CN108898425A - 店铺质量的评价方法及装置 - Google Patents
店铺质量的评价方法及装置 Download PDFInfo
- Publication number
- CN108898425A CN108898425A CN201810614642.9A CN201810614642A CN108898425A CN 108898425 A CN108898425 A CN 108898425A CN 201810614642 A CN201810614642 A CN 201810614642A CN 108898425 A CN108898425 A CN 108898425A
- Authority
- CN
- China
- Prior art keywords
- shop
- old user
- time period
- designated time
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种店铺质量的评价方法及装置，其中，方法包括：拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；遍历指定时间段之前的历史交易数据，根据历史交易数据从交易用户集合中提取得到老用户集合；计算老用户集合中每个老用户的回头周期，以及计算店铺的回头周期；根据店铺的回头周期以及店铺的指定时间段内的交易用户数量，计算店铺的指定时间段内的回头率。本发明提出了一种根据店铺的回头周期计算店铺的指定时间段内的回头率的方案，使得多个店铺的指定时间段内的回头率具有可比性；而将计算出的回头率应用到店铺评价的场景中，可以使评价结果更为合理，更能充分、有力的说明店铺提供的服务或商品的质量。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种店铺质量的评价方法、装置及计算设备。
背景技术
移动应用的快速发展，给用户的日常生活提供了很大的便利。在一些提供店铺推广、营销等服务的移动应用中，例如，大众点评、口碑等，用户可以根据移动应用提供的店铺的信息选择合适的店铺进行消费。现有的这些移动应用中，提供的供用户选择参考的信息通常包括店铺评分、人气值等基于客流量计算出的信息，比如口碑的人气眼中，将交易量大的推荐出来。
这些基于客流量计算出的信息，在一定程度上反映出了店铺的质量，为用户的选择提供了一些参考建议。但是，对于一些靠营销手段冲量的店铺，可能仅仅只是交易量大，而店铺提供的服务或商品并不好，甚至可能一个回头客也没有。可见，这些基于客流量计算出的信息更侧重于考虑店铺的交易量，而未充分考虑店铺的品质，进而容易对用户的选择造成误导。
因此，需要一种更好的评价店铺的指标，以弥补现有的基于客流量计算出的信息，对店铺的品质评价的不足。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的店铺质量的评价方法及装置。
根据本发明的一个方面，提供了一种店铺质量的评价方法，包括：
拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；
遍历所述指定时间段之前的历史交易数据，根据历史交易数据从所述交易用户集合中提取得到老用户集合；
计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期；
根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率。
可选的，在所述计算老用户集合中每个老用户的回头周期之前，所述方法还包括：
在所述指定时间段之前的历史交易数据中查询每个老用户的历史交易时间；根据历史交易时间，计算相邻历史交易的交易时间间隔；
所述计算老用户集合中每个老用户的回头周期具体为：根据每个老用户的相邻历史交易的交易时间间隔计算老用户集合中每个老用户的回头周期。
可选的，所述根据每个老用户的任意两笔相邻交易的交易时间间隔计算老用户集合中每个老用户的回头周期进一步包括：
对每个老用户的相邻历史交易的交易时间间隔求取平均值，得到每个老用户的交易时间间隔平均值；
从每个老用户的相邻历史交易的交易时间间隔中剔除与所述交易时间间隔平均值的差值超过预设间隔阈值的交易时间间隔，得到每个老用户的有效交易时间间隔；
对每个老用户的有效交易时间间隔求取平均值，得到老用户集合中每个老用户的回头周期。
可选的，所述根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期进一步包括：
对老用户集合中所有老用户的回头周期求取平均值，得到回头周期平均值；
从所有老用户的回头周期中剔除与所述回头周期平均值的差值超过预设周期阈值的回头周期，得到有效老用户的回头周期；
对所述有效老用户的回头周期求取平均值，得到所述店铺的回头周期。
可选的，所述根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率进一步包括：
在所述老用户集合中查询所述指定时间段之前且距离所述指定时间段最近的所述店铺的一个回头周期内的老用户的数量；
计算所述一个回头周期内的老用户的数量与交易用户集合中的所有用户的数量的比值，得到店铺的指定时间段内的回头率。
可选的，在所述计算所述店铺的指定时间段内的回头率之后，所述方法还包括：
分析预设时间周期内的所述店铺的指定时间段内的回头率变化趋势，基于变化趋势判断店铺的服务质量变化情况。
可选的，在所述计算所述店铺的指定时间段内的回头率之后，所述方法还包括：
基于所述店铺的指定时间段内的回头率对所述店铺进行打分。
可选的，在所述基于所述店铺的指定时间段内的回头率对所述店铺进行打分之后，所述方法还包括：
根据打分结果，对所述店铺进行排序；
依据排序结果，对所述店铺进行推荐。
根据本发明的另一方面，提供了一种店铺质量的评价装置，包括：
分析模块，适于拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；
提取模块，适于遍历所述指定时间段之前的历史交易数据，根据历史交易数据从所述交易用户集合中提取得到老用户集合；
第一计算模块，适于计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期；
第二计算模块，适于根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率。
可选的，所述装置还包括：
查询模块，适于在所述指定时间段之前的历史交易数据中查询每个老用户的历史交易时间；
第三计算模块，适于根据历史交易时间，计算相邻历史交易的交易时间间隔；
所述第一计算模块进一步适于：根据每个老用户的相邻历史交易的交易时间间隔计算老用户集合中每个老用户的回头周期。
可选的，所述第一计算模块进一步适于：
对每个老用户的相邻历史交易的交易时间间隔求取平均值，得到每个老用户的交易时间间隔平均值；
从每个老用户的相邻历史交易的交易时间间隔中剔除与所述交易时间间隔平均值的差值超过预设间隔阈值的交易时间间隔，得到每个老用户的有效交易时间间隔；
对每个老用户的有效交易时间间隔求取平均值，得到老用户集合中每个老用户的回头周期。
可选的，所述第一计算模块进一步适于：
对老用户集合中所有老用户的回头周期求取平均值，得到回头周期平均值；
从所有老用户的回头周期中剔除与所述回头周期平均值的差值超过预设周期阈值的回头周期，得到有效老用户的回头周期；
对所述有效老用户的回头周期求取平均值，得到所述店铺的回头周期。
可选的，所述第二计算模块进一步适于：
在所述老用户集合中查询所述指定时间段之前且距离所述指定时间段最近的所述店铺的一个回头周期内的老用户的数量；
计算所述一个回头周期内的老用户的数量与交易用户集合中的所有用户的数量的比值，得到店铺的指定时间段内的回头率。
可选的，所述装置还包括：
评价模块，适于分析预设时间周期内的所述店铺的指定时间段内的回头率变化趋势，基于变化趋势判断店铺的服务质量变化情况。
可选的，所述装置还包括：
打分模块，适于基于所述店铺的指定时间段内的回头率对所述店铺进行打分。
可选的，所述装置还包括：
排序模块，适于根据打分结果，对所述店铺进行排序；
推荐模块，适于依据排序结果，对所述店铺进行推荐。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述店铺质量的评价方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述店铺质量的评价方法对应的操作。
根据本发明的店铺质量的评价方法及装置，拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；遍历指定时间段之前的历史交易数据，根据历史交易数据从交易用户集合中提取得到老用户集合；计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算店铺的回头周期；根据店铺的回头周期以及店铺的指定时间段内的交易用户数量，计算店铺的指定时间段内的回头率。本发明提出了一种根据店铺的回头周期计算店铺的指定时间段内的回头率的方案，以使多个店铺的指定时间段内的回头率具有可比性，进而便于应用到店铺评价的场景中；而将计算出的回头率应用到店铺评价的场景中，结合店铺的指定时间段内的回头率进行评价打分，可以使评价结果更为合理，更能充分、有力的说明店铺提供的服务或商品的质量，以弥补现有的基于客流量计算出的信息，对店铺的品质评价的不足。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的店铺质量的评价方法的流程图；
图2示出了根据本发明另一个实施例的店铺质量的评价方法的流程图；
图3示出了根据本发明一个实施例的店铺质量的评价装置的功能框图；
图4示出了根据本发明实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的店铺质量的评价方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合。
其中，指定时间段可以为任意长度的历史时间段，例如，指定时间段为最近过去一周的时间，或者，指定时间段为昨天一天的时间。在本发明中，主要以指定时间段为一天为例，进行店铺质量的评价方法的说明，但是本发明并不以此为限。
其中，交易用户集合由多个交易用户的交易用户信息组成。
具体地，拉取店铺的指定时间段内的交易数据，其中，交易数据中包括多条交易的记录，分析各条交易，并从中提取出交易用户信息；其中，交易用户信息为标识用户身份的信息，例如，用户名、会员码或者终端标识等等；然后根据多条交易中的交易用户信息，得到交易用户集合。
举例来说，店铺昨天的交易有100条，每条交易的交易用户的用户名不同，则一共有100个交易用户，可得到由100个交易用户的用户名组成的交易用户集合。
步骤S102，遍历指定时间段之前的历史交易数据，根据历史交易数据从交易用户集合中提取得到老用户集合。
其中，历史交易数据为指定时间段之前的所有交易数据，或者为指定时间段之前的预设时间周期内的交易数据。例如，指定时间段为昨天，则历史交易数据为昨天之前的所有交易数据，或者，历史交易数据为昨天之前的一年内的交易数据。
其中，老用户集合中的老用户为在指定时间段之前产生过交易的、交易用户集合中的用户。
具体地，遍历指定时间段之前的历史交易数据，将交易用户集合中存在于该历史交易数据中的用户标记为老用户，从交易用户集合中提取出所有标记为老用户的用户，构成老用户集合。
步骤S103，计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算店铺的回头周期。
其中，每个老用户的回头周期指每个老用户有规律的光顾该店铺的时间间隔，例如，一个老用户每天都在该店铺消费，则该老用户的回头周期为1天；店铺的回头周期根据老用户集合中所有老用户的回头周期计算得到。
具体地，根据历史交易数据中每个老用户对应的所有历史交易的历史交易时间计算老用户集合中每个老用户的回头周期；然后，根据计算出的每个老用户的回头周期，进一步计算该店铺的回头周期。
步骤S104，根据店铺的回头周期以及店铺的指定时间段内的交易用户数量，计算店铺的指定时间段内的回头率。
由于不同类型的店铺的回头周期本身就具有差异性，例如，水果店的回头周期短，而年夜饭饭店的回头周期长，在本发明中，根据店铺的回头周期计算店铺的指定时间段内的回头率，以使多个店铺的指定时间段内的回头率具有可比性，进而便于应用到店铺评价的场景中。
其中，店铺的指定时间段内的回头率指指定时间段内，回头客的数量占交易用户集合中所有用户的数量的比率，而回头客通常是对店铺的质量表示认可的用户，相应的，该店铺的指定时间段内的回头率可以反映出店铺在指定时间段内提供的服务或商品的质量情况。
具体地，根据店铺的回头周期，从老用户集合中确定指定时间段内的回头客；计算指定时间段内的回头客的数量与指定时间段内的交易用户集合中的用户的数量的比值，得到店铺的指定时间段内的回头率。
根据本实施例提供的店铺质量的评价方法，通过分析交易数据，得到指定时间段内的交易用户集合，以及，根据指定时间段之前的历史交易数据，从交易用户集合中提取老用户集合；然后，计算老用户集合中每个老用户的回头周期，得到每个老用户光顾店铺的时间间隔规律；根据每个老用户的回头周期计算店铺的回头周期，该店铺的回头周期体现出所有老用户光顾店铺的普遍的时间间隔规律；根据店铺的回头周期以及店铺的指定时间段内的交易用户数量，计算店铺的指定时间段内的回头率，以使多个店铺的指定时间段内的回头率具有可比性，进而便于应用到店铺评价的场景中；根据该店铺的指定时间段内的回头率，可以分析出店铺在指定时间段内提供的服务或商品的质量情况；在评价店铺质量的场景中，结合店铺的指定时间段内的回头率进行评价打分，可使评价结果更为合理，更能充分、有力的说明店铺提供的服务或商品的质量，以弥补现有的基于客流量计算出的信息，对店铺的品质评价的不足。
图2示出了根据本发明另一个实施例的店铺质量的评价方法的流程图。如图2所示，该方法包括以下步骤：
步骤S201，拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合。
可选的，在通过分析交易数据得到交易用户集合的过程中，对多条交易对应的交易用户进行去重处理。例如，指定时间段为1天，若用户1在同一天的早上和晚上在店铺产生交易，则只在交易用户集合中保留一个用户1的用户信息。
步骤S202，遍历指定时间段之前的历史交易数据，根据历史交易数据从交易用户集合中提取得到老用户集合。
具体地，为使历史交易数据更具有参考价值，遍历指定时间段之前的预设时间周期内的历史交易数据，例如，遍历指定时间段之前的近一年内的历史交易数据。
步骤S203，在指定时间段之前的历史交易数据中查询每个老用户的历史交易时间；根据历史交易时间，计算相邻历史交易的交易时间间隔。
具体地，查询每个老用户的历史交易，并得到与历史交易一一对应的历史交易时间，计算相邻历史交易的历史交易时间的差值，得到相邻历史交易的交易时间间隔。
举例来说，老用户1的多笔历史交易的历史交易时间如下：第一笔历史交易在1年前，第二笔历史交易在3个月前，第三笔历史交易在2个月前，第四笔历史交易在1个月前，第五笔历史交易在2天前，第六笔历史交易在昨天，则用户1的相邻历史交易的交易时间间隔分别为9个月、1个月、1个月、1个月、1天。
步骤S204，根据每个老用户的相邻历史交易的交易时间间隔计算老用户集合中每个老用户的回头周期。
具体地，对每个老用户的相邻历史交易的交易时间间隔求取平均值，得到每个老用户的交易时间间隔平均值；从每个老用户的相邻历史交易的交易时间间隔中剔除与交易时间间隔平均值的差值超过预设间隔阈值的交易时间间隔，得到每个老用户的有效交易时间间隔；对每个老用户的有效交易时间间隔求取平均值，得到老用户集合中每个老用户的回头周期。
进一步的，计算每个老用户的相邻历史交易的交易时间间隔之和与交易时间间隔的数量的比值，得到每个老用户的交易时间间隔平均值；以及，计算每个老用户的有效交易时间间隔之和与有效交易时间间隔的数量的比值，得到老用户集合中每个老用户的回头周期。
本步骤通过去噪处理，剔除与交易时间间隔平均值相差超过预设间隔阈值的交易时间间隔，以使计算出的每个老用户的回头周期能够体现出大多数相邻历史交易的交易时间间隔规律。
仍以上举例进行说明，用户1的相邻历史交易的交易时间间隔分别为9个月、1个月、1个月、1个月、1天，第一次对所有的交易时间间隔求取平均值，得到的交易时间间隔平均值为2个月；剔除与2个月相差太大的历史交易时间间隔9个月和1天，剩下的有效交易时间间隔均为1个月，则计算得到用户1的回头周期为1个月。
步骤S205，根据老用户集合中每个老用户的回头周期计算店铺的回头周期。
具体地，对老用户集合中所有老用户的回头周期求取平均值，得到回头周期平均值；从所有老用户的回头周期中剔除与回头周期平均值的差值超过预设周期阈值的回头周期，得到有效老用户的回头周期；对有效老用户的回头周期求取平均值，得到店铺的回头周期。
进一步的，计算所有老用户的回头周期之和与所有老用户的数量的比值，得到回头周期平均值；以及，计算有效老用户的回头周期之和与有效老用户的数量的比值，得到店铺的回头周期。
本步骤通过去噪处理，剔除与回头周期平均值相差超过预设周期阈值的回头周期，以使计算出的店铺的回头周期能够体现出大多数老用户普遍的回头周期。
步骤S206，根据店铺的回头周期以及店铺的指定时间段内的交易用户数量，计算店铺的指定时间段内的回头率。
具体地，在老用户集合中查询指定时间段之前且距离指定时间段最近的店铺的一个回头周期内的老用户的数量；计算一个回头周期内的老用户的数量与交易用户集合中的所有用户的数量的比值，得到店铺的指定时间段内的回头率；其中，查询到的指定时间段之前且距离指定时间段最近的店铺的一个回头周期内的老用户的数量，即为指定时间段内的回头客的数量。
举例来说，若指定时间段为4月30日一天，当天的交易用户集合中共有a个用户，距离4月30日最近的店铺的一个回头周期内的老用户有c个，则店铺的指定时间段内的回头率为c/a。
在计算得到店铺的指定时间段内的回头率之后，可以将该店铺的指定时间段内的回头率应用于各种评价店铺质量的场景中，以使评价结果更为合理，更能充分、有力的说明店铺提供的服务或商品的质量。如下步骤S207为店铺的指定时间段内的回头率的一种应用场景。
步骤S207，基于店铺的指定时间段内的回头率对店铺进行打分。
具体地，根据计算出的店铺的指定时间段内的回头率与所有店铺或同类行店铺的回头率平均值的比值，对店铺进行打分；然后，根据打分结果，对店铺进行排序；依据排序结果，对店铺进行推荐。例如，在口碑的人气眼中，综合考虑交易量和店铺的指定时间段内的回头率，对店铺进行推荐。
在本发明的一个具体实施例中，结合交易量，计算店铺的得分Score：其中，vi为店铺交易量，为所有店铺交易量均值，Tri为店铺的指定时间段内的回头率，为所有店铺的指定时间段内的回头率均值。通过该计算方式，使得交易量大且回头率高的店铺的评分更高，进而可以将真正优质的店铺推荐给客户。
另外，在本发明的另一个具体实施例中，步骤S206中计算出的店铺的指定时间段内的回头率还可以用于判断店铺质量的变化情况，具体地：分析预设时间周期内的店铺的指定时间段内的回头率变化趋势，基于变化趋势判断店铺的服务质量变化情况。
举例来说，根据计算出的店铺的指定时间段内的回头率，画出一年365天的店铺的指定时间段内的回头率的走势，若曲线上扬，说明店铺质量在提升；若曲线持平，说明店铺质量没有改进；若曲线下滑，说明店铺质量在下滑。
为便于对本发明的技术效果的理解，下面以水果店FruitA和水果店FruitB为例，完整的说明本发明方案：
水果店FruitA，开业1个月，每天的交易量都有100单左右；其中，70％的客户是小区常客(70人左右)，每周去2次采购；25％是路人，属于一次性消费群体；5％是周边公司白领，每天都去买一点吃。
水果店FruitB，开业1个月，每天的交易量都有100单左右。其中，70％靠网络营销打折(50人左右)；25％是小区常客，每周去1次采购；5％是周边公司白领，每天买一点吃。
水果店FruitA的每天的回头率的计算过程如下：回头客群体是小区常客+周边公司白领，大概75人；其中，小区常客的回头周期是3天，周边公司白领的回头周期是1天；根据75个回头客群体的回头周期计算得到水果店FruitA的回头周期为3天；基于水果店FruitA的回头周期，计算1个月来，水果店FruitA的每天的回头率Tr为：Tr(30)＝Tr(29)L Tr(30)＝70％，Tr(2)＝Tr(1)＝0。
水果店FruitB的每天的回头率的计算过程如下：回头客群体是小区常客+周边公司白领，大概30人；其中，小区常客的回头周期是7天，周边公司白领的回头周期是1天；根据30个回头客群体的回头周期计算得到水果店FruitB的回头周期为7天；基于水果店FruitB的回头周期，计算1个月来，水果店FruitB的每天的回头率Tr为：Tr(30)＝Tr(29)L Tr(7)＝25％，Tr(6)＝Tr(5)L Tr(1)＝0。
若按照现有技术，仅基于客流量评价水果店FruitA和水果店FruitB，则两者的得分相近；但是，水果店FruitB的客流量有50％是靠网络营销打折吸引来的，可见，仅基于客流量的评价结果，并不能充分体现这两个店铺的差异。而利用本发明方案，分别计算水果店FruitA的得分ScoreA：
ScoreA＝100/100+0.7/((0.7+0.25)/2)＝2.5；以及，
计算水果店FruitB的得分ScoreB：
ScoreB＝100/100+0.25/((0.7+0.25)/2)＝1.5。
根据得分情况，可以得出：虽然两个店铺的交易量相同，但是水果店FruitA提供的质量比水果店FruitB提供的质量更好。显然，这一点也是与实际两个水果店的回头客群体的大小情况相符，通常认为，稳定的回头客群体大，则认可该店铺的质量的顾客多，相应的，则确定该店铺提供的服务或商品的质量更优。
同时，需要在此说明的是，上述以水果店FruitA和水果店FruitB为例的示例仅为了说明将本发明计算出的回头率用于店铺评价的场景中的效果，而其中计算水果店FruitA和水果店FruitB的每天的回头率的过程仅为一种简化的过程，为提高打分结果的准确性，本领域技术人员可严格按照图1或图2对应的实施例的步骤进行计算。
根据本实施例提供的店铺质量的评价方法，通过分析交易数据，得到指定时间段内的交易用户集合，以及，根据指定时间段之前的历史交易数据，从交易用户集合中提取老用户集合；然后，计算老用户集合中每个老用户的回头周期，得到每个老用户光顾店铺的时间间隔规律；根据每个老用户的回头周期计算店铺的回头周期，该店铺的回头周期体现出所有老用户光顾店铺的普遍的时间间隔规律；根据店铺的回头周期以及店铺的指定时间段内的交易用户数量，计算店铺的指定时间段内的回头率，以使多个店铺的指定时间段内的回头率具有可比性，进而便于应用到店铺评价的场景中；根据该店铺的指定时间段内的回头率，可以分析出店铺在指定时间段内提供的服务或商品的质量情况；在评价店铺质量的场景中，结合店铺的指定时间段内的回头率进行评价打分，可使评价结果更为合理，更能充分、有力的说明店铺提供的服务或商品的质量，以弥补现有的基于客流量计算出的信息，对店铺的品质评价的不足。
图3示出了根据本发明一个实施例的店铺质量的评价装置的功能框图。如图3所示，该装置包括：分析模块301，提取模块302，第一计算模块303，第二计算模块304；可选的，装置还包括：查询模块305，第三计算模块306，评价模块307，打分模块308，排序模块309以及推荐模块310。
分析模块301，适于拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；
提取模块302，适于遍历所述指定时间段之前的历史交易数据，根据历史交易数据从所述交易用户集合中提取得到老用户集合；
第一计算模块303，适于计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期；
第二计算模块304，适于根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率。
在一种可选的实施方式中，该装置还包括：查询模块305，适于在所述指定时间段之前的历史交易数据中查询每个老用户的历史交易时间；
以及，第三计算模块306，适于根据历史交易时间，计算相邻历史交易的交易时间间隔；
所述第一计算模块303进一步适于：根据每个老用户的相邻历史交易的交易时间间隔计算老用户集合中每个老用户的回头周期。
所述第一计算模块303进一步适于：
对每个老用户的相邻历史交易的交易时间间隔求取平均值，得到每个老用户的交易时间间隔平均值；
从每个老用户的相邻历史交易的交易时间间隔中剔除与所述交易时间间隔平均值的差值超过预设间隔阈值的交易时间间隔，得到每个老用户的有效交易时间间隔；
对每个老用户的有效交易时间间隔求取平均值，得到老用户集合中每个老用户的回头周期。
所述第一计算模块303进一步适于：
对老用户集合中所有老用户的回头周期求取平均值，得到回头周期平均值；
从所有老用户的回头周期中剔除与所述回头周期平均值的差值超过预设周期阈值的回头周期，得到有效老用户的回头周期；
对所述有效老用户的回头周期求取平均值，得到所述店铺的回头周期。
所述第二计算模块304进一步适于：
在所述老用户集合中查询所述指定时间段之前且距离所述指定时间段最近的所述店铺的一个回头周期内的老用户的数量；
计算所述一个回头周期内的老用户的数量与交易用户集合中的所有用户的数量的比值，得到店铺的指定时间段内的回头率。
在一种可选的实施方式中，该装置还包括：评价模块307，适于分析预设时间周期内的所述店铺的指定时间段内的回头率变化趋势，基于变化趋势判断店铺的服务质量变化情况。
在一种可选的实施方式中，该装置还包括：打分模块308，适于基于所述店铺的指定时间段内的回头率对所述店铺进行打分。
以及，排序模块309，适于根据打分结果，对所述店铺进行排序；
推荐模块310，适于依据排序结果，对所述店铺进行推荐。
本申请实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的店铺质量的评价方法。
图4示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述店铺质量的评价方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：
拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；
遍历所述指定时间段之前的历史交易数据，根据历史交易数据从所述交易用户集合中提取得到老用户集合；
计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期；
根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率。
在一种可选的实施方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
在所述指定时间段之前的历史交易数据中查询每个老用户的历史交易时间；根据历史交易时间，计算相邻历史交易的交易时间间隔；
根据每个老用户的相邻历史交易的交易时间间隔计算老用户集合中每个老用户的回头周期。
在一种可选的实施方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
对每个老用户的相邻历史交易的交易时间间隔求取平均值，得到每个老用户的交易时间间隔平均值；
从每个老用户的相邻历史交易的交易时间间隔中剔除与所述交易时间间隔平均值的差值超过预设间隔阈值的交易时间间隔，得到每个老用户的有效交易时间间隔；
对每个老用户的有效交易时间间隔求取平均值，得到老用户集合中每个老用户的回头周期。
在一种可选的实施方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
对老用户集合中所有老用户的回头周期求取平均值，得到回头周期平均值；
从所有老用户的回头周期中剔除与所述回头周期平均值的差值超过预设周期阈值的回头周期，得到有效老用户的回头周期；
对所述有效老用户的回头周期求取平均值，得到所述店铺的回头周期。
在一种可选的实施方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
在所述老用户集合中查询所述指定时间段之前且距离所述指定时间段最近的所述店铺的一个回头周期内的老用户的数量；
计算所述一个回头周期内的老用户的数量与交易用户集合中的所有用户的数量的比值，得到店铺的指定时间段内的回头率。
在一种可选的实施方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
分析预设时间周期内的所述店铺的指定时间段内的回头率变化趋势，基于变化趋势判断店铺的服务质量变化情况。
在一种可选的实施方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
基于所述店铺的指定时间段内的回头率对所述店铺进行打分。
在一种可选的实施方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
根据打分结果，对所述店铺进行排序；
依据排序结果，对所述店铺进行推荐。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的店铺质量的评价装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种店铺质量的评价方法，包括：
拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；
遍历所述指定时间段之前的历史交易数据，根据历史交易数据从所述交易用户集合中提取得到老用户集合；
计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期；
根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率。
2.根据权利要求1所述的方法，其中，在所述计算老用户集合中每个老用户的回头周期之前，所述方法还包括：
在所述指定时间段之前的历史交易数据中查询每个老用户的历史交易时间；根据历史交易时间，计算相邻历史交易的交易时间间隔；
所述计算老用户集合中每个老用户的回头周期具体为：根据每个老用户的相邻历史交易的交易时间间隔计算老用户集合中每个老用户的回头周期。
3.根据权利要求2所述的方法，其中，所述根据每个老用户的任意两笔相邻交易的交易时间间隔计算老用户集合中每个老用户的回头周期进一步包括：
对每个老用户的相邻历史交易的交易时间间隔求取平均值，得到每个老用户的交易时间间隔平均值；
从每个老用户的相邻历史交易的交易时间间隔中剔除与所述交易时间间隔平均值的差值超过预设间隔阈值的交易时间间隔，得到每个老用户的有效交易时间间隔；
对每个老用户的有效交易时间间隔求取平均值，得到老用户集合中每个老用户的回头周期。
4.根据权利要求1-3任一项所述的方法，其中，所述根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期进一步包括：
对老用户集合中所有老用户的回头周期求取平均值，得到回头周期平均值；
从所有老用户的回头周期中剔除与所述回头周期平均值的差值超过预设周期阈值的回头周期，得到有效老用户的回头周期；
对所述有效老用户的回头周期求取平均值，得到所述店铺的回头周期。
5.根据权利要求1-4任一项所述的方法，其中，所述根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率进一步包括：
在所述老用户集合中查询所述指定时间段之前且距离所述指定时间段最近的所述店铺的一个回头周期内的老用户的数量；
计算所述一个回头周期内的老用户的数量与交易用户集合中的所有用户的数量的比值，得到店铺的指定时间段内的回头率。
6.根据权利要求1-5任一项所述的方法，其中，在所述计算所述店铺的指定时间段内的回头率之后，所述方法还包括：
分析预设时间周期内的所述店铺的指定时间段内的回头率变化趋势，基于变化趋势判断店铺的服务质量变化情况。
7.根据权利要求1-6任一项所述的方法，其中，在所述计算所述店铺的指定时间段内的回头率之后，所述方法还包括：
基于所述店铺的指定时间段内的回头率对所述店铺进行打分。
8.一种店铺质量的评价装置，包括：
分析模块，适于拉取店铺的指定时间段内的交易数据，分析交易数据得到交易用户集合；
提取模块，适于遍历所述指定时间段之前的历史交易数据，根据历史交易数据从所述交易用户集合中提取得到老用户集合；
第一计算模块，适于计算老用户集合中每个老用户的回头周期，根据老用户集合中每个老用户的回头周期计算所述店铺的回头周期；
第二计算模块，适于根据所述店铺的回头周期以及所述店铺的指定时间段内的交易用户数量，计算所述店铺的指定时间段内的回头率。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的店铺质量的评价方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的店铺质量的评价方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810614642.9A CN108898425A (zh) | 2018-06-14 | 2018-06-14 | 店铺质量的评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810614642.9A CN108898425A (zh) | 2018-06-14 | 2018-06-14 | 店铺质量的评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898425A true CN108898425A (zh) | 2018-11-27 |
Family
ID=64344770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810614642.9A Pending CN108898425A (zh) | 2018-06-14 | 2018-06-14 | 店铺质量的评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898425A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971783A (zh) * | 2022-05-19 | 2022-08-30 | 拉扎斯网络科技（上海）有限公司 | 业务处理方法、装置、设备、程序产品及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140188666A1 (en) * | 2007-09-07 | 2014-07-03 | Yottamark, Inc. | Methods for Correlating First Mile and Last Mile Product Data |
| CN104408641A (zh) * | 2014-10-29 | 2015-03-11 | 深圳先进技术研究院 | 电子商务推荐模型的品牌特征提取方法及系统 |
| CN106251178A (zh) * | 2016-08-08 | 2016-12-21 | 北京京东尚科信息技术有限公司 | 数据挖掘方法以及装置 |
| CN106485536A (zh) * | 2015-08-31 | 2017-03-08 | 功典资讯股份有限公司 | 决定下次购买时间区间的方法以及系统 |
| CN106980988A (zh) * | 2016-12-29 | 2017-07-25 | 中国银联股份有限公司 | 商户价值评价方法 |
| CN107633415A (zh) * | 2016-07-19 | 2018-01-26 | 湖南易分销电子商务有限公司 | 一种基于电子商务平台的分销统计分析方法 |
| CN107644353A (zh) * | 2017-09-15 | 2018-01-30 | 浪潮软件股份有限公司 | 基于电商平台的统计系统及方法、服务端、店铺管理端 |
-
2018
- 2018-06-14 CN CN201810614642.9A patent/CN108898425A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140188666A1 (en) * | 2007-09-07 | 2014-07-03 | Yottamark, Inc. | Methods for Correlating First Mile and Last Mile Product Data |
| CN104408641A (zh) * | 2014-10-29 | 2015-03-11 | 深圳先进技术研究院 | 电子商务推荐模型的品牌特征提取方法及系统 |
| CN106485536A (zh) * | 2015-08-31 | 2017-03-08 | 功典资讯股份有限公司 | 决定下次购买时间区间的方法以及系统 |
| CN107633415A (zh) * | 2016-07-19 | 2018-01-26 | 湖南易分销电子商务有限公司 | 一种基于电子商务平台的分销统计分析方法 |
| CN106251178A (zh) * | 2016-08-08 | 2016-12-21 | 北京京东尚科信息技术有限公司 | 数据挖掘方法以及装置 |
| CN106980988A (zh) * | 2016-12-29 | 2017-07-25 | 中国银联股份有限公司 | 商户价值评价方法 |
| CN107644353A (zh) * | 2017-09-15 | 2018-01-30 | 浪潮软件股份有限公司 | 基于电商平台的统计系统及方法、服务端、店铺管理端 |
Non-Patent Citations (2)
| Title |
|---|
| 匿名用户: "淘宝店铺的成交回头率是什么意思", 《HTTPS://ZHIDAO.BAIDU.COM/QUESTION/1383282960254637700.HTML》 * |
| 果子狸: "电商客户回购周期与产品回购周期计算方式", 《HTTP://WWW.WANGJUBAO.COM/WENZHANG/245812403253》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971783A (zh) * | 2022-05-19 | 2022-08-30 | 拉扎斯网络科技（上海）有限公司 | 业务处理方法、装置、设备、程序产品及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805622B (zh) | 商品推荐方法、装置、设备及存储介质 | |
| Kannan | Digital marketing: A framework, review and research agenda | |
| CN103164804B (zh) | 一种个性化的信息推送方法及装置 | |
| CN109325179B (zh) | 一种内容推广的方法及装置 | |
| CN107918905A (zh) | 异常交易识别方法、装置及服务器 | |
| CN111062757A (zh) | 基于多路径寻优匹配的信息推荐方法及系统 | |
| US20060265399A1 (en) | Keywords auto-segmentation and auto-allocation system to increase search engines income | |
| CN109003131B (zh) | 基于用户场景属性信息的精准营销方法及装置 | |
| Sharma | Take‐off of online marketing: casting the next generation strategies | |
| CN110033331A (zh) | 一种优惠券的发放方法、系统及终端设备 | |
| CN107507037B (zh) | 服务器、赠品栏的赠品推送方法及存储介质 | |
| Fuchs et al. | Successfully selling accommodation packages at online auctions–The case of eBay Austria | |
| CN106779808A (zh) | 一种商圈中消费者空间行为分析系统及方法 | |
| US20170186065A1 (en) | System and Method of Product Selection for Promotional Display | |
| CN108596695A (zh) | 实体推送方法及系统 | |
| CN108053271A (zh) | 一种应用于商圈的智能卡券推荐与分发的系统与方法 | |
| CN110751537A (zh) | 一种基于线上线下的智能营销方法和装置 | |
| Gökgür et al. | Dynamic and targeted bundle pricing of two independently valued products | |
| Finotto et al. | Factors influencing the use of e-commerce in the agri-food sector: an analysis of Italian consumers | |
| CN102216950A (zh) | 内容显示信息管理系统及其方法 | |
| CN104751234B (zh) | 一种用户资产的预测方法及装置 | |
| CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
| CN108898425A (zh) | 店铺质量的评价方法及装置 | |
| CN113298550A (zh) | 商品价格的调整方法、装置和服务器 | |
| KR101942834B1 (ko) | 키워드 품질을 결정하기 위한 사용자 데이터의 처리 및 분석 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |