CN113240453B - 基于区块链的商品销售动态推进管理*** - Google Patents
基于区块链的商品销售动态推进管理*** Download PDFInfo
- Publication number
- CN113240453B CN113240453B CN202110427215.1A CN202110427215A CN113240453B CN 113240453 B CN113240453 B CN 113240453B CN 202110427215 A CN202110427215 A CN 202110427215A CN 113240453 B CN113240453 B CN 113240453B
- Authority
- CN
- China
- Prior art keywords
- commodity
- sales
- purchasing
- purchase
- coefficient
- 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
Links
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000009825 accumulation Methods 0.000 claims description 81
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 239000013589 supplement Substances 0.000 claims description 15
- 230000001502 supplementing effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 210000000981 epithelium Anatomy 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000009977 dual effect Effects 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 4
- 235000011888 snacks Nutrition 0.000 description 4
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 235000015895 biscuits Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于区块链的商品销售动态推进管理***,包括数据层、数据中间层、决策分布层和用户层,数据中间层主要包括商品销售追踪模块和销售数据预处理模块;决策分布层包括匹配标定模块、销售购买演变模块、优化预测补给模块和动态推进销售模块。本发明通过对购买相同商品种类以及同一商品种类下的各商品的购买用户进行分析,能够准确对各购买用户进行两级双重的购买匹配程度的精准筛选,提高了对购买用户间的匹配程度分析的准确性,并通过预测补给模型获取销售推进预测补给系数以实现对商品进行分布式动态推进管理,扩大待推销客户且增加商品推进的效率,实现针对性商品推进销售的最优化管理,减少推进对购买可能性小的用户所造成干扰。
Description
技术领域
本发明属于商品销售推进管理技术领域,涉及到基于区块链的商品销售动态推进管理***。
背景技术
区块链是一个共享数据库,存储于其中的数据或信息,具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征,基于这些特征,区块链技术奠定了坚实的“信任”基础,创造了可靠的“合作”机制,具有广阔的运用前景,因而根据区块链的特征将区块链应用与商品销售管理,可实现对商品销售管理的另一模式。
随着社会科技的发展,人们的生活得到了很大的改善,人们购买常采用网上购物,现有电子商务在进行商品推送的过程中存在推送精度低以及推送商品过载的问题,导致用户在购买过程中频繁遭受商品广告的推送干扰,同时,现有商品推送的过程中仅根据该用户以往购买记录、浏览记录等进行推送,存在推送准确性低的问题,并增加对购买可能性小的用户所造成的推进干扰,且现有商品销售推进的过程中无法根据各购买用户以往购买记录进行商品种类以及商品种类下各商品进行双重匹配关联来绑定各购买用户的购买习性,实现各购买用户间的匹配分析,另外,无法根据商品销售过程中的实际销售推进程度与标准销售推进程度间的误差来对销售推进进行预测补偿,进而无法动态优化商品推进过程,存在商品销售推进的优化程度差、针对性差以及推进效率低等问题。
发明内容
本发明的目的在于提供的基于区块链的商品销售动态推进管理***,解决了背景技术中存在的以上问题。
本发明的目的可以通过以下技术方案实现:
基于区块链的商品销售动态推进管理***,包括数据层,销售信息采集终端作为数据层,区块链中的一个节点,销售信息采集终端采集商品销售数据信息,并对采集的商品销售数据信息进行编码、整理后上传至区块链中;
数据中间层,对各销售信息采集终端采集的商品销售数据信息进行销售追踪并进行预处理,获取各购买用户购买同种商品种类间的购买积聚度系数,并将经预处理后的各购买用户购买同种商品种类间的购买积聚度系数发布至决策分布层;
决策分布层,对经预处理后的各购买用户购买同种商品种类间的购买积聚度系数进行处理获得匹配相似标定系数,并对匹配相似标定系数所对应的购买用户间进行实际销售推进系数分析,并根据实际销售推进系数以及结合建立预测补给模型分析出销售推进预测补给系数,最后按照销售推进预测补给系数动态对待销售商品进行分布式动态销售推进。
进一步地,还包括用户层,主要包括管理人员,管理人员可增设销售信息采集终端的数量、编辑各人员的管理权限,并可增加或减少研究的商品种类、销售区域范围、商品仓储基本信息。
进一步地,所述数据中间层主要包括商品销售追踪模块和销售数据预处理模块;
商品销售追踪模块用于获取各销售区域内各购买用户以往购买的商品种类、各商品种类下各商品的购买数量、对购买的各商品的销售评价内容以及获取各购买用户购买各商品的时间,并将获取的各销售区域内各购买用户以往购买数据信息发送至销售数据预处理模块;
销售数据预处理模块用于接收商品销售追踪模块发送的各销售区域内各购买用户以往购买数据信息,提取该销售区域内各购买用户以往购买数据信息中的以往购买商品种类以及各购买用户购买各商品种类的时间进行匹配重合处理,分析出各购买用户购买的同种商品种类间的购买积聚度系数,对筛选出购买积聚度系数大于设定购买积聚度系数阈值的各购买用户进行关联绑定,并将关联绑定的购买积聚度系数YB大于设定阈值的各购买用户发送至匹配标定模块。
进一步地,所述销售数据预处理模块对各购买用户的匹配重合处理,包括以下步骤:
步骤A1、提取各购买用户p以往购买商品种类以及购买各商品种类的时间,P=1,2,...,m;
步骤A2、根据各购买用户购买各商品种类的时间判断各购买用户重复购买各商品种类的次数;
步骤A3、逐一判断各商品种类s(s=1,2,...,S)的购买占比率Cps表示为第p个购买用户购买第s个商品种类的次数,筛选出购买占比率最大的商品种类;
步骤A4、依次提取购买占比率最大的商品种类的购买用户,统计购买占比率最大的商品种类的购买用户间购买同种商品种类数量大于U次的购买积聚度系数YB=(1+λ)eG -U,G表示为购买占比率最大的各购买用户购买同种商品种类的数量,U为设定的购买同种商品种类的数量,为已知数值,λ为比例因子,取值1.24;
步骤A5、判断步骤A4中统计的购买积聚度系数YB是否大于设定的购买积聚度系数阈值,若小于设定的购买积聚度系数阈值,则依次降低U数值,直至购买积聚度系数YB大于设定的购买积聚度系数阈值,将各购买用户间的购买积聚度系数YB大于设定的购买积聚度系数阈值的购买用户进行关联;
步骤A6、逐次筛选出剩余各商品种类中的最大购买占比率,并执行步骤 A4-A5,直至购买占比率小于设定的购买占比率阈值。
进一步地,所述决策分布层包括匹配标定模块、销售购买演变模块、优化预测补给模块和动态推进销售模块;
匹配标定模块用于接收销售数据预处理模块发送的关联绑定的购买积聚度系数大于设定购买积聚度系数阈值的各购买用户,并提取购买积聚度系数大于设定购买积聚度系数阈值的各购买用户对该同一商品种类中的各商品的销售评价内容,对销售评价内容与各购买满意度等级所对应的关键字集合进行对比,统计出购买满意度系数,并通过购买满意度系数筛选出购买用户对购买的同一商品种类下各商品的购买满意度等级以及各购买满意权重系数,同时,匹配标定模块根据对购买的同一商品种类下各商品的购买满意度等级以及购买满意权重系数分析出关联绑定的购买积聚度系数大于设定阈值的各购买用户间的匹配相似标定系数;
动态推进演变模块用于接收匹配标定模块发送的各购买用户间的匹配相似标定系数,筛选出购买用户间的最大匹配相似标定系数,并分别提取最大匹配相似标定系数所对应的两购买用户所购买的各商品种类下的所有商品以及购买各商品种类下的所有商品的时间,按照购买顺序统计出在后购买用户的实际销售推进系数,并将实际销售推进系数发送至优化预测补给模块;
优化预测补给模块用于筛选出匹配相似标定系数所对应的标准销售推进评估系数,并接收动态推进演变模块发送的实际销售推进系数,通过建立预测补给模型对购买用户的销售推进进行优化预测,以获取销售推进预测补给系数,并将优化预测后的销售推进预测补给系数发送至动态推进销售模块;
动态推进销售模块用于获取优化预测后的销售推进预测补给系数,并提取各区块链节点中存储的待销售商品数据信息,结合优化预测后的销售推进预测补给系数以及待销售商品数据信息对商品进行分布式动态销售推进。
进一步地,所述匹配标定模块对关联绑定的购买积聚度系数大于设定阈值的各购买用户间的匹配相似标定系数计算公式为
βQ表示为关联绑定的购买积聚度系数大于设定购买积聚度系数阈值的各购买用户Q所共同购买的商品种类,i和j分别属于购买积聚度系数大于设定阈值的购买用户 Q中的一个,表示为第s个商品种类下的第k个商品,/>表示为第i个购买用户对商品种类s中的第k个商品的购买满意权重系数,/>表示为第j个购买用户对商品种类s中的第k个商品的购买满意权重系数,/>和/>属于α1,α2,α3,α4,α5,α6中的一个,/>表示为购买积聚度系数大于设定阈值的所有购买用户Q对商品种类s下第k个商品的平均购买满意度等级,表示为第i 个购买用户对商品种类s下第k个商品的购买满意度等级,/>表示为第j个购买用户对商品种类s下第k个商品的购买满意度等级,/>和/>分别属于 W1、W2、W3、W4、W5和W6中的一个数值;
其中,各购买满意度等级对应的满意度系数分别为 L0-L1,L1-L2,L2-L3,L3-L4,L4-L5,L5-L6,购买满意度等级分别为W1、W2、W3、 W4、W5和W6,不同购买满意度等级对应不同的满意权重系数,各满意权重系数分别为α1,α2,α3,α4,α5,α6,且0<α1<α2<α3<α4<α5<α6<1。
进一步地,所述动态推进销售模块对商品进行分布式动态推进,采用以下动态推进方法:
步骤R1、获取各区域块节点中的待销售商品数据信息,以获取各区域内各商品种类下各商品的待销数量和待销时间;
步骤R3、根据销售推进预测补给系数筛选出商品预测补给推进频率,并按照上皮预测补给推进频率对匹配相似标定系数大于设定匹配相似标定系数阈值 Z的购买用户进行商品推送;
步骤R4、统计经步骤R3中商品销售预测补给推进频率推进的商品销售量,判断经商品预测补给推进频率推进的商品销售量的销售速度是否大于设定的待销速度,待销速度=待销商品数量与待销时间的比值;
步骤R5、若小于设定的待销速度,则以等间隔数值降低匹配相似标定系数阈值Z,扩大待推销的客户,以增加商品推进的效率,并重复执行步骤R3-R5,直至在待销时间内将该待销商品销售完成。
本发明的有益效果:
本发明提供的基于区块链的商品销售动态推进管理***,通过对区块链中各节点的商品销售数据信息进行商品销售追踪和销售数据预处理等处理,能够分析出各购买用户间的购买积聚度系数,进而根据购买集聚度系数对大于设定阈值的各购买用户进行关联绑定,实现对具有同种商品种类购买习性的购买用户进行有效地初级归类划分,为后期对各商品种类下的各商品销售满意程度的分析提供可靠的数据。
本发明通过提取绑定的各购买用户对同一商品种类下的各商品的销售评价内容,分析出各购买用户对各商品的购买满意度等级以及购买满意权重系数,并结合匹配相似标定系数的计算公式,分析出关联绑定的购买积聚度系数大于设定阈值的各购买用户在对购买的同一商品种类下各商品的匹配相似标定系数,实现对同一商品种类下的各商品的具体匹配程度的分析,实现两级双重的购买匹配程度的精准筛选,提高了对购买用户间的匹配程度分析的准确性。
本发明通过建立预测补给模型,分析出销售推进预测补给系数,直观地表现出实际销售推进系数以及匹配相似标定系数所对应的标准销售推进评估系数间的差距,并根据销售推进预测补给系数对商品进行分布式动态推进管理,以提高商品销售的推进效率和准确性,扩大待推销客户且增加商品推进的效率,实现针对性商品推进销售的最优化管理,减少动态商品推进对购买可能性小的用户造成的购买干扰。
具体实施方式
下面将结合本发明实施例,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
基于区块链的商品销售动态推进管理***,包括销售信息采集终端,销售信息采集终端作为数据层,对商品销售数据信息进行采集,需说明的是,销售信息采集终端为区块链中的一个节点,销售信息采集终端作为区块链中节点的过程,即销售信息采集终端采集商品销售数据信息,并对采集的商品销售数据信息进行编码、整理后上传至区块链中,其中,商品销售数据信息主要包括销售的商品种类、各商品种类下各商品的销售量、销售速度、商品销售评价内容以及商品销售的区域信息等。
数据中间层,可理解为:对各销售信息采集终端采集的商品销售数据信息进行销售追踪并进行预处理,获取各购买用户购买同种商品种类间的购买积聚度系数,并将经预处理后的各购买用户购买同种商品种类间的购买积聚度系数发布至决策分布层,便于对采集的商品销售数据信息进行资源整理,以对具有购买积聚性的购买用户进行关联绑定,使得销售核心数据信息实现高效运行和信息共享。
决策分布层,可理解为:对经预处理后的各购买用户购买同种商品种类间的购买积聚度系数进行处理获得匹配相似标定系数,提高统计用户购买同种商品相似程度的准确性和精确度,并对匹配相似标定系数所对应的购买用户间进行实际销售推进系数统计,并通过建立预测补给模型分析出销售推进预测补给系数,以减少因销售推进不足而导致实际销售推进系数远离标准销售推进评估系数,最后按照销售推进预测补给系数动态对待销售商品进行分布式动态销售推进,以实现对商品销售进行动态推进,促进商品动态销售,提高了商品销售推进的合理化,促进商品销售,提高被推进购买用户的满意度。
用户层,主要包括管理人员,管理人员可增设销售信息采集终端的数量、编辑各人员的管理权限,并可增加或减少研究的商品种类、销售区域范围、商品仓储基本信息等,商品存储基本信息包括商品存储量、采购周期以及存储时长等。
具体在基于区域链的商品销售动态推进管理***中,组成区块链的各层分别由不同功能模块组成。即数据层采用多个销售信息采集终端,销售信息采集终端用于采集各商品种类的销售量、各商品种类销售的地域以及采集商品种类销售评价内容。
数据中间层主要包括商品销售追踪模块和销售数据预处理模块。
以销售零食食品为例,对零食食品进行分类,划分成不同零食商品种类,同一零食商品种类由于生产厂家的不同,存在很多种的替代品,例如:汽水类、饼干类、面包类、蜜饯类、坚果类以及奶制品类等,汽水类中的各汽水饮料均可作为替代品。
商品销售追踪模块用于获取各销售区域内各购买用户以往购买的商品种类、各商品种类下各商品的购买数量、对购买的各商品的销售评价内容以及获取各购买用户购买各商品的时间,并将获取的各销售区域内各购买用户以往购买数据信息发送至销售数据预处理模块。
销售数据预处理模块用于接收商品销售追踪模块发送的各销售区域内各购买用户以往购买数据信息,提取该销售区域内各购买用户以往购买数据信息中的以往购买商品种类以及各购买用户购买各商品种类的时间进行匹配重合处理,分析出各购买用户购买的同种商品种类间的购买积聚度系数,对筛选出购买积聚度系数大于设定购买积聚度系数阈值的各购买用户进行关联绑定,并将关联绑定的购买积聚度系数YB大于设定阈值的各购买用户发送至匹配标定模块。
同一商品种类下的各商品可作为相互替代品,假使各购买用户购买同种商品种类时关联绑定的购买积聚度系数大于设定阈值的各购买用户的数量为Q个,其中,销售数据预处理模块对各购买用户的匹配重合处理,包括以下步骤:
步骤A1、提取各购买用户p以往购买商品种类以及购买各商品种类的时间,P=1,2,...,m;
步骤A2、根据各购买用户购买各商品种类的时间判断各购买用户重复购买各商品种类的次数;
步骤A3、逐一判断各商品种类s(s=1,2,...,S)的购买占比率Cps表示为第p个购买用户购买第s个商品种类的次数,筛选出购买占比率最大的商品种类;
步骤A4、依次提取购买占比率最大的商品种类的购买用户,统计购买占比率最大的商品种类的购买用户间购买同种商品种类数量大于U次的购买积聚度系数YB=(1+λ)eG -U,G表示为购买占比率最大的各购买用户购买同种商品种类的数量,U为设定的购买同种商品种类的数量,为已知数值,λ为比例因子,取值1.24,购买积聚度系数越大,表明各购买用户的购买习性相同程度越大。
步骤A5、判断步骤A4中统计的购买积聚度系数YB是否大于设定的购买积聚度系数阈值,若小于设定的购买积聚度系数阈值,则依次降低U数值,直至购买积聚度系数YB大于设定的购买积聚度系数阈值,将各购买用户间的购买积聚度系数YB大于设定的购买积聚度系数阈值的购买用户进行关联;
步骤A6、逐次筛选出剩余各商品种类中的最大购买占比率,并执行步骤 A4-A5,直至购买占比率小于设定的购买占比率阈值。
通过销售数据预处理模块能够对各购买用户对同种商品种类进行匹配关联绑定,便于筛选出各购买用户中对同种商品种类的购买积聚度系数大于设定购买积聚度系数阈值的各购买用户进行关联绑定,实现对各购买用户按照购买习性进行有效地归类划分,且为后期对该商品种类下的各商品销售满意程度的分析提供可靠的数据。
决策分布层包括匹配标定模块、销售购买演变模块、优化预测补给模块和动态推进销售模块。
匹配标定模块用于接收销售数据预处理模块发送的关联绑定的购买积聚度系数大于设定购买积聚度系数阈值的各购买用户,并提取购买积聚度系数大于设定购买积聚度系数阈值的各购买用户对该同一商品种类中的各商品的销售评价内容,对销售评价内容与各购买满意度等级所对应的关键字集合进行对比,统计出购买满意度系数购买满意度系数越大,表明购买用户购买的满意程度越高,并通过购买满意度系数筛选出购买用户对购买的同一商品种类下各商品的购买满意度等级以及各购买满意权重系数,其中,各购买满意度等级对应的关键字集合V(vn1,vn2,...,vnf,...,vnN),vnf表示为第n个购买满意度等级对应的第f个关键字,v′npfsk表示为第p个购买用户对第s个商品种类中第 k个商品的评价内容中是否存在对第n个购买满意度等级所对应的第f个关键字,若存在,则v′npfs取值等于自然数e,反之,则取值1,χskp表示为第p个购买用户对第s个商品种类中第k个商品的购买满意度系数,n属于W1至W6的数值,同时,匹配标定模块根据对购买的同一商品种类下各商品的购买满意度等级以及购买满意权重系数分析出关联绑定的购买积聚度系数大于设定阈值的各购买用户间的匹配相似标定系数
匹配相似标定系数越大,表明关联绑定的购买积聚度系数大于设定阈值的购买用户间的相似吻合度越大,实现两级双重的购买匹配程度的筛选,即分别为购买商品种类以及购买商品种类下的具体商品,保证在购买同种商品种类筛选下又实现对同一商品种类下的具体商品的匹配相似程度标定,提高了对购买用户间的匹配程度的精准分析和统计,βQ表示为关联绑定的购买积聚度系数大于设定购买积聚度系数阈值的各购买用户Q所共同购买的商品种类,i和j分别属于购买积聚度系数大于设定阈值的购买用户Q中的一个,/>表示为第s个商品种类下的第k个商品,/>表示为第i个购买用户对商品种类s中的第k个商品的购买满意权重系数,/>表示为第j个购买用户对商品种类s中的第k个商品的购买满意权重系数,和/>属于α1,α2,α3,α4,α5,α6中的一个,/>表示为购买积聚度系数大于设定阈值的所有购买用户Q对商品种类s下第k个商品的平均购买满意度等级,/>表示为第i个购买用户对商品种类s下第k个商品的购买满意度等级,/>表示为第j个购买用户对商品种类s下第k个商品的购买满意度等级,/>和/>分别属于W1、W2、W3、W4、W5和W6中的一个数值。
其中,各购买满意度等级对应的满意度系数分别为 L0-L1,L1-L2,L2-L3,L3-L4,L4-L5,L5-L6,购买满意度等级分别为W1、W2、W3、 W4、W5和W6,不同购买满意度等级对应不同的满意权重系数,各满意权重系数分别为α1,α2,α3,α4,α5,α6,且0<α1<α2<α3<α4<α5<α6<1。
通过对购买的同一商品种类下的各商品的购买满意度等级以及购买满意权重系数进行综合分析,能够分析出关联绑定的购买积聚度系数大于设定阈值的各购买用户间的匹配程度,且直观地展示了关联绑定的匹配重合度大于设定阈值的各购买用户对同一商品种类的综合匹配程度,实现进一步的匹配筛选和确定,并排除因同一商品种类中各替代品的分布不均,导致无法准确对各购买用户对同一商品种类的综合相似吻合程度评估,提高了各购买用户对同一商品种类购买匹配吻合性分析的准确性。
动态推进演变模块用于接收匹配标定模块发送的各购买用户间的匹配相似标定系数,筛选出购买用户间的最大匹配相似标定系数,并分别提取最大匹配相似标定系数所对应的两购买用户所购买的各商品种类下的所有商品以及购买各商品种类下的所有商品的时间,按照购买先后顺序进行排序,并将购买顺序在先的购买商品动态推送给在后购买用户,根据在后购买用户的购买情况,统计出实际销售推进系数d表示为以t1时间点为起始点,在后购买的购买用户所购买的商品与在先购买的购买用户所购买的商品实际相重叠的数量,e表示为自然数,γ表示为相互购买干扰的销售影响系数,取值1.692,D表示为以t1时间点为截止点,在后购买的用户所购买的商品与在先购买的用户所购买的商品相同的数量,H表示为以t1时间点为截止点,在先购买的用户所购买的商品总数量,并将实际销售推进系数发送至优化预测补给模块,实际销售推进系数用于表示在后购买用户所购买的商品与在先购买用户所购买商品的推进购买的同步化程度,进而展示最大匹配相似标定系数所对应的购买用户在后续购买商品上的一致性。
优化预测补给模块用于筛选出匹配相似标定系数所对应的标准销售推进评估系数φ标,并接收动态推进演变模块发送的实际销售推进系数,通过建立预测补给模型对购买用户的销售推进进行优化预测,以获取销售推进预测补给系数η,建立预测补给模型并将优化预测后的销售推进预测补给系数发送至动态推进销售模块,通过根据销售预测补给系数能够直观地展示出实际销售推进系数与标准销售推进评估系数间的差距,便于为后期商品销售过程中推进提供可靠的商品推进参数依据,以准确预测出购买用户在购买商品的过程中的商品销售所需的预测补给量,使得按照销售推进预测补给系数推进商品可保证商品推销过程中销售的最大化且推进商品销售所需的工作量最小,且实现商品推进管理的最优化,不仅能提高商品销售量同时能减少反复推进商品给未购买用户所带的干扰。
动态推进销售模块用于获取优化预测后的销售推进预测补给系数,并提取各区块链节点中存储的待销售商品数据信息,结合优化预测后的销售推进预测补给系数以及待销售商品数据信息对商品进行分布式动态推进,以提高商品销售的推进效率。
所述动态推进销售模块对商品进行分布式动态推进,采用以下动态推进方法:
步骤R1、获取各区域块节点中的待销售商品数据信息,以获取各区域内各商品种类下各商品的待销数量和待销时间;
步骤R3、根据销售推进预测补给系数筛选出商品预测补给推进频率,并按照上皮预测补给推进频率对匹配相似标定系数大于设定匹配相似标定系数阈值 Z的购买用户进行商品推送,其中,不同的销售推进预测补给系数对应不同的商品预测补给推进频率,即商品预测补给推进频率等于该商品的销售推进预测补给系数与以往该商品推进频率间的乘积;
步骤R4、统计经步骤R3中商品销售预测补给推进频率推进的商品销售量,判断经商品预测补给推进频率推进的商品销售量的销售速度是否大于设定的待销速度,待销速度=待销商品数量与待销时间的比值;
步骤R5、若小于设定的待销速度,则以等间隔数值降低匹配相似标定系数阈值Z,扩大待推销的客户,以增加商品推进的效率,并重复执行步骤R3-R5,直至在待销时间内将该待销商品销售完成。
通过对区块链中存储的待销售商品数据信息以及结合销售推进预测补给系数进行综合分析,以获得销售推进预测补给系数所对应的商品预测补给推进频率,实现对待销售商品按照商品预测补给推进频率的方式对匹配相似标定系数大于设定匹配相似标定系数阈值的购买用户进行商品推进,并结合实际的商品销售量来动态降低匹配相似标定系数阈值,来扩大待推销客户,在增加商品推进的效率,实现针对性商品推进销售管理,减少动态商品推进对购买可能性小的用户造成的购买干扰。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.基于区块链的商品销售动态推进管理***,其特征在于:包括数据层,销售信息采集终端作为数据层,区块链中的一个节点,销售信息采集终端采集商品销售数据信息,并对采集的商品销售数据信息进行编码、整理后上传至区块链中;
数据中间层,对各销售信息采集终端采集的商品销售数据信息进行销售追踪并进行预处理,获取各购买用户购买同种商品种类间的购买积聚度系数,并将经预处理后的各购买用户购买同种商品种类间的购买积聚度系数发布至决策分布层;
其中,所述数据中间层包括商品销售追踪模块和销售数据预处理模块;
商品销售追踪模块用于获取各销售区域内各购买用户以往购买的商品种类、各商品种类下各商品的购买数量、对购买的各商品的销售评价内容以及获取各购买用户购买各商品的时间,并将获取的各销售区域内各购买用户以往购买数据信息发送至销售数据预处理模块;
销售数据预处理模块用于接收商品销售追踪模块发送的各销售区域内各购买用户以往购买数据信息,提取该销售区域内各购买用户以往购买数据信息中的以往购买商品种类以及各购买用户购买各商品种类的时间进行匹配重合处理,分析出各购买用户购买的同种商品种类间的购买积聚度系数,对筛选出购买积聚度系数大于设定购买积聚度系数阈值的各购买用户进行关联绑定,并将关联绑定的购买积聚度系数YB大于设定阈值的各购买用户发送至匹配标定模块;
所述销售数据预处理模块对各购买用户的匹配重合处理,包括以下步骤:
步骤A1、提取各购买用户p以往购买商品种类以及购买各商品种类的时间,P=1,2,...,m;
步骤A2、根据各购买用户购买各商品种类的时间判断各购买用户重复购买各商品种类的次数;
步骤A3、逐一判断各商品种类s(s=1,2,...,S)的购买占比率Cps表示为第p个购买用户购买第s个商品种类的次数,筛选出购买占比率最大的商品种类;
步骤A4、依次提取购买占比率最大的商品种类的购买用户,统计购买占比率最大的商品种类的购买用户间购买同种商品种类数量大于U次的购买积聚度系数YB=(1+λ)eG-U,G表示为购买占比率最大的各购买用户购买同种商品种类的数量,U为设定的购买同种商品种类的数量,为已知数值,λ为比例因子,取值1.24;
步骤A5、判断步骤A4中统计的购买积聚度系数YB是否大于设定的购买积聚度系数阈值,若小于设定的购买积聚度系数阈值,则依次降低U数值,直至购买积聚度系数YB大于设定的购买积聚度系数阈值,将各购买用户间的购买积聚度系数YB大于设定的购买积聚度系数阈值的购买用户进行关联;
步骤A6、逐次筛选出剩余各商品种类中的最大购买占比率,并执行步骤A4-A5,直至购买占比率小于设定的购买占比率阈值;
决策分布层,对经预处理后的各购买用户购买同种商品种类间的购买积聚度系数进行处理获得匹配相似标定系数,并对匹配相似标定系数所对应的购买用户间进行实际销售推进系数分析,并根据实际销售推进系数以及结合建立预测补给模型分析出销售推进预测补给系数,最后按照销售推进预测补给系数动态对待销售商品进行分布式动态销售推进。
2.根据权利要求1所述的基于区块链的商品销售动态推进管理***,其特征在于:还包括用户层,包括管理人员,管理人员可增设销售信息采集终端的数量、编辑各人员的管理权限,并可增加或减少研究的商品种类、销售区域范围、商品仓储基本信息。
3.根据权利要求1所述的基于区块链的商品销售动态推进管理***,其特征在于:所述决策分布层包括匹配标定模块、动态推进演变模块、优化预测补给模块和动态推进销售模块;
匹配标定模块用于接收销售数据预处理模块发送的关联绑定的购买积聚度系数大于设定购买积聚度系数阈值的各购买用户,并提取购买积聚度系数大于设定购买积聚度系数阈值的各购买用户对同一商品种类中的各商品的销售评价内容,对销售评价内容与各购买满意度等级所对应的关键字集合进行对比,统计出购买满意度系数,并通过购买满意度系数筛选出购买用户对购买的同一商品种类下各商品的购买满意度等级以及各购买满意权重系数,同时,匹配标定模块根据对购买的同一商品种类下各商品的购买满意度等级以及购买满意权重系数分析出关联绑定的购买积聚度系数大于设定阈值的各购买用户间的匹配相似标定系数;
动态推进演变模块用于接收匹配标定模块发送的各购买用户间的匹配相似标定系数,筛选出购买用户间的最大匹配相似标定系数,并分别提取最大匹配相似标定系数所对应的两购买用户所购买的各商品种类下的所有商品以及购买各商品种类下的所有商品的时间,按照购买顺序统计出在后购买用户的实际销售推进系数,并将实际销售推进系数发送至优化预测补给模块;
优化预测补给模块用于筛选出匹配相似标定系数所对应的标准销售推进评估系数,并接收动态推进演变模块发送的实际销售推进系数,通过建立预测补给模型对购买用户的销售推进进行优化预测,以获取销售推进预测补给系数,并将优化预测后的销售推进预测补给系数发送至动态推进销售模块;
动态推进销售模块用于获取优化预测后的销售推进预测补给系数,并提取各区块链节点中存储的待销售商品数据信息,结合优化预测后的销售推进预测补给系数以及待销售商品数据信息对商品进行分布式动态销售推进。
4.根据权利要求3所述的基于区块链的商品销售动态推进管理***,其特征在于:所述匹配标定模块对关联绑定的购买积聚度系数大于设定阈值的各购买用户间的匹配相似标定系数计算公式为βQ表示为关联绑定的购买积聚度系数大于设定购买积聚度系数阈值的各购买用户Q所共同购买的商品种类,i和j分别属于购买积聚度系数大于设定阈值的购买用户Q中的一个,/>表示为第s个商品种类下的第k个商品,/>表示为第i个购买用户对商品种类s中的第k个商品的购买满意权重系数,/>表示为第j个购买用户对商品种类s中的第k个商品的购买满意权重系数,/>和/>属于α1,α2,α3,α4,α5,α6中的一个,/>表示为购买积聚度系数大于设定阈值的所有购买用户Q对商品种类s下第k个商品的平均购买满意度等级,/>表示为第i个购买用户对商品种类s下第k个商品的购买满意度等级,/>表示为第j个购买用户对商品种类s下第k个商品的购买满意度等级,/>和/>分别属于W1、W2、W3、W4、W5和W6中的一个数值;
其中,各购买满意度等级对应的满意度系数分别为L0-L1,L1-L2,L2-L3,L3-L4,L4-L5,L5-L6,购买满意度等级分别为W1、W2、W3、W4、W5和W6,不同购买满意度等级对应不同的满意权重系数,各满意权重系数分别为α1,α2,α3,α4,α5,α6,且0<α1<α2<α3<α4<α5<α6<1。
5.根据权利要求3所述的基于区块链的商品销售动态推进管理***,其特征在于:所述动态推进销售模块对商品进行分布式动态推进,采用以下动态推进方法:
步骤R1、获取各区域块节点中的待销售商品数据信息,以获取各区域内各商品种类下各商品的待销数量和待销时间;
步骤R3、根据销售推进预测补给系数筛选出商品预测补给推进频率,并按照上皮预测补给推进频率对匹配相似标定系数大于设定匹配相似标定系数阈值Z的购买用户进行商品推送;
步骤R4、统计经步骤R3中商品销售预测补给推进频率推进的商品销售量,判断经商品预测补给推进频率推进的商品销售量的销售速度是否大于设定的待销速度,待销速度=待销商品数量与待销时间的比值;
步骤R5、若小于设定的待销速度,则以等间隔数值降低匹配相似标定系数阈值Z,扩大待推销的客户,以增加商品推进的效率,并重复执行步骤R3-R5,直至在待销时间内将该待销商品销售完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427215.1A CN113240453B (zh) | 2021-04-21 | 2021-04-21 | 基于区块链的商品销售动态推进管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427215.1A CN113240453B (zh) | 2021-04-21 | 2021-04-21 | 基于区块链的商品销售动态推进管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240453A CN113240453A (zh) | 2021-08-10 |
CN113240453B true CN113240453B (zh) | 2024-05-28 |
Family
ID=77128676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110427215.1A Active CN113240453B (zh) | 2021-04-21 | 2021-04-21 | 基于区块链的商品销售动态推进管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240453B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001250028A (ja) * | 2001-03-07 | 2001-09-14 | Hitachi Ltd | 総合情報処理システム |
JP2003022359A (ja) * | 2001-07-06 | 2003-01-24 | Hitachi Ltd | 顧客生涯価値分析方法および装置 |
KR20030065423A (ko) * | 2003-06-23 | 2003-08-06 | (주)네띠아미 | 추첨식 전자 상거래 운영 방법 및 운영 장치 |
CN101251859A (zh) * | 2008-03-17 | 2008-08-27 | 北京科文书业信息技术有限公司 | 基于购物行为的商品聚类***及其方法 |
JP2009086794A (ja) * | 2007-09-28 | 2009-04-23 | Hitachi Ltd | 購入代行業を用いた市場調査業のビジネスモデル |
JP2009169699A (ja) * | 2008-01-16 | 2009-07-30 | Nomura Research Institute Ltd | 販売情報分析装置 |
JP2011221683A (ja) * | 2010-04-07 | 2011-11-04 | Seiko Epson Corp | 接客支援装置、接客支援方法およびプログラム |
CN106682923A (zh) * | 2015-11-05 | 2017-05-17 | 北京京东尚科信息技术有限公司 | 商品调整方法及*** |
CN106980964A (zh) * | 2017-05-15 | 2017-07-25 | 佛山市南方数据科学研究院 | 纺织品数据管理*** |
CN107665448A (zh) * | 2017-09-29 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 用于确定消费贡献价值的方法、装置以及存储介质 |
CN108053268A (zh) * | 2017-12-29 | 2018-05-18 | 广州品唯软件有限公司 | 一种商品聚类确认方法及装置 |
CN108573432A (zh) * | 2018-04-23 | 2018-09-25 | 重庆南米电子商务有限公司 | 用于电子商务的交易监管***和方法 |
CN109636454A (zh) * | 2018-12-05 | 2019-04-16 | 广州市弹弹旦电子商务有限公司 | 一种基于区域用户习惯大数据的商品推送方法 |
CN110443687A (zh) * | 2019-08-12 | 2019-11-12 | 江苏易汇聚软件科技有限公司 | 一种基于大数据的电子商务平台 |
KR102064615B1 (ko) * | 2018-11-01 | 2020-01-09 | (주)포비즈코리아 | 빅데이터 기반 쇼핑몰 플랫폼 통합 서비스 제공 방법 |
CN111652668A (zh) * | 2020-04-15 | 2020-09-11 | 珠海小礼鱼科技有限公司 | 一种区块链供应链金融*** |
CN111899058A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷(厦门)信息技术有限公司 | 一种基于区块链的积分通兑结合精准投放*** |
CN112001771A (zh) * | 2020-08-03 | 2020-11-27 | 广州久零区块链技术有限公司 | 一种基于区块链具有加密结构的电商商品销售大数据处理方法 |
CN112184399A (zh) * | 2020-11-10 | 2021-01-05 | 广州鸿森资本管理有限公司 | 一种基于互联网的商品销售推荐***及方法 |
KR102230452B1 (ko) * | 2020-07-17 | 2021-03-22 | (주)에스유지 | 선용품용 오픈마켓 블록체인 통계분석 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090198509A1 (en) * | 2008-01-31 | 2009-08-06 | Mark Dumoff | Method and systems for connecting service providers and service purchasers |
US20140172502A1 (en) * | 2012-12-19 | 2014-06-19 | Target Brands, Inc. | Consumer walker reports |
US20150095261A1 (en) * | 2013-09-30 | 2015-04-02 | The Toronto-Dominion Bank | Systems and methods for administering investment portfolios based on transaction data |
-
2021
- 2021-04-21 CN CN202110427215.1A patent/CN113240453B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001250028A (ja) * | 2001-03-07 | 2001-09-14 | Hitachi Ltd | 総合情報処理システム |
JP2003022359A (ja) * | 2001-07-06 | 2003-01-24 | Hitachi Ltd | 顧客生涯価値分析方法および装置 |
KR20030065423A (ko) * | 2003-06-23 | 2003-08-06 | (주)네띠아미 | 추첨식 전자 상거래 운영 방법 및 운영 장치 |
JP2009086794A (ja) * | 2007-09-28 | 2009-04-23 | Hitachi Ltd | 購入代行業を用いた市場調査業のビジネスモデル |
JP2009169699A (ja) * | 2008-01-16 | 2009-07-30 | Nomura Research Institute Ltd | 販売情報分析装置 |
CN101251859A (zh) * | 2008-03-17 | 2008-08-27 | 北京科文书业信息技术有限公司 | 基于购物行为的商品聚类***及其方法 |
JP2011221683A (ja) * | 2010-04-07 | 2011-11-04 | Seiko Epson Corp | 接客支援装置、接客支援方法およびプログラム |
CN106682923A (zh) * | 2015-11-05 | 2017-05-17 | 北京京东尚科信息技术有限公司 | 商品调整方法及*** |
CN106980964A (zh) * | 2017-05-15 | 2017-07-25 | 佛山市南方数据科学研究院 | 纺织品数据管理*** |
CN107665448A (zh) * | 2017-09-29 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 用于确定消费贡献价值的方法、装置以及存储介质 |
CN108053268A (zh) * | 2017-12-29 | 2018-05-18 | 广州品唯软件有限公司 | 一种商品聚类确认方法及装置 |
CN108573432A (zh) * | 2018-04-23 | 2018-09-25 | 重庆南米电子商务有限公司 | 用于电子商务的交易监管***和方法 |
KR102064615B1 (ko) * | 2018-11-01 | 2020-01-09 | (주)포비즈코리아 | 빅데이터 기반 쇼핑몰 플랫폼 통합 서비스 제공 방법 |
CN109636454A (zh) * | 2018-12-05 | 2019-04-16 | 广州市弹弹旦电子商务有限公司 | 一种基于区域用户习惯大数据的商品推送方法 |
CN110443687A (zh) * | 2019-08-12 | 2019-11-12 | 江苏易汇聚软件科技有限公司 | 一种基于大数据的电子商务平台 |
CN111652668A (zh) * | 2020-04-15 | 2020-09-11 | 珠海小礼鱼科技有限公司 | 一种区块链供应链金融*** |
KR102230452B1 (ko) * | 2020-07-17 | 2021-03-22 | (주)에스유지 | 선용품용 오픈마켓 블록체인 통계분석 시스템 |
CN112001771A (zh) * | 2020-08-03 | 2020-11-27 | 广州久零区块链技术有限公司 | 一种基于区块链具有加密结构的电商商品销售大数据处理方法 |
CN111899058A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷(厦门)信息技术有限公司 | 一种基于区块链的积分通兑结合精准投放*** |
CN112184399A (zh) * | 2020-11-10 | 2021-01-05 | 广州鸿森资本管理有限公司 | 一种基于互联网的商品销售推荐***及方法 |
Non-Patent Citations (4)
Title |
---|
乳品消费行为研究――来自哈尔滨市的案例调研;姚梅;刘玉满;;中国乳业;20110925(09);全文 * |
基于用户重复购买记忆的推荐策略研究;张沁哲;;电脑与电信;20180510(05);全文 * |
生产***业集聚对西部军民融合深度发展的影响――以西部装备制造业升级为例;胡红安;仪少娜;;科技进步与对策;20171228(04);全文 * |
赵立伟 ; 褚艳芬 ; .数据化营销创新北京――本刊在京成功主办"中国零售业‘数据化营销'总监研修班".信息与电脑.2008,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113240453A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542474B (zh) | 查询结果排序方法及装置 | |
CN103714139A (zh) | 一种移动海量客户群识别的并行数据挖掘方法 | |
CN111178624A (zh) | 一种新产品需求预测的方法 | |
CN106504029A (zh) | 一种基于客户群体行为分析的加油站销量预测方法 | |
CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
CN111047412A (zh) | 一种大数据电商运营平台 | |
CN108388955A (zh) | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 | |
CN105956883A (zh) | 电子商务数据处理*** | |
CN110941762B (zh) | 一种个性化推荐***排序结果的改进方法 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN113469722A (zh) | 消费预测***及消费预测方法 | |
CN105046274A (zh) | 一种电子商务商品类别自动标注方法 | |
CN114331552A (zh) | 一种基于大数据分析的用户市场营销智能推销*** | |
CN116187808A (zh) | 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法 | |
CN117541322B (zh) | 一种基于大数据分析的广告内容智能生成方法及*** | |
CN113240453B (zh) | 基于区块链的商品销售动态推进管理*** | |
CN113298560A (zh) | 一种大数据工业互联网*** | |
CN117217793A (zh) | 一种餐食分析大数据平台 | |
CN110634051A (zh) | 一种基于多粒度模糊数据的生鲜农产品推荐方法 | |
Zhan et al. | E-commerce sales forecast based on ensemble learning | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
CN113781113B (zh) | 一种连锁式信息推送***及方法 | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
Kharkyanen et al. | Development of information technology for supporting the process of adjustment of the food enterprise assortment | |
CN112907299A (zh) | 一种电商推广方案自动生成方法 |
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 |