CN116663973A - 基于模糊理论的线下门店数据分析方法、系统及设备 - Google Patents

基于模糊理论的线下门店数据分析方法、系统及设备 Download PDF

Info

Publication number
CN116663973A
CN116663973A CN202310560087.7A CN202310560087A CN116663973A CN 116663973 A CN116663973 A CN 116663973A CN 202310560087 A CN202310560087 A CN 202310560087A CN 116663973 A CN116663973 A CN 116663973A
Authority
CN
China
Prior art keywords
store
data
parameters
index
length
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310560087.7A
Other languages
English (en)
Inventor
刘力源
田彬彬
樊龙夫
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.)
Beijing Yonghui Technology Co ltd
Original Assignee
Beijing Yonghui 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 Beijing Yonghui Technology Co ltd filed Critical Beijing Yonghui Technology Co ltd
Priority to CN202310560087.7A priority Critical patent/CN116663973A/zh
Publication of CN116663973A publication Critical patent/CN116663973A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于模糊理论的线下门店数据分析方法、系统及设备，所述方法包括：基于预设的线下门店数据分析指标采集目标数据，对所述目标数据中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长数据参数；利用预设的指标权重算法对更新后的所述门店数据参数以及所述店长数据参数进行计算；基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价；基于所述店长数据参数及其对应的所述指标权重利用所述模糊综合算法进行评价。本发明可以作为挖掘门店及店长价值影响因素的基础，能够指导门店画像及店长画像的搭建，推动门店、店长、区域、总部的一体化运营，能够驱动人力资源数字化转型，提升企业运营绩效。

Description

基于模糊理论的线下门店数据分析方法、系统及设备
技术领域
本发明属于数据分析技术领域，涉及一种方法和系统，特别是涉及一种基于模糊理论的线下门店数据分析方法、系统及设备。
背景技术
新零售对实体经济，尤其是实体店的销售渠道和销售模式形成了强烈的冲击，推动着传统零售行业数字化转型、行业结构调整及生态圈重塑。实体门店的数字化主要包括营销、商品、供应链、人员等方面，其中，人员的数字化则主要关注消费者消费行为，然而门店店长对门店经营状况有着直接影响，人力资源数字化转型是新零售背景下连锁零售企业对门店进行智慧化管理，提升门店经营效能的必要举措。
目前，连锁实体零售企业在为具体门店选派店长时主要依赖店长显而易见的知识和技能，对于店长个人隐藏的价值观、情感、倾向等的考察无数据支撑，对不同店长和委派门店之间的适配性缺乏科学的衡量标准。在数字化转型中，需要完善基于绩效考核的价值评估指标和体系，搭建连锁门店及店长画像体系，具体业务中存在两方面主要问题，一方面，店长绩效考核体系不规范，体现在门店店长的评分指标体系不健全，过度依赖店长任职期间的经营结果指标，难以反映店长综合素质和发展潜力。另一方面，体现在店长评分的评分机制不科学，主要由各省区负责人依据门店经营绩效对店长做出评估，评分结果受少数人主观偏好影响，评价机制不可复现，不利于形成企业内统一的客观标准。
因此，完善连锁实体门店的门店及店长的价值评估体系，优化以数量扩张为主的粗放式门店发展策略的抓手，是推动零售企业管理体制数智化改革的重要内容。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于模糊理论的线下门店数据分析方法、系统及设备，用于解决现有技术中门店及店长价值评估的问题。
为实现上述目的及其他相关目的，本发明一方面提供一种基于模糊理论的线下门店数据分析方法，包括：基于预设的线下门店数据分析指标采集目标数据，其中，所述线下门店数据分析指标包括门店数据参数以及店长数据参数；对所述目标数据中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长数据参数；利用预设的指标权重算法对更新后的所述门店数据参数以及所述店长数据参数进行计算，确定对应的指标权重；基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级；基于所述店长数据参数及其对应的所述指标权重利用所述模糊综合算法进行评价，并对评价结果作二次运算以得到店长价值等级；将所述门店价值等级以及所述店长价值等级作为价值参数获取线下门店营业价值等级。
于本发明的一实施例中，基于预设的线下门店数据分析指标采集目标数据的步骤包括：
依据预设的时间范围和计算口径采集所述目标数据，其中，包括采集数仓的线上数据以及所述数仓以外的线下数据；
对采集到的所述目标数据进行数据清洗，将清洗后的所述线下数据上传至所述数仓；
将清洗后的所述目标数据依据所述计算口径计算后对应填入到所述门店数据参数以及所述店长数据参数中。
于本发明的一实施例中，对所述门店数据参数中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长评估数据的步骤包括：
识别所述时间关联数据；
依据预设的差异权重算法获取所述时间关联数据在不同时间段内的差异权重；
基于所述差异权重以及对应的时间段进行计算得到更新结果，基于所述更新结果作数据替换以更新所述门店数据参数；
基于所述更新结果结合所述计算口径进行计算以更新所述店长数据参数。
于本发明的一实施例中，所述方法还包括对更新后的所述门店数据参数以及所述店长数据参数作无量纲化转变处理。
于本发明的一实施例中，确定所述指标权重的步骤包括：
待更新后的所述门店数据参数以及所述店长数据参数作无量纲化转变后，得到转变数据；
基于预设的变异系数法对所述转变数据进行计算，得到初始权重；
基于预设的专家评估法对所述初始权重进行比例调整，得到所述指标权重。
于本发明的一实施例中，基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级的步骤包括：
基于所述转变数据获取对应的多级指标数据；
基于所述模糊综合算法对每级所述指标数据对应的评价矩阵进行计算，得到所述评价结果；
基于所述评价结果匹配预设的隶属匹配原则得到所述门店价值等级。
于本发明的一实施例中，对评价结果作二次运算以得到店长价值等级的步骤包括：
基于所述评价结果提取店长在不同门店任职期间的模糊评判向量；
基于所述模糊评判向量作均值计算，基于计算结果根据所述隶属匹配原则得到所述店长价值等级。
于本发明的一实施例中，对所述门店数据参数与所述门店价值等级进行统计分析和监督学习，识别所述门店数据参数中各类型参数对所述门店价值等级的第一影响度。
于本发明的一实施例中，对所述店长数据参数与所述店长价值等级进行统计分析和监督学习，识别所述店长数据参数中各类型参数对所述店长价值等级的第二影响度；基于所述第二影响度获得培训店长所需的精细化训练参数；基于所述精细化训练参数和所述门店数据参数，预测店长在对应门店的表现。
本发明另一方面提供一种基于模糊理论的线下门店数据分析系统，包括：采集模块，用于基于预设的线下门店数据分析指标采集目标数据，其中，所述线下门店数据分析指标包括门店数据参数以及店长数据参数；更新模块，用于对所述目标数据中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长数据参数；确定模块，用于利用预设的指标权重算法对更新后的所述门店数据参数以及所述店长数据参数进行计算，确定对应的指标权重；评价模块，用于基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级；基于所述店长数据参数及其对应的所述指标权重利用所述模糊综合算法进行评价，并对评价结果作二次运算以得到店长价值等级；获取模块，用于将所述门店价值等级以及所述店长价值等级作为价值参数获取线下门店营业价值等级。
本发明又一方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行所述基于模糊理论的线下门店数据分析方法。
本发明最后一方面提供一种电子设备，其特征在于，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行所述基于模糊理论的线下门店数据分析方法。
如上所述，本发明的基于模糊理论的线下门店数据分析方法、系统、计算机存储介质设备，具有以下有益效果：
本发明可以作为挖掘门店及店长价值影响因素的基础，能够指导门店画像及店长画像的搭建，推动门店、店长、区域、总部的一体化运营，能够驱动人力资源数字化转型，提升企业运营绩效；另外通过本发明的价值评估体系，可以减少价值评估过程的人为因素影响，且充分考虑了指标权重的确定，搭建的门店及店长价值评估体系可以推广，有助于在企业内形成统一标准。
附图说明
图1显示为本发明的基于模糊理论的线下门店数据分析方法于一实施例中的流程示意图。
图2显示为本发明的基于模糊理论的线下门店数据分析方法于一实施例中的流程示意图。
图3显示为本发明的基于模糊理论的线下门店数据分析方法于一实施例中的流程示意图。
图4显示为本发明的基于模糊理论的线下门店数据分析方法于一实施例中的流程示意图。
图5显示为本发明的基于模糊理论的线下门店数据分析方法于一实施例中的流程示意图。
图6显示为本发明的基于模糊理论的线下门店数据分析方法于一实施例中的模糊三角隶属函数示意图。
图7显示为本发明的基于模糊理论的线下门店数据分析方法于一实施例中的流程示意图。
图8显示为本发明的基于模糊理论的线下门店数据分析系统于一实施例中的结构示意图。
元件标号说明
80 基于模糊理论的线下门店数据分析系统
81 采集模块
82 更新模块
83 确定模块
84 评价模块
85 获取模块
S11～S16 步骤
S21～S23 步骤
S31～S34 步骤
S41～S43 步骤
S51～S53 步骤
S71～S72 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
以下将结合图示对本实施例所提供的基于模糊理论的线下门店数据分析方法进行详细描述。本实施例所述基于模糊理论的线下门店数据分析方法可作为挖掘门店以及店长价值影响因素的基础，能够指导门店画像以及店长画像的搭建，应用于如，商超门店和/或商超店长的价值评估等应用场景。请参阅图1，于发明一实施例中，本发明的基于模糊理论的线下门店数据分析方法包括如下步骤：
步骤S11、基于预设的线下门店数据分析指标采集目标数据，其中，所述线下门店数据分析指标包括门店数据参数以及店长数据参数；
步骤S12、对所述目标数据中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长数据参数；
步骤S13、利用预设的指标权重算法对更新后的所述门店数据参数以及所述店长数据参数进行计算，确定对应的指标权重；
步骤S14、基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级；
步骤S15、基于所述店长数据参数及其对应的所述指标权重利用所述模糊综合算法进行评价，并对评价结果作二次运算以得到店长价值等级；
步骤S16、将所述门店价值等级以及所述店长价值等级作为价值参数获取线下门店营业价值等级。
需要说明的是，于本实施例中，所述线下门店数据分析指标包括门店数据参数以及店长数据参数，参考表1，显示为门店数据参数架构表，具体从经营情况、内部管理、服务能力三个方面来得到门店价值评估的框架和指标，其中，门店数据参数包括三个指标级别，一级指标包括经营情况、内部管理以及服务能力，二级指标包括例如销售额、商品效率以及顾客忠诚度，三级指标包括例如日均销售额、商品周转率以及会员回过率；参考表2，显示为店长数据参数架构表，具体从经营情况、管理行为、工作行为三个方面来设置店长价值评估的框架和指标，其中，店长数据参数包括三个指标级别，一级指标包括经营情况、管理行为、工作行为，二级指标包括销售额、人员管理以及工作能力，三级指标包括任期内门店月销售额省内排名变化率、员工培训以及组织协调能力。值得一提的是，所述门店数据参数以及所述店长数据参数可以利用关键绩效指标法、平衡计分卡法以及交叉考核法及市场调查法作为理论基础。
进一步地，基于已经设置好的所述门店数据参数以及所述店长数据参数采集所述目标数据，其中，所述目标数据即根据评估指标(该评估指标即为门店数据参数以及店长数据参数中的指标标签)中的标签进行采集，采集的具体数据来源可以是采集线上数仓内的现有数据，也可以是采集线下数据，待数据采集完后，对所述目标数据中所述时间关联数据进行计算，具体通过序关系分析法来计算，在所述门店数据参数中，经营情况、内部管理和服务能力中对应的三级指标应按月统计数据，仅采用近期几个月的数据会丢失门店历史信息，因此在门店价值评估时，基于宏观经济状况、门店开业时间、业态调整时间，选取价值评估数据的时间范围，得到门店按月指标数值，且各经营指标的时间序列中不同月份的权重不同，会直接影响到最终的价值评估，故基于所述序关系分析法可以获取经营情况、内部管理和服务能力中对应的三级指标的各月权重，并进行加权计算得到对应三级指标中的加权月平均值，月份的数量值可以依据需要选取，相应地，所述门店数据参数中与时间相关的指标更新后，对应的店长数据参数也应更新，例如所述门店数据参数中的三级指标“月均GMV”经过加权计算更新后，所述店长数据参数的三级指标“任期内月均GMV变化率”也需要同步更新，其中，GMV(Gross Merchandise Volume)表示商品交易总额。
表1.门店数据参数架构表
表2.店长数据参数架构表
进一步地，对更新好的所述门店数据参数以及所述店长数据参数做无量纲化处理，以采用主客观结合法确定各指标的权重，其中，所述指标权重法包括变异系数法以及专家评估法，首先利用变异系数法对处理好的“一门店一指标一数据”和店长在该门店的“一指标一数据”进行计算，以确定初始权重，在评估阶段获取有业务经验的专家调整的初始权重比例，进而得到所述指标权重。
进一步地，获取所述门店价值等级以及所述店长价值等级具体可以通过所述模糊综合算法对指标以及对应的指标权重进行多级综合评价得到，其中，业务价值等级包括五级，分别为{S级，A级，B级，C级，D级}，其中S级为最高等级，利用模糊三角隶属函数确定各指标在模糊综合评价集上的隶属度，再以隶属度最大为原则确定最终得分归属的业务价值等级，进而得到对应的所述门店价值等级以及所述店长价值等级。
于发明一实施例中，如图2所示，基于预设的线下门店数据分析指标采集目标数据的步骤包括：
步骤S21、依据预设的时间范围和计算口径采集所述目标数据，其中，包括采集数仓的线上数据以及所述数仓以外的线下数据；
步骤S22、对采集到的所述目标数据进行数据清洗，将清洗后的所述线下数据上传至所述数仓；
步骤S23、将清洗后的所述目标数据依据所述计算口径计算后对应填入到所述门店数据参数以及所述店长数据参数中。
值得一提的是，所述时间范围即为对应的月数，所述计算口径即为每个指标对应的数据计算方法，例如所述门店数据参数中三级指标对应的出勤率，对应的计算口径就是出勤人数与总人数的比值，进一步地，依据所述时间范围所述目标数据进行采集，包括采集数仓的线上数据(例如所述门店数据参数中的盈利月数占比)以及所述数仓以外的线下数据(例如所述门店数据参数中的日均人效)，其中，对采集到的所述目标数据进行数据清洗，将清洗后的所述线下数据上传至所述数仓，以使得所有需要计算的数据均可在线调用，再然后将清洗后的所述目标数据依据所述计算口径计算后对应填入到所述门店数据参数以及所述店长数据参数中。
进一步地，于发明一实施例中，如图3所示，对所述门店数据参数中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长评估数据的步骤包括：
步骤S31、识别所述时间关联数据；
步骤S32、依据预设的差异权重算法获取所述时间关联数据在不同时间段内的差异权重；
步骤S33、基于所述差异权重以及对应的时间段进行计算得到更新结果，基于所述更新结果作数据替换以更新所述门店数据参数；
步骤S34、基于所述更新结果结合所述计算口径进行计算以更新所述店长数据参数。
需要说明的是，于本实施例中，所述时间关联数据即为所述目标数据中部分受到时间因素影响的指标数据，例如：“月均GMV”、“月均坪效”等等门店经营指标，采用所述差异权重算法确定门店经营指标在不同的时间序列中各段数值的权重，能够得到反应门店经营指标变化影响的加权均值，例如，以自然月对时间序列进行分段，可以将加权月平均GMV值填入所述门店数据参数中对应的“月均GMV”指标中做数据更新。
具体地，以序关系分析法作为所述差异权重算法为例，以自然月份对时间序列进行分段，具体过程如下：首先，确定门店经营中对应指标的时间序列的序关系，按照各自然月指标的重要程度从高到低排列，记为其中/>表示该月指标i在重要性上不劣于指标j，即该月指标i在重要性上优于或等于指标j；而后对相邻时间段的重要程度赋值，其中，相邻两时间段(相邻两自然月)之间的相对重要程度用rk表示，rk＝ωk-1/ωk，其中，ωk表示第k项指标权重，ωk-1表示第k-1项指标权重，但是在计算前ωk是未知量，而rk可以通过对相邻两时间段的重要程度评价打分获得，指标的相对重要程度rk赋值表见表3，可以采用多种标度。
表3.相对重要程度rk赋值表
重要程度 同等重要 稍微重要 明显重要 非常重要 绝对重要
1-9标度 1 3 5 7 9
指数标度 1 a2 a4 a6 a8
比例标度 1 1.2 1.4 1.6 1.8
需要说明的是，相对重要程度rk的具体数值来源于表3，表3中列举说明了三种赋值方法，在实际操作过程中还有别的方法，举例来说，以比例标度为例，在一个时间相对于相邻的另一个时间来说，相对重要程度rk只能从“1”、“1.2”、“1.4”、“1.6”以及“1.8”这五个值中取得。
进一步地，计算各分段时间的指标权重，具体公式如下：
对k进行求和，得到：
由于所有指标的权重之和的值为“1”，因此可知：
因此，只要计算得到最后一个指标的权重就可以推导出其余指标的权重，因此可知：
其余时间段的权重通过ωk-1＝ωkrk逐级推出以得到各分段时间的指标权重，相应地，根据时间段内的月份数值mon可以得到每个月份的指标权重计算式如下：
进一步地，考虑到门店经营指标变化存在周期，因此除了以自然月份对时间序列进行分段，还可分为以季度或者半年进行分段，其中，每一个分段内每个月的指标权重相等。
进一步地，于发明一实施例中，所述方法还包括对更新后的所述门店数据参数以及所述店长数据参数作无量纲化转变处理。
需要说明的是，于本实施例中，对指标进行无量纲化转变，采用的指标数据归一化公式如下：
其中，i＝1，2，…，m，j＝1，2，…，n,在对门店价值进行评估时，uij为第i个门店的第j项指标值，为所有门店中最小的第j项指标值，/>为所有门店中最小的第j项指标，/>为所有门店中第j项指标值的平均值；在对店长价值进行评估时，uij为第i个门店的店长第j项指标值，/>为所有门店对应店长记录中最小的第j项指标值，为所有门店对应店长记录中最小的第j项指标，/>为所有门店对应店长记录中第j项指标值的平均值。
进一步地，于发明一实施例中，如图4所示，确定所述指标权重的步骤包括：
步骤S41、待更新后的所述门店数据参数以及所述店长数据参数作无量纲化转变后，得到转变数据；
步骤S42、基于预设的变异系数法对所述转变数据进行计算，得到初始权重；
步骤S43、基于预设的专家评估法对所述初始权重进行比例调整，得到所述指标权重。
需要说明的是，将更新后的所述门店数据参数以及所述店长数据参数作无量纲化转变后，对应指标的数据作为所述转变数据以进行处理，采用主客观结合的方法确定指标架构中各指标的权重，首先利用变异系数法对处理好的所述转变数据进行计算，确定指标权重，在评估阶段基于专家评估法根据输入的专家业务经验数据调整得到所述指标权重，其中，变异系数计算公式如下：
其中，vi是第i项指标的变异系数，σi是第i项指标的标准差，μi是第i项指标的平均值,得到各项指标的权重如下：
其中，ωi表示第i项指标权重。
需要说明的是，引入的专家业务经验数据就是专家根据经验对计算出来的指标权重进行相应地评估和调整，以更加合理地适应不同的业务常识。
进一步地，于发明一实施例中，如图5所示，基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级的步骤包括：
步骤S51、基于所述转变数据获取对应的多级指标数据；
步骤S52、基于所述模糊综合算法对每级所述指标数据对应的评价矩阵进行计算，得到所述评价结果；
步骤S53、基于所述评价结果匹配预设的隶属匹配原则得到所述门店价值等级。
需要说明的是，于本实施例中，获得的是门店价值等级，取门店数据参数因素集为U，按照不同的指标类型划分成s个互不相交的第一因素子集{U1，U2，，，Us}，其中，于本实施例中，s取“3”，即U1，U2以及U3分别表示所述一级指标中对应的三个因素(经营情况、内部管理以及服务能力)，再将每个Us划分为p个互不相交的第二因素子集{Us1，Us2，，，Usp},其中，s取为“1”，相应地，p为“3”，即对应所述二级指标中对应的三个因素(销售额、顾客销售以及销售利润)，再将每个Usp划分为q个互不相交的第三因素子集{Usp1，Usp2，，，Uspq}，其中，s取为“1”，p取为“2”，相应地，q为“2”，即对应所述三级指标中对应的两个因素(日均客流量以及日均笔单价)，其中，于本实施例中，所述指标数据对应包括了一级指标中对应的三个因素(经营情况、内部管理以及服务能力)，以及二级指标中对应的三个因素(销售额、顾客销售以及销售利润)，以及三级指标中对应的两个因素(日均客流量以及日均笔单价)。
进一步地，基于所述模糊综合算法从第三因素子集开始进行初级综合评价，而后对第二因素子集进行评价，最后对第一因素子集进行评价，具体地，根据第三因素子集{Usp1，Usp2，，，Uspq}中各因素所起作用大小定出权数分配Aq，其中，计算式如下：
Aq＝(asp1，asp2，，，aspq)且
对第三因素子集中每个Uspq按照评语集V＝{V1，V2，，，Vz}的等级评定出对Vz的隶属度rq，于本实施例中，评语集定位五级，即V＝{S级，A级，B级，C级，D级}，其中，S级为最高等级，相应地，D级为最低等级，利用模糊三角隶属函数确定各指标在评语集上的隶属度，其中，按照直觉方法，根据指标数值，对a(n)的值逐一确定，而直觉方法是本领域技术人员的现有手段，具体地，就是确定三角形隶属度函数图像中每个三角形的位置，由于上述实施例中对指标进行了无量纲化处理，所以每个三角形的每个脚的值都是小于“1”的，所述模糊三角隶属函数如图6所示，图6中，a(1)、a(2)…a(n-1)、a(n)为横坐标轴a上三角形的脚的值，通过每个脚的值确定了一个三角形的隶属度函数。
进一步地，第三因素子集中因素对评语集中等级的隶属度为：
由此组成单因素评价矩阵Rq，其中，计算式如下：
据此，可以得出第三因素子集的综合评价Bq，计算式如下：
进一步地，根据第二因素子集{Us1，Us2，，，Usp}中各因素所起作用大小定出权数分配Ap，其中，计算式如下：
Ap＝{as1,as2,…,asP}且
进而由各Usp的评价结果Bp(p＝1,2,…,P)得出总的单因素评价矩阵Rp，计算式如下：
据此，可以得出第二因素子集的综合评价Bp，计算式如下：
进一步地，根据第一因素子集{U1，U2，，，Us}中各因素所起作用大小定出权数分配A，其中，计算式如下：
A＝{a1,a1,…,aS}；
由各Us的评价结果Bs(s＝1,2,…,S)得出总的单因素评价矩阵R，计算式如下：
据此，可以得出第一因素子集的综合评价B，计算式如下：
具体地，取所述隶属匹配原则为隶属度最大原则，因此将综合评价B＝(b1,b2,…,b5)中隶属度最大的等级作为所述门店价值等级，例如，对应上述实施例中，评语集定位五级，即V＝{S级，A级，B级，C级，D级}，相应地，所述综合评价B中隶属度最大值为b2，因此，当前门店的价值等级为A级。
进一步地，于发明一实施例中，如图7所示，对评价结果作二次运算以得到店长价值等级的步骤包括：
步骤S71、基于所述评价结果提取店长在不同门店任职期间的模糊评判向量；
步骤S72、基于所述模糊评判向量作均值计算，基于计算结果根据所述隶属匹配原则得到所述店长价值等级。
需要说明的是，通过所述模糊综合算法得到店长在不同门店任职期间的模糊评判向量，例如某店长在三家门店任职过，对应的三个所述模糊评判向量为：
B1＝(b1 1,b1 2,…,b1 5)；
B2＝(b2 1,b2 2,…,b2 5)；
B3＝(b3 1,b3 2,…,b3 5)；
基于所述模糊评判向量作均值计算，故店长的综合评级B′计算式如下：
同样地，取所述隶属匹配原则为隶属度最大原则，因此将综合评价B′中隶属度最大的等级作为所述店长价值等级，例如，对应上述实施例中，评语集定位五级，即V＝{S级，A级，B级，C级，D级}，相应地，所述综合评价B′中隶属度最大值为b1，因此，当前店长的价值等级为S级。
进一步地，于发明一实施例中，还包括对所述门店数据参数与所述门店价值等级进行统计分析和监督学习，识别所述门店数据参数中各类型参数对所述门店价值等级的第一影响度；以及对所述店长数据参数与所述店长价值等级进行统计分析和监督学习，识别所述店长数据参数中各类型参数对所述店长价值等级的第二影响度；基于所述第二影响度获得培训店长所需的精细化训练参数；基于所述精细化训练参数和所述门店数据参数，预测店长在对应门店的表现。
需要说明的是，通过对门店数据进行分析后，可以得到门店的价值以及店长的价值，在实际应用时，由于门店运营时需要进行改进，或者店长选派时需要进行合理委任，因此，需要对所述门店数据参数与所述门店价值等级进行统计分析和监督学习，以识别所述门店数据参数中各类型参数对所述门店价值等级的第一影响度，以及识别所述店长数据参数中各类型参数对所述店长价值等级的第二影响度，其中，所述第一影响度包括门店开业时长对门店价值的影响参数，经营面积对门店价值的影响参数，生鲜面积对门店价值的影响参数，以及员工离职率对门店价值的影响参数，通过对各个影响参数的识别，有利于对门店经营进行改进，其次，所述对于店长价值等级的第二影响度，具体包括店长业务经验对店长价值的影响参数，管理经验对店长价值的影响参数，外派经验对店长价值的影响参数，学历年龄对店长价值的影响参数以及从业年限对店长价值的影响参数，通过对店长价值等级的第二影响度对应影响参数的识别，有利于精细化培养人才，在实际应用中门店需要选派店长时，能够根据门店特征，预测店长表现。
以下将结合图示对本实施例所提供的基于模糊理论的线下门店数据分析系统。请参阅图8，显示为基于模糊理论的线下门店数据分析系统于一实施例中的原理结构示意图。如图8所示，所述基于模糊理论的线下门店数据分析系统80包括采集模块81、更新模块82、确定模块83、评价模块84以及获取模块85，其中，
所述采集模块81用于基于预设的线下门店数据分析指标采集目标数据，其中，所述线下门店数据分析指标包括门店数据参数以及店长数据参数；
所述更新模块82用于对所述目标数据中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长数据参数；
所述确定模块83用于利用预设的指标权重算法对更新后的所述门店数据参数以及所述店长数据参数进行计算，确定对应的指标权重；
所述评价模块84用于基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级；基于所述店长数据参数及其对应的所述指标权重利用所述模糊综合算法进行评价，并对评价结果作二次运算以得到店长价值等级；
所述获取模块用于将所述门店价值等级以及所述店长价值等级作为价值参数获取线下门店营业价值等级。
由于本实施例的具体实现方式与前述方法实施例对应，因而于此不再对同样的细节做重复赘述，本领域技术人员也应当理解，图8实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上，且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)，或，一个或多个微处理器(digitalsingnalprocessor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本实施例提供一种电子设备，所述电子设备包括：处理器、存储器、收发器、通信接口和系统总线；存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于和其他设备进行通信，处理器和收发器用于运行计算机程序，使设备执行如上实施例一所述基于模糊理论的线下门店数据分析方法的各个步骤。
除此之外，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上实施例一所述基于模糊理论的线下门店数据分析方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(PeripheralPomponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明可以作为挖掘门店及店长价值影响因素的基础，能够指导门店画像及店长画像的搭建，推动门店、店长、区域、总部的一体化运营，能够驱动人力资源数字化转型，提升企业运营绩效；另外通过本发明的价值评估体系，可以减少价值评估过程的人为因素影响，且充分考虑了指标权重的确定，搭建的门店及店长价值评估体系可以推广，有助于在企业内形成统一标准。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (12)

1.一种基于模糊理论的线下门店数据分析方法，其特征在于，包括：
基于预设的线下门店数据分析指标采集目标数据，其中，所述线下门店数据分析指标包括门店数据参数以及店长数据参数；
对所述目标数据中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长数据参数；
利用预设的指标权重算法对更新后的所述门店数据参数以及所述店长数据参数进行计算，确定对应的指标权重；
基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级；
基于所述店长数据参数及其对应的所述指标权重利用所述模糊综合算法进行评价，并对评价结果作二次运算以得到店长价值等级；
将所述门店价值等级以及所述店长价值等级作为价值参数获取线下门店营业价值等级。
2.根据权利要求1所述的基于模糊理论的线下门店数据分析方法，其特征在于，基于预设的线下门店数据分析指标采集目标数据的步骤包括：
依据预设的时间范围和计算口径采集所述目标数据，其中，包括采集数仓的线上数据以及所述数仓以外的线下数据；
对采集到的所述目标数据进行数据清洗，将清洗后的所述线下数据上传至所述数仓；
将清洗后的所述目标数据依据所述计算口径计算后对应填入到所述门店数据参数以及所述店长数据参数中。
3.根据权利要求2所述的基于模糊理论的线下门店数据分析方法，其特征在于，对所述门店数据参数中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长评估数据的步骤包括：
识别所述时间关联数据；
依据预设的差异权重算法获取所述时间关联数据在不同时间段内的差异权重；
基于所述差异权重以及对应的时间段进行计算得到更新结果，基于所述更新结果作数据替换以更新所述门店数据参数；
基于所述更新结果结合所述计算口径进行计算以更新所述店长数据参数。
4.根据权利要求1所述的基于模糊理论的线下门店数据分析方法，其特征在于，所述方法还包括对更新后的所述门店数据参数以及所述店长数据参数作无量纲化转变处理。
5.根据权利要求4所述的基于模糊理论的线下门店数据分析方法，其特征在于，确定所述指标权重的步骤包括：
待更新后的所述门店数据参数以及所述店长数据参数作无量纲化转变后，得到转变数据；
基于预设的变异系数法对所述转变数据进行计算，得到初始权重；
基于预设的专家评估法对所述初始权重进行比例调整，得到所述指标权重。
6.根据权利要求5所述的基于模糊理论的线下门店数据分析方法，其特征在于，基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级的步骤包括：
基于所述转变数据获取对应的多级指标数据；
基于所述模糊综合算法对每级所述指标数据对应的评价矩阵进行计算，得到所述评价结果；
基于所述评价结果匹配预设的隶属匹配原则得到所述门店价值等级。
7.根据权利要求6所述的基于模糊理论的线下门店数据分析方法，其特征在于，对评价结果作二次运算以得到店长价值等级的步骤包括：
基于所述评价结果提取店长在不同门店任职期间的模糊评判向量；
基于所述模糊评判向量作均值计算，基于计算结果根据所述隶属匹配原则得到所述店长价值等级。
8.根据权利要求1所述的基于模糊理论的线下门店数据分析方法，其特征在于，还包括：
对所述门店数据参数与所述门店价值等级进行统计分析和监督学习，识别所述门店数据参数中各类型参数对所述门店价值等级的第一影响度。
9.根据权利要求1所述的基于模糊理论的线下门店数据分析方法，其特征在于，还包括：
对所述店长数据参数与所述店长价值等级进行统计分析和监督学习，识别所述店长数据参数中各类型参数对所述店长价值等级的第二影响度；
基于所述第二影响度获得培训店长所需的精细化训练参数；
基于所述精细化训练参数和所述门店数据参数，预测店长在对应门店的表现。
10.一种基于模糊理论的线下门店数据分析系统，其特征在于，包括：
采集模块，用于基于预设的线下门店数据分析指标采集目标数据，其中，所述线下门店数据分析指标包括门店数据参数以及店长数据参数；
更新模块，用于对所述目标数据中的时间关联数据进行计算，以更新所述门店数据参数以及所述店长数据参数；
确定模块，用于利用预设的指标权重算法对更新后的所述门店数据参数以及所述店长数据参数进行计算，确定对应的指标权重；
评价模块，用于基于所述门店数据参数及其对应的所述指标权重利用预设的模糊综合算法进行评价，得到门店价值等级；基于所述店长数据参数及其对应的所述指标权重利用所述模糊综合算法进行评价，并对评价结果作二次运算以得到店长价值等级；
获取模块，用于将所述门店价值等级以及所述店长价值等级作为价值参数获取线下门店营业价值等级。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9中任一项所述基于模糊理论的线下门店数据分析方法。
12.一种电子设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1至9中任一项所述基于模糊理论的线下门店数据分析方法。
CN202310560087.7A 2023-05-17 2023-05-17 基于模糊理论的线下门店数据分析方法、系统及设备 Pending CN116663973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310560087.7A CN116663973A (zh) 2023-05-17 2023-05-17 基于模糊理论的线下门店数据分析方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310560087.7A CN116663973A (zh) 2023-05-17 2023-05-17 基于模糊理论的线下门店数据分析方法、系统及设备

Publications (1)

Publication Number Publication Date
CN116663973A true CN116663973A (zh) 2023-08-29

Family

ID=87708941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310560087.7A Pending CN116663973A (zh) 2023-05-17 2023-05-17 基于模糊理论的线下门店数据分析方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116663973A (zh)

Similar Documents

Publication Publication Date Title
Namvar et al. A two phase clustering method for intelligent customer segmentation
Hsiao et al. Using fuzzy super-efficiency slack-based measure data envelopment analysis to evaluate Taiwan’s commercial bank efficiency
Gupta et al. A hybrid approach to asset allocation with simultaneous consideration of suitability and optimality
CN109636482B (zh) 基于相似度模型的数据处理方法及系统
CN110009432A (zh) 一种个人消费行为预测方法
Gaca Price as a measure of market value on the real estate market
AU2010257410B2 (en) Marketing investment optimizer with dynamic hierarchies
Tüysüz et al. A novel multi-criteria analysis model for the performance evaluation of bank regions: an application to Turkish agricultural banking
Noorizadeh et al. Evaluating relative value of customers via data envelopment analysis
Liu An integrated fuzzy time series forecasting system
Fontana et al. A MCDM model for urban water conservation strategies adapting simos procedure for evaluating alternatives intra-criteria
Sidorov et al. Extended innovation diffusion models and their empirical performance on real propagation data
CN114372848A (zh) 一种基于机器学习的烟草行业智能营销系统
Chen et al. Crowdsourced data indicates broadband has a positive impact on local business creation
Finlay Towards profitability: A utility approach to the credit scoring problem
Audzeyeva et al. Forecasting customer behaviour in a multi-service financial organisation: A profitability perspective
CN115841345A (zh) 跨境大数据智能化分析方法、系统以及存储介质
CN116663973A (zh) 基于模糊理论的线下门店数据分析方法、系统及设备
CN112488421B (zh) 一种电费应收账款的跟踪预测方法及装置
Ehsanifar et al. Analysing the nexus between artificial neural networks and ARIMA models in predicting customer lifetime value (CLV) for complex development of society and industrial activities
TWI792101B (zh) 基於確定值及預測值的數據定量化方法
CN115034676A (zh) 基于层次分析法的企业综合服务质量评估方法及系统
CN110728466B (zh) 一种新产品的目标配件需求量确定方法及计算机设备
Zhao et al. Research on E-commerce Customer Segmentation Based on RFAC Model
Prasad et al. Machine Learning Based Cost prediction for Acquiring New Customers

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