一种基于用户行为采集分析的商机推荐方法

摘要

本发明涉及商品推荐技术领域，且公开了一种基于用户行为采集分析的商机推荐方法，包括以下步骤，S1，进行植入系统预设；S2，对用户的浏览页面基于AI技术进行分析；S3，对用户在系统的所有行为进行数据采集确定；S4，对用户在系统的所有行为进行数据收集；S5，对用户在系统的所有行为进行数据存储与分析；S6，对用户进行行为习惯模型分析；S7，对用户行为分析结果进行商机推送；S8，对用户行为分析结果与AI计算结果作数据对比。该一种基于用户行为采集分析的商机推荐方法，通过引用采集模块，实现收集并分析用户的行为信息，集入AI人工智能自动分析用户行为可能带来的商机可能性，达到最终不错过任何一个客户的可能。

说明书

技术领域

本发明涉及商品推荐技术领域，具体为一种基于用户行为采集分析的商机推荐方法。

背景技术

随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客陷入海量信息中，需要花费大量的时间才能找到自己想买的商品，这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失，很难快速且有效地做出购买决策。为了解决这些问题，个性化推荐系统应运而生，个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品，是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

现有技术存在以下缺陷与不足：

在网络发达的今天，各电商类商品层出不穷。大多数电商在运营一段时间后纷纷停营。开发、运营、广告等投入的金钱、时间、精力，都不能转换为该有的回报，在好的产品卖不出去的同时，用户对参差不齐的产品也不知如何选择，现有的数据收集系统有收集数据不全面，易丢失，难追溯，难分析等诸多缺陷，已开发完成的系统想集入追溯模块二次开发周期长难度大。

发明内容

针对现有技术的不足，本发明提供了一种基于用户行为采集分析的商机推荐方法，可以解决现有的数据收集系统有收集数据不全面，易丢失，难追溯，难分析等诸多缺陷，已开发完成的系统想集入追溯模块二次开发周期长难度大问题；本发明通过引用一种采集模块，实现收集并分析用户的行为信息，集入AI人工智能自动分析用户行为可能带来的商机可能性，通过手动干预配置帮助AI更精准的学习，达到最终不错过任何一个客户的可能。

为实现上述的一种基于用户行为采集分析的商机推荐方法目的，本发明提供如下技术方案：一种基于用户行为采集分析的商机推荐方法，包括以下步骤，

步骤一，以插件模式在用户app或网页进行植入系统预设；

步骤二，通过app或网页植入系统对用户的浏览页面基于AI技术进行分析；

步骤三，通过植入系统对用户在系统的所有行为进行数据采集确定；

步骤四，通过植入系统对用户在系统的所有行为进行数据收集；

步骤五，通过植入系统对用户在系统的所有行为进行数据存储与分析；

步骤六，通过植入系统对用户进行行为习惯模型分析；

步骤七，通过植入系统对用户行为分析结果进行商机推送；

步骤八，通过植入系统对用户行为分析结果与AI计算结果作数据对比。

优选的，所述植入系统使用插件模式静默处理，独立与原有系统，全程不影响用户浏览体验；所述系统预设包括预先配置系统属性等参数，用户第一次打开页面根据以往数据自动加载该用户的行为习惯模型。

优选的，所述用户的浏览页面通过类爬虫技术分析，包括文本图片等信息，所述基于AI技术进行分析包括AI技术分析页面基础元素，如页面匹配到多个商品属性，则自动将该页面归属为购买页面，如果页面基础元素不能提供足够的信息分析页面属性，则使用图片识别技术逐步自动分析页面图片，获取图片关键信息进一部确认页面属性，AI最终确认页面属性后根据预设生成预采集数据块。

优选的，所述用户在系统的所有行为，包括浏览，停留，事件交互。

优选的，所述数据收集方式为根据AI自动解析页面内容的结果与用户浏览事件，AI根据内容分析浏览完的停留时间与其他用于平均停留时间判断是否为有效停留，根据大数据自动过滤掉无效停留时间即用户超出平均部分的时间与用户下一次响应时间间隔，如果有效则往采集数据块追加停留时间，同时系统判断如果用户在所有页面的停留时间均不同于大数据平均时间则自动更新用户数据模型为与之更为匹配的浏览速率模型，同时模块自动监听页面事件，在用户与系统有交互时自动记录该次交互，并且根据交互次数与用户以往生成的行为对象结果自动匹配本次交互为有效交互的可能性，并记录该数据到数据块中。

优选的，所述数据存储与分析方式为用户在长时间没相应或者结束某一阶段的浏览后，自动将用户本阶段的访问数据上传到数据处理中心，数据处理中心先记录本次浏览数据，记录完成后系统根据本次记录的页面属性从用户以往类似行为习惯数据中调取数据，与本次或最近的行为习惯集进行匹配，具体包括为如下单类页面获取用户以往形成下单前的操作包括但不限于有效停留页面时间，浏览次数，点击下单次数，加入购物车次数与本次的行为习惯进行匹配，匹配相似度越高代表可能带来下单的可能性越大，可能性超过通知预设值时则将商机推送给商家进行进一部沟通联系。

优选的，所述行为习惯模型分析方式为当采集同一用户的数据信息达到一定量级，AI根据用户以往的所有行为操作习惯数据与大数据下用户下单平均停留时间，浏览次数，购物车，下单等事件的点击次数，配合计算的预设值生成用户行为模型即该用户下单平均的同等条件的数值，习惯模型根据用户浏览次数的上升自动优化即同类型页面浏览次数越多预测越准确。

优选的，所述商机推送方式为当用户某次的访问数据带来商机的可能性超过预设值，系统自动推送消息给商家，提供给商家用户本次的操作行为分析结果。

优选的，所述数据对比方式为查看用户最终的结果与AI计算的结果对比，如AI分析本次结果最终带来商机，用户行为与AI预测结果相反，则AI自动降低对比的预设值，以达到后面的访问更精准得预测行为结果。

与现有技术相比，本发明提供了一种基于用户行为采集分析的商机推荐方法，具备以下有益效果：

本一种基于用户行为采集分析的商机推荐方法，通过采用一种植入系统的数据采集模块，任何系统不需要过多的修改原系统前提下，仅需引用该采集模块，实现收集并分析用户的行为信息，并通过集入AI人工智能自动分析用户行为可能带来的商机可能性，另外通过手动干预配置帮助AI更精准的学习，达到最终不错过任何一个客户的可能。

附图说明

图1为本发明商机推荐方法的流程图。

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1，一种基于用户行为采集分析的商机推荐方法，包括以下步骤，首先以插件模式在用户app或网页进行植入系统预设；然后通过app或网页植入系统对用户的浏览页面基于AI技术进行分析；之后通过植入系统对用户在系统的所有行为进行数据采集确定；之后通过植入系统对用户在系统的所有行为进行数据收集；之后通过植入系统对用户在系统的所有行为进行数据存储与分析；之后通过植入系统对用户进行行为习惯模型分析；之后通过植入系统对用户行为分析结果进行商机推送；最后通过植入系统对用户行为分析结果与AI计算结果作数据对比。

综上，植入系统使用插件模式静默处理，独立与原有系统，全程不影响用户浏览体验；系统预设包括预先配置系统属性等参数，用户第一次打开页面根据以往数据自动加载该用户的行为习惯模型，用于对比用户操作行为；用户的浏览页面通过类爬虫技术分析，包括文本图片等信息，AI技术分析页面基础元素，如页面匹配到多个商品属性（包括但不限于价格，评价，商品介绍，购物车，下单等）则自动将该页面归属为购买页面，如果页面基础元素不能提供足够的信息分析页面属性，则使用图片识别技术逐步自动分析页面图片，获取图片关键信息进一部确认页面属性，AI最终确认页面属性后根据预设生成预采集数据块（如购买类包括但不限于商品基础数据，详细数据，下单操作，加入购物车操作；新闻类包括但不限于新闻主题，新闻详情等；未预设的新行业辅助分析行业基础信息后预设采集数据块即可）；用户在系统的所有行为，包括浏览，停留，事件交互；数据收集方式为根据AI自动解析页面内容的结果与用户浏览事件，AI根据内容分析浏览完的停留时间与其他用于平均停留时间判断是否为有效停留，根据大数据自动过滤掉无效停留时间即用户超出平均部分的时间与用户下一次响应时间间隔，如果有效则往采集数据块追加停留时间。同时系统判断如果用户在所有页面的停留时间均不同于大数据平均时间则自动更新用户数据模型为与之更为匹配的浏览速率模型（如系统根据内容判断出浏览时间应为1，用户所有页面浏览时间约为1.1，则自动跟新浏览速度为1.1，下次默认时间为1.1的为有效浏览）。同时模块自动监听页面事件，在用户与系统有交互时自动记录该次交互，并且根据交互次数与用户以往生成的行为对象结果自动匹配本次交互为有效交互的可能性，并记录该数据到数据块中；数据存储与分析方式为用户在长时间没相应或者结束某一阶段的浏览后，自动将用户本阶段的访问数据上传到数据处理中心，数据处理中心先记录本次浏览数据。记录完成后系统根据本次记录的页面属性从用户以往类似行为习惯数据中调取数据，与本次或最近的行为习惯集进行匹配。具体包括为如下单类页面获取用户以往形成下单前的操作包括但不限于有效停留页面时间，浏览次数，点击下单次数，加入购物车次数与本次的行为习惯进行匹配，匹配相似度越高代表可能带来下单的可能性越大，可能性超过通知预设值时则将商机推送给商家进行进一部沟通联系；行为习惯模型分析方式为当采集同一用户的数据信息达到一定量级，AI根据用户以往的所有行为操作习惯数据与大数据下用户下单平均停留时间，浏览次数，购物车，下单等事件的点击次数，配合计算的预设值生成用户行为模型即该用户下单平均的同等条件的数值，用于对比分析用户以后的行为判断行为结果，习惯模型根据用户浏览次数的上升自动优化即同类型页面浏览次数越多预测越准确；商机推送方式为当用户某次的访问数据带来商机的可能性超过预设值，系统自动推送消息给商家，提供给商家用户本次的操作行为分析结果；数据对比方式为查看用户最终的结果与AI计算的结果对比，如AI分析本次结果最终带来商机，用户行为与AI预测结果相反，则AI自动降低对比的预设值（如计算结果模型显示用户三次即形成下单操作，本次浏览达到预期次数却没有达到预期结果则自动修改模型为三以下，记录数据越多用户行为模型数据越准确），以达到后面的访问更精准得预测行为结果。

本发明的工作使用流程以及安装方法为，本一种基于用户行为采集分析的商机推荐方法在使用时，通过采用一种植入系统的数据采集模块，任何系统不需要过多的修改原系统前提下，仅需引用该采集模块，实现收集并分析用户的行为信息，并通过集入AI人工智能自动分析用户行为可能带来的商机可能性，另外通过手动干预配置帮助AI更精准的学习，达到最终不错过任何一个客户的可能。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。