CN109993566A - 一种预测产品目标数据的方法和装置 - Google Patents

一种预测产品目标数据的方法和装置 Download PDF

Info

Publication number
CN109993566A
CN109993566A CN201810004237.5A CN201810004237A CN109993566A CN 109993566 A CN109993566 A CN 109993566A CN 201810004237 A CN201810004237 A CN 201810004237A CN 109993566 A CN109993566 A CN 109993566A
Authority
CN
China
Prior art keywords
product
data
predicted
sample
focused
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
Application number
CN201810004237.5A
Other languages
English (en)
Inventor
韦于思
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.)
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810004237.5A priority Critical patent/CN109993566A/zh
Publication of CN109993566A publication Critical patent/CN109993566A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0202Market predictions or forecasting for commercial activities

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

本发明公开了一种预测产品目标数据的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据产品关键词获取第一预设时间段内待预测产品的关注数据;计算所述待预测产品的关注数据的变化率;将包括所述待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子,确定出待预测产品的预测目标数据。该实施方式基于产品的关注程度以及模型训练更加精准度的预测出产品的目标数据,避免了现有技术中依据人员的主观判断对产品目标数据进行预测。而且,还能够将用于预测的特征因子作为经验积累在算法服务器中,为更多的采购人员提供服务。

Description

一种预测产品目标数据的方法和装置
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据预测产品目标数据的方法和装置。
背景技术
在很多情况下,都需要对产品的目标数据进行预测,例如在制定产品采购或生产计划时,都需要对该产品的销售量这一目标数据进行预测,然后依据该预测销售量制定出合理的生产计划或采购计划。现有技术中,对于产品销售量的预测,主要凭借工作人员积累的经验或者依据品牌知名度、市场口碑、相关历史产品销量等相关数据分析来进行预测,而且不会考虑互联网关注度对产品销售的影响。对于很多产品尤其是新上线的产品,其没有相关的数据,此时完全是通过人员的主观判断来对该产品的销售量进行预测,这种预测方法不仅不准确,而且往往会出现拿捏不准市场热度的状况,进而导致预测的不准确性以及制定计划不当。并且,由于人员经验无法形成积累,还存在会随着人员的流动而损失的问题。
发明内容
有鉴于此,本发明实施例提供一种预测产品目标数据的方法和装置,能够基于互联网关注程度以及模型训练更加精准度的预测出产品的目标数据,还能够使用于预测的特征因子作为经验积累在算法服务器中,为更多的采购人员提供服务。
为实现上述目的,根据本发明实施例的一个方面,提供了一种预测产品目标数据的方法。
本发明实施例的预测产品目标数据的方法包括:根据产品关键词获取第一预设时间段内待预测产品的关注数据;计算所述待预测产品的关注数据的变化率;将包括所述待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子,确定出待预测产品的预测目标数据。
可选地,所述关注数据包括被搜索次数和搜索相关结果数。
可选地,在根据产品关键词获取第一预设时间段内待预测产品的关注数据之前,还包括:根据训练数据和神经网络模型训练出预测模型;其中,训练数据包括:样本产品的关注数据以及其变化率、所述平均售价和平均销量;所述样本产品为根据待预测产品确定的。
可选地,在根据训练数据和神经网络模型训练出预测模型之前,还包括:根据产品关键词获取第二预设时间段内样本产品的关注数据,以及样本产品的售价信息和目标数据信息;计算所述样本产品的关注数据的变化率,并且根据所述售价信息和目标数据信息计算出样本产品在第三预设时间段内的平均售价和平均销量。
可选地,在根据产品关键词获取第二预设时间段内样本产品的关注数据之前,还包括:根据待预测产品确定产品集合;获取产品集合中产品的定价信息和售价信息;选取定价信息和售价信息相同的产品为样本产品;以及所述特征数据还包括待预测产品的定价信息。
可选地,所述神经网络模型为随机森林模型。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种预测产品目标数据的装置。
本发明实施例的预测产品目标数据的装置包括:获取模块,用于根据产品关键词获取第一预设时间段内待预测产品的关注数据;计算模块,用于计算所述待预测产品的关注数据的变化率;确定模块,用于将包括所述待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子确定出待预测产品的预测目标数据。
可选地,还包括模型训练模块,用于根据训练数据和神经网络模型训练出预测模型;其中,训练数据包括:样本产品的关注数据以及其变化率、所述样本产品的平均售价和平均销量;所述样本产品为根据待预测产品确定的。
可选地,所述获取模块还用于,根据产品关键词获取第二预设时间段内样本产品的关注数据,以及样本产品的售价信息和目标数据信息;所述计算模块还用于,计算所述样本产品的关注数据的变化率,并且根据所述售价信息和目标数据信息计算出样本产品在第三预设时间段内的平均售价和平均销量。
可选地,所述获取模块还用于,根据待预测产品确定产品集合;获取产品集合中产品的定价信息和售价信息,以及获取待预测产品的定价信息;所述模型训练模块还用于,选取定价信息和售价信息相同的产品为样本产品。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种预测产品目标数据的电子设备。
本发明实施例的预测产品目标数据的电子设备包括: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上述任一项的预测产品目标数据的方法。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种计算机可读介质,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上述任一项的预测产品目标数据的方法。
上述发明中的一个实施例具有如下优点或有益效果:根据获取到待预测产品的关注数据以及该关注数据的趋势变化作为特征数据,在不断的学习中使预测结果越来越准确,为采购人员在制定计划时提供更为可靠的依据。尤其针对全新的产品,其没有历史销售数据以及品牌知名度,所以人员很难根据自己的主管判断对该新品的目标数据进行精准的预测。则通过本技术方案,可基于互联网关注程度以及模型训练,使得预测的精准度更高。并能使这种依据作为经验积累在算法服务器中,为更多的采购人员提供服务。
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预测产品目标数据的方法的主要流程的示意图;
图2是根据本发明实施例的训练预测模型的示意图;
图3是根据本发明实施例预测产品目标数据的装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
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1是根据本发明实施例的预测产品目标数据的方法的主要流程的示意图,如图1所示,本发明实施例的预测产品目标数据的方法主要包括:
步骤S101:根据产品关键词获取第一预设时间段内待预测产品的关注数据。其中,关注数据指的是能反映产品在互联网平台上的关注度的数据,在本发明实施例中,其包括被搜索次数和搜索相关结果数。产品关键词为根据测试需求设置的,或者根据预测需求和待预测产品自动生成的,可以为产品的名称或者产品品牌等。以及互联网平台为基于互联网服务为用户提供信息查询与交互的平台,包括百度、新浪、网易、优酷和知乎等。被搜索次数为用户在互联网平台上关于该产品的搜索次数,搜索相关结果数为互联网平台关于该产品显示的结果数据,而且可通过互联网平台的搜索工具进行统计获取。获取到的被搜索次数可以为每天的被搜索次数,相对应的搜索相关结果数为每天中搜索相关结果数;如果获取到的被搜索次数可以为每周的被搜索次数,相对应的搜索相关结果数为每周中搜索相关结果数。通过获取第一预设时间段内待预测产品的关注数据,尤其是产品在互联网平台上的关注数据,可反映出该待预测产品在市场上的热度,基于该待预测产品的市场热度,则能更精准的预测出产品的目标数据。
步骤S102:计算待预测产品的关注数据的变化率。例如,第一预设时间段为当前日期之前的30天,产品关键词设置为产品名称,通过该产品名称获取其在百度和新浪上这30天中每天的被搜索次数以及搜索相关结果数。进而,在计算待预测产品的关注数据的变化率时,除第一天以外,计算每天的被搜索次数相较于其前一天被搜索次数的变化率,以及每天的搜索相关结果数相较于其前一天搜索相关结果数的变化率。
步骤S103:将包括待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子确定出待预测产品的预测目标数据。
在训练预测模型的过程中,根据训练数据和神经网络模型训练出预测模型;其中,训练数据至少包括样本产品的关注数据以及其变化率、平均售价、平均销量和样本产品的品牌,并且该样本产品为根据待预测产品确定的。在获取训练数据的过程中,根据产品关键词获取第二预设时间段内样本产品的关注数据,以及样本产品的售价信息和目标数据信息;计算样本产品的关注数据的变化率,并且根据售价信息和目标数据信息计算出样本产品在第三预设时间段内的平均售价和平均销量。将获取到的样本产品的关注数据以及其变化率、平均售价、平均销量和样本产品的品牌输入随机森林模型进行训练以得到预测模型。在一定程度上,产品的品牌会影响产品的目标数据,所以在本发明实施例中,同时将产品的品牌作为训练数据,使得训练的预测模型能够更准确的预测出产品的目标数据。
因为价格是决定产品销量的关键指标,如果训练数据中发售前价格与发售后不一致,则训练数据中的其他指标与价格无法形成关联,会降低模型精度。所以,在选择样本产品的时,获取产品集合中产品的定价信息和售价信息;选取定价信息和售价信息相同的产品为样本产品;以及特征数据还包括待预测产品的定价信息。该产品集合为根据待预测产品确定的,则训练所得的预测模型能更为精确的测出待预测产品的目标数据。其中,定价信息为产品在进行正式销售前设置的价格,售价信息为产品正式上线后出售的价格。
根据本发明实施例的技术方案,根据获取到待预测产品的关注数据以及该关注数据的趋势变化作为特征,通过时间序列数据分析产品在互联网平台的关注程度、定价信息与目标数据量之间的规律,在不断的学习中使预测结果越来越准确,为采购人员在制定计划时提供更为可靠的依据。尤其针对全新的产品,其没有历史销售数据以及品牌知名度,所以人员很难根据自己的主管判断对该新品的目标数据进行精准的预测。则通过本技术方案,可基于互联网关注程度以及模型训练,使得预测的精准度更高。并能使这种依据作为经验积累在算法服务器中,为更多的采购人员提供服务。并且本发明实施例的技术方案简单易行,便于实施,对实际操作有借鉴性。
图2是根据本发明实施例的训练预测模型的示意图,以预测商品的销售量为例说明,如图2所示,本发明实施例的训练预测模型的步骤包括:
步骤S201:选取样本商品。在该步骤中,首先获取商品集合中所有商品的定价信息和售价信息,选取价格在发售日前后一致的商品为样本商品,而且为了能获取一段时间内样本商品的平均售价和平均销量,选取的样本商品的发售日距离用户需求日期至少一个月,例如,用户需要在6月5日进行采购,选取样本商品的发售日至少在5月5日之前。
步骤S202:获取样本商品的关注数据。在本实施例中,获取当前日期前一个月内样本商品在互联网平台的百度和新浪微博中的关注数据:商品关键词在百度热点中显示的每日被搜索次数,商品关键词在新浪微博指数中显示的每日被搜索次数,商品关键词在百度搜索中每日搜索相关结果数,商品关键词在新浪微博中每日搜索相关结果数。上述关注数据可称为信息集A。对于商品关键词在百度搜索中每日搜索相关结果数,可通过在百度搜索结果页面点选“搜索工具”后,在每条结果前展示的日期进行统计。对于商品关键词在新浪微博中每日搜索相关结果数,可通过微博搜索结果下方的日期进行统计。
步骤S203:计算样本商品的关注数据的变化率。对于信息集A中的每项关注数据,计算其变化率,获得信息集B,信息集B中包括每项关注数据的变化率,该变化率可用小数表示,变化率为正表示增长,变化率为负表示下降。
将信息集A和信息集B合并输入到用于训练模型的数据表,表字段包括:
倒数第1日百度搜索次数
倒数第1日新浪搜索次数
倒数第1日百度搜索相关结果数
倒数第1日新浪搜索相关结果数
倒数第2日百度搜索次数
倒数第2日新浪搜索次数
倒数第2日百度搜索相关结果数
倒数第2日新浪搜索相关结果数
倒数第2日相较于倒数第1日百度搜索次数的变化率
倒数第2日相较于倒数第1日新浪搜索次数的变化率
倒数第2日相较于倒数第1日百度搜索相关结果数的变化率
倒数第2日相较于倒数第1日新浪搜索相关结果数的变化率
倒数第3日百度搜索次数
倒数第3日新浪搜索次数
倒数第3日百度搜索相关结果数
倒数第3日新浪搜索相关结果数
倒数第3日相较于倒数第2日百度搜索次数的变化率
倒数第3日相较于倒数第2日新浪搜索次数的变化率
倒数第3日相较于倒数第2日百度搜索相关结果数的变化率
倒数第3日相较于倒数第2日新浪搜索相关结果数的变化率
倒数第31日百度搜索次数
倒数第31日新浪搜索次数
倒数第31日百度搜索相关结果数
倒数第31日新浪搜索相关结果数
倒数第31日相较于倒数第30日百度搜索次数的变化率
倒数第31日相较于倒数第30日新浪搜索次数的变化率
倒数第31日相较于倒数第30日百度搜索相关结果数的变化率
倒数第31日相较于倒数第30日新浪搜索相关结果数的变化率
步骤S204:计算样本商品的平均售价和平均销量。根据样本数据的售价信息和销售历史数据,计算出样本商品在发售后m天内的平均售价与平均销量,其中m可根据预测需求进行设置,例如m为第1次采购与第2次采购的间隔天数。
步骤S205:将获取到的训练数据输入随机森林模型得到预测模型。通过上述过程获取到信息集A、信息集B以及平均售价和平均销量的数据之后,获取其他影响商品销售量的训练数据,例如样本商品品牌等。
其中训练数据中的“平均销量”字段为因变量,训练数据中的其余字段全部为自变量。将训练数据输入随机森林模型进行建模。因为随机森林由多颗决策树组成,所以可从决策树角度描述建模过程。首先通过有放回的抽取训练数据组成的数据表中的列数据建立用于模型训练的一份以上的数据集,本发明实施例为50份。每个子数据集由随机从训练数据组成的数据表中抽取的列数据重新组合而成,各子数据集字段数量约为源表10%~90%不等。利用生成的子数据集构建多颗决策树,每份数据集构建一颗决策树,树中各节点分别表示商品在互联网平台中每天受关注程度的变化,每个叶结点代表发售后m天内的平均销量,从根节点到该叶节点的路径代表了某新品收到互联网关注程度的变化与对应的平均销量。
预测模型训练完成后,根据该预测模型所需的因子获取待预测商品的特征数据。在本发明实施例中,待预测商品的特征数据包括在关注数据以及该关注数据的变化率、待预测商品的定价信息、待预测商品的品牌等,以及关注数据包括被搜索次数和搜索相关结果数。获取到待预测商品的特征数据之后,将所述特征数据作为预测模型的因子,确定出待预设商品的预测销售量。
图3是根据本发明实施例预测产品目标数据的装置的主要模块的示意图,如图3所示,本发明实施例预测产品目标数据的装置300包括获取模块301、计算模块302和确定模块303。
获取模块301用于,根据产品关键词获取第一预设时间段内待预测产品的关注数据。
计算模块302用于,计算待预测产品的关注数据的变化率。
确定模块303用于,将包括待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子确定出待预测产品的预测目标数据。
本发明实施例预测产品目标数据的装置还包括模型训练模块,用于根据训练数据和神经网络模型训练出预测模型;其中,训练数据包括:样本产品的关注数据以及其变化率、样本产品的平均售价和平均销量,样本产品为根据待预测产品确定的。获取模块还用于,根据产品关键词获取第二预设时间段内样本产品的关注数据,以及样本产品的售价信息和目标数据信息;计算模块还用于,计算样本产品的关注数据的变化率,并且根据售价信息和目标数据信息计算出样本产品在第三预设时间段内的平均售价和平均销量。获取模块还用于,根据待预测产品确定产品集合;获取产品集合中产品的定价信息和售价信息,以及获取待预测产品的定价信息;模型训练模块还用于,选取定价信息和售价信息相同的产品为样本产品。
获取模块301根据产品关键词获取第一预设时间段内待预测产品的关注数据。其中,关注数据指的是能反映产品在互联网平台上的关注度的数据,在本发明实施例中,其包括被搜索次数和搜索相关结果数。通过获取第一预设时间段内待预测产品的关注数据,可反映出该待预测产品在市场上的热度,基于该待预测产品的市场热度,则能更精准的预测出产品的目标数据。
计算模块302计算待预测产品的关注数据的变化率。例如,第一预设时间段为当前日期之前的30天,产品关键词设置为产品名称,通过该产品名称获取其在百度和新浪上这30天中每天的被搜索次数以及搜索相关结果数。进而,在计算待预测产品的关注数据的变化率时,除第一天以外,计算每天的被搜索次数相较于其前一天被搜索次数的变化率,以及每天的搜索相关结果数相较于其前一天搜索相关结果数的变化率。
确定模块303将包括待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子确定出待预测产品的预测目标数据。
模型训练模块根据训练数据和神经网络模型训练出预测模型,其中,训练数据至少包括样本产品的关注数据以及其变化率、平均售价、平均销量和样本产品的品牌。获取模块301在获取训练数据的过程中,根据产品关键词获取第二预设时间段内样本产品的关注数据,以及样本产品的售价信息和目标数据信息。计算模块302计算样本产品的关注数据的变化率,并且根据售价信息和目标数据信息计算出样本产品在第三预设时间段内的平均售价和平均销量。模型训练模块将获取到的样本产品的关注数据以及其变化率、平均售价、平均销量和样本产品的品牌输入随机森林模型进行训练以得到预测模型。在一定程度上,产品的品牌会影响产品的目标数据,所以在本发明实施例中,同时将产品的品牌作为训练数据,使得训练的预测模型能够更准确的预测出产品的目标数据。因为价格是决定产品销量的关键指标,如果训练数据中发售前价格与发售后不一致,则训练数据中的其他指标与价格无法形成关联,会降低模型精度。所以,在选择样本产品的时,获取产品集合中产品的定价信息和售价信息;选取定价信息和售价信息相同的产品为样本产品;以及特征数据还包括待预测产品的定价信息。其中,定价信息为产品在进行正式销售前设置的价格,售价信息为产品正式上线后出售的价格。
根据本发明实施例的技术方案,根据获取到待预测产品的关注数据以及该关注数据的趋势变化作为特征,通过时间序列数据分析产品在互联网平台的关注程度、定价信息与目标数据量之间的规律,在不断的学习中使预测结果越来越准确,为采购人员在制定采购计划时提供更为可靠的依据。并能使这种依据作为经验积累在算法服务器中,为更多的采购人员提供服务。
图4示出了可以应用本发明实施例的预测产品目标数据的方法或预测产品目标数据的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的预测产品目标数据的方法一般由服务器405执行,相应地,预测产品目标数据的装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;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507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
特别地,根据本发明公开的实施例,上文参考流程图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509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明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。在本发明中,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。而在本发明中,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,图示了按照本发明各种实施例的系统、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。
描述于本发明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:一种处理器包括获取模块、计算模块和确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“根据产品关键词获取第一预设时间段内待预测产品的关注数据的模块”。
作为另一方面,本发明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:根据产品关键词获取第一预设时间段内待预测产品的关注数据;计算所述待预测产品的关注数据的变化率;将包括所述待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子,确定出待预测产品的预测目标数据。
根据本发明实施例的技术方案,根据获取到待预测产品的关注数据以及该关注数据的趋势变化作为特征,通过时间序列数据分析产品在互联网平台的关注程度、定价信息与目标数据量之间的规律,在不断的学习中使预测结果越来越准确,为采购人员在制定采购计划时提供更为可靠的依据。并能使这种依据作为经验积累在算法服务器中,为更多的采购人员提供服务。
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 (12)

1.一种预测产品目标数据的方法,其特征在于,包括:
根据产品关键词获取第一预设时间段内待预测产品的关注数据;
计算所述待预测产品的关注数据的变化率;
将包括所述待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子,确定出待预测产品的预测目标数据。
2.根据权利要求1所述的方法,其特征在于,所述关注数据包括被搜索次数和搜索相关结果数。
3.根据权利要求1所述的方法,其特征在于,在根据产品关键词获取第一预设时间段内待预测产品的关注数据之前,还包括:
根据训练数据和神经网络模型训练出预测模型;其中,所述训练数据包括:样本产品的关注数据以及其变化率、平均售价和平均销量;所述样本产品为根据待预测产品确定的。
4.根据权利要求3所述的方法,其特征在于,在根据训练数据和神经网络模型训练出预测模型之前,还包括:
根据产品关键词获取第二预设时间段内样本产品的关注数据,以及样本产品的售价信息和目标数据信息;
计算所述样本产品的关注数据的变化率,并且根据所述售价信息和目标数据信息计算出样本产品在第三预设时间段内的平均售价和平均销量。
5.根据权利要求3所述的方法,其特征在于,在根据产品关键词获取第二预设时间段内样本产品的关注数据之前,还包括:
根据待预测产品确定产品集合;
获取产品集合中产品的定价信息和售价信息;选取定价信息和售价信息相同的产品为样本产品;以及
所述特征数据还包括待预测产品的定价信息。
6.根据权利要求3所述的方法,其特征在于,所述神经网络模型为随机森林模型。
7.一种预测产品目标数据的装置,其特征在于,包括:
获取模块,用于根据产品关键词获取第一预设时间段内待预测产品的关注数据;
计算模块,用于计算所述待预测产品的关注数据的变化率;
确定模块,用于将包括所述待预测产品的关注数据以及其变化率的特征数据作为预测模型的因子,确定出待预测产品的预测目标数据。
8.根据权利要求6所述的装置,其特征在于,还包括模型训练模块,用于根据训练数据和神经网络模型训练出预测模型;其中,训练数据包括:样本产品的关注数据以及其变化率、所述样本产品的平均售价和平均销量;所述样本产品为根据待预测产品确定的。
9.根据权利要求8所述的装置,其特征在于,
所述获取模块还用于,根据产品关键词获取第二预设时间段内样本产品的关注数据,以及样本产品的售价信息和目标数据信息;
所述计算模块还用于,计算所述样本产品的关注数据的变化率,并且根据所述售价信息和目标数据信息计算出样本产品在第三预设时间段内的平均售价和平均销量。
10.根据权利要求8所述的装置,其特征在于,
所述获取模块还用于,根据待预测产品确定产品集合;获取产品集合中产品的定价信息和售价信息,以及获取待预测产品的定价信息;
所述模型训练模块还用于,选取定价信息和售价信息相同的产品为样本产品。
11.一种预测产品目标数据的电子设备,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。
12.一种计算机可读介质,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。
CN201810004237.5A 2018-01-03 2018-01-03 一种预测产品目标数据的方法和装置 Pending CN109993566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810004237.5A CN109993566A (zh) 2018-01-03 2018-01-03 一种预测产品目标数据的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810004237.5A CN109993566A (zh) 2018-01-03 2018-01-03 一种预测产品目标数据的方法和装置

Publications (1)

Publication Number Publication Date
CN109993566A true CN109993566A (zh) 2019-07-09

Family

ID=67128512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810004237.5A Pending CN109993566A (zh) 2018-01-03 2018-01-03 一种预测产品目标数据的方法和装置

Country Status (1)

Country Link
CN (1) CN109993566A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458360A (zh) * 2019-08-13 2019-11-15 腾讯科技(深圳)有限公司 热门资源的预测方法、装置、设备及存储介质
CN110490646A (zh) * 2019-08-01 2019-11-22 北京东方国信科技股份有限公司 汽车品牌目标用户的确定方法及装置
CN113627188A (zh) * 2021-08-16 2021-11-09 上海明略人工智能(集团)有限公司 基于时序点过程的新品发现方法、系统、设备及存储介质
CN118195679A (zh) * 2024-03-13 2024-06-14 浙江省产品质量安全科学研究院 一种基于数据分析的新、网红产品监管评估系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200279A (zh) * 2014-08-22 2014-12-10 北京京东尚科信息技术有限公司 商品首次需求预测方法和装置
CN105844353A (zh) * 2016-03-22 2016-08-10 中国农业大学 一种水产品价格的预测方法以及装置
CN105869019A (zh) * 2016-03-31 2016-08-17 金蝶软件(中国)有限公司 一种商品价格预测方法及装置
CN106127531A (zh) * 2016-07-14 2016-11-16 北京物思创想科技有限公司 基于机器学习来执行差异化定价的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200279A (zh) * 2014-08-22 2014-12-10 北京京东尚科信息技术有限公司 商品首次需求预测方法和装置
CN105844353A (zh) * 2016-03-22 2016-08-10 中国农业大学 一种水产品价格的预测方法以及装置
CN105869019A (zh) * 2016-03-31 2016-08-17 金蝶软件(中国)有限公司 一种商品价格预测方法及装置
CN106127531A (zh) * 2016-07-14 2016-11-16 北京物思创想科技有限公司 基于机器学习来执行差异化定价的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王立国: "项目评估理论与务实", 首都经济贸易大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490646A (zh) * 2019-08-01 2019-11-22 北京东方国信科技股份有限公司 汽车品牌目标用户的确定方法及装置
CN110458360A (zh) * 2019-08-13 2019-11-15 腾讯科技(深圳)有限公司 热门资源的预测方法、装置、设备及存储介质
CN110458360B (zh) * 2019-08-13 2023-07-18 腾讯科技(深圳)有限公司 热门资源的预测方法、装置、设备及存储介质
CN113627188A (zh) * 2021-08-16 2021-11-09 上海明略人工智能(集团)有限公司 基于时序点过程的新品发现方法、系统、设备及存储介质
CN118195679A (zh) * 2024-03-13 2024-06-14 浙江省产品质量安全科学研究院 一种基于数据分析的新、网红产品监管评估系统

Similar Documents

Publication Publication Date Title
CN107273436A (zh) 一种推荐模型的训练方法和训练装置
US20170109767A1 (en) Real-time dynamic pricing system
JP6061309B2 (ja) 関連商品情報を表示する方法及びシステム
CN109993566A (zh) 一种预测产品目标数据的方法和装置
CN106355432A (zh) 一种付费广告效果监测调控的方法
TW201327233A (zh) 個性化的資訊推送方法及裝置
CN109388548A (zh) 用于生成信息的方法和装置
CN108932625A (zh) 用户行为数据的分析方法、装置、介质和电子设备
EP2784701A1 (en) Method and system for re-ranking search results in a product search engine
CN110413872A (zh) 用于展示信息的方法和装置
CN108632311A (zh) 信息推送方法和装置
KR102068820B1 (ko) 온라인 마켓 상에서 상품의 등록 및 통합 관리를 수행하는 컴퓨터 프로그램 및 이의 동작 방법
CN110020162A (zh) 用户识别方法和装置
CN110400184A (zh) 用于生成信息的方法和装置
CN110020143A (zh) 一种落地页生成方法和装置
CN109727047A (zh) 一种确定数据关联度的方法和装置、数据推荐方法和装置
CN108898496A (zh) 产品推荐方法、装置、介质及电子设备
CN109697636A (zh) 一种商户推荐方法、商户推荐装置、电子设备和介质
CN110020112A (zh) 对象推送方法及其系统
CN107368501B (zh) 数据的处理方法及装置
CN112950320A (zh) 基于机器自学习的商品自动上下线方法、装置和电子设备
Abdullah et al. Evaluating E-commerce website content management system in assisting usability issues
CN110020876A (zh) 一种信息生成方法和装置
CN109117991A (zh) 一种股票订单交易方法和装置
CN109858756A (zh) 一种服务质量缺陷诊断方法和装置

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
TA01 Transfer of patent application right

Effective date of registration: 20210301

Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant after: Beijing Jingbangda Trading Co.,Ltd.

Address before: 100195 Beijing Haidian Xingshikou Road 65 West Cedar Creative Garden 4 District 11 Building East 1-4 Floor West 1-4 Floor

Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd.

Effective date of registration: 20210301

Address after: Room a1905, 19 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Beijing Jingdong Qianshi Technology Co.,Ltd.

Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant before: Beijing Jingbangda Trading Co.,Ltd.

RJ01 Rejection of invention patent application after publication

Application publication date: 20190709