无人柜机的商品投放方法、无人柜机及其控制装置与流程

本申请属于画像分析技术领域，具体涉及无人柜机的商品投放方法、无人柜机及其控制装置。

背景技术：

随着科学技术的发展，无人柜机已经融入了人们生活的方方面面，无人柜机销售的商品可以是饮料、袋装零食等保质期时间长的食品，还可以是生鲜食品，甚至还可售卖日用品。无人柜机可以二十四小时不间断营业，同时节省了人力资源。除此之外，无人柜机可放置位置多，人们可以就近购买商品，十分方便。

但是无人柜机铺设商品时，通常仅能覆盖各类商品种类，随后根据售卖情况来调整单种商品投放数量，营业额受限，无法根据无人柜机覆盖区域内的用户特点来有针对性的进行商品投放。

技术实现要素：

本申请提供无人柜机的商品投放方法、无人柜机及其控制装置，以解决现有无人柜机无法根据用户特点，有针对性地进行商品投放的技术问题。

为解决上述技术问题，本申请采用的一个技术方案是：一种无人柜机的商品投放方法，包括：获取用户使用无人柜机所产生的用户数据；根据所述商品投放的分析需求，从与投放区域相关的用户数据中抽取样本数据；对所述样本数据进行统计分析，得到所述投放区域内用户的画像特征；基于所述画像特征，生成商品投放方案。

根据本申请一实施方式，所述对所述样本数据进行统计分析，之前包括：去除所述样本数据中的无效数据。

根据本申请一实施方式，所述去除所述样本数据中的无效数据，包括：去除所述样本数据中的数据值为空，或数据值不符合预设规则的无效数据。

根据本申请一实施方式，所述对所述样本数据进行统计分析，得到所述投放区域内用户的画像特征，包括：获取所述样本数据的数据维度；根据所述样本数据在每一所述数据维度的分布情况，确定每一所述数据维度的维度特征值；基于所述维度特征值生成所述画像特征。

根据本申请一实施方式，所述根据所述样本数据在每一所述数据维度的分布情况，确定每一所述数据维度的维度特征值，包括：对所述数据维度下的样本数据进行分段，获取分段数据值及分段加权值，所述分段数据表示所述分段中所述样本数据的值，所述分段加权值表示所述样本数据中所述分段的分布比例；对所述分段数据值和所述分段加权值进行加权求和，得到所述维度特征值。

根据本申请一实施方式，所述根据所述样本数据在每一所述数据维度的分布情况，确定每一所述数据维度的维度特征值，包括：对所述数据维度下的样本数据进行分类，获取每一分类的分值和次数值；将所述数据维度的初始分数值加上所述分值和次数值乘积的结果作为所述维度特征值。

根据本申请一实施方式，所述方法还包括：持续获取所述用户使用所述无人柜机所产生的新用户数据；持续根据所述分析需求，从与投放区域相关的新用户数据抽取新样本数据；对所述新样本数据进行统计分析，得到所述投放区域内用户的新画像特征；基于所述新画像特征，生成新商品投放方案。

根据本申请一实施方式，所述方法还包括：保存所述画像特征；针对与所述商品投放需求相似的其他商品投放需求，提取所述画像特征，基于所述画像特征，生成其他商品投放方案。

为解决上述技术问题，本申请采用的另一个技术方案是：一种无人柜机的控制装置，包括处理器、存储器，所述存储器存储有程序指令，所述处理器执行所述程序指令，通过所述程序指令实现上述任一所述的方法。

为解决上述技术问题，本申请采用的又一个技术方案是：一种无人柜机，包括上述的控制装置。

为解决上述技术问题，本申请采用的又一个技术方案是：一种具有存储功能的装置，所述装置存储有程序数据，所述程序数据能够被执行以实现如上述任一所述的方法

本申请的有益效果是：区别于现有技术，本申请的无人柜机的商品投放方法基于使用无人柜机的用户数据，对用户进行画像特征刻画，进而有针对性的设计无人柜机商品投放方案，以及对无人柜机现有的商品投放方案进行升级，并可以规划无人柜机合理的投放点，从而增加无人柜机的收益。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，其中：

图1是本申请的无人柜机的商品投放方法一实施例的流程示意图；

图2是本申请的无人柜机的商品投放方法又一实施例的流程示意图；

图3是本申请的无人柜机的控制装置的一实施例的结构示意图；

图4是本申请的具有存储功能的装置的一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请参阅图1，图1是本申请的无人柜机的商品投放方法一实施例的流程示意图。

本申请一实施例提供了一种无人柜机的商品投放方法，包括如下步骤：

s101：获取用户使用无人柜机产生的用户数据。

获取用户使用无人柜机产生的用户数据可以是获取用户使用该无人柜机产生的用户数据，也可以是获取一片区域内用户使用该片区域所有无人柜机产生的用户数据。在一些情况下，若该区域历史并未投入使用无人柜机，还可以获取该区域用户在购物软件上的用户数据，或者获取相邻相似区域用户使用无人柜机产生的用户数据，以用作该区域首次投入无人柜机时的用户数据。

获取用户数据可通过连接无人柜机的手机app进行操作，也可以通过无人柜机直接进行操作。

用户数据包括用户属性数据、用户行为数据和用户消费数据等，其中，用户属性数据包括用户注册信息，例如：用户名、性别、年龄、手机号等；用户行为数据包括用户使用无人柜机的频次数据、用户扫描无人柜机的次数、用户打开无人柜机界面的次数等；用户消费数据包括订单交易数据、用户购买商品数据、用户退货退款数据、用户近期交易时间间隔等。

s102：根据商品投放的分析需求，从与投放区域相关的用户数据中抽取样本数据。

根据商品投放的分析需求，从与投放区域相关用户数据中抽取对应有用的样本数据。商品投放的分析需求可以至少包括如下两种情况：

第一种为无人柜机整体商品类型投放分析需求，从用户数据中抽取对应样本数据，以进行需求分析，样本数据可以为该区域用户购买最多的商品类型，从而可以在无人柜机上规划投放销售最受欢迎类型的商品，以提高无人柜机营业额。

另一种为入驻无人柜机的商家类型较为固定，分析需求为某类商品的投放方案，样本数据为某类商品不同单品的销售量。当然，在其他实施例中，还可以包括其他种情况，此处不作限定。

在一实施例中，对样本数据进行统计分析之前，还包括去除样本数据中的无效数据。去除样本数据中的无效数据包括去除样本数据中数据值为空，或数据值不符合预设规则的无效数据。例如，由于用户注册账号时，存在软件批量注册的情况，许多用户为虚假用户，若不将无效数据去除，会造成后续统计分析时运算量的加大，以及造成后续统计分析结果的误差。具体去除的无效数据可以根据具体样本数据的需求，去除例如用户的用户名为空，电话号码为空，用户年龄大于100岁等类似的无效数据。

具体地，可以从用户数据中抽取近半年的用户订单记录和对应用户信息，订单记录包括订单下单时间、购买单品类型、单品单价、消费总金额等。对应用户信息包括用户性别、年龄等，去除用户数据中用户的用户名为空，电话号码为空，用户年龄大于100岁的无效数据。

s103：对样本数据进行统计分析，得到投放区域内用户的画像特征。

对从用户数据中抽取的样本数据进行统计分析，得到投放区域内的用户的画像特征。该画像特征为根据商品投放的分析需求所对应的画像特征，且由于样本数据为投放区域相关的用户数据中抽取的，所以该画像特征也是对应投放区域内的用户的画像特征。

进一步地，对样本数据进行统计分析，得到投放区域内用户的画像特征包括：

对样本数据进行统计分析，得到投放区域内用户的画像特征包括：获取样本数据的数据维度；根据样本数据在每一数据维度的分布情况，确定每一数据维度的维度特征值；基于维度特征值生成画像特征。

具体地，样本数据的数据维度可以有若干种，例如用户年龄段划分和/或消费能力划分等。消费能力划分可以包括单次购买价格分段、周期内购买频次分段、周期内消费总金额分段等。

在一实施例中，根据样本数据在每一数据维度的分布情况，确定每一数据维度的维度特征值包括：对数据维度下的样本数据进行分段，获取分段数据值及分段加权值，分段数据表示分段中样本数据的值，分段加权值表示样本数据中分段的分布比例；对分段数据值和分段加权值进行加权求和，得到维度特征值。分段数据值可以选取分段中的中位数。

具体地，对上述的数据维度进行分段，需要说明的是，并不局限于以下的分段方式：

用户年龄段划分包括：未成年(0-18岁)、青年(18-30岁)、壮年(30-40岁)、中年(40-60岁)、老年(60岁以上)。

单次购买价格分段包括：例如5元以下、5-10元、10-15元、15-20元、20-30元、30-50元、50-100元、100元以上等。

周期内购买频次分段包括：例如7天内，1次、2次、3-5次、5-7次、7-10次、10-15次等。

周期内消费总金额分段包括：例如20元以下、20-40元、40-60元、60-80元、80-100元、100元以上等。

每个数据特征对应的特征值可以根据如下公式计算得出：

其中，mi代表的分段数据值，可以选用每个分段的中位数，c代表分段加权值，即每个分段的权重，由公式(n/n)计算得出，n表示各分段的次数，n表示所有分段的次数，ceil表示向上取整。

根据上述公式可以计算出维度特征值，基于各个维度特征值可以生成画像特征。

在另一实施例中，根据样本数据在每一数据维度的分布情况，确定每一数据维度的维度特征值包括：对数据维度下的样本数据进行分类，获取每一分类的分值和次数值；将数据维度的初始分数值加上分值和次数值乘积的结果作为维度特征值。

具体地，数据维度值可以是信用度，样本数据为单个用户周期内的消费行为，包括：未付款、盗损、补单和补付款等。假设信用度的初始分数值为100，未付款的单次分值为负2，盗损的单次分值为负5，补单的单次分值为正1，补付款的单次分值为正4，那么用初始分数值加上不良行为的负分值乘以次数，加上优良行为的正分值乘以次数，可以得到用户的信用度。根据用户的信用度，对信用度低于一定数值的用户，可以采用限制购物的举措，以减少无人柜机的损失。在其他实施例中，还可以将数据维度值基于用户的消费情况，对于消费多的用户，可开展优惠促销活动，增加客户黏性。

s104：基于画像特征，生成商品投放方案。

基于画像特征，生成商品投放方案。商品投放方案可以是现有无人柜机进行商品铺设优化，还可以是对一片区域新设的无人柜机进行商品铺设规划。本申请的无人柜机的商品投放方法基于使用无人柜机的用户数据，对用户进行画像特征刻画，进而有针对性的设计无人柜机商品投放方案，以及对无人柜机现有的商品投放方案进行升级，从而可以规划无人柜机合理的投放点，并增加无人柜机的收益。

本申请的方法还包括：保存画像特征，针对与商品投放需求相似的其他商品投放需求，提取画像特征，基于画像特征，生成其他商品投放方案。

可将画像特征保存，并建立用户画像数据库。在每次根据商品投放的分析需求抽取样本数据，并进行统计分析后得到的用户画像特征均可存储至用户画像数据库中。从而在相同的商品投放分析需求时，可以直接根据商品投放的分析需求，从用户画像数据库中获取画像特征，无需再次进行抽取样本数据并统计分析的步骤，方便快捷，节省运算分析成本和时间。

用户画像数据库中存储的画像特征在预定时长内有效，超出预定时长后的画像特征无法用于生成商品投放方案，从而用户画像数据库中存储的画像特征需要定期更新。预定时长可以是一个月、三个月或者半年等，此处不作限制。当然，相同的画像特征在用户画像数据库中可能保存有多个，在根据商品投放的分析需求，从用户画像数据库中获取画像特征时，可基于最新的画像特征生成商品投放方案；或者，可对比最近的若干个画像特征后，根据画像特征趋势，以综合分析预测未来走向，从而生成商品投放方案。

请参阅图2，图2是本申请的无人柜机的商品投放方法又一实施例的流程示意图。

本申请又一实施例提供了一种无人柜机的商品投放方法，包括如下步骤：

s201：获取用户使用无人柜机所产生的用户数据。

步骤s201与上述对应步骤基本相同，此处不再赘述。

s202：根据商品投放的分析需求，从用户数据中抽取样本数据。

步骤s202与上述对应步骤基本相同，此处不再赘述。

s203：对样本数据进行统计分析，得到使用无人柜机的用户的画像特征。

步骤s203与上述对应步骤基本相同，此处不再赘述。

s204：基于画像特征，生成商品投放方案。

步骤s204与上述对应步骤基本相同，此处不再赘述。

s205：持续获取用户使用无人柜机所产生的新用户数据。

在无人柜机实施步骤s204中的商品投放方案后，持续获取无人柜机实施商品投放方案后的新用户数据。新用户数据包括用户属性数据、用户行为数据和用户消费数据等，其中，用户属性数据包括用户注册信息，例如：用户名、性别、年龄、手机号等；用户行为数据包括用户使用无人柜机的频次数据、用户扫描无人柜机的次数、用户打开无人柜机界面的次数等；用户消费数据包括订单交易数据、用户购买商品数据、用户退货退款数据、用户近期交易时间间隔等。

s206：持续根据商品投放的分析需求，从与投放区域相关的新用户数据中抽取新样本数据。

持续根据商品投放的分析需求，从与投放区域相关的新用户数据中抽取对应有用的新样本数据。此处的商品投放分析需求为优化产品投放类型的需求，例如：已经根据商品投放方案对无人柜机进行了货物铺设，收益在一段时间内尚可，随后出现了下滑，那么就可以及时持续分析用户需求随客观条件的变化，进行产品投放优化，以获得更高的收益。再例如：已经根据商品投放方案对无人柜机进行了货物铺设，收益尚可，那么也可以持续分析用户需求，从而尝试铺设单价提高、收益较高的商品，或者尝试铺设新品，以在无人柜机仅有的空间内尽可能地提高营业额，达到收益最大化。

从与投放区域相关的新用户数据中抽取的新样本数据，则根据具体新商品投放的分析需求进行。

在又一实施例中，对新样本数据进行统计分析之前，还包括去除新样本数据中的无效数据。去除新样本数据中的无效数据包括去除新样本数据中数据值为空，或数据值不符合预设规则的无效数据。例如，由于用户注册账号时，存在软件批量注册的情况，许多用户为虚假用户，若不将无效数据去除，会造成后续统计分析时运算量的加大，以及造成后续统计分析结果的误差。具体去除的无效数据可以根据具体新样本数据的需求，去除例如用户的用户名为空，电话号码为空，用户年龄大于100岁等类似的无效数据。

s207：对新样本数据进行统计分析，得到投放区域内用户的新画像特征。

对从新用户数据中抽取的新样本数据进行统计分析，得到投放区域内的用户的新画像特征。该新画像特征为根据商品投放的分析需求所对应的新画像特征，且由于新样本数据为投放区域相关的新用户数据中抽取的，所以该新画像特征也是对应投放区域内的用户的新画像特征。

进一步地，对新样本数据进行统计分析，得到投放区域内用户的画像特征包括：

对样本数据进行统计分析，得到投放区域内用户的画像特征包括：获取样本数据的数据维度；根据样本数据在每一数据维度的分布情况，确定每一数据维度的维度特征值；基于维度特征值生成画像特征。具体的统计分析方法与步骤s103基本相同，此处不再赘述。

s208：基于新画像特征，生成新商品投放方案。

基于新画像特征，生成新商品投放方案。新商品投放方案对无人柜机现有的商品投放方案进行升级，以及时针对无人柜机的用户交易情况，有针对性地在无人柜机仅有的空间内尽可能地提高营业额，达到收益最大化。

本申请又一实施例提供了一种无人柜机的控制装置，请参阅图3，图3是本申请的无人柜机的控制装置的一实施例的结构示意图。控制装置30包括处理器31、存储器32。其中，存储器32存储有程式指令，处理器31执行程式指令，通过程式指令实现上述任一实施例中的无人柜机的商品投放方法。具体地，处理器31根据商品投放的分析需求，从与投放区域相关的用户数据中抽取样本数据，并对样本数据进行统计分析，得到投放区域内用户的画像特征，最后基于画像特征，生成商品投放方案。该控制装置30可以设置于无人柜机上，也可以另设于服务器上。

本申请又一实施例提供了一种无人柜机，包括上述的控制装置，控制装置实现上述任一实施例中的无人柜机的商品投放方法，从而商家在铺货时，在无人柜机上即可进行操作，以实时得出最佳商品投放方法，并进行对应的商品投放操作。

本申请又一实施例提供了一种具有存储功能的装置40，请参阅图4，图4是本申请的具有存储功能的装置的一实施例的结构示意图。装置40存储有程序数据41，程序数据41能够被执行以实现上述任一实施例的无人柜机的商品投放方法。即上述无人柜机的商品投放方法以软件形式实现并作为独立的产品销售或使用时，可存储在一个电子设备可读取的具有存储功能的装置40中。具有存储功能的装置40可以是u盘、光盘或者服务器。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。