CN117557306A - 基于行为、特征对消费者分类的管理*** - Google Patents
基于行为、特征对消费者分类的管理*** Download PDFInfo
- Publication number
- CN117557306A CN117557306A CN202410028922.7A CN202410028922A CN117557306A CN 117557306 A CN117557306 A CN 117557306A CN 202410028922 A CN202410028922 A CN 202410028922A CN 117557306 A CN117557306 A CN 117557306A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- consumer
- behavior
- value
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 111
- 230000006872 improvement Effects 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007418 data mining Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002250 progressing 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
- G06Q30/0204—Market segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及消费者分类的管理技术领域,具体地说,涉及基于行为、特征对消费者分类的管理***。其包括处理提取单元、数据分析单元、多维度分类单元、预测单元、个性化推荐单元、优化改进单元。本发明个性化推荐单元根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,并根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,再根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同,通过将不同数据源的信息整合起来,可以综合考虑更多因素,减少单一数据源带来的误差和偏见,同时,结合相似性分析和对比结果进行判断,降低了个性化决策潜在的风险,提高个性化决策的可靠性。
Description
技术领域
本发明涉及消费者分类的管理技术领域,具体地说,涉及基于行为、特征对消费者分类的管理***。
背景技术
现实场景中,每个消费者的购买行为和特征都不同,由于大部分***可能通过单一的分析方式和数据源预测出消费者未来的购买行为、价值、兴趣数据,并通过预测出消费者未来的购买行为、价值、兴趣数据与原先分类的数据进行分析或比对,由于单一的分析方式和数据源可能会带来误差和偏见,以及诸多的计算因素,可能会导致预测出消费者的购买行为、价值、兴趣数据不准确,从而加大了后续个性化决策中潜在的风险性,降低了个性化决策的可靠性和消费者的消费兴趣性,于是我们提供了供基于行为、特征对消费者分类的管理***。
发明内容
本发明的目的在于提供基于行为、特征对消费者分类的管理***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供基于行为、特征对消费者分类的管理***,包括处理提取单元、数据分析单元、多维度分类单元、预测单元、个性化推荐单元、优化改进单元;
所述处理提取单元用于获取消费者的相关历史数据并进行处理,再对处理的数据进行提取消费者行为和特征数据;
所述数据分析单元用于接收处理提取单元中提取的数据进行特征和行为的分析;
所述多维度分类单元用于接收数据分析单元中分析的数据进行多维度的分类;
所述预测单元用于接收数据分析单元中的数据进行消费者购买行为、消费者价值、消费者兴趣的预测;
所述个性化推荐单元于接收预测单元中预测的数据和处理提取单元处理的相关历史数据,接收多维度分类单元中的数据,并根据预测的数据、多维度分类的数据和处理的相关历史数据制定个性化决策;
所述优化改进单元用于接收个性化推荐单元的数据和多维度分类单元中的数据并进行优化消费者的行为、价值和兴趣数据;
所述多维度分类单元根据多维度分类的数据与预测的数据进行对比,对比预测的数据与多维度分类的消费者的行为、价值和兴趣数据是否相符合,将对比的结果数据传入个性化推荐单元中,个性化推荐单元根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,再根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同。
作为本技术方案的进一步改进,处理提取单元通过电子商务平台获取消费者的相关历史数据,并根据获取的相关历史数据进行处理,再根据处理的数据进行提取消费者行为和特征的数据,将提取的相关数据传入数据分析单元中。
作为本技术方案的进一步改进,数据分析单元用于接收处理提取单元中提取的相关数据,并利用数据挖掘技术根据提取的相关数据进行特征和行为的分析,再利用模型训练技术根据分析的数据进行建立逻辑模型,利用模型评估技术根据逻辑模型数据进行消费者需求的评估,将分析的数据传入多维度分类单元中。
作为本技术方案的进一步改进,数据分析单元中分析消费者的行为和特征情况,具体包括:
行为情况①、利用数据挖掘技术根据提取的相关数据分析消费者购买的商品种类、数量、价格信息,了解消费者的消费水平和消费偏好情况;
特征情况②、分析消费者的基本信息,了解不同群体消费者的消费能力、购买力和消费需求的差异情况。
作为本技术方案的进一步改进,预测单元用于接收数据分析单元中评估的消费者需求数据,并利用时间预测算法根据逻辑模型数据和评估的消费者需求数据进行消费者购买行为、消费者价值、消费者兴趣的预测,将预测的数据传入多维度分类单元中,多维度分类单元根据多维度分类的数据与预测的数据进行对比,对比预测的数据与多维度分类的消费者的行为、价值和兴趣数据是否相符合;
当预测的数据与多维度分类的消费者的行为、价值和兴趣数据对比不相符合时,将不相符合的对比结果数据传入优化改进单元中;
当预测的数据与多维度分类的消费者的行为、价值和兴趣数据对比相符合时,将相符合的对比结果传入个性化推荐单元中。
作为本技术方案的进一步改进,个性化推荐单元用于根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,再根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同;
整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似的具体情况:
①、当分析出整合成的数据集数据与消费者的行为、价值和兴趣数据相似时,将分析相似的结果数据与多维度分类单元中相符的对比结果进行判断;
若判断结果相同时,并利用决策技术根据整合成的数据集数据制定个性化决策;
若判断结果不相同时,将判断结果不相同的命令数据传入优化改进单元中;
②、当分析出整合成的数据集数据与消费者的行为、价值和兴趣数据不相似时,将分析不相似的结果数据传入优化改进单元中。
作为本技术方案的进一步改进,优化改进单元用于将个性化推荐单元中整合成的数据集数据、分析相似的结果数据和分析不相似的结果数据进行集合,并利用优化改进算法根据多维度分类单元中的数据和集合的数据进行优化消费者的行为、价值和兴趣数据,将优化的数据传入个性化推荐单元中并制定个性化决策。
作为本技术方案的进一步改进,优化改进单元中触发优化改进算法的命令情况包括:
触发情况①、当接收个性化推荐单元中判断结果不相同时,触发优化改进算法命令;
触发情况②、当接收多维度分类单元中相符合的对比结果数据或个性化推荐单元分析不相似的结果数据时,触发优化改进算法命令。
作为本技术方案的进一步改进,优化改进单元中优化改进算法公式:
,
其中,S表示的是优化的消费者行为、价值和兴趣数据值,指的是预测的数据值,指的是多维度分类的数据值,/>指的是处理的相关历史数据值,/>指的是预测的数据值、多维度分类的数据值和处理的相关历史数据值进行整合成数据集的整合值,表示相符的对比结果数据值,/>指的是不相符的对比结果数据值,/>代表着分析相似的结果数据值,/>代表着分析不相似的结果数据值。
与现有技术相比,本发明的有益效果:
1、该行为、特征对消费者分类的管理***中,个性化推荐单元根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,并根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,再根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同,通过将不同数据源的信息整合起来,可以综合考虑更多因素,减少单一数据源带来的误差和偏见,同时,结合相似性分析和对比结果进行判断,降低了个性化决策潜在的风险,提高个性化决策的可靠性。
2、该行为、特征对消费者分类的管理***中,优化改进单元根据多维度分类单元中的数据和集合的数据进行优化消费者的行为、价值和兴趣数据,将优化的数据传入个性化推荐单元中,个性化推荐单元根据优化的数据制定个性化决策,可以准确地推荐用户感兴趣的产品或服务,提高用户购买的意愿和销售转化率,个性化决策能够将用户的兴趣和需求与相关的产品或服务匹配,提供有针对性的推荐,增加购买的可能性。
附图说明
图1为本发明的整体框图。
图中各个标号意义为:
1、处理提取单元;2、数据分析单元;3、多维度分类单元;4、预测单元;
5、个性化推荐单元;6、优化改进单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
由于大部分***可能通过单一的分析方式和数据源预测出消费者未来的购买行为、价值、兴趣数据,并通过预测出消费者未来的购买行为、价值、兴趣数据与原先分类的数据进行分析或比对,由于单一的分析方式和数据源可能会带来误差和偏见,以及诸多的计算因素,可能会导致预测出消费者的购买行为、价值、兴趣数据不准确,从而加大了后续个性化决策中潜在的风险性,降低了个性化决策的可靠性和消费者的消费兴趣性,于是我们提供了供基于行为、特征对消费者分类的管理***。
本发明提供基于行为、特征对消费者分类的管理***,请参阅图1,包括处理提取单元1、数据分析单元2、多维度分类单元3、预测单元4、个性化推荐单元5、优化改进单元6;
处理提取单元1用于获取消费者的相关历史数据并进行处理,再对处理的数据进行提取消费者行为和特征数据,数据分析单元2用于接收处理提取单元1中提取的数据进行特征和行为的分析,多维度分类单元3用于接收数据分析单元2中分析的数据进行多维度的分类,预测单元4用于接收数据分析单元2中的数据进行消费者购买行为、消费者价值、消费者兴趣的预测,个性化推荐单元5于接收预测单元4中预测的数据和处理提取单元1处理的相关历史数据,接收多维度分类单元3中的数据,并根据预测的数据、多维度分类的数据和处理的相关历史数据制定个性化决策,优化改进单元6用于接收个性化推荐单元5的数据和多维度分类单元3中的数据并进行优化消费者的行为、价值和兴趣数据;
多维度分类单元3根据多维度分类的数据与预测的数据进行对比,对比预测的数据与多维度分类的消费者的行为、价值和兴趣数据是否相符合,将对比的结果数据传入个性化推荐单元5中,个性化推荐单元5根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,再根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同,通过将预测数据、多维度分类数据和历史数据进行整合,可以获取更多关于用户的特征信息,这有助于深入了解用户的行为模式、喜好偏好以及购买需求,并且能够发现隐藏在数据背后的潜在规律和趋势。
以下是对上述单元进行的细化,请参阅图1;
处理提取单元1通过电子商务平台获取消费者的相关历史数据(行为数据、特征数据、反馈数据、购买历史数据、客户关系管理数据(用户与企业之间的互动记录、服务请求、客服沟通)、外部数据(市场调研数据、竞争对手数据)),并根据获取的相关历史数据进行处理,该处理操作主要用于减少数据中的误差,提高数据的准确性,再根据处理的数据进行提取消费者行为和特征的数据,消费者行为数据包括用户的操作行为、点击记录、浏览历史、购买记录,消费者特征数据包括用户的基本信息、个人描述,将提取的相关数据传入数据分析单元2中。
数据分析单元2用于接收处理提取单元1中提取的相关数据,并利用数据挖掘技术根据提取的相关数据进行特征和行为的分析,该分析主要用于分析消费者的特征和行为会产生哪些情况,再利用模型训练技术根据分析的数据进行建立逻辑模型,该逻辑模型主要用于收集分析消费者的特征和行为所产生的情况数据,便于后续准确的评估出消费者的需求,利用模型评估技术根据逻辑模型数据进行消费者需求的评估,将分析的数据传入多维度分类单元3中;
数据挖掘技术的实现原理:
原理①、首先需要根据提取的相关数据进行组织和聚合;
原理②、根据挖掘的层次结构,确定数据的组织和聚合层次,从最详细的层次向上进行依次挖掘分析;
原理③、对于每个挖掘分析的层次,需要定义相应的挖掘分析公式,再根据定义的挖掘分析公式,对相应的数据进行计算;
原理④、在挖掘分析过程中,逐步向上层次递进,进行不断的聚合操作,直到达到最高层次的挖掘分析结果,最终实现数据挖掘技术原理过程。
数据分析单元2中分析消费者的行为和特征情况,具体包括:
行为情况①、利用数据挖掘技术根据提取的相关数据分析消费者购买的商品种类、数量、价格信息,了解消费者的消费水平和消费偏好情况;
行为情况②、分析消费者在电子商务平台中点击的页面、商品信息、搜索关键字的数据,了解消费者的需求情况;
行为情况③、分析消费者的搜索历史和搜索行为,了解消费者关注的商品种类、品牌和价格信息情况;
特征情况④、分析消费者的基本信息,了解不同群体消费者的消费能力、购买力和消费需求的差异情况;
特征情况⑤、分析消费者的购买行为、兴趣爱好和生活习惯信息,了解消费者的生活方式情况;
特征情况⑥、分析消费者在社交媒体平台上的行为和互动数据,了解他们的兴趣爱好、喜好品牌信息情况。
利用模型训练技术建立逻辑模型的实现原理:
原理1、创建训练数据集D,分析的数据集A,若D中的所有实例属于同一类A,将分析的数据标记为逻辑节点,并将该类作为该逻辑节点的类别标记;
原理2、若A为空集,将当前分析的数据标记为空集,并将D中实例数最多的类作为该空集类别标记,计算每个分析的数据,选择分析的数据中最大的特征S作为当前逻辑节点的划分特征;
原理3、将当前逻辑节点的划分特征设置为S,根据S的每个可能取值,将数据集D划分为若干个子数据集Di,i=1,2,…,n;每个子数据集Di对应于特征S的一个取值;
原理4、再对于每个子数据集Di,将当前逻辑节点的子节点设置为所得到的子树,并将子树与对应的特征值关联,最终建立逻辑模型。
评估技术的实现原理:
原理一、将逻辑模型数据比作测试集,测试集用于消费者需求的评估;
原理二、在测试集上进行评估逻辑模型数据,得到测试好的模型Q,使用模型Q进行评估,最终得到评估的消费者需求。
多维度分类单元3接收数据分析单元2中分析的数据,并利用多为向量算法根据分析的数据进行多维度分类,多维度分类包括消费行为分类(如购买频率、购买金额、购买渠道)、消费价值分类(如消费金额、消费时间)、消费兴趣分类(消费者对商品的偏好),将多维度分类的数据传入个性化推荐单元5中;
;
其中,表示多维度分类的结果,/>是一个数学函数,通常用来表示取符号的操作,/>指的是分析的数据值,/>表示输入的向量值,/>指的是权重向量值;
当时,则该数据为属于消费行为分类;
当时,则该数据为属于消费价值分类;
当时,则该数据为属于消费兴趣分类;
该公式主要用于对分析的数据进行多维度分类,是否属于费行为分类、消费价值分类、消费兴趣分类,通过将用户进行多维度分类,可以更好地了解他们的需求和行为特征,提供更有针对性的服务和推荐。
预测单元4用于接收数据分析单元2中评估的消费者需求数据,并利用时间预测算法根据逻辑模型数据和评估的消费者需求数据进行消费者购买行为、消费者价值、消费者兴趣的预测,将预测的数据传入多维度分类单元3中,多维度分类单元3根据多维度分类的数据与预测的数据进行对比,对比预测的数据与多维度分类的消费者的行为、价值和兴趣数据是否相符合,可以发现预测的数据中的偏差和不准确的数据,在预测中,如果数据与多维度分类数据相符合,则说明预测结果更准确,从而提高预测结果的可靠性;
当预测的数据与多维度分类的消费者的行为、价值和兴趣数据对比不相符合时,将不相符合的对比结果数据传入优化改进单元6中;
当预测的数据与多维度分类的消费者的行为、价值和兴趣数据对比相符合时,将相符合的对比结果传入个性化推荐单元5中。
时间预测算法公式:
,
其中,表示预测消费者购买行为、消费者价值、消费者兴趣的数据值,/>代表着逻辑模型数据值,/>代表着评估的消费者需求数据,且/>、/>、/>都为正数,当/>、/>、/>小于或等于0,表示该公式计算错误或是获取的数据有问题,并进行重新计算或者重新获取数据,该公式主要用于预测消费者未来的购买行为、价值、兴趣,通过对消费者价值和兴趣的预测,企业可以提供个性化的产品推荐和定制化的营销策略,了解消费者的偏好和需求,能够为他们提供更多相关、有针对性的产品和服务,增加用户满意度和忠诚度。
个性化推荐单元5用于接收预测单元4中预测的数据和处理提取单元1处理的相关历史数据,接收多维度分类单元3中的数据,并根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,再根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同,通过分析相似性和对比结果,可以将用户划分为不同的市场细分群体,这些市场细分群体具有相似的行为模式和价值观,对于定制化的推荐、营销和定价策略,可以提供更精细化和针对性的策略,从而提高营销效果和用户忠诚度。
个性化推荐单元5中根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似的具体情况:
①、当分析出整合成的数据集数据与消费者的行为、价值和兴趣数据相似时,将分析相似的结果数据与多维度分类单元3中相符的对比结果进行判断;
若判断结果相同时,并利用决策技术根据整合成的数据集数据制定个性化决策;
决策技术的实现步骤:
步骤一、首先,根据整合成的数据集数据,统计每种数据集数据的频率,再根据每种数据集数据的频率计算每种频率的重要性或改进优先级;
步骤二、其次,根据统计每种数据集数据的频率计算每个指标的权重值,反映其对整体的贡献程度;
步骤三、最终根据指标的权重值、每种频率的重要性,制定个性化决策。
若判断结果不相同时,将判断结果不相同的命令数据传入优化改进单元6中;
②、当分析出整合成的数据集数据与消费者的行为、价值和兴趣数据不相似时,将分析不相似的结果数据传入优化改进单元6中。
优化改进单元6用于将个性化推荐单元5中整合成的数据集数据、分析相似的结果数据和分析不相似的结果数据进行集合,并利用优化改进算法根据多维度分类单元3中的数据和集合的数据进行优化消费者的行为、价值和兴趣数据,将优化的数据传入个性化推荐单元5中,个性化推荐单元5根据优化的数据制定个性化决策;
优化改进单元6中优化改进算法公式:
,
其中,S表示的是优化的消费者行为、价值和兴趣数据值,指的是预测的数据值,指的是多维度分类的数据值,/>指的是处理的相关历史数据值,/>指的是预测的数据值、多维度分类的数据值和处理的相关历史数据值进行整合成数据集的整合值,/>表示相符的对比结果数据值,/>指的是不相符的对比结果数据值,/>代表着分析相似的结果数据值,/>代表着分析不相似的结果数据值,且/>的取值范围大于0,/>、/>、/>、/>都为正数,该公式主要用于优化的消费者的行为、价值和兴趣数据,通过分析消费者的行为、价值和兴趣数据,企业可以获得对消费者的深入了解,从而进行个性化推荐,个性化推荐可以根据消费者的兴趣和喜好,为其提供更多相关和个性化的产品推荐、优惠信息和服务,提高消费者的满意度和忠诚度。
优化改进单元6中触发优化改进算法的命令情况包括:
触发情况①、当接收个性化推荐单元5中判断结果不相同时,触发优化改进算法命令;
触发情况②、当接收多维度分类单元3中相符合的对比结果数据或个性化推荐单元5分析不相似的结果数据时,触发优化改进算法命令。
使用流程:
个性化推荐单元5根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,再根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同,若判断结果相同时,并利用决策技术根据整合成的数据集数据制定个性化决策,若判断结果不相同时,将判断结果不相同的命令数据传入优化改进单元6中,优化改进单元6用于将个性化推荐单元5中整合成的数据集数据、分析相似的结果数据和分析不相似的结果数据进行集合,并根据多维度分类单元3中的数据和集合的数据进行优化消费者的行为、价值和兴趣数据,将优化的数据传入个性化推荐单元5中,个性化推荐单元5根据优化的数据制定个性化决策;
个性化推荐单元5根据优化的数据制定个性化决策的实现过程:
步骤一、首先,根据优化的数据,统计每种优化数据的频率,再根据每种优化数据的频率计算每种频率的重要性或改进优先级;
步骤二、其次,根据统计每种优化数据的频率计算每个指标的权重值,反映其对整体的贡献程度;
步骤三、最终根据指标的权重值、每种频率的重要性,制定个性化决策。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于行为、特征对消费者分类的管理***,其特征在于:包括处理提取单元(1)、数据分析单元(2)、多维度分类单元(3)、预测单元(4)、个性化推荐单元(5)、优化改进单元(6);
所述处理提取单元(1)用于获取消费者的相关历史数据并进行处理,再对处理的数据进行提取消费者行为和特征数据;
所述数据分析单元(2)用于接收处理提取单元(1)中提取的数据进行特征和行为的分析;
所述多维度分类单元(3)用于接收数据分析单元(2)中分析的数据进行多维度的分类;
所述预测单元(4)用于接收数据分析单元(2)中的数据进行消费者购买行为、消费者价值、消费者兴趣的预测;
所述个性化推荐单元(5)于接收预测单元(4)中预测的数据和处理提取单元(1)处理的相关历史数据,接收多维度分类单元(3)中的数据,并根据预测的数据、多维度分类的数据和处理的相关历史数据制定个性化决策;
所述优化改进单元(6)用于接收个性化推荐单元(5)的数据和多维度分类单元(3)中的数据并进行优化消费者的行为、价值和兴趣数据;
所述多维度分类单元(3)根据多维度分类的数据与预测的数据进行对比,对比预测的数据与多维度分类的消费者的行为、价值和兴趣数据是否相符合,将对比的结果数据传入个性化推荐单元(5)中,个性化推荐单元(5)根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,再根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同。
2.根据权利要求1所述的基于行为、特征对消费者分类的管理***,其特征在于:所述处理提取单元(1)通过电子商务平台获取消费者的相关历史数据,并根据获取的相关历史数据进行处理,再根据处理的数据进行提取消费者行为和特征的数据,将提取的相关数据传入数据分析单元(2)中。
3.根据权利要求2所述的基于行为、特征对消费者分类的管理***,其特征在于:所述数据分析单元(2)接收处理提取单元(1)中提取的相关数据,并利用数据挖掘技术根据提取的相关数据进行特征和行为的分析,再利用模型训练技术根据分析的数据进行建立逻辑模型,利用模型评估技术根据逻辑模型数据进行消费者需求的评估,将分析的数据传入多维度分类单元(3)中。
4.根据权利要求3所述的基于行为、特征对消费者分类的管理***,其特征在于:所述数据分析单元(2)中分析消费者的行为和特征情况,具体包括:
行为情况①、利用数据挖掘技术根据提取的相关数据分析消费者购买的商品种类、数量、价格信息,了解消费者的消费水平和消费偏好情况;
特征情况②、分析消费者的基本信息,了解不同群体消费者的消费能力、购买力和消费需求的差异情况。
5.根据权利要求4所述的基于行为、特征对消费者分类的管理***,其特征在于:所述预测单元(4)接收数据分析单元(2)中评估的消费者需求数据,并利用时间预测算法根据逻辑模型数据和评估的消费者需求数据进行消费者购买行为、消费者价值、消费者兴趣的预测,将预测的数据传入多维度分类单元(3)中,多维度分类单元(3)根据多维度分类的数据与预测的数据进行对比,对比预测的数据与多维度分类的消费者的行为、价值和兴趣数据是否相符合;
当预测的数据与多维度分类的消费者的行为、价值和兴趣数据对比不相符合时,将不相符合的对比结果数据传入优化改进单元(6)中;
当预测的数据与多维度分类的消费者的行为、价值和兴趣数据对比相符合时,将相符合的对比结果传入个性化推荐单元(5)中。
6.根据权利要求5所述的基于行为、特征对消费者分类的管理***,其特征在于:所述个性化推荐单元(5)根据预测的数据、多维度分类的数据和处理的相关历史数据整合成数据集,再根据整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似,根据相符合的对比结果数据与分析相似的结果数据进行判断是否相同;
整合成的数据集数据与消费者的行为、价值和兴趣数据进行分析是否相似的具体情况:
①、当分析出整合成的数据集数据与消费者的行为、价值和兴趣数据相似时,将分析相似的结果数据与多维度分类单元(3)中相符的对比结果进行判断;
若判断结果相同时,并利用决策技术根据整合成的数据集数据制定个性化决策;
若判断结果不相同时,将判断结果不相同的命令数据传入优化改进单元(6)中;
②、当分析出整合成的数据集数据与消费者的行为、价值和兴趣数据不相似时,将分析不相似的结果数据传入优化改进单元(6)中。
7.根据权利要求6所述的基于行为、特征对消费者分类的管理***,其特征在于:所述优化改进单元(6)将个性化推荐单元(5)中整合成的数据集数据、分析相似的结果数据和分析不相似的结果数据进行集合,并利用优化改进算法根据多维度分类单元(3)中的数据和集合的数据进行优化消费者的行为、价值和兴趣数据,将优化的数据传入个性化推荐单元(5)中并制定个性化决策。
8.根据权利要求7所述的基于行为、特征对消费者分类的管理***,其特征在于:所述优化改进单元(6)中触发优化改进算法的命令情况包括:
触发情况①、当接收个性化推荐单元(5)中判断结果不相同时,触发优化改进算法命令;
触发情况②、当接收多维度分类单元(3)中相符合的对比结果数据或个性化推荐单元(5)分析不相似的结果数据时,触发优化改进算法命令。
9.根据权利要求7所述的基于行为、特征对消费者分类的管理***,其特征在于:所述优化改进单元(6)中优化改进算法公式:
,
其中,S表示的是优化的消费者行为、价值和兴趣数据值,指的是预测的数据值,/>指的是多维度分类的数据值,/>指的是处理的相关历史数据值,/>指的是预测的数据值、多维度分类的数据值和处理的相关历史数据值进行整合成数据集的整合值,表示相符的对比结果数据值,/>指的是不相符的对比结果数据值,/>代表着分析相似的结果数据值,/>代表着分析不相似的结果数据值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410028922.7A CN117557306B (zh) | 2024-01-09 | 2024-01-09 | 一种基于行为、特征对消费者分类的管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410028922.7A CN117557306B (zh) | 2024-01-09 | 2024-01-09 | 一种基于行为、特征对消费者分类的管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557306A true CN117557306A (zh) | 2024-02-13 |
CN117557306B CN117557306B (zh) | 2024-04-19 |
Family
ID=89813208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410028922.7A Active CN117557306B (zh) | 2024-01-09 | 2024-01-09 | 一种基于行为、特征对消费者分类的管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557306B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118172091A (zh) * | 2024-05-14 | 2024-06-11 | 北京六一六信息技术有限公司 | 一种线上营销策略推荐方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
CN107563429A (zh) * | 2017-07-27 | 2018-01-09 | 国家计算机网络与信息安全管理中心 | 一种网络用户群体的分类方法及装置 |
CN109145207A (zh) * | 2018-08-01 | 2019-01-04 | 广东奥博信息产业股份有限公司 | 一种基于分类指标预测的信息个性化推荐方法及装置 |
KR20190016406A (ko) * | 2017-08-08 | 2019-02-18 | 주식회사 비즈니스인사이트 | 소비자 구매 경험 기반의 개별화 커머스 서비스 모델 |
KR20210090035A (ko) * | 2020-01-09 | 2021-07-19 | 주식회사 샐러드랩 | 온라인 쇼핑몰 관리 시스템 및 방법 |
CN115860833A (zh) * | 2015-07-24 | 2023-03-28 | 安普视频有限公司 | 基于消费者在线行为的电视广告时段定位 |
CN116304299A (zh) * | 2023-01-03 | 2023-06-23 | 电子科技大学 | 一种融和用户兴趣演化和梯度提升算法的个性化推荐方法 |
CN117273871A (zh) * | 2023-11-23 | 2023-12-22 | 深圳市铱云云计算有限公司 | 一种基于大数据的优质商品推荐***及方法 |
-
2024
- 2024-01-09 CN CN202410028922.7A patent/CN117557306B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
CN115860833A (zh) * | 2015-07-24 | 2023-03-28 | 安普视频有限公司 | 基于消费者在线行为的电视广告时段定位 |
CN107563429A (zh) * | 2017-07-27 | 2018-01-09 | 国家计算机网络与信息安全管理中心 | 一种网络用户群体的分类方法及装置 |
KR20190016406A (ko) * | 2017-08-08 | 2019-02-18 | 주식회사 비즈니스인사이트 | 소비자 구매 경험 기반의 개별화 커머스 서비스 모델 |
CN109145207A (zh) * | 2018-08-01 | 2019-01-04 | 广东奥博信息产业股份有限公司 | 一种基于分类指标预测的信息个性化推荐方法及装置 |
KR20210090035A (ko) * | 2020-01-09 | 2021-07-19 | 주식회사 샐러드랩 | 온라인 쇼핑몰 관리 시스템 및 방법 |
CN116304299A (zh) * | 2023-01-03 | 2023-06-23 | 电子科技大学 | 一种融和用户兴趣演化和梯度提升算法的个性化推荐方法 |
CN117273871A (zh) * | 2023-11-23 | 2023-12-22 | 深圳市铱云云计算有限公司 | 一种基于大数据的优质商品推荐***及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118172091A (zh) * | 2024-05-14 | 2024-06-11 | 北京六一六信息技术有限公司 | 一种线上营销策略推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117557306B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
CN108629665B (zh) | 一种个性化商品推荐方法和*** | |
CN108427891B (zh) | 基于差分隐私保护的邻域推荐方法 | |
CN108876537B (zh) | 一种用于网上商场***的混合推荐方法 | |
US8868572B2 (en) | Predictive conversion systems and methods | |
CN105183727A (zh) | 一种图书推荐方法及其*** | |
Yagci et al. | Measuring design-level information quality in online reviews | |
CN117557306B (zh) | 一种基于行为、特征对消费者分类的管理*** | |
CN116452261B (zh) | 一种基于跨境电商服务平台的广告投放数据处理方法 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN113065062A (zh) | 一种基于用户阅读时间行为的新闻推荐方法及*** | |
Stephen et al. | Measures of similarity in memory-based collaborative filtering recommender system: A comparison | |
EP3779836A1 (en) | Device, method and program for making recommendations on the basis of customer attribute information | |
CN116431931A (zh) | 实时增量数据统计分析方法 | |
CN112541111A (zh) | 基于去中心化大数据检索市场的商品检索及商品推荐*** | |
CN116757779A (zh) | 一种基于用户画像的推荐方法 | |
CN103577472A (zh) | 个人信息获得、推定、商品的分类、检索方法及*** | |
CN115760295A (zh) | 一种基于近邻用户和评论信息的商品推荐方法 | |
CN117333262A (zh) | 一种电子商务平台用的基于人工智能的大数据需求预测方法及*** | |
CN105389714A (zh) | 一种从行为数据识别用户特性的方法 | |
CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 | |
CN117237038A (zh) | 一种基于流量引擎的商品精准曝光处理*** | |
CN116757777A (zh) | 一种用于电子商务信息直接发布与信息推广的***和方法 | |
Roychowdhury et al. | Opam: Online purchasing-behavior analysis using machine learning | |
CN116029766A (zh) | 用户交易决策识别方法、激励策略优化方法、装置和设备 |
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 |