CN115222461A - 一种智能营销精准推荐方法 - Google Patents
一种智能营销精准推荐方法 Download PDFInfo
- Publication number
- CN115222461A CN115222461A CN202211134693.4A CN202211134693A CN115222461A CN 115222461 A CN115222461 A CN 115222461A CN 202211134693 A CN202211134693 A CN 202211134693A CN 115222461 A CN115222461 A CN 115222461A
- Authority
- CN
- China
- Prior art keywords
- audience
- groups
- different
- group
- weight
- 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.)
- Granted
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能营销精准推荐方法,属于商业数据处理技术领域,该方法步骤包括:根据产品类型选择推荐平台和不同受众群体;利用对不同受众群体在推荐平台上进行初次广告投放后不同受众群体中每个受众个体对本产品的反馈信息和同类型产品的反馈信息,生成不同受众群体的权值矩阵;计算出不同受众群体的权值矩阵的活跃度;从不同受众群体中选择多个受众群体进行排列组合得到多种受众群体组合,并计算出每种受众群体组合的精准投放度;选取多个排名靠前的精准投放度对应的受众群体组合进行分解,确定精准营销投放群体;本发明通过活跃度和精准度评价对广告投放的不同受众对象进行筛选来实现对特定产品的智能精准营销。
Description
技术领域
本发明属于商业数据处理技术领域,具体涉及一种智能营销精准推荐方法。
背景技术
在互联网飞速发展的今天,产品的营销结构从线下大面积转场进入互联网营销。相较于传统的营销策略,互联网大数据不但记载了受众群体的行为运动轨迹,还记录了消费者的生活方式,所以线上营销方式越来越受到商家的喜爱,商家越来越趋向于通过线上平台投放广告对产品进行营销。
目前通过广告进行线上营销的方式一般是根据待营销产品的类型选择推荐平台,之后推荐平台根据待营销产品的类型选取出与其同类型的产品,根据不同受众个体对同类型广告的关注度对潜在的受众群体进行多次广告投放,但是这种广告投放方式无法精准的确定待营销产品的受众群体,因为部分受众群体可能对同类型产品的关注度过大,而对本产品的关注度较小,如果对本产品关注度较小的受众群体进行多个广告投放,会造成大量的无效广告投放,从而导致产品未盈利前的前期投入的成本过大,效果不尽人意。因此,如何选取出对待营销产品感兴趣的受众群体,并对其进行精准推荐是需要解决的问题。
发明内容
本发明提供一种智能营销精准推荐方法,根据初次广告投放后不同受众群体的多个反馈信息构建权重矩阵确定不同受众群体的活跃度,并通过活跃度和精准度投放度对待营销产品的投放群体进行筛选来实现对待营销产品的智能精准营销。
本发明的一种智能营销精准推荐方法采用如下技术方案:该方法包括:
根据产品类型选择推荐平台和不同受众群体,其中,每个受众群体中包含多个不同的受众个体;
对不同受众群体在推荐平台上进行初次广告投放,收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息,其中,多个反馈信息包括广告浏览时长,广告点击率,广告浏览次数;
利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息,获取每个受众个体对本产品的每个反馈信息降维值;
利用不同受众群体中每个受众个体对本产品的每个反馈信息降维值,计算出不同受众群体中每个受众个体的信息权值;利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵;
利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度;
从不同受众群体中选择多个受众群体进行组合得到多种组合,利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种组合的精准投放度;
选取多个排名靠前的精准投放度对应的组合作为筛选后组合,对筛选后组合进行分解得到若干个筛选后受众群体,按照若干个筛选后受众群体出现次数确定精准营销投放群体。
进一步地,所述利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵的步骤包括:
利用对不同受众群体初次投放广告量的总数确定不同受众群体的单位矩阵;
在计算出不同受众群体中每个受众个体的信息权值后,获取不同受众群体的权值序列;
对不同受众群体的权值序列进行补零处理得到不同受众群体的处理后权值序列,并将不同受众群体的处理后权值序列生成与单位矩阵同样大小的信息矩阵;
利用每个受众群体的信息矩阵对该受众群体的单位矩阵进行赋权,得到不同受众群体的权值矩阵。
进一步地,所述利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度,包括:
计算出不同受众群体的权值矩阵中的非零元素的平均值;
利用不同受众群体的权值矩阵中的每个非零元素与平均值的差异,计算出不同受众群体的权值矩阵的活跃度。
进一步地,所述利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度的计算公式为:
其中,表示第个受众群体的权值矩阵中第个非零元素;表示第个受众群体的权值矩阵中非零元素的总数;表示对第个受众群体初次投放广告量的受众个体总数;表示第个受众群体的权值矩阵中元素总数;表示所有受众群体的权值矩阵中非零元素的平均值;表示第个受众群体的权值矩阵的活跃度。
进一步地,所述利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种组合的精准投放度的步骤包括:
计算出所有受众群体对应的权值矩阵的活跃度均值;
计算出每种组合中包含的每个受众群体对应的权值矩阵的活跃度与活跃度均值的差值;
利用每种组合对应的差值平方的和值和该种组合包含的受众群体的个数,计算出每种组合的精准投放度。
进一步地,所述每种组合的精准投放度的计算公式为:
其中,表示第个受众群体的权值矩阵的活跃度;表示所有受众群体对应的权值矩阵的活跃度均值;表示第种组合中包含的第个受众群体对应的权值矩阵的活跃度;表示第种组合中包含的受众群体的个数;表示第种组合的精准投放度。
进一步地,所述选取多个排名靠前的精准投放度对应的组合作为筛选后组合的步骤包括:
对每种组合的精准投放度进行降序排序,得到降序排序后的精准投放度序列;
选取精准投放度序列中多个排名靠前的精准投放度对应的组合作为筛选后组合。
进一步地,所述利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息,获取每个受众个体对本产品的每个反馈信息降维值的步骤包括:
利用收集的初次广告投放后每个受众个体对本产品的广告浏览时长和同类型产品的广告浏览时长,计算出每个受众个体对本产品的广告浏览时长降维值;
利用收集的初次广告投放后每个受众个体对本产品的广告点击率和同类型产品的广告点击率,计算出每个受众个体对本产品的广告点击率降维值;
利用收集的初次广告投放后每个受众个体对本产品的广告浏览次数和同类型产品的广告浏览次数,计算出每个受众个体对本产品的广告浏览次数降维值。
进一步地,所述按照若干个筛选后受众群体出现次数确定精准营销投放群体的步骤包括:
将若干个筛选后受众群体分配到不同预设标签组内;
在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序,得到每个预设标签组的筛选后受众群体序列;
将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合,并将该组合作为精准营销投放群体。
本发明的有益效果是:
本发明提供一种智能营销精准推荐方法,首先对不同受众群体在推荐平台上进行初次广告投放,利用收集到的初次广告投放后不同受众群体中每个受众个体对本产品和同类型产品的反馈信息构建出不同受众群体的权值矩阵,利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度,在初次广告投放后计算出不同受众群体的活跃度,能初步确定不同受众群体对本产品的关注度。
由于每个受众群体就是一个标签,而每个受众个体会对应不同的标签,所以仅仅通过不同受众群体的活跃度对受众群体进行筛选是不精确的,因此,本发明在计算出不同受众群体的活跃度后并没有直接筛选,而是对不同受众群体进行组合,利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种组合的精准投放度,之后选取多个排名靠前的精准投放度对应的组合作为筛选后组合,同时由于筛选后组合中包含的受众群体较多,为了确定更精准的营销投放群体,对筛选后组合进行分解得到若干个筛选后受众群体,按照若干个筛选后受众群体出现次数确定出精准营销投放群体。
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为本发明的一种智能营销精准推荐方法的实施例总体步骤的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种智能营销精准推荐方法的实施例,如图1所示,该方法包括:
S1、根据产品类型选择推荐平台和不同受众群体,其中,每个受众群体中包含多个不同的受众个体。
目前随着互联网飞速发展,产品的营销结构从线下大面积转场进入互联网营销。而在互联网营销时代一般需要为营销的产品选择不同的受众群体,而每个受众群体就是一个标签,而每个受众群体中包含的多个不同受众个体就是满足这一标签的人。
本发明中推荐平台一般选择目前主流的推荐平台,同时在初期产品生产时做市场调研就会根据产品类型确定出多个不同的受众群体。
例如:若受众群体为“20~30岁之间的青年女性”,那么小张女性今年25岁,通过实名认证后推荐平台就能判断小张满足“20~30岁之间的青年女性”的标签,小张就为“20~30岁之间的青年女性”这一受众群体中包含的受众个体。
若受众群体为“学生”,那么小王男性今年18岁大一在读,通过实名认证后推荐平台就能判断小王满足“学生”的标签,小王就为“学生”这一受众群体中包含的受众个体。
S2、对不同受众群体在推荐平台上进行初次广告投放,收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息,其中,多个反馈信息包括广告浏览时长,广告点击率,广告浏览次数。
本发明中通过S1步骤已经根据产品类型确定出多个不同的受众群体,对选择的不同受众群体在推荐平台上进行初次广告投放,其中受众群体具体为:
从每个受众群体中选择一定数量的受众个体,对选择的不同受众群体在推荐平台上进行初次广告投放。在初次广告投放后,收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息。其中,多个反馈信息包括广告浏览时长,广告点击率,广告浏览次数。
下面以第个受众群体中的受众个体为例,获取受众个体对本产品的广告浏览时长、受众个体对本产品的广告点击率、受众个体对本产品的广告浏览次数。同时获取受众个体对同类型产品的广告浏览时长、受众个体对同类型产品的广告点击率、受众个体对同类型产品的广告浏览次数。
S3、利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息,获取每个受众个体对本产品的每个反馈信息降维值。
其中,利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息,获取每个受众个体对本产品的每个反馈信息降维值的步骤包括:利用收集的初次广告投放后每个受众个体对本产品的广告浏览时长和同类型产品的广告浏览时长,计算出每个受众个体对本产品的广告浏览时长降维值;利用收集的初次广告投放后每个受众个体对本产品的广告点击率和同类型产品的广告点击率,计算出每个受众个体对本产品的广告点击率降维值;利用收集的初次广告投放后每个受众个体对本产品的广告浏览次数和同类型产品的广告浏览次数,计算出每个受众个体对本产品的广告浏览次数降维值。
以为例说明公式的计算逻辑,在受众个体对于产品广告浏览时长的基础上,以同类产品的广告浏览时长影响计算,影响计算指该属性下的产品与同类产品的数据信息的差异值的平方,平方的作用是放大影响程度,因为平方放大的过程可能会出现差异值为零点几的情况,平方运算不能放大影响,所以对差异值加一处理,而后与产品的浏览时长进行相加,相加的意义为对于产品广告浏览时长的基础上附加同类产品的影响值,而后与产品的广告浏览时长的比值计算附加同类产品广告浏览值影响值后的产品浏览时长作为广告浏览时长降维值。
S4、利用不同受众群体中每个受众个体对本产品的每个反馈信息降维值,计算出不同受众群体中每个受众个体的信息权值;利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵。
其中,表示广告浏览时长降维值;表示广告点击率降维值;表示广告浏览次数降维值;表示第个受众群体中广告浏览时长降维值最大值;表示第个受众群体中广告点击率降维值最大值;表示第个受众群体中受众个体的信息权值。
以为例说明公式的计算逻辑,通过进一步的对受众个体的反馈信息中的广告点击率和浏览时长进行放大以达到个体对于产品兴趣的区分,而后利用广告浏览次数降维值求取平均综合值作为权值矩阵的权值,权值可用来反映受众个体对于本广告的感兴趣程度;在受众个体的广告点击率降维值和广告浏览时长降维值浏览时长的基础上,对其进行叠加作为整体降维融合值,并且进行放大,放大方式为取广告点击率降维值和广告浏览时长降维值的最大值的平方最为权值对叠加后的整体降维值进行加权,而后对放大后的整体降维融合值与受众个体的广告浏览次数进行做商作为受众个体每次浏览广告的兴趣程度,以此作为权值矩阵的权值。
其中,利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵的步骤包括:利用对不同受众群体初次投放广告量的总数确定不同受众群体的单位矩阵;在计算出不同受众群体中每个受众个体的信息权值后,获取不同受众群体的权值序列;对不同受众群体的权值序列进行补零处理得到不同受众群体的处理后权值序列,并将不同受众群体的处理后权值序列生成与单位矩阵同样大小的信息矩阵;利用每个受众群体的信息矩阵对该受众群体的单位矩阵进行赋权,得到不同受众群体的权值矩阵。
接着对第个受众群体的权值序列进行处理,使其序列中的元素总数与单位矩阵中元素总数相等,所述处理方式为对进行补零处理,具体为对中最后一个元素之后进行补零,补零的个数为,获得处理后的序列,而后对处理后的序列生成第个受众群体的信息矩阵。
S5、利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度。
其中,利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度,包括:计算出不同受众群体的权值矩阵中的非零元素的平均值;利用不同受众群体的权值矩阵中的每个非零元素与平均值的差异,计算出不同受众群体的权值矩阵的活跃度。
利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度的计算公式为:
其中,表示第个受众群体的权值矩阵中第个非零元素;表示第个受众群体的权值矩阵中非零元素的总数;表示对第个受众群体初次投放广告量的受众个体总数;表示第个受众群体的权值矩阵中元素总数;表示所有受众群体的权值矩阵中非零元素的平均值;表示第个受众群体的权值矩阵的活跃度。不同受众群体的权值矩阵的活跃度的计算公式中表示双曲正切运算。
以为例说明公式的计算逻辑,对第个受众群体的权值矩阵中每个非零权值和所有受众群体的权值矩阵中非零元素的平均值的差异,通过双曲正切函数对差异值进行增强和抑制,高于平均值的进行增强,低于平均值进行抑制,最后通过对增强和抑制后的差异值求和与权值矩阵中的元素总个数做商求取平均值来表示权值矩阵的活跃值。当个受众群体的权值矩阵中零元素越少,每个非零元素越大,则值越大,则说明首次对第个群体投放广告时的反馈信息越多,且群体中每个受众个体对产品越感兴趣。
S6、从不同受众群体中选择多个受众群体进行组合得到多种组合,利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种组合的精准投放度。
从A个受众群体中随机选择3个受众群体进行排列组合,那么就会得到种受众群体组合,共有种组合方式,。所述组合方式为对权值矩阵的活跃度进行随机组合,利用不同受众群体的活跃度进行受众群体组合,而后通过受众群体组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种受众群体组合的精准投放度。
其中,利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种组合的精准投放度的步骤包括:计算出所有受众群体对应的权值矩阵的活跃度均值;计算出每种组合中包含的每个受众群体对应的权值矩阵的活跃度与活跃度均值的差值;利用每种组合对应的差值平方的和值和该种组合包含的受众群体的个数,计算出每种组合的精准投放度。
每种组合的精准投放度的计算公式为:
其中,表示第个受众群体的权值矩阵的活跃度;表示所有受众群体对应的权值矩阵的活跃度均值;表示第种组合中包含的第个受众群体对应的权值矩阵的活跃度;表示第种组合中包含的受众群体的个数;表示第种组合的精准投放度。利用不同组合中每个活跃度和所有活跃度的平均值进行差异计算,而后通过对每种组合下的差异值进行求和并与该组合中所有活跃度的个数进行平均值计算以达到近似方差的一种效果。计算过程中,当某个组合的活跃度最大时,其精准投放度也达到最大,证明该组合的中的不同受众群体对产品的需求或感兴趣程度最大。
S7、选取多个排名靠前的精准投放度对应的组合作为筛选后组合,对筛选后组合进行分解得到若干个筛选后受众群体,按照若干个筛选后受众群体出现次数确定精准营销投放群体。
其中,选取多个排名靠前的精准投放度对应的组合作为筛选后组合的步骤包括:对每种组合的精准投放度进行降序排序,得到降序排序后的精准投放度序列;选取精准投放度序列中多个排名靠前的精准投放度对应的组合作为筛选后组合。
在获得了全部受众群体组合的精准评价度后,根据精准投放度对受众群体进行筛选,筛选规则具体如下:
其中,按照若干个筛选后受众群体出现次数确定精准营销投放群体的步骤包括:将若干个筛选后受众群体分配到不同预设标签组内;在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序,得到每个预设标签组的筛选后受众群体序列;将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合,并将该组合作为精准营销投放群体。
一个例子为:,在分解后获得18个受众群体分别为:“学生”“18-25岁”“白领”,“学生”“女人”“18-25岁”,“学生”“女人”“白领”,“厨师”“女人”“学生”,“学生”“教师”“白领”,“30-40岁”“男人”“医生”,总共分解成18个受众群体,这18个受众群体中包含重复的受众群体。
而每一个标签对应着不同的类别属性,例如:“性别属性标签组”中就包含“女人”“男人”,“年龄属性标签组”中就包含“18-25岁”“30-40岁”,“职业属性标签组”中就包含“学生”“白领”“厨师”“教师”“医生”,而一个受众个体可能对应多种标签,所以标签越多由多个标签组合后确定的投放人群就越精确。
在得到18个受众群体后将其分配到不同预设标签组内,并且在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序,得到每个预设标签组的筛选后受众群体序列如下所示:
性别属性标签组:[女人,男人]
年龄属性标签组:[18-25岁,30-40岁]
职业属性标签组:[学生,白领,教师,医生,厨师]
“女人”标签出现3次,而“男人”标签只出现一次,将“女人”标签排序到“男人”标签前面,同理将每个预设标签组的筛选后受众群体排序。将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合,其中“女人”标签位于“性别属性标签组”中第一位,“18-25岁”标签位于“年龄属性标签组”中第一位,“学生”标签位于“职业属性标签组”中第一位,将[女人,18-25岁,学生]进行组合,并将该组合[女人,18-25岁,学生]作为精准营销投放群体,即只要同时满足这三个标签的受众个体才是我们最终确定的精准营销投放群体。
综上所述,本发明提供一种智能营销精准推荐方法,提供一种针对待营销产品的营销精准推荐方法,利用权重矩阵对不同受众对象首次投放的广告反馈信息进行量化,并通过活跃度和精准度评价对广告投放的不同受众对象进行筛选来实现对待营销产品的智能精准营销。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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 (9)
1.一种智能营销精准推荐方法,其特征在于,该方法包括:
根据产品类型选择推荐平台和不同受众群体,其中,每个受众群体中包含多个不同的受众个体;
对不同受众群体在推荐平台上进行初次广告投放,收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息,其中,多个反馈信息包括广告浏览时长,广告点击率,广告浏览次数;
利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息,获取每个受众个体对本产品的每个反馈信息降维值;
利用不同受众群体中每个受众个体对本产品的每个反馈信息降维值,计算出不同受众群体中每个受众个体的信息权值;利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵;
利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度;
从不同受众群体中选择多个受众群体进行组合得到多种组合,利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种组合的精准投放度;
选取多个排名靠前的精准投放度对应的组合作为筛选后组合,对筛选后组合进行分解得到若干个筛选后受众群体,按照若干个筛选后受众群体出现次数确定精准营销投放群体。
2.根据权利要求1所述的一种智能营销精准推荐方法,其特征在于,所述利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵的步骤包括:
利用对不同受众群体初次投放广告量的总数确定不同受众群体的单位矩阵;
在计算出不同受众群体中每个受众个体的信息权值后,获取不同受众群体的权值序列;
对不同受众群体的权值序列进行补零处理得到不同受众群体的处理后权值序列,并将不同受众群体的处理后权值序列生成与单位矩阵同样大小的信息矩阵;
利用每个受众群体的信息矩阵对该受众群体的单位矩阵进行赋权,得到不同受众群体的权值矩阵。
3.根据权利要求1所述的一种智能营销精准推荐方法,其特征在于,所述利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度,包括:
计算出不同受众群体的权值矩阵中的非零元素的平均值;
利用不同受众群体的权值矩阵中的每个非零元素与平均值的差异,计算出不同受众群体的权值矩阵的活跃度。
5.根据权利要求1所述的一种智能营销精准推荐方法,其特征在于,所述利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度,计算出每种组合的精准投放度的步骤包括:
计算出所有受众群体对应的权值矩阵的活跃度均值;
计算出每种组合中包含的每个受众群体对应的权值矩阵的活跃度与活跃度均值的差值;
利用每种组合对应的差值平方的和值和该种组合包含的受众群体的个数,计算出每种组合的精准投放度。
7.根据权利要求1所述的一种智能营销精准推荐方法,其特征在于,所述选取多个排名靠前的精准投放度对应的组合作为筛选后组合的步骤包括:
对每种组合的精准投放度进行降序排序,得到降序排序后的精准投放度序列;
选取精准投放度序列中多个排名靠前的精准投放度对应的组合作为筛选后组合。
8.根据权利要求1所述的一种智能营销精准推荐方法,其特征在于,所述利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息,获取每个受众个体对本产品的每个反馈信息降维值的步骤包括:
利用收集的初次广告投放后每个受众个体对本产品的广告浏览时长和同类型产品的广告浏览时长,计算出每个受众个体对本产品的广告浏览时长降维值;
利用收集的初次广告投放后每个受众个体对本产品的广告点击率和同类型产品的广告点击率,计算出每个受众个体对本产品的广告点击率降维值;
利用收集的初次广告投放后每个受众个体对本产品的广告浏览次数和同类型产品的广告浏览次数,计算出每个受众个体对本产品的广告浏览次数降维值。
9.根据权利要求1所述的一种智能营销精准推荐方法,其特征在于,所述按照若干个筛选后受众群体出现次数确定精准营销投放群体的步骤包括:
将若干个筛选后受众群体分配到不同预设标签组内;
在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序,得到每个预设标签组的筛选后受众群体序列;
将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合,并将该组合作为精准营销投放群体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134693.4A CN115222461B (zh) | 2022-09-19 | 2022-09-19 | 一种智能营销精准推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134693.4A CN115222461B (zh) | 2022-09-19 | 2022-09-19 | 一种智能营销精准推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222461A true CN115222461A (zh) | 2022-10-21 |
CN115222461B CN115222461B (zh) | 2023-01-10 |
Family
ID=83616933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211134693.4A Active CN115222461B (zh) | 2022-09-19 | 2022-09-19 | 一种智能营销精准推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222461B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664196A (zh) * | 2023-05-29 | 2023-08-29 | 济宁政和信息技术有限公司 | 基于互联网的数据处理系统 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080065741A1 (en) * | 2006-09-13 | 2008-03-13 | Stratton John G | System and method for distributing and providing recommendations related to playable content |
JP2009088777A (ja) * | 2007-09-28 | 2009-04-23 | Dentsu Inc | 広告選択最適化処理装置及びその処理方法 |
US20110047028A1 (en) * | 2009-08-19 | 2011-02-24 | Company 100, Inc. | Target advertisement system and method in mobile communication terminal |
WO2013148291A1 (en) * | 2012-03-26 | 2013-10-03 | Dennoo Inc. | Systems and methods for implementing an advertisement platform with novel cost models |
US20140129350A1 (en) * | 2012-11-02 | 2014-05-08 | Yahoo Japan Corporation | Advertisement distribution apparatus and advertisement distribution method |
US20170034591A1 (en) * | 2015-07-24 | 2017-02-02 | Videoamp, Inc. | Targeting tv advertising slots based on consumer online behavior |
CN109615429A (zh) * | 2018-12-11 | 2019-04-12 | 大象慧云信息技术有限公司 | 一种基于发票数据的精准广告投放系统及方法 |
CN109816410A (zh) * | 2017-11-21 | 2019-05-28 | 北京奇虎科技有限公司 | 广告主产品受众群体的分析方法及装置 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN110798718A (zh) * | 2019-09-02 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法以及装置 |
CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
CN111028006A (zh) * | 2019-12-02 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、业务投放方法及相关装置 |
CN111601165A (zh) * | 2020-05-21 | 2020-08-28 | 广州欢网科技有限责任公司 | 基于时段节目受众群体的广告推荐方法、装置及控制器 |
CN111832296A (zh) * | 2020-07-17 | 2020-10-27 | 霍祥明 | 一种基于大数据的多媒体广告智能投放管理系统 |
CN111951054A (zh) * | 2020-08-14 | 2020-11-17 | 广元量知汇科技有限公司 | 一种智能广告营销投放方法 |
CN112765482A (zh) * | 2020-12-23 | 2021-05-07 | 微民保险代理有限公司 | 产品投放方法、装置、设备及计算机可读介质 |
CN113821574A (zh) * | 2021-08-31 | 2021-12-21 | 北京达佳互联信息技术有限公司 | 用户行为分类方法和装置及存储介质 |
US20220180395A1 (en) * | 2020-12-04 | 2022-06-09 | Shopify Inc. | Methods and systems for serving advertisements |
CN114896517A (zh) * | 2022-05-26 | 2022-08-12 | 西安建筑科技大学 | 一种商品推荐方法、系统、设备及存储介质 |
CN114926199A (zh) * | 2022-05-05 | 2022-08-19 | 上海天擎天拓软件技术有限公司 | 一种互联网营销受众精准分析方法和系统 |
CN115034826A (zh) * | 2022-06-23 | 2022-09-09 | 北京奇艺世纪科技有限公司 | 一种广告投放方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-09-19 CN CN202211134693.4A patent/CN115222461B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080065741A1 (en) * | 2006-09-13 | 2008-03-13 | Stratton John G | System and method for distributing and providing recommendations related to playable content |
JP2009088777A (ja) * | 2007-09-28 | 2009-04-23 | Dentsu Inc | 広告選択最適化処理装置及びその処理方法 |
US20110047028A1 (en) * | 2009-08-19 | 2011-02-24 | Company 100, Inc. | Target advertisement system and method in mobile communication terminal |
WO2013148291A1 (en) * | 2012-03-26 | 2013-10-03 | Dennoo Inc. | Systems and methods for implementing an advertisement platform with novel cost models |
US20140129350A1 (en) * | 2012-11-02 | 2014-05-08 | Yahoo Japan Corporation | Advertisement distribution apparatus and advertisement distribution method |
US20170034591A1 (en) * | 2015-07-24 | 2017-02-02 | Videoamp, Inc. | Targeting tv advertising slots based on consumer online behavior |
CN109816410A (zh) * | 2017-11-21 | 2019-05-28 | 北京奇虎科技有限公司 | 广告主产品受众群体的分析方法及装置 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN109615429A (zh) * | 2018-12-11 | 2019-04-12 | 大象慧云信息技术有限公司 | 一种基于发票数据的精准广告投放系统及方法 |
CN110798718A (zh) * | 2019-09-02 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法以及装置 |
CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
CN111028006A (zh) * | 2019-12-02 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、业务投放方法及相关装置 |
CN111601165A (zh) * | 2020-05-21 | 2020-08-28 | 广州欢网科技有限责任公司 | 基于时段节目受众群体的广告推荐方法、装置及控制器 |
CN111832296A (zh) * | 2020-07-17 | 2020-10-27 | 霍祥明 | 一种基于大数据的多媒体广告智能投放管理系统 |
CN111951054A (zh) * | 2020-08-14 | 2020-11-17 | 广元量知汇科技有限公司 | 一种智能广告营销投放方法 |
US20220180395A1 (en) * | 2020-12-04 | 2022-06-09 | Shopify Inc. | Methods and systems for serving advertisements |
CN112765482A (zh) * | 2020-12-23 | 2021-05-07 | 微民保险代理有限公司 | 产品投放方法、装置、设备及计算机可读介质 |
CN113821574A (zh) * | 2021-08-31 | 2021-12-21 | 北京达佳互联信息技术有限公司 | 用户行为分类方法和装置及存储介质 |
CN114926199A (zh) * | 2022-05-05 | 2022-08-19 | 上海天擎天拓软件技术有限公司 | 一种互联网营销受众精准分析方法和系统 |
CN114896517A (zh) * | 2022-05-26 | 2022-08-12 | 西安建筑科技大学 | 一种商品推荐方法、系统、设备及存储介质 |
CN115034826A (zh) * | 2022-06-23 | 2022-09-09 | 北京奇艺世纪科技有限公司 | 一种广告投放方法、装置、电子设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664196A (zh) * | 2023-05-29 | 2023-08-29 | 济宁政和信息技术有限公司 | 基于互联网的数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115222461B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gräve | Exploring the perception of influencers vs. traditional celebrities: are social media stars a new type of endorser? | |
Gormley et al. | Analysis of Irish third-level college applications data | |
Lacey et al. | How fit connects service brand sponsors with consumers' passions for sponsored events | |
CN106503438A (zh) | 一种用于药店会员分析的h‑rfm用户建模方法及系统 | |
Brooks et al. | US consumers attitudes toward farm animal cloning | |
CN106776873A (zh) | 一种推荐结果生成方法以及装置 | |
TWM605342U (zh) | 智能金融商品推薦系統 | |
Wang et al. | The power of social learning: How do observational and word-of-mouth learning influence online consumer decision processes? | |
CN115222461B (zh) | 一种智能营销精准推荐方法 | |
JP2019215778A (ja) | サービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備 | |
US10803481B2 (en) | Automated generation of personalized mail | |
Shareef et al. | Consumer online purchase behaviour: Perception versus expectation | |
Wu et al. | Effects of product scarcity: The mediating role of consumer need for uniqueness and conformity | |
CN108510353A (zh) | 一种智能化程度高的电子商务系统 | |
King et al. | Factors influencing the weaving and use of kente cloth: the case of Bonwire, Ghana | |
CN112651237A (zh) | 一种基于用户情绪立场的用户画像建立方法及装置、用户画像的可视化方法 | |
Gupta et al. | An Empirical Investigation on Source Credibility of Social Media Influencer in Tier-Ii Cities of Central India–A Sociological View | |
TWI787127B (zh) | 行銷對象決策方法及系統與電腦程式產品 | |
Ginting | A computational bibliometric analysis of game advertising using vosviewer | |
Shetu | Factors influencing on consumers’ fast-food consumption preferences: An empirical study on Facebook users in Dhaka city, Bangladesh | |
Monroe | A method for determining product line prices with end-price constraints | |
Utami et al. | THE INFLUENCE OF FASHION INVOLVEMENT, POSITIVE EMOTIONS AND AFFILIATE MARKETING ON IMPULSE BUYING GENERATION Z | |
Luo | The Impact of Customer Experience on Online Game Purchase Intention | |
Peterson et al. | The depiction of female models in sport television commercials in the United States by degree of slenderness: An appraisal | |
Hasan et al. | Photography’s Role On A Fashion Brand’s Marketing On An Online Platform. |
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 |