CN103955769A - 基于协同过滤的零售点产品销量预测方法 - Google Patents

Abstract

本发明公开了一种基于协同过滤的零售点产品销量预测方法，利用已知的产品(规格)在不同零售点的销量数据，通过协同过滤技术计算出未知的产品(规格)在零售点的销量预测。其实现方案是：采集包括零售点、产品(规格)、和产品在零售点的已知销量等数据；对已知销量进行销量-评分变换，获得对应的评分值；零售点对应用户，产品对应项目，评分为上一步销量-评分变换结果，利用协同过滤算法估计未知评分；对上一步计算出的评分估计，进行销量-评分逆变换，得到销量预测。作为对本发明的改进，提出了六种形式的销量-评分变换及相应的逆变换，以使不同产品在不同零售点的销量数据具有统一标准的可比评分数值，从而用于协同过滤计算。本发明设计的预测方法有利于企业精准营销的实现，可为产品在零售点的营销活动的开展和评估提供指导。

Description

基于协同过滤的零售点产品销量预测方法

技术领域

本发明属于产品营销、数据挖掘领域，具体涉及一种基于协同过滤的零售点产品销量预测方法的设计。

背景技术

产品精准营销是通过定量和定性相结合的方法对目标市场的不同消费者进行细致分析，根据他们不同的消费心理和行为特征，企业采用有针对性的现代技术、方法和指向明确的策略，实现对目标市场不同消费者群体强有效性、高投资回报的营销沟通。实体零售点由于具有特定的地理位置、环境等特性，各自面向特定的消费人群和消费习惯，当生产企业通过这种传统零售渠道进行产品销售时，便希望预测出每个零售点面向的客户群对不同产品(规格)的喜好和需求程度，从而可以针对性的开展产品推广或促销等营销活动，以满足不同客户群的特征需要，实现精准营销。

传统的销售预测方法如计量经济学方法、投入产出分析方法、系统动力学方法以及人工神经网络方法等着眼于宏观经济分析，不能解决对“特定零售点特定产品规格可能销售情况如何”这样精细的预测问题。

协同过滤是一种推荐系统技术，随着互联网的迅速发展，已被越来越多的运用到各种网站和电子商务系统中。它不需要用户提供明确的需求，而是通过分析用户的历史行为给用户的兴趣建模，从而主动给用户推荐能够满足他们兴趣和需求的信息。协同过滤算法是最重要推荐系统技术之一，其原理是根据用户或项目的相似性来识别填充一个用户到项目的评分矩阵，从而进行推荐或预测当前用户没有过行为的但是很可能会感兴趣的信息。

基于协同过滤的推荐系统提供了对特定用户特定产品进行精准预测的解决方案，但目前只被应用于电子商务等互联网相关领域。对于线下传统零售渠道问题，由于难以取得具体顾客数据，目前所知还没有协同过滤的推荐系统应用方法。

发明内容

本发明的目的是为了解决实体零售点精准营销所需的产品需求估计问题，提出的一种基于协同过滤的零售点产品销量预测方法，使用已知的产品(规格)在不同零售点的销量数据，计算出未知的产品(规格)在零售点的销量预测，从而为产品在零售点的营销活动的开展和评估提供指导。

本发明的技术方案是：一种基于协同过滤的零售点产品销量预测方法，以及作为对本发明的改进的六种销量-评分变换/逆变换方法，具体包括：

内容一、基于协同过滤的零售点产品销量预测方法，包括以下步骤：

步骤1：采集包括零售点、产品(规格)、和产品在零售点的已知销量等数据；已知销量指的是在考察目标时间内具有销售成绩的销量数据，特别是产品在已开展过充分营销推广活动的零售点的销售成绩数据；从企业易于获取数据的角度考虑，也可以使用零售点从生产企业采购产品的订单数量看做产品的销量；

步骤2：为使不同产品在不同零售点的销量数据具有统一标准的可比评分数值，从而用于协同过滤计算，选择一种销量-评分变换方法作用于已知销量，将销量数据转换成评分；

步骤3：将零售点对应于协同过滤问题的用户，零售点销售的产品(规格)对应于协同过滤问题的项目，产品在零售点的销量经过销量-评分变换后的计算结果作为协同过滤问题的用户对项目的评分；使用协同过滤算法计算出产品在零售点的未知销量对应的评分。这里未知销量指以产品、零售点为两个维度的销量矩阵中，去除已知销量对应元素的其他元素所对应的销量数据；

步骤4：使用步骤2所选取销量-评分变换所对应的逆变换，作用于步骤3计算出的未知销量评分估计，从而得到未知销量的预测值。

内容二、作为对本发明的改进，提出六种销量-评分变换及逆变换，可作用于内容一的步骤2和步骤4。设产品i在零售点u的已知销量为s_ui，对应的评分为r_ui，产品j在零售点v的未知销量的预测为对应的评分估计为U为零售点的全集，I为产品(规格)的全集，具体描述如下：

第1种：相对产品总销量百分比的变换

产品i在零售点u的已知销量的相对产品总销量百分比的变换，取值为该已知销量在产品i总销量中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{v\∈U}{s}_{\mathrm{vi}}}\×100\%---\left(1a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}{\mathrm{\Σ}}_{u\∈U}{s}_{\mathrm{uj}}\right)/100\%---\left(1b\right)$

第2种：相对产品最大销量百分比的变换

产品i在零售点u的已知销量的相对产品最大销量百分比的变换，取值为该已知销量在产品i最大单零售点销量中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{v\∈U}{\max }\left\{s_{\mathrm{vi}}\right\}}\×100\%---\left(2a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}\underset{u\∈U}{\max }\right\{s_{\mathrm{uj}}\left\}\right)/100\%---\left(2b\right)$

第3种：基于产品的标准正态变换

记U(i)表示对产品i拥有已知销量的零售点集合， 则产品i在零售点u的已知销量的基于产品的标准正态变换按以下公式计算：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_i}{{\mathrm{\σ}}_i}---\left(3a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_j+{\mathrm{\μ}}_j---\left(3b\right)$

第4种：相对零售点总销量百分比的变换

产品i在零售点u的已知销量的相对零售点总销量百分比的变换，取值为该已知销量在零售点u的所有产品销售总量中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{j\∈I}{s}_{\mathrm{uj}}}\×100\%---\left(4a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}{\mathrm{\Σ}}_{i\∈I}{s}_{\mathrm{vi}}\right)/100\%---\left(4b\right)$

第5种：相对零售点最大销量百分比的变换

产品i在零售点u的已知销量的相对零售点最大销量百分比的变换，取值为该已知销量在零售点u的所有产品最大销售中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{j\∈I}{\max }\left\{s_{\mathrm{uj}}\right\}}\×100\%---\left(5a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}\underset{i\∈I}{\max }\right\{s_{\mathrm{vi}}\left\}\right)/100\%---\left(5b\right)$

第6种：基于零售点的标准正态变换

记I(u)表示在零售点u拥有已知销量的产品(规格)集合， 则产品i在零售点u的已知销量的基于零售点的标准正态变换按以下公式计算：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_u}{{\mathrm{\σ}}_u}---\left(6a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_v+{\mathrm{\μ}}_v---\left(6b\right)$

本发明的有益效果：解决了现有技术无法实现针对具体产品(规格)在具体零售点的销量预测问题，拓展了基于互联网的协同过滤推荐技术在非互联网条件下的应用方法，能为企业实现产品的精准营销提供有效的指导，提供了一条新的预测销售效果和检验营销成绩的途径。

附图说明

图1是本发明基于协同过滤的零售点产品销量预测方法的实施流程框图。

具体实施方式

下面结合附图对本发明作进一步的阐述。

如图1所示为本发明基于协同过滤的零售点产品销量预测方法的实施流程框图，具体包括：

步骤1：采集包括零售点、产品(规格)、和产品在零售点的已知销量等数据；已知销量指的是在考察目标时间内具有销售成绩的销量数据，特别是产品在已开展过充分营销推广活动的零售点的销售成绩数据；从企业易于获取数据的角度考虑，也可以使用零售点从生产企业采购产品的订单数量看做产品的销量；

步骤2：为使不同产品在不同零售点的销量数据具有统一标准的可比评分数值，从而用于协同过滤计算，选择一种销量-评分变换方法作用于已知销量，将销量数据转换成评分；

本发明提出了6种销量-评分变换/逆变换，设产品i在零售点u的已知销量为s_ui，对应的评分为r_ui，产品j在零售点v的未知销量的预测为对应的评分估计为U为零售点的全集，I为产品(规格)的全集，具体描述如下：

第1种：相对产品总销量百分比的变换

产品i在零售点u的已知销量的相对产品总销量百分比的变换，取值为该已知销量在产品i总销量中的百分比，即 $r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{v\∈U}{s}_{\mathrm{vi}}}\×100\%,$ 对应的获得销量预测的逆变换为： ${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}{\mathrm{\Σ}}_{u\∈U}{s}_{\mathrm{uj}}\right)/100\%;$

第2种：相对产品最大销量百分比的变换

产品i在零售点u的已知销量的相对产品最大销量百分比的变换，取值为该已知销量在产品i最大单零售点销量中的百分比，即对应的获得销量预测的逆变换为： ${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}\underset{u\∈U}{\max }\right\{s_{\mathrm{uj}}\left\}\right)/100\%;$

第3种：基于产品的标准正态变换

记U(i)表示对产品i拥有已知销量的零售点集合， 则产品i在零售点u的已知销量的基于产品的标准正态变换按以下公式计算： $r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_i}{{\mathrm{\σ}}_i},$ 对应的获得销量预测的逆变换为： ${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_j+{\mathrm{\μ}}_j;$

第4种：相对零售点总销量百分比的变换

产品i在零售点u的已知销量的相对零售点总销量百分比的变换，取值为该已知销量在零售点u的所有产品销售总量中的百分比，即对应的获得销量预测的逆变换为： ${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}{\mathrm{\Σ}}_{i\∈I}{s}_{\mathrm{vi}}\right)/100\%;$

第5种：相对零售点最大销量百分比的变换

产品i在零售点u的已知销量的相对零售点最大销量百分比的变换，取值为该已知销量在零售点u的所有产品最大销售中的百分比，即对应的获得销量预测的逆变换为： ${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}\underset{u\∈U}{\max }\right\{s_{\mathrm{vi}}\left\}\right)/100\%;$

第6种：基于零售点的标准正态变换

记I(u)表示在零售点u拥有已知销量的产品(规格)集合， 则产品i在零售点u的已知销量的基于零售点的标准正态变换按以下公式计算： $r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_u}{{\mathrm{\σ}}_u},$ 对应的获得销量预测的逆变换为： ${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_v+{\mathrm{\μ}}_v.$

以上6种销量-评分变换可选择一种或几种使用，对应于不同的产品和零售点集合，选择每种变换的预测准确度可能不同，应根据实际数据通过离线测试确定准确度最高的变换后，再确定选用的种类。

步骤3：将零售点对应于协同过滤问题的用户，零售点销售的产品(规格)对应于协同过滤问题的项目，产品在零售点的销量经过销量-评分变换后的计算结果作为协同过滤问题的用户对项目的评分；使用协同过滤算法计算出产品在零售点的未知销量对应的评分。这里未知销量指以产品、零售点为两个维度的销量矩阵中，去除已知销量对应元素的其他元素所对应的销量数据；

步骤4：使用步骤2所选取销量-评分变换所对应的逆变换，作用于步骤3计算出的未知销量评分估计，从而得到未知销量的预测值。

本领域的普通技术人员将会意识到，这里描述的步骤在实施过程中若改变其顺序，但仍然符合本发明的实现原理时，应视为本发明的保护范围。

Claims (2)

1.基于协同过滤的零售点产品销量预测方法，包括以下步骤：

步骤1：采集包括零售点、产品(规格)、和产品在零售点的已知销量等数据；已知销量指的是在考察目标时间内具有销售成绩的销量数据，特别是产品在已开展过充分营销推广活动的零售点的销售成绩数据；从企业易于获取数据的角度考虑，也可以使用零售点从生产企业采购产品的订单数量看做产品的销量；

步骤2：为使不同产品在不同零售点的销量数据具有统一标准的可比评分数值，从而用于协同过滤计算，选择一种销量-评分变换方法作用于已知销量，将销量数据转换成评分；

步骤3：将零售点对应于协同过滤问题的用户，零售点销售的产品(规格)对应于协同过滤问题的项目，产品在零售点的销量经过销量-评分变换后的计算结果作为协同过滤问题的用户对项目的评分；使用协同过滤算法计算出产品在零售点的未知销量对应的评分。这里未知销量指以产品、零售点为两个维度的销量矩阵中，去除已知销量对应元素的其他元素所对应的销量数据；

步骤4：使用步骤2所选取销量-评分变换所对应的逆变换，作用于步骤3计算出的未知销量评分估计，从而得到未知销量的预测值。

2.六种销量-评分变换及逆变换。设产品i在零售点u的已知销量为s_ui，对应的评分为r_ui，产品j在零售点v的未知销量的预测为对应的评分估计为U为零售点的全集，I为产品(规格)的全集，具体描述如下：

第1种：相对产品总销量百分比的变换

产品i在零售点u的已知销量的相对产品总销量百分比的变换，取值为该已知销量在产品i总销量中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{v\∈U}{s}_{\mathrm{vi}}}\×100\%---\left(1a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}{\mathrm{\Σ}}_{u\∈U}{s}_{\mathrm{uj}}\right)/100\%---\left(1b\right)$

第2种：相对产品最大销量百分比的变换

产品i在零售点u的已知销量的相对产品最大销量百分比的变换，取值为该已知销量在产品i最大单零售点销量中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{v\∈U}{\max }\left\{s_{\mathrm{vi}}\right\}}\×100\%---\left(2a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}\underset{u\∈U}{\max }\right\{s_{\mathrm{uj}}\left\}\right)/100\%---\left(2b\right)$

第3种：基于产品的标准正态变换

记U(i)表示对产品i拥有已知销量的零售点集合， 则产品i在零售点u的已知销量的基于产品的标准正态变换按以下公式计算：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_i}{{\mathrm{\σ}}_i}---\left(3a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_j+{\mathrm{\μ}}_j---\left(3b\right)$

第4种：相对零售点总销量百分比的变换

产品i在零售点u的已知销量的相对零售点总销量百分比的变换，取值为该已知销量在零售点u的所有产品销售总量中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{j\∈I}{s}_{\mathrm{uj}}}\×100\%---\left(4a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}{\mathrm{\Σ}}_{i\∈I}{s}_{\mathrm{vi}}\right)/100\%---\left(4b\right)$

第5种：相对零售点最大销量百分比的变换

产品i在零售点u的已知销量的相对零售点最大销量百分比的变换，取值为该已知销量在零售点u的所有产品最大销售中的百分比，即

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{j\∈I}{\max }\left\{s_{\mathrm{uj}}\right\}}\×100\%---\left(5a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}=\left({\hat{r}}_{\mathrm{vj}}\underset{i\∈I}{\max }\right\{s_{\mathrm{vi}}\left\}\right)/100\%---\left(5b\right)$

第6种：基于零售点的标准正态变换

记I(u)表示在零售点u拥有已知销量的产品(规格)集合， 则产品i在零售点u的已知销量的基于零售点的标准正态变换按以下公式计算：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_u}{{\mathrm{\σ}}_u}---\left(6a\right)$

使用协同过滤算法计算出未知销量的评分估计后，获得销量预测的逆变换为：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_v+{\mathrm{\μ}}_v---\left(6b\right)$