CN112308668B - 用于b2b2c模式的商品定期推送方法、系统和可读存储介质 - Google Patents
用于b2b2c模式的商品定期推送方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN112308668B CN112308668B CN202011182755.XA CN202011182755A CN112308668B CN 112308668 B CN112308668 B CN 112308668B CN 202011182755 A CN202011182755 A CN 202011182755A CN 112308668 B CN112308668 B CN 112308668B
- Authority
- CN
- China
- Prior art keywords
- commodity
- purchasing
- pushing
- purchase
- employee
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Abstract
本发明涉及一种用于B2B2C模式的商品定期推送方法、系统和可读存储介质,方法包括:根据员工对商品的购买行为建立该员工对各个商品的购买模式,购买模式包括购买周期、购买规格、购买数量、购买价格和优选品牌,购买模式的各参数均根据员工购买行为中对应参数的平均值或最大值获取;根据购买周期确定商品的推送日期范围;根据购买模式,计算各个商品的推送值;根据当前日期、推送日期范围和推送值最高的商品,针对对应的员工进行商品推送。与现有技术相比,本发明可实现对各个员工和各个商品的针对性分析,使得在封闭的业务范围内,在不丢失掉企业属性的同时还可满足员工的购买需求,提升了购物体验,以及减少了系统的搜索查找时间。
Description
技术领域
本发明涉及B2B2C模式的商品推送领域,尤其是涉及用于B2B2C模式的商品定期推送方法、系统和可读存储介质。
背景技术
随着网络信息技术的不断发展与进步,电商平台中物品种类众多,单纯进行搜索很难快速找到心仪的商品,尤其是针对周期复购性较强的快销品和耐用品,此时进行及时的合适的商品推送就显得尤为重要。然而商品品牌、功能、规格参数、价位、购买周期复杂多变,因此市场中出现了很多推送算法,比如商品协同过滤推送、用户协同过滤推送,它们根据用户的行为喜好推送商品,借以提高商品销量和用户购买体验,但是这些算法全都是在B2C业务模式下针对C端用户的推送,比如根据用户买了A商品,根据算法得出用户可能喜欢B商品,当下次用户访问时即向用户推送B商品。
当下,企业服务逐渐成为市场的方向,越来越大比重的业务模式为B2B2C(Business to Business to Customer),在这种业务模式下,为企业服务的同时,也在为企业的员工服务,但员工又与普通用户不同,他们有着特定的企业属性,所可用的资产、涉及的平台均有企业属性在内,员工的资产为企业发放的特定资产,涉及平台为供应商提供的业务平台,员工账号为封闭性非公开注册账号。目前对于这类的员工用户,适用的推送算法暂无涉及。
本发明主要针对B2B2C模式,即供应商、企业、员工业务模式下的商品定期推送。此模式下,企业通常具有特定的业务属性,且企业发放资产的频次,决定了员工购买商品的行为特性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于B2B2C模式的商品定期推送方法、系统和可读存储介质。
本发明的目的可以通过以下技术方案来实现:
一种用于B2B2C模式的商品定期推送方法,用于推送多个商品库中的商品,所述多个商品库分别对应不同的交易平台,所述商品库存储有市场平均使用天数小于预设的最大天数阈值的商品信息,所述方法包括以下步骤:
根据员工对商品的购买行为建立该员工的购买模式,每个员工购买的每个商品均对应有一个所述购买模式,所述购买模式包括购买周期、购买规格、购买数量、购买价格和优选品牌,所述购买周期、购买规格、购买数量和购买价格均根据员工对该商品所有购买行为中对应参数的平均值获取,所述优选品牌根据员工对该商品的购买行为中对应参数的最大值获取;
确定商品的推送日期范围,每个员工购买过的每个商品均对应有一个所述推送日期范围,所述商品的推送日期范围的确定具体为,根据员工对该商品的对应的购买周期和最近购买行为的完成时间,计算员工对该商品的预计购买日期,确定对应的推送日期范围;
根据各个员工对各个商品的所述购买模式,计算各个商品的推送值;
根据当前日期,获取每个员工对应的处于所述推送日期范围内的商品,从中获取推送值最高的商品,针对对应的员工进行商品推送。
进一步地,所述商品推送值的计算表达式为:
Rvi(u,i)=β1Co(u)+β2AP(u,i)+β3AS(u,i)+β4AQ(u,i)
式中,Rvi(u,i)为商品i对用户u的商品推送值,Co(u)为用户u的优选品牌匹配度,AP(u,i)为用户u对商品i的购买价格匹配度,AS(u,i)为用户u对商品i的购买规格匹配度,AQ(u,i)为用户u对商品i的购买数量匹配度,β1为商品推送权重,β2为购买价格权重,β3为购买规格权重,β4为购买数量权重,β1+β2+β3+β4=1;
通过该用户对于该商品的所述购买模式中的购买规格、购买数量、购买价格和优选品牌,分别与该商品当前的规格、数量、价格和品牌进行匹配,获取购买规格匹配度、购买数量匹配度、购买价格匹配度和优选品牌匹配度。
进一步地,所述β1、β2、β3和β4的取值自大到小依次排列为β1>β2>β3>β4。
进一步地,所述商品定期推送方法还包括构建企业和员工的标签体系,该企业和员工的标签体系包括员工静态标签、员工动态标签和企业动态标签,所述员工静态标签包括员工的基础信息,所述企业动态标签包括资产类型和选择的一个或多个所述商品库,所述员工动态标签包括购买行为信息;
所述用于推送多个商品库中的商品具体为,用于推送所述企业动态标签中选择的一个或多个所述商品库中的商品。
进一步地,所述预计购买日期的计算表达式为:
预计购买日期=最近购买行为的完成时间+购买周期-当前日期。
进一步地,将所述预计购买日期以前达到预设的第一推送天数的日期区间作为所述推送日期范围。
进一步地,所述第一推送天数不超过14天,且不低于3天。
进一步地,所述最大天数阈值不超过2000天。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上储存有计算机程序,所述计算机程序被处理器执行如上所述的方法。
本发明还提供一种用于B2B2C模式的商品定期推送系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
(1)B2B2C业务模式下,因为融合了供应商的服务范围、企业的业务内容属性、企业的需求在内,故员工可用于消费的商品品牌一般比较少,可选择性较低;
本发明针对B2B2C模式的特点,对员工购买的产品进行专属购买模式的分析,计算出购买周期、购买规格、购买数量、购买价格和优选品牌,根据购买周期实现周期性的推送,根据购买规格、购买数量、购买价格和优选品牌,进一步计算出该员工的商品推送值,由此实现根据员工的购买周期推送让员工满意的商品;
该方法可实现对各个员工和各个商品的针对性分析,使得在封闭的业务范围内,在不丢失掉企业属性的同时还可满足员工的购买需求,提升购物体验,以及减少系统的搜索查找时间;并可进一步根据员工的购买模式来提醒商家对于商品的库存管理,提升商家运营效率。
(2)本发明基于公司已有的客户动态标签,即基于业务属性基础上做得商品定期推送,更符合企业业务特性,并且企业标签大多已经形成,本推送方法在已有的体系上实施,可较大的降低技术实施即维护成本。
(3)本发明用于企业内员工的推送,企业内员工本身即是强关系用户,通过本算法可利用强关系影响达到用户裂变效果,结合营销活动使用可显著提升销售额和下单转化率。
附图说明
图1为员工、商品、平台的对应关系示意图;
图2为定期推送系统结构图;
图3为商品购买信息数据库的示意图;
图4为员工购买模式数据库的示意图;
图5为定期推送选定以及购买模式计算的结构图;
图6为商品推送流转结构图;
图7为定期推送服务流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种用于B2B2C模式的商品定期推送方法,用于推送多个商品库中的商品,多个商品库分别对应不同的交易平台,商品库存储有市场平均使用天数小于预设的最大天数阈值的商品信息,方法包括以下步骤:
S1:构建企业和员工的标签体系,该企业和员工的标签体系包括员工静态标签、员工动态标签和企业动态标签,员工静态标签包括员工的基础信息,企业动态标签包括订阅的应用和资产类型,员工动态标签包括购买行为信息;员工的基础信息可以包含如所属企业、所属部门、性别和地域等,购买行为信息可以包含购买的商品信息和下单时间等;
订阅的应用对应选择的一个或多个商品库,根据订阅的应用对应的商品库向员工推送商品;
优选地,商品库仅将快销品(市场平均使用天数<180天)、耐用品(180天<市场平均使用天数<1800天)记录在体系内,无复购性产品(市场平均使用天数>1800天)不记录在标签体系内,即对应的最大天数阈值不超过2000天,优选为1800天。
S2:根据员工对商品的购买行为建立该员工的购买模式,每个员工购买的每个商品均对应有一个购买模式,购买模式包括购买周期、购买规格、购买数量、购买价格和优选品牌,购买周期、购买规格、购买数量和购买价格均根据员工对该商品所有购买行为中对应参数的平均值获取,优选品牌根据员工对该商品的购买行为中对应参数的最大值获取;
S3:确定商品的推送日期范围,每个员工购买过的每个商品均对应有一个推送日期范围,商品的推送日期范围的确定具体为,根据员工对该商品的对应的购买周期和最近购买行为的完成时间,计算员工对该商品的预计购买日期,确定对应的推送日期范围;
预计购买日期的计算表达式为:
预计购买日期=最近购买行为的完成时间+购买周期-当前日期。
将预计购买日期以前达到预设的第一推送天数的日期区间作为推送日期范围,第一推送天数为7。
S4:根据各个员工对各个商品的购买模式,计算各个商品的推送值;
商品推送值的计算表达式为:
Rvi(u,i)=β1Co(u)+β2AP(u,i)+β3AS(u,i)+β4AQ(u,i)
式中,Rvi(u,i)为商品i对用户u的商品推送值,Co(u)为用户u的优选品牌匹配度,AP(u,i)为用户u对商品i的购买价格匹配度,AS(u,i)为用户u对商品i的购买规格匹配度,AQ(u,i)为用户u对商品i的购买数量匹配度,β1为商品推送权重,β2为购买价格权重,β3为购买规格权重,β4为购买数量权重,β1+β2+β3+β4=1;
通过该用户对于该商品的购买模式中的购买规格、购买数量、购买价格和优选品牌,分别与该商品当前的规格、数量、价格和品牌进行匹配,获取购买规格匹配度、购买数量匹配度、购买价格匹配度和优选品牌匹配度。
所述β1、β2、β3和β4的取值自大到小依次排列为β1>β2>β3>β4,优选地,β1的值为0.5,β2的值为0.3,β3的值为0.15,β4的值为0.05。
S5:根据当前日期,获取每个员工对应的处于推送日期范围内的商品,从中获取推送值最高的商品,针对对应的员工进行商品推送。
下面对该实施例的具体实施过程进行描述。
如图1所示,员工在电商平台完成商品的搜索和下单的流程,其中电商平台可以是是供应商提供的在线商城、也可是企业内商城等所有该模式下的对员工开放的用于商品交易的系统。
如图2所示,本发明具体技术方案包括如下步骤:
1)员工数据来源准备:如图4从企业的员工信息库中,获取员工数据,并建立员工商品信息数据库,将员工购买商品数据按照统一格式进行标准化记录,该商品信息数据库主要记录员工与所购买商品的绑定关系以及商品的属性信息,作为周期性推送的基础信息;
建立标签体系:为企业内员工建立标签体系,包括静态标签和动态标签,如已存在标签体系则此步骤可以直接引用,无需再单独建立。所有标签均根据B2B2C业务模式下建立,不同业务标签体系不同。
基本概念定义:
定义1
静态标签:静态用户信息标签即用户相对固定的基础性信息标签,它们不会随着行为的改变而改变。如所属企业、所属部门、性别、地域等。
定义2
动态标签:动态用户信息标签即由用户变化的信息形成的标签,也称为用户的行为轨迹信息标签。动态用户信息包括用户的行为属性和购买属性。如订阅应用、资产类型、下单时间、关注商品等。
为员工建立静态标签,标签内容包括:所属企业(在本案例中指供应商为企业建立的ID信息)、所属部门(在本案例中指企业在供应商提供的平台中设置的部门信息,不一定与企业实际部门相同)、性别、地区(在本案例中指企业在供应商提供的平台中设置的地区信息)。
为员工和企业建立动态标签,标签内容包括:订阅的应用(在本案例中订阅应用由企业为员工订阅,员工只是接受变化的一方)、资产类型(在本案例中指企业在供应商提处发放给员工的虚拟资产,非真实资产)、购买商品、下单时间、关注商品;
标签体系中,商品信息仅将快销品(市场平均使用天数<180天)、耐用品(180天<市场平均使用天数<1800天)记录在体系内,无复购性产品(市场平均使用天数>1800天)不记录在标签体系内。
标签体系如何建立可根据各自技术自行决定,本实施例作为推送方法的基础体系不做详细解释。
2)员工购买周期数据计算
基于前述步骤,基础数据及体系均已建立完成。
本步骤为定期推送的关键步骤:计算员工购买周期。
首先,需要为员工建立商品购买信息数据库和员工购买模式数据库,数据库记录字段参考图5、图6。
员工首次购买商品时,向商品购买信息数据库中插入首条数据;并同时向员工购买模式数据库中插入初始数据。
如图5,建立员工购买模式数据库,平均购买周期为首次设定为市场平均周期。
根据用户再次购买行为,不断优化校正每个员工自己的购买模式;
首次数据插入举例:以牙膏为例,市场平均使用量为每150g可用30自然日,则首次a员工购买150g牙膏,初始记录数据为:平均购买周期AT=150÷(150/30)=30;平均购买规格AS及平均购买数量AQ均为首次下单的商品规格及数量,品牌为首次下单的商品品牌,平均价格为首次下单的商品单价。
员工购买模式数据,需要根据员工多次购买数据(即购买行为)不断进行校正。
校正举例:平均购买周期AT为n次购买时间间隔的平均值,即AT=(AT+AT2+AT3.....+ATn)/n。
平均购买规格AS为n次购买规格的平均值AS=(AS+AS2+AS3.....+ASn)/n。
平均购买数量AQ为n次购买规格的平均值AQ=(AQ+AQ2+AQ3.....+AQn)/n。
平均价格AP为n次购买价格的平均值AQ=AQ+AQ2+AQ3.....+AQn)/n。
优选品牌Co:使用np.bincount()和np.argmax()函数来查找所有购买品牌中出现次数最多的品牌。
预计购买日期:预计购买日期=最近购买行为的完成时间+购买周期-当前日期;
预计距离购买天数:使用上次订单完成时间+平均使用周期得出下次购买日期,再用下次购买日期-当前日期,得出距离天数n。
每次向商品购买信息数据库中插入数据时,需调用接口将员工购买模式数据更新。
3)建立推送模型
3.1)根据动态标签确定商品推送范围,此处跟随业务模式变动,本期商品范围主要来源为企业订阅应用(关爱商城)。
3.2)根据动态标签和员工购买模式计算针对该员工的商品推送值。
所述推送值是员工对某一商品购买倾向的分值估算,分值越高,表示对该商品的购买行为越强,即购买该商品的概率越大。
员工购买模式数据库中,商品属性推送权重占比:品牌Co权重占0.5,平均价格AP权重占0.3,平均规格AS权重占0.15,平均数量AQ权重占0.05。
商品推送值的计算表达式为:
Rvi(u,i)=β1Co(u)+β2AP(u,i)+β3AS(u,i)+β4AQ(u,i)
式中,Rvi(u,i)为商品i对用户u的商品推送值,Co(u)为用户u的优选品牌匹配度,AP(u,i)为用户u对商品i的购买价格匹配度,AS(u,i)为用户u对商品i的购买规格匹配度,AQ(u,i)为用户u对商品i的购买数量匹配度,β1为商品推送权重,β2为购买价格权重,β3为购买规格权重,β4为购买数量权重,β1+β2+β3+β4=1;
通过该用户对于该商品的所述购买模式中的购买规格、购买数量、购买价格和优选品牌,分别与该商品当前的规格、数量、价格和品牌进行匹配,获取购买规格匹配度、购买数量匹配度、购买价格匹配度和优选品牌匹配度。
对应的β1的值为0.5,β2的值为0.3,β3的值为0.15,β4的值为0.05。
3.3)商品推送值计算完成后,选出推送值最高的商品;
3.4)推送时机:预计距离购买天数0≤n≤7时推送。每天轮询在推送日期内的商品,凡是在推送值内则推送至展示平台。
3.5)输出结果:推送要推送的商品至电商平台,平台内模块可以是商城首页推送位、也可以是“猜你喜欢”等专门的商品推送位,本案例中推送平台为“给到”APP内关爱商城应用。
举例说明:
设定:每150g牙膏的平均使用周期为30天;
数据来源:员工A在2020年6月18日首次购买了一盒云南白药牙膏,商品规格为150g,保质期为36个月。
静态及动态标签处理:本业务模式中已有静态及动态标签,本例中主要获取员工订阅应用及应用内商品。
数据处理:向员工购买信息数据库中插入数据:下单时间2020年6月18日,购买规格150g,品牌为“云南白药”;
调用购买模式数据库接口,更新购买模式数据:平均购买周期初始化为30天,预计距离购买天数置为30天。
推送处理:结合动态标签中的商品信息计算牙膏商品的推送值。
输出结果:2020年7月10日,在商品推送位推送1:带有促销活动信息的云南白药牙膏100g,推送2:云南白药牙膏200g,推送3:黑人牙膏100g。
综上所述,本发明以基于动态标签体系的计算得出员工购买模式,并根据员工每个购买周期,精准推送当前用户需要购买的商品,从而直接提升员工购物体验和购物满意度,间接提升运营效率、提高商品销量。此方法可广泛地应用于电商平台网站等。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上储存有计算机程序,所述计算机程序被处理器执行如上所述的方法。
本实施例还提供一种用于B2B2C模式的商品定期推送系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种用于B2B2C模式的商品定期推送方法,用于推送多个商品库中的商品,所述多个商品库分别对应不同的交易平台,其特征在于,所述商品库存储有市场平均使用天数小于预设的最大天数阈值的商品信息,所述方法包括以下步骤:
根据员工对商品的购买行为建立该员工的购买模式,每个员工购买的每个商品均对应有一个所述购买模式,所述购买模式包括购买周期、购买规格、购买数量、购买价格和优选品牌,所述购买周期、购买规格、购买数量和购买价格均根据员工对该商品所有购买行为中对应参数的平均值获取,所述优选品牌根据员工对该商品的购买行为中对应参数的最大值获取;
确定商品的推送日期范围,每个员工购买过的每个商品均对应有一个所述推送日期范围,所述商品的推送日期范围的确定具体为,根据员工对该商品的对应的购买周期和最近购买行为的完成时间,计算员工对该商品的预计购买日期,确定对应的推送日期范围;
根据各个员工对各个商品的所述购买模式,计算各个商品的推送值;
根据当前日期,获取每个员工对应的处于所述推送日期范围内的商品,从中获取推送值最高的商品,针对对应的员工进行商品推送;
所述商品推送值的计算表达式为:
Rvi(u,i)=β1·Co(u)+β2·AP(u,i)+β3·AS(u,i)+β4·AQ(u,i)
式中,Rvi(u,i)为商品i对用户u的商品推送值,Co(u)为用户u的优选品牌匹配度,AP(u,i)为用户u对商品i的购买价格匹配度,AS(u,i)为用户u对商品i的购买规格匹配度,AQ(u,i)为用户u对商品i的购买数量匹配度,β1为商品推送权重,β2为购买价格权重,β3为购买规格权重,β4为购买数量权重,β1+β2+β3+β4=1;
通过该用户对于该商品的所述购买模式中的购买规格、购买数量、购买价格和优选品牌,分别与该商品当前的规格、数量、价格和品牌进行匹配,获取购买规格匹配度、购买数量匹配度、购买价格匹配度和优选品牌匹配度;
所述β1、β2、β3和β4的取值自大到小依次排列为β1>β2>β3>β4;
所述商品定期推送方法还包括构建企业和员工的标签体系,该企业和员工的标签体系包括员工静态标签、员工动态标签和企业动态标签,所述员工静态标签包括员工的基础信息,所述企业动态标签包括资产类型和选择的一个或多个所述商品库,所述员工动态标签包括购买行为信息;
所述用于推送多个商品库中的商品具体为,用于推送所述企业动态标签中选择的一个或多个所述商品库中的商品。
2.根据权利要求1所述的一种用于B2B2C模式的商品定期推送方法,其特征在于,所述预计购买日期的计算表达式为:
预计购买日期=最近购买行为的完成时间+购买周期-当前日期。
3.根据权利要求1所述的一种用于B2B2C模式的商品定期推送方法,其特征在于,将所述预计购买日期以前达到预设的第一推送天数的日期区间作为所述推送日期范围。
4.根据权利要求3所述的一种用于B2B2C模式的商品定期推送方法,其特征在于,所述第一推送天数不超过14天,且不低于3天。
5.根据权利要求1所述的一种用于B2B2C模式的商品定期推送方法,其特征在于,所述最大天数阈值不超过2000天。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上储存有计算机程序,所述计算机程序被处理器执行如权利要求1-5中任一项所述的方法。
7.一种用于B2B2C模式的商品定期推送系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1~5任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182755.XA CN112308668B (zh) | 2020-10-29 | 2020-10-29 | 用于b2b2c模式的商品定期推送方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182755.XA CN112308668B (zh) | 2020-10-29 | 2020-10-29 | 用于b2b2c模式的商品定期推送方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308668A CN112308668A (zh) | 2021-02-02 |
CN112308668B true CN112308668B (zh) | 2023-10-13 |
Family
ID=74331709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182755.XA Active CN112308668B (zh) | 2020-10-29 | 2020-10-29 | 用于b2b2c模式的商品定期推送方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308668B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2328066A1 (en) * | 2000-12-15 | 2002-06-15 | Philippe Lasnier | Internet shopping system and method |
JP2002269410A (ja) * | 2001-03-09 | 2002-09-20 | Sekisui Chem Co Ltd | グループ会社内販売購買システム |
JP2006119748A (ja) * | 2004-10-19 | 2006-05-11 | Hohto Shoji Kk | 会社間の商品販売方法 |
KR100865933B1 (ko) * | 2008-05-30 | 2008-10-29 | 권영춘 | 온라인 통합쇼핑몰 서비스장치에서의 서비스 제휴 방법 |
KR20140015738A (ko) * | 2012-07-23 | 2014-02-07 | 아쿤자다 샤힌 | B2b,b2c 및 c2c 비즈니스 네트워킹을 응용한 전자상거래 방법 |
KR20170092037A (ko) * | 2016-02-02 | 2017-08-10 | 신현종 | B2b 기반의 종합 물류 개방형 온라인 상거래 시스템 |
CN107403330A (zh) * | 2016-05-20 | 2017-11-28 | 长沙海商网络技术有限公司 | 一种b2b2c模式的多用户网上商城系统 |
CN109583994A (zh) * | 2018-11-06 | 2019-04-05 | 珠海市视微网络科技有限公司 | 一种入驻b2b2c商城系统的操作方法 |
CN109636454A (zh) * | 2018-12-05 | 2019-04-16 | 广州市弹弹旦电子商务有限公司 | 一种基于区域用户习惯大数据的商品推送方法 |
KR20200117668A (ko) * | 2019-04-05 | 2020-10-14 | 주식회사 레드아이스 | 크로스크레딧 기반의 b2b2c 크로스보더 전자상거래 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082912A1 (en) * | 2000-12-22 | 2002-06-27 | Leon Batachia | Transactions between vendors and customers using push/pull model |
US20110125611A1 (en) * | 2009-11-24 | 2011-05-26 | iStatus LLC. | Optimized Electronic Commerce Transactions |
US20170316456A1 (en) * | 2016-04-29 | 2017-11-02 | Ncr Corporation | Business-to-business (b2b) to consumer (b2b2c) processing |
-
2020
- 2020-10-29 CN CN202011182755.XA patent/CN112308668B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2328066A1 (en) * | 2000-12-15 | 2002-06-15 | Philippe Lasnier | Internet shopping system and method |
JP2002269410A (ja) * | 2001-03-09 | 2002-09-20 | Sekisui Chem Co Ltd | グループ会社内販売購買システム |
JP2006119748A (ja) * | 2004-10-19 | 2006-05-11 | Hohto Shoji Kk | 会社間の商品販売方法 |
KR100865933B1 (ko) * | 2008-05-30 | 2008-10-29 | 권영춘 | 온라인 통합쇼핑몰 서비스장치에서의 서비스 제휴 방법 |
KR20140015738A (ko) * | 2012-07-23 | 2014-02-07 | 아쿤자다 샤힌 | B2b,b2c 및 c2c 비즈니스 네트워킹을 응용한 전자상거래 방법 |
KR20170092037A (ko) * | 2016-02-02 | 2017-08-10 | 신현종 | B2b 기반의 종합 물류 개방형 온라인 상거래 시스템 |
CN107403330A (zh) * | 2016-05-20 | 2017-11-28 | 长沙海商网络技术有限公司 | 一种b2b2c模式的多用户网上商城系统 |
CN109583994A (zh) * | 2018-11-06 | 2019-04-05 | 珠海市视微网络科技有限公司 | 一种入驻b2b2c商城系统的操作方法 |
CN109636454A (zh) * | 2018-12-05 | 2019-04-16 | 广州市弹弹旦电子商务有限公司 | 一种基于区域用户习惯大数据的商品推送方法 |
KR20200117668A (ko) * | 2019-04-05 | 2020-10-14 | 주식회사 레드아이스 | 크로스크레딧 기반의 b2b2c 크로스보더 전자상거래 시스템 |
Non-Patent Citations (2)
Title |
---|
"Blurring B2C and B2B boundaries: corporate brand value co-creation in B2B2C markets";Michela Mingione et.al;《JOURNAL OF MARKETING MANAGEMENT》;第1-29页 * |
"基于B2B2C网络购物系统的研究与设计";易向东;《广东教育学院学报》;第30卷(第3期);第38-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112308668A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200065750A1 (en) | Inventory management system and method thereof | |
CN106097076B (zh) | 商品销售管理系统 | |
US7739148B2 (en) | Reporting metrics for online marketplace sales channels | |
Wang et al. | Cold chain investment and pricing decisions in a fresh food supply chain | |
US10891644B2 (en) | Method, system and apparatus for reinforcing desirable consumer behaviors with surprise rewards | |
Ghoniem et al. | Integrated retail decisions with multiple selling periods and customer segments: Optimization and insights | |
US20140207611A1 (en) | Personalized automated shopping system and method | |
US20130060595A1 (en) | Inventory management and budgeting system | |
US20150026015A1 (en) | Aggregation of group of products content and providing ways to display, view, access, share and consume content | |
US20140019285A1 (en) | Dynamic Listing Recommendation | |
US20140156346A1 (en) | Methods and systems for dynamic demand sensing | |
JP2021511611A (ja) | 推薦装置および方法 | |
CN112837118A (zh) | 企业用户的商品推荐方法和装置 | |
Yu et al. | Single-manufacturer, multi-retailer consignment policy for retailers’ generalized demand distributions | |
Singh et al. | Supply chain inventory model with price-dependent consumption rate with ameliorating and deteriorating items and two levels of storage | |
CN113763125A (zh) | 一种关于购买货物的采购单生成方法及装置 | |
CN110866220B (zh) | 一种电商活动过程中的选品推荐系统 | |
CN112308668B (zh) | 用于b2b2c模式的商品定期推送方法、系统和可读存储介质 | |
Adusei et al. | Determinants of stock-out in retail shops in Ghana: Evidence from Kumasi metropolis | |
US11861677B2 (en) | Machine learning model for click through rate prediction using three vector representations | |
US20210158369A1 (en) | Systems and methods for deriving platform feedback data for dynamic retrieval by downstream subsystems | |
Pokhylko et al. | Drop shipping development under COVID-19 circumstances as the most common method of e-commerce | |
Ramanathan | A mathematical programming model for estimating the importance levels of performance criteria and an application in e-commerce | |
CN112700196A (zh) | 商品采购方法、装置、存储介质及电子设备 | |
CN113869934A (zh) | 跨平台红利点数服务器 |
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 |