一种基于品类购买次数的数据分析处理方法及系统与流程

本发明涉及电商数据分析领域，尤其涉及一种基于品类购买次数的数据分析处理方法及系统。

背景技术：

随着科技的发展，网上购物已经逐渐融入人们的生活中，用户会在网购平台上进行搜索并查看各类商品进行选购，与此同时，网购平台也会将用户在网购平添上购买的数据记录下来。面对庞大的用户购买数据，如何正确利用并从中获取有价值的规律，从而针对性的制定促销策略，提高销售量成为电商平台的重点研究对象。

现有的用户购买数据量非常庞大，用户购买数据中包括了非常多的信息，而用户购买数据中的用户购买商品次数的数据最能直接反映出每个用户的购买情况，但是直接把用户购买的商品次数进行统计后，并没有发现这些数据太多的规律，无法充分利用数据来提高销售额，造成大数据资源的浪费。

技术实现要素：

为了克服现有技术的不足，本发明的目的之一在于提供基于品类购买次数的数据分析处理方法，可准确圈选人群，提高精准运营效率。

本发明的目的之二在于提供基于品类购买次数的数据分析处理系统，执行上述数据分析处理方法，从而增加销售量。

本发明的目的之一采用如下技术方案实现：

一种基于品类购买次数的数据分析处理方法，包括：

步骤s1：获取用户购买数据，根据用户购买数据按照品类维度进行分类；其中用户购买数据包括用户账号、购买品类、购买时间和购买次数；

步骤s2：对分类后的每个品类按照购买次数维度进行统计，获取每个品类中购买次数的人群数量数据；

步骤s3：基于每个品类中购买次数的人群数量数据建立实际模型；

步骤s4：将实际模型与预测模型进行对比分析，从中获取用户购买情报数据；

步骤s5：通过用户数据平台筛选用户信息，结合用户购买情报数据向用户推送相对应的促销信息。

进一步地，所述步骤s2后还包括步骤s2’：对每个品类中购买次数的人群数量数据进行过滤处理，过滤掉每个品类中少于设定购买频率的人群。

进一步地，所述实际模型是通过对购买次数的人群数量数据进行自然对数处理，再将做过自然对数处理之后的数据进行线性回归所得，其中购买次数的人群数量数据是从用户购买数据中所获取的。

进一步地，所述预测模型是通过对购买次数的人群数量数据进行自然对数处理，再将做过自然对数处理之后的数据进行线性回归所得，其中购买次数的人群数量数据是通过预设推算所得。

进一步地，所述购买情报数据包括但不限于通过预测模型和实际模型的对比所获知的用户实际购买次数转换情况、通过模型斜率下降速度所获知的用户再次购买倾向。

进一步地，所述品类包括但不限于日常家用类和家电3c类，其中日常家用类包括但不限于美妆类、服饰类。

进一步地，所述日常家用类的实际模型的回归方程为：k＝e^{-0.147*n+15.269}；其中n为用户购买美妆商品的次数，k为购买n次的人群数量。

进一步地，所述家电3c类的实际模型的回归方程为k＝e^{-0.239*n+14.555}；其中n为用户购买家电3c类商品的次数，k为购买n次的人群数量。

进一步地，所述促销信息包括但不限于投放广告、推送用户购买商品相似的商品信息、通知用户收藏商品降价通知。

本发明的目的之二采用如下技术方案实现：

一种基于品类购买次数的数据分析处理系统，包括服务器，所述服务器执行上述的基于品类购买次数的数据分析处理方法。

相比现有技术，本发明的有益效果在于：

把庞大的用户购买数据按照品类维度进行细化分类，再对其中的用户购买的商品次数进行统计，再对数据建立数学模型，从而发现其中的指数分布特征，可从数学模型中获取用户购买情报数据，根据情报数据推出相对应的促销活动；该方法可提高找到营销重点转换的目标人群的准确率，同时通过针对性的促销活动挽留用户，从而促进电商平添的销售量。

附图说明

图1为本发明基于品类购买次数的数据分析处理方法的流程示意图；

图2为本发明美妆类的实际模型和预测模型的数据对比图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例一

一种基于品类购买次数的数据分析处理方法，如图1所示，包括：

步骤s1：获取用户购买数据，根据用户购买数据按照品类维度进行分类；

其中用户购买数据可从网购平台的数据库中获取，用户购买数据包括用户账号、购买品类、购买时间和购买次数等数据。

步骤s2：对分类后的每个品类按照购买次数维度进行统计，获取每个品类中购买次数的人群数量数据；

将用户购买数据经过品类维度的分类和购买次数维度的统计后，获得类似如下表头的列表数据：用户、购买品类、购买次数。从中可直接看出每个用户购买商品的品类类型、每个品类商品的购买次数和购买次数的人群数量，后续会根据购买次数的人群数量进行建模分析处理。

在建模前为了提高准确度，会对部分数据进行过滤，由于购买频率数据到后面呈现离散状态，因此将少于一定购买频率的购买次数的人群信息过滤掉，获取新的购买次数人群数量数据，从而减少建模的数据处理量，并提高回归方程的准确程度。

以美妆品类为例：从用户购买数据中统计出美妆总用户数量为n人，因此购买次数的人群，少于n/1000的以后的次数就过滤(其中1000的数值可根据实际情况进行调整)。若美妆总用户的数量为1万人，1万/1000＝10，即将购买次数少于10次的次数全部过滤掉。

步骤s3：基于每个品类中购买次数的人群数量数据建立实际模型；

所述品类包括但不限于日常家用类和家电3c类，其中日常家用类包括但不限于美妆类、服饰类，再结合用户购买数据对日常家用类和家电3c类分别进行建模，形成实际模型，在每个品类的实际模型中可准确的了解到用户的真实购买情况，从而获取有价值的规律。

在建模的过程中首先把分类统计好的购买次数的人群的数量进行自然对数处理，将数据的非线性关系转换为线性关系，比如购买1次美妆的用户是100万，自然对数处理之后是13.81；购买2次美妆的用户是20万，自然对数处理之后是12.20；其后把做过自然对数处理之后的数据进行线性回归，获得回归方程。

以美妆人群为例：利用上述方法获得的回归方程为：k＝e^{-0.147*n+15.269}；其中n为用户购买美妆商品的次数，k为购买n次的人群数量。

而家电3c类的实际模型的回归方程为k＝e^{-0.239*n+14.555}；其中n为用户购买家电3c类商品的次数，k为购买n次的人群数量。

步骤s4：将实际模型与预测模型进行对比分析，从中获取用户购买情报数据；

其中预测模型是通过对购买次数的人群数量数据进行自然对数处理，再将做过自然对数处理之后的数据进行线性回归所得，其中购买次数的人群数量数据是通过预设推算所得。如图2所示，美妆类的预测模型方程呈直线型，而美妆类的实际模型的回归方程呈曲线型。将实际模型与预测模型进行对比分析，例如实际模型购买一次和购买两次的人群数量比预测模型中购买一次和购买两次的人群数量都要高，那么就说明实际情况中购买一次的人群，转换为购买两次的人群，比正常值要差，也间接说明购买一次的客户占比太高，可能要减少拉新用户的力度。

其次，从实际模型中可以看出类似美妆类的日常家用类的用户购买次数集中在第一次和第二次，购买三次的用户数量开始逐渐减少，因此针对日常家用类的商品要做好用户多次购买的销售方案。

而从家电3c类的方程可看出购买家电3c类商品的用户主要集中在第一次，家电3c品类的购买频率下降最快，说明用户再次购买的几率相对较低，因此在指定促销策略时，要更加关注用户第一次来购买的情况。

上述通过预测模型和实际模型的对比所获知的用户实际购买次数转换情况、通过模型斜率下降速度所获知的用户再次购买倾向等数据集合成用户购买情报数据包，通过用户购买情报数据包即可获知从用户购买数据中获取大量有价值信息。

步骤s5：通过用户数据平台筛选用户信息，结合用户购买情报数据向用户推送相对应的促销信息。

所述促销信息包括但不限于投放广告、推送用户购买商品相类似的商品信息、通知用户收藏商品降价通知。例如当用户购买一次美妆类商品后，由于第二次购买的几率较大，因此通过购物平台向用户推送类似的美妆类商品，促使用户再次购买；或针对家电3c类商品时，可给用户推送用户关注的家电类商品品类信息，增加拉新用户的力度。

实施例二

一种基于品类购买次数的数据分析处理系统，包括服务器，所述服务器执行上述的基于品类购买次数的数据分析处理方法，服务器对用户的购买品类数据进行计算，在品类的维度的数据上，用自然对数降低维度之后，对不同品类的数据进行线性回归计算，从而提高找到营销重点转换的目标人群的准确率。从线性回归方程中可知家电3c商品的下降速度较快的品类，因此做好前面1～2次购买用户的策划；对男装女装等日常购买的品类，做好日常购买的策划。再可使用用户数据平台筛选这些用户，然后可以针对性的投放广告，从而提高销售量。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。