CN111737338A - 一种基于大数据画像闭环营销数据分析方法 - Google Patents

一种基于大数据画像闭环营销数据分析方法 Download PDF

Info

Publication number
CN111737338A
CN111737338A CN202010380363.8A CN202010380363A CN111737338A CN 111737338 A CN111737338 A CN 111737338A CN 202010380363 A CN202010380363 A CN 202010380363A CN 111737338 A CN111737338 A CN 111737338A
Authority
CN
China
Prior art keywords
data
module
goods
information
processing module
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
CN202010380363.8A
Other languages
English (en)
Inventor
苏华权
冯歆尧
苏立伟
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.)
Information Center of Guangdong Power Grid Co Ltd
Original Assignee
Information Center of Guangdong Power Grid Co Ltd
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 Information Center of Guangdong Power Grid Co Ltd filed Critical Information Center of Guangdong Power Grid Co Ltd
Priority to CN202010380363.8A priority Critical patent/CN111737338A/zh
Publication of CN111737338A publication Critical patent/CN111737338A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于大数据画像闭环营销数据分析方法，包括有以下步骤：步骤S1：获取数据；步骤S2：数据处理，步骤S3：形成结果入库；步骤S4：入库数据可视化，通过数据库读取和打印；步骤S5：精准推送，其中精准推送为通过商业广告推送。优点1：本发明通过对销售数据的高效率分析，减少了这些数据占用的计算机存储物理空间，更能准确地把握销售数据的动态变化，根据销售信息确定生产方向，最大化地开发了销售数据资料的功能，实时对销售全过程进行管理和决策。优点2：本发明通过基于大数据分析的电商营销系统，使企业的营销、销售、客服以及生产调度和资源管理处于一个完整的闭环系统中，使企业能够在激烈的市场竞争中借助O2O模式保持高速发展。

Description

一种基于大数据画像闭环营销数据分析方法
技术领域
本发明涉及营销系统技术领域，尤其是一种基于大数据画像闭环营销数据分析方法。
背景技术
用户画像，又称人群画像，是根据客户人口统计学信息，社交关系，偏好习惯和消费行为等信息而抽象出来的标签化画像。用户画像，即用户信息标签化。用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
用户画像源于现实、高于现实：用户画像是描述用户的数据，是符合特定业务需求的对用户的形式化描述。用户画像源于数据，高于数据：用户画像是通过分析挖掘用户尽可能对的数据信息而得到的。
其中，用户画像可以用于分析、提取、定位和实现。分析为消费者社会属性，生活习惯，浏览行为；提取为用户的信息全貌；定位为用户行为习惯消费习惯；实现为企业盈利目的，提升客户满意度。
很多企业在经营的各个环节中都会产生大量的数据，在企业中，对这些数据进行分析具有很重要的意义，这些数据深层挖掘所产生的数据分析报告，及如何做好数据分析工作，对企业的运营及策略调整起着至关重要的作用。数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析，以求最大化地开发数据资料的功能，进而发挥数据的作用。然而如何将这些销售相关的数据进行高效率分析，是当前企业面临的急需解决的问题。
发明内容
为了解决上述现有技术中存在的问题，本发明提供一种基于大数据画像闭环营销数据分析方法。
本发明解决其技术问题所采用的技术方案是：
一种基于大数据画像闭环营销数据分析方法，包括有以下步骤：
步骤S1：获取数据；获取数据的方式为对客户类型进行划分，设置待分析客户群组，设置分析时间段；在营销活动期间，基于实时同步的订单数据，每隔一段时间收集在分析时间段内的待分析客户群组的订单数据，并录入数据库。
步骤1中包括大数据挖掘中心模块、数据处理模块、数据展示模块、云端数据库和数据收发模块；其中，大数据挖掘中心模块，其用于通过顾客信息和产品信息对用户画像进行补充和修正，并不断调整和变更，进而对顾客的二次购买和新顾客的引流提供新的策略支持；数据处理模块，用于将货物公司各类别库存总量通过数据收发模块发送至云端处理模块；数据展示模块，用于对线下货物销售信息、货物公司各类别库存总量进行在线展示；云端数据库，用于对线下货物销售信息、货物公司各类别库存总量进行存储；数据收发模块，用于将来自云端处理模块的各类别货物订购量发送至数据处理模块。
步骤S2：数据处理，对步骤S1中的数据进行归一化处理，离散化处理以及属性约简，确定校正后的影响因素集合；
其中，对数据进行归一化处理：
Figure BDA0002481369440000021
式中：xij是归一化前样本，sij是归一化后样本；min(xj)是原始样本中的最小值；max(xj)是原始样本中的最大值。
其中，对训练样本数据进行离散化处理：
Figure BDA0002481369440000022
式中：zij为离散化后样本，min(sj) 为归一化后样本的最小值，max(sj)为归一化后样本的最大值，Q为步长。
其中，
Figure BDA0002481369440000023
步骤S3：形成结果入库；其中，结果入库为逻辑分析的明细页面，并录入数据库；步骤S3包括类别分析模块、网络传输模块和货物库存统计模块；其中，类别分析模块，用于接收来自线下处理模块的线下货物销售信息并形成用于接收来自线下处理模块的线下货物销售信息、各类别货物库存量，并形成各类别货物订购量反馈至线下处理模块；网络传输模块，用于建立线下处理模块与的云端处理模块的双向通讯连接；货物库存统计模块，用于对货物公司各类别库存总量进行统计并发送至数据处理模块。
步骤S4：入库数据可视化，通过数据库读取和打印；业务逻辑分析；其中，业务逻辑分析展示待分析客户群组的订单数据明细，并再次录入数据库。步骤S4包括销售统计模块和线下库存量统计模块；其中，销售统计模块，用于对线下货物销售信息进行统计并发送至线下处理模块，线下货物销售信息包括货物类别以及各类别货物对应的销售量；线下库存量统计模块，用于对线下商家的各类别货物库存量进行统计并发送至线下处理模块。
步骤S5：精准推送，其中精准推送为通过商业广告推送；步骤S5包括在线登陆订购模块、线下处理模块和订单处理模块；其中，在线登陆订购模块，用于商家在线登陆并确认各类别货物订购量，然后将各类别货物订购确认指令发送至线下处理模块；线下处理模块分别与销售统计模块、类别分析模块、在线登陆订购模块、线下库存量统计模块、网络传输模块相连：当线下处理模块接收到各类别货物订购确认指令后，将各类别货物订购量、线下货物销售信息进行打包并通过网络传输模块发送至云端处理模块；订单处理模块，用于接收来自数据处理模块的各类别货物订购量并下单。
本发明还具有以下附加技术特征：
作为本发明技术方案进一步具体优化的：还包括有顾客转化模块，其用于对顾客信息进行大数据分析，通过引流找到潜在顾客，以对潜在顾客进行有效转化，形成购买订单。
作为本发明技术方案进一步具体优化的：还包括有客服跟踪管理模块，其用于将客服在对顾客进行跟踪服务过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到大数据挖掘中心模块。
作为本发明技术方案进一步具体优化的：还包括有终端实体店员管理模块，其用于将终端实体店中的店员在销售产品过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到大数据挖掘中心模块。
作为本发明技术方案进一步具体优化的：还包括有产品跟踪渠道管理，其用于对产品渠道进行跟踪，对跟踪过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到大数据挖掘中心模块。
作为本发明技术方案进一步具体优化的：还包括事前控制模块，事前控制模块包括有会员唯一性界定单元、抽样控制单元、唯一链接&IP控制单元；会员唯一性界定单元，核查 cookie、IP和email，避免一人多次注册；采用多种方式掌握会员的真实姓名和身份证等信息；抽样控制单元，排除过去一段时间参加过调研者，确保受访者的“新鲜度”；唯一链接&IP控制单元，每个链接直送受访者本人，且只能使用一次，转发、重填等均无效；每一个 IP只能回答一次问卷，重答无效。
作为本发明技术方案进一步具体优化的：还包括事中控制模块，事中控制模块包括有时间控制单元、系统自动匹配单元、重复选择控制单元；时间控制单元，每道题设置倒计时，确保被访者足够时间看完问题作答；剔除问卷完成时间低于正常时间者；系统自动匹配单元，问卷中设置“监控”，答题前后矛盾、或乱打分者将被自动甄别；重复选择控制单元，如多项选择/分数相同，系统会跳出提示窗口，确保受访者认真答题。
作为本发明技术方案进一步具体优化的：还包括事后控制模块，事后控制模块包括样本清洗单元、数据清洗单元和超额备份单元；样本清洗单元，填写个人信息与数据库中资料不符者将被甄别；不诚信者将被封锁ID；数据清洗单元，系统识别和人工复核相结合，对明显不合理的数据进行筛查，去除不合格问卷；超额备份单元，多回收约5％的超额样本作为备份，以便出现不合格数据时及时替换。
本发明和现有技术相比，其优点在于：
优点1：本发明通过对销售数据的高效率分析，方便管理，降低数据的维护成本，减少了这些数据占用的计算机存储物理空间，更能准确地把握销售数据的动态变化，根据销售信息确定生产方向，最大化地开发了销售数据资料的功能，实时对销售全过程进行管理和决策，进而使销售管理过程达到最佳状态。
优点2：本发明通过基于大数据分析的电商营销系统，使企业的营销、销售、客服以及生产调度和资源管理处于一个完整的闭环系统中，及时、准确地掌握其中各环节的信息，有效地组织生产和管理企业，更直接地获取潜在顾客并转化顾客形成订单，使企业能够在激烈的市场竞争中借助O2O模式保持高速发展。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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。
图1为本发明的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明公开的示例性实施例，这些实施例是为了能够更透彻地理解本发明，并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例，然而应当理解，本发明而不应被这里阐述的实施例所限制。
本发明中出现的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一种基于大数据画像闭环营销数据分析方法，包括有以下步骤：
步骤S1：获取数据。获取数据的方式为对客户类型进行划分，设置待分析客户群组，设置分析时间段。在营销活动期间，基于实时同步的订单数据，每隔一段时间收集在分析时间段内的待分析客户群组的订单数据，并录入数据库。
步骤1中包括大数据挖掘中心模块、数据处理模块、数据展示模块、云端数据库和数据收发模块。其中，
大数据挖掘中心模块，其用于通过顾客信息和产品信息对用户画像进行补充和修正，并不断调整和变更，进而对顾客的二次购买和新顾客的引流提供新的策略支持。
数据处理模块，用于将货物公司各类别库存总量通过数据收发模块发送至云端处理模块。
数据展示模块，用于对线下货物销售信息、货物公司各类别库存总量进行在线展示。
云端数据库，用于对线下货物销售信息、货物公司各类别库存总量进行存储。
数据收发模块，用于将来自云端处理模块的各类别货物订购量发送至数据处理模块。
步骤S2：数据处理，对步骤S1中的数据进行归一化处理，离散化处理以及属性约简，确定校正后的影响因素集合。
其中，对数据进行归一化处理：
Figure BDA0002481369440000051
式中：xij是归一化前样本，sij是归一化后样本。min(刈) 是原始样本中的最小值。max(xj)是原始样本中的最大值。
其中，对训练样本数据进行离散化处理：
Figure BDA0002481369440000061
式中：zij为离散化后样本，min(sj) 为归一化后样本的最小值，max(sj)为归一化后样本的最大值，Q为步长。
其中，
Figure BDA0002481369440000062
步骤S3：形成结果入库。其中，结果入库为逻辑分析的明细页面，并录入数据库。
步骤S3包括类别分析模块、网络传输模块和货物库存统计模块。其中，
类别分析模块，用于接收来自线下处理模块的线下货物销售信息并形成用于接收来自线下处理模块的线下货物销售信息、各类别货物库存量，并形成各类别货物订购量反馈至线下处理模块。
网络传输模块，用于建立线下处理模块与的云端处理模块的双向通讯连接。
货物库存统计模块，用于对货物公司各类别库存总量进行统计并发送至数据处理模块。
步骤S4：入库数据可视化，通过数据库读取和打印。业务逻辑分析。其中，业务逻辑分析展示待分析客户群组的订单数据明细，并再次录入数据库。
步骤S4包括销售统计模块和线下库存量统计模块。其中，
销售统计模块，用于对线下货物销售信息进行统计并发送至线下处理模块，线下货物销售信息包括货物类别以及各类别货物对应的销售量。
线下库存量统计模块，用于对线下商家的各类别货物库存量进行统计并发送至线下处理模块。
步骤S5：精准推送，其中精准推送为通过商业广告推送。
步骤S5包括在线登陆订购模块、线下处理模块和订单处理模块。其中，
在线登陆订购模块，用于商家在线登陆并确认各类别货物订购量，然后将各类别货物订购确认指令发送至线下处理模块。
线下处理模块分别与销售统计模块、类别分析模块、在线登陆订购模块、线下库存量统计模块、网络传输模块相连：当线下处理模块接收到各类别货物订购确认指令后，将各类别货物订购量、线下货物销售信息进行打包并通过网络传输模块发送至云端处理模块。
订单处理模块，用于接收来自数据处理模块的各类别货物订购量并下单。
本发明还包括有顾客转化模块，其用于对顾客信息进行大数据分析，通过引流找到潜在顾客，以对潜在顾客进行有效转化，形成购买订单。
本发明还包括有客服跟踪管理模块，其用于将客服在对顾客进行跟踪服务过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到大数据挖掘中心模块。
本发明还包括有终端实体店员管理模块，其用于将终端实体店中的店员在销售产品过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到大数据挖掘中心模块。
本发明还包括有产品跟踪渠道管理，其用于对产品渠道进行跟踪，对跟踪过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到大数据挖掘中心模块。
本发明还包括事前控制模块，事前控制模块包括有会员唯一性界定单元、抽样控制单元、唯一链接&IP控制单元。
会员唯一性界定单元，核查cookie、IP和email，避免一人多次注册。采用多种方式掌握会员的真实姓名和身份证等信息。
抽样控制单元，排除过去一段时间参加过调研者，确保受访者的“新鲜度”。
唯一链接&IP控制单元，每个链接直送受访者本人，且只能使用一次，转发、重填等均无效。每一个IP只能回答一次问卷，重答无效。
本发明还包括事中控制模块，事中控制模块包括有时间控制单元、系统自动匹配单元、重复选择控制单元。
时间控制单元，每道题设置倒计时，确保被访者足够时间看完问题作答。剔除问卷完成时间低于正常时间者。
系统自动匹配单元，问卷中设置“监控”，答题前后矛盾、或乱打分者将被自动甄别。
重复选择控制单元，如多项选择/分数相同，系统会跳出提示窗口，确保受访者认真答题。
本发明还包括事后控制模块，事后控制模块包括样本清洗单元、数据清洗单元和超额备份单元。
样本清洗单元，填写个人信息与数据库中资料不符者将被甄别。不诚信者将被封锁ID。
数据清洗单元，系统识别和人工复核相结合，对明显不合理的数据进行筛查，去除不合格问卷。
超额备份单元，多回收约5％的超额样本作为备份，以便出现不合格数据时及时替换。
实施例1基于大数据画像闭环营销系统的模型构建
BDM层(源数据层)：缓冲数据，源数据的直接映射。
FDM层(对BDM源数据层的数据进行清洗和预处理)：基础数据层，数据拉链处理、分区处理。
GDM层(对FDM层数据进行统计一些指标数据)：通用聚合。
ADM层(对GDM层指标数据进行指标数据的业务汇总分析)：高度聚合。
1.客户基本属性表。
SQL目的：时间分区中每天的数据应为每天新增用户和每天访问用户。
1.客户基本属性表BDM层bdm.itcast_bdm_user(时间分区)。
2.客户基本属性表FDM层fdm.itcast_fdm_user_wide(时间分区)。
3.客户基本属性表GDM层gdm.itcast_gdm_user_basic(时间分区)。
2.订单表。
1.订单主要信息表。
1.订单主要信息表BDM层bdm.itcast_bdm_order(时间分区)。
2.订单主要信息表FDM层fdm.itcast_fdm_order(时间分区)。
2.订单详细信息表。
1.订单详细信息表BDM层bdm.itcast_bdm_order_desc(时间分区)。
2.订单详细信息表FDM层fdm.itcast_fdm_order_desc(时间分区)。
3.订单表GDM层。
订单宽表GDM层gdm.itcast_gdm_order(时间分区)。
订单宽表GDM层＝订单主要信息表FDM层+订单详细信息表FDM层。
3.订单中商品信息表。
1.订单中商品信息表BDM层bdm.itcast_bdm_order_goods(时间分区)。
2.订单中商品信息表FDM层fdm.itcast_fdm_order_goods(时间分区)。
4.客户订单地址表。
客户订单地址表GDM层gdm.itcast_gdm_user_order_addr_model。
5.购物车中商品信息表。
1.购物车中商品信息表BDM层bdm.itcast_bdm_order_cart(时间分区)。
2.购物车中商品信息表FDM层fdm.itcast_fdm_order_cart(时间分区)。
6.客户消费模型表(订单+购物车)GDM层(临时表)。
没有时间分区，但是每次都会先drop临时表，再CREATE临时表asselect。
1.临时表01(订单)。
客户消费模型表GDM层gdm.itcast_gdm_user_consume_order_temp_01(临时表01)统计订单相关指标。
客户消费模型表GDM层＝订单表GDM层(时间分区)+订单中商品信息表FDM层(时间分区)+客户订单地址表GDM层。
2.临时表02(购物车)。
客户消费模型表GDM层gdm.itcast_gdm_user_consume_order_temp_02(临时表02)统计购物车相关指标。
客户消费模型表GDM层＝购物车中商品信息表FDM层(时间分区)。
3.临时表03(订单)。
客户消费模型表GDM层gdm.itcast_gdm_user_consume_order_temp_03(临时表03)统计订单中常用收货地址和常用支付方式。
客户消费模型表GDM层＝订单表GDM层(时间分区)+订单表GDM层(时间分区)(订单表自身和自身unionall)。
4.临时表04。
gdm.itcast_gdm_user_consume_order_temp_100(临时表04)＝客户消费模型表GDM层(临时表01)+客户消费模型表GDM层(临时表02)。
目的：仅为合并订单表和购物车表中所相同的的user_id为一个分组，并且最终合并结果中的每条数据均为不同的user_id。
7.客户消费模型表(订单+购物车)GDM层。
SQL目的：统计订单和购物车中相关消费指标。
当前该表中的“近30/60/90天的XX”等指标仅为时间分区中每天的指标数据，因此还必须根据wheredt＞＝date_add(昨天日期时间，-29/-60/-90)条件进行统计，
这样才能统计出真正的“近30/60/90天的XX”指标数据。
客户消费模型表GDM层gdm.itcast_gdm_user_consume_order(时间分区)。
客户消费模型表GDM层＝临时表01+临时表02+临时表03+临时表04。
8.订单中商品类目表GDM层(临时表)。
SQL目的：统计用户订单中所消费的商品分类情况，即可得知用户偏向于消费何种分类的商品。
没有时间分区，但是每次都会先drop临时表，再CREATE临时表asselect。
订单中商品类目表GDM层gdm.itcast_gdm_user_buy_category_temp(临时表)。
订单中商品类目表GDM层＝订单主要信息表FDM层(时间分区)+订单中商品信息表FDM层(时间分区)。
购物车中商品类目表GDM层(临时表)。
SQL目的：统计用户购物车中成功支付消费的商品分类情况，即可得知用户偏向于消费何种分类的商品。
没有时间分区，但是每次都会先drop临时表，再CREATE临时表asselect。
购物车中商品类目表GDM层gdm.itcast_gdm_user_cart_category_temp(临时表)
购物车中商品类目表GDM层＝购物车中商品信息表FDM层(时间分区)+订单中商品信息表FDM层(时间分区)。
商品类目码表GDM层(1级/2级/3级分类详细)。
商品类目码表GDM层gdm.itcast_gdm_category_code。
1客户消费商品的每级分类的类目详细表(订单+购物车)GDM层(临时表)(客户喜好消费的商品分类)。
SQL目的：根据三级分类ID得出二级分类和一级分类的ID和名称。
没有时间分区，但是每次都会先drop临时表，再CREATE临时表asselect。
客户消费商品的每级分类的类目详细表GDM层。gdm.itcast_gdm_user_category_total(临时表)。
客户消费商品的每级分类的类目详细表GDM层＝订单中商品类目表GDM层(临时表)+ 购物车中商品类目表GDM层(临时表)+商品类目码表GDM层。
客户消费商品的每级分类的类目总表(订单+购物车)GDM层(客户喜好消费的商品分类)。
SQL目的：汇总用户订单中所消费的商品分类情况和用户购物车中成功支付消费的商品分类情况，最终得知用于总体偏向于消费何种分类的商品。
当前该表中的“近30/60/90天的XX”等指标仅为时间分区中每天的指标数据，因此还必须根据wheredt＞＝date_add(昨天日期时间，-29/-60/-90)条件进行统计。
这样才能统计出真正的“近30/60/90天的XX”指标数据。
客户消费商品的每级分类的类目总表GDM层。gdm.itcast_gdm_user_buy_category(时间分区)。
客户消费商品的每级分类的类目总表GDM层＝客户消费商品的每级分类的类目详细表 GDM层(临时表)+订单中商品类目表GDM层(临时表)+购物车中商品类目表GDM层(临时表)。
用户上网轨迹表。
SQL目的：以同一个用户ID作为同一个分组的情况下，同时可根据session_id和cookie_id 的不同，计算出该同一用户当天的访问次数和每次访问的停留时长用户上网轨迹表BDM层 (PC端/网页端)。
用户上网轨迹表BDM层bdm.itcast_bdm_user_pc_click_log(时间分区)。
用户上网轨迹表FDM层fdm.itcast_fdm_user_pc_pageview(时间分区)。
用户上网轨迹表BDM层(APP端)。
用户上网轨迹表BDM层bdm.itcast_bdm_user_app_click_log(时间分区)。
用户上网轨迹表FDM层fdm.itcast_fdm_user_app_pageview(时间分区)。
30天PC端/网页端访问最常用的指标(临时表)。
SQL目的：在同一个用户ID分组下，可对应多个不同ip/cookie/浏览器名/系统名的分组的情况下，统计出近30天之内的使用次数情况。
统计近30天之内指标的方式：wheredt＞＝date_add(昨天日期时间，-29)
没有时间分区，但是每次都会先drop临时表，再CREATE临时表asselect。
近30天PC端访问最常用的指标GDM层gdm.itcast_gdm_user_visit_temp_01(临时表)。
近30天PC端访问最常用的指标GDM层＝用户上网轨迹表FDM层(时间分区)。
用户访问模型表GDM层。
用户访问模型表GDM层gdm.itcast_gdm_user_visit(时间分区)。
用户访问模型表GDM层＝客户基本属性表FDM层(时间分区)+用户上网轨迹表(PC端 /网页端)FDM层(无需时间分区，因为进行了时间日期比较)+近30天PC端访问最常用的指标GDM层(临时表)+用户上网轨迹表(APP端)FDM层(无需时间分区，因为进行了时间日期比较)。
用户画像宽表ADM层。
每天汇总出的用户画像表仅包含当天的数据，因此还需要和之前汇总好的用户画像表进行新的合并操作后，才算真正的最新数据的用户画像表。
用户画像宽表ADM层adm.itcast_adm_personas(时间分区)。
用户画像宽表ADM层＝用户基本属性表GDM层gdm.itcast_gdm_user_basic(时间分区) (第1张表)+客户消费模型表GDM层gdm.itcast_gdm_user_consume_order(时间分区)(第 7张表＝2+3+4+5+6)+客户喜好消费的商品分类模型表GDM层 gdm.itcast_gdm_user_buy_category(时间分区)(第12张表＝8+9+10+11)+用户访问模型表 GDM层gdm.itcast_gdm_user_visit(时间分区)(第15张表＝13+14)。
用户标签表可根据客户消费模型表+客户喜好消费的商品分类模型表+用户访问模型表分析出该人的购买喜好、购买习惯、购买实力，从而推荐相似的商品给该用户。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (8)

1.一种基于大数据画像闭环营销数据分析方法，其特征在于：包括有以下步骤：
步骤S1：获取数据；获取数据的方式为对客户类型进行划分，设置待分析客户群组，设置分析时间段；在营销活动期间，基于实时同步的订单数据，每隔一段时间收集在分析时间段内的待分析客户群组的订单数据，并录入数据库；
所述步骤1中包括大数据挖掘中心模块、数据处理模块、数据展示模块、云端数据库和数据收发模块；其中，
大数据挖掘中心模块，其用于通过所述顾客信息和所述产品信息对用户画像进行补充和修正，并不断调整和变更，进而对顾客的二次购买和新顾客的引流提供新的策略支持；
数据处理模块，用于将货物公司各类别库存总量通过数据收发模块发送至云端处理模块；
数据展示模块，用于对线下货物销售信息、货物公司各类别库存总量进行在线展示；
云端数据库，用于对线下货物销售信息、货物公司各类别库存总量进行存储；
数据收发模块，用于将来自云端处理模块的各类别货物订购量发送至数据处理模块；
步骤S2：数据处理，对步骤S1中的数据进行归一化处理，离散化处理以及属性约简，确定校正后的影响因素集合；
其中，对数据进行归一化处理：
Figure FDA0002481369430000011
式中：xij是归一化前样本，sij是归一化后样本；min(xj)是原始样本中的最小值；max(xj)是原始样本中的最大值；
其中，对训练样本数据进行离散化处理：
Figure FDA0002481369430000012
式中：zij为离散化后样本，min(sj)为归一化后样本的最小值，max(sj)为归一化后样本的最大值，Q为步长；
其中，
Figure FDA0002481369430000013
步骤S3：形成结果入库；其中，结果入库为逻辑分析的明细页面，并录入数据库；
所述步骤S3包括类别分析模块、网络传输模块和货物库存统计模块；其中，
类别分析模块，用于接收来自线下处理模块的线下货物销售信息并形成用于接收来自线下处理模块的线下货物销售信息、各类别货物库存量，并形成各类别货物订购量反馈至线下处理模块；
网络传输模块，用于建立线下处理模块与的云端处理模块的双向通讯连接；
货物库存统计模块，用于对货物公司各类别库存总量进行统计并发送至数据处理模块；
步骤S4：入库数据可视化，通过数据库读取和打印；业务逻辑分析；其中，业务逻辑分析展示待分析客户群组的订单数据明细，并再次录入数据库；
所述步骤S4包括销售统计模块和线下库存量统计模块；其中，
销售统计模块，用于对线下货物销售信息进行统计并发送至线下处理模块，线下货物销售信息包括货物类别以及各类别货物对应的销售量；
线下库存量统计模块，用于对线下商家的各类别货物库存量进行统计并发送至线下处理模块；
步骤S5：精准推送，其中精准推送为通过商业广告推送；
所述步骤S5包括在线登陆订购模块、线下处理模块和订单处理模块；其中，
在线登陆订购模块，用于商家在线登陆并确认各类别货物订购量，然后将各类别货物订购确认指令发送至线下处理模块；
线下处理模块分别与销售统计模块、类别分析模块、在线登陆订购模块、线下库存量统计模块、网络传输模块相连：当线下处理模块接收到各类别货物订购确认指令后，将各类别货物订购量、线下货物销售信息进行打包并通过网络传输模块发送至云端处理模块；
订单处理模块，用于接收来自数据处理模块的各类别货物订购量并下单。
2.根据权利要求1所述的基于大数据画像闭环营销数据分析方法，其特征在于：还包括有顾客转化模块，其用于对所述顾客信息进行大数据分析，通过引流找到潜在顾客，以对所述潜在顾客进行有效转化，形成购买订单。
3.根据权利要求1所述的基于大数据画像闭环营销数据分析方法，其特征在于：还包括有客服跟踪管理模块，其用于将客服在对顾客进行跟踪服务过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到所述大数据挖掘中心模块。
4.根据权利要求1所述的基于大数据画像闭环营销数据分析方法，其特征在于：还包括有终端实体店员管理模块，其用于将终端实体店中的店员在销售产品过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到所述大数据挖掘中心模块。
5.根据权利要求1所述的基于大数据画像闭环营销数据分析方法，其特征在于：还包括有产品跟踪渠道管理，其用于对产品渠道进行跟踪，对跟踪过程中得到的顾客信息和产品信息进行管理和挖掘，并汇总到所述大数据挖掘中心模块。
6.根据权利要求1所述的基于大数据画像闭环营销数据分析方法，其特征在于：还包括事前控制模块，所述事前控制模块包括有会员唯一性界定单元、抽样控制单元、唯一链接&IP控制单元；
会员唯一性界定单元，核查cookie、IP和email，避免一人多次注册；采用多种方式掌握会员的真实姓名和身份证等信息；
抽样控制单元，排除过去一段时间参加过调研者，确保受访者的“新鲜度”；
唯一链接&IP控制单元，每个链接直送受访者本人，且只能使用一次，转发、重填等均无效；每一个IP只能回答一次问卷，重答无效。
7.根据权利要求1所述的基于大数据画像闭环营销数据分析方法，其特征在于：还包括事中控制模块，所述事中控制模块包括有时间控制单元、系统自动匹配单元、重复选择控制单元；
时间控制单元，每道题设置倒计时，确保被访者足够时间看完问题作答；剔除问卷完成时间低于正常时间者；
系统自动匹配单元，问卷中设置“监控”，答题前后矛盾、或乱打分者将被自动甄别；
重复选择控制单元，如多项选择/分数相同，系统会跳出提示窗口，确保受访者认真答题。
8.根据权利要求1所述的基于大数据画像闭环营销数据分析方法，其特征在于：还包括事后控制模块，所述事后控制模块包括样本清洗单元、数据清洗单元和超额备份单元；
样本清洗单元，填写个人信息与数据库中资料不符者将被甄别；不诚信者将被封锁ID；
数据清洗单元，系统识别和人工复核相结合，对明显不合理的数据进行筛查，去除不合格问卷；
超额备份单元，多回收约5％的超额样本作为备份，以便出现不合格数据时及时替换。
CN202010380363.8A 2020-05-07 2020-05-07 一种基于大数据画像闭环营销数据分析方法 Pending CN111737338A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010380363.8A CN111737338A (zh) 2020-05-07 2020-05-07 一种基于大数据画像闭环营销数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010380363.8A CN111737338A (zh) 2020-05-07 2020-05-07 一种基于大数据画像闭环营销数据分析方法

Publications (1)

Publication Number Publication Date
CN111737338A true CN111737338A (zh) 2020-10-02

Family

ID=72647028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010380363.8A Pending CN111737338A (zh) 2020-05-07 2020-05-07 一种基于大数据画像闭环营销数据分析方法

Country Status (1)

Country Link
CN (1) CN111737338A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348430A (zh) * 2020-10-19 2021-02-09 北京中恒云科技有限公司 一种用户数据分析方法、计算机设备及存储介质
CN112561600A (zh) * 2020-12-24 2021-03-26 扬州市青锐网络科技有限公司 一种基于大数据的营销数据精准分析系统
CN112734485A (zh) * 2021-01-13 2021-04-30 上海群之脉信息科技有限公司 一种用户智能运营系统
CN113988727A (zh) * 2021-12-28 2022-01-28 青岛海尔工业智能研究院有限公司 资源调度方法及系统
CN116205555A (zh) * 2023-04-28 2023-06-02 深圳市丰泉科技有限公司 一种基于大数据的物流信息可视化管理系统及方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348430A (zh) * 2020-10-19 2021-02-09 北京中恒云科技有限公司 一种用户数据分析方法、计算机设备及存储介质
CN112348430B (zh) * 2020-10-19 2021-09-07 北京中恒云科技有限公司 一种用户数据分析方法、计算机设备及存储介质
CN112561600A (zh) * 2020-12-24 2021-03-26 扬州市青锐网络科技有限公司 一种基于大数据的营销数据精准分析系统
CN112734485A (zh) * 2021-01-13 2021-04-30 上海群之脉信息科技有限公司 一种用户智能运营系统
CN113988727A (zh) * 2021-12-28 2022-01-28 青岛海尔工业智能研究院有限公司 资源调度方法及系统
CN113988727B (zh) * 2021-12-28 2022-05-10 卡奥斯工业智能研究院(青岛)有限公司 资源调度方法及系统
CN116205555A (zh) * 2023-04-28 2023-06-02 深圳市丰泉科技有限公司 一种基于大数据的物流信息可视化管理系统及方法
CN116205555B (zh) * 2023-04-28 2023-09-05 宁夏金丝路大数据科技有限责任公司 一种基于大数据的物流信息可视化管理系统及方法

Similar Documents

Publication Publication Date Title
CN111737338A (zh) 一种基于大数据画像闭环营销数据分析方法
Ahlemeyer-Stubbe et al. A practical guide to data mining for business and industry
Petersen et al. Choosing the right metrics to maximize profitability and shareholder value
US8577716B2 (en) System and method of ongoing evaluation reporting and analysis
US11216850B2 (en) Predictive platform for determining incremental lift
Kursan et al. Business intelligence: The role of the internet in marketing research and business decision-making
US20210303996A1 (en) Consumption prediction system and consumption prediction method
CN111026801A (zh) 一种辅助保险类电商运营快速决策工作的方法及系统
CN112215448A (zh) 分配客服的方法和装置
Wolman The frequency and costs of individual price adjustment
CN109086446A (zh) Nps客户体验管理方法、装置及计算机可读存储介质
KR20100123206A (ko) 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치
Burke et al. Rethinking marketing research in the digital world
US20050228713A1 (en) Customer value chain business analysis
KR102394221B1 (ko) 온라인 벤더 운영 플랫폼
KR20230142975A (ko) 온오프라인 통합 고객행동기반 개인화 마케팅 시스템
Hadad et al. A decision‐making support system module for customer segmentation and ranking
CN114049141A (zh) 一种基于数据分析的企业财务运营数字化管理优化设备
CN112926997A (zh) 一种客户关系管理系统及方法
US20230059500A1 (en) Method and system for identifying actions to improve customer experience
Nguyen et al. Web analytics tools and benefits for entrepreneurs
Mahmutović FROM GOOGLE ANALYTICS TO DIGITAL MARKETING OPTIMIZATION IN HOTEL INDUSTRY: PROPOSAL OF FRAMEWORK AND EMPIRICAL EVALUATION OF HOTEL INDUSTRY IN CROATIA, BOSNIA AND HERZEGOVINA AND SERBIA
KR20020012748A (ko) 전자상거래에서의 정보분석 장치 및 그를 이용한 정보분석방법
CN118071395A (zh) 用于智慧商业综合体的数字化营销运营、管理系统及方法
Burke et al. Marketing research in the digital age

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