CN114387024A - 基于Mamdani算法的电商复购行为的用户分析系统 - Google Patents
基于Mamdani算法的电商复购行为的用户分析系统 Download PDFInfo
- Publication number
- CN114387024A CN114387024A CN202210031524.1A CN202210031524A CN114387024A CN 114387024 A CN114387024 A CN 114387024A CN 202210031524 A CN202210031524 A CN 202210031524A CN 114387024 A CN114387024 A CN 114387024A
- Authority
- CN
- China
- Prior art keywords
- user
- module
- commerce
- behavior
- repurchase
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 42
- 230000006399 behavior Effects 0.000 claims abstract description 149
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电商舆情分析技术领域,公开了一种基于Mamdani算法的电商复购行为的用户分析系统,该用户分析系统包括:数据统计模块、数据预处理模块、无线通信模块、中央控制模块、分析模型构建模块、用户行为分析模块、电商复购行为预测模块、数据存储模块、更新显示模块。本发明提供的基于Mamdani算法的电商复购行为的用户分析系统根据对用户购买数据集进行分析,精准预测既存客户复购概率,根据复购概率指导客户维护及营销策略,提高营销转化率,降低营销成本;模糊推理引入专家经验,模糊规则模式易于操作人员的理解,管理者也能根据模糊规则模式进行有效地决策支持,最终将合适的产品通过智能化的方式推荐给合适的用户。
Description
技术领域
本发明属于电商舆情分析技术领域,尤其涉及一种基于Mamdani算法的电商复购行为的用户分析系统。
背景技术
目前,随着现代电子商务平台的发展,保险公司开始与互联网企业以及第三方保险平台的合作日益密切,迎来了新的机遇与挑战。互联网保险消费打破了传统保险销售的拉客户、反复推销模式,将保险服务嵌入购买、支付、服务等环节,契合用户保险需求,越来越多用户逐渐意识到保险在生活中的重要性和必要性,使得互联网保险产品的购买率不断的提高。相应的,基于电商平台,用户的购买产生了大量数据,通过商业智能领域的处理,这些数据将会不断的给网销企业带来新的有效信息,为企业在运营过程中提供可靠的决策支持。
但是,现有的电商复购行为分析系统分析过程繁琐,需要花费的人力时间成本较高,且容易导致对数据特征的表现拟合探索不足,形成特征资源的浪费。因此,亟需设计一种新的电商复购行为的用户分析系统。
通过上述分析,现有技术存在的问题及缺陷为:现有的电商复购行为分析系统分析过程繁琐,需要花费的人力时间成本较高,且容易导致对数据特征的表现拟合探索不足,形成特征资源的浪费。
发明内容
针对现有技术存在的问题,本发明提供了一种基于Mamdani算法的电商复购行为的用户分析系统。
本发明是这样实现的,一种基于Mamdani算法的电商复购行为的用户分析系统,所述基于Mamdani算法的电商复购行为的用户分析系统包括:
数据统计模块、数据预处理模块、无线通信模块、中央控制模块、分析模型构建模块、用户行为分析模块、电商复购行为预测模块、数据存储模块、更新显示模块。
数据统计模块,与中央控制模块连接,用于通过选取统计时段内用户的有效购买记录,提取用户在各平台上的购买记录,构建用户购买数据集;
数据预处理模块,与中央控制模块连接,用于通过数据预处理程序对构建的用户购买数据集进行预处理;
无线通信模块,与中央控制模块连接,用于通过无线通信装置将预处理后的用户购买数据集发送至中央控制模块;
中央控制模块,与数据统计模块、数据预处理模块、无线通信模块、分析模型构建模块、用户行为分析模块、电商复购行为预测模块、数据存储模块、更新显示模块连接,用于通过中央处理器协调控制所述基于Mamdani算法的电商复购行为的用户分析系统各个模块的正常运行。
进一步,所述基于Mamdani算法的电商复购行为的用户分析系统还包括:
分析模型构建模块,与中央控制模块连接,用于通过模型构建程序基于Mamdani算法根据用户购买数据集进行用户行为分析模型的构建;
用户行为分析模块,与中央控制模块连接,用于通过用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析;
电商复购行为预测模块,与中央控制模块连接,用于通过行为预测程序利用Logistic模型进行电商复购行为预测,得到电商复购行为预测数据;
数据存储模块,与中央控制模块连接,用于通过云数据库服务器存储构建的用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果以及电商复购行为预测数据;
更新显示模块,与中央控制模块连接,用于通过显示器对构建的用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果以及电商复购行为预测数据的实时信息进行更新显示。
进一步,所述通过数据预处理模块利用数据预处理程序对构建的用户购买数据集进行预处理包括:
对构建的用户购买数据集进行量化处理;
采用拉格朗日插值方法解决量化处理后缺失的用户购买数据;
对用户购买数据进行归一化处理后再进行pearson相关性验证,得到用于建模的筛选后的预处理用户购买数据集。
进一步,所述通过用户行为分析模块利用用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析包括:
获取预处理后的用户购买数据集;
利用随机森林算法,筛选所述用户购买数据集中的关键数据特征,构建基于关键数据特征的特征数据集;
利用FCM算法对所述特征数据集进行聚类分析,构建初始的模糊规则,并使用Mamdani模糊推理法获得用户行为分析结果。
进一步,所述Mamdani模糊推理过程的表达式为:
其中,模糊蕴含关系如下:
进一步,所述通过电商复购行为预测模块利用行为预测程序利用Logistic模型进行电商复购行为预测包括:
根据预处理后的用户购买数据集为样本,利用Logistic模型进行电商复购行为预测建模;
利用AdaBoost方法对训练样本数据进行训练构建弱分类器,通过各弱分类器分别对所述训练样本集进行集成学习得到强分类器;
通过赋予不同强分类器权重进行电商复购行为预测,得到电商复购行为预测数据。
进一步,所述Logistic模型包括:
逻辑回归中选择sigmoid函数作为激活函数,形式如下:
则逻辑回归输出的预测函数数学表达式为:
对于二分类问题结果是0,即不复购标签的概率是1-hθ(x)=p(y=0|x;θ)。
本发明的另一目的在于提供一种一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以应用所述基于Mamdani算法的电商复购行为的用户分析系统。
本发明的另一目的在于提供一种一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机应用所述基于Mamdani算法的电商复购行为的用户分析系统。
本发明的另一目的在于提供一种一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现所述基于Mamdani算法的电商复购行为的用户分析系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于Mamdani算法的电商复购行为的用户分析系统,根据对用户购买数据集进行分析,精准预测既存客户复购概率,根据复购概率指导客户维护及营销策略,提高营销转化率,降低营销成本;模糊推理引入专家经验,模糊规则模式易于操作人员的理解,管理者也能根据模糊规则模式进行有效地决策支持,最终将合适的产品通过智能化的方式推荐给合适的用户。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于Mamdani算法的电商复购行为的用户分析系统结构框图;
图中:1、数据统计模块;2、数据预处理模块;3、无线通信模块;4、中央控制模块;5、分析模型构建模块;6、用户行为分析模块;7、电商复购行为预测模块;8、数据存储模块;9、更新显示模块。
图2是本发明实施例提供的基于Mamdani算法的电商复购行为的用户分析方法流程图。
图3是本发明实施例提供的通过数据预处理模块利用数据预处理程序对构建的用户购买数据集进行预处理的方法流程图。
图4是本发明实施例提供的通过用户行为分析模块利用用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析的方法流程图。
图5是本发明实施例提供的通过电商复购行为预测模块利用行为预测程序利用Logistic模型进行电商复购行为预测的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于Mamdani算法的电商复购行为的用户分析系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于Mamdani算法的电商复购行为的用户分析系统包括:数据统计模块1、数据预处理模块2、无线通信模块3、中央控制模块4、分析模型构建模块5、用户行为分析模块6、电商复购行为预测模块7、数据存储模块8、更新显示模块9。
数据统计模块1,与中央控制模块4连接,用于通过选取统计时段内用户的有效购买记录,提取用户在各平台上的购买记录,构建用户购买数据集;
数据预处理模块2,与中央控制模块4连接,用于通过数据预处理程序对构建的用户购买数据集进行预处理;
无线通信模块3,与中央控制模块4连接,用于通过无线通信装置将预处理后的用户购买数据集发送至中央控制模块;
中央控制模块4,与数据统计模块1、数据预处理模块2、无线通信模块3、分析模型构建模块5、用户行为分析模块6、电商复购行为预测模块7、数据存储模块8、更新显示模块9连接,用于通过中央处理器协调控制所述基于Mamdani算法的电商复购行为的用户分析系统各个模块的正常运行;
分析模型构建模块5,与中央控制模块4连接,用于通过模型构建程序基于Mamdani算法根据用户购买数据集进行用户行为分析模型的构建;
用户行为分析模块6,与中央控制模块4连接,用于通过用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析;
电商复购行为预测模块7,与中央控制模块4连接,用于通过行为预测程序利用Logistic模型进行电商复购行为预测,得到电商复购行为预测数据;
数据存储模块8,与中央控制模块4连接,用于通过云数据库服务器存储构建的用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果以及电商复购行为预测数据;
更新显示模块9,与中央控制模块4连接,用于通过显示器对构建的用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果以及电商复购行为预测数据的实时信息进行更新显示。
如图2所示,本发明实施例提供的基于Mamdani算法的电商复购行为的用户分析方法包括以下步骤:
S101,通过数据统计模块利用选取统计时段内用户的有效购买记录,提取用户在各平台上的购买记录,构建用户购买数据集;
S102,通过数据预处理模块利用数据预处理程序对构建的用户购买数据集进行预处理;通过无线通信模块利用无线通信装置将预处理后的用户购买数据集发送至中央控制模块;
S103,通过中央控制模块利用中央处理器协调控制所述基于Mamdani算法的电商复购行为的用户分析系统各个模块的正常运行;
S104,通过分析模型构建模块利用模型构建程序基于Mamdani算法根据用户购买数据集进行用户行为分析模型的构建;
S105,通过用户行为分析模块利用用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析;
S106,通过电商复购行为预测模块利用行为预测程序利用Logistic模型进行电商复购行为预测,得到电商复购行为预测数据;
S107,通过数据存储模块利用云数据库服务器存储用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果及电商复购行为预测数据;
S108,通过更新显示模块利用显示器对用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果以及电商复购行为预测数据的实时信息进行更新显示。
如图3所示,本发明实施例提供的步骤S102中的通过数据预处理模块利用数据预处理程序对构建的用户购买数据集进行预处理包括:
S201,对构建的用户购买数据集进行量化处理;
S202,采用拉格朗日插值方法解决量化处理后缺失的用户购买数据;
S203,对用户购买数据进行归一化处理后再进行pearson相关性验证,得到用于建模的筛选后的预处理用户购买数据集。
如图4所示,本发明实施例提供的步骤S105中的通过用户行为分析模块利用用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析包括:
S301,获取预处理后的用户购买数据集;
S302,利用随机森林算法,筛选所述用户购买数据集中的关键数据特征,构建基于关键数据特征的特征数据集;
S303,利用FCM算法对所述特征数据集进行聚类分析,构建初始的模糊规则,并使用Mamdani模糊推理法获得用户行为分析结果。
本发明实施例提供的Mamdani模糊推理过程的表达式为:
其中,模糊蕴含关系如下:
如图5所示,本发明实施例提供的步骤S106中的通过电商复购行为预测模块利用行为预测程序利用Logistic模型进行电商复购行为预测包括:
S401,根据预处理后的用户购买数据集为样本,利用Logistic模型进行电商复购行为预测建模;
S402,利用AdaBoost方法对训练样本数据进行训练构建弱分类器,通过各弱分类器分别对所述训练样本集进行集成学习得到强分类器;
S403,通过赋予不同强分类器权重进行电商复购行为预测,得到电商复购行为预测数据。
本发明实施例提供的Logistic模型包括:
逻辑回归中选择sigmoid函数作为激活函数,形式如下:
则逻辑回归输出的预测函数数学表达式为:
对于二分类问题结果是0,即不复购标签的概率是1-hθ(x)=p(y=0|x;θ)。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于Mamdani算法的电商复购行为的用户分析系统,其特征在于,所述基于Mamdani算法的电商复购行为的用户分析系统包括:
数据统计模块、数据预处理模块、无线通信模块、中央控制模块、分析模型构建模块、用户行为分析模块、电商复购行为预测模块、数据存储模块、更新显示模块;
数据统计模块,与中央控制模块连接,用于通过选取统计时段内用户的有效购买记录,提取用户在各平台上的购买记录,构建用户购买数据集;
数据预处理模块,与中央控制模块连接,用于通过数据预处理程序对构建的用户购买数据集进行预处理;
无线通信模块,与中央控制模块连接,用于通过无线通信装置将预处理后的用户购买数据集发送至中央控制模块;
中央控制模块,与数据统计模块、数据预处理模块、无线通信模块、分析模型构建模块、用户行为分析模块、电商复购行为预测模块、数据存储模块、更新显示模块连接,用于通过中央处理器协调控制所述基于Mamdani算法的电商复购行为的用户分析系统各个模块的正常运行。
2.如权利要求1所述基于Mamdani算法的电商复购行为的用户分析系统,其特征在于,所述基于Mamdani算法的电商复购行为的用户分析系统还包括:
分析模型构建模块,与中央控制模块连接,用于通过模型构建程序基于Mamdani算法根据用户购买数据集进行用户行为分析模型的构建;
用户行为分析模块,与中央控制模块连接,用于通过用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析;
电商复购行为预测模块,与中央控制模块连接,用于通过行为预测程序利用Logistic模型进行电商复购行为预测,得到电商复购行为预测数据;
数据存储模块,与中央控制模块连接,用于通过云数据库服务器存储构建的用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果以及电商复购行为预测数据;
更新显示模块,与中央控制模块连接,用于通过显示器对构建的用户购买数据集、数据预处理结果、用户行为分析模型、用户行为分析结果以及电商复购行为预测数据的实时信息进行更新显示。
3.如权利要求1所述基于Mamdani算法的电商复购行为的用户分析系统,其特征在于,所述通过数据预处理模块利用数据预处理程序对构建的用户购买数据集进行预处理包括:
对构建的用户购买数据集进行量化处理;
采用拉格朗日插值方法解决量化处理后缺失的用户购买数据;
对用户购买数据进行归一化处理后再进行pearson相关性验证,得到用于建模的筛选后的预处理用户购买数据集。
4.如权利要求1所述基于Mamdani算法的电商复购行为的用户分析系统,其特征在于,所述通过用户行为分析模块利用用户行为分析程序利用构建的用户行为分析模型对用户行为进行分析包括:
获取预处理后的用户购买数据集;
利用随机森林算法,筛选所述用户购买数据集中的关键数据特征,构建基于关键数据特征的特征数据集;
利用FCM算法对所述特征数据集进行聚类分析,构建初始的模糊规则,并使用Mamdani模糊推理法获得用户行为分析结果。
6.如权利要求1所述基于Mamdani算法的电商复购行为的用户分析系统,其特征在于,所述通过电商复购行为预测模块利用行为预测程序利用Logistic模型进行电商复购行为预测包括:
根据预处理后的用户购买数据集为样本,利用Logistic模型进行电商复购行为预测建模;
利用AdaBoost方法对训练样本数据进行训练构建弱分类器,通过各弱分类器分别对所述训练样本集进行集成学习得到强分类器;
通过赋予不同强分类器权重进行电商复购行为预测,得到电商复购行为预测数据。
8.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以应用如权利要求1~7任意一项所述基于Mamdani算法的电商复购行为的用户分析系统。
9.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机应用如权利要求1~7任意一项所述基于Mamdani算法的电商复购行为的用户分析系统。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求1~7任意一项所述基于Mamdani算法的电商复购行为的用户分析系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031524.1A CN114387024A (zh) | 2022-01-12 | 2022-01-12 | 基于Mamdani算法的电商复购行为的用户分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031524.1A CN114387024A (zh) | 2022-01-12 | 2022-01-12 | 基于Mamdani算法的电商复购行为的用户分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387024A true CN114387024A (zh) | 2022-04-22 |
Family
ID=81201572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210031524.1A Withdrawn CN114387024A (zh) | 2022-01-12 | 2022-01-12 | 基于Mamdani算法的电商复购行为的用户分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387024A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501770A (zh) * | 2023-04-10 | 2023-07-28 | 南京优玛软件科技有限公司 | 一种基于模糊算法的用户数据采集方法及系统 |
CN117236992A (zh) * | 2023-11-15 | 2023-12-15 | 北京头条易科技有限公司 | 一种跨平台的通用型电商转化监测系统及方法 |
-
2022
- 2022-01-12 CN CN202210031524.1A patent/CN114387024A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501770A (zh) * | 2023-04-10 | 2023-07-28 | 南京优玛软件科技有限公司 | 一种基于模糊算法的用户数据采集方法及系统 |
CN116501770B (zh) * | 2023-04-10 | 2023-11-03 | 南京优玛软件科技有限公司 | 一种基于模糊算法的用户数据采集方法及系统 |
CN117236992A (zh) * | 2023-11-15 | 2023-12-15 | 北京头条易科技有限公司 | 一种跨平台的通用型电商转化监测系统及方法 |
CN117236992B (zh) * | 2023-11-15 | 2024-02-06 | 北京头条易科技有限公司 | 一种跨平台的通用型电商转化监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022525702A (ja) | モデル公平性のためのシステムおよび方法 | |
CN110070391A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN114387024A (zh) | 基于Mamdani算法的电商复购行为的用户分析系统 | |
JP2007502484A (ja) | 不活性顧客を予測するための方法およびシステム | |
US11836582B2 (en) | System and method of machine learning based deviation prediction and interconnected-metrics derivation for action recommendations | |
WO2020168851A1 (zh) | 行为识别 | |
US20220172037A1 (en) | Proactive anomaly detection | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
US20230034820A1 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
US20230410123A1 (en) | Data-driven taxonomy for annotation resolution | |
CN114422322B (zh) | 一种告警压缩的方法、装置、设备及存储介质 | |
CN115760332A (zh) | 基于企业数据分析的风险预测方法、系统、介质及设备 | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN117235811A (zh) | 基于互联网金融的支付大数据分析方法及大数据分析系统 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
Hou et al. | A data‐driven method to predict service level for call centers | |
US11972446B2 (en) | Communication channel or communication timing selection based on user engagement | |
CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
CN116186603A (zh) | 异常用户的识别方法及装置、计算机存储介质、电子设备 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN114862435A (zh) | 客户流失预警方法、设备及介质 | |
CN113112311A (zh) | 训练因果推断模型的方法、信息提示方法以装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220422 |
|
WW01 | Invention patent application withdrawn after publication |