CN116385048B - 一种农产品智慧营销方法和系统 - Google Patents
一种农产品智慧营销方法和系统 Download PDFInfo
- Publication number
- CN116385048B CN116385048B CN202310658628.XA CN202310658628A CN116385048B CN 116385048 B CN116385048 B CN 116385048B CN 202310658628 A CN202310658628 A CN 202310658628A CN 116385048 B CN116385048 B CN 116385048B
- Authority
- CN
- China
- Prior art keywords
- user
- agricultural product
- agricultural
- product
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 80
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 12
- 238000004321 preservation Methods 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种农产品智慧营销方法和系统,涉及数据处理技术领域。农产品智慧营销方法包括:获取用户的历史相关数据;根据历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息;根据每个用户对各农产品的兴趣度评价信息获得用户购买评分矩阵;根据用户购买评分矩阵获得目标用户的推荐农产品列表,以及根据目标用户的推荐农产品列表的列表信息对目标用户进行农产品营销。本发明充分利用、引入多种有效信息和数据,提升农产品推荐效果,为每个用户提供更为个性化、符合需求的农产品智慧营销,使营销效果最大化。
Description
技术领域
本发明涉及数据处理技术领域,尤其是涉及一种农产品智慧营销方法和系统。
背景技术
现有的针对农产品的销售方法往往针对保鲜期较短的农产品的季节特征进行分析,但是大部分农产品的保鲜期较长,该方法对这些保鲜期较长的农产品营销效果提升有限。也有使用协同过滤推荐算法,根据与消费者消费习惯相似的其他消费者确定该消费者购买农产品的可能性的方法,但对于其他消费者和该消费者的相似度度量较为简单,农产品推荐效果针对性不强,营销效果不佳。
发明内容
本发明的目的在于提供一种农产品智慧营销方法和系统,以缓解了现有技术中存在的技术问题。
第一方面,本发明实施例提供一种农产品智慧营销方法,所述农产品智慧营销方法包括:
获取用户的历史相关数据;
根据所述历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息;
根据所述每个用户对各农产品的兴趣度评价信息获得用户购买评分矩阵;
根据所述用户购买评分矩阵获得目标用户的推荐农产品列表,以及根据所述目标用户的推荐农产品列表的列表信息对所述目标用户进行农产品营销。
在可选的实施方式中,所述获取用户的历史相关数据的步骤包括:
利用爬虫技术获取每个用户的日志数据作为历史数据;
从所述历史数据中提取所述历史相关数据;
其中,所述历史相关数据包括以下一种或其组合:用户在过去预设时间段内在农产品营销平台搜索过的农产品对应的种类的信息、每个农产品对应的种类搜索的次数的信息、每个农产品对应页面查看的时间的信息、历史购买的农产品的信息。
在可选的实施方式中,所述根据所述历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息的步骤包括:
根据预设农产品分类相似性评价规则获得农产品分类相似性程度,以及根据预设农产品销量影响相关性评价规则获得农产品销量影响相关性程度;
根据所述农产品分类相似性程度和所述农产品销量影响相关性程度获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度;
根据所述产品相似度确定用户的类型为潜在消费者或回购者;
根据获得的用户历史购买习惯数据对用户历史购买的农产品的信息进行矫正,获取用户对各农产品的购买习惯评价信息;
根据所述用户对各农产品的购买习惯评价信息和所述产品相似度获得每个用户对每个农产品的购买显著度;
根据所述用户的类型、所述每个用户对每个农产品的购买显著度、所述每个所述农产品对应的种类搜索的次数的信息、所述每个所述农产品对应页面查看的时间的信息获得所述每个用户对各农产品的兴趣度评价信息。
在可选的实施方式中,所述根据所述农产品分类相似性程度和所述农产品销量影响相关性程度获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度的步骤包括:
根据第一预设公式获得所述用户历史购买的各农产品与待营销的各个农产品之间的产品相似度,所述第一预设公式为:
;
其中,为待营销农产品/>与用户历史购买过的产品/>之间的产品相似度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品分类相似性程度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品销量影响相关性程度,/>为调节系数,/>为常数系数,/>均大于零。
在可选的实施方式中,所述获取用户对各农产品的购买习惯评价信息的步骤包括:
根据第二预设公式获得所述用户对各农产品的购买习惯指数,所述第二预设公式为:
;
使用所述用户对各农产品的购买习惯指数表征所述用户对各农产品的购买习惯评价信息;
其中,为所述用户对各农产品的购买习惯指数,/>,/>为所述根据用户历史购买的农产品信息得到的历史购买农产品的总数;/>为常数系数;/>为归一化函数;/>为用户在购买产品/>前浏览的同类农产品的网页个数;/>为用户在购买产品/>前浏览的同类农产品的网页的总时间;/>为在用户历史浏览的同类农产品的网页个数的均值;/>为用户历史浏览的同类农产品的网页的平均时间。
在可选的实施方式中,所述获得每个用户对每个农产品的购买显著度的步骤包括:
根据第三预设公式获得所述每个用户对每个农产品的购买显著度,所述第三预设公式为:
;
其中,为待营销农产品/>对应的购买显著度。
在可选的实施方式中,所述获得所述每个用户对各农产品的兴趣度评价信息的步骤包括:
将每个所述农产品对应的种类搜索的次数和每个所述农产品对应页面查看的时间作为一个数组,以及将所述数组进行聚类,获得簇的个数和每个簇内点的个数的均值;
如所述用户的类型为所述回购者,则根据第四预设公式获得待营销农产品的购买评分初始值,所述第四预设公式为:
;
基于第五预设公式,根据所述待营销农产品的购买评分初始值获得待营销农产品/>的购买评分终值,所述第五预设公式为:
;
如所述用户的类型为所述潜在消费者,则根据第六预设公式获得待营销农产品的购买评分终值,所述第六预设公式为:
;
其中,为待营销农产品/>的购买评分初始值,/>为所述待营销农产品/>的购买评分终值,/>为用户历史购买过的与待营销农产品/>同类的各农产品的购买评分终值的均值,分别为簇的个数和每个簇内点的个数的均值;/>均为常数系数。
在可选的实施方式中,所述农产品智慧营销方法还包括:
当用户标记所述推荐农产品列表中的农产品为不感兴趣农产品时,则将所述不感兴趣农产品从所述推荐农产品列表中剔除,以更新所述推荐农产品列表;
根据更新后的推荐农产品列表的列表信息对所述目标用户进行农产品营销。
第二方面,本发明实施例还提供了一种农产品智慧营销系统。所述农产品智慧营销系统包括:
获取模块,用于获取用户的历史相关数据;
评价模块,用于根据所述历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息;
矩阵模块,用于根据所述每个用户对各农产品的兴趣度评价信息获得用户购买评分矩阵;
推荐模块,用于根据所述用户购买评分矩阵获得目标用户的推荐农产品列表,以及根据所述目标用户的推荐农产品列表的列表信息对所述目标用户进行农产品营销。
本发明获取用户在平台的历史相关数据作为分析基础,再结合预设数据间关系度获得每个用户对各农产品的兴趣度评价信息,预设数据间关系度包括用户历史数据与平台农产品相关数据,进而根据用户对各农产品的兴趣度评价信息获得用户购买评分矩阵以及根据用户购买评分矩阵的推荐列表对目标用户进行农产品营销。这样充分利用、引入多种有效信息和数据,结合农产品本身特性与消费者相关数据、平台相关数据,对于用户的农产品推荐更具有针对性、准确性,提升推荐效果。能够为每个用户提供更为个性化、符合需求的农产品智慧营销,使营销效果最大化。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种农产品智慧营销方法流程示意图;
图2为本发明实施例提供的一种农产品智慧营销系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
如图1所示,本申请实施例提供了一种农产品智慧营销方法,包括以下步骤:
步骤102,获取用户的历史相关数据;
步骤104,根据历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息;
步骤106,根据每个用户对各农产品的兴趣度评价信息获得用户购买评分矩阵;
步骤108,根据用户购买评分矩阵获得目标用户的推荐农产品列表,以及根据目标用户的推荐农产品列表的列表信息对目标用户进行农产品营销。
本发明的实施例中,获取用户在平台的历史相关数据作为分析基础,再结合预设数据间关系度获得每个用户对各农产品的兴趣度评价信息,预设数据间关系度包括用户历史数据与平台农产品相关数据,进而根据用户对各农产品的兴趣度评价信息获得用户购买评分矩阵以及根据用户购买评分矩阵的推荐列表对目标用户进行农产品营销。这样充分利用、引入多种有效信息和数据,结合农产品本身特性与消费者相关数据、平台相关数据,对于用户的农产品推荐更具有针对性、准确性,提升推荐效果。能够为每个用户提供更为个性化、符合需求的农产品智慧营销,使营销效果最大化。
在本申请一个可选的实施例中,获取用户的历史相关数据的步骤包括:利用爬虫技术获取每个用户的日志数据作为历史数据;从历史数据中提取历史相关数据;其中,历史相关数据包括以下一种或其组合:用户在过去预设时间段内在农产品营销平台搜索过的农产品对应的种类的信息、每个农产品对应的种类搜索的次数的信息、每个农产品对应页面查看的时间的信息、历史购买的农产品的信息。
在本实施例中,从平台后台利用爬虫技术获取每个用户的日志数据作为历史数据,再从历史数据中获取历史相关数据,获取的数据包括用户在过去预设时间段内曾在该平台搜索过的农产品对应的种类、每个种类搜索的次数、每个物品对应页面查看的时间、曾购买过的农产品等。为了避免爬取过程中出现数据缺失的现象,对所获历史数据进行数据清洗。为了使获取的用户相关数据更为准确,在用户每次登录平台时均对用户数据进行更新,以保证每次均根据最为精确的数据进行分析,如此提升了农产品营销的精准性。
在本申请一个可选的实施例中,根据历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息的步骤包括:根据预设农产品分类相似性评价规则获得农产品分类相似性程度,以及根据预设农产品销量影响相关性评价规则获得农产品销量影响相关性程度;根据农产品分类相似性程度和农产品销量影响相关性程度获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度;根据产品相似度确定用户的类型为潜在消费者或回购者;根据获得的用户历史购买习惯数据对用户历史购买的农产品的信息进行矫正,获取用户对各农产品的购买习惯评价信息;根据用户对各农产品的购买习惯评价信息和产品相似度获得每个用户对每个农产品的购买显著度;根据用户的类型、每个用户对每个农产品的购买显著度、每个农产品对应的种类搜索的次数的信息、每个农产品对应页面查看的时间的信息获得每个用户对各农产品的兴趣度评价信息。
在本实施例中,根据农产品分类的相似性和农产品销量影响的相关性获取用户往期购买的各农产品与需要营销的各个农产品之间的产品相似度,兼顾了农产品的性质和和商家销量的相关性,提升农产品的相似度评价的准确性,同时,根据用户曾购买过的各产品与需要进行营销的各农产品之间的产品相似度确定用户的类型,将用户分为潜在消费者和回购者两类;其次,以用户本身的购买习惯对用户往期购买过的产品的购买行为进行矫正,获取用户的购买习惯评价,减少不同用户因购买前的习惯偏好不同对用户购买习惯评价值的影响;然后,根据用户曾购买过的各个农产品的购买习惯评价和每个农产品与需要营销的农产品之间的产品相似度得到每个用户对每个农产品可能购买的程度;最后,根据用户的类型、每个用户对每个农产品的购买显著度、每个农产品对应的种类搜索的次数的信息、每个农产品对应页面查看的时间的信息获得每个用户对各农产品的兴趣度评价信息。充分利用、引入多种维度数据信息,使得获得的用户对各农产品的购买意向具有很高的准确性,对于不同用户也更具有针对性。
在本申请一个可选的实施例中,根据农产品分类相似性和农产品销量影响相关性获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度的步骤包括:根据第一预设公式获得用户历史购买的各农产品与待营销的各个农产品之间的产品相似度,第一预设公式为:
;
其中,为待营销农产品/>与用户历史购买过的产品/>之间的产品相似度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品分类相似性程度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品销量影响相关性程度,/>为调节系数,/>为常数系数,/>均大于零。
在本实施例中,根据设定的公式获得用户历史购买的各农产品与待营销的各个农产品之间的产品相似度,不但考虑了农产品本身品类的相似度,还考虑待营销农产品与用户历史购买过的产品/>之间的农产品销量影响相关性程度,避免了仅两农产品的相似性进行评价,不能反映购买其中一个农产品时对另外一个农产品购买的影响程度的弊端,使得最终获得产品相似度对于目标客户的农产品营销更准确,更具有针对性。
在本申请一个可选的实施例中,获取用户对各农产品的购买习惯评价信息的步骤包括:根据第二预设公式获得用户对各农产品的购买习惯指数,第二预设公式为:
;
使用用户对各农产品的购买习惯指数表征用户对各农产品的购买习惯评价信息;其中,为用户对各农产品的购买习惯指数,/>,/>为根据用户历史购买的农产品信息得到的历史购买农产品的总数;/>为常数系数;/>为归一化函数;/>为用户在购买产品/>前浏览的同类农产品的网页个数;/>为用户在购买产品/>前浏览的同类农产品的网页的总时间;/>为在用户历史浏览的同类农产品的网页个数的均值;/>为用户历史浏览的同类农产品的网页的平均时间。
在本实施例中,依据预设公式获得购买习惯指数,用购买指数表征用户对各农产品的购买习惯评价信息,其中,式中为根据用户本身的往期购买习惯对用户购买产品/>的购买习惯指数进行矫正,原因为不同用户的购买习惯不同,有些用户更倾向于购买前进行多个商家的同一产品的比较,若不进行矫正,会导致对应的购买习惯指数相对于更倾向于节省时间的用户偏高,导致评价结果不准确。用户往期购买过的产品/>的购买习惯指数/>即为对用户对产品/>的相对关注程度,该关注程度越大,则往期该农产品的购买对用户购买产品/>的影响越大。产品/>对应的购买显著度为用户往期购买过的各产品与产品/>之间的产品相似度与该产品对应的购买习惯指数的乘积之和。进一步提高了农产品营销的针对性、精准性。
在本申请一个可选的实施例中,获得每个用户对每个农产品的购买显著度的步骤包括:根据第三预设公式获得每个用户对每个农产品的购买显著度,第三预设公式为:
;
其中,为待营销农产品/>对应的购买显著度。
在本实施例中,当该用户往期购买的产品与产品之间的产品相似度越大,则该用户就越可能购买产品/>;当用户往期购买过的产品/>的相对于该用户的整体购买习惯购买的相对关注度越大时,则往期购买过的产品/>对用户购买产品/>的潜在影响越大;所以,当该用户往期购买过的产品/>的购买习惯指数和产品/>与用户往期购买过的产品/>之间的产品相似度越大时,该用户对农产品/>对应的购买显著度越大,该用户越可能对农产品/>发生购买行为。
在本申请一个可选的实施例中,获得每个用户对各农产品的兴趣度评价信息的步骤包括:将每个农产品对应的种类搜索的次数和每个农产品对应页面查看的时间作为一个数组,以及将数组进行聚类,获得簇的个数和每个簇内点的个数的均值;如用户的类型为回购者,则根据第四预设公式获得待营销农产品的购买评分初始值,第四预设公式为:
;
基于第五预设公式,根据待营销农产品的购买评分初始值获得待营销农产品/>的购买评分终值,第五预设公式为:
;
如用户的类型为潜在消费者,则根据第六预设公式获得待营销农产品的购买评分终值,第六预设公式为:
;
其中,为待营销农产品/>的购买评分初始值,/>为待营销农产品/>的购买评分终值,/>为用户历史购买过的与待营销农产品/>同类的各农产品的购买评分终值的均值,分别为簇的个数和每个簇内点的个数的均值;/>均为常数系数。
在本实施例中,将用户分为回购者和潜在消费者:
当该用户层购买过与产品之间的产品相似度大于等于/>时,则认为该用户曾购买过与产品/>同类的产品,将该用户购买产品/>的行为视为回购。其中,/>的值为经验值,根据经验这对具体情况进行设定,可优选为0.75。
获取用户曾购买过的与产品同类的各农产品在购买后对农产品的评分。农产品评分根据平台在收货后对农产品评分的各指标进行获取,如分为描述相符程度、物流服务评分和服务态度评分,农产品评分为每个农产品对应的平台各项评分指标的均值,该值越大,则用户对曾购买过的产品/>的同类产品满意度越高。当用户未对农产品进行评分时,则使用该商家的该农产品其他用户平均的农产品评分作为该用户的农产品评分。
获取用户曾购买的与产品同类的各产品的相关数据,获取每次搜素该农产品关键词的时间和打开该关键词对应的网页的次数,每次搜索都可以得到一个对应的数组,即(搜索时间,网页个数),将这些数组对应的点在平面直角坐标系中标出,对这些点进行聚类,获取到的簇的个数和每个簇内点的个数的均值,聚类可使用DBSCAN(Density-BasedSpatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)算法以8为半径,2位最少点数目进行聚类。当用户对曾购买的与产品/>同类的各产品的搜索越为离散,即每间隔一段时间再次对该产品重复产生兴趣,则该农产品对该用户的吸引力越大。所以,当获得的簇的个数越多,每个簇内包含点的个数的均值越大、农产品评分越高时,则用户对产品/>同类的各产品越为满意,购买产品/>的可能性越大。
根据上述分析获得用户对农产品的购买评分。
;
;
式中均为常数系数,作用为调节值域,根据经验进行设定,具体数值不做限定,可优选为0.5,1,则购买评分的值域为/>;/>为归一化函数,作用为对括号内的数值进行归一化。
至此,可获得用户对每个购买过同类产品的产品对应的购买评分。
该用户没有购买过与产品同类的产品时,则直接根据上述过程中获取的购买显著度获取用户对产品/>的购买评分/>。
;
至此,可获得用户对每个没有购买过同类产品的产品对应的购买评分,其值域为。
如此,针对不同用户类型,获得待营销农产品的购买评分,对于最终农产品营销的精准性、针对性提供关键信息。
在本申请一个可选的实施例中,农产品智慧营销方法还包括:当用户标记推荐农产品列表中的农产品为不感兴趣农产品时,则将不感兴趣农产品从推荐农产品列表中剔除,以更新推荐农产品列表;根据更新后的推荐农产品列表的列表信息对目标用户进行农产品营销。
在本实施例中,当用户额外标记其中的某个产品为不感兴趣的产品时,则将该产品从荐农产品列表中剔除,根据剔除后的推荐产品列表中农产品顺序重新进行推荐。用户每次登录平台时均对用户数据进行更新,使农产品推荐更为精准。
本申请又一实施例提供了一种针对农产品的营销方法。农产品是农业中生产的物品,如大米、高粱、花生、玉米、小麦以及各个地区土特产等,与每个人的生活息息相关。由于农产品的生长环境、运输条件、保鲜期限等多种原因限制,为保证消费者收到农产品时农产品仍保持高质量,农产品的销售往往需要强大的营销能力,所以有多种针对农产品的营销方法。现有的针对农产品的销售方法往往针对保鲜期较短的农产品的季节特征进行分析,但是大部分农产品,如大米、绿豆等保鲜期较长,上述方法对这些保鲜期较长的农产品营销效果提升有限。本申请实施例提供的针对农产品的营销方法课解决上述问题。该农产品的营销方法包括:
步骤一:获取用户的历史相关数据。
农产品的需求量大、与每个人的生活都息息相关,所以购买人群基数较大,但由于其售卖渠道的广泛性,购买人群内的潜在消费者可能在其他平台对农产品进行购买,所以,会存在较多对农产品有购买意向的用户往期并未在平台购买过农产品,这些人是需要进行营销的重点。同时,曾在平台购买过农产品的用户也是需要进行营销的重点。下述将这两类人群作为营销重点进行分析。
步骤二:根据历史相关数据以及数据间的关系获得每个用户对各农产品的兴趣度评价,进而获得用户购买评分矩阵。
(1)首先对用户的购物习惯进行评价。不同用户的购物习惯有较大差异,且部分用户对于平台的信息收集问卷或购买后评价等直接反馈评分不积极,为保证分析的准确性,使不同用户均可得到对应的购物习惯,根据上述获取的用户在平台对应的历史数据进行分析。
①首先根据全国工农业产品(农产品及物资)分类代码标准GB7635-87获得用户曾购买过的各农产品的分类以及代码。代码结构共分为四层,即大类、中类、小类、品种,每层均以两位数字表示(从01-99),当农产品层目不再细分时,其代码后补零。具体每个农产品对应的分类和代码为公知技术,可参考分类代码标准GB7635-87,此处不再赘述。所以,代码共由八位数字表示,从代码起始开始,每一层对应的数字相同的越多、则两农产品性质越为相近;当四层对应的数字均相同时,则两农产品对应同一类型农产品。根据代码各层对应数字是否相同,可比较两农产品之间的相似性。对两农产品对应的两个代码进行比较,计算每个农产品层目对应的代码是否相同,当这两个农产品对应的同一农产品层目相同时,则将这两个农产品的该农产品层目评价值记为1,否则记为0。例如:两农产品对应的代码分别为01020304和01080504,则这两个农产品的大类和品种评价值为1,中类和小类评价值为0。需要注意的是,当较大范围的农产品层目相同时,对较小范围的农产品层目的比较才有意义,如:当两农产品的大类相同、中类不同时,则不需要比较两农产品的小类和品种,即使小类和品种对应的数值相同,也并不对应同一个中类下的细分项。所以,上述例子中两农产品在进行评价时,仅有大类的评价值为1是有意义的。将两农产品对应的有意义的为1的农产品层目评价值之和记为这两个农产品的分类相似显著度。则上述例子中两农产品的分类相似显著度为1;若两农产品对应的代码分别为01020308和01020508,则这两个农产品的分类相似显著度为2。
上述分类相似显著度可直接获取两农产品品类的相似性,但仅仅以此为依据对两农产品的相似性进行评价,并不能反映购买其中一个农产品时对另外一个农产品购买的影响程度,所以结合该方面对两农产品之间相关性进行评价。获取平台上各农产品在近三年内每个季度的销量,根据往期销量使用灰色关联度分析GRA(Grey Relation Analysis)获得其他各类农产品对该农产品的购买相关性。
根据上述分析可获得农产品与用户往期购买过的产品/>之间的产品相似度。
;
式中为农产品/>与用户往期购买过的产品/>之间的产品相似度,/>为农产品/>与用户往期购买过的产品/>之间的分类相似显著度,/>为农产品/>与用户往期购买过的产品/>之间的购买相关性;/>为调节系数,为一常数,作用为使分类相似显著度和购买相关性数值在同一级数范围内,便于计算,经验值为0.25;/>为常数系数,作用为求平均值,经验值为2。
②其次,结合用户在农产品购买时的习惯进行分析。
统计用户在往期购买各农产品时搜索该农产品相关词的次数和购买该农产品前浏览的同类农产品的网页个数。其中,为防止用户误触导致网页打开,对网页的浏览时间大于等于3秒时,则进行计数,否则不计入网页个数。
计算用户的购买显著度。
;
;
式中为用户往期购买过的产品/>的购买习惯指数,其中,/>,/>为根据用户往期购买的农产品信息得到的往期购买农产品的总数;/>为农产品/>对应的购买显著度;/>为农产品/>与用户往期购买过的产品/>之间的产品相似度。式中/>为常数系数,作用为防止该式出现负数影响后续计算,经验值为1;/>为归一化函数,作用为取括号内的归一化值;/>为用户在购买产品/>前浏览的同类农产品的网页个数;/>为用户在购买产品/>前浏览的同类农产品的网页的总时间;/>为根据用户往期购买过的产品数据得到的、在购买产品前浏览的同类农产品的网页个数的均值;/>为根据用户往期购买过的产品数据得到的、在购买产品前浏览的同类农产品的网页的平均时间。
式中为根据用户本身的往期购买习惯对用户购买产品/>的购买习惯指数进行矫正,原因为不同用户的购买习惯不同,有些用户更倾向于购买前进行多个商家的同一产品的比较,若不进行矫正,会导致对应的购买习惯指数相对于更倾向于节省时间的用户偏高,导致评价结果不准确。用户往期购买过的产品/>的购买习惯指数/>即为对用户对产品/>的相对关注程度,该关注程度越大,则往期该农产品的购买对用户购买农产品/>的影响越大。农产品/>对应的购买显著度为用户往期购买过的各产品与农产品/>之间的产品相似度与该产品对应的购买习惯指数的乘积之和。
当该用户往期购买的产品与农产品之间的产品相似度越大,则该用户就越可能购买农产品/>;当用户往期购买过的产品/>的相对于该用户的整体购买习惯购买的相对关注度越大时,则往期购买过的产品/>对用户购买农产品/>的潜在影响越大;所以,当该用户往期购买过的产品/>的购买习惯指数和农产品/>与用户往期购买过的产品/>之间的产品相似度越大时,该用户对农产品/>对应的购买显著度越大,该用户越可能对农产品/>发生购买行为。
至此,获得用户对于农产品对应的购买显著度。
(2)①当该用户层购买过与农产品之间的产品相似度大于等于/>时,则认为该用户曾购买过与农产品/>同类的产品,将该用户购买农产品/>的行为视为回购。其中,/>的经验值为0.75。
获取用户曾购买过的与农产品同类的各农产品在购买后对农产品的评分。农产品评分根据平台在收货后对农产品评分的各指标进行获取,如分为描述相符程度、物流服务评分和服务态度评分,农产品评分为每个农产品对应的平台各项评分指标的均值,该值越大,则用户对曾购买过的农产品/>的同类产品满意度越高。当用户未对农产品进行评分时,则使用该商家的该农产品其他用户平均的农产品评分作为该用户的农产品评分。
获取用户曾购买的与农产品同类的各产品的相关数据,获取每次搜素该农产品关键词的时间和打开该关键词对应的网页的次数,每次搜索都可以得到一个对应的数组,即(搜索时间,网页个数),将这些数组对应的点在平面直角坐标系中标出,对这些点使用DBSCAN算法以8为半径,2位最少点数目进行聚类,获取到的簇的个数和每个簇内点的个数的均值。当用户对曾购买的与农产品/>同类的各产品的搜索越为离散,即每间隔一段时间再次对该产品重复产生兴趣,则该农产品对该用户的吸引力越大。所以,当获得的簇的个数越多,每个簇内包含点的个数的均值越大、农产品评分越高时,则用户对农产品/>同类的各产品越为满意,购买农产品/>的可能性越大。/>
根据上述分析获得用户对农产品的购买评分。
;
;
式中为得用户对农产品/>的购买评分原值;/>为得用户对农产品/>的购买评分。式中/>为农产品/>对应的购买显著度;/>为用户曾购买过的与农产品/>同类的各农产品的产品评分的均值;/>分别为聚类时获取到的簇的个数和每个簇内点的个数的均值;/>均为常数系数,作用为调节值域,经验值分别为0.5,1,则购买评分的值域为/>;为归一化函数,作用为对括号内的数值进行归一化。
至此,可获得用户对每个购买过同类产品的农产品对应的购买评分。
②该用户没有购买过与农产品同类的产品时,则直接根据上述过程中获取的购买显著度获取用户对农产品/>的购买评分/>。
;
式中为得用户对农产品/>的购买评分;/>为农产品/>对应的购买显著度;为归一化函数,作用为对括号内的数值进行归一化。
至此,可获得用户对每个没有购买过同类产品的农产品对应的购买评分,其值域为。
(3)根据各用户对每个农产品的购买评分获取用户购买评分矩阵。
;
式中为用户购买评分矩阵;矩阵内每个值均为一个兴趣度评分值。
该矩阵的每一行对应同一个用户相对于各农产品的兴趣度评分,每一列对应不同用户对同一农产品的兴趣度评分,矩阵中第行第/>列对应的兴趣度评分为/>,对应第/>个用户对第/>个农产品的兴趣度评分。
步骤三:根据用户购买评分矩阵获得用户的推荐农产品列表,根据列表顺序和推荐位数目对用户进行农产品营销。
以上述用户购买评分矩阵作为用户评估矩阵,使用协同过滤推荐算法获得对用户的推荐农产品列表。推荐农产品列表内农产品数目较多,根据用户浏览页面可推荐农产品的个数按照列表内农产品的顺序以及选择推荐农产品列表中前/>个农产品对用户进行推荐。/>
当用户额外标记其中的某个农产品为不感兴趣的产品时,则将该产品从荐农产品列表中剔除,根据剔除后的推荐农产品列表中农产品顺序重新进行推荐。用户每次登录平台时均对用户数据进行更新,使农产品推荐更为精准。
本实施例的针对农产品的营销方法,获取用户在平台曾经购买和搜索过的产品的相关历史数据作为分析基础,首先根据农产品分类的相似性和农产品销量影响的相关性获取用户往期购买的各农产品与需要营销的各个农产品之间的产品相似度,兼顾了农产品的性质和和商家销量的相关性,提升农产品的相似度评价的准确性,同时,根据用户曾购买过的各产品与需要进行营销的各农产品之间的产品相似度确定用户的类型,将用户分为潜在消费者和回购者两类;其次,以用户本身的购买习惯对用户往期购买过的产品的购买行为进行矫正,获取用户的购买习惯评价,减少不同用户因购买前的习惯偏好不同对用户购买习惯评价值的影响;然后,根据用户曾购买过的各个农产品的购买习惯评价和每个农产品与需要营销的农产品之间的产品相似度得到每个用户对每个农产品可能购买的程度;接着,结合回购者对与待营销农产品的产品相似度较高的曾购买过的农产品评价和对这些农产品的关注程度得到回购者对各个待推销农产品的购买评分,根据潜在消费者对每个农产品可能购买的程度得到其对各个待推销农产品的购买评分;最后,根据每个用户对各个待营销农产品的购买评分得到评分矩阵,根据该矩阵得到每个用户的推荐农产品列表,对每个用户进行智慧营销。该智慧营销系统充分利用、引入多种有效信息和数据,提升推荐效果,为每个用户提供更为个性化、符合需求的农产品智慧营销,使营销效果最大化。
图2为本申请实施例提供的一种农产品智慧营销系统20的结构示意图。如图2所示,农产品智慧营销系统20包括:获取模块202,用于获取用户的历史相关数据;评价模块204,用于根据历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息;矩阵模块206,用于根据每个用户对各农产品的兴趣度评价信息获得用户购买评分矩阵;推荐模块208,用于根据用户购买评分矩阵获得目标用户的推荐农产品列表,以及根据目标用户的推荐农产品列表的列表信息对目标用户进行农产品营销。
本申请实施例提供的农产品智慧营销系统20,获取模块202获取用户在平台的历史相关数据作为分析基础,评价模块204再结合预设数据间关系度获得每个用户对各农产品的兴趣度评价信息,预设数据间关系度包括用户历史数据与平台农产品相关数据,进而矩阵模块206根据用户对各农产品的兴趣度评价信息获得用户购买评分矩阵以及推荐模块208根据用户购买评分矩阵的推荐列表对目标用户进行农产品营销。这样充分利用、引入多种有效信息和数据,结合农产品本身特性与消费者相关数据、平台相关数据,对于用户的农产品推荐更具有针对性、准确性,提升推荐效果。能够为每个用户提供更为个性化、符合需求的农产品智慧营销,使营销效果最大化。
对于系统实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种农产品智慧营销方法,其特征在于,所述农产品智慧营销方法包括:
获取用户的历史相关数据;
根据所述历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息;
根据所述每个用户对各农产品的兴趣度评价信息获得用户购买评分矩阵;
根据所述用户购买评分矩阵获得目标用户的推荐农产品列表,以及根据所述目标用户的推荐农产品列表的列表信息对所述目标用户进行农产品营销;
所述获取用户的历史相关数据的步骤包括:
利用爬虫技术获取每个用户的日志数据作为历史数据;
从所述历史数据中提取所述历史相关数据;
其中,所述历史相关数据包括以下一种或其组合:用户在过去预设时间段内在农产品营销平台搜索过的农产品对应的种类的信息、每个农产品对应的种类搜索的次数的信息、每个农产品对应页面查看的时间的信息、历史购买的农产品的信息;
所述根据所述历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息的步骤包括:
根据预设农产品分类相似性评价规则获得农产品分类相似性程度,以及根据预设农产品销量影响相关性评价规则获得农产品销量影响相关性程度;
根据所述农产品分类相似性程度和所述农产品销量影响相关性程度获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度;
根据所述产品相似度确定用户的类型为潜在消费者或回购者;
根据获得的用户历史购买习惯数据对用户历史购买的农产品的信息进行矫正,获取用户对各农产品的购买习惯评价信息;
根据所述用户对各农产品的购买习惯评价信息和所述产品相似度获得每个用户对每个农产品的购买显著度;
根据所述用户的类型、所述每个用户对每个农产品的购买显著度、所述每个所述农产品对应的种类搜索的次数的信息、所述每个所述农产品对应页面查看的时间的信息获得所述每个用户对各农产品的兴趣度评价信息;
所述根据所述农产品分类相似性程度和所述农产品销量影响相关性程度获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度的步骤包括:
根据第一预设公式获得所述用户历史购买的各农产品与待营销的各个农产品之间的产品相似度,所述第一预设公式为:
其中,为待营销农产品/>与用户历史购买过的产品/>之间的产品相似度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品分类相似性程度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品销量影响相关性程度,/>为调节系数,/>为常数系数,/>均大于零;
所述获取用户对各农产品的购买习惯评价信息的步骤包括:
根据第二预设公式获得所述用户对各农产品的购买习惯指数,所述第二预设公式为:
使用所述用户对各农产品的购买习惯指数表征所述用户对各农产品的购买习惯评价信息;
其中,为所述用户对各农产品的购买习惯指数,/>,/>为所述根据用户历史购买的农产品信息得到的历史购买农产品的总数;/>为常数系数;/>为归一化函数;/>为用户在购买产品/>前浏览的同类农产品的网页个数;/>为用户在购买产品/>前浏览的同类农产品的网页的总时间;/>为在用户历史浏览的同类农产品的网页个数的均值;/>为用户历史浏览的同类农产品的网页的平均时间;
所述获得每个用户对每个农产品的购买显著度的步骤包括:
根据第三预设公式获得所述每个用户对每个农产品的购买显著度,所述第三预设公式为:
其中,为待营销农产品/>对应的购买显著度;
所述获得所述每个用户对各农产品的兴趣度评价信息的步骤包括:
将每个所述农产品对应的种类搜索的次数和每个所述农产品对应页面查看的时间作为一个数组,以及将所述数组进行聚类,获得簇的个数和每个簇内点的个数的均值;
如所述用户的类型为所述回购者,则根据第四预设公式获得待营销农产品的购买评分初始值,所述第四预设公式为:
基于第五预设公式,根据所述待营销农产品的购买评分初始值获得待营销农产品/>的购买评分终值,所述第五预设公式为:
如所述用户的类型为所述潜在消费者,则根据第六预设公式获得待营销农产品的购买评分终值,所述第六预设公式为:
其中,为待营销农产品/>的购买评分初始值,/>为所述待营销农产品/>的购买评分终值,为用户历史购买过的与待营销农产品/>同类的各农产品的购买评分终值的均值,/>分别为簇的个数和每个簇内点的个数的均值;/>均为常数系数。
2.根据权利要求1所述的农产品智慧营销方法,其特征在于,所述农产品智慧营销方法还包括:
当用户标记所述推荐农产品列表中的农产品为不感兴趣农产品时,则将所述不感兴趣农产品从所述推荐农产品列表中剔除,以更新所述推荐农产品列表;
根据更新后的推荐农产品列表的列表信息对所述目标用户进行农产品营销。
3.一种农产品智慧营销系统,其特征在于,所述农产品智慧营销系统包括:
获取模块,用于获取用户的历史相关数据;
评价模块,用于根据所述历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息;
矩阵模块,用于根据所述每个用户对各农产品的兴趣度评价信息获得用户购买评分矩阵;
推荐模块,用于根据所述用户购买评分矩阵获得目标用户的推荐农产品列表,以及根据所述目标用户的推荐农产品列表的列表信息对所述目标用户进行农产品营销;
所述获取用户的历史相关数据的步骤包括:
利用爬虫技术获取每个用户的日志数据作为历史数据;
从所述历史数据中提取所述历史相关数据;
其中,所述历史相关数据包括以下一种或其组合:用户在过去预设时间段内在农产品营销平台搜索过的农产品对应的种类的信息、每个农产品对应的种类搜索的次数的信息、每个农产品对应页面查看的时间的信息、历史购买的农产品的信息;
所述根据所述历史相关数据以及预设数据间的关系度获得每个用户对各农产品的兴趣度评价信息的步骤包括:
根据预设农产品分类相似性评价规则获得农产品分类相似性程度,以及根据预设农产品销量影响相关性评价规则获得农产品销量影响相关性程度;
根据所述农产品分类相似性程度和所述农产品销量影响相关性程度获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度;
根据所述产品相似度确定用户的类型为潜在消费者或回购者;
根据获得的用户历史购买习惯数据对用户历史购买的农产品的信息进行矫正,获取用户对各农产品的购买习惯评价信息;
根据所述用户对各农产品的购买习惯评价信息和所述产品相似度获得每个用户对每个农产品的购买显著度;
根据所述用户的类型、所述每个用户对每个农产品的购买显著度、所述每个所述农产品对应的种类搜索的次数的信息、所述每个所述农产品对应页面查看的时间的信息获得所述每个用户对各农产品的兴趣度评价信息;
所述根据所述农产品分类相似性程度和所述农产品销量影响相关性程度获取用户历史购买的各农产品与待营销的各个农产品之间的产品相似度的步骤包括:
根据第一预设公式获得所述用户历史购买的各农产品与待营销的各个农产品之间的产品相似度,所述第一预设公式为:
其中,为待营销农产品/>与用户历史购买过的产品/>之间的产品相似度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品分类相似性程度,/>为待营销农产品/>与用户历史购买过的产品/>之间的农产品销量影响相关性程度,/>为调节系数,/>为常数系数,/>均大于零;
所述获取用户对各农产品的购买习惯评价信息的步骤包括:
根据第二预设公式获得所述用户对各农产品的购买习惯指数,所述第二预设公式为:
使用所述用户对各农产品的购买习惯指数表征所述用户对各农产品的购买习惯评价信息;
其中,为所述用户对各农产品的购买习惯指数,/>,/>为所述根据用户历史购买的农产品信息得到的历史购买农产品的总数;/>为常数系数;/>为归一化函数;/>为用户在购买产品/>前浏览的同类农产品的网页个数;/>为用户在购买产品/>前浏览的同类农产品的网页的总时间;/>为在用户历史浏览的同类农产品的网页个数的均值;/>为用户历史浏览的同类农产品的网页的平均时间;
所述获得每个用户对每个农产品的购买显著度的步骤包括:
根据第三预设公式获得所述每个用户对每个农产品的购买显著度,所述第三预设公式为:
其中,为待营销农产品/>对应的购买显著度;
所述获得所述每个用户对各农产品的兴趣度评价信息的步骤包括:
将每个所述农产品对应的种类搜索的次数和每个所述农产品对应页面查看的时间作为一个数组,以及将所述数组进行聚类,获得簇的个数和每个簇内点的个数的均值;
如所述用户的类型为所述回购者,则根据第四预设公式获得待营销农产品的购买评分初始值,所述第四预设公式为:
基于第五预设公式,根据所述待营销农产品的购买评分初始值获得待营销农产品/>的购买评分终值,所述第五预设公式为:
如所述用户的类型为所述潜在消费者,则根据第六预设公式获得待营销农产品的购买评分终值,所述第六预设公式为:
其中,为待营销农产品/>的购买评分初始值,/>为所述待营销农产品/>的购买评分终值,为用户历史购买过的与待营销农产品/>同类的各农产品的购买评分终值的均值,/>分别为簇的个数和每个簇内点的个数的均值;/>均为常数系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658628.XA CN116385048B (zh) | 2023-06-06 | 2023-06-06 | 一种农产品智慧营销方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658628.XA CN116385048B (zh) | 2023-06-06 | 2023-06-06 | 一种农产品智慧营销方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385048A CN116385048A (zh) | 2023-07-04 |
CN116385048B true CN116385048B (zh) | 2023-08-22 |
Family
ID=86967907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310658628.XA Active CN116385048B (zh) | 2023-06-06 | 2023-06-06 | 一种农产品智慧营销方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385048B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237123B (zh) * | 2023-11-15 | 2024-03-01 | 山东政信大数据科技有限责任公司 | 基于区块链的金融信用风险智能管控方法及系统 |
CN117853152B (zh) * | 2024-03-07 | 2024-05-17 | 云南疆恒科技有限公司 | 一种基于多渠道的业务营销数据处理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090123398A (ko) * | 2008-05-28 | 2009-12-02 | 경희대학교 산학협력단 | 상품 추천 서비스 제공 시스템 및 방법 |
CN112488807A (zh) * | 2020-12-19 | 2021-03-12 | 闫耀伟 | 一种基于大数据的农产品销售推荐方法 |
CN113052636A (zh) * | 2021-04-02 | 2021-06-29 | 西南石油大学 | 一种基于多源异构数据的农产品销量预测系统 |
CN114416808A (zh) * | 2022-01-18 | 2022-04-29 | 浪潮卓数大数据产业发展有限公司 | 基于电商大数据的商品严选方法及系统 |
KR20220079244A (ko) * | 2020-12-04 | 2022-06-13 | 곽운 | 농산물 직거래 서비스 장치 |
CN114723528A (zh) * | 2022-04-11 | 2022-07-08 | 青岛文达通科技股份有限公司 | 基于知识图谱的商品个性化推荐方法及系统 |
US11386478B1 (en) * | 2021-01-15 | 2022-07-12 | Coupang Corp. | Computerized systems and methods for using artificial intelligence to generate product recommendations |
WO2022151649A1 (zh) * | 2021-01-15 | 2022-07-21 | 稿定(厦门)科技有限公司 | 基于深度兴趣网络的专题推荐方法及装置 |
KR102486487B1 (ko) * | 2022-05-18 | 2023-01-10 | 신지수 | 사용자를 위한 상품 제공 방법 |
CN115907815A (zh) * | 2022-10-25 | 2023-04-04 | 江苏久合盛智能科技有限公司 | 基于智慧农贸的大数据选品方法 |
CN116205338A (zh) * | 2022-12-30 | 2023-06-02 | 浪潮工业互联网股份有限公司 | 一种菜品销量的预测方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3436967A4 (en) * | 2016-03-30 | 2019-08-21 | C-B4 Context Based Forecasting Ltd | SYSTEM, METHOD AND COMPUTER PROGRAM PRODUCT FOR DATA ANALYSIS |
WO2020085086A1 (ja) * | 2018-10-23 | 2020-04-30 | 株式会社ピーステックラボ | 商品リコメンドシステム |
-
2023
- 2023-06-06 CN CN202310658628.XA patent/CN116385048B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090123398A (ko) * | 2008-05-28 | 2009-12-02 | 경희대학교 산학협력단 | 상품 추천 서비스 제공 시스템 및 방법 |
KR20220079244A (ko) * | 2020-12-04 | 2022-06-13 | 곽운 | 농산물 직거래 서비스 장치 |
CN112488807A (zh) * | 2020-12-19 | 2021-03-12 | 闫耀伟 | 一种基于大数据的农产品销售推荐方法 |
US11386478B1 (en) * | 2021-01-15 | 2022-07-12 | Coupang Corp. | Computerized systems and methods for using artificial intelligence to generate product recommendations |
WO2022151649A1 (zh) * | 2021-01-15 | 2022-07-21 | 稿定(厦门)科技有限公司 | 基于深度兴趣网络的专题推荐方法及装置 |
CN113052636A (zh) * | 2021-04-02 | 2021-06-29 | 西南石油大学 | 一种基于多源异构数据的农产品销量预测系统 |
CN114416808A (zh) * | 2022-01-18 | 2022-04-29 | 浪潮卓数大数据产业发展有限公司 | 基于电商大数据的商品严选方法及系统 |
CN114723528A (zh) * | 2022-04-11 | 2022-07-08 | 青岛文达通科技股份有限公司 | 基于知识图谱的商品个性化推荐方法及系统 |
KR102486487B1 (ko) * | 2022-05-18 | 2023-01-10 | 신지수 | 사용자를 위한 상품 제공 방법 |
CN115907815A (zh) * | 2022-10-25 | 2023-04-04 | 江苏久合盛智能科技有限公司 | 基于智慧农贸的大数据选品方法 |
CN116205338A (zh) * | 2022-12-30 | 2023-06-02 | 浪潮工业互联网股份有限公司 | 一种菜品销量的预测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于改进协同过滤技术的农产品推荐研究;裘进;李秋霞;章彧;中国市场(22);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116385048A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562818B (zh) | 信息推荐系统及方法 | |
CN116385048B (zh) | 一种农产品智慧营销方法和系统 | |
CN106651546B (zh) | 一种面向智慧社区的电子商务信息推荐方法 | |
CN102902691B (zh) | 推荐方法及系统 | |
Bauer et al. | Recommender systems based on quantitative implicit customer feedback | |
US20090248496A1 (en) | System and method for automating market analysis from anonymous behavior profiles | |
US20050246358A1 (en) | System & method of identifying and predicting innovation dissemination | |
Huang et al. | A case study of applying data mining techniques in an outfitter’s customer value analysis | |
US20050246391A1 (en) | System & method for monitoring web pages | |
US20060010029A1 (en) | System & method for online advertising | |
US11676194B2 (en) | Faceted item recommendation system | |
CN116894709A (zh) | 一种广告商品推荐方法和系统 | |
CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
CN115496566B (zh) | 基于大数据的地区特产推荐方法及系统 | |
CN112613953A (zh) | 一种商品选品方法、系统及计算机可读存储介质 | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
TWM624658U (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 | |
CN113763089A (zh) | 物品推荐方法及装置、计算机可存储介质 | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 | |
CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、系统及存储介质 | |
EP3418916A1 (en) | Method and apparatus for determining peak sale and one year sale prediction for hardcover first releases | |
Liao et al. | A rough set-based association rule approach implemented on a brand trust evaluation model | |
CN112381627B (zh) | 育儿知识下的商品评分处理推荐方法、装置 | |
CN114925261A (zh) | 关键词确定方法、装置、设备、存储介质及程序产品 | |
Serwah et al. | Customer analytics for online retailers using weighted k-means and RFM analysis |
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 |