摘要：【目的】丰富卷烟零售户考核评价的维度,建立档位动态认定的科学标准,辅助档位调整、分类管理及投放策略制定等营销工作。【方法】提出基于高维精准画像体系和深度学习模型进行档位识别的解决方案,介绍档位标签推演、画像特征指标设计、识别模型搭建、新零售户样本预测及评价、档位动态调整等环节的可行策略,并通过分析特征重要性挖掘到零售户档位的潜在影响因素。【结果】在数值实验部分,基于A、B市场多个投放周期内的营销数据,对比非线性深度学习DXGBOOST模型与线性回归LR模型、梯度提升XGBOOST模型的分类识别效果:相比线性的LR,DXGBOOST算法可将A、B两市零售户档位识别准确率分别提升9.09%和15.43%;相比非线性的XGBOOST,可进一步提升精准档位及档位区间的准确率,降低误判的偏差程度。【结论】实践证明,在保证稳定性的前提下,基于DXGBOOST模型的档位识别方法可以很大程度提升卷烟零售户档位的划分精度,为及时开展科学、精准、智能地营销分析与商业决策提供数据和理论支撑。

摘要：为解决零售终端货架图片的陈列信息提取劳动强度大、效率低、易出错的问题,针对手持采集设备提出一种陈列识别方法。首先通过目标检测算法定位出图像中的烟盒,然后由轻量化的旋转对齐网络对单个烟盒图像做相似变换,再使用度量学习提取特征向量后在数据库中检索,最后通过设置双阈值和投票机制识别烟盒细类或排除非烟盒。该系统提供一套完整解决方案,通过改进标签平滑策略和设计地理位置信息与纹理特征相融合网络来提升识别算法精度,在自建的351类烟盒数据集上Top1准确率达到93.7%,其中改进方案比基准提高1.5%,在未知烟盒与非烟盒的区分上准确率提高4.5%;应用该方法可以显著提高市场信息采集人员工作效率并为业务分析提供有效帮助。