CN112163877B - 一种基于机器学习的投放策略自动生成方法及电子装置 - Google Patents
一种基于机器学习的投放策略自动生成方法及电子装置 Download PDFInfo
- Publication number
- CN112163877B CN112163877B CN202010928810.9A CN202010928810A CN112163877B CN 112163877 B CN112163877 B CN 112163877B CN 202010928810 A CN202010928810 A CN 202010928810A CN 112163877 B CN112163877 B CN 112163877B
- Authority
- CN
- China
- Prior art keywords
- order
- period
- rate
- foot
- previous
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于机器学习的投放策略自动生成方法及电子装置,包括收集一品规的上期业务数据,将上期业务指标输入市场状态模型,获取该品规的当前市场状态;计算下期订单订足面极值Dmin、下期投放量下限T1和下期投放量上限Tn;获取各客户在各设定投放方式中的投放档位;以下期投放量下限T1为初始值,在各设定投放方式中进行分配,并逐步递增下期投放量,得到若干预定投放方式;将获取的各预定投放方式的业务指标,输入所述市场状态模型,得到若干预计市场状态,并进行效果评估;根据效果评估结果及各下期投放量Tp的数值,得到最佳投放策略。本发明能够更加客观地分析市场当前状态,更加贴合零售户的实际需求和销售能力,研判品规发展状态。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于机器学习的投放策略自动生成方法及电子装置。
背景技术
伴随经济的发展,如何获取用户需求成为一个重要的课题。例如在卷烟市场化取向改革发展的背景下,卷烟行业也提出了更多、更细的零售户分类体系,由以往单一的档位调整转变为档位、星级、地理位置、营销部以及上述指标的结合,这种转变能够更好的对各零售户不同的需求予以体现。但目前的状况是,虽然下游的零售户能够体现这种不同的需求,但上游的投放策略未发生根本改变,仍然是进行“经验式分析”,由人工进行计算和生产。
而随着大数据技术的发展,如何对用户需求进行“数据化分析”,如何能自动的获取客观用户需求及生成有效的投放策略,成为一个亟待解决的难题。
发明内容
为解决上述问题,本发明提供一种基于机器学习的投放策略自动生成方法及电子装置,从历史销售数据和云POS数据中提取符合业务标准要求的九项指标,基于机器学习方法对该商品当前的市场状态进行判断采用动态规划方法自动生成投放策略,完成投放效果的投放效果前置推演,提高货源投放科学性和精准度。
本发明采用的技术方案如下:
一种基于机器学习的投放策略自动生成方法,其步骤包括:
1)收集一品规的上期业务数据,将计算得到的上期业务指标输入一市场状态模型,获取该品规的当前市场状态;
2)依据当前市场状态、下期预计订购量T、上期业务数据及上期业务指标,计算下期订单订足面极值Dmin、下期投放量下限T1和下期投放量上限Tn,n≥1;
3)依据各客户属性,获取各客户在各设定投放方式中的投放档位;
4)以下期投放量下限T1为初始值,在各设定投放方式中进行分配,并逐步递增下期投放量,直到一下期投放量Ti在各设定投放方式中实际订购量Sj>下期预计订购量T或实际订单订足面Dj<下期订单订足面极值Dmin,得到若干预定投放方式,1≤i≤n,1≤j≤m,m=设定投放方式的数量×n;
5)将获取的各预定投放方式的业务指标,输入所述市场状态模型,得到若干预计市场状态,并进行效果评估;
6)根据效果评估结果及各下期投放量Tp的数值,得到最佳投放策略,1≤p<i;
其中,通过以下步骤得到市场状态模型:
a)获取一或多个品规的若干样本业务数据,计算得到样本业务指标集;
b)利用机器学习方法在样本业务指标集上构建模型并训练,得到市场状态模型。
进一步地,上期业务数据包括:上期订购量、上期需求量、上期投放量、上期投放户数、上期总访销户数、上期订足户数、上期订购户数、上期所有客户期末库存、上期所有客户周期销售、上期有需求记录的零售客户数、前若干周期有该规格订单记录的零售客户数、上期断货天数大于0的样本客户数、前若干周期有该品牌订单的样本客户总数、上期有销售的样本客户数和前若干个周期内有该品牌订单记录的样本客户数。
进一步地,所述上期业务指标包括:上期订单满足率、上期订单订足率、上期投放面、上期订单订足面、上期订单订货面、上期社会存销比、上期重需率、上期客户断货率和上期动销率。
进一步地,通过以下步骤得到计算下期投放量的下限T1与上限Tn:
1)通过对历史数据的统计,获取每一市场状态中订单满足率、订单订足率及订单订足面的上边界和下边界;
2)根据当前市场状态,获取下期订单满足率、下期订单订足率及下期订单订足面的上边界和下边界;
2)依据下期预计订购量和上期订购量,计算订购量差值;
3)根据订购量差值,获取下期订单满足率、下期订单订足率及下期订单订足面;
4)通过需求量×订单满足率≤投放量≤需求量/订单订足率,得到下期投放量的下限T1与上限Tn。
进一步地,通过以下策略获取下期订单满足率、下期订单订足率及下期订单订足面:
1)当下期预计订购量-上期订购量为正数,且订购量差值大于一设定值时,下期订单满足率上升到更松状态的下边界,下期订单订足率及下期订单订足面下降到更松状态的上边界;
2)当下期预计订购量-上期订购量为正数,且订购量差值的绝对值大于该设定值时,下期订单满足率下降到更紧状态的上边界、下期订单订足率及下期订单订足面上升到更紧状态的下边界;
3)当订购量差值的绝对值不大于该设定值时,则分别将上期订单满足率、上期订单订足率及上期订单订足面,作为下期订单满足率、下期订单订足率及下期订单订足面。
进一步地,客户属性包括档位、档位+星级、档位+地理位置或营销部+地理位置。
进一步地,通过以下步骤计算实际订购量Sj:
2)按投放档位对各客户进行品规分配,计算各客户的实际订购量=min(客户需求量,客户投放量;
3)计算该设定投放方式的实际订购量Sj。
进一步地,机器学习方法包括随机森林方法。
一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述所述的方法。
一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机以执行上述所述的方法。
与现有技术相比,本发明具有以下优点:
1.通过模型对市场状态进行评估,排除主观意识的干扰,能够更加客观地分析市场当前状态;
2.基于零售户历史销售数据与云POS数据进行投放策略的自动生成,更加贴合零售户的实际需求和销售能力,减少零售户库存,提升零售户体验。
3.在仿真环境下对投放效果进行自动推演,能够对市场状态进行有效预测,辅助业务人员把握市场动态,研判品规发展状态。
附图说明
图1为本发明的方法流程图。
图2为精准投放算法流程图。
具体实施方式
下面通过具体实施例和附图,对本发明做进一步详细说明。
请参考图1,本发明提出的基于机器学习的投放策略自动生成方法,包括以下步骤:
步骤S1:构建一个由随机森林模型构成的市场状态判断模型,该模型从销售数据及云POS数据中提取九项符合业务要求的指标作为输入,以业务人员标记的历史市场状态作为标签,进行随机森林模型的训练,其中九项指标分别为:
1.订单满足率=订购量/需求量
2.订单订足率=订购量/投放量
3.投放面=投放户数/总访销户数
4.订单订足面=订足户数/投放户数
5.订单订货面=订购户数/投放户数
6.社会存销比=所有客户期末库存/所有客户周期销售
7.重需率=某规格本期有需求记录的零售客户数/前三周期有该规格订单记录的零售客户数
8.客户断货率=某品牌本期断货天数大于0的样本客户数/前三周期有该品牌订单的样本客户总数
9.动销率=某品牌周期内有销售的样本客户数/前三个周期内有该品牌订单记录的样本客户数
步骤S2:本发明中随机森林模型通过训练多个决策树构建集成模型进行分类,每个决策树之间相互独立,权重相等,通过多数占优的投票方式决定最终的分类结果。假设在训练过程中,原始样本集共有n个品规m个投放周期的九项指标及其对应的市场状态共N=n*m个原始样例,则每轮从演示样例中通过有放回抽样的方式抽取N个样本,形成训练集。值得注意的是,用这种方式构成的训练集中,可能存在被重复抽取的样本。假设特征空间共有D个特征,则在每一轮生成决策树的过程中,从D个特征中随机选择其中d个特征(d<D)组成一个新的特征集,使用新的特征集进行该轮决策树的生成。在k轮中,随机森林模型共生成k个决策树,在最终的分类阶段,通过多数占优的投票方式确定最终结果。
步骤S3:由步骤S2得到该品规卷烟的当前市场状态(例如分为俏、紧、平、松、软等)后,根据下期预计订购量对下期订单满足率、下期订单订足率以及下期订单订足面的边界情况进行判断,具体方法如下:
若下期预计订购量-上期订购量>10%*上期订购量,认为该品规的市场状态将由当前状态向松方向发生转变,下期订单满足率上升到更松状态的下边界、下期订单订足率及下期订单订足面下降到更松状态的上边界;若上期订购量-下期预计订购量>10%*上期订购量,则认为该品规的市场状态将由当前市场状态向紧方向转变,下期订单满足率下降到更紧状态的上边界、下期订单订足率及下期订单订足面上升到更紧状态的下边界;若下期预计订购量在此区间,则认为该品规的市场状态维持不变。下期订单满足率、下期订单订足率及下期订单订足面维持不变。
需要指出的是,各边界通过统计计算得到,当在阈值区间发生重叠时,选取中间值作为边界值。例如通过统计计算得到状态为松的订单满足率为[1,0.95],状态为稍松的订单满足率为[0.97,0.9]那么取松的订单满足率取决为[1,0.96],稍松的订单满足率区间为
[0.96,0.9]。
步骤S4:通过步骤S1~S3得到了下期订单满足率、下期订单订足率以及下期订单订足面的阈值边界后,本发明基于动态规划算法自动生成下一周期的投放策略,具体逻辑如下:
根据订单满足率、订单订足率及一般性知识可知:
订单满足率=订购量/需求量
订单订足率=订购量/投放量
订购量≤投放量≤需求量
根据上述公式可以大致估算出投放量的上下边界,即:
投放量≥订购量≥需求量×订单满足率
订单订足率×投放量=订购量≤需求量
投放量≤需求量/订单订足率
对上面的公式进行整理,可得投放量与需求量之间的关系:
需求量×订单满足率≤投放量≤需求量/订单订足率
步骤S5:在得到投放量的上下边界之后,模型以下边界为起点,进行投放效果推演,进行模型效果推演时的流程如图2所示:
首先,通过客户历史周期内的行为,将需求量分配到户,具体分配原则为:首先通过重需率指标计算下期每个子层次(即投放方式)可能发生购买行为的客户人数,其中投放方式包括档位、档位+星级、档位+地理位置、营销部+地理位置等;然后基于下面的公式计算出这些客户的预估需求量:
之后,基于客户实际订购量为需求量和投放量中的最小值原则(即在客户需求量>投放量时,客户倾向于订购全部投放量;反之,客户倾向于订购所需求的数量),计算出每个客户的实际订购量。
此时,可以得到每个可能发生订购行为客户的需求量、投放量和实际订购量,从而预估出整个品规的九项指标具体值,并结合市场状态判断模型从而完成投放效果评估。
在完成一次投放评估过程后,可以得到每个子层次的订单订足面,若此时每个子层次的订单订足面>下期订单订足面且投放量+1仍然在上下边界内,则根据高档位>低档位原则由上到下逐渐增加投放量,直到全部子层次均不满足条件或者预估的实际订购量超过下期预计订购量,循环结束。选取相同效果评估中投放量最大的投放策略,作为最终的投放策略。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书所述为准。
Claims (10)
1.一种基于机器学习的投放策略自动生成方法,其步骤包括:
1)收集一品规的上期业务数据,将计算得到的上期业务指标输入一市场状态模型,获取该品规的当前市场状态;
2)依据当前市场状态、下期预计订购量T、上期业务数据及上期业务指标,计算下期订单订足面极值Dmin、下期投放量下限T1和下期投放量上限Tn,n≥1;
3)依据各客户属性,获取各客户在各设定投放方式中的投放档位;
4)以下期投放量下限T1为初始值,在各设定投放方式中进行分配,并逐步递增下期投放量,直到一下期投放量Ti在各设定投放方式中实际订购量Sj>下期预计订购量T或实际订单订足面Dj<下期订单订足面极值Dmin,得到若干预定投放方式,1≤i≤n,1≤j≤m,m=设定投放方式的数量×n;
5)将获取的各预定投放方式的业务指标,输入所述市场状态模型,得到若干预计市场状态,并进行效果评估;
6)根据效果评估结果及各下期投放量Tp的数值,得到最佳投放策略,1≤p<i;
其中,通过以下步骤得到市场状态模型:
a)获取一或多个品规的若干样本业务数据,计算得到样本业务指标集;
b)利用机器学习方法在样本业务指标集上构建模型并训练,得到市场状态模型。
2.如权利要求1所述的方法,其特征在于,上期业务数据包括:上期订购量、上期需求量、上期投放量、上期投放户数、上期总访销户数、上期订足户数、上期订购户数、上期所有客户期末库存、上期所有客户周期销售、上期有需求记录的零售客户数、前若干周期有该品规订单记录的零售客户数、上期断货天数大于0的样本客户数、前若干周期有该品规订单的样本客户总数、上期有销售的样本客户数和前若干个周期内有该品规订单记录的样本客户数。
3.如权利要求2所述的方法,其特征在于,所述上期业务指标包括:上期订单满足率、上期订单订足率、上期投放面、上期订单订足面、上期订单订货面、上期社会存销比、上期重需率、上期客户断货率和上期动销率。
4.如权利要求3所述的方法,其特征在于,通过以下步骤得到计算下期投放量的下限T1与上限Tn:
1)通过对历史数据的统计,获取每一市场状态中订单满足率、订单订足率及订单订足面的上边界和下边界;
2)根据当前市场状态,获取下期订单满足率、下期订单订足率及下期订单订足面的上边界和下边界;
3)依据下期预计订购量和上期订购量,计算订购量差值;
4)根据订购量差值,获取下期订单满足率、下期订单订足率及下期订单订足面;
5)通过需求量×订单满足率≤投放量≤需求量/订单订足率,得到下期投放量的下限T1与上限Tn。
5.如权利要求4所述的方法,其特征在于,通过以下策略获取下期订单满足率、下期订单订足率及下期订单订足面:
1)当下期预计订购量-上期订购量为正数,且订购量差值大于一设定值时,下期订单满足率上升到更松状态的下边界,下期订单订足率及下期订单订足面下降到更松状态的上边界;
2)当下期预计订购量-上期订购量为负数,且订购量差值的绝对值大于该设定值时,下期订单满足率下降到更紧状态的上边界、下期订单订足率及下期订单订足面上升到更紧状态的下边界;
3)当订购量差值的绝对值不大于该设定值时,则分别将上期订单满足率、上期订单订足率及上期订单订足面,作为下期订单满足率、下期订单订足率及下期订单订足面。
6.如权利要求1所述的方法,其特征在于,客户属性包括档位、档位+星级、档位+地理位置或营销部+地理位置。
8.如权利要求1所述的方法,其特征在于,机器学习方法包括随机森林方法。
9.一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1-8中任一所述方法。
10.一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行如权利要求1-8中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010928810.9A CN112163877B (zh) | 2020-09-07 | 2020-09-07 | 一种基于机器学习的投放策略自动生成方法及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010928810.9A CN112163877B (zh) | 2020-09-07 | 2020-09-07 | 一种基于机器学习的投放策略自动生成方法及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163877A CN112163877A (zh) | 2021-01-01 |
CN112163877B true CN112163877B (zh) | 2022-06-28 |
Family
ID=73858103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010928810.9A Active CN112163877B (zh) | 2020-09-07 | 2020-09-07 | 一种基于机器学习的投放策略自动生成方法及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163877B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7552076B1 (en) * | 1999-08-27 | 2009-06-23 | Kabushiki Kaisha Toshiba | System for evaluating price risk of financial product or its financial derivative, dealing system and recorded medium |
WO2019053821A1 (ja) * | 2017-09-13 | 2019-03-21 | 株式会社日立製作所 | 発注支援システム、発注支援プログラム及び発注支援方法 |
CN109636444A (zh) * | 2018-11-17 | 2019-04-16 | 贵州省烟草公司黔南州公司 | 一种卷烟货源自动测算及投放系统 |
CN111582931A (zh) * | 2020-05-06 | 2020-08-25 | 浪潮软件股份有限公司 | 一种基于主成分分析的卷烟市场饱和度评价方法及系统 |
-
2020
- 2020-09-07 CN CN202010928810.9A patent/CN112163877B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7552076B1 (en) * | 1999-08-27 | 2009-06-23 | Kabushiki Kaisha Toshiba | System for evaluating price risk of financial product or its financial derivative, dealing system and recorded medium |
WO2019053821A1 (ja) * | 2017-09-13 | 2019-03-21 | 株式会社日立製作所 | 発注支援システム、発注支援プログラム及び発注支援方法 |
CN109636444A (zh) * | 2018-11-17 | 2019-04-16 | 贵州省烟草公司黔南州公司 | 一种卷烟货源自动测算及投放系统 |
CN111582931A (zh) * | 2020-05-06 | 2020-08-25 | 浪潮软件股份有限公司 | 一种基于主成分分析的卷烟市场饱和度评价方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于大数据驱动的精准货源投放模式研究;刘颂等;《现代商业》;20200731(第19期);全文 * |
如何适应市场化取向改革的要求,有效建立货源精准投放机制;陈斌等;《万方》;20190425;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112163877A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Modeling customer bounded rationality in operations management: A review and research opportunities | |
Pasandideh et al. | Optimizing a bi-objective multi-product multi-period three echelon supply chain network with warehouse reliability | |
US11769194B2 (en) | Method and system for presenting items in online environment based on previous item selections | |
Constantinou et al. | Profiting from an inefficient Association Football gambling market: Prediction, Risk and Uncertainty using Bayesian networks | |
JP2014157605A (ja) | システムレベル・ワークフロー戦略および個々のワークフロー活動を管理するシステムおよび方法 | |
US7577578B2 (en) | Method for determining the post-launch performance of a product on a market | |
US20100306028A1 (en) | Methods and apparatus to model with ghost groups | |
MX2007011675A (es) | Aparato y metodos para proporcionar mensajeria de cola de espera sobre una red. | |
CN110415004A (zh) | 用于确定商品定价的方法及装置 | |
CA2839085A1 (en) | Optimization of product assortments | |
Pope et al. | A multiple-attribute decision model for retail store location | |
WO2013162593A1 (en) | Application retention metrics | |
US11403574B1 (en) | Method and system for optimizing an item assortment | |
CN107633332A (zh) | 一种金融电子资源预测方法和系统 | |
JP2019074988A (ja) | 客室料金設定装置、客室料金設定方法、およびプログラム | |
CN112163877B (zh) | 一种基于机器学习的投放策略自动生成方法及电子装置 | |
JP6717610B2 (ja) | 買い替え時期判断支援方法、買い替え時期判断支援システム、及びプログラム | |
CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
US20140278707A1 (en) | Commodity Procurement System | |
CN113052383A (zh) | 一种基于机器学习的收入预测方法及装置 | |
EP1357498A2 (en) | Stock planning method | |
CN107330732B (zh) | 一种电子产品定价方法及一种服务器集群 | |
CN113127724A (zh) | 一种清洁机器人功能的推荐方法、系统及装置 | |
Adhikary et al. | Fuzzy random Newsboy problem with chance distribution | |
CN112200610A (zh) | 一种营销信息投放方法、系统及存储介质 |
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 |