CN116777500B - 一种线上线下商品销售数据采集处理分析方法 - Google Patents
一种线上线下商品销售数据采集处理分析方法 Download PDFInfo
- Publication number
- CN116777500B CN116777500B CN202310812245.3A CN202310812245A CN116777500B CN 116777500 B CN116777500 B CN 116777500B CN 202310812245 A CN202310812245 A CN 202310812245A CN 116777500 B CN116777500 B CN 116777500B
- Authority
- CN
- China
- Prior art keywords
- commodity
- target
- time period
- target shop
- shop
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 238000003672 processing method Methods 0.000 title abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 description 9
- 238000007792 addition Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及线下线上商品销售技术领域,具体公开一种线上线下商品销售数据采集处理分析方法,该方法包括:S1、目标商铺区域获取、S2、目标商铺线上数据获取、S3、目标商铺线上数据分析、S4、目标商铺线下数据获取、S5、目标商铺线下数据分析、S6、人均活跃度分析和S7、调配终端,本发明提高了对线上线下这种双边销售数据的利用率,便于商铺运营商对其运营规律的了解,本发明弥补了现有技术中对商铺内部商品功能区域的受众群体的购买能力的分析力度不够深入的缺陷,进而保障了商铺内部商品功能区域的活跃度分析的精准性,本发明在调配终端中对商铺所属商品功能区域进行调配,有效提高了商铺运营商的管理效率。
Description
技术领域
本发明涉及线下线上商品销售技术领域,具体而言,涉及一种线上线下商品销售数据采集处理分析方法。
背景技术
随着互联网技术的发展,商品销售行业的销售模式也随着发生了变更,从单一的线下门店或者线上店铺的销售模式逐渐演变成线上线下双边销售模式,线上线下结合的商品销售被广泛应用于餐饮行业、商业超市行业和旅游业等,在众多的应用行业中,商业超市的线上线下的联系甚为紧密,在这种销售模式下衍生的销售数据也越来越多,为了保障商业超市中商品的销售效益,需要对其销售数据进行统计和分析。
现有技术中对商业超市的销售数据的分析在一定程度上可以满意当前要求,但是还存在一定的缺陷,其具体体现在以下几个方面:(1)现有技术中对商铺销售数据进行统计与分析的方式属于较为常规的分析方式,且对线上线下结合分析的关注度不高,存在一定的局限性,对线上线下这种双边销售数据的利用率不高,不便于商铺运营商对其运营规律的了解,从而无法保障商铺商品销售的管理效果。
(2)现有技术中通常对商铺的销售量和销售金额进行分析,对商铺内部商品功能区域的受众群体的购买能力的分析力度不够深入,进而难以保障商铺内部商品功能区域的活跃度的分析不够精准,从而降低了其数据分析的价值性,不便于后续对商铺内部商品功能区域的人员调配。
(3)现有技术中大多依据商铺销售数据的分析结果对商铺的库存管理和商铺的增添缩减进行管理,对商铺内部人员的调配的利用率不高,商铺内部人员的合理调配为商铺降低了一定的人工成本,且商铺内部人员的流动在一定程度上可以提高商铺内部人员对商铺内部事物的熟悉度,方便后续商铺运营商的管理,现有技术对这一层面的忽视,降低了商铺运营商的效益,进而影响商铺运营商的管理效率。
发明内容
为了克服背景技术中的缺点,本发明实施例提供了一种线上线下商品销售数据采集处理分析方法,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现:一种线上线下商品销售数据采集处理分析方法,包括:S1、目标商铺区域获取:按照商品属性对目标商铺进行划分,进而得到目标商铺对应的各商品功能区域。
S2、目标商铺线上数据获取:从目标商铺对应的各投放平台中获取目标商铺当日在各投放平台对应的线上销售数据。
S3、目标商铺线上数据分析:基于目标商铺当日在各投放平台对应的线上销售数据分析目标商铺在各时间段对应各商品功能区域的线上销售活跃度。
S4、目标商铺线下数据获取:对目标商铺所属各商品功能区域进行检测,进而获取目标商铺当日在各时间段所属各商品功能区域对应的人流量,并获取目标商铺当日对应的线下数据。
S5、目标商铺线下数据分析:基于目标商铺当日对应的线下数据分析目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度。
S6、人均活跃度分析:分析目标商铺在各时间段所属各商品功能区域对应的综合销售活跃度,从目标商铺运行后台获取目标商铺所属各商品功能区域对应的工作人员信息,其中工作人员信息包括各工作人员及其对应的身高,并据此分析目标商铺在各时间段所属各商品功能区域对应的人均负责活跃度。
S7、调配终端:对目标商铺在次日对应各时间段所属各商品功能区域进行调配。
进一步地,所述线上销售数据包括各时间段对应各订单所属的各商品及其对应的出售价格和购买数量。
进一步地,所述线下数据包括各检测时间段对应的各订单所属的各商品及其对应的出售价格和购买数量。
进一步地,所述目标商铺在各时间段对应各商品功能区域的线上销售活跃度,其具体分析方法为:从目标商铺当日在各投放平台对应的线上销售数据中提取目标商铺在各投放平台所属各时间段对应各订单所属的各商品及其对应的出售价格和购买数量,进而分析目标商铺在各时间段对应各商品功能区域所属的各订单及其对应的各商品。
依据目标商铺当日在各投放平台对应的线上销售数据分析目标商铺在各时间段对应各商品功能区域的订单数量层面活跃度η1i,p、商品金额层面活跃度η2i,p和商品数量层面活跃度η3i,p,其中i表示为各时间段的编号,i=1,2,...,n,p表示为各商品功能区域的编号,p=1,2,...,q。
分析目标商铺在各时间段对应各商品功能区域的线上销售活跃度λ1、λ2、λ3分别表示为预设的订单数量层面活跃度、商品金额层面活跃度、商品数量层面活跃度对应的影响权重因子。
进一步地,所述目标商铺在各时间段对应各商品功能区域的订单数量层面活跃度η1i,p和商品数量层面活跃度η3i,p,其具体分析方法为:依据目标商铺在各时间段对应各商品功能区域所属的各订单统计目标商铺在各时间段对应各商品功能区域的订单总数量Ii,p。
分析目标商铺所属各商品功能区域对应的各其他商品功能区域,并获取目标商铺在各时间段对应各商品功能区域所属各其他商品功能区域的订单总数量其中p′表示为各其他商品功能区域的编号,p′=1′,2′,...,q′。
分析目标商铺在各时间段对应各商品功能区域与各其他商品功能区域的订单数量占比
将目标商铺在各时间段对应各商品功能区域与各其他商品功能区域的订单数量占比大于或等于预定义的订单数量占比所属的所有其他商品功能区域标记为各目标商品功能区域,并统计其对应的数量DLi,p;
统计目标商铺在各时间段对应各商品功能区域所属其他商品功能区域的数量DL′i,p,分析目标商铺对应各商品功能区域在各时间段对应的订单数量层面活跃度其中q、q′分别为商品功能区域的数量和其他商品功能区域的数量。
同分析目标商铺对应各商品功能区域在各时间段对应的订单数量层面活跃度的分析方法一致分析目标商铺对应各商品功能区域在各时间段对应的商品数量层面活跃度η3i,p。
进一步地,所述目标商铺在各时间段对应各商品功能区域的商品金额层面活跃度η2i,p,其具体分析方法为:将目标商铺在各时间段对应各商品功能区域所属的各订单对应各商品的出售价格和购买数量进行相乘,进而得到目标商铺在各时间段对应各商品功能区域所属各订单对应各商品的实际销售总金额m表示为各订单的编号,m=1,2,...,l,j表示为各商品的编号,j=1,2,...,k,并从中提取目标商铺在各时间段对应各商品功能区域所属各订单对应的最多销售总金额/>和最少销售总金额/>
分析目标商铺在各时间段对应各商品功能区域对应的购买能力评估指数
,其中Je′p为预定义的目标商铺所属第p个商品功能区域对应的参考销售总金额,Ja′为预定义的最多销售总金额与最少销售总金额对应的允许误差,Ju′为云数据库中存储的单位销售总金额对应的购买能力评估因子。
统计目标商铺在各时间段对应各商品功能区域的实际销售总金额βi,p,进而综合分析目标商铺在各时间段对应各商品功能区域的商品金额层面活跃度
进一步地,所述目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度,其具体分析方法为:依据目标商铺当日对应的线下数据,并同目标商铺在各时间段对应各商品功能区域的线上销售活跃度的分析方法一致,进而分析目标商铺在各检测时间段所属各商品功能区域对应的一级线下销售活跃度其中h表示为各检测时间段的编号,h=1,2,...,g。
依据目标商铺在各检测时间段所属各商品功能区域对应的一级线下销售活跃度分析目标商铺在各时间段所属各商品功能区域对应的一级线下销售活跃度
依据目标商铺当日在各时间段所属各商品功能区域对应的人流量RLi,p分析目标商铺在各检测时间段所属各商品功能区域对应的二级线下销售活跃度
综合分析目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度其中χ1、χ2分别表示为预定义的一级线下销售活跃度、二级线下销售活跃度对应的占比因子。
进一步地,所述目标商铺在各时间段所属各商品功能区域对应的综合销售活跃度,其具体计算公式为:其中e为自然常数,δ1、δ2分别表示为预定义的线上销售活跃度、线下销售活跃度对应的权值因子。
进一步地,所述对目标商铺在次日对应各时间段所属各商品功能区域进行调配,其具体调配方法为:将目标商铺在各时间段所属各商品功能区域对应的人均负责活跃度与预定义的人均负责活跃度阈值进行对比,若目标商铺在某时间段所属某商品功能区域对应的人均负责活跃度大于人均负责活跃度,则判定目标商铺在该时间段所属该商品功能区域进行增添调配,并分析目标商铺在该时间段所属该商品功能区域对应的增添工作工作人员数量和增添辅助设备数量。
基于目标商铺在该时间段所属该商品功能区域对应的增添工作人员数量和增添辅助设备数量进行调配。
反之,则判定目标商铺在该时间段所属该商品功能区域进行缩减调配,并分析目标商铺在该时间段所属该商品功能区域对应的缩减工作工作人员数量和缩减辅助设备数量。
基于目标商铺在该时间段所属该商品功能区域对应的缩减工作人员数量和缩减辅助设备数量进行调配。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:(1)本发明在目标商铺区域获取中获取目标商铺对应的商品功能区域,进而确保对商品功能区域的针对性分析,为后续目标商铺线上线下数据的分析奠定了一定的基础。
(2)本发明在目标商铺线上数据获取中获取目标商铺在各投放平台上对应的线上销售,避免线上数据来源的局限性和单一性,提高了分析结果的可靠性。
(3)本发明在目标商铺线上数据分析中通过销售量、销售金额和受众群体的购买力对目标商铺所属商品功能区域的线上销售活跃度进行分析,弥补了现有技术中对商铺内部商品功能区域的受众群体的购买能力的分析力度不够深入的缺陷,进而保障了商铺内部商品功能区域的活跃度分析的精准性,从而提高了其数据分析的价值性,为后续对商铺内部商品功能区域的人员调配奠定了基础。
(4)本发明在目标商铺线下数据分析中对目标商铺所属商品功能区域的线下销售活跃度进行分析,克服了现有技术中对线上线下结合分析关注度不高的困难,进而提高了对线上线下这种双边销售数据的利用率,便于商铺运营商对其运营规律的了解,从而保障商铺商品销售的管理效果。
(5)本发明在人均活跃度分析中对目标商铺所属商品功能区域的工作人员人均负责活跃度进行分析,进而为后续商铺内部商品功能区域的人员调配提供了强有力的数据支持。
(6)本发明在调配终端中对商铺所属商品功能区域进行调配,弥补了现有技术中对商铺内部人员的调配利用率不高的缺陷,进而在一定程度上提高了商铺运营商的效益,从而有效提高了商铺运营商的管理效率。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的方法流程图。
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。
参照图1所示,本发明提供一种线上线下商品销售数据采集处理分析方法,包括:S1、目标商铺区域获取:按照商品属性对目标商铺进行划分,进而得到目标商铺对应的各商品功能区域。
需要说明的是,商品功能区域,其具体为生鲜区域、零食区域和酒水区域等。
本发明在目标商铺区域获取中获取目标商铺对应的商品功能区域,进而确保对商品功能区域的针对性分析,为后续目标商铺线上线下数据的分析奠定了一定的基础。
S2、目标商铺线上数据获取:从目标商铺对应的各投放平台中获取目标商铺当日在各投放平台对应的线上销售数据。
在本发明的具体实施例中,所述线上销售数据包括各时间段对应各订单所属的各商品及其对应的出售价格和购买数量。
本发明在目标商铺线上数据获取中获取目标商铺在各投放平台上对应的线上销售,避免线上数据来源的局限性和单一性,提高了分析结果的可靠性。
S3、目标商铺线上数据分析:基于目标商铺当日在各投放平台对应的线上销售数据分析目标商铺在各时间段对应各商品功能区域的线上销售活跃度。
在本发明的具体实施例中,所述目标商铺在各时间段对应各商品功能区域的线上销售活跃度,其具体分析方法为:从目标商铺当日在各投放平台对应的线上销售数据中提取目标商铺在各投放平台所属各时间段对应各订单所属的各商品及其对应的出售价格和购买数量,进而分析目标商铺在各时间段对应各商品功能区域所属的各订单及其对应的各商品。
需要说明的是,目标商铺在各时间段对应各商品功能区域所属的各订单及其对应的各商品,其具体分析方法为:将目标商铺在各投放平台所属各时间段对应各订单所属的各商品进行汇总,进而得到目标商铺在各时间段对应各订单所属的各商品。
从云数据库中提取目标商铺所属各商品对应的商品功能区域,进而筛选目标商铺在各时间段对应各订单所属各商品对应的商品功能区域,进而统计目标商铺在各时间段对应各商品功能区域所属的各订单及其对应的各商品。
依据目标商铺当日在各投放平台对应的线上销售数据分析目标商铺在各时间段对应各商品功能区域的订单数量层面活跃度η1i,p、商品金额层面活跃度η2i,p和商品数量层面活跃度η3i,p,其中i表示为各时间段的编号,i=1,2,...,n,p表示为各商品功能区域的编号,p=1,2,...,q。
分析目标商铺在各时间段对应各商品功能区域的线上销售活跃度λ1、λ2、λ3分别表示为预设的订单数量层面活跃度、商品金额层面活跃度、商品数量层面活跃度对应的影响权重因子。
在本发明的具体实施例中,所述目标商铺在各时间段对应各商品功能区域的订单数量层面活跃度η1i,p和商品数量层面活跃度η3i,p,其具体分析方法为:
依据目标商铺在各时间段对应各商品功能区域所属的各订单统计目标商铺在各时间段对应各商品功能区域的订单总数量Ii,p。
分析目标商铺所属各商品功能区域对应的各其他商品功能区域,并获取目标商铺在各时间段对应各商品功能区域所属各其他商品功能区域的订单总数量其中p′表示为各其他商品功能区域的编号,p′=1′,2′,...,q′。
需要说明的是,分析目标商铺所属各商品功能区域对应的各其他商品功能区域,其具体方法为:获取目标商铺对应的某商品功能区域,进而获取目标商铺除该商品功能区域之外的所有商品功能区域,并将其标记为各其他商品功能区域,进而得到目标商铺所属各商品功能区域对应的各其他商品功能区域。
分析目标商铺在各时间段对应各商品功能区域与各其他商品功能区域的订单数量占比
将目标商铺在各时间段对应各商品功能区域与各其他商品功能区域的订单数量占比大于或等于预定义的订单数量占比所属的所有其他商品功能区域标记为各目标商品功能区域,并统计其对应的数量DLi,p;
统计目标商铺在各时间段对应各商品功能区域所属其他商品功能区域的数量DL′i,p,分析目标商铺对应各商品功能区域在各时间段对应的订单数量层面活跃度其中q、q′分别为商品功能区域的数量和其他商品功能区域的数量。
同分析目标商铺对应各商品功能区域在各时间段对应的订单数量层面活跃度的分析方法一致分析目标商铺对应各商品功能区域在各时间段对应的商品数量层面活跃度η3i,p。
在本发明的具体实施例中,所述目标商铺在各时间段对应各商品功能区域的商品金额层面活跃度η2i,p,其具体分析方法为:将目标商铺在各时间段对应各商品功能区域所属的各订单对应各商品的出售价格和购买数量进行相乘,进而得到目标商铺在各时间段对应各商品功能区域所属各订单对应各商品的实际销售总金额m表示为各订单的编号,m=1,2,...,l,j表示为各商品的编号,j=1,2,...,k,并从中提取目标商铺在各时间段对应各商品功能区域所属各订单对应的最多销售总金额/>和最少销售总金额/>
分析目标商铺在各时间段对应各商品功能区域对应的购买能力评估指数
,其中Je′p为预定义的目标商铺所属第p个商品功能区域对应的参考销售总金额,Ja′为预定义的最多销售总金额与最少销售总金额对应的允许误差,Ju′为云数据库中存储的单位销售总金额对应的购买能力评估因子。
需要说明的是,预定义的目标商铺所属各商品功能区域对应的参考销售总金额,其具体方法为:获取目标商铺所属各商品功能区域在设定历史周期对应的总销售金额,进而将其除以设定历史周期对应的时长,得到目标商铺所属各商品功能区域对应的单位时长总销售金额,并获取目标商铺对应时间段的时长,进而将目标商铺对应时间段的时长与目标商铺所属各商品功能区域对应的单位时长总销售金额相乘,得到目标商铺所属各商品功能区域对应的参考销售总金额。
统计目标商铺在各时间段对应各商品功能区域的实际销售总金额βi,p,进而综合分析目标商铺在各时间段对应各商品功能区域的商品金额层面活跃度
本发明在目标商铺线上数据分析中通过销售量、销售金额和受众群体的购买力对目标商铺所属商品功能区域的线上销售活跃度进行分析,弥补了现有技术中对商铺内部商品功能区域的受众群体的购买能力的分析力度不够深入的缺陷,进而保障了商铺内部商品功能区域的活跃度分析的精准性,从而提高了其数据分析的价值性,为后续对商铺内部商品功能区域的人员调配奠定了基础。
S4、目标商铺线下数据获取:对目标商铺所属各商品功能区域进行检测,进而获取目标商铺当日在各时间段所属各商品功能区域对应的人流量,并获取目标商铺当日对应的线下数据。
在本发明的具体实施例中,所述线下数据包括各检测时间段对应的各订单所属的各商品及其对应的出售价格和购买数量。
在一个具体实施例中,所述获取目标商铺当日对应的线下数据,其具体方法为:基于自助收银获取目标商铺当日在各检测时间段对应各订单所属各商品的出售价格和购买数量。
在又一个具体实施例中,所述获取目标商铺当日对应的线下数据,其具体方法为:基于手动收银获取目标商铺当日在各检测时间段对应各订单所属各商品的出售价格和购买数量。
S5、目标商铺线下数据分析:基于目标商铺当日对应的线下数据分析目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度。
在本发明的具体实施例中,所述目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度,其具体分析方法为:依据目标商铺当日对应的线下数据,并同目标商铺在各时间段对应各商品功能区域的线上销售活跃度的分析方法一致,进而分析目标商铺在各检测时间段所属各商品功能区域对应的一级线下销售活跃度其中h表示为各检测时间段的编号,h=1,2,...,g。
依据目标商铺在各检测时间段所属各商品功能区域对应的一级线下销售活跃度分析目标商铺在各时间段所属各商品功能区域对应的一级线下销售活跃度
需要说明的是,所述目标商铺在各时间段所属各商品功能区域对应的一级线下销售活跃度,其具体分析方法为:获取目标商铺对应各检测时间段的时间区间,进而将时间区间对应中间位置的时间点作为参考时间点,从而得到目标商铺对应各检测时间段的参考时间点。
将目标商铺对应各检测时间段的参考时间点减去云数据库中存储的目标商铺对应的人均购物时长,进而得到目标商铺对应各检测时间段的顾客实际购物时间点。
获取目标商铺对应各时间段的时间区间,并将目标商铺对应各检测时间段的顾客实际购物时间点与各时间段的时间区间进行对比,若目标商铺对应某检测时间段的顾客实际购物时间点处于某时间段的时间区间之间,则将目标商铺对应该检测时间段所属各商品功能区域的一级线下销售活跃度作为对应时间段所属各商品功能区域的一级线下销售活跃度,从而得到目标商铺在各时间段所属各商品功能区域对应的一级线下销售活跃度
依据目标商铺当日在各时间段所属各商品功能区域对应的人流量RLi,p分析目标商铺在各检测时间段所属各商品功能区域对应的二级线下销售活跃度
综合分析目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度其中χ1、χ2分别表示为预定义的一级线下销售活跃度、二级线下销售活跃度对应的占比因子。
本发明在目标商铺线下数据分析中对目标商铺所属商品功能区域的线下销售活跃度进行分析,克服了现有技术中对线上线下结合分析关注度不高的困难,进而提高了对线上线下这种双边销售数据的利用率,便于商铺运营商对其运营规律的了解,从而保障商铺商品销售的管理效果。
S6、人均活跃度分析:分析目标商铺在各时间段所属各商品功能区域对应的综合销售活跃度,从目标商铺运行后台获取目标商铺所属各商品功能区域对应的工作人员信息,其中工作人员信息包括各工作人员及其对应的身高,并据此分析目标商铺在各时间段所属各商品功能区域对应的人均负责活跃度。
在本发明的具体实施例中,所述目标商铺在各时间段所属各商品功能区域对应的综合销售活跃度,其具体计算公式为:其中e为自然常数,δ1、δ2分别表示为预定义的线上销售活跃度、线下销售活跃度对应的权值因子。
需要说明的是,分析目标商铺在各时间段所属各商品功能区域对应的人均销售活跃度,其具体方法为:统计目标商铺所属各商品功能区域对应的工作人员数量,进而将目标商铺在各时间段所属各商品功能区域的综合销售活跃度除以对应的工作人员数量,从而得到目标商铺在各时间段所属各商品功能区域对应的人均负责活跃度。
本发明在人均活跃度分析中对目标商铺所属商品功能区域的工作人员人均负责活跃度进行分析,进而为后续商铺内部商品功能区域的人员调配提供了强有力的数据支持。
S7、调配终端:对目标商铺在次日对应各时间段所属各商品功能区域进行调配。
在本发明的具体实施例中,所述对目标商铺在次日对应各时间段所属各商品功能区域进行调配,其具体调配方法为:将目标商铺在各时间段所属各商品功能区域对应的人均负责活跃度与预定义的人均负责活跃度阈值进行对比,若目标商铺在某时间段所属某商品功能区域对应的人均负责活跃度大于人均负责活跃度,则判定目标商铺在该时间段所属该商品功能区域进行增添调配,并分析目标商铺在该时间段所属该商品功能区域对应的增添工作工作人员数量和增添辅助设备数量。
需要说明的是,分析目标商铺在该时间段所属该商品功能区域对应的增添工作工作人员数量和增添辅助设备数量,其具体方法为:将目标商铺在该时间段所属该商品功能区域对应的人均负责活跃度减去人均负责活跃度阈值,进而得到增添活跃度,并将其与云数据库中存储的各增加工作人员数量对应的增添活跃度区间进行对比,筛选目标商铺在该时间段所属该商品功能区域对应的增添工作人员数量,并结合云数据库中存储的增添辅助设备数量对应的增添工作人员数量范围,筛选目标商铺在该时间段所属该商品功能区域对应的增添辅助设备数量。
基于目标商铺在该时间段所属该商品功能区域对应的增添工作人员数量和增添辅助设备数量进行调配。
反之,则判定目标商铺在该时间段所属该商品功能区域进行缩减调配,并分析目标商铺在该时间段所属该商品功能区域对应的缩减工作工作人员数量和缩减辅助设备数量。
需要说明的是,分析目标商铺在该时间段所属该商品功能区域对应的缩减工作工作人员数量和缩减辅助设备数量,其具体方法为:将人均负责活跃度阈值减去目标商铺人均负责活跃度目标商铺在该时间段所属该商品功能区域对应的人均负责活跃度,进而得到缩减活跃度,并结合云数据库中存储的各缩减工作人员数量对应的缩减活跃度区间,筛选目标商铺在该时间段所属该商品功能区域对应的缩减工作人员数量。
将目标商铺在该时间段所属该商品功能区域对应的工作人员按照缩减工作人员数量进行随机缩减,进而得到缩减后的目标商铺在该时间段所属该商品功能区域对应的所有工作人员。
获取目标商铺在该时间段所属该商品功能区域对应所有工作人员的身高,并将其进行均值处理,进而得到工作人员的身高均值,结合云数据库中存储的各辅助设备数量对应的身高均值区间筛选目标商铺在该时间段所属该商品功能区域对应的辅助设备数量。
获取目标商铺在该时间段所属该商品功能区域对应的实际辅助设备数量,将其减去对应的辅助设备数量,进而得到目标商铺在该时间段所属该商品功能区域对应的缩减辅助设备数量。
基于目标商铺在该时间段所属该商品功能区域对应的缩减工作人员数量和缩减辅助设备数量进行调配。
本发明在调配终端中对商铺所属商品功能区域进行调配,弥补了现有技术中对商铺内部人员的调配利用率不高的缺陷,进而在一定程度上提高了商铺运营商的效益,从而有效提高了商铺运营商的管理效率。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.一种线上线下商品销售数据采集处理分析方法,其特征在于,包括:
S1、目标商铺区域获取:按照商品属性对目标商铺进行划分,进而得到目标商铺对应的各商品功能区域;
S2、目标商铺线上数据获取:从目标商铺对应的各投放平台中获取目标商铺当日在各投放平台对应的线上销售数据;
S3、目标商铺线上数据分析:基于目标商铺当日在各投放平台对应的线上销售数据分析目标商铺在各时间段对应各商品功能区域的线上销售活跃度;
所述目标商铺在各时间段对应各商品功能区域的线上销售活跃度,其具体分析方法为:
从目标商铺当日在各投放平台对应的线上销售数据中提取目标商铺在各投放平台所属各时间段对应各订单所属的各商品及其对应的出售价格和购买数量,进而分析目标商铺在各时间段对应各商品功能区域所属的各订单及其对应的各商品;
依据目标商铺当日在各投放平台对应的线上销售数据分析目标商铺在各时间段对应各商品功能区域的订单数量层面活跃度、商品金额层面活跃度/>和商品数量层面活跃度/>,其中/>表示为各时间段的编号,/>,/>表示为各商品功能区域的编号,;
分析目标商铺在各时间段对应各商品功能区域的线上销售活跃度,/>、/>、/>分别表示为预设的订单数量层面活跃度、商品金额层面活跃度、商品数量层面活跃度对应的影响权重因子;
所述目标商铺在各时间段对应各商品功能区域的订单数量层面活跃度和商品数量层面活跃度/>,其具体分析方法为:
依据目标商铺在各时间段对应各商品功能区域所属的各订单统计目标商铺在各时间段对应各商品功能区域的订单总数量;
分析目标商铺所属各商品功能区域对应的各其他商品功能区域,并获取目标商铺在各时间段对应各商品功能区域所属各其他商品功能区域的订单总数量,其中/>表示为各其他商品功能区域的编号,/>;
分析目标商铺在各时间段对应各商品功能区域与各其他商品功能区域的订单数量占比;
将目标商铺在各时间段对应各商品功能区域与各其他商品功能区域的订单数量占比大于或等于预定义的订单数量占比所属的所有其他商品功能区域标记为各目标商品功能区域,并统计其对应的数量;
统计目标商铺在各时间段对应各商品功能区域所属其他商品功能区域的数量,分析目标商铺对应各商品功能区域在各时间段对应的订单数量层面活跃度,其中/>、/>分别为商品功能区域的数量和其他商品功能区域的数量;
同分析目标商铺对应各商品功能区域在各时间段对应的订单数量层面活跃度的分析方法一致分析目标商铺对应各商品功能区域在各时间段对应的商品数量层面活跃度;
所述目标商铺在各时间段对应各商品功能区域的商品金额层面活跃度,其具体分析方法为:
将目标商铺在各时间段对应各商品功能区域所属的各订单对应各商品的出售价格和购买数量进行相乘,进而得到目标商铺在各时间段对应各商品功能区域所属各订单对应各商品的实际销售总金额,/>表示为各订单的编号,/>,/>表示为各商品的编号,,并从中提取目标商铺在各时间段对应各商品功能区域所属各订单对应的最多销售总金额/>和最少销售总金额/>;
分析目标商铺在各时间段对应各商品功能区域对应的购买能力评估指数,其中/>为预定义的目标商铺所属第/>个商品功能区域对应的参考销售总金额,/>为预定义的最多销售总金额与最少销售总金额对应的允许误差,/>为云数据库中存储的单位销售总金额对应的购买能力评估因子;
统计目标商铺在各时间段对应各商品功能区域的实际销售总金额,进而综合分析目标商铺在各时间段对应各商品功能区域的商品金额层面活跃度/>;
S4、目标商铺线下数据获取:对目标商铺所属各商品功能区域进行检测,进而获取目标商铺当日在各时间段所属各商品功能区域对应的人流量,并获取目标商铺当日对应的线下数据;
S5、目标商铺线下数据分析:基于目标商铺当日对应的线下数据分析目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度;
S6、人均活跃度分析:分析目标商铺在各时间段所属各商品功能区域对应的综合销售活跃度,从目标商铺运行后台获取目标商铺所属各商品功能区域对应的工作人员信息,其中工作人员信息包括各工作人员及其对应的身高,并据此分析目标商铺在各时间段所属各商品功能区域对应的人均负责活跃度;
S7、调配终端:对目标商铺在次日对应各时间段所属各商品功能区域进行调配。
2.根据权利要求1所述的一种线上线下商品销售数据采集处理分析方法,其特征在于:所述线上销售数据包括各时间段对应各订单所属的各商品及其对应的出售价格和购买数量。
3.根据权利要求2所述的一种线上线下商品销售数据采集处理分析方法,其特征在于:所述线下数据包括各检测时间段对应的各订单所属的各商品及其对应的出售价格和购买数量。
4.根据权利要求1所述的一种线上线下商品销售数据采集处理分析方法,其特征在于:所述目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度,其具体分析方法为:
依据目标商铺当日对应的线下数据,并同目标商铺在各时间段对应各商品功能区域的线上销售活跃度的分析方法一致,进而分析目标商铺在各检测时间段所属各商品功能区域对应的一级线下销售活跃度,其中/>表示为各检测时间段的编号,/>;
依据目标商铺在各检测时间段所属各商品功能区域对应的一级线下销售活跃度分析目标商铺在各时间段所属各商品功能区域对应的一级线下销售活跃度;
依据目标商铺当日在各时间段所属各商品功能区域对应的人流量分析目标商铺在各检测时间段所属各商品功能区域对应的二级线下销售活跃度/>;
综合分析目标商铺在各时间段所属各商品功能区域对应的线下销售活跃度,其中/>、/>分别表示为预定义的一级线下销售活跃度、二级线下销售活跃度对应的占比因子。
5.根据权利要求4所述的一种线上线下商品销售数据采集处理分析方法,其特征在于:所述目标商铺在各时间段所属各商品功能区域对应的综合销售活跃度,其具体计算公式为:,其中/>为自然常数,/>、/>分别表示为预定义的线上销售活跃度、线下销售活跃度对应的权值因子。
6.根据权利要求1所述的一种线上线下商品销售数据采集处理分析方法,其特征在于:所述对目标商铺在次日对应各时间段所属各商品功能区域进行调配,其具体调配方法为:
将目标商铺在各时间段所属各商品功能区域对应的人均负责活跃度与预定义的人均负责活跃度阈值进行对比,若目标商铺在某时间段所属某商品功能区域对应的人均负责活跃度大于人均负责活跃度,则判定目标商铺在该时间段所属该商品功能区域进行增添调配,并分析目标商铺在该时间段所属该商品功能区域对应的增添工作工作人员数量和增添辅助设备数量;
基于目标商铺在该时间段所属该商品功能区域对应的增添工作人员数量和增添辅助设备数量进行调配;
反之,则判定目标商铺在该时间段所属该商品功能区域进行缩减调配,并分析目标商铺在该时间段所属该商品功能区域对应的缩减工作工作人员数量和缩减辅助设备数量;
基于目标商铺在该时间段所属该商品功能区域对应的缩减工作人员数量和缩减辅助设备数量进行调配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812245.3A CN116777500B (zh) | 2023-07-04 | 2023-07-04 | 一种线上线下商品销售数据采集处理分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812245.3A CN116777500B (zh) | 2023-07-04 | 2023-07-04 | 一种线上线下商品销售数据采集处理分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777500A CN116777500A (zh) | 2023-09-19 |
CN116777500B true CN116777500B (zh) | 2024-01-30 |
Family
ID=87989384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310812245.3A Active CN116777500B (zh) | 2023-07-04 | 2023-07-04 | 一种线上线下商品销售数据采集处理分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777500B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122982A (zh) * | 2007-09-11 | 2008-02-13 | 腾讯科技(深圳)有限公司 | 一种在电子商务中控制商品销售状况的方法及系统 |
JP2010079489A (ja) * | 2008-09-25 | 2010-04-08 | Yasuhiro Mizoguchi | 無店舗販売支援システム |
KR20130105022A (ko) * | 2012-03-16 | 2013-09-25 | 주식회사 펌퍼스 | 온라인을 이용한 상품 판매방법 |
CN110084683A (zh) * | 2019-04-29 | 2019-08-02 | 河北商之翼互联网科技有限公司 | 一种智能商业处理系统 |
CN112307329A (zh) * | 2020-09-30 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 一种资源推荐方法及装置、设备、存储介质 |
KR20210016748A (ko) * | 2019-08-05 | 2021-02-17 | 카페24 주식회사 | 프로모션 시점 표시 방법, 장치 및 시스템 |
CN114969067A (zh) * | 2022-04-29 | 2022-08-30 | 广州欢聚时代信息科技有限公司 | 商品冗余数据更新方法及其装置、设备、介质 |
CN115689617A (zh) * | 2023-01-04 | 2023-02-03 | 北京北测数字技术有限公司 | 一种基于大数据的零售商品销售数据统计分析系统 |
CN115730958A (zh) * | 2022-12-08 | 2023-03-03 | 深圳美云集网络科技有限责任公司 | 一种具有广告管理功能的电商erp系统 |
-
2023
- 2023-07-04 CN CN202310812245.3A patent/CN116777500B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122982A (zh) * | 2007-09-11 | 2008-02-13 | 腾讯科技(深圳)有限公司 | 一种在电子商务中控制商品销售状况的方法及系统 |
JP2010079489A (ja) * | 2008-09-25 | 2010-04-08 | Yasuhiro Mizoguchi | 無店舗販売支援システム |
KR20130105022A (ko) * | 2012-03-16 | 2013-09-25 | 주식회사 펌퍼스 | 온라인을 이용한 상품 판매방법 |
CN110084683A (zh) * | 2019-04-29 | 2019-08-02 | 河北商之翼互联网科技有限公司 | 一种智能商业处理系统 |
KR20210016748A (ko) * | 2019-08-05 | 2021-02-17 | 카페24 주식회사 | 프로모션 시점 표시 방법, 장치 및 시스템 |
CN112307329A (zh) * | 2020-09-30 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 一种资源推荐方法及装置、设备、存储介质 |
CN114969067A (zh) * | 2022-04-29 | 2022-08-30 | 广州欢聚时代信息科技有限公司 | 商品冗余数据更新方法及其装置、设备、介质 |
CN115730958A (zh) * | 2022-12-08 | 2023-03-03 | 深圳美云集网络科技有限责任公司 | 一种具有广告管理功能的电商erp系统 |
CN115689617A (zh) * | 2023-01-04 | 2023-02-03 | 北京北测数字技术有限公司 | 一种基于大数据的零售商品销售数据统计分析系统 |
Non-Patent Citations (3)
Title |
---|
基于RFM模型的品牌服装会员价格容忍度和忠诚度的关联;刘小红;郑茵妮;;服装学报(04);第372-376页 * |
持续推动线上线下融合 保增长;朱东梅;;现代家电(19);第38-40页 * |
电子商务领域"二选一"行为竞争法规制的困境及出路;袁波;《法学》;第176-191页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777500A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Slater et al. | Competitive strategy in the market-focused business | |
Schmittlein et al. | Truth in Concentration in the Land of (80/20) Laws | |
Seifert et al. | Identifying excesses and deficits in Chinese industrial productivity (1953–1990): a weighted data envelopment analysis approach | |
EP1413967A1 (en) | Sales prediction using client value represented by three index axes as criterion | |
Camanho et al. | Efficiency analysis accounting for internal and external non-discretionary factors | |
WO2002091264A1 (fr) | Systeme d'evaluation de la clientele | |
CN110826886A (zh) | 一种基于聚类算法和主成分分析的电力客户画像构建方法 | |
JP2009169698A (ja) | 販売情報分析装置 | |
CN108171530B (zh) | 一种用于客单价和复购率的提升方法及装置 | |
Rakićević et al. | Focus forecasting in supply chain: the case study of fast moving consumer goods company in Serbia | |
Yang et al. | Forecast UPC-level FMCG demand, Part II: Hierarchical reconciliation | |
CN116777500B (zh) | 一种线上线下商品销售数据采集处理分析方法 | |
CN113919865A (zh) | 一种网络零售额统计方法 | |
JP2002056192A (ja) | 賃料算定手段とキャップレート算定手段を含む不動産投資判断支援システム | |
CN111612339B (zh) | 基于大数据的网销商品情感倾向分析方法 | |
CN112070551A (zh) | 一种基于区域分析的零售网点选址算法 | |
CN114792196A (zh) | 一种电力综合评价方法及装置 | |
CN115081921A (zh) | 一种基于大数据的erp电商管理系统 | |
CN113947438A (zh) | 店铺销售效果预测方法及装置 | |
CN106845686A (zh) | 基于因素评分的烟草销量预测方法 | |
Dai et al. | A clustering-based sales forecast method for big promotion days in O2O on-demand retailing | |
Nivasanon et al. | Demand forecasting for online market stock: Case study cleanroom apparel | |
Markovič et al. | Impact of Coronavirus Pandemic on Changes in e-Consumer Behaviour: Empirical Analysis of Slovak e-Commerce Market 1 | |
Valeeva et al. | Organization and planning of implementation of managerial innovations in the management system of retail | |
Akhmetova et al. | The Calculation Methodology of the Synergistic Effect of Digitalization of Retail Services |
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 |