CN111798152A - 一种门店智能管理方法和装置 - Google Patents
一种门店智能管理方法和装置 Download PDFInfo
- Publication number
- CN111798152A CN111798152A CN202010669051.9A CN202010669051A CN111798152A CN 111798152 A CN111798152 A CN 111798152A CN 202010669051 A CN202010669051 A CN 202010669051A CN 111798152 A CN111798152 A CN 111798152A
- Authority
- CN
- China
- Prior art keywords
- store
- data
- level
- target adjustment
- preset
- 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
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种门店智能管理方法和装置,用于解决现有技术中单一指标难以全面直观地反映门店的实际状况的技术问题。本发明包括:分别获取多个待调整门店的内部数据和外部数据;分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据;根据多组所述门店数据,生成多个门店聚类簇;获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;对所述目标调整门店执行与所述级别对应的预设调整操作,实现根据多个数据指标对门店进行分层评价,更为准确有效地对目标调整门店做出对应的调整。
Description
技术领域
本发明涉及数据管理技术领域,尤其涉及一种门店智能管理方法和装置。
背景技术
随着技术的不断发展,线下实体商店,例如便利店等的管理也日益智能化。
连锁品牌的门店在布局时一般会开在不同地域和不同商圈以达到覆盖尽可能多的消费群体、满足尽可能多的消费需求的目的,当品牌进行规模调整例如加开新门店、关闭经营不善的门店或门店迭代更新等时,对于门店的调整往往需要一个量化指标。
为此,现有技术中对于门店的调整方法通常是只考虑多个门店的单面积日租金、单面积日客流、单面积日销售额等少数几个指标数据,基于预定权重与上述指标数据,以确定评价分数。但上述方法所考虑的指标过于单一,缺乏全面性,而且仅对门店进行同一标准评价,并未考虑门店与门店之间所处环境、周边消费人群不同所导致门店实际经营环境的差别,评价公平性丧失,例如:郊区的门店即使经营状况很好,一般营业额也比不过市中心的一般门店,而对门店的数据进行加权计算得分,无法直观地说明得分的含义。因此,上述方法难以全面直观地反映门店的实际状况,无法提供一种准确有效的量化指标调整门店。
发明内容
本发明提供了一种门店智能管理方法和装置,解决了现有技术中单一指标难以全面直观地反映门店的实际状况,无法提供一种准确有效的量化指标管理门店的技术问题。
本发明提供的一种门店智能管理方法,包括:
分别获取多个待调整门店的内部数据和外部数据;
分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据;
根据多组所述门店数据,生成多个门店聚类簇;
获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;
根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;
对所述目标调整门店执行与所述级别对应的预设调整操作。
可选地,所述数据预处理包括异常值修复、缺失值修复、哑变量转换和数据归一化,所述分别对每一个待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据的步骤,包括:
检测所述每一个待调整门店的内部数据和外部数据,确定是否存在数据异常值;
若存在数据异常值,则进行异常值修复,并判断是否存在数据缺失值;
若存在数据缺失值,则进行缺失值修复,并判断是否存在哑变量;
若存在哑变量,则进行哑变量转换,生成中间数据;
对所述中间数据进行数据归一化,生成对应的门店数据。
可选地,所述根据多组所述门店数据,生成多个门店聚类簇的步骤,包括:
采用多组所述门店数据,计算所述多个待调整门店之间的欧几里得距离;
采用所述欧几里得距离和预设t-SNE算法,确定所述门店聚类簇的数量;
采用K-means算法对所述多个待调整门店进行聚类,将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇。
可选地,所述目标调整门店的级别包括第一级别、第二级别、第三级别、第四级别和第五级别,所述根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别的步骤,包括:
计算所述特征数据的平均值作为所述标准特征数据;
逐一比对每一个所述特征数据和所述标准特征数据,确定所述特征数据与所述标准特征数据的预设倍率区间是否匹配;其中,所述预设倍率区间包括预设倍率依次降低的第一预设倍率区间、第二预设倍率区间、第三预设倍率区间、第四预设倍率区间或第五预设倍率区间;
若所述特征数据与所述标准特征数据的第一预设倍率区间匹配,则确定所述目标调整门店的级别为所述第一级别;
若所述特征数据与所述标准特征数据的第二预设倍率区间匹配,则确定所述目标调整门店级别为所述第二级别;
若所述特征数据与所述标准特征数据的第三预设倍率区间匹配,则确定所述目标调整门店级别为所述第三级别;
若所述特征数据与所述标准特征数据的第四预设倍率区间匹配,则确定所述目标调整门店级别为所述第四级别;
若所述特征数据与所述标准特征数据的第五预设倍率区间匹配,则确定所述目标调整门店级别为所述第五级别。
可选地,所述预设调整操作包括门店不调整操作、门店整改操作和门店关闭操作,所述对所述目标调整门店执行与所述级别对应的预设调整操作的步骤,包括:
若所述目标调整门店的级别为所述第一级别、所述第二级别或所述第三级别,则对所述目标调整门店执行门店不调整操作;
若所述目标调整门店级别为所述第四级别,则对所述目标调整门店执行门店整改操作;
若所述目标调整门店级别为所述第五级别,则对所述目标调整门店执行门店关闭操作。
本发明还提供了一种门店智能管理装置,包括:
数据获取模块,用于分别获取多个待调整门店的内部数据和外部数据;
数据预处理模块,用于分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据;
门店聚类簇生成模块,用于根据多组所述门店数据,生成多个门店聚类簇;
特征数据获取模块,用于获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;
目标调整门店级别确定模块,用于根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;
目标调整门店调整模块,用于对所述目标调整门店执行与所述级别对应的预设调整操作。
可选地,所述数据预处理包括异常值修复、缺失值修复、哑变量转换和数据归一化,所述数据预处理模块包括:
数据异常值确定子模块,用于检测所述每一个待调整门店的内部数据和外部数据,确定是否存在数据异常值;
异常值修复子模块,用于若存在数据异常值,则进行异常值修复,并判断是否存在数据缺失值;
缺失值修复子模块,用于若存在数据缺失值,则进行缺失值修复,并判断是否存在哑变量;
哑变量转换子模块,用于若存在哑变量,则进行哑变量转换,生成中间数据;
数据归一化子模块,用于对所述中间数据进行数据归一化,生成对应的门店数据。
可选地,所述门店聚类簇生成模块包括:
欧几里得距离计算子模块,用于采用多组所述门店数据,计算所述多个待调整门店之间的欧几里得距离;
聚类簇数量确定子模块,用于采用所述欧几里得距离和预设t-SNE算法,确定所述门店聚类簇的数量;
聚类子模块,用于采用K-means算法对所述多个待调整门店进行聚类,将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇。
可选地,所述目标调整门店的级别包括第一级别、第二级别、第三级别、第四级别和第五级别,所述目标调整门店级别确定模块包括:
标准特征数据计算子模块,用于计算所述特征数据的平均值作为所述标准特征数据;
比对子模块,用于逐一比对每一个所述特征数据和所述标准特征数据,确定所述特征数据与所述标准特征数据的预设倍率区间是否匹配;其中,所述预设倍率区间包括预设倍率依次降低的第一预设倍率区间、第二预设倍率区间、第三预设倍率区间、第四预设倍率区间或第五预设倍率区间;
第一级别确定子模块,用于若所述特征数据与所述标准特征数据的第一预设倍率区间匹配,则确定所述目标调整门店的级别为所述第一级别;
第二级别确定子模块,用于若所述特征数据与所述标准特征数据的第二预设倍率区间匹配,则确定所述目标调整门店级别为所述第二级别;
第三级别确定子模块,用于若所述特征数据与所述标准特征数据的第三预设倍率区间匹配,则确定所述目标调整门店级别为所述第三级别;
第四级别确定子模块,用于若所述特征数据与所述标准特征数据的第四预设倍率区间匹配,则确定所述目标调整门店级别为所述第四级别;
第五级别确定子模块,用于若所述特征数据与所述标准特征数据的第五预设倍率区间匹配,则确定所述目标调整门店级别为所述第五级别。
可选地,所述预设调整操作包括门店不调整操作、门店整改操作和门店关闭操作,所述目标调整门店调整模块包括:
门店不调整执行子模块,用于若所述目标调整门店的级别为所述第一级别、所述第二级别或所述第三级别,则对所述目标调整门店执行门店不调整操作;
门店整改执行子模块,用于若所述目标调整门店级别为所述第四级别,则对所述目标调整门店执行门店整改操作;
门店关闭执行子模块,用于若所述目标调整门店级别为所述第五级别,则对所述目标调整门店执行门店关闭操作。
从以上技术方案可以看出,本发明具有以下优点:
通过分别获取多个待调整门店的内部数据和外部数据,对上述每个待调整门店的内部数据和外部数据执行数据预处理后,生成对应的门店数据;根据多组门店数据,对待调整门店进行聚类,生成多个门店聚类簇;再通过获取每个门店聚类簇中对应每一个待调整门店的特征数据,根据特征数据生成每个门店聚类簇的标准特征数据后,逐一比对每个门店聚类簇中的待调整门店的特征数据和对应的标准特征数据,从而确定目标调整门店的级别;在确定目标调整门店的级别后,对目标调整门店执行与所述级别对应的预设调整操作。解决现有技术中的单一指标难以全面直观地反映门店的实际状况,无法提供一种准确有效的量化指标调整门店的技术问题,从而实现根据多个数据指标对门店进行分层评价,更为准确有效地对目标调整门店做出对应的调整。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例的一种门店智能管理方法的步骤流程图;
图2为本发明可选实施例的一种门店智能管理方法的步骤流程图;
图3为本发明实施例的一种门店智能管理方法的t-SNE图;
图4为本发明实施例的一种门店智能管理装置的结构框图。
具体实施方式
本发明实施例提供了一种门店智能管理方法和装置,用于解决现有技术中的单一指标难以全面直观地反映门店的实际状况,无法提供一种准确有效的量化指标调整门店的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种门店智能管理方法的步骤流程图,包括:
步骤101,分别获取多个待调整门店的内部数据和外部数据;
步骤102,分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据;
步骤103,根据多组所述门店数据,生成多个门店聚类簇;
步骤104,获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;
步骤105,根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;
步骤106,对所述目标调整门店执行与所述级别对应的预设调整操作。
在本发明实施例中,通过分别获取多个待调整门店的内部数据和外部数据,对上述每个待调整门店的内部数据和外部数据执行数据预处理后,生成对应的门店数据;根据多组门店数据,对待调整门店进行聚类,生成多个门店聚类簇;再通过获取每个门店聚类簇中对应每一个待调整门店的特征数据,根据特征数据生成每个门店聚类簇的标准特征数据后,逐一比对每个门店聚类簇中的待调整门店的特征数据和对应的标准特征数据,从而确定目标调整门店的级别;在确定目标调整门店的级别后,对目标调整门店执行与所述级别对应的预设调整操作。解决现有技术中的单一指标难以全面直观地反映门店的实际状况,无法提供一种准确有效的量化指标调整门店的技术问题,从而实现根据多个数据指标对门店进行分层评价,更为准确有效地对目标调整门店做出对应的调整。
参见图2,示出了本发明的一种门店智能管理方法的可选实施例的步骤流程图,包括:
步骤201,分别获取多个待调整门店的内部数据和外部数据。
在本发明实施例中,可以通过多种方法分别获取多个待调整门店的内部数据和外部数据,例如内部数据可以查询公司内部数据库进行查看,其中内部数据可以包括但不限于顾客的年龄、性别占比、客流量、客单价、件单价、连带率、会员贡献率、有效会员数、品类结构占比、价位段占比、库存广度宽度深度、库存周转率等;外部数据可以通过网络爬虫从外部网站进行采集,其中外部数据可以为大规模信息点(Point of Information,POI)数据,例如周边公交站、地铁站数量、周边中小学、大专院校数量、周边住宅、写字楼租金、周边竞争对手门店数等。
步骤202,分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据。
可选地,所述数据预处理包括异常值修复、缺失值修复、哑变量转换和数据归一化,步骤202可以包括以下子步骤2021-2025:
子步骤2021,检测所述每一个待调整门店的内部数据和外部数据,确定是否存在数据异常值;
子步骤2022,若存在数据异常值,则进行异常值修复,并判断是否存在数据缺失值;
在本发明实施例中,通过对所获取到的每一个待调整门店的内部数据和外部数据进行检测,从而确定是否存在数据异常值,若存在数据异常值,则进行异常值修复,待异常值修复完成后,判断是否存在数据缺失值。
可选地,若不存在数据异常值,则不需要进行异常值修复,直接进行判断是否存在数据缺失值的操作。
异常值修复指的是一些“率”相关的指标如“转化率”、“会员贡献率”,是小于或等于1的数字,不过由于数据可能存在问题如统计客流量数据出现问题导致转化率等指标的结果大于1,这时需要将大于1的数值设为缺失值,然后在缺失值修复环节继续。
子步骤2023,若存在数据缺失值,则进行缺失值修复,并判断是否存在哑变量;
在本发明实施例中,若判断结果为存在数据缺失值,则进行缺失值修复,进一步判断是否存在哑变量。
可选地,若判断结果为不存在数据缺失值,则不需要进行缺失值修复,直接判断是否存在哑变量。
缺失值修复指的是首先判断指标的含义,有两类缺失值,一类是该指标为一个分类变量有多个取值,其中一些取值是没有取到造成缺失的,例如某些年龄段在某门店的没有出现过导致该年龄段的客流量缺失,可以直接将缺失值处理为0;第二类是由于观测手段的疏漏或错误造成的缺失或异常处理后的缺失,如前述的异常值处理的指标,可以使用该指标的平均值代替。
子步骤2024,若存在哑变量,则进行哑变量转换,生成中间数据;
在本发明实施例中,若判断所述内部数据和外部数据中存在哑变量,则进行哑变量转换,生成中间数据,以便后续进行数据归一化。
可选地,若不存在哑变量,则不进行哑变量转换,直接生成中间数据。
哑变量转换指的是哑变量转换是将分类变量转换为数值型变量使得指标可以参与运算。
例如某指标是门店类型,门店类型的取值有:地铁店、商超店、景区店、其他,将这些取值分别转换为:
当门店类型为地铁店X1=1,否则为0;
当门店类型为商超店X2=1,否则为0;
当门店类型为景区店X3=1,否则为0;
X1=0和X2=0和X3=0代表是其他类型的门店。
子步骤2025,对所述中间数据进行数据归一化,生成对应的门店数据。
在本发明实施例中,在获取到中间数据后,还需要对中间数据进行数据归一化操作,从而生成每一个待调整门店对应的门店数据。
以客流量为例,数据归一化的转换公式可以为:转换后客流量=(客流量-最小值)/(最大值-最小值),可以参见下表1:
客流量 | 转换后客流量 |
1809 | 0.135508 |
5112 | 0.528816 |
6986 | 0.751965 |
2988 | 0.275899 |
671 | 0 |
7738 | 0.84151 |
5418 | 0.565254 |
4879 | 0.501072 |
7778 | 0.846273 |
9069 | 1 |
表1
可选地,为方便数据预处理,可以将待调整门店的内部数据和外部数据整合为数据分析宽表,以提高后续数据预处理的效率。
在本发明实施例中,上述步骤103的“根据多组所述门店数据,生成多个门店聚类簇”可以步骤203-205替代:
步骤203,采用多组所述门店数据,计算所述多个待调整门店之间的欧几里得距离;
在具体实现中,为使待调整门店的评价更为有效准确,可以根据多个待调整门店之间的欧几里得距离进行门店聚类簇的划分。若两个门店的欧几里得距离越大,则说明两个门店的相似度越低,反之相似度越高。
而多组门店数据可以数据宽表的形式进行表示,每一行即是一个待调整门店的所有门店数据,以下进行举例说明如何计算门店与门店之间的欧几里得距离:
门店1的数值特征向量为x1=(x11,x12,…,x1m),门店2的数值特征向量为x2=(x21,x22,…,x2m),则门店1与门店2之间的欧几里得距离为:
步骤204,采用所述欧几里得距离和预设t-SNE算法,确定所述门店聚类簇的数量;
参见图3,在本发明实施例中,可以通过所述欧几里得距离与预设的t-SNE算法,生成t-SNE图,从而根据t-SNE图的颜色种类数量确定门店聚类簇的数量,其中横轴与纵轴分别对应上述x1和x2。
其中,t-SNE(t-distributed stochastic neighbor embedding)算法是用于降维的一种机器学习算法,将欧几里得距离转换为条件概率来表达点与点之间的相似度,以t分布的方式聚合同一簇内的点,疏远不同簇之间的点。
步骤205,采用K-means算法对所述多个待调整门店进行聚类,将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇。
K-means算法指的是k均值聚类算法(k-means clustering algorithm),是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
在本发明实施例中,在通过t-SNE图确定门店聚类簇的数量后,将所述门店聚类簇的数量作为K-means算法所需要的K值,再采用K-means算法将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇。
步骤206,获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;
在本发明的可选实施例中,在对待调整门店进行门店聚类簇的聚类后,从每一个门店聚类簇中获取其中的每一个待调整门店的特征数据。
可选地,所述特征数据可以为待调整门店的业绩数据,本发明实施例对此不作限制。
在具体实现中,所述特征数据可以从公司的内部数据库中获取。
步骤207,根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;
可选地,所述目标调整门店的级别包括第一级别、第二级别、第三级别、第四级别和第五级别,所述步骤207可以包括以下子步骤2071-2077:
子步骤2071,计算所述特征数据的平均值作为所述标准特征数据;
子步骤2072,逐一比对每一个所述特征数据和所述标准特征数据,确定所述特征数据与所述标准特征数据的预设倍率区间是否匹配;
在本发明实施例中,需要对同一门店聚类簇下的各个门店进行分层评价,可以通过计算同一门店聚类簇下的各个门店的特征数据平均值,作为标准特征数据;通过逐一比对各个门店的特征数据与标准特征数据,确定特征数据是否与标准特征数据的预设倍率区间匹配,根据匹配结果确定目标调整门店的级别。
其中,所述预设倍率区间可以包括预设倍率依次降低的第一预设倍率区间、第二预设倍率区间、第三预设倍率区间、第四预设倍率区间或第五预设倍率区间。
子步骤2073,若所述特征数据与所述标准特征数据的第一预设倍率区间匹配,则确定所述目标调整门店的级别为所述第一级别;
子步骤2074,若所述特征数据与所述标准特征数据的第二预设倍率区间匹配,则确定所述目标调整门店级别为所述第二级别;
子步骤2075,若所述特征数据与所述标准特征数据的第三预设倍率区间匹配,则确定所述目标调整门店级别为所述第三级别;
子步骤2076,若所述特征数据与所述标准特征数据的第四预设倍率区间匹配,则确定所述目标调整门店级别为所述第四级别;
子步骤2077,若所述特征数据与所述标准特征数据的第五预设倍率区间匹配,则确定所述目标调整门店级别为所述第五级别。
在具体实现中,以门店1的业绩为例,在计算各个门店业绩的平均值Q后,将Q作为标准门店业绩,若门店1的业绩A位于Q的2倍以上区间,则确定门店1的级别为第一级别;若门店1的业绩A位于Q的1.2至2倍(不包括2倍)区间,则确定门店1的级别为第二级别;若门店1的业绩A位于Q的0.8至1.2倍(不包括1.2倍)区间,则确定门店1的级别为第三级别;若门店1的业绩A位于Q的0.5-0.8倍(不包括0.8倍)区间,则确定门店1的级别为第四级别;若门店1的业绩A位于Q的0.5倍以下区间(不包括0.5倍),则确定门店1的级别为第五级别。
步骤208,对所述目标调整门店执行与所述级别对应的预设调整操作。
在本发明实施例中,在确定目标调整门店的级别后,可以根据所述级别对应的预设调整操作,对目标调整门店进行调整。
进一步地,所述预设调整操作包括门店不调整操作、门店整改操作和门店关闭操作,所述步骤208可以包括以下子步骤2081-2083:
子步骤2081,若所述目标调整门店的级别为所述第一级别、所述第二级别或所述第三级别,则对所述目标调整门店执行门店不调整操作;
子步骤2082,若所述目标调整门店级别为所述第四级别,则对所述目标调整门店执行门店整改操作;
子步骤2083,若所述目标调整门店级别为所述第五级别,则对所述目标调整门店执行门店关闭操作。
在本发明的可选实施例中,若目标调整门店的级别为第一级别、第二级别或第三级别,则对所述目标调整门店执行门店不调整操作,也就是说不对所述目标调整门店执行操作。
在具体实现中,若目标调整门店的级别对比上次评级时有所降低,例如所述目标调整门店的级别从第一级别下降到第二级别,则发出级别预警指示,告知用户需要对该目标调整门店进行级别下降询问,确定级别下降的原因。
可选地,若目标调整门店的级别为第四级别,则说明目标调整门店需要进行整改,则执行门店整改操作,例如对门店增加促销活动等。
可选地,若目标调整门店的级别为第五级别,则说明目标调整门店的盈利较低,为及时止损,对目标调整门店执行门店关闭操作。
在本发明实施例中,通过分别获取多个待调整门店的内部数据和外部数据,对所述内部数据和外部数据进行异常值修复、缺失值修复、哑变量转换和数据归一化,生成对应的门店数据后,采用多组所述门店数据计算多个待调整门店之间的欧几里得距离,并采用欧几里得距离和预设t-SNE算法确定门店聚类簇的数量,采用K-means算法将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇;再从对应门店聚类簇中获取每一个待调整门店的特征数据并依据特征数据计算标准特征数据后进行逐一比对,以确定特征数据对应的目标调整门店的级别,对所述目标调整门店执行与级别对应的预设操作。从而解决现有技术中的单一指标难以全面直观地反映门店的实际状况,无法提供一种准确有效的量化指标调整门店的技术问题,实现根据多个数据指标对门店进行分层评价,更为准确有效地对目标调整门店做出对应的调整。
参见图4,示出了本发明实施例的一种门店智能管理装置的结构框图,包括:
数据获取模块401,用于分别获取多个待调整门店的内部数据和外部数据;
数据预处理模块402,用于分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据;
门店聚类簇生成模块403,用于根据多组所述门店数据,生成多个门店聚类簇;
特征数据获取模块404,用于获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;
目标调整门店级别确定模块405,用于根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;
目标调整门店调整模块406,用于对所述目标调整门店执行与所述级别对应的预设调整操作。
可选地,所述数据预处理包括异常值修复、缺失值修复、哑变量转换和数据归一化,所述数据预处理模块402包括:
数据异常值确定子模块,用于检测所述每一个待调整门店的内部数据和外部数据,确定是否存在数据异常值;
异常值修复子模块,用于若存在数据异常值,则进行异常值修复,并判断是否存在数据缺失值;
缺失值修复子模块,用于若存在数据缺失值,则进行缺失值修复,并判断是否存在哑变量;
哑变量转换子模块,用于若存在哑变量,则进行哑变量转换,生成中间数据;
数据归一化子模块,用于对所述中间数据进行数据归一化,生成对应的门店数据。
可选地,所述门店聚类簇生成模块403包括:
欧几里得距离计算子模块,用于采用多组所述门店数据,计算所述多个待调整门店之间的欧几里得距离;
聚类簇数量确定子模块,用于采用所述欧几里得距离和预设t-SNE算法,确定所述门店聚类簇的数量;
聚类子模块,用于采用K-means算法对所述多个待调整门店进行聚类,将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇。
可选地,所述目标调整门店的级别包括第一级别、第二级别、第三级别、第四级别和第五级别,所述目标调整门店级别确定模块405包括:
标准特征数据计算子模块,用于计算所述特征数据的平均值作为所述标准特征数据;
比对子模块,用于逐一比对每一个所述特征数据和所述标准特征数据,确定所述特征数据与所述标准特征数据的预设倍率区间是否匹配;其中,所述预设倍率区间包括预设倍率依次降低的第一预设倍率区间、第二预设倍率区间、第三预设倍率区间、第四预设倍率区间或第五预设倍率区间;
第一级别确定子模块,用于若所述特征数据与所述标准特征数据的第一预设倍率区间匹配,则确定所述目标调整门店的级别为所述第一级别;
第二级别确定子模块,用于若所述特征数据与所述标准特征数据的第二预设倍率区间匹配,则确定所述目标调整门店级别为所述第二级别;
第三级别确定子模块,用于若所述特征数据与所述标准特征数据的第三预设倍率区间匹配,则确定所述目标调整门店级别为所述第三级别;
第四级别确定子模块,用于若所述特征数据与所述标准特征数据的第四预设倍率区间匹配,则确定所述目标调整门店级别为所述第四级别;
第五级别确定子模块,用于若所述特征数据与所述标准特征数据的第五预设倍率区间匹配,则确定所述目标调整门店级别为所述第五级别。
可选地,所述预设调整操作包括门店不调整操作、门店整改操作和门店关闭操作,所述目标调整门店调整模块406包括:
门店不调整执行子模块,用于若所述目标调整门店的级别为所述第一级别、所述第二级别或所述第三级别,则对所述目标调整门店执行门店不调整操作;
门店整改执行子模块,用于若所述目标调整门店级别为所述第四级别,则对所述目标调整门店执行门店整改操作;
门店关闭执行子模块,用于若所述目标调整门店级别为所述第五级别,则对所述目标调整门店执行门店关闭操作。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种门店智能管理方法,其特征在于,包括:
分别获取多个待调整门店的内部数据和外部数据;
分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据;
根据多组所述门店数据,生成多个门店聚类簇;
获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;
根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;
对所述目标调整门店执行与所述级别对应的预设调整操作。
2.根据权利要求1所述的方法,其特征在于,所述数据预处理包括异常值修复、缺失值修复、哑变量转换和数据归一化,所述分别对每一个待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据的步骤,包括:
检测所述每一个待调整门店的内部数据和外部数据,确定是否存在数据异常值;
若存在数据异常值,则进行异常值修复,并判断是否存在数据缺失值;
若存在数据缺失值,则进行缺失值修复,并判断是否存在哑变量;
若存在哑变量,则进行哑变量转换,生成中间数据;
对所述中间数据进行数据归一化,生成对应的门店数据。
3.根据权利要求1所述的方法,其特征在于,所述根据多组所述门店数据,生成多个门店聚类簇的步骤,包括:
采用多组所述门店数据,计算所述多个待调整门店之间的欧几里得距离;
采用所述欧几里得距离和预设t-SNE算法,确定所述门店聚类簇的数量;
采用K-means算法对所述多个待调整门店进行聚类,将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇。
4.根据权利要求1所述的方法,其特征在于,所述目标调整门店的级别包括第一级别、第二级别、第三级别、第四级别和第五级别,所述根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别的步骤,包括:
计算所述特征数据的平均值作为所述标准特征数据;
逐一比对每一个所述特征数据和所述标准特征数据,确定所述特征数据与所述标准特征数据的预设倍率区间是否匹配;其中,所述预设倍率区间包括预设倍率依次降低的第一预设倍率区间、第二预设倍率区间、第三预设倍率区间、第四预设倍率区间或第五预设倍率区间;
若所述特征数据与所述标准特征数据的第一预设倍率区间匹配,则确定所述目标调整门店的级别为所述第一级别;
若所述特征数据与所述标准特征数据的第二预设倍率区间匹配,则确定所述目标调整门店级别为所述第二级别;
若所述特征数据与所述标准特征数据的第三预设倍率区间匹配,则确定所述目标调整门店级别为所述第三级别;
若所述特征数据与所述标准特征数据的第四预设倍率区间匹配,则确定所述目标调整门店级别为所述第四级别;
若所述特征数据与所述标准特征数据的第五预设倍率区间匹配,则确定所述目标调整门店级别为所述第五级别。
5.根据权利要求4所述的方法,其特征在于,所述预设调整操作包括门店不调整操作、门店整改操作和门店关闭操作,所述对所述目标调整门店执行与所述级别对应的预设调整操作的步骤,包括:
若所述目标调整门店的级别为所述第一级别、所述第二级别或所述第三级别,则对所述目标调整门店执行门店不调整操作;
若所述目标调整门店级别为所述第四级别,则对所述目标调整门店执行门店整改操作;
若所述目标调整门店级别为所述第五级别,则对所述目标调整门店执行门店关闭操作。
6.一种门店智能管理装置,其特征在于,包括:
数据获取模块,用于分别获取多个待调整门店的内部数据和外部数据;
数据预处理模块,用于分别对每一个所述待调整门店的内部数据和外部数据执行数据预处理,生成对应的门店数据;
门店聚类簇生成模块,用于根据多组所述门店数据,生成多个门店聚类簇;
特征数据获取模块,用于获取每一个所述门店聚类簇中对应的每一个待调整门店的特征数据;
目标调整门店级别确定模块,用于根据所述特征数据生成标准特征数据,逐一比对所述特征数据和所述标准特征数据,确定目标调整门店的级别;
目标调整门店调整模块,用于对所述目标调整门店执行与所述级别对应的预设调整操作。
7.根据权利要求6所述的装置,其特征在于,所述数据预处理包括异常值修复、缺失值修复、哑变量转换和数据归一化,所述数据预处理模块包括:
数据异常值确定子模块,用于检测所述每一个待调整门店的内部数据和外部数据,确定是否存在数据异常值;
异常值修复子模块,用于若存在数据异常值,则进行异常值修复,并判断是否存在数据缺失值;
缺失值修复子模块,用于若存在数据缺失值,则进行缺失值修复,并判断是否存在哑变量;
哑变量转换子模块,用于若存在哑变量,则进行哑变量转换,生成中间数据;
数据归一化子模块,用于对所述中间数据进行数据归一化,生成对应的门店数据。
8.根据权利要求6所述的装置,其特征在于,所述门店聚类簇生成模块包括:
欧几里得距离计算子模块,用于采用多组所述门店数据,计算所述多个待调整门店之间的欧几里得距离;
聚类簇数量确定子模块,用于采用所述欧几里得距离和预设t-SNE算法,确定所述门店聚类簇的数量;
聚类子模块,用于采用K-means算法对所述多个待调整门店进行聚类,将所述多个待调整门店聚类为与所述门店聚类簇的数量相等的多个门店聚类簇。
9.根据权利要求6所述的装置,其特征在于,所述目标调整门店的级别包括第一级别、第二级别、第三级别、第四级别和第五级别,所述目标调整门店级别确定模块包括:
标准特征数据计算子模块,用于计算所述特征数据的平均值作为所述标准特征数据;
比对子模块,用于逐一比对每一个所述特征数据和所述标准特征数据,确定所述特征数据与所述标准特征数据的预设倍率区间是否匹配;其中,所述预设倍率区间包括预设倍率依次降低的第一预设倍率区间、第二预设倍率区间、第三预设倍率区间、第四预设倍率区间或第五预设倍率区间;
第一级别确定子模块,用于若所述特征数据与所述标准特征数据的第一预设倍率区间匹配,则确定所述目标调整门店的级别为所述第一级别;
第二级别确定子模块,用于若所述特征数据与所述标准特征数据的第二预设倍率区间匹配,则确定所述目标调整门店级别为所述第二级别;
第三级别确定子模块,用于若所述特征数据与所述标准特征数据的第三预设倍率区间匹配,则确定所述目标调整门店级别为所述第三级别;
第四级别确定子模块,用于若所述特征数据与所述标准特征数据的第四预设倍率区间匹配,则确定所述目标调整门店级别为所述第四级别;
第五级别确定子模块,用于若所述特征数据与所述标准特征数据的第五预设倍率区间匹配,则确定所述目标调整门店级别为所述第五级别。
10.根据权利要求9所述的装置,其特征在于,所述预设调整操作包括门店不调整操作、门店整改操作和门店关闭操作,所述目标调整门店调整模块包括:
门店不调整执行子模块,用于若所述目标调整门店的级别为所述第一级别、所述第二级别或所述第三级别,则对所述目标调整门店执行门店不调整操作;
门店整改执行子模块,用于若所述目标调整门店级别为所述第四级别,则对所述目标调整门店执行门店整改操作;
门店关闭执行子模块,用于若所述目标调整门店级别为所述第五级别,则对所述目标调整门店执行门店关闭操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669051.9A CN111798152A (zh) | 2020-07-13 | 2020-07-13 | 一种门店智能管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669051.9A CN111798152A (zh) | 2020-07-13 | 2020-07-13 | 一种门店智能管理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798152A true CN111798152A (zh) | 2020-10-20 |
Family
ID=72808426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010669051.9A Pending CN111798152A (zh) | 2020-07-13 | 2020-07-13 | 一种门店智能管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798152A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022201A (zh) * | 2021-11-01 | 2022-02-08 | 广州玺明机械科技有限公司 | 一种基于云端的奶茶销售数据统计装置 |
CN115310840A (zh) * | 2022-08-16 | 2022-11-08 | 上海复通软件技术有限公司 | 一种基于互联网的汽修门店的评级方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701864A (zh) * | 2013-12-09 | 2014-04-02 | 徐正 | 一种店面数据实时分析系统、方法、装置和服务器 |
CN107330735A (zh) * | 2017-07-04 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 用于确定关联门店的方法和装置 |
US20190130426A1 (en) * | 2013-02-18 | 2019-05-02 | PlaceIQ, Inc. | Measuring retail visitation amounts based on locations sensed by mobile devices |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
CN110533342A (zh) * | 2019-09-04 | 2019-12-03 | 上海丙晟科技有限公司 | 一种基于大数据的商场门店评价方法 |
CN111028016A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 销量数据预测方法、装置以及相关设备 |
-
2020
- 2020-07-13 CN CN202010669051.9A patent/CN111798152A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190130426A1 (en) * | 2013-02-18 | 2019-05-02 | PlaceIQ, Inc. | Measuring retail visitation amounts based on locations sensed by mobile devices |
CN103701864A (zh) * | 2013-12-09 | 2014-04-02 | 徐正 | 一种店面数据实时分析系统、方法、装置和服务器 |
CN107330735A (zh) * | 2017-07-04 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 用于确定关联门店的方法和装置 |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
CN110533342A (zh) * | 2019-09-04 | 2019-12-03 | 上海丙晟科技有限公司 | 一种基于大数据的商场门店评价方法 |
CN111028016A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 销量数据预测方法、装置以及相关设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022201A (zh) * | 2021-11-01 | 2022-02-08 | 广州玺明机械科技有限公司 | 一种基于云端的奶茶销售数据统计装置 |
CN115310840A (zh) * | 2022-08-16 | 2022-11-08 | 上海复通软件技术有限公司 | 一种基于互联网的汽修门店的评级方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN109063945B (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
CN108665120B (zh) | 打分模型的建立、用户信用的评估方法及装置 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN111798152A (zh) | 一种门店智能管理方法和装置 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN111709779A (zh) | 一种用于电力现货市场的交易品种优化系统 | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
WO2024093468A1 (zh) | 风偏闪络风险评价方法、系统、设备、可读存储介质 | |
CN116258280B (zh) | 一种基于时间序列聚类的短期负荷预测方法 | |
CN112508260A (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
Hadi-Vencheh et al. | Robust ABC inventory classification using hybrid TOPSIS-alternative factor extraction approaches | |
CN114971987A (zh) | 一种城市降雨典型年比选方法、系统及可读存储介质 | |
CN113743994A (zh) | 一种供应商的旺季预测方法、系统、设备及存储介质 | |
CN113469536A (zh) | 一种供电服务客户投诉风险等级识别方法 | |
CN114970928A (zh) | 一种电力数据能耗分析预测方法 | |
CN110598978A (zh) | 一种基于股票金融时间序列的技术指标处理方法 | |
Kumar et al. | A deep clustering framework for load pattern segmentation | |
CN116342300B (zh) | 一种保险理赔人员特征分析方法、装置和设备 | |
CN114781685B (zh) | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 | |
Bagheri et al. | Performance analysis in production systems with uncertain data: a stochastic data envelopment analysis approach | |
JP7162774B1 (ja) | 需要予測装置及び需要予測方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201124 Address after: Room 011, first floor, no.2429, Xingang East Road, Haizhu District, Guangzhou City, Guangdong Province (office only) Applicant after: CHUANGYOU digital technology (Guangdong) Co.,Ltd. Address before: Room 205, 2f office, No.156, nanshanzui Road, Hengqin, Zhuhai City, Guangdong Province Applicant before: MINISO (HENGQIN) ENTERPRISE MANAGEMENT Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |