CN114004661A - 门店信息处理方法、装置、设备及存储介质 - Google Patents
门店信息处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114004661A CN114004661A CN202111632480.XA CN202111632480A CN114004661A CN 114004661 A CN114004661 A CN 114004661A CN 202111632480 A CN202111632480 A CN 202111632480A CN 114004661 A CN114004661 A CN 114004661A
- Authority
- CN
- China
- Prior art keywords
- daily
- store
- quotient
- grid
- factor
- 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
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种门店信息处理方法、装置、设备及存储介质，属于地理信息大数据处理技术领域。该方法包括获取地图，将所述地图划分为多个网格；提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值；基于所述网格对应的日商预测值，确定门店辅助决策信息。本申请整个过程无需依赖于人工操作和人工经验，保证了对门店经营效果有影响的信息参数获取的全面性，利用门店日商预测模型准确计算各网格对应的日商预测值，提高了根据日商预测值确定的门店辅助决策信息的准确性。
Description
技术领域
本申请涉及地理信息大数据处理技术领域，尤其涉及一种门店信息处理方法、装置、设备及存储介质。
背景技术
在传统的门店信息处理方法中，需要人工进行实地考察，收集门店地址周围对门店经营效果有影响的信息参数，并对收集到的信息参数进行梳理分析，整个信息收集过程依赖于人工操作和人工经验，很可能因为工作人员经验不足，忽略了重要的对门店经营效果有影响的信息参数。导致在对收集到的信息参数进行信息处理，根据处理结果作出的门店辅助决策信息出现偏差，不利于营业者对门店的运营。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种门店信息处理方法、装置、设备及存储介质，旨在解决传统门店信息处理方法无法获取准确的门店辅助决策信息的技术问题。
为实现上述目的，本申请提供一种门店信息处理方法，包括以下步骤：
获取地图，将所述地图划分为多个网格；
提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；
将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值；
基于所述网格对应的日商预测值，确定门店辅助决策信息。
可选地，所述人流趋势子因子根据所述网格对应辐射范围内符合预设条件的人流信息获得；
所述消费力子因子根据所述网格对应辐射范围内的住宅小区信息、住户数信息、商业楼群信息、房价信息中的一个或多个获得；
所述竞争子因子根据自竞争参数、同业竞争参数、异业竞争参数中的一个或多个获得。
可选地，所述门店日商预测模型的获取方法，包括：
建立由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集；
对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集；
使用所述训练数据集对预设基础模型进行训练，得到初步门店日商预测模型；
使用所述验证数据集对所述初步门店日商预测模型进行验证，得到验证结果；
确定验证结果是否满足预设条件；
若不满足，则基于所述验证结果对所述预设基础模型进行参数调整，并返回对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集的步骤，直至验证结果满足预设条件，将所述初步门店日商预测模型作为门店日商预测模型。
可选地，所述影响环境因子还包括：交通子因子、商圈类型偏向子因子，
所述交通子因子根据所述网格对应辐射范围内的地铁出入口信息和/或公交停靠站信息获得；
所述商圈类型偏向子因子根据所述网格对应辐射范围内POI数量最多的建筑类型对应的偏向标识参数信息获得。
可选地，所述网格的尺寸以及网格对应辐射范围根据目标门店的业务类型信息获得。
可选地，所述基于所述网格对应的日商预测值，确定门店辅助决策信息的步骤，包括：
基于所述网格对应的日商预测值，对商圈内多个网格进行排序；
根据排序排名，确定所述商圈内多个网格对应的网格标签；
基于所述网格对应的日商预测值，计算所述商圈内多个网格对应的网格推荐率；
根据所述日商预测值、网格标签和网格推荐率，确定门店辅助决策信息。
可选地，所述将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值的步骤之后，还包括：
以所述网格为中心，构建筛选范围；
获取所述筛选范围内多个相似门店的日商值；
对各所述相似门店的日商值进行加权计算，得到对标日商值；
将所述对标日商值与所述日商预测值进行偏差比对，得到偏差比对结果；
若所述偏差比对结果大于预设偏差阈值，则对所述对标日商值与所述日商预测值进行加权计算，并将所述加权计算结果作为日商预测值。
此外，为实现上述目的，本申请还提供一种门店信息处理装置，包括：
预处理模块，用于获取地图，将所述地图划分为多个网格；
特征提取模块，用于提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；
日商预测模块，用于将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值；
信息生成模块，用于基于所述网格对应的日商预测值，确定门店辅助决策信息。
可选地，所述人流趋势子因子根据所述网格对应辐射范围内符合预设条件的人流信息获得；
所述消费力子因子根据所述网格对应辐射范围内的住宅小区信息、住户数信息、商业楼群信息、房价信息中的一个或多个获得；
所述竞争子因子根据自竞争参数、同业竞争参数、异业竞争参数中的一个或多个获得。
可选地，所述门店信息处理装置还包括：
门店日商预测模型获取模型，用于实现：建立由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集；
对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集；
使用所述训练数据集对预设基础模型进行训练，得到初步门店日商预测模型；
使用所述验证数据集对所述初步门店日商预测模型进行验证，得到验证结果；
确定验证结果是否满足预设条件；
若不满足，则基于所述验证结果对所述预设基础模型进行参数调整，并返回对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集的步骤，直至验证结果满足预设条件，将所述初步门店日商预测模型作为门店日商预测模型。
可选地，所述日商预测模块还用于实现：以所述网格为中心，构建筛选范围；
获取所述筛选范围内多个相似门店的日商值；
对各所述相似门店的日商值进行加权计算，得到对标日商值；
将所述对标日商值与所述日商预测值进行偏差比对，得到偏差比对结果；
若所述偏差比对结果大于预设偏差阈值，则对所述对标日商值与所述日商预测值进行加权计算，并将所述加权计算结果作为日商预测值。
可选地，所述影响环境因子还包括：交通子因子、商圈类型偏向子因子，
所述交通子因子根据所述网格对应辐射范围内的地铁出入口信息和/或公交停靠站信息获得；
所述商圈类型偏向子因子根据所述网格对应辐射范围内POI数量最多的建筑类型对应的偏向标识参数信息获得。
可选地，所述网格的尺寸以及网格对应辐射范围根据目标门店的业务类型信息获得。
可选地，所述信息生成模块包括：
网格分类打标单元，用于基于所述网格对应的日商预测值，对商圈内多个网格进行排序，并根据排序排名，确定所述商圈内多个网格对应的网格标签；
网格推荐率计算单元，用于基于所述网格对应的日商预测值，计算所述商圈内多个网格对应的网格推荐率；
以及信息生成单元，用于根据所述日商预测值、网格标签和网格推荐率，确定门店辅助决策信息。
此外，为实现上述目的，本申请还提供一种门店信息处理设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的门店信息处理程序，所述门店信息处理程序配置为实现如上所述的门店信息处理方法的步骤。
此外，为实现上述目的，本申请还提供一种存储介质，所述存储介质上存储有门店信息处理程序，所述门店信息处理程序被处理器执行时实现如上所述的门店信息处理方法的步骤。
本申请提供了一种门店信息处理方法、装置、设备及存储介质，与现有技术中，传统门店信息处理方法无法获取准确的门店辅助决策信息相比，本申请通过获取地图，将所述地图划分为多个网格；提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值，基于所述网格对应的日商预测值，确定门店辅助决策信息。本申请利用门店日商预测模型可以准确的计算各网格对应的日商预测值，根据日商预测值确定门店辅助决策信息，整个过程无需依赖于人工操作和人工经验，保证了对门店经营效果有影响的信息参数获取的全面性，提高了在对收集到的信息参数进行信息处理，根据处理结果作出的门店辅助决策信息的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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简单地介绍，显而易见地，对于本领域普通技术人员而言，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是本申请实施例方案涉及的硬件运行环境的门店信息处理设备的结构示意图；
图2为本申请门店信息处理方法第一实施例的流程示意图；
图3为本申请门店日商预测模型获取方法的流程示意图；
图4为图2中基于所述网格对应的日商预测值，确定门店辅助决策信息的步骤的细化流程示意图；
图5为本申请一种门店信息处理方法第二实施例的流程示意图；
图6为本申请一种门店信息处理方法第三实施例的流程示意图；
图7为本申请门店信息处理装置第一实施例的功能模块示意图；
图8为本申请门店信息处理装置第二实施例的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的门店信息处理设备结构示意图。
如图1所示，该门店信息处理设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对门店信息处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及门店信息处理程序。
在图1所示的门店信息处理设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请门店信息处理设备中的处理器1001、存储器1005可以设置在门店信息处理设备中，所述门店信息处理设备通过处理器1001调用存储器1005中存储的门店信息处理程序，并执行本申请实施例提供的门店信息处理方法。
本申请实施例提供了一种门店信息处理方法，参照图2，图2为本申请一种门店信息处理方法第一实施例的流程示意图。
本实施例中，所述门店信息处理方法包括：
步骤S10、获取地图，将所述地图划分为多个网格。
其中，地图可以是以国家、省、市、区为单位的地图。具体地，可以采用几何多边形将地图划分为多个网格，网格具有封闭的边界，且任意两个网格之间无重叠区域。网格的形状可以为正方形或圆形，网格的尺寸根据门店业务类型信息获得，例如，门店业务类型信息可以为便利店、奶茶店等，当门店业务类型信息为便利店时，网格的尺寸为1km，即当网格的形状为正方形，其边长为1km，当网格的形状为圆形时，其直径为1km。
步骤S20、提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子。
其中，影响环境因子指的是对门店辅助决策信息具有影响的数据。在本实施例中，影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子。
其中，所述网格对应辐射范围根据门店业务类型信息获得，例如，门店业务类型信息可以为便利店、奶茶店等，当门店业务类型信息为便利店时，网格对应辐射范围的尺寸为5km，即当网格对应辐射范围的形状为正方形，其边长为5km，当网格对应辐射范围的形状为圆形时，其直径为5km。
其中，所述人流趋势子因子根据所述网格对应辐射范围内符合预设条件的人流信息获得。符合预设条件的人流信息包括早尖峰的人流信息、午尖峰的人流信息、晚尖峰的人流信息以及夜宵时间的人流信息。在本实施例中，早尖峰、午尖峰、晚尖峰和夜宵时间等各时段对应的人流信息可以由腾讯平台中各时间段对应的人流指数进行表征。
其中，所述消费力子因子根据所述网格对应辐射范围内的住宅小区信息、住户数信息、商业楼群信息、房价信息中的一个或多个获得。住宅小区信息可以为住宅小区的数量，商业楼群信息可以为商业楼的数量以及其人员容纳量，房价信息可以为网格对应辐射范围内所有住宅小区的平均房价或网格对应辐射范围内所有商业楼群的平均房价。
其中，所述竞争子因子根据自竞争参数、同业竞争参数、异业竞争参数中的一个或多个获得。自竞争参数由网格对应辐射范围内各自身品牌门店对应的距离加权值之和进行表征；同业竞争子参数由网格对应辐射范围内非自身品牌但类型相同的门店对应的距离加权值之和进行表征。例如，同业竞争可以为自身品牌便利店与其他品牌便利店之间的竞争；异业竞争参数由网格对应辐射范围内重要消费时段与自身品牌构成竞争关系的门店对应的距离加权值之和进行表征。例如，异业竞争可以为便利店和餐馆之间的竞争，重要消费时段可以为早尖峰、午尖峰、晚尖峰以及夜宵时段。
在本实施例中，自竞争参数、同业竞争参数和异业竞争参数中的各类型门店对应的距离加权值均通过以下公式计算得到：
其中，ai为各类型门店对应的距离加权值，xi为各类型门店所在位置与网格中心点之间的直线距离。
进一步地，所述影响环境因子还包括：交通子因子、商圈类型偏向子因子。
所述交通子因子根据所述网格对应辐射范围内的地铁出入口信息和/或公交停靠站信息获得；
所述商圈类型偏向子因子根据所述网格对应辐射范围内POI数量最多的建筑类型对应的偏向标识参数信息获得。
其中，在本实施例中，地铁出入口信息可以为地铁出入口数量，公交停靠站信息可以为公交停靠站信息。
其中，商圈类型偏向子因子通过以下方法获取：
统计网格对应辐射范围内各POI（Point of Interest，兴趣点）的数量，其中，一个POI可以是一栋住宅、一栋写字楼、一所医院、一所学校、一座快捷酒店或一个培训机构；
筛选出POI数量最多的结构类型（住宅、写字楼、医院、学校、快捷酒店或培训机构）；
根据所述POI数量最多的结构类型，从结构类型-偏向标识参数表格中查找得到对应的偏向标识参数，作为商圈类型偏向子因子。
需要说明的是，在本实施例中，网格对应辐射范围内存在住宅小区、商业楼群、门店、地铁出入口或公交停靠站缺失的情况，此时，在提取对应子因子时，需要将网格对应辐射范围更改为网格所在的九宫格。其中，网格所在九宫格包括网格以及位于网格正北方向、东北方向、正东方向、东南方向、正南方向、西南方向，正西方向和西北方向，且离网格最近的网格。例如，当网格对应辐射范围内缺乏地铁出入口和公交停靠站时，交通子因子根据网格所在的九宫格内的地铁出入口信息和/或公交停靠站信息获得。
步骤S30、将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值。
其中，门店日商预测模型用于量化计算地图中每一网格对应的日商预测值，日商预测值指的是：假设在该网格中开设门店，门店每一天能产生的营业额。
参照图3，图3为门店日商预测模型获取方法的流程示意图。
具体地，门店日商预测模型的获取方法，包括：
步骤A1、建立由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集；
步骤A2、对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集；
步骤A3、使用所述训练数据集对预设基础模型进行训练，得到初步门店日商预测模型；
步骤A4、使用所述验证数据集对所述初步门店日商预测模型进行验证，得到验证结果；
步骤A5、确定验证结果是否满足预设条件；
步骤A6、若不满足，则基于所述验证结果对所述预设基础模型进行参数调整，并返回对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集的步骤，直至验证结果满足预设条件，将所述初步门店日商预测模型作为门店日商预测模型。
具体地，建立由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集的方法如下：
获取多个正常运营门店的位置信息、店铺基本属性和日商值；
根据各所述正常运营门店的位置信息，确定各所述正常运营门店在所述地图中对应的网格；
提取各所述正常运营门店对应的网格对应辐射范围内的人流趋势子因子、消费力子因子、竞争子因子、交通子因子和商圈类型偏向子因子构成影响环境因子；
将各所述正常运营门店的日商值和影响环境因子构成样本数据集。
其中，正常运营门店指的是正常运营且与待选址门店业务类型相同、品牌相同的门店。
其中，正常运营门店的位置信息指的是正常运营门店所在位置的经纬度，根据正常运营门店所在位置的经纬度即可以确定正常运营门店在地图中对应的网格。
其中，提取各所述正常运营门店对应的网格对应辐射范围内的人流趋势子因子、消费力子因子、竞争子因子、交通子因子和商圈类型偏向子因子的具体过程与步骤S20相同，在此不再赘述。
具体地，验证数据集中的数据与所述训练数据集中的数据是不相同的。例如，在本实施例中可以按照7:3的比例进行划分，即由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集中百分之七十的数据用作训练数据集，剩余百分之三十的数据用于验证数据集。同理，也可以按照8:2或6:4等比例进行划分，划分比例可以根据样本数据集中数据的数量进行调整，样本数据集中数据的数量越多，比例差越小，也就是说，在确保具有足够训练数据集的情况下可以适当调整比例。
具体地，确定验证结果是否满足预设条件，可以通过以下两种方法来实现：
其中一种方法，验证数据集中的每一组数据包括一正常运营门店对应的日商值和影响环境因子。将每一组数据中的影响环境因子输入至初步门店日商预测模型中，初步门店日商预测模型进行计算后，输出日商回归验证预测值，将该日商回归验证预测值与其对应的那一组数据中的日商值进行差值比较，得到差值比较结果。遍历验证数据集中的每一组数据，执行上述步骤。筛选得到差值比较结果大于预设的差值预设值的数据组，并统计数据组的组数。计算统计得到的数据组的组数占验证数据集中总的数据组的组数的比值。判断该比值是否大于或等于预设的占比预设值，若是，则说明该初步门店日商预测模型验证不通过；反之，若不是，则说明该初步门店日商预测模型验证通过，将该初步门店日商预测模型作为门店日商预测模型。
另一种方法，通过R方计算公式计算得到R方：
其中，yi为验证数据集中的每一组数据中的日商值，
为将每一组数据中的影响环境因子输入至初步门店日商预测模型中，初步门店日商预测模型进行计算后，输出的日商回归验证预测值，
为验证数据集中的所有组数据中的日商值的平均值。R方用于衡量日商回归验证预测值对于日商值的拟合好坏程度。其中，当R方等于1时，所有的日商回归验证预测值等于日商值；当R方小于0时，说明模型错误。因此当R方小于预设的R方阈值时，则说明该初步门店日商预测模型验证不通过，反之，当R方大于或等于预设的R方阈值时，则说明该初步门店日商预测模型验证通过，将该初步门店日商预测模型作为门店日商预测模型。其中，R方阈值的取值范围在0～1中，具体数值可以根据实际应用情况进行确定，在本实施例中不作具体限定。
具体地，步骤A6中，若验证结果不满足预设条件，则基于所述验证结果对所述预设基础模型进行参数调整，并返回步骤A2，即对样本数据集重新进行划分，加大训练数据集在样本数据集中的占比，加大对预设基础模型的训练次数，提高训练后得到的初步门店日商预测模型的精准度。
需要说明的是，在本实施例中，预设基础模型可以为LightGBM模型。
步骤S40、基于所述网格对应的日商预测值，确定门店辅助决策信息。
参照图4，图4为图2中基于所述网格对应的日商预测值，确定门店辅助决策信息的步骤的细化流程示意图。
进一步地，基于所述网格对应的日商预测值，确定门店辅助决策信息的步骤，包括：
步骤S401、基于所述网格对应的日商预测值，对商圈内多个网格进行排序；
步骤S402、根据排序排名，确定所述商圈内多个网格对应的网格标签；
步骤S403、基于所述网格对应的日商预测值，计算所述商圈内多个网格对应的网格推荐率；
步骤S404、根据所述日商预测值、网格标签和网格推荐率，确定门店辅助决策信息。
需要说明的是，门店辅助决策信息包括门店选址、门店进货数量预统计和门店营业考核等。
当门店辅助决策信息为门店选址，需要说明的是，不同商圈内的影响环境因子是不同的，因此会出现一种情况，即第一商圈中各网格的日商预测值均大于第二商圈中各网格的日商预测值，但这并不表明第二商圈不适合开设门店。因此，在基于所述网格对应的日商预测值，门店辅助决策信息为门店选址时，是针对单个商圈的。
具体地，所述网格标签为颜色标签，则根据排序排名，确定所述商圈内多个网格对应的网格标签的步骤，可以为：
对不同排名区间的网格，标记不同的颜色标签。
例如，将排名在前20%的待选址网格作为机会网格，在地图中将其的颜色标记为绿色，绿色的网格为推荐开店的选址区域，将排名在20%～50%的待选址网格作为一般网格，在地图中将其的颜色标记为黄色，黄色的网格为需要慎重考虑后才可以开店的选址区域，将排名在最后50%的待选址网格作为地雷网格，在地图中将其的颜色标记为红色，红色的网格为不推荐开店的选址区域。
具体地，网格推荐率通过以下公式计算得到：
其中，mi为商圈内各网格对应的日商预测值，mmim为商圈内多个网格对应的日商预测值中的最小值，mmax为商圈内多个网格对应的日商预测值中的最大值。网格推荐率指的对网格的推荐开店指数，当一网格的网格推荐率越高，则说明该网格越适合开店。
在步骤S40中，日商预测值为决策者提供门店业绩量化信息，网格推荐率和网格标签为决策者提供定性指标，定量与定性的结合，多维度得到推荐结果，使得推荐结果更直观，更精准。
当门店辅助决策信息为门店进货数量预统计时，可以根据日商预测值安排门店每日可以进货的数量，防止生鲜产品进货过多，无法全部销售，造成较大的浪费。
当门店辅助决策信息为门店营业考核时，可以将以往获取的日商预测值以及当前时段门店的日商值之间的偏差，作为门店营业考核的一项指标。
上述门店信息处理方法，本申请通过获取地图，将所述地图划分为多个网格；提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值，基于所述网格对应的日商预测值，确定门店辅助决策信息。本申请利用门店日商预测模型可以准确的计算各网格对应的日商预测值，根据日商预测值确定门店辅助决策信息，整个过程无需依赖于人工操作和人工经验，保证了对门店经营效果有影响的信息参数获取的全面性，提高了在对收集到的信息参数进行信息处理，根据处理结果作出的门店辅助决策信息的准确性。
需要说明的是，日商值无法准确的表征门店的运营效果，因此，在实际应用过程中，优选用月均日商值替代日商值，其中，月均日商值指的是正常运营门店每个月的营业额，日商值是正常运营门店每日营业额，因此，月均日商值为当前月份每一天对应的日商值之和。
进一步地，基于本申请第一实施例，提供本申请的第二实施例。本实施例应用于门店辅助决策信息为门店选址时。该实施例与第一实施例的区别在于：第一实施例是对地图中的所有网格对应的日商预测值进行计算，再从地图中的所有网格中确定门店的选址区域，无需人工提前指定选址范围，为决策者提供充分的选择空间，不会错过任何一个机会区域；而本实施例中，是在已经存在多个人工提前指定选址范围的情况下，从这多个人工提前指定选址范围的情况下，确定门店选址区域。
参照图5，图5为本申请一种门店信息处理方法第二实施例的流程示意图。
本实施例中，所述门店信息处理方法包括：
步骤S01、获取地图，将所述地图划分为多个网格；
步骤S02、确定门店待选址区域在所述地图中对应的网格，作为待选址网格；
步骤S03、提取所述待选址网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；
步骤S04、将所述影响环境因子输入至所述门店日商预测模型，计算得到所述待选址网格对应的日商预测值；
步骤S05、基于所述待选址网格对应的日商预测值，确定门店的选址区域。
在步骤S02中，具体的，可以将标记有门店待选址区域的地图层与划分有网格的地图层进行归并处理，确定出门店待选址区域在地图中对应的网格。
在本实施例中，门店待选址区域可以为一个位置点，也可以为一片位置范围区域。
当门店待选址区域为一个位置点时，该位置点在地图中对应落入的网格，即被确定为待选址网格。
当门店待选址区域为一片位置范围区域时，提取该位置范围区域在地图中对应覆盖的网格，若该位置范围区域只对应覆盖了一个网格，则确定该网格为待选址网格；若该位置范围区域对应覆盖了多个网格，则计算覆盖的多个网格中的每一网格的覆盖面积，并根据覆盖面积进行排序，选取覆盖面积最大的网格作为待选址网格。其中，若覆盖面积最大的网格并列存在多个，则从中任意选择一个作为带选址网格。
本实施例中的其余步骤的具体实施过程与第一实施例中各步骤的具体实施过程相同，在此不再赘述。
进一步地，基于本申请中第一实施例，提供本申请的第三实施例。参照图6，图6为本申请一种门店信息处理方法第三实施例的流程示意图。
在该实施例中，将所述影响环境因子输入至所述门店日商预测模型，计算得到所述网格对应的日商预测值的步骤之后，还包括：
步骤A10、以所述网格为中心，构建筛选范围；
步骤A20、获取所述筛选范围内多个相似门店的日商值；
步骤A30、对各所述相似门店的日商值进行加权计算，得到对标日商值；
步骤A40、将所述对标日商值与所述日商预测值进行偏差比对，得到偏差比对结果；
步骤A50、若所述偏差比对结果大于预设偏差阈值，则对所述对标日商值与所述日商预测值进行加权计算，并将所述加权计算结果作为日商预测值。
具体地，以所述待选址网格为中心构建的筛选范围可以为正方形，也可以为圆形。其中，本实施例中构建的筛选范围大于网格对应的辐射范围。
具体地，获取所述筛选范围内多个相似门店的日商值该步骤中的相似门店指的是与待选址门店的同一品牌，且正常营业的门店。
具体地，对各所述相似门店的日商值进行加权计算，得到对标日商值的过程可以为：
计算各相似门店与网格中心点之间的直线距离；
计算每一相似门店所对应的直线距离与各相似门店所对应的直线距离总和的比值，作为该相似门店的加权系数；
基于所述加权系数，对各所述相似门店的日商值进行加权计算，得到对标日商值。
具体地，在对所述对标日商值与所述日商预测值进行加权计算时，对标日商值所对应的加权系数与偏差比对结果成正比，日商预测值所对应的加权系数与偏差比对结果成反比，且对标日商值所对应的加权系数与日商预测值所对应的加权系数之和为1。
上述门店信息处理方法，在将所述影响环境因子输入至所述门店日商预测模型，计算得到所述网格对应的日商预测值之后，以所述网格为中心，构建筛选范围；获取所述筛选范围内多个相似门店的日商值；对各所述相似门店的日商值进行加权计算，得到对标日商值；将所述对标日商值与所述日商预测值进行偏差比对，得到偏差比对结果；若所述偏差比对结果大于预设偏差阈值，则对所述对标日商值与所述日商预测值进行加权计算，并将所述加权计算结果作为日商预测值。本方法可以在训练数据较少、无法保证门店日商预测模型的预测准确性的情况下，对门店日商预测模型输出的日商预测值进行修正，提高日商预测值的准确性。
本申请实施例还提供了一种门店信息处理装置，参照图7，图7为本申请一种门店信息处理装置第一实施例的流程示意图。
本实施例中，所述门店信息处理装置包括：
预处理模块10，用于获取地图，将所述地图划分为多个网格；
特征提取模块20，用于提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；
日商预测模块30，用于将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值；
信息生成模块40，用于基于所述网格对应的日商预测值，确定门店辅助决策信息。
可选地，所述人流趋势子因子根据所述网格对应辐射范围内符合预设条件的人流信息获得；
所述消费力子因子根据所述网格对应辐射范围内的住宅小区信息、住户数信息、商业楼群信息、房价信息中的一个或多个获得；
所述竞争子因子根据自竞争参数、同业竞争参数、异业竞争参数中的一个或多个获得。
可选地，所述门店信息处理装置还包括：
门店日商预测模型获取模型，用于实现：建立由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集；
对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集；
使用所述训练数据集对预设基础模型进行训练，得到初步门店日商预测模型；
使用所述验证数据集对所述初步门店日商预测模型进行验证，得到验证结果；
确定验证结果是否满足预设条件；
若不满足，则基于所述验证结果对所述预设基础模型进行参数调整，并返回对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集的步骤，直至验证结果满足预设条件，将所述初步门店日商预测模型作为门店日商预测模型。
可选地，所述日商预测模块还用于实现：以所述网格为中心，构建筛选范围；
获取所述筛选范围内多个相似门店的日商值；
对各所述相似门店的日商值进行加权计算，得到对标日商值；
将所述对标日商值与所述日商预测值进行偏差比对，得到偏差比对结果；
若所述偏差比对结果大于预设偏差阈值，则对所述对标日商值与所述日商预测值进行加权计算，并将所述加权计算结果作为日商预测值。
可选地，所述影响环境因子还包括：交通子因子、商圈类型偏向子因子，
所述交通子因子根据所述网格对应辐射范围内的地铁出入口信息和/或公交停靠站信息获得；
所述商圈类型偏向子因子根据所述网格对应辐射范围内POI数量最多的建筑类型对应的偏向标识参数信息获得。
可选地，所述网格的尺寸以及网格对应辐射范围根据目标门店的业务类型信息获得。
可选地，所述信息生成模块包括：
网格分类打标单元，用于基于所述网格对应的日商预测值，对商圈内多个网格进行排序，并根据排序排名，确定所述商圈内多个网格对应的网格标签；
网格推荐率计算单元，用于基于所述网格对应的日商预测值，计算所述商圈内多个网格对应的网格推荐率；
以及信息生成单元，用于根据所述日商预测值、网格标签和网格推荐率，确定门店辅助决策信息。
本申请门店信息处理装置具体实施方式与上述门店信息处理方法各实施例基本相同，在此不再赘述。
进一步地，基于本申请中第一实施例，提供本申请的第二实施例。本实施例应用于门店辅助决策信息为门店选址时。参照图8，图8为本申请一种门店信息处理装置第二实施例的流程示意图。
本实施例中，所述门店信息处理装置包括：
预处理模块10，用于获取地图，将所述地图划分为多个网格；
网格确定模块50，用于确定门店待选址区域在所述地图中对应的网格，作为待选址网格；
特征提取模块20，用于提取所述待选址网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；
日商预测模块30，用于将所述影响环境因子输入至所述门店日商预测模型，计算得到所述待选址网格对应的日商预测值；
选址确定模块40，用于基于所述待选址网格对应的日商预测值，确定门店的选址区域。
本申请门店信息处理装置具体实施方式与上述门店信息处理方法各实施例基本相同，在此不再赘述。
本申请实施例还提供了一种存储介质，所述存储介质上存储有门店信息处理程序，所述门店信息处理程序被处理器执行时实现如上所述的门店信息处理方法的步骤。
本申请存储介质具体实施方式与上述门店信息处理方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他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过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。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过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (16)
1.一种门店信息处理方法，其特征在于，所述门店信息处理方法，包括以下步骤：
获取地图，将所述地图划分为多个网格；
提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；
将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值；
基于所述网格对应的日商预测值，确定门店辅助决策信息。
2.如权利要求1所述的门店信息处理方法，其特征在于，
所述人流趋势子因子根据所述网格对应辐射范围内符合预设条件的人流信息获得；
所述消费力子因子根据所述网格对应辐射范围内的住宅小区信息、住户数信息、商业楼群信息、房价信息中的一个或多个获得；
所述竞争子因子根据自竞争参数、同业竞争参数、异业竞争参数中的一个或多个获得。
3.如权利要求1所述的门店信息处理方法，其特征在于，所述门店日商预测模型的获取方法，包括：
建立由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集；
对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集；
使用所述训练数据集对预设基础模型进行训练，得到初步门店日商预测模型；
使用所述验证数据集对所述初步门店日商预测模型进行验证，得到验证结果；
确定验证结果是否满足预设条件；
若不满足，则基于所述验证结果对所述预设基础模型进行参数调整，并返回对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集的步骤，直至验证结果满足预设条件，将所述初步门店日商预测模型作为门店日商预测模型。
4.如权利要求1所述的门店信息处理方法，其特征在于，所述影响环境因子还包括：交通子因子、商圈类型偏向子因子，
所述交通子因子根据所述网格对应辐射范围内的地铁出入口信息和/或公交停靠站信息获得；
所述商圈类型偏向子因子根据所述网格对应辐射范围内POI数量最多的建筑类型对应的偏向标识参数信息获得。
5.如权利要求1所述的门店信息处理方法，其特征在于，所述网格的尺寸以及网格对应辐射范围根据目标门店的业务类型信息获得。
6.如权利要求1所述的门店信息处理方法，其特征在于，所述基于所述网格对应的日商预测值，确定门店辅助决策信息的步骤，包括：
基于所述网格对应的日商预测值，对商圈内多个网格进行排序；
根据排序排名，确定所述商圈内多个网格对应的网格标签；
基于所述网格对应的日商预测值，计算所述商圈内多个网格对应的网格推荐率；
根据所述日商预测值、网格标签和网格推荐率，确定门店辅助决策信息。
7.如权利要求1所述的门店信息处理方法，其特征在于，所述将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值的步骤之后，还包括：
以所述网格为中心，构建筛选范围；
获取所述筛选范围内多个相似门店的日商值；
对各所述相似门店的日商值进行加权计算，得到对标日商值；
将所述对标日商值与所述日商预测值进行偏差比对，得到偏差比对结果；
若所述偏差比对结果大于预设偏差阈值，则对所述对标日商值与所述日商预测值进行加权计算，并将所述加权计算结果作为日商预测值。
8.一种门店信息处理装置，其特征在于，所述门店信息处理装置包括：
预处理模块，用于获取地图，将所述地图划分为多个网格；
特征提取模块，用于提取所述网格对应辐射范围内的影响环境因子，所述影响环境因子至少包括人流趋势子因子、消费力子因子和竞争子因子；
日商预测模块，用于将所述影响环境因子输入至门店日商预测模型，计算得到所述网格对应的日商预测值；
信息生成模块，用于基于所述网格对应的日商预测值，确定门店辅助决策信息。
9.如权利要求8所述的门店信息处理装置，其特征在于，
所述人流趋势子因子根据所述网格对应辐射范围内符合预设条件的人流信息获得；
所述消费力子因子根据所述网格对应辐射范围内的住宅小区信息、住户数信息、商业楼群信息、房价信息中的一个或多个获得；
所述竞争子因子根据自竞争参数、同业竞争参数、异业竞争参数中的一个或多个获得。
10.如权利要求8所述的门店信息处理装置，其特征在于，所述门店信息处理装置还包括：
门店日商预测模型获取模型，用于实现：建立由多个正常运营门店对应的日商值和影响环境因子构成的样本数据集；
对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集；
使用所述训练数据集对预设基础模型进行训练，得到初步门店日商预测模型；
使用所述验证数据集对所述初步门店日商预测模型进行验证，得到验证结果；
确定验证结果是否满足预设条件；
若不满足，则基于所述验证结果对所述预设基础模型进行参数调整，并返回对所述样本数据集进行划分，得到门店日商预测模型的训练数据集和验证数据集的步骤，直至验证结果满足预设条件，将所述初步门店日商预测模型作为门店日商预测模型。
11.如权利要求10所述的门店信息处理装置，其特征在于，所述日商预测模块还用于实现：以所述网格为中心，构建筛选范围；
获取所述筛选范围内多个相似门店的日商值；
对各所述相似门店的日商值进行加权计算，得到对标日商值；
将所述对标日商值与所述日商预测值进行偏差比对，得到偏差比对结果；
若所述偏差比对结果大于预设偏差阈值，则对所述对标日商值与所述日商预测值进行加权计算，并将所述加权计算结果作为日商预测值。
12.如权利要求8所述的门店信息处理装置，其特征在于，所述影响环境因子还包括：交通子因子、商圈类型偏向子因子，
所述交通子因子根据所述网格对应辐射范围内的地铁出入口信息和/或公交停靠站信息获得；
所述商圈类型偏向子因子根据所述网格对应辐射范围内POI数量最多的建筑类型对应的偏向标识参数信息获得。
13.如权利要求8所述的门店信息处理装置，其特征在于，所述网格的尺寸以及网格对应辐射范围根据目标门店的业务类型信息获得。
14.如权利要求8所述的门店信息处理装置，其特征在于，所述信息生成模块包括：
网格分类打标单元，用于基于所述网格对应的日商预测值，对商圈内多个网格进行排序，并根据排序排名，确定所述商圈内多个网格对应的网格标签；
网格推荐率计算单元，用于基于所述网格对应的日商预测值，计算所述商圈内多个网格对应的网格推荐率；
以及信息生成单元，用于根据所述日商预测值、网格标签和网格推荐率，确定门店辅助决策信息。
15.一种门店信息处理设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的门店信息处理程序，所述门店信息处理程序配置为实现如权利要求1至7中任一项所述的门店信息处理方法的步骤。
16.一种存储介质，其特征在于，所述存储介质上存储有门店信息处理程序，所述门店信息处理程序被处理器执行时实现如权利要求1至7任一项所述的门店信息处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111632480.XA CN114004661A (zh) | 2021-12-29 | 2021-12-29 | 门店信息处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111632480.XA CN114004661A (zh) | 2021-12-29 | 2021-12-29 | 门店信息处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114004661A true CN114004661A (zh) | 2022-02-01 |
Family
ID=79932128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111632480.XA Pending CN114004661A (zh) | 2021-12-29 | 2021-12-29 | 门店信息处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004661A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648372A (zh) * | 2022-05-23 | 2022-06-21 | 浙江口碑网络技术有限公司 | 数据处理方法、装置、存储介质和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030097295A1 (en) * | 2001-11-13 | 2003-05-22 | Kiefer Nicholas M. | Method for site selection for retail and restaurant chains |
| JP5946552B1 (ja) * | 2015-02-13 | 2016-07-06 | 株式会社コロプラ | 新規出店候補地選定システム、方法、及びプログラム |
| CN110135913A (zh) * | 2019-05-20 | 2019-08-16 | 智慧足迹数据科技有限公司 | 店铺选址模型的训练方法、店铺选址方法及装置 |
| CN110648161A (zh) * | 2019-08-05 | 2020-01-03 | 中移（杭州）信息技术有限公司 | 商业选址的效益评估方法、装置及存储介质 |
| CN113627975A (zh) * | 2021-07-28 | 2021-11-09 | 南京苏宁软件技术有限公司 | 门店选址方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-29 CN CN202111632480.XA patent/CN114004661A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030097295A1 (en) * | 2001-11-13 | 2003-05-22 | Kiefer Nicholas M. | Method for site selection for retail and restaurant chains |
| JP5946552B1 (ja) * | 2015-02-13 | 2016-07-06 | 株式会社コロプラ | 新規出店候補地選定システム、方法、及びプログラム |
| CN110135913A (zh) * | 2019-05-20 | 2019-08-16 | 智慧足迹数据科技有限公司 | 店铺选址模型的训练方法、店铺选址方法及装置 |
| CN110648161A (zh) * | 2019-08-05 | 2020-01-03 | 中移（杭州）信息技术有限公司 | 商业选址的效益评估方法、装置及存储介质 |
| CN113627975A (zh) * | 2021-07-28 | 2021-11-09 | 南京苏宁软件技术有限公司 | 门店选址方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 戈好雨: "基于机器学习的无人零售商店选址及其销量预测研究", 《中国优秀硕士学位论文全文数据库（电子期刊)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648372A (zh) * | 2022-05-23 | 2022-06-21 | 浙江口碑网络技术有限公司 | 数据处理方法、装置、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | An improved spatial error model for the mass appraisal of commercial real estate based on spatial analysis: Shenzhen as a case study | |
| US8386295B2 (en) | Checking the correctness of GIS data | |
| Suárez-Vega et al. | Locating a supermarket using a locally calibrated Huff model | |
| CN112069281B (zh) | 兴趣点位置的确定方法、装置、计算机设备及存储介质 | |
| US11966424B2 (en) | Method and apparatus for dividing region, storage medium, and electronic device | |
| CN112861972B (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
| KR102103073B1 (ko) | 노후주택 매매 플랫폼 | |
| KR20130019629A (ko) | 부동산 물건의 유형별 입지 및 상권 분석 서비스 제공 시스템, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| AU2012202624A1 (en) | A property complexity scoring system, method, and computer program storage device | |
| CN106295351B (zh) | 一种风险识别方法及装置 | |
| CN112862525A (zh) | 门店选址数据确定方法、系统及电子设备 | |
| CN108171530B (zh) | 一种用于客单价和复购率的提升方法及装置 | |
| JP2003022314A (ja) | 不動産価格関数推定方法、不動産価格関数推定装置、及び不動産価格関数推定プログラム | |
| CN116502755A (zh) | 采用大数据构建产业图谱进行产业发展预测的系统及方法 | |
| CN114004661A (zh) | 门店信息处理方法、装置、设备及存储介质 | |
| CN106803192A (zh) | 一种房地产的环境和周围配套的影响评估方法 | |
| KR20100123408A (ko) | Ｇｉｓ 기반의 가맹점 마케팅 지원 시스템 및 방법 | |
| KR100944117B1 (ko) | 예정가격의 발생 확률을 이용한 입찰 분석 방법 | |
| KR20030038178A (ko) | 데이터베이스를 활용한 인터넷 상권분석 방법 | |
| JP7071948B2 (ja) | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 | |
| KR20070097939A (ko) | 서버 및 클라이언트 단말기를 이용한 부동산 정보 제공방법 및 이를 수행하는 컴퓨터 프로그램이 기록된컴퓨터에서 판독 가능한 기록 매체 | |
| Das et al. | Regional model for agricultural imbalances in West Bengal, India | |
| Ismail | Hedonic modelling of housing markets using geographical information system (gis) and spatial statistic:; a case study of glasgow, scotland | |
| US20180357589A1 (en) | Systems and methods for determining geographical service areas with balanced workload | |
| CN115033766A (zh) | 数据处理方法、生活圈的显示方法及装置、介质、设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220201 |
|
| RJ01 | Rejection of invention patent application after publication |