CN109636454A - 一种基于区域用户习惯大数据的商品推送方法 - Google Patents

Abstract

本发明公开了一种基于区域用户习惯大数据的商品推送方法，所述用户信息包括定位信息和交易数据，所述店铺信息包括店铺位置信息和商品数据，根据其他用户的购买频率和上一次的购买数量，计算出预计购买日期，有利于在商品用完前给客户发送推送消息，能及时提醒用户补货，给出购买建议。通过将购买方式分为线上和线下，并结合该区域大多数用户的购买习惯，给出优先购买方式和备选购买方式，可适应不同的商品和不同的区域情况，选择最优的购买方式，方便客户购买商品，并优先给出相同商品的不同购买方式的推荐店铺，且在无合适的相同商品推荐时，给出相似商品的推荐，为用户提起选出备选方案，减少客户挑选商品的工作。

Description

一种基于区域用户习惯大数据的商品推送方法

技术领域

本发明涉及商品推送技术领域，具体涉及一种基于区域用户习惯大数据的商品推送方法。

背景技术

推送是最常见的运营手段，好坏分明。它是最高效接触和影响用户的渠道之一，好是能即刻提高各类运营指标，坏是容易招致用户反感乃至卸载。很多运营对推送慎之用慎，用户体验像一道利刃悬在头上，生怕打扰。实际上推送得好，对各项KPI有事半功倍的效果。

现有的推送方法多是根据该用户消费记录，得到消费者的消费趋势和消费习惯，并进行针对性的商品推送，但现实情况中，个人的消费习惯会因为居住地的情况发生改变，如在一线城市，物流发达和商品种类丰富，售后方便，往往选则线上消费，而在三四线城市，物流较差，售后也不方便，当地人往往更多选择线下购买，此时使用现有的推送方法推送往往不符合当地情况，推送效果较差，因此需要一种基于区域用户习惯大数据的商品推送方法。

发明内容

为了解决上述的技术问题，本发明的目的在于提供一种基于区域用户习惯大数据的商品推送方法。

本发明所要解决的技术问题为：

(1)如何根据大数据判断客户下次购买该商品的时间。

(2)如何根据大数据确定用户区域的情况并选择购买方式。

(3)如何根据大数据确定该区域情况并选择推送的商品和店铺。

通过其他用户的购买记录，来分析出商品的消耗速度，再根据上次购买的商品数量，计算出预计购买日期，可在商品用光前发出推送消息，提示用户购买商品，同时根据区域用户的习惯来给出购买的建议，并推送给用户。

本发明的目的可以通过以下技术方案实现：

一种基于区域用户习惯大数据的商品推送方法，包括用于分析处理数据并得出推送消息的数据处理模块、存储有用户信息和店铺信息的数据存储模块、用于接收用户、店铺数据和发送推送消息的信息收发模块，所述用户信息包括定位信息和交易数据，所述交易数据中包含有成交日期、购买数量、成交价、商品型号、购买方式；所述店铺信息包括店铺位置信息和商品数据，所述商品数据中包含有商品型号、优惠信息、商品价格、销售方式；

所述数据处理模块得出推送消息的步骤如下：

S1、购买日期的预测：从用户P的交易数据中获取商品型号，数据处理模块预设的日期算法根据商品型号在数据存储模块中筛选出购买过相同商品且购买次数大于X的用户作为参照组，并调用参照组的交易数据，计算参照组的人数C，并将参照组内同一用户的交易数据中的成交日期和购买数量按成交日期从近至远，设置为D1、D2、D3、……Dn，以及Q1、Q2、Q3、……Qn，其中n≥X>3，且n和X均为正整数，所述数据处理模块再根据公式计算参照组内每个用户的消耗速度V，再将所有消耗速度V求和后除以总人数C，可得到商品的预计消耗速度V’，最后根据公式D₀＝D₁+Q₁*V’，计算出预计购买日期；

S2、商品历史价格的计算：根据用户P的交易数据，计算出历史购买单价，再根据定位信息，筛选出以用户P位置为圆心，半径为R的范围内所有在M月内购买过相同商品的其他用户的交易数据和店铺信息，作为区域组，并计算区域组每个订单中的商品单价，再将所有商品单价求和后除以区域组的订单数，可计算该商品的近期区域内单价；

S3、购买方式的选择：根据购买方式将区域组内的交易数据分为线上和线下，并计算线上交易数据和线下交易数据的占比，选择占比大的作为优先购买方式，占比小的作为备选购买方式；

S4、店铺和推送商品的选择：根据商品型号筛选出所有的可购买相同商品型号的店铺信息，并根据优惠信息和商品价格计算出店铺的该商品的预计优惠价；并将店铺按照销售方式分为线上和线下，根据优先购买方式，筛选出销售方式匹配优先购买方式且预计优惠价最低的店铺，通过数据处理模块中预设的推荐判断算法来判断是否推荐该店铺中的商品，若推荐，则通过信息收发模块给用户P发送该商品的推送消息，若不推荐，则筛选出销售方式匹配备选购买方式的店铺，通过数据处理模块中预设的判断方法来判断是否推荐，若推荐，则通过信息收发模块给用户P发送该商品的推送消息，若不推荐，则通过数据处理模块根据商品型号确定商品的分类，选择具有相同分类，且参数K不同的多个商品作为相似商品，并通过数据处理模块预设的相似商品推荐算法筛选出线上推荐商品和线下推荐商品，并通过信息收发模块给用户P发送包含线上推荐商品和线下推荐商品信息的推送消息；

S5、推送内容的选择：按照购买方式，将推送消息分为线上型和线下型，其中线上型推送消息的内容包括预计物流时间、商品型号、优惠信息、预计优惠价，线下型推送消息的内容包括店铺位置信息、商品型号、优惠信息、预计优惠价。

进一步的，所述推荐判断算法比较预计优惠价、近期区域内单价和历史购买单价之间的大小，若预计优惠价<近期区域内单价，且预计优惠价<历史购买单价,则判定为推荐；若预计优惠价>近期区域内单价，且预计优惠价>历史购买单价,则判定为不推荐；若预计优惠价<近期区域内单价，但预计优惠价>历史购买单价,则计算涨幅，涨幅超过y％，判定为不推荐，涨幅小于y％，判定为推荐，其中20<y<40；若预计优惠价<历史购买单价，但预计优惠价>近期区域内单价，则计算涨幅，涨幅超过z％，判定为不推荐，涨幅小于z％，判定为推荐,其中30<z<60。

进一步的，所述相似商品推荐算法得到线上推荐商品和线下推荐商品的步骤如下：

SS1、在数据存储模块中筛选出以用户P位置为圆心，半径为R的范围内购买过相似商品的其他用户的交易数据和店铺信息；

SS2、根据优惠信息和商品价格计算出各店铺的相似商品的预计优惠价并将交易数据按购买方式分为线上组和线下组；

SS3、在线上组内进行筛选，并计算各相似商品的占比，选出预计优惠价最低的商品和占比最大的商品作为线上推荐商品；

SS4、在线下组内进行筛选，按预计优惠价从低至高选出多个备选商品，再从选出备选商品中选出预计优惠价最低的商品和店铺位置距离用户P位置最近的商品，作为线下推荐商品。

进一步的，所述信息收发模块在预计购买日期前七天发送一次推送消息，并在预计购买日期前三天再发送一次推送消息。

进一步的，所述参数K为品牌、规格、附加功能之中的一种。

本发明的有益效果：

(1)根据大数据分析出其他用户的购买频率，来计算出商品的预计消耗速度，再根据用户上一次的购买数量，可计算出商品使用的时长，进而计算出预计购买日期，有利于在商品用完前给客户发送推送消息，能及时提醒用户补货，给出购买建议。

(2)通过将购买方式分为线上和线下，并结合该区域大多数用户的购买习惯，构成大数据进行分析，给出优先购买方式和备选购买方式，可适应不同的商品和不同的区域情况，选择最优的购买方式，方便客户购买商品，并优先给出相同商品的不同购买方式的推荐店铺，且在无合适的相同商品推荐时，根据大数据筛选出相似商品，给出具有区域性用户习惯的相似商品的推荐，符合当地实际情况，为用户提起选出备选方案，减少客户挑选商品的工作。

(3)相似商品的推荐分别给出多个线上推荐商品和线下推荐商品，每个商品具有不同的特点，达到方便客户使用，客户省钱，增加订单量的目的。

具体实施方式

下面将对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本实施例提供了一种基于区域用户习惯大数据的商品推送方法，包括用于分析处理数据并得出推送消息的数据处理模块、存储有用户信息和店铺信息的数据存储模块、用于接收用户、店铺数据和发送推送消息的信息收发模块，用户信息包括定位信息和交易数据，交易数据中包含有成交日期、购买数量、成交价、商品型号、购买方式；店铺信息包括店铺位置信息和商品数据，商品数据中包含有商品型号、优惠信息、商品价格、销售方式；

数据处理模块得出推送消息的步骤如下：

S1、购买日期的预测：从用户P的交易数据中获取商品型号，数据处理模块预设的日期算法根据商品型号在数据存储模块中筛选出购买过相同商品且购买次数大于X的用户作为参照组，此类用户具有重复购买该商品的习惯，具有参考性，如某一用户的一个订单中购买了方便面，在所有用户的订单中搜索出购买过相同方便面且重复购买次数大于4的用户。X的量可根据需要进行手动设置，并调用参照组的交易数据，计算参照组的人数C，并将参照组内同一用户的交易数据中的成交日期和购买数量按成交日期从近至远，设置为D1、D2、D3、……Dn，以及Q1、Q2、Q3、……Qn，其中n≥X>3，且n和X均为正整数，数据处理模块再根据公式其中D_n-1-D_n为时间上相邻的两个订单相隔的时间，计算参照组内每个用户的消耗速度V，再将所有消耗速度V求和后除以总人数C，可得到商品的预计消耗速度V’，最后根据公式D₀＝D₁+Q₁*V’，计算出预计购买日期。结果保留一位小数，如共筛选出一个用户，购买了四次方便面，第一次和第二次间隔20天，且第一次购买了1箱，第二次和第三次间隔了60天，且第二次购买2箱，第三次和第四次间隔了24天，且第三次购买了1箱，则V＝24.8天/箱，该用户的消耗速度V为平均24.8天消耗1箱该型号的方便面，根据大数据可将所有用户的V求和后除以人数，可得表示全网平均该商品的消耗速度，预计消耗速度V’提高准确度，进而计算得出D₀

S2、商品历史价格的计算：根据用户P的交易数据，计算出历史购买单价，单价可由总价除以数量计算得到，再根据定位信息，筛选出以用户P位置为圆心，半径为50km的范围内所有在3个月内购买过相同商品的其他用户的交易数据和店铺信息，作为区域组，并计算区域组每个订单中的商品单价，再将所有商品单价求和后除以区域组的订单数，可计算该商品的近期区域内单价，近期区域内单价表示了该区域内该商品近期的平均成交价格，更符合当地的物价情况，每个区域由于物流发达程度和经济发展水平的不同，其购物的便利程度和购物习惯都有较大的差距，会导致近期区域内单价的不同。

S3、购买方式的选择：根据购买方式将区域组内的交易数据分为线上和线下，并计算线上交易数据和线下交易数据的占比，选择占比大的作为优先购买方式，占比小的作为备选购买方式；根据区域内大多数人的购物习惯判断优先购买方式和备选购买方式，更符合当地的实际情况。

S4、店铺和推送商品的选择：根据商品型号筛选出所有的可购买相同商品型号的店铺信息，并根据优惠信息和商品价格计算出店铺的该商品的预计优惠价；并将店铺按照销售方式分为线上和线下，根据优先购买方式，筛选出销售方式匹配优先购买方式且预计优惠价最低的店铺，通过数据处理模块中预设的推荐判断算法来判断是否推荐该店铺中的商品。

推荐判断算法比较预计优惠价、近期区域内单价和历史购买单价之间的大小，若预计优惠价<近期区域内单价，且预计优惠价<历史购买单价,则判定为推荐；若预计优惠价>近期区域内单价，且预计优惠价>历史购买单价,则判定为不推荐；若预计优惠价<近期区域内单价，但预计优惠价>历史购买单价,则计算涨幅，涨幅超过y％，判定为不推荐，涨幅小于y％，判定为推荐，其中20<y<40；若预计优惠价<历史购买单价，但预计优惠价>近期区域内单价，则计算涨幅，涨幅超过z％，判定为不推荐，涨幅小于z％，判定为推荐,其中30<z<60，y，z的具体数值可根据实际情况进行单独设置。

若推荐，则通过信息收发模块给用户P发送该商品的推送消息，优先推送符合当地大多数人习惯的购物方式，若不推荐，则筛选出销售方式匹配备选购买方式的店铺，通过数据处理模块中预设的判断方法来判断是否推荐，再推送可按备选购买方式购买的商品，若推荐，则通过信息收发模块给用户P发送该商品的推送消息，若不推荐，没有合适相同商品，会给出多种相似商品推荐，每种相似商品都具有各自的特点，则通过数据处理模块根据商品型号确定商品的分类，选择具有相同分类，且参数K不同的五个商品作为相似商品，参数K为品牌、规格、附加功能中的一种，并通过数据处理模块预设的相似商品推荐算法筛选出线上推荐商品和线下推荐商品。

相似商品推荐算法得到线上推荐商品和线下推荐商品的步骤如下：

SS1、在数据存储模块中筛选出以用户P位置为圆心，半径为R的范围内购买过相似商品的其他用户的交易数据和店铺信息；

SS2、根据优惠信息和商品价格计算出各店铺的相似商品的预计优惠价并将交易数据按购买方式分为线上组和线下组；

SS3、在线上组内进行筛选，并计算各相似商品的占比，选出预计优惠价最低的商品和占比最大的商品作为线上推荐商品；

SS4、在线下组内进行筛选，按预计优惠价从低至高选出多个备选商品，再从选出备选商品中选出预计优惠价最低的商品和店铺位置距离用户P位置最近的商品，作为线下推荐商品。并通过信息收发模块给用户P发送包含线上推荐商品和线下推荐商品信息的推送消息。

S5、推送内容的选择：按照购买方式，将推送消息分为线上型和线下型，其中线上型推送消息的内容包括预计物流时间、商品型号、优惠信息、预计优惠价，线下型推送消息的内容包括店铺位置信息、商品型号、优惠信息、预计优惠价。信息收发模块在预计购买日期前七天发送一次推送消息，并在预计购买日期前三天再发送一次推送消息。

本发明在工作时，先根据用户购买的日期和数量，配合大数据计算出的全网的该商品的消耗速度，继而计算出预计购买日期，确定推送的时间，再根据大数据对该地区内的用户进行筛选，得到具有相同购物经历的用户，对他们的消费习惯和喜好进行分析，给出符合该区域的消费方式建议和商品的推荐，在没有合适的相同商品推荐时，推送符合当地情况的多个不同特性的相似商品，供客户选择。

本发明的有益效果：

根据大数据分析出其他用户的购买频率，来计算出商品的预计消耗速度，再根据用户上一次的购买数量，可计算出商品使用的时长，进而计算出预计购买日期，有利于在商品用完前给客户发送推送消息，能及时提醒用户补货，给出购买建议。

通过将购买方式分为线上和线下，并结合该区域大多数用户的购买习惯，构成大数据进行分析，给出优先购买方式和备选购买方式，可适应不同的商品和不同的区域情况，选择最优的购买方式，方便客户购买商品，并优先给出相同商品的不同购买方式的推荐店铺，且在无合适的相同商品推荐时，根据大数据筛选出相似商品，给出具有区域性用户习惯的相似商品的推荐，符合当地实际情况，为用户提起选出备选方案，减少客户挑选商品的工作。

相似商品的推荐分别给出多个线上推荐商品和线下推荐商品，每个商品具有不同的特点，达到方便客户使用，客户省钱，增加订单量的目的。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (5)

1.一种基于区域用户习惯大数据的商品推送方法，包括用于分析处理数据并得出推送消息的数据处理模块、存储有用户信息和店铺信息的数据存储模块、用于接收用户、店铺数据和发送推送消息的信息收发模块，其特征在于，所述用户信息包括定位信息和交易数据，所述交易数据中包含有成交日期、购买数量、成交价、商品型号、购买方式；所述店铺信息包括店铺位置信息和商品数据，所述商品数据中包含有商品型号、优惠信息、商品价格、销售方式；

所述数据处理模块得出推送消息的步骤如下：

S1、购买日期的预测：从用户P的交易数据中获取商品型号，数据处理模块预设的日期算法根据商品型号在数据存储模块中筛选出购买过相同商品且购买次数大于X的用户作为参照组，并调用参照组的交易数据，计算参照组的人数C，并将参照组内同一用户的交易数据中的成交日期和购买数量按成交日期从近至远，设置为D1、D2、D3、……Dn，以及Q1、Q2、Q3、……Qn，其中n≥X>3，且n和X均为正整数，所述数据处理模块再根据公式，计算参照组内每个用户的消耗速度V，再将所有消耗速度V求和后除以总人数C，可得到商品的预计消耗速度，最后根据公式，计算出预计购买日期计算出预计购买日期；

S2、商品历史价格的计算：根据用户P的交易数据，计算出历史购买单价，再根据定位信息，筛选出以用户P位置为圆心，半径为R的范围内所有在M月内购买过相同商品的其他用户的交易数据和店铺信息，作为区域组，并计算区域组每个订单中的商品单价，再将所有商品单价求和后除以区域组的订单数，可计算该商品的近期区域内单价；

S3、购买方式的选择：根据购买方式将区域组内的交易数据分为线上和线下，并计算线上交易数据和线下交易数据的占比，选择占比大的作为优先购买方式，占比小的作为备选购买方式；

S4、店铺和推送商品的选择：根据商品型号筛选出所有的可购买相同商品型号的店铺信息，并根据优惠信息和商品价格计算出店铺的该商品的预计优惠价；并将店铺按照销售方式分为线上和线下，根据优先购买方式，筛选出销售方式匹配优先购买方式且预计优惠价最低的店铺，通过数据处理模块中预设的推荐判断算法来判断是否推荐该店铺中的商品，若推荐，则通过信息收发模块给用户P发送该商品的推送消息，若不推荐，则筛选出销售方式匹配备选购买方式的店铺，通过数据处理模块中预设的判断方法来判断是否推荐，若推荐，则通过信息收发模块给用户P发送该商品的推送消息，若不推荐，则通过数据处理模块根据商品型号确定商品的分类，选择具有相同分类，且参数K不同的多个商品作为相似商品，并通过数据处理模块预设的相似商品推荐算法筛选出线上推荐商品和线下推荐商品，并通过信息收发模块给用户P发送包含线上推荐商品和线下推荐商品信息的推送消息；

S5、推送内容的选择：按照购买方式，将推送消息分为线上型和线下型，其中线上型推送消息的内容包括预计物流时间、商品型号、优惠信息、预计优惠价，线下型推送消息的内容包括店铺位置信息、商品型号、优惠信息、预计优惠价。

2.根据权利要求1所述的一种基于区域用户习惯大数据的商品推送方法，其特征在于，所述推荐判断算法比较预计优惠价、近期区域内单价和历史购买单价之间的大小，若预计优惠价<近期区域内单价，且预计优惠价<历史购买单价,则判定为推荐；若预计优惠价>近期区域内单价，且预计优惠价>历史购买单价,则判定为不推荐；若预计优惠价<近期区域内单价，但预计优惠价>历史购买单价,则计算涨幅，涨幅超过y％，判定为不推荐，涨幅小于y％，判定为推荐，其中20<y<40；若预计优惠价<历史购买单价，但预计优惠价>近期区域内单价，则计算涨幅，涨幅超过z％，判定为不推荐，涨幅小于z％，判定为推荐,其中30<z<60。

3.根据权利要求1所述的一种基于区域用户习惯大数据的商品推送方法，其特征在于，所述相似商品推荐算法得到线上推荐商品和线下推荐商品的步骤如下：

SS1、在数据存储模块中筛选出以用户P位置为圆心，半径为R的范围内购买过相似商品的其他用户的交易数据和店铺信息；

SS2、根据优惠信息和商品价格计算出各店铺的相似商品的预计优惠价并将交易数据按购买方式分为线上组和线下组；

SS3、在线上组内进行筛选，并计算各相似商品的占比，选出预计优惠价最低的商品和占比最大的商品作为线上推荐商品；

SS4、在线下组内进行筛选，按预计优惠价从低至高选出多个备选商品，再从选出备选商品中选出预计优惠价最低的商品和店铺位置距离用户P位置最近的商品，作为线下推荐商品。

4.根据权利要求1所述的一种基于区域用户习惯大数据的商品推送方法，其特征在于，所述信息收发模块在预计购买日期前七天发送一次推送消息，并在预计购买日期前三天再发送一次推送消息。

5.根据权利要求1所述的一种基于区域用户习惯大数据的商品推送方法，其特征在于，所述参数K为品牌、规格、附加功能之中的一种。