CN116934531A - 一种基于数据分析的酒类信息智能管理方法及系统 - Google Patents

一种基于数据分析的酒类信息智能管理方法及系统 Download PDF

Info

Publication number
CN116934531A
CN116934531A CN202310940855.1A CN202310940855A CN116934531A CN 116934531 A CN116934531 A CN 116934531A CN 202310940855 A CN202310940855 A CN 202310940855A CN 116934531 A CN116934531 A CN 116934531A
Authority
CN
China
Prior art keywords
wine
information
order information
data
client
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
CN202310940855.1A
Other languages
English (en)
Inventor
罗飞
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.)
Chongqing Antebrew Craft Beer Co ltd
Original Assignee
Chongqing Antebrew Craft Beer 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 Chongqing Antebrew Craft Beer Co ltd filed Critical Chongqing Antebrew Craft Beer Co ltd
Priority to CN202310940855.1A priority Critical patent/CN116934531A/zh
Publication of CN116934531A publication Critical patent/CN116934531A/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q30/0204—Market segmentation
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于数据分析的酒类信息智能管理方法及系统，包括，获取酒类销售数据，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；获取不同类别客户的客户类别特征，生成酒类销售数据的标签数据集；构建营销方案推荐模型，为不同类别客户提供不同的酒类营销服务；通过酒类销售数据提取订单信息，获取不同订单信息的关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。本方法基于客户类别定位制定精准科学的酒品营销方案，有利于为客户提供精细化营销服务，另外，根据订单动态变化进行库位调整，提高酒品仓库的提货效率。

Description

一种基于数据分析的酒类信息智能管理方法及系统
技术领域
本发明涉及信息管理技术领域，更具体的，涉及一种基于数据分析的酒类信息智能管理方法及系统。
背景技术
随着生活水平的提高，酒类市场逐步复苏，酒类企业市场化竞争日趋加剧，营销方式也日益创新，在酒类企业营销过程中酒品的存放及营销管理对资源配置具有重要意义。当前，很多酒类企业酒品的营销管理仍采用传统的人工管理方式，存在着管理方式粗放、营销周转效率低等问题，导致占用大量资金。另外，营销策略的不正确极易造成资源浪费，从而影响了企业的资产利用效率、周转速度和经济效益，增加了企业经营风险。
数字化驱动和智能化运营逐渐在实体消费经济中体现,线下消费的大数据价值也日趋凸显。因此，酒类信息的营销管理也亟需利用机器学习能够对客户的酒类消费行为进行统计、分析；在管理中根据客户的酒类消费行为进行客户分类,从而实现营销内容的个性化推送。另外，基于酒类信息的订单数据、货品的库存数据以及仓库容量数据的分析结果确定订单的特征变化，根据订单特征的变化而自动调整库位分配方案。而在智能管理的过程中如何生成精准科学的营销方案以及并匹配适配性高的库位分配方案是需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了一种基于数据分析的酒类信息智能管理方法及系统。
本发明第一方面提供了一种基于数据分析的酒类信息智能管理方法，包括：
获取酒类销售数据，将所述酒类销售数据进行预处理，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；
根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集；
基于深度学习构建营销方案推荐模型，利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练，为不同类别客户提供不同的酒类营销服务；
通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。
本方案中，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类，具体为：
获取目标地区在预设时间内的酒类销售数据，将所述酒类销售数据进行数据清洗及异常数据剔除，预处理与脱敏后的客户标识进行匹配，根据时序构建酒类销售数据集；
基于所述酒类销售数据集进行低维表示构建无向异构图，在所述无向异构图中提取客户与酒类项目的二部图结构，通过图卷积神经网络对所述二部图结构进行表示学习，更新客户节点表示及酒类项目节点表示；
根据更新后的客户节点表示及酒类项目节点表示进行邻域聚合，获取客户对应的酒类销售特征，根据不同客户的酒类销售特征构建酒类销售特征数据集；
初始化粒子群算法的参数，通过粒子群算法对K-means聚类算法中的聚类个数K进行寻优，获取聚类个数K，在所述酒类销售特征数据集中随机选取K个客户的酒类特征数据点作为聚类中心；
计算酒类销售特征数据集剩余数据到聚类中心的曼哈顿距离，分配至距离最近的聚类中心生成类簇，获取每个类簇的均值作为聚类中心，当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类；
获取聚类结果，根据所述聚类结果获取客户的分类结果。
本方案中，根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集，具体为：
构建堆叠自编码器，通过逐层无监督方式对所述堆叠自编码器进行训练，利用训练样本数据进行编码与重构，获取训练参数作为隐藏层特征进行保存，并输入下一隐藏层中，进行逐层训练；
获取特征重构误差，将所述特征重构误差进行反向传播，对堆叠自编码器的参数信息进行优化，输出符合预设标准的堆叠自编码器；
根据客户的分类结果将酒类销售特征数据集划分为若干子数据集，在所述子数据集中通过堆叠自编码器进行编码学习，获取各子数据集中的客户类别特征；
通过所述客户类别特征生成各子数据集的标签信息，对子数据集对应的特征数据进行标记后生成酒类销售数据的标签数据集。
本方案中，基于深度学习构建营销方案推荐模型，具体为：
基于图卷积神经网络构建营销方案推荐模型提取客户与酒类项目交互的隐性关系，根据客户与酒类项目的二部图结构获取客户隐性关系图及酒类项目隐性关系图，将酒类项目对应的关键词信息作为隐性关系图中节点的辅助特征；
通过图卷积神经网络获取客户节点表示及酒类项目节点表示生成对应的特征向量，将所述特征向量引入图注意力机制，对所述客户隐性关系图及酒类项目隐性关系图进行处理；
通过多头注意力获取不同邻域节点的注意力分数，生成注意力权重向量，获取具有权重的邻域特征信息，生成不同隐性关系图中客户节点嵌入表示及酒类项目节点嵌入表示；
利用客户节点嵌入表示与酒类项目节点嵌入表示进行内积计算生成评分信息，根据所述评分信息获取不同客户的感兴趣酒类项目，生成对应的针对性营销方案。
本方案中，通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，具体为：
根据所述酒类销售数据提取订单信息，将所述订单信息进行预处理及关键词提取，获取订单信息对应的词向量集合，在所述词向量集合中筛选酒类词向量；
获取客户对应订单信息中的酒类词向量的出现频次，根据所述出现频次生成初始权重信息，对无向异构图中对应的酒类项目节点进行设置；
根据所述初始权重信息结合酒类词向量与客户对应的客户类别特征进行相似度对比，若所述相似度小于预设相似度阈值，则对客户进行重新分类；
获取客户对应不同订单信息的时间戳差异及不同订单信息中的重复酒类项目，根据皮尔逊相关系数获取不同订单的关联度；
筛选关联度符合预设标准的订单信息，提取所述订单信息中的酒类项目，对针对性营销方案中酒类项目进行更新，并根据用户的交互反馈获取优化后营销方案。
本方案中，将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案，具体为：
将所述订单信息匹配酒品库存信息，获取不同订单中不同酒类项目的出库时间，筛选关联度符合预设标准的订单信息，提取所述订单信息中的酒类项目，将所述酒类项目进行标记；
提取标记酒类项目出库时间，获取不同标记酒类项目出库时间之间的时间差，获取时间差大于预设时间差阈值的标记酒类项目，生成酒类项目组合；
根据酒类项目组合的酒品库存信息生成库位信息，获取酒类项目组合中出库时间短的酒类项目所在库位，并根据单位出库速度及时间差获取出库时间短的酒类项目所在库位的预设区域；
在所述区域中将酒类项目组合中出库时间长的酒类项目与其他酒类项目的库位进行替换，实现库位信息调整，使得所述时间差小于或等于预设时间差阈值；
并根据订单关联度的动态变化不断更新酒类项目的库位调整方案。
本发明第二方面还提供了一种基于数据分析的酒类信息智能管理系统，该系统包括：存储器、处理器，所述存储器中包括基于数据分析的酒类信息智能管理方法程序，所述基于数据分析的酒类信息智能管理方法程序被所述处理器执行时实现如下步骤：
获取酒类销售数据，将所述酒类销售数据进行预处理，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；
根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集；
基于深度学习构建营销方案推荐模型，利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练，为不同类别客户提供不同的酒类营销服务；
通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。
本发明公开了一种基于数据分析的酒类信息智能管理方法及系统，包括，获取酒类销售数据，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；获取不同类别客户的客户类别特征，生成酒类销售数据的标签数据集；构建营销方案推荐模型，为不同类别客户提供不同的酒类营销服务；通过酒类销售数据提取订单信息，获取不同订单信息的关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。本方法基于客户类别定位制定精准科学的酒品营销方案，有利于为客户提供精细化营销服务，另外，根据订单动态变化进行库位调整，提高酒品仓库的提货效率。
附图说明
图1示出了本发明一种基于数据分析的酒类信息智能管理方法的流程图；
图2示出了本发明构建营销方案推荐模型的流程图；
图3示出了本发明根据订单信息的动态变化生成库位调整方案的流程图；
图4示出了本发明一种基于数据分析的酒类信息智能管理系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于数据分析的酒类信息智能管理方法的流程图。
如图1所示，本发明第一方面提供了一种基于数据分析的酒类信息智能管理方法，包括：
S102，获取酒类销售数据，将所述酒类销售数据进行预处理，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；
S104，根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集；
S106，基于深度学习构建营销方案推荐模型，利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练，为不同类别客户提供不同的酒类营销服务；
S108，通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。
需要说明的是，获取目标地区在预设时间内的酒类销售数据，将所述酒类销售数据进行数据清洗及异常数据剔除，预处理与脱敏后的客户标识进行匹配，根据时序构建酒类销售数据集，时序数据的分析更加注重统计周期内的数据整体变化趋势；基于所述酒类销售数据集进行低维表示构建无向异构图，在所述无向异构图中提取客户与酒类项目交互的二部图结构，通过图卷积神经网络对所述二部图结构进行表示学习，更新客户节点表示及酒类项目节点表示；根据更新后的客户节点表示及酒类项目节点表示进行邻域聚合，获取客户对应的酒类销售特征，根据不同客户的酒类销售特征构建酒类销售特征数据集。
初始化粒子群算法的参数，设定粒子群的规模、粒子最大速度、最大迭代次数、学习因子等参数，随机生成粒子群，通过计算轮廓系数定义粒子适应度函数，据粒子适应度函数计算每个粒子的适应度，更新粒子的最佳适应度，使用每个粒子的当前最佳位置作为初始位置，以找到全局最佳位置，使用粒子自身和全局最优值更新粒子速度和位置，计算更新后粒子的适应度；达到最大迭代次数后通过粒子群算法对K-means聚类算法中的聚类个数K进行寻优，获取聚类个数K。
在所述酒类销售特征数据集中随机选取K个客户的酒类特征数据点作为聚类中心；计算酒类销售特征数据集剩余数据到聚类中心的曼哈顿距离，分配至距离最近的聚类中心生成类簇，获取每个类簇的均值作为聚类中心，选定标准测度函数σc及最大迭代次数Tmax，若或迭代次数大于等于Tmax，则结束聚类，/>分别为第t+1次迭代及第t次迭代的聚类中心；获取聚类结果，根据所述聚类结果获取客户的分类结果。
需要说明的是，基于深度网络结构构建堆叠自编码器，将多个相同结构的自编码器依次连接起来，通过逐层无监督方式对所述堆叠自编码器进行训练，通过历史酒类销售数据获取训练样本数据，利用训练样本数据进行编码与重构，获取训练参数作为隐藏层特征进行保存，并输入下一隐藏层中，进行逐层训练获取最优参数集合；获取特征重构误差，将所述特征重构误差进行反向传播，对堆叠自编码器的参数信息进行优化，最后一个隐藏层之后添加输出层，输出符合预设标准的堆叠自编码器；根据客户的分类结果将酒类销售特征数据集划分为若干子数据集，在所述子数据集中通过堆叠自编码器进行编码学习，获取各子数据集中的客户类别特征；通过所述客户类别特征生成各子数据集的标签信息，对子数据集对应的特征数据进行标记后生成酒类销售数据的标签数据集。
图2示出了本发明构建营销方案推荐模型的流程图。
根据本发明实施例，基于深度学习构建营销方案推荐模型，具体为：
S202，基于图卷积神经网络构建营销方案推荐模型提取客户与酒类项目交互的隐性关系，根据客户与酒类项目的二部图结构获取客户隐性关系图及酒类项目隐性关系图，将酒类项目对应的关键词信息作为隐性关系图中节点的辅助特征；
S204，通过图卷积神经网络获取客户节点表示及酒类项目节点表示生成对应的特征向量，将所述特征向量引入图注意力机制，对所述客户隐性关系图及酒类项目隐性关系图进行处理；
S206，通过多头注意力获取不同邻域节点的注意力分数，生成注意力权重向量，获取具有权重的邻域特征信息，生成不同隐性关系图中客户节点嵌入表示及酒类项目节点嵌入表示；
S208，利用客户节点嵌入表示与酒类项目节点嵌入表示进行内积计算生成评分信息，根据所述评分信息获取不同客户的感兴趣酒类项目，生成对应的针对性营销方案。
需要说明的是，根据客户与酒类项目的二部图结构获取客户隐性关系图及酒类项目隐性关系图，定义隐性关系图GN为GN＝(N,RN)，N为客户或酒类项目重构后的隐性关系图，RN为节点之间的隐性关系，将图卷积神经网络获取特征向量导入隐性关系图进行二次学习表示，并且在图注意力机制中引入多头注意力将节点特征表示映射到不同的空间，每个空间代表着不同种特征的离散分布信息，从不同角度分析节点邻域的重要性，注意力权重向量为其中，/>为注意力权重向量，表示第k层中邻域节点i的重要程度，为第k层中邻域节点i，邻域节点t的向量化表示，D为邻域节点总数。
需要说明的是，根据所述酒类销售数据提取订单信息，将所述订单信息进行预处理及关键词提取，获取订单信息对应的词向量集合，在所述词向量集合中筛选酒类词向量；获取客户对应订单信息中的酒类词向量的出现频次，根据所述出现频次生成初始权重信息，对无向异构图中对应的酒类项目节点进行设置，所述初始权重信息能够一定程度表征用户的偏好特征，对客户类别特征的获取进行优化；根据所述初始权重信息结合酒类词向量与客户对应的客户类别特征进行相似度对比，若所述相似度小于预设相似度阈值，则对客户进行重新分类；获取客户对应不同订单信息的时间戳差异及不同订单信息中的重复酒类项目，根据皮尔逊相关系数获取不同订单的关联度；筛选关联度符合预设标准的订单信息，提取所述订单信息中的酒类项目，对针对性营销方案中酒类项目进行更新，并根据用户的交互反馈获取优化后营销方案。
图3示出了本发明根据订单信息的动态变化生成库位调整方案的流程图。
根据本发明实施例，将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案，具体为：
S302，将所述订单信息匹配酒品库存信息，获取不同订单中不同酒类项目的出库时间，筛选关联度符合预设标准的订单信息，提取所述订单信息中的酒类项目，将所述酒类项目进行标记；
S304，提取标记酒类项目出库时间，获取不同标记酒类项目出库时间之间的时间差，获取时间差大于预设时间差阈值的标记酒类项目，生成酒类项目组合；
S306，根据酒类项目组合的酒品库存信息生成库位信息，获取酒类项目组合中出库时间短的酒类项目所在库位，并根据单位出库速度及时间差获取出库时间短的酒类项目所在库位的预设区域；
S308，在所述区域中将酒类项目组合中出库时间长的酒类项目与其他酒类项目的库位进行替换，实现库位信息调整，使得所述时间差小于或等于预设时间差阈值；
S310，并根据订单关联度的动态变化不断更新酒类项目的库位调整方案。
需要说明的是，构建酒类信息数据库，根据使用场景进行酒类推荐，具体为：
构建酒类信息数据库，获取不同类别酒类项目的文字评价信息及图片评价信息，将所述文字评价信息进行分词获取文字评价信息中的场景关键词，并对图片评价信息进行特征提取获取图像上下文特征，识别场景信息；
基于所述场景关键词及场景信息生成不同的场景标签，对场景标签进行数据统计生成场景优先级，将不同类别的酒类项目及对应的价格标签、场景标签、场景优先级及特征标签存入所述酒类信息数据库；
获取当前客户的用酒场景描述信息及价格需求，根据所述用酒场景描述信息及价格需求生成检索标签，基于检索标签利用标签相似度计算在所述酒类信息数据库中进行检索；
获取标签相似度符合预设标准的酒类项目，根据所述场景优先级进行排序，并单独列出酒类项目独有的特征标签，根据排序结果及特征标签与用酒场景的适配度进行推荐。
所述场景标签包括聚会场景、商务接待场景、宴会场景及休闲场所场景等，所述特征标签包括养生特征、口味特征及原料特征等。
图4示出了本发明一种基于数据分析的酒类信息智能管理系统的框图。
本发明第二方面还提供了一种基于数据分析的酒类信息智能管理系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于数据分析的酒类信息智能管理方法程序，所述基于数据分析的酒类信息智能管理方法程序被所述处理器执行时实现如下步骤：
获取酒类销售数据，将所述酒类销售数据进行预处理，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；
根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集；
基于深度学习构建营销方案推荐模型，利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练，为不同类别客户提供不同的酒类营销服务；
通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于数据分析的酒类信息智能管理方法程序，所述基于数据分析的酒类信息智能管理方法程序被处理器执行时，实现如上述任一项所述的基于数据分析的酒类信息智能管理方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于数据分析的酒类信息智能管理方法，其特征在于，包括以下步骤：
获取酒类销售数据，将所述酒类销售数据进行预处理，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；
根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集；
基于深度学习构建营销方案推荐模型，利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练，为不同类别客户提供不同的酒类营销服务；
通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。
2.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法，其特征在于，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类，具体为：
获取目标地区在预设时间内的酒类销售数据，将所述酒类销售数据进行数据清洗及异常数据剔除，预处理与脱敏后的客户标识进行匹配，根据时序构建酒类销售数据集；
基于所述酒类销售数据集进行低维表示构建无向异构图，在所述无向异构图中提取客户与酒类项目的二部图结构，通过图卷积神经网络对所述二部图结构进行表示学习，更新客户节点表示及酒类项目节点表示；
根据更新后的客户节点表示及酒类项目节点表示进行邻域聚合，获取客户对应的酒类销售特征，根据不同客户的酒类销售特征构建酒类销售特征数据集；
初始化粒子群算法的参数，通过粒子群算法对K-means聚类算法中的聚类个数K进行寻优，获取聚类个数K，在所述酒类销售特征数据集中随机选取K个客户的酒类特征数据点作为聚类中心；
计算酒类销售特征数据集剩余数据到聚类中心的曼哈顿距离，分配至距离最近的聚类中心生成类簇，获取每个类簇的均值作为聚类中心，当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类；
获取聚类结果，根据所述聚类结果获取客户的分类结果。
3.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法，其特征在于，根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集，具体为：
构建堆叠自编码器，通过逐层无监督方式对所述堆叠自编码器进行训练，利用训练样本数据进行编码与重构，获取训练参数作为隐藏层特征进行保存，并输入下一隐藏层中，进行逐层训练；
获取特征重构误差，将所述特征重构误差进行反向传播，对堆叠自编码器的参数信息进行优化，输出符合预设标准的堆叠自编码器；
根据客户的分类结果将酒类销售特征数据集划分为若干子数据集，在所述子数据集中通过堆叠自编码器进行编码学习，获取各子数据集中的客户类别特征；
通过所述客户类别特征生成各子数据集的标签信息，对子数据集对应的特征数据进行标记后生成酒类销售数据的标签数据集。
4.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法，其特征在于，基于深度学习构建营销方案推荐模型，具体为：
基于图卷积神经网络构建营销方案推荐模型提取客户与酒类项目交互的隐性关系，根据客户与酒类项目的二部图结构获取客户隐性关系图及酒类项目隐性关系图，将酒类项目对应的关键词信息作为隐性关系图中节点的辅助特征；
通过图卷积神经网络获取客户节点表示及酒类项目节点表示生成对应的特征向量，将所述特征向量引入图注意力机制，对所述客户隐性关系图及酒类项目隐性关系图进行处理；
通过多头注意力获取不同邻域节点的注意力分数，生成注意力权重向量，获取具有权重的邻域特征信息，生成不同隐性关系图中客户节点嵌入表示及酒类项目节点嵌入表示；
利用客户节点嵌入表示与酒类项目节点嵌入表示进行内积计算生成评分信息，根据所述评分信息获取不同客户的感兴趣酒类项目，生成对应的针对性营销方案。
5.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法，其特征在于，通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，具体为：
根据所述酒类销售数据提取订单信息，将所述订单信息进行预处理及关键词提取，获取订单信息对应的词向量集合，在所述词向量集合中筛选酒类词向量；
获取客户对应订单信息中的酒类词向量的出现频次，根据所述出现频次生成初始权重信息，对无向异构图中对应的酒类项目节点进行设置；
根据所述初始权重信息结合酒类词向量与客户对应的客户类别特征进行相似度对比，若所述相似度小于预设相似度阈值，则对客户进行重新分类；
获取客户对应不同订单信息的时间戳差异及不同订单信息中的重复酒类项目，根据皮尔逊相关系数获取不同订单的关联度；
筛选关联度符合预设标准的订单信息，提取所述订单信息中的酒类项目，对针对性营销方案中酒类项目进行更新，并根据用户的交互反馈获取优化后营销方案。
6.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法，其特征在于，将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案，具体为：
将所述订单信息匹配酒品库存信息，获取不同订单中不同酒类项目的出库时间，筛选关联度符合预设标准的订单信息，提取所述订单信息中的酒类项目，将所述酒类项目进行标记；
提取标记酒类项目出库时间，获取不同标记酒类项目出库时间之间的时间差，获取时间差大于预设时间差阈值的标记酒类项目，生成酒类项目组合；
根据酒类项目组合的酒品库存信息生成库位信息，获取酒类项目组合中出库时间短的酒类项目所在库位，并根据单位出库速度及时间差获取出库时间短的酒类项目所在库位的预设区域；
在所述区域中将酒类项目组合中出库时间长的酒类项目与其他酒类项目的库位进行替换，实现库位信息调整，使得所述时间差小于或等于预设时间差阈值；
并根据订单关联度的动态变化不断更新酒类项目的库位调整方案。
7.一种基于数据分析的酒类信息智能管理系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于数据分析的酒类信息智能管理方法程序，所述基于数据分析的酒类信息智能管理方法程序被所述处理器执行时实现如下步骤：
获取酒类销售数据，将所述酒类销售数据进行预处理，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类；
根据客户的分类结果获取不同类别客户的客户类别特征，通过所述客户类别特征获取酒类销售数据的标签数据集；
基于深度学习构建营销方案推荐模型，利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练，为不同类别客户提供不同的酒类营销服务；
通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，并将所述订单信息匹配酒品库存信息，根据订单信息的动态变化生成库位调整方案。
8.根据权利要求7所述的一种基于数据分析的酒类信息智能管理系统，其特征在于，对预处理后的酒类销售数据进行聚类，根据聚类结果对客户进行分类，具体为：
获取目标地区在预设时间内的酒类销售数据，将所述酒类销售数据进行数据清洗及异常数据剔除，预处理与脱敏后的客户标识进行匹配，根据时序构建酒类销售数据集；
基于所述酒类销售数据集进行低维表示构建无向异构图，在所述无向异构图中提取客户与酒类项目的二部图结构，通过图卷积神经网络对所述二部图结构进行表示学习，更新客户节点表示及酒类项目节点表示；
根据更新后的客户节点表示及酒类项目节点表示进行邻域聚合，获取客户对应的酒类销售特征，根据不同客户的酒类销售特征构建酒类销售特征数据集；
初始化粒子群算法的参数，通过粒子群算法对K-means聚类算法中的聚类个数K进行寻优，获取聚类个数K，在所述酒类销售特征数据集中随机选取K个客户的酒类特征数据点作为聚类中心；
计算酒类销售特征数据集剩余数据到聚类中心的曼哈顿距离，分配至距离最近的聚类中心生成类簇，获取每个类簇的均值作为聚类中心，当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类；
获取聚类结果，根据所述聚类结果获取客户的分类结果。
9.根据权利要求7所述的一种基于数据分析的酒类信息智能管理系统，其特征在于，基于深度学习构建营销方案推荐模型，具体为：
基于图卷积神经网络构建营销方案推荐模型提取客户与酒类项目交互的隐性关系，根据客户与酒类项目的二部图结构获取客户隐性关系图及酒类项目隐性关系图，将酒类项目对应的关键词信息作为隐性关系图中节点的辅助特征；
通过图卷积神经网络获取客户节点表示及酒类项目节点表示生成对应的特征向量，将所述特征向量引入图注意力机制，对所述客户隐性关系图及酒类项目隐性关系图进行处理；
通过多头注意力获取不同邻域节点的注意力分数，生成注意力权重向量，获取具有权重的邻域特征信息，生成不同隐性关系图中客户节点嵌入表示及酒类项目节点嵌入表示；
利用客户节点嵌入表示与酒类项目节点嵌入表示进行内积计算生成评分信息，根据所述评分信息获取不同客户的感兴趣酒类项目，生成对应的针对性营销方案。
10.根据权利要求7所述的一种基于数据分析的酒类信息智能管理系统，其特征在于，通过所述酒类销售数据提取订单信息，获取不同订单信息的关联度，根据所述关联度对酒类营销进行优化，具体为：
根据所述酒类销售数据提取订单信息，将所述订单信息进行预处理及关键词提取，获取订单信息对应的词向量集合，在所述词向量集合中筛选酒类词向量；
获取客户对应订单信息中的酒类词向量的出现频次，根据所述出现频次生成初始权重信息，对无向异构图中对应的酒类项目节点进行设置；
根据所述初始权重信息结合酒类词向量与客户对应的客户类别特征进行相似度对比，若所述相似度小于预设相似度阈值，则对客户进行重新分类；
获取客户对应不同订单信息的时间戳差异及不同订单信息中的重复酒类项目，根据皮尔逊相关系数获取不同订单的关联度；
筛选关联度符合预设标准的订单信息，提取所述订单信息中的酒类项目，对针对性营销方案中酒类项目进行更新，并根据用户的交互反馈获取优化后营销方案。
CN202310940855.1A 2023-07-28 2023-07-28 一种基于数据分析的酒类信息智能管理方法及系统 Pending CN116934531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310940855.1A CN116934531A (zh) 2023-07-28 2023-07-28 一种基于数据分析的酒类信息智能管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310940855.1A CN116934531A (zh) 2023-07-28 2023-07-28 一种基于数据分析的酒类信息智能管理方法及系统

Publications (1)

Publication Number Publication Date
CN116934531A true CN116934531A (zh) 2023-10-24

Family

ID=88386020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310940855.1A Pending CN116934531A (zh) 2023-07-28 2023-07-28 一种基于数据分析的酒类信息智能管理方法及系统

Country Status (1)

Country Link
CN (1) CN116934531A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291649A (zh) * 2023-11-27 2023-12-26 云南电网有限责任公司信息中心 一种集约化的营销数据处理方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
US20170220943A1 (en) * 2014-09-30 2017-08-03 Mentorica Technology Pte Ltd Systems and methods for automated data analysis and customer relationship management
US20180005171A1 (en) * 2016-06-30 2018-01-04 International Business Machines Corporation Managing cross-channel fulfillment impact within shared inventory demand systems
CN110020823A (zh) * 2019-04-09 2019-07-16 心怡科技股份有限公司 一种基于K-Means的库位分配算法
US10467550B1 (en) * 2013-07-12 2019-11-05 OpsVeda, Inc. Operational business intelligence measurement and learning system
WO2021072128A1 (en) * 2019-10-08 2021-04-15 New England Complex Systems Institute Systems and methods for big data analytics
CN112862530A (zh) * 2021-02-09 2021-05-28 江之龙 一种基于大数据的营销系统
CN113869831A (zh) * 2021-10-12 2021-12-31 江西省舌尖王国供应链管理有限公司 智能仓储的库位分配方法、装置及可读存储介质
US20220138772A1 (en) * 2020-10-30 2022-05-05 Ncr Corporation Platform-Based Cross-Retail Product Categorization
CN116342041A (zh) * 2023-04-17 2023-06-27 深圳市感恩网络科技有限公司 一种基于区块链的国际贸易数据存储管理系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10467550B1 (en) * 2013-07-12 2019-11-05 OpsVeda, Inc. Operational business intelligence measurement and learning system
US20170220943A1 (en) * 2014-09-30 2017-08-03 Mentorica Technology Pte Ltd Systems and methods for automated data analysis and customer relationship management
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
US20180005171A1 (en) * 2016-06-30 2018-01-04 International Business Machines Corporation Managing cross-channel fulfillment impact within shared inventory demand systems
CN110020823A (zh) * 2019-04-09 2019-07-16 心怡科技股份有限公司 一种基于K-Means的库位分配算法
WO2021072128A1 (en) * 2019-10-08 2021-04-15 New England Complex Systems Institute Systems and methods for big data analytics
US20220138772A1 (en) * 2020-10-30 2022-05-05 Ncr Corporation Platform-Based Cross-Retail Product Categorization
CN112862530A (zh) * 2021-02-09 2021-05-28 江之龙 一种基于大数据的营销系统
CN113869831A (zh) * 2021-10-12 2021-12-31 江西省舌尖王国供应链管理有限公司 智能仓储的库位分配方法、装置及可读存储介质
CN116342041A (zh) * 2023-04-17 2023-06-27 深圳市感恩网络科技有限公司 一种基于区块链的国际贸易数据存储管理系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUDIT OLÃH 等: "APPLYING BIG DATA ALGORITHMS FOR SALES DATA STORED IN SAP HANA", 《 ANNALS OF THE UNIVERSITY OF ORADEA: ECONOMIC SCIENCE》, vol. 28, no. 1, 1 July 2017 (2017-07-01), pages 453 - 461 *
孙雨生 等: "国内电子商务个性化推荐研究进展:核心技术", 《现代情报》, vol. 37, no. 04, 15 April 2017 (2017-04-15), pages 151 - 157 *
汤洪涛 等: "自动化立体仓库货位分配与作业调度集成优化", 《计算机科学》, vol. 47, no. 05, 25 December 2019 (2019-12-25), pages 204 - 211 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291649A (zh) * 2023-11-27 2023-12-26 云南电网有限责任公司信息中心 一种集约化的营销数据处理方法及系统
CN117291649B (zh) * 2023-11-27 2024-02-23 云南电网有限责任公司信息中心 一种集约化的营销数据处理方法及系统

Similar Documents

Publication Publication Date Title
Caruso et al. Deprivation and the dimensionality of welfare: a variable‐selection cluster‐analysis approach
CN114119057B (zh) 用户画像模型的构建系统
CN107256238B (zh) 一种多约束条件下的个性化信息推荐方法及信息推荐系统
CN111179016A (zh) 一种售电套餐推荐方法、设备及存储介质
KR102344075B1 (ko) 데이터 마이닝기반 온라인 마케팅 플랫폼
CN116882902B (zh) 基于酒品购销信息的仓储管理优化方法、系统及存储介质
CN116934531A (zh) 一种基于数据分析的酒类信息智能管理方法及系统
CN111428007A (zh) 基于跨平台的同步推送反馈方法
CN116842267A (zh) 基于深度学习的个性化装修方案推荐方法、系统及介质
US20230376981A1 (en) Predictive systems and processes for product attribute research and development
CN113326432A (zh) 一种基于决策树与推荐方法的模型优选方法
CN118013120B (zh) 基于聚类标签优化推荐给用户的产品的方法、介质和设备
CN118468061A (zh) 一种算法自动匹配及参数优化方法及系统
CN117217710B (zh) 一种虚拟商品与快捷服务的智能化管理方法及系统
CN117112915B (zh) 基于用户特征及大数据训练的智能设计方法和系统
CN116862626B (zh) 一种多模态商品对齐方法
CN112905883A (zh) 一种应用于推荐系统的信息处理方法及装置
CN114997959A (zh) 一种电子智造产品营销推荐方法
Sugimura et al. Classification system for time series data based on feature pattern extraction
CN111768139B (zh) 备货处理方法、装置、设备及存储介质
CN114093447A (zh) 数据资产推荐方法、装置、计算机设备及存储介质
Strutynska et al. Comparative Analysis of Two Approaches to the Clustering of Respondents (Based on Survey Results).
CN117633165B (zh) 一种智能ai客服对话引导方法
CN118154247B (zh) 一种会员全自动营销系统
Wang et al. Efficient sampling of training set in large and noisy multimedia data

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