CN117853152A - 一种基于多渠道的业务营销数据处理*** - Google Patents
一种基于多渠道的业务营销数据处理*** Download PDFInfo
- Publication number
- CN117853152A CN117853152A CN202410262538.3A CN202410262538A CN117853152A CN 117853152 A CN117853152 A CN 117853152A CN 202410262538 A CN202410262538 A CN 202410262538A CN 117853152 A CN117853152 A CN 117853152A
- Authority
- CN
- China
- Prior art keywords
- data
- multidimensional
- service data
- preference
- service
- 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 claims description 17
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24575—Query processing with adaptation to user needs using context
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多渠道的业务营销数据处理***,涉及数据处理技术领域,本发明通过采集数据源的多维业务数据以及建立多维坐标系,将多维业务数据集中的多维业务数据转化为对应的多维数据坐标并全部映射于多维坐标系上,设置偏好吸引距离和坐标密度阈值,根据坐标密度阈值以及偏好吸引距离从各个多维数据坐标中划分出若干个临时偏好关系簇,判断相邻两个临时偏好关系簇的中心坐标距离是否小于等于各自的空间半径,根据判断结果建立空间偏好关系簇,进而根据空间偏好关系簇建立偏好分析网络,将各个数据源的多维业务数据输入至偏好分析网络中,进而生成各个数据源的多维业务推荐决策并执行,提高了业务数据的处理效率。
Description
技术领域
本发明涉及数据处理技术领域,具体是一种基于多渠道的业务营销数据处理***。
背景技术
业务营销数据处理是指对与营销业务相关的数据进行收集、整理、分析和应用的过程。这包括收集客户信息、市场趋势、销售数据、竞争对手情报等各种相关数据,并利用工具和方法进行处理,以便企业能够更好地进行营销决策和实施营销策略。
现有业务营销数据技术存在以下缺陷:
数据质量:数据质量可能会影响到分析的准确性和可靠性。不完整、不准确的数据可能导致分析结果产生误差,从而影响到决策的准确性。
数据整合与标准化:整合来自不同来源的数据,并对数据进行标准化是一个挑战。不同***中数据的格式和结构可能不同,需要耗费大量精力来进行数据整合和转换。
数据过载:大量的数据可能会使得分析变得复杂,有时甚至会导致信息过载,使得难以从大量数据中提炼出有用的信息。
因此怎样在保证业务营销数据的质量的同时,提高业务营销数据的处理效率是现有技术的难点,为此提供一种基于多渠道的业务营销数据处理***。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于多渠道的业务营销数据处理***。
为了实现上述目的,本发明提供如下技术方案:
一种基于多渠道的业务营销数据处理***,包括云计算平台,所述云计算平台通信连接有业务数据采集模块、业务数据整理模块、偏好状况分析模块以及业务推荐模块;
所述业务数据采集模块设置有下层数据采集链和上层数据整理节点,用于采集数据源的多维业务数据并整合多维业务数据生成多维业务数据集;
所述业务数据整理模块用于对多维业务数据集进行数据内容标准化处理;
所述偏好状况分析模块用于建立多维坐标系,并将多维业务数据集中的多维业务数据转化为对应的多维数据坐标并全部映射于多维坐标系上,设置偏好吸引距离和坐标密度阈值,进而根据坐标密度阈值以及偏好吸引距离从各个多维数据坐标中划分出若干个临时偏好关系簇,判断相邻两个临时偏好关系簇的中心坐标距离是否小于等于各自的空间半径,根据判断结果建立空间偏好关系簇,并根据空间偏好关系簇建立偏好分析网络;
所述业务推荐模块用于将各个数据源的多维业务数据输入至偏好分析网络中,进而生成各个数据源的多维业务推荐决策并执行。
进一步的,所述下层数据采集链由若干个数据采集节点组成,用于采集各个数据源的多维业务数据;
所述上层数据整理节点连接采集同一类型数据源的多个下层数据采集链,进而收集并整合其所连接的下层数据采集链采集的多维业务数据生成多维业务数据集,并将不同类型的多维业务数据集发送至业务数据整理模块。
进一步的,所述多维业务数据的采集过程包括:
设置若干个上层数据整理节点以及下层数据采集链,业务数据采集模块对各个数据源发送下层数据采集链,并对数据源设置身份编号;
数据源接收并安装下层数据采集链,进而下层数据采集链确认所在数据源的各个数据端口位置,并获得对应数据源的数据源类型,以及将数据端口位置设置为数据采集节点;
所述数据源类型包括线下商城、在线商城和广告平台,进而下层数据采集链向业务数据采集模块发送其所在数据源的数据源类型;
业务数据采集模块将位于相同数据源类型的下层数据采集链分配至同一个上层数据整理节点下;
每当数据源进行通信数据交互时,下层数据采集链内的各个数据采集节点采集对应的数据交互内容,进而得到相应的业务数据,并标注对应数据源的身份编号,所述业务数据的种类包括销售业务数据、客户业务数据以及广告业务数据。
进一步的,所述多维业务数据集的生成过程包括:
上层数据整理节点将相同类型数据源的多维业务数据进行整合得到多维业务数据集,进而业务数据采集模块将多维业务数据集发送至业务数据整理模块。
进一步的,对所述多维业务数据集进行数据内容标准化处理的过程包括:
对同一类型的全部业务数据进行并行遍历,根据遍历结果获得各个业务数据的数据内容格式,并将各个数据内容格式相互比对,根据比对结果建立对应类型业务数据的标准数据内容格式;
将标准数据内容格式与相应类型的业务数据进行重叠映射,二者之间的差异度在5%之内,则不做任何操作;
否则在对应业务数据中标注其与标准数据内容格式不同的部分,进而业务数据整理模块对标注部分进行调整,直到全部业务数据与其对应的标准数据内容格式之间的差异度在5%内为止。
进一步的,所述临时偏好关系簇的划分过程包括:
偏好状况分析模块建立若干个多维坐标系,并从多维业务数据集中提取出全部业务数据,进而根据各个业务数据中的数值数据,将各个类型的业务数据转化为多维数据坐标点;
将相同类型业务数据对应的多维数据坐标点映射于同一个多维坐标系上,设置偏好吸引距离和坐标密度阈值;
对于多维坐标系上的任意一个多维数据坐标点,若以其中心的在偏好吸引距离范围内多维数据坐标点密度大于或等于坐标密度阈值,则以该多维数据坐标点为中心建立一个临时偏好关系簇,使得临时偏好关系簇内的坐标密度等于坐标密度阈值,否则忽略不计;
进而根据坐标密度阈值在多维坐标系上划分出若干个相互交叉的临时偏好关系簇。
进一步的,所述偏好分析网络的建立过程包括:
获取各个相邻临时偏好关系簇的中心坐标距离,若相邻两个临时偏好关系簇的中心坐标距离小于等于各自的空间半径,则将相邻两个临时偏好关系簇进行合并建立一个空间偏好关系簇,使得空间偏好关系簇同时包含两个临时偏好关系簇,否则,不做任何操作;
重复上述操作,直到不存在相邻两个临时偏好关系簇可进行合并为止;
对于未加入任何空间偏好关系簇的临时偏好关系簇,偏好状况分析模块将其转化为空间偏好关系簇,建立偏好分析网络,将全部类型的业务数据对应的空间偏好关系簇标注对应的数据源的身份编号后,输入至偏好分析网络。
进一步的,所述多维业务推荐决策的生成过程包括:
业务推荐模块将各个数据源的多维业务数据输入至偏好分析网络中,根据多维业务数据所带有的身份编号匹配相应空间偏好关系簇;
根据多维业务数据匹配其在空间偏好关系簇中对应的多维数据坐标点,进而将对应多维数据坐标所在临时偏好数据关系簇中的多维数据坐标点标注为核心关联点,空间偏好关系簇中其他的多维数据坐标点标注为边缘关联点;
业务推荐模块调取核心关联点与边缘关联点的多维业务数据,提取多维业务数据中的销售业务数据、客户业务数据以及广告业务数据,将核心关联点与边缘关联点对应的多维业务数据按7:3的比例建立多维业务推荐决策。
与现有技术相比,本发明的有益效果是:
本发明通过设置上层数据整理节点和下层数据采集链,用于采集数据源的多维业务数据,并整合多维业务数据生成多维业务数据集,对不同类型的多维业务数据集进行数据内容标准化处理,有效的提高了业务数据的数据质量,为后续业务数据处理提供了数据保证;
建立多维坐标系,将多维业务数据集中的多维业务数据转化为对应的多维数据坐标并全部映射于多维坐标系上,设置偏好吸引距离和坐标密度阈值,根据坐标密度阈值以及偏好吸引距离从各个多维数据坐标中划分出若干个临时偏好关系簇,判断相邻两个临时偏好关系簇的中心坐标距离是否小于等于各自的空间半径,根据判断结果建立空间偏好关系簇,提高了业务数据的处理效率以及准确性。
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为本发明的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其他实施方式,都属于本发明所保护的范围。
如图1所示,一种基于多渠道的业务营销数据处理***,包括云计算平台,所述云计算平台通信连接有业务数据采集模块、业务数据整理模块、偏好状况分析模块以及业务推荐模块;
所述业务数据采集模块设置多个上层数据整理节点和下层数据采集链,其中下层数据采集链设置于各个类型的数据源中,所述下层数据采集链由若干个数据采集节点组成,用于采集数据源的多维业务数据;
所述上层数据整理节点连接采集同一类型数据源的多个下层数据采集链,进而收集并整合其所连接的下层数据采集链采集的多维业务数据生成对应的多维业务数据集,并将不同类型的多维业务数据集发送至业务数据整理模块;
所述业务数据整理模块用于对不同类型的多维业务数据集进行数据内容标准化处理,进而将处理后的多维业务数据集发送至偏好状况分析模块;
所述偏好状况分析模块用于建立多维坐标系,并将不同类型的多维业务数据集中的多维业务数据转化为对应的多维数据坐标并全部映射于多维坐标系上,设置偏好吸引距离和坐标密度阈值,进而根据坐标密度阈值以及偏好吸引距离从各个多维数据坐标中划分出若干个临时偏好关系簇,判断相邻两个临时偏好关系簇的中心坐标距离是否小于等于各自的空间半径,根据判断结果将二者合并生成空间偏好关系簇,重复上述操作,直到无法合并为止,进而得到若干个空间偏好关系簇,并根据空间偏好关系簇建立偏好分析网络;
所述业务推荐模块用于将各个数据源的多维业务数据输入至偏好分析网络中,进而生成各个数据源的多维业务推荐决策并执行。
进一步的,下面通过实施例说明本发明的工作原理:
业务数据采集模块设置K个上层数据整理节点以及L个下层数据采集链,其中K和L为大于0的自然数,且K小于L;
各个数据源和用户端通过业务数据采集模块与云计算平台进行通信连接,进而云计算平台收集各个数据源进行通信连接时使用IP地址,并全部将IP地址发送至业务数据采集模块;
根据IP地址,业务数据采集模块与对应的数据源进行身份确认,若身份确认成功,则业务数据采集模块向对应的数据源发送一个下层数据采集链,并对该数据源设置身份编号;
数据源接收并安装下层数据采集链,进而下层数据采集链确认所在数据源的各个数据端口位置,进而获得对应数据源的数据源类型,并将数据端口位置设置为数据采集节点;
所述数据源类型包括线下商城、在线商城、广告平台等,进而下层数据采集链向业务数据采集模块发送其所在数据源的数据源类型;
业务数据采集模块将位于相同数据源类的下层数据采集链分配至同一个上层数据整理节点下;
每当数据源进行通信数据交互时,下层数据采集链内的各个数据采集节点采集对应的数据交互内容,进而得到相应的业务数据,并标注对应数据源的身份编号;
所述业务数据的种类包括销售业务数据、客户业务数据以及广告业务数据,其中销售业务数据包括各个商品的销售量、订单量、交易时间等信息,客户业务数据包括各个客户的客户信息、商品购买状况、广告浏览状况等信息,广告业务数据包括各个种类广告的广告点击量、广告转化率等信息;
上层数据整理节点将相同类型数据源的多维业务数据进行整合得到多维业务数据集,进而业务数据采集模块将多维业务数据集发送至业务数据整理模块。
进一步的,当业务数据整理模块集合接收到多维业务数据集后,将多维业务数据集中的业务数据进行类型分类;
对同一类型的全部业务数据进行并行遍历,根据遍历获得各个业务数据的数据内容格式,并将各个数据内容格式相互比对,若两个数据内容格式之间的差异度在5%以内,则判断两个数据内容格式比对成功,否则判断为比对不成功;
选取比对成功次数最多的数据内容格式作为对应类型业务数据的标准数据内容格式;
将标准数据内容格式与相应类型的业务数据进行重叠映射,二者之间的差异度在5%之内,则不做任何操作;
否则在对应业务数据中标注其与标准数据内容格式不同的部分,进而业务数据整理模块对不同的部分进行调整,直到全部业务数据与其对应的标准数据内容格式之间的差异度在5%内为止;
下面举例说明业务数据整理模块对业务数据进行内容调整的过程:
通过将相同类型的业务数据进行相互比对,进而得到该类型的业务数据的标准数据内容格式为:100以内的文本文字、18位数字、……,通过标准数据内容格式对不符合的业务数据设置标注,例如存在一个业务数据的第一栏数据的文本文字的数量大于105,则业务数据整理模块根据LZW算法对业务数据中第一栏数据中相邻的文本文字进行无损压缩,并判断压缩后的第一栏数据中文本文字的数量大于105,若压缩后的文本文字数量仍旧大于105,则则重复上述操作,直到第一栏数据中文本文字的数量小于等于105为止;
需要说明的是,所述LZW算法是一种无损的字典压缩算法,其利用字符串的重复出现来实现压缩,动态更新字典以提高压缩效率,在解压缩时,仅需要使用相同的字典和编码规则还原原始文本;
当多维业务数据集内的全部业务完成数据内容标准化,业务数据整理模块将多维业务数据集发送至偏好状况分析模块。
进一步的,偏好状况分析模块建立若干个多维坐标系,并从多维业务数据集中提取出全部业务数据,进而根据各个业务数据中的数值数据,将各个类型的业务数据转化为多维数据坐标点,所述多维数据坐标点可表示为(data1,……,datan),其中data表示数值数据,n为大于0的自然数;
将相同类型业务数据对应的多维数据坐标点映射于同一个多维坐标系上,设置偏好吸引距离和坐标密度阈值;
对于多维坐标系上的任意一个多维数据坐标点,若以其中心的在偏好吸引距离范围内多维数据坐标点的密度大于或等于坐标密度阈值,则以该多维数据坐标点为中心建立一个临时偏好关系簇,使得临时偏好关系簇内的坐标密度等于坐标密度阈值,否则忽略不计;
需要说明的是,所述临时偏好关系簇呈球形,其中临时偏好关系簇的空间半径等于中心到最远多维坐标数据的距离,且临时偏好关系簇的空间半径小于等于偏好吸引距离;
进而根据坐标密度阈值将多维坐标系上划分出若干个相互交叉的临时偏好关系簇,计算各个相邻临时偏好关系簇的中心坐标距离;
若相邻两个临时偏好关系簇的中心坐标距离小于等于各自的空间半径,则将相邻两个临时偏好关系簇进行合并建立一个空间偏好关系簇,使得空间偏好关系簇同时包含两个临时偏好关系簇,否则,不做任何操作;
重复上述操作,直到不存在相邻两个临时偏好关系簇不可合并为止;
同时将未加入任何空间偏好关系簇的临时偏好关系簇,偏好状况分析模块将其转化为空间偏好关系簇;
需要说明的是,对于未加入任何临时偏好关系簇以及空间偏好关系簇的多维空间坐标点,偏好状况分析模块将其直接剔除。
进一步的,根据DBSCAN算法建立偏好分析网络,将全部类型的业务数据对应的空间偏好关系簇标注对应的数据源的身份编号后,输入至偏好分析网络,同时偏好状况分析模块将偏好分析网络发送至业务推荐模块;
业务推荐模块将各个数据源的多维业务数据输入至偏好分析网络中,根据多维业务数据所带有的身份编号匹配相应空间偏好关系簇;
根据多维业务数据匹配其在空间偏好关系簇中对应的多维数据坐标点,进而将对应多维数据坐标所在的临时偏好数据关系簇中的多维数据坐标点标注为核心关联点,空间偏好关系簇中其他的多维数据坐标点标注为边缘关联点;
业务推荐模块调取核心关联点与边缘关联点的多维业务数据,提取多维业务数据中的销售业务数据、客户业务数据以及广告业务数据,将核心关联点与边缘关联点对应的多维业务数据按7:3的比例建立多维业务推荐决策;
需要说明的是,所述DBSCAN算法是一种基于密度的聚类算法,用于发现具有相对高密度的点的聚类,并能够识别噪声点。该算法能够将具有足够密度的点组成一个簇,并区分出噪声点。
所述多维业务推荐决策的建立过程包括:
从各个销售业务数据、客户业务数据以及广告业务数据提取出各个商品的种类以及对应的销售量,各个客户的商品购买状况以及广告浏览量,各个种类广告的广告点击量;
根据各个商品的销售量设置相应的商品推荐权重,例如某一种类的商品销售量为100,则其商品推荐权重为100;
进而按照各个商品对应核心关联点或边缘关联点对其的商品推荐权重进行比例调整,例如某一商品的商品推荐权重为100,若其对应核心关联点,则商品推荐权重为100*0.7,若其对应边缘关联点,则商品推荐权重为100*0.3;
采用相同方法,根据广告的广告点击量以及其对应核心关联点或边缘关联点设置对应的广告推荐权重,以及根据用户的商品购买状况以及广告浏览量设置用户商品推荐权重与用户广告推荐权重;
将相同种类的商品的用户商品推荐权重和商品推荐权重按1:1的比例进行相加后得到对应商品在相应数据源的商品推荐权重α;
将相同种类的广告的用户广告推荐权重和广告推荐权重按1:1的比例进行相加后得到对应广告在相应数据源的广告推荐权重;
将全部商品的商品推荐权重相加得到总广告推荐权重β,进而获得各个类型商品的商品推荐占比p,p=α/β;
采用相同方法获得各个类型广告的广告推荐占比;
根据全部类型商品的商品推荐占比和全部类型广告的广告推荐占比生成对应数据源的多维业务推荐决策,并发送至相应的数据源进行执行。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种基于多渠道的业务营销数据处理***,包括云计算平台,其特征在于,所述云计算平台通信连接有业务数据采集模块、业务数据整理模块、偏好状况分析模块以及业务推荐模块;
所述业务数据采集模块设置有上层数据整理节点和下层数据采集链,用于采集数据源的多维业务数据并整合多维业务数据生成多维业务数据集;
所述业务数据整理模块用于对多维业务数据集进行数据内容标准化处理;
所述偏好状况分析模块用于建立多维坐标系,并将多维业务数据集中的多维业务数据转化为对应的多维数据坐标并全部映射于多维坐标系上,设置偏好吸引距离和坐标密度阈值,进而根据坐标密度阈值以及偏好吸引距离从各个多维数据坐标中划分出若干个临时偏好关系簇,判断相邻两个临时偏好关系簇的中心坐标距离是否小于等于各自的空间半径,根据判断结果建立空间偏好关系簇,并根据空间偏好关系簇建立偏好分析网络;
所述业务推荐模块用于将各个数据源的多维业务数据输入至偏好分析网络中,进而生成各个数据源的多维业务推荐决策并执行。
2.根据权利要求1所述的一种基于多渠道的业务营销数据处理***,其特征在于,所述下层数据采集链由若干个数据采集节点组成,用于采集各个数据源的多维业务数据;
所述上层数据整理节点连接采集同一类型数据源的多个下层数据采集链,进而收集并整合其所连接的下层数据采集链采集的多维业务数据生成多维业务数据集,并将不同类型的多维业务数据集发送至业务数据整理模块。
3.根据权利要求2所述的一种基于多渠道的业务营销数据处理***,其特征在于,所述多维业务数据的采集过程包括:
设置若干个上层数据整理节点以及下层数据采集链,业务数据采集模块对各个数据源发送下层数据采集链,并对各个数据源设置身份编号;
数据源接收并安装下层数据采集链,下层数据采集链确认所在数据源的各个数据端口位置,进而获得对应数据源的数据源类型,并将数据端口位置设置为数据采集节点;
所述数据源类型包括线下商城、在线商城和广告平台,进而下层数据采集链向业务数据采集模块发送其所在数据源的数据源类型;
业务数据采集模块将位于相同数据源类型的下层数据采集链分配至同一个上层数据整理节点下;
每当数据源进行通信数据交互时,下层数据采集链内的各个数据采集节点采集对应的数据交互内容,进而得到相应的业务数据,并标注对应数据源的身份编号,所述业务数据的种类包括销售业务数据、客户业务数据以及广告业务数据。
4.根据权利要求3所述的一种基于多渠道的业务营销数据处理***,其特征在于,对所述多维业务数据集进行数据内容标准化处理的过程包括:
对同一类型的全部业务数据进行并行遍历,根据遍历结果获得各个业务数据的数据内容格式,并将各个数据内容格式相互比对,根据比对结果建立对应类型业务数据的标准数据内容格式;
将标准数据内容格式与相应类型的业务数据进行重叠映射,二者之间的差异度在5%之内,则不做任何操作;
否则在对应业务数据中标注其与标准数据内容格式不同的部分,进而业务数据整理模块对标注部分进行调整,直到全部业务数据与其对应的标准数据内容格式之间的差异度在5%内为止。
5.根据权利要求4所述的一种基于多渠道的业务营销数据处理***,其特征在于,所述临时偏好关系簇的划分过程包括:
偏好状况分析模块建立若干个多维坐标系,并从多维业务数据集中提取出全部业务数据,进而根据各个业务数据中的数值数据,将各个类型的业务数据转化为多维数据坐标点;
将相同类型业务数据对应的多维数据坐标点映射于同一个多维坐标系上,设置偏好吸引距离和坐标密度阈值;
对于多维坐标系上的任意一个多维数据坐标点,若以其中心的在偏好吸引距离范围内多维数据坐标点密度大于或等于坐标密度阈值,则以该多维数据坐标点为中心建立一个临时偏好关系簇,使得临时偏好关系簇内的坐标密度等于坐标密度阈值,否则忽略不计;
进而根据坐标密度阈值在多维坐标系上划分出若干个相互交叉的临时偏好关系簇。
6.根据权利要求5所述的一种基于多渠道的业务营销数据处理***,其特征在于,所述偏好分析网络的建立过程包括:
获取各个相邻临时偏好关系簇的中心坐标距离,若相邻两个临时偏好关系簇的中心坐标距离小于等于各自的空间半径,则将相邻两个临时偏好关系簇进行合并建立一个空间偏好关系簇,使得空间偏好关系簇同时包含两个临时偏好关系簇,否则,不做任何操作;
重复上述操作,直到不存在相邻两个临时偏好关系簇可进行合并为止;
对于未加入任何空间偏好关系簇的临时偏好关系簇,偏好状况分析模块将其转化为空间偏好关系簇,建立偏好分析网络,将全部类型的业务数据对应的空间偏好关系簇标注对应的数据源的身份编号后,输入至偏好分析网络。
7.根据权利要求6所述的一种基于多渠道的业务营销数据处理***,其特征在于,所述多维业务推荐决策的生成过程包括:
业务推荐模块将各个数据源的多维业务数据输入至偏好分析网络中,根据多维业务数据所带有的身份编号匹配相应空间偏好关系簇;
根据多维业务数据匹配其在空间偏好关系簇中对应的多维数据坐标点,进而将对应多维数据坐标所在临时偏好数据关系簇中的多维数据坐标点标注为核心关联点,空间偏好关系簇中其他的多维数据坐标点标注为边缘关联点;
业务推荐模块调取核心关联点与边缘关联点的多维业务数据,提取多维业务数据中的销售业务数据、客户业务数据以及广告业务数据,将核心关联点与边缘关联点对应的多维业务数据按7:3的比例建立多维业务推荐决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410262538.3A CN117853152B (zh) | 2024-03-07 | 2024-03-07 | 一种基于多渠道的业务营销数据处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410262538.3A CN117853152B (zh) | 2024-03-07 | 2024-03-07 | 一种基于多渠道的业务营销数据处理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117853152A true CN117853152A (zh) | 2024-04-09 |
CN117853152B CN117853152B (zh) | 2024-05-17 |
Family
ID=90538755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410262538.3A Active CN117853152B (zh) | 2024-03-07 | 2024-03-07 | 一种基于多渠道的业务营销数据处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853152B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101197876A (zh) * | 2006-12-06 | 2008-06-11 | 中兴通讯股份有限公司 | 一种对消息类业务数据进行多维分析的方法和*** |
US20100088151A1 (en) * | 2008-10-08 | 2010-04-08 | Deok Hwan Kim | Method and apparatus for recommending image based on user profile using feature-based collaborative filtering to resolve new item recommendation |
US20120054687A1 (en) * | 2010-08-26 | 2012-03-01 | Canon Kabushiki Kaisha | Data search result display method and data search result display apparatus |
CN108696597A (zh) * | 2018-05-29 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 推送营销信息的方法和装置 |
CN110287415A (zh) * | 2019-06-26 | 2019-09-27 | 海南车智易通信息技术有限公司 | 一种内容推荐方法、装置和计算设备 |
WO2020001096A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 商品推荐方法和商品推荐设备 |
CN111340601A (zh) * | 2020-03-30 | 2020-06-26 | 贝壳技术有限公司 | 商品信息的推荐方法和装置、电子设备和存储介质 |
CN111382217A (zh) * | 2018-12-29 | 2020-07-07 | 北京奇虎科技有限公司 | 一种目的地推荐方法和装置 |
CN111401936A (zh) * | 2020-02-26 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于评论空间和用户偏好的推荐方法 |
KR102183143B1 (ko) * | 2020-05-20 | 2020-11-25 | 이창욱 | 빅데이터에 기반한 타깃 제품의 추천 색 결정 방법 및 장치 |
CN112132217A (zh) * | 2020-09-23 | 2020-12-25 | 广西大学 | 一种基于簇内簇间相异度的分类型数据聚类方法 |
CN113656709A (zh) * | 2021-08-24 | 2021-11-16 | 东北大学 | 一种融合知识图谱和时序特征的可解释兴趣点推荐方法 |
CN113779395A (zh) * | 2021-09-10 | 2021-12-10 | 粒子文化科技集团(杭州)股份有限公司 | 媒资推荐方法、装置、***、电子装置和存储介质 |
CN113886709A (zh) * | 2021-10-29 | 2022-01-04 | 平安银行股份有限公司 | 业务产品的推荐方法、装置、设备及存储介质 |
CN114022205A (zh) * | 2021-11-05 | 2022-02-08 | 国网江苏省电力有限公司营销服务中心 | 基于改进聚类法的电力用户缴费渠道偏好匹配方法及*** |
CN116385048A (zh) * | 2023-06-06 | 2023-07-04 | 山东政信大数据科技有限责任公司 | 一种农产品智慧营销方法和*** |
CN116703485A (zh) * | 2023-08-04 | 2023-09-05 | 山东创亿智慧信息科技发展有限责任公司 | 基于大数据的广告精准营销方法及*** |
CN116975539A (zh) * | 2023-08-16 | 2023-10-31 | 杭州火奴数据科技有限公司 | 基于聚类算法的营销数据存储管理*** |
CN117035948A (zh) * | 2023-10-10 | 2023-11-10 | 山东唐和智能科技有限公司 | 基于大数据的任务智能处理方法及*** |
-
2024
- 2024-03-07 CN CN202410262538.3A patent/CN117853152B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101197876A (zh) * | 2006-12-06 | 2008-06-11 | 中兴通讯股份有限公司 | 一种对消息类业务数据进行多维分析的方法和*** |
US20100088151A1 (en) * | 2008-10-08 | 2010-04-08 | Deok Hwan Kim | Method and apparatus for recommending image based on user profile using feature-based collaborative filtering to resolve new item recommendation |
US20120054687A1 (en) * | 2010-08-26 | 2012-03-01 | Canon Kabushiki Kaisha | Data search result display method and data search result display apparatus |
CN108696597A (zh) * | 2018-05-29 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 推送营销信息的方法和装置 |
WO2020001096A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 商品推荐方法和商品推荐设备 |
CN111382217A (zh) * | 2018-12-29 | 2020-07-07 | 北京奇虎科技有限公司 | 一种目的地推荐方法和装置 |
CN110287415A (zh) * | 2019-06-26 | 2019-09-27 | 海南车智易通信息技术有限公司 | 一种内容推荐方法、装置和计算设备 |
CN111401936A (zh) * | 2020-02-26 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于评论空间和用户偏好的推荐方法 |
CN111340601A (zh) * | 2020-03-30 | 2020-06-26 | 贝壳技术有限公司 | 商品信息的推荐方法和装置、电子设备和存储介质 |
KR102183143B1 (ko) * | 2020-05-20 | 2020-11-25 | 이창욱 | 빅데이터에 기반한 타깃 제품의 추천 색 결정 방법 및 장치 |
CN112132217A (zh) * | 2020-09-23 | 2020-12-25 | 广西大学 | 一种基于簇内簇间相异度的分类型数据聚类方法 |
CN113656709A (zh) * | 2021-08-24 | 2021-11-16 | 东北大学 | 一种融合知识图谱和时序特征的可解释兴趣点推荐方法 |
CN113779395A (zh) * | 2021-09-10 | 2021-12-10 | 粒子文化科技集团(杭州)股份有限公司 | 媒资推荐方法、装置、***、电子装置和存储介质 |
CN113886709A (zh) * | 2021-10-29 | 2022-01-04 | 平安银行股份有限公司 | 业务产品的推荐方法、装置、设备及存储介质 |
CN114022205A (zh) * | 2021-11-05 | 2022-02-08 | 国网江苏省电力有限公司营销服务中心 | 基于改进聚类法的电力用户缴费渠道偏好匹配方法及*** |
CN116385048A (zh) * | 2023-06-06 | 2023-07-04 | 山东政信大数据科技有限责任公司 | 一种农产品智慧营销方法和*** |
CN116703485A (zh) * | 2023-08-04 | 2023-09-05 | 山东创亿智慧信息科技发展有限责任公司 | 基于大数据的广告精准营销方法及*** |
CN116975539A (zh) * | 2023-08-16 | 2023-10-31 | 杭州火奴数据科技有限公司 | 基于聚类算法的营销数据存储管理*** |
CN117035948A (zh) * | 2023-10-10 | 2023-11-10 | 山东唐和智能科技有限公司 | 基于大数据的任务智能处理方法及*** |
Non-Patent Citations (4)
Title |
---|
LI YAN-JUAN: "A collaborative filtering recommendation algorithm based on a bee colony K-means clustering model", COMPUTER ENGINEERING AND SCIENCE, vol. 41, no. 6, 1 June 2019 (2019-06-01), pages 113 - 121 * |
刘维;: "数据挖掘中聚类算法综述", 江苏商论, no. 07, 20 July 2018 (2018-07-20), pages 122 - 127 * |
姚曦;李斐飞;: "精准・互动――数字传播时代广告公司业务模式的重构", 新闻大学, no. 01, 15 February 2017 (2017-02-15), pages 116 - 124 * |
董永峰: "在线学习资源推荐综述", 计算机应用, vol. 43, no. 6, 30 June 2023 (2023-06-30), pages 1655 - 1663 * |
Also Published As
Publication number | Publication date |
---|---|
CN117853152B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145516B (zh) | 一种文本聚类方法及*** | |
CN108090332A (zh) | 一种基于用户登录行为分析的风控方法 | |
CN111861756A (zh) | 一种基于金融交易网络的团伙检测方法及其实现装置 | |
CN112926045A (zh) | 一种基于逻辑回归模型的群控设备识别方法 | |
CN110347827A (zh) | 面向异构文本运维数据的事件提取方法 | |
CN113706263A (zh) | 一种基于云平台的电子商务*** | |
CN117853152B (zh) | 一种基于多渠道的业务营销数据处理*** | |
CN111581298A (zh) | 大数据仓库的异构数据整合***及方法 | |
CN108268478A (zh) | 一种基于ur-CAIM算法的不平衡数据集特征选择方法及装置 | |
CN113221984B (zh) | 用户酒驾行为分析预测方法、装置、设备及存储介质 | |
CN116340387A (zh) | 一种用于数据表的个人信息披露情况统计分析方法及*** | |
CN111652525B (zh) | 风险尾端客户分析方法、装置、设备及计算机存储介质 | |
CN110968570A (zh) | 面向电商平台的分布式大数据挖掘*** | |
CN115757935A (zh) | 应用计算机智能的大数据推送方法及*** | |
CN114519343A (zh) | 基于95598的重复来电预处理方法、装置、设备及存储介质 | |
CN111737429B (zh) | 训练方法、ai面试方法及相关设备 | |
CN112308419A (zh) | 数据处理方法、装置、设备及计算机存储介质 | |
US20020194052A1 (en) | Method and system for analyzing application needs of an entity | |
CN112818215A (zh) | 产品数据的处理方法、装置、设备及存储介质 | |
CN114385899A (zh) | 一种基于大数据分析的用户群体精准识别***及方法 | |
WO2015029158A1 (ja) | データ変換装置およびデータ変換方法ならびにデータ変換プログラム | |
CN112445939A (zh) | 一种社交网络群体发现***、方法及存储介质 | |
CN110572403A (zh) | 一种web安全监测***及其方法 | |
CN115018258B (zh) | 一种目标地区企业类型及产业链空间识别方法 | |
CN118246815B (zh) | 基于马尔可夫毯的在线服务体验质量关键因素识别方法 |
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 |