CN114820140A - 基于大数据分析的家具全链路数字化运营系统 - Google Patents
基于大数据分析的家具全链路数字化运营系统 Download PDFInfo
- Publication number
- CN114820140A CN114820140A CN202210584741.3A CN202210584741A CN114820140A CN 114820140 A CN114820140 A CN 114820140A CN 202210584741 A CN202210584741 A CN 202210584741A CN 114820140 A CN114820140 A CN 114820140A
- Authority
- CN
- China
- Prior art keywords
- commodities
- commodity
- threshold value
- abnormal
- user
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 238000007726 management method Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q30/06—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
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电子商务领域,涉及数据处理技术,具体是基于大数据分析的家具全链路数字化运营系统,包括运营平台,所述运营平台通信连接有订单管理模块、商品推荐模块、推荐验证模块以及存储模块;所述订单管理模块用于对运营平台的商品订单进行分析管理;所述商品推荐模块用于根据商品信息和用户购买信息分析得到价格范围,在价格范围中对商品进行筛选得到推荐商品;所述推荐验证模块用于对用户购买推荐商品的情况进行检测分析;本发明通过已购推荐单元可以通过用户已经购买的商品对用户进行商品推荐,根据已有购买信息分析得到用户的需求商品,从而结合用户的购买信息和消费习惯为用户进行商品推荐。
Description
技术领域
本发明属于电子商务领域,涉及数据处理技术,具体是基于大数据分析的家具全链路数字化运营系统。
背景技术
运营管理系统是建立在管理学、组织行为学、营销学、传播学、统计学、计算机应用技术等多种边缘学科理论基础上的最新企业运营及品牌管理操作方法与工具;是系统的企业运营及品牌管理科学理论。
现有的电商运营系统一般都具有商品推荐功能,但是其商品推荐方式单一,而针对于不同类型的商品,其推荐逻辑差异很大,因此传统电商运营系统单一的推荐方式无法满足多类型的商品推荐。
针对上述技术问题,本申请提出一种解决方案。
发明内容
本发明的目的在于提供基于大数据分析的家具全链路数字化运营系统,用于解决传统电商运营系统单一的推荐方式无法满足多类型的商品推荐的问题;
本发明需要解决的技术问题为:如何提供一种具有多种商品推荐方式的电商运营系统。
本发明的目的可以通过以下技术方案实现:
基于大数据分析的家具全链路数字化运营系统,包括运营平台,所述运营平台通信连接有订单管理模块、商品推荐模块、推荐验证模块以及存储模块;
所述订单管理模块用于对运营平台的商品订单进行分析管理;
所述商品推荐模块用于根据商品信息和用户购买信息分析得到价格范围,在价格范围中对商品进行筛选得到推荐商品;
所述推荐验证模块用于对用户购买推荐商品的情况进行检测分析。
作为本发明的一种优选实施方式,所述订单管理模块用于对运营平台的商品订单进行分析管理:将订单生成的时间标与商品开始配送的时间之间的时间差值标记为t1,将商品开始配送的时间与商品送达的时间之间的时间差值标记为t2,将商品送达的时间与订单完成的时间之间的时间差值标记为t3,通过对t1、t2以及t3进行数值计算得到效率系数;通过存储模块获取到效率阈值,将订单的效率系数与效率阈值进行比较并通过比较结果将处理效率不合格的订单标记为异常对象;
获取最近w天内处理的订单总数量并标记为ZS,将其中的异常对象数量标记为YS,将YS与ZS的比值标记为异常比,获取最近w天内每一天的异常对象数量并建立异常集合,对异常集合进行方差计算得到异常表现值,通过存储模块获取到异常阈值与异常表现阈值,将异常比、异常表现值分别与异常阈值、异常表现阈值进行比较并通过比较结果对订单处理的整体效率是否合格进行判定。
作为本发明的一种优选实施方式,效率系数与效率阈值的比较过程包括:若效率系数XL小于等于效率阈值XLmin,则判定订单的处理效率不合格,将对应的订单标记为异常对象,对异常对象进行物流;若效率系数XL大于效率阈值XLmin,则判定订单的处理效率合格,将对应的订单标记为正常对象。
作为本发明的一种优选实施方式,异常比、异常表现值与异常阈值、异常表现阈值的比较过程包括:若异常比小于异常阈值且异常表现值小于异常表现阈值,则判定订单处理的整体效率满足要求,订单管理模块向运营平台发送整体合格信号;若异常比大于等于异常阈值且异常表现值小于异常表现阈值,则判定订单处理的整体效率不满足要求,订单管理模块向运营平台发送整体不合格信号,运营平台接收到整体不合格信号后对w天内的订单处理情况进行整体核查;若异常表现值大于等于异常表现阈值,则判定订单处理的部分效率满足要求,订单管理模块向运营平台发送部分合格信号,运营平台接收到部分合格信号后对w天内的订单处理情况进行抽样核查。
作为本发明的一种优选实施方式,所述商品推荐模块包括已购推荐单元与未购推荐单元,所述未购推荐单元用于根据用户的浏览商品、收藏商品以及关注商品对用户进行商品推荐:将用户在L1天内浏览、收藏以及关注的商品标记为分析对象i,i=1,2,…,n,n为正整数,获取分析对象i被浏览的次数并标记为LCi,获取分析对象i被浏览的总时长LSi,通过对LCi和LSi进行数值计算得到分析对象i的价值系数;将价值系数的数值进行由高到低的排序并将排序后位于前m1位的分析对象标记为价值对象,获取价值对象的商品数据,价值对象的商品数据包括商品简介的关键词、分类以及商品的价格JG,通过商品简介的关键词在数据库中查找与价值对象相匹配的商品并标记为预选商品,通过公式JGmin=a1×JG以及公式JGmax=a2×JG得到价格阈值JGmin与JGmax,其中a1与a2均为比例系数,JGmin为最小价格阈值,JGmax为最大价格阈值,由JGmin与JGmax构成价格范围,将商品价格位于价格范围之内的预选商品标记为复选商品,将销售额最高的前m2个复选商品标记为推荐商品,未购推荐单元将推荐商品发送运营平台,运营平台接收到推荐商品对商品展示界面进行调节。
作为本发明的一种优选实施方式,所述已购推荐单元用于根据用户已经购买的商品对用户进行商品推荐:获取数据库中包含有已购商品的商品套餐,获取商品套餐中所有商品的分类并标记为所有类别;获取已购商品的商品数据,已购商品的商品数据包括商品简介的关键词、分类以及商品的价格JG,将已购商品的分类标记为已购类别,将出去已购类别后所有类别中剩余的所有分类标记为推荐类别,将商品套餐中所有包含推荐类别的商品标记为预选商品,通过公式JGmin=a1×JG以及公式JGmax=a2×JG得到价格阈值JGmin与JGmax,其中a1与a2均为比例系数,JGmin为最小价格阈值,JGmax为最大价格阈值,由JGmin与JGmax构成价格范围,将商品价格位于价格范围之内的预选商品标记为复选商品,将销售额最高的前m2个复选商品标记为推荐商品,已购推荐单元将推荐商品发送运营平台,运营平台接收到推荐商品对商品展示界面进行调节。
作为本发明的一种优选实施方式,所述推荐验证模块对用户购买推荐商品的情况进行检测分析的具体过程包括:获取用户在L2天内购买的商品中数量并标记为GM,将用户购买商品中的推荐商品的数量标记为TS,将用户购买商品中推荐商品的相关商品的数量标记为GS,通过对GM、TS以及GS进行数值计算得到成功系数;通过存储模块获取成功阈值,将成功系数与成功阈值进行比较并通过比较结果对商品推荐是否成功进行判定。
作为本发明的一种优选实施方式,成功系数与成功阈值的比较过程包括:若成功系数小于等于成功阈值,则判定商品推荐失败,推荐验证模块通过运营平台向商品推荐模块发送重新推荐信号,商品推荐模块接收到重新推荐信号后重新对用户进行商品推荐;若成功系数大于成功阈值,则判定商品推荐成功,推荐验证模块向运营平台发送推荐成功信号。
本发明具备下述有益效果:
1、通过订单管理模块可以对平台的订单处理效率进行监控,以三个时间差值作为效率监控依据,从而对订单生成后各个环节的处理效率进行分析,保证订单的处理效率能够满足要求,并通过整体分析的方式对运营平台的订单处理整体效率进行分析,对整体运营平台的订单处理合格率进行计算分析并根据其分析结果进行核查,保证了整体的处理效率;
2、通过未购推荐单元可以为用户提供商品推荐,为未购推荐单元推荐的商品是客户没有购买的感兴趣商品,通过对用户的浏览、收藏等行为进行分析得到价值系数,从而根据价值系数反馈出商品对于用户的吸引程度,并以此作为依据,在价格范围内筛选出合适的商品进行推荐,保证用户对推荐商品的心仪程度;
3、通过已购推荐单元可以通过用户已经购买的商品对用户进行商品推荐,通过商品的配套属性为用户进行商品推荐,根据已有购买信息分析得到用户的需求商品,并在需求商品中根据价格范围进行推荐商品筛选,从而结合用户的购买信息和消费习惯为用户进行商品推荐;
4、通过推荐验证模块可以对用户购买推荐商品的情况进行检测分析,进而可以对推荐的效果进行反馈,在推荐效果不佳时及时进行重新推荐,促成用户下单。
附图说明
为了更清楚地说明本发明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,下面描述中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为本发明原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,基于大数据分析的家具全链路数字化运营系统,包括运营平台,运营平台通信连接有订单管理模块、商品推荐模块、推荐验证模块、内容生成模块、客户管理模块、供应链管理模块以及存储模块。
内容生成模块用于面向多个行业的应用场景,提供营销文案、新闻媒体内容创作,海量文本数据处理、挖掘分析能力和算法模型支持,一站式满足企业客户对内容营销、媒体对自然语言处理的业务需求,提升文本处理的能力和效率。
客户管理模块用于通过PC以及移动端设备轻松完成操作;提供访客触发提醒、实时访客统计、客户信息识别、客户信息管理等功能,大幅度提高客服工作效率;同时,对询盘进行数据分析统计,形成可视化图表以及报表,为提供企业运营提供决策支撑。
供应链管理模块用于通过数据协同实现更大范围的供应链协同,“供应链协同”要求制造企业够柔性化,产能根据市场的实际需求变化弹性释放:卖得好、需求多就多生产;卖不好,需求少就少生产。
订单管理模块用于对运营平台的商品订单进行分析管理:将订单生成的时间标与商品开始配送的时间之间的时间差值标记为t1,将商品开始配送的时间与商品送达的时间之间的时间差值标记为t2,将商品送达的时间与订单完成的时间之间的时间差值标记为t3,通过公式XL=α1/t1+α2/t2+α3/t3得到订单的效率系数XL,效率系数是一个反应订单处理效率高低的数值,效率系数的数值越高则表示对应订单的处理效率也就快;其中α1、α2以及α3均为比例系数,且α1>α2>α3>1;通过存储模块获取到效率阈值XLmin,效率阈值是一个对订单处理效率是否合格进行判定的数量常量,其数值由管理人员自行设置,将订单的效率系数XL与效率阈值XLmin进行比较:若效率系数XL小于等于效率阈值XLmin,则判定订单的处理效率不合格,将对应的订单标记为异常对象,对异常对象进行物流;若效率系数XL大于效率阈值XLmin,则判定订单的处理效率合格,将对应的订单标记为正常对象;获取最近w天内处理的订单总数量并标记为ZS,将其中的异常对象数量标记为YS,将YS与ZS的比值标记为异常比,获取最近w天内每一天的异常对象数量并建立异常集合,对异常集合进行方差计算得到异常表现值,通过存储模块获取到异常阈值与异常表现阈值,将异常比、异常表现值分别与异常阈值、异常表现阈值进行比较:若异常比小于异常阈值且异常表现值小于异常表现阈值,则判定订单处理的整体效率满足要求,订单管理模块向运营平台发送整体合格信号;若异常比大于等于异常阈值且异常表现值小于异常表现阈值,则判定订单处理的整体效率不满足要求,订单管理模块向运营平台发送整体不合格信号,运营平台接收到整体不合格信号后对w天内的订单处理情况进行整体核查,w为自然常数,w的数值由管理人员自行设置;若异常表现值大于等于异常表现阈值,则判定订单处理的部分效率满足要求,订单管理模块向运营平台发送部分合格信号,运营平台接收到部分合格信号后对w天内的订单处理情况进行抽样核查,通过订单管理模块对平台的订单处理效率进行监控,以三个时间差值作为效率监控依据,从而对订单生成后各个环节的处理效率进行分析,保证订单的处理效率能够满足要求,并通过整体分析的方式对运营平台的订单处理整体效率进行分析,对整体运营平台的订单处理合格率进行计算分析并根据其分析结果进行核查,保证了整体的处理效率。
商品推荐模块用于对用户进行商品推荐,商品推荐模块包括已购推荐单元与未购推荐单元,未购推荐单元用于根据用户的浏览商品、收藏商品以及关注商品对用户进行商品推荐:将用户在L1天内浏览、收藏以及关注的商品标记为分析对象i,i=1,2,…,n,n为正整数,获取分析对象i被浏览的次数并标记为LCi,获取分析对象i被浏览的总时长LSi,通过公式JZi=β1×LCi+β2×LSi得到分析对象i的价值系数JZi,价值系数是一个反应商品对用户吸引程度的数值,价值系数的数值越高则表示对应商品对用户的吸引程度越大,用户下单的概率也就越高;其中β1与β2均为比例系数,β1的取值判定过程包括:若分析对象被用户收藏,则β1的取值为1.15;否则,β1的取值为1;β2的取值判定过程包括:若分析对象被用户关注,则β2的取值为1.15;否则,β2的取值为1;将价值系数的数值进行由高到低的排序并将排序后位于前m1位的分析对象标记为价值对象,获取价值对象的商品数据,价值对象的商品数据包括商品简介的关键词、分类以及商品的价格JG,通过商品简介的关键词在数据库中查找与价值对象相匹配的商品并标记为预选商品,通过公式JGmin=a1×JG以及公式JGmax=a2×JG得到价格阈值JGmin与JGmax,其中a1与a2均为比例系数,且0.85≤a1≤0.95,1.05≤a2≤1.15,JGmin为最小价格阈值,JGmax为最大价格阈值,由JGmin与JGmax构成价格范围,将商品价格位于价格范围之内的预选商品标记为复选商品,将销售额最高的前m2个复选商品标记为推荐商品,m2为自然常数,m2的数值由管理人员自行设置,未购推荐单元将推荐商品发送运营平台,运营平台接收到推荐商品对商品展示界面进行调节,未购推荐单元为用户提供商品推荐,为未购推荐单元推荐的商品是客户没有购买的感兴趣商品,通过对用户的浏览、收藏等行为进行分析得到价值系数,从而根据价值系数反馈出商品对于用户的吸引程度,并以此作为依据,在价格范围内筛选出合适的商品进行推荐,保证用户对推荐商品的心仪程度。
已购推荐单元用于根据用户已经购买的商品对用户进行商品推荐:获取数据库中包含有已购商品的商品套餐,获取商品套餐中所有商品的分类并标记为所有类别;获取已购商品的商品数据,已购商品的商品数据包括商品简介的关键词、分类以及商品的价格JG,将已购商品的分类标记为已购类别,将出去已购类别后所有类别中剩余的所有分类标记为推荐类别,已购推荐单元是为用户进行配套商品选购的推荐工具,例如用户在购买了餐桌之后,在包含有餐桌的商品套餐中筛选到的推荐类别就可以包含餐椅、桌布、餐盘以及餐具等等,用户可以根据已购推荐单元的推荐商品来对已购商品进行搭配,已经购买的商品反应了用户的真是需要,因而根据已购商品进行需求推荐,未购商品进行喜好推荐,保证了商品推荐的逻辑性,提高商品推荐与用户喜好、需求的重合度,提高用户体验;将商品套餐中所有包含推荐类别的商品标记为预选商品,通过公式JGmin=a1×JG以及公式JGmax=a2×JG得到价格阈值JGmin与JGmax,其中a1与a2均为比例系数,且0.85≤a1≤0.95,1.05≤a2≤1.15,JGmin为最小价格阈值,JGmax为最大价格阈值,由JGmin与JGmax构成价格范围,将商品价格位于价格范围之内的预选商品标记为复选商品,将销售额最高的前m2个复选商品标记为推荐商品,已购推荐单元将推荐商品发送运营平台,运营平台接收到推荐商品对商品展示界面进行调节,已购推荐单元通过用户已经购买的商品对用户进行商品推荐,通过商品的配套属性为用户进行商品推荐,根据已有购买信息分析得到用户的需求商品,并在需求商品中根据价格范围进行推荐商品筛选,从而结合用户的购买信息和消费习惯为用户进行商品推荐。
推荐验证模块用于对用户购买推荐商品的情况进行检测分析:获取用户在L2天内购买的商品中数量并标记为GM,将用户购买商品中的推荐商品的数量标记为TS,将用户购买商品中推荐商品的相关商品的数量标记为GS,通过公式CG=(γ1×TS+γ2×GS)/(γ3×GM)得到成功系数CG,成功系数是一个反应用户浏览推荐商品后进行下单的概率的数值,成功系数的数值越大则表示推荐商品越符合用户的消费习惯;其中γ1、γ2以及γ3均为比例系数,且γ1>γ2>γ3>1;通过存储模块获取成功阈值CGmin,将成功系数CG与成功阈值CGmin进行比较:若成功系数CG小于等于成功阈值CGmin,则判定商品推荐失败,推荐验证模块通过运营平台向商品推荐模块发送重新推荐信号,商品推荐模块接收到重新推荐信号后重新对用户进行商品推荐;若成功系数CG大于成功阈值CGmin,则判定商品推荐成功,推荐验证模块向运营平台发送推荐成功信号,推荐验证模块对用户购买推荐商品的情况进行检测分析,进而可以对推荐的效果进行反馈,在推荐效果不佳时及时进行重新推荐,促成用户下单。
基于大数据分析的家具全链路数字化运营系统,工作时,采用订单管理模块对运营平台的商品订单进行分析管理;采用商品推荐模块根据商品信息和用户购买信息分析得到价格范围,在价格范围中对商品进行筛选得到推荐商品;采用推荐验证模块对用户购买推荐商品的情况进行检测分析。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式XL=α1/t1+α2/t2+α3/t3;由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的效率系数;将设定的效率系数和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到α1、α2以及α3的取值分别为3.45、2.86和2.37;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的效率系数;只要不影响参数与量化后数值的比例关系即可,如效率系数与t1的数值成反比。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.基于大数据分析的家具全链路数字化运营系统,包括运营平台,其特征在于,所述运营平台通信连接有订单管理模块、商品推荐模块、推荐验证模块以及存储模块;
所述订单管理模块用于对运营平台的商品订单进行分析管理;
所述商品推荐模块用于根据商品信息和用户购买信息分析得到价格范围,在价格范围中对商品进行筛选得到推荐商品;
所述推荐验证模块用于对用户购买推荐商品的情况进行检测分析。
2.根据权利要求1所述的基于大数据分析的家具全链路数字化运营系统,其特征在于,所述订单管理模块用于对运营平台的商品订单进行分析管理:将订单生成的时间标与商品开始配送的时间之间的时间差值标记为t1,将商品开始配送的时间与商品送达的时间之间的时间差值标记为t2,将商品送达的时间与订单完成的时间之间的时间差值标记为t3,通过对t1、t2以及t3进行数值计算得到效率系数;通过存储模块获取到效率阈值,将订单的效率系数与效率阈值进行比较并通过比较结果将处理效率不合格的订单标记为异常对象;
获取最近w天内处理的订单总数量并标记为ZS,将其中的异常对象数量标记为YS,将YS与ZS的比值标记为异常比,获取最近w天内每一天的异常对象数量并建立异常集合,对异常集合进行方差计算得到异常表现值,通过存储模块获取到异常阈值与异常表现阈值,将异常比、异常表现值分别与异常阈值、异常表现阈值进行比较并通过比较结果对订单处理的整体效率是否合格进行判定。
3.根据权利要求2所述的基于大数据分析的家具全链路数字化运营系统,其特征在于,效率系数与效率阈值的比较过程包括:若效率系数XL小于等于效率阈值XLmin,则判定订单的处理效率不合格,将对应的订单标记为异常对象,对异常对象进行物流;若效率系数XL大于效率阈值XLmin,则判定订单的处理效率合格,将对应的订单标记为正常对象。
4.根据权利要求2所述的基于大数据分析的家具全链路数字化运营系统,其特征在于,异常比、异常表现值与异常阈值、异常表现阈值的比较过程包括:若异常比小于异常阈值且异常表现值小于异常表现阈值,则判定订单处理的整体效率满足要求,订单管理模块向运营平台发送整体合格信号;若异常比大于等于异常阈值且异常表现值小于异常表现阈值,则判定订单处理的整体效率不满足要求,订单管理模块向运营平台发送整体不合格信号,运营平台接收到整体不合格信号后对w天内的订单处理情况进行整体核查;若异常表现值大于等于异常表现阈值,则判定订单处理的部分效率满足要求,订单管理模块向运营平台发送部分合格信号,运营平台接收到部分合格信号后对w天内的订单处理情况进行抽样核查。
5.根据权利要求1所述的基于大数据分析的家具全链路数字化运营系统,其特征在于,所述商品推荐模块包括已购推荐单元与未购推荐单元,所述未购推荐单元用于根据用户的浏览商品、收藏商品以及关注商品对用户进行商品推荐:将用户在L1天内浏览、收藏以及关注的商品标记为分析对象i,i=1,2,…,n,n为正整数,获取分析对象i被浏览的次数并标记为LCi,获取分析对象i被浏览的总时长LSi,通过对LCi和LSi进行数值计算得到分析对象i的价值系数;将价值系数的数值进行由高到低的排序并将排序后位于前m1位的分析对象标记为价值对象,获取价值对象的商品数据,价值对象的商品数据包括商品简介的关键词、分类以及商品的价格JG,通过商品简介的关键词在数据库中查找与价值对象相匹配的商品并标记为预选商品,通过公式JGmin=a1×JG以及公式JGmax=a2×JG得到价格阈值JGmin与JGmax,其中a1与a2均为比例系数,JGmin为最小价格阈值,JGmax为最大价格阈值,由JGmin与JGmax构成价格范围,将商品价格位于价格范围之内的预选商品标记为复选商品,将销售额最高的前m2个复选商品标记为推荐商品,未购推荐单元将推荐商品发送运营平台,运营平台接收到推荐商品对商品展示界面进行调节。
6.根据权利要求5所述的基于大数据分析的家具全链路数字化运营系统,其特征在于,所述已购推荐单元用于根据用户已经购买的商品对用户进行商品推荐:获取数据库中包含有已购商品的商品套餐,获取商品套餐中所有商品的分类并标记为所有类别;获取已购商品的商品数据,已购商品的商品数据包括商品简介的关键词、分类以及商品的价格JG,将已购商品的分类标记为已购类别,将出去已购类别后所有类别中剩余的所有分类标记为推荐类别,将商品套餐中所有包含推荐类别的商品标记为预选商品,通过公式JGmin=a1×JG以及公式JGmax=a2×JG得到价格阈值JGmin与JGmax,其中a1与a2均为比例系数,JGmin为最小价格阈值,JGmax为最大价格阈值,由JGmin与JGmax构成价格范围,将商品价格位于价格范围之内的预选商品标记为复选商品,将销售额最高的前m2个复选商品标记为推荐商品,已购推荐单元将推荐商品发送运营平台,运营平台接收到推荐商品对商品展示界面进行调节。
7.根据权利要求6所述的基于大数据分析的家具全链路数字化运营系统,其特征在于,所述推荐验证模块对用户购买推荐商品的情况进行检测分析的具体过程包括:获取用户在L2天内购买的商品中数量并标记为GM,将用户购买商品中的推荐商品的数量标记为TS,将用户购买商品中推荐商品的相关商品的数量标记为GS,通过对GM、TS以及GS进行数值计算得到成功系数;通过存储模块获取成功阈值,将成功系数与成功阈值进行比较并通过比较结果对商品推荐是否成功进行判定。
8.根据权利要求7所述的基于大数据分析的家具全链路数字化运营系统,其特征在于,成功系数与成功阈值的比较过程包括:若成功系数小于等于成功阈值,则判定商品推荐失败,推荐验证模块通过运营平台向商品推荐模块发送重新推荐信号,商品推荐模块接收到重新推荐信号后重新对用户进行商品推荐;若成功系数大于成功阈值,则判定商品推荐成功,推荐验证模块向运营平台发送推荐成功信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210584741.3A CN114820140A (zh) | 2022-05-26 | 2022-05-26 | 基于大数据分析的家具全链路数字化运营系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210584741.3A CN114820140A (zh) | 2022-05-26 | 2022-05-26 | 基于大数据分析的家具全链路数字化运营系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820140A true CN114820140A (zh) | 2022-07-29 |
Family
ID=82520088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210584741.3A Pending CN114820140A (zh) | 2022-05-26 | 2022-05-26 | 基于大数据分析的家具全链路数字化运营系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820140A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760202A (zh) * | 2023-01-10 | 2023-03-07 | 深圳市鼎山科技有限公司 | 一种基于人工智能的产品运营管理系统及方法 |
CN117217865A (zh) * | 2023-09-12 | 2023-12-12 | 深圳市思维无限网络科技有限公司 | 基于大数据分析的个性化推荐系统 |
CN117217787A (zh) * | 2023-08-28 | 2023-12-12 | 南京财经大学 | 一种基于管理科学的消费平台数据分析处理系统 |
CN117391823A (zh) * | 2023-12-11 | 2024-01-12 | 广州宇中网络科技有限公司 | 基于自学习的用户偏好信息自动推送方法 |
-
2022
- 2022-05-26 CN CN202210584741.3A patent/CN114820140A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760202A (zh) * | 2023-01-10 | 2023-03-07 | 深圳市鼎山科技有限公司 | 一种基于人工智能的产品运营管理系统及方法 |
CN117217787A (zh) * | 2023-08-28 | 2023-12-12 | 南京财经大学 | 一种基于管理科学的消费平台数据分析处理系统 |
CN117217787B (zh) * | 2023-08-28 | 2024-05-07 | 南京财经大学 | 一种基于管理科学的消费平台数据分析处理系统 |
CN117217865A (zh) * | 2023-09-12 | 2023-12-12 | 深圳市思维无限网络科技有限公司 | 基于大数据分析的个性化推荐系统 |
CN117391823A (zh) * | 2023-12-11 | 2024-01-12 | 广州宇中网络科技有限公司 | 基于自学习的用户偏好信息自动推送方法 |
CN117391823B (zh) * | 2023-12-11 | 2024-05-10 | 广州宇中网络科技有限公司 | 基于自学习的用户偏好信息自动推送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114820140A (zh) | 基于大数据分析的家具全链路数字化运营系统 | |
CN108550068B (zh) | 一种基于用户行为分析的个性化商品推荐方法及系统 | |
CN106022900B (zh) | 用户风险数据挖掘方法和装置 | |
US7908159B1 (en) | Method, data structure, and systems for customer segmentation models | |
CN108090712B (zh) | 一种分析业务异常的方法及装置 | |
CN116452261B (zh) | 一种基于跨境电商服务平台的广告投放数据处理方法 | |
CN111666275B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN110634015A (zh) | 一种基于计算机软件的消费习惯分析系统 | |
CN116862592B (zh) | 一种基于用户行为的sop私域营销信息自动推送方法 | |
CN112200601A (zh) | 物品推荐方法、装置及可读存储介质 | |
CN112184390A (zh) | 一种基于云平台的电子商务商品信息管理方法及系统 | |
CN111737338A (zh) | 一种基于大数据画像闭环营销数据分析方法 | |
CN112511846A (zh) | 基于大数据的电子商务直播处理方法及网络安全直播平台 | |
CN108629467B (zh) | 一种样品信息处理方法及系统 | |
CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
CN112561603A (zh) | 一种基于用户实时行为的事件标签实现方法及其系统 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN116452299A (zh) | 一种电商智能化推荐系统及方法 | |
CN115563176A (zh) | 一种电子商务数据处理系统及方法 | |
CN116012115A (zh) | 一种基于商品图谱及供应链的人群兴趣动态标签方法 | |
CN114240561A (zh) | 一种基于电子商务平台的智能推荐系统 | |
CN113052381A (zh) | 一种基于大数据的电子商务营销及管理系统 | |
CN113762879A (zh) | 设定邮费的方法、装置和系统 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
CN111861537A (zh) | 运营分析方法及系统 |
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: 20220729 |