基于时间维度的收缩型积分数据处理方法与流程

1.本技术属于数据处理领域，尤其涉及一种基于时间维度的收缩型积分数据处理方法。


背景技术：

2.传统的商业积分系统，是一种有着上百年历史的市场经济创新工具。企业向消费者发行积分，或者直接发放红包和返利等行为，本质上是为了提高“复购率”，其目的是促销。如今，基于各种互联网平台的积分系统已经在各个领域普及，但据日本某研究机构，各行各业的企业所发行的积分，有将近一半处于“沉睡状态”，甚至被消费者遗忘，其“促销”的目的本身已经越来越难达成。究其原因，正是因为市场上的各种积分泛滥，消费者对此逐渐麻木，而企业也陷入了所谓恶性的“价格竞争”、“返利竞争”、“烧钱竞争”。
3.正是因为上述诸多行为的不合理性，企业之间才逐渐陷入了“烧钱补贴”和“疯狂返利”的恶性竞争，希望通过回馈给消费者更多的福利，以此来纠错。但我们判断，现今普遍存在于市场上的，消费者与企业之间的短期补贴关系，将被长期互动共荣关系取代。特别是互联网行业，“流量”已被各大互联网巨头垄断，中小企业的烧钱恶性竞争模式已不可持续。其结果很可能只会养肥了资本，导致社会资源出现严重错配。
4.基于时间维度的收缩型积分对于消费者来说，所映射的权益是企业“未来长久的现金流分配权”。“未来长久的现金流分配权”与“股权”具有本质上的区别。股权的收益，仅来自于税后净利润。而“未来的现金流分配权”收益，本质依然是企业的“返利补贴和营销成本”，其在销售环节中就会被提取并汇聚，形成直接反映企业发展情况的新指标
‑“
兑付金池”。“兑付金池”的金额越大，代表企业创造的价值越大，而其增速越快，代表企业发展越快。“未来的现金流分配权”既有股权的长期可持续增长特点，又无须承担企业的“亏损”责任，适用于每一个普通消费者。即便一些企业愿意将“股权”分发给消费者，但由于普通群众的风险承受能力极弱，让消费者全民持股的风险也是巨大的，不切实际的。而日常消费产生的积分或返利作为“碎片价值”，非常适合作为普通大众的“资金来源”。


技术实现要素：

5.本技术实施例提出了基于时间维度的收缩型积分数据处理方法，能够增加消费者基于消费行为对自身的粘合度，同时降低商家的营销成本。
6.具体的，本技术实施例提出的基于时间维度的收缩型积分数据处理方法，包括：
7.s1，根据预设的第一递减系数构建对应时间维度的收缩型积分发行量曲线；
8.s2，获取一个目标消费周期的支付数据，根据预设返利比例确定对应目标周期的实际返利数值；
9.s3，实时计算当前的单个积分价值，根据消费周期内用户支付数据结合收缩型积分发行量曲线获取对应根据发行量曲线应发行积分量，基于得到的单个积分价值计算对应消费周期的最低目标返利总额；
10.s4，如果目标周期的实际返利数值高于或等于消费周期的最低目标返利总额，则根据已知的发行量曲线获取对应目标消费周期的积分发行量，完成积分发送；
11.s5，如果目标周期的实际返利数值低于消费周期的最低目标返利总额，则获取在积分保值的情况下最大允许发行量，并结合第二递减系数计算获取收缩后的积分发行量，完成积分发送。
12.可选的，所述获取一个目标消费周期的支付数据，包括：
13.对每个消费者构建唯一的用户id；
14.统计每个用户id于一个目标消费周期内在全网进行的与样本商品相关的行为数据，基于预设权重对行为数据进行赋值汇总，得到对应用户id在一个目标消费周期内的消费数据。
15.可选的，所述行为数据，包括：
16.对应消费者的支付数据、分享数据；社交行为数据。
17.对应商家的订单数据、销售额数据、商品评价数据。
18.可选的，所述s2，包括：
19.实际返利数值＝支付数据
×
预设返利比例。
20.可选的，所述方法还包括：
21.s6，将得到的积分量发送至独立积分管理进行保存，供消费者申请兑换使用。
22.可选的，所述实时计算得到的单个积分价值，包括：
23.单个积分价值＝独立积分管理中存有的积分对应的金额/已发放且未回收的积分总量。
24.可选的，所述s3，包括：
25.s31，以当前消费周期为横坐标确定收缩型积分发行量曲线纵坐标对应的应发行积分量；
26.s32，消费周期的最低目标返利总额＝应发行积分量
×
实时计算得到的单个积分价值。
27.可选的，所述s5，包括：
28.在积分保值的情况下最大允许发行量＝当前周期实际确定的返利数值/上一周期的积分价值。
29.可选的，所述收缩型积分发行量曲线的函数表达式为：
30.积分发行量＝首次发行量
×
第一递减系数的n次幂；
31.其中，n为当前目标消费周期的序号。
32.有益效果：
33.通过向消费者分发与支付数据相关的积分，能够在不增加商家财务负担的前提下提升消费者在早期进行消费行为的回馈力度，同时随着时间延伸，更能凸显对参与更早消费行为的消费者的回馈力度。
附图说明
34.为了更清楚地说明本技术的技术方案，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技术的一些实施例，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。
35.图1为本技术实施例提出的基于时间维度的收缩型积分数据处理方法的流程示意图；
36.图2为本技术实施例提出预先构建的收缩型积分发行量曲线示意图；
37.图3为本技术实施例提出的未达到目标返利额的积分发行量曲线示意图。
具体实施方式
38.为使本技术的结构和优点更加清楚，下面将结合附图对本技术的结构作进一步地描述。
39.具体的，本技术实施例提出的基于时间维度的收缩型积分数据处理方法，如图1所示，包括：
40.s1，根据预设的第一递减系数构建对应时间维度的收缩型积分发行量曲线；
41.s2，获取一个目标消费周期的支付数据，根据预设返利比例确定对应目标周期的实际返利数值；
42.s3，实时计算当前的单个积分价值，根据消费周期内用户支付数据-结合收缩型积分发行量曲线获取对应根据发行量曲线应发行积分量，基于得到的单个积分价值计算对应消费周期的最低目标返利总额；
43.s4，如果目标周期的实际返利数值高于或等于消费周期的最低目标返利总额，则根据已知的发行量曲线获取对应目标消费周期的积分发行量，完成积分发送；
44.s5，如果目标周期的实际返利数值低于消费周期的最低目标返利总额，则获取在积分保值的情况下最大允许发行量，并结合第二递减系数计算获取收缩后的积分发行量，完成积分发送。
45.在实施中，为了避免现有技术中诸多营销方式带来的缺陷，本技术实施例提出了一种收缩型积分数据处理方法。通过控制积分发行量逐渐降低的方式凸显早期进行消费用户可享受到的高额权益，同时由于商家能够仅从利润中提取小部分作为积分进行返利操作，积分可兑换的货币来自商家后期的“未来型”收入，而非现有“烧钱补贴”式的一次性大额投入，从而大幅度降低了对商家的财务压力。
46.具体的，为了实现上述效果，首先需要执行步骤s1构建一条作为积分发行量参考标准的曲线。为了确保发送至消费者的积分能够尽可能保有较高价值，同时为早期客户发放尽可能多的积分来鼓励进行更早消费的行为，本技术实施例提出的积分发行量曲线为一递减函数，曲线图如图2所示。
47.典型的表达式为：当前周期积分发行量＝首次发行量
×
第一递减系数^n，
48.例如，首次发行量100000
×
第一递减系数99％^n(n的取值为50)＝60500。根据图2所示的曲线可看出，进行首次消费的支付行为对应最高的积分发行量，随着时间推移，越晚的消费行为对应的积分发行量越小，也更加突出了回馈早期消费行为的特性。
49.在具体实施过程中，将整个消费行为按预设的时间长度划分为多个目标消费周期，当每个目标消费周期结束后，商家根据该周期内的支付数据结合预设的返利比例来计算实际返利数值。这里的计算公式为：
50.实际返利数值＝支付数据
×
预设返利比例。
51.例如该周期内共收入100000元，预设返利比例为10％，则表明针对该周期商家提供的实际返利数值为100000
×
10％＝10000元。
52.由于每个消费者相对于商家的贡献度存在较大差异，因此为了更为公平的确定向每个消费者进行返利的金额，这里采用了以发行积分间接实现返利的方式。并且为了确保该部分金额具有公正效力，特将得到的积分量发送至独立积分管理进行保存，供消费者申请兑换使用。这里提出的独立积分管理系统是相对于商家、消费者而言的第三方机构，具有较高的可信任度与不可篡改性，例如区块链平台。
53.确定已经结束的该周期具体的积分发行量的具体的确定方式如步骤s3所示。
54.首先，确定单个积分价值，在第一个目标消费周期时，该数值为预设的0.01元，后续后期计算时，则是根据在积分保值的情况下最大允许发行量＝当前周期实际确定的返利数值/上一周期的积分价值进行实时计算确定。
55.其次，根据当前属于第n周期从已构建的收缩型积分发行量曲线上确定对应的理论上的应发行积分量，积分发行量＝首次发行量
×
第一递减系数的n次幂；n为当前目标消费周期的序号。例如第五十个根据发行量曲线应发行积分量为首次发行量100000
×
第一递减系数99％^n(n的取值为50)＝60500。
56.根据“消费周期的最低目标返利总额＝根据发行量曲线应发行积分量
×
单个积分价值”的计算公式的计算公式确定实际的对应消费周期的最低目标返利总额。例如：对应第50个消费周期的最低目标返利总额为60500
×
0.1＝6050元(此时假设第50周积分价值增长到0.1元)。
57.在获取到返利总额以及对应实际支付数据的理论返利总额后，就需要根据二者的大小关系进行判断，以便确定最终对应返利数值的积分发行量，具体的对比以及后续处理过程如步骤s4、s5所示。
58.根据大小判定结果不同，具体分为两种情况：
59.1)目标周期的实际返利数值高于或等于消费周期的最低目标返利总额
60.结合以上数据，即计算得到的(100000
×
10％＝10000元)大于(100000
×
第一递减系数99％^n(n的取值为50)
×
0.1)＝6050元)，此时表明目标消费周期的支付数据高于预期，因此可以按积分发行曲线对应的应发行积分量60500进行积分发送，对应的返利总额为10000元。此时的0.1为第50个消费周期实时计算得到的单个积分价值。
61.2)目标周期的实际返利数值低于消费周期的最低目标返利总额为了防止相邻周期下积分价值下跌，
62.结合以上数据，即计算得到的(支付数据5000
×
10％＝500元)小于(100000
×
第一递减系数99％^n(n的取值为50)
×
0.1＝6050元)，这里的0.1为前一周期的计算价值(也可称为实时计算价值)，此时表明目标消费周期的支付数据低于预期，此时如果继续按6050元对应的积分量发送无疑会导致积分贬值，此时触发保护机制，基于实际支付数据5000元对应的实际返利数值5000
×
10％＝500元进行当前周期在积分保值的情况下最大允许发行量的计算：
63.500/单个积分价值0.1
×
第二递减系数0.99＝4950，式中的0.1为上一周期积分价值。
64.即在该种状态下，向目标消费周期的消费者进行发放的积分量为4950，对应返利
总额为实际的500元，相对于60500积分以及100000
×
10％＝10000元返利都有显著收缩，达不到目标销售额，上一周期价值0.1元，第二递减系数0.99，反而会在处理后使得单个积分价值的略高于0.1元。
65.需要着重说明的是，结合表1a可知，这里设置第二递减系数的意义是在保护机制持续触发的前提下，例如第4周、第5周的“每1个消费贡献值获得积分数量”也能持续递减，目的是让积分的获取难度持续变得更难，继续凸显刺激消费的效果。
66.假设没有第二递减系数，则表1b中第4周、第5周的“每1个消费贡献值获得积分数量”则为同一个数值，即积分的获取难度不变，消费刺激效果将会短暂消失，出现系统性bug。
[0067][0068][0069]
表1a
[0070][0071]
表1b
[0072]
此时积分发行量曲线如图3所示，其中虚线代表应发行积分量，实现代表实际积分发行量。从中可知，当触发保护积分处理机制后，第39周期的积分实际积分发行量相对于前一周期存在显著下跌。此时根据如下的计算公式可知：
[0073][0074]
在积分总量显著减少的情况下，第39周期的收缩发行量的积分发行后，会导致每
个积分的价值相对于未收缩前反而增加的情况，因此可以明确在支付数据降低后收缩积分发行量的方式，是能够在考虑商家具体收益的前提下依然稳定了消费者获取到积分价值的稳定，避免出现积分通胀、降低已获取积分价值的情形。
[0075]
实施例二
[0076]
基于前一实施例提出的收缩型积分数据处理方法，本技术实施例进一步提出了获取多种支付数据详情，进而基于详情确定返利数据分配的方法。
[0077]
主要执行步骤为：
[0078]
s21，获取一个目标消费周期的支付数据。
[0079]
该步骤具体包括：
[0080]
s211，对每个消费者构建唯一的用户id；
[0081]
s212，统计每个用户id于一个目标消费周期内在全网进行的与样本商品相关的行为数据，基于预设权重对行为数据进行赋值汇总，得到对应用户id在一个目标消费周期内的支付数据。
[0082]
其中，所述行为数据，包括：对应消费者的支付数据、分享数据。
[0083]
在实施中，由于在现有消费环境中，消费者与商家之间的消费行为并不是单一的购买，还会有点赞、分享、好评、转发等不同的促进消费形成的行为，因此本技术实施例一提出的获取支付数据，除了单一的消费者付出的款项外，还会包括其他促使消费形成的行为，均能够作为计算应发行积分发行量的参考数据。
[0084]
需要着重说明的是，本实施例中其他促使消费的行为，仅是用于在获取到支付数据前提下、对前一周期计算的积分量进行分配时的参考。进行积分计算以及分配的前提是每个周期均获取到支付数据。如果某个周期内没有支付数据，也就是没有足够的收入，那其他促使消费成立的行为均不会获取到积分。
[0085]
不同类型的行为数据如表2所示：
[0086][0087]
[0088]
表2不同消费行为数据清单
[0089]
根据商家侧重的行为分配不同，可以针对性的为每类数据分配不同的权重值。这样根据用户在全网唯一的用户id可追踪获取每个用户对应该商家的全部行为数据，进而汇总得到该用户的支付数据，最终作为在独立积分管理向该用户在每个目标消费周期结束后分配收缩型积分的参考。
[0090]
以上所述仅为本技术的实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。