CN107203912A - 动态定价方法和装置 - Google Patents
动态定价方法和装置 Download PDFInfo
- Publication number
- CN107203912A CN107203912A CN201710490742.0A CN201710490742A CN107203912A CN 107203912 A CN107203912 A CN 107203912A CN 201710490742 A CN201710490742 A CN 201710490742A CN 107203912 A CN107203912 A CN 107203912A
- Authority
- CN
- China
- Prior art keywords
- mrow
- price
- commodity
- optimization
- sku
- 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
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
- 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
- G06Q30/0278—Product appraisal
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种动态定价方法和装置,涉及信息处理领域。其中动态定价装置根据历史数据对商品的价格弹性进行先验估计,利用价格弹性确定商品的优化价格。本发明通过利用商品的价格弹性来确定商品的优化价格,借助大数据处理得到商品销售的规律,从而在无需人工参与的情况下实现大规模商品价格管理。
Description
技术领域
本发明涉及信息处理领域,特别涉及一种动态定价方法和装置。
背景技术
目前对于大规模商品定价管理,主要利用商品分类方法,对不同分类的商品分配不同的采销人员进行管理。该方法主要是利用商品的销量和点击量,将商品分别划分为A/B/C/D/E/F六档,称为销量档(Band)和点击量档(Band),从A到F重要程度依次降低。Band越高,其分配的价格管理采销人员越多;Band越低,其分配的价格管理采销人员也就越少。价格管理采销人员根据商品销售的实际情况和对商品未来销量的判断,依据经验,通过人工方式决定是否对特定商品进行价格调整。
对于被判定为适合进行价格调整的商品,采销人员通过人工设定的方式修改网页价格并发布。Band的大致的排序如下:
Band A SKU流量(销量)排名前[0%~20%]
Band B SKU流量(销量)排名前(20%-40%]
Band C SKU流量(销量)排名前(40%-60%]
Band D SKU流量(销量)排名前(60%-80%]
Band E SKU流量(销量)排名前(80%-100%]
Band F SKU流量(销量)无排名
显然,现有的大规模定价都过于依赖人工控制,缺乏精益管理。现有技术仅考虑了销量或者点击量单维度数据,缺乏对海量数据的多维度分析。商品的价值体现在多个方面,仅通过销量或者点击量对商品重要程度进行划分是不充分的。现有技术可以在一定程度上表征商品在消费者中的关注度和需求量,但没有考虑商品本身的销售潜力。例如,某些商品的关注度或者需求量本身可能并不大,但可能存在很大的GMV(Gross MerchandiseVolume,商品交易总额)潜力和毛利潜力。而且调价主要依赖于采销人员的经验,没有量化分析作为指导,效果难以保证。
发明内容
本发明实施例提供一种动态定价方法和装置,通过利用商品的价格弹性来确定商品的优化价格,借助大数据处理得到商品销售的规律,从而在无需人工参与的情况下实现大规模商品价格管理。
根据本发明的一个方面,提供一种动态定价方法,包括:
根据历史数据对商品的价格弹性进行先验估计;
利用价格弹性确定商品的优化价格。
在一个实施例中,根据历史数据对商品的价格弹性进行先验估计包括:
在与商品相关联的历史数据中,对异常值进行过滤;
针对过滤后的历史数据,根据商品的品牌、价格和销量,计算商品的目标SKU的价格弹性。
在一个实施例中,计算商品的目标SKU的价格弹性包括:
利用公式
log(销量brand,SKU)=εSKU log(价格brand,SKU)+常数项品牌+常数项SKU
计算商品的目标SKU的价格弹性εSKU;
其中销量brand,SKU为品牌的目标SKU的销量,价格brand,SKU为品牌的目标SKU的价格,常数项品牌为与品牌相关联的常数项,常数项SKU为与SKU相关联的常数项。
在一个实施例中,利用价格弹性确定商品的优化价格包括:
利用价格弹性的均值和方差,确定商品的优化价格。
在一个实施例中,确定商品的优化价格包括:
若p>p0,则利用方程
确定优化价格p;
其中p为优化价格,p0为当前价格,μ和σ分别为价格弹性的均值和方差,Z为分度值,ω为系统参数。
在一个实施例中,若p<p0,则利用方程
确定优化价格p。
在一个实施例中,系统参数ω为
其中τ为指定的改善程度,β为毛利的权重系数,c为计算参数。
在一个实施例中,优化价格p满足
其中ε为价格弹性,f(p,ε)为预期销售金额与加权毛利的加权总和。
在一个实施例中,
其中表示预期销量。
在一个实施例中,优化价格p还满足
其中,τ0为最低改善程度,α为优化成功率,Prob为概率函数。
在一个实施例中,优化价格p还满足|p-p0|<Δp0;
其中,Δp0为允许调价幅度。
在一个实施例中,将商品分为两组,其中第一组采用优化价格,第二组仍采用当前价格;
经过预定的第一时间,通过销售量、销售金额和毛利对第一组和第二组进行绩效比对;
若第一组与第二组的绩效之差小于预定绩效门限,则将第一组所采用的优化价格调整为当前价格;并重复执行根据历史数据对商品的价格弹性进行先验估计的步骤。
在一个实施例中,若第一组与第二组的绩效之差不小于预定绩效门限,则商品采用优化价格;
在经过预定的第二时间后,重复执行根据历史数据对商品的价格弹性进行先验估计的步骤。
根据本发明的另一方面,提供一种动态定价装置,包括:
先验估计模块,用于根据历史数据对商品的价格弹性进行先验估计;
价格优化模块,用于利用价格弹性确定商品的优化价格。
在一个实施例中,先验估计模块包括:
过滤单元,用于在与商品相关联的历史数据中,对异常值进行过滤;
价格弹性计算单元,用于针对过滤后的历史数据,根据商品的品牌、价格和销量,计算商品的目标SKU的价格弹性。
在一个实施例中,价格弹性计算单元利用公式
log(销量brand,SKU)=εSKU log(价格brand,SKU)+常数项品牌+常数项SKU
计算商品的目标SKU的价格弹性εSKU;
其中销量brand,SKU为品牌的目标SKU的销量,价格brand,SKU为品牌的目标SKU的价格,常数项品牌为与品牌相关联的常数项,常数项SKU为与SKU相关联的常数项。
在一个实施例中,价格优化模块利用价格弹性的均值和方差,确定商品的优化价格。
在一个实施例中,价格优化模块用于在p>p0的情况下,利用方程
确定优化价格p;
其中p为优化价格,p0为当前价格,μ和σ分别为价格弹性的均值和方差,Z为分度值,ω为系统参数。
在一个实施例中,价格优化模块还用于在p<p0的情况下,利用方程
确定优化价格p。
在一个实施例中,系统参数ω为
其中τ为指定的改善程度,β为毛利的权重系数,c为计算参数。
在一个实施例中,优化价格p满足
其中ε为价格弹性,f(p,ε)为预期销售金额与加权毛利的加权总和。
在一个实施例中,
其中表示预期销量。
在一个实施例中,优化价格p还满足
其中,τ0为最低改善程度,α为优化成功率,Prob为概率函数。
在一个实施例中,优化价格p还满足|p-p0|<Δp0;
其中,Δp0为允许调价幅度。
在一个实施例中,上述装置还包括:
价格上线模块,用于将商品分为两组,其中第一组采用优化价格,第二组仍采用当前价格;
绩效评估模块,用于经过预定的第一时间,通过销售量、销售金额和毛利对第一组和第二组进行绩效比对;若第一组与第二组的绩效之差小于预定绩效门限,则将第一组所采用的优化价格调整为当前价格;并指示先验估计模块重复执行根据历史数据对商品的价格弹性进行先验估计的操作。
在一个实施例中,绩效评估模块还用于在第一组与第二组的绩效之差不小于预定绩效门限时,将优化价格配置给商品;
在经过预定的第二时间后,指示先验估计模块重复执行根据历史数据对商品的价格弹性进行先验估计的操作。
根据本发明的另一方面,提供一种动态定价装置,包括:
存储器,用于存储指令;
处理器,耦合到存储器,处理器被配置为基于存储器存储的指令执行实现如上述任一实施例涉及的方法。
根据本发明的另一方面,提供一种计算机可读存储介质,其中计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如上述任一实施例涉及的方法。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明动态定价方法一个实施例的示意图。
图2为本发明动态定价方法另一实施例的示意图。
图3为本发明动态定价方法又一实施例的示意图。
图4为本发明动态定价装置一个实施例的示意图。
图5为本发明动态定价装置另一实施例的示意图。
图6为本发明动态定价装置又一实施例的示意图。
图7为本发明动态定价装置又一实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明动态定价方法一个实施例的示意图。其中,本实施例的方法步骤可由动态定价装置执行。
步骤101,根据历史数据对商品的价格弹性进行先验估计。
可选地,根据历史数据对商品的价格弹性进行先验估计包括:
在与商品相关联的历史数据中,对异常值进行过滤。然后针对过滤后的历史数据,根据商品的品牌、价格和销量,计算商品的目标SKU(Stock Keeping Unit,库存量单位)的价格弹性。
其中,在进行异常值过滤时可采用如下原则:
1.过滤掉折扣导致新成交价格下降大于50%的记录;
2.进行稳健回归(log(销量)=log(价格)+C),接着剔除掉残差在均值n倍(例如,2倍)标准差之外的记录。其中log是指取对数计算,C是指回归常数项。
3.保留多于30条销售数据的SKU。
这里需要说明的是,结合现有的定价场景,一个基本的商业假设是:一个品类下同一品牌下的价格弹性是接近的:如休闲零食里的乐事薯片,我们可以认为他们的弹性是类似的。品牌弹性与单个SKU的弹性的关系如下:
εSKU=εbrand+χ
其中εbrand是品牌弹性,εSKU是SKU弹性,χ是随机噪音。通过对一个品牌所有SKU进行拟合,可以得到:
log(销量brand,SKU)=εSKU log(价格brand,SKU)+常数项品牌+常数项SKU
通过计算以上方程,我们可以得到相应的SKU的价格弹性。其中销量brand,SKU为品牌的目标SKU的销量,价格brand,SKU为品牌的目标SKU的价格,常数项品牌为与品牌相关联的常数项,常数项SKU为与SKU相关联的常数项。
步骤102,利用价格弹性确定商品的优化价格。
可选地,可利用价格弹性的均值和方差,确定商品的优化价格。
例如,若p>p0,则利用方程
确定优化价格p。其中p为优化价格,p0为当前价格,μ和σ分别为价格弹性的均值和方差,Z为分度值,ω为系统参数。
其中,Z为分度值,代表覆盖方差的范围,Z值越大,则我们所拟合的弹性分布函数越能够代表弹性的真实分布。Z=1表示约68.3%的数值分布在距离平均值有1个标准差之内的范围,即弹性拟合分布函数能够代表68.3%的真实值;同理,Z=2表示约95.4%的数值分布在距离平均值有2个标准差之内的范围,Z=3表示约99.7%的数值分布在距离平均值有3个标准差之内的范围。
若p<p0,则利用方程
确定优化价格p。
其中,系统参数ω为
上式中的τ为指定的改善程度,β为毛利的权重系数,c为计算参数。
基于本发明上述实施例提供的动态定价方法,通过利用商品的价格弹性来确定商品的优化价格,借助大数据处理得到商品销售的规律,从而在无需人工参与的情况下实现大规模商品价格管理。
这里需要说明的是,通过确定优化价格p,从而在指定的改善程度τ的情况下,以便能够使整体绩效达到最优。为了达到这一目标,优化价格p还需要满足以下条件。
1)优化价格p满足
其中ε为价格弹性,f(p,ε)为预期销售金额与加权毛利的加权总和。即,优化价格p必须满足设定的最低要求。
可选地,其中表示预期销量。
2)优化价格p还满足
其中,τ0为最低改善程度,α为优化成功率,Prob为概率函数。例如,τ0可设置为1.05,α可设置为80%,即表明优化成功率需要超过80%。
3)优化价格p还满足|p-p0|<Δp0,其中,Δp0为允许调价幅度。
通过设置Δp0,以避免价格出现暴涨暴跌的情况。
图2为本发明动态定价方法另一实施例的示意图。其中,步骤201和步骤202与图1所示实施例中的步骤101和102相同。
步骤201,根据历史数据对商品的价格弹性进行先验估计。
步骤202,利用所述价格弹性确定所述商品的优化价格。
步骤203,将商品分为两组,其中第一组采用优化价格,第二组仍采用当前价格。
步骤204,经过预定的第一时间,通过销售量、销售金额和毛利对第一组和第二组进行绩效比对。
步骤205,若第一组与第二组的绩效之差小于预定绩效门限,则将第一组所采用的优化价格调整为当前价格,并重复执行步骤201。
例如,进行数据监测,如果销售量,销售金额和毛利这三项都特别差,分两种情况行动:(1)如果对照组的销量、销售金额和毛利这三项也差,则会保持这些发布的鲁棒价格,让这些产品(SKU)继续以当前鲁棒价格继续销售;(2)如果对照组的销量、销售金额或毛利这三项不是全部都很差,这种情况下,则就会立即下线发布的优化价格,恢复到调价前的价格,并重新确定优化价格。
图3为本发明动态定价方法又一实施例的示意图。其中,步骤301和步骤302与图1所示实施例中的步骤101和102相同。
步骤301,根据历史数据对商品的价格弹性进行先验估计。
步骤302,利用所述价格弹性确定所述商品的优化价格。
步骤303,将商品分为两组,其中第一组采用优化价格,第二组仍采用当前价格。
步骤304,经过预定的第一时间,通过销售量、销售金额和毛利对第一组和第二组进行绩效比对。
步骤305,若第一组与第二组的绩效之差不小于预定绩效门限,则采用优化价格。
步骤306,优化价格上线持续预定的第二时间后,重复执行步骤301。
对优化成功的SKU,也要定期根据新得到的数据,对其价格弹性再次拟合,并根据新的拟合弹性再次进行价格优化。
图4为本发明动态定价装置一个实施例的示意图。如图4所示,该动态定价装置可包括先验估计模块41和价格优化模块42。其中:
先验估计模块41用于根据历史数据对商品的价格弹性进行先验估计。
价格优化模块42用于利用价格弹性确定商品的优化价格。
可选地,价格优化模块42利用价格弹性的均值和方差,确定商品的优化价格。
例如,价格优化模块42用于在p>p0的情况下,利用方程
确定优化价格p。其中p为优化价格,p0为当前价格,μ和σ分别为价格弹性的均值和方差,Z为分度值,ω为系统参数。
此外,价格优化模块42还用于在p<p0的情况下,利用方程
确定优化价格p。
其中,系统参数ω为τ为指定的改善程度,β为毛利的权重系数,c为计算参数。
可选地,优化价格p满足
其中ε为价格弹性,f(p,ε)为预期销售金额与加权毛利的加权总和。从而能够使优化价格满足设定的最低要求。
其中,表示预期销量。
此外,优化价格p还可满足
其中,τ0为最低改善程度,α为优化成功率,Prob为概率函数。以便使优化成功率满足指定要求。
此外,优化价格p还满足|p-p0|<Δp0。其中,Δp0为允许调价幅度。从而可有效避免价格暴涨暴跌。
基于本发明上述实施例提供的动态定价装置,通过利用商品的价格弹性来确定商品的优化价格,借助大数据处理得到商品销售的规律,从而在无需人工参与的情况下实现大规模商品价格管理。
图5为本发明动态定价装置另一实施例的示意图。其中,先验估计模块41包括:
过滤单元51,用于在与商品相关联的历史数据中,对异常值进行过滤。
可选地,在进行异常值过滤时可采用如下原则:
1.过滤掉折扣导致新成交价格下降大于50%的记录;
2.进行稳健回归(log(销量)=log(价格)+C),接着剔除掉残差在均值n倍(例如,2倍)标准差之外的记录。其中log是指取对数计算,C是指回归常数项。
3.保留多于30条销售数据的SKU。
价格弹性计算单元52,用于针对过滤后的历史数据,根据商品的品牌、价格和销量,计算商品的目标SKU的价格弹性。
可选地,价格弹性计算单元52利用公式
log(销量brand,SKU)=εSKU log(价格brand,SKU)+常数项品牌+常数项SKU
计算商品的目标SKU的价格弹性εSKU。其中销量brand,SKU为品牌的目标SKU的销量,价格brand,SKU为品牌的目标SKU的价格,常数项品牌为与品牌相关联的常数项,常数项SKU为与SKU相关联的常数项。
图6为本发明动态定价装置又一实施例的示意图。与图4和图5所示实施例相比,在图6所示实施例中,动态定价装置还包括:
价格上线模块43,用于将商品分为两组,其中第一组采用优化价格,第二组仍采用当前价格。
绩效评估模块44,用于经过预定的第一时间,通过销售量、销售金额和毛利对第一组和第二组进行绩效比对;若第一组与第二组的绩效之差小于预定绩效门限,则将第一组所采用的优化价格调整为当前价格;并指示先验估计模块41重复执行根据历史数据对商品的价格弹性进行先验估计的操作。
即,若优化价格对应的绩效并不理想,则将该优化价格下线,并重新进行动态定价处理。
此外,绩效评估模块44还用于在第一组与第二组的绩效之差不小于预定绩效门限时,利用优化价格进行商品配置。在经过预定的第二时间后,指示先验估计模块41重复执行根据历史数据对商品的价格弹性进行先验估计的操作。
即,尽管上线的优化价格带来的绩效比较理想,但在经过一段时间后也要再次进行优化。
图7为本发明动态定价装置又一实施例的示意图。如图7所示,配送动态定价装置包括存储器701和处理器702。其中:
存储器701用于存储指令,处理器702耦合到存储器701,处理器702被配置为基于存储器存储的指令执行实现如图1至图3中任一实施例涉及的方法。
如图7所示,配送动态定价装置还包括通信接口703,用于与其它设备进行信息交互。同时,该装置还包括总线704,处理器702、通信接口703、以及存储器701通过总线704完成相互间的通信。
存储器701可以包含高速RAM存储器,也可还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。存储器701也可以是存储器阵列。存储器701还可能被分块,并且块可按一定的规则组合成虚拟卷。
此外,处理器702可以是一个中央处理器CPU,或者可以是专用集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
本发明同时涉及一种计算机可读存储介质,其中计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如图1至图3中任一实施例涉及的方法。
通过实施本发明,通过利用商品的价格弹性来确定商品的优化价格,借助大数据处理得到商品销售的规律,从而在无需人工参与的情况下实现大规模商品价格管理。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (28)
1.一种动态定价方法,其特征在于,包括:
根据历史数据对商品的价格弹性进行先验估计;
利用所述价格弹性确定所述商品的优化价格。
2.根据权利要求1所述的方法,其特征在于,
根据历史数据对商品的价格弹性进行先验估计包括:
在与所述商品相关联的历史数据中,对异常值进行过滤;
针对过滤后的历史数据,根据所述商品的品牌、价格和销量,计算所述商品的目标SKU的价格弹性。
3.根据权利要求2所述的方法,其特征在于,
计算所述商品的目标SKU的价格弹性包括:
利用公式
log(销量brand,SKU)=εSKU log(价格brand,SKU)+常数项品牌+常数项SKU
计算所述商品的目标SKU的价格弹性εSKU;
其中销量brand,SKU为所述品牌的目标SKU的销量,价格brand,SKU为所述品牌的目标SKU的价格,常数项品牌为与所述品牌相关联的常数项,常数项SKU为与SKU相关联的常数项。
4.根据权利要求1所述的方法,其特征在于,
利用所述价格弹性确定所述商品的优化价格包括:
利用所述价格弹性的均值和方差,确定所述商品的优化价格。
5.根据权利要求4所述的方法,其特征在于,
确定所述商品的优化价格包括:
若p>p0,则利用方程
<mrow>
<mi>&omega;</mi>
<mo>/</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>p</mi>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>&mu;</mi>
<mo>-</mo>
<mi>z</mi>
<mi>&sigma;</mi>
</mrow>
确定优化价格p;
其中p为优化价格,p0为当前价格,μ和σ分别为所述价格弹性的均值和方差,Z为分度值,ω为系统参数。
6.根据权利要求5所述的方法,其特征在于,还包括
若p<p0,则利用方程
<mrow>
<mi>&omega;</mi>
<mo>/</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>p</mi>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>&mu;</mi>
<mo>-</mo>
<mi>z</mi>
<mi>&sigma;</mi>
</mrow>
确定优化价格p。
7.根据权利要求6所述的方法,其特征在于,
所述系统参数ω为
其中τ为指定的改善程度,β为毛利的权重系数,c为计算参数。
8.根据权利要求7所述的方法,其特征在于,
优化价格p满足
<mrow>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>></mo>
<mi>&tau;</mi>
</mrow>
其中ε为所述价格弹性,f(p,ε)为预期销售金额与加权毛利的加权总和。
9.根据权利要求8所述的方法,其特征在于,
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mi>p</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>&CenterDot;</mo>
<mi>ln</mi>
<mi>p</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>0</mn>
</msub>
</mrow>
</msup>
<mo>;</mo>
</mrow>
其中表示预期销量。
10.根据权利要求9所述的方法,其特征在于,
优化价格p还满足
<mrow>
<mi>Pr</mi>
<mi>o</mi>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>></mo>
<msub>
<mi>&tau;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>&alpha;</mi>
</mrow>
其中,τ0为最低改善程度,α为优化成功率,Prob为概率函数。
11.根据权利要求10所述的方法,其特征在于,
优化价格p还满足|p-p0|<Δp0;
其中,Δp0为允许调价幅度。
12.根据权利要求1-11中任一项所述的方法,其特征在于,还包括:
将所述商品分为两组,其中第一组采用所述优化价格,第二组仍采用当前价格;
经过预定的第一时间,通过销售量、销售金额和毛利对第一组和第二组进行绩效比对;
若第一组与第二组的绩效之差小于预定绩效门限,则将第一组所采用的优化价格调整为所述当前价格;并重复执行根据历史数据对商品的价格弹性进行先验估计的步骤。
13.根据权利要求12所述的方法,其特征在于,还包括:
若第一组与第二组的绩效之差不小于预定绩效门限,则所述商品采用所述优化价格;
在经过预定的第二时间后,重复执行根据历史数据对商品的价格弹性进行先验估计的步骤。
14.一种动态定价装置,其特征在于,包括:
先验估计模块,用于根据历史数据对商品的价格弹性进行先验估计;
价格优化模块,用于利用所述价格弹性确定所述商品的优化价格。
15.根据权利要求14所述的装置,其特征在于,先验估计模块包括:
过滤单元,用于在与所述商品相关联的历史数据中,对异常值进行过滤;
价格弹性计算单元,用于针对过滤后的历史数据,根据所述商品的品牌、价格和销量,计算所述商品的目标SKU的价格弹性。
16.根据权利要求15所述的装置,其特征在于,
价格弹性计算单元利用公式
log(销量brand,SKU)=εSKU log(价格brand,SKU)+常数项品牌+常数项SKU
计算所述商品的目标SKU的价格弹性εSKU;
其中销量brand,SKU为所述品牌的目标SKU的销量,价格brand,SKU为所述品牌的目标SKU的价格,常数项品牌为与所述品牌相关联的常数项,常数项SKU为与SKU相关联的常数项。
17.根据权利要求14所述的装置,其特征在于,
价格优化模块利用所述价格弹性的均值和方差,确定所述商品的优化价格。
18.根据权利要求17所述的装置,其特征在于,
价格优化模块用于在p>p0的情况下,利用方程
<mrow>
<mi>&omega;</mi>
<mo>/</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>p</mi>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>&mu;</mi>
<mo>-</mo>
<mi>z</mi>
<mi>&sigma;</mi>
</mrow>
确定优化价格p;
其中p为优化价格,p0为当前价格,μ和σ分别为所述价格弹性的均值和方差,Z为分度值,ω为系统参数。
19.根据权利要求18所述的装置,其特征在于,
价格优化模块还用于在p<p0的情况下,利用方程
<mrow>
<mi>&omega;</mi>
<mo>/</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>p</mi>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>&mu;</mi>
<mo>-</mo>
<mi>z</mi>
<mi>&sigma;</mi>
</mrow>
确定优化价格p。
20.根据权利要求19所述的装置,其特征在于,
所述系统参数ω为
其中τ为指定的改善程度,β为毛利的权重系数,c为计算参数。
21.根据权利要求20所述的装置,其特征在于,
优化价格p满足
<mrow>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>></mo>
<mi>&tau;</mi>
</mrow>
其中ε为所述价格弹性,f(p,ε)为预期销售金额与加权毛利的加权总和。
22.根据权利要求21所述的装置,其特征在于,
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mi>p</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>&CenterDot;</mo>
<mi>ln</mi>
<mi>p</mi>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>0</mn>
</msub>
</mrow>
</msup>
<mo>;</mo>
</mrow>
其中表示预期销量。
23.根据权利要求22所述的装置,其特征在于,
优化价格p还满足
<mrow>
<mi>Pr</mi>
<mi>o</mi>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>></mo>
<msub>
<mi>&tau;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>&alpha;</mi>
</mrow>
其中,τ0为最低改善程度,α为优化成功率,Prob为概率函数。
24.根据权利要求23所述的装置,其特征在于,
优化价格p还满足|p-p0|<Δp0;
其中,Δp0为允许调价幅度。
25.根据权利要求14-24中任一项所述的装置,其特征在于,还包括:
价格上线模块,用于将所述商品分为两组,其中第一组采用所述优化价格,第二组仍采用当前价格;
绩效评估模块,用于经过预定的第一时间,通过销售量、销售金额和毛利对第一组和第二组进行绩效比对;若第一组与第二组的绩效之差小于预定绩效门限,则将第一组所采用的优化价格调整为所述当前价格;并指示先验估计模块重复执行根据历史数据对商品的价格弹性进行先验估计的操作。
26.根据权利要求25所述的装置,其特征在于,
绩效评估模块还用于在第一组与第二组的绩效之差不小于预定绩效门限时,将所述优化价格配置给所述商品;
在经过预定的第二时间后,指示先验估计模块重复执行根据历史数据对商品的价格弹性进行先验估计的操作。
27.一种动态定价装置,其特征在于,包括:
存储器,用于存储指令;
处理器,耦合到所述存储器,所述处理器被配置为基于所述存储器存储的指令执行实现如权利要求1-13中任一项所述的方法。
28.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710490742.0A CN107203912A (zh) | 2017-06-26 | 2017-06-26 | 动态定价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710490742.0A CN107203912A (zh) | 2017-06-26 | 2017-06-26 | 动态定价方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107203912A true CN107203912A (zh) | 2017-09-26 |
Family
ID=59907068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710490742.0A Pending CN107203912A (zh) | 2017-06-26 | 2017-06-26 | 动态定价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203912A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657407A (zh) * | 2017-09-28 | 2018-02-02 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN108960923A (zh) * | 2018-07-09 | 2018-12-07 | 北京百悟科技有限公司 | 一种定价的方法、装置及计算机存储介质 |
CN109727053A (zh) * | 2017-10-31 | 2019-05-07 | 北京京东尚科信息技术有限公司 | 对象投放的确定方法、装置以及计算机可读存储介质 |
CN109816459A (zh) * | 2019-03-21 | 2019-05-28 | 深圳市丰巢科技有限公司 | 一种动态调价方法、装置、终端及存储介质 |
CN109903108A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN109978428A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据估算方法和装置以及计算机可读存储介质 |
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 |
CN110827047A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 动态定价方法和装置 |
CN111126914A (zh) * | 2019-12-24 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112598446A (zh) * | 2020-12-28 | 2021-04-02 | 深圳壹账通创配科技有限公司 | 配件定价方法、系统、设备及存储介质 |
-
2017
- 2017-06-26 CN CN201710490742.0A patent/CN107203912A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657407A (zh) * | 2017-09-28 | 2018-02-02 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN109727053A (zh) * | 2017-10-31 | 2019-05-07 | 北京京东尚科信息技术有限公司 | 对象投放的确定方法、装置以及计算机可读存储介质 |
CN109903108A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN109978428A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据估算方法和装置以及计算机可读存储介质 |
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 |
CN108960923A (zh) * | 2018-07-09 | 2018-12-07 | 北京百悟科技有限公司 | 一种定价的方法、装置及计算机存储介质 |
CN110827047A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 动态定价方法和装置 |
CN109816459A (zh) * | 2019-03-21 | 2019-05-28 | 深圳市丰巢科技有限公司 | 一种动态调价方法、装置、终端及存储介质 |
CN111126914A (zh) * | 2019-12-24 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN111126914B (zh) * | 2019-12-24 | 2023-09-26 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112598446A (zh) * | 2020-12-28 | 2021-04-02 | 深圳壹账通创配科技有限公司 | 配件定价方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203912A (zh) | 动态定价方法和装置 | |
EP3862893A1 (en) | Recommendation model training method, recommendation method, device, and computer-readable medium | |
CN106485562A (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
CN107316234A (zh) | 个性化商品预测方法和装置 | |
CN105468628B (zh) | 一种排序方法及装置 | |
CN104239338A (zh) | 信息推荐方法及装置 | |
CN104239335B (zh) | 特定用户信息获取方法及装置 | |
CN107292666A (zh) | 销售潜力判断方法及装置 | |
CN111080360A (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
CN103761266A (zh) | 基于多级逻辑回归的点击率预测方法和系统 | |
CN107808220A (zh) | 一种收入预测方法及装置 | |
CN114581012A (zh) | 一种基于供应链管理的库存调整方法及系统 | |
CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
US10832264B1 (en) | System, method, and computer program product for calculating an accepted value for a promotion | |
KR20200023669A (ko) | 빅데이터 기반 부동산 투자 추천 시스템 | |
CN106886934A (zh) | 用于确定商家品类的方法、系统和装置 | |
CN111028042A (zh) | 一种商品价格的变更方法、装置、设备及存储介质 | |
KR102217886B1 (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
CN106709756A (zh) | 用户需求信息获取方法和装置 | |
Vaghefinezhad et al. | A genetic algorithm approach for solving a flexible job shop scheduling problem | |
CN106528774A (zh) | 一种配网项目管理趋势预测方法和装置 | |
CN106502881A (zh) | 一种商品排序规则的测试方法和装置 | |
CN106708875A (zh) | 一种特征筛选方法及系统 | |
CN111325572B (zh) | 一种数据处理方法及装置 |
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: 20170926 |