CN113379511A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN113379511A CN113379511A CN202110749450.0A CN202110749450A CN113379511A CN 113379511 A CN113379511 A CN 113379511A CN 202110749450 A CN202110749450 A CN 202110749450A CN 113379511 A CN113379511 A CN 113379511A
- Authority
- CN
- China
- Prior art keywords
- brand
- user
- recommendation information
- target
- behavior data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000006399 behavior Effects 0.000 claims description 78
- 230000001737 promoting effect Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 101150041570 TOP1 gene Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 101150107801 Top2a gene Proteins 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 6
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 5
- 101100261000 Caenorhabditis elegans top-3 gene Proteins 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000555745 Sciuridae Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009424 underpinning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/02—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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (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
本公开的实施例公开了用于输出信息的方法和装置。该方法的具体实施方式包括:响应于检测到用户访问首页,获取用户的历史行为数据;根据历史行为数据为用户打用户标签;获取与用户标签匹配的推荐信息集;根据历史行为数据确定推荐信息集涉及的每个品牌的复购周期;从推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出。该实施方式实现了富有针对性地信息推荐,提升了转化率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于输出信息的方法和装置。
背景技术
日常平台运营对站内用户拉新、复购会凭借经验,使用优惠券或权益触达给用户。不管是拉新、复购、流失召回,常规的做法均是在申请优惠券时会对不同人群筛选出不同力度的优惠券,初衷是希望能最大限度的提升转化效果。
但相关技术中优惠活动依赖人工维护,人工定向,运营难度大,信息触达滞后严重,并未在用户即将流失时及时采取措施将其挽留。
发明内容
本公开的实施例提出了用于输出信息的方法和装置。
第一方面,本公开的实施例提供了一种用于输出信息的方法,包括:响应于检测到用户访问首页,获取所述用户的历史行为数据;根据所述历史行为数据为所述用户打用户标签;获取与所述用户标签匹配的推荐信息集;根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的复购周期;从所述推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出。
在一些实施例中,所述从所述推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出,包括:将复购周期与当前时间之差小于预定时长阈值的品牌确定为促销品牌;根据所述历史行为数据为每个促销品牌打分;按打分由高到低的顺序输出每个促销品牌的推荐信息,其中,同一促销品牌的推荐信息按优惠力度由高到低排序。
在一些实施例中,所述根据所述历史行为数据为每个促销品牌打分,包括:对于每个促销品牌,从所述历史行为数据中统计出第一预定时间内涉及该促销品牌的以下至少一种行为的次数:加入购物车、搜索并点击进入商详页、点击浏览商品;对于每个促销品牌,计算涉及该促销品牌的各种行为次数的加权和作为该促销品牌的分数。
在一些实施例中,加入购物车的权重>搜索并点击进入商详页的权重>点击浏览商品的权重,并且同一日内相同行为的权重递减。
在一些实施例中,所述方法还包括:获取所述用户未购买过的品牌的拉新信息集;交替输出所述拉新信息集和所述推荐信息集。
在一些实施例中,所述根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的复购周期,包括:根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的下单时间间隔集合;对于每个品牌,将该品牌的下单时间间隔排序后取中位数作为所述用户的该品牌的复购周期;若该品牌的复购周期大于等于平台全量用户复购周期,则根据平台全量用户复购周期调整所述用户的该品牌的复购周期。
在一些实施例中,所述方法还包括:响应于接收到用户输入的目标品牌,根据所述历史行为数据计算目标品牌的用户品牌客单价;获取所述用户所在区域的目标品牌的单价范围;根据所述目标品牌的单价范围调高所述目标品牌的用户品牌客单价;获取与所述用户标签匹配的目标品牌的候选推荐信息集;从所述候选推荐信息集中选择与调高后的用户品牌客单价匹配的候选推荐信息并输出。
在一些实施例中,所述根据所述历史行为数据计算目标品牌的用户品牌客单价,包括:根据所述历史行为数据统计第二预定时间内目标品牌的每单购买金额集合;将每单购买金额集合中的中位数作为目标品牌的用户品牌客单价。
在一些实施例中,所述获取所述用户所在区域的目标品牌的单价范围,包括:获取所述用户所在区域所有用户的目标品牌的用户品牌客单价放入区域品牌客单价集合;若所述目标品牌在第二预定时间内无成交,则将所述目标品牌下所有商品的基础价的中位值放入区域品牌客单价集合;根据所述区域品牌客单价集合中的最小值和最大值确定所述区域中目标品牌的单价范围。
在一些实施例中,所述根据所述目标品牌的单价范围调高所述目标品牌的用户品牌客单价,包括:将所述区域品牌客单价集合按从小到大顺序排序,并将所述单价范围按分位数划分出预定数目个区间;根据所述用户的所述目标品牌的用户品牌客单价所在区间计算增幅;根据所述增幅调高所述目标品牌的用户品牌客单价。
在一些实施例中,所述从所述候选推荐信息集中选择与调高后的用户品牌客单价匹配的候选推荐信息并输出,包括:从所述候选推荐信息集中选择门槛高于调高后的用户品牌客单价的候选推荐信息;根据所选择的候选推荐信息的门槛所在区间确定优先级,其中,门槛距离调高后的用户品牌客单价越近的候选推荐信息的优先级越高;按优先级由高到低的顺序输出所选择的候选推荐信息,其中,同一优先级的候选推荐信息按优惠力度由高到低排序。
在一些实施例中,所述方法还包括:若所述用户输入的目标品牌与品牌库中的品牌词不匹配,则从所述品牌库中选取最接近的品牌词作为目标品牌。
第二方面,本公开的实施例提供了一种用于输出信息的装置,包括:获取单元,被配置成响应于检测到用户访问首页,获取所述用户的历史行为数据;打标单元,被配置成根据所述历史行为数据为所述用户打用户标签;匹配单元,被配置成获取与所述用户标签匹配的推荐信息集;确定单元,被配置成根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的复购周期;推荐单元,被配置成从所述推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出。
第三方面,本公开的实施例提供了一种用于输出信息的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如第一方面所述的方法。
本公开的实施例提供的用于输出信息的方法和装置,通过分析用户的历史行为数据确定用户标签和各品牌的复购周期。在某品牌即将到达复购周期时输出该品牌的推荐信息,用于吸引用户复购。可以及时、准确地确定目标用户进行信息推荐,避免用户流失。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于输出信息的方法的一个实施例的流程图;
图3是根据本公开的用于输出信息的方法的复购周期计算过程的示意图;
图4是根据本公开的用于输出信息的方法的又一个实施例的流程图;
图5a-5d是根据本公开的用于输出信息的方法的用户品牌客单价计算过程的示意图;
图6是根据本公开的用于输出信息的装置的一个实施例的结构示意图;
图7是适于用来实现本公开的实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于输出信息的方法或用于输出信息的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上进行购物提供支持的后台服务器。后台服务器可以对接收到的订单请求等数据进行分析等处理,并将处理结果(例如为用户分配的优惠券等推荐信息)反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
需要说明的是,本公开的实施例所提供的用于输出信息的方法一般由服务器105执行,相应地,用于输出信息的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面是本申请涉及的一些名词的解释:
召回池:待给用户曝光的商品池。
到手价:用户下单使用优惠券红包等抵扣后的订单价钱。
券标签:门槛、面额,比如100-5的优惠券,门槛是100,面额是5元。
GMV:对每个商品,全部用户提交订单且支付完成总共购订单总金额。
ROI=用优惠券下单订单总GMV/优惠券让利加总。
复购:用户购买商品次数大于等于2次,称为复购。
拉新:新下载APP,认证注册的用户。
流失:用户在一定时间X天内未下单(每个app X的定义不同)。
转化:用户下单成交则视为转化。
继续参考图2,示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,响应于检测到用户访问首页,获取用户的历史行为数据。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行网络购物的终端接收访问请求。该访问请求可以是访问平台的首页,也可以是访问指定品牌店的首页。访问请求中可包括用户身份信息,例如账户、手机号等。可根据用户身份信息获取该账户的历史行为数据。历史行为数据可包括但不限于加入购物车、搜索并点击进入商详页、点击浏览商品。这些历史行为数据中还包括行为的时间、针对的品牌、商品、到手价格、收货地址等信息。
步骤202,根据历史行为数据为用户打用户标签。
在本实施例中,根据用户行为特征进行用户分层,用于挖掘适合各业务场景下的目标用户,搭建精细化用户运营基础数据。进行用户分层的工具则为用户画像或者叫用户标签。
此次目标人群是品牌复购用户,且资源是优惠券,故需要对人群打上的用户标签也可称为用户券标签。
说明:用户标签的标签ID为***定义不可修改,仅作为人群打标的标识。
1、T+1计算,即今天零点计算前一天的标签数据。
根据:业务=品牌(ID:1)渠道下,券池内所有券品牌,通过消息队列(MQ)透传券池新增和剔除的券及券下绑定的品牌,大数据端收到消息队列后实时重新计算用户标签数据。
因为优惠券有有效期,一般为一个月,为了保证触发到用户的资源有效,所以券池会进行更新,当券池更新,券池内优惠券会发生变更,会存在部分优惠券剔除了或者新增,则需要重新计算用户对当前券池内的券的画像数据(匹配情况)。
券池:即业务人员申请的优惠券汇总。
MQ:券池内优惠券有新增或者删减会发MQ消息告知大数据端数据变更了,需要更新数据保证数据的准确性。
2、标签定义
根据用户预定时间内(例如,最近90天)订单判断命中券池内品牌及用户所属圈层,订单状态:货到付款已完成,或在线支付已完成。
1)90天未购买过某品牌的用户(拉新)则为此品牌的拉新0转1(ID:11)
2)90天内某品牌订单数>=1单的用户(复购)则为此品牌的复购1转N(ID:13)
3)90天内某品牌订单数=1单的用户(复购)则为此品牌的复购1转2(ID:12)
4)不考虑订单情况任意人群,则为此品牌的不限人群(ID:10)
3、用户标签格式【所属圈层、值、门槛、面额】
标签格式规范化,定义为四级标签,保证后续将做优惠券精准触达时可应用。
所属圈层:复购1转N(ID:13)、不限人群(ID:10),标签ID为***定义不可修改
值:复购的具体品牌
举例
假设Userid1命中LS-拉新0转1券100-10,UV-1转2券1000-100,PG-1转N券200-5券,则此方案适用的用户标签为【13、PG、200、5】
步骤203,获取与用户标签匹配的推荐信息集。
在本实施例中,推荐信息可以是各种类型的优惠券,例如,满减券、折扣券、赠品券等。推荐信息还可以是一些广告信息。推荐信息与品牌相关。用户标签中包括了所属圈层(拉新,1转N等)、品牌、门槛、面额等信息。推荐信息具备与用户标签相同的格式的券标签。
业务人员申请推荐信息时会进行标签筛选,即后台功能支持给推荐信息打标,只需要申请推荐信息时选取即可。券标签格式【券定位(对应于用户标签的所属圈层)、值(品牌)、门槛、面额】,标签格式规范定义为四级标签。且券标签ID与用户券标签的ID一致,可进行匹配触发券弹窗。
若用户标签的所属圈层、品牌分别与券标签的券定位、值匹配,则券标签对应的推荐信息为与用户标签匹配的推荐信息。
步骤204,根据历史行为数据确定推荐信息集涉及的每个品牌的复购周期。
在本实施例中,复购触达,即用户历史订单中有过采购某品牌商品的行为。本申请需要分析什么时候触发、为什么触发推荐信息(例如优惠券)的推送(例如,弹窗)。近期提单用户有主动购买行为则不需要下发优惠券弹窗去刺激用户消费,故目标人群定位为有过历史订单且一段时间未购买的用户,而一段时间的定义为用户的复购周期。也就是用户在复购周期内没来下单则有流失的风险,需要用优惠券触达用户刺激用户下单。
首页是流量分发场景,在此场景下进行品牌复购用户触达,为了保证精准性及用户强相关性,对人群定义为:大于品牌复购周期未下单用户进品牌促活池(复购1转N)。而用户下单后立即剔除,即下单用户出品牌促活池。
用户品牌复购周期计算逻辑如下所示:
用户的预定时间内(例如,最近半年)的订单中,根据后端品牌进行区分,下单时间间隔作为复购周期基值进行计算。根据当前时间距离上次下单某品牌商品时间间隔,判断用户是否需要进入促活池。若用户一天下多单按一单算。
以下几个数据指标更新周期:Bpin复购周期每月1日更新,全量用户复购周期每月1日更新,用户是否进促活池T+1更新。
1)拉取最近半年用户所有订单数据(①支付已完成或货到付款②不考虑退换货);
2)计算订单内商品归属的后端品牌;
3)获取每个后端品牌下单时间点t1、t2……tt计算出t1~t2、t2~t3、t3~t4……tt-1~tt每相邻两次下单的时间间隔Tt;
4)将Tt按从小到大排序,取中位数T复购为此用户对某个品牌的复购周期;
5)计算当前时间距离上次某品牌的购买时间间隔Ti,即Now~t4(图3所示T4)与T复购关系;
若Ti>=T复购-1则进入促活池,打标券类型:值【品牌名1/ID:T复购1、品牌名2/ID:T复购2、品牌名3/ID:T复购3】
在本实施例的一些可选的实现方式中,根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的复购周期,包括:根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的下单时间间隔集合;对于每个品牌,将该品牌的下单时间间隔排序后取中位数作为所述用户的该品牌的复购周期;若该品牌的复购周期大于等于平台全量用户复购周期,则根据平台全量用户复购周期调整所述用户的该品牌的复购周期。
若用户品牌复购周期T复购>=全量用户复购周期T全,则在Ti=T全时间点进入品牌促活池,打标券类型:值【品牌名1/ID:T全、品牌名2/ID:T全、品牌名3/ID:T全】
T全为平台全量用户复购周期,是根据所有用户的该品牌的复购周期的概率分布得到的经验值。
一旦用户进入促活池,发券的时间节点就确定了,不会受每月更新的复购周期影响,直至出促活池,进入下一轮计算时再更新全量用户及个人复购周期。
用户复购周期可以分为平台的、品类、品牌的复购周期,每个类型的商品复购周期均不同,针对品牌用户激活则需要计算用户的品牌复购周期,而B2B平台用户复购频次高,每个人的个人行为具有随机性,所以需要用平台的复购周期调整个人的复购周期,使得数据进行平滑处理,故此计算逻辑也是B2B特有的。
步骤205,从推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出。
在本实施例中,当前时间临近推荐信息集中某个品牌的复购周期时(例如,距离复购周期1天),则可输出即将到期的推荐信息。如果有多个推荐信息需要输出,可按优惠力度由大到小的顺序排序,例如,打7折的券排在打8折的券的前面。输出方式不限于弹窗显示优惠券让用户领取,还可直接将优惠券放入用户账户中,并提示用户使用。
一个人同时会有多个品牌的商品到了复购周期,但为了避免对用户的打扰不能下发多个品牌的优惠券,且用户对品牌下的商品诉求强弱也不同,则需要定义分发品牌券的优先级。此部分考虑到了B2B平台用户多次频繁访问同一商品,所以用户诉求强弱与其他平台也有差异,所以输出及与用户复购周期融合的策略。
可选地,需要控制输出推荐信息的频率,例如一天最多弹两个品牌的优惠券弹窗,一天内一个搜索的品牌对同一用户只弹一次优惠券弹窗。
在本实施例的一些可选的实现方式中,从所述推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出,包括:将复购周期与当前时间之差小于预定时长阈值的品牌确定为促销品牌;根据所述历史行为数据为每个促销品牌打分;按打分由高到低的顺序输出每个促销品牌的推荐信息,其中,同一促销品牌的推荐信息按优惠力度由高到低排序。
到达复购周期的品牌用户未下单则将相应的所有品牌券进行召回,需要计算出每个品牌的排序逻辑,每个品牌内又有多张优惠券,则还需要计算每个品牌内券的排序。可根据历史行为数据为每个促销品牌打分,然后根据打分排序。
在本实施例的一些可选的实现方式中,根据所述历史行为数据为每个促销品牌打分,包括:对于每个促销品牌,从所述历史行为数据中统计出第一预定时间内涉及该促销品牌的以下至少一种行为的次数:加入购物车、搜索并点击进入商详页、点击浏览商品;对于每个促销品牌,计算涉及该促销品牌的各种行为次数的加权和作为该促销品牌的分数。
具体过程如下所示:
1)由于首页优惠券与用户强相关,根据用户行为强弱来判断召回品牌排序
计算逻辑:
i.用户行为有强弱之分,人工成本不同权重也不同。根据不同行为赋予不同的权重:加入购物车的权重>搜索并点击进入商详页的权重>点击浏览商品的权重,例如,它们之间的权重比为5:3:1,则加入购物车*5>搜索并点击进入商详页*3>点击浏览商品*1。
ii.由于B2B用户有重复访问的习惯,会多次访问进入商详页进行比价,且B端用户会对同一sku进行多个加车,即一用户对同一商品一日内同一行为产生多次操作,记为n次(n>1),同一日内相同行为的权重递减。例如以1+1/2+1/4…+1/2n-1的方式增加得分权重,计分区间为[1,2)。
举例,对A商品加车操作第一次是5分,第二次加车是5*(1+1/2)。若加车2次,搜索并点击进入商详页1次,点击浏览商品1次,则得分:5*(1+1/2)+3+1
iii.累计求和30天内每个品牌下所有行为数据
举例:用户对品牌1下A商品两天有行为操作,1号行为分为1.3,3号行为分为1.8,则A商品的行为分为1.3+1.8=3.1分;
品牌1下B商品两天有行为操作,1号行为分为1.3,3号行为分为1.8,则A商品的行为分为1.3+1.8=3.1分,则此用户对品牌1的行为分为6.2分,并算出所有品牌的行为分。
iv.T+1计算用户对品牌最近30天的累计行为分值,召回品牌券并按分数高低对召回品牌券进行排序,行为分不设置阈值。
v.将品牌行为分按从高到低排序,则为召回品牌券的绝对顺序。
2)若用户行为得分一样,或者用户无行为,则需算出每个品牌下Top1的券的力度,按力度高低对品牌进行排序,若力度一样则取门槛低的,若还一样随机排。
举例:召回品牌券为A-Top1的券:100-10(力度0.1),Top2的券105-10,品牌B-Top1的券100-5(力度0.05),Top2的券200-10,则根据力度Top1来得到品牌的排序,即品牌A>品牌B
3)品牌内优惠券排序。每个品牌券排序逻辑同流程400所示的搜索“品牌券.复购1转N券排序”,区别在于:不限人群券也按规则排。
举例:通过上述得到品牌A的Top1、Top2、Top3;品牌B的Top1、Top2、Top3;品牌C的Top1排序。
托底券池品牌L的Top1、Top2、Top3;品牌M的Top1、Top2、Top3;品牌N的Top1排序。托底券池品牌为用户并未购买过的品牌。
则正常品牌池排序:A-Top1>B-Top1>C-Top1>A-Top2>B-Top2>A-Top3>B-Top3
托底品牌池排序:L-Top1>M-Top1>N-Top1>L-Top2>M-Top2>L-Top3>M-Top3
综合排序:A-Top1>B-Top1>C-Top1>A-Top2>B-Top2>A-Top3>B-Top3>L-Top1>M-Top1>N-Top1>L-Top2>M-Top2>L-Top3>M-Top3
1)同一用户同时会命中多个品牌券会存在同时含拉新0转1和复购1转N券,则拉新0转1>复购1转N则按绝对顺序排序,并进行1:1穿插;即:拉新0转1券1张、复购1转N券1张、拉新0转1券1张……
2)券池更新,新增券加进来,做增量计算;
3)券池更新剔除的券和无效的券(过了有效期等)需过滤;
4)已曝光过的券需过滤,所有券分发完一轮后,用户未领取券再召回参与分发。
由于业务申请优惠券的时候对同一个品牌会申请多张券,比如100-5、100-10、200-10等,不同的门槛-面额券哪个优先分发给用户,也需要定义优先级,由于B2B是商家的采购进货平台,用户会有集中采购的特征,也就是同一时间会同时买大量的商品。所以考虑用户客单价及触达券多样性,需要进行券穿插排序。
通过用户洞察获得符合条件的用户,用户登录后便会触发优惠券弹窗,一天内一个关键词对同一个用户只弹一次,一天最多弹两个品牌的优惠券弹窗。每个场景独立控制弹窗触达逻辑,不影响全站弹窗逻辑。
前端埋点可对数据进行回收,并根据数据表现不断调整算法模型,并对营销效果进行评估,并作为调整策略的依据,最终使得效果最大化。
本公开的上述实施例提供的方法,将符合用户日常行为的优惠券给召回,在触达用户时,用户最可能转化的优惠券优先曝光,在保证客单价的同时提升转化率,实现由***推荐代替人工运营。
进一步参考图4,其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400,包括以下步骤:
步骤401,响应于接收到用户输入的目标品牌,根据历史行为数据计算目标品牌的用户品牌客单价。
在本实施例中,用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行网络购物的终端接收用户输入的目标品牌。根据流程200已经获得的历史行为数据计算目标品牌的用户品牌客单价。根据所述历史行为数据统计第二预定时间内目标品牌的每单购买金额集合。可将每单购买金额集合中的中位数作为目标品牌的用户品牌客单价。还可将每单购买金额集合中的平均数作为目标品牌的用户品牌客单价。
用户品牌客单价计算过程如下所示:
1)计算用户预定时间(例如近半年)订单中每个品牌每单购买金额,若一日多单则累计求和视为一单金额;
2)取到手价的中位数为用户的品牌客单价Price-User;
更新频率:每月1日(可按增量数据更新,减少计算量)。
可选地,若用户输入的目标品牌与品牌库中的品牌词不匹配,则从品牌库中选取最接近的品牌词作为目标品牌。若用户输入的品牌词不精准(错字等),品牌词需调取同义词词表,能准确识别出用户录入词所属品牌,比如用户输入的是“3只松鼠”应该匹配“三只松鼠”;比如***录入的品牌词是“乐事(Lay's)”而用户搜索关键词常常为“乐事”或“Lay's”则这三个词也为同义词。不管用户输入任何一个品牌词都可以准确弹出品牌券弹窗。
步骤402,获取用户所在区域的目标品牌的单价范围。
在本实施例中,获取所述用户所在区域所有用户的目标品牌的用户品牌客单价放入区域品牌客单价集合;若所述目标品牌在第二预定时间内无成交,则将所述目标品牌下所有商品的基础价的中位值放入区域品牌客单价集合;根据所述区域品牌客单价集合中的最小值和最大值确定所述区域中目标品牌的单价范围。
前置说明:所有商品包括:最近半年有成交的商品(在架+下架)、无成交商品(当前时间在架)
1)近半年有成交订单中,用户+品牌维度。
根据地域区分,取所有用户订单表每个品牌到手价的中位值作为本用户的品牌客单价Price。若一用户一日购买多次则累计求和作为此用户的品牌客单价(sku不去重)。
举例说明,品牌A分别在北京被User1(到手价1元)、User2(到手价3元)、User3(到手价5元)、User4(到手价3元)、User5(到手价1.2元)购买,则在北京地区品牌A的品牌客单价为(1、3、5、3、1.2),则北京地区品牌A的单价范围为[1,5]。
2)近半年无成交品牌,sku维度
每个sku根据地域区分,取每个品牌下所有sku基础价的中位值作为此品牌客单价Price
上述两种情况计算出全部品牌地域“品牌客单价”——Price。
更新频率:每月1日(可按增量数据更新,减少计算量)
步骤403,根据目标品牌的单价范围调高目标品牌的用户品牌客单价。
在本实施例中,为了保证使用优惠券的ROI,希望用户使用优惠券下单的价格对比日常下单价格有所拔高,所以需要有用户维度的调整后的价格。
具体过程如图5a-5d所示:
S4031,将区域品牌客单价集合按从小到大顺序排序,并将单价范围按分位数划分出预定数目个区间。
将Price从小到大排序,按分位数划分10个区间[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1],即分位数区间q=[qm,qn],及每个分位值对应的Q=[Qm,Qn]。
名词解释:
Price-User:用户某个品牌客单价
qm:user某个品牌客单价对应的分位数左或右区间;qm<0.5取左区间qm>0.5取右区间
qn:五分位数对应的q值=0.5
举例:假设某个品牌A在北京地域售卖的品牌客单价Price为[60,600],某用户Price-User=160,则将Price为[60,600]划分了10分位数,对应10个区间。每个分位数对应的值为Q=[Qm,Qn]。如图5a所示。可知qn=0.5。
S4032,根据用户的目标品牌的用户品牌客单价所在区间调高目标品牌的用户品牌客单价。
判断Price-User落在Price哪个区间,得到q和Q值。如图5b所示找到品牌A对此用户对应的q区间[0.3,0.4]Q区间[160,200]。
可调高的用户品牌客单价,但不超过该区间。例如,调高后的用户品牌客单价为180。
还可根据下式计算调高后的用户品牌客单价Price-User-new:
则图5b的区间计算出的调高后的用户品牌客单价Price-User-new:
Price-User-new=160+|160-260|*|0.3-0.5|=160+18=178
即向此用户推送178元门槛的优惠券能提高转化。
步骤404,获取与用户标签匹配的目标品牌的候选推荐信息集。
在本实施例中,匹配过程与步骤203相同,匹配相同所属圈层和品牌的候选推荐信息。候选推荐信息的命名只是为了与流程200中推荐信息的进行区分,实质上两种信息的属性相同,都是具有四级标签。推荐信息具备有门槛,也就是使用优惠券所要满足的最低条件,例如,满100-5的门槛是100,用户需要购满100元才能使用该优惠券。
步骤405,从候选推荐信息集中选择与调高后的用户品牌客单价匹配的候选推荐信息并输出。
在本实施例中,从候选推荐信息集中选择门槛等于或高于调高后的用户品牌客单价的候选推荐信息。将门槛等于调高后的用户品牌客单价的候选推荐信息的优先级设为最高。根据所选择的候选推荐信息的门槛所在区间确定优先级,其中,门槛距离调高后的用户品牌客单价越近的候选推荐信息的优先级越高。按优先级由高到低的顺序输出所选择的候选推荐信息,其中,同一优先级的候选推荐信息按优惠力度由高到低排序。
通过MQ获取券池内券,当券池内有新增券时,重新计算下方数据。无效券实时过滤。
绝对顺序:券池内有门槛=Price-User-new【顺序1】>券池内有门槛≠Price-User-new的品牌券【顺序2】
1、券池内有门槛=Price-User-new的品牌券【用户搜索的品牌关键词可用的品牌券】
优惠券【门槛-面额】,力度λ=面额/门槛
含相同门槛的品牌优惠券则按力度λ从高到低排序。
2、券池内有门槛≠Price-User-new的品牌券
1)判断用户调整品牌客单价Price-User-new所在地域品牌客单价的分位数范围。
上例中Price-User-new=178,在q[0.3,0.4]之间,Q[160,200],假设有的优惠券门槛分别为10元、100元、110元、200元、300元、460元,图5c、5d上圆点所示。
2)则Price-User-new所在的Q内的优惠券优先级1召回
多个券按力度λ从高到低排序。
3)Price-User-new所在的Q左右相邻一个分位置范围内的优惠券优先级2召回
多个券按力度λ从高到低排序。
4)其他券优先级3召回
多个券按力度λ从高到低排序。
即按券召回池按优先级绝对顺序排序,券召回池内按度λ从高到低排序。
用户输入关键词(品牌名称),点搜索按钮后,立刻触发弹窗,具体弹哪个品牌的优惠券根据上述券排序逻辑输出。考虑到用户体验问题,一天内一个关键词对同一个用户只弹一次,一天最多弹两个关键词的优惠券弹窗。
每个场景独立控制弹窗触达逻辑,不影响全站弹窗逻辑。
前端埋点可对数据进行回收,并根据数据表现不断调整算法模型,并对营销效果进行评估,并作为调整策略的依据,最终使得效果最大化。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程400体现了提高优惠券使用门槛的过程。为了保证使用优惠券的ROI,希望用户使用优惠券下单的价格对比日常下单价格有所拔高,所以需要有用户维度的调整价格。对召回的优惠券进行排序,在考虑用户感兴趣且买得起(客单价)及品牌商溢价(客单价拔高)两个维度考虑的排序逻辑,融合考虑用户及品牌商双方利益。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于输出信息的装置600包括:获取单元601、打标单元602、匹配单元603、确定单元604和推荐单元605。其中,获取单元601,被配置成响应于检测到用户访问首页,获取所述用户的历史行为数据;打标单元602,被配置成根据所述历史行为数据为所述用户打用户标签;匹配单元603,被配置成获取与所述用户标签匹配的推荐信息集;确定单元604,被配置成根据历史行为数据确定推荐信息集涉及的每个品牌的复购周期;推荐单元605,被配置成从推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:将复购周期与当前时间之差小于预定时长阈值的品牌确定为促销品牌;根据历史行为数据为每个促销品牌打分;按打分由高到低的顺序输出每个促销品牌的推荐信息,其中,同一促销品牌的推荐信息按优惠力度由高到低排序。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:对于每个促销品牌,从历史行为数据中统计出第一预定时间内涉及该促销品牌的以下至少一种行为的次数:加入购物车、搜索并点击进入商详页、点击浏览商品;对于每个促销品牌,计算涉及该促销品牌的各种行为次数的加权和作为该促销品牌的分数。
在本实施例的一些可选的实现方式中,加入购物车的权重>搜索并点击进入商详页的权重>点击浏览商品的权重,并且同一日内相同行为的权重递减。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:获取用户未购买过的品牌的拉新信息集;交替输出拉新信息集和推荐信息集。
在本实施例的一些可选的实现方式中,确定单元604进一步被配置成:根据历史行为数据确定推荐信息集涉及的每个品牌的下单时间间隔集合;对于每个品牌,将该品牌的下单时间间隔排序后取中位数作为用户的该品牌的复购周期;若该品牌的复购周期大于等于平台全量用户复购周期,则根据平台全量用户复购周期调整用户的该品牌的复购周期。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:响应于接收到用户输入的目标品牌,根据历史行为数据计算目标品牌的用户品牌客单价;获取用户所在区域的目标品牌的单价范围;根据目标品牌的单价范围调高目标品牌的用户品牌客单价;获取与用户标签匹配的目标品牌的候选推荐信息集;从候选推荐信息集中选择与调高后的用户品牌客单价匹配的候选推荐信息并输出。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:根据历史行为数据统计第二预定时间内目标品牌的每单购买金额集合;将每单购买金额集合中的中位数作为目标品牌的用户品牌客单价。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:获取用户所在区域所有用户的目标品牌的用户品牌客单价放入区域品牌客单价集合;若目标品牌在第二预定时间内无成交,则将目标品牌下所有商品的基础价的中位值放入区域品牌客单价集合;根据区域品牌客单价集合中的最小值和最大值确定区域中目标品牌的单价范围。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:将区域品牌客单价集合按从小到大顺序排序,并将单价范围按分位数划分出预定数目个区间;根据用户的目标品牌的用户品牌客单价所在区间调高目标品牌的用户品牌客单价。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:从候选推荐信息集中选择门槛高于调高后的用户品牌客单价的候选推荐信息;根据所选择的候选推荐信息的门槛所在区间确定优先级,其中,门槛距离调高后的用户品牌客单价越近的候选推荐信息的优先级越高;按优先级由高到低的顺序输出所选择的候选推荐信息,其中,同一优先级的候选推荐信息按优惠力度由高到低排序。
在本实施例的一些可选的实现方式中,推荐单元605进一步被配置成:若用户输入的目标品牌与品牌库中的品牌词不匹配,则从品牌库中选取最接近的品牌词作为目标品牌。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质。
一种用于输出信息的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现流程200和400所述的方法。
一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现流程200和400所述的方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如用于输出信息的方法。例如,在一些实施例中,用于输出信息的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的用于输出信息的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于输出信息的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式***的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式***的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种用于输出信息的方法,包括:
响应于检测到用户访问首页,获取所述用户的历史行为数据;
根据所述历史行为数据为所述用户打用户标签;
获取与所述用户标签匹配的推荐信息集;
根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的复购周期;
从所述推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出。
2.根据权利要求1所述的方法,其中,所述从所述推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出,包括:
将复购周期与当前时间之差小于预定时长阈值的品牌确定为促销品牌;
根据所述历史行为数据为每个促销品牌打分;
按打分由高到低的顺序输出每个促销品牌的推荐信息,其中,同一促销品牌的推荐信息按优惠力度由高到低排序。
3.根据权利要求2所述的方法,其中,所述根据所述历史行为数据为每个促销品牌打分,包括:
对于每个促销品牌,从所述历史行为数据中统计出第一预定时间内涉及该促销品牌的以下至少一种行为的次数:加入购物车、搜索并点击进入商详页、点击浏览商品;
对于每个促销品牌,计算涉及该促销品牌的各种行为次数的加权和作为该促销品牌的分数。
4.根据权利要求3所述的方法,其中,加入购物车的权重>搜索并点击进入商详页的权重>点击浏览商品的权重,并且同一日内相同行为的权重递减。
5.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述用户未购买过的品牌的拉新信息集;
交替输出所述拉新信息集和所述推荐信息集。
6.根据权利要求1所述的方法,其中,所述根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的复购周期,包括:
根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的下单时间间隔集合;
对于每个品牌,将该品牌的下单时间间隔排序后取中位数作为所述用户的该品牌的复购周期;若该品牌的复购周期大于等于平台全量用户复购周期,则根据平台全量用户复购周期调整所述用户的该品牌的复购周期。
7.根据权利要求1所述的方法,其中,所述方法还包括:
响应于接收到用户输入的目标品牌,根据所述历史行为数据计算目标品牌的用户品牌客单价;
获取所述用户所在区域的目标品牌的单价范围;
根据所述目标品牌的单价范围调高所述目标品牌的用户品牌客单价;
获取与所述用户标签匹配的目标品牌的候选推荐信息集;
从所述候选推荐信息集中选择与调高后的用户品牌客单价匹配的候选推荐信息并输出。
8.根据权利要求7所述的方法,其中,所述根据所述历史行为数据计算目标品牌的用户品牌客单价,包括:
根据所述历史行为数据统计第二预定时间内目标品牌的每单购买金额集合;
将每单购买金额集合中的中位数作为目标品牌的用户品牌客单价。
9.根据权利要求7所述的方法,其中,所述获取所述用户所在区域的目标品牌的单价范围,包括:
获取所述用户所在区域所有用户的目标品牌的用户品牌客单价放入区域品牌客单价集合;
若所述目标品牌在第二预定时间内无成交,则将所述目标品牌下所有商品的基础价的中位值放入区域品牌客单价集合;
根据所述区域品牌客单价集合中的最小值和最大值确定所述区域中目标品牌的单价范围。
10.根据权利要求9所述的方法,其中,所述根据所述目标品牌的单价范围调高所述目标品牌的用户品牌客单价,包括:
将所述区域品牌客单价集合按从小到大顺序排序,并将所述单价范围按分位数划分出预定数目个区间;
根据所述用户的所述目标品牌的用户品牌客单价所在区间调高所述目标品牌的用户品牌客单价。
11.根据权利要求9所述的方法,其中,所述从所述候选推荐信息集中选择与调高后的用户品牌客单价匹配的候选推荐信息并输出,包括:
从所述候选推荐信息集中选择门槛高于调高后的用户品牌客单价的候选推荐信息;
根据所选择的候选推荐信息的门槛所在区间确定优先级,其中,门槛距离调高后的用户品牌客单价越近的候选推荐信息的优先级越高;
按优先级由高到低的顺序输出所选择的候选推荐信息,其中,同一优先级的候选推荐信息按优惠力度由高到低排序。
12.根据权利要求7-11所述的方法,其中,所述方法还包括:
若所述用户输入的目标品牌与品牌库中的品牌词不匹配,则从所述品牌库中选取最接近的品牌词作为目标品牌。
13.一种用于输出信息的装置,包括:
获取单元,被配置成响应于检测到用户访问首页,获取所述用户的历史行为数据;
打标单元,被配置成根据所述历史行为数据为所述用户打用户标签;
匹配单元,被配置成获取与所述用户标签匹配的推荐信息集;
确定单元,被配置成根据所述历史行为数据确定所述推荐信息集涉及的每个品牌的复购周期;
推荐单元,被配置成从所述推荐信息集中选择复购周期与当前时间之差小于预定时长阈值的推荐信息并输出。
14.一种用于输出信息的电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个计算机程序,
当所述一个或多个计算机程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一项所述的方法。
15.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749450.0A CN113379511A (zh) | 2021-07-02 | 2021-07-02 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749450.0A CN113379511A (zh) | 2021-07-02 | 2021-07-02 | 用于输出信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379511A true CN113379511A (zh) | 2021-09-10 |
Family
ID=77580684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110749450.0A Pending CN113379511A (zh) | 2021-07-02 | 2021-07-02 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379511A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345718A (zh) * | 2022-10-19 | 2022-11-15 | 易商惠众(北京)科技有限公司 | 一种基于排他性的商品推荐方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动(北京)科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
CN107590675A (zh) * | 2017-07-25 | 2018-01-16 | 广州智选网络科技有限公司 | 一种基于大数据的用户购物行为识别方法、储存设备及移动终端 |
CN108734496A (zh) * | 2017-04-21 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法、装置及电子设备 |
CN108876394A (zh) * | 2017-05-16 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 识别电子商务平台潜在流失用户的方法和装置 |
CN109064261A (zh) * | 2018-07-12 | 2018-12-21 | 北京京东金融科技控股有限公司 | 推荐商品的方法、装置和计算机可读存储介质 |
CN109146533A (zh) * | 2017-06-28 | 2019-01-04 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN109840788A (zh) * | 2017-11-27 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 用于分析用户行为数据的方法及装置 |
CN110135915A (zh) * | 2016-08-22 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 商品推荐方法和*** |
CN110930214A (zh) * | 2019-10-09 | 2020-03-27 | 利辛县风雅颂机电科技有限公司 | 一种用于满减活动的商品排序方法 |
CN111127155A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111222952A (zh) * | 2020-01-09 | 2020-06-02 | 苏宁云计算有限公司 | 一种营销客群推荐方法及装置 |
CN111586169A (zh) * | 2020-05-07 | 2020-08-25 | 苏宁云计算有限公司 | 一种商品营销信息推送方法及*** |
-
2021
- 2021-07-02 CN CN202110749450.0A patent/CN113379511A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135915A (zh) * | 2016-08-22 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 商品推荐方法和*** |
CN108734496A (zh) * | 2017-04-21 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法、装置及电子设备 |
CN108876394A (zh) * | 2017-05-16 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 识别电子商务平台潜在流失用户的方法和装置 |
CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
CN109146533A (zh) * | 2017-06-28 | 2019-01-04 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN107590675A (zh) * | 2017-07-25 | 2018-01-16 | 广州智选网络科技有限公司 | 一种基于大数据的用户购物行为识别方法、储存设备及移动终端 |
CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动(北京)科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
CN109840788A (zh) * | 2017-11-27 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 用于分析用户行为数据的方法及装置 |
CN109064261A (zh) * | 2018-07-12 | 2018-12-21 | 北京京东金融科技控股有限公司 | 推荐商品的方法、装置和计算机可读存储介质 |
CN110930214A (zh) * | 2019-10-09 | 2020-03-27 | 利辛县风雅颂机电科技有限公司 | 一种用于满减活动的商品排序方法 |
CN111127155A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111222952A (zh) * | 2020-01-09 | 2020-06-02 | 苏宁云计算有限公司 | 一种营销客群推荐方法及装置 |
CN111586169A (zh) * | 2020-05-07 | 2020-08-25 | 苏宁云计算有限公司 | 一种商品营销信息推送方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345718A (zh) * | 2022-10-19 | 2022-11-15 | 易商惠众(北京)科技有限公司 | 一种基于排他性的商品推荐方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11526472B2 (en) | Multi-trigger personalized virtual repository | |
CN104281961B (zh) | 用于在线***中的广告和内容的质量评分*** | |
KR20200123015A (ko) | 정보를 추천하는 방법, 장치, 기기 및 저장 매체 | |
US20160191450A1 (en) | Recommendations Engine in a Layered Social Media Webpage | |
CN104281962B (zh) | 用于在线***中的广告和内容的统一市场 | |
US20090106108A1 (en) | Website management method and on-line system | |
US20170278173A1 (en) | Personalized bundle recommendation system and method | |
US20100262456A1 (en) | System and Method for Deep Targeting Advertisement Based on Social Behaviors | |
US11875380B2 (en) | Method for matching influencers to brands and pairing influencer videos to products for intra-video transactions | |
CN109033299A (zh) | 一种通过终端应用向用户推荐信息的方法、装置及设备 | |
US11734745B2 (en) | System and method for generating geographic zone information for consumers | |
CN102004979A (zh) | 一种提供商品匹配推广服务的***和方法 | |
CN109213936B (zh) | 商品搜索方法和装置 | |
CN110197317B (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
CN113298568B (zh) | 用于投放广告的方法及装置 | |
CN113379511A (zh) | 用于输出信息的方法和装置 | |
CN116308505A (zh) | 资源分配方法、装置、存储介质和计算机设备 | |
CN110858335A (zh) | 一种计算促销弹性的方法和装置 | |
KR20230011213A (ko) | 온라인 광고 대행 서버, 캠페인 정보에 포함된 운영 옵션 정보를 선택적으로 변경하는 온라인 광고 대행 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 | |
CN114254206A (zh) | 一种信息推荐策略生成方法及装置、存储介质、计算设备 | |
US11763349B2 (en) | Methods and apparatus for automatically providing digital advertisements | |
CN114638635A (zh) | 用户权益信息的确定方法和装置 | |
CN116069959A (zh) | 确定展示数据的方法和装置 | |
CN114358871A (zh) | 商品推荐方法及电子设备 | |
US10275795B1 (en) | System and method for ranking, allocation and pricing of content recommendations |
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 |