CN116523556A - 一种商家需求的预测方法和*** - Google Patents
一种商家需求的预测方法和*** Download PDFInfo
- Publication number
- CN116523556A CN116523556A CN202310599472.2A CN202310599472A CN116523556A CN 116523556 A CN116523556 A CN 116523556A CN 202310599472 A CN202310599472 A CN 202310599472A CN 116523556 A CN116523556 A CN 116523556A
- Authority
- CN
- China
- Prior art keywords
- merchant
- target
- demand
- business
- model
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 28
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 230000004927 fusion Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000013486 operation strategy Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 102100033814 Alanine aminotransferase 2 Human genes 0.000 description 1
- 101710096000 Alanine aminotransferase 2 Proteins 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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]
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
本说明书提供的商家需求的预测方法和***,支付平台的计算设备可以基于目标商家的店铺经营数据集,通过预先训练完成的商家需求预测模型自动预测出目标商家的目标需求,所述目标需求包括针对所述支付平台的经营需求,与人工分析商家需求相比,本说明书对商家需求的预测更精准,而且预测时效高、需求预测的产量高,同时减轻了人工压力。
Description
技术领域
本说明书涉及数据处理领域,尤其涉及一种商家需求的预测方法和***。
背景技术
商家作为支付平台的重要客户,它是支付基本盘的重要组成部分,因此商家的需求对于支付平台而言非常重要。以线下商家为例,它作为支付平台的重要资产,也是线下销售人员的服务对象,那么如何有效识别或者预测出线下商家的需求,才能助力线下销售人员和运营人员定位到商家的经营问题,以及有目标的制定出符合商家需求的运营服务及解决方案是一个重要的问题。同时看行业动态,其中数字化了解客户需求排在专业销售人员使用诉求的第一位。
因此,需要一种能够有效预测商家需求的方法。背景技术部分的内容仅仅是发明人个人所知晓的信息,并不代表上述信息在本公开申请日之前已经进入公共领域,也不代表其可以成为本公开的现有技术。
发明内容
本说明书提供的商家需求的预测方法和***,可以精准预测商家的需求。
第一方面,本说明书提供一种商家需求的预测方法,用于支付平台的计算设备,包括:确定目标商家的店铺经营数据集,所述店铺经营数据集包括表征店铺经营状态的数据;以及基于所述店铺经营数据集,通过预先训练完成的商家需求预测模型输出为所述目标商家预测的目标需求,所述目标需求包括针对所述支付平台的经营需求。
在一些实施例中,所述基于所述店铺经营数据集,通过预先训练完成的商家需求预测模型输出为所述目标商家预测的目标需求,包括:基于所述店铺经营数据集确定所述目标商家的特征集合;以及将所述特征集合输入商家需求分析模型中,输出所述目标需求,所述商家需求预测模型包括所述商家需求分析模型。
在一些实施例中,所述特征集合至少包括所述目标商家的目标画像、目标经营特征、目标层级特征、需求反馈特征中的一种。
在一些实施例中,所述店铺经营数据集包括店铺属性数据和商品经营数据,所述目标画像是通过将所述店铺属性数据和所述商品经营数据输入商家画像模型中得到的,所述商家需求预测模型包括所述商家画像模型。
在一些实施例中,所述店铺属性数据至少包括所述目标商家的商家标识、店铺位置以及店铺面积中的一种。
在一些实施例中,所述商品经营数据至少包括所述目标商家的经营行业、商品名称以及商品分类中的至少一种。
在一些实施例中,所述店铺经营数据集还包括需求反馈数据,所述需求反馈数据是所述目标商家针对所述支付平台对自身需求的反馈内容
在一些实施例中,所述店铺经营数据集包括在预设时段内所述目标商家产生多笔交易订单的订单数据,所述目标经营特征是通过将所述订单数据分别输入商家交易模型和消费偏好模型中得到的,所述商家需求预测模型包括所述商家交易模型和所述消费偏好模型。
在一些实施例中,所述目标经营特征包括商家交易特征和/或消费偏好特征,所述商家交易特征包括在所述预设时段内的商品交易总额、和/或所述预设时段内的订单总量,所述消费偏好特征包括在所述预设时段内的如下至少一种:消费高峰时段、每笔订单的平均消费金额以及畅销商品。
在一些实施例中,所述目标层级特征是通过将所述目标画像和所述目标经营特征输入商家分层模型中得到的,所述目标层级特征表征所述目标商家使用所述支付平台的活跃程度,所述商家需求预测模型包括所述商家分层模型。
在一些实施例中,所述基于所述店铺经营数据集,通过预先训练完成的商家需求预测模型输出为所述目标商家预测的目标需求,还包括:基于所述营销策略模型输出与所述目标需求匹配的推荐经营信息,所述商家需求预测模型包括所述营销策略模型。
在一些实施例中,所述推荐经营信息至少包括权益经营信息和设备铺设经营信息中的一种,其中,所述权益经营信息包括通过所述支付平台完成订单所能获取的权益值、权益类型和权益分发方式,所述设备铺设经营信息包括推荐铺设所述支付平台的设备。
在一些实施例中,所述推荐经营信息是通过将所述目标需求输入所述营销策略模型中得到的。
在一些实施例中,所述推荐经营信息是通过将所述目标画像、所述目标经营特征和所述目标层级特征中的至少一种以及所述目标需求输入所述营销策略模型中得到的。
在一些实施例中,所述确定目标商家的店铺经营数据集,包括:对多模态数据进行识别,得到所述店铺经营数据集,所述多模态数据至少包括视频、图像、音频、文本以及地理位置中的两种。
第二方面,本说明书还提供一种商家需求的预测***,包括:至少一个存储介质,存储有至少一组指令集用于实现商家需求的预测;以及至少一个处理器,同所述至少一个存储介质通信连接,其中当所述商家需求的预测***运行时,所述至少一个处理器读取所述至少一个指令集并实施第一方面所述的商家需求的预测方法。
由以上技术方案可知,本说明书提供的商家需求的预测方法和***,支付平台的计算设备可以基于目标商家的店铺经营数据集,通过预先训练完成的商家需求预测模型自动预测出目标商家的目标需求,所述目标需求包括针对所述支付平台的经营需求,与人工分析商家需求相比,本说明书对商家需求的预测更精准,而且预测时效高、需求预测的产量高,同时减轻了人工压力。同时,所述商家需求预测模型还能为目标需求匹配对应的推荐经营信息,助力运营人员制定更高效科学的经营策略。同时,所述计算设备可以通过对目标商家的视频、图像、音频、文本等多模态数据进行识别来预测目标需求,克服了人为收集的数据的质量低、真实性差的问题。同时,支付平台的计算设备可以基于目标商家的实时订单数据实时更新所述商家需求预测模型,以实时调整所预测的目标需求,保证了需求预测的准确性。
本说明书提供的商家需求的预测方法和***的其他功能将在以下说明中部分列出。根据描述,以下数字和示例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的商家需求的预测方法和***的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。
附图说明
为了更清楚地说明本说明书实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本说明书的一些实施例提供的一种商家需求的预测***的应用场景示意图;
图2示出了根据本说明书的一些实施例提供的一种计算设备的硬件结构图;
图3示出了根据本说明书的一些实施例提供的一种商家需求的预测方法的流程图;
图4示出了根据本说明书的一些实施例提供的一种多模态数据收集和识别的示意图;
图5示出了根据本说明书的一些实施例提供的一种商家需求的预测方法的流程图;以及
图6示出了根据本说明书的一些实施例提供的一种商家需求预测模型输出目标需求的示意图。
具体实施方式
以下描述提供了本说明书的特定应用场景和要求,目的是使本领域技术人员能够制造和使用本说明书中的内容。对于本领域技术人员来说,对所公开的实施例的各种局部修改是显而易见的,并且在不脱离本说明书的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用。因此,本说明书不限于所示的实施例,而是与权利要求一致的最宽范围。
这里使用的术语仅用于描述特定示例实施例的目的,而不是限制性的。比如,除非上下文另有明确说明,这里所使用的,单数形式“一”,“一个”和“该”也可以包括复数形式。当在本说明书中使用时,术语“包括”、“包含”和/或“含有”意思是指所关联的整数,步骤、操作、元素和/或组件存在,但不排除一个或多个其他特征、整数、步骤、操作、元素、组件和/或组的存在或在该***/方法中可以添加其他特征、整数、步骤、操作、元素、组件和/或组。
考虑到以下描述,本说明书的这些特征和其他特征、以及结构的相关元件的操作和功能、以及部件的组合和制造的经济性可以得到明显提高。参考附图,所有这些形成本说明书的一部分。然而,应该清楚地理解,附图仅用于说明和描述的目的,并不旨在限制本说明书的范围。还应理解,附图未按比例绘制。
本说明书中使用的流程图示出了根据本说明书中的一些实施例的***实现的操作。应该清楚地理解,流程图的操作可以不按顺序实现。相反,操作可以以反转顺序或同时实现。此外,可以向流程图添加一个或多个其他操作。可以从流程图中移除一个或多个操作。
在对本说明书具体实施例说明之前,先对本说明书的应用场景进行如下介绍:
本说明书提供的方法可以预测线上商家的需求,也可以预测线下商家的需求。以线下商家为例,为了巩固与客户的合作关系,支付平台(如支付宝)的销售人员需要经常拜访线下商家。在拜访中,所述销售人员可以查看商家的经营情况、询问商家在使用支付平台的产品或者服务过程中所遇到的问题和困难、了解商家反馈的经营诉求等,同时,所述销售人员可以用移动工作台收集并记录这些数据。所述支付平台的计算设备可以从所述移动工作台中获取这些数据,通过预先训练的商家需求预测模型对这些数据进行分析处理,从而预测出商家的真实需求。所述支付平台的运营人员可以针对该真实需求制定相应的运营策略,并落地实施该运营策略以服务商家,从而满足商家的真实需求。在这个过程中,精准预测商家的真实需求是非常重要的一个环节。要想精准地预测商家需求,需要全方位考虑商家的多种因素,一个商家的数据体量是庞大的,庞大的数据与其真正的需求之间必然存在某种规律,本说明书的商家需求预测模型就能够挖掘出这种规律,并给出最终真正的商家需求。
为了方便描述,本说明书对上下文描述中出现的术语进行解释:
客户:同支付平台完成服务合作签约的商户。
潜在客户:尚未同支付平台进行服务合作签约的商家,它是支付平台的意向客户。
BD(Business Development,商务拓展):销售代表,在本文中主要是指线下销售人员,职责是通过线下触达商家,为商家提供如收单和运营等服务,进而带动商家效益增长。
中台运营人员/运营人员:指负责某一产品运营,制定运营策略的人员。
拓展:指支付平台的工作人员对潜在客户进行商务意向合作上的上门拜访、合同签约等过程。
多模态数据:指不同类型的数据,通过将多模态数据结合在一起,能够增强深度学习模型能力,提升准确性。本说明书的多模态数据包括视频、图像、音频、文本以及地理位置中的至少两种。
LBS:基于位置的服务(Location Based Services,LBS),是利用各类型的定位技术来获取定位设备当前的所在位置,本说明书中主要指商家的地理位置。
图文识别平台:提供精准的图像内容识别服务的平台。
语义识别平台:自然语言处理(Natural Language Processing,NLP)的平台。
算法平台:可以进行机器学***台。
移动工作台:BD在拜访商家过程中可以通过移动工作台记录拜访内容,其上可安装拜访服务APP。
图1示出了根据本说明书的一些实施例提供的一种商家需求的预测***001的应用场景示意图。如图1所示,所述应用场景可以包括***001、销售人员110、目标商家120以及网络400。所述***001可以包括移动工作台200、终端300以及服务器500。
支付平台的销售人员110可以携带移动工作台200拜访目标商家120。所述支付平台可以是目标商家120与目标商家120的消费者之间进行线上交易的支付桥梁。所述消费者在目标商家120对一笔订单支付时,所述支付平台的计算设备可以获取到目标商家120的收款账户和所述消费者的付款账户,将所述订单对应的钱款从所述付款账户划转至所述收款账户中,从而完成目标商家120与所述消费者针对所述订单的交易。为了加强与客户的合作,所述支付平台可以为目标商家120提供商业服务,如支付服务。具体地,目标商家120可以使用支付平台提供的收银设备(如刷脸支付设备)对每笔订单进行结算,也可以铺设支付平台的支付二维码供所述消费者扫码支付等。需要说明的是,本说明书获取到的商家数据经过目标商家120授权,不涉及商家隐私。
目标商家120可以是所述支付平台的客户或者潜在客户。目标商家120可以是任意行业的商家,比如在餐饮行业,目标商家120可以是无门店的街边小摊、有门店的餐馆、酒楼等;在零售行业,目标商家120可以是零售店、小超市、大超市等。
移动工作台200、终端300以及服务器500都属于所述支付平台的设备。在一些实施例中,所述***001可以包括移动工作台200和服务器500。此时,所述支付平台的计算设备可以是移动工作台200或服务器500。当所述支付平台的计算设备是移动工作台200时,移动工作台200既能记录拜访目标商家120时的拜访内容,又能预测所述目标需求。其中,所述拜访内容可以是多模态数据,比如视频、图像、音频、文本以及地理位置,等等。在这种情况下,所述商家需求的预测方法可以在移动工作台200上执行。此时,移动工作台200可以存储有执行本说明书描述的商家需求的预测方法的数据或指令,并可以执行或用于执行所述数据或指令。在一些实施例中,移动工作台200可以包括具有数据信息处理功能的硬件设备和驱动该硬件设备工作所需必要的程序。此时的服务器500用于为移动工作台200提供后台服务,例如对移动工作台200上显示的页面提供支持的后台服务器。当所述支付平台的计算设备是服务器500时,移动工作台200可以记录所述拜访内容,并将所述拜访内容发送给服务器500,服务器500可以预测所述目标需求,并可以将所述目标需求发送到移动工作台200上进行显示。在这种情况下,所述商家需求的预测方法可以在服务器500上执行。此时,服务器500可以存储有执行本说明书描述的商家需求的预测方法的数据或指令,并可以执行或用于执行所述数据或指令。在一些实施例中,服务器500可以包括具有数据信息处理功能的硬件设备和驱动该硬件设备工作所需必要的程序。
其中,移动工作台200可以包括图像采集设备。在征得目标商家120同意的情况下,销售人员110可以使用所述图像采集设备采集目标商家120的视频或者图像,比如,采集店铺环境、店铺门面、商品陈列情况以及销售人员110与目标商家120的工作人员(如负责人)交谈情形时的视频或者图像。移动工作台200也可以录音,比如,在销售人员110与目标商家120的负责人进行交谈时进行录音,得到音频。移动工作台200也可以具备文本记录的功能,销售人员110可以使用移动工作台200以文字的形式记录所述负责人反馈的内容。当然,所述负责人也可以使用移动工作台200以文字的形式输入自己想表达的内容。移动工作台200还可以具有定位的功能,可以定位移动工作台200所在的位置。当移动工作台200处于目标商家120处时,可以定位并记录目标商家120的地理位置。
在一些实施例中,所述***001可以包括移动工作台200、终端300以及服务器500,此时,所述支付平台的计算设备可以是终端300。移动工作台200可以记录所述拜访内容,并将所述拜访内容发送给终端300,终端300可以预测所述目标需求并显示。服务器500用于为终端300提供后台服务,例如对终端300上的目标APP显示的页面提供支持的后台服务器。在这种情况下,所述商家需求的预测方法可以在终端300上执行。此时,终端300可以存储有执行本说明书描述的商家需求的预测方法的数据或指令,并可以执行或用于执行所述数据或指令。在一些实施例中,终端300可以包括具有数据信息处理功能的硬件设备和驱动该硬件设备工作所需必要的程序。如图1所示,终端300可以与服务器500进行通信连接。在一些实施例中,服务器500可以与多个终端300进行通信连接。在一些实施例中,终端300可以通过网络400与服务器500交互,以接收或发送消息等。
在一些实施例中,移动工作台200和/或终端300可以是移动设备、平板电脑、笔记本电脑、机动车辆的内置设备或类似内容、售货机、售货柜,或其任意组合。在一些实施例中,所述移动设备可包括智能家居设备、智能移动设备、虚拟现实设备、增强现实设备或类似设备,或其任意组合。在一些实施例中,所述智能家居装置可包括智能电视、台式电脑等,或任意组合。在一些实施例中,所述智能移动设备可包括智能手机、个人数字辅助、游戏设备、导航设备等,或其任意组合。在一些实施例中,所述虚拟现实设备或增强现实设备可能包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁或类似内容,或其中的任何组合。例如,所述虚拟现实设备或所述增强现实设备可能包括谷歌眼镜、头戴式显示器、VR等。在一些实施例中,所述机动车中的内置装置可包括车载计算机、车载电视等。在一些实施例中,移动工作台200和/或终端300可以具有如下一种或多种功能:NFC(Near Field Communication,近场通信)、WIFI(Wireless Fidelity,无线保真)、3G/4G/5G、POS(Point Of Sale,销售终端)机刷卡功能、二维码扫码功能、条形码扫码功能、蓝牙、红外、SMS(Short Message Service)、MMS(Multimedia Message Service,多媒体消息)。
在一些实施例中,移动工作台200和/或终端300可以安装有一个或多个应用程序(APP),所述APP能够为销售人员110提供通过网络400同外界交互的能力以及界面。所述APP包括但不限于:网页浏览器类APP程序、搜索类APP程序、聊天类APP程序、购物类APP程序、视频类APP程序、理财类APP程序、即时通信工具、邮箱客户端、社交平台软件等等。在一些实施例中,移动工作台200上可以安装有拜访服务APP。销售人员110可以通过所述拜访服务APP获取目标商家120的视频、图像、音频、文字、地理位置等多模态数据。在一些实施例中,所述拜访服务APP还能对多模态数据进行识别。在一些实施例中,终端300上可以安装有目标APP。支付平台的工作人员可以通过所述目标APP触发商家需求预测请求。所述目标APP可以响应于所述商家需求预测请求,执行所述商家需求的预测方法。
服务器500可以是提供各种服务的服务器。服务器500可以通过网络400与终端300或者移动工作台200之间交互。服务器500可以与多个终端300或者多个移动工作台200通信连接,并接收终端300或者移动工作台200发送的数据。
以服务器500与终端300交互为例,网络400用以在终端300和服务器500之间提供通信连接的介质。网络400可以促进信息或数据的交换。如图1所示,终端300和服务器500可以同网络400连接,并且通过网络400互相传输信息或数据。在一些实施例中,网络400可以是任何类型的有线或无线网络,也可以是其组合。比如,网络400可以包括电缆网络,有线网络、光纤网络、电信通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、大都市市区网(MAN)、广域网(WAN)、公用电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络或类似网络。在一些实施例中,网络400可以包括一个或多个网络接入点。例如,网络400可以包括有线或无线网络接入点,如基站或互联网交换点,通过该接入点,终端300和服务器500的一个或多个组件可以连接到网络400以交换数据或信息。
应该理解,图1中的移动工作台200、终端300、服务器500和网络400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移动工作台200、终端300、服务器500和网络400。
需要说明的是,所述商家需求的预测方法可以完全在移动工作台200上执行,可以完全在终端300上执行,也可以完全在服务器500上执行。
图2示出了根据本说明书的一些实施例提供的一种计算设备600的硬件结构图。计算设备600可以执行本说明书描述的商家需求的预测方法。所述商家需求的预测方法在本说明书中的其他部分介绍。
如图2所示,计算设备600可以包括至少一个存储介质630和至少一个处理器620。在一些实施例中,计算设备600还可以包括通信端口650和内部通信总线610。同时,计算设备600还可以包括I/O组件660。
内部通信总线610可以连接不同的***组件,包括存储介质630、处理器620和通信端口650。
I/O组件660支持计算设备600和其他组件之间的输入/输出。
通信端口650用于计算设备600同外界的数据通信,比如,通信端口650可以用于计算设备600同网络400之间的数据通信。通信端口650可以是有线通信端口也可以是无线通信端口。
存储介质630可以包括数据存储装置。所述数据存储装置可以是非暂时性存储介质,也可以是暂时性存储介质。比如,所述数据存储装置可以包括磁盘632、只读存储介质(ROM)634或随机存取存储介质(RAM)636中的一种或多种。存储介质630可以存储有至少一组指令集用于实现商家需求的预测。所述指令是计算机程序代码,所述计算机程序代码可以包括执行本说明书提供的商家需求的预测的方法的程序、例程、对象、组件、数据结构、过程、模块等等。所述存储介质630还可以存储有商家需求预测模型用于实现商家需求的预测方法。此时,所述模型可以是存储在所述存储介质630中的一个或者多个执行对应指令的指令集,并且由计算设备600中的处理器620来执行。当然,所述模型也可以是计算设备600中的一部分电路、硬件设备或者模组。比如商家需求预测模型可以是计算设备600中实现商家需求预测的硬件设备/模组。此时,处理器620中可以存储有至少一组指令集用于控制所述模型的一个或者指令集。
至少一个处理器620可以同至少一个存储介质630以及通信端口650通过内部通信总线610通信连接。至少一个处理器620用以执行上述至少一个指令集。当计算设备600运行时,至少一个处理器620可以读取所述至少一个指令集,并且根据所述至少一个指令集的指示,执行本说明书提供的商家需求的预测方法。处理器620可以执行商家需求的预测方法包含的所有步骤。处理器620可以是一个或多个处理器的形式,在一些实施例中,处理器620可以包括一个或多个硬件处理器,例如微控制器,微处理器,精简指令集计算机(RISC),专用集成电路(ASIC),特定于应用的指令集处理器(ASIP),中心处理单元(CPU),图形处理单元(GPU),物理处理单元(PPU),微控制器单元,数字信号处理器(DSP),现场可编程门阵列(FPGA),高级RISC机器(ARM),可编程逻辑器件(PLD),能够执行一个或多个功能的任何电路或处理器等,或其任何组合。仅仅为了说明问题,在本说明书中计算设备600中仅描述了一个处理器620。然而,应当注意,本说明书中计算设备600还可以包括多个处理器,因此,本说明书中披露的操作和/或方法步骤可以如本说明书所述的由一个处理器执行,也可以由多个处理器联合执行。例如,如果在本说明书中计算设备600的处理器620执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同处理器620联合或分开执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一和第二处理器共同执行步骤A和B)。
图3示出了根据本说明书的一些实施例提供的一种商家需求的预测方法P100的流程图。如前所述,计算设备600可以执行本说明书所述的商家需求的预测方法P100。具体地,处理器620可以读取存储在其本地存储介质中的指令集,然后根据所述指令集的规定,执行本说明书所述的商家需求的预测方法P100。如图3所示,所述方法P100可以包括:
S120:确定目标商家120的店铺经营数据集。
所述店铺经营数据集包括表征店铺经营状态的数据。销售人员110在拜访目标商家120时,在征得目标商家120同意的情况下,可以使用移动工作台200记录拜访内容。移动工作台200可以采集到目标商家120的多模态数据,所述多模态数据可以包括视频、图像、音频、文本以及地理位置中的至少两种。比如,销售人员110可以使用移动工作台200拍摄目标商家120的视频和/或图像,比如拍摄店铺内部和店铺外部门面的视频和/或图像。销售人员110也可以与目标商家120的工作人员(如负责人)进行交谈,比如询问目标商家120在经营店铺中遇到的问题、在使用支付平台提供的产品和/或服务中遇到的问题、目前对支付平台的产品和/或服务有哪些诉求,等等。移动工作台200可以对交谈内容进行录音得到音频。销售人员110也可以在移动工作台中输入文字来记录交谈内容。移动工作台200还可以定位并获取目标商家120的地理位置。图4示出了根据本说明书的一些实施例提供的一种多模态数据收集和识别的示意图。如图4所示,支付平台的BD人员使用移动工作台200户时获取了文字诉求、拜访音频、经营视频、经营拍照以及地理位置这5种模态的数据。
本说明书应用多种数字化手段收集拜访内容,通过多模态数据提升了数据收集质量,同时收集维度更加多元,使目标需求的预测能够利用的信息更丰富,从而提升目标需求预测的准确性。而且,不同的销售人员能力参差不齐,拜访内容的收集质量一定程度依赖销售人员的专业能力,如果通过单模态的文字收集拜访内容,会存在销售人员反馈的拜访内容的质量不高、依赖个人专业能力、真实性存疑的问题。而本说明书通过收集视频、图像和/或音频,数据更客观,提高了拜访内容的真实性,且丰富的多模态数据相比单模态的数据质量要高。
在一些实施例中,移动工作台200可以将所述多模态数据上传到计算设备600进行识别。比如,计算设备600可以通过图文识别平台对视频和/或图像进行图文识别,还可以对所述地理位置进行验证识别,得到店铺属性数据和商品经营数据。所述店铺经营数据集包括所述店铺属性数据和所述商品经营数据。其中,计算设备600可以通过图文识别平台上的CNN、GAN、HOG等算法进行图文识别。在一些实施例中,移动工作台200也可以自己识别多模态数据,并将识别结果发送给计算设备600。为了便于描述,以下以计算设备600识别为例进行介绍。
所述店铺属性数据可以包括目标商家120的商家标识、店铺位置以及店铺面积中的一种,还可以包括店主姓名(如负责人的姓名)、员工人数等其他店铺信息。其中,所述商家标识可以是店铺名称,也可以是店铺名称和其他信息的结合,比如是店铺名称和店铺位置的结合,从而避免因店铺名称重名造成信息对准错误导致目标需求预测不准确的问题。所述商家标识也可以是计算设备600为目标商家110编码的商家ID,比如1号商家、2号商家、3号商家,等等。
其中,所述店铺位置可以是经过对所述地理位置的验证识别得到,所述店铺位置和所述地理位置可以相同,也可以不同。移动工作台200定位的地理位置与目标商家110实际的店铺位置之间可能存下偏差,比如,定位到了目标商家110的隔壁店铺的地理位置。移动工作台200定位的地理位置也可能不够精准,比如,定位到了目标商家110所属的省、市、区等。因此,计算设备600可以对所述地理位置进行验证识别,比如可以结合商家标识核实所述地理位置是否精准,或者人工核实。当然,计算设备600也可以不对所述地理位置验证识别,而是直接将所述地理位置作为所述店铺位置,本说明书实施例对此不作限定。所述店铺面积可以是目标商家110的店铺空间的大小,也可以是店铺地面的平面面积,所述店铺面积可以表征目标商家110的规模。为了吸引消费者,有些商家的店铺门头照比较新颖独特,因此为了保留目标商家110一定的差异性,当移动工作台200拍摄到目标商家110店铺的门头照时,计算设备600也可以不对其进行图文识别,而是直接保留门头照的图像,并将其确定为店铺属性数据。
所述商品经营数据可以包括目标商家120的经营行业、商品名称以及商品分类中的至少一种,还可以包括商品价格、商品摆放位置,等等。其中,所述经营行业比如为餐饮行业、零售行业、服装行业、美容行业,等等。所述经营行业可以是计算设备600根据店铺名称、商品名称和/或商品分类确定的。对于相同名称的商品,计算设备600可以只保留一个商品名称,以去除冗余。所述商品分类可以是商品在目标商家120中的分类,比如,在小卖部,商品分类可以包括饮料类、零食类、调料类、速食类、生活用品类,等等。所述商品分类可以是计算设备600根据商品名称和/或商品分类参考表确定,所述商品分类参考表可以是在目标商家120所属的经营行业中公认的分类表格。
计算设备600也可以将音频转换成文字,将音频转换的文字和记录的诉求文字都作为识别文本,并通过语义识别平台进行语义识别和理解,从而得到需求反馈数据。在语义识别和理解时,计算设备600可以通过语义识别平台提取文字中的关键词和句子依赖关系,从而得到所述需求反馈数据。其中,所述语义识别和理解的算法可以是深度LSTM、RNN、多头注意力机制中的一个或多个。在语义识别和理解之前,计算设备600可以先对音频转换后的文字和/或记录的诉求文字执行去除冗余操作,以尽可能避免重复的文字,从而降低需求预测的负担。
其中,所述需求反馈数据可以是目标商家110针对自身需求的反馈内容,比如参加支付平台的营销活动的参与需求、对支付平台的产品和/服务的改进需求,等等。比如,所述识别文本为“前段时间的双十一活动效果很好,提升了我们店的交易GMV。我们要参加接下来的双十二营销活动”,计算设备600提取到的关键词包括“双十一”、“活动效果”、“很好”、“提升”、“交易GMV”、“参加”、“双十二”以及“营销活动”,提取到的句子间依赖关系为“双十一”和“双十二”之间的关系,得到的需求反馈数据可以是“想要参加双十二营销活动为了提升交易GMV”。再比如,目标商家120是街边小摊,所述识别文本为“我现在经常晚上出摊,光线不太好,顾客扫二维码的时间太长,影响生意,我想要顾客付款速度快一些。”,所述需求反馈数据可以是“想要解决晚上光线差带来的扫码问题”。
如图4所示,多模态数据包括反馈文本内容、反馈视频内容、反馈音频内容、反馈图像内容,计算设备600对这些多模态数据应用图文视觉平台、NLP平台、音频转文本的操作进行处理,得到需求反馈内容、商家标识、店铺位置、店铺面积、经营行业、商品名称、商品分类、门头照以及负责人。
需要说明的是,所述图文识别平台、所述语义识别平台可以是计算设备600上的软件,也可以是单独的硬件设备,如果是单独的硬件设备,计算设备600可以将视频和/或图像发送给图文识别平台的硬件设备进行图文识别,将识别文字发送给语义识别平台的硬件设备进行语义识别和理解。
在征得目标商家120的同意下,计算设备600可以实时获取到目标商家120的订单数据。比如,目标商家120使用支付平台的收银设备进行收银,支付平台的计算设备600可以实时获取到目标商家120的订单数据。这样,所述店铺经营数据集可以包括在预设时段内目标商家120产生多笔交易订单的订单数据。所述预设时段可以是一天、一周、一个月、一年,等等。所述订单数据比如包括每笔订单的消费金额、消费的商品和/或消费时间,等等。
计算设备600可以将识别得到的店铺经营数据集中的数据进行存储,比如可以将店铺属性数据和商品经营数据存储到商家档案库中,将需求反馈数据存储到商家反馈需求库中,将订单数据存储到商家交易数据库中。为了有效管理商家数据,在存储之前,计算设备600可以基于目标商家120的商家标识(如商家ID)将要存储的数据通过join语法连接起来。比如,如图4所示,计算设备600经过对多模态数据的识别和存储得到商家档案库和商家反馈需求库,且在存储之前对需要存储的多维数据进行了join操作。
如果将采集得到的多模态数据直接进行存储,人为分析多模态数据,则由于拜访内容多、杂、且都是非结构化数据,会导致人为无法有效分析和识别;而且,线下近上万的销售人员,反馈的拜访内容的体量非常庞大,人为分析和识别不具备可持续性。而本说明书的计算设备600可以利用算法对多模态数据进行自动识别,避免了人为分析和识别的效率差和无法持续的问题。而且,本说明书还能沉淀出有价值的数据库,如商家档案库、商家反馈需求库中以及商家交易数据库,有利于后续的事业发展。
S140:基于所述店铺经营数据集,通过预先训练完成的商家需求预测模型输出为所述目标商家120预测的目标需求。
在一些实施例中,所述目标需求可以是针对支付平台的经营需求。比如,需要参加支付平台有关的某个营销活动,如节假日促销活动、双11活动、双12活动,等等。比如,需要增加支付平台的支付手段,如增设支付平台开发的收银设备、增加使用支付平台收银的服务(即消费者可以使用支付平台APP在目标商家120进行支付),等等。比如,需要更换/增加支付平台的支付产品,所述支付产品比如为实体二维码(消费者可以使用支付平台APP扫描该二维码进行支付)、扫码设备(目标商家120可以使用扫码设备扫描消费者出示的支付平台的电子二维码)、自助结算IOT设备(消费者可以在该设备上自助结算商品)。再比如,需要改进支付平台的支付产品,如修理经常卡顿的收银设备。在一些实施例中,所述目标需求可以不是针对支付平台的经营需求。比如,目标商家120的某款商品大量滞销,其目标需求是需要售卖滞销产品。再比如,目标商家120需要提升日平均GMV(Gross MerchandiseVolume,成交总额)。
在一些实施例中,所述商家需求预测模型可以是单个模型。计算设备600可以将店铺经营数据集输入所述商家需求预测模型中,输出目标需求,而无需确定所述特征集合。比如,计算设备600可以将店铺经营数据集中的所有数据输入所述商家需求预测模型中,输出目标需求。这样,通过省略确定特征集合的步骤而提高需求预测的效率。再比如,计算设备600可以将店铺经营数据集中的需求反馈数据输入所述商家需求预测模型中,输出目标需求。这样,所述商家需求预测模型可以基于目标商家120口述的需求得到目标需求,由于目标商家120口述的需求的真实性较高,因此,所述目标需求的准确性也较高,同时,基于需求反馈数据预测目标需求的速度较快且效率较高。
在一些实施例中,所述商家需求预测模型可以是由多个子模型融合而来的融合模型。所述多个子模型比如可以是商家画像模型、商家交易模型、商家分层模型、消费偏好模型、商家需求分析模型、营销策略模型,等等。所述商家需求预测模型可以由商家需求分析模型和其余子模型中的任意一个或多个融合得到。比如,所述商家需求预测模型可以是通过对商家需求分析模型、商家画像模型、消费偏好模型融合得到,可以是通过对商家需求分析模型、商家交易模型、商家分层模型融合得到,可以是通过对商家需求分析模型、商家画像模型、商家交易模型、消费偏好模型融合得到,可以是通过对商家需求分析模型、商家画像模型、商家交易模型、营销策略模型融合得到,还可以是通过对商家需求分析模型、商家画像模型、商家交易模型、商家分层模型融合、消费偏好模型以及营销策略模型这6个子模型全部融合得到。其中,所述商家画像模型、所述商家交易模型、消费偏好模型、商家分层模型、营销策略模型中每个子模型的网络结构可以是LSTM、CNN、GPT中的一种或多种的结合。所述商家需求预测模型的网络结构可以是GPT-2或者GPT-3。
其中,所述融合可以是融合训练,即,计算设备600可以将所述多个子模型进行融合训练从而得到训练完成的商家需求预测模型。所述融合训练可以是堆叠融合训练,即,将训练完成的一个或多个子模型的输出作为训练数据用于训练另一个子模型。比如,先训练好商家画像模型和商家交易模型,然后将训练好的商家画像模型和训练好的商家交易模型的输出作为训练数据来训练商家分层模型。通过所述堆叠融合训练可以将多个子模型的功能优势进行整合,经过所述融合训练得到的商家需求预测模型具备参与融合训练的子模型的所有功能。比如,经过上述6个子模型融合后,商家需求预测模型具备确定出目标商家120的目标画像、商家交易特征、消费偏好特征、目标层级特征、推荐经营信息以及目标需求的功能。需要说明的是,本说明书涉及到的训练过程的执行主体与执行所述商家需求的预测方法的执行主体可以相同或不同,本说明书以两个执行主体相同,都是计算设备600为例进行介绍。
以下以商家需求预测模型是由上述6个子模型融合得到的为例介绍输出目标需求的方法,图5示出了根据本说明书的一些实施例提供的一种商家需求的预测方法S140的流程图,如图5所示,所述方法是S140可以包括:
S142:基于所述店铺经营数据集确定所述目标商家120的特征集合。
图6示出了根据本说明书的一些实施例提供的一种商家需求预测模型输出目标需求的示意图。如图6所示,计算设备600可以将所述店铺属性数据和所述商品经营数据输入预先训练完成的商家画像模型中,输出目标商家120的目标画像,所述目标画像可以理解成众多店铺属性数据和商品经营数据的标签。所述特征集合可以包括所述目标画像。由于所述店铺属性数据和所述商品经营数据是识别的多模态数据中的内容,多且杂,相互之间没有联系,不能很好地刻画目标商家120的特征,因此通过所述商家画像模型可以对所述店铺属性数据和所述商品经营数据进行分类、合并、提取有价值的词语,从而得到高度精炼的标签。比如,图4中的负责人对于预测目标需求可能没有价值,因此,经过商家画像模型可以将其滤除。再比如,商品名称的数量可能非常多,经过商家画像模型可以提炼出有代表性的商品名称。这样,计算设备600就能利用精炼的商家标签预测目标需求,提高需求预测的效率。其中,所述商家画像模型在训练时的训练数据可以包括多个训练样本商家的店铺属性样本数据和商品经营样本数据。
需要说明的是,计算设备600可以通过特征平台对所述店铺属性数据和所述商品经营数据进行特征提取,得到相应的特征向量,并将特征向量存储到商家特征库中,进而将所述商家特征库输入所述商家画像模型中确定所述目标画像。如此,通过所述商家特征库中的特征向量预测目标需求,能够提高需求预测的效率。其中,所述特征平台可以是计算设备600上的软件算法,也可以是用于特征提取的硬件设备。当所述特征平台是硬件设备时,计算设备600可以与所述特征平台之间交互。
如图6所示,计算设备600可以将目标商家120的所述订单数据输入到预先训练完成的商家交易模型中,输出目标商家120的商家交易特征。所述特征集合可以包括所述商家交易特征。所述商家交易特征可以包括所述预设时段内的商品交易总额和/或所述预设时段内的订单总量。比如,所述商家交易模型根据目标商家120一周内产生的订单数据输出一周的商品交易总额为两万元、一周的订单总量为500单。所述商家交易特征还可以包括所述预设时段内的其他交易特征,比如,工作日的商品交易总额、节假日的商品交易总额,等等。其中,所述商家交易模型可以通过训练样本商家的历史订单数据训练得到,所述训练样本商家可以包括目标商家120。
如图6所示,计算设备600可以将所述订单数据输入到预先训练完成的消费偏好模型中,输出目标商家120的消费偏好特征。所述特征集合可以包括所述消费偏好特征。所述消费偏好特征可以包括在所述预设时段内的如下至少一种:消费高峰时段、每笔订单的平均消费金额以及畅销商品。比如,所述消费偏好模型根据目标商家120一周内产生的订单数据输出这一周的消费高峰时段是傍晚18:00-20:00点之间、每笔订单的平均消费金额是40元、畅销商品是西红柿和青菜。所述消费偏好特征还可以包括所述预设时段内的其他偏好特征,比如,每个商品类别中的畅销品等。其中,所述消费偏好模型可以通过所述历史订单数据训练得到。
计算设备600可以将所述目标画像、所述商家交易特征、所述消费偏好特征中的一种或多种输入商家分层模型从而输出目标层级特征。所述特征集合可以包括所述目标层级特征。如图6所示,计算设备600将所述目标画像、商家交易特征和消费偏好特征输入到预先训练完成的商家分层模型中,输出目标层级特征。其中,所述目标层级特征表征目标商家120使用支付平台的活跃程度,比如,高活跃、中活跃、低活跃、待激活等。所述商家分层模型的训练数据可以包括商家画像样本、商家交易样本特征、消费偏好样本特征中的一种或多种。
所述特征集合可以包括目标商家120的目标画像、目标经营特征、目标层级特征、需求反馈特征中的至少一种。所述目标经营特征包括商家交易特征和/或消费偏好特征。所述需求反馈特征与前述的需求反馈数据可以相同。需要说明的是,所述特征集合中的数据也可以不通过上述模型得到,而是通过其他方法得到,比如根据数学公式得到,本说明书对此不做限定。
S144:将所述特征集合输入商家需求分析模型中,输出所述目标需求。
所述商家需求预测模型包括所述商家需求分析模型。计算设备600可以将所述特征集合输入所述商家需求分析模型中,输出所述目标需求。如图6所示,计算设备600将目标画像、目标经营特征、目标层级特征以及需求反馈特征均输入所述预先训练完成的商家需求分析模型中,输出所述目标需求。其中,所述商家需求分析模型可以通过人工需求库训练得到,所述人工需求库中可以包括训练数据及其对应的真实需求,所述训练数据可以是所述商家画像样本、经营样本特征、商家层级样本、需求反馈样本特征中的一种或多种,所述经营样本特征包括所述商家交易样本特征和/或所述消费偏好样本特征。
需要说明的是,所述商家需求预测模型还可以输出与所述目标需求匹配的推荐经营信息。其中,所述推荐经营信息可以包括权益经营信息和设备铺设经营信息中的一种。所述权益经营信息包括通过所述支付平台完成订单所能获取的权益值、权益类型和权益分发方式。所述权益值可以是权益的额度,比如1元、8.8折等。所述权益类型可以是购物券、现金、红包,等等。所述权益分发方式可以是返、打折、抵扣,等等。所述设备铺设经营信息可以是关于支付平台的产品/服务的推荐信息,如推荐铺设所述支付平台的设备,比如:推荐将目标商家120当前的实体二维码升级成扫码设备,或者,推荐目标商家120使用支付平台最新款的收银设备,或者,推荐目标商家120引进支付平台的自助结算IOT设备,等等。
在一些实施例中,所述推荐经营信息是基于所述目标需求得到的。比如,计算设备600可以将所述目标需求输入预先训练完成的经营策略模型中,输出所述推荐经营信息,即根据目标需求给出匹配的推荐经营信息。比如,所述目标需求是“需要增设支付平台开发的收银设备”,对应的推荐经营信息可以是“为目标商家120设置最新款的收银设备”。
在一些实施例中,所述推荐经营信息可以基于所述目标画像、所述目标经营特征和所述目标层级特征中的至少一种以及所述目标需求得到的。如图6所示,计算设备600可以将所述目标画像、所述商家交易特征、所述消费偏好特征、所述目标层级特征以及所述目标需求输入预先训练完成的经营策略模型中,输出所述推荐经营信息。比如,所述目标商家120如果是商家A,目标需求是“参加双12线下大促活动”,对应的推荐经营信息可以是“参与购物满10返1元购物券活动”。再比如,所述目标商家120如果是商家B,目标需求是“参加双12线下大促活动”,对应的推荐经营信息可以是“提供消费满500享受8.8折支付权益”。再比如,所述目标商家120如果是商家C,目标需求是“参加双11线上大促活动”,对应的推荐经营信息可以是“参与购物满1000抵扣100红包活动”。
其中,所述经营策略模型可以通过策略训练库训练得到。所述策略训练库可以包括历史营销策略库和历史营销权益特征库。所述策略训练库中的数据可以是训练数据及其对应的真实标签,即真实的经营信息。所述训练数据可以是商家需求样本,或者可以是所述商家画像样本、商家交易样本特征、消费偏好样本特征、商家层级样本中的一种或多种以及所述商家需求样本。
本说明书中的商家需求预测模型不仅可以预测目标需求,还可以为目标需求匹配推荐经营信息,高效且科学。而且,支付平台的运营人员可以直接使用所述推荐经营信息进行运营,或者参考所述推荐经营信息制定最终落地的执行经营信息,减轻运营人员的压力。
在目标商家120落地实施所述推荐经营信息或者所述执行经营信息后,计算设备600可以获取目标商家最新的订单数据,以通过GMV核实商家需求预测模型对目标需求预测的准确性。计算设备600可以确定目标商家120落地实施所述推荐经营信息或者所述执行经营信息后的一段时间的GMV,比如获取一个月的GMV,判断落地实施之后的GMV是否高于落地实施之前的GMV,当高于时,可以确定商家需求预测模型对目标需求预测的准确性高;当低于时,可以确定商家需求预测模型对目标需求预测的准确性低,此时可以重新训练所述商家需求预测模型。
由于目标商家120的店铺经营数据集可能会发生变化,尤其是订单数据在不断新增,因此为了保证商家需求预测模型预测的准确性,计算平台600可以不断获取目标商家120最新的数据并更新所述店铺经营数据集,并使用更新后的店铺经营数据集迭代训练商家需求预测模型。
需要说明的是,所述商家需求预测模型可以经过准确性验证,确定商家需求预测模型是够能够综合多模态数据准确理解商家需求。当验证通过后,计算设备600可以通过所述商家需求预测模型实现本说明书的预测方法。
另外,计算设备600可以存储与支付平台合作的每个商家的店铺经营数据集,还可以存储为每个商家预测的需求,因此,支付平台的工作人员可以在终端300或者移动工作台200上查询单个商家的需求。比如,销售人员在移动工作台200上输入要查询商家的ID,移动工作台可以给出该商家的需求。
当计算设备600在预测商家需求的过程中利用了每个商家的经营行业的信息时,可以获取同一经营行业下的多个商家对应的多个商家需求,并基于该多个商家需求确定该经营行业对应的需求。在一些实施例中,计算设备600可以基于该多个商家需求给出第一综合需求,比如,将该多个需求中数量最多的需求作为所述第一综合需求,进而,将该综合需求作为该经营行业的需求。在一些实施例中,计算设备600可以将该多个商家需求全部作为该经营行业对应的需求。这样,支付平台的工作人员可以在终端300或者移动工作台200上查询一个经营行业的需求,比如可以查询餐饮行业的需求。其中,所述经营行业可以是在一个地理区域范围内的行业,比如,某个市某个区内的餐饮行业。
当计算设备600在预测商家需求的过程中利用了每个商家的商家层级的信息时,可以获取同一层级下的多个商家对应的多个商家需求,并基于该多个商家需求确定该层级对应的需求。在一些实施例中,计算设备600可以基于该多个商家需求给出第二综合需求,比如,将该多个需求中数量最多的需求作为所述第二综合需求,进而,将该综合需求作为该层级的需求。在一些实施例中,计算设备600可以将该多个商家需求全部作为该层级对应的需求。这样,支付平台的工作人员可以在终端300或者移动工作台200上查询一个商家层级的需求,比如可以查询高活(高度活跃)层级的商家的需求。
本说明书的方法既能从微观实现单个商家的需求洞察,又能从商户分层、经营行业方面做到宏观需求洞察,满足不同工作人员的诉求,成为科学化运营的支点。
综上所述,本说明书提供的商家需求的预测方法P100和***001,支付平台的计算设备600可以基于目标商家120的店铺经营数据集,通过预先训练完成的商家需求预测模型自动预测出目标商家120的目标需求,所述目标需求包括针对所述支付平台的经营需求,与人工分析商家需求相比,本说明书对商家需求的预测更精准,而且预测时效高、需求预测的产量高,同时减轻了人工压力。同时,所述商家需求预测模型还能为目标需求匹配对应的推荐经营信息,助力运营人员制定更高效科学的经营策略。同时,所述计算设备600可以通过对目标商家的视频、图像、音频、文本等多模态数据进行识别来预测目标需求,克服了人为收集的数据的质量低、真实性差的问题。同时,计算设备600可以基于目标商家的实时订单数据实时更新所述商家需求预测模型,以实时调整所预测的目标需求,保证了需求预测的准确性。
本说明书另一方面提供一种非暂时性存储介质,存储有至少一组用来进行商家需求的预测的可执行指令。当所述可执行指令被处理器执行时,所述可执行指令指导所述处理器实施本说明书所述的商家需求的预测方法P100的步骤。在一些可能的实施方式中,本说明书的各个方面还可以实现为一种程序产品的形式,其包括程序代码。当所述程序产品在商家需求的预测***001上运行时,所述程序代码用于使商家需求的预测***001执行本说明书描述的商家需求的预测方法P100的步骤。用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)包括程序代码,并可以在商家需求的预测***001上运行。然而,本说明书的程序产品不限于此,在本说明书中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本说明书操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在商家需求的预测***001上执行、部分地在商家需求的预测***001上执行、作为一个独立的软件包执行、部分在商家需求的预测***001上部分在远程计算设备上执行、或者完全在远程计算设备上执行。
上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者是可能有利的。
综上所述,在阅读本详细公开内容之后,本领域技术人员可以明白,前述详细公开内容可以仅以示例的方式呈现,并且可以不是限制性的。尽管这里没有明确说明,本领域技术人员可以理解本说明书需求囊括对实施例的各种合理改变,改进和修改。这些改变,改进和修改旨在由本说明书提出,并且在本说明书的示例性实施例的精神和范围内。
此外,本说明书中的某些术语已被用于描述本说明书的实施例。例如,“一个实施例”,“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征,结构或特性可以包括在本说明书的至少一个实施例中。因此,可以强调并且应当理解,在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外,特定特征,结构或特性可以在本说明书的一个或多个实施例中适当地组合。
应当理解,在本说明书的实施例的前述描述中,为了帮助理解一个特征,出于简化本说明书的目的,本说明书将各种特征组合在单个实施例、附图或其描述中。然而,这并不是说这些特征的组合是必须的,本领域技术人员在阅读本说明书的时候完全有可能将其中一部分设备标注出来作为单独的实施例来理解。也就是说,本说明书中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。
本文引用的每个专利,专利申请,专利申请的出版物和其他材料,例如文章、书籍、说明书、出版物、文件、物品等,除了与其相关的任何历史起诉文件、可能与本文件不一致或相冲突的任何相同的、或者任何可能对权利要求的最宽范围具有限制性影响的任何相同的历史起诉文件,均可以通过引用结合于此,并用于现在或以后与本文件相关联的所有目的。此外,如果在与任何所包含的材料相关联的术语的描述、定义和/或使用与本文档相关的术语、描述、定义和/或之间存在任何不一致或冲突时,使用本文件中的术语为准。
最后,应理解,本文公开的申请的实施方案是对本说明书的实施方案的原理的说明。其他修改后的实施例也在本说明书的范围内。因此,本说明书披露的实施例仅仅作为示例而非限制。本领域技术人员可以根据本说明书中的实施例采取替代配置来实现本说明书中的申请。因此,本说明书的实施例不限于申请中被精确地描述过的实施例。
Claims (16)
1.一种商家需求的预测方法,应用于支付平台的计算设备,包括:
确定目标商家的店铺经营数据集,所述店铺经营数据集包括表征店铺经营状态的数据;以及
基于所述店铺经营数据集,通过预先训练完成的商家需求预测模型输出为所述目标商家预测的目标需求,所述目标需求包括针对所述支付平台的经营需求。
2.如权利要求1所述的方法,其中,所述基于所述店铺经营数据集,通过预先训练完成的商家需求预测模型输出为所述目标商家预测的目标需求,包括:
基于所述店铺经营数据集确定所述目标商家的特征集合;以及
将所述特征集合输入商家需求分析模型中,输出所述目标需求,所述商家需求预测模型包括所述商家需求分析模型。
3.如权利要求2所述的方法,其中,所述特征集合至少包括所述目标商家的目标画像、目标经营特征、目标层级特征、需求反馈特征中的一种。
4.如权利要求3所述的方法,其中,所述店铺经营数据集包括店铺属性数据和商品经营数据,所述目标画像是通过将所述店铺属性数据和所述商品经营数据输入商家画像模型中得到的,所述商家需求预测模型包括所述商家画像模型。
5.如权利要求4所述的方法,其中,所述店铺属性数据至少包括所述目标商家的商家标识、店铺位置以及店铺面积中的一种。
6.如权利要求4所述的方法,其中,所述商品经营数据至少包括所述目标商家的经营行业、商品名称以及商品分类中的至少一种。
7.如权利要求4所述的方法,其中,所述店铺经营数据集还包括需求反馈数据,所述需求反馈数据是所述目标商家针对所述支付平台对自身需求的反馈内容。
8.如权利要求3所述的方法,其中,所述店铺经营数据集包括在预设时段内所述目标商家产生多笔交易订单的订单数据,所述目标经营特征是通过将所述订单数据分别输入商家交易模型和消费偏好模型中得到的,所述商家需求预测模型包括所述商家交易模型和所述消费偏好模型。
9.如权利要求8所述的方法,其中,所述目标经营特征包括商家交易特征和/或消费偏好特征,
所述商家交易特征包括在所述预设时段内的商品交易总额和/或所述预设时段内的订单总量,
所述消费偏好特征包括在所述预设时段内的如下至少一种:消费高峰时段、每笔订单的平均消费金额以及畅销商品。
10.如权利要求3所述的方法,其中,所述目标层级特征是通过将所述目标画像和所述目标经营特征输入商家分层模型中得到的,所述目标层级特征表征所述目标商家使用所述支付平台的活跃程度,所述商家需求预测模型包括所述商家分层模型。
11.如权利要求3所述的方法,其中,所述基于所述店铺经营数据集,通过预先训练完成的商家需求预测模型输出为所述目标商家预测的目标需求,还包括:
基于营销策略模型输出与所述目标需求匹配的推荐经营信息,所述商家需求预测模型包括所述营销策略模型。
12.如权利要求11所述的方法,其中,所述推荐经营信息至少包括权益经营信息和设备铺设经营信息中的一种,其中,所述权益经营信息包括通过所述支付平台完成订单所能获取的权益值、权益类型和权益分发方式,所述设备铺设经营信息包括推荐铺设所述支付平台的设备。
13.如权利要求11所述的方法,其中,所述推荐经营信息是通过将所述目标需求输入所述营销策略模型中得到的。
14.如权利要求11所述的方法,其中,所述推荐经营信息是通过将所述目标画像、所述目标经营特征和所述目标层级特征中的至少一种以及所述目标需求输入所述营销策略模型中得到的。
15.如权利要求1所述的方法,其中,所述确定目标商家的店铺经营数据集,包括:
对多模态数据进行识别,得到所述店铺经营数据集,所述多模态数据至少包括视频、图像、音频、文本以及地理位置中的两种。
16.一种商家需求的预测***,包括:
至少一个存储介质,存储有至少一组指令集用于实现商家需求的预测;以及
至少一个处理器,同所述至少一个存储介质通信连接,
其中当所述商家需求的预测***运行时,所述至少一个处理器读取所述至少一个指令集并实施权利要求1-15中任一项所述的商家需求的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310599472.2A CN116523556A (zh) | 2023-05-25 | 2023-05-25 | 一种商家需求的预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310599472.2A CN116523556A (zh) | 2023-05-25 | 2023-05-25 | 一种商家需求的预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523556A true CN116523556A (zh) | 2023-08-01 |
Family
ID=87399498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310599472.2A Pending CN116523556A (zh) | 2023-05-25 | 2023-05-25 | 一种商家需求的预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523556A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787223A (zh) * | 2023-12-27 | 2024-03-29 | 大脑工场文化产业发展有限公司 | 一种商家信息自动化发布方法及*** |
-
2023
- 2023-05-25 CN CN202310599472.2A patent/CN116523556A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787223A (zh) * | 2023-12-27 | 2024-03-29 | 大脑工场文化产业发展有限公司 | 一种商家信息自动化发布方法及*** |
CN117787223B (zh) * | 2023-12-27 | 2024-05-24 | 大脑工场文化产业发展有限公司 | 一种商家信息自动化发布方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776038B2 (en) | Transaction modification based on modeled profiles | |
US11704686B2 (en) | Systems and methods for product placement optimization by sensing customer traffic in stores | |
US10943311B1 (en) | Order fulfillment and tracking systems and methods | |
US10817861B2 (en) | System and method for point-of-sale electronic receipt generation and management | |
KR102064615B1 (ko) | 빅데이터 기반 쇼핑몰 플랫폼 통합 서비스 제공 방법 | |
US10655974B2 (en) | System for providing real-time routing and data services for user events based on real-time vehicle location | |
US20150142514A1 (en) | System and method for payment transaction receipt management | |
US20150142593A1 (en) | System and method for point-of-sale electronic receipt storage | |
EP2863355A1 (en) | Method and system for optimizing value of consumer offers | |
CN102203775A (zh) | 市场动态 | |
KR102579517B1 (ko) | Nft 연계 현물상품 판매 서비스 제공 시스템 | |
US10540634B1 (en) | Version recall for computerized database management | |
US9558490B2 (en) | Systems and methods for predicting a merchant's change of acquirer | |
EP3139333A1 (en) | Location-based data analysis and map creation | |
CN110276677A (zh) | 基于大数据平台的还款预测方法、装置、设备及存储介质 | |
CN116523556A (zh) | 一种商家需求的预测方法和*** | |
US11663629B1 (en) | Multi-merchant concomitant-use point-of-sale device | |
KR102523050B1 (ko) | 구독경제 기반 렌탈비 비교 서비스 제공 방법 | |
US20140258061A1 (en) | Determining efficient interaction path for a customer | |
US20150019290A1 (en) | Systems and methods for representing consumer behavior | |
US20170178167A1 (en) | Method for predicting a demand for a business | |
US20150324823A1 (en) | Method and system for identifying associated geolocations | |
Santos et al. | Digital transformation of the retail point of sale in the artificial intelligence era | |
US20140257898A1 (en) | Providing special resource availability information | |
CN115456698A (zh) | 一种商家经营策略推荐的方法和*** |
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 |