一种商品展示决策方法技术

本发明专利技术提供了一种商品展示决策方法，包括以下步骤S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值；S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型；S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据。通过本发明专利技术所揭示的商品展示决策方法，能够为已经购买某种商品的消费者可能购买的另一种商品提供准确挖掘与判断，从而为经营者在线下销售场景的商品摆放位置或者线上销售场景中的商品展示位置提供准确且可靠的决策，并显著地提高了经营者的利润。

A Decision-Making Method for Commodity Display

The invention provides a commodity display decision-making method, which includes the following steps: constructing association rules between designated brand of designated category and brand of non-designated category based on dynamic weighted Apriori algorithm, and dynamically weighting assignment for the weight of designated brand; S2, extracting the similarity with mainstream customer group by taking the consumption characteristics of candidate customer group in designated dimension as input. Customer diffusion model; S3, the designated brand after dynamic weighted assignment is associated with the mainstream customers in the customer diffusion model to show decision-making data to managers and/or consumers. The method of commodity display decision disclosed by the present invention can provide accurate mining and judgment for another commodity that a consumer who has purchased a certain commodity may purchase, thus providing accurate and reliable decision-making for the place of commodity in the offline sale scene or the place of commodity display in the online sale scene for the operator, and significantly improving the profit of the operator.

【技术实现步骤摘要】
一种商品展示决策方法
本专利技术涉及数据挖掘
，尤其涉及一种商品展示决策方法。
技术介绍
商品展示是经营者执行相应商业行为的重要考虑因素，商品展示的空间位置关系及如何根据消费者的消费数据做出合理的决策，决定了是否可以获得更大的利润空间。如何合理的将商品信息向消费者进行线上或者线下的推送或者展示就成为了经营者需要考虑的问题。目前，根据消费者日常消费记录或者网页浏览记录所关联的数据向特定的消费者进行推送已经被相关企业所公开。但是所有的现有技术仅仅从消费行为的数据或者关注商品的数据对商品的展示或者推送进行关联并展示。数据挖掘在上述过程中起到了非常关键的作用。数据挖掘是指，从大量的数据中挖掘出隐含的、未知的、对决策有价值的知识和规则。针对商品信息的特性，数据挖掘领域中的多种算法都能够对信息进行处理。如贝叶斯分类器、决策树等对数据进行分类的方法；如对商品相似度进行分析进而归类商品的K-Means聚类算法，该算法运算速度快，但由于算法中存在的聚类数目K的取值可能对结果产生影响；如能够快速处理混合类型数据的聚类问题的K-prototypes算法。另外有以其他基于密度、网格、模型等的聚类分析方法对商品信息进行聚类分析。每种方法都存在各自的优缺点，适用范围也相对有限，对于不同的数据类型特征、数据质量等存在着不同的制约因素。申请人发现现有的商品展示方法往往着眼于商品的出现频率，并将商品的出现频率作为是否向消费者进行展示或者推送的依据或者决策。现有的商品展示决策方法所形成的数据无法为经营者如何向消费者推送商品信息提供科学准确的参考依据。
技术实现思路
本专利技术的目的在于揭示一种商品展示决策方法，用以实现对商品信息进行挖掘与分析，以为经营者在线下销售场景的商品摆放位置或者线上销售场景中的商品展示位置提供准确且可靠的决策，以提高经营者的利润。为实现上述目的，本专利技术提供了一种商品展示决策方法，包括以下步骤：S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值；S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型；S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据。作为本专利技术的进一步改进，所述步骤S1中还包括：通过品牌的最小支持度对关联规则做筛选，并以指定品类所属的75％的品牌能够关联至非指定品类的所属品牌的最大支持度作为指定品类中所包含的所有品牌的最小支持度，当品牌的支持度大于最小支持度时，建立所述关联规则。作为本专利技术的进一步改进，所述步骤S1中的为指定品牌的权重作动态加权赋值包括以下子步骤：S11、计算指定品牌在设定时间段内的平均单次消费额；S12、计算指定品牌在设定时间段内的平均单次消费额的指数移动平均值；S13、计算指定品牌所属的指定品类的平均单次销售额；S14、计算平均单次消费额的指数移动平均值占指定品类的平均单次销售额的比重；S15、对指定品类所包含的指定品牌的比重作归一化处理，得指定品牌占指定品类的权重。作为本专利技术的进一步改进，所述步骤S2中的指定维度由：消费者开户持续时间、消费频次、最近消费行为距当前的时间、平均消费时间间隔、消费时间间隔标准差、单次消费金额、消费金额标准差、平均折扣额、折扣额标准差、平均消费积分、消费积分标准差、籍贯、出生年份、出生月份中的至少一种维度组成。作为本专利技术的进一步改进，所述步骤S1中的动态加权Apriori算法包括以下子步骤：S101、计算指定品牌在指定事件X中的最大权值；S102、计算加权支持度；S103、计算指定事件X与非指定事件Y之间所形成的关联规则的加权支持度；S104、计算指定事件X与非指定事件Y之间所形成的关联规则的加权置信度；S105、计算指定事件X与非指定事件Y之间所形成的加权提升度。作为本专利技术的进一步改进，所述步骤S2包括以下子步骤：S21、提取候选客群对指定维度的消费数据；S22、提取与指定品牌具关联规则的主流客群；S23、自主流客群中随时选取部分客群样本，基于Logistic回归模型计算候选客群中对指定品牌的正类概率值，对正类概率值从高到低进行排序，将正类概率值低于分割阈值T的候选客群的样本作为负样本，所述分割阈值T为排序后位于前95.4％的样本所对应的最低概率值；S24、使用Logistic回归模型对正样本与负样本进行训练，建立具体的候选客群与主流客群之间的相似度模型，以得到客群扩散模型；作为本专利技术的进一步改进，所述子步骤S24中，在建立具体的候选客群与主流客群之间的相似度模型之后，还包括：使用所述相似度模型计算候选客群中的单个客户与主流客群之间的相似度，并将按照相似度由高至低对客户进行排序。作为本专利技术的进一步改进，所述子步骤S24之后还包括：删除候选客群中购买过指定品牌所属的指定品类的客户。作为本专利技术的进一步改进，所述步骤S3中使用动态加权赋值后的指定品牌与客群扩散模型合并之后还包括：执行优先度排序和筛选的操作，所述优先度至少以客户的权限为指标。作为本专利技术的进一步改进，所述商品展示决策数据以交互式表单、数据库、短消息、APP推送消息或者网页订阅消息的形式向管理者和/或消费者通过台式电脑、笔记本电脑、平板电脑、手机或者实体物理环境进行可视化展示。与现有技术相比，本专利技术的有益效果是：通过本专利技术所揭示的商品展示决策方法，能够为已经购买某种商品的消费者可能购买的另一种商品提供准确挖掘与判断，从而为经营者在线下销售场景的商品摆放位置或者线上销售场景中的商品展示位置提供准确且可靠的决策，并显著地提高了经营者的利润。附图说明图1为本专利技术一种商品展示决策方法的流程图；图2为指定品类所属的指定品牌与非指定品类的所属品牌之间构建关联规则的示意图；图3为基于现有的Apriori算法筛选出的关联规则在网页环境中为消费者推送的前项品牌与后项品牌的示意图；图4为基于本专利技术中的动态加权Apriori算法筛选出的关联规则在网页环境中为消费者推送的前项品牌与后项品牌的示意图；图5为基于本专利技术中的动态加权Apriori算法筛选出的关联规则在实体环境中为消费者推送的前项品牌与后项品牌的示意图；图6为本专利技术中的动态加权Apriori算法的示意图。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。请参图1至图6所示出的本专利技术一种商品展示决策方法的一种具体实施方式。本实施例所揭示的一种商品展示决策方法用于对虚拟环境(例如互联网贩售场景)或者实体环境(例如超市、卖场)中客户购买的属于某种品类的某种品牌的购买数据进行分析、挖掘，以判断出与该客户类似的其他客户可能购买相同品类中的其他品牌或者不同品类所属的一个或者多个品牌的可能性，并将最终得到的商品展示决策数据向管理者和/或消费者进行展示，并具体为可视化展示，当然也可以通过其他能够被人体所感知的其他方式进行展示，并不具体仅仅局限于视觉途径，例如声音等多种展现形式向管理者和/或消费者进行展示。在本实施例中，管理者是相对于消本文档来自技高网...

【技术保护点】
1.一种商品展示决策方法，其特征在于，包括以下步骤：S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值；S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型；S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据。

【技术特征摘要】
1.一种商品展示决策方法，其特征在于，包括以下步骤：S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值；S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型；S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据。2.根据权利要求1所述的商品展示决策方法，其特征在于，所述步骤S1中还包括：通过品牌的最小支持度对关联规则做筛选，并以指定品类所属的75％的品牌能够关联至非指定品类的所属品牌的最大支持度作为指定品类中所包含的所有品牌的最小支持度，当品牌的支持度大于最小支持度时，建立所述关联规则。3.根据权利要求1或者2所述的商品展示决策方法，其特征在于，所述步骤S1中的为指定品牌的权重作动态加权赋值包括以下子步骤：S11、计算指定品牌在设定时间段内的平均单次消费额；S12、计算指定品牌在设定时间段内的平均单次消费额的指数移动平均值；S13、计算指定品牌所属的指定品类的平均单次销售额；S14、计算平均单次消费额的指数移动平均值占指定品类的平均单次销售额的比重；S15、对指定品类所包含的指定品牌的比重作归一化处理，得指定品牌占指定品类的权重。4.根据权利要求1所述的商品展示决策方法，其特征在于，所述步骤S2中的指定维度由：消费者开户持续时间、消费频次、最近消费行为距当前的时间、平均消费时间间隔、消费时间间隔标准差、单次消费金额、消费金额标准差、平均折扣额、折扣额标准差、平均消费积分、消费积分标准差、籍贯、出生年份、出生月份中的至少一种维度组成。5.根据权利要求1或者2所述的商品展示决策方法，其特征在于，所述步骤S1中的动态加权Apriori算法包括以下子步骤：S101、计算指定品牌在指定事件X中的最大权值...

【专利技术属性】
技术研发人员：杨京雨，刘长鑫，刘畅，
申请(专利权)人：北京亿百分科技有限公司，
类型：发明
国别省市：北京,11