一种商品推销方法、装置、设备及存储介质

技术领域

本发明涉及互联网数据处理技术领域，更具体地说，涉及一种商品推销方法、装置、设备及存储介质。

背景技术

销售平台在做营销活动时，往往会主打某个品牌的活动或者某种品类的活动，但是由于活动往往都有时间限制，销售触达用户的时间有限；所以如何能够高效的实现商品推销，则是目前本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种商品推销方法、装置、设备及存储介质，能够高效的实现商品推销。

为了实现上述目的，本发明提供如下技术方案：

一种商品推销方法，包括：

获取包含指定区域指定时间周期内推销的全部商品的商品集；

获取所述商品集中各商品在各推销渠道下对应各预设指标特征的值；其中，所述预设指标特征为表现所述商品在不同推销渠道下的推销效果的特征；

基于各商品在各推销渠道下对应各预设指标特征的值，确定各商品进行推销时最优的推销渠道，并利用该最优的推销渠道实现相应商品的推销。

优选的，基于各商品在各推销渠道下对应各预设指标特征的值，确定各商品进行推销时最优的推销渠道，包括：

基于各预设指标特征的值计算各商品对应各推销渠道的综合得分，确定各商品对应各推销渠道的综合得分中最高的综合得分所对应的推销渠道，为对应商品在进行推销时最优的推销渠道。

优选的，基于各预设指标特征的值计算各商品对应各推销渠道的综合得分，包括：

将全部指标特征划分为多个层，并获取各指标特征的权重；其中，所述预设指标特征为位于最后一层的指标特征，且除最后一层外其他任一层中的任一指标特征，与其所在层的下一层中多个指标特征相对应；

确定最后一层为当前层，利用当前层中对应于上一层的同一指标特征的全部指标特征的值所属得分及权重进行加权计算，得到当前层的上一层中各指标特征的值所属得分，确定当前层的上一层为当前层，如果当前层为第一层，则利用当前层中各指标特征的值所属得分及权重进行加权计算，得到所述综合得分，否则，返回执行利用当前层中对应于上一层的同一指标特征的全部指标特征的值所属得分及权重进行加权计算的步骤。

优选的，获取各指标特征的权重之后，还包括：

对各所述指标特征的权重进行归一化处理，使得每层包含的全部指标特征的权重之和为1。

优选的，所述预设指标特征包括人工成本、时间成本及推销成功率，所述预设指标特征上一层的指标特征包括综合成本及推销效率，所述人工成本及所述时间成本均与所述综合成本相对应，所述推销成功率与所述推销效率相对应。

优选的，基于各商品在各推销渠道下对应各预设指标特征的值，确定各商品进行推销时最优的推销渠道，包括：

将各商品的商品识别信息及对应于各预设指标特征的值作为样本，将各商品进行推销时所使用的推销渠道作为对应样本的标签值；

利用各样本及标签值处理分类模型，得到相应的推销分类模型；

将各商品的商品识别信息输入至所述推销分类模型，确定所述推销分类模型输出的推销渠道为对应商品进行推销时最优的推销渠道。

优选的，所述分类模型具体为K近邻算法。

一种商品推销装置，包括：

第一获取模块，用于：获取包含指定区域指定时间周期内推销的全部商品的商品集；

第二获取模块，用于：获取所述商品集中各商品在各推销渠道下对应各预设指标特征的值；其中，所述预设指标特征为表现所述商品在不同推销渠道下的推销效果的特征；

推销模块，用于：基于各商品在各推销渠道下对应各预设指标特征的值，确定各商品进行推销时最优的推销渠道，并利用该最优的推销渠道实现相应商品的推销。

一种商品推销设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一项所述商品推销方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项所述商品推销方法的步骤。

本发明提供了一种商品推销方法、装置、设备及存储介质，该方法包括：获取包含指定区域指定时间周期内推销的全部商品的商品集；获取所述商品集中各商品在各推销渠道下对应各预设指标特征的值；其中，所述预设指标特征为表现所述商品在不同推销渠道下的推销效果的特征；基于各商品在各推销渠道下对应各预设指标特征的值，确定各商品进行推销时最优的推销渠道，并利用该最优的推销渠道实现相应商品的推销。本申请在获取指定区域指定时间周期内推销的各商品，以及各商品在不同推销渠道下对应各预设指标特征的值后，可以基于这些值确定出分别使得各商品推销效果最好的推销渠道，进而利用确定出的推销渠道实现相应商品的推销。可见，本申请能够基于历史的商品推销数据，分析出不同商品通过何种推销渠道实现推销时效果最佳，进而利用最佳的推销渠道实现相应商品的推销，从而能够高效的实现商品推销。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种商品推销方法的流程图；

图2为本发明实施例提供的一种商品推销方法中确定商品最优的推销渠道的第一种流程图；

图3为本发明实施例提供的一种商品推销方法中确定商品最优的推销渠道的第二种流程图；

图4为本发明实施例提供的一种商品推销方法中利用K近邻算法实现分类的逻辑流程图；

图5为本发明实施例提供的一种商品推销装置的结构示意图。

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。

请参阅图1，其示出了本发明实施例提供的一种商品推销方法的流程图，可以包括：

S11：获取包含指定区域指定时间周期内推销的全部商品的商品集。

需要说明的是，本发明实施例提供的一种商品推销方法的执行主体可以为对应的商品推销装置。其中，指定区域及指定时间周期可以根据实际需要进行设定，如指定区域可以为某市(例如杭州市)，指定时间周期可以为最近的一段时间(例如最近90天内)，指定区域指定时间周期内推销的全部商品则可以为在指定区域指定时间周期内所有BD推销的商品。另外，在获取商品集时还可以获取各项商品的商品标识信息，如表1所示，商品标识信息可以包括商品名称、商品类目及商品品牌等，而商品类目可以包括后台一级类目至后台四级类目等。

表1

S12：获取商品集中各商品在各推销渠道下对应各预设指标特征的值；其中，预设指标特征为表现商品在不同推销渠道下的推销效果的特征。

根据实际业务场景，推销渠道可以包括地推(地面推销)及电推(电话推销)；预设指标特征可以包括人工成本、时间成本及推销成功率，当然还可以根据实际需要设定其他能够表现商品在不同推销渠道下推销效果的特征；其中，人工成本及时间成本均可以由进行推销的公司数据库中获取，而推销成功率可以按照下列公式计算：

γ＝m/n

其中，n为实际推销用户数，m为成交用户数，本申请中可以定义成交用户为推销商品后24小时内下单的用户。

S13：基于各商品在各推销渠道下对应各预设指标特征的值，确定各商品进行推销时最优的推销渠道，并利用该最优的推销渠道实现相应商品的推销。

在得到任意商品在不同推销渠道下对应各预设指标特征的值之后，则可以基于这些值确定出该任意商品在不同推销渠道下的推销效果，进而确定出推销效果最好的推销渠道为推销该任意商品最优的推销渠道，进而利用该推销渠道实现该任意商品的推销。

本申请在获取指定区域指定时间周期内推销的各商品，以及各商品在不同推销渠道下对应各预设指标特征的值后，可以基于这些值确定出分别使得各商品推销效果最好的推销渠道，进而利用确定出的推销渠道实现相应商品的推销。可见，本申请能够基于历史的商品推销数据，分析出不同商品通过何种推销渠道实现推销时效果最佳，进而利用最佳的推销渠道实现相应商品的推销，从而能够高效的实现商品推销。

在一种具体实现方式中，如图2所示，本发明实施例提供的一种商品推销方法中步骤S13可以包括：

S131：基于各预设指标特征的值计算各商品对应各推销渠道的综合得分，确定各商品对应各推销渠道的综合得分中最高的综合得分所对应的推销渠道，为对应商品在进行推销时最优的推销渠道；

S132：利用最优的推销渠道实现相应商品的推销。

在确定任意商品最优的推销渠道时，可以基于该任意商品在任意推销渠道进行推销时对应各预设指标特征的值，计算该任意商品在该任意推销渠道进行推销时的综合得分，从而得到每个商品对应每个推销渠道的综合得分；基于此，可以将任意商品对应不同推销渠道的综合得分进行比对，如果当中仅存在一个最高的综合得分，则将该最高的综合得分对应推销渠道作为之后推销该任意商品时所用的推销渠道，如果当中存在多个最高的综合得分，则优先选择电推作为推销该任意商品时所用的推销渠道。可见，本申请能够比对不同推销渠道对应推销效果，选取其中推销效果最好的推销渠道作为实现相应商品推销时最优的推销渠道，保证了实现推销时达到最好的推销效果。

本发明实施例提供的一种商品推销方法，基于各预设指标特征的值计算各商品对应各推销渠道的综合得分，可以包括：

将全部指标特征划分为多个层，并获取各指标特征的权重；其中，预设指标特征为位于最后一层的指标特征，且除最后一层外其他任一层中的任一指标特征，与其所在层的下一层中多个指标特征相对应；

确定最后一层为当前层，利用当前层中对应于上一层的同一指标特征的全部指标特征的值所属得分及权重进行加权计算，得到当前层的上一层中各指标特征的值所属得分，确定当前层的上一层为当前层，如果当前层为第一层，则利用当前层中各指标特征的值所属得分及权重进行加权计算，得到综合得分，否则，返回执行利用当前层中对应于上一层的同一指标特征的全部指标特征的值所属得分及权重进行加权计算的步骤。

本申请可以将全部指标特征划分为多个层，将各预设指标特征作为最后一层的指标特征，最后一层的上一层中每个指标特征均对应最后一层中至少一个指标特征，且除了最后一层之后的其他任一层中每个指标特征也均对应其下一层中至少一个指标特征；由此在实现综合得分计算时，对于除了第一层之外的其他任一层中的指标特征，将对应于同一指标特征的至少一个指标特征的值所属得分及权重进行加权求和计算，得到相应的得分作为该至少一个指标特征所对应的同一指标特征的得分，直至到第一层的时候，将第一层中各特征指标的值所属得分及权重进行加权求和计算，则得到最终的综合得分；其中，可以采用AHP(层次分析法)和专家群体决策方法确定各项指标特征的权重；本申请通过这种逐层计算的方式，使得最终计算所得综合得分能够与每层的指标特征均对应，更加准确且更加有效。

本发明实施例提供的一种商品推销方法，获取各指标特征的权重之后，还可以包括：

对各指标特征的权重进行归一化处理，使得每层包含的全部指标特征的权重之和为1。

本申请实施例中在得到全部的指标特征之后，可以对这些指标特征进行归一化处理，从而使得任意一层包含的全部指标特征的权重之和为1，从而实现指标特征对应数据的整理，使得这些数据更加规范。

在一种具体应用场景中，预设指标特征可以包括人工成本、时间成本及推销成功率，预设指标特征上一层的指标特征可以包括综合成本及推销效率，人工成本及时间成本均与综合成本相对应，推销成功率与推销效率相对应。具体来说，本申请实施例将推销成功率、人力成本及时间成本作为实现推销效果评价时影响推销渠道的主要特征因素，对应的上一层的指标特征可以包括推销效率及综合成本，在其他应用场景下还可以增加商品利润，具体可以如表2所示。

表2

对于表2中的指标特征，可以采用AHP(层次分析法)和专家群体决策对方法确定同层指标特征的权重，并进行归一化处理，经归一化处理后，同层指标特征的权重之和等于1，例举结果如表3所示。

表3

设置推销渠道的评分标准，根据各指标特征的权重计算各商品不同推销渠道的综合得分；其中，评分标准的例举结果如表4所示。

表4

在计算任意除最后一层外其他层中指标特征的值所属得分时，可以按如下公式实现：

其中，S

综上，本申请确定商品的推销渠道，并计算该商品的人力成本、时间成本以及推销成功率，根据上述各项指标特征的权重得出该商品不同推销渠道的评价得分，最终基于历史的推销数据确定出使得推销成功效果最好的推销渠道，使得人效最大化的同时也提高订单量。

在另一种具体实现方式中，如图3所示，本发明实施例提供的一种商品推销方法中步骤S13可以包括：

S133：将各商品的商品识别信息及对应于各预设指标特征的值作为样本，将各商品进行推销时所使用的推销渠道作为对应样本的标签值。

本申请在确定最优的推销渠道时，可以先获取各商品的商品标识信息，将任意商品的商品标识信息，以及该任意商品使用任意推销渠道实现推销时对应于各预设指标特征的值作为样本，将该任意商品使用的该任意推销渠道作为相应的标签值，得到全部商品对应样本及相应标签值作为样本数据；选取其中部分的样本及标签值作为训练数据集，剩余的样本及标签值作为测试数据集，如样本数据包括90天的数据，则训练数据集可以包含其中70天的样本数据，而测试数据集可以包含其中20天的样本数据。

S134：利用各样本及标签值处理分类模型，得到相应的推销分类模型。

其中，分类模型具体可以为K近邻算法。在得到训练数据集及测试数据集后，可以从scikit-learn库(机器学习工具库)中调用相应的K近邻算法(KNN算法)的模块作为分类模型，利用训练数据集对分类模型进行训练，并利用测试数据集对分类模型进行测试；并且，在对分类模型进行训练及测试的过程中，为进一步提升在样本数据上的正确率，本申请实施例可以对分类模型进行调参，如采用实验搜索的方式调节K近邻算法中的超参数k以达到较高的正确率。

S135：将各商品的商品识别信息输入至推销分类模型，确定推销分类模型输出的推销渠道为对应商品进行推销时最优的推销渠道。

对于要确定其最优的推销渠道的商品，可以将该商品的商品识别信息输入至推销分类模型中，从而得到推销分类模型输出的标签值，也即为输入的商品识别信息对应的商品最优的推销渠道。在一种具体实现方式中，利用K近邻算法实现分类的逻辑可以如图4所示，其中，新样本为不包含标签值的样本，训练数据为训练数据集中包含的样本数据。

S136：利用最优的推销渠道实现相应商品的推销。

本申请在获取指定区域指定时间周期内推销的各商品、各商品的商品标识信息、各商品所使用的推销渠道以及各商品在不同推销渠道下对应各预设指标特征的值后，可以利用各商品的商品标识信息、对应各预设指标的值及所使用的推销渠道训练分类模型得到相应的推销分类模型，进而利用该推销分类模型基于商品的商品标识信息确定出商品的最优的推销渠道，以基于该推销渠道实现相应商品的推销；可见，本申请基于商品相关信息实现模型训练后，即可基于模型实现推销渠道的预测，从而快速有效的基于历史的商品推销数据实现商品实现推销时的推销渠道的确定。

本发明实施例还提供了一种商品推销装置，如图5所示，可以包括：

第一获取模块11，用于：获取包含指定区域指定时间周期内推销的全部商品的商品集；

第二获取模块12，用于：获取商品集中各商品在各推销渠道下对应各预设指标特征的值；其中，预设指标特征为表现商品在不同推销渠道下的推销效果的特征；

推销模块13，用于：基于各商品在各推销渠道下对应各预设指标特征的值，确定各商品进行推销时最优的推销渠道，并利用该最优的推销渠道实现相应商品的推销。

本发明实施例提供的一种商品推销装置，推销模块可以包括：

第一确定单元，用于：基于各预设指标特征的值计算各商品对应各推销渠道的综合得分，确定各商品对应各推销渠道的综合得分中最高的综合得分所对应的推销渠道，为对应商品在进行推销时最优的推销渠道。

本发明实施例提供的一种商品推销装置，第一确定单元可以包括：

计算子单元，用于：将全部指标特征划分为多个层，并获取各指标特征的权重；确定最后一层为当前层，利用当前层中对应于上一层的同一指标特征的全部指标特征的值所属得分及权重进行加权计算，得到当前层的上一层中各指标特征的值所属得分，确定当前层的上一层为当前层，如果当前层为第一层，则利用当前层中各指标特征的值所属得分及权重进行加权计算，得到综合得分，否则，返回执行利用当前层中对应于上一层的同一指标特征的全部指标特征的值所属得分及权重进行加权计算的步骤；其中，预设指标特征为位于最后一层的指标特征，且除最后一层外其他任一层中的任一指标特征，与其所在层的下一层中多个指标特征相对应。

本发明实施例提供的一种商品推销装置，还可以包括：

归一化处理模块，用于：获取各指标特征的权重之后，对各指标特征的权重进行归一化处理，使得每层包含的全部指标特征的权重之和为1。

本发明实施例提供的一种商品推销装置，预设指标特征可以包括人工成本、时间成本及推销成功率，预设指标特征上一层的指标特征可以包括综合成本及推销效率，人工成本及时间成本均与综合成本相对应，推销成功率与推销效率相对应。

本发明实施例提供的一种商品推销装置，推销模块可以包括：

第二确定单元，用于：将各商品的商品识别信息及对应于各预设指标特征的值作为样本，将各商品进行推销时所使用的推销渠道作为对应样本的标签值；利用各样本及标签值处理分类模型，得到相应的推销分类模型；将各商品的商品识别信息输入至推销分类模型，确定推销分类模型输出的推销渠道为对应商品进行推销时最优的推销渠道。

本发明实施例提供的一种商品推销装置，分类模型可以为K近邻算法。

本发明实施例还提供了一种商品推销设备，可以包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上任一项商品推销方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可以实现如上任一项商品推销方法的步骤。

需要说明的是，本发明实施例提供的一种商品推销装置、设备及存储介质中相关部分的说明请参见本发明实施例提供的一种商品推销方法中对应部分的详细说明，在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。