CN116739713A - 一种基于客群大数据分析的销售信息推送方法 - Google Patents
一种基于客群大数据分析的销售信息推送方法 Download PDFInfo
- Publication number
- CN116739713A CN116739713A CN202310743693.2A CN202310743693A CN116739713A CN 116739713 A CN116739713 A CN 116739713A CN 202310743693 A CN202310743693 A CN 202310743693A CN 116739713 A CN116739713 A CN 116739713A
- Authority
- CN
- China
- Prior art keywords
- consumption
- customer
- commodity
- client
- pushing
- 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 73
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 102220475340 DNA replication licensing factor MCM2_S41A_mutation Human genes 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 102220040592 rs587778386 Human genes 0.000 claims description 7
- 230000002265 prevention Effects 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于客群大数据分析的销售信息推送方法，涉及电子营销技术领域；包括如下步骤：客户数据获取，通过大数据技术获取客户既往购买记录，客户客群分类，根据既往购买记录将客户分类为不同客群，商品属性分类，根据商品的用途对商品进行属性分类，商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额。本发明通过获取的客户数据对客户客群进行分类，然后再对商品属性分类，随后再根据不同的客户客群和商品属性按照不同的频次进行推送，这样既保证了高消费客群的高频次购买需求，又保证了低消费客群的防止骚扰，也避免了资源浪费。
Description
技术领域
本发明涉及电子营销技术领域，尤其涉及一种基于客群大数据分析的销售信息推送方法。
背景技术
随着网络业务的扩张，越来越多的电子商务网站给用户提供了大量待销售商品的信息。现有的方式是卖方提供所有的商品信息至所有的消费者。但是，随着销售商品的数目以及种类的增加，消费者在大量的商品信息中选购商品时很难短时间内寻找到自身喜好的商品造成了成交率降低。
为了解决上述问题，经检索，中国专利公开号为CN105976211A的专利，公开了商品信息的推送方法和商品信息的推送系统，包括：S1，存储M个客户的客户标签、存储N个商品的商品标签和默认排序、提供外部网页链接地址及其对应的商品展示区。S2，第i个客户的客户标签分别与每一个商品的商品标签媒合得到与第i个客户关联的N个商品的最佳排序。S3，存储上述最佳排序至动态缓冲区中，i++，重复S2和S3直至得到与第M个客户关联的N个商品的最佳排序。S4，当接收到外部网页链接地址的打开请求时，获取客户标识信息。S5，判断是否存在与客户标识信息对应的预设标识信息。S6，若存在，从动态缓冲区中获取与预设标识信息对应的N个商品的最佳排序并将其发送至商品展示区。
上述专利存在以下不足：其虽然利用客户信息进行客户标识，从而进行推送，但是由于客户的消费能力不同，购买频率不同等原因，其无法对客户进行客群分类，从而无法对于不同消费能力的客户确定相应的推送频次。
为此，本发明提出一种基于客群大数据分析的销售信息推送方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于客群大数据分析的销售信息推送方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于客群大数据分析的销售信息推送方法，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
优选地：所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
优选地：所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
优选地：所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类。
优选地：所述S213中，a、b、c、d分别为权重系数，其满足
优选地：所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
优选地：所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、……δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、……(δi，δi+1)、……(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
优选地：所述S4步骤中，推送方法包括基于客户的推送方法和基于物品的推送方法。
优选地：所述基于客户的推送方法包括以下步骤：
S41A：首先根据高消费、中消费和低消费客群选择对应的不同的推送频次，并且推送频次由高消费、中消费个低消费依次递减；
S42A：将待推送的商品信息，编辑推送内容，按照对应的频次分别推送至三个不同的客群。
优选地：所述基于物品的推送方法包括以下步骤：
S41B：将待推送的商品信息，编辑推送内容；
S42B：根据每种类型商品的总价与交易物品总价的比值区间，确定每个区间的推送频次；
S43B：确定待推送商品的商品类型，并按照确定的推送频次将其推送至该类型下匹配的客户群内。
本发明的有益效果为：
1.本发明通过获取的客户数据对客户客群进行分类，然后再对商品属性分类，随后再根据不同的客户客群和商品属性按照不同的频次进行推送，这样既保证了高消费客群的高频次购买需求，又保证了低消费客群的防止骚扰，也避免了资源浪费。
2.本发明，在对客户客群分类和商品基础属性分类的基础上，增加了对商品价格的阈值区间划分，从而可实现基于客户的推送和基于商品的推送方式，使得不同情况下均能具有较好的推送效果。
附图说明
图1为本发明提出的一种基于客群大数据分析的销售信息推送方法的流程示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1：
一种基于客群大数据分析的销售信息推送方法，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类
所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、……δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、……(δi，δi+1)、……(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
所述S4步骤中，推送方法为基于客户的推送方法。
所述基于客户的推送方法包括以下步骤：
S41A：首先根据高消费、中消费和低消费客群选择对应的不同的推送频次，并且推送频次由高消费、中消费个低消费依次递减；
S42A：将待推送的商品信息，编辑推送内容，按照对应的频次分别推送至三个不同的客群。
实施例2：
一种基于客群大数据分析的销售信息推送方法，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类
所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、……δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、……(δi，δi+1)、……(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
所述S4步骤中，推送方法为基于客户的推送方法。
所述基于客户的推送方法包括以下步骤：
S41A：首先根据高消费、中消费和低消费客群选择对应的不同的推送频次，并且推送频次由高消费、中消费个低消费依次递减；
S42A：将待推送的商品信息，编辑推送内容，按照对应的频次分别推送至三个不同的客群。
实施例3：
一种基于客群大数据分析的销售信息推送方法，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类
所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、……δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、……(δi，δi+1)、……(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
所述S4步骤中，推送方法为基于客户的推送方法。
所述基于客户的推送方法包括以下步骤：
S41A：首先根据高消费、中消费和低消费客群选择对应的不同的推送频次，并且推送频次由高消费、中消费个低消费依次递减；
S42A：将待推送的商品信息，编辑推送内容，按照对应的频次分别推送至三个不同的客群。
实施例4：
一种基于客群大数据分析的销售信息推送方法，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类
所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、……δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、……(δi，δi+1)、……(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
所述S4步骤中，推送方法为基于客户的推送方法。
所述基于客户的推送方法包括以下步骤：
S41A：首先根据高消费、中消费和低消费客群选择对应的不同的推送频次，并且推送频次由高消费、中消费个低消费依次递减；
S42A：将待推送的商品信息，编辑推送内容，按照对应的频次分别推送至三个不同的客群。
实施例5：
一种基于客群大数据分析的销售信息推送方法，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类
所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、……δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、……(δi，δi+1)、……(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
所述S4步骤中，推送方法为基于客户的推送方法。
所述基于客户的推送方法包括以下步骤：
S41A：首先根据高消费、中消费和低消费客群选择对应的不同的推送频次，并且推送频次由高消费、中消费个低消费依次递减；
S42A：将待推送的商品信息，编辑推送内容，按照对应的频次分别推送至三个不同的客群。
实施例6：
一种基于客群大数据分析的销售信息推送方法，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类
所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、……δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、……(δi，δi+1)、……(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
所述基于物品的推送方法包括以下步骤：
S41B：将待推送的商品信息，编辑推送内容；
S42B：根据每种类型商品的总价与交易物品总价的比值区间，确定每个区间的推送频次；
S43B：确定待推送商品的商品类型，并按照确定的推送频次将其推送至该类型下匹配的客户群内。
本发明通过获取的客户数据对客户客群进行分类，然后再对商品属性分类，随后再根据不同的客户客群和商品属性按照不同的频次进行推送，这样既保证了高消费客群的高频次购买需求，又保证了低消费客群的防止骚扰，也避免了资源浪费。
在对客户客群分类和商品基础属性分类的基础上，增加了对商品价格的阈值区间划分，从而可实现基于客户的推送和基于商品的推送方式，使得不同情况下均能具有较好的推送效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于客群大数据分析的销售信息推送方法，其特征在于，包括以下步骤：
S1：客户数据获取，通过大数据技术获取客户既往购买记录；
S2：客户客群分类，根据既往购买记录将客户分类为不同客群；
S3：商品属性分类，根据商品的用途对商品进行属性分类；
S4：商品推送，根据商品的属性分类和客群，选择匹配度高的商品向客户推送。
2.根据权利要求1所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述S1步骤中，获取的客户既往购买记录包括客户姓名、客户联系方式、客户购买商品类型、购买金额和购买频率。
3.根据权利要求1所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述S2步骤中，客户客群分类包括以下步骤：
S21：首先根据客户购买的商品金额和购买频率将客户分为高消费、中消费、低消费客群；
S22：然后再对高消费、中消费、低消费客群进行基于属性的二次分类。
4.根据权利要求3所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述S21步骤中，具体包括以下步骤：
S211：设定高消费与中消费的门槛σ1与中消费和低消费的门槛σ2；
S212：根据客户的既往购买记录获取消费总额平均每次消费额消费额的方差/>以及消费频率/>i为30天内的消费次数；
S213：根据公式计算客户的消费能能力，并以此分类。
5.根据权利要求4所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述S213中，a、b、c、d分别为权重系数，其满足
6.根据权利要求4所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述S213中，具体包括以下情况：
S2131：若Q≥σ1，则该客户为高消费客群；
S2132：若σ1＞Q＞σ2，则该客户为中消费客群；
S2133：若Q≤σ2，则该客户为低消费客群。
7.根据权利要求3所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述S22步骤中，二次分类的方法包括以下步骤：
S221：获取用户既往购买物品，并将物品进行类型划分；
S222：统计每种类型包含物品的总价H；
S223：设定多个分类阈值分界点δ1、δ2、...δn，并将相邻的阈值以及无穷大、和无穷小组成区间，即(-∞，δ1)、...(δi，δi+1)、...(δn，+∞)；
S224：计算的值，并将其归入区间内，即可得到基于物品的用户分类。
8.根据权利要求1所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述S4步骤中，推送方法包括基于客户的推送方法和基于物品的推送方法。
9.根据权利要求8所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述基于客户的推送方法包括以下步骤：
S41A：首先根据高消费、中消费和低消费客群选择对应的不同的推送频次，并且推送频次由高消费、中消费个低消费依次递减；
S42A：将待推送的商品信息，编辑推送内容，按照对应的频次分别推送至三个不同的客群。
10.根据权利要求8所述的一种基于客群大数据分析的销售信息推送方法，其特征在于，所述基于物品的推送方法包括以下步骤：
S41B：将待推送的商品信息，编辑推送内容；
S42B：根据每种类型商品的总价与交易物品总价的比值区间，确定每个区间的推送频次；
S43B：确定待推送商品的商品类型，并按照确定的推送频次将其推送至该类型下匹配的客户群内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310743693.2A CN116739713A (zh) | 2023-06-23 | 2023-06-23 | 一种基于客群大数据分析的销售信息推送方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310743693.2A CN116739713A (zh) | 2023-06-23 | 2023-06-23 | 一种基于客群大数据分析的销售信息推送方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116739713A true CN116739713A (zh) | 2023-09-12 |
Family
ID=87918256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310743693.2A Pending CN116739713A (zh) | 2023-06-23 | 2023-06-23 | 一种基于客群大数据分析的销售信息推送方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739713A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151747A (zh) * | 2023-10-31 | 2023-12-01 | 天津市品茗科技有限公司 | 一种服务消费机器人智能推荐方法及系统 |
-
2023
- 2023-06-23 CN CN202310743693.2A patent/CN116739713A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151747A (zh) * | 2023-10-31 | 2023-12-01 | 天津市品茗科技有限公司 | 一种服务消费机器人智能推荐方法及系统 |
| CN117151747B (zh) * | 2023-10-31 | 2024-01-30 | 天津市品茗科技有限公司 | 一种服务消费机器人智能推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8364516B2 (en) | Methods and apparatus to determine the effects of trade promotions on subsequent sales | |
| Arnold et al. | Determinant attributes in retail patronage: seasonal, temporal, regional, and international comparisons | |
| JP4360759B2 (ja) | 相関分析を用いて広告の販売効果を調査する方法およびシステム | |
| US7577579B2 (en) | Method of predicting sales based on triple-axis mapping of customer value | |
| US7805316B2 (en) | Method for assigning retail units to economic markets | |
| Pare et al. | The persistence of excess brand loyalty over multiple years | |
| CN116739713A (zh) | 一种基于客群大数据分析的销售信息推送方法 | |
| US20120330807A1 (en) | Systems and methods for consumer price index determination using panel-based and point-of-sale market research data | |
| CN108292409A (zh) | 消费者决策树生成系统 | |
| Martin et al. | Fundamental basket size patterns and their relation to retailer performance | |
| CN111414542A (zh) | 一种房地产客户群识别和营销的方法 | |
| Baron et al. | The challenges of scanner data | |
| Richards | Sales by multi‐product retailers | |
| CN112348430B (zh) | 一种用户数据分析方法、计算机设备及存储介质 | |
| Hsu et al. | Optimal delivery service strategy for Internet shopping with time-dependent consumer demand | |
| Mai et al. | A structural equation model of customer satisfaction and future purchase of mail-order speciality food | |
| CN110599281A (zh) | 一种确定目标店铺的方法和装置 | |
| Finke et al. | Do the urban poor pay more for food? Issues in measurement | |
| CN110020918B (zh) | 一种推荐信息生成方法和系统 | |
| CN116452299A (zh) | 一种电商智能化推荐系统及方法 | |
| CN115330476A (zh) | 一种基于大数据的跨境零售进口商品智能推荐系统 | |
| CN114282964A (zh) | 一种基于用户偏好过滤推荐商品的方法 | |
| Hirogaki | Key factors in successful online grocery retailing: Empirical evidence from Tokyo, Japan | |
| WO2021065290A1 (ja) | 店舗支援システム、学習装置、店舗支援方法、学習済みモデルの生成方法及びプログラム | |
| CN111191713A (zh) | 基于发票数据的用户画像方法及装置 |
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 |