CN108389060A - 顾客忠诚度信息处理方法及装置 - Google Patents
顾客忠诚度信息处理方法及装置 Download PDFInfo
- Publication number
- CN108389060A CN108389060A CN201810167210.8A CN201810167210A CN108389060A CN 108389060 A CN108389060 A CN 108389060A CN 201810167210 A CN201810167210 A CN 201810167210A CN 108389060 A CN108389060 A CN 108389060A
- Authority
- CN
- China
- Prior art keywords
- customer
- visiting
- weight
- shop
- day
- 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.)
- Granted
Links
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
- G06Q30/01—Customer relationship services
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请公开了一种顾客忠诚度信息处理方法及装置。通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;根据所述每个进店时间对应的进店时长得到停留时长权重ft;根据所述进店时间确定到访日期,并确定来访间隔权重fd;根据所述进店次数确定来访次数权重fn;根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。达到了确定顾客忠诚值的目的,从而实现了无论顾客是否未被系统录入或是非注册会员均能够进行忠诚值计算处理的技术效果,进而解决了相关技术中由于只能通过在顾客注册会员后或是被CRM系统录入后才能够进行忠诚值计算的技术问题。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种顾客忠诚度信息处理方法及装置。
背景技术
在营销实践中,顾客忠诚被定义为顾客购买行为的连续性,它是指客户对企业产品和服务的依赖和认可、坚持长期购买和使用该企业产品或服务所表现出的在思想和情感上的一种高度信任和忠诚的程度,是客户对企业产品在长期竞争中所表现出的优势的综合评价。顾客忠诚度指顾客忠诚的程度,是一个量化概念。顾客忠诚度是指由于质量、价格、服务等诸多因素的影响,使顾客对某一企业的产品或服务产生感情,形成偏爱并长期重复购买该企业产品或服务的程度。目前主流的顾客忠诚度评估体系大多基于企业自身的各种会员系统或CRM系统,然而实际情况中,很多到店顾客并没注册会员或是被CRM系统录入,因而也就无法通过传统的会员体系方式对这部分顾客进行忠诚度评估。
所谓探针既是从特定源中获取某种事件数据的器件,通过基于探针获取事件的方式对探针进行分类,目前的探针主要分为:设备探针、日志文件探针、数据库探针、API探针、CORBA探针以及其它探针,本专利中的探针主要指的是wifi、摄像头等设备探针,其中wifi探针技术是指基于wifi探测技术来识别AP(无线访问接入点)附近已开启wifi的智能手机或者wifi终端(笔记本、平板电脑等),无需用户接入wifi,wifi探针就能够识别用户的信息。当我们走进探针信号覆盖区域内且我们的wifi设备打开,该设备就能够被探针探测出来,其主要获取终端设备的有效mac地址,以及相应设备上传数据包的时间戳,通过这两个维度的数据可以确定顾客的身份和到访时间,即顾客的行为信息。
目前业内并没有统一的顾客忠诚度分析算法,目前大多数传统的顾客忠诚度分析算法是基于会员系统中的数据包括顾客属性、商品属性、顾客购买时间在内多种维度的综合评估算法,而在实际情况中,很多到店顾客并没注册会员或是被CRM系统录入,因而也就无法通过传统的会员体系方式对这部分顾客进行忠诚度评估,因此我们需要一种更广泛的顾客忠诚度分析算法来解决非注册会员顾客的忠诚度评估问题。
发明内容
本申请的主要目的在于提供一种顾客忠诚度信息处理方法及装置,以解决相关技术中针对未被系统录入以及非注册会员无法进行忠诚度评估的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种顾客忠诚度信息处理方法,包括:
通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;
根据所述每个进店时间对应的进店时长得到停留时长权重ft;
根据所述进店时间确定到访日期,并确定来访间隔权重fd;
根据所述进店次数确定来访次数权重fn;
根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。
进一步的,如前述的顾客忠诚度信息处理方法,所述根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值wnew,包括:
确定前一计算日日期的所述顾客忠诚值w;
若计算日日期当天未有顾客到访,则新的忠诚度值wnew的计算方法如下式所示:
wnew=w×fdd_w(d-dcome);
若计算日日期当天有顾客到访,则新的忠诚度值wnew的计算方法如下式所示:
wnew=w×fdd_w(d-dcome)+ftt_w(t)×fnn_w(n);d come=d;
其中,d_w、t_w和n_w分别为fd、ft、fn的影响权重。
进一步的,如前述的顾客忠诚度信息处理方法,
确定当天顾客到店时长t以及起始计算日日期到当天的顾客到同类别商户每日的停留时长;
根据所述起始计算日日期到当天的顾客到同类别商户每日的停留时长,计算出顾客到同类别商户的平均停留时长T;
根据下式计算所述停留时长权重ft:
进一步的,如前述的顾客忠诚度信息处理方法,
若计算日日期当天有顾客到访,先确定上一次顾客到访日期dcome与计算日日期d之间的间隔天数dinterval=d-dcome,而后更新dcome为计算日日期d;
若计算日日期当天未有顾客到访,则计算最近一次到访日期dcome与计算日日期d之间的间隔天数dinterval=d-dcome;
其中,dfa2为间隔天数阀值。
进一步的,如前述的顾客忠诚度信息处理方法,
若计算日日期当天顾客有到访,将之前的访问次数加1,得出顾客在该店的到访次数权重fn,如下式所示:
进一步的,如前述的顾客忠诚度信息处理方法,
确定计算日日期当天到访顾客的ftk(t)、fdk(dinterval)、fnk(k),其中k为第k次到访;
根据所述ftk(t)、fdk(dinterval)、fnk(k)计算得到顾客忠诚值w,如下式所示:
其中,d_w、t_w和n_w分别为ftk(t)、fdk(dinterval)、fnk(k)的影响权重。
进一步的,如前述的顾客忠诚度信息处理方法,所述确定计算日日期当天到访顾客的ftk(t),包括:
统计顾客直至计算日日期当天为止的所有到访日的停留时长权重ftk(t),其中,k=1、2、3...n,k表示第k次到访,
确定所述顾客在第k次到访的停留时长t;
获得相同类别商户所有到访顾客的平均停留时长T;
根据所述停留时长t和平均停留时长T计算第k个到访日的停留时长权重ftk(t)计算方法如下式所示:
进一步的,如前述的顾客忠诚度信息处理方法,
确定顾客直至计算日日期当天为止的所有到访日的到访次数权重fnk(k),到访次数权重fnk(k)如下式进行计算:
其中,k=1、2、3...n;k代表第k次到访;nfa1为次数阀值。
进一步的,如前述的顾客忠诚度信息处理方法,
确定顾客直至计算日日期当天为止的最后一次到访间隔权重fdk(dinterval),所述到访间隔权重fdk(dinterval)如下式进行计算:
其中,k=1、2、3...n;k代表第k次到访,dinterval为第k次到访的间隔天数;dfa2为间隔天数阀值。
一种顾客忠诚度信息处理装置,包括:
信息获得单元,用于通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;
停留时长权重确定单元,用于根据所述每个进店时间对应的进店时长得到停留时长权重ft;
到访间隔权重确定单元,用于根据所述进店时间确定到访日期,并确定来访间隔权重fd;
来访次数权重确定单元,用于根据所述进店次数确定来访次数权重fn;
忠诚值确定单元,用于根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。
在本申请实施例中,采用通过WiFi探针获取用户进店信息的方式,通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;根据所述每个进店时间对应的进店时长得到停留时长权重ft;根据所述进店时间确定到访日期,并确定来访间隔权重fd;根据所述进店次数确定来访次数权重fn;根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。达到了确定顾客忠诚值的目的,从而实现了无论顾客是否未被系统录入或是非注册会员均能够进行忠诚值计算处理的技术效果,进而解决了相关技术中由于只能通过在顾客注册会员后或是被CRM系统录入后才能够进行忠诚值计算的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请一种实施例的方法流程示意图;
图2是本申请一种实施例中采用TFD-1算法的方法流程示意图;
图3是本申请一种实施例中采用TFD-2算法的方法流程示意图;以及
图4是本申请一种实施例的装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,本申请停一种顾客忠诚度信息处理方法,包括如下所述步骤S1~S5:
S1.通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;
S2.根据所述每个进店时间对应的进店时长,确定停留时长权重ft;
S3.根据所述进店时间确定到访日期,确定来访间隔权重fd;
S4.根据所述进店次数,确定来访次数权重fn;
S5.根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。
若用户计算日日期当天到访,首先使用探针收集当天顾客的行为数据,包括顾客所持智能设备的唯一识别码(MAC地址)以及顾客来访的时间戳,与此同时通过探针所在商户的信息,对商户的类别进行区分归类。
通过顾客来访时间戳计算出顾客在该商户的停留时长t,查询出该商户所属品类,综合所有曾经到访该品类商户的顾客停留时长(t1、t2、t3...tn)计算出到访该品类商户顾客的平均停留时长T。结合顾客在该商户的停留时长t和该品类商户顾客的平均停留时长T计算出停留时长权重ft,ft具体算法如公式1所示。
综合顾客过去一段时间的来访记录,查询出最后一次到访日期,计算出该日期与当前计算日日期的天数间隔,使用天数间隔和间隔阀值计算出来访间隔权重fd,fd具体算法如公式2所示。
综合顾客过去一段时间的来访记录,计算出直至当前计算日日期的到店次数n,使用n和来访次数阀值计算出来访次数权重fn,fn的具体算法如公式3所示。
综合当天停留时长权重ft、最后一次来访间隔权重fd、来访次数权重fn综合计算出顾客忠诚值w,本专利提供了两种忠诚度值计算模型来计算w,第一种模型如公式4-1和4-2所示:若计算日日期当天顾客未有到访则w等于上个到访日的w与更新后的fd相乘的结果;若计算日日期当天顾客有到访,则w等于上个到访日w与更新后的fd相乘后,再加上当天的停留时长权重ft与次数权重fn的乘积。第二种模型如公式5所示:无论计算日日期当天顾客有无到访,都对过去一段时间内每一次顾客到访当天的ft、fd、fn分别计算,将每次到访的ft、fd、fn相乘后按访问次数累计最终的得到忠诚度值w,模型1和模型2两种算法相比,模型1需要每天都更新忠诚度值w,每个新的忠诚度值w是基于上次到访w值计算而来,而模型二不需要每天都更新忠诚度值,当需要计算顾客某天的忠诚度情况时,需要遍历顾客在该天之前顾客行为观察期内所有到访日的ft、fd、fn,当顾客行为观察期较长,模型2由于每次都要对顾客行为观察期内的到访情况进行遍历,运算效率不及模型1,而模型1则需要每天对所有历史顾客更新忠诚度,可以根据不同情况选择不同的工程实现。
本发明提供了两种不同的忠诚度值计算模型(分别是TFD-1算法和TFD-2算法),若采用TFD-1算法作为忠诚度值计算模型。
实施例1,如图2是根据本发明实施例的采用TFD-1算法的基于探针数据的顾客忠诚度评价方法的流程示意图,如图所示,该方法的步骤如下:
(1)首先在过去的一段时间里(顾客行为观察期)持续使用wifi探针设备收集商户来访顾客信息数据,若顾客持续在店,则部署在店内的探针设备在这段时间里会一直收到该顾客所持智能设备所发出的数据包,该数据包包含有顾客所持智能设备的MAC地址和发包时间戳,因而可以获得一个按时序排列的时间戳序列;与此同时,通过对商户类别信息进行整理,我们可以将商户按自定义类别分类,确定商户所属类别;并且初始化顾客忠诚度初始值w为0,从顾客的第一个到访日开始作为第一个计算日日期,往后逐日计算新的w
(2)若计算日日期当天顾客有有到访,首先对顾客该天到店的时间戳序列进行处理,提取出最早时间戳tfirst和最晚时间戳tlast,利用tlast-tfirst来估计顾客在该店的停留时长t。汇总过去一段时间里相同类别商户所有顾客的停留时长(t1、t2、t3、t4...tl),计算出该类别商户顾客平均停留时长T,通过将顾客在该店该天的停留时长t与该类别商户顾客平均停留时长T的差值t-T代入带权重的sigmod函数中,计算顾客在该店每次到访的停留时间权重ft,如公式1所示。其中在sigmod函数的指数项前加上了-6/T的权重,这是因为加上权重后当t从右侧趋近于0时停留时长权重ft更接近于0,而当t从左侧趋近于2T时停留时长权重ft接近于1。
(3)若计算日日期当天顾客有到访,将之前的访问次数加1,而后减去次数阀值(即nfa)并代入带权重的sigmod函数中(公式2),计算出顾客在该店的到访次数权重fn,如公式2所示。在sigmod函数的指数项前加上-6/nfa的参数,当n从右侧趋近于0时访问次数权重fn更接近于0,而当n从左侧趋近于2倍nfa时访问次数权重fn更接近于1
(4)若计算日日期当天顾客有到访,先计算最近一次到访日期与计算日日期之间的间隔天数dinterval=d-dcome,并更新dcome为计算日日期d;若计算日日期当天无到访,则计算最近一次到访日期与计算日日期之间的间隔天数dinterva=ld-dcome。而后将间隔天数与间隔天数阀值(即dfa)相减后代入带权重的sigmod函数,计算出顾客到访间隔权重fd,如公式3所示,在sigmod函数的指数项前加上-6/dfa参数,当dinterval从右侧趋近于0时最近一次来访间隔权重fd更趋近于1,而当dinterval从左侧趋近于2倍dfa时最后一次到访权重fd更趋近于0。
(5)若计算日日期当天顾客未到访,则新的忠诚度值wnew等于前次到访的忠诚度值w乘以来访间隔权重fd的d_w次方,如公式4-1所示;若计算日日期当天顾客有到访,则新的忠诚度值wnew等于之前的忠诚度值w乘以来访间隔权重fd的d_w次方后,再加上fn的t_w次方与f(t)的n_w指数倍的乘积,其中d_w、t_w和n_w用于控制fd、ft、fn对忠诚度的影响权重,更新最后一次到访日期为当前计算日日期,如公式4-2所示
wnew=w×fdd_w(d-dcome) 公式4-1
wnew=w×fdd_w(d-dcome)+ftt_w(t)×fnn_w(n);dcome=d 公式4-2
(6)一天之后,即下一个计算日日期,重复(2)~(5)过程,即,当前计算日日期的w值是由前一个计算日日期的w值和当前计算日日期的ft、fd、fn计算而来,从第一个计算日日期往后,每天都需要更新w的值
若采用TFD-2算法作为忠诚度值计算模型,如图3是根据本发明实施例的采用TFD-2算法的基于探针数据的顾客忠诚度评价方法的流程示意图,如图所示,该方法的步骤如下:
(1)和TFD-1算法一样,首先在过去的一段时间里(顾客行为观察期)持
续使用探针设备收集商户来访顾客信息数据,获得一个按时序排列的时间戳序列,通过对商户类别信息进行整理,将商户按自定义类别分类,确定商户所属类别
(2)统计顾客直至计算日日期当天为止整个行为观察期内的所有到访日的停留。
时长权重ftk(t),k=1、2、3...n其中k是到访次数,其中第k个到访日的停留时长权重ftk(t)计算方法与TFD-1相同,具体如公式1所示,首先对顾客第k天到店的时间戳序列进行处理,提取出最早时间戳tfirst和最晚时间戳tlast,利用tlast-tfirst来估计顾客在该店第k天的停留时长t。汇总过去一段时间里相同类别商户所有到访顾客的停留时长(t1、t2、t3、t4...tl),计算出该类别商户顾客平均停留时长T,通过将顾客在该店第k天的停留时长t与该类别商户顾客平均停留时长T的差值t-T代入带权重的sigmod函数中,计算出顾客在该店第k天到访的停留时间权重ftk(t)。
(3)统计顾客直至计算日日期当天为止整个行为观察期内的所有到访日的到访。
次数权重fnk(k),k=1、2、3...n其中k代表第k次到访,其中第k个到访日的到访次数权重fnk(k)计算方法与TFD-1相同,具体如公式2所示,将第k个到访日的到访次数减去次数阀值并代入带权重的sigmod函数中,从而计算出第k天的顾客在该店的到访次数权重fnk(k)。
(4)统计顾客直至计算日日期当天为止整个行为观察期内所有到访日的最后一次到访间隔权重fdk(dinterval),k=1、2、3...n其中k代表第k次到访,其中第k个到访日的最后一次到访间隔权重fdk(dinterval)计算方法与TFD-1相同,具体如公式3所示,将第k个到访日的间隔天数与间隔天数阀值相减后代入带权重的sigmod函数,计算出第k天的顾客到访间隔权重fdk(dinterval)。
(5)计算日日期当天顾客的忠诚度值w等于k个客户到访时的ftk(t)、fdk(dinterval)、fnk(k)三者权重指数乘积的累加,如公式5所示
下面通过一个示例来对上述实施例的特点作进一步详细说明。
假设顾客行为观察期为六天,顾客在第一天和第五天有到访某商店,并且该商店的类别已经确定且已知该类别商户顾客平均停留时长为30分钟,t_w权重是0.3,d_w权重是0.1,n_w权重是0.8,若采用TFD-1算法作为顾客忠诚度值计算模型,则从第一天到第五天的忠诚度值计算步骤如下:
(1)第一个计算日日期,即第一天,由于顾客在该店有到访行为,因此首先计算出顾客该天的停留时长权重ft、访问次数权重fn以及最近一次来访间隔权重fd,假设顾客这天到店停留了20分钟,按照公式1、公式2、公式3、公式4-2,计算出第一天顾客对该店的忠诚度w1;具体计算方法如下所示:
w0=0
w1=w0×fd0.1(dinterval=0)+ft0.3(t=20)×fn0.8(n=1)
(2)第二个计算日日期,即第二天,由于顾客在该店无到店行为,则只需计算最近一次来访间隔权重fd,按照公式3和公式4-1,计算出第二天顾客对该店的忠诚度w2;具体计算方法如下所示:
w2=w1×fd0.1(dinterval=1)
(3)第三个计算日日期,即第三天,由于顾客在该店无到店行为,则只需计算最近一次到来访间隔权重fd,按照公式3和公式4-1,计算出第三天顾客对该店的忠诚度w3;具体计算方法如下所示:
w3=w1×fd0.1(dinterval=2)
(4)第四个计算日日期,即第四天,由于顾客在该店无到店行为,则只需计算最近一次来访间隔权重fd,按照公式3和公式4-1,计算出第四天顾客对该店的忠诚度w4;具体计算方法如下所示:
w4=w1×fd0.1(dinterval=3)
(5)第五个计算日日期,即第五天,由于顾客在该店有到访行为,因此首先计算出顾客该天的停留时长权重ft、访问次数权重fn以及最近一次来访间隔权重fd,假设顾客这天停留了13分钟,按照公式3和公式4-1,计算出第二天顾客对该店的忠诚度w5并且更新了dcome为当前计算日日期日期;具体计算方法如下所示:
w5=w4×fd0.1(dinterval=4)+ft0.3(t=13)×fn0.8(n=2)
(5)第六个计算日日期,即第六天,由于顾客在该店并无到访行为,只需计算最近一次到来访间隔权重fd,按照公式3和公式4-1,计算出第六天顾客对该店的忠诚度w6,由于是dcome是4,当前日期d是5,所以这里的dinterval是1;具体计算方法如下所示:
w6=w5×fd0.1(dinterval=1)
若采用TFD-2算法作为顾客忠诚度计算模型,则从第一天到第六天的忠诚度值计算步骤如下:
(1)第一个计算日日期,顾客在该店有到访行为,假设顾客这天到店停留了20分钟,按照公式1、公式2、公式3和公式5,计算出第一天顾客对该店的忠诚度w1,其中ft、fd、fn的下标1表示这是第一次到店;
w1=ft1 0.3(t=20)×fn1 0.8(n=1)×fd1 0.1(dinterval=0)
(2)第二个计算日日期,顾客在该天无到店行为,需要更新最后一次来访间隔权重fd,然后按照公式1、公式2、公式3和公式5,计算出第二天顾客对该店的忠诚度w2;具体计算方法如下所示:
w2=ft1 0.3(t=20)×fn1 0.8(n=1)×fd1 0.1(dinterval=1)
(3)第三个计算日日期,顾客无到店行为,需要更新最后一次来访间隔权重fd,然后按照公式1、公式2、公式3和公式5,计算出第三天顾客对该店的忠诚度w3;具体计算方法如下所示:
w3=ft1 0.3(t=20)×fn1 0.8(n=1)×fd1 0.1(dinterval=2)
(4)第四个计算日日期,顾客无到店行为,需要更新最后一次来访间隔权重fd,然后按照公式1、公式2、公式3和公式5,计算出第四天顾客对该店的忠诚度w4;具体计算方法如下所示:
w4=ft1 0.3(t=20)×fn1 0.8(n=1)×fd1 0.1(dinterval=3)
(5)第五个计算日日期,顾客在该店有到访行为,假设顾客这天到店停留了13分钟,然后按照公式1、公式2、公式3和公式5,在w4基础上加上新的组合权重,计算出第五天顾客对该店的忠诚度w5;具体计算方法如下所示:
w5=ft1 0.3(t=20)×fn1 0.8(n=1)×fd1 0.1(d=4)+ft2 0.3(t=13)×fn2 0.8(n=2)×fd2 0.1(dinterval=0)
(6)第六个计算日日期,顾客无到店行为,需要更新最后一次来访间隔权重fd,然后按照公式1、公式2、公式3和公式5,计算出第六天顾客对该店的忠诚度w6;具体计算方法如下所示:
w6=ft1 0.3(t=20)×fn1 0.8(n=1)×fd1 0.1(d=5)+ft2 0.3(t=13)×fn2 0.8(n=2)×fd2 0.1(dinterval=1)
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例,还提供了一种用于实施上述顾客忠诚度信息处理方法的装置,如图4所示,该装置包括:
信息获得单元1,用于通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;
停留时长权重确定单元2,用于根据所述每个进店时间对应的进店时长,确定停留时长权重ft;
到访间隔权重确定单元3,用于根据所述进店时间确定到访日期,确定来访间隔权重fd;
来访次数权重确定单元4,用于根据所述进店次数,确定来访次数权重fn;
忠诚值确定单元5,用于根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。
由于本装置中的上述单元所执行的功能及流程与方法中所述的流程一致,在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种顾客忠诚度信息处理方法,其特征在于,包括:
通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;
根据所述每个进店时间对应的进店时长,确定停留时长权重ft;
根据所述进店时间确定到访日期,确定来访间隔权重fd;
根据所述进店次数,确定来访次数权重fn;
根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。
2.根据权利要求1所述的顾客忠诚度信息处理方法,其特征在于,所述根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值wnew,包括:
确定前一计算日日期的所述顾客忠诚值w;
若计算日日期当天未有顾客到访,则新的忠诚度值wnew的计算方法如下式所示:
wnew=w×fdd_w(d-dcome);
若计算日日期当天有顾客到访,则新的忠诚度值wnew的计算方法如下式所示:
wnew=w×fdd_w(d-dcome)+ftt_w(t)×fnn_w(n);dcome=d;
其中,d_w、t_w和n_w分别为fd、ft、fn的影响权重。
3.根据权利要求2所述的顾客忠诚度信息处理方法,其特征在于,所述确定停留时长权重ft,包括:
确定当天顾客到店时长t以及起始计算日日期到当天的顾客到同类别商户每日的停留时长;
根据所述起始计算日日期到当天的顾客到同类别商户每日的停留时长,计算出顾客到同类别商户的平均停留时长T;
根据下式计算所述停留时长权重ft:
4.根据权利要求2所述的顾客忠诚度信息处理方法,其特征在于,所述确定来访间隔权重fd,包括:
若计算日日期当天有顾客到访,先确定上一次顾客到访日期dcome与计算日日期d之间的间隔天数dinterval=d-dcome,而后更新dcome为计算日日期d;
若计算日日期当天未有顾客到访,则计算最近一次到访日期dcome与计算日日期d之间的间隔天数dinterval=d-dcome;
其中,dfa2为间隔天数阀值。
5.根据权利要求2所述的顾客忠诚度信息处理方法,其特征在于,
若计算日日期当天顾客有到访,将之前的访问次数加1,得出顾客在该店的到访次数权重fn,如下式所示:
6.根据权利要求1所述的顾客忠诚度信息处理方法,其特征在于,
确定计算日日期当天到访顾客的ftk(t)、fdk(dinterval)、fnk(k),其中k为第k次到访;
根据所述ftk(t)、fdk(dinterval)、fnk(k)计算得到顾客忠诚值w,如下式所示:
其中,d_w、t_w和n_w分别为ftk(t)、fdk(dinterval)、fnk(k)的影响权重。
7.根据权利要求6所述的顾客忠诚度信息处理方法,其特征在于,所述确定计算日日期当天到访顾客的ftk(t),包括:
统计顾客直至计算日日期当天为止的所有到访日的停留时长权重ftk(t),其中,k=1、2、3...n,k表示第k次到访,
确定所述顾客在第k次到访的停留时长t;
获得相同类别商户所有到访顾客的平均停留时长T;
根据所述停留时长t和平均停留时长T计算第k个到访日的停留时长权重ftk(t)计算方法如下式所示:
8.根据权利要求6所述的顾客忠诚度信息处理方法,其特征在于,
确定顾客直至计算日日期当天为止的所有到访日的到访次数权重fnk(k),到访次数权重fnk(k)如下式进行计算:
其中,k=1、2、3...n;k代表第k次到访;nfa1为次数阀值。
9.根据权利要求6所述的顾客忠诚度信息处理方法,其特征在于,
确定顾客直至计算日日期当天为止的最后一次到访间隔权重fdk(dinterval),所述到访间隔权重fdk(dinterval)如下式进行计算:
其中,k=1、2、3...n;k代表第k次到访,dinterval为第k个到访日的间隔天数;dfa2为间隔天数阀值。
10.一种顾客忠诚度信息处理装置,其特征在于,包括:
信息获得单元,用于通过WiFi探针获取顾客进入店铺的进店次数、进店时间以及与每个进店时间对应的进店时长;
停留时长权重确定单元,用于根据所述每个进店时间对应的进店时长,确定停留时长权重ft;
到访间隔权重确定单元,用于根据所述进店时间确定到访日期,确定来访间隔权重fd;
来访次数权重确定单元,用于根据所述进店次数,确定来访次数权重fn;
忠诚值确定单元,用于根据所述停留时长权重ft、来访间隔权重fd和来访次数权重fn确定顾客忠诚值w。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810167210.8A CN108389060B (zh) | 2018-02-28 | 2018-02-28 | 顾客忠诚度信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810167210.8A CN108389060B (zh) | 2018-02-28 | 2018-02-28 | 顾客忠诚度信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389060A true CN108389060A (zh) | 2018-08-10 |
CN108389060B CN108389060B (zh) | 2021-10-29 |
Family
ID=63069160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810167210.8A Active CN108389060B (zh) | 2018-02-28 | 2018-02-28 | 顾客忠诚度信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389060B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570238A (zh) * | 2019-08-26 | 2019-12-13 | 上海汇纳数据科技有限公司 | 顾客时间价值的评估方法、系统、介质、及电子设备 |
CN110766437A (zh) * | 2019-07-15 | 2020-02-07 | 北方工业大学 | 一种基于乘客特征的轨道交通乘客忠诚度的计算方法 |
CN111325151A (zh) * | 2020-02-20 | 2020-06-23 | 京东数字科技控股有限公司 | 展示优先级的获取方法、装置、终端及计算机可读介质 |
CN111353818A (zh) * | 2020-02-27 | 2020-06-30 | 上海百秋电子商务有限公司 | 基于crm的会员多次入会分段处理方法 |
CN111784387A (zh) * | 2020-06-23 | 2020-10-16 | 大连中维世纪科技有限公司 | 一种基于多维度大数据的消费者品牌忠诚度分析方法 |
WO2020244361A1 (zh) * | 2019-06-03 | 2020-12-10 | 北京市商汤科技开发有限公司 | 数据处理方法、装置及存储介质 |
CN113240849A (zh) * | 2021-05-08 | 2021-08-10 | 深圳市捷成安科技有限公司 | 一种基于终端操作的智能通道闸联动控制系统 |
CN114220140A (zh) * | 2021-11-23 | 2022-03-22 | 慧之安信息技术股份有限公司 | 基于图像识别的市场客流量统计方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130124258A1 (en) * | 2010-03-08 | 2013-05-16 | Zainab Jamal | Methods and Systems for Identifying Customer Status for Developing Customer Retention and Loyality Strategies |
US20130226657A1 (en) * | 2012-02-27 | 2013-08-29 | Accenture Global Services Limited | Digital Consumer Data Model And Customer Analytic Record |
CN103458456A (zh) * | 2013-08-27 | 2013-12-18 | 中国科学院信息工程研究所 | 基于移动终端Wi-Fi数据的用户行为检测方法及装置 |
CN104778603A (zh) * | 2015-03-27 | 2015-07-15 | 北京智慧图科技有限责任公司 | 基于室内定位数据的商铺客流分析方法及系统 |
CN105430100A (zh) * | 2015-12-23 | 2016-03-23 | 北京奇虎科技有限公司 | 一种用户价值的评估方法、装置及其应用方法和系统 |
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
CN106056404A (zh) * | 2016-05-24 | 2016-10-26 | 北京京东尚科信息技术有限公司 | 数据挖掘方法及装置 |
CN106357742A (zh) * | 2016-08-29 | 2017-01-25 | 深圳赢时通网络有限公司 | 一种营销系统 |
CN106372964A (zh) * | 2016-08-29 | 2017-02-01 | 北京红马传媒文化发展有限公司 | 一种行为忠诚度的识别及管理方法、系统和终端 |
US20170104662A1 (en) * | 2015-10-12 | 2017-04-13 | International Business Machines Corporation | Transaction data analysis |
CN106612459A (zh) * | 2015-10-22 | 2017-05-03 | 北京国双科技有限公司 | 基于网络电视统计用户黏度的方法和装置 |
US20170178174A1 (en) * | 2013-07-13 | 2017-06-22 | Spring Marketplace, Inc. | Systems and Methods to Enable Offer and Rewards Marketing, and Customer Relationship Management (CRM) Network Platform |
CN106937253A (zh) * | 2017-04-17 | 2017-07-07 | 上海汇纳信息科技股份有限公司 | 一种顾客判断方法及系统、服务器 |
CN107103386A (zh) * | 2017-04-13 | 2017-08-29 | 国网河南省电力公司电力科学研究院 | 基于rfm模型的电力客户缴费渠道偏好分析预测方法 |
CN107169798A (zh) * | 2017-05-15 | 2017-09-15 | 广东小天才科技有限公司 | 保持终端客户黏度的方法、终端设备及计算机存储介质 |
CN107316200A (zh) * | 2016-04-26 | 2017-11-03 | 阿里巴巴集团控股有限公司 | 一种分析用户行为周期的方法和装置 |
-
2018
- 2018-02-28 CN CN201810167210.8A patent/CN108389060B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130124258A1 (en) * | 2010-03-08 | 2013-05-16 | Zainab Jamal | Methods and Systems for Identifying Customer Status for Developing Customer Retention and Loyality Strategies |
US20130226657A1 (en) * | 2012-02-27 | 2013-08-29 | Accenture Global Services Limited | Digital Consumer Data Model And Customer Analytic Record |
US20170178174A1 (en) * | 2013-07-13 | 2017-06-22 | Spring Marketplace, Inc. | Systems and Methods to Enable Offer and Rewards Marketing, and Customer Relationship Management (CRM) Network Platform |
CN103458456A (zh) * | 2013-08-27 | 2013-12-18 | 中国科学院信息工程研究所 | 基于移动终端Wi-Fi数据的用户行为检测方法及装置 |
CN104778603A (zh) * | 2015-03-27 | 2015-07-15 | 北京智慧图科技有限责任公司 | 基于室内定位数据的商铺客流分析方法及系统 |
US20170104662A1 (en) * | 2015-10-12 | 2017-04-13 | International Business Machines Corporation | Transaction data analysis |
CN106612459A (zh) * | 2015-10-22 | 2017-05-03 | 北京国双科技有限公司 | 基于网络电视统计用户黏度的方法和装置 |
CN105430100A (zh) * | 2015-12-23 | 2016-03-23 | 北京奇虎科技有限公司 | 一种用户价值的评估方法、装置及其应用方法和系统 |
CN107316200A (zh) * | 2016-04-26 | 2017-11-03 | 阿里巴巴集团控股有限公司 | 一种分析用户行为周期的方法和装置 |
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
CN106056404A (zh) * | 2016-05-24 | 2016-10-26 | 北京京东尚科信息技术有限公司 | 数据挖掘方法及装置 |
CN106372964A (zh) * | 2016-08-29 | 2017-02-01 | 北京红马传媒文化发展有限公司 | 一种行为忠诚度的识别及管理方法、系统和终端 |
CN106357742A (zh) * | 2016-08-29 | 2017-01-25 | 深圳赢时通网络有限公司 | 一种营销系统 |
CN107103386A (zh) * | 2017-04-13 | 2017-08-29 | 国网河南省电力公司电力科学研究院 | 基于rfm模型的电力客户缴费渠道偏好分析预测方法 |
CN106937253A (zh) * | 2017-04-17 | 2017-07-07 | 上海汇纳信息科技股份有限公司 | 一种顾客判断方法及系统、服务器 |
CN107169798A (zh) * | 2017-05-15 | 2017-09-15 | 广东小天才科技有限公司 | 保持终端客户黏度的方法、终端设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
YUEXIAN ZHANG; QINHAI MA: "Impact of scenario-based customer process flow on customer emotion and loyalty", 《2008 IEEE INTERNATIONAL CONFERENCE ON SERVICE OPERATIONS AND LOGISTICS, AND INFORMATICS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020244361A1 (zh) * | 2019-06-03 | 2020-12-10 | 北京市商汤科技开发有限公司 | 数据处理方法、装置及存储介质 |
CN110766437A (zh) * | 2019-07-15 | 2020-02-07 | 北方工业大学 | 一种基于乘客特征的轨道交通乘客忠诚度的计算方法 |
CN110570238A (zh) * | 2019-08-26 | 2019-12-13 | 上海汇纳数据科技有限公司 | 顾客时间价值的评估方法、系统、介质、及电子设备 |
CN111325151A (zh) * | 2020-02-20 | 2020-06-23 | 京东数字科技控股有限公司 | 展示优先级的获取方法、装置、终端及计算机可读介质 |
CN111353818A (zh) * | 2020-02-27 | 2020-06-30 | 上海百秋电子商务有限公司 | 基于crm的会员多次入会分段处理方法 |
CN111353818B (zh) * | 2020-02-27 | 2022-07-15 | 上海百秋电子商务有限公司 | 基于crm的会员多次入会分段处理方法 |
CN111784387A (zh) * | 2020-06-23 | 2020-10-16 | 大连中维世纪科技有限公司 | 一种基于多维度大数据的消费者品牌忠诚度分析方法 |
CN113240849A (zh) * | 2021-05-08 | 2021-08-10 | 深圳市捷成安科技有限公司 | 一种基于终端操作的智能通道闸联动控制系统 |
CN113240849B (zh) * | 2021-05-08 | 2022-12-06 | 深圳市捷成安科技有限公司 | 一种基于终端操作的智能通道闸联动控制系统 |
CN114220140A (zh) * | 2021-11-23 | 2022-03-22 | 慧之安信息技术股份有限公司 | 基于图像识别的市场客流量统计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108389060B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389060A (zh) | 顾客忠诚度信息处理方法及装置 | |
CN107563757B (zh) | 数据风险识别的方法及装置 | |
CN105335409B (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
EP3371716B1 (en) | System and method for detecting interaction and influence in networks | |
US11107084B2 (en) | Fraud risk scoring tool | |
CN107438050B (zh) | 识别网站的潜在恶意用户的方法和装置 | |
CN109598563A (zh) | 刷单检测方法、装置、存储介质和电子设备 | |
JP5993012B2 (ja) | 電気通信呼グラフのノード間の辺の複合紐帯メトリックを導き出すための方法および装置 | |
CN110109901A (zh) | 筛选目标对象的方法和装置 | |
CN107092641A (zh) | 店铺营业状态的判断方法和装置、店铺搜索的方法和装置 | |
CN109685537A (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN107993088A (zh) | 一种购买周期预测方法及装置,电子设备 | |
CN107622197A (zh) | 设备识别方法及装置、用于设备识别的权重计算方法及装置 | |
CN106529953A (zh) | 一种对业务属性进行风险识别的方法及装置 | |
CN107730284A (zh) | 一种信息推送方法及装置 | |
CN109727047A (zh) | 一种确定数据关联度的方法和装置、数据推荐方法和装置 | |
CN109118316A (zh) | 线上店铺真实性的识别方法和装置 | |
CN108446297A (zh) | 一种推荐方法及装置,电子设备 | |
CN110443265A (zh) | 一种基于社团的行为检测方法和装置 | |
CN109934654A (zh) | 商品推荐方法和系统 | |
CN108182282A (zh) | 地址真实性验证方法、装置及电子设备 | |
CN108512674A (zh) | 用于输出信息的方法、装置和设备 | |
KR20130033506A (ko) | 아이템 추천 방법 및 장치 | |
Prakash et al. | A machine learning approach-based power theft detection using GRF optimization | |
CN106067129A (zh) | 推送信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |