CN104200279A - 商品首次需求预测方法和装置 - Google Patents

Abstract

本发明提供一种商品首次需求预测方法和装置，有助于提高商品首次需求预测的准确性。该方法包括：对于指定品类的商品的扩展属性，根据历史商品销量数据分别确定各个扩展属性值的销量指数；确定所述指定品类的各种商品的首次实际销量指数；以各种商品各自的扩展属性值的销量指数分别组成的向量作为输入，以所述各种商品的首次实际销量指数作为目标值，使用机器学习算法得出所述指定品类的各种商品的首次实际销量与该商品具有的扩展属性值之间的关系模型；根据待预测首次需求的商品具有的扩展属性值和所述关系模型，计算该商品的首次需求量指数，再按该指数确定该商品的首次需求量。

Description

商品首次需求预测方法和装置

技术领域

本发明涉及一种商品首次需求预测方法和装置。

背景技术

在零售领域，库存控制是供应链的核心竞争力之一，数据的预测是库存控制的关键因素。商品种类繁多，新产品也会不断地引入，而在引入新品时需要进行首次需求预测。首次需求通常是新品开始销售的一个预定的时间范围内的需求量，可以是一个月，或者其他时长，一般根据商品的性质和物流条件来确定。首次需求的预测面临着无历史销售数据支持的难题。

目前对于首次需求的预测方案通常是根据商品的历史销售记录并结合人工经验来对商品的销售数据进行预测。在计算时，确定新品所属的品类，根据该品类商品销量的历史数据，计算该品类的商品的首次需求量平均值，将该平均值根据人工经验作适当修正后作为该新品的首次需求预测值。

对于新品来说，其销量具有一定的特殊性，与上市一段时间之后的销量通常有所差异，再加上人工方式具有相当的主观性，使目前的首次需求预测不够准确，这样容易造成采购货物过多过少的情况，从而导致资金周转速度降低或商品现货率下降而影响客户体验等问题。

发明内容

有鉴于此，本发明提供一种商品首次需求预测方法和装置，有助于提高商品首次需求预测的准确性。

为实现上述目的，根据本发明的一个方面，提供了一种商品首次需求预测方法。

本发明的商品首次需求预测方法包括：对于指定品类的商品的扩展属性，根据历史商品销量数据分别确定各个扩展属性值的销量指数，其中扩展属性值的销量指数与具有该扩展属性值的商品的销量正相关；确定所述指定品类的各种商品的首次实际销量指数，其中商品的首次实际销量指数与该商品的首次实际销量正相关；以各种商品各自的扩展属性值的销量指数分别组成的向量作为输入，以所述各种商品的首次实际销量指数作为目标值，使用机器学习算法得出所述指定品类的各种商品的首次实际销量与该商品具有的扩展属性值之间的关系模型；根据待预测首次需求的商品具有的扩展属性值和所述关系模型，计算该商品的首次需求量指数，再按该指数确定该商品的首次需求量。

可选地，所述根据历史商品销量数据分别确定各个扩展属性值的销量指数的步骤包括：对于具有当前扩展属性值的所有商品，根据所述历史商品销量数据，将该所有商品的总销量除以该所有商品中商品的品种数得到该当前扩展属性值对应的平均销量；对于指定扩展属性的所有扩展属性值对应的平均销量中的最大值和最小值；按以下公式得到所述当前扩展属性值的销量指数：(mean_a-min_a)/(max_a-min_a)，其中mean_a表示所述平均销量，max_a和min_a分别表示所述最大值和最小值。

可选地，所述确定所述指定品类的各种商品的首次实际销量指数的步骤包括：根据以下公式计算所述指定品类的当前商品的首次实际销量指数：(y_i-min_y)/(max_y-min_y)，其中y_i表示所述当前商品的首次实际销量，max_y和min_y分别表示所述指定品类的商品中的单种商品的首次实际销量的最大值和首次实际销量的最小值。

可选地，所述按该指数确定该商品的首次需求量的步骤包括：根据以下公式计算该商品的首次需求量：Y×(max_y-min_y)+min_y，其中Y表示该商品的首次需求量指数。

根据本发明的另一方面，提供了一种商品首次需求预测装置。

本发明的商品首次需求预测装置包括：第一统计模块，用于对于指定品类的商品的扩展属性，根据历史商品销量数据分别确定各个扩展属性值的销量指数，其中扩展属性值的销量指数与具有该扩展属性值的商品的销量正相关；第二统计模块，用于确定所述指定品类的各种商品的首次实际销量指数，其中商品的首次实际销量指数与该商品的首次实际销量正相关；建模模块，用于以各种商品各自的扩展属性值的销量指数分别组成的向量作为输入，以所述各种商品的首次实际销量指数作为目标值，使用机器学习算法得出所述指定品类的各种商品的首次实际销量与该商品具有的扩展属性值之间的关系模型；预测模块，用于根据待预测首次需求的商品具有的扩展属性值和所述关系模型，计算该商品的首次需求量指数，再按该指数确定该商品的首次需求量。

可选地，所述第一统计模块还用于：对于具有当前扩展属性值的所有商品，根据所述历史商品销量数据，将该所有商品的总销量除以该所有商品中商品的品种数得到该当前扩展属性值对应的平均销量；对于指定扩展属性的所有扩展属性值对应的平均销量中的最大值和最小值；按以下公式得到所述当前扩展属性值的销量指数：(mean_a-min_a)/(max_a-min_a)，其中mean_a表示所述平均销量，max_a和min_a分别表示所述最大值和最小值。

可选地，所述第二统计模块还用于：根据以下公式计算所述指定品类的当前商品的首次实际销量指数：(y_i-min_y)/(max_y-min_y)，其中y_i表示所述当前商品的首次实际销量，max_y和min_y分别表示所述指定品类的商品中的单种商品的首次实际销量的最大值和首次实际销量的最小值。

可选地，所述预测模块还用于：根据以下公式计算该商品的首次需求量：Y×(max_y-min_y)+min_y，其中Y表示该商品的首次需求量指数。

根据本发明的技术方案，根据历史销量数据，采用机器学习算法确定商品的首次实际销量与商品的扩展属性值之间的关系，再根据待售商品的扩展属性值和该关系预测该待售商品的首次销量。因为扩展属性值在很大程度上决定了商品的销售前景，在通过大量样本数据确定了扩展属性值与商品首次实际销量之间的关系之后，就可以根据该关系来较为准确地预测商品的首次实际销量，有助于提高商品首次需求预测的准确性。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的商品的首次需求预测方法的主要步骤的示意图；

图2是根据本发明实施例的商品首次需求预测装置的基本模块的示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本发明实施例中，主要基于商品具有的扩展属性值来预测商品首次需求量。对于给定品种的商品来说，通常具有多个扩展属性及具体的扩展属性值。例如对于出版的书籍，其扩展属性有出版社、作者、定价、包装方式、语种等，扩展属性值是各个扩展属性的实际状态，例如扩展属性“出版社”的值是各个出版社的名称，例如“知识产权出版社”、“人民教育出版社”等；又如扩展属性“作者”的值是各个作家的姓名或笔名，例如“贾平凹”、“韩寒”等。扩展属性值对于商品的销量特别是首次需求量往往有比较明显的影响。例如一个著名作家出了新书，则该书一上市就很有可能受到热捧，从而有比较好的销量；如果该书实际上为代笔，则销量在上市一段时间后往往会下降。又如比较优秀的出版社，一般也会积累很多忠实的读者，其出版的书籍一般在上市之初就会受到欢迎。一本书籍具有多个扩展属性值，各个扩展属性值对于其首次需求就会产生综合而复杂的影响，例如优秀出版社出版的著名作家的新书，那么该新书的首次需求量很可能相当大。但如果是优秀出版社出版的普通作家的新书，则难以简单预测其首次需求量。因此在本实施例中，根据商品的历史销量，采用机器学习算法找出商品的各个扩展属性值对于其首次需求之间的关系，这样对于具体给定的商品，就可以根据其各个扩展属性值和上述关系来预测其首次需求量。因为对于不同的品类的商品来说，其扩展属性值对其销量的影响一般不相同，所以本实施例中，是针对指定品类的商品来确定商品的各个扩展属性值对于其首次需求之间的关系。

本实施例中，采用如图1所示的流程来进行商品的首次需求预测。图1是根据本发明实施例的商品的首次需求预测方法的主要步骤的示意图。如图1所示，该方法主要包括如下的步骤S11至步骤S15。

步骤S11：确定指定品类的商品的各个扩展属性值的销量指数。销量指数是与商品的销量正相关的一个值，也就是说反映了该扩展属性值在市场上表现出来的“热度”。本实施例中对于销量指数作归一化处理，使不同扩展属性间的值具有可比较性。在本步骤和步骤S12中，是基于数据库中的历史商品销量数据进行计算。

每种商品有多个扩展属性，每个扩展属性又有多个扩展属性值。在本步骤中，对于各个扩展属性，计算其每个扩展属性值对应的平均销量，再结合该扩展属性的所有扩展属性值对应的平均销量中的最大和最小值进行归一化。

具体可对各个扩展属性分别计算，在对一个扩展属性进行计算时，取其每个扩展属性值计算该扩展属性值对应的平均销量，具体是根据历史商品销量数据，对于具有所取的当前扩展属性值的所有商品，将该所有商品的总销量除以该所有商品中商品的品种数得到该当前扩展属性值对应的平均销量。例如，当前对书籍的扩展属性“作者”进行计算，在历史商品销量数据库中各书籍的作者有作家A、B、C……等，取作家A进行计算，作家A写了一本以上的书，相同或不同的书稿分别被多家出版社出版，在本实施例中，所有扩展属性值都相同的商品才算是同一品种的商品，这样对应于作家A就有多个品种的商品，用这些商品的总销量除以商品的品种数得到各品种商品的平均销量，即为扩展属性值“作家A”对应的平均销量。可以看出该平均销量反映了这个作家写出来的书是否畅销。按同样的方法计算所有作家对应的平均销量，如用max_a和min_a分别表示所有作家对应的平均销量中的最大值和最小值，当前作家对应的平均销量为mean_a，则当前作家的归一化的销量指数为(mean_a-min_a)/(max_a-min_a)。可以看出该归一化的销量指数介于0到1之间，与该作家的书的销量正相关。

步骤S12：确定步骤S11中的指定品类的各种商品的首次实际销量指数。本步骤中同样进行归一化处理，根据历史销量数据，对于每种商品，确定其首次实际销量y_i；另外确定指定品类中的单种商品的最大和最小首次实际销量max_y和min_y，再用公式(y_i-min_y)/(max_y-min_y)进行计算得到每种商品的首次实际销量指数。可以看出该首次实际销量指数介于0到1之间，与该商品的首次实际销量正相关。

步骤S13：使用机器学习算法得出上述指定品类的各种商品的首次需求数量与该商品具有的扩展属性值之间的关系模型。因为商品有多个扩展属性值，按上面的方式得到每个扩展属性值的销量指数，这样每个商品就对应一个矢量化的扩展属性值。用多种商品对应的矢量化的扩展属性值作为输入，这些商品在步骤S12中得到的首次实际销量指数作为机器学习算法的目标值，运行机器学习算法直至收敛，即得到上述关系模型。本步骤中可以采用现有的各种机器学习算法，例如神经网络算法、支持向量机等。

步骤S14：确定待销售商品的首次需求量指数。至本步骤，就可以对于待销售商品进行首次需求量预测，因为商品已经确定，所以其各个扩展属性值也确定，将这些扩展属性值组成的向量输入到步骤S13中得到的关系模型中，就可以得到一个值，因为该商品尚未销售，所以该值称作首次需求量指数。

步骤S15：根据步骤S14中确定的首次需求量指数得出待销售商品的首次需求量。在本步骤中，根据上面第二个公式解出y_i即可，也就是根据公式Y×(max_y-min_y)+min_y得到待销售商品的首次需求量，该首次需求量就是对该待销售商品的首次需求的一个预测。

图2是根据本发明实施例的商品首次需求预测装置的基本模块的示意图。如图2所示，商品首次需求预测装置20主要包括第一统计模块21、第二统计模块22、建模模块23、以及预测模块24。

第一统计模块21用于对于指定品类的商品的扩展属性，根据历史商品销量数据分别确定各个扩展属性值的销量指数，其中扩展属性值的销量指数与具有该扩展属性值的商品的销量正相关。第二统计模块22用于确定上述指定品类的各种商品的首次实际销量指数，其中商品的首次实际销量指数与该商品的首次实际销量正相关。建模模块23用于以各种商品各自的扩展属性值的销量指数分别组成的向量作为输入，以上述各种商品的首次实际销量指数作为目标值，使用机器学习算法得出上述指定品类的各种商品的首次实际销量与该商品具有的扩展属性值之间的关系模型。预测模块24用于根据待预测首次需求的商品具有的扩展属性值和上述关系模型，计算该商品的首次需求量指数，再按该指数确定该商品的首次需求量。

第一统计模块21还可用于对于具有当前扩展属性值的所有商品，根据所述历史商品销量数据，将该所有商品的总销量除以该所有商品中商品的品种数得到该当前扩展属性值对应的平均销量；对于指定扩展属性的所有扩展属性值对应的平均销量中的最大值和最小值；按以下公式得到所述当前扩展属性值的销量指数：

(mean_a-min_a)/(max_a-min_a)，其中mean_a表示所述平均销量，max_a和min_a分别表示所述最大值和最小值。

第二统计模块22还可用于：根据以下公式计算所述指定品类的当前商品的首次实际销量指数：(y_i-min_y)/(max_y-min_y)，其中y_i表示所述当前商品的首次实际销量，max_y和min_y分别表示所述指定品类的商品中的单种商品的首次实际销量的最大值和首次实际销量的最小值。

预测模块24还可用于根据以下公式计算该商品的首次需求量：Y×(max_y-min_y)+min_y，其中Y表示该商品的首次需求量指数。

根据本发明实施例的技术方案，根据历史销量数据，采用机器学习算法确定商品的首次实际销量与商品的扩展属性值之间的关系，再根据待售商品的扩展属性值和该关系预测该待售商品的首次销量。因为扩展属性值在很大程度上决定了商品的销售前景，在通过大量样本数据确定了扩展属性值与商品首次实际销量之间的关系之后，就可以根据该关系来较为准确地预测商品的首次实际销量，有助于提高商品首次需求预测的准确性。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，对本领域的普通技术人员而言，能够理解本发明的方法和设备的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来开发出的任何存储介质。

还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (8)

1.一种商品首次需求预测方法，其特征在于，包括：

对于指定品类的商品的扩展属性，根据历史商品销量数据分别确定各个扩展属性值的销量指数，其中扩展属性值的销量指数与具有该扩展属性值的商品的销量正相关；

确定所述指定品类的各种商品的首次实际销量指数，其中商品的首次实际销量指数与该商品的首次实际销量正相关；

以各种商品各自的扩展属性值的销量指数分别组成的向量作为输入，以所述各种商品的首次实际销量指数作为目标值，使用机器学习算法得出所述指定品类的各种商品的首次实际销量与该商品具有的扩展属性值之间的关系模型；

根据待预测首次需求的商品具有的扩展属性值和所述关系模型，计算该商品的首次需求量指数，再按该指数确定该商品的首次需求量。

2.根据权利要求1所述的方法，其特征在于，所述根据历史商品销量数据分别确定各个扩展属性值的销量指数的步骤包括：

对于具有当前扩展属性值的所有商品，根据所述历史商品销量数据，将该所有商品的总销量除以该所有商品中商品的品种数得到该当前扩展属性值对应的平均销量；

对于指定扩展属性的所有扩展属性值对应的平均销量中的最大值和最小值；

按以下公式得到所述当前扩展属性值的销量指数：

(mean_a-min_a)/(max_a-min_a)，

其中mean_a表示所述平均销量，max_a和min_a分别表示所述最大值和最小值。

3.根据权利要求1或2所述的方法，其特征在于，所述确定所述指定品类的各种商品的首次实际销量指数的步骤包括：

根据以下公式计算所述指定品类的当前商品的首次实际销量指数：(y_i-min_y)/(max_y-min_y)，其中y_i表示所述当前商品的首次实际销量，max_y和min_y分别表示所述指定品类的商品中的单种商品的首次实际销量的最大值和首次实际销量的最小值。

4.根据权利要求3所述的方法，其特征在于，所述按该指数确定该商品的首次需求量的步骤包括：

根据以下公式计算该商品的首次需求量：Y×(max_y-min_y)+min_y，其中Y表示该商品的首次需求量指数。

5.一种商品首次需求预测装置，其特征在于，包括：

第一统计模块，用于对于指定品类的商品的扩展属性，根据历史商品销量数据分别确定各个扩展属性值的销量指数，其中扩展属性值的销量指数与具有该扩展属性值的商品的销量正相关；

第二统计模块，用于确定所述指定品类的各种商品的首次实际销量指数，其中商品的首次实际销量指数与该商品的首次实际销量正相关；

建模模块，用于以各种商品各自的扩展属性值的销量指数分别组成的向量作为输入，以所述各种商品的首次实际销量指数作为目标值，使用机器学习算法得出所述指定品类的各种商品的首次实际销量与该商品具有的扩展属性值之间的关系模型；

预测模块，用于根据待预测首次需求的商品具有的扩展属性值和所述关系模型，计算该商品的首次需求量指数，再按该指数确定该商品的首次需求量。

6.根据权利要求5所述的装置，其特征在于，所述第一统计模块还用于：

对于具有当前扩展属性值的所有商品，根据所述历史商品销量数据，将该所有商品的总销量除以该所有商品中商品的品种数得到该当前扩展属性值对应的平均销量；

对于指定扩展属性的所有扩展属性值对应的平均销量中的最大值和最小值；

按以下公式得到所述当前扩展属性值的销量指数：

(mean_a-min_a)/(max_a-min_a)，

其中mean_a表示所述平均销量，max_a和min_a分别表示所述最大值和最小值。

7.根据权利要求5或6所述的装置，其特征在于，所述第二统计模块还用于：

根据以下公式计算所述指定品类的当前商品的首次实际销量指数：(y_i-min_y)/(max_y-min_y)，其中y_i表示所述当前商品的首次实际销量，max_y和min_y分别表示所述指定品类的商品中的单种商品的首次实际销量的最大值和首次实际销量的最小值。

8.根据权利要求7所述的装置，其特征在于，所述预测模块还用于：

根据以下公式计算该商品的首次需求量：Y×(max_y-min_y)+min_y，其中Y表示该商品的首次需求量指数。