CN117035859A - 一种电子优惠券的智能投放方法及系统 - Google Patents
一种电子优惠券的智能投放方法及系统 Download PDFInfo
- Publication number
- CN117035859A CN117035859A CN202311020052.0A CN202311020052A CN117035859A CN 117035859 A CN117035859 A CN 117035859A CN 202311020052 A CN202311020052 A CN 202311020052A CN 117035859 A CN117035859 A CN 117035859A
- Authority
- CN
- China
- Prior art keywords
- coupon
- marketing
- user
- information
- data
- 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 32
- 230000007246 mechanism Effects 0.000 claims abstract description 127
- 230000008520 organization Effects 0.000 claims abstract description 10
- 230000008901 benefit Effects 0.000 claims description 69
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000002716 delivery method Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 79
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002994 raw material Substances 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0213—Consumer transaction fees
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电子优惠券的智能投放方法及系统，包括：对成交用户进行分类，得到忠实成交用户和常规成交用户；分别提取忠实成交用户和常规成交用户对应的用户行为数据，得到忠实用户行为数据和常规用户行为数据，计算忠实成交用户对应的优惠券期望面值，得到第一期望面值，计算常规成交用户对应的优惠券期望面值，得到第二期望面值；计算出营销机构对应的目标优惠券面值；提取营销产品的产品特征，生成营销机构的目标电子优惠券；获取营销机构的优惠券投放链路，制定电子优惠券的投放策略，执行电子优惠券的智能投放，得到投放结果。本发明可以提高电子优惠券的投放效率和赎回率。
Description
技术领域
本发明涉及电子优惠券技术领域，尤其涉及一种基于神经网络实现电子优惠券的智能投放方法及系统。
背景技术
优惠券通常是指持有人在购物或消费时享受折价、优惠价或换取赠品的一种凭证，随着科技的进步，纸质优惠券逐渐发展成电子优惠券，电子优惠券是指各种电子媒介形式制作、传播和使用的促销优惠凭证，包括电子代金券和电子折扣券，电子优惠券制作结束后需要投放到相关的购物商城内，以便于促进消费者的消费欲望。
但是现有的电子优惠券的智能投放主要是通过预先设定电子优惠券金额，并结合相关产品的产品信息，在各大商城中设置成悬浮窗口的形式，以此对电子优惠券进行投放的一种方法，但是该方法没有考虑电子优惠券的投放成本和分析客户的购买行为，使得电子优惠券的赎回效率不高，并且没有考虑电子优惠券的面值是否可以提高消费者的购买欲望，从而导致电子优惠券的投放效率和赎回率较低，因此需要一种能够提高电子优惠券的投放效率和赎回率的方法。
发明内容
本发明提供一种电子优惠券的智能投放方法及系统，其主要目的在于提高电子优惠券的投放效率和赎回率。
为实现上述目的，本发明提供的一种电子优惠券的智能投放方法，包括：
获取待投放电子优惠券的营销机构，查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户；
分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，得到忠实用户行为数据和常规用户行为数据，根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，其中，所述根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，包括：
通过下述公式计算所述常规成交用户对应的优惠券期望面值：
其中，F表示第二期望面值，g表示常规用户行为数据中购买成功产品的价值，n表示常规用户行为数据对应的购买成功产品的数量，hi表示常规用户行为数据中第i个优惠券的成功率，hi+1表示常规用户行为数据中第i+1个优惠券的成功率，β表示购买成功产品使用的优惠券面值的平均值；
获取所述营销机构对应的营销数据，其中，所述营销数据包括：营销成本数据和营销收益数据；
根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值；
查询所述营销机构的营销产品，提取所述营销产品的产品特征，根据所述产品特征和所述目标优惠券面值，生成所述营销机构的目标电子优惠券；
获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，并采集所述营销机构的实时用户信息，根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，根据所述链路效益值和所述购买行为，制定所述电子优惠券的投放策略，根据所述投放策略，执行所述电子优惠券的智能投放，得到投放结果。
可选地，识别所述用户信息中所述成交用户中每个用户的会员信息和用户名称，根据所述会员信息，确定所述成交用户中每个用户的会员等级；
调度所述成交用户中每个用户的历史消费数据，提取所述历史消费数据中的历史消费次数和历史消费周期；
结合所述会员等级、所述历史消费次数以及所述历史消费周期，通过下述公式计算所述成交用户中每个用户的用户忠诚度：
其中，A表示成交用户中每个用户的用户忠诚度，a表示成交用户的用户序列号，r表示成交用户的用户数量，Da表示成交用户中第a个用户对应的会员等级，Ba表示成交用户中第a个用户对应的消费次数，ta表示成交用户中第a个用户对应的消费周期；
根据所述用户忠诚度，对所述成交用户进行分类，得到忠实成交用户和常规成交用户。
可选地，所述根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，包括：
提取所述忠实用户行为数据中的浏览行为数据和购买记录数据，分别查询所述浏览行为数据和所述购买记录数据对应的优惠券面值，得到第一优惠券面值和第二优惠券面值；
统计所述第一优惠券面值的浏览频次和浏览周期，根据所述浏览频次和所述浏览周期，计算所述第一优惠券面值对应的购买需求值；
根据所述购买需求值，对所述第一优惠券面值进行筛选处理，得到第三优惠券面值；
结合所述第二优惠券面值和所述第三优惠券面值，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值。
可选地，所述根据所述浏览频次和所述浏览周期，计算所述第一优惠券面值对应的购买需求值，包括：
通过下述公式计算所述第一优惠券面值对应的购买需求值：
其中，E表示第一优惠券面值对应的购买需求值，b表示第一优惠券面值的序列号，表示第一优惠券面值对应的逻辑曲线，e表示第一优惠券面值对应的产品属性值，fb表示第一优惠券面值中第b个优惠券对应的数值，Tb表示第一优惠券面值中第b个优惠券的浏览周期，gb表示第一优惠券面值中第b个优惠券对应的浏览频次。
可选地，所述根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，包括：
根据所述营销成本数据，确定所述营销机构的固定成本，分析所述营销机构的产品在营销过程中的变动项目；
对所述变动项目中每个项目的成本进行量化处理，得到量化变动成本，根据所述固定成本和所述量化变动成本，确定所述营销机构的营销总成本；
根据所述营销收益数据，确定所述营销机构的营销总收益，根据所述营销总收益和所述营销总成本，计算所述营销机构对应的均衡收益值。
可选地，所述将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值，包括：
通过下述公式计算出所述营销机构对应的目标优惠券面值：
其中，maxG表示营销机构对应的最大利润值，R表示营销机构对应的商品标签价格，Md表示营销机构对应的目标优惠券面值，n表示忠实成交用户和常规成交用户的用户数量，P表示营销机构的优惠券赎回概率函数，Nq表示营销机构的生产成本函数，Qcpn表示优惠券的发行与管理成本函数，s表示优惠券的浏览总次数，t表示优惠券的浏览总周期。
可选地，所述计算所述优惠券投放链路中每个链路的链路效益值，包括：
通过下述公式计算所述优惠券投放链路中每个链路的链路效益值：
其中，H表示优惠券投放链路中每个链路的链路效益值，α表示投放链路中每个链路的消费者比例，ρ表示优惠券需求弹性系数，θ表示优惠券投放链路的市场总需求系数，l表示优惠券投放链路中每个链路的市场需求系数。
可选地，所述根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，包括：
收集所述实时用户信息中的浏览信息，提取所述浏览信息中的关键信息，并分析所述关键信息对应的信息类型；
计算所述实时用户信息中的用户对所述信息类型中每个类型的偏好系数，对所述偏好系数进行加权求和，得到目标偏好系数；
根据所述目标偏好系数，预测所述实时用户信息中用户的购买行为。
可选地，所述提取所述浏览信息中的关键信息，包括：
识别所述浏览信息中信息文本，对所述信息文本进行去重处理，得到去重信息文本；
对所述去重信息文本进行语义解析，得到信息语义；
通过下述公式计算所述信息语义对应的语义权重值：
其中，Y表示信息语义对应的语义权重值，|J|表示信息语义的语义总数，Kj表示信息语义中第j个语义对应的向量，Zj表示信息语义中第j个语义对应的关联语义，{X:Kj∈Zj}表示信息语义中包含第j个语义的数量；
根据所述语义权重值，提取所述浏览信息中的关键信息。
另一方面，还提供一种电子优惠券的智能投放系统，其包括：
信息提取模块，用于获取待投放电子优惠券的营销机构，查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户；
优惠券期望值计算模块，用于分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，得到忠实用户行为数据和常规用户行为数据，根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，其中，所述根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，包括：
通过下述公式计算所述常规成交用户对应的优惠券期望面值：
其中，F表示第二期望面值，g表示常规用户行为数据中购买成功产品的价值，n表示常规用户行为数据对应的购买成功产品的数量，hi表示常规用户行为数据中第i个优惠券的成功率，hi+1表示常规用户行为数据中第i+1个优惠券的成功率，β表示购买成功产品使用的优惠券面值的平均值；
营销数据获取模块，用于获取所述营销机构对应的营销数据，其中，所述营销数据包括：营销成本数据和营销收益数据；
优惠券定价模块，用于根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值；
电子优惠券生成模块，用于查询所述营销机构的营销产品，提取所述营销产品的产品特征，根据所述产品特征和所述目标优惠券面值，生成所述营销机构的目标电子优惠券；
电子优惠券投放模块，用于获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，并采集所述营销机构的实时用户信息，根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，根据所述链路效益值和所述购买行为，制定所述电子优惠券的投放策略，根据所述投放策略，执行所述电子优惠券的智能投放，得到投放结果。
本发明具有如下有益效果：
本发明通过查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，可以得到所述成交用户在所述营销机构中的会员等级等信息，便于后续可以对所述成交用户进行分类，本发明通过分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，可以了解所述忠实成交用户和所述常规成交用户在所述营销机构中的浏览的信息和购买记录的信息，进而便于后续分析优惠券期望面值，本发明通过获取所述营销机构对应的营销数据，可以了解所述营销机构中的花费成本和得到的收益情况，便于后续提高目标优惠券面值的计算准确性，其中，本发明通过根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，从而可以对所述营销机构的优惠券的定价作出更好的决策，以提高优惠券的赎回率，本发明通过查询所述营销机构的营销产品，提取所述营销产品的产品特征，可以得到所述营销产品的产品特征，进而便于生成更具特色的目标电子优惠券，提高用户的使用体验感，本发明通过获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，可以得到所述优惠券投放链路中每个链路的具体收益程度，进而便于后续投放策略的制定，以提高优惠券的投放效率。
附图说明
图1为本发明一实施例提供的电子优惠券的智能投放方法的流程示意图；
图2为本发明一实施例提供的电子优惠券的智能投放系统的功能模块图；
图3为本发明一实施例提供的实现所述电子优惠券的智能投放方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种电子优惠券的智能投放方法。本申请实施例中，所述电子优惠券的智能投放方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述电子优惠券的智能投放方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的一种电子优惠券的智能投放方法的流程示意图，其包括步骤S1-S6。
S1、获取待投放电子优惠券的营销机构，查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户。
本发明通过查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，可以得到所述成交用户在所述营销机构中的会员等级等信息，便于后续可以对所述成交用户进行分类，其中，所述营销机构是指用于营销相关产品的公司或者企业，如京东商城，所述成交用户是所述营销机构中有过购买和达成交易的用户，所述用户信息是所述成交用户在所述营销机构中登记的相关信息，如身份信息，进一步的，提取所述成交用户在所述营销机构的用户信息可以通过left函数实现。
本发明通过根据所述用户信息，对所述成交用户进行分类，可以将所述成交用户划分成不同的层次，以便于后续可以精确地分析优惠券期望面值，其中，所述忠实成交用户是所述成交用户中对所述营销机构具有忠诚程度的用户，所述常规成交用户是所述成交用户。
作为本发明的一个实施例，所述根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户，包括：识别所述用户信息中所述成交用户中每个用户的会员信息和用户名称，根据所述会员信息，确定所述成交用户中每个用户的会员等级，调度所述成交用户中每个用户的历史消费数据，提取所述历史消费数据中的历史消费次数和历史消费周期，结合所述会员等级、所述历史消费次数以及所述历史消费周期，计算所述成交用户中每个用户的用户忠诚度，根据所述用户忠诚度，对所述成交用户进行分类，得到忠实成交用户和常规成交用户。
其中，所述会员信息是所述成交用户中每个用户的会员充值金额信息，所述用户名称是所述成交用户中每个用户在所述营销机构中对应的标识符，所述会员等级是所述成交用户中每个用户对应的会员级别，如白金会员和钻石会员等，所述历史消费数据是所述成交用户中每个用户之前消费时产生的数据，所述历史消费周期是所述成交用户中每个用户的消费时间，所述用户忠诚度表示所述成交用户中每个用户对于所述营销机构的忠诚程度。
可选的，识别所述用户信息中所述成交用户中每个用户的会员信息和用户名称可以通过OCR识别技术实现，所述成交用户中每个用户的会员等级可以通过根据所述会员信息中的会员等级信息得到，所述成交用户中每个用户的历史消费数据可以通过最短优先调度算法调度得到，提取所述历史消费数据中的历史消费次数和历史消费周期可以通过上述的left函数实现，所述成交用户的分类可以通过根据所述用户忠诚度的数值大小进行分类实现。
进一步的，所述结合所述会员等级、所述历史消费次数以及所述历史消费周期，计算所述成交用户中每个用户的用户忠诚度，包括：
通过下述公式计算所述成交用户中每个用户的用户忠诚度：
其中，A表示成交用户中每个用户的用户忠诚度，a表示成交用户的用户序列号，r表示成交用户的用户数量，Da表示成交用户中第a个用户对应的会员等级，Ba表示成交用户中第a个用户对应的消费次数，ta表示成交用户中第a个用户对应的消费周期。
S2、分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，得到忠实用户行为数据和常规用户行为数据，根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值。
本发明通过分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，可以了解所述忠实成交用户和所述常规成交用户在所述营销机构中的浏览的信息和购买记录的信息，进而便于后续分析优惠券期望面值，其中，所述忠实用户行为数据是所述忠实成交用户在所述营销机构中对应的浏览以及购买等数据，所述常规用户行为数据是所述常规成交用户在所述营销机构中对应的浏览以及购买等数据，可选的，所述忠实成交用户和所述常规成交用户对应的用户行为数据可以通过SQL查询语句提取得到。
本发明通过根据所述忠实用户行为数据，可以了解所述忠实成交用户在浏览和购买对应的优惠券数值，便于准确的计算所述忠实成交用户对应的优惠券期望面值，其中，所述第一期望面值是所述忠实成交用户在达成成交时对应的优惠券最佳数值。
作为本发明的一个实施例，所述根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，包括：提取所述忠实用户行为数据中的浏览行为数据和购买记录数据，分别查询所述浏览行为数据和所述购买记录数据对应的优惠券面值，得到第一优惠券面值和第二优惠券面值，统计所述第一优惠券面值的浏览频次和浏览周期，根据所述浏览频次和所述浏览周期，计算所述第一优惠券面值对应的购买需求值，根据所述购买需求值，对所述第一优惠券面值进行筛选处理，得到第三优惠券面值，结合所述第二优惠券面值和所述第三优惠券面值，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值。
其中，所述浏览行为数据是所述忠实用户行为数据中所述忠实成交用户在所述营销机构中浏览商品对应的数据，所述购买记录数据是所述忠实用户行为数据中所述忠实成交用户在所述营销机构中购买商品记录的数据，所述第一优惠券面值和第二优惠券面值分别是所述浏览行为数据和所述购买记录数据对应的优惠券数值，所述浏览频次是所述第一优惠券面值对应的浏览次数，所述浏览周期是所述第一优惠券面值对应的浏览停留时间，所述购买需求值表示所述忠实成交用户面对所述第一优惠券面值对应的购买成功率，所述第三优惠券面值是所述第一优惠券面值根据所述购买需求值的数值大小筛选处理后得到的优惠券面值。
可选地，提取所述忠实用户行为数据中的浏览行为数据和购买记录数据可以通过数据爬取工具实现，所述数据爬取工具是由脚本语言编译，所述浏览行为数据和所述购买记录数据对应的优惠券面值可以通过find函数查询得到，所述第一优惠券面值的筛选可以通过filter筛选函数实现，所述忠实成交用户对应的优惠券期望面值可以通过计算所述第二优惠券面值和所述第三优惠券面值的平均值得到。
进一步的，所述根据所述浏览频次和所述浏览周期，计算所述第一优惠券面值对应的购买需求值，包括：
通过下述公式计算所述第一优惠券面值对应的购买需求值：
其中，E表示第一优惠券面值对应的购买需求值，b表示第一优惠券面值的序列号，表示第一优惠券面值对应的逻辑曲线，e表示第一优惠券面值对应的产品属性值，fb表示第一优惠券面值中第b个优惠券对应的数值，Tb表示第一优惠券面值中第b个优惠券的浏览周期，gb表示第一优惠券面值中第b个优惠券对应的浏览频次。
本发明通过根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，进而得到所述常规成交用户的所期待的优惠券数值，以提高后续目标优惠券面值定价的准确性，其中，所述第二期望面值是所述常规成交用户期待的优惠券数值。
作为本发明的一个实施例，所述根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，包括：
通过下述公式计算所述常规成交用户对应的优惠券期望面值：
其中，F表示第二期望面值，g表示常规用户行为数据中购买成功产品的价值，n表示常规用户行为数据对应的购买成功产品的数量，hi表示常规用户行为数据中第i个优惠券的成功率，hi+1表示常规用户行为数据中第i+1个优惠券的成功率，β表示购买成功产品使用的优惠券面值的平均值。
S3、获取所述营销机构对应的营销数据，其中，所述营销数据包括：营销成本数据和营销收益数据。
本发明通过获取所述营销机构对应的营销数据，可以了解所述营销机构中的花费成本和得到的收益情况，便于后续提高目标优惠券面值的计算准确性，其中，所述营销成本数据是所述营销机构在营销相关产品时所花费的成本相关的数据，所述营销收益数据是所述营销机构在营销相关产品时得到的净收相关的数据。
S4、根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值。
本发明通过根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，从而可以对所述营销机构的优惠券的定价作出更好的决策，以提高优惠券的赎回率，其中，所述均衡收益值是所述营销机构在进行营销活动支付报酬后得到的最低收益值。
作为本发明的一个实施例，所述根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，包括：根据所述营销成本数据，确定所述营销机构的固定成本，分析所述营销机构的产品在营销过程中的变动项目，并对所述变动项目中每个项目的成本进行量化处理，得到量化变动成本，根据所述固定成本和所述量化变动成本，确定所述营销机构的营销总成本，根据所述营销收益数据，确定所述营销机构的营销总收益，根据所述营销总收益和所述营销总成本，计算所述营销机构对应的均衡收益值。
其中，所述固定成本是所述营销机构在进行生产过程中要支付的固定费用，比如房租、设备折旧等，这些费用不会因为生产量的增加或减少而改变，所述变动项目是所述营销机构在生产过程中随着生产数量的变动而变动的成本类型，比如原材料费用、劳动力费用等，所述量化变动成本是所述变动项目中每个项目的成本量化成具体的成本数值，所述营销总成本是所述营销机构总共花费的成本，所述营销总收益是所述营销机构的总体收益。
所述营销机构的固定成本可以通过根据所述营销成本数据中的固定开支确定，所述营销机构的产品在营销过程中的变动项目可以通过分析成本和生成数量之间变化关系得到，所述变动项目中每个项目的成本的量化处理可以通过每一项的变动成本项乘以单位成本再进行求和得到，所述营销机构的营销总成本可以通过计算所述固定成本和所述量化变动成本的和值确定，所述营销机构对应的均衡收益值可以通过计算所述营销总收益和所述营销总成本的差值得到。
本发明通过将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，进而可以通过所述优惠券定价神经网络计算出所述营销机构对应的目标优惠券面值，可以精准对优惠券进行定价，在后续投放电子券后能够吸引更多潜在客户并提高购买率，从而达到提高所述营销机构的盈利能力，其中，所述预设的优惠券定价神经网络是用于对优惠券进行准确定价的神经网络，所述目标优惠券面值是所述营销机构对应的最优惠的优惠券面值，并且对应的购买率也是最高的。
作为本发明的一个实施例，所述将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值，包括：
通过下述公式计算出所述营销机构对应的目标优惠券面值：
其中，maxG表示营销机构对应的最大利润值，R表示营销机构对应的商品标签价格，Md表示营销机构对应的目标优惠券面值，n表示忠实成交用户和常规成交用户的用户数量，P表示营销机构的优惠券赎回概率函数，Nq表示营销机构的生产成本函数，Qcpn表示优惠券的发行与管理成本函数，s表示优惠券的浏览总次数，t表示优惠券的浏览总周期。
S5、查询所述营销机构的营销产品，提取所述营销产品的产品特征，根据所述产品特征和所述目标优惠券面值，生成所述营销机构的目标电子优惠券。
本发明通过查询所述营销机构的营销产品，提取所述营销产品的产品特征，可以得到所述营销产品的产品特征，进而便于生成更具特色的目标电子优惠券，提高用户的使用体验感，其中，所述营销产品是所述营销机构进行营销的主营产品，所述产品特征是所述营销产品的产品表征和标识，可选的，所述营销产品的产品特征可以通过主成分分析方法提取实现。
本发明通过根据所述产品特征和所述目标优惠券面值，生成所述营销机构的目标电子优惠券，提高优惠券的视觉效果，改善优惠券的使用体验感，其中，所述目标电子优惠券是最终用于投放的电子形式的优惠券，所述营销机构的目标电子优惠券可以通过电子优惠券生成器生成得到，所述电子优惠券生成器是由Java语言编译。
S6、获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，并采集所述营销机构的实时用户信息，根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，根据所述链路效益值和所述购买行为，制定所述电子优惠券的投放策略，根据所述投放策略，执行所述电子优惠券的智能投放，得到投放结果。
本发明通过获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，可以得到所述优惠券投放链路中每个链路的具体收益程度，进而便于后续投放策略的制定，以提高优惠券的投放效率，其中，所述链路效益值表示所述优惠券投放链路中每个链路的链路收益情况，所述实时用户信息是所述营销机构中正在进行浏览的用户的信息，可选的，所述营销机构的实时用户信息可以通过网络爬虫采集。
作为本发明的一个实施例，所述计算所述优惠券投放链路中每个链路的链路效益值，包括：
通过下述公式计算所述优惠券投放链路中每个链路的链路效益值：
其中，H表示优惠券投放链路中每个链路的链路效益值，α表示投放链路中每个链路的消费者比例，ρ表示优惠券需求弹性系数，θ表示优惠券投放链路的市场总需求系数，l表示优惠券投放链路中每个链路的市场需求系数。
本发明通过根据所述实时用户信息，预测所述实时用户的购买行为，进而可以更高效地对用户进行精确营销，从而降低营销成本并提高转化率，其中，所述购买行为是用户进行购买时的行为动作，如信息搜索或者浏览售后评价等。
其中，所述根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，包括：收集所述实时用户信息中的浏览信息，提取所述浏览信息中的关键信息，并分析所述关键信息对应的信息类型，计算所述实时用户信息中的用户对所述信息类型中每个类型的偏好系数，对所述偏好系数进行加权求和，得到目标偏好系数，根据所述目标偏好系数，预测所述实时用户信息中用户的购买行为。
其中，所述浏览信息是所述实时用户信息中的浏览内容，所述关键信息是所述浏览信息中的重要信息，所述信息类型是所述关键信息对应的种类，如价格、产品质量以及售后服务等，所述偏好系数表示所述实时用户信息中的用户对所述信息类型中每个类型的喜好程度，所述目标偏好系数是所述偏好系数赋予权重后相加得到的系数。
可选的，所述实时用户信息中的浏览信息可以通过上述的网络爬虫收集得到，所述关键信息可以通过计算所述浏览信息中的信息权重值得到，所述实时用户信息中的用户对所述信息类型中每个类型的偏好系数可以通过偏好函数计算得到，所述实时用户信息中用户的购买行为可以通过购买行为预测模型预测得到，如CNBD-k模型。
可选的，作为本发明的一个可选实施例，所述提取所述浏览信息中的关键信息，包括：识别所述浏览信息中信息文本，对所述信息文本进行去重处理，得到去重信息文本，对所述去重信息文本进行语义解析，得到信息语义，计算所述信息语义对应的语义权重值，根据所述语义权重值，提取所述浏览信息中的关键信息。
其中，所述信息文本是所述浏览信息中的包含的文本类信息，所述去重信息文本是所述信息文本中的重复文本经过去除后得到的文本，所述信息语义是所述去重信息文本对应的含义和解释，所述语义权重值表示所述信息语义对应的重要程度。
可选的，识别所述浏览信息中信息文本可以通过上述的OCR识别技术实现，对所述信息文本进行去重处理可以通过sim哈希算法实现，对所述去重信息文本进行语义解析可以通过语义解析法实现，所述浏览信息中的关键信息可以通过根据所述语义权重值的数值大小进行提取。
进一步的，作为本发明的一个可选实施例，所述计算所述信息语义对应的语义权重值，包括：
通过下述公式计算所述信息语义对应的语义权重值：
其中，Y表示信息语义对应的语义权重值，|J|表示信息语义的语义总数，Kj表示信息语义中第j个语义对应的向量，Zj表示信息语义中第j个语义对应的关联语义，{X:Kj∈Zj}表示信息语义中包含第j个语义的数量。
本发明通过根据所述链路效益值和所述购买行为，制定所述电子优惠券的投放策略，以便于提高所述电子优惠券投放效率，其中，所述投放策略是所述电子优惠券根据所述链路效益值的数值大小和所述购买行为的概率制定的投放方案，可选的，制定所述电子优惠券的投放策略可以通过可以通过策略生成器实现，所述策略生成器是由编程语言编译。
本发明通过根据所述投放策略，执行所述电子优惠券的智能投放，以便于提高所述电子优惠券的投放效率，其中，所述投放结果是所述电子优惠券根据所述投放策略投放之后的记录结果。
由此可见，本发明可以了解所述忠实成交用户和所述常规成交用户在所述营销机构中的浏览的信息和购买记录的信息，进而便于后续分析优惠券期望面值，同时可以获取所述营销机构中的花费成本和得到的收益情况，便于后续提高目标优惠券面值的计算准确性，并且通过查询所述营销机构的营销产品，提取所述营销产品的产品特征，可以得到所述营销产品的产品特征，进而便于生成更具特色的目标电子优惠券，提高用户的使用体验感，进一步通过获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，可以得到所述优惠券投放链路中每个链路的具体收益程度，进而便于后续投放策略的制定，以提高优惠券的投放效率和赎回率。
如图2所示，是本发明一实施例提供的一种电子优惠券的智能投放系统的功能模块图。
本发明所述一种电子优惠券的智能投放系统100可以安装于电子设备中。根据实现的功能，所述电子优惠券的智能投放系统100可以包括信息提取模块101、优惠券期望值计算模块102、营销数据获取模块103、优惠券定价模块104、电子优惠券生成模块105及电子优惠券投放模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述信息提取模块101，用于获取待投放电子优惠券的营销机构，查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户；
所述优惠券期望值计算模块102，用于分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，得到忠实用户行为数据和常规用户行为数据，根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，其中，所述根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，包括：
通过下述公式计算所述常规成交用户对应的优惠券期望面值：
其中，F表示第二期望面值，g表示常规用户行为数据中购买成功产品的价值，n表示常规用户行为数据对应的购买成功产品的数量，hi表示常规用户行为数据中第i个优惠券的成功率，hi+1表示常规用户行为数据中第i+1个优惠券的成功率，β表示购买成功产品使用的优惠券面值的平均值；
所述营销数据获取模块103，用于获取所述营销机构对应的营销数据，其中，所述营销数据包括：营销成本数据和营销收益数据；
所述优惠券定价模块104，用于根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值；
所述电子优惠券生成模块105，用于查询所述营销机构的营销产品，提取所述营销产品的产品特征，根据所述产品特征和所述目标优惠券面值，生成所述营销机构的目标电子优惠券；
所述电子优惠券投放模块106，用于获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，并采集所述营销机构的实时用户信息，根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，根据所述链路效益值和所述购买行为，制定所述电子优惠券的投放策略，根据所述投放策略，执行所述电子优惠券的智能投放，得到投放结果。
详细地，本申请实施例中所述一种基于神经网络实现电子优惠券的智能投放系统100中所述的各模块在使用时采用与上述图1中所述的一种基于神经网络实现电子优惠券的智能投放方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明一实施例提供的实现上述电子优惠券的智能投放方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如上述电子优惠券的智能投放方法程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种基于神经网络实现电子优惠券的智能投放方法程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如一种基于神经网络实现电子优惠券的智能投放方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
所述电子设备1中的所述存储器11存储的电子优惠券的智能投放方法程序是多个指令的组合，在所述处理器10中运行时，可以实现上述电子优惠券的智能投放方法。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现上述电子优惠券的智能投放方法。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种电子优惠券的智能投放方法，其特征在于，所述方法包括：
获取待投放电子优惠券的营销机构，查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户；
分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，得到忠实用户行为数据和常规用户行为数据，根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，其中，所述根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，包括：
通过下述公式计算所述常规成交用户对应的优惠券期望面值：
其中，F表示第二期望面值，g表示常规用户行为数据中购买成功产品的价值，n表示常规用户行为数据对应的购买成功产品的数量，hi表示常规用户行为数据中第i个优惠券的成功率，hi+1表示常规用户行为数据中第i+1个优惠券的成功率，β表示购买成功产品使用的优惠券面值的平均值；
获取所述营销机构对应的营销数据，其中，所述营销数据包括：营销成本数据和营销收益数据；
根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值；
查询所述营销机构的营销产品，提取所述营销产品的产品特征，根据所述产品特征和所述目标优惠券面值，生成所述营销机构的目标电子优惠券；
获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，并采集所述营销机构的实时用户信息，根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，根据所述链路效益值和所述购买行为，制定所述电子优惠券的投放策略，根据所述投放策略，执行所述电子优惠券的智能投放，得到投放结果。
2.如权利要求1所述的电子优惠券的智能投放方法，其特征在于，所述根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户，包括：
识别所述用户信息中所述成交用户中每个用户的会员信息和用户名称，根据所述会员信息，确定所述成交用户中每个用户的会员等级；
调度所述成交用户中每个用户的历史消费数据，提取所述历史消费数据中的历史消费次数和历史消费周期；
结合所述会员等级、所述历史消费次数以及所述历史消费周期，通过下述公式计算所述成交用户中每个用户的用户忠诚度：
其中，A表示成交用户中每个用户的用户忠诚度，a表示成交用户的用户序列号，r表示成交用户的用户数量，Da表示成交用户中第a个用户对应的会员等级，Ba表示成交用户中第a个用户对应的消费次数，ta表示成交用户中第a个用户对应的消费周期；
根据所述用户忠诚度，对所述成交用户进行分类，得到忠实成交用户和常规成交用户。
3.如权利要求1所述的电子优惠券的智能投放方法，其特征在于，所述根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，包括：
提取所述忠实用户行为数据中的浏览行为数据和购买记录数据，分别查询所述浏览行为数据和所述购买记录数据对应的优惠券面值，得到第一优惠券面值和第二优惠券面值；
统计所述第一优惠券面值的浏览频次和浏览周期，根据所述浏览频次和所述浏览周期，计算所述第一优惠券面值对应的购买需求值；
根据所述购买需求值，对所述第一优惠券面值进行筛选处理，得到第三优惠券面值；
结合所述第二优惠券面值和所述第三优惠券面值，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值。
4.如权利要求3所述的电子优惠券的智能投放方法，其特征在于，所述根据所述浏览频次和所述浏览周期，计算所述第一优惠券面值对应的购买需求值，包括：
通过下述公式计算所述第一优惠券面值对应的购买需求值：
其中，E表示第一优惠券面值对应的购买需求值，b表示第一优惠券面值的序列号，表示第一优惠券面值对应的逻辑曲线，e表示第一优惠券面值对应的产品属性值，fb表示第一优惠券面值中第b个优惠券对应的数值，Tb表示第一优惠券面值中第b个优惠券的浏览周期，gb表示第一优惠券面值中第b个优惠券对应的浏览频次。
5.如权利要求1所述的电子优惠券的智能投放方法，其特征在于，所述根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，包括：
根据所述营销成本数据，确定所述营销机构的固定成本，分析所述营销机构的产品在营销过程中的变动项目；
对所述变动项目中每个项目的成本进行量化处理，得到量化变动成本，根据所述固定成本和所述量化变动成本，确定所述营销机构的营销总成本；
根据所述营销收益数据，确定所述营销机构的营销总收益，根据所述营销总收益和所述营销总成本，计算所述营销机构对应的均衡收益值。
6.如权利要求1所述的电子优惠券的智能投放方法，其特征在于，所述将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值，包括：
通过下述公式计算出所述营销机构对应的目标优惠券面值：
其中，maxG表示营销机构对应的最大利润值，R表示营销机构对应的商品标签价格，Md表示营销机构对应的目标优惠券面值，n表示忠实成交用户和常规成交用户的用户数量，P表示营销机构的优惠券赎回概率函数，Nq表示营销机构的生产成本函数，Qcpn表示优惠券的发行与管理成本函数，s表示优惠券的浏览总次数，t表示优惠券的浏览总周期。
7.如权利要求1所述的电子优惠券的智能投放方法，其特征在于，所述计算所述优惠券投放链路中每个链路的链路效益值，包括：
通过下述公式计算所述优惠券投放链路中每个链路的链路效益值：
其中，H表示优惠券投放链路中每个链路的链路效益值，α表示投放链路中每个链路的消费者比例，ρ表示优惠券需求弹性系数，θ表示优惠券投放链路的市场总需求系数，l表示优惠券投放链路中每个链路的市场需求系数。
8.如权利要求1所述的电子优惠券的智能投放方法，其特征在于，所述根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，包括：
收集所述实时用户信息中的浏览信息，提取所述浏览信息中的关键信息，并分析所述关键信息对应的信息类型；
计算所述实时用户信息中的用户对所述信息类型中每个类型的偏好系数，对所述偏好系数进行加权求和，得到目标偏好系数；
根据所述目标偏好系数，预测所述实时用户信息中用户的购买行为。
9.如权利要求8所述的电子优惠券的智能投放方法，其特征在于，所述提取所述浏览信息中的关键信息，包括：
识别所述浏览信息中信息文本，对所述信息文本进行去重处理，得到去重信息文本；
对所述去重信息文本进行语义解析，得到信息语义；
通过下述公式计算所述信息语义对应的语义权重值：
其中，Y表示信息语义对应的语义权重值，|J|表示信息语义的语义总数，Kj表示信息语义中第j个语义对应的向量，Zj表示信息语义中第j个语义对应的关联语义，{X:Kj∈Zj}表示信息语义中包含第j个语义的数量；
根据所述语义权重值，提取所述浏览信息中的关键信息。
10.一种电子优惠券的智能投放系统，其特征在于，所述系统包括：
信息提取模块，用于获取待投放电子优惠券的营销机构，查询所述营销机构的成交用户，提取所述成交用户在所述营销机构的用户信息，根据所述用户信息，对所述成交用户进行分类，得到忠实成交用户和常规成交用户；
优惠券期望值计算模块，用于分别提取所述忠实成交用户和所述常规成交用户对应的用户行为数据，得到忠实用户行为数据和常规用户行为数据，根据所述忠实用户行为数据，计算所述忠实成交用户对应的优惠券期望面值，得到第一期望面值，根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，其中，所述根据所述常规用户行为数据，计算所述常规成交用户对应的优惠券期望面值，得到第二期望面值，包括：
通过下述公式计算所述常规成交用户对应的优惠券期望面值：
其中，F表示第二期望面值，g表示常规用户行为数据中购买成功产品的价值，n表示常规用户行为数据对应的购买成功产品的数量，hi表示常规用户行为数据中第i个优惠券的成功率，hi+1表示常规用户行为数据中第i+1个优惠券的成功率，β表示购买成功产品使用的优惠券面值的平均值；
营销数据获取模块，用于获取所述营销机构对应的营销数据，其中，所述营销数据包括：营销成本数据和营销收益数据；
优惠券定价模块，用于根据所述营销成本数据和所述营销收益数据，计算所述营销机构对应的均衡收益值，将所述均衡收益值、所述第一期望面值以及所述第二期望面值作为输入数据，输入到预设的优惠券定价神经网络中，计算出所述营销机构对应的目标优惠券面值；
电子优惠券生成模块，用于查询所述营销机构的营销产品，提取所述营销产品的产品特征，根据所述产品特征和所述目标优惠券面值，生成所述营销机构的目标电子优惠券；
电子优惠券投放模块，用于获取所述营销机构的优惠券投放链路，计算所述优惠券投放链路中每个链路的链路效益值，并采集所述营销机构的实时用户信息，根据所述实时用户信息，预测所述实时用户信息中用户的购买行为，根据所述链路效益值和所述购买行为，制定所述电子优惠券的投放策略，根据所述投放策略，执行所述电子优惠券的智能投放，得到投放结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311020052.0A CN117035859A (zh) | 2023-08-14 | 2023-08-14 | 一种电子优惠券的智能投放方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311020052.0A CN117035859A (zh) | 2023-08-14 | 2023-08-14 | 一种电子优惠券的智能投放方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117035859A true CN117035859A (zh) | 2023-11-10 |
Family
ID=88627667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311020052.0A Pending CN117035859A (zh) | 2023-08-14 | 2023-08-14 | 一种电子优惠券的智能投放方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035859A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020046116A1 (en) * | 2000-09-08 | 2002-04-18 | William Hohle | System and method for loyalty program distribution and settlement |
| US20050144074A1 (en) * | 2000-11-28 | 2005-06-30 | Carlson Companies, Inc. | Computer implemented method and system for on-line redemption of coupons |
| CN107862535A (zh) * | 2017-08-17 | 2018-03-30 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 优惠券管理方法、系统及计算机可读存储介质 |
| CN109146580A (zh) * | 2018-09-30 | 2019-01-04 | 青岛大学 | 一种基于大数据分析的o2o优惠券分发方法及系统 |
| CN112613918A (zh) * | 2020-12-30 | 2021-04-06 | 广州云徙科技有限公司 | 一种结合数据中台大数据的个性化优惠券生成方法 |
| CN113763019A (zh) * | 2021-01-28 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种用户信息管理方法和装置 |
| KR20210150803A (ko) * | 2020-06-04 | 2021-12-13 | 주식회사 나인스 | 인공지능 기반의 할인쿠폰 액면가 추천을 위한 전자 시스템 장치 및 그 동작 방법 |
| CN113888230A (zh) * | 2021-10-19 | 2022-01-04 | 北京沃东天骏信息技术有限公司 | 电子优惠券的发放方法及装置、可读存储介质及电子设备 |
| US20220188857A1 (en) * | 2015-07-23 | 2022-06-16 | Luke J. Niemela | Coupon System for Goods and Services |
| CN115860820A (zh) * | 2023-01-19 | 2023-03-28 | 武汉利楚商务服务有限公司 | 电子优惠券智能加密投放及销毁方法与装置 |
-
2023
- 2023-08-14 CN CN202311020052.0A patent/CN117035859A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020046116A1 (en) * | 2000-09-08 | 2002-04-18 | William Hohle | System and method for loyalty program distribution and settlement |
| US20050144074A1 (en) * | 2000-11-28 | 2005-06-30 | Carlson Companies, Inc. | Computer implemented method and system for on-line redemption of coupons |
| US20220188857A1 (en) * | 2015-07-23 | 2022-06-16 | Luke J. Niemela | Coupon System for Goods and Services |
| CN107862535A (zh) * | 2017-08-17 | 2018-03-30 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 优惠券管理方法、系统及计算机可读存储介质 |
| CN109146580A (zh) * | 2018-09-30 | 2019-01-04 | 青岛大学 | 一种基于大数据分析的o2o优惠券分发方法及系统 |
| KR20210150803A (ko) * | 2020-06-04 | 2021-12-13 | 주식회사 나인스 | 인공지능 기반의 할인쿠폰 액면가 추천을 위한 전자 시스템 장치 및 그 동작 방법 |
| CN112613918A (zh) * | 2020-12-30 | 2021-04-06 | 广州云徙科技有限公司 | 一种结合数据中台大数据的个性化优惠券生成方法 |
| CN113763019A (zh) * | 2021-01-28 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种用户信息管理方法和装置 |
| CN113888230A (zh) * | 2021-10-19 | 2022-01-04 | 北京沃东天骏信息技术有限公司 | 电子优惠券的发放方法及装置、可读存储介质及电子设备 |
| CN115860820A (zh) * | 2023-01-19 | 2023-03-28 | 武汉利楚商务服务有限公司 | 电子优惠券智能加密投放及销毁方法与装置 |
Non-Patent Citations (3)
| Title |
|---|
| FEN LIUSHAN LIUGUOYIN JIANG；: "Consumers’ decision-making process in redeeming and sharing behaviors toward app-based mobile coupons in social commerce", 《INTERNATIONAL JOURNAL OF INFORMATION MANAGEMENT》, 8 August 2020 (2020-08-08), pages 1 - 8 * |
| 包志强等: "基于RFA模型和聚类分析的百度外卖客户细分", 《计算机科学》, 15 November 2018 (2018-11-15), pages 436 - 438 * |
| 司银元;杨文胜;刘森;李宗活;: "考虑消费者网购偏好行为的企业定向优惠券投放策略", 系统工程, no. 01, 6 January 2020 (2020-01-06), pages 226 - 232 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063945B (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
| CN103914468B (zh) | 一种投放信息搜索的方法和装置 | |
| US7577579B2 (en) | Method of predicting sales based on triple-axis mapping of customer value | |
| US8694372B2 (en) | Systems and methods for automatic control of marketing actions | |
| CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
| US20120123863A1 (en) | Keyword publication for use in online advertising | |
| CA3235875A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
| JP2009169699A (ja) | 販売情報分析装置 | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
| CN108053322A (zh) | 车辆的用户投资回报估算方法及系统 | |
| CN115391669A (zh) | 一种智能推荐方法、装置、电子设备 | |
| CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
| CN113051480A (zh) | 资源推送方法、装置、电子设备及存储介质 | |
| CN114625975B (zh) | 一种基于知识图谱的客户行为分析系统 | |
| CN113379511A (zh) | 用于输出信息的方法和装置 | |
| Zheng et al. | A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy | |
| CN111091409B (zh) | 客户标签的确定方法、装置和服务器 | |
| CN115147144A (zh) | 数据处理方法及电子设备 | |
| CN115130811A (zh) | 电力用户画像的建立方法、装置及电子设备 | |
| Dai et al. | Item-level forecasting for e-commerce demand with high-dimensional data using a two-stage feature selection algorithm | |
| CN111091218A (zh) | 竞价预测模型的生成以及广告投放自动出价方法和装置 | |
| US11687977B2 (en) | System and method for predicting customer lifetime value using two-stage machine learning | |
| CN117035859A (zh) | 一种电子优惠券的智能投放方法及系统 |
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 |