CN116664158A - 基于大数据的新型零售分析方法及系统 - Google Patents
基于大数据的新型零售分析方法及系统 Download PDFInfo
- Publication number
- CN116664158A CN116664158A CN202310400131.8A CN202310400131A CN116664158A CN 116664158 A CN116664158 A CN 116664158A CN 202310400131 A CN202310400131 A CN 202310400131A CN 116664158 A CN116664158 A CN 116664158A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- store
- module
- business
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000012098 association analyses Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005058 diapause Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007306 turnover Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大数据的新型零售分析方法及系统,该系统的运行方法包括以下步骤:步骤一:通过数据分析来直观的反馈经营过程,洞察经营问题;步骤二:建立用户画像实现精准营销;步骤三:通过AI算法,结合门店经营数据与市场大盘数据,提供品类诊断与商品引新,所述经营分析模块,用于根据门店经营数据反馈经营过程,洞察经营问题;所述用户画像模块,用于根据用户购物信息建立用户画像;所述运营决策模块,用于通过与市场大盘数据比对为门店运营提供建议;所述可视化展示模块,用于将分析结果通过图表方式进行模块展示;所述共享平台模块,用于将门店经营数据进行共享,本发明,具有提高门店营业额和数据分析准确的特点。
Description
技术领域
本发明涉及新型零售技术领域,具体为基于大数据的新型零售分析方法及系统。
背景技术
随着消费者购物习惯的变化和互联网技术的发展,新型零售行业应运而生,而基于大数据的分析方法也在该行业中得到广泛应用,大数据技术可以帮助新型零售企业更好地理解消费者需求、预测市场趋势、优化产品组合和库存管理、提高营销效率等,从而实现运营成本的降低和盈利能力的提升。
然而,新型零售行业在运营过程中仍然面临一些挑战,在商品管理方面,由于SKU种类繁多,商家难以有效掌控各种产品的销售情况和库存状况,导致商品出现滞销和缺货的情况。在库存管理方面,商家需要合理采购,并掌握商品库存天数、库存周转率等指标,但是在实际操作中,往往存在积压库存的问题,特别是生鲜产品更容易受到影响。此外,在会员管理方面,商家需要了解会员的购买偏好、消费能力和价值等信息,以便精准推荐营销活动,但是在实际操作中,商家往往缺乏准确的评估和预测手段,从而导致会员复购率低下等问题。
针对这些问题,基于大数据的新型零售分析方法可以通过收集和分析海量数据来预测消费者需求、优化商品组合和库存管理、精准推荐营销活动等,从而帮助商家降低成本、提高运营效率和盈利能力。因此,设计精准营销和提高商家库存管理的基于大数据的新型零售分析方法及系统是很有必要的。
发明内容
本发明的目的在于提供基于大数据的新型零售分析方法及系统,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:基于大数据的新型零售分析系统,该系统的运行方法包括以下步骤:
步骤一:通过数据分析来直观的反馈经营过程,洞察经营问题;
步骤二:建立用户画像实现精准营销;
步骤三:通过AI算法,结合门店经营数据与市场大盘数据,提供品类诊断与商品引新。
根据上述技术方案,所述通过数据分析来直观的反馈经营过程,洞察经营问题的步骤,包括:
将门店具体信息、经营数据等上传至大数据分析平台;
帮助商户快速分析经营现状。
根据上述技术方案,所述帮助商户快速分析经营现状的步骤,包括:
门店面积、营业天数等数据,经营数据主要为营业金额数据,成本数据等;将如上数据上传至大数据分析平台,对数据进行分析后进行可视化模块展示,包含运营看板、交易分析、坪效分析、商品/品牌/品类排行榜、毛利分析、异常监控等模块,通过将门店经营过程数字化、图表化也有利于经营者进行经营决策的改变。
根据上述技术方案,所述建立用户画像实现精准营销的步骤,包括:
对会员进行数据采集;
对采集到的数据进行清洗与处理;
进行关联性分析;
对购物群体进行聚类分析。
根据上述技术方案,所述进行关联性分析的步骤,包括:
实现对用户购物行为的关联性分析,该方法为:将用户购物记录每个商品类别表示为项,将这些项组成的集合称为项集,随后通过统计项在数据集中出现的频率确定哪些项是频繁出现的,这些频繁项集包含了用户购物行为中最常见的商品组合,具有一定的关联性,可以使用Apriori算法等关联规则挖掘算法来挖掘频繁项集,可以从中生成候选规则,针对每一个频繁项集,可以将其中的每个项拆分成两个不相交的子集,分别作为规则的前件和后件,对于每一个规则,可以计算其支持度和置信度来评估其可靠性,其中,支持度指的是同时包含前件和后件的所有购买记录所占的比例,而置信度则指的是在购买前件的情况下,同时购买后件的概率,根据设定的支持度和置信度阈值,可以筛选出高置信度的关联规则。
根据上述技术方案,所述对购物群体进行聚类分析的步骤,包括:
通过聚类方法将相似购物记录的会员用户归类在一起,通过对用户进行聚类分析与关联分析,可以更好的了解用户的购物偏好和消费习惯,从而针对性地制定营销策略,提高门店销售额,而且通过向用户推荐他们感兴趣的商品,提高用户的购买率和忠诚率,从而增加转化率。
根据上述技术方案,所述通过AI算法,结合门店经营数据与市场大盘数据,提供品类诊断与商品引新的步骤,包括:
获取市场大盘数据源并进行分析;
建立数据共享平台。
根据上述技术方案,所述获取市场大盘数据源并进行分析的步骤,包括:
市场大盘数据来自于市场研究报告、行业协会、政府部门、数据分析公司等权威机构和数据源,通过分析门店各个品类的销售额、利润、增长率等数据,以及市场大盘数据中的同类竞争对手数据等,诊断门店品类结构的优劣,并提出措施和建议,同时还可通过分析门店商品的销售情况、利润情况、库存情况等数据,找到不受欢迎的商品,制定相应的淘汰策略,以避免浪费资源。
根据上述技术方案,所述建立数据共享平台的步骤,包括:
建立数据共享平台,门店经营者自愿共享门店数据,共享数据包括门店产品类目、当天所售商品类目等,该共享平台仅可由参加共享数据的门店经营者访问,门店自动将经营数据上传至共享平台,共享平台则根据门店的经营数据结合同类型门店经营数据进行分析,相比较网络上获取的行业数据源,该共享平台可给出更准确的建议。
根据上述技术方案,所述该系统包括:
经营分析模块,用于根据门店经营数据反馈经营过程,洞察经营问题;
用户画像模块,用于根据用户购物信息建立用户画像;
运营决策模块,用于通过与市场大盘数据比对为门店运营提供建议。
与现有技术相比,本发明所达到的有益效果是:本发明,通过设置有经营分析模块、用户画像模块、运营决策模块实现对门店经营数据的分析以及用户画像的建立等功能,首先门店经营者将门店具体信息、经营数据等上传至大数据分析平台,平台根据上传信息进行经营状况分析并进行可视化模块展示,随后对会员客户进行用户画像建立,首先对用户购物行为进行关联性分析,随后进行聚类分析,通过该步骤可以对客户进行精准营销,提高门店销售金额,最后通过AI算法结合门店经营数据与市场大盘数据,提供品类诊断与商品引新,并通过建立数据共享平台使经营决策建议更准确化,本方法实用性强且可通过精准营销提高门店销售额。
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为本发明实施例一提供的基于大数据的新型零售分析方法的流程图;
图2为本发明实施例二提供的基于大数据的新型零售分析系统的模块组成示意图。
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。
实施例一:图1为本发明实施例一提供的基于大数据的新型零售分析方法的流程图,本实施例可应用零售门店的场景,该方法可以由本实施例提供的基于大数据的新型零售分析系统来执行,如图1所示,该方法具体包括以下步骤:
步骤一:通过数据分析来直观的反馈经营过程,洞察经营问题;
在本发明实施例中,将门店具体信息、经营数据等上传至大数据分析平台,通过数据分析来直观反馈经营过程,洞察经营问题,从而帮助商户快速分析经营现状;
示例性的,将门店具体信息包括:门店面积、营业天数等数据,经营数据主要为营业金额数据,成本数据等;将如上数据上传至大数据分析平台,对数据进行分析后进行可视化模块展示,包含运营看板、交易分析、坪效分析、商品/品牌/品类排行榜、毛利分析、异常监控等模块,通过将门店经营过程数字化、图表化也有利于经营者进行经营决策的改变;
示例性的,运营看板模块提供了直观的数据展示,包括门店的整体经营情况、销售趋势、商品排行等信息,帮助商户了解经营情况;交易分析模块则可以对交易数据进行多维度的分析,包括客单价、销售额、销售量等,帮助商户深入了解顾客的购买行为,以及交易数据的变化趋势;坪效分析模块则可以帮助商户了解门店的使用效率,帮助商户优化门店的空间布局;商品/品牌/品类排行榜模块则可以对商品、品牌、品类的销售情况进行分析,帮助商户优化商品的库存和销售策略;毛利分析模块可以帮助商户了解商品的毛利情况,进而优化采购和销售策略;异常监控模块可以及时发现经营过程中的异常情况,如价格波动、库存异常等,及时进行处理,从而避免经营风险。
步骤二:建立用户画像实现精准营销;
在本发明实施例中,建立消费者画像,通过全方位构建用户画像,帮助商户精准营销;
示例性的,针对门店会员进行用户画像建立,首先对会员进行数据采集,数据源来自门店答卷、用户购物以及付款记录等数据信息,随后进行数据清洗,对采集到的数据进行清洗与处理,剔除错误、缺失或冗余的数据,保证数据的准确性与一致性,同时对用户购买的商品进行类别标识,例如划分为日常用品、生鲜食品、水果等类别,每个类别下进行二级标识,标识品牌类目,随后对用户行为进行关联与聚类分析;
示例性的,通过关联规则技术,实现对用户购物行为的关联性分析,该方法为:将用户购物记录每个商品类别表示为项,将这些项组成的集合称为项集,随后通过统计项在数据集中出现的频率确定哪些项是频繁出现的,这些频繁项集包含了用户购物行为中最常见的商品组合,具有一定的关联性。可以使用Apriori算法等关联规则挖掘算法来挖掘频繁项集,可以从中生成候选规则。针对每一个频繁项集,可以将其中的每个项拆分成两个不相交的子集,分别作为规则的前件和后件,对于每一个规则,可以计算其支持度和置信度来评估其可靠性,其中,支持度指的是同时包含前件和后件的所有购买记录所占的比例,而置信度则指的是在购买前件的情况下,同时购买后件的概率。根据设定的支持度和置信度阈值,可以筛选出高置信度的关联规则;
示例性的,使用Apriori算法挖掘频繁项集的方法为:删除数据集中不必要的属性,例如年龄、家庭住址等,同时将数据集中离散属性转化为二元属性,将数据集转化为项集的形式,随后进行初始化,设定最小支持阈值,初始化频繁1-项集,即每个项单独出现的集合,使用频繁k-1项集来生成候选k-项集。具体做法是先连接频繁k-1项集,然后利用剪枝策略去掉不满足频繁性质的项集,统计每个候选项集在数据集中出现的频率,计算其支持度,将项集出现的次数除以数据集的总数,即其中X,Y为预选项集,ALL为数据集总数,得到项集的支持度后,根据设定的最小支持度阈值,筛选出满足要求的频繁项集,将其作为输出结果;
示例性的,对用户的购买行为进行聚类分析,通过聚类方法将相似购物记录的会员用户归类在一起,通过对用户进行聚类分析与关联分析,可以更好的了解用户的购物偏好和消费习惯,从而针对性地制定营销策略,提高门店销售额,而且通过向用户推荐他们感兴趣的商品,提高用户的购买率和忠诚率,从而增加转化率。
步骤三:通过AI算法,结合门店经营数据与市场大盘数据,提供品类诊断与商品引新。
在本发明实施例中,通过门店经营数据和市场大盘数据实现门店诊断、行业分析等决策建议;
示例性的,市场大盘数据来自于市场研究报告、行业协会、政府部门、数据分析公司等权威机构和数据源,通过分析门店各个品类的销售额、利润、增长率等数据,以及市场大盘数据中的同类竞争对手数据等,诊断门店品类结构的优劣,并提出措施和建议,同时还可通过分析门店商品的销售情况、利润情况、库存情况等数据,找到不受欢迎的商品,制定相应的淘汰策略,以避免浪费资源;
示例性的,建立数据共享平台,门店经营者自愿共享门店数据,共享数据包括门店产品类目、当天所售商品类目等,该共享平台仅可由参加共享数据的门店经营者访问,门店自动将经营数据上传至共享平台,共享平台则根据门店的经营数据结合同类型门店经营数据进行分析,相比较网络上获取的行业数据源,该共享平台可给出更准确的建议。
实施例二:本发明实施例二提供了基于大数据的新型零售分析系统,图2为本发明实施例二提供的基于大数据的新型零售分析系统的模块组成示意图,如图2所示,该系统包括:
经营分析模块,用于根据门店经营数据反馈经营过程,洞察经营问题;
用户画像模块,用于根据用户购物信息建立用户画像;
运营决策模块,用于通过与市场大盘数据比对为门店运营提供建议;
在本发明的一些实施例中,经营分析模块包括:
数据上传模块,用于将门店数据上传至大数据分析平台;
数据分析模块,用于对门店经营数据进行分析;
可视化展示模块,用于将分析结果通过图表方式进行模块展示;
在本发明的一些实施例中,用户画像模块包括:
关联分析模块,用于对用户购物行为进行关联性分析;
聚类分析模块,用于对用户购物行为进行聚类分析;
精准营销模块,用于根据关联分析与聚类分析结果对会员客户进行精准营销;
在本发明的一些实施例中,运营决策模块包括:
数据比对模块,用于将门店数据与市场大盘数据进行比对;
共享平台模块,用于将门店经营数据进行共享;
分析建议模块,用于根据经营数据与比对结果对门店运营提出建议。
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 (10)
1.基于大数据的新型零售分析方法其特征在于:该方法包括以下步骤:
步骤一:通过数据分析来直观的反馈经营过程,洞察经营问题;
步骤二:建立用户画像实现精准营销;
步骤三:通过AI算法,结合门店经营数据与市场大盘数据,提供品类诊断与商品引新。
2.根据权利要求1所述的基于大数据的新型零售分析方法,其特征在于:所述通过数据分析来直观的反馈经营过程,洞察经营问题的步骤,包括:
将门店具体信息、经营数据等上传至大数据分析平台;
帮助商户快速分析经营现状。
3.根据权利要求2所述的基于大数据的新型零售分析方法,其特征在于:所述帮助商户快速分析经营现状的步骤,包括:
门店面积、营业天数等数据,经营数据主要为营业金额数据,成本数据等;将如上数据上传至大数据分析平台,对数据进行分析后进行可视化模块展示,包含运营看板、交易分析、坪效分析、商品/品牌/品类排行榜、毛利分析、异常监控等模块,通过将门店经营过程数字化、图表化也有利于经营者进行经营决策的改变。
4.根据权利要求1所述的基于大数据的新型零售分析方法,其特征在于:所述建立用户画像实现精准营销的步骤,包括:
对会员进行数据采集;
对采集到的数据进行清洗与处理;
进行关联性分析;
对购物群体进行聚类分析。
5.根据权利要求4所述的基于大数据的新型零售分析方法,其特征在于:所述进行关联性分析的步骤,包括:
实现对用户购物行为的关联性分析,该方法为:将用户购物记录每个商品类别表示为项,将这些项组成的集合称为项集,随后通过统计项在数据集中出现的频率确定哪些项是频繁出现的,这些频繁项集包含了用户购物行为中最常见的商品组合,具有一定的关联性,可以使用Apriori算法等关联规则挖掘算法来挖掘频繁项集,可以从中生成候选规则,针对每一个频繁项集,可以将其中的每个项拆分成两个不相交的子集,分别作为规则的前件和后件,对于每一个规则,可以计算其支持度和置信度来评估其可靠性,其中,支持度指的是同时包含前件和后件的所有购买记录所占的比例,而置信度则指的是在购买前件的情况下,同时购买后件的概率,根据设定的支持度和置信度阈值,可以筛选出高置信度的关联规则。
6.根据权利要求4所述的基于大数据的新型零售分析方法,其特征在于:所述对购物群体进行聚类分析的步骤,包括:
通过聚类方法将相似购物记录的会员用户归类在一起,通过对用户进行聚类分析与关联分析,可以更好的了解用户的购物偏好和消费习惯,从而针对性地制定营销策略,提高门店销售额,而且通过向用户推荐他们感兴趣的商品,提高用户的购买率和忠诚率,从而增加转化率。
7.根据权利要求1所述的基于大数据的新型零售分析方法,其特征在于:所述通过AI算法,结合门店经营数据与市场大盘数据,提供品类诊断与商品引新的步骤,包括:
获取市场大盘数据源并进行分析;
建立数据共享平台。
8.根据权利要求7所述的基于大数据的新型零售分析方法,其特征在于:所述获取市场大盘数据源并进行分析的步骤,包括:
市场大盘数据来自于市场研究报告、行业协会、政府部门、数据分析公司等权威机构和数据源,通过分析门店各个品类的销售额、利润、增长率等数据,以及市场大盘数据中的同类竞争对手数据等,诊断门店品类结构的优劣,并提出措施和建议,同时还可通过分析门店商品的销售情况、利润情况、库存情况等数据,找到不受欢迎的商品,制定相应的淘汰策略,以避免浪费资源。
9.根据权利要求7所述的基于大数据的新型零售分析方法,其特征在于:所述建立数据共享平台的步骤,包括:
建立数据共享平台,门店经营者自愿共享门店数据,共享数据包括门店产品类目、当天所售商品类目等,该共享平台仅可由参加共享数据的门店经营者访问,门店自动将经营数据上传至共享平台,共享平台则根据门店的经营数据结合同类型门店经营数据进行分析,相比较网络上获取的行业数据源,该共享平台可给出更准确的建议。
10.基于大数据的新型零售分析系统,其特征在于:所述该系统包括:
经营分析模块,用于根据门店经营数据反馈经营过程,洞察经营问题;
用户画像模块,用于根据用户购物信息建立用户画像;
运营决策模块,用于通过与市场大盘数据比对为门店运营提供建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310400131.8A CN116664158A (zh) | 2023-04-14 | 2023-04-14 | 基于大数据的新型零售分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310400131.8A CN116664158A (zh) | 2023-04-14 | 2023-04-14 | 基于大数据的新型零售分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664158A true CN116664158A (zh) | 2023-08-29 |
Family
ID=87716037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310400131.8A Pending CN116664158A (zh) | 2023-04-14 | 2023-04-14 | 基于大数据的新型零售分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664158A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455632A (zh) * | 2023-12-25 | 2024-01-26 | 厦门蝉羽网络科技有限公司 | 一种基于大数据的电商选品分析管理平台 |
-
2023
- 2023-04-14 CN CN202310400131.8A patent/CN116664158A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455632A (zh) * | 2023-12-25 | 2024-01-26 | 厦门蝉羽网络科技有限公司 | 一种基于大数据的电商选品分析管理平台 |
CN117455632B (zh) * | 2023-12-25 | 2024-03-15 | 厦门蝉羽网络科技有限公司 | 一种基于大数据的电商选品分析管理平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | An empirical study on customer segmentation by purchase behaviors using a RFM model and K-means algorithm | |
Fildes et al. | Retail forecasting: Research and practice | |
Griva et al. | Retail business analytics: Customer visit segmentation using market basket data | |
Ma et al. | Demand forecasting with high dimensional data: The case of SKU retail sales forecasting with intra-and inter-category promotional information | |
Miguéis et al. | Modeling partial customer churn: On the value of first product-category purchase sequences | |
Mild et al. | An improved collaborative filtering approach for predicting cross-category purchases based on binary market basket data | |
Raorane et al. | Data mining techniques: A source for consumer behavior analysis | |
Huang | Mining the change of customer behavior in fuzzy time-interval sequential patterns | |
US20110131079A1 (en) | System and Method for Modeling by Customer Segments | |
Li et al. | Economical user-generated content (UGC) marketing for online stores based on a fine-grained joint model of the consumer purchase decision process | |
Hemalatha | Market basket analysis–a data mining application in Indian retailing | |
Zavali et al. | Shopping hard or hardly shopping: Revealing consumer segments using clickstream data | |
CN116664158A (zh) | 基于大数据的新型零售分析方法及系统 | |
Bilgic et al. | Retail analytics: store segmentation using Rule-Based Purchasing behavior analysis | |
Apichottanakul et al. | Customer behaviour analysis based on buying-data sparsity for multi-category products in pork industry: A hybrid approach | |
Zhou et al. | An advanced inventory data mining system for business intelligence | |
Jhamtani et al. | Size of wallet estimation: Application of K-nearest neighbour and quantile regression | |
Andrade et al. | Disaggregated retail forecasting: A gradient boosting approach | |
Boonjing et al. | Data mining for customers' positive reaction to advertising in social media | |
Arboleda et al. | Temporal visual profiling of market basket analysis | |
Kalaivani et al. | Multi process prediction model for customer behaviour analysis | |
Jain et al. | Application of association rule mining in a clothing retail store | |
Pantangia | Sales Prediction of Market Using Machine Learning | |
Ishigaki et al. | Computational customer behavior modeling for knowledge management with an automatic categorization using retail service's datasets | |
Al-Basha | Forecasting Retail Sales Using Google Trends and Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 215021 Creative Industry Park 2-A4F, No. 328, Xinghu Street, Suzhou Industrial Park, Jiangsu Province Applicant after: Jiangsu Zhonglun Digital Technology Co.,Ltd. Address before: 215021 Creative Industry Park 2-A4F, No. 328, Xinghu Street, Suzhou Industrial Park, Jiangsu Province Applicant before: SUZHOU ZHONGLUN NETWORK TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |