CN106204086A - 商品销量的预警方法和装置 - Google Patents
商品销量的预警方法和装置 Download PDFInfo
- Publication number
- CN106204086A CN106204086A CN201510226471.9A CN201510226471A CN106204086A CN 106204086 A CN106204086 A CN 106204086A CN 201510226471 A CN201510226471 A CN 201510226471A CN 106204086 A CN106204086 A CN 106204086A
- Authority
- CN
- China
- Prior art keywords
- sales
- commodity
- current
- trend
- abnormal cause
- 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 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 152
- 230000008859 change Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims 2
- 230000013011 mating Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 229910052753 mercury Inorganic materials 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提出一种商品销量的预警方法和装置,该方法包括:预测商品的当前销售趋势;根据商品的当前销售数据确定预测的当前销售趋势是否异常;当确定预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警。本申请实施例的方法,在当前销售趋势异常时,可以快速定位到异常原因。
Description
技术领域
本申请实施例涉及信息处理技术领域,尤其涉及一种商品销量的预警方法和装置。
背景技术
目前,随着电子商务的快速发展,对于多类别商品或超多类别商品的管理和监控,各大电子商务网络交易平台均需投入大量的人力和物力。相关技术中,对于多类别商品或超多类别商品的管理和监控往往局限于入库管理和销售管理,容易导致以下缺陷:
(1)一旦出现销售问题,不能够及时反应,具有延迟性;
(2)无法准确定位销售问题的原因点,例如,某类别化妆品的销量近期明显下跌时,往往需要很长时间的排查才发现是由于该类别化妆品的质量出现问题而引起的。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于,提出一种商品销量的预警方法。该方法在当前销售趋势异常时,可以快速定位到异常原因。
本发明的第二个目的在于,提出一种商品销量的预警装置。
为了实现上述目的,本发明第一方面实施例的商品销量的预警方法,包括:预测商品的当前销售趋势;根据商品的当前销售数据确定预测的当前销售趋势是否异常;当确定所述预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警,其中,所述预设的异常原因列表包括多个异常原因,每个所述异常原因包括商品类别、销售趋势和原因序列,所述销售趋势根据商品的历史销售数据获得,所述原因序列根据影响商品销售的外界影响因素的至少一种数据获得。
本发明实施例提供的商品销量的预警方法,通过影响商品销售的外界影响因素的至少一种历史数据建立的预设的异常原因列表,在当前销售趋势异常时,可以快速定位到异常原因;另外,由于至少一种历史数据与商品的销售密切相关,能够准确地反应异常原因,因此定位到的异常原因也非常准确。
为了实现上述目的,本发明第二方面实施例的商品销量的预警装置,包括:预测模块,用于预测商品的当前销售趋势;确定模块,用于根据商品的当前销售数据确定预测的当前销售趋势是否异常;预警模块,用于在所述确定模块确定所述预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警,其中,所述预设的异常原因列表包括多个异常原因,每个所述异常原因包括商品类别、销售趋势和原因序列,所述销售趋势根据商品的历史销售数据获得,所述原因序列根据影响商品销售的外界影响因素的至少一种历史数据获得。
本发明实施例提供的商品销量的预警装置,通过影响商品销售的外界影响因素的至少一种历史数据建立的预设的异常原因列表,在当前销售趋势异常时,可以快速定位到异常原因;另外,由于至少一种历史数据与商品的销售密切相关,能够准确地反应异常原因,因此,定位到的异常原因也非常准确。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中,
图1是根据本发明一个实施例的商品销量的预警方法的流程图;
图2是根据本发明另一个实施例的商品销量的预警方法的流程图;
图3是根据本发明一个实施例的建立预设的异常原因列表的流程图;
图4是根据本发明又一个实施例的商品销量的预警方法的流程图;
图5是根据本发明再一个实施例的商品销量的预警方法的流程图;
图6是根据本发明实施例的商品销量的预警方法的示意图;
图7是根据本发明实施例的树形结构的商品销售数据的示意图;
图8是根据本发明一个实施例的商品销量的预警装置的结构框图;
图9是根据本发明另一个实施例的商品销量的预警装置的结构框图;
图10是根据本发明实施例的建立模块的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在相关技术中,对于多类别商品或超多类别商品的管理和监控局限于入库管理和销售管理,并没有涉及商品销量异常的判断以及异常原因的生成。本发明的实施例提供一种商品销量的预警方法和装置,基于多类别商品或超多类别商品的销量监控技术,结合多输入的结构化整合,例如,影响商品销量的外界因素(如天气),社交媒体数据(如来往、微博上的评论数据等),能够对商品销量异常及时进行判断,并且可以生成商品销量的异常原因。下面参考附图描述本发明实施例的商品销量的预警方法和装置。
图1是根据本发明一个实施例的商品销量的预警方法的流程图。
如图1所示,该商品销量的预警方法包括:
S101,预测商品的当前销售趋势。
为预测商品的当前销售趋势,以下举例进行说明。
需要说明的是,本申请实施例中列举的示例仅用于了解本申请实施例中的具体技术方案,并不是对本申请的限制。例如,可首先获取商品的销售数据库,该销售数据库可以是相关技术中多类别商品或超多类别商品的销售管理或监控记录的,该销售数据库包括所有商品的销售记录,每条销售记录包括销售时间、商品名称。然后,对销售数据库进行整合和归并,例如,提供整合和归并组件,该组件按照定制化的颗粒度(例如,天)将销售数据库中的销售记录进行整合和归并,例如,针对女装大衣的商品,整合和归并后的销售数据包括商品名称和销量,具体示例如下:
2015年1月1日销量10000元;
2015年1月2日销量12000元;
2015年1月3日销量12000元;
2015年1月4日销量21000元;
2015年1月5日销量20000元;……
当然,销售数据在记录时也可以直接以上述格式存储。再然后,根据整合和归并后的销售数据,按照相关技术的数据挖掘方法,预测商品的当前销售趋势,销售趋势包括商品名称和销量,具体示例如下:
2015年1月19日女装大衣销量15000元;
2015年1月19日女装连衣裙销量1000元;……
进一步地,预测商品的当前销售趋势可以先建立预测器,输入获取的销售数据,以根据预测器输出预测商品的当前销售趋势;还可以根据影响商品销量的外界因素(如天气),社交媒体数据等对预测出的当前销售趋势进行校对,具体预测方法将在后续实施例中详细介绍。
S102,根据商品的当前销售数据,确定预测的当前销售趋势是否异常。
该步骤中,通过商品的当前销售数据,确定预测的当前销售趋势是否异常。进一步地,在获取预测的当前销售趋势之后,具体可根据整合和归并后的或者记录的当前销售数据确定预测的当前销售趋势是否异常。例如,计算两个之间的变化趋势,如果变化趋势没有超过预设的变化范围,则确定正常,否则为异常。例如,如果当前记录的销售数据为女装大衣销量10000元,而预测的当前销售趋势为女装大衣销量5000元,则销售趋势增加一倍,说明当前记录的销售数据大大超过预测的当前销售趋势,则出现异常。而这些异常可能是天气变化、微博讨论量增加等引起的。
S103,当确定预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警。
其中,预设的异常原因列表包括多个异常原因,每个异常原因包括商品类别、销售趋势和原因序列。其中,所述销售趋势可以是描述性信息,例如,销量骤升等,也可以是具体量化的数值,例如,销量上升50%等。原因序列具体可包括影响商品销售的外界影响因素的连续变量的变化序列和/或影响商品销售的外界影响因素的事件变量。例如,连续变量的变化序列可以是,气温骤升、气温骤降、气温上升5度、气温下降10度、微博讨论量骤升、微博讨论量骤降,事件变量可以是大雪、相关电影上映等。例如,异常原因列表的具体示例如下:
女装大衣-销量骤升-气温骤降;
女装大衣-销量骤升-微博讨论量增加;
女装大衣-销量骤升-搜索量增加;
女装大衣-销量上升70%-气温下降10度;
女装大衣-销量上升50%-气温下降5度;
童装-销量骤升-梦工厂动画片上映;
童装-销量骤升-儿童节;
……。
销售趋势根据商品的历史销售数据获得,原因序列根据影响商品销售的外界影响因素的至少一种历史数据获得。
影响商品销售的外界影响因素的历史数据可以是基于区域/时间颗粒度的气象数据、日期(如节日)、特殊事件等。以气象数据为例,该历史数据的存储格式可以是:时间-区域-类别-温度,如,2015年1月18日-杭州-晴-0~10度。
影响商品销售的外界影响因素的历史数据还可以是社交媒体数据,如微博、微信等上用户发表的信息等。以微博数据为例,该历史数据的存储格式可以是:用户-时间戳-微博内容,如:用户XXX-2015年1月18-“买了一件风衣”。由于微博、微信等上的信息都是普通网民发表的,具有较强的时效性,能够最真实地反应销售问题。
本发明实施例的商品销量的预警方法,通过影响商品销售的外界影响因素的至少一种历史数据建立的预设的异常原因列表,在当前销售趋势异常时,可以快速定位到异常原因;另外,由于至少一种历史数据与商品的销售密切相关,能够准确地反应异常原因,因此定位到的异常原因也非常准确。
图2是根据本发明另一个实施例的商品销量的预警方法的流程图,图6是根据本发明实施例的商品销量的预警方法的示意图。
如图2所示,该商品销量的预警方法包括:
S200,建立预设的异常原因列表。
具体地,预设的异常原因列表可以根据专家知识预先建立,例如,接收销售人员输入的异常原因,还可以根据历史销售数据以及该历史销售数据对应的至少一种历史数据,经过大数据的融合计算获得,下面详细介绍该过程。
图3是根据本发明一个实施例的建立预设的异常原因列表的流程图。在本发明的一个实施例中,如图3所示,S200包括:
S1,获取历史销售数据、影响商品销售的外界影响因素的至少一种历史数据。
如图6所示,获取历史销售数据010,至少一种历史数据020和030,其中历史销售数据010可以是相关技术中销售管理所记录的数据,历史数据020可以是影响商品销量的客观影响因素,例如,可以与气象服务器进行通信以获取的气象数据,历史数据030可以是影响商品销量的社交媒体数据,可以连接至不同的社交媒体接口获得该历史数据030,本发明的实施例对此不限定。
S2,根据历史销售数据确定销售趋势。
在获取历史销售数据010之后,可以进行数据的整合和归并,例如,可以将历史销售数据010整理和归并成基于树形结构的商品销售数据,树形结构的商品销售数据处理相对容易,具体如图7所示,为一个树形结构的商品销售数据的示意图。应当理解,历史销售数据010还可以其他形式进行存储,例如,数据表等,在此本发明的实施例不做限定。
其中,销售趋势可以是销量增加10%,销量骤升等。
S3,从至少一种历史数据中提取原因序列。
在本发明的实施例中,原因序列具体可包括影响商品销售的外界影响因素的连续变量和/或事件变量的变化,连续变量的变化如气温骤升、气温骤降、气温上升5度、气温下降10度、微博讨论量骤升、微博讨论量骤降等,事件变量的变化如大雪、电影上映等,其中从至少一种历史数据中提出的原因序列还可以包括时间戳,也就是说,原因序列可以是包括带时间戳的连续变量的变化,也可以是带时间戳的事件变量的变化。带时间戳的连续变量的变化,例如为,2015年1月18日-气温-骤升或骤降,2015年1月17日-微博讨论量-骤升或骤降等;带时间戳的事件变量的变化,例如为,2015年1月15日-50%大雪等。
S4,生成销售趋势与原因序列之间的关联规则。
S5,将符合预设规则的关联规则确定为异常原因,以建立预设的异常原因列表,其中,预设规则包括支持度大于第一预设阈值和/或频度大于第二预设阈值。
例如,支持度70%关联规则:微博讨论量骤升~女装大衣销量骤升;支持度50%关联规则:气温上升~女装大衣销量骤降;支持度80%关联规则:搜索量骤升~女装大衣销量骤升等,这些都可以作为异常原因。
另外,还可以增加接口以提供交互形式,由行业专家进行识别,对生成的异常原因进行筛选,剔除不合理的异常原因。
S201,预测商品的当前销售趋势。
S202,根据商品的当前销售数据确定预测的当前销售趋势是否异常。
S203,当确定预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警。
本发明实施例的商品销量的预警方法,获取历史销售数据、至少一种历史数据,并根据历史销售数据获得销售趋势,至少一种历史数据获得异常原因,并根据关联规则算法建立销售趋势和异常原因之间的关联规则,将符合预设规则的关联规则确定为异常原因以建立预设的异常原因列表,建立的预设的异常原因列表能够准确地反应销售异常的原因。
图4是根据本发明又一个实施例的商品销量的预警方法的流程图。
如图4所示,该商品销售的预警方法包括:
S400,建立预设的异常原因列表。其中S400参考上述实施例所述的S200,在此不再赘述。
S401,根据历史销售数据建立时间序列模型,并根据时间序列模型获得预测的当前销售趋势。
具体地,参考图6,可以基于时间序列算法,如ARIMA(自回归积分滑动平均模型,Autoregressive Integrated Moving Average Model),周期为年或月等生成无社交、天气等影响因素的条件下,各个类别商品的当前销售趋势。
S402,根据原因序列生成回归模型,并根据回归模型对预测的当前销售趋势进行修正。
具体地,根据S401获得的各个类别商品的当前销售趋势会因为缺乏社交、天气等影响因素的影响而不准确,因此,可以根据以各类别商品和时间为主键,生成特征宽表,具体特征可以示例为:微博讨论量、微博讨论量变化趋势量(如90%的骤升)、天气类别、天气变化趋势量等,以销量为目标,建立以宽表各个特征为回归因子回归模型(可以为神经网络、线性回归和回归树等机器学习模型等)。根据回归模型预测各类别商品的当前销售趋势进行修改。
经过S401和S402之后,输出预测的商品的当前销售趋势。例如,以2015年1月18日为时间节点,预测的商品的当前销售趋势为:。。。;女装-大衣2015年1月19日销量15000元;女装-连衣裙2015年1月19日销量1000元等等。
在本发明的一个实施例中,S402是可选的。
S403,根据商品的当前销售数据确定预测的当前销售趋势是否异常。
S404,当确定预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警。
本发明实施例的商品销量的预警方法,根据历史销售数据建立时间序列模型,并根据时间序列模型获得预测的当前销售趋势,能够快速地预测商品的当前销售趋势;并且根据原因序列生成回归模型,并根据回归模型对预测的当前销售趋势进行修正,使得预测的商品的当前销售趋势更加准确。
图5是根据本发明再一个实施例的商品销量的预警方法的流程图。
如图5所示,该商品销售的预警方法包括:
S500,建立预设的异常原因列表。其中S500参考上述实施例所述的S200,在此不再赘述。
S501,根据历史销售数据建立时间序列模型,并根据时间序列模型获得预测的当前销售趋势。
S502,根据原因序列生成回归模型,并根据回归模型对预测的当前销售趋势进行修正。
S501和S502可参考上述实施例所述的S401和S402,在此不再赘述。在本发明的一个实施例中,S502是可选的。
S503,根据商品的当前销售数据确定预测的当前销售趋势是否异常。
S504,当确定预测的当前销售趋势异常时,获取影响商品销售的外界影响因素的至少一种当前数据。
其中,当前数据与上述的历史数据相对应。可以是基于区域/时间颗粒度的气象数据、日期(如节日)、特殊事件等。还可以是社交媒体数据,如微博、微信等上用户发表的信息等。
S505,从至少一种当前数据中提取异常序列。
S506,根据异常序列在预设的异常原因列表中进行匹配,将符合异常序列的异常原因确定为预测的当前销售趋势异常的异常原因。
在本发明的一个实施例中,还可以包括:获取用户的当前行为数据;根据用户的当前行为数据确定用户的行为异常点;根据用户的行为异常点在预设的异常原因列表中进行匹配,将符合用户的行为异常点的异常原因确定为预测的当前销售趋势异常的异常原因。应理解的是,在本发明的实施例中,该步骤还可以和S504-S506结合实施。也就是说,可以根据至少一种当前数据中提取异常序列,并根据用户的当前行为数据确定用户的行为异常点,将异常序列和用户的行为异常点在预设的异常原因列表中进行匹配。
本发明实施例的商品销量的预警方法,能够根据至少一种当前数据提取异常序列,和/或根据用户的当前行为数据确定用户的行为异常点,并根据异常序列和/或用户的行为异常点在预设的异常原因列表中进行匹配,输出异常原因,从而实现预警目的。
在本发明的一个实施例中,S102,S202,S403,S503具体包括:根据当前销售数据确定商品的当前销售趋势;确定当前销售趋势和预测的当前销售趋势的差异;当差异大于预设差异时,确定预测的当前销售趋势异常。例如预测的当前销售趋势超过当前销售趋势的10%,即可确定销售异常,即异常增升。
为了实现上述实施例,本发明的实施例还提出一种商品销量的预警装置。
图8是根据本发明一个实施例的商品销量的预警装置的结构框图。
如图8所示,商品销量的预警装置1包括:预测模块100、确定模块200和预警模块300。
具体地,预测模块100用于预测商品的当前销售趋势。确定模块200用于根据商品的当前销售数据确定预测的当前销售趋势是否异常。预警模块300用于在确定模块200确定预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警。
更具体地,预测模块100首先,获取商品的销售数据库,该销售数据库可以是相关技术中多类别商品或超多类别商品的销售管理或监控记录的,该销售数据库包括所有商品的销售记录,每条销售记录包括销售时间、商品名称。然后,对销售数据库进行整合和归并,例如,提供整合和归并组件,该组件按照定制化的颗粒度(例如,天)将销售数据库中的销售记录进行整合和归并,例如,针对女装大衣的商品,整合和归并后的销售数据包括商品名称和销量,具体示例如下:
2015年1月1日销量10000元;
2015年1月2日销量12000元;
2015年1月3日销量12000元;
2015年1月4日销量21000元;
2015年1月5日销量20000元;……
当然,销售数据在记录时也可以直接以上述格式存储。再然后,根据整合和归并后的销售数据,按照相关技术的数据挖掘方法,预测商品的当前销售趋势,销售趋势包括商品名称和销量,具体示例如下:
2015年1月19日女装大衣销量15000元;
2015年1月19日女装连衣裙销量1000元;……
其中预测商品的当前销售趋势可以先建立预测器,输入获取的销售数据,以根据预测器输出预测商品的当前销售趋势;还可以根据影响商品销量的外界因素(如天气),社交媒体数据等对预测出的当前销售趋势进行校对,具体预测方法将在后续实施例中详细介绍。
确定模块200获取预测的当前销售趋势之后,根据整合和归并后的或者记录的当前销售数据确定预测的当前销售趋势是否异常,例如计算两个之间的变化趋势,如果变化趋势没有超过预设的变化范围,则确定正常,否则为异常。例如,如果当前记录的销售数据为女装大衣销量10000元,而预测的当前销售趋势为女装大衣销量5000元,则销售趋势增加一倍,说明当前记录的销售数据大大超过预测的当前销售趋势,则出现异常。而这些异常可能是天气变化、微博讨论量增加等引起的。
其中,预设的异常原因列表包括多个异常原因,每个异常原因包括商品类别、销售趋势和原因序列。销售趋势可以是描述性信息,例如销量骤升等,也可以是具体量化的数值,例如销量上升50%等。原因序列包括影响商品销售的外界影响因素的连续变量的变化序列和/或影响商品销售的外界影响因素的事件变量,如,连续变量的变化序列可以是,气温骤升、气温骤降、气温上升5度、气温下降10度、微博讨论量骤升、微博讨论量骤降,事件变量可以是大雪、电影上映等。例如,异常原因列表的具体示例如下:
女装大衣-销量骤升-气温骤降;
女装大衣-销量骤升-微博讨论量增加;
女装大衣-销量骤升-搜索量增加;
女装大衣-销量上升70%-气温下降10度;
女装大衣-销量上升50%-气温下降5度;
童装-销量骤升-梦工厂动画片上映;
童装-销量骤升-儿童节;……
销售趋势根据商品的历史销售数据获得,原因序列根据影响商品销售的外界影响因素的至少一种历史数据获得。
影响商品销售的外界影响因素的历史数据可以是基于区域/时间颗粒度的气象数据、日期(如节日)、特殊事件等。以气象数据为例,该历史数据的存储格式可以是:时间-区域-类别-温度,如,2015年1月18日-杭州-晴-0~10度。
影响商品销售的外界影响因素的历史数据还可以是社交媒体数据,如微博、微信等上用户发表的信息等。以微博数据为例,该历史数据的存储格式可以是:用户-时间戳-微博内容,如:用户XXX-2015年1月18-“买了一件风衣”。由于微博、微信等上的信息都是普通网民发表的,具有较强的时效性,能够最真实地反应销售问题。
本发明实施例的商品销量的预警装置,通过影响商品销售的外界影响因素的至少一种历史数据建立的预设的异常原因列表,在当前销售趋势异常时,可以快速定位到异常原因;另外,由于至少一种历史数据与商品的销售密切相关,能够准确地反应异常原因,因此定位到的异常原因也非常准确。
图9是根据本发明另一个实施例的商品销量的预警装置的结构框图。
如图9所示,商品销量的预警装置1包括:预测模块100、确定模块200、预警模块300和建立模块400。
具体地,建立模块400用于建立预设的异常原因列表。
图10是根据本发明实施例的建立模块的结构框图。如图10所示,建立模块400包括:第一获取单元401、第一确定单元402、第一提取单元403、生成单元404和建立单元405。
具体地,第一获取单元401用于获取历史销售数据、影响商品销售的外界影响因素的至少一种历史数据。如图6所示,获取历史销售数据010,至少一种历史数据020和030,其中历史销售数据010可以是相关技术中销售管理所记录的数据,历史数据020可以是影响商品销量的客观影响因素,例如,可以与气象服务器进行通信以获取的气象数据,历史数据030可以是影响商品销量的社交媒体数据,可以连接至不同的社交媒体接口获得该历史数据030,本发明的实施例对此不限定。
第一确定单元402用于根据历史销售数据确定所述销售趋势。在获取历史销售数据010之后,可以进行数据的整合和归并,例如,可以将历史销售数据010整理和归并成基于树形结构的商品销售数据,树形结构的商品销售数据处理相对容易,具体如图7所示,为一个树形结构的商品销售数据的示意图。应当理解,历史销售数据010还可以其他形式进行存储,例如,数据表等,在此本发明的实施例不做限定。其中,销售趋势可以是销量增加10%,销量骤升等。
第一提取单元403用于从至少一种历史数据中提取原因序列。在本发明的实施例中,原因序列包括影响商品销售的外界影响因素的连续变量和/或事件变量的变化,连续变量的变化如气温骤升、气温骤降、气温上升5度、气温下降10度、微博讨论量骤升、微博讨论量骤降等,事件变量的变化如大雪、电影上映等,其中从至少一种历史数据中提出的原因序列还可以包括时间戳,也就是说,原因序列可以是包括带时间戳的连续变量的变化,也可以是带时间戳的事件变量的变化。带时间戳的连续变量的变化,例如为,2015年1月18日-气温-骤升或骤降,2015年1月17日-微博讨论量-骤升或骤降等;带时间戳的事件变量的变化,例如为,2015年1月15日-50%大雪等。
生成单元404用于生成销售趋势与所述原因序列之间的关联规则。
建立单元405用于将符合预设规则的关联规则确定为异常原因,以建立预设的异常原因列表,其中,预设规则包括支持度大于第一预设阈值和/或频度大于第二预设阈值。例如,支持度70%关联规则:微博讨论量骤升~女装大衣销量骤升;支持度50%关联规则:气温上升~女装大衣销量骤降;支持度80%关联规则:搜索量骤升~女装大衣销量骤升等,这些都可以作为异常原因。
本发明实施例的商品销量的预警装置,获取历史销售数据、至少一种历史数据,并根据历史销售数据获得销售趋势,至少一种历史数据获得异常原因,并根据关联规则算法建立销售趋势和异常原因之间的关联规则,将符合预设规则的关联规则确定为异常原因以建立预设的异常原因列表,建立的预设的异常原因列表能够准确地反应销售异常的原因。
在本发明的一个实施例中,预测模块200具体用于:根据历史销售数据建立时间序列模型,并根据时间序列模型获得预测的当前销售趋势。具体地,参考图6,可以基于时间序列算法,如ARIMA,周期为年或月等生成无社交、天气等影响因素的条件下,各个类别商品的当前销售趋势。
在本发明的一个实施例中,预测模块200还具体用于:根据原因序列生成回归模型,并根据回归模型对预测的当前销售趋势进行修正。具体地,由于获得的各个类别商品的当前销售趋势会因为缺乏社交、天气等影响因素的影响而不准确,因此,可以根据以各类别商品和时间为主键,生成特征宽表,具体特征可以示例为:微博讨论量、微博讨论量变化趋势量(如90%的骤升)、天气类别、天气变化趋势量等,以销量为目标,建立以宽表各个特征为回归因子回归模型(可以为神经网络、线性回归和回归树等机器学习模型等)。根据回归模型预测各类别商品的当前销售趋势进行修改。
由此,经过预测模块200输出预测的商品的当前销售趋势。例如,以2015年1月18日为时间节点,预测的商品的当前销售趋势为:。。。;女装-大衣2015年1月19日销量15000元;女装-连衣裙2015年1月19日销量1000元等等。
根据历史销售数据建立时间序列模型,并根据时间序列模型获得预测的当前销售趋势,能够快速地预测商品的当前销售趋势;并且根据原因序列生成回归模型,并根据回归模型对预测的当前销售趋势进行修正,使得预测的商品的当前销售趋势更加准确。
在本发明的一个实施例中,确定模块200包括:第二确定单元、第三确定单元和第四确定单元(图中未示出)。具体地,第二确定单元用于根据当前销售数据确定商品的当前销售趋势;第三确定单元用于确定当前销售趋势和预测的当前销售趋势的差异;第四确定单元用于当差异大于预设差异时,确定预测的当前销售趋势异常。
在本发明的一个实施例中,预警模块300包括:第二获取单元、第二提取单元、第一匹配单元。其中,第二获取单元,用于获取影响商品销售的外界影响因素的至少一种当前数据;第二提取单元,用于从至少一种当前数据中提取异常序列;第一匹配单元,用于根据异常序列在预设的异常原因列表中进行匹配,将符合异常序列的异常原因确定为预测的当前销售趋势异常的异常原因。
其中,当前数据与上述的历史数据相对应。可以是基于区域/时间颗粒度的气象数据、日期(如节日)、特殊事件等。还可以是社交媒体数据,如微博、微信等上用户发表的信息等。
在本发明的另一个实施例中,预警模块300还包括:第三获取单元、第五确定单元和第二匹配单元。其中,第三获取单元,用于获取用户的当前行为数据;第五确定单元,用于根据用户的当前行为数据确定用户的行为异常点;第二匹配单元,用于根据用户的行为异常点在预设的异常原因列表中进行匹配,将符合用户的行为异常点的异常原因确定为预测的当前销售趋势异常的异常原因。
本发明实施例的商品销量的预警装置,能够根据至少一种当前数据提取异常序列,和/或根据用户的当前行为数据确定用户的行为异常点,并根据异常序列和/或用户的行为异常点在预设的异常原因列表中进行匹配,输出异常原因,从而实现预警目的。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (16)
1.一种商品销量的预警方法,其特征在于,包括:
预测商品的当前销售趋势;
根据商品的当前销售数据确定预测的当前销售趋势是否异常;
当确定所述预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警;
其中,所述预设的异常原因列表包括多个异常原因,每个所述异常原因包括商品类别、销售趋势和原因序列,所述销售趋势根据商品的历史销售数据获得,所述原因序列根据影响商品销售的外界影响因素的至少一种历史数据获得。
2.根据权利要求1所述的商品销量的预警方法,其特征在于,还包括:建立所述预设的异常原因列表,所述建立所述预设的异常原因列表包括:
获取所述历史销售数据、影响商品销售的外界影响因素的至少一种历史数据;
根据所述历史销售数据确定所述销售趋势;
从所述至少一种历史数据中提取原因序列;
生成所述销售趋势与所述原因序列之间的关联规则;
将符合预设规则的关联规则确定为所述异常原因以建立所述预设的异常原因列表,其中,所述预设规则包括支持度大于第一预设阈值和/或频度大于第二预设阈值。
3.根据权利要求2所述的商品销量的预警方法,其特征在于,所述原因序列包括影响商品销售的外界影响因素的连续变量和/或事件变量的变化。
4.根据权利要求2所述的商品销量的预警方法,其特征在于,所述预测商品的当前销售趋势包括:
根据所述历史销售数据建立时间序列模型,并根据所述时间序列模型获得所述预测的当前销售趋势。
5.根据权利要求3所述的商品销量的预警方法,其特征在于,所述预测商品的当前销售趋势还包括:
根据所述原因序列生成回归模型,并根据所述回归模型对所述预测的当前销售趋势进行修正。
6.根据权利要求1所述的商品销量的预警方法,其特征在于,所述根据商品的当前销售数据确定所述当前销售趋势是否异常包括:
根据所述当前销售数据确定商品的当前销售趋势;
确定所述当前销售趋势和所述预测的当前销售趋势的差异;
当所述差异大于预设差异时,确定所述预测的当前销售趋势异常。
7.根据权利要求1所述的商品销量的预警方法,其特征在于,所述从预设的异常原因列表中筛选出对应的异常原因包括:
获取影响商品销售的外界影响因素的至少一种当前数据;
从所述至少一种当前数据中提取异常序列;
根据所述异常序列在所述预设的异常原因列表中进行匹配,将符合所述异常序列的异常原因确定为所述预测的当前销售趋势异常的异常原因。
8.根据权利要求7所述的商品销量的预警方法,其特征在于,所述从预设的异常原因列表中筛选出对应的异常原因还包括:
获取用户的当前行为数据;
根据所述用户的当前行为数据确定用户的行为异常点;
根据所述用户的行为异常点在所述预设的异常原因列表中进行匹配,将符合所述用户的行为异常点的异常原因确定为所述预测的当前销售趋势异常的异常原因。
9.一种商品销量的预警装置,其特征在于,包括:
预测模块,用于预测商品的当前销售趋势;
确定模块,用于根据商品的当前销售数据确定预测的当前销售趋势是否异常;
预警模块,用于在所述确定模块确定所述预测的当前销售趋势异常时,从预设的异常原因列表中筛选出对应的异常原因,以根据筛选出的异常原因进行销量的预警;
其中,所述预设的异常原因列表包括多个异常原因,每个所述异常原因包括商品类别、销售趋势和原因序列,所述销售趋势根据商品的历史销售数据获得,所述原因序列根据影响商品销售的外界影响因素的至少一种历史数据获得。
10.根据权利要求9所述的商品销量的预警装置,其特征在于,还包括:
建立模块,用于建立所述预设的异常原因列表,
所述建立模块包括:
第一获取单元,用于获取所述历史销售数据、影响商品销售的外界影响因素的至少一种历史数据;
第一确定单元,用于根据所述历史销售数据确定所述销售趋势;
第一提取单元,用于从所述至少一种历史数据中提取原因序列;
生成单元,用于生成所述销售趋势与所述原因序列之间的关联规则;
建立单元,用于将符合预设规则的关联规则确定为所述异常原因以建立所述预设的异常原因列表,其中,所述预设规则包括支持度大于第一预设阈值和/或频度大于第二预设阈值。
11.根据权利要求10所述的商品销量的预警装置,其特征在于,所述原因序列包括影响商品销售的外界影响因素的连续变量和/或事件变量的变化。
12.根据权利要求10所述的商品销量的预警装置,其特征在于,所述预测模块具体用于:
根据所述历史销售数据建立时间序列模型,并根据所述时间序列模型获得所述预测的当前销售趋势。
13.根据权利要求12所述的商品销量的预警装置,其特征在于,所述预测模块还用于:
根据所述原因序列生成回归模型,并根据所述回归模型对所述预测的当前销售趋势进行修正。
14.根据权利要求9所述的商品销量的预警装置,其特征在于,所述确定模块包括:
第二确定单元,用于根据所述当前销售数据确定商品的当前销售趋势;
第三确定单元,用于确定所述当前销售趋势和所述预测的当前销售趋势的差异;
第四确定单元,用于当所述差异大于预设差异时,确定所述预测的当前销售趋势异常。
15.根据权利要求9所述的商品销量的预警装置,其特征在于,所述预警模块包括:
第二获取单元,用于获取影响商品销售的外界影响因素的至少一种当前数据;
第二提取单元,用于从所述至少一种当前数据中提取异常序列;
第一匹配单元,用于根据所述异常序列在所述预设的异常原因列表中进行匹配,将符合所述异常序列的异常原因确定为所述预测的当前销售趋势异常的异常原因。
16.根据权利要求15所述的商品销量的预警装置,其特征在于,所述预警模块还包括:
第三获取单元,用于获取用户的当前行为数据;
第五确定单元,用于根据所述用户的当前行为数据确定用户的行为异常点;
第二匹配单元,用于根据所述用户的行为异常点在所述预设的异常原因列表中进行匹配,将符合所述用户的行为异常点的异常原因确定为所述预测的当前销售趋势异常的异常原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510226471.9A CN106204086A (zh) | 2015-05-06 | 2015-05-06 | 商品销量的预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510226471.9A CN106204086A (zh) | 2015-05-06 | 2015-05-06 | 商品销量的预警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106204086A true CN106204086A (zh) | 2016-12-07 |
Family
ID=57459088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510226471.9A Pending CN106204086A (zh) | 2015-05-06 | 2015-05-06 | 商品销量的预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204086A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
CN106920123A (zh) * | 2017-01-18 | 2017-07-04 | 广州大学 | 一种基于机器学习和物联网的餐厅数据分析系统 |
CN107358385A (zh) * | 2017-06-16 | 2017-11-17 | 深圳市盛路物联通讯技术有限公司 | 一种自动售货机商品配送的方法及服务器 |
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 |
CN108710559A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 数据异常的通知方法及装置 |
CN108876421A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种预测商品动态销量的方法和系统 |
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 |
CN109829758A (zh) * | 2019-01-25 | 2019-05-31 | 北京每日优鲜电子商务有限公司 | 面向多保期的商品销量预测方法和系统 |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
WO2019192262A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种评价商户的经营状况的方法、装置及设备 |
CN110503447A (zh) * | 2018-05-16 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于确定商品销量预测值的方法及装置 |
CN112257798A (zh) * | 2020-10-29 | 2021-01-22 | 广州新奥达云科技有限公司 | 基于电商平台的商品数据预警方法、装置、计算机设备 |
CN112258220A (zh) * | 2020-10-12 | 2021-01-22 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、系统、电子设备和计算机可读介质 |
CN112581182A (zh) * | 2020-12-24 | 2021-03-30 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
CN116883084A (zh) * | 2023-09-08 | 2023-10-13 | 青岛巨商汇网络科技有限公司 | 一种基于销售评价的数据智能监控预警方法及系统 |
CN112258220B (zh) * | 2020-10-12 | 2024-06-07 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、系统、电子设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214342A (zh) * | 2010-04-09 | 2011-10-12 | 香港纺织及成衣研发中心 | 智能时装销售预测系统 |
CN102890803A (zh) * | 2011-07-21 | 2013-01-23 | 阿里巴巴集团控股有限公司 | 电子商品异常交易过程的确定方法及其装置 |
CN102982429A (zh) * | 2012-11-02 | 2013-03-20 | 北京京东世纪贸易有限公司 | 一种输出仓储生产预警信息的方法和装置 |
-
2015
- 2015-05-06 CN CN201510226471.9A patent/CN106204086A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214342A (zh) * | 2010-04-09 | 2011-10-12 | 香港纺织及成衣研发中心 | 智能时装销售预测系统 |
CN102890803A (zh) * | 2011-07-21 | 2013-01-23 | 阿里巴巴集团控股有限公司 | 电子商品异常交易过程的确定方法及其装置 |
CN102982429A (zh) * | 2012-11-02 | 2013-03-20 | 北京京东世纪贸易有限公司 | 一种输出仓储生产预警信息的方法和装置 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
CN106920123A (zh) * | 2017-01-18 | 2017-07-04 | 广州大学 | 一种基于机器学习和物联网的餐厅数据分析系统 |
CN106920123B (zh) * | 2017-01-18 | 2021-06-25 | 广州大学 | 一种基于机器学习和物联网的餐厅数据分析系统 |
CN108876421A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种预测商品动态销量的方法和系统 |
CN107358385A (zh) * | 2017-06-16 | 2017-11-17 | 深圳市盛路物联通讯技术有限公司 | 一种自动售货机商品配送的方法及服务器 |
WO2018227718A1 (zh) * | 2017-06-16 | 2018-12-20 | 深圳市盛路物联通讯技术有限公司 | 一种自动售货机商品配送的方法及服务器 |
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 |
WO2019192262A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种评价商户的经营状况的方法、装置及设备 |
CN110503447A (zh) * | 2018-05-16 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于确定商品销量预测值的方法及装置 |
CN108710559A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 数据异常的通知方法及装置 |
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 |
CN109829758A (zh) * | 2019-01-25 | 2019-05-31 | 北京每日优鲜电子商务有限公司 | 面向多保期的商品销量预测方法和系统 |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
CN112258220A (zh) * | 2020-10-12 | 2021-01-22 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、系统、电子设备和计算机可读介质 |
CN112258220B (zh) * | 2020-10-12 | 2024-06-07 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、系统、电子设备和计算机可读介质 |
CN112257798A (zh) * | 2020-10-29 | 2021-01-22 | 广州新奥达云科技有限公司 | 基于电商平台的商品数据预警方法、装置、计算机设备 |
CN112581182B (zh) * | 2020-12-24 | 2023-04-07 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
CN112581182A (zh) * | 2020-12-24 | 2021-03-30 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
CN116883084A (zh) * | 2023-09-08 | 2023-10-13 | 青岛巨商汇网络科技有限公司 | 一种基于销售评价的数据智能监控预警方法及系统 |
CN116883084B (zh) * | 2023-09-08 | 2023-11-28 | 青岛巨商汇网络科技有限公司 | 一种基于销售评价的数据智能监控预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204086A (zh) | 商品销量的预警方法和装置 | |
Tavana et al. | An application of an integrated ANP–QFD framework for sustainable supplier selection | |
US7127313B2 (en) | Product configuration system | |
Kim et al. | Elicitation of design factors through big data analysis of online customer reviews for washing machines | |
Orellana et al. | From legacy-based factories to smart factories level 2 according to the industry 4.0 | |
Guo et al. | Inventory management in mass customization operations: A review | |
Scott et al. | Additive manufacturing in an end-to-end supply chain setting | |
Abramovici et al. | Providing product use knowledge for the design of improved product generations | |
CN105446970A (zh) | 推荐项目的方法和装置 | |
CN113723985A (zh) | 销量预测模型的训练方法、装置及电子设备、存储介质 | |
Hanafy et al. | Modular product platform configuration and co-planning of assembly lines using assembly and disassembly | |
JP2017084224A (ja) | 設計支援装置、プログラムおよび設計支援方法 | |
Vinodh et al. | Application of fuzzy analytic network process for agile concept selection in a manufacturing organisation | |
US11762819B2 (en) | Clustering model analysis for big data environments | |
Gopalakrishnan et al. | Prediction of sales value in online shopping using linear regression | |
Altavilla et al. | A multilayer taxonomy of cost estimation techniques, looking at the whole product lifecycle | |
Ruiz-Pastor et al. | Proposing an integrated indicator to measure product repairability | |
JP4599242B2 (ja) | 工程管理システム、および、工程管理方法 | |
Dixit et al. | Feasibility analysis of FMS in small and medium scale Indian industries with a hybrid approach using ISM and TOPSIS | |
Bhalla et al. | Sales and operations planning for delivery date setting in engineer-to-order manufacturing: a research synthesis and framework | |
Mueller | A cost calculation model for the optimal design of size ranges | |
Kim et al. | Development of a cost analysis-based defect-prediction system with a type error-weighted deep neural network algorithm | |
Fiasché et al. | A novel hybrid fuzzy multi-objective linear programming method of aggregate production planning | |
US20170068927A1 (en) | Warehouse profit simulation device | |
JP6844113B2 (ja) | 情報処理装置、情報処理システム、制御方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1231234 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1231234 Country of ref document: HK |