一种快闪店的营销价值预估方法与流程

本发明涉及营销领域，具体是指一种快闪店的营销价值预估方法。

背景技术：

随着电商市场的发展进入平稳发展期，线上运营成本越来越高，竞争越来越激烈，促使品牌方开始回归线下。此时，快闪店迎合了各方利益的诉求，“昙花一现”的创意营销模式结合新零售店面，既可以快速曝光品牌，吸引消费者，直接销售，又可以避免高昂的租金压力，很快被市场认可。但是如何预估其营销价值成为各品牌方的困扰。

伴随着互联网数字经济的几十年发展，线上数字营销已经非常成熟，线下快闪店营销价值评估的问题可以借鉴线上数字营销价值成熟的评估方法。线上数字营销价值主要是通过曝光量、点击量、转化率这三个指标去评估，通过预测这三个指标值，从而预测其营销价值。而对于线下快闪店的营销价值，我们该用什么指标去评估，以及怎么预测这些指标值，从而在快闪店活动前预估出其营销价值呢？本发明基于线上营销价值评估提出了一种线下快闪店营销价值预估方法，该方法确立了评估指标、构建了指标预测模型，能够准确给出快闪店营销价值预估。

技术实现要素：

本发明要解决的技术问题是，提供一种快闪店的营销价值预估方法，解决快闪店场景下品牌方的商业空间营销价值预估问题，帮助品牌方提前预知获得效果，进行策略调整。

为解决上述技术问题，本发明提供的技术方案为：

一种快闪店的营销价值预估方法，所述方法通过商业空间的客流量、进店率、交易率、人均交易额和成本五个指标来预估，预估模型如下所示：

roi＝销售收入/成本×100％＝(交易人数×人均交易额)/成本×100％＝((客流量×进店率×交易率)×人均交易额)/成本×100％；

其中，客流量是指商业空间的客流人数，进店率是指客流人数中进入商业空间的人数占比，交易率是指进入商业空间的人数中成交的人数占比，人均交易额是指商业空间内交易用户的的人均交易额，成本是指本次商业活动所支出的总金额；

人均交易额和成本是输入性变量，需要品牌方输入；客流量、进店率和交易率是预测性变量，通过预测模型算法预测得出。

作为改进，所述客流量的预测方法为：

数据采集

预测客流量需要采集的数据有客流相关数据、商业空间相关数据和商家相关数据；客流相关数据，包含客流量、客流性别偏好、客流年龄偏好；客流量通过安装摄像头的ai智能人脸识别技术检测得到；客流性别偏好是指客流量的性别分布，包括男性和女性，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；客流年龄偏好是指客流量年龄分布，包括儿童、青年、中年、老年，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；

数据处理

数据处理有两种方式，对于数值型变量进行标准化处理，对于类别型变量进行编码处理；客流量、客流性别偏好、客流年龄偏好、面积、长、宽、城市人口、城市gdp、城市消费水平指数、活动次数都属于数值型变量，进行标准化处理；位置、城市等级、商圈、区域、项目类型、项目定位、楼层、行业、品牌、产品属于类别型变量，进行编码处理；

模型预测

选择的预测模型是多元线性回归模型；客流量是因变量y，其余数据是自变量x1，x2...xk，自变量与因变量之间为线性关系时，多元线性回归模型为：

y＝b0+b1x1+b2x2+...+bkxk+e

其中，b0为常数项，b1，b2，...，bk为回归系数；

(1)参数估计

多元线性回归模型的参数估计，是误差平方和最小的前提下，用最小二乘法求解参数；

求解得出b0，b1，b2，...，bk；

(2)模型检验

模型检验分为回归方程的拟合度检验、回归方程的显著性检验和回归系数的显著性检验；

回归方程的拟合度检验用多重可决系数r²检验；公式如下：

其中，

回归方程的显著性检验，即检验整个回归方程的显著性，常采用f检验，f统计量的公式：

根据给定的显著性水平α，自由度(k，n-k-1)查f分布表，得到临界值fα，若f>fα，则回归方程效果显著；若f<fα，则回归效果不显著；

回归系数的显著性检验常用t检验，分别检验回归模型中各个回归系数是否具有显著性，以便使得模型中只保留那些对因变量有显著性影响的因素；

首先计算统计量t，然后根据给定的显著性水平α，自由度(n-k-1)查t分布表，得到临界值tα，若t>tα，则回归系数具有显著性，否则不显著；统计量t的公式：

其中，ckj是回归系数矩阵的逆矩阵(x’x)^-1的主对角线上的第j个元素；

输出结果

对训练出来的模型，输入本次活动的相关信息，即可得到客流量数据。

作为改进，所述进店率的预测方法为：

数据采集

预测进店率需要采集的数据有客流相关数据、商业空间相关数据和商家相关数据；客流相关数据，包含客流量、客流性别偏好、客流年龄偏好、进店人数、进店率；客流量通过安装摄像头的ai智能人脸识别技术检测得到；客流性别偏好是指客流量的性别分布，包括男性和女性，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；客流年龄偏好是指客流量年龄分布，包括儿童、青年、中年、老年，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；进店人数是指进入商业空间内的人数，通过安装摄像头的ai智能人脸识别技术检测得到；进店率是指客流中进入到商业空间内的人数占比，通过公式计算得到，计算公式是进店人数/客流量；

数据处理

数据处理有两种方式，对于数值型变量进行标准化处理，对于类别型变量进行编码处理；客流量、客流性别偏好、客流年龄偏好、进店人数、进店率、面积、长、宽、城市人口、城市gdp、城市消费水平指数、活动次数都属于数值型变量，进行标准化处理；位置、城市等级、商圈、区域、项目类型、项目定位、楼层、行业、品牌、产品属于类别型变量，进行编码处理；

模型预测

选择的预测模型是多元线性回归模型；进店率是因变量y，其余数据是自变量x1，x2...xk，自变量与因变量之间为线性关系时，多元线性回归模型为：

y＝b0+b1x1+b2x2+...+bkxk+e

其中，b0为常数项，b1，b2，...，bk为回归系数；

(1)参数估计

多元线性回归模型的参数估计，是误差平方和最小的前提下，用最小二乘法求解参数；

求解得出b0，b1，b2，...，bk；

(2)模型检验

模型检验分为回归方程的拟合度检验、回归方程的显著性检验和回归系数的显著性检验；

回归方程的拟合度检验用多重可决系数r²检验；公式如下：

其中，

回归方程的显著性检验，即检验整个回归方程的显著性，常采用f检验，f统计量的公式：

根据给定的显著性水平α，自由度(k，n-k-1)查f分布表，得到临界值fα，若f>fα，则回归方程效果显著；若f<fα，则回归效果不显著；

回归系数的显著性检验常用t检验，分别检验回归模型中各个回归系数是否具有显著性，以便使得模型中只保留那些对因变量有显著性影响的因素；

首先计算统计量t，然后根据给定的显著性水平α，自由度(n-k-1)查t分布表，得到临界值tα，若t>tα，则回归系数具有显著性，否则不显著；统计量t的公式：

其中，ckj是回归系数矩阵的逆矩阵(x’x)^-1的主对角线上的第j个元素；

输出结果

对训练出来的模型，输入本次活动的相关信息，即可得到客流量数据。

作为改进，所述交易率的预测方法为：

数据采集

预测交易率需要采集的数据有客流相关数据、商业空间相关数据和商家相关数据；客流相关数据，包含客流量、客流性别偏好、客流年龄偏好、进店人数、进店率、交易人数、交易率；客流量通过安装摄像头的ai智能人脸识别技术检测得到；客流性别偏好是指客流量的性别分布，包括男性和女性，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；客流年龄偏好是指客流量年龄分布，包括儿童、青年、中年、老年，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；进店人数是指进入商业空间内的人数，通过安装摄像头的ai智能人脸识别技术检测得到；进店率是指客流中进入到商业空间内的人数占比，通过公式计算得到，计算公式是进店人数/客流量；交易人数是指进入商业空间的人数中进行成交的人数，通过安装摄像头的ai智能人脸识别和智能扫码技术检测获得；交易率是指进入商业空间的人数中成交的人数占比，通过公式计算得到，计算公式是交易人数/进店人数；

数据处理

数据处理有两种方式，对于数值型变量进行标准化处理，对于类别型变量进行编码处理；客流量、客流性别偏好、客流年龄偏好、进店人数、进店率、交易人数、交易率、面积、长、宽、城市人口、城市gdp、城市消费水平指数、活动次数都属于数值型变量，进行标准化处理；位置、城市等级、商圈、区域、项目类型、项目定位、楼层、行业、品牌、产品属于类别型变量，进行编码处理；

模型预测

选择的预测模型是多元线性回归模型；交易率是因变量y，其余数据是自变量x1，x2...xk，自变量与因变量之间为线性关系时，多元线性回归模型为：

y＝b0+b1x1+b2x2+...+bkxk+e

其中，b0为常数项，b1，b2，...，bk为回归系数；

(1)参数估计

多元线性回归模型的参数估计，是误差平方和最小的前提下，用最小二乘法求解参数；

求解得出b0，b1，b2，...，bk；

(2)模型检验

模型检验分为回归方程的拟合度检验、回归方程的显著性检验和回归系数的显著性检验；

回归方程的拟合度检验用多重可决系数r²检验；公式如下：

其中，

回归方程的显著性检验，即检验整个回归方程的显著性，常采用f检验，f统计量的公式：

根据给定的显著性水平α，自由度(k，n-k-1)查f分布表，得到临界值fα，若f>fα，则回顾方程效果显著；若f<fα，则回归效果不显著；

回归系数的显著性检验常用t检验，分别检验回归模型中各个回归系数是否具有显著性，以便使得模型中只保留那些对因变量有显著性影响的因素；

首先计算统计量t，然后根据给定的显著性水平α，自由度(n-k-1)查t分布表，得到临界值tα，若t>tα，则回归系数具有显著性，否则不显著；统计量t的公式：

其中，ckj是回归系数矩阵的逆矩阵(x’x)^-1的主对角线上的第j个元素；

输出结果

对训练出来的模型，输入本次活动的相关信息，即可得到客流量数据。

采用以上方法后，本发明具有如下优点：

本发明使用多元线性回归模型对营销价值的影响因子进行建模，准确给出快闪店场景下的商业空间营销价值的预估值。解决快闪店场景下品牌方的商业空间营销价值预估问题，帮助品牌方提前预知获得效果，进行策略调整；商业空间预估算法中首次使用ai智能技术，可以更好的提升预估的准确性。

附图说明

图1是本发明的预测模型算法示意图。

图2是本发明的流程结构示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明。

结合附图1-2，一种预估方法，该方法主要通过商业空间的客流量、进店率、交易率、人均交易额和成本五个指标来预估，预估模型如下所示：

roi＝销售收入/成本×100％

＝(交易人数×人均交易额)/成本×100％

＝((客流量×进店率×交易率)*人均交易额)/成本×100％

其中，客流量是指商业空间的客流人数，进店率是指客流人数中进入商业空间的人数占比，交易率是指进入商业空间的人数中成交的人数占比，人均交易额是指商业空间内交易用户的的人均交易额，成本是指本次商业活动所支出的总金额。

人均交易额和成本是输入性变量，需要品牌方输入。客流量、进店率和交易率是预测性变量，通过预测模型算法预测得出。具体操作步骤如图1所示。

接下来分别介绍客流量、进店率和交易率的预测。

(一)客流量

对客流量进行预测，首先需要采集影响客流量的相关数据，其次对数据进行处理，然后进行模型预测，最后输出结果。具体操作步骤如图2所示。

1、数据采集

预测客流量需要采集的数据有客流相关数据、商业空间相关数据和商家相关数据。客流相关数据，包含客流量、客流性别偏好、客流年龄偏好。客流量通过安装摄像头的ai智能人脸识别技术检测得到；客流性别偏好是指客流量的性别分布，包括男性和女性，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；客流年龄偏好是指客流量年龄分布，包括儿童、青年、中年、老年，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到。

商业空间相关信息也称场地相关信息，属于基础信息，可直接获得，包含场地的位置、规格、面积、城市、商圈、区域、项目类型、项目定位、楼层、开业时间、活动次数，其中位置一般分为中庭、连廊、外广场；规格是指场地的长和宽；面积是场地长和宽的乘积；城市包括城市等级、城市人口、城市gdp、城市消费水平指数；区域是指该场地所在城市的所属区域；商圈是指该场地所在城市的所属商圈；项目类型一般分为城市型、区域型、社区型和邻里型；项目定位一般分为高端、中高端、中端和中低端；楼层是指该场地所在的楼层；开业时间是指截止当前该场地开业的年限；活动次数是指在该场地上举办过快闪活动的次数。

商家相关信息是指在该商业空间进行快闪活动的企业的相关信息，亦属于基础信息，可直接获取，包含：行业、品牌、产品。行业是指快闪推广产品所属行业；品牌是指推广产品的品牌；产品是指推广的产品。

2、数据处理

数据处理有两种方式，对于数值型变量进行标准化处理，对于类别型变量进行编码处理。客流量、客流性别偏好、客流年龄偏好、面积、长、宽、城市人口、城市gdp、城市消费水平指数、活动次数都属于数值型变量，进行标准化处理；位置、城市等级、商圈、区域、项目类型、项目定位、楼层、行业、品牌、产品属于类别型变量，进行编码处理。

3、模型预测

选择的预测模型是多元线性回归模型。客流量是因变量y，其余数据是自变量x1，x2...xk，自变量与因变量之间为线性关系时，多元线性回归模型为：

y＝b0+b1x1+b2x2+...+bkxk+e

其中，b0为常数项，b1，b2，...，bk为回归系数。

(1)参数估计

多元线性回归模型的参数估计，是误差平方和最小的前提下，用最小二乘法求解参数。

求解得出b0，b1，b2，...，bk。

(2)模型检验

模型检验分为回归方程的拟合度检验、回归方程的显著性检验和回归系数的显著性检验。

回归方程的拟合度检验用多重可决系数r²检验。公式如下：

其中，

回归方程的显著性检验，即检验整个回归方程的显著性，常采用f检验，f统计量的公式：

根据给定的显著性水平α，自由度(k，n-k-1)查f分布表，得到临界值fα，若f>fα，则回归方程效果显著；若f<fα，则回归效果不显著。

回归系数的显著性检验常用t检验，分别检验回归模型中各个回归系数是否具有显著性，以便使得模型中只保留那些对因变量有显著性影响的因素。

首先计算统计量t，然后根据给定的显著性水平α，自由度(n-k-1)查t分布表，得到临界值tα，若t>tα，则回归系数具有显著性，否则不显著。统计量t的公式：

其中，ckj是回归系数矩阵的逆矩阵(x’x)^-1的主对角线上的第j个元素。

4、输出结果

对训练出来的模型，输入本次活动的相关信息，即可得到客流量数据。

(二)进店率

对进店率进行预测，首先需要采集影响进店率的相关数据，其次对数据进行处理，然后进行模型预测，最后输出结果。具体操作步骤如图2所示。

1、数据采集

预测进店率需要采集的数据有客流相关数据、商业空间相关数据和商家相关数据。客流相关数据，包含客流量、客流性别偏好、客流年龄偏好、进店人数、进店率。客流量通过安装摄像头的ai智能人脸识别技术检测得到；客流性别偏好是指客流量的性别分布，包括男性和女性，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；客流年龄偏好是指客流量年龄分布，包括儿童、青年、中年、老年，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；进店人数是指进入商业空间内的人数，通过安装摄像头的ai智能人脸识别技术检测得到；进店率是指客流中进入到商业空间内的人数占比，通过公式计算得到，计算公式是进店人数/客流量。

商业空间相关信息也称场地相关信息，属于基础信息，可直接获的，包含场地的位置、规格、面积、城市、商圈、区域、项目类型、项目定位、楼层、开业时间、活动次数，其中位置一般分为中庭、连廊、外广场；规格是指场地的长和宽；面积是场地长和宽的乘积；城市包括城市等级、城市人口、城市gdp、城市消费水平指数；区域是指该场地所在城市的所属区域；商圈是指该场地所在城市的所属商圈；项目类型一般分为城市型、区域型、社区型和邻里型；项目定位一般分为高端、中高端、中端和中低端；楼层是指该场地所在的楼层；开业时间是指截止当前该场地开业的年限；活动次数是指在该场地上举办过快闪活动的次数。

商家相关信息是指在该商业空间进行快闪活动的企业的相关信息，亦属于基础信息，可直接获取，包含：行业、品牌、产品。行业是指快闪推广产品所属行业；品牌是指推广产品的品牌；产品是指推广的产品。

2、数据处理

数据处理有两种方式，对于数值型变量进行标准化处理，对于类别型变量进行编码处理。客流量、客流性别偏好、客流年龄偏好、进店人数、进店率、面积、长、宽、城市人口、城市gdp、城市消费水平指数、活动次数都属于数值型变量，进行标准化处理；位置、城市等级、商圈、区域、项目类型、项目定位、楼层、行业、品牌、产品属于类别型变量，进行编码处理。

3、模型预测

选择的预测模型是多元线性回归模型。进店率是因变量y，其余数据是自变量x1，x2...xk，自变量与因变量之间为线性关系时，多元线性回归模型为：

y＝b0+b1x1+b2x2+...+bkxk+e

其中，b0为常数项，b1，b2，...，bk为回归系数。

(1)参数估计

多元线性回归模型的参数估计，是误差平方和最小的前提下，用最小二乘法求解参数。

求解得出b0，b1，b2，...，bk。

(2)模型检验

模型检验分为回归方程的拟合度检验、回归方程的显著性检验和回归系数的显著性检验。

回归方程的拟合度检验用多重可决系数r²检验。公式如下：

其中，

回归方程的显著性检验，即检验整个回归方程的显著性，常采用f检验，f统计量的公式：

根据给定的显著性水平α，自由度(k，n-k-1)查f分布表，得到临界值fα，若f>fα，则回归方程效果显著；若f<fα，则回归效果不显著。

回归系数的显著性检验常用t检验，分别检验回归模型中各个回归系数是否具有显著性，以便使得模型中只保留那些对因变量有显著性影响的因素。

首先计算统计量t，然后根据给定的显著性水平α，自由度(n-k-1)查t分布表，得到临界值tα，若t>tα，则回归系数具有显著性，否则不显著。统计量t的公式：

其中，ckj是回归系数矩阵的逆矩阵(x’x)^-1的主对角线上的第j个元素。

4、输出结果

对训练出来的模型，输入本次活动的相关信息，即可得到客流量数据。

(三)交易率

对交易率进行预测，首先需要采集影响交易率的相关数据，其次对数据进行处理，然后进行模型预测，最后输出结果。具体操作步骤如图2所示。

1、数据采集

预测交易率需要采集的数据有客流相关数据、商业空间相关数据和商家相关数据。客流相关数据，包含客流量、客流性别偏好、客流年龄偏好、进店人数、进店率、交易人数、交易率。客流量通过安装摄像头的ai智能人脸识别技术检测得到；客流性别偏好是指客流量的性别分布，包括男性和女性，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；客流年龄偏好是指客流量年龄分布，包括儿童、青年、中年、老年，通过安装摄像头的ai智能人脸、头发、着装、步态等技术识别检测得到；进店人数是指进入商业空间内的人数，通过安装摄像头的ai智能人脸识别技术检测得到；进店率是指客流中进入到商业空间内的人数占比，通过公式计算得到，计算公式是进店人数/客流量；交易人数是指进入商业空间的人数中进行成交的人数，通过安装摄像头的ai智能人脸识别和智能扫码技术检测获得；交易率是指进入商业空间的人数中成交的人数占比，通过公式计算得到，计算公式是交易人数/进店人数。

商业空间相关信息也称场地相关信息，属于基础信息，可直接获的，包含场地的位置、规格、面积、城市、商圈、区域、项目类型、项目定位、楼层、开业时间、活动次数，其中位置一般分为中庭、连廊、外广场；规格是指场地的长和宽；面积是场地长和宽的乘积；城市包括城市等级、城市人口、城市gdp、城市消费水平指数；区域是指该场地所在城市的所属区域；商圈是指该场地所在城市的所属商圈；项目类型一般分为城市型、区域型、社区型和邻里型；项目定位一般分为高端、中高端、中端和中低端；楼层是指该场地所在的楼层；开业时间是指截止当前该场地开业的年限；活动次数是指在该场地上举办过快闪活动的次数。

商家相关信息是指在该商业空间进行快闪活动的企业的相关信息，亦属于基础信息，可直接获取，包含：行业、品牌、产品。行业是指快闪推广产品所属行业；品牌是指推广产品的品牌；产品是指推广的产品。

2、数据处理

数据处理有两种方式，对于数值型变量进行标准化处理，对于类别型变量进行编码处理。客流量、客流性别偏好、客流年龄偏好、进店人数、进店率、交易人数、交易率、面积、长、宽、城市人口、城市gdp、城市消费水平指数、活动次数都属于数值型变量，进行标准化处理；位置、城市等级、商圈、区域、项目类型、项目定位、楼层、行业、品牌、产品属于类别型变量，进行编码处理。

3、模型预测

选择的预测模型是多元线性回归模型。交易率是因变量y，其余数据是自变量x1，x2...xk，自变量与因变量之间为线性关系时，多元线性回归模型为：

y＝b0+b1x1+b2x2+...+bkxk+e

其中，b0为常数项，b1，b2，...，bk为回归系数。

(1)参数估计

多元线性回归模型的参数估计，是误差平方和最小的前提下，用最小二乘法求解参数。

求解得出b0，b1，b2，...，bk。

(2)模型检验

模型检验分为回归方程的拟合度检验、回归方程的显著性检验和回归系数的显著性检验。

回归方程的拟合度检验用多重可决系数r²检验。公式如下：

其中，

回归方程的显著性检验，即检验整个回归方程的显著性，常采用f检验，f统计量的公式：

根据给定的显著性水平α，自由度(k，n-k-1)查f分布表，得到临界值fα，若f>fα，则回顾方程效果显著；若f<fα，则回归效果不显著。

回归系数的显著性检验常用t检验，分别检验回归模型中各个回归系数是否具有显著性，以便使得模型中只保留那些对因变量有显著性影响的因素。

首先计算统计量t，然后根据给定的显著性水平α，自由度(n-k-1)查t分布表，得到临界值tα，若t>tα，则回归系数具有显著性，否则不显著。统计量t的公式：

其中，ckj是回归系数矩阵的逆矩阵(x’x)^-1的主对角线上的第j个元素。

4、输出结果

对训练出来的模型，输入本次活动的相关信息，即可得到客流量数据。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。