CN112085538A - 一种基于大数据加速分析商品的方法及系统 - Google Patents
一种基于大数据加速分析商品的方法及系统 Download PDFInfo
- Publication number
- CN112085538A CN112085538A CN202010993320.7A CN202010993320A CN112085538A CN 112085538 A CN112085538 A CN 112085538A CN 202010993320 A CN202010993320 A CN 202010993320A CN 112085538 A CN112085538 A CN 112085538A
- Authority
- CN
- China
- Prior art keywords
- data
- fitting
- analysis
- flow
- sales
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据加速分析商品的方法及系统,该方法包括:采集试穿数据和流量数据;对试穿数据和所述流量数据进行有效性验证;将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,分析数据至少包括客流变化数据和销售趋势数据。根据本发明公开的方法及系统可以基于大数据分析,从而更准确对消费者所产生的试穿数据、销售数据、以及店铺的客流情况等进行实时分析,进而从多个分析维度去为商品企划人员开发新品和营销方案提供决策依据,有助于企划人员直观知晓各店铺的客流,为商品企划人员制定引流方案提供参考和依据。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于大数据加速分析商品的方法及系统。
背景技术
随着大数据的发展,商户越来越希望通过消费者的行为数据的分析,了解消费者,为开发新产品和营销方案提供决策的依据。目前,市面已存在有多种消费者的行为数据分析方式,例如采用自动采集试衣商品和用户卡数据,从而向顾客提供个性化交叉销售和向上销售建议。
但是,在这种系统中,仅对单个商店的试衣数据进行采集,无法对整个门店的其它数据进行采集和分析,进而无法直观的提供店铺运营状态数据分析以及无法为品牌方提供商品投放的精准企划决策。
发明内容
本发明所要解决的技术问题在于,提供一种基于大数据加速分析商品的方法及系统,能够基于大数据分析,从而更高效准确对消费者所产生的试穿数据、销售数据、以及店铺的客流情况等进行实时分析,进而从多个分析维度去为商品企划人员开发新品和营销方案提供决策依据,有助于企划人员直观知晓各店铺的客流,为商品企划人员制定引流方案提供参考和依据。
为了解决上述技术问题,本发明第一方面公开了一种基于大数据加速分析商品的方法,该方法包括:采集试穿数据和流量数据;对所述试穿数据和所述流量数据进行有效性验证;将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,所述分析数据至少包括客流变化数据和销售趋势数据。
在一些实施方式中,流量数据包括第一流量数据和第二流量数据,所述采集流量数据包括:通过摄像头获取用于人流量计数的第一流量数据;通过红外探测设备获取用于客流计数的第二流量数据;其中,所述摄像头和所述红外探测装备具有相同的店铺编码。
在一些实施方式中,试穿数据包括试穿开始时间和试穿结束时间,所述采集试穿数据包括:在商品上配置商品标签,其中,所述商品标签至少包括用于标识商品类别的SKU信息和与所述SKU信息具有关联关系的EPC码;记录扫描所述EPC码的时间信息;根据预置的参数阈值和所述时间信息确定试穿开始时间和试穿结束时间;将所述EPC码、试穿开始时间和试穿结束时间形成映射关系存储至EPC列表。
在一些实施方式中,分析引擎包括销售分析引擎,将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,包括:将通过验证的试穿数据分配至销售分析引擎;获取销售数据;通过所述销售分析引擎将所述销售数据和试穿数据进行处理生成试穿转化率;根据预置的平衡条件和所述试穿转化率计算试穿等比因子;根据所述试穿等比因子和所述试穿数据生成销售趋势热度比率;通过预置的排序条件对所述销量趋势热度比率进行筛选生成销售趋势分析数据。
在一些实施方式中个,销售趋势分析数据包括潜在爆款分析数据,所述根据所述试穿等比因子和所述试穿数据生成销售趋势热度比率,包括:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成销售趋势热度比率:销售趋势热度比率=M/P+(100-R);通过预置的排序条件对所述销量趋势热度比率进行筛选生成潜在爆款分析数据。
在一些实施方式中,销售趋势分析数据还包括潜在滞销款分析数据,所述根据所述试穿等比因子和所述试穿数据生成销售趋势热度比率,包括:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成低频试穿低销量热度比率:销售趋势热度比率=100-(M/P)+(100-R);通过预置的排序条件对所述销量趋势热度比率进行筛选生成潜在滞销款分析数据。
在一些实施方式中,所述分析数据还包括商品热度分析数据,所述商品信息包括多个商品特征属性,所述方法还包括:根据SKU信息将所述试穿数据、所述销售数据和所述商品信息进行分组生成商品类别组;统计每一商品类别组的试穿数据生成总试穿数据;根据所述商品特征属性和所述总试穿数据生成每一商品特征属性对应的商品热度分析数据。
在一些实施方式中,分析引擎包括客流变化分析引擎,将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,包括:将通过验证的流量数据分配至客流变化分析引擎;根据店铺编码对所述流量数据进行分类;通过所述客流变化分析引擎对分类后的流量数据进行分析生成客流变化数据,其中,所述客流变化数据至少包括店铺客流排行数据、客流变化幅度数据和时刻客流状况数据。
根据本发明的第二个方面,提供了一种基于大数据加速分析商品的系统,所述系统包括:数据采集模块,用于采集试穿数据和流量数据;验证模块,用于对所述试穿数据和所述流量数据进行有效性验证;分析模块,用于将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,所述分析数据至少包括客流变化数据和销售趋势数据。
在一些实施方式中,数据采集模块包括:第一流量数据采集单元,用于通过摄像头获取用于人流量计数的第一流量数据;第二流量数据采集单元,通过红外探测设备获取用于客流计数的第二流量数据;其中,所摄像头和所述红外探测装备具有相同的店铺编码。
与现有技术相比,本发明的有益效果在于:
实施本发明能够基于大数据的消费者行为数据例如试穿数据和销售数据,结合商品信息进行综合分析,从而更加准确分析消费者的实际行为而对商品带来的实际销售影响,通过对以下范畴进行分析,例如商品潜在爆款分析、商品潜在滞销款分析、商品试穿转化率分析、商品特征热度分析和商品区域城市分析从而可以从多个维度为商品企划人员开发新品以及营销方案提供有力的决策依据。并且,还能收集店铺的客流信息以及店铺位置的人流信息,有助于企划人员直观知晓各店铺的客流,为商品企划人员制定引流方案提供参考和依据。
附图说明
图1为本发明实施例公开的一种基于大数据加速分析商品的方法流程示意图;
图2为本发明实施例公开的又一种基于大数据加速分析商品的方法流程示意图;
图3为本发明实施例公开的又一种基于大数据加速分析商品的方法流程示意图;
图4为本发明实施例公开的又一种基于大数据加速分析商品的方法流程示意图;
图5为本发明实施例公开的一种基于大数据加速分析商品的方法应用场景示意图;
图6为本发明实施例公开的一种基于大数据加速分析商品的系统框图;
图7为本发明实施例公开的一种基于大数据加速分析商品的交互装置结构示意图。
具体实施方式
为了更好地理解和实施,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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明实施例的术语“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模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,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模块。
本发明实施例公开了一种基于大数据加速分析商品的方法及系统,能够基于大数据的消费者行为数据例如试穿数据和销售数据,结合商品信息进行综合分析,从而更加准确分析消费者的实际行为而对商品带来的实际销售影响,通过对以下范畴进行分析,例如商品潜在爆款分析、商品潜在滞销款分析、商品试穿转化率分析、商品特征热度分析和商品区域城市分析从而可以从多个维度为商品企划人员开发新品以及营销方案提供有力的决策依据。并且,还能收集店铺的客流信息以及店铺位置的人流信息,有助于企划人员直观知晓各店铺的客流,为商品企划人员制定引流方案提供参考和依据。
实施例一
请参阅图1,图1为本发明实施例公开的一种基于大数据加速分析商品的方法的流程示意图。其中,该基于大数据加速分析商品的方法可以应用在商场结算分析系统、商场试衣间系统、电商销售系统等,对于该方法所应用的商品系统本发明实施例不做限制。如图1所示,该基于大数据加速分析商品的方法可以包括以下操作:
101、采集试穿数据和流量数据。
为了从多个维度分析商品和店铺,辅助商家进行决策,本发明采集的数据包括有试穿数据和流量数据。对于流量数据包括有第一流量数据和第二流量数据,其中,第一流量数据为行人流量数据,即经过店铺外围的流量数据。第二流量数据为客流量数据,即进入或经过店铺出入口时的客流数据。如图7所示为本实施例所应用的一种场景示意图。对于第一流量数据的采集,可以通过摄像头进行获取,示例性地,该摄像头可以实现为人流计数装置,通过摄像头对人流进行识别,从而判断店铺外围的人流情况,在硬件连接上,人流计数装置通过网络接入到店铺所在的局域网。对于第二流量数据的采集,可以通过红外探测设备进行获取,示例性地,该红外线探测装置通过过路行人对红外线先后的阻隔判定人进出及计数,在实际应用中,可以安装于店铺的出入口,客流计数装置通过网络接入到局域网。进一步地,为了方便后续对店铺的流量数据统计,将摄像头和红外探测装备设置为具有相同的店铺编码。
作为一种具体实施例,当有顾客经过店铺外围时,人流计数装置就会识别第一流量数据并记录,人流计数装置还会设置有一中间界(暂存区),该中间界定时从人流计数装置中获取第一流量数据,在其他实施方式中,也可以由人流计数装置自动推送第一流量数据到人流计数中间界(若该人流计数装置支持),这样,在人流计数中间界在获取到人流数据后,就会自动发送第一流量数据,再通过人流计数器装置将该第一流量数据和该人流计数器ID一同发送到关联的店铺编码下存储。
作为一种具体实施例,当有顾客经过店铺出入口时,客流计算装置识别第二流量数据并记录,客流计数中间界定时从客流计数装置中取得第二流量数据或客流计数装置自动推送第二流量数据到客流计数中间界(若客数装置支持),客流计数中间界在获取到第二流量数据后自动发送。再通过客流计数器装置将该第二流量数据和该客流计数器ID一同发送到关联的店铺编码下存储。
对于试采集试穿数据,获取的试穿数据是基于RFID(Radio FrequencyIdentification,射频识别技术)实现,消费者试穿时,射频采集设备自动读取到消费者所试穿的商品的RFID标签,实现了试穿数据的获取,克服了现有的试穿数据的采集通常需要由店员手动录入试穿数据,或在试穿间(试穿镜)安装录入装置(如触屏电脑),由消费者录入,由此导致店员和消费者的意愿不高,进而采集的数据量较少且不准确的问题。首先,在商品上配置商品标签UHF RFID标签,该标签用于存储商品EPC码,为超高频标签,带有IC和天线,其中IC存储有EPC码,天线发射信号用于被RFID设备识别IC中的EPC码,在本实施例中,存储有EPC与对应的SKU编号关系,因此识别到EPC码即可识别出对应的商品信息。在店铺内部设置UHF RFID试衣间,在试衣间内安装有UHF RFID天线,用于感应UHF RFID标签,该天线为一种发射和接收电磁波的无线射频装置,以无线的方式探测UHF RFID标签发出的信号。进一步地,还设置有UHF RFID读写装置,用于控制UHF RFID天线,及解析UHF RFID天线所探测到的UHF RFID标签的信号为EPC码,UHF RFID Reader通过网络接入到局域网。
在扫描到EPC码后,实时记录扫描EPC码的时间信息,再根据预置的参数阈值和时间信息确定试穿开始时间和试穿结束时间,其中,预置的参数阈值为根据日常试衣时间经验进行总结而设定的。之后将EPC码、试穿开始时间和试穿结束时间形成映射关系存储至EPC列表。
示例性地,作为一种具体实施例,当顾客拿取一件或多件衣服进入试衣间时,UHFRFID Reader通过安装于试衣间的UHF RFID天线识别到衣服上的UHF RFID标签,读取出UHFRFID标签中EPC码,将EPC码推送给RFID中间界(暂存区),RFID中间界进行去重过滤,将EPC码、试衣开始时间(首次读取EPC码时间)、试衣开始标志、读写器ID和天线ID发送给网络服务器,之后在RFID中间件建立试穿EPC列表,将EPC码和最后读取时间存储。
在顾客进行时,RFID中间界持续收到由UHF RFID Reader识别的EPC码,RFID中间界将收到的EPC码与试穿EPC列表进行比较,将无法识别到的EPC码加入到试穿EPC列表中,并将EPC码、试衣开始时间(首次读取时间),试衣开始标志、读写器ID和天线ID发送给网络服务器。若可以识别到EPC码则更新试穿EPC列表中该EPC码的最后读取时间。
当顾客试结束试衣,拿取试穿衣服离开试衣间时,RFID中间界根据参数阈值判断,例如将当前试穿时间与试穿EPC列表中的EPC码的最后读取时间相减,若相差的值大于或等于设定的参数阀值,则证明衣服已离开试衣间,则通过RFID中间界将EPC码的试衣结束时间(最后读取时间)、试衣结束标志、读写器ID和天线ID发送给网络服务器,并且移除EPC试穿列表中相应的EPC码。若相差值小于设定的参数阀值,则继续循环进行下一轮判断,直至判断出衣服已离开试衣间即试衣结束。之后将试穿开始时间和试衣结束时间以及EPC码一同存储至商品信息中作为试穿数据。
进一步地,试穿数据包括:店铺编号、试穿间信息、开始试穿时间和结束试穿时间等。同时,由于该RFID标签与商品信息绑定,所以也会识别出商品信息,在本实施例中,商品信息包括商品货号、商品名称、商品品牌、商品颜色、商品尺码、商品条码、体感、材质、款式、风格、适用年龄、价格和图片。
销售数据为消费者试穿后进行购买后的数据,一般都是由商品所在店铺的后台程序直接进行调用,该销售数据包括店铺编号、VIP编号、销售时间、销售数量、销售商品原价和销售价。
需要说明的是,试穿数据、销售数据和商品信息均包括具有商品类别标识作用的SKU信息。该SKU信息是一类商品的唯一标识信息,并且与EPC码相关联。示例性地,可标识为某品牌某货号的商品,由此,可以通过SKU信息将试穿数据、销售数据和商品信息进行关联。在存储试穿数据、销售数据和商品信息所包含的信息时,可以参考如下的表格进行存储。
作为一种具体实施例,商品信息可以存储为如下表格:
作为一种具体实施例,销售数据可以存储为如下表格:
店铺编号 | SKU信息 | EPC码 | 销售时间 | 销售价 |
作为一种具体实施例,试穿数据可以存储为如下表格:
EPC码 | SKU信息 | 试穿间信息 | 开始试穿时间 | 结束试穿时间 |
需要说明的是,上述表格所包括的具体信息并不是本发明唯一限定的信息,对于其他可以体现商品信息、销售数据和试穿数据的信息也属于本发明的保护范围。
102、对试穿数据和流量数据进行有效性验证。
在接收到上述由中间界发送的采集数据后,为了提高效率和信息的安全性,系统会先对数据进行有效性验证,具体实现为判断获取试穿数据中的EPC码是否事先进行存储或注册,还包括检验天线ID关联的试衣间是否存在。判断获取流量数据的装置ID所关联的店铺是否存在。
103、将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,分析数据至少包括客流变化数据和销售趋势数据。
对于销售趋势数据的分析,首先根据试穿数据、销售数据和商品信息生成试穿转化率。其中,试穿装率用于揭示消费者在试穿后所带来的销售效果。首先,由于试穿数据、销售数据和商品信息都具有SKU信息,根据SKU信息将试穿数据、销售数据和商品信息进行分组生成商品类别组,按照不同的SKU信息进行商品类型的分组。之后,判断每一商品类别组是否包括试穿数据,即该商品是否有消费者进行了试穿,若商品类型组不包括试穿数据,即商品的试穿装率为0,不必再进行下一步的计算。若商品类别组包括试穿数据,则根据试穿数据和销售数据生成试穿转化率,具体实现为,将每一商品类别组中总销售数据,即总销量除以每一商品类别组的总试穿数据,即总试穿次数,即为该类别商品的试穿转化率。
根据预置的平衡条件和上述方法得到的试穿转化率计算试穿等比因子。该试穿等比因子用于平衡和解决试穿次数和转化率差异导致的计算干扰,在本实施例中可以将平衡条件设置为判断当总试穿次数大于99(在其他实施例中也可以根据需求进行调整)时,试穿等比因子的长度为总试穿次数的长度减1的最小整数,示例性地,总试穿次数为8562,那么试穿等比因子为100,如果总试穿次数小于等于99,则试穿等比因子为0。
之后,根据试穿等比因子和试穿数据生成销售趋势热度比率,再通过预置的排序条件对销量趋势热度比率进行筛选生成销售趋势分析数据。
其中,销售趋势分析数据包括潜在爆款分析数据,该潜在爆款分析数据的特征是高频试穿低销量,本发明通过计算销售趋势热度比率中的高频试穿低销量热度比率来量化高频试穿低销量特征,从而根据高频试穿低销量热度比率分析出潜在的爆款商品,据此可制定有针对性的营销方案,提升潜在的爆款商品的销量。如图2所示,包括:
201、根据试穿等比因子和试穿数据生成销售趋势热度比率,具体实现为:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成销售趋势热度比率:
销售趋势热度比率=M/P+(100-R);
其中,若试穿对比因子P为0,则将P设为1,即通过如下公式进行计算生成销售趋势热度比率:
销售趋势热度比率=M/P+(100-R)。
202、通过预置的排序条件对销量趋势热度比率进行筛选生成潜在爆款分析数据。
其中,预置的排序条件可以按照将销量趋势热度比率从高到低的排行与其它爆款的条件(例如排行前10,或特定商品特征)进行匹配过滤,筛选出符合条件的SKU信息关联至相应的商品信息,即为潜在爆款商品。
其中,在其他优选实施方式中,销售趋势分析数据还包括潜在滞销款分析数据,潜在滞销款分析数据的特征是低频试穿低销量,本发明通过计算销售趋势热度比率中的低频试穿低销量热度比率来量化低频试穿低销量特征,从而根据低频试穿低销量热度比率分析出潜在的滞销款商品,据此调整商品的营销方案或店铺摆放位置,乃至下架处理。如图3所示,包括:
301、根据试穿等比因子和试穿数据生成销售趋势热度比率,具体实现为:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成低频试穿低销量热度比率:
销售趋势热度比率=100-(M/P)+(100-R);
其中,若试穿对比因子P为0,则将P设为1,即通过如下公式进行计算生成销售趋势热度比率:
销售趋势热度比率=100-M+(100-R)。
302、通过预置的排序条件对销量趋势热度比率进行筛选生成潜在滞销款分析数据。
其中,预置的排序条件可以按照将销量趋势热度比率从高到低的排行与其它爆款的条件(例如排行前10,或特定商品特征)进行匹配过滤,筛选出符合条件的SKU信息关联至相应的商品信息,即为潜在滞销款商品。
对于客流变化数据的分析,首先将通过验证的流量数据分配至客流变化分析引擎,根据店铺编码对流量数据进行分类,即将流量数据分配至对应的店铺编码所在存储数据表中,再通过客流变化分析引擎对分类后的流量数据进行分析生成客流变化数据,该客流变化分析引擎可以根据现有技术的客流分析图谱模型实现,其中,客流变化数据可以包括店铺客流排行数据、客流变化幅度数据和时刻客流状况数据。并且,将分析后的客流变化数据通过推荐助手、多维度分析看板、汇总数据和明细数据等途径进行查看。
根据本实施例提供的方法,能够基于大数据的消费者行为数据例如试穿数据和销售数据,结合商品信息进行综合分析,从而更加准确分析消费者的实际行为而对商品带来的实际销售影响,通过对商品潜在爆款分析、商品潜在滞销款分析和商品试穿转化率分析从而可以辅助商品企划人员开发新品以及营销方案提供及时高效的决策依据。并且,还能收集店铺的客流信息以及店铺位置的人流信息,有助于企划人员直观知晓各店铺的客流,为商品企划人员制定引流方案提供参考和依据。
实施例二
请参阅图4,图4为本发明实施例公开的又一种基于大数据加速分析商品的方法的流程示意图。其中,该基于大数据加速分析商品的方法可以应用在商场结算分析系统、商场试衣间系统、电商销售系统等,对于该方法所应用的商品系统本发明实施例不做限制。如图4所示,该基于大数据加速分析商品的方法可以包括以下操作:
401、采集试穿数据和流量数据。
为了从多个维度分析商品和店铺,辅助商家进行决策,本发明采集的数据包括有试穿数据和流量数据。对于流量数据包括有第一流量数据和第二流量数据,其中,第一流量数据为行人流量数据,即经过店铺外围的流量数据。第二流量数据为客流量数据,即进入或经过店铺出入口时的客流数据。如图7所示为本实施例所应用的一种场景示意图。对于第一流量数据的采集,可以通过摄像头进行获取,示例性地,该摄像头可以实现为人流计数装置,通过摄像头对人流进行识别,从而判断店铺外围的人流情况,在硬件连接上,人流计数装置通过网络接入到店铺所在的局域网。对于第二流量数据的采集,可以通过红外探测设备进行获取,示例性地,该红外线探测装置通过过路行人对红外线先后的阻隔判定人进出及计数,在实际应用中,可以安装于店铺的出入口,客流计数装置通过网络接入到局域网。进一步地,为了方便后续对店铺的流量数据统计,将摄像头和红外探测装备设置为具有相同的店铺编码。
作为一种具体实施例,当有顾客经过店铺外围时,人流计数装置就会识别第一流量数据并记录,人流计数装置还会设置有一中间界(暂存区),该中间界定时从人流计数装置中获取第一流量数据,在其他实施方式中,也可以由人流计数装置自动推送第一流量数据到人流计数中间界(若该人流计数装置支持),这样,在人流计数中间界在获取到人流数据后,就会自动发送第一流量数据,再通过人流计数器装置将该第一流量数据和该人流计数器ID一同发送到关联的店铺编码下存储。
作为一种具体实施例,当有顾客经过店铺出入口时,客流计算装置识别第二流量数据并记录,客流计数中间界定时从客流计数装置中取得第二流量数据或客流计数装置自动推送第二流量数据到客流计数中间界(若客数装置支持),客流计数中间界在获取到第二流量数据后自动发送。再通过客流计数器装置将该第二流量数据和该客流计数器ID一同发送到关联的店铺编码下存储。
对于试采集试穿数据,获取的试穿数据是基于RFID(Radio FrequencyIdentification,射频识别技术)实现,消费者试穿时,射频采集设备自动读取到消费者所试穿的商品的RFID标签,实现了试穿数据的获取,克服了现有的试穿数据的采集通常需要由店员手动录入试穿数据,或在试穿间(试穿镜)安装录入装置(如触屏电脑),由消费者录入,由此导致店员和消费者的意愿不高,进而采集的数据量较少且不准确的问题。首先,在商品上配置商品标签UHF RFID标签,该标签用于存储商品EPC码,为超高频标签,带有IC和天线,其中IC存储有EPC码,天线发射信号用于被RFID设备识别IC中的EPC码,在本实施例中,存储有EPC与对应的SKU编号关系,因此识别到EPC码即可识别出对应的商品信息。在店铺内部设置UHF RFID试衣间,在试衣间内安装有UHF RFID天线,用于感应UHF RFID标签,该天线为一种发射和接收电磁波的无线射频装置,以无线的方式探测UHF RFID标签发出的信号。进一步地,还设置有UHF RFID读写装置,用于控制UHF RFID天线,及解析UHF RFID天线所探测到的UHF RFID标签的信号为EPC码,UHF RFID Reader通过网络接入到局域网。
在扫描到EPC码后,实时记录扫描EPC码的时间信息,再根据预置的参数阈值和时间信息确定试穿开始时间和试穿结束时间,其中,预置的参数阈值为根据日常试衣时间经验进行总结而设定的。之后将EPC码、试穿开始时间和试穿结束时间形成映射关系存储至EPC列表。
示例性地,作为一种具体实施例,当顾客拿取一件或多件衣服进入试衣间时,UHFRFID Reader通过安装于试衣间的UHF RFID天线识别到衣服上的UHF RFID标签,读取出UHFRFID标签中EPC码,将EPC码推送给RFID中间界(暂存区),RFID中间界进行去重过滤,将EPC码、试衣开始时间(首次读取EPC码时间)、试衣开始标志、读写器ID和天线ID发送给网络服务器,之后在RFID中间件建立试穿EPC列表,将EPC码和最后读取时间存储。
在顾客进行时,RFID中间界持续收到由UHF RFID Reader识别的EPC码,RFID中间界将收到的EPC码与试穿EPC列表进行比较,将无法识别到的EPC码加入到试穿EPC列表中,并将EPC码、试衣开始时间(首次读取时间),试衣开始标志、读写器ID和天线ID发送给网络服务器。若可以识别到EPC码则更新试穿EPC列表中该EPC码的最后读取时间。
当顾客试结束试衣,拿取试穿衣服离开试衣间时,RFID中间界根据参数阈值判断,例如将当前试穿时间与试穿EPC列表中的EPC码的最后读取时间相减,若相差的值大于或等于设定的参数阀值,则证明衣服已离开试衣间,则通过RFID中间界将EPC码的试衣结束时间(最后读取时间)、试衣结束标志、读写器ID和天线ID发送给网络服务器,并且移除EPC试穿列表中相应的EPC码。若相差值小于设定的参数阀值,则继续循环进行下一轮判断,直至判断出衣服已离开试衣间即试衣结束。之后将试穿开始时间和试衣结束时间以及EPC码一同存储至商品信息中作为试穿数据。
进一步地,试穿数据包括:店铺编号、试穿间信息、开始试穿时间和结束试穿时间等。同时,由于该RFID标签与商品信息绑定,所以也会识别出商品信息,在本实施例中,商品信息包括商品货号、商品名称、商品品牌、商品颜色、商品尺码、商品条码、体感、材质、款式、风格、适用年龄、价格和图片。
销售数据为消费者试穿后进行购买后的数据,一般都是由商品所在店铺的后台程序直接进行调用,该销售数据包括店铺编号、VIP编号、销售时间、销售数量、销售商品原价和销售价。
需要说明的是,试穿数据、销售数据和商品信息均包括具有商品类别标识作用的SKU信息。该SKU信息是一类商品的唯一标识信息,并且与EPC码相关联。示例性地,可标识为某品牌某货号的商品,由此,可以通过SKU信息将试穿数据、销售数据和商品信息进行关联。在存储试穿数据、销售数据和商品信息所包含的信息时,可以参考如下的表格进行存储。
作为一种具体实施例,商品信息可以存储为如下表格:
作为一种具体实施例,销售数据可以存储为如下表格:
店铺编号 | SKU信息 | EPC码 | 销售时间 | 销售价 |
作为一种具体实施例,试穿数据可以存储为如下表格:
EPC码 | SKU信息 | 试穿间信息 | 开始试穿时间 | 结束试穿时间 |
需要说明的是,上述表格所包括的具体信息并不是本发明唯一限定的信息,对于其他可以体现商品信息、销售数据和试穿数据的信息也属于本发明的保护范围。
对试穿数据和流量数据进行有效性验证。在接收到上述由中间界发送的采集数据后,为了提高效率和信息的安全性,系统会先对数据进行有效性验证,具体实现为判断获取试穿数据中的EPC码是否事先进行存储或注册,还包括检验天线ID关联的试衣间是否存在。判断获取流量数据的装置ID所关联的店铺是否存在。将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,分析数据至少包括客流变化数据和销售趋势数据。
对于销售趋势数据的分析,首先根据试穿数据、销售数据和商品信息生成试穿转化率。其中,试穿装率用于揭示消费者在试穿后所带来的销售效果。首先,由于试穿数据、销售数据和商品信息都具有SKU信息,根据SKU信息将试穿数据、销售数据和商品信息进行分组生成商品类别组,按照不同的SKU信息进行商品类型的分组。之后,判断每一商品类别组是否包括试穿数据,即该商品是否有消费者进行了试穿,若商品类型组不包括试穿数据,即商品的试穿装率为0,不必再进行下一步的计算。若商品类别组包括试穿数据,则根据试穿数据和销售数据生成试穿转化率,具体实现为,将每一商品类别组中总销售数据,即总销量除以每一商品类别组的总试穿数据,即总试穿次数,即为该类别商品的试穿转化率。
根据预置的平衡条件和上述方法得到的试穿转化率计算试穿等比因子。该试穿等比因子用于平衡和解决试穿次数和转化率差异导致的计算干扰,在本实施例中可以将平衡条件设置为判断当总试穿次数大于99(在其他实施例中也可以根据需求进行调整)时,试穿等比因子的长度为总试穿次数的长度减1的最小整数,示例性地,总试穿次数为8562,那么试穿等比因子为100,如果总试穿次数小于等于99,则试穿等比因子为0。
之后,根据试穿等比因子和试穿数据生成销售趋势热度比率,再通过预置的排序条件对销量趋势热度比率进行筛选生成销售趋势分析数据。
其中,销售趋势分析数据包括潜在爆款分析数据,该潜在爆款分析数据的特征是高频试穿低销量,本发明通过计算销售趋势热度比率中的高频试穿低销量热度比率来量化高频试穿低销量特征,从而根据高频试穿低销量热度比率分析出潜在的爆款商品,据此可制定有针对性的营销方案,提升潜在的爆款商品的销量。包括:根据试穿等比因子和试穿数据生成销售趋势热度比率,具体实现为:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成销售趋势热度比率:
销售趋势热度比率=M/P+(100-R);
其中,若试穿对比因子P为0,则将P设为1,即通过如下公式进行计算生成销售趋势热度比率:
销售趋势热度比率=M/P+(100-R)。
通过预置的排序条件对销量趋势热度比率进行筛选生成潜在爆款分析数据。其中,预置的排序条件可以按照将销量趋势热度比率从高到低的排行与其它爆款的条件(例如排行前10,或特定商品特征)进行匹配过滤,筛选出符合条件的SKU信息关联至相应的商品信息,即为潜在爆款商品。
其中,在其他优选实施方式中,销售趋势分析数据还包括潜在滞销款分析数据,潜在滞销款分析数据的特征是低频试穿低销量,本发明通过计算销售趋势热度比率中的低频试穿低销量热度比率来量化低频试穿低销量特征,从而根据低频试穿低销量热度比率分析出潜在的滞销款商品,据此调整商品的营销方案或店铺摆放位置,乃至下架处理。包括:根据试穿等比因子和试穿数据生成销售趋势热度比率,具体实现为:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成低频试穿低销量热度比率:
销售趋势热度比率=100-(M/P)+(100-R);
其中,若试穿对比因子P为0,则将P设为1,即通过如下公式进行计算生成销售趋势热度比率:
销售趋势热度比率=100-M+(100-R)。
通过预置的排序条件对销量趋势热度比率进行筛选生成潜在滞销款分析数据。
其中,预置的排序条件可以按照将销量趋势热度比率从高到低的排行与其它爆款的条件(例如排行前10,或特定商品特征)进行匹配过滤,筛选出符合条件的SKU信息关联至相应的商品信息,即为潜在滞销款商品。
对于客流变化数据的分析,首先将通过验证的流量数据分配至客流变化分析引擎,根据店铺编码对流量数据进行分类,即将流量数据分配至对应的店铺编码所在存储数据表中,再通过客流变化分析引擎对分类后的流量数据进行分析生成客流变化数据,该客流变化分析引擎可以根据现有技术的客流分析图谱模型实现,其中,客流变化数据可以包括店铺客流排行数据、客流变化幅度数据和时刻客流状况数据。并且,将分析后的客流变化数据通过推荐助手、多维度分析看板、汇总数据和明细数据等途径进行查看。
402、根据SKU信息将试穿数据、销售数据和商品信息进行分组生成商品类别组。
在本实施例中,分析数据还包括商品热度分析数据,该商品热度分析数据用于揭示各商品特征属性在消费者试穿时的喜好程度,从而为开发新产品提供参考。
商品信息包括多个商品特征属性,可参考上述的商品信息的表格如体感、材质、款式、商品风格和适用年龄等。
403、统计每一商品类别组的试穿数据生成总试穿数据。
即将商品信息按照特征属性分组后对各SKU信息所汇总的试穿次数和试穿时长进行汇总计算,得出各个特征属性的总试穿次数和总试穿时长。
404、根据商品特征属性和总试穿数据生成每一商品特征属性对应的商品热度分析数据。
在计算出特征属性的总试穿次数和总试穿时长后,就可以按照预置的排序方式分析出商品各特征热度情况。
在其他优选实施方式中,还根据SKU信息将试穿数据、销售数据和商品信息进行分组生成商品类别组。在本实施例中,分析数据还包括城市分析数据,该城市分析数据可反映为商品区域城市分析的数据,用于揭示商品在各个区域,城市消费者的喜好程度,由此可为店铺进货、调整各区域城市店铺配货及库存提供参考。在一种具体实施方式中,可以对试穿数据以商品信息中的店铺编号为关键字关联店铺信息,从而获取出店铺的隶属区域和城市,按照店铺的隶属区域和城市对试穿数据、销售数据和商品信息进行分组。根据每一商品类别组所隶属的区域和城市对各商品类别的SKU信息汇总的试穿次数和试穿时长进行汇总计算,得出各个SKU信息在区域和城市的总试穿次数和总试穿时长。在得出各个SKU信息在区域和城市的总试穿次数和总试穿时长后,即可按照排行分析出商品区域城市的喜好情况。
根据本实施例提供的方法,能够基于大数据的消费者行为数据例如试穿数据和销售数据,结合商品信息进行综合分析,从而更加准确分析消费者的实际行为而对商品带来的实际销售影响,通过对商品区域城市分析,从而可以揭示商品在各个区域,城市消费者的喜好程度,由此可为店铺进货、调整各区域城市店铺配货及库存提供参考。
实施例四
请参阅图6,图6为本发明实施例公开的一种基于大数据加速分析商品的系统框图。其中,该基于大数据加速分析商品的系统可以实现为在商场结算分析系统、商场试衣间系统、电商销售系统等,对于该系统的具体应用本发明实施例不做限制。如图6所示,该基于大数据加速分析商品的系统可以包括:
数据采集模块601,用于采集试穿数据和流量数据。
验证模块602,用于对试穿数据和所述流量数据进行有效性验证。
分析模块603,用于将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,分析数据至少包括客流变化数据和销售趋势数据。
其中,数据采集模块601包括:
第一流量数据采集单元6011,用于通过摄像头获取用于人流量计数的第一流量数据;
第二流量数据采集单元6012,通过红外探测设备获取用于客流计数的第二流量数据;其中,摄像头和红外探测装备具有相同的店铺编码。
为了从多个维度分析商品和店铺,辅助商家进行决策,本发明数据采集模块601采集的数据包括有试穿数据和流量数据。对于流量数据包括有第一流量数据和第二流量数据,其中,第一流量数据为行人流量数据,即经过店铺外围的流量数据。第二流量数据为客流量数据,即进入或经过店铺出入口时的客流数据。对于第一流量数据采集单元6011,可以实现为摄像头进行获取,示例性地,该摄像头可以实现为人流计数装置,通过摄像头对人流进行识别,从而判断店铺外围的人流情况,在硬件连接上,人流计数装置通过网络接入到店铺所在的局域网。对于第二流量数据采集单元6012,可以实现为红外探测设备进行获取,示例性地,该红外线探测装置通过过路行人对红外线先后的阻隔判定人进出及计数,在实际应用中,可以安装于店铺的出入口,客流计数装置通过网络接入到局域网。进一步地,为了方便后续对店铺的流量数据统计,将摄像头和红外探测装备设置为具有相同的店铺编码。
作为一种具体实施例,当有顾客经过店铺外围时,人流计数装置就会识别第一流量数据并记录,人流计数装置还会设置有一中间界(暂存区),该中间界定时从人流计数装置中获取第一流量数据,在其他实施方式中,也可以由人流计数装置自动推送第一流量数据到人流计数中间界(若该人流计数装置支持),这样,在人流计数中间界在获取到人流数据后,就会自动发送第一流量数据,再通过人流计数器装置将该第一流量数据和该人流计数器ID一同发送到关联的店铺编码下存储。
作为一种具体实施例,当有顾客经过店铺出入口时,客流计算装置识别第二流量数据并记录,客流计数中间界定时从客流计数装置中取得第二流量数据或客流计数装置自动推送第二流量数据到客流计数中间界(若客数装置支持),客流计数中间界在获取到第二流量数据后自动发送。再通过客流计数器装置将该第二流量数据和该客流计数器ID一同发送到关联的店铺编码下存储。
对于试采集试穿数据,获取的试穿数据是基于RFID(Radio FrequencyIdentification,射频识别技术)实现,消费者试穿时,射频采集设备自动读取到消费者所试穿的商品的RFID标签,实现了试穿数据的获取,克服了现有的试穿数据的采集通常需要由店员手动录入试穿数据,或在试穿间(试穿镜)安装录入装置(如触屏电脑),由消费者录入,由此导致店员和消费者的意愿不高,进而采集的数据量较少且不准确的问题。首先,在商品上配置商品标签UHF RFID标签,该标签用于存储商品EPC码,为超高频标签,带有IC和天线,其中IC存储有EPC码,天线发射信号用于被RFID设备识别IC中的EPC码,在本实施例中,存储有EPC与对应的SKU编号关系,因此识别到EPC码即可识别出对应的商品信息。在店铺内部设置UHF RFID试衣间,在试衣间内安装有UHF RFID天线,用于感应UHF RFID标签,该天线为一种发射和接收电磁波的无线射频装置,以无线的方式探测UHF RFID标签发出的信号。进一步地,还设置有UHF RFID读写装置,用于控制UHF RFID天线,及解析UHF RFID天线所探测到的UHF RFID标签的信号为EPC码,UHF RFID Reader通过网络接入到局域网。
在扫描到EPC码后,实时记录扫描EPC码的时间信息,再根据预置的参数阈值和时间信息确定试穿开始时间和试穿结束时间,其中,预置的参数阈值为根据日常试衣时间经验进行总结而设定的。之后将EPC码、试穿开始时间和试穿结束时间形成映射关系存储至EPC列表。
示例性地,作为一种具体实施例,当顾客拿取一件或多件衣服进入试衣间时,UHFRFID Reader通过安装于试衣间的UHF RFID天线识别到衣服上的UHF RFID标签,读取出UHFRFID标签中EPC码,将EPC码推送给RFID中间界(暂存区),RFID中间界进行去重过滤,将EPC码、试衣开始时间(首次读取EPC码时间)、试衣开始标志、读写器ID和天线ID发送给网络服务器,之后在RFID中间件建立试穿EPC列表,将EPC码和最后读取时间存储。
在顾客进行时,RFID中间界持续收到由UHF RFID Reader识别的EPC码,RFID中间界将收到的EPC码与试穿EPC列表进行比较,将无法识别到的EPC码加入到试穿EPC列表中,并将EPC码、试衣开始时间(首次读取时间),试衣开始标志、读写器ID和天线ID发送给网络服务器。若可以识别到EPC码则更新试穿EPC列表中该EPC码的最后读取时间。
当顾客试结束试衣,拿取试穿衣服离开试衣间时,RFID中间界根据参数阈值判断,例如将当前试穿时间与试穿EPC列表中的EPC码的最后读取时间相减,若相差的值大于或等于设定的参数阀值,则证明衣服已离开试衣间,则通过RFID中间界将EPC码的试衣结束时间(最后读取时间)、试衣结束标志、读写器ID和天线ID发送给网络服务器,并且移除EPC试穿列表中相应的EPC码。若相差值小于设定的参数阀值,则继续循环进行下一轮判断,直至判断出衣服已离开试衣间即试衣结束。之后将试穿开始时间和试衣结束时间以及EPC码一同存储至商品信息中作为试穿数据。
进一步地,试穿数据包括:店铺编号、试穿间信息、开始试穿时间和结束试穿时间等。同时,由于该RFID标签与商品信息绑定,所以也会识别出商品信息,在本实施例中,商品信息包括商品货号、商品名称、商品品牌、商品颜色、商品尺码、商品条码、体感、材质、款式、风格、适用年龄、价格和图片。
销售数据为消费者试穿后进行购买后的数据,一般都是由商品所在店铺的后台程序直接进行调用,该销售数据包括店铺编号、VIP编号、销售时间、销售数量、销售商品原价和销售价。
需要说明的是,试穿数据、销售数据和商品信息均包括具有商品类别标识作用的SKU信息。该SKU信息是一类商品的唯一标识信息,并且与EPC码相关联。示例性地,可标识为某品牌某货号的商品,由此,可以通过SKU信息将试穿数据、销售数据和商品信息进行关联。在存储试穿数据、销售数据和商品信息所包含的信息时,可以参考如下的表格进行存储。
作为一种具体实施例,商品信息可以存储为如下表格:
作为一种具体实施例,销售数据可以存储为如下表格:
店铺编号 | SKU信息 | EPC码 | 销售时间 | 销售价 |
作为一种具体实施例,试穿数据可以存储为如下表格:
EPC码 | SKU信息 | 试穿间信息 | 开始试穿时间 | 结束试穿时间 |
需要说明的是,上述表格所包括的具体信息并不是本发明唯一限定的信息,对于其他可以体现商品信息、销售数据和试穿数据的信息也属于本发明的保护范围。
验证模块602在接收到上述由中间界发送的采集数据后,为了提高效率和信息的安全性,系统会先对数据进行有效性验证,具体实现为判断获取试穿数据中的EPC码是否事先进行存储或注册,还包括检验天线ID关联的试衣间是否存在。判断获取流量数据的装置ID所关联的店铺是否存在。
分析模块603将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,分析数据至少包括客流变化数据和销售趋势数据。
对于销售趋势数据的分析,首先根据试穿数据、销售数据和商品信息生成试穿转化率。其中,试穿装率用于揭示消费者在试穿后所带来的销售效果。首先,由于试穿数据、销售数据和商品信息都具有SKU信息,根据SKU信息将试穿数据、销售数据和商品信息进行分组生成商品类别组,按照不同的SKU信息进行商品类型的分组。之后,判断每一商品类别组是否包括试穿数据,即该商品是否有消费者进行了试穿,若商品类型组不包括试穿数据,即商品的试穿装率为0,不必再进行下一步的计算。若商品类别组包括试穿数据,则根据试穿数据和销售数据生成试穿转化率,具体实现为,将每一商品类别组中总销售数据,即总销量除以每一商品类别组的总试穿数据,即总试穿次数,即为该类别商品的试穿转化率。
根据预置的平衡条件和上述方法得到的试穿转化率计算试穿等比因子。该试穿等比因子用于平衡和解决试穿次数和转化率差异导致的计算干扰,在本实施例中可以将平衡条件设置为判断当总试穿次数大于99(在其他实施例中也可以根据需求进行调整)时,试穿等比因子的长度为总试穿次数的长度减1的最小整数,示例性地,总试穿次数为8562,那么试穿等比因子为100,如果总试穿次数小于等于99,则试穿等比因子为0。
之后,根据试穿等比因子和试穿数据生成销售趋势热度比率,再通过预置的排序条件对销量趋势热度比率进行筛选生成销售趋势分析数据。
其中,销售趋势分析数据包括潜在爆款分析数据,该潜在爆款分析数据的特征是高频试穿低销量,本发明通过计算销售趋势热度比率中的高频试穿低销量热度比率来量化高频试穿低销量特征,从而根据高频试穿低销量热度比率分析出潜在的爆款商品,据此可制定有针对性的营销方案,提升潜在的爆款商品的销量。包括根据试穿等比因子和试穿数据生成销售趋势热度比率,具体实现为:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成销售趋势热度比率:
销售趋势热度比率=M/P+(100-R);
其中,若试穿对比因子P为0,则将P设为1,即通过如下公式进行计算生成销售趋势热度比率:
销售趋势热度比率=M/P+(100-R)。
通过预置的排序条件对销量趋势热度比率进行筛选生成潜在爆款分析数据。
其中,预置的排序条件可以按照将销量趋势热度比率从高到低的排行与其它爆款的条件(例如排行前10,或特定商品特征)进行匹配过滤,筛选出符合条件的SKU信息关联至相应的商品信息,即为潜在爆款商品。
其中,在其他优选实施方式中,销售趋势分析数据还包括潜在滞销款分析数据,潜在滞销款分析数据的特征是低频试穿低销量,本发明通过计算销售趋势热度比率中的低频试穿低销量热度比率来量化低频试穿低销量特征,从而根据低频试穿低销量热度比率分析出潜在的滞销款商品,据此调整商品的营销方案或店铺摆放位置,乃至下架处理。如图3所示,包括:
根据试穿等比因子和试穿数据生成销售趋势热度比率,具体实现为:根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成低频试穿低销量热度比率:
销售趋势热度比率=100-(M/P)+(100-R);
其中,若试穿对比因子P为0,则将P设为1,即通过如下公式进行计算生成销售趋势热度比率:
销售趋势热度比率=100-M+(100-R)。
通过预置的排序条件对销量趋势热度比率进行筛选生成潜在滞销款分析数据。
其中,预置的排序条件可以按照将销量趋势热度比率从高到低的排行与其它爆款的条件(例如排行前10,或特定商品特征)进行匹配过滤,筛选出符合条件的SKU信息关联至相应的商品信息,即为潜在滞销款商品。
对于客流变化数据的分析,首先将通过验证的流量数据分配至客流变化分析引擎,根据店铺编码对流量数据进行分类,即将流量数据分配至对应的店铺编码所在存储数据表中,再通过客流变化分析引擎对分类后的流量数据进行分析生成客流变化数据,该客流变化分析引擎可以根据现有技术的客流分析图谱模型实现,其中,客流变化数据可以包括店铺客流排行数据、客流变化幅度数据和时刻客流状况数据。并且,将分析后的客流变化数据通过推荐助手、多维度分析看板、汇总数据和明细数据等途径进行查看。
根据本实施例提供的系统能够基于大数据的消费者行为数据例如试穿数据和销售数据,结合商品信息进行综合分析,从而更加准确分析消费者的实际行为而对商品带来的实际销售影响,通过对以下范畴进行分析,例如商品潜在爆款分析、商品潜在滞销款分析、商品试穿转化率分析、商品特征热度分析和商品区域城市分析从而可以从多个维度为商品企划人员开发新品以及营销方案提供有力的决策依据。并且,还能收集店铺的客流信息以及店铺位置的人流信息,有助于企划人员直观知晓各店铺的客流,为商品企划人员制定引流方案提供参考和依据。
实施例五
请参阅图7,图7是本发明实施例公开的一种基于大数据加速分析商品的交互装置结构示意图。其中,图7所描述的装置可以应用在商场结算分析系统、商场试衣间系统、电商销售系统等系统,对于该基于大数据加速分析商品的交互装置的应用系统本发明实施例不做限制。如图7所示,该装置可以包括:
存储有可执行程序代码的存储器701;
与存储器701耦合的处理器702;
处理器702调用存储器701中存储的可执行程序代码,用于执行实施例二或实施例三所描述的基于大数据加速分析商品的方法。
实施例六
本发明实施例公开了一种计算机可读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一、实施例二或实施例三所描述的基于大数据加速分析商品的方法。
实施例七
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于大数据加速分析商品的方法。
以上所描述的的实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于大数据加速分析商品的方法及装置所揭露的仅为本发明较佳实施例而已,仅用于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项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于大数据加速分析商品的方法,其特征在于,所述方法包括:
采集试穿数据和流量数据;
对所述试穿数据和所述流量数据进行有效性验证;
将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,所述分析数据至少包括客流变化数据和销售趋势数据。
2.根据权利要求1所述的基于大数据加速分析商品的方法,其特征在于,所述流量数据包括第一流量数据和第二流量数据,所述采集流量数据包括:
通过摄像头获取用于人流量计数的第一流量数据;
通过红外探测设备获取用于客流计数的第二流量数据;
其中,所述摄像头和所述红外探测装备具有相同的店铺编码。
3.根据权利要求1所述的基于大数据加速分析商品的方法,其特征在于,所述试穿数据包括试穿开始时间和试穿结束时间,所述采集试穿数据包括:
在商品上配置商品标签,其中,所述商品标签至少包括用于标识商品类别的SKU信息和与所述SKU信息具有关联关系的EPC码;
记录扫描所述EPC码的时间信息;
根据预置的参数阈值和所述时间信息确定试穿开始时间和试穿结束时间;
将所述EPC码、试穿开始时间和试穿结束时间形成映射关系存储至EPC列表。
4.根据权利要求3所述的基于大数据加速分析商品的方法,其特征在于,所述分析引擎包括销售分析引擎,将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,包括:
将通过验证的试穿数据分配至销售分析引擎;
获取销售数据;
通过所述销售分析引擎将所述销售数据和试穿数据进行处理生成试穿转化率;
根据预置的平衡条件和所述试穿转化率计算试穿等比因子;
根据所述试穿等比因子和所述试穿数据生成销售趋势热度比率;
通过预置的排序条件对所述销量趋势热度比率进行筛选生成销售趋势分析数据。
5.根据权利要求3所述的基于大数据加速分析商品的方法,其特征在于,所述销售趋势分析数据包括潜在爆款分析数据,所述根据所述试穿等比因子和所述试穿数据生成销售趋势热度比率,包括:
根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成销售趋势热度比率:
销售趋势热度比率=M/P+(100-R);
通过预置的排序条件对所述销量趋势热度比率进行筛选生成潜在爆款分析数据。
6.根据权利要求5所述的基于大数据加速分析商品的方法,其特征在于,所述销售趋势分析数据还包括潜在滞销款分析数据,所述根据所述试穿等比因子和所述试穿数据生成销售趋势热度比率,包括:
根据统计的不同类别SKU信息的总试穿次数M、试穿转化率R和试穿对比因子P根据如下公式计算生成低频试穿低销量热度比率:
销售趋势热度比率=100-(M/P)+(100-R);
通过预置的排序条件对所述销量趋势热度比率进行筛选生成潜在滞销款分析数据。
7.根据权利要求3-6任一项所述的基于大数据加速分析商品的方法,其特征在于,所述分析数据还包括商品热度分析数据,所述商品信息包括多个商品特征属性,所述方法还包括:
根据SKU信息将所述试穿数据、所述销售数据和所述商品信息进行分组生成商品类别组;
统计每一商品类别组的试穿数据生成总试穿数据;
根据所述商品特征属性和所述总试穿数据生成每一商品特征属性对应的商品热度分析数据。
8.根据权利要求2所述的基于大数据加速分析商品的方法,其特征在于,所述分析引擎包括客流变化分析引擎,将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,包括:
将通过验证的流量数据分配至客流变化分析引擎;
根据店铺编码对所述流量数据进行分类;
通过所述客流变化分析引擎对分类后的流量数据进行分析生成客流变化数据,其中,所述客流变化数据至少包括店铺客流排行数据、客流变化幅度数据和时刻客流状况数据。
9.一种基于大数据加速分析商品的系统,其特征在于,所述系统包括:
数据采集模块,用于采集试穿数据和流量数据;
验证模块,用于对所述试穿数据和所述流量数据进行有效性验证;
分析模块,用于将通过验证的试穿数据和流量数据分配至不同的分析引擎生成用于辅助决策的分析数据,其中,所述分析数据至少包括客流变化数据和销售趋势数据。
10.根据权利要求9所述的基于大数据加速分析商品的系统,其特征在于,
所述数据采集模块包括:
第一流量数据采集单元,用于通过摄像头获取用于人流量计数的第一流量数据;
第二流量数据采集单元,通过红外探测设备获取用于客流计数的第二流量数据;
其中,所述摄像头和所述红外探测装备具有相同的店铺编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010993320.7A CN112085538A (zh) | 2020-09-21 | 2020-09-21 | 一种基于大数据加速分析商品的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010993320.7A CN112085538A (zh) | 2020-09-21 | 2020-09-21 | 一种基于大数据加速分析商品的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085538A true CN112085538A (zh) | 2020-12-15 |
Family
ID=73739280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010993320.7A Pending CN112085538A (zh) | 2020-09-21 | 2020-09-21 | 一种基于大数据加速分析商品的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085538A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297258A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于目标人群数据提取的定制化信息推送方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408181A (zh) * | 2016-09-09 | 2017-02-15 | 广州速鸿信息科技有限公司 | 一种基于大数据分析的智慧门店系统和方法 |
CN107403204A (zh) * | 2017-06-16 | 2017-11-28 | 广州速鸿信息科技有限公司 | 一种基于大数据的智能试衣采集系统及方法 |
CN108446931A (zh) * | 2018-03-21 | 2018-08-24 | 广州市迪如服装有限公司 | 一种服装企业管理系统和基于该系统的试穿反馈方法 |
CN110430521A (zh) * | 2018-04-27 | 2019-11-08 | 上海大唐移动通信设备有限公司 | 基于wifi室内定位的服装销售分析系统及方法 |
-
2020
- 2020-09-21 CN CN202010993320.7A patent/CN112085538A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408181A (zh) * | 2016-09-09 | 2017-02-15 | 广州速鸿信息科技有限公司 | 一种基于大数据分析的智慧门店系统和方法 |
CN107403204A (zh) * | 2017-06-16 | 2017-11-28 | 广州速鸿信息科技有限公司 | 一种基于大数据的智能试衣采集系统及方法 |
CN108446931A (zh) * | 2018-03-21 | 2018-08-24 | 广州市迪如服装有限公司 | 一种服装企业管理系统和基于该系统的试穿反馈方法 |
CN110430521A (zh) * | 2018-04-27 | 2019-11-08 | 上海大唐移动通信设备有限公司 | 基于wifi室内定位的服装销售分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
周敏: "《详论大数据时代连锁经营的管理模式与技术》", 31 January 2018, 东北师范大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297258A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于目标人群数据提取的定制化信息推送方法及装置 |
CN113297258B (zh) * | 2021-04-25 | 2023-04-07 | 上海淇玥信息技术有限公司 | 一种基于目标人群数据提取的定制化信息推送方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107291732B (zh) | 一种信息推送方法及装置 | |
CN110033298B (zh) | 信息处理设备及其控制方法、系统和存储介质 | |
KR20190021183A (ko) | 무인 상점 관리 방법 및 시스템 | |
JP5216192B2 (ja) | 情報端末装置、情報端末装置の制御方法、情報端末プログラムおよび情報出力システム | |
US20060261162A1 (en) | Commodity information proposal system | |
US20060085270A1 (en) | Process and system for providing information to customers at point of sale | |
US10748190B2 (en) | Apparatus for managing customer information, method for managing customer information, system for managing customer information and non-transitory computer readable storage medium having a computer program recorded thereon | |
JP5002441B2 (ja) | マーケティングデータ分析方法、マーケティングデータ分析システム、データ分析サーバ装置およびプログラム | |
JP2004538558A (ja) | 完全に総合されたセルフチェックアウトシステムおよび方法 | |
CN112785354B (zh) | 用于零售管理平台的商品推荐系统 | |
JP7092354B2 (ja) | 商品情報管理装置、商品情報管理方法およびプログラム | |
CN111178966A (zh) | 一种基于人脸识别的潜在客户行为分析方法和系统 | |
CN109920178B (zh) | 一种无人超市系统 | |
CN112085537A (zh) | 一种基于大数据分析商品的方法及系统 | |
US6471125B1 (en) | Method of tracking produce selection data | |
CN111612657A (zh) | 一种客户类型识别方法、装置、电子设备及存储介质 | |
CN112513898A (zh) | 酒精饮料信息管理系统及管理方法 | |
JP3837475B2 (ja) | 自動化ショッピングシステム | |
CN115861986A (zh) | 基于超市自助结账系统的非标品智能识别及防损方法 | |
CN112085538A (zh) | 一种基于大数据加速分析商品的方法及系统 | |
CN116611796B (zh) | 一种店铺交易数据的异常检测方法及装置 | |
CN111383405A (zh) | 一种售货处理方法、系统、装置和收银处理方法、装置 | |
KR20190056667A (ko) | Pos 및 영상 기반의 상권 분석 시스템 및 방법 | |
JP2015194791A (ja) | Pos端末装置 | |
JP3349033B2 (ja) | 購買行動予測装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
RJ01 | Rejection of invention patent application after publication |