CN116258517B - 结合分布式算力和消费者终身价值获取最佳促销策略方法 - Google Patents
结合分布式算力和消费者终身价值获取最佳促销策略方法 Download PDFInfo
- Publication number
- CN116258517B CN116258517B CN202310072227.6A CN202310072227A CN116258517B CN 116258517 B CN116258517 B CN 116258517B CN 202310072227 A CN202310072227 A CN 202310072227A CN 116258517 B CN116258517 B CN 116258517B
- Authority
- CN
- China
- Prior art keywords
- consumer
- lifetime value
- computing power
- promotion strategy
- behavior data
- 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
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种结合分布式算力和消费者终身价值获取最佳促销策略方法,包括:收集时间周期内消费者的消费行为数据,所述消费者行为数据包括针对每一种促销策略,消费者的购买行为;构建消费者终身价值预测模型;在分布式组网内各地方边缘点的算力节点上部署消费者终身价值预测模型,并构建算力量化模型;根据算力量化模型将收集的消费行为数据分配到消费者终身价值预测模型中,预测出消费者终身价值;针对每一种促销策略,将消费者终身价值最大对应的促销策略作为最佳促销策略。本发明根据算力量化模型来实现消费者终身价值预测,从而获得最佳促销策略,以提升消费者的购买力和对企业的忠诚度。
Description
技术领域
本发明属于消费者终身价值预测技术领域,具体地,涉及一种结合分布式算力和消费者终身价值获取最佳促销策略方法。
背景技术
消费者终身价值是指企业在整个业务关系中可以从单个消费者的账户中合理预期的总收入指标,该指标考虑客户的收入价值,并将该数字与公司预测的客户寿命进行比较,通过分析采取对应措施以提高消费者的忠诚度,因此,消费者终身价值分析被视为是数字经济形态下企业了解其消费者并开展营销活动的有效手段之一。
但是从资源的建设和占有角度看,大部分企业用户并不具备足够的资源储备,难以实现对消费者终身价值的有效分析,灵活的资源获取及使用方式成为当务之急;而从资源提供方的角度看,信息基础资源的所有方也是分散的,很难有某方能够占据所有的资源。综上,亟需一种资源整合方法来实现消费者终身价值的预测,并从中确定最佳促销策略,以促进消费者的购买力,从早期的网格计算、雾计算到如今的云计算等,各种类型的方案不断涌现,近年来“算力网络”概念的提出更是引发了广泛关注。
发明内容
针对现有技术中存在的问题,本发明提供了一种结合分布式算力预测消费者终身价值的方法,在分布式组网各地方边缘节点的算力节点上部署消费者终身价值预测模型,根据算力量化模型来实现消费者终身价值预测,从而获得最佳促销策略,以提升消费者的购买力和对企业的忠诚度。
为实现上述目的,本发明采用如下技术方案:一种结合分布式算力和消费者终身价值获取最佳促销策略方法,具体包括如下步骤:
步骤1、收集时间周期内消费者的消费行为数据,所述消费者行为数据包括针对每一种促销策略,消费者的购买行为;
步骤2、构建消费者终身价值预测模型;
步骤3、在分布式组网内各地方边缘点的算力节点上部署消费者终身价值预测模型,并构建算力量化模型;
步骤4、根据算力量化模型将收集的消费行为数据分配到消费者终身价值预测模型中,预测出消费者终身价值;
步骤5、针对每一种促销策略,重复步骤4,将消费者终身价值最大对应的促销策略作为最佳促销策略。
进一步地,所述消费者终身价值预测模型具体为:
其中,T为消费者终身价值预测的初始时间点,i为消费者索引,为消费者终身价值预测的时间周期,γ为/>的索引,Profiti,T+γ为当前时间点为T+γ的情景下从消费者i处获得的预期利润,d为折现率,/>为时间周期内预测消费者i的终身价值。
进一步地,所述预期利润表示为:
其中,P为企业的产品数量,p为P的索引,Profiti,p,T+γ为新引人的指示变量,用来表示当前时间点为T+γ的情景下消费者i是否购买产品p,Usagei,p,T+γ表示在当前时间点为T+γ的情景下消费者i购买产品p的数量,Marginp,T+γ表示在当前时间点为T+γ的情景下产品的平均利润率。
进一步地,所述算力量化模型的构建过程为:
其中,Cbr为分布式组网内各地方边缘点的算力节点的总算力需求,n为逻辑运算芯片数量,i为n的索引,f(ai)为逻辑运算的映射函数,αi为第i个逻辑运算芯片的映射比例系数,q1(TOPS)为逻辑运算的冗余算力;m为并行计算芯片数量,j为m的索引,f(bj)为并行计算的映射函数,βj为第j个并行计算芯片的映射比例系数,q2(FLOPS)为并行计算的冗余算力;p为神经网络加速芯片的数量,k为p的索引,f(ck)为神经网络加速的映射函数,γk为第k个神经网络加速芯片的映射比例系数,q3(FLOPS)为神经网络加速的冗余算力。
进一步地,预测消费者终身价值的过程中,保持时间周期的长度不变,将后收集的消费者行为数据替换时间周期内时间点在前的消费者行为数据。
与现有技术相比,本发明具有如下有益效果:本发明结合分布式算力和消费者终身价值获取最佳促销策略方法通过在分布式组网内各地方边缘点的算力节点上部署消费者终身价值预测模型,并构建算力量化模型,通过算力量化模型将收集的消费行为数据分配到消费者终身价值预测模型中,预测出消费者终身价值,针对消费者消费者终身价值预测模型运算复杂,运算缓慢的情况,通过算力模型获得系统运算的量化算力,为系统的正常运算及运行提供足够算力资源;同时,通过消费者终身价值预测模型预测出的消费者终身价值确定最佳促销策略,方便企业制动合理促销策略,以提升消费者的购买力和对企业的忠诚度。
附图说明
图1为本发明结合分布式算力和消费者终身价值获取最佳促销策略方法的流程图;
图2为本发明中算力量化模型的示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步地解释说明。
如图1为本发明结合分布式算力和消费者终身价值获取最佳促销策略方法的流程图,该方法具体包括如下步骤:
步骤1、收集时间周期内消费者的消费行为数据,在预测消费者终身价值的过程中,需要保持时间周期的长度不变,将后收集的消费者行为数据替换时间周期内时间点在前的消费者行为数据。本发明中消费者行为数据包括针对每一种促销策略,消费者的购买行为。
步骤2、构建消费者终身价值预测模型,本发明中消费者终身价值预测模型具体为:
其中,T为消费者终身价值预测的初始时间点,i为消费者索引,为消费者终身价值预测的时间周期,γ为/>的索引,Profiti,T+γ为当前时间点为T+γ的情景下从消费者i处获得的预期利润,d为折现率,/>为时间周期内预测消费者i的终身价值。
对于一家企业可能存在多种产品,因此,企业的预期利润表示为:
其中,P为企业的产品数量,p为P的索引,Profiti,p,T+γ为新引人的指示变量,用来表示当前时间点为T+γ的情景下消费者i是否购买产品p,Usagei,p,T+γ表示在当前时间点为T+γ的情景下消费者i购买产品p的数量,Marginp,T+γ表示在当前时间点为T+γ的情景下产品的平均利润率。
步骤3、在分布式组网内各地方边缘点的算力节点上部署消费者终身价值预测模型,并构建算力量化模型;算力是设备或平台为完成某种业务所具备的处理业务信息的关键核心能力,涉及设备或平台的计算能力,如图2,算力量化模型根据所运行算法和所涉及的数据计算类型不同,可将算力分为逻辑运算能力、并行计算能力和神经网络加速能力,对不同的计算类型,不同厂商的芯片有各自不同的设计,需要对异构算力进行统一度量。通过算力模型获得系统运算的量化算力,针对消费者消费者终身价值预测模型运算复杂,运算缓慢的情况,为系统的正常运算及运行提供足够算力资源。
本发明中算力量化模型的构建过程为:
其中,Cbr为分布式组网内各地方边缘点的算力节点的总算力需求,n为逻辑运算芯片数量,i为n的索引,f(ai)为逻辑运算的映射函数,αi为第i个逻辑运算芯片的映射比例系数,q1(TOPS)为逻辑运算的冗余算力;m为并行计算芯片数量,j为m的索引,f(bj)为并行计算的映射函数,βj为第j个并行计算芯片的映射比例系数,q2(FLOPS)为并行计算的冗余算力;p为神经网络加速芯片的数量,k为p的索引,f(ck)为神经网络加速的映射函数,γk为第k个神经网络加速芯片的映射比例系数,q3(FLOPS)为神经网络加速的冗余算力。
步骤4、根据算力量化模型将收集的消费行为数据分配到消费者终身价值预测模型中,预测出消费者终身价值;
步骤5、针对每一种促销策略,重复步骤4,将消费者终身价值最大对应的促销策略作为最佳促销策略。
本发明通过消费者终身价值预测模型预测出的消费者终身价值确定最佳促销策略,方便企业制动合理促销策略,以提升消费者的购买力和对企业的忠诚度。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施方式,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (4)
1.一种结合分布式算力和消费者终身价值获取最佳促销策略方法,其特征在于,具体包括如下步骤:
步骤1、收集时间周期内消费者的消费行为数据,所述消费者行为数据包括针对每一种促销策略,消费者的购买行为;
步骤2、构建消费者终身价值预测模型;所述消费者终身价值预测模型具体为:
其中,T为消费者终身价值预测的初始时间点,i为消费者索引,为消费者终身价值预测的时间周期,γ为/>的索引,Profiti,T+γ为当前时间点为T+γ的情景下从消费者i处获得的预期利润,d为折现率,/>为时间周期内预测消费者i的终身价值;
步骤3、在分布式组网内各地方边缘点的算力节点上部署消费者终身价值预测模型,并构建算力量化模型;
步骤4、根据算力量化模型将收集的消费行为数据分配到消费者终身价值预测模型中,预测出消费者终身价值;
步骤5、针对每一种促销策略,重复步骤4,将消费者终身价值最大对应的促销策略作为最佳促销策略。
2.根据权利要求1所述的一种结合分布式算力和消费者终身价值获取最佳促销策略方法,其特征在于,所述预期利润表示为:
其中,P为企业的产品数量,p为P的索引,Profiti,p,T+γ为新引人的指示变量,用来表示当前时间点为T+γ的情景下消费者i是否购买产品p,Usagei,p,T+γ表示在当前时间点为T+γ的情景下消费者i购买产品p的数量,Marginp,T+γ表示在当前时间点为T+γ的情景下产品的平均利润率。
3.根据权利要求1所述的一种结合分布式算力和消费者终身价值获取最佳促销策略方法,其特征在于,所述算力量化模型的构建过程为:
其中,Cbr为分布式组网内各地方边缘点的算力节点的总算力需求,n为逻辑运算芯片数量,i为n的索引,f(ai)为逻辑运算的映射函数,αi为第i个逻辑运算芯片的映射比例系数,q1(TOPS)为逻辑运算的冗余算力;m为并行计算芯片数量,j为m的索引,f(bj)为并行计算的映射函数,βj为第j个并行计算芯片的映射比例系数,q2(FLOPS)为并行计算的冗余算力;p为神经网络加速芯片的数量,k为p的索引,f(ck)为神经网络加速的映射函数,γk为第k个神经网络加速芯片的映射比例系数,q3(FLOPS)为神经网络加速的冗余算力。
4.根据权利要求1所述的一种结合分布式算力和消费者终身价值获取最佳促销策略方法,其特征在于,预测消费者终身价值的过程中,保持时间周期的长度不变,将后收集的消费者行为数据替换时间周期内时间点在前的消费者行为数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310072227.6A CN116258517B (zh) | 2023-02-07 | 2023-02-07 | 结合分布式算力和消费者终身价值获取最佳促销策略方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310072227.6A CN116258517B (zh) | 2023-02-07 | 2023-02-07 | 结合分布式算力和消费者终身价值获取最佳促销策略方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258517A CN116258517A (zh) | 2023-06-13 |
CN116258517B true CN116258517B (zh) | 2023-08-22 |
Family
ID=86680333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310072227.6A Active CN116258517B (zh) | 2023-02-07 | 2023-02-07 | 结合分布式算力和消费者终身价值获取最佳促销策略方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258517B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009432A (zh) * | 2019-04-15 | 2019-07-12 | 武汉理工大学 | 一种个人消费行为预测方法 |
CN113079218A (zh) * | 2021-04-09 | 2021-07-06 | 网络通信与安全紫金山实验室 | 一种面向服务的算力网络系统、工作方法及存储介质 |
-
2023
- 2023-02-07 CN CN202310072227.6A patent/CN116258517B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009432A (zh) * | 2019-04-15 | 2019-07-12 | 武汉理工大学 | 一种个人消费行为预测方法 |
CN113079218A (zh) * | 2021-04-09 | 2021-07-06 | 网络通信与安全紫金山实验室 | 一种面向服务的算力网络系统、工作方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116258517A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saputra et al. | Energy demand prediction with federated learning for electric vehicle networks | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
CN109636482B (zh) | 基于相似度模型的数据处理方法及系统 | |
CN109165763A (zh) | 一种95598客服工单的潜在被投诉的评估方法及装置 | |
CN112950119B (zh) | 即时物流订单拆分方法、装置、设备及存储介质 | |
CN110210980A (zh) | 一种驾驶行为评估方法、装置和存储介质 | |
CN113361980A (zh) | 一种大数据资产价值评估的系统和方法 | |
AU2014201264A1 (en) | Scenario based customer lifetime value determination | |
CN114202367A (zh) | 基于用户画像的权益分配方法、装置、设备及介质 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
Liu et al. | Spatiotemporal‐Dependent Vehicle Routing Problem Considering Carbon Emissions | |
CN116258517B (zh) | 结合分布式算力和消费者终身价值获取最佳促销策略方法 | |
Hua et al. | Large-scale dockless bike sharing repositioning considering future usage and workload balance | |
CN113610170A (zh) | 一种基于时序网络社团检测的影响力最大化方法 | |
CN110826943B (zh) | 判断是否需要进行配车及确定公交配车数的方法及相关设备 | |
CN108234596A (zh) | 航空信息推送方法及装置 | |
CN116737387A (zh) | 一种基于电网数字化业务的云计算资源预测系统及方法 | |
Hao et al. | Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information | |
CN116226293A (zh) | 一种电力客户画像生成管理的方法及系统 | |
CN113705902B (zh) | 一种基于人群管理的交通枢纽客运组织评价方法 | |
Wang et al. | Ride-hailing origin-destination demand prediction with spatiotemporal information fusion | |
CN115049314A (zh) | 一种干线运输自备车队规模优化方法 | |
CN112101576B (zh) | 分布式设备使用机器学习模型聚合系统 | |
Tyagi et al. | Stacker: A holistic cloud computing based framework for smart cities | |
CN113935407A (zh) | 一种异常行为识别模型确定方法及装置 |
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 |