本申请涉及互联网技术领域，具体涉及一种用于客单价和复购率的提升方法。本申请同时涉及一种用于客单价和复购率的提升装置，以及一种用于实现用于客单价和复购率的提升方法的电子设备。本申请还涉及一种用于对不特定用户群体利益刺激活动的效果评价方法。
背景技术：
当前互联网已经逐渐改变人们的生活习惯，并且对人们的生活领域产生了显著影响，例如餐饮业、健身、影院等行业，互联网线上营销与线下消费结合的O2O模式很适合到店消费的餐饮行业。O2O餐饮行业商家的推广活动层出不穷，商家在创建一个营销活动或者选择上线促销活动的门店时，需要事前预测该活动能给门店给商家带来的利润，可靠的活动效果预测能让商家做到心中有数，有计划地按部就班进行营销活动，并且在活动中期或者活动结束后评价营销活动时，通过与真实的营销效果情况进行对比分析，指导门店或商家的经营。
目前，对于营销活动效果的预估，通常做法是参考该门店的历史的类似营销活动效果数据，即以前的效果和现在创建的活动效果应该也类似，以历史数据为基础预测未来活动带来的销售数据的提升。
现有的营销活动预测技术中，并未将门槛作为关键因素定量预估活动带来的效果，因而存在无法根据门槛的改变而更准确地预估营销活动效果的问题。事实上，门槛对于很多活动效果的BI指标(Business Indicators，或业务指标)影响很大，因为门槛决定了消费的群体及群体规模，比如门槛为0，则使用人群规模应该为100％；如果门槛非常高，则无人使用；另外，门槛设置的高低影响着营销效果，例如门槛过低，则客单价无法提高，门槛过高，则无法吸引用户导致活动落地困难，因而也无法获得满意的营销效果。
技术实现要素：
本申请提供一种用于客单价和复购率的提升方法，以解决现有的推广活动效果评价技术中无法根据门槛的改变而更准确地预估营销活动效果的问题。
本申请另外提供一种用于客单价和复购率的提升装置。
本申请还提供一种实现用于客单价和复购率的提升方法的电子设备。
本申请还提供一种用于对不特定用户群体利益刺激活动的效果评价方法。
本申请提供一种用于客单价和复购率的提升方法，包括：
选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值；
根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值。
可选的，所述营销活动效果，是门店在营销活动前后的业务指标提升值，至少包括下述任一指标：客单价提升百分点和复购率提升百分点。
可选的，所述根据各个门店历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，包括下述处理：
计算历史满足门槛的订单数除以历史满足客单价的订单数的值，该比例即为历史门槛满足率；
基于所述目标门店营销活动设定门槛所对应的历史门槛满足率，获取对应的历史活动效果数据，和门槛满足率为1所对应的历史活动效果数据，取二者比值作为门槛调节因子。
可选的，所述使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，包括采用下述校准公式：
该目标门店的营销活动效果预估值等于所述目标门店的营销活动效果预估初值乘以门槛调节因子。
可选的，所述目标门店的营销活动效果预估值，包括预测客单价提升百分点和预测复购率提升百分点，其中，
预测客单价提升百分点等于客单价提升百分点预估初值乘以门槛调节因子；
预测复购率提升百分点等于复购率提升百分点预估初值乘以门槛调节因子。
可选的，所述选取目标门店的历史营销数据，包括下述处理：
从一个或多个维度获取各个门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；
基于所述相似门店模型选择所述目标门店的相似门店，并获取该目标门店及其相似门店的历史营销数据。
可选的，所述从一个或多个维度获取各个门店的特征数据，至少包括下述任一维度：
日均笔数、笔单价、门店所属商家ID、位置特征。
可选的，所述设定的门店相似度排序方法，包括：
通过预设条件筛选出所述目标门店的候选相似门店；
根据所述候选相似门店各维度特征值、各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。
可选的，所述预设条件，包括：
与目标门店属于同城；和/或
与目标门店属于同类目。
可选的，所述得到该目标门店的营销活动效果预估初值，包括下述平滑处理：取所述目标门店及其相似门店的客单价提升百分点的均值作为该目标门店的客单价预估初值，取所述目标门店及其相似门店的复购率提升百分点的均值作为该目标门店的复购率预估初值。
可选的，所述选取目标门店的历史营销数据，是根据发放量和核销量筛选出历史营销活动，并获取所述历史营销活动相关的营销数据。
可选的，所述营销活动，至少包括下述任一活动类型：满减/每满减类活动；消费送类活动。
本申请还提供一种用于客单价和复购率的提升装置，包括：
初步预估单元，用于选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值；
预估初值校准单元，用于根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值。
本申请还提供一种电子设备，包括：
存储器，以及处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值；
根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值。
本申请还提供一种用于对不特定用户群体利益刺激活动的效果评价方法，包括：
获取待评价服务提供方的历史利益刺激活动数据，以及历史利益刺激活动效果数据，根据所述历史利益刺激活动数据和活动效果数据，获得该待评价服务提供方的本次利益刺激活动的第一预估值；
根据其他不同服务提供方的历史利益刺激活动的满足门槛的订单数及满足客单价订单数的比例构建门槛调节因子，利用所述门槛调节因子对所述待评价服务提供方的本次利益刺激活动的第一预估值进行校准，获得所述待评价服务提供方的本次利益刺激活动的第二预估值。
与现有技术相比，本申请具有以下优点：
本申请提供的用于客单价和复购率的提升方法、装置及电子设备，通过选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值；根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值，根据目标门店的营销活动效果的历史离线数据得到该目标门店的营销活动效果预估初值，并使用这些离线数据构建出门槛调节因子，对该目标门店的营销活动效果预估初值进行调节，从而解决了现有的推广活动效果评价技术中无法根据门槛的改变而更准确地预估营销活动效果的问题。
附图说明
图1是本申请实施例提供的用于客单价和复购率的提升方法的处理流程图；
图2是本申请实施例提供的用于客单价和复购率的提升方法的实际部署举例的系统示意图；
图3是本申请实施例实际部署后交互效果图；
图4是本申请实施例提供的用于客单价和复购率的提升装置的示意图；
图5是本申请实施例提供的用于实现所述用于客单价和复购率的提升方法的电子设备示意图；
图6是本申请实施例提供的所述用于对不特定用户群体利益刺激活动的效果评价方法的处理流程图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
本申请提供一种用于客单价和复购率的提升方法。本申请同时涉及一种用于客单价和复购率的提升装置以及一种用于实现用于客单价和复购率的提升方法的电子设备。在下面的实施例中逐一进行详细说明。
本申请其一实施例提供一种用于客单价和复购率的提升方法。
以下结合图1至图3对本申请其一实施例提供的一种用于客单价和复购率的提升方法的实施例进行说明。其中图1是本申请其一实施例提供的用于客单价和复购率的提升方法的处理流程图；图2是本申请其一实施例提供的用于客单价和复购率的提升方法的实际应用举例的系统示意图；图3是本申请其一实施例实际部署后交互效果图。
图1所示用于客单价和复购率的提升方法，包括：
步骤S101，选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值；
步骤S102，根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值。
目前，O2O餐饮行业商家营销策划和营销方案不断推陈出新，对营销活动效果进行系统可靠的预测，则让商家能明确营销活动的价值，有计划地按部就班做营销活动，而且对营销活动的效果进行实时预测，可以帮助商家更合理的配置营销活动资源、费用以及合适的备选方案，从而设置更符合市场预期和营销目的的活动，另外，可靠的活动效果预测可以作为对比对象，用于活动结束后评价推广活动效果时，通过与真实的营销效果情况进行比对分析，指导门店或商家的经营。现有通用预测方法是参考该门店的历史的类似营销活动效果数据，即以前的效果和现在创建的活动效果应该也类似。事实上，仅仅这些并不能对即将部署的营销活动的效果进行准确的实时的预测。其中，活动门槛对于很多活动效果的BI指标影响很大，因为门槛决定了用户群体特征以及使用人群的规模，并影响营销效果，活动门槛即能享受优惠的最低消费金额，例如门槛过低，则客单价无法提高，门槛过高，则无法吸引用户导致活动落地困难，因而也无法获得满意的营销效果。另外，现有的预估方法也没有考虑门店经营状况的波动情况。
本申请实施例以O2O餐饮行业的商家营销活动效果预估为例，对所述的用于客单价和复购率的提升方法进行详细说明。本申请实施例中，显式地针对活动门槛构建模型，根据门槛的影响更准确地预估活动效果；在计算历史相似活动的效果时考虑了门店周边的相似门店的历史营销活动效果，并用这些相似门店的数据一起构建模型做预测，以每活动每门店的粒度预估活动效果，从而能够对营销活动效果进行更可靠的预测，商家也可以对于上线活动的适用门店的预估效果进行聚合获得整体的预测结果。
所述步骤S101，选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值。
在目标门店上线营销活动前，将该目标门店自身的历史营销数据和其他门店的历史营销活动效果数据一起作为样本数据进行效果预测，充分而合适的样本可以使得预测结果更为准确。
本步骤的目的是，基于目标门店的历史营销原始数据，得到该目标门店的营销活动效果预估初值。
所谓营销活动效果，是门店在营销活动前后的业务指标提升值，至少包括下述任一指标：客单价提升百分点和复购率提升百分点。所述获得历史营销活动效果，是指根据门店营销活动开始前后一定时间段内的客单价和复购率，分别计算门店在营销活动前后的客单价提升百分点和复购率提升百分点，例如，拉取营销活动开始前后一个月内的原始数据进行计算。其中，所述客单价，是指每一位顾客平均购买商品金额；所述复购率是指某特定时间窗口下，二次消费的回头客占总交易UV的比例，所谓UV，是独立访客(Unique Visitor)，访问网站的一台电脑客户端为一个访客，00:00-24:00内相同的客户端只会被计算一次，显然促销活动能提升UV量。
O2O餐饮行业商家营销活动名目繁多，至少包括下述任一活动类型：满减/每满减类活动、消费送类活动。所述满减/每满减类活动，是针对用户首次交易行为的活动类型，其中，所述满减是指满足门槛就可以享受对应的优惠，如满100减10元；所述每满减，是与所述满减不同的另一种活动类型，指每满足门槛多少倍就可以享受对应的优惠倍数，如每满100减10元，消费者消费300元即可优惠30元；所述消费送类活动，是针对用户的回头交易行为的一种活动类型，指成功消费后会自动领取一张优惠券，其优惠力度一般比门店对应的满减每满减活动要大，在用户二次消费的时候可以使用。
本申请实施例中，商家可以按照门店粒度选择推出哪种促销活动，并对推出活动的目标门店在活动前预测其效果，在预测过程中综合使用与该目标门店相似的门店的数据，从而平衡该目标门店经营状况波动对预测效果的影响。具体的，拉取过去一年的数据来统计每活动每门店的客单价和复购率提升百分点，对过去一年的每活动每门店，统计活动开始前后一个月的各自的客单价和复购率，然后计算相应的提升百分点，即为该类型活动该门店的客单价提升百分点和复购率提升百分点的历史活动效果数据。如果一个门店历史上有多个同类型的活动，则客单价提升百分点和复购率提升百分点取多个活动的平均即可。
需要说明的是，实际处理中在对历史活动数据按照每活动每门店粒度进行分析时，活动类型可以细分，也可以为了不同的分析目的将活动按大类划分，例如，将活动分为两大类，包括满减/每满减类活动和消费送类活动，分别针对用户的首次交易行为和回头交易行为，即针对用户的首次交易行为，将满减/每满减划归一大类；也可以为了更细分析数据将满减和每满减作为两个单独活动类型，如分析每细分类的活动成本利润率。另外，当底层数据不完备时，例如周边相似门店历史上未做过活动，则根据经验进行调整，放弃未做活动的店，或者使用业务全局表现的经验值进行兜底。
在对推出活动的目标门店在事前预测活动效果的过程中综合使用与该目标门店相似的门店的历史数据，能够对该目标门店本次上线的推广活动的效果做出更可靠的预测。
本申请实施例中，营销活动效果包括了客单价和复购率提升程度，对于活动效果的预估包括预测营销活动的客单价提升百分点和复购率提升百分点，在进行营销活动效果预测时，通过建立目标门店的相似门店模型来选取该目标门店的相似门店，并使用该目标门店自身的历史营销数据及其相似门店的历史营销数据进行预测；其中，所谓目标门店，是指商家推出营销活动时所选择的上线该活动的适用活动门店，即按门店粒度上线营销活动，例如口碑网的商家可以自由灵活选择旗下哪个门店适用哪个促销活动。
具体的，所述选取目标门店的历史营销数据，包括下述处理：
从一个或多个维度获取各个门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；
基于所述相似门店模型选择所述目标门店的相似门店，并获取该目标门店及其相似门店的历史营销数据。
其中，所述从一个或多个维度获取各个门店的特征数据，至少包括下述任一维度：日均笔数、笔单价、门店所属商家ID、位置特征。另外，各个门店可以是同一商家的各门店，也可以是不同商家的门店，例如，口碑平台的各门店。
本申请实施例中，针对各个门店的多维度特征值，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型，具体的，所述设定的门店相似度排序方法，包括：
通过预设条件筛选出所述目标门店的候选相似门店；
根据所述候选相似门店各维度特征值、各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。其中，所述预设条件，包括：与目标门店属于同城；和/或与目标门店属于同类目。例如，将与目标门店属于同城，并且属于同三级类目的门店作为相似门店候选集，然后再按照其他维度从其中筛选符合条件的相似门店。
本申请实施例中，从多个维度获取门店特征值，包括：日均笔数、笔单价、门店所属商家ID、位置特征。
所谓日均笔数，是平均每天的交易笔数，一张水单为一笔交易。
所述笔单价，指每一笔交易记录(一张水单)对应的平均交易金额，一般以消费总金额除以消费笔数来计量。
所述门店所属商家ID，即门店pid(或partner ID)，例如KFC的门店pid是百胜集团，O2O餐饮业商家在推广网站注册时会得到注册的pid，其下属各同门店一般共用该pid，同一个pid的门店相似度很高。
所述位置特征，是与目标门店所处地理位置的远近以及所处位置是否在同一行政区域，在O2O餐饮行业中，距离近的门店由于客户群体范围相似因而一般作为选取相似门店的一个比较维度，例如，和该目标门店所处位置同属一个行政区。
另外，本申请实施例中，对目标门店建立的相似门店模型，包括了对相似门店分档次，也即按照相似度对其进行排序，这样在选择相似门店召回营销活动的时候，可以优先召回更相似的门店，由于优先考虑更相似门店的历史数据，能有助于提高活动效果的预测精度；其中，所谓召回营销活动，是指获取所述营销活动的活动数据及其他相关信息。并且在建立相似门店模型过程中对相似门店排序时，考虑各维度在相似门店排序中所占比重，其中，所述各维度在相似门店排序中所占比重，是根据下述优先次序确定各维度比重：
所述目标门店本身为最相似门店；
日均笔数相似度；所述日均笔数相似度，等于高日均笔数除以低日均笔数；
笔单价相似度；所述笔单价相似度，等于高笔单价除以低笔单价；
与所述目标门店所属商家ID相同；
与目标门店的距离少于设定值；
与目标门店同属一个行政区。
具体的，本申请实施例，对相似门店定义为A至H共8个排序优先级，将目标门店自身的历史营销活动数据作为预测过程中最优先考率的数据，优先级为A；其次，日均笔数相似度，排序优先级为B，日均笔数差别很大的两家门店其营销效果差别也很大，因此该维度的特征值在排序中优先级靠前，日均笔数相似度是用高日均笔数除以低日均笔数计算的相对值，例如将日均笔数相似度小于1.5的门店作为相似门店；排序优先级C为笔单价相似度，由于活动效果涉及到销售额，因此笔单价维度的相似程度比较重要，另外，该值取自于高笔单价除以低笔单价，例如笔单价相似度小等于1.5的门店为相似门店；排序优先级D为，与所述特定门店所属商家ID相同；排序优先级E至H为位置特征，包括：距离少于300米，其排序优先级E；距离少于500米，排序优先级F；距离少于1000米，排序优先级G为；和该门店同一个区，排序优先级为H。
需要说明的是，选择目标门店的相似门店时，也可以采用KNN分类算法，针对各个门店的多维度特征值，输出和目标门店相似的各门店，所谓KNN算法，即K最近邻(kNN，或k-NearestNeighbor)分类算法，是数据挖掘分类技术方法之一。所谓K最近邻，是指每个样本都可以用它最接近的k个邻居来代表，其核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个有限的样本的类别来决定待分样本所属的类别。
另外，所述选取目标门店的历史营销数据，是根据发放量和核销量筛选出历史营销活动，并获取所述历史营销活动相关的营销数据。即在选择出目标门店的相似门店后，对营销活动进行下述筛选处理：选取发放量和核销量大于设定值的营销活动，例如选取10个相似门店的活动。即在选择相似门店的活动的过程中，还需要对历史的活动做一定程度的筛选，因为对历史活动而言，需要该历史活动有充分的统计样本，才能有比较高的置信度，才能作为样本来构建模型。具体的，本申请实施例是只选取那些券或卡的发放量大于50核销量大于10的活动。所述核销，是指营销活动所发的券或卡被线下交易中使用。券或卡发放量阈值的设置目的，一方面是过滤掉垃圾活动，有些营销平台确实存在很多无效活动，这种活动用户根本无法感知，所以也没必要用作未来预测的参考，二是发放量大于50，则可以认为这种活动的各项BI指标比如核销率，客单价提升，复购率提升才有统计意义。券或卡核销量大于10的阈值是一个软条件(所谓软条件，不是强制条件)，即优先选择满足这个条件的活动，当满足条件的活动数量达不到设定值就放松这个条件的限制，以便能尽量选取足够多的活动。卡核销量阈值是为了尽量选择质量较高的活动，因为随着平台的发展，活动质量已经越来越高，垃圾活动越来越少，质量好的活动参考意义自然更大。
本申请实施例中选择10家相似门店的活动，获取这些门店营销活动的历史活动效果数据，包括这些门店各自在营销活动前后的客单价提升百分点和复购率提升百分点，通过数据平滑处理得到该目标门店的营销活动效果预估初值。具体的，所述得到该目标门店的营销活动效果预估初值，包括下述平滑处理：取所述目标门店及其相似门店的客单价提升百分点的均值作为该目标门店的客单价预估初值，取所述目标门店及其相似门店的复购率提升百分点的均值作为该目标门店的复购率预估初值。
另外，如果一个门店历史上有多个同类型的活动，则客单价，复购率的提升百分点取多个活动的平均。实际处理中，当底层数据不完备时，例如周边相似门店历史上未做过活动，则根据经验进行调整，放弃未做活动的店，或者使用业务全局表现的经验值进行兜底。对于上述处理中获取到的每活动每门店的活动效果数据取其平均值作为该类型营销活动的效果预估初值。
所述步骤S102，根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值。
由于活动门槛反映了参与活动的人群特征和人群规模，对于营销业务指标的改善和活动的落地有直接的影响，因此对商家推出的营销活动效果进行预估时要将其考虑在内。
本步骤的目的，是根据各个门店历史活动数据，通过历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，对于步骤S101中得到的目标门店的活动效果预估初值进行校准，以对营销活动效果作出更为准确的预测。
所述门槛调节因子，是根据历史营销活动满足门槛的订单数和满足客单价的订单数的比值计算门槛对营销活动效果影响的因子，具体的，本申请实施例中，根据历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，包括下述处理：
计算历史满足门槛的订单数除以历史满足客单价的订单数的值，该比例即为历史门槛满足率；
基于所述目标门店营销活动设定门槛所对应的历史门槛满足率，获取对应的历史活动效果数据，和门槛满足率为1所对应的历史活动效果数据，取二者比值作为门槛调节因子。
所谓门槛满足率，由于使用超过门槛的订单数比例，因此反映了该营销活动能影响的人群比例，也相应地影响了营销活动的落地效果。
具体到本申请实施例，针对目标门店，选取10个相似门店的历史营销数据，对于满减/每满减类活动，得到首次支付的满足门槛的订单数和满足客单价的订单数；对于消费送类活动，得到复购的满足门槛的和满足客单价的订单数。若用α表示门槛影响值，则所述门槛满足率公式为：
所述门槛调节因子公式如下：
实际运用中，需要先针对各商家类目，求出不同门槛满足率α区间下的平均历史活动效果，然后在线上使用该方法时对应某具体活动，求出该活动的门槛对应的α值，再按上述公式求出对应的门槛调节因子。在得到门槛调节因子之后，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，包括采用下述校准公式：
该目标门店营销活动效果预估值等于所述特定门店的营销活动效果预估初值乘以门槛调节因子，具体的，本申请实施例中的目标门店的营销活动效果预估值，包括预测客单价提升百分点和预测复购率提升百分点，则，
预测客单价提升百分点＝客单价提升百分点预估初值*门槛调节因子；
预测复购率提升百分点＝复购率提升百分点预估初值*门槛调节因子。
另外，由于底层数据的不完备性以及门店的经营状况随着各种综合因素波动较大，比如老板的宣传，店员的服务态度等，本申请实施例对于预测值根据经验进行截断区间截断。
本申请实施例提供的用于客单价和复购率的提升方法实际部署后，使用者输入营销活动方案的相关信息，例如：促销方案类目、最大立减金额等，通过本申请实施例的处理，即能得到本次促销活动的预估效果，实际部署的系统示意图如图2所示，使用者与实际部署系统的交互效果如图3所示。
另外，本申请实施例提供的用于客单价和复购率的提升方法，还包括使用折扣率对所述客单价和复购率的提升效果进行事前预测，具体的，包括：
获取各个门店的历史营销数据作为输入样本，计算营销活动前后各个门店的营销活动效果数据；
选取目标门店的营销活动效果数据，经过数据平滑处理得到该目标门店的营销活动效果预估初值；
基于各个门店的营销活动效果数据，通过线性拟合构建折扣率调节因子，使用所述折扣率调节因子对所述营销活动效果预估初值进行校准，获得的校准值即为所述目标门店营销活动效果预估值。
其中，所述营销活动效果数据，是门店在营销活动前后的业务指标提升值，至少包括下述任一指标：客单价提升百分点和复购率提升百分点。
具体的，所述计算营销活动前后各个门店的营销活动效果数据，是指根据门店营销活动开始前后一定时间段内的客单价和复购率，分别计算门店在营销活动前后的客单价提升百分点和复购率提升百分点。
具体的，所述选取目标门店的营销活动效果数据，包括下述处理：
建立目标门店的相似门店模型，基于所述相似门店模型确定目标门店的相似门店，从所述各个门店的营销活动效果数据中选取所述目标门店及其相似门店的营销活动效果数据。
具体的，所述建立目标门店的相似门店模型，包括：
从一个或多个维度获取门店特征值，基于KNN算法或者基于设定的门店相似度排序方法，根据所述特征值建立所述目标门店的相似门店模型；其中，所述一个或多个维度，至少包括下述任一维度：日均笔数、笔单价、门店所属商家ID、位置特征。
具体的，所述设定的门店相似度排序方法，包括：
通过预设条件筛选出所述目标门店的候选相似门店；
根据候选相似门店各维度特征值、各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定门店相似度排序。
具体的，所述选取目标门店的营销活动效果数据，是选取发放量和核销量大于设定值的历史营销活动的活动效果数据。
具体的，所述基于各个门店的营销活动效果数据，通过线性拟合构建折扣率调节因子，包括：基于历史营销活动的客单价提升百分点和复购率提升百分点，通过最小二乘法进行线性拟合，得出折扣率调节因子随折扣率变化的计算公式。
具体的，所述通过最小二乘法进行线性拟合，得出折扣率调节因子随折扣率变化的计算公式，包括：
利用折扣率和营销活动效果，拟合出直线的截距和斜率，则折扣率调节因子随折扣率变化的计算公式为：折扣率调节因子等于斜率乘以折扣率再加上截距；
其中，截距等于活动效果平均值减去斜率乘以折扣率平均值；将各相似门店的折扣率离均差乘以活动效果离均差，求和后再除以各相似门店的折扣率离均差平方和，即得到斜率；所述离均差为实际值偏离平均值的距离。
具体的，所述使用所述折扣率调节因子对所述营销活动效果预估初值进行校准，包括采用下述校准公式：所述目标门店营销活动效果预估值等于所述目标门店的营销活动效果预估初值乘以折扣率调节因子。
具体到本申请实施例，使用折扣率调节因子对所述目标门店的营销活动效果预估初值进行校准后，还使用所述门槛调节因子进一步修正，即针对所述目标门店的营销活动效果预估初值经过所述折扣率调节因子和所述门槛调节因子两级修正，得到最终的活动效果预测值，修正公式如下：目标门店营销活动效果预估值等于所述目标门店的营销活动效果预估初值乘以折扣率调节因子乘以门槛调节因子。需要说明的是，具体实现时这两级调节的先后顺序不影响预测结果。
与本申请提供的一种用于客单价和复购率的提升方法的实施例相对应，本申请还提供了一种用于客单价和复购率的提升装置。
参照图4，其示出了根据本申请提供的一种用于客单价和复购率的提升装置示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的部分请参见方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供一种用于客单价和复购率的提升装置，包括：
初步预估单元401，用于选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值；
预估初值校准单元402，用于根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值。
可选的，所述营销活动效果，是门店在营销活动前后的业务指标提升值，至少包括下述任一指标：客单价提升百分点和复购率提升百分点。
可选的，所述根据各个门店历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，包括下述处理：
计算历史满足门槛的订单数除以历史满足客单价的订单数的值，该比例即为历史门槛满足率；
基于所述目标门店营销活动设定门槛所对应的历史门槛满足率，获取对应的历史活动效果数据，和门槛满足率为1所对应的历史活动效果数据，取二者比值作为门槛调节因子。
可选的，所述使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，包括采用下述校准公式：
该目标门店的营销活动效果预估值等于所述目标门店的营销活动效果预估初值乘以门槛调节因子。
可选的，所述目标门店的营销活动效果预估值，包括预测客单价提升百分点和预测复购率提升百分点，其中，
预测客单价提升百分点等于客单价提升百分点预估初值乘以门槛调节因子；
预测复购率提升百分点等于复购率提升百分点预估初值乘以门槛调节因子。
可选的，所述初步预估单元401，包括相似门店建模子单元，用于建立所述目标门店的相似门店模型，并基于所述相似门店模型选取目标门店的历史营销数据，包括下述处理：
从一个或多个维度获取各个门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；
基于所述相似门店模型选择所述目标门店的相似门店，并获取该目标门店及其相似门店的历史营销数据。
可选的，所述从一个或多个维度获取各个门店的特征数据，至少包括下述任一维度：
日均笔数、笔单价、门店所属商家ID、位置特征。
可选的，所述设定的门店相似度排序方法，包括：
通过预设条件筛选出所述目标门店的候选相似门店；
根据所述候选相似门店各维度特征值、各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。
可选的，所述预设条件，包括：
与目标门店属于同城；和/或
与目标门店属于同类目。
可选的，所述得到该目标门店的营销活动效果预估初值，包括下述平滑处理：取所述目标门店及其相似门店的客单价提升百分点的均值作为该目标门店的客单价预估初值，取所述目标门店及其相似门店的复购率提升百分点的均值作为该目标门店的复购率预估初值。
可选的，所述初步预估单元401，包括活动筛选子单元，用于根据发放量和核销量筛选出历史营销活动，并获取所述历史营销活动相关的营销数据。
可选的，所述营销活动，至少包括下述任一活动类型：满减/每满减类活动；消费送类活动。
本申请还提供了一种用于实现所述用于客单价和复购率的提升方法的电子设备，参照图5，其示出了本实施例提供的一种电子设备的示意图。
本申请提供的所述电子设备实施例描述得比较简单，相关的部分请参见上述提供的所述用于客单价和复购率的提升方法的实施例的对应说明即可。下述描述的实施例仅仅是示意性的。
本申请提供一种电子设备，包括：
存储器501，以及处理器502；
所述存储器501用于存储计算机可执行指令，所述处理器502用于执行所述计算机可执行指令：
选取目标门店的历史营销数据，获得历史营销活动效果，根据所述历史营销数据以及历史营销活动效果，得到该目标门店的营销活动效果预估初值；
根据各个门店的历史营销活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，获得所述目标门店的营销活动效果预估值。
可选的，所述营销活动效果，是门店在营销活动前后的业务指标提升值，至少包括下述任一指标：客单价提升百分点和复购率提升百分点。
可选的，所述处理器502还用于执行下述计算机可执行指令：
计算历史满足门槛的订单数除以历史满足客单价的订单数的值，该比例即为历史门槛满足率；
基于所述目标门店营销活动设定门槛所对应的历史门槛满足率，获取对应的历史活动效果数据，和门槛满足率为1所对应的历史活动效果数据，取二者比值作为门槛调节因子。
可选的，所述使用所述门槛调节因子对所述目标门店的营销活动效果预估初值进行校准，包括采用下述校准公式：
该目标门店的营销活动效果预估值等于所述目标门店的营销活动效果预估初值乘以门槛调节因子。
可选的，所述目标门店的营销活动效果预估值，包括预测客单价提升百分点和预测复购率提升百分点，其中，
预测客单价提升百分点等于客单价提升百分点预估初值乘以门槛调节因子；
预测复购率提升百分点等于复购率提升百分点预估初值乘以门槛调节因子。
可选的，所述处理器502还用于执行下述计算机可执行指令：
从一个或多个维度获取各个门店的特征数据，根据所述特征数据，基于设定的门店相似度排序方法建立所述目标门店的相似门店模型；
基于所述相似门店模型选择所述目标门店的相似门店，并获取该目标门店及其相似门店的历史营销数据。
可选的，所述从一个或多个维度获取各个门店的特征数据，至少包括下述任一维度：
日均笔数、笔单价、门店所属商家ID、位置特征。
可选的，所述设定的门店相似度排序方法，包括：
通过预设条件筛选出所述目标门店的候选相似门店；
根据所述候选相似门店各维度特征值、各维度在相似门店排序中所占比重，以及相似门店与所述目标门店对应维度的特征值接近程度，确定该目标门店的门店相似度排序。
可选的，所述预设条件，包括：
与目标门店属于同城；和/或
与目标门店属于同类目。
可选的，所述得到该目标门店的营销活动效果预估初值，包括下述平滑处理：取所述目标门店及其相似门店的客单价提升百分点的均值作为该目标门店的客单价预估初值，取所述目标门店及其相似门店的复购率提升百分点的均值作为该目标门店的复购率预估初值。
可选的，所述处理器502还用于执行下述计算机可执行指令：根据发放量和核销量筛选出历史营销活动，并获取所述历史营销活动相关的营销数据。
可选的，所述营销活动，至少包括下述任一活动类型：满减/每满减类活动；消费送类活动。
以本申请提供的所述用于客单价和复购率的提升方法的实施例为基础，本申请还提供一种用于对不特定用户群体利益刺激活动的效果评价方法的实施例。
本申请提供的所述用于对不特定用户群体利益刺激活动的效果评价方法的实施例，由于其以上述实施例为基础，因此描述得比较简单，相关的部分请参见上述提供的所述用于客单价和复购率的提升方法的实施例的对应说明即可。
参见图6，其示出了本申请提供的所述用于对不特定用户群体利益刺激活动的效果评价方法，包括：
步骤S601，获取待评价服务提供方的历史利益刺激活动数据，以及历史利益刺激活动效果数据，根据所述历史利益刺激活动数据和活动效果数据，获得该待评价服务提供方的本次利益刺激活动的第一预估值；
步骤S602，根据其他不同服务提供方的历史利益刺激活动的满足门槛的订单数及满足客单价订单数的比例构建门槛调节因子，利用所述门槛调节因子对所述待评价服务提供方的本次利益刺激活动的第一预估值进行校准，获得所述待评价服务提供方的本次利益刺激活动的第二预估值。
所述步骤S601，获取待评价服务提供方的历史利益刺激活动数据，以及历史利益刺激活动效果数据，根据所述历史利益刺激活动数据和活动效果数据，获得该待评价服务提供方的本次利益刺激活动的第一预估值。
本步骤的目的，是基于所述服务提供方的历史利益刺激活动数据，对该服务提供方的本次利益刺激活动进行初步预估，获取所述第一预估值。
当前市场竞争激烈，服务提供方为吸引用户促进销售推出各种利益刺激活动，例如，推出打折促销活动，其活动对象为不特定用户群体，在推出该利益刺激活动前，使用历史数据进行事前预测，可靠的活动效果预测结果能够作为预先建立的对比对象，用于和真实的活动效果进行比较分析，从而全面的评价本次活动的效果，积累营销过程资产。鉴于服务提供方以前推出的利益刺激活动效果对本次创建的活动效果有实际参考价值，以历史数据为基础预测本次活动带来的销售数据的提升，得到所述第一预估值。具体到本申请实施例，获取待评价服务提供方的一年的数据，取这些数据中历次活动效果数据的平均值，作为该服务提供方的该类利益刺激活动的第一预估值。
所述步骤S602，根据其他不同服务提供方的历史利益刺激活动的满足门槛的订单数及满足客单价订单数的比例构建门槛调节因子，利用所述门槛调节因子对所述待评价服务提供方的本次利益刺激活动的第一预估值进行校准，获得所述待评价服务提供方的本次利益刺激活动的第二预估值。
本步骤的目的，是同时参考其他不同服务提供方的利益刺激活动的历史数据，构建门槛调节因子，对该服务提供方的本次利益刺激活动的第一预估值进行校准，从而得到第二预估值。
考虑到活动门槛反映了参与活动的人群特征和人群规模，对于营销业务指标的改善和活动的落地有直接的影响，因此在对服务提供方推出的利益刺激活动效果进行预估时将其考虑在内构建门槛调节因子，使用所述门槛调节因子，对所述第一预估值进行修正，从而得到更为可靠的第二预估值。另外，在构建门槛调节因子时综合考虑其他不同服务提供方的历史利益刺激活动效果数据，并用这些历史数据一起构建模型进行预测，可以平衡经营状况波动对预测效果的影响。
具体的，根据不同服务提供方的历史利益刺激活动满足门槛订单数和满足客单价订单数的比例构建门槛调节因子，包括下述处理：
计算历史满足门槛的订单数除以历史满足客单价的订单数的值，该比例即为历史门槛满足率；
基于所述待评价服务提供方的利益刺激活动的设定门槛所对应的历史门槛满足率，获取对应的历史活动效果数据，和门槛满足率为1所对应的历史活动效果数据，取二者比值作为门槛调节因子。
使用所构建的门槛调节因子对所述待评价服务提供方的利益刺激活动效果的第一预估值进行校准得到所述第二预估值，包括采用下述校准公式：
所述第二预估值等于所述第一预估值乘以门槛调节因子。
具体到本申请实施例，从其他不同服务提供方中，根据各服务提供方与待评价服务提供方的各维度特征的相似程度，选取与所述待评价服务提供方较为接近的一个或多个服务提供方，例如选取10个，每个服务提供方的历史活动券发放量大于50，核销量大于10；并且根据消费券或卡的发放量阈值以及核销量阈值筛选出高质量利益刺激活动的相似服务提供方，优先考虑这些服务提供方的历史活动数据。在选取其他不同服务提供方的历史利益刺激活动效果数据过程中，包括下述处理：
从一个或多个维度获取不同服务提供方的特征数据，根据所述特征数据，基于设定的服务提供方的相似度排序方法建立所述相似服务提供方模型；
基于所述相似服务提供方模型选择与待评价服务提供方较相似的服务提供方，并获取该待评价服务提供方及其相似服务提供方的历史利益刺激活动数据。
其中，所述从一个或多个维度获取各个门店的特征数据，至少包括下述任一维度：
日均笔数、笔单价、商家ID、位置特征。
另外，所述服务提供方的相似度排序方法，包括：
根据不同服务提供方的各维度特征值、各维度在相似度排序中所占比重，确定该待评价服务提供方的相似服务提供方优先级排序。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。