基于数字营销订单大数据的商品优化配置方法与流程

本发明涉及一种基于数字营销订单大数据的商品优化配置方法，属于数字营销技术领域。

背景技术：

目前的各种网络商城一般都有购物车，从而可以容易的知道商品的组合等信息。但是，在数字营销活动中，一条订单往往只有一种商品关联。因此无从知道客户的喜好以及商品设置是否合理。

技术实现要素：

针对现有技术存在的上述缺陷，本发明提出了一种基于数字营销订单大数据的商品优化配置方法。

本发明所述的基于数字营销订单大数据的商品优化配置方法，包括如下步骤:

s1:智能合约部署：智能合约作为整套商品优化配置的起止条件，包括如下小步：

s11：将待配置数据转换成智能合约代码，智能合约代码包括用于在确定商品与商品描述不符时执行预定事务的代码；对智能合约代码进行数字签名；以及基于经数字签名的智能合约代码，在区块链中部署对应的智能合约；

s12：商家和客户执行区块链智能合约，在客户确认商品优化配置建议满意钱或者确认商家履行商品服务前，商家自行发起或区块链系统发起该交易订单信任担保，将商家的若干个通证冻结作为该商品交易的信任担保；

s2:数字营销商品配置：从与商品相关的待配置数据中取得特征量，并对一个商品于其他商品对应的特征量进行比较，计算出比较量，基于的比较量大小将商品配置到商品组，包括如下小步：

s21：配置预测步骤，预测商品的配置数量以及配置时期；

s22：配置决定步骤，基于配置预测步骤中的配置数量，决定配置出的每个商品组的配置数字营销的方向；

s3:订单数据聚类分析：根据商品配置的特征量，对每个订单数据进行联合分析，对订单数据进行聚类分析，将订单数据划分为若干类，包括如下小步：

s31：根据订单数据基本属性维度、订单领域维度和订单社交维度，通过联合分析估算订单水平的效用函数；订单水平的效用函数，用于反映每个订单对商品各特征量的偏好程度；

s32：将订单效用函数值作为订单数据聚类的特征量，视每一个订单为效用空间的一个点，采用谱系聚类完成对具有相似需求效用的订单数据划分，得到具有不同需求的订单数据族；

s4:n分类分析:对不同需求的订单数据族进行分类，剔除无效数据族，得到有效数据；

s5:商品的关联性分析：根据商品配置进行特征量分析，生成商品关联性分析结果；商品关联性分析结果包括基本属性维度、领域维度和社交维度之间的关联性；

s6:提供优化商品配置建议：商品配置建议中的商品类别为输入，辅助以订单数据，以最大化满意度为目标，通过满意度预测模型获取优化建议信息，智能合约终止。

优选地，所述步骤s2中，商品配置为网络商城中购物车内商品的特征量，特征量包括基本属性维度、领域维度和社交维度，基本属性维度包括商品目录、商品属性、商品标签；领域维度包括商品定价、商品合约；社交维度包括商品依赖互斥关系、商品销售规则，商品销售规则包括商品销售渠道。

优选地，所述步骤s3中,聚类分析包括：k均值法、密度法和层次聚类法。

优选地，所述步骤s3中，订单为网络商城中已经交付或者正在交付的订单数据，订单数据也包括基本属性维度、领域维度和社交维度。

优选地，所述步骤s4中，n分类分析包括以下小步：根据订单数据族，将同一订单的商品进行归类；对每类商品的折扣前价格、折后价格、优惠力度进行对比，生成商品价格对比表；商品价格对比表的内容包括商品编码、商品名称、商品规格、商品价格、最优惠价格。

优选地，所述步骤s6中，提供优化商品配置建议为数字营销商品配置提供基于大数据分析的建议，使得数字营销商品配置更加合理。

本发明的有益效果是：本发明所述的基于数字营销订单大数据的商品优化配置方法，基于订单大数据的聚类分析，从单一的商品和订单进行聚类分析，得到了排他性商品和关联性商品，从而可以为营销商品设置提供指导；为数字营销商品配置提供基于大数据分析的建议，使得数字营销商品配置更加合理。

附图说明

图1是本发明的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1所示，本发明所述的基于数字营销订单大数据的商品优化配置方法，包括如下步骤:

s1:智能合约部署：智能合约作为整套商品优化配置的起止条件，包括如下小步：

s11：将待配置数据转换成智能合约代码，智能合约代码包括用于在确定商品与商品描述不符时执行预定事务的代码；对智能合约代码进行数字签名；以及基于经数字签名的智能合约代码，在区块链中部署对应的智能合约；

s12：商家和客户执行区块链智能合约，在客户确认商品优化配置建议满意钱或者确认商家履行商品服务前，商家自行发起或区块链系统发起该交易订单信任担保，将商家的若干个通证冻结作为该商品交易的信任担保；

s2:数字营销商品配置：从与商品相关的待配置数据中取得特征量，并对一个商品于其他商品对应的特征量进行比较，计算出比较量，基于的比较量大小将商品配置到商品组，包括如下小步：

s21：配置预测步骤，预测商品的配置数量以及配置时期；

s22：配置决定步骤，基于配置预测步骤中的配置数量，决定配置出的每个商品组的配置数字营销的方向；

s3:订单数据聚类分析：根据商品配置的特征量，对每个订单数据进行联合分析，对订单数据进行聚类分析，将订单数据划分为若干类，包括如下小步：

s31：根据订单数据基本属性维度、订单领域维度和订单社交维度，通过联合分析估算订单水平的效用函数；订单水平的效用函数，用于反映每个订单对商品各特征量的偏好程度；

s32：将订单效用函数值作为订单数据聚类的特征量，视每一个订单为效用空间的一个点，采用谱系聚类完成对具有相似需求效用的订单数据划分，得到具有不同需求的订单数据族；

s4:n分类分析:对不同需求的订单数据族进行分类，剔除无效数据族，得到有效数据；

s5:商品的关联性分析：根据商品配置进行特征量分析，生成商品关联性分析结果；商品关联性分析结果包括基本属性维度、领域维度和社交维度之间的关联性；

s6:提供优化商品配置建议：商品配置建议中的商品类别为输入，辅助以订单数据，以最大化满意度为目标，通过满意度预测模型获取优化建议信息，智能合约终止。

所述步骤s2中，商品配置为网络商城中购物车内商品的特征量，特征量包括基本属性维度、领域维度和社交维度，基本属性维度包括商品目录、商品属性、商品标签；领域维度包括商品定价、商品合约；社交维度包括商品依赖互斥关系、商品销售规则，商品销售规则包括商品销售渠道。

所述步骤s3中,聚类分析包括：k均值法、密度法和层次聚类法。

所述步骤s3中，订单为网络商城中已经交付或者正在交付的订单数据，订单数据也包括基本属性维度、领域维度和社交维度。

所述步骤s4中，n分类分析包括以下小步：根据订单数据族，将同一订单的商品进行归类；对每类商品的折扣前价格、折后价格、优惠力度进行对比，生成商品价格对比表；商品价格对比表的内容包括商品编码、商品名称、商品规格、商品价格、最优惠价格。

所述步骤s6中，提供优化商品配置建议为数字营销商品配置提供基于大数据分析的建议，使得数字营销商品配置更加合理。

本发明所述的基于数字营销订单大数据的商品优化配置方法，基于订单大数据的聚类分析，从单一的商品和订单进行聚类分析，得到了排他性商品和关联性商品，从而可以为营销商品设置提供指导；为数字营销商品配置提供基于大数据分析的建议，使得数字营销商品配置更加合理。

实施例2：

下面结合具体的案例对本发明做进一步解释。

s1：网络商城将客户的购物车里面的商品、以及订单均纳入只能合约范畴，通过智能合约监督履行的起止条件；

s2：从商品配置着手，从中得到数字营销需要的特征量，配置出数字营销的方向；

s3：再结合订单聚类分析，从基本属性维度、订单领域维度和订单社交维度，联合分析估算得到；

s4：通过n分类分析，剔除无效数据；

s5：将分析结果进行关联，得到数据进一步的推论，这套关联数据是重点；

s6：将关联数据导入到商品建议中，导出满意的商品配置建议，智能合约就终止。

本发明可广泛运用于数字营销场合。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。