CN108985808A - 一种进行商品选择的方法和装置 - Google Patents
一种进行商品选择的方法和装置 Download PDFInfo
- Publication number
- CN108985808A CN108985808A CN201710404765.5A CN201710404765A CN108985808A CN 108985808 A CN108985808 A CN 108985808A CN 201710404765 A CN201710404765 A CN 201710404765A CN 108985808 A CN108985808 A CN 108985808A
- Authority
- CN
- China
- Prior art keywords
- time series
- data
- commodity
- analysis
- 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
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
- G06Q30/0201—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
- G06Q30/0201—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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0235—Discounts or incentives, e.g. coupons or rebates constrained by time limit or expiration date
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)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种进行商品选择的方法和装置,其涉及计算机领域。所述进行商品选择的方法包括下列步骤:数据准备,用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据;模型训练,用于对多个商品的时间序列特征的数据进行时间序列分析,以及对多个商品的非时间序列特征的数据进行多元回归分析,组合时间序列分析和多元回归分析的结果;以及模型应用,用于基于组合的结果选择商品。采用方法,将时间序列预测模型与特定业务场景的多元回归模型融合起来,大大提高了预测的效果和准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种进行商品选择的方法和装置。
背景技术
近年来,电子商务飞速发展,网络购物渗透率从大中型城市覆盖到了中小型城市,网购人群的比例也越来越高,电子商务网站的商品管理和销售成为至关重要的一环,而促销作为网站营销的主要手段,每天都会有规模不同的促销活动,贯穿电子商务的每个渠道,促销时选择何种商品,如何对商品进行组合,能达到最佳的销售效果,成为迫切需要解决的问题。
现有的促销活动场景下的商品选择策略,主要有三类情况:一种是基于业务人员的运营经验,人工进行商品的选择和摆放,然而,经验具有一定的滞后性,且商品选择的结果很难进行量化;另外一种,是基于时间序列进行分析,基于商品的历史销售情况,来预测未来的销售情况,但是在特定促销场景中,商品并非有规律的参与促销,时间相关性不强,难以作为促销活动场景下的商品选择依据;还有一种是基于回归分析的预测,通过一元或者多元回归分析,进行商品销量预测,然而现有技术多是针对单一商品或者整体销量的预测,尚未有在促销场景下的回归分析应用,且如何给出该场景下的商品组合方案,现有技术并不能解决。
基于上述原因,亟需一种在商品促销场景下,进行商品选择的方法。
发明内容
为了解决电子商务网站/商场促销活动场景下的商品选择问题,针对现有技术的缺点,本发明通过提供一套场景化的数据处理装置与方法,适应于各种数据分布情况,且结合常见业务场景和模式,形成组合模型,克服上述缺点,为促销场景下的商品选择提供完整有效的解决方案。
有鉴于此,本发明实施例提供一种进行商品选择的方法,能够克服现有技术基于经验的商品选择,且工作量大,主观性强,缺乏可供量化的数据参考的缺点。
为实现上述目的,根据本发明的一个方面,提供一种进行商品选择的方法,其中,包括下列步骤:数据准备,用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据;模型训练,用于对多个商品的时间序列特征的数据进行时间序列分析,以及对多个商品的非时间序列特征的数据进行多元回归分析,组合时间序列分析和多元回归分析的结果;以及模型应用,用于基于组合的结果选择商品。
其中所述数据准备包括:业务抽象分析,用于从每一个商品的时间序列特征和活动场景下的非时间序列特征下进行数据抽象;数据集成,用于将每一个商品的时间序列特征的销售数据整理为符合时间序列需要的观察值序列,以及总结促销活动中的销售因素数据;数据预处理,用于对观察值序列和销售因素数据进行预处理。
其中所述模型训练包括:时间序列分析,用于对观察值序列进行预处理,符合平稳非白噪声序列特点时进行时间序列分析;多元回归分析,用于对商品的非时间序列特征的数据进行多元回归分析;模型组合,用于将时间序列分析的结果和多元回归分析的结果线性组合,选择出在其场景下的促销商品。
其中所述对观察值序列进行预处理包括对所述观察序列的自相关系数(ACF)和偏相关系数(PACF)进行计算,基于自相关系数(ACF)和偏相关系数(PACF)选择移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及自回归积分滑动平均模型(ARIMA)过程中的至少一个。
其中所述时间序列分析的结果和多元回归分析的结果的线性组合基于:
Q=Wi*Yi
Q代表将两个模型的销量预测结果组合之后的商品销量预测值,Yi代表两种模型各自预测得到的销量预测中间值,Wi是模型组合过程中的权数,其依据组合误差的方差最小原则加以确定的,且满足下列等式:
W2=1-W1,其中为第i种单项预测模型的残差方差。
其中所述非时间序列特征包括:商品属性、活动吸引力以及消费者偏好中的至少一个。
为实现上述目的,根据本发明的一个方面,提供一种进行商品选择的装置,其包括:数据准备模块,用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据;模型训练模块,用于对多个商品的时间序列特征的数据进行时间序列分析,以及对多个商品的非时间序列特征的数据进行多元回归分析,组合时间序列分析和多元回归分析的结果;以及模型应用模块,用于基于组合的结果选择商品。
其中所述数据准备模块包括:业务抽象分析单元,用于从每一个商品的时间序列特征和活动场景下的非时间序列特征下进行数据抽象;数据集成单元,用于将每一个商品的时间序列特征的销售数据整理为符合时间序列需要的观察值序列,以及总结促销活动中的销售因素数据;数据预处理单元,用于对观察值序列和销售因素数据进行预处理。
其中所述模型训练模块包括:时间序列分析模块,用于对观察值序列进行预处理,符合平稳非白噪声序列特点时进行时间序列分析;多元回归分析模块,用于对商品的非时间序列特征的数据进行多元回归分析;模型组合模块,用于将时间序列分析的结果和多元回归分析的结果线性组合,选择出在其场景下的促销商品。
为实现上述目的,根据本发明的一个方面,提供一种电子设备,其包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述进行商品选择的方法。
为实现上述目的,根据本发明的一个方面,提供一种非暂态计算机可读存储介质,其中所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述记载的任一项所述的方法。
该方案的有益效果:
●本申请方案,根据电子商务促销业务复杂的数据特点,不依赖主观经验判断,进行通用的商品选择与组合方案,该装置与方法可扩展至各个电子商务平台。
●该方法中,将时间序列预测模型与特定业务场景的多元回归模型融合起来,大大提高了预测的效果和准确度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的选择商品的装置的示意图;
图2是根据本发明实施例的计算其自相关系数和偏自相关系数的示意图;
图3是根据本发明的检测拟合好的模型的残差是否为白噪声的示意图;
图4为适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图;以及
图5是本发明实施例的进行商品选择的主要步骤的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图5是根据本发明实施例的进行商品选择的方法的主要步骤的示意图。
如图5所示,本发明实施例的一种进行商品选择的方法主要包括如下步骤:
步骤S11:数据准备,用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据。
步骤S12:模型训练,用于对多个商品的时间序列特征的数据进行时间序列分析,以及对多个商品的非时间序列特征的数据进行多元回归分析,组合时间序列分析和多元回归分析的结果。
步骤S13:模型应用,用于基于组合的结果选择商品。
下面结合本发明实施例的商品智能选择装置和上述主要步骤来详细地描述本发明的实施例。
图1是根据本发明实施例的商品智能选择装置的示意图。参见图1,该商品选择装置包括数据准备模块、模型训练模块和模型应用模块:其中
数据准备模块:该模块主要的作用是进行业务抽象分析、数据集成和数据预处理,为接下来的模型训练做好数据准备。
业务抽象分析单元:所谓抽象分析,是从众多指标中分析出影响商品活动表现的因素,从每一个商品的时间序列特征和活动场景下的非时间序列特征两个场景下进行数据抽象。该装置允许业务人员提供一组商品池,指定需要展示在活动页面上的商品数量,作为一次模型应用的输入。
数据集成单元:将所有商品的销售数据整理成符合时间序列需要的观察值序列,将所有商品在促销活动中的销售因素总结成三大类因素:商品属性、活动吸引力、消费者偏好三大类,总结每类因素的描述性指标:(参见下表)
数据预处理单元:进行训练模型的数据样本预处理,主要通过剔除错误值、空值等不符合时间序列或业务逻辑的数据。
模型训练模块:该模块通过时间序列分析对商品的总体表现进行预测,多元回归分析对活动促销场景下的表现进行预测,再对两个模型进行组合,给出一个商品的促销场景下的销售预测。
模型训练模块包括时间序列分析模块、多元回归分析模块、模型组合模块和模型检验模块。具体的各个模块的作用如下:
1.时间序列分析模块
时间序列分析模块对数据预处理后的数据样本进行时间序列分析,观察值序列经过预处理,符合平稳非白噪声序列特点,即可进行时间序列分析,其包括下列三个步骤:
1).计算该序列的自相关系数(ACF)和偏相关系数(PACF);
2).模型定阶:根据系数选择合适的模型,其中p为自回归项,d为差分阶数,q为移动平均项数。
自相关系数(ACF) | 偏相关系数(PACF) | 选择模型 |
拖尾 | p阶截尾 | AR(p) |
q阶截尾 | 拖尾 | MA(q) |
p阶拖尾 | q阶拖尾 | ARMA(p,q) |
下面说明三种模型的描述信息:
稳定自回归(AR)模型
稳定自回归(AR)模型具有理论自相关函数(ACF),此函数向零逐渐衰减、而不是突然变为零。自相关系数可能会频繁变换符号,或呈现波浪式模式,但所有情况下其都将逐渐减小为零。相比之下,p阶AR过程具有理论偏自相关函数(PACF),此函数在滞后p之后突然变为零。(最后一个PACF峰值的滞后长度等于过程的AR阶数,即p。)
移动平均(MA)模型
阶数为q的MA(移动平均)模型的理论ACF在滞后q(即过程的MA阶数)之后突然变为零。但是,其理论PACF将逐渐减小为零。(最后一个ACF峰值的滞后长度等于过程的MA阶数,即q。)
稳定混合(ARMA)模型
稳定混合(ARMA)模型混合了AR和MA的特征。理论ACF和PACF将逐渐减小为零。
3).模型参数检验
●通过ACF和PACF判定得到时间序列模型,如果有多个可用的模型,可以通过AIC(Akaike information criterion,最小信息准则,又称为:赤池信息量准则)准则判断,假设有两个模型,mod1和mod2,比较他们的AIC,AIC的数值越小,则其模型拟合效果越好。
●看拟合好的模型的残差是否为白噪声:acf(resid(mod1)),得到自相关图,如果acf的值在lag=1迅速衰减,即为白噪声,模型可用。
AIC准则是一个通用的方法,可以直接用于比较不同时间序列模型的优劣,比如后文例子中提到的,同一个序列,用MA模型得到一个结果,用ARMA模型得到一个结果,对两个结果通过AIC准则可以判断优劣,同时序列稳定的模型可用,检验模型是否稳定即通过自相关图来检测。
2.多元回归分析模块
多元回归分析模块进行多元回归分析,重点基于商品的促销场景影响因素进行建模分析:
1).建立模型,假定被解释变量Y与多个解释变量X1,X2,…,Xk之间具有线性关系,是解释变量的多元线性函数,称为多元线性回归模型。即
Y=β0+β1X1+β2X2+…+βkXk+μ (1.1)
其中:Y为被解释变量,即商品在促销场景下的销量的预测结果,Xj(j=1,2,…,k)为k个解释变量,即上述影响销售量的因素下的指标,例如,X1为价格、X2为毛利率、X3为商品曝光率和X4为商品点击率等,βj(j=0,1,2,…,k)为k+1个未知参数,μ为随机误差值。
2).参数估计,假定多元线性回归模型利用普通最小二乘法(OLS)对参数进行估计时符合零均值假定、同方差假定和无自相关性,解释变量间不存在多重共线性,即可对回归参数进行最小二乘估计。
对于含有k个解释变量的多元线性回归模型:
Yi=β0+β1X1i+β2X2i+…+βkXki+μi(i=1,2,…,n)
设分别作为参数β0,β1,…,βk的估计量,得样本回归方程为:
观测值Yi与回归值的残差ei为:
由最小二乘法可知应使全部观测值Yi与回归值的残差ei的平方和最小,即使
取得最小值。根据多元函数的极值原理,Q分别对求一阶偏导,并令其等于零,即
即
化简得下列方程组
上述(k+1)个方程称为正规方程,其矩阵形式为
因为
设为估计值向量
样本回归模型两边同乘样本观测值矩阵X的转置矩阵X′,则有
得正规方程组:
假定解释变量之间不存在多重共线性:rank(X)=k+1<=n,即各解释变量之间线性无关,
X′X为(k+1)阶方阵,所以X′X满秩,X′X的逆矩阵(X′X)-1存在。因而
则上式为未知参数的OLS(最小二乘法)的估计量。
3).显著性检验,对方程的总显著性在方差分析的基础上进行F检验:
如果计算的F值大于临界值(小概率事件发生)则拒绝,说明回归模型有显著意义,即所有解释变量联合起来对Y有显著影响;
如果计算的F值小于临界值(大概率事件发生)则不拒绝,说明回归模型没有显著意义,即所有解释变量联合起来对Y没有显著影响。
3.模型组合模块
模型组合模块进行模型组合:通过线性组合模型将两步分析组合起来:
Q=Wi*Yi
Q代表将两个模型的销量预测结果组合之后的商品销量预测值,Yi代表两种模型各自预测得到的销量预测中间值,Wi为模型组合过程中的权数,其线性组合模型的关键在于确定合理的权数Wi,本方案中Wi是依据组合误差的方差最小原则加以确定的:
W2=1-W1,其中为第i种单项预测模型的残差方差。
4.模型检验模块
模型可用性的验证,结合实际业务应用,判断模型的效果,是否高于人工选品。可在实际业务应用中,检测应用模型选品方案是否比普通选品更有助于提升促销整体销售额。如果模型结果受到异常值影响,则剔除异常值。
模型应用模块,每个商品的预测结果形成预测结果集,根据业务需要的商品数量N,通过业务数据接口的形式返回预测值TopN,形成N个商品的组合方案。
下面结合具体的实施例给出详细的描述:
本发明的实施例基于下面的主要步骤:
●备选商品集合为R,其中包含m个不同的商品,促销页面需要选择其中的n个商品上线,该方案要解决的是通过数据分析和计算,给出最佳的商品组合建议。
●数据分析基于备选商品的历史销售数据,进行统计研究,采用的方法是将时间序列和多元回归分析相结合的方法:
■对于每一个商品的历史销售数据作为一个时间序列(该序列不区分促销期间与非促销期间),预测商品随时间周期性变化的销售表现。
■选取每一个商品历史上参与促销期间的销售数据进行多元回归分析,预测商品在促销期间的表现。
■基于组合误差最小化的原则对两个统计模型进行组合,形成最终的对某一个商品的销售预测模型。
■完成对每一个商品的销售预测之后,按预测结果的销售额降序排列,前n个商品,即为智能推荐的促销选品组合。
该过程涉及两种计算方法的组合,一个方法是以每个商品每天的销售额作为该商品的时间序列,进行销售额的季节性预测,涉及指标为销售额、日期。
另外一个方法是多元回归,基于每个商品在其历史促销节点的销售数据,预测其在未来促销场景下的销售额表现,涉及解释变量为:
具体详细说明如下:
1)针对平稳的商品销售额时间序列,计算其自相关系数和偏自相关系数:
R语句:
Item←read.csv(‘E:/ItemData.txt’)
Items←ts(Item)
Plot(Items)#画出时序图,判断是否平稳
layout(1:2)
acf(Items)#显示自相关系数
pacf(Items)#显示偏自相关系数
#结果如图2
2)模型拟合:
基于图2的分布情况,可以选用MA(1)或者ARMA(3,1)来拟合:
R语句:
Ma1←arima(aa,order=c(0,0,1))
Arma13←arima(aa,order=c(3,0,1))
3)参数检验
●如果有多个拟合结果,根据AIC准则选择最优拟合方案:
R语句:
AIC(Ma1)
AIC(Aima13)
结果Ma1优于Arma13
●检测拟合好的模型的残差是否为白噪声:
R语句:
acf(resid(Ma1))
结果如图3。
数据集是不同商品在促销期间的销售额与其他变量值。
R语句:
Amount←read.csv(“E:/itemData.csv”)
FormulaStr←“Amount~Price+Maoli+Baoguang+Click+Haoping+Zhuanhua”
Amount_model←lm(as.formula(FormulaStr),Amount,interval=“prediction”)#训练回归函数
Summary(Amount_model)#查看回归方程。
此外,根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
本发明的电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行本发明所提供的进行商品选择的方法。
本发明的计算机可读存储介质,所态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行本发明所提供的进行商品选择的方法。
下面参考图4,其示出了适于用来实现本申请实施例的终端设备的计算机系统400的结构示意图。图4示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明公开的实施例,上文参考流程图5描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图5所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括数据准备模块、模型训练模块和模型应用模块。其中,这些模块的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:数据准备,用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据;模型训练,用于对多个商品的时间序列特征的数据进行时间序列分析,以及对多个商品的非时间序列特征的数据进行多元回归分析,组合时间序列分析和多元回归分析的结果;以及模型应用,用于基于组合的结果选择商品。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
根据本发明实施例的技术方案,根据电子商务促销业务复杂的数据特点,不依赖主观经验判断,进行通用的商品选择与组合方案,该装置与方法可扩展至各个电子商务平台。
该技术方案中,将时间序列预测模型与特定业务场景的多元回归模型融合起来,大大提高了预测的效果和准确度。
此外,本发明可以应用于电子商务网站,也可以用于超市、百货等实体店的促销下的商品选择。因此,本发明并不限于电子商务网站,也不应该解释为只针对电商网站。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (14)
1.一种进行商品选择的方法,其特征在于,包括下列步骤:
数据准备,用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据;
模型训练,用于对多个商品的时间序列特征的数据进行时间序列分析,以及对多个商品的非时间序列特征的数据进行多元回归分析,组合时间序列分析和多元回归分析的结果;以及
模型应用,用于基于组合的结果选择商品。
2.根据权利要求1所述的方法,其特征在于,所述数据准备包括:
业务抽象分析,用于从每一个商品的时间序列特征和活动场景下的非时间序列特征下进行数据抽象;
数据集成,用于将每一个商品的时间序列特征的销售数据整理为符合时间序列需要的观察值序列,以及总结促销活动中的销售因素数据;
数据预处理,用于对观察值序列和销售因素数据进行预处理。
3.根据权利要求1所述的方法,其特征在于,所述模型训练包括:
时间序列分析,用于对观察值序列进行预处理,符合平稳非白噪声序列特点时进行时间序列分析;
多元回归分析,用于对商品的非时间序列特征的数据进行多元回归分析;
模型组合,用于将时间序列分析的结果和多元回归分析的结果线性组合,选择出在其场景下的促销商品。
4.根据权利要求3所述的方法,其特征在于,所述对观察值序列进行预处理包括对所述观察序列的自相关系数(ACF)和偏相关系数(PACF)进行计算,基于自相关系数(ACF)和偏相关系数(PACF)选择移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及自回归积分滑动平均模型(ARIMA)过程中的至少一个。
5.根据权利要求3所述的方法,其特征在于,所述时间序列分析的结果和多元回归分析的结果的线性组合基于:
Q=Wi*Yi
Q代表将两个模型的销量预测结果组合之后的商品销量预测值,Yi代表两种模型各自预测得到的销量预测中间值,Wi是模型组合过程中的权数,是依据组合误差的方差最小原则加以确定的,且满足下列等式:
其中为第i种单项预测模型的残差方差。
6.根据权利要求1所述的方法,其特征在于,所述非时间序列特征包括:商品属性、活动吸引力以及消费者偏好中的至少一个。
7.一种进行商品选择的装置,其特征在于,包括:
数据准备模块,用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据;
模型训练模块,用于对多个商品的时间序列特征的数据进行时间序列分析,以及对多个商品的非时间序列特征的数据进行多元回归分析,组合时间序列分析和多元回归分析的结果;以及
模型应用模块,用于基于组合的结果选择商品。
8.根据权利要求7所述的装置,其特征在于,所述数据准备模块包括:
业务抽象分析单元,用于从每一个商品的时间序列特征和活动场景下的非时间序列特征下进行数据抽象;
数据集成单元,用于将每一个商品的时间序列特征的销售数据整理为符合时间序列需要的观察值序列,以及总结促销活动中的销售因素数据;
数据预处理单元,用于对观察值序列和销售因素数据进行预处理。
9.根据权利要求7所述的装置,其特征在于,所述模型训练模块包括:
时间序列分析模块,用于对观察值序列进行预处理,符合平稳非白噪声序列特点时进行时间序列分析;
多元回归分析模块,用于对商品的非时间序列特征的数据进行多元回归分析;
模型组合模块,用于将时间序列分析的结果和多元回归分析的结果线性组合,选择出在其场景下的促销商品。
10.根据权利要求9所述的装置,其特征在于,所述对观察值序列进行预处理包括对所述观察序列的自相关系数(ACF)和偏相关系数(PACF)进行计算,基于自相关系数(ACF)和偏相关系数(PACF)选择移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及自回归积分滑动平均模型(ARIMA)过程中的至少一个。
11.根据权利要求9所述的装置,其特征在于,所述时间序列分析的结果和多元回归分析的结果的线性组合基于:
Q=Wi*Yi
Q代表将两个模型的销量预测结果组合之后的商品销量预测值,Yi代表两种模型各自预测得到的销量预测中间值,Wi是模型组合过程中的权数,是依据组合误差的方差最小原则加以确定的,且满足下列等式:
其中为第i种单项预测模型的残差方差。
12.根据权利要求7所述的装置,其特征在于,所述非时间序列特征包括:商品属性、活动吸引力以及消费者偏好中的至少一个。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一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,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710404765.5A CN108985808A (zh) | 2017-06-01 | 2017-06-01 | 一种进行商品选择的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710404765.5A CN108985808A (zh) | 2017-06-01 | 2017-06-01 | 一种进行商品选择的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108985808A true CN108985808A (zh) | 2018-12-11 |
Family
ID=64501079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710404765.5A Pending CN108985808A (zh) | 2017-06-01 | 2017-06-01 | 一种进行商品选择的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985808A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670015A (zh) * | 2018-12-12 | 2019-04-23 | 中科恒运股份有限公司 | 数据分析方法、计算机可读存储介质及终端设备 |
CN110060107A (zh) * | 2019-04-25 | 2019-07-26 | 湖南餐效信息科技有限公司 | 营收估算方法、营收估算系统、终端及存储介质 |
CN110162694A (zh) * | 2019-04-02 | 2019-08-23 | 莫毓昌 | 一种基于成对关联规则的推荐系统和方法 |
CN112016760A (zh) * | 2020-09-04 | 2020-12-01 | 平安科技(深圳)有限公司 | 多维度信息的组合预测方法、装置、计算机设备及介质 |
CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
CN113780744A (zh) * | 2021-08-13 | 2021-12-10 | 唯品会(广州)软件有限公司 | 货物组合方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217355A (zh) * | 2014-09-11 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 预测促销商品销量的方法和装置 |
US20160260110A1 (en) * | 2015-03-04 | 2016-09-08 | Wal-Mart Stores, Inc. | System and method for predicting the sales behavior of a new item |
CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及系统 |
-
2017
- 2017-06-01 CN CN201710404765.5A patent/CN108985808A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217355A (zh) * | 2014-09-11 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 预测促销商品销量的方法和装置 |
US20160260110A1 (en) * | 2015-03-04 | 2016-09-08 | Wal-Mart Stores, Inc. | System and method for predicting the sales behavior of a new item |
CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
吴剑琳: "社会调查与预测方法课件讲义PPT-14预测精度与评价", 《道客巴巴》 * |
李莹: "基于时间序列与多元线性回归综合模型的农村卷烟销量预测", 《中国优秀硕士学位论文全文数据库(经济与管理科学辑)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670015A (zh) * | 2018-12-12 | 2019-04-23 | 中科恒运股份有限公司 | 数据分析方法、计算机可读存储介质及终端设备 |
CN110162694A (zh) * | 2019-04-02 | 2019-08-23 | 莫毓昌 | 一种基于成对关联规则的推荐系统和方法 |
CN110162694B (zh) * | 2019-04-02 | 2021-01-05 | 莫毓昌 | 一种基于成对关联规则的推荐系统和方法 |
CN110060107A (zh) * | 2019-04-25 | 2019-07-26 | 湖南餐效信息科技有限公司 | 营收估算方法、营收估算系统、终端及存储介质 |
CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
CN112016760A (zh) * | 2020-09-04 | 2020-12-01 | 平安科技(深圳)有限公司 | 多维度信息的组合预测方法、装置、计算机设备及介质 |
CN113780744A (zh) * | 2021-08-13 | 2021-12-10 | 唯品会(广州)软件有限公司 | 货物组合方法、装置及电子设备 |
CN113780744B (zh) * | 2021-08-13 | 2023-12-29 | 唯品会(广州)软件有限公司 | 货物组合方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985808A (zh) | 一种进行商品选择的方法和装置 | |
KR101265976B1 (ko) | 정량적 정보 기반의 산업기술시장 분석 시스템 및 그 방법 | |
US9715702B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
Liu et al. | Decision model for the customer order decoupling point considering order insertion scheduling with capacity and time constraints in logistics service supply chain | |
CN112528153B (zh) | 内容推荐方法、装置、设备、存储介质以及程序产品 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
Seranmadevi et al. | Experiencing the AI emergence in Indian retail–Early adopters approach | |
CN109214730A (zh) | 信息推送方法和装置 | |
CN110348921B (zh) | 门店物品选取的方法和装置 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN107886241A (zh) | 资源分析方法、装置、介质和电子设备 | |
Mathews | Innovation portfolio architecture—Part 2: Attribute selection and valuation | |
CN112598472A (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
Abolghasemi et al. | Model selection in reconciling hierarchical time series | |
Jang et al. | Detection and prediction of house price bubbles: Evidence from a new city | |
CN107358472A (zh) | 数据处理方法及装置 | |
JP2002109208A (ja) | 信用リスク管理方法、分析モデル決定方法、分析サーバ及び分析モデル決定装置 | |
CN109858756A (zh) | 一种服务质量缺陷诊断方法和装置 | |
CN113947439A (zh) | 需求预测模型训练方法和装置、需求预测方法和装置 | |
Wang et al. | A novel many-objective recommendation algorithm for multistakeholders | |
CN109948773A (zh) | 生成信息的方法和装置 | |
CN114529318A (zh) | 大数据环境下在线零售商的需求模型构建及需求预测方法 | |
CN109993566A (zh) | 一种预测产品目标数据的方法和装置 | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring |
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: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |