一种基于点位片段客流的商家品牌-点位的营销效果预估方法与流程

1.本发明属于计算机技术领域，具体涉及一种基于点位片段客流的商家品牌-点位的营销效果预估方法。


背景技术：

2.随着线上流量红利瓶颈的出现和消费者的消费升级，商家线下营销、消费者线下体验的需求增长，线下流量越来越受重视。商家在线下举办快闪活动或者其他类型门店选址时需要对具体位置门店进行活动效果或开店销售效果的大致评估，以期找到最佳的场地进行营销宣传活动或者开店营业。
3.当前商家在考察活动场地时都是主要看场地的客流量，依靠人工在待考察的场地进行长时间的客流量观测记录，依靠人工经验评估出场地的大致客流量，或者直接向数据服务商购买场地客流量数据，再根据自身品牌在其他位置的进店率和转化率大致预估出销售额，这种方法存在很多弊端，一方面依靠人工长时间观测费时费力，尤其是连锁品牌对于全国性的大范围选址需求时耗费大量的人力成本，人工经验预估也只是简单的大概测算，没有大数据的支持，准确度不可靠。另一方面即使购买了数据服务商的数据，现有的数据服务商的客流量数据范围大，没有点位级别的数据，同一片区域的不同位置客流量差异比较大，因此需要更细粒度的数据支持商家更好的选择活动点位。最后客流量的预估只是一方面，进店率和转化率还跟客群画像，品牌对场地客群的是否匹配、品牌对客群的吸引力大小有关，不能仅根据客流量测算直接判断活动效果。
4.基于上述当前存在的问题，提供一种基于点位片段客流的商家品牌-点位的营销效果预估方法，以解决商家对不同点位的商业空间活动效果或开店销售效果评估。


技术实现要素：

5.针对现有技术中存在的没法预测点位级客流量的问题，本发明提供了一种有利于商家对点位是否能开业有一个精准把握，也有利于商家节省成本及提高商家拓店及活动场地点位的评估效率，且成本低的基于点位片段客流的商家品牌-点位的营销效果预估方法。
6.本发明采用的技术方案如下：一种基于点位片段客流的商家品牌-点位的营销效果预估方法，步骤如下：
7.步骤1：采集离线训练数据、商家品牌信息brand_info(b)、商家品牌位置信息brand_poi_info(poi,b)、商家品牌位置的营销效果信息brand_poi_sales_info(poi,b)、点位客流量数据
8.flow(poi,t)、点位位置信息loc_info(poi)、场地信息place_info(place)及点位信息poi_info(poi)，周边信息sur_info(place)、环境信息context(place)；
9.步骤2：构造片段客流样本：把点位连续的客流明细拆分组合统计出大量的片段客流量样本，包含具体时间、具体时长，时长内客流量，当日客流量；
10.步骤3：数据处理、特征工程与模型训练：
11.步骤4：采集准备大量的片段客流视频：其中片段客流视频可以来自上述步骤1的采集的客流量视频数据进行片段拆分成大量的片段视频样本，还有通过手机或者其他视频录制设备在不同场地点位采集到的若干分钟的片段，其中n是0-60分钟的任意数值；
12.步骤5：训练客流人数统计模型：通过视频人物跟踪算法对采集到的视频样本及利用公开的视频数据集，训练调参出适用于当前场景的最优模型；
13.步骤6：基于片段客流视频的模型客流预测在线推理。
14.优选地，其中，商家品牌信息库brand_info包含行业、细分品类、企业、连锁门店数、品牌定位、目标客群、产品均价、竞品品牌，其中包含待评估的品牌；
15.商家品牌位置信息brand_poi_info(poi,b)、包含品牌所在场地，开业时间；其中包含待评估的品牌；
16.商家品牌位置的营销效果信息brand_poi_sales_info(poi,b)包含具体位置的品牌的营销活动效果数据，营销活动效果针对不同门店类型及不同开店目标有不同的定义，门店类型包含快闪店、慢闪店、正铺，不同开店目标包含获客、曝光，售卖，试水，那么根据不同的开店目标制定不同的指标来衡量开店效果，获客数、曝光数、售卖数，指标定义为i1，其中包含待评估的品牌；
17.点位客流量数据flow(poi,t)是固定在点位连续一天以上的明细数据，明细是指不同标识的人具体出现在点位的时间点，通过明细数据能统计出点位视频统计日期内具体时段、分钟、或者一天的客流数，数据可通过固定在点位的人数统计视频设备统计或者是数据提供商直接提供的明细数据，其中包含待评估的品牌已开的门店的客流量数据；
18.点位位置信息loc_info(poi)包含点位的省市区、经纬度、所处商圈，城市级、城市类型，所在场地；其中包含待评估的品牌已开门店的点位位置信息；
19.场地信息place_info(place)包含场地地址、场地类型、场地编号、场地面积、建筑时间、场地楼层、场地平均租金、场地品牌门店分布、客流量水平、消费水平场地标签画像、场地业态分布、场地客群人群画像、场地历史成交信息，其中场地类型涉及商场、写字楼、景区，街铺、小区，场地指的是具体的购物中心、写字楼、小区、楼宇名称和编号；其中包含待评估的品牌已开门店的场地信息；
20.点位信息poi_info(poi)包含点位具体信息，点位指的是待开店或者举办商业活动的待评估其过店客流的位置，点位信息具体指的是点位的详细信息，包含所处楼层、门牌号、所处楼层业态分布、点位当前门店品牌、点位附近品牌及行业信息、点位租金、点位店铺类型、点位门店面积、点位客流量；其中包含待评估的品牌已开门店的点位具体信息；
21.周边信息sur_info(place)包含场地周边的交通设施、公共设施；
22.环境信息context包含天气、季节、节假日、星期、促销活动；其中包含待评估的品牌已开门店的信息。
23.优选地，整个过程的处理过程依实际测试集的评估效果而定，包含缺失值处理、离群点处理、特征编码、特征衍生、特征变换、特征选择、特征组合、模型选择、模型调参，选出最优的模型a；使用的预测算法包括：统计方法、聚类 统计，机器学习算法和深度学习算法，模型融合方法集合{mi}，预测出日营销效果之后，还能根据上述提到的方法{mi}构造最优模型b进行当月工作日和非工作日营销效果的预测，再根据月营销效果上述提到的方法{mi}
构造最优模型c,进行点位全年营销效果估计。
24.优选地，整体模型预测目标是营销效果i1，i1包含点位片段客流当日预计营销效果，当月日均营销效果、未来一年每月日均营销效果。
25.优选地，样本特征构造和预测有两种方式可以选择：
26.方式一样本s1:把片段客流量根据时长占比按占比系数换算成一个小时的客流量，再根据具体小时，小时客流量及其步骤1描述的其他信息去构造特征；
27.方式二样本s2：直接步骤2的样本及其步骤1描述的其他信息去构造特征。
28.优选地，预测方式包括，方式一m1是直接预测法；方式二m2是先预测客流量再预测进店率、转化率得到最终的营销效果数；方式三m3是先预测客流量再把预测出来的客流量当做特征再预测最终的营销效果数。
29.优选地，预测方法m1直接通过样本s1或者样本s2通过方法集合{mi}选出最优的模型；
30.预测方法m2客流量模型的预测目标有两种方式：方式一预测目标t1是把当日客流量当做预测目标，方式二预测目标t2是片段客流所属的小时在一天总客流量占比；客流量预测、进店率和转化率预测通过通过方法集合{m_i}各自选出最优的模型；
31.预测方法m3如上m2先得到客流量模型，再加上此客流预测结果特征训练得到营销效果。
32.优选地，其中统计方法是可以根据历史数据统计历史分布；
33.其中聚类 统计方法是对点位先进行聚类，再根据上述统计方法各类点位的分布；
34.其中机器学习算法包含线性回归、岭回归、lasso回归、决策树、随机森林、xgboost、lightgbm及其各种模型结果的组合，根据片段的客流量预测出当日客流量；
35.其中深度学习方法包含不同深度的神经网络及其不同神经网络的组合；
36.其中模型融合方法包含上述提到的方法任意组合方式得到的结果再进行组合的方式。
37.优选地，基于片段客流视频的模型客流预测在线推理的具体步骤如下：
38.首先采集踩点任务的信息：包括步骤1中的位置信息、点位信息、场地信息、点位信息、周边信息、环境信息，待开展活动品牌；
39.其次：通过手机设备或者其他的客流视频拍摄设备录制待评估客流的点位客流视频，可以拍摄若干段n分钟视频，拍摄时段分布在点位的营业时间；依次分析出各段视频的客流量人数，得到视频拍摄时间及其对应的客流量；
40.然后：根据若干点位时间客流量根据步骤3模型分别输出营销效果的预测结果集，其中点位一个片段对应一个客流样本会有对应模型的一个预测结果r1；
41.最后：同一个点位多个片段会有多个预测结果，而一个点位的实际客流只有一个值，随着输入片段的增加会把同一点位不同片段的输出结果选择不同策略综合输出最终的一个结果r2，输出策略有多种方式，其中可以是通过简单把每段的结果进行平均，也可以是多段样本先剔除异常片段再平均的方式，也可以是根据不同片段的重要性灵活设置参数权重加权平均，也可以根据方法集合{mi}把历史数据把不同片段客流的预测结果加入特征再训练一个模型，输出模型d，在线推理时把不同片段预测出的结果r1加上客流样本其他特征再放进模型d,再次输出结果，再对各段样本结果求平均得到最终结果r2。
42.本发明的有益效果如下：面对当前商家对拓店及其活动选址的难点和痛点，点位级营销效果的预测给商家提供了比较直接精准的效果信息，比直接客流量预估直观，还考虑了场地的人群画像，能更精准的预测效果，避免造成信息误差和后续的投入损失。而且基于片段客流视频的方法也给商家减少了点位评估的人力精力投入，是一种低成本场地点位效果评估方法，总的来说本发明有利于商家对点位是否能开业有一个精准把握，也有利于商家节省成本及提高商家拓店及活动场地点位的评估效率。
附图说明
43.图1是本发明实施例采用该方法的具体流程图；
44.图2和图3是本发明实施例采用该方法的具体结果展示示例图。
具体实施方式
45.下面结合附图、附表详细描述本发明，本发明的目的和效果将变得更加明显。
46.步骤1：采集离线训练数据：、商家品牌信息brand_info(b)、商家品牌位置信息brand_poi_info(poi,b)、商家品牌位置的营销效果信息brand_poi_sales_info(poi,b)、点位客流量数据flow(poi,t)、点位位置信息loc_info(poi)、场地信息place_info(place)及点位信息poi_info(poi)，周边信息sur_info(place)、环境信息context(place)等；
47.其中，商家品牌信息库brand_info包含行业、细分品类、企业、连锁门店数、品牌定位、目标客群、产品均价、竞品品牌等，其中包含待评估的品牌。
48.商家品牌位置信息brand_poi_info(poi,b)、包含品牌所在场地，开业时间等；其中包含待评估的品牌。
49.商家品牌位置的营销效果信息brand_poi_sales_info(poi,b)包含具体位置的品牌的营销活动效果数据，营销活动效果针对不同门店类型及不同开店目标有不同的定义，门店类型包含快闪店、慢闪店、正铺等，不同开店目标包含获客、曝光，售卖，试水等，那么根据不同的开店目标制定不同的指标来衡量开店效果，，获客数、曝光数、售卖数等，指标定义为i1。其中包含待评估的品牌。
50.点位客流量数据flow(poi,t)是固定在点位连续一天以上的明细数据，明细是指不同标识的人具体出现在点位的时间点，通过明细数据能统计出点位视频统计日期内具体时段、分钟、或者一天的客流数，数据可通过固定在点位的人数统计视频设备统计或者是数据提供商直接提供的明细数据，其中包含待评估的品牌已开的门店的客流量数据；
51.点位位置信息loc_info(poi)包含点位的省市区、经纬度、所处商圈，城市等级、城市类型，所在场地等；其中包含待评估的品牌已开门店的点位位置信息。
52.场地信息place_info(place)包含场地地址、场地类型、场地编号、场地面积、建筑时间、场地楼层、场地平均租金、场地品牌门店分布、客流量水平、消费水平等场地标签画像、场地业态分布、场地客群人群画像、场地历史成交信息等，其中场地类型涉及商场、写字楼、景区，街铺、小区等，场地指的是具体的购物中心、写字楼、小区、楼宇等名称和编号；其中包含待评估的品牌已开门店的场地信息。
53.点位信息poi_info(poi)包含点位具体信息，点位指的是待开店或者举办商业活动的待评估其过店客流的位置，点位信息具体指的是点位的详细信息，包含所处楼层、门牌
号、所处楼层业态分布、点位当前门店品牌、点位附近品牌及行业信息、点位租金、点位店铺类型、点位门店面积、点位客流量等；其中包含待评估的品牌已开门店的点位具体信息。
54.周边信息sur_info(place)包含场地周边的交通设施、公共设施(加油站、充电站等)；
55.环境信息context包含天气、季节、节假日、星期、促销活动等；其中包含待评估的品牌已开门店的信息。
56.步骤2：构造片段客流样本：把点位连续的客流明细拆分组合统计出大量的片段客流量样本，包含具体时间(日期小时)、具体时长(单位/秒)，时长内客流量，当日客流量；
57.步骤3：数据处理、特征工程与模型训练：
58.整体模型预测目标是营销效果i1，i1包含点位片段客流当日预计营销效果(假设当日有开店的话)，当月日均营销效果、未来一年每月日均营销效果。
59.样本特征构造有两种方式可以选择：
60.样本s1:把片段客流量根据时长占比按占比系数换算成一个小时的客流量，再根据具体小时，小时客流量及其步骤1描述的其他信息去构造特征；
61.样本s2：直接步骤2的样本及其步骤1描述的其他信息去构造特征；
62.预测方式有很多种，方式一m1是直接预测法，方式二m2是先预测客流量再预测进店率、转化率得到最终的营销效果数。方式三m3是先预测客流量再把预测出来的客流量当做特征再预测最终的营销效果数。
63.使用的预测算法也有很多种选择：统计方法、聚类 统计，机器学习算法和深度学习算法，模型融合等方法集合{mi}，。
64.其中统计方法是可以根据历史数据统计历史分布
65.其中聚类 统计方法是对点位先进行聚类，再根据上述统计方法各类点位的分布。
66.其中机器学习算法包含线性回归、岭回归、lasso回归、决策树、随机森林、xgboost、lightgbm等及其各种模型结果的组合，根据片段的客流量预测出当日客流量；
67.其中深度学习方法包含不同深度的神经网络及其不同神经网络的组合；
68.其中模型融合方法包含上述提到的方法任意组合方式得到的结果再进行组合的方式。
69.预测方法m1直接通过样本s1或者样本s2通过方法集合{mi}选出最优的模型。
70.预测方法m2客流量模型的预测目标有两种方式：方式一预测目标t1是把当日客流量当做预测目标，方式二预测目标t2是片段客流所属的小时在一天总客流量占比。客流量预测、进店率和转化率预测通过通过方法集合{m_i}各自选出最优的模型。
71.预测方法m3如上m2先得到客流量模型，再加上此客流预测结果特征训练得到营销效果。
72.整个过程的处理过程依实际测试集的评估效果而定，包含缺失值处理、离群点处理、特征编码、特征衍生、特征变换、特征选择、特征组合、模型选择、模型调参等，选出最优的模型a。
73.预测出日营销效果之后，还能根据上述提到的方法{mi}构造最优模型b进行当月工作日和非工作日营销效果的预测，再根据月营销效果上述提到的方法{mi}构造最优模型c,进行点位全年营销效果估计；
74.步骤4：采集准备大量的片段客流视频：其中片段客流视频可以来自上述步骤1的采集的客流量视频数据进行片段拆分成大量的片段视频样本，还有通过手机或者其他视频录制设备在不同场地点位采集到的若干分钟的片段，其中n是0-60分钟的任意数值。
75.步骤5：训练客流人数统计模型：通过视频人物跟踪算法对采集到的视频样本及利用公开的视频数据集，训练调参出适用于当前场景的最优模型。
76.步骤6：基于片段客流视频的模型客流预测在线推理：
77.首先采集踩点任务的信息：包括步骤1中的位置信息、点位信息、场地信息、点位信息、周边信息、环境信息，待开展活动品牌等；
78.其次：通过手机设备或者其他的客流视频拍摄设备录制待评估客流的点位客流视频，可以拍摄若干段n分钟视频，拍摄时段分布在点位的营业时间(活动时间内任意小时内的时长1-60分钟内视频)；依次分析出各段视频的客流量人数，得到视频拍摄时间及其对应的客流量；
79.然后：根据若干点位时间客流量根据步骤3模型分别输出营销效果的预测结果集，其中点位一个片段对应一个客流样本会有对应模型的一个预测结果r1；
80.最后：同一个点位多个片段会有多个预测结果，而一个点位的实际结果只有一个值，随着输入片段的增加会把同一点位不同片段的输出结果选择不同策略综合输出最终的一个结果r2，输出策略有多种方式，其中可以是通过简单把每段的结果进行平均，也可以是多段样本先剔除异常片段再平均的方式，也可以是根据不同片段的重要性灵活设置参数权重加权平均，也可以根据方法集合{mi}把历史数据把不同片段客流的预测结果加入特征再训练一个模型，输出模型d，在线推理时把不同片段预测出的结果r1加上客流样本其他特征再放进模型d,再次输出结果，再对各段样本结果求平均得到最终结果r2。
81.本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。