CN109685564B - 一种基于项目反应理论的线下消费者决策行为预测方法 - Google Patents

一种基于项目反应理论的线下消费者决策行为预测方法 Download PDF

Info

Publication number
CN109685564B
CN109685564B CN201811559260.7A CN201811559260A CN109685564B CN 109685564 B CN109685564 B CN 109685564B CN 201811559260 A CN201811559260 A CN 201811559260A CN 109685564 B CN109685564 B CN 109685564B
Authority
CN
China
Prior art keywords
consumer
commodity
attention
time
consumption
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.)
Active
Application number
CN201811559260.7A
Other languages
English (en)
Other versions
CN109685564A (zh
Inventor
陈丽
夏兴隆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Etag Technology Corp
Original Assignee
Suzhou Etag Technology Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Etag Technology Corp filed Critical Suzhou Etag Technology Corp
Priority to CN201811559260.7A priority Critical patent/CN109685564B/zh
Publication of CN109685564A publication Critical patent/CN109685564A/zh
Application granted granted Critical
Publication of CN109685564B publication Critical patent/CN109685564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cash Registers Or Receiving Machines (AREA)

Abstract

本发明公开了一种基于项目反应理论的线下消费者决策行为预测方法，该种基于项目反应理论的线下消费者决策行为预测方法包括包括以下步骤：步骤一：获取消费者消费过程中的视觉关注信息；步骤二：自动识别关注区域；步骤三：计算商品观察时间；步骤四：记录最终消费者消费行为；步骤五：项目反应理论分析视觉关注信息；步骤六：根据步骤五计算结果，预测消费者消费行为；步骤七：针对性制定精准营销措施。通过上述方式，本发明克服现有技术中，未考虑消费者选择过程这一局限性，通过分析消费者消费过程中的认知行为，预测消费者线下消费行为，对进一步精准营销起到重要作用。

Description

一种基于项目反应理论的线下消费者决策行为预测方法
技术领域
本发明涉及零售、广告技术领域，特别是涉及一种基于项目反应理论的线下消费者决策行为预测方法。
背景技术
目前互联网零售中，平台可以通过监测消费者浏览的内容和点击的网页等进行大数据分析，预测消费者的消费行为并进行定向推送，从而实现精准营销。随着新零售的发展，线下零售以新姿态重新进入消费者的视线，并呈现爆发趋势，对于新零售，预测消费者消费行为对于精准营销、商家优化经营起到重要作用，针对线下消费行为的预测，最常见的是隐马尔可夫模型，在含有隐含未知参数的马尔可夫过程中，该模型可以通过可观察的参数，确定该过程中的隐含参数。
对于新零售，隐马尔可夫模型等预测消费者消费行为主要通过消费者的购买行为来预测，该技术通过消费者的消费数据进行有用信息提取，无法体现消费者购物过程中的选择过程，但是，把握选择过程推测购买行为对于进一步精准营销同样重要，本发明的目的是克服现有技术中，未考虑消费者选择过程这一局限性，通过分析消费者消费过程中的认知行为，预测消费者线下消费行为。
发明内容
本发明主要解决的技术问题是提供一种基于项目反应理论的线下消费者决策行为预测方法，结合消费者消费过程，根据消费者视觉注意的情况，预测消费行为，对进一步精准营销起到重要作用。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于项目反应理论的线下消费者决策行为预测方法，该种基于项目反应理论的线下消费者决策行为预测方法包括以下步骤：
步骤一：获取消费者消费过程中的视觉关注信息；
步骤二：自动识别关注区域；
步骤三：计算商品观察时间；
步骤四：记录最终消费者消费行为，记录消费者的最终选择Selection，选择该商品记为1，未选择记为0；
步骤五：项目反应理论分析视觉关注信息，根据项目反应理论，建立如下关系式，其中，Selection为选择结果，Time为归一化的观察时间，以商品一为例，归一化时间可通过Time1/Tall获取，其中Time1为商品一的总关注时间；Tall为所有商品总关注时间，a和b分别为待定系数，
Figure 40212DEST_PATH_IMAGE001
记录Z个人的观察结果，利用所有商品的关注时间和最终选择结果，通过拟合Selection公式得到消费者消费对应的参数a和b，参数a值越大，表示决策与时间的关系越明确，可以通过观察时间，直接预测消费者是否会购买该商品，b表示这一类商品选择的难度，值越大表示越难决策，需要越长时间；
步骤六：根据步骤五计算结果，预测消费者消费行为；
步骤七：针对性制定精准营销措施。
优选的是，所述步骤一中采用遥测式眼动仪记录眼动数据，眼动数据包括关注位置矩阵[x1，y1；x2，y2；……xn，yn]共n个点，及在该关注位置停留的时间矩阵[t1，t2……tn]，获取眼动信息与商品的对应关系。
优选的是，所述步骤二中获取第s1个商品对应的货架边界坐标，[a1，b1]、[a1，b2]、[a2，b1]和[a2，b2]，依次判断关注位置矩阵中的n个点是否在该商品的货架边界内，以第一个关注位置为例，其坐标为（x1，y1），当a1<x1<a2和b1<y1<b2两个条件都满足时，则认为此时消费者在观察该商品，观察时间为t1，矩阵第一行则为（x1，y1，t1，s1），其中s1表示商品序号；依此类推，生成新的n*4大小的矩阵[x1，y1，t1，s1；x2，y2，t2，s2；……xn，yn，tn，sQ]，其中s1、s2…sQ表示商品序号。
优选的是，所述步骤三中依次判断n个点的关注区域，n个点中（x1，y1）、（xm，ym）…（xn，yn）几个点对应的关注区域均为商品一，商品一的总关注时间为Time1=t1+tm+…+tn，同样地，可以获得其他商品的关注时间分别为Time2、Time3…TimeQ，所有商品总关注时间为Tall=Time1+Time2+…+TimeQ。
优选的是，所述步骤六中根据参数a和b，以及消费者的观察时间，求出Selection的值，预测消费者消费行为。
与现有技术相比，本发明的有益效果是：克服现有技术中，未考虑消费者选择过程这一局限性，通过分析消费者消费过程中的认知行为，预测消费者线下消费行为，对进一步精准营销起到重要作用。
附图说明
图1为货架上的商品分布图。
图2为消费者眼动信息示意图。
图3为商品选择结果和归一化时间对应示意图。
图4为一种基于项目反应理论的线下消费者决策行为预测方法的结构框图。
具体实施方式
下面结合附图对本发明较佳实施例进行详细阐述，以使发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1至图4，本发明实施例包括：
一种基于项目反应理论的线下消费者决策行为预测方法，该种基于项目反应理论的线下消费者决策行为预测方法包括以下步骤：
步骤一：获取消费者消费过程中的视觉关注信息，如图1所示，该图为货架上的商品，黑框为货架边界，采用SMI公司的iView X RED遥测式眼动仪记录眼动数据，眼动数据包括关注位置矩阵[x1，y1；x2，y2；……xn，yn]共n个点，及在该关注位置停留的时间矩阵[t1，t2……tn]，如图2所示，眼动信息与商品的对应关系；
步骤二：自动识别关注区域，获取第s1个商品对应的货架边界坐标，[a1，b1]、[a1，b2]、[a2，b1]和[a2，b2]，依次判断关注位置矩阵中的n个点是否在该商品的货架边界内，以第一个关注位置为例，其坐标为（x1，y1），当a1<x1<a2和b1<y1<b2两个条件都满足时，则认为此时消费者在观察该商品，观察时间为t1，矩阵第一行则为（x1，y1，t1，s1），其中s1表示商品序号；依此类推，生成新的n*4大小的矩阵[x1，y1，t1，s1；x2，y2，t2，s2；……xn，yn，tn，sQ]，其中s1、s2…sQ表示商品序号；
步骤三：计算商品观察时间，依次判断n个点的关注区域，假设经过步骤二判断后，n个点中（x1，y1）、（x5，y5）、（x7，y7）和（x11，y11）四个点对应的关注区域均为商品一，其他点均对应其他商品，则商品一的总关注时间为Time1=t1+t5+t7+t11，同样地，可以获得其他商品的关注时间分别为Time2、Time3…TimeQ，所有商品总关注时间为Tall=Time1+Time2+…+TimeQ；
步骤四：记录最终消费者消费行为,记录消费者的最终选择Selection，选择该商品记为1，未选择记为0；
步骤五：项目反应理论分析视觉关注信息，根据项目反应理论，建立如下关系式，其中，Selection为选择结果，Time为归一化的观察时间，以商品一为例，归一化时间可通过Time1/Tall获取，其中Time1为商品一的总关注时间；Tall为所有商品总关注时间，a和b分别为待定系数，
Figure 169842DEST_PATH_IMAGE001
记录Z个人的观察结果，利用所有商品的关注时间和最终选择结果，通过拟合Selection公式得到消费者消费对应的参数a和b，参数a值越大，表示决策与时间的关系越明确，可以通过观察时间，直接预测消费者是否会购买该商品，b表示这一类商品选择的难度，值越大表示越难决策，需要越长时间；
步骤六：根据步骤五计算结果，预测消费者消费行为，在后续消费中，根据参数a和b，以及消费者的观察时间，代入上述公式，求出Selection的值，预测消费者消费行为，当Selection大于阈值D，则表示有强烈购买意愿，如图3所示；
步骤七：针对性制定精准营销措施，购买意愿很强烈时，可针对性制定促销措施等，例如推送该商品优惠券，加强购买意愿。
本发明一种基于项目反应理论的线下消费者决策行为预测方法，结合消费者消费过程，根据消费者视觉注意的情况，预测消费行为，对进一步精准营销起到重要作用。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于项目反应理论的线下消费者决策行为预测方法，其特征在于：包括以下步骤：
步骤一：获取消费者消费过程中的视觉关注信息；
步骤二：自动识别关注区域；
步骤三：计算商品观察时间；
步骤四：记录最终消费者消费行为，记录消费者的最终选择Selection，选择该商品记为1，未选择记为0；
步骤五：项目反应理论分析视觉关注信息，根据项目反应理论，建立如下关系式，其中，Selection为选择结果，Time为归一化的观察时间，以商品一为例，归一化时间可通过Time1/Tall获取，其中Time1为商品一的总关注时间；Tall为所有商品总关注时间，a和b分别为待定系数，
Figure DEST_PATH_IMAGE001
，记录Z个人的观察结果，利用所有商品的关注时间和最终选择结果，通过拟合Selection公式得到消费者消费对应的参数a和b；
步骤六：根据步骤五计算结果，预测消费者消费行为；
步骤七：针对性制定精准营销措施。
2.根据权利要求1所述的一种基于项目反应理论的线下消费者决策行为预测方法，其特征在于：所述步骤一中采用遥测式眼动仪记录眼动数据，眼动数据包括关注位置矩阵[x1，y1；x2，y2；……xn，yn]共n个点，及在该关注位置停留的时间矩阵[t1，t2……tn]，获取眼动信息与商品的对应关系。
3.根据权利要求2所述的一种基于项目反应理论的线下消费者决策行为预测方法，其特征在于：所述步骤二中获取第s1个商品对应的货架边界坐标，[a1，b1]、[a1，b2]、[a2，b1]和[a2，b2]，依次判断关注位置矩阵中的n个点是否在该商品的货架边界内，以第一个关注位置为例，其坐标为（x1，y1），当a1<x1<a2和b1<y1<b2两个条件都满足时，则认为此时消费者在观察该商品，观察时间为t1，矩阵第一行则为（x1，y1，t1，s1），其中s1表示商品序号；依此类推，生成新的n*4大小的矩阵[x1，y1，t1，s1；x2，y2，t2，s2；……xn，yn，tn，sQ]，其中s1、s2…sQ表示商品序号。
4.根据权利要求3所述的一种基于项目反应理论的线下消费者决策行为预测方法，其特征在于：所述步骤三中依次判断n个点的关注区域，n个点中（x1，y1）、（xm，ym）…（xn，yn）几个点对应的关注区域均为商品一，商品一的总关注时间为Time1=t1+tm+…+tn，同样地，可以获得其他商品的关注时间分别为Time2、Time3…TimeQ，所有商品总关注时间为Tall=Time1+Time2+…+TimeQ。
5.根据权利要求4所述的一种基于项目反应理论的线下消费者决策行为预测方法，其特征在于：所述步骤六中根据参数a和b，以及消费者的观察时间，求出Selection的值，预测消费者消费行为。
CN201811559260.7A 2018-12-21 2018-12-21 一种基于项目反应理论的线下消费者决策行为预测方法 Active CN109685564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811559260.7A CN109685564B (zh) 2018-12-21 2018-12-21 一种基于项目反应理论的线下消费者决策行为预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811559260.7A CN109685564B (zh) 2018-12-21 2018-12-21 一种基于项目反应理论的线下消费者决策行为预测方法

Publications (2)

Publication Number Publication Date
CN109685564A CN109685564A (zh) 2019-04-26
CN109685564B true CN109685564B (zh) 2021-02-19

Family

ID=66186336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811559260.7A Active CN109685564B (zh) 2018-12-21 2018-12-21 一种基于项目反应理论的线下消费者决策行为预测方法

Country Status (1)

Country Link
CN (1) CN109685564B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105568B (zh) * 2020-03-04 2021-10-12 焦作大学 一种市场营销信息的采集装置及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830643A (zh) * 2018-05-31 2018-11-16 杭州量聚网络科技有限公司 一种营销推广方法和系统
CN108921434A (zh) * 2018-07-04 2018-11-30 北京希子教育科技有限公司 一种通过人机交互完成用户能力预测的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5061999B2 (ja) * 2008-03-28 2012-10-31 富士通株式会社 解析装置、解析方法及び解析プログラム
WO2013072233A2 (en) * 2011-11-16 2013-05-23 Telefonica, S.A A computer-implemented method and system to manage user profiles regarding user preferences towards a content
DE112011105941B4 (de) * 2011-12-12 2022-10-20 Intel Corporation Scoring der Interessantheit von interessanten Bereichen in einem Anzeigeelement
CN106651430A (zh) * 2016-10-19 2017-05-10 天津工业大学 一种基于视觉注意机制的广告设计客观评价方法
CN108229718B (zh) * 2016-12-22 2020-06-02 北京字节跳动网络技术有限公司 一种信息预测方法及装置
CN106920129B (zh) * 2017-03-09 2020-05-05 山东师范大学 一种基于眼动追踪的网络广告效果测评系统及其方法
CN107563801A (zh) * 2017-08-23 2018-01-09 浙江大学城市学院 一种基于隐马尔可夫模型的消费者线下消费行为预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830643A (zh) * 2018-05-31 2018-11-16 杭州量聚网络科技有限公司 一种营销推广方法和系统
CN108921434A (zh) * 2018-07-04 2018-11-30 北京希子教育科技有限公司 一种通过人机交互完成用户能力预测的方法

Also Published As

Publication number Publication date
CN109685564A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
Cai et al. Multimodal Data Guided Spatial Feature Fusion and Grouping Strategy for E‐Commerce Commodity Demand Forecasting
Martino A review of selected recent advances in technological forecasting
Pallant et al. An empirical analysis of factors that influence retail website visit types
CN114202352A (zh) 利用商品的视觉图式的需求预测方法及其装置
Scheibehenne et al. Different strategies for evaluating consumer products: Attribute-and exemplar-based approaches compared
Lee et al. Hidden markov models for forex trends prediction
CN109685564B (zh) 一种基于项目反应理论的线下消费者决策行为预测方法
Zhang et al. Firm innovation and technical capabilities for enhanced export performance: the moderating role of competitive intensity
Soltani et al. Development of an advanced application process of Lean Manufacturing approach based on a new integrated MCDM method under Pythagorean fuzzy environment
Swari et al. Optimization of single exponential smoothing using particle swarm optimization and modified particle swarm optimization in sales forecast
CN111242732A (zh) 一种基于商品推荐模型的推荐方法
Chen et al. Observing algorithmic marketplaces in-the-wild
Sagar et al. A novel prediction algorithm for multivariate data sets
CN110909050A (zh) 一种数据统计分析系统
Schwenke et al. Simulation and analysis of buying behavior in supermarkets
Triyani et al. Strengthening Entrepreneurship Characteristics in the Effort of Increasing MSMe Performance Through Management Ability and Entrepreneurship Competence
Ameyaw et al. How to evaluate classifier performance in the presence of additional effects: A new POD-based approach allowing certification of machine learning approaches
Rane et al. Used car price prediction
JP2005157836A (ja) 商品販売量予測装置、商品販売量予測方法及びモデル学習方法
CN110020147A (zh) 模型生成、评论识别的方法、系统、设备及存储介质
JP2022068690A (ja) 意思決定支援装置
US20110313800A1 (en) Systems and Methods for Impact Analysis in a Computer Network
Supriya et al. House Price Prediction System using Machine Learning Algorithms and Visualization
Pratama et al. Implementation of C4. 5 Algorithm for Analysis of Service Quality in Companies of PT. XYZ
Gleue et al. Decision support for the automotive industry: forecasting residual values using artificial neural networks

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