CN109544233B - 一种面向电商业务的时尚品需求预测方法 - Google Patents

一种面向电商业务的时尚品需求预测方法 Download PDF

Info

Publication number
CN109544233B
CN109544233B CN201811393193.6A CN201811393193A CN109544233B CN 109544233 B CN109544233 B CN 109544233B CN 201811393193 A CN201811393193 A CN 201811393193A CN 109544233 B CN109544233 B CN 109544233B
Authority
CN
China
Prior art keywords
historical
life cycle
product
sales data
new product
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.)
Active
Application number
CN201811393193.6A
Other languages
English (en)
Other versions
CN109544233A (zh
Inventor
高峻峻
王健
卫望
赵建国
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.)
Shanghai Oibp Supply Chain Management Co ltd
Original Assignee
Shanghai Oibp Supply Chain Management Co 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 Shanghai Oibp Supply Chain Management Co ltd filed Critical Shanghai Oibp Supply Chain Management Co ltd
Priority to CN201811393193.6A priority Critical patent/CN109544233B/zh
Publication of CN109544233A publication Critical patent/CN109544233A/zh
Application granted granted Critical
Publication of CN109544233B publication Critical patent/CN109544233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明公开了一种面向电商业务的时尚品需求预测方法，主要包括历史销售数据准备和新产品需求预测两个阶段。其中，历史销售数据准备阶段包括缺失值和异常值的处理、消除短期异常波动因素影响和建立历史生命周期因子库；新产品需求预测阶段包括新产品畅平滞实时判断、生命周期因子匹配、特征‑增量回归模型训练以及需求预测调整。上述技术方案的有益效果是：旨在能够较好地应对时尚品行业电商场景下产品需求波动巨大以及新产品频繁上市缺乏足够历史数据造成的预测模型训练不足的情况，及时调整运营策略，在满足顾客需求的同时降低库存成本，有效提升企业的利润水平。

Description

一种面向电商业务的时尚品需求预测方法
技术领域
本发明涉及信息预测技术领域，尤其涉及一种面向电商业务的时尚品需求预测方法。
背景技术
电子商务(Electronic Commerce,EC)通常是指在全球各地广泛的商业贸易活动中，在因特网开放的网络环境下，基于浏览器/服务器应用方式，买卖双方不谋面地进行各种商贸活动，实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种新型的商业运营模式。全球电子商务市场在过去十多年中快速增长，并且这种势头仍在持续。当前，全球网民人数已达41.57亿人，互联网普及率达54.4％。2017年，全球网络零售交易额达2.304万亿美元，同比增长24.8％，占全球零售总额的比重由2016年的8.6％上升至10.2％。
随着电子商务市场的发展，对商品的需求逐渐产生了显著不同于传统渠道商品需求的特点。尤其是在鞋服等时尚品领域，商品的需求具有极高的波动性、商品的生命周期越来越短以及新旧产品频繁地上下市。所以在一个生命周期内，商品的变化趋势的重要作用就显得尤其凸出。然而，对商品流量近期变化趋势的预测，一般商家均凭借经验对下一期的商品流量预测出一个大概的数值，或者运用一些预测模型进行简单预测。上面这些预测方法由于处理数据时失真导致预测结果不够精确。
现有的传统的商品需求预测方法在应用于电商时尚品领域时，往往很难取得很好的效果。在这种情况下，针对电商时尚品领域商品需求的特点设计一套需求预测方法是十分有必要的。
发明内容
根据现有技术中存在的上述问题，现提供一种面向电商业务的时尚品需求预测方法，旨在能够较好地应对时尚品行业电商场景下产品需求波动巨大以及新产品频繁上市缺乏足够历史数据造成的预测模型训练不足的情况，及时调整运营策略，在满足顾客需求的同时降低库存成本，有效提升企业的利润水平。
上述技术方案具体包括：
一种面向电商业务的时尚品需求预测方法，主要包括如下步骤：
步骤S1，收集历史产品的历史销售数据，并对所述历史产品的第一畅平滞状态进行判断；
步骤S2，对所述历史销售数据中的缺失值和异常值进行处理；
步骤S3，对所述历史销售数据进行平滑化处理；
步骤S4，对所述历史销售数据进行生命周期曲线拟合，生成一历史生命周期因子库；
步骤S5，收集新产品的实时销售数据，并对所述新产品的第二畅平滞状态动态地进行判断；
步骤S6，根据所述新产品当前的所述第二畅平滞状态，在所述历史生命周期因子库中匹配得到所述新产品的生命周期因子序列；
步骤S7，根据所述生命周期因子序列和一预设的基础生命周期预测公式，得到一基础生命周期预测值；
步骤S8，将多个所述历史产品的产品特征和活动特征分别关联于每个所述历史产品的销售增长量，建立特征-增量映射关系；
步骤S9，根据所述特征-增量映射关系，输入所述历史产品的产品特征和活动特征以及对应的所述销售增长量，生成一特征-增量回归模型；
步骤S10，根据所述新产品的产品特征、活动特征和所述特征-增量回归模型，得到一特征-增量系数；
步骤S11，根据所述特征-增量系数对所述新产品的所述基础生命周期预测值进行调整，生成一新产品需求预测值。
优选的，所述历史产品的第一畅平滞状态是根据所述历史产品在其对应的销售季的单位时间内的销量排名进行判定；所述第一畅平滞状态包括畅销状态、平销状态和滞销状态。
优选的，所述步骤S2具体包括：
步骤S21，对所述历史销售数据中的所述缺失值进行处理；
步骤S22，对所述历史销售数据进行生命周期曲线拟合；
步骤S23，根据一预设的阈值，判断所述历史销售数据中是否存在所述异常值；
若否，则转向所述步骤S25；
步骤S24，判定所述历史销售数据中存在所述异常值，并对所述异常值进行处理，再转向所述步骤S23；
步骤S25，判定所述历史销售数据中不存在所述异常值，转向所述步骤S3。
优选的，所述步骤S3具体包括：
步骤S31，判断所述历史销售数据是否存在一短期异常波动；
若否，则直接转向所述步骤S4；
步骤S32，采用线性插值法，对所述历史销售数据进行平滑化处理，再转向步骤S4。
优选的，所述步骤S4具体包括：
步骤S41，对所述历史销售数据进行归一化处理；
步骤S42，根据所述历史销售数据建立一多项式拟合函数，生成商品的生命周期因子序列；
步骤S43，将不同的所述历史产品的所述生命周期因子序列组成所述历史生命周期因子库。
优选的，所述步骤S42中的所述多项式拟合函数如下：
Figure BDA0001874524480000041
优选的，所述步骤S5具体包括：
步骤S51，收集所述新产品的实时销售数据；
步骤S52，动态地更新并判断所述新产品当前的第二畅平滞销售状态；所述第二畅平滞状态包括畅销状态、平销状态和滞销状态。
优选的，所述步骤S6中，根据所述新产品的所述第二畅平滞状态，在所述历史生命周期因子库中匹配与其相同的所述第一畅平滞状态所对应的历史产品，采用一预设的相关系数匹配规则，将所述新产品在一预设时段内的销售数据与所述销售数据相关系数最高的所述历史产品的所述生命周期因子序列匹配给所述新产品，作为所述新产品的所述生命周期因子序列。
优选的，所述基础生命周期预测公式如下：
Figure BDA0001874524480000051
优选的，所述预测调整公式如下：
f2,n+j＝αn+j·f1,n+j；
其中，
Figure BDA0001874524480000052
其中，pi＝F(M,N)；
其中，F为所述特征-增量回归模型，M为所述新产品的产品特征，N为所述新产品的活动特征。
上述技术方案的有益效果是：旨在能够较好地应对时尚品行业电商场景下产品需求波动巨大以及新产品频繁上市缺乏足够历史数据造成的预测模型训练不足的情况，及时调整运营策略，在满足顾客需求的同时降低库存成本，有效提升企业的利润水平。
附图说明
图1是本发明的较佳的实施例中，一种面向电商业务的时尚品需求预测方法的总体流程示意图；
图2是本发明的较佳的实施例中，图1的基础上，对步骤S2做进一步描述的流程图；
图3是本发明的较佳的实施例中，对异常点进行处理的效果示意图；
图4是本发明的较佳的实施例中，图1的基础上，对步骤S3做进一步描述的流程图；
图5是本发明的较佳的实施例中，图1的基础上，对步骤S4做进一步描述的流程图；
图6是本发明的较佳的实施例中，图1的基础上，对步骤S5做进一步描述的流程图；
图7是本发明的较佳的实施例中，真实销售量与预测销售量的曲线对比示意图。
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。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的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
基于现有技术中存在的上述问题，本发明提供一种面向电商业务的时尚品需求预测方法，如图1所示，主要包括如下步骤：
步骤S1，收集历史产品的历史销售数据，并对历史产品的第一畅平滞状态进行判断；
步骤S2，对历史销售数据中的缺失值和异常值进行处理；
步骤S3，对历史销售数据进行平滑化处理；
步骤S4，对历史销售数据进行生命周期曲线拟合，生成一历史生命周期因子库；
步骤S5，收集新产品的实时销售数据，并对新产品的第二畅平滞状态动态地进行判断；
步骤S6，根据新产品当前的第二畅平滞状态，在历史生命周期因子库中匹配得到新产品的生命周期因子序列；
步骤S7，根据生命周期因子序列和一预设的基础生命周期预测公式，得到一基础生命周期预测值；
步骤S8，将多个历史产品的产品特征和活动特征分别关联于每个历史产品的销售增长量，建立特征-增量映射关系；
步骤S9，根据特征-增量映射关系，输入历史产品的产品特征和活动特征以及对应的销售增长量，生成一特征-增量回归模型；
步骤S10，根据新产品的产品特征、活动特征和特征-增量回归模型，得到一特征-增量系数；
步骤S11，根据特征-增量系数对新产品的基础生命周期预测值进行调整，生成一新产品需求预测值。
具体地，面向电商业务的时尚品需求预测方法主要包括历史销售数据准备和新产品需求预测两个阶段。其中，历史销售数据准备阶段包括缺失值和异常值的处理、消除短期异常波动因素影响和建立历史生命周期因子库。
具体过程如下：首先，对历史产品的历史销售数据进行收集，再根据一第一阈值和第二阈值对一款历史产品的第一畅平滞状态进行判断，其中第一阈值大于第二阈值：如果历史产品的销售数据大于第一阈值，那么判定该历史产品为畅销状态；如果历史产品的销售数据小于第一阈值且大于第二阈值，那么判定该历史产品为平销状态；如果历史产品的销售数据小于第二阈值，那么判定该历史产品为滞销状态。其次，对该款历史产品的历史销售数据中的存在的缺失值和异常值进行处理，以保证数据的可靠性和充分性。进一步地，对历史销售数据进行平滑化处理，去除使历史产品需求产生短期异常波动的因素的影响。然后，对历史销售数据进行生命周期曲线拟合建立一历史生命周期因子库。
上述过程还包括：收集新产品的实时销售数据，并对新产品的第二畅平滞状态动态地进行判断，第二畅平滞状态的判断方法与第一畅平滞状态的方法相近。根据新产品当前的第二畅平滞状态，在事先建立完成的历史产品的历史生命周期因子库中，匹配出状态相同的历史产品，将其历史生命周期因子序列作为新产品的生命周期因子序列，再将生命周期因子序列代入一预设的基础生命周期预测公式，得到一基础生命周期预测值；将多个历史产品的产品特征和活动特征分别关联于每个历史产品的销售增长量，建立特征-增量映射关系，根据上述特征-增量映射关系，输入历史产品的产品特征和活动特征以及对应的销售增长量，生成一特征-增量回归模型；最后，新产品的产品特征、活动特征代入特征-增量回归模型，得到一特征-增量系数，再根据特征-增量系数对新产品的基础生命周期预测值进行调整，生成新产品的需求预测值。
本发明的较佳的实施例中，历史产品的第一畅平滞状态是根据历史产品在其对应的销售季的单位时间内的销量排名进行判定；第一畅平滞状态包括畅销状态、平销状态和滞销状态。
具体地，按照历史产品在对应的销售季的单位时间内的销量排名，对历史产品进行畅平滞状态划分；根据一第一阈值和第二阈值对一款历史产品的第一畅平滞状态进行判断，其中第一阈值大于第二阈值：如果历史产品的销售数据大于第一阈值，那么判定该历史产品为畅销状态；如果历史产品的销售数据小于第一阈值且大于第二阈值，那么判定该历史产品为平销状态；如果历史产品的销售数据小于第二阈值，那么判定该历史产品为滞销状态。
上述实施例中，针对不同的历史产品的预设不同的第一阈值和第二阈值，以对历史产品的畅平滞状态进行准确划分。
本发明的较佳的实施例中，如图2所示，步骤S2具体包括：
步骤S21，对历史销售数据中的缺失值进行处理；
步骤S22，对历史销售数据进行生命周期曲线拟合；
步骤S23，根据一预设的阈值，判断历史销售数据中是否存在异常值；
若否，则转向步骤S25；
步骤S24，判定历史销售数据中存在异常值，并对异常值进行处理，再转向步骤S23；
步骤S25，判定历史销售数据中不存在异常值，转向步骤S3。
具体地，电商时尚品行业存在产品频繁上市、下市以及下市后再次上市的情况，因此在收集产品的历史销售数据时，存在一款产品的销售记录在时间上有中断的情况，即在某些日期上缺失销量数据。这种情况产生的原因有多种，产品下市一段时间后再次上市、销售中发生缺货以及无人购买都会产生此现象。产品下市一段时间后再次上市这种情况应把产品当作两个不同的产品，发生缺货则使用临近值和线性插值法填入缺失日期，无销售则使用零值填充。
历史销售数据中存在的异常值主要是指销量偏离产品生命周期曲线达到一定幅度的数据点。通过循环迭代的方法，对历史销售数据进行生命周期曲线拟合，设定异常阈值来判断异常点，再对异常点进行处理，然后再次重复以上步骤，直到判断不再存在异常点为止。
如图3所示，对经缺失值处理的产品历史销售数据进行多项式拟合，对偏离拟合曲线达到一定程度(如50％)的异常点进行处理，采用偏离的临界点进行替代。然后循环重复以上步骤，直到无异常点为止。
本发明的较佳的实施例中，如图4所示，步骤S3具体包括：
步骤S31，判断历史销售数据是否存在一短期异常波动；
若否，则直接转向步骤S4；
步骤S32，采用线性插值法，对历史销售数据进行平滑化处理，再转向步骤S4。
具体地，电商时尚品行业产品需求受传统电商节日、平台促销活动以及店铺促销活动影响非常明显，在需求预测中应尽量剔除这些因素的影响，还原商品的自然销量趋势。根据产品历史数据判断某时刻的销量是否受到以上因素影响，若有以上因素影响，则用临近时间的无影响的销量进行线性插值法替代。
本发明的较佳的实施例中，如图5所示，步骤S4具体包括：
步骤S41，对历史销售数据进行归一化处理；
步骤S42，根据历史销售数据建立一多项式拟合函数，生成商品的生命周期因子序列；
步骤S43，将不同的历史产品的生命周期因子序列组成历史生命周期因子库。
具体地，对历史销售数据再进行归一化处理，去除不同数量级对产品销售趋势规律的影响，然后采用多项式对处理后的销量曲线进行拟合，得到生命周期因子序列，所有历史产品的生命周期因子序列共同组成历史生命周期因子库。
本发明的较佳的实施例中，步骤S42中的多项式拟合函数如下：
Figure BDA0001874524480000111
本发明的较佳的实施例中，如图6所示，步骤S5具体包括：
步骤S51，收集新产品的实时销售数据；
步骤S52，动态地更新并判断新产品当前的第二畅平滞销售状态；第二畅平滞状态包括畅销状态、平销状态和滞销状态。
具体地，根据收集到的新产品实时销售数据，动态地更新并判断新产品当前的畅平滞销售状态。
本发明的具体实施例中，假设数据分为n期，按照新产品前n期的平均销量在当季在售产品前n期平均销量中的排名，确定新产品目前的畅平滞状态，分为畅销、平销和滞销。
本发明的较佳的实施例中，步骤S6中，根据新产品的第二畅平滞状态，在历史生命周期因子库中匹配与其相同的第一畅平滞状态所对应的历史产品，采用一预设的相关系数匹配规则，将新产品在一预设时段内的销售数据与销售数据相关系数最高的历史产品的生命周期因子序列匹配给新产品，作为新产品的生命周期因子序列。
具体地，本发明的具体实施例中，按照新产品当前的畅平滞状态，在对应历史生命周期因子库所对应的历史产品中，采用相关系数匹配的方法，将新产品前n期销售数据与新产品前n期销售数据相关系数最高的历史产品的生命周期因子匹配给新产品，用于新产品n期之后需求预测的基准。
本发明的较佳的实施例中，基础生命周期预测公式如下：
Figure BDA0001874524480000121
具体地，根据拟合的生命周期因子与历史产品销量的实际数据的提升比例，采用GBDT机器学习的算法，生成一特征-增量回归模型，建立不同产品特征和不同活动特征到特征-增量系数的映射，以确定新产品特定产品特征和特定促销活动特征下，具体的销量提升比例。
本发明的较佳的实施例中，预测调整公式如下：
f2,n+j＝αn+j·f1,n+j；
其中，
Figure BDA0001874524480000122
其中，pi＝F(M,N)；
其中，F为特征-增量回归模型，M为新产品的产品特征，N为新产品的活动特征。
具体地，上述实施例中，根据新产品前n期实时销售数据以及匹配到的生命周期因子，采用基础生命周期预测公式计算得到新产品n期之后的基础生命周期预测值。然后再根据新产品活动计划，采用预测调整公式对基础生命周期预测值进行调整，得到新产品需求预测值。
本发明的具体实施例中，在此方法下测试得到的真实销售量与预测销售量的曲线如图7所示，预测数据较好地拟合了实际数据的走势以及波动，因此，本发明提供的方法进行的预测销售量结果具有较高的准确性。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种面向电商业务的时尚品需求预测方法，其特征在于，主要包括如下步骤：
步骤S1，收集历史产品的历史销售数据，并对所述历史产品的第一畅平滞状态进行判断；
步骤S2，对所述历史销售数据中的缺失值和异常值进行处理；
步骤S3，对所述历史销售数据进行平滑化处理；
步骤S4，对所述历史销售数据进行生命周期曲线拟合，生成一历史生命周期因子库；
步骤S5，收集新产品的实时销售数据，并对所述新产品的第二畅平滞状态动态地进行判断；
步骤S6，根据所述新产品当前的所述第二畅平滞状态，在所述历史生命周期因子库中匹配得到所述新产品的生命周期因子序列；
步骤S7，根据所述生命周期因子序列和一预设的基础生命周期预测公式，得到一基础生命周期预测值；
步骤S8，将多个所述历史产品的产品特征和活动特征分别关联于每个所述历史产品的销售增长量，建立特征-增量映射关系；
步骤S9，根据所述特征-增量映射关系，输入所述历史产品的产品特征和活动特征以及对应的所述销售增长量，生成一特征-增量回归模型；
步骤S10，根据所述新产品的产品特征、活动特征和所述特征-增量回归模型，得到一特征-增量系数；
步骤S11，根据所述特征-增量系数对所述新产品的所述基础生命周期预测值进行调整，生成一新产品需求预测值。
2.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述历史产品的第一畅平滞状态是根据所述历史产品在其对应的销售季的单位时间内的销量排名进行判定；所述第一畅平滞状态包括畅销状态、平销状态和滞销状态。
3.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S2具体包括：
步骤S21，对所述历史销售数据中的所述缺失值进行处理；
步骤S22，对所述历史销售数据进行生命周期曲线拟合；
步骤S23，根据一预设的阈值，判断所述历史销售数据中是否存在所述异常值；
若否，则转向步骤S25；
步骤S24，判定所述历史销售数据中存在所述异常值，并对所述异常值进行处理，再转向所述步骤S23；
步骤S25，判定所述历史销售数据中不存在所述异常值，转向所述步骤S3。
4.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S3具体包括：
步骤S31，判断所述历史销售数据是否存在一短期异常波动；
若否，则直接转向所述步骤S4；
步骤S32，采用线性插值法，对所述历史销售数据进行平滑化处理，再转向步骤S4。
5.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S4具体包括：
步骤S41，对所述历史销售数据进行归一化处理；
步骤S42，根据所述历史销售数据建立一多项式拟合函数，生成商品的生命周期因子序列；
步骤S43，将不同的所述历史产品的所述生命周期因子序列组成所述历史生命周期因子库。
6.如权利要求5所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S42中的所述多项式拟合函数如下：
Figure DEST_PATH_IMAGE002
。
7.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S5具体包括：
步骤S51，收集所述新产品的实时销售数据；
步骤S52，动态地更新并判断所述新产品当前的第二畅平滞销售状态；所述第二畅平滞状态包括畅销状态、平销状态和滞销状态。
8.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S6中，根据所述新产品的所述第二畅平滞状态，在所述历史生命周期因子库中匹配与其相同的所述第一畅平滞状态所对应的历史产品，采用一预设的相关系数匹配规则，将所述新产品在一预设时段内的销售数据与所述销售数据相关系数最高的所述历史产品的所述生命周期因子序列匹配给所述新产品，作为所述新产品的所述生命周期因子序列。
9.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述基础生命周期预测公式如下：
Figure DEST_PATH_IMAGE004
。
10.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S11中，采用下述公式对所述基础生命周期预测值进行调整：
Figure DEST_PATH_IMAGE006
；
其中，
Figure DEST_PATH_IMAGE008
；
其中，
Figure DEST_PATH_IMAGE010
；
其中，
Figure DEST_PATH_IMAGE012
为所述特征-增量回归模型，
Figure DEST_PATH_IMAGE014
为所述新产品的产品特征，
Figure DEST_PATH_IMAGE016
为所述新产品的活动特征。
CN201811393193.6A 2018-11-21 2018-11-21 一种面向电商业务的时尚品需求预测方法 Active CN109544233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811393193.6A CN109544233B (zh) 2018-11-21 2018-11-21 一种面向电商业务的时尚品需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811393193.6A CN109544233B (zh) 2018-11-21 2018-11-21 一种面向电商业务的时尚品需求预测方法

Publications (2)

Publication Number Publication Date
CN109544233A CN109544233A (zh) 2019-03-29
CN109544233B true CN109544233B (zh) 2022-12-27

Family

ID=65848965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811393193.6A Active CN109544233B (zh) 2018-11-21 2018-11-21 一种面向电商业务的时尚品需求预测方法

Country Status (1)

Country Link
CN (1) CN109544233B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833084A (zh) * 2019-04-17 2020-10-27 北京京东尚科信息技术有限公司 商品销售季节性的分析方法、装置与电子设备
CN110348635A (zh) * 2019-07-12 2019-10-18 创新奇智(成都)科技有限公司 基于端对端学习的智能补货方法、存储介质、系统及装置
CN110910169A (zh) * 2019-11-14 2020-03-24 上海新蕴力电子商务有限公司 一种电商目标管理系统
CN111178624B (zh) * 2019-12-26 2023-10-20 浙江大学 一种新产品需求预测的方法
CN111292126B (zh) * 2020-01-20 2021-03-23 拉扎斯网络科技（上海）有限公司 供需分析方法、装置、设备及可读存储介质
CN111833093A (zh) * 2020-05-29 2020-10-27 大数金科网络技术有限公司 钢铁智能促销系统
CN113159558A (zh) * 2021-04-15 2021-07-23 浙江工商职业技术学院 基于vr技术的跨境电商教学方法及装置
CN114444934A (zh) * 2022-01-27 2022-05-06 南京数族信息科技有限公司 一种企业销售周期性评价算法及其工具化应用
CN115796978A (zh) * 2022-11-11 2023-03-14 武汉小帆船电子商务有限公司 基于电子商务平台的爆款商品全周期监测方法
CN117952540A (zh) * 2023-12-15 2024-04-30 新元星宇数联通信技术有限公司 5g工业互联网一体化生产与供应链管理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256898A (zh) * 2017-12-26 2018-07-06 深圳索信达数据技术股份有限公司 一种产品销量预测方法、系统及存储介质
CN108537382A (zh) * 2018-04-09 2018-09-14 成都易商商盟数据服务有限公司 一种电商价格趋势预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110153386A1 (en) * 2009-12-22 2011-06-23 Edward Kim System and method for de-seasonalizing product demand based on multiple regression techniques

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256898A (zh) * 2017-12-26 2018-07-06 深圳索信达数据技术股份有限公司 一种产品销量预测方法、系统及存储介质
CN108537382A (zh) * 2018-04-09 2018-09-14 成都易商商盟数据服务有限公司 一种电商价格趋势预测方法及系统

Also Published As

Publication number Publication date
CN109544233A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109544233B (zh) 一种面向电商业务的时尚品需求预测方法
JP6134444B2 (ja) 情報を推薦するための方法およびシステム
Rasheed et al. Determinants of governance structure for the electronic value chain: Resource dependency and transaction costs perspectives
WO2016169100A1 (zh) 一种基于价格调整的电子支付方法、装置及系统
JP2005529412A (ja) 値下げ運用
US20150112762A1 (en) Optimization of product assortments
CN110544131A (zh) 一种数据驱动的电商用户购买行为预测方法
CN112613719A (zh) 一种熟食门店智能订货系统及方法
Onikoyi et al. Effect of Inventory Management Practices on Financial Performance of Larfage Wapco Plc. Nigeria
Chen et al. Optimal policies for the pricing and replenishment of fashion apparel considering the effect of fashion level
TWI807142B (zh) 交易風險控管系統與交易風險控管方法
CN110659946A (zh) 一种产品采购量分析方法
Teti et al. Ephemeral estimation of the value of art
KR101794936B1 (ko) 가중치를 이용한 수입 패션 상품 가격 책정 방법
CN115510329B (zh) 一种基于云计算大数据的品牌营销软件管理方法
RU2016107383A (ru) Система и способ вознаграждения за лояльность
CN115564498A (zh) 一种基于大数据多维模型经营决策支持系统
CN104463340A (zh) 互联网中的维克里拍卖多阶段调价优化系统及其优化方法
KR20240029504A (ko) 금융 서비스를 위한 데이터 이코노미 설정 방법 및 이러한 방법을 수행하는 장치
JP7177880B2 (ja) 商品品目の価格設定におけるエラー検知方法及びその検知システム
JP6085802B2 (ja) ユーザ購入挙動に基づいて不良商品を識別するための方法及びシステム
TWM587310U (zh) 金融商品之潛在購買客群篩選系統
JP6754283B2 (ja) 取引支援装置および取引支援方法
Wallace et al. A Better CPI
CN111833093A (zh) 钢铁智能促销系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Fashion Product Demand Prediction Method for E-commerce Business

Effective date of registration: 20231220

Granted publication date: 20221227

Pledgee: Zhejiang Tailong Commercial Bank Co.,Ltd. Shanghai Zhabei sub branch

Pledgor: SHANGHAI OIBP SUPPLY CHAIN MANAGEMENT CO.,LTD.

Registration number: Y2023310000896

PE01 Entry into force of the registration of the contract for pledge of patent right