CN109658141A - 商品销售预测方法、服务器及存储介质 - Google Patents
商品销售预测方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN109658141A CN109658141A CN201811520541.1A CN201811520541A CN109658141A CN 109658141 A CN109658141 A CN 109658141A CN 201811520541 A CN201811520541 A CN 201811520541A CN 109658141 A CN109658141 A CN 109658141A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- commodity
- amount
- money
- prediction
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1057—Benefits or employee welfare, e.g. insurance, holiday or retirement packages
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (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)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种商品销售预测方法、服务器及存储介质,所述商品销售预测方法包括:提取企业购买商品的历史数据和待预测的企业数据;根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练;利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额。本发明综合多个模型的预测结果得出最终的预测结果,提高了员工福利商品的预测准确度;本发明的方法能够预测每个企业购买商品的金额,使得员工福利商品所在平台在发展企业时能够做出更有效的决策,而且本发明的方法能够预测员工福利商品的销售总金额,使得员工福利商品所在平台对商品的运营等做出更有效的决策。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及员工福利技术领域,具体为一种商品销售预测方法、服务器及存储介质。
背景技术
员工福利商品指的是销售给企业,供企业发放给企业员工作为员工福利的商品。
企业给员工发放福利物品一般是一定范围内的员工享受相同的福利物品,企业的员工人数保持浮动(增加或者减少)。面向企业员工福利销售的商品,其企业客户数量保持不同程度地增长。
对于商品的销售额预测,目前的技术方案通常利用时间序列分析法。时间序列分析法是利用销售额与时间存在的相关关系,通过对历史销售额的分析来预测未来的销售额。对于面向企业员工福利销售的商品,由于其企业客户数量无规律增长以及企业员工数量无规律浮动的特点,其销售额与时间的相关关系没有固定的规律。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种商品销售预测方法、服务器及存储介质,用于解决现有技术中预测商品销售准确度低的问题。
为实现上述目的及其他相关目的,本发明提供一种商品销售预测方法,所述商品销售预测方法包括:提取企业购买商品的历史数据和待预测的企业数据;根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练;利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额。
于本发明的一实施例中,所述根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练包括:从所述历史数据中提取企业的人均购买金额;对所述历史数据中企业的人均购买金额进行分组,获取多个金额分组数据;根据所述多个金额分组数据对历史数据训练模型集中的每个预测模型进行训练。
于本发明的一实施例中,所述根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练中还包括:对提取的企业购买商品的历史数据和待预测的企业数据的缺失数据进行填充;对历史数据和待预测企业数据中的分类变量进行哑编码,并校准哑编码后的历史数据和待预测数据特征变量;对历史数据进行过采样。
于本发明的一实施例中,所述企业的人均购买金额的一种获取方式如下:其中:p表示企业的人均购买金额,t表示企业购买商品的总金额,n表示企业中购买商品的员工人数。
于本发明的一实施例中,利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额包括:计算所述历史数据中每个企业购买商品的员工人数占对应企业总人数的比例及比例的均值;根据所述历史数据中企业的特征数据对企业进行分组,并计算每个分组中购买商品的企业数目占分组总企业数目的比例均值;利用训练后的各预测模型预测企业购买商品的人均购买金额;根据所述企业购买商品的人均购买金额和所述每个企业购买商品的员工人数占对应企业总人数的比例及比例的均值预测企业购买商品的金额;根据预测的所述企业购买商品的金额和所述每个分组中购买商品的企业数目占分组总企业数目的比例均值获取商品的销售总金额。
于本发明的一实施例中,所述利用训练后的各预测模型预测企业购买商品的人均购买金额中,选取各预测模型预测的预测结果集中出现频次最多的人均购买金额作为最终的所述企业购买商品的人均购买金额。
于本发明的一实施例中,所述根据所述企业购买商品的人均购买金额和所述每个企业购买商品的员工人数占对应企业总人数的比例及比例的均值预测企业购买商品的金额的一种具体实现方式为:其中,gi为第i家企业购买商品的总金额,qi为预测的第i家企业的人均购买金额的组号,k为历史数据金额分组的步长,h为历史数据中金额的最小值,vi为第i家企业购买商品的员工数目占企业总员工数目的比例,ci为第i家企业的员工总数。
于本发明的一实施例中,所述根据预测的所述企业购买商品的金额和所述每个分组中购买商品的企业数目占分组总企业数目的比例均值获取商品的销售总金额的一种具体实现方式为:其中:r为所述每个分组中购买商品的企业数目占分组总企业数目的比例的均值,m为预测的商品的销售总金额,i,n为待预测企业的数量,其中,i=1,i∈[1,n]。
本发明的实施例还提供一种存储介质,存储有程序指令,所述程序指令被执行时实现如上所述的商品销售预测方法。
本发明的实施例还提供一种服务器,包括处理器和存储器,所述存储器存储有程序指令,所述处理器运行程序指令实现如上所述的商品销售预测方法。
如上所述,本发明的商品销售预测方法、服务器及存储介质具有以下有益效果:
1、本发明综合多个模型的预测结果得出最终的预测结果,提高了员工福利商品的预测准确度。
2、本发明的方法能够预测每个企业购买商品的金额,为员工福利商品所在平台提供了发展企业客户的成本收益比,使得员工福利商品所在平台在发展企业时能够做出更有效的决策,而且本发明的方法能够预测员工福利商品的销售总金额,使得员工福利商品所在平台对商品的运营等做出更有效的决策。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1显示为本发明的商品销售预测方法的整体流程示意图。
图2显示为本发明的商品销售预测方法中根据历史数据对历史数据训练模型集中的每个预测模型进行训练的流程示意图。
图3显示为本发明的商品销售预测方法中对数据预处理的流程示意图。
图4显示为本发明的商品销售预测方法中获取各企业购买商品的金额和商品的销售总金额的流程示意图。
元件标号说明
S110~S130 步骤
S121~S123 步骤
S1201~S1203 步骤
S131~S135 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1至图4。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
本实施例的目的在于提供一种商品销售预测方法、服务器及存储介质,用于解决现有技术中预测商品销售准确度低的问题。
以下将详细阐述本发明的商品销售预测方法、服务器及存储介质的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本发明的商品销售预测方法、服务器及存储介质。
具体地,如图1所示,本发明的实施例提供了一种商品销售预测方法,应用于存储介质中,所述商品销售预测方法包括以下步骤:
步骤S110,提取企业购买商品的历史数据和待预测的企业数据;
步骤S120,根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练;
步骤S130,利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额。
以下对本实施例的商品销售预测方法中的上述步骤S110至步骤S130进行详细说明。
步骤S110,提取企业购买商品的历史数据和待预测的企业数据。
具体地,提取企业购买商品的历史数据和待预测的企业数据中,历史数据包括企业的特征数据和企业的人均购买金额,待预测的企业数据仅包含企业的特征数据。
其中,于本实施例中,所述企业的人均购买金额的一种获取方式如下:其中:p表示企业的人均购买金额,t表示企业购买商品的总金额,n表示企业中购买商品的员工人数。
步骤S120,根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练。
具体地,如图2所示,于本实施例中,所述根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练包括:
步骤S121,从所述历史数据中提取企业的人均购买金额。
步骤S122,对所述历史数据中企业的人均购买金额进行分组,获取多个金额分组数据。
具体地,于本实施例中,对历史数据中购买商品的企业的人均购买金额分组,例如,设步长为k,k=50,最小金额为h,h=75,最大金额为s-1,s=901,则[h,h+k)为第一组,组号记为1,[h+k,h+2k)为第二组,组号记为2,以此类推,[s-k,s)为最后一组,组号记为q,把分组后的组号1,2,…q,代替其对应金额区间的金额;历史数据中没有购买商品的企业的人均购买金额划分为一组,组号为0,并用组号0填充对应的人均购买金额。
此外,如图3所示,于本实施例中,所述根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练中还包括:
步骤S1201,对提取的企业购买商品的历史数据和待预测的企业数据的缺失数据进行填充。
具体地,于本实施例中,对缺失数据采用众数填充。
步骤S1202,对历史数据和待预测企业数据中的分类变量进行哑编码,并校准哑编码后的历史数据和待预测数据特征变量。
其中,校准指的是仅保留历史数据和待预测数据中共有的特征变量。
步骤S1203,对历史数据进行过采样。
具体地,于本实施例中,使用SMOT(Synthetic Minority Over-SamplingTechnique)算法对历史数据进行采样,以避免预测结果偏差太大。
步骤S123,根据所述多个金额分组数据对历史数据训练模型集中的每个预测模型进行训练。
其中,对历史数据训练模型集中的每个预测模型进行训练中,所述模型集中的预测模型包括逻辑回归模型、k-近邻模型和随机森林模型等。
步骤S130,利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额。
具体地,如图4所示,于本实施例中,利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额包括:
步骤S131,计算所述历史数据中每个企业购买商品的员工人数占对应企业总人数的比例及比例均值。
具体地,例如,计算历史数据中每个企业购买商品的员工人数占对应企业总人数的比例,记为pi,计算历史数据中企业购买商品的员工人数占对应企业总人数的比例的均值,记为z。
步骤S132,根据所述历史数据中企业的特征数据对企业进行分组,并计算每个分组中购买商品的企业数目占分组总企业数目的比例及比例均值。
具体地,例如,按照企业的特征数据对企业进行分组,计算每个分组中购买商品的企业数目占分组总企业数目的比例,并计算每个分组购买商品企业占分组总企业数目的比例的均值r,该均值作为实际购买商品的企业数目占预测购买商品的企业总数的比例。
步骤S133,利用训练后的各预测模型预测企业购买商品的人均购买金额。
步骤S134,根据所述企业购买商品的人均购买金额和所述的每个企业购买商品的员工人数占对应企业总人数的比例及比例均值预测企业购买商品的金额。
步骤S135,根据预测的所述企业购买商品的金额和所述每个分组中购买商品的企业数目占分组总企业数目的比例均值获取商品的销售总金额。
具体地,于本实施例中,所述利用训练后的各预测模型预测企业购买商品的人均购买金额中,选取各预测模型预测的预测结果集中出现频次最多的人均购买金额作为最终的所述企业购买商品的人均购买金额。
具体地,使用训练后的模型集中的每个预测模型对第i个待预测的企业数据进行预测,预测结果即为所述待预测数据对应企业购买商品的人均购买金额,在模型集预测的预测结果集中,选择出现频次最多的作为对应待预测数据的预测结果,记为qi。
于本实施例中,所述根据所述企业购买商品的人均购买金额预测企业购买商品的金额的一种具体实现方式为:
其中,gi为第i家企业购买商品的总金额,qi为预测的第i家企业的人均购买金额的组号,k为历史数据金额分组的步长,h为历史数据中金额的最小值,vi为第i家企业购买商品的员工数目占企业总员工数目的比例,ci为第i家企业的员工总数。
计算待预测的企业数据中,每家企业购买商品的员工数目占企业总员工数目的比例,记为vi。如果企业曾经买过商品,则所述企业购买商品的员工数目占企业总员工数目的比例为历史数据中所述企业购买商品的员工人数占对应企业总人数的比例,即vi=pi;如果企业不曾买过商品,则所述企业购买商品的员工数目占企业总员工数目的比例为历史数据中企业购买商品的员工人数占对应企业总人数的比例的均值,即vi=z。
其中,于本实施例中,令i=1,i∈[1,n],i,n为待预测企业的数量,n为待预测数据的数量,也是待预测企业的数量。判断i=n是否成立,如果成立,则继续执行步骤S135,进行根据预测的所述企业购买商品的金额获取商品的销售总金额,否则,修改i的值,使得i=i+1,并返回继续执行步骤S133和步骤S134,重新执行根据所述企业购买商品的人均购买金额和所述的每个企业购买商品的员工人数占对应企业总人数的比例及比例均值预测企业购买商品的金额与根据预测的所述企业购买商品的金额和所述每个分组中购买商品的企业数目占分组总企业数目的比例均值获取商品的销售总金额,直至i=n成立,继续执行步骤S135。
具体地,于本实施例中,所述根据预测的所述企业购买商品的金额获取商品的销售总金额的一种具体实现方式为:
其中:r所述每个分组中购买商品的企业数目占分组总企业数目的比例的均值,m为预测的商品的销售总金额,i,n为待预测企业的数量,其中,i=1,i∈[1,n]。
本发明的实施例还提供一种存储介质,所述存储介质例如为存储器,存储器被配置为存储各种类型的数据以支持在设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,消息,图片等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),高速随机存取存储器,电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘等。
所述存储器存储有程序指令,所述程序指令被执行时实现如上所述的商品销售预测方法。上述已经对所述商品销售预测方法进行了详细说明,在此不再赘述。
本实施例还提供一种服务器,包括处理器和存储器,所述存储器存储有程序指令,所述处理器运行程序指令实现如上所述的商品销售预测方法。在此不再赘述上述商品销售预测方法中的步骤。
在示例性实施例中,所述服务器可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述商品销售预测方法。
综上所述,本发明综合多个模型的预测结果得出最终的预测结果,提高了员工福利商品的预测准确度;本发明的方法能够预测每个企业购买商品的金额,为员工福利商品所在平台提供了发展企业客户的成本收益比,使得员工福利商品所在平台发展企业能够做出更有效的决策,而且本发明的方法能够预测员工福利商品的销售总金额,使得员工福利商品所在平台对商品的运营等做出更有效的决策。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种商品销售预测方法,其特征在于,所述商品销售预测方法包括:
提取企业购买商品的历史数据和待预测的企业数据;
根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练;
利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额。
2.根据权利要求1所述的商品销售预测方法,其特征在于,所述根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练包括:
从所述历史数据中提取企业的人均购买金额;
对所述历史数据中企业的人均购买金额进行分组,获取多个金额分组数据;
根据所述多个金额分组数据对历史数据训练模型集中的每个预测模型进行训练。
3.根据权利要求2所述的商品销售预测方法,其特征在于,所述根据所述历史数据对历史数据训练模型集中的每个预测模型进行训练中还包括:
对提取的企业购买商品的历史数据和待预测的企业数据的缺失数据进行填充;
对历史数据和待预测企业数据中的分类变量进行哑编码,并校准哑编码后的历史数据和待预测数据特征变量;
对历史数据进行过采样。
4.根据权利要求2所述的商品销售预测方法,其特征在于,所述企业的人均购买金额的一种获取方式如下:
其中:p表示企业的人均购买金额,t表示企业购买商品的总金额,n表示企业中购买商品的员工人数。
5.根据权利要求1所述的商品销售预测方法,其特征在于,利用训练后的各预测模型对所述待预测的企业数据进行预测,获取各企业购买商品的金额和商品的销售总金额包括:
计算所述历史数据中每个企业购买商品的员工人数占对应企业总人数的比例及比例的均值;
根据所述历史数据中企业的特征数据对企业进行分组,并计算每个分组中购买商品的企业数目占分组总企业数目的比例均值;
利用训练后的各预测模型预测企业购买商品的人均购买金额;
根据所述企业购买商品的人均购买金额和所述每个企业购买商品的员工人数占对应企业总人数的比例及比例的均值预测企业购买商品的金额;
根据预测的所述企业购买商品的金额和所述每个分组中购买商品的企业数目占分组总企业数目的比例均值获取商品的销售总金额。
6.根据权利要求5所述的商品销售预测方法,其特征在于,所述利用训练后的各预测模型预测企业购买商品的人均购买金额中,选取各预测模型预测的预测结果集中出现频次最多的人均购买金额作为最终的所述企业购买商品的人均购买金额。
7.根据权利要求5所述的商品销售预测方法,其特征在于,所述根据所述企业购买商品的人均购买金额和所述每个企业购买商品的员工人数占对应企业总人数的比例及比例的均值预测企业购买商品的金额的一种具体实现方式为:
其中,gi为第i家企业购买商品的总金额,qi为预测的第i家企业的人均购买金额的组号,k为历史数据金额分组的步长,h为历史数据中金额的最小值,vi为第i家企业购买商品的员工数目占企业总员工数目的比例,ci为第i家企业的员工总数。
8.根据权利要求5所述的商品销售预测系统,其特征在于,所述根据预测的所述企业购买商品的金额和所述每个分组中购买商品的企业数目占分组总企业数目的比例均值获取商品的销售总金额的一种具体实现方式为:
其中:r为所述每个分组中购买商品的企业数目占分组总企业数目的比例的均值,m为预测的商品的销售总金额,i,n为待预测企业的数量,其中,i=1,i∈[1,n]。
9.一种存储介质,存储有程序指令,其特征在于,所述程序指令被执行时实现如权利要求1至权利要求8任一项所述的商品销售预测方法。
10.一种服务器,包括处理器和存储器,所述存储器存储有程序指令,其特征在于,所述处理器运行程序指令实现如权利要求1至权利要求8任一项所述的商品销售预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811520541.1A CN109658141A (zh) | 2018-12-12 | 2018-12-12 | 商品销售预测方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811520541.1A CN109658141A (zh) | 2018-12-12 | 2018-12-12 | 商品销售预测方法、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109658141A true CN109658141A (zh) | 2019-04-19 |
Family
ID=66114202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811520541.1A Pending CN109658141A (zh) | 2018-12-12 | 2018-12-12 | 商品销售预测方法、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658141A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258272A (zh) * | 2020-10-20 | 2021-01-22 | 中智关爱通(上海)科技股份有限公司 | 基于网站页面的交易内容管理方法、系统和可读存储介质 |
CN113657812A (zh) * | 2021-09-02 | 2021-11-16 | 谭维敏 | 一种基于大数据和算法的门店运营智慧决策的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392307A (zh) * | 2017-08-04 | 2017-11-24 | 电子科技大学 | 并行化时序数据的预测方法 |
JP2018005666A (ja) * | 2016-07-05 | 2018-01-11 | 株式会社神戸製鋼所 | 人材育成支援システム |
CN108109063A (zh) * | 2017-12-07 | 2018-06-01 | 上海点融信息科技有限责任公司 | 用于预测标签预测值的方法、装置和计算机可读存储介质 |
CN108648023A (zh) * | 2018-05-18 | 2018-10-12 | 上海电机学院 | 一种融合历史均值与提升树的商家客流量预测方法 |
-
2018
- 2018-12-12 CN CN201811520541.1A patent/CN109658141A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005666A (ja) * | 2016-07-05 | 2018-01-11 | 株式会社神戸製鋼所 | 人材育成支援システム |
CN107392307A (zh) * | 2017-08-04 | 2017-11-24 | 电子科技大学 | 并行化时序数据的预测方法 |
CN108109063A (zh) * | 2017-12-07 | 2018-06-01 | 上海点融信息科技有限责任公司 | 用于预测标签预测值的方法、装置和计算机可读存储介质 |
CN108648023A (zh) * | 2018-05-18 | 2018-10-12 | 上海电机学院 | 一种融合历史均值与提升树的商家客流量预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258272A (zh) * | 2020-10-20 | 2021-01-22 | 中智关爱通(上海)科技股份有限公司 | 基于网站页面的交易内容管理方法、系统和可读存储介质 |
CN113657812A (zh) * | 2021-09-02 | 2021-11-16 | 谭维敏 | 一种基于大数据和算法的门店运营智慧决策的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guchhait et al. | Two storage inventory model of a deteriorating item with variable demand under partial credit period | |
CN102890803B (zh) | 电子商品异常交易过程的确定方法及其装置 | |
CN109919684A (zh) | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 | |
CN107123004A (zh) | 商品动态定价数据处理方法和系统 | |
CN105205701A (zh) | 一种网络动态定价方法和系统 | |
WO2020143345A1 (zh) | 仓单质押的信贷风险监控方法及装置 | |
CN110414731A (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
Singh et al. | A global optimizing policy for decaying items with ramp-type demand rate under two-level trade credit financing taking account of preservation technology | |
Mittal et al. | Retailer's ordering policy for deteriorating imperfect quality items when demand and price are time-dependent under inflationary conditions and permissible delay in payments | |
Tsai et al. | Genetic algorithms for the investment of the mutual fund with global trend indicator | |
CN108256802B (zh) | 基于人群搜索算法的多供应商订单分配云处理方法 | |
CN110033372A (zh) | 一种优化交易成本的方法、系统及设备 | |
CN109658141A (zh) | 商品销售预测方法、服务器及存储介质 | |
CN115545757B (zh) | 一种用于电商交易主体的行为数据智能模拟方法 | |
CN106960266A (zh) | 一种预售物品的物流控制方法以及装置 | |
CN110490748A (zh) | 基于订单的项目推荐方法以及装置 | |
Ko | Dynamic patterns of dry bulk freight spot rates through the lens of a time-varying coefficient model | |
Makkonen et al. | Multi‐criteria decision support in the liberalized energy market | |
Shukla et al. | An inventory model for continuously deteriorating agri–fresh produce: an artificial immune system–based solution approach | |
Gao et al. | Big data analysis with momentum strategy on data-driven trading | |
CN107330726A (zh) | 基于自动拟合均值函数的泊松过程用户到店行为预测方法 | |
Singh et al. | Supply chain production model with preservation technology under fuzzy environment | |
Wang | Exploration on the Construction of Cross‐Border E‐Commerce Logistics System Using Deep Learning | |
CN111047354A (zh) | 一种分时定价的实现方法、装置、电子设备和存储介质 | |
Lisovska et al. | Competitive pricing model for R&D products transfer |
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: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |