The invention discloses a mall brand portfolio prediction and prediction server, the method includes: obtaining the information of user location information and brand, carries on the processing to obtain user information and feature information of the first brand; to obtain the basic demographic data, processing of brand information, user characteristics information and basic demographic data. In order to obtain second brand characteristics; the first deep learning neural networks were constructed and second deep learning neural network; user characteristic information, the first brand of feature information and feature information of second brands as the first deep learning neural network input, the training of the first deep learning neural network, to get the brand purchase probability of users; second brand characteristic information, feature information and user purchase probability as the second depth Learning the inputs of neural networks, second depth learning neural networks are trained to predict the largest portfolio of users with the greatest probability of purchase.
【技术实现步骤摘要】
一种商场品牌组合预测方法及预测服务器
本专利技术涉及大数据处理
,特别涉及一种商场品牌组合预测方法及预测服务器。
技术介绍
随着移动互联网的不断发展,越来越多的人开始使用如智能手机、平板电脑等移动终端设备。同时,移动互联网的广泛普及也促使移动应用的发展更加迅猛,当用户在移动终端上使用所安装的移动应用时,会产生一系列状态数据,例如应用信息、移动设备信息、环境信息、位置信息等。大量移动设备的使用产生了海量的数据,通过对海量数据的处理即可以实现数据变现。在数据变现中,提取用户画像(即用户的特征分布情况)、尤其是某些特定围栏区域内的用户画像,对零售商、房产商以及消费者都有重要的意义。例如,通过统计某个商场内的用户画像,商场的经营者可以分析消费者的性别、年龄构成,从而可以实现更精准、定向的销售活动。然而,就现有方法而言,线上积累的大量商场室内定位数据和商场线下销售活动并没有得到完美的结合,难以对商场客群特征、商场内品牌组合实现精准、有效的分析及预测处理。
技术实现思路
为此,本专利技术提供一种商场品牌组合预测的技术方案,以力图解决或者至少缓解上面存在的问题。根据本专利技术的一个方面,提供一种商场品牌组合预测方法,适于在预测服务器中执行,预测服务器包括数据存储设备,数据存储设备中存储有持有移动终端的各用户在商场内的用户地理位置信息、各品牌的品牌信息和基本人口统计学数据,用户地理位置信息包括用户标识、经纬度、时间戳和楼层,品牌信息包括品牌名称、品牌地理位置信息、品牌商品信息和品牌售卖信息,该方法包括如下步骤:从数据存储设备中获取用户地理位置信息和品牌信息,并对其进行处 ...
【技术保护点】
一种商场品牌组合预测方法,适于在预测服务器中执行,所述预测服务器包括数据存储设备,所述数据存储设备中存储有持有移动终端的各用户在商场内的用户地理位置信息、各品牌的品牌信息和基本人口统计学数据,所述用户地理位置信息包括用户标识、经纬度、时间戳和楼层,所述品牌信息包括品牌名称、品牌地理位置信息、品牌商品信息和品牌售卖信息,所述方法包括:从所述数据存储设备中获取所述用户地理位置信息和品牌信息,并对其进行处理以获取用户特征信息和第一品牌特征信息,所述用户特征信息包括用户购买行为和商场内行走路线;从所述数据存储设备中获取基本人口统计学数据,对所述品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息;分别构建第一深度学习神经网络和第二深度学习神经网络;将所述用户特征信息、第一品牌特征信息和第二品牌特征信息作为所述第一深度学习神经网络的输入、所述用户购买行为作为监督学习的标签,对所述第一深度学习神经网络进行训练,以获取各品牌的用户购买概率;将所述用户特征信息、第二品牌特征信息和用户购买概率作为所述第二深度学习神经网络的输入、所述商场内行走路线作为监督学习的标签,对所述第二深度学 ...
【技术特征摘要】
1.一种商场品牌组合预测方法,适于在预测服务器中执行,所述预测服务器包括数据存储设备,所述数据存储设备中存储有持有移动终端的各用户在商场内的用户地理位置信息、各品牌的品牌信息和基本人口统计学数据,所述用户地理位置信息包括用户标识、经纬度、时间戳和楼层,所述品牌信息包括品牌名称、品牌地理位置信息、品牌商品信息和品牌售卖信息,所述方法包括:从所述数据存储设备中获取所述用户地理位置信息和品牌信息,并对其进行处理以获取用户特征信息和第一品牌特征信息,所述用户特征信息包括用户购买行为和商场内行走路线;从所述数据存储设备中获取基本人口统计学数据,对所述品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息;分别构建第一深度学习神经网络和第二深度学习神经网络;将所述用户特征信息、第一品牌特征信息和第二品牌特征信息作为所述第一深度学习神经网络的输入、所述用户购买行为作为监督学习的标签,对所述第一深度学习神经网络进行训练,以获取各品牌的用户购买概率;将所述用户特征信息、第二品牌特征信息和用户购买概率作为所述第二深度学习神经网络的输入、所述商场内行走路线作为监督学习的标签,对所述第二深度学习神经网络进行训练,以预测用户购买概率最大的品牌组合。2.如权利要求1所述的方法,所述品牌商品信息包括品牌旗下商品名称、商品价格、商品数量、商品上架时间、商品预计下架时间和是否应季。3.如权利要求1或2所述的方法,所述品牌售卖信息包括品牌旗下商品名称、商品售出价格、商品售出数量和用户标识。4.如权利要求1-3中任一项所述的方法,所述基本人口统计学数据包括年龄、性别、收入水平和所属行业。5.如权利要求1-4中任一项所述的方法,所述获取用户特征信息和第一品牌特征信息包括:对所述品牌名称、品牌地理位置信息和用户地理位置信息进行处理,获取品牌总停留时长、单个品牌停留时长和商场内行走路线;对所述品牌售卖信息进行处理,结合所述单个品牌停留时长和商场内行走路线,获取所述用户特征信息;对所述品牌总停留时长、商场内行走路线进行处理以获取第一品牌特征信息。6.如权利要求1-5中任一项所述的方...
【专利技术属性】
技术研发人员:冯博,张夏天,王泽铭,
申请(专利权)人:腾云天宇科技北京有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。