CN105701553A - 商品销量预测系统及商品销量预测方法 - Google Patents
商品销量预测系统及商品销量预测方法 Download PDFInfo
- Publication number
- CN105701553A CN105701553A CN201410706071.3A CN201410706071A CN105701553A CN 105701553 A CN105701553 A CN 105701553A CN 201410706071 A CN201410706071 A CN 201410706071A CN 105701553 A CN105701553 A CN 105701553A
- Authority
- CN
- China
- Prior art keywords
- commodity
- associated articles
- sales volume
- prediction
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009825 accumulation Methods 0.000 claims description 24
- 238000012417 linear regression Methods 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 101100002669 Arabidopsis thaliana ADT1 gene Proteins 0.000 description 46
- 101100002673 Arabidopsis thaliana ADT3 gene Proteins 0.000 description 46
- 101100463170 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pdt1 gene Proteins 0.000 description 46
- 102100034682 26S proteasome regulatory subunit 7 Human genes 0.000 description 43
- 101001090865 Homo sapiens 26S proteasome regulatory subunit 7 Proteins 0.000 description 43
- 102100022644 26S proteasome regulatory subunit 4 Human genes 0.000 description 13
- 101000619137 Homo sapiens 26S proteasome regulatory subunit 4 Proteins 0.000 description 13
- 230000008451 emotion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
一种商品销量预测系统和商品销量预测方法在此揭露。商品销量预测方法包含:根据第一商品,从关联商品数据库中搜寻对应第一商品的第一关联商品,其中关联商品数据库储存多个商品及分别对应所述商品的多个关联商品;通过电子商务平台根据第一关联商品和对应第一关联商品的价格区间,搜寻对应第一关联商品的多个成交记录数据和多个评价数据;根据所述成交记录数据及所述评价数据,产生对应第一商品的预测客户数量;及根据预测客户数量产生对应第一商品的预测销售数量。借此,可有效地预测第一商品的销售数量,使得对应第一商品的预测销售数量的准确性更为精准。
Description
技术领域
本发明是关于一种商品销量预测系统和其方法,且特别是有关于一种根据商品的关联商品的销售量预测商品的销售量的电子商务口碑分析系统和其方法。
背景技术
近年来,由于网络科技的发达,电子商务平台(例如:淘宝网、或是京东网上商城等等)的崛起提供消费者一种新的消费形态。由于只要通过网络连线,消费者便可从众多电子商务平台中寻找想要的商品,使得购物更加便利。因此,越来越多消费者偏好通过这种消费形态进行购物。
由于消费者在电子商务平台进行购物的数量有着大幅度的成长,如何有效地预测商家在某一电子商务平台的销售数量便变得非常重要。在已知的技术中,仅会对商品的实际销售数量进行统计,再据以预测此商品的日后销售数量。然而,此种方式对商品日后销售数量的预测的结果并非相当精确,且无法对此商品之外的其它关联商品的销售数量来进行预测。
因此,如何提供一种对于电子商务平台的产品的预测数量进行有效的预测,乃为此一业界亟待解决的问题。
发明内容
本发明的一方面在于提供一种商品销量预测系统。商品销量预测系统包含关联商品数据库、关联商品查询模块、搜寻模块和预测模块。关联商品数据库用以储存多个商品及分别对应所述商品的多个关联商品。关联商品查询模块用以根据第一商品,从关联商品数据库中搜寻对应第一商品的第一关联商品。搜寻模块用以通过电子商务平台根据第一关联商品和对应第一关联商品的一价格区间,搜寻对应该第一关联商品的多个成交记录数据和多个评价数据。预测模块用以根据所述成交记录数据及所述评价数据,产生对应第一关联商品的预测客户数量,并根据预测客户数量产生对应第一商品的预测销售数量。
根据本发明的一实施例,所述预测模块用以根据所述成交记录数据产生对应所述第一商品的累积销售数量,并从所述评价数据中撷取出多个负评数据以产生负评数量,及将累积销售数量减去负评数量以产生所述预测客户数量。
根据本发明的一实施例,所述搜寻模块还用以搜寻所述电子商务平台中多个商家对应所述第一关联商品的出货数量,且所述预测模块还用以累加在出货数量排行榜的一个范围内的出货数量以产生所述累积销售数量,其中出货数量排行榜为所述商家对应第一关联商品的出货数量的排行。
根据本发明的一实施例,所述预测模块还用以判断所述评价数据中的每一评价数据是否包含多个负评词汇至少一者,并将具有所述负评词汇中至少一者的评价数据作为所述负评数据。
根据本发明的一实施例,所述关联商品数据库还储存所述关联商品的多个历史销售数量。所述关联商品查询模块还用以根据所述第一商品从所述关联商品数据库中搜寻对应所述第一商品的第二关联商品。所述预测模块还用以根据所述第一商品的所述预测客户数量和对应第二关联商品的历史销售数量来产生所述预测销售数量。
根据本发明的一实施例,所述第二关联商品为对应所述第一商品的上一世代的商品。
根据本发明的一实施例,所述第二关联商品与所述第一商品为同一类型的商品。
根据本发明的一实施例,所述预测模块用以通过最小二乘法、离散方程式、线性回归与非线性回归或贝塞尔曲线(Béziercurve)演算法,对所述预测客户数量和对应所述第二关联商品的所述历史销量数量进行计算以产生所述预测销售数量。
根据本发明的一实施例,所述搜寻模块还用以根据所述第一关联商品、所述价格区间、对应预测时间的时间区间搜寻在时间区间内的成交记录数据和评价数据。所述预测模块还用以根据在时间区间内的成交记录数据和评价数据产生在时间区间内的预测客户数量,并根据在时间区间内的预测客户数量产生对应所述第一商品在预测时间的预测销售数量。
根据本发明的一实施例,所述第一商品为对应所述第一关联商品的周边商品。
根据本发明的一实施例,所述商品销量预测系统还包含操作界面。操作界面用以供使用者输入所述第一商品及显示所述第一关联商品。
本发明的另一方面在于提供一种商品销量预测方法。商品销量预测方法包含:根据第一商品,从关联商品数据库中搜寻对应第一商品的第一关联商品,其中关联商品数据库储存多个商品及分别对应所述商品的多个关联商品;通过电子商务平台根据第一关联商品和对应第一关联商品的价格区间,搜寻对应第一关联商品的多个成交记录数据和多个评价数据;根据所述成交记录数据及所述评价数据,产生对应第一商品的预测客户数量;及根据预测客户数量产生对应第一商品的预测销售数量。
根据本发明的一实施例,根据所述成交记录数据及所述评价数据,产生对应所述第一关联商品的所述预测客户数量的步骤包含:根据所述成交记录数据产生对应所述第一关联商品的累积销售数量;从所述评价数据中撷取出多个负评数据以产生负评数量;及将累积销售数量减去负评数量以产生所述预测客户数量。
根据本发明的一实施例,根据所述成交记录数据产生对应所述第一关联商品的所述累积销售数量的步骤包含:搜寻所述电子商务平台中多个商家对应所述第一关联商品的出货数量;及累加在出货数量排行榜的一个范围内的出货数量以产生所述累积销售数量,其中出货数量排行榜为所述商家对应第一关联商品的出货数量的排行。
根据本发明的一实施例,从所述评价数据中撷取出所述负评数据以产生所述负评数量的步骤包含:判断所述评价数据中的每一个评价数据是否包含多个负评词汇至少一者;及将具有所述负评词汇中至少一者的评价数据作为所述负评数据。
根据本发明的一实施例,所述关联商品数据库还储存所述关联商品的多个历史销售数量。根据所述预测客户数量产生对应所述第一商品的所述预测销售数量的步骤包含:根据所述第一商品从所述关联商品数据库中搜寻对应所述第一商品的第二关联商品;及根据所述第一商品的所述预测客户数量和对应第二关联商品的历史销售数量来产生所述预测销售数量。
根据本发明的一实施例,所述第二关联商品为对应所述第一商品的上一世代的商品。
根据本发明的一实施例,所述第二关联商品与所述第一商品为同一类型的商品。
根据本发明的一实施例,根据所述第一商品的所述预测客户数量和对应所述第二关联商品的所述历史销售数量来产生所述预测销售数量的步骤包含:通过最小二乘法、离散方程式、线性回归与非线性回归或贝塞尔曲线演算法,对所述预测客户数量和对应所述第二关联商品的所述历史销量数量进行计算以得到所述预测销售数量。
本发明的又一方面是在于提供一种计算机可读取记录媒体用以执行一种商品销量预测方法。商品销量预测方法包含:根据第一商品,从关联商品数据库中搜寻对应第一商品的第一关联商品,其中关联商品数据库储存多个商品及分别对应所述商品的多个关联商品;通过电子商务平台根据第一关联商品和对应第一关联商品的价格区间,搜寻对应第一关联商品的多个成交记录数据和多个评价数据;根据所述成交记录数据及所述评价数据,产生对应第一商品的预测客户数量;及根据预测客户数量产生对应第一商品的预测销售数量。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂,所附附图的说明如下:
图1是根据本发明一实施例绘示的一种商品销量预测系统的示意图;
图2是根据本发明一实施例绘示的一种商品销量预测方法的流程图;
图3是根据本发明一实施例绘示的一种商品销量预测方法其中一个步骤的流程图;及
图4是根据本发明一实施例绘示的一种商品销量预测方法其中另一个步骤的流程图。
具体实施方式
下文是举实施例配合所附附图作详细说明,但所提供的实施例并非用以限制本发明所涵盖的范围,而结构操作的描述非用以限制其执行的顺序,任何由元件重新组合的结构,所产生具有均等功效的装置,皆为本发明所涵盖的范围。此外,附图仅以说明为目的,并未依照原尺寸作图。为使便于理解,下述说明中相同元件将以相同的符号标示来说明。
关于本文中所使用的“第一”、“第二”、…等,并非特别指称次序或顺位的意思,亦非用以限定本发明,其仅仅是为了区别以相同技术用语描述的元件或操作而已。
请参照图1,图1是根据本发明一实施例绘示的一种商品销量预测系统100的示意图。商品销量预测系统100可根据使用者输入的商品(例如:手机保护套),搜寻对应商品的关联商品(例如:手机),并根据关联商品的信息预测使用者想要了解的商品(手机保护套)的销售数量。如图1所示,商品销量预测系统100包含关联商品数据库110、关联商品查询模块120、搜寻模块130和预测模块140。关联商品数据库110用以储存多个商品及分别对应每个商品的多个关联商品。关联商品查询模块120用以根据使用者输入的第一商品PDT1的信息(例如:品名、型号和规格等等),从关联商品数据库110中搜寻对应第一商品PDT1的第一关联商品RPT1。
在一实施例中,商品销量预测系统100还可包含操作界面150。操作界面150用以提供使用者输入第一商品PDT1的信息。另外,当关联商品查询模块120从关联商品数据库110搜寻到的第一关联商品RPT1,亦可显示于操作界面150。
在另一实施例中,关联商品查询模块120除了根据第一商品PDT1搜寻关联商品数据库110以得到第一关联商品RPT1之外,亦可直接通过操作界面150接收使用者输入的第一关联商品RPT1的信息。换句话说,使用者可根据需求来选择并输入用以预测第一商品PDT1的第一关联商品RPT1。
在一实施例中,第一商品PDT1可为对应第一关联商品RPT1的周边商品。举例来说,若第一商品PDT1为手机的保护套、耳机、电池时,则关联商品查询模块120根据所述的第一商品PDT1搜寻到第一关联商品RPT1可为手机。此是因为通常购买手机的消费者,在购买手机之后可能会为了手机而购买其相关配件及周边商品,如手机的保护套、耳机、电池等。
在另一实施例中,第一关联商品RPT1与第一商品PDT1亦可为同一类型的商品,亦即,同一类型而不同厂牌的商品。举例来说,若第一商品PDT1为谷歌(Google)公司生产的智能眼镜,则关联商品查询模块120根据所述的第一商品PDT1搜寻到第一关联商品RPT1可为三星(Samsung)公司生产的智能眼镜。由于会购买智能眼镜的消费者有可能为此类型产品的爱好者,所以此类型的消费者亦有可能进一步购买其它厂牌的智能眼镜。
由于第一关联商品RPT1与第一商品PDT1具有关联性,且消费者往往在购买第一关联商品之后会因为对第一关联商品的好坏评价,而影响其购买第一商品的意愿,因此利用第一关联商品RPT1的销售数量及其评价来推测第一商品PDT1的潜在客户数量是有效且合理的,其具体内容于之后实施方式叙述。
搜寻模块130用以通过电子商务平台160根据第一关联商品RPT1和对应第一关联商品RPT1的价格区间PCP,搜寻对应第一关联商品RPT1的多个成交记录数据DRD和多个评价数据CMD。在一实施例中,电子商务平台160可以是淘宝网、Yahoo拍卖商城、京东网上商城或亚马逊(Amazon)线上购物等电子购物网站。一般来说,在电子商务平台160中的成交记录数据DRD和评价数据CMD多为公开且可读取的数据。
具体来说,电子商务平台160具有的商品数据非常众多。为了行销策略和增加被搜寻到的机会,经常会在商品数据中加载许多额外信息,因此搜寻模块130若仅使用第一关联商品RPT1的信息(例如:品名、型号等等)在电子商务平台160进行搜寻,则可能找到许多与第一关联商品无关的商品,导致搜寻的结果数据并不精准。举例来说,若第一关联商品RPT1为手机的话,当通过电子商务平台160搜寻手机时,除了关于手机的商品外,还有可能会搜寻到手机的周边商品,例如:保护套、耳机、电池等等。而这些商品的信息并非搜寻模块130所需要的搜寻结果数据。因此,在对第一关联商品RPT1进行搜索时,使用者还可通过操作界面150进一步输入对应第一关联商品RPT1的价格区间PCP,借此过滤掉不必要的商品信息。举例来说,若第一关联商品RPT1为手机的话,由于手机的价格和周边商品的价格相差颇大,当通过电子商务平台160根据对应手机的价格区间搜寻手机时,则可过滤掉大部分手机的周边商品。
预测模块140用以根据成交记录数据DRD及评价数据CMD,产生对应第一商品PDT1的预测客户数量。接着,预测模块140可根据预测客户数量产生对应第一商品PDT1的预测销售数量。
在一实施例中,预测模块140可通过全文搜寻搜寻在电子商务平台160中对第一关联商品RPT1的搜寻结果,并通过语法分析(Parsing)取出关于第一关联商品RPT1的成交记录数据DRD及评价数据CMD。
在一实施例中,预测模块140用以根据成交记录数据DRD产生对应第一关联商品RPT1的累积销售数量。预测模块140还用以从评价数据CMD中撷取出多个负评数据以产生负评数量。接着,预测模块140可将累积销售数量减去负评数量以产生预测客户数量。
具体来说,若使用者想预测手机的保护套(即第一商品PDT1)的销售数量,则其搜寻到的第一关联商品RPT1则可为手机。在关于手机在电子商务平台的成交记录中,若消费者有购买手机时,可能会对此商品进行评价。若消费者对于此手机的评价为好评或是无意见时,则可能代表此手机对于消费者而言算是好用,因此消费者有可能进一步去购买关于此手机的周边商品(例如:手机的保护套、耳机等等)。若是评价为负面评价时,则可能代表着消费者觉得此手机有部分缺点,进而减少购买其周边商品的可能性。因此,通过将第一关联商品RPT1(例如:手机)的累积销售数量减去对应第一关联商品RPT1的负评数量,可得到对应第一商品PDT1(例如:保护套)的预测客户数量。
在一实施例中,预测模块140搜寻模块130还用以搜寻电子商务平台160中多个商家对应第一关联商品RPT1的出货数量。预测模块140还用以累加在出货数量排行的一个范围内的出货数量以产生累积销售数量。出货数量排行榜为所述商家对应第一关联商品RPT1的出货数量的排行。
具体来说,预测模块140可通过在电子商务平台160对于第一关联商品RPT1的搜寻结果中,根据商家的出货数量进行排行以产生对应第一关联商品RPT1的出货数量排行榜,并且将在出货数量排行榜中的一个范围内(例如:出货数量最多的前300名)的各商家的出货数量进行累加以产生累积销售数量。由于在出货数量排行榜的后面排名的数量相较于前面排名的数量而言小很多,因此在估算对应第一关联商品RPT1的累积销售数量时,可以忽略出货数量排行榜的后面排名的出货出量(亦即,不在出货数量排行榜中区间范围内的出货数量),以增加估算对应第一关联商品RPT1的累积销售数量的效率。
在一实施例中,预测模块140还用以判断评价数据CMD中的每一评价数据是否包含多个负评词汇至少一者,并将具有所述负评词汇中至少一者的评价数据作为负评数据CMD。
具体来说,预测模块140可对评价数据CMD中的每一评价数据进行语意分析(Sentimentanalysis),以撷取多个评价情绪的词汇(例如:不错、很烂、没问题等等形容词句)。进一步来说,预测模块140可对评价数据CMD中的每一评价数据通过自然语言处理、字词分析、字词情绪分析等技术,分析产出包含情绪与口碑的关键字。接着,预测模块140可将上位化的“主题和情绪的配对”自动化进行聚类,依关联性消费者的口碑、情绪语料结构自动建立口碑概念词库。借此,可有效分离判断消费者负评内容信息。
接着,再通过与一内建的负评词库理的负评词汇(例如:好烂、差劲等等)进行比对,藉以判断所述评价数据是否包含负评词汇。若其中一笔评价数据包含至少一个负评词汇,则预测模块140将所述的评价数据设定为负评数据。借此,预测模块140即可从所有评价数据CMD中撷取出具有负评词汇的评价数据作为负评数据,并统计负评数据的数量。
在一实施例中,关联商品数据库110还储存对应于每个关联商品的历史销售数量。历史销售数量可为每个关联商品在过去的时间(例如:过去每一年、每一个月或每一天)的销售记录统计。据此,关联商品查询模块120还可根据第一商品PDT1从关联商品数据库110中搜寻对应第一商品PDT1的第二关联商品RPT2。预测模块140可根据第一商品PDT1的预测客户数量和对应第二关联商品RPT2的历史销售数量来产生预测销售数量。
在一实施例中,第二关联商品RPT2可为对应第一商品PDT1的上一世代的商品。举例来说,若第一商品PDT1为iPhone6手机,则第二关联商品RPT2可为iPhone5s手机或是iPhone5手机。由于会购买iPhone5s手机或iPhone5手机的消费者有可能为苹果公司的爱好者,因此这类型的消费者亦有可能进一步会购买iPhine6手机。据此,预测模块140可根据对应iPhone6手机(即第一商品)的预测客户数量和对应iPhone5s手机(亦即,对应第一商品的上一世代的商品)的历史销售数量,来预测iPhone6手机的销售数量。
进一步来说,当得到对应第二关联商品的历史销售数量后,预测模块140可统计对应第二关联商品的历史销售数量并将其规划为销量分布曲线。接着,预测模块140可将对应第一商品的预测客户数量与销量分布曲线通过曲线拟合的方式,得到对应第一商品的预测销售数量。曲线拟合的作法可通过最小二乘法、离散方程式、线性回归与非线性回归或贝塞尔曲线(Béziercurve)演算法中的任一种演算法。换句话说,预测模块140可通过最小二乘法、离散方程式、线性回归与非线性回归或贝塞尔曲线演算法中的任一种演算法,对预测客户数量和对应第二关联商品RPT2的历史销量数量进行计算以得到预测销售数量。
在另一实施例中,第二关联商品RPT2与第一商品PDT1可为同一类型的商品,亦即,同一类型而不同厂牌的商品。举例来说,若第一商品PDT1为苹果公司生产的智能手表,则第二关联商品RPT2可为三星公司生产的智能手表。由于会购买智能手表的消费者有可能为此类型产品的爱好者,因此此类型的消费者亦有可能进一步购买其它厂牌的智能手表。据此,预测模块140可根据对应苹果公司生产的智能手表(即第一商品)的预测客户数量和对应三星公司生产的智能手表(亦即,对应第一商品的同一类型的商品)的历史销售数量,来预测苹果公司生产的智能手表的销售数量。
类似地,当得到对应第二关联商品的历史销售数量后,预测模块140可通过最小二乘法、离散方程式、线性回归与非线性回归或贝塞尔曲线演算法中的任一种演算法,对预测客户数量和对应第二关联商品RPT2的历史销量数量进行计算以得到预测销售数量,其具体细节如上述实施方式,于此并不赘述。
因此,通过上述实施方式,商品销量预测系统100可有效地预测使用者输入的第一商品PDT1的销售数量,其预测的销售数量并非只是统计第一商品PDT1在电子商务平台160的评价数或是出货量,而是根据预测会购买第一商品PDT1的客户数量加上其关联商品的历史销售数量产生第一商品PDT1的预测销述数量。因此,对于第一商品PDT1的预测销售数量的准确性更为精准。
在一实施例中,商品销量预测系统100还可针对在一预测时间内(例如:未来的一周内和未来的一个月内等等)的第一商品的销售数量进行预测。具体来说,使用者可通过操作界面150输入想要的预测时间。搜寻模块130可根据第一关联商品RPT1、价格区间PCP、对应预测时间的一时间区间(例如:一周和一个月等等)搜寻在时间区间内的成交记录数据和评价数据。预测模块140则可根据在时间区间内的成交记录数据和评价数据产生在时间区间内的预测客户数量,并根据在时间区间内的预测客户数量产生对应第一商品PDT1在对应时间区间的一预测时间的预测销售数量。
举例来说,若使用者想预测iPhone6的保护套在一个月后的销售数量,则其时间区间即为一个月的时间长度。搜寻模块130可根据第一关联商品RPT1、价格区间PCP、对应预测时间的一时间区间(即一个月)搜寻在时间区间内(例如:过去一个月内)的成交记录数据和评价数据。预测模块140则可根据在时间区间内的成交记录数据和评价数据产生在时间区间内的预测客户数量,并根据在时间区间内的预测客户数量产生对应第一商品PDT1在预测时间(亦即,一个月后)的预测销售数量。
另外,商品销量预测系统100用以预测某一商品的销售数量并不限于某一家电子商务平台。换句话说,商品销量预测系统100可用以在多个电子商务平台(例如:同时搜寻淘宝网和京东网上商城)搜寻第一关联商品RPT1的成交记录数据和评价数据,并根据所述的电子商务平台的所有成交记录数据和评价数据产生对应第一关联商品RPT1的综整预测客户数量,并根据综整预测客户数量产生对应第一商品PDT1的综整预测销售数量,亦即,对应第一商品PDT1在所述的电子商务平台的所有预测销售数量。
请参照图2,图2是根据本发明一实施例绘示的一种商品销量预测方法200的流程图。商品销量预测方法200可实作为一计算机程序产品(如应用程序),并储存于一计算机可读取记录媒体中,而使计算机读取此记录媒体后执行商品销量预测方法200。计算机可读取记录媒体可为只读记忆体、快闪记忆体、软盘、硬盘、光盘、随身盘、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的计算机可读取记录媒体。
为了方便和清楚说明,图2的商品销量预测方法200以图1的商品销量预测系统100为例,然本发明并不以此为限。
如图2所示,首先,在步骤S210中,通过操作界面150接收使用者输入的第一商品PDT1。接着,在步骤S230中,根据第一商品PDT1,从关联商品数据库110中搜寻对应第一商品的第一关联商品RPT1。接着,在步骤S250中,通过电子商务平台160根据第一关联商品RPT1和对应第一关联商品的价格区间PCP,搜寻对应第一关联商品RPT1的成交记录数据DRD和评价数据CMD。接着,在步骤S270中,根据成交记录数据DRD及评价数据CMD,产生对应第一商品PDT1的预测客户数量。接着,在步骤S290中,根据预测客户数量产生对应第一商品PDT1的预测销售数量。
在一实施例中,第一商品PDT1可为对应第一关联商品RPT1的周边商品;在另一实施例中,第一关联商品RPT1与第一商品PDT1可为同一类型的商品,亦即,同一类型而不同厂牌的商品,其具体内容可参照上述实施例,在此并不赘述。
在一实施例中,步骤S270还可包含步骤S271~S275。请一并参照图3,图3是根据本发明一实施例绘示的一种商品销量预测方法200其中一个步骤S270的流程图。如图3所示,首先,在步骤S271中,根据成交记录数据DRD产生对应第一关联商品RPT1的累积销售数量。具体来说,步骤S271还可包含:搜寻电子商务平台160中多个商家对应第一关联商品RPT1的出货数量;及累加在出货数量排行榜的一个范围内的出货数量以产生所述累积销售数量,其中出货数量排行榜为所述商家对应第一关联商品RPT1的出货数量的排行,其具体实施方式可参照上述实施例,在此并不赘述。
接着,在步骤S273中,从评价数据CMD中撷取出多个负评数据以产生负评数量。具体来说,步骤S273还包含:判断评价数据CMD中的每一个评价数据是否包含多个负评词汇至少一者;及将具有负评词汇中至少一者的评价数据作为负评数据,其具体实施方式可参照上述实施例,在此并不赘述。
接着,在步骤S275中,将累积销售数量减去负评数量以产生对应第一商品PDT1的预测客户数量。
在一实施例中,步骤S290还可包含步骤S291~S293。请一并参照图4,图4是根据本发明一实施例绘示的一种商品销量预测方法200其中另一个步骤S290的流程图。如图4所示,首先,在步骤S291中,根据第一商品PDT1从关联商品数据库110中搜寻对应第一商品PDT1的第二关联商品RPT2。
接着,在步骤S293中,根据第一商品PDT1的预测客户数量和对应第二关联商品RPT2的历史销售数量来产生预测销售数量。在一实施例中,可通过最小二乘法、离散方程式、线性回归与非线性回归或贝塞尔曲线(演算法中的任一种演算法,对预测客户数量和对应第二关联商品RPT2的历史销量数量进行计算以得到预测销售数量,其具体细节如上述实施方式,于此并不赘述。
在一实施例中,第二关联商品RPT2可为对应第一商品PDT1的上一世代的商品;在另一实施例中,第二关联商品RPT2与第一商品PDT1可为同一类型的商品,亦即,同一类型而不同厂牌的商品,其具体内容可参照上述实施例,在此并不赘述。
如上所述的商品销量预测系统100或商品销量预测方法200,其具体实施方式可为软件、硬件与/或固件。举例来说,若以执行速度及精确性为首要考量,则商品销量预测系统100基本上可选用硬件与/或固件为主;若以设计弹性为首要考量,则商品销量预测系统100基本上可选用软件为主;或者,商品销量预测系统100可同时采用软件、硬件及固件协同作业。应了解到,以上所举的这些例子并没有所谓孰优孰劣之分,亦并非用以限制本发明,熟悉此项技艺者当视当时需要,弹性选择该等单元的具体实施方式。
综上所述,通过上述的商品销量预测系统100及商品销量预测方法200,可有效地预测使用者输入的第一商品PDT1的销售数量,其预测的销售数量并非只是统计第一商品在电子商务平台的评价数或是出货量,而是根据预测会购买第一商品的客户数量加上其关联商品的历史销售数量产生第一商品的预测销述数量。因此,对应第一商品的预测销售数量的准确性更为精准。
本发明的方法可经由本发明的商品销量预测系统来进行实作,系统中的部份元件(如关联商品查询模块、搜寻模块和预测模块),可应用具特定逻辑电路的独特硬件装置或具特定功能的设备来实作,如将程序码和处理器/芯片整合成独特硬件或将程序码和市售可得的特定设备整合。更进一步者,本发明的方法亦可经由一般用途处理器/计算器/服务器结合其它硬件来进行实作。当一般用途处理器/计算器/服务器载入特定程序码且执行时,此一般用途处理器/计算器/服务器成为用以参与本发明的系统元件,类似于应用具特定逻辑电路的独特硬件装置,以执行本发明方法的操作步骤。
虽然本发明已以实施方式揭露如上,然其并非用以限定本发明,任何熟悉此技艺者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰,因此本发明的保护范围当视所附的权利要求书所界定的范围为准。
Claims (19)
1.一种商品销量预测系统,其特征在于,包含:
一关联商品数据库,用以储存多个商品及分别对应所述商品的多个关联商品;
一关联商品查询模块,用以根据一第一商品,从该关联商品数据库中搜寻对应该第一商品的一第一关联商品;
一搜寻模块,用以通过一电子商务平台根据该第一关联商品和对应该第一关联商品的一价格区间,搜寻对应该第一关联商品的多个成交记录数据和多个评价数据;及
一预测模块,用以根据所述成交记录数据及所述评价数据,产生对应该第一商品的一预测客户数量,并根据该预测客户数量产生对应该第一商品的一预测销售数量。
2.根据权利要求1所述的商品销量预测系统,其特征在于,该预测模块用以根据所述成交记录数据产生对应该第一关联商品的一累积销售数量,并从所述评价数据中撷取出多个负评数据以产生一负评数量,及将该累积销售数量减去该负评数量以产生该预测客户数量。
3.根据权利要求2所述的商品销量预测系统,其特征在于,该预测模块该搜寻模块还用以通过搜寻该电子商务平台中多个商家对应该第一关联商品的出货数量,且该预测模块还用以累加在一出货数量排行榜一范围内的出货数量以产生该累积销售数量,其中该出货数量排行榜为所述商家对应该第一关联商品的出货数量的排行。
4.根据权利要求2所述的商品销量预测系统,其特征在于,该预测模块还用以判断所述评价数据中的每一评价数据是否包含多个负评词汇至少一者,并将具有所述负评词汇中至少一者的评价数据作为所述负评数据。
5.根据权利要求1所述的商品销量预测系统,其特征在于,该关联商品数据库还储存所述关联商品的多个历史销售数量,该关联商品查询模块还用以根据该第一商品从该关联商品数据库中搜寻对应该第一商品的一第二关联商品,且该预测模块还用以根据该预测客户数量和对应该第二关联商品的历史销售数量来产生该预测销售数量。
6.根据权利要求5所述的商品销量预测系统,其特征在于,该第二关联商品为对应该第一商品的上一世代的商品。
7.根据权利要求5所述的商品销量预测系统,其特征在于,该第二关联商品与该第一商品为同一类型的商品。
8.根据权利要求5所述的商品销量预测系统,其特征在于,该预测模块用以通过最小二乘法、离散方程式、线性回归与非线性回归、或贝塞尔曲线演算法,对该预测客户数量和对应该第二关联商品的该历史销量数量进行计算以产生该预测销售数量。
9.根据权利要求1所述的商品销量预测系统,其特征在于,该搜寻模块还用以根据该第一关联商品、该价格区间、对应一预测时间的一时间区间搜寻在该时间区间内的成交记录数据和评价数据,且该预测模块还用以根据在该时间区间内的成交记录数据和评价数据产生在该时间区间内的预测客户数量,并根据在该时间区间内的预测客户数量产生对应该第一商品在该预测时间的预测销售数量。
10.根据权利要求1所述的商品销量预测系统,其特征在于,该第一商品为对应该第一关联商品的周边商品。
11.根据权利要求1所述的商品销量预测系统,其特征在于,还包含一操作界面,用以供一使用者输入该第一商品及显示该第一关联商品。
12.一种商品销量预测方法,其特征在于,包含:
根据一第一商品,从一关联商品数据库中搜寻对应该第一商品的一第一关联商品,其中该关联商品数据库储存多个商品及分别对应所述商品的多个关联商品;
通过一电子商务平台根据该第一关联商品和对应该第一关联商品的一价格区间,搜寻对应该第一关联商品的多个成交记录数据和多个评价数据;
根据所述成交记录数据及所述评价数据,产生对应该关联商品的一预测客户数量;及
根据该预测客户数量产生对应该第一商品的一预测销售数量。
13.根据权利要求12所述的商品销量预测方法,其特征在于,根据所述成交记录数据及所述评价数据,产生对应该第一关联商品的该预测客户数量包含:
根据所述成交记录数据产生对应该第一关联商品的一累积销售数量;
从所述评价数据中撷取出多个负评数据以产生一负评数量;及
将该累积销售数量减去该负评数量以产生该预测客户数量。
14.根据权利要求13所述的商品销量预测方法,其特征在于,根据所述成交记录数据产生对应该第一关联商品的该累积销售数量包含:
搜寻该电子商务平台中多个商家对应该第一关联商品的出货数量;及
累加在一出货数量排行榜一范围内的出货数量以产生该累积销售数量,其中该出货数量排行榜为所述商家对应该第一关联商品的出货数量的排行。
15.根据权利要求13所述的商品销量预测方法,其特征在于,从所述评价数据中撷取出所述负评数据以产生该负评数量包含:
判断所述评价数据中的每一评价数据是否包含多个负评词汇至少一者;及
将具有所述负评词汇中至少一者的评价数据作为所述负评数据。
16.根据权利要求12所述的商品销量预测方法,其特征在于,该关联商品数据库还储存所述关联商品的多个历史销售数量,其中根据该预测客户数量产生对应该第一商品的该预测销售数量包含:
根据该第一商品从该关联商品数据库中搜寻对应该第一商品的一第二关联商品;及
根据该预测客户数量和对应该第二关联商品的历史销售数量来产生该预测销售数量。
17.根据权利要求16所述的商品销量预测方法,其特征在于,该第二关联商品为对应该第一商品的上一世代的商品。
18.根据权利要求16所述的商品销量预测方法,其特征在于,该第二关联商品与该第一商品为同一类型的商品。
19.根据权利要求16所述的商品销量预测方法,其特征在于,根据该第一商品的该预测客户数量和对应该第二关联商品的该历史销售数量来产生该预测销售数量包含:
通过最小二乘法、离散方程式、线性回归与非线性回归或贝塞尔曲线演算法,对该预测客户数量和对应该第二关联商品的该历史销量数量进行计算以产生该预测销售数量。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103140639 | 2014-11-24 | ||
TW103140639A TWI533245B (zh) | 2014-11-24 | 2014-11-24 | 商品銷量預測系統、商品銷量預測方法及其非暫態電腦可讀取記錄媒體 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105701553A true CN105701553A (zh) | 2016-06-22 |
Family
ID=53052367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410706071.3A Pending CN105701553A (zh) | 2014-11-24 | 2014-11-28 | 商品销量预测系统及商品销量预测方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20160148225A1 (zh) |
JP (1) | JP5918410B1 (zh) |
CN (1) | CN105701553A (zh) |
GB (1) | GB2532528A (zh) |
TW (1) | TWI533245B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN108335171A (zh) * | 2018-01-15 | 2018-07-27 | 杭州华量软件有限公司 | 一种快消品精准推荐方法以及系统 |
CN108932648A (zh) * | 2017-07-24 | 2018-12-04 | 上海宏原信息科技有限公司 | 一种预测商品属性数据及训练其模型的方法和装置 |
CN108960884A (zh) * | 2018-05-02 | 2018-12-07 | 网易无尾熊(杭州)科技有限公司 | 信息处理方法、模型构建方法及装置、介质和计算设备 |
CN109389434A (zh) * | 2018-10-12 | 2019-02-26 | 罗挺 | 一种市场容量确定方法、装置、设备及可读存储介质 |
CN109658154A (zh) * | 2018-12-25 | 2019-04-19 | 广州裕琪凌贸易有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
CN109801016A (zh) * | 2019-01-17 | 2019-05-24 | 雅马哈发动机(厦门)信息系统有限公司 | 一种基于耗用履历预测配件需求量的方法 |
CN110634007A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置、系统、计算机可读介质 |
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN111210272A (zh) * | 2020-01-03 | 2020-05-29 | 北京小米移动软件有限公司 | 产品销量测算方法及装置、存储介质 |
CN111242671A (zh) * | 2019-12-30 | 2020-06-05 | 上海锐嘉科智能科技有限公司 | 数据采集分析系统及方法 |
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
CN117371826A (zh) * | 2023-12-07 | 2024-01-09 | 福建科德信息技术服务有限公司 | 一种基于大数据的企业管理方法及系统 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10922742B2 (en) * | 2015-03-27 | 2021-02-16 | Verizon Patent And Licensing Inc. | Locating products using tag devices |
CN109415680B (zh) | 2016-05-18 | 2022-08-16 | 学校法人庆应义塾 | 类器官培养用细胞培养基、培养方法及类器官 |
TWI612488B (zh) * | 2016-12-05 | 2018-01-21 | 財團法人資訊工業策進會 | 用於預測商品的市場需求的計算機裝置與方法 |
CN108648058B (zh) * | 2018-05-15 | 2020-07-10 | 北京三快在线科技有限公司 | 产品排序方法及装置,电子设备、存储介质 |
JP7038350B2 (ja) * | 2018-12-27 | 2022-03-18 | 株式会社パラダイムシフト | 情報提供装置、情報提供方法、および情報提供プログラム |
CN110070238A (zh) * | 2019-05-07 | 2019-07-30 | 北京光速斑马数据科技有限公司 | 一种汽车行业商机挖掘分析方法及装置 |
CN111275294B (zh) * | 2020-01-09 | 2023-04-21 | 创优数字科技(广东)有限公司 | 一种商品信息批量处理分析方法、装置和设备 |
CN112132617A (zh) * | 2020-09-23 | 2020-12-25 | 胜斗士(上海)科技技术发展有限公司 | 用于确定价格敏感度的方法和装置 |
CN112132343B (zh) * | 2020-09-23 | 2023-02-07 | 创优数字科技(广东)有限公司 | 一种商品采购预测方法及系统、可读存储介质 |
CN113538055B (zh) * | 2021-07-20 | 2023-11-07 | 汇智数字科技控股(深圳)有限公司 | 用于亚马逊平台商品的销量预估方法、装置及处理器 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07117974B2 (ja) * | 1988-11-25 | 1995-12-18 | 鐘紡株式会社 | オーダエントリシステム |
JPH0567119A (ja) * | 1991-07-12 | 1993-03-19 | Hitachi Ltd | 商品分析システム |
JPH08278959A (ja) * | 1995-04-07 | 1996-10-22 | Hitachi Ltd | 時系列販売推移カーブを用いた商品販売予測 |
JP2002169946A (ja) * | 2000-11-30 | 2002-06-14 | Mitsubishi Electric Corp | 新商品売行予測装置及び新商品売行予測方法 |
-
2014
- 2014-11-24 TW TW103140639A patent/TWI533245B/zh active
- 2014-11-28 CN CN201410706071.3A patent/CN105701553A/zh active Pending
- 2014-12-03 US US14/558,742 patent/US20160148225A1/en not_active Abandoned
-
2015
- 2015-03-13 JP JP2015050455A patent/JP5918410B1/ja active Active
- 2015-03-25 GB GB1505033.9A patent/GB2532528A/en not_active Withdrawn
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320171B (zh) * | 2017-01-17 | 2020-11-03 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN108932648A (zh) * | 2017-07-24 | 2018-12-04 | 上海宏原信息科技有限公司 | 一种预测商品属性数据及训练其模型的方法和装置 |
CN108335171A (zh) * | 2018-01-15 | 2018-07-27 | 杭州华量软件有限公司 | 一种快消品精准推荐方法以及系统 |
CN108960884A (zh) * | 2018-05-02 | 2018-12-07 | 网易无尾熊(杭州)科技有限公司 | 信息处理方法、模型构建方法及装置、介质和计算设备 |
CN110634007A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置、系统、计算机可读介质 |
CN110782266B (zh) * | 2018-07-31 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN109389434A (zh) * | 2018-10-12 | 2019-02-26 | 罗挺 | 一种市场容量确定方法、装置、设备及可读存储介质 |
CN109658154B (zh) * | 2018-12-25 | 2022-10-14 | 山东浪潮新世纪科技有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
CN109658154A (zh) * | 2018-12-25 | 2019-04-19 | 广州裕琪凌贸易有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
CN109801016A (zh) * | 2019-01-17 | 2019-05-24 | 雅马哈发动机(厦门)信息系统有限公司 | 一种基于耗用履历预测配件需求量的方法 |
CN111242671A (zh) * | 2019-12-30 | 2020-06-05 | 上海锐嘉科智能科技有限公司 | 数据采集分析系统及方法 |
CN111210272A (zh) * | 2020-01-03 | 2020-05-29 | 北京小米移动软件有限公司 | 产品销量测算方法及装置、存储介质 |
CN111210272B (zh) * | 2020-01-03 | 2023-08-29 | 北京小米移动软件有限公司 | 产品销量测算方法及装置、存储介质 |
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
CN114219412B (zh) * | 2022-02-23 | 2022-04-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
CN117371826A (zh) * | 2023-12-07 | 2024-01-09 | 福建科德信息技术服务有限公司 | 一种基于大数据的企业管理方法及系统 |
CN117371826B (zh) * | 2023-12-07 | 2024-03-15 | 福建科德信息技术服务有限公司 | 一种基于大数据的企业管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
GB201505033D0 (en) | 2015-05-06 |
JP2016099995A (ja) | 2016-05-30 |
JP5918410B1 (ja) | 2016-05-18 |
TWI533245B (zh) | 2016-05-11 |
TW201619882A (zh) | 2016-06-01 |
GB2532528A (en) | 2016-05-25 |
US20160148225A1 (en) | 2016-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701553A (zh) | 商品销量预测系统及商品销量预测方法 | |
WO2020215751A1 (zh) | 一种推荐方法、电子设备及可读存储介质 | |
CN102609869B (zh) | 商品购买系统和方法 | |
US10664888B2 (en) | Method and system for attribute extraction from product titles using sequence labeling algorithms | |
US10134076B2 (en) | Method and system for attribute extraction from product titles using sequence labeling algorithms | |
RU2012127407A (ru) | Система, устройство и способы использования вероятностных технологий при определении тенденции, составлении профиля и основанных на шаблонах предсказаний поведения пользователя с целью предложения рекомендаций | |
JP6373462B1 (ja) | 予測装置、予測方法及び予測プログラム | |
JP5753217B2 (ja) | 商品コード分析システム及び商品コード分析プログラム | |
CN104615721B (zh) | 用于基于退货关联信息推荐商品的方法和系统 | |
Zhou et al. | Value depreciation factors for new and remanufactured high-technology products: a case study on iPhones and iPads | |
Jena et al. | Future aspect of acquisition management in closed-loop supply chain | |
CN107633416A (zh) | 一种业务对象的推荐方法、装置和系统 | |
CN115578163A (zh) | 一种组合商品信息的个性化推送方法及系统 | |
CN107679916A (zh) | 用于获取用户兴趣度的方法及装置 | |
CN113781149A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN116308684A (zh) | 一种网购平台店铺信息推送方法及系统 | |
Yudhistyra et al. | Using big data analytics for decision making: analyzing customer behavior using association rule mining in a gold, silver, and precious metal trading company in Indonesia | |
CN115564531A (zh) | 商品组合推荐方法及其装置、设备、介质、产品 | |
US20150206158A1 (en) | System and method for spend analysis of the service category | |
US20140358635A1 (en) | Making product substitution recommendations | |
US20150347564A1 (en) | Category name extraction device, category name extraction method, and category name extraction program | |
US20220292407A1 (en) | System and method for machine learning-based delivery tagging | |
Arning et al. | Eliciting user requirements and acceptance for customizing mobile device system architecture | |
KR20210096936A (ko) | 검색 키워드를 이용한 오픈마켓 통합 관리 시스템 | |
JP2020064627A (ja) | 情報処理装置、情報処理方法および情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160622 |