CN108428153A - 预售商品的策略调整方法、服务器及策略调整系统 - Google Patents

Abstract

本发明提供了一种预售商品的策略调整方法、服务器及策略调整系统。策略调整方法包括以下步骤：对每一所述预售商品，采集每一用户在一预设周期内的行为数据；基于所述行为数据，建立一包含兴趣量、预定量和购买量的兴趣模型；根据所述兴趣模型，调整所述预售商品的售卖策略。采用本发明提供的预售商品的策略调整方法，便于从多个维度统计用户的商品的兴趣和购买欲望，从而对预售商品的售卖策略进行调整，优化售卖方案，降低售卖风险，并为每一用户推送与其兴趣相匹配的商品信息，为用户提供一种更为优化的线上购物体验。

Description

预售商品的策略调整方法、服务器及策略调整系统

技术领域

本发明涉及互联网技术领域，尤其涉及一种预售商品的策略调整方法、服务器及策略调整系统。

背景技术

随着互联网的普及，网络购物方便、快捷、便宜等优点更加突出，日益成为一种重要的购物形式。

当前的电商系统中，对用户兴趣数据的采集主要针对现货商品，用户对现货商品的关注模型比较的单一：一般采用“关注”，“收藏”或者“种草”的模式，主要用于收集用户一段时间内对于一种商品或是一类商品的兴趣数据，便于向用户推送其感兴趣的相关商品。而在预售的场景下，商品的售卖分为“定金”和“尾款”两个阶段，比一般现货商品的售卖周期更长，商品的库存和定价的策略也更加的灵活。虽然，相比于现货商品，预售商品能够在一定程度上减少产品生产过程中的风险，但其仍承担着用户不支付尾款，导致商品库存过多，导致滞销的风险。因此，如何有效降低售卖风险，并同时提升销量，获取更大的盈利，是电商平台的商家一大亟需解决的问题。

为此，本发明结合了预售商品的售卖模式，提出了“想买”，“已定”和“已入”三个维度的商品关注模型，便于从多个维度统计用户的商品的兴趣和购买欲望，对预售商品的售卖策略进行调整，优化售卖方案，降低售卖风险，为用户提供一种更为优化的线上购物体验。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种预售商品的策略调整方法、服务器及策略调整系统。基于用户对任一预售商品的行为数据，对预售商品的不同阶段进行行为数据的分类统计，建立一包含兴趣量、预定量和购买量的兴趣模型，以此，调整预售商品的售卖策略，以优化售卖方案，低售卖风险，同时还可为用户推送符合其兴趣的预售商品的相关商品信息，为用户提供一种更为优化的线上购物体验。

本发明提供了一种预售商品的策略调整方法，包括以下步骤：对每一所述预售商品，采集每一用户在一预设周期内的行为数据；

基于所述行为数据，建立一包含兴趣量、预定量和购买量的兴趣模型；

根据所述兴趣模型，调整所述预售商品的售卖策略。

优选地，基于所述行为数据，建立一包含兴趣量、预定量和购买量的兴趣模型的步骤中，进一步包括：

判断所述行为数据所属的行为阶段；

基于所述行为阶段，统计所述预售商品的兴趣量、预定量和购买量。

优选地，根据所述兴趣模型，调整所述预售商品的售卖策略的步骤中，进一步包括；

提取所述兴趣模型中的所述预定量和所述兴趣量，以获得一第一转化率；

提取所述兴趣模型中的所述购买量和所述预定量，以获得一第二转化率；

基于所述兴趣量、第一转化率和第二转化率，调整所述预售商品的售卖策略。

优选地，基于所述兴趣量、第一转化率和第二转化率，调整所述预售商品的售卖策略的步骤中，进一步包括：

比较所述兴趣量、第一转化率、第二转化率与一预计量、第一阈值、第二阈值的大小；

基于所述比较结果，调整所述售卖策略以优化所述预售商品的售卖方案。

优选地，基于所述比较结果，调整所述售卖策略以优化所述预售商品的售卖方案的步骤中，进一步包括：

当所述兴趣量小于所述预计量时，增加所述预售商品的曝光度和/或降低所述预售价格；

当所述第一转化率小于所述第一阈值时，减少所述定金周期、降低所述定金比例和/或降低所述预售价格；

当所述第一转化率大于所述第一阈值时，延长所述定金周期、提高所述定金比例和/或提高所述预售价格；

当所述兴趣量小于所述预计量，所述第一转化率小于所述第一阈值，且所述第二转化率小于所述第二阈值时，降低所述预售商品转化为一现货商品后的现货定价；

当所述兴趣量大于所述预计量，所述第一转化率大于所述第一阈值，且所述第二转化率大于所述第二阈值时，提高所述预售商品转化为一现货商品后的现货定价。

优选地，基于所述兴趣量、第一转化率和第二转化率，调整所述预售商品的售卖策略的步骤中，进一步包括：

调取一预设调整参数；

结合所述预设调整参数，判断所述预售商品的商品类型；

基于所述商品类型，调整所述售卖策略以降低所述预售商品的售卖风险。

优选地，结合所述预设调整参数，判断所述预售商品的商品类型的步骤中，进一步包括：

基于所述第一转化率和所述预设调整参数，计算获得所述预售商品的第一风险范围、第二风险范围和第三风险范围；

根据所述第二转化率所在的风险范围，判断所述预售商品的商品类型。

优选地，根据所述第二转化率所在的风险范围，判断所述预售商品的商品类型的步骤中，进一步包括：

当所述第二转化率所在的风险范围为第一风险范围时，则判断所述商品类型为风险型商品；

当所述第二转化率所在的风险范围为第三风险范围时，则判断所述商品类型为普通型商品；

当所述第二转化率所在的风险范围为第三风险范围时，则判断所述商品类型为紧俏型商品。

优选地，当判断所述商品类型为紧俏型商品时，增加所述预售商品的库存量；

当判断所述商品类型为风险型商品时，增加所述预售商品的定金比例和/或减少所述预售商品的库存量。

优选地，调整所述预售商品的售卖策略的步骤中，还可以包括：

基于所述兴趣模型，采集与每一用户兴趣关联的所述预售商品的商品信息；

根据所述商品信息，或所述商品信息及所述商品类型，通过信息流向所述用户端推送与所述商品信息相匹配的预售商品信息。

本发明提供了一种预售商品的策略调整方法，所述预售商品的策略调整方法应用于服务器与用户端之间，所述服务器与用户端执行上述的预售商品的策略调整方法。

本发明提供了一种服务器，包括处理器和存储设备，所述存储设备存储有计算机程序，所述处理器调用并执行所述计算机程序时实现如上所述的预售商品的策略调整方法。

本发明还提供了一种预售商品的策略调整系统，所述策略制定系统包括服务器与用户端，所述服务器与用户端执行上述的预售商品的策略调整方法。

采用了上述技术方案后，与现有技术相比，具有以下有益效果：

1.基于用户对一预售商品在三个售卖阶段的行为数据，对该预售商品建立用户兴趣模型；

2.基于该用户兴趣模型中的兴趣量、预定量和购买量，自动调整预售商品的售卖策略；

3.基于用户兴趣模型中的兴趣量转化为预定量的第一转化率、预定量转化为购买量的第二转化率以及一预设调整参数，进一步对预售商品的商品类型进行判断，并根据不同商品类型对预售商品的售卖策略进行相应调整；

4.调整后的预售商品的售卖策略既能优化售卖方案确保商家的盈利，又能降低商家的售卖风险避免商家损失；

5.基于兴趣模型，采集每一用户兴趣关联的预售商品的商品信息，根据商品信息，或结合商品信息和预售商品的商品类型，为用户提供相关商品信息的推送。

附图说明

图1为符合本实施例中一种预售商品的策略调整方法的流程图。

具体实施方式

以下结合附图与具体实施例进一步阐述本发明的优点。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”

以下将就具体实施例详细介绍本发明的应用。

参阅图1，为符合本实施例中提供了一种预售商品的策略调整方法的流程图，该方法主可主要应用于电商平台的服务器，基于用户通过用户端对每一预售商品的行为数据，建立用户兴趣模型，通过对用户兴趣分析的模型实现对该预售商品的售卖策略进行调整。可以理解的是，本实施例中的预售商品的售卖策略进一步包括该预售商品转化一现货商品后的现货定价。

本实施例中所提供的预售商品的策略调整方法，主要基于兴趣模型，对预售商品的售卖策略作相应调整，以优化预售商品的售卖方案，降低预售商品的售卖风险，并结合兴趣模型，针对每一用户的不同兴趣推送不同的商品信息，为用户提供一种更为优化的线上购物体验。具体地，可包括如下步骤：

在电商平台的预售场景下，服务器将预售商品的售卖过程分为“想要”、“已定”和“已入”三个阶段。本实施例中，服务器对用户行为数据的采集也是基于这三个阶段的基础上进行的。当用户通过用户端浏览电商平台服务器所展示出的预售商品时，用户可通过用户端对点击“收藏”、“关注”或“种草”等按钮对预售商品执行操作，该行为数据即属于“想要”阶段；若用户通过用户端对该预售商品执行预付定金的操作，则该行为数据即属于“已定”阶段，可以理解的是，若服务器判断用户仅执行了预付定金的操作而未执行任何属于“想要”阶段的行为数据时，服务器会进一步在“想要”阶段补入该行为数据。此外，在一预设定金周期内，若用户对该预售商品执行补入尾款等相应的支付操作，则该行为数据即属于“已入”阶段。以此，基于用户作出的行为数据所属的行为阶段，服务器可将用户通过用户端作出的行为数据分为三类，根据分类后的行为数据建立一三个维度的兴趣模型，其中，三个维度分别为兴趣量、预定量和购买量。基于该兴趣模型所包含的数据，服务器可以进一步分析用户对预售商品的兴趣和购买欲望，从而有利于电商平台的商家进行预售商品售卖策略的调整。

服务器基于兴趣模型，调整预售商品的售卖策略具体可通过但不限于以下步骤来实现。服务器根据该兴趣模型，提取该预售商品的兴趣量、预定量和购买量，并将其一一转化为该预售商品“想要”阶段、“已定”阶段和“已入”阶段的人数。其后，根据兴趣模型中的预定量和兴趣量，计算该预售商品的定金转化率(即：第一转化率)，即将“已定”阶段的人数除以“想要”阶段的人数。根据兴趣模型中的购买量和预定量，计算该预售商品的尾款补款率(即：第二转化率)，即将“已入”阶段的人数除以“已定”阶段的人数。服务器可基于上述兴趣量、定金转化率和尾款补款率，调整预售商品的售卖策略，以优化预售商品的售卖方案。

其中，服务器基于其计算所得的兴趣量、定金转化率和尾款转化率，可进一步将其分别与一预计量、第一阈值和第二阈值进行比较，基于所述比较结果调整预售商品的售卖策略。可以理解的是，第一阈值和第二阈值可以是服务器根据之前的统计周期的均值计算所得的，也可以根据电商平台的商家通过服务器根据其预期销售数据自行设置或调整，对于不同的预售商品可以分别设定不同或相同的第一阈值和第二阈值。

在一优选实施例中，服务器将兴趣量、定金转化率和尾款转化率分别与预计量、第一阈值和第二阈值相应地进行比较后，当服务器判断兴趣量小于一预计量时，即对预售商品有兴趣的用户数量低于预期时，为提升该预售商品的销售量，服务器可自动增加该预售商品的曝光度。例如，服务器可将该预售商品的相关图片或链接加载在电商网站上较为醒目的位置，以增加其被用户看到的概率，从而吸引用户进入售卖该预售商品的页面。此外，服务器还可自动降低预售价格，通过适当的降价增加用户的购买欲望。可以理解的是，具体的降低比例可根据服务器默认比例或电商平台的商家根据实际需求自行设定或调整。

在一优选实施例中，当服务器判断定金转化率，即第一转化率，小于一第一阈值时，即“想要”阶段的用户真正支付定金预定的人数小于预期。基于第一阈值的设定，可以为基于该预售商品前期的销量设定的预期，也可以为电商商家的个体预期。为避免过多“想要”用户流失，增加定金转化率，服务器会自动减少定金周期，以避免“想要”用户由于过长的定金周期转向购买现货商品。可以理解的是，具体减少定期周期的比例可以与定金转化率低于第一阈值的比例关联设定，也可以由电商商家根据实际情况进一步调整。此外，服务器还可适当降低定金比例，以避免“想要”用户由于过高的定金比例放弃购买。进一步，服务器还可适当降低预售价格，以拉大该预售商品与现货商品的价差优势吸引“想要”用户支付定金购买预售商品，转为“已定”用户。

在一优选实施例中，当服务器判断定金转化率，即第一转化率，大于一第一阈值时，即“想要”阶段的用户真正支付定金预定的人数超过预期，为进一步保障电商平台的商家的利益，积累更多的现金流，服务器可根据定金转化率超出预期的数据，适当延长定金周期、提高定金比例和/或提高预售价格，以确保销量的同时，能够进一步优化商家的销售方案，确保商家利益最大化。

在一优选实施例中，当服务器判断兴趣量小于预计量，定金转化率小于第一阈值，且尾款转化率小于第二阈值时，即服务器判断该预售商品的销量和人气都低于预期。基于预售商品在其预售期内的销售表现并不理想，为此，当预期商品转化为现货商品时，服务器可基于该兴趣模型的兴趣量、定金转化率和尾款转化率，降低预售商品转化为现货商品后的定价，以更优惠的现货价格吸引用户购买该预售产品转化而成的现货产品，进一步优化预售商品的售卖方案。

在一优选实施例中，当服务器判断兴趣量大于预计量，定金转化率大于第一阈值，且尾款转化率大于第二阈值时，即服务器判断该预售商品的销量和人气都超出预期。基于预售商品在其预售期内的销售表现超出预计，为此，当预期商品转化为现货商品时，服务器可基于该兴趣模型的兴趣量、定金转化率和尾款转化率，提高预售商品转化为现货商品后的现货定价，以更偏高的现货价格缓解用户购买该预售产品转化而成的现货产品，避免出现产品脱销的情况，为电商商家留有充足的时间进行备货、调货和采购等补货措施，进一步优化预售商品的售卖方案。

在一优选实施例中，基于兴趣模型中的兴趣量、第一转化率(定金转化率d，d＜1)和第二转化率(尾款转化率e，e＜1)，服务器还可通过以下方式对预售商品的售卖策略进行调整。在本实施例中，服务器内预设有一预设调整参数σ，其中，0＜σ＜d。基于兴趣模型，进一步结合预设调整参数，服务器可对预售商品的商品类型进行判断和分析，并基于商品类型对售卖策略进行进一步调整。具体地，对于某一预售商品A，首先基于其第一转换率d和预设调整参数σ，计算获得该预售商品的第一风险范围，第二风险范围和第三风险范围。其中，第一风险范围为：e∈[0，d-σ)，第二风险范围为：d和e在同一范围内，即：e∈[d-σ，d+σ]，第三风险范围为：e∈(d+σ，1]。根据兴趣模型中的第二转化率所属于的风险范围，可对该预售商品的商品类型进行判定。服务器将三种风险范围分别与三种商品类型进行关联设置，第一风险范围对应的商品类型为风险型商品，第二风险范围对应的商品类型为普通型商品，第三风险范围对应的商品类型为紧俏型商品。当判定预售商品的商品类型为紧俏型商品时，服务器可发出增加预售商品库存量的提醒或警示，以避免预售商品出现脱销。当判定预售商品的商品类型为风险型商品时，服务器可发出提高定金比例的提醒或自动提高定金比例，还可发出减少备货库存等提醒。另外，还可以对预售时间等其他因素作相应调整，以进一步减少预售商品的售卖风险。

在一优选实施例中，基于兴趣模型，服务器还可对与每一用户兴趣关联的商品进行商品信息采集。兴趣关联，可以通过兴趣模型中的“想要”数据进行判断。具体地，商品信息包括但不限于该预售商品的IP，品牌，分类，属性及标签等。服务器采集到上述商品信息后，可直接根据该商品信息通过信息流向用户端的用户推荐与该商品信息匹配的预售商品信息，包括图片介绍、预售价格、品牌、到货情况、预售转现货后的价格等内容，具体内容可根据用户实际需求自行调整。此外，服务器还可进一步结合预售商品的商品类型，将于商品信息匹配的预售商品信息进行分类，并优先向用户推荐紧俏型和普通型商品。可以理解的是，该优先推荐的优先选项具体可根据用户实际需求自行修改调整。

采用本实施例中的预售商品的策略调整方法，基于用户通过用户端对每一预售商品的行为数据，建立用户兴趣模型，，基于兴趣模型中所得到的兴趣量、购买量、预定量，以实现对预售商品的售卖策略作相应调整以及对预售商品的商品类型的判断，从而有效降优化预售商品的售卖方案，降低预售商品的售卖风险，为电商平台的商家提供一种提升销量或盈利的售卖策略。此外，基于兴趣模型，本发明还可对每一用户作相应的商品信息推送，以为用户提供更为人性化的线上购物体验。

应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

Claims (13)

1.一种预售商品的策略调整方法，特征在于，包括以下步骤：

对每一所述预售商品，采集每一用户在一预设周期内的行为数据；

基于所述行为数据，建立一包含兴趣量、预定量和购买量的兴趣模型；

根据所述兴趣模型，调整所述预售商品的售卖策略。

2.如权利要求1所述的策略调整方法，其特征在于，

基于所述行为数据，建立一包含兴趣量、预定量和购买量的兴趣模型的步骤中，进一步包括：

判断所述行为数据所属的行为阶段；

基于所述行为阶段，统计所述预售商品的兴趣量、预定量和购买量。

3.如权利要求1所述的策略调整方法，其特征在于，

根据所述兴趣模型，调整所述预售商品的售卖策略的步骤中，进一步包括；

提取所述兴趣模型中的所述预定量和所述兴趣量，以获得一第一转化率；

提取所述兴趣模型中的所述购买量和所述预定量，以获得一第二转化率；

基于所述兴趣量、第一转化率和第二转化率，调整所述预售商品的售卖策略。

4.如权利要求3所述的策略调整方法，其特征在于，

基于所述兴趣量、第一转化率和第二转化率，调整所述预售商品的售卖策略的步骤中，进一步包括：

比较所述兴趣量、第一转化率、第二转化率与一预计量、第一阈值、第二阈值的大小；

基于所述比较结果，调整所述售卖策略以优化所述预售商品的售卖方案。

5.如权利要求4所述的策略调整方法，其特征在于，

基于所述比较结果，调整所述售卖策略以优化所述预售商品的售卖方案的步骤中，进一步包括：

当所述兴趣量小于所述预计量时，增加所述预售商品的曝光度和/或降低所述预售价格；

当所述第一转化率小于所述第一阈值时，减少所述定金周期、降低所述定金比例和/或降低所述预售价格；

当所述第一转化率大于所述第一阈值时，延长所述定金周期、提高所述定金比例和/或提高所述预售价格；

当所述兴趣量小于所述预计量，所述第一转化率小于所述第一阈值，且所述第二转化率小于所述第二阈值时，降低所述预售商品转化为一现货商品后的现货定价；

当所述兴趣量大于所述预计量，所述第一转化率大于所述第一阈值，且所述第二转化率大于所述第二阈值时，提高所述预售商品转化为一现货商品后的现货定价。

6.如权利要求3所述的策略调整方法，其特征在于，

基于所述兴趣量、第一转化率和第二转化率，调整所述预售商品的售卖策略的步骤中，进一步包括：

调取一预设调整参数；

结合所述预设调整参数，判断所述预售商品的商品类型；

基于所述商品类型，调整所述售卖策略以降低所述预售商品的售卖风险。

7.如权利要求6所述的策略调整方法，其特征在于，

结合所述预设调整参数，判断所述预售商品的商品类型的步骤中，进一步包括：

基于所述第一转化率和所述预设调整参数，计算获得所述预售商品的第一风险范围、第二风险范围和第三风险范围；

根据所述第二转化率所在的风险范围，判断所述预售商品的商品类型。

8.如权利要求7所述的策略调整方法，其特征在于，

根据所述第二转化率所在的风险范围，判断所述预售商品的商品类型的步骤中，进一步包括：

当所述第二转化率所在的风险范围为第一风险范围时，则判断所述商品类型为风险型商品；

当所述第二转化率所在的风险范围为第三风险范围时，则判断所述商品类型为普通型商品；

当所述第二转化率所在的风险范围为第三风险范围时，则判断所述商品类型为紧俏型商品。

9.如权利要求8所述的策略调整方法，其特征在于，

当判断所述商品类型为紧俏型商品时，增加所述预售商品的库存量；

当判断所述商品类型为风险型商品时，增加所述预售商品的定金比例和/或减少所述预售商品的库存量。

10.如权利要求8所述的策略调整方法，其特征在于，

调整所述预售商品的售卖策略的步骤中，还可以包括：

基于所述兴趣模型，采集与每一用户兴趣关联的所述预售商品的商品信息；

根据所述商品信息，或所述商品信息及所述商品类型，通过信息流向所述用户推送与所述商品信息相匹配的预售商品信息。

11.一种预售商品的策略调整方法，其特征在于，所述预售商品的策略调整方法应用于服务器与用户端之间，所述服务器与用户端执行如权利要求1-10任一项所述的预售商品的策略调整方法。

12.一种服务器，包括处理器和存储设备，所述存储设备存储有计算机程序，其特征在于，所述处理器调用并执行所述计算机程序时实现如权利要求1-10任一项所述的预售商品的策略调整方法。

13.一种预售商品的策略调整系统，其特征在于，

所述策略制定系统包括服务器与用户端，，所述服务器与用户端执行如权利要求1-10任一项所述的预售商品的策略调整方法。