CN112613918B - 一种结合数据中台大数据的个性化优惠券生成方法 - Google Patents

一种结合数据中台大数据的个性化优惠券生成方法 Download PDF

Info

Publication number
CN112613918B
CN112613918B CN202011611123.0A CN202011611123A CN112613918B CN 112613918 B CN112613918 B CN 112613918B CN 202011611123 A CN202011611123 A CN 202011611123A CN 112613918 B CN112613918 B CN 112613918B
Authority
CN
China
Prior art keywords
marketing
data
personalized
coupon
coupons
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.)
Active
Application number
CN202011611123.0A
Other languages
English (en)
Other versions
CN112613918A (zh
Inventor
陈新宇
方耿生
蒲继强
周健文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Yunxi Technology Co ltd
Original Assignee
Guangzhou Yunxi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yunxi Technology Co ltd filed Critical Guangzhou Yunxi Technology Co ltd
Priority to CN202011611123.0A priority Critical patent/CN112613918B/zh
Publication of CN112613918A publication Critical patent/CN112613918A/zh
Application granted granted Critical
Publication of CN112613918B publication Critical patent/CN112613918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种结合数据中台大数据的个性化优惠券生成方法，包括：创建个性化优惠券：在营销***券模板管理中，新增券模板，配置券类型为个性化优惠券，并完成主要配置项：配置营销任务：并将营销任务的配置数据和个性化优惠券的配置数据通过接口发送至数据中台；生成个性化优惠券：在营销任务的条件触发时，营销***根据数据中台返回的明细数据，生成个性化优惠券的生成。本发明借助数据中台的大数据算法引擎，搭配运营策略的配置，能够基于每一位消费者的兴趣偏好设计个性化的优惠券，向每一位消费者发行适用于其个人偏好商品的优惠券。

Description

一种结合数据中台大数据的个性化优惠券生成方法
技术领域
本发明涉及大数据技术和精准营销技术领域，具体涉及一种结合数据中台大数据的个性化优惠券生成方法。
背景技术
发行优惠券是目前用户营销中的有效实践。优惠券的本质其实是一个刺激消费的工具，它与积分构成了日常会员营销的基本工具。消费者使用优惠券，意味着自己可以花更少的钱获得商品或服务。商家发出了优惠券，意味着有可能获得转化，赢得更多的客户进而获取更多的利润。
但当前行业内成熟应用个性化优惠券的厂商或品牌方并不多，专注营销的厂商或品牌方多数缺少大数据算法能力。目前大部分使用的优惠券是通用的满减/折扣券，或专门的品类/商品券，即通过运营人为设计好券模板，使用发券***进行统一发放；或结合标签***进行人群圈选，针对生成的人群包进行优惠券发放。此时同一个营销活动及同一个人群包中，每一个消费者收到的优惠券都是一样的，做不到千人千面的个性化营销。通用型及指定品类的优惠券虽然促进了销量,但对品牌方来说是把双刃剑。
具体地，上述通用的满减/折扣券，或专门的品类/商品券应用到营销场景中的主要缺点如下：
1.对于忠诚或沉睡老客来说，提升其活跃度的有效手段之一是推荐其感兴趣的未购品类或新品，运营人为设计的通用型优惠券不能起到曝光兴趣商品的作用，且多次使用之后会造成“审美疲劳”；
2.不同的消费者对商品价格的心理预期和折扣敏感度存在差异，对折扣一刀切的通用型优惠券看似公平，实则在同样的让利空间下，不能惠及更多的消费者；
3.持续大规模的专场出清会带来相应的营运成本和品牌伤害，而全场通用的优惠活动往往先卖掉了畅销品，牺牲利润的同时对于滞销品的出清帮助不大。
存在上述缺点的主要原因是专注于营销的***服务商或品牌方多数缺少数据中台和大数据算法能力，而大部分数据中台服务商又未有完善的营销工具相结合。因此，行业内急需研发一种能将数据中台和完善的营销工具相结合，以实现生成千人千面的个性化优惠券。
发明内容
本发明的目的是为了克服以上现有技术存在的不足，提供了一种结合数据中台大数据的个性化优惠券生成方法。
本发明的目的通过以下的技术方案实现：
一种结合数据中台大数据的个性化优惠券生成方法，包括：
创建个性化优惠券：在营销***券模板管理中，新增券模板，配置券类型为个性化优惠券，并完成主要配置项：
配置营销任务：在营销***的营销任务管理中，新增营销任务，完成营销任务的配置；并将营销任务的配置数据和个性化优惠券的配置数据通过接口发送至数据中台；
生成个性化优惠券：在营销任务的条件触发时，营销***根据数据中台返回的明细数据，生成个性化优惠券的生成。
优选地，数据中台返回的明细数据的步骤包括：
S31，将订单数据、用户数据、商品数据输入预先建立并训练好的算法模型中，输出反应用户与商品的购买特征的评分预测值；
S32，根据配置营销任务调用接口传过来的配置数据，对算法模型的输出的评分预测值进行过滤；
S33，生成明细数据，并返回给营销***。
优选地，配置数据包括：券模板配置数据和营销任务配置数据；其中，券模板配置数据包括：券模板id、券类型、个性化类型、促销商品范围、是否含已购商品、有效商品个数、券折扣率范围和券有效期范围；营销任务配置数据包括营销任务id、人群包id和营销时间。
优选地，明细数据包括：营销任务id、用户id、商品id、评分预测值和是否已购。
优选地，建立的算法模型的表示为：
L(X,Y)为损失函数，min L(X,Y)指最小化平方误差损失函数；rui代表原始矩阵中第u行，第i列对应的真实值；代表通过矩阵分解的两个矩阵对应值的乘积，结果为第u行，第i列对应的预测值，λ(|xu|2+|yi|2)代表正则化项，λ为吉洪诺夫矩阵；
对公式(1)进行优化，得到训练结果矩阵；则步骤S31包括：用户数据User、商品数据Item输入公式(1)，得到表征用户对该商品的喜好程度的评分预测值Rating。
优选地，创建个性化优惠券步骤中的主要配置项包括：配置基础信息、配置规则信息和配置使用范围；基础信息包括券模板名称、使用层级、是否定向券、用途归类和活动描述；规则信息包括券类别、最低消费金额、最大发放数量、个性化类型、券折扣率范围、最高优惠金额、是否与门店促销互斥和互斥类型；使用范围包括有效期类型、有效期范围、店铺范围、品牌范围、前台类目范围、促销商品范围、是否含已购商品和有效商品个数；
营销任务的配置包括：营销内容配置为优惠券，设置优惠券推送方式和推广时间，并将优惠券配置为个性化优惠券；指定营销任务的目标人群。
优选地，目标人群为所有会员或指定已经生成的人群包。
优选地，生成个性化优惠券后还包括将生成的券数据进行保存，用于个性化优惠券的核销，券数据包括券id、券码、用户id、商品id、折扣率和有效期。
优选地，对公式(1)进行优化的步骤包括：采用将生成的券数据对算法模型进行优化。
优选地，结合数据中台大数据的个性化优惠券生成方法还包括配置A/B分流个性化营销：在营销***的营销画布中，新建营销画布，选择***预置的“A/B分流个性化营销”模板，进入对应预生成的营销画布，在营销画布中设置营销时间和选择人群，设置目标人群流量的分配；按照试验组和对照组进行比例的分配，其中，照试验组发送个性化优惠券，对照组发送通用优惠券。
本发明相对于现有技术具有如下优点：
本发明首先创建个性化优惠券和配置营销任务，在营销任务的条件触发时，营销***根据数据中台返回的明细数据，生成个性化优惠券的生成。而数据中台返回的明细数据为数据中台基于客户大数据生成包含对应单一的营销任务和个性化优惠券模板的营销数据(明细数据)，因此本发明借助数据中台的大数据算法引擎，搭配运营策略的配置，能够基于每一位消费者的兴趣偏好设计个性化的优惠券，向每一位消费者发行适用于其个人偏好商品的优惠券,并针对商品的利润空间及消费者的折扣敏感度产生不同的优惠力度，结合消费者的复购周期特性生成个性化的有效期范围，在同一个营销活动中实现千人千面的专属优惠券发放，达到个性化精准营销的效果，从而解决上述通用型优惠券营销的瓶颈和难点：具体为：
1.通过个性化优惠券，对目标人群进行兴趣商品的精准曝光，结合优惠条件，能够有效提升老客的复购率和商品连带率；
2.通过专属优惠券实现个性化的优惠，可以满足更多消费者的预期，在相同的让利下获得更高的整体利润，同时避免陷入商品降价、与竞品的价格战等不良影响；
3.通过个性化优惠券的推送实现“以货找人”的逻辑，将所选范围内的商品结合优惠折扣精准推荐给对其感兴趣的人群，达到精准促销的目的。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的结合数据中台大数据的个性化优惠券生成方法的流程示意图。
图2为本发明的稀疏矩阵所缺失的评分图。
图3(a)本发明建立算法模型的一过程图。
图3(b)本发明建立算法模型的另一过程图。
图3(c)本发明建立算法模型的又一过程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参见图1，一种结合数据中台大数据的个性化优惠券生成方法，其特征在于，包括：
S1,创建个性化优惠券：在营销***券模板管理中，新增券模板，配置券类型为个性化优惠券，并完成主要配置项：主要配置项包括：配置基础信息、配置规则信息和配置使用范围；基础信息包括券模板名称、使用层级、是否定向券、用途归类和活动描述；规则信息包括券类别(折扣券)、最低消费金额、最大发放数量、个性化类型、券折扣率范围、最高优惠金额、是否与门店促销互斥和互斥类型；使用范围包括有效期类型、有效期范围、店铺范围、品牌范围、前台类目范围、促销商品范围、是否含已购商品和有效商品个数。
S2,配置营销任务：在营销***的营销任务管理中，新增营销任务，完成基础信息配置，即营销内容配置为优惠券，设置优惠券推送方式和推广时间；并将优惠券配置为步骤S1创建的个性化优惠券；指定营销任务的目标人群，完成营销任务的配置；并将营销任务的配置数据和个性化优惠券的配置数据(主要配置项)通过接口发送至数据中台；目标人群为所有会员或指定已经生成的人群包。
作为另一可实施例，结合数据中台大数据的个性化优惠券生成方法包括配置A/B分流个性化营销：在营销***的营销画布中，新建营销画布，选择***预置的“A/B分流个性化营销”模板，进入对应预生成的营销画布，在营销画布中设置营销时间和选择人群，设置目标人群流量的分配；按照试验组和对照组进行比例的分配，其中，照试验组发送步骤S1创建的个性化优惠券，对照组发送通用优惠券。点击保存按钮，完成A/B分流个性化营销的配置。
需要说明的是，配置营销任务是主动营销(根据条件直接执行)，配置A/B分流个性化营销是根据逻辑判断(A/B分流)再进行差异化的营销。
S3,生成个性化优惠券：在营销任务的条件触发(时间或事件)时，营销***根据数据中台返回的明细数据，生成个性化优惠券的生成。同时将生成的券数据进行保存，用于个性化优惠券的核销，券数据包括券id、券码、用户id、商品id、折扣率和有效期。明细数据包括：营销任务id、用户id、商品id、评分预测值和是否已购。
数据中台返回的明细数据的步骤包括：
S31，将订单数据、用户数据、商品数据输入预先建立并训练好的算法模型中，输出反应用户与商品的购买特征的评分预测值；
用户和商品的关系，可以抽象为如下的三元组：<User,Item,Rating>。其中，Rating是用户对商品购买行为的评分，表征用户对该商品的喜好程度。
本算法是基于模型的推荐算法。基本思想是建模对稀疏矩阵进行分解，评估出缺失项的值，以此来得到一个基本的训练模型。然后依照此模型可以针对新的用户和物品数据进行评估。算法采用交替的最小二乘法来算出缺失项的。交替的最小二乘法是在最小二乘法的基础上发展而来的。
假设有一批用户数据，其中包含m个User和n个Item，则定义Rating矩阵，其中的元素表示第u个User对第i个Item的评分。(评分标准:用户u购买商品i的次数)。
用户不可能购买所有的商品，那么R矩阵注定是个稀疏矩阵。矩阵中所缺失的评分，又叫做missing item,如图2所示。
假设用户和商品之间存在若干关联维度(比如用户年龄、性别、受教育程度和商品的外观、价格等)，只需要将R矩阵投射到这些维度上即可。这个投射的数学表示是：
一般情况下，k的值远小于n和m的值，从而达到了数据降维的目的，如图3(a)所示。
实际上，并不需要显式的定义这些关联维度，而只需要假定它们存在即可，因此这里的关联维度又称为Latent factor(潜在因素)。k的典型取值一般是10～100。
这种方法可以称为概率矩阵分解算法(probabilistic matrix factorization，PMF)。本算法是PMF在数值计算方面的应用。
为了使低秩矩阵X和Y尽可能地逼近R，需要最小化下面的平方误差损失函数：
考虑到矩阵的稳定性问题，使用Tikhonov regularization，则上式变为：
其中：
L(X,Y)为损失函数，用来估量模型的预测值f(X)与真实值Y的不一致程，这里用的是平方误差损失函数；min L(X,Y)指最小化平方误差损失函数；rui代表原始矩阵中第u行，第i列对应的真实值，即上面说的Y真实值；代表通过矩阵分解的两个矩阵对应对应值的乘积，结果为第u行，第i列对应的预测值，即上面说的预测值f(X)；
λ(|xu|2+|yi|2)代表正则化项，最小二乘法求解会导致过拟合或欠拟合，通常用正则化来解决。最常用的正则化方法为：洁洪诺夫正则化，是引入正则算子将不适定问题转化为适定问题。
式中λ为吉洪诺夫矩阵(Tikhonov matrix)
(|xu|2+|yi|2)为L2正则化(防止过拟合)，引用L2范式：
公式(1)即为建立的算法模型的公式表示，采用将生成的券数据对算法模型进行优化，得到训练结果矩阵；预测时，将用户数据User、商品数据Item输入公式(1)，得到表征用户对该商品的喜好程度的评分预测值Rating，如图3(b)所示。
同时，矩阵X和Y，还可以用于比较不同的User(或Item)之间的相似度，如图3(c)所示：
根据最终得到<User,Item,Rating>的全量评分预测值，即可将评分预测值Rating用于优惠券适用商品范围的个性化设计，达到的效果就是分发给每个用户的优惠券，其适用商品范围落在该用户喜好程度最高的n个商品上，同时再搭配优惠策略，起到精准营销的效果。
S32，根据配置营销任务调用接口传过来的配置数据，对算法模型的输出的评分预测值进行过滤；条件过滤后的数据(评分预测值)对应单一的营销任务和个性化优惠券模板，以文件的形式进行保存，并返回给营销***，用于生成个性化优惠券和分发。配置数据包括：券模板配置数据和营销任务配置数据；其中，券模板配置数据包括：券模板id、券类型、个性化类型、促销商品范围、是否含已购商品、有效商品个数、券折扣率范围和券有效期范围；营销任务配置数据包括营销任务id、人群包id和营销时间。
S33，生成明细数据，并返回给营销***。
本发明借助数据中台的大数据算法引擎，搭配运营***的运营策略的配置，能够基于每一位消费者的兴趣偏好设计个性化的优惠券，向每一位消费者发行适用于其个人偏好商品的优惠券,并针对商品的利润空间及消费者的折扣敏感度产生不同的优惠力度，结合消费者的复购周期特性生成个性化的有效期范围，达到个性化精准营销的效果：
1.提升引流效果：通过大数据算法，挖掘消费者个性化需求，在特定的时间为消费者精准推送符合其偏好的商品，配合折扣优惠，提升购买转化率和引流效果，同时体现品牌更懂消费者的能力，提高消费者对品牌的认可度和粘性；
2.提升销售额：商品SKU数量较多的情况下，消费者在有限的接触里难以发现感兴趣但曝光量不足的商品，通过个性化营销结合商品策略可以将长尾位置的商品精准曝光给有购买意愿的消费者，从而提升整体销售额；
3.提升利润额：结合商品利润率和消费者折扣敏感度的数据，可以对优惠券的折扣力度做个性化设计，区别于常规的全场通用/满减和商品降价等形式，能有效避免与竞品的价格战和对品牌的伤害，并优化让利结构，同样的促销力度下获得更高的整体利润；
4.提升复购率：结合消费者购买周期和最近一次购买时间，对优惠券的发送时间和有效期做个性化设计，可以减少消费者的阶段性流失，提升整体复购率。
上述具体实施方式为本发明的优选实施例，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种结合数据中台大数据的个性化优惠券生成方法，其特征在于，包括：
创建个性化优惠券：在营销***券模板管理中，新增券模板，配置券类型为个性化优惠券，并完成主要配置项；
配置营销任务：在营销***的营销任务管理中，新增营销任务，完成营销任务的配置；并将营销任务的配置数据和个性化优惠券的配置数据通过接口发送至数据中台；
生成个性化优惠券：在营销任务的条件触发时，营销***根据数据中台返回的明细数据，生成个性化优惠券；
营销***根据数据中台返回明细数据的步骤包括：
S31，将订单数据、用户数据、商品数据输入预先建立并训练好的算法模型中，输出反应用户与商品的购买特征的评分预测值；
S32，根据配置营销任务调用接口传过来的配置数据，对算法模型的输出的评分预测值进行过滤；
S33，生成明细数据，并返回给营销***；
建立的算法模型的表示为：
L(X,Y)为损失函数，min L(X,Y)指最小化平方误差损失函数；rui代表原始矩阵中第u行，第i列对应的真实值；代表通过矩阵分解的两个矩阵对应值的乘积，结果为第u行，第i列对应的预测值，λ(|xu|2+|yi|2)代表正则化项，λ为吉洪诺夫矩阵；
对公式(1)进行优化，得到训练结果矩阵；
则步骤S31包括：用户数据User、商品数据Item输入公式(1)，得到表征用户对该商品的喜好程度的评分预测值Rating。
2.根据权利要求1所述的结合数据中台大数据的个性化优惠券生成方法，其特征在于，配置数据包括：券模板配置数据和营销任务配置数据；其中，券模板配置数据包括：券模板id、券类型、个性化类型、促销商品范围、是否含已购商品、有效商品个数、券折扣率范围和券有效期范围；营销任务配置数据包括营销任务id、人群包id和营销时间。
3.根据权利要求1所述的结合数据中台大数据的个性化优惠券生成方法，其特征在于，明细数据包括：营销任务id、用户id、商品id、评分预测值和是否已购。
4.根据权利要求1所述的结合数据中台大数据的个性化优惠券生成方法，其特征在于，创建个性化优惠券步骤中的主要配置项包括：配置基础信息、配置规则信息和配置使用范围；
基础信息包括券模板名称、使用层级、是否定向券、用途归类和活动描述；规则信息包括券类别、最低消费金额、最大发放数量、个性化类型、券折扣率范围、最高优惠金额、是否与门店促销互斥和互斥类型；使用范围包括有效期类型、有效期范围、店铺范围、品牌范围、前台类目范围、促销商品范围、是否含已购商品和有效商品个数；
营销任务的配置包括：营销内容配置为优惠券，设置优惠券推送方式和推广时间，并将优惠券配置为个性化优惠券；指定营销任务的目标人群。
5.根据权利要求4所述的结合数据中台大数据的个性化优惠券生成方法，其特征在于，目标人群为所有会员或指定已经生成的人群包。
6.根据权利要求1所述的结合数据中台大数据的个性化优惠券生成方法，其特征在于，生成个性化优惠券后还包括将生成的券数据进行保存，用于个性化优惠券的核销，券数据包括券id、券码、用户id、商品id、折扣率和有效期。
7.根据权利要求6所述的结合数据中台大数据的个性化优惠券生成方法，其特征在于，对公式(1)进行优化的步骤包括：采用生成的券数据对算法模型进行优化。
8.根据权利要求1所述的结合数据中台大数据的个性化优惠券生成方法，其特征在于，还包括配置A/B分流个性化营销：在营销***的营销画布中，新建营销画布，选择***预置的A/B分流个性化营销模板，进入对应预生成的营销画布，在营销画布中设置营销时间和选择人群，设置目标人群流量的分配；按照试验组和对照组进行比例的分配，其中，试验组发送个性化优惠券，对照组发送通用优惠券。
CN202011611123.0A 2020-12-30 2020-12-30 一种结合数据中台大数据的个性化优惠券生成方法 Active CN112613918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011611123.0A CN112613918B (zh) 2020-12-30 2020-12-30 一种结合数据中台大数据的个性化优惠券生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011611123.0A CN112613918B (zh) 2020-12-30 2020-12-30 一种结合数据中台大数据的个性化优惠券生成方法

Publications (2)

Publication Number Publication Date
CN112613918A CN112613918A (zh) 2021-04-06
CN112613918B true CN112613918B (zh) 2024-04-02

Family

ID=75249474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011611123.0A Active CN112613918B (zh) 2020-12-30 2020-12-30 一种结合数据中台大数据的个性化优惠券生成方法

Country Status (1)

Country Link
CN (1) CN112613918B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807888B (zh) * 2021-09-02 2024-06-04 支付宝(杭州)信息技术有限公司 营销处理方法及装置
CN117035859A (zh) * 2023-08-14 2023-11-10 武汉利楚商务服务有限公司 一种电子优惠券的智能投放方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335075A (zh) * 2019-06-30 2019-10-15 苏宁消费金融有限公司 适于消费金融的智能营销***及其工作方法
CN111667305A (zh) * 2020-05-24 2020-09-15 杭州云徙科技有限公司 一种数字中台***、构建方法及应用方法
CN111768239A (zh) * 2020-06-29 2020-10-13 腾讯科技（深圳）有限公司 道具推荐方法、装置、***、服务器和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11151203B2 (en) * 2017-02-28 2021-10-19 Apple Inc. Interest embedding vectors

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335075A (zh) * 2019-06-30 2019-10-15 苏宁消费金融有限公司 适于消费金融的智能营销***及其工作方法
CN111667305A (zh) * 2020-05-24 2020-09-15 杭州云徙科技有限公司 一种数字中台***、构建方法及应用方法
CN111768239A (zh) * 2020-06-29 2020-10-13 腾讯科技（深圳）有限公司 道具推荐方法、装置、***、服务器和存储介质

Also Published As

Publication number Publication date
CN112613918A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN109034915B (zh) 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务***
Larke et al. Build touchpoints and they will come: transitioning to omnichannel retailing
Chen et al. Using beta regression to explore the relationship between service attributes and likelihood of customer retention for the container shipping industry
Gupta et al. Identification of benefits, challenges, and pathways in E-commerce industries: An integrated two-phase decision-making model
CN112613918B (zh) 一种结合数据中台大数据的个性化优惠券生成方法
US11810151B2 (en) Predictive recommendation system using tiered feature data
KR101509131B1 (ko) 온라인 판매자 평가정보 제공방법
CN106157050A (zh) 一种社交网络购物***
CN111932345A (zh) 信息推送方法及装置
Hultink et al. New consumer product launch: strategies and performance
Mykhalchuk et al. Development of recommendation system in e-commerce using emotional analysis and machine learning methods
US20070061187A1 (en) Modular system for determining return on investment from marketing communications
Setyadi et al. The influence of service quality on customer loyalty is mediated by customer satisfaction in islamic bank
Abdelmaged Examining the Impact of Omnichannel retailing on Buying Intention Using Binary Models
Anand et al. Retail Analysis—Walmart’s Trend Assessment
Kalaivani et al. Multi process prediction model for customer behaviour analysis
Pokhylko et al. Drop shipping development under COVID-19 circumstances as the most common method of e-commerce
de Matta et al. Product price alignment with seller service rating and consumer satisfaction
Harish et al. Customer Segment Prediction on Retail Transactional Data Using K-Means and Markov Model.
de Lautour Strategic Management Accounting, Volume I: Aligning Strategy, Operations and Finance
Kadya The Sustained Improvements in E-commerce Business through Big Data and Data Analytics of Wal-Mart Company
Sharma Performance Prediction of Amazon Ad Campaigns Through Past Performance Data Using Machine Learning
MARLA SENTIMENT ANALYSIS OF CUSTOMER FEEDBACK ON APPAREL AND COSMETICS PURCHASE IN E-COMMERCE: A TAKE ON CUSTOMER SATISFACTION
Pratiwi et al. Evaluation of Business Model on E-Commerce PT. XYZ Using Business Model Canvas Approach
Turgay et al. Analyzing of B2b and B2c in Buying Centers Using Rough Sets and Mcdm Respect of Sustainable Supply Chain Management

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