1.本发明涉及网约车数据分析领域，特别涉及一种基于数据分析的网约车商家卷和优惠卷推荐发放方法。
背景技术：2.随着互联网的发展，企业中的数据也在不断增多，特别是在高度互联网化的全球中。着这个大背景下大数据也慢慢成为热点，如理利用数据分析去挖掘”价值”成为企业投入大数据研发的主要原因。
3.在大数据发展的时代，怎样去利用有效数据进行商业化去挖掘商业价值，是企业发展的利器，也是企业提高利润的手段，网约车中可以利用大数据去去精准推送优惠卷和商家卷和提高商家卷和优惠卷的使用率，来达到多赢的局面。
4.在主流的推荐算法下，数据分析显得格外重要。本发明则是基于多数据分析组合推荐，来提高准确率。
技术实现要素：5.本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于数据分析的网约车商家卷和优惠卷推荐发放方法。
6.本发明提供了如下的技术方案：
7.本发明提供一种基于数据分析的网约车商家卷和优惠卷推荐发放方法，包括以下步骤：
8.s1.获得商家卷/优惠卷信息；
9.s2.根据商家卷构建商家具体实体店位置图；
10.s3.进入根据用户标签推荐，根据用户标签筛选，具体的：
11.若用户参与过类似商家卷会有活动，则匹配权；否则不匹配；
12.若用户基本信息含有类似商家卷信息，则匹配，否则不匹配；
13.若用户参与过类似商家卷问卷调查，则匹配，否则不匹配；
14.若以上条件满足权重+1；
15.s4.进入根据用户最近订单起点和终点推荐，具体的：
16.若s3步骤用户数量远大于优惠卷发放数量，这里可以设置一些数学公式，例如若满足s3《《《users/coupons,则基于s3用户进行以下匹配：
17.若近期3个月内，这个时间可配置，用户订单起点为商家实体店铺地图位置，则匹配权；否则不匹配；
18.若近期3个月内，这个时间可配置，用户订单终点点为商家实体店铺地图位置，则匹配权；否则不匹配；
19.若以上条件满足权重+1；
20.s5.进入根据商家实体店就近匹配，具体的：
21.若s4步用户数量远大于优惠卷发放数量，这里可以设置一些数学公式，例如若满足s3《《《users/coupons，则基于s3用户进行以下匹配：
22.若近期3个月内，这个时间可配置，用户订单起点为商家实体店铺地图位置周围，采取范围限定，则匹配权；否则不匹配；
23.若近期3个月内，这个时间可配置，用户订单终点为商家实体店铺地图位置周围，采取范围限定，则匹配权；否则不匹配；
24.若近期3个月内，这个时间可配置，用户订单路过体店铺地图位置图内，则匹配权；否则不匹配；
25.若以上条件满足权重+1；
26.s6.进入随机推荐，具体的：
27.若s5步用户数量远大于优惠卷发放数量，这里可以设置一些数学公式，例如若满足s3《《《users/coupons；则基于用户活跃度进行推荐；
28.若到此层用户量不满，则进行随机填充，这里可以根据商家卷信息进行匹配，如商家类型为家具，这可以匹配用户年龄》22，也可以根据商家卷价值进行匹配；
29.s7.最后基于权重排序获得用户，主动推送优惠卷。
30.与现有技术相比，本发明的有益效果如下：
31.本发明可以提高用户优惠卷使用率，提高合作商商业回报，也对用户粘度有一定的提高，达到一种多赢局面。
附图说明
32.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
33.图1是本发明的匹配优先顺序图；
34.图2是本发明的商家实体店位置匹配示意图；
35.图3是本发明的推荐流程示意图。
具体实施方式
36.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。
37.实施例1
38.如图1-3，本发明提供一种基于数据分析的网约车商家卷和优惠卷推荐发放方法，包括以下步骤：
39.s1.获得商家卷/优惠卷信息；
40.s2.根据商家卷构建商家具体实体店位置图；
41.s3.进入根据用户标签推荐，根据用户标签筛选，具体的：
42.若用户参与过类似商家卷会有活动，则匹配权；否则不匹配；
43.若用户基本信息含有类似商家卷信息，则匹配，否则不匹配；
44.若用户参与过类似商家卷问卷调查，则匹配，否则不匹配；
45.若以上条件满足权重+1；
46.s4.进入根据用户最近订单起点和终点推荐，具体的：
47.若s3步骤用户数量远大于优惠卷发放数量，这里可以设置一些数学公式，例如若满足s3《《《users/coupons,则基于s3用户进行以下匹配：
48.若近期3个月内，这个时间可配置，用户订单起点为商家实体店铺地图位置，则匹配权；否则不匹配；
49.若近期3个月内，这个时间可配置，用户订单终点点为商家实体店铺地图位置，则匹配权；否则不匹配；
50.若以上条件满足权重+1；
51.s5.进入根据商家实体店就近匹配，具体的：
52.若s4步用户数量远大于优惠卷发放数量，这里可以设置一些数学公式，例如若满足s3《《《users/coupons，则基于s3用户进行以下匹配：
53.若近期3个月内，这个时间可配置，用户订单起点为商家实体店铺地图位置周围，采取范围限定，则匹配权；否则不匹配；
54.若近期3个月内，这个时间可配置，用户订单终点为商家实体店铺地图位置周围，采取范围限定，则匹配权；否则不匹配；
55.若近期3个月内，这个时间可配置，用户订单路过体店铺地图位置图内，则匹配权；否则不匹配；
56.若以上条件满足权重+1；
57.s6.进入随机推荐，具体的：
58.若s5步用户数量远大于优惠卷发放数量，这里可以设置一些数学公式，例如若满足s3《《《users/coupons；则基于用户活跃度进行推荐；
59.若到此层用户量不满，则进行随机填充，这里可以根据商家卷信息进行匹配，如商家类型为家具，这可以匹配用户年龄》22，也可以根据商家卷价值进行匹配；
60.s7.最后基于权重排序获得用户，主动推送优惠卷。
61.进一步的，本发明可以提高用户优惠卷使用率，提高合作商商业回报，也对用户粘度有一定的提高，达到一种多赢局面。
62.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
