CN107330732A - 一种电子产品定价方法及一种服务器集群 - Google Patents

一种电子产品定价方法及一种服务器集群 Download PDF

Info

Publication number
CN107330732A
CN107330732A CN201710525264.2A CN201710525264A CN107330732A CN 107330732 A CN107330732 A CN 107330732A CN 201710525264 A CN201710525264 A CN 201710525264A CN 107330732 A CN107330732 A CN 107330732A
Authority
CN
China
Prior art keywords
data
factor
price
cycle
activation amount
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.)
Granted
Application number
CN201710525264.2A
Other languages
English (en)
Other versions
CN107330732B (zh
Inventor
李冬阳
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.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
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 Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201710525264.2A priority Critical patent/CN107330732B/zh
Publication of CN107330732A publication Critical patent/CN107330732A/zh
Application granted granted Critical
Publication of CN107330732B publication Critical patent/CN107330732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination

Landscapes

  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电子产品定价方法及一种服务器集群，方法包括：对第一激活量数据和第一因子数据进行时间序列化；根据价格周期对时间序列化后的数据进行分解得到价格周期数据；对价格周期数据进行滤波拆分得到与价格周期对应的第二激活量数据，第二激活量数据为未受第一因子数据影响情况下的随时间变化的短期趋势数据；如果与价格周期对应的短期趋势数据具有时间规律，则将短期趋势数据进行特征化处理生成第二因子数据；将第一因子数据与第二因子数据输入预设模型进行学习，以得到预定时间的电子产品激活量的第一预测值，根据价格周期以及与价格周期对应的第一预测值对电子产品进行定价。本发明的方案能够根据市场需求情况给出最优化定价。

Description

一种电子产品定价方法及一种服务器集群
技术领域
本发明涉及数据处理，尤其涉及一种电子产品定价方法及一种服务器集群。
背景技术
电子产品发售后期，如何控制电子产品的价格才能够在销量上升的情况下最大化利润，换句话说，如何定价能够最大化其收益且保持销量，是一直困扰企业的问题。现阶段的定价方式是根据电子产品的生命周期的不同阶段以及电子产品的库存情况，对电子产品进行一锤子定价。这种定价方式人为判断因素居多，并且无法实时适应市场需求的变化，经常适得其反。
发明内容
本发明提供一种电子产品定价方法及一种服务器集群，能够根据市场需求情况给出最优化定价。
本发明提供了一种电子产品定价方法，包括：
获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；
对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；
对时间序列化后的数据根据价格周期进行分解并得到至少一个价格周期数据；
对所述至少一个价格周期数据分别进行滤波拆分，并分别得到至少一个与所述价格周期对应的第二激活量数据，所述第二激活量数据为电子产品激活量的未受所述至少一个第一因子数据影响情况下的随时间变化的短期趋势数据；
判断至少一个与所述价格周期对应的所述短期趋势数据是否具有时间规律；
如果至少一个与所述价格周期对应的所述短期趋势数据具有时间规律，则将所述短期趋势数据进行特征化处理生成第二因子数据；
将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第一预测值，根据所述价格周期以及与所述价格周期对应的所述第一预测值对电子产品进行定价。
作为优选，还包括，
如果至少一个与所述价格周期对应的所述短期趋势数据不具有时间规律，则将所述至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第二预测值，根据所述价格周期以及与所述价格周期对应的所述第二预测值对电子产品进行定价。
作为优选，所述至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。
作为优选，所述舆论因子数据包括情感指数因子数据，所述情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。
作为优选，对所述至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对所述价格因子数据进行时间序列化前，对所述价格因子数据进行离散化。
作为优选，将所述短期趋势数据进行特征化处理包括，将所述短期趋势数据的依赖时长构造成一维特征或多维特征作为所述第二因子数据。
作为优选，所述第一因子数据与所述第二因子数据的权重相等。
本发明还公开了一种服务器集群，包括至少一个处理器、至少一个存储器，所述至少一个存储器能够存储被所述至少一个处理器处理的指令，所述至少一个处理器配置为执行所述指令以：
获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；
对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；
对时间序列化后的数据根据价格周期进行分解并得到至少一个价格周期数据；
对所述至少一个价格周期数据分别进行滤波拆分，并分别得到至少一个与所述价格周期对应的第二激活量数据，所述第二激活量数据为电子产品激活量的未受所述至少一个第一因子数据影响情况下的随时间变化的短期趋势数据；
判断至少一个与所述价格周期对应的所述短期趋势数据是否具有时间规律；
如果至少一个与所述价格周期对应的所述短期趋势数据具有时间规律，则将所述短期趋势数据进行特征化处理生成第二因子数据；
将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第一预测值，根据所述价格周期以及与所述价格周期对应的所述第一预测值对电子产品进行定价。
作为优选，所述至少一个处理器配置为进一步执行所述指令以：
如果至少一个与所述价格周期对应的所述短期趋势数据不具有时间规律，则将所述至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第二预测值，根据所述价格周期以及与所述价格周期对应的所述第二预测值对电子产品进行定价。
作为优选，所述至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。
作为优选，所述舆论因子数据包括情感指数因子数据，所述情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。
作为优选，对所述至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对所述价格因子数据进行时间序列化前，对所述价格因子数据进行离散化。
作为优选，将所述短期趋势数据进行特征化处理包括，将所述短期趋势数据的依赖时长构造成一维特征或多维特征作为所述第二因子数据。
作为优选，所述第一因子数据与所述第二因子数据的权重相等。
与现有技术相比，本发明的有益效果在于：由于电子产品的智能性，使得其能够将电子产品的激活数据上报，电子产品的激活数据能够实时且真实的反应市场对电子产品的需求变化，并且能够反映出不同价格的情况下电子产品需求量的变化，利用反映市场需求的电子产品激活量数据，根据价格周期对与其对应的电子产品激活量数据进行预测，并根据价格周期与预测值获得电子产品的收益，能够得到实时、合理的定价方案。
附图说明
图1是本发明一个实施例的电子产品定价方法的流程图；
图2是本发明另一个实施例的电子产品定价方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。
此处参考附图描述本发明的各种方案以及特征。
应理解的是，可以对此处发明的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本发明的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且与上面给出的对本发明的大致描述以及下面给出的对实施例的详细描述一起用于解释本发明的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本发明的具体实施例；然而，应当理解，所发明的实施例仅仅是本发明的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本发明模糊不清。因此，本文所发明的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本发明的相同或不同实施例中的一个或多个。
如图1所示，本发明公开的一个实施例中，一种电子产品定价方法，包括：
S1，获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据。
其中，第一激活量数据是统计的用户激活的电子产品的数据，其是用户实际购买电子产品的数量的一个反映，用户实际购买的电子产品的数量越多，第一激活量数据越大，可以根据第一激活量数据来判断用户实际购买电子产品的数量，也就是可以根据第一激活量数据来判断销售的电子产品的数量。
影响第一激活量数据的至少一个第一因子数据可以包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。价格因子数据可以是厂家规定的电子产品的价格，也可以是售卖平台的售价，价格因子数据可以是变化的，例如，厂家为了多卖电子产品而对电子产品进行降价。市场活动因子数据可以是促销活动中花费的人力成本或物力成本，也可以是代言活动中名人的出场费用或代言场所的租赁费用或者代言场所的观众数量。产品质量因子数据可以包括返修率。舆论因子数据可以包括电子产品的讨论热度或者情感指数因子数据。另外，第一因子数据还可以包括竞品活动因子数据，竞品活动因子数据可以是作为竞争对手的厂家做促销活动或代言活动的数据。
S2，对第一激活量数据和至少一个第一因子数据分别进行时间序列化。
对第一激活量数据进行时间序列化可以是对第一激活量数据按照时间顺序进行排列，例如，电子产品的激活量按照日期的排列数据。
对第一因子数据进行时间序列化可以是对第一因子数据按照时间顺序进行排列。例如，对价格因子数据进行时间序列化可以是厂家规定的价格按照日期的排列数据，如果厂家在某段时间降低价格，可以在时间序列化后的价格因子数据中体现出来。
另外，对于代言活动中名人的出场费用的时间序列化可以是将出场费用平均到代言活动期间的每一天，再按照此段期间中的每一天对应平均化后的出场费用。租赁费用或观众数量的时间序列化类似于出场费用的时间序列化，在此不再赘述。对于竞品活动因子数据进行时间序列化也与之类似。
对于返修率的时间序列化可以是返修率按照日期的排列数据。而对于讨论热度的时间序列化可以是利用爬虫技术将人们在网上的讨论进行抓取，并计算关于电子产品的讨论的数量，最后对应日期进行排列。对于舆论因子数据中的情感指数因子数据，可以是基于正面舆论评价信息数量以及负面舆论评价信息数量确认。具体可以是，通过对正面和负面的舆论评价信息进行统计，并根据(n正-n负)*10/(n正+n负)计算得到情感指数，并对情感指数按照时间进行排列。其中，n正为统计的当天的正面舆论评价信息的数量，n负为统计的当天的负面舆论评价信息的数量。
S3，对时间序列化后的数据根据价格周期进行分解并得到至少一个价格周期数据。
针对一款手机，其销售价格一般会维持一段时间进行售卖，例如，1799元销售两个月，接下来降为1499元销售一个月。价格周期即为维持一段时间的销售价格。对时间序列化后的数据根据价格周期进行分解，可以是利用时间序列分析方法对时间序列化后的数据进行时间规律拆解，具体的，可以是利用时间序列分析方法中的STL(Seasonal and Trenddecomposition using Loess‘)分解方法，STL分解方法是以鲁棒局部加权回归作为平滑方法的时间序列分解方法，从而可以得到至少一个价格周期数据，例如，可以得到1799元价格周期或者1499元价格周期对应的手机激活量的数据。
S4，对至少一个价格周期数据分别进行滤波拆分，并分别得到至少一个与价格周期对应的第二激活量数据，第二激活量数据为电子产品激活量的未受至少一个第一因子数据影响情况下的随时间变化的短期趋势数据。
将S3中得到的至少一个价格周期数据分别进行滤波拆分，例如，对1799元价格周期和1499元价格周期对应的手机激活量的数据进行滤波拆分，从而可以得到与价格周期对应的第二激活量数据，例如，得到1799元价格周期对应的第二激活量数据和1499元价格周期对应的手机激活量数据。其中第二激活量数据包括电子产品激活量未受至少一个第一因子数据影响情况下随时间变化的短期趋势数据，也即是，每个价格周期对应的第二激活量数据是从每个价格周期对应的价格周期数据中将第一因子数据的影响剥离后的随时间变化的短期趋势数据，即，手机在短期内的激活量的数据。
S5，判断至少一个与价格周期对应的短期趋势数据是否具有时间规律，即，判断S4中每个价格周期对应的短期趋势数据是否具有时间规律。判断随时间变化的短期趋势数据是否有时间规律，即，判断随时间变化的短期趋势数据是否具有周期性或季节性。
S6，如果至少一个与价格周期对应的短期趋势数据具有时间规律，则将短期趋势数据进行特征化处理生成第二因子数据，即，判断S5中价格周期对应的短期趋势数据具有时间规律，则将短期趋势数据进行特征化处理生成第二因子数据。例如，如果随时间变化的短期趋势数据是以7天为周期逐渐变化的，那么，将随时间变化的短期趋势数据进行特征化处理生成第二因子数据。
将短期趋势数据进行特征化处理包括，将短期趋势数据的依赖时长构造成一维特征或多维特征作为第二因子数据。例如，如果随时间变化的短期趋势数据是以7天为周期逐渐变化的，那么将以7天为周期输入例如Lag(n)函数将其构造为七维特征。又例如，如果随时间变化的短期趋势数据是以1天为周期逐渐变化的，那么将以1天为周期输入例如Lag(n)函数将其构造为一维特征。
S7，将至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第一预测值，根据价格周期以及与价格周期对应的第一预测值对电子产品进行定价。
S7中，根据价格周期，将第二因子数据与至少一个第一因子数据输入预设模型进行学习，以对价格周期对应的预定时间的手机激活量进行预测。预设模型可以是集成学习模型，例如是GBDT或XGBOOST算法。将第一因子数据与第二因子数据输入预设模型时，每一个第一因子数据与第二因子数据的权重均相等。
对手机的激活量进行预测，例如可以针对每个价格周期，如果其对应的短期趋势数据具有时间规律，例如具有7天的周期性规律，将以7天为周期的短期趋势数据进行特征化后为第二因子数据，并将预定时间以及对应价格周期的至少一个第一因子数据输入预设模型进行学习，此时的至少一个第一因子数据可以为预定时间对应的第一因子数据，从而得到每个价格周期在相同的第二因子数据和相同的至少一个第一因子数据作用下，同一预定时间的手机激活量的第一预测值。其中，预定时间可以是未来某一天的时间，也可以是未来某一段的时间。从而，根据每个价格周期以及与每个价格周期对应的第一预测值对手机进行定价。如果在相同的第二因子数据和相同的第一因子数据，对同一预定时间的手机激活量进行预测，得到不同价格周期对应的手机激活量的第一预测值，根据价格周期和其对应的第一预测值可以对其进行定价。
例如，1799元价格周期对应的第一预测值是1000台，1499元价格周期对应的第一预测值是1500台。如果成本价是1299元，那么，第一种方案能得到的利润是50万元，第二种方案能得到的利润是30万元，则厂家可以根据利润最大化的原则将售价定价为1799元。又例如，1799元价格周期对应的第一预测值是1000台，1499元价格周期对应的第一预测值是2500台。如果成本价是1299元，那么，第一种方案能得到的利润是50万元，第二种方案能得到的利润也是50万元，则厂家可以根据去库存的原则将售价定价为1499元。
利用反映市场需求的电子产品激活量数据，根据价格周期对与其对应的电子产品激活量数据进行预测，并根据价格周期与预测值获得电子产品的收益，能够得到实时、合理的定价方案。
如图2所示，本发明公开的另一个实施例中，一种电子产品定价方法，包括：
S1，获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；
S2，对第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；
S3，对时间序列化后的数据根据价格周期进行分解并得到至少一个价格周期数据；
S4，对至少一个价格周期数据分别进行滤波拆分，并分别得到至少一个与价格周期对应的第二激活量数据，第二激活量数据为电子产品激活量的未受至少一个第一因子数据影响情况下的随时间变化的短期趋势数据；
S5，判断至少一个与价格周期对应的短期趋势数据是否具有时间规律；
S8，如果至少一个与价格周期对应的短期趋势数据不具有时间规律，则将至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第二预测值，根据价格周期以及与价格周期对应的所述第二预测值对电子产品进行定价。
本实施例与上一个实施例的区别主要在于S8，S8中，由于与价格周期对应的随时间变化的短期趋势数据不具有时间规律，则根据价格周期，仅将至少一个第一因子数据以及预定时间输入预设模型进行学习，从而得到在至少一个第一因子作用下，预定时间的手机激活量的第二预测值。预设模型可以是集成学习模型，例如是GBDT或XGBOOST算法。其中，预定时间可以是未来某一天的时间，也可以是未来某一段的时间。
在上述两个实施例中，对至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对价格因子数据进行时间序列化前，对价格因子数据进行离散化，例如，可以对价格数据离散化为不同价格区间。
本发明还公开了一种服务器集群，包括至少一个处理器、至少一个存储器，至少一个存储器能够存储被至少一个处理器处理的指令，至少一个处理器配置为执行指令以：
获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；
对第一激活量数据和至少一个第一因子数据分别进行时间序列化；
对时间序列化后的数据根据价格周期进行分解并得到至少一个价格周期数据；
对至少一个价格周期数据分别进行滤波拆分，并分别得到至少一个与价格周期对应的第二激活量数据，第二激活量数据为电子产品激活量的未受至少一个第一因子数据影响情况下的随时间变化的短期趋势数据；
判断至少一个与价格周期对应的短期趋势数据是否具有时间规律；
如果至少一个与价格周期对应的短期趋势数据具有时间规律，则将短期趋势数据进行特征化处理生成第二因子数据；
将至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第一预测值，根据价格周期以及与价格周期对应的所述第一预测值对电子产品进行定价。
进一步的，至少一个处理器配置为进一步执行指令以：
如果至少一个与价格周期对应的短期趋势数据不具有时间规律，则将至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第二预测值，根据价格周期以及与价格周期对应的第二预测值对电子产品进行定价。
进一步的，至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。
进一步的，舆论因子数据包括情感指数因子数据，情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。
进一步的，对至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对价格因子数据进行时间序列化前，对价格因子数据进行离散化。
进一步的，将短期趋势数据进行特征化处理包括，将短期趋势数据的依赖时长构造成一维特征或多维特征作为第二因子数据。
进一步的，第一因子数据与第二因子数据的权重相等。
利用反映市场需求的电子产品激活量数据，根据价格周期对与其对应的电子产品激活量数据进行预测，并根据价格周期与预测值获得电子产品的收益，能够得到实时、合理的定价方案。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (14)

1.一种电子产品定价方法，其特征在于，包括：
获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；
对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；
对时间序列化后的数据根据价格周期进行分解并得到至少一个价格周期数据；
对所述至少一个价格周期数据分别进行滤波拆分，并分别得到至少一个与所述价格周期对应的第二激活量数据，所述第二激活量数据为电子产品激活量的未受所述至少一个第一因子数据影响情况下的随时间变化的短期趋势数据；
判断至少一个与所述价格周期对应的所述短期趋势数据是否具有时间规律；
如果至少一个与所述价格周期对应的所述短期趋势数据具有时间规律，则将所述短期趋势数据进行特征化处理生成第二因子数据；
将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第一预测值，根据所述价格周期以及与所述价格周期对应的所述第一预测值对电子产品进行定价。
2.根据权利要求1所述的方法，其特征在于，还包括，
如果至少一个与所述价格周期对应的所述短期趋势数据不具有时间规律，则将所述至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第二预测值，根据所述价格周期以及与所述价格周期对应的所述第二预测值对电子产品进行定价。
3.根据权利要求1或2所述的方法，其特征在于，所述至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。
4.根据权利要求3所述的方法，其特征在于，所述舆论因子数据包括情感指数因子数据，所述情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。
5.根据权利要求1或2所述的方法，其特征在于，对所述至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对所述价格因子数据进行时间序列化前，对所述价格因子数据进行离散化。
6.根据权利要求1或2所述的方法，其特征在于，将所述短期趋势数据进行特征化处理包括，将所述短期趋势数据的依赖时长构造成一维特征或多维特征作为所述第二因子数据。
7.根据权利要求1所述的方法，其特征在于，所述第一因子数据与所述第二因子数据的权重相等。
8.一种服务器集群，其特征在于，包括至少一个处理器、至少一个存储器，所述至少一个存储器能够存储被所述至少一个处理器处理的指令，所述至少一个处理器配置为执行所述指令以：
获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；
对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；
对时间序列化后的数据根据价格周期进行分解并得到至少一个价格周期数据；
对所述至少一个价格周期数据分别进行滤波拆分，并分别得到至少一个与所述价格周期对应的第二激活量数据，所述第二激活量数据为电子产品激活量的未受所述至少一个第一因子数据影响情况下的随时间变化的短期趋势数据；
判断至少一个与所述价格周期对应的所述短期趋势数据是否具有时间规律；
如果至少一个与所述价格周期对应的所述短期趋势数据具有时间规律，则将所述短期趋势数据进行特征化处理生成第二因子数据；
将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第一预测值，根据所述价格周期以及与所述价格周期对应的所述第一预测值对电子产品进行定价。
9.根据权利要求8所述的服务器集群，其特征在于，所述至少一个处理器配置为进一步执行所述指令以：
如果至少一个与所述价格周期对应的所述短期趋势数据不具有时间规律，则将所述至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测并得到第二预测值，根据所述价格周期以及与所述价格周期对应的所述第二预测值对电子产品进行定价。
10.根据权利要求8或9所述的服务器集群，所述至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。
11.根据权利要求10所述的服务器集群，其特征在于，所述舆论因子数据包括情感指数因子数据，所述情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。
12.根据权利要求8或9所述的服务器集群，其特征在于，对所述至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对所述价格因子数据进行时间序列化前，对所述价格因子数据进行离散化。
13.根据权利要求8或9所述的服务器集群，其特征在于，将所述短期趋势数据进行特征化处理包括，将所述短期趋势数据的依赖时长构造成一维特征或多维特征作为所述第二因子数据。
14.根据权利要求8所述的服务器集群，其特征在于，所述第一因子数据与所述第二因子数据的权重相等。
CN201710525264.2A 2017-06-30 2017-06-30 一种电子产品定价方法及一种服务器集群 Active CN107330732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710525264.2A CN107330732B (zh) 2017-06-30 2017-06-30 一种电子产品定价方法及一种服务器集群

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710525264.2A CN107330732B (zh) 2017-06-30 2017-06-30 一种电子产品定价方法及一种服务器集群

Publications (2)

Publication Number Publication Date
CN107330732A true CN107330732A (zh) 2017-11-07
CN107330732B CN107330732B (zh) 2021-01-15

Family

ID=60198758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710525264.2A Active CN107330732B (zh) 2017-06-30 2017-06-30 一种电子产品定价方法及一种服务器集群

Country Status (1)

Country Link
CN (1) CN107330732B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492827A (zh) * 2018-12-06 2019-03-19 深圳市中农易讯信息技术有限公司 商品价格预测方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002063534A2 (en) * 2001-02-02 2002-08-15 E-Markets, Inc. Method and apparatus for pricing a commodity
CN102203819A (zh) * 2011-05-24 2011-09-28 华为技术有限公司 移动数字产品的定价分成处理方法、装置和系统
CN103617548A (zh) * 2013-12-06 2014-03-05 李敬泉 一种趋势性、周期性商品的中长期需求预测方法
CN105205701A (zh) * 2015-09-22 2015-12-30 创点客（北京）科技有限公司 一种网络动态定价方法和系统
CN106845683A (zh) * 2016-12-26 2017-06-13 南通同心烟智道文化传播有限公司 基于网络平台的大数据烟草销量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002063534A2 (en) * 2001-02-02 2002-08-15 E-Markets, Inc. Method and apparatus for pricing a commodity
CN102203819A (zh) * 2011-05-24 2011-09-28 华为技术有限公司 移动数字产品的定价分成处理方法、装置和系统
CN103617548A (zh) * 2013-12-06 2014-03-05 李敬泉 一种趋势性、周期性商品的中长期需求预测方法
CN105205701A (zh) * 2015-09-22 2015-12-30 创点客（北京）科技有限公司 一种网络动态定价方法和系统
CN106845683A (zh) * 2016-12-26 2017-06-13 南通同心烟智道文化传播有限公司 基于网络平台的大数据烟草销量预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492827A (zh) * 2018-12-06 2019-03-19 深圳市中农易讯信息技术有限公司 商品价格预测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN107330732B (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
Dasu et al. Dynamic pricing when consumers are strategic: Analysis of posted and contingent pricing schemes
Lu et al. Information transparency in business-to-business auction markets: The role of winner identity disclosure
WO2003054757A2 (en) Sales optimization
Eslava et al. The life-cycle growth of plants: The role of productivity, demand and wedges
Chang et al. Agent-based simulation of pricing strategy for agri-products considering customer preference
Kapur et al. Dynamic optimal control model for profit maximization of software product under the influence of promotional effort
Wen et al. Dynamic capacity management with uncertain demand and dynamic price
CN107330732A (zh) 一种电子产品定价方法及一种服务器集群
CN113763454A (zh) 一种陈列方法、装置、设备及计算机可读存储介质
CN112132617A (zh) 用于确定价格敏感度的方法和装置
CN107248094A (zh) 一种电子产品激活量预测方法及一种服务器集群
Da Silva Chaotic exchange rate dynamics redux
Kar et al. A production-inventory model with permissible delay incorporating learning effect in random planning horizon using genetic algorithm
Guerci et al. Learning to bid in sequential Dutch auctions
CN113435541B (zh) 品类规划方法、装置、存储介质及计算机设备
CN115660708A (zh) 商品数据的处理方法、装置、电子设备及存储介质
CN107292670A (zh) 一种电子产品激活量预测方法及一种服务器集群
JPH08221384A (ja) 販売量予測方法および装置
CN111667314A (zh) 商品资源分配方法、装置及电子设备
Bouda Estimation of the New Keynesian Phillips curve in the Czech environment
CN110503452A (zh) 一种基于用户行为的房源信息推荐方法及装置
Hall A Dutch auction information exchange
Lu et al. An empirical model for multi-unit sequential Dutch auctions: the Dutch flower auctions case
Guttman et al. On the Expansion of the Market and the Decline of the Family
Velmurugan et al. A study on inventory modeling through matrices

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
GR01 Patent grant
GR01 Patent grant