一种基于动态消费数据的全链路智能商业决策分析方法与流程

本发明涉及商业决策分析，具体为一种基于动态消费数据的全链路智能商业决策分析方法。

背景技术：

1、随着数据挖掘技术的不断发展，对消费者历史数据进行分析研究，已经成为商户有关管理部门有效开展商业决策的重要参考依据。但与此同时，随着数据挖掘技术的不断发展以及对消费者消费数据挖掘的深入，也导致信息超载问题的发生，大众媒介中的信息量远远高于受众所能消费的信息量，大量无关的冗余信息严重干扰了受众对相对有用信息的准确分辨和正确选择。

2、随着消费需求的升级，无论是传统实体零售或者常规互联网在线零售，都无法满足人们的购物需求，因此随着信息技术的跃迁，基于动态消费数据的全链路智能商业决策分析方法具有高效、准确等特性并被认为是促进购买转化率的有效工具。

3、在专利申请cn109478296a的用于完全集成捕获和分析商业信息以产生预测决策和模拟的系统中，通过爬虫方式收集对商业决策产生较大影响的商业相关数据，没做到对商业数据的深入挖掘，具有很大的局限性。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于动态消费数据的全链路智能商业决策分析方法，具备高效、准确等优点，解决了信息超载问题的问题。

3、（二）技术方案

4、为解决上述信息超载问题的技术问题，本发明提供如下技术方案：

5、本实施例公开一种基于动态消费数据的全链路智能商业决策分析方法，具体包括以下步骤：

6、s1、基于个体消费者实时浏览情况以及消费数据进行个体消费者动态兴趣收集，得到个体消费者动态兴趣数据；

7、进一步地，所述基于个体消费者实时浏览情况以及消费数据进行个体消费者动态兴趣收集包括：

8、s11、对个体消费者浏览行为进行结构化表示，对个体消费者浏览行为进行量化指标；

9、进一步地，设定从选择兴趣度、访问时间偏好、页面兴趣度三个方面对个体消费者浏览行为进行量化指标；

10、进一步地，设u为系统中所有页面类别的集合，h为所有浏览页面类别的子路径的集合；

11、进一步地，设定个体消费者浏览集合h属于集合h，设定一个有限序列组s，s∈h，s表示个体消费者浏览页面集合组成的序列；设定有限序列组s中第i个浏览页面为有限序列组s中第i位，设定个体消费者在选择下一个页面类别时都有n种选择，n表示存在n种不同页面类别；

12、进一步地，个体消费者选择兴趣度指标量化具体步骤包括：

13、个体消费者在离开页面类别q后，下一步浏览页面类别中相对选择次数越高的页面，设定为个体消费者选择兴趣度高的页面；

14、进一步地，基于收集到的个体消费者数据，设定第i种页面的选择兴趣度为个体消费者转移浏览页面的概率；

15、

16、其中，ni表示个体消费者离开页面q到下一步第i种页面的频数，nk表示第k种页面的频数，表示个体消费者离开页面q到下一步第i种页面的概率；

17、进一步地，访问时间偏好指标量化具体步骤包括：

18、基于个体消费者在第q种页面的持续时间，量化个体消费者对页面的访问时间偏好程度：

19、

20、time(q)表示个体消费者在第q种页面的持续时间，ti表示第i种页面开始的时间，tq表示第q种页面开始的时间；

21、进一步地，设定页面相对浏览时间率准确量化访问时间偏好程度；

22、

23、其中，m表示个体消费者一次使用过程中总共访问m个页面，timeratio(i)表示个体消费者访问m个页面中，页面i的相对浏览时间率，time(i)表示个体消费者在第i种页面的持续时间；

24、进一步地，页面兴趣度指标量化具体步骤包括：

25、基于个体消费者页面访问率量化页面兴趣度；

26、

27、其中，visit(i)表示个体消费者对于第i种页面类型在一次使用过程中的访问数，表示个体消费者对第i种页面类型的页面兴趣度；

28、s12、基于个体消费者访问数据以及设定的个体消费者浏览行为表示指标构建个体消费者动态兴趣模型；

29、进一步地，基于s11中的三个量化后的兴趣变量，通过k-means聚类算法对网页进行聚类建模；

30、设定一个v维的n个浏览页面的数据集合x={x1,x2,x3,...,xn}∈θn×v，设定每个页面包含v个兴趣变量，并通过聚类算法将n个浏览页面划分为k个围绕簇中心c={c1,c2,...,ck}非空不相交的簇s={s1,s2,...,sk}具体步骤包括：

31、

32、其中，w是k个簇内所有页面距离各自的簇中心的误差的总和，每个簇中心c唯一表示一个簇s，d(x,c)表示页面x到簇中心c的距离。

33、进一步地，通过设定轮廓系数对聚类后的簇进行验证；

34、对于某一页面x，其轮廓系数为：

35、

36、其中，a(xi)表示计算xi与本簇内其他页面距离的平均值，b(xi)表示xi到其他簇中所有页面的平均距离的最小值，表示页面xi的轮廓系数；

37、由轮廓系数公式可得si在[-1,1]之间，当s趋近-1时，表示页面xi越趋向其他簇，而非本簇，xi被分配到错误的簇中；

38、若si趋向0时，则表明页面数据集合x中不存在任何簇，当中的页面时随机分配的；

39、若si趋向1时；表明页面xi远离其他簇，趋向其所在的簇；

40、进一步地，对于页面数据集合x的设定的k簇聚类，其平均轮廓系数设定为：

41、

42、其中，n表示数据集中所有的页面数。

43、s2、基于聚类算法对个体消费者动态兴趣数据进行聚类；

44、进一步地，将个体消费者过往消费数据的样本集合定义为对象集合q，其中每一次消费数据设定为一个对象，任意一个簇表示一组pq(i=1,2,...,k)相似对象的集合，k表示簇的总数；

45、s21、初始聚类中心随机选择；

46、基于如下公式从数据集合中选择k个对象作为初始簇中心；

47、

48、其中，表示初始聚类中心，f表示参数聚类的特征数，max表示由每个特征的最大值组成的集合，min表示由每个特征的最小值组成的集合；

49、s22、基于距离算法将每个对象与距离最近的聚类中心点关联起来，将同一个聚类中心相关联的所有点聚成一簇；

50、距离算法：

51、

52、其中，dp表示p簇中对象到初始簇中心的距离， q i表示第i个簇，表示初始簇中心；

53、s23、计算簇中属性特征均值，组成一个新的均值对象，将该对象作为下一次聚类中心；

54、s24、重复上述步骤，直到得到的聚类中心不在变化，则迭代停止；

55、s3、基于随机图模型推测演化群体消费者；

56、s31、构建群体消费者共同购买网络；

57、设定共同购买网络g={n,e}，其中n为一组产品节点，e为一组互联它们的共同购买链接；

58、进一步地，通过一个n×n维的邻接矩阵y={yij}，i，j=1,2，...，n表示共同购买网络g={n,e}；

59、当yij=1，表示从产品i到产品j的链接存在，当yij=0，表示从产品i到产品j的链接不存在；

60、基于产品的价格，通过二元组设定邻接矩阵内每个产品的权重，二元组(1,z)中1表示从产品i到产品j的链接存在,z为产品i的价格；

61、s32、根据共同购买网络g={n,e}的链接先后顺序，设定网络g的拓扑属性，并基于网络g中的拓扑属性推测演化消费者的消费观念；

62、产品出度：表示共同购买网络y={yij}中由起点产品i的外向共同购买链接边数；

63、

64、其中，表示产品i的产品出度；

65、产品入度：表示共同购买网络y={yij}中由其他产品流向产品i的内向共同购买链接边数；

66、

67、其中，表示产品i的产品入度；

68、产品外向强度：表示加权邻接矩阵w={wij}表示的共同购买网络中由起点产品i的外向共同购买链接的累计购买量；

69、

70、其中，表示产品i的产品外向强度；

71、产品内引强度：表示加权邻接矩阵w={wij}表示的共同购买网络中由其他产品流向产品i的内向共同购买链接的累计购买量；

72、

73、其中，表示产品i的产品内引强度；

74、进一步地，基于连续型幂律模型拟合，，，；

75、进一步地，基于拟合结果，高产品入度的产品表示具有高人气，表示这类产品为通用型产品，能够为其产品页面带来更多的流量，以便与大量其他商品一起销售；

76、进一步地，高产品出度的产品表示个体消费者可从该类产品的详情网页上可直接跳转到更多其他产品，表明该类产品与其他产品之间存在互补关系；

77、s4、根据个体消费者动态电子购物车的序列进行决策建模；

78、设定个体消费者在一次购物浏览中进行的交互选项,包括点击、收藏、加购、删除、购买五种交互行为shop∈{click,tag,add,remove,purchase}；

79、进一步地，设定个体消费者一次访问的购物浏览阈值，当一次购物浏览过程中，个体消费者从进入电子商务网站的浏览开始，若一次交互行为发生后在超过30分钟，个体消费者没有发出任何的网页请求，标志着此次购物浏览过程的完结；而之后的下一层网页请求会标记为新的一次购物浏览过程的初始点；

80、进一步地，在个体消费者一次访问的购物浏览过程中，基于个体消费者的浏览行为构建时序产品路径图；

81、进一步地，设定个体消费者行为的权重大小，设置为删除<点击<收藏<加购<支付,并基于个体消费者行为权重设置五种行为的评分值设置为[-1,1,2,3,4]，个体消费者在一次访问的购物浏览过程中有过上述五种行为都为对应产品增加相应的积分；

82、进一步地，设定为个体消费者点击的评分，num为产品对应行为的次数，为点击的次数，为对应点击行为的奖励因子，为点击有效因子；

83、

84、=××

85、设定为个体消费者收藏评分，为对应收藏行为的奖励因子，为个体消费者加购评分，为对应加购行为的奖励因子，为个体消费者支付评分，为对应支付行为的奖励因子，为个体消费者删除评分，为对应删除行为的奖励因子，为产品收藏次数，为产品加购次数，为产品支付次数，产品删除次数；

86、=×

87、=×

88、=×

89、=×

90、收集个体消费者对医疗产品的行为，并进行量化，基于五种行为对最终评分的影响程度不同，对不同行为设置不同权重，基于权重最终量化该医疗产品的评分；

91、ru,i=×+×+×+×+×

92、++++=1

93、其中，ru,i为个体消费者u对医疗产品i量化后的评分，为点击的权重因子，为收藏的权重因子，为加购的权重因子，为支付的权重因子，为删除的权重因子。

94、s5、基于对消费者的意图进行实时检测实现对智能商业的决策分析；

95、根据各个产品的评分以及消费者的兴趣度选择评分前l以及兴趣度前l位商品进行推广。

96、（三）有益效果

97、与现有技术相比，本发明提供了一种基于动态消费数据的全链路智能商业决策分析方法，具备以下有益效果：

98、本发明通过实时收集个体消费者的浏览页面情况以及消费数据并对收集到的数据进行量化的方式实时动态的分析个体消费者的动态兴趣，提高智能商业决策分析方法的准确性、有效性以及可靠性。

99、本发明通过对个体消费者过往消费数据进行聚类的方式实现对个体消费者消费数据的分析，通过不断迭代的聚类方式将个体消费者消费数据进行量化分类，提高智能商业决策分析方法的准确性。

100、本发明通过建立随机图模型推测演化群体消费者的方式提高对个体消费者消费数据之间的联系，使智能商业决策分析方法更加准确。

101、本发明通过个体消费者动态电子购物车的序列进行分析合理的判断个体消费者的消费趋向，提高智能商业决策分析方法的准确性。