CN117689452A - 一种基于购药规律的医药精准营销管理方法及系统 - Google Patents
一种基于购药规律的医药精准营销管理方法及系统 Download PDFInfo
- Publication number
- CN117689452A CN117689452A CN202410141472.2A CN202410141472A CN117689452A CN 117689452 A CN117689452 A CN 117689452A CN 202410141472 A CN202410141472 A CN 202410141472A CN 117689452 A CN117689452 A CN 117689452A
- Authority
- CN
- China
- Prior art keywords
- medicine
- customer
- data
- purchasing
- drug
- 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.)
- Granted
Links
- 239000003814 drug Substances 0.000 title claims abstract description 327
- 229940079593 drug Drugs 0.000 title claims abstract description 134
- 238000007726 management method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 35
- 238000007637 random forest analysis Methods 0.000 claims description 31
- 230000000694 effects Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 230000001737 promoting effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 abstract description 65
- 230000007774 longterm Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于购药规律的医药精准营销管理方法及系统,用于营销管理领域,该方法包括以下步骤:收集医药营销渠道中顾客的购药行为数据和市场的动态数据;使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律;利用在线问卷调查获取顾客对药品选择和购买体验的反馈;根据所述顾客对药品的需求和偏好、所述顾客对药品选择和购买体验的反馈及所述市场的动态数据,提供药品推荐;设计优惠策略和促销活动;在预设的试点区域内实施推荐和促销活动。本发明根据实际情况和预测结果之间的差异,优化模型的参数,使得药品偏好推荐模型能够持续学习和适应市场变化和顾客行为,提供更加精准和有效的药品推荐。
Description
技术领域
本发明涉及营销管理领域,具体来说,尤其涉及一种基于购药规律的医药精准营销管理方法及系统。
背景技术
医药营销管理涉及在医药行业中实施有效的营销策略和管理营销活动,旨在推广药品、医疗设备和医疗服务;医药行业受到严格的法规监管,包括药品的批准、广告和促销活动的规范,医药营销管理需要确保所有活动符合相关法律和伦理标准,了解市场趋势、顾客需求和竞争对手的行为是医药营销管理的关键,需要定期进行市场研究和数据分析,在医药营销管理中,对产品的了解非常重要,包括产品的开发、定位、定价策略和生命周期管理,医药产品的销售渠道可能包括批发商、零售商、医疗机构和在线平台,有效管理这些渠道以确保产品的可及性和可见性,医药营销管理需要特别关注伦理和社会责任问题,包括提供准确的产品信息、保护患者隐私和促进公共健康。
传统的药品推荐系统可能只依赖于有限的数据来源,如仅限于某个特定的销售渠道或者缺乏市场动态的全面分析,导致无法全面理解顾客需求和市场状况,从而影响药品推荐的准确性和效果,使用较为简单的数据分析方法,无法有效去除噪声和提取关键特征,也难以识别和分析顾客的购药行为模式,许多现有药品推荐系统可能无法提供足够个性化的服务,无法充分考虑到顾客的个人偏好和购买历史,传统推荐系统可能缺乏动态优化机制,无法根据市场变化和顾客反馈及时调整推荐策略,现有技术中的促销活动可能过于泛化,缺乏针对性和个性化,不能有效吸引目标顾客群体。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
为了克服以上问题,本发明旨在提出一种基于购药规律的医药精准营销管理方法及系统,目的在于解决传统的药品推荐系统可能只依赖于有限的数据来源,如仅限于某个特定的销售渠道或者缺乏市场动态的全面分析,导致无法全面理解顾客需求和市场状况,从而影响药品推荐的准确性和效果,使用较为简单的数据分析方法,无法有效去除噪声和提取关键特征,也难以识别和分析顾客的购药行为模式的问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于购药规律的医药精准营销管理方法,该医药精准营销管理方法包括以下步骤:
S1、收集医药营销渠道中顾客的购药行为数据和市场的动态数据;
S2、使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好;
S3、利用在线问卷调查获取顾客对药品选择和购买体验的反馈;
S4、根据顾客对药品的需求和偏好、顾客对药品选择和购买体验的反馈及市场的动态数据,提供药品推荐;
S5、基于个性化的药品推荐,设计优惠策略和促销活动;
S6、在预设的试点区域内实施推荐和促销活动,并根据试点区域的测试反馈及持续监测的市场动态,对优惠策略和促销活动进行调整和优化。
可选地,使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好包括以下步骤:
S21、利用小波分析处理顾客的购药行为数据,去除噪声,提取顾客购药行为特征数据;
S22、利用LSTM神经网络对顾客购药行为特征数据进行建模,得到药品偏好推荐模型,并识别购药规律;
S23、使用历史的购药行为数据来训练药品偏好推荐模型;
S24、利用训练好的药品偏好推荐模型,并基于购药规律初步预测顾客对药品的需求和偏好的变化;
S25、根据初步预测顾客对药品的需求和偏好的变化和实际情况的差异,优化药品偏好推荐模型的参数,得到改进的模型预测结果,获取最终的顾客对药品的需求和偏好的变化。
可选地,利用小波分析处理顾客的购药行为数据,去除噪声,提取顾客购药行为特征数据包括以下步骤:
S211、预设小波分解的层数;
S212、使用预设的小波分解层数对顾客购药行为数据进行小波分解,将初始顾客购药行为特征数据分解成多个频率层级上的低频信号组件和高频信号组件;
S213、对于每一层的小波分解结果,根据预设阈值对高频信号组件进行去噪处理,分离顾客购药行为特征数据中的噪声成分,同时保留低频信号组件;
S214、利用经过去噪处理的高频信号组件和低频信号组件进行小波重构,得到去噪后的顾客购药行为特征数据。
可选地,利用LSTM神经网络对顾客购药行为特征数据进行建模,得到药品偏好推荐模型,并识别购药规律包括以下步骤:
S221、构建LSTM神经网络的架构,LSTM神经网络的架构包括输入层、隐藏层和输出层,其中,输入层用于接收去噪后的顾客购药行为特征数据,隐藏层包含LSTM单元处理时间序列数据,输出层用于生成最终的预测结果;
S222、利用输入层处理去噪后的顾客购药行为特征数据;
S223、根据隐藏层设置LSTM神经网络的参数,并初始化网络的权重和偏置;
S224、根据顾客对药品的需求和偏好的变化选择损失函数,并定义评估模型性能的指标;
S225、将输入层、隐藏层和输出层进行连接,并构建药品偏好推荐模型。
可选地,根据顾客对药品的需求和偏好、顾客对药品选择和购买体验的反馈及市场的动态数据,提供药品推荐包括以下步骤:
S41、获取顾客对药品的需求和偏好、顾客对药品选择和购买体验的反馈及市场的动态数据的药品特征数据;
S42、利用ReliefF算法分析药品特征数据,并计算药品特征数据的重要性权值;
S43、使用欧氏距离并基于药品特征数据计算类内距离和类间距离;
S44、通过比较类内距离与类间距离的距离,调整药品特征数据的重要性权值,从而得出药品特征数据的权重值;
S45、根据特征的权重值,将特征划分为不同的特征子集;
S46、使用特征子集训练多个决策树,构建随机森林模型;
S47、采用Bootstrap策略随机抽取药品特征数据作为自助样本集,然后按照预设的比例和顺序从不同的特征子集中选择特征,构造特征子空间,接着通过不断的分裂生长和节点优化,训练多个决策树,优化随机森林模型;
S48、利用优化后的随机森林模型进行药品推荐。
可选地,利用ReliefF算法分析药品特征数据,并计算药品特征数据的重要性权值包括以下步骤:
S421、初始化每个特征的权重值;
S422、从所有特征中随机选择一个特征,并计算特征在不同类别之间的差异性;
S423、根据计算的差异性来调整特征的权重;
S424、重复执行S422-S423的步骤,并为每个特征计算最终的重要性权重。
可选地,使用欧氏距离并基于药品特征数据计算类内距离和类间距离的公式为:
;
式中,表示药品特征数据/>和药品特征数据/>之间的欧氏距离;
表示药品特征数据/>在第i个特征上的值;
表示药品特征数据/>在第i个特征上的值;
表示药品特征数据的维度数。
可选地,通过比较类内距离与类间距离的距离,调整药品特征数据的重要性权值,从而得出药品特征数据的权重值包括以下步骤:
S441、获取药品特征数据的类内距离和类间距离,其中,类内距离指同一类药品特征数据之间的特征差异,类间距离指不同类药品特征数据之间的特征差异;
S442、对于每个药品特征数据,分析药品特征数据在类内和类间距离中的差异;
S443、基于类内和类间距离中的差异,使用ReliefF算法调整每个药品特征数据的重要性权值;
S444、重复执行S441-S443的步骤,直到每个药品特征数据均有对应的权重值,从而得到药品特征数据的权重值。
可选地,利用优化后的随机森林模型进行药品推荐包括以下步骤:
S481、将目标顾客的数据输入随机森林模型;
S482、随机森林模型会根据输入的顾客数据,推荐最适合目标顾客的药品;
S483、对推荐结果进行评估,并收集顾客对推荐药品的反馈;
S484、根据顾客的反馈和市场的动态数据,调整和优化随机森林模型。
根据本发明的另一个方面,还提供了一种基于购药规律的医药精准营销管理系统,该系统包括:数据收集模块、数据分析模块、顾客反馈模块、个性化推荐模块、促销策略设计模块及试点与优化模块;
数据收集模块,用于收集医药营销渠道中顾客的购药行为数据和市场的动态数据;
数据分析模块,用于使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好;
顾客反馈模块,用于利用在线问卷调查获取顾客对药品选择和购买体验的反馈;
个性化推荐模块,用于根据所述顾客对药品的需求和偏好、所述顾客对药品选择和购买体验的反馈及所述市场的动态数据,提供药品推荐;
促销策略设计模块,用于基于个性化的药品推荐,设计优惠策略和促销活动;
试点与优化模块,用于在预设的试点区域内实施推荐和促销活动,并根据试点区域的测试反馈及持续监测的市场动态,对优惠策略和促销活动进行调整和优化。
相较于现有技术,本申请具有以下有益效果:
1、本发明通过多渠道收集数据,包括线上药店、传统药房、医疗机构及各类健康应用平台,获得关于顾客购药行为和市场动态的全面信息,全方位的数据收集方法能够为药品推荐提供更为精确和全面的基础,有助于更好地理解市场需求和顾客行为。
2、本发明通过小波分析处理数据,去除噪声并提取关键特征,有效地识别和分析顾客的购药行为模式,在不同时间尺度上进行分析,能够突出数据中的重要行为模式,使用LSTM神经网络进行建模,特别适合分析和预测时间序列数据中的长期依赖关系,模型能够更准确地识别顾客的购药规律和偏好,从而为顾客提供更为精准的药品推荐,利用训练好的药品偏好推荐模型,基于顾客的购药规律和历史行为数据预测他们对药品的需求和偏好,从而提供个性化的药品推荐,提高了顾客的满意度,也增加了药品销售的可能性,根据实际情况和预测结果之间的差异,优化模型的参数,使得药品偏好推荐模型能够持续学习和适应市场变化和顾客行为,从而提供更加精准和有效的药品推荐。
3、本发明通过综合分析顾客的需求和偏好,购买体验的反馈,以及市场动态数据,能够提供更符合个人需求的药品推荐,能够更好地满足顾客的具体需求,提高顾客满意度和忠诚度,使用ReliefF算法和欧氏距离等数学方法对药品特征数据进行分析,可以更精准地确定哪些特征对于药品推荐更为重要,基于数据的决策方法能够提高推荐的准确性和有效性,通过不断收集顾客的反馈和市场的动态数据,可以持续优化和调整推荐模型,动态优化机制使得推荐能够适应市场的变化和顾客需求的演进,通过利用随机森林模型和其他高级算法,分析数据并作出更准确的预测,随机森林模型通过集成多个决策树的结果来提高整体的预测准确度和稳健性,个性化和精准的药品推荐可以增加销售机会,减少库存积压和过期药品的风险,从而提高药品销售的效率和利润,通过提供高质量的个性化推荐,药品销售商可以在竞争激烈的市场中脱颖而出,吸引和保留更多的顾客。
4、本发明通过个性化的优惠策略,可以更精确地满足顾客的需求和偏好,能够吸引顾客参与,提高他们对促销活动的兴趣和参与度,个性化的优惠策略能够直接针对那些最可能对某类药品感兴趣的顾客,从而提高销售的效率和成功率,可以减少无效推广,最大化销售潜力,通过提供对顾客真正有价值的优惠和促销活动,可以增强顾客的满意度和忠诚度,顾客感觉到被重视和理解,更可能成为长期忠实的顾客。
5、本发明在预设的试点区域实施推荐和促销活动,可以有效地测试和评估优惠策略的有效性,根据试点区域的反馈和市场动态,能够及时调整和优化策略,确保促销活动的成功,持续监测市场动态和顾客反馈,使得优惠策略和促销活动可以灵活调整,以适应市场变化和顾客需求,动态调整机制有助于保持促销活动的相关性和吸引力。
附图说明
结合实施例的以下描述,本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂,实施例结合附图详细阐述。在此以示意图示出:
图1是根据本发明实施例的一种基于购药规律的医药精准营销管理方法的流程图;
图2是根据本发明实施例的一种基于购药规律的医药精准营销管理系统的原理框图。
图中:
1、数据收集模块;2、数据分析模块;3、顾客反馈模块;4、个性化推荐模块;5、促销策略设计模块;6、试点与优化模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
根据本发明的实施例,提供了一种基于购药规律的医药精准营销管理方法及系统。
具体地,现对本申请涉及的技术术语或者部分名词进行解释:药品偏好推荐模型为长短期记忆神经网络模型,长短期记忆神经网络模型是一种特殊类型的循环神经网络,它特别适合处理具有长期依赖性的时间序列数据。在处理顾客购药行为这类序列数据时,长短期记忆神经网络模型能够捕捉到时间上的长期关联和模式,通过训练,LSTM模型能够预测顾客未来可能感兴趣的药品类型,为顾客提供个性化的药品推荐,推荐基于顾客历史的购药行为和模型对其购药规律的理解,个性化推荐不仅能满足顾客的当前需求,还能预见并满足顾客的未来需求,提高顾客满意度和忠诚度。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于购药规律的医药精准营销管理方法,该医药精准营销管理方法包括以下步骤:
S1、收集医药营销渠道中顾客的购药行为数据和市场的动态数据。
需要解释说明的是,利用医药营销渠道中的多种渠道收集数据,包括线上药店、传统药房、医疗机构以及各类健康应用平台等,获得顾客的购药记录、药品查询历史、购药频率等信息,收集行业报告、竞争对手动态、药品价格变化、市场需求趋势等信息,从行业研究报告、市场调研、公开发布的数据等多种渠道获得。
S2、使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好。
优选地,使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好包括以下步骤:
S21、利用小波分析处理顾客的购药行为数据,去除噪声,提取顾客购药行为特征数据;
S22、利用LSTM神经网络对顾客购药行为特征数据进行建模,得到药品偏好推荐模型,并识别购药规律;
S23、使用历史的购药行为数据来训练药品偏好推荐模型;
S24、利用训练好的药品偏好推荐模型,并基于购药规律初步预测顾客对药品的需求和偏好的变化;
S25、根据初步预测顾客对药品的需求和偏好的变化和实际情况的差异,优化药品偏好推荐模型的参数,得到改进的模型预测结果,获取最终的顾客对药品的需求和偏好的变化。
此外,需要补充说明的是,利用小波分析来去除数据中的噪声,并提取顾客购药行为的特征,小波分析能够有效地在不同时间尺度上分析数据,从而突出重要的行为模式,使用长短期记忆(LSTM)神经网络对顾客购药行为特征数据进行建模,长短期记忆(LSTM)神经网络特别适合处理和预测时间序列数据中的长期依赖关系,因此能够有效地识别顾客的购药规律,利用历史的购药行为数据来训练药品偏好推荐模型,药品偏好推荐模型能够学习和理解顾客的购药习惯和偏好,利用训练好的模型,基于购药规律对顾客对药品的需求和偏好的变化进行初步预测,帮助理解顾客的潜在需求。
优选地,利用小波分析处理顾客的购药行为数据,去除噪声,提取顾客购药行为特征数据包括以下步骤:
S211、预设小波分解的层数;
S212、使用预设的小波分解层数对顾客购药行为数据进行小波分解,将初始顾客购药行为特征数据分解成多个频率层级上的低频信号组件和高频信号组件;
S213、对于每一层的小波分解结果,根据预设阈值对高频信号组件进行去噪处理,分离顾客购药行为特征数据中的噪声成分,同时保留低频信号组件;
S214、利用经过去噪处理的高频信号组件和低频信号组件进行小波重构,得到去噪后的顾客购药行为特征数据。
优选地,利用LSTM神经网络对顾客购药行为特征数据进行建模,得到药品偏好推荐模型,并识别购药规律包括以下步骤:
S221、构建LSTM神经网络的架构,LSTM神经网络的架构包括输入层、隐藏层和输出层,其中,输入层用于接收去噪后的顾客购药行为特征数据,隐藏层包含LSTM单元处理时间序列数据,输出层用于生成最终的预测结果;
S222、利用输入层处理去噪后的顾客购药行为特征数据;
S223、根据隐藏层设置LSTM神经网络的参数,并初始化网络的权重和偏置;
S224、根据顾客对药品的需求和偏好的变化选择损失函数,并定义评估模型性能的指标;
S225、将输入层、隐藏层和输出层进行连接,并构建药品偏好推荐模型。
需要解释说明的是,在药品偏好推荐模型的构建中,小波分析和LSTM神经网络的结合为处理顾客购药行为数据提供了一个高效的方法,通过预设小波分解的层数,根据数据的复杂性和所需的分析精度来决定分解的层次,接着通过小波分解将原始的购药行为数据分解成不同频率层级的信号组件,这有助于分离出具有代表性的购药行为特征,去噪处理进一步清理数据,去除那些可能扭曲分析结果的噪声成分,保留对模型建立至关重要的低频信号组件。最后,通过小波重构得到一组更加清晰、更有针对性的购药行为特征数据,为LSTM神经网络建模奠定基础。
LSTM神经网络的应用则是在清晰、去噪的数据基础上进行的,首先构建一个包含输入层、隐藏层(含LSTM单元)和输出层的网络架构,确保了模型可以有效地处理时间序列数据,捕捉顾客购药行为的长期依赖关系,去噪后的数据通过网络的输入层进行处理,为模型提供必要的输入信息,通过精确设置网络参数(包括权重和偏置),可以大大提升模型的预测性能和准确度,选择合适的损失函数和性能评估指标对于模型的优化和调整至关重要,最后,将输入层、隐藏层和输出层连接起来,构建一个完整的药品偏好推荐模型,该模型不仅能够准确预测顾客的当前需求,还能够预测顾客的未来偏好,从而为医药企业提供强大的决策支持工具。
S3、利用在线问卷调查获取顾客对药品选择和购买体验的反馈。
需要解释说明的是,首先,需要设计一份详尽而有针对性的问卷,问卷应该包含关于顾客对药品选择的偏好、购买体验的满意度以及任何对药品推荐有影响的因素的问题,问题的设计要确保既能收集到量化数据,也能获得质性反馈,以便进行更深入的分析,将问卷通过网站、社交媒体平台或电子邮件等在线渠道发布,为了提高回应率,可以采取一些策略,比如提供小额奖励或折扣券等激励措施;收集回答并进行数据分析,分析时不仅要关注统计数据,还要关注开放性问题的回答,开放性问题的回答往往能提供更深层次的见解,数据分析结果可以用来了解顾客的真实需求和对当前购药体验的感受,将问卷调查中得到的反馈整合到药品偏好推荐模型中,有助于模型更准确地捕捉到顾客的偏好,并对模型进行调整和优化。
S4、根据顾客对药品的需求和偏好、顾客对药品选择和购买体验的反馈及市场的动态数据,提供药品推荐。
优选地,根据顾客对药品的需求和偏好、顾客对药品选择和购买体验的反馈及市场的动态数据,提供药品推荐包括以下步骤:
S41、获取顾客对药品的需求和偏好、顾客对药品选择和购买体验的反馈及市场的动态数据的药品特征数据;
S42、利用ReliefF算法分析药品特征数据,并计算药品特征数据的重要性权值;
S43、使用欧氏距离并基于药品特征数据计算类内距离和类间距离;
S44、通过比较类内距离与类间距离的距离,调整药品特征数据的重要性权值,从而得出药品特征数据的权重值;
S45、根据特征的权重值,将特征划分为不同的特征子集;
S46、使用特征子集训练多个决策树,构建随机森林模型;
S47、采用Bootstrap策略随机抽取药品特征数据作为自助样本集,然后按照预设的比例和顺序从不同的特征子集中选择特征,构造特征子空间,接着通过不断的分裂生长和节点优化,训练多个决策树,优化随机森林模型;
S48、利用优化后的随机森林模型进行药品推荐。
此外,需要补充说明的是,首先收集顾客的需求和偏好、顾客的购买体验反馈以及市场的动态数据,动态数据构成了药品特征数据的基础,其包含了对于进行有效推荐所必需的关键信息,利用ReliefF算法分析这些特征数据,ReliefF算法是一种有效的特征选择方法,能够评估各特征对分类结果的贡献大小,并计算出每个特征的重要性权值,使用欧氏距离计算类内和类间距离,类内距离指的是同一类别内不同样本间的距离,而类间距离指的是不同类别间样本的距离,比较这两种距离后,调整特征数据的重要性权值,从而获得更加准确的特征权重值;根据计算得出的特征权重值,将特征划分为不同的子集,识别出对于药品推荐最重要的特征,使用这些特征子集来训练多个决策树,构建随机森林模型,随机森林通过结合多个决策树的预测结果来提高整体的预测准确性,利用Bootstrap策略抽取样本集,并从不同的特征子集中选择特征,构造特征子空间,再通过不断的分裂生长和节点优化来训练和优化多个决策树,利用优化后的随机森林模型来进行药品推荐,综合顾客的个人需求和偏好、他们的购买体验反馈以及市场的动态变化,提供个性化且精准的药品推荐。
优选地,利用ReliefF算法(特征选择)分析药品特征数据,并计算药品特征数据的重要性权值包括以下步骤:
S421、初始化每个特征的权重值;
S422、从所有特征中随机选择一个特征,并计算特征在不同类别之间的差异性;
S423、根据计算的差异性来调整特征的权重;
S424、重复执行S422-S423的步骤,并为每个特征计算最终的重要性权重。
优选地,使用欧氏距离并基于药品特征数据计算类内距离和类间距离的公式为:
;
式中,表示药品特征数据/>和药品特征数据/>之间的欧氏距离;
表示药品特征数据/>在第i个特征上的值;
表示药品特征数据/>在第i个特征上的值;
表示药品特征数据的维度数。
优选地,通过比较类内距离与类间距离的距离,调整药品特征数据的重要性权值,从而得出药品特征数据的权重值包括以下步骤:
S441、获取药品特征数据的类内距离和类间距离,其中,类内距离指同一类药品特征数据之间的特征差异,类间距离指不同类药品特征数据之间的特征差异;
S442、对于每个药品特征数据,分析药品特征数据在类内和类间距离中的差异;
S443、基于类内和类间距离中的差异,使用ReliefF算法调整每个药品特征数据的重要性权值;
若药品特征数据在类间距离中有超过阈值的差异,而在类内距离中差异不超过阈值,则增加该特征的重要性权值;反之,如果一个特征在类内差异大而在类间差异不超过阈值,则降低其重要性权值;
S444、重复执行S441-S443的步骤,直到每个药品特征数据均有对应的权重值,从而得到药品特征数据的权重值。
优选地,利用优化后的随机森林模型进行药品推荐包括以下步骤:
S481、将目标顾客的数据输入随机森林模型;
S482、随机森林模型会根据输入的顾客数据,推荐最适合目标顾客的药品;
S483、对推荐结果进行评估,并收集顾客对推荐药品的反馈;
S484、根据顾客的反馈和市场的动态数据,调整和优化随机森林模型。
需要解释说明的是,ReliefF算法的应用是特征选择和分析过程。这一过程的目的是识别出对于区分不同类别(如不同类型的药品或顾客群体)最重要的特征,首先为每个特征设定一个初始权重值,确保了每个特征都有一个起始点,从而可以在后续步骤中调整其权重。随后,ReliefF算法随机选择一个特征,并计算其在不同类别之间的差异性,评估每个特征对于分类任务的贡献程度,如果某个特征在不同类别之间显示出显著差异,表明它对于区分这些类别非常重要,然后根据这种差异性调整特征的权重,特征在类别间的差异性越大,其权重也相应增加,反之则减少,最后通过反复执行S422和S423的步骤,为每个特征计算出最终的重要性权重,从而识别出对药品推荐最关键的特征。
使用欧氏距离计算类内距离和类间距离通过计算药品特征数据之间的欧氏距离来评估和比较特征之间的相似性或差异性,类内距离是指同一类别内不同样本之间的距离,而类间距离则指的是不同类别样本之间的距离,通过比较这两种距离,可以更深入地了解各个特征在区分不同类别中的作用,如果某个特征在类间距离中展现出较大的差异,同时在类内距离中差异较小,则这个特征对于区分类别非常有帮助,其重要性权值应相应增加。利用优化后的随机森林模型进行药品推荐,目标顾客的数据被输入到随机森林模型中,随机森林模型通过分析这些数据,根据顾客的需求和偏好推荐最适合的药品,接着对推荐结果进行评估,并收集顾客对推荐药品的反馈,持续改进模型的准确性和适应性至关重要,最后根据顾客的反馈和市场的动态数据,调整和优化随机森林模型,随机森林模型能够持续学习和适应,提供更加个性化和准确的药品推荐。
S5、基于个性化的药品推荐,设计优惠策略和促销活动。
需要解释说明的是,首先利用之前的药品推荐模型所收集和分析的数据,识别出顾客的购买模式和偏好,了解顾客通常购买的药品类型、购买频率以及顾客对价格或其他因素的敏感度,同时设计个性化的优惠策略,例如对于经常购买特定类型药品的顾客,提供这类药品的折扣或捆绑销售优惠,对于价格敏感的顾客,可以提供限时折扣或积分奖励计划,使用数据分析来识别最有可能对特定优惠策略响应的顾客群体,通过分析购买历史和顾客反馈,确定对某种特定药品类别或价格敏感的顾客群体,通过各种渠道(如电子邮件、社交媒体、应用程序推送通知等)向目标顾客推送个性化的促销信息,同时,监控促销活动的效果,如参与度、销售提升情况以及顾客反馈。
S6、在预设的试点区域内实施推荐和促销活动,并根据试点区域的测试反馈及持续监测的市场动态,对优惠策略和促销活动进行调整和优化。
需要解释说明的是,首先,选择一个或多个预设的试点区域进行推荐和促销活动的测试,区域应具有代表性,能够反映目标市场的特征和顾客行为,在选定的试点区域内,根据之前设计的个性化药品推荐和优惠策略,开始实施促销活动,包括特定药品的折扣、捆绑销售、积分奖励计划等,在促销活动进行期间,重点收集试点区域内的顾客反馈和销售数据,销售数据包括但不限于顾客参与度、销售额的增减、顾客满意度等指标,同时,持续监测市场动态和竞争对手的行为,了解市场的整体趋势和潜在的变化,为优化策略提供更全面的视角,根据收集到的反馈和市场动态信息,对优惠策略和促销活动进行必要的调整和优化,改变促销的对象、调整折扣力度或者改善营销渠道的使用等,在试点测试结束后,评估活动的整体效果,包括销售提升情况、顾客反馈、市场占有率的变化等。
根据本发明的另一个实施例,如图2所示,还提供了一种基于购药规律的医药精准营销管理系统,该系统包括:数据收集模块1、数据分析模块2、顾客反馈模块3、个性化推荐模块4、促销策略设计模块5及试点与优化模块6;
数据收集模块1,用于收集医药营销渠道中顾客的购药行为数据和市场的动态数据;
数据分析模块2,用于使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好;
顾客反馈模块3,用于利用在线问卷调查获取顾客对药品选择和购买体验的反馈;
个性化推荐模块4,用于根据所述顾客对药品的需求和偏好、所述顾客对药品选择和购买体验的反馈及所述市场的动态数据,提供药品推荐;
促销策略设计模块5,用于基于个性化的药品推荐,设计优惠策略和促销活动;
试点与优化模块6,用于在预设的试点区域内实施推荐和促销活动,并根据试点区域的测试反馈及持续监测的市场动态,对优惠策略和促销活动进行调整和优化。
综上所述,借助于本发明的上述技术方案,本发明通过多渠道收集数据,包括线上药店、传统药房、医疗机构及各类健康应用平台,获得关于顾客购药行为和市场动态的全面信息,全方位的数据收集方法能够为药品推荐提供更为精确和全面的基础,有助于更好地理解市场需求和顾客行为;本发明通过小波分析处理数据,去除噪声并提取关键特征,有效地识别和分析顾客的购药行为模式,在不同时间尺度上进行分析,能够突出数据中的重要行为模式,使用LSTM(长短期记忆)神经网络进行建模,特别适合分析和预测时间序列数据中的长期依赖关系,模型能够更准确地识别顾客的购药规律和偏好,从而为顾客提供更为精准的药品推荐,利用训练好的药品偏好推荐模型,基于顾客的购药规律和历史行为数据预测他们对药品的需求和偏好,从而提供个性化的药品推荐,提高了顾客的满意度,也增加了药品销售的可能性,根据实际情况和预测结果之间的差异,优化模型的参数,使得药品偏好推荐模型能够持续学习和适应市场变化和顾客行为,从而提供更加精准和有效的药品推荐;本发明通过综合分析顾客的需求和偏好,购买体验的反馈,以及市场动态数据,能够提供更符合个人需求的药品推荐,能够更好地满足顾客的具体需求,提高顾客满意度和忠诚度,使用ReliefF算法和欧氏距离等数学方法对药品特征数据进行分析,可以更精准地确定哪些特征对于药品推荐更为重要,基于数据的决策方法能够提高推荐的准确性和有效性,通过不断收集顾客的反馈和市场的动态数据,可以持续优化和调整推荐模型,动态优化机制使得推荐能够适应市场的变化和顾客需求的演进,通过利用随机森林模型和其他高级算法,分析数据并作出更准确的预测,随机森林模型通过集成多个决策树的结果来提高整体的预测准确度和稳健性,个性化和精准的药品推荐可以增加销售机会,减少库存积压和过期药品的风险,从而提高药品销售的效率和利润,通过提供高质量的个性化推荐,药品销售商可以在竞争激烈的市场中脱颖而出,吸引和保留更多的顾客;本发明通过个性化的优惠策略,可以更精确地满足顾客的需求和偏好,优惠能够吸引顾客参与,提高他们对促销活动的兴趣和参与度,个性化的优惠策略能够直接针对那些最可能对某类药品感兴趣的顾客,从而提高销售的效率和成功率,可以减少无效推广,最大化销售潜力,通过提供对顾客真正有价值的优惠和促销活动,可以增强顾客的满意度和忠诚度,顾客感觉到被重视和理解,更可能成为长期忠实的顾客;本发明在预设的试点区域实施推荐和促销活动,可以有效地测试和评估优惠策略的有效性,根据试点区域的反馈和市场动态,能够及时调整和优化策略,确保促销活动的成功,持续监测市场动态和顾客反馈,使得优惠策略和促销活动可以灵活调整,以适应市场变化和顾客需求,动态调整机制有助于保持促销活动的相关性和吸引力。
虽然本发明已以较佳实施例揭示如上,然所述实施例仅为了便于说明而举例而已,并非用以限定本发明,本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰,本发明所主张的保护范围应以权利要求书所述为准。
Claims (10)
1.一种基于购药规律的医药精准营销管理方法,其特征在于,该医药精准营销管理方法包括以下步骤:
S1、收集医药营销渠道中顾客的购药行为数据和市场的动态数据;
S2、使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好;
S3、利用在线问卷调查获取顾客对药品选择和购买体验的反馈;
S4、根据所述顾客对药品的需求和偏好、所述顾客对药品选择和购买体验的反馈及所述市场的动态数据,提供药品推荐;
S5、基于个性化的药品推荐,设计优惠策略和促销活动;
S6、在预设的试点区域内实施推荐和促销活动,并根据试点区域的测试反馈及持续监测的市场动态,对优惠策略和促销活动进行调整和优化。
2.根据权利要求1所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好包括以下步骤:
S21、利用小波分析处理顾客的购药行为数据,去除噪声,提取顾客购药行为特征数据;
S22、利用LSTM神经网络对所述顾客购药行为特征数据进行建模,得到药品偏好推荐模型,并识别购药规律;
S23、使用历史的购药行为数据来训练药品偏好推荐模型;
S24、利用训练好的药品偏好推荐模型,并基于购药规律初步预测顾客对药品的需求和偏好的变化;
S25、根据初步预测顾客对药品的需求和偏好的变化和实际情况的差异,优化药品偏好推荐模型的参数,得到改进的模型预测结果,获取最终的顾客对药品的需求和偏好的变化。
3.根据权利要求2所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述利用小波分析处理顾客的购药行为数据,去除噪声,提取顾客购药行为特征数据包括以下步骤:
S211、预设小波分解的层数;
S212、使用预设的小波分解层数对顾客购药行为数据进行小波分解,将初始顾客购药行为特征数据分解成多个频率层级上的低频信号组件和高频信号组件;
S213、对于每一层的小波分解结果,根据预设阈值对高频信号组件进行去噪处理,分离顾客购药行为特征数据中的噪声成分,同时保留低频信号组件;
S214、利用经过去噪处理的高频信号组件和所述低频信号组件进行小波重构,得到去噪后的顾客购药行为特征数据。
4.根据权利要求3所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述利用LSTM神经网络对所述顾客购药行为特征数据进行建模,得到药品偏好推荐模型,并识别购药规律包括以下步骤:
S221、构建LSTM神经网络的架构,所述LSTM神经网络的架构包括输入层、隐藏层和输出层,其中,所述输入层用于接收去噪后的顾客购药行为特征数据,所述隐藏层包含LSTM单元处理时间序列数据,所述输出层用于生成最终的预测结果;
S222、利用输入层处理去噪后的顾客购药行为特征数据;
S223、根据隐藏层设置LSTM神经网络的参数,并初始化网络的权重和偏置;
S224、根据顾客对药品的需求和偏好的变化选择损失函数,并定义评估模型性能的指标;
S225、将输入层、隐藏层和输出层进行连接,并构建药品偏好推荐模型。
5.根据权利要求1所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述根据所述顾客对药品的需求和偏好、所述顾客对药品选择和购买体验的反馈及所述市场的动态数据,提供药品推荐包括以下步骤:
S41、获取顾客对药品的需求和偏好、顾客对药品选择和购买体验的反馈及市场的动态数据的药品特征数据;
S42、利用ReliefF算法分析药品特征数据,并计算药品特征数据的重要性权值;
S43、使用欧氏距离并基于药品特征数据计算类内距离和类间距离;
S44、通过比较类内距离与类间距离的距离,调整药品特征数据的重要性权值,从而得出药品特征数据的权重值;
S45、根据特征的权重值,将特征划分为不同的特征子集;
S46、使用特征子集训练多个决策树,构建随机森林模型;
S47、采用Bootstrap策略随机抽取药品特征数据作为自助样本集,然后按照预设的比例和顺序从不同的特征子集中选择特征,构造特征子空间,接着通过不断的分裂生长和节点优化,训练多个决策树,优化随机森林模型;
S48、利用优化后的随机森林模型进行药品推荐。
6.根据权利要求5所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述利用ReliefF算法分析药品特征数据,并计算药品特征数据的重要性权值包括以下步骤:
S421、初始化每个特征的权重值;
S422、从所有特征中随机选择一个特征,并计算特征在不同类别之间的差异性;
S423、根据计算的差异性来调整特征的权重;
S424、重复执行S422-S423的步骤,并为每个特征计算最终的重要性权重。
7.根据权利要求6所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述使用欧氏距离并基于药品特征数据计算类内距离和类间距离的公式为:
;
式中,表示药品特征数据/>和药品特征数据/>之间的欧氏距离;
表示药品特征数据/>在第i个特征上的值;
表示药品特征数据/>在第i个特征上的值;
表示药品特征数据的维度数。
8.根据权利要求7所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述通过比较类内距离与类间距离的距离,调整药品特征数据的重要性权值,从而得出药品特征数据的权重值包括以下步骤:
S441、获取药品特征数据的类内距离和类间距离,其中,所述类内距离指同一类药品特征数据之间的特征差异,所述类间距离指不同类药品特征数据之间的特征差异;
S442、对于每个药品特征数据,分析药品特征数据在类内和类间距离中的差异;
S443、基于类内和类间距离中的差异,使用ReliefF算法调整每个药品特征数据的重要性权值;
S444、重复执行S441-S443的步骤,直到每个药品特征数据均有对应的权重值,从而得到药品特征数据的权重值。
9.根据权利要求8所述的一种基于购药规律的医药精准营销管理方法,其特征在于,所述利用优化后的随机森林模型进行药品推荐包括以下步骤:
S481、将目标顾客的数据输入随机森林模型;
S482、随机森林模型会根据输入的顾客数据,推荐最适合目标顾客的药品;
S483、对推荐结果进行评估,并收集顾客对推荐药品的反馈;
S484、根据顾客的反馈和市场的动态数据,调整和优化随机森林模型。
10.一种基于购药规律的医药精准营销管理系统,用于实现权利要求1-9中任一项所述的基于购药规律的医药精准营销管理方法,其特征在于,该系统包括:数据收集模块、数据分析模块、顾客反馈模块、个性化推荐模块、促销策略设计模块及试点与优化模块;
数据收集模块,用于收集医药营销渠道中顾客的购药行为数据和市场的动态数据;
数据分析模块,用于使用药品偏好推荐模型对顾客的购药行为进行预处理和分析,识别顾客的购药规律,获取顾客对药品的需求和偏好;
顾客反馈模块,用于利用在线问卷调查获取顾客对药品选择和购买体验的反馈;
个性化推荐模块,用于根据所述顾客对药品的需求和偏好、所述顾客对药品选择和购买体验的反馈及所述市场的动态数据,提供药品推荐;
促销策略设计模块,用于基于个性化的药品推荐,设计优惠策略和促销活动;
试点与优化模块,用于在预设的试点区域内实施推荐和促销活动,并根据试点区域的测试反馈及持续监测的市场动态,对优惠策略和促销活动进行调整和优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410141472.2A CN117689452B (zh) | 2024-02-01 | 2024-02-01 | 一种基于购药规律的医药精准营销管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410141472.2A CN117689452B (zh) | 2024-02-01 | 2024-02-01 | 一种基于购药规律的医药精准营销管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689452A true CN117689452A (zh) | 2024-03-12 |
CN117689452B CN117689452B (zh) | 2024-04-30 |
Family
ID=90139401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410141472.2A Active CN117689452B (zh) | 2024-02-01 | 2024-02-01 | 一种基于购药规律的医药精准营销管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689452B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007094983A (ja) * | 2005-09-30 | 2007-04-12 | Jarufunetto:Kk | 定番商品の販売方法およびそのシステム |
WO2021151323A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 药物推荐方法、装置、设备及介质 |
CN114816870A (zh) * | 2022-04-12 | 2022-07-29 | 深圳闪回科技有限公司 | 一种连接usb后的按键检测方法及装置 |
CN115564474A (zh) * | 2022-09-23 | 2023-01-03 | 上海电机学院 | 一种基于小波分析和arima-lstm的汽车销量预测方法 |
CN115732057A (zh) * | 2021-08-31 | 2023-03-03 | 金特尔科技有限公司 | 乳腺癌用药方案推荐方法及装置、设备、存储介质 |
CN116645141A (zh) * | 2023-06-07 | 2023-08-25 | 广州数说故事信息科技有限公司 | 一种融合多维特征的连锁门店选址推荐方法 |
CN116703469A (zh) * | 2023-08-03 | 2023-09-05 | 北京未来聚典信息技术有限公司 | 一种基于生成模型的营销活动优化推广方法及系统 |
CN117010953A (zh) * | 2023-06-16 | 2023-11-07 | 东莞市莞云信息科技有限公司 | 一种商城积分兑换系统 |
CN117273776A (zh) * | 2023-09-19 | 2023-12-22 | 杭州梦响信息技术有限公司 | 一种基于大数据分析的营销运营方法 |
-
2024
- 2024-02-01 CN CN202410141472.2A patent/CN117689452B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007094983A (ja) * | 2005-09-30 | 2007-04-12 | Jarufunetto:Kk | 定番商品の販売方法およびそのシステム |
WO2021151323A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 药物推荐方法、装置、设备及介质 |
CN115732057A (zh) * | 2021-08-31 | 2023-03-03 | 金特尔科技有限公司 | 乳腺癌用药方案推荐方法及装置、设备、存储介质 |
CN114816870A (zh) * | 2022-04-12 | 2022-07-29 | 深圳闪回科技有限公司 | 一种连接usb后的按键检测方法及装置 |
CN115564474A (zh) * | 2022-09-23 | 2023-01-03 | 上海电机学院 | 一种基于小波分析和arima-lstm的汽车销量预测方法 |
CN116645141A (zh) * | 2023-06-07 | 2023-08-25 | 广州数说故事信息科技有限公司 | 一种融合多维特征的连锁门店选址推荐方法 |
CN117010953A (zh) * | 2023-06-16 | 2023-11-07 | 东莞市莞云信息科技有限公司 | 一种商城积分兑换系统 |
CN116703469A (zh) * | 2023-08-03 | 2023-09-05 | 北京未来聚典信息技术有限公司 | 一种基于生成模型的营销活动优化推广方法及系统 |
CN117273776A (zh) * | 2023-09-19 | 2023-12-22 | 杭州梦响信息技术有限公司 | 一种基于大数据分析的营销运营方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117689452B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Quantitative trendspotting | |
Ballings et al. | CRM in social media: Predicting increases in Facebook usage frequency | |
JP4962782B2 (ja) | 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム | |
Tsai et al. | Customer segmentation issues and strategies for an automobile dealership with two clustering techniques | |
US20090063250A1 (en) | Controlled Targeted Experimentation | |
Borle et al. | The impact of survey participation on subsequent customer behavior: An empirical investigation | |
KR20100039875A (ko) | 배정된 컨텐츠의 효과를 측정하기 위해 컨텐츠를 시간 슬롯 샘플에 배정하는 시스템 및 방법 | |
EP2813994A1 (en) | Machine learning system to optimize targeting campaigns in on-line banking environment | |
US20170154268A1 (en) | An automatic statistical processing tool | |
KR20220079249A (ko) | 소비자 수요를 예측하고 이를 반영한 정기배송 방법 및 시스템 | |
Schellinck et al. | Intelligent design: How to model gambler risk assessment by using loyalty tracking data | |
WO2011106015A1 (en) | Eliciting customer preference from purchasing behavior surveys | |
JP5277996B2 (ja) | 解析装置、解析方法及び解析方法のプログラム | |
KR102091986B1 (ko) | 고객의 여정 분석 정보에 기반하는 인공지능 마케팅 시스템 | |
Kühn et al. | The witzenhausen food inventory–organic food (WFI-OeL) an itemset for measuring consumers' attitudes and preferences for organic food in Germany | |
CN117689452B (zh) | 一种基于购药规律的医药精准营销管理方法及系统 | |
CN111553542A (zh) | 一种用户优惠券核销率预测方法 | |
Meire | Customer comeback: Empirical insights into the drivers and value of returning customers | |
Kim et al. | What factors make consumers in the USA buy hemp products? Evidence from Nielsen consumer panel data | |
Kristiani et al. | Managing rewards to enhance customer lifetime value | |
Sharma et al. | Machine learning approach: Consumer buying behavior analysis | |
Ishino | Knowledge extraction of consumers’ attitude and behavior: a case study of private medical insurance policy in Japan | |
Munting | An explorative study towards the feasibility of uplift modeling within a direct marketing setting and a web-based setting | |
Hocuk et al. | Economies of scope in data aggregation: Evidence from health data | |
Šoltés et al. | Targeting of online advertising using logistic regression |
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 |