CN109978628A - 一种改进传统零售行业货架摆放的方法 - Google Patents
一种改进传统零售行业货架摆放的方法 Download PDFInfo
- Publication number
- CN109978628A CN109978628A CN201910250990.7A CN201910250990A CN109978628A CN 109978628 A CN109978628 A CN 109978628A CN 201910250990 A CN201910250990 A CN 201910250990A CN 109978628 A CN109978628 A CN 109978628A
- Authority
- CN
- China
- Prior art keywords
- shop
- data
- retail industry
- traditional retail
- analysis
- 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
-
- 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
- G06Q30/0203—Market surveys; Market polls
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
本发明涉及机器学习技术领域,尤其涉及一种改进传统零售行业货架摆放的方法,包括以下步骤:步骤一,数据准备,需要店铺尽可能多的摆放数据;步骤二,模型算法,按照摆放的特殊需求、销量数据来生成最终的摆放布局图;步骤一包括店铺网络化、单元格内容、商品特性特征化,步骤二包括店铺摆放特殊需求、摆放历史经验分析、线上销售数据分析、模型训练及其优化;本发明所提供的技术方案能够有效克服现有技术所存在的不具有模型训练优化功能,导致智能化程度较低,数据更新频率更不上市场规律的变化,运营效率低下的缺陷。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种改进传统零售行业货架摆放的方法。
背景技术
随着社会经济的发展和智能化水平的提高,人们对机器学习的使用越来越多,人工智能技术成为社会研究的热点,越来越多的优化策略、智能算法都是通过机器学习来完成,传统的零售行业店面布局主要基于人力经验,具有很大的随意性,对于货品的摆放一些大型的连锁企业一般都是总部提出规划和意见,然后用CAD画图人工画出规划图,交由各个店铺去实施,但是这种人工绘图的方式缺乏稳定性和数据依据,费时费力,容易出错,更新频率跟不上市场规律的变化,难以实现千店千面,因此,研发一种改进传统零售行业货架摆放的方法是解决上述问题的关键所在。
在申请公布号为CN 104616131 A,申请公布日为2015.05.13的发明专利中公开了一种货架管理系统,包括,货架管理终端;货架管理终端将货架管理图像与本地货架管理图像相匹配,获取差异图像;根据差异图像生成本地货架摆放顺序序列信息;根据本地货架摆放顺序信息及货架管理图像,生成本地货架的图像的显示序列;根据显示序列对本地货架管理图像给予显示,解决了现有货架管理效率低问题,通过对货架商品的可视化,减低了操作者的操作难度,同时,终端可根据自身情况,随时更新货架信息,因此,不需要专人进行监管,降低了人力成本投入及管理难度。
但这种货架管理系统不具有模型训练优化功能,导致智能化程度较低,数据更新频率更不上市场规律的变化,运营效率低下。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种改进传统零售行业货架摆放的方法,能够有效克服现有技术所存在的不具有模型训练优化功能,导致智能化程度较低,数据更新频率更不上市场规律的变化,运营效率低下的缺陷。
(二)技术方案
为了实现上述目的,本发明通过以下技术方案予以实现:
一种改进传统零售行业货架摆放的方法,包括以下步骤:
步骤一,数据准备,需要店铺尽可能多的摆放数据;
步骤二,模型算法,按照摆放的特殊需求、销量数据来生成最终的摆放布局图。
优选的,所述步骤一包括店铺网络化、单元格内容、商品特性特征化。
优选的,所述单元格内容包括“/”、“&”、“:”,所述“/”表示物品分层信息,所述“&”表示不同物品类别,所述“:”表示物品摆放位置。
优选的,所述商品特性特征化包括服装名称、适合性别、上线日期、所属大品类、所属二级品类。
优选的,所述步骤二包括店铺摆放特殊需求、摆放历史经验分析、线上销售数据分析、模型训练及其优化。
优选的,所述店铺摆放特殊需求包括具体商品信息、摆放位置、重要程度。
优选的,所述摆放历史经验分析将分析数据准备阶段提供数字化的店铺摆放布局图并得出每个店铺每个单元格适合摆放物品特征分布的历史布局经验。
优选的,所述线上销售数据分析根据线上单位时间内每个单元格商品的销售数据进行优化和增加摆放历史分析阶段分析出来的不同店铺不同单元格适合摆放商品的特征分布。
优选的,所述模型训练及其优化以优化店铺利润最大化为目标,所述模型训练及其优化以深度强化学习为基准,所述模型训练及其优化以摆放特殊需求、摆放历史经验、线上销售数据分析出来的特征为训练数据来优化摆放方式。
(三)有益效果
与现有技术相比,本发明提供了一种改进传统零售行业货架摆放的方法,产生的有益效果为:结合人工智能、深度学习、强化学习得到实际检验的电商推荐算法并应用于传统的零售行业,应用了销售数据并且结合店铺固有规则,极大的提高了运营效率,做到了自动优化并且不断进化的店铺布局智能化,独创的店铺布局数字化方法,方便好操作,将模型训练优化、推荐系统、人工智能等高新技术落地到传统零售行业,使得数据更新频率可以跟上市场规律的变化,优化了行业效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明方法流程示意图;
图2为本发明步骤一的流程示意图;
图3为本发明步骤二的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
一种改进传统零售行业货架摆放的方法,如图1至图3所示,包括以下步骤:
步骤一,数据准备,需要店铺尽可能多的摆放数据;
步骤二,模型算法,按照摆放的特殊需求、销量数据来生成最终的摆放布局图。
具体的,步骤一包括店铺网络化、单元格内容、商品特性特征化;单元格内容包括“/”、“&”、“:”,所述“/”表示物品分层信息,“&”表示不同物品类别,“:”表示物品摆放位置;商品特性特征化包括服装名称、适合性别、上线日期、所属大品类、所属二级品类;步骤二包括店铺摆放特殊需求、摆放历史经验分析、线上销售数据分析、模型训练及其优化;店铺摆放特殊需求包括具体商品信息、摆放位置、重要程度;摆放历史经验分析将分析数据准备阶段提供数字化的店铺摆放布局图并得出每个店铺每个单元格适合摆放物品特征分布的历史布局经验;线上销售数据分析根据线上单位时间内每个单元格商品的销售数据进行优化和增加摆放历史分析阶段分析出来的不同店铺不同单元格适合摆放商品的特征分布;模型训练及其优化以优化店铺利润最大化为目标,所述模型训练及其优化以深度强化学习为基准,所述模型训练及其优化以摆放特殊需求、摆放历史经验、线上销售数据分析出来的特征为训练数据来优化摆放方式。
使用时,数据准备阶段,需要当前店铺尽可能多的摆放数据;店铺网格化,网格化化以最大程度还原店铺空间结构为原则来进行,其中单元格大小依照店铺实际情况来给的,尽量保证一个单元格只有一类物品;单元格内容,以某一正在实际应用的服装店为例,其中一个单元格内容为“女羽绒服/加绒外套&毛绒外套:高架”,斜线标识物品的分层信息,&标识单元格同一层摆放了不同类别物品,“:”的“高架”标识摆放商品的道具;商品特性特征化,还是以服装为例,例如“卫衣A1,男,2018/10/19,上衣/卫衣”,卫衣A1是服装名称,适合性别男,上线日期2018/10/19,所属大品类上衣,所属二级品类卫衣,特征标识所有商品;
模型算法,模型算法会按照摆放的特殊需求、销量数据来生成最终的摆放布局图;店铺摆放特殊需求,特殊需求也已表格形式给出,举例,以“毛衣,中岛,1”形式给出,其中毛衣是具体的商品,中岛是摆放位置,1是重要程度,程度越高,执行力度越强;摆放历史经验分析,分析数据准备阶段提供的数字化的店铺摆放布局图,得出每个店铺每个单元格适合摆放物品特征分布的历史布局经验;线上销售数据分析,根据线上单位时间内每个单元格商品的销售数据,优化和增加摆放历史分析阶段分析出来的不同店铺不同单元格适合摆放商品的特征分布;模型训练及其优化,模型以优化店铺利润最大化为目标,以深度强化学习为基准,以摆放特殊需求、摆放历史经验、线上销售数据分析出来的特征为训练数据,并且在模型中增加注意力机制,其中注意力机制主要体现具体单元格特征和衣服特征的关联程度,深度模型用于学习特征之间的线性或者非线性关系,强化学习主要用于探索未知的模式,发现更加优化的摆放方式,模型最后会算出每件商品摆在某一单元格上的概率,依照匹配概率排序,选择概率最大的摆放在单元格上,重复以上过程,最终摆满整个店铺。
本发明提供了一种改进传统零售行业货架摆放的方法,产生的有益效果为:结合人工智能、深度学习、强化学习得到实际检验的电商推荐算法并应用于传统的零售行业,应用了销售数据并且结合店铺固有规则,极大的提高了运营效率,做到了自动优化并且不断进化的店铺布局智能化,独创的店铺布局数字化方法,方便好操作,将模型训练优化、推荐系统、人工智能等高新技术落地到传统零售行业,使得数据更新频率可以跟上市场规律的变化,优化了行业效率。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种改进传统零售行业货架摆放的方法,其特征在于:包括以下步骤:
步骤一,数据准备,需要店铺尽可能多的摆放数据;
步骤二,模型算法,按照摆放的特殊需求、销量数据来生成最终的摆放布局图。
2.根据权利要求1所述的改进传统零售行业货架摆放的方法,其特征在于:所述步骤一包括店铺网络化、单元格内容、商品特性特征化。
3.根据权利要求2所述的改进传统零售行业货架摆放的方法,其特征在于:所述单元格内容包括“/”、“&”、“:”,所述“/”表示物品分层信息,所述“&”表示不同物品类别,所述“:”表示物品摆放位置。
4.根据权利要求2所述的改进传统零售行业货架摆放的方法,其特征在于:所述商品特性特征化包括服装名称、适合性别、上线日期、所属大品类、所属二级品类。
5.根据权利要求1所述的改进传统零售行业货架摆放的方法,其特征在于:所述步骤二包括店铺摆放特殊需求、摆放历史经验分析、线上销售数据分析、模型训练及其优化。
6.根据权利要求5所述的改进传统零售行业货架摆放的方法,其特征在于:所述店铺摆放特殊需求包括具体商品信息、摆放位置、重要程度。
7.根据权利要求5所述的改进传统零售行业货架摆放的方法,其特征在于:所述摆放历史经验分析将分析数据准备阶段提供数字化的店铺摆放布局图并得出每个店铺每个单元格适合摆放物品特征分布的历史布局经验。
8.根据权利要求5所述的改进传统零售行业货架摆放的方法,其特征在于:所述线上销售数据分析根据线上单位时间内每个单元格商品的销售数据进行优化和增加摆放历史分析阶段分析出来的不同店铺不同单元格适合摆放商品的特征分布。
9.根据权利要求5所述的改进传统零售行业货架摆放的方法,其特征在于:所述模型训练及其优化以优化店铺利润最大化为目标,所述模型训练及其优化以深度强化学习为基准,所述模型训练及其优化以摆放特殊需求、摆放历史经验、线上销售数据分析出来的特征为训练数据来优化摆放方式。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250990.7A CN109978628A (zh) | 2019-03-29 | 2019-03-29 | 一种改进传统零售行业货架摆放的方法 |
PCT/CN2020/080718 WO2020199962A1 (zh) | 2019-03-29 | 2020-03-23 | 改进传统零售行业货架摆放的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250990.7A CN109978628A (zh) | 2019-03-29 | 2019-03-29 | 一种改进传统零售行业货架摆放的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978628A true CN109978628A (zh) | 2019-07-05 |
Family
ID=67081822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910250990.7A Pending CN109978628A (zh) | 2019-03-29 | 2019-03-29 | 一种改进传统零售行业货架摆放的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109978628A (zh) |
WO (1) | WO2020199962A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047396A (zh) * | 2019-11-25 | 2020-04-21 | 多点(深圳)数字科技有限公司 | 数字化陈列方法、装置、电子设备和计算机可读存储介质 |
WO2020199962A1 (zh) * | 2019-03-29 | 2020-10-08 | 时时同云科技(成都)有限责任公司 | 改进传统零售行业货架摆放的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007148248A2 (en) * | 2006-06-19 | 2007-12-27 | Kimberly-Clark Worldwide, Inc. | System for designing shopping environments |
CN108776826A (zh) * | 2018-04-24 | 2018-11-09 | 石狮市森科智能科技有限公司 | 一种基于神经网络算法的rfid智能数字服装货架系统 |
CN109102177A (zh) * | 2018-07-26 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 云货架的处理方法、装置及设备 |
CN109255569A (zh) * | 2018-08-24 | 2019-01-22 | 北京极智嘉科技有限公司 | 库内理货方法、装置、服务器和存储介质 |
CN109308630A (zh) * | 2018-08-09 | 2019-02-05 | 虫极科技(北京)有限公司 | 一种智能货柜及其商品陈列方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7734495B2 (en) * | 2002-04-23 | 2010-06-08 | Kimberly-Clark Worldwide, Inc. | Methods and system for allocating shelf space |
CN103426103A (zh) * | 2013-08-02 | 2013-12-04 | 苏州两江科技有限公司 | 超市市场价值地图构建方法 |
CN103455874B (zh) * | 2013-08-02 | 2016-08-24 | 苏州两江科技有限公司 | 基于货架价值地图的超市货架陈列方法 |
CN108230086B (zh) * | 2017-11-30 | 2022-05-20 | 广东数相智能科技有限公司 | 一种商品售卖调整的方法及存储介质 |
CN108288182A (zh) * | 2018-02-12 | 2018-07-17 | 安徽千云度信息技术有限公司 | 基于大数据的超市商品管理系统及方法 |
CN109978628A (zh) * | 2019-03-29 | 2019-07-05 | 客如云科技(成都)有限责任公司 | 一种改进传统零售行业货架摆放的方法 |
-
2019
- 2019-03-29 CN CN201910250990.7A patent/CN109978628A/zh active Pending
-
2020
- 2020-03-23 WO PCT/CN2020/080718 patent/WO2020199962A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007148248A2 (en) * | 2006-06-19 | 2007-12-27 | Kimberly-Clark Worldwide, Inc. | System for designing shopping environments |
CN108776826A (zh) * | 2018-04-24 | 2018-11-09 | 石狮市森科智能科技有限公司 | 一种基于神经网络算法的rfid智能数字服装货架系统 |
CN109102177A (zh) * | 2018-07-26 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 云货架的处理方法、装置及设备 |
CN109308630A (zh) * | 2018-08-09 | 2019-02-05 | 虫极科技(北京)有限公司 | 一种智能货柜及其商品陈列方法 |
CN109255569A (zh) * | 2018-08-24 | 2019-01-22 | 北京极智嘉科技有限公司 | 库内理货方法、装置、服务器和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199962A1 (zh) * | 2019-03-29 | 2020-10-08 | 时时同云科技(成都)有限责任公司 | 改进传统零售行业货架摆放的方法 |
CN111047396A (zh) * | 2019-11-25 | 2020-04-21 | 多点(深圳)数字科技有限公司 | 数字化陈列方法、装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020199962A1 (zh) | 2020-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053257A (zh) | 一种大数据用户运营金字塔体系的建立方法及应用系统 | |
CN109087140A (zh) | 一种基于spark大数据的闭环目标客户识别方法 | |
Lee et al. | Suitable organization forms for knowledge management to attain sustainable competitive advantage in the renewable energy industry | |
CN109978628A (zh) | 一种改进传统零售行业货架摆放的方法 | |
Wibowo et al. | A fuzzy rule-based approach for screening international distribution centres | |
Tay et al. | A preliminary test of Hunt's General Theory of Competition: using artificial adaptive agents to study complex and ill-defined environments | |
Ko | An intelligent, empty container dispatching system model using fuzzy set theory and genetic algorithm in the context of industry 4.0 | |
Yada et al. | Is this brand ephemeral? A multivariate tree-based decision analysis of new product sustainability | |
CN111680837A (zh) | 一种竞争环境下的多场景多商品连锁便利店选址优化方法 | |
Yue | Statistical analysis of chain company employee performance based on SOM neural network and fuzzy model | |
Batlajery et al. | Development Strategy of Noken Product on Local Community in Sota Merauke | |
Zhao | Analysis of museum cultural creation from the perspective of cultural industry | |
Peng et al. | Analysis of marketing prediction model based on genetic neural network: Taking clothing marketing as an example | |
Niu | Research on E‐Commerce Customer Feature Extraction Question Answering System Based on Artificial Intelligence Semantic Analysis | |
Yang et al. | A framework for recommender system based on game theory in social networks | |
Fang et al. | Passive public participation mechanism for construction project decision based on mobile internet | |
Zhai | Innovation and Research of Digital Artwork Design Based on Big Data and Integrated Media | |
Karalök et al. | An Application in SPSS Clementine Based on the Comparison of Association Algorithms in Data Mining | |
Zhang et al. | Decision analysis of advertising and price for bilateral competing supply chain | |
CN108647861A (zh) | 一种基于潜类选择模型的用电客户区分方法 | |
Jeyarangani et al. | Regressor Based Supermarket Sales Prediction Using Time Series Data | |
CN106503096A (zh) | 基于分布式防噪声干扰的社交网络推荐方法及系统 | |
Chu et al. | Artificial Intelligence and China’s Labor Market | |
Liu et al. | Layout design-based research on optimization and assessment method for shipbuilding workshop | |
Vennila et al. | Multi-level group key management technique for multicast security in Manet |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190924 Address after: 610000 Sichuan Province Chengdu High-tech Zone Tianfu Avenue Middle Section 1268 1 Building 4 Floor 24 Applicant after: Shishi Tongyun Technology (Chengdu) Co., Ltd. Address before: 610000 Chengdu China (Sichuan) Free Trade Pilot Area, Chengdu, Sichuan Province, 1268 Tianfu Avenue Middle Section, Chengdu High-tech Zone, 1 Building, 3 Floors, 18-21 Applicant before: Keruyun Technology (Chengdu) Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |