CN116629917B - 店铺特征应用方法及其装置、设备、介质 - Google Patents
店铺特征应用方法及其装置、设备、介质 Download PDFInfo
- Publication number
- CN116629917B CN116629917B CN202310575523.8A CN202310575523A CN116629917B CN 116629917 B CN116629917 B CN 116629917B CN 202310575523 A CN202310575523 A CN 202310575523A CN 116629917 B CN116629917 B CN 116629917B
- Authority
- CN
- China
- Prior art keywords
- store
- data
- features
- online
- access
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013486 operation strategy Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 235000019580 granularity Nutrition 0.000 claims description 59
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 25
- 230000000737 periodic effect Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 230000002860 competitive effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电商技术领域中一种店铺特征应用方法及其装置、设备、介质,所述方法包括:获取线上店铺的店铺数据,所述店铺数据包括配置信息、访问数据、交易数据、售后服务数据;根据店铺数据提取出基础特征,根据店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效;将所述店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型;根据所述运营特征调整所述店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略。本申请应用多维度的店铺画像特征,确定出实用的运营策略。
Description
技术领域
本申请涉及电商技术领域,尤其涉及一种店铺特征应用方法及其相应的装置、计算机设备、计算机可读存储介质。
背景技术
在电商领域中,构建线上店铺的店铺特征是一项重要的业务,它可以特征数据层面上表征线上店铺,进而应用构建出的店铺特征分类出线上店铺所属的店铺类型,根据不同的店铺类型采取相应的运营策略。
传统技术中,通常采用人工构建线上店铺的店铺特征,然而出现店铺特征的维度少的问题,难以全面地表征线上店铺,进而严重影响分类出线上店铺所属的店铺类型的准确率,无法采取有效的运营策略。
鉴于传统技术的不足,本申请人长期从事相关领域的研究,为解决电商领域业内难题,故另辟蹊径。
发明内容
本申请的首要目的在于解决上述问题至少之一而提供一种店铺特征应用方法及其相应的装置、计算机设备、计算机可读存储介质。
为满足本申请的各个目的,本申请采用如下技术方案:
适应本申请的目的之一而提供的一种店铺特征应用方法,包括如下步骤:
获取线上店铺的店铺数据,所述店铺数据包括配置信息、访问数据、交易数据、售后服务数据;
根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效;
将所述店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型;
根据所述运营特征调整所述店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略。
进一步的实施例中,根据所述店铺数据提取出基础特征,所述基础特征包括统计特征、用户群分布特征、分层特征,按照如下过程提取,包括:
根据所述店铺数据以预设的多种时间粒度对应进行统计,获得每种时间粒度对应的统计特征,所述统计特征表征在相应的时间跨度下线上店铺在销售、广告营销、售后服务中任意一方面或任意多方面的经营状况;
根据所述店铺数据中的访问数据采用聚类算法进行聚类,确定出预设的多个用户群簇对应的用户个数和用户占总比作为用户群分布特征;
根据所述店铺数据中的访问数据、交易数据采用预设的阶梯式阈值区间进行分层,确定出分层特征,所述分层特征表征线上店铺的多个经营关键指标对应的层级,所述层级表示经营关键指标的良莠。
进一步的实施例中,所述运营特征包括周期性重复特征、快速起量特征、同行竞争力特征,所述周期性重复特征表征线上店铺在销售方面的周期规律,所述快速起量特征表征线上店铺在销售方面的快速增长波动,所述同行竞争力特征表征线上店铺在同行方面的竞争力。
进一步的实施例中,根据店铺数据中的访问数据和交易数据提取出所述运营特征中的周期性重复特征,包括如下步骤:
获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;
确定出预设时长内每个第一时间窗口与其上一个第一时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第一时间窗口个数;
确定出预设时长内每个第二时间窗口与其上一个第二时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第二时间窗口个数;
将所述访问数相似、订单数相似、订单金额相似相对应的第一时间窗口个数、第二时间窗口个数构造为周期性重复特征。
进一步的实施例中,根据店铺数据中的访问数据和交易数据提取出所述运营特征中的快速起量特征,包括如下步骤:
获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;
确定出预设时长内每个第一时间窗口对应的所述访问数、订单数、订单金额分别的最大值和最小值;
根据所述访问数、订单数、订单金额分别的最大值和最小值,相应确定出属于访问数快速起量、订单数快速起量、订单金额快速起量对应的所述第一时间窗口个数,构造为快速起量特征。
进一步的实施例中,根据店铺数据中的配置信息、访问数据、交易数据提取出所述运营特征中的同行竞争力特征,包括如下步骤:
根据所述店铺数据中的配置信息确定出所述线上店铺的同行线上店铺群;
根据所述店铺数据中的访问数据和交易数据,确定出订单金额均值、复购率、转化率;
根据所述同行线上店铺群的平均订单金额均值、平均复购率、平均转化率,确定出所述订单金额均值、复购率、转化率对应的评级,构造为同行竞争力特征。
进一步的实施例中,所述基础特征还包括组合特征、多维特征,按照如下过程提取,包括:
根据所述店铺数据的配置信息确定出线下销售渠道特征、广告营销渠道特征进行特征组合,获得组合特征,所述线下销售渠道特征表征线上店铺是否有线下销售渠道、所述广告营销渠道特征表征线上店铺是否有广告营销渠道;
根据所述店铺数据的售后服务数据确定出客诉原因分布、满意度分布对应进行降维处理,获得多维特征。
另一方面,适应本申请的目的之一而提供的一种店铺特征应用装置,包括数据获取模块、特征提取模块、店铺分类模块以及策略定制模块,其中,数据获取模块,用于获取线上店铺的店铺数据,所述店铺数据包括配置信息、访问数据、交易数据、售后服务数据;特征提取模块,用于根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效;店铺分类模块,用于将所述店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型;策略定制模块,用于根据所述运营特征调整所述店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略。
进一步的实施例中,所述特征提取模块,包括:统计特征子模块,用于根据所述店铺数据以预设的多种时间粒度对应进行统计,获得每种时间粒度对应的统计特征,所述统计特征表征在相应的时间跨度下线上店铺在销售、广告营销、售后服务中任意一方面或任意多方面的经营状况;用户群分布特征子模块,用于根据所述店铺数据中的访问数据采用聚类算法进行聚类,确定出预设的多个用户群簇对应的用户个数和用户占总比作为用户群分布特征;分层特征子模块,用于根据所述店铺数据中的访问数据、交易数据采用预设的阶梯式阈值区间进行分层,确定出分层特征,所述分层特征表征线上店铺的多个经营关键指标对应的层级,所述层级表示经营关键指标的良莠。
进一步的实施例中,所述特征提取模块中所述运营特征包括周期性重复特征、快速起量特征、同行竞争力特征,所述周期性重复特征表征线上店铺在销售方面的周期规律,所述快速起量特征表征线上店铺在销售方面的快速增长波动,所述同行竞争力特征表征线上店铺在同行方面的竞争力。
进一步的实施例中,所述特征提取模块,包括:粒度数据获取子模块,用于获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;周规律确定子模块,用于确定出预设时长内每个第一时间窗口与其上一个第一时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第一时间窗口个数;月规律确定子模块,用于确定出预设时长内每个第二时间窗口与其上一个第二时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第二时间窗口个数;周期性重复特征构造子模块,用于将所述访问数相似、订单数相似、订单金额相似相对应的第一时间窗口个数、第二时间窗口个数构造为周期性重复特征。
进一步的实施例中,所述特征提取模块,包括:粒度数据获取子模块,用于获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;最值确定子模块,用于确定出预设时长内每个第一时间窗口对应的所述访问数、订单数、订单金额分别的最大值和最小值;快速起量特征构造子模块,用于根据所述访问数、订单数、订单金额分别的最大值和最小值,相应确定出属于访问数快速起量、订单数快速起量、订单金额快速起量对应的所述第一时间窗口个数,构造为快速起量特征。
进一步的实施例中,所述特征提取模块,包括:同行确定子模块,用于根据所述店铺数据中的配置信息确定出所述线上店铺的同行线上店铺群;经营成效确定子模块,用于根据所述店铺数据中的访问数据和交易数据,确定出订单金额均值、复购率、转化率;同行竞争力特征构造子模块,用于根据所述同行线上店铺群的平均订单金额均值、平均复购率、平均转化率,确定出所述订单金额均值、复购率、转化率对应的评级,构造为同行竞争力特征。
进一步的实施例中,所述特征提取模块,包括:组合特征子模块,用于根据所述店铺数据的配置信息确定出线下销售渠道特征、广告营销渠道特征进行特征组合,获得组合特征,所述线下销售渠道特征表征线上店铺是否有线下销售渠道、所述广告营销渠道特征表征线上店铺是否有广告营销渠道;多维特征子模块,用于根据所述店铺数据的售后服务数据确定出客诉原因分布、满意度分布对应进行降维处理,获得多维特征。
又一方面,适应本申请的目的之一而提供的一种计算机设备,包括中央处理器和存储器,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述的店铺特征应用方法的步骤。
又一方面,适应本申请的另一目的而提供的一种计算机可读存储介质,其以计算机可读指令的形式存储有依据所述的店铺特征应用方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行该方法所包括的步骤。
本申请的技术方案存在多方面优势,包括但不限于如下各方面:
本申请通过根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效,将店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型,根据所述运营特征调整店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略。一方面,基于线上店铺丰富的店铺数据提取出多维度的店铺画像特征,全面精准地反映线上店铺的经营状况和经营成效,确保精准地分类出的店铺类型,另一方面,依据准确的店铺类型确定出相应有效的基本运营策略,进而根据运营特征进行调整,大大提升运营策略的实用性。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请的店铺特征应用方法的典型实施例的流程示意图;
图2为本申请的实施例中提取出基础特征中的统计特征、用户群分布特征、分层特征的流程示意图;
图3为本申请的实施例中提取出运营特征中的周期性重复特征的流程示意图;
图4为本申请的实施例中提取出运营特征中的快速起量特征的流程示意图;
图5为本申请的实施例中提取出运营特征中的同行竞争力特征的流程示意图;
图6为本申请的实施例中提取出基础特征中的组合特征和多维特征的流程示意图;
图7为本申请的店铺特征应用装置的原理框图;
图8为本申请所采用的一种计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,进行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他诸如个人计算机、平板电脑之类的通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(PersonalCommunications Service,个人通信***),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem,全球定位***)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件,本质上是具备个人计算机等效能力的电子设备,为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置,计算机程序存储于其存储器中,中央处理器将存储在外存中的程序调入内存中运行,执行程序中的指令,与输入输出设备交互,借此完成特定的功能。
需要指出的是,本申请所称的“服务器”这一概念,同理也可扩充到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理,所述各服务器应是逻辑上的划分,在物理空间上,这些服务器既可以是互相独立但可通过接口调用的,也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通,而不应以此约束本申请的网络部署方式的实施方式。
本申请的一个或数个技术特征,除非明文指定,既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问,也可直接部署并运行于客户端来实施访问。
本申请中所引用或可能引用到的神经网络模型,除非明文指定,既可部署于远程服务器且在客户端实施远程调用,也可部署于设备能力胜任的客户端直接调用,某些实施例中,当其运行于客户端时,其相应的智能可通过迁移学习来获得,以便降低对客户端硬件运行资源的要求,避免过度占用客户端硬件运行资源。
本申请所涉及的各种数据,除非明文指定,既可远程存储于服务器,也可存储于本地终端设备,只要其适于被本申请的技术方案所调用即可。
本领域技术人员对此应当知晓:本申请的各种方法,虽然基于相同的概念而进行描述而使其彼此间呈现共通性,但是,除非特别说明,否则这些方法都是可以独立执行的。同理,对于本申请所揭示的各个实施例而言,均基于同一发明构思而提出,因此,对于相同表述的概念,以及尽管概念表述不同但仅是为了方便而适当变换的概念,应被等同理解。
本申请即将揭示的各个实施例,除非明文指出彼此之间的相互排斥关系,否则,各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例,只要这种结合不背离本申请的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通,本领域技术人员应当知晓。
本申请的一种店铺特征应用方法,可被编程为计算机程序产品,部署于客户端或服务器中运行而实现,例如,本申请的示例性应用场景中,可以在电商平台的服务器中部署实现,藉此可以通过访问该计算机程序产品运行后开放的接口,通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。
请参阅图1,本申请的店铺特征应用方法,在其典型实施例中,包括如下步骤:
步骤S1100、获取线上店铺的店铺数据,所述店铺数据包括配置信息、访问数据、交易数据、售后服务数据;
商家可以在电商平台上创建并维护自己的线上店铺,电商平台可提供该线上店铺的***,以供电商平台的消费者访问,向消费者销售该线上店铺上架的商品。商家也可以创建并维护自己的独立站,在所述独立站上部署线上店铺,以向访问独立站的消费者销售该线上店铺上架的商品。
通常创建并维护店铺数据库,用于存储线上店铺的店铺数据,并且提供相应的数据访问接口,用于访问店铺数据库以获取所述店铺数据,所述数据访问接口及店铺数据库可由本领域技术人员灵活变通实现。
所述配置信息可以线上店铺的基础信息,通常由商家创建其线上店铺时编辑,和/或电商平台生成,具体包括首次上线时间、主营商品类目、是否有线下销售渠道、是否有广告营销渠道。
所述访问数据是线上店铺被访问时相应产生的数据,具体包括访问session(会话),访问来源。所述访问session(会话)是指用户在一次访问线上店铺期间与进行一系列交互过程,通常包括一个或多个页面的浏览、点击、搜索、下订单购买等任意一项或任意多项操作行为。
所述交易数据是销售出线上店铺中的商品时相应产生的数据,具体包括每笔订单的订单金额、订单创建时间。
所述售后服务数据是销售出线上店铺的商品后提供用户反馈服务相应产生的数据,具体包括客诉原因、客诉量、客诉处理时间、满意度,所述客诉原因是用户对其购买商品进行投诉的内容,所述客诉处理时间是客户对其购买商品进行投诉后,直至线上店铺的运营人员进行相应的回复处理的等待时长,所述满意度是用户对其购买商品进行满意度的评价结果,具体可以是涉及描述相符、物流服务、总体服务态度中任意一方面等任意多方面的以打分或评星等表示满意度的方式进行所述评价,当满意度的评价涉及多方面时可取相应的均值作为评价结果以表综合各方面。
步骤S1200、根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效;
所述基础特征包括统计特征、用户群分布特征、分层特征;
根据所述店铺数据中访问数据中的每笔订单的订单金额、订单创建时间,以预设的多种时间粒度进行统计,相应获得每种时间粒度对应的表征相应的时间跨度下线上店铺在销售方面的经营状况的统计特征;可以根据所述店铺数据中访问数据中的访问来源,以预设的多种时间粒度进行统计,相应获得每种时间粒度对应的表征相应的时间跨度下线上店铺在广告营销方面的经营状况的统计特征;可以根据所述店铺数据中售后服务数据中的客诉处理时间,以预设的多种时间粒度进行统计进而确定出相应的均值,相应获得每种时间粒度对应的表征相应的时间跨度下线上店铺在售后服务方面的统计特征。所述多种时间粒度可以是近10天、近30天、近90天、近半年、线上店铺开业后半年中任意多种,亦可由本领域技术人员按需设定;
根据所述店铺数据中访问数据中的访问session,相应确定出访问线上店铺的用户,基于每个用户对应的所有访问session采用聚类算法进行聚类,确定出预设的多个用户群簇对应的用户个数和用户占总比作为用户群分布特征。本领域技术人员可按需预先设定所述多个用户群簇,示范性举例分别是新用户群、老用户群、流失用户群、复购用户群。所述新用户群内用户可以是首次购买线上店铺商品的新用户,所述老用户群可以是多次购买线上店铺商品的老用户,所述流失用户群内用户可以是购买线上店铺商品后长时间没有再次购买的流失用户,所述复购用户群内用户可以是购买线上店铺商品后再次购买的复购用户。所述聚类算法可以是k-means、KNN等,本领域技术人员按需择一实现即可;
根据所述店铺数据中访问数据中的访问session、交易数据中每笔订单的订单创建时间和订单金额,确定出预设时间粒度的GMV(商品交易总额)、转化率、客单价、访问的用户量中任意一项或任意多项作为经营关键指标,采用每项经营关键指标对应的阶梯式阈值区间,对每项经营关键指标进行分层,确定出相应的层级作为分层特征,所述层级表征经营关键指标的良莠,例如可以是高、中、低。所述用户规模可以是访问线上店铺的用户个数或购买线上店铺商品的用户个数,所述预设时间粒度可以是近半年、近一年、近三年中任意一种,亦可由本领域技术人员按需设定,所述预设阈值可由本领域技术人员根据此处揭示按需设定。
所述运营特征包括周期性重复特征、快速起量特征、同行竞争力特征;
所述周期性重复特征表征线上店铺在销售方面的周期规律,可以是通过基于一定时长内每个周期内对应细时间粒度的所述店铺数据中访问数据中的访问数、交易数据中的订单数、订单金额,相应确定出相邻周期对应的周期内所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的窗口个数构造为周期性重复特征,所述一定时长可设定为近半年、线上店铺开业后半年中任意一种,所述周期可设定为具体的时间窗口例如一周、一个月中任意一种,所述细时间粒度是相对于周期而言,可以是一天、两天、三天中任意一种,均可由本领域技术人员可根据此处揭示按需设定;
所述快速起量特征表征线上店铺在销售方面的快速增长波动,可以是通过基于每个周期内对应细时间粒度的所述店铺数据中访问数据中的访问数、交易数据中的订单数、订单金额,相应确定出相邻周期之间的访问数是否快速起量、订单数是否快速起量、订单金额是否快速起量,获得访问数快速量、订单数快速起量、订单金额快速起量对应的窗口个数构造为快速起量特征,所述周期可设定为具体的时间窗口例如一周、一个月中任意一种,所述细时间粒度是相对于周期而言,可以是一天、两天、三天中任意一种,均可由本领域技术人员可根据此处揭示按需设定;
所述同行竞争力特征表征线上店铺在同行方面的竞争力,可以是通过基于与所述线上店铺是为同行的多个线上店铺的平均订单金额均值、平均复购率、平均转化率,相对应的与所述线上店铺的订单金额均值、复购率、转化率进行比较,得出所述订单金额均值、复购率、转化率对应的差距,确定出相应的评级构造为同行竞争力特征,所述订单金额均值、复购率、转化率根据所述线上店铺的预设时间粒度的店铺数据中访问数据和交易数据而得,同理所述同行的多个线上店铺也可得出相对应的订单金额均值、复购率、转化率,进而对应通过线上店铺的个数进行平均,便可获得所述平均订单金额均值、平均复购率、平均转化率,所述预设时间粒度可以是近半年、近一年、近三年中任意一种,亦可由本领域技术人员按需设定。
步骤S1300、将所述店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型;
一种实施例中,所述店铺分类模型的模型结构为文本特征提取层后接分类器,所述文本特征提取层可采用NLP领域中适用于提取文本特征的模型,推荐选型为BERT模型,亦可采用其他的例如Text Transfomer、RoBERTa、XLM-RoBERTa、MPNet等任意一种模型。所述分类器可为FC(全连接层)、MLP(多层感知机)等,本领域技术人员可按需择一实现。
所述店铺分类模型预先经过训练至收敛,习得基于线上店铺的店铺画像特征分类出该线上店铺所属的店铺类型的能力,一种实施例中,所述店铺分类模型的训练过程,具体而言,通过获取预设的训练集,调用所述训练集中单个训练样本及其监督标签,将所述训练样本输入至所述店铺分类模型,由所述文本特征提取层提取出所述训练样本的深层语义信息,输出向量化表征该训练样本的语义的文本特征向量,由分类器接收所述文本特征向量,将其映射至预设的多种店铺类型,获得每种店铺类型对应的分类概率,输出分类概率最大的店铺类型作为所述训练样本的预测分类结果,调用预设的交叉熵损失函数,此处可由本领域技术人员根据先验知识或实验经验灵活变通设置,基于根据所述训练样本的监督标签计算所述预测分类结果的交叉熵损失值;当交叉熵损失值达到预设阈值时,表明店铺分类模型已被训练至收敛状态,从而可以终止模型训练;交叉熵损失值未达到预设阈值时,表明模型未收敛,于是根据交叉熵损失值对模型实施梯度更新,通常通过反向传播修正模型各个环节的权重参数以使模型进一步逼近收敛,然后,继续调用所述训练集中的其他训练样本及其监督标签对该模型实施迭代训练,直至该模型被训练至收敛状态为止,所述预设阈值可由本领域技术人员按需设定。
可由本领域技术人员按业务所需灵活变通预先设定相应的多种店铺类型,示范性举例,经营状况良好且经营成效差、经营状况差且经营成效差、经营状况一般且经营成效一般、经营状况一般且经营成效良好、经营状况良好且经营成效良好,然后,预先构造出所述训练集,其中的训练样本为线上店铺的店铺画像特征,根据所述店铺画像特征人工确定出所述线上店铺所属的店铺类型标注为所述训练样本的监督标签。
步骤S1400、根据所述运营特征调整所述店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略。
可由本领域技术人员按业务所需灵活变通预先设定所述多种店铺类型对应的基本运营策略,示范性举例,经营状况良好且经营成效差的店铺类型,相应的基本运营策略是扩展广告营销渠道或在现有广告营销渠道上增加曝光量;经营状况差且经营成效差,相应的基本经营策略是全面大幅提升店铺可视化页面效果、商品图片及文案、广告营销、售后服务对应的质量,以及扩展大量的广告营销渠道或在现有广告营销渠道上增加大量的曝光量;经营状况一般且经营成效一般,相应的基本经营策略是全面小幅提升店铺可视化页面效果、商品图片及文案、广告营销、售后服务对应的质量,以及扩展少量的广告营销渠道或在现有广告营销渠道择优出热门的广告营销渠道倾斜更多的曝光量;经营状况一般且经营成效良好的店铺类型,相应的基本经营策略是全面小幅提升店铺可视化页面效果、商品图片及文案、广告营销、售后服务对应的质量;经营状况良好且经营成效良好的店铺类型,相应的基本运营策略是管控店铺可视化页面效果、商品图片及文案、广告营销、售后服务对应的质量,保持质量稳定。
进一步,可由本领域技术人员按业务所需灵活变通地根据所述运营特征调整所述店铺类型对应预设的基本运营策略,示范性举例,根据运营特征在基本运用策略的基础上增加运营策略,对于运营特征表现出的线上店铺的在周期规律不突出或没有、快速起量少或没有导致经营成效不足,增加运营策略可以是根据线上店铺的商品的类目确定出相应的行业普遍销量较多的时期,在此期间相比于同行的线上店铺增加促销活动次数;对于运营特征表现出的线上店铺的在快速起量少或没有、同行竞争力低或一般导致经营成效不足,增加运营策略可以是根据线上店铺的商品的类目确定出相应的行业普遍销量较多的时期,在此期间相比于同行的线上店铺增加促销打折力度。
根据本申请的典型实施例可以知晓,本申请的技术方案存在多方面优势,包括但不限于如下各方面:
本申请通过根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效,将店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型,根据所述运营特征调整店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略。一方面,基于线上店铺丰富的店铺数据提取出多维度的店铺画像特征,全面精准地反映线上店铺的经营状况和经营成效,确保精准地分类出的店铺类型,另一方面,能够针对性确定出相应有效的基本运营策略,进而根据运营特征进行调整,提高运营策略的实用性。
请参阅图2,进一步的实施例中,步骤S1200、根据所述店铺数据提取出基础特征,所述基础特征包括统计特征、用户群分布特征、分层特征,按照如下过程提取,包括:
步骤S1210、根据所述店铺数据以预设的多种时间粒度对应进行统计,获得每种时间粒度对应的统计特征,所述统计特征表征在相应的时间跨度下线上店铺在销售、广告营销、售后服务中任意一方面或任意多方面的经营状况;
所述多种时间粒度可以是近10天、近30天、近90天、近半年、线上店铺开业后半年中任意多种,亦可由本领域技术人员按需设定。
统计出表征线上店铺在销售方面的经营情况的统计特征,可以是根据所述访问数据中的每笔订单的订单创建时间,统计出在相应的时间粒度内加和所有订单得出的订单数、订单金额;统计出表征线上店铺在广告营销方面的经营情况的统计特征,根据所述访问数据中的访问来源即流量来源,统计出在相应的时间粒度内每种流量来源数、所有流量来源总数,以及进一步计算所述每种流量来源数分别与所有流量来源总数相比,相应得出每种流量来源对应的占总比,获得流量集中度分布。统计出表征线上店铺在售后服务方面的经营情况的统计特征,根据所述售后服务数据,统计出在相应的时间粒度内平均所有的客诉处理时长得出的均值。
步骤S1220、根据所述店铺数据中的访问数据采用聚类算法进行聚类,确定出预设的多个用户群簇对应的用户个数和用户占总比作为用户群分布特征;
根据所述访问数据中的访问session可以确定出访问线上店铺的用户,基于每个用户对应的所有访问session,采用聚类算法对所有用户进行聚类,分类出每个用户所属的用户群簇,确定出每个用户群簇对应的用户个数,以及进一步计算所述每个用户群簇对应的用户个数分别与所有用户群簇对应的用户个数之和相比,相应得出每个用户群簇的对应用户占总比,获得用户群分布特征。本领域技术人员可按需预先设定多个所述用户群簇,示范性举例分别是新用户群、老用户群、流失用户群、复购用户群。所述新用户群内用户可以是首次购买线上店铺商品的新用户,所述老用户群可以是多次购买线上店铺商品的老用户,所述流失用户群内用户可以是购买线上店铺商品后长时间没有再次购买的流失用户,所述复购用户群内用户可以是购买线上店铺商品后再次购买的复购用户。所述聚类算法可以是k-means、KNN等,本领域技术人员按需择一实现即可。
步骤S1230、根据所述店铺数据中的访问数据、交易数据采用预设的阶梯式阈值区间进行分层,确定出分层特征,所述分层特征表征线上店铺的多个经营关键指标对应的层级,所述层级表示经营关键指标的良莠。
根据所述店铺数据中访问数据中的访问session、交易数据中每笔订单的订单创建时间和订单金额,确定出预设时间粒度的GMV(商品交易总额)、转化率、客单价、访问的用户量中任意一项或任意多项作为经营关键指标,采用每项经营关键指标对应的阶梯式阈值区间,对每项经营关键指标进行分层,确定出相应的层级作为分层特征,所述层级表征经营关键指标的良莠,例如可以是高、中、低。所述用户规模可以是访问线上店铺的用户个数或购买线上店铺商品的用户个数,所述预设时间粒度可以是近半年、近一年、近三年中任意一种,亦可由本领域技术人员按需设定,所述预设阈值可由本领域技术人员根据此处揭示按需设定。
本实施例中,通过根据线上店铺的店铺数据,提取出多种时间粒度对应的统计特征、用户群分布特征、分层特征,一方面充分地深度挖掘出表征线上店铺在用户方面、销售方面、广告营销方面、售后服务方面、经营关键指标方面对应的经营状况,另一方面能够为后续据此采用店铺分类模型进行分类得出的店铺类型的精准度奠定基础。
请参阅图3,进一步的实施例中,步骤S1200、根据店铺数据中的访问数据和交易数据提取出所述运营特征中的周期性重复特征,包括如下步骤:
步骤S2200、获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;
所述预设时间粒度可设为一天或两天,可由本领域技术人员按需设定。
一种实施例中,所述预设时间粒度设为一天,预先统计出一天内所述店铺数据中的访问数据中访问session个数得出相应的访问数,以及根据所述店铺数据中的交易数据中的每笔订单的订单创建时间,统计出一天内加和所有订单得出的订单数、订单金额。
步骤S2210、确定出预设时长内每个第一时间窗口与其上一个第一时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第一时间窗口个数;
所述预设时长可设为近半年、线上店铺开业后半年任意一种,本领域技术人员可按需设定,所述第一时间窗设为一周。
一种实施例中,所述预设时长设为近半年,采用相似度算法计算出近半年内每周与其上一周对应的一周内所述每天的访问数、订单数、订单金额之间分别的相似度,筛选出表示访问数相似的相似度超过预设阈值的第一时间窗口个数、表示订单数相似的相似度超过预设阈值的第一时间窗口个数、表示订单金额相似的相似度超过预设阈值的第一时间窗口个数,所述预设阈值可由本领域技术人员按需设定。所述相似度算法可为余弦相似度算法、向量点积算法、曼哈顿距离、欧氏距离算法、皮尔逊相关系数等任意一种,本领域技术人员按需择一实现即可。
步骤S2220、确定出预设时长内每个第二时间窗口与其上一个第二时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第二时间窗口个数;
所述预设时长可设为近半年、线上店铺开业后半年任意一种,本领域技术人员可按需设定,所述第一时间窗设为一个月。
一种实施例中,所述预设时长设为近半年,采用相似度算法计算出近半年内每个月与其上一个月对应的一个月内所述每天的访问数、订单数、订单金额之间分别的相似度,筛选出表示访问数相似的相似度超过预设阈值的第二时间窗口个数、表示订单数相似的相似度超过预设阈值的第二时间窗口个数、表示订单金额相似的相似度超过预设阈值的第二时间窗口个数,所述预设阈值可由本领域技术人员按需设定。所述相似度算法可为余弦相似度算法、向量点积算法、曼哈顿距离、欧氏距离算法、皮尔逊相关系数等任意一种,本领域技术人员按需择一实现即可。
步骤S2230、将所述访问数相似、订单数相似、订单金额相似相对应的第一时间窗口个数、第二时间窗口个数构造为周期性重复特征。
一种实施例中,将所述订单数相似、订单金额相似相对应的第一时间窗口个数相乘,获得相应的第一周期组合特征,将所述订单数相似、订单金额相似相对应的第二时间窗口个数相乘,获得相应的第二周期组合特征,将所述第一周期组合特征、第二周期组合特征、所述访问数相似、订单数相似、订单金额相似相对应的第一时间窗口个数、第二时间窗口个数构造为周期性重复特征
本实施例中,通过根据周期划分的店铺数据中的访问数据和交易数据提取出周期性重复特征,能够精准地深度捕捉线上店铺在销售方面的周期规律。
请参阅图4,进一步的实施例中,步骤S1200、根据店铺数据中的访问数据和交易数据提取出所述运营特征中的快速起量特征,包括如下步骤:
步骤S3200、获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;
所述预设时间粒度可设为一天或两天,可由本领域技术人员按需设定。
一种实施例中,所述预设时间粒度设为一天,预先统计出一天内所述店铺数据中的访问数据中访问session个数得出相应的访问数,以及根据所述店铺数据中的交易数据中的每笔订单的订单创建时间,统计出一天内加和所有订单得出的订单数、订单金额。
步骤S3210、确定出预设时长内每个第一时间窗口对应的所述访问数、订单数、订单金额分别的最大值和最小值;
所述预设时长可设为近半年、线上店铺开业后半年任意一种,本领域技术人员可按需设定,所述第一时间窗设为一周。
一种实施例中,所述预设时长设为近半年,确定出近半年内每周对应的一周内每天的访问数、订单数、订单金额中分别的最大值和最小值。
步骤S3220、根据所述访问数、订单数、订单金额分别的最大值和最小值,相应确定出属于访问数快速起量、订单数快速起量、订单金额快速起量对应的所述第一时间窗口个数,构造为快速起量特征。
根据所述访问数、订单数、订单金额分别的最大值和最小值,计算出访问数、订单数、订单金额对应的增长波动值,示范性公式举例:
其中,Score1为增长波动值,max为最大值、min为最小值。
当所述访问数、订单数、订单金额对应的增长波动值大于预设阈值时,表示相应的第一时间窗口出现快速增长波动即属于快速起量,所述预设阈值可由本领域技术人员按需设定,推荐设为0.6。
本实施例中,通过根据周期划分的店铺数据中的访问数据和交易数据提取出快速起量特征,能够精准地深度捕捉线上店铺在销售方面的快速增长波动。
请参阅图5,进一步的实施例中,步骤S1200、根据店铺数据中的配置信息、访问数据、交易数据提取出所述运营特征中的同行竞争力特征,包括如下步骤:
步骤S4200、根据所述店铺数据中的配置信息确定出所述线上店铺的同行线上店铺群;
根据所述店铺数据中的配置信息中的主营商品类目,确定出与所述线上店铺是为同行的多个线上店铺作为所述同行线上店铺群。
步骤S4210、根据所述店铺数据中的访问数据和交易数据,确定出订单金额均值、复购率、转化率;
根据预设时间粒度的所述店铺数据中的访问数据中的访问session,将用户购买线上店铺商品的次数与用户搜索、浏览线上店铺的商品的次数之和进行相比,计算出转化率,以及将至少两次购买线上店铺同一商品的用户数与购买线上店铺的商品的所有用户数相比,计算出复购率;根据预设时间粒度的所述店铺数据中的交易数据中的每笔订单的订单创建时间,计算出平均所有订单的订单金额,计算出订单金额均值。所述预设时间粒度可设为近半年、线上店铺开业后半年任意一种,本领域技术人员可按需设定。
步骤S4220、根据所述同行线上店铺群的平均订单金额均值、平均复购率、平均转化率,确定出所述订单金额均值、复购率、转化率对应的评级,构造为同行竞争力特征。
按照步骤S4210确定出所述同行线上店铺群中每个线上店铺对应的订单金额均值、复购率、转化率,进而分别与线上店铺数相比,相对应计算出所述平均订单金额均值、平均复购率、平均转化率。
根据所述线上店铺的订单金额均值和所述同行线上店铺群的平均订单金额均值,确定出所述订单金额均值的评级,包括:当所述线上店铺的订单金额均值大于所述同行线上店铺的平均订单金额均值,且计算订单金额均值与平均订单金额均值之间的差值除以平均订单金额,得出的计算结果大于预设阈值时,确定所述订单金额均值的评级为同行竞争力高;当所述线上店铺的订单金额均值小于所述同行线上店铺的平均订单金额均值,且计算平均订单金额均值与订单金额均值之间的差值除以平均订单金额,得出的计算结果大于预设阈值时,确定所述订单金额均值的评级为同行竞争力低;其余情况,确定所述订单金额均值的评级为同行竞争力一般。所述预设阈值可由本领域技术人员按需设定,推荐设为0.2。
按照上述同理,根据所述线上店铺的复购率、转化率和所述同行线上店铺群的平均复购率、平均转化率,确定出所述复购率、转化率对应的评级。
将所述线上店铺的订单金额均值、复购率、转化率对应的评级,构造为同行竞争力特征。
本实施例中,通过根据店铺数据中的配置信息确定出线上店铺的同行线上店铺群,以及根据店铺数据中的访问数据和交易数据确定出线上店铺的订单金额均值、复购率、转化率,进而将订单金额均值、复购率、转化率分别与同行线上店铺相对应的同行平均水平比较,确定出相应的评级构造为同行竞争力特征,能够精准地评价线上店铺的同行方面的竞争力。
请参阅图6,进一步的实施例中,步骤S1200、所述基础特征还包括组合特征、多维特征,按照如下过程提取,包括:
步骤S1201、根据所述店铺数据的配置信息确定出线下销售渠道特征、广告营销渠道特征进行特征组合,获得组合特征,所述线下销售渠道特征表征线上店铺是否有线下销售渠道、所述广告营销渠道特征表征线上店铺是否有广告营销渠道;
根据所述店铺数据的配置信息中是否有线下销售渠道、是否有广告营销渠道,相应确定出线下销售渠道特征、广告营销渠道特征,例如有线下销售渠道则线下销售渠道特征可表示为1,否则线下销售渠道特征可表示为0,同理可得出广告营销渠道特征的表示。进一步,将所述线下销售渠道特征和所述广告营销渠道特征相加,获得组合特征。
步骤S1202、根据所述店铺数据的售后服务数据确定出客诉原因分布、满意度分布对应进行降维处理,获得多维特征。
根据预设时间粒度的所述店铺数据中的售后服务数据中的客诉原因,采用聚类算法进行聚类,分类出每个客诉原因所属的原因群簇,确定出每个原因群簇对应的客诉原因个数,以及进一步计算所述每个原因群簇对应的客诉原因个数分别与所有原因群簇对应的客诉原因个数之和相比,相应得出每个原因群簇对应的占总比,获得客诉原因分布。所述聚类算法可以是k-means、KNN等,本领域技术人员按需择一实现即可。所述原因群簇的具体含义,由分析聚类后所得的原始群簇中的客诉原因而得,例如商品描述不符、商品质量差、客服态度差等,所述原因群簇的具体个数可通过手肘法、轮廓系数法、Gap统计量法、DB指数法、层次聚类法等算法确定,本领域技术人员按需择一实现即可。
根据预设时间粒度的所述店铺数据中的售后服务数据中的满意度,每个满意度对应的用户数,以及进一步计算所述每个满意度对应的用户数分别与所述满意度对应的用户数之和相比,相应得出每个满意度对应的占中比,获得满意度分布。
所述预设时间粒度可设为近半年、线上店铺开业后半年任意一种,本领域技术人员可按需设定。
进一步,采用降维算法对所述客诉原因分布、满意度分布进行降维处理,获得多维特征,所述降维算法可以是因子分析、主成分分析等任意一种,本领域技术人员可按需实现。
本实施例中,通过根据店铺数据中的配置信息构造出相应的组合特征,以及售后服务数据构造出多维特征,能够确保基础特征的丰富性。
请参阅图7,适应本申请的目的之一而提供的一种店铺特征应用装置,是对本申请的店铺特征应用方法的功能化体现,该装置另一方面,适应本申请的目的之一而提供的一种店铺特征应用装置,包括数据获取模块1100、特征提取模块1200、店铺分类模块1300以及策略定制模块1400,其中,数据获取模块1100,用于获取线上店铺的店铺数据,所述店铺数据包括配置信息、访问数据、交易数据、售后服务数据;特征提取模块1200,用于根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效;店铺分类模块1300,用于将所述店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型;策略定制模块1400,用于根据所述运营特征调整所述店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略。
进一步的实施例中,所述特征提取模块1200,包括:统计特征子模块,用于根据所述店铺数据以预设的多种时间粒度对应进行统计,获得每种时间粒度对应的统计特征,所述统计特征表征在相应的时间跨度下线上店铺在销售、广告营销、售后服务中任意一方面或任意多方面的经营状况;用户群分布特征子模块,用于根据所述店铺数据中的访问数据采用聚类算法进行聚类,确定出预设的多个用户群簇对应的用户个数和用户占总比作为用户群分布特征;分层特征子模块,用于根据所述店铺数据中的访问数据、交易数据采用预设的阶梯式阈值区间进行分层,确定出分层特征,所述分层特征表征线上店铺的多个经营关键指标对应的层级,所述层级表示经营关键指标的良莠。
进一步的实施例中,所述特征提取模块1200中所述运营特征包括周期性重复特征、快速起量特征、同行竞争力特征,所述周期性重复特征表征线上店铺在销售方面的周期规律,所述快速起量特征表征线上店铺在销售方面的快速增长波动,所述同行竞争力特征表征线上店铺在同行方面的竞争力。
进一步的实施例中,所述特征提取模块1200,包括:粒度数据获取子模块,用于获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;周规律确定子模块,用于确定出预设时长内每个第一时间窗口与其上一个第一时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第一时间窗口个数;月规律确定子模块,用于确定出预设时长内每个第二时间窗口与其上一个第二时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第二时间窗口个数;周期性重复特征构造子模块,用于将所述访问数相似、订单数相似、订单金额相似相对应的第一时间窗口个数、第二时间窗口个数构造为周期性重复特征。
进一步的实施例中,所述特征提取模块1200,包括:粒度数据获取子模块,用于获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;最值确定子模块,用于确定出预设时长内每个第一时间窗口对应的所述访问数、订单数、订单金额分别的最大值和最小值;快速起量特征构造子模块,用于根据所述访问数、订单数、订单金额分别的最大值和最小值,相应确定出属于访问数快速起量、订单数快速起量、订单金额快速起量对应的所述第一时间窗口个数,构造为快速起量特征。
进一步的实施例中,所述特征提取模块1200,包括:同行确定子模块,用于根据所述店铺数据中的配置信息确定出所述线上店铺的同行线上店铺群;经营成效确定子模块,用于根据所述店铺数据中的访问数据和交易数据,确定出订单金额均值、复购率、转化率;同行竞争力特征构造子模块,用于根据所述同行线上店铺群的平均订单金额均值、平均复购率、平均转化率,确定出所述订单金额均值、复购率、转化率对应的评级,构造为同行竞争力特征。
进一步的实施例中,所述特征提取模块1200,包括:组合特征子模块,用于根据所述店铺数据的配置信息确定出线下销售渠道特征、广告营销渠道特征进行特征组合,获得组合特征,所述线下销售渠道特征表征线上店铺是否有线下销售渠道、所述广告营销渠道特征表征线上店铺是否有广告营销渠道;多维特征子模块,用于根据所述店铺数据的售后服务数据确定出客诉原因分布、满意度分布对应进行降维处理,获得多维特征。
为解决上述技术问题,本申请实施例还提供计算机设备。如图8所示,计算机设备的内部结构示意图。该计算机设备包括通过***总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中,该计算机设备的计算机可读存储介质存储有操作***、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种店铺特征应用方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行本申请的店铺特征应用方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图7中的各个模块及其子模块的具体功能,存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本申请的店铺特征应用装置中执行所有模块/子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
本申请还提供一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行本申请任一实施例的店铺特征应用方法的步骤。
本领域普通技术人员可以理解实现本申请上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等计算机可读存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
综上所述,本申请构造多维度的店铺画像特征,精准分类出相应的店铺类型,确定出实用的运营策略。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种店铺特征应用方法,其特征在于,包括如下步骤:
获取线上店铺的店铺数据,所述店铺数据包括配置信息、访问数据、交易数据、售后服务数据;
根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效;
将所述店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型;其中,所述店铺分类模型的模型结构为文本特征提取层后接分类器,且预先经过训练至收敛,习得基于线上店铺的店铺画像特征分类出该线上店铺所属的店铺类型的能力;
根据所述运营特征调整所述店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略;
其中,所述基础特征包括统计特征、用户群分布特征、分层特征,按照如下过程提取,包括:
根据所述店铺数据以预设的多种时间粒度对应进行统计,获得每种时间粒度对应的统计特征,所述统计特征表征在相应的时间跨度下线上店铺在销售、广告营销、售后服务中任意一方面或任意多方面的经营状况;
根据所述店铺数据中的访问数据采用聚类算法进行聚类,确定出预设的多个用户群簇对应的用户个数和用户占总比作为用户群分布特征;
根据所述店铺数据中的访问数据、交易数据采用预设的阶梯式阈值区间进行分层,确定出分层特征,所述分层特征表征线上店铺的多个经营关键指标对应的层级,所述层级表示经营关键指标的良莠;
所述运营特征包括周期性重复特征、快速起量特征、同行竞争力特征,所述周期性重复特征表征线上店铺在销售方面的周期规律,所述快速起量特征表征线上店铺在销售方面的快速增长波动,所述同行竞争力特征表征线上店铺在同行方面的竞争力。
2.根据权利要求1所述的店铺特征应用方法,其特征在于,根据店铺数据中的访问数据和交易数据提取出所述运营特征中的周期性重复特征,包括如下步骤:
获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;
确定出预设时长内每个第一时间窗口与其上一个第一时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第一时间窗口个数;
确定出预设时长内每个第二时间窗口与其上一个第二时间窗口对应的所述访问数、订单数、订单金额之间分别是否相似,获得访问数相似、订单数相似、订单金额相似对应的第二时间窗口个数;
将所述访问数相似、订单数相似、订单金额相似相对应的第一时间窗口个数、第二时间窗口个数构造为周期性重复特征。
3.根据权利要求1所述的店铺特征应用方法,其特征在于,根据店铺数据中的访问数据和交易数据提取出所述运营特征中的快速起量特征,包括如下步骤:
获取预设时间粒度的所述店铺数据中的访问数据中的访问数,以及交易数据中的订单数、订单金额;
确定出预设时长内每个第一时间窗口对应的所述访问数、订单数、订单金额分别的最大值和最小值;
根据所述访问数、订单数、订单金额分别的最大值和最小值,相应确定出属于访问数快速起量、订单数快速起量、订单金额快速起量对应的所述第一时间窗口个数,构造为快速起量特征。
4.根据权利要求1所述的店铺特征应用方法,其特征在于,根据店铺数据中的配置信息、访问数据、交易数据提取出所述运营特征中的同行竞争力特征,包括如下步骤:
根据所述店铺数据中的配置信息确定出所述线上店铺的同行线上店铺群;
根据所述店铺数据中的访问数据和交易数据,确定出订单金额均值、复购率、转化率;
根据所述同行线上店铺群的平均订单金额均值、平均复购率、平均转化率,确定出所述订单金额均值、复购率、转化率对应的评级,构造为同行竞争力特征。
5.根据权利要求1至4中任意一项所述的店铺特征应用方法,其特征在于,所述基础特征还包括组合特征、多维特征,按照如下过程提取,包括:
根据所述店铺数据的配置信息确定出线下销售渠道特征、广告营销渠道特征进行特征组合,获得组合特征,所述线下销售渠道特征表征线上店铺是否有线下销售渠道、所述广告营销渠道特征表征线上店铺是否有广告营销渠道;
根据所述店铺数据的售后服务数据确定出客诉原因分布、满意度分布对应进行降维处理,获得多维特征。
6.一种店铺特征应用装置,其特征在于,包括:
数据获取模块,用于获取线上店铺的店铺数据,所述店铺数据包括配置信息、访问数据、交易数据、售后服务数据;
特征提取模块,用于根据所述店铺数据提取出基础特征,根据所述店铺数据中的访问数据、交易数据、配置信息提取出运营特征,将基础特征和运营特征构造为所述线上店铺的店铺画像特征,所述基础特征用于表征线上店铺经营状况,所述运营特征用于表征线上店铺经营成效;
店铺分类模块,用于将所述店铺画像特征输入至店铺分类模型,获得所述线上店铺所属的店铺类型;其中,所述店铺分类模型的模型结构为文本特征提取层后接分类器,且预先经过训练至收敛,习得基于线上店铺的店铺画像特征分类出该线上店铺所属的店铺类型的能力;
策略定制模块,用于根据所述运营特征调整所述店铺类型对应预设的基本运营策略,获得所述线上店铺的定制运营策略;
所述特征提取模块,包括:统计特征子模块,用于根据所述店铺数据以预设的多种时间粒度对应进行统计,获得每种时间粒度对应的统计特征,所述统计特征表征在相应的时间跨度下线上店铺在销售、广告营销、售后服务中任意一方面或任意多方面的经营状况;用户群分布特征子模块,用于根据所述店铺数据中的访问数据采用聚类算法进行聚类,确定出预设的多个用户群簇对应的用户个数和用户占总比作为用户群分布特征;分层特征子模块,用于根据所述店铺数据中的访问数据、交易数据采用预设的阶梯式阈值区间进行分层,确定出分层特征,所述分层特征表征线上店铺的多个经营关键指标对应的层级,所述层级表示经营关键指标的良莠;
所述特征提取模块中所述运营特征包括周期性重复特征、快速起量特征、同行竞争力特征,所述周期性重复特征表征线上店铺在销售方面的周期规律,所述快速起量特征表征线上店铺在销售方面的快速增长波动,所述同行竞争力特征表征线上店铺在同行方面的竞争力。
7.一种计算机设备,包括中央处理器和存储器,其特征在于,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至5中任意一项所述的方法的步骤。
8.一种计算机可读存储介质,其特征在于,其以计算机可读指令的形式存储有依据权利要求1至5中任意一项所述的方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575523.8A CN116629917B (zh) | 2023-05-19 | 2023-05-19 | 店铺特征应用方法及其装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575523.8A CN116629917B (zh) | 2023-05-19 | 2023-05-19 | 店铺特征应用方法及其装置、设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629917A CN116629917A (zh) | 2023-08-22 |
CN116629917B true CN116629917B (zh) | 2024-01-30 |
Family
ID=87612764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310575523.8A Active CN116629917B (zh) | 2023-05-19 | 2023-05-19 | 店铺特征应用方法及其装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629917B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465533A (zh) * | 2019-09-09 | 2021-03-09 | ***通信集团河北有限公司 | 智能选品方法、装置及计算设备 |
CN112990973A (zh) * | 2021-03-22 | 2021-06-18 | 山东顺能网络科技有限公司 | 线上店铺画像构建方法及*** |
CN113763118A (zh) * | 2021-04-02 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 策略推荐方法、装置、设备及存储介质 |
CN114254206A (zh) * | 2022-01-21 | 2022-03-29 | 拉扎斯网络科技(上海)有限公司 | 一种信息推荐策略生成方法及装置、存储介质、计算设备 |
-
2023
- 2023-05-19 CN CN202310575523.8A patent/CN116629917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465533A (zh) * | 2019-09-09 | 2021-03-09 | ***通信集团河北有限公司 | 智能选品方法、装置及计算设备 |
CN112990973A (zh) * | 2021-03-22 | 2021-06-18 | 山东顺能网络科技有限公司 | 线上店铺画像构建方法及*** |
CN113763118A (zh) * | 2021-04-02 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 策略推荐方法、装置、设备及存储介质 |
CN114254206A (zh) * | 2022-01-21 | 2022-03-29 | 拉扎斯网络科技(上海)有限公司 | 一种信息推荐策略生成方法及装置、存储介质、计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116629917A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10460347B2 (en) | Extracting predictive segments from sampled data | |
CN109189904A (zh) | 个性化搜索方法及*** | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109345302A (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
US9147159B2 (en) | Extracting predictive segments from sampled data | |
US20190303980A1 (en) | Training and utilizing multi-phase learning models to provide digital content to client devices in a real-time digital bidding environment | |
CN110555753A (zh) | 基于推荐的排序控制方法、装置、计算机设备及存储介质 | |
CN112068962B (zh) | 一种基于深度学习的云渲染资源兑换方法 | |
CN113327151B (zh) | 商品对象推荐方法、装置、计算机设备及存储介质 | |
CN114663197A (zh) | 商品推荐方法及其装置、设备、介质、产品 | |
US20220172083A1 (en) | Noise contrastive estimation for collaborative filtering | |
CN115545832A (zh) | 商品搜索推荐方法及其装置、设备、介质 | |
CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
CN114862480A (zh) | 广告投放定向方法及其装置、设备、介质、产品 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN113971599A (zh) | 广告投放选品方法及其装置、设备、介质、产品 | |
US20220076314A1 (en) | Light hypergraph based recommendation | |
CN116823404A (zh) | 商品组合推荐方法及其装置、设备、介质 | |
CN117350816A (zh) | 独立站商品推荐方法及其装置、设备、介质 | |
CN116629917B (zh) | 店铺特征应用方法及其装置、设备、介质 | |
CN115293818A (zh) | 广告投放选品方法及其装置、设备、介质 | |
CN115760315A (zh) | 商品推荐方法及其装置、设备、介质 | |
CN114971766A (zh) | 商品推荐方法及其装置、设备、介质、产品 | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
CN114782062A (zh) | 商品召回优化方法及其装置、设备、介质、产品 |
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 |