CN113793180A - 一种用户偏好分析方法、装置、设备和计算机存储介质 - Google Patents

一种用户偏好分析方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN113793180A
CN113793180A CN202111080296.9A CN202111080296A CN113793180A CN 113793180 A CN113793180 A CN 113793180A CN 202111080296 A CN202111080296 A CN 202111080296A CN 113793180 A CN113793180 A CN 113793180A
Authority
CN
China
Prior art keywords
commodity
time period
purchased
order
group number
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
Application number
CN202111080296.9A
Other languages
English (en)
Inventor
于海渤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN202111080296.9A priority Critical patent/CN113793180A/zh
Publication of CN113793180A publication Critical patent/CN113793180A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提出了一种用户偏好分析方法、装置、电子设备和计算机存储介质，该方法包括：获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；所述第二设定时间段表示在所述第一设定时间段后的规定时间段；针对所述每个用户，确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系；所述加购商品和所述订单商品的商品类目相同；从至少一个商品维度，对满足所述映射关系的所述加购商品和所述订单商品进行对比分析，确定所述多个用户的偏好信息。

Description

一种用户偏好分析方法、装置、设备和计算机存储介质
技术领域
本申请涉及计算机网络数据技术领域，尤其涉及一种用户偏好分析方法、装置、电子设备和计算机存储介质。
背景技术
随着品牌商在网站销售的数据飞速增长和品牌竞争日益激烈，各品牌商急需了解用户偏好，提升品牌竞争力。然而，目前通过现有数据，仅可统计品类或者品牌维度下，用户数、销量、销售额等交易数据，只能简单在品牌、品类维度下分析用户分布，缺乏对用户购买兴趣点的分析，难以深入挖掘用户偏好，进而无法达到深入挖掘潜力用户的目的，降低商品竞争力。
发明内容
本申请提供一种用户偏好分析方法、装置、电子设备和计算机存储介质，能够深入挖掘用户偏好，提高商品竞争力。
本申请的技术方案是这样实现的：
本申请实施例提供了一种用户偏好分析方法，所述方法包括：
获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；所述第二设定时间段表示在所述第一设定时间段后的规定时间段；
针对所述每个用户，确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系；所述加购商品和所述订单商品的商品类目相同；
从至少一个商品维度，对满足所述映射关系的所述加购商品和所述订单商品进行对比分析，确定所述多个用户的偏好信息。
在一些实施例中，所述确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系，包括：
确定所述历史加购数据中加购商品的加购时间与基准时间的第一时间差、以及所述历史下单数据中订单商品的下单时间与所述基准时间的第二时间差；所述基准时间早于或等于所述加购时间；
根据所述第一时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述加购商品所在分组的组号；根据所述第二时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述订单商品所在分组的组号；
在确定所述加购商品的用户与所述订单商品的用户相同、所述加购商品的与所述订单商品的商品类目相同，且所述加购商品的组号与所述订单商品的组号满足设定关系时，确定所述加购商品和所述订单商品在所述规定时间段内的映射关系。
在一些实施例中，所述根据所述第一时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述加购商品所在分组的组号，包括：
根据所述第一时间差与所述规定时间段的数值关系，将所述第一时间差除以所述规定时间段的商作为所述加购商品所在分组的组号；
所述根据所述第二时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述订单商品所在分组的组号，包括：
根据所述第二时间差与所述规定时间段的数值关系，将所述第二时间差除以所述规定时间段的商作为所述订单商品所在分组的组号。
在一些实施例中，所述方法还包括：
在确定所述加购商品的组号和所述订单商品的组号相同或所述加购商品的组号等于所述订单商品的组号减1时，确定所述加购商品的组号与所述订单商品的组号满足设定关系。
在一些实施例中，所述确定所述加购商品和所述订单商品在所述规定时间段内的映射关系，包括：
基于限制条件，确定所述加购商品和所述订单商品在所述规定时间段内的映射关系；所述限制条件包括：所述订单商品的下单时间大于所述加购商品的加购时间，且所述下单时间与所述加购时间的相差天数小于或等于所述规定时间段。
在一些实施例中，所述至少一个商品维度包括以下至少一项：商品品牌、商品价格带、商品物理属性。
本申请实施例还提出了一种用户偏好分析装置，所述装置包括获取模块、第一确定模块和第二确定模块，其中，
获取模块，用于获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；所述第二设定时间段表示在所述第一设定时间段后的规定时间段；
第一确定模块，用于针对所述每个用户，确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系；所述加购商品和所述订单商品的商品类目相同；
第二确定模块，用于从至少一个商品维度，对满足所述映射关系的所述加购商品和所述订单商品进行对比分析，确定所述多个用户的偏好信息。
本申请实施例提供一种电子设备，所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述一个或多个技术方案提供的用户偏好分析方法。
本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有计算机程序；所述计算机程序被执行后能够实现前述一个或多个技术方案提供的用户偏好分析方法。
本申请实施例提出了一种用户偏好分析方法、装置、电子设备和计算机存储介质，所述方法包括：获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；所述第二设定时间段表示在所述第一设定时间段后的规定时间段；针对所述每个用户，确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系；所述加购商品和所述订单商品的商品类目相同；从至少一个商品维度，对满足所述映射关系的所述加购商品和所述订单商品进行对比分析，确定所述多个用户的偏好信息。
可以看出，本申请实施例通过获取用户的历史加购数据和历史下单数据，可以得到一定时间段内用户从加购商品到购买相同类目商品(订单商品)的行为数据；接着，通过从至少一个商品维度，例如，商品品牌、商品价格带等对用户加购商品和订单商品的行为数据进行对比分析，可以确定用户对商品价格、商品品牌的敏感程度，达到深入挖掘用户偏好的目的；这样，后续可以通过调整促销活动或新品开发等方式，更加贴近用户偏好，实现销售增长的同时提升商品竞争力。
附图说明
图1a是本申请实施例中的一种用户偏好分析方法的流程示意图；
图1b是本申请实施例中的一种确定用户偏好的示意图；
图2a为本申请实施例的一种确定用户偏好的流程图；
图2b为本申请实施例的另一种用户偏好分析方法的流程示意图；
图3是本申请实施例的用户偏好分析装置的组成结构示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本申请，并不用于限定本申请。另外，以下所提供的实施例是用于实施本申请的部分实施例，而非提供实施本申请的全部实施例，在不冲突的情况下，本申请实施例记载的技术方案可以任意组合的方式实施。
需要说明的是，在本申请实施例中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其它要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元，例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，I和/或J，可以表示：单独存在I，同时存在I和J，单独存在J这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括I、J、R中的至少一种，可以表示包括从I、J和R构成的集合中选择的任意一个或多个元素。
例如，本申请实施例提供的用户偏好分析方法包含了一系列的步骤，但是本申请实施例提供的用户偏好分析方法不限于所记载的步骤，同样地，本申请实施例提供的用户偏好分析装置包括了一系列模块，但是本申请实施例提供的用户偏好分析装置不限于包括所明确记载的模块，还可以包括为获取相关任务数据、或基于任务数据进行处理时所需要设置的模块。
本申请可以基于电子设备实现，这里，电子设备可以是瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统，等等。
电子设备可以通过程序模块的执行实现相应的功能。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
相关技术中，通过现有数据，仅可统计品类或者品牌维度下，用户数、销量、销售额等交易数据，只能简单的对销售分析，缺乏对用户购买兴趣点及商品本身优点分析，不能形成从商品曝光给用户，到引起用户的兴趣，再到一段时间内从加购商品转化为订单商品的轨迹中挖掘用户偏好；即，不存在对用户从加购商品到订单商品的行为进行分析，深入挖掘用户偏好的方法，因而，很难实现销售增长、提升商品竞争力的目的。
针对上述技术问题，提出以下各实施例。
在本申请的一些实施例中，用户偏好分析方法可以利用用户偏好分析装置中的处理器实现，上述处理器可以为特定用途集成电路(Application Specific IntegratedCircuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable LogicDevice，PLD)、现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。
图1a是本申请实施例中的一种用户偏好分析方法的流程示意图，如图1a所示，该方法包括如下步骤：
步骤100：获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；第二设定时间段表示在第一设定时间段后的规定时间段。
本申请实施例中，历史加购数据表示用户在第一设定时间段内将商品加入购物车的行为数据；历史下单数据表示用户在第二设定时间段内将订单商品提交支付的行为数据；这里，商品可以表示电商平台或卖家通过互联网进行交易的任意类型的物品；例如，可以是服饰类物品、食品类物品等，还可以是虚拟物品等。
示例性地，第一设定时间段的设置与商品所属的类目有关，例如，对于电器类目的商品，第一设定时间段可以设置的相对长些，例如，可以为6个月、1年等；而对于食品类目的商品，第一设定时间段可以设置的相对短些，例如，可以为1个月、2个月等。
示例性地，第二设定时间段表示在第一设定时间段后的规定时间段；这里，对于规定时间段的设置，可以根据实际情况进行确定，本申请实施例对此不作限制；例如，在第一设定时间段为6个月的情况下，规定时间段可以是6个月后的14天或20天等。
示例性地，上述第一设定时间段和第二设定时间段表示的都是历史时间段；由于用户近期产生的历史加购数据和历史下单数据相比于早期产生的，能够更加准确地确定用户当前的偏好信息，因而，可优先选择距离当前时间较近的时间段作为第一设定时间段和第二设定时间段；例如，第一设定时间段可以是近6个月，第二设定时间段可以是近6个月后的14天。
示例性地，在获取历史加购数据和历史下单数据之前，可以预先构造与历史加购数据相关的加购数据表、以及与历史下单数据相关的订单数据表；这里，表1列举了一种加购数据表的表结构，参照表1可知，加购数据表包括的字段有商品编码、用户pin以及加购时间。
Figure BDA0003263720340000071
表1
表2列举了一种订单数据表的表结构，参照表2可知，订单数据表包括的字段有商品编码、用户pin、订单编码、销售额、销量以及下单时间。
Figure BDA0003263720340000072
表2
示例性地，除了构造上述加购数据表和订单数据表外，还会构造一张商品品牌类目表。表3列举了一种商品品牌类目表的表结构，参照表3可知，商品品牌类目表包括的字段有sku编码、sku名称、品牌编码、品牌名称、一级类目编码和一级类目名称；这里，sku编码表示去重后的商品编码。
Figure BDA0003263720340000081
表3
需要说明的是，对于表1、表2和表3包括的字段是可以灵活变动的，具体可以根据实际场景进行确定，本申请实施例对此不作限定，例如，还可以在表1中加入字段“加购次数”，在表2中加入字段“下单次数”，在表2中加入字段“一级类目编码”和“二级类目名称”。
可见，对于任意一个用户，每发生一次商品加购行为，会将该加购行为对应的加购数据存储在加购数据表中的对应字段中，并将加购商品的品牌和类目等信息存储在商品品牌类目表中的对应字段中；类似地，每发生一次商品下单行为，会将该下单行为对应的下单数据存储在订单数据表中的对应字段中，并将订单商品的品牌和类目等信息存储在商品品牌类目表中的对应字段中；这样，在设置好第一设定时间段后，便可以从加购数据表中直接获取每个用户在第一设定时间段内的历史加购数据；在设置好第二设定时间段后，便可以从订单数据表中直接获取每个用户在第二设定时间段内的历史下单数据。
步骤101：针对每个用户，确定历史加购数据中加购商品和历史下单数据中订单商品在规定时间段内的映射关系；加购商品和订单商品的商品类目相同。
本申请实施例中，在根据步骤100获取到每个用户的历史加购数据和历史下单数据后，由于历史加购数据中包括的加购商品的类目与历史下单数据中包括的订单商品的类目可能相同，也可能不同；这里，在确定加购商品的类目与订单商品的类目相同时，针对每个用户建立加购商品和订单商品在第二设定时间段内的映射关系。
示例性地，假设某一用户前天加购了一件连衣裙，并在昨天下单购买了另外一件连衣裙，即，这两件连衣裙所属的商品类目相同，均属于女装类；如果确定该用户的购买时间与下单时间在第二设定时间段内，此时，可针对该用户建立加购连衣裙与下单连衣裙在第二设定时间段内的映射关系。
在一些实施例中，确定历史加购数据中加购商品和历史下单数据中订单商品在规定时间段内的映射关系，可以包括：确定历史加购数据中加购商品的加购时间与基准时间的第一时间差、以及历史下单数据中订单商品的下单时间与基准时间的第二时间差；基准时间早于或等于加购时间；根据第一时间差与规定时间段的数值关系，采用设定分组方式，确定加购商品所在分组的组号；根据第二时间差与规定时间段的数值关系，采用设定分组方式，确定订单商品所在分组的组号；在确定加购商品的用户与订单商品的用户相同、加购商品的与订单商品的商品类目相同，且加购商品的组号与订单商品的组号满足设定关系时，确定加购商品和订单商品在规定时间段内的映射关系。
这里，基准时间可以是预先设置的某个时间点，该时间点可以早于用户最早加购商品时的加购时间，或与用户最早加购商品时的加购时间相同。
示例性地，假设在第一设定时间段内，某一用户在时间点2021/5/2首次加购类目为食品类的商品A，之后，在时间点2021/5/3首次加购类目为食品类的商品B；接着，在时间点2021/5/5再次加购类目为食品类的商品A，此时，可以将时间点2021/5/2作为基准时间，也可将早于时间点2021/5/2的时间点，例如时间点2021/5/1作为基准时间。
示例性地，在确定上述基准时间后，可以基于每个用户的历史加购数据，获取每个加购商品的加购时间，进而，确定每个加购商品的加购时间与基准时间的第一时间差；同样地，可以基于每个用户的历史下单数据，获取每个订单商品的下单时间，进而，确定每个订单商品的下单时间与基准时间的第二时间差。
示例性地，假设预先设置的基准时间为2021/5/1 12:00，用户加购类目为食品类的商品C的加购时间为2021/5/11 12:00，用户下单类目为食品类的商品D的下单时间为2021/5/16 12:00，则商品C对应的加购时间与基准时间的第一时间差为10天，商品D对应的下单时间与基准时间的第二时间差为15天。
示例性地，在针对每个用户，确定历史加购数据中加购商品的加购时间与基准时间的第一时间差、以及历史下单数据中订单商品的下单时间与基准时间的第二时间差后，采用设定分组方式，分别对加购商品和订单商品进行分组，得到加购商品所在分组的组号以及加购商品所在分组的组号。
在一些实施例中，根据第一时间差与规定时间段的数值关系，采用设定分组方式，确定加购商品所在分组的组号，可以包括：根据第一时间差与规定时间段的数值关系，将第一时间差除以规定时间段的商作为加购商品所在分组的组号。
这里，对加购商品进行分组的方式与对订单商品进行分组的方式相同，根据第一时间差与规定时间段的数值关系进行分组；具体地，在得到加购商品对应的第一时间差以及规定时间段的情况下，可以将第一时间差除以规定时间段的商作为加购商品所在分组的组号。
示例性地，假设规定时间段为14天，加购商品为上述商品C，其对应的第一时间差为10天，此时，可以将第一时间差10天除以规定时间段14天的商0作为商品C所在分组的组号，即，加购商品(商品C)所在分组的组号为0。
在一些实施例中，根据第二时间差与规定时间段的数值关系，采用设定分组方式，确定订单商品所在分组的组号，可以包括：根据第二时间差与规定时间段的数值关系，将第二时间差除以规定时间段的商作为订单商品所在分组的组号。
示例性地，假设规定时间段为14天，订单商品为上述商品D，其对应的第二时间差为15天，此时，可以将第二时间差15天除以规定时间段14天的商1作为商品D所在分组的组号，即，订单商品(商品D)所在分组的组号为1。
在一些实施例中，上述方法还可以包括：在确定加购商品的组号和订单商品的组号相同或加购商品的组号等于订单商品的组号减1时，确定加购商品的组号与订单商品的组号满足设定关系。
示例性地，假设用户1加购商品类目为L的商品，加购商品的组号为1，并且用户1之后购买了商品类目为L的商品，订单商品的组号也为1，则确定加购商品的组号与订单商品的组号满足设定关系；或者，假设用户2加购商品类目为L的商品，加购商品的组号为1，并且用户2之后购买了商品类目为L的商品，订单商品的组号为2，则确定加购商品的组号与订单商品的组号也满足设定关系。
在一些实施例中，如果确定加购商品的组号与订单商品的组号满足设定关系，则基于限制条件，确定加购商品和订单商品在规定时间段内的映射关系。
本申请实施例中，限制条件可以包括：订单商品的下单时间大于加购商品的加购时间，且下单时间与加购时间的相差天数小于或等于规定时间段。
示例性地，通过设置限制条件，限制订单商品的下单时间大于加购商品的加购时间，且下单时间与加购时间的相差天数在规定时间段内，可以减少数据计算量，节省确定映射关系的时间。
本申请实施例中，在根据上述分组方式，得到加购商品所在分组的组号以及订单商品所在分组的组号后，如果确定加购商品和订单商品的用户为同一用户，加购商品和订单商品对应的商品类目为相同类目，并且加购商品所在分组的组号等于订单商品所在分组的序号时，通过上述限制条件，确定加购商品和订单商品在规定时间段内的映射关系；或者，如果确定加购商品和订单商品的用户为同一用户，加购商品和订单商品对应的商品类目为相同类目，并且加购商品所在分组的组号等于订单商品所在分组的组号减1时，通过上述限制条件，确定加购商品和订单商品在规定时间段内的映射关系。
表4列举了一种针对不同用户的加购商品与订单商品的映射关系，这里，每个用户加购商品的商品类目与订单商品的商品类目均相同，参照表4可知，对于用户1至用户4的每个用户，可以得到加购商品和订单商品的映射关系。
Figure BDA0003263720340000111
Figure BDA0003263720340000121
表4
示例性地，在针对每个用户，得到在第二设定时间段内的加购商品与订单商品的映射关系后，可以分别按照加购商品维度和订单商品维度，统计每个用户的加购次数、转化订单量、转化金额、转化销量等数据。这里，转换订单量表示将加购商品转化成相同商品类目的订单商品对应的数量；转化金额表示将加购商品转化成相同商品类目的订单商品对应的金额；转化销量表示将加购商品转化成相同商品类目的订单商品对应的销量。
步骤102：从至少一个商品维度，对满足映射关系的加购商品和订单商品进行对比分析，确定多个用户的偏好信息。
在一些实施例中，至少一个商品维度可以包括以下至少一项：商品品牌、商品价格带、商品物理属性；这里，商品物理属性表示商品自身的物理属性，例如，商品颜色、商品尺寸或商品重量等，本申请实施例对此不作限定。
本申请实施例中，在针对每个用户，得到满足映射关系的加购商品与订单商品后，可以从至少一个商品维度对加购商品和订单商品进行对比分析；示例性地，在商品维度为商品品牌和商品价格带的情况下，则可以同时对加购商品和订单商品各自对应的商品品牌和商品价格带这两个商品维度进行对比分析，可以确定用户对于商品品牌和商品价格带的偏好信息。
示例性地，还可以从至少一个商品维度，对满足映射关系的加购商品和订单商品的转化订单量、转化金额和转化销量等数据进行对比分析，确定多个用户的偏好信息。
图1b是本申请实施例中的一种确定用户偏好的示意图，该图表示多个用户在加购和下单相同类目商品时的对比分析结果图，如图1b所示，该图的纵方向表示多个用户加购两种不同品牌(某品牌和竞品)的商品时所处的价格带，该图的横方向表示多个用户下单两种不同品牌的商品时所处的价格带；从横方向看，该图中某一价格带下的每个百分比表示多个用户在加购某种品牌的商品后，实际购买的该品牌商品在不同价格带的销量占比分布；可见，图1b是从商品品牌和商品价格带这两个商品维度，对满足映射关系的加购商品和订单商品的转化销量进行对比分析的结果。
通过1b可以看出，某品牌(目标品牌)在价格带1K-1.5K和2K-2.5K的产品竞争力亟待解决，这两个价格带区间的数据中，从加购转化来看，加购某品牌商品并且转化为同价格带订单商品对应的销量，只占加购该价格带商品转化订单商品对应的销量的13％和11％，而竞品则分别占30％和18％，可见，目标品牌相对竞品的竞争力较弱。另外，从上个价格带1.5K-2K和2.5K-3K犹豫的用户承接来看，仅有4％和2％从加购商品的上个价格带(1.5K-2K和2.5K-3)转化为下个价格带(1K-1.5K和2K-2.5K)的订单商品，而竞品有19％和14％从加购商品的上个价格带转化而来。
可见，本申请实施例中，通过从至少一个商品维度，例如，商品品牌、商品价格带、商品物理属性等对用户加购商品和订单商品的转化订单量、转化金额和转化销量等数据进行对比分析，可以确定用户对商品价格、商品品牌、商品物理属性的敏感程度，达到深入挖掘用户偏好的目的；这样，后续可以通过调整促销活动或新品开发等方式，更加贴近用户偏好，实现销售增长的同时提升商品竞争力。
本申请实施例提出了一种用户偏好分析方法、装置、电子设备和计算机存储介质，方法包括：获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；第二设定时间段表示在第一设定时间段后的规定时间段；针对每个用户，确定历史加购数据中加购商品和历史下单数据中订单商品在规定时间段内的映射关系；加购商品和订单商品的商品类目相同；从至少一个商品维度，对满足映射关系的加购商品和订单商品进行对比分析，确定多个用户的偏好信息。可以看出，本申请实施例通过获取用户的历史加购数据和历史下单数据，可以得到一定时间段内用户从加购商品到购买相同类目商品(订单商品)的行为数据；接着，通过从至少一个商品维度，例如，商品品牌、商品价格带等对用户加购商品和订单商品的行为数据进行对比分析，可以确定用户对商品价格、商品品牌的敏感程度，达到深入挖掘用户偏好的目的；这样，后续可以通过调整促销活动或新品开发等方式，更加贴近用户偏好，实现销售增长的同时提升商品竞争力。
为了能够更加体现本申请的目的，在本申请上述实施例的基础上，进行进一步的说明。
本申请涉及多层级的组合分析商务智能(Business Intelligence，BI)报表模型方案，图2a为本申请实施例的一种确定用户偏好的流程图，如图2a所示，该流程可以包括3层：分别是基础层、核心计算层和分析层；其中，核心计算层包括中间层和整合层。
示例性地，基础层获取有效数据，即，获取每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史订单数据；例如，获取近6个月(表示上述第一时间段，可根据不同商品类目进行调整，这里，以6个月为例)的加购数据和近6个月加14天的订单数据；核心计算层确定每个用户加购商品转化为同类目的订单商品的映射关系，及通过加购商品和订单商品分别匹配商品品牌、价格段和商品物理属性等整合数据，分析层根据核心计算层的映射关系以及数据整合结果进行多维度报表分析。
图2b为本申请实施例的另一种用户偏好分析方法的流程示意图，如图2b所示，针对每个用户，确定历史加购数据中加购商品的加购时间、历史下单数据中订单商品的下单时间以及基准时间；计算加购时间与基准时间的第一时间差，并将第一时间差除以14(表示上述规定时间段的时长为14天)的商作为加购商品所在分组的组号；类似地，计算下单时间与基准时间的第二时间差，并将第二时间差除以14的商作为订单商品所在分组的组号；在确定加购商品的用户与订单商品的用户相同、加购商品的与订单商品的商品类目相同，且加购商品的组号与订单商品的组号相同或加购商品的组号等于订单商品的组号减1时，基于订单商品的下单时间大于加购商品的加购时间，且下单时间与加购时间的相差天数小于或等于14天，确定加购商品和订单商品在近15天的映射关系。
接着，对于生成加购商品和订单商品的映射关系中，按照加购商品和订单商品维度，统计每个用户的加购次数、转化订单量、转化金额、转化销量等相关数据；从商品品牌、商品价格带、商品物理属性等商品维度对比用户购买加购商品和实际购买商品价格、品牌、商品本身物理属性流向，进而分析用户对价格、品牌和属性的偏好。
图3是本申请实施例的用户偏好分析装置的组成结构示意图，如图3所示，该装置包括：获取模块300、第一确定模块301和第二确定模块302，其中：
获取模块300，用于获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；所述第二设定时间段表示在所述第一设定时间段后的规定时间段；
第一确定模块301，用于针对所述每个用户，确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系；所述加购商品和所述订单商品的商品类目相同；
第二确定模块302，用于从至少一个商品维度，对满足所述映射关系的所述加购商品和所述订单商品进行对比分析，确定所述多个用户的偏好信息。
在一些实施例中，所述第一确定模块301，用于确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系，包括：
确定所述历史加购数据中加购商品的加购时间与基准时间的第一时间差、以及所述历史下单数据中订单商品的下单时间与所述基准时间的第二时间差；所述基准时间早于或等于所述加购时间；
根据所述第一时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述加购商品所在分组的组号；根据所述第二时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述订单商品所在分组的组号；
在确定所述加购商品的用户与所述订单商品的用户相同、所述加购商品的与所述订单商品的商品类目相同，且所述加购商品的组号与所述订单商品的组号满足设定关系时，确定所述加购商品和所述订单商品在所述规定时间段内的映射关系。
在一些实施例中，所述第一确定模块301，用于根据所述第一时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述加购商品所在分组的组号，包括：
根据所述第一时间差与所述规定时间段的数值关系，将所述第一时间差除以所述规定时间段的商作为所述加购商品所在分组的组号；
所述第一确定模块301，用于根据所述第二时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述订单商品所在分组的组号，包括：
根据所述第二时间差与所述规定时间段的数值关系，将所述第二时间差除以所述规定时间段的商作为所述订单商品所在分组的组号。
在一些实施例中，所述第一确定模块301，还用于：
在确定所述加购商品的组号和所述订单商品的组号相同或所述加购商品的组号等于所述订单商品的组号减1时，确定所述加购商品的组号与所述订单商品的组号满足设定关系。
在一些实施例中，所述第一确定模块301，还用于：
在确定所述加购商品的组号与所述订单商品的组号满足设定关系后，基于限制条件，确定所述加购商品和所述订单商品在所述规定时间段内的映射关系；所述限制条件包括：所述订单商品的下单时间大于所述加购商品的加购时间，且所述下单时间与所述加购时间的相差天数小于或等于所述规定时间段。
在一些实施例中，所述至少一个商品维度包括以下至少一项：商品品牌、商品价格带、商品物理属性。
在实际应用中，上述获取模块300、第一确定模块301、第二确定模块302和分配模块均可以由位于电子设备中的处理器实现，该处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
另外，在本实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
具体来讲，本实施例中的一种用户偏好分析方法对应的计算机程序指令可以被存储在光盘、硬盘、U盘等存储介质上，当存储介质中的与一种用户偏好分析方法对应的计算机程序指令被一电子设备读取或被执行时，实现前述实施例的任意一种用户偏好分析方法。
基于前述实施例相同的技术构思，参见图4，其示出了本申请实施例提供的电子设备400，可以包括：存储器401和处理器402；其中，
存储器401，用于存储计算机程序和数据；
处理器402，用于执行存储器中存储的计算机程序，以实现前述实施例的任意一种用户偏好分析方法。
在实际应用中，上述存储器401可以是易失性存储器(volatile memory)，例如RAM；或者非易失性存储器(non-volatile memory)，例如ROM、快闪存储器(flash memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器402提供指令和数据。
上述处理器402可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的审计管理平台，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
在一些实施例中，本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本申请所提供的各方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的各产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的各方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。

Claims (10)

1.一种用户偏好分析方法，其特征在于，所述方法包括：
获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；所述第二设定时间段表示在所述第一设定时间段后的规定时间段；
针对所述每个用户，确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系；所述加购商品和所述订单商品的商品类目相同；
从至少一个商品维度，对满足所述映射关系的所述加购商品和所述订单商品进行对比分析，确定所述多个用户的偏好信息。
2.根据权利要求1所述的方法，其特征在于，所述确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系，包括：
确定所述历史加购数据中加购商品的加购时间与基准时间的第一时间差、以及所述历史下单数据中订单商品的下单时间与所述基准时间的第二时间差；所述基准时间早于或等于所述加购时间；
根据所述第一时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述加购商品所在分组的组号；根据所述第二时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述订单商品所在分组的组号；
在确定所述加购商品的用户与所述订单商品的用户相同、所述加购商品的与所述订单商品的商品类目相同，且所述加购商品的组号与所述订单商品的组号满足设定关系时，确定所述加购商品和所述订单商品在所述规定时间段内的映射关系。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述加购商品所在分组的组号，包括：
根据所述第一时间差与所述规定时间段的数值关系，将所述第一时间差除以所述规定时间段的商作为所述加购商品所在分组的组号；
所述根据所述第二时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述订单商品所在分组的组号，包括：
根据所述第二时间差与所述规定时间段的数值关系，将所述第二时间差除以所述规定时间段的商作为所述订单商品所在分组的组号。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在确定所述加购商品的组号和所述订单商品的组号相同或所述加购商品的组号等于所述订单商品的组号减1时，确定所述加购商品的组号与所述订单商品的组号满足设定关系。
5.根据权利要求2至4任一项所述的方法，其特征在于，所述方法还包括：
在确定所述加购商品的组号与所述订单商品的组号满足设定关系后，基于限制条件，确定所述加购商品和所述订单商品在所述规定时间段内的映射关系；所述限制条件包括：所述订单商品的下单时间大于所述加购商品的加购时间，且所述下单时间与所述加购时间的相差天数小于或等于所述规定时间段。
6.根据权利要求1所述的方法，其特征在于，所述至少一个商品维度包括以下至少一项：商品品牌、商品价格带、商品物理属性。
7.一种用户偏好分析装置，其特征在于，所述装置包括：
获取模块，用于获取多个用户中每个用户在第一设定时间段内的历史加购数据和第二设定时间段内的历史下单数据；所述第二设定时间段表示在所述第一设定时间段后的规定时间段；
第一确定模块，用于针对所述每个用户，确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系；所述加购商品和所述订单商品的商品类目相同；
第二确定模块，用于从至少一个商品维度，对满足所述映射关系的所述加购商品和所述订单商品进行对比分析，确定所述多个用户的偏好信息。
8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，用于第二确定模块，用于确定所述历史加购数据中加购商品和所述历史下单数据中订单商品在所述规定时间段内的映射关系，包括：
确定所述历史加购数据中加购商品的加购时间与基准时间的第一时间差、以及所述历史下单数据中订单商品的下单时间与所述基准时间的第二时间差；所述基准时间早于或等于所述加购时间；
根据所述第一时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述加购商品所在分组的组号；根据所述第二时间差与所述规定时间段的数值关系，采用设定分组方式，确定所述订单商品所在分组的组号；
在确定所述加购商品的用户与所述订单商品的用户相同、所述加购商品的与所述订单商品的商品类目相同，且所述加购商品的组号与所述订单商品的组号满足设定关系时，确定所述加购商品和所述订单商品在所述规定时间段内的映射关系。
9.一种电子设备，其特征在于，所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至6任一项所述的方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。
CN202111080296.9A 2021-09-15 2021-09-15 一种用户偏好分析方法、装置、设备和计算机存储介质 Pending CN113793180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111080296.9A CN113793180A (zh) 2021-09-15 2021-09-15 一种用户偏好分析方法、装置、设备和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111080296.9A CN113793180A (zh) 2021-09-15 2021-09-15 一种用户偏好分析方法、装置、设备和计算机存储介质

Publications (1)

Publication Number Publication Date
CN113793180A true CN113793180A (zh) 2021-12-14

Family

ID=79183483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111080296.9A Pending CN113793180A (zh) 2021-09-15 2021-09-15 一种用户偏好分析方法、装置、设备和计算机存储介质

Country Status (1)

Country Link
CN (1) CN113793180A (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070179837A1 (en) * 2006-01-27 2007-08-02 William Derek Finley Method of assessing consumer preference tendencies based on a user's own correlated information
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
KR101689011B1 (ko) * 2015-08-10 2016-12-22 주식회사 포워드벤처스 쇼핑 서비스 제공 시스템 및 쇼핑 서비스 제공 방법
WO2017109940A1 (ja) * 2015-12-25 2017-06-29 楽天株式会社 プロモーション装置、プロモーション方法、プログラム、及び、記録媒体
US20170345029A1 (en) * 2014-12-12 2017-11-30 Beijing Jingdong Shangke Information Technology Co., Ltd. User action data processing method and device
TW201742015A (zh) * 2016-05-30 2017-12-01 Boser Technology Co Ltd 商品偏好分析系統及其方法
CN107507042A (zh) * 2017-09-15 2017-12-22 携程计算机技术（上海）有限公司 基于用户画像的营销方法及系统
KR101964273B1 (ko) * 2018-09-03 2019-04-01 구은경 매장용 셀프 계산 시스템 및 그 방법
CN111291904A (zh) * 2020-02-06 2020-06-16 腾讯科技（深圳）有限公司 偏好预测方法、装置及计算机设备
CN111523976A (zh) * 2020-04-23 2020-08-11 京东数字科技控股有限公司 商品推荐方法、装置、电子设备及存储介质
CN111767458A (zh) * 2019-09-11 2020-10-13 北京京东尚科信息技术有限公司 信息推送方法、装置、系统及存储介质
CN111966886A (zh) * 2019-05-20 2020-11-20 北京京东尚科信息技术有限公司 对象推荐方法、对象推荐装置、电子设备及存储介质
CN112101980A (zh) * 2020-08-04 2020-12-18 北京思特奇信息技术股份有限公司 一种用户购买偏好分析的方法和系统
CN112231548A (zh) * 2019-07-15 2021-01-15 北京京东尚科信息技术有限公司 用户登录行为的分析方法、装置、系统及存储介质
CN112307329A (zh) * 2020-09-30 2021-02-02 北京沃东天骏信息技术有限公司 一种资源推荐方法及装置、设备、存储介质
CN112667899A (zh) * 2020-12-30 2021-04-16 杭州智聪网络科技有限公司 基于用户兴趣迁移的冷启动推荐方法、装置及存储设备
CN113362098A (zh) * 2020-03-06 2021-09-07 北京沃东天骏信息技术有限公司 数据处理方法、装置及计算机可读存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070179837A1 (en) * 2006-01-27 2007-08-02 William Derek Finley Method of assessing consumer preference tendencies based on a user's own correlated information
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
US20170345029A1 (en) * 2014-12-12 2017-11-30 Beijing Jingdong Shangke Information Technology Co., Ltd. User action data processing method and device
KR101689011B1 (ko) * 2015-08-10 2016-12-22 주식회사 포워드벤처스 쇼핑 서비스 제공 시스템 및 쇼핑 서비스 제공 방법
WO2017109940A1 (ja) * 2015-12-25 2017-06-29 楽天株式会社 プロモーション装置、プロモーション方法、プログラム、及び、記録媒体
TW201742015A (zh) * 2016-05-30 2017-12-01 Boser Technology Co Ltd 商品偏好分析系統及其方法
CN107507042A (zh) * 2017-09-15 2017-12-22 携程计算机技术（上海）有限公司 基于用户画像的营销方法及系统
KR101964273B1 (ko) * 2018-09-03 2019-04-01 구은경 매장용 셀프 계산 시스템 및 그 방법
CN111966886A (zh) * 2019-05-20 2020-11-20 北京京东尚科信息技术有限公司 对象推荐方法、对象推荐装置、电子设备及存储介质
CN112231548A (zh) * 2019-07-15 2021-01-15 北京京东尚科信息技术有限公司 用户登录行为的分析方法、装置、系统及存储介质
CN111767458A (zh) * 2019-09-11 2020-10-13 北京京东尚科信息技术有限公司 信息推送方法、装置、系统及存储介质
CN111291904A (zh) * 2020-02-06 2020-06-16 腾讯科技（深圳）有限公司 偏好预测方法、装置及计算机设备
CN113362098A (zh) * 2020-03-06 2021-09-07 北京沃东天骏信息技术有限公司 数据处理方法、装置及计算机可读存储介质
CN111523976A (zh) * 2020-04-23 2020-08-11 京东数字科技控股有限公司 商品推荐方法、装置、电子设备及存储介质
CN112101980A (zh) * 2020-08-04 2020-12-18 北京思特奇信息技术股份有限公司 一种用户购买偏好分析的方法和系统
CN112307329A (zh) * 2020-09-30 2021-02-02 北京沃东天骏信息技术有限公司 一种资源推荐方法及装置、设备、存储介质
CN112667899A (zh) * 2020-12-30 2021-04-16 杭州智聪网络科技有限公司 基于用户兴趣迁移的冷启动推荐方法、装置及存储设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张鹏翼;王丹雪;焦凡;陈秀雨;王军;: "基于用户浏览日志的移动购买预测研究", 数据分析与知识发现, no. 01, 25 January 2018 (2018-01-25) *
朱珏樟;: "客户购买行为建模分析预测", 现代计算机, no. 21, 25 July 2020 (2020-07-25) *
胡晓丽;张会兵;董俊超;吴冬强;: "基于CNN-LSTM的用户购买行为预测模型", 计算机应用与软件, no. 06, 12 June 2020 (2020-06-12) *

Similar Documents

Publication Publication Date Title
US10423923B2 (en) Allocating a product inventory to an omnichannel distribution supply chain
AU2002353396B2 (en) Sales optimization
US11301794B2 (en) Machine for labor optimization for efficient shipping
US20220083954A1 (en) Methods and systems for real-time inventory reallocation from supplier to retailer
US20130339083A1 (en) Product placement in retail settings
CN112000747A (zh) 数据多维分析方法、装置及系统
KR102392212B1 (ko) 마트 운영을 위한 매출 분석 및 재고 관리 방법, 장치 및 시스템
Şen et al. Multi-period supplier selection under price uncertainty
CN111612560A (zh) 用于促销对象的推荐方法、系统、存储介质及电子设备
Terminanto et al. Implementation of enterprise resource planning using Odoo module sales and CRM. Case study: PT Ecosains Hayati
Karimi et al. Two-stage single period inventory management for a manufacturing vendor under green-supplier supply chain
KR102023090B1 (ko) 유형 및 무형의 물품을 배송하기 위한 서비스를 제공하는 전자 상거래 시스템 및 방법
JP6067630B2 (ja) 損益予測装置及び損益予測プログラム
JP5847137B2 (ja) 需要予測装置及びプログラム
CA3169819C (en) Systems and methods for automated product classification
US20110087886A1 (en) System and method for open distribution of digital media
CN113793180A (zh) 一种用户偏好分析方法、装置、设备和计算机存储介质
JP7339688B2 (ja) スペースステーションに基づく商品転売の方法、システム及び記録媒体
CN113781120A (zh) 销售数额预测模型的构建方法、销售数额的预测方法
US20150006342A1 (en) Generating a Simulated Invoice
US20130090983A1 (en) System and method for tiered offer forecasting
CN110766478A (zh) 一种提高用户连接性的方法和装置
CN116308465B (zh) 一种基于移动支付的大数据分析系统
US20240078537A1 (en) Methods and systems for usage-conditioned access control based on a blockchain wallet
US20230316387A1 (en) Systems and methods for providing product data on mobile user interfaces

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