基于动销敏感的高端高加卷烟运营策略方法与流程

1.本发明涉及的是烟草流通技术领域，具体涉及一种基于动销敏感的高端高加卷烟运营策略方法。


背景技术：

2.现有的烟草零售相关的研究内容，已经基本完成了从数据源的引入、清洗处理、算法设计、结果展示的全流程通路，整体流程上已叫为固化，但在算法细节上，仍需要更多对市场本体运作方式的研究、更符合实际逻辑的算法优化、更细化到具体需求的解决方案。以往研究当中，并未针对投放策略相关内容，进行更为深入的探究。
3.综上所述，现有的烟草市场状态分析的相关模型当中，缺乏对卷烟市场价格数据的深入研究，对于卷烟市场状态的剖析不够全面。因此，本发明设计了一种基于动销敏感的高端高加卷烟运营策略方法。


技术实现要素：

4.针对现有技术上存在的不足，本发明目的是在于提供一种基于动销敏感的高端高加卷烟运营策略方法，显示符合svg，dxf等标准矢量格式的图形在大屏幕上显示，用于指导卷烟投放策略的实时监测。系统连接了实时的数据接口，使用hdfs存储实时数据，并通过spark计算相应模型结果，将计算结果反映到大屏上；研究深入，剖析全面。
5.为了实现上述目的，本发明是通过如下的技术方案来实现：基于动销敏感的高端高加卷烟运营策略方法，基于apache hadoop，将业务数据收集、清洗后，使用hdfs存储数据，使用mapreduce计算出用户画像。计算结果保存在hive中，通过帆软报表，将数据结果进行展示。
6.具体包括以下步骤：
7.1、原始数据导入到达梦数据库中，进行业务数据收集，清洗过程。打开dm管理工具，查询基础数据；
8.2、将数据导入大数据系统，使用hdfs存储数据，并使用yarn进行资源的统一调度和管理，同时使用tachyon提高文件访问速度；
9.3、利用spark中的随机森林算法，计算出用户画像；将分析结果保存到hive中，hive将sql语句转换为mapreduce,以此简化数据操作，缩短开发周期；spark自带一个包含常见机器学习算法的库——mllib。mllib提供了常见的机器学习算法，这些算法基于高级的dataframe api构建，可用于搭建模型；这些api允许提取或转化特征，构建用于训练和评估模型的流水线，并在不同环境间持久化模型；
10.4、使用帆软报表，连接hive数据库，将分析结果使用可视化的图表展示。
11.所述的基于动销敏感的高端高加卷烟运营平台，包括数据展示、数据分析、数据计算、数据存储及数据源。
12.本发明具有以下有益效果：本发明系统显示符合svg，dxf等标准矢量格式的图形
在大屏幕上显示，用于指导卷烟投放策略的实时监测。系统连接了实时的数据接口，使用hdfs存储实时数据，并通过spark计算相应模型结果，将计算结果反映到大屏上。
13.1、在市场状态分析过程中，引入更多价格相关统计变量；
14.2、在客户销售预期的算法模型当中，首次提出动销敏感曲线概念，使用动销敏感曲线模型预测不同档位零售户对于单个品规的销售预期；
15.3、在区域潜力评估模块当中，首次引入外部互联网大数据。
附图说明
16.下面结合附图和具体实施方式来详细说明本发明；
17.图1为本发明的平台架构图；
18.图2为本发明的流程图；
19.图3为本发明实施例的具体流程图。
具体实施方式
20.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
21.参照图1-2，本具体实施方式采用以下技术方案：基于动销敏感的高端高加卷烟运营策略方法，基于apache hadoop，将业务数据收集、清洗后，使用hdfs存储数据，使用mapreduce计算出用户画像。计算结果保存在hive中，通过帆软报表，将数据结果进行展示。
22.具体包括以下步骤：
23.1、原始数据导入到【达梦数据库】中，进行业务数据收集，清洗过程。打开【dm管理工具】，可以查询基础数据；
24.2、将数据导入大数据系统，使用【hdfs】存储数据，并使用【yarn】进行资源的统一调度和管理，同时使用【tachyon】提高文件访问速度。该步骤通过自建程序，实现数据的从达梦数据库存储到hdfs；
25.3、利用【spark】中的随机森林算法，计算出用户画像。将分析结果保存到【hive】中，hive可以将sql语句转换为【mapreduce】,以此简化数据操作，缩短开发周期。spark自带一个包含常见机器学习算法的库——mllib。mllib提供了很多常见的机器学习算法，这些算法基于高级的dataframe api构建，可用于搭建模型。这些api允许你提取或转化特征，构建用于训练和评估模型的流水线，并在不同环境间持久化模型(包括保存和重新加载)；
26.4、使用帆软报表，连接hive数据库，将分析结果使用可视化的图表展示。打开浏览器，输入http://10.188.15.76:8080/webroot/decision，进入菜单，选择【市场景气指数展示】和【单品投放策略展示】。
27.所述的基于动销敏感的高端高加卷烟运营平台，包括数据展示、数据分析、数据计算、数据存储及数据源。
28.实施例1：参照图3，基于动销敏感的高端高加卷烟运营策略方法，具体包括以下步骤：
29.1、烟草零售扫码终端当期数据传入(自动修正机制+人工修正机制)；若因品规当前货源进度品规季节调整因素，直接跳到步骤4；
30.2、计算当期卷烟品规多维度市场状态指标；
31.3、当期卷烟品规市场状态判断；
32.4、当期卷烟品规动销敏感曲线生成
33.5、输出当期品规投放策略；
34.6、外部区域人群画像数据源与烟草数据库历史相关数据查询进行客户竞争力评估；
35.7、外部区域人群画像数据源通过统计分析卷烟市场状态评判标准与策略执行步骤3；
36.8、外部区域人群画像数据源通过客户价值阶梯矩阵、客户价值标签，执行步骤5；
37.9、烟草数据库历史相关数据查询通过立式品类投放均量后，执行步骤4；
38.10、烟草数据库历史相关数据查询通过历史品规投放策略后执行步骤5。
39.以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。


技术特征：
1.基于动销敏感的高端高加卷烟运营策略方法，其特征在于，基于apache hadoop，将业务数据收集、清洗后，使用hdfs存储数据，使用mapreduce计算出用户画像；计算结果保存在hive中，通过帆软报表，将数据结果进行展示。2.根据权利要求1所述的基于动销敏感的高端高加卷烟运营策略方法，其特征在于，具体包括以下步骤：(1)、原始数据导入到达梦数据库中，进行业务数据收集，清洗过程；打开dm管理工具，查询基础数据；(2)、将数据导入大数据系统，使用hdfs存储数据，并使用yarn进行资源的统一调度和管理，同时使用tachyon提高文件访问速度；(3)、利用spark中的随机森林算法，计算出用户画像；将分析结果保存到hive中，hive将sql语句转换为mapreduce,以此简化数据操作，缩短开发周期；spark自带一个包含常见机器学习算法的库——mllib；mllib提供了常见的机器学习算法，这些算法基于高级的dataframe api构建，可用于搭建模型；这些api允许提取或转化特征，构建用于训练和评估模型的流水线，并在不同环境间持久化模型；(4)、使用帆软报表，连接hive数据库，将分析结果使用可视化的图表展示。3.基于动销敏感的高端高加卷烟运营平台，其特征在于，包括数据展示、数据分析、数据计算、数据存储及数据源。

技术总结
本发明公开了一种基于动销敏感的高端高加卷烟运营策略方法，基于ApacheHadoop，将业务数据收集、清洗后，使用HDFS存储数据，使用MapReduce计算出用户画像；计算结果保存在Hive中，通过帆软报表，将数据结果进行展示。本发明系统显示符合SVG，DXF等标准矢量格式的图形在大屏幕上显示，用于指导卷烟投放策略的实时监测。系统连接了实时的数据接口，使用HDFS存储实时数据，并通过Spark计算相应模型结果，将计算结果反映到大屏上。将计算结果反映到大屏上。将计算结果反映到大屏上。


技术研发人员：黄东东
受保护的技术使用者：福建省烟草公司福州市公司
技术研发日：2023.02.22
技术公布日：2023/7/19