一种汽车智能数据分析决策方法及系统与流程

本发明提出了一种汽车智能数据分析决策方法及系统，涉及数据分析决策，具体涉及汽车智能数据分析决策。

背景技术：

1、随着汽车市场的不断发展和消费者需求的日益多样化，汽车推荐系统已成为汽车销售和服务领域的重要工具。然而，传统的汽车推荐系统往往依赖于静态的数据库信息和简单的匹配算法，难以准确捕捉和响应客户的个性化需求和动态变化的市场环境。现有技术中，汽车推荐系统通常通过收集和分析客户的购车历史、浏览行为、搜索记录等信息，构建客户画像，并基于这些画像信息向客户推荐可能感兴趣的汽车品牌和型号。然而，这些系统往往忽略了汽车库存数据的实时性和多样性，以及客户反馈对推荐效果的重要影响。此外，传统系统在数据处理和关联分析方面也存在一定的局限性，难以充分挖掘和利用数据中的潜在价值。

技术实现思路

1、本发明提供了一种汽车智能数据分析决策方法及系统，用以解决现有技术忽略了汽车库存数据的实时性和多样性，以及客户反馈对推荐效果的重要影响。此外，传统系统在数据处理和关联分析方面也存在一定的局限性，难以充分挖掘和利用数据中的潜在价值等问题：

2、本发明提出的一种汽车智能数据分析决策方法，所述方法包括：

3、s1、获取历史汽车库存数据，分为品牌种类数据和性能种类数据，对其进行预处理，获取预处理后的品牌种类数据、性能种类数据和客户需求数据，对各种数据进行关联，获得关联整合数据；

4、s2、根据所述关联整合数据获取目标汽车的品牌种类期望数据和性能种类期望数据，根据所述品牌种类期望数据和性能种类期望数据获取关联期望品牌数据和关联期望性能数据；

5、s3、将关联期望品牌数据和关联期望性能数据分别与当前汽车库存数据进行匹配，计算每个品牌匹配汽车和性能匹配汽车的需求匹配度，根据所述需求匹配度获取最优汽车推荐序列；

6、s4、获取客户推荐反馈信息，根据所述客户推荐反馈数据判断是否进行数据关联的更新，获得判断结果，根据判断结果对数据关联进行更新，进而对最优汽车推荐序列进行更新。

7、进一步地，所述s1包括：

8、获取历史汽车库存数据，按照汽车品牌种类对历史汽车库存数据进行分类，获得多个品牌种类数据，按照汽车性能种类对历史汽车库存数据进行分类，获得多个性能种类数据；

9、对每个品牌种类数据进行编号，获得每个汽车的需求编号数据；

10、对每个性能种类数据进行编号，获得每个汽车的性能编号数据；

11、获取历史客户需求数据，对每个客户需求数据进行编号，获得每个客户的客户编号数据；

12、对所述品牌种类数据、性能种类数据和客户编号数据进行预处理，获得预处理后的品牌种类数据、性能种类数据和客户需求数据；

13、获得每一客户需求数据确定的汽车的品牌种类数据和性能种类数据，对每个所述客户需求数据、其对应的汽车的品牌种类数据和性能种类数据进行关联，获得多个关联数据；

14、对所述多个关联数据进行组合，获得关联整合数据。

15、进一步地，所述s2包括：

16、获取关联整合数据中的浏览量对品牌种类进行期望排序，获得品牌种类期望数据排序；

17、获取关联整合数据中的浏览量对性能种类进行期望排序，获得性能种类期望数据排序；

18、计算关联整合数据中每个关联数据的排序之和，根据所述排序之和对关联数据进行排序，获得关联期望排序；

19、所述关联期望排序中的品牌种类期望数据和性能种类需求数据即为关联期望品牌数据和关联期望性能数据。

20、进一步地，所述s3包括：

21、将关联期望品牌数据与当前汽车库存数据匹配，获得客户的多个品牌匹配汽车；

22、将关联期望性能数据与当前汽车库存数据匹配，获得客户的多个性能匹配汽车；

23、根据关联期望品牌数据结合多个品牌匹配汽车数据计算每个品牌匹配汽车的需求匹配度；

24、根据关联期望性能数据结合多个性能匹配汽车数据计算每个性能匹配汽车的需求匹配度；

25、对品牌匹配汽车的需求匹配度进行排序，获得需求品牌序列；

26、对性能匹配汽车的需求匹配度进行排序，获得需求性能序列；

27、获取在关联期望排序中，需求品牌和需求性能的序号之和最小的关联数据对应的汽车，作为最优推荐汽车；

28、依次获取在需求品牌序列和需求性能序列的序列之和中，序列号第二小至第n小的关联数据对应的汽车，进而获得最优汽车推荐序列，根据最优汽车推荐序列对客户进行汽车推荐，获得汽车推荐数据。

29、进一步地，所述s4包括：

30、获取客户推荐反馈信息，按照预设异常种类对推荐反馈信息进行分类，获得多个预设异常种类的反馈异常分类信息；

31、将每个预设异常种类的反馈异常分类信息与对应种类的预设异常阈值进行比较，种类异常比较结果；

32、根据种类异常比较结果对目标汽车数据进行对应异常种类的关联数据的更新，进而对最优汽车推荐序列进行更新。

33、进一步地，所述系统包括：

34、需求关联模块，用于获取历史汽车库存数据，分为品牌种类数据和性能种类数据，对其进行预处理，获取预处理后的品牌种类数据、性能种类数据和客户需求数据，对各种数据进行关联，获得关联整合数据；

35、期望获取模块，用于根据所述关联整合数据获取目标汽车的品牌种类期望数据和性能种类期望数据，根据所述品牌种类期望数据和性能种类期望数据获取关联期望品牌数据和关联期望性能数据；

36、期望匹配模块，用于将关联期望品牌数据和关联期望性能数据分别与当前汽车库存数据进行匹配，计算每个品牌匹配汽车和性能匹配汽车的需求匹配度，根据所述需求匹配度获取最优汽车推荐序列；

37、关联更新模块，用于获取客户推荐反馈信息，根据所述客户推荐反馈数据判断是否进行数据关联的更新，获得判断结果，根据判断结果对数据关联进行更新，进而对最优汽车推荐序列进行更新。

38、进一步地，所述需求关联模块包括：

39、信息获取模块，用于获取历史汽车库存数据，按照汽车品牌种类对历史汽车库存数据进行分类，获得多个品牌种类数据，按照汽车性能种类对历史汽车库存数据进行分类，获得多个性能种类数据；

40、编号模块，用于对每个品牌种类数据进行编号，获得每个汽车的需求编号数据；

41、对每个性能种类数据进行编号，获得每个汽车的性能编号数据；

42、获取历史客户需求数据，对每个客户需求数据进行编号，获得每个客户的客户编号数据；

43、预处理模块，用于对所述品牌种类数据、性能种类数据和客户编号数据进行预处理，获得预处理后的品牌种类数据、性能种类数据和客户需求数据；

44、关联整合模块，用于获得每一客户需求数据确定的汽车的品牌种类数据和性能种类数据，对每个所述客户需求数据、其对应的汽车的品牌种类数据和性能种类数据进行关联，获得多个关联数据；

45、对所述多个关联数据进行组合，获得关联整合数据。

46、进一步地，所述期望获取模块包括：

47、期望排序模块，用于获取关联整合数据中的浏览量对品牌种类进行期望排序，获得品牌种类期望数据排序；

48、获取关联整合数据中的浏览量对性能种类进行期望排序，获得性能种类期望数据排序；

49、计算关联整合数据中每个关联数据的排序之和，根据所述排序之和对关联数据进行排序，获得关联期望排序；

50、期望数据获取模块，用于所述关联期望排序中的品牌种类期望数据和性能种类需求数据即为关联期望品牌数据和关联期望性能数据。

51、进一步地，所述期望匹配模块包括：

52、匹配模块，用于将关联期望品牌数据与当前汽车库存数据匹配，获得客户的多个品牌匹配汽车；

53、将关联期望性能数据与当前汽车库存数据匹配，获得客户的多个性能匹配汽车；

54、匹配度计算模块，用于根据关联期望品牌数据结合多个品牌匹配汽车数据计算每个品牌匹配汽车的需求匹配度；

55、根据关联期望性能数据结合多个性能匹配汽车数据计算每个性能匹配汽车的需求匹配度；

56、匹配排序模块，用于对品牌匹配汽车的需求匹配度进行排序，获得需求品牌序列；

57、对性能匹配汽车的需求匹配度进行排序，获得需求性能序列；

58、汽车推荐模块，用于获取在关联期望排序中，需求品牌和需求性能的序号之和最小的关联数据对应的汽车，作为最优推荐汽车；

59、依次获取在需求品牌序列和需求性能序列的序列之和中，序列号第二小至第n小的关联数据对应的汽车，进而获得最优汽车推荐序列，根据最优汽车推荐序列对客户进行汽车推荐，获得汽车推荐数据。

60、进一步地，所述关联更新模块包括：

61、异常反馈模块，用于获取客户推荐反馈信息，按照预设异常种类对推荐反馈信息进行分类，获得多个预设异常种类的反馈异常分类信息；

62、异常比较模块，用于将每个预设异常种类的反馈异常分类信息与对应种类的预设异常阈值进行比较，种类异常比较结果；

63、关联更新模块，用于根据种类异常比较结果对目标汽车数据进行对应异常种类的关联数据的更新，进而对最优汽车推荐序列进行更新。

64、本发明有益效果：通过精细的数据分类、预处理和关联分析，能够更准确地把握客户需求，从而提高推荐的准确性和针对性。基于客户需求的个性化推荐能够提升客户的购车体验，增加客户对品牌和服务的满意度。通过分析客户需求和库存数据，可以预测市场趋势，优化库存结构，减少库存积压和浪费。通过智能化的推荐系统，能够快速响应市场变化，提供更加符合市场需求的汽车产品，从而增强企业的市场竞争力。基于大数据的推荐系统能够为企业提供丰富的数据支持，帮助企业做出更加科学、合理的决策。