本发明涉及电子海报技术领域,具体涉及一种数字化彩页促销管理和分析方法。
背景技术:
彩页即宣传海报是零售商最常用的一种广告宣传和促销信息发布方式,在传统方式的模式下,彩页需要排版、校对、印刷、配送、投递等一系列环节,需要涉及策划部、采购部、销售部、信息部、营运部和门店等多个部门配合。这种传统的彩页均通过纸质印刷,线下渠道发放的模式,其存在以下不足:
参与部门多,制作成本高;内容制作周期长、后期更改困难;线下投放范围小,成本高,宣传的最终效果难以界定。
为解决上述问题,目前采用的方式是:企业通过内容编辑方式,将纸质彩页转换为电子网页,展示在其门户网站上的方式。但是这种方式也同样存在不足:
电子网页需专人(网页设计师)进行,包括整个网站层面的跟进维护,运营成本高;操作方式未形成体系,转换效率上存在瓶颈,往往因为时间问题,而减小覆盖范围;投放的范围仍局限于自有的渠道,曝光率低;如果需要实现效果分析,还需大量的开发工作,成本高。
因此,有待开发一种流程化、自动化处理,迅速实现彩页的电子化、多渠道发布展示、投放效果反馈及时准确的电子宣传海报的生成方法。
技术实现要素:
本发明的目的在于克服上述现有技术的不足,提供一种流程化、自动化处理,迅速实现彩页的电子化、多渠道发布展示、投放效果反馈及时准确的电子宣传海报的生成方法。
为达到上述目的,本发明是这样实现的:
一种数字化彩页促销管理和分析方法,适用于在计算机设备中执行,包括用于储存有商品数据的数据库,该方法包括以下步骤:
s1.商品彩页采集:采集商品彩页,并通过数据端口导入到数据库中;
s2.数字化处理:对采集到所述彩页进行数字化处理,数字化处理具体包括:
s3-1.图像分割:通过边界识别以及人工辅助的方式,将所述彩页切分为单个的商品图片;
s3-2.内容识别:通过对单个商品图片上的文字进行ocr识别,获取对应的商品文字描述信息;
s3-3.要素分析:对所述商品文字描述信息进行分析,提取出商品的基础信息,所述商品的基础信息至少包括商品品牌、品类、规格、价格和促销方式;
s3-4.补充校对:对所述要素分析结果进行人工核对,对遗漏的信息进行补充,对错误的信息进行纠正;
s3-5.数据存储:将单个商品图片以及对应的基础信息存储到所述数据库中,并使用mysql进行结构化数据存储,使用elasticsearch进行文档数据存储;
s4.彩页发布:将储存好的商品数据进行发布,发布内容包括商品图片以及对应的商品基础信息。
优选地,所述商品彩页的采集包括手动采集或者通过网络直接从网络上自动抓取;
所述s3-3.要素分析步骤中通过lucence或lingpipe进行分词分析处理。
优选地,还包括步骤:
s5用户行为数据采集:在app及h5中进行数据埋点,通过埋点收集用户消费行为数据并通过流式计算汇总数据;
s6效果分析:对于采集到的用户行为数据,按不同的维度逐层归集,生成触达分析、内容分析和用户分析报告。
优选地,所述流式计算汇总数据包括:
用户行为量化:对采集的行为数据进行归类汇总,并建立用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,其公式为:
i:表示用户;
j:表示商品标签;
p:表示操作的类型,共n种操作;
t(i,j):表示用户i在商品标签j上发生的操作次数;
t(i,j)p:表示用户i在商品标签j上发生p操作的次数;
wp:表示p操作的的权重,用户的参与度越大,权重越大;
sp:表示发生p操作时的场景系数,该系数越大,表示场景对用户行为的干扰越低;
v(i,j):为用户i在商品标签j上的行为关注度量化值;
建立用户喜好矩阵:根据用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,建立用户喜好函数:
k(i,j)old:表示用户i对商品标签j历史的喜好度;
v(i,j):为本次操作用户i在商品标签j上的行为关注度量化值;
rj:为商品标签的叠加系数,与商品的消耗频率有关;
k(i,j)new:表示发生本次操作后,用户i对商品标签j的喜好度;
多个用户喜好度形成用户喜欢矩阵;
所述触达分析、内容分析和用户分析报告包括:
通过按日期+商店总结形成触达分析报告;通过按日期+品牌+品类总结形成内容分析报告;通过按用户总结形成用户分析报告。
一种存储设备,其中储存有多条指令,所述指令适用于处理器加载并执行以下操作:
s1.商品彩页采集:采集商品彩页,并通过数据端口导入到数据库中;
s2.数字化处理:对采集到所述彩页进行数字化处理,数字化处理具体包括:
s3-1.图像分割:通过边界识别以及人工辅助的方式,将所述彩页切分为单个的商品图片;
s3-2.内容识别:通过对单个商品图片上的文字进行ocr识别,获取对应的商品文字描述信息;
s3-3.要素分析:对所述商品文字描述信息进行分析,提取出商品的基础信息,所述商品的基础信息至少包括商品品牌、品类、规格、价格和促销方式;
s3-4.补充校对:对所述要素分析结果进行人工核对,对遗漏的信息进行补充,对错误的信息进行纠正;
s3-5.数据存储:将单个商品图片以及对应的基础信息存储到所述数据库中,并使用mysql进行结构化数据存储,使用elasticsearch进行文档数据存储;
s4.彩页发布:将储存好的商品数据进行发布,发布内容包括商品图片以及对应的商品基础信息。
优选地,所述商品彩页的采集包括手动采集或者通过网络直接从网络上自动抓取;
所述s3-3.要素分析步骤中通过lucence或lingpipe进行分词分析处理。
优选地,还包括步骤:
s5用户行为数据采集:在app及h5中进行数据埋点,通过埋点收集用户消费行为数据并通过流式计算汇总数据,所述流式计算汇总数据包括:
用户行为量化:对采集的行为数据进行归类汇总,并建立用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,其公式为:
i:表示用户;
j:表示商品标签;
p:表示操作的类型,共n种操作;
t(i,j):表示用户i在商品标签j上发生的操作次数;
t(i,j)p:表示用户i在商品标签j上发生p操作的次数;
wp:表示p操作的的权重,用户的参与度越大,权重越大;
sp:表示发生p操作时的场景系数,该系数越大,表示场景对用户行为的干扰越低;
v(i,j):为用户i在商品标签j上的行为关注度量化值;
建立用户喜好矩阵:根据用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,建立用户喜好函数:
k(i,j)old:表示用户i对商品标签j历史的喜好度;
v(i,j):为本次操作用户i在商品标签j上的行为关注度量化值;
rj:为商品标签的叠加系数,与商品的消耗频率有关;
k(i,j)new:表示发生本次操作后,用户i对商品标签j的喜好度;
多个用户喜好度形成用户喜欢矩阵;
s6效果分析:对于采集到的用户行为数据,按不同的维度逐层归集,生成触达分析、内容分析和用户分析报告,所述触达分析、内容分析和用户分析报告包括:
通过按日期+商店总结形成触达分析报告;通过按日期+品牌+品类总结形成内容分析报告;通过按用户总结形成用户分析报告。
一种移动终端,包括处理器,适用于实现各指令;包括储存器,适于储存多条指令,所述指令适于由所述处理器加载并执行以下操作:
s1.商品彩页采集:采集商品彩页,并通过数据端口导入到数据库中;
s2.数字化处理:对采集到所述彩页进行数字化处理,数字化处理具体包括:
s3-1.图像分割:通过边界识别以及人工辅助的方式,将所述彩页切分为单个的商品图片;
s3-2.内容识别:通过对单个商品图片上的文字进行ocr识别,获取对应的商品文字描述信息;
s3-3.要素分析:对所述商品文字描述信息进行分析,提取出商品的基础信息,所述商品的基础信息至少包括商品品牌、品类、规格、价格和促销方式;
s3-4.补充校对:对所述要素分析结果进行人工核对,对遗漏的信息进行补充,对错误的信息进行纠正;
s3-5.数据存储:将单个商品图片以及对应的基础信息存储到所述数据库中,并使用mysql进行结构化数据存储,使用elasticsearch进行文档数据存储;
s4.彩页发布:将储存好的商品数据进行发布,发布内容包括商品图片以及对应的商品基础信息。
优选地,所述商品彩页的采集包括手动采集或者通过网络直接从网络上自动抓取;
所述s3-3.要素分析步骤中通过lucence或lingpipe进行分词分析处理。
优选地,还包括步骤:
s5用户行为数据采集:在app及h5中进行数据埋点,通过埋点收集用户消费行为数据并通过流式计算汇总数据,所述流式计算汇总数据包括:
用户行为量化:对采集的行为数据进行归类汇总,并建立用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,其公式为:
i:表示用户;
j:表示商品标签;
p:表示操作的类型,共n种操作;
t(i,j):表示用户i在商品标签j上发生的操作次数;
t(i,j)p:表示用户i在商品标签j上发生p操作的次数;
wp:表示p操作的的权重,用户的参与度越大,权重越大;
sp:表示发生p操作时的场景系数,该系数越大,表示场景对用户行为的干扰越低;
v(i,j):为用户i在商品标签j上的行为关注度量化值;
建立用户喜好矩阵:根据用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,建立用户喜好函数:
k(i,j)old:表示用户i对商品标签j历史的喜好度;
v(i,j):为本次操作用户i在商品标签j上的行为关注度量化值;
rj:为商品标签的叠加系数,与商品的消耗频率有关;
k(i,j)new:表示发生本次操作后,用户i对商品标签j的喜好度;
多个用户喜好度形成用户喜欢矩阵;
s6效果分析:对于采集到的用户行为数据,按不同的维度逐层归集,生成触达分析、内容分析和用户分析报告,所述触达分析、内容分析和用户分析报告包括:
通过按日期+商店总结形成触达分析报告;通过按日期+品牌+品类总结形成内容分析报告;通过按用户总结形成用户分析报告。
本发明的有益效果是:本发明通过对传统彩页进行采集并数字化处理保存到数据中同时通过对渠道进行发布,然后对发布后消费者的购买行为数据进行采集量化分析,得到触达分析、内容分析和用户分析报告,实现了宣传海报的流程化、自动化处理,迅速实现彩页的电子化、多渠道发布展示以及投放效果反馈及时准确的效果。
附图说明
图1是本发明一种数字化彩页促销管理和分析方法的操作流程框图;
图2是本发明数字化处理步骤的的操作流程框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
如图1和2所示,一种数字化彩页促销管理和分析方法,包括用于储存有商品数据的数据库,该方法包括以下步骤:
s1.商品彩页采集:采集商品彩页,并通过数据端口导入到数据库中,这里的彩页是指零售商做广告宣传和促销信息的宣传海报,整版的,有纸质的,也有网页上的电子版的,所述商品彩页的采集包括手动采集或者通过网络直接从网络上自动抓取;
s2.数字化处理:对采集到所述彩页进行数字化处理,数字化处理具体包括:
s3-1.图像分割:通过边界识别以及人工辅助的方式,将所述彩页切分为单个的商品图片;
s3-2.内容识别:通过对单个商品图片上的文字进行ocr识别(opticalcharacterrecognition,光学字符识别技术,是将图片、照片上的文字内容,直接转换为可编辑文本的技术),获取对应的商品文字描述信息;
s3-3.要素分析:对所述商品文字描述信息进行分析,提取出商品的基础信息,所述商品的基础信息至少包括商品品牌、品类、规格、价格和促销方式;
要素分析步骤中通过lucence(lucene是apache软件基金会4jakarta项目组的一个子项目,是一个开放源代码的全文检索引擎工具包)或lingpipe(lingpipe是alias公司开发的一款自然语言处理软件包)进行分词分析处理。
s3-4.补充校对:对所述要素分析结果进行人工核对,对遗漏的信息进行补充,对错误的信息进行纠正;
s3-5.数据存储:将单个商品图片以及对应的基础信息存储到所述数据库中,并使用mysql(mysql是一个关系型数据库管理系统,)进行结构化数据存储(结构化数据,简单来说就是数据库,结构化数据也称作行数据,是由二维表结构来逻辑表达和实现的数据,严格地遵循数据格式与长度规范,主要通过关系型数据库进行存储和管理),使用elasticsearch(elasticsearch是一个基于lucene的搜索服务器)进行文档数据存储;
s4.彩页发布:将储存好的商品数据进行发布,发布内容包括商品图片以及对应的商品基础信息,发布的渠道有自有渠道、第三方渠道,推式(第三方平台)和拉式(sdk,softwaredevelopmentkit软件开发工具包)等。
s5用户行为数据采集:在app及h5(html5的简称,是万维网的核心语言、标准通用标记语言下的一个应用超文本标记语言(html)的第五次重大修)中进行数据埋点(埋点,是网站分析的一种常用的数据采集方法),通过埋点收集用户消费行为数据并通过流式计算汇总数据;
其中,所述流式计算汇总数据包括:
用户行为量化:对采集的行为数据进行归类汇总,并建立用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,其公式为:
i:表示用户;
j:表示商品标签;
p:表示操作的类型,共n种操作;
t(i,j):表示用户i在商品标签j上发生的操作次数;
t(i,j)p:表示用户i在商品标签j上发生p操作的次数;
wp:表示p操作的的权重,用户的参与度越大,权重越大;
sp:表示发生p操作时的场景系数,该系数越大,表示场景对用户行为的干扰越低;
v(i,j):为用户i在商品标签j上的行为关注度量化值;
建立用户喜好矩阵:根据用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,建立用户喜好函数:
k(i,j)old:表示用户i对商品标签j历史的喜好度;
v(i,j):为本次操作用户i在商品标签j上的行为关注度量化值;
rj:为商品标签的叠加系数,与商品的消耗频率有关;
k(i,j)new:表示发生本次操作后,用户i对商品标签j的喜好度;
多个用户喜好度形成用户喜欢矩阵;
s6效果分析:对于采集到的用户行为数据,按不同的维度逐层归集,生成触达分析、内容分析和用户分析报告。
行为数据中包含了用户、商品、商店、时间等一系列数据,具体分析时会按不同的维度,逐层进行归集,最终形成3大类分析报告:
通过按日期+商店总结形成触达分析报告;通过按日期+品牌+品类总结形成内容分析报告;通过按用户总结形成用户分析报告。
电子宣传海报发布后,用户获取促销信息进行购买消费,通过对用户购买行为进行处理可以得到精准的宣传效果反馈。
一种存储设备,其中储存有多条指令,所述指令适用于处理器加载并执行以下操作:
s1.商品彩页采集:采集商品彩页,并通过数据端口导入到数据库中,这里的彩页是指零售商做广告宣传和促销信息的宣传海报,整版的,有纸质的,也有网页上的电子版的,所述商品彩页的采集包括手动采集或者通过网络直接从网络上自动抓取;
s2.数字化处理:对采集到所述彩页进行数字化处理,数字化处理具体包括:
s3-1.图像分割:通过边界识别以及人工辅助的方式,将所述彩页切分为单个的商品图片;
s3-2.内容识别:通过对单个商品图片上的文字进行ocr识别,获取对应的商品文字描述信息;
s3-3.要素分析:对所述商品文字描述信息进行分析,提取出商品的基础信息,所述商品的基础信息至少包括商品品牌、品类、规格、价格和促销方式;
要素分析步骤中通过lucence或lingpipe进行分词分析处理。
s3-4.补充校对:对所述要素分析结果进行人工核对,对遗漏的信息进行补充,对错误的信息进行纠正;
s3-5.数据存储:将单个商品图片以及对应的基础信息存储到所述数据库中,并使用mysql进行结构化数据存储,使用elasticsearch进行文档数据存储;
s4.彩页发布:将储存好的商品数据进行发布,发布内容包括商品图片以及对应的商品基础信息,发布的渠道有自有渠道、第三方渠道,推式(第三方平台)和拉式(sdk)等。
s5用户行为数据采集:在app及h5中进行数据埋点,通过埋点收集用户消费行为数据并通过流式计算汇总数据;
其中,所述流式计算汇总数据包括:
用户行为量化:对采集的行为数据进行归类汇总,并建立用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,其公式为:
i:表示用户;
j:表示商品标签;
p:表示操作的类型,共n种操作;
t(i,j):表示用户i在商品标签j上发生的操作次数;
t(i,j)p:表示用户i在商品标签j上发生p操作的次数;
wp:表示p操作的的权重,用户的参与度越大,权重越大;
sp:表示发生p操作时的场景系数,该系数越大,表示场景对用户行为的干扰越低;
v(i,j):为用户i在商品标签j上的行为关注度量化值;
建立用户喜好矩阵:根据用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,建立用户喜好函数:
k(i,j)old:表示用户i对商品标签j历史的喜好度;
v(i,j):为本次操作用户i在商品标签j上的行为关注度量化值;
rj:为商品标签的叠加系数,与商品的消耗频率有关;
k(i,j)new:表示发生本次操作后,用户i对商品标签j的喜好度;
多个用户喜好度形成用户喜欢矩阵;
s6效果分析:对于采集到的用户行为数据,按不同的维度逐层归集,生成触达分析、内容分析和用户分析报告。
行为数据中包含了用户、商品、商店、时间等一系列数据,具体分析时会按不同的维度,逐层进行归集,最终形成3大类分析报告:
通过按日期+商店总结形成触达分析报告;通过按日期+品牌+品类总结形成内容分析报告;通过按用户总结形成用户分析报告。
电子宣传海报发布后,用户获取促销信息进行购买消费,通过对用户购买行为进行处理可以得到精准的宣传效果反馈。
一种移动终端,包括处理器,适用于实现各指令;包括储存器,适于储存多条指令,所述指令适于由所述处理器加载并执行以下操作:
s1.商品彩页采集:采集商品彩页,并通过数据端口导入到数据库中,这里的彩页是指零售商做广告宣传和促销信息的宣传海报,整版的,有纸质的,也有网页上的电子版的,所述商品彩页的采集包括手动采集或者通过网络直接从网络上自动抓取;
s2.数字化处理:对采集到所述彩页进行数字化处理,数字化处理具体包括:
s3-1.图像分割:通过边界识别以及人工辅助的方式,将所述彩页切分为单个的商品图片;
s3-2.内容识别:通过对单个商品图片上的文字进行ocr识别,获取对应的商品文字描述信息;
s3-3.要素分析:对所述商品文字描述信息进行分析,提取出商品的基础信息,所述商品的基础信息至少包括商品品牌、品类、规格、价格和促销方式;
要素分析步骤中通过lucence或lingpipe进行分词分析处理。
s3-4.补充校对:对所述要素分析结果进行人工核对,对遗漏的信息进行补充,对错误的信息进行纠正;
s3-5.数据存储:将单个商品图片以及对应的基础信息存储到所述数据库中,并使用mysql进行结构化数据存储,使用elasticsearch进行文档数据存储;
s4.彩页发布:将储存好的商品数据进行发布,发布内容包括商品图片以及对应的商品基础信息,发布的渠道有自有渠道、第三方渠道,推式(第三方平台)和拉式(sdk)等。
s5用户行为数据采集:在app及h5中进行数据埋点,通过埋点收集用户消费行为数据并通过流式计算汇总数据;
其中,所述流式计算汇总数据包括:
用户行为量化:对采集的行为数据进行归类汇总,并建立用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,其公式为:
i:表示用户;
j:表示商品标签;
p:表示操作的类型,共n种操作;
t(i,j):表示用户i在商品标签j上发生的操作次数;
t(i,j)p:表示用户i在商品标签j上发生p操作的次数;
wp:表示p操作的的权重,用户的参与度越大,权重越大;
sp:表示发生p操作时的场景系数,该系数越大,表示场景对用户行为的干扰越低;
v(i,j):为用户i在商品标签j上的行为关注度量化值;
建立用户喜好矩阵:根据用户,商品标签以及用户在某个商品标签上的行为关注度函数关系,建立用户喜好函数:
k(i,j)old:表示用户i对商品标签j历史的喜好度;
v(i,j):为本次操作用户i在商品标签j上的行为关注度量化值;
rj:为商品标签的叠加系数,与商品的消耗频率有关;
k(i,j)new:表示发生本次操作后,用户i对商品标签j的喜好度;
多个用户喜好度形成用户喜欢矩阵;
s6效果分析:对于采集到的用户行为数据,按不同的维度逐层归集,生成触达分析、内容分析和用户分析报告。
行为数据中包含了用户、商品、商店、时间等一系列数据,具体分析时会按不同的维度,逐层进行归集,最终形成3大类分析报告:
通过按日期+商店总结形成触达分析报告;通过按日期+品牌+品类总结形成内容分析报告;通过按用户总结形成用户分析报告。
电子宣传海报发布后,用户获取促销信息进行购买消费,通过对用户购买行为进行处理可以得到精准的宣传效果反馈。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。