CN113706222B - 一种门店选址的方法、装置 - Google Patents
一种门店选址的方法、装置 Download PDFInfo
- Publication number
- CN113706222B CN113706222B CN202111100921.1A CN202111100921A CN113706222B CN 113706222 B CN113706222 B CN 113706222B CN 202111100921 A CN202111100921 A CN 202111100921A CN 113706222 B CN113706222 B CN 113706222B
- Authority
- CN
- China
- Prior art keywords
- brand
- addressed
- store
- obtaining
- feature
- 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
- 238000010187 selection method Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims description 15
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 235000021152 breakfast Nutrition 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000021186 dishes Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 235000004347 Perilla Nutrition 0.000 description 1
- 244000124853 Perilla frutescens Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021110 pickles Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开一种门店选址方法、装置,其中,所述门店选址方法,包括:获得待选址门店所属品牌的品牌群像;根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据;对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果;根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。该方法基于待选址门店所述品牌的品牌群像以及用户所属的特征标签,召回待选址门店的基础人群数据,确保待选址门店面向的基础人群,进而通过对基础人群数据的聚类处理结果,确定为所述待选址门店选择的地址信息。
Description
技术领域
本申请涉及数据分析领域,具体涉及一种门店选址方法、装置;本申请同时涉及一种电子设备及计算机存储介质。
背景技术
随着品牌商产业规模的扩大,门店选址成为了品牌制定经营目标和经营战略过程中比不可少的环节。
目前,门店选址主要通过搜集和调研不同地段的客流数据来进行选址,但这种选址方式往往成本较高,且受限于人力资源,搜集和调研的客流数据并不全面,无法为商家提供优质、准确的门店地址。
发明内容
本申请提供一种门店选址方法、装置以解决上述技术问题。本申请同时还提供一种电子设备及计算机存储介质。
本申请提供的门店选址的方法,包括:获得待选址门店所属品牌的品牌群像;根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据;对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果;根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。
可选的,所述获得待选址门店所属品牌的品牌群像,包括:获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签;确定所述消费者特征标签与预设的品牌特征标签之间的相似度;将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像。
可选的,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:获得选址服务器发送的其他已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者特征标签;或者,获得所述其他已选址门店的服务器发送的该已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者的特征标签。
可选的,所述获得待选址门店所属品牌的品牌群像,包括:获得选址客户端发送的所述待选址门店所属的品牌信息;根据所述待选址门店所属的品牌信息,获得所述待选址门店所属品牌的品牌群像。
可选的,所述根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据,包括:获得所述用户所属的特征标签;依次计算所述用户所属的特征标签与所述品牌群像之间的相似度;根据所述相似度,获得预设数量的所述用户作为所述基础人群数据。
可选的,所述依次计算所述用户所属的特征标签与所述品牌群像之间的相似度,包括:根据所述用户特征标签,获得用户特征向量;根据所述品牌特征标签,获得品牌特征向量;计算所述用户特征向量与所述品牌特征之间的余弦相似度,获得所述用户所述的特征标签与所述品牌群像之间的相似度。
可选的,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:获得基础人群分布区域地图和所述基础人群数据中用户的位置信息;采用预设大小的网格对所述基础人群分布区域地图进行网格划分,结合所述基础人群数据中用户的位置信息,确定各个网格中用户的密度,将所述各个网格中用户的密度作为所述基础人群数据聚类结果。
可选的,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:确认用户密度排在首位的网格的密度中心作为为所述待选址门店选择的地址信息。
可选的,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:根据预设的聚类半径,对分布在不同位置的用户依次进行聚类分析,确定各个用户的聚类半径内的其他用户数量。
可选的,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:确定各个用户中聚类半径内其他用户数量排在首位的用户地址信息作为为所述待选址门店选择的地址信息。
可选的,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:获得所述待选址门店的服务类型;获得与所述服务类型相同,且同属所述品牌的其他已选址门店的消费者特征标签。
本申请同时提供一种门店选址装置,包括:群像获得单元,用于获得待选址门店所属品牌的品牌群像;人群召回单元,用于根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据;人群聚类单元,用于对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果;地址确定单元,用于根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。
可选的,所述获得待选址门店所属品牌的品牌群像,包括:获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签;确定所述消费者特征标签与预设的品牌特征标签之间的相似度;将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像。
可选的,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:获得选址服务器发送的其他已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者特征标签;或者,获得所述其他已选址门店的服务器发送的该已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者的特征标签。
可选的,所述获得待选址门店所属品牌的品牌群像,包括:获得选址客户端发送的所述待选址门店所属的品牌信息;根据所述待选址门店所属的品牌信息,获得所述待选址门店所属品牌的品牌群像。
可选的,所述根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据,包括:获得所述用户所属的特征标签;依次计算所述用户所属的特征标签与所述品牌群像之间的相似度;根据所述相似度,获得预设数量的所述用户作为所述基础人群数据。
可选的,所述依次计算所述用户所属的特征标签与所述品牌群像之间的相似度,包括:根据所述用户特征标签,获得用户特征向量;根据所述品牌特征标签,获得品牌特征向量;计算所述用户特征向量与所述品牌特征之间的余弦相似度,获得所述用户所述的特征标签与所述品牌群像之间的相似度。
可选的,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:获得基础人群分布区域地图和所述基础人群数据中用户的位置信息;采用预设大小的网格对所述基础人群分布区域地图进行网格划分,结合所述基础人群数据中用户的位置信息,确定各个网格中用户的密度,将所述各个网格中用户的密度作为所述基础人群数据聚类结果。
可选的,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:确认用户密度排在首位的网格的密度中心作为为所述待选址门店选择的地址信息。
可选的,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:根据预设的聚类半径,对分布在不同位置的用户依次进行聚类分析,确定各个用户的聚类半径内的其他用户数量。
可选的,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:确定各个用户中聚类半径内其他用户数量排在首位的用户地址信息作为为所述待选址门店选择的地址信息。
可选的,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:获得所述待选址门店的服务类型;获得与所述服务类型相同,且同属所述品牌的其他已选址门店的消费者特征标签。
本申请同时提供一种门店选址方法,包括:获得为待选址门店选择的地址信息;展示所述为待选址门店选择的地址信息;其中,所述为待选址门店选择的地址信息是对基础人群数据进行聚类处理后,基于基础人群数据聚类结果确定的;所述基础人群数据是根据待选址门店所属品牌的品牌群像和用户所述的特征标签召回获得的。
本申请同时提供一种门店选址装置,包括:获得单元,用于获得为待选址门店选择的地址信息;展示单元,用于展示所述为待选址门店选择的地址信息;其中,所述为待选址门店选择的地址信息是对基础人群数据进行聚类处理后,基于基础人群数据聚类结果确定的;所述基础人群数据是根据待选址门店所属品牌的品牌群像和用户所述的特征标签召回获得的。
本申请同时提供一种电子设备,包括:处理器;存储器,用于存储方法的程序,所述程序在被所述处理器读取执行时,执行上述任意一种方法。
本申请同时提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述程序被执行时实现上述任意一种方法。
与现有技术相比,本申请具有以下优点:
本申请提供的门店选址方法,包括:获得待选址门店所属品牌的品牌群像;根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据;对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果;根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。该方法基于待选址门店所述品牌的品牌群像以及用户所属的特征标签,召回待选址门店的基础人群数据,确保待选址门店面向的基础人群,进而通过对基础人群数据的聚类处理结果,确定为所述待选址门店选择的地址信息。
附图说明
图1为本申请第一实施例提供的门店选址方法的场景示意图;
图2为本申请第一实施例提供的门店选址方法流程图;
图3为本申请第二实施例提供的门店选址装置结构示意图;
图4为本申请第三实施例提供的门店选址方法流程图;
图5为本申请第四实施例提供的门店选址装置结构示意图;
图6为本申请第五实施例提供的电子设备的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是,本申请能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此,本申请不受下面公开的具体实施例的限制。
在本申请实施例中,分别提供一种门店选址方法、装置、电子设备以及计算机存储介质。
为了便于理解本申请提供的门店选址方法,本实施例首先结合具体的使用场景对所述门店选址的方法进行介绍。
请参考图1,其为本申请第一实施例提供的门店选址方法的场景示意图,图1中包括:终端设备101和服务器102。
其中,终端设备101是指用于展示为待选址门店选择的门店地址信息的终端设备。在某一品牌门店的店主或其他工作人员需要为新开门店进行选址时,可以在终端设备101中输入待选址门店的品牌信息。终端设备101接收到品牌信息后,会将品牌信息发送至服务器102。
本申请场景实施例中的,服务器102是指选址服务器。服务器102在接收到终端设备发送的品牌信息后,调取选址服务器中待选址门店所述品牌的品牌群像。在本申请实施例中,所述品牌群像指的是由用户特征标签组成的、能够反映该品牌的受众用户特征的画像。
在服务器102调取品牌群像后,进一步根据品牌群像和服务器102内保存的所有用户的特征标签,从所述用户中召回用于为所述待选址门店选址的基础人群数据,其中,所述基础人群数据中至少包括用户的位置数据。
之后,服务器102对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果。最后,根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,并将该地址信息发送至终端设备101进行展示。
需要说明的是,本申请并不对上述场景实施例中提供的门店选择方法的具体应用场景做限定,所述门店选择方法还可以应用于其他场景。例如:服务器102可以是某品牌专用的服务器,其内部存储了该品牌其他已选址门店的用户数据(比如:历史消费数据),以及该品牌线上消费者(即,用户)的数据(比如:历史消费数据)。本申请上述场景实施例中介绍的门店选择方法的应用只是为了便于理解本申请,并非用于限定本申请提供的门店选择方法的应用场景。
以上是针对所述门店选址方法提供的场景实施例,为了更清楚的理解本申请上述方案的实现过程,本申请第一实施例对所述门店选址方法进行进一步的介绍。
请参考图2,其为本申请第一实施例提供的门店选址方法流程图。该方法包括:步骤S201至步骤S204。
步骤S201,获得待选址门店所属品牌的品牌群像。
所述待选址门店指的是某个未选址但有选址需要的商户门店。例如:某个连锁店希望在选择一个地址部署一个新的门店,则该新的门店就可以是待选址门店。
所述待选址门店所属品牌除了可以理解为门店中售卖或服务的内容品牌之外,还可以理解为门店中服务或售卖内容的类型。例如:假设所述待选址门店为一中餐店该店并没有特定的品牌,则所述待选址门店所属品牌也可以是该门店的类型(即,中餐店);又例如:假设所述待选址门店为餐饮店,其中为用户提供的菜品主要为“黄焖鸡米饭”,且该店也没有特定的品牌,则所述待选址门店所属的品牌可以为这一待选址门店的菜品类型(即,黄焖鸡米饭)。
所述品牌群像可以理解为品牌的品牌画像,即,能够体现品牌服务特点、服务内容、服务受众的画像。所述品牌群像由不同的标签组成。具体的,在可以获得直接获得待选址门店所属的品牌的情况下,上述步骤S201通过以下步骤实S201-1至步骤S201-3实现:
步骤S201-1,获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签。
所述消费者特征标签指的是多个维度的特征标签。所述特征标签可以描述消费者的行为、偏好、地理位置等多个维度的信息。
所述其他已选址门店指的是已经选好营业地址并开始营业的门店。在实际应用中,上述已选址门店中都会存储消费者在线上或线下产生的历史消费数据,可以直接获得上述多个维度的特征标签。例如:通过用户在电商平台购买所述已选址门店商品的过程中所填写的地址信息,可以获得所述消费者地理位置特征标签;通过消费者在已选址门店店内就餐产生的历史消费数据,可以获得消费者的偏好特征标签等等。
可以理解的,所述待选址门店所述品牌的其他已选址门店的消费者特征标签可以是上述场景实施例中选址服务器102预先存储的标签,也可以是其他门店的服务器基于客户端101的选址请求向所述选址服务器102发送的标签,又或者可以是选址服务器在接收到消费者的历史消费数据后,分析所述历史消费数据获得的消费者特征标签。对此,本申请不做限制。
步骤S201-2,确定所述消费者特征标签与预设的品牌特征标签之间的相似度。
在本申请第一实施例中,所述预设的品牌特征标签是指服务器102中存储的全量的品牌特征标签,可以理解的,所述全量的品牌特征标签未与所述待选址门店进行匹配之前,这些标签并不能反映所述待选址门店所属品牌的品牌特征。
本申请实施例采用计算消费者特征标签与预设的品牌特征标签相似度的方式,确定与所述待选址门店所属品牌对应的品牌特征标签。
比如说,所述预设的品牌特征标签中包括:鲁菜、川菜、苏菜、粤菜四种代表菜系特征的品牌特征标签。而根据步骤S201-1获得的大部分消费者的偏好特征标签中只有代表消费者偏好鲁菜的偏好特征标签,那么认为预设的品牌特征标签中,代表鲁菜这一菜系特征标签为与该品牌匹配的菜系特征标签。
又比如,所述预设的品牌特征标签中包括:服装鞋包、饮食、娱乐等代表服务内容的品牌特征标签,而根据步骤S201-1获得的大部分消费者消费内容标签中只有代表饮食的偏好特征标签,那么认为预设的品牌特征标签中,代表饮食这一服务内容的特征标签为与该品牌匹配的消费内容特征标签。
在遍历所有预设的品牌特征标签之后,选择所有的相似度大于预设相似度阈值品牌特征标签共同组成所述品牌群像,即执行下述步骤S201-3。
步骤S201-3,将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像。
另外,对于无法直接获得待选址门店所属品牌的情况下,上述步骤S201-1则通过以下步骤S201-4实现:
步骤S201-4,获得所述待选址门店的服务类型,确定与所述服务类型相同的其他已选址门店的消费者特征标签。
也就是说,如果无法直接获得所述待选址门店所属品牌,或者是说,所述待选址门店不存在品牌的情况下,可以基于待选址门店的服务类型,获得所述消费者特征标签。
例如:假设所述待选址门店为一早餐店,即,所述待选址门店的服务类型为:提供早餐。则可以选择提供早餐为服务类型的其他已选址门店的消费者历史消费数据,确定所述消费者特征标签。
本申请步骤S201旨在基于品牌消费者构建品牌的品牌群像。为了尽可能的使为待选址门店选择的地址更接近该品牌的受众人群,还需要进一步挖掘所述待选址门店的***。
步骤S202,根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据。
在本申请步骤S202中,用户指的是服务器102能够获得历史消费信息的全部用户,这其中包括在所述品牌的其他已选址门店中有消费记录的消费者和无消费记录的消费者。
与本申请步骤S201-1中相同的,所述用户所属的特征标签指的是多维度特征标签,这些标签应能描述用户特征信息。例如:所述特征标签可以描述用户的行为、偏好、地理位置等多个维度的信息。在本申请的一个可选实施例中,所述用户所属的特征标签应至少能够描述用户的地理位置信息,以便于根据所述用户的地理位置信息,归纳为所述待选址门店选择的地址信息。
具体的,步骤S202通过以下步骤S202-1至步骤S202-3实现。
步骤S202-1,获得用户所述的特征标签。
步骤S202-2,依次计算所述用户所属的特征标签与所述品牌群像之间的相似度。
在计算所述相似度之前,需要先根据所述用户所属的特征标签的特征属性,组成用户特征向量;根据组成所述品牌群像的品牌特征标签,组成品牌特征向量。
通过计算所述用户特征向量与所述品牌特征之间的余弦相似度,获得所述用户所述的特征标签与所述品牌群像之间的相似度。
步骤S202-3,根据所述相似度,获得预设数量的所述用户作为所述基础人群数据。
在确定所述相似度后,根据所述相似度对所述用户进行排序,获得排序靠前的预设数量的用户作为基础人群,并选择所述预设数量的用户作为基础人群数据。
步骤S203,对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果。
在本申请的一个可选实施方式中,所述对所述基础人群数据进行聚类处理,包括以下两种方式:
第一种,是一种对人群进行中心聚类的方式。
该方式首先获得基于所述基础人群数据获得所述基础人群的基础人群分布区域地图,其中,所述基础人群分布区域地图中,包括基础人群中各个用户在地图中的位置。
之后,采用预设大小的网格对所述基础人群地图进行分割,将所述基础人群分布地图分割成若干个网格。
具体的,上述采用预设大小的网格对所述基础人群地图进行分割可以通过预设的分割算法实现,例如:Geohash5算法。Geohash是一种地址编码的方法,它能把二维的空间经纬度数据编码成一个字符串。在一般的应用过程中,它能够将地球理解为一个二维平面,并将该二维平面递归分解成更小的子块,其中,每个子块在一定的经纬度范围内拥有相同的编码,这种方式能够满足对数据进行经纬度检索的问题。
具体到本申请第一实施例中,可以采用Geohash5对所述基础人群分布地图进行分割,将其分割为4.9×4.9的网格。并根据基础人群中用户的地理位置数据,确定各个网格中用户密度。
上述对人群进行中心聚类的方式,计算效率高,且可获得每个网格内的任意地理位置。在本申请的一个可选实施例中,如果所述人群分布区域地图所覆盖的区域范围较大(例如:所述人群分布区域地图覆盖全国或全球)则优先考虑采用所述中心聚类的方式,获得所述基础人群数据聚类结果。
第二种,是一种基于人群密度的聚类方式。
即,根据预设的聚类半径,对分布在不同位置的用户依次进行聚类分析,确定各个用户的聚类半径内的其他用户数量。
在具体应用的过程中,所述基于人群密度的聚类算法可以为dbscan算法。dbscan(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。该算法将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在空间数据库中发现任意形状的聚类。
为了便于描述本申请第一实施例提供的基于人群密度的聚类算法,此处将认为所述基础人群中的用户数量为n,所预设的聚类半径为e。
首先,从所述基础人群数据中抽取一个未进行聚类处理的用户的位置数据作为位置中心点,找出该位置中心点的聚类半径内的其他用户。
如果该位置中心点的其他用户数量大于预设的数量阈值,则所述位置中心点对应的用户与其聚类半径内的其他用户形成一个同类别的簇,同时确定所述位置中心点的聚类半径内的其他用户数量的密度。
如果该位置中心点的其他用户数量小于预设的数量阈值,则认为该位置中心点不适合作为所述待选址门店选择的地址。
遍历所有未进行聚类处理的用户的位置数据后,确定每个用户对应的聚类半径内的其他用户数量,将其中聚类半径内的其他用户数量最多的用户地址信息,作为所述带选址门店选择的地址信息。
上述基于人群密度的聚类方式中的所述预设的聚类半径为可调节参数,最终的聚类结果由人群分布情况决定。在本申请的一种可选实施方式中,该方案适用于在某个城市中选择门店地址。
步骤S204,根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。
在本申请实施例中,所述步骤S204主要是根据上述步骤S203中的两种不同聚类方式获得的聚类结果,进而根据所述聚类结果,确定为所述待选址门店选择的地址信息。
对于上述第一种对人群进行中心聚类的方式,其聚类结果具体为各个网格中用户密度,则可以选择用户密度最大的网格的网格中心位置信息作为为所述待选址门店选择的地址信息。
对于上述第二种对人群进行密度聚类的方式,其聚类结果为各个用户聚类半径内的其他用户数量,则可以选择聚类半径内其他用户数量的密度排在首位的用户对应的地址信息作为所述为所述待选址门店选择的地址信息。
综上所述,本申请第一实施例提供的所述门店选址方法,基于待选址门店所述品牌的品牌群像以及用户所属的特征标签,召回待选址门店的基础人群数据,确保待选址门店面向的基础人群,进而通过对基础人群数据的聚类处理结果,确定为所述待选址门店选择的地址信息。
本申请第一实施例提供了一种门店选址方法,与之相应的,本申请第二实施例同时提供一种门店选址装置。由于该装置实施例基本相似于上述方法实施例,所以描述的比较简单,相关之处参见上述方法实施例的部分说明即可。下面描述的装置实施例仅仅是示意性的、
请参图3,其为本申请第二实施例提供的门店选址装置结构示意图。
该装置包括:
群像获得单元301,用于获得待选址门店所属品牌的品牌群像;
人群召回单元302,用于根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据;
人群聚类单元303,用于对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果;
地址确定单元304,用于根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。
可选的,所述获得待选址门店所属品牌的品牌群像,包括:
获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签;
确定所述消费者特征标签与预设的品牌特征标签之间的相似度;
将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像。
可选的,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:
获得选址服务器发送的其他已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者特征标签;
或者,
获得所述其他已选址门店的服务器发送的该已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者的特征标签。
可选的,所述根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据,包括:
获得所述用户所属的特征标签;
依次计算所述用户所属的特征标签与所述品牌群像之间的相似度;
根据所述相似度,获得预设数量的所述用户作为所述基础人群数据。
可选的,所述依次计算所述用户所属的特征标签与所述品牌群像之间的相似度,包括:
根据所述用户特征标签,获得用户特征向量;根据所述品牌特征标签,获得品牌特征向量;
计算所述用户特征向量与所述品牌特征之间的余弦相似度,获得所述用户所述的特征标签与所述品牌群像之间的相似度。
可选的,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:
获得基础人群分布区域地图和所述基础人群数据中用户的位置信息;
采用预设大小的网格对所述基础人群分布区域地图进行网格划分,结合所述基础人群数据中用户的位置信息,确定各个网格中用户的密度,将所述各个网格中用户的密度作为所述基础人群数据聚类结果。
可选的,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:
确认用户密度排在首位的网格的密度中心作为为所述待选址门店选择的地址信息。
可选的,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:
根据预设的聚类半径,对分布在不同位置的用户依次进行聚类分析,确定各个用户的聚类半径内的其他用户数量。
可选的,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:
确定各个用户中聚类半径内其他用户数量排在首位的用户地址信息作为为所述待选址门店选择的地址信息。
可选的,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:
获得所述待选址门店的服务类型;
获得与所述服务类型相同,且同属所述品牌的其他已选址门店的消费者特征标签。
与上述第一实施例和第二实施例对应的,本申请第三实施例提供另一种门店选址方法。由于该方法实施例基本相似于上述第一实施例和第二实施例,所以描述的比较简单,相关之处参见上述第一实施例和第二实施例的部分说明即可。下面对本申请第三实施例的描述仅仅是示意性的。
本申请第三实施例提供的门店选址方法应用于为待选址门店提供地址信息的客户端。请参考图4,其为本申请第三实施例提供的门店选址方法流程图。该方法包括步骤S401和步骤S402。
步骤S401,获得服务端发送的为待选址门店选择的地址信息;
步骤S402,展示所述为待选址门店选择的地址信息;
其中,所述为待选址门店选择的地址信息是对基础人群数据进行聚类处理后,基于基础人群数据聚类结果确定的;所述基础人群数据是根据待选址门店所属品牌的品牌群像和用户所述的特征标签召回获得的。
与上述第三实施例对应的,本申请第四实施例提供一种门店选址装置。由于该装置实施例基本相似于上述第三实施例,所以描述的比较简单,相关之处参见上述第三实施例的部分说明即可。下面对本申请第四实施例的描述仅仅是示意性的。
请参考图5,其为本申请第四实施例提供的门店选址装置结构示意图。
该装置包括:
获得单元501,用于获得为待选址门店选择的地址信息;
展示单元502,用于展示所述为待选址门店选择的地址信息;
其中,所述为待选址门店选择的地址信息是对基础人群数据进行聚类处理后,基于基础人群数据聚类结果确定的;所述基础人群数据是根据待选址门店所属品牌的品牌群像和用户所述的特征标签,召回获得的。
本申请第五实施例还提供一种电子设备,该电子设备可以设置程序形式的上述用户选择装置,以执行本发明实施例提供的方法。
可选的,该终端设备的一种可选硬件结构可如图6所示,其为本申请第五实施例提供的电子设备的结构示意图,包括:至少一个处理器601,至少一个通信接口602,至少一个存储器603和至少一个通信总线604;
可选的,通信接口602可以为通信模块的接口,如GSM模块的接口;
处理器601可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器603可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,存储器603存储有程序,处理器601调用存储器603所存储的程序,以执行本发明实施例提供的方法。
本申请第六实施例还提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述程序被执行时实现上述方法实施例中提供的方法。
需要说明的是,本申请第六实施例提供的存储介质的详细描述,可以参考对本申请提供的上述方法实施例的相关描述,这里不再赘述。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为***或电子设备。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (14)
1.一种门店选址方法,其特征在于,包括:
获得待选址门店所属品牌的品牌群像,包括:获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签;确定所述消费者特征标签与预设的品牌特征标签之间的相似度;将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像;所述预设的品牌特征标签包括:代表菜系特征的品牌特征标签,和/或,代表服务内容的品牌特征标签;
根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据,包括:获得所述用户所属的特征标签,所述用户是指服务器能够获得历史消费信息的全部用户,包括在所述品牌的其他已选址门店中有消费记录的消费者和无消费记录的消费者;依次计算所述用户所属的特征标签与所述品牌群像之间的相似度;根据所述相似度对所述用户进行排序,获得排序靠前的预设数量的用户作为所述基础人群数据;
对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果;
根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。
2.根据权利要求1所述的方法,其特征在于,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:
获得选址服务器发送的其他已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者特征标签;
或者,
获得所述其他已选址门店的服务器发送的该已选址门店的消费者历史消费数据;根据所述消费者历史消费数据,获得所述消费者的特征标签。
3.根据权利要求1所述的方法,其特征在于,所述获得待选址门店所属品牌的品牌群像包括:
获得选址客户端发送的所述待选址门店所属的品牌信息;
根据所述待选址门店所属的品牌信息,获得所述待选址门店所属品牌的品牌群像。
4.根据权利要求1所述的方法,其特征在于,所述依次计算所述用户所属的特征标签与所述品牌群像之间的相似度,包括:
根据所述用户特征标签,获得用户特征向量;
根据所述品牌特征标签,获得品牌特征向量;
计算所述用户特征向量与所述品牌特征之间的余弦相似度,获得所述用户所述的特征标签与所述品牌群像之间的相似度。
5.根据权利要求1所述的方法,其特征在于,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:
获得基础人群分布区域地图和所述基础人群数据中用户的位置信息;
采用预设大小的网格对所述基础人群分布区域地图进行网格划分,结合所述基础人群数据中用户的位置信息,确定各个网格中用户的密度,将所述各个网格中用户的密度作为所述基础人群数据聚类结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:
确认用户密度排在首位的网格的密度中心对应的位置信息作为为所述待选址门店选择的地址信息。
7.根据权利要求1所述的方法,其特征在于,所述对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果,包括:
根据预设的聚类半径,对分布在不同位置的用户依次进行聚类分析,确定各个用户的聚类半径内的其他用户数量。
8.根据权利要求7所述的方法,其特征在于,所述根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息,包括:
确定各个用户的聚类半径内其他用户数量排在首位的用户地址信息作为为所述待选址门店选择的地址信息。
9.根据权利要求1所述的方法,其特征在于,所述获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签,包括:
获得所述待选址门店的服务类型;
获得与所述服务类型相同,且同属所述品牌的其他已选址门店的消费者特征标签。
10.一种门店选址装置,其特征在于,包括:
群像获得单元,用于获得待选址门店所属品牌的品牌群像,包括:获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签;确定所述消费者特征标签与预设的品牌特征标签之间的相似度;将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像;所述预设的品牌特征标签包括:代表菜系特征的品牌特征标签,和/或,代表服务内容的品牌特征标签;
人群召回单元,用于根据所述品牌群像和用户所属的特征标签,召回用于为所述待选址门店选址的基础人群数据,包括:获得所述用户所属的特征标签,所述用户是指服务器能够获得历史消费信息的全部用户,包括在所述品牌的其他已选址门店中有消费记录的消费者和无消费记录的消费者;依次计算所述用户所属的特征标签与所述品牌群像之间的相似度;根据所述相似度对所述用户进行排序,获得排序靠前的预设数量的用户作为所述基础人群数据;
人群聚类单元,用于对所述基础人群数据进行聚类处理,获得基础人群数据聚类结果;
地址确定单元,用于根据所述基础人群数据聚类结果,确定为所述待选址门店选择的地址信息。
11.一种门店选址方法,其特征在于,所述方法应用于为待选址门店提供地址信息的客户端,包括:
获得服务端发送的为待选址门店选择的地址信息;
展示所述为待选址门店选择的地址信息;
其中,所述为待选址门店选择的地址信息是对基础人群数据进行聚类处理后,基于基础人群数据聚类结果确定的;所述基础人群数据是根据待选址门店所属品牌的品牌群像和用户所属的特征标签召回获得的;所述基础人群数据是按照下述方式获得的:获得所述用户所属的特征标签,所述用户是指服务器能够获得历史消费信息的全部用户,包括在所述品牌的其他已选址门店中有消费记录的消费者和无消费记录的消费者;依次计算所述用户所属的特征标签与所述品牌群像之间的相似度;根据所述相似度对所述用户进行排序,获得排序靠前的预设数量的用户作为所述基础人群数据;所述品牌群像是按照下述方式获得的:获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签;确定所述消费者特征标签与预设的品牌特征标签之间的相似度;将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像;所述预设的品牌特征标签包括:代表菜系特征的品牌特征标签,和/或,代表服务内容的品牌特征标签。
12.一种门店选址装置,其特征在于,包括:
获得单元,用于获得为待选址门店选择的地址信息;
展示单元,用于展示所述为待选址门店选择的地址信息;
其中,所述为待选址门店选择的地址信息是对基础人群数据进行聚类处理后,基于基础人群数据聚类结果确定的;所述基础人群数据是根据待选址门店所属品牌的品牌群像和用户所属的特征标签召回获得的;所述基础人群数据是按照下述方式获得的:获得所述用户所属的特征标签,所述用户是指服务器能够获得历史消费信息的全部用户,包括在所述品牌的其他已选址门店中有消费记录的消费者和无消费记录的消费者;依次计算所述用户所属的特征标签与所述品牌群像之间的相似度;根据所述相似度对所述用户进行排序,获得排序靠前的预设数量的用户作为所述基础人群数据;所述品牌群像是按照下述方式获得的:获得所述待选址门店所属品牌的其他已选址门店的消费者特征标签;确定所述消费者特征标签与预设的品牌特征标签之间的相似度;将相似度大于预设相似度阈值的品牌特征标签作为预选特征标签,获得由所述预选特征标签组成的品牌群像;所述预设的品牌特征标签包括:代表菜系特征的品牌特征标签,和/或,代表服务内容的品牌特征标签。
13.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储方法的程序,所述程序在被所述处理器读取执行时,执行权利要求1-9、11任意一项所述的方法。
14.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述程序被执行时实现权利要求1-9、11任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111100921.1A CN113706222B (zh) | 2021-09-18 | 2021-09-18 | 一种门店选址的方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111100921.1A CN113706222B (zh) | 2021-09-18 | 2021-09-18 | 一种门店选址的方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706222A CN113706222A (zh) | 2021-11-26 |
CN113706222B true CN113706222B (zh) | 2023-12-22 |
Family
ID=78661274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111100921.1A Active CN113706222B (zh) | 2021-09-18 | 2021-09-18 | 一种门店选址的方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI831113B (zh) * | 2022-01-13 | 2024-02-01 | 東方線上股份有限公司 | 展店選址方法及系統 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377328A (zh) * | 2018-12-19 | 2019-02-22 | 口口相传(北京)网络技术有限公司 | 商家门店地理位置的推荐方法及装置 |
CN111626777A (zh) * | 2020-05-25 | 2020-09-04 | 泰康保险集团股份有限公司 | 选址方法、选址决策***、存储介质及电子设备 |
CN112215658A (zh) * | 2020-10-15 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于大数据的选址方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221366A1 (en) * | 2011-02-25 | 2012-08-30 | Bowman Charles V | Site Selection Data Analysis and System |
-
2021
- 2021-09-18 CN CN202111100921.1A patent/CN113706222B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377328A (zh) * | 2018-12-19 | 2019-02-22 | 口口相传(北京)网络技术有限公司 | 商家门店地理位置的推荐方法及装置 |
CN111626777A (zh) * | 2020-05-25 | 2020-09-04 | 泰康保险集团股份有限公司 | 选址方法、选址决策***、存储介质及电子设备 |
CN112215658A (zh) * | 2020-10-15 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于大数据的选址方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113706222A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238065B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
CN104731917B (zh) | 一种推荐方法及装置 | |
CN107944481B (zh) | 用于生成信息的方法和装置 | |
US11204896B2 (en) | Scalable space-time density data fusion | |
JP7210086B2 (ja) | エリアの分割方法と装置、電子装置およびプログラム | |
US11100073B2 (en) | Method and system for data assignment in a distributed system | |
CN108009205B (zh) | 基于位置的搜索结果缓存方法、搜索方法、客户端及*** | |
US20150371430A1 (en) | Identifying Imagery Views Using Geolocated Text | |
CN111274341A (zh) | 一种网点选址方法和装置 | |
CN104320848B (zh) | 基于云计算实现室内定位的***及方法 | |
CN113706222B (zh) | 一种门店选址的方法、装置 | |
CN103870526A (zh) | 商品信息查询方法、终端和服务器 | |
CN109145225B (zh) | 一种数据处理方法及装置 | |
CN102880716B (zh) | 被识别实体的相关任务的主动交付 | |
CN108076439B (zh) | 用于基于无线接入点推送消息的方法与设备 | |
CN111125557A (zh) | 资源筛选方法、装置、计算机设备及存储介质 | |
CN110969466A (zh) | 一种确定广告投放区域的方法和装置 | |
CN112100511B (zh) | 一种偏好程度数据获得方法、装置以及电子设备 | |
Deng et al. | Gridwave: A grid-based clustering algorithm for market transaction data based on spatial-temporal density-waves and synchronization | |
CN112395486B (zh) | 一种宽带业务推荐方法、***、服务器和存储介质 | |
CN113362090A (zh) | 一种用户行为数据处理方法和装置 | |
CN112507242B (zh) | 一种服务意图识别方法、装置及电子设备 | |
CN115525841A (zh) | 兴趣点信息的获取方法、电子设备及存储介质 | |
CN111915679B (zh) | 一种基于楼层的目标点位确定方法、装置和设备 | |
Priya et al. | Distributed processing of location based spatial query through vantage point transformation |
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 |