CN116385074A - 一种基于互联网的线上销售数据智能筛选管理系统及方法 - Google Patents

一种基于互联网的线上销售数据智能筛选管理系统及方法 Download PDF

Info

Publication number
CN116385074A
CN116385074A CN202310241379.4A CN202310241379A CN116385074A CN 116385074 A CN116385074 A CN 116385074A CN 202310241379 A CN202310241379 A CN 202310241379A CN 116385074 A CN116385074 A CN 116385074A
Authority
CN
China
Prior art keywords
label
popularization
online
sales data
shop
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.)
Granted
Application number
CN202310241379.4A
Other languages
English (en)
Other versions
CN116385074B (zh
Inventor
刘勇
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.)
Shenzhen Qinsi Technology Co ltd
Original Assignee
Shenzhen Qinsi Technology 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 Shenzhen Qinsi Technology Co ltd filed Critical Shenzhen Qinsi Technology Co ltd
Priority to CN202310241379.4A priority Critical patent/CN116385074B/zh
Publication of CN116385074A publication Critical patent/CN116385074A/zh
Application granted granted Critical
Publication of CN116385074B publication Critical patent/CN116385074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据管理技术领域，具体为一种基于互联网的线上销售数据智能筛选管理系统及方法，所述系统包括数据预测及优先级调节模块，所述数据预测及优先级调节模块结合推广标签干扰关系分析模块中的分析结果，预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况，并根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节。本发明既考虑到不同推广标签针对同一线上商铺，产生的销售效果的差异影响；又考虑到同一推广标签针对不同的线上商铺(商铺信息存在差异)，产生的销售效果的差异影响，为线上商铺推荐符合该线上商铺实际情况的推广标签，实现对线上商铺销售数据的有效管理。

Description

一种基于互联网的线上销售数据智能筛选管理系统及方法
技术领域
本发明涉及数据管理技术领域，具体为一种基于互联网的线上销售数据智能筛选管理系统及方法。
背景技术
随着互联网技术的快速发展，人们对互联网技术的运用越来越广泛，在电商领域，人们通过线上购物的方式，实现足不出户就能够获取满意的产品，在一定程度上，电商的发展为人们的生活带来了较大的便利；但是，电商上同一产品对应的线上商铺较多，且用户的浏览界面有限(使得界面内出现的商铺产品有限)，进而，为确保线上商铺的销量，线上商铺通常使用推广标签实现对受众用户的精准推广，增加线上商铺的产品成交量。
现有的线上销售数据智能筛选管理系统中，只是简单地提供电商平台中不同推广标签对应的产品总销售量，进而直接为线上商铺的推广标签的更新提供数据参照；但是现有技术存在较大的缺陷，一方面，不同推广标签针对同一线上商铺，产生的销售效果可能不同；另一方面，同一推广标签针对不同的线上商铺(商铺信息存在差异)，产生的销售效果也可能不同；而现有技术无法有效结合这两方面信息进行分析，使得为线上商铺推荐的推广标签不符合该线上商铺的实际情况，进而使得销售效果出现较大的偏差。
发明内容
本发明的目的在于提供一种基于互联网的线上销售数据智能筛选管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于互联网的线上销售数据智能筛选管理方法，所述方法包括以下步骤：
S1、获取线上商铺的当前商铺信息及最近第一单位时间内的产品销售数据，并查询所得销售数据中每个买家对应的用户标签集合；
S2、获取线上商铺的产品推广标签集合，将产品推广标签集合与销售数据对应的各个用户标签集合进行比较，筛选出第一待优化标签集合；
S3、获取同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合，结合线上商铺的产品推广标签集合及第一待优化标签集合，得到产品优化备选推广标签集合，并分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况；
S4、结合S3中的分析结果，预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况，并根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节；
S5、筛选线上商铺对应第一待优化标签集合内元素的替换推广标签，并将筛选后的替换推广标签作为预警信息发送给线上商铺对应的管理员，提醒管理员对线上商铺的产品推广标签进行更新，预警信息每隔第二单位时间发送一次，所述第二单位时间为数据库中预置的常数。
本发明将产品推广标签集合与销售数据对应的各个用户标签集合进行比较，筛选出第一待优化标签集合，考虑不是每个买家都是通过推广标签进行购买产品的，且未通过推广标签购买产品的用户本身也是该产品的需求者且该用户本身也具有标签，通过分析该标签，能够为后续更新推广标签提供数据参照。
进一步的，所述S1中当前商铺信息包括当前时间对应的开店时长、店铺评分、前一个月的销量、产品好评占比及产品价格，
所述产品销售数据包括销售的产品数量及每个产品对应的买家，
所述买家对应的用户标签集合中包含一个或多个标签，所述用户标签通过用户注册信息及用户最近第三单位时间内的浏览记录获取，所述第三单位时间为数据库中预置的常数。
进一步的，所述S2中筛选出第一待优化标签集合的方法包括以下步骤：
S21、获取当前时间线上商铺的产品推广标签集合；
S22、获取线上商铺的产品推广标签最近一次更新的时间，记为t1，将t1至当前时间对应的时长记为第一单位时间，获取线上商铺在最近第一单位时间内的产品销售数据中每个买家对应的用户标签集合，将第i买家对应的用户标签集合记为Ai；
S23、获取i为不同值时，分别对应的各个Ai的并集，记为Az，并分别统计Az中每个元素在S22中获取的所有用户标签集合中出现的次数，将Az中第j个元素在S22中获取的所有用户标签集合中出现的次数记为B(Az，j)；
S24、获取线上商铺的产品推广标签集合与Az的交集，记为Azc，获取Azc在Az的补集，记为Az-Azc；
S25、得到初始待优化标签集合，记为A1zc，所述A1zc等于Azc在线上商铺的产品推广标签集合的补集；
S26、获取Azc中各个元素在S22中获取的所有用户标签集合中出现的次数，并将最少出现次数记为d，提取Az-Azc中对应的在S22中获取的所有用户标签集合中出现的次数大于d的元素个数，记为d1；
S27、得到第一待优化标签集合，记为D，所述A1zc为D的子集，且将D中的元素个数记为n，将A1zc中元素个数记为n1，
当n1≥d1且d1≠0时，则判定n等于A1zc中元素个数，且第一待优化标签集合与A1zc相同，
当n1≥d1且d1＝0时，则判定n等于数据库中预置的常数，且第一待优化标签集合为Azc中对应的在S22中获取的所有用户标签集合中出现次数最小的n-n1个元素构成的集合与A1zc的并集，
当n1＜d1时，则判定n等于d1，且第一待优化标签集合为Azc中对应的在S22中获取的所有用户标签集合中出现次数最小的d1-n1个元素构成的集合与A1zc的并集。
本发明获取第一待优化标签集合时，获取A1zc及Az-Azc，是为了确定第一待优化标签集合中的元素个数，实现对第一待优化标签集合中待更新标签的动态筛选。
进一步的，所述S3中得到产品优化备选推广标签集合的方法包括以下步骤：
S301、获取最近第一单位时间内同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合；
S302、获取最近第一单位时间内同行业产品的推广标签集合中除A1zc内元素的剩余元素集合，记为第一集合E1；
S303、获取最近第一单位时间内同行业产品的推广标签集合中对应的线上商铺集合内一个线上商铺相应的最大销售数据大于d的推广标签，构成第二集合E2，
最近第一单位时间内同行业产品的推广标签集合中每个推广标签对应的线上商铺集合内各个线上商铺相应的销售数据之和等于相应推广标签对应的销售数据；
S304、得到产品优化备选推广标签集合，记为E3，所述E3＝E1∩E2；
本发明获取第一集合E1及第二集合E2，是为了确保获取的E3中同时既不包含A1zc中的元素(A1zc是线上商铺准备更新淘汰的推广标签)，又使得E3的每个元素对应的线上商铺的销售效果较好，实现了对产品优化备选推广标签集合内元素的准确筛选，降低后续步骤中分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况对应的数据处理量，提升了获取E4的速度。
所述S3中分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况的方法包括以下步骤：
S311、获取E3中每个元素对应的线上商铺集合及相应推广标签对应的每个线上商铺相应的销售数据，将E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的销售数据记为QE3(k，m)；
S312、根据E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息，得到E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺对应用户观感影响值，记为WE3(k，m)，
所述WE3(k，m)＝r1*L1E3(k，m)+r2*L2E3(k，m)+r3*L3E3(k，m)+r4*L4E3(k，m)，
其中，L1E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的开店时长，
L2E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的店铺评分，
L3E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的前一个月的销量，
L4E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的产品好评占比，所述r1、r2、r3及r4均为数据库中预置的常数；
S313、获取E3中第k个元素对应的推广标签相应的线上商铺集合内销售数据最大的线上商铺，记为P，将P对应的最大用户观感影响值，记为WE3k，计算E3中第k个元素对应的推广标签相应的线上商铺集合中各个元素对应的商铺信息分别与P对应商铺信息之间的综合偏差值，
将E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的商铺信息与P对应商铺信息之间的综合偏差值，记为GE3(k，m)，
GE3(k，m)＝(WE3k-WE3(k，m))-r5*(FE3k-FE3(k，m))/FE3k，
其中，FE3k表示P对应商铺信息中的产品价格，FE3(k，m))表示E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的商铺信息中的产品价格，r5表示数据库中预置的常数；
S314、获取E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的偏差关系数据对(GE3(k，m)，QPE3(k，m))，QPE3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内P对应的销售数据占比与QE3(k，m)对应销售数据占比的差值，
线上商铺销售数据占比等于相应推广标签对应线上商铺的销售数据除以相应推广标签对应各个线上商铺的销售数据之和的商；
S315、以预置的函数y＝h/[1+e-(h1*x+h2)]+h3为函数模型且h、h1、h2及h3均为系数，对S314中获取的各个偏差关系数据对进行拟合，将拟合结果对应的函数作为产品优化备选推广标签集合E3中第k个推广标签对应的商铺信息对销售数据的干扰函数，记为HE3k(x)。
进一步的，所述S4中预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况的方法包括以下步骤：
S41、产品优化备选推广标签集合E3中第k个推广标签对应的商铺信息对销售数据的干扰函数HE3k(x)；
S42、预测产品优化备选推广标签集合中第k个推广标签基于当前商铺信息的销售数据，记为YE3k，所述YE3k对应的是相应销售数据中销售的产品数量，
当E3中第k个推广标签属于Azc时，则YE3k＝HE3k(GE3tk)，所述GE3tk表示当前商铺信息与P对应商铺信息之间的综合偏差值，
当E3中第k个推广标签不属于Azc时，则
Figure BDA0004124254000000051
m1表示E3中第k个元素对应的推广标签相应的线上商铺集合中的元素个数，
βPE3k表示E3中第k个元素对应的推广标签相应的线上商铺集合内P对应的销售数据占比；
S43、得到产品优化备选推广标签集合中推广标签基于当前商铺信息的销售数据的预测值的预测偏差波动区间，记为区间[μ1，μ2]，所述μ1表示E3中第k个推广标签属于Azc时对应的各个YE3k分别与相应推广标签参照值差值中的最小值，所述μ2表示E3中第k个推广标签属于Azc时对应的各个YE3k分别与相应推广标签参照值差值中的最大值，所述相应推广标签参照值表示最近第一单位时间内当前线上商铺的推广标签集合中，与E3中第k个推广标签相同的推广标签对应的销售数据；
本发明预测产品优化备选推广标签集合中第k个推广标签基于当前商铺信息的销售数据占比等于[βPE3k-HE3k(GE3tk)]/[βPE3k-HE3k(GE3tk)+1]，则YE3k等于
Figure BDA0004124254000000061
获取[μ1，μ2]是考虑到推广标签对应线上商铺的销售数据预测值相应的偏差情况，为后续步骤中准确获取预警信息提供了数据参照。
根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节时，将E3中不属于Azc的推广标签放置到属于Azc的推广标签之前，且E3中不属于Azc的推广标签之间或E3中属于Azc的推广标签之间，对应的基于当前商铺信息销售数据的预测值大的推广标签放置到对应的基于当前商铺信息销售数据的预测值小的推广标签之前，对应的基于当前商铺信息销售数据的预测值相等的不同推广标签之间的放置先后顺序随机生成，将元素优先级调节后的产品优化备选推广标签集合记为E4。
进一步的，所述S5中筛选线上商铺对应第一待优化标签集合内元素的替换推广标签时，获取E4中第n个元素对应推广标签的销售数据预测值，记为E4n，得到受预测偏差波动区间[μ1，μ2]影响后且与E4n对应的销售数据波动范围[E4n+μ1，E4n+μ2]存在交集的最小销售数据预测值为E4n-(μ2-μ1)，则预警信息为E4中按优先级从大到小的顺序得到对应销售数据预测值小于E4n-(μ2-μ1)之前的所有推广标签构成的集合且所得集合中所有推广标签均大于等于E4n-(μ2-μ1)。
本发明预警信息中的推广标签个数大于等于线上商铺对应第一待优化标签集合内元素个数，且预警信息是为线上商铺更新推广标签提供数据参照的，是为了建议线上商铺选取预警信息中的n个元素更换线上商铺对应第一待优化标签集合内元素的，该预警信息在一定程度上有效缩减了线上商铺更新推广标签的范围且预警信息内的每个推广标签都是针对线上商铺的商铺信息而综合考虑的，准确性更高。
一种基于互联网的线上销售数据智能筛选管理系统，所述系统包括以下模块：
标签采集模块，所述标签采集模块获取线上商铺的当前商铺信息及最近第一单位时间内的产品销售数据，并查询所得销售数据中每个买家对应的用户标签集合；
待优化标签获取模块，所述待优化标签获取模块获取线上商铺的产品推广标签集合，将产品推广标签集合与销售数据对应的各个用户标签集合进行比较，筛选出第一待优化标签集合；
推广标签干扰关系分析模块，所述推广标签干扰因素分析模块获取同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合，结合线上商铺的产品推广标签集合及第一待优化标签集合，得到产品优化备选推广标签集合，并分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况；
数据预测及优先级调节模块，所述数据预测及优先级调节模块结合推广标签干扰关系分析模块中的分析结果，预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况，并根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节；
预警管理模块，所述预警管理模块筛选线上商铺对应第一待优化标签集合内元素的替换推广标签，并将筛选后的替换推广标签作为预警信息发送给线上商铺对应的管理员，提醒管理员对线上商铺的产品推广标签进行更新，预警信息每隔第二单位时间发送一次，所述第二单位时间为数据库中预置的常数。
进一步的，所述标签采集模块中当前商铺信息包括当前时间对应的开店时长、店铺评分、前一个月的销量、产品好评占比及产品价格，所述产品销售数据包括销售的产品数量及每个产品对应的买家，所述买家对应的用户标签集合中包含一个或多个标签，所述用户标签通过用户注册信息及用户最近第三单位时间内的浏览记录获取，所述第三单位时间为数据库中预置的常数。
与现有技术相比，本发明所达到的有益效果是：本发明为线上商铺的推广标签的更新提供数据参照时，既考虑到不同推广标签针对同一线上商铺，产生的销售效果的差异影响；又考虑到同一推广标签针对不同的线上商铺(商铺信息存在差异)，产生的销售效果的差异影响，并有效结合这两方面信息进行分析，为线上商铺推荐符合该线上商铺实际情况的推广标签，实现对线上商铺销售数据的有效管理。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于互联网的线上销售数据智能筛选管理方法的流程示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
请参阅图1，本发明提供技术方案：一种基于互联网的线上销售数据智能筛选管理方法，所述方法包括以下步骤：
S1、获取线上商铺的当前商铺信息及最近第一单位时间内的产品销售数据，并查询所得销售数据中每个买家对应的用户标签集合；
所述S1中当前商铺信息包括当前时间对应的开店时长、店铺评分、前一个月的销量、产品好评占比及产品价格，
所述产品销售数据包括销售的产品数量及每个产品对应的买家，
所述买家对应的用户标签集合中包含一个或多个标签，所述用户标签通过用户注册信息及用户最近第三单位时间内的浏览记录获取，所述第三单位时间为数据库中预置的常数。
S2、获取线上商铺的产品推广标签集合，将产品推广标签集合与销售数据对应的各个用户标签集合进行比较，筛选出第一待优化标签集合；
所述S2中筛选出第一待优化标签集合的方法包括以下步骤：
S21、获取当前时间线上商铺的产品推广标签集合；
S22、获取线上商铺的产品推广标签最近一次更新的时间，记为t1，将t1至当前时间对应的时长记为第一单位时间，获取线上商铺在最近第一单位时间内的产品销售数据中每个买家对应的用户标签集合，将第i买家对应的用户标签集合记为Ai；
S23、获取i为不同值时，分别对应的各个Ai的并集，记为Az，并分别统计Az中每个元素在S22中获取的所有用户标签集合中出现的次数，将Az中第j个元素在S22中获取的所有用户标签集合中出现的次数记为B(Az，j)；
S24、获取线上商铺的产品推广标签集合与Az的交集，记为Azc，获取Azc在Az的补集，记为Az-Azc；
S25、得到初始待优化标签集合，记为A1zc，所述A1zc等于Azc在线上商铺的产品推广标签集合的补集；
S26、获取Azc中各个元素在S22中获取的所有用户标签集合中出现的次数，并将最少出现次数记为d，提取Az-Azc中对应的在S22中获取的所有用户标签集合中出现的次数大于d的元素个数，记为d1；
S27、得到第一待优化标签集合，记为D，所述A1zc为D的子集，且将D中的元素个数记为n，将A1zc中元素个数记为n1，
当n1≥d1且d1≠0时，则判定n等于A1zc中元素个数，且第一待优化标签集合与A1zc相同，
当n1≥d1且d1＝0时，则判定n等于数据库中预置的常数，且第一待优化标签集合为Azc中对应的在S22中获取的所有用户标签集合中出现次数最小的n-n1个元素构成的集合与A1zc的并集，
当n1＜d1时，则判定n等于d1，且第一待优化标签集合为Azc中对应的在S22中获取的所有用户标签集合中出现次数最小的d1-n1个元素构成的集合与A1zc的并集。
本发明中第一待优化标签集合D中的元素个数不超过线上商铺的产品推广标签集合中的元素个数。
本实施例中若线上商铺的产品推广标签集合中的元素个数为5，A1zc中元素个数n1为1，Az-Azc对应的d1等于3，则第一待优化标签集合中的元素个数为3，
若S22中获取的所有用户标签集合中出现次数最小的2个元素构成的集合为g，
则D＝A1zc∪g；
S3、获取同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合，结合线上商铺的产品推广标签集合及第一待优化标签集合，得到产品优化备选推广标签集合，并分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况；
所述S3中得到产品优化备选推广标签集合的方法包括以下步骤：
S301、获取最近第一单位时间内同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合；
S302、获取最近第一单位时间内同行业产品的推广标签集合中除A1zc内元素的剩余元素集合，记为第一集合E1；
S303、获取最近第一单位时间内同行业产品的推广标签集合中对应的线上商铺集合内一个线上商铺相应的最大销售数据大于d的推广标签，构成第二集合E2，
最近第一单位时间内同行业产品的推广标签集合中每个推广标签对应的线上商铺集合内各个线上商铺相应的销售数据之和等于相应推广标签对应的销售数据；
S304、得到产品优化备选推广标签集合，记为E3，所述E3＝E1∩E2；
本实施例中若最近第一单位时间内同行业产品的推广标签集合为{θ1，θ2，θ3，θ4，θ5}，A1zc为{θ1，θ3}，
则第一集合E1＝{θ1，θ2，θ3，θ4，θ5}-{θ1，θ3}＝{θ3，θ4，θ5}；
若第二集合E2为{θ1，θ3，θ4，θ6}，
则E3＝E1∩E2＝{θ3，θ4，θ5}∩{θ1，θ3，θ4，θ6}＝{θ3，θ4}。
所述S3中分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况的方法包括以下步骤：
S311、获取E3中每个元素对应的线上商铺集合及相应推广标签对应的每个线上商铺相应的销售数据，将E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的销售数据记为QE3(k，m)；
S312、根据E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息，得到E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺对应用户观感影响值，记为WE3(k，m)，
所述WE3(k，m)＝r1*L1E3(k，m)+r2*L2E3(k，m)+r3*L3E3(k，m)+r4*L4E3(k，m)，
其中，L1E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的开店时长，
L2E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的店铺评分，
L3E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的前一个月的销量，
L4E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的产品好评占比，所述r1、r2、r3及r4均为数据库中预置的常数；
S313、获取E3中第k个元素对应的推广标签相应的线上商铺集合内销售数据最大的线上商铺，记为P，将P对应的最大用户观感影响值，记为WE3k，计算E3中第k个元素对应的推广标签相应的线上商铺集合中各个元素对应的商铺信息分别与P对应商铺信息之间的综合偏差值，
将E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的商铺信息与P对应商铺信息之间的综合偏差值，记为GE3(k，m)，
GE3(k，m)＝(WE3k-WE3(k，m))-r5*(FE3k-FE3(k，m))/FE3k，
其中，FE3k表示P对应商铺信息中的产品价格，FE3(k，m))表示E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的商铺信息中的产品价格，r5表示数据库中预置的常数；
S314、获取E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的偏差关系数据对(GE3(k，m)，QPE3(k，m))，QPE3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内P对应的销售数据占比与QE3(k，m)对应销售数据占比的差值，
线上商铺销售数据占比等于相应推广标签对应线上商铺的销售数据除以相应推广标签对应各个线上商铺的销售数据之和的商；
S315、以预置的函数y＝h/[1+e-(h1*x+h2)]+h3为函数模型且h、h1、h2及h3均为系数，对S314中获取的各个偏差关系数据对进行拟合，将拟合结果对应的函数作为产品优化备选推广标签集合E3中第k个推广标签对应的商铺信息对销售数据的干扰函数，记为HE3k(x)。
S4、结合S3中的分析结果，预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况，并根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节；
所述S4中预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况的方法包括以下步骤：
S41、产品优化备选推广标签集合E3中第k个推广标签对应的商铺信息对销售数据的干扰函数HE3k(x)；
S42、预测产品优化备选推广标签集合中第k个推广标签基于当前商铺信息的销售数据，记为YE3k，所述YE3k对应的是相应销售数据中销售的产品数量，
当E3中第k个推广标签属于Azc时，则YE3k＝HE3k(GE3tk)，所述GE3tk表示当前商铺信息与P对应商铺信息之间的综合偏差值，
当E3中第k个推广标签不属于Azc时，则
Figure BDA0004124254000000121
m1表示E3中第k个元素对应的推广标签相应的线上商铺集合中的元素个数，
βPE3k表示E3中第k个元素对应的推广标签相应的线上商铺集合内P对应的销售数据占比；
S43、得到产品优化备选推广标签集合中推广标签基于当前商铺信息的销售数据的预测值的预测偏差波动区间，记为区间[μ1，μ2]，所述μ1表示E3中第k个推广标签属于Azc时对应的各个YE3k分别与相应推广标签参照值差值中的最小值，所述μ2表示E3中第k个推广标签属于Azc时对应的各个YE3k分别与相应推广标签参照值差值中的最大值，所述相应推广标签参照值表示最近第一单位时间内当前线上商铺的推广标签集合中，与E3中第k个推广标签相同的推广标签对应的销售数据；
根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节时，将E3中不属于Azc的推广标签放置到属于Azc的推广标签之前，且E3中不属于Azc的推广标签之间或E3中属于Azc的推广标签之间，对应的基于当前商铺信息销售数据的预测值大的推广标签放置到对应的基于当前商铺信息销售数据的预测值小的推广标签之前，对应的基于当前商铺信息销售数据的预测值相等的不同推广标签之间的放置先后顺序随机生成，将元素优先级调节后的产品优化备选推广标签集合记为E4。
S5、筛选线上商铺对应第一待优化标签集合内元素的替换推广标签，并将筛选后的替换推广标签作为预警信息发送给线上商铺对应的管理员，提醒管理员对线上商铺的产品推广标签进行更新，预警信息每隔第二单位时间发送一次，所述第二单位时间为数据库中预置的常数；
所述S5中筛选线上商铺对应第一待优化标签集合内元素的替换推广标签时，获取E4中第n个元素对应推广标签的销售数据预测值，记为E4n，得到受预测偏差波动区间[μ1，μ2]影响后且与E4n对应的销售数据波动范围[E4n+μ1，E4n+μ2]存在交集的最小销售数据预测值为E4n-(μ2-μ1)，则预警信息为E4中按优先级从大到小的顺序得到对应销售数据预测值小于E4n-(μ2-μ1)之前的所有推广标签构成的集合且所得集合中所有推广标签均大于等于E4n-(μ2-μ1)。
一种基于互联网的线上销售数据智能筛选管理系统，所述系统包括以下模块：
标签采集模块，所述标签采集模块获取线上商铺的当前商铺信息及最近第一单位时间内的产品销售数据，并查询所得销售数据中每个买家对应的用户标签集合；
待优化标签获取模块，所述待优化标签获取模块获取线上商铺的产品推广标签集合，将产品推广标签集合与销售数据对应的各个用户标签集合进行比较，筛选出第一待优化标签集合；
推广标签干扰关系分析模块，所述推广标签干扰因素分析模块获取同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合，结合线上商铺的产品推广标签集合及第一待优化标签集合，得到产品优化备选推广标签集合，并分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况；
数据预测及优先级调节模块，所述数据预测及优先级调节模块结合推广标签干扰关系分析模块中的分析结果，预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况，并根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节；
预警管理模块，所述预警管理模块筛选线上商铺对应第一待优化标签集合内元素的替换推广标签，并将筛选后的替换推广标签作为预警信息发送给线上商铺对应的管理员，提醒管理员对线上商铺的产品推广标签进行更新，预警信息每隔第二单位时间发送一次，所述第二单位时间为数据库中预置的常数。
所述标签采集模块中当前商铺信息包括当前时间对应的开店时长、店铺评分、前一个月的销量、产品好评占比及产品价格，所述产品销售数据包括销售的产品数量及每个产品对应的买家，所述买家对应的用户标签集合中包含一个或多个标签，所述用户标签通过用户注册信息及用户最近第三单位时间内的浏览记录获取，所述第三单位时间为数据库中预置的常数。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于互联网的线上销售数据智能筛选管理方法，其特征在于，所述方法包括以下步骤：
S1、获取线上商铺的当前商铺信息及最近第一单位时间内的产品销售数据，并查询所得销售数据中每个买家对应的用户标签集合；
S2、获取线上商铺的产品推广标签集合，将产品推广标签集合与销售数据对应的各个用户标签集合进行比较，筛选出第一待优化标签集合；
S3、获取同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合，结合线上商铺的产品推广标签集合及第一待优化标签集合，得到产品优化备选推广标签集合，并分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况；
S4、结合S3中的分析结果，预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况，并根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节；
S5、筛选线上商铺对应第一待优化标签集合内元素的替换推广标签，并将筛选后的替换推广标签作为预警信息发送给线上商铺对应的管理员，提醒管理员对线上商铺的产品推广标签进行更新，预警信息每隔第二单位时间发送一次，所述第二单位时间为数据库中预置的常数。
2.根据权利要求1所述的一种基于互联网的线上销售数据智能筛选管理方法，其特征在于：所述S1中当前商铺信息包括当前时间对应的开店时长、店铺评分、前一个月的销量、产品好评占比及产品价格，
所述产品销售数据包括销售的产品数量及每个产品对应的买家，
所述买家对应的用户标签集合中包含一个或多个标签，所述用户标签通过用户注册信息及用户最近第三单位时间内的浏览记录获取，所述第三单位时间为数据库中预置的常数。
3.根据权利要求1所述的一种基于互联网的线上销售数据智能筛选管理方法，其特征在于：所述S2中筛选出第一待优化标签集合的方法包括以下步骤：
S21、获取当前时间线上商铺的产品推广标签集合；
S22、获取线上商铺的产品推广标签最近一次更新的时间，记为t1，将t1至当前时间对应的时长记为第一单位时间，获取线上商铺在最近第一单位时间内的产品销售数据中每个买家对应的用户标签集合，将第i买家对应的用户标签集合记为Ai；
S23、获取i为不同值时，分别对应的各个Ai的并集，记为Az，并分别统计Az中每个元素在S22中获取的所有用户标签集合中出现的次数，将Az中第j个元素在S22中获取的所有用户标签集合中出现的次数记为B(Az，j)；
S24、获取线上商铺的产品推广标签集合与Az的交集，记为Azc，获取Azc在Az的补集，记为Az-Azc；
S25、得到初始待优化标签集合，记为A1zc，所述A1zc等于Azc在线上商铺的产品推广标签集合的补集；
S26、获取Azc中各个元素在S22中获取的所有用户标签集合中出现的次数，并将最少出现次数记为d，提取Az-Azc中对应的在S22中获取的所有用户标签集合中出现的次数大于d的元素个数，记为d1；
S27、得到第一待优化标签集合，记为D，所述A1zc为D的子集，且将D中的元素个数记为n，将A1zc中元素个数记为n1，
当n1≥d1且d1≠0时，则判定n等于A1zc中元素个数，且第一待优化标签集合与A1zc相同，
当n1≥d1且d1＝0时，则判定n等于数据库中预置的常数，且第一待优化标签集合为Azc中对应的在S22中获取的所有用户标签集合中出现次数最小的n-n1个元素构成的集合与A1zc的并集，
当n1＜d1时，则判定n等于d1，且第一待优化标签集合为Azc中对应的在S22中获取的所有用户标签集合中出现次数最小的d1-n1个元素构成的集合与A1zc的并集。
4.根据权利要求3所述的一种基于互联网的线上销售数据智能筛选管理方法，其特征在于：所述S3中得到产品优化备选推广标签集合的方法包括以下步骤：
S301、获取最近第一单位时间内同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合；
S302、获取最近第一单位时间内同行业产品的推广标签集合中除A1zc内元素的剩余元素集合，记为第一集合E1；
S303、获取最近第一单位时间内同行业产品的推广标签集合中对应的线上商铺集合内一个线上商铺相应的最大销售数据大于d的推广标签，构成第二集合E2，
最近第一单位时间内同行业产品的推广标签集合中每个推广标签对应的线上商铺集合内各个线上商铺相应的销售数据之和等于相应推广标签对应的销售数据；
S304、得到产品优化备选推广标签集合，记为E3，所述E3＝E1∩E2；
所述S3中分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况的方法包括以下步骤：
S311、获取E3中每个元素对应的线上商铺集合及相应推广标签对应的每个线上商铺相应的销售数据，将E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的销售数据记为QE3(k，m)；
S312、根据E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息，得到E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺对应用户观感影响值，记为WE3(k，m)，
所述WE3(k，m)＝r1*L1E3(k，m)+r2*L2E3(k，m)+r3*L3E3(k，m)+r4*L4E3(k，m)，
其中，L1E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的开店时长，
L2E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的店铺评分，
L3E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的前一个月的销量，
L4E3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内第m个线上商铺的商铺信息中当前时间对应的产品好评占比，所述r1、r2、r3及r4均为数据库中预置的常数；
S313、获取E3中第k个元素对应的推广标签相应的线上商铺集合内销售数据最大的线上商铺，记为P，将P对应的最大用户观感影响值，记为WE3k，计算E3中第k个元素对应的推广标签相应的线上商铺集合中各个元素对应的商铺信息分别与P对应商铺信息之间的综合偏差值，
将E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的商铺信息与P对应商铺信息之间的综合偏差值，记为GE3(k，m)，
GE3(k，m)＝(WE3k-WE3(k，m))-r5*(FE3k-FE3(k，m))/FE3k，
其中，FE3k表示P对应商铺信息中的产品价格，FE3(k，m))表示E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的商铺信息中的产品价格，r5表示数据库中预置的常数；
S314、获取E3中第k个元素对应的推广标签相应的线上商铺集合中第m个元素对应的偏差关系数据对(GE3(k，m)，QPE3(k，m))，QPE3(k，m)表示E3中第k个元素对应的推广标签相应的线上商铺集合内P对应的销售数据占比与QE3(k，m)对应销售数据占比的差值，
线上商铺销售数据占比等于相应推广标签对应线上商铺的销售数据除以相应推广标签对应各个线上商铺的销售数据之和的商；
S315、以预置的函数y＝h/[1+e-(h1*x+h2)]+h3为函数模型且h、h1、h2及h3均为系数，对S314中获取的各个偏差关系数据对进行拟合，将拟合结果对应的函数作为产品优化备选推广标签集合E3中第k个推广标签对应的商铺信息对销售数据的干扰函数，记为HE3k(x)。
5.根据权利要求4所述的一种基于互联网的线上销售数据智能筛选管理方法，其特征在于：所述S4中预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况的方法包括以下步骤：
S41、产品优化备选推广标签集合E3中第k个推广标签对应的商铺信息对销售数据的干扰函数HE3k(x)；
S42、预测产品优化备选推广标签集合中第k个推广标签基于当前商铺信息的销售数据，记为YE3k，所述YE3k对应的是相应销售数据中销售的产品数量，
当E3中第k个推广标签属于Azc时，则YE3k＝HE3k(GE3tk)，所述GE3tk表示当前商铺信息与P对应商铺信息之间的综合偏差值，
当E3中第k个推广标签不属于Azc时，则
Figure FDA0004124253990000051
m1表示E3中第k个元素对应的推广标签相应的线上商铺集合中的元素个数，
βPE3k表示E3中第k个元素对应的推广标签相应的线上商铺集合内P对应的销售数据占比；
S43、得到产品优化备选推广标签集合中推广标签基于当前商铺信息的销售数据的预测值的预测偏差波动区间，记为区间[μ1，μ2]，所述μ1表示E3中第k个推广标签属于Azc时对应的各个YE3k分别与相应推广标签参照值差值中的最小值，所述μ2表示E3中第k个推广标签属于Azc时对应的各个YE3k分别与相应推广标签参照值差值中的最大值，所述相应推广标签参照值表示最近第一单位时间内当前线上商铺的推广标签集合中，与E3中第k个推广标签相同的推广标签对应的销售数据；
根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节时，将E3中不属于Azc的推广标签放置到属于Azc的推广标签之前，且E3中不属于Azc的推广标签之间或E3中属于Azc的推广标签之间，对应的基于当前商铺信息销售数据的预测值大的推广标签放置到对应的基于当前商铺信息销售数据的预测值小的推广标签之前，对应的基于当前商铺信息销售数据的预测值相等的不同推广标签之间的放置先后顺序随机生成，将元素优先级调节后的产品优化备选推广标签集合记为E4。
6.根据权利要求5所述的一种基于互联网的线上销售数据智能筛选管理方法，其特征在于：所述S5中筛选线上商铺对应第一待优化标签集合内元素的替换推广标签时，获取E4中第n个元素对应推广标签的销售数据预测值，记为E4n，得到受预测偏差波动区间[μ1，μ2]影响后且与E4n对应的销售数据波动范围[E4n+μ1，E4n+μ2]存在交集的最小销售数据预测值为E4n-(μ2-μ1)，则预警信息为E4中按优先级从大到小的顺序得到对应销售数据预测值小于E4n-(μ2-μ1)之前的所有推广标签构成的集合且所得集合中所有推广标签均大于等于E4n-(μ2-μ1)。
7.一种基于互联网的线上销售数据智能筛选管理系统，其特征在于，所述系统包括以下模块：
标签采集模块，所述标签采集模块获取线上商铺的当前商铺信息及最近第一单位时间内的产品销售数据，并查询所得销售数据中每个买家对应的用户标签集合；
待优化标签获取模块，所述待优化标签获取模块获取线上商铺的产品推广标签集合，将产品推广标签集合与销售数据对应的各个用户标签集合进行比较，筛选出第一待优化标签集合；
推广标签干扰关系分析模块，所述推广标签干扰因素分析模块获取同行业产品的推广标签集合、每个推广标签对应的销售数据及每个推广标签对应的线上商铺集合，结合线上商铺的产品推广标签集合及第一待优化标签集合，得到产品优化备选推广标签集合，并分析产品优化备选推广标签集合中不同推广标签对应的商铺信息对销售数据的干扰情况；
数据预测及优先级调节模块，所述数据预测及优先级调节模块结合推广标签干扰关系分析模块中的分析结果，预测产品优化备选推广标签集合中每个推广标签基于当前商铺信息的销售情况，并根据预测结果对产品优化备选推广标签集合中的元素优先级进行调节；
预警管理模块，所述预警管理模块筛选线上商铺对应第一待优化标签集合内元素的替换推广标签，并将筛选后的替换推广标签作为预警信息发送给线上商铺对应的管理员，提醒管理员对线上商铺的产品推广标签进行更新，预警信息每隔第二单位时间发送一次，所述第二单位时间为数据库中预置的常数。
8.根据权利要求7所述的一种基于互联网的线上销售数据智能筛选管理系统，其特征在于：所述标签采集模块中当前商铺信息包括当前时间对应的开店时长、店铺评分、前一个月的销量、产品好评占比及产品价格，所述产品销售数据包括销售的产品数量及每个产品对应的买家，所述买家对应的用户标签集合中包含一个或多个标签，所述用户标签通过用户注册信息及用户最近第三单位时间内的浏览记录获取，所述第三单位时间为数据库中预置的常数。
CN202310241379.4A 2023-03-14 2023-03-14 一种基于互联网的线上销售数据智能筛选管理系统及方法 Active CN116385074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310241379.4A CN116385074B (zh) 2023-03-14 2023-03-14 一种基于互联网的线上销售数据智能筛选管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310241379.4A CN116385074B (zh) 2023-03-14 2023-03-14 一种基于互联网的线上销售数据智能筛选管理系统及方法

Publications (2)

Publication Number Publication Date
CN116385074A true CN116385074A (zh) 2023-07-04
CN116385074B CN116385074B (zh) 2023-10-24

Family

ID=86972265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310241379.4A Active CN116385074B (zh) 2023-03-14 2023-03-14 一种基于互联网的线上销售数据智能筛选管理系统及方法

Country Status (1)

Country Link
CN (1) CN116385074B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250522A (zh) * 2016-08-03 2016-12-21 浙江工业大学 一种基于高斯估计的在线餐饮主标签数据快速提取方法
JP2017012521A (ja) * 2015-07-02 2017-01-19 株式会社日立システムズ ラベル管理システム、ラベル管理方法、及びラベル管理プログラム
CN110490662A (zh) * 2019-08-23 2019-11-22 深圳市福尔科技有限公司 一种通过线下开单进行线上店铺推广的系统和方法
KR20210071257A (ko) * 2019-12-06 2021-06-16 정의상 점포 정보 태그를 이용한 점포 운영 시스템, 방법 및 프로그램
CN114693350A (zh) * 2022-03-29 2022-07-01 武汉历历晴川网络科技有限公司 一种商品信息处理方法、设备及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017012521A (ja) * 2015-07-02 2017-01-19 株式会社日立システムズ ラベル管理システム、ラベル管理方法、及びラベル管理プログラム
CN106250522A (zh) * 2016-08-03 2016-12-21 浙江工业大学 一种基于高斯估计的在线餐饮主标签数据快速提取方法
CN110490662A (zh) * 2019-08-23 2019-11-22 深圳市福尔科技有限公司 一种通过线下开单进行线上店铺推广的系统和方法
KR20210071257A (ko) * 2019-12-06 2021-06-16 정의상 점포 정보 태그를 이용한 점포 운영 시스템, 방법 및 프로그램
CN114693350A (zh) * 2022-03-29 2022-07-01 武汉历历晴川网络科技有限公司 一种商品信息处理方法、设备及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄粤等: "中小商铺信息化行业应用研究", 电信科学, no. 10, pages 17 - 21 *

Also Published As

Publication number Publication date
CN116385074B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN112381623B (zh) 一种基于大数据分析的电子商务平台商品智能推荐方法
US8620746B2 (en) Scoring quality of traffic to network sites
US8341102B2 (en) User state presumption system, user state presumption method, and recording media storing user state presumption program
US20020111847A1 (en) System and method for calculating a marketing appearance frequency measurement
Foster et al. Macro and micro dynamics of productivity: From devilish details to insights
US20070294149A1 (en) Catalog based price search
BRPI0620830A2 (pt) sistema e método de uso de qualidades de anúncio estimadas para filtração, classificação e promoção de anúncios e meio legìvel em computador
AU2006332534A1 (en) Predicting ad quality
US8655737B1 (en) Brand name synonymy
CN112052394B (zh) 专业内容信息的推荐方法、系统、终端设备和存储介质
CN111833113A (zh) 基于大数据的产品推荐方法、装置、设备及存储介质
CN101496058A (zh) 使用认知概念关系的独立于数据的相关性评估
CN111461836A (zh) 一种提升商品交易的信息处理方法及装置
CN111127074B (zh) 一种数据推荐方法
CN113034238A (zh) 基于电子商务平台交易的商品品牌特征提取及智能推荐管理方法
CN117151814A (zh) 个性化商品推荐与实时动态调整方法
CN113407854A (zh) 一种应用推荐方法、装置、设备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
CN117555937B (zh) 一种用于产品推荐的数据采集方法及系统
CN108595580B (zh) 新闻推荐方法、装置、服务器及存储介质
CN116385074B (zh) 一种基于互联网的线上销售数据智能筛选管理系统及方法
WO2019221844A1 (en) Item-specific value optimization tool
KR20160071899A (ko) 기술 가치 평가 장치, 방법 및 이를 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
US10210528B2 (en) Method and system for assessing and improving individual customer profitability for a profit-making organization
US6615195B1 (en) Method and system for evaluating technology transfer value

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