CN105956699A - 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 - Google Patents
基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 Download PDFInfo
- Publication number
- CN105956699A CN105956699A CN201610276199.XA CN201610276199A CN105956699A CN 105956699 A CN105956699 A CN 105956699A CN 201610276199 A CN201610276199 A CN 201610276199A CN 105956699 A CN105956699 A CN 105956699A
- Authority
- CN
- China
- Prior art keywords
- sales
- data
- commodity
- external factor
- classification
- 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.)
- Withdrawn
Links
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于电商销售数据及外部相关数据的销量预测方法,其特征在于:首先通过电商企业产品销售的地域地域特征对所售区域进行重新划分,提高销售数据密度。其次利用地域内汇总的销售数据建立时间序列拟合模型,通过历史数据预测未来的销售量。最后利用相关性分析,选取对于销售影响较大的外部因素,通过隐马尔科夫预测模型,将外部因素的变化对销售量的概率影响加入到预测模型中,提高预测结果的可靠性。
Description
技术领域
本发明涉及互联网电商信息处理领域,具体地说,是涉及一种基于电商企业的销售数据及综合利用外部数据的商品销量预测方法。
背景技术
随着我国电商基础设施的日渐完善,越来越多的电商企业逐渐发展状态,形成了规模级的电商企业,年销售额上千万甚至上亿元,随着销售量的增加,随之带来的就是库存管理,个性化营销方面的问题,由于电商企业的线上销售特性,其产品是随机的销往全国各地,如何高效,准确的给出未来某一地域的销售预测,能够帮助企业合理规划库存,有针对性的进行活动策划,降低企业运营成本,提高在同类电商企业中的竞争力。
传统的销量预测技术主要采用的是对历史销售数据进行回归分析,建立回归模型,这种预测方式在传统的供大于求的销售状况中有着较好的应用,但是电商企业的销售存在着一下几个传统销售不具有的特征:产品种类的多样性;产品库存的灵活性;销售范围的不确定性;例如:某电商企业在销售某种商品后,货源停止供应该种商品而采用另一型号的商品重新供货,在这种情况下,传统的回归分析就无法识别两种产品之间的关系。此外,线上销售更容易受到外部因素的影响,而传统的回归分析无法考量外部因素,当外部因素发生较大改变时,其对销售预测存在着较大偏差。
发明内容
鉴于以上所述现有技术存在的问题和不足,本发明要解决的技术问题是提供一种能够综合历史销售数据及外部影响因素的基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法,该方法既能考量销售历史趋势,同时又能对当前外部因素的变化产生响应,修正基于历史数据的预测值。
为了解决上述问题,本发明采用下述技术方案:
一种基于电商销售数据及外部相关数据的销量预测方法,其特征在于:首先利用外部信息对电商销售地域SalesArea进行重新划分,在新的电商销售地域SalesArea下对销售数据进行汇总,然后利用聚类技术将零散的商品类型重新聚合到一起,最后利用复合销售预测技术,预测聚合商品分类下的销售量。
具体步骤如下:
(1)利用相关数据对电商销售地域SalesArea进行重新划分。
a、地域相关要素提取。
不同地域间对于相同产品的销售模式是不同的,因此在对电商企业销售商品的销量预测研究中,首先要区别对待不同地区的销售模式。因此首先要通过相关性分析,选择与销售相关的外部因素。
b、地域重新划分。
通过相关性分析得出的因素,例如经济,人口等,利用这些外部因素序列通过聚类的方法,获取新的地域分类集合Area={a1、a2、a3、……an},其中an 第n个新地域内包含有的原始地域信息。
(2)利用电商企业的销售数据SalesData按照商品销售时间Time对所有商品进行共性提取,获取所有商品所属Categories信息。
a、商品销量信息汇总。
在新的销售地域划分集合Area内,对所售产品按一定的时间间隔T进行统计汇总,最终获取所有商品在给定地域内的销售时间序列SalesTSi={ si1、si2、si3、……sin }。
b、利用聚类技术进行商品聚类。
利用聚类技术将求出的商品销售时间序列SalesTSi进行聚类分析操作,获取商品的新分类信息Categories。
(3)在新的Categories下,利用复合预测模型对商品销量进行预测。
a、构造基于历史销售数据的预测模型;
根据不同商品的销售特征,具有季节特性的商品销售序列选择SARMA时间序列模型,不具有季节特性的商品销售序列选择ARMA时间序列模型,利用建立的时间序列模型拟合历史数据并给出销量预测值。
b、利用相关性分析获取对于销售数据有主要影响的外部因素;
由于在可获得的众多外部销量相关的数据中存在大量的数据,数据之间又会有各种各样的先关性关系,因此,在进行外部因素对于销量数据的影响分析前,首先要通过二者的相关性分析确定二者的相关程度,筛选掉相关性较小的外部因素。这里采用皮尔森相关系数(Pearson correlation coefficient)作为相关性检验的标准。
c、利用外部因素建立隐马尔科夫预测模型;
利用外部因素的历史变化数据生成,外部因素变化的预测矩阵即隐马尔科夫模型中的转移概率矩阵,再利用外部因素与销售变化的历史数据生成混淆矩阵。最后给定初始外部条件观察值,通过转移矩阵给出未来时段的外部因素概率分布,再通过混淆矩阵将外部因素的概率分布转化为对销量影响的概率分布。
基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法到此结束。
本发明的基于电商销售数据及外部相关数据的销量预测方法,通过对电商销售地域特征提取,商品特征提取等手段对电商销售数据进行重新整合,再利用复合销售预测方法,结合历史数据以及外部因素对在新分类下的商品销量进行准确预测,解决了电商销售数据的零散问题及预测结果对外部因素无反应的缺点,提高了预测结果的可靠性和实用性。
附图说明
图1是本发明的基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法的流程图;
图2是图1所述的地域重划分的流程图;
图3是图1中产品分类提取的流程图;
图4是图1中复合预测模型的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的描述。
参照图1,本发明的基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法包括如下步骤:
步骤01、利用相关数据对电商销售地域SalesArea进行重新划分,参照图2,其具体如下:
步骤101:地域相关要素提取;
不同地域间对于相同产品的销售模式是不同的,因此在对电商企业销售商品的销量预测研究中,首先要区别对待不同地区的销售模式。因此首先要通过相关性分析,选择与销售相关的外部因素。
步骤102:地域重新划分;
通过相关性分析得出的因素,例如经济,人口等,利用这些外部因素序列通过聚类的方法,获取新的地域分类集合Area={a1、a2、a3、……an},其中an 第n个新地域内包含有的原始地域信息。
步骤02、判利用电商企业的销售数据SalesData按照商品销售时间Time对所有商品进行共性提取,获取所有商品所属Categories信息。参照图3,包括如下步骤:
步骤201:商品销量信息汇总;
在新的销售地域划分集合Area内,对所售产品按一定的时间间隔T进行统计汇总,最终获取所有商品在给定地域内的销售时间序列SalesTSi={ si1、si2、si3、……sin }。
步骤202:利用聚类技术进行商品聚类;
利用聚类技术将求出的商品销售时间序列SalesTSi进行聚类分析操作,获取商品的新分类信息Categories。
步骤03、在新的Categories下,利用复合预测模型对商品销量进行预测。参照图4,包括如下步骤:
步骤301:构造基于历史销售数据的预测模型;
根据不同商品的销售特征,具有季节特性的商品销售序列选择SARMA时间序列模型,不具有季节特性的商品销售序列选择ARMA时间序列模型,利用建立的时间序列模型拟合历史数据并给出销量预测值。
步骤302:利用相关性分析获取对于销售数据有主要影响的外部因素;
由于在可获得的众多外部销量相关的数据中存在大量的数据,数据之间又会有各种各样的先关性关系,因此,在进行外部因素对于销量数据的影响分析前,首先要通过二者的相关性分析确定二者的相关程度,筛选掉相关性较小的外部因素。这里采用皮尔森相关系数(Pearson correlation coefficient)作为相关性检验的标准。
步骤303:利用外部因素建立隐马尔科夫预测模型;
利用外部因素的历史变化数据生成,外部因素变化的预测矩阵即隐马尔科夫模型中的转移概率矩阵,再利用外部因素与销售变化的历史数据生成混淆矩阵。最后给定初始外部条件观察值,通过转移矩阵给出未来时段的外部因素概率分布,再通过混淆矩阵将外部因素的概率分布转化为对销量影响的概率分布。
综上所述,本发明提出了一种基于电商销售数据及外部相关数据的销量预测方法,提高了电商领域内的商品销量预测的可靠性。
Claims (4)
1.一种基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法,其特征在于:首先利用电商企业销售数据SalesData按照商品销售的时间Time对所有销售商品进行共性提取,获取所有商品所属Categories信息;
再利用上述方法中提取的Categories信息汇总商品销售数据,对此类商品建立复合预测模型,获取SalesForecast值;
具体步骤如下:
(1)利用相关数据对电商销售地域SalesArea进行重新划分;
(2)利用电商企业的销售数据SalesData按照商品销售时间Time对所有商品进行共性提取,获取所有商品所属Categories信息;
(3)在新的Categories下,利用复合预测模型对商品销量进行预测。
2.根据权利要求1所述的基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法,其特征在于,其中步骤(1)中所述的利用相关数据对电商销售地域SalesArea进行重新划分,其操作步骤如下:
a、地域相关要素提取: 不同地域间对于相同产品的销售模式是不同的,因此在对电商企业销售商品的销量预测研究中,首先要区别对待不同地区的销售模式;因此首先要通过相关性分析,选择与销售相关的外部因素;
b、地域重新划分:通过相关性分析得出的因素,例如经济,人口,利用这些外部因素序列通过聚类的方法,获取新的地域分类集合Area={a1、a2、a3、……an},其中an 第n个新地域内包含有的原始地域信息。
3.根据权利要求1所述的基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法,其特征在于,其中步骤(2)中所述的利用电商企业的销售数据SalesData按照商品销售时间Time对所有商品进行共性提取,获取所有商品所属Categories信息,其操作步骤如下:
a、商品销量信息汇总: 在新的销售地域划分集合Area内,对所售产品按一定的时间间隔T进行统计汇总,最终获取所有商品在给定地域内的销售时间序列SalesTSi={ si1、si2、si3、……sin };
b、利用聚类技术进行商品聚类:利用聚类技术将求出的商品销售时间序列SalesTSi进行聚类分析操作,获取商品的新分类信息Categories。
4.根据权利要求1所述的基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法,其特征在于,上述步骤(3)中所述的在新的Categories下,利用符合预测模型对商品销量进行预测,其操作步骤如下:
a、构造基于历史销售数据的预测模型;
根据不同商品的销售特征,具有季节特性的商品销售序列选择SARMA时间序列模型,不具有季节特性的商品销售序列选择ARMA时间序列模型,利用建立的时间序列模型拟合历史数据并给出销量预测值;
b、利用相关性分析获取对于销售数据有主要影响的外部因素;
由于在可获得的众多外部销量相关的数据中存在大量的数据,数据之间又会有各种各样的先关性关系,因此,在进行外部因素对于销量数据的影响分析前,首先要通过二者的相关性分析确定二者的相关程度,筛选掉相关性较小的外部因素;这里采用皮尔森相关系数(Pearson correlation coefficient)作为相关性检验的标准;
c、利用外部因素建立隐马尔科夫预测模型;
利用外部因素的历史变化数据生成,外部因素变化的预测矩阵即隐马尔科夫模型中的转移概率矩阵,再利用外部因素与销售变化的历史数据生成混淆矩阵;最后给定初始外部条件观察值,通过转移矩阵给出未来时段的外部因素概率分布,再通过混淆矩阵将外部因素的概率分布转化为对销量影响的概率分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610276199.XA CN105956699A (zh) | 2016-04-29 | 2016-04-29 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610276199.XA CN105956699A (zh) | 2016-04-29 | 2016-04-29 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956699A true CN105956699A (zh) | 2016-09-21 |
Family
ID=56916030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610276199.XA Withdrawn CN105956699A (zh) | 2016-04-29 | 2016-04-29 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956699A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897795A (zh) * | 2017-02-17 | 2017-06-27 | 联想(北京)有限公司 | 一种库存预测方法及装置 |
CN107016564A (zh) * | 2016-11-25 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种进行指标预测的方法和设备 |
CN107402742A (zh) * | 2017-08-04 | 2017-11-28 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN107403334A (zh) * | 2017-06-07 | 2017-11-28 | 北京小度信息科技有限公司 | 数据处理方法及装置 |
CN107679902A (zh) * | 2017-09-27 | 2018-02-09 | 合肥博力生产力促进中心有限公司 | 一种基于云服务的企业产品市场需求量预测系统 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN108876458A (zh) * | 2018-06-19 | 2018-11-23 | 湖北国网华中科技开发有限责任公司 | 一种基于网络爬虫的商品动态预测方法及系统 |
CN108876562A (zh) * | 2018-08-02 | 2018-11-23 | 浙江中农在线电子商务有限公司 | 农资电商平台的商品推荐方法及装置 |
CN109558674A (zh) * | 2018-11-28 | 2019-04-02 | 北京超萌国际文化有限公司 | 销量预测及其模型训练方法、装置 |
CN109961315A (zh) * | 2019-01-29 | 2019-07-02 | 河南中烟工业有限责任公司 | 一种基于非线性组合模型的卷烟月度销量预测方法 |
CN110019420A (zh) * | 2018-05-10 | 2019-07-16 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
WO2019183973A1 (zh) * | 2018-03-30 | 2019-10-03 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN110335092A (zh) * | 2019-07-15 | 2019-10-15 | 联想(北京)有限公司 | 一种数据处理方法、装置及计算设备 |
CN110619407A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 对象销量的预测方法及系统、电子设备和存储介质 |
CN110738508A (zh) * | 2018-07-19 | 2020-01-31 | 北京京东尚科信息技术有限公司 | 一种数据分析方法和装置 |
CN110826579A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 一种商品分类的方法和装置 |
CN110910169A (zh) * | 2019-11-14 | 2020-03-24 | 上海新蕴力电子商务有限公司 | 一种电商目标管理系统 |
CN111401409A (zh) * | 2020-02-28 | 2020-07-10 | 创新奇智(青岛)科技有限公司 | 商品品牌特征获取方法、销量预测方法、装置及电子设备 |
CN111652646A (zh) * | 2020-06-02 | 2020-09-11 | 中储南京智慧物流科技有限公司 | 一种短期商品需求预测方法 |
CN111815348A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于各门店商品相似度聚类的区域商品生产计划方法 |
CN112053113A (zh) * | 2020-09-02 | 2020-12-08 | 上海聚水潭网络科技有限公司 | 一种用于精简发货流程的整箱拣货智能决策方法和系统 |
CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
CN113888235A (zh) * | 2021-10-22 | 2022-01-04 | 创优数字科技(广东)有限公司 | 一种销量预测模型的训练方法、销量预测方法及相关装置 |
CN114022057A (zh) * | 2022-01-06 | 2022-02-08 | 国家邮政局邮政业安全中心 | 基于电商寄递业务量的产业结构分析方法、装置及设备 |
-
2016
- 2016-04-29 CN CN201610276199.XA patent/CN105956699A/zh not_active Withdrawn
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016564A (zh) * | 2016-11-25 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种进行指标预测的方法和设备 |
CN106897795A (zh) * | 2017-02-17 | 2017-06-27 | 联想(北京)有限公司 | 一种库存预测方法及装置 |
CN107403334A (zh) * | 2017-06-07 | 2017-11-28 | 北京小度信息科技有限公司 | 数据处理方法及装置 |
CN107402742A (zh) * | 2017-08-04 | 2017-11-28 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN107679902A (zh) * | 2017-09-27 | 2018-02-09 | 合肥博力生产力促进中心有限公司 | 一种基于云服务的企业产品市场需求量预测系统 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
WO2019183973A1 (zh) * | 2018-03-30 | 2019-10-03 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
WO2019214455A1 (zh) * | 2018-05-10 | 2019-11-14 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
CN110019420A (zh) * | 2018-05-10 | 2019-07-16 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
CN110019420B (zh) * | 2018-05-10 | 2021-03-30 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
CN108876458A (zh) * | 2018-06-19 | 2018-11-23 | 湖北国网华中科技开发有限责任公司 | 一种基于网络爬虫的商品动态预测方法及系统 |
CN110619407A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 对象销量的预测方法及系统、电子设备和存储介质 |
CN110619407B (zh) * | 2018-06-19 | 2024-04-09 | 北京京东尚科信息技术有限公司 | 对象销量的预测方法及系统、电子设备和存储介质 |
CN110738508A (zh) * | 2018-07-19 | 2020-01-31 | 北京京东尚科信息技术有限公司 | 一种数据分析方法和装置 |
CN108876562A (zh) * | 2018-08-02 | 2018-11-23 | 浙江中农在线电子商务有限公司 | 农资电商平台的商品推荐方法及装置 |
CN110826579A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 一种商品分类的方法和装置 |
CN109558674A (zh) * | 2018-11-28 | 2019-04-02 | 北京超萌国际文化有限公司 | 销量预测及其模型训练方法、装置 |
CN109961315A (zh) * | 2019-01-29 | 2019-07-02 | 河南中烟工业有限责任公司 | 一种基于非线性组合模型的卷烟月度销量预测方法 |
CN110335092A (zh) * | 2019-07-15 | 2019-10-15 | 联想(北京)有限公司 | 一种数据处理方法、装置及计算设备 |
CN110910169A (zh) * | 2019-11-14 | 2020-03-24 | 上海新蕴力电子商务有限公司 | 一种电商目标管理系统 |
CN111401409A (zh) * | 2020-02-28 | 2020-07-10 | 创新奇智(青岛)科技有限公司 | 商品品牌特征获取方法、销量预测方法、装置及电子设备 |
CN111401409B (zh) * | 2020-02-28 | 2023-04-18 | 创新奇智(青岛)科技有限公司 | 商品品牌特征获取方法、销量预测方法、装置及电子设备 |
CN111815348A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于各门店商品相似度聚类的区域商品生产计划方法 |
CN111652646A (zh) * | 2020-06-02 | 2020-09-11 | 中储南京智慧物流科技有限公司 | 一种短期商品需求预测方法 |
CN112053113A (zh) * | 2020-09-02 | 2020-12-08 | 上海聚水潭网络科技有限公司 | 一种用于精简发货流程的整箱拣货智能决策方法和系统 |
CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
CN113888235A (zh) * | 2021-10-22 | 2022-01-04 | 创优数字科技(广东)有限公司 | 一种销量预测模型的训练方法、销量预测方法及相关装置 |
CN113888235B (zh) * | 2021-10-22 | 2022-07-08 | 创优数字科技(广东)有限公司 | 一种销量预测模型的训练方法、销量预测方法及相关装置 |
CN114022057A (zh) * | 2022-01-06 | 2022-02-08 | 国家邮政局邮政业安全中心 | 基于电商寄递业务量的产业结构分析方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956699A (zh) | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 | |
McNerney et al. | Network structure of inter-industry flows | |
KR101963817B1 (ko) | 키워드 검색량 기반 예측 정보 생성 장치 및 방법 | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
CN102402756A (zh) | 智能服装商务系统 | |
Tanaka | A sales forecasting model for new-released and nonlinear sales trend products | |
CN103984998A (zh) | 基于云服务平台大数据挖掘的销售预测方法 | |
CN109740624A (zh) | 一种基于大数据的物流供应链需求预测方法 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
Abolghasemi et al. | Model selection in reconciling hierarchical time series | |
CN116187808A (zh) | 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法 | |
Lingxian et al. | Online retail sales prediction with integrated framework of K-mean and neural network | |
Xu et al. | Optimal decision of multiobjective and multiperiod anticipatory shipping under uncertain demand: A data-driven framework | |
Gupta et al. | The role of oil and risk shocks in the high‐frequency movements of the term structure of interest rates: Evidence from the US Treasury market | |
Love et al. | New Option in Hotel Appraisals: Quantifying the Revenue Enhancement Value of Hotel Brands. | |
Scarpel | A demand trend change early warning forecast model for the city of São Paulo multi-airport system | |
Spuritha et al. | Quotidian sales forecasting using machine learning | |
Ganhewa et al. | Sales Optimization Solution for Fashion Retail | |
Karagedikli et al. | Shocked by the world! Introducing the three block open economy FAVAR | |
Ding et al. | Impact of environment on hotel customer satisfaction in Southeast Asia: A study of online booking site reviews | |
Soonsiripanichkul et al. | Domination dependency analysis of sales marketing based on multi-label classification using label ordering and cycle chain classification | |
Esteves et al. | Short-term forecasting for the Portuguese economy: A methodological overview | |
Joshitta et al. | The Integration of Machine Learning Technique with the Existing System to Predict the Flight Prices | |
Singh et al. | Customer life time value model framework using gradient boost trees with RANSAC response regularization | |
Qing-ji et al. | A personalized hybrid recommendation strategy based on user behaviors and its application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20160921 |