CN116503142B - 一种合伙人智慧营销调度数据处理系统 - Google Patents

一种合伙人智慧营销调度数据处理系统 Download PDF

Info

Publication number
CN116503142B
CN116503142B CN202310760434.0A CN202310760434A CN116503142B CN 116503142 B CN116503142 B CN 116503142B CN 202310760434 A CN202310760434 A CN 202310760434A CN 116503142 B CN116503142 B CN 116503142B
Authority
CN
China
Prior art keywords
commodity
marketing
consumer
recommendation
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
Application number
CN202310760434.0A
Other languages
English (en)
Other versions
CN116503142A (zh
Inventor
赵斌
张敏
王雷
张问银
王星
王九如
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.)
Linyi University
Original Assignee
Linyi University
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 Linyi University filed Critical Linyi University
Priority to CN202310760434.0A priority Critical patent/CN116503142B/zh
Publication of CN116503142A publication Critical patent/CN116503142A/zh
Application granted granted Critical
Publication of CN116503142B publication Critical patent/CN116503142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

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

Abstract

本发明公开了一种合伙人智慧营销调度数据处理系统，涉及数据处理技术领域，本方案通过集成各种数据处理和分析，能够从历史营销数据中提取有用的信息，然后通过关联性地分析和计算，得到商品的关联性特征和推荐率TJ。这种基于关联性指标和消费相似性计算的推荐率策略和数据处理方式；然后再通过设置一个推荐率阈值来决定是否向营销目标推荐某个商品，是一种有效的推荐系统设计策略；通过持续的个性化推荐，可以提高用户的使用频率和使用时长，从而提高用户粘性；通过对商品的推荐率进行排序，可以优化资源的分配，如对高推荐率的商品进行更多的营销和推广，对低推荐率的商品进行更少的营销和推广。

Description

一种合伙人智慧营销调度数据处理系统
技术领域
本发明涉及数据处理技术领域，具体为一种合伙人智慧营销调度数据处理系统。
背景技术
随着经济的发展和收入水平的增加，市场上消费者需求的结构和层次都发生了新的变化，人们的消费需求表现出多层次、递进的趋势。故与个性化需求相关的精准营销的服务体系开始得到更加广泛和深入的研究。营销数据的运用分析对于商品的精准营销具有非常重要的价值，尤其是随着计算机技术而发展起来的大数据运用，借助于数据挖掘技术对数据进行搜集抓取、处理和分析使用，为商品的营销提供了精准营销的渠道，能更好地实现商品的精准营销，从而提高效益。故在这一过程中，通过大数据技术获取目标客户，并对目标客户进行精确营销尤为重要。
大数据的统计分析和挖掘过程是大数据信息处理过程中能否从数据转化为价值空间和价值来源的关键过程。营销数据基于大数据分析而来，过于庞大的数据量中往往夹杂着诸多无效或低效的数据，会使得真正有用的信息隐藏于庞大的数据中，难以真正分析得出有价值的结果，即导致对目标客户的精确营销效果较差，效益提升较小。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种合伙人智慧营销调度数据处理系统，本系统通过集成各种数据处理和提取特征和分析，能够从历史营销数据中提取有用的信息，然后通过关联性的复杂的分析和计算，得到商品的关联性特征和推荐率TJ，最后基于这些信息进行智能营销决策。这种促进对合伙人进行更精准和有效的营销活动提供强大的支持，提高营销效率和效益。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种合伙人智慧营销调度数据处理系统，包括数据采集单元、识别单元、提取单元、第一处理单元、第二处理单元和输出单元。
由数据采集单元，采集合伙人智慧营销历史调度数据，由识别单元读取存储的历史调度数据，将历史调度数据中若干个营销目标L和所述营销目标的特征数据N，确定为第一目标结构；从历史调度数据中获取若干个营销目标L相对应的营销商品种类U和营销商品数据M，确定为第二目标结构；
通过提取单元从第一目标结构和第二目标结构中，提取营销商品种类U以及相对应的营销商品数据M；
通过第一处理单元对营销商品种类U以及相对应的营销商品数据M进行相关联分析，获得购买力Q、需求状态系数W，并将购买力Q和需求状态系数W拟合计算，获得商品关联性系数GL；
由第二处理单元依据商品关联性系数GL分析商品性质特征，获取复购率FG，并对复购率FG修正后获得关联性指标，并基于关联性指标/>获取了商品之间的关联性特征，获得消费相似性Y，并基于消费相似性Y，计算获取商品推荐率TJ；
获得商品推荐率TJ并与预设推荐率TJ阈值进行比对，若高于推荐率TJ阈值，则由输出单元（60）输出推送商品链接处理命令，若低于推荐率TJ阈值，则不生成推送商品链接处理命令。
优选的，所述第一目标结构包括用户属性和人群分割变量；用户属性包括年龄、性别、学历、职业、婚姻状态；人群分割变量包括用户的居住地、工作地、购买需求及行为数据；
所述第二目标结构包括商品浏览时间、浏览次数、购买次数及反馈评价。
优选的，基于营销商品种类U以及相对应的营销商品数据M进行相关联分析，依照如下公式生成购买力Q；
式中：A表示第一营销A商品，B表示第二营销B商品，公式中表示为购买过商品A和商品B的消费者个数，/>为购买了商品A的消费者个数，/>为购买了商品B的消费者个数，为极小正数防止分母为0，/>则表示了系统内第i个同时购买商品A和商品B的消费者购买商品A的对应时间，/>则为系统内第i个同时购买商品A和商品B的消费者购买商品B的对应时间，其差异越小说明消费者购买商品A和商品B的时间间隔越短，则商品A和商品B的共同的购买力越大，即Q越大，商品A和商品B之间的关联性越大；/>为极小正数，防止分母为0，示例值为0.001；
优选的，基于营销商品种类U以及相对应的营销商品数据M进行相关联分析，依照如下公式生成消费者对另一件商品的需求状态系数W；
式中：公式中表示仅购买商品B未购买商品A的消费者个数；
为其中第i个消费者购买商品B后浏览商品A的浏览次数；/>则表示商品A的浏览时间；
表示了仅购买商品A未购买商品B的消费者个数，/>为其中第i个消费者购买商品A后浏览商品B的浏览次数，/>则的表示商品B的浏览时间；
W则反映了购买单件商品的消费者对另一件商品的需求状态。
优选的，在若干个营销目标L，对于第一营销商品A而言，假设存在个对象购买了商品A，存在/>个对象购买了商品B，/>个对象同时购买了商品A和B；
同时获取购买商品A的营销目标对应的商品B的M种营销商品数据，以及购买商品B的营销目标对应的商品A的M种营销商品数据；则可基于不同营销目标之间对商品A与商品B的购买力与购买时消费者的需求状态完成商品A和商品B之间关联性地获取相关性系数GL，依照如下公式生成：
通过公式获得相关性系数GL，并将相关性系数GL与阈值进行对比，当相关性系数GL高于阈值，高于阈值的范围越高，则说明商品A和商品B两类商品之间的关联性越强，即商品A卖出的时候，营销目标则是高概率继续购买商品B；当相关性系数GL低于阈值，低于阈值的范围越低，则说明商品A和商品B两类商品之间的关联性越弱，即商品A卖出的时候，营销目标小概率继续购买商品B。
优选的，由提取单元提取营销商品种类U中商品性质特征，所述商品性质特征包括消耗性商品、持续性商品；并基于相关性系数GL进行分析；
考虑到消耗性商品的特征是需要一段时间重复复购的；
而持续性商品特征是可使用时间周期长；
进而分析，当A商品为持续性商品，而B商品为消耗性商品时，极易出现B商品购买次数较多，当B商品被购买时，消费者没有继续购买A商品，进而导致两类商品之间的关联性指标GL出现误差，进而导致后续使用关联性指标对商品进行推荐时，出现误推荐现象；
通过商品复购时间的周期性对商品之间的关联性系数GL进行修正；具体修正方式包括：
首先对个同时购买了商品A和B的消费者进行分析，基于商品A和商品B的历史购买时间与购买次数分别构建商品A和商品B的复购率，基于商品的复购率差异对商品之间的关联性指标进行修正优化，得到修正优化后的关联性/>；
对于商品A而言，获取每个消费者购买商品A的对应时间T与购买次数V，通过以下公式获得商品A的复购率FG：
式中：公式中表示了购买商品A和商品B的消费者个数，V表示了第i个消费者购买商品A的次数，/>则表示了第i个消费者第j次购买商品A的时间，/>，/>则分别表示了第i个消费者第j+1次，j+2次购买商品A的时间；
部分反映了商品A购买是否具有周期性，差异越小则说明商品A的购买时间越具有周期性，其复购率越大。
优选的，基于复购率FG差异完成关联性修正，修正后的关联性指标通过以公式获得：
式中：表示商品A的复购率，/>表示了商品B的复购率，GL表示了商品A和商品B的初始关联性；/>为修正后的关联性指标；关联性指标越大，则说明商品A与商品B之间共同出售的概率越大。
优选的，基于关联性指标获取了商品之间的关联性特征；
则可基于营销目标之间的特征数据之间的差异以及所购买的商品差异完成营销目标之间的相似性，相似性越大，则说明营销目标之间的消费习惯就越一致，则对于营销目标的商品推荐率参考性越大，即营销目标C（即消费者C）与营销目标D之间的消费相似性越大，则C购买过的商品，D购买的概率越大；
具体过程如下：获取了消费者的特征数据，以及购买过的商品数据，则可完成消费者C和消费者D之间的消费相似性Y通过以下公式进行构建：
式中：N为消费者所对应的特征数据个数，为消费者C的第i个特征数据，/>为消费者D的第i个特征数据；mCD为消费者C和消费者D都购买过的商品个数；
获取过程如下：令m=0，当某一商品，消费者C购买了且消费者D购买了则，否则/>；对消费者C购买过的所有商品进行分析，则可得/>，其值越大，则说明消费相似性越大；/>为极小正数，防止分母为0，示例值为0.001。
优选的，基于消费相似性，计算获取商品推荐率TJ；
获取了商品之间的关联性与营销目标之间的消费相似性，则对于某一营销目标而言，以消费者C为例，首先获取消费相似性大于所设阈值0.6的参考对象，则可基于参考对象的消费与商品之间的关联性，对C进行商品A的推荐率TJ通过以下方式获取：
式中：为消费者C购买过的第j种商品与商品A之间的关联性，max（）为选取其中最大值，NC为消费者C的参考对象个数，/>为消费者C与第i个参考对象的消费相似性，/>则表示第i个参考对象是否购买了商品A，若购买了则/>，若没有购买则/>；
获取了营销目标的各项商品的推荐率TJ，设置推荐率TJ阈值0.8，当推荐率TJ≥阈值0.8时，则向营销目标推荐该商品，生成推荐链接处理命令；
当推荐率TJ＜阈值0.8时，则说明营销目标购买该商品的意愿低，则不生成推荐链接处理命令；
其中推荐率TJ阈值根据经验值设置，实施者可进行调节。
优选的，还包括排序单元，所述排序单元用于获得营销目标的各项商品的推荐率TJ，与推荐率TJ阈值相比较，当各项商品的推荐率TJ推荐率TJ高于阈值时，计算高于阈值的差值，按差值的最高值至最低值进行排序，按照排序序列选择优先级，发送至输出单元生成优先推荐链接处理命令。
（三）有益效果
本发明提供了一种合伙人智慧营销调度数据处理系统。具备以下有益效果：
（1）该一种合伙人智慧营销调度数据处理系统，本方案通过集成各种数据处理和提取特征和分析，能够从历史营销数据中提取有用的信息，然后通过关联性的复杂的分析和计算，得到商品的关联性特征和推荐率TJ，最后基于这些信息进行智能营销决策。这种促进对合伙人进行更精准和有效的营销活动提供强大的支持，提高营销效率和效益。
（2）该一种合伙人智慧营销调度数据处理系统，通过公式获得相关性系数GL，通过关联规则或协同过滤，促进提高对数据进行优化，来预测用户对哪些商品感兴趣，便于更精准地向目标用户推荐他们感兴趣的产品，从而提高转换率和客户满意度。
（3）该一种合伙人智慧营销调度数据处理系统，计算商品相关性系数并考虑商品性质特征（例如季节性商品和持续性商品）以及复购率FG，并对复购率FG进行修正，可以为企业提供更精细化的市场洞察和更精确的营销策略，在数据处理过程中，关联性指标联系紧密，提高数据处理结果精确度。
（4）该一种合伙人智慧营销调度数据处理系统，这种基于关联性指标和消费相似性计算的推荐率策略和数据处理方式；然后再通过设置一个推荐率阈值来决定是否向营销目标推荐某个商品，是一种有效的推荐系统设计策略，通过持续的个性化推荐，可以提高用户的使用频率和使用时长，从而提高用户粘性；通过对商品的推荐率进行排序，可以优化资源的分配，如对高推荐率的商品进行更多的营销和推广，对低推荐率的商品进行更少的营销和推广。
附图说明
图1为本发明合伙人智慧营销调度数据处理系统框图示意图；
图中：10、数据采集单元；20、识别单元；30、提取单元；40、第一处理单元；50、第二处理单元；60、输出单元；70、排序单元。
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。
实施例1
大数据的统计分析和挖掘过程是大数据信息处理过程中能否从数据转化为价值空间和价值来源的关键过程。营销数据基于大数据分析而来，过于庞大的数据量中往往夹杂着诸多无效或低效的数据，会使得真正有用的信息隐藏于庞大的数据中，难以真正分析得出有价值的结果，即导致对目标客户的精确营销效果较差，效益提升较小。
请参阅图1，本发明提供一种合伙人智慧营销调度数据处理系统，包括数据采集单元10、识别单元20、提取单元30、第一处理单元40、第二处理单元50和输出单元60。
由数据采集单元10，采集合伙人智慧营销历史调度数据，由识别单元20读取存储的历史调度数据，将历史调度数据中若干个营销目标L和所述营销目标的特征数据N，确定为第一目标结构；从历史调度数据中获取若干个营销目标L相对应的营销商品种类U和营销商品数据M，确定为第二目标结构；所述第一目标结构包括用户属性和人群分割变量；用户属性包括年龄、性别、学历、职业、婚姻状态；人群分割变量包括用户的居住地、工作地、购买需求及行为数据；
所述第二目标结构包括商品浏览时间、浏览次数、购买次数及反馈评价。
通过提取单元30从第一目标结构和第二目标结构中，提取营销商品种类U以及相对应的营销商品数据M；
通过第一处理单元40对营销商品种类U以及相对应的营销商品数据M进行相关联分析，获得购买力Q、需求状态系数W，并将购买力Q和需求状态系数W拟合计算，获得商品关联性系数GL；
由第二处理单元50依据商品关联性系数GL分析商品性质特征，获取复购率FG，并对复购率FG修正后获得关联性指标，并基于关联性指标/>获取了商品之间的关联性特征，获得消费相似性Y，并基于消费相似性Y，计算获取商品推荐率TJ；
获得商品推荐率TJ并与预设推荐率TJ阈值进行比对，若高于推荐率TJ阈值，则由输出单元60输出推送商品链接处理命令，若低于推荐率TJ阈值，则不生成推送商品链接处理命令。
本实施例中，通过数据采集单元10采集合伙人的营销历史调度数据，识别第一目标结构和第二目标结构后，进行提取营销商品种类U和相应的营销商品数据M，对营销商品种类U以及相应的营销商品数据M进行相关联分析，计算得到购买力Q和需求状态系数W，然后进行拟合计算，获得商品关联性系数GL。依据商品关联性系数GL分析商品性质特征，获取复购率；对复购率进行修正，获得关联性指标，然后基于关联性指标/>获得商品之间的关联性特征，进一步计算得到消费相似性Y，最后基于消费相似性Y，计算得到商品推荐率TJ；将计算得到的商品推荐率TJ与预设的推荐率阈值进行比对，如果高于阈值，则进行推送。
本方案通过集成各种数据处理和提取特征和分析，能够从历史营销数据中提取有用的信息，然后通过关联性的复杂的分析和计算，得到商品的关联性特征和推荐率TJ，最后基于这些信息进行智能营销决策。这种促进对合伙人进行更精准和有效的营销活动提供强大的支持，提高营销效率和效益。
实施例2
本实施例是在实施例1中进行的解释和说明：
在处理过程中的系统方法包括：
步骤S1、采集合伙人智慧营销调度数据。由数据采集单元10进行数据采集：本发明中读取合伙人智慧营销调度数据系统中的存储的历史营销数据，所述营销数据有营销目标L个，以及目标的N种特征数据，U个营销商品种类，以及M种营销商品数据（以其中的任一商品A商品为例，即有商品的浏览时间，浏览次数记录，购买次数等）；
步骤S2、基于不同种商品之间的关联性与消费者的消费相似性完成商品的推荐性获取；
步骤S3、基于推荐性完成精确营销，生成推荐命令。
S2步骤中，具体的，首先获取不同种商品之间的关联性。
基于营销商品种类U以及相对应的营销商品数据M进行相关联分析，依照如下公式生成购买力Q；
式中：A表示第一营销A商品，B表示第二营销B商品，公式中表示为购买过商品A和商品B的消费者个数，/>为购买了商品A的消费者个数，/>为购买了商品B的消费者个数，为极小正数防止分母为0，/>则表示了系统内第i个同时购买商品A和商品B的消费者购买商品A的对应时间，/>则为系统内第i个同时购买商品A和商品B的消费者购买商品B的对应时间，其差异越小说明消费者购买商品A和商品B的时间间隔越短，则商品A和商品B的共同的购买力越大，即Q越大，商品A和商品B之间的关联性越大；/>为极小正数，防止分母为0，示例值为0.001；
基于营销商品种类U以及相对应的营销商品数据M进行相关联分析，依照如下公式生成消费者对另一件商品的需求状态系数W；
式中：公式中表示仅购买商品B未购买商品A的消费者个数；
为其中第i个消费者购买商品B后浏览商品A的浏览次数；/>则表示商品A的浏览时间；
表示了仅购买商品A未购买商品B的消费者个数，/>为其中第i个消费者购买商品A后浏览商品B的浏览次数，/>则的表示商品B的浏览时间；
W则反映了购买单件商品的消费者对另一件商品的需求状态。
在若干个营销目标L，对于第一营销商品A而言，假设存在个对象购买了商品A，存在/>个对象购买了商品B，/>个对象同时购买了商品A和B；
同时获取购买商品A的营销目标对应的商品B的M种营销商品数据，以及购买商品B的营销目标对应的商品A的M种营销商品数据；则可基于不同营销目标之间对商品A与商品B的购买力与购买时消费者的需求状态完成商品A和商品B之间关联性地获取相关性系数GL，依照如下公式生成：
通过公式获得相关性系数GL，并将相关性系数GL与阈值进行对比，当相关性系数GL高于阈值，高于阈值的范围越高，则说明商品A和商品B两类商品之间的关联性越强，即商品A卖出的时候，营销目标则是高概率继续购买商品B；当相关性系数GL低于阈值，低于阈值的范围越低，则说明商品A和商品B两类商品之间的关联性越弱，即商品A卖出的时候，营销目标小概率继续购买商品B。
逻辑为：不同的商品之间可能具有一定的关联性特征，比如用户购买了一只狗，则此时再向用户推荐狗粮，狗窝等商品，就极易营销成功，即它们之间就具有关联性。获取关联性可以更有效地地向营销目标推荐适宜商品，从而提高营销效益。
阈值的选择是一个关键因素，需要通过实验和调整来确定。阈值设置得过高，可能会导致少量的强关联商品被推荐，而设置得过低，可能会导致大量的弱关联商品被推荐。通常情况下，阈值的选择会根据业务需求、用户反馈和系统性能等因素进行优化。
本实施例中，通过公式获得相关性系数GL，通过关联规则或协同过滤，促进提高对数据进行优化，来预测用户对哪些商品感兴趣，便于更精准地向目标用户推荐他们感兴趣的产品，从而提高转换率和客户满意度。
实施例3
本实施例是在实施例2中进行的解释和说明：具体的，
根据实施例S2步骤对商品之间的关联性进行了计算获取，但考虑到部分商品为消耗性商品（比如蚊香，狗粮等用一段时间需要复购），而一些商品为持续性商品（即可使用时间较长）等情况，针对这样的商品性质特征进行改进；
由提取单元30提取营销商品种类U中商品性质特征，所述商品性质特征包括消耗性商品、持续性商品；并基于相关性系数GL进行分析；
考虑到消耗性商品的特征是需要一段时间重复复购的（比如蚊香，狗粮等用一段时间需要复购）。
而持续性商品特征是可使用时间周期长；
进而分析，当A商品为持续性商品，而B商品为消耗性商品时，极易出现B商品购买次数较多，当B商品被购买时，消费者没有继续购买A商品，进而导致两类商品之间的关联性指标GL出现误差，进而导致后续使用关联性指标对商品进行推荐时，出现误推荐现象；
通过商品复购时间的周期性对商品之间的关联性系数GL进行修正；具体修正方式包括：
首先对个同时购买了商品A和B的消费者进行分析，基于商品A和商品B的历史购买时间与购买次数分别构建商品A和商品B的复购率，基于商品的复购率差异对商品之间的关联性指标进行修正优化，得到修正优化后的关联性/>；
对于商品A而言，获取每个消费者购买商品A的对应时间T与购买次数V，通过以下公式获得商品A的复购率FG：
式中：公式中表示了购买商品A和商品B的消费者个数，V表示了第i个消费者购买商品A的次数，/>则表示了第i个消费者第j次购买商品A的时间，/>，/>则分别表示了第i个消费者第j+1次，j+2次购买商品A的时间；
部分反映了商品A购买是否具有周期性，差异越小则说明商品A的购买时间越具有周期性，其复购率越大。
基于复购率FG差异完成关联性修正，修正后的关联性指标通过以公式获得：
式中：表示商品A的复购率，/>表示了商品B的复购率，GL表示了商品A和商品B的初始关联性；/>为修正后的关联性指标；关联性指标越大，则说明商品A与商品B之间共同出售的概率越大。
本实施例中，计算商品相关性系数并考虑商品性质特征（例如季节性商品和持续性商品）以及复购率FG，并对复购率FG进行修正，可以为企业提供更精细化的市场洞察和更精确的营销策略，在数据处理过程中，关联性指标联系紧密，提高数据处理结果精确度。
实施例4
本实施例是在实施例3中进行的解释和说明：具体的，
基于关联性指标获取了商品之间的关联性特征；
则可基于营销目标之间的特征数据之间的差异以及所购买的商品差异完成营销目标之间的相似性，相似性越大，则说明营销目标之间的消费习惯就越一致，则对于营销目标的商品推荐率参考性越大，即营销目标C（即消费者C）与营销目标D之间的消费相似性越大，则C购买过的商品，D购买的概率越大；
具体过程如下：获取了消费者的特征数据，以及购买过的商品数据，则可完成消费者C和消费者D之间的消费相似性Y通过以下公式进行构建：
式中：N为消费者所对应的特征数据个数，为消费者C的第i个特征数据，/>为消费者D的第i个特征数据；mCD为消费者C和消费者D都购买过的商品个数；
获取过程如下：令m=0，当某一商品，消费者C购买了且消费者D购买了则，否则/>；对消费者C购买过的所有商品进行分析，则可得/>，其值越大，则说明消费相似性越大；
为极小正数，防止分母为0，示例值为0.001。
优选的，基于消费相似性，计算获取商品推荐率TJ；
获取了商品之间的关联性与营销目标之间的消费相似性，则对于某一营销目标而言，以消费者C为例，首先获取消费相似性大于所设阈值0.6的参考对象，则可基于参考对象的消费与商品之间的关联性，对C进行商品A的推荐率TJ通过以下方式获取：
式中：为消费者C购买过的第j种商品与商品A之间的关联性，max（）为选取其中最大值，NC为消费者C的参考对象个数，/>为消费者C与第i个参考对象的消费相似性，/>则表示第i个参考对象是否购买了商品A，若购买了则/>，若没有购买则/>；
获取了营销目标的各项商品的推荐率TJ，设置推荐率TJ阈值0.8，当推荐率TJ≥阈值0.8时，则向营销目标推荐该商品，生成推荐链接处理命令；
当推荐率TJ＜阈值0.8时，则说明营销目标购买该商品的意愿低，则不生成推荐链接处理命令；
其中推荐率TJ阈值根据经验值设置，实施者可进行调节。
优选的，还包括排序单元70，所述排序单元70用于获得营销目标的各项商品的推荐率TJ，与推荐率TJ阈值相比较，当各项商品的推荐率TJ推荐率TJ高于阈值时，计算高于阈值的差值，按差值的最高值至最低值进行排序，按照排序序列选择优先级，发送至输出单元60生成优先推荐链接处理命令。
本实施例中，通过关联性指标和商品之间的消费相似性Y，进而计算获取了营销目标的各项商品的推荐率TJ，高于预设阈值时，并通过排序单元70在排序过程中，计算高于阈值的差值，按照排序序列选择优先级，向营销目标推荐该商品，由输出单元60生成推荐链接处理命令；
这种基于关联性指标和消费相似性计算的推荐率策略和数据处理方式；然后再通过设置一个推荐率阈值来决定是否向营销目标推荐某个商品，是一种有效的推荐系统设计策略，通过持续的个性化推荐，可以提高用户的使用频率和使用时长，从而提高用户粘性；通过对商品的推荐率进行排序，可以优化资源的分配，如对高推荐率的商品进行更多的营销和推广，对低推荐率的商品进行更少的营销和推广。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种合伙人智慧营销调度数据处理系统，其特征在于：包括数据采集单元（10）、识别单元（20）、提取单元（30）、第一处理单元（40）、第二处理单元（50）和输出单元（60）；
由数据采集单元（10），采集合伙人智慧营销历史调度数据，由识别单元（20）读取存储的历史调度数据，将历史调度数据中若干个营销目标L和所述营销目标的特征数据N，确定为第一目标结构；从历史调度数据中获取若干个营销目标L相对应的营销商品种类U和营销商品数据M，确定为第二目标结构；
通过提取单元（30）从第一目标结构和第二目标结构中，提取营销商品种类U以及相对应的营销商品数据M；
通过第一处理单元（40）对营销商品种类U以及相对应的营销商品数据M进行相关联分析，获得购买力Q、需求状态系数W，并将购买力Q和需求状态系数W拟合计算，获得商品关联性系数GL；
由第二处理单元（50）依据商品关联性系数GL分析商品性质特征，获取复购率FG，并对复购率FG修正后获得关联性指标，并基于关联性指标/>获取了商品之间的关联性特征，获得消费相似性Y，并基于消费相似性Y，计算获取商品推荐率TJ；
获得商品推荐率TJ并与预设推荐率TJ阈值进行比对，若高于推荐率TJ阈值，则由输出单元（60）输出推送商品链接处理命令，若低于推荐率TJ阈值，则不生成推送商品链接处理命令；
其中，基于营销商品种类U以及相对应的营销商品数据M进行相关联分析，依照如下公式生成购买力Q；
式中：A表示第一营销A商品，B表示第二营销B商品，公式中表示为购买过商品A和商品B的消费者个数，/>为购买了商品A的消费者个数，/>为购买了商品B的消费者个数，/>为极小正数防止分母为0，/>则表示了系统内第i个同时购买商品A和商品B的消费者购买商品A的对应时间，/>则为系统内第i个同时购买商品A和商品B的消费者购买商品B的对应时间，其差异越小说明消费者购买商品A和商品B的时间间隔越短，则商品A和商品B的共同的购买力越大，即Q越大，商品A和商品B之间的关联性越大；/>为极小正数，防止分母为0，示例值为0.001；
其中，基于营销商品种类U以及相对应的营销商品数据M进行相关联分析，依照如下公式生成消费者对另一件商品的需求状态系数W；
式中：公式中表示仅购买商品B未购买商品A的消费者个数；
为其中第i个消费者购买商品B后浏览商品A的浏览次数；/>则表示商品A的浏览时间；
表示了仅购买商品A未购买商品B的消费者个数，/>为其中第i个消费者购买商品A后浏览商品B的浏览次数，/>则的表示商品B的浏览时间；
W则反映了购买单件商品的消费者对另一件商品的需求状态；
其中，在若干个营销目标L，对于第一营销商品A而言，假设存在个对象购买了商品A，存在/>个对象购买了商品B，/>个对象同时购买了商品A和B；
同时获取购买商品A的营销目标对应的商品B的M种营销商品数据，以及购买商品B的营销目标对应的商品A的M种营销商品数据；则可基于不同营销目标之间对商品A与商品B的购买力与购买时消费者的需求状态完成商品A和商品B之间关联性地获取相关性系数GL，依照如下公式生成：
通过公式获得相关性系数GL，并将相关性系数GL与阈值进行对比，当相关性系数GL高于阈值，高于阈值的范围越高，则说明商品A和商品B两类商品之间的关联性越强，即商品A卖出的时候，营销目标则是高概率继续购买商品B；当相关性系数GL低于阈值，低于阈值的范围越低，则说明商品A和商品B两类商品之间的关联性越弱，即商品A卖出的时候，营销目标小概率继续购买商品B；
其中，由提取单元（30）提取营销商品种类U中商品性质特征，所述商品性质特征包括消耗性商品、持续性商品；并基于相关性系数GL进行分析；
考虑到消耗性商品的特征是需要一段时间复购的；
而持续性商品特征是可使用时间周期长；
进而分析，当A商品为持续性商品，而B商品为消耗性商品时，极易出现B商品购买次数较多，当B商品被购买时，消费者没有继续购买A商品，进而导致两类商品之间的关联性指标GL出现误差，进而导致后续使用关联性指标对商品进行推荐时，出现误推荐现象；
通过商品复购时间的周期性对商品之间的关联性系数GL进行修正；具体修正方式包括：
首先个同时购买了商品A和B的消费者进行分析，基于商品A和商品B的历史购买时间与购买次数分别构建商品A和商品B的复购率，基于商品的复购率差异对商品之间的关联性指标进行修正优化，得到修正优化后的关联性/>；
对于商品A而言，获取每个消费者购买商品A的对应时间T与购买次数V，通过以下公式获得商品A的复购率FG：
式中：公式中表示了购买商品A和商品B的消费者个数，V表示了第i个消费者购买商品A的次数，/>则表示了第i个消费者第j次购买商品A的时间，/>，/>则分别表示了第i个消费者第j+1次，j+2次购买商品A的时间；
部分反映了商品A购买是否具有周期性，差异越小则说明商品A的购买时间越具有周期性，其复购率越大；
其中，基于复购率FG差异完成关联性修正，修正后的关联性指标通过以公式获得：
式中：表示商品A的复购率，/>表示了商品B的复购率，GL表示了商品A和商品B的初始关联性；/>为修正后的关联性指标；关联性指标越大，则说明商品A与商品B之间共同出售的概率越大；
其中，基于关联性指标获取了商品之间的关联性特征；
则可基于营销目标之间的特征数据之间的差异以及所购买的商品差异完成营销目标之间的相似性，相似性越大，则说明营销目标之间的消费习惯就越一致，则对于营销目标的商品推荐率参考性越大，即营销目标C与营销目标D之间的消费相似性越大，营销目标也即为消费者，则C购买过的商品，D购买的概率越大；
具体过程如下：获取了消费者的特征数据，以及购买过的商品数据，则可完成消费者C和消费者D之间的消费相似性Y通过以下公式进行构建：
式中：N为消费者所对应的特征数据个数，为消费者C的第i个特征数据，/>为消费者D的第i个特征数据；mCD为消费者C和消费者D都购买过的商品个数；
获取过程如下：令m=0，当某一商品，消费者C购买了且消费者D购买了则，否则/>；对消费者C购买过的所有商品进行分析，则可得/>，其值越大，则说明消费相似性越大；
为极小正数，防止分母为0，示例值为0.001；
基于消费相似性，计算获取商品推荐率TJ；
获取了商品之间的关联性与营销目标之间的消费相似性，则对于某一营销目标而言，以消费者C为例，首先获取消费相似性大于所设阈值0.6的参考对象，则可基于参考对象的消费与商品之间的关联性，对C进行商品A的推荐率TJ通过以下方式获取：
式中：为消费者C购买过的第j种商品与商品A之间的关联性，max（）为选取其中最大值，NC为消费者C的参考对象个数，/>为消费者C与第i个参考对象的消费相似性，/>则表示第i个参考对象是否购买了商品A，若购买了则/>，若没有购买则/>；
获取了营销目标的各项商品的推荐率TJ，设置推荐率TJ阈值0.8，当推荐率TJ≥阈值0.8时，则向营销目标推荐该商品，生成推荐链接处理命令；
当推荐率TJ＜阈值0.8时，则说明营销目标购买该商品的意愿低，则不生成推荐链接处理命令；
其中推荐率TJ阈值根据经验值设置，实施者可进行调节。
2.根据权利要求1所述的一种合伙人智慧营销调度数据处理系统，其特征在于：所述第一目标结构包括用户属性和人群分割变量；用户属性包括年龄、性别、学历、职业、婚姻状态；人群分割变量包括用户的居住地、工作地、购买需求及行为数据；
所述第二目标结构包括商品浏览时间、浏览次数、购买次数及反馈评价。
3.根据权利要求1所述的一种合伙人智慧营销调度数据处理系统，其特征在于：还包括排序单元（70），所述排序单元（70）用于获得营销目标的各项商品的推荐率TJ，与推荐率TJ阈值相比较，当各项商品的推荐率TJ推荐率TJ高于阈值时，计算高于阈值的差值，按差值的最高值至最低值进行排序，按照排序序列选择优先级，发送至输出单元（60）生成优先推荐链接处理命令。
CN202310760434.0A 2023-06-27 2023-06-27 一种合伙人智慧营销调度数据处理系统 Active CN116503142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310760434.0A CN116503142B (zh) 2023-06-27 2023-06-27 一种合伙人智慧营销调度数据处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310760434.0A CN116503142B (zh) 2023-06-27 2023-06-27 一种合伙人智慧营销调度数据处理系统

Publications (2)

Publication Number Publication Date
CN116503142A CN116503142A (zh) 2023-07-28
CN116503142B true CN116503142B (zh) 2023-09-05

Family

ID=87323427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310760434.0A Active CN116503142B (zh) 2023-06-27 2023-06-27 一种合伙人智慧营销调度数据处理系统

Country Status (1)

Country Link
CN (1) CN116503142B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252650B (zh) * 2023-11-17 2024-03-15 滕州市中等职业教育中心学校 一种商品信息推送服务系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685542A (zh) * 2018-10-29 2019-04-26 深圳市赛亿科技开发有限公司 一种用户购物管理方法及系统
CN111586169A (zh) * 2020-05-07 2020-08-25 苏宁云计算有限公司 一种商品营销信息推送方法及系统
KR20210066514A (ko) * 2019-11-28 2021-06-07 (주)양유 인플루언서 영향력 분석 및 관리가 가능한 마케팅 솔루션 제공 시스템 및 방법
KR20210157599A (ko) * 2020-06-22 2021-12-29 주식회사 무상엠에스마트 제휴업체 및 소비자의 상거래를 연계하는 플랫폼 서버 및 이를 이용한 상거래 연계 방법
CN116308657A (zh) * 2023-03-16 2023-06-23 浙江理工大学 一种用于数字化营销平台的商品推荐方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685542A (zh) * 2018-10-29 2019-04-26 深圳市赛亿科技开发有限公司 一种用户购物管理方法及系统
KR20210066514A (ko) * 2019-11-28 2021-06-07 (주)양유 인플루언서 영향력 분석 및 관리가 가능한 마케팅 솔루션 제공 시스템 및 방법
CN111586169A (zh) * 2020-05-07 2020-08-25 苏宁云计算有限公司 一种商品营销信息推送方法及系统
KR20210157599A (ko) * 2020-06-22 2021-12-29 주식회사 무상엠에스마트 제휴업체 및 소비자의 상거래를 연계하는 플랫폼 서버 및 이를 이용한 상거래 연계 방법
CN116308657A (zh) * 2023-03-16 2023-06-23 浙江理工大学 一种用于数字化营销平台的商品推荐方法及系统

Also Published As

Publication number Publication date
CN116503142A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Sivapalan et al. Recommender systems in e-commerce
CN111709812A (zh) 基于用户动态分类的电商平台商品推荐方法及系统
Kapetanios et al. Big data & macroeconomic nowcasting: Methodological review
EP1723596A1 (en) System for individualized customer interaction
CN102902691A (zh) 推荐方法及系统
Dzyabura et al. Leveraging the power of images in managing product return rates
CN116503142B (zh) 一种合伙人智慧营销调度数据处理系统
CN114219169A (zh) 颖幡供应链销售和库存预测算法模型和应用系统
CN111737418A (zh) 搜索词和商品的相关性预测方法、设备和存储介质
Oliveira Analytical customer relationship management in retailing supported by data mining techniques
CN115809926A (zh) 汇聚多种分销渠道联盟资源的创新联盟分销合作交易平台
CN106997371B (zh) 单用户智慧图谱的构建方法
CN117745349A (zh) 一种基于用户特征的个性化推券方法及系统
CN110634051A (zh) 一种基于多粒度模糊数据的生鲜农产品推荐方法
CN110889716A (zh) 识别潜在注册用户的方法及装置
Meida et al. Pattern of E-marketplace Customer Shopping Behavior using Tabu Search and FP-Growth Algorithm
CN112381627B (zh) 育儿知识下的商品评分处理推荐方法、装置
CN110956528A (zh) 一种电商平台的推荐方法及系统
Lipyanina-Goncharenko et al. Method of Forming a Training Sample for Segmentation of Tender Organizers on Machine Learning Basis.
Trihatmaja et al. Improving the performance of collaborative filtering using outlier labeling, clustering, and association rule mining
Jo Exploring the acceptance forsubscription-based online services
da Silva Alves Predicting product sales in fashion retailing: a data analytics approach
CN117035947B (zh) 基于大数据处理的农产品数据分析方法及云平台
Hervert-Escobar et al. Optimal pricing model based on reduction dimension: A case of study for convenience stores
Gómez-Talal et al. Avoiding food waste from restaurant tickets: a big data management tool

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