣率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成本的第三预估值；

成本的第三预估值等于所述成本的第二预估值乘以折扣率因子。

29.一种营销活动优惠券核销量的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

使用折扣率调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，获得所述目标门店优惠券核销量的第二预估值。

30.根据权利要求29所述的营销活动优惠券核销量的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

31.根据权利要求29所述的营销活动优惠券核销量的预测方法，其特征在于，使用所述折扣率调节因子对所述目标门店的优惠券核销量的第一预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第二预估值；

该目标门店的优惠券核销量的第二预估值等于所述目标门店优惠券核销量的第一预估值乘以折扣率调节因子。

32.根据权利要求31所述的营销活动优惠券核销量的预测方法，其特征在于，还包括：

加入构建的优惠券核销率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店优惠券核销量的第三预估值；

该目标门店的优惠券核销量的第三预估值等于所述目标门店优惠券核销量的第二预估值乘以核销率因子。

33.一种营销活动成交总额的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额；将所述满足消费门槛的订单总金额作为成交总额的第一预估值；

使用折扣率调节因子对所述目标门店成交总额的第一预估值进行调节，获得所述目标门店成交总额的第二预估值。

34.根据权利要求33所述的营销活动成交总额的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单总金额，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况及单价-订单总金额分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

根据所述单价-订单总金额分布情况，获得到各个金额阈值上的订单总金额；

根据各个金额阈值上的订总金额及消费门槛确定目标门店满足消费门槛的订单总金额。

35.根据权利要求33所述的营销活动成交总额的预测方法，其特征在于，使用所述折扣率调节因子对所述目标门店成交总额的第一预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第二预估值：

该目标门店的成交总额的第二预估值等于所述目标门店成交总额的第一预估值乘以折扣率调节因子。

36.根据权利要求35所述的营销活动成交总额的预测方法，其特征在于，还包括：

加入构建的优惠券核销率因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成交总额的第三预估值；

该目标门店的成交总额的第三预估值等于所述目标门店成交总额的第二预估值乘以核销率因子。

37.一种营销活动成本的预测方法，其特征在于，包括：

选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数；将所述满足消费门槛的订单数作为优惠券核销量的第一预估值；

根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值；

使用折扣率调节因子对所述目标门店的成本的第一预估值进行调节，获得所述目标门店成本的第二预估值。

38.根据权利要求37所述的营销活动成本的预测方法，其特征在于，所述选取相似门店的历史营销数据，获得目标门店优惠券的消费门槛和满足消费门槛的订单数，包括：

根据KNN算法模型从一个或多个维度获取各个相似门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；

基于所述相似门店模型选择所述目标门店的相似门店，并获取该相似门店的历史营销数据的单价-订单数分布情况；

根据所述单价-订单数据分布情况，获得到各个金额阈值上的订单数；

根据各个金额阈值上的订单数确定目标门店的消费门槛和满足消费门槛的订单数。

39.根据权利要求37所述的营销活动成本的预测方法，其特征在于，所述根据优惠券面额及优惠券核销量的第一预估值，获得成本的第一预估值，采用下述公式获得：

成本的第一预估值等于所述优惠券面额乘以优惠券核销量的第一预估值。

40.根据权利要求37所述的营销活动成本的预测方法，其特征在于，使用所述折扣率调节因子对所述目标门店成本的第一预估值进行调节，采用下述调节公式，获得所述目标门店成本的第二预估值：

该目标门店的成本的第二预估值等于所述目标门店成本的第一预估值乘以折扣率调节因子。

41.根据权利要求40所述的营销活动成本的预测方法，其特征在于，还包括：

加入构建的优惠券核销量因子对所述第二预估值进行调节，采用下述调节公式，获得所述目标门店成本的第三预估值；

成本的第三预估值等于所述成本的第二预估值乘以核销量因子。