CN110060075A - 用于预测销量的方法、装置、系统及介质 - Google Patents
用于预测销量的方法、装置、系统及介质 Download PDFInfo
- Publication number
- CN110060075A CN110060075A CN201810037757.6A CN201810037757A CN110060075A CN 110060075 A CN110060075 A CN 110060075A CN 201810037757 A CN201810037757 A CN 201810037757A CN 110060075 A CN110060075 A CN 110060075A
- Authority
- CN
- China
- Prior art keywords
- value set
- property value
- frequent
- sales volume
- commodity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000000875 corresponding effect Effects 0.000 claims description 46
- 238000000611 regression analysis Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 239000002453 shampoo Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 235000013606 potato chips Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229940086207 head & shoulders Drugs 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229940095673 shampoo product Drugs 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种用于预测商品销量的方法。所述方法包括:获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合;确定出所述特定种类商品中的频繁属性值集合,每一个所述频繁属性值集合为在所述特定种类商品的历史销量中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在所述特定种类商品的历史销量的所占比重;以及预测包含所述频繁属性值集合的SKU的销量。本公开的实施例还提供了一种用于预测商品销量的装置、系统及介质。
Description
技术领域
本公开涉及互联网技术领域,更具体地,涉及一种用于预测销量的方法、装置、系统及介质。
背景技术
企业通常需要通过根据各种商品的历史销售情况来预测商品的未来销售情况,以此来指导未来的销售策略、备货方案、或者新品设计等工作。目前普遍是将一段时期内(例如一年)各商品的销售额及利润统计,根据各种商品的销售额高低和获利情况区分出畅销品和滞销品等,以此预测未来的市场走势。
在实现本发明构思的过程中,发明人发现现有技术中至少存在如下问题:现有技术中预测商品未来销量的方法,仅能分析浅层次根据各种商品的历史购买数据经验性的预测未来,无法深入挖掘商品的各种不同的属性(例如颜色、口味、品牌、和净重量等)或者各种属性组合对销量的影响,从而难以挖掘出具有高潜力的消费品。
发明内容
有鉴于此,本公开提供了一种可以基于商品的不同属性或者属性组合预测商品未来销量的用于预测商品销量的方法。
本公开的一个方面提供了一种用于预测商品销量的方法,包括:获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合;确定出所述特定种类商品中的频繁属性值集合,每一个所述频繁属性值集合为在所述特定种类商品的历史销量中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在所述特定种类商品的历史销量的所占比重;以及预测包含所述频繁属性值集合的SKU的销量。
根据本公开的实施例,确定出所述特定种类商品中的频繁属性值集合包括:通过统计获取的所述特定种类商品的每一个最小销售单位SKU的至少一个属性值,获得所述特定种类商品的所有一维属性值集合,其中,每一个所述一维属性值集合为只包含一个属性值的集合;以及从所述所有一维属性值集合中确定出所述频繁属性值集合,以得到所有一维频繁属性值集合。
根据本公开的实施例,确定出所述特定种类商品中的频繁属性值集合还包括通过以下递归方式确定出所述特定种类商品中的M维频繁属性值集合,直到对于M的取值不存在对应维的频繁属性值集合,或者直到M取值为最大值,该最大值为所有属性值集合中属性值个数最多的属性值集合的元素个数,其中M取大于等于2的正整数:将每一个所述一维频繁属性值集合分别和、每一个与所述一维频繁属性值集合没有交集的M-1维频繁属性值集合并,构造出所有M维潜在频繁属性值集合,以及从所述所有M维潜在频繁属性值集合中确定出所述频繁属性值集合,以得到所有M维频繁属性值集合。
根据本公开的实施例,确定出所述特定种类商品中的频繁属性值集合包括将所述特定种类的商品中的所有SKU的历史销售订单平均分为k组,其中k为大于等于2的整数;以及对于每一个属性值集合,确定是否为频繁属性值集合。具体地,对于每一个属性值集合,确定是否为频繁属性值集合,包括:在每个组中,确定该属性值集合是否为组内频繁属性值集合,其中所述组内频繁属性值集合为在该组内的所述特定种类商品的历史销量中出现频率大于或等于组内最小支持度的属性值集合;当在k个组中,该属性值集合是组内频繁属性值集合的次数大于预定次数情况下,确定该属性值为所述频繁属性值集合;其中,所述组内最小支持度、所述预定次数的值为根据概率分布计算得到的与所述最小支持度相对应的数据。
根据本公开的实施例,所述方法还包括通过机器学习每一个SKU的全部属性值组成的完全属性值集合与该SKU的历史销量的对应关系,获得所述完全属性值集合与销量的函数关系,以及通过回归分析法获得每一个属性值唯一对应的属性特征与销量的相关性,其中,所述属性特征为将所述属性值唯一转换得到的属性特征。预测包含所述频繁属性值集合的SKU的销量具体,包括预测包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合的SKU销量。
本公开的另一方面还提供了一种用于预测商品销量的装置。所述装置包括属性值获取模块、频繁属性值确定模块以及销量预测模块。属性值获取模块用于获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合。频繁属性值确定模块用于确定出所述特定种类商品中的频繁属性值集合,每一个所述频繁属性值集合为在所述特定种类商品的历史销售中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在所述特定种类商品的历史销量的所占比重。销量预测模块,用于预测包含所述频繁属性值集合的SKU的销量。
根据本公开的实施例,确定出所述特定种类商品中的频繁属性值集合包括:通过统计获取的所述特定种类商品的每一个最小销售单位SKU的至少一个属性值,获得所述特定种类商品的所有一维属性值集合,其中,每一个所述一维属性值集合为只包含一个属性值的集合;以及从所述所有一维属性值集合中确定出所述频繁属性值集合,以得到所有一维频繁属性值集合。
根据本公开的实施例,确定出所述特定种类商品中的频繁属性值集合还包括通过以下递归方式确定出所述特定种类商品中的M维频繁属性值集合,直到对于M的取值不存在对应维的频繁属性值集合,或者直到M取值为最大值,该最大值为所有属性值集合中属性值个数最多的属性值集合的元素个数,其中M取大于等于2的正整数:将每一个所述一维频繁属性值集合分别和、每一个与所述一维频繁属性值集合没有交集的M-1维频繁属性值集合并,构造出所有M维潜在频繁属性值集合,以及从所述所有M维潜在频繁属性值集合中确定出所述频繁属性值集合,以得到所有M维频繁属性值集合。
根据本公开的实施例,确定出所述特定种类商品中的频繁属性值集合包括将所述特定种类的商品中的所有SKU的历史销售订单平均分为k组,其中k为大于等于2的整数;以及对于每一个属性值集合,确定是否为频繁属性值集合。具体地,对于每一个属性值集合,确定是否为频繁属性值集合,包括:在每个组中,确定该属性值集合是否为组内频繁属性值集合,其中所述组内频繁属性值集合为在该组内的所述特定种类商品的历史销量中出现频率大于或等于组内最小支持度的属性值集合;当在k个组中,该属性值集合是组内频繁属性值集合的次数大于预定次数情况下,确定该属性值为所述频繁属性值集合;其中,所述组内最小支持度、所述预定次数的值为根据概率分布计算得到的与所述最小支持度相对应的数据。
根据本公开的实施例,所述装置还包括属性值与销量关系获得模块、属性特征与销量相关性获得模块。属性值与销量关系获取得模块,用于通过机器学习每一个SKU的全部属性值组成的完全属性值集合与该SKU的历史销量的对应关系,获得所述完全属性值集合与销量的函数关系。属性特征与销量相关性获取模块用于通过回归分析法获得每一个属性值唯一对应的属性特征与销量的相关性,其中,所述属性特征为将所述属性值唯一转换得到的属性特征。并且,销量预测模块预测包含所述频繁属性值集合的SKU的销量,可以包括预测包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合的SKU销量。
本公开的另一方面提供了一种用于预测商品销量的系统,包括一个或多个处理器;以及存储装置,用于存储一个或多个程序。其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上所述的用于预测商品销量的方法。
本公开的另一方面提供了一种计算机可读介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行如上所述的用于预测商品销量的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的用于预测商品销量的方法。
根据本公开的实施例,可以至少部分地解决现有技术中无法根据商品的各种属性或属性组合来预测商品的未来销售情况问题,并因此可以实现深入挖掘产品的属性或者各种属性组合与销量之间的关系,从而可以更准确的预测商品的未来销量,以及寻找出高市场潜力的商品。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的用于预测商品销量的方法、装置、系统及介质的系统性架构;
图2示意性示出了根据本公开实施例的用于预测商品销量的方法的流程图;
图3示意性示出了根据本公开实施例的确定出该特定种类商品中的频繁属性值集合的方法;
图4示意性示出了根据本公开另一实施例的确定出该特定种类商品中的频繁属性值集合的方法;
图5示意性示出了根据本公开实施例的以递归方式确定出该特定种类商品中的M维频繁属性值集合的方法;
图6示意性示出了根据本公开再一实施例的确定出该特定种类商品中的频繁属性值集合的方法;
图7示意性示出了根据本公开再一实施例种的确定每一个属性值集合是否为频繁属性值集合的方法;
图8示意性示出了根据本公开另一实施例的用于预测商品销量的方法的流程图;
图9示意性示出了根据本公开实施例的用于预测商品销量的装置的框图;以及
图10示意性示出了根据本公开实施例的用于预测商品销量的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解,实质上任意表示两个或更多可选项目的转折连词和/或短语,无论是在说明书、权利要求书还是附图中,都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如,短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
本公开的实施例提供了一种用于预测商品销量的方法、装置、系统和介质。该方法包括:获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合;确定出该特定种类商品中的频繁属性值集合,每一个该频繁属性值集合为在该特定种类商品的历史销售中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在该特定种类商品的历史销量的所占比重;以及预测包含该频繁属性值集合的SKU的销量。
根据本公开的实施例,可以深入挖掘商品的不同属性或者属性组合与销量之间的内在关系,从而可以基于属性更准确的预测商品的未来销量,甚至还可以寻找出潜在的具有广阔市场空间的商品,为企业未来的销售策略、备货方案、或者新品设计等提供指导。
根据本公开的一些实施例,在获得特定种类商品的频繁属性值集合的同时,还会通过回归分析的方式进一步获得商品的各种属性值与销量之间的相关程度。从中发现,与商品的销量相关程度高且具有正相关的属性值在提升商品的销量方面将能够提供很大的动力。从而,基于此可以预测出包括了与销量相关程度较高的并且具有正相关关系的属性值的频繁属性值集合的SKU将会具有更大的市场空间。
根据本公开的实施例,基于商品的不同属性值以及各种属性值组合,,可以寻找出在细分市场(例如,可以具体到每一个SKU)中,具有良好销量潜力的商品,从而为企业未来的销售策略、备货方案、或者新品设计等提供指导。
图1示意性示出了根据本公开实施例的用于预测商品销量的方法、装置、系统及介质的系统性架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等(例如进行商品下单等)。终端设备101、102、103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101、102、103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105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的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用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
根据本公开的实施例,服务器105可以对用户利用终端设备101、102、103下单产生的订单信息(例如订单中的商品、商品的属性、和商品的销量等)进行处理。
需要说明的是,本公开实施例所提供的用于预测商品销量的方法一般可以由服务器105执行。相应地,本公开实施例所提供的用于预测商品销量的装置一般可以设置于服务器105中。本公开实施例所提供的用于预测商品销量的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的用于预测商品销量的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1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。
图2示意性示出了根据本公开实施例的用于预测商品销量的方法的流程图。
如图2所示,根据本公开的实施例,该方法包括操作S210~操作S230。
在操作S210,获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合。
每一个最小销售单位SKU是一个商品每一次独立出售的最小单位。例如,当卫生纸出售时是按照一卷一卷地进行出售时,该一卷卫生纸就是一个SKU。当将十卷卫生纸打包成一捆进行出售时,该一捆卫生纸就是另一个SKU。又例如,以乐事薯片50g一袋出售的该乐事薯片50g是一个SKU,以乐事薯片100g一袋出售的该1乐事薯片100g为另一个SKU。
每个商品都会具有一定的属性以及对应的属性值(例如,在记录一个SKU是都会相应的记录该商品的属性的具体值,即属性值,例如,品牌、颜色、净重量、功效等属性的具体内容)。
以洗发露类产品为例,在操作S210获取到洗发露类商品的每个SKU的属性值后,可以得到如表1所示例的数据。
表1
具体地,在获取特定商品的每一个SKU的属性值时,可以先建立如表1的待填写项目的表格。然后将该特定种类商品所有SKU中每一个SKU的属性值对应填充到表格的对应的位置。当对于某一个SKU所具有的属性值,在表格中没有对应的属性一栏时,可以根据该属性值创建相应的属性栏,并填写该属性值。
每个SKU的属性值能够以任意方式组合得到至少一个属性值集合。以表1中的SKU1为例。假设SKU1的属性值共有6个属性值,那么该六个属性值可以组合得到个不同的属性值集合。
在操作S220,确定出该特定种类商品中的频繁属性值集合,每一个该频繁属性值集合为在该特定种类商品的历史销售中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在该特定种类商品的历史销量的所占比重。
一个属性值集合可能同时出现在多个SKU中。例如表1中,属性值集合{沙宣}至少同时出现在SKU1、SKU2、和SKU3中。属性值集合{沙宣}的出现频率就是SKU1、SKU2、SKU3、以及沙宣品牌的其他SKU(如果有)的销量之和在洗发露类商品的历史销量中所占的比重。
当属性值集合{沙宣}的出现频率大于或等于最小支持度时,属性值集合{沙宣}就被确定为是洗发露这一类商品中的一个频繁属性值集合。
以此方式,可以确定出其他更多的属性值集合。例如,对于表1中的洗发露类商品,假设最终确定出的频繁属性值集合如表2所示。
表2
在操作S230,预测包含该频繁属性值集合的SKU的销量。例如,可以预测包括表2所示频繁属性值集合的洗发露类的SKU商品在未来会就有较大的市场前景。具体预测量可以根据每一频繁属性值集合的出现频率来预测具有该频繁属性值集合的SKU的潜在市场份额。
由此可见,根据本公开实施例的采购方法,不仅是粗浅的分析某一款SKU的销量未来趋势,而是可以分析出具有频繁属性值集合的一个或多个SKU的未来销量,从而可以寻找出潜在的具有广阔市场空间的商品。例如,凡是包括在包含表2所示出的频繁属性值集合的洗发露产品,在未来都会具有较大的市场空间。
图3示意性示出了根据本公开实施例的操作S220确定出该特定种类商品中的频繁属性值集合的方法。
如图3所示,根据本公开的实施例,操作S220可以包括操作S2211和操作S2212。
在操作S2211,通过统计获取的该特定种类商品的每一个最小销售单位SKU的至少一个属性值,获得该特定种类商品的所有一维属性值集合,其中,每一个该一维属性值集合为只包含一个属性值的集合
在操作S2212,从该所有一维属性值集合中确定出该频繁属性值集合,以得到所有一维频繁属性值集合。
图4示意性示出了根据本公开另一实施例的操作S220确定出该特定种类商品中的频繁属性值集合的方法。
如图4所示,根据本公开另一实施例,操作S220除操作S2211和操作S2212之外,还包括操作S2213。
在操作S2213,以递归方式确定出该特定种类商品中的M维频繁属性值集合,直到对于M的取值不存在对应维的频繁属性值集合,或者直到M取值为最大值,该最大值为所有属性值集合中属性值个数最多的属性值集合的元素个数,其中M取大于等于2的正整数。
M的最大值,例如在表1所示的各种SKU中,某一个SKU的属性值个数是最多的,则M的最大值就是该SKU的属性值个数。例如假设表1中SKU1总共包括了6个属性值,而且是所有洗发露类商品中拥有的属性值个数最多的SKU。那么洗发露类商品中的M的最大值就是6。
操作S2213的递归思想采用了这样的集合判定逻辑:如果一个属性值集合是频繁属性值集合,那么它所有的子集都是频繁属性值集合;如果一个属性值集合不是频繁属性值集合,那么它所有的超集都不是频繁属性值集合。
以此方式,可以将低维频繁属性值集合合并后获得高维潜在属性值集合,然后进一步判断该高维属性值集合是否是频繁属性值集合。而对于包括了低维非频繁属性值集合的高维属性值集合,则可以直接判断其不可能是频繁属性值集合。从而,通过操作S2213的递归方式确定出多维的频繁属性值集合能够有效地减少对没有可能成为品牌属性值集合的出现频率的计算,有效地节省计算资源。
基于该逻辑,图5示意出了操作S2213的一个具体实施例。
图5示意性示出了根据本公开实施例的以递归方式确定出该特定种类商品中的M维频繁属性值集合的方法。
如图5所示,操作S2213可以包括操作S501和操作S502。
在操作S501,将每一个该一维频繁属性值集合分别和每一个与该一维频繁属性值集合没有交集的M-1维频繁属性值集合并,构造出所有M维潜在频繁属性值集合。
在操作S502,从该所有M维潜在频繁属性值集合中确定出该频繁属性值集合,以得到所有M维频繁属性值集合。
根据本公开的实施例,在构造M为潜在频繁属性值集合时,是通过一维频繁属性值集合与M-1维频繁属性值集合形成的并集获得。一次方式递归,可以使得递归结果到达递归节止点的速度最快,效率最高。
图6示意性示出了根据本公开再一实施例的操作S220确定出该特定种类商品中的频繁属性值集合的方法。
如图6所示,根据本公开的再一实施例,操作S220可以包括操作S2221和操作S2222。
在操作S2221,将该特定种类的商品中的所有SKU的历史订单平均分为k组,其中k为大于等于2的整数。
在操作S2222,对于每一个属性值集合,确定是否为频繁属性值集合。具体地,操作S2222如图7所示。
图7示意性示出了根据本公开再一实施例中的确定每一个属性值集合是否为频繁属性值集合的方法。
如图7所示,操作S2222包括操作S701和操作S702。
在操作S701,在每个组中,确定该属性值集合是否为组内频繁属性值集合,其中该组内频繁属性值集合为在该组内的商品的历史销量中出现频率大于或等于组内最小支持度的属性值集合。
在操作S702,当在k个组中,该属性值集合是组内频繁属性值集合的次数大于预定次数情况下,确定该属性值为该频繁属性值集合。其中,该组内最小支持度、该预定次数的值为根据概率分布计算得到的与该最小支持度相对应的数据。
具体地,例如对于总共N条订单,为了判断一个属性值集合d是否满足最小支持度最小支持度ms的要求,我们将这些订单随机均分入k组,每组n条订单。在每个组内,如果该属性值集合d满足组内最小支持度mT,则输出小组决策结果为支持;反之,则输出小组决策结果为反对。在k组中,如果决策结果为支持的次数大于或等于预定次数b,则认为该属性值集合d满足最小支持度ms,为该特定种类商品中的频繁属性值集合;反之则认为该属性值集合d不满足最小支持度ms,不是该特定种类商品中的频繁属性值集合
以上参数:分组数k组、最小支持度ms、组内最小支持度mT、预定次数b,可以通过以下过程得到对应的解:
分组关系,
N=k*n (1)
假定该属性值集合d在总体中的出现概率为Pd,则其在组i即样本i中的出现概率分布为:
出现概率满足该组内最小支持度mT的概率为:
上述分布满足二项分布。当n很大时,由拉普拉斯定理,可近似为正态分布,其中均值μ=n·pd方差σ=n·pd·(1-pd)。累积分布为:
组i决策结果为支持的概率为:
Pid=P(pi≥mT |i)=1-F(n·mT) (3)
对于k各小组,决策结果为支持的次数大于等于b的概率为:
假设该属性值集合d在总体中的出现概率Pd在可能取值范围内服从均匀分布,在置信度α下:
建立以上方程组后,解方程组(1)、(2)、(3)、(4)、(5)得到的解可以用于参数组。需要说明的是上述方程组的解并不唯一。即总的订单数量N、分组数k组、最小支持度ms、组内最小支持度mT、预定次数b、置信度α的具体取值可以存在多种组合。只要满足解方程组(1)、(2)、(3)、(4)、(5)的解都可以按照操作S2221和操作S2222来判断每一个属性值集合是否是频繁属性值集合。
当然,在判断每一个属性值集合是否是频繁属性值集合时,可以先确定出低维的频繁属性值集合,然后参考图5中操作S501的方式构建出M维潜在频繁属性值集合,然后对该M维潜在频繁属性值集合按照作S2221和操作S2222来确定是否是频繁属性值集合。
根据本公开实施例,对所有历史订单进行分批量处理,可以有效降低执行操作S220所要求的计算系统性能,为配置较低的计算系统提供了一种可选方案。
图8示意性示出了根据本公开另一实施例的用于预测商品销量的方法的流程图。
如图8所示,根据本公开另一实施例,该方法除操作S210~操作S230之外,还包括操作S820和操作S830。
操作S820,通过机器学习每一个SKU的全部属性值组成的完全属性值集合与该SKU的历史销量的对应关系,获得该完全属性值集合与销量的函数关系。例如通过随机森林拟合方法,得到Qi=f(Aij)其中,Qi是SKUi的历史销量,Aij是SKUi的全部属性值组成的属性值集合。
在操作S830,通过回归分析法获得每一个属性值唯一对应的属性特征与销量的相关性,其中,该属性特征为将该属性值唯一转换得到的数据。
该属性特征为将该属性值唯一转换得到的数据,例如可以是将每一个属性值唯一数据化。例如,对于描述品牌的属性值,可以根据品牌出现的顺序进行编号。又例如,对于描述适用人群类的属性值(如成人、儿童、老年人),可以对应转换为是否适用于成人、是否适用于儿童、是否适用于老年人。
表3以表格形式示例性列示出了表1中每个SKU的所有属性特征与销量的对应关系。将表1中的所有属性值对应转换得到相应的属性特征可以如表3所示。例如,对于品牌编号,沙宣编号为1,海飞丝编号为2。对于属性特征为是否类的二选一属性特征时,可以用1代表是,0代表否。
表3
在操作S830中可以通过对表3中每个属性特征与销量进行回归分析,获得属性特征与销量之间的相关程度。
然后在操作S230中,预测包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合的SKU的销量。
具体地,例如,可以根据该频繁属性值集合的出现频率,并以销量呈正相关的属性特征对应的属性值的相关系数为权重,预测该包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合的SKU的销量。
需要说明的是,图8中操作S820和操作S830位于操作S220仅是一种示例。在其他一些实施例中,操作S820和操作S830、与和操作S220可以没有先后顺序。
根据本公开的实施例,在获得特定种类商品的频繁属性值集合的同时,还会通过回归分析的方式进一步获得商品的各种属性值与销量之间的相关程度。从中发现,与商品的销量相关程度高且具有正相关的属性值在提升商品的销量方面将能够提供很大的动力。从而,基于此可以预测出包括了与销量相关程度较高的并且具有正相关关系的属性值的频繁属性值集合的SKU将会具有更大的市场空间。
图9示意性示出了根据本公开实施例的用于预测商品销量的装置的框图。
如图9所示,该装置900包括属性值获取模块910、频繁属性值确定模块920以及销量预测模块930。
属性值获取模块910用于获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合。
频繁属性值确定模块920用于确定出该特定种类商品中的频繁属性值集合,每一个该频繁属性值集合为在该特定种类商品的历史销售中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在该特定种类商品的历史销量的所占比重。
销量预测模块930用于预测包含该频繁属性值集合的SKU的销量。
根据本公开的实施例,确定出该特定种类商品中的频繁属性值集合包括:通过统计获取的该特定种类商品的每一个最小销售单位SKU的至少一个属性值,获得该特定种类商品的所有一维属性值集合,其中,每一个该一维属性值集合为只包含一个属性值的集合;以及从该所有一维属性值集合中确定出该频繁属性值集合,以得到所有一维频繁属性值集合。
根据本公开的实施例,确定出该特定种类商品中的频繁属性值集合还包括通过以下递归方式确定出该特定种类商品中的M维频繁属性值集合,直到对于M的取值不存在对应维的频繁属性值集合,或者直到M取值为最大值。该最大值为所有属性值集合中属性值个数最多的属性值集合的元素个数,其中M取大于等于2的正整数。
具体地递归方式可以是,首先将每一个该一维频繁属性值集合分别和、每一个与该一维频繁属性值集合没有交集的M-1维频繁属性值集合并,构造出所有M维潜在频繁属性值集合。然后从该所有M维潜在频繁属性值集合中确定出该频繁属性值集合,以得到所有M维频繁属性值集合。
根据本公开的实施例,确定出该特定种类商品中的频繁属性值集合包括将该特定种类的商品中的所有SKU的历史销售订单平均分为k组,其中k为大于等于2的整数,以及对于每一个属性值集合,确定是否为频繁属性值集合。
具体地,对于每一个属性值集合,确定是否为频繁属性值集合可以包括:首先,在每个组中,确定该属性值集合是否为组内频繁属性值集合,其中该组内频繁属性值集合为在该组内的该特定种类商品的历史销量中出现频率大于或等于组内最小支持度的属性值集合。然后,当在k个组中,该属性值集合是组内频繁属性值集合的次数大于预定次数情况下,确定该属性值为该频繁属性值集合。其中,该组内最小支持度、该预定次数的值为根据概率分布计算得到的与该最小支持度相对应的数据。
根据本公开的实施例,该装置还包括属性值与销量关系获得模块940、属性特征与销量相关性获得模块950。
属性值与销量关系获取得模块940用于通过机器学习每一个SKU的全部属性值组成的完全属性值集合与该SKU的历史销量的对应关系,获得该完全属性值集合与销量的函数关系。
属性特征与销量相关性获取模块950用于通过回归分析法获得每一个属性值唯一对应的属性特征与销量的相关性,其中,该属性特征为将该属性值唯一转换得到的属性特征。
并且,根据本公开的实施例,销量预测模块预测960包含该频繁属性值集合的SKU的销量,可以包括预测包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合的SKU销量。
根据本公开的实施例,该装置900可以用于实现参考图2~图8所描述的预测商品销量的方法。
根据本公开实施例的装置900,可以深入挖掘商品的不同属性或者属性组合与销量之间的内在关系,从而可以基于属性更准确的预测商品的未来销量,甚至还可以寻找出潜在的具有广阔市场空间的商品,为企业未来的销售策略、备货方案、或者新品设计等提供指导。
可以理解的是,属性值获取模块910、频繁属性值确定模块920以及销量预测模块930、属性值与销量关系获取得模块940、以及属性特征与销量相关性获取模块950可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,属性值获取模块910、频繁属性值确定模块920以及销量预测模块930、属性值与销量关系获取得模块940、以及属性特征与销量相关性获取模块950中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,属性值获取模块910、频繁属性值确定模块920以及销量预测模块930、属性值与销量关系获取得模块940、以及属性特征与销量相关性获取模块950中的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
图10示意性示出了根据本公开实施例的用于预测商品销量的计算机系统1000的方框图。图10示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,根据本公开实施例的计算机系统1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行参考图2~图8描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中,存储有系统1000操作所需的各种程序和数据。处理器1001、ROM1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM 1003中的程序来执行以上参考图2~图8描述的用于预测商品销量的方法的各种操作。需要注意,该程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在该一个或多个存储器中的程序来执行以上参考图2~图8描述的用于预测商品销量的方法的各种操作。
根据本公开的实施例,系统1000还可以包括输入/输出(I/O)接口1005,输入/输出(I/O)接口1005也连接至总线1004。系统1000还可以包括连接至I/O接口1005的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1006;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1007;包括硬盘等的存储部分1008;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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,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1010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1008。
根据本公开的实施例,上文参考流程图描述的方法可以被实现为计算机软件程序。例如,本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1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
需要说明的是,本公开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。在本公开中,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。而在本公开中,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。根据本公开的实施例,计算机可读介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
作为另一方面,本公开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,使得该设备执行:根据本公开实施例的用于预测商品销量的方法。
该包括首先获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合。然后确定出该特定种类商品中的频繁属性值集合,每一个该频繁属性值集合为在该特定种类商品的历史销量中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在该特定种类商品的历史销量的所占比重。接着预测包含该频繁属性值集合的SKU的销量。
根据本公开的实施例,确定出该特定种类商品中的频繁属性值集合包括:通过统计获取的该特定种类商品的每一个最小销售单位SKU的至少一个属性值,获得该特定种类商品的所有一维属性值集合,其中,每一个该一维属性值集合为只包含一个属性值的集合;以及从该所有一维属性值集合中确定出该频繁属性值集合,以得到所有一维频繁属性值集合。
根据本公开的实施例,确定出该特定种类商品中的频繁属性值集合还包括通过以下递归方式确定出该特定种类商品中的M维频繁属性值集合,直到对于M的取值不存在对应维的频繁属性值集合,或者直到M取值为最大值,该最大值为所有属性值集合中属性值个数最多的属性值集合的元素个数,其中M取大于等于2的正整数:将每一个该一维频繁属性值集合分别和、每一个与该一维频繁属性值集合没有交集的M-1维频繁属性值集合并,构造出所有M维潜在频繁属性值集合,以及从该所有M维潜在频繁属性值集合中确定出该频繁属性值集合,以得到所有M维频繁属性值集合。
根据本公开的实施例,确定出该特定种类商品中的频繁属性值集合包括将该特定种类的商品中的所有SKU的历史销售订单平均分为k组,其中k为大于等于2的整数;以及对于每一个属性值集合,确定是否为频繁属性值集合。具体地,对于每一个属性值集合,确定是否为频繁属性值集合,包括:在每个组中,确定该属性值集合是否为组内频繁属性值集合,其中该组内频繁属性值集合为在该组内的该特定种类商品的历史销量中出现频率大于或等于组内最小支持度的属性值集合;当在k个组中,该属性值集合是组内频繁属性值集合的次数大于预定次数情况下,确定该属性值为该频繁属性值集合;其中,该组内最小支持度、该预定次数的值为根据概率分布计算得到的与该最小支持度相对应的数据。
根据本公开的实施例,该方法还包括通过机器学习每一个SKU的全部属性值组成的完全属性值集合与该SKU的历史销量的对应关系,获得该完全属性值集合与销量的函数关系,以及通过回归分析法获得每一个属性值唯一对应的属性特征与销量的相关性,其中,该属性特征为将该属性值唯一转换得到的属性特征。预测包含该频繁属性值集合的SKU的销量具体,包括预测包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合的SKU销量。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种用于预测商品销量的方法,包括:
获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合;
确定出所述特定种类商品中的频繁属性值集合,每一个所述频繁属性值集合为在所述特定种类商品的历史销售中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在所述特定种类商品的历史销量的所占比重;以及
预测包含所述频繁属性值集合的SKU的销量。
2.根据权利要求1所述的方法,其中,确定出所述特定种类商品中的频繁属性值集合包括:
通过统计获取的所述特定种类商品的每一个最小销售单位SKU的至少一个属性值,获得所述特定种类商品的所有一维属性值集合,其中,每一个所述一维属性值集合为只包含一个属性值的集合;以及
从所述所有一维属性值集合中确定出所述频繁属性值集合,以得到所有一维频繁属性值集合。
3.根据权利要求2所述的方法,确定出所述特定种类商品中的频繁属性值集合还包括:
通过以下递归方式确定出所述特定种类商品中的M维频繁属性值集合,直到对于M的取值不存在对应维的频繁属性值集合,或者直到M取值为最大值,该最大值为所有属性值集合中属性值个数最多的属性值集合的元素个数,其中M取大于等于2的正整数:
将每一个所述一维频繁属性值集合分别和、每一个与所述一维频繁属性值集合没有交集的M-1维频繁属性值集合并,构造出所有M维潜在频繁属性值集合;
从所述所有M维潜在频繁属性值集合中确定出所述频繁属性值集合,以得到所有M维频繁属性值集合。
4.根据权利要求1所述的方法,确定出所述特定种类商品中的频繁属性值集合包括:
将所述特定种类的商品中的所有SKU的历史销售订单平均分为k组,其中k为大于等于2的整数;以及
对于每一个属性值集合,确定是否为频繁属性值集合,包括:
在每个组中,确定该属性值集合是否为组内频繁属性值集合,其中所述组内频繁属性值集合为在该组内的所述特定种类商品的历史销量中出现频率大于或等于组内最小支持度的属性值集合;
当在k个组中,该属性值集合是组内频繁属性值集合的次数大于或等于预定次数情况下,确定该属性值为所述频繁属性值集合;
其中:
所述组内最小支持度、所述预定次数的值为根据概率分布计算得到的与所述最小支持度相对应的数据。
5.根据权利要求1所述的方法,还包括:
通过机器学习每一个SKU的全部属性值组成的完全属性值集合与该SKU的历史销量的对应关系,获得所述完全属性值集合与销量的函数关系;
通过回归分析法获得每一个属性值唯一对应的属性特征与销量的相关性,其中,所述属性特征为将所述属性值唯一转换得到的数据;以及
预测包含所述频繁属性值集合的SKU的销量,包括:
预测包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合的SKU的销量。
6.一种用于预测商品销量的装置,包括:
属性值获取模块,用于获取特定种类商品的每一个最小销售单位SKU的至少一个属性值,其中,每个SKU的属性值能够以任意方式组合得到至少一个属性值集合;
频繁属性值确定模块,用于确定出所述特定种类商品中的频繁属性值集合,每一个所述频繁属性值集合为在所述特定种类商品的历史销售中出现频率大于或等于最小支持度的属性值集合,每个属性值集合的出现频率为包含该属性值集合的所有SKU的历史销量之和在所述特定种类商品的历史销量的所占比重;以及
销量预测模块,用于预测包含所述频繁属性值集合的SKU的销量。
7.根据权利要求6所述的装置,其中,确定出所述特定种类商品中的频繁属性值集合包括:
通过统计获取的所述特定种类商品的每一个最小销售单位SKU的至少一个属性值,获得所述特定种类商品的所有一维属性值集合,其中,每一个所述一维属性值集合为只包含一个属性值的集合;以及
从所述所有一维属性值集合中确定出所述频繁属性值集合,以得到所有一维频繁属性值集合。
8.根据权利要求7所述的装置,确定出所述特定种类商品中的频繁属性值集合还包括:
通过以下递归方式确定出所述特定种类商品中的M维频繁属性值集合,直到对于M的取值不存在对应维的频繁属性值集合,或者直到M取值为最大值,该最大值为所有属性值集合中属性值个数最多的属性值集合的元素个数,其中M取大于等于2的正整数:
将每一个所述一维频繁属性值集合分别和、每一个与所述一维频繁属性值集合没有交集的M-1维频繁属性值集合并,构造出所有M维潜在频繁属性值集合;
从所述所有M维潜在频繁属性值集合中确定出所述频繁属性值集合,以得到所有M维频繁属性值集合。
9.根据权利要求6所述的装置,确定出所述特定种类商品中的频繁属性值集包括:
将所述特定种类的商品中的所有SKU的历史销售订单平均分为k组,其中k为大于等于2的整数;以及
对于每一个属性值集合,确定是否为频繁属性值集合,包括:
在每个组中,确定该属性值集合是否为组内频繁属性值集合,其中所述组内频繁属性值集合为在该组内的所述特定种类商品的历史销量中出现频率大于或等于组内最小支持度的属性值集合;
当在k个组中,该属性值集合是组内频繁属性值集合的次数大于或等于预定次数情况下,确定该属性值为所述频繁属性值集合;
其中:
所述组内最小支持度、所述预定次数的值为根据概率分布计算得到的与所述最小支持度相对应的数据。
10.根据权利要求6所述的装置,还包括:
属性值与销量关系获得模块,用于通过机器学习每一个SKU的全部属性值组成的完全属性值集合与该SKU的历史销量的对应关系,获得所述完全属性值集合与销量的函数关系;
属性特征与销量相关性获得模块,通过回归分析法获得每一个属性值唯一对应的属性特征与销量的相关性,其中,所述属性特征为将所述属性值唯一转换得到的数据;以及
销量预测模块预测包含所述频繁属性值集合的SKU的销量,包括:
预测包括有与销量呈正相关的属性特征对应的属性值的频繁属性值集合对应的SKU的销量。
11.一种用于预测商品销量的系统,包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~5任意一项所述的方法。
12.一种计算机可读介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~5任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037757.6A CN110060075B (zh) | 2018-01-15 | 用于预测销量的方法、装置、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037757.6A CN110060075B (zh) | 2018-01-15 | 用于预测销量的方法、装置、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110060075A true CN110060075A (zh) | 2019-07-26 |
CN110060075B CN110060075B (zh) | 2024-05-24 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581157A (zh) * | 2022-04-28 | 2022-06-03 | 湖南康道医药有限公司 | 基于大数据的销量预测方法、装置、电子设备及介质 |
CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
CN117974217A (zh) * | 2024-03-29 | 2024-05-03 | 北京京东乾石科技有限公司 | 直播销量预测的方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090240556A1 (en) * | 2008-03-18 | 2009-09-24 | International Business Machines Corporation | Anticipating merchandising trends from unique cohorts |
US20140278778A1 (en) * | 2013-03-15 | 2014-09-18 | Rangespan Limited | Method, apparatus, and computer-readable medium for predicting sales volume |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090240556A1 (en) * | 2008-03-18 | 2009-09-24 | International Business Machines Corporation | Anticipating merchandising trends from unique cohorts |
US20140278778A1 (en) * | 2013-03-15 | 2014-09-18 | Rangespan Limited | Method, apparatus, and computer-readable medium for predicting sales volume |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581157A (zh) * | 2022-04-28 | 2022-06-03 | 湖南康道医药有限公司 | 基于大数据的销量预测方法、装置、电子设备及介质 |
CN114581157B (zh) * | 2022-04-28 | 2022-11-04 | 湖南康道医药有限公司 | 基于大数据的销量预测方法、装置、电子设备及介质 |
CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
CN116777508B (zh) * | 2023-06-25 | 2024-03-12 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
CN117974217A (zh) * | 2024-03-29 | 2024-05-03 | 北京京东乾石科技有限公司 | 直播销量预测的方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086409A (zh) | 微服务数据处理方法、装置、电子设备及计算机可读介质 | |
KR20210066514A (ko) | 인플루언서 영향력 분석 및 관리가 가능한 마케팅 솔루션 제공 시스템 및 방법 | |
KR102282599B1 (ko) | 온라인 빅데이터를 활용한 소비자 분석 시스템 및 방법 | |
CN110019087A (zh) | 数据处理方法及其系统 | |
JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN110020107A (zh) | 页面展示方法及系统 | |
CN107229718A (zh) | 处理报表数据的方法和装置 | |
CN110020143A (zh) | 一种落地页生成方法和装置 | |
CN110400201A (zh) | 信息展示方法、装置、电子设备以及介质 | |
CN109961299A (zh) | 数据分析的方法和装置 | |
CN109359237A (zh) | 一种用于搜索寄宿程序的方法与设备 | |
CN107578052A (zh) | 货品处理方法及系统 | |
CN105824872A (zh) | 基于搜索的数据的检测、链接和获取的方法和系统 | |
CN110389873A (zh) | 一种判定服务器资源使用情况的方法和装置 | |
CN110471848A (zh) | 一种动态返回报文的方法和装置 | |
CN109993619A (zh) | 数据处理方法 | |
CN110443265A (zh) | 一种基于社团的行为检测方法和装置 | |
CN107291835A (zh) | 一种搜索词的推荐方法和装置 | |
US20210272178A1 (en) | Determining item relevancy | |
US20180107763A1 (en) | Prediction using fusion of heterogeneous unstructured data | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN109993618A (zh) | 对象搜索方法、系统和计算机系统、计算机可读存储介质 | |
CN109903063A (zh) | 数据处理方法及其系统、计算机系统和可读存储介质 | |
CN110060075A (zh) | 用于预测销量的方法、装置、系统及介质 | |
CN109977982A (zh) | 用户分类方法、系统、电子设备及计算机可读介质 |
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 |