CN115471302B - 基于大数据分析的电子营销数据处理方法 - Google Patents
基于大数据分析的电子营销数据处理方法 Download PDFInfo
- Publication number
- CN115471302B CN115471302B CN202211417283.0A CN202211417283A CN115471302B CN 115471302 B CN115471302 B CN 115471302B CN 202211417283 A CN202211417283 A CN 202211417283A CN 115471302 B CN115471302 B CN 115471302B
- Authority
- CN
- China
- Prior art keywords
- category
- commodities
- purchase quantity
- correlation
- order
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据技术领域,具体涉及一种基于大数据分析的电子营销数据处理方法。该方法包括:获取电子营销数据中的历史订单,基于历史订单,获取任意两个类别的商品被同时购买的购买概率和实际购买频率,任意两个类别的商品包括第一类别商品和第二类别商品;获取第一类别商品和第二类别商品之间的相关度、第一类别商品和第二类别商品之间的非相关度和第一类别商品和第二类别商品被同时购买的趋势度;基于购买概率、实际购买频率、相关度、非相关度和趋势度,获取第一类别商品和第二类别商品之间的目标相关度;基于目标相关度,将第一类别商品和第二类别商品进行关联。本申请提高了商品相关性评估的准确性,并提高了评估效率,节省了评估成本。
Description
技术领域
本申请涉及大数据技术领域,具体涉及一种基于大数据分析的电子营销数据处理方法。
背景技术
在电商平台上有些不同类别的商品经常被同一个用户同时购买,可以认为这些被同一个用户同时购买的商品之间具有一定的相关性。在电子营销行业中,往往需要对商品的电子营销大数据进行分析处理,来确定这些商品之间的相关性,从而实现商品的选择性推送,以达到更好的营销目的。
现有技术中,通过聚类算法评估不同类别的商品之间的相关性,由于该现有技术仅考虑了商品被同时购买的次数,考虑的因素较为单一,存在准确性较低的缺陷,且由于聚类过程的计算量较大,导致效率较低,成本较高。
发明内容
为了解决上述技术问题,本申请的目的在于提供一种基于大数据分析的电子营销数据处理方法,所采用的技术方案具体如下:
本申请提出了一种基于大数据分析的电子营销数据处理方法,所述方法包括:
获取电子营销数据中的历史订单,基于所述历史订单,获取任意两个类别的商品被同时购买的购买概率和实际购买频率,所述任意两个类别的商品包括第一类别商品和第二类别商品;
从所述历史订单中,确定所述第一类别商品和所述第二类别商品被同时购买的第一订单、所述第一类别商品被单独购买的第二订单和所述第二类别商品被单独购买的第三订单;
基于所述第一订单、所述第二订单和所述第三订单,获取所述第一类别商品和所述第二类别商品之间的相关度以及所述第一类别商品和所述第二类别商品之间的非相关度;
获取每个所述第一订单上所述第一类别商品的第一购买数量和所述第二类别商品的第二购买数量,并基于所述第一购买数量和所述第二购买数量,获取所述第一类别商品和所述第二类别商品被同时购买的趋势度;
基于所述购买概率、所述实际购买频率、所述相关度、所述非相关度和所述趋势度,获取所述第一类别商品和所述第二类别商品之间的目标相关度;
基于所述目标相关度,将所述第一类别商品和所述第二类别商品进行关联。
在一些实施例中,所述相关度的获取过程,包括:
获取所述第一类别商品在全部所述第一订单中的第一平均购买数量,以及所述第二类别商品在全部所述第一订单中的第二平均购买数量;
基于所述第一购买数量、所述第二购买数量、所述第一平均购买数量和所述第二平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述相关度。
在一些实施例中,所述基于所述第一购买数量、所述第二购买数量、所述第一平均购买数量和所述第二平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述相关度,包括:
根据相关度公式获取所述相关度,其中,所述相关度公式包括:
其中,为第一类别商品和第二类别商品之间的相关度,为第一订单的数量,表示第一订单,为第个第一订单中第一类别商品的第一购买数量,为第一类别商品在全部第一订单中的第一平均购买数量,为第个第一订单中第二类别商品的第二购买数量,为第二类别商品在全部第一订单中的第二平均购买数量,为正整数。
在一些实施例中,所述非相关度的获取过程,包括:
获取所述第二订单中所述第一类别商品的第三购买数量、所述第一类别商品在全部所述第二订单中的第三平均购买数量、所述第三订单中所述第二类别商品的第四购买数量和所述第二类别商品在全部所述第三订单中的第四平均购买数量;
基于所述第三购买数量、所述第三平均购买数量、所述第四购买数量和所述第四平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述非相关度。
在一些实施例中,所述基于所述第三购买数量、所述第三平均购买数量、所述第四购买数量和所述第四平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述非相关度,包括:
根据非相关度公式获取所述非相关度,其中,所述非相关度公式包括:
其中,为第一类别商品与第二类别商品之间的非相关度,表示第二订单,为第二订单的数量,为第个第二订单中第一类别商品的第三购买数量,为第一类别商品在全部第二订单中的第三平均购买数量,表示第三订单,为第三订单的数量,为第个第三订单中第二类别商品的第四购买数量,为第二类别商品在全部第三订单中的第四平均购买数量,和均为正整数。
在一些实施例中,所述趋势度的获取过程,包括:
基于所述第一购买数量和所述第二购买数量,获取所述第一订单上所述第一类别商品与所述第二类别商品之间的商品购买数量比例;
基于所述商品购买数量比例,获取所述第一订单的下一个相邻第一订单的商品购买数量与所述第一订单的商品购买数量之间的比值,作为所述第一类别商品和所述第二类别商品被同时购买的趋势比;
基于所述趋势比,获取所述第一类别商品和所述第二类别商品被同时购买的所述趋势度。
在一些实施例中,所述方法还包括:
根据趋势度公式获取所述趋势度,其中,所述趋势度公式包括:
其中,为第一类别商品和第二类别商品被同时购买的趋势度,为第个第一订单中第一类别商品的第一购买数量,为第个第一订单中第二类别商品的第二购买数量,为第个第一订单中第一类别商品的第一购买数量,为第个第一订单中第二类别商品的第二购买数量,为以自常数为底的指数函数,为正整数。
在一些实施例中,所述基于所述购买概率、所述实际购买频率、所述相关度、所述非相关度和所述趋势度,获取所述第一类别商品和所述第二类别商品之间的目标相关度,包括:
根据目标相关度公式获取所述目标相关度,其中,所述目标相关度包括:
本申请具有如下有益效果:
本申请实施例中,由于是通过任意两个类别的商品被同时购买的购买概率、实际购买频率、趋势度以及该任意两个类别的商品之间的相关度和非相关度,获取该任意两个类别的商品之间的相关度,考虑了任意两个类别的商品被同时购买的相关性、不被同时购买的非相关性和被同时购买的趋势性,通过对这些因素的考虑,不同的角度对商品订单进行定性定量的分析,提高了相关度的准确性,并且,相比于现有技术,并不需要提取商品营销数据中的特征及基于特征构建特征模型,因此计算量较小,提高了评估效率,节省了评估成本。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请一个实施例所提供的一种基于大数据分析的电子营销数据处理方法的流程示意图。
具体实施方式
为了更进一步阐述本申请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,对依据本申请提出的一种基于大数据分析的电子营销数据处理方法,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申请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申请所提供的一种基于大数据分析的电子营销数据处理方法的具体方案。
图1为本申请实施例所提供的一种基于大数据分析的电子营销数据处理方法的流程示意图。如图1所示,该方法包括以下步骤:
S101,获取电子营销数据中的历史订单,基于历史订单,获取任意两个类别的商品被同时购买的购买概率和实际购买频率,任意两个类别的商品包括第一类别商品和第二类别商品。
其中,电子营销数据为电商平台上各类商品的营销数据,通常电子营销数据的数据量较大,因此电子营销数据的处理属于大数据处理。
一些实施例中,可以通过下述公式获取任意两个类别的商品被同时购买的购买概率:
本申请实施例中,表示第一类别商品的第一购买概率,表示第二类别商品的第二购买概率,可以将第一购买概率和第二购买概率的乘积作为任意两个类别的商品被同时购买的购买概率,由于该购买概率是将第一类别商品的购买事件和第二类别商品的购买事件作为独立事件计算得到的,反映了第一类别商品和第二类别商品之间无任何相关性的情况下,第一类别商品和第二类别商品被同时购买的概率。
S102,从历史订单中,确定第一类别商品和第二类别商品被同时购买的第一订单、第一类别商品被单独购买的第二订单和第二类别商品被单独购买的第三订单。
其中,历史订单包括多个订单,一些实施例中,可以选取设定时间段内的订单作为历史订单,例如可以选取过去一年、一个季度、一个月等时间段内的订单作为历史订单。应说明的是,设定时间段可以根据实际需求进行设定,此处不做任何限定。
本申请实施例中,第一类别商品和第二类别商品的购买情况包括:第一类别商品被单独购买、第二类别商品被单独购买、第一类别商品和第二类别商品被同时购买的三种购买情况。
一些实施例中,可以以第一类别商品的第一标识为索引从历史订单中查询第一类别商品被单独购买的第二订单,以及以第二类别商品的第一标识为索引从历史订单中查询第二类别商品被单独购买的第三订单,以及以第一标识和第二标识从历史订单中第一类别商品和第二类别商品被同时购买的第一订单。可选地,标识可以为商品的名称、商品的身份标识号(Identity Document,ID)等。
S103,基于第一订单、第二订单和第三订单,获取第一类别商品和第二类别商品之间的相关度以及第一类别商品和第二类别商品之间的非相关度。
可选地,获取第一类别商品在全部第一订单中的第一平均购买数量,以及第二类别商品在全部第一订单中的第二平均购买数量,基于第一购买数量、第二购买数量、第一平均购买数量和第二平均购买数量,获取第一类别商品与第二类别商品之间的相关度。
本申请实施例中,第一平均购买数量=全部第一订单中第一类别商品的总数量/第一订单的订单数量,第二平均购买数量=全部第二订单中第二类别商品的总数量/第二订单的订单数量。
一些实施例中,根据相关度公式获取相关度,其中,相关度公式包括:
其中,表示第一类别商品,为第一类别商品和第二类别商品之间的相关度,为第一订单的数量,表示第一订单,为第个第一订单中第一类别商品的第一购买数量,为第一类别商品在全部第一订单中的第一平均购买数量,为第个第一订单中第二类别商品的第二购买数量,为第二类别商品在全部第一订单中的第二平均购买数量,为正整数。
本申请实施例中,第一类别商品与第二类别商品被同时购买时的购买数量差异越小,第一类别商品与第二类别商品之间的相关性越大,反之,第一类别商品与第二类别商品被同时购买时的购买数量差异越大,第一类别商品与第二类别商品之间的相关性越小,因此,第一类别商品与第二类别商品被同时购买时的购买数量差异可以在一定程度上反映第一类别商品与第二类别商品之间的相关性,本申请实施例通过考虑第一类别商品与第二类别商品被同时购买时的购买数量差异,提高了第一类别商品与第二类别商品之间的相关性评估的准确性。
本申请实施例的相关度公式中,为第个第一订单中第一类别商品的第一购买数量与第一平均购买数量之间的差异, 为第个第一订单中第二类别商品的第二购买数量与第二平均购买数量之间的差异,可以反映第一类别商品与第二类别商品被同时购买时购买数量上的差异稳定度,该差异稳定度可以在一定程度上反映第一类别商品与第二类别商品之间的相关性。第一类别商品与第二类别商品之间的相关性越强,的值越趋向于数值1,反之,第一类别商品与第二类别商品之间的相关性越弱,的值越偏离于数值1。在的数值较小时,差异稳定度的量化值较小,越容易导致量化结果不准确,通过分别对式中的分子分母进行平方处理,可以对较小的量化值进行放大处理,以保证量化的准确性,从而提高相关度计算的准确性。
进一步地,相关度公式中的反映了第一类别商品和第二类别商品被同时购买时在购买数量上的差异程度,反映了第一类别商品和第二类别商品被同时购买时在平均购买数量上的差异程度,其中,第一类别商品与第二类别商品之间的相关性越强,的值越趋近于0,第一类别商品与第二类别商品之间的相关性越弱,的值越偏离于0。
可选地,获取第二订单中第一类别商品的第三购买数量、第一类别商品在全部第二订单中的第三平均购买数量、第三订单中第二类别商品的第四购买数量和第二类别商品在全部第三订单中的第四平均购买数量,并基于第三购买数量、第三平均购买数量、第四购买数量和第四平均购买数量,获取第一类别商品与第二类别商品之间的非相关度。
一些实施例中,根据非相关度公式获取非相关度,其中,非相关度公式包括:
其中,为第一类别商品与第二类别商品之间的非相关度,表示第二订单,为第二订单的数量,为第个第二订单中第一类别商品的第三购买数量,为第一类别商品在全部第二订单中的第三平均购买数量,表示第三订单,为第三订单的数量,为第个第三订单中第二类别商品的第四购买数量,为第二类别商品在全部第三订单中的第四平均购买数量,和均为正整数。
本申请实施例中,从第一类别商品被独立购买和第二类别商品被独立购买的角度考虑第一类别商品与第二类别商品之间的非相关性,保证了非相关性评估的准确性,即保证了非相关度的准确性,为后续计算第一类别商品与第二类别商品之间的目标相关度提供了可靠依据。
S104,获取每个第一订单上第一类别商品的第一购买数量和第二类别商品的第二购买数量,并基于第一购买数量和第二购买数量,获取第一类别商品和第二类别商品被同时购买的趋势度。
本申请实施例中,第一类别商品和第二类别商品在每次被同时购买时的购买数量可能不同,可以根据第一类别商品和第二类别商品在每次被同时购买时的购买数量确定第一类别商品和第二类别商品被同时购买的趋势度。
可选地,基于第一购买数量和第二购买数量,获取第一订单上第一类别商品与第二类别商品之间的商品购买数量比例,基于商品购买数量比例,获取第一订单的下一个相邻第一订单的商品购买数量与第一订单的商品购买数量之间的比值,作为第一类别商品和第二类别商品被同时购买的趋势比,基于趋势比,获取第一类别商品和第二类别商品被同时购买的趋势度。
需要说明的是,本申请实施例中,可以预先将第一订单按照时间顺序进行排序。
其中,第一订单上第一类别商品与第二类别商品之间的商品购买数量比例反映了第一类别商品与第二类别商品被同时购买时的购买数量差异,第一订单的下一个相邻第一订单的商品购买数量与该第一订单的商品购买数量之间的比值,反映了第一类别商品与第二类别商品被同时购买时购买数量差异的趋势,即第一类别商品和第二类别商品被同时购买的趋势比反映了第一类别商品与第二类别商品被同时购买时购买数量差异的趋势,也即第一类别商品和第二类别商品被同时购买的趋势度反映了第一类别商品与第二类别商品被同时购买时的购买数量差异的趋势。
一些实施例中,根据趋势度公式获取趋势度,其中,趋势度公式包括:
其中,为第一类别商品和第二类别商品被同时购买的趋势度,为第个第一订单中第一类别商品的第一购买数量,为第个第一订单中第二类别商品的第二购买数量,为第个第一订单中第一类别商品的第一购买数量,为第个第一订单中第二类别商品的第二购买数量,为以自常数为底的指数函数,为正整数。
本申请实施例中,由于第一类别商品与第二类别商品相关性越强,第一类别商品与第二类别商品每次被同时购买时的购买数量差异越小,第一类别商品和第二类别商品被同时购买的趋势度越趋近于数值1;第一类别商品与第二类别商品相关性越弱,第一类别商品与第二类别商品每次被同时购买时的购买数量差异越大,第一类别商品和第二类别商品被同时购买的趋势度越偏离于数值1,第一类别商品和第二类别商品被同时购买的趋势度可以反映第一类别商品与第二类别商品之间的相关性。
本申请实施例中,通过考虑第一类别商品和第二类别商品每次被同时购买时购买数量差异对第一类别商品和第二类别商品被同时购买的趋势进行评估,得到第一类别商品和第二类别商品被同时购买的趋势度,保证了趋势度的准确性,为后续计算第一类别商品和第二类别商品之间的目标相关度提供了可靠依据。
S105,基于购买概率、实际购买频率、相关度、非相关度和趋势度,获取第一类别商品和第二类别商品之间的目标相关度。
可选地,根据目标相关度公式获取目标相关度,其中,目标相关度包括:
本申请实施例中,由于是通过第一类别商品与第二类别的商品在无任何相关性时被同时购买的购买概率以及第一类别商品和第二类别商品被同时购买的相关度、非相关度和趋势度,获取第一类别与第二类别之间的目标相关度,综合考虑了多个影响因素,提高了目标相关度的准确性,从而提高了第一类别商品与第二类别商品之间相关性评估的准确性。
S106,基于目标相关度,将第一类别商品和第二类别商品进行关联。
本申请实施例中,可以根据目标相关度,将第一类别商品和第二类别商品进行不同程度的关联。
一些实施例中,若目标相关度大于或等于相关度阈值,则可以将第一类别商品和第二类别商品进行较强程度的关联;若目标相关度小于相关度阈值,则可以将第一类别商品和第二类别商品进行较弱程度的关联。
需要说明的是,相关度阈值可以根据实际需求进行设定,此处不做任何限定,可选地,可以将相关度阈值设置为0.8。
综上所述,本申请实施例中,由于是通过任意两个类别的商品被同时购买的购买概率、实际购买频率、趋势度以及该任意两个类别的商品之间的相关度和非相关度,获取该任意两个类别的商品之间的相关度,考虑了任意两个类别的商品被同时购买的相关性、不被同时购买的非相关性和被同时购买的趋势性,通过对这些因素的考虑,不同的角度对商品订单进行定性定量的分析,提高了相关度的准确性,并且,相比于现有技术,并不需要提取商品营销数据中的特征及基于特征构建特征模型,因此计算量较小,提高了评估效率,节省了评估成本。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。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。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (1)
1.一种基于大数据分析的电子营销数据处理方法,其特征在于,所述方法包括:
获取电子营销数据中的历史订单,基于所述历史订单,获取任意两个类别的商品被同时购买的购买概率和实际购买频率,所述任意两个类别的商品包括第一类别商品和第二类别商品;
从所述历史订单中,确定所述第一类别商品和所述第二类别商品被同时购买的第一订单、所述第一类别商品被单独购买的第二订单和所述第二类别商品被单独购买的第三订单;
基于所述第一订单、所述第二订单和所述第三订单,获取所述第一类别商品和所述第二类别商品之间的相关度以及所述第一类别商品和所述第二类别商品之间的非相关度;
获取每个所述第一订单上所述第一类别商品的第一购买数量和所述第二类别商品的第二购买数量,并基于所述第一购买数量和所述第二购买数量,获取所述第一类别商品和所述第二类别商品被同时购买的趋势度;
基于所述购买概率、所述实际购买频率、所述相关度、所述非相关度和所述趋势度,获取所述第一类别商品和所述第二类别商品之间的目标相关度;
基于所述目标相关度,将所述第一类别商品和所述第二类别商品进行关联;
所述相关度的获取过程,包括:
获取所述第一类别商品在全部所述第一订单中的第一平均购买数量,以及所述第二类别商品在全部所述第一订单中的第二平均购买数量;
基于所述第一购买数量、所述第二购买数量、所述第一平均购买数量和所述第二平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述相关度;
所述基于所述第一购买数量、所述第二购买数量、所述第一平均购买数量和所述第二平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述相关度,包括:
根据相关度公式获取所述相关度,其中,所述相关度公式包括:
其中,为第一类别商品和第二类别商品之间的相关度,为第一订单的数量,表示第一订单,为第个第一订单中第一类别商品的第一购买数量,为第一类别商品在全部第一订单中的第一平均购买数量,为第个第一订单中第二类别商品的第二购买数量,为第二类别商品在全部第一订单中的第二平均购买数量,为正整数;
所述非相关度的获取过程,包括:
获取所述第二订单中所述第一类别商品的第三购买数量、所述第一类别商品在全部所述第二订单中的第三平均购买数量、所述第三订单中所述第二类别商品的第四购买数量和所述第二类别商品在全部所述第三订单中的第四平均购买数量;
基于所述第三购买数量、所述第三平均购买数量、所述第四购买数量和所述第四平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述非相关度;
所述基于所述第三购买数量、所述第三平均购买数量、所述第四购买数量和所述第四平均购买数量,获取所述第一类别商品与所述第二类别商品之间的所述非相关度,包括:
根据非相关度公式获取所述非相关度,其中,所述非相关度公式包括:
其中,为第一类别商品与第二类别商品之间的非相关度,表示第二订单,为第二订单的数量,为第个第二订单中第一类别商品的第三购买数量,为第一类别商品在全部第二订单中的第三平均购买数量,表示第三订单,为第三订单的数量,为第个第三订单中第二类别商品的第四购买数量,为第二类别商品在全部第三订单中的第四平均购买数量,和均为正整数;
所述趋势度的获取过程,包括:
基于所述第一购买数量和所述第二购买数量,获取所述第一订单上所述第一类别商品与所述第二类别商品之间的商品购买数量比例;
基于所述商品购买数量比例,获取所述第一订单的下一个相邻第一订单的商品购买数量与所述第一订单的商品购买数量之间的比值,作为所述第一类别商品和所述第二类别商品被同时购买的趋势比;
基于所述趋势比,获取所述第一类别商品和所述第二类别商品被同时购买的所述趋势度;
所述趋势度的获取过程,包括:
根据趋势度公式获取所述趋势度,其中,所述趋势度公式包括:
其中,为第一类别商品和第二类别商品被同时购买的趋势度,为第个第一订单中第一类别商品的第一购买数量,为第个第一订单中第二类别商品的第二购买数量,为第个第一订单中第一类别商品的第一购买数量,为第个第一订单中第二类别商品的第二购买数量,为以自常数为底的指数函数,为正整数;
所述基于所述购买概率、所述实际购买频率、所述相关度、所述非相关度和所述趋势度,获取所述第一类别商品和所述第二类别商品之间的目标相关度,包括:
根据目标相关度公式获取所述目标相关度,其中,所述目标相关度包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417283.0A CN115471302B (zh) | 2022-11-14 | 2022-11-14 | 基于大数据分析的电子营销数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417283.0A CN115471302B (zh) | 2022-11-14 | 2022-11-14 | 基于大数据分析的电子营销数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471302A CN115471302A (zh) | 2022-12-13 |
CN115471302B true CN115471302B (zh) | 2023-02-14 |
Family
ID=84338192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211417283.0A Active CN115471302B (zh) | 2022-11-14 | 2022-11-14 | 基于大数据分析的电子营销数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471302B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206752A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 电子商务网站相关商品推荐系统及其方法 |
CN102663594A (zh) * | 2012-03-31 | 2012-09-12 | 浙江工商大学 | 电子商务目录分销系统 |
CN104899241A (zh) * | 2014-03-07 | 2015-09-09 | 歌乐株式会社 | 关联数据生成装置和关联数据生成方法 |
CN110555712A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 商品关联程度确定方法及装置 |
CN110570233A (zh) * | 2019-08-16 | 2019-12-13 | 苏宁云计算有限公司 | 用于电商平台的用户回购时间预测方法及装置 |
CN112381621A (zh) * | 2020-12-02 | 2021-02-19 | 好活(昆山)网络科技有限公司 | 一种大数据协同监管平台及方法 |
WO2021065289A1 (ja) * | 2019-10-03 | 2021-04-08 | パナソニックIpマネジメント株式会社 | 店舗支援システム、店舗支援方法及びプログラム |
CN114565334A (zh) * | 2022-02-22 | 2022-05-31 | 国连科技(浙江)有限公司 | 基于大数据的商品关联仓储方法及装置 |
CN115080865A (zh) * | 2022-08-19 | 2022-09-20 | 山东智豆数字科技有限公司 | 基于多维数据分析的电商数据运营管理系统 |
CN115170253A (zh) * | 2022-09-07 | 2022-10-11 | 国连科技(浙江)有限公司 | 一种促销活动中商品信息推送方法及装置 |
CN115204450A (zh) * | 2022-05-26 | 2022-10-18 | 京东城市(北京)数字科技有限公司 | 购买行为预测方法、装置、电子设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050154629A1 (en) * | 2002-07-10 | 2005-07-14 | Fujitsu Limited | Product purchasing trend analyzing system |
CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
CN113761380A (zh) * | 2021-09-21 | 2021-12-07 | 武汉兰宇博信息科技有限公司 | 一种基于区块链大数据的各个电商平台商品信息共享方法和系统 |
-
2022
- 2022-11-14 CN CN202211417283.0A patent/CN115471302B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206752A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 电子商务网站相关商品推荐系统及其方法 |
CN102663594A (zh) * | 2012-03-31 | 2012-09-12 | 浙江工商大学 | 电子商务目录分销系统 |
CN104899241A (zh) * | 2014-03-07 | 2015-09-09 | 歌乐株式会社 | 关联数据生成装置和关联数据生成方法 |
CN110555712A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 商品关联程度确定方法及装置 |
CN110570233A (zh) * | 2019-08-16 | 2019-12-13 | 苏宁云计算有限公司 | 用于电商平台的用户回购时间预测方法及装置 |
WO2021065289A1 (ja) * | 2019-10-03 | 2021-04-08 | パナソニックIpマネジメント株式会社 | 店舗支援システム、店舗支援方法及びプログラム |
CN112381621A (zh) * | 2020-12-02 | 2021-02-19 | 好活(昆山)网络科技有限公司 | 一种大数据协同监管平台及方法 |
CN114565334A (zh) * | 2022-02-22 | 2022-05-31 | 国连科技(浙江)有限公司 | 基于大数据的商品关联仓储方法及装置 |
CN115204450A (zh) * | 2022-05-26 | 2022-10-18 | 京东城市(北京)数字科技有限公司 | 购买行为预测方法、装置、电子设备和存储介质 |
CN115080865A (zh) * | 2022-08-19 | 2022-09-20 | 山东智豆数字科技有限公司 | 基于多维数据分析的电商数据运营管理系统 |
CN115170253A (zh) * | 2022-09-07 | 2022-10-11 | 国连科技(浙江)有限公司 | 一种促销活动中商品信息推送方法及装置 |
Non-Patent Citations (3)
Title |
---|
Parallelizing OPTICS for Commodity Clusters;Poonam Goyal;《ICDCN "15: Proceedings of the 2015 International Conference on Distributed Computing and Networking》;20150104;全文 * |
基于协同推荐算法的智慧社区服务系统的设计与实现;赖丽萍等;《黄冈职业技术学院学报》;20200828(第04期);全文 * |
超市商品关联规则分析;周冠茜;《全国流通经济》;20200208(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115471302A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874778B (zh) | 异常订单检测方法及装置 | |
Sanders et al. | New evidence on the impact of index funds in US grain futures markets | |
US8170998B2 (en) | Methods, systems, and computer program products for estimating accuracy of linking of customer relationships | |
WO2010129571A2 (en) | Demographic analysis using time-based consumer transaction histories | |
CN108921398B (zh) | 店铺质量评价方法及装置 | |
CN108764705A (zh) | 一种数据质量评估平台以及方法 | |
US8560506B2 (en) | Automatic selection of blocking column for de-duplication | |
CN110019798B (zh) | 一种用于对进销项商品种类差异进行度量的方法及系统 | |
CN105303447A (zh) | 利用网络信息进行信用评级的方法和系统 | |
CN112700268A (zh) | 一种基于商品编码相似度比较的下游企业推荐方法及系统 | |
CN115471302B (zh) | 基于大数据分析的电子营销数据处理方法 | |
CN103309885A (zh) | 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 | |
CN110599281A (zh) | 一种确定目标店铺的方法和装置 | |
CN109558462A (zh) | 数据统计方法及装置 | |
CN116611796A (zh) | 一种店铺交易数据的异常检测方法及装置 | |
US20180005120A1 (en) | Data mining interest generator | |
KR101409273B1 (ko) | 사용자의 구매 영향력 지수를 산출하는 방법 및 장치 | |
CN114219547B (zh) | 一种门店订货量的确定方法、装置、设备及存储介质 | |
JP6085802B2 (ja) | ユーザ購入挙動に基づいて不良商品を識別するための方法及びシステム | |
CN116451128A (zh) | 虚假交易对象的检测方法、装置及服务器 | |
CN113298291A (zh) | 快递件量预测方法、装置、设备及存储介质 | |
CN109242354B (zh) | 加工效果评价方法和加工效果评价装置 | |
CN112819404A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115187387B (zh) | 一种风险商家的识别方法及设备 | |
CN111199414A (zh) | 一种数据分析方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Electronic marketing data processing method based on big data analysis Effective date of registration: 20230816 Granted publication date: 20230214 Pledgee: Rizhao Bank Co.,Ltd. Qingdao Branch Pledgor: Shandong Zhidou Digital Technology Co.,Ltd. Registration number: Y2023370010086 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |