CN117993956A - 一种基于目标客户及市场数据处理方法 - Google Patents
一种基于目标客户及市场数据处理方法 Download PDFInfo
- Publication number
- CN117993956A CN117993956A CN202410384352.5A CN202410384352A CN117993956A CN 117993956 A CN117993956 A CN 117993956A CN 202410384352 A CN202410384352 A CN 202410384352A CN 117993956 A CN117993956 A CN 117993956A
- Authority
- CN
- China
- Prior art keywords
- expected
- array
- target client
- scoring
- product
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 238000003491 array Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于目标客户及市场数据处理方法，涉及数据分析技术领域，包括：获取每一个目标客户的浏览行为，确定每一个目标客户的特征数据，基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求，基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵，基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度，基于每一个期待产品的期待满意度，对矩阵中的期待产品按照期待满意度进行降序显示输出。本发明的优点在于：使目标客户更容易找到符合其需求的产品，提高客户对推荐产品的满意度，有助于提升销售转化率。
Description
技术领域
本发明涉及数据分析技术领域，具体涉及一种基于目标客户及市场数据处理方法。
背景技术
目标客户及市场数据是企业在制定营销策略和经营计划时根据目标客户涉及企业希望吸引的特定客户群体，包括年龄、性别、地理位置等因素。市场数据则涉及整个市场的信息，如规模、增长趋势、竞争情况等，通过分析特定人群所面对的市场数据，做出相关决策。
由于现有市场数据处理依赖于市场调查和数据分析，如果数据采集方法不当或样本不代表性，可能导致对目标客户和市场的错误理解，其次市场动态变化，尤其是在快速发展的行业。目标客户的喜好受外在因素影响，采集的数据不能及时更新，导致分析处理结果不准确，对于最终的决策偏差较大。
发明内容
为解决上述技术问题，提供一种基于目标客户及市场数据处理方法，本技术方案解决了上述的现有市场数据处理依赖于市场调查和数据分析，如果数据采集方法不当或样本不代表性，可能导致对目标客户和市场的错误理解，其次市场动态变化，尤其是在快速发展的行业。目标客户的喜好受外在因素影响，采集的数据不能及时更新，导致分析处理结果不准确，对于最终的决策偏差较大的问题。
为达到以上目的，本发明采用的技术方案为：
一种基于目标客户及市场数据处理方法，包括：
基于后台浏览记录，获取每一个目标客户的浏览行为，确定每一个目标客户的特征数据；
基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求；
基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵；
基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度；
基于每一个期待产品的期待满意度，对矩阵中的期待产品按照期待满意度进行降序显示输出。
优选的，基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求具体包括：
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览属性；
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览时间；
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览频率；
建立目标客户期待需求评估模型；
基于目标客户的特征数据中的特征浏览属性、特征浏览时间和特征浏览频率，通过目标客户期待需求评估模型，对目标客户的特征数据进行评估，获得每一个目标客户的期待需求；
其中，目标客户期待需求评估模型具体为：
式中，V为每一个目标客户的特征数据中的特征浏览属性，U为每一个目标客户的特征数据中的特征浏览时间，H为每一个目标客户的特征数据中的特征浏览频率，，/>，/>均为模型的系数。
优选的，基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵具体包括：
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的若干个子标签数据；
基于每一个目标客户的特征数据中的若干个子标签数据，筛选出市场数据中满足目标客户的特征数据中的一个或多个子标签数据的产品；
将每一个满足目标客户的特征数据中的一个或多个子标签数据的产品，组建为期待产品矩阵A；
其中，期待产品矩阵A具体为：
矩阵中，为第i个满足目标客户的特征数据中的一个或多个子标签数据的第j个产品，m为特征数据与子标签数据的总数，n为产品的总数。
优选的，基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度具体包括：
基于期待产品矩阵，根据期待产品矩阵中的特征数据筛选出若干个特征数据数组；
基于若干个特征数据数组，通过特征数据下的子标签数据，针对每一个特征数据数组中满足期待需求的产品，根据符合子标签的数量进行评分，获得若干个特征数据数组内的每一个产品评分值；
基于若干个特征数据数组内的每一个产品评分值，将特征数据数组中每一个产品与评分值进行绑定，组建产品综合评分数组；
基于产品满意度综合数组，确定产品评分值的平均值，根据评分平均值筛选出最优评分综合数组与次优评分综合数组；
基于最优评分综合数组与次优评分综合数组，通过标量值计算公式，计算最优评分综合数组与次优评分综合数组中每一个产品的评分的标量值，获得最优标量值评分数组与次优标量值评分综合数组；
基于最优标量值评分数组与次优标量值评分综合数组，通过向量距离计算公式，分别计算最优标量值评分数组与满意度综合数组之间的向量距离和次优标量值评分综合数组与满意度综合数组之间的向量距离，记为最优向量标量值评分数组和次优向量标量值评分数组；
基于最优向量标量值评分数组和次优向量标量值评分数组，通过期待满意度，最优向量标量值评分数组和次优向量标量值评分数中每一个期待产品的期待满意度；
其中，标量值计算公式为：
式中，x为最优标量值评分数组，y为次优标量值评分综合数组，为最优评分数组中第i个产品的评分，/>为次优评分综合数组中第i个产品的评分；
其中，向量距离计算公式为：
式中，为最优向量标量值评分数组，/>为次优向量标量值评分数组；/>为最优标量值评分数组中第i个产品的评分的标量值，/>为次优标量值评分数组中第i个产品的评分的标量值；
其中，满意度计算公式为：
式中，r为每一个期待产品的期待满意度。
与现有技术相比，本发明的有益效果在于：
本发明提出一种基于目标客户及市场数据处理方法。通过分析目标客户的浏览行为和特征数据，识别他们的期待需求，并提供满足这些需求的个性化产品推荐。具体通过分析后台浏览记录，确定每个目标客户的特征数据。然后，基于这些特征数据进行需求分析，搜索市场数据中满足需求的产品，形成期待产品矩阵。接下来，计算每个产品的期待满意度，并按照满意度降序排列，以提供优先展示符合客户期望的产品。通过此方式：使目标客户更容易找到符合其需求的产品，提高客户对推荐产品的满意度，有助于提升销售转化率。
附图说明
图1为本发明的一种基于目标客户及市场数据处理方法流程图；
图2为本发明的确定每一个目标客户的期待需求方法流程图；
图3为本发明的组建期待产品矩阵方法流程图；
图4为本发明的计算每一个期待产品的期待满意度方法流程图
图5为本发明的电子设备结构示意图；
图6为本发明的计算机可读存储介质结构示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
参照图1所示，一种基于目标客户及市场数据处理方法，包括：
基于后台浏览记录，获取每一个目标客户的浏览行为，确定每一个目标客户的特征数据；
基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求；
基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵；
基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度；
基于每一个期待产品的期待满意度，对矩阵中的期待产品按照期待满意度进行降序显示输出。
本方案通过分析目标客户的浏览行为和特征数据，识别他们的期待需求，并提供满足这些需求的个性化产品推荐。具体通过分析后台浏览记录，确定每个目标客户的特征数据。然后，基于这些特征数据进行需求分析，搜索市场数据中满足需求的产品，形成期待产品矩阵。接下来，计算每个产品的期待满意度，并按照满意度降序排列，以提供优先展示符合客户期望的产品。通过此方式：使目标客户更容易找到符合其需求的产品，提高客户对推荐产品的满意度，有助于提升销售转化率。
参照图2所示，基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求具体包括：
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览属性；
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览时间；
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览频率；
建立目标客户期待需求评估模型；
基于目标客户的特征数据中的特征浏览属性、特征浏览时间和特征浏览频率，通过目标客户期待需求评估模型，对目标客户的特征数据进行评估，获得每一个目标客户的期待需求；
其中，目标客户期待需求评估模型具体为：
式中，V为每一个目标客户的特征数据中的特征浏览属性，U为每一个目标客户的特征数据中的特征浏览时间，H为每一个目标客户的特征数据中的特征浏览频率，，/>，/>均为模型的系数。
本方案通过获取后台目标客户数据中的特征数据，对特征数据进行分析评估，确定每一个目标客户的期待需求。示例性的：在一款云商城软件中，获取到若干个目标客户的特征数据中的特征浏览属性、特征浏览时间和特征浏览频率，其中，特征浏览属性即包括但不限于为婴儿用品、电子产品、衣物或家具，而特征浏览时间即为在特征浏览属性中的浏览时间、而特征浏览频率即为在特征浏览属性中的浏览频率。
参照图3所示，基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵具体包括：
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的若干个子标签数据；
基于每一个目标客户的特征数据中的若干个子标签数据，筛选出市场数据中满足目标客户的特征数据中的一个或多个子标签数据的产品；
将每一个满足目标客户的特征数据中的一个或多个子标签数据的产品，组建为期待产品矩阵A；
其中，期待产品矩阵A具体为：
矩阵中，为第i个满足目标客户的特征数据中的一个或多个子标签数据的第j个产品，m为特征数据与子标签数据的总数，n为产品的总数。
可以理解是，所述基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的若干个子标签数据；示例性的：目标客户浏览属性为书籍的特征数据下，选择的若干个子标签数据为科幻类、长篇小说、作者或书名，通过将符合特征属性下的一个或多个子标签数据，集合为期待产品矩阵，保证了数据的准确性。
参照图4所示，基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度具体包括：
基于期待产品矩阵，根据期待产品矩阵中的特征数据筛选出若干个特征数据数组；
基于若干个特征数据数组，通过特征数据下的子标签数据，针对每一个特征数据数组中满足期待需求的产品，根据符合子标签的数量进行评分，获得若干个特征数据数组内的每一个产品评分值；
基于若干个特征数据数组内的每一个产品评分值，将特征数据数组中每一个产品与评分值进行绑定，组建产品综合评分数组；
基于产品满意度综合数组，确定产品评分值的平均值，根据评分平均值筛选出最优评分综合数组与次优评分综合数组；
基于最优评分综合数组与次优评分综合数组，通过标量值计算公式，计算最优评分综合数组与次优评分综合数组中每一个产品的评分的标量值，获得最优标量值评分数组与次优标量值评分综合数组；
基于最优标量值评分数组与次优标量值评分综合数组，通过向量距离计算公式，分别计算最优标量值评分数组与满意度综合数组之间的向量距离和次优标量值评分综合数组与满意度综合数组之间的向量距离，记为最优向量标量值评分数组和次优向量标量值评分数组；
基于最优向量标量值评分数组和次优向量标量值评分数组，通过期待满意度，最优向量标量值评分数组和次优向量标量值评分数中每一个期待产品的期待满意度；
其中，标量值计算公式为：
式中，x为最优标量值评分数组，y为次优标量值评分综合数组，为最优评分数组中第i个产品的评分，/>为次优评分综合数组中第i个产品的评分；
其中，向量距离计算公式为：
式中，为最优向量标量值评分数组，/>为次优向量标量值评分数组；/>为最优标量值评分数组中第i个产品的评分的标量值，/>为次优标量值评分数组中第i个产品的评分的标量值；
其中，满意度计算公式为：
式中，r为每一个期待产品的期待满意度。
本方案基于期待产品矩阵中筛选符合条件的特征数据数组，通过子标签数据对产品进行评分，形成产品综合评分数组。然后，通过计算平均值筛选最优与次优评分综合数组，利用标量值计算公式得到最优与次优标量值评分数组。通过向量距离计算，生成最优与次优向量标量值评分数组。最终，通过皮尔森相关系数计算期待满意度。
图5是本申请一个实施例提供的电子设备结构示意图。如图5所示，根据本申请的又一方面还提供了一种电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的某一种基于目标客户及市场数据处理方法。
根据本申请实施方式的方法或系统也可以借助于图5所示的电子设备的架构来实现。如图5所示，电子设备500可包括总线501、一个或多个CPU502、只读存储器（ROM）503、随机存取存储器（RAM）504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备，例如ROM503或硬盘507可存储本申请提供的一种基于目标客户及市场数据处理方法，进一步地，一种基于目标客户及市场数据处理方法，包括：基于后台浏览记录，获取每一个目标客户的浏览行为，确定每一个目标客户的特征数据，基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求，基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵，基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度，基于每一个期待产品的期待满意度，对矩阵中的期待产品按照期待满意度进行降序显示输出。电子设备500还可包括用户界面508。当然，图5所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图5示出的电子设备中的一个或多个组件。
图6是本申请一个实施例提供的计算机可读存储介质结构示意图。如图6所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的路径规划方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器（RAM）和高速缓冲存储器（cache）等。非易失性存储器例如可包括只读存储器（ROM）、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：分析目标客户的浏览行为和特征数据，识别他们的期待需求，并提供满足这些需求的个性化产品推荐。具体通过分析后台浏览记录，确定每个目标客户的特征数据。然后，基于这些特征数据进行需求分析，搜索市场数据中满足需求的产品，形成期待产品矩阵。接下来，计算每个产品的期待满意度，并按照满意度降序排列，以提供优先展示符合客户期望的产品，在该计算机程序被中央处理单元（CPU）执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种基于目标客户及市场数据处理方法，其特征在于，包括：
基于后台浏览记录，获取每一个目标客户的浏览行为，确定每一个目标客户的特征数据；
基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求；
基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵；
基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度；
基于每一个期待产品的期待满意度，对矩阵中的期待产品按照期待满意度进行降序显示输出。
2.根据权利要求1所述的一种基于目标客户及市场数据处理方法，其特征在于，基于每一个目标客户的特征数据，对目标客户的特征数据进行分析，确定每一个目标客户的期待需求具体包括：
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览属性；
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览时间；
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的特征浏览频率；
建立目标客户期待需求评估模型；
基于目标客户的特征数据中的特征浏览属性、特征浏览时间和特征浏览频率，通过目标客户期待需求评估模型，对目标客户的特征数据进行评估，获得每一个目标客户的期待需求。
3.根据权利要求2所述的一种基于目标客户及市场数据处理方法，其特征在于，所述目标客户期待需求评估模型具体为：
式中，V为每一个目标客户的特征数据中的特征浏览属性，U为每一个目标客户的特征数据中的特征浏览时间，H为每一个目标客户的特征数据中的特征浏览频率，/>，/>，/>均为模型的系数。
4.根据权利要求3所述的一种基于目标客户及市场数据处理方法，其特征在于，基于每一个目标客户的期待需求，搜索市场数据中每一个满足期待需求的产品，组建为期待产品矩阵具体包括：
基于每一个目标客户的特征数据，确定每一个目标客户的特征数据中的若干个子标签数据；
基于每一个目标客户的特征数据中的若干个子标签数据，筛选出市场数据中满足目标客户的特征数据中的一个或多个子标签数据的产品；
将每一个满足目标客户的特征数据中的一个或多个子标签数据的产品，组建为期待产品矩阵A；
其中，期待产品矩阵A具体为：
矩阵中，/>为第i个满足目标客户的特征数据中的一个或多个子标签数据的第j个产品，m为特征数据与子标签数据的总数，n为产品的总数。
5.根据权利要求4所述的一种基于目标客户及市场数据处理方法，其特征在于，基于期待产品矩阵，筛选出期待产品矩阵中满足期待需求的产品，计算每一个期待产品的期待满意度具体包括：
基于期待产品矩阵，根据期待产品矩阵中的特征数据筛选出若干个特征数据数组；
基于若干个特征数据数组，通过特征数据下的子标签数据，针对每一个特征数据数组中满足期待需求的产品，根据符合子标签的数量进行评分，获得若干个特征数据数组内的每一个产品评分值；
基于若干个特征数据数组内的每一个产品评分值，将特征数据数组中每一个产品与评分值进行绑定，组建产品综合评分数组；
基于产品满意度综合数组，确定产品评分值的平均值，根据评分平均值筛选出最优评分综合数组与次优评分综合数组；
基于最优评分综合数组与次优评分综合数组，通过标量值计算公式，计算最优评分综合数组与次优评分综合数组中每一个产品的评分的标量值，获得最优标量值评分数组与次优标量值评分综合数组；
基于最优标量值评分数组与次优标量值评分综合数组，通过向量距离计算公式，分别计算最优标量值评分数组与满意度综合数组之间的向量距离和次优标量值评分综合数组与满意度综合数组之间的向量距离，记为最优向量标量值评分数组和次优向量标量值评分数组；
基于最优向量标量值评分数组和次优向量标量值评分数组，通过期待满意度，最优向量标量值评分数组和次优向量标量值评分数中每一个期待产品的期待满意度。
6.根据权利要求5所述的一种基于目标客户及市场数据处理方法，其特征在于，所述标量值计算公式为：
式中，x为最优标量值评分数组，y为次优标量值评分综合数组，/>为最优评分数组中第i个产品的评分，/>为次优评分综合数组中第i个产品的评分。
7.根据权利要求6所述的一种基于目标客户及市场数据处理方法，其特征在于，所述向量距离计算公式为：
式中，/>为最优向量标量值评分数组，/>为次优向量标量值评分数组；/>为最优标量值评分数组中第i个产品的评分的标量值，/>为次优标量值评分数组中第i个产品的评分的标量值。
8.根据权利要求7所述的一种基于目标客户及市场数据处理方法，其特征在于，所述满意度计算公式为：
式中，r为每一个期待产品的期待满意度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410384352.5A CN117993956A (zh) | 2024-04-01 | 2024-04-01 | 一种基于目标客户及市场数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410384352.5A CN117993956A (zh) | 2024-04-01 | 2024-04-01 | 一种基于目标客户及市场数据处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117993956A true CN117993956A (zh) | 2024-05-07 |
Family
ID=90893494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410384352.5A Pending CN117993956A (zh) | 2024-04-01 | 2024-04-01 | 一种基于目标客户及市场数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117993956A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120259676A1 (en) * | 2011-04-07 | 2012-10-11 | Wagner John G | Methods and apparatus to model consumer choice sourcing |
| CN111080398A (zh) * | 2019-11-19 | 2020-04-28 | 浙江大搜车软件技术有限公司 | 商品推荐方法、装置、计算机设备和存储介质 |
| US20210103937A1 (en) * | 2017-07-12 | 2021-04-08 | Visa International Service Association | Systems and Methods for Generating Behavior Profiles for New Entities |
| JP2023052120A (ja) * | 2018-02-09 | 2023-04-11 | オカド・イノベーション・リミテッド | 顧客個人化制御ユニット、システム、および方法 |
| CN116167825A (zh) * | 2023-03-06 | 2023-05-26 | 深圳爱巧网络有限公司 | 基于电子商务的商品推荐方法、装置、设备及存储介质 |
| CN116433324A (zh) * | 2023-03-28 | 2023-07-14 | 平安银行股份有限公司 | 一种产品推荐方法、装置、介质和计算机设备 |
| CN116883116A (zh) * | 2023-07-24 | 2023-10-13 | 南京智慧云网络科技有限公司 | 一种用户行为分析驱动的个性化商品推荐系统及其方法 |
| CN117151830A (zh) * | 2023-10-31 | 2023-12-01 | 青岛嘉迅信息技术有限公司 | 一种基于大数据的商品推荐方法及系统 |
| CN117495513A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市智百威科技发展有限公司 | 一种基于大数据和人工智能的购物推荐方法及系统 |
| CN117635205A (zh) * | 2023-11-08 | 2024-03-01 | 福建卓融信息技术有限公司 | 一种基于需求浓度的客户匹配方法及系统 |
| CN117788100A (zh) * | 2023-12-04 | 2024-03-29 | 广州市艾依格家居制品有限公司 | 基于互联网的家具智能推广系统 |
-
2024
- 2024-04-01 CN CN202410384352.5A patent/CN117993956A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120259676A1 (en) * | 2011-04-07 | 2012-10-11 | Wagner John G | Methods and apparatus to model consumer choice sourcing |
| US20210103937A1 (en) * | 2017-07-12 | 2021-04-08 | Visa International Service Association | Systems and Methods for Generating Behavior Profiles for New Entities |
| JP2023052120A (ja) * | 2018-02-09 | 2023-04-11 | オカド・イノベーション・リミテッド | 顧客個人化制御ユニット、システム、および方法 |
| CN111080398A (zh) * | 2019-11-19 | 2020-04-28 | 浙江大搜车软件技术有限公司 | 商品推荐方法、装置、计算机设备和存储介质 |
| CN116167825A (zh) * | 2023-03-06 | 2023-05-26 | 深圳爱巧网络有限公司 | 基于电子商务的商品推荐方法、装置、设备及存储介质 |
| CN116433324A (zh) * | 2023-03-28 | 2023-07-14 | 平安银行股份有限公司 | 一种产品推荐方法、装置、介质和计算机设备 |
| CN116883116A (zh) * | 2023-07-24 | 2023-10-13 | 南京智慧云网络科技有限公司 | 一种用户行为分析驱动的个性化商品推荐系统及其方法 |
| CN117151830A (zh) * | 2023-10-31 | 2023-12-01 | 青岛嘉迅信息技术有限公司 | 一种基于大数据的商品推荐方法及系统 |
| CN117635205A (zh) * | 2023-11-08 | 2024-03-01 | 福建卓融信息技术有限公司 | 一种基于需求浓度的客户匹配方法及系统 |
| CN117788100A (zh) * | 2023-12-04 | 2024-03-29 | 广州市艾依格家居制品有限公司 | 基于互联网的家具智能推广系统 |
| CN117495513A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市智百威科技发展有限公司 | 一种基于大数据和人工智能的购物推荐方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 宋倩: ""基于关联规则算法的电子商务商品推荐系统设计与实现"", 《微型电脑应用》, vol. 37, no. 10, 20 October 2021 (2021-10-20), pages 205 - 208 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191240B (zh) | 一种进行商品推荐的方法和装置 | |
| CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
| US20170200205A1 (en) | Method and system for analyzing user reviews | |
| US20120296900A1 (en) | Adaptively learning a similarity model | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| US20120296776A1 (en) | Adaptive interactive search | |
| CN111178949B (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
| CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
| CN112765230B (zh) | 基于互联网金融的支付大数据分析方法及大数据分析系统 | |
| CN110674391A (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
| CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| US10585931B1 (en) | Dynamic determination of data facets | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN110895781A (zh) | 菜品类别推荐方法、装置、电子设备及存储介质 | |
| CN115809891A (zh) | 基于替代和关联作用的多品类联合需求预测方法及装置 | |
| CN117993956A (zh) | 一种基于目标客户及市场数据处理方法 | |
| CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
| US20140324523A1 (en) | Missing String Compensation In Capped Customer Linkage Model | |
| CN113704599A (zh) | 营销转化用户的预测方法、装置及计算机设备 | |
| CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
| US20140324524A1 (en) | Evolving a capped customer linkage model using genetic models | |
| CN109960777B (zh) | 物品评论个性化推荐方法、系统、电子设备及存储介质 | |
| CN111681086A (zh) | 商品推荐方法、装置、计算机设备和可读存储介质 | |
| CN113094584A (zh) | 推荐学习资源的确定方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |