CN108256898B

CN108256898B - 一种产品销量预测方法、系统及存储介质

Info

Publication number: CN108256898B
Application number: CN201711435704.1A
Authority: CN
Inventors: 李冉冉
Original assignee: Shenzhen Suoxinda Data Technology Co ltd
Current assignee: Shenzhen Suoxinda Data Technology Co ltd
Priority date: 2017-12-26
Filing date: 2017-12-26
Publication date: 2021-05-11
Anticipated expiration: 2037-12-26
Also published as: CN108256898A

Abstract

本发明公开了一种产品销量预测方法、系统及存储介质，该方法包括：获取目标产品的历史销量数据；调用区分促销活动给产品销量造成影响的第一预设模型，以分析处理历史销量数据获得第一MAPE值和第一预测销量数据；调用不区分促销活动给产品销量造成影响的第二预设模型，以分析处理历史销量数据获得第二MAPE值和第二预测销量数据；判断第一MAPE值是否超过第二MAPE值；若第一MAPE值未超过第二MAPE值，则保存并输出第一预测销量数据；若第一MAPE值超过第二MAPE值，则保存并输出第二预测销量数据。通过实施本方法，提升了对产品未来销量预测的准确性，有助于用户制定相应的生产计划及销售计划。

Description

一种产品销量预测方法、系统及存储介质

技术领域

本发明涉及数据处理领域，尤其涉及一种产品销量预测方法、系统及存储介质。

背景技术

在销售行业，销量预测是不可缺少的参考指标，无论企业的规模大小、人员多少，销量预测影响到包括计划、预算和补货等确定在内的销售管理的各方面工作。但是，现有的技术方案中由于对数据的非全面的笼统分析，导致销量预测结果并不准确，尤其是，一下产品在进行销售时会进行大量的促销活动，进一步增大了预测的难度，从而导致由销量预测结果得到的补货量也不准确，而补货量的值不准确就很可能造成货品积压而影响资金周转，或者货品数量不足而使消费者无法购得商品，影响企业销售形象。

发明内容

本发明所要解决的技术问题是提供一种产品销量预测方法、系统及存储介质，以解决现有技术中销量预测不准确的问题。

为了解决上述问题，本发明提供了一种产品销量预测方法，其包括：

获取目标产品的历史销量数据；

调用区分促销活动给产品销量造成影响的第一预设模型，以分析处理所述历史销量数据获得第一MAPE值和第一预测销量数据；

调用不区分促销活动给产品销量造成影响的第二预设模型，以分析处理所述历史销量数据获得第二MAPE值和第二预测销量数据；

判断所述第一MAPE值是否超过所述第二MAPE值；

若所述第一MAPE值未超过所述第二MAPE值，则保存并输出所述第一预测销量数据；

若所述第一MAPE值超过所述第二MAPE值，则保存并输出所述第二预测销量数据。

作为本发明的进一步改进，所述调用区分促销活动给产品销量造成影响的第一预设模型，以分析处理所述历史销量数据获得第一MAPE值和第一预测销量数据的步骤，包括：

检测所述历史销量数据中的异常点，并调用预设增量计算模型计算所述异常点的总增量数据；

计算得到历史基准量数据，所述历史基准量数据＝所述历史销量数据-所述总增量数据；

确认所述目标产品的目标产品类别，所述目标产品类别为多个预设产品类别中选中的预设产品类别，每一个预设产品类别对应一个预设预测模型；

调取与所述目标产品类别对应的目标预测模型；

根据所述目标预测模型分析计算所述历史基准量数据，以获得预测基准量数据和所述第一MAPE值；

计算得到所述第一预测销量数据，所述第一预测销量数据＝所述预测基准量数据+所述总增量数据。

作为本发明的进一步改进，所述检测所述历史销量数据中的异常点，并调用预设增量计算模型计算所述异常点的总增量数据的步骤，包括：

根据所述历史销量数据获取多个客户级销量数据；

调用预设检测模型检测当前客户级销量数据是否存在所述异常点；

若当前客户级销量数据存在所述异常点，则调用所述预设增量计算模型分析处理所述当前客户级销量数据，以获得当前客户级增量数据；

累计所有客户级增量数据，以获得所述总增量数据。

作为本发明的进一步改进，所述预设增量计算模型包括自回归移动平均模型。

作为本发明的进一步改进，所述预设检测模型包括非参数的核平滑模型和指数平滑模型。

作为本发明的进一步改进，所述调用所述预设增量计算模型分析处理所述当前客户级销量数据，以获得当前客户级增量数据的步骤之后，还包括：

根据预设历史活动销量数据判断所述当前客户级增量数据是否满足预设条件，所述预设条件为所述预设历史活动销量数据与所述当前客户级增量数据之间的误差小于预设阈值；

若所述当前客户级增量数据不满足预设条件，则删除所述当前客户级增量数据。

作为本发明的进一步改进，所述调用不区分促销活动给产品销量造成影响的第二预设模型，以分析处理所述历史销量数据获得第二MAPE值和第二预测销量数据的步骤，包括：

调取与所述目标产品类别对应的目标预测模型；

根据所述目标预测模型分析处理所述历史销量数据，以获得所述第二预测销量数据和所述第二MAPE值。

作为本发明的进一步改进，所述多个预设产品类别包括常规产品、强季节产品、新产品、高缺失产品、停售产品和不预测产品；所述多个预设预测模型包括常规产品预测模型、强季节产品预测模型、新产品预测模型、高缺失产品预测模型和停售产品及不预测产品预测模型。

本发明还提供了一种产品销量预测系统，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述任一项所述产品销量预测方法中的步骤。

本发明还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述产品销量预测方法中的步骤。

相比于现有技术，本发明提供的产品销量预测方法通过采用区分促销活动给产品销量造成影响的销量预测模型和不区分促销活动给产品销量造成影响的销量预测模型分别根据产品的历史销量数据进行预测，获得两个MAPE值和两个预测销量数据，再通过比较MAPE值，从而确定预测准确度更高的销量预测模型，并输出该销量预测模型预测的结果，使得预测结果更为准确，方便用户制定销售计划。

附图说明

图1为本发明产品销量预测方法第一种实施例的流程示意图。

图2为本发明产品销量预测方法第二种实施例的流程示意图。

图3为本发明产品销量预测方法第三种实施例的流程示意图。

图4为本发明产品销量预测方法第四种实施例的流程示意图。

图5为本发明产品销量预测方法第五种实施例的流程示意图。

图6为本发明产品销量预测系统第一种实施例的功能模块示意图。

图7为本发明产品销量预测系统第二种实施例的功能模块示意图。

图8为本发明产品销量预测系统第三种实施例的功能模块示意图。

图9为本发明产品销量预测系统第四种实施例的功能模块示意图。

图10为本发明产品销量预测系统第五种实施例的功能模块示意图。

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，并不用来限定本发明。

图1展示了本发明产品销量预测方法的一种实施例。该产品销量预测方法应用于产品销量预测系统，在本实施例中，如图1所示，该产品销量预测方法包括：

步骤S1，获取目标产品的历史销量数据。

具体地，在获取目标产品的历史销量数据后，还需针对该历史销量数据进行分析，该分析过程包括业务分析、描述性统计分析、质量分析、季节分析、相关性分析和聚类分析。其中，业务分析包括从客户、产品及时间维度对发货量进行描述分析，并关联相关的变量进行因果分析，如促销发货量、退货量、品号等；描述性统计分析包括刻画发货量的基本统计特征、波动、分布及量级，探索其最主要的数字规律；质量分析包括监测数据的异常点，发现观测少且缺失严重的数据；季节分析包括探索产品的发货量的长期趋势、季节性规律等；相关性分析包括探索各个序列的相关性，包括全国汇总的考核类或品牌类序列对预测类序列是否存在相关性，如果存在，可作为影响变量对模型调优；聚类分析包括针对数据比较完整的常规序列，首先按照产品号、口味、发货量量级水平、序列长度等因素进行业务分类；进一步，对业务分类后的每一类进行K-means聚类分析；最后，对同属一个类别的序列可作为相互的影响因子加入模型。再根据上述分析得到的结果，对历史销量数据中缺失的数据进行时间戳补全、缺失值补零等处理。

步骤S2，调用区分促销活动给产品销量造成影响的第一预设模型，以分析处理历史销量数据获得第一MAPE值和第一预测销量数据。

步骤S3，调用不区分促销活动给产品销量造成影响的第二预设模型，以分析处理历史销量数据获得第二MAPE值和第二预测销量数据。

具体地，本产品销量预测方法中将产品销量预测划分为两个预测场景，其中一个是区分促销活动给产品销量造成影响的预测场景，另一个不区分促销活动给产品销量造成影响的预测场景。第一预设模型和第二预设模型为针对两个预测场景分别制定的预测模型。MAPE值用于来衡量一个模型预测结果的好坏，计算公式如下：

MAPE＝SUM(|X-Y|*100/Y)/N

其中，N是样本量，X是预测值，Y是实际值。

步骤S4，判断第一MAPE值是否超过第二MAPE值。若第一MAPE值未超过第二MAPE值，则执行步骤S5；若第一MAPE值超过第二MAPE值，则执行步骤S6。

具体地，该MAPE值用于衡量模型预测结果的好坏，因此，在获得第一MAPE值和第二MAPE值之后，通过判断第一MAPE值和第二MAPE值的大小即可获知最适合该目标产品的预测场景，第一MAPE值未超过第二MAPE值，则说明第一预设模型预测得到的结果比第二预设模型预测得到的结果更优，因此，执行步骤S5；反之，则说明第二预设模型预测得到的结果比第一预设模型预测得到的结果更优，因此，执行步骤S6。

步骤S5，保存并输出第一预测销量数据。

步骤S6，保存并输出第二预测销量数据。

本实施例中，通过将产品销量预测划分为两个场景，其中一个是区分促销活动给产品销量造成影响的场景，另一个不区分促销活动给产品销量造成影响的场景。在获取目标产品的历史销量数据后，根据该历史销量数据分别按照两个场景进行预测，从而得到第一预测销量数据和第二预测销量数据，并且，在预测过程中，还通过计算得到分别与两个场景对应的第一MAPE值和第二MAPE值。通过比较第一MAPE值和第二MAPE值即可获知最适合该目标产品的预测模型，从而使得预测的结果更为准确。

将本发明的产品销量预测方法应用于产品销量预测系统的使用过程中，在区分促销活动给产品销量造成影响的情况下预测未来的产品销量。因此，上述实施例的基础上，其他实施例中，如图2所示，步骤S2包括：

步骤S10，检测历史销量数据中的异常点，并调用预设增量计算模型计算异常点的总增量数据。

具体地，异常点即产品销量发生突变的点，在检测到历史销量数据中的异常点后，通过调用预设增量计算模型来计算该异常点的总增量数据。

本实施例中，该预设增量计算模型包括自回归移动平均模型，简称ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA模型，其根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。

步骤S11，计算得到历史基准量数据。

具体地，根据历史销量数据和总增量数据即可计算得到历史基准量数据，历史基准量数据＝历史销量数据-总增量数据。

步骤S12，确认目标产品的目标产品类别。

具体地，目标产品类别为多个预设产品类别中选中的预设产品类别，每一个预设产品类别对应一个预设预测模型。

步骤S13，调取与目标产品类别对应的目标预测模型。

具体地，在将产品录入系统中时，业务人员会业务经验对每种产品划分层级，层级包括了考核类、品牌类和预测类，在获得目标产品的历史基准量数据后，根据该目标产品的历史销量数据的分析结果确认该目标产品对应的目标产品类别。本实施例中，预设产品类别包括有常规产品、强季节产品、新产品、高缺失产品、停售产品和不预测产品。预设预测模型包括与常规产品对应的常规产品预测模型、与强季节产品对应的强季节产品预测模型、与新产品对应的新产品预测模型、与高缺失产品对应的高缺失产品预测模型，以及与停售产品和不预测产品对应的停售产品及不预测产品预测模型。在确认目标产品的目标产品类别后，调取该目标产品类别对应的目标预测模型，供后续使用该目标预测模型进行预测。

步骤S14，根据目标预测模型分析计算历史基准量数据，以获得预测基准量数据和第一MAPE值。

具体地，通过目标产品的产品类别即可获知该目标产品对应的目标预测模型，再通过该目标预测模型对历史基准量数据进行分析处理，从而获得预测基准量数据，并且还通过该目标预测模型得到第一MAPE值。

步骤S15，计算得到第一预测销量数据。

具体地，第一预测销量数据＝预测基准量数据+总增量数据。

本实施例中，通过检测目标产品的历史销量数据，从而获知该历史销量数据中的异常点，并计算出该异常点的总增量数据，再根据该总增量数据计算出历史基准量数据，从而将异常点造成的总增量数据从历史销量数据中移出，再通过目标预测模块对该历史基准量数据进行分析处理得到预测基准量数据，从而分开获取预测基准量数据和增量数据，两者相加即可得到预测销量数据。

本实施例中，常规产品包括历史销量数据缺失百分比≤20％，且历史销量数据样本量≥12个月，并且不属于考核类中季节性强的产品；强季节产品包括历史销量数据缺失百分比≤20％，且历史销量数据样本量≥12个月，并且属于考核类中季节性强的产品；新产品包括3个月<历史数据样本量<12个月且有数据不为0的产品；高缺失产品包括历史销量数据缺失百分比>20％的产品，其中不含强季节产品；停售产品包括最近12个月历史销量数据为0或缺失的产品；不预测产品包括样本量≤3且最少有一个历史销量数据不为0的产品。

此外，常规产品预测模型：通过对时间序列数据本身所具有的如季节、周期、趋势等信息，使用ESM/ARIMA/UCM等模型对序列进行建模，其中ESM模型族包含了季节ESM模型和非季节ESM模型，ARIMA模型族包括了传统的ARMA模型、因子ARIMA模型以及带输入变量的ARIMAX模型；从产品所属的区域以及业务层级上考虑，分别使用区域、考核类编码及预测类来构建自上而下的层级调节常规产品预测模型。强季节产品预测模型：因强季节性产品发货的周期性仅在业务时间内发货较有规律，其余非业务时间内发货很少甚至为0，所以不适合直接使用如ARIMA模型等时间序列模型来进行预测，故综合考虑使用历史业务时间销量数据来构建模型对未来的业务时间销量数据进行预测，然后再根据业务时间内各个月份占比进行分解；对于月份占比的比例系数的寻找方法，一个是根据往年平均，另一个是使用历史月度销量数据与历史年度销量数据构建回归模型，拟合出月份对应的回归系数，从而完成强季节产品预测模型的构建。高缺失产品预测模型：高缺失产品的特性是市场需求量出现0的几率相对比较多，从而增加了序列产品的波动性，与统计学上的间歇性序列有着相同的概念，因此引入间歇需求模型，以完成高缺失产品预测模型的构建。停售产品及不预测产品预测模型：对于这两类的比较特殊的产品，任何复杂的统计模型都失效，大部分场景采用滚动预测的方式，使用最近预设时间段内的历史销量数据的平均值作为预测结果。

将本发明的产品销量预测方法应用于产品销量预测系统的使用过程中，促销活动可能仅针对部分客户而非所有客户。因此，上述实施例的基础上，其他实施例中，如图3所示，步骤S10包括：

步骤S20，根据历史销量数据获取多个客户级销量数据。

具体地，目标产品的历史销量数据包括多个客户级销量数据，而部分促销活动可能仅针对其中的部分客户，因此，根据历史销量数据获取针对每个客户的客户级销量数据。

步骤S21，调用预设检测模型检测当前客户级销量数据是否存在异常点。若当前客户级销量数据存在异常点，则执行步骤S22。若当前客户级销量数据不存在异常点，则通过目标预测模型分析处理历史销量数据获得预测销量数据。

步骤S22，调用预设增量计算模型分析处理当前客户级销量数据，以获得当前客户级增量数据。

步骤S23，累计所有客户级增量数据，以获得总增量数据。

本实施例中，因促销活动可能仅针对部分客户，因此，通过将历史销量数据细分为低层级的客户级销量数据，再分别针对每个客户级销量数据去检测是否存在异常点，其检测结果更为准确，根据检测到的异常点计算得到的增量数据也更为精确，进一步提高了预测结果的准确性。

上述实施例中，预设增量计算模型包括自回归移动平均模型。

上述实施例中，预设检测模型包括非参数的核平滑模型和指数平滑模型。

将本发明的产品销量预测方法应用于产品销量预测系统的使用过程中，还需判断客户级增量数据是否由促销活动造成。因此，上述实施例的基础上，其他实施例中，如图4所示，步骤S22之后，还包括：

步骤S30，根据预设历史活动销量数据判断当前客户级增量数据是否满足预设条件。若当前客户级增量数据不满足预设条件，则执行步骤S24；若当前客户级增量数据满足预设条件，则执行步骤S23。

具体地，预设条件为预设历史活动销量数据与当前客户级增量数据之间的误差小于预设阈值。

步骤S31，删除当前客户级增量数据。

本实施例中，通过将当前客户级增量数据与历史活动销量数据进行匹配，从而判断该当前客户级增量数据是否由促销活动造成，若不是由促销活动造成，则说明该异常点不属于促销活动带来的增量，因此，为了提高预测结果的准确性，删除该当前客户级增量数据。

将本发明的产品销量预测方法应用于产品销量预测系统的使用过程中，在不区分促销活动给产品销量造成影响的情况下预测未来的产品销量。因此，上述实施例的基础上，其他实施例中，如图5所示，步骤S3包括：

步骤S40，确认目标产品的目标产品类别。

步骤S41，调取与目标产品类别对应的目标预测模型。

具体地，步骤S41请参阅上述实施例中的步骤S13，此处不再赘述。应当理解的是，本实施例中预设预测模型和上述实施例中所述的预设预测模型系相同的模型，但两个模型中的参数设置和输入的值存在区别，因此，根据该两种场景下预测的结果并不相同。

步骤S42，根据目标预测模型分析处理历史销量数据，以获得第二预测销量数据和第二MAPE值。

本实施例中，在不区分促销活动给产品销量造成影响的情况下，通过目标预测模型对历史销量数据进行分析处理，以获得第二预测销量数据和第二MAPE值。

图6展示了本发明产品销量预测系统的一种实施例。如图6所示，在本实施例中，该产品销量预测系统包括获取模块10、第一调用模块11、第二调用模块12、判断模块13、第一输出模块14和第二输出模块15。

其中，获取模块10，用于获取目标产品的历史销量数据；第一调用模块11，用于调用区分促销活动给销售量造成影响的第一预设模型，以分析处理历史销量数据获得第一MAPE值和第一预测销量数据；第二调用模块12，用于调用不区分促销活动给销售量造成影响的第二预设模型，以分析处理历史销量数据获得第二MAPE值和第二预测销量数据；判断模块13，用于判断第一MAPE值是否超过第二MAPE值；第一输出模块14，用于若第一MAPE值未超过第二MAPE值，则保存并输出第一预测销量数据；第二输出模块15，用于若第一MAPE值超过第二MAPE值，则保存并输出第二预测销量数据。

上述实施例的基础上，其他实施例中，如图7所示，第一调用模块11包括检测子模块110、第一计算子模块111、第一确认子模块112、第一调取子模块113、第一分析子模块114和第二计算子模块115。

其中，检测子模块110，用于检测历史销量数据中的异常点，并调用预设增量计算模型计算异常点的总增量数据；第一计算子模块111，用于计算得到历史基准量数据，历史基准量数据＝历史销量数据-总增量数据；第一确认子模块112，用于确认目标产品的目标产品类别，目标产品类别为多个预设产品类别中选中的预设产品类别，每一个预设产品类别对应一个预设预测模型；第一调取子模块113，用于调取与目标产品类别对应的目标预测模型；第一分析子模块114，用于根据目标预测模型分析计算历史基准量数据，以获得预测基准量数据和第一MAPE值；第二计算子模块115，用于计算得到第一预测销量数据，第一预测销量数据＝预测基准量数据+总增量数据。

上述实施例的基础上，其他实施例中，如图8所示，检测子模块110包括获取单元1101、调用单元1102、分析单元1103和累计单元1104。

其中，获取单元1101，用于根据历史销量数据获取多个客户级销量数据；调用单元1102，用于调用预设检测模型检测当前客户级销量数据是否存在异常点；分析单元1103，用于若当前客户级销量数据存在异常点，则调用预设增量计算模型分析处理当前客户级销量数据，以获得当前客户级增量数据；累计单元1104，用于累计所有客户级增量数据，以获得总增量数据。

上述实施例的基础上，其他实施例中，如图9所示，检测子模块110还包括判断单元1105和删除单元1106。

其中，判断单元1105，用于根据预设历史活动销量数据判断当前客户级增量数据是否满足预设条件，预设条件为预设历史活动销量数据与当前客户级增量数据之间的误差小于预设阈值；删除单元1106，用于若当前客户级增量数据不满足预设条件，则删除当前客户级增量数据。

上述实施例的基础上，其他实施例中，如图10所示，第二调用模块12包括第二确认子模块120、第二调取子模块121和第二分析子模块122。

其中，第二确认子模块120，用于确认目标产品的目标产品类别，目标产品类别为多个预设产品类别中选中的预设产品类别，每一个预设产品类别对应一个预设预测模型；第二调取子模块121，用于调取与目标产品类别对应的目标预测模型；第二分析子模块122，用于根据目标预测模型分析处理历史销量数据，以获得第二预测销量数据和第二MAPE值。

关于上述实施例中产品销量预测系统各模块实现技术方案的其他细节，可参见上述实施例中的产品销量预测方法中的描述，此处不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本实施例还提供了一种产品销量预测系统，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现本申请提供的产品销量预测方法中的步骤。

本实施例还提供了一种存储介质，用于存储计算机程序，其包含用于执行本申请上述产品销量预测方法实施例所设计的计算机程序。通过执行该存储介质中存储的计算机程序，可以实现本申请提供的产品销量预测方法。

以上对发明的具体实施方式进行了详细说明，但其只作为范例，本发明并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本发明的范畴之中，因此，在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本发明的范围内。

Claims

1.一种产品销量预测方法，其特征在于，其包括：

获取目标产品的历史销量数据；

调用区分促销活动给产品销量造成影响的第一预设模型，以分析处理所述历史销量数据获得第一MAPE值和第一预测销量数据；其中，所述第一预测销量数据包括基于所述第一预设模型对历史基准量数据进行预测所得到的预测基准数据以及所述历史销量数据中异常点对应的总增量数据；所述历史基准量数据为去除所述异常点对应的总增量数据后的历史销量数据；

判断所述第一MAPE值是否超过所述第二MAPE值；

若所述第一MAPE值超过所述第二MAPE值，则保存并输出所述第二预测销量数据；

所述调用区分促销活动给产品销量造成影响的第一预设模型，以分析处理所述历史销量数据获得第一MAPE值和第一预测销量数据的步骤，包括：

调取与所述目标产品类别对应的目标预测模型；

计算得到所述第一预测销量数据，所述第一预测销量数据＝所述预测基准量数据+所述总增量数据；

其中，所述检测所述历史销量数据中的异常点，并调用预设增量计算模型计算所述异常点的总增量数据的步骤，包括：

根据所述历史销量数据获取多个客户级销量数据；

累计所有客户级增量数据，以获得所述总增量数据。

2.根据权利要求1所述的产品销量预测方法，其特征在于，所述预设增量计算模型包括自回归移动平均模型。

3.根据权利要求1所述的产品销量预测方法，其特征在于，所述预设检测模型包括非参数的核平滑模型和指数平滑模型。

4.根据权利要求1所述的产品销量预测方法，其特征在于，所述调用所述预设增量计算模型分析处理所述当前客户级销量数据，以获得当前客户级增量数据的步骤之后，还包括：

5.根据权利要求1所述的产品销量预测方法，其特征在于，所述调用不区分促销活动给产品销量造成影响的第二预设模型，以分析处理所述历史销量数据获得第二MAPE值和第二预测销量数据的步骤，包括：

调取与所述目标产品类别对应的目标预测模型；

6.根据权利要求1或5所述的产品销量预测方法，其特征在于，所述多个预设产品类别包括常规产品、强季节产品、新产品、高缺失产品、停售产品和不预测产品；所述多个预设预测模型包括常规产品预测模型、强季节产品预测模型、新产品预测模型、高缺失产品预测模型和停售产品及不预测产品预测模型。

7.一种产品销量预测系统，其特征在于，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现权利要求1-6任一项所述产品销量预测方法中的步骤。

8.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述产品销量预测方法中的步骤。