CN110517055B - 生成实体场所促销信息的方法和装置 - Google Patents
生成实体场所促销信息的方法和装置 Download PDFInfo
- Publication number
- CN110517055B CN110517055B CN201810496377.9A CN201810496377A CN110517055B CN 110517055 B CN110517055 B CN 110517055B CN 201810496377 A CN201810496377 A CN 201810496377A CN 110517055 B CN110517055 B CN 110517055B
- Authority
- CN
- China
- Prior art keywords
- promotion
- commodity
- sales
- value
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 158
- 230000000694 effects Effects 0.000 claims abstract description 56
- 230000001737 promoting effect Effects 0.000 claims description 86
- 239000013598 vector Substances 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 24
- 238000013145 classification model Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims 9
- 239000000758 substrate Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06Q30/0238—Discounts or incentives, e.g. coupons or rebates at point-of-sale [POS]
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)
- Cash Registers Or Receiving Machines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了生成实体场所促销信息的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;分别从线上促销成功商品的发布时长与促销折扣中确定发布时长最优值与促销折扣最优值;将实体场所中发布时长与促销准备时长之和等于发布时长最优值、并且预设促销折扣等于促销折扣最优值的目标品类商品作为促销初选商品,从促销初选商品中选取实体场所的促销商品。该实施方式能够通过对线上促销相关数据的分析来指导实体场所确定合理的促销商品,从而提升促销效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及生成实体场所促销信息的方法和装置。
背景技术
随着计算机技术与互联网技术的迅速发展,商品通过线上渠道进行销售的比重逐年增加。与传统生活中依赖实体场所(如各种实体商场、实体店)的商品销售不同,线上销售主要利用互联网等虚拟媒介完成销售行为。
实际应用中,实体场所欲策划促销活动时,往往难以选取效果较好的促销商品,而线上销售由于掌握大量的历史促销数据,能够通过对历史促销数据的分析为实体场所提供促销指导。现有技术中未出现上述利用线上数据指导实体场所促销的方法。
发明内容
有鉴于此,本发明实施例提供生成实体场所促销信息的方法和装置,能够通过对线上促销相关数据的分析来指导实体场所确定合理的促销商品,从而提升促销效果。
为实现上述目的,根据本发明的一个方面,提供了一种生成实体场所促销信息的方法。
本发明实施例的生成实体场所促销信息的方法包括:比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;从至少一种线上促销成功商品的发布时长中确定发布时长最优值,从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值;以及,将实体场所中发布时长与促销准备时长之和等于所述发布时长最优值、并且预设促销折扣等于所述促销折扣最优值的目标品类商品作为促销初选商品,从所述促销初选商品中选取实体场所的促销商品。
可选地,所述比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品,具体包括:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为该商品的促销效果指数;在所述促销效果指数大于第一预设阈值时,将该商品确定为线上促销成功商品。
可选地,所述从至少一种线上促销成功商品的发布时长中确定发布时长最优值,具体包括:将至少一种线上促销成功商品的发布时长中的众数确定为发布时长最优值。
可选地,所述从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值,具体包括:将至少一种线上促销成功商品的促销折扣中的众数确定为促销折扣最优值。
可选地,所述从所述促销初选商品中选取实体场所的促销商品,具体包括:选取线上存在的促销初选商品;将其中促销效果指数大于第二预设阈值的商品确定为实体场所的促销商品;或者,将该促销初选商品以促销效果指数由大到小的顺序排列,将在前的、第一预设数量的商品确定为实体场所的促销商品。
可选地,所述方法进一步包括:对于任一促销商品,在经过其促销准备时长之后启动促销。
可选地,所述方法进一步包括:利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;对于目标品类在实体场所的任一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到其促销特征指数;以及,所述从所述促销初选商品中选取实体场所的促销商品,具体包括:将促销特征指数大于第三预设阈值的促销初选商品确定为实体场所的促销商品;或者,将促销初选商品以促销特征指数由大到小的顺序排列,将在前的、第二预设数量的商品确定为实体场所的促销商品。
可选地,所述方法进一步包括:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;以及,所述利用线上促销成功商品获取目标品类商品的至少一个关键特征,具体包括:获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第四预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
可选地,所述确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值,具体包括:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值。
可选地,所述确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值,进一步包括:如果目标品类在实体场所的商品具有一关键特征取值,而目标品类在线上的商品不具有该关键特征取值,则:如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数;
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,所述正态分布由线上促销成功商品在该关键特征的取值确定。
可选地,所述对于目标品类在实体场所的任一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到其促销特征指数,具体包括:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数。
可选地,所述销售评价数据包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
为实现上述目的,根据本发明的另一方面,提供了一种生成实体场所促销信息的方法。
本发明实施例的生成实体场所促销信息的方法包括:比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;以及,通过所述促销权重值和所述促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,将促销特征指数符合预设条件的商品作为实体场所的促销商品。
可选地,所述比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品,具体包括:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为该商品的促销效果指数;在所述促销效果指数大于第五预设阈值时,将该商品确定为线上促销成功商品。
可选地,所述方法进一步包括:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;以及,所述利用线上促销成功商品获取目标品类商品的至少一个关键特征,具体包括:获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第六预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
可选地,所述确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值,具体包括:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值。
可选地,所述确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值,进一步包括:如果目标品类在线上的商品不具有一关键特征取值,而目标品类在实体场所的商品具有该关键特征取值,则:如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数;
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,所述正态分布由线上促销成功商品在该关键特征的取值确定。
可选地,所述通过所述促销权重值和所述促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,具体包括:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数。
可选地,所述将促销特征指数符合预设条件的商品作为实体场所的促销商品,具体包括:将实体场所中促销特征指数大于第七预设阈值的商品确定为实体场所的促销商品;或者,将实体场所中的商品以促销特征指数由大到小的顺序排列,将在前的、第三预设数量的商品确定为实体场所的促销商品。
可选地,所述销售评价数据包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
为实现上述目的,根据本发明的又一方面,提供了一种生成实体场所促销信息的装置。
本发明实施例的生成实体场所促销信息的装置可包括:线上评价单元,可用于比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;最优值确定单元,可用于从至少一种线上促销成功商品的发布时长中确定发布时长最优值,从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值;以及,实体场所促销单元,可用于将实体场所中发布时长与促销准备时长之和等于所述发布时长最优值、并且预设促销折扣等于所述促销折扣最优值的目标品类商品作为促销初选商品,从所述促销初选商品中选取实体场所的促销商品。
可选地,线上评价单元可进一步用于:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为该商品的促销效果指数;在所述促销效果指数大于第一预设阈值时,将该商品确定为线上促销成功商品。
可选地,最优值确定单元可进一步用于:将至少一种线上促销成功商品的发布时长中的众数确定为发布时长最优值。
可选地,最优值确定单元可进一步用于:将至少一种线上促销成功商品的促销折扣中的众数确定为促销折扣最优值。
可选地,实体场所促销单元可进一步用于:选取线上存在的促销初选商品;将其中促销效果指数大于第二预设阈值的商品确定为实体场所的促销商品;或者,将该促销初选商品以促销效果指数由大到小的顺序排列,将在前的、第一预设数量的商品确定为实体场所的促销商品。
可选地,实体场所促销单元可进一步用于:对于任一促销商品,在经过其促销准备时长之后启动促销。
可选地,所述装置可进一步包括特征指数确定单元,用于利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;对于目标品类在实体场所的任一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到其促销特征指数;以及,实体场所促销单元可进一步用于:将促销特征指数大于第三预设阈值的促销初选商品确定为实体场所的促销商品;或者,将促销初选商品以促销特征指数由大到小的顺序排列,将在前的、第二预设数量的商品确定为实体场所的促销商品。
可选地,特征指数确定单元可进一步用于:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第四预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
可选地,特征指数确定单元可进一步用于:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值。
可选地,特征指数确定单元可进一步用于以下计算:如果目标品类在线上的商品不具有一关键特征取值,而目标品类在实体场所的商品具有该关键特征取值,则:如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数;
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,所述正态分布由线上促销成功商品在该关键特征的取值确定。
可选地,特征指数确定单元可进一步用于:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数。
可选地,所述销售评价数据包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
为实现上述目的,根据本发明的再一方面,提供了一种生成实体场所促销信息的装置。
本发明实施例的生成实体场所促销信息的装置可包括:线上处理单元,可用于比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;量化单元,可用于利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;以及,实体促销单元,可用于通过所述促销权重值和所述促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,将促销特征指数符合预设条件的商品作为实体场所的促销商品。
可选地,线上处理单元可进一步用于:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为该商品的促销效果指数;在所述促销效果指数大于第五预设阈值时,将该商品确定为线上促销成功商品。
可选地,量化单元可进一步用于:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第六预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
可选地,量化单元可进一步用于:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值。
可选地,量化单元可进一步用于:如果目标品类在线上的商品不具有一关键特征取值,而目标品类在实体场所的商品具有该关键特征取值,则:如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数;
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,所述正态分布由线上促销成功商品在该关键特征的取值确定。
可选地,实体促销单元可进一步用于:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数。
可选地,实体促销单元可进一步用于:将实体场所中促销特征指数大于第七预设阈值的商品确定为实体场所的促销商品;或者,将实体场所中的商品以促销特征指数由大到小的顺序排列,将在前的、第三预设数量的商品确定为实体场所的促销商品。
可选地,所述销售评价数据可包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征可包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
为实现上述目的,根据本发明的又一方面,提供了一种电子设备。
本发明的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的生成实体场所促销信息的方法。
为实现上述目的,根据本发明的再一方面,提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明所提供的生成实体场所促销信息的方法。
根据本发明的技术方案,上述发明中的一个实施例具有如下优点或有益效果:
首先,本发明提供了两种利用线上促销结果生成实体场所促销信息的方法。
第一种方法:利用线上商品的销售评价数据确定线上促销成功商品,并从中获得发布时长最优值与促销折扣最优值,通过上述最优值即可在实体场所中确定初步适于促销的促销初选商品,最后从促销初选商品中选取实体场所的促销商品。本方法适用于实体场所中各种商品的促销,尤其适用于非快消商品(与快消商品相对,指消费速度较慢的商品)。
第二种方法:利用线上商品的销售评价数据确定线上促销成功商品,并通过促销成功商品确定商品的关键特征、关键特征的促销权重值以及关键特征取值的促销贡献值,这样即可用来计算实体场所中商品的促销特征指数,最后将促销特征指数较大的商品作为实体场所的促销商品,本方法特别适用于快消商品的促销。
通过上述两种方法,本发明可针对实体场所中的任一商品品类提供合理的促销商品,避免了传统促销活动中促销商品选取的盲目性。
其次,本发明通过判断(线上)商品特征与商品标签(促销成功与否)之间的相关度确定商品的关键特征,并利用分类模型(机器学习模型)准确计算关键特征的促销权重值以及关键特征取值的促销贡献值,最终可计算实体场所中商品的促销特征指数用于上述两种方法中促销商品的确定。
此外,由于实际应用中线上与实体场所中的商品并不完全相同,对于实际场所中商品多出的关键特征取值,本发明分别提供离散、连续情况下关键特征取值的促销贡献值的合理初始化值,从而提升了方案的实用性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明第一实施例中生成实体场所促销信息的方法的主要步骤示意图;
图2是根据本发明第二实施例中生成实体场所促销信息的方法的主要步骤示意图;
图3是基于本发明第一实施例中方法的生成实体场所促销信息的装置的组成部分示意图;
图4是基于本发明第二实施例中方法的生成实体场所促销信息的装置的组成部分示意图;
图5是根据本发明实施例可以应用于其中的示例性系统架构图;
图6是用来实现本发明实施例中生成实体场所促销信息的方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明实施例的技术方案可通过对线上促销相关数据(如销售评价数据)的分析来指导实体场所确定合理的促销商品,从而提升促销效果。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明第一实施例中生成实体场所促销信息方法的主要步骤示意图。
如图1所示,本发明第一实施例的生成实体场所促销信息方法可具体按照如下步骤执行:
步骤S101:比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品。
在本实施例中,可以在线上针对一个品类的商品进行数据分析,之后根据数据分析结果指导实体场所中同一品类商品的促销。在本步骤中,目标品类可以是各种粒度的商品类目或商品类别,例如,目标品类可以是电脑、笔记本电脑、A品牌笔记本电脑等。促销时间段、非促销时间段可根据实际需求选取,例如二者分别选取为:一年前至今利润最高的一次促销活动的时间、该促销活动第一天之前的一个月。
在本步骤中,销售评价数据指的是能够对销售情况进行评估的某种维度的线上数据,销售评价数据可以根据业务需求灵活选取,在本实施例中,其可为以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数(即回头客数量)。实际场景中对销售评价数据进行统计时,往往需要销售评价数据在统计周期的平均值,即单位时间内的销售评价数据。例如,某次线上促销活动持续一周(统计周期为天),销售数量为140,则销售数量在统计周期的平均值为140/7=20。
具体应用中,可针对目标品类在线上的任何一种商品执行以下步骤,以判断该商品是否促销成功:
1.分别计算该商品在促销时间段、非促销时间段的销售评价数据在一个统计周期的平均值。在销售评价数据为多种维度的数据时,可以通过主成分分析PCA(PrincipalComponent Analysis)等方法将多维数据降维为单维度数据以便后续处理,该单维度数据能够反映降维前多维数据的特征。在本步骤中,销售评价数据转换得到的单维度数据可称为销售评价指数,用于通过数值的形式直观表征销售效果。
2.将该商品促销时间段的销售评价指数除以非促销时间段的销售评价指数,得到可反映促销情况的促销效果指数。最后可设置具体策略对促销效果指数进行判断,即可确定商品是否促销成功。经常使用的策略如下:
(1)判断促销效果指数是否大于第一预设阈值(大于1):若是,将该商品确定为线上促销成功商品,否则确定为促销失败商品。
(2)选取促销效果指数最大的一定数量的商品(即按照促销效果指数由大到小的顺序对商品排列,在前的一定数量的商品)作为线上促销成功商品,目标品类的其余商品为促销失败商品。
通过上述方法,本发明实现了促销效果的准备评价。应理解,线上促销成功商品的判断过程中采用的方法也可以由其它路径实现,本发明并此进行限制。例如:在由销售评价数据转换为销售评价指数时,可首先确定销售评价数据各维度的权重,之后以销售评价数据的加权平均值作为销售评价指数。
步骤S102:从至少一种线上促销成功商品的发布时长中确定发布时长最优值,从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值。
在本实施例中,线上促销成功商品的发布时长指的是从该商品发布时刻到该商品促销时间段开始时刻的时间间隔长度,发布时长最优值是基于多个发布时长确定的、与促销效果相关性较高的时长值。较佳地,本步骤中的发布时长最优值可以是至少一种线上促销成功商品的发布时长中的众数(一组数据中出现次数最多的数值)。实际应用中,也可以采用其它方法确定发布时长最优值,例如将其确定为至少一种线上促销成功商品的发布时长中的TP90值(将各发布时长从小到大排序,位于第90%的发布时长)
促销折扣等于促销价格与初始价格之商,一般以数字后加“折”的方式表示,如五折表示50%。促销折扣最优值是基于多个促销折扣确定的、与促销效果相关性较高的折扣值。较佳地,本步骤中的促销折扣最优值可以是至少一种线上促销成功商品的促销折扣中的众数,也可以是各促销折扣中的TP90值,经实验证明,前者是更为合理的设置方式。
这样,经本步骤可提取到发布时长最优值与促销折扣最优值,二者准确体现了线上促销数据的分析结果,可用于后续实体场所的促销商品确定。例如,如果本步骤确定发布时长最优值为一年、促销折扣最优值为九折,则表明对于目标品类商品,若在发布时长一年时以九折促销,很可能会产生较好效果。
步骤S103:将实体场所中发布时长与促销准备时长之和等于发布时长最优值、并且预设促销折扣等于促销折扣最优值的目标品类商品作为促销初选商品,从促销初选商品中选取实体场所的促销商品。
本步骤利用步骤S102提取的发布时长最优值与促销折扣最优值来确定实体场所的促销商品。具体地,首先将实体场所中发布时长与促销准备时长之和等于发布时长最优值、并且预设促销折扣等于促销折扣最优值的目标品类商品作为促销初选商品。其中,实体场所中商品的发布时长指的是从该商品发布时刻到当前时刻的时间间隔长度。促销准备时长指的是为了准备某商品的促销活动必需消耗的时长,预设促销折扣是指实体场所中预先为某商品设置的折扣,其可根据商品成本价格、发布时长、初始价格、线上信息等因素综合确定。
确定促销初选商品之后,可按照一定策略从中选取一个或多个商品作为实体场所的促销商品。例如:可从促销初选商品中选取促销折扣最小的一个或多个商品作为促销商品。可以理解,对于任一促销商品,可以在经过其促销准备时长(用于准备促销活动)之后(此时其发布时长等于发布时长最优值)启动促销。实际应用中,如果不存在满足上述条件的促销初选商品或促销商品,可不建议实体场所进行促销活动。
以下介绍两种效果更佳的(从促销初选商品中)确定实体场所促销商品方法。
第一种方法是利用前面介绍的促销效果指数进行选取。具体地,从促销初选商品选取线上存在的商品:将其中促销效果指数大于第二预设阈值的商品确定为实体场所的促销商品;或者将促销初选商品以促销效果指数由大到小的顺序排列,将在前的、第一预设数量的商品确定为实体场所的促销商品。
第二种方法可通过以下步骤实现:
1.利用线上促销成功商品获取目标品类商品的至少一个关键特征。
在本步骤中,首先可为线上促销成功商品与目标品类在线上的其余商品(线上促销失败商品)增加用于区分的标签值,例如,为线上促销成功商品增加“1”标签值,为目标品类在线上的其余商品增加“0”标签值。这样,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量。预设顺序一般为目标品类商品的顺序,如商品名称的拼音顺序。例如,以商品名称的拼音顺序排列的商品一、商品二、商品三的标签值分别为1、0、1,则标签向量为(1、0、1)。
其次,可以根据商品信息、用户画像、订单信息等获取目标品类商品的一个或多个初选特征。实际应用中,初选特征可以是以下的一种或多种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格等,也可以是其它特征。对于任何一个初选特征,以上述预设顺序(即下面将介绍的特征向量与标签向量服从同一顺序)排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量。其中,特征的取值指的是预先为特征的每一选项确定的赋值。例如,品牌特征的各取值为:0(对应品牌A)、1(对应品牌B)、2(对应品牌C)。
之后,确定每一初选特征的特征向量与标签向量的相关度,通过一定策略对相关度进行判断即可确定相应的关键特征。例如:在相关度大于第四预设阈值时,将对应的初选特征作为目标品类商品的关键特征;或者将相关度最大的多个初选特征作为关键特征。特别地,相关度为特征向量与标签向量相关性的度量,可采用皮尔逊相关系数或余弦相似度等进行计算。
2.确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值。
其中,促销权重值可表征不同特征对促销的影响程度,促销贡献值可表示同一特征下的不同取值对促销的影响程度。作为一个优选方案,可将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时即可得到每一关键特征的促销权重值和(线上具有的)关键特征取值的促销贡献值。其中,样本数据包括该商品的关键特征取值和标签值。例如:某商品的样本数据为(0、1.2、3、8.5、0),各数字依次表示该商品品牌特征为0(对应A品牌)、重量为1.2千克、发布时长为3年、促销折扣为8.5折、标签值为0(表示促销失败)。
分类模型可以是适用的机器学习模型,例如朴素贝叶斯算法与决策树算法结合的模型。其中,朴素贝叶斯算法可用于计算连续的关键特征(如重量、尺寸等)的促销权重值及其取值的促销贡献值,决策树算法可用于计算离散的关键特征(如品牌、是否进口等)的促销权重值及其取值的促销贡献值。一般地,连续特征可以是取值总数(特征取值的数量)大于预设数值的特征,离散特征可以是取值总数不大于预设数值的特征。可以理解的是,分类模型也可以采用其它适用的数学模型,而促销权重值、促销贡献值也可采用其它适用方式进行计算,本发明并不对此进行限制。
实际应用中,线上与实体场所中的商品并不完全相同,对于实际场所中商品多出的关键特征取值(即目标品类在实体场所的商品具有该关键特征取值,而目标品类在线上的商品不具有该关键特征取值),可通过以下方式计算其促销贡献值的初始化值:
如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数,公式中的对数可以是自然对数或常用对数。
例如:如果目标类目在线上商品的“尺寸”特征有11.6、12.2两个取值,在实体场所商品的“尺寸”特征的取值除此之外还有13.6,则13.6的促销贡献值可以设置为-1/4*lg(1/4)=0.1505。
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,上述正态分布由线上促销成功商品在该关键特征的取值确定。也就是说,首先计算线上促销成功商品在某一连续特征的取值的均值μ和标准差σ,之后建立如下正态分布:
在为某关键特征取值计算促销贡献值时,将该关键特征取值带入上述函数,得到的概率密度即为其促销贡献值。
可以理解,上述两种初始化值计算方法只是确定上述情形中促销贡献值的较佳方法,实际应用中也可采用其它适用方法替代。下表为根据本步骤得到的促销权重值与促销贡献值示例。
关键特征 | 促销权重值 | 取值 | 促销贡献值 |
重量 | 0.141511 | 1.3 | 0.425306 |
重量 | 0.141511 | 1.5 | 0.425546 |
是否进口 | 0.023908 | 1(是) | 0.56915 |
是否进口 | 0.023908 | 0(否) | 0.339053 |
3.对于目标品类在实体场所的任何一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到该商品的促销特征指数(用于从关键特征角度反映商品的促销潜力)。具体而言,可计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数,公式表示如下:
score=W1*V1+W2*V2+…+Wn*Vn
其中,score为促销特征指数,n为关键特征总数,W1、W2…Wn为关键特征的促销权重值,V1、V2…Vn为相应的关键特征取值的促销贡献值。
4.设置具体策略对促销特征指数进行判断从而确定促销商品。具体应用中,可将促销特征指数大于第三预设阈值的促销初选商品确定为实体场所的促销商品;或者将促销初选商品以促销特征指数由大到小的顺序排列,将在前的、第二预设数量的商品确定为实体场所的促销商品。
通过上述步骤,本发明实现了实体场所促销商品的准确选取,由此避免传统促销活动中商品选取的盲目性,获得较佳的销售效果。上述方法可用于实体场所中各种商品的促销指导,但是由于其利用发布时长过滤商品,因此更适用于非快消商品。
图2是根据本发明第二实施例中生成实体场所促销信息的方法的主要步骤示意图。
如图2所示,本发明第二实施例的生成实体场所促销信息的方法具体执行如下步骤:
步骤S201:比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品。
在本实施例中,销售评价数据可以根据业务需求灵活选取,在本实施例中,其可选取为以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数。实际场景中对销售评价数据进行统计时,往往需要销售评价数据在统计周期的平均值,即单位时间内的销售评价数据。
具体应用中,可针对目标品类在线上的任何一种商品执行以下步骤,以判断该商品是否促销成功:
1.分别计算该商品在促销时间段、非促销时间段的销售评价数据在一个统计周期的平均值。在销售评价数据为多种维度的数据时,可以通过主成分分析PCA等方法将多维数据降维为单维度数据以便后续处理,该单维度数据能够反映降维前多维数据的特征。在本步骤中,销售评价数据转换得到的单维度数据可称为销售评价指数,用于通过数值的形式直观表征销售效果。
2.将该商品促销时间段的销售评价指数除以非促销时间段的销售评价指数,得到可反映促销情况的促销效果指数。最后可设置具体策略对促销效果指数进行判断,即可判断商品是否促销成功。经常使用的策略如下:
(1)判断促销效果指数是否大于第五预设阈值(大于1):若是,将该商品确定为线上促销成功商品,否则确定为促销失败商品。
(2)选取促销效果指数最大的一定数量的商品作为线上促销成功商品,目标品类的其余商品为促销失败商品。
通过上述方法,本发明实现了促销效果的准确评价。应理解,线上促销成功商品的判断过程中采用的方法也可以由其它路径实现,本发明并此进行限制。例如:在由销售评价数据转换为销售评价指数时,可首先确定销售评价数据各维度的权重,之后以销售评价数据的加权平均值作为销售评价指数。
步骤S202:利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值。
在本步骤中,可执行以下步骤确定目标品类商品的关键特征:
1.为线上促销成功商品与目标品类在线上的其余商品(线上促销失败商品)增加用于区分的标签值,例如,为线上促销成功商品增加“1”标签值,为目标品类在线上的其余商品增加“0”标签值。这样,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量。预设顺序一般为目标品类商品的顺序,如商品名称的拼音顺序。
2.根据商品信息、用户画像、订单信息等获取目标品类商品的一个或多个初选特征。实际应用中,初选特征可以是以下的一种或多种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格等,也可以是其它特征。对于任何一个初选特征,以上述预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量。
3.确定每一初选特征的特征向量与标签向量的相关度,通过一定策略对相关度进行判断即可确定相应的关键特征。例如:在相关度大于第六预设阈值时,将对应的初选特征作为目标品类商品的关键特征;或者将相关度最大的多个初选特征作为关键特征。特别地,相关度为特征向量与标签向量相关性的度量,可采用皮尔逊相关系数或余弦相似度等进行计算。
此后,本步骤可进一步确定关键特征的促销权重值以及关键特征取值的促销贡献值。具体地,可将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时即可得到每一关键特征的促销权重值和(线上具有的)关键特征取值的促销贡献值。其中,样本数据包括该商品的关键特征取值和标签值。
分类模型可以是适用的机器学习模型,例如朴素贝叶斯算法与决策树算法结合的模型。其中,朴素贝叶斯算法可用于计算连续的关键特征(如重量、尺寸等)的促销权重值及其取值的促销贡献值,决策树算法可用于计算离散的关键特征(如品牌、是否进口等)的促销权重值及其取值的促销贡献值。可以理解的是,分类模型也可以采用其它使用的数学模型,而促销权重值、促销贡献值也可采用其它适用方式进行计算,本发明并不对此进行限制。
实际应用中,线上与实体场所中的商品并不完全相同,对于实际场所中商品多出的关键特征取值(即目标品类在实体场所的商品具有该关键特征取值,而目标品类在线上的商品不具有该关键特征取值),可通过以下方式计算其促销贡献值的初始化值:
如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数,公式中的对数可以是自然对数或常用对数。
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,上述正态分布由线上促销成功商品在该关键特征的取值确定。也就是说,首先计算线上促销成功商品在某一连续特征的取值的均值μ和标准差σ,之后建立如下正态分布:
在为某一关键特征取值计算促销贡献值时,将该关键特征取值带入上述函数,得到的概率密度即为其促销贡献值。
可以理解,上述两种初始化值确定方法只是确定上述情形中促销贡献值的较佳方法,实际应用中也可采用其它适用方法替代。
步骤S203:通过促销权重值和促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,将促销特征指数符合预设条件的商品作为实体场所的促销商品。
较佳地,本步骤可计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数,公式表示如下:
score=W1*V1+W2*V2+…+Wn*Vn
其中,score为促销特征指数,n为关键特征总数,W1、W2…Wn为关键特征的促销权重值,V1、V2…Vn为相应的关键特征取值的促销贡献值。
之后,可根据预设条件对促销特征指数进行判断从而确定促销商品。具体应用中,可将实体场所中促销特征指数大于第七预设阈值的商品确定为实体场所的促销商品;或者将实体场所中的商品以促销特征指数由大到小的顺序排列,将在前的、第三预设数量的商品确定为实体场所的促销商品。
在本实施例的技术方案中,借助线上促销成功商品的相关数据可准确获取商品的关键特征、关键特征的促销权重值以及关键特征取值的促销贡献值,这样即可准确地量化实体场所中商品的促销潜力,从而实现实体场所中促销商品的确定。
图3是基于本发明第一实施例中方法的生成实体场所促销信息的装置的组成部分示意图。
如图3所示,本发明实施例的生成实体场所促销信息的装置300可包括:线上评价单元301、最优值确定单元302以及实体场所促销单元303。其中:
线上评价单元301可用于比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;
最优值确定单元302可用于从至少一种线上促销成功商品的发布时长中确定发布时长最优值,从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值;
实体场所促销单元303可用于将实体场所中发布时长与促销准备时长之和等于所述发布时长最优值、并且预设促销折扣等于所述促销折扣最优值的目标品类商品作为促销初选商品,从所述促销初选商品中选取实体场所的促销商品。
在一个实施例中,线上评价单元301可进一步用于:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为该商品的促销效果指数;在所述促销效果指数大于第一预设阈值时,将该商品确定为线上促销成功商品。
较佳地,最优值确定单元302可进一步用于:将至少一种线上促销成功商品的发布时长中的众数确定为发布时长最优值。
作为一个优选方案,最优值确定单元302可进一步用于:将至少一种线上促销成功商品的促销折扣中的众数确定为促销折扣最优值。
具体地,实体场所促销单元303可进一步用于:选取线上存在的促销初选商品;将其中促销效果指数大于第二预设阈值的商品确定为实体场所的促销商品;或者,将该促销初选商品以促销效果指数由大到小的顺序排列,将在前的、第一预设数量的商品确定为实体场所的促销商品。
实际应用中,实体场所促销单元303可进一步用于:对于任一促销商品,在经过其促销准备时长之后启动促销。
具体应用中,所述装置进一步包括特征指数确定单元,其可用于利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;对于目标品类在实体场所的任一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到其促销特征指数。
实际场景中,实体场所促销单元303可进一步用于:将促销特征指数大于第三预设阈值的促销初选商品确定为实体场所的促销商品;或者,将促销初选商品以促销特征指数由大到小的顺序排列,将在前的、第二预设数量的商品确定为实体场所的促销商品。
在一可选实现方式中,特征指数确定单元可进一步用于:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第四预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
一般地,本实施例中的特征指数确定单元可进一步用于:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值。
实际场景中,特征指数确定单元可进一步用于以下计算:如果目标品类在线上的商品不具有一关键特征取值,而目标品类在实体场所的商品具有该关键特征取值,则:如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数;
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,所述正态分布由线上促销成功商品在该关键特征的取值确定。
在一个实施例中,特征指数确定单元可进一步用于:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数。
此外,在本发明实施例中,所述销售评价数据可包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征可包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
在本实施例的技术方案中,由于利用线上促销成功商品提供的发布时长最优值和促销折扣最优值来确定促销初选商品,从而实现了促销初选商品的准确判定,之后可通过两种策略实现实体场所中促销商品的最终确定。
图4是基于本发明第二实施例中方法的生成实体场所促销信息的装置的组成部分示意图。
如图4所示,本发明第四实施例中生成实体场所促销信息的装置可包括:线上处理单元401、量化单元402以及实体促销单元403。其中:
线上处理单元401可用于比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;
量化单元402可用于利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;
实体促销单元403可用于通过所述促销权重值和所述促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,将促销特征指数符合预设条件的商品作为实体场所的促销商品。
在一个实施例中,线上处理单元401可进一步用于:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为该商品的促销效果指数;在所述促销效果指数大于第五预设阈值时,将该商品确定为线上促销成功商品。
较佳地,量化单元402可进一步用于:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第六预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
作为一个优选方案,量化单元402可进一步用于:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值。
实际应用中,量化单元402可进一步用于:如果目标品类在线上的商品不具有一关键特征取值,而目标品类在实体场所的商品具有该关键特征取值,则:如果该关键特征为离散特征,该关键特征取值的促销贡献值由以下公式计算:
其中,V为该关键特征取值的促销贡献值,N为该关键特征的取值总数;
如果该关键特征为连续特征,该关键特征取值的促销贡献值为:该关键特征取值在预先建立的正态分布中对应的概率密度;其中,所述正态分布由线上促销成功商品在该关键特征的取值确定。
具体应用中,实体促销单元403可进一步用于:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数。
在一可选实现方式中,实体促销单元403可进一步用于:将实体场所中促销特征指数大于第七预设阈值的商品确定为实体场所的促销商品;或者,将实体场所中的商品以促销特征指数由大到小的顺序排列,将在前的、第三预设数量的商品确定为实体场所的促销商品。
此外,在本发明实施例中,所述销售评价数据可包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征可包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
在本实施例的技术方案中,借助线上促销成功商品的相关数据可准确获取商品的关键特征、关键特征的促销权重值以及关键特征取值的促销贡献值,这样即可准确地量化实体场所中商品的促销潜力,从而实现实体场所中促销商品的确定。
图5示出了可以应用本发明实施例的生成实体场所促销信息的方法或生成实体场所促销信息的装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505(此架构仅仅是示例,具体架构中包含的组件可以根据申请具体情况调整)。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对线上促销相关数据(如销售评价数据)进行分析的数据分析服务器(仅为示例)。数据分析服务器可以对销售评价数据等进行分析,并将确定的实体场所的促销商品信息(仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的生成实体场所促销信息的方法一般由服务器505执行,相应地,生成实体场所促销信息的装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的生成实体场所促销信息的方法。
下面参考图6,其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如,本发明实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括线上评价单元、最优值确定单元以及实体场所促销单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,线上评价单元还可以被描述为“向最优值确定单元发送线上促销成功商品信息的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该设备执行时,使得该设备执行的步骤包括:比较目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,根据比较结果确定目标品类的至少一种线上促销成功商品;从至少一种线上促销成功商品的发布时长中确定发布时长最优值,从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值;以及,将实体场所中发布时长与促销准备时长之和等于所述发布时长最优值、并且预设促销折扣等于所述促销折扣最优值的目标品类商品作为促销初选商品,从所述促销初选商品中选取实体场所的促销商品。
本发明实施例的技术方案可通过对线上促销相关数据的分析来指导实体场所确定合理的促销商品,从而提升促销效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (15)
1.一种生成实体场所促销信息的方法,其特征在于,包括:
根据目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,确定所述商品在所述促销时间段与所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为所述商品的促销效果指数;在所述促销效果指数大于第一预设阈值时,将所述商品确定为所述目标品类的线上促销成功商品;
从至少一种线上促销成功商品的发布时长中确定发布时长最优值,从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值;以及,
将实体场所中发布时长与促销准备时长之和等于所述发布时长最优值、并且预设促销折扣等于所述促销折扣最优值的目标品类商品作为促销初选商品,从所述促销初选商品中选取实体场所的促销商品;
所述从所述促销初选商品中选取实体场所的促销商品,具体包括:选取线上存在的促销初选商品;将其中促销效果指数大于第二预设阈值的商品确定为实体场所的促销商品;或者,将该促销初选商品以促销效果指数由大到小的顺序排列,将在前的、第一预设数量的商品确定为实体场所的促销商品;或者,将促销特征指数大于第三预设阈值的促销初选商品确定为实体场所的促销商品;或者,将促销初选商品以促销特征指数由大到小的顺序排列,将在前的、第二预设数量的商品确定为实体场所的促销商品。
2.根据权利要求1所述的方法,其特征在于,根据目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,确定所述商品在所述促销时间段与所述非促销时间段的销售评价指数,具体包括:
对于目标品类在线上的任一种商品:
获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数。
3.根据权利要求1所述的方法,其特征在于,
所述从至少一种线上促销成功商品的发布时长中确定发布时长最优值,具体包括:将至少一种线上促销成功商品的发布时长中的众数确定为发布时长最优值;以及,
所述从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值,具体包括:将至少一种线上促销成功商品的促销折扣中的众数确定为促销折扣最优值。
4.根据权利要求2所述的方法,其特征在于,所述方法进一步包括:对于任一促销商品,在经过其促销准备时长之后启动促销。
5.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;对于目标品类在实体场所的任一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到其促销特征指数。
6.根据权利要求5所述的方法,其特征在于,
所述方法进一步包括:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;
所述利用线上促销成功商品获取目标品类商品的至少一个关键特征,具体包括:获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第四预设阈值时,将对应的初选特征作为目标品类商品的关键特征;
所述确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值,具体包括:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值;
所述对于目标品类在实体场所的任一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到其促销特征指数,具体包括:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数;以及,
所述销售评价数据包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
7.一种生成实体场所促销信息的方法,其特征在于,包括:
根据目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,确定所述商品在所述促销时间段与所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为所述商品的促销效果指数;在所述促销效果指数大于第五预设阈值时,将所述商品确定为所述目标品类的线上促销成功商品;
利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;以及,
通过所述促销权重值和所述促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,将促销特征指数符合预设条件的商品作为实体场所的促销商品;
所述利用线上促销成功商品获取目标品类商品的至少一个关键特征,具体包括:获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第六预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
8.根据权利要求7所述的方法,其特征在于,根据目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,确定所述商品在所述促销时间段与所述非促销时间段的销售评价指数,具体包括:
对于目标品类在线上的任一种商品:
获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数。
9.根据权利要求7或8所述的方法,其特征在于,
所述方法进一步包括:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以所述预设顺序排列的目标品类在线上的商品的标签值形成标签向量;
所述确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值,具体包括:将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值;
所述通过所述促销权重值和所述促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,具体包括:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数;
所述将促销特征指数符合预设条件的商品作为实体场所的促销商品,具体包括:将实体场所中促销特征指数大于第七预设阈值的商品确定为实体场所的促销商品;或者,将实体场所中的商品以促销特征指数由大到小的顺序排列,将在前的、第三预设数量的商品确定为实体场所的促销商品;以及,
所述销售评价数据包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
10.一种生成实体场所促销信息的装置,其特征在于,包括:
线上评价单元,用于根据目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,确定所述商品在所述促销时间段与所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为所述商品的促销效果指数;在所述促销效果指数大于第一预设阈值时,将所述商品确定为所述目标品类的线上促销成功商品;
最优值确定单元,用于从至少一种线上促销成功商品的发布时长中确定发布时长最优值,从至少一种线上促销成功商品的促销折扣中确定促销折扣最优值;以及,
实体场所促销单元,用于将实体场所中发布时长与促销准备时长之和等于所述发布时长最优值、并且预设促销折扣等于所述促销折扣最优值的目标品类商品作为促销初选商品,从所述促销初选商品中选取实体场所的促销商品;
所述实体场所促销单元进一步用于:选取线上存在的促销初选商品;将其中促销效果指数大于第二预设阈值的商品确定为实体场所的促销商品;或者,将该促销初选商品以促销效果指数由大到小的顺序排列,将在前的、第一预设数量的商品确定为实体场所的促销商品;或者,将促销特征指数大于第三预设阈值的促销初选商品确定为实体场所的促销商品;或者,将促销初选商品以促销特征指数由大到小的顺序排列,将在前的、第二预设数量的商品确定为实体场所的促销商品。
11.根据权利要求10所述的装置,其特征在于,
线上评价单元进一步用于:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;
所述装置进一步包括特征指数确定单元,用于利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;对于目标品类在实体场所的任一种商品,通过每一关键特征的促销权重值和其每一关键特征取值的促销贡献值得到其促销特征指数;以及,特征指数确定单元进一步用于:
为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以预设顺序排列的目标品类在线上的商品的标签值形成标签向量;获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以该预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第四预设阈值时,将对应的初选特征作为目标品类商品的关键特征;
将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值;
对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数;其中,
所述销售评价数据包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
12.一种生成实体场所促销信息的装置,其特征在于,包括:
线上处理单元,用于根据目标品类在线上的任一种商品在促销时间段与非促销时间段的至少一种销售评价数据,确定所述商品在所述促销时间段与所述非促销时间段的销售评价指数;将所述促销时间段的销售评价指数与所述非促销时间段的销售评价指数之商作为所述商品的促销效果指数;在所述促销效果指数大于第五预设阈值时,将所述商品确定为所述目标品类的线上促销成功商品;
量化单元,用于利用线上促销成功商品获取目标品类商品的至少一个关键特征,并确定每一关键特征的促销权重值以及每一关键特征取值的促销贡献值;以及,
实体促销单元,用于通过所述促销权重值和所述促销贡献值得到目标品类在实体场所的任一种商品的促销特征指数,将促销特征指数符合预设条件的商品作为实体场所的促销商品;
所述量化单元进一步用于:获取目标品类商品的至少一个初选特征;其中,对于任一初选特征,以预设顺序排列的目标品类在线上的商品的该初选特征取值形成该初选特征的特征向量;确定任一初选特征的特征向量与标签向量的相关度;在相关度大于第六预设阈值时,将对应的初选特征作为目标品类商品的关键特征。
13.根据权利要求12所述的装置,其特征在于,
线上处理单元进一步用于:对于目标品类在线上的任一种商品:获取其在所述促销时间段的至少一种销售评价数据在一个统计周期的平均值,并将至少一种平均值转换为该商品在所述促销时间段的销售评价指数;获取该商品在所述非促销时间段的至少一种销售评价数据在所述统计周期的平均值,并将至少一种平均值转换为该商品在所述非促销时间段的销售评价指数;
量化单元进一步用于:为线上促销成功商品与目标品类在线上的其余商品增加用于区分的标签值,以所述预设顺序排列的目标品类在线上的商品的标签值形成标签向量;将目标品类在线上的任一种商品的样本数据输入分类模型进行训练,在训练完成时得到每一关键特征的促销权重值和关键特征取值的促销贡献值;其中,所述样本数据包括该商品的关键特征取值和标签值;
实体促销单元进一步用于:对于目标品类在实体场所的任一种商品:计算每一关键特征的促销权重值与其在该关键特征的取值的促销贡献值的乘积,将关键特征对应的乘积之和确定为其促销特征指数;将实体场所中促销特征指数大于第七预设阈值的商品确定为实体场所的促销商品;或者,将实体场所中的商品以促销特征指数由大到小的顺序排列,将在前的、第三预设数量的商品确定为实体场所的促销商品;其中,
所述销售评价数据包括以下至少一种:销售数量、评价数量、好评数量、购买人数、二次以上购买人数;所述初选特征包括以下至少一种:发布时长、促销折扣、品牌、尺寸、重量、初始价格、促销价格。
14.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810496377.9A CN110517055B (zh) | 2018-05-22 | 2018-05-22 | 生成实体场所促销信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810496377.9A CN110517055B (zh) | 2018-05-22 | 2018-05-22 | 生成实体场所促销信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517055A CN110517055A (zh) | 2019-11-29 |
CN110517055B true CN110517055B (zh) | 2024-04-05 |
Family
ID=68621776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810496377.9A Active CN110517055B (zh) | 2018-05-22 | 2018-05-22 | 生成实体场所促销信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517055B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030019280A (ko) * | 2002-11-25 | 2003-03-06 | (주)로투스 | 온라인,오프라인 통합 프로모션 비즈니스 모델 |
CN1855143A (zh) * | 2005-04-19 | 2006-11-01 | 商文柱 | 利用整合通讯技术降价促销的装置和方法 |
CN102938124A (zh) * | 2012-10-29 | 2013-02-20 | 北京京东世纪贸易有限公司 | 确定节日热销商品的方法和装置 |
CN104217355A (zh) * | 2014-09-11 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 预测促销商品销量的方法和装置 |
CN107038190A (zh) * | 2016-10-28 | 2017-08-11 | 厦门大学 | 一种应用于淘宝网的智能促销方案建模方法 |
CN107085799A (zh) * | 2017-04-19 | 2017-08-22 | 河南二次网电子科技有限公司 | 一种互联网电子币促销方法 |
CN107122998A (zh) * | 2017-04-27 | 2017-09-01 | 上海斐讯数据通信技术有限公司 | 一种服装促销信息推送系统及其使用方法 |
CN107622403A (zh) * | 2016-07-13 | 2018-01-23 | 安徽双轮酒业有限责任公司 | 一种促销信息分发方法和促销终端 |
-
2018
- 2018-05-22 CN CN201810496377.9A patent/CN110517055B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030019280A (ko) * | 2002-11-25 | 2003-03-06 | (주)로투스 | 온라인,오프라인 통합 프로모션 비즈니스 모델 |
CN1855143A (zh) * | 2005-04-19 | 2006-11-01 | 商文柱 | 利用整合通讯技术降价促销的装置和方法 |
CN102938124A (zh) * | 2012-10-29 | 2013-02-20 | 北京京东世纪贸易有限公司 | 确定节日热销商品的方法和装置 |
CN104217355A (zh) * | 2014-09-11 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 预测促销商品销量的方法和装置 |
CN107622403A (zh) * | 2016-07-13 | 2018-01-23 | 安徽双轮酒业有限责任公司 | 一种促销信息分发方法和促销终端 |
CN107038190A (zh) * | 2016-10-28 | 2017-08-11 | 厦门大学 | 一种应用于淘宝网的智能促销方案建模方法 |
CN107085799A (zh) * | 2017-04-19 | 2017-08-22 | 河南二次网电子科技有限公司 | 一种互联网电子币促销方法 |
CN107122998A (zh) * | 2017-04-27 | 2017-09-01 | 上海斐讯数据通信技术有限公司 | 一种服装促销信息推送系统及其使用方法 |
Non-Patent Citations (1)
Title |
---|
朱行浩 ; 王萌 ; 罗紫航 ; 汪义 ; 李恒 ; 张瑞军 ; .线上线下相结合的实体店团购平台的分析与设计.电脑与电信.2018,(05),第41-44页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110517055A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729937B (zh) | 用于确定用户兴趣标签的方法及装置 | |
US9846885B1 (en) | Method and system for comparing commercial entities based on purchase patterns | |
US20170278173A1 (en) | Personalized bundle recommendation system and method | |
WO2023016173A1 (zh) | 库存调整方法、装置、电子设备及计算机可读介质 | |
CN109213936B (zh) | 商品搜索方法和装置 | |
CN109711917B (zh) | 信息推送方法和装置 | |
CN110929136A (zh) | 一种个性化推荐方法和装置 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN110766486A (zh) | 确定物品类目的方法和装置 | |
KR20210032691A (ko) | 네트워크 기반 상품 추천 방법 및 장치 | |
CN111612385B (zh) | 一种对待配送物品进行聚类的方法和装置 | |
CN114663015A (zh) | 补货方法和装置 | |
CN110555747A (zh) | 确定目标用户的方法和装置 | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
CN110827101B (zh) | 一种店铺推荐的方法和装置 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN110517055B (zh) | 生成实体场所促销信息的方法和装置 | |
CN110889716A (zh) | 识别潜在注册用户的方法及装置 | |
CN110807687A (zh) | 对象数据处理方法、装置、计算设备和介质 | |
CN111768218A (zh) | 用于处理用户交互信息的方法和装置 | |
CN110766431A (zh) | 判断用户对优惠券是否敏感的方法和装置 | |
CN110838019A (zh) | 确定试用品发放人群的方法和装置 | |
CN110880119A (zh) | 一种数据处理方法和装置 | |
US20190180294A1 (en) | Supplier consolidation based on acquisition metrics |
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 |