CN116894692A - 一种线上网络销售用户潜在需求分析监控方法及*** - Google Patents
一种线上网络销售用户潜在需求分析监控方法及*** Download PDFInfo
- Publication number
- CN116894692A CN116894692A CN202311159542.9A CN202311159542A CN116894692A CN 116894692 A CN116894692 A CN 116894692A CN 202311159542 A CN202311159542 A CN 202311159542A CN 116894692 A CN116894692 A CN 116894692A
- Authority
- CN
- China
- Prior art keywords
- commodity
- potential
- recommendation
- user
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 238000006243 chemical reaction Methods 0.000 claims abstract description 49
- 230000003993 interaction Effects 0.000 claims abstract description 38
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种线上网络销售用户潜在需求分析监控方法及***,涉及数据分析技术领域;包括以下步骤:采集线上网络销售平台中用户商品购买转换信息、商品购买时长信息,将商品购买转换信息、商品购买时长信息生成潜在需求指数并与设定的阈值进行比对,根据比对结果将用户进行分类标记,实现不同类型用户的资源分配,再采集关注商品信息包括类别互动信息与营销特征信息并生成商品推荐指数,将商品推荐指数与推荐评估阈值进行对比,生成推荐商品信号与标准推荐信号,对生成推荐商品信号的商品进行即时标记,建立商品推荐指数数据集合,对商品热度状态进行综合分析,从而节省了用户浏览商品的时间,加快了商品与资金的转化。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种线上网络销售用户潜在需求分析监控方法及***。
背景技术
线上网络销售平台是指通过互联网提供商品和服务,让用户可以在线上进行购物、交易和支付的平台,这些平台可以涵盖各种产品和服务领域,从电子产品、时尚服装到食品、家居用品等,用户可以随时随地浏览和购买商品,无需受到地理限制,平台上通常有大量不同类型的商品和品牌可供选择。
现有技术存在以下不足:随着互联网技术和电子商务的发展,从分析消费者的购物心理和行为发生了新的变化,在网络购物环境中,用户的潜在购物需求和显式购物需求之间差别都影响着用户的购物,显式购物需要是用户明确表达出来的,表示他们已经有购买的意图,而潜在购物需求是用户尚未明确表达出来的,但可能在未来发展成购买意愿的需求,如用户的浏览行为、留言评论、社交分享等数据,而对于用户的潜在购物需求的分析监测方面存在着严重的不足,造成不能明确分析出用户的潜在购物意向,影响相关商品或者服务的推送,对于用户潜在购物需求的商品不能进行准确推荐,使得用户购买商品时耗费更多时间进行浏览、选择,影响用户购物体验。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的是提供一种线上网络销售用户潜在需求分析监控方法及***,以解决背景技术中的不足。
为了实现上述目的,本发明提供如下技术方案:一种线上网络销售用户潜在需求分析监控方法,包括以下步骤;
采集线上网络销售平台中用户的购买行为信息,购买行为信息包括商品购买转换信息、商品购买时长信息,将商品购买转换信息、商品购买时长信息生成潜在需求指数;
将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行比对,根据比对结果将用户标记为显性用户、潜性用户、浏览用户;
采集潜性用户的关注商品信息,关注商品信息包括类别互动信息与营销特征信息,将类别互动信息与营销特征信息进行联立,生成商品推荐指数;
将商品推荐指数与推荐评估阈值进行对比,生成推荐商品信号与标准推荐信号;
对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合进行分析,对符合标准的商品向潜性用户进行推荐。
优选的,商品购买转换信息包括商品点击转换系数并标定为,商品购买时长信
息包括商品下单跨度时长值并标定为,类别互动信息包括商品类别点击均值比、商品
互动分享系数并分别标定为、,营销特征信息包括区域购买浮动系数标定为。
优选的,商品点击转换系数、下单跨度时长值的获取逻辑如下:
获取用户点击每个商品的次数并建立点击次数集合,获取对应点击每个商品的实际购买次数并建立
购买次数集合,为正整数,计算点击次
数集合的总点击次数、购买次数集合的总购买次数分别标记为、,计算表达式分别
为:、,将总点击次数、总购买次数计算得到商品点击转
换系数,计算的表达式为:;
获取用户下单商品的历史浏览商品的所有时间,获取第一次浏览此商品的时间与
最后一次浏览此商品的时间分别为DSJ、ZSJ,获取用户在历史浏览商品的所有时间中此商
品的浏览总次数LC,商品下单跨度时长值计算表达式为:。
优选的,将商品购买转换信息、商品购买时长信息生成潜在需求指数,依据的公式
为:,式中,、分别为商品点击转换系数、商品下单跨度时
长值的预设比例系数,且、均大于0。
优选的,将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行比对,根据比对结果将用户标记为显性用户、潜性用户、浏览用户,具体过程如下:
将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行比对,潜性评估第一阈值大于潜性评估第二阈值,根据比对结果将用户进行标记分类;
若潜在需求指数小于等于潜性评估第一阈值且大于潜性评估第二阈值,则将用户标记为潜性用户;
若潜在需求指数大于潜性评估第一阈值,则将用户标记为显性用户;
若潜在需求指数小于等于潜性评估第二阈值,则将用户标记为浏览用户。
优选的,商品类别点击均值比、商品互动分享系数以及区域购买浮动系数的获取逻辑如下:
获取潜性用户对商品的点击次数是指潜性用户在商品的总点击次数,获取所有潜
性用户对商品类别的平均点击次数是指所有潜性用户在商品类别上的总点击次数除以商
品类别数,将潜性用户对商品的点击次数除以所有潜性用户对商品类别的平均点击次数作
为商品类别点击均值比;
获取潜性用户上线时间段时受到商品推销信息的次数并标记为TN,获取潜性用户
点击商品推销信息的比例作为推销权重Qz,获取商品在潜性用户上线时间段被分享的次数
并标记为FN,获取商品在潜性用户上线时间段收到的总下单次数XN,商品互动分享系数的
计算的表达式为:;
获取潜性用户所在区域时间段内的各单位时间的商品销售数量,建立销售数量集
合,为正整数,计算销售数量集合的销量均
值为,计算销售数量集合的销量标准差为: ,区域购
买浮动系数的计算式为:。
优选的,将类别互动信息与营销特征信息进行联立,生成商品推荐指数,依据的公
式为:,式中,、、分别为商品
类别点击均值比、商品互动分享系数以及区域购买浮动值的预设比例系数,
且、、均大于0。
优选的,将商品推荐指数与推荐评估阈值进行对比,生成推荐商品信号与标准推荐信号,具体步骤如下:
将商品推荐指数与推荐评估阈值进行对比;
若商品推荐指数小于推荐评估阈值,则生成标准商品信号;
若商品推荐指数大于等于推荐评估阈值,则生成推荐商品信号。
优选的,对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合,对商品热度状态进行综合分析,具体步骤如下:
对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合;
计算商品推荐指数数据集合中商品推荐指数的均值和标准差;
对每个数据,计算其与均值的偏差值,得到离群程度值,获取离群程度值的具体公
式为:,其中为商品推荐指数数据集合内数据点,为商品
推荐指数数据集合的均值,为商品推荐指数数据集合的标准差;
将商品推荐指数数据集合内数据的离群程度值与设置的离群阈值进行比较,当数据集合内数据的离群程度值小于等于离散阈值时,将数据作为离群点进行记录;
当离群点数量小于等于设置的数量阈值时,判断商品的推荐热度稳定大,推荐商品给潜性用户,并对商品进行重点监控。
本发明还提供一种线上网络销售用户潜在需求分析监控***,包括数据采集模块、数据处理模块、数据分析模块、监控推荐模块;
数据采集模块采集用户的购买行为信息,购买行为信息包括商品购买转换信息以及商品购买时长信息,采集潜性用户的关注商品信息,关注商品信息包括类别互动信息与营销特征信息,将采集的数据发送到数据处理模块;
数据处理模块接收到数据采集模块发送的数据,将商品购买转换信息以及商品购买时长信息生成潜在需求指数,将类别互动信息与营销特征信息生成商品推荐指数,并发送到数据分析模块;
数据分析模块接收数据处理模块发送的数据,将潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行对比,将用户进行标记为显性用户、潜性用户以及浏览用户,将商品推荐指数与推荐评估阈值,生成推荐商品信号与标准推荐信号,将数据发送到监控推荐模块;
监控推荐模块接收数据分析模块发送的数据,对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合进行分析,对符合标准的商品向潜性用户进行推荐。
在上述技术方案中,本发明提供的技术效果和优点:
本申请通过对线上网络销售平台中用户的购买行为信息进行分析,将购买行为信息中的商品购买转换信息以及商品购买时长信息进行联立,生成潜在需求指数,根据生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行对比,根据对比结果将用户进行分类,分析得到用户的购物习惯,对用户具有更明确的资源分配,再对潜性用户进行商品推荐,对各类型商品进行分析,选择合适的商品进行推送,通过采集商品的类别互动信息与营销特征信息进行联立,生成商品推荐指数,将商品推荐指数与推荐评估阈值进行对比,根据对比结果生成不同推荐信号,对生成的推荐信号为推荐商品信号的进行实时记录,确定商品的整体热度状态,从而实现了对潜性用户商品的准确推送,节省了潜性用户浏览商品的时间,加快了商品与资金的转化。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明一种线上网络销售用户潜在需求分析监控方法及***的流程示意图。
图2为本发明一种线上网络销售用户潜在需求分析监控方法及***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本公开的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
实施例1:本发明提供了如图1所示的一种线上网络销售用户潜在需求分析监控方法,所述方法包括以下步骤:
在网络购物环境中,用户对商品的购买行为呈现多样化的习惯,这些习惯差异反映了用户在购买决策中的不同心理态度和行为模式,具体而言,有一部分用户表现出较为坚定的购买决心,他们对商品的购买目标十分明确,往往在相对短暂的浏览过程后即迅速决定购买,这类用户不需过多的比较和犹豫,他们更关注商品本身的特性,一旦满足了自身需求,便毫不犹豫地进行购买。
另一方面,有一部分用户则更倾向于审慎购物,他们在购买决策中表现出相对较高的犹豫性,这类用户会进行多次商品比较,不同的产品参数、价格、品质等因素会在他们的决策过程中起到重要影响,他们会在的网络销售平台上进行多次浏览,收集相关商品信息,以确保自己做出最明智的购买选择,这种谨慎的态度可能意味着他们更加重视购物的长期价值,即用户的潜在购买意向强,需要对商品进行更多方面的了解。
同时,还有一部分用户倾向于将购物行为仅局限于商品的浏览阶段,他们可能会浏览多个商品页面,关注商品特性和价格,但并不急于做出购买决策,这可能是因为他们处于对商品的认知阶段,或者仅仅是出于娱乐和探索的目的在浏览,这类用户对于商品的浏览行为可能有助于增强对市场趋势和新品上市的了解,是重要的潜在浏览用户。
网络购物环境中不同用户的购买行为***台的用户进行潜在购物需求进行分析,根据分析结果对用户进行分类,对不同分类的用户分配相应的推送资源,从而明确了用户之间的商品推送方式。
采集线上网络销售平台中用户的购买行为信息,购买行为信息包括商品购买转换信息以及商品购买时长信息,通过采集的信息分析用户的不同潜在需求程度。
商品购买转换信息包括商品点击转换系数,商品购买时长信息包括商品下单跨度
时长值,采集后,将商品点击转换系数、商品下单跨度时长值分别标定为、。
商品购买转换信息中的商品点击转换系数对分析用户的潜在需求有重要作用,商品点击转换系数表示用户在点击特定商品与最终实际购买商品之间的情况,商品点击转换系数对分析用户具有以下方面的作用:
个性化推荐:分析点击转换系数可以理解用户的购买偏好,对于果断购买者,可以推荐适合其兴趣的商品,以促进购买行为,而对于谨慎购买者,提供更多详细的比较和评估信息;
购买决策风格识别:通过分析商品点击转换系数,可以区分不同用户的购买决策风格,对于点击转换系数较高的用户,判断更倾向于果断购买,不需多次比较,而对于点击转换系数较低的用户,则可能更注重比较和考虑;
营销策略优化:了解用户的购买决策风格优化营销策略,对于果断购买者,可以强调限时优惠和紧迫感,促使他们更快地购买,而对于谨慎购买者,可以提供更多的商品比较和评价,减少购买前的犹豫。
商品点击转换系数的获取逻辑如下:
获取用户点击每个商品的次数并建立点击次数集合,获取对应点击每个商品的实际购买次数并建
立购买次数集合,为正整数,计算点击
次数集合的总点击次数、购买次数集合的总购买次数分别标记为、,计算表达式分
别为:、,将总点击次数、总购买次数计算得到商品点击
转换系数,计算的表达式为:。
需要说明的是,获取用户点击每个商品的次数是在一个设定的时间段内进行采集的,记录设定时间段内各商品的点击次数与各商品的购买次数。
商品购买时长信息中的商品下单跨度时长值对分析用户的潜在需求有重要作用,商品下单跨度时长值表示用户在浏览或点击商品后,实际下单购买所经过的时间长度情况,商品下单跨度时长值会对分析用户具有以下方面的作用:
购买决策路径:跨度时长可以揭示用户在购买决策路径上的步骤,一些用户可能需要多次浏览和比较,而另一些用户可能会在短时间内就做出决策;
购买意愿强度:商品下单跨度时长值也可以反映用户的购买意愿强度,较短的时长可能暗示用户购买意愿较高,购买满足需求强烈,相反,较长的时长可能表示购买意愿不强,需要更多时间来考虑是否进行商品的购买;
购买决策速度:商品下单跨度时长值可以揭示用户在点击商品后的购买决策速度,较短的时长可能表示用户购买决策较为迅速,而较长的时长可能意味着用户需要更多时间来考虑和比较。
商品下单跨度时长值获取的逻辑如下:
获取用户下单商品的历史浏览商品的所有时间,获取第一次浏览此商品的时间与
最后一次浏览此商品的时间分别为DSJ、ZSJ,获取用户在历史浏览商品的所有时间中此商
品的浏览总次数LC,商品下单跨度时长值计算表达式为:。
需要说明的是,第一次浏览此商品的时间与最后一次浏览此商品的时间表示用户第一次接触此商品的时间与此商品下单的时间。
根据商品购买转换信息以及商品购买时长信息对用户的购物习惯进行综合分析,根据分析结果得到用户属性分类类型;
将获取到的商品点击转换系数、商品下单跨度时长值做无量纲处理,去除单位后
生成潜在需求指数,并标定为,依据的公式为:,式中,、
分别为商品点击转换系数、商品下单跨度时长值的预设比例系数,且、大于0。
由公式可知,商品点击转换系数越大、商品下单跨度时长值越小,即潜在需求指数的表现值越大,较高的潜在需求指数表明用户购买决策较果断且速度较快,购买需求相
对较强,商品点击转换系数越小、商品下单跨度时长值越大,即潜在需求指数的表现值
越小,表明用户购买决策较为谨慎且速度较慢,用户购买需求相对较弱。
将潜在需求指数与预设的潜性评估阈值进行比较,可以将用户分为不同的分类,根据分类结果可更深入地了解的用户的购买行为模式和需求特征,从而优化营销策略;
将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行比对,潜性评估第一阈值大于潜性评估第二阈值,根据比对结果将用户进行分类;
获取到生成的潜在需求指数后,将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值分别进行对比,若潜在需求指数小于等于潜性评估第一阈值且大于潜性评估第二阈值,则将用户标记为潜性用户,表明用户的购买决策相对较谨慎,需要更多的时间和比较来做出购买决策,对购买行为持有较高的犹豫态度,对此类用户更多监控资源分配;
若潜在需求指数大于潜性评估第一阈值,则将用户标记为显性用户,表明用户在购买商品时的决策速度和果断性较高,更倾向于快速完成购买,对此类用户进行正常监控资源分配;
若潜在需求指数小于等于潜性评估第二阈值,则将用户标记为浏览用户,表明用户属于浏览行为较多,对此类用户进行正常监控资源分配。
需要说明的是,将用户标记为潜性用户并不意味着用户没有购买意愿或不会购买商品,相反,这只是指用户的购买决策相对较谨慎,需要更多的信息和时间来做出决策,在多个时间窗口中,潜性用户在不同时间窗口中可能由于购买的商品类别不同,可能变为显性用户,显性用户也可以转变为潜性用户,例如,甲用户在购买日用品时被分类为潜性用户,甲用户在购买电子产品时被分类为显性用户。
本申请通过对线上网络销售平台中用户的购买行为信息进行分析,将购买行为信息中的商品购买转换信息以及商品购买时长信息进行联立,生成潜在需求指数,根据生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行对比,根据对比结果将用户进行分类,分析得到用户的购物习惯,对用户具有更明确的资源分配。
实施例2:潜性用户在预购买商品时,对购买决策产生一定程度的犹豫性,这种犹豫性可能是由多种因素所引起的,包括不确定性、购买风险、对不同选项的比较和个人偏好等,由于在现代电商环境中,潜性用户通常面临大量的选择,不同品牌、型号、功能等的商品过多,需要更多时间来比较不同选项,潜性用户进行多次商品比较则说明在做出购买决策之前希望获得更多信息,以确保他们做出明智的选择,即销售平台推送出最优的商品往往会节省潜性用户的商品浏览时间,加快用户的购物消费过程。
采集潜性用户的关注商品信息,关注商品信息包括类别互动信息与营销特征信
息,类别互动信息包括商品类别点击均值比、商品互动分享系数,营销特征信息包括区域购
买浮动系数,采集后,将商品类别点击均值比、商品互动分享系数以及区域购买浮动系数分
别标定为、、。
商品类别点击均值比对分析商品的流行度具有重要影响,商品类别点击均值比表示潜性用户对商品点击次数与所有潜性用户对商品类别的平均点击次数的比值,商品类别点击均值比会商品分析产生以下方面作用:
个性化推荐:商品类别点击均值比用来识别潜性用户对特定商品类别的相对偏好,平台可以定制化推荐更符合用户兴趣的商品,从而提高购买转化率;
市场细分:通过分析商品类别点击均值比,可以将潜性用户细分为对不同商品类别兴趣程度不同的群体,更有针对性地开展市场营销活动,满足不同兴趣的潜性用户需求。
商品类别点击均值比的获取逻辑如下:
获取潜性用户对商品的点击次数是指潜性用户在商品的总点击次数,获取所有潜
性用户对商品类别的平均点击次数是指所有潜性用户在商品类别上的总点击次数除以商
品类别数,将潜性用户对商品的点击次数除以所有潜性用户对商品类别的平均点击次数作
为商品类别点击均值比。
需要说明的是,商品的点击次数与商品类别上的总点击次数为同一种商品与其上位的类别,如,商品为脱脂纯牛奶,上位商品类别为纯牛奶,商品的点击次数与商品类别上的总点击次数通过线上网络销售平台中存储的用户数据获取。
商品互动分享系数表示潜性用户对商品互动分享之间的关系,商品互动分享系数影响潜性用户的购买意向,商品互动分享系数对商品分析产生以下方面作用:
兴趣和喜好:高商品互动分享系数通常表明该商品引发了用户的浓厚兴趣和喜好,用户愿意购买分享次数多商品,能满足大众购买需求;
推荐和口碑:商品互动分享系数被视为一种口碑和推荐,用户向朋友、家人或关注者介绍值得购买的商品,产生口碑效应对于吸引新的潜性用户和增加销售转化率产生具有积极影响。
商品互动分享系数的获取逻辑如下:
获取潜性用户上线时间段时受到商品推销信息的次数并标记为TN,获取潜性用户
点击商品推销信息的比例作为推销权重Qz,获取商品在潜性用户上线时间段被分享的次数
并标记为FN,获取商品在潜性用户上线时间段收到的总下单次数XN,商品互动分享系数的
计算的表达式为:。
需要说明的是,获取并发电力供应平衡值与数据联动冲突率时,可按照划分的采集数据时间段进行数据采集,具体采集数据时间段根据实际情况进行划分,可将各采集数据时间段进行类比分析。
区域购买浮动系数表示潜性用户所在区域中商品的销量浮动情况,用来评估区域内商品的销售与营销情况,区域购买浮动系数影响潜性用户的购买意向,区域内用户购买数量多,潜性用户会对该商品产生更多的兴趣,具有更多的购买倾向,区域购买浮动系数对分析商品方面产生以下方面的作用:
营销策略优化:区域购买浮动系数可以指导营销策略的制定和调整,较低的浮动系数可能意味着商品销量较为平稳,商品处于稳定销售状态,而较高的浮动系数意味着在该区域销量增长,商品处于热销状态;
需求波动预测:通过分析区域购买浮动系数的变化趋势,可以预测不同区域商品需求的波动,使得进行营销规划、生产安排和采购决策具有依据。
区域购买浮动系数的获取逻辑如下:
获取潜性用户所在区域时间段内的各单位时间的商品销售数量,建立销售数量集
合,为正整数,计算销售数量集合的销量均
值为,计算销售数量集合的销量标准差为: ,区域购
买浮动系数的计算式为:。
需要说明的是,区域时间段内的各单位时间是根据实际情况进行划分的,可以进行单位时间的调整,商品销售数量根据线上网络销售平台中用户收货地址所在区域进行商品销售数量的统计。
将获取到的商品类别点击均值比、商品互动分享系数以及区域购买浮动系数做无
量纲处理,去除单位后生成商品推荐指数,并标定为,依据的公式为:
,式中,、、分别为商品类别点击
均值比、商品互动分享系数以及区域购买浮动值的预设比例系数,且、
、均大于0。
由公式可知,商品类别点击均值比越大、商品互动分享系数越大、区域购买浮动系
数越大、即商品推荐指数的表现值越大,表明商品符合潜性用户需求的概率越大,商品类
别点击均值比越小、商品互动分享系数越小、区域购买浮动系数越小,即商品推荐指数的
表现值越小,表明商品符合潜性用户需求的概率越小。
将商品推荐指数与推荐评估阈值进行对比,具体过程如下:
若商品推荐指数小于推荐评估阈值,则生成标准商品信号,表示在商品购买热度较低,符合潜性用户购物需求的概率小;
若商品推荐指数大于等于推荐评估阈值,则生成推荐商品信号,表示商品的购买热度较高,符合潜性用户购物需求的概率大。
对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合,通过计算数据集合中的均值与标准差,得到各商品推荐指数的离群程度值,确定商品推荐热度状态;
计算数据集合中商品推荐指数的均值和标准差;
对每个数据,计算其与均值的偏差值,得到离群程度值,获取离群程度值的具体公
式为:,其中为商品推荐指数数据集合内数据点,为商品
推荐指数数据集合的均值,为商品推荐指数数据集合的标准差;
将商品推荐指数数据集合内数据的离群程度值与设置的离群阈值进行比较,当数据集合内数据的离群程度值小于等于离散阈值时,表明商品的商品推荐指数的离群程度小,将数据作为离群点进行记录,当离群点数量小于等于设置的数量阈值时,判断商品的推荐热度稳定大,推荐商品给潜性用户。
本申请潜性用户进行商品推荐,对各类型商品进行分析,选择合适的商品进行推送,通过采集商品的类别互动信息与营销特征信息进行联立,生成商品推荐指数,将商品推荐指数与推荐评估阈值进行对比,根据对比结果生成不同推荐信号,对生成的推荐信号为推荐商品信号的进行实时记录,确定商品的整体热度状态,从而实现了对潜性用户商品的准确推送,节省了潜性用户浏览商品的时间,加快了商品与资金的转化。
实施例3:本发明提供了如图2所示的一种线上网络销售用户潜在需求分析监控***,包括数据采集模块、数据处理模块、数据分析模块、监控推荐模块;
数据采集模块采集用户的购买行为信息,购买行为信息包括商品购买转换信息以及商品购买时长信息,采集潜性用户的关注商品信息,关注商品信息包括类别互动信息与营销特征信息,将采集的数据发送到数据处理模块;
数据处理模块接收到数据采集模块发送的数据,将商品购买转换信息以及商品购买时长信息生成潜在需求指数,将类别互动信息与营销特征信息生成商品推荐指数,并发送到数据分析模块;
数据分析模块接收数据处理模块发送的数据,将潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行对比,将用户进行标记为显性用户、潜性用户以及浏览用户,将商品推荐指数与推荐评估阈值,生成推荐商品信号与标准推荐信号,将数据发送到监控推荐模块;
监控推荐模块接收数据分析模块发送的数据,对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合,对商品热度状态进行综合分析。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
需要说明的是,在本文中,如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种线上网络销售用户潜在需求分析监控方法,其特征在于,包括以下步骤;
采集线上网络销售平台中用户的购买行为信息,购买行为信息包括商品购买转换信息、商品购买时长信息,将商品购买转换信息、商品购买时长信息生成潜在需求指数;
将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行比对,根据比对结果将用户标记为显性用户、潜性用户、浏览用户;
采集潜性用户的关注商品信息,关注商品信息包括类别互动信息与营销特征信息,将类别互动信息与营销特征信息进行联立,生成商品推荐指数;
将商品推荐指数与推荐评估阈值进行对比,生成推荐商品信号与标准推荐信号;
对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合进行分析,对符合标准的商品向潜性用户进行推荐。
2.根据权利要求1所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,商品购买转换信息包括商品点击转换系数并标定为,商品购买时长信息包括商品下单跨度时长值并标定为/>,类别互动信息包括商品类别点击均值比、商品互动分享系数并分别标定为/>、/>,营销特征信息包括区域购买浮动系数标定为/>。
3.根据权利要求2所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,商品点击转换系数、下单跨度时长值的获取逻辑如下:
获取用户点击每个商品的次数并建立点击次数集合,获取对应点击每个商品的实际购买次数并建立购买次数集合/>,/>为正整数,计算点击次数集合的总点击次数、购买次数集合的总购买次数分别标记为/>、/>,计算表达式分别为:/>、/>,将总点击次数、总购买次数计算得到商品点击转换系数,计算的表达式为:/>;
获取用户下单商品的历史浏览商品的所有时间,获取第一次浏览此商品的时间与最后一次浏览此商品的时间分别为DSJ、ZSJ,获取用户在历史浏览商品的所有时间中此商品的浏览总次数LC,商品下单跨度时长值计算表达式为:。
4.根据权利要求3所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,将商品购买转换信息、商品购买时长信息生成潜在需求指数,依据的公式为:
,式中,/>、/>分别为商品点击转换系数/>、商品下单跨度时长值/>的预设比例系数,且/>、/>均大于0。
5.根据权利要求4所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行比对,根据比对结果将用户标记为显性用户、潜性用户、浏览用户,具体过程如下:
将生成的潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行比对,潜性评估第一阈值大于潜性评估第二阈值,根据比对结果将用户进行标记分类;
若潜在需求指数小于等于潜性评估第一阈值且大于潜性评估第二阈值,则将用户标记为潜性用户;
若潜在需求指数大于潜性评估第一阈值,则将用户标记为显性用户;
若潜在需求指数小于等于潜性评估第二阈值,则将用户标记为浏览用户。
6.根据权利要求5所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,商品类别点击均值比、商品互动分享系数以及区域购买浮动系数的获取逻辑如下:
获取潜性用户对商品的点击次数是指潜性用户在商品的总点击次数,获取所有潜性用户对商品类别的平均点击次数是指所有潜性用户在商品类别上的总点击次数除以商品类别数,将潜性用户对商品的点击次数除以所有潜性用户对商品类别的平均点击次数作为商品类别点击均值比;
获取潜性用户上线时间段时受到商品推销信息的次数并标记为TN,获取潜性用户点击商品推销信息的比例作为推销权重Qz,获取商品在潜性用户上线时间段被分享的次数并标记为FN,获取商品在潜性用户上线时间段收到的总下单次数XN,商品互动分享系数的计算的表达式为:;
获取潜性用户所在区域时间段内的各单位时间的商品销售数量,建立销售数量集合,/>为正整数,计算销售数量集合的销量均值为/>,计算销售数量集合的销量标准差为: /> ,区域购买浮动系数的计算式为:/>。
7.根据权利要求6所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,将类别互动信息与营销特征信息进行联立,生成商品推荐指数,依据的公式为:
,式中,/>、/>、/>分别为商品类别点击均值比/>、商品互动分享系数/>以及区域购买浮动值/>的预设比例系数,且、/>、/>均大于0。
8.根据权利要求7所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,将商品推荐指数与推荐评估阈值进行对比,生成推荐商品信号与标准推荐信号,具体步骤如下:
将商品推荐指数与推荐评估阈值进行对比;
若商品推荐指数小于推荐评估阈值,则生成标准商品信号;
若商品推荐指数大于等于推荐评估阈值,则生成推荐商品信号。
9.根据权利要求8所述的一种线上网络销售用户潜在需求分析监控方法,其特征在于,对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合进行分析,对符合标准的商品向潜性用户进行推荐,具体步骤如下:
对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合;
计算商品推荐指数数据集合中商品推荐指数的均值和标准差;
对每个数据,计算其与均值的偏差值,得到离群程度值,获取离群程度值的具体公式为:,其中/>为商品推荐指数数据集合内数据点,/>为商品推荐指数数据集合的均值,/>为商品推荐指数数据集合的标准差;
将商品推荐指数数据集合内数据的离群程度值与设置的离群阈值进行比较,当数据集合内数据的离群程度值小于等于离散阈值时,将数据作为离群点进行记录;
当离群点数量小于等于设置的数量阈值时,判断商品的推荐热度稳定大,推荐商品给潜性用户。
10.一种线上网络销售用户潜在需求分析监控***,用于实现权利要求1-9任一项所述的方法,其特征在于,包括数据采集模块、数据处理模块、数据分析模块、监控推荐模块;
数据采集模块采集用户的购买行为信息,购买行为信息包括商品购买转换信息以及商品购买时长信息,采集潜性用户的关注商品信息,关注商品信息包括类别互动信息与营销特征信息,将采集的数据发送到数据处理模块;
数据处理模块接收到数据采集模块发送的数据,将商品购买转换信息以及商品购买时长信息生成潜在需求指数,将类别互动信息与营销特征信息生成商品推荐指数,并发送到数据分析模块;
数据分析模块接收数据处理模块发送的数据,将潜在需求指数与潜性评估第一阈值、潜性评估第二阈值进行对比,将用户进行标记为显性用户、潜性用户以及浏览用户,将商品推荐指数与推荐评估阈值,生成推荐商品信号与标准推荐信号,将数据发送到监控推荐模块;
监控推荐模块接收数据分析模块发送的数据,对生成推荐商品信号的商品进行即时标记,并标记商品后续时刻生成的商品推荐指数,并建立商品推荐指数数据集合进行分析,对符合标准的商品向潜性用户进行推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159542.9A CN116894692B (zh) | 2023-09-11 | 2023-09-11 | 一种线上网络销售用户潜在需求分析监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159542.9A CN116894692B (zh) | 2023-09-11 | 2023-09-11 | 一种线上网络销售用户潜在需求分析监控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894692A true CN116894692A (zh) | 2023-10-17 |
CN116894692B CN116894692B (zh) | 2023-11-24 |
Family
ID=88312374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311159542.9A Active CN116894692B (zh) | 2023-09-11 | 2023-09-11 | 一种线上网络销售用户潜在需求分析监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894692B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237024A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市诚王创硕科技有限公司 | 一种用于市场营销的推广方法及*** |
CN117273863A (zh) * | 2023-11-03 | 2023-12-22 | 零一创造欢乐(深圳)科技有限公司 | 一种基于用户需求预测的信息推送方法及电子商务*** |
CN117670404A (zh) * | 2024-02-02 | 2024-03-08 | 深圳市卖点科技股份有限公司 | 用于智能展示终端的智能零售管理***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106708821A (zh) * | 2015-07-21 | 2017-05-24 | 广州市本真网络科技有限公司 | 基于用户个性化购物行为进行商品推荐的方法 |
CN107895299A (zh) * | 2017-11-08 | 2018-04-10 | 浙江执御信息技术有限公司 | 一种商品的曝光排序方法和装置 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN111724235A (zh) * | 2020-06-09 | 2020-09-29 | 清华大学深圳国际研究生院 | 一种基于用户新奇度的在线商品推荐方法 |
CN112288549A (zh) * | 2020-11-18 | 2021-01-29 | 杭州拼便宜网络科技有限公司 | 一种商品推荐列表生成方法、装置、设备及可读存储介质 |
WO2023071404A1 (zh) * | 2021-10-29 | 2023-05-04 | 花瓣云科技有限公司 | 推荐方法、电子设备及存储介质 |
CN116308562A (zh) * | 2023-02-09 | 2023-06-23 | 重庆商社电子商务有限公司 | 线下零售用户智能筛选方法 |
-
2023
- 2023-09-11 CN CN202311159542.9A patent/CN116894692B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106708821A (zh) * | 2015-07-21 | 2017-05-24 | 广州市本真网络科技有限公司 | 基于用户个性化购物行为进行商品推荐的方法 |
CN107895299A (zh) * | 2017-11-08 | 2018-04-10 | 浙江执御信息技术有限公司 | 一种商品的曝光排序方法和装置 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN111724235A (zh) * | 2020-06-09 | 2020-09-29 | 清华大学深圳国际研究生院 | 一种基于用户新奇度的在线商品推荐方法 |
CN112288549A (zh) * | 2020-11-18 | 2021-01-29 | 杭州拼便宜网络科技有限公司 | 一种商品推荐列表生成方法、装置、设备及可读存储介质 |
WO2023071404A1 (zh) * | 2021-10-29 | 2023-05-04 | 花瓣云科技有限公司 | 推荐方法、电子设备及存储介质 |
CN116308562A (zh) * | 2023-02-09 | 2023-06-23 | 重庆商社电子商务有限公司 | 线下零售用户智能筛选方法 |
Non-Patent Citations (1)
Title |
---|
王腾宇;: "大数据时代下电子商务个性化推荐***的分析与设计", 智库时代, no. 08, pages 136 - 137 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273863A (zh) * | 2023-11-03 | 2023-12-22 | 零一创造欢乐(深圳)科技有限公司 | 一种基于用户需求预测的信息推送方法及电子商务*** |
CN117273863B (zh) * | 2023-11-03 | 2024-05-28 | 零一创造欢乐(深圳)科技有限公司 | 一种基于用户需求预测的信息推送方法及电子商务*** |
CN117237024A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市诚王创硕科技有限公司 | 一种用于市场营销的推广方法及*** |
CN117237024B (zh) * | 2023-11-14 | 2024-02-20 | 深圳市诚王创硕科技有限公司 | 一种用于市场营销的推广方法及*** |
CN117670404A (zh) * | 2024-02-02 | 2024-03-08 | 深圳市卖点科技股份有限公司 | 用于智能展示终端的智能零售管理***及方法 |
CN117670404B (zh) * | 2024-02-02 | 2024-05-28 | 深圳市卖点科技股份有限公司 | 用于智能展示终端的智能零售管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116894692B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116894692B (zh) | 一种线上网络销售用户潜在需求分析监控方法及*** | |
US11587123B2 (en) | Predictive recommendation system using absolute relevance | |
US11587116B2 (en) | Predictive recommendation system | |
KR102213768B1 (ko) | 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템 | |
JP6325745B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
JP6045750B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
Lim et al. | Impact of satisfaction with e-retailers’ touch points on purchase behavior: the moderating effect of search and experience product type | |
CN116894709A (zh) | 一种广告商品推荐方法和*** | |
CN111709813B (zh) | 一种基于大数据线上商品推荐方法 | |
Chen et al. | Analysis of review helpfulness based on consumer perspective | |
JP5824602B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
CN112085549A (zh) | 一种基于数据处理技术的电商平台用商品推荐方法 | |
Mykhalchuk et al. | Development of recommendation system in e-commerce using emotional analysis and machine learning methods | |
US10713260B2 (en) | Apparatus, method, and computer-readable recording medium for providing information based on information elements identified by using user history information and estimated viewing duration information | |
JP6914313B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP6980573B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Sekarlingga et al. | Analysis of factors that influence purchase intentions for skintific products using Tiktok shop Indonesia with online trust as mediator variable | |
Gao et al. | Modeling shopping cart decisions with heterogeneous product involvement and reviews | |
JP6679705B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
JP7261967B1 (ja) | プログラム、情報処理装置、及び方法 | |
Tabak Kizgin et al. | Random Forest Based Hybrid Approaches to Analysis of Retail Stores | |
Gangewatta et al. | Factors Affecting Urban Consumer Intention towards Online Purchasing of Agricultural Commodities in Sri Lanka | |
Lunde et al. | How does dynamic pricing affect customer perceived fairness across product necessities? | |
Qu et al. | Is Ranking Advantage Equal to Market Power?—An Empirical Study of E-Commerce Platforms | |
KR20220120993A (ko) | 서비스 제공 프로그램 |
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 |