CN117788123B - 电商个性化导购系统 - Google Patents

Abstract

本发明公开了电商个性化导购系统，本发明涉及电商导购技术领域，解决了其针对性不够全面的技术问题，本发明为了保障导购效率的同时，不仅需要分析对应用户需求品类的精准度，还需要保障推送品类的质量，而其品类的质量分别与对应的溢价比以及对应的波动值息息相关，故通过确定其对应的数值，便可确定其对应的总分值，随后基于此总分值作为一个评定标准，确定对应所属品类的导购数据，并通过推送端进行推送，便可充分保障推送品类的准度以及质量，提升此导购系统的整体实用性，其数值分析的更为全面，所能产生的效果更好，为了使对商家进行筛选的更为精准，故通过分析其波动值，来确定其对应商家所产生的对应数值。

Description

电商个性化导购系统

技术领域

本发明涉及电商导购技术领域，具体为电商个性化导购系统。

背景技术

导购从字面上讲，即是引导顾客促成购买的过程；消费者进入店内往往存有不少疑问，阻碍着购买行为的实现，而导购是解除消费者心理的种种疑虑，帮助消费者实现购买。

专利公开号为CN102880972A的申请公开了一种网络购物中提供个性化导购的系统，包括：网购客户端、电商网页服务器、导购服务器和导购端；其中导购服务器用于接受导购端登录，对导购端进行身份认证，接收并存储导购端上传的能力信息；接收来自电商网页服务器的导购服务请求，将导购服务请求中携带的需求属性与所存储的能力信息进行匹配，根据匹配结果选择一个导购端；建立网购客户端与所选择的导购端之间的通信连接；导购端用于登录导购服务器，根据导购服务器的提示提供身份认证信息；向导购服务器提供导购人员的能力信息；通过与网购客户端的通信连接与网购客户端进行信息交互。本申请还公开了网络购物中提供个性化导购的方法以及导购服务器。本申请可以为购物者提供一对一的个性化导购服务，增强用户的购物体验。

随着时代的发展，现在电商带货以及短视频已经成为了新型电商导购的一种趋势，在短视频的推送过程中，一般基于使用用户的购买记录以及浏览记录，确定其需求品类，人工智能在基于对应需求品类，寻找货源并推送，以此完成促销的过程，但此种导购方式，只是完全针对于用户，并未针对于产品，因存在数据造假的嫌疑或数据分析不全面的情况，导致所推送的产品其质量存在缺陷，从而严重影响导购体验，造成用户的损失。

发明内容

针对现有技术的不足，本发明提供了电商个性化导购系统，解决了原始的导购方式只是完全针对于用户，并未针对于产品，便会存在数据造假的嫌疑或数据分析不全面的情况的问题。

为实现以上目的，本发明通过以下技术方案予以实现：电商个性化导购系统，包括：

品类确定端，通过从云端内获取对应用户所产生的用户数据，对此类用户的需求品类进行确定，其中用户数据包括：对应平台未产生购买情况的浏览记录；

导购中心，基于所确定的需求品类，从云端内获取存在对应品类售卖的商家数据，其中商家数据包括：对应商家的售卖数据、对应品类的单价数据、对应品类的好评率以及销量；且导购中心包括溢价分析单元、初筛单元、波动值确认单元、赋值单元以及品类筛选单元；

溢价分析单元，对所获取的若干组不同商家的售卖数据进行溢价分析，确定属于不同商家的溢价比，基于溢价比数值的不同，对若干组不同商家进行排序，生成商家排序表，子步骤包括：

从不同商家内提取近30天内的售卖数据，确定其不同货品的变动价格以及变动后的价格，将不同货品的变动价格标定为JG_i-k，将变动后的价格标定为BJ_i-k，其中i代表不同商家，k代表不同货品；

采用Yb_i-k=JG_i-k÷BJ_i-k确定其对应商家对应货品的溢价比Yb_i-k，将同一商家所产生的若干组溢价比Yb_i-k进行标准差处理，确定对应商家的标准差BC_i；

通过初筛单元对商家进行初步筛选，基于对应用户的浏览记录，确定需求品类的价格区间，基于此价格区间，保留属于此价格区间的商家品类，剔除不属于此价格区间的商家品类；

再对标准差BC_i按照数值从小至大的方式，对不同商家进行排序，生成商家排序表；

赋值单元，对商家排序表进行赋值处理，包括：

将商家排序表内不同商家的排序名次标记为q，其中q=1、2、……、n，q为1时，代表其商家排序名次为1；

采用FZ_i=X1÷q确认对应商家的赋值FZ_i，其中i代表不同的商家，其中X1为预设值，并将所产生的赋值传输至品类筛选单元内；

波动值确认单元，基于对应品类的好评率以及销量变化情况，确定其一定周期内的数据，并按照数据的变化，生成其数值变化曲线，并从数值变化曲线确认其波动次数以及变化均值，从而确定其对应数值变化曲线的波动值，包括：

限定一组处理周期T，其中T为预设值；

确认本处理周期T内所产生的好评率数据或销量数据，基于时间走向以及数据的变化，生成数值变化曲线，其数值变化曲线包括：好评率数值变化曲线以及销量数值变化曲线；

从数值变化曲线内确定其波动点，其波动点前后两端线段的趋势相反，将每个波动点所对应的数值标记为SZ_i-g，其中g=1、2、……、m，m代表波动点的个数，i代表不同的商家，基于SZ_i-g确认相邻波动点之间差值的均值，并将其标记为CZ_i；

采用BD_i=CZ_i×C1+m×C2确认其对应数值变化曲线的波动值BD_i，其中C1以及C2均为预设的固定系数因子；

将同一商家的好评率数值变化曲线以及销量数值变化曲线所产生的波动值进行求和，确定合并波动值，并将对应商家的合并波动值标记后传输至品类筛选单元内；

品类筛选单元，根据所确认的需求品类，从商家排序表内确定对应商家相同品类当前的好评率以及销量，确定对应商家的第一组筛选值，再基于对应商家的赋值以及合并波动值确定总分值，基于总分值确定所选品类，包括：

确定第一组筛选值：

将对应商家相同品类当前的好评率标记为HP_i，将销量标记为XL_i，其中i代表不同的商家，采用XX_i=HP_i×A1+XL_i×A2，确定第一组筛选值，其中A1以及A2均为预设的比例系数；

确定总分值：

将合并波动值标记为HBZ_i，并提取对应商家的赋值FZ_i，其中i代表不同的商家，采用XX_i-（HBZ_i×D1）+FZ_i×D2=ZF_i确定总分值ZF_i，其中D1以及D2均为预设的比例系数；

依据商家排序表内排序商家所产生的若干组总分值ZF_i，按照数值从大至小的方式进行排序，并将排序为前三的三组商家分别标定为最佳商家、标佳商家以及次佳商家，将对应商家售卖的对应品类分别标定为最佳品类、标佳品类以及次佳品类，并将所选定的三组品类信息传输至推送端内。

优选的，所述推送端，确定一组推送方式，其推送顺序为：标佳品类、最佳品类以及次佳品类，分时间段推送至对应用户的终端内。

本发明提供了电商个性化导购系统。与现有技术相比具备以下有益效果：

本发明通过对商家的货品售卖价格数据进行确认，并通过分析其价格变动情况，来确定其溢价比，并生成对应的商家排序表，便于后续对商家进行选取，从商家排序的前后顺序中，排序位置越靠前，代表其商家内部售卖货品的价格变化幅度不大，排序位置越靠后，代表其商家内部售卖货品的价格变化幅度较大，进行初步筛选，保障导购货品的质量；

后续通过一系列的数值分析，不仅针对于用户的导购，还针对于选品的情况进行综合分析，通过分析其数值变化曲线的波动情况，便可判定其数值的变化程度，若某些商家存在刷单行为，便会造成其数值波动曲线出现剧烈变化，那么所产生的波动值便会较大，故为了使对商家进行筛选的更为精准，故通过分析其波动值，来确定其对应商家所产生的对应数值，此类数值可体现其商家的货物售卖变化情况。

附图说明

图1为本发明原理框架示意图；

图2为本发明波动点确定示意图。

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。

请参阅图1，本申请提供了电商个性化导购系统，包括云端、品类确定端、导购中心以及推送端，其中云端分别与品类确定端以及导购中心无线连接，且品类确定端与导购中心输入节点电性连接，且导购中心与推送端无线连接；

其中导购中心包括溢价分析单元、初筛单元、波动值确认单元、赋值单元以及品类筛选单元，其中溢价分析单元与初筛单元之间双向连接，且溢价分析单元分别与波动值确认单元和赋值单元输入节点电性连接，且波动值确认单元以及赋值单元均与品类筛选单元输入节点电性连接；

其中品类确定端，通过从云端内获取对应用户所产生的用户数据，对此类用户的需求品类进行确定，其中用户数据包括：对应平台未产生购买情况的浏览记录，因对应用户使用对应平台进行货物浏览，便会产生浏览记录，且获取其用户的浏览记录为对应平台所具备的权限，故可以直接获取其用户的浏览记录，其中，确定对应用户需求品类的子步骤包括：

从云端内获取一定周期内所产生的若干组浏览记录，其中一定周期为预设周期，需提前拟定，一般取值30天；

从若干组浏览记录内，将属于同一品类的浏览记录进行确定，并基于其确定浏览记录的个数，提取浏览记录数值最大的一组品类并标定为需求品类，并将品类排序表传输至导购中心内，具体的，每个浏览记录内，均具备对应的品类信息，基于对应品类信息便可确定其浏览次数，以此根据其浏览次数的数值大小，便可确定其用户的需求品类，从而来确定其数值；

其中导购中心，基于品类排序表的需求品类，从云端内获取存在对应品类售卖的商家数据，其中商家数据包括：对应商家的售卖数据、对应品类的单价数据、对应品类的好评率以及销量，具体的，品类确定后，从云端内需确定若干组不同的商家，其商家存在此类品类的售卖，所获取的商家个数由操作人员自行拟定；

其中溢价分析单元，对所获取的若干组不同商家的售卖数据进行溢价分析，确定属于不同商家的溢价比，基于溢价比数值的不同，对若干组不同商家进行排序，生成商家排序表，其中，生成的子步骤包括：

从不同商家内提取近30天内的售卖数据，确定其不同货品的变动价格以及变动后的价格，将不同货品的变动价格标定为JG_i-k，将变动后的价格标定为BJ_i-k，其中i代表不同商家，k代表不同货品，具体的，为了确认其不同商家的价格变动情况，就需要分析其价格变动情况，某些商家在商业活动到来时，会采用大量降价的情况来提升销量，那么其原始的成本价就很低，也能反应对应商家的信用度不高，故价格变动幅度较大，那么此类商家所产生的对应溢价比便会较高，从而对若干个商家进行初步分析，确定其溢价比，来选取一些较为合适的商家；

采用Yb_i-k=JG_i-k÷BJ_i-k确定其对应商家对应货品的溢价比Yb_i-k，将同一商家所产生的若干组溢价比Yb_i-k进行标准差处理，确定对应商家的标准差BC_i，其标准差可以显示若干个数据的离散程度，若标准差越大，代表其溢价比之间变化幅度较大，数值越大，代表其商家的价格变化幅度并无标准，其标准差的处理方式为：，其中k=1、2、……、n，且内部的/>为若干个溢价比Yb_i-k的均值；

初筛单元，对商家进行初步筛选，基于对应用户的浏览记录，确定需求品类的价格区间，基于此价格区间，保留属于此价格区间的商家品类，剔除不属于此价格区间的商家品类；

再对标准差BC_i按照数值从小至大的方式，对不同商家进行排序，生成商家排序表，具体的，从商家排序的前后顺序中，排序位置越靠前，代表其商家内部售卖货品的价格变化幅度不大，排序位置越靠后，代表其商家内部售卖货品的价格变化幅度较大。

其中，赋值单元，对商家排序表进行赋值处理，排序名次越靠前，赋值越大，排序名次越靠后，赋值越小，其赋值处理的子步骤包括：

将商家排序表内不同商家的排序名次标记为q，其中q=1、2、……、n，q为1时，代表其商家排序名次为1；

采用FZ_i=X1÷q确认对应商家的赋值FZ_i，其中i代表不同的商家，其中X1为预设值，其具体取值由操作人员根据经验拟定，并将所产生的赋值传输至品类筛选单元内；

具体的，此处要进行赋值，便就是为了后续的品类筛选，提升其品类筛选过程中的准度，提升其导购过程中的准度，从而使推送的品类更贴合对应用户，且推送品类的质量能得到保障。

其中波动值确认单元，基于对应品类的好评率以及销量变化情况，确定其一定周期内的数据，并按照数据的变化，生成其数值变化曲线，并从数值变化曲线确认其波动次数以及变化均值，从而确定其对应数值变化曲线的波动值，具体的，在此处处理过程中一般只提取商家排序表排序名次为前十的商家，并不会针对于每组商家，均进行数值处理，其数值处理量会过大，其中，进行确定的子步骤包括：

限定一组处理周期T，其中T为预设值，其具体取值由操作人员根据经验拟定，一般取值30天；

确认本处理周期T内所产生的好评率数据或销量数据，基于时间走向以及数据的变化，生成数值变化曲线，其数值变化曲线包括：好评率数值变化曲线以及销量数值变化曲线；

从数值变化曲线内确定其波动点，其波动点前后两端线段的趋势相反，如图2所示，将每个波动点所对应的数值标记为SZ_i-g，其中g=1、2、……、m，m代表波动点的个数，i代表不同的商家，基于SZ_i-g确认相邻波动点之间差值的均值，并将其标记为CZ_i；

采用BD_i=CZ_i×C1+m×C2确认其对应数值变化曲线的波动值BD_i，其中C1以及C2均为预设的固定系数因子，其具体取值由操作人员根据经验拟定；

将同一商家的好评率数值变化曲线以及销量数值变化曲线所产生的波动值进行求和，确定合并波动值，并将对应商家的合并波动值标记后传输至品类筛选单元内；

具体的，本申请文件不仅针对于用户的导购，还针对于选品的情况进行综合分析，通过分析其数值变化曲线的波动情况，便可判定其数值的变化程度，若某些商家存在刷单行为，便会造成其数值波动曲线出现剧烈变化，那么所产生的波动值便会较大，故为了使对商家进行筛选的更为精准，故通过分析其波动值，来确定其对应商家所产生的对应数值，此类数值可体现其商家的货物售卖变化情况。

其中品类筛选单元，根据所确认的需求品类，从商家排序表内确定对应商家相同品类当前的好评率以及销量，确定对应商家的第一组筛选值，再基于对应商家的赋值以及合并波动值确定总分值，基于总分值确定所选品类，并将所选品类传输至推送端内；

其中确定第一组筛选值的子步骤包括：将对应商家相同品类当前的好评率标记为HP_i，将销量标记为XL_i，其中i代表不同的商家，采用XX_i=HP_i×A1+XL_i×A2，确定第一组筛选值，其中A1以及A2均为预设的比例系数，均由操作人员提前根据经验拟定；

其中确定总分值的子步骤包括：将合并波动值标记为HBZ_i，并提取对应商家的赋值FZ_i，其中i代表不同的商家，采用XX_i-（HBZ_i×D1）+FZ_i×D2=ZF_i确定总分值ZF_i，其中D1以及D2均为预设的比例系数，均由操作人员提前根据经验拟定；

依据商家排序表内排序商家所产生的若干组总分值ZF_i，按照数值从大至小的方式进行排序，并将排序为前三的三组商家分别标定为最佳商家、标佳商家以及次佳商家，将对应商家售卖的对应品类分别标定为最佳品类、标佳品类以及次佳品类，并将所选定的三组品类信息传输至推送端内。

具体的，为了保障导购效率的同时，不仅需要分析对应用户需求品类的精准度，还需要保障推送品类的质量，而其品类的质量分别与对应的溢价比以及对应的波动值息息相关，故通过确定其对应的数值，便可确定其对应的总分值，随后基于此总分值作为一个评定标准，确定对应所属品类的导购数据，并通过推送端进行推送，便可充分保障推送品类的准度以及质量，提升此导购系统的整体实用性，其数值分析的更为全面，所能产生的效果更好。

其中推送端，确定一组推送方式，其推送顺序为：标佳品类、最佳品类以及次佳品类，分时间段推送至对应用户的终端内，生成导购效率；

之所以采用此种顺序，是因为此种顺序更能提升导购效果，促使对应用户进行品类购买。

上述公式中的部分数据均是去其纲量进行数值计算，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。

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 (5)

1.电商个性化导购系统，其特征在于，包括：

品类确定端，通过从云端内获取对应用户所产生的用户数据，对此类用户的需求品类进行确定，其中用户数据包括：对应平台未产生购买情况的浏览记录；

导购中心，基于所确定的需求品类，从云端内获取存在对应品类售卖的商家数据，其中商家数据包括：对应商家的售卖数据、对应品类的单价数据、对应品类的好评率以及销量；且导购中心包括溢价分析单元、初筛单元、波动值确认单元、赋值单元以及品类筛选单元；

溢价分析单元，对所获取的若干组不同商家的售卖数据进行溢价分析，确定属于不同商家的溢价比，基于溢价比数值的不同，对若干组不同商家进行排序，生成商家排序表；

赋值单元，对商家排序表进行赋值处理，排序名次越靠前，赋值越大，排序名次越靠后，赋值越小，包括：

将商家排序表内不同商家的排序名次标记为q，其中q=1、2、……、n，q为1时，代表其商家排序名次为1；

采用FZ_i=X1÷q确认对应商家的赋值FZ_i，其中i代表不同的商家，其中X1为预设值，并将所产生的赋值传输至品类筛选单元内；

波动值确认单元，基于对应品类的好评率以及销量变化情况，确定其周期内的数据，并按照数据的变化，生成其数值变化曲线，并从数值变化曲线确认其波动次数以及变化均值，从而确定其对应数值变化曲线的波动值，包括：

限定一组处理周期T，其中T为预设值；

确认本处理周期T内所产生的好评率数据或销量数据，基于时间走向以及数据的变化，生成数值变化曲线，其数值变化曲线包括：好评率数值变化曲线以及销量数值变化曲线；

从数值变化曲线内确定其波动点，其波动点前后两端线段的趋势相反，将每个波动点所对应的数值标记为SZ_i-g，其中g=1、2、……、m，m代表波动点的个数，i代表不同的商家，基于SZ_i-g确认相邻波动点之间差值的均值，并将其标记为CZ_i；

采用BD_i=CZ_i×C1+m×C2确认其对应数值变化曲线的波动值BD_i，其中C1以及C2均为预设的固定系数因子；

将同一商家的好评率数值变化曲线以及销量数值变化曲线所产生的波动值进行求和，确定合并波动值，并将对应商家的合并波动值标记后传输至品类筛选单元内；

品类筛选单元，根据所确认的需求品类，从商家排序表内确定对应商家相同品类当前的好评率以及销量，确定对应商家的第一组筛选值，再基于对应商家的赋值以及合并波动值确定总分值，基于总分值确定所选品类。

2.根据权利要求1所述的电商个性化导购系统，其特征在于，所述品类确定端，确定对应用户需求品类的子步骤包括：

从云端内获取周期内所产生的若干组浏览记录，其中周期为预设周期；

从若干组浏览记录内，将属于同一品类的浏览记录进行确定，并基于其确定浏览记录的个数，提取浏览记录数值最大的一组品类并标定为需求品类，并将需求品类传输至导购中心内。

3.根据权利要求1所述的电商个性化导购系统，其特征在于，所述溢价分析单元，生成商家排序表的子步骤包括：

从不同商家内提取近30天内的售卖数据，确定其不同货品的变动价格以及变动后的价格，将不同货品的变动价格标定为JG_i-k，将变动后的价格标定为BJ_i-k，其中i代表不同商家，k代表不同货品；

采用Yb_i-k=JG_i-k÷BJ_i-k确定其对应商家对应货品的溢价比Yb_i-k，将同一商家所产生的若干组溢价比Yb_i-k进行标准差处理，确定对应商家的标准差BC_i；

通过初筛单元对商家进行初步筛选，基于对应用户的浏览记录，确定需求品类的价格区间，基于此价格区间，保留属于此价格区间的商家品类，剔除不属于此价格区间的商家品类；

再对标准差BC_i按照数值从小至大的方式，对不同商家进行排序，生成商家排序表。

4.根据权利要求1所述的电商个性化导购系统，其特征在于，所述品类筛选单元，基于总分值确定所选品类的子步骤包括：

确定第一组筛选值：

将对应商家相同品类当前的好评率标记为HP_i，将销量标记为XL_i，其中i代表不同的商家，采用XX_i=HP_i×A1+XL_i×A2，确定第一组筛选值，其中A1以及A2均为预设的比例系数；

确定总分值：

将合并波动值标记为HBZ_i，并提取对应商家的赋值FZ_i，其中i代表不同的商家，采用XX_i-（HBZ_i×D1）+FZ_i×D2=ZF_i确定总分值ZF_i，其中D1以及D2均为预设的比例系数；

依据商家排序表内排序商家所产生的若干组总分值ZF_i，按照数值从大至小的方式进行排序，并将排序为前三的三组商家分别标定为最佳商家、标佳商家以及次佳商家，将对应商家售卖的对应品类分别标定为最佳品类、标佳品类以及次佳品类，并将所选定的三组品类信息传输至推送端内。

5.根据权利要求4所述的电商个性化导购系统，其特征在于，所述推送端，确定一组推送方式，其推送顺序为：标佳品类、最佳品类以及次佳品类，分时间段推送至对应用户的终端内。