CN111861073B - 运营策略预测方法、装置、电子设备及可读存储介质 - Google Patents

运营策略预测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111861073B
CN111861073B CN201910367671.4A CN201910367671A CN111861073B CN 111861073 B CN111861073 B CN 111861073B CN 201910367671 A CN201910367671 A CN 201910367671A CN 111861073 B CN111861073 B CN 111861073B
Authority
CN
China
Prior art keywords
merchant
area
data
predicted
rule
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
Application number
CN201910367671.4A
Other languages
English (en)
Other versions
CN111861073A (zh
Inventor
叶舟
王新禄
彭南方
唐明
位静
吕伟
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910367671.4A priority Critical patent/CN111861073B/zh
Publication of CN111861073A publication Critical patent/CN111861073A/zh
Application granted granted Critical
Publication of CN111861073B publication Critical patent/CN111861073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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

Landscapes

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

Abstract

本申请实施例提供一种运营策略预测方法、装置、电子设备及可读存储介质，该方法包括：获取待预测区域的特征数据，所述特征数据包括所述待预测区域内的至少一个商家的运营数据；将所述特征数据输入到预先训练好的神经网络模型中，利用所述神经网络模型预测所述待预测区域的运营策略，所述运营策略用于指示所述至少一个商家的运营。由此，无需人为参与运营策略的制定，可减少人工运营成本，且可基于商家的实际运营情况来预测对应的运营策略，更有针对性，从而可以达到较好的运营效果。

Description

运营策略预测方法、装置、电子设备及可读存储介质
技术领域
本申请涉及运营管理技术领域，具体而言，涉及一种运营策略预测方法、装置、电子设备及可读存储介质。
背景技术
随着移动互联网的发展，各种商家可以入驻第三方管理平台，通过第三方管理平台提供的服务来实现运营，第三方管理平台为了对入驻的商家实现更好的运营，以吸引更多的用户，一般会制定相应的运营策略来实现对入驻的商家的运营，比如利用客户端推送、广告、优惠券等。
但是这些运营策略通常是由第三方管理平台的运营人员人为制定的，更多的是依赖运营人员的主观因素来制定对应的运营策略，这种情况下，一方面运营成本较高，另一方面可能也无法达到较好的运营效果。
发明内容
有鉴于此，本申请实施例的目的在于提供一种运营策略预测方法、装置、电子设备及可读存储介质，以改善现有技术中运营成本高且无法达到较好的运营效果的问题。
第一方面，本申请实施例提供了一种运营策略预测方法，所述方法包括：获取待预测区域的特征数据，所述特征数据包括所述待预测区域内的至少一个商家的运营数据；将所述特征数据输入到预先训练好的神经网络模型中，利用所述神经网络模型预测所述待预测区域的运营策略，所述运营策略用于指示所述至少一个商家的运营。
在上述实现过程中，通过获取待预测区域内的至少一个商家的运营数据，然后将这些运营数据输入至预先训练的神经网络模型中，利用神经网络模型来预测待预测区域对应的运营策略，由此，无需人为参与运营策略的制定，可减少人工运营成本，且可基于商家的实际运营情况来预测对应的运营策略，更有针对性，从而可以达到较好的运营效果。
可选地，所述获取待预测区域的特征数据，包括：将所述待预测区域划分为多个规则区域；基于每个规则区域的位置信息获取每个规则区域内的商家的运营数据。
在上述实现过程中，无需获得所有商家的位置数据后再筛选出待预测区域内的商家，而是可以直接基于每个规则区域的位置信息获得每个规则区域内的商家的运营数据，减少了后台数据计算量，更加快速和便捷。
可选地，所述基于每个规则区域的位置信息获取每个规则区域内的商家的运营数据，包括：基于每个规则区域的位置信息获取每个规则区域对应的区域编码；根据每个规则区域的区域编码获取所述区域编码所代表区域内的商家的运营数据。
在上述实现过程中，可通过每个规则区域对应的区域编码来获得对应规则区域内的商家的运营数据，无需获得全部的商家后再进行筛选，从而减少了数据处理量，提高了数据获取效率。
可选地，所述根据每个规则区域的区域编码获取所述区域编码所代表区域内的商家的运营数据，包括：获取每个规则区域内的商家的经纬度信息；将所述商家的经纬度信息转换为所述商家对应的商家编码；将所述商家编码与所述区域编码进行匹配，若匹配一致，则获取所述商家的运营数据。
在上述实现过程中，通过将商家编码与区域编码进行匹配，匹配一致则表示该商家处于对应的规则区域内，从而可快速确定每个规则区域内的商家，进而获取每个规则区域内的商家的运营数据。
可选地，所述特征数据还包括所述待预测区域内的用户的行为数据，将所述商家编码与所述区域编码进行匹配，若匹配一致，则获取所述商家的运营数据之后，还包括：获取每个规则区域内的用户的经纬度信息；将所述用户的经纬度信息转换为所述用户对应的用户编码；将所述用户编码与所述区域编码进行匹配，若匹配一致，则获取所述用户的行为数据。
在上述实现过程中，可以获取用户的行为数据，以根据用户的行为数据以及商家的运营数据来预测对应的运营策略，从而可以基于更多的数据以更准确地预测出运营策略。
可选地，所述用户的行为数据包括所述用户的浏览数据、购买数据和/或点击数据。
可选地，所述获取待预测区域的特征数据之前，所述方法还包括：获取训练样本，所述训练样本包括多个目标区域中每个目标区域的特征数据以及多种预设运营策略，所述特征数据包括每个目标区域内的至少一个商家的运营数据；利用所述训练样本对所述神经网络模型进行训练，在满足训练完成要求时获得训练好的神经网络模型。
在上述实现过程中，通过对神经网络模型进行预先训练，从而可以直接采用训练好的神经网络模型对运营策略进行预测，以获得较为准确的预测结果。
可选地，所述至少一个商家的运营数据包括所述至少一个商家的历史订单数量、历史订单金额和/或与当前用户之间的距离。
第二方面，本申请实施例提供了一种运营策略预测装置，所述装置包括：
数据获取模块，用于获取待预测区域的特征数据，所述特征数据包括所述待预测区域内的至少一个商家的运营数据；
预测模块，用于将所述特征数据输入到预先训练好的神经网络模型中，利用所述神经网络模型预测所述待预测区域的运营策略，所述运营策略用于指示所述至少一个商家的运营。
可选地，所述数据获取模块，具体用于将所述待预测区域划分为多个规则区域；基于每个规则区域的位置信息获取每个规则区域内的商家的运营数据。
可选地，所述数据获取模块，还用于：
基于每个规则区域的位置信息获取每个规则区域对应的区域编码；
根据每个规则区域的区域编码获取所述区域编码所代表区域内的商家的运营数据。
可选地，所述数据获取模块，还用于：
获取每个规则区域内的商家的经纬度信息；
将所述商家的经纬度信息转换为所述商家对应的商家编码；
将所述商家编码与所述区域编码进行匹配，若匹配一致，则获取所述商家的运营数据。
可选地，所述特征数据还包括所述待预测区域内的用户的行为数据，所述数据获取模块，还用于：
获取每个规则区域内的用户的经纬度信息；
将所述用户的经纬度信息转换为所述用户对应的用户编码；
将所述用户编码与所述区域编码进行匹配，若匹配一致，则获取所述用户的行为数据。
可选地，所述用户的行为数据包括所述用户的浏览数据、购买数据和/或点击数据。
可选地，所述装置还包括：
训练模块，用于获取训练样本，所述训练样本包括多个目标区域中每个目标区域的特征数据以及多种预设运营策略，所述特征数据包括每个目标区域内的至少一个商家的运营数据；利用所述训练样本对所述神经网络模型进行训练，在满足训练完成要求时获得训练好的神经网络模型。
可选地，所述至少一个商家的运营数据包括所述至少一个商家的历史订单数量、历史订单金额和/或与当前用户之间的距离。
第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图；
图2为本申请实施例提供的一种运营策略预测方法的流程图；
图3为本申请实施例提供的一种运营策略预测装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1为本申请实施例提供的一种电子设备的结构示意图，所述电子设备可以包括：至少一个处理器110，例如CPU，至少一个通信接口120，至少一个存储器130和至少一个通信总线140。其中，通信总线140用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器110执行时，电子设备执行下述图2所示方法过程。
请参照图2，图2为本申请实施例提供的一种运营策略预测方法的流程图，所述方法包括如下步骤：
步骤S110：获取待预测区域的特征数据。
为了对待预测区域的运营策略进行预测，以使第三方管理平台对待预测区域内的商家按照运营策略进行运营，还需先获取待预测区域的特征数据。待预测区域可以是指定的区域，比如某个城市，或者某个城市的某个市区等这些预定义的区域，当然，其也可以通过自定义区域，如在地图上随意划分的不规则区域，如不规则多边形。
其中，特征数据可以是指待预测区域内的所有实体的特征数据，该实体可以是地球表面可以移动的或者相对静止的物体，例如车、船、人、建筑物、植物等，在本实施例中，该实体主要指用户和商家。
特征数据可以包括实体的名称、轨迹信息、行为信息等。在本实施例中，特征数据包括待预测区域内的至少一个商家的运营数据，商家的运营数据可以指商家的一些历史订单数量、历史订单金额和/或与当前用户之间的距离等。
其中，历史订单数量可以是商家在历史某个时间段内的订单数据，历史订单金额可以是商家在历史某个时间段内的订单总额，与当前用户之间的距离可以理解为是待预测区域内的某个商家与待预测区域内的每个用户之间的距离，这些距离可表征这个商家周围的用户数量有多少，以在进行运营策略时可以依据这些特征数据来预测。
需要说明的是，对于不同的业务场景来说，其需要的运营数据也不同，如对于外卖场景，其运营数据可以包括历史外卖订单数量、历史外卖订单金额、历史用户点击数据等等，如对于车服场景，其运营数据可以包括车辆停留时间、历史订单数量、某个时间段内在某个距离范围内的车辆数量等等。
在确定待预测区域后，可直接获得待预测区域内的各个商家的运营数据，即获取待预测区域内的各个商家的位置信息，然后判断这些商家的位置信息是否处于待预测区域内，若是，则获取这些商家的运营数据。
在确定待预测区域后，可以确定处于该待测区域内的所有商家，即获取的这些商家的位置均处于这个待预测区域范围内。
步骤S120：将所述特征数据输入到预先训练好的神经网络模型中，利用所述神经网络模型预测所述待预测区域的运营策略。
其中，神经网络模型可以为任意的神经网络模型，例如XGboost、Neural Net、线性回归分类模型或softmax分类模型等。这些神经网络模型为预先经过训练后的模型，所以在实际应用时，可以直接将获取的特征数据以及预先存储的多种预设运营策略输入至神经网络模型中，神经网络模型在进行预测时，可以将特征数据与对应的运营策略进行匹配，由此可输出待预测区域对应的运营策略。
运营策略用于指示该待预测区域内的至少一个商家的运营，即第三方管理平台可根据运营策略对待预测区域内的商家进行运营。预设运营策略可以是自定义后进行存储，多种预设运营策略可以包括扶持商家导流、竞争商家分流、低毛利商家调利、商家订单异常排查、联合促销活动等，对于不同的业务场景可设置多种不同的预设运营策略。
所以，神经网络模型在进行预测时，可以通过将特征数据与多种运营策略进行匹配，从而输出最为匹配的运营策略，由此，可自动输出对应的运营策略，而无需人为制定，减少了人工运营成本，从而达到第三方管理平台可基于运营策略对待预测区域内的商家进行运营的目的。
在上述实现过程中，通过获取待预测区域内的至少一个商家的运营数据，然后将这些运营数据输入至预先训练的神经网络模型中，利用神经网络模型来预测待预测区域对应的运营策略，由此，无需人为参与运营策略的制定，可减少人工运营成本，且可基于商家的实际运营情况来预测对应的运营策略，更有针对性，从而可以达到较好的运营效果。
作为一种示例，由于待预测区域一般为不规则多边形，为了确定待预测区域内的商家，所以，在获取待预测区域的特征数据时，可以先将待预测区域划分为多个规则区域，然后再基于每个规则区域的位置信息获取每个规则区域内的商家的运营数据。
可选地，规则区域可以为矩形、正四边形、正三角形等。可以通过GeoHash算法或Google S2算法将待预测区域划分为多个规则区域，下面先对两个算法进行简单介绍。
GeoHash是一种地理编码，是一种分级的数据结构，用于把空间划分为网格，即可以将一个经纬度信息转换成一个可以排序，可以比较的字符串编码。GeoHash用一个字符串标识经度和纬度两个坐标，GeoHash表示的并不是一个点，而是一个矩形区域，比如编码wx4g0ec19，其表示的是一个矩形区域。另外，编码的前缀可以表示更大的区域，例如wx4g0ec1，它的前缀wx4g0e表示包含编码wx4g0ec1在内的更大范围，这个特性可以用于附近地点搜索，如首先根据用户当前坐标计算GeoHash编码(例如wx4g0ec1)，然后取其前缀进行查询，即可查询附近的所有地点。
下面以一个商家的经纬度为[113.449657，22.534613]为例，详细介绍GeoHash算法。
首先将经纬度转换为GeoHash编码，地球纬度区间是[-90,90]，商家的纬度是22.534613，可以通过下面算法对纬度22.534613进行逼近编码：
1)将区间[-90,90]二分为[-90，0)，[0，90]，称为左右区间，可以确定22.534613属于右区间[0，90]，给标记为1；
2)接着将区间[0,90]进而二分为[0,45)，[45,90]，可以确定22.534613属于左区间，给标记为0；
3)递归上述过程22.534613总是属于某个区间[a,b]，随着每次迭代区间[a,b]总在缩小，并越来越逼近22.534613；
4)如果给定的纬度22.534613属于左区间，则标记为0，属于右区间，则标记为1，这样随着算法的进行会产生一个序列bit为10100000000011001001，序列的长度跟给定的区间划分次数有关。
5)地球精度区间为[-180,180]，同理，按照上述方式对商家的经度进行编码，对经度进行计算后生成的编码bit为11010000101011001110；
6)然后将上述两串编码进行组码，组码时奇数位依次方经度编码，偶数位依次方法纬度编码，然后把两串编码组合生成新的编码串：1110011000000000100010001111000011101001；
7)最后将上述新的编码串转换成十进制字符，对应生成28,24,0,8,17,28,7,9，再结合十进制-BASE32编码对照表，十进制字符对应生成的BASE32编码就是WS08JW79。
所以，上述商家的经纬度经GeoHash算法计算后生成的GeoHash编码为：WS08JW79。
另外，Google S2算法也是用于将地图划分成正方形网格，网格的大小可根据实际业务情况进行设置，Google S2算法的具体实现过程在这不做过多介绍，其可以参考现有技术中的实现过程。
所以，将待预测区域划分为多个规则区域后，获取每个规则区域的位置信息，即获取每个规则区域的经纬度度信息，然后在基于每个规则区域的位置信息获得每个规则区域内的商家的运营数据，无需获得所有商家的位置数据后再筛选出待预测区域内的商家，减少了后台数据计算量，更加快速和便捷。
在按照上述方法将待预测区域划分为多个规则区域后，每个规则区域均有对应的GeoHash编码，即区域编码，规则区域内所有的点(即经纬度坐标)都共享这个区域编码。
作为一种示例，为了获取每个规则区域内的商家的运营数据，可以先获得每个规则区域对应的区域编码，然后根据每个规则区域的区域编码获取所述区域编码所代表区域内的商家的运营数据。所以无需获得全部的商家后再进行筛选，从而减少了数据处理量，提高了数据获取效率。
可以理解的，区域编码即为GeoHash编码，对于每个规则区域，该规则区域内的所有经纬度坐标对应的GeoHash编码均与该规则区域的区域编码一致，由此，可获取每个规则区域内的商家的经纬度信息，然后将商家的经纬度信息转换为所述商家对应的商家编码，再将商家编码与区域编码进行匹配，若匹配一致，则获取该商家的运营数据。
商家编码也为GeoHash编码，例如，对于规则区域1，其对应的区域编码若为wx4g0ec1，则该规则区域1内所有的经纬度信息对应的GeoHash编码也应该为wx4g0ec1，所以，获取该规则区域1内所有商家的经纬度信息，然后将经纬度信息根据GeoHash算法转换为商家编码，若商家编码与区域编码一致时，表示这些商家为这个规则区域1内的商家，然后获取这些商家的运营数据，由此多个规则区域的商家的运营数据即为待预测区域内的商家的运营数据。
在上述实现过程中，通过将商家编码与区域编码进行匹配，匹配一致则表示该商家处于对应的规则区域内，从而可快速确定每个规则区域内的商家，进而获取每个规则区域内的商家的运营数据。
作为一种示例，为了更准确的预测待预测区域对应的运营策略，上述的特征数据还可以包括待预测区域内的用户的行为数据，即可以获取每个规则区域内的用户的位置数据，即经纬度信息，然后将用户的经纬度信息转换为用户对应的用户编码，再将用户编码与区域编码进行匹配，若匹配一致，则获取用户的行为数据。
具体地，用户的行为数据包括用户的点击、浏览、购买和/或收藏等线上行为数据。用户的行为数据可以通过用户在第三方管理平台的浏览记录获得，如统计某个用户在某个时间段内浏览的商家的信息，或者用户在某个时间段内购买的商品的信息、或者用户收藏的商品或商家的信息等。
用户的行为数据还可以包括用户的位置轨迹数据，即对于一个用户，可以获取给用户的历史位置移动轨迹，采用轨迹停留的方法获得该用户常去的商家，这些数据要可用于进行运营策略预测。
其中可以通过定位用户的用户终端的位置来获取用户的经纬度信息，采用的定位方法可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS)，罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(WirelessFidelity,WiFi)定位技术等，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
在上述实现过程中，可以获取用户的行为数据，以根据用户的行为数据以及商家的运营数据来预测对应的运营策略，从而可以基于更多的数据以更准确地预测出运营策略。
在上述实施例的基础上，为了采用神经网络模型对运营策略进行预测，还需对神经网络模型进行训练，其训练的过程为：获取训练样本，该训练样本包括多个目标区域中每个目标区域的特征数据以及多种预设运营策略，特征数据包括每个目标区域内的至少一个商家的运营数据，然后利用训练样本对神经网络模型进行训练，在满足训练完成要求时可获得训练好的神经网络模型。
具体地，训练过程中，商家的运营数据除了包括有上述商家的历史运营数据(如历史订单数量、历史订单金额以及用户的行为数据)之外，还可以包括运营评估数据，如在初始阶段，对于每个目标区域可以设置以多种预设运营策略，然后第三方管理平台可以按照每种预设运营策略对目标区域内的商家进行运营一段时间，在运营一段时间后可获得每种运营策略下对应的运营评估数据，如在这运营时间段内各个目标区域内的商家的线上成交金额、用户数量、订单数量、生命周期总价值等运营评估数据。对于每个目标区域来说，将目标区域内所有商家的这些运营评估数据加起来的总和可作为这个目标区域的运营评估数据。
运营评估数据可用于评价目标区域在某种预设运营策略下的运营效果，在模型训练时，可将每个目标区域设置一标识，然后将目标区域对应的历史运营数据、标识、预设运营策略与运营评估数据生成对应映射关系，如历史运营数据*标识*预设运营策略->运营评估数据，然后输入至神经网络模型中训练，通过训练神经网络模型可基于历史运营数据以及运营评估数据可知哪种历史运营数据在哪种预设运营策略下有较好的运营评估数据。
例如，对于目标区域1来说，其在预设运营策略1下获得的运营评估数据较好，而在预设运营策略2下获得的运营评估数据较差，所以在模型训练时，期望对于目标区域1输出的预设运营策略为1。而在训练时，若神经网络模型对于目标区域1输出的运营策略为预设运营策略1，则表示该神经网络模型满足训练完成要求，完成训练。当然，为了获得更好的训练模型，还可以同时对多个神经网络模型进行训练，最后可选择效果最好的神经网络模型作为实际使用阶段使用的预测模型。
另外，为了对神经网络模型进行更好的训练，多个目标区域可以是运营人员根据需求随意划分的不规则多边形区域，在训练时，为了更加快速提取目标区域内的特征数据，也可采用上述的GeoHash算法将每个不规则的目标区域划分为规则区域后，获取每个规则区域内的特征数据，进而输入神经网络模型进行训练。
在上述实现过程中，通过对神经网络模型进行预先训练，从而可以直接采用训练好的神经网络模型对运营策略进行预测，以获得较为准确的预测结果。
请参照图3，图3为本申请实施例提供的一种运营策略预测装置200的结构框图，该装置200可以通过硬件实现，也可以通过软件实现。在通过硬件实现时，该装置200可以与图1对应，该装置中的数据获取模块210可以与图1中的通信接口120对应，预测模块210可以与图1中的处理器130对应。在通过软件实现时，该装置200中的各个模块可以是程序模块、程序段或代码等。应理解，该运营策略预测装置200与上述图2方法实施例对应，能够执行图2方法实施例涉及的各个步骤，该运营策略预测装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。
可选地，所述装置包括：
数据获取模块210，用于获取待预测区域的特征数据，所述特征数据包括所述待预测区域内的至少一个商家的运营数据；
预测模块220，用于将所述特征数据输入到预先训练好的神经网络模型中，利用所述神经网络模型预测所述待预测区域的运营策略，所述运营策略用于指示所述至少一个商家的运营。
可选地，所述数据获取模块210，具体用于将所述待预测区域划分为多个规则区域；基于每个规则区域的位置信息获取每个规则区域内的商家的运营数据。
可选地，所述数据获取模块210，还用于：
基于每个规则区域的位置信息获取每个规则区域对应的区域编码；
根据每个规则区域的区域编码获取所述区域编码所代表区域内的商家的运营数据。
可选地，所述数据获取模块210，还用于：
获取每个规则区域内的商家的经纬度信息；
将所述商家的经纬度信息转换为所述商家对应的商家编码；
将所述商家编码与所述区域编码进行匹配，若匹配一致，则获取所述商家的运营数据。
可选地，所述特征数据还包括所述待预测区域内的用户的行为数据，所述数据获取模块210，还用于：
获取每个规则区域内的用户的经纬度信息；
将所述用户的经纬度信息转换为所述用户对应的用户编码；
将所述用户编码与所述区域编码进行匹配，若匹配一致，则获取所述用户的行为数据。
可选地，所述用户的行为数据包括所述用户的浏览数据、购买数据和/或点击数据。
可选地，所述装置还包括：
训练模块，用于获取训练样本，所述训练样本包括多个目标区域中每个目标区域的特征数据以及多种预设运营策略，所述特征数据包括每个目标区域内的至少一个商家的运营数据；利用所述训练样本对所述神经网络模型进行训练，在满足训练完成要求时获得训练好的神经网络模型。
可选地，所述至少一个商家的运营数据包括所述至少一个商家的历史订单数量、历史订单金额和/或与当前用户之间的距离。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行如图2所示方法实施例中电子设备所执行的方法过程。
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，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本申请实施例提供一种运营策略预测方法、装置、电子设备及可读存储介质，通过获取待预测区域内的至少一个商家的运营数据，然后将这些运营数据输入至预先训练的神经网络模型中，利用神经网络模型来预测待预测区域对应的运营策略，由此，无需人为参与运营策略的制定，可减少人工运营成本，且可基于商家的实际运营情况来预测对应的运营策略，更有针对性，从而可以达到较好的运营效果。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种运营策略预测方法，其特征在于，所述方法包括：
获取待预测区域的特征数据，所述特征数据包括所述待预测区域内的至少一个商家的运营数据；
将所述特征数据输入到预先训练好的神经网络模型中，利用所述神经网络模型预测所述待预测区域的运营策略，所述运营策略用于指示所述至少一个商家的运营，所述运营策略包括扶持商家导流、竞争商家分流、低毛利商家调利、商家订单异常排查、联合促销活动中的至少一项。
2.根据权利要求1所述的方法，其特征在于，所述获取待预测区域的特征数据，包括：
将所述待预测区域划分为多个规则区域；
基于每个规则区域的位置信息获取每个规则区域内的商家的运营数据。
3.根据权利要求2所述的方法，其特征在于，所述基于每个规则区域的位置信息获取每个规则区域内的商家的运营数据，包括：
基于每个规则区域的位置信息获取每个规则区域对应的区域编码；
根据每个规则区域的区域编码获取所述区域编码所代表区域内的商家的运营数据。
4.根据权利要求3所述的方法，其特征在于，所述根据每个规则区域的区域编码获取所述区域编码所代表区域内的商家的运营数据，包括：
获取每个规则区域内的商家的经纬度信息；
将所述商家的经纬度信息转换为所述商家对应的商家编码；
将所述商家编码与所述区域编码进行匹配，若匹配一致，则获取所述商家的运营数据。
5.根据权利要求4所述的方法，其特征在于，所述特征数据还包括所述待预测区域内的用户的行为数据，将所述商家编码与所述区域编码进行匹配，若匹配一致，则获取所述商家的运营数据之后，还包括：
获取每个规则区域内的用户的经纬度信息；
将所述用户的经纬度信息转换为所述用户对应的用户编码；
将所述用户编码与所述区域编码进行匹配，若匹配一致，则获取所述用户的行为数据。
6.根据权利要求5所述的方法，其特征在于，所述用户的行为数据包括所述用户的浏览数据、购买数据和/或点击数据。
7.根据权利要求1-6任一所述的方法，其特征在于，所述获取待预测区域的特征数据之前，所述方法还包括：
获取训练样本，所述训练样本包括多个目标区域中每个目标区域的特征数据以及多种预设运营策略，所述特征数据包括每个目标区域内的至少一个商家的运营数据；
利用所述训练样本对所述神经网络模型进行训练，在满足训练完成要求时获得训练好的神经网络模型。
8.根据权利要求1-6任一所述的方法，其特征在于，所述至少一个商家的运营数据包括所述至少一个商家的历史订单数量、历史订单金额和/或与当前用户之间的距离。
9.一种运营策略预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待预测区域的特征数据，所述特征数据包括所述待预测区域内的至少一个商家的运营数据；
预测模块，用于将所述特征数据输入到预先训练好的神经网络模型中，利用所述神经网络模型预测所述待预测区域的运营策略，所述运营策略用于指示所述至少一个商家的运营，所述运营策略包括扶持商家导流、竞争商家分流、低毛利商家调利、商家订单异常排查、联合促销活动中的至少一项。
10.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-8任一所述方法中的步骤。
CN201910367671.4A 2019-04-30 2019-04-30 运营策略预测方法、装置、电子设备及可读存储介质 Active CN111861073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910367671.4A CN111861073B (zh) 2019-04-30 2019-04-30 运营策略预测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910367671.4A CN111861073B (zh) 2019-04-30 2019-04-30 运营策略预测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111861073A CN111861073A (zh) 2020-10-30
CN111861073B true CN111861073B (zh) 2024-05-03

Family

ID=72965906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910367671.4A Active CN111861073B (zh) 2019-04-30 2019-04-30 运营策略预测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111861073B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657812A (zh) * 2021-09-02 2021-11-16 谭维敏 一种基于大数据和算法的门店运营智慧决策的方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070069421A (ko) * 2005-12-28 2007-07-03 엔에이치엔(주) 몰중개 서비스에서 몰운영자의 계정잔액을 조정하는 방법및 계정잔액 조정 시스템
WO2009006802A1 (fr) * 2007-07-12 2009-01-15 Huawei Technologies Co., Ltd. Système, procédé et dispositif de mise en œuvre d'une interaction d'ordres
CN102262666A (zh) * 2011-07-27 2011-11-30 夏同生 一种在电子地图上处理分类信息的系统
CN106251164A (zh) * 2016-03-21 2016-12-21 上海驴徒电子商务有限公司 一种景区推荐方法及系统
CN106529820A (zh) * 2016-11-21 2017-03-22 北京中电普华信息技术有限公司 一种运营指标的预测方法及系统
CN108053075A (zh) * 2017-12-27 2018-05-18 北京中交兴路车联网科技有限公司 一种报废车辆预测方法及系统
CN108932585A (zh) * 2018-06-19 2018-12-04 腾讯科技（深圳）有限公司 一种商户运营管理方法及其设备、存储介质、电子设备
CN109508842A (zh) * 2017-09-14 2019-03-22 北京小度信息科技有限公司 配送运力调控方法和装置
CN109598534A (zh) * 2018-10-25 2019-04-09 北京三快在线科技有限公司 信息确定方法及装置、电子设备及存储介质
CN109635965A (zh) * 2018-12-24 2019-04-16 成都四方伟业软件股份有限公司 公车报废决策方法、装置及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070069421A (ko) * 2005-12-28 2007-07-03 엔에이치엔(주) 몰중개 서비스에서 몰운영자의 계정잔액을 조정하는 방법및 계정잔액 조정 시스템
WO2009006802A1 (fr) * 2007-07-12 2009-01-15 Huawei Technologies Co., Ltd. Système, procédé et dispositif de mise en œuvre d'une interaction d'ordres
CN102262666A (zh) * 2011-07-27 2011-11-30 夏同生 一种在电子地图上处理分类信息的系统
CN106251164A (zh) * 2016-03-21 2016-12-21 上海驴徒电子商务有限公司 一种景区推荐方法及系统
CN106529820A (zh) * 2016-11-21 2017-03-22 北京中电普华信息技术有限公司 一种运营指标的预测方法及系统
CN109508842A (zh) * 2017-09-14 2019-03-22 北京小度信息科技有限公司 配送运力调控方法和装置
CN108053075A (zh) * 2017-12-27 2018-05-18 北京中交兴路车联网科技有限公司 一种报废车辆预测方法及系统
CN108932585A (zh) * 2018-06-19 2018-12-04 腾讯科技（深圳）有限公司 一种商户运营管理方法及其设备、存储介质、电子设备
CN109598534A (zh) * 2018-10-25 2019-04-09 北京三快在线科技有限公司 信息确定方法及装置、电子设备及存储介质
CN109635965A (zh) * 2018-12-24 2019-04-16 成都四方伟业软件股份有限公司 公车报废决策方法、装置及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于系统动力学的银行卡刷卡消费价格策略研究;杨涛;张成虎;;统计与信息论坛;20081010(第10期);全文 *

Also Published As

Publication number Publication date
CN111861073A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
Konowalik et al. Evaluation metrics and validation of presence-only species distribution models based on distributional maps with varying coverage
CN109635070B (zh) 一种基于行动轨迹构建用户兴趣画像的方法及其数据更新方法
Hall Spatial analysis: A critical tool for tourism geographies
CN104731917B (zh) 一种推荐方法及装置
Keeler et al. Recreational demand for clean water: evidence from geotagged photographs by visitors to lakes
CN111275228B (zh) 预测方法、装置、电子设备及存储介质
Sava et al. Evaluating lost person behavior models
Jeong et al. Integrating buildings into a rural landscape using a multi-criteria spatial decision analysis in GIS-enabled web environment
US10402729B2 (en) Path determination using robust optimization
CN103310281A (zh) 旅游路线提取系统和方法
US11494848B2 (en) Risk-transfer configurator and simulation engine providing forward- and backward-looking measures for steering and adjustments of risk-driven portfolios of underwriting objects and method thereof
CN112836146B (zh) 一种基于网络消息的地理空间坐标信息获取方法及装置
CN104102637A (zh) 一种生成热点区域的方法及装置
CN111507541A (zh) 货量预测模型构建方法、货量测量方法、装置及电子设备
CN113139140A (zh) 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法
Smolak et al. The impact of human mobility data scales and processing on movement predictability
Gil de la Vega et al. Models for positional accuracy assessment of linear features: 2D and 3D cases
CN111861073B (zh) 运营策略预测方法、装置、电子设备及可读存储介质
Mathew et al. Comparative assessment of geospatial and statistical methods to estimate local road annual average daily traffic
CN115761519B (zh) 指标预测方法、装置、设备、存储介质及程序产品
CN116433053A (zh) 数据处理方法、装置、计算机设备和存储介质
Lin et al. Evaluating the use of publicly available remotely sensed land cover data for areal interpolation
Ortiz‐Rodríguez et al. Predicting species occurrences with habitat network models
CN113487163B (zh) 基于地理位置信息进行业务预测的方法及装置
Abdel-Fatao et al. Unifying spatial, temporal and semantic features for an effective GPS trajectory-based location recommendation

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