CN114897555B - 一种景区智能制定商品营销策略的方法及装置 - Google Patents

Abstract

本发明涉及景区产品销售技术领域，具体为一种景区智能制定商品营销策略的方法及装置，所述方法包括以下步骤：S1：景区内部数据获取，S2：景区外部数据获取，S3：数据预处理，S4：用关联算法做协同过滤的推荐算法模型，S5：数据回收处理，S6：商品最终定价。本发明，充分利用景区自有的内部商品销售数据，并结合景区行业的热卖爆款商品定价、组合营销策略等外部数据进行竞品数据，掌握各大新闻资讯及活动策划数据，通过具备专业技术能力的人，对景区内部数据和外部资源的整合，数据预处理，专业的机器学习算法模型，关联规则协同过滤，获取最优商品选型、商品定价、商品组合及商品营销策略制定，从而实现景区经营管理者真正意义上的降本增收。

Description

一种景区智能制定商品营销策略的方法及装置

技术领域

本发明涉及景区产品销售技术领域，尤其涉及一种景区智能制定商品营销策略的方法及装置。

背景技术

在旅游景区内部，景区商品的销售是景区的主要收入之一，而现在的景区商品的销售存在着以下弊端：景区经营管理者凭借个人经验进行商品选型、商品定价、商品组合进行商品营销策略制定；部分有经验的管理者通过财务人员商品收入统计、亦或是景区员工反馈，获取爆款商品、畅销商品制定商品营销策略；少数景区管理者会通过海量对标景区网络渠道，了解零星的、有限的爆款商品，亦或是复制其他景区的主题活动进行商品营销策划，都无法实现景区商品的合理销售，需要进行改进。

中国专利号CN110874780A公开了基于大数据统计的景区游玩系统及推荐方法，主要通过收集大数据并存储于云端，其先通过人脸识别技术识别出游客ID信息，然后关联出游客的历史消费信息，行为偏好，游玩路线等用户画像信息。接着对游客当天的游览行为进行分析，生成所有游客当天的游览路线记录以及购买商品记录，基于大数据统计分析，分析出所有游客热门游览路线，并结合游客信息与购买记录以及兴趣爱好，当发现用户进入景区时，三者结合向用户个性化地推荐既是热门又能带动景区内商家收入的路线，根据用户自身偏好向该用户推荐一条游玩路线，包括游玩路线、路线上的用户感兴趣的商品以及此路线上的热门商品等，从而在不影响游客体验的基础上带动景区与商家的收入，该发明主要是通过推荐优质景点以及服务的方式，间接带动着景区内部商品的销售，而忽略了景区内部商品的自主定价规律，可以对景区内部商品销售进行改善，但效果不佳，仍然需要改进。

发明内容

本发明的目的是解决现有技术中存在的缺点，而提出的一种景区智能制定商品营销策略的方法及装置。

为了实现上述目的，本发明采用了如下技术方案：一种景区智能制定商品营销策略的方法，所述方法包括以下步骤：

S1：景区内部数据获取，整理景区内部游客的吃住行游购娱相关消费数据；

S2：景区外部数据获取，提供python爬取各大平台公开的竞品数据、新闻资讯、活动策划、舆情等外部数据；

S3：数据预处理，对内外部异构数据清洗、转换处理，商品分类管理，归一化、降维度处理；

S4：用关联算法做协同过滤的推荐算法模型，完成商品选型、定价、商品组合，并完成预期销售额的预算；

S5：数据回收处理，对选型、定价完成后的商品组合的销售数据进行跟踪收集，并根据特征值进行筛选分类处理；

S6：商品最终定价，根据回收数据对选型、定价后的商品与预期销售额的预算进行对比，完成商品选型、定价、商品组合。

为了保证对数据的处理效果，本发明改进有，所述S3中数据预处理过程中，包括分别读取内外部各业务系统异构数据、缺失值处理、异常值处理、非必要数据类型处理、数据不一致处理、数据集成、数据变换和数据规约等处理过程。

为了提高对缺失值数据的处理效果，本发明改进有，所述缺失值处理过程中包括删除法、插补法和替换法，所述删除法主要丢弃缺失数据样本、丢弃无法提供有用特征信息的数据，所述插补法主要通过同一特征的其他非缺失数据的均值或中位数进行填充缺失数据，若特征为分类变量时，用众数(最频值)填充数据，所述替换法主要通过特殊值替换缺失值。

为了快速获取符合条件的商品选型、定价、商品组合，本发明改进有，所述S4中用关联算法做协同过滤的推荐算法模型时，商品关联规则为两个不相交的非空商品数据集合A、B，如A—>B即为一条关联规则，衡量指标包括支持度、置信度和提升度，商品关联包括导入预处理后的商品数据集，变换格式array数组，通过apriori方法处理，输出result并观察，发现数据规律，遍历result，得到每个商品组合、对应的支持度、置信度、提升度，将结果转换成容易处理的数据框，从而获取符合条件的商品选型、定价、商品组合。

为了辅助完成商品选型、定价、商品组合，本发明改进有，所述S4中用关联算法做协同过滤的推荐算法模型时，协同过滤包括导入预处理后的商品数据集，含游客id、景区id、渠道、商品id、游客评价，通过交叉表及转换得到游客评分矩阵，计算每个游客间的距离和相似度，设置参数获取相似游客，根据相似游客，计算每个商品的评分，对结果排序，完成商品选型、定价、商品组合。

为了提高后期实际销售数据的直观性，本发明改进有，所述S5中特征值包括但不限于年龄和性别。

为了提高商品选型、定价、商品组合的合理性，本发明改进有，所述S6中完成商品选型、定价、商品组合后，对后续销售情况进行跟踪，收集并整理最近一季度的具体销售数据，并将数据进行平均化，得到平均值，然后再与初始商品选型、定价以及商品组合进行比较，根据数据的偏差程度，再对商品选型、定价、商品组合进行针对性的调整，进而得到商品选型、定价、商品组合的最优解。

另一方面，本发明提供了一种景区智能制定商品营销策略的装置，所述装置包括：

内部数据获取单元，用于整理获取景区内部游客的吃住行游购娱相关消费数据；

外部数据获取单元，用于整理获取景区外部各大平台公开的竞品数据、新闻资讯、活动策划、舆情等数据；

数据处理单元，用于对内外部各业务系统异构数据、缺失值、异常值、非必要数据、不一致数据以及数据集成、变换和制约处理；

商品关联单元，使用python实现Apriori算法，用于获取符合条件的商品选型、定价、商品组合；

协同过滤单元，使用python实现协同过滤算法，用于结合景区游客对购买过的商品的舆情数据、新闻资讯、活动策划、竞品数据等，对各类商品的星级打分，得到游客喜好，根据相似喜好的用户历史数据，完成商品选型、定价、商品组合；

数据回收处理单元，用于对选型、定价完成后的商品组合的销售数据进行跟踪收集；

对比分析单元，用于销售数据和最初预算数据之间的对比分析，并配合完成最终的商品选型、定价、商品组合。

为了提高对销售数据的处理能力，本发明改进有，所述数据回收处理单元还用于根据年龄、性别等特征值对销售数据进行整理分析，并进行备份储存。

与现有技术相比，本发明的优点和积极效果在于：

1、本发明中，充分利用景区自有的内部商品销售数据，并结合景区行业的热卖爆款商品定价、组合营销策略等外部数据进行竞品数据，掌握各大新闻资讯及活动策划数据，通过具备专业技术能力的人，对景区内部数据和外部资源的整合，数据预处理，专业的机器学习算法模型，关联规则协同过滤，获取最优商品选型、商品定价、商品组合及商品营销策略制定，从而实现景区经营管理者真正意义上的降本增收。

2、本发明中，可以在商品选型、定价、组合完成后，实时对商品的实际销售数据进行整理、记录、储存和分析，进而可以根据实际销售情况不断地商品进行调整，使得景区内部商品始终处于销售高点，制定最佳的销售策略，以此来对景区实现增收，并实现利益最大化。

附图说明

图1为本发明提出一种景区智能制定商品营销策略的方法的操作步骤图；

图2为本发明提出一种景区智能制定商品营销策略的方法中商品关联操作流程图；

图3为本发明提出一种景区智能制定商品营销策略的方法中协同过滤操作流程图；

图4为本发明提出一种景区智能制定商品营销策略的方法及装置的整体流程图；

图5为本发明提出一种景区智能制定商品营销策略的装置的模块图。

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，以下结合附图及实施例，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。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1-4，本发明提供一种技术方案：一种景区智能制定商品营销策略的方法，方法包括以下步骤：

在步骤S1中，景区内部数据获取，整理景区内部游客的吃住行游购娱相关消费数据。

具体而言，景区内部归纳景区内部游客的吃、住、行、游、购、娱等全方位的数据，并对数据进行整理总结。

在步骤S2中，景区外部数据获取，提供python爬取各大平台公开的竞品数据、新闻资讯、活动策划、舆情等外部数据。

具体而言，获取景区外部各大平台，包括美团、去哪儿、同程、携程、马蜂窝以及驴妈妈等平台公开的舆论、投诉、运营商、三方数据、旅行社以及航空数据等外部数据，并对数据进行整理总结。

在步骤S3中，数据预处理，对内外部异构数据清洗、转换处理，商品分类管理，归一化、降维度处理。

具体而言，对内外部各业务系统异构数据、缺失值处理(包括删除法、插补法和替换法)、异常值处理、非必要数据类型处理、数据不一致处理、数据集成、数据变换和数据规约等处理过程，对内外数据实现预处理。

在步骤S4中，用关联算法做协同过滤的推荐算法模型，完成商品选型、定价、商品组合，并完成预期销售额。

具体而言，基于衡量指标(支持度、置信度和提升度)，通过商品关联算法，导入预处理后的商品数据集，变换格式array数组，通过apriori方法处理，输出result并观察，发现数据规律，遍历result，得到每个商品组合、对应的支持度、置信度、提升度，将结果转换成容易处理的数据框，从而获取符合条件的商品选型、定价、商品组合，再通过协同过滤算法，导入预处理后的商品数据集，含游客id、景区id、渠道、商品id、游客评价，通过交叉表及转换得到游客评分矩阵，计算每个游客间的距离和相似度，设置参数获取相似游客，根据相似游客，计算每个商品的评分，对结果排序，完成商品选型、定价、商品组合，并估算预期商品销售额。

充分利用景区自有的内部商品销售数据，并结合景区行业的热卖爆款商品定价、组合营销策略等外部数据进行竞品数据，掌握各大新闻资讯及活动策划数据，通过具备专业技术能力的人，对景区内部数据和外部资源的整合，数据预处理，专业的机器学习算法模型，关联规则协同过滤，获取最优商品选型、商品定价、商品组合及商品营销策略制定，从而实现景区经营管理者真正意义上的降本增收。

在步骤S5中，数据回收处理，对选型、定价完成后的商品组合的销售数据进行跟踪收集，并根据特征值进行筛选分类处理。

具体而言，以购买人员的年龄和性别作为特征值，对选型、定价完成后的商品以及商品组合的销售数据实时进行回收整理分析。

在步骤S6中，商品最终定价，根据回收数据对选型、定价后的商品与预期销售额的预算进行对比，完成商品选型、定价、商品组合。

具体而言，根据回收得到的商品以及商品组合销售数据，与前期估算的销售额进行比对、分析，进而完成商品选型、定价、商品组合，完成商品选型、定价、商品组合后，对后续销售情况进行跟踪，收集并整理最近一季度的具体销售数据，并将数据进行平均化，得到平均值，然后再与初始商品选型、定价以及商品组合进行比较，根据数据的偏差程度，再对商品选型、定价、商品组合进行针对性的调整，进而得到商品选型、定价、商品组合的最优解。

可以在商品选型、定价、组合完成后，实时对商品的实际销售数据进行整理、记录、储存和分析，进而可以根据实际销售情况不断地商品进行调整，使得景区内部商品始终处于销售高点，制定最佳的销售策略，以此来对景区实现增收，并实现利益最大化。

本发明通过充分利用景区游客对商品的消费品类、消费能力水平、消费习惯、消费偏好等进行深度挖掘、商品组合关联分析，同时，将结合景区行业更多的如竞品、新闻资讯、活动策划、舆情等外部数据整合，为景区管理者提供更加科学、智能的商品定价、商品营销策略的方法及装置，从而实现景区收益最大化。

请参阅图5，本发明提供了一种景区智能制定商品营销策略的装置，装置包括：

内部数据获取单元，用于整理获取景区内部游客的吃住行游购娱相关消费数据；

外部数据获取单元，用于整理获取景区外部各大平台公开的竞品数据、新闻资讯、活动策划、舆情等数据；

数据处理单元，用于对内外部各业务系统异构数据、缺失值、异常值、非必要数据、不一致数据以及数据集成、变换和制约处理；

商品关联单元，使用python实现Apriori算法，用于获取符合条件的商品选型、定价、商品组合；

协同过滤单元，使用python实现协同过滤算法，用于结合景区游客对购买过的商品的舆情数据、新闻资讯、活动策划、竞品数据等，对各类商品的星级打分，得到游客喜好，根据相似喜好的用户历史数据，完成商品选型、定价、商品组合；

数据回收处理单元，用于对选型、定价完成后的商品组合的销售数据进行跟踪收集，还用于根据年龄、性别等特征值对销售数据进行整理分析，并进行备份储存；

对比分析单元，用于销售数据和最初预算数据之间的对比分析，并配合完成最终的商品选型、定价、商品组合。

工作原理：首先进行景区内部数据获取，整理景区内部游客的吃住行游购娱相关消费数据，然后对景区外部数据进行获取，提供python爬取各大平台公开的竞品数据、新闻资讯、活动策划、舆情等外部数据，接着对数据进行预处理，对内外部异构数据清洗、转换处理，商品分类管理，归一化、降维度处理，然后用关联算法做协同过滤的推荐算法模型，完成商品选型、定价、商品组合，并完成预期销售额的预算，紧接着数据回收处理，对选型、定价完成后的商品组合的销售数据进行跟踪收集，并根据特征值进行筛选分类处理，最后根据回收数据对选型、定价后的商品与预期销售额的预算进行对比，完成商品选型、定价、商品组合。

以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种景区智能制定商品营销策略的方法，其特征在于，所述方法包括以下步骤：

S1：景区内部数据获取，整理景区内部游客的吃住行游购娱相关消费数据；

S2：景区外部数据获取，提供python爬取各大平台公开的竞品数据、新闻资讯、活动策划、舆情的外部数据；

S3：数据预处理，对内外部异构数据清洗、转换处理，商品分类管理，归一化、降维度处理；

S4：用关联算法做协同过滤的推荐算法模型，完成商品选型、定价、商品组合，并完成预期销售额；

S5：数据回收处理，对选型、定价完成后的商品组合的销售数据进行跟踪收集，并根据特征值进行筛选分类处理；

S6：商品最终定价，根据回收数据对选型、定价后的商品与预期销售额的预算进行对比，完成商品选型、定价、商品组合。

2.根据权利要求1所述的景区智能制定商品营销策略的方法，其特征在于：所述S3中数据预处理过程中，包括分别读取内外部各业务系统异构数据、缺失值处理、异常值处理、非必要数据类型处理、数据不一致处理、数据集成、数据变换和数据规约的处理过程。

3.根据权利要求2所述的景区智能制定商品营销策略的方法，其特征在于：所述缺失值处理过程中包括删除法、插补法和替换法，所述删除法丢弃缺失数据样本、丢弃无法提供有用特征信息的数据，所述插补法通过同一特征的其他非缺失数据的均值或中位数进行填充缺失数据，若特征为分类变量时，用众数最频值填充数据，所述替换法通过特殊值替换缺失值。

4.根据权利要求1所述的景区智能制定商品营销策略的方法，其特征在于：所述S4中用关联算法做协同过滤的推荐算法模型时，商品关联规则为两个不相交的非空商品数据集合A、B， A—>B即为一条关联规则，衡量指标包括支持度、置信度和提升度，商品关联包括导入预处理后的商品数据集，变换格式array数组，通过apriori方法处理，输出result并观察，发现数据规律，遍历result，得到每个商品组合、对应的支持度、置信度、提升度，将结果转换成容易处理的数据框，从而获取符合条件的商品选型、定价、商品组合。

5.根据权利要求1所述的景区智能制定商品营销策略的方法，其特征在于：所述S4中用关联算法做协同过滤的推荐算法模型时，协同过滤包括导入预处理后的商品数据集，含游客id、景区id、渠道、商品id、游客评价，通过交叉表及转换得到游客评分矩阵，计算每个游客间的距离和相似度，设置参数获取相似游客，根据相似游客，计算每个商品的评分，对结果排序，完成商品选型、定价、商品组合。

6.根据权利要求1所述的景区智能制定商品营销策略的方法，其特征在于：所述S5中特征值包括但不限于年龄和性别。

7.根据权利要求1所述的景区智能制定商品营销策略的方法，其特征在于：所述S6中完成商品选型、定价、商品组合后，对后续销售情况进行跟踪，收集并整理最近一季度的具体销售数据，并将数据进行平均化，得到平均值，然后再与初始商品选型、定价以及商品组合进行比较，根据数据的偏差程度，再对商品选型、定价、商品组合进行针对性的调整，进而得到商品选型、定价、商品组合的最优解。

8.一种景区智能制定商品营销策略的装置，其特征在于，所述装置包括：

内部数据获取单元，用于整理获取景区内部游客的吃住行游购娱相关消费数据；

外部数据获取单元，用于整理获取景区外部各大平台公开的竞品数据、新闻资讯、活动策划、舆情的数据；

数据处理单元，用于对内外部各业务系统异构数据、缺失值、异常值、非必要数据、不一致数据以及数据集成、变换和制约处理；

商品关联单元，使用python实现Apriori算法，用于获取符合条件的商品选型、定价、商品组合；

协同过滤单元，使用python实现协同过滤算法，用于结合景区游客对购买过的商品的舆情数据、新闻资讯、活动策划、竞品数据，对各类商品的星级打分，得到游客喜好，根据相似喜好的用户历史数据，完成商品选型、定价、商品组合；

数据回收处理单元，用于对选型、定价完成后的商品组合的销售数据进行跟踪收集；

对比分析单元，用于销售数据和最初预算数据之间的对比分析，并配合完成最终的商品选型、定价、商品组合。

9.根据权利要求8所述的景区智能制定商品营销策略的装置，其特征在于：所述数据回收处理单元还用于根据年龄、性别特征值对销售数据进行整理分析，并进行备份储存。

Images