CN108389073A - 商品售价的自动计算方法及系统、电子设备及存储介质 - Google Patents
商品售价的自动计算方法及系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108389073A CN108389073A CN201810084081.6A CN201810084081A CN108389073A CN 108389073 A CN108389073 A CN 108389073A CN 201810084081 A CN201810084081 A CN 201810084081A CN 108389073 A CN108389073 A CN 108389073A
- Authority
- CN
- China
- Prior art keywords
- price
- sales
- sales data
- determining
- commodity
- 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 49
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000002860 competitive effect Effects 0.000 claims description 94
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009193 crawling Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (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
本发明实施例提供了一种商品售价的自动计算方法及系统、电子设备及存储介质，其中所述方法包括：确定与目标商品对应的竞争商品；获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格，其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。本发明实施例可以在每个时间点考虑对目标商品的定价时，结合预先生成的定价预估模型，同时考虑目标商品的销售情况以及竞争商品的销售情况，丰富了定价的影响因素，提高了定价的准确率。
Description
技术领域
本发明涉及商品数据处理领域，特别是涉及一种商品售价的自动计算方法及系统、电子设备及存储介质。
背景技术
商品定价调整是当今竞争性销售环境的重要部分，是商品营销增量的快速实现方法，也是现代商品销售管理的常用手法。
在现有技术中，商品的定价调整方式大多依赖于指定人员手动完成的周期性价格调整，而这个过程会费时费力，效率较低。
为了克服人工手动定价带来的效率低下的问题，现有技术的解决方案是对商品的历史销量以及预估销量进行比较，确定该商品的最终定价。但这种方案仅仅依靠当前商品的销售情况来定价，事实上还存在很多可能影响定价的因素，因此，按照现有的定价方案所得到的定价准确率不高。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种商品售价的自动计算方法及系统、电子设备及存储介质。
为了解决上述问题，本发明实施例公开了一种商品售价数据的自动计算方法，所述方法包括：
确定与目标商品对应的竞争商品；
获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格，
其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。
优选地，所述将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格的步骤包括：
确定价格区间，所述价格区间包括多种等级的候选价格；
确定每种等级的候选价格对应的候选预估销量；
基于候选预估销量最大的候选价格，确定所述目标商品在指定时间点的价格。
优选地，所述基于所述候选预估销量最大的候选价格，确定所述目标商品在指定时间点的价格的步骤包括：
采用所述第一销售数据，确定所述目标商品的预估价格；
结合所述预估价格与所述候选预估销量最大的候选价格，确定所述目标商品在所述指定时间点的价格。
优选地，所述结合所述预估价格与所述候选预估销量最大的候选价格，确定最终的所述目标商品在所述指定时间点的价格的步骤包括：
对所述预估价格以及所述候选预估销量最大的候选价格进行加权平均运算，得到所述目标商品在所述指定时间点的价格。
优选地，所述确定价格区间的步骤包括：
获取与所述指定时间段的历史同期的时间区间内，所述竞争商品的历史销售数据；
基于所述历史销售数据，确定价格的最大值、最小值，以及计算价格的调整值；
将所述最大值、最小值以及所述调整值构成的等差数列，作为价格区间。
优选地，所述采用所述第一销售数据，确定所述目标商品的预估价格的步骤包括：
获取所述目标商品在所述指定时间段内的实际销量；
计算所述实际销量与预设的预估销量的偏差；
基于所述偏差，获取所述目标商品的预估价格。
优选地，所述第一销售数据包括所述目标商品的售价；所述第二销售数据包括所述竞争商品的售价；
所述将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格的步骤包括：
基于所述竞争商品的售价，获取所述竞争商品在预设时间段内的价格调整幅度；
确定所述目标商品的最新售价针对所述竞争商品在预设时间段内的售价集合的分位数；
基于所述价格调整幅度和/或所述分位数，对所述最新售价进行调整，得到所述目标商品在所述指定时间点的价格。
优选地，所述确定所述目标商品的最新售价针对所述竞争商品的售价集合的分位数的步骤包括：
将所述目标商品的最新售价以及所述竞争商品在预设时间段内的售价集合组成价格数组，所述价格数组中的售价顺次排列；
根据所述最新售价在所述价格数组的排序，计算所述最新售价针对所述竞争商品的售价集合的分位数。
优选地，所述基于所述价格调整幅度和/或所述分位数，对所述最新售价进行调整，得到所述目标商品在所述指定时间点的价格的步骤包括：
获取所述价格数组中，所述竞争商品的更新售价；
根据所述竞争商品的更新售价以及所述分位数，确定所述目标商品在所述指定时间点的价格。
优选地，所述定价预估模型采用如下方式生成：
从所述第一销售数据和/或第二销售数据中提取特征数据；
将所述特征数据进行预处理；
以目标商品的预估销售量为训练目标，采用预设的训练算法将预处理后的特征数据进行模型训练，得到定价预估模型。
本发明实施例还公开了一种商品售价数据的自动计算系统，所述系统包括：
竞争商品确定模块，用于确定与目标商品对应的竞争商品；
销量数据获取模块，用于获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
定价模块，用于将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格，其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。
本发明实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明实施例包括以下优点：
在本发明实施例中，在每个时间点考虑对目标商品的定价时，结合预先生成的定价预估模型，同时考虑目标商品的销售情况以及竞争商品的销售情况，丰富了定价的影响因素，提高了定价的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明的一种商品售价数据的自动计算方法实施例一的步骤流程图；
图2是本发明的一种商品售价数据的自动计算方法实施例二的步骤流程图；
图3是本发明的一种商品售价数据的自动计算方法实施例三的步骤流程图；
图4是本发明的一种商品售价数据的自动计算系统的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
参照图1，示出了本发明的一种商品售价数据的自动计算方法实施例一的步骤流程图，具体可以包括如下步骤：
步骤101，确定与目标商品对应的竞争商品；
具体的，竞争商品可以包括与目标商品存在相似的属性信息的商品数据。例如，不同商家售卖的类似的商品可以互为竞争商品。
步骤102，获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
确定目标商品以及竞争商品以后，可以分别获取指定时间段内目标商品的第一销售数据以及所述竞争商品的第二销售数据。
在实现时，可以预先从本地的销售平台或通过爬虫抓取其他应用程序的数据来采集第一销售数据以及第二销售数据。其中，该其他应用程序的数据可以包括但不限于其他销售平台的网页或者移动应用的展示数据。
作为一种示例，第一销售数据可以包括但不限于：目标商品对应的商家信息、目标商品的交易数据、上下文特征、库存特征等，其中，目标商品对应的商家信息可以包括但不限于：商家的地理位置、城市区域、类目、商圈、星级等，目标商品的交易数据可以包括但不限于：目标商品的历史流量、均价、评分、支付量、点击率以及销售额等，例如目标商品最近7天/30天流量、均价等。上下文特征可以包括如请求小时、请求是周几、用户请求query等特征；库存特征是指商家预留给销售平台的商品总数，比如一个商品商家给销售平台预留了M个每天的销售额。
第二销售数据可以包括但不限于：目标商品的历史流量、均价、评分、支付量、点击率以及销售额等。
步骤103，将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格。
其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。
具体的，在一种实施方式中，所述定价预估模型可以采用如下方式生成：
从所述第一销售数据和/或第二销售数据中提取特征数据；将所述特征数据进行预处理；以目标商品的预估销售量为训练目标，采用预设的训练算法将预处理后的特征数据进行模型训练，得到定价预估模型。
在具体实现中，预设的训练算法可以包括GBDT(GradientBoosting DecisionTree，迭代决策树)算法，该算法是一种用于回归的机器学习算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。当把目标函数做变换后，该算法亦可用于分类或排序。
在进行模型的训练时，可以以目标商品的预估销售量为训练目标，从第一销售数据和/或第二销售数据中提取模型训练的特征数据，模型训练时将以上特征数据进行预处理，随后将预处理后的特征数据采用上述训练算法进行模型训练，得到定价预估模型。
其中，上述预处理可以包括但不限于如下处理：归一化、去除空值、过滤异常值等。
得到定价预估模型以后，可以将第一销售数据以及第二销售数据输入该定价预估模型，由该定价预估模型对第一销售数据以及第二销售数据进行分析处理，输出目标商品在指定时间点的价格。
在本发明实施例中，在每个时间点考虑对目标商品的定价时，结合预先生成的定价预估模型，同时考虑目标商品的销售情况以及竞争商品的销售情况，丰富了定价的影响因素，提高了定价的准确率。
参照图2，示出了本发明的一种商品售价数据的自动计算方法实施例二的步骤流程图，具体可以包括如下步骤：
步骤201，确定与目标商品对应的竞争商品；
在一种实施方式中，可以采用协同过滤(Collaborative Filtering,简称CF)推荐算法确定目标商品对应的竞争商品。在具体实现中，确定竞争商品的过程可以包括收集数据、找到相似商品、确定竞争商品等步骤。其中，
收集数据的步骤：收集特定商务平台中的所有商品数据，生成商品数据库，商品数据库中可以包括但不限于商品的历史销售数据、商品的属性等。
找到相似商品的步骤：首先可以获取目标商品的属性信息，然后计算目标商品的属性信息与商品数据库中每个商品的属性信息的相似度，在实现中，可以采用欧几里德距离、皮尔逊相关系数、Cosine相似度、Tanimoto系数，协同过滤等方式计算相似度。
确定竞争商品的步骤：得到目标商品与商品数据库中每个商品的相似度以后，可以将相似度大于预设相似度阈值的商品作为与目标商品对应的竞争商品。
步骤202，获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
具体的，指定时间段可以包括当到达指定时间点时，截止至该指定时间点的预设时间段。
在一种实施方式中，指定时间点可以根据商家的需要设置，例如，可以设置为小时、天或者其他用户自定义时间间隔。
在另一种实施方式中，指定时间点还可以采用如下方式确定：在商品的总售卖量中划分多个售卖节点，该售卖节点表示已售卖量在总售卖量中的占比；获取商品的预期售卖进度，其中，预期售卖进度包括γ1i,γ1i为截止到该实际售卖时间区间内倒数第i天预期达到的预期售卖占比，0<i≦n，n为实际售卖时间区间的总天数，γ1i＝γ0i，γ0i为在与该实际售卖时间区间对应的历史售卖时间区间内倒数第i天达到的实际售卖占比，即γ0i＝截止到该历史售卖时间区间内倒数第i天的已售卖总量/该历史售卖时间区间的售卖总量；查询该预期售卖进度，获取预期的达到每一售卖节点的时间点，将该些时间点作为时间节点。
例如：某种机票的起飞日期为2017-10-30的机票，实际售卖时间区间为2017-9-1～2017-10-30，总共有30张机票。其中划分的售卖节点为：10％、20％、30％、40％、50％、60％、70％、80％、90％和100％。选取前一年的同一时段(即2016-9-1～2016-10-30)作为与实际售卖时间区间对应的历史售卖时间区间，计算：
i＝1，γ101＝从2016-9-1至2016-10-30的已售卖总量/该历史售卖时间区间的售卖总量；
i＝2，γ102＝从2016-9-1至2016-10-29的已售卖总量/该历史售卖时间区间的售卖总量；
……；
i＝59，γ159＝从2016-9-1至2016-9-2的已售卖总量/该历史售卖时间区间的售卖总量；
i＝60，γ160＝γ060＝2013-9-1的已售卖总量/该历史售卖时间区间的售卖总量。
通过上述计算，得到机票的预期售卖进度。若前一年同一时段的历史数据较少或不全，则可以选用其它年的同一时段或其它指定时段作为历史售卖时间区间，如选取2015-9-1～2015-10-30，用以计算机票的预期售卖进度。
从上述预期售卖进度中选取达到售卖节点的历史时间点和与历史时间点对应的预期达到售卖节点的时间点。例如，达到售卖节点10％的历史时间点为2016-9-15，则预期达到售卖节点的时间点为2017-9-15。
需要说明的是，指定时间点的确定方式并不限于上述方式，本领域技术人员根据需要采用其他方式确定指定时间点均是可以的。
截止至指定时间点的预设时间段可以根据时间点的设置间隔进行设定，例如，若时间点按照天为时间单位计算，则截止至指定时间点的预设时间段可以为截止至时间点的前N天内，若时间点按照小时为时间单位计算，则截止至指定时间点的预设时间段可以为截止至时间点的前N个小时内。
第一销售数据和/或第二销售数据可以采用离线的方式采集。
例如，可以预先从本地的销售平台或通过爬虫抓取其他应用程序的数据来采集第一销售数据以及第二销售数据。其中，该其他应用程序的数据可以包括但不限于其他销售平台的网页或者移动应用的展示数据。
作为一种示例，第一销售数据可以包括但不限于：目标商品对应的商家信息、目标商品的交易数据、上下文特征、库存特征等，其中，目标商品对应的商家信息可以包括但不限于：商家的地理位置、城市区域、类目、商圈、星级等，目标商品的交易数据可以包括但不限于：目标商品的历史流量、均价、评分、支付量、点击率以及销售额等，例如目标商品最近7天/30天流量、均价等。上下文特征可以包括如请求小时、请求是周几、用户请求query等特征；库存特征是指商家预留给销售平台的商品总数，比如一个商品商家给销售平台预留了M个每天的销售额。
第二销售数据可以包括但不限于：目标商品的历史流量、均价、评分、支付量、点击率以及销售额等。
得到目标商品的第一销售数据以及竞争商品的第二销售数据以后，可以将该第一销售数据以及第二销售数据输入预先生成的定价预估模型，在该定价预估模型中，执行步骤203-步骤205。
其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。
具体的，在一种实施方式中，所述定价预估模型可以采用如下方式生成：
从所述第一销售数据和/或第二销售数据中提取特征数据；将所述特征数据进行预处理；以目标商品的预估销售量为训练目标，采用预设的训练算法将预处理后的特征数据进行模型训练，得到定价预估模型。
在具体实现中，预设的训练算法可以包括GBDT(GradientBoosting DecisionTree，迭代决策树)算法，该算法是一种用于回归的机器学习算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。当把目标函数做变换后，该算法亦可用于分类或排序。
在进行模型的训练时，可以以目标商品的预估销售量为训练目标，从第一销售数据和/或第二销售数据中提取模型训练的特征数据，模型训练时将以上特征数据进行预处理，随后将预处理后的特征数据采用上述训练算法进行模型训练，得到定价预估模型。
其中，上述预处理可以包括但不限于如下处理：归一化、去除空值、过滤异常值等。
步骤203，确定价格区间，所述价格区间包括多种等级的候选价格；
在本发明实施例的一种优选实施例中，步骤203可以包括如下子步骤：
获取与所述指定时间段的历史同期的时间区间内，所述竞争商品的历史销售数据；基于所述历史销售数据，确定价格的最大值、最小值，以及计算价格的调整值；将所述最大值、最小值以及所述调整值构成的等差数列，作为价格区间。
在具体实现中，调整值可以采用如下方式确定：确定调整值的个数，该最高值、多个调整值和该最低值构成等差数列。
例如，假设最大值为2250，最小值为1400，调整值的个数为4，则价格区间可以为：{2250，2100，1950，1800，1650，1400}。
当然，还可以采用其他方式来确定价格区间，例如，采集不同供应商的售价作为调整值，本发明实施例对此不作限定。
步骤204，确定每种等级的候选价格对应的候选预估销量；
在具体实现中，定价预估模型还具有销量预估的功能，当在步骤203中得到多种等级的候选价格以后，定价预估模型可以计算每种等级的候选价格对应的候选预估销量。
在实际中，上述第一销售数据以及第二销售数据中除了价格之外的特征都是根据当前时间取到的特征值确定的，预测时价格是可以变化的。因此可以把价格区间中的不同的候选价格作为输入，输入到模型里面预测目标商品的候选预估销量。
例如，针对目标商品S，在得到定价预估模型以后，可以将不同的价格Price1、Pridce2、Price3输入到模型，则模型可以输出各个价格对应的候选预估销量。
步骤205，基于所述候选预估销量最大的候选价格，确定所述目标商品在指定时间点的价格。
得到各个候选价格对应的候选预估销量以后，可以根据最大的候选预估销量对应的候选价格，确定目标商品在指定时间点的定价。
在一种实施方式中，可以直接将最大的候选预估销量对应的候选价格作为目标商品在指定时间点的定价。
在另一种实施方式中，在进行定价决策时，还可以考虑商品的利润情况，例如，设定利润因子，将最大的候选预估销量对应的候选价格乘以利润因子，可以得到目标商品在指定时间点的定价。又如，设定盈利条件，如果在该最大的候选预估销量对应的候选价格下，预估目标商品的销售情况符合盈利条件，则将该候选价格作为目标商品的定价，否则，则对该候选价格进行按照一定的幅度进行调整，或者，选择次大的候选预估销量对应的候选价格进行判断，以此类推，直到所选取的价格符合盈利条件为止。
在本发明实施例的一种优选实施例中，步骤205可以包括如下子步骤：
子步骤S11，采用所述第一销售数据，确定所述目标商品的预估价格；
在本发明实施例中，还可以根据目标商品的第一销售数据，来预估目标商品的预估价格。
在本发明实施例的一种优选实施例中，子步骤S11进一步可以包括如下子步骤：
获取所述目标商品在所述指定时间段内的实际销量；计算所述实际销量与预设的预估销量的偏差；基于所述偏差，获取所述目标商品的预估价格。
在具体实现中，可以首先确定商品的价格档位集合，该价格档位集合包括价格的最高值、价格的最低值以及多个位于该最高值和最低值之间的价格的调整值。
该些调整值可以采用以下两种方式中任意一种确定：
第一种，确定调整值的个数，该最高值、该些调整值和该最低值构成等差数列；
第二种，采集不同供应商的售价作为调整值。
在实现中，得到实际销量后，可以采用如下公式计算偏差：偏差＝1-实际销量/预设的预估销量。
其中，预估销量可以采用多种方式获得，例如：预估销量＝(当前时间节点对应的售卖节点-前一时间节点对应的售卖节点)*商品的需要售出的总量；或者，预估销量＝历史售卖时间区间内从与前一时间节点对应的时间点到与当前时间节点对应的时间点的实际售卖量。
如果偏差等于0，则保持目标商品当前的价格不变，即将目标商品当前的价格作为预估价格。
如果偏差大于0，则将价格调低到下一个等级的价位，将调整后的价格作为预估价格。
如果偏差小于0，则将价格调高到下一个等级的价位，将调整后的价格作为预估价格。
子步骤S12，结合所述预估价格与所述候选预估销量最大的候选价格，确定最终的所述目标商品在所述指定时间点的价格。
在本发明实施例中，得到预估价格以及得到候选预估销量最大的候选价格以后，可以结合这两个价格，得到目标商品最终的价格。
在本发明实施例的一种优选实施例中，子步骤S12进一步可以为：
对所述预估价格以及所述候选预估销量最大的候选价格进行加权平均运算，得到所述目标商品在所述指定时间点的价格。
具体的，得到预估价格以及得到所述候选预估销量最大的候选价格以后，可以对这两个价格进行加权平均，商家可以根目标商品的销售情况设定两个价格的权重因子，基于两个权重因子对两种价格进行加权平均后，得到目标商品在指定时间点上的价格。
得到商品的定价后，可以将该定价进行展示。
在本发明实施例中，在确定目标商品的定价时，根据商品自身的第一销售数据以及竞争商品的第二销售数据构建定价预估模型，以采用该模型预估多个候选价格对应的候选预估销量，并最大的候选预估销量对应的候选价格和/或目标商品的预估价格，进行商品定价，在商品定价的考虑上，除了考虑目标商品自身的历史销售数据以及商品的属性以外，还考虑竞争商品的销售情况，使得定价更加符合商家需求以及市场需求，从而实现动态定价，商品的定价更加适合快速变化的市场，可以给商家尽量大的销售利润和销售额。
参照图3，示出了本发明的一种商品售价数据的自动计算方法实施例三的步骤流程图，具体可以包括如下步骤：
步骤301，确定与目标商品对应的竞争商品；
步骤302，获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
作为一种示例，该第一销售数据可以包括目标商品的售价；该第二销售数据可以包括竞争商品的售价。
得到目标商品的第一销售数据以及竞争商品的第二销售数据以后，可以将该第一销售数据以及第二销售数据输入预先生成的定价预估模型，在该定价预估模型中，执行步骤303-步骤305。
步骤303，基于所述竞争商品的售价，获取所述竞争商品在预设时间段内的价格调整幅度；
在具体实现中，获得与目标商品对应的一个或多个竞争商品的第二销售数据以后，可以从该第二销售数据中提取各个竞争商品在预设时间段内的售价，以及，根据各个竞争商品在预设时间段内的售价，确定每个竞争商品的价格调整幅度。
例如，竞争商品A在预设时间段内的售价分别包括10元、10.5元，11.5元，则竞争商品A的价格调整幅度为：0.5+1＝1.5元。
竞争商品B在预设时间段内的售价分别包括10元、10.5元，11元，则竞争商品A的价格调整幅度为：0.5+0.5＝1元。
步骤304，确定所述目标商品的最新售价针对所述竞争商品在预设时间段内的售价集合的分位数；
在本发明实施例中，还可以计算目标商品的最新售价在竞争商品的售价集合中的分位数，以确定目标商品的售价在竞争商品的售价中的分布情况，其中，该售价集合包括各个竞争商品在预设时间段内的售价的集合。
在本发明实施例的一种优选实施例中，步骤304包括：
将所述目标商品的最新售价以及所述竞争商品在预设时间段内的售价集合组成价格数组，所述价格数组中的售价顺次排列；根据所述最新售价在所述价格数组的排序，计算所述最新售价针对所述竞争商品的售价集合的分位数。
在具体实现中，可以从第一销售数据中获取目标商品的最新售价，并将该最新售价与各个竞争商品在预设时间段内的售价组织成价格数据，将该价格数组中的各个售价按照由高到低或者由低到高的次序进行排序。随后，可以计算目标商品的最新售价在价格数组中的分位数。
步骤305，基于所述价格调整幅度和/或所述分位数，对所述最新售价进行调整，得到所述目标商品在所述指定时间点的价格。
在本发明实施例中，得到分位数和/或价格调整幅度以后，可以基于该价格调整幅度和/或分位数，对最新售价进行调整，得到目标商品在指定时间点的价格。
在本发明实施例的一种优选实施例中，可以根据价格调整幅度对最新售价进行调整，得到目标商品在指定时间点的价格。具体的，得到每个竞争商品对应的价格调整幅度以后，可以计算价格调整幅度的平均值或者调整比例，并根据平均值或者调整比例平均值或者调整比例。
例如，若竞争商品A的价格调整幅度为3元，竞争商品B的价格调整幅度为2元，竞争商品C的价格调整幅度为1元，则竞争商品的平均涨幅是(3+2+1)/3＝2元，若目标商品的最新售价为1元，则在1元的基础上加上平均涨幅2元，可以得到目标商品的定价为3元。
又如，若竞争商品A的涨幅比例为10％，竞争商品B的涨幅比例为15％，竞争商品C的涨幅比例为5％，则竞争商品的平均涨幅比例是(10％+15％+5％)/3＝10％，若目标商品的最新售价为1元，则在1元的基础上加上平均涨幅比例10％，可以得到目标商品的定价为1+1*10％＝1.1元。
在本发明实施例的一种优选实施例中，步骤305可以包括如下子步骤：
获取所述价格数组中，所述竞争商品的更新售价；根据所述竞争商品的更新售价以及所述分位数，确定所述目标商品在所述指定时间点的价格。
具体的，竞争商品的价格可能会在一个时间段内调整，因此，在竞争商品价格发生调整的时候，可以获取价格数组中的竞争商品的最新售价，如果该最新售价与价格数组中记录的售价不同，则将该最新售价更新在价格数组中，以替换价格数组中的原有记录。当对价格数组中存在价格更新的竞争商品的售价更新完毕后，得到更新的售价集合。随后，可以根据分位数以及更新的售价集合，计算目标商品的定价。
在本发明实施例中，结合竞争商品的价格调整情况，对目标商品的定价进行调整，丰富了商品定价的调整因素，提高了商品定价的准确率。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图4，示出了本发明的一种商品售价数据的自动计算系统的结构框图，具体可以包括如下模块：
竞争商品确定模块401，用于确定与目标商品对应的竞争商品；
销量数据获取模块402，用于获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
定价模块403，用于将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，，确定所述目标商品在指定时间点的价格，其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。
在本发明实施例的一种优选实施例中，所述定价模块403可以包括如下子模块：
候选价格确定子模块，用于确定价格区间，所述价格区间包括多种等级的候选价格；
预估销量确定子模块，用于确定每种等级的候选价格对应的候选预估销量；
价格确定子模块，用于基于候选预估销量最大的候选价格，确定所述目标商品在所述时间点的价格。
在本发明实施例的一种优选实施例中，所述价格确定子模块可以包括如下单元：
预估价格确定单元，用于采用所述第一销售数据，确定所述目标商品的预估价格；
价格确定单元，用于结合所述预估价格与所述候选预估销量最大的候选价格，确定所述目标商品在所述指定时间点的价格。
在本发明实施例的一种优选实施例中，所述价格确定单元还用于：
对所述预估价格以及所述候选预估销量最大的候选价格进行加权平均运算，得到所述目标商品在所述指定时间点的价格。
在本发明实施例的一种优选实施例中，所述候选价格确定子模块包括：
历史数据获取单元，用于获取与所述指定时间段的历史同期的时间区间内，所述竞争商品的历史销售数据；
调整值获取单元，用于基于所述历史销售数据，确定价格的最大值、最小值，以及计算价格的调整值；
价格区间确定单元，用于将所述最大值、最小值以及所述调整值构成的等差数列，作为价格区间。
在本发明实施例的一种优选实施例中，所述预估价格确定单元还用于：
获取所述目标商品在截止至所述指定时间点的预设时间段内的实际销量；
计算所述实际销量与预设的预估销量的偏差；
基于所述偏差，获取所述目标商品的预估价格。
在本发明实施例的一种优选实施例中，所述第一销售数据包括所述目标商品的售价；所述第二销售数据包括所述竞争商品的售价；
所述定价模块403包括：
价格调整幅度获取子模块，用于基于所述竞争商品的售价，获取所述竞争商品在预设时间段内的价格调整幅度；
分位数获取子模块，用于确定所述目标商品的最新售价针对所述竞争商品在预设时间段内的售价集合的分位数；
价格调整子模块，用于基于所述价格调整幅度和/或所述分位数，对所述最新售价进行调整，得到所述目标商品在所述指定时间点的价格。
在本发明实施例的一种优选实施例中，所述价格调整子模块还用于：
将所述目标商品的最新售价以及所述竞争商品在预设时间段内的售价集合组成价格数组，所述价格数组中的售价顺次排列；
根据所述最新售价在所述价格数组的排序，计算所述最新售价针对所述竞争商品的售价集合的分位数。
在本发明实施例的一种优选实施例中，所述价格调整子模块还用于：
获取所述价格数组中，所述竞争商品的更新售价；
根据所述竞争商品的更新售价以及所述分位数，确定所述目标商品在所述指定时间点的价格。
在本发明实施例的一种优选实施例中，所述系统还可以包括：
模型训练模块，用于训练定价预估模型；
所述模型训练模块包括如下子模块：
特征数据提取子模块，用于从所述第一销售数据和/或第二销售数据中提取特征数据；
预处理子模块，用于将所述特征数据进行预处理；
训练子模块，用于以目标商品的预估销售量为训练目标，采用预设的训练算法将预处理后的特征数据进行模型训练，得到定价预估模型。
对于系统实施例而言，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。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可以实现图1和/或图2和/或图3所述方法中的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现图1和/或图2和/或图3所述方法中的步骤。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。
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。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种商品售价的自动计算方法及系统、电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种商品售价数据的自动计算方法，其特征在于，所述方法包括：
确定与目标商品对应的竞争商品；
获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格，
其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格的步骤包括：
确定价格区间，所述价格区间包括多种等级的候选价格；
确定每种等级的候选价格对应的候选预估销量；
基于候选预估销量最大的候选价格，确定所述目标商品在指定时间点的价格。
3.根据权利要求2所述的方法，其特征在于，所述基于所述候选预估销量最大的候选价格，确定所述目标商品在指定时间点的价格的步骤包括：
采用所述第一销售数据，确定所述目标商品的预估价格；
结合所述预估价格与所述候选预估销量最大的候选价格，确定所述目标商品在所述指定时间点的价格。
4.根据权利要求3所述的方法，其特征在于，所述结合所述预估价格与所述候选预估销量最大的候选价格，确定最终的所述目标商品在所述指定时间点的价格的步骤包括：
对所述预估价格以及所述候选预估销量最大的候选价格进行加权平均运算，得到所述目标商品在所述指定时间点的价格。
5.根据权利要求2或3或4所述的方法，其特征在于，所述确定价格区间的步骤包括：
获取与所述指定时间段的历史同期的时间区间内，所述竞争商品的历史销售数据；
基于所述历史销售数据，确定价格的最大值、最小值，以及计算价格的调整值；
将所述最大值、最小值以及所述调整值构成的等差数列，作为价格区间。
6.根据权利要求3或4所述的方法，其特征在于，所述采用所述第一销售数据，确定所述目标商品的预估价格的步骤包括：
获取所述目标商品在所述指定时间段内的实际销量；
计算所述实际销量与预设的预估销量的偏差；
基于所述偏差，获取所述目标商品的预估价格。
7.根据权利要求2至4之任一项所述的方法，其特征在于，所述第一销售数据包括所述目标商品的售价；所述第二销售数据包括所述竞争商品的售价；
所述将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格的步骤包括：
基于所述竞争商品的售价，获取所述竞争商品在预设时间段内的价格调整幅度；
确定所述目标商品的最新售价针对所述竞争商品在预设时间段内的售价集合的分位数；
基于所述价格调整幅度和/或所述分位数，对所述最新售价进行调整，得到所述目标商品在所述指定时间点的价格。
8.根据权利要求7所述的方法，其特征在于，所述确定所述目标商品的最新售价针对所述竞争商品的售价集合的分位数的步骤包括：
将所述目标商品的最新售价以及所述竞争商品在预设时间段内的售价集合组成价格数组，所述价格数组中的售价顺次排列；
根据所述最新售价在所述价格数组的排序，计算所述最新售价针对所述竞争商品的售价集合的分位数。
9.根据权利要求8所述的方法，其特征在于，所述基于所述价格调整幅度和/或所述分位数，对所述最新售价进行调整，得到所述目标商品在所述指定时间点的价格的步骤包括：
获取所述价格数组中，所述竞争商品的更新售价；
根据所述竞争商品的更新售价以及所述分位数，确定所述目标商品在所述指定时间点的价格。
10.根据权利要求1或2或3或4或8或9所述的方法，其特征在于，所述定价预估模型采用如下方式生成：
从所述第一销售数据和/或第二销售数据中提取特征数据；
将所述特征数据进行预处理；
以目标商品的预估销售量为训练目标，采用预设的训练算法将预处理后的特征数据进行模型训练，得到定价预估模型。
11.一种商品售价数据的自动计算系统，其特征在于，所述系统包括：
竞争商品确定模块，用于确定与目标商品对应的竞争商品；
销量数据获取模块，用于获取指定时间段内，所述目标商品的第一销售数据以及所述竞争商品的第二销售数据；
定价模块，用于将所述第一销售数据以及所述第二销售数据输入预先生成的定价预估模型，确定所述目标商品在指定时间点的价格，其中，所述定价预估模型基于所述第二销售数据以及所述第一销量数据，采用预设的训练算法训练而成。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至10任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至10任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810084081.6A CN108389073A (zh) | 2018-01-29 | 2018-01-29 | 商品售价的自动计算方法及系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810084081.6A CN108389073A (zh) | 2018-01-29 | 2018-01-29 | 商品售价的自动计算方法及系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108389073A true CN108389073A (zh) | 2018-08-10 |
Family
ID=63074187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810084081.6A Pending CN108389073A (zh) | 2018-01-29 | 2018-01-29 | 商品售价的自动计算方法及系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108389073A (zh) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242498A (zh) * | 2018-09-19 | 2019-01-18 | 清华大学 | 一种去中心化的区块链交易方法及装置 |
| CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
| CN109509036A (zh) * | 2018-12-25 | 2019-03-22 | 苏宁易购集团股份有限公司 | 一种处理价格信息的方法及装置 |
| CN110363539A (zh) * | 2019-06-26 | 2019-10-22 | 北京三快在线科技有限公司 | 数据处理方法、装置及存储介质 |
| CN110458622A (zh) * | 2019-08-14 | 2019-11-15 | 金瓜子科技发展（北京）有限公司 | 售价确定方法、装置及服务器 |
| CN110782269A (zh) * | 2019-09-18 | 2020-02-11 | 北京你财富计算机科技有限公司 | 促销商品价格自动更新方法、装置及电子设备 |
| CN111080396A (zh) * | 2019-11-15 | 2020-04-28 | 杭州拼便宜网络科技有限公司 | 一种基于竞对商品的商品定价方法、装置及存储介质 |
| CN111260388A (zh) * | 2018-12-03 | 2020-06-09 | 阿里巴巴集团控股有限公司 | 一种商品生命周期的确定、展示方法和装置 |
| CN111340572A (zh) * | 2019-12-23 | 2020-06-26 | 重庆港澳大家软件产业有限公司 | 一种基于大数据的线上商品价格评估系统及评估方法 |
| CN111598618A (zh) * | 2020-05-14 | 2020-08-28 | 武汉轻工大学 | 三维曲面数据估算方法、装置、设备及存储介质 |
| CN111695846A (zh) * | 2019-03-15 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 产品的存货布局的确定方法、系统、设备和存储介质 |
| CN111724189A (zh) * | 2019-06-27 | 2020-09-29 | 上海妃鱼网络科技有限公司 | 一种基于大数据的二手商品估价方法 |
| CN111754105A (zh) * | 2020-06-22 | 2020-10-09 | 北京三快在线科技有限公司 | 资源处理方法、装置、服务器及计算机可读存储介质 |
| CN111754257A (zh) * | 2020-05-13 | 2020-10-09 | 苏州明池纺织科技有限公司 | 一种纺织面料售价制定系统 |
| CN111798256A (zh) * | 2019-04-08 | 2020-10-20 | 阿里巴巴集团控股有限公司 | 确定票价的方法、数据获取的方法、装置和系统 |
| CN111859285A (zh) * | 2020-06-12 | 2020-10-30 | 有米科技股份有限公司 | 销量缺失数据的补充方法及装置 |
| CN112288481A (zh) * | 2020-10-28 | 2021-01-29 | 苏州中仑网络科技有限公司 | 用于零售商品管理的信息处理方法及装置 |
| TWI718809B (zh) * | 2019-12-16 | 2021-02-11 | 財團法人工業技術研究院 | 收益預測方法、收益預測系統及圖案化使用者介面 |
| CN112579865A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 一种搜索关键词的调价方法、装置、存储介质及电子设备 |
| 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 |
| CN113807876A (zh) * | 2020-06-15 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 训练样本生成方法及装置、模型训练方法及装置 |
| CN114170204A (zh) * | 2021-12-13 | 2022-03-11 | 国网重庆市电力公司电力科学研究院 | 一种图像计量定价方法 |
| CN114897555A (zh) * | 2022-04-24 | 2022-08-12 | 重庆旅游云信息科技有限公司 | 一种景区智能制定商品营销策略的方法及装置 |
| CN115619507A (zh) * | 2022-12-05 | 2023-01-17 | 阿里健康科技(杭州)有限公司 | 数据对象的目标资源兑换量的确定方法、装置和设备 |
| CN117252632A (zh) * | 2023-11-17 | 2023-12-19 | 北京北清博育信息技术研究有限公司 | 一种基于计算机的商品价格分析系统及方法 |
| CN117911060A (zh) * | 2023-12-01 | 2024-04-19 | 电能易购(北京)科技有限公司 | 一种电子商务交易用竞品商品价格对比系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009043291A (ja) * | 2008-11-25 | 2009-02-26 | Nomura Research Institute Ltd | 商品需要予測システム、商品の売上数調整システム |
| CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
| CN107169784A (zh) * | 2017-03-31 | 2017-09-15 | 北京三快在线科技有限公司 | 一种套餐价格确定方法及装置，电子设备 |
| CN107292661A (zh) * | 2017-06-02 | 2017-10-24 | 网易无尾熊（杭州）科技有限公司 | 计算机实现的基于数据分析辅助制定价格的方法及设备 |
-
2018
- 2018-01-29 CN CN201810084081.6A patent/CN108389073A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009043291A (ja) * | 2008-11-25 | 2009-02-26 | Nomura Research Institute Ltd | 商品需要予測システム、商品の売上数調整システム |
| CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
| CN107169784A (zh) * | 2017-03-31 | 2017-09-15 | 北京三快在线科技有限公司 | 一种套餐价格确定方法及装置，电子设备 |
| CN107292661A (zh) * | 2017-06-02 | 2017-10-24 | 网易无尾熊（杭州）科技有限公司 | 计算机实现的基于数据分析辅助制定价格的方法及设备 |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242498A (zh) * | 2018-09-19 | 2019-01-18 | 清华大学 | 一种去中心化的区块链交易方法及装置 |
| CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
| CN111260388A (zh) * | 2018-12-03 | 2020-06-09 | 阿里巴巴集团控股有限公司 | 一种商品生命周期的确定、展示方法和装置 |
| CN109509036A (zh) * | 2018-12-25 | 2019-03-22 | 苏宁易购集团股份有限公司 | 一种处理价格信息的方法及装置 |
| CN109509036B (zh) * | 2018-12-25 | 2023-12-01 | 苏宁易购集团股份有限公司 | 一种处理价格信息的方法及装置 |
| CN111695846A (zh) * | 2019-03-15 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 产品的存货布局的确定方法、系统、设备和存储介质 |
| CN111798256A (zh) * | 2019-04-08 | 2020-10-20 | 阿里巴巴集团控股有限公司 | 确定票价的方法、数据获取的方法、装置和系统 |
| CN110363539A (zh) * | 2019-06-26 | 2019-10-22 | 北京三快在线科技有限公司 | 数据处理方法、装置及存储介质 |
| CN111724189A (zh) * | 2019-06-27 | 2020-09-29 | 上海妃鱼网络科技有限公司 | 一种基于大数据的二手商品估价方法 |
| CN110458622A (zh) * | 2019-08-14 | 2019-11-15 | 金瓜子科技发展（北京）有限公司 | 售价确定方法、装置及服务器 |
| CN110782269A (zh) * | 2019-09-18 | 2020-02-11 | 北京你财富计算机科技有限公司 | 促销商品价格自动更新方法、装置及电子设备 |
| CN112579865B (zh) * | 2019-09-29 | 2024-02-13 | 北京国双科技有限公司 | 一种搜索关键词的调价方法、装置、存储介质及电子设备 |
| CN112579865A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 一种搜索关键词的调价方法、装置、存储介质及电子设备 |
| CN111080396A (zh) * | 2019-11-15 | 2020-04-28 | 杭州拼便宜网络科技有限公司 | 一种基于竞对商品的商品定价方法、装置及存储介质 |
| TWI718809B (zh) * | 2019-12-16 | 2021-02-11 | 財團法人工業技術研究院 | 收益預測方法、收益預測系統及圖案化使用者介面 |
| CN111340572A (zh) * | 2019-12-23 | 2020-06-26 | 重庆港澳大家软件产业有限公司 | 一种基于大数据的线上商品价格评估系统及评估方法 |
| 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 |
| CN111754257A (zh) * | 2020-05-13 | 2020-10-09 | 苏州明池纺织科技有限公司 | 一种纺织面料售价制定系统 |
| CN111598618A (zh) * | 2020-05-14 | 2020-08-28 | 武汉轻工大学 | 三维曲面数据估算方法、装置、设备及存储介质 |
| CN111859285A (zh) * | 2020-06-12 | 2020-10-30 | 有米科技股份有限公司 | 销量缺失数据的补充方法及装置 |
| CN111859285B (zh) * | 2020-06-12 | 2023-06-27 | 有米科技股份有限公司 | 销量缺失数据的补充方法及装置 |
| CN113807876A (zh) * | 2020-06-15 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 训练样本生成方法及装置、模型训练方法及装置 |
| CN111754105A (zh) * | 2020-06-22 | 2020-10-09 | 北京三快在线科技有限公司 | 资源处理方法、装置、服务器及计算机可读存储介质 |
| CN112288481A (zh) * | 2020-10-28 | 2021-01-29 | 苏州中仑网络科技有限公司 | 用于零售商品管理的信息处理方法及装置 |
| CN114170204A (zh) * | 2021-12-13 | 2022-03-11 | 国网重庆市电力公司电力科学研究院 | 一种图像计量定价方法 |
| CN114897555B (zh) * | 2022-04-24 | 2023-05-23 | 重庆旅游云信息科技有限公司 | 一种景区智能制定商品营销策略的方法及装置 |
| CN114897555A (zh) * | 2022-04-24 | 2022-08-12 | 重庆旅游云信息科技有限公司 | 一种景区智能制定商品营销策略的方法及装置 |
| CN115619507A (zh) * | 2022-12-05 | 2023-01-17 | 阿里健康科技(杭州)有限公司 | 数据对象的目标资源兑换量的确定方法、装置和设备 |
| CN117252632A (zh) * | 2023-11-17 | 2023-12-19 | 北京北清博育信息技术研究有限公司 | 一种基于计算机的商品价格分析系统及方法 |
| CN117911060A (zh) * | 2023-12-01 | 2024-04-19 | 电能易购(北京)科技有限公司 | 一种电子商务交易用竞品商品价格对比系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108389073A (zh) | 商品售价的自动计算方法及系统、电子设备及存储介质 | |
| US20210256378A1 (en) | System and method for weather dependent machine learning architecture | |
| CN110704730B (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
| CN102890803B (zh) | 电子商品异常交易过程的确定方法及其装置 | |
| Catal et al. | Benchmarking of regression algorithms and time series analysis techniques for sales forecasting | |
| JP6059122B2 (ja) | 顧客データ解析システム | |
| CA3235875A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
| CN113553540A (zh) | 一种商品销量的预测方法 | |
| Wang et al. | Predicting ENR construction cost index using machine-learning algorithms | |
| US20180365714A1 (en) | Promotion effects determination at an aggregate level | |
| US20100010870A1 (en) | System and Method for Tuning Demand Coefficients | |
| CN109583966A (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
| US20210109906A1 (en) | Clustering model analysis for big data environments | |
| Gustriansyah et al. | An approach for sales forecasting | |
| CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
| CN110555713A (zh) | 一种确定销量预测模型的方法和装置 | |
| CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
| CN111192161A (zh) | 电力市场交易对象推荐方法、装置 | |
| US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| JP2019074988A (ja) | 客室料金設定装置、客室料金設定方法、およびプログラム | |
| CN118485444A (zh) | 一种基于大数据的智能客户关系管理系统 | |
| CN117807452A (zh) | 一种基于目标匹配的排序方法、装置、设备及存储介质 | |
| CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
| CN117291651A (zh) | 美妆行业的自然复购预测模型的创建方法及其应用 |
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 |
Application publication date: 20180810 |
|
| RJ01 | Rejection of invention patent application after publication |