CN105205685A - 虚拟商品数据处理方法和处理设备 - Google Patents

Abstract

本发明提供了一种虚拟商品数据的处理方法。该方法包括：收集多个虚拟商品的购买数据；将所述多个虚拟商品按品类分成两组，并基于所述购买数据确定第一时间段内两组虚拟商品的购买交叉点；以及基于第二时间段内的多个所述购买交叉点来确定所述多个虚拟商品的惯性销售时间，其中，所述第二时间段包括所述第一时间段且其长度是所述第一时间段的多倍。本发明还提供了与上述方法对应的虚拟商品数据处理设备。基于上述方法和设备，能够更准确和及时地对虚拟商品销售数据进行处理。

Description

虚拟商品数据处理方法和处理设备

技术领域

本发明涉及虚拟商品领域，具体涉及虚拟商品数据处理方法和处理设备。

背景技术

在目前的电商网站上，对于虚拟商品(例如，游戏商品，包括点卡、游戏Key、券码、游戏道具等)的销售，通过收集例如游戏用户的游戏商品购买数据、网页浏览量(PageView，PV)、订单转化率、购买时间等，由数据处理人员对这些数据进行人工分析。例如，将上述数据整合在数据表中，呈现给数据处理人员，数据处理人员人工对数据表进行分析。

然而，这样的技术存在着一些问题，例如：由于虚拟商品属于快速消费品，其数量随时更新，并不像实物商品有较长的生产阶段和物流时长，且数据根据不同的应用(例如不同游戏)会产生较大波动，以实物商品的分析方式来分析虚拟商品会存在不准确和不及时的问题。此外，虚拟商品的销售会存在一个突发期，例如类似“节”的一个时段(如游戏中定期的游戏内活动)，需要针对该时间段安排软件、硬件和网络带宽的支持，以避免例如造成***瘫痪等对网络和***的冲击。

目前还缺少对虚拟商品的销售数据进行准确、快速分析的有效方法。

发明内容

为了提供对虚拟商品的销售数据进行准确、快速分析的有效手段，本发明提供了一种虚拟商品数据的处理方法和一种虚拟商品数据的处理设备。

根据本发明的第一方面，提供了一种虚拟商品数据的处理方法，包括：收集多个虚拟商品的购买数据；将所述多个虚拟商品按品类分成两组，并基于所述购买数据确定第一时间段内两组虚拟商品的购买交叉点；以及基于第二时间段内的多个所述购买交叉点来确定所述多个虚拟商品的惯性销售时间，其中，所述第二时间段包括所述第一时间段且其长度是所述第一时间段的多倍。

根据本发明的第二方面，提供了一种虚拟商品数据的处理设备，包括：信息收集模块，用于收集多个虚拟商品的购买数据；交叉点计算模块，用于将所述多个虚拟商品按品类分成两组，并基于所述购买数据确定第一时间段内两组虚拟商品的购买交叉点；以及惯性确定模块，用于基于第二时间段内的多个所述购买交叉点来确定所述多个虚拟商品的惯性销售时间，其中，所述第二时间段包括所述第一时间段且其长度是所述第一时间段的多倍。

根据本发明的上述方法和设备，能够较为准确和及时地预测虚拟商品销售的突发高峰时段，从而可针对该时间段安排软件、硬件和网络带宽的支持，以避免例如造成***瘫痪等对网络和***的冲击。

附图说明

通过下面结合附图对发明进行的详细描述，将使本发明的上述特征和优点更加明显，其中：

图1是示出根据本发明的实施例虚拟商品数据的处理方法的简要流程图；

图2是示出根据本发明的实施例的虚拟商品数据处理设备的简要框图；以及

图3是示出实现本发明技术方案的一个实施例的交叉点确定的示意图。

具体实施方式

下面，参考附图详细说明本发明的优选实施方式。在附图中，虽然示于不同的附图中，但相同的附图标记用于表示相同的或相似的组件。为了清楚和简明，包含在这里的已知的功能和结构的详细描述将被省略，以避免使本发明的主题不清楚。

图1示出了根据本发明的实施例虚拟商品数据的处理方法的简要流程图。

在图1的步骤110中，收集多个虚拟商品的购买数据。

可根据所有或部分客户购买的商品记录数据(包括购买订单量、购买的商品销售额等)，按照商品的品类以及商品的最小库存单位(StockKeepingUnit，SKU)进行分类匹配，按照时间来进行分类统计。本文中所说的品类指的是商品种类，例如票务类商品、旅行类商品、充值类商品等。在一些示例中，按照自然日对数据进行整理。当然，在其他示例中，也可以按其他时间单位或者相同时间单位但不同的时间起始点(例如，从每天上午8点到第二天上午8点的数据)来对数据进行整理。

在一些示例中，在虚拟商品是游戏中的虚拟物品的情况下，可指定一款或多款游戏的虚拟物品来进行分析。此时，可首先确定该多款游戏的关联性，例如类型或内容方面是否存在关联，并可将有关联的游戏的数据收集以及随后的数据分析放在一起进行。

在步骤120中，将多个虚拟商品按品类分成两组，并基于购买数据确定第一时间段内两组虚拟商品的购买交叉点。

在一些实施例中，第一时间段可以是一个月。当然，根据具体情况不同，第一时间段也可以是其他时间段，例如两个月等。

图3示出了根据本发明的购买交叉点的一个示例性的示意图。如图3所示，横轴坐标是时间，纵轴坐标是销量。具体地，图3中的纵轴坐标表示销售金额，当然，纵轴坐标也可以表示销量的其他形式，例如销售金额等。横轴上的一个时间区间可以是1个月。如图所述，在第一时间区间中该两组虚拟商品可存在多个购买交叉点。此时可以区订单量或销售金额最高的交叉点来作为用于数据分析的购买交叉点，并记录该购买交叉点处的时间T和销量。如上所述，T可以是表示自然日的时间。

在一些示例中，还可能需要从所收集的数据中剔除购买数量/金额远大于其他订单的订单。例如，工作室等大客户可能会一次性地订购大量的虚拟商品，但这种订购不能代表一般用户的用户行为，剔除这种突发的数据可对用户行为进行更准确地分析。

在步骤130中，基于第二时间段内的多个购买交叉点来确定多个虚拟商品的惯性销售时间，其中，第二时间段包括第一时间段且其长度是第一时间段的多倍。

例如，第一时间段可以是1个月或两个月，第二时间段可以是半年或1年。

在一些实施例中，可使用下述等式(1)来确定下一第一时间段内所述两组虚拟商品的在购买交叉点处的销量：

$G_{m+1}=\frac{\underset{n=i}{\overset{m}{\Σ}}{G}_n}{m-i}(m\≥2,i\≥1,m>i)$ 等式(1)

以及根据以下等式(2)确定下一第一时间段内所述两组虚拟商品的购买交叉点：

$T_{m+1}=\frac{(T_m+T_{m-1})}{2}(m\≥2)$ 等式(2)

其中，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，i表示之前的某一第一时间段，其取值可根据具体需求而定。例如，当某种品类的商品具有良好的销售惯性(如多个第一时间段的购买交叉点相近)时，i可取较前的值。

在另一些实施例中，可以利用上一年与该下一第一时间段同期的数据来对该下一第一时间段的数据进行校正。例如如以下等式3所示：

$T_{m+1}=\frac{\left|T_m-T_{m-1}\right|}{2}+T_{m+1,y-1}(m\≥2,y\≥2)$ 等式(3)

其中，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，y表示当前年份。需要注意的是，虽然这里仅采用了前一年的数据进行校正。在一些实施例中，也可以采用之前多年的数据来进行校正，例如采用之前多年的数据的平均或其他形式来进行校正。

从上述等式可知，所计算出的T的值可能不是整数，此时，T的值可以向上取整，也可以向下取整。本发明不对此进行限制。在实际的操作中，可认为这两个时间点(向上取整值和向下取整值)都是潜在的销售高峰期，需要针对这两个时间点进行例如网络和硬件支持。

此外，该方法还可以包括：针对第二时间段内(以1年为例)的每个第一时间段(以1个月为例)，计算当前第一时间段与上一第一时间段的匹配系数。

可使用下述等式(4)来计算匹配系数：

$f=\frac{G_m{T}_m}{G_{m-1}{T}_{m-1}}$ 等式(4)

其中，f表示匹配系数，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段。例如，假设当前的第一时间段中的购买交叉点是3月23日，则当前第一时间段被记为T₃，取值为23，且当前第一时间段的销量被记为G₃。

由此，例如当知道当前月和前一个月的匹配系数之后，在进行下一月的预测时，可将当前月和前一个月的匹配系数简单地取平均值来得到下一月的匹配系数。当得到的匹配系数值越接近1，则表明对该下一月的数据预测越正常，当匹配系数值离1越远，则表明对该下一月的预测的可信度较低。

在一些实施例中，可以将第二时间段内的匹配系数中最接近1的匹配系数所在的时间点确定为的最佳惯性销售时间。例如，如果3月23日对应的匹配系数是整个一年中最接近1的匹配系数，则3月23日即为该年度的(迄今的)最佳惯性销售时间。该最佳惯性销售时间可表明例如每年在该时间都可能发生大规模的虚拟商品购买行为，需要针对该行为提供充足的软件、硬件和网络带宽支持，以避免对网络和***的不利冲击。

接下来，将参考图2，结合图1示出的方式详细说明与图1的方法相对应的虚拟商品数据的处理设备。

如图2所示，根据本发明实施例的虚拟商品数据处理设备至少包括：

信息收集模块210，用于收集多个虚拟商品的购买数据；

交叉点计算模块220，用于将该多个虚拟商品按品类分成两组，并基于购买数据确定第一时间段内两组虚拟商品的购买交叉点；以及

惯性确定模块230，用于基于第二时间段内的多个购买交叉点来确定该多个虚拟商品的惯性销售时间，其中，第二时间段包括第一时间段且其长度是第一时间段的多倍。

该虚拟商品数据处理设备还可以包括异常剔除模块240，用于从所收集的购买数据中剔除购买数量/金额远大于其他订单的订单。

该虚拟商品数据处理设备还可以包括存储模块(未示出)，用于存储上述模块的处理中需要存储的数据。该存储模块可用本领域技术人员周知的各种技术来实现。

在一些示例中，交叉点计算模块220还可用于：确定所述两组虚拟商品在时间轴上具有相同销量的时间点作为购买交叉点。

在一些示例中，交叉点计算模块220还可用于：如果在第一时间段内存在多个具有相同销量的时间点，取销量最大的时间点作为购买交叉点。

在一些示例中，该处理设备还可以包括：

匹配系数计算模块250：用于针对第二时间段内的每个第一时间段，计算当前第一时间段与上一第一时间段的匹配系数；以及

在一些示例中，匹配系数计算模块250还可以用于：

根据以下等式计算当前第一时间段与上一第一时间段的匹配系数：

$f=\frac{G_m{T}_m}{G_{m-1}{T}_{m-1}}$

其中，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段。

在一些示例中，惯性确定模块230还可用于：

根据以下等式确定下一第一时间段内两组虚拟商品的在购买交叉点处的销量：

$G_{m+1}=\frac{\underset{n=i}{\overset{m}{\Σ}}{G}_n}{m-i}(m\≥2,i\≥1,m>i)$

以及根据以下等式确定下一第一时间段内两组虚拟商品的购买交叉点：

$T_{m+1}=\frac{(T_m+T_{m-1})}{2}(m\≥2)$

其中，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，i表示之前的某一第一时间段，其取值可根据具体需求而定。

在一些示例中，可以使用以往数据来对所预测的下一第一时间段的数据进行校正。例如，惯性确定模块230还可以用于：利用上一年与该下一第一时间段同期的数据来对该下一第一时间段的数据进行校正。具体地，在一些示例中，惯性确定模块230可根据以下等式确定下一第一时间段内两组虚拟商品的购买交叉点：

$T_{m+1}=\frac{\left|T_m-T_{m-1}\right|}{2}+T_{m+1,y-1}(m\≥2,y\≥2)$

其中，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，y表示当前年份。需要注意的是，虽然这里仅采用了前一年的数据进行校正。在一些实施例中，也可以采用之前多年的数据来进行校正，例如采用之前多年的数据的平均或其他形式来进行校正。

在一些示例中，匹配系数计算模块250还可以用于将第二时间段内的匹配系数中最接近1的匹配系数所在的时间点确定为的最佳惯性销售时间。如上所述，该最佳惯性销售时间可表明例如每年在该时间都可能发生大规模的虚拟商品购买行为，需要针对该行为提供充足的软件、硬件和网络带宽支持，以避免对网络和***的不利冲击。

如上所述，所计算出的T的值可能不是整数，此时，T的值可以向上取整，也可以向下取整。本发明不对此进行限制。在实际的操作中，可认为这两个时间点(向上取整值和向下取整值)都是潜在的销售高峰期，需要针对这两个时间点进行例如网络和硬件支持。

此外，需要注意的是，本发明中所提供的等式仅是为了理解本发明而提供的示例。本领域技术人员也可以根据本发明的教导采用其他的等式。例如，在上述等式2和3中仅采用了两个第一时间段的数据来预测下一第一时间段的数据，然而本领域技术人员也可以采用更多第一时间段的数据来进行预测。再例如，上述等式1和2中采用了当前第一时间段与之前的一个或多个第一时间段的数据的简单算术平均来进行预测，然而根据本发明的实施例，也可以采用以匹配系数作为加权系数的加权平均或者其他本领域技术人员可想到的数学式来进行预测。此外，等式3中的T_m和T_m-1也可采用加权方式进行处理。

需要注意的是，在图2中描述的虚拟商品数据处理设备仅是为了使本领域技术人员更清楚地理解本发明而作的图，其中省略了一些对理解本发明不必要的模块/组件，本发明的保护范围不应受这些附图的具体细节所限制。例如，实际的设备中可以包括更多的模块/组件，如显示器、操作维护接口、输入输出接口等等。本发明不对这些进行限制。

在本发明的上述实施例中，通过收集多个虚拟商品的购买数据并对其进行分析以确定该多个虚拟商品的惯性销售时间，可以有效、即时和准确地对虚拟商品的销售做出预测，从而避免因为大量虚拟商品的购买行为的出现而导致的对虚拟商品购买***的软件、硬件和网络的冲击，避免例如***瘫痪等不利现象的出现。

上面的描述仅用于实现本发明的实施方式，本领域的技术人员应该理解，在不脱离本发明的范围的任何修改或局部替换，均应该属于本发明的权利要求来限定的范围，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (22)

1.一种虚拟商品数据的处理方法，包括：

收集多个虚拟商品的购买数据；

将所述多个虚拟商品按品类分成两组，并基于所述购买数据确定第一时间段内两组虚拟商品的购买交叉点；以及

基于第二时间段内的多个所述购买交叉点来确定所述多个虚拟商品的惯性销售时间，其中，所述第二时间段包括所述第一时间段且其长度是所述第一时间段的多倍。

2.根据权利要求1所述的处理方法，还包括：

从所收集的购买数据中剔除购买数量/金额远大于其他订单的订单。

3.根据权利要求1所述的处理方法，其中，确定所述购买交叉点包括：确定所述两组虚拟商品在时间轴上具有相同销量的时间点。

4.根据权利要求3所述的处理方法，其中，如果在所述第一时间段内存在多个具有相同销量的时间点，取销量最大的时间点作为所述购买交叉点。

5.根据权利要求1所述的处理方法，还包括：根据以下等式确定下一第一时间段内所述两组虚拟商品的在购买交叉点处的销量：

$G_{m+1}=\frac{\underset{n=i}{\overset{m}{\Σ}}{G}_n}{m-i}(m\≥2,i\≥1,m>i)$

以及根据以下等式确定下一第一时间段内所述两组虚拟商品的购买交叉点：

$T_{m+1}=\frac{(T_m+T_{m-1})}{2}(m\≥2)$

其中，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，i表示之前的某一第一时间段。

6.根据权利要求1所述的处理方法，还包括：

利用上一年与所述下一第一时间段同期的数据来对所述下一第一时间段的数据进行校正。

7.根据权利要求6所述的处理方法，其中，根据以下等式确定下一第一时间段内所述两组虚拟商品的购买交叉点：

$T_{m+1}=\frac{|T_m-T_{m-1}|}{2}+T_{m+1,y-1}(m\≥2,y\≥2)$

其中，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，_y表示当前年份。

8.根据权利要求1所述的处理方法，还包括：

针对所述第二时间段内的每个所述第一时间段，计算当前第一时间段与上一第一时间段的匹配系数。

9.根据权利要求8所述的处理方法，其中，根据以下等式计算当前第一时间段与上一第一时间段的匹配系数：

$f=\frac{G_m{T}_m}{G_{m-1}{T}_{m-1}}$

其中，f表示匹配系数，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段。

10.根据权利要求9所述的处理方法，还包括：

将所述第二时间段内的匹配系数中最接近1的匹配系数所在的时间点确定为的最佳惯性销售时间。

11.根据权利要求1至10中任一项所述的处理方法，其中，所述第一时间段是一个月，所述第二时间段是半年或一年，所述时间点是一天。

12.一种虚拟商品数据的处理设备，包括：

信息收集模块，用于收集多个虚拟商品的购买数据；

交叉点计算模块，用于将所述多个虚拟商品按品类分成两组，并基于所述购买数据确定第一时间段内两组虚拟商品的购买交叉点；以及

惯性确定模块，用于基于第二时间段内的多个所述购买交叉点来确定所述多个虚拟商品的惯性销售时间，其中，所述第二时间段包括所述第一时间段且其长度是所述第一时间段的多倍。

13.根据权利要求12所述的处理设备，还包括：

异常剔除模块，用于从所收集的购买数据中剔除购买数量/金额远大于其他订单的订单。

14.根据权利要求12所述的处理设备，其中，所述交叉点计算模块还用于：确定所述两组虚拟商品在时间轴上具有相同销量的时间点作为所述购买交叉点。

15.根据权利要求14所述的处理设备，其中，所述交叉点计算模块还用于：如果在所述第一时间段内存在多个具有相同销量的时间点，取销量最大的时间点作为所述购买交叉点。

16.根据权利要求12所述的处理设备，其中，所述惯性确定模块还用于：

根据以下等式确定下一第一时间段内所述两组虚拟商品的在购买交叉点处的销量：

$G_{m+1}=\frac{\underset{n=i}{\overset{m}{\Σ}}{G}_n}{m-i}(m\≥2,i\≥1,m>i)$

以及根据以下等式确定下一第一时间段内所述两组虚拟商品的购买交叉点：

$T_{m+1}=\frac{(T_m+T_{m-1})}{2}(m\≥2)$

其中，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，i表示之前的某一第一时间段。

17.根据权利要求12所述的处理设备，其中，所述惯性确定模块还用于：

利用上一年与所述下一第一时间段同期的数据来对所述下一第一时间段的数据进行校正。

18.根据权利要求17所述的处理设备，其中，所述惯性确定模块还用于：

根据以下等式确定下一第一时间段内所述两组虚拟商品的购买交叉点：

$T_{m+1}=\frac{|T_m-T_{m-1}|}{2}+T_{m+1,y-1}(m\≥2,y\≥2)$

其中，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段，m+1表示下一第一时间段，y表示当前年份。

19.根据权利要求12所述的处理设备，还包括：

匹配系数计算模块：用于针对所述第二时间段内的每个所述第一时间段，计算当前第一时间段与上一第一时间段的匹配系数。

20.根据权利要求19所述的处理设备，其中，所述匹配系数计算模块用于：

根据以下等式计算当前第一时间段与上一第一时间间的匹配系数：

$f=\frac{G_m{T}_m}{G_{m-1}{T}_{m-1}}$

其中，f表示匹配系数，G表示购买交叉点处的销量，T表示购买交叉点，m表示当前第一时间段，m-1表示上一第一时间段。

21.根据权利要求19所述的处理设备，所述匹配系数计算模块用于：

将所述第二时间段内的匹配系数中最接近1的匹配系数所在的时间点确定为的最佳惯性销售时间。

22.根据权利要求12至21中任一项所述的处理设备，其中，所述第一时间段是一个月，所述第二时间段是半年或一年，所述时间点是一天。