CN113781074A - 消费数据处理方法与系统 - Google Patents
消费数据处理方法与系统 Download PDFInfo
- Publication number
- CN113781074A CN113781074A CN202010442473.2A CN202010442473A CN113781074A CN 113781074 A CN113781074 A CN 113781074A CN 202010442473 A CN202010442473 A CN 202010442473A CN 113781074 A CN113781074 A CN 113781074A
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- consumption
- marketing
- data processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000005406 washing 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0254—Targeted advertisements based on statistics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06Q30/01—Customer relationship services
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种消费数据处理方法与系统,该方法运行于一伺服系统中。一开始,伺服系统输入一企业数据,企业数据涵盖属于一企业属性的消费者数据,再对企业数据进行数据清洗,并获取其中特征,接着执行一机器学习法,取得企业数据中的卷标,建立一企业特性模型,再输入一主数据至此企业特性模型,以原先企业数据的少数特征,从主数据中建立一营销清单,之后可以依据此营销清单投放营销广告,并根据营销结果取得更多特征,建立更多卷标,以更新此企业特性模型。以此可优化关联企业属性的企业特性模型并持续更新优化。
Description
技术领域
说明书公开一种数据处理方法,特别是指一种汇整既有消费数据,利用机器学习弥补数据偏差与不足,达到营销目的的消费数据处理方法与系统。
背景技术
在现有的营销方式中,由业者(企业主)向广告业者提出需求,经制作文字或影音媒体后,在大众媒体、网络、各社群媒体(social medi)投放广告,相较于现有的精准营销来说,这样的广告效益不大。
精准营销为可以根据业者商品的属性得出目标客群(target audience),再将广告通过特定媒体(主要是网络社群)投放给锁定的目标客群,由于所投放广告的商品(或服务)与目标客群的喜好一致,因此相对来说,广告所带来的收入效益会比较好。
目标客群可以是企业内部数据得出,而这笔数据中的消费者可能是过去已经来店(或网络)消费的人,对传统企业而言,不容易拓展到此数据以外的消费者。目标客群也可经过一大数据分析从众多的消费者数据中筛选出的对象,例如在各种社群媒体中投放广告时,通过选择地区、年龄层等方式设定投放广告的目标,藉此可以得出企业本身数据以外的对象,或可通过一些筛选机制得出相对有兴趣的一群人,使得投放的广告可以更精准。
发明内容
有鉴于一般企业所采集的消费数据较少,也有偏差,说明书所提出的消费数据处理方法与系统即利用企业的数据以机器学习算法学习企业的消费者特征,以建立企业特性模型,用以一主数据得出与企业的消费者特征相符的一群新名单。在消费数据处理方法与系统中,一个目的为提出一种让企业可以在本身企业数据以外得出更多潜在目标客群的方法,当采用了机器学习方法建立企业特性模型,可经输入更大消费记录的主数据后,以根据主数据与企业数据的关联性提供一营销清单。
根据实施例,所提出的消费数据处理方法运行于一伺服系统中,在方法中,输入一企业数据,此企业数据涵盖属于一企业属性的消费者数据,接着对企业数据进行数据清洗,并获取其中特征,以对经数据清洗与取得特征的数据执行一机器学习法,取得企业数据中的卷标,建立一企业特性模型。之后,可输入一主数据至此企业特性模型,其中主数据涵盖的消费者数量大于企业数据,且不限于企业数据的属性。
接着由主数据中得出关联企业数据的特征的一营销清单,再依据此营销清单对其中全部或部分的消费者投放营销广告,之后可根据一营销结果更新企业特性模型,经反复将结果输入并重新训练用以更新企业特性模型,得以优化关联企业属性的企业特性模型。
进一步地,在对企业数据进行数据清洗的步骤中,可进行一客户关系管理(Customer Relationship Management)分析,用以分类企业数据中的消费者。客户关系管理分析可采用一种最近一次消费(Recency)、消费频率(Frequency)以及消费金额(Monetary)分析,对企业数据内消费者进行评分,以利取得企业数据中的卷标。
根据一实施例,建立主数据的方法为在一社群媒体中建立一个或多个团购活动,之后在进行团购活动的过程中分析其中信息,之后可根据分析结果建立主数据。
在消费数据处理系统的实施例中,系统提出一伺服系统,设有一主数据库,其中即运行所述的消费数据处理方法。
进一步地,伺服系统设有一数据平台,用以连接社群媒体主机,可通过应用程序编程接口(Application Program Internet)取得在社群媒体形成的消费数据,以建立主数据。
附图说明
图1显示执行消费数据处理方法的系统架构实施例示意图;
图2显示消费数据处理系统架构实施例示意图;
图3显示消费数据处理方法的流程实施例图;
图4描述建立主数据的方法流程实施例图;
图5显示消费数据处理方法流程实施例图;以及
图6显示检验营销列表的方法流程实施例图。
具体实施方式
有鉴于一般企业一方面仅能从过去消费数据进行较为精准的营销提升回客率,另一方面但却苦于无法有效拓展更多消费者客群,在现有技术中,若要拓展更多的业绩,需要通过广告商利用各种大众媒体、网络、社群网络投放广告给不特定消费者,或是投放广告给经过简单筛选过的目标客群,但因为无法有效锁定目标客户,广告效益都不高。针对现有企业投放广告效益不彰的困扰,本公开提出一种消费数据处理方法与系统,针对一般企业的数据少且有偏差的问题,提出以机器学习算法学习企业的消费者特征后建立一企业特性模型,用以在所提出的主数据中找出与企业的消费者特征相符的一群新名单,即通过执行的方法弥补数据偏差与数据不足的问题,使得企业可以触及传统数据无法涵盖的目标客群。
图1显示执行消费数据处理方法的系统架构实施例示意图。
此例中,系统端提出一伺服系统11,系统端中设有主数据库110,通过网络10连接社群媒体13,可以藉由社群媒体13中的消费活动取得消费者数据,另一方面通过网络10链接企业主机15,可以取得企业数据库150中的数据,经机器学习后建立企业特性模型,可以通过系统端的主数据触及更多的客户,弥补企业属性产生数据的偏差与不足。
另一方面,伺服系统11可以在社群媒体13中建立自己的销售系统,让商品或服务的供货商17可以藉此渠道销售商品或服务,同时,伺服系统11即可通过此销售渠道取得更大量的消费者数据,建立主数据,以服务数据量小的企业拓展业务。当通过机器学习法针对各种企业属性建立营销系统后,系统可提供广告业主19开拓广告业务,针对企业特性模型所得出的营销对象投放营销广告。
消费数据处理方法的概念是,一般企业数据一定存在因为企业属性产生的偏差,先以机器学习法学习企业的特征,得出企业属性,这可以用多个特征卷标描述企业属性,接着系统利用数量更大的主数据根据机器学习形成的模型得出有类似属性(有相同的特征卷标)的更多潜在的目标客群,除了新客户开发外,更能成为新产品开发或展店建议的参考。
图2接着以流程描述消费数据处理系统架构,其中以示意图表示出企业端提供有企业主机21,设有企业数据库210,通过其企业数据平台212可以触及客户215。企业数据平台212示意表示通过传统的方式取得客户数据外,还可包括从各种渠道(如网络)得到的消费数据,而其中企业数据为对应企业属性的消费者数据。
系统端设有伺服系统20,设有企业数据接口201,示意表示通过此企业数据接口201取得企业数据库210的企业数据,并能同时服务多个企业,取得其他企业数据208。
伺服系统20中包括有软件搭配硬件(如处理器、内存、网络)实现的各种功能模块,如图所示的预处理模块202、机器学习模块203、模型建立模块204、营销列表产生模块205、主数据库206(包括会员数据库、消费数据)以及一数据平台207。其中各功能模块仍可由各独立运行的主机所实现。
预处理模块202用于对输入系统的数据,如企业数据,进行数据清洗(datacleansing)、特征获取、分析与分类等处理程序。其中数据清洗为将输入的数据删除当中无用、不完整、无法识别或重复的数据,并尽可能更正错误,之后可通过格式化让各种数据能统一被系统所接受。特征获取的程序为文意解析出各数据的内容,以获取当中特征,如此例针对消费数据获取的特征有消费地区、消费者年龄、商品价格、属性、消费者职业、收入、消费时间、企业属性等,这些特征也预计成为建立模型所需的卷标。分析与分类的目的是可以依据需求设定参数以对输入的每笔数据进行评分,例如常见的有一种RFM评分方法,所依据的客观指标包括最近一次消费(Recency)、消费频率(Frequency)以及消费金额(Monetary),对每笔数据进行分类,据此评分,以利取得企业数据中的卷标。在此一提的是,对于所述方法,RFM只是其中一种特征提取的手法,并举例说明,并非用于限制所提出的方案。
机器学习模块203用以执行特定机器学习算法,学习输入的数据中的规则,得出关于数据属性的特征卷标(tag)。此例中,即根据企业数据库210中的大数据进行训练,执行数据探勘(data mining),得出各种消费数据中有意义的特征(如关键词),形成建立与主数据关联的卷标,通过模型建立模块204得出营销对象的企业特性模型。
模型建立模块204的工作除了根据机器学习执行得出对应企业数据的特征卷标建立企业特性模型外,并能根据之后营销结果产生的回馈信息更新模型,达到优化企业特性模型的目的。
之后,通过营销列表产生模块205从主数据中得出营销列表,此营销列表记载之后投放广告的建议对象,包括用来测试用的小量投放的营销清单,之后营销结果也成为评估企业特性模型优劣的依据,营销列表产生模块205接续也从优化的企业特性模型产生新的营销列表。其中,在一技术概念下,先通过第一次投放测试结果,基于原先企业数据的少数特征,从具有更多面向的主数据中取得更多样特征,使得机器学习算法转向从主数据取得关联的消费者特征,建立更多维度的营销模型,再依下次投放持续更新优化营销模型。
伺服系统20设有主数据库206,其中记载各样消费者数据,包括在各种消费平台上取得的会员数据库、消费数据等,特别是包括通过一数据平台207取得在各种社群媒体23、24中的消费活动形成的数据,数据平台207以一客户关系管理与进销存系统实现,可以触及在社群媒体23、24中的用户250,并通过各社群媒体23、24提供的应用程序编程接口(API)取得用户250在其中消费活动的数据。
值得一提的是,伺服系统20提供的主数据库206所记载的主数据量体大于(或远大于)企业数据库210。在一实施例中,虽然企业数据210与主数据库206运行在同一伺服系统20,但是优选地,仍为两个不同且独立的数据库。当通过根据企业数据建立的企业特性模型时,即建立主数据与各种企业数据的关联性,因此可以从主数据中得出与企业属性相关连的更多消费者清单,拓展为企业营销的对象。
图3描述消费数据处理方法的流程实施例图。
系统由各种数据来源301(至少两个来源,或两个以上)建立主数据302,例如社群媒体中的消费活动,或是来自各种企业提供的数据。其中主数据302的特征为更多维度的内容,远大于企业数据。
企业数据303涵盖属于一企业属性的消费者数据,输入系统后,经过预处理程序,包括上述实施例所描述的数据清洗,以得出有效的数据,并进行特征获取,以再根据上述RFM分析进行评分(304),利用机器学习305学习数据中的特征,其中部分用于训练的用途,目的是建立模型306。之后再将主数据302输入模型306,藉由这些步骤弥补企业数据303仅针对特定企业属性而产生的偏差与数据不足的问题,从主数据302中得出相似度高而具有相似属性的初步营销清单307。
在消费数据处理方法中,依据初步营销清单307对其中全部或部分的消费者投放营销广告(308),产生一营销结果,营销结果将显示出初步营销清单307中的消费者是否有进行消费,成为之后更新企业特性模型的依据。
举例来说,根据营销结果,消费行为符合者,设为1,消费行为不符合者,设为0,再对主数据302进行数据清洗、特征获取309,同样以机器学习310方法更新模型311,同时根据营销结果更新数据中的卷标,再次产生更新后的营销清单312,并再次根据其中营销对象投放广告,同样地得出新的营销结果,继续根据营销结果更新企业特性模型。经反复将结果输入并重新训练用以更新企业特性模型,得以优化关联企业属性的企业特性模型。
如此,在该方法中,当产生营销结果,机器学习算法可继续依据营销结果,在原先企业数据的少数特征的基础中,从主数据中取得更多特征,重新建立更多维度的模型,再依下次投放持续更新优化模型。
在消费数据处理方法中,当对企业数据303进行数据清洗的步骤中,可进行一客户关系管理(CRM)分析,用以分类企业数据303中的消费者,而客户关系管理分析中,并不限于特定方法,以上述实施例所公开的RFM分析方法为例,其中采用最近一次消费、消费频率以及消费金额分析,对企业数据303内消费者进行评分,以利取得企业数据中的卷标。
形成系统端的主数据的一种方式是收集来自各种营销活动得到的消费者消费喜好与记录,举例来说,利用社群媒体所启动的团购活动,当有社群使用者参加团购活动,并表达对团购物件有兴趣或参与购买,即可通过取得的数据建立消费者人物志(Persona),人物志用于描绘消费者在各种消费行为与记录所建立的信息,除了个人基本数据外,还包括消费喜好与行为方式等描述。
图4描述建立主数据的其中一种方法的流程实施例图,此实施例列举通过一社群媒体的消费活动建立数据的方法。
在社群媒体中,伺服系统的业者可以招募会员对供货商提供的商品邀请群友加入团购活动的群组(步骤S401),提出团购物件(步骤S403),让群友在社群媒体中以来往信息表达意见,包括参与团购活动,因此,伺服系统可以通过社群媒体提供的特定接口(如API)取得消费者回应信息(步骤S405),这些回应信息通过伺服系统分析,包括执行统计与语意分析(步骤S407),可以得出有效数据,并建立主数据(步骤S409)。
在此一提的是,持续从各种来源取得的消费数据建立的主数据具有相对广而复杂的数据,样本数量应远大于企业数据,因此相对可代表市场母体,因此,该方法通过智能学习企业数据的特征而建立与主数据的关联后,可以协助企业有效地将原本过于单一的属性的营销对象拓展到更多的消费族群。
其中,根据一实施例,当系统的会员在社群媒体中建立一个或多个团购活动时,可以在分析各种有关消费的信息时,利用运行于社群媒体中聊天室中的聊天机器人分析社群媒体中的用户在一个或多个团购活动中的活动,并产生分析结果,例如订单汇整后的结果、关于各团购活动的喜好等,用以建立主数据。
根据实施例,伺服系统中可采用客户关系管理方法处理各种消费相关信息,并配合一种进销存系统记录消费活动中的商品数据、价格、成本、库存、供货商等。如此,通过汇整各种零售(如团购)的会员数据与消费数据建立主数据,可以接续利用机器学习弥补来自单一属性的企业数据中的偏差(bias)与不足,这类企业属性的特点是数据相似度高,固定某属性或特征。
图5接着显示通过上述系统实现消费数据处理方法的流程实施例图。
开始时,输入企业数据至系统中(步骤S501),企业数据涵盖属于某特定企业属性的消费者数据,相较之下,与系统端的主数据差异大,存有偏差,之后对企业数据进行数据清洗,并获取其中特征(步骤S503)。这时,还可包括建立企业数据中各消费者的一特征档案,这是一种根据消费者在各种消费活动的记录建立的消费者特征档案,可称人物志(personal)(步骤S505),用于描述各消费者的消费属性。
进一步地,从经过数据清洗后的企业数据中的消费者数据进行上述RFM分析,但不限于此方法,其目的是进行评分并分类(步骤S507),这些预处理程序产生后续执行机器学习的训练集。
在此一提的是,在评分所采用的RFM分析的实施例中,所采用的最近一次消费(Recency)指标指的是消费者在上一次购买的时候的数据,包括上一次消费时间、上一次消费所依据的参考数据,原则上这是评分较高的消费者,也可能对后续营销信息较有反应。所采用的消费频率(Frequency)指标指的是消费者进行消费的频率,若为频率高的消费者,表示对企业提供的商品或服务的喜好度较高,具有忠诚度,也是评分较高的消费者。所采用的消费金额(Monetary)指标指的是最近一段时间消费的额度,这是颇为直觉的指标,消费额度愈高,表示消费者愿意消费的意愿愈高,并贡献企业相对高的利润,也是评分消费者的重要指标。
接着,对经数据清洗与取得特征的数据执行机器学习法,取得企业数据中的卷标,建立一企业特性模型(步骤S509)。
之后输入主数据(步骤S511),建立企业数据与主数据的关联性,其中主数据涵盖的消费者数量大于企业数据,且不限于企业数据的属性,使得可以从主数据中得出关联企业数据的特征的营销清单(步骤S513),可取得具有特定特征(针对企业)的目标客群,再能依据此营销清单对其中全部或部分的消费者投放营销广告。
图6接续显示检验营销列表的方法流程实施例图。
一旦以企业特性模型产生营销清单后(步骤S601),将通过检验营销结果来优化企业特性模型,这时,将依据清单进行市场验证的小量测试性投放(步骤S603),得出营销结果(步骤S605),基于这个结果,可依据其中行为结果与特征相符的消费者重新定义特征,包括再次机器学习,以更新或建立模型中的卷标(步骤S607)。
之后,建立主数据为主的企业特性模型(步骤S609),并形成新的营销清单(步骤S611),这时,回到步骤S603,必要时可反复根据每次的营销结果更新企业特性模型,反复将主数据输入更新后的企业特性模型,以优化关联企业属性的企业特性模型。
上述图4至图6描述了本公开所提出的消费数据处理方法流程,包括主数据的建立、主要处理流程,以及后续检验与优化模型的流程,以下列举所应用的情境。
企业如一泰式餐厅,泰式餐厅的客户群应具备有喜欢(或不排斥)泰式料理的特性,例如可能是喜欢口味重、辣味、和菜等特性的人。因此,泰式餐厅的数据库包括了「喜欢泰式且高价值的客户」,这类消费者对往后的营销活动理应有优选的反应。根据上述方法,可利用泰式餐厅的既有数据依RFM分析假设抽取「喜欢泰式且高价值的客户」的特征,以这样的特征作为机器学习的材料。
利用上述方法,将相对消费者数据更广、更多的主数据输入根据企业数据建立的企业特性模型后,可以得出其中可能喜欢泰式料理特性的更多消费者,也就是符合「喜欢泰式且高价值的客户」特性的其他消费者,这时,可以进行市场验证的小量投放,依投放结果将再进行特征抽取与分析,产生更多卷标或特征,重新假设说明这群顾客是「喜欢或是可以接受泰式料理的人」,再依行为结果与特征相符的消费者重新定义假设「喜欢泰式且高价值的客户」的模型。
如此,过程中因为机器学习,所建立的模型产出结果会一次比一次更精准。
综上所述,以上所描述消费数据处理方法的实施例应用在如零售业本身的客户消费数据,这类企业数据因为是针对其产业特性而为几乎固定某种属性或特征的数据,因此会与多种来源形成的大数据(如实施例所描述的主数据)之间具有偏差,而该方法可以通过主数据来弥补这个偏差与数据不足的问题,使得企业可以拓展原本客群以外的潜在客群,以带来更多的利润,相关的方法流程还可以协助企业开发新客户、新产品开发与扩展店的需求。
以上所述仅为本发明的优选可行实施例,非因此局限本发明的专利范围,故举凡运用本发明说明书及图示内容所做的等效结构变化,均同理包含于本发明的权利要求范围内,合予陈明。
Claims (12)
1.一种消费数据处理方法,运行于一伺服系统,其特征在于,该方法包括:
输入一企业数据,其中该企业数据涵盖属于一企业属性的消费者数据;
对该企业数据进行数据清洗,并获取其中特征;
以对经数据清洗与取得特征的数据执行一机器学习法,取得该企业数据中的卷标,建立一企业特性模型;
输入一主数据至该企业特性模型,其中该主数据涵盖的消费者数量大于该企业数据,且不限于该企业数据的属性;
由该主数据中得出关联该企业数据的特征的一营销清单;
依据该营销清单对该营销清单中全部或部分的消费者投放营销广告;以及
根据一营销结果,更新该企业特性模型。
2.如权利要求1所述的消费数据处理方法,其特征在于,在对该企业数据进行数据清洗的步骤中,进行一客户关系管理分析,用以分类该企业数据中的消费者。
3.如权利要求2所述的消费数据处理方法,其特征在于,该客户关系管理分析采用最近一次消费、消费频率以及消费金额分析,对该企业数据内消费者进行评分,以便于取得该企业数据中的卷标。
4.如权利要求2所述的消费数据处理方法,其特征在于,对该企业数据进行数据清洗的步骤中,包括建立该企业数据中各个消费者的一特征档案。
5.如权利要求1所述的消费数据处理方法,其特征在于,经反复将该营销结果汇入该主数据,重新以该机器学习法训练并更新该企业特性模型,得以优化关联该企业属性的该企业特性模型。
6.如权利要求1至5中任一项所述的消费数据处理方法,其特征在于,建立该主数据的方法包括:
在一社群媒体中建立一个或多个团购活动;
分析该社群媒体中的用户在该一个或多个团购活动中的活动;以及
根据分析结果建立该主数据。
7.一种消费数据处理系统,其特征在于,该系统包括:
一伺服系统,设有一主数据库,在该伺服系统中运行一消费数据处理方法,包括:
输入一企业数据,其中该企业数据涵盖属于一企业属性的消费者数据;
对该企业数据进行数据清洗,并获取其中特征;
以对经数据清洗与取得特征的数据执行一机器学习法,取得该企业数据中的卷标,建立一企业特性模型;
输入一主数据至该企业特性模型,其中该主数据涵盖的消费者数量大于该企业数据,且不限于该企业数据的属性;
由该主数据中得出关联该企业数据的特征的一营销清单;
依据该营销清单对该营销清单中全部或部分的消费者投放营销广告;以及
根据一营销结果,更新该企业特性模型。
8.如权利要求7所述的消费数据处理系统,其特征在于,在该消费数据处理方法中对该企业数据进行数据清洗的步骤中,进行一客户关系管理分析,用以分类该企业数据中的消费者。
9.如权利要求8所述的消费数据处理系统,其特征在于,该客户关系管理分析采用最近一次消费、消费频率以及消费金额分析,对该企业数据内消费者进行评分,以便于取得该企业数据中的卷标。
10.如权利要求7所述的消费数据处理系统,其特征在于,经反复将该营销结果汇入该主数据,重新以该机器学习法训练并更新该企业特性模型,得以优化关联该企业属性的该企业特性模型。
11.如权利要求7至10中任一项所述的消费数据处理系统,其特征在于,该伺服系统设有一数据平台,连接一社群媒体主机,通过一应用程序编程接口取得在一社群媒体中形成的消费数据,以建立该主数据。
12.如权利要求11所述的消费数据处理系统,其特征在于,该伺服系统通过该社群媒体建立该主数据的方法包括:
在该社群媒体中建立一个或多个团购活动;
分析该社群媒体中的用户在该一个或多个团购活动中的活动;以及
根据分析结果建立该主数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442473.2A CN113781074A (zh) | 2020-05-22 | 2020-05-22 | 消费数据处理方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442473.2A CN113781074A (zh) | 2020-05-22 | 2020-05-22 | 消费数据处理方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781074A true CN113781074A (zh) | 2021-12-10 |
Family
ID=78834141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010442473.2A Pending CN113781074A (zh) | 2020-05-22 | 2020-05-22 | 消费数据处理方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975697A (zh) * | 2023-09-25 | 2023-10-31 | 广东赛博威信息科技有限公司 | 一种主数据管理方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163205A (zh) * | 2010-02-21 | 2011-08-24 | 施章祖 | 一种类似客户群体的自动挖掘系统 |
CN108038216A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 信息处理方法、装置及服务器集群 |
CN108053263A (zh) * | 2017-12-28 | 2018-05-18 | 北京金堤科技有限公司 | 潜在用户数据挖掘的方法及装置 |
CN110119466A (zh) * | 2019-03-29 | 2019-08-13 | 五渡(杭州)科技有限责任公司 | 一种大数据智能营销系统及其方法 |
-
2020
- 2020-05-22 CN CN202010442473.2A patent/CN113781074A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163205A (zh) * | 2010-02-21 | 2011-08-24 | 施章祖 | 一种类似客户群体的自动挖掘系统 |
CN108038216A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 信息处理方法、装置及服务器集群 |
CN108053263A (zh) * | 2017-12-28 | 2018-05-18 | 北京金堤科技有限公司 | 潜在用户数据挖掘的方法及装置 |
CN110119466A (zh) * | 2019-03-29 | 2019-08-13 | 五渡(杭州)科技有限责任公司 | 一种大数据智能营销系统及其方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975697A (zh) * | 2023-09-25 | 2023-10-31 | 广东赛博威信息科技有限公司 | 一种主数据管理方法、系统、设备及介质 |
CN116975697B (zh) * | 2023-09-25 | 2023-12-15 | 广东赛博威信息科技有限公司 | 一种主数据管理方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peker et al. | LRFMP model for customer segmentation in the grocery retail industry: a case study | |
Griva et al. | Retail business analytics: Customer visit segmentation using market basket data | |
Alfian et al. | Customer behavior analysis using real-time data processing: A case study of digital signage-based online stores | |
Cabena et al. | Intelligent miner for data applications guide | |
US11734711B2 (en) | Systems and methods for intelligent promotion design with promotion scoring | |
Jafari Momtaz et al. | A new model for assessment fast food customer behavior case study: An Iranian fast‐food restaurant | |
TWM598990U (zh) | 消費數據處理系統 | |
Oliveira | Analytical customer relationship management in retailing supported by data mining techniques | |
TW202141386A (zh) | 消費數據處理方法與系統 | |
US20210312494A1 (en) | Systems and methods for intelligent promotion design with promotion selection | |
Anusha et al. | Segmentation of retail mobile market using HMS algorithm | |
CN113781074A (zh) | 消费数据处理方法与系统 | |
Patwary et al. | Market Basket Analysis Approach to Machine Learning | |
Maraghi et al. | Using RFM model and market basket analysis for segmenting customers and assigning marketing strategies to resulted segments | |
Mittal et al. | Principal component analysis based feature selection driving store choice: A data mining approach | |
Djojodibroto et al. | Consumer behavior during the covid-19 outbreak: an analysis for decision making, preferences and future conditions | |
Purnamasari et al. | Consumer Behavior Analysis of Leathercraft Small and Medium-Sized Enterprises (SME) Using Market Basket Analysis and Clustering Algorithms | |
Aggarwal et al. | A comparative study of centralized online booking in e-commerce websites: Effects on repurchase behavior and product attributes | |
US11941659B2 (en) | Systems and methods for intelligent promotion design with promotion scoring | |
US11972470B2 (en) | Systems and methods for identifying item substitutions | |
Hong | Evaluating the Value of User Comments on the Platform based on K-means Clustering | |
Sinha | A systematic literature review of the sales promotion's utilitarian and hedonic benefits | |
US20240029103A1 (en) | AI-Based Advertisement Prediction and Optimization Using Content Cube Methodology | |
Filipova et al. | Analysing customer profiles using data mining techniques | |
Al Ayubi et al. | Customer profiling with k-means clustering and product recommendation with market basket analysis for strategy marketing MSMEs |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221009 Address after: Chinese Taiwan New Taipei City Applicant after: DATA SYSTEMS CONSULTING CO.,LTD. Address before: TaiWan, China Applicant before: Zhilue Information Integration Co.,Ltd. |