CN107038190A - 一种应用于淘宝网的智能促销方案建模方法 - Google Patents

一种应用于淘宝网的智能促销方案建模方法 Download PDF

Info

Publication number
CN107038190A
CN107038190A CN201610963473.0A CN201610963473A CN107038190A CN 107038190 A CN107038190 A CN 107038190A CN 201610963473 A CN201610963473 A CN 201610963473A CN 107038190 A CN107038190 A CN 107038190A
Authority
CN
China
Prior art keywords
promotion
commodity
data
taobao
model
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
Application number
CN201610963473.0A
Other languages
English (en)
Inventor
刘昆宏
洪清启
吴清强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201610963473.0A priority Critical patent/CN107038190A/zh
Publication of CN107038190A publication Critical patent/CN107038190A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • 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
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种应用于淘宝网的智能促销建模方法，利用爬虫程序爬取各种有关商品促销信息及商品本身信息，形成商品促销历史数据库；使用k‑means算法将商品促销数据库中的商品根据行业类别细分形成行业促销历史数据库，结合神经网络、逻辑回归与支持向量机模型，建立商品促销预测模型，结合协同过滤及基于时间序列的促销方案对预测模型进行校正，使用行业专家数据库对预测模型给定的促销方案进行评分，从而使用户可根据自己的需求选择对应的促销方案。

Description

一种应用于淘宝网的智能促销方案建模方法
技术领域
本发明涉及一种应用于淘宝网的智能促销方案建模方法。
背景技术
随着互联网的普及，网络购物的优点更加突出，日益成为一种重要的购物形式。网络购物中，商品的价格、信息均较实体店更为透明，易于消费者进行比对选择，因此，网络卖家之间存在的竞争关系比实体店更为激烈残酷，往往少数的卖家占据了绝大数量的市场。为提高商品的竞争力，提升店铺的知名度及网络排名，网络卖家经常会进行促销活动，但目前尚无可自动为卖家提供促销建议的系统及算法，卖家无法对促销成本，促销时长、促销结果及促销价值进行有效的评估，往往导致花费了大量的财力人力，结果却不尽人意。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种应用于淘宝网的智能促销方案建模方法。
为实现上述目的，本发明采用以下技术方案：
一种应用于淘宝网的智能促销方案建模方法，包括以下步骤：
S1、利用爬虫程序从淘宝网、聚划算及淘宝团购历史数据中爬取各种有关商品促销信息，从促销商品所在的商家店面爬取商品本身信息，并跟踪爬取销量数据，包括促销前销量，促销结束后一段时间内商品的销量；
S2、将爬取的数据进行数据清洗、保存，形成商品促销历史数据库；
S3、使用k-means算法将商品促销数据库中的商品根据行业类别细分，将不同行业商品销售数据分别载入不同数据表中，形成行业促销历史数据库；
S4、使用数据挖掘算法，将商品促销后销量的变化百分比率作为预测目标，对不同行业分别建立用于预测促销销量的模型，使用行业促销历史数据库中的行业促销数据作为模型训练数据；
S5、根据用户订制的需求，将拟促销的商品相关计划信息，包括拟促销商品的数量、预期的商品销量提升、促销大致的时间段等作为输入条件输入预测模型中。
进一步地，还包括步骤S6：采用协同过滤，从历史数据中找出与待分析商品相似度最高的若干件商品的促销方案及促销效果与待促销方案进行比拟，使用余弦测度比较促销方案的相似度，将相似度作为权重，对相应方案的促销效果进行加权，将这些相似的商品促销方案作为偏转因子，作为对预测模型输出的补充。
进一步地，还包括步骤S7：将行业商品促销数据依据促销的时间序列数据进行趋势分解，找出其周期模式，根据用户拟参与促销的时间段进行拟合，得到更精确的预测输出结果。
进一步地，还包括步骤S8:建立行业专家数据库，行业专家将不同行业商品促销的普遍规律以规则的方式进行描述并记录在知识库中，对步骤S7所获得的促销方案进行可行性分数评定。
更进一步地，步骤S4所述的用于预测促销销量的模型包括神经网络、逻辑回归及支持向量机三个模型，选择三个模型十折交叉验证的准确率作为模型输出的权重，设各个模型在训练数据的预测结果的准确率为ai，i＝1,2,3,则对其进行归一化的结果即为他们最终的权值wi，即wi＝ai/(a1+a2+a3),i＝1,2,3。
更进一步地，步骤S6具体包括：
S61、以待分析商品a的价格、当前月销量、评价数、店铺评分等属性构成的向量ru,a为分析依据，比较待分析商品a与其余任一商品b的相似度，则有，
式中，U代表当前商品数据中同行业数据的集合，ru为U中相关属性向量，为向量均值，
以由待分析商品a的价格、当前月销量、评价数、店铺评分等属性构成的向量ru,a作为分析依据，ru,b为以商品b的价格、当前月销量、评价数、店铺评分等属性构成的向量；
S62、选择相似度最高，且促销商品档次与待促销商品一致的若干件商品，作为集合J，导入J中相关促销方案数据，包括促销时间、促销折扣等、及促销取得的销量变化等l个属性的集合，以rc,a表示商品a生成的待促销方案的属性向量，rc,b表示选择对比的商品促销方案属性向量，待促销商品a的促销目标为ka件商品，对比商品b的促销结果为kb件商品,|J|表示J中商品的数量，比较促销商品a和b的促销方案的相似程度，则有，
S63、将计算得的dis(a,b)作为对b商品已有促销属性的权值，乘以所有商品的促销属性数据，作为对预测模型的修正，则最终预测模型的输出修正数据为：
更进一步地，步骤S7具体包括：
S71、根据待分析商品的价格、当前销量等数据，进行商品聚类，选择与待分析商品前若干种最相似的商品K；
S72、对每个相似的商品ki，根据待分析的目标，将周期长度分别设定为一周、一个月、一个季节，使用STL算法，对商品促销生成的时间序列数据进行趋势分解，将数据分解为周期模式Si、趋势模式Ti以及噪声数据Ni；
S73、根据趋势模式的变化，分成上升、下降、不变三种趋势，分别计算符合每种变化趋势的商品周期均值Ml，其中l取值为1，2，3，分别表示上述三种趋势；
S74、根据每种趋势的变化量均值与当前预测的促销结果(t)进行差分计算，得到差值Δt,则相应的修正值为
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
帮助淘宝商家根据所属行业的特点，促销拟投入资金，预期的商品销量提升，促销商品档次，促销时间，面向的消费者群体，来自动生成为其量身定制的促销方案，包括具体促销手段(优惠券、团购等)的选择，促销价格折扣力度、商品数量、时间段等，并给出促销方案可能达到的预期目标、促销价值等评估指标，便于用户根据自己的期望进行最佳促销方案的选择。
附图说明
图1为淘宝促销数据挖掘系统模型图；
图2为行业促销库构建流程图；
图3为行业促销模型构建流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如图1、图2及图3所示，本申请揭示了一种应用于淘宝网的智能促销方案建模方法，包括以下步骤：
S1、利用爬虫程序从淘宝网、聚划算及淘宝团购历史数据中爬取各种有关商品促销信息，从促销商品所在的商家店面爬取商品本身信息(如商品所属行业，商品规格、种类、型号数量、消费者群体，所在商品类别中档次等信息)，跟踪爬取销量数据，包括促销前销量，促销结束后一段时间内商品的销量，本实施例中为促销结束后1个月内及两个月内的销量。
S2、将爬取的数据进行数据清洗、规范化，保存于Hadoop架构的Hbase中，形成商品促销历史数据库，以在订制用户专属需求时能快速进行建模。
S3、使用k-means算法将商品促销数据库中的商品根据行业类别细分，将不同行业商品销售数据分别载入不同数据表中，形成行业促销历史数据库。
S4、使用数据挖掘算法，将商品促销后销量的变化百分比率作为预测目标，对不同行业分别建立用于预测促销销量的模型，使用行业促销历史数据库中的行业促销数据作为模型训练数据。
其中，所述的用于预测促销销量的模型包括神经网络、逻辑回归及支持向量机三个模型，其中，神经网络模型采用BP训练算法，2层隐层，每层50个节点，以提高其泛化能力，逻辑回归和支持向量机模型均采用非线性核，提高非线性的预测效果。由于三个模型的精度不同，选择三个模型十折交叉验证的准确率作为模型输出的权重，设各个模型在训练数据的预测结果的准确率为ai，i＝1,2,3,则对其进行归一化的结果即为他们最终的权值wi，即wi＝ai/(a1+a2+a3),i＝1,2,3。
本实施例中，爬虫程序采用了增量数据挖掘技术，爬虫不断爬取促销数据，实现促销数据的更新，从而能生成跟随潮流发展趋势而变化的业务模型，确保模型的实时性、可用性。
S5、根据用户订制的需求，将拟促销的商品相关计划信息，包括拟促销商品的数量、预期的商品销量提升、促销大致的时间段等作为输入条件输入预测模型中。
S6：由于不同商品因促销方案的差异，而造成不同的促销效果。为了将历史数据用于更好的校正预测模型，使其更符合真实情况，采用协同过滤，从历史数据中找出与待分析商品相似度最高的若干件商品的促销方案及促销效果与待促销方案进行比拟，使用余弦测度比较促销方案的相似度，将相似度作为权重，对相应方案的促销效果进行加权，将这些相似的商品促销方案作为偏转因子，作为对预测模型输出的补充。
S6具体包括：
S61、以待分析商品a的价格、当前月销量、评价数、店铺评分等属性构成的向量ru,a为分析依据，比较待分析商品a与其余任一商品b的相似度，则有，
式中，U代表当前商品数据中同行业数据的集合，ru为U中相关属性向量，为向量均值，
以由待分析商品a的价格、当前月销量、评价数、店铺评分等属性构成的向量ru,a作为分析依据，ru,b为以商品b的价格、当前月销量、评价数、店铺评分等属性构成的向量；
S62、选择相似度最高，且促销商品档次与待促销商品一致的若干件(本实施例中为50件)商品，作为集合J，导入J中相关促销方案数据，包括促销时间、促销折扣等、及促销取得的销量变化等l个属性的集合，以rc,a表示商品a生成的待促销方案的属性向量，rc,b表示选择对比的商品促销方案属性向量，待促销商品a的促销目标为ka件商品，对比商品b的促销结果为kb件商品,|J|表示J中商品的数量，比较促销商品a和b的促销方案的相似程度，则有，
S63、将计算得的dis(a,b)作为对b商品已有促销属性的权值，乘以所有商品的促销属性数据，作为对预测模型的修正，则最终预测模型的输出修正数据为：
由于传统的数据挖掘模型不能有效地直接使用时间属性，本发明采用的是基于时间校正的数据挖掘模型来实现促销方案的智能预测。
S7：将行业商品促销数据依据促销的时间序列数据进行趋势分解，找出其周期模式，根据用户拟参与促销的时间段进行拟合，得到更精确的预测输出结果，具体为：
S71、根据待分析商品的价格、当前销量等数据，进行商品聚类，选择与待分析商品前若干种最相似的商品K，本实施例中为前50种；
S72、对每个相似的商品ki，根据待分析的目标，将周期长度分别设定为一周、一个月、一个季节，使用STL算法，对商品促销生成的时间序列数据进行趋势分解，将数据分解为周期模式Si、趋势模式Ti以及噪声数据Ni；
S73、根据趋势模式的变化，分成上升、下降、不变三种趋势，分别计算符合每种变化趋势的商品周期均值Ml，其中l取值为1，2，3，分别表示上述三种趋势；
S74、根据每种趋势的变化量均值与当前预测的促销结果(t)进行差分计算，得到差值Δt,则相应的修正值为修正后的促销模型将直接输出反馈给用户，让用户作为修改促销方案的参考。
S8:建立行业专家数据库，行业专家将不同行业商品促销的普遍规律以规则的方式进行描述并记录在知识库中，对步骤S7所获得的促销方案进行可行性分数评定，从而对模型生成的促销方案进行修正、优化及调整。与此同时，将行业专家的知识也嵌入到数据库中，对选择的数据进行优化过滤，确保数据挖掘的结果能够符合行业特性及潮流的变化。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种应用于淘宝网的智能促销方案建模方法，其特征在于，包括以下步骤：
S1、利用爬虫程序从淘宝网、聚划算及淘宝团购历史数据中爬取各种有关商品促销信息，从促销商品所在的商家店面爬取商品本身信息，并跟踪爬取销量数据，包括促销前销量，促销结束后一段时间内商品的销量；
S2、将爬取的数据进行数据清洗并保存，形成商品促销历史数据库；
S3、使用k-means算法将商品促销数据库中的商品根据行业类别细分，将不同行业商品销售数据分别载入不同数据表中，形成行业促销历史数据库；
S4、使用数据挖掘算法，将商品促销后销量的变化百分比率作为预测目标，对不同行业分别建立用于预测促销销量的模型，使用行业促销历史数据库中的行业促销数据作为模型训练数据；
S5、根据用户订制的需求，将拟促销的商品相关计划信息，包括拟促销商品的数量、预期的商品销量提升、促销大致的时间段等作为输入条件输入预测模型中。
2.根据权利要求1所述的一种应用于淘宝网的智能促销方案建模方法，其特征在于,还包括步骤S6：采用协同过滤，从历史数据中找出与待分析商品相似度最高的若干件商品的促销方案及促销效果与待促销方案进行比拟，使用余弦测度比较促销方案的相似度，将相似度作为权重，对相应方案的促销效果进行加权，将这些相似的商品促销方案作为偏转因子，作为对预测模型输出的补充。
3.根据权利要求1所述的一种应用于淘宝网的智能促销方案建模方法，其特征在于,还包括步骤S7：将行业商品促销数据依据促销的时间序列数据进行趋势分解，找出其周期模式，根据用户拟参与促销的时间段进行拟合，得到更精确的预测输出结果。
4.根据权利要求1所述的一种应用于淘宝网的智能促销方案建模方法，其特征在于,还包括步骤S8:建立行业专家数据库，行业专家将不同行业商品促销的普遍规律以规则的方式进行描述并记录在知识库中，对步骤S7所获得的促销方案进行可行性分数评定。
5.根据权利要求1所述的一种应用于淘宝网的智能促销方案建模方法，其特征在于：步骤S4所述的用于预测促销销量的模型包括神经网络、逻辑回归及支持向量机三个模型，选择三个模型十折交叉验证的准确率作为模型输出的权重，设各个模型在训练数据的预测结果的准确率为ai，i＝1,2,3,则对其进行归一化的结果即为他们最终的权值wi，即wi＝ai/(a1+a2+a3),i＝1,2,3。
6.根据权利要求2所述的一种应用于淘宝网的智能促销方案建模方法，其特征在于，步骤S6具体包括：
S61、以待分析商品a的价格、当前月销量、评价数、店铺评分等属性构成的向量ru,a为分析依据，比较待分析商品a与其余任一商品b的相似度，则有，
式中，U代表当前商品数据中同行业数据的集合，ru为U中相关属性向量，为向量均值，
以由待分析商品a的价格、当前月销量、评价数、店铺评分等属性构成的向量ru,a作为分析依据，ru,b为以商品b的价格、当前月销量、评价数、店铺评分等属性构成的向量；
S62、选择相似度最高，且促销商品档次与待促销商品一致的若干件商品，作为集合J，导入J中相关促销方案数据，包括促销时间、促销折扣等、及促销取得的销量变化等l个属性的集合，以rc,a表示商品a生成的待促销方案的属性向量，rc,b表示选择对比的商品促销方案属性向量，待促销商品a的促销目标为ka件商品，对比商品b的促销结果为kb件商品,|J|表示J中商品的数量，比较促销商品a和b的促销方案的相似程度，则有，
S63、将计算得的dis(a,b)作为对b商品已有促销属性的权值，乘以所有商品的促销属性数据，作为对预测模型的修正，则最终预测模型的输出修正数据为：
7.根据权利要求3所述的一种应用于淘宝网的智能促销方案建模方法，其特征在于：步骤S7具体包括：
S71、根据待分析商品的价格、当前销量等数据，进行商品聚类，选择与待分析商品前若干种最相似的商品K；
S72、对每个相似的商品ki，根据待分析的目标，将周期长度分别设定为一周、一个月、一个季节，使用STL算法，对商品促销生成的时间序列数据进行趋势分解，将数据分解为周期模式Si、趋势模式Ti以及噪声数据Ni；
S73、分析在结果中，根据趋势模式的变化，分成上升、下降、不变三种趋势，分别计算符合每种变化趋势的商品周期均值Ml，其中l取值为1，2，3，分别表示上述三种趋势；
S74、根据每种趋势的变化量均值与当前预测的促销结果t进行差分计算，得到差值Δt,则相应的修正值为
CN201610963473.0A 2016-10-28 2016-10-28 一种应用于淘宝网的智能促销方案建模方法 Pending CN107038190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610963473.0A CN107038190A (zh) 2016-10-28 2016-10-28 一种应用于淘宝网的智能促销方案建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610963473.0A CN107038190A (zh) 2016-10-28 2016-10-28 一种应用于淘宝网的智能促销方案建模方法

Publications (1)

Publication Number Publication Date
CN107038190A true CN107038190A (zh) 2017-08-11

Family

ID=59530294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610963473.0A Pending CN107038190A (zh) 2016-10-28 2016-10-28 一种应用于淘宝网的智能促销方案建模方法

Country Status (1)

Country Link
CN (1) CN107038190A (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886369A (zh) * 2017-11-29 2018-04-06 口碑(上海)信息技术有限公司 一种用于营销活动效果预测的方法、装置及电子设备
CN108171530A (zh) * 2017-12-06 2018-06-15 口碑(上海)信息技术有限公司 一种用于客单价和复购率的提升方法及装置
CN108182595A (zh) * 2017-12-19 2018-06-19 山东浪潮云服务信息科技有限公司 一种制定运营策略方法及装置
CN108256917A (zh) * 2018-01-18 2018-07-06 口碑(上海)信息技术有限公司 优惠券核销量、成交总额、成本的预测方法
CN108520439A (zh) * 2018-04-03 2018-09-11 联想(北京)有限公司 评价广告效应的方法、服务器集群以及系统
CN108985825A (zh) * 2018-06-29 2018-12-11 海南天华恒基科技有限公司 一种分销资源计划管理系统
CN109426983A (zh) * 2017-09-01 2019-03-05 北京京东尚科信息技术有限公司 闪购活动自动生成方法及装置、存储介质、电子设备
CN109801102A (zh) * 2019-01-10 2019-05-24 哈步数据科技(上海)有限公司 一种促销选品的方法及系统
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
CN109840796A (zh) * 2017-11-24 2019-06-04 财团法人工业技术研究院 决策因素分析装置与决策因素分析方法
CN109949065A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 属性数据分析的方法和装置
CN110070382A (zh) * 2018-01-24 2019-07-30 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
CN110163482A (zh) * 2019-04-19 2019-08-23 阿里巴巴集团控股有限公司 确定活动方案的安全方案数据的方法、终端设备及服务器
CN110517055A (zh) * 2018-05-22 2019-11-29 北京京东尚科信息技术有限公司 生成实体场所促销信息的方法和装置
CN110533485A (zh) * 2019-09-05 2019-12-03 金瓜子科技发展（北京）有限公司 一种对象选取的方法、装置、存储介质及电子设备
CN110866698A (zh) * 2019-11-14 2020-03-06 北京京东尚科信息技术有限公司 用于评定服务提供方的服务分值的装置
CN111008858A (zh) * 2019-10-24 2020-04-14 清华大学 一种商品销量预测方法及系统
CN111160968A (zh) * 2019-12-27 2020-05-15 清华大学 Sku级别商品销量预测方法及装置
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
CN111275511A (zh) * 2018-12-05 2020-06-12 北京京东尚科信息技术有限公司 识别竞争商品的方法、装置、电子设备及介质
CN111275514A (zh) * 2020-01-07 2020-06-12 载信软件(上海)有限公司 一种智能采购方法及系统、存储介质和电子装置
CN111311384A (zh) * 2020-05-15 2020-06-19 支付宝(杭州)信息技术有限公司 一种训练推荐模型的方法和系统
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
CN112308584A (zh) * 2019-07-26 2021-02-02 中国移动通信集团湖南有限公司 一种营销模型训练方法和电子设备
CN113065882A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种商品处理方法、装置及电子设备
CN113077277A (zh) * 2020-01-06 2021-07-06 北京京邦达贸易有限公司 信息处理装置和方法
CN113283930A (zh) * 2021-05-12 2021-08-20 建信金融科技有限责任公司 营销活动的运营方法及装置
CN114596124A (zh) * 2022-03-22 2022-06-07 韦玲逢 一种电子商城商品促销量数据处理方法、系统及电商平台
CN117196695A (zh) * 2023-11-03 2023-12-08 中国民航信息网络股份有限公司 一种目标产品的销量数据的预测方法及装置

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109426983A (zh) * 2017-09-01 2019-03-05 北京京东尚科信息技术有限公司 闪购活动自动生成方法及装置、存储介质、电子设备
CN109840796A (zh) * 2017-11-24 2019-06-04 财团法人工业技术研究院 决策因素分析装置与决策因素分析方法
CN107886369A (zh) * 2017-11-29 2018-04-06 口碑(上海)信息技术有限公司 一种用于营销活动效果预测的方法、装置及电子设备
WO2019105226A1 (zh) * 2017-11-29 2019-06-06 口碑(上海)信息技术有限公司 一种用于营销活动效果预测的方法、装置及电子设备
CN108171530B (zh) * 2017-12-06 2021-02-02 口碑(上海)信息技术有限公司 一种用于客单价和复购率的提升方法及装置
CN108171530A (zh) * 2017-12-06 2018-06-15 口碑(上海)信息技术有限公司 一种用于客单价和复购率的提升方法及装置
CN108182595A (zh) * 2017-12-19 2018-06-19 山东浪潮云服务信息科技有限公司 一种制定运营策略方法及装置
CN109949065B (zh) * 2017-12-20 2021-10-12 北京京东尚科信息技术有限公司 属性数据分析的方法和装置
CN109949065A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 属性数据分析的方法和装置
CN108256917A (zh) * 2018-01-18 2018-07-06 口碑(上海)信息技术有限公司 优惠券核销量、成交总额、成本的预测方法
CN110070382A (zh) * 2018-01-24 2019-07-30 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
CN108520439A (zh) * 2018-04-03 2018-09-11 联想(北京)有限公司 评价广告效应的方法、服务器集群以及系统
CN110517055A (zh) * 2018-05-22 2019-11-29 北京京东尚科信息技术有限公司 生成实体场所促销信息的方法和装置
CN110517055B (zh) * 2018-05-22 2024-04-05 北京京东尚科信息技术有限公司 生成实体场所促销信息的方法和装置
CN108985825A (zh) * 2018-06-29 2018-12-11 海南天华恒基科技有限公司 一种分销资源计划管理系统
CN111275511A (zh) * 2018-12-05 2020-06-12 北京京东尚科信息技术有限公司 识别竞争商品的方法、装置、电子设备及介质
CN109801102A (zh) * 2019-01-10 2019-05-24 哈步数据科技(上海)有限公司 一种促销选品的方法及系统
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
CN110163482B (zh) * 2019-04-19 2023-01-13 创新先进技术有限公司 确定活动方案的安全方案数据的方法、终端设备及服务器
CN110163482A (zh) * 2019-04-19 2019-08-23 阿里巴巴集团控股有限公司 确定活动方案的安全方案数据的方法、终端设备及服务器
CN112308584A (zh) * 2019-07-26 2021-02-02 中国移动通信集团湖南有限公司 一种营销模型训练方法和电子设备
CN110533485A (zh) * 2019-09-05 2019-12-03 金瓜子科技发展（北京）有限公司 一种对象选取的方法、装置、存储介质及电子设备
CN111008858A (zh) * 2019-10-24 2020-04-14 清华大学 一种商品销量预测方法及系统
CN111008858B (zh) * 2019-10-24 2023-10-31 清华大学 一种商品销量预测方法及系统
CN110866698A (zh) * 2019-11-14 2020-03-06 北京京东尚科信息技术有限公司 用于评定服务提供方的服务分值的装置
CN111160968A (zh) * 2019-12-27 2020-05-15 清华大学 Sku级别商品销量预测方法及装置
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
CN113065882A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种商品处理方法、装置及电子设备
CN113077277A (zh) * 2020-01-06 2021-07-06 北京京邦达贸易有限公司 信息处理装置和方法
CN111275514A (zh) * 2020-01-07 2020-06-12 载信软件(上海)有限公司 一种智能采购方法及系统、存储介质和电子装置
CN111311384A (zh) * 2020-05-15 2020-06-19 支付宝(杭州)信息技术有限公司 一种训练推荐模型的方法和系统
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
CN113283930A (zh) * 2021-05-12 2021-08-20 建信金融科技有限责任公司 营销活动的运营方法及装置
CN114596124A (zh) * 2022-03-22 2022-06-07 韦玲逢 一种电子商城商品促销量数据处理方法、系统及电商平台
CN117196695A (zh) * 2023-11-03 2023-12-08 中国民航信息网络股份有限公司 一种目标产品的销量数据的预测方法及装置
CN117196695B (zh) * 2023-11-03 2024-02-27 中国民航信息网络股份有限公司 一种目标产品的销量数据的预测方法及装置

Similar Documents

Publication Publication Date Title
CN107038190A (zh) 一种应用于淘宝网的智能促销方案建模方法
Loureiro et al. Exploring the use of deep neural networks for sales forecasting in fashion retail
Agus et al. E-commerce performance, digital marketing capability and supply chain capability within e-commerce platform: Longitudinal study before and after COVID-19
Ma et al. Optimal procurement decision with a carbon tax for the manufacturing industry
Hung A personalized recommendation system based on product taxonomy for one-to-one marketing online
Rane Enhancing customer loyalty through Artificial Intelligence (AI), Internet of Things (IoT), and Big Data technologies: improving customer satisfaction, engagement, relationship, and experience
Zhang et al. Supply chain coordination through cooperative advertising with reference price effect
Sana Optimal production lot size and reorder point of a two-stage supply chain while random demand is sensitive with sales teams' initiatives
Chernonog et al. Pricing and sales-effort investment under bi-criteria in a supply chain of virtual products involving risk
Patne et al. Solving closed-loop supply chain problems using game theoretic particle swarm optimisation
Mohammaditabar et al. A supplier-selection model with classification and joint replenishment of inventory items
CN107145506B (zh) 一种改进基于内容的农资商品推荐方法
Wang et al. M-GAN-XGBOOST model for sales prediction and precision marketing strategy making of each product in online stores
Song et al. A coordination mechanism for optimizing the contingent-free shipping threshold in online retailing
Lee et al. Forecasting new product diffusion using both patent citation and web search traffic
Ghosh et al. Optimizing a two-echelon serial supply chain with different carbon policies
Garfinkel et al. Shopbot 2.0: Integrating recommendations and promotions with comparison shopping
Pakhira et al. Two-level supply chain of a seasonal deteriorating item with time, price, and promotional cost dependent demand under finite time horizon
Namburu et al. Product pricing solutions using hybrid machine learning algorithm
De La Torre et al. A System Dynamics-Based Simulation Model to Analyze Consumers’ Behavior Based on Participatory Systems Mapping–A “Last Mile” Perspective
Chutani et al. A feedback Stackelberg game of cooperative advertising in a durable goods oligopoly
Kheirkhah et al. Dynamic facility layout problem under competitive environment: a new formulation and some meta-heuristic solution methods
Garnier Concurrent neural network: a model of competition between times series
Parker Pricing strategies in markets with dynamic elasticities
Voyer et al. In search of the next nexus: A maturing field for fashion research in the digital age

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170811