CN110223122A - 优惠券活动效果评估预测方法 - Google Patents

Abstract

本发明提供一种优惠券活动效果评估预测方法，包括：利用历史优惠券活动数据，建立历次优惠券活动的效果评价分析回归模型，并得到销售额提升度和销售额提升饱和度两个参数；根据所述销售额提升度和销售额提升饱和度两个参数确定优惠券活动的最大毛利增量和最优券投放量；根据机器学习算法，建立反映优惠券活动的特征量与最大毛利增量和最优惠券投放量之间响应关系的优惠券活动机器学习模型；依据所建立的优惠券活动机器学习模型，通过蒙特卡洛模拟，或模拟退火算法，搜索特定优惠券活动的最优方案。本发明实现了一种能够达到最大经济效益的优惠券活动设计方法。

Description

优惠券活动效果评估预测方法

技术领域

本发明属于智能信息处理领域，具体涉及商场线下优惠券活动效果评估的大数据分析预测方法。

背景技术

发放优惠券是一种常见的促销行为，商场通过优惠券的方式吸引客户进行消费。目前商家对优惠券的实际效果缺乏系统的分析模型进行分析，同时对计划开展的优惠券活动预期效果缺乏有效的预测手段，严重依赖个人经验，存在着很大的主观不确定性，现实应用中的效果波动很大。

随着线上电子商务的兴起，传统的线下实体商店受到了很大的冲击，优惠券作为传统的促销手段，仍然具有不可替代的作用。随着信息技术的不断进步和普及，传统线下实体商店采取线上大数据分析与促销手段与线下销售的紧密融合已成为不可避免的行业趋势。现有的大数据，人工智能，机器学习算法开始在用户画像，精准营销，消费行为预测等领域得到了应用，但是，对于线下商家的线上线下优惠券活动的整体效果评估与预测还缺乏一个系统性地分析模型以及与之配套的系统性方法来协助商家更好的完成促销任务，现有的方法主要通过对消费者个体消费行为的预测实现个性化投放，忽略了对优惠券活动的总体把握和分析，用微观的行为分析预测推断活动效果，忽略了宏观环境因素对券活动效果的影响，因此预测精度受到影响。

发明内容

本发明针对线下商场进行的优惠券活动，提出一种优惠券活动效果评估预测方法，以能够达到最大经济效益。本发明采用的技术方案是：

一种优惠券活动效果评估预测方法，包括以下步骤：

步骤S1，利用历史优惠券活动数据，建立历次优惠券活动的效果评价分析回归模型，并根据效果评价分析回归模型得到销售额提升度和销售额提升饱和度两个参数；

步骤S2，根据所述销售额提升度和销售额提升饱和度两个参数确定优惠券活动的最大毛利增量和最优券投放量；

步骤S3，根据机器学习算法，建立反映优惠券活动的特征量与最大毛利增量和最优惠券投放量之间响应关系的优惠券活动机器学习模型；

步骤S4，依据所建立的优惠券活动机器学习模型，通过蒙特卡洛模拟，或模拟退火算法，搜索特定优惠券活动的最优方案。

本发明的优点在于：本发明提出的方法从总体上评估优惠券活动的经济效果，能够判定优惠券活动是否达到了最优效果，以及判定优惠券是否投放过量。实现了一种能够达到最大经济效益的优惠券活动设计方法。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

本发明提出的一种优惠券活动效果评估预测方法，包括以下步骤：

步骤S1，利用历史优惠券活动数据，建立历次优惠券活动的效果评价分析回归模型，并根据效果评价分析回归模型得到销售额提升度和销售额提升饱和度两个参数；

步骤S2，根据所述销售额提升度和销售额提升饱和度两个参数确定优惠券活动的最大毛利增量和最优券投放量；

步骤S3，采用决策森林、或神经网络等机器学习算法，建立反映优惠券活动的特征量与最大毛利增量和最优惠券投放量之间响应关系的优惠券活动机器学习模型；

步骤S4，依据所建立的优惠券活动机器学习模型，通过蒙特卡洛模拟，或模拟退火等算法，搜索特定优惠券活动的最优方案。

以下是步骤S1～S4的详细过程；

步骤S1包括：

步骤S101，收集历史优惠券活动的相关数据，包括以下特征量指标：

活动开始日期；

活动结束日期；

参与活动商品明细；

参与活动商家数量，类别；

参与活动商家扣点β，商家扣点就是商场从商家销售额提成比例；

活动期间节假日标注；

活动期间特殊天气标注；

活动期间其他影响客流量特殊事件标注；

参与活动商家活动期间商品销售明细(包括：时间，单品名称，数量，销售金额，优惠券金额，商家名称)

步骤S102，根据优惠券活动的时间跨度，选取适当的时间颗粒度，例如日、周或半月或一个月；

步骤S103，按照选定的时间颗粒统计销售总额X和优惠总额Q；

步骤S104，按照公式(1)建立优惠券活动的效果评价分析回归模型；

X₀为没有优惠券活动时的销售额；α₁为销售额提升度，即单位券使用量带来的销售额提升；系数定义销售额提升饱和度参数α₂也就是券使用量的增加带来的销售额提升度的降低；

步骤S2具体包括：

步骤S201，定义γ＝Q/X₀；能够证明公式(2)与公式(1)是等价的；

α＝α₁γ+α₂γ² (2)

其中，α定义为α₂定义如上；

步骤S202，优惠券活动带来的毛利增量P如公式(3)所示：

P＝X₀(1+α)β-Q-X₀β＝X₀αβ-Q (3)

由公式(2)、(3)得到：

P＝X₀[(βα₁-1)γ+βα₂γ²] (4)

步骤S203，上述公式(4)中P是γ的二次函数，根据函数极值的计算公式，优惠券活动的最大毛利增量由以下公式确定：

对应的最优券投放量由以下公式确定：

优惠券投放量可逐步增加，但是不能超过Q_max,超过则不能带来更多毛利的增加，如果α₁β＜1则认定优惠券活动失败，应立即停止。

步骤S3具体包括：

步骤S301，将优惠券活动的第i个特征量记为e_i，所有特征量组成优惠券活动的特征向量将最大毛利增量P_max和对应的最优券投放量Q_max作为响应变量，响应变量通过下述方法进行归一化处理：

步骤S302，对单次优惠券活动，各建立一个效果评价分析回归模型，按照步骤S301建立本次优惠券活动所形成的券活动样本，该样本的输入部分为本次优惠券活动的特征向量输出部分为回归模型给出的响应变量(y₁，y₂)；

步骤S303，对历次优惠券活动按上述方法各建立一个券活动样本，所有的样本构成券活动样本集；

步骤S304，将上述券活动样本集划分为训练，测试和验证三个部分，采用包括但不限于决策森林，神经网络等机器学习算法，建立优惠券活动机器学习模型；

步骤S4具体包括：

依据所建立的优惠券活动机器学习模型，在给定的优惠券活动约束条件下，通过蒙特卡洛模拟，或模拟退火算法，在优惠券活动可调特征量定义的特征空间进行搜索，记录每次搜索的优惠券活动输入特征向量和输出响应变量，在设定次数的搜索之后，选出满足本次优惠券活动条件的最优解，作为优惠券活动的最优方案。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种优惠券活动效果评估预测方法，其特征在于，包括以下步骤：

步骤S1，利用历史优惠券活动数据，建立历次优惠券活动的效果评价分析回归模型，并根据效果评价分析回归模型得到销售额提升度和销售额提升饱和度两个参数；

步骤S2，根据所述销售额提升度和销售额提升饱和度两个参数确定优惠券活动的最大毛利增量和最优券投放量；

步骤S3，采用机器学习算法，建立反映优惠券活动的特征量与最大毛利增量和最优惠券投放量之间响应关系的优惠券活动机器学习模型；

步骤S4，依据所建立的优惠券活动机器学习模型，通过蒙特卡洛模拟，或模拟退火算法，搜索特定优惠券活动的最优方案。

2.如权利要求1所述的优惠券活动效果评估预测方法，其特征在于，

步骤S1具体包括：

步骤S101，收集历史优惠券活动的相关数据，包括各特征量；特征量中包括参与活动商家扣点β；

步骤S102，根据优惠券活动的时间跨度，选取适当的时间颗粒度；

步骤S103，按照选定的时间颗粒统计销售总额X和优惠总额Q；

步骤S104，按照公式(1)建立优惠券活动的效果评价分析回归模型；

X₀为没有优惠券活动时的销售额；α₁为销售额提升度；系数定义销售额提升饱和度

3.如权利要求2所述的优惠券活动效果评估预测方法，其特征在于，

步骤S2具体包括：

步骤S201，定义γ＝Q/X₀；以下公式(2)与公式(1)是等价的；

α＝α₁γ+α₂γ² (2)

其中，α定义为

步骤S202，优惠券活动带来的毛利增量P如公式(3)所示：

P＝X₀(1+α)β-Q-X₀β＝X₀αβ-Q (3)

由公式(2)、(3)得到：

P＝X₀[(βα₁-1)γ+βα₂γ²] (4)

步骤S203，上述公式(4)中P是γ的二次函数，根据函数极值的计算公式，优惠券活动的最大毛利增量由以下公式确定：

对应的最优券投放量由以下公式确定：

如果α₁β＜1则认定优惠券活动失败，应立即停止。

4.如权利要求3所述的优惠券活动效果评估预测方法，其特征在于，

步骤S3具体包括：

步骤S301，将优惠券活动的第i个特征量记为e_i，所有特征量组成优惠券活动的特征向量将最大毛利增量P_max和对应的最优券投放量Q_max作为响应变量，响应变量通过下述方法进行归一化处理：

步骤S302，对单次优惠券活动，各建立一个效果评价分析回归模型，按照步骤S301建立本次优惠券活动所形成的券活动样本，该样本的输入部分为本次优惠券活动的特征向量输出部分为回归模型给出的响应变量(y₁，y₂)；

步骤S303，对历次优惠券活动按上述方法各建立一个券活动样本，所有的样本构成券活动样本集；

步骤S304，将上述券活动样本集划分为训练，测试和验证三个部分，采用决策森林，或神经网络机器学习算法，建立优惠券活动机器学习模型。

5.如权利要求4所述的优惠券活动效果评估预测方法，其特征在于，

步骤S4具体包括：

依据所建立的优惠券活动机器学习模型，在给定的优惠券活动约束条件下，通过蒙特卡洛模拟，或模拟退火算法，在优惠券活动可调特征量定义的特征空间进行搜索，记录每次搜索的优惠券活动输入特征向量和输出响应变量，在设定次数的搜索之后，选出满足本次优惠券活动条件的最优解，作为优惠券活动的最优方案。