CN113780944A - 信息处理方法、装置、电子设备及介质 - Google Patents
信息处理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113780944A CN113780944A CN202111024578.7A CN202111024578A CN113780944A CN 113780944 A CN113780944 A CN 113780944A CN 202111024578 A CN202111024578 A CN 202111024578A CN 113780944 A CN113780944 A CN 113780944A
- Authority
- CN
- China
- Prior art keywords
- data
- customer
- information
- replenishment
- marketing
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 39
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 31
- 230000001960 triggered effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 9
- 238000007726 management method Methods 0.000 description 46
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 235000013311 vegetables Nutrition 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例提供了一种信息处理方法、装置、电子设备及介质。该信息处理方法包括:从收银系统中读取订单数据;从客户管理系统中读取客户数据;从企业管理信息系统中读取库存数据;通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及发送所述补货信息。根据本公开实施例的技术方案,通过打通收银系统、客户管理系统和企业管理系统,并利用机器学习模型处理订单数据、客户数据和库存数据,以生成补货信息,从而实现库存预警、自动补货的功能。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种信息处理方法、装置、电子设备及介质。
背景技术
现有的门店销售仍然采用比较传统的管理方式,大多以人工统计、人工分析的方式来解决门店面临的问题,因而难以形成有效的管理。尤其是在库存管理方面,一些保质期短的商品如果进货控制不够准确,或者造成浪费,或者不能满足销售需求,都会在很大程度上影响门店的运营。
发明内容
为了解决相关技术中的问题,本公开实施例提供了一种信息处理方法、装置、电子设备及介质。
本公开的一个方面提供了一种信息处理方法,包括:
从收银系统中读取订单数据;
从客户管理系统中读取客户数据;
从企业管理信息系统中读取库存数据;
通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及
发送所述补货信息。
根据本公开实施例,所述通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息包括:
将所述订单数据、客户数据和库存数据存入数据仓库;
在所述数据仓库内处理所述订单数据、客户数据和库存数据,以生成补货信息。
根据本公开实施例,所述机器学习模型为深度学习模型。
根据本公开实施例,所述客户数据包括客户标识信息和客户画像信息,所述方法还包括:
基于所述订单数据和所述客户标识信息生成所述客户画像信息,所述客户画像信息包括性别、年龄、消费频次、消费金额以及活跃程度;
将所述客户画像信息存入客户管理系统或者数据仓库。
根据本公开实施例,该方法还包括:
从营销系统中读取营销数据;
基于所述客户画像信息和所述营销数据,触发营销事件。
根据本公开实施例,该方法还包括:
统计所触发的营销事件,生成营销活动触达率和客户参与率;
发送所述营销活动触达率和客户参与率。
根据本公开实施例,该方法还包括:
监控所述订单数据;
基于所述订单数据,更新客户的活跃程度,
其中,所述基于所述客户画像信息和所述营销数据,触发营销事件包括:
在基于所述活跃程度确定客户为沉睡客户的情况下,触发召回沉睡客户的营销事件。
本公开的另一个方面提供了一种信息处理装置,包括:
订单数据读取模块,被配置为从收银系统中读取订单数据;
客户数据读取模块,被配置为从客户管理系统中读取客户数据;
库存数据读取模块,被配置为从企业管理信息系统中读取库存数据;
预测模块,被配置为通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及
发送模块,被配置为发送所述补货信息。
本公开的另一个方面提供了一种电子设备,包括,至少一个处理器以及至少一个存储器,用于存储一个或多个计算机可读指令,其中,当所述一个或多个计算机可读指令被所述至少一个处理器执行时,使得所述处理器执行如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开实施例的技术方案,通过打通收银系统、客户管理系统和企业管理系统,并利用机器学习模型处理订单数据、客户数据和库存数据,以生成补货信息,从而实现库存预警、自动补货的功能。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示意性示出了根据本公开实施例的信息处理方法的应用场景的示意图;
图2示意性示出了根据本公开实施例的信息处理方法的流程图;
图3示意性示出了根据本公开另一实施例的信息处理方法的流程图;
图4示意性示出了根据本公开另一实施例的信息处理方法的流程图;
图5示意性示出了根据本公开另一实施例的信息处理方法的流程图;
图6示意性示出了根据本公开另一实施例的信息处理方法的流程图;
图7示意性示出了根据本公开实施例的信息处理装置的框图;
图8示意性示出了根据本公开实施例的电子设备的框图;以及
图9示意性示出了根据本公开实施例的适于实现信息处理方法和装置的计算机系统的框图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
应当注意的是,本公开中数据的获取或展示均经用户授权、确认、或由用户主动选择。
本公开的实施例提供了一种信息处理方法,包括从收银系统中读取订单数据;从客户管理系统中读取客户数据;从企业管理信息系统中读取库存数据;通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及发送所述补货信息。
图1示意性示出了根据本公开实施例的信息处理方法的应用场景的示意图。需要注意的是,图1所示仅为本公开实施例的信息处理方法的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例的信息处理方法不可以应用于其他场景。
如图1所示,该场景可以包括终端设备110、收银系统121、客户管理系统122、企业管理信息系统123以及与上述各个设备通信连接的云120。
根据本公开实施例,收银系统121与收款设备(例如POS机,即销售点,Point OfSales)相连,以管理订单数据和支付数据。
客户管理系统122(CRM,Customer Relationship Management)用于协调企业与顾客间在销售、营销和服务上的交互,从而提升其管理方式,向客户提供创新式的个性化的客户交互和服务的系统。
企业管理信息系统123(ERP,Enterprise Resource Planning)用于从供应链管理优化企业的资源,为企业员工及决策层提供决策手段的管理平台。
根据本公开实施例,终端设备110可以是个人电脑,智能手机等通用设备,也可以是专用的设备。该终端设备是商家的设备,用于接收补货信息。根据商家的指令,终端设备110可以将该补货信息转发到该商家的供应商,以便供应商向商家提供所需的货品。
本公开实施例中,云120是对互联网和基础设施的抽象。如上所述的收银系统121、客户管理系统122、企业管理信息系统123以及云120中的任意一种可以实现为独立的服务器或服务器集群,或者,收银系统121、客户管理系统122、企业管理信息系统123以及云120中的一种或多种可以实现在同一服务器或服务器集群中。
在云120上可以部署SaaS(Software-as-a-Service,软件即服务)系统,SaaS提供商为企业搭建信息化所需要的所有网络基础设施及软件、硬件运作平台,并负责所有前期的实施、后期的维护等一系列服务,企业无需购买软硬件、建设机房、招聘IT人员,即可通过互联网使用信息系统。SaaS是一种软件布局模型,其应用专为网络交付而设计,便于用户通过互联网托管、部署及接入。
根据本公开实施例,如图1所示,该场景中还可以包括数据仓库124,该数据仓库124可以实现为独立的服务器或服务器集群,或者,可以与收银系统121、客户管理系统122、企业管理信息系统123或云120中的一种或多种实现在同一服务器或服务器集群中。
根据本公开实施例,该数据仓库124可用于存储各类数据并进行深度学习。该数据仓库124可采用数仓总线结构,最大化数仓容积,通过灵活统一的中控平台提高数据采集和分发效率;总线结构数仓使用公用维度,满足数据仓库数据一致性要求,因各级子公司/系统在进行OLAP((On-Line Analytical Processing,联机分析处理)分析时都需要使用总部数据仓库,使用数据仓库总线结构,可有效降低总部数据仓库的负载。
根据本公开实施例,如图1所示,该场景中还可以包括营销系统125,该营销系统125可以实现为独立的服务器或服务器集群,或者,可以与收银系统121、客户管理系统122、企业管理信息系统123、数据仓库124或云120中的一种或多种实现在同一服务器或服务器集群中。该营销系统125中可以用于设置并存储营销数据,以便对各种营销活动进行管理。
根据本公开实施例,该场景还可以包括算法中心。通过算法中心,可以将运营数据反哺至数据仓库124,不断对数据进行分层、优化,对数据层进行筛选,可分为消费者、商品、商圈、互联网、线下消费等不同层次的数据,除此之外,按照餐饮、母婴、快消、汽车用品等16大行业分类也做了数据的分层,并在此数据基础上,对行业数据、商品数据、人群画像等核心数据层不断补充优化,使数据进行有效层次的隔离,实现门店的营销自动化能力。
根据本公开实施例,SaaS系统与门店的基本管理系统对接,门店的基本管理系统包括上述收银系统121、客户管理系统122和企业管理信息系统123、数据仓库124、营销系统125等,并可接入物联网,打通线上线下用户数据,结合Saas系统提供的数据采集、数据学习、营销中心等各种能力,帮助商户进行数字化运营体系,建立商户的智慧门店。
本公开实施例的信息处理方法可以由云120执行,尤其是部署在云120中的SaaS系统执行,或者也可以由云120以外的其他服务器或服务器集群执行。
下面结合图2示意的信息处理方法进行说明。
图2示意性示出了根据本公开实施例的信息处理方法的流程图。
如图2所示,该方法包括操作S210~S250。
在操作S210,从收银系统中读取订单数据;
在操作S220,从客户管理系统中读取客户数据;
在操作S230,从企业管理信息系统中读取库存数据;
在操作S240,通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及
在操作S250,发送所述补货信息。
根据本公开实施例的技术方案,通过打通收银系统、客户管理系统和企业管理系统,并利用机器学习模型处理订单数据、客户数据和库存数据,以生成补货信息,从而实现库存预警、自动补货的功能。
根据本公开实施例,订单数据例如可以包括客户信息、订单发生时间、消费内容、消费金额、支付状态、参与的营销活动中的一种或多种。客户数据例如可以包括客户ID、客户基本信息、客户消费记录等。库存数据例如可以包括各个商品ID及其库存数量,还可以包括一定的库存管理规则,例如某种商品的最高和最低库存阈值等。
根据本公开实施例,机器学习模型例如可以是决策树、随机森林、支持向量机(SVM)、人工神经网络模型等,在本公开实施例中,优选深度学习模型,即深度神经网络模型。深度学习模型可以用较少的参数表示更加复杂的关系,在本公开实施例的场景中能够取得较好的预测效果。
根据本公开实施例,可以收集历史数据作为样本,以T时刻的订单数据、客户数据和库存数据作为输入,T+Δt时刻的库存作为监督模型的标签,训练机器学习模型。误差收敛后可以上线运行,并在非监督的状态下持续训练,不断优化,达到理想的效果。通过该机器学习模型处理当前时刻的订单数据、客户数据和库存数据,预测未来某一时刻(Δt时间后)的库存情况,例如可以通过阈值判断,以确定当下是否需要补货,以及需要补充多少数量。
根据本公开实施例,可以通过短信、电话或各种即时通信的应用的形式将补货信息通知到相关工作人员,提醒相关人员补充商品库存。此外或可替代的,系统还可以持续输出预警信息,直至商品得到补充后消除该预警信息。
根据本公开实施例,通过机器学习模型处理所述订单数据、客户数据和库存数据的过程可以由数据仓库实现,即SaaS系统可以将订单数据、客户数据和库存数据存入数据仓库,在所述数据仓库内处理所述订单数据、客户数据和库存数据,以生成补货信息。由数据仓库统一存储并运算,可以减少数据传输对网络资源的占用,提高效率并降低成本。
根据本公开实施例,除了补货功能以外,SaaS系统还可以将人货场三要素进行关联,为门店运营提供更多的帮助。其中,“人”是指记录消费者的客单价、性别、年龄、消费频次等基础信息和消费行为,例如:张三,年龄23岁,性别男,每周日会固定到该商圈该门店购买该商品;“货”是指记录商户的SKU(Stock Keeping Unit,库存量单位,从货品角度指一种商品)、订单时间、商品类型等信息;“场”是指记录该商户所在的地域、消费等级、商圈、客流量等信息。通过将以上人货场三要素信息进行关联,系统会自动学习记录该信息,从而反哺到到会员管理、客流统计等模块,为门店运营提供运营帮助。
图3示意性示出了根据本公开另一实施例的信息处理方法的流程图。
如图3所示,该方法在图2所示意的实施例的基础上,还可以包括操作S310和S320。该操作S310和S320可以设置在S220之后的任何位置,例如,可以如图3的方式设置在操作S230之后。
在操作S310,基于所述订单数据和客户标识信息生成所述客户画像信息;
在操作S320,将所述客户画像信息存入客户管理系统或者数据仓库。
其中,客户标识信息即客户ID,来自于客户数据。所述客户数据包括客户标识信息和客户画像信息,客户画像信息例如可以包括性别、年龄、消费频次、消费金额以及活跃程度等。
根据本公开实施例的技术方案,通过处理订单数据和客户标识信息生成客户画像信息,可以更好地管理客户信息,为精准营销提供技术上的便利。
图4示意性示出了根据本公开另一实施例的信息处理方法的流程图。
如图4所示,该方法在图3所示意的实施例的基础上,还可以包括操作S410和S420。为了简洁,图4中未示出操作S240和S250。在本公开其他的实施方式中,也可以直接省略操作S240和S250。
在操作S410,从营销系统中读取营销数据;
在操作S420,基于所述客户画像信息和所述营销数据,触发营销事件。
根据本公开实施例,营销数据可以包括某个营销活动的具体规则。该营销活动例如可以包括满减活动、返券活动、生日关怀等。通过将该些规则与客户画像信息匹配,可以精确地将活动推送到特定客户群体,提高营销活动的转化率。
图5示意性示出了根据本公开另一实施例的信息处理方法的流程图。
如图5所示,该方法在图4所示意的实施例的基础上,还可以包括操作S510和S520。类似地,为了简洁,图5中未示出操作S240和S250。在本公开其他的实施方式中,也可以直接省略操作S240和S250。
在操作S510,统计所触发的营销事件,生成营销活动触达率和客户参与率;
在操作S520,发送所述营销活动触达率和客户参与率。
其中,营销活动触达率是指该营销活动实际触达的目标用户群体的比例。例如,某一活动是针对具有某种特征的大约1000个客户设计的,然而实际触发营销事件的客户数量为600人,即见到该营销活动宣传信息的客户为600人,那么可确定营销活动触达率约为60%。客户参与率是指活动推送到客户群体后,实际参与活动的客户的比例。例如,上述600人中,有480人并未参加该营销活动,只有120人参与并进行了消费,则客户参与率为20%。
根据本公开实施例,可以在活动推出后,持续记录营销时间的触发情况,以及营销活动的参与情况,以统计营销活动触达率和客户参与率。该数据可以每隔一段时间输出一次,或实时更新地进行显示,供商户参考以便进行决策。
图6示意性示出了根据本公开另一实施例的信息处理方法的流程图。
如图6所示,该方法在图4所示意的实施例的基础上,还可以包括操作S610和S620。操作S420可以进一步实现为操作S630。类似地,为了简洁,图6中未示出操作S240、S250、S510和S520。在本公开其他的实施方式中,也可以直接省略操作S240、S250、S510和S520中的任意一个或多个。
在操作S610,监控所述订单数据;
在操作S620,基于所述订单数据,更新客户的活跃程度;
在操作S630,在基于所述活跃程度确定客户为沉睡客户的情况下,触发召回沉睡客户的营销事件。
根据本公开实施例,客户画像信息包括客户的活跃程度,尤其是老客户的活跃程度,可以分为活跃客户和沉睡客户。例如,可以定义曾经有过多次消费,但近一个月未在本店发生消费的客户为沉睡客户。营销活动可以包括召回沉睡客户的营销事件,即仅沉睡客户可参与的营销活动,例如满减、打折等优惠活动。
根据本公开各个实施例的技术方案,通过对接CRM、收银、ERP等系统,获取门店的基本数据,来反哺到Saas系统中,能够在无人操作的情况下完成货品分析、客户分析、销售推广,解决了门店销售数据不清晰、客户情况难以掌握、门店产品信息不同步、难以智能化获取客户需求以及数据上报受阻的问题,帮助商户构建数字化运营能力,实现货品管理销售、客户需求分析,帮助顾客提升购买决策,节省运营人工投入,减少人为错误可能,减少时间成本,打通商户各个平台,消除数据孤岛,增效降本。
下面以一具体实施例进行说明:
某人经营了一家火锅店,通过公众号、抖音等线上渠道进行宣传,或到附近散发宣传单。经营了一段时间发现以下问题:
1.每天的客流不稳定,只能人为去判断每天食材的吞吐量,容易造成食材过期积压资金等问题;
2.只能人为识别新老顾客,无法具备数字化管理;
3.营业额不稳定,根本就无法知晓顾客的消费能力,以及流失原因;
4.店内促销活动单一,只能通过打折送菜等手段拉拢新顾客;
5.无法评估活动效果,无法识别顾客的消费层级。
应用本公开实施例的方法后:
首先,系统会对接商户的POS、CRM、ERP等系统,打通商户的会员、订单等数据体系,形成一个完整的可进行分析的产品体系,系统通过每天分析商户的销量、库存等数据,按照机器学习的模型,预估商家次日或未来应该补充哪种类型的货品,并且通过短信、微信等形式发出预警,以达到自动预警自动补货的能力;
其次,会根据已经打通好的POS、订单、会员体系,对顾客的消费能力进行分析和学习,根据用户ID,判断每位顾客的用户画像,比如性别、年龄、消费频次及消费金额等,并对每一位顾客进行标签分组,区分高频高活/低频低活等用户画像,将每一位顾客都进行数字分层;
通过系统的分析可以确定哪些是新客户,哪些是老客户,针对每个行为不同的顾客,在系统中预设好营销活动,例如满减、优惠券、生日关怀等,当满足某个条件时,系统会自动触发,实现自动化的营销手段。并且通过系统可以查看活动的触达率,客户的参与率,真正的实现数字化营销的能力。
SaaS系统中记录了顾客的多种行为,例如个人信息、支付信息、消费喜好等。这些信息通过传输回系统中,进行系统的机器学习,例如把消费频次低的用户自动划分为沉睡会员,实现自动召回能力、预测顾客的消费能力;把ERP的货物订单等信息反哺给数仓,通过渠道的触发,实现自动补货等能力。
基于同一发明构思,本公开还提供了一种信息处理装置,下面参照图7对本公开实施例的信息处理装置700进行说明。
图7示意性示出了根据本公开实施例的信息处理装置700的框图。其中,该装置700可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图7所示,该信息处理装置700包括订单数据读取模块710、客户数据读取模块720、库存数据读取模块730、预测模块740以及发送模块750。该信息处理装置700可以执行上文描述的各种方法。
订单数据读取模块710,被配置为从收银系统中读取订单数据;
客户数据读取模块720,被配置为从客户管理系统中读取客户数据;
库存数据读取模块730,被配置为从企业管理信息系统中读取库存数据;
预测模块740,被配置为通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及
发送模块750,被配置为发送所述补货信息。
根据本公开实施例的技术方案,通过打通收银系统、客户管理系统和企业管理系统,并利用机器学习模型处理订单数据、客户数据和库存数据,以生成补货信息,从而实现库存预警、自动补货的功能。
本公开还公开了一种电子设备,图8示出根据本公开的实施例的电子设备的框图。
如图8所示,所述电子设备800包括存储器801和处理器802,其中,所述存储器801用于存储支持电子设备执行上述任一实施例中的信息处理方法或代码生成方法的程序,所述处理器802被配置为用于执行所述存储器801中存储的程序。
根据本公开实施例,所述存储器801用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器802执行以实现以下步骤:
从收银系统中读取订单数据;
从客户管理系统中读取客户数据;
从企业管理信息系统中读取库存数据;
通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及
发送所述补货信息。
根据本公开实施例,所述通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息包括:
将所述订单数据、客户数据和库存数据存入数据仓库;
在所述数据仓库内处理所述订单数据、客户数据和库存数据,以生成补货信息。
根据本公开实施例,所述机器学习模型为深度学习模型。
根据本公开实施例,所述客户数据包括客户标识信息和客户画像信息,该处理器802还用于执行:
基于所述订单数据和所述客户标识信息生成所述客户画像信息,所述客户画像信息包括性别、年龄、消费频次、消费金额以及活跃程度;
将所述客户画像信息存入客户管理系统或者数据仓库。
根据本公开实施例,该处理器802还用于执行:
从营销系统中读取营销数据;
基于所述客户画像信息和所述营销数据,触发营销事件。
根据本公开实施例,该处理器802还用于执行:
统计所触发的营销事件,生成营销活动触达率和客户参与率;
发送所述营销活动触达率和客户参与率。
根据本公开实施例,该处理器802还用于执行:
监控所述订单数据;
基于所述订单数据,更新客户的活跃程度,
其中,所述基于所述客户画像信息和所述营销数据,触发营销事件包括:
在基于所述活跃程度确定客户为沉睡客户的情况下,触发召回沉睡客户的营销事件。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统900的框图。
如图9所示,计算机系统900包括处理单元901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行上述实施例中的各种处理。在RAM 903中,还存储有系统900操作所需的各种程序和数据。处理单元901、ROM902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。其中,所述处理单元901可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种信息处理方法,包括:
从收银系统中读取订单数据;
从客户管理系统中读取客户数据;
从企业管理信息系统中读取库存数据;
通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及
发送所述补货信息。
2.根据权利要求1所述的方法,其中,所述通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息包括:
将所述订单数据、客户数据和库存数据存入数据仓库;
在所述数据仓库内处理所述订单数据、客户数据和库存数据,以生成补货信息。
3.根据权利要求2所述的方法,其中,所述机器学习模型为深度学习模型。
4.根据权利要求1-3任一项所述的方法,其中,所述客户数据包括客户标识信息和客户画像信息,所述方法还包括:
基于所述订单数据和所述客户标识信息生成所述客户画像信息,所述客户画像信息包括性别、年龄、消费频次、消费金额以及活跃程度;
将所述客户画像信息存入客户管理系统或者数据仓库。
5.根据权利要求4所述的方法,还包括:
从营销系统中读取营销数据;
基于所述客户画像信息和所述营销数据,触发营销事件。
6.根据权利要求5所述的方法,还包括:
统计所触发的营销事件,生成营销活动触达率和客户参与率;
发送所述营销活动触达率和客户参与率。
7.根据权利要求5所述的方法,还包括:
监控所述订单数据;
基于所述订单数据,更新客户的活跃程度,
其中,所述基于所述客户画像信息和所述营销数据,触发营销事件包括:
在基于所述活跃程度确定客户为沉睡客户的情况下,触发召回沉睡客户的营销事件。
8.一种信息处理装置,包括:
订单数据读取模块,被配置为从收银系统中读取订单数据;
客户数据读取模块,被配置为从客户管理系统中读取客户数据;
库存数据读取模块,被配置为从企业管理信息系统中读取库存数据;
预测模块,被配置为通过机器学习模型处理所述订单数据、客户数据和库存数据,以生成补货信息,所述补货信息包括需要补货的货品标识和补货数量;以及
发送模块,被配置为发送所述补货信息。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序,
其中,当一个或多个计算机程序被一个或多个处理器执行时,使得一个或多个处理器实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024578.7A CN113780944A (zh) | 2021-09-02 | 2021-09-02 | 信息处理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024578.7A CN113780944A (zh) | 2021-09-02 | 2021-09-02 | 信息处理方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780944A true CN113780944A (zh) | 2021-12-10 |
Family
ID=78840691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111024578.7A Pending CN113780944A (zh) | 2021-09-02 | 2021-09-02 | 信息处理方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780944A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357286A (zh) * | 2021-12-24 | 2022-04-15 | 广州风腾网络科技有限公司 | 一种数据营销方案的推送方法、系统、设备及存储介质 |
CN115271868A (zh) * | 2022-07-26 | 2022-11-01 | 深圳市普尔瀚达科技有限公司 | 一种基于saas平台的商家智能分析管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274201A (zh) * | 2016-04-07 | 2017-10-20 | 滴滴(中国)科技有限公司 | 基于用户画像的营销方法、装置及系统 |
CN109064274A (zh) * | 2018-07-24 | 2018-12-21 | 方骥 | 一种基于机器学习的智慧电商页面缺货管理方法及系统 |
CN110826980A (zh) * | 2019-10-01 | 2020-02-21 | 榕知科技(武汉)有限公司 | 一种基于云平台的erp系统及其运行方法 |
CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
-
2021
- 2021-09-02 CN CN202111024578.7A patent/CN113780944A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274201A (zh) * | 2016-04-07 | 2017-10-20 | 滴滴(中国)科技有限公司 | 基于用户画像的营销方法、装置及系统 |
CN109064274A (zh) * | 2018-07-24 | 2018-12-21 | 方骥 | 一种基于机器学习的智慧电商页面缺货管理方法及系统 |
CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
CN110826980A (zh) * | 2019-10-01 | 2020-02-21 | 榕知科技(武汉)有限公司 | 一种基于云平台的erp系统及其运行方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357286A (zh) * | 2021-12-24 | 2022-04-15 | 广州风腾网络科技有限公司 | 一种数据营销方案的推送方法、系统、设备及存储介质 |
CN115271868A (zh) * | 2022-07-26 | 2022-11-01 | 深圳市普尔瀚达科技有限公司 | 一种基于saas平台的商家智能分析管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210334844A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
US10395210B2 (en) | System and method for using stores as receiving points for third party, E-commerce suppliers | |
US8364553B2 (en) | Managing fresh-product inventory | |
JP2021507323A (ja) | モデル生成のための動的な特徴選択 | |
US20220198545A1 (en) | Adaptive scheduling of electronic messaging based on predictive consumption of the sampling of items via a networked computing platform | |
US20180308030A1 (en) | System and Method for Establishing Regional Distribution Center Inventory Levels for New Third Party Products | |
CN109978429B (zh) | 用于输出信息的方法和装置 | |
CN110555578B (zh) | 一种销量预测方法和装置 | |
Akyuz et al. | Ensemble approach for time series analysis in demand forecasting: Ensemble learning | |
CN113780944A (zh) | 信息处理方法、装置、电子设备及介质 | |
US20040186788A1 (en) | Commodity usage tracking and replenishment apparatus and method | |
CN112074849A (zh) | 价格优化系统 | |
US20150120378A1 (en) | Methods and systems for product consumption determination | |
WO2018200558A1 (en) | System and method for dynamically establishing a regional distribution center truck flow graph to distribute merchandise | |
CN110178154A (zh) | 优化零售环境中的人力资源和非人力资源 | |
CN108205778A (zh) | 线预测模型 | |
US7533036B2 (en) | Method and system for preparing a new store for opening and operation | |
Andrade et al. | Disaggregated retail forecasting: A gradient boosting approach | |
US20230419184A1 (en) | Causal Inference Machine Learning with Statistical Background Subtraction | |
US20240070697A1 (en) | Adjusting Demand for Order Fulfillment During Various Time Intervals for Order Fulfillment by an Online Concierge System | |
WO2021065289A1 (ja) | 店舗支援システム、店舗支援方法及びプログラム | |
CN115699057A (zh) | 短生命周期销售曲线估计 | |
US11574325B1 (en) | Machine learning model trained to predict conversions for determining lost conversions caused by restrictions in available fulfillment windows or fulfillment cost | |
Mukherjee | Technology at point-of-purchase-a journey from electronic cash registers to all inclusive point-of-purchase systems | |
WO2021065290A1 (ja) | 店舗支援システム、学習装置、店舗支援方法、学習済みモデルの生成方法及びプログラム |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211210 |