买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京元素起点科技有限公司

摘要：本发明涉及医药营销技术领域，尤其是涉及基于生成模型的营销活动优化推广方法及系统，该方法包括以下步骤：S1、采集汇总医药行业营销领域内的市场动态数据、企业竞争数据及消费者行为数据作为营销数据，并对该营销数据进行预处理与分类存储；S2、利用基于生成模型的人工智能算法模型对营销数据内的市场趋势与消费规律进行分析总结；S3、结合预测结果、企业需求以及市场现状，生成企业个性化定制的专属推广方案；S4、利用解释器对专属推广方案及评估分析结果进行简单化分析与解释。本发明通过利用基于生成模型的人工智能算法模型，自动处理数据、分析数据，并生成营销方案和预测结果，极大地提高了营销活动的效率。

主权项：1.一种基于生成模型的营销活动优化推广方法，其特征在于，该方法包括以下步骤：S1、采集汇总医药行业营销领域内的市场动态数据、企业竞争数据及消费者行为数据作为营销数据，并对该营销数据进行预处理与分类存储；所述市场动态数据包括：市场规模和增长率、市场份额、市场细分和趋势、市场需求和消费者偏好；所述企业竞争数据包括：竞争对手信息、产品特点和优势、定价策略、市场份额和增长率；所述消费者行为数据包括：购买行为、偏好和需求、反馈和评价、营销渠道偏好；S2、利用基于生成模型的人工智能算法模型对营销数据内的市场趋势与消费规律进行分析总结，并对医药行业营销活动的潜在推广方案进行预测；S3、结合预测结果、企业需求以及市场现状，生成企业个性化定制的专属推广方案，并对该专属推广方案的营销效果与竞争情报进行评估与分析；S4、利用解释器对专属推广方案及评估分析结果进行简单化分析与解释；所述利用基于生成模型的人工智能算法模型对营销数据内的市场趋势与消费规律进行分析总结，并对医药行业营销活动的潜在推广方案进行预测包括以下步骤：S21、将预处理后的营销数据输入至人工智能算法模型中进行训练，识别该营销数据涉及到的医药商品信息，并依据识别结果赋予层级化的营销标签；S22、在营销数据中抽取具备相同营销标签的部分作为商品数据，并设定营销分析区间，对商品数据的市场趋势与消费规律进行分析；S23、根据分析结果判断商品数据对应的医药商品在营销与销售过程中存在的优劣势，并对该医药商品的潜在推广方案进行预测；所述将预处理后的营销数据输入至人工智能算法模型中进行训练，识别该营销数据涉及到的医药商品信息，并依据识别结果赋予层级化的营销标签包括以下步骤：S211、将营销数据输入至人工智能算法模型，对营销数据中涉及到的医药商品信息进行识别与提取；S212、将医药商品的产品类型作为第一层级，赋予一级标签；S213、将医药商品的治疗领域作为第二层级，赋予二级标签；S214、将医药商品的目标受众作为第三层级，赋予三级标签；S214、将医药商品的售价区间作为第四层级，赋予四级标签；所述在营销数据中抽取具备相同营销标签的部分作为商品数据，并设定营销分析区间，对商品数据的市场趋势与消费规律进行分析包括以下步骤：S221、在营销数据中优先选取四个层级营销标签均相同的部分作为商品数据，用于作为市场趋势与消费规律的数据基础；S222、设定时间长度与分析周期，作为以时间为基准的营销分析区间；S223、提取商品数据中的市场动态数据，构建以分析周期时间节点与医药商品的市场动态数据为组合的市场时间序列，利用当前分析周期内市场动态数据减去前一分析周期内市场动态数据与分析周期时长的比值作为该医药商品的市场趋势的节点评分，将营销分析区间内所有连续的节点评分作为该医药商品市场趋势，并绘制变化曲线；S224、提取商品数据中的消费者行为记录，依据消费者的购买特性依次计算每个分析周期内医药商品不同品牌的品牌占有率与不同销售渠道的渠道占有率，并获取单个分析周期内新增消费者在所有消费者人数中的新增占用率，将上述三种占用率随时间的变化规律作为该医药商品的消费规律；根据分析结果判断商品数据对应的医药商品在营销与销售过程中存在的优劣势，并对该医药商品的潜在推广方案进行预测包括以下步骤：S231、在营销数据中选取前三个层级营销标签均相同的部分作为竞品数据，并按照四级标签作为区分计算不同售价区间医药商品的市场趋势与消费规律；S232、将商品数据的与竞品数据各自的市场趋势及消费规律进行对比与分析，判断不同售价区间医药商品的市场表现；S233、依据商品数据在营销分析区间内的市场趋势与消费规律，利用深度学习算法对该医药商品在下一分析周期内的趋势与规律进行预测；S234、综合商品数据对应售价区间医药商品的市场表现与趋势规律预测结果生成潜在推广方案；所述依据商品数据在营销分析区间内的市场趋势与消费规律，利用深度学习算法对该医药商品在下一分析周期内的趋势与规律进行预测包括以下步骤：S2331、将商品数据中的节点评分、各个品牌的品牌占有率、各个销售渠道的渠道占用率及新增占用率依次作为待预测数据，并按照营销分析区间内的N个分析周期组建待预测数据集合；S2332、将待预测数据集合进行差分预处理，消除相邻数据之间的趋势向，其中，差分预处理计算公式为：yt＝xt-xt-p式中，yt表示差分预处理后的待预测数据；xt表示待预测数据；xt-p表示待预测数据在t-p时的数值；t表示分析周期；p表示待预测数据集合的延迟时间；S2333、将差分预处理后的待预测数据集合作为深度学习网络模型的输入进行特征学习，提取待预测数据的数据特征；S2334、以数据特征作为输入，利用支持向量回归预测模型对下一分析周期的待预测数据进行预测，并利用反差分进行计算，求取待预测数据的数值，其中，反差分计算公式为： 式中，表示反差分处理后下一分析周期的预测结果， 表示下一分析周期的预测值， 表示在t-p+1时的预测值；所述结合预测结果、企业需求以及市场现状，生成企业个性化定制的专属推广方案，并对该专属推广方案的营销效果与竞争情报进行评估与分析包括以下步骤：S31、获取医药企业的期望市场数据与战略定位作为企业需求，结合当前医药商品的市场现状对医药商品营销力度进行适应调整；S32、选择符合企业战略定位的市场渠道与目标受众，结合所述潜在推广方案生成企业定制化的专属推广方案；S33、收集竞争企业的市场行动、产品策略及营销活动，结合本企业自身的市场表现对所述专属推广方案进行针对性调整；S34、将所述专属推广方案投入服务平台进行推广，并实时监测市场动态数据，依据反馈内容与预测结果进行营销效果分析评估。

全文数据：

权利要求：

百度查询： 北京元素起点科技有限公司 一种基于生成模型的营销活动优化推广方法及系统