CN104166884A - 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

本发明属于互联网数据挖掘领域，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

高度发达的市场经济，让客户有了更多选择余地，客户资源很容易流失，对于企业而言如何掌握客户的消费心理，根据消费环境的变化，主动进行个性化精准营销，是提高客户忠诚度、保持住客户的关键所在。特别是随着电子商务系统的迅猛发展，网络销售的交易规模在社会消费品零售总额中的比例越来越高，对实体零售点的冲击也越来越大，因此实体零售点必须改变传统销售策略，推进传统经营模式转型，实施精准营销，才能扭转不利局面。

产品精准营销是指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，制定有针对性的营销策略，实现对目标市场不同消费群体行之有效且投资回报率高的营销沟通。

实体零售点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，当企业通过这种传统零售渠道进行产品销售时，需要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，实现精准营销，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。

然而，传统的销售预测方法诸如计量经济学方法、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，都是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。

而现有技术中还存在一种协同过滤算法，这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。

因此，现有技术中还没有这样一种针对实体零售点精准营销所需的产品需求估计的销量预测方法。

发明内容

本发明所要解决的技术问题在于现有的销售预测方法不适用于实体零售点精准营销所需的产品需求估计，而提供一种能够用于实体零售点精准营销所需产品需求估计的基于协同过滤的零售点产品销量预测方法。

为解决上述技术问题，本发明的采用的技术方案如下：

一种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A.采集数据信息，所述数据信息包括零售点标识、产品的规格和所述产品在所述零售点的已知销量；

步骤B.利用销量-评分变换方法将所述已知销量的数据转换成评分；

步骤C.将所述零售点作为协同过滤问题的用户，所述产品的规格作为协同过滤问题的项目，所述产品的所述已知销量经过销量-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，之后利用协同过滤算法计算出所述产品在所述零售点的未知销量对应的评分；

步骤D.使用所述步骤B的销量-评分变换所对应的逆变换，作用于所述步骤C计算出的未知销量评分估计，从而得到未知销量的预测值。

上述基于协同过滤的零售点产品销量预测方法，在所述步骤A中，所述已知销量为在考察目标时间内具有销售成绩的销量数据。

上述基于协同过滤的零售点产品销量预测方法，在所述步骤A中，所述已知销量为所述零售点从生产企业采购所述产品的订单数量。

上述基于协同过滤的零售点产品销量预测方法中，所述零售点的未知销量为以所述产品的规格、所述零售点为两个维度的销量矩阵中，去除所述已知销量对应元素的其他元素所对应的销量数据。

上述基于协同过滤的零售点产品销量预测方法中，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；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{v\∈U}{s}_{\mathrm{vi}}}\×100\%;$

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：

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

上述基于协同过滤的零售点产品销量预测方法中，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；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{v\∈U}{\max }\left\{s_{\mathrm{vi}}\right\}}\×100\%;$

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：

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

上述基于协同过滤的零售点产品销量预测方法中，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；所述销量-评分变换方法为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：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_i}{{\mathrm{\σ}}_i};$

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：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_j+{\mathrm{\μ}}_j.$

上述基于协同过滤的零售点产品销量预测方法中，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为所述产品规格的全集；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{j\∈I}{s}_{\mathrm{uj}}}\×100\%;$

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：

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

上述基于协同过滤的零售点产品销量预测方法中，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为所述产品规格的全集；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{j\∈I}{\max }\left\{s_{\mathrm{uj}}\right\}}\×100\%;$

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：

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

上述基于协同过滤的零售点产品销量预测方法中，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为所述产品规格的全集；所述销量-评分变换方法为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：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_u}{{\mathrm{\σ}}_u};$

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：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_v+{\mathrm{\μ}}_v.$

本发明的上述技术方案相比现有技术具有以下优点：

(1)本发明的基于协同过滤的零售点产品销量预测方法，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。

(2)本发明的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。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

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，是本发明基于协同过滤的零售点产品销量预测方法的优选实施例，所述基于协同过滤的零售点产品销量预测方法，具体步骤包括：

步骤A.采集数据信息，所述数据信息包括零售点标识、产品的规格和所述产品在所述零售点的已知销量。

其中，所述已知销量是指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。在其他实施例中，从企业易于获取数据的角度考虑，也可以将所述零售点从生产企业采购所述产品的订单数量看做产品的已知销量。

步骤B.利用销量-评分变换方法将所述已知销量的数据转换成评分。

这样做的目的是为了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。

步骤C.将所述零售点作为协同过滤问题的用户，所述产品的规格作为协同过滤问题的项目，所述产品的所述已知销量经过销量-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，之后利用协同过滤算法计算出所述产品在所述零售点的未知销量对应的评分。

其中，所述零售点的未知销量为以所述产品的规格、所述零售点为两个维度的销量矩阵中，去除所述已知销量对应元素的其他元素所对应的销量数据。

步骤D.使用所述步骤B的销量-评分变换所对应的逆变换，作用于所述步骤C计算出的未知销量评分估计，从而得到未知销量的预测值。

本发明中提出了六种销量-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：对应的获得销量预测的逆变换为：

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

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

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：对应的获得销量预测的逆变换为：

以上六种销量-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。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，应视为仍处于本发明创造的保护范围之中。

Claims (10)

1.基于协同过滤的零售点产品销量预测方法，其特征在于：包括以下步骤，

步骤A.采集数据信息，所述数据信息包括零售点标识、产品的规格和所述产品在所述零售点的已知销量；

步骤B.利用销量-评分变换方法将所述已知销量的数据转换成评分；

步骤C.将所述零售点作为协同过滤问题的用户，所述产品的规格作为协同过滤问题的项目，所述产品的所述已知销量经过销量-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，之后利用协同过滤算法计算出所述产品在所述零售点的未知销量对应的评分；

步骤D.使用所述步骤B的销量-评分变换所对应的逆变换，作用于所述步骤C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.根据权利要求1所述的基于协同过滤的零售点产品销量预测方法，其特征在于：在所述步骤A中，所述已知销量为在考察目标时间内具有销售成绩的销量数据。

3.根据权利要求1所述的基于协同过滤的零售点产品销量预测方法，其特征在于：在所述步骤A中，所述已知销量为所述零售点从生产企业采购所述产品的订单数量。

4.根据权利要求1-3任一所述的基于协同过滤的零售点产品销量预测方法，其特征在于：所述零售点的未知销量为以所述产品的规格、所述零售点为两个维度的销量矩阵中，去除所述已知销量对应元素的其他元素所对应的销量数据。

5.根据权利要求1-4任一所述的基于协同过滤的零售点产品销量预测方法，其特征在于：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；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{v\∈U}{s}_{\mathrm{vi}}}\×100\%;$

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：

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

6.根据权利要求1-4任一所述的基于协同过滤的零售点产品销量预测方法，其特征在于：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；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{v\∈U}{\max }\left\{s_{\mathrm{vi}}\right\}}\×100\%;$

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：

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

7.根据权利要求1-4任一所述的基于协同过滤的零售点产品销量预测方法，其特征在于：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；所述销量-评分变换方法为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：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_i}{{\mathrm{\σ}}_i};$

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：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_j+{\mathrm{\μ}}_j.$

8.根据权利要求1-4任一所述的基于协同过滤的零售点产品销量预测方法，其特征在于：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为所述产品规格的全集；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{{\mathrm{\Σ}}_{j\∈I}{s}_{\mathrm{uj}}}\×100\%;$

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：

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

9.根据权利要求1-4任一所述的基于协同过滤的零售点产品销量预测方法，其特征在于：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为所述产品规格的全集；所述销量-评分变换方法为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

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}}{\underset{j\∈I}{\max }\left\{s_{\mathrm{uj}}\right\}}\×100\%;$

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：

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

10.根据权利要求1-4任一所述的基于协同过滤的零售点产品销量预测方法，其特征在于：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为所述产品规格的全集；所述销量-评分变换方法为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：

$r_{\mathrm{ui}}=\frac{s_{\mathrm{ui}}-{\mathrm{\μ}}_u}{{\mathrm{\σ}}_u};$

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：

${\hat{s}}_{\mathrm{vj}}={\hat{r}}_{\mathrm{vj}}{\mathrm{\σ}}_v+{\mathrm{\μ}}_v.$