CN110189164A - 基于信息熵度量和特征随机采样的商品—门店推荐方案 - Google Patents
基于信息熵度量和特征随机采样的商品—门店推荐方案 Download PDFInfo
- Publication number
- CN110189164A CN110189164A CN201910384191.9A CN201910384191A CN110189164A CN 110189164 A CN110189164 A CN 110189164A CN 201910384191 A CN201910384191 A CN 201910384191A CN 110189164 A CN110189164 A CN 110189164A
- Authority
- CN
- China
- Prior art keywords
- feature
- kpi
- pond
- commodity
- shops
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于信息熵度量和特征随机采样的商品—门店推荐方案。本发明步骤:1:从商品的静态属性中提取商品标签以及商品在销售当季每天的销量和库存数据;2:计算每个城市在每个自然周的销售总量,并计算每个自然周在所取时间段T1内的销量占比;取各门店库存大于0的自然周,得到每种商品在每家门店的销售kpi;3:重新构建随机特征池,并分别计算随机特征池中每个特征与目标特征池中所有特征构成的特征组合的信息熵,选取最小信息熵对应的随机特征池中的特征,加入到目标特征池更新;4:构建N个目标特征池,用SVR拟合各特征组合的销售kpi与商品销售kpi之间的关系。本发明为企业新品的铺货提供有力的依据。
Description
技术领域
本发明涉及信息和统计技术,具体涉及一种基于信息熵度量和特征随机采样的商品—门店推荐方案。
背景技术
零售行业中,商品—门店推荐的目标:实现商品的精准推荐,以期降低门店潜在的库存堆积风险,同时提高商品的总体销量。作为试销、铺货等应用场景面临的重要问题之一,商品—门店的具体意义是,根据既定商品在各门店的预期销售,评估该商品在各门店的推荐度,从而为商品推荐适合的门店。推荐算法已经在零售行业中商品推荐场景得到了广泛应用。随着数据科学和计算机技术的飞速发展,多种推荐算法,如协同过滤、关联规则等已被广泛应用于零售业的各个推荐场景,而各种机器学习模型也被应用于销售预测之中。这些技术的广泛的应用,旨在尽可能地降低门店潜在的库存浪费风险,同时提高总体销量,从而提高商业效益。
然而,目前的推荐算法大都基于商品的相似性,或者顾客的相似性展开,而销售预测也依赖于历史大量的销量数据。在铺货或试销等应用场景中,商品在未铺门店的销量数据通常是匮乏的,而现有的基于商品或顾客相似性的推荐方案又难以适用于首铺、试销等应用场景。因此,商品—门店的推荐需要从商品中抽象出共性的特征,以弥补新的商品销量数据匮乏的问题。本文提出了一种基于信息熵度量和特征随机抽样的商品—门店推荐方案,根据商品中抽象出的标签,结合门店的历史销售状况,为新商品推荐适合销售的门店。
发明内容
本发明旨在弥补现有技术的不足,提出一种利用商品标签和历史销售数据,同时依托信息熵度量和特征随机抽样技术的商品—门店推荐模型。
本发明的具体事实步骤如下:
步骤1:获取商品标签以及商品在销售当季每天的销量和库存数据,以周一到周日为一个自然周,计算每家门店在每个自然周的销售总量,同时过滤掉库存为0时的销售数据;
步骤2:以城市为单位,计算每个城市在每个自然周的销售总量,并计算每个自然周在所取时间段T1内的销量占比,作为该城市内各门店在每个自然周的期望销售占比P。取各门店库存大于0的自然周,用该自然周的销售总量除以该自然周的期望销售占比,作为该门店该周的销售kpi,并取这些销售kpi的平均值,得到每种商品在每家门店的销售kpi。
步骤3:设置目标特征池,利用随机抽样的方法构建特征池,以信息熵来衡量各商品标签或商品标签组合所包含的信息量,并按照信息熵最小的原则从特征池中获取特征,更新目标特征池。
3-1.设置初始目标特征池,初始目标特征池中不包含任何特征;
3-2.构建随机特征池,从已有特征中无放回地随机抽取n个特征,构成随机特征池;
3-3.根据每个特征下每个商品标签在每家门店的销售kpi占比,计算特征池中每个特征的信息熵,选取信息熵最小的特征,添加到目标特征池;
3-4.更新目标特征池。重新构建随机特征池,并分别计算随机特征池中每个特征与目标特征池中所有特征构成的特征组合的信息熵,选取最小信息熵对应的随机特征池中的特征,加入到目标特征池;
步骤4:生成最终目标特征池。不断更新目标特征池,直至新特征的加入已经不能使目标特征池中现有特征组合的信息熵继续减小,或者目标特征池中得到特征数量达到设定的阈值。
步骤5:构建N个目标特征池,用SVR拟合各特征组合的销售kpi与商品销售kpi之间的关系。
5-1.生成N个目标特征池;
5-2.计算每个目标特征池中所有特征组合下,所有标签组合在各门店的销售kpi;
5-3.根据每个商品的商品标签,提取该商品在每个门店,每个特征组合下的销售kpi,构成特征组合kpi矩阵;
5-4.以商品的特征组合kpi矩阵为自变量,实际销售kpi为因变量,用SVR拟合各特征组合kpi与商品销售kpi之间的关系,得到模型;
5-5.将拟合得到的模型以及定义好的标签相似度规则组合起来,作为最终商品-门店推荐模型。
本发明有益效果如下:
本发明利用信息熵来衡量不同特征所含的信息量,结合特征随机抽样的方法构建特征组合,建立了基于商品标签(特征值)组合的商品—门店推荐模型,为企业新品的铺货提供有力的依据。
附图说明
图1是本发明实施例采用该方法的系统模型图。
图2是本发明实施例采用该方法的具体流程图。
具体实施方式
下面结合附图来详细描述本发明的具体实施流程。
本发明假设商品具有某些可以归纳的共性和类型,根据这些类型可以抽象出商品的具体标签,并且这些标签对应的商品已经积累了一定量的销售数据。在对标签对应的特征进行信息提取时,以信息熵的大小来衡量该特征所能反应的销量信息大小,信息熵越大,该特征对应的标签在各门店的销量分布差异性就越小,相应地,其所包含的信息量也越小。
图1展示了模型的本发明的系统生成架构和输入,输出架构。模型的输入为商品以及商品的具体标签,输出为商品以及商品在各个门店的推荐度。
本发明具体实现过程如下:
步骤1:从商品的静态属性中提取商品标签以及商品在销售当季每天的销量和库存数据,以周一到周日为一个自然周,计算每家门店在每个自然周的销售总量,同时过滤掉库存为0时的销售数据;
步骤2:以城市为单位,计算每个城市在每个自然周的销售总量,并计算每个自然周在所取时间段T1内的销量占比,作为该城市内各门店在每个自然周的期望销售占比P。取各门店库存大于0的自然周,用该自然周的销售总量除以该自然周的期望销售占比,作为该门店该周的销售kpi,并取这些销售kpi的平均值,得到每种商品在每家门店的销售kpi。
步骤3:基于信息熵度量和特征随机抽样的方法进行特征工程的实施,设置目标特征池,利用随机抽样的方法构建特征池,以信息熵来衡量各商品标签或商品标签组合所包含的信息量,并按照信息熵最小的原则从特征池中获取特征,更新目标特征池。
3-1.设置初始目标特征池,初始目标特征池中不包含任何特征;
3-2.构建随机特征池,从已有特征中无放回地随机抽取n个特征,构成随机特征池;
3-3.根据每个特征下每个商品标签在每家门店的销售kpi占比,计算特征池中每个特征的信息熵,选取信息熵最小的特征,添加到目标特征池;
假设特征(或特征组合)F有m个取值(即m个标签或标签组合值),门店数量为n,第i个特征取值在第j家的销售占比为pij,则第i个取值的信息熵为
假设在所有门店中,F的第i个取值对应的商品Pi销售kpi之和在所有商品P销售kpi之和中的占比为ri,则特征(或特征组合)F的信息熵为
其中,pij指定是标签为F第i个取值的商品在第j个门店的销售kpi占比。
3-4.更新目标特征池。重新构建随机特征池,并分别计算随机特征池中每个特征与目标特征池中所有特征构成的特征组合的信息熵,选取最小信息熵对应的随机特征池中的特征,加入到目标特征池;
3-5.生成最终目标特征池。不断更新目标特征池,直至新特征的加入已经不能使目标特征池中现有特征组合的信息熵继续减小,或者目标特征池中得到特征数量达到设定的阈值。
例如:对某一件商品P,可用A、B、C、D、E、F、G7个特征来描述。在进行目标特征池构造时,先从5个特征中选取3个特征构成随机特征池。假设第一个随机特征池包含A、D、E3个特征,可根据公式(1)和公式(2)计算出A、B、C对应的信息熵,将信息熵最小的特征放入目标特征池。加入第一个被放入目标特征池中的特征是A,则进行第二次随机特征池的构建,从B、C、D、E、F、G中随机抽取3个特征。假设第二个随机特征池中的特征为D、E、F,则分别计算特征组合AD、AE、AF对应的信息熵。加入AD对应的信息熵最小,且小于A所对应的信息熵,则将D也加入目标特征池,如果AD对应的信息熵大于A所对应的信息熵,则目标特征池停止更新,本次得到的目标特征池仅包含A1个特征。在向目标特征池中添加第三个特征池时,按照上述方法,将生成的随机特征池中的特征与AD进行组合,并将最小信息熵与AD所对应的信息熵进行比较,从而本次决定目标特征池的更新是否停止;同时,如果目标特征池中的特征数量以达到设定的阈值,目标特征池也会停止更新。
步骤4:构建N个目标特征池,用SVR拟合各特征组合的销售kpi与商品销售kpi之间的关系。
4-1.生成N个目标特征池;
4-2.计算每个目标特征池中所有特征组合下,所有标签组合在各门店的销售kpi;
4-3.根据每个商品的商品标签,提取该商品在每个门店,每个特征组合下的销售kpi,构成特征组合kpi矩阵;
4-4.以商品的特征组合kpi矩阵为自变量,实际销售kpi为因变量,用SVR拟合各特征组合kpi与商品销售kpi之间的关系,得到标签组合kpi和商品销售kpi之间的关系模型:
k=SVR(k1,k2,…,kn) (3)
其中,k1,k2,…,kn为商品在每个目标特征池中特征组合下的销售kpi。
例如:重复步骤3,得到了4个目标特征池,这4个目标特征池所包含的特征如表1所示,商品P在7个特征上的标签值如表2所示。则产品P在目标特征池TF1中的标签组合为A1B2C2,在TF2中的标签组合为A1D3E1,在TF3中的标签组合为B2C2D3,在TF4中的标签组合为A1E1F5。假设商品标签A1B2C2、A1D3E1、B2C2D3、A1E1F5所对应所有商品在门店S的销售kpi之和分别为k1,k2,k3,k4,产品P在门店S的销售kpi为k,则在拟合SVR模型时,向量k1,k2,k3,k4可作为一个样本的自变量,而k作为对应的因变量。
表1目标特征池及其包含的特征
表2商品P的标签值
4-5.将拟合得到的模型以及定义好的标签相似度规则组合起来,作为最终商品-门店推荐模型。
由于标签取值为离散型变量,可结合各特征的信息熵,计算对应的熵权,然后根据相似的标签来计算标签的相似程度。假设某个目标特征池中包含m个特征,第i个特征对应的信息熵为Ei,则第i个特征的信息冗余度为
di=1-Ei (4)
第i个特征熵权为
目标特征中所有特征的特征组合下标签组合L1和L2的相似性为
其中,si表示L1和L2对应的第i个标签是否一致,若一致则取值为1,不一致取值为0。
例如,对于商品标签A1B1C1和A1B2C1的相似性,假设A、B、C三种标签的信息熵分别为0.1、0.3、0.7,则二者的相似度为
0.1×1+0.3×0+0.7×1=0.8
在利用训练好的模型对新的商品进行推荐时,由于新商品可能会出现新的标签组合,这些组合在历史产品中并未出现过。因此,需要此时,需要找出和这些商品标签最相似的标签组合,用这些标签组合的销售kpi均值来代替该商品在特定目标特征池中的销售kpi取值,从而利用训练好的SVR模型来预测该商品在每个门店的销售kpi,最为商品—门店推荐度的衡量指标。
例如,新商品P1在F下的标签为Fm,Fm在历史产品中从未出现过,则P1在目标特征池TF4下的标签组合kpi是无法直接计算的。假设P1在TF4下的标签组合为A1E3Fm,而历史产品中出现过的与A1E3Fm最相似的标签组合为A1E3F1、A1E3F5,则可取A1E3F1、A1E3F5的销售kpi均值作为A1E3Fm的销售kpi估计值。
本发明不仅局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其它多种具体实施方案实施本发明。因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,都落入本发明保护范围。
Claims (3)
1.基于信息熵度量和特征随机采样的商品-门店推荐方案,其特征在于包括如下步骤:
步骤1:从商品的静态属性中提取商品标签以及商品在销售当季每天的销量和库存数据,以周一到周日为一个自然周,计算每家门店在每个自然周的销售总量,同时过滤掉库存为0时的销售数据;
步骤2:以城市为单位,计算每个城市在每个自然周的销售总量,并计算每个自然周在所取时间段T1内的销量占比,作为该城市内各门店在每个自然周的期望销售占比P;取各门店库存大于0的自然周,用该自然周的销售总量除以该自然周的期望销售占比,作为该门店该周的销售kpi,并取这些销售kpi的平均值,得到每种商品在每家门店的销售kpi;
步骤3:基于信息熵度量和特征随机抽样的方法进行特征工程的实施,设置目标特征池,利用随机抽样的方法构建特征池,以信息熵来衡量各商品标签或商品标签组合所包含的信息量,并按照信息熵最小的原则从特征池中获取特征,更新目标特征池;
步骤4:构建N个目标特征池,用SVR拟合各特征组合的销售kpi与商品销售kpi之间的关系。
2.根据权利要求1所述的基于信息熵度量和特征随机采样的商品-门店推荐方案,其特征在于步骤3具体实现如下:
3-1.设置初始目标特征池,初始目标特征池中不包含任何特征;
3-2.构建随机特征池,从已有特征中无放回地随机抽取n个特征,构成随机特征池;
3-3.根据每个特征下每个商品标签在每家门店的销售kpi占比,计算特征池中每个特征的信息熵,选取信息熵最小的特征,添加到目标特征池;
假设特征组合F有m个取值,即m个标签或标签组合值;门店数量为n,第i个特征取值在第j家的销售占比为pij,则第i个取值的信息熵为:
假设在所有门店中,特征组合F的第i个取值对应的商品Pi销售kpi之和在所有商品P销售kpi之和中的占比为ri,则特征组合F的信息熵为:
其中,pij指定是标签为F第i个取值的商品在第j个门店的销售kpi占比;
3-4.更新目标特征池;重新构建随机特征池,并分别计算随机特征池中每个特征与目标特征池中所有特征构成的特征组合的信息熵,选取最小信息熵对应的随机特征池中的特征,加入到目标特征池;
3-5.生成最终目标特征池;不断更新目标特征池,直至新特征的加入已经不能使目标特征池中现有特征组合的信息熵继续减小,或者目标特征池中得到特征数量达到设定的阈值。
3.根据权利要求2所述的基于信息熵度量和特征随机采样的商品-门店推荐方案,其特征在于步骤4具体实现如下:
4-1.生成N个目标特征池;
4-2.计算每个目标特征池中所有特征组合下,所有标签组合在各门店的销售kpi;
4-3.根据每个商品的商品标签,提取该商品在每个门店,每个特征组合下的销售kpi,构成特征组合kpi矩阵;
4-4.以商品的特征组合kpi矩阵为自变量,实际销售kpi为因变量,用SVR拟合各特征组合kpi与商品销售kpi之间的关系,得到标签组合kpi和商品销售kpi之间的关系模型:
k=SVR(k1,k2,...,kn) (3)
其中,k1,k2,...,kn为商品在每个目标特征池中特征组合下的销售kpi;
4-5.将拟合得到的模型以及定义好的标签相似度规则组合起来,作为最终商品-门店推荐模型;
由于标签取值为离散型变量,可结合各特征的信息熵,计算对应的熵权,然后根据相似的标签来计算标签的相似程度;假设某个目标特征池中包含m个特征,第i个特征对应的信息熵为Ei,则第i个特征的信息冗余度为
di=1-Ei (4)
第i个特征熵权为
目标特征中所有特征的特征组合下标签组合L1和L2的相似性为
其中,si表示L1和L2对应的第i个标签是否一致,若一致则取值为1,不一致取值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384191.9A CN110189164B (zh) | 2019-05-09 | 2019-05-09 | 基于信息熵度量和特征随机采样的商品—门店推荐方案 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384191.9A CN110189164B (zh) | 2019-05-09 | 2019-05-09 | 基于信息熵度量和特征随机采样的商品—门店推荐方案 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189164A true CN110189164A (zh) | 2019-08-30 |
CN110189164B CN110189164B (zh) | 2021-06-01 |
Family
ID=67714301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910384191.9A Active CN110189164B (zh) | 2019-05-09 | 2019-05-09 | 基于信息熵度量和特征随机采样的商品—门店推荐方案 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189164B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415193A (zh) * | 2020-01-12 | 2020-07-14 | 杭州览众数据科技有限公司 | 基于关联商品的门店相似度的品类销售提升度计算方法 |
CN111581296A (zh) * | 2020-04-02 | 2020-08-25 | 深圳壹账通智能科技有限公司 | 数据相关性分析方法、装置、计算机系统及可读存储介质 |
CN111815348A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于各门店商品相似度聚类的区域商品生产计划方法 |
WO2023245892A1 (zh) * | 2022-06-24 | 2023-12-28 | 平安科技(深圳)有限公司 | 基于手持终端的订单处理方法、系统、计算机设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
CN106649658A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 针对用户角色无差异对待和数据稀疏的推荐系统及方法 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
US20170228652A1 (en) * | 2013-07-31 | 2017-08-10 | International Business Machines Corporation | Method and apparatus for evaluating predictive model |
CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
CN108399189A (zh) * | 2018-01-23 | 2018-08-14 | 重庆邮电大学 | 基于社团发现的好友推荐系统及其方法 |
-
2019
- 2019-05-09 CN CN201910384191.9A patent/CN110189164B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170228652A1 (en) * | 2013-07-31 | 2017-08-10 | International Business Machines Corporation | Method and apparatus for evaluating predictive model |
CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN106649658A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 针对用户角色无差异对待和数据稀疏的推荐系统及方法 |
CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
CN108399189A (zh) * | 2018-01-23 | 2018-08-14 | 重庆邮电大学 | 基于社团发现的好友推荐系统及其方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415193A (zh) * | 2020-01-12 | 2020-07-14 | 杭州览众数据科技有限公司 | 基于关联商品的门店相似度的品类销售提升度计算方法 |
CN111415193B (zh) * | 2020-01-12 | 2023-09-29 | 杭州览众数据科技有限公司 | 基于关联商品的门店相似度的品类销售提升度计算方法 |
CN111581296A (zh) * | 2020-04-02 | 2020-08-25 | 深圳壹账通智能科技有限公司 | 数据相关性分析方法、装置、计算机系统及可读存储介质 |
WO2021196457A1 (zh) * | 2020-04-02 | 2021-10-07 | 深圳壹账通智能科技有限公司 | 数据相关性分析方法、装置、计算机系统及可读存储介质 |
CN111581296B (zh) * | 2020-04-02 | 2022-08-16 | 深圳壹账通智能科技有限公司 | 数据相关性分析方法、装置、计算机系统及可读存储介质 |
CN111815348A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于各门店商品相似度聚类的区域商品生产计划方法 |
WO2023245892A1 (zh) * | 2022-06-24 | 2023-12-28 | 平安科技(深圳)有限公司 | 基于手持终端的订单处理方法、系统、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110189164B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Muûls et al. | Imports and Exports at the Level of the Firm: Evidence from Belgium | |
Fernie et al. | Principles of retailing | |
CN109300029A (zh) | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 | |
Kryvtsov et al. | The cyclicality of sales and aggregate price flexibility | |
CN106557882A (zh) | 基于多维度风险评价指标的电力用户筛选方法及系统 | |
CN108596495A (zh) | 一种零售信贷业务评分系统及方法 | |
CN110335157A (zh) | 保险产品推荐方法、设备及存储介质 | |
CN101783004A (zh) | 快速智能化的商品推荐系统 | |
CN110189164A (zh) | 基于信息熵度量和特征随机采样的商品—门店推荐方案 | |
Guchhait et al. | Inventory policy of a deteriorating item with variable demand under trade credit period | |
Trojanek | Housing price cycles in Poland–the case of 18 provincial capital cities in 2000–2020 | |
Jiang et al. | A new hedonic regression for real estate prices applied to the Singapore residential market | |
Bala | Decision tree based demand forecasts for improving inventory performance | |
KR20230122525A (ko) | 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
CN105825441A (zh) | 餐饮业物料采购移动终端系统 | |
Xia et al. | The research of online shopping customer churn prediction based on integrated learning | |
CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
Stormer | Improving e-commerce recommender systems by the identification of seasonal products | |
CN112232945B (zh) | 一种确定个人客户授信的方法及装置 | |
CN108921607A (zh) | 一种零售商品动态定价方法、装置、设备、系统及介质 | |
Kaikati et al. | Slotting and promotional allowances: red flags in the supply chain | |
Tripathi | EOQ model for deteriorating items with linear time dependent demand rate under permissible delay in payments | |
Fraumeni et al. | An integrated BEA/BLS production account: a first step and theoretical considerations | |
CN111311331A (zh) | 一种rfm分析方法 |
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 |