CN116308562A - 线下零售用户智能筛选方法 - Google Patents

线下零售用户智能筛选方法 Download PDF

Info

Publication number
CN116308562A
CN116308562A CN202310096333.8A CN202310096333A CN116308562A CN 116308562 A CN116308562 A CN 116308562A CN 202310096333 A CN202310096333 A CN 202310096333A CN 116308562 A CN116308562 A CN 116308562A
Authority
CN
China
Prior art keywords
user
shopping
holiday
potential
probability
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
Application number
CN202310096333.8A
Other languages
English (en)
Inventor
王澄宇
向雷
黄浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Commercial E Commerce Co ltd
Original Assignee
Chongqing Commercial E Commerce Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Commercial E Commerce Co ltd filed Critical Chongqing Commercial E Commerce Co ltd
Priority to CN202310096333.8A priority Critical patent/CN116308562A/zh
Publication of CN116308562A publication Critical patent/CN116308562A/zh
Pending legal-status Critical Current

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
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Analysis (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了线下零售用户智能筛选方法，该方法包括：获取用户数据；定义目标场景，设置相应的节日特征；基于节日特征利用用户数据构建用户特征，用户特征包括节日潜在购物概率、潜在购买品类、性别、购物年龄、关联品牌得分、半年购物频次、最近一次消费距离当前天数、非投诉类客服咨询次数；将用户特征输入训练好的筛选模型输出用户节日到店消费概率；筛选潜在用户，将潜在用户的用户信息发送至信息推送中心。本发明大大提升了对于被发送信息用户的准确度，减少对其他用户的打扰，降低了组织在大批量无差别发送信息过程中出现的资源浪费，提升资源利用率。

Description

线下零售用户智能筛选方法
技术领域
本发明涉及信息过滤和数据挖掘技术领域，尤其涉及线下零售用户智能筛选方法。
背景技术
商场、超市等线下销售场所在节假日常常通过微信、短信等方式向用户推送商品优惠或更新信息以吸引客户到店消费。目前，向用户推送信息的依据主要有两种方式：第一种是全量用户营销发送，将组织内存量的全部用户当做潜在用户推送信息，进行全量级的覆盖推送。第二种是基于制定好的业务规则选择用户推送短信，根据实际营销需求设计一条或多条业务规则，这样能缩小信息推送人群，提高信息推送精度。例如满足“男性、30岁、身高175cm以上”的用户群体，对这个群体里面的用户进行短信内容推送。第一种方式对于已经具备一定用户量的组织(例如政府、大型企业)，一味地进行全量用户推送，会造成很大程度上的资源浪费。第二种方式人工成本高，实时性无法保证，用户主观性强，即使是在选择部分用户群发送的情况下，也需要工作人员前期对已有业务数据进行分析，汇总成需要的结论，再通过结论筛选用户群体，对筛选群体用户进行内容推送。虽然一定程度上改善了全量用户发送的“资源浪费”问题，但从中产生了大量的人力成本，并且实时性，准确度无法保证。
公开号为CN111340565A的现有中国专利公开了一种信息推荐方法，在该方法中根据用户的逛店信息，利用预先构建的第一概率模型确定出用户在未来的第一时间段内进入目标店铺的逛店概率，从而可以进一步根据该逛店概率，确定是否将该目标店铺对应的营销策略信息推送给用户。该方法虽然可以针对顾客作出精细化的营销，提高用户的购买转化率，但是用户的逛店信息仅包括用户出入店铺信息，一方面信息维度较小，另一方面没有深层次去挖掘用户信息中的数据特征，均使得该方法筛选用户的准确性还有待提高。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，提供一种自动化地准确筛选用户的线下零售用户智能筛选方法，以实现信息精准推送。
为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了线下零售用户智能筛选方法，线下零售用户智能筛选方法，包括：获取用户数据，所述用户数据包括用户历史消费数据和用户信息；定义目标场景，基于目标场景根据节日特点针对用户筛选设置相应的节日特征；基于节日特征利用用户数据构建用户特征，所述用户特征包括节日潜在购物概率、潜在购买品类、性别、购物年龄、关联品牌得分、半年购物频次、最近一次消费距离当前天数、非投诉类客服咨询次数；将用户特征输入训练好的筛选模型，所述筛选模型输出用户节日到店消费概率；基于用户节日到店消费概率筛选潜在用户，将潜在用户的用户信息发送至信息推送中心。
上述技术方案：基于机器学习来获取用户到店消费概率，无需人工制定规则，减少了人力成本；用户特征是根据节日特征来精准提取的，并且采用多维度用户特征来提高用户筛选的准确度，特别地，如节日潜在购物概率、潜在购买品类、购物年龄、关联品牌得分等用户特征不是通过用户数据直接获得的，而是需要对现有用户数据提炼和挖掘获得，这样进一步提高了用户筛选的准确度，使筛选的用户更有可能节日到店消费。本申请将“大数据+据机器学习”精准划分人群应用于信息推送的用户筛选具体应用场景中，一方面大大提升了对于被发送信息用户的准确度，减少对其他用户的打扰；另一方面也降低了组织在大批量无差别发送信息过程中出现的资源浪费，提升资源利用率。
进一步优选地，所述目标场景包括：时间方面、原因方面、需求方面和地点方面，时间方面是指节日时间，原因方面是指用户节日购物的原因，需求方面是指用户产生的商品需求，地点方面是指用户线下购物的场所。
上述技术方案：该目标场景从四个方面针对用户筛选，使筛选的用户更准确。
进一步优选地，所述节日特征包括：节日时间、节日庆祝对象购物原因、节日庆祝对象的商品需求、节日庆祝对象线下购买商品场所。
上述技术方案：通过节日特征的四个方面准确限定用户群，使最后筛选的用户更准确。
进一步优选地，所述节日潜在购物概率p1的获取过程包括：以用户最近一次购物日期为基础日期t，以t+a作为用户下次预计购物基础日期，a表示用户历史购物平均间隔天数，以(t+a)±δ作为用户下次购物的潜在时间范围，δ表示用户历史购物间隔天数的标准差；若节日与用户下次购物的潜在时间范围不存在交集，则令p1＝0；若节日与用户下次购物的潜在时间范围存在交集，则
Figure BDA0004085815640000041
t1表示节日与用户下次购物的潜在时间范围的交集包含的天数，T表示节日的总天数。
上述技术方案：节日潜在购物概率是基于用户历史购物数据提取获得，参考了用户历史行为，能够更贴近用户真实行为，有助于提高用户筛选的准确性。
进一步优选地，所述潜在购买品类获取过程为：基于用户历史消费数据，获取用户到店的总购物次数和每个品类的购买次数，计算每个品类的购买次数与总购物次数的比值获得用户每个品类的购买概率，将购买概率最大或大于第一阈值的品类作为用户的潜在购买品类。
上述技术方案：基于用户历史购物数据来提取用户的潜在购买品类，使得该潜在购买品类与用户的习惯相关，作为一个特征输入筛选模型能够提高获取的用户节日到店消费概率的准确性。
进一步优选地，所述购物年龄为用户历史购买品牌的营销年龄范围。
上述技术方案：采用购物年龄而非用户信息中的实际年龄，更准确。
进一步优选地，所述关联品牌得分获取过程包括：从用户历史消费数据中基于apiroir算法获取用户消费的关联品牌，基于用户消费的关联品牌数量设置关联品牌得分，消费的关联品牌数量越多则关联品牌得分越高。
上述技术方案：关联品牌得分越高表示用户购买关联品牌的可能性越大，将该特征输入筛选模型，使获得的用户到店消费概率更准确。
为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了线下零售用户智能筛选装置，包括：数据获取模块，用于获取用户数据，所述用户数据包括用户历史消费数据和用户信息；定义模块，用于定义目标场景，基于目标场景根据节日特点针对用户筛选设置相应的节日特征；用户特征获取模块，基于节日特征利用用户数据构建用户特征，所述用户特征包括节日潜在购物概率、潜在购买品类、性别、购物年龄、关联品牌得分、半年购物频次、最近一次消费距离当前天数、非投诉类客服咨询次数；到店消费概率获取模块，用于将用户特征输入训练好的筛选模型，所述筛选模型输出用户节日到店消费概率；筛选模块，基于用户节日到店消费概率筛选潜在用户，将潜在用户的用户信息发送至信息推送中心。
附图说明
图1是本发明一种优选实施方式中线下零售用户智能筛选方法的流程示意图；
图2是本发明一种应用场景中线下零售用户智能筛选方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明公开了一种线下零售用户智能筛选方法，在一种优选实施方式中，如图1所示，包括：
步骤S1，获取用户数据，用户数据包括用户历史消费数据和用户信息。用户数据存储于门店管理中心。用户历史消费数据包括用户每次消费日期，消费的品类，消费品牌，消费金额等。用户信息包括用户ID、用户年龄、用户性别、用户住址、用户联系方式等。
步骤S2，定义目标场景，基于目标场景根据节日特点针对用户筛选设置相应的节日特征。在线下零售场景中，用户大部分情况下来百货业态门店购物会遵循“产生需求一>线下购买”业务模式。那么根据这个特定的业务模式将线下零售场景框架定义为“用户在xxx时间点，产生xxxx需求，来xxx购物”。那么针对筛选用户推荐信息，则可以将目标场景定义为：
时间方面：指节日时间，如用户的xxxx节日时间点；
原因方面：是指用户节日购物的原因，如因为xxxx事情；
需求方面：是指用户产生的商品需求，如产生xxx购物需求；
地点方面：是指用户线下购物的场所，如来xxxx购物”。
因此，通过目标场景定义了线下营销场景。
在本实施方式中，在目标场景框架梳理后，确定出每个节日相应的节日特征，优选地，节日特征包括：节日时间、节日庆祝对象购物原因、节日庆祝对象的商品需求、节日庆祝对象线下购买商品场所。以“3.8妇女节”为例，其节日特征为：节日时间：每年3月8日；节日庆祝对象购物原因：以成年女性为主要庆祝对象，在这天女性可能会以庆祝节日为由进行购物；节日庆祝对象的商品需求：对于有需要补充女性换季衣物、女性鞋包以及化妆品等女性属性偏重的商品产生需求；节日庆祝对象线下购买商品场所：在其就近的商场进行购物。在后续计算中，可以基于节日庆祝对象的商品需求获得用户的潜在购买品类、关联品牌得分等。
步骤S3，基于节日特征利用用户数据构建用户特征，用户特征包括节日潜在购物概率、潜在购买品类、性别、购物年龄、关联品牌得分、半年购物频次、最近一次消费距离当前天数、非投诉类客服咨询次数。半年购物频次即用户在近半年中进行过购物的次数。性别可根据节日特征中的节日庆祝对象确定，如三八妇女节、母亲节则性别为女性。
在本实施方式中，优选地，节日潜在购物概率p1的获取过程包括：
步骤1，以用户最近一次购物日期为基础日期t，以t+a作为用户下次预计购物基础日期，a表示用户历史购物平均间隔天数，以(t+a)±δ作为用户下次购物的潜在时间范围，δ表示用户历史购物间隔天数的标准差；
步骤2，若节日与用户下次购物的潜在时间范围不存在交集，则令p1＝0；若节日与用户下次购物的潜在时间范围存在交集，则
Figure BDA0004085815640000081
t1表示节日与用户下次购物的潜在时间范围的交集包含的天数，T表示节日的总天数。如节日为六一儿童节，而用户下次购物的潜在时间范围为5月20日到5月31日，6月1日不在该时间段内，则令p1＝0。如节日为元旦节，放假时间为1月1日到1月3日，则T为3天，用户下次购物的潜在时间范围为12月30日到1月2日，则t1为2天，则/>
Figure BDA0004085815640000082
在本实施方式中，优选地，潜在购买品类获取过程为：基于用户历史消费数据，获取用户到店的总购物次数和每个品类的购买次数，计算每个品类的购买次数与总购物次数的比值获得用户每个品类的购买概率，将购买概率最大或大于第一阈值的品类作为用户的潜在购买品类。品类是指商品的品类，包括男装、女装、体育用品、日常百货等。第一阈值为预先设置，可以为百分比，如60％或70％或55％等。
在本实施方式中，优选地，购物年龄为用户历史购买品牌的营销年龄范围。通过用户数据中用户历史购物记录能够得到用户历史购买的品牌，如服装、鞋帽等品牌，每个品牌具有其营销的年龄特征范围，因此将其购买过的品牌的营销年龄范围作为用户的购物年龄，购物年龄可能具有多个年龄段。
在本实施方式中，优选地，关联品牌得分获取过程包括：从用户历史消费数据中基于apiroir算法获取用户消费的关联品牌，基于用户消费的关联品牌数量设置关联品牌得分，消费的关联品牌数量越多则关联品牌得分越高。分别进行0，1，2，3，4这5个分值进行打分，购买关联品牌数量越多的会员则分值越高。apiroir算法是一种挖掘关联规则的频繁项集算法，是一种最有影响的挖掘布尔关联规则频繁项集的算法。具体的，apiroir算法通过已有用户历史购物数据，计算出品牌间高概率的购买关联性。例如购买A、C、D、E、F品牌的用户60％可能性购买B品牌，那么设定B品牌为A、C、D、E、F品牌的关联品牌。关联品牌得分的打分举例：若用户仅购买A品牌，那么购买B品牌的加权为1分。若用户仅购买A、C，那么购买B的品牌加权为2分，以此类推。
步骤S4，将用户特征输入训练好的筛选模型，筛选模型输出用户节日到店消费概率。筛选模型的具体结构优选但不限于为随机森林或基于决策树的GBDT(GradientBoosting Decision Tree)算法。用户节日到店消费概率为0到1范围内的数值，可以百分数或小数形式表现。可同时输入多个用户的用户特征，筛选模型输出多个用户的节日到店消费概率。
步骤S5，基于用户节日到店消费概率筛选潜在用户，将潜在用户的用户信息发送至信息推送中心。如当用户节日到店消费概率大于等于50％或60％时就将该用户筛选出来作为潜在用户。信息推送中心将会以短信或微信等形式向潜在用户发送节日促销或品牌上新等信息。
在本实施方式中，对于每个节日，由于其对应的节日特征不同，因此，每个节日对应一个筛选模型。因此，对于具体节日，在一种应用场景中，具体流程如图2所示，基于业务需求，设计目标场景下的用户特征(包括本实施方式中的八个用户特征)；构建筛选模型的模型结构，可以是随机森林或GBDT。基于用户数据，整合组织已有的用户信息数据，获取用户特征，将用户特征输入训练好的筛选模型，得到用户到店消费概率，输出用户到店消费概率高的用户给信息推送中心。
在本实施方式中，筛选模型的训练过程包括：步骤a，基于用户数据构建样本集，样本集中样本特征为用户特征，可人工经验或历史结果标记样本的用户到店消费概率。步骤b，将样本集按照2：8的方式划分，占比2的部分为训练集，占比8的部分为测试集。步骤c，利用训练集对筛选模型进行训练。步骤d，利用测试集测试训练后的筛选模型效果。步骤e，反复执行步骤c和d，直至筛选模型效果达到预期。
本发明还公开了一种线下零售用户智能筛选装置，包括：数据获取模块，用于获取用户数据，所述用户数据包括用户历史消费数据和用户信息；定义模块，用于定义目标场景，基于目标场景根据节日特点针对用户筛选设置相应的节日特征；用户特征获取模块，基于节日特征利用用户数据构建用户特征，所述用户特征包括节日潜在购物概率、潜在购买品类、性别、购物年龄、关联品牌得分、半年购物频次、最近一次消费距离当前天数、非投诉类客服咨询次数；到店消费概率获取模块，用于将用户特征输入训练好的筛选模型，所述筛选模型输出用户节日到店消费概率；筛选模块，基于用户节日到店消费概率筛选潜在用户，将潜在用户的用户信息发送至信息推送中心。
在本实施方式中，优选地，节日潜在购物概率p1的获取过程包括：
步骤A，以用户最近一次购物日期为基础日期t，以t+a作为用户下次预计购物基础日期，a表示用户历史购物平均间隔天数，以(t+a)±δ作为用户下次购物的潜在时间范围，δ表示用户历史购物间隔天数的标准差；
步骤B，若节日与用户下次购物的潜在时间范围不存在交集，则令p1＝0；若节日与用户下次购物的潜在时间范围存在交集，则
Figure BDA0004085815640000111
t1表示节日与用户下次购物的潜在时间范围的交集包含的天数，T表示节日的总天数。如节日为六一儿童节，而用户下次购物的潜在时间范围为5月20日到5月31日，6月1日不在该时间段内，则令p1＝0。如节日为元旦节，放假时间为1月1日到1月3日，则T为3天，用户下次购物的潜在时间范围为12月30日到1月2日，则t1为2天，则/>
Figure BDA0004085815640000112
在本实施方式中，优选地，潜在购买品类获取过程为：基于用户历史消费数据，获取用户到店的总购物次数和每个品类的购买次数，计算每个品类的购买次数与总购物次数的比值获得用户每个品类的购买概率，将购买概率最大或大于第一阈值的品类作为用户的潜在购买品类。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.线下零售用户智能筛选方法，其特征在于，包括：
获取用户数据，所述用户数据包括用户历史消费数据和用户信息；
定义目标场景，基于目标场景根据节日特点针对用户筛选设置相应的节日特征；
基于节日特征利用用户数据构建用户特征，所述用户特征包括节日潜在购物概率、潜在购买品类、性别、购物年龄、关联品牌得分、半年购物频次、最近一次消费距离当前天数、非投诉类客服咨询次数；
将用户特征输入训练好的筛选模型，所述筛选模型输出用户节日到店消费概率；
基于用户节日到店消费概率筛选潜在用户，将潜在用户的用户信息发送至信息推送中心。
2.如权利要求1所述的线下零售用户智能筛选方法，其特征在于，所述目标场景包括：时间方面、原因方面、需求方面和地点方面，时间方面是指节日时间，原因方面是指用户节日购物的原因，需求方面是指用户产生的商品需求，地点方面是指用户线下购物的场所。
3.如权利要求2所述的线下零售用户智能筛选方法，其特征在于，所述节日特征包括：节日时间、节日庆祝对象购物原因、节日庆祝对象的商品需求、节日庆祝对象线下购买商品场所。
4.如权利要求1-3之一所述的线下零售用户智能筛选方法，其特征在于，所述节日潜在购物概率p1的获取过程包括：
以用户最近一次购物日期为基础日期t，以t+a作为用户下次预计购物基础日期，a表示用户历史购物平均间隔天数，以(t+a)±δ作为用户下次购物的潜在时间范围，δ表示用户历史购物间隔天数的标准差；
若节日与用户下次购物的潜在时间范围不存在交集，则令p1＝0；若节日与用户下次购物的潜在时间范围存在交集，则
Figure FDA0004085815610000021
t1表示节日与用户下次购物的潜在时间范围的交集包含的天数，T表示节日的总天数。
5.如权利要求1-3之一所述的线下零售用户智能筛选方法，其特征在于，所述潜在购买品类获取过程为：
基于用户历史消费数据，获取用户到店的总购物次数和每个品类的购买次数，计算每个品类的购买次数与总购物次数的比值获得用户每个品类的购买概率，将购买概率最大或大于第一阈值的品类作为用户的潜在购买品类。
6.如权利要求1-3之一所述的线下零售用户智能筛选方法，其特征在于，所述购物年龄为用户历史购买品牌的营销年龄范围。
7.如权利要求1-3之一所述的线下零售用户智能筛选方法，其特征在于，所述关联品牌得分获取过程包括：
从用户历史消费数据中基于apiroir算法获取用户消费的关联品牌，基于用户消费的关联品牌数量设置关联品牌得分，消费的关联品牌数量越多则关联品牌得分越高。
8.线下零售用户智能筛选装置，其特征在于，包括：
数据获取模块，用于获取用户数据，所述用户数据包括用户历史消费数据和用户信息；
定义模块，用于定义目标场景，基于目标场景根据节日特点针对用户筛选设置相应的节日特征；
用户特征获取模块，基于节日特征利用用户数据构建用户特征，所述用户特征包括节日潜在购物概率、潜在购买品类、性别、购物年龄、关联品牌得分、半年购物频次、最近一次消费距离当前天数、非投诉类客服咨询次数；
到店消费概率获取模块，用于将用户特征输入训练好的筛选模型，所述筛选模型输出用户节日到店消费概率；
筛选模块，基于用户节日到店消费概率筛选潜在用户，将潜在用户的用户信息发送至信息推送中心。
9.如权利要求8所述的线下零售用户智能筛选装置，其特征在于，所述节日潜在购物概率p1的获取过程包括：
以用户最近一次购物日期为基础日期t，以t+a作为用户下次预计购物基础日期，a表示用户历史购物平均间隔天数，以(t+a)±δ作为用户下次购物的潜在时间范围，δ表示用户历史购物间隔天数的标准差；
若节日与用户下次购物的潜在时间范围不存在交集，则令p1＝0；若节日与用户下次购物的潜在时间范围存在交集，则
Figure FDA0004085815610000031
t1表示节日与用户下次购物的潜在时间范围的交集包含的天数，T表示节日的总天数。
10.如权利要求8所述的线下零售用户智能筛选装置，其特征在于，所述潜在购买品类获取过程为：
基于用户历史消费数据，获取用户到店的总购物次数和每个品类的购买次数，计算每个品类的购买次数与总购物次数的比值获得用户每个品类的购买概率，将购买概率最大或大于第一阈值的品类作为用户的潜在购买品类。
CN202310096333.8A 2023-02-09 2023-02-09 线下零售用户智能筛选方法 Pending CN116308562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310096333.8A CN116308562A (zh) 2023-02-09 2023-02-09 线下零售用户智能筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310096333.8A CN116308562A (zh) 2023-02-09 2023-02-09 线下零售用户智能筛选方法

Publications (1)

Publication Number Publication Date
CN116308562A true CN116308562A (zh) 2023-06-23

Family

ID=86824866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310096333.8A Pending CN116308562A (zh) 2023-02-09 2023-02-09 线下零售用户智能筛选方法

Country Status (1)

Country Link
CN (1) CN116308562A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894692A (zh) * 2023-09-11 2023-10-17 北京亿家老小科技有限公司 一种线上网络销售用户潜在需求分析监控方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894692A (zh) * 2023-09-11 2023-10-17 北京亿家老小科技有限公司 一种线上网络销售用户潜在需求分析监控方法及系统
CN116894692B (zh) * 2023-09-11 2023-11-24 北京亿家老小科技有限公司 一种线上网络销售用户潜在需求分析监控方法及系统

Similar Documents

Publication Publication Date Title
CN110222272B (zh) 一种潜在客户挖掘与推荐方法
Adamsen et al. Best-Worst scaling... reflections on presentation, analysis, and lessons learnt from case 3 BWS experiments.
CN108021929A (zh) 基于大数据的移动端电商用户画像建立与分析方法及系统
CN109584018A (zh) 一种互联网营销云服务平台
CN101783004A (zh) 快速智能化的商品推荐系统
CN109102329A (zh) 一种数据采集、处理和分析应用方法及装置
CN116739836B (zh) 一种基于知识图谱的餐饮数据分析方法及系统
KR102328881B1 (ko) 빅데이터 기반의 화장품업체 협업시스템
CN112862530A (zh) 一种基于大数据的营销系统
WO2020037762A1 (zh) 商品信息识别方法和系统
CN114611959A (zh) 一种基于o2o大数据技术的选品策略系统
CN116308562A (zh) 线下零售用户智能筛选方法
CN114997956B (zh) 基于大数据的母婴产品智能推荐系统
CN115409577A (zh) 基于用户行为及环境信息的智能货柜复购预测方法及系统
CN114372848A (zh) 一种基于机器学习的烟草行业智能营销系统
CN105045814A (zh) 一种基于用户数据的超市农产品信息推送服务系统
CN115311048A (zh) 一种信息处理方法及装置、存储介质
CN109272351B (zh) 客流动线以及客流热区确定方法及装置
CN114596122A (zh) 一种基于区块链的智能贸易数据分析系统及方法
CN112215630A (zh) 一种全渠道渐进式会员精准营销方法
CN113537878A (zh) 包裹派送方法、装置、设备及存储介质
CN110858377A (zh) 信息处理方法、页面显示方法、系统及设备
CN109508340A (zh) 精准营销的方法
CN112328828B (zh) 一种卖场终端形象设计系统与方法
WO2016199212A1 (ja) 販売促進情報展開システム及び販売促進情報展開方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 401121 8007, Floor 8, Shangshe Building, No. 18 Qingnian Road, Yuzhong District, Chongqing

Applicant after: Chongqing Trading Company Agel Ecommerce Ltd.

Address before: 401121 8007, Floor 8, Shangshe Building, No. 18 Qingnian Road, Yuzhong District, Chongqing

Applicant before: Chongqing commercial e-commerce Co.,Ltd.

Country or region before: China