CN117078360A - 一种基于线下推广的商品智能展示方法、系统及装置 - Google Patents

一种基于线下推广的商品智能展示方法、系统及装置 Download PDF

Info

Publication number
CN117078360A
CN117078360A CN202311330974.1A CN202311330974A CN117078360A CN 117078360 A CN117078360 A CN 117078360A CN 202311330974 A CN202311330974 A CN 202311330974A CN 117078360 A CN117078360 A CN 117078360A
Authority
CN
China
Prior art keywords
display
merchant
commodity
data
setting
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
CN202311330974.1A
Other languages
English (en)
Inventor
陈茅
陈秀米子
洪小萌
张君威
周丙德
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.)
Shenzhen Selling Point Technology Co ltd
Original Assignee
Shenzhen Selling Point Technology 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 Shenzhen Selling Point Technology Co ltd filed Critical Shenzhen Selling Point Technology Co ltd
Priority to CN202311330974.1A priority Critical patent/CN117078360A/zh
Publication of CN117078360A publication Critical patent/CN117078360A/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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • 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

Abstract

本发明公开了一种基于线下推广的商品智能展示方法、系统及装置，属于线下零售技术领域，方法包括：步骤S1：获取展点数据，基于所述展点数据确定各待选商家；待选商家的确定方法包括：识别所述展点数据，基于所述展点数据生成对应的展点需求属性；根据所述展点数据中的展点位置确定辐射区域，根据所述展点需求属性在所述辐射区域内确定各待选商家；步骤S2：对各所述待选商家进行筛选，获得推荐商家列表，根据所述推荐商家列表确定目标商家；步骤S3：获取目标商家的展示商品，根据所述展示商品设置对应的展示方式；步骤S4：根据所述展示方式在展点进行目标商品展示，并实时统计对应的反馈数据。

Description

一种基于线下推广的商品智能展示方法、系统及装置
技术领域
本发明属于线下零售技术领域，具体是一种基于线下推广的商品智能展示方法、系统及装置。
背景技术
近年来，线下零售面临着许多挑战，包括电子商务的竞争、高昂的运营成本、低效的库存管理和不断变化的消费者需求等。这些挑战使得线下零售商需要寻找新的解决方案，以提升他们的业务效率和客户满意度。尤其是随着科技的发展，消费者的购物行为和习惯也在发生变化。他们越来越依赖数字化和智能化的工具，并期望在购物过程中得到更多的信息、更方便的购物体验和更个性化的服务。各种原因导致线下零售越来越难做，尤其是对于自身拥有很好的商品而缺乏关注的店铺，因缺乏关注而导致经营困难。
因此，为了解决上述问题，本发明提供了一种基于线下推广的商品智能展示方法、系统及装置。
发明内容
为了解决上述方案存在的问题，本发明提供了一种基于线下推广的商品智能展示方法、系统及装置。
本发明的目的可以通过以下技术方案实现：
一种基于线下推广的商品智能展示方法，方法包括：
步骤S1：获取展点数据，基于所述展点数据确定各待选商家；
进一步地，待选商家的确定方法包括：
识别所述展点数据，基于所述展点数据生成对应的展点需求属性；
根据展点位置确定辐射区域，根据所述展点需求属性在所述辐射区域内确定各待选商家。
进一步地，辐射区域的设置方法包括：
设置最大通勤时间；获取展点的交通数据，根据所述交通数据和所述最大通勤时间进行模拟出行；根据模拟出行记录确定出行区域，将获得的出行区域标记为辐射区域。
进一步地，设置折减系数，基于所述折减系数对出行区域进行折减，将折减后的所述出行区域标记为辐射区域。
步骤S2：对各所述待选商家进行筛选，获得推荐商家列表，根据所述推荐商家列表确定目标商家；
进一步地，推荐商家列表的设置方法包括：
获取各待选商家的店铺图片、店铺规模、顾客评分和通勤时间；
根据铺图片、店铺规模、顾客评分设置对应的店铺值，所述店铺值的取值范围为[0，100]；
将获得的店铺值和通勤时间分别标记为DP和TS；
根据优先公式BY=δ1×DP-δ2×TS0.7计算对应的优先值BY，将优先值不低于阈值X1的待选商家标记为推荐商家，其中，δ1、δ2均为比例系数，取值范围为0<δ1≤1，0<δ2≤1；
将推荐商家按照优先值的从大到小的顺序进行排序，获得推荐商家列表。
进一步地，店铺值的设置方法包括：
将店铺规模和顾客评分标记在店铺图片上，形成元数据；
建立分析模型，通过所述分析模型对所述元数据进行分析，获得对应的店铺值。
步骤S3：获取目标商家的展示商品，根据所述展示商品设置对应的展示方式；
进一步地，展示方式的设置方法包括：
根据历史展示案例建立展示方案库，所述展示方案库用于储存不同商品在不同展点数据下的最佳展示方案；
获取目标商品对应的展点数据，根据目标商品和展点数据从展示方案库中匹配对应的最佳展示方案，根据最佳展示方案和目标商品设置展示方式。
进一步地，在根据最佳展示方案设置展示方式之前，进行吸引力评估；
获取所述最佳展示方案的展示数据，基于所述展示数据进行吸引力评估；
当吸引力评估合格时，按照预设流程进行展示方式的设置；
当吸引力评估不合格时，获取对应的补充推荐闪光点，结合补充推荐闪光点进行展示方式的设置。
进一步地，吸引力评估方法包括：
根据所述展示数据生成对应的数据折线图；根据所述数据折线图设置客流量斜率、转化量斜率以及对应的客流量变化斜率、转化量变化斜率；
获取目标商家的顾客组成，根据顾客组成设置对应的各购物群体权重系数；
将购物群体标记为i，i=1、2、……、n，n为正整数；将获得的客流量斜率、转化量斜率、客流量变化斜率和转化量变化斜率分别标记为κi、μi、∆κi和Δμi；将获得的权重系数分别标记为ηi；
根据评估公式：
计算对应的评估值YFD，其中b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；Ai和Bi分别为参照客流量和参照转化量；Azi和Bzi分别为标准客流量和标准转化量；
当评估值大于阈值X2时，判定吸引力合格，反之判定吸引力不合格。
步骤S4：根据所述展示方式在展点进行目标商品展示，并实时统计对应的反馈数据。
一种基于线下推广的商品智能展示系统，包括展点模块、处理模块和展示模块；
所述展点模块用于根据展点数据确定目标商家以及对应的展示商品；
所述处理模块用于为展示商品设置对应的展示方式；
所述展示模块用于根据展示方式在展点进行目标商品展示，并实时统计对应的反馈数据。
一种基于线下推广的商品智能展示装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现基于线下推广的商品智能展示方法的步骤。
与现有技术相比，本发明的有益效果是：
通过本发明实现充分调动人们对线下零售商家的兴趣，增加目标商家的曝光度，对目标商家进行引流，进而实现目标商家的线下推广；而且通过根据展点数据智能确定目标商家，避免无效展示，进行客户的精准分析和商家匹配；解决线下商家因缺乏关注而导致经营困难的问题，同时帮助周边客户发现优质商家，实现多赢；且为目标商家推广的均是周边的高质量客户，回头率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
实施方式
下面将结合实施例对本发明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。
如图1所示，一种基于线下推广的商品智能展示方法，方法包括：
步骤S1：获取展点数据，基于获得的展点数据确定各待选商家；
展点数据包括展点位置、展示时段、周边人流信息、人流组成等相关信息；具体的是由平台方根据选定的展点采取调研等方式进行采集的；如选定展点为商场，根据该商场面向的对象、人流量、销售等相关数据设置展点数据，用于表明该展点的实际情况，便于筛选符合该展点展示的线下商品。
利用展点数据检索符合展点数据属性的周边商家，标记为待选商家。
具体的，可以采用如下方式确定各待选商家：
识别展点数据，生成展点数据对应的展点需求属性；即利用展点数据生成该展点所对应的需求属性，如该展点所处位置的定位为高收入人群，其需求属性即为与高收入人群相关的某些商品；因为展点可选种类是具有上限的，因此，可以预设不同展点数据对应的展点需求属性，后续根据展点数据进行相似度匹配即可；也可以采用在设置展点数据时，由对应的工作人员直接设置相应的展点需求属性。
根据展点位置确定辐射区域，在辐射区域内检索符合展点需求属性的各零售商家，标记为待选商家；即只要符合展点需求属性即可，后续步骤再进行筛选，如售卖对应符合要求商品的零售商家。
在一个实施例中，设置辐射区域可以由平台方工作人员进行直接设置，充分利用过往线下展示经验，发挥最大展出效果。
在其他实施例中，也可以利用智能分析的方法设置辐射区域，方法包括：
设置最大通勤时间；最大通勤时间是根据人们愿意出行线下购物的最大时间进行设置的，可以根据各城市的相关消费统计进行设置，也可以直接由平台方进行设置，如半小时至一小时之间；
获取展点的交通数据，交通数据包括到达该展点可以采用的各种交通方式或者各交通方式的组合，如骑行+地铁；根据交通数据和最大通勤时间进行模拟出行，即按照各种交通方式或对应组合，在最大通勤时间内进行模拟出行，获得大量的出行终点，汇总各终点可以获得在交通数据和最大通勤时间下的出行区域，将获得的出行区域标记为辐射区域。
在实际应用过程中，需要考虑边界问题，即充分考虑边界商家因为距离对客户兴趣消减的因素，为了保障商家的效益，需要对出行区域进行折减，避免最终选择边界上的商家为最终展示的商家，影响商家的引流效果；具体的折减系数由平台方工作人员进行设置，如09、0.95、0.8、0.87等，将出行区域边界对应向内折减对应的折减系数，将折减后的出行区域标记为辐射区域。
步骤S2：对各待选商家进行筛选，获得推荐商家列表，根据推荐商家列表确定目标商家；
根据展示要求、需求等情况对待选商家进行筛选，获得符合要求的待选商家，再由工作人员与各推荐商家进行沟通，确定对应数量的目标商家；具体过程如下：
获取各待选商家的店铺图片、店铺规模、顾客评分和通勤时间，其中店铺图片、店铺规模、顾客评分可以通过当前的互联网进行采集，顾客评分可以采用现有的各平台上的评分，若无法采集到相应评分，可以预设一个默认评分，一般为及格分，评分不会很高，需要考虑到很多客户会先从互联网上进行预先了解的情况；通勤时间是按照模拟出行时的最快交通方式进行预估的。
将店铺规模和顾客评分标记在店铺图片上，将当前的店铺图片标记为元数据；对元数据进行分析，获得对应的店铺值；具体的是基于CNN网络或DNN网络等建立对应的分析模型，通过人工的方式建立对应的训练集进行训练，通过训练成功后的分析模型进行对元数据进行分析，获得对应的店铺值，店铺值的取值范围为[0，100]；因为神经网络为本领域的现有技术，因此，具体的建立和训练过程在本发明中不进行详细叙述；示例性的过程如下：
创建样本数据集，样本数据集包括素材样本和人工标注样本集，素材样本为原始图片集，人工标注样本集为对原始图片进行格式转换、人工标注店铺值处理后的图片集，样本数据集中素材样本和人工标注样本集比例为2：1；对人工标注样本集中的图片进行二值化处理，并以单通道形式进行保存，将照片样本集和人工标注样本集按照比例进行切分，形成第二照片样本集和第二人工标注样本集；在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型，设置Linknet网络模型的参数，将第二照片样本集和第二人工标注样本集输入Linknet网络模型，并基于Pytorch深度学习框架对Linknet网络模型进行训练，训练过程中保存多个模型，利用验证集数据选择误差最小的模型作为分析模型。
将获得的店铺值和通勤时间分别标记为DP和TS；
根据优先公式BY=δ1×DP-δ2×TS0.7计算对应的优先值BY，将优先值不低于阈值X1的待选商家标记为推荐商家，其中，δ1、δ2均为比例系数，取值范围为0<δ1≤1，0<δ2≤1；
将推荐商家按照优先值的从大到小的顺序进行排序，获得推荐商家列表。
步骤S3：获取目标商家的展示商品，根据展示商品设置对应的展示方式；
在一个实施例中，展示方式的设置，全部由平台方工作人员根据展示商品进行设置，从历史展示经验的角度进行设置，帮助目标商家进行线下推广和引流；或者利用现有的各种相关领域商品的展示方式进行展示，如利用VR技术进行展示，线下网络试穿衣服等，结合体验过程中的趣味性吸引客户；具体的由平台方工作人员进行设置。
在其他实施例中，随着举办展示活动的日益增多，在平台方处将会积累大量的展示案例，从展示案例中可以获取不同案例对人们的宣传效果，进而总结展示经验，设置不同商品在不同展点背景下的最佳展示方案，并在最佳展示方案中标记其中对应的闪光点，即吸引对应群体客户的部分，进行汇总建立展示方案库，通过展示方案库储存各种最佳展示方案，并由平台方进行维护、更新。
获取目标商品对应的展点数据，根据目标商品和展点数据从展示方案库中匹配对应的最佳展示方案，由平台方工作人员基于最佳展示方案进行目标商品的展示方式设置。
在一个实施例中，按照上述两种方式设置展示方式，随着时间的推移，展示方式将会越来越相似，最终导致始终按照同一案例进行设置，吸引力将会逐渐下降，因此，在本实施例中，先对选择的最佳展示方案进行数据评估，判断其当前对客户的吸引力，若吸引力评估合格，则继续使用，反之，则补充推荐闪光点，供工作人员改进。
其中，吸引力评估的方法包括：
获取最佳展示方案的展示数据，展示数据包括各次线下展示对应来观看展品、参与活动的客流量、转化量（去目标商家购物的客户数量占比）、购物群体等数据。
根据获得的展示数据建立对应的数据折线图，通过数据折线图显示对客户的吸引情况变化，即分别绘制各个购物群体的客流量变化曲线、转化量变化曲线，整合为数据折线图；以时间为横轴，客流量或转化量为纵轴。
根据数据折线图设置客流量斜率、转化量斜率以及对应的客流量变化斜率、转化量变化斜率，客流量斜率、转化量斜率均是从起点到当前对应曲线终点计算的斜率；如起点坐标为（x1，y1），终点坐标为（x2，y2），则客流量斜率为（y2-y1）/（x2-x1）；客流量变化斜率、转化量变化斜率是根据曲线的变化进行设置的，用于对客流量斜率、转化量斜率进行修正；若采用简单方式可以识别终点的斜率，以及终点前两个点的斜率，按照顺序计算对应的斜率差值，根据斜率差值的变化情况，推算接下来时间的斜率，利用数学统计进行估算，进而与客流量斜率或转化量斜率进行比较，确定客流量变化斜率或转化量变化斜率；也可以基于CNN网络或DNN网络建立对应的斜率分析模型，通过人工的方式建立对应的训练集进行训练，训练集包括各种模拟设置的数据折线图以及对应设置的客流量斜率、转化量斜率以及对应的客流量变化斜率、转化量变化斜率，通过训练成功后的斜率分析模型进行分析，获得对应的客流量斜率、转化量斜率以及对应的客流量变化斜率、转化量变化斜率。
获取目标商家的顾客组成，根据顾客组成设置对应的购物群体权重系数，一般可以直接按照对应的组成确定相应的权重系数，但是在实际应用过程中，可以有平台方工作人员根据组成比重进行相应的权重系数调整，将组成比重大的权重系数进行向上调整，组成比重小的向下调整。
将购物群体标记为i，i=1、2、……、n，n为正整数；将获得的客流量斜率、转化量斜率、客流量变化斜率和转化量变化斜率分别标记为κi、μi、∆κi和Δμi；
识别数据折线图终点处的客流量和转化量，标记为参照客流量和参照转化量，分别标记为Ai和Bi，预设标准客流量和标准转化量，即由平台方设置的预期下限标准的客流量和转化量；分别标记为Azi和Bzi；
将获得的权重系数分别标记为ηi；
根据评估公式：
计算对应的评估值YFD，其中b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；当评估值大于阈值X2时，判定吸引力合格，反之判定吸引力不合格。
当判定吸引力不合格时，进行闪光点补充，从展示方案库或者其他来源获取该目标商品还可以通过何种方式具有最佳展示方案中没有的闪光点，进行相应的闪光点的推荐替换、补充等操作；也可以当判定吸引力不合格时，向工作人员进行预警，由工作人员通过人工的方式补充推荐闪光点；可以采用多种方式进行设置。
步骤S4：根据获得的展示方式在展点进行展示，并实时统计对应的反馈数据。
通过本发明实现充分调动人们对线下零售商家的兴趣，增加目标商家的曝光度，对目标商家进行引流，进而实现目标商家的线下推广；而且通过根据展点数据智能确定目标商家，避免无效展示，进行客户的精准分析和商家匹配；解决线下商家因缺乏关注而导致经营困难的问题，同时帮助周边客户发现优质商家，实现多赢；且为目标商家推广的均是周边的高质量客户，回头率高。
在上述实施例中，对于基于线下推广的商品智能展示方法进行了详细描述，本申请还提供线下推广的商品智能展示装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
一种基于线下推广的商品智能展示系统，包括展点模块、处理模块和展示模块；
所述展点模块用于根据展点数据确定目标商家以及对应的展示商品；
所述处理模块用于为展示商品设置对应的展示方式；
所述展示模块用于根据展示方式在展点进行目标商品展示，并实时统计对应的反馈数据。
一种基于线下推广的商品智能展示装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现基于线下推广的商品智能展示方法的步骤。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (10)

1.一种基于线下推广的商品智能展示方法，其特征在于，方法包括：
步骤S1：获取展点数据，基于所述展点数据确定各待选商家；
待选商家的确定方法包括：
识别所述展点数据，基于所述展点数据生成对应的展点需求属性；
根据所述展点数据中的展点位置确定辐射区域，根据所述展点需求属性在所述辐射区域内确定各待选商家；
步骤S2：对各所述待选商家进行筛选，获得推荐商家列表，根据所述推荐商家列表确定目标商家；
步骤S3：获取目标商家的展示商品，根据所述展示商品设置对应的展示方式；
步骤S4：根据所述展示方式在展点进行目标商品展示，并实时统计对应的反馈数据。
2.根据权利要求1所述的一种基于线下推广的商品智能展示方法，其特征在于，辐射区域的设置方法包括：
设置最大通勤时间；获取展点的交通数据，根据所述交通数据和所述最大通勤时间进行模拟出行；根据模拟出行记录确定出行区域，将获得的出行区域标记为辐射区域。
3.根据权利要求2所述的一种基于线下推广的商品智能展示方法，其特征在于，设置折减系数，基于所述折减系数对出行区域进行折减，将折减后的所述出行区域标记为辐射区域。
4.根据权利要求1所述的一种基于线下推广的商品智能展示方法，其特征在于，推荐商家列表的设置方法包括：
获取各待选商家的店铺图片、店铺规模、顾客评分和通勤时间；
根据店铺图片、店铺规模、顾客评分设置对应的店铺值，所述店铺值的取值范围为[0，100]；
将获得的店铺值和通勤时间分别标记为DP和TS；
根据优先公式BY=δ1×DP-δ2×TS0.7计算对应的优先值BY，将优先值不低于阈值X1的待选商家标记为推荐商家，其中，δ1、δ2均为比例系数，取值范围为0<δ1≤1，0<δ2≤1；
将推荐商家按照优先值的从大到小的顺序进行排序，获得推荐商家列表。
5.根据权利要求4所述的一种基于线下推广的商品智能展示方法，其特征在于，店铺值的设置方法包括：
将店铺规模和顾客评分标记在店铺图片上，形成元数据；
建立分析模型，通过所述分析模型对所述元数据进行分析，获得对应的店铺值。
6.根据权利要求1所述的一种基于线下推广的商品智能展示方法，其特征在于，展示方式的设置方法包括：
根据历史展示案例建立展示方案库，所述展示方案库用于储存不同商品在不同展点数据下的最佳展示方案；
获取目标商品对应的展点数据，根据目标商品和展点数据从展示方案库中匹配对应的最佳展示方案，根据最佳展示方案和目标商品设置展示方式。
7.根据权利要求6所述的一种基于线下推广的商品智能展示方法，其特征在于，在根据最佳展示方案设置展示方式之前，进行吸引力评估；
获取所述最佳展示方案的展示数据，基于所述展示数据进行吸引力评估；
当吸引力评估合格时，按照预设流程进行展示方式的设置；
当吸引力评估不合格时，获取对应的补充推荐闪光点，结合补充推荐闪光点进行展示方式的设置。
8.根据权利要求7所述的一种基于线下推广的商品智能展示方法，其特征在于，吸引力评估方法包括：
根据所述展示数据生成对应的数据折线图；根据所述数据折线图设置客流量斜率、转化量斜率以及对应的客流量变化斜率、转化量变化斜率；
获取目标商家的顾客组成，根据顾客组成设置对应的各购物群体权重系数；
将购物群体标记为i，i=1、2、……、n，n为正整数；将获得的客流量斜率、转化量斜率、客流量变化斜率和转化量变化斜率分别标记为κi、μi、∆κi和Δμi；将获得的权重系数分别标记为ηi；
根据评估公式：
计算对应的评估值YFD，其中b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；Ai和Bi分别为参照客流量和参照转化量；Azi和Bzi分别为标准客流量和标准转化量；
当评估值大于阈值X2时，判定吸引力合格，反之判定吸引力不合格。
9.一种基于线下推广的商品智能展示系统，其特征在于，执行权利要求1至8中任意一项所述的一种基于线下推广的商品智能展示方法；
包括展点模块、处理模块和展示模块；
所述展点模块用于根据展点数据确定目标商家以及对应的展示商品；
所述处理模块用于为展示商品设置对应的展示方式；
所述展示模块用于根据展示方式在展点进行目标商品展示，并实时统计对应的反馈数据。
10.一种基于线下推广的商品智能展示装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述的一种基于线下推广的商品智能展示方法的步骤。
CN202311330974.1A 2023-10-16 2023-10-16 一种基于线下推广的商品智能展示方法、系统及装置 Pending CN117078360A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311330974.1A CN117078360A (zh) 2023-10-16 2023-10-16 一种基于线下推广的商品智能展示方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311330974.1A CN117078360A (zh) 2023-10-16 2023-10-16 一种基于线下推广的商品智能展示方法、系统及装置

Publications (1)

Publication Number Publication Date
CN117078360A true CN117078360A (zh) 2023-11-17

Family

ID=88717534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311330974.1A Pending CN117078360A (zh) 2023-10-16 2023-10-16 一种基于线下推广的商品智能展示方法、系统及装置

Country Status (1)

Country Link
CN (1) CN117078360A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522534A (zh) * 2024-01-08 2024-02-06 深圳市卖点科技股份有限公司 一种基于物联网的商品智能展示方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574005A (zh) * 2015-02-15 2015-04-29 蔡耿新 集增强现实、体感、抠绿技术的广告展示管理系统和方法
CN106406880A (zh) * 2016-09-13 2017-02-15 广东欧珀移动通信有限公司 一种广告信息推送方法及终端
CN109509034A (zh) * 2018-12-17 2019-03-22 上海掌门科技有限公司 广告投放方法、设备及计算机可读存储介质
CN110570232A (zh) * 2019-08-05 2019-12-13 科大讯飞股份有限公司 互联网广告投放方法、装置、服务器及存储介质
CN111127133A (zh) * 2018-11-26 2020-05-08 胡婷园 一种基于位置的周边实体店商品展示售卖方法及系统
CN112507240A (zh) * 2020-12-30 2021-03-16 福建诺诚数字科技有限公司 一种基于位置信息与出行方式的商家信息获取方法及系统
CN114782080A (zh) * 2022-04-07 2022-07-22 海创智汇(福州)科技有限公司 一种结合位置信息并投放实时广告到手环的方法及系统
CN114862464A (zh) * 2022-05-09 2022-08-05 阿里巴巴（中国）有限公司 一种广告投放效果预估方法及装置
CN114862508A (zh) * 2022-04-24 2022-08-05 携程旅游信息技术（上海）有限公司 目标产品的展示方法、系统、电子设备和存储介质
CN114971747A (zh) * 2022-07-14 2022-08-30 广州卓铸网络科技有限公司 一种基于大数据商品精准营销的数据分析方法及系统
CN115760238A (zh) * 2022-11-08 2023-03-07 北京荣山元海网络科技有限公司 基于注意力监测的广告效果价值评估方法及装置
CN115809898A (zh) * 2021-09-13 2023-03-17 上海擎感智能科技有限公司 广告的投放方法、系统、电子设备及介质
CN116362810A (zh) * 2023-06-01 2023-06-30 北京容大友信科技有限公司 广告投放效果评估方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574005A (zh) * 2015-02-15 2015-04-29 蔡耿新 集增强现实、体感、抠绿技术的广告展示管理系统和方法
CN106406880A (zh) * 2016-09-13 2017-02-15 广东欧珀移动通信有限公司 一种广告信息推送方法及终端
CN111127133A (zh) * 2018-11-26 2020-05-08 胡婷园 一种基于位置的周边实体店商品展示售卖方法及系统
CN109509034A (zh) * 2018-12-17 2019-03-22 上海掌门科技有限公司 广告投放方法、设备及计算机可读存储介质
CN110570232A (zh) * 2019-08-05 2019-12-13 科大讯飞股份有限公司 互联网广告投放方法、装置、服务器及存储介质
CN112507240A (zh) * 2020-12-30 2021-03-16 福建诺诚数字科技有限公司 一种基于位置信息与出行方式的商家信息获取方法及系统
CN115809898A (zh) * 2021-09-13 2023-03-17 上海擎感智能科技有限公司 广告的投放方法、系统、电子设备及介质
CN114782080A (zh) * 2022-04-07 2022-07-22 海创智汇(福州)科技有限公司 一种结合位置信息并投放实时广告到手环的方法及系统
CN114862508A (zh) * 2022-04-24 2022-08-05 携程旅游信息技术（上海）有限公司 目标产品的展示方法、系统、电子设备和存储介质
CN114862464A (zh) * 2022-05-09 2022-08-05 阿里巴巴（中国）有限公司 一种广告投放效果预估方法及装置
CN114971747A (zh) * 2022-07-14 2022-08-30 广州卓铸网络科技有限公司 一种基于大数据商品精准营销的数据分析方法及系统
CN115760238A (zh) * 2022-11-08 2023-03-07 北京荣山元海网络科技有限公司 基于注意力监测的广告效果价值评估方法及装置
CN116362810A (zh) * 2023-06-01 2023-06-30 北京容大友信科技有限公司 广告投放效果评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522534A (zh) * 2024-01-08 2024-02-06 深圳市卖点科技股份有限公司 一种基于物联网的商品智能展示方法及系统
CN117522534B (zh) * 2024-01-08 2024-03-29 深圳市卖点科技股份有限公司 一种基于物联网的商品智能展示方法及系统

Similar Documents

Publication Publication Date Title
Feldman et al. Customer choice models vs. machine learning: Finding optimal product displays on Alibaba
CN111402013B (zh) 一种商品搭配推荐方法、系统、装置及存储介质
CN108876526B (zh) 商品推荐方法、装置和计算机可读存储介质
CN108205768B (zh) 数据库建立方法和数据推荐方法及装置、设备和存储介质
CN108564414A (zh) 基于线下行为的商品推荐方法和系统
EP4198864A1 (en) User feature-based page display method and apparatus, medium, and electronic device
CN117078360A (zh) 一种基于线下推广的商品智能展示方法、系统及装置
CN112131480A (zh) 基于多层异质属性网络表征学习的个性化商品推荐方法及系统
CN114997956B (zh) 基于大数据的母婴产品智能推荐系统
CN111667337A (zh) 一种商品评价的排序方法和系统
CN113946754A (zh) 基于用户画像的权益推荐方法、装置、设备及存储介质
CN110544131A (zh) 一种数据驱动的电商用户购买行为预测方法
CN114971747A (zh) 一种基于大数据商品精准营销的数据分析方法及系统
CN114331543A (zh) 一种大规模人群定向及动态化场景匹配的广告传播方法
CN112307333A (zh) 基于机器视觉与加权knn的智能购车推荐方法
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN109272351B (zh) 客流动线以及客流热区确定方法及装置
CN112215630A (zh) 一种全渠道渐进式会员精准营销方法
CN113868526A (zh) 信息推送方法和装置、非瞬时性计算机可读存储介质
CN116452299A (zh) 一种电商智能化推荐系统及方法
CN115482014B (zh) 一种二手车虚假车源的识别方法和装置
CN106296253A (zh) 一种广告数据安全控制和发布的方法及系统
CN111340592B (zh) 一种基于5g通讯的人工智能区块链电子商务系统及方法
JP2000200260A (ja) 商品販売数予測システム
CN109191192B (zh) 数据估算方法、装置和计算机可读存储介质

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