CN115099878B - 一种基于大数据分析的营销方法 - Google Patents
一种基于大数据分析的营销方法 Download PDFInfo
- Publication number
- CN115099878B CN115099878B CN202211002693.9A CN202211002693A CN115099878B CN 115099878 B CN115099878 B CN 115099878B CN 202211002693 A CN202211002693 A CN 202211002693A CN 115099878 B CN115099878 B CN 115099878B
- Authority
- CN
- China
- Prior art keywords
- shopping
- historical
- consumer
- consumption
- consumption amount
- 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.)
- Active
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
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- 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
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- 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
- G06Q30/0239—Online discounts or incentives
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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
本发明涉及数据处理技术领域,具体涉及一种基于大数据分析的营销方法,该方法基于消费者的历史购物小票和当前购物小票获取商超中每个消费者的历史消费金额序列、目标消费金额序列和购物典型程度,进而结合商超的购物活跃差异度,组成每个消费者的消费特征向量;对消费特征向量进行筛选得到有效消费特征向量,获取每个有效消费特征向量对应消费者的转移置信度描述子,利用有效消费特征向量和对应的转移置信度描述子对FCN预测网络进行训练,基于转移置信度描述子的预测值进行推销方式的推荐。通过FCN预测网络以便精准为消费者进行自适应推销方式的推荐,提高商超的营销效果,增强消费者体验感。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于大数据分析的营销方法。
背景技术
目前网络营销的优惠较多,对于线下购物的用户来说无法参与到互联网平台的补贴和互动中,从而难以提高用户粘性和转化率,进而出现用户群体的割裂。现在线下购物的方式主要以超市和商场为主,许多超市和商场都会经常性的推出一定程度的折扣促销手段,其中,优惠券或者满减活动是最常用的一种促销手段。
然而,由于优惠券的发放形式存在盲目发放,导致优惠券的丢弃,使得需要优惠券的消费者因为没有拿到优惠券,做不到取其所需,其次是满减活动的金额范围比较大,导致满减活动效果也大打折扣,最终导致营销效果差等问题。
目前通过对优惠券的发放形式进行了改进,例如电子消费券,或将满减活动所参与的商品范围变大,但由于每个消费者的购物习惯不同,会存在促销产品不能很大程度上满足消费者需求,即对促销产品不感兴趣,进而降低了消费者的购物体验感,浪费了折扣促销资源。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于大数据分析的营销方法,所采用的技术方案具体如下:
基于设定的品类数量统计每种品类的消费金额,得到当前消费者的当前购物小票所对应的目前消费金额序列和上一次购物小票所对应的历史消费金额序列;基于当前购物小票对应采样时刻下每个其他消费者的所述历史消费金额序列获取当前消费者的基准消费金额序列,结合所述基准消费金额序列和当前消费者的所述历史消费金额序列计算当前消费者的购物典型程度;
在所述采样时刻下统计商超的有效购物小票的历史数量和实时数量,以计算商超在所述采样时刻下的购物活跃差异度;结合当前消费者的目前消费金额序列、历史消费金额序列、所述购物典型程度和商超的所述购物活跃差异度构成当前消费者的消费特征向量;在所述采样时刻下获取商超内所有消费者的所述消费特征向量以得到有效消费特征向量;
利用任意两个有效消费特征向量之间的不相似程度对所有的消费者进行聚类,得到M个聚类簇,M为正整数,将当前消费者所在聚类簇中的其他消费者作为目标消费者,根据所有消费者的下一次聚类结果,分别统计每个聚类簇所包含的目标消费者的第一数量,将M个聚类簇的第一数量组成数量序列,对所述数量序列进行极差标准化得到当前消费者对应有效消费特征向量的转移置信度描述子;
获取每个有效消费特征向量的所述转移置信度描述子,将有效消费特征向量中的所述历史消费金额序列、所述购物典型程度和所述购物活跃差异度作为FCN预测网络的输入、所述转移置信度描述子作为输出,对所述FCN预测网络进行训练,利用训练好的所述FCN预测网络得到实时消费者的所述转移置信度描述子的预测值,根据预测值对实时消费者进行推销方式的推荐。
进一步的,所述基准消费金额序列的获取方法,包括:
分别计算当前消费者与其他消费者对应所述历史消费金额序列之间的余弦距离,将所述余弦距离作为相似度,对得到的相似度进行从高到低的排序,选取最高相似度所对应其他消费者的所述历史消费金额序列和第K个相似度所对应其他消费者的所述历史消费金额序列作为当前消费者的所述基准消费金额序列,K为正整数。
进一步的,所述购物典型程度的获取方法,包括:
分别计算当前消费者的所述历史消费金额序列与所述基准消费金额序列中任意一个所述历史消费金额序列之间的L2距离,计算所有L2距离的平均值,将所述平均值作为当前消费者的所述购物典型程度。
进一步的,所述购物活跃差异度的获取方法,包括:
将所述采样时刻之前其他历史采样时刻下的所述历史数量组成历史数量向量,选择所述历史数量向量中top-n个所述历史数量计算历史数量平均值,n为正整数,将所述历史数量平均值与实时数量的差值绝对值作为所述购物活跃差异度。
进一步的,所述有效消费特征向量的获取方法,包括:
设置典型程度阈值,令所述购物典型程度小于或等于典型程度阈值的所述消费特征向量为所述有效消费特征向量。
进一步的,所述不相似程度的获取方法,包括:
利用Similarity函数分别计算任意两个所述有效消费特征向量中对应目前消费金额序列之间的第一相似值、对应购物典型程度之间的第二相似值、对应购物活跃差异度之间的第三相似值;
获取第一相似值、第二相似值和第三相似值之间的乘积,由乘积得到不相似程度,不相似程度与乘积之间呈负相关关系。
进一步的,所述根据预测值对实时消费者进行推销方式的推荐的方法,包括:
选择预测值中top-m个元素所对应的目标聚类簇,m小于M且为正整数,基于实时消费者中任意一个品类的消费金额,在目标聚类簇中获取同种品类的最相似消费金额,设置一个上浮比例,结合上浮比例和最相似消费金额为实时消费者设置满减优惠。
进一步的,所述根据预测值对实时消费者进行推销方式的推荐的方法,包括:
选择预测值中top-m个元素所对应的目标聚类簇,m小于M且为正整数,在每个目标聚类簇中找到品类的消费金额都低于设定消费阈值的品类,以组成第一品类集合;
将实时消费者中不存在的品类构成第二品类集合,获取第二品类集合与第一品类集合的交集,将交集作为推销用的折扣优惠品类集合,对折扣优惠品类集合中的品类设置折扣值。
本发明实施例至少具有如下有益效果:基于消费者在商超中的历史购物小票和当前购物小票以获取每个消费者的消费特征向量,为了保证每个消费者属于常规消费,在消费特征向量中筛选有效消费特征向量,进而将消费行为相似的消费者分为一类,通过分析同类中其他消费者后续购物行为所对应的类别,得到目标消费者与群体消费者之间的购物方式差异,即转移置信度描述子,利用有效消费特征向量和对应的转移置信度描述子对FCN预测网络进行训练,使得训练好的FCN预测网络能够准确预测单个消费者和群体消费者之间的购物行为转移关系,以便精准为消费者进行自适应推销方式的推荐,增强消费者体验感,提高商超的营销效果。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例提供的一种基于大数据分析的营销方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据分析的营销方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据分析的营销方法的具体方案。
本发明所针对的具体场景为:根据商超内每个消费者的购物小票进行数据分析,以对消费者自适应推荐合适的购物优惠方式,其中商超是指可以在线下施行线上支付的如农贸市场、超市等购物空间。
请参阅图1,其示出了本发明一个实施例提供的一种基于大数据分析的营销方法的步骤流程图,该方法包括以下步骤:
步骤S001,基于设定的品类数量统计每种品类的消费金额,得到当前消费者的当前购物小票所对应的目前消费金额序列和上一次购物小票所对应的历史消费金额序列;基于当前购物小票对应采样时刻下每个其他消费者的历史消费金额序列获取当前消费者的基准消费金额序列,结合基准消费金额序列和当前消费者的历史消费金额序列计算当前消费者的购物典型程度。
具体的,由于购物小票能够体现消费者的购物行为状态,因此根据消费者的购物小票进行品类统计,品类是指物品种类,对每个品类所对应的消费金额进行从高到低的顺序排列,选取前15个品类的消费金额组成消费金额序列。
随机选择一天作为目标日,目标日也是采样时刻,根据消费者在目标日的当前购物小票分别获取商超中所有消费者对应的目标消费金额序列,同时根据消费者上一次购物时的购物小票得到对应的历史消费金额序列,进而能够在目标日得到所有消费者的目标消费金额序列y和历史消费金额序列Y。
需要说明的是,历史消费金额序列Y代表的是历史购物小票的购物行为,能够体现当前购物小票的采购前置条件,从而体现各个历史购物小票在购物过程中的前期情况和相对的购物行为分布,从而可以在不逆推消费者性别、年龄等隐私的情况下匿名分析此次购物的前置条件的特征数据。
在目标日选择任意一个购物小票对应的消费者作为当前消费者,基于目标日内每个其他消费者的历史消费金额序列获取当前消费者的基准消费金额序列,具体为:分别计算当前消费者与其他消费者对应历史消费金额序列之间的余弦距离,将余弦距离作为相似度,对得到的相似度进行从高到低的排序,选取最高相似度所对应其他消费者的历史消费金额序列和第K个相似度所对应其他消费者的历史消费金额序列作为当前消费者的基准消费金额序列,K为正整数。
需要说明的是,选择第K个相似度对应的历史消费金额序列的目的是避免购物行为的分布不是典型的,实施者可根据调整K值来判断当前消费者的购物行为是否典型。
结合当前消费者的基准消费金额序列和历史消费金额序列计算当前消费者的购物典型程度P:分别计算当前消费者的历史消费金额序列与基准消费金额序列中任意一个历史消费金额序列之间的L2距离,计算所有L2距离的平均值,将平均值作为当前消费者的购物典型程度P。
作为一个示例,本发明实施例中优选K=5,则购物典型程度P的计算公式为:
当前消费者的历史消费金额序列与基准消费金额序列之间的差异越大,L2距离越大,对应购物典型程度P值越大,进而说明当前消费者与其他消费者之间购物行为存在的差异越大。
步骤S002,在采样时刻下统计商超的有效购物小票的历史数量和实时数量,以计算商超在采样时刻下的购物活跃差异度;结合当前消费者的目前消费金额序列、历史消费金额序列、购物典型程度和商超的购物活跃差异度构成当前消费者的消费特征向量;在采样时刻下获取商超内所有消费者的消费特征向量以得到有效消费特征向量。
具体的,对全局来说,正常的购物行为中,有较大采购金额数量始终处于一个经验区间,如果远离于目标区间,则认为在一定程度上可以说明商超的购物行为模式和动机逻辑可能与以往不同,例如线上优惠或季节性、焦虑性采购行为,因此设置消费金额阈值,将购物小票的消费总金额大于消费金额阈值的购物小票称作有效购物小票,以避免小金额购物影响营销模式,当一个购物小票的消费总金额超过消费金额阈值时,则认为是可介入营销的购物行为,其中,小于消费金额阈值的购物小票不代表异常,而是用于区分节假日、工作日、季节、换季等情况下的购物活跃程度。
设置每天的一个指定时段为采样时间,在目标日对应的采样时刻下,统计目标日的指定时段内商超的有效购物小票的实时数量,同时统计商超在目标日之前的历史每一天的指定时段内有效购物小票的历史数量,进而得到一个星期所对应的历史数量向量,选择历史数量向量中top-n个历史数量计算历史数量平均值,n为正整数,将历史数量平均值与实时数量的差值绝对值作为商超在目标日的购物活跃差异度Q。其中,top-n个历史数量决定了后期商超的峰值购物活跃情况。
优选的,本发明实施例中n=10。
利用步骤S001的方法能够得到目标日中每个消费者的目标消费金额序列y、历史消费金额序列Y、购物典型程度P,进而将目标日中每个消费者的目标消费金额序列y、历史消费金额序列Y、购物典型程度P和所在商超的购物活跃差异度Q构成对应消费者的消费特征向量T={y,Y,P,Q},进而得到目标日中商超内所有消费者的消费特征向量T。
对消费特征向量中的购物典型程度设置典型程度阈值,当购物典型程度大于典型程度阈值时,说明对应消费者的采购逻辑与常规采购情况不同,令后续的营销方法不再介入,即将该消费者的消费特征向量排除,将符合典型程度阈值的消费者的消费特征向量作为有效消费特征向量进行保留。
步骤S003,利用任意两个有效消费特征向量之间的不相似程度对所有的消费者进行聚类,得到M个聚类簇,M为正整数,将当前消费者所在聚类簇中的其他消费者作为目标消费者,根据所有消费者的下一次聚类结果,分别统计每个聚类簇所包含的目标消费者的第一数量,将M个聚类簇的第一数量组成数量序列,对数量序列进行极差标准化得到当前消费者对应有效消费特征向量的转移置信度描述子。
具体的,每个消费者都有自己的购物行为模式,也即是购物习惯,因此需要分析消费者群体的关联模式和转移模式,用于判断消费者自己的购物行为状态,具体分析方法为:
利用Similarity函数分别计算任意两个有效消费特征向量中对应目前消费金额序列y之间的第一相似值、对应购物典型程度P之间的第二相似值、对应购物活跃差异度Q之间的第三相似值。
获取第一相似值、第二相似值和第三相似值之间的乘积,由乘积得到不相似程度,不相似程度与乘积之间呈负相关关系;将不相似程度作为样本距离,基于样本距离利用OPTICS算法对所有消费者进行聚类,得到M个聚类簇,M为正整数,一个聚类簇代表一种购物行为,其中OPTICS算法中的搜索半径eps默认为0.15,簇内最小值minpts设定为4。
需要说明的是,有效消费特征向量与消费者是一一对应关系,对消费者的聚类也即是对有效消费特征向量的聚类。
作为一个示例,不相似程度的计算公式为:
其中,为不相似程度;为有效消费特征向量a的目前消费金额序列,为有效消费特征向量a的购物典型程度,为有效消费特征向量a的购物活跃差异度,为有效消费特征向量b的目前消费金额序列,为有效消费特征向量b的购物典型程度,为有效消费特征向量b的购物活跃差异度;为余弦相似度函数。
由OPTICS算法结果对每个聚类簇设置标签,其中标签有-1和不小于0的整数标签,而-1表示过于离群的孤立有效消费特征向量。
将所有消费者在目标日的目前消费金额序列作为历史消费金额序列,利用步骤S001和S002的方法获取每个消费者的新消费特征向量,进而基于新消费特征向量分析当前消费者与群体消费者之间的购物行为状态,也即是当前消费者所在聚类簇中其他消费者转移到其他聚类簇的概率分布,具体为:将当前消费者所在聚类簇中的其他消费者作为目标消费者,基于新消费特征向量获取消费者的下一次聚类结果,分别统计每个标签对应聚类簇所包含的目标消费者的第一数量,将所有标签对应的M个聚类簇的第一数量组成数量序列,对数量序列进行极差标准化得到当前消费者对应的有效消费特征向量的转移置信度描述子Z,转移置信度描述子的维度与聚类簇的数量相等,且一个维度是指一个聚类簇的转移置信度。
需要说明的是,对于标签为-1的聚类簇中的有效消费特征向量,其转移置信度描述子Z为0。
获取转移置信度描述子的目的是:通过分析当前消费者所在聚类簇中的其他消费者与当前消费者的购物行为差异,来确认当前消费者是否属于特殊购买行为,特殊购买行为也即是指该消费者的购买行为与群体消费者的常规购买行为不一样。
步骤S004,获取每个有效消费特征向量的转移置信度描述子,将有效消费特征向量中的历史消费金额序列、购物典型程度和购物活跃差异度作为FCN预测网络的输入、转移置信度描述子作为输出,对FCN预测网络进行训练,利用训练好的FCN预测网络得到实时消费者的转移置信度描述子的预测值,根据预测值对实时消费者进行推销方式的推荐。
具体的,利用步骤S003的方法获取每个有效消费特征向量的转移置信度描述子Z,利用每个消费者的有效消费特征向量T和对应的转移置信度描述子Z训练FCN预测网络,其训练过程为:将有效消费特征向量中的历史消费金额序列Y、购物典型程度P和购物活跃差异度Q作为FCN预测网络的输入、对应的转移置信度描述子Z作为FCN预测网络的输出;损失函数为均方差损失函数。
FCN预测网络为公知技术,本方案中不做过多赘述。
利用步骤S001和步骤S002的方法,基于实时消费者的实时购物小票获取实时消费者的实时消费特征向量,将实时消费特征向量中历史消费金额序列Y、购物典型程度P和购物活跃差异度Q输入训练好的FCN预测网络中,得到对应转移置信度描述子Z的预测值。
为了刺激消费者的采购意愿,基于预测值对实时消费者进行推销方式的推荐,其中推销方式为付款前的加购方式,其形式多样,不再赘述,本方案中以满减优惠和折扣优惠这两种推销方式为例,则推销方式的推荐方法为:
(1)寻找共性较大的占比,对其进行满减优惠推销。
具体的,FCN预测网络在对实时消费者的实时消费特征向量的转移关系进行预测后,也即是对应转移置信度描述子Z的预测值,选择预测值中top-m个转移置信度所对应的目标聚类簇,m小于M且为正整数,基于实时消费者的实时购物小票中任意一个品类的消费金额,在目标簇中获取同种品类的最相似消费金额,设置一个上浮比例,结合上浮比例和最相似消费金额为实时消费者设置满减优惠,以刺激消费者的加购意愿。
作为一个示例,一个顾客购买了一些物品,随机选取了一种品类作为目标品类,例如水产类,首先基于顾客在水产类的消费金额,在同一商超的历史购买小票中查找水产类的最相似消费金额,将最相似消费金额作为一种参照购买金额,至此,已经找到了和该顾客此次购买情况相似的历史购买记录,基于这个历史购买记录,也即是最相似消费金额,设置消费金额的上浮比例,例如109%,则将水产类的最相似消费金额乘以上浮比例得到该顾客在水产类的目标消费金额,进而将目标消费金额作为鼓励顾客进一步消费的达标消费金额。
若顾客愿意加购一些水产类的商品,使得该目标品类的总消费金额超过目标消费金额,则判定顾客可以获得满减优惠,具体的满减优惠内容由实施者确定。如果目标消费金额小于该顾客的实时消费金额,则直接进行满减优惠。
基于这种营销策略,可以合理地根据历史的购买最相似的情况为顾客找到最合适的参照对象,基于这个参照对象设定更为合理的达标金额,并持续激励顾客进行购买,能够主动奖励购买某品类较多的小票记录,作为后续其余顾客的参照数据,进行动态的购买激励,使得购买较多的情况始终能在合理的条件下获得较容易达成的满减优惠的激励,实现良性循环。
需要说明的是,若每个目标聚类簇中该品类的消费金额与实时消费者的实时购物小票中同种品类的消费金额之间的消费金额差异都没有出现低于设定差异阈值的情况,则认为该品类的采购单价或采购作用难以与该实时消费者的情况相匹配,进而转至下面的推销方式。
(2)寻找共性较小的占比,对其进行折扣优惠推销。
具体的,FCN预测网络在对实时消费者的实时消费特征向量的转移关系进行预测后,也即是对应转移置信度描述子Z的预测值,选择预测值中top-m个转移置信度所对应的目标聚类簇,m小于M且为正整数,在每个目标聚类簇中找到品类的消费金额都低于设定消费阈值的品类,以组成第一品类集合,将实时消费者的实时购物小票中不存在的品类构成第二品类集合,获取第二品类集合与第一品类集合的交集,将交集作为推销用的折扣优惠品类集合,针对折扣优惠品类集合中的品类设置折扣值,从而刺激消费者的加购意愿。
需要说明的是,折扣值根据实时消费者在商超的实际消费场景中进行自适应设置。
综上所述,本发明实施例提供了一种基于大数据分析的营销方法,该方法基于消费者的历史购物小票和当前购物小票获取商超中每个消费者的历史消费金额序列、目标消费金额序列和购物典型程度,进而结合商超的购物活跃差异度,组成每个消费者的消费特征向量;对消费特征向量进行筛选得到有效消费特征向量,获取每个有效消费特征向量对应消费者的转移置信度描述子,利用有效消费特征向量和对应的转移置信度描述子对FCN预测网络进行训练,基于转移置信度描述子的预测值进行推销方式的推荐。通过FCN预测网络以便精准为消费者进行自适应推销方式的推荐,提高商超的营销效果,增强消费者体验感。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据分析的营销方法,其特征在于,该方法包括以下步骤:
基于设定的品类数量统计每种品类的消费金额,得到当前消费者的当前购物小票所对应的目前消费金额序列和上一次购物小票所对应的历史消费金额序列;基于当前购物小票对应采样时刻下每个其他消费者的所述历史消费金额序列获取当前消费者的基准消费金额序列,结合所述基准消费金额序列和当前消费者的所述历史消费金额序列计算当前消费者的购物典型程度;
在所述采样时刻下统计商超的有效购物小票的历史数量和实时数量,以计算商超在所述采样时刻下的购物活跃差异度;结合当前消费者的目前消费金额序列、历史消费金额序列、所述购物典型程度和商超的所述购物活跃差异度构成当前消费者的消费特征向量;在所述采样时刻下获取商超内所有消费者的所述消费特征向量以得到有效消费特征向量;
利用任意两个有效消费特征向量之间的不相似程度对所有的消费者进行聚类,得到M个聚类簇,M为正整数,将当前消费者所在聚类簇中的其他消费者作为目标消费者,根据所有消费者的下一次聚类结果,分别统计每个聚类簇所包含的目标消费者的第一数量,将M个聚类簇的第一数量组成数量序列,对所述数量序列进行极差标准化得到当前消费者对应有效消费特征向量的转移置信度描述子;
获取每个有效消费特征向量的所述转移置信度描述子,将有效消费特征向量中的所述历史消费金额序列、所述购物典型程度和所述购物活跃差异度作为FCN预测网络的输入、所述转移置信度描述子作为输出,对所述FCN预测网络进行训练,利用训练好的所述FCN预测网络得到实时消费者的所述转移置信度描述子的预测值,根据预测值对实时消费者进行推销方式的推荐;
结合所述基准消费金额序列和当前消费者的所述历史消费金额序列计算当前消费者的购物典型程度的方法,包括:
分别计算当前消费者的所述历史消费金额序列与所述基准消费金额序列中任意一个所述历史消费金额序列之间的L2距离,计算所有L2距离的平均值,将所述平均值作为当前消费者的所述购物典型程度;
所述不相似程度的获取方法,包括:
利用Similarity函数分别计算任意两个所述有效消费特征向量中对应目前消费金额序列之间的第一相似值、对应购物典型程度之间的第二相似值、对应购物活跃差异度之间的第三相似值;
获取第一相似值、第二相似值和第三相似值之间的乘积,由乘积得到不相似程度,不相似程度与乘积之间呈负相关关系。
2.如权利要求1所述的一种基于大数据分析的营销方法,其特征在于,所述基准消费金额序列的获取方法,包括:
分别计算当前消费者与其他消费者对应所述历史消费金额序列之间的余弦距离,将所述余弦距离作为相似度,对得到的相似度进行从高到低的排序,选取最高相似度所对应其他消费者的所述历史消费金额序列和第K个相似度所对应其他消费者的所述历史消费金额序列作为当前消费者的所述基准消费金额序列,K为正整数。
3.如权利要求1所述的一种基于大数据分析的营销方法,其特征在于,所述购物活跃差异度的获取方法,包括:
将所述采样时刻之前其他历史采样时刻下的所述历史数量组成历史数量向量,选择所述历史数量向量中top-n个所述历史数量计算历史数量平均值,n为正整数,将所述历史数量平均值与实时数量的差值绝对值作为所述购物活跃差异度。
4.如权利要求1所述的一种基于大数据分析的营销方法,其特征在于,所述有效消费特征向量的获取方法,包括:
设置典型程度阈值,令所述购物典型程度小于或等于典型程度阈值的所述消费特征向量为所述有效消费特征向量。
5.如权利要求1所述的一种基于大数据分析的营销方法,其特征在于,所述根据预测值对实时消费者进行推销方式的推荐的方法,包括:
选择预测值中top-m个元素所对应的目标聚类簇,m小于M且为正整数,当实时消费者中目标品类的消费金额与每个目标聚类簇中同种品类的消费金额的消费金额差异存在低于差异阈值时,基于目标品类的消费金额,在目标聚类簇中获取同种品类的最相似消费金额,设置一个上浮比例,结合上浮比例和最相似消费金额为实时消费者设置满减优惠。
6.如权利要求1所述的一种基于大数据分析的营销方法,其特征在于,所述根据预测值对实时消费者进行推销方式的推荐的方法,包括:
选择预测值中top-m个元素所对应的目标聚类簇,m小于M且为正整数,在每个目标聚类簇中找到品类的消费金额都低于设定消费阈值的品类,以组成第一品类集合;
将实时消费者中不存在的品类构成第二品类集合,获取第二品类集合与第一品类集合的交集,将交集作为推销用的折扣优惠品类集合,对折扣优惠品类集合中的品类设置折扣值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002693.9A CN115099878B (zh) | 2022-08-22 | 2022-08-22 | 一种基于大数据分析的营销方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002693.9A CN115099878B (zh) | 2022-08-22 | 2022-08-22 | 一种基于大数据分析的营销方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099878A CN115099878A (zh) | 2022-09-23 |
CN115099878B true CN115099878B (zh) | 2022-11-15 |
Family
ID=83301433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211002693.9A Active CN115099878B (zh) | 2022-08-22 | 2022-08-22 | 一种基于大数据分析的营销方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099878B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829639B (zh) * | 2023-02-27 | 2023-04-28 | 企迈科技有限公司 | 基于saas云平台的门店会员管理系统 |
CN117150124A (zh) * | 2023-08-16 | 2023-12-01 | 湖北太昇科技有限公司 | 一种基于智慧家居的用户特征分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622424A (zh) * | 2017-11-03 | 2018-01-23 | 北京翰宁智能科技有限责任公司 | 一种自助优惠券生成装置 |
CN107862549A (zh) * | 2017-11-03 | 2018-03-30 | 北京翰宁智能科技有限责任公司 | 一种优惠券投放方法及系统 |
CN108256917A (zh) * | 2018-01-18 | 2018-07-06 | 口碑(上海)信息技术有限公司 | 优惠券核销量、成交总额、成本的预测方法 |
US10325285B1 (en) * | 2013-06-28 | 2019-06-18 | Groupon, Inc. | Predictive recommendation system |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050055272A1 (en) * | 2003-09-10 | 2005-03-10 | Sears Brands Llc | Method and system for providing benefits to retail consumers |
US20060242011A1 (en) * | 2005-04-21 | 2006-10-26 | International Business Machines Corporation | Method and system for automatic, customer-specific purchasing preferences and patterns of complementary products |
-
2022
- 2022-08-22 CN CN202211002693.9A patent/CN115099878B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10325285B1 (en) * | 2013-06-28 | 2019-06-18 | Groupon, Inc. | Predictive recommendation system |
CN107622424A (zh) * | 2017-11-03 | 2018-01-23 | 北京翰宁智能科技有限责任公司 | 一种自助优惠券生成装置 |
CN107862549A (zh) * | 2017-11-03 | 2018-03-30 | 北京翰宁智能科技有限责任公司 | 一种优惠券投放方法及系统 |
CN108256917A (zh) * | 2018-01-18 | 2018-07-06 | 口碑(上海)信息技术有限公司 | 优惠券核销量、成交总额、成本的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115099878A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115099878B (zh) | 一种基于大数据分析的营销方法 | |
Neslin et al. | Consumer promotions and the acceleration of product purchases | |
Kumar et al. | Customer relationship management: A databased approach | |
US10176494B2 (en) | System for individualized customer interaction | |
Albadvi et al. | A hybrid recommendation technique based on product category attributes | |
US8650065B2 (en) | Assumed demographics, predicted behavior, and targeted incentives | |
CA2470239C (en) | Targeted incentives based upon predicted behavior | |
US11734711B2 (en) | Systems and methods for intelligent promotion design with promotion scoring | |
TWI652639B (zh) | 產品優惠組合推薦系統與方法 | |
CN116894709A (zh) | 一种广告商品推荐方法和系统 | |
Zhao et al. | Loyal consumers or one-time deal hunters: Repeat buyer prediction for e-commerce | |
US11699167B2 (en) | Systems and methods for intelligent promotion design with promotion selection | |
WO2018213019A1 (en) | Systems and methods for intelligent promotion design with promotion selection | |
WO2002079901A2 (en) | Customer preference system | |
CN110428281B (zh) | 针对多种关联产品联合确定对等资源量的方法和装置 | |
Moon et al. | Enhanced collaborative filtering: A product life cycle approach | |
Neifer et al. | Recommender Systems in Food Retail: Modeling Repeat Purchase Decisions on Transaction Data of a Stationary Food Retailer. | |
Kalaivani et al. | Multi process prediction model for customer behaviour analysis | |
Gabel | One-to-One Marketing in Grocery Retailing | |
CN110827093A (zh) | 一种精准营销的方法及装置 | |
US11941659B2 (en) | Systems and methods for intelligent promotion design with promotion scoring | |
US20240193637A1 (en) | Systems and Methods for Intelligent Promotion Design with Promotion Scoring | |
Dahmiri et al. | Effect of Utilitarian Value and Hedonic Value on the Jambi Batik Purchase Decision | |
Wu et al. | A systematic literature review and bibliometric analysis based on member subscription services in retailing | |
Ajayi et al. | Made-to-Order: Targeted Marketing in Fast-Food Using Collaborative Filtering |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |