CN109785007A - 电商后台数据分析算法 - Google Patents
电商后台数据分析算法 Download PDFInfo
- Publication number
- CN109785007A CN109785007A CN201910068378.8A CN201910068378A CN109785007A CN 109785007 A CN109785007 A CN 109785007A CN 201910068378 A CN201910068378 A CN 201910068378A CN 109785007 A CN109785007 A CN 109785007A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- commodity
- analysis
- purchase
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000013500 data storage Methods 0.000 claims abstract description 33
- 238000007405 data analysis Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了电商后台数据分析算法,通过数据采集模块通过流量获取网购信息,并且将数据储存到数据储存模块内部,在这时分别通过个人数据分析模块对每个人的购物信息进行分析计算,得出结果,同时通过网络数据分析模块对整个流量数据进行分析计算,得出结果,计算得出的结果均被储存到数据储存模块,通过调取数据储存模块数据,通过商品推送模块对个人客户端进行商品推动,发明,通过电商后台数据分析算法,可以将不同地区的购买习惯和不同时间段商品的需求进行分析计算,将个人的购买习惯及购买力等进行分析,判定个人的需求,便于商品的推送,提高数据的应用率,同时通过数据的计算分析更好方便客户的购物需求。
Description
技术领域
本发明涉及电商数据分析技术领域,具体为电商后台数据分析算法。
背景技术
中国网民人数已经高达4.2亿,位居全球第一,巨大的上网人数,带来了巨大的商机,通过网络寻找自己的客户、寻求需要的产品,已经成为人们日常生活中的一股潮流,在进行客户端服务时,电商后台对数据的分析算法是至关重要的一个操作流程,通过后台对数据的分析计算,可以引导客户更好的体验网络购物的舒适性和便捷性,所以设计电商后台数据分析算法是很有必要的。
发明内容
本发明的目的在于提供电商后台数据分析算法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:电商后台数据分析算法;包括数据采集模块、个人数据分析模块、网络数据分析模块、商品推送模块、数据储存模块和间隔时间预测分析模块,通过数据采集模块通过流量获取网购信息,并且将数据储存到数据储存模块内部,在这时分别通过个人数据分析模块对每个人的购物信息进行分析计算,得出结果,同时通过网络数据分析模块对整个流量数据进行分析计算,得出结果,计算得出的结果均被储存到数据储存模块,通过调取数据储存模块数据,通过商品推送模块对个人客户端进行商品推动,同时推送需求多的商品,通过间隔时间预测分析模块调取数据储存模块内数据,根据个人的购买需求,推算下一时间段的需求,然后通过商品推送模块进行商品推送。
电商后台数据分析算法,所述电商后台数据分析算法的步骤具体为:步骤一,获取数据;步骤二,分析计算;步骤三,推算推送;步骤四;数据储存;步骤五,间隔时间预测分析推送;
其中在上述的步骤一中,通过数据采集模块通过流量数据获取个人的购买品类、浏览量、加入购物车的物品及同类商品的数目、商品的成交量和退款率,同时通过流量获取电商平台的商品浏览量、购买量、支付率、转化率和退款率;
其中在上述的步骤二中,在获取个人的购买品类、浏览量、加入购物车的物品及同类商品的数目、商品的成交量和退款率的数据后,通过个人数据分析模块分析得出购买人的购买力,购买频次,购买喜好,购买倾向,在获取电商平台的商品浏览量、购买量、支付率、转化率和退款率,通过网络数据分析模块分析得出不同阶段时间段人们的需求,不同区域的购买习惯,不同地区的消费水平和喜欢购买商品;
其中在上述的步骤三中,根据上述步骤二中分析的数据,通过商品推送模块针对个人分析数据对客户端的浏览页面进行修改,为客户更好的购物体验,在针对不同区域,不同时间段的整体客户端进行修改,适用于不同区域的购买人群;
其中在上述的步骤四中,通过数据储存模块对步骤一通过流量获取的数据和步骤二通过分析计算得出的数据进行储存;
其中在上述的步骤五中,间隔时间预测分析模块调取数据储存模块的个人数据,根据各个时间段的购买需求及购买力,通过时间计算及购买习惯,推算下次客户的需求和购买愿望。
根据上述技术方案,所述步骤三中,在进行货品推送时,通过个人数据分析模块分析得到的数据为主,通过网络数据分析模块分析得到的数据为辅。
根据上述技术方案,所述步骤三中,针对客户的喜好和购买频率,获取购买店家的信息,将店家信息储存到数据储存模块,数据在下次数据分析时做补充数据。
根据上述技术方案,所述步骤二中,在进行个人信息分析时,在客户进行一次浏览后进行分析,且参考前两次的浏览量和购买量,在进行网络数据分析时,每24小时更新一侧分析数据。
根据上述技术方案,所述步骤五中,间隔时间预测分析推送,在进行分析与测试,时间段分为14天、一个月、三个月、六个月和一年,分析数据的距离最近一次浏览数据为重要参考,其他数据按时间计算,时间越长,参考价值越低。
与现有技术相比,本发明所达到的有益效果是:该发明,通过电商后台数据分析算法,可以将不同地区的购买习惯和不同时间段商品的需求进行分析计算,将个人的购买习惯及购买力等进行分析,判定个人的需求,便于商品的推送,提高数据的应用率,同时通过数据的计算分析更好方便客户的购物需求。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的操作流程示意图;
图2是本发明的信息输入流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供技术方案:电商后台数据分析算法,包括数据采集模块、个人数据分析模块、网络数据分析模块、商品推送模块、数据储存模块和间隔时间预测分析模块,通过数据采集模块通过流量获取网购信息,并且将数据储存到数据储存模块内部,在这时分别通过个人数据分析模块对每个人的购物信息进行分析计算,得出结果,同时通过网络数据分析模块对整个流量数据进行分析计算,得出结果,计算得出的结果均被储存到数据储存模块,通过调取数据储存模块数据,通过商品推送模块对个人客户端进行商品推动,同时推送需求多的商品,通过间隔时间预测分析模块调取数据储存模块内数据,根据个人的购买需求,推算下一时间段的需求,然后通过商品推送模块进行商品推送。
电商后台数据分析算法,电商后台数据分析算法的步骤具体为:步骤一,获取数据;步骤二,分析计算;步骤三,推算推送;步骤四;数据储存;步骤五,间隔时间预测分析推送;
其中在上述的步骤一中,通过数据采集模块通过流量数据获取个人的购买品类、浏览量、加入购物车的物品及同类商品的数目、商品的成交量和退款率,同时通过流量获取电商平台的商品浏览量、购买量、支付率、转化率和退款率;
其中在上述的步骤二中,在获取个人的购买品类、浏览量、加入购物车的物品及同类商品的数目、商品的成交量和退款率的数据后,通过个人数据分析模块分析得出购买人的购买力,购买频次,购买喜好,购买倾向,在获取电商平台的商品浏览量、购买量、支付率、转化率和退款率,通过网络数据分析模块分析得出不同阶段时间段人们的需求,不同区域的购买习惯,不同地区的消费水平和喜欢购买商品;
其中在上述的步骤三中,根据上述步骤二中分析的数据,通过商品推送模块针对个人分析数据对客户端的浏览页面进行修改,为客户更好的购物体验,在针对不同区域,不同时间段的整体客户端进行修改,适用于不同区域的购买人群;
其中在上述的步骤四中,通过数据储存模块对步骤一通过流量获取的数据和步骤二通过分析计算得出的数据进行储存;
其中在上述的步骤五中,间隔时间预测分析模块调取数据储存模块的个人数据,根据各个时间段的购买需求及购买力,通过时间计算及购买习惯,推算下次客户的需求和购买愿望。
根据上述技术方案,步骤三中,在进行货品推送时,通过个人数据分析模块分析得到的数据为主,通过网络数据分析模块分析得到的数据为辅。
根据上述技术方案,步骤三中,针对客户的喜好和购买频率,获取购买店家的信息,将店家信息储存到数据储存模块,数据在下次数据分析时做补充数据。
根据上述技术方案,步骤二中,在进行个人信息分析时,在客户进行一次浏览后进行分析,且参考前两次的浏览量和购买量,在进行网络数据分析时,每24小时更新一侧分析数据。
根据上述技术方案,步骤五中,间隔时间预测分析推送,在进行分析与测试,时间段分为14天、一个月、三个月、六个月和一年,分析数据的距离最近一次浏览数据为重要参考,其他数据按时间计算,时间越长,参考价值越低。
基于上述,本发明的优点在于,通过流量获取数据,在获取个人的购买品类、浏览量、加入购物车的物品及同类商品的数目、商品的成交量和退款率的数据后,通过个人数据分析模块分析得出购买人的购买力,购买频次,购买喜好,购买倾向,在获取电商平台的商品浏览量、购买量、支付率、转化率和退款率,通过网络数据分析模块分析得出不同阶段时间段人们的需求,不同区域的购买习惯,不同地区的消费水平和喜欢购买商品,通过获取购物者的购买需求和购买习惯,推送合适的商品,可以方便电商的更好的被使用,提高购买者的使用效果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.电商后台数据分析算法,包括数据采集模块、个人数据分析模块、网络数据分析模块、商品推送模块、数据储存模块和间隔时间预测分析模块,其特征在于:通过数据采集模块通过流量获取网购信息,并且将数据储存到数据储存模块内部,在这时分别通过个人数据分析模块对每个人的购物信息进行分析计算,得出结果,同时通过网络数据分析模块对整个流量数据进行分析计算,得出结果,计算得出的结果均被储存到数据储存模块,通过调取数据储存模块数据,通过商品推送模块对个人客户端进行商品推动,同时推送需求多的商品,通过间隔时间预测分析模块调取数据储存模块内数据,根据个人的购买需求,推算下一时间段的需求,然后通过商品推送模块进行商品推送。
2.电商后台数据分析算法,其特征在于:所述电商后台数据分析算法的步骤具体为:步骤一,获取数据;步骤二,分析计算;步骤三,推算推送;步骤四;数据储存;步骤五,间隔时间预测分析推送;
其中在上述的步骤一中,通过数据采集模块通过流量数据获取个人的购买品类、浏览量、加入购物车的物品及同类商品的数目、商品的成交量和退款率,同时通过流量获取电商平台的商品浏览量、购买量、支付率、转化率和退款率;
其中在上述的步骤二中,在获取个人的购买品类、浏览量、加入购物车的物品及同类商品的数目、商品的成交量和退款率的数据后,通过个人数据分析模块分析得出购买人的购买力,购买频次,购买喜好,购买倾向,在获取电商平台的商品浏览量、购买量、支付率、转化率和退款率,通过网络数据分析模块分析得出不同阶段时间段人们的需求,不同区域的购买习惯,不同地区的消费水平和喜欢购买商品;
其中在上述的步骤三中,根据上述步骤二中分析的数据,通过商品推送模块针对个人分析数据对客户端的浏览页面进行修改,为客户更好的购物体验,在针对不同区域,不同时间段的整体客户端进行修改,适用于不同区域的购买人群;
其中在上述的步骤四中,通过数据储存模块对步骤一通过流量获取的数据和步骤二通过分析计算得出的数据进行储存;
其中在上述的步骤五中,间隔时间预测分析模块调取数据储存模块的个人数据,根据各个时间段的购买需求及购买力,通过时间计算及购买习惯,推算下次客户的需求和购买愿望。
3.根据权利要求1所述的电商后台数据分析算法,其特征在于:所述步骤三中,在进行货品推送时,通过个人数据分析模块分析得到的数据为主,通过网络数据分析模块分析得到的数据为辅。
4.根据权利要求2所述的电商后台数据分析算法,其特征在于:所述步骤三中,针对客户的喜好和购买频率,获取购买店家的信息,将店家信息储存到数据储存模块,数据在下次数据分析时做补充数据。
5.根据权利要求2所述的电商后台数据分析算法,其特征在于:所述步骤二中,在进行个人信息分析时,在客户进行一次浏览后进行分析,且参考前两次的浏览量和购买量,在进行网络数据分析时,每24小时更新一侧分析数据。
6.根据权利要求2所述的电商后台数据分析算法,其特征在于:所述步骤五中,间隔时间预测分析推送,在进行分析与测试,时间段分为14天、一个月、三个月、六个月和一年,分析数据的距离最近一次浏览数据为重要参考,其他数据按时间计算,时间越长,参考价值越低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068378.8A CN109785007A (zh) | 2019-01-24 | 2019-01-24 | 电商后台数据分析算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068378.8A CN109785007A (zh) | 2019-01-24 | 2019-01-24 | 电商后台数据分析算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785007A true CN109785007A (zh) | 2019-05-21 |
Family
ID=66502381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910068378.8A Pending CN109785007A (zh) | 2019-01-24 | 2019-01-24 | 电商后台数据分析算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785007A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517060A (zh) * | 2019-07-09 | 2019-11-29 | 广州品唯软件有限公司 | 一种基于品类购买次数的数据分析处理方法及系统 |
CN110930090A (zh) * | 2019-11-04 | 2020-03-27 | 图林科技(深圳)有限公司 | 基于人工智能和区块链的电商大数据物流供应链控制系统 |
CN112365309A (zh) * | 2020-10-29 | 2021-02-12 | 苏州实盎网络科技有限公司 | 一种基于地域信息的电子商务系统及其工作方法 |
CN112734480A (zh) * | 2021-01-13 | 2021-04-30 | 上海群之脉信息科技有限公司 | 一种退款数据处理智能系统 |
CN114022228A (zh) * | 2022-01-06 | 2022-02-08 | 深圳市思迅软件股份有限公司 | 一种经济信息数据处理方法、系统、计算机设备及存储介质 |
DE202022100697U1 (de) | 2022-02-07 | 2022-02-17 | Ganesh Agnihotri | Intelligentes hybrides Managementsystem zur Vorhersage der Abwanderung von E-Commerce-Benutzern im E-Commerce mittels Data Mining und Deep Learning |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
CN104899602A (zh) * | 2015-06-03 | 2015-09-09 | 江苏马上游科技股份有限公司 | 一种基于K-means算法的用户聚类分析系统 |
-
2019
- 2019-01-24 CN CN201910068378.8A patent/CN109785007A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
CN104899602A (zh) * | 2015-06-03 | 2015-09-09 | 江苏马上游科技股份有限公司 | 一种基于K-means算法的用户聚类分析系统 |
Non-Patent Citations (1)
Title |
---|
迟寿春: "大数据在客户营销中的作用分析与系统设计", 《CNKI优秀硕士学位论文全文库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517060A (zh) * | 2019-07-09 | 2019-11-29 | 广州品唯软件有限公司 | 一种基于品类购买次数的数据分析处理方法及系统 |
CN110517060B (zh) * | 2019-07-09 | 2023-06-20 | 广州品唯软件有限公司 | 一种基于品类购买次数的数据分析处理方法及系统 |
CN110930090A (zh) * | 2019-11-04 | 2020-03-27 | 图林科技(深圳)有限公司 | 基于人工智能和区块链的电商大数据物流供应链控制系统 |
CN110930090B (zh) * | 2019-11-04 | 2021-02-02 | 四川中油九洲北斗科技能源有限公司 | 基于人工智能和区块链的电商大数据物流供应链控制系统 |
CN112365309A (zh) * | 2020-10-29 | 2021-02-12 | 苏州实盎网络科技有限公司 | 一种基于地域信息的电子商务系统及其工作方法 |
CN112734480A (zh) * | 2021-01-13 | 2021-04-30 | 上海群之脉信息科技有限公司 | 一种退款数据处理智能系统 |
CN114022228A (zh) * | 2022-01-06 | 2022-02-08 | 深圳市思迅软件股份有限公司 | 一种经济信息数据处理方法、系统、计算机设备及存储介质 |
DE202022100697U1 (de) | 2022-02-07 | 2022-02-17 | Ganesh Agnihotri | Intelligentes hybrides Managementsystem zur Vorhersage der Abwanderung von E-Commerce-Benutzern im E-Commerce mittels Data Mining und Deep Learning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785007A (zh) | 电商后台数据分析算法 | |
CN103778214B (zh) | 一种基于用户评论的商品属性聚类方法 | |
CN107909433A (zh) | 一种基于大数据移动电子商务的商品推荐方法 | |
CN104813315B (zh) | 顾客数据分析/验证系统 | |
CN103617289B (zh) | 基于用户特征及网络关系的微博推荐方法 | |
CN107633430A (zh) | 一种基于群体社区的商品推荐方法 | |
CN103455874B (zh) | 基于货架价值地图的超市货架陈列方法 | |
CN105488213B (zh) | 面向lbs的基于马尔可夫预测算法的个性化推荐方法 | |
CN103310353B (zh) | 一种抗攻击的数据过滤优化系统和方法 | |
CN108648058A (zh) | 产品排序方法及装置,电子设备、存储介质 | |
CN105590237A (zh) | 带负利润项的高效用序列模式在电子商务决策制定中的应用 | |
CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
CN103353865B (zh) | 一种基于位置的易货电子交易商品推荐方法 | |
Liu et al. | The Value of Multi-Dimensional Rating System: An Information Transfer View | |
Uncles et al. | Generalizing patterns of store-type patronage: an analysis across major Chinese cities | |
Pravitasari et al. | The Influence of Lifestyle, Perceived Convenience, And Promotion on The Decision to Use Quick Response Code Indonesian Standard (QRIS) | |
Chang et al. | Performance ranking of Asian lead frame firms: a slack-based method in data envelopment analysis | |
Miller et al. | The motivation for foreign direct investment | |
CN115713384A (zh) | 推荐物品的方法、装置、存储介质及电子设备 | |
CN108063810A (zh) | 一种基于网络局部结构信息过滤的推荐方法 | |
CN110517060B (zh) | 一种基于品类购买次数的数据分析处理方法及系统 | |
Muradov | Input-output calculus of international trade | |
Xiaona | Personalized recommendation model for mobile E-commerce users | |
CN112488809A (zh) | 一种适用于网络购物的基于深度学习的推荐算法 | |
Yang et al. | Commodity recommendation for users based on E-commerce data |
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: 20190521 |