CN109784996A - 一种优惠信息的个性化分配方法及系统 - Google Patents

Abstract

本发明公开了一种优惠信息的个性化分配方法及系统，涉及个性化营销领域，包括：当获取到活动会员信息时，根据预设基础数据和活动会员信息中的会员特征，匹配得到对应的会员；将所述活动会员信息对应的优惠信息分配给所述会员。本发明通过大数据技术在会员(即顾客)未消费前即可通过其历史消费行为为其量身匹配合适的优惠信息，促进其消费；且分配优惠信息是根据预设基础数据多维度分析得到，营销策划人员的主观因素影响较低，匹配精准度高，大大提高了会员的使用体验。

Description

一种优惠信息的个性化分配方法及系统

技术领域

本发明涉及个性化营销领域，尤其涉及一种优惠信息的个性化分配方法及系统。

背景技术

零售商会不定时开展营销活动，促进销售的提升，传统的手段为采用千篇一律、高普适性的大众营销活动，广发传单。例如：12月11日，苹果由4.8/斤降为3.8/斤。这种营销活动的精准度较低，达到的促销效果并不理想。

针对这一问题，已知的一些营销系统服务商通过与零售商收银系统打通后，通过消费者结算后实际产生的购买记录触发相应的营销活动，从而部分实现精准营销。例如：购买客单价达到300的会员赠送全场8折券，购买客单价达到200的赠送全场9折券，购买客单价达到100的赠送全场9.5折券等。

但上述这种方式主要有以下问题：该活动中优惠券的派发是发生在顾客消费之后，很难让顾客立刻进行第二次消费，导致活动的效果不佳；且该活动中优惠券的触发条件是营销策划人员根据自己的业务经验、主观指定的业务逻辑，不够科学严谨。

发明内容

本发明的目的是提供一种优惠信息的个性化分配方法及系统，为每个顾客量身分配优惠信息，提高精度和活动效果。

本发明提供的技术方案如下：

一种优惠信息的个性化分配方法，包括：当获取到活动会员信息时，根据预设基础数据和所述活动会员信息中的会员特征，匹配得到对应的会员；将所述活动会员信息对应的优惠信息分配给所述会员。

在上述技术方案中，通过圈定会员特征匹配会员给其分配优惠信息，这种优惠信息的分配方式适合营销需求有明确会员群体时采用，精确地分配给特定会员，具有高匹配精度。且该分配方式在会员(即顾客)未消费前即可通过其历史消费行为为其量身匹配合适的优惠信息，促进其消费。

进一步，还包括：当匹配得到的会员的数量小于所述活动会员信息的优惠数量时，采用人群扩散算法扩大所述会员，使所述会员的数量到达所述优惠数量。

在上述技术方案中，会员的扩大能够将符合程度较高的会员筛选出来，保证匹配的精准度，同时，也能够将设置的优惠数量的优惠信息分配出去。

进一步，当获取到分配策略、至少一个优惠活动信息和至少一个活动会员信息时，根据预设基础数据，分别筛选出与各所述优惠活动信息对应的会员；分别将各所述优惠活动信息对应的会员按所述优惠活动信息中的活动策略进行排序，得到各所述优惠活动信息对应的相关度列表；根据预设基础数据和各所述活动会员信息中的会员特征，匹配得到各所述活动会员信息对应的会员；根据各所述活动会员信息对应的会员和各所述优惠活动信息对应的相关度列表，按照所述分配策略中的预设优先级为预设基础数据中的每个会员分配所述分配策略中预设数量的优惠信息。

在上述技术方案中，两种分配方式结合使用，在满足不同营销目的的同时，保证了匹配精度，提高了营销活动的效果。

进一步，还包括：当存在一会员被分配的优惠信息的数量未达到所述预设数量时，自动为所述会员补齐剩下的所述优惠信息。

在上述技术方案中，若无法根据会员的历史消费行业分配合适数量的优惠信息，会从剩下的优惠信息中随机或有规律地给他补齐，完成优惠信息的分配。

进一步，所述根据预设基础数据，筛选出与一所述优惠活动信息对应的会员包括：根据预设基础数据，计算得到预设基础数据中预设时间段内每个会员客单价的特定分位数；所述特定分位数与所述优惠活动信息中的活动策略相对应；根据所述特定分位数和优惠后金额，按照所述活动策略筛选出对应的会员；其中，所述优惠后金额是根据所述优惠活动信息中的优惠类型计算得到的。

在上述方案中，采用不同分位数匹配不同的会员，以满足不同的活动策略需要的会员，提高会员与优惠信息的匹配精度。

本发明还提供一种优惠信息的个性化分配系统，包括：获取模块，获取活动会员信息；匹配模块，用于根据预设基础数据和所述活动会员信息中的会员特征，匹配得到对应的会员；分配模块，用于将所述活动会员信息对应的优惠信息分配给所述会员。

进一步，还包括：扩大模块，用于当匹配得到的会员的数量小于所述活动会员信息中的优惠数量时，采用人群扩散算法扩大所述目标会员，使所述会员的数量到达所述活动会员信息中的优惠数量。

进一步，所述获取模块，进一步用于获取分配策略、至少一个优惠活动信息和至少一个活动会员信息；所述的优惠信息的个性化分配系统，还包括：筛选模块，用于根据预设基础数据，分别筛选出与各所述优惠活动信息对应的会员；排序模块，用于分别将各所述优惠活动信息对应的会员按所述优惠活动信息中的活动策略进行排序，得到各所述优惠活动信息对应的相关度列表；所述匹配模块，进一步用于根据预设基础数据和各所述活动会员信息中的会员特征，匹配得到各所述活动会员信息对应的会员；所述分配模块，进一步用于根据各所述活动会员信息对应的会员和各所述优惠活动信息对应的相关度列表，按照所述分配策略中的预设优先级为预设基础数据中的每个会员分配所述分配策略中预设数量的优惠信息。

进一步，还包括：补齐模块，用于当存在一会员被分配的优惠信息的数量未达到所述预设数量时，自动为所述会员补齐剩下的所述优惠信息。

进一步，所述筛选模块，用于根据预设基础数据，筛选出与一所述优惠活动信息对应的会员包括：筛选模块，根据预设基础数据，计算得到预设基础数据中预设时间段内每个会员客单价的特定分位数；所述特定分位数与所述优惠活动信息中的活动策略相对应；以及，根据所述特定分位数和优惠后金额，按照所述活动策略筛选出对应的会员；其中，所述优惠后金额是根据所述优惠活动信息中的优惠类型计算得到的。

与现有技术相比，本发明的优惠信息的个性化分配方法及系统有益效果在于：

本发明通过大数据技术在会员(即顾客)未消费前即可通过其历史消费行为为其量身匹配合适的优惠信息，促进其消费；且分配优惠信息是根据预设基础数据多维度分析得到，营销策划人员的主观因素影响较低，匹配精准度高，大大提高了会员的使用体验。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对一种优惠信息的个性化分配方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明优惠信息的个性化分配方法一个实施例的流程图；

图2是图1的变形实施例的流程图；

图3是活动会员信息分配的一个实施例的示意图；

图4是本发明优惠信息的个性化分配方法另一个实施例的流程图；

图5是本发明优惠信息的个性化分配系统一个实施例的结构示意图；

图6是图5的变形实施例的结构示意图；

图7是本发明优惠信息的个性化分配系统另一个实施例的结构示意图。

附图标号说明：

10.获取模块，20.筛选模块，30.排序模块，40.分配模块，50.匹配模块，60.扩大模块，70.补齐模块。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

本发明的优惠信息的个性化分配方法和系统是基于大数据技术实现的。

在本发明的一个实施例中，如图1所示，一种优惠信息的个性化分配方法，包括：

S101当获取到活动会员信息时，根据预设基础数据和活动会员信息中的会员特征，匹配得到对应的会员；

S102将活动会员信息对应的(优惠类型对应的)优惠信息(优惠信息以不同形式呈现，例如：优惠券、红包信息、奖励金信息等)分配给(匹配到的)会员。

具体的，当想为特定会员分配优惠信息时，可通过圈定会员的会员特征，为相应的会员分配优惠信息。

活动会员信息包括：优惠类型、优惠数量和会员特征，这三个都可根据实际需要灵活设置。

优惠类型包括：

1)全场优惠信息，例如：全场满100-99，全场满500-230，全场满100送20元红包，全场满200送10元奖励金等。

2)品类优惠信息，品类是指各个商品的归属类别，例如：可口可乐的品类为碳酸饮料。品类优惠信息是指在这个品类里做的活动，例如：膨化食品类，满160-10，满56送5元红包，满78送10元奖励金等。

3)品牌优惠信息，品牌是指某一个品牌，例如：上好佳，美加净等。品牌优惠信息是指在这个品牌里做的活动，例如：乐事满50-10，康师傅满39额外送一包方便面等。

4)单品优惠信息，单品是指某一个商品，仅这个商品做活动，例如：亿滋奥利奥夹心饼干原味349g满50-5；怡宝饮用水纯净水4.5L*4支/箱，买2箱送1瓶500ml的怡宝饮用水等。

优惠数量是指优惠信息的数量，例如：全场满500-230只有3000个。

会员特征包括：会员的标签、指定消费行为等。

预设基础数据是对数据源(例如：零售商购物小票交易数据、商品信息数据、会员信息数据和门店信息数据)导入(例如：裸数据加载、数据清洗、数据准确性检查、数据映射、标准化编号)后，根据这些数据为每个会员打上相应的标签，以及，整理出的销售汇总数据，供后续筛选相应的会员使用。为会员打标签的方式可采用现有技术实现，在此不再赘述。

每个会员有多个会员标签，根据实际需求定义。例如：给会员打忠诚度的标签，以下4选1：a)忠诚顾客、b)机会顾客、c)易流失客户、d)新客户，根据会员购物的历史信息给每个会员打上相应的忠诚度标签。再比如：性别；年龄；价格关注度，a)品质关注顾客、b)主流顾客、c)价格关注客户；生活方式，a)下厨、b)家庭采购、c)有孩、d)促销敏感、e)健康、f)新品；偏好门店等。

销售汇总数据根据实际需求(例如：定义的会员特征需要的数据)确定具体维度的数据表格，例如：a.产品x人群标签x门店，4周顾客人数汇总表；b.门店x人群标签，4周顾客人数汇总表；c.人x品牌，52周购买次数汇总表；d.人x品类，52周购买次数汇总表；e.每个会员52周购物次数汇总表。

通过会员特征从预设基础数据库中匹配对应的会员的例子如下：如图3所示，设置的会员特征为：具有易流失会员、机会会员、忠诚会员标签，且在一个月内买过营养保健品的会员，通过这些会员特征从预设基础数据中筛选出对应的会员。

可选地，如图2所示，还包括：S203当匹配得到的会员的数量小于活动会员信息的优惠数量时，采用人群扩散算法扩大会员，使会员的数量到达优惠数量。将剩下的优惠信息分配给采用人群扩散算法找到的会员。

具体的，人群扩散算法可采用：Look-alike算法，当然，其它可实现会员扩展的算法也适用，并不作限制。

人群扩散算法是为了从剩下的会员中寻找与被分配的会员最为相似的会员，其运行时的逻辑包括：

1、考虑特征：已被分配的会员的所有标签、优惠类型对应的品牌和品类的得分。品牌和品类的得分规则可灵活定义，例如：每个被分配会员52周内购买此品牌、品类的累计金额作为得分。

2、计算被分配人群中心点，例如：所有特征的平均值。

3、计算每个偏好门店在活动会员信息对应的活动门店范围内的会员与被分配人群中心点的距离。

4、按距离由小到大排序，挑选所需扩大的会员。

本实施例中，通过圈定会员特征匹配会员给其分配优惠信息，这种优惠信息的分配方式适合营销需求有明确会员群体时采用，精确地分配给特定会员，具有高匹配精度。

在本发明的另一个实施例中，如图4所示，一种优惠信息的个性化分配方法，包括：

S301获取分配策略、至少一个优惠活动信息和至少一个活动会员信息；

S302根据预设基础数据，分别筛选出与各优惠活动信息对应的会员；

S303分别将各优惠活动信息对应的会员按优惠活动信息中的活动策略(对应的排序策略)进行排序，得到各优惠活动信息对应的相关度列表；活动策略不同，相关度列表中各会员的排序策略可不同、也可不同，根据实际情况决定。

S304根据预设基础数据和各活动会员信息中的会员特征，匹配得到各活动会员信息对应的会员；S302-303和S304的顺序不作限定，可并行，也可S304在前，S302-S303在后等。

S305根据各活动会员信息对应的会员和各优惠活动信息对应的相关度列表，按照分配策略中的预设优先级为预设基础数据中的每个会员分配分配策略中预设数量的优惠信息(优惠信息以不同形式呈现，例如：优惠券、红包信息、奖励金信息等)。

具体的，优惠活动信息包括：优惠类型、优惠数量、活动策略。优惠类型、优惠数量和活动策略根据实际需求灵活设置。优惠类型和优惠数量的定义与上述实施例相同，在此不再赘述。

活动策略有多种，例如：品牌回馈策略、单品消费升级策略、全场提客单策略、品牌拉新策略、品类拉客流策略、全场拉客流策略等，其与优惠类型相关联。

优惠活动信息中，根据不同的优惠类型，设置不同的活动策略，以达到提高销售量、提高会员量等不同营销目的。

预设基础数据与上述实施例相同，在此不再赘述，需要注意的是，本实施例多了采用优惠活动信息分配的方式，因此，计算销售汇总数据除了考虑会员特征外，还需要考虑优惠活动信息的需要。

每个优惠活动信息针对的会员不一样，筛选过程自然也会有不同，根据优惠活动信息中的活动策略筛选。

可选地，根据预设基础数据，筛选出与一个优惠活动信息对应的会员包括多种方式，根据实际设定的活动策略决定，下面举一些例子供参考：

第一种，根据预设基础数据，计算得到预设基础数据中预设时间段内(例如：52周)每个会员客单价的特定分位数；特定分位数与优惠活动信息中的活动策略相对应；根据特定分位数和优惠后金额，按照活动策略筛选出对应的会员；其中，优惠后金额是根据优惠活动信息中的优惠类型计算得到的。

例如：优惠类型为全场满399-100，活动策略为全场拉客流策略，其筛选对应会员的过程为：1)根据各会员过去52周内的客单价(即每一笔购物单)计算各会员25分位数；2)筛选出过去52周客单价25分位数大于优惠后金额的会员，这里的优惠后金额为399-100＝299。

优惠类型为全场满199-50，活动策略为全场提客单策略，其筛选对应会员的过程为：1)根据各会员过去52周内的客单价(即每一笔购物单)计算各会员50分位数；2)筛选出过去52周客单价50分位数大于优惠后金额、且优惠后金额小于过去52周最高客单价的会员，这里的优惠后金额为199-50＝149。

优惠类型为某一品类满59-10，活动策略为品类拉客流策略，其筛选对应会员的过程为：1)根据各会员过去52周内的客单价(即每一笔购物单)计算各会员25分位数；2)筛选出过去52周客单价25分位数大于优惠后金额的会员，这里的优惠后金额为59-10＝49。

优惠类型为某一品类满59-10，活动策略为品类提客单策略，其筛选对应会员的过程为：1)根据各会员过去52周内的客单价(即每一笔购物单)计算各会员50分位数；2)筛选出过去52周客单价50分位数大于优惠后金额、且优惠后金额小于过去52周最高客单价的会员，这里的优惠后金额为59-10＝49。

不同的活动策略选择不同的分位数和筛选条件，保证对应的优惠类型与筛选出来的会员更匹配。例如：提客单是为了提高购买的客单量，而50分位数大于优惠后金额，说明会员一半购买的客单价都大于优惠后金额，优惠后金额小于过去52周最高客单价的会员，说明该种会员也有机会和能力买到优惠后金额，符合这两个条件的会员属于潜在的可以提客单的会员。根据会员的历史消费行为筛选出优惠活动信息对应的会员，匹配度更高，为会员收到自己量身定做的优惠信息打下了基础。

第二种，根据优惠活动信息中的优惠类型，计算优惠类型对应的参考价格带；计算预设基础数据中每个会员的优惠类型对应的品类价格带；根据参考价格带和每个会员的品类价格带，按照优惠活动信息中的活动策略筛选出对应的会员。

例如：优惠类型为品牌A满49-5，活动策略为品牌消费升级策略，其筛选对应会员的过程为：1、计算品牌A对应的参考价格带(为品牌A涉及到的品类A划分价格带1-5级，1级最低)，参考价格带为3级；2、根据预设基础数据中的销售汇总数据，计算每个会员购买品类A下各单品的平均价所处的价格带，即每个会员的优惠类型对应的品类价格带；筛选出品类价格带低于参考价格带的所有会员，即品类价格带位于1或2级的会员。

优惠类型为单品B满39送一瓶矿泉水(成本价为3元)，活动策略为单品消费升级策略，其筛选对应会员的过程为：1、计算单品B对应的参考价格带(为单品B涉及到的品类B划分价格带1-5级，1级最低)，参考价格带为4级；2、根据预设基础数据中的销售汇总数据，计算每个会员购买品类B下各单品的平均价所处的价格带，即每个会员的优惠类型对应的品类价格带；筛选出品类价格带低于参考价格带的所有会员，即品类价格带位于1或2或3级的会员。

第三种，根据预设基础数据和优惠活动信息中的优惠类型，计算所有会员的人券相关度；根据人券相关度和优惠活动信息中的活动策略，筛选出对应的会员。

例如：

优惠类型为送5元品牌C的红包，活动策略为品牌回馈策略，其筛选对应会员的过程为：1、根据预设基础数据中各会员对品牌C下各单品的历史消费行为进行打分，打分制度灵活设置，例如：过去52周内品牌C下各单品的累计额度作为分值，累计256元，就为256分；2、品牌回馈策略为筛选出大于500的会员。

优惠类型为送1件单品D，活动策略为品牌回馈策略，其筛选对应会员的过程为：1、根据预设基础数据中各会员对单品D的历史消费行为进行打分，根据累计消费，计算平均价格作为分数；2、品牌回馈策略为筛选出大于100的会员。

第四种，根据预设基础数据和优惠活动信息中的活动策略，筛选出未购买过优惠活动信息中的优惠类型对应的商品的会员。

例如：

优惠类型为单品E满29-10，活动策略为单品拉新策略，其筛选对应会员的过程为：筛选出未购买过单品E的所有会员。

优惠类型为品牌F满59-20，活动策略为品牌拉新策略，其筛选对应会员的过程为：筛选出未购买过品牌F的所有会员。

优惠活动信息根据实际需求灵活定义，根据预设基础数据筛选出匹配度高的会员，为后续优惠信息的精准分配打下了基础。

可选地，将筛选出的会员按对应优惠活动信息中的活动策略(对应的排序策略)进行排序，得到该优惠活动信息对应的相关度列表中不同的活动策略可对应不同的排序方式，以提高优惠信息的精准分配为目的设置。下面举几个例子供参考：

第一种，计算筛选出的各会员的人券相关度和价格带差异；其中，人券相关度是根据会员历史购买优惠类型对应的商品的情况打分得到；价格带差异为参考价格带与品类价格带之间的差异；根据人券相关度和价格带差异进行排序，得到优惠活动信息对应的相关度列表。

例如：

优惠类型为品牌A，活动策略为品牌消费升级策略，其获得相关度列表的过程为：1、计算筛选出的会员在品牌A下的历史购买情况，累计消费的价格即为人券关系的分值，以及，价格带差异，例如：一会员的品类价格带为4级，参考价格带为3级，价格带差异为1级；另一会员的品类价格带为5级，价格带差异为2级；2、按照人券相关度从高到低或从低到高排序，当人券相关底相同时，价格带差异作为排序的第二参考因素；例如：将人券相关度高从高到底排列，若相同，价格带差异小的排前面。

第二种，根据预设基础数据，获取筛选出的各会员的会员忠诚度；根据会员忠诚度进行排序，得到优惠活动信息对应的相关度列表。

例如：

活动策略为全场拉客流策略或全场提客单策略或品类拉客流策略或品类提客单策略，其获得相关度列表的过程为：1、获取筛选出来的各会员的会员忠诚度，可提取会员标签，也可以打分制实现；2、按会员忠诚度从高到低或从低到高排序，得到优惠活动信息对应的相关度列表。

第三种，将筛选出的会员根据人券相关度进行排序，得到优惠活动信息对应的相关度列表。

例如：

活动策略为品牌回馈策略或单品回馈策略，其获得相关度列表的过程为：将筛选出的会员按照人券相关度从高到低或从低到高进行排序，得到优惠活动信息对应的相关度列表。

第四种，计算筛选出的会员购买与优惠类型关联商品的加权评分；将筛选出的会员按加权评分进行排序，得到优惠活动信息对应的相关度列表。

例如：

优惠类型为品牌B，活动策略为品牌拉新策略，其获得相关度列表的过程为：1、计算会员购买与品牌B相关联商品(相关联品牌的商品根据需求预先设置)的加权评分，加权评分的规则灵活设置，可将累计消费额度划分不同的档位，不同档位有不同的权值计算；2、计算出来后，按加权评分从高到低或从低到高排序，得到优惠活动信息对应的相关度列表。

优惠类型为单品C，活动策略为单品拉新策略，其获取相关度列表的过程为：1、计算会员购买与单品C相关联商品(相关联的商品根据需求预先设置，可采用品牌关联，提高多种商品的参考信息)的加权评分，加权评分的规则灵活设置，可将不同关联的品牌的商品设置不同的权值计算来计算累计消费额，作为加权评分；2、计算出来后，按加权评分从高到低或从低到高排序，得到优惠活动信息对应的相关度列表。

需要注意的是，筛选对应的会员、排序得到相关度列表等通过设置不同的优惠类型及关联的活动策略，得到不同的结果，实现不同的营销目的。排序和筛选的方式可在符合逻辑的情况下自由组合，不作限制。

可选地，根据预设基础数据和各活动会员信息中的会员特征，匹配得到各活动会员信息对应的会员之后还包括：当一活动会员信息对应的会员数量小于该活动会员信息的优惠数量时，采用人群扩散算法扩大会员，使该活动会员信息对应的会员的数量到达优惠数量。

具体的，本实施例中与上述实施例中相同特征的解释在此不再赘述，请参见上述两个实施例。

通过优惠活动信息和活动会员信息筛选出各自对应的会员、得到相应的相关度列表后，根据分配策略对两个结果进行综合考虑，得到最终的分配结果。

预设优选级根据实际需求设置，例如：活动会员信息对应的优惠类型>优惠活动信息中的全场优惠类型>优惠活动信息中的品类优惠类型>优惠活动信息中的品牌优惠类型>优惠活动信息中的单品优惠类型。

分配策略中的预设数量是指每个会员应该分配到的优惠信息的数量，可灵活配置，例如：3或5等。

可选地，还包括：当存在一会员被分配的优惠信息的数量未达到预设数量时，自动为会员补齐剩下的优惠信息。

例如：预设数量为2，共3个会员，2个优惠活动信息(优惠数量分别为2)，2个活动会员信息(优惠数量分别为1)。

第一个优惠活动信息的相关度列表从高到低为：会员1，会员2；

第二个优惠活动信息的相关度列表从高到低为：会员3，会员2；

第一个活动会员信息对应的会员为：会员1；

第二个活动会员信息对应的会员为：会员2；

预设优先级为：第一个活动会员信息>第二个活动会员信息>第二个优惠活动信息>第一个优惠活动信息。

会员1分配到的优惠信息来自：第一个活动会员信息和第一个优惠活动信息。

会员2分配到的优惠信息来自：第二个活动会员信息和第二个优惠活动信息。

会员3分配到的优惠信息来自：第二个优惠活动信息，因不满2，自动将从剩下的第一个优惠活动信息补齐。

本实施例中，将优惠活动信息和活动会员信息结合使用为会员分配优惠信息，同时满足多角度(多个品牌、品类同时促销)的营销目的，通过大数据技术在会员(即顾客)未消费前即可通过其历史消费行为为其量身匹配合适的优惠信息，促进其消费；且分配优惠信息是根据预设基础数据多维度分析得到，营销策划人员的主观因素影响较低，匹配精准度高，大大提高了会员的使用体验。

在本发明的一个系统实施例中，如图5所示，一种优惠信息的个性化分配系统，包括：

获取模块10，用于获取活动会员信息；

匹配模块50，用于根据预设基础数据和活动会员信息中的会员特征，匹配得到对应的会员；

分配模块40，用于将活动会员信息对应的(优惠类型对应的)优惠信息(优惠信息以不同形式呈现，例如：优惠券、红包信息、奖励金信息等)分配给(匹配到的)会员。

具体的，当想为特定会员分配优惠信息时，可通过圈定会员的会员特征，为相应的会员分配优惠信息。

活动会员信息包括：优惠类型、优惠数量和会员特征，这三个都可根据实际需要灵活设置。

优惠类型包括：1)全场优惠信息，2)品类优惠信息，3)品牌优惠信息和4)单品优惠信息等。

优惠数量是指优惠信息的数量，例如：全场满500-230只有3000个。

预设基础数据是对数据源(例如：零售商购物小票交易数据、商品信息数据、会员信息数据和门店信息数据)导入(例如：裸数据加载、数据清洗、数据准确性检查、数据映射、标准化编号)后，根据这些数据为每个会员打上相应的标签，以及，整理出的销售汇总数据，供后续筛选相应的会员使用。

每个会员有多个会员标签，根据实际需求定义。销售汇总数据根据实际需求(例如：定义的会员特征需要的数据)确定具体维度的数据表格。

具体的例子请参见对应的方法实施例，在此不再赘述。

可选地，如图6所示，还包括：扩大模块60，用于当匹配得到的会员的数量小于活动会员信息中的优惠数量时，采用人群扩散算法扩大会员，使会员的数量到达活动会员信息中的优惠数量。

具体的，人群扩散算法可采用：Look-alike算法，当然，其它可实现目标会员扩展的算法也适用，并不作限制。

人群扩散算法是为了从剩下的会员中寻找与被分配的会员最为相似的会员，其运行时的逻辑包括：

1、考虑特征：已被分配的会员的所有标签、优惠类型对应的品牌和品类的得分。品牌和品类的得分规则可灵活定义，例如：每个被分配会员52周内购买此品牌、品类的累计金额作为得分。

2、计算被分配人群中心点，例如：所有特征的平均值。

3、计算每个偏好门店在活动会员信息对应的活动门店范围内的会员与被分配人群中心点的距离。

4、按距离由小到大排序，挑选所需扩大的会员。

本实施例中，通过圈定会员特征匹配会员给其分配优惠信息，这种优惠信息的分配方式适合营销需求有明确会员群体时采用，精确地分配给特定会员，提高各会员的匹配精度。

在本发明的另一个系统实施例中，如图7所示，一种优惠信息的个性化分配系统，包括：

获取模块10，用于获取分配策略、至少一个优惠活动信息和至少一个活动会员信息。

筛选模块20，用于根据预设基础数据，分别筛选出与各优惠活动信息对应的会员。

排序模块30，用于分别将各优惠活动信息对应的会员按优惠活动信息对应的活动策略(对应的排序策略)进行排序，得到各优惠活动信息对应的相关度列表；活动策略不同，相关度列表中各会员的排序策略可不同、也可不同，根据实际情况决定。

匹配模块50，用于根据预设基础数据和各活动会员信息中的会员特征，匹配得到各活动会员信息对应的会员。

分配模块40，用于根据各活动会员信息对应的会员和各优惠活动信息对应的相关度列表，按照分配策略中的预设优先级为预设基础数据中的每个会员分配分配策略中预设数量的优惠信息(优惠信息以不同形式呈现，例如：优惠券、红包信息、奖励金信息等)。

具体的，优惠活动信息包括：优惠类型、优惠数量、活动策略。优惠类型、优惠数量和活动策略根据实际需求灵活设置。优惠类型和优惠数量的定义与上述系统实施例相同，在此不再赘述。

活动策略有多种，例如：品牌回馈策略、单品消费升级策略、全场提客单策略、品牌拉新策略、品类拉客流策略、全场拉客流策略等，其与优惠类型相关联。

优惠活动信息中，根据不同的优惠类型，设置不同的活动策略，以达到提高销售量、提高会员量等不同营销目的。

预设基础数据与上述系统实施例相同，在此不再赘述，需要注意的是，本实施例多了采用优惠活动信息分配的方式，因此，计算销售汇总数据除了考虑会员特征外，还需要考虑优惠活动信息的需要。

每个优惠活动信息针对的会员不一样，筛选过程自然也会有不同，根据优惠活动信息中的活动策略筛选。

可选地，筛选模块20，根据预设基础数据，分别筛选出与一个优惠活动信息对应的会员包括多种方式，根据实际设定的活动策略决定，下面举一些例子供参考：

第一种，筛选模块20，根据预设基础数据，计算得到预设基础数据中预设时间段内(例如：52周)每个会员客单价的特定分位数；特定分位数与优惠活动信息中的活动策略相对应；以及，根据特定分位数和优惠后金额，按照活动策略筛选出对应的会员；其中，优惠后金额是根据优惠活动信息中的优惠类型计算得到的。

第二种，筛选模块20，根据优惠活动信息中的优惠类型，计算优惠类型对应的参考价格带；以及，计算预设基础数据中每个会员的优惠类型对应的品类价格带；以及，根据参考价格带和每个会员的品类价格带，按照优惠活动信息中的活动策略筛选出对应的会员。

第三种，筛选模块20，根据预设基础数据和优惠活动信息中的优惠类型，计算所有会员的人券相关度；以及，根据人券相关度和优惠活动信息中的活动策略，筛选出对应的会员。

第四种，筛选模块20，根据预设基础数据和优惠活动信息中的活动策略，筛选出未购买过优惠活动信息中的优惠类型对应的商品的会员。

优惠活动信息根据实际需求灵活定义，根据预设基础数据筛选出匹配度高的会员，为后续优惠信息的精准分配打下了基础。

可选地，排序模块30，将筛选出的会员按对应优惠活动信息中的活动策略(对应的排序策略)进行排序，得到优惠活动信息对应的相关度列表中不同的活动策略可对应不同的排序方式，以提高优惠信息的精准分配为目的设置。下面举几个例子供参考：

第一种，排序模块30，根据预设基础数据，获取筛选出的各会员的会员忠诚度；以及，根据会员忠诚度进行排序，得到优惠活动信息对应的相关度列表。

第二种，排序模块30，将筛选出的会员根据人券相关度进行排序，得到优惠活动信息对应的相关度列表。

第三种，排序模块30，计算筛选出的各会员的人券相关度和价格带差异；其中，人券相关度是根据会员历史购买优惠类型对应的商品的情况打分得到；价格带差异为参考价格带与品类价格带之间的差异；以及，根据人券相关度和价格带差异进行排序，得到优惠活动信息对应的相关度列表。

第四种，排序模块30，计算筛选出的会员购买与优惠类型关联商品的加权评分；以及，将筛选出的会员按加权评分进行排序，得到优惠活动信息对应的相关度列表。

需要注意的是，筛选对应的会员、排序得到相关度列表等通过设置不同的优惠类型及关联的活动策略，得到不同的结果，实现不同的营销目的。排序和筛选的方式在符合逻辑的情况下自由组合，不作限制。

本实施例中的具体例子请参见对应的方法实施例，在此不再赘述。

可选地，还包括：扩大模块60，用于当一活动会员信息对应的会员数量小于该活动会员信息的优惠数量时，采用人群扩散算法扩大目标会员，使目标会员的数量到达活动会员信息中的优惠数量。

具体的，本实施例中与上述系统实施例中相同特征的解释在此不再赘述，请参见上述两个系统实施例。

通过优惠活动信息和活动会员信息筛选出各自对应的会员、得到相应的相关度列表后，根据分配策略对两个结果进行综合考虑，得到最终的分配结果。

预设优选级根据实际需求设置，例如：活动会员信息对应的优惠类型>优惠活动信息中的全场优惠类型>优惠活动信息中的品类优惠类型>优惠活动信息中的品牌优惠类型>优惠活动信息中的单品优惠类型。

分配策略中的预设数量是指每个会员应该分配到的优惠信息的数量，可灵活配置，例如：3或5等。

可选地，还包括：补齐模块70，用于当存在一会员被分配的优惠信息的数量未达到预设数量时，自动为会员补齐剩下的优惠信息。

具体的例子请参见对应的方法实施例，在此不再赘述。

本实施例中，将优惠活动信息和活动会员信息结合使用为会员分配优惠信息，同时满足多角度(多个品牌、品类同时促销)的营销目的，通过大数据技术在会员(即顾客)未消费前即可通过其历史消费行为为其量身匹配合适的优惠信息，促进其消费；且分配优惠信息是根据预设基础数据多维度分析得到，营销策划人员的主观因素影响较低，匹配精准度高，大大提高了会员的使用体验。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种优惠信息的个性化分配方法，其特征在于，包括：

当获取到活动会员信息时，根据预设基础数据和所述活动会员信息中的会员特征，匹配得到对应的会员；

将所述活动会员信息对应的优惠信息分配给所述会员。

2.如权利要求1所述的优惠信息的个性化分配方法，其特征在于，还包括：

当匹配得到的会员的数量小于所述活动会员信息的优惠数量时，采用人群扩散算法扩大所述会员，使所述会员的数量到达所述优惠数量。

3.如权利要求1所述的优惠信息的个性化分配方法，其特征在于，还包括：

当获取到分配策略、至少一个优惠活动信息和至少一个活动会员信息时，根据预设基础数据，分别筛选出与各所述优惠活动信息对应的会员；

分别将各所述优惠活动信息对应的会员按所述优惠活动信息中的活动策略进行排序，得到各所述优惠活动信息对应的相关度列表；

根据预设基础数据和各所述活动会员信息中的会员特征，匹配得到各所述活动会员信息对应的会员；

根据各所述活动会员信息对应的会员和各所述优惠活动信息对应的相关度列表，按照所述分配策略中的预设优先级为预设基础数据中的每个会员分配所述分配策略中预设数量的优惠信息。

4.如权利要求3所述的优惠信息的个性化分配方法，其特征在于，还包括：

当存在一会员被分配的优惠信息的数量未达到所述预设数量时，自动为所述会员补齐剩下的所述优惠信息。

5.如权利要求3所述的优惠信息的个性化分配方法，其特征在于，所述的根据预设基础数据，筛选出与一所述优惠活动信息对应的会员包括：

根据预设基础数据，计算得到预设基础数据中预设时间段内每个会员客单价的特定分位数；所述特定分位数与所述优惠活动信息中的活动策略相对应；

根据所述特定分位数和优惠后金额，按照所述活动策略筛选出对应的会员；

其中，所述优惠后金额是根据所述优惠活动信息中的优惠类型计算得到的。

6.一种优惠信息的个性化分配系统，其特征在于，包括：

获取模块，获取活动会员信息；

匹配模块，用于根据预设基础数据和所述活动会员信息中的会员特征，匹配得到对应的会员；

分配模块，用于将所述活动会员信息对应的优惠信息分配给所述会员。

7.如权利要求6所述的优惠信息的个性化分配系统，其特征在于，还包括：

扩大模块，用于当匹配得到的会员的数量小于所述活动会员信息中的优惠数量时，采用人群扩散算法扩大所述目标会员，使所述会员的数量到达所述活动会员信息中的优惠数量。

8.如权利要求6所述的优惠信息的个性化分配系统，其特征在于：

所述获取模块，进一步用于获取分配策略、至少一个优惠活动信息和至少一个活动会员信息；

所述的优惠信息的个性化分配系统，还包括：

筛选模块，用于根据预设基础数据，分别筛选出与各所述优惠活动信息对应的会员；

排序模块，用于分别将各所述优惠活动信息对应的会员按所述优惠活动信息中的活动策略进行排序，得到各所述优惠活动信息对应的相关度列表；

所述匹配模块，进一步用于根据预设基础数据和各所述活动会员信息中的会员特征，匹配得到各所述活动会员信息对应的会员；

所述分配模块，进一步用于根据各所述活动会员信息对应的会员和各所述优惠活动信息对应的相关度列表，按照所述分配策略中的预设优先级为预设基础数据中的每个会员分配所述分配策略中预设数量的优惠信息。

9.如权利要求8所述的优惠信息的个性化分配系统，其特征在于，还包括：

补齐模块，用于当存在一会员被分配的优惠信息的数量未达到所述预设数量时，自动为所述会员补齐剩下的所述优惠信息。

10.如权利要求8所述的优惠信息的个性化分配系统，其特征在于，所述筛选模块，用于根据预设基础数据，筛选出与一所述优惠活动信息对应的会员包括：

筛选模块，根据预设基础数据，计算得到预设基础数据中预设时间段内每个会员客单价的特定分位数；所述特定分位数与所述优惠活动信息中的活动策略相对应；

以及，根据所述特定分位数和优惠后金额，按照所述活动策略筛选出对应的会员；

其中，所述优惠后金额是根据所述优惠活动信息中的优惠类型计算得到的。