CN113643099A - 商品数据的处理方法、设备、装置、存储介质及程序产品 - Google Patents
商品数据的处理方法、设备、装置、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113643099A CN113643099A CN202111001426.5A CN202111001426A CN113643099A CN 113643099 A CN113643099 A CN 113643099A CN 202111001426 A CN202111001426 A CN 202111001426A CN 113643099 A CN113643099 A CN 113643099A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- attribute
- sales amount
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 title claims description 87
- 238000000034 method Methods 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 235000013336 milk Nutrition 0.000 description 13
- 239000008267 milk Substances 0.000 description 13
- 210000004080 milk Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000002441 reversible effect Effects 0.000 description 5
- 238000005238 degreasing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 235000004213 low-fat Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- QKEYIYSLARKMSJ-UHFFFAOYSA-N 1-benzyl-3-(dimethylamino)-2,2-dimethyl-3,4-dihydronaphthalene-1,7-diol;hydrobromide Chemical compound Br.CC1(C)C(N(C)C)CC2=CC=C(O)C=C2C1(O)CC1=CC=CC=C1 QKEYIYSLARKMSJ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000013861 fat-free Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 235000020183 skimmed milk Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种商品数据的处理方法、设备、装置、存储介质及程序产品，通过获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，针对用户画像表中任一用户画像值和任一商品属性，根据每种商品属性对应的销售数据，获取用户画像值下的用户的商品属性对应商品的第一销售数额以及用户画像值下的多种商品属性对应的所有商品的第二销售数额，和商品属性对应商品的第三销售数额和多种商品属性对应的所有商品的第四销售数额，根据第三销售数额和第四销售数额，计算获取用户对商品属性对应商品的偏好程度，根据第一销售数额，第二销售数额，第三销售数额，第四销售数额，计算获取显著性指数，提高了获取用户的偏好的准确度和效率。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种商品数据的处理方法、设备、装置、存储介质及程序产品。
背景技术
用户直连制造(Customer-to-Manufacturer，C2M)反向定制是企业收集用户的多个偏好，并根据收集到的多个偏好对商品进行反向设计，将用户的多个偏好集中体现在一个产品上。对商品数据进行准确分析能够正确获取用户的偏好，进一步保证生产的产品能够满足用户的需求，进而促进交易，提高企业知名度等。因而，如何对商品数据进行处理是关键。
现有技术中，对商品数据进行处理主要是获取用户画像和商品属性两个指标，对用户画像和商品属性两个指标进行交叉分析，计算获取交叉分析后的销售数量，从而对交叉分析后的销售数量进行分析，获取在该用户画像下的用户偏好。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术中在计算得到用户画像和商品属性两个指标交叉分析后的销售数量后，还需要通过人工调研获取用户的偏好，使得获取到的用户的偏好的准确度和效率较低。
发明内容
本申请提供一种商品数据的处理方法、设备、装置、存储介质及程序产品，以解决现有技术中只能通过人工调研获取用户的偏好，使得获取到的用户的偏好的准确度和效率较低的问题。
第一方面，本申请实施例提供一种商品数据的处理方法，包括：
获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，所述销售数据中包括所有购买所述商品属性对应商品的用户信息以及销售数额，所述多种商品属性为同一类型商品的不同属性特征；
针对所述用户画像表中任一用户画像值和任一商品属性，根据所述每种商品属性对应的销售数据，获取所述用户画像值下的用户的所述商品属性对应商品的第一销售数额以及所述用户画像值下的所述多种商品属性对应的所有商品的第二销售数额；
根据所述每种商品属性对应的销售数据，获取所述商品属性对应商品的第三销售数额和所述多种商品属性对应的所有商品的第四销售数额；
根据所述第三销售数额和所述第四销售数额，计算获取所述用户对所述商品属性对应商品的偏好程度；
根据所述第一销售数额，所述第二销售数额，所述第三销售数额，所述第四销售数额，计算获取显著性指数，所述显著性指标用于指示所述用户画像值的用户在所述商品的销售中的显著性。
在第一方面的一种可能设计中，所述方法还包括：
根据获取到的用户对每种商品属性对应商品的偏好程度，以及每个用户画像值对应用户在所述商品的销售中的显著性指数，获取用户偏好属性程度分析表；所述用户属性偏好程度分析表中包括不同用户画像值下的用户对不同商品属性的偏好数据。
可选的，所述方法还包括：
根据所述用户偏好属性程度分析表中的数据，确定商品推荐策略；所述商品推荐策略用于指示处于上升趋势的商品属性和/或每个商品属性对应的至少一个主要消费群体的用户画像值。
可选的，所述方法还包括：
对所述用户偏好属性程度分析表进行可视化处理，并通过图形用户界面输出可视化处理后的用户偏好属性程度分析表。
在第一方面的另一种可能设计中，所述根据所述第三销售数额和所述第四销售数额，计算获取所述用户对所述商品属性对应商品的偏好程度，包括：
计算所述第三销售数额和所述第四销售数额的比值，得到所述用户对所述商品属性对应商品的偏好程度。
在第一方面的再一种可能设计中，所述根据所述第一销售数额，所述第二销售数额，所述第三销售数额，所述第四销售数额，计算获取显著性指数，包括：
计算所述第一销售数额与所述第二销售数额的比值，得到第一比值；
计算所述第三销售数额和所述第四销售数额的比值，得到第二比值；
计算所述第一比值与所述第二比值之间的比值，得到所述显著性指数。
在第一方面的又一种可能设计中，所述获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，包括：
获取预设类型的商品的总订单数据，所述总订单数据中包括每个订单销售的商品，商品属性，销售数量，销售金额，以及所述订单中的用户信息；
基于预先配置的用户画像表以及所述总订单数据，通过用户信息和/或商品属性进行数据关联处理，得到临时数据表，所述临时数据表中包括所述用户画像表，所述多种商品属性以及所述每种商品属性对应的销售数据。
第二方面，本申请实施例提供一种商品数据的处理装置，包括：
获取模块，用于获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，所述销售数据中包括所有购买所述商品属性对应商品的用户信息以及销售数额，所述多种商品属性为同一类型商品的不同属性特征；
处理模块，用于针对所述用户画像表中任一用户画像值和任一商品属性，根据所述每种商品属性对应的销售数据，获取所述用户画像值下的用户的所述商品属性对应商品的第一销售数额以及所述用户画像值下的所述多种商品属性对应的所有商品的第二销售数额；
所述处理模块，还用于根据所述每种商品属性对应的销售数据，获取所述商品属性对应商品的第三销售数额和所述多种商品属性对应的所有商品的第四销售数额；
所述处理模块，还用于根据所述第三销售数额和所述第四销售数额，计算获取所述用户对所述商品属性对应商品的偏好程度；
所述处理模块，还用于根据所述第一销售数额，所述第二销售数额，所述第三销售数额，所述第四销售数额，计算获取显著性指数，所述显著性指标用于指示所述用户画像值的用户在所述商品的销售中的显著性。
在第二方面的一种可能设计中，所述处理模块，还用于：
根据获取到的用户对每种商品属性对应商品的偏好程度，以及每个用户画像值对应用户在所述商品的销售中的显著性指数，获取用户偏好属性程度分析表；所述用户属性偏好程度分析表中包括不同用户画像值下的用户对不同商品属性的偏好数据。
可选的，所述处理模块，还用于：
根据所述用户偏好属性程度分析表中的数据，确定商品推荐策略；所述商品推荐策略用于指示处于上升趋势的商品属性和/或每个商品属性对应的至少一个主要消费群体的用户画像值。
可选的，所述处理模块，还用于：
对所述用户偏好属性程度分析表进行可视化处理，并通过图形用户界面输出可视化处理后的用户偏好属性程度分析表。
在第二方面的另一种可能设计中，所述处理模块，具体用于：
计算所述第三销售数额和所述第四销售数额的比值，得到所述用户对所述商品属性对应商品的偏好程度。
在第二方面的再一种可能设计中，所述处理模块，具体用于：
计算所述第一销售数额与所述第二销售数额的比值，得到第一比值；
计算所述第三销售数额和所述第四销售数额的比值，得到第二比值；
计算所述第一比值与所述第二比值之间的比值，得到所述显著性指数。
在第二方面的又一种可能设计中，所述获取模块，具体用于：
获取预设类型的商品的总订单数据，所述总订单数据中包括每个订单销售的商品，商品属性，销售数量，销售金额，以及所述订单中的用户信息；
基于预先配置的用户画像表以及所述总订单数据，通过用户信息和/或商品属性进行数据关联处理，得到临时数据表，所述临时数据表中包括所述用户画像表，所述多种商品属性以及所述每种商品属性对应的销售数据。
第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时用于实现第一方面以及各可能设计提供的方法。
第四方面，本申请实施例可提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面以及各可能设计提供的方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现第一方面以及各可能设计提供的方法。
本申请实施例提供的商品数据的处理方法、设备、装置、存储介质及程序产品，该方法包括：通过获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，针对用户画像表中任一用户画像值和任一商品属性，根据每种商品属性对应的销售数据，获取用户画像值下的用户的商品属性对应商品的第一销售数额以及用户画像值下的多种商品属性对应的所有商品的第二销售数额，根据每种商品属性对应的销售数据，获取商品属性对应商品的第三销售数额和多种商品属性对应的所有商品的第四销售数额，根据第三销售数额和第四销售数额，计算获取用户对商品属性对应商品的偏好程度，根据第一销售数额，第二销售数额，第三销售数额，第四销售数额，计算获取显著性指数。该技术方案中，通过对用户画像表，多种商品属性以及每种商品属性对应的销售数据进行处理，从而获得可以直接衡量用户偏好的偏好程度和显著性指数，能够对用户偏好的商品属性进行筛选，提高了获取用户的偏好的准确度和效率。本方法无需进行人工调研，减少了处理过程的工作量、人力成本和物力成本。进一步的，工作人员可以根据偏好程度和显著性指数为用户画像表下的用户提供更精准的营销方案，实现个性化投放广告。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的商品数据的处理方法的一种应用场景示意图；
图2为本申请实施例提供的商品数据的处理方法实施例一的流程示意图；
图3A为本申请实施例提供的用户画像值为三线城市的用户偏好属性程度分析结果示意图；
图3B为本申请实施例提供的用户画像值为年龄为26岁至35岁的用户偏好属性程度分析结果示意图；
图4为本申请实施例提供的商品数据的处理方法实施例二的流程示意图；
图5为本申请实施例提供的商品数据的处理方法实施例三的流程示意图；
图6为本申请实施例提供商品数据的处理装置的结构示意图；
图7为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
此外，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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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单元。
在介绍本申请的实施例之前，首先对本申请实施例的应用背景进行解释：
在实际的生产中，每个企业中的设计师可以根据当前流行的元素以及创新性元素对商品进行设计，从而设计出多款商品。之后企业根据设计结果对多款商品投入生产，并将生产好的商品投入市场，以便于用户从中选取自己需要的商品。然而，近年来，市场逐渐从增量市场进入存量时长，商品同质化问题开始凸显，若生产出的商品无法满足用户的大多数需求，不符合用户的偏好，不仅会影响用户的使用体验，还会影响商品的销售。
C2M反向定制通常是企业收集用户的多个偏好，并根据收集到的多个偏好对商品进行反向设计，将多个偏好集中体现在一个产品上，以便于在用户花费同样的价格购买商品时，该商品能够满足用户的更多的偏好和需求。对商品数据进行准确分析能够正确获取用户的偏好，可以更有针对性的生产产品，进而保证生产的产品能够最大化满足用户的个性化偏好，促进交易，提高企业知名度等。因而，如何对商品数据进行处理是关键。
现有技术中，对商品数据进行处理主要有以下两种方式：
1)，获取用户画像和商品属性两个指标，分别计算两个指标的不同枚举值下的销售数量，根据该销售数据分析获取用户的偏好。然而，该方法只能对用户画像和商品属性两个指标进行单独分析，比较单一，无法同时对用户画像和商品属性两个指标进行交叉分析。
2)，获取用户画像和商品属性两个指标，对用户画像和商品属性两个指标进行交叉分析，计算获取交叉分析后的销售数量，从而对交叉分析后的销售数量进行分析，获取在该用户画像下的用户偏好。然而，该方法在计算得到用户画像和商品属性两个指标交叉分析后的销售数量后，还需要通过人工调研获取用户的偏好，使得获取到的用户的偏好的准确度和效率较低。
针对上述问题，本申请的发明构思如下：现有技术中在对用户画像和商品属性两个指标计算后，由于没有合适的分析技术确定客观数据指标以衡量用户的偏好，导致还需要通过人工调研获取用户的偏好，使得获取到的用户的偏好的准确度和效率较低。基于此，发明人发现，如果能够根据用户画像和商品属性获取商品的销售中的偏好程度和显著性，该偏好程度和显著性能够对用户的偏好进行客观的衡量，就能解决现有技术中还需要通过人工调研获取用户的偏好的问题，从而提高获取到的用户的偏好的准确度和效率，还可能进一步节约人工成本。
示例性的，本申请实施例提供的商品数据的处理方法可以应用于图1所示的一种应用场景示意图中。图1为本申请实施例提供的商品数据的处理方法的一种应用场景示意图，用以解决上述技术问题。如图1所示，该应用场景可以包括：服务器11和与服务器连接的数据存储设备12。
示例性的，在图1所示的应用场景中，数据存储设备12可以存储用户画像表，多种商品属性以及每种商品属性对应的销售数据，服务器11可以基于数据存储设备12中的用户画像表，多种商品属性以及每种商品属性对应的销售数据，执行商品数据的处理方法的程序代码，确定出用于指示用户画像值的用户在商品的销售中的显著性的显著性指数，以及用户对商品属性对应商品的偏好程度。
可选的，服务器11还可以将获得的处理结果存储至数据存储设备12中，以便于后续工作人员可以根据处理结果制定更精确的营销方案。
需要说明的是，附图1仅是本申请实施例提供的一种应用场景的示意图，本申请实施例不对图1中包括的设备进行限定，也不对图1中设备之间的位置关系进行限定，例如，在图1中，数据存储设备12相对服务器11可以是外部存储器，在其它情况下，也可以将数据存储设备12置于服务器11中。
在实际应用中，由于终端设备也是具有数据处理能力的处理设备，因而，上述图1所示应用场景中的服务器也可以终端设备实现。在本申请的实施例中，可以将服务器和用于数据处理的终端设备统称为电子设备。
下面，通过具体实施例对本申请的技术方案进行详细说明。
需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请实施例提供的商品数据的处理方法实施例一的流程示意图。如图2所示，该商品数据的处理方法可以包括如下步骤：
S101：获取用户画像表，多种商品属性以及每种商品属性对应的销售数据。
在本步骤中，电子设备需要获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，以便于后续对其进行分析，从而使得工作人员可以根据分析结果制定更精确的营销方案。
其中，销售数据中包括所有购买商品属性对应商品的用户信息以及销售数额，多种商品属性为同一类型商品的不同属性特征。
在一种可能的实现方式中，电子设备可以获取预设类型的商品的总订单数据，基于预先配置的用户画像表以及总订单数据，通过用户信息和/或商品属性进行数据关联处理，得到临时数据表。电子设备获取总订单数据后，获取用户画像表中的用户对应的多种商品及每种商品对应的销售数额，并获取该商品对应的商品属性，将用户画像表，多种商品属性以及每种商品属性对应的销售数据存储在临时数据表中。
示例性的，预设类型可以为一级品类类型，可以为二级品类类型，还可以是三级品类类型，四级品类类型，可以根据实际情况进行选择，本申请实施例对此不进行具体限制。
其中，总订单数据中包括每个订单销售的商品，商品属性，销售数量，销售金额，以及订单中的用户信息；临时数据表中包括用户画像表，多种商品属性以及每种商品属性对应的销售数据。
示例性的，以预设类型为牛奶为例进行举例说明。电子设备获取所有牛奶的总订单数据，之后根据预先配置的用户画像表中的用户信息，获取该用户信息在总订单数据中对应的多个牛奶商品和每个牛奶商品对应的销售数额。进一步的，电子设备可以获取每个牛奶商品对应的库存量单位(Stock Keeping Unit，SKU)，通过属性重要度排序表中SKU与商品属性的关联关系，获取每个牛奶商品的商品属性，并将多个牛奶商品和每个牛奶商品对应的销售数额和商品属性存储在临时数据表中。
在该示例下，每个纯牛奶类商品的商品属性可以为脱脂、可以为全脂、还可以为无糖等，可以根据实际情况进行设定，本申请实施例对此不进行具体限定。
S102：针对用户画像表中任一用户画像值和任一商品属性，根据每种商品属性对应的销售数据，获取用户画像值下的用户的商品属性对应商品的第一销售数额以及用户画像值下的多种商品属性对应的所有商品的第二销售数额。
在本步骤中，电子设备在获取用户画像表，多种商品属性以及每种商品属性对应的销售数据后，可以对其进行处理，从而获得第一销售数额和第二销售数额，以便于后续根据第一销售数额和第二销售数额计算得到用于指示用户画像值的用户在商品的销售中的显著性的显著性指数。
示例性的，用户的用户画像值可以为女性，可以为生活城市为三线城市，还可以为年龄处于18岁到22岁之间，可以根据实际情况进行设定，本申请实施例对此不进行具体限制。
可选的，第一销售数额可以为用户画像值下的用户的商品属性对应的所有SKU的销售数额的总和，第二销售数额可以为用户画像值下的用户的所有SKU的销售数额的总和。其中，所有SKU均属于同一预设类型。
示例性的，第一销售数额和第二销售数额可以通过SUM()OVER()开窗函数来计算获取。在该计算过程中涉及的部分字段，及对应的字段类型和字段解释可以如表1所示：
表1
应理解，表1仅为部分字段的示例，在实际通过SUM()OVER()开窗函数来计算第一销售数额和第二销售数额的过程中，还可以使用其他字段参与计算，可以根据实际情况进行使用，本申请实施例对此不进行具体限制。
S103：根据每种商品属性对应的销售数据，获取商品属性对应商品的第三销售数额和多种商品属性对应的所有商品的第四销售数额。
在本步骤中，电子设备可以进一步根据每种商品属性对应的销售数据，计算第三销售数额和第四销售数额，以便于对偏好程度和显著性指数进行计算。
可选的，第三销售数额可以为商品属性对应的所有SKU的销售数额的总和，第四销售数额可以为所有SKU的销售数额的总和。其中，所有SKU均属于同一预设类型。
示例性的，第三销售数额和第四销售数额可以通过SUM()OVER()开窗函数来计算获取。
S104：根据第三销售数额和第四销售数额，计算获取用户对商品属性对应商品的偏好程度。
在本步骤中，电子设备获取第三销售数额和第四销售数额后，可以对其进行进一步处理，从而得到商品属性对应商品的偏好程度。
在一种可实现的方式中，电子设备可以计算第三销售数额和第四销售数额的比值，得到用户对商品属性对应商品的偏好程度。也就是说，在电子设备计算得到该比值后，将该比值确定为该商品属性对应商品的偏好程度。
示例性的，偏好程度可以通过公式：偏好程度＝第三销售数额/第四销售数额表示。
其中，偏好程度的取值范围为0至1。
在实际应用过程中，电子设备获取到多个商品属性对应商品的偏好程度后，可以计算多个偏好程度的均值，并将该均值确定为平均偏好程度。进一步的，电子设备可以将多个商品属性对应商品的偏好程度与平均偏好程度进行对比，从而确定用户更偏好的商品属性。
S105：根据第一销售数额，第二销售数额，第三销售数额，第四销售数额，计算获取显著性指数。
在现有技术中，显著性用于表示不同特征的用户群体关注问题的差异情况，在实际计算应用过程中，显著性可以通过以下公式：显著性＝目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例，计算得到。显著性的数额越大，就表明目标群体吻合度就越强势。
在本步骤中，电子设备还可以进一步对第一销售数额，第二销售数额，第三销售数额，第四销售数额进行计算，从而获得显著性指数，以便于后续工作人员对显著性指数进行分析，从而进一步制定营销策略。
在一种可能的实现方式中，电子设备可以计算第一销售数额与第二销售数额的比值，得到第一比值；然后计算第三销售数额和第四销售数额的比值，得到第二比值；最后计算第一比值与第二比值之间的比值，得到显著性指数。
示例性的，显著性指数可以通过以下公式：显著性指数＝第一比值/第二比值，得到。
其中，显著性指标用于指示用户画像值的用户在商品的销售中的显著性。
在实际应用过程中，电子设备获取到该商品属性对应商品的显著性指数后，可以与平均显著性指标进行对比，其中平均显著性指标为1，若显著性指标高于平均显著性指标则代表用户画像表下的用户对该显著性指标对应的商品属性的关注程度高于整体水平。
本申请实施例提供的商品数据的处理方法，通过获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，针对用户画像表中任一用户画像值和任一商品属性，根据每种商品属性对应的销售数据，获取用户画像值下的用户的商品属性对应商品的第一销售数额以及用户画像值下的多种商品属性对应的所有商品的第二销售数额，根据每种商品属性对应的销售数据，获取商品属性对应商品的第三销售数额和多种商品属性对应的所有商品的第四销售数额，根据第三销售数额和第四销售数额，计算获取用户对商品属性对应商品的偏好程度，根据第一销售数额，第二销售数额，第三销售数额，第四销售数额，计算获取显著性指数。通过对用户画像表，多种商品属性以及每种商品属性对应的销售数据进行处理，从而获得可以直接衡量用户偏好的偏好程度和显著性指数，能够对用户偏好的商品属性进行筛选，提高了获取用户的偏好的准确度和效率。本方法无需进行人工调研，减少了处理过程的工作量、人力成本和物力成本。进一步的，工作人员可以根据偏好程度和显著性指数为用户画像表下的用户提供更精准的营销方案，实现个性化投放广告。
此外，还可以通过本申请实施例提供的方法利用用户画像表，多种商品属性以及每种商品属性对应的销售数据建立用户偏好属性分析模型，该用户偏好属性分析模型可以深入分析不同用户画像表下的用户的属性偏好，从而使得工作人员可以根据该属性偏好制定更精准的营销方案，减少了人力物力的投入。
可选的，在一些实施例中，该商品数据的处理方法还可以包括以下步骤：
根据获取到的用户对每种商品属性对应商品的偏好程度，以及每个用户画像值对应用户在商品的销售中的显著性指数，获取用户偏好属性程度分析表。
其中，用户属性偏好程度分析表中包括不同用户画像值下的用户对不同商品属性的偏好数据，该偏好数据包括显著性指数和偏好程度。
可选的，电子设备还可以根据商品属性以及每种商品属性对应的销售数据计算的该商品属性的偏好程度的同比增速。同比增速可以通过公式：同比增速＝(商品属性对应的今年的偏好程度-商品属性对应的去年的偏好程度)/商品属性对应的去年的偏好程度。
示例性的，以预设类型为牛奶，用户画像值为三线城市为例进行举例说明，用户属性偏好程度分析表的可以如表2所示。
表2
| 商品属性 | 偏好程度 | 显著性 | 同比增速 |
| 脱脂 | 5％ | 1.20 | 5 |
| 低脂 | 18％ | 1.12 | 2 |
| 全脂 | 82％ | 1.09 | 1 |
| 含糖 | 90％ | 1.10 | 1 |
示例性的，以预设类型为牛奶，用户画像值为年龄为26岁至35岁为例进行举例说明，用户属性偏好程度分析表的可以如表3所示。
表3
| 商品属性 | 偏好程度 | 显著性 | 同比增速 |
| 脱脂 | 4％ | 1.16 | 5 |
| 低脂 | 17％ | 1.10 | 2 |
| 全脂 | 83％ | 1.08 | 1 |
| 含糖 | 92％ | 1.11 | 1 |
可以理解的是，表2和表3中仅示出了部分用户画像值和商品属性对应的偏好数据，显著性指数和同比增速。用户画像值和商品属性还可以有其他的内容和形式，其可以根据实际需求确定，此处不再赘述。
在本申请实施例提供的方法，通过计算获取该商品属性的同比增速，能够更明显的看出用户画像表下用户画像值的属性偏好的变化程度，进一步提高获取到的用户的偏好的准确度和效率。
可选的，在一些实施例中，该商品数据的处理方法还可以包括以下步骤：
根据用户偏好属性程度分析表中的数据，确定商品推荐策略。
其中，商品推荐策略用于指示处于上升趋势的商品属性和/或每个商品属性对应的至少一个主要消费群体的用户画像值。
示例性的，根据表2、表3可以看出，全脂市场占比较高，但是脱脂的显著性较高，因此电子设备可以确定商品推荐策略，以便于工作人员可以根据商品推荐策略制定营销策略，该营销策略可以是对该用户画像表下该用户画像值为三线城市和/或年龄为26岁至35岁的用户推荐脱脂奶。
可选的，在一些实施例中，该商品数据的处理方法还可以包括以下步骤：
对用户偏好属性程度分析表进行可视化处理，并通过图形用户界面输出可视化处理后的用户偏好属性程度分析表。
示例性的，图3A为本申请实施例提供的用户画像值为三线城市的用户偏好属性程度分析结果示意图，图3B为本申请实施例提供的用户画像值为年龄为26岁至35岁的用户偏好属性程度分析结果示意图。如图3A、图3B所示，电子设备可以通过图形用户界面以用户偏好属性程度分析结果示意图的形式输出可视化处理后的用户偏好属性程度分析表，横坐标为偏好程度，可以用于表示用户的购买比例，纵坐标为显著性指数，气泡的大小用于表示该商品属性的同比增速，气泡越大则代表同比增速越大。由图3A、图3B可以看出，在当前市场中，全脂纯牛奶的市场占比高，但随着消费升级和场景细化，脱脂无糖的低卡健身牛奶上升趋势不可逆，电子设备可以根据图3A、图3B确定商品推荐策略。
图4为本申请实施例提供的商品数据的处理方法实施例二的流程示意图。如图4所示，该商品数据的处理方法可以包括如下步骤：
第1步，获取预设类型的商品的总订单数据、用户画像表以及属性重要度排序表。
在本步骤中，属性重要度排序表中包括商品属性、以及每个商品属性对应的SKU。
可选的，属性重要度排序表中还可以包括每个商品属性的重要程度。
第2步，获取临时数据表。
在本步骤中，电子设备基于预先配置的用户画像表以及总订单数据，通过用户信息和/或商品属性进行数据关联处理，得到临时数据表。
第3步，获取用户偏好属性程度分析表。
在本步骤中，电子设备对临时数据表中的数据进行进一步处理，获取用户对商品属性对应商品的偏好程度以及不同用户画像值下的商品属性的显著性。
图5为本申请实施例提供的商品数据的处理方法实施例三的流程示意图。如图5所示，该商品数据的处理方法可以包括如下步骤：
第1步，获取预设类型的商品的总订单数据。
第2步，对总订单数据进行处理，获取用户订单汇总信息表。
在本步骤中，电子设备获取总订单数据，并删除总订单数据中赠品对应的商品数据，将SKU的销售数量不为0的商品的数据进行处理，生成用户订单汇总信息表。
第3步，利用属性重要度排序表，将用户订单汇总信息表中的每个SKU与商品属性进行关联。
第4步，根据用户画像表，将用户信息与用户订单汇总信息表中的每个SKU及对应的商品属性进行关联，获取临时数据表。
第5步，根据临时数据表进行处理，获取用户对商品属性对应商品的偏好程度及用户画像值的用户对应的商品属性的显著性指数。
第6步，用户对每种商品属性对应商品的偏好程度，以及每个用户画像值对应用户在商品的销售中的显著性指数，获取用户偏好属性程度分析表。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图6为本申请实施例提供的商品数据的处理装置的结构示意图。如图6所示，该商品数据的处理装置包括：
获取模块51，用于获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，销售数据中包括所有购买商品属性对应商品的用户信息以及销售数额，多种商品属性为同一类型商品的不同属性特征；
处理模块52，用于针对用户画像表中任一用户画像值和任一商品属性，根据每种商品属性对应的销售数据，获取用户画像值下的用户的商品属性对应商品的第一销售数额以及用户画像值下的多种商品属性对应的所有商品的第二销售数额；
处理模块52，还用于根据每种商品属性对应的销售数据，获取商品属性对应商品的第三销售数额和多种商品属性对应的所有商品的第四销售数额；
处理模块52，还用于根据第三销售数额和第四销售数额，计算获取用户对商品属性对应商品的偏好程度；
处理模块52，还用于根据第一销售数额，第二销售数额，第三销售数额，第四销售数额，计算获取显著性指数，显著性指标用于指示用户画像值的用户在商品的销售中的显著性。
在本申请实施例的一种可能设计中，处理模块52，还用于：
根据获取到的用户对每种商品属性对应商品的偏好程度，以及每个用户画像值对应用户在商品的销售中的显著性指数，获取用户偏好属性程度分析表；用户属性偏好程度分析表中包括不同用户画像值下的用户对不同商品属性的偏好数据。
可选的，处理模块52，还用于：
根据用户偏好属性程度分析表中的数据，确定商品推荐策略；商品推荐策略用于指示处于上升趋势的商品属性和/或每个商品属性对应的至少一个主要消费群体的用户画像值。
可选的，处理模块52，还用于：
对用户偏好属性程度分析表进行可视化处理，并通过图形用户界面输出可视化处理后的用户偏好属性程度分析表。
在本申请实施例的另一种可能设计中，处理模块52，具体用于：
计算第三销售数额和第四销售数额的比值，得到用户对商品属性对应商品的偏好程度。
在本申请实施例的再一种可能设计中，处理模块52，具体用于：
计算第一销售数额与第二销售数额的比值，得到第一比值；
计算第三销售数额和第四销售数额的比值，得到第二比值；
计算第一比值与第二比值之间的比值，得到显著性指数。
在本申请实施例的又一种可能设计中，获取模块，具体用于：
获取预设类型的商品的总订单数据，总订单数据中包括每个订单销售的商品，商品属性，销售数量，销售金额，以及订单中的用户信息；
基于预先配置的用户画像表以及总订单数据，通过用户信息和/或商品属性进行数据关联处理，得到临时数据表，临时数据表中包括用户画像表，多种商品属性以及每种商品属性对应的销售数据。
本申请实施例提供的商品数据的处理装置，可用于执行上述任一实施例中的商品数据的处理装置，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外，这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图7为本申请实施例提供的电子设备的结构示意图。如图7所示，该电子设备可以包括：处理器61、存储器62及存储在所述存储器62上并可在处理器61上运行的计算机程序指令，所述处理器61执行所述计算机程序指令时实现前述任一实施例提供的商品数据的处理装置。
可选的，电子设备还可以包括与其他设备进行交互的接口。
可选的，该电子设备的上述各个器件之间可以通过系统总线连接。
存储器62可以是单独的存储单元，也可以是集成在处理器中的存储单元。处理器的数量为一个或者多个。
应理解，处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。存储器可能包括随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory，NVM)，例如至少一个磁盘存储器。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(read-only memory，ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文：magnetic tape)、软盘(英文：floppy disk)、光盘(英文：optical disc)及其任意组合。
本申请实施例提供的电子设备，可用于执行上述任一方法实施例提供的商品数据的处理装置，其实现原理和技术效果类似，在此不再赘述。
本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述商品数据的处理装置。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器，电可擦除可编程只读存储器，可擦除可编程只读存储器，可编程只读存储器，只读存储器，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
可选的，将可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中，至少一个处理器可以从该计算机可读存储介质中读取该计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述商品数据的处理装置。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (11)
1.一种商品数据的处理方法，其特征在于，包括：
获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，所述销售数据中包括所有购买所述商品属性对应商品的用户信息以及销售数额，所述多种商品属性为同一类型商品的不同属性特征；
针对所述用户画像表中任一用户画像值和任一商品属性，根据所述每种商品属性对应的销售数据，获取所述用户画像值下的用户的所述商品属性对应商品的第一销售数额以及所述用户画像值下的所述多种商品属性对应的所有商品的第二销售数额；
根据所述每种商品属性对应的销售数据，获取所述商品属性对应商品的第三销售数额和所述多种商品属性对应的所有商品的第四销售数额；
根据所述第三销售数额和所述第四销售数额，计算获取所述用户对所述商品属性对应商品的偏好程度；
根据所述第一销售数额，所述第二销售数额，所述第三销售数额，所述第四销售数额，计算获取显著性指数，所述显著性指标用于指示所述用户画像值的用户在所述商品的销售中的显著性。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据获取到的用户对每种商品属性对应商品的偏好程度，以及每个用户画像值对应用户在所述商品的销售中的显著性指数，获取用户偏好属性程度分析表；所述用户属性偏好程度分析表中包括不同用户画像值下的用户对不同商品属性的偏好数据。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述用户偏好属性程度分析表中的数据，确定商品推荐策略；所述商品推荐策略用于指示处于上升趋势的商品属性和/或每个商品属性对应的至少一个主要消费群体的用户画像值。
4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：
对所述用户偏好属性程度分析表进行可视化处理，并通过图形用户界面输出可视化处理后的用户偏好属性程度分析表。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第三销售数额和所述第四销售数额，计算获取所述用户对所述商品属性对应商品的偏好程度，包括：
计算所述第三销售数额和所述第四销售数额的比值，得到所述用户对所述商品属性对应商品的偏好程度。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第一销售数额，所述第二销售数额，所述第三销售数额，所述第四销售数额，计算获取显著性指数，包括：
计算所述第一销售数额与所述第二销售数额的比值，得到第一比值；
计算所述第三销售数额和所述第四销售数额的比值，得到第二比值；
计算所述第一比值与所述第二比值之间的比值，得到所述显著性指数。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，包括：
获取预设类型的商品的总订单数据，所述总订单数据中包括每个订单销售的商品，商品属性，销售数量，销售金额，以及所述订单中的用户信息；
基于预先配置的用户画像表以及所述总订单数据，通过用户信息和/或商品属性进行数据关联处理，得到临时数据表，所述临时数据表中包括所述用户画像表，所述多种商品属性以及所述每种商品属性对应的销售数据。
8.一种商品数据的处理装置，其特征在于，包括：
获取模块，用于获取用户画像表，多种商品属性以及每种商品属性对应的销售数据，所述销售数据中包括所有购买所述商品属性对应商品的用户信息以及销售数额，所述多种商品属性为同一类型商品的不同属性特征；
处理模块，用于针对所述用户画像表中任一用户画像值和任一商品属性，根据所述每种商品属性对应的销售数据，获取所述用户画像值下的用户的所述商品属性对应商品的第一销售数额以及所述用户画像值下的所述多种商品属性对应的所有商品的第二销售数额；
所述处理模块，还用于根据所述每种商品属性对应的销售数据，获取所述商品属性对应商品的第三销售数额和所述多种商品属性对应的所有商品的第四销售数额；
所述处理模块，还用于根据所述第三销售数额和所述第四销售数额，计算获取所述用户对所述商品属性对应商品的偏好程度；
所述处理模块，还用于根据所述第一销售数额，所述第二销售数额，所述第三销售数额，所述第四销售数额，计算获取显著性指数，所述显著性指标用于指示所述用户画像值的用户在所述商品的销售中的显著性。
9.一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，其特征在于，所述处理器执行所述计算机程序指令时用于实现如权利要求1至7任一项所述的商品数据的处理方法。
10.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的商品数据的处理方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时用于实现如权利要求1至7任一项所述的商品数据的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001426.5A CN113643099A (zh) | 2021-08-30 | 2021-08-30 | 商品数据的处理方法、设备、装置、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001426.5A CN113643099A (zh) | 2021-08-30 | 2021-08-30 | 商品数据的处理方法、设备、装置、存储介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113643099A true CN113643099A (zh) | 2021-11-12 |
Family
ID=78424424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111001426.5A Pending CN113643099A (zh) | 2021-08-30 | 2021-08-30 | 商品数据的处理方法、设备、装置、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643099A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350770A (zh) * | 2023-12-05 | 2024-01-05 | 西安柚子信息科技有限公司 | 一种基于用户画像的精准营销方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003088078A2 (en) * | 2002-04-08 | 2003-10-23 | Exxonmobil Research And Engineering Company | System and method for processing financial transactions using multi-payment preferences |
| JP2009181400A (ja) * | 2008-01-31 | 2009-08-13 | Cosmos Scientific Systems Inc | 顧客嗜好情報管理システム |
| US20140067476A1 (en) * | 2012-08-30 | 2014-03-06 | Accenture Global Services Limited | Marketing device, marketing method, program and recording medium |
| WO2016016934A1 (ja) * | 2014-07-29 | 2016-02-04 | 株式会社日立製作所 | 嗜好分析システム |
| CN107862566A (zh) * | 2017-10-17 | 2018-03-30 | 杨明 | 一种商品推荐方法和系统 |
| CN108261766A (zh) * | 2018-01-18 | 2018-07-10 | 珠海金山网络游戏科技有限公司 | 基于偏好的游戏商品推荐方法和装置 |
| CN109711931A (zh) * | 2018-12-14 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 基于用户画像的商品推荐方法、装置、设备及存储介质 |
| CN109840820A (zh) * | 2017-11-28 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 一种确定用户对对象类型偏好度的方法和装置 |
| US20190180295A1 (en) * | 2017-12-13 | 2019-06-13 | Edwin Geoffrey Hartnell | Method for applying conjoint analysis to rank customer product preference |
| CN110580649A (zh) * | 2018-06-08 | 2019-12-17 | 北京京东尚科信息技术有限公司 | 一种商品潜力值的确定方法和装置 |
| CN110706043A (zh) * | 2018-07-09 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 一种商品提供商、商品的推荐方法、装置及设备 |
| CN113298610A (zh) * | 2021-02-07 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 信息推荐与获取方法、设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111001426.5A patent/CN113643099A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003088078A2 (en) * | 2002-04-08 | 2003-10-23 | Exxonmobil Research And Engineering Company | System and method for processing financial transactions using multi-payment preferences |
| JP2009181400A (ja) * | 2008-01-31 | 2009-08-13 | Cosmos Scientific Systems Inc | 顧客嗜好情報管理システム |
| US20140067476A1 (en) * | 2012-08-30 | 2014-03-06 | Accenture Global Services Limited | Marketing device, marketing method, program and recording medium |
| WO2016016934A1 (ja) * | 2014-07-29 | 2016-02-04 | 株式会社日立製作所 | 嗜好分析システム |
| CN107862566A (zh) * | 2017-10-17 | 2018-03-30 | 杨明 | 一种商品推荐方法和系统 |
| CN109840820A (zh) * | 2017-11-28 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 一种确定用户对对象类型偏好度的方法和装置 |
| US20190180295A1 (en) * | 2017-12-13 | 2019-06-13 | Edwin Geoffrey Hartnell | Method for applying conjoint analysis to rank customer product preference |
| CN108261766A (zh) * | 2018-01-18 | 2018-07-10 | 珠海金山网络游戏科技有限公司 | 基于偏好的游戏商品推荐方法和装置 |
| CN110580649A (zh) * | 2018-06-08 | 2019-12-17 | 北京京东尚科信息技术有限公司 | 一种商品潜力值的确定方法和装置 |
| CN110706043A (zh) * | 2018-07-09 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 一种商品提供商、商品的推荐方法、装置及设备 |
| CN109711931A (zh) * | 2018-12-14 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 基于用户画像的商品推荐方法、装置、设备及存储介质 |
| CN113298610A (zh) * | 2021-02-07 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 信息推荐与获取方法、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LEE ET AL.: "Advertising Content and Consumer Engagement on Social Media: Evidence from Facebook", 《ARTICLES IN ADVANCE》, 18 January 2018 (2018-01-18), pages 1 - 27 * |
| 万志超等: "基于商品属性的消费者个性化偏好模型研究", 《北京邮电大学学报(社会科学版)》, no. 05, 31 December 2013 (2013-12-31) * |
| 张警灿等: "基于商品特征属性的个性化实时推荐系统研究", 《软件导刊》, vol. 15, no. 10, 31 October 2016 (2016-10-31), pages 123 - 125 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350770A (zh) * | 2023-12-05 | 2024-01-05 | 西安柚子信息科技有限公司 | 一种基于用户画像的精准营销方法及系统 |
| CN117350770B (zh) * | 2023-12-05 | 2024-03-08 | 西安柚子信息科技有限公司 | 一种基于用户画像的精准营销方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8631040B2 (en) | Computer-implemented systems and methods for flexible definition of time intervals | |
| CN108764705A (zh) | 一种数据质量评估平台以及方法 | |
| CN110489646B (zh) | 用户画像构建方法及终端设备 | |
| JP2018005563A (ja) | 処理装置、処理方法及びプログラム | |
| CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
| CN117035948B (zh) | 基于大数据的任务智能处理方法及系统 | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| CN113643099A (zh) | 商品数据的处理方法、设备、装置、存储介质及程序产品 | |
| CN110688433B (zh) | 一种基于路径的特征生成方法及装置 | |
| JP7140588B2 (ja) | 決定装置、決定方法および決定プログラム | |
| CN110570271A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
| US20150026563A1 (en) | Evaluation device, evaluation method, evaluation program, and computer-readable recording medium recording evaluation program | |
| JP2018194922A (ja) | 広告効果推定装置、広告効果推定方法及び広告効果推定プログラム | |
| CN113342762B (zh) | 针对商户好友的共享消息的智能处理方法及相关装置 | |
| CN110020135B (zh) | 一种需求确定方法、资源推荐方法和相关装置 | |
| JP2020042676A (ja) | 情報処理装置及び情報処理方法 | |
| CN109583937A (zh) | 一种产品推荐方法和装置 | |
| KR102354982B1 (ko) | 빅데이터에 기반하여 의류 플랫폼 서비스를 제공하는 방법 및 장치 | |
| CN113781120A (zh) | 销售数额预测模型的构建方法、销售数额的预测方法 | |
| CN109360032B (zh) | 客户评估方法、装置、设备以及存储介质 | |
| CN114119168A (zh) | 一种信息推送方法及装置 | |
| CN113961803A (zh) | 拍品推荐方法及装置以及计算机可读存储介质 | |
| CN109543888B (zh) | 营业厅位置选择方法、装置及存储介质 | |
| CN111461632A (zh) | 商品供需平衡方法及系统、服务器及介质 | |
| CN112307298A (zh) | 个人品牌标签的生成方法及其装置 |
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 |