CN115660718A - 基于小程序的营销闭环方法、系统、介质及设备 - Google Patents
基于小程序的营销闭环方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN115660718A CN115660718A CN202211334893.4A CN202211334893A CN115660718A CN 115660718 A CN115660718 A CN 115660718A CN 202211334893 A CN202211334893 A CN 202211334893A CN 115660718 A CN115660718 A CN 115660718A
- Authority
- CN
- China
- Prior art keywords
- marketing
- user
- client
- closed
- commodities
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 46
- 230000006399 behavior Effects 0.000 claims abstract description 21
- 238000004141 dimensional analysis Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于小程序的营销闭环方法、系统、介质及设备,包括:步骤1:根据商品的属性信息,建立商品元数据;步骤2:根据销售数据及商品指标数据分析建立营销活动;步骤3:将包含商品元数据、营销活动及客服信息的小程序呈现给目标客户,供客户对关注的商品进行浏览、搜索、在线咨询、推荐分享和自主询价;步骤4:通过小程序埋点获取客户的行为数据并进行多维度分析,推荐商品及营销活动供客户查看和询价;步骤5:根据客户的行为及历史操作,对询价客户进行报价或主动根据客户要求进行报价,在报价经客户确认后完成营销闭环,实现营销目标。本发明从营销的各个环节进行业务适配并优化,提升了闭环营销的效率和绩效。
Description
技术领域
本发明涉及营销闭环技术领域,具体地,涉及一种基于小程序的营销闭环方法、系统、介质及设备。
背景技术
目前众多小程序均对商品元数据进行了分类、属性设置和搜索或筛选条件设置,搜索或筛选条件仅限多关键字及部分精准搜索,这将增加客户查找商品的时间成本。众多小程序在对客户报价时只能根据历史报价及目前市场行情制定,无法结合客户自身情况制定适合的报价,导致报价达成一致的速度慢或者利润较低。
每个行业均有自身的行业特性,而且每个细分行业也存在较大差异,行业所面临的政治及经济等国内外市场环境、行业发展趋势及所需的专业知识和技能等都存在不同。受众存在企业规模、发展阶段、组织架构、决策依据及公司文化等差异,从业的采购人员存在年龄段、教育程度、个人喜好、渠道认知及辨识能力等不同。
由于存在业务领域及受众属性的差异,活动因子及权重需要根据不同时期、不同市场环境频繁变动,仅通过活动因子及权重变更难以形成每个行业及细分行业的算法。
专利文献CN109493109A(申请号:CN201811130015.4)公开了一种基于小程序的营销管理方法、装置、计算机设备及存储介质,其中的方法包括:获取业务员的业绩信息;根据预设规则确定所述业务员的业绩信息在业绩排行榜中的业绩排行;向所述业务员展示所述业绩排行。
众多商品营销活动通过对市场热销商品的基本情况及个人的经验制定,缺少对定价模式及营销数量的智能分析,营销效果会大打折扣。众多商品营销活动对象采取广撒网,未对可能的目标客户群体展开,其结果时有营销对象数量,营销成功几率低。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于小程序的营销闭环方法、系统、介质及设备。
根据本发明提供的基于小程序的营销闭环方法,包括:
步骤1:根据商品的属性信息,建立商品元数据并支持多条件组合检索;
步骤2:根据销售数据及商品指标数据分析建立营销活动;
步骤3:通过用户自主搜索或他人推荐分享的方式将包含商品元数据、营销活动及客服信息的小程序呈现给目标客户,供客户对关注的商品进行浏览、搜索、在线咨询、推荐分享和自主询价;
步骤4:通过小程序埋点获取客户的行为数据并进行多维度分析,推荐商品及营销活动供客户查看和询价;
步骤5:根据客户的行为及历史操作,参考商品不同时期采购价格及数量,结合量大从优、推荐有奖的原则,由系统提供参考价,营销人员根据参考价结合个人经验对询价客户进行报价或主动根据客户要求进行报价,在报价经客户确认后完成营销闭环,实现营销目标。
优选的,将商品按照本质特征及用途归口到品类节点,按照行业和客户习惯自定义标签,根据属性检索习惯和值类型按需设置精确搜索和范围搜索,其中精确搜索用于有检索需求的字符型属性,范围搜索用于数值型属性。
优选的,通过爬虫技术不断获取行业相关的最新市场环境、景气度及发展趋势,持续更新行业特性和分析数据,通过系统学习和人工结合完成各行业聚类和打标签;
通过爬虫技术不断获取各个企业相关从业人员的年龄层次、教育程度、喜好变化和专业技能,同时通过埋点获取用户使用系统的习惯及用户偏好,持续更新行业从业人员的特性和分析数据,通过系统学习和人工结合完成企业及从业人员的聚类和打标签;
通过爬虫技术不断获取各个产品的需求预测、实际销量、产品定位、价格变化、量价关联度及搜索热词,持续更新行业产品的特性和分析数据,通过系统学习和人工结合完成产品的聚类和打标签。
优选的,在后台系统根据商品的品类、品牌、标签、属性信息建立商品元数据,以公司历史销售数据为基础,结合公司当前阶段的销售目标,选择有营销需求且有市场潜力的商品,对目标客户制定限时限量限价并含有其他销售规则的营销活动;所述目标客户包括但不限于下游产业的生产商及代理商,需要以商品作为原料或工具用途、已经联络但尚未建立商务合作的企业或个人;
通过小程序埋点自动获取的访问某个节点的客户、访问时间、上一节点、下一节点、进入时间和跳出时间,按照不同维度进行数据统计和分析,获取客户关注的商品及热度,定向推荐关联商品和营销活动信息;
将小程序结合用户在平台的操作习惯,埋点获取用户行为数据,通过聚类的方式将平台用户进行分类,进一步根据用户的群体特征对特定用户推送营销活动;
所述小程序采用K-MEANS聚类方法,先通过实验的方式找到合适的K值,分别令K等于2、3、4…10,计算总平方和SST,当K值越大时SST值越小,最合适的K值不是SST值最小的,而是效率最高的,然后根据用户数据进行聚类分析,当完成用户分类后,根据用户数据进行用户群的画像分析,并根据业务经验为最终得到的用户群赋能,匹配合适的营销活动;
通过K-MEANS聚类方法对顾客需求划分为基本型需求、期望型需求和兴奋型需求,将产品和服务的质量特性分为:必备属性M,当优化此需求,用户满意度不会提升,当不提供此需求,用户满意度会大幅降低;期望属性O,当提供此需求,用户满意度会提升,当不提供此需求,用户满意度会降低;魅力属性A,用户意想不到的,如果不提供此需求,用户满意度不会降低,但当提供此需求,用户满意度会有很大提升;无差异属性I,无论提供或不提供此需求,用户满意度都不会有改变;加入Better-Worse系数计算(Better/SI=(A+O)/(A+O+M+I),Worse/DSI=-1*(M+O)/(A+O+M+I)),通过满意影响力SI和不满意影响力DSI组成四象限对比优先级,将多需求的SI和DSI平均值作为横轴同属性优先考虑Better值高的需求,其中,Better为增加后的满意系数,Worse为消除后的不满意系数。
根据本发明提供的基于小程序的营销闭环方法,包括:
模块M1:根据商品的属性信息,建立商品元数据并支持多条件组合检索;
模块M2:根据销售数据及商品指标数据分析建立营销活动;
模块M3:通过用户自主搜索或他人推荐分享的方式将包含商品元数据、营销活动及客服信息的小程序呈现给目标客户,供客户对关注的商品进行浏览、搜索、在线咨询、推荐分享和自主询价;
模块M4:通过小程序埋点获取客户的行为数据并进行多维度分析,推荐商品及营销活动供客户查看和询价;
模块M5:根据客户的行为及历史操作,参考商品不同时期采购价格及数量,结合量大从优、推荐有奖的原则,由系统提供参考价,营销人员根据参考价结合个人经验对询价客户进行报价或主动根据客户要求进行报价,在报价经客户确认后完成营销闭环,实现营销目标。
优选的,将商品按照本质特征及用途归口到品类节点,按照行业和客户习惯自定义标签,根据属性检索习惯和值类型按需设置精确搜索和范围搜索,其中精确搜索用于有检索需求的字符型属性,范围搜索用于数值型属性。
优选的,通过爬虫技术不断获取行业相关的最新市场环境、景气度及发展趋势,持续更新行业特性和分析数据,通过系统学习和人工结合完成各行业聚类和打标签;
通过爬虫技术不断获取各个企业相关从业人员的年龄层次、教育程度、喜好变化和专业技能,同时通过埋点获取用户使用系统的习惯及用户偏好,持续更新行业从业人员的特性和分析数据,通过系统学习和人工结合完成企业及从业人员的聚类和打标签;
通过爬虫技术不断获取各个产品的需求预测、实际销量、产品定位、价格变化、量价关联度及搜索热词,持续更新行业产品的特性和分析数据,通过系统学习和人工结合完成产品的聚类和打标签。
优选的,在后台系统根据商品的品类、品牌、标签、属性信息建立商品元数据,以公司历史销售数据为基础,结合公司当前阶段的销售目标,选择有营销需求且有市场潜力的商品,对目标客户制定限时限量限价并含有其他销售规则的营销活动;所述目标客户包括下游产业的生产商及代理商,需要以商品作为原料或工具用途、已经联络但尚未建立商务合作的企业或个人;
通过小程序埋点自动获取的访问某个节点的客户、访问时间、上一节点、下一节点、进入时间和跳出时间,按照不同维度进行数据统计和分析,获取客户关注的商品及热度,定向推荐关联商品和营销活动信息;
将小程序结合用户在平台的操作习惯,埋点获取用户行为数据,通过聚类的方式将平台用户进行分类,进一步根据用户的群体特征对特定用户推送营销活动;
所述小程序采用K-MEANS聚类方法,先通过实验的方式找到合适的K值,分别令K等于2、3、4…10,计算总平方和SST,当K值越大时SST值越小,最合适的K值不是SST值最小的,而是效率最高的,然后根据用户数据进行聚类分析,当完成用户分类后,根据用户数据进行用户群的画像分析,并根据业务经验为最终得到的用户群赋能,匹配合适的营销活动;
通过K-MEANS聚类方法对顾客需求划分为基本型需求、期望型需求和兴奋型需求,将产品和服务的质量特性分为:必备属性M,当优化此需求,用户满意度不会提升,当不提供此需求,用户满意度会大幅降低;期望属性O,当提供此需求,用户满意度会提升,当不提供此需求,用户满意度会降低;魅力属性A,用户意想不到的,如果不提供此需求,用户满意度不会降低,但当提供此需求,用户满意度会有很大提升;无差异属性I,无论提供或不提供此需求,用户满意度都不会有改变;加入Better-Worse系数计算(Better/SI=(A+O)/(A+O+M+I),Worse/DSI=-1*(M+O)/(A+O+M+I)),通过满意影响力SI和不满意影响力DSI组成四象限对比优先级,将多需求的SI和DSI平均值作为横轴同属性优先考虑Better值高的需求,其中,Better为增加后的满意系数,Worse为消除后的不满意系数。
根据本发明提供的存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现所述的基于小程序的营销闭环方法的步骤。
根据本发明提供的电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现所述的基于小程序的营销闭环方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明通过对商品的品类、品牌、标签、属性及搜索条件的设置,其中搜索条件支持多关键字模糊搜索、精准搜索和范围搜索,解决了商品元数据快速查看及搜索的问题;
(2)本发明通过建立与公司匹配产品的热销商品库智能分析,为公司或个人的营销活动中营销哪些商品、商品如何定价模式及营销数量提供辅助决策依据;
(3)本发明通过大数据分析将小程序推荐或分享给目标客户,大大提高小程序营销成功的几率;
(4)本发明通过小程序埋点功能及数据智能分析,获取客户对商品购买兴趣和意愿,方便进行针对性主动沟通和报价;
(5)本发明通过客户的历史浏览及询价、结合市场行情分析及客户的画像,可以提高达成一致报价的速度,促使营销人员业绩目标实现和提高公司营销利润。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明方法流程图;
图2为聚类分析示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
本发明提出了一种基于小程序的营销闭环,本发明的方案丰富了商品检索维度,方便了客户快捷精准搜索商品;以本系统数据为基础,结合其他线下数据进行综合分析,帮助公司建立合适的营销活动,增强客户粘性,完成营销目标,为扩展新客户巩固老客户提供了有力支撑;通过对业务数据及行为数据进行分析,帮助营销人员更有针对性地开展营销和报价,提升营销效率。本发明的优点在于:从营销的各个环节进行业务适配并优化,提升闭环营销的效率和绩效。
如图1,具体包括如下步骤:
步骤1:在后台系统根据商品的品类、品牌、标签、属性等信息建立商品元数据并支持多条件组合检索。商品按照最本质的特征及用途归口到品类节点,按照行业或客户习惯自定义标签,根据属性检索习惯和值类型按需设置精确搜索或范围搜索,其中精确搜索常用于有检索需求的字符型属性、范围搜索常用于数值型属性。
步骤2:在后台系统根据销售数据及商品指标数据智能分析建立适合的营销活动。以公司历史销售数据为基础,结合公司当前阶段的销售目标,选择有营销需求且有市场潜力的商品,制定限时限量限价并含有其他销售规则的营销活动。
步骤3:通过用户自主搜索或他人推荐分享等方式将包含商品元数据、营销活动及客服等信息的小程序呈现给目标客户,客户可对关注的商品进行浏览、高级搜索、在线咨询、推荐分享、自主询价。目标客户包括但不限于:下游产业的生产商及代理商,需要以商品作为原料或工具等用途、已经联络但尚未建立商务合作的企业或个人等。
步骤4:通过小程序埋点获取客户的行为数据并进行多维度分析,智能推荐商品及营销活动供客户查看和询价。以小程序埋点自动获取的访问某个节点的客户、访问时间、上一节点、下一节点、进入时间和跳出时间等,按照不同维度进行数据统计和分析,获取客户关注的商品及热度,定向推荐关联商品和营销活动信息。
步骤5:根据客户的行为及历史操作,参考商品不同时期采购价格及数量,结合量大从优、推荐有奖等原则,由系统提供参考价。营销人员根据参考价结合个人经验对询价进行适合客户的报价或主动根据客户要求进行适合的报价。
步骤6:报价经客户确认后完成营销闭环,实现营销目标。
实施例2:
本发明还提供一种基于小程序的营销闭环系统,所述基于小程序的营销闭环系统可以通过执行所述基于小程序的营销闭环方法的流程步骤予以实现,即本领域技术人员可以将所述基于小程序的营销闭环方法理解为所述基于小程序的营销闭环系统的优选实施方式。
基于小程序的营销闭环系统包括:行业模块、行为分析模块、产品模块及营销活动模块。
行业模块包含各个行业及细分行业的特性及历史分析数据,通过爬虫技术不断获取行业相关的最新市场环境、景气度及发展趋势,持续更新行业特性和分析数据,通过系统学习和人工结合完成各行业聚类和打标签。
行为分析模块包含各个行业不同规模、不同发展阶段及不同决策思路的采购行业从业人员的特性及历史数据分析,通过爬虫技术不断获取各个企业相关从业人员的年龄层次、教育程度、喜好变化和专业技能等,同时通过对系统各模块功能的埋点获取用户使用系统的习惯及用户偏好,持续更新行业从业人员的特性和分析数据,通过系统学习和人工结合完成企业及从业人员的聚类和打标签。
产品模块包含各个行业产品的特性及历史数据分析,通过爬虫技术不断获取各个产品的需求预测、实际销量、产品定位、价格变化、量价关联度及搜索热词等,持续更新行业产品的特性和分析数据,通过系统学习和人工结合完成产品的聚类和打标签。
营销活动模块创建时根据选择的行业、企业及从业人员和产品,自动推荐满足条件的算法模板根据分值排序提供1-5个供选择。营销活动完成后将根据活动预期和实际结果进行对比分析,并将分析结果作为行业模块、行为分析模块及产品模块的输入,持续更新算法模板。
小程序结合用户在平台的操作习惯,埋点获取用户行为数据,通过聚类的方式将平台用户进行分类,进一步根据用户的群体特征对特定用户推送营销活动。小程序采用K-MEANS聚类方法。首先确定K值的取值,通过实验的方式找到合适的K值,分别令K等于2、3、4…10,计算total within sum of square,当K值越大时SST值一定越小,最合适的K值不是SST值最小的,而是效率最高的。确定K值之后,可以根据用户数据进行聚类分析。当完成用户分类后,根据用户数据进行用户群的画像分析,并根据业务经验为最终得到的用户群赋能,匹配合适的营销活动。
如图2,K-MEANS聚类方法定义了三个层次的顾客需求:基本型需求、期望型需求和兴奋型需求。这三种需求根据绩效指标分类就是基本因素、绩效因素和激励因素。K-MEANS聚类方法是对用户需求分类和优先排序的有用工具,以分析用户需求对用户满意的影响为基础,体现了产品性能和用户满意之间的非线性关系,在该方法中,将产品和服务的质量特性分为五种类型:必备属性M:当优化此需求,用户满意度不会提升,当不提供此需求,用户满意度会大幅降低;期望属性O:当提供此需求,用户满意度会提升,当不提供此需求,用户满意度会降低;魅力属性A:用户意想不到的,如果不提供此需求,用户满意度不会降低,但当提供此需求,用户满意度会有很大提升;无差异属性I:无论提供或不提供此需求,用户满意度都不会有改变,用户根本不在意;反向属性R:用户根本都没有此需求,提供后用户满意度反而会下降,因此进行避免操作;加入Better-Worse系数计算(Better/SI=(A+O)/(A+O+M+I),Worse/DSI=-1*(M+O)/(A+O+M+I)),通过SI和DSI组成四象限对比优先级,多需求的SI和DSI平均值作为横轴同属性优先考虑better值高的需求,以不断夯实必备属性、优化期望属性、挖掘魅力属性、避免反向属性、忽略无差异属性的方式优化分析方法。
Better(SI-satisfied index),可以被解读为增加后的满意系数。better的数值通常为正,代表如果提供某种功能属性的话,用户满意度会提升;正值越大/越接近1,表示对用户满意上的影响越大,用户满意度提升的影响效果越强,上升的也就更快。
Worse(DSI-dissatisfied index),则可以被叫做消除后的不满意系数。其数值通常为负,代表如果不提供某种功能属性的话,用户的满意度会降低;值越负向/越接近-1,表示对用户不满意上的影响最大,满意度降低的影响效果越强,下降的越快。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于小程序的营销闭环方法,其特征在于,包括:
步骤1:根据商品的属性信息,建立商品元数据并支持多条件组合检索;
步骤2:根据销售数据及商品指标数据分析建立营销活动;
步骤3:通过用户自主搜索或他人推荐分享的方式将包含商品元数据、营销活动及客服信息的小程序呈现给目标客户,供客户对关注的商品进行浏览、搜索、在线咨询、推荐分享和自主询价;
步骤4:通过小程序埋点获取客户的行为数据并进行多维度分析,推荐商品及营销活动供客户查看和询价;
步骤5:根据客户的行为及历史操作,参考商品不同时期采购价格及数量,结合量大从优、推荐有奖的原则,由系统提供参考价,营销人员根据参考价结合个人经验对询价客户进行报价或主动根据客户要求进行报价,在报价经客户确认后完成营销闭环,实现营销目标。
2.根据权利要求1所述的基于小程序的营销闭环方法,其特征在于,将商品按照本质特征及用途归口到品类节点,按照行业和客户习惯自定义标签,根据属性检索习惯和值类型按需设置精确搜索和范围搜索,其中精确搜索用于有检索需求的字符型属性,范围搜索用于数值型属性。
3.根据权利要求1所述的基于小程序的营销闭环方法,其特征在于,通过爬虫技术不断获取行业相关的最新市场环境、景气度及发展趋势,持续更新行业特性和分析数据,通过系统学习和人工结合完成各行业聚类和打标签;
通过爬虫技术不断获取各个企业相关从业人员的年龄层次、教育程度、喜好变化和专业技能,同时通过埋点获取用户使用系统的习惯及用户偏好,持续更新行业从业人员的特性和分析数据,通过系统学习和人工结合完成企业及从业人员的聚类和打标签;
通过爬虫技术不断获取各个产品的需求预测、实际销量、产品定位、价格变化、量价关联度及搜索热词,持续更新行业产品的特性和分析数据,通过系统学习和人工结合完成产品的聚类和打标签。
4.根据权利要求1所述的基于小程序的营销闭环方法,其特征在于,在后台系统根据商品的品类、品牌、标签、属性信息建立商品元数据,以公司历史销售数据为基础,结合公司当前阶段的销售目标,选择有营销需求且有市场潜力的商品,对目标客户制定限时限量限价并含有其他销售规则的营销活动;所述目标客户包括但不限于下游产业的生产商及代理商,需要以商品作为原料或工具用途、已经联络但尚未建立商务合作的企业或个人;
通过小程序埋点自动获取的访问某个节点的客户、访问时间、上一节点、下一节点、进入时间和跳出时间,按照不同维度进行数据统计和分析,获取客户关注的商品及热度,定向推荐关联商品和营销活动信息;
将小程序结合用户在平台的操作习惯,埋点获取用户行为数据,通过聚类的方式将平台用户进行分类,进一步根据用户的群体特征对特定用户推送营销活动;
所述小程序采用K-MEANS聚类方法,先通过实验的方式找到合适的K值,分别令K等于2、3、4…10,计算总平方和SST,当K值越大时SST值越小,最合适的K值不是SST值最小的,而是效率最高的,然后根据用户数据进行聚类分析,当完成用户分类后,根据用户数据进行用户群的画像分析,并根据业务经验为最终得到的用户群赋能,匹配合适的营销活动;
通过K-MEANS聚类方法对顾客需求划分为基本型需求、期望型需求和兴奋型需求,将产品和服务的质量特性分为:必备属性M,当优化此需求,用户满意度不会提升,当不提供此需求,用户满意度会大幅降低;期望属性O,当提供此需求,用户满意度会提升,当不提供此需求,用户满意度会降低;魅力属性A,用户意想不到的,如果不提供此需求,用户满意度不会降低,但当提供此需求,用户满意度会有很大提升;无差异属性I,无论提供或不提供此需求,用户满意度都不会有改变;加入Better-Worse系数计算(Better/SI=(A+O)/(A+O+M+I),Worse/DSI=-1*(M+O)/(A+O+M+I)),通过满意影响力SI和不满意影响力DSI组成四象限对比优先级,将多需求的SI和DSI平均值作为横轴同属性优先考虑Better值高的需求,其中,Better为增加后的满意系数,Worse为消除后的不满意系数。
5.一种基于小程序的营销闭环系统,其特征在于,包括:
模块M1:根据商品的属性信息,建立商品元数据并支持多条件组合检索;
模块M2:根据销售数据及商品指标数据分析建立营销活动;
模块M3:通过用户自主搜索或他人推荐分享的方式将包含商品元数据、营销活动及客服信息的小程序呈现给目标客户,供客户对关注的商品进行浏览、搜索、在线咨询、推荐分享和自主询价;
模块M4:通过小程序埋点获取客户的行为数据并进行多维度分析,推荐商品及营销活动供客户查看和询价;
模块M5:根据客户的行为及历史操作,参考商品不同时期采购价格及数量,结合量大从优、推荐有奖的原则,由系统提供参考价,营销人员根据参考价结合个人经验对询价客户进行报价或主动根据客户要求进行报价,在报价经客户确认后完成营销闭环,实现营销目标。
6.根据权利要求5所述的基于小程序的营销闭环系统,其特征在于,将商品按照本质特征及用途归口到品类节点,按照行业和客户习惯自定义标签,根据属性检索习惯和值类型按需设置精确搜索和范围搜索,其中精确搜索用于有检索需求的字符型属性,范围搜索用于数值型属性。
7.根据权利要求5所述的基于小程序的营销闭环系统,其特征在于,通过爬虫技术不断获取行业相关的最新市场环境、景气度及发展趋势,持续更新行业特性和分析数据,通过系统学习和人工结合完成各行业聚类和打标签;
通过爬虫技术不断获取各个企业相关从业人员的年龄层次、教育程度、喜好变化和专业技能,同时通过埋点获取用户使用系统的习惯及用户偏好,持续更新行业从业人员的特性和分析数据,通过系统学习和人工结合完成企业及从业人员的聚类和打标签;
通过爬虫技术不断获取各个产品的需求预测、实际销量、产品定位、价格变化、量价关联度及搜索热词,持续更新行业产品的特性和分析数据,通过系统学习和人工结合完成产品的聚类和打标签。
8.根据权利要求5所述的基于小程序的营销闭环系统,其特征在于,在后台系统根据商品的品类、品牌、标签、属性信息建立商品元数据,以公司历史销售数据为基础,结合公司当前阶段的销售目标,选择有营销需求且有市场潜力的商品,对目标客户制定限时限量限价并含有其他销售规则的营销活动;所述目标客户包括但不限于下游产业的生产商及代理商,需要以商品作为原料或工具用途、已经联络但尚未建立商务合作的企业或个人;
通过小程序埋点自动获取的访问某个节点的客户、访问时间、上一节点、下一节点、进入时间和跳出时间,按照不同维度进行数据统计和分析,获取客户关注的商品及热度,定向推荐关联商品和营销活动信息;
将小程序结合用户在平台的操作习惯,埋点获取用户行为数据,通过聚类的方式将平台用户进行分类,进一步根据用户的群体特征对特定用户推送营销活动;
所述小程序采用K-MEANS聚类方法,先通过实验的方式找到合适的K值,分别令K等于2、3、4…10,计算总平方和SST,当K值越大时SST值越小,最合适的K值不是SST值最小的,而是效率最高的,然后根据用户数据进行聚类分析,当完成用户分类后,根据用户数据进行用户群的画像分析,并根据业务经验为最终得到的用户群赋能,匹配合适的营销活动;
通过K-MEANS聚类方法对顾客需求划分为基本型需求、期望型需求和兴奋型需求,将产品和服务的质量特性分为:必备属性M,当优化此需求,用户满意度不会提升,当不提供此需求,用户满意度会大幅降低;期望属性O,当提供此需求,用户满意度会提升,当不提供此需求,用户满意度会降低;魅力属性A,用户意想不到的,如果不提供此需求,用户满意度不会降低,但当提供此需求,用户满意度会有很大提升;无差异属性I,无论提供或不提供此需求,用户满意度都不会有改变;加入Better-Worse系数计算(Better/SI=(A+O)/(A+O+M+I),Worse/DSI=-1*(M+O)/(A+O+M+I)),通过满意影响力SI和不满意影响力DSI组成四象限对比优先级,将多需求的SI和DSI平均值作为横轴同属性优先考虑Better值高的需求,其中,Better为增加后的满意系数,Worse为消除后的不满意系数。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于小程序的营销闭环方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于小程序的营销闭环方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211334893.4A CN115660718A (zh) | 2022-10-28 | 2022-10-28 | 基于小程序的营销闭环方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211334893.4A CN115660718A (zh) | 2022-10-28 | 2022-10-28 | 基于小程序的营销闭环方法、系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660718A true CN115660718A (zh) | 2023-01-31 |
Family
ID=84994262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211334893.4A Pending CN115660718A (zh) | 2022-10-28 | 2022-10-28 | 基于小程序的营销闭环方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660718A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584018A (zh) * | 2018-12-04 | 2019-04-05 | 雄商网络科技(上海)有限公司 | 一种互联网营销云服务平台 |
CN109636435A (zh) * | 2018-10-24 | 2019-04-16 | 平安普惠企业管理有限公司 | 通过小程序联动营销的方法、装置、计算机设备及介质 |
CN109993553A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团山西有限公司 | 基于逆向漏斗的数据分析方法、装置、设备及介质 |
CN111612551A (zh) * | 2020-06-03 | 2020-09-01 | 陈包容 | 商家进行用户数据引流的方法及系统 |
CN112232909A (zh) * | 2020-10-13 | 2021-01-15 | 汉唐信通(北京)科技有限公司 | 一种基于企业画像的商机挖掘方法 |
CN112884557A (zh) * | 2021-03-30 | 2021-06-01 | 中信银行股份有限公司 | 金融产品营销方法、装置、终端设备以及可读存储介质 |
CN114663132A (zh) * | 2022-03-02 | 2022-06-24 | 厦门文杉信息科技有限公司 | 一种基于实时用户画像的智能营销方法及装置 |
CN115131084A (zh) * | 2021-03-25 | 2022-09-30 | 博泰车联网科技(上海)股份有限公司 | 推荐方法及相关设备 |
-
2022
- 2022-10-28 CN CN202211334893.4A patent/CN115660718A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993553A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团山西有限公司 | 基于逆向漏斗的数据分析方法、装置、设备及介质 |
CN109636435A (zh) * | 2018-10-24 | 2019-04-16 | 平安普惠企业管理有限公司 | 通过小程序联动营销的方法、装置、计算机设备及介质 |
CN109584018A (zh) * | 2018-12-04 | 2019-04-05 | 雄商网络科技(上海)有限公司 | 一种互联网营销云服务平台 |
CN111612551A (zh) * | 2020-06-03 | 2020-09-01 | 陈包容 | 商家进行用户数据引流的方法及系统 |
CN112232909A (zh) * | 2020-10-13 | 2021-01-15 | 汉唐信通(北京)科技有限公司 | 一种基于企业画像的商机挖掘方法 |
CN115131084A (zh) * | 2021-03-25 | 2022-09-30 | 博泰车联网科技(上海)股份有限公司 | 推荐方法及相关设备 |
CN112884557A (zh) * | 2021-03-30 | 2021-06-01 | 中信银行股份有限公司 | 金融产品营销方法、装置、终端设备以及可读存储介质 |
CN114663132A (zh) * | 2022-03-02 | 2022-06-24 | 厦门文杉信息科技有限公司 | 一种基于实时用户画像的智能营销方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210334875A1 (en) | Commodity recommendation method and commodity recommendation device | |
CN110222272A (zh) | 一种潜在客户挖掘与推荐方法 | |
US11682060B2 (en) | Methods and apparatuses for providing search results using embedding-based retrieval | |
US20220172258A1 (en) | Artificial intelligence-based product design | |
US20140172566A1 (en) | Matching of advertising sources and keyword sets in online commerce platforms | |
US20210090105A1 (en) | Technology opportunity mapping | |
CN113157752A (zh) | 一种基于用户画像和情境的科技资源推荐方法及系统 | |
CN112150227A (zh) | 商品推荐方法、系统、设备及介质 | |
CN115203311B (zh) | 一种基于数据大脑的行业数据分析挖掘方法及系统 | |
Hajipour et al. | Delta model application for developing customer lifetime value | |
CN115131101A (zh) | 一种保险产品个性化智能推荐系统 | |
Apichottanakul et al. | Customer behaviour analysis based on buying-data sparsity for multi-category products in pork industry: A hybrid approach | |
Erkip | Can accessing much data reshape the theory? Inventory theory under the challenge of data-driven systems | |
CN116628340B (zh) | 职位代理人推荐方法及系统 | |
Anusha et al. | Segmentation of retail mobile market using HMS algorithm | |
US20170372336A1 (en) | Predicting customer purchase behavior for educational technology products | |
WO2023219950A1 (en) | Systems and methods to control customized performance insight through machine learning based knowledge graphs | |
Wu et al. | [Retracted] Using the Mathematical Model on Precision Marketing with Online Transaction Data Computing | |
CN115660718A (zh) | 基于小程序的营销闭环方法、系统、介质及设备 | |
Moula et al. | Customer type discovery in hotel revenue management: a data mining approach | |
Zhang et al. | Ordering and ranking products for an online retailer | |
CN102799593B (zh) | 个人化搜寻排序方法以及系统 | |
Kogan et al. | Multi-period aggregate production planning in a news-vendor framework | |
CN111460300A (zh) | 网络内容推送方法、装置及存储介质 | |
Surya et al. | Implementation Of Decision Tree Method To Predict Customer Interest In Internet Data Packages |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230131 |