CN117788048A - 一种基于大数据的商品选品方法及系统 - Google Patents
一种基于大数据的商品选品方法及系统 Download PDFInfo
- Publication number
- CN117788048A CN117788048A CN202311655746.1A CN202311655746A CN117788048A CN 117788048 A CN117788048 A CN 117788048A CN 202311655746 A CN202311655746 A CN 202311655746A CN 117788048 A CN117788048 A CN 117788048A
- Authority
- CN
- China
- Prior art keywords
- data
- sales
- store
- user
- commodity
- 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 30
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000007499 fusion processing Methods 0.000 claims abstract description 7
- 230000007774 longterm Effects 0.000 claims description 28
- 230000006399 behavior Effects 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims 1
- 235000019504 cigarettes Nutrition 0.000 description 3
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于大数据的商品选品方法及系统,方法包括:针对线下实体店,获取属性数据及消费者数据;对属性数据及消费者数据进行融合处理,得到融合数据;基于融合数据进行线下实体店的销售力评估,得到线下实体店的销售潜力评估结果;将销售潜力评估结果推送至第三方平台,给出选品建议;基于选品建议至电商平台购买货品进行销售。与传统针的针对用户进行商品推荐相比,本发明实施例提供的商品选品方案是一种针对线下实体店(ToB)的商业模式;该方案针弥补了目前线下选品的空白,提高了线下商家的选品效率。
Description
技术领域
本发明涉及企业管理技术领域,具体涉及一种基于大数据的商品选品方法及系统。
背景技术
随着互联网技术的快速发展,线上+线下购物的商业模式已经完全形成。基于此,针对线上购物,出现了很多基于用户购买行为的商品推荐方案。但是,这些方案存在如下缺陷:
1、该商品推荐方案是针对线上购物的,对线下购物没有任何作用;
2、该商品推荐方案是针对用户的,对于商家,尤其是线下实体店,在挑选货品时,仍然是通过人工方式进行,从而导致线下实体店商家存在一定的进货困惑。
发明内容
针对背景技术中所提及的技术缺陷,本发明实施例的目的在于提供一种基于大数据的商品选品方法及系统。
为实现上述目的,本发明实施例提供了一种基于大数据的商品选品方法,包括:
针对线下实体店,获取属性数据及消费者数据;所述属性数据包括店名、所属行业、所在区域;所述消费者数据包括年龄分布、职业分布、在本店的历史购买数据、到访偏好;
对所述属性数据及消费者数据进行融合处理,得到融合数据;
基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果;
将所述销售潜力评估结果推送至第三方平台,给出选品建议;
基于所述选品建议至电商平台购买货品进行销售。
其中,所述销售潜力评估结果包括当前线下实体店在预设销售周期内的销售商品类别、销售数量及销售金额。
作为本申请的一种具体实现方式,基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果,具体为:
基于所述属性数据,利用大数据技术从多个渠道获取样本数据;多个渠道包括多个电商购物平台;所述样本数据包括与当前线下实体店销售货品相同或相近的其他店的销售数据;
根据所述样本数据进行建模,得到销售预测模型;
将所述融合数据输入所述销售预测模型,输出所述线下实体店的销售潜力评估结果。
进一步地,作为本申请的一种优选实现方式,所述方法还包括:
利用大数据技术从多个电商平台获取历史消费数据;所述历史消费数据中所包括的商品类别对当前线下实体店对应;
将所述历史消费数据划分为长期序列和短期序列;
利用所述长期序列获取用户长期偏好状态,同时利用所述短期序列获取用户短期偏好状态;
根据所述用户长期偏好状态提取第一向量,同时根据所述用户短期序列提取第二向量;
根据所述第一向量及第二向量选取得到多个候选商品;
将多个候选商品排序后推送至用户。
进一步地,所述历史消费数据还包括用户对商品的在线浏览行为、购买行为、收藏行为及点击查看行为。
第二方面,本发明实施例提供了一种基于大数据的商品选品系统,包括相互通信的客户端和后台服务器。所述后台服务器包括:
获取模块,用于针对线下实体店,获取属性数据及消费者数据;所述属性数据包括店名、所属行业、所在区域;所述消费者数据包括年龄分布、职业分布、在本店的历史购买数据、到访偏好;
融合模块,用于对所述属性数据及消费者数据进行融合处理,得到融合数据;
评估模块,基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果;
选品模块,用于将所述销售潜力评估结果推送至第三方平台,给出选品建议,基于所述选品建议至电商平台购买货品进行销售。
作为本申请的一种具体实现方式,所述评估模块具体用于:
基于所述属性数据,利用大数据技术从多个渠道获取样本数据;多个渠道包括多个电商购物平台;所述样本数据包括与当前线下实体店销售货品相同或相近的其他店的销售数据;
根据所述样本数据进行建模,得到销售预测模型;
将所述融合数据输入所述销售预测模型,输出所述线下实体店的销售潜力评估结果。
进一步地,作为本申请的一种优选实现方式,所述系统还包括推荐模块,用于:
利用大数据技术从多个电商平台获取历史消费数据;所述历史消费数据中所包括的商品类别对当前线下实体店对应;
将所述历史消费数据划分为长期序列和短期序列;
利用所述长期序列获取用户长期偏好状态,同时利用所述短期序列获取用户短期偏好状态;
根据所述用户长期偏好状态提取第一向量,同时根据所述用户短期序列提取第二向量;
根据所述第一向量及第二向量选取得到多个候选商品;
将多个候选商品排序后推送至用户。
第三方面,本发明实施例提供了另一种基于大数据的商品选品系统,包括相互通信的客户端和后台服务器。其中,所述后台服务器包括一个或多个处理器、一个或多个输入设备、一个或多个输出设备和存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令执行如上述第一方面所述的方法步骤。
与传统针的针对用户进行商品推荐相比,本发明实施例提供的商品选品方案是一种针对线下实体店(ToB)的商业模式;该方案针对线下实体店,获取属性数据和消费者数据,对两者融合得到融合数据,基于该融合数据进行线下实体店的销售力评估,最终由第三方平台给出选品建议,弥补了目前线下选品的空白,提高了线下商家的选品效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的基于大数据的商品选品方法的流程图;
图2是本发明实施例提供的后台服务器的一种结构图;
图3是图2所示后台服务器的另一种结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参考图1,是本发明实施例提供的基于大数据的商品选品方法的流程图,可以包括如下步骤:
S1,针对线下实体店,获取属性数据及消费者数据。
其中,所述属性数据包括店名、所属行业、所在区域;所述消费者数据包括年龄分布、职业分布、在本店的历史购买数据、到访偏好。
例如烟草专卖店,其属性数据可以包括但不限于经过授权的零售店名称、店铺类型、卷烟零售店面积、卷烟货架容量、零售店所在地理位置的经纬度、零售店所在城市、零售店所在区域、零售店详细地址等。
S2,对所述属性数据及消费者数据进行融合处理,得到融合数据。
S3,基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果。
具体实现时,步骤S3包括:
基于所述属性数据,利用大数据技术从多个渠道获取样本数据;多个渠道包括多个电商购物平台,例如某宝、某东及某多等;所述样本数据包括与当前线下实体店销售货品相同或相近的其他店的销售数据;例如,烟草专卖店,此处获取的样本数据指的是各种烟的销售数据,以及酒水的销售数据;
根据所述样本数据进行建模,得到销售预测模型;此处的销售预测模型可以基于卷积神经网络架构进行构建,常用的卷积神经网络很多,在此不做列举;
将所述融合数据输入所述销售预测模型,输出所述线下实体店的销售潜力评估结果;该销售潜力评估结果包括但不仅限于当前线下实体店在预设销售周期内的销售商品类别、销售数量及销售金额等。
S4,将所述销售潜力评估结果推送至第三方平台,给出选品建议。
S5,基于所述选品建议至电商平台购买货品进行销售。
从以上描述可以得知,与传统针的针对用户进行商品推荐相比,本发明实施例提供的商品选品方案是一种针对线下实体店(ToB)的商业模式;该方案针对线下实体店,获取属性数据和消费者数据,对两者融合得到融合数据,基于该融合数据进行线下实体店的销售力评估,最终由第三方平台给出选品建议,弥补了目前线下选品的空白,提高了线下商家的选品效率。
进一步地,在图1所述方法实施例的基础上,另外的优选实施例中,上述基于大数据的商品选品方法还包括:
利用大数据技术从多个电商平台获取历史消费数据;所述历史消费数据中所包括的商品类别对当前线下实体店对应;此外,所述历史消费数据还包括用户对商品的在线浏览行为、购买行为、收藏行为及点击查看行为等;
将所述历史消费数据划分为长期序列和短期序列;
利用所述长期序列获取用户长期偏好状态,同时利用所述短期序列获取用户短期偏好状态;
根据所述用户长期偏好状态提取第一向量,同时根据所述用户短期序列提取第二向量;
根据所述第一向量及第二向量选取得到多个候选商品;
将多个候选商品排序后推送至用户。
需要说明的是,在实际的购物场景中,用户的历史消费数据中隐含着用户兴趣,通过对消费数据的分析,可反映出用户兴趣的动态变化。用户的各种决策行为不仅与当前的兴趣有关,也与用户的历史兴趣有关,并且通常认为用户在短期会话内的兴趣会对当前决策产生更大的贡献。在较短的用户行为周期序列中,用户的兴趣会发生剧烈的变化,所以基于短期偏好的推荐效果比较明显。但从长远来看,用户长久以来的稳定偏好也会影响当前的决策。
上述方法考虑到用户长期、短期偏好状态,并基于此分析出候选商品,可以极大地提供商品推荐的准确性。
基于相同的发明构思,本发明实施例提供了一种基于大数据的商品选品系统,包括相互通信的客户端和后台服务器。如图2所示,所述后台服务器包括:
获取模块,用于针对线下实体店,获取属性数据及消费者数据;所述属性数据包括店名、所属行业、所在区域;所述消费者数据包括年龄分布、职业分布、在本店的历史购买数据、到访偏好;
融合模块,用于对所述属性数据及消费者数据进行融合处理,得到融合数据;
评估模块,基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果;
选品模块,用于将所述销售潜力评估结果推送至第三方平台,给出选品建议,基于所述选品建议至电商平台购买货品进行销售。
其中,所述评估模块具体用于:
基于所述属性数据,利用大数据技术从多个渠道获取样本数据;多个渠道包括多个电商购物平台;所述样本数据包括与当前线下实体店销售货品相同或相近的其他店的销售数据;
根据所述样本数据进行建模,得到销售预测模型;
将所述融合数据输入所述销售预测模型,输出所述线下实体店的销售潜力评估结果。
进一步地,所述系统还包括推荐模块,用于:
利用大数据技术从多个电商平台获取历史消费数据;所述历史消费数据中所包括的商品类别对当前线下实体店对应;
将所述历史消费数据划分为长期序列和短期序列;
利用所述长期序列获取用户长期偏好状态,同时利用所述短期序列获取用户短期偏好状态;
根据所述用户长期偏好状态提取第一向量,同时根据所述用户短期序列提取第二向量;
根据所述第一向量及第二向量选取得到多个候选商品;
将多个候选商品排序后推送至用户。
作为本申请的另一种优选实现方式,如图3所示,所述后台服务器可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行方法实施例所描述的方法步骤。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的基于大数据的商品选品方法的实施例中所描述的实现方式,在此不再赘述。
需要说明的是,关于后台服务器更为具体的工作流程描述,请参考前述方法实施例部分,在此不再赘述。
此外,对应前述方法实施例及电子设备,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:基于大数据的商品选品方法。
所述计算机可读存储介质可以是前述任一实施例所述的电子设备内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
前述的存储介质包括:U盘、移动硬盘、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。
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,可轻易想到各种等效的修改或替换,这些修改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权利要求的保护范围为准。
Claims (9)
1.一种基于大数据的商品选品方法,其特征在于,包括:
针对线下实体店,获取属性数据及消费者数据;所述属性数据包括店名、所属行业、所在区域;所述消费者数据包括年龄分布、职业分布、在本店的历史购买数据、到访偏好;
对所述属性数据及消费者数据进行融合处理,得到融合数据;
基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果;
将所述销售潜力评估结果推送至第三方平台,给出选品建议;
基于所述选品建议至电商平台购买货品进行销售。
2.如权利要求1所述的基于大数据的商品选品方法,其特征在于,所述销售潜力评估结果包括当前线下实体店在预设销售周期内的销售商品类别、销售数量及销售金额。
3.如权利要求1所述的基于大数据的商品选品方法,其特征在于,基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果,具体为:
基于所述属性数据,利用大数据技术从多个渠道获取样本数据;多个渠道包括多个电商购物平台;所述样本数据包括与当前线下实体店销售货品相同或相近的其他店的销售数据;
根据所述样本数据进行建模,得到销售预测模型;
将所述融合数据输入所述销售预测模型,输出所述线下实体店的销售潜力评估结果。
4.如权利要求1所述的基于大数据的商品选品方法,其特征在于,所述方法还包括:
利用大数据技术从多个电商平台获取历史消费数据;所述历史消费数据中所包括的商品类别对当前线下实体店对应;
将所述历史消费数据划分为长期序列和短期序列;
利用所述长期序列获取用户长期偏好状态,同时利用所述短期序列获取用户短期偏好状态;
根据所述用户长期偏好状态提取第一向量,同时根据所述用户短期序列提取第二向量;
根据所述第一向量及第二向量选取得到多个候选商品;
将多个候选商品排序后推送至用户。
5.如权利要求4所述的基于大数据的商品选品方法,其特征在于,所述历史消费数据还包括用户对商品的在线浏览行为、购买行为、收藏行为及点击查看行为。
6.一种基于大数据的商品选品系统,包括相互通信的客户端和后台服务器,其特征在于,所述后台服务器包括:
获取模块,用于针对线下实体店,获取属性数据及消费者数据;所述属性数据包括店名、所属行业、所在区域;所述消费者数据包括年龄分布、职业分布、在本店的历史购买数据、到访偏好;
融合模块,用于对所述属性数据及消费者数据进行融合处理,得到融合数据;
评估模块,基于所述融合数据进行线下实体店的销售力评估,得到所述线下实体店的销售潜力评估结果;
选品模块,用于将所述销售潜力评估结果推送至第三方平台,给出选品建议,基于所述选品建议至电商平台购买货品进行销售。
7.如权利要求6所述的基于大数据的商品选品系统,其特征在于,所述评估模块具体用于:
基于所述属性数据,利用大数据技术从多个渠道获取样本数据;多个渠道包括多个电商购物平台;所述样本数据包括与当前线下实体店销售货品相同或相近的其他店的销售数据;
根据所述样本数据进行建模,得到销售预测模型;
将所述融合数据输入所述销售预测模型,输出所述线下实体店的销售潜力评估结果。
8.如权利要求6或7所述的基于大数据的商品选品系统,其特征在于,所述系统还包括推荐模块,用于:
利用大数据技术从多个电商平台获取历史消费数据;所述历史消费数据中所包括的商品类别对当前线下实体店对应;
将所述历史消费数据划分为长期序列和短期序列;
利用所述长期序列获取用户长期偏好状态,同时利用所述短期序列获取用户短期偏好状态;
根据所述用户长期偏好状态提取第一向量,同时根据所述用户短期序列提取第二向量;
根据所述第一向量及第二向量选取得到多个候选商品;
将多个候选商品排序后推送至用户。
9.一种基于大数据的商品选品系统,包括相互通信的客户端和后台服务器,其特征在于,所述后台服务器包括一个或多个处理器、一个或多个输入设备、一个或多个输出设备和存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令执行如权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311655746.1A CN117788048A (zh) | 2023-12-04 | 2023-12-04 | 一种基于大数据的商品选品方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311655746.1A CN117788048A (zh) | 2023-12-04 | 2023-12-04 | 一种基于大数据的商品选品方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788048A true CN117788048A (zh) | 2024-03-29 |
Family
ID=90393693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311655746.1A Pending CN117788048A (zh) | 2023-12-04 | 2023-12-04 | 一种基于大数据的商品选品方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788048A (zh) |
-
2023
- 2023-12-04 CN CN202311655746.1A patent/CN117788048A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Do information and service quality affect perceived privacy protection, satisfaction, and loyalty? Evidence from a Chinese O2O-based mobile shopping application | |
US11587116B2 (en) | Predictive recommendation system | |
Tasin | Factors influecing customer's trust in online shopping among executives in a bank | |
CN109493113A (zh) | 一种优惠信息的提供方法以及装置 | |
CN107633416B (zh) | 一种业务对象的推荐方法、装置和系统 | |
CN112001754A (zh) | 用户画像生成方法、装置、设备及计算机可读介质 | |
US20200364743A1 (en) | Predictive recommendation system using tiered feature data | |
KR20100003102A (ko) | 개인 맞춤형 상품 정보를 제공하는 방법 및 장치 | |
Čavoški et al. | Agent-based modelling and simulation in the analysis of customer behaviour on B2C e-commerce sites | |
Maity et al. | The Impact of Social Media on Online Purchasing Behaviour of Consumers: An Empirical Study of Youth in West Bengal, India | |
Novotová | Exploring customer loyalty to fashion brands on facebook fan pages | |
US9818101B2 (en) | System and method for socially connecting payment card holders | |
Huynh et al. | How to purchase an order from brick and mortar retailers during COVID-19 pandemic? A rise of crowdshipping | |
CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、系统及存储介质 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
Haddara et al. | Factors affecting consumer-to-consumer sales volume in e-commerce | |
CN117788048A (zh) | 一种基于大数据的商品选品方法及系统 | |
Sihotang et al. | The Influence of E-Word of Mouth, Word of Mouth, And Destination Brand Love on Revisit Intention In The Tourism Context of Visiting Lake Toba | |
Andriadi et al. | Analysis of factors influencing consumer intention to buy in S-commerce business | |
Son et al. | The Effect of SNS Quality Factors on Perceived Value and Consumer Purchase Intention in the Food Service Industry Culture | |
Gustavo et al. | Analysis of Netflix New Policy to Intention to Subscribe after Bubble Burst Phenomenon | |
Apriansyah et al. | TESTIMONIALS AND FLASHSALE: IMPULSE BUYING STIMULUS FOR TEENAGE SHOPEE CONSUMERS IN INDRAGIRI HULU WITH SMIS AS THE INTERVENING VARIABLE. | |
Monoarfa et al. | Strengthening the tourism sector business in Gorontalo province through the utilization of the E-commerce platform and the Electronic Word of Mouth | |
Hidayansyah et al. | The impact of consumer reviews and ratings on purchase decisions on the Tokopedia marketplace in Indonesia | |
Irawan et al. | The role of service quality and perceived value on word of mouth for e-commerce application users |
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 |