CN113052651A - 一种基于大数据的智能零售管理方法及系统 - Google Patents
一种基于大数据的智能零售管理方法及系统 Download PDFInfo
- Publication number
- CN113052651A CN113052651A CN202110286156.0A CN202110286156A CN113052651A CN 113052651 A CN113052651 A CN 113052651A CN 202110286156 A CN202110286156 A CN 202110286156A CN 113052651 A CN113052651 A CN 113052651A
- Authority
- CN
- China
- Prior art keywords
- commodity
- commodities
- data
- customers
- customer
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 43
- 238000012937 correction Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cash Registers Or Receiving Machines (AREA)
Abstract
本发明提供了一种基于大数据的智能零售管理方法及系统,包括:基于大数据平台,获取商品的基本信息,同时获取不同顾客的购买记录及身份标识;基于大数据处平台,将购买过商品的顾客的购买记录与商品信息进行匹配,并将匹配结果进行保存;基于匹配结果,确定顾客对不同种类商品的购买频率;基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐。通过根据顾客的购买记录与商品信息之间的匹配关系,准确对顾客喜爱的商品进行准确把握,并根据顾客喜爱的商品种类,将同类商品中需求热度最高的商品向顾客进行推荐,通过与大数据技术结合提高了商品零售的管理效率与效果。
Description
技术领域
本发明涉及商品管理及数据处理技术领域,特别涉及一种基于大数据的智能零售管理方法及系统。
背景技术
现在的社会是一个高速发展的社会,科技发达,信息流通,人们之间的交流越来越密切,生活也越来越方便,大数据就是这个高科技时代的产物。
将大数据技术与商品零售进行结合,可以实现根据顾客的购买记录与商品信息之间的匹配关系,准确对顾客喜爱的商品进行准确把握,并根据顾客喜爱的商品种类,将同类商品中需求热度最高的商品向顾客进行推荐,因此本发明提供了一种基于大数据的智能零售管理方法及系统。
发明内容
本发明提供一种基于大数据的智能零售管理方法及系统,用以根据顾客的购买记录,确定需求热度高的商品,并将需求热度高的商品向顾客进行针对性的推荐,提高了商品零售的管理效率。
本发明提供了一种基于大数据的智能零售管理方法,包括:
步骤1:基于大数据平台,获取商品的基本信息,同时获取不同顾客的购买记录及身份标识;
步骤2:基于大数据平台,将购买过商品的顾客的购买记录与商品信息进行匹配,并将匹配结果进行保存;
步骤3:基于匹配结果,确定顾客对不同种类商品的购买频率;
步骤4:基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐。
优选的,一种基于大数据的智能零售管理方法,步骤1中,基于大数据平台,获取商品的基本信息,同时获取不同顾客的购买记录,包括:
获取商品条形码,并对所述商品条形码进行解码,得到商品对应的索引信息;
基于所述索引信息,从预设的商品关联数据库中查找与所述索引信息匹配的目标商品信息,得到商品的基本信息;
同时,基于大数据平台从交易终端获取目标顾客的交易信息;
基于所述交易信息,锁定目标顾客的移动支付终端标识,并基于所述移动支付终端标识确定与所述移动支付终端相绑定的所述目标顾客的身份标识信息;
基于目标顾客的身份标识信息,从预设购买记录数据库中查找目标顾客的购买记录。
优选的,一种基于大数据的智能零售管理方法,步骤2中,基于大数据平台,将购买过商品的顾客的购买记录与商品信息进行匹配,包括:
将所述商品信息输入预设的商品信息记录矩阵,并提取所顾客购买记录中的待匹配特征数据;
基于所述待匹配特征数据,从预设的匹配规则库中获取对应的目标匹配规则;
同时,确定所述待匹配特征数据的优先级以及所述待匹配特征数据对应的目标匹配规则的优先级,生成所述待匹配特征数据矩阵;
基于所述目标匹配规则,确定所述待匹配特征数据矩阵与所述商品信息记录矩阵之间的字段对应关系;
基于所述字段对应关系完成顾客的购买记录与商品信息的匹配。
优选的,一种基于大数据的智能零售管理方法,步骤2中,将匹配结果进行保存,包括:
获取匹配结果,确定所述匹配结果中不同顾客的购买记录与商品信息的匹配数据的数据类型,并根据所述数据类型确定目标缓存区域;
确定所述匹配结果对应的数据量与所述目标缓存区域的缓存量阈值的大小关系;
当所述匹配结果对应的数据量小于或等于所述目标缓存区域的缓存量阈值时,获取顾客的身份标识,并基于所述身份标识在所述目标缓存区域为不同顾客设置对应的目录;
其中,目录具有与顾客身份标识映射的目录标识;
基于所述目录标识,将所述匹配结果对应的数据存储至对应的目录区域下;
否则,重新确定目标缓存区域,直至所述匹配结果对应的数据量小于或等于所述目标缓存区域的缓存量阈值。
优选的,一种基于大数据的智能零售管理方法,步骤3中,基于匹配结果,确定顾客对不同种类商品的购买频率,包括:
获取不同顾客购买的商品种类,将不同顾客购买的商品种类进行汇总,得到已经出售的所有商品种类,并提取所有商品种类中不同种类商品数据中的关键字;
同时,获取不同顾客的购买记录与商品信息的匹配结果;
确定所述不同种类商品数据中的关键字在不同顾客的购买记录与商品信息的匹配结果中出现的频率;
将不同顾客购买同一种类商品的频率进行叠加运算,得到顾客对不同种类商品的购买频率。
优选的,一种基于大数据的智能零售管理方法,步骤4中,基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐,包括:
获取顾客对不同种类商品的购买频率,并基于所述购买频率确定不同种类商品在预设时间段内的多组历史销量数据;
基于预设的统计指标,获取与所述多组历史销量数据匹配的销量关联特征数据集合,并将所述多组历史销量数据与销量关联特征数据集合进行结合,得到商品历史销量特征数据集合;
对所述商品历史销量特征数据集合进行训练得到商品销量预测模型,并基于所述商品销量预测模型对不同种类商品在预设的未来时间段内的销量进行预测,得到预测结果;
基于所述预测结果确定顾客对不同种类商品的需求热度;
构建商品类别树,并基于树关系获取针对所述不同种类商品的需求热度的修正数据表;
所述修正数据表包含需要进行修正的待修正实例;
其中,所述待修正实例为需要进行修正的商品对应的需求热度数据;
基于预设的修正规则,确定对所述需要进行修正的商品对应的需求热度数据的修正值和所述修正值所属的商品种类领域;
基于所述修正值,完成对预测得到的不同种类商品的需求热度的修正,并将修正得到的不同种类商品的需求热度进行校验,判断是否满足预设修正要求;
若满足,则得到标准的顾客对不同种类商品的需求热度,否则,再次对预测得到的不同种类商品的需求热度进行修正,直至满足预设修正要求;
按照满足预设修正要求的不同种类商品的需求热度递减顺序,将不同种类商品进行排序;
基于排序结果,依次提取不同种类商品的商品特征,并根据所述商品特征确定当前商品的种类;
计算当前商品种类下,其余商品与所述商品特征的相似度,并将计算得到的相似度与预设相似度进行比较;
若所述相似度小于所述预设相似度,判定商品不符合推荐条件;
否则,基于大数据平台,获取顾客的身份标识,并根据所述身份标识创建对应的商品推荐列表,并按照相似度由高到低的顺序,将对应的商品信息填入所述商品推荐列表;
基于所述顾客的身份标识,将所述商品推荐列表进行针对性的推荐。
优选的,一种基于大数据的智能零售管理方法,步骤4中,基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐,还包括:
获取顾客对不同种类商品的购买频率,根据所述购买频率计算顾客对商品的需求系数,并根据所述需求系数计算预测顾客对商品需求热度时的预测准确率,具体步骤包括:
根据如下公式计算顾客对商品的需求系数:
其中,α表示顾客对商品的需求系数;β表示顾客的消费水平能力值;γ表示顾客对商品的喜爱程度值;ρ表示商品的销售价格;表示顾客对商品的期望价格;表示商品的不可替代因子,且取值范围为(0.8,1.2);f表示顾客对商品的购买频率;
根据如下公式计算对商品需求热度预测时的预测准确率:
其中,η表示对不同种类商品需求热度预测时的预测准确率,且取值范围为(0,1);α表示顾客对商品的需求系数;μ表示预测系数,且取值范围为(0.7,0.9);ω表示预测的商品需求量;θ表示顾客对商品的实际需求量;τ表示误差系数,且取值范围为(0.1,0.15);T表示对商品需求热度的预测周期值;t表示预测当前商品需求热度所用的时间长度值;
将计算得到的预测准确率与预设预测准确率进行比较;
若所述预测准确率小于所述预设预测准确率,判定预测顾客对不同种类商品需求热度不合格,并舍弃当前预测结果,并重新对不同种类商品需求热度进行预测,直至所述预测准确率大于或等于所述预设预测准确率;
否则,判定预测顾客对不同种类商品需求热度合格,并按照需求热度递减的顺序,将相应的商品信息通过预设方式推荐至用户终端,完成对顾客进行针对性的推荐。
优选的,一种基于大数据的智能零售管理系统,包括:
数据获取模块,用于基于大数据应用层,获取商品的基本信息,同时获取不同顾客的购买记录及身份标识;
数据匹配模块,用于基于大数据处理层,将购买过商品的顾客的购买记录与商品信息进行匹配,并将匹配结果进行保存;
数据处理模块,用于基于匹配结果,确定顾客对不同种类商品的购买频率;
商品推荐模块,用于基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明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。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于大数据的智能零售管理方法的流程图;
图2为本发明实施例中一种基于大数据的智能零售管理系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本实施例提供了一种基于大数据的智能零售管理方法,如图1所示,包括:
步骤1:基于大数据平台,获取商品的基本信息,同时获取不同顾客的购买记录及身份标识;
步骤2:基于大数据平台,将购买过商品的顾客的购买记录与商品信息进行匹配,并将匹配结果进行保存;
步骤3:基于匹配结果,确定顾客对不同种类商品的购买频率;
步骤4:基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐。
该实施例中,商品的基本信息指的是商品的种类信息、商品的价格信息以及商品的生产日期等。
该实施例中,身份标识是用来对不同的消费顾客进行标识,便于根据身份标识准确确定到相应的顾客,实现精准的商品推荐。
该实施例中,购买频率指的是顾客对在预设时间段内的购买次数,其中预设时间段可以是一星期、一个月等。
该实施例中,针对性的推荐指的是根据顾客购买商品种类的情况不同,向顾客推荐与该顾客购买意向类似的商品。
上述技术方案的有益效果是:通过获取顾客的购买记录与商品的基本信息,实现根据顾客的购买记录与商品信息之间的匹配关系,准确对顾客喜爱的商品进行准确把握,并根据顾客喜爱的商品种类,将同类商品中需求热度最高的商品向顾客进行推荐,通过与大数据技术结合提高了商品零售的管理效率与效果。
实施例2:
在上述实施例1的基础上,本实施例提供了一种基于大数据的智能零售管理方法,步骤1中,基于大数据平台,获取商品的基本信息,同时获取不同顾客的购买记录,包括:
获取商品条形码,并对所述商品条形码进行解码,得到商品对应的索引信息;
基于所述索引信息,从预设的商品关联数据库中查找与所述索引信息匹配的目标商品信息,得到商品的基本信息;
同时,基于大数据平台从交易终端获取目标顾客的交易信息;
基于所述交易信息,锁定目标顾客的移动支付终端标识,并基于所述移动支付终端标识确定与所述移动支付终端相绑定的所述目标顾客的身份标识信息;
基于目标顾客的身份标识信息,从预设购买记录数据库中查找目标顾客的购买记录。
该实施例中,索引信息指的是商品对应的代码信息,可根据索引信息从商品数据库中找到商品对应的具体商品信息。
该实施例中,目标顾客指的是在对某一具体顾客进行分析时,待指某一个具体顾客的身份。
该实施例中,移动支付终端标识是用来对不同顾客的移动终端进行标识,可根据该标识确定与移动支付终端相绑定的目标顾客的身份标识信息。
上述技术方案的有益效果是:通过获取商品的索引信息,准确从商品数据库中确定商品的基本信息,同时能够根据顾客的交易信息确定顾客用于支付时的手机终端,从而确定顾客的身份标识信息,为获取顾客的消费记录提供了便利,通过获取商品信息与顾客的购买记录,便于准确将顾客的消费记录与商品信息进行匹配,提高了商品需求热度判定的准确度,实现对商品零售进行准确的管理与把控。
实施例3:
在上述实施例1的基础上,本实施例提供了一种基于大数据的智能零售管理方法,步骤2中,基于大数据平台,将购买过商品的顾客的购买记录与商品信息进行匹配,包括:
将所述商品信息输入预设的商品信息记录矩阵,并提取所顾客购买记录中的待匹配特征数据;
基于所述待匹配特征数据,从预设的匹配规则库中获取对应的目标匹配规则;
同时,确定所述待匹配特征数据的优先级以及所述待匹配特征数据对应的目标匹配规则的优先级,并生成所述待匹配特征数据矩阵;
基于所述目标匹配规则,确定所述待匹配特征数据矩阵与所述商品信息记录矩阵之间的字段对应关系;
基于所述字段对应关系完成顾客的购买记录与商品信息的匹配。
该实施例中,商品信息记录矩阵是用来对商品的基本信息进行记录保存,便于将商品信息与顾客的购买记录进行匹配。
该实施例中,待匹配特征数据指的是顾客购买记录中有关商品信息的关键字段,可根据此关键字段查找到顾客购买的商品信息。
该实施例中,待匹配特征数据矩阵是将待匹配特征数据放置在初等矩阵中形成的,对待匹配特征数据进行排序保存。
该实施例中,字段对应关系可以是一个待匹配特征数据对应一个商品信息,也可以是一个待匹配特征数据对应多个商品信息。
上述技术方案的有益效果是:通过将商品信息以及购买记录中的待匹配特征数据分别放入不同的矩阵当中,便于确定两者之间的字段对应关系,从而时间对两者进行精准的匹配,便于根据匹配结果确定顾客对不同商品的喜爱程度,提高了对商品零售状况的把控,同时也提高了商品零售的管理效率及效果。
实施例4:
在上述实施例1的基础上,本实施例提供了一种基于大数据的智能零售管理方法,步骤2中,将匹配结果进行保存,包括:
获取匹配结果,确定所述匹配结果中不同顾客的购买记录与商品信息的匹配数据的数据类型,并根据所述数据类型确定目标缓存区域;
确定所述匹配结果对应的数据量与所述目标缓存区域的缓存量阈值的大小关系;
当所述匹配结果对应的数据量小于或等于所述目标缓存区域的缓存量阈值时,获取顾客的身份标识,并基于所述身份标识在所述目标缓存区域为不同顾客设置对应的目录;
其中,目录具有与顾客身份标识映射的目录标识;
基于所述目录标识,将所述匹配结果对应的数据存储至对应的目录区域下;
否则,重新确定目标缓存区域,直至所述匹配结果对应的数据量小于或等于所述目标缓存区域的缓存量阈值。
该实施例中,目标缓存区域指的是用来存储匹配结果的存储区域。
该实施例中,缓存量阈值指的是目标缓存区域允许的存储数据量,是用来与匹配结果对应的数据量进行比较,判断匹配结果是否可以成功存储至目标缓存区域的条件。
该实施例中,目录标识是用来对不同顾客身份对应的目录进行标记,可根据该标识准确确定顾客对应的目录,从而便于准确的获取目录下顾客的匹配结果。
上述技术方案的有益效果是:通过确定目标缓存区域,并根据顾客的身份标识创建对应的目录以及目录标识,并将匹配结果存储至相应的目录标识下,便于在对用户的购买信息分析时,快速准确的查找到对应的信息,从而实现对商品当前状态进行准确的把控,提高了对商品信息分析的效率,提高了对商品零售的管理效率。
实施例5:
在上述实施例1的基础上,本实施例提供了一种基于大数据的智能零售管理方法,步骤3中,基于匹配结果,确定顾客对不同种类商品的购买频率,包括:
获取不同顾客购买的商品种类,将不同顾客购买的商品种类进行汇总,得到已经出售的所有商品种类,并提取所有商品种类中不同种类商品数据中的关键字;
同时,获取不同顾客的购买记录与商品信息的匹配结果;
确定所述不同种类商品数据中的关键字在不同顾客的购买记录与商品信息的匹配结果中出现的频率;
将不同顾客购买同一种类商品的频率进行叠加运算,得到顾客对不同种类商品的购买频率。
该实施例中,关键字指的是商品对应的数据中,能够代表商品属性的关键数据字段。
上述技术方案的有益效果是:通过获取不同顾客购买的商品种类,确定已经出售的所有商品种类,确定商品数据的关键词在顾客的匹配结果中出现的频率,并将不同顾客购买同一商品的频率进行叠加,得到该商品的购买频率,准确的获取的不同商品被顾客购买的程度,为确定顾客对商品的需求热度提供了条件,便于通过大数据技术向顾客实现精准的推荐,提高了商品零售的管理效率。
实施例6:
在上述实施例5的基础上,本实施例提供了一种基于大数据的智能零售管理方法,其特征在于,提取所有商品种类中不同种类商品数据中的关键字的具体工作过程,包括:
获取每个商品所对应的数据的数据宽度,并基于所述数据宽度以及数据处理帧对所述不同商品所对应的数据分别进行遍历扫描,获取与所述数据宽度相对应的比特位数;
基于所述比特位数,获取与所述比特位数相对应的数据词组;
同时,获取所述数据词组的位置序列,并基于所述位置序列,获取数据词组的首字符与尾字符;
基于所述数据词组的首字符与尾字符确定所述数据词组的标识信息,同时,根据所述标识信息获取所述不同商品对应的数据中的关键字。
该实施例中,数据处理帧是用来对商品进行扫描识别,从而可以获取数据宽度相对应的比特位数;
该实施例中,标识信息可以是根据数据词组的首尾字符来锁定数据词组,因此基于首尾字符生成标识信息,从而根据标识字符直接匹配数据词组。
上述技术方案的有益效果是:通过获取每个商品所对应的数据的数据宽度,有利于对不同商品所对应的数据分别进行遍历扫描,从而有利于获取数据词组,进而准确获取数据词组所对应的标识字符,从标识字符中获取不同商品对应的数据中的关键字,大大提高了数据管理效率。
实施例7:
在上述实施例1的基础上,本实施例提供了一种基于大数据的智能零售管理方法,步骤4中,基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐,包括:
获取顾客对不同种类商品的购买频率,并基于所述购买频率确定不同种类商品在预设时间段内的多组历史销量数据;
基于预设的统计指标,获取与所述多组历史销量数据匹配的销量关联特征数据集合,并将所述多组历史销量数据与销量关联特征数据集合进行结合,得到商品历史销量特征数据集合;
对所述商品历史销量特征数据集合进行训练得到商品销量预测模型,并基于所述商品销量预测模型对不同种类商品在预设的未来时间段内的销量进行预测,得到预测结果;
基于所述预测结果确定顾客对不同种类商品的需求热度;
构建商品类别树,并基于树关系获取针对所述不同种类商品的需求热度的修正数据表;
所述修正数据表包含需要进行修正的待修正实例;
其中,所述待修正实例为需要进行修正的商品对应的需求热度数据;
基于预设的修正规则,确定对所述需要进行修正的商品对应的需求热度数据的修正值和所述修正值所属的商品种类领域;
基于所述修正值,完成对预测得到的不同种类商品的需求热度的修正,并将修正得到的不同种类商品的需求热度进行校验,判断是否满足预设修正要求;
若满足,则得到标准的顾客对不同种类商品的需求热度,否则,再次对预测得到的不同种类商品的需求热度进行修正,直至满足预设修正要求;
按照满足预设修正要求的不同种类商品的需求热度递减顺序,将不同种类商品进行排序;
基于排序结果,依次提取不同种类商品的商品特征,并根据所述商品特征确定当前商品的种类;
计算当前商品种类下,其余商品与所述商品特征的相似度,并将计算得到的相似度与预设相似度进行比较;
若所述相似度小于所述预设相似度,判定商品不符合推荐条件;
否则,基于大数据平台,获取顾客的身份标识,并根据所述身份标识创建对应的商品推荐列表,并按照相似度由高到低的顺序,将对应的商品信息填入所述商品推荐列表;
基于所述顾客的身份标识,将所述商品推荐列表进行针对性的推荐。
该实施例中,预设的统计指标是提前设定好的,用来对商品的历史销量数据进行统计,为确定历史销量数据的特征数据提供便利。
该实施例中,销量关联特征数据集合是与历史销量数据相关的,用来表示历史销量数据的销量特征,是提前设定好的,可根据销量关联特征数据集合确定历史销量数据中的特征数据。
该实施例中,商品历史销量特征数据集合指的是将商品的历史销量数据与销量数据对应的特征数据进行结合,得到关于商品历史销量的特征数据。
该实施例中,商品类别树是用来存储商品的种类。
该实施例中,树关系指的是商品之间的关联关系或依赖关系,例如椅子,可以是办公用品,也可以是生活用品。
该实施例中,标准的顾客对不同种类商品的需求热度指的是对预测得到的需求热度进行修正后的结果,是将预测结果中不标准的数据进行修改后的数据。
该实施例中,商品特征指的是商品具有的专属属性,是用来表征商品的用途或功能。
该实施例中,预设相似度是预先设定好的,用来衡量顾客购买的商品与同类商品其余商品之间的相似度,便于根据相似度为孤苦进行商品推荐。
该实施例中,预设的修正规则是提前设定好的,用来确定对需要进行修正的数据的修正值,例如可以是将当前的数据与标准的数据进行比较,得到的差值即为修正值。
上述技术方案的有益效果是:通过根据顾客对商品的购买频率,确定商品在一定时间段内的销量数据,通过对销量数据进行分析从而确定商品的需求热度,通过按商品需求热度按递减顺序计算同类商品中与需求热度商品相类似的商品,并按照相似度递减的顺序向顾客进行推荐,提高了顾客在购买商品时的效率,通过与大数据技术结合提高了商品零售的管理效率与效果。
实施例8:
在上述实施例1的基础上,本实施例提供了一种基于大数据的智能零售管理方法,步骤4中,基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐,还包括:
获取顾客对不同种类商品的购买频率,根据所述购买频率计算顾客对商品的需求系数,并根据所述需求系数计算预测顾客对商品需求热度时的预测准确率,具体步骤包括:
根据如下公式计算顾客对商品的需求系数:
其中,α表示顾客对商品的需求系数;β表示顾客的消费水平能力值;γ表示顾客对商品的喜爱程度值;ρ表示商品的销售价格;表示顾客对商品的期望价格;表示商品的不可替代因子,且取值范围为(0.8,1.2);f表示顾客对商品的购买频率;
根据如下公式计算对商品需求热度预测时的预测准确率:
其中,η表示对不同种类商品需求热度预测时的预测准确率,且取值范围为(0,1);α表示顾客对商品的需求系数;μ表示预测系数,且取值范围为(0.7,0.9);ω表示预测的商品需求量;β表示顾客对商品的实际需求量;τ表示误差系数,且取值范围为(0.1,0.15);T表示对商品需求热度的预测周期值;t表示预测当前商品需求热度所用的时间长度值;
将计算得到的预测准确率与预设预测准确率进行比较;
若所述预测准确率小于所述预设预测准确率,判定预测顾客对不同种类商品需求热度不合格,并舍弃当前预测结果,并重新对不同种类商品需求热度进行预测,直至所述预测准确率大于或等于所述预设预测准确率;
否则,判定预测顾客对不同种类商品需求热度合格,并按照需求热度递减的顺序,将相应的商品信息通过预设方式推荐至用户终端,完成对顾客进行针对性的推荐。
该实施例中,消费水平能力值是用来表示顾客对购买能力程度,是用一个具体的数值来表示的。
该实施例中,喜爱程度值是用来表示顾客对商品的喜爱程度,是一个具体的数值来表示喜爱的程度。
该实施例中,商品需求热度的预测周期值指的是在一定时间段内就对商品的需求热度进行一次预测,例如预测周期值可以是一天、一星期、一个月等。
该实施例中,预设预测准确率是提前设定好的,用来衡量计算得到的预测准确率的准确程度,是经过多次训练得到的。
上述技术方案的有益效果是:通过算顾客对商品的需求系数,并根据所述需求系数计算预测顾客对商品需求热度时的预测准确率。在计算需求系数时,涉及顾客的消费水平值、购买商品的频率、商品的销售价格等,确保在计算需求系数时,包含顾客对商品的考虑因素,使得计算结果准确可信,在计算预测准确率时,涉及预测销售的数量与实际销售的数量之比,为计算结果的准确可靠提供了依据,通过此方案确保了向顾客进行精准的商品推荐,实现对商品零售的有效管理。
实施例9:
本实施例提供了一种基于大数据的智能零售管理系统,如图2所示,包括:
数据获取模块,用于基于大数据应用层,获取商品的基本信息,同时获取不同顾客的购买记录及身份标识;
数据匹配模块,用于基于大数据处理层,将购买过商品的顾客的购买记录与商品信息进行匹配,并将匹配结果进行保存;
数据处理模块,用于基于匹配结果,确定顾客对不同种类商品的购买频率;
商品推荐模块,用于基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐。
上述技术方案的有益效果是:通过获取顾客的购买记录与商品的基本信息,实现根据顾客的购买记录与商品信息之间的匹配关系,准确对顾客喜爱的商品进行准确把握,并根据顾客喜爱的商品种类,将同类商品中需求热度最高的商品向顾客进行推荐,通过与大数据技术结合提高了商品零售的管理效率与效果。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于大数据的智能零售管理方法,其特征在于,包括:
步骤1:基于大数据平台,获取商品的基本信息,同时获取不同顾客的购买记录及身份标识;
步骤2:基于大数据平台,将购买过商品的顾客的购买记录与商品信息进行匹配,并将匹配结果进行保存;
步骤3:基于匹配结果,确定顾客对不同种类商品的购买频率;
步骤4:基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐。
2.根据权利要求1所述的一种基于大数据的智能零售管理方法,其特征在于,步骤1中,基于大数据平台,获取商品的基本信息,同时获取不同顾客的购买记录,包括:
获取商品条形码,并对所述商品条形码进行解码,得到商品对应的索引信息;
基于所述索引信息,从预设的商品关联数据库中查找与所述索引信息匹配的目标商品信息,得到商品的基本信息;
同时,基于大数据平台从交易终端获取目标顾客的交易信息;
基于所述交易信息,锁定目标顾客的移动支付终端标识,并基于所述移动支付终端标识确定与所述移动支付终端相绑定的所述目标顾客的身份标识信息;
基于目标顾客的身份标识信息,从预设购买记录数据库中查找目标顾客的购买记录。
3.根据权利要求1所述的一种基于大数据的智能零售管理方法,其特征在于,步骤2中,基于大数据平台,将购买过商品的顾客的购买记录与商品信息进行匹配,包括:
将所述商品信息输入预设的商品信息记录矩阵,并提取所顾客购买记录中的待匹配特征数据;
基于所述待匹配特征数据,从预设的匹配规则库中获取对应的目标匹配规则;
同时,确定所述待匹配特征数据的优先级以及所述待匹配特征数据对应的目标匹配规则的优先级,生成所述待匹配特征数据矩阵;
基于所述目标匹配规则,确定所述待匹配特征数据矩阵与所述商品信息记录矩阵之间的字段对应关系;
基于所述字段对应关系完成顾客的购买记录与商品信息的匹配。
4.根据权利要求1所述的一种基于大数据的智能零售管理方法,其特征在于,步骤2中,将匹配结果进行保存,包括:
获取匹配结果,确定所述匹配结果中不同顾客的购买记录与商品信息的匹配数据的数据类型,并根据所述数据类型确定目标缓存区域;
确定所述匹配结果对应的数据量与所述目标缓存区域的缓存量阈值的大小关系;
当所述匹配结果对应的数据量小于或等于所述目标缓存区域的缓存量阈值时,获取顾客的身份标识,并基于所述身份标识在所述目标缓存区域为不同顾客设置对应的目录;
其中,目录具有与顾客身份标识映射的目录标识;
基于所述目录标识,将所述匹配结果对应的数据存储至对应的目录区域下;
否则,重新确定目标缓存区域,直至所述匹配结果对应的数据量小于或等于所述目标缓存区域的缓存量阈值。
5.根据权利要求1所述的一种基于大数据的智能零售管理方法,其特征在于,步骤3中,基于匹配结果,确定顾客对不同种类商品的购买频率,包括:
获取不同顾客购买的商品种类,将不同顾客购买的商品种类进行汇总,得到已经出售的所有商品种类,并提取所有商品种类中不同种类商品数据中的关键字;
同时,获取不同顾客的购买记录与商品信息的匹配结果;
确定所述不同种类商品数据中的关键字在不同顾客的购买记录与商品信息的匹配结果中出现的频率;
将不同顾客购买同一种类商品的频率进行叠加运算,得到顾客对不同种类商品的购买频率。
6.根据权利要求5所述的一种基于大数据的智能零售管理方法,其特征在于,提取所有商品种类中不同种类商品数据中的关键字的具体工作过程,包括:
获取每个商品所对应的数据的数据宽度,并基于所述数据宽度以及数据处理帧对所述不同商品所对应的数据分别进行遍历扫描,获取与所述数据宽度相对应的比特位数;
基于所述比特位数,获取与所述比特位数相对应的数据词组;
同时,获取所述数据词组的位置序列,并基于所述位置序列,获取数据词组的首字符与尾字符;
基于所述数据词组的首字符与尾字符确定所述数据词组的标识信息,同时,根据所述标识信息获取所述不同商品对应的数据中的关键字。
7.根据权利要求1所述的一种基于大数据的智能零售管理方法,其特征在于,步骤4中,基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐,包括:
获取顾客对不同种类商品的购买频率,并基于所述购买频率确定不同种类商品在预设时间段内的多组历史销量数据;
基于预设的统计指标,获取与所述多组历史销量数据匹配的销量关联特征数据集合,并将所述多组历史销量数据与销量关联特征数据集合进行结合,得到商品历史销量特征数据集合;
对所述商品历史销量特征数据集合进行训练得到商品销量预测模型,并基于所述商品销量预测模型对不同种类商品在预设的未来时间段内的销量进行预测,得到预测结果;
基于所述预测结果确定顾客对不同种类商品的需求热度;
构建商品类别树,并基于树关系获取针对所述不同种类商品的需求热度的修正数据表;
所述修正数据表包含需要进行修正的待修正实例;
其中,所述待修正实例为需要进行修正的商品对应的需求热度数据;
基于预设的修正规则,确定对所述需要进行修正的商品对应的需求热度数据的修正值和所述修正值所属的商品种类领域;
基于所述修正值,完成对预测得到的不同种类商品的需求热度的修正,并将修正得到的不同种类商品的需求热度进行校验,判断是否满足预设修正要求;
若满足,则得到标准的顾客对不同种类商品的需求热度,否则,再次对预测得到的不同种类商品的需求热度进行修正,直至满足预设修正要求;
按照满足预设修正要求的不同种类商品的需求热度递减顺序,将不同种类商品进行排序;
基于排序结果,依次提取不同种类商品的商品特征,并根据所述商品特征确定当前商品的种类;
计算当前商品种类下,其余商品与所述商品特征的相似度,并将计算得到的相似度与预设相似度进行比较;
若所述相似度小于所述预设相似度,判定商品不符合推荐条件;
否则,基于大数据平台,获取顾客的身份标识,并根据所述身份标识创建对应的商品推荐列表,并按照相似度由高到低的顺序,将对应的商品信息填入所述商品推荐列表;
基于所述顾客的身份标识,将所述商品推荐列表进行针对性的推荐。
8.根据权利要求1所述的一种基于大数据的智能零售管理方法,其特征在于,步骤4中,基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐,还包括:
获取顾客对不同种类商品的购买频率,根据所述购买频率计算顾客对商品的需求系数,并根据所述需求系数计算预测顾客对商品需求热度时的预测准确率,具体步骤包括:
根据如下公式计算顾客对商品的需求系数:
其中,α表示顾客对商品的需求系数;β表示顾客的消费水平能力值;γ表示顾客对商品的喜爱程度值;ρ表示商品的销售价格;表示顾客对商品的期望价格;表示商品的不可替代因子,且取值范围为(0.8,1.2);f表示顾客对商品的购买频率;
根据如下公式计算对商品需求热度预测时的预测准确率:
其中,η表示对不同种类商品需求热度预测时的预测准确率,且取值范围为(0,1);α表示顾客对商品的需求系数;μ表示预测系数,且取值范围为(0.7,0.9);ω表示预测的商品需求量;θ表示顾客对商品的实际需求量;τ表示误差系数,且取值范围为(0.1,0.15);T表示对商品需求热度的预测周期值;t表示预测当前商品需求热度所用的时间长度值;
将计算得到的预测准确率与预设预测准确率进行比较;
若所述预测准确率小于所述预设预测准确率,判定预测顾客对不同种类商品需求热度不合格,并舍弃当前预测结果,并重新对不同种类商品需求热度进行预测,直至所述预测准确率大于或等于所述预设预测准确率;
否则,判定预测顾客对不同种类商品需求热度合格,并按照需求热度递减的顺序,将相应的商品信息通过预设方式推荐至用户终端,完成对顾客进行针对性的推荐。
9.一种基于大数据的智能零售管理系统,其特征在于,包括:
数据获取模块,用于基于大数据应用层,获取商品的基本信息,同时获取不同顾客的购买记录及身份标识;
数据匹配模块,用于基于大数据处理层,将购买过商品的顾客的购买记录与商品信息进行匹配,并将匹配结果进行保存;
数据处理模块,用于基于匹配结果,确定顾客对不同种类商品的购买频率;
商品推荐模块,用于基于购买频率,预测顾客对不同种类商品的需求热度,并基于顾客的身份标识及商品需求热度向不同顾客进行针对性的推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286156.0A CN113052651B (zh) | 2021-03-17 | 2021-03-17 | 一种基于大数据的智能零售管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286156.0A CN113052651B (zh) | 2021-03-17 | 2021-03-17 | 一种基于大数据的智能零售管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052651A true CN113052651A (zh) | 2021-06-29 |
CN113052651B CN113052651B (zh) | 2024-04-23 |
Family
ID=76513008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110286156.0A Active CN113052651B (zh) | 2021-03-17 | 2021-03-17 | 一种基于大数据的智能零售管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052651B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971818A (zh) * | 2022-08-02 | 2022-08-30 | 广东志远科技有限公司 | 一种智慧餐厅数据存储处理方法及系统 |
CN115311020A (zh) * | 2022-08-23 | 2022-11-08 | 佛山职业技术学院 | 一种农产品消费者行为分析管理方法及系统 |
CN115641183A (zh) * | 2022-09-09 | 2023-01-24 | 深圳市蚂蚁零兽物联技术有限公司 | 一种基于物联网的智能零售系统及方法 |
CN117217865A (zh) * | 2023-09-12 | 2023-12-12 | 深圳市思维无限网络科技有限公司 | 基于大数据分析的个性化推荐系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001325523A (ja) * | 2000-05-15 | 2001-11-22 | Nec Software Kyushu Ltd | 商品推奨システム、商品推奨方法、記録媒体、商品販売システム、商品販売方法 |
CN102156942A (zh) * | 2011-04-08 | 2011-08-17 | 东华大学 | 一种基于无线射频技术的商品推荐方法 |
KR101494198B1 (ko) * | 2014-01-27 | 2015-02-23 | 엠앤서비스 주식회사 | 선불화폐를 위한 컨텐츠 추천 시스템 및 방법, 그리고 이에 적용되는 서비스 제공 장치 |
CN107067284A (zh) * | 2017-04-24 | 2017-08-18 | 济南浪潮高新科技投资发展有限公司 | 一种应用于大数据的个性精准导购方法 |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
CN108776922A (zh) * | 2018-06-04 | 2018-11-09 | 北京至信普林科技有限公司 | 基于大数据的理财产品推荐方法及装置 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN109712324A (zh) * | 2018-12-28 | 2019-05-03 | 广东便捷神科技股份有限公司 | 一种自动售货机图像识别方法、售货方法及自动售货设备 |
CN109727078A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(南京)科技有限公司 | 一种基于商品类别树的销量预测修正方法 |
CN110175892A (zh) * | 2019-05-27 | 2019-08-27 | 成都魔方城科技有限公司 | 基于消费者行为的热力球双向推荐方法及系统 |
WO2020001096A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 商品推荐方法和商品推荐设备 |
CN111062768A (zh) * | 2019-10-28 | 2020-04-24 | 林佳 | 一种网上商城的商品推荐方法及商品推荐系统 |
CN111429203A (zh) * | 2020-03-02 | 2020-07-17 | 北京明略软件系统有限公司 | 基于用户行为数据的商品推荐方法和装置 |
CN112036984A (zh) * | 2020-09-04 | 2020-12-04 | 烟台冰兔网络科技有限公司 | 一种电商运营大数据管理系统 |
CN112348543A (zh) * | 2019-08-09 | 2021-02-09 | 上海红星美凯龙悦家互联网科技有限公司 | 商业场所内的智能导购方法、装置、终端、介质、系统 |
-
2021
- 2021-03-17 CN CN202110286156.0A patent/CN113052651B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001325523A (ja) * | 2000-05-15 | 2001-11-22 | Nec Software Kyushu Ltd | 商品推奨システム、商品推奨方法、記録媒体、商品販売システム、商品販売方法 |
CN102156942A (zh) * | 2011-04-08 | 2011-08-17 | 东华大学 | 一种基于无线射频技术的商品推荐方法 |
KR101494198B1 (ko) * | 2014-01-27 | 2015-02-23 | 엠앤서비스 주식회사 | 선불화폐를 위한 컨텐츠 추천 시스템 및 방법, 그리고 이에 적용되는 서비스 제공 장치 |
CN107067284A (zh) * | 2017-04-24 | 2017-08-18 | 济南浪潮高新科技投资发展有限公司 | 一种应用于大数据的个性精准导购方法 |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
CN108776922A (zh) * | 2018-06-04 | 2018-11-09 | 北京至信普林科技有限公司 | 基于大数据的理财产品推荐方法及装置 |
WO2020001096A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 商品推荐方法和商品推荐设备 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN109712324A (zh) * | 2018-12-28 | 2019-05-03 | 广东便捷神科技股份有限公司 | 一种自动售货机图像识别方法、售货方法及自动售货设备 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN109727078A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(南京)科技有限公司 | 一种基于商品类别树的销量预测修正方法 |
CN110175892A (zh) * | 2019-05-27 | 2019-08-27 | 成都魔方城科技有限公司 | 基于消费者行为的热力球双向推荐方法及系统 |
CN112348543A (zh) * | 2019-08-09 | 2021-02-09 | 上海红星美凯龙悦家互联网科技有限公司 | 商业场所内的智能导购方法、装置、终端、介质、系统 |
CN111062768A (zh) * | 2019-10-28 | 2020-04-24 | 林佳 | 一种网上商城的商品推荐方法及商品推荐系统 |
CN111429203A (zh) * | 2020-03-02 | 2020-07-17 | 北京明略软件系统有限公司 | 基于用户行为数据的商品推荐方法和装置 |
CN112036984A (zh) * | 2020-09-04 | 2020-12-04 | 烟台冰兔网络科技有限公司 | 一种电商运营大数据管理系统 |
Non-Patent Citations (1)
Title |
---|
陈鑫;王斌;曾范清;: "商品搭配大数据推荐方法研究综述", 计算机工程与科学, no. 01, 15 January 2020 (2020-01-15) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971818A (zh) * | 2022-08-02 | 2022-08-30 | 广东志远科技有限公司 | 一种智慧餐厅数据存储处理方法及系统 |
CN115311020A (zh) * | 2022-08-23 | 2022-11-08 | 佛山职业技术学院 | 一种农产品消费者行为分析管理方法及系统 |
CN115311020B (zh) * | 2022-08-23 | 2024-04-05 | 佛山职业技术学院 | 一种农产品消费者行为分析管理方法及系统 |
CN115641183A (zh) * | 2022-09-09 | 2023-01-24 | 深圳市蚂蚁零兽物联技术有限公司 | 一种基于物联网的智能零售系统及方法 |
CN115641183B (zh) * | 2022-09-09 | 2024-01-30 | 深圳市蚂蚁零兽物联技术有限公司 | 一种基于物联网的智能零售系统及方法 |
CN117217865A (zh) * | 2023-09-12 | 2023-12-12 | 深圳市思维无限网络科技有限公司 | 基于大数据分析的个性化推荐系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113052651B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052651B (zh) | 一种基于大数据的智能零售管理方法及系统 | |
US8407104B2 (en) | Catalog based price search | |
US8190556B2 (en) | Intellegent data search engine | |
CN109189904A (zh) | 个性化搜索方法及系统 | |
CN107862566A (zh) | 一种商品推荐方法和系统 | |
CN107016001A (zh) | 一种数据查询方法及装置 | |
CN109919737B (zh) | 一种生产销售商品的推荐方法及系统 | |
CN113254664B (zh) | 面向企业的物品推荐方法、装置和存储介质 | |
CN110674391A (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN116308684A (zh) | 一种网购平台店铺信息推送方法及系统 | |
CN108509467B (zh) | 一种基于用户行为日志的海运报价推荐系统与方法 | |
CN116012100A (zh) | 一种基于大数据分析的电子商务平台 | |
CN110889748B (zh) | 店商平台产品推荐方法、装置、计算机设备以及存储介质 | |
Wu et al. | Using the mathematical model on precision marketing with online transaction data computing | |
CN115131108A (zh) | 一种电商商品筛选系统 | |
CN115563176A (zh) | 一种电子商务数据处理系统及方法 | |
CN111639274B (zh) | 线上商品智能排序方法、装置、计算机设备和存储介质 | |
CN113762990B (zh) | 商品推荐的方法、装置、计算设备及计算机存储介质 | |
CN114861079A (zh) | 一种融合商品特征的协同过滤推荐方法和系统 | |
CN111768139B (zh) | 备货处理方法、装置、设备及存储介质 | |
CN117333269B (zh) | 一种鲜花订单管理方法及系统 | |
CN117035947B (zh) | 基于大数据处理的农产品数据分析方法及云平台 | |
CN110738538A (zh) | 识别相似物品的方法和装置 | |
CN117035948B (zh) | 基于大数据的任务智能处理方法及系统 | |
Gunglin et al. | Recommendation System for Retail Business Using Customer Segmentation: Case Study of Tuenjai Company in Surat Thani, Thailand |
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 |