CN110009432A - 一种个人消费行为预测方法 - Google Patents

一种个人消费行为预测方法 Download PDF

Info

Publication number
CN110009432A
CN110009432A CN201910302142.6A CN201910302142A CN110009432A CN 110009432 A CN110009432 A CN 110009432A CN 201910302142 A CN201910302142 A CN 201910302142A CN 110009432 A CN110009432 A CN 110009432A
Authority
CN
China
Prior art keywords
behavior
consumer
personal consumption
factor
model
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
Application number
CN201910302142.6A
Other languages
English (en)
Inventor
徐晗茜
谭江来
费日龙
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910302142.6A priority Critical patent/CN110009432A/zh
Publication of CN110009432A publication Critical patent/CN110009432A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种个人消费行为预测方法，首先分析和提取了个人消费行为特征以及影响消费的因素。同时本发明基于影响消费行为因素的多样性，结合灰色系统模型构建多因素的灰色关联度模型，计算不同影响因素的重要性，并选择影响消费行为的主要因素，可以充分考虑多样的消费行为影响因素，解决漏维度的问题；另一方面，本发明综合使用了神经网络和RFM模型匹配的方法，提高了个人消费行为预测的普适性，解决了跨行业个人消费行为预测的误差大的问题。

Description

一种个人消费行为预测方法
技术领域
本发明属于分析预测领域，具体涉及一种个人消费行为预测方法。
背景技术
以往，在对消费者个人消费行为进行研究时，更关注的是消费者行为本身，通过问卷调查、个人访问等形式，实现人口统计学资料、消费意向等信息的采集，从而应用于研究分析消费者的个人消费行为；随着大数据时代的发展，网络平台样式和消费者的个人消费行为出现一定的变化，呈现出更加多元化的趋势，传统的对于消费者消费行为的研究方式无法满足当前消费者消费习惯的变化要求，从而无法成为未来消费者消费行为预测的重要突破口。
发明内容
为解决上述问题，本发明提出了一种个人消费行为预测方法，其主要步骤包括：
S1.根据消费者为满足个人需求而购买商品行为的特征，分析消费者消费行为特征及影响消费者消费行为的主要因素；
S2.基于影响消费行为因素的多样性，结合灰色系统模型构建多因素的灰色关联度模型，计算不同影响因素的重要性，并选择影响消费行为的主要因素；
S3.结合影响个人消费行为因素的重要程度，基于多隐层BP神经网络，建立个人消费行为预测模型，进行个人消费行为的预测；
S4.根据样本数据的数量和质量，结合基于RFM模型和灰色模型的消费行为预测方法综合匹配，采用合理的方法，有效完成个人消费行为的预测。
本发明的技术方案至少具有以下有益效果：
本申请的技术方案首先分析和提取了个人消费行为特征以及影响消费的因素，同时基于影响消费行为因素的多样性，结合灰色系统模型构建多因素的灰色关联度模型，计算不同影响因素的重要性，并选择影响消费行为的主要因素，充分考虑多样的消费行为影响因素，解决漏维度的问题。另一方面，综合使用了神经网络和RFM模型匹配的方法，提高了个人消费行为预测的普适性，解决了跨行业个人消费行为预测的误差大的问题。
附图说明
图1影响个人消费行为因素模型；
图2个人消费行为预测网络模型；
图3基于RFM模型的消费行为变化模式。
具体实施方式
以下结合附图及实施例对本发明技术方案进行详细叙述：
本发明为一种个人消费行为预测方法，其主要步骤包括：
步骤S1.根据消费者为满足个人需求而购买商品行为的特征，分析消费者消费行为特征及影响消费者消费行为的主要因素，具体包括以下内容：
(1)根据消费者为满足个人需求而购买商品行为的特征，划分消费者消费行为类型；根据消费者在各种购物平台的浏览和购买记录以及其他各种形式的消费记录，消费者在购买商品时的态度、意愿和购买后的行为等各方面的信息，可知个人消费行为的大致类型主要分为复杂型消费行为、协调型消费行为、广泛选择型消费行为和习惯型消费行为。其中，
①复杂型消费行为是指当消费者面对不常购买的贵重物品时，由于产品品牌差异大，购买风险大，消费者需要一个学习过程，广泛了解产品的性能、特点，从而对产品产生某种看法，最后决定购买的消费者消费行为类型。
②协调型消费行为是指当消费者高度介入某项产品的购买时，看不出各品牌有何差异，对所购产品往往产生失调感，此时消费者一般开始进行比较，只要价格公道、购买方便、机会合适，消费者就会购买；购买之后，消费者也许会感到某些不协调或不够满意，在使用过程中，会了解更多情况，并寻求种种理由来减轻、化解这种不协调，以证明自己的消费是正确的消费者消费行为类型。
③广泛选择型消费行为是指对于品牌差异明显的产品，消费者不愿花长时间来选择和评估，而是不断变换所购买的产品和品牌的消费者消费行为类型。
④习惯型消费行为是指对于价格低廉、经常购买、品牌差异小的产品，消费者不需要花时间选择，也不需要经过收集信息、评价产品特点等复杂过程的最简单的消费者消费行为类型。
(2)根据消费者消费行为类型，分析得影响个人消费行为因素主要包括个人因素、经济因素、心理因素和文化因素等几类，建立影响个人消费行为因素模型如图1所示，其中各类影响因素分别表现为：
①影响消费者消费行为的心理因素主要包括动机、知觉、后天经验、信念和态度，这些因素共同影响消费者的消费行为，并且各因素之间相互制约、相互交错。
②影响消费者消费行为的个人因素主要包括年龄、生命周期的阶段性、职业、经济状况、生活方式、个性以及自我观念；不同的年龄段、不同的职业和不同的生活背景、生活方式造就了每个人不同的个性和自我观念，而不同的个性和自我观念使每个人在购买决策时都会有不同的方式和结果。
③影响消费者消费行为的经济因素主要包括个人的购买力以及商品价格的变化程度。
④影响消费者消费行为的文化因素主要包括审美观念、风俗习惯、宗教信仰、价值观念以及亚文化等；其中亚文化是指以特定的认同感和社会影响力将每个成员联系在一起，从而使得这一群体持有特定的价值观念、生活格调和行为方式。
步骤S2.基于影响消费行为因素的多样性，结合灰色系统模型构建多因素的灰色关联度模型，计算不同影响因素的重要性，并选择影响消费行为的主要因素。灰色关联分析是指对一个系统发展变化态势的定量描述和比较的方法，通过确定参考数列和若干个比较数据列的几何形状相似程度来判断其联系的紧密性，从而反映各影响因素的关联程度；个人消费行为的预测是一个多因素、多目标的复杂预测系统，且包含较多“不确定信息”，通过灰色关联分析，比较各因素与消费行为的发展变化态势，选择其中最能反映消费行为特征的影响因素：
假设所有影响因素的参考序列为：
x0＝{x0(1),x0(2),…,x0(n)}
m个影响因素的关联序列分别为：
xi＝{xi(1),xi(2),…,xi(n)}(1≤i≤m)
由于各关联序列的量纲存在不同，通过下列算式对所有序列进行标准化处理：
其中为所有序列均值，则关联序列xi与参考序列x0在k点的关联系数可表示为：
δi(k)＝|x0(k)-xi(k)|(k＝1,2,…,n；1≤i≤m)
其中α∈[0,1]为分辨率系数，当α越大时，关联序列与参考序列间的分辨率越大，反之，则分辨率越小；和分别为两级最小差和两级最大差；由此可得，各因素间灰色关联度可表示为：
以步骤S1所述的影响因素，本发明以个人消费行为为参考序列x0，利用上述步骤中灰色关联度的计算方法，计算各个影响消费行为因素与个人消费行为之间的灰色关联度ri，并将所有关联度进行排序，设置关联度阈值T，选择其中关联度值大于阈值T的因素作为影响个人消费行为的主要因素。
步骤S3.结合影响个人消费行为因素的重要程度，基于多隐层BP神经网络，建立个人消费行为预测模型，进行个人消费行为的预测，具体阐述如下：
(1)根据灰色关联度值的分析结果，选择其中影响程度较大的影响因素作为个人消费行为预测的基础数据，建立基于多隐层BP神经网络的个人消费行为预测的基础网络模型，如图2所示：在基础预测网络模型中，输入层、输出层以及隐含层的神经元模式分别为：
输入层：以影响个人消费行为的主要因素所对应的个人消费数据作为输入层神经元的输入矢量，其中个人数据的种类数量即为神经网络输入神经元数量。
输出层：输入层数据经过隐含层传递函数学习训练后，生成输出层结果，本实施例中输出层神经元数量为1，其相应的输出结果为个人消费者的消费行为类型。
隐含层：在基础网络模型中选择S型正切函数作为隐含层神经元的激励函数，隐含层神经元数量J可根据输入层神经元数量I和输出层神经元数量K计算求得：
其中s为[1,10]之间的正整数。
(2)建立基础神经网络模型中输入层、输出层及隐含层之间的对应关系，通过梯度下降规则实时更新所有连接权值，有效进行个人消费行为预测；
①首先将个人消费数据量化，以数值m表示，通过归一化方法：
其中，m′为归一化后数值，m表示归一化原数值，mmax,mmin分别表示原数据中的最大值和最小值，将所有数值m进行归一化处理后，得到值域区间为[0,1]的输入层神经元输入矢量X＝{x1,x2,…,xI}，其中I表示个人消费数据的数量即输入层神经元个数；输入层的输入矢量经过隐含层的学习训练后得到输出矢量Y＝{P}，其中P表示复杂型消费行为、协调型消费行为、广泛选择型消费行为和习惯型消费行为中的一种。
②假设在神经网络模型中，从输入单元i(i＝1,2,…,I)到隐含层单元j(j＝1,2,…,J)的连接权为αji，从隐含层单元j到输出单元k(k＝1)的连接权为βkj，以ω＝{α,β}表示所有的连接权，隐含层单元为fj(j＝1,2,…,J)，隐含层和输出层的活化函数分别为g1,g2，则隐含层j的输入矢量可表示为：
经过活化函数g1得到隐含层单元j的输出矢量：
则输出单元k的输入为：
经过输出层活化函数g2，最终输出层的输出矢量为：
③对于输出单元k的瞬时误差函数可表示为：
对于隐含层单元到输出层单元之间的连接权矩阵β，利用梯度下降规则可得：
其中ψ为适当选定的学习步长，Hk＝g2×qk×(xi-yk)；同理可求得输入单元到隐含层单元之间的连接权矩阵α，可得：
由此实现连接权的实时更新：
ωnew＝ωold+Δω,Δω＝{Δα,Δβ}
其中ωold为更新前的连接权，Δω为连接权增量，Δα为输入层到隐含层的连接权增量，Δβ为隐含层到输出层的连接权增量。
步骤S4.根据样本数据的数量和质量，结合基于RFM模型和灰色模型的消费行为预测方法综合匹配，采用合理的方法，有效完成个人消费行为的预测。
个人消费历史数据的数量及质量决定消费行为预测的精确度，而在实际应用过程中，个人消费数据的搜集结果具有多样性；本发明根据历史数据的全面性情况，结合基于RFM(消费行为)模型和灰色模型(GM模型)的预测方法，进行个人消费行为的预测，具体陈述如下：
(1)基于RFM模型和灰色模型的预测方法，预测消费者的消费行为方法流程如下：
①RFM由3个变量组成，分别为以最近一次消费为时间节点，从开始到当前时间节点的时间间隔R，在观察期内顾客完成购买的次数F和在同一观察期内顾客购买行为产生的交易金额M；根据RFM模型中的F和M变量将消费者在每个维度上的消费行为状态分为三种，构造一组3×3的消费行为状态矩阵，如图3所示。
图3中包含九种消费行为状态，每一种特定的行为状态代表了消费者当前或未来的消费行为特征，其中消费行为状态①表示该消费者的购买次数F和交易金额M均呈现增长状态，状态⑨表示该消费者的购买次数F和交易金额M均呈下降状态。
②根据由F和M两个维度构成的消费行为模式，分别在每个维度上使用灰色模型对消费行为进行预测；首先建立购买频率F维度的预测模型，假设消费者个人原始消费频率F的序列为：
F0＝{F0(1),F0(2),…,F0(n)}
其中F0(n)表示第n周期内消费者个人的购买频率，通过将顾客购买频率的离散数列进行一阶累加后得到新序列：
F1＝{F1(1),F1(2),…,F1(n)}
假设Z1为序列F1中各离散值的紧邻均值，则紧邻均值序列为：
Z1＝{Z1(1),Z1(2),…,Z1(n)}
其中且F1(0)＝0；则购买频率的一阶动态灰微分方程可表示为：
H＝F0(n)+a×Z1(n)
其中a表示发展灰度，H为灰作用量，以其反映购买频率的离散序列的发展趋势以及数据间的变化关系；经过微分处理，得到一阶线性白化微分方程：
其中发展灰度a的取值决定了动态灰微分方程的适用度，若|a|≤0.5则表示该模型对于短期或中长期预测能够产生较好的效果，若|a|>0.5，则需对模型作进一步调整；
假设发展灰度a和微灰作用量H′的参数估计向量为E＝[a,H′]T，则根据估计向量的计算过程：
得到参数值a和H′，由此可得到消费者购买频率的时间相应预测函数为：
则购买频率F0(n+1)的预测序列为：
F0(n+1)＝F1(n+1)-F1(n)
采用同样的方法可得消费者个人消费金额M的预测序列M0(n+1)，根据个人的购买频率F和购买金额M两个维度的预测结果以及图3所示的消费行为模式，可得消费者未来消费行为模式的变化。
③根据消费者个人消费行为模式的变化，结合相关专家经验判断此类消费行为模式变化的消费者所具有的消费行为特征，由此确定其所属行为类型；
(1)在实际应用过程中，根据个人消费数据的数量及质量，分别采用不同的方法进行数据的处理，从而有效完成个人消费行为的预测。
①当个人消费数据数量较少或其中所包含的数据类型较少时，采用结合专家经验和基于RFM模型和灰色模型的预测方法，根据消费频率和消费金额的历史数据，利用灰色模型预测消费者在一段时间的消费行为变化，最终结合专家经验预测该消费者个人的消费行为类型。
②当个人消费数据的数量及质量都较高时，采用客观性更强的神经网络进行个人消费行为的预测：利用足够多的个人消费样本数据训练神经网络，利用步骤S3构建的神经网络模型，通过不断的学习调整，得到准确性及全面性都较高的消费行为预测结果，从而有效完成个人消费行为的预测。

Claims (6)

1.一种个人消费行为预测方法，其特征在于，所述方法包括：
S1.根据消费者为满足个人需求而购买商品行为的特征，分析消费者消费行为特征及影响消费者消费行为的主要因素；
S2.基于影响消费行为因素的多样性，结合灰色系统模型构建多因素的灰色关联度模型，计算不同影响因素的重要性，并选择影响消费行为的主要因素；
S3.结合影响个人消费行为因素的重要程度，基于多隐层BP神经网络，建立个人消费行为预测模型，进行个人消费行为的预测；
S4.根据样本数据的数量和质量，结合基于RFM模型和灰色模型的消费行为预测方法综合匹配，采用合理的方法，有效完成个人消费行为的预测。
2.根据权利要求1所述个人消费行为预测方法，其特征在于，S1包括以下步骤，
(1)根据消费者为满足个人需求而购买商品行为的特征，划分消费者消费行为类型；
(2)根据消费者消费行为类型，分析得影响个人消费行为因素主要包括个人因素、经济因素、心理因素和文化因素等几类，建立影响个人消费行为因素模型。
3.根据权利要求1所述个人消费行为预测方法，其特征在于，灰色关联度的计算方法如下，个人消费行为的预测是一个多因素、多目标的复杂预测系统，且包含较多不确定信息，通过灰色关联分析，比较各因素与消费行为的发展变化态势，选择其中最能反映消费行为特征的影响因素：
假设所有影响因素的参考序列为：
x0＝{x0(1)，x0(2)，...，x0(n)}
m个影响因素的关联序列分别为：
xi＝{xi(1)，xi(2)，...，xi(n)}(1≤i≤m)
由于各关联序列的量纲存在不同，通过下列算式对所有序列进行标准化处理：
其中为所有序列均值，则关联序列xi与参考序列x0在k点的关联系数可表示为：
δi(k)＝|x0(k)-xi(k)|(k＝1，2，...，n；1≤i≤m)
其中α∈[0，1]为分辨率系数，当α越大时，关联序列与参考序列间的分辨率越大，反之，则分辨率越小；和分别为两级最小差和两级最大差；由此可得，各因素间灰色关联度可表示为：
以步骤S1所述的影响因素，本发明以个人消费行为为参考序列x0，利用上述步骤中灰色关联度的计算方法，计算各个影响消费行为因素与个人消费行为之间的灰色关联度ri，并将所有关联度进行排序，设置关联度阈值T，选择其中关联度值大于阈值T的因素作为影响个人消费行为的主要因素。
4.根据权利要求1所述个人消费行为预测方法，其特征在于，步骤S3中根据灰色关联度值的分析结果，选择其中影响程度较大的影响因素作为个人消费行为预测的基础数据，建立基于多隐层BP神经网络的个人消费行为预测的基础网络模型。
5.根据权利要求1所述的个人消费行为预测方法，其特征在于，步骤S4中根据历史数据的全面性情况，结合基于RFM即消费行为模型和灰色模型即GM模型的预测方法，进行个人消费行为的预测。
6.根据权利要求5所述的个人消费行为预测方法，其特征在于，所述的基于RFM即消费行为模型和灰色模型即GM模型的预测方法，进行个人消费行为的预测，其步骤包括，
步骤1，RFM由3个变量组成，分别为以最近一次消费为时间节点，从开始到当前时间节点的时间间隔R，在观察期内顾客完成购买的次数F和在同一观察期内顾客购买行为产生的交易金额M；根据RFM模型中的F和M变量将消费者在每个维度上的消费行为状态分为三种，构造一组3×3的消费行为状态矩阵，包含九种消费行为状态，每一种特定的行为状态代表了消费者当前或未来的消费行为特征；
步骤2，根据由F和M两个维度构成的消费行为模式，分别在每个维度上使用灰色模型对消费行为进行预测；首先建立购买频率F维度的预测模型，假设消费者个人原始消费频率F的序列为：
F0＝{F0(1)，F0(2)，...，F0(n)}
其中F0(n)表示第n周期内消费者个人的购买频率，通过将顾客购买频率的离散数列进行一阶累加后得到新序列：
F1＝{F1(1)，F1(2)，...，F1(n)}
假设Z1为序列F1中各离散值的紧邻均值，则紧邻均值序列为：
Z1＝{Z1(1)，Z1(2)，...，Z1(n)}
其中且F1(0)＝0；则购买频率的一阶动态灰微分方程可表示为：
H＝F0(n)+a×Z1(n)
其中a表示发展灰度，H为灰作用量，以其反映购买频率的离散序列的发展趋势以及数据间的变化关系；经过微分处理，得到一阶线性白化微分方程：
其中发展灰度a的取值决定了动态灰微分方程的适用度，若|a|≤0.5则表示该模型对于短期或中长期预测能够产生较好的效果，若|a|＞0.5，则需对模型作进一步调整；
假设发展灰度a和微灰作用量H′的参数估计向量为E＝[a，H′]T，则根据估计向量的计算过程：
得到参数值a和H′，由此可得到消费者购买频率的时间相应预测函数为：
则购买频率F0(n+1)的预测序列为：
F0(n+1)＝F1(n+1)-F1(n)
采用同样的方法可得消费者个人消费金额M的预测序列M0(n+1)，根据个人的购买频率F和购买金额M两个维度的预测结果，可得消费者未来消费行为模式的变化；
步骤3，根据消费者个人消费行为模式的变化，结合相关专家经验判断此类消费行为模式变化的消费者所具有的消费行为特征，由此确定其所属行为类型。
CN201910302142.6A 2019-04-15 2019-04-15 一种个人消费行为预测方法 Pending CN110009432A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910302142.6A CN110009432A (zh) 2019-04-15 2019-04-15 一种个人消费行为预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910302142.6A CN110009432A (zh) 2019-04-15 2019-04-15 一种个人消费行为预测方法

Publications (1)

Publication Number Publication Date
CN110009432A true CN110009432A (zh) 2019-07-12

Family

ID=67172125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910302142.6A Pending CN110009432A (zh) 2019-04-15 2019-04-15 一种个人消费行为预测方法

Country Status (1)

Country Link
CN (1) CN110009432A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581158A (zh) * 2019-09-27 2021-03-30 治略资讯整合股份有限公司 会员回购商品的信息处理系统与方法
CN112819476A (zh) * 2021-02-25 2021-05-18 北京互金新融科技有限公司 风险识别方法、装置、非易失性存储介质和处理器
CN112907305A (zh) * 2021-04-13 2021-06-04 长沙银行股份有限公司 基于大数据分析的客户全周期管理系统
CN113393279A (zh) * 2021-07-08 2021-09-14 北京沃东天骏信息技术有限公司 一种订单数量的预估方法及系统
CN116258517A (zh) * 2023-02-07 2023-06-13 网舟联合科技(北京)有限公司 结合分布式算力和消费者终身价值获取最佳促销策略方法
CN117839224A (zh) * 2024-01-10 2024-04-09 广州市光合未来科技文化传媒有限公司 一种ai虚拟人的交互方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581158A (zh) * 2019-09-27 2021-03-30 治略资讯整合股份有限公司 会员回购商品的信息处理系统与方法
CN112819476A (zh) * 2021-02-25 2021-05-18 北京互金新融科技有限公司 风险识别方法、装置、非易失性存储介质和处理器
CN112907305A (zh) * 2021-04-13 2021-06-04 长沙银行股份有限公司 基于大数据分析的客户全周期管理系统
CN112907305B (zh) * 2021-04-13 2021-11-23 长沙银行股份有限公司 基于大数据分析的客户全周期管理系统
CN113393279A (zh) * 2021-07-08 2021-09-14 北京沃东天骏信息技术有限公司 一种订单数量的预估方法及系统
CN116258517A (zh) * 2023-02-07 2023-06-13 网舟联合科技(北京)有限公司 结合分布式算力和消费者终身价值获取最佳促销策略方法
CN116258517B (zh) * 2023-02-07 2023-08-22 网舟联合科技(北京)有限公司 结合分布式算力和消费者终身价值获取最佳促销策略方法
CN117839224A (zh) * 2024-01-10 2024-04-09 广州市光合未来科技文化传媒有限公司 一种ai虚拟人的交互方法及装置

Similar Documents

Publication Publication Date Title
CN110009432A (zh) 一种个人消费行为预测方法
Özmen et al. Natural gas consumption forecast with MARS and CMARS models for residential users
Pan et al. Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce
Hsieh An integrated data mining and behavioral scoring model for analyzing bank customers
CN108090800B (zh) 一种基于玩家消费潜力的游戏道具推送方法和装置
Xu et al. A decision support system for product design in concurrent engineering
Hsu Applying the grey prediction model to the global integrated circuit industry
CN109785003A (zh) 一种药品零售行业药品销售预测系统及方法
CN111160968A (zh) Sku级别商品销量预测方法及装置
US20210125073A1 (en) Method and system for individual demand forecasting
CN114219169A (zh) 颖幡供应链销售和库存预测算法模型和应用系统
CN114549046A (zh) 基于融合模型的销售预测方法、系统、设备及存储介质
Agu et al. Predicting gross domestic product to macroeconomic indicators
CN115204985A (zh) 购物行为预测方法、装置、设备及存储介质
Zhang Sales forecasting of promotion activities based on the cross-industry standard process for data mining of E-commerce promotional information and support vector regression
CN114997916A (zh) 潜在用户的预测方法、系统、电子设备和存储介质
WO2002079901A2 (en) Customer preference system
Nodeh et al. A novel hybrid model for vendor selection in a supply chain by using artificial intelligence techniques case study: Petroleum companies
CN115841345B (zh) 跨境大数据智能化分析方法、系统以及存储介质
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
Romero et al. Sophistication, productivity and trade: a sectoral investigation
US11004156B2 (en) Method and system for predicting and indexing probability of financial stress
Rymarczyk et al. Profiling and segmenting clients with the use of machine learning algorithms
CN110956528A (zh) 一种电商平台的推荐方法及系统
Zu et al. A multi-factor customer classification evaluation model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190712

WD01 Invention patent application deemed withdrawn after publication