CN116452299A - 一种电商智能化推荐系统及方法 - Google Patents
一种电商智能化推荐系统及方法 Download PDFInfo
- Publication number
- CN116452299A CN116452299A CN202310441997.3A CN202310441997A CN116452299A CN 116452299 A CN116452299 A CN 116452299A CN 202310441997 A CN202310441997 A CN 202310441997A CN 116452299 A CN116452299 A CN 116452299A
- Authority
- CN
- China
- Prior art keywords
- order
- commodity
- information
- prediction model
- analysis
- 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 21
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012098 association analyses Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000012216 screening 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电商智能化推荐系统及方法，包括以下步骤：S1.依据商城基础数据、订单特征以及消费者及商家特征进行分析；S2.依据场景、商品及订单流失情况进行关联分析；S3.依据S2步骤的分析数据通过随机森林算法构件订单流失预测模型；S4.结合S1步骤的分析数据与订单流失预测模型进行个性化推荐。包括：商品信息管理模块、订单信息管理模块、信息分析模块以及消息推送模块。本发明有效地解决了现有技术中往往会忽略用户的潜在需求，且对电商平台订单流失情况预测模型的研究较少的问题。
Description
技术领域
本发明涉及机器学习领域，具体为一种电商智能化推荐系统及方法。
背景技术
随着电子商务的迅速发展，电子商务行业内各大企业之间的竞争越来越激烈，竞争的着眼点不再局限于价格，提升用户体验成为商务平台的重要目标。在人们生活质量的不断提升的过程中，对价格的要求会有所降低，但对消费体验的要求是不断增加的。过去人们在销售工作中主要凭借经验和简单的数据分析来做决策，而在如今的大数据时代，简单的数据分析已经无法满足商家的需求，如果能充分利用数据挖掘技术，对订单数据进行有效分析，就能够分析挖掘客户特性，采用更加高效的营销策略，进而有效提升销售量。
电子商务领域的数据分析与挖掘工作，一般以用户行为分析、消费者心理分析为主，并且前人的研究重心多放在商品销售前，也就是说，在电商领域，过去人们主要研究消费者需求，可是他们往往会忽略用户的潜在需求，且对电商平台订单流失情况预测模型的研究较少。
发明内容
本发明提供一种电商智能化推荐方法，包括以下步骤：S1.依据商城基础数据、订单特征以及消费者及商家特征进行分析；S2.依据场景、商品及订单流失情况进行关联分析；S3.依据S2步骤的分析数据通过随机森林算法构件订单流失预测模型；S4.结合S1步骤的分析数据与订单流失预测模型进行个性化推荐。
进一步地，所述S1步骤中订单特征包括：商品分类、订单时间、收货地址；所述商品分类包括：商品销售情况、商品不同来源销售情况；所示订单时间包括：各时间段销售情况、订单数量周变化、订单地域特征、各地区销售额、各地区订单单价。
进一步地，所述S3步骤中构件订单流失预测模型包括以下步骤：A1.将商品的具体信息与订单的交易情况放入样本池，并进行抽样提取；A2.抽取多个样本进行训练生成多个训练集，并依照训练集生成初始模型；A3.将未抽取出的样本建立OOB样本集，并依照OOB样本集生成测试集；A4.依照初始模型与测试集建立订单预测模型进行自身检验；A5.将模型中各个节点进行变更后重复A2-A4步骤；A6.生成最优订单预测模型，即订单流失预测模型。
进一步地，所述S2步骤中使用Apriori，FP-growth算法进行关联分析。
一种电商智能化推荐系统，包括：商品信息管理模块、订单信息管理模块、信息分析模块以及消息推送模块。
进一步地，所述商品信息管理模块用于管理商品信息，包括：商品数量、商品类别、商品价格、店家信息。
进一步地，所述订单信息管理模块用于管理订单成交与失败信息，包括：订单金额、订单时间、订单地域、订单数量、订单平台。
进一步地，所述信息分析模块用于依据商品信息与订单信息进行分析，并依据分析结果确立关联商品与订单流失预测模型。
进一步地，所述消息推送模块根据商品关联信息与订单流失预测模型对用户进行相关商品信息推送。
本发明提供一种电商智能化推荐系统及方法，有效地解决了现有技术中往往会忽略用户的潜在需求，且对电商平台订单流失情况预测模型的研究较少的问题。
附图说明
图1为本发明提供的一种电商智能化推荐系统及方法的方法流程图；
图2为本发明提供的一种电商智能化推荐系统及方法的系统模块示意图；
图3为本发明提供的一种电商智能化推荐系统及方法的构件订单流失预测模型的流程图。
具体实施方式
以下结合附图对本发明的实施方法进行详细说明，所描述的仅为部分实施例，并非全部实施例，为了清楚的目的，在附图及说明中省略了与本发明无关的表示及描述。
如图1所示，本发明提供一种电商智能化推荐方法，包括以下步骤：S1.依据商城基础数据、订单特征以及消费者及商家特征进行分析；S2.依据场景、商品及订单流失情况进行关联分析；S3.依据S2步骤的分析数据通过随机森林算法构件订单流失预测模型；S4.结合S1步骤的分析数据与订单流失预测模型进行个性化推荐。
其中，S1步骤中订单特征包括：商品分类、订单时间、收货地址；所述商品分类包括：商品销售情况、商品不同来源销售情况；所示订单时间包括：各时间段销售情况、订单数量周变化、订单地域特征、各地区销售额、各地区订单单价。
不同的电商平台都有自己的主营商品，首先分析商城的各类商品的销售情况，判断主营分类，高利润分类，优势价格分类等。根据商品卖家的目的不同，广告投放的方法也不同，由于电脑与手机网页分辨率，插件安装等要求不同，所以 H5（手机移动端）的广告和PC（电脑端）的商品推荐是分开投放的，因此需要按不同端来分析数据。
订单时间特征分析：店铺的订单销售数量不仅可以与产品的分类特征相结合，还可以与时间相结合，得出销量高峰时段，从而针对特殊时间点有针对性的做推广活动；对一周之内商品销售数量和销售额变化趋势进行分析；由于全国各省经济发展水平不同，消费水平也不同，自然消费群体的消费水平和需求也不同，所以按地区进行销售情况分析是有必要的；由于我国幅员辽阔，各地区消费水平、风俗习惯以及季节、气温的差异明显，各地区订单的特征也存在一定的差异。结合订单收货省份与订单的销售额、订单数以及订单单价的分析可得出不同地区消费者简要的购买偏好特征，从而可针对不同区域对不同特性的产品进行定向推广；各地区的订单单价是指各地区的销售额除以订单数的平均数概念，可用于横向比较各地区每笔订单的平均价格。
用户消费者特征分析：根据用户的基本属性，购买行为属性和商品偏好，将一类有共同特征的用户聚类分析，抽象出相应的标签。这可以帮助我们更加精准进行决策，通过市场数据推论到产品的定位人群，对市场细分和用户分群，做到精细化运营。
商家店铺特征分析：对店铺销售商品的分类，店铺所在的地址，消费者购买后的评价进行分析，抽象出相应的标签，聚类。
S2步骤中，场景关联分析：时间指标的确定，从订单数据中选取了两个时间维度指标，第一个维度是周一至周日，第二个维度是每天 0 点至 23 点，其中 0 表示 0 点至 1点时间段订单，依次类推23代表23 点至 24 点内完成订单；时间划分的根据是之前第三章有分析过时间对订单的影响，其中周五和上午 10 点至 11 点是订单高峰期，并且周一至周日和每天不同时间段的订单情况都有波动；地点指标的确定，因为可以将广告投放可以精确到每个省乃至每个市，将每个市作为一个区块进行分析。通过关联分析挖掘订单数据，使用Apriori，FP-growth算法，以上述分析指标作为输入，分析出平台相关商品的最佳上架时间、市场较大的地区和对商品存在需求的消费者的购买习惯，根据输出结果进行商品推荐。
商品关联分析：首先对商品的不同类别进行关联分析，研究其关联性，之后选择具有代表性的类别的所有商品进行分析，分析的目的在于研究消费者习惯购买商品之间的关联性，对所有商品订单数据进行预处理，筛选出具有重复购买记录的用户（对于一次性购买多种商品的订单进行分单处理）。使用Apriori，FP-growth 算法，以商品作为输入，分析出分析哪些商品之间购买关联性比较强，哪些商品之间互斥性比较强，将关联性较强的商品组合出售，或在用户购买过某些商品后推送相关性强的商品，挖掘那些本没有打算购买其他产品的用户的潜在需求。
如图3所示，S3步骤中构件订单流失预测模型包括以下步骤：A1.将商品的具体信息与订单的交易情况放入样本池，并进行抽样提取；A2.抽取多个样本进行训练生成多个训练集，并依照训练集生成初始模型；A3.将未抽取出的样本建立OOB样本集，并依照OOB样本集生成测试集；A4.依照初始模型与测试集建立订单预测模型进行自身检验；A5.将模型中各个节点进行变更后重复A2-A4步骤；A6.生成最优订单预测模型，即订单流失预测模型。
对于电商平台来说，失败订单的预测正确率的重要性要大于成功订单，因为失败订单一旦预测错误那么就必定带来利润上的损失，而成功订单的预测错误并不会带来利润损失，所以在建立模型时需将失败订单的权重调高。对于被预测为失败交易的订单，需要及时提取交易记录，提醒相关工作人员在交易完成前做出尽可能的补救措施。
对于订单流失预测模型的完善，模型需要不断地更新，由于随机森林分类模型生成的过程是在全样本的中随意抽取测试集和训练集的。随着订单数量的不断增加，数据库也在不断更新，模型的抽样框也在不断更新，所以需要定期的对模型调整和更新，以保证模型的时效性。
如图2所示，一种电商智能化推荐系统，包括：商品信息管理模块、订单信息管理模块、信息分析模块以及消息推送模块。
其中，商品信息管理模块用于管理商品信息，包括：商品数量、商品类别、商品价格、店家信息。订单信息管理模块用于管理订单成交与失败信息，包括：订单金额、订单时间、订单地域、订单数量、订单平台。信息分析模块用于依据商品信息与订单信息进行分析，并依据分析结果确立关联商品与订单流失预测模型。消息推送模块根据商品关联信息与订单流失预测模型对用户进行相关商品信息推送。
对订单数据进行情境关联分析，分析出平台相关商品的最佳上架时间、市场较大的地区和对商品存在需求的消费者的购买习惯。本发明通过对现有的订单数据进行分析研究发现，不同时间、不同地点、在不同平台的消费者对同一种商品的需求强度是不同的，也就是说，不同情境下的消费者购买同一种商品的可能性是不同的。为了减少公司广告费用并提高工作效率，本发明提出了情境关联分析这一概念，即将时间、地点、平台及购买商品等指标进行关联分析，并找到最适合指定商品出售的情境。根据情境关联规则为商城建立个性化推荐系统，这个系统能识别每一个用户的特征，最终提供合适的商品，从而达到提高用户体验、挖掘用户需求的效果、节省公司广告成本和管理成本。
其次，本发明通过分析顾客购买习惯和需求惯性，对商品进行合理的捆绑销售和定价，以达到提高服务质量，节约客户时间，挖掘客户需求，提高客单价的作用。随后，还对订单流失情况进行了关联分析，发现订单流失情况与订单属性关系密切。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种电商智能化推荐方法，其特征在于，包括以下步骤：S1.依据商城基础数据、订单特征以及消费者及商家特征进行分析；S2.依据场景、商品及订单流失情况进行关联分析；S3.依据S2步骤的分析数据通过随机森林算法构件订单流失预测模型；S4.结合S1步骤的分析数据与订单流失预测模型进行个性化推荐。
2.根据权利要求1所述的一种电商智能化推荐方法，其特征在于，所述S1步骤中订单特征包括：商品分类、订单时间、收货地址；所述商品分类包括：商品销售情况、商品不同来源销售情况；所示订单时间包括：各时间段销售情况、订单数量周变化、订单地域特征、各地区销售额、各地区订单单价。
3.根据权利要求1所述的一种电商智能化推荐方法，其特征在于，所述S3步骤中构件订单流失预测模型包括以下步骤：A1.将商品的具体信息与订单的交易情况放入样本池，并进行抽样提取；A2.抽取多个样本进行训练生成多个训练集，并依照训练集生成初始模型；A3.将未抽取出的样本建立OOB样本集，并依照OOB样本集生成测试集；A4.依照初始模型与测试集建立订单预测模型进行自身检验；A5.将模型中各个节点进行变更后重复A2-A4步骤；A6.生成最优订单预测模型，即订单流失预测模型。
4.根据权利要求1所述的一种电商智能化推荐方法，其特征在于，所述S2步骤中使用Apriori，FP-growth算法进行关联分析。
5.一种电商智能化推荐系统，基于权利要求1-4任一项所述的一种电商智能化推荐方法，其特征在于，包括：商品信息管理模块、订单信息管理模块、信息分析模块以及消息推送模块。
6.根据权利要求5所述的一种电商智能化推荐系统，其特征在于，所述商品信息管理模块用于管理商品信息，包括：商品数量、商品类别、商品价格、店家信息。
7.根据权利要求5所述的一种电商智能化推荐系统，其特征在于，所述订单信息管理模块用于管理订单成交与失败信息，包括：订单金额、订单时间、订单地域、订单数量、订单平台。
8.根据权利要求5所述的一种电商智能化推荐系统，其特征在于，所述信息分析模块用于依据商品信息与订单信息进行分析，并依据分析结果确立关联商品与订单流失预测模型。
9.根据权利要求5所述的一种电商智能化推荐系统，其特征在于，所述消息推送模块根据商品关联信息与订单流失预测模型对用户进行相关商品信息推送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310441997.3A CN116452299A (zh) | 2023-04-23 | 2023-04-23 | 一种电商智能化推荐系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310441997.3A CN116452299A (zh) | 2023-04-23 | 2023-04-23 | 一种电商智能化推荐系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116452299A true CN116452299A (zh) | 2023-07-18 |
Family
ID=87120031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310441997.3A Pending CN116452299A (zh) | 2023-04-23 | 2023-04-23 | 一种电商智能化推荐系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452299A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843346A (zh) * | 2023-09-01 | 2023-10-03 | 北京三五通联科技发展有限公司 | 一种基于云平台的异常订单监控预警方法及系统 |
-
2023
- 2023-04-23 CN CN202310441997.3A patent/CN116452299A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843346A (zh) * | 2023-09-01 | 2023-10-03 | 北京三五通联科技发展有限公司 | 一种基于云平台的异常订单监控预警方法及系统 |
| CN116843346B (zh) * | 2023-09-01 | 2023-11-17 | 北京三五通联科技发展有限公司 | 一种基于云平台的异常订单监控预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fildes et al. | Retail forecasting: Research and practice | |
| Jiang et al. | Redesigning promotion strategy for e-commerce competitiveness through pricing and recommendation | |
| CN108205768B (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
| CN107590675B (zh) | 一种基于大数据的用户购物行为识别方法、储存设备及移动终端 | |
| CN111047412A (zh) | 一种大数据电商运营平台 | |
| CN112435067A (zh) | 跨电商平台与社交平台的智能广告投放方法及系统 | |
| CN107679103B (zh) | 用于实体的属性分析方法及系统 | |
| Bock et al. | Price comparison and price dispersion: products and retailers at different internet maturity stages | |
| CN110969512A (zh) | 一种基于用户购买行为的商品推荐方法和装置 | |
| CN114037502A (zh) | 一种基于用户画像的采购推荐方法及系统 | |
| CN116452299A (zh) | 一种电商智能化推荐系统及方法 | |
| TWI742506B (zh) | 基於消費資訊的特約商家推薦系統及其方法 | |
| Hsu et al. | Optimal delivery service strategy for Internet shopping with time-dependent consumer demand | |
| KR20040096810A (ko) | 전자상거래의 소비자 상품선호도를 적용한 자동화된 상품 배열 시스템 및 방법 | |
| CN112085537A (zh) | 一种基于大数据分析商品的方法及系统 | |
| US20070276720A1 (en) | Indexing of a focused data set through a comparison technique method and apparatus | |
| CN109949065B (zh) | 属性数据分析的方法和装置 | |
| US20100063869A1 (en) | Methods and apparatus to create modeling groups for use in trade promotion response models | |
| KR20200097544A (ko) | 리셀러들을 위한 콘텐츠 큐레이션 마케팅 플랫폼 시스템 | |
| AU2013359696A1 (en) | Method and system for identifying defective goods based on user purchasing behaviour | |
| CN113052381A (zh) | 一种基于大数据的电子商务营销及管理系统 | |
| CN110046920B (zh) | 一种计算商品生命周期长度的方法和装置 | |
| KR100403276B1 (ko) | 구매가망상품 도출시스템 및 그 방법 | |
| CN111160660A (zh) | 一种获取备货信息的优化方法及系统 | |
| CN111400622A (zh) | 一种分布式电商系统中紧缺商品数量展现方法及装置 |
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 |