CN110348922A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN110348922A CN110348922A CN201810295280.1A CN201810295280A CN110348922A CN 110348922 A CN110348922 A CN 110348922A CN 201810295280 A CN201810295280 A CN 201810295280A CN 110348922 A CN110348922 A CN 110348922A
- Authority
- CN
- China
- Prior art keywords
- product
- information
- target product
- price
- order data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000012512 characterization method Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 41
- 238000007637 random forest analysis Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 619
- 230000000694 effects Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006854 communication Effects 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- KRTSDMXIXPKRQR-AATRIKPKSA-N monocrotophos Chemical compound CNC(=O)\C=C(/C)OP(=O)(OC)OC KRTSDMXIXPKRQR-AATRIKPKSA-N 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003455 independent Effects 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
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,第一预设时间段包括至少一个第一子时间段;将同一产品在同一第一子时间段内的订单数据融合成第一订单数据;基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息;基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息。该实施方式能够提高产品价格弹性等级信息的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
随着互联网技术的迅速崛起,电子商务逐渐成为一种主流的商业交易模式。电子商务作为一种全新的购物理念,以方便、快捷的优势,成为经济全球化的一个重要应用领域。
电子商务平台的店铺经营者在为产品进行定价时,通常需要根据经验判断产品的价格应该提高还是降低,以提高收益。实践中,店铺经营者大多会管理数量众多的产品,为了避免产品滞销和减小库存资源的占用,经常需要对产品定价进行调整。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,第一预设时间段包括至少一个第一子时间段;将同一产品在同一第一子时间段内的订单数据融合成第一订单数据;基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息;基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息。
在一些实施例中,该方法还包括:获取目标店铺在第二预设时间段内的流量数据,流量数据包括目标店铺的浏览记录;基于流量数据,确定目标店铺被浏览的次数和目标产品被浏览的次数;基于目标店铺被浏览的次数和目标产品被浏览的次数,生成目标店铺中目标产品的流量等级信息;基于目标产品的价格弹性等级信息和目标店铺中目标产品的流量等级信息,生成目标店铺中目标产品的价格调整信息。
在一些实施例中,将同一产品在同一第一子时间段内的订单数据融合成第一订单数据,包括:对第一预设时间段内的订单数据进行过滤,删除成交价格小于预设价格阈值的订单数据;基于过滤后的订单数据,对销量和成交价格进行稳健回归,删除残差大于残差阈值的订单数据;对于至少一个第一子时间段中的每个第一子时间段,基于稳健回归后的订单数据,将同一产品在该第一子时间段内的订单数据进行融合,生成第一订单数据。
在一些实施例中,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段,以及基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息,包括:对于至少一个第二子时间段中的每个第二子时间段,将具有与目标产品相同的品牌标识的产品在该第二子时间段内的订单数据融合成第二订单数据;基于至少一个第二子时间段以及相应第二子时间段内的第二订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息。
在一些实施例中,在将具有与目标产品相同的品牌标识的产品在该第二子时间段内的订单数据融合成第二订单数据之前,基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的所确定的销量随时间变化的信息,还包括:在具有与目标产品相同的品类标识的产品的品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
在一些实施例中,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息,包括:从第一预设时间段内的第一订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值的产品的第一订单数据,生成第一样本集合;基于第一样本集合以及所确定的销量随时间变化的信息,确定目标产品的第一价格弹性信息和目标产品的品类标识表征的品类的第一价格弹性信息,生成价格弹性信息集合;从第一样本集合中选取具有与目标产品相同的品牌标识的产品的第一订单数据,生成第二样本集合;基于第二样本集合以及所确定的销量随时间变化的信息,确定目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息,将目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息加入到价格弹性信息集合;基于价格弹性信息集合,生成目标产品的价格弹性等级信息。
在一些实施例中,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段,以及在生成目标产品的价格弹性等级信息之前,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息,还包括:对于至少一个第二子时间段中的每个第二子时间段,确定在该第二子时间段内第一订单数据的条数大于预设条数的产品的第一订单数据,将同一产品在该第二子时间段内确定的第一订单数据融合成第三订单数据;从第三订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值的产品的第三订单数据,生成第三样本集合;基于第三样本集合以及所确定的销量随时间变化的信息,确定目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息,将目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息加入到价格弹性信息集合;从第三样本集合中选取具有与目标产品相同的品牌标识的产品的第三订单数据,生成第四样本集合;基于第四样本集合以及所确定的销量随时间变化的信息,确定目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息,将目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息加入到价格弹性信息集合。
在一些实施例中,在生成第二样本集合之前,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息,还包括:在第一样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
在一些实施例中,基于价格弹性信息集合,生成目标产品的价格弹性等级信息,包括:从价格弹性信息集合中确定可决系数大于可决系数阈值的至少一个价格弹性信息;将至少一个价格弹性信息中显著性检验统计量大于显著性检验统计量阈值并且显著性检验统计量最高的价格弹性信息确定为目标产品的价格弹性信息;基于确定的价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
在一些实施例中,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息,包括:从第一预设时间段内的第一订单数据中提取目标产品的至少一个属性的值;对于至少一个属性中的每个属性,将针对该属性所提取的值的四分位数和/或标准差确定为该属性的属性值;将至少一个属性的属性值输入至预先训练的随机森林模型,得到目标产品的价格弹性信息,随机森林模型用于表征属性值与价格弹性信息之间的对应关系;基于目标产品的价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
在一些实施例中,随机森林模型通过如下步骤训练得到:获取多个训练样本,每个训练样本包括具有与目标产品相同的品类标识的产品的属性值以及基于产品的属性值预先确定的价格弹性信息;将每个训练样本的属性值作为输入,将每个训练样本的价格弹性信息作为输出,训练得到随机森林模型。
在一些实施例中,基于目标店铺被浏览的次数和目标产品被浏览的次数,生成目标店铺中目标产品的流量等级信息,包括:确定目标店铺中销量大于预设销量和/或被浏览的次数大于预设次数的产品的数量;基于目标店铺被浏览的次数以及所确定的产品数量,确定浏览次数阈值;基于目标产品被浏览的次数与浏览次数阈值的大小关系,生成目标店铺中目标产品的流量等级信息。
第二方面,本申请实施例提供了一种用于生成信息的装置,装置包括:订单获取单元,配置用于获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,第一预设时间段包括至少一个第一子时间段;订单融合单元,配置用于将同一产品在同一第一子时间段内的订单数据融合成第一订单数据;趋势确定单元,配置用于基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息;弹性生成单元,配置用于基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息。
在一些实施例中,装置还包括:流量获取单元,配置用于获取目标店铺在第二预设时间段内的流量数据,流量数据包括目标店铺的浏览记录;次数确定单元,配置用于基于流量数据,确定目标店铺被浏览的次数和目标产品被浏览的次数;流量生成单元,配置用于基于目标店铺被浏览的次数和目标产品被浏览的次数,生成目标店铺中目标产品的流量等级信息;价格调整单元,配置用于基于目标产品的价格弹性等级信息和目标店铺中目标产品的流量等级信息,生成目标店铺中目标产品的价格调整信息。
在一些实施例中,订单融合单元包括:过滤模块,配置用于对第一预设时间段内的订单数据进行过滤,删除成交价格小于预设价格阈值的订单数据;回归模块,配置用于基于过滤后的订单数据,对销量和成交价格进行稳健回归,删除残差大于残差阈值的订单数据;融合模块,配置用于对于至少一个第一子时间段中的每个第一子时间段,基于稳健回归后的订单数据,将同一产品在该第一子时间段内的订单数据进行融合,生成第一订单数据。
在一些实施例中,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段,趋势确定单元包括:融合模块,配置用于对于至少一个第二子时间段中的每个第二子时间段,将具有与目标产品相同的品牌标识的产品在该第二子时间段内的订单数据融合成第二订单数据;确定模块,配置用于基于至少一个第二子时间段以及相应第二子时间段内的第二订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息。
在一些实施例中,趋势确定单元还包括:品牌合并模块,配置用于在具有与目标产品相同的品类标识的产品的品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
在一些实施例中,弹性生成单元包括:第一选取模块,配置用于从第一预设时间段内的第一订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值的产品的第一订单数据,生成第一样本集合;第一确定模块,配置用于基于第一样本集合以及所确定的销量随时间变化的信息,确定目标产品的第一价格弹性信息和目标产品的品类标识表征的品类的第一价格弹性信息,生成价格弹性信息集合;第二选取模块,配置用于从第一样本集合中选取具有与目标产品相同的品牌标识的产品的第一订单数据,生成第二样本集合;第二确定模块,配置用于基于第二样本集合以及所确定的销量随时间变化的信息,确定目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息,将目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息加入到价格弹性信息集合;弹性生成模块,配置用于基于价格弹性信息集合,生成目标产品的价格弹性等级信息。
在一些实施例中,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段,弹性生成单元还包括:融合模块,配置用于对于至少一个第二子时间段中的每个第二子时间段,确定在该第二子时间段内第一订单数据的条数大于预设条数的产品的第一订单数据,将同一产品在该第二子时间段内确定的第一订单数据融合成第三订单数据;第三选取模块,配置用于从第三订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值的产品的第三订单数据,生成第三样本集合;第三确定模块,配置用于基于第三样本集合以及所确定的销量随时间变化的信息,确定目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息,将目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息加入到价格弹性信息集合;第四选取模块,配置用于从第三样本集合中选取具有与目标产品相同的品牌标识的产品的第三订单数据,生成第四样本集合;第四确定模块,配置用于基于第四样本集合以及所确定的销量随时间变化的信息,确定目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息,将目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息加入到价格弹性信息集合。
在一些实施例中,弹性生成单元还包括:品牌合并模块,配置用于在第一样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
在一些实施例中,弹性生成模块还包括:弹性筛选子模块,配置用于从价格弹性信息集合中确定可决系数大于可决系数阈值的至少一个价格弹性信息;弹性确定子模块,配置用于将至少一个价格弹性信息中显著性检验统计量大于显著性检验统计量阈值并且显著性检验统计量最高的价格弹性信息确定为目标产品的价格弹性信息;弹性生成子模块,配置用于基于确定的价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
在一些实施例中,弹性生成单元包括:属性提取模块,配置用于从第一预设时间段内的第一订单数据中提取目标产品的至少一个属性的值;属性值确定模块,配置用于对于至少一个属性中的每个属性,将针对该属性所提取的值的四分位数和/或标准差确定为该属性的属性值;弹性确定模块,配置用于将至少一个属性的属性值输入至预先训练的随机森林模型,得到目标产品的价格弹性信息,随机森林模型用于表征属性值与价格弹性信息之间的对应关系;弹性生成模块,配置用于基于目标产品的价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
在一些实施例中,随机森林模型通过如下步骤训练得到:获取多个训练样本,每个训练样本包括具有与目标产品相同的品类标识的产品的属性值以及基于产品的属性值预先确定的价格弹性信息;将每个训练样本的属性值作为输入,将每个训练样本的价格弹性信息作为输出,训练得到随机森林模型。
在一些实施例中,流量生成单元包括:产品确定模块,配置用于确定目标店铺中销量大于预设销量和/或被浏览的次数大于预设次数的产品的数量;阈值确定模块,配置用于基于目标店铺被浏览的次数以及所确定的产品数量,确定浏览次数阈值;流量生成模块,配置用于基于目标产品被浏览的次数与浏览次数阈值的大小关系,生成目标店铺中目标产品的流量等级信息。
第三方面,本申请实施例提供了一种电子设备,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;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,通过获取目标产品以及与目标产品属于相同品类的至少一个产品在预设时间段内的订单数据,而后将同一产品在同一子时间段内的订单数据融合成第一订单数据,然后基于预设时间段内的订单数据确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息,最后基于预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息,从而能够提高产品价格弹性等级信息的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是图2所示实施例的一个实现方式的流程图;
图4是图2所示实施例的另一实现方式的流程图;
图5是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图6是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图7是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,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。终端设备101、102、103上可以安装有各种通讯客户端应用,例如产品管理类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,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。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上运行的产品管理类应用提供支持的后台服务器。后台服务器可以对接收到的产品管理请求等数据进行分析等处理,生成处理结果(例如,价格弹性等级信息),以供终端设备或其他服务端获取。
需要说明的是,本申请实施例所提供的用于生成信息的方法一般由服务器105执行,相应地,用于生成信息的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
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。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,第一预设时间段包括至少一个第一子时间段。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以通过有线连接方式或者无线连接方式从数据库获取目标产品以及与目标产品属于相同品类(例如,具有相同的品类标识)的至少一个产品在第一预设时间段(例如,两年)内的订单数据。其中,第一预设时间段包括至少一个第一子时间段(例如,第一子时间段为一天、一周或一月等)。数据库中存储有产品的订单数据,订单数据可以包括与产品和订单相关的数据信息,包括但不限于:产品标识、品类标识、品牌标识、订单时间、页面价格、成交价格、销量、库存、店铺标识等。例如,当目标产品为XX型号的手机时,上述执行主体可以获取目标产品以及品类标识为“手机”的至少一个产品两年内的订单数据。这里,数据库可以部署在服务器上,例如,可以部署在图1所示的服务器上,也可以部署在其他服务器上。
这里,相同品类可以是指目标产品与上述至少一个产品的品类标识相同,也可以是指目标产品与上述至少一个产品的品类标识不同,但是两者实质属于同一品类。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,将同一产品在同一第一子时间段内的订单数据融合成第一订单数据。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以以第一子时间段为时间单位对步骤201获取的订单数据按照产品进行融合(例如,对同一产品在同一子时间段内的销量进行求和、对同一产品在同一子时间段内的成交价格进行加权平均等数据转换处理)。即,将同一产品在同一第一子时间段内的订单数据融合成第一订单数据(例如,将产品A在同一天内的订单数据融合成第一订单数据)。通过将订单数据进行融合,有效减少了订单数据的数量,提高了生成信息的速度,并且以第一子时间段(天)为时间单位进行价格弹性分析,能更好地反映产品的价格弹性。
实践中,由于产品的满减、赠品、套装、购物券等价格折扣活动,订单数据中通常会存在成交价格和/或销量超出预设范围的异常订单数据。因此,为了减少异常订单数据对价格弹性信息的影响,需要对第一预设时间段内的订单数据进行过滤。
在本实施例的一些可选的实现方式中,步骤202具体可以包括:
第一步,对第一预设时间段内的订单数据进行过滤,删除成交价格小于预设价格阈值的订单数据。这里,预设价格阈值可以是相对数值,例如页面价格的30%、50%、60%等,预设价格阈值也可以是绝对数值,例如1元等。通过剔除成交价格小于预设价格阈值的订单数据,可以降低价格折扣活动对产品的价格弹性信息的影响。
第二步,基于过滤后的订单数据,对销量和成交价格进行稳健回归,删除残差大于残差阈值(例如,2.5倍的残差标准差)的订单数据。除了价格折扣因素之外,还存在不易直接发现的其他因素(包括但不限于自然灾害、突发事件等)使得某一第一子时间段(例如,某一天或某一周等)内的量价关系出现突变,因此,上述执行主体可以基于过滤后的订单数据,对销量(也可以是对销量取对数之后的值)和成交价格(也可以是对成交价格取对数之后的值)进行稳健回归(即Robust Regression,稳健回归是将稳健估计方法用于回归模型,以拟合大部分数据存在的结构,从而可以识别潜在可能的离群点、强影响点和与模型假设偏离的结构),以剔除构成离群点、强影响点等的订单数据。
具体地,上述执行主体可以利用稳健回归模型拟合销量和成交价格之间的关系,得到拟合函数。然后,确定每个点(即订单数据)的销量真实值与模型拟合值之间的残差,从而可剔除残差大于残差阈值的订单数据。
作为示例,可以通过如下公式计算残差ε和残差标准差σ:
其中,y为销量的真实值,为销量的拟合值,M为订单数据的数量,i为订单数据的编号。
在本实施例中,残差阈值可以是相对数值,例如残差标准差的2倍、2.5倍等,残差阈值也可以是绝对数值,本领域的技术人员可以根基实际应用场景的需要进行设置。
第三步,对于至少一个第一子时间段中的每个第一子时间段,基于稳健回归后的订单数据,通过例如对销量求和、对成交价格加权平均等方式对该第一子时间段内的订单数据按照产品进行融合,生成第一订单数据。例如,针对产品A生成一条第一订单数据,针对产品B生成一条第一订单数据等等。通过上述数据融合处理,任一产品在每个第一子时间段内最多存在一条第一订单数据(当第一子时间段内不存在某产品的订单数据时,也不存在该产品的第一订单数据)。
虽然上述实现方式中描述了对第一预设时间段内的订单数据进行过滤、稳健回归之后,将订单数据融合成第一订单数据,但是本实施例并不限于此。
在本实施例的一些可选的实现方式中,步骤202可以包括:
第一步,对于至少一个第一子时间段中的每个第一子时间段,通过例如对销量求和、对成交价格加权平均等方式对该第一子时间段内的订单数据按照产品进行融合,生成候选第一订单数据。
第二步,对第一预设时间段内的候选第一订单数据进行过滤,删除成交价格小于预设价格阈值的候选第一订单数据。
第三步,基于过滤后的候选第一订单数据,对销量和成交价格进行稳健回归,将残差小于等于残差阈值(例如,2.5倍的残差标准差)的候选第一订单数据确定为第一订单数据。
步骤203,基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以首先确定具有与目标产品相同的品牌标识的产品。然后,基于所确定的产品(包含目标产品)的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息。
产品的销量除了受价格影响之外,也会随着时间自然增长或呈现周期性的波动,通常可以认为同一品牌的产品的销量随时间变化的信息相同或相似。通过确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息,来剔除时间因素对产品销量的影响(例如,对于任一条订单数据,可以根据订单日期和订单数据中产品标识对应的产品的销量随时间变化的信息,确定由于时间因素引起的销量,然后从订单数据的销量中剔除所确定的由于时间因素引起的销量(例如,两者相减)),可以提高价格弹性信息的准确性。
作为示例,具有与目标产品相同的品牌标识的产品的销量随时间变化的信息可以通过如下步骤获得:首先,从第一预设时间段内的订单数据中选取包含目标产品的品牌标识的订单数据;然后,基于所选择的订单数据,以订单日期为自变量、以销量为因变量拟合趋势线(例如,通过指数函数、幂函数、多项式等方式拟合趋势线),从而得到具有目标产品的品牌标识的产品的销量随时间变化的信息。在这里,任何能够体现出产品的销量随时间的变化关系的信息都可以作为销量随时间变化的信息,例如,所拟合出的趋势线(或趋势线的函数表达式)。
在本实施例的一些可选的实现方式中,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段(例如,第一预设时间段为两年,第二子时间段为一周,第一子时间段为一天)。
步骤203具体可以包括:
第一步,对于该至少一个第二子时间段中的每个第二子时间段,通过例如对销量求和、对成交价格加权平均等方式,对具有与目标产品相同的品牌标识的产品在该第二子时间段内的订单数据按照产品进行融合,生成第二订单数据。
第二步,基于该至少一个第二子时间段以及相应第二子时间段内的第二订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间(以第二子时间段为时间单位)变化的信息。具体地,上述执行主体对第二订单数据的销量(也可以是对销量取对数之后的值)和以第二子时间段为时间单位的时间段进行LOWESS回归(LocallyWeightedScatterplot Smoothing,缩写为LOWESS或LOESS,局部加权回归散点平滑法,是查看二维变量之间关系的工具。LOWESS回归的主要思想是取一定比例的局部数据,在选取的局部数据中拟合多项式回归曲线,确定数据在局部展现出来的规律和趋势),得到具有与目标产品相同的品牌标识的产品的销量随时间(以第二子时间段为时间单位)变化的信息。
可选地,在生成第二订单数据之前,步骤203还包括:在具有与目标产品相同的品类标识的产品的品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。这里,对品牌标识进行合并是指用一个新的品牌标识(新的品牌标识可以是虚构的品牌标识,不代表真实品牌)来表示待合并的各个品牌标识,以实现“品牌合并”的效果。例如,在目标产品的品类标识表征的品类中,品牌标识为“品牌A”的产品数量为10,品牌标识为“品牌B”的产品数量为2,品牌标识为“品牌C”的产品数量为3,品牌标识为“品牌D”的产品数量为5。当预设产品数量为3时,用“品牌X”(新的品牌标识)替代“品牌B”和“品牌C”,相当于品牌标识为“品牌X”的产品数量为5。
通过将包含产品数量较少的品牌的品牌标识进行合并,可以使得当具有与目标产品相同的品牌标识的产品的数量较少时,也能够获得更多的订单数据进行订单数据融合和LOWESS回归分析,从而能得到更准确的销量随时间变化的信息,进而避免了由于产品数量较少而不能拟合出销量随时间变化的信息或拟合出的销量随时间变化的信息不够准确的问题。
虽然上述实现方式中描述了将具有与目标产品相同的品牌标识的产品在第二子时间段内的订单数据融合成第二订单数据,但本实施例并不限于此。
可选地,也可以将具有与目标产品相同的品牌标识的产品在第二子时间段内的第一订单数据融合成第二订单数据,从而可以提高第二订单数据的融合效率。
步骤204,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以基于步骤202生成的第一订单数据和步骤203确定的销量随时间变化的信息,通过价格弹性模型(例如,混合效应模型、随机森林模型等)确定目标产品的价格弹性信息。然后,根据价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
价格弹性信息是指供求对价格变动的依存关系,反映价格变动所引起的供求的响应变动率,即供给量和需求量对价格信息的敏感程度,也称为供需价格弹性信息。价格弹性信息γ可以通过以下公式进行计算:
其中,Q0为初始销量,ΔQ为销量变化量,p0为初始价格,Δp为价格变化量。
价格弹性信息通常为负值,即价格升高会使得销量减少。本领域的技术人员可以根据业务需要设置价格弹性信息的取值范围,例如,可以设置为-8至-0.25之间的值,例如,价格弹性信息可以为-1.5、-5等。价格弹性信息阈值用于确定价格弹性等级信息,价格弹性信息阈值也可以设置为-8至-0.25之间的值,例如,价格弹性信息阈值为-2.5。价格弹性等级信息(例如,“高价格弹性”和“低价格弹性”)用于表征产品的价格弹性等级。例如,“高价格弹性”(产品的价格弹性信息大于等于价格弹性信息阈值)表示产品的销量随价格变化明显,而“低价格弹性”(产品的价格弹性信息小于价格弹性信息阈值)表示产品的销量随价格变化不明显。
虽然本实施例中描述了一个价格弹性信息阈值和两个价格弹性等级信息的情形,但是本申请并不限于此。应当理解,价格弹性信息阈值可以包括多个,相应地,价格弹性等级信息也可以包括多个。例如,价格弹性信息阈值包括两个时,价格弹性等级信息包括三个,本领域的技术人员可以根据实际应用场景的需要进行设置。
继续参考图3,示出了本实施例的用于生成信息的方法的一个实现方式的流程300。如图3所示,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息(即,图2所示的步骤204)可以包括:
步骤311,从第一预设时间段(例如,两年)内的第一订单数据301(例如,通过步骤202生成的第一订单数据)中选取成交价格变动次数和销量变动次数超过预设变动次数阈值(例如,8次,足够数量的变动点能够提高拟合成功率)的产品的第一订单数据,生成第一样本集合。
步骤312,基于上述第一样本集合以及所确定的销量随时间变化的信息(例如,通过步骤203确定的销量随时间变化的信息),确定目标产品的第一价格弹性信息和目标产品的品类标识表征的品类的第一价格弹性信息,生成价格弹性信息集合302。
由于具有相同的品类标识的产品的价格弹性信息是相近的,因此,对于具有与目标产品相同的品类标识的第i产品,其价格弹性信息γi可以表示为:
γi=γ′+devi,devi~N(0,σ2) (4)
其中,γ为价格弹性信息,γ'为目标产品的品类标识表征的品类的价格弹性信息,devi为第i产品的价格弹性信息偏离γ'的值,N(0,σ2)表示数学期望为0、方差为σ2的正态分布,i为产品编号。
对于第一样本集合中的每条第一订单数据,上述执行主体可以首先确定订单产品由于时间因素产生的销量(例如,拟合的趋势线上的与订单日期对应的点的销量),然后从该第一订单数据的销量中剔除由于时间因素产生的销量(例如,两者相减),将剔除时间因素后的该第一订单数据确定为训练样本。
利用上述训练样本,上述执行主体可以建立混合效应模型,则有:
log2(Qij)=(γ′+devi)×log2(Pij)+C′+Ci (5)
其中,P为产品的成交价格,Q为产品的销量,Pij为具有与目标产品相同的品类标识的第j条订单数据中第i产品的成交价格,Qij为具有与目标产品相同的品类标识的第i产品第j条订单数据中第i产品的销量,C'为目标产品的品类标识表征的品类的截距,Ci为第i产品自身的截距偏离C'的值,j为订单数据编号。
通过上述混合效应模型,上述执行主体可以拟合出目标产品的第一价格弹性信息和目标产品的品类标识表征的品类的第一价格弹性信息。然后,基于目标产品的第一价格弹性信息和目标产品的品类标识表征的品类的第一价格弹性信息生成价格弹性信息集合302。
步骤313,从第一样本集合中选取具有与目标产品相同的品牌标识的产品的第一订单数据,生成第二样本集合。
步骤314,基于第二样本集合以及所确定的销量随时间变化的信息,确定目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息,将目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息加入到价格弹性信息集合302。
由于具有相同品牌标识的产品的价格弹性信息是相近的,因此,上述执行主体可以基于第二样本集合建立混合效应模型,从而可以拟合出目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息。然后,将目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息加入到价格弹性信息集合302中。
上述执行主体基于第二样本集合拟合目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息的过程可以参考步骤312的具体描述,在此不做赘述。
步骤330,基于价格弹性信息集合,生成目标产品的价格弹性等级信息。
可选地,步骤330可以包括:
步骤331,从价格弹性信息集合中确定可决系数大于可决系数阈值的至少一个价格弹性信息。
可决系数是用来反映回归模式中说明因变量变化可靠程度的统计指标,一般用符号“R2”表示,可被定义为已被模式中全部自变量说明的因变量的总变差(变差是指一个变量的各数值对于其平均值的偏离,通常用离差平方和来表示,而离差是指一个特定数值对于其平均值的偏离)的比例。
在本实现方式中,可决系数可以用来反映混合效应模型(例如,通过步骤312、步骤314建立的混合效应模型)的可靠性的统计指标,可被表示为已被成交价格(例如,log2(Pij))说明的销量(例如,log2(Qij))的总变差的比例。可决系数的取值范围在0至1之间。可决系数的值越接近1,说明回归方程(例如,公式(5))对销量的拟合程度越好。反之,可决系数越接近0,说明回归方程对销量的拟合程度越差。
可决系数阈值为预先设置的值,例如,0.3,用于保证所建立的混合效应模型能够拟合出可靠的销量。上述执行主体将所建立的混合效应模型的可决系数与可决系数阈值进行比较,确定可决系数大于可决系数阈值的混合效应模型确定出的至少一个价格弹性信息。
步骤332,将至少一个价格弹性信息中显著性检验统计量大于显著性检验统计量阈值并且显著性检验统计量最高的价格弹性信息确定为目标产品的价格弹性信息。
在本实现方式中,上述执行主体对步骤331确定的至少一个价格弹性信息进行显著性检验(例如,t检验、f检验等),确定上述至少一个价格弹性信息中是否存在显著性检验统计量(例如,t检验中的t值)大于显著性检验统计量阈值(例如,-1.64、-1.96等)的价格弹性信息。响应于存在满足上述条件的至少一个价格弹性信息,将显著性检验统计量最高的价格弹性信息确定为目标产品的价格弹性信息。
例如,通过t检验,可以确定上述至少一个价格弹性信息中存在两个价格弹性信息(例如,目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息),将显著性检验统计量最高的价格弹性信息(例如,目标产品的第二价格弹性信息)确定为目标产品的价格弹性信息。
步骤333,基于确定的价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
通常情况下,产品的品类可以包括多个等级,例如,一级品类、二级品类、三级品类等等。其中,一级品类包括至少一个二级品类,二级品类包括多个三级品类,以此类推。一般而言,同一个三级品类的产品之间可以进行价格弹性信息的比较,而不同三级品类的产品之间的价格弹性信息是不能进行比较的。例如,快速消费品的价格弹性信息的绝对值会比耐用消费品的价格弹性信息的绝对值高,因此价格弹性信息的大小是针对属性相似的产品之间的比较而言的。
在本实现方式中,可以采用三级品类作为比较范围(实际应用中可以根据实际需要进行相应调整)。价格弹性阈值可以通过计算目标三级品类的产品的价格弹性信息的中位数、均值、众数等方式获得。将目标产品的价格弹性信息与价格弹性阈值进行比较,从而确定目标产品的价格弹性等级信息。
以中位数为例,对于某一三级品类,具有该三级品类标识的产品A、产品B、产品C和产品D的价格弹性信息分别为-1.5、-2、-2.5、-2.5,则可以确定价格弹性信息阈值为-2.25。在此情形下,如果目标产品为产品A或产品B,则目标产品的价格弹性等级信息为“低价格弹性”;如果目标产品为产品C或产品D,则目标产品的价格弹性等级信息为“高价格弹性”。
采用混合效应模型的有益之处在于:
首先,利用“产品-品牌”、“产品-品类”的层次结构,能够提高价格弹性信息拟合的覆盖度。例如,对于例如由于数据量少导致拟合不出自身价格弹性信息的产品,可以用品牌的价格弹性信息或品类的价格弹性信息来代替。
其次,拟合出的价格弹性信息综合体现了产品自身属性以及品牌/品类的属性。
最后,能够同时拟合一个品牌或品类的产品,拟合效率高。
可选地,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段(例如,第一预设时间段为两年,第二子时间段为一周,第一子时间段为一天)。基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息(即,图2所示的步骤204)还可以包括:
步骤320,对于至少一个第二子时间段中的每个第二子时间段,确定在该第二子时间段内第一订单数据的条数大于预设条数(例如,3条)的产品的第一订单数据,将同一产品在该第二子时间段内确定的第一订单数据融合成第三订单数据(例如,将产品A在每周的第一订单数据通过对销量求和、对成交价格加权平均等方式融合成第三订单数据)。
步骤321,从上述第三订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值(例如,8次)的产品的第三订单数据,生成第三样本集合。
步骤322,基于上述第三样本集合以及所确定的销量随时间变化的信息(例如,通过步骤203确定的销量随时间变化的信息),确定目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息。然后,将目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息加入到价格弹性信息集合302。
步骤323,从第三样本集合中选取具有与目标产品相同的品牌标识的产品的第三订单数据,生成第四样本集合。
步骤324,基于第四样本集合以及所确定的销量随时间变化的信息,确定目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息。然后,将目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息加入到价格弹性信息集合302。
需要说明的是,步骤322和步骤324生成价格弹性信息的过程可以参考步骤312的具体描述,在此不做赘述。
可选地,在步骤313之前,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息(即,图2所示的步骤204)还可以包括:在第一样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。由于在第一样本集合中的第一订单数据中的品牌标识表征的品牌中,可能存在包含产品数量小于预设产品数量的品牌,因此在对品牌的价格弹性信息进行拟合时,会出现订单数据过少而无法拟合的问题。通过将包含产品数量较少的品牌的品牌标识进行合并,可以有效避免上述问题。
类似地,在步骤323之前,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息(即,图2所示的步骤204)还可以包括:在第三样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
需要说明的是,对品牌标识进行合并可以参考图2中步骤203的具体描述,在此不做赘述。
在本实施例中,通过上述步骤320-步骤324,以时间跨度大于第一子时间段的第二子时间段为时间单位,融合订单数据并建立混合效应模型来拟合价格弹性信息,不仅可以避免由于以第一子时间段为时间单位的第一订单数据无法拟合出价格弹性信息的风险,提高价格弹性信息拟合成功的概率,而且可以增加了用于筛选的价格弹性信息集合中价格弹性信息的数量,提高价格弹性信息的准确性。
继续参考图4,示出了本实施例的用于生成信息的方法的另一实现方式的流程400。如图4所示,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息(即,图2所示的步骤204)可以包括:
步骤401,从第一预设时间段(例如,两年)内的第一订单数据中提取目标产品的至少一个属性的值。这里,所提取的属性可以包括但不限于:成交价格(或对成交价格取对数之后的值)、销量(或对销量取对数之后的值)、第一子时间段内的订单数量(例如,日订单数量)、被浏览次数等中的至少一种。
步骤402,对于上述至少一个属性中的每个属性,从目标产品的第一订单数据中提取该属性对应的值,将所提取的值的四分位数(在统计学中把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值成为四分位数)和/或标准差确定为该属性的属性值。
与均值相比,采用四分位数作为属性值能够更好地反映数据的变化趋势,从而可以提高价格弹性信息的准确性。
步骤403,将至少一个属性的属性值输入至预先训练的随机森林模型,得到目标产品的价格弹性信息,随机森林模型用于表征属性值与价格弹性信息之间的对应关系。
随机森林指的是用随机的方式建立一个由有很多的决策树组成的森林,随机森林中的每一棵决策树之间没有关联的。随机森林可用于分类(随机森林中的决策树为分类决策树时)和回归(随机森林中的决策树为回归决策树时)。
在本实施例中,上述随机森林模型可以是包含很多回归决策树的价格弹性预测模型,其预测值可以是叶节点上价格弹性信息的加权平均值。回归决策树是一种基于树的结构进行决策(即,预测)的机器学习算法。一般地,一棵回归决策树包括一个根节点(rootnode)、多个内部节点(也称非叶子节点,non-leaf nodes)和多个叶节点(leaf nodes)。回归决策树将输入空间分成不同的区域,每个区域有独立参数,回归决策树的每个节点都与输入空间的一个区域相关联,并且内部节点继续将区域分成子节点下的子区域(通常使用坐标轴拆分区域)。空间由此被细分成不重叠的区域,叶节点和输入区域之间形成一一对应的关系。回归决策树在进行分枝时穷举每个特征(例如,上述至少一个属性)的每个阈值找到最好的分割点,其衡量的标准(即,损失函数)可以是残差平方和,通过使残差平方和最小能够找到最可靠的分枝依据。
采用随机森林模型的有益之处在于:采用产品自身的属性值作为输入,使得输出的价格弹性信息能充分体现产品自身的特点。
可选地,上述随机森林模型可以通过如下步骤训练得到:获取多个训练样本,每个训练样本包括具有与目标产品相同的品类标识的产品的属性值以及基于产品的属性值预先确定的价格弹性信息;将每个训练样本的属性值作为输入,将每个训练样本的价格弹性信息作为输出,训练得到上述随机森林模型。
可选地,上述随机森林模型可以通过如下步骤训练得到:通过图3所示的实现方式确定具有与目标产品相同的品类标识的多个产品的价格弹性信息;对于上述多个产品中的每个产品,通过步骤401和步骤402所示的方式确定该产品的至少一个属性的属性值;将每个产品的至少一个属性的属性值作为输入,将每个产品的价格弹性信息作为输出,训练得到上述随机森林模型。
通过将图3所示的实现方式与图4所示的实现方式结合,即首先使用混合效应模型获取训练样本来训练随机森林模型,然后用训练好的随机森林模型拟合产品的价格弹性,好处在于:一方面,可以很方便地获取训练样本;另一方面,提高了价格弹性信息的拟合成功率,解决了混合效应模型无法拟合个别产品的价格弹性信息或拟合值不符合筛选条件的问题。
步骤404,基于得到的价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。价格弹性等级信息的生成过程可以参考图2中步骤204的具体描述和图3中步骤330的具体描述,在此不做赘述。
本申请的上述实施例提供的方法通过获取目标产品以及与目标产品属于相同品类的至少一个产品在预设时间段内的订单数据,而后将同一产品在同一子时间段内的订单数据融合成第一订单数据,然后基于预设时间段内的订单数据确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息,最后基于预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息,能够避免离群点、强影响点以及时间对销量的影响,从而能够提高产品价格弹性等级信息的准确性。
进一步参考图5,其示出了用于生成信息的方法的又一个实施例的流程500。该用于生成信息的方法的流程500,包括以下步骤:
步骤501,获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,第一预设时间段包括至少一个第一子时间段。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以通过有线连接方式或者无线连接方式从数据库获取目标产品以及与目标产品属于相同品类(例如,具有相同的品类标识)的至少一个产品在第一预设时间段(例如,两年)内的订单数据。其中,第一预设时间段包括至少一个第一子时间段(例如,第一子时间段为一天、一周或一月等)。数据库中存储有产品的订单数据,订单数据可以包括与产品和订单相关的数据信息,包括但不限于:产品标识、品类标识、品牌标识、订单时间、页面价格、成交价格、销量、库存、店铺标识等。例如,当目标产品为XX型号的手机时,上述执行主体可以获取目标产品以及品类标识为“手机”的至少一个产品两年内的订单数据。这里,数据库可以部署在服务器上,例如,可以部署在图1所示的服务器上,也可以部署在其他服务器上。
步骤502,将同一产品在同一第一子时间段内的订单数据融合成第一订单数据。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以以第一子时间段为时间单位对步骤501获取的订单数据按照产品进行融合(例如,对同一产品在同一子时间段内的销量进行求和、对同一产品在同一子时间段内的成交价格进行加权平均等数据转换处理)。即,将同一产品在同一第一子时间段内的订单数据融合成第一订单数据(例如,将产品A在同一天内的订单数据融合成第一订单数据)。通过将订单数据进行融合,有效减少了订单数据的数量,提高了生成信息的速度,并且以第一子时间段(天)为时间单位进行价格弹性分析,能更好地反映产品的价格弹性。
步骤503,基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以首先确定具有与目标产品相同的品牌标识的产品。然后,基于所确定的产品(包含目标产品)的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息。销量随时间变化的信息的确定过程可以参考图2中步骤203的具体描述,在此不做赘述。
步骤504,基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以基于步骤502生成的第一订单数据和步骤503确定的销量随时间变化的信息,通过价格弹性模型(例如,混合效应模型、随机森林模型等)确定目标产品的价格弹性信息。然后,根据价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。价格弹性等级信息的生成过程可以参考图2中步骤204的具体描述和图3中步骤330的具体描述,在此不做赘述。
步骤505,获取目标店铺在第二预设时间段内的流量数据,流量数据包括目标店铺的浏览记录。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以通过有线连接方式或者无线连接方式从数据库获取目标店铺在第二预设时间段(例如,一个月)内的流量数据。其中,流量数据包括目标店铺的浏览记录,例如,浏览目标店铺的时间、浏览的产品、浏览者的标识、浏览时长等等。这里,目标店铺可以是实体店铺,即在一定的硬件设施(如营业场所)基础上建立起来的、地点相对固定的商业机构,例如,超市、商场、零售店等等;目标店铺也可以是虚拟店铺(也称为网络店铺,电子商务的典型组织形式,是建立在因特网上的店铺),例如,网站、APP(应用)等。
步骤506,基于上述流量数据,确定目标店铺被浏览的次数和目标产品被浏览的次数。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以对步骤505获取的流量数据进行分析(例如,汇总、统计等),确定目标店铺被浏览的次数以及目标产品被浏览的次数。这里,被浏览次数可以累加浏览者重复浏览(例如,用户重复浏览同一产品页面)的次数,也可以不累加浏览者重复浏览的次数,本领域的技术人员可以根据实际应用场景的需要进行设置。
步骤507,基于目标店铺被浏览的次数和目标产品被浏览的次数,生成目标店铺中目标产品的流量等级信息。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以基于目标店铺被浏览的次数和目标店铺的产品数量确定浏览次数阈值(例如,求均值)。然后,根据目标产品被浏览的次数与浏览次数阈值的关系,生成目标店铺中目标产品的流量等级信息。浏览次数阈值用于表征目标店铺中产品的平均关注度,流量等级信息用于表征产品的关注度。例如,流量次数阈值为300,产品A被浏览10次,则产品A的流量等级信息为“低流量”,即产品A的关注度低;而产品B被浏览1000次,则产品B的流量等级信息为“高流量”,即产品B的关注度高。
在本实施例的一些可选的实现方式中,步骤507可以包括:
第一步,上述执行主体可以确定目标店铺中有效产品的数量。这里的有效产品是指在第二预设时间段被有销量和/或有浏览记录的产品。具体地,上述执行主体可以根据第二预设时间段内的第一订单数据确定目标店铺中销量大于预设销量(例如,0、1等)的产品的数量,和/或根据上述流量数据确定目标店铺中被浏览的次数大于预设次数(例如,0、1等)的产品的数量,从而可以确定目标店铺的有效产品数。
第二步,上述执行主体可以基于目标店铺内被浏览的次数和上述有效产品数,确定浏览次数阈值。例如,目标店铺被浏览的次数与有效产品数的比值。采用有效产品数确定浏览次数阈值,剔除没有销量和浏览记录的产品的影响,能够更加准确、客观地反映目标店铺中产品的平均关注度,提高浏览次数阈值的准确性。
第三步,上述执行主体可以基于目标产品被浏览的次数与浏览次数阈值的大小关系,生成目标店铺中目标产品的流量等级信息。例如,目标产品被浏览的次数大于浏览次数阈值,则目标产品的流量等级信息为“高流量”;目标产品被浏览的次数小于等于浏览次数阈值,则目标产品的流量等级信息为“低流量”。
在实践中,不同的店铺的流量可能差别较大。在比较受欢迎的店铺中,每个产品被浏览的次数都很多,而在小众店铺(如,受少数人欢迎的店铺)中,即使销量最好/关注度最高的产品被浏览的次数也不高。因此,流量等级信息可根据店铺的具体情况进行差异化地确定
在本实施例的一些可选的实现方式中,目标产品的流量等级信息可以通过如下步骤确定:响应于上述有效产品数大于产品数量阈值(例如,10)并且浏览次数阈值大于第一数值(例如,300),根据目标产品被浏览的次数与浏览次数阈值的比值与第一比值(例如,1.2)的关系确定目标产品的流量等级阈值。例如,当目标产品被浏览的次数与浏览次数阈值的比值大于第一比值时,目标产品的流量等级信息为“高流量”;当目标产品被浏览的次数与浏览次数阈值的比值小于等于第一比值时,目标产品的流量等级信息为“低流量”。
在本实施例的一些可选的实现方式中,目标产品的流量等级信息还可以通过如下步骤确定:响应于上述有效产品数大于产品数量阈值(例如,10)并且浏览次数阈值小于等于第一数值(例如,300),根据目标产品被浏览的次数与浏览次数阈值的比值与第二比值(例如,1.5)的关系确定目标产品的流量等级阈值。例如,当目标产品被浏览的次数与浏览次数阈值的比值大于第二比值时,目标产品的流量等级信息为“高流量”;当目标产品被浏览的次数与浏览次数阈值的比值小于等于第二比值时,目标产品的流量等级信息为“低流量”。
根据店铺的受欢迎程度,可将店铺分为多种,例如,小众店铺、中等店铺、主流店铺等。通过第一比值和/或第二比值有差别地确定等级流量信息,能更加客观地反映店铺中的产品的关注度。
步骤508,基于目标产品的价格弹性等级信息和目标店铺中目标产品的流量等级信息,确定目标产品的价格调整信息。
在本实施例中,用于生成信息的方法的执行主体(例如,图1所示的服务器)可以基于步骤504生成的价格弹性等级信息和步骤507生成的流量等级信息,根据价格弹性等级信息、流量等级信息与价格调整信息之间的对应关系,确定目标产品的价格调整信息。作为示例,表1示出了价格弹性等级信息、流量等级信息与价格调整信息的对应关系表。
表1价格弹性等级、流量等级与价格调整信息的对应关系表
需要说明的是,本领域的技术人员可以考虑价格弹性等级信息和流量等级信息自身的特点、运算能力等因素,设置两者的生成频率。例如,每周更新产品的价格弹性等级信息,每日更新产品的流量等级信息。
继续参见图6,图6是根据本实施例的用于生成信息的方法的应用场景600的一个示意图。在图6的应用场景中,用户(例如,目标店铺“XX店”的管理者)可以通过客户端在后台产品管理界面选择品类标识和品牌标识;之后,后台服务器(例如,图1的服务器)可以根据用户选择的品类标识和品牌标识确定目标店铺中符合条件的产品(例如,产品A、B、C、D等),从数据库获取上述产品两年内的订单数据和目标店铺一个月内的流量数据;然后,上述后台服务器分别确定上述产品中每个产品的价格弹性等级信息和流量等级信息,并针对每个产品生成对应的价格调整信息;最后,上述客户端基于上述后台服务器的返回的价格调整信息展示具有所选择品类标识和品牌标识的产品的管理页面,例如,将上述产品分为四种类型:维持流量型(产品数为10)、利润增长型(产品数30)、流量增长型(产品数为25)和维持利润型(产品数为10),并具体展示各产品的对应的价格调整信息(还可同时展示产品的价格、销量、浏览次数、价格弹性等级信息、浏览等级信息等)。
从图5中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程500突出了确定目标店铺中目标产品的流量等级信息的步骤和生成价格调整信息的步骤。由此,本实施例描述的方案可以将目标产品的价格弹性等级信息与目标店铺中目标产品的流量等级信息相结合,从而可以从多个维度针对目标店铺提供目标产品的价格调整信息,能够提供准确的产品价格调整信息。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于服务器中。
如图7所示,本实施例的用于生成信息的装置700包括:订单获取单元701、订单融合单元702、趋势确定单元703和弹性生成单元704。其中,订单获取单元701配置用于获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,第一预设时间段包括至少一个第一子时间段;订单融合单元702配置用于将同一产品在同一第一子时间段内的订单数据融合成第一订单数据;趋势确定单元703配置用于基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息;而弹性生成单元704配置用于基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息。
在本实施例中,用于生成信息的装置700的上述订单获取单元701可以通过有线连接方式或者无线连接方式从数据库获取目标产品以及与目标产品属于相同品类(例如,具有相同的品类标识)的至少一个产品在第一预设时间段(例如,两年)内的订单数据。其中,第一预设时间段包括至少一个第一子时间段(例如,第一子时间段为一天、一周或一月等)。数据库中存储有产品的订单数据,订单数据可以包括与产品和订单相关的数据信息,包括但不限于:产品标识、品类标识、品牌标识、订单时间、页面价格、成交价格、销量、库存、店铺标识等。例如,当目标产品为XX型号的手机时,上述执行主体可以获取目标产品以及品类标识为“手机”的至少一个产品两年内的订单数据。这里,数据库可以部署在服务器上,例如,可以部署在图1所示的服务器上,也可以部署在其他服务器上。
在本实施例中,上述订单融合单元702可以以第一子时间段为时间单位对订单获取单元701获取的订单数据按照产品进行融合(例如,对同一产品在同一子时间段内的销量进行求和、对同一产品在同一子时间段内的成交价格进行加权平均等数据转换处理)。即,将同一产品在同一第一子时间段内的订单数据融合成第一订单数据(例如,将产品A在同一天内的订单数据融合成第一订单数据)。通过将订单数据进行融合,有效减少了订单数据的数量,提高了生成信息的速度,并且以第一子时间段(天)为时间单位进行价格弹性分析,能更好地反映产品的价格弹性。
在本实施例的一些可选的实现方式中,上述订单融合单元702可以包括过滤模块、回归模块和融合模块。其中,过滤模块配置用于对第一预设时间段内的订单数据进行过滤,删除成交价格小于预设价格阈值(例如,页面价格的30%、50%、60%等相对数值,或1元等绝对数值)的订单数据;回归模块配置用于基于过滤后的订单数据,对销量和成交价格进行稳健回归,删除残差大于残差阈值(例如,2.5倍的残差标准差)的订单数据;而融合模块配置用于对于至少一个第一子时间段中的每个第一子时间段,基于稳健回归后的订单数据,将同一产品在该第一子时间段内的订单数据进行融合(例如,通过对销量求和、对成交价格加权平均等方式),生成第一订单数据。
在本实施例中,上述趋势确定单元703可以首先确定具有与目标产品相同的品牌标识的产品。然后,基于所确定的产品(包含目标产品)的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息。
在本实施例的一些可选的实现方式中,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段(例如,第一预设时间段为两年,第二子时间段为一周,第一子时间段为一天),上述趋势确定单元703可以包括融合模块和确定模块。其中,融合模块配置用于对于至少一个第二子时间段中的每个第二子时间段,将具有与目标产品相同的品牌标识的产品在该第二子时间段内的订单数据融合成第二订单数据;确定模块配置用于基于至少一个第二子时间段以及相应第二子时间段内的第二订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间(以第二子时间段为时间单位)变化的信息。
在本实施例的一些可选的实现方式中,上述趋势确定单元703还可以包括品牌合并模块。其中,品牌合并模块配置用于在具有与目标产品相同的品类标识的产品的品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
在本实施例中,上述弹性生成单元704可以基于上述订单融合单元702生成的第一订单数据和上述趋势确定单元703确定的销量随时间变化的信息,通过价格弹性模型(例如,混合效应模型、随机森林模型等)确定目标产品的价格弹性信息。然后,根据价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
在本实施例的一些可选的实现方式中,上述弹性生成单元704可以包括第一选取模块、第一确定模块、第二选取模块、第二确定模块和弹性生成模块。其中,第一选取模块配置用于从第一预设时间段内的第一订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值(例如,8次,足够数量的变动点能够提高拟合成功率)的产品的第一订单数据,生成第一样本集合;第一确定模块配置用于基于第一样本集合以及所确定的销量随时间变化的信息,确定目标产品的第一价格弹性信息和目标产品的品类标识表征的品类的第一价格弹性信息,生成价格弹性信息集合;第二选取模块配置用于从第一样本集合中选取具有与目标产品相同的品牌标识的产品的第一订单数据,生成第二样本集合;第二确定模块配置用于基于第二样本集合以及所确定的销量随时间变化的信息,确定目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息,将目标产品的第二价格弹性信息和目标产品的品牌标识表征的品牌的第一价格弹性信息加入到价格弹性信息集合;而弹性生成模块配置用于基于价格弹性信息集合,生成目标产品的价格弹性等级信息。
在本实施例的一些可选的实现方式中,上述弹性生成模块可以包括弹性筛选子模块、弹性确定子模块和弹性生成子模块。其中,弹性筛选子模块配置用于从价格弹性信息集合中确定可决系数大于可决系数阈值(例如,0.3)的至少一个价格弹性信息;弹性确定子模块配置用于将至少一个价格弹性信息中显著性检验统计量(例如,t检验中的t值)大于显著性检验统计量阈值(例如,-1.64、-1.96等)并且显著性检验统计量最高的价格弹性信息确定为目标产品的价格弹性信息;弹性生成子模块配置用于基于确定的价格弹性信息与价格弹性信息阈值(例如,通过中位数、均值、众数等方式获得)的大小关系,生成目标产品的价格弹性等级信息(例如,“低价格弹性”和“高价格弹性”)。
在本实施例的一些可选的实现方式中,第一预设时间段包括至少一个第二子时间段,第二子时间段包括至少一个第一子时间段(例如,第一预设时间段为两年,第二子时间段为一周,第一子时间段为一天),上述弹性生成单元704还包括融合模块、第三选取模块、第三确定模块、第四选取模块和第四确定模块。其中,融合模块配置用于对于至少一个第二子时间段中的每个第二子时间段,确定在该第二子时间段内第一订单数据的条数大于预设条数(例如,3条)的产品的第一订单数据,将同一产品在该第二子时间段内确定的第一订单数据融合成第三订单数据;第三选取模块配置用于从第三订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值(例如,8次)的产品的第三订单数据,生成第三样本集合;第三确定模块配置用于基于第三样本集合以及所确定的销量随时间变化的信息,确定目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息,将目标产品的第三价格弹性信息和目标产品的品类标识表征的品类的第二价格弹性信息加入到价格弹性信息集合;第四选取模块配置用于从第三样本集合中选取具有与目标产品相同的品牌标识的产品的第三订单数据,生成第四样本集合;第四确定模块配置用于基于第四样本集合以及所确定的销量随时间变化的信息,确定目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息,将目标产品的第四价格弹性信息和目标产品的品牌标识表征的品牌的第二价格弹性信息加入到价格弹性信息集合。
在本实施例的一些可选的实现方式中,上述弹性生成单元704还包括品牌合并模块。其中,品牌合并模块配置用于在第一样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
在本实施例的一些可选的实现方式中,上述品牌合并模块还配置用于在第三样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
在本实施例的一些可选的实现方式中,上述弹性生成单元704包括属性提取模块、属性值确定模块、弹性确定模块和弹性生成模块。其中,属性提取模块配置用于从第一预设时间段内的第一订单数据中提取目标产品的至少一个属性的值;属性值确定模块配置用于对于至少一个属性中的每个属性,将针对该属性所提取的值的四分位数和/或标准差确定为该属性的属性值;弹性确定模块配置用于将至少一个属性的属性值输入至预先训练的随机森林模型(例如,包含很多回归决策树的价格弹性预测模型),得到目标产品的价格弹性信息,随机森林模型用于表征属性值与价格弹性信息之间的对应关系;弹性生成模块配置用于基于目标产品的价格弹性信息与价格弹性信息阈值的大小关系,生成目标产品的价格弹性等级信息。
在本实施例的一些可选的实现方式中,上述随机森林模型可以通过如下步骤训练得到:获取多个训练样本,每个训练样本包括具有与目标产品相同的品类标识的产品的属性值以及基于产品的属性值预先确定的价格弹性信息;将每个训练样本的属性值作为输入,将每个训练样本的价格弹性信息作为输出,训练得到上述随机森林模型。
在本实施例的一些可选的实现方式中,上述随机森林模型可以通过如下步骤训练得到:通过混合效应模型(参考图3的具体描述)确定具有与目标产品相同的品类标识的多个产品的价格弹性信息;对于上述多个产品中的每个产品,确定该产品的至少一个属性的属性值(参考图4中步骤401和步骤402的具体描述);将每个产品的至少一个属性的属性值作为输入,将每个产品的价格弹性信息作为输出,训练得到上述随机森林模型。
在本实施例的一些可选的实现方式中,用于生成信息的装置700还包括流量获取单元、次数确定单元、流量生成单元和价格调整单元。其中,流量获取单元配置用于获取目标店铺在第二预设时间段内的流量数据,流量数据包括目标店铺的浏览记录;次数确定单元配置用于基于流量数据确定目标店铺被浏览的次数和目标产品被浏览的次数;流量生成单元配置用于基于目标店铺被浏览的次数和目标产品被浏览的次数,生成目标店铺中目标产品的流量等级信息;价格调整单元配置用于基于目标产品的价格弹性等级信息和目标店铺中目标产品的流量等级信息,生成目标店铺中目标产品的价格调整信息。
在本实施例中,用于生成信息的装置700的上述流量获取单元可以通过有线连接方式或者无线连接方式从数据库获取目标店铺在第二预设时间段(例如,一个月)内的流量数据,其中,流量数据包括目标店铺的浏览记录,例如,浏览目标店铺的时间、浏览的产品、浏览者的标识、浏览时长等等。这里,目标店铺可以是实体店铺,即在一定的硬件设施(如营业场所)基础上建立起来的、地点相对固定的商业机构,例如,超市、商场、零售店等等;目标店铺也可以是虚拟店铺(也称为网络店铺,电子商务的典型组织形式,是建立在因特网上的店铺),例如,网站、APP(应用)等。
在本实施例中,上述次数确定单元可以对上述流量获取单元获取的流量数据进行分析(例如,汇总、统计等),确定目标店铺被浏览的次数以及目标产品被浏览的次数。这里,被浏览次数可以累加浏览者重复浏览(例如,用户重复浏览同一产品页面)的次数,也可以不累加浏览者重复浏览的次数,本领域的技术人员可以根据实际应用场景的需要进行设置。
在本实施例中,上述流量生成单元可以基于目标店铺被浏览的次数和目标店铺的产品数量确定浏览次数阈值(例如,求均值)。然后,根据目标产品被浏览的次数与浏览次数阈值的关系,生成目标店铺中目标产品的流量等级信息。浏览次数阈值用于表征目标店铺中产品的平均关注度,流量等级信息用于表征产品的关注度。例如,流量次数阈值为300,产品A被浏览10次,则产品A的流量等级信息为“低流量”,即产品A的关注度低;而产品B被浏览1000次,则产品B的流量等级信息为“高流量”,即产品B的关注度高。
在本实施例的一些可选的实现方式中,上述流量生成单元可以包括产品确定模块、阈值确定模块和流量生成模块。其中,产品确定模块配置用于确定目标店铺中销量大于预设销量(例如,0、1等)和/或被浏览的次数大于预设次数(例如,0、1等)的产品的数量(即有效产品数);阈值确定模块配置用于基于目标店铺被浏览的次数以及所确定的产品数量,确定浏览次数阈值,例如,目标店铺被浏览的次数与有效产品数的比值;流量生成模块配置用于基于目标产品被浏览的次数与浏览次数阈值的大小关系,生成目标店铺中目标产品的流量等级信息。
在本实施例的一些可选的实现方式中,上述流量生成模块具体用于:响应于上述有效产品数大于产品数量阈值(例如,10)并且浏览次数阈值大于第一数值(例如,300),根据目标产品被浏览的次数与浏览次数阈值的比值与第一比值(例如,1.2)的关系确定目标产品的流量等级阈值。例如,当目标产品被浏览的次数与浏览次数阈值的比值大于第一比值时,目标产品的流量等级信息为“高流量”;当目标产品被浏览的次数与浏览次数阈值的比值小于等于第一比值时,目标产品的流量等级信息为“低流量”。
在本实施例的一些可选的实现方式中,上述流量生成模块具体还用于:响应于上述有效产品数大于产品数量阈值(例如,10)并且浏览次数阈值小于等于第一数值(例如,300),根据目标产品被浏览的次数与浏览次数阈值的比值与第二比值(例如,1.5)的关系确定目标产品的流量等级阈值。例如,当目标产品被浏览的次数与浏览次数阈值的比值大于第二比值时,目标产品的流量等级信息为“高流量”;当目标产品被浏览的次数与浏览次数阈值的比值小于等于第二比值时,目标产品的流量等级信息为“低流量”。
在本实施例中,上述价格调整单元可以基于上述弹性生成单元704生成的价格弹性等级信息和上述流量生成单元生成的流量等级信息,根据价格弹性等级信息、流量等级信息与价格调整信息之间的对应关系(例如表1所示),确定目标产品的价格调整信息。
本申请的上述实施例提供的装置通过获取目标产品以及与目标产品属于相同品类的至少一个产品在预设时间段内的订单数据,而后将同一产品在同一子时间段内的订单数据融合成第一订单数据,然后基于预设时间段内的订单数据确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息,最后基于预设时间段内的第一订单数据以及所确定的销量随时间变化的信息生成目标产品的价格弹性等级信息,能够避免离群点、强影响点以及时间对销量的影响,从而能够提高产品价格弹性等级信息的准确性。
下面参考图8,其示出了适于用来实现本申请实施例的服务器的计算机系统800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
特别地,根据本公开的实施例,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809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述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。在本申请中,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。而在本申请中,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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括订单获取单元、订单融合单元、趋势确定单元和弹性生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,订单获取单元还可以被描述为“获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据的单元”。
作为另一方面,本申请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装置中所包含的;也可以是单独存在,而未装配入该装置中。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该装置执行时,使得该装置:获取目标产品以及与目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,第一预设时间段包括至少一个第一子时间段;将同一产品在同一第一子时间段内的订单数据融合成第一订单数据;基于第一预设时间段内的订单数据,确定具有与目标产品相同的品牌标识的产品的销量随时间变化的信息;基于第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成目标产品的价格弹性等级信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (26)
1.一种用于生成信息的方法,包括:
获取目标产品以及与所述目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,所述第一预设时间段包括至少一个第一子时间段;
将同一产品在同一第一子时间段内的订单数据融合成第一订单数据;
基于所述第一预设时间段内的订单数据,确定具有与所述目标产品相同的品牌标识的产品的销量随时间变化的信息;
基于所述第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成所述目标产品的价格弹性等级信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取目标店铺在第二预设时间段内的流量数据,所述流量数据包括所述目标店铺的浏览记录;
基于所述流量数据,确定所述目标店铺被浏览的次数和所述目标产品被浏览的次数;
基于所述目标店铺被浏览的次数和所述目标产品被浏览的次数,生成所述目标店铺中所述目标产品的流量等级信息;
基于所述目标产品的价格弹性等级信息和所述目标店铺中所述目标产品的流量等级信息,生成所述目标店铺中所述目标产品的价格调整信息。
3.根据权利要求1所述的方法,其中,所述将同一产品在同一第一子时间段内的订单数据融合成第一订单数据,包括:
对所述第一预设时间段内的订单数据进行过滤,删除成交价格小于预设价格阈值的订单数据;
基于过滤后的订单数据,对销量和成交价格进行稳健回归,删除残差大于残差阈值的订单数据;
对于所述至少一个第一子时间段中的每个第一子时间段,基于稳健回归后的订单数据,将同一产品在该第一子时间段内的订单数据进行融合,生成第一订单数据。
4.根据权利要求1所述的方法,其中,所述第一预设时间段包括至少一个第二子时间段,所述第二子时间段包括至少一个第一子时间段,以及
所述基于所述第一预设时间段内的订单数据,确定具有与所述目标产品相同的品牌标识的产品的销量随时间变化的信息,包括:
对于所述至少一个第二子时间段中的每个第二子时间段,将具有与所述目标产品相同的品牌标识的产品在该第二子时间段内的订单数据融合成第二订单数据;
基于所述至少一个第二子时间段以及相应第二子时间段内的第二订单数据,确定具有与所述目标产品相同的品牌标识的产品的销量随时间变化的信息。
5.根据权利要求4所述的方法,其中,在将具有与所述目标产品相同的品牌标识的产品在该第二子时间段内的订单数据融合成第二订单数据之前,所述基于所述第一预设时间段内的订单数据,确定具有与所述目标产品相同的品牌标识的产品的销量随时间变化的信息,还包括:
在具有与所述目标产品相同的品类标识的产品的品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
6.根据权利要求1所述的方法,其中,所述基于所述第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成所述目标产品的价格弹性等级信息,包括:
从所述第一预设时间段内的第一订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值的产品的第一订单数据,生成第一样本集合;
基于所述第一样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第一价格弹性信息和所述目标产品的品类标识表征的品类的第一价格弹性信息,生成价格弹性信息集合;
从所述第一样本集合中选取具有与所述目标产品相同的品牌标识的产品的第一订单数据,生成第二样本集合;
基于所述第二样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第二价格弹性信息和所述目标产品的品牌标识表征的品牌的第一价格弹性信息,将所述目标产品的第二价格弹性信息和所述目标产品的品牌标识表征的品牌的第一价格弹性信息加入到价格弹性信息集合;
基于价格弹性信息集合,生成所述目标产品的价格弹性等级信息。
7.根据权利要求6所述的方法,其中,所述第一预设时间段包括至少一个第二子时间段,所述第二子时间段包括至少一个第一子时间段,以及
在生成所述目标产品的价格弹性等级信息之前,所述基于所述第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成所述目标产品的价格弹性等级信息,还包括:
对于所述至少一个第二子时间段中的每个第二子时间段,确定在该第二子时间段内第一订单数据的条数大于预设条数的产品的第一订单数据,将同一产品在该第二子时间段内确定的第一订单数据融合成第三订单数据;
从第三订单数据中选取价格变动次数和销量变动次数超过所述预设变动次数阈值的产品的第三订单数据,生成第三样本集合;
基于所述第三样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第三价格弹性信息和所述目标产品的品类标识表征的品类的第二价格弹性信息,将所述目标产品的第三价格弹性信息和所述目标产品的品类标识表征的品类的第二价格弹性信息加入到价格弹性信息集合;
从所述第三样本集合中选取具有与所述目标产品相同的品牌标识的产品的第三订单数据,生成第四样本集合;
基于所述第四样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第四价格弹性信息和所述目标产品的品牌标识表征的品牌的第二价格弹性信息,将所述目标产品的第四价格弹性信息和所述目标产品的品牌标识表征的品牌的第二价格弹性信息加入到价格弹性信息集合。
8.根据权利要求6所述的方法,其中,在生成第二样本集合之前,所述基于所述第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成所述目标产品的价格弹性等级信息,还包括:
在所述第一样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
9.根据权利要求6所述的方法,其中,所述基于价格弹性信息集合,生成所述目标产品的价格弹性等级信息,包括:
从价格弹性信息集合中确定可决系数大于可决系数阈值的至少一个价格弹性信息;
将所述至少一个价格弹性信息中显著性检验统计量大于显著性检验统计量阈值并且显著性检验统计量最高的价格弹性信息确定为所述目标产品的价格弹性信息;
基于确定的价格弹性信息与价格弹性信息阈值的大小关系,生成所述目标产品的价格弹性等级信息。
10.根据权利要求1所述的方法,其中,所述基于所述第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成所述目标产品的价格弹性等级信息,包括:
从所述第一预设时间段内的第一订单数据中提取所述目标产品的至少一个属性的值;
对于所述至少一个属性中的每个属性,将针对该属性所提取的值的四分位数和/或标准差确定为该属性的属性值;
将所述至少一个属性的属性值输入至预先训练的随机森林模型,得到所述目标产品的价格弹性信息,所述随机森林模型用于表征属性值与价格弹性信息之间的对应关系;
基于所述目标产品的价格弹性信息与价格弹性信息阈值的大小关系,生成所述目标产品的价格弹性等级信息。
11.根据权利要求10所述的方法,其中,所述随机森林模型通过如下步骤训练得到:
获取多个训练样本,每个训练样本包括具有与所述目标产品相同的品类标识的产品的属性值以及基于产品的属性值预先确定的价格弹性信息;
将每个训练样本的属性值作为输入,将每个训练样本的价格弹性信息作为输出,训练得到所述随机森林模型。
12.根据权利要求2所述的方法,其中,所述基于所述目标店铺被浏览的次数和所述目标产品被浏览的次数,生成所述目标店铺中所述目标产品的流量等级信息,包括:
确定所述目标店铺中销量大于预设销量和/或被浏览的次数大于预设次数的产品的数量;
基于所述目标店铺被浏览的次数以及所确定的产品数量,确定浏览次数阈值;
基于所述目标产品被浏览的次数与所述浏览次数阈值的大小关系,生成所述目标店铺中所述目标产品的流量等级信息。
13.一种用于生成信息的装置,包括:
订单获取单元,配置用于获取目标产品以及与所述目标产品属于相同品类的至少一个产品在第一预设时间段内的订单数据,所述第一预设时间段包括至少一个第一子时间段;
订单融合单元,配置用于将同一产品在同一第一子时间段内的订单数据融合成第一订单数据;
趋势确定单元,配置用于基于所述第一预设时间段内的订单数据,确定具有与所述目标产品相同的品牌标识的产品的销量随时间变化的信息;
弹性生成单元,配置用于基于所述第一预设时间段内的第一订单数据以及所确定的销量随时间变化的信息,生成所述目标产品的价格弹性等级信息。
14.根据权利要求13所述的装置,其中,所述装置还包括:
流量获取单元,配置用于获取目标店铺在第二预设时间段内的流量数据,所述流量数据包括所述目标店铺的浏览记录;
次数确定单元,配置用于基于所述流量数据,确定所述目标店铺被浏览的次数和所述目标产品被浏览的次数;
流量生成单元,配置用于基于所述目标店铺被浏览的次数和所述目标产品被浏览的次数,生成所述目标店铺中所述目标产品的流量等级信息;
价格调整单元,配置用于基于所述目标产品的价格弹性等级信息和所述目标店铺中所述目标产品的流量等级信息,生成所述目标店铺中所述目标产品的价格调整信息。
15.根据权利要求13所述的装置,其中,所述订单融合单元包括:
过滤模块,配置用于对所述第一预设时间段内的订单数据进行过滤,删除成交价格小于预设价格阈值的订单数据;
回归模块,配置用于基于过滤后的订单数据,对销量和成交价格进行稳健回归,删除残差大于残差阈值的订单数据;
融合模块,配置用于对于所述至少一个第一子时间段中的每个第一子时间段,基于稳健回归后的订单数据,将同一产品在该第一子时间段内的订单数据进行融合,生成第一订单数据。
16.根据权利要求13所述的装置,其中,所述第一预设时间段包括至少一个第二子时间段,所述第二子时间段包括至少一个第一子时间段,所述趋势确定单元包括:
融合模块,配置用于对于所述至少一个第二子时间段中的每个第二子时间段,将具有与所述目标产品相同的品牌标识的产品在该第二子时间段内的订单数据融合成第二订单数据;
确定模块,配置用于基于所述至少一个第二子时间段以及相应第二子时间段内的第二订单数据,确定具有与所述目标产品相同的品牌标识的产品的销量随时间变化的信息。
17.根据权利要求16所述的装置,其中,所述趋势确定单元还包括:
品牌合并模块,配置用于在具有与所述目标产品相同的品类标识的产品的品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
18.根据权利要求13所述的装置,其中,所述弹性生成单元包括:
第一选取模块,配置用于从所述第一预设时间段内的第一订单数据中选取价格变动次数和销量变动次数超过预设变动次数阈值的产品的第一订单数据,生成第一样本集合;
第一确定模块,配置用于基于所述第一样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第一价格弹性信息和所述目标产品的品类标识表征的品类的第一价格弹性信息,生成价格弹性信息集合;
第二选取模块,配置用于从所述第一样本集合中选取具有与所述目标产品相同的品牌标识的产品的第一订单数据,生成第二样本集合;
第二确定模块,配置用于基于所述第二样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第二价格弹性信息和所述目标产品的品牌标识表征的品牌的第一价格弹性信息,将所述目标产品的第二价格弹性信息和所述目标产品的品牌标识表征的品牌的第一价格弹性信息加入到价格弹性信息集合;
弹性生成模块,配置用于基于价格弹性信息集合,生成所述目标产品的价格弹性等级信息。
19.根据权利要求18所述的装置,其中,所述第一预设时间段包括至少一个第二子时间段,所述第二子时间段包括至少一个第一子时间段,所述弹性生成单元还包括:
融合模块,配置用于对于所述至少一个第二子时间段中的每个第二子时间段,确定在该第二子时间段内第一订单数据的条数大于预设条数的产品的第一订单数据,将同一产品在该第二子时间段内确定的第一订单数据融合成第三订单数据;
第三选取模块,配置用于从第三订单数据中选取价格变动次数和销量变动次数超过所述预设变动次数阈值的产品的第三订单数据,生成第三样本集合;
第三确定模块,配置用于基于所述第三样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第三价格弹性信息和所述目标产品的品类标识表征的品类的第二价格弹性信息,将所述目标产品的第三价格弹性信息和所述目标产品的品类标识表征的品类的第二价格弹性信息加入到价格弹性信息集合;
第四选取模块,配置用于从所述第三样本集合中选取具有与所述目标产品相同的品牌标识的产品的第三订单数据,生成第四样本集合;
第四确定模块,配置用于基于所述第四样本集合以及所确定的销量随时间变化的信息,确定所述目标产品的第四价格弹性信息和所述目标产品的品牌标识表征的品牌的第二价格弹性信息,将所述目标产品的第四价格弹性信息和所述目标产品的品牌标识表征的品牌的第二价格弹性信息加入到价格弹性信息集合。
20.根据权利要求18所述的装置,其中,所述弹性生成单元还包括:
品牌合并模块,配置用于在所述第一样本集合涉及的产品和品牌标识中,对包含产品数量小于等于预设产品数量的品牌的品牌标识进行合并。
21.根据权利要求18所述的装置,其中,所述弹性生成模块还包括:
弹性筛选子模块,配置用于从价格弹性信息集合中确定可决系数大于可决系数阈值的至少一个价格弹性信息;
弹性确定子模块,配置用于将所述至少一个价格弹性信息中显著性检验统计量大于显著性检验统计量阈值并且显著性检验统计量最高的价格弹性信息确定为所述目标产品的价格弹性信息;
弹性生成子模块,配置用于基于确定的价格弹性信息与价格弹性信息阈值的大小关系,生成所述目标产品的价格弹性等级信息。
22.根据权利要求13所述的装置,其中,所述弹性生成单元包括:
属性提取模块,配置用于从所述第一预设时间段内的第一订单数据中提取所述目标产品的至少一个属性的值;
属性值确定模块,配置用于对于所述至少一个属性中的每个属性,将针对该属性所提取的值的四分位数和/或标准差确定为该属性的属性值;
弹性确定模块,配置用于将所述至少一个属性的属性值输入至预先训练的随机森林模型,得到所述目标产品的价格弹性信息,所述随机森林模型用于表征属性值与价格弹性信息之间的对应关系;
弹性生成模块,配置用于基于所述目标产品的价格弹性信息与价格弹性信息阈值的大小关系,生成所述目标产品的价格弹性等级信息。
23.根据权利要求21所述的装置,其中,所述随机森林模型通过如下步骤训练得到:
获取多个训练样本,每个训练样本包括具有与所述目标产品相同的品类标识的产品的属性值以及基于产品的属性值预先确定的价格弹性信息;
将每个训练样本的属性值作为输入,将每个训练样本的价格弹性信息作为输出,训练得到所述随机森林模型。
24.根据权利要求14所述的装置,其中,所述流量生成单元包括:
产品确定模块,配置用于确定所述目标店铺中销量大于预设销量和/或被浏览的次数大于预设次数的产品的数量;
阈值确定模块,配置用于基于所述目标店铺被浏览的次数以及所确定的产品数量,确定浏览次数阈值;
流量生成模块,配置用于基于所述目标产品被浏览的次数与所述浏览次数阈值的大小关系,生成所述目标店铺中所述目标产品的流量等级信息。
25.一种服务器,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1-12中任一所述的方法。
26.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810295280.1A CN110348922A (zh) | 2018-04-04 | 2018-04-04 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810295280.1A CN110348922A (zh) | 2018-04-04 | 2018-04-04 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348922A true CN110348922A (zh) | 2019-10-18 |
Family
ID=68173445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810295280.1A Pending CN110348922A (zh) | 2018-04-04 | 2018-04-04 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348922A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784213A (zh) * | 2019-11-08 | 2021-05-11 | 北京沃东天骏信息技术有限公司 | 一种生成信息的方法和装置 |
CN113139803A (zh) * | 2021-04-08 | 2021-07-20 | 北京京东振世信息技术有限公司 | 订单信息生成方法、装置、电子设备和计算机可读介质 |
CN116805254A (zh) * | 2023-08-22 | 2023-09-26 | 深圳市感恩网络科技有限公司 | 一种基于大数据的产品营销状态评估系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376457A (zh) * | 2014-09-26 | 2015-02-25 | 冯冀生 | 折扣计费终端、折扣计费系统及折扣计费方法 |
US20160092898A1 (en) * | 2014-09-30 | 2016-03-31 | Mengjiao Wang | Intelligent pricing |
CN106875221A (zh) * | 2017-02-15 | 2017-06-20 | 北京微影时代科技有限公司 | 一种订单调价方法及装置 |
CN107103500A (zh) * | 2017-05-18 | 2017-08-29 | 广州找塑料网络科技有限公司 | 塑料原料每日成交价格计算方法及装置 |
CN107292661A (zh) * | 2017-06-02 | 2017-10-24 | 网易无尾熊(杭州)科技有限公司 | 计算机实现的基于数据分析辅助制定价格的方法及设备 |
CN107292643A (zh) * | 2016-03-31 | 2017-10-24 | 上海百姓网客齐集股份有限公司 | 基于网络市场的自动调价方法及其自动调价系统 |
CN107451779A (zh) * | 2017-08-01 | 2017-12-08 | 北京同城必应科技有限公司 | 一种动态调价方法和装置、计算机设备、存储介质 |
-
2018
- 2018-04-04 CN CN201810295280.1A patent/CN110348922A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376457A (zh) * | 2014-09-26 | 2015-02-25 | 冯冀生 | 折扣计费终端、折扣计费系统及折扣计费方法 |
US20160092898A1 (en) * | 2014-09-30 | 2016-03-31 | Mengjiao Wang | Intelligent pricing |
CN107292643A (zh) * | 2016-03-31 | 2017-10-24 | 上海百姓网客齐集股份有限公司 | 基于网络市场的自动调价方法及其自动调价系统 |
CN106875221A (zh) * | 2017-02-15 | 2017-06-20 | 北京微影时代科技有限公司 | 一种订单调价方法及装置 |
CN107103500A (zh) * | 2017-05-18 | 2017-08-29 | 广州找塑料网络科技有限公司 | 塑料原料每日成交价格计算方法及装置 |
CN107292661A (zh) * | 2017-06-02 | 2017-10-24 | 网易无尾熊(杭州)科技有限公司 | 计算机实现的基于数据分析辅助制定价格的方法及设备 |
CN107451779A (zh) * | 2017-08-01 | 2017-12-08 | 北京同城必应科技有限公司 | 一种动态调价方法和装置、计算机设备、存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784213A (zh) * | 2019-11-08 | 2021-05-11 | 北京沃东天骏信息技术有限公司 | 一种生成信息的方法和装置 |
CN113139803A (zh) * | 2021-04-08 | 2021-07-20 | 北京京东振世信息技术有限公司 | 订单信息生成方法、装置、电子设备和计算机可读介质 |
CN116805254A (zh) * | 2023-08-22 | 2023-09-26 | 深圳市感恩网络科技有限公司 | 一种基于大数据的产品营销状态评估系统 |
CN116805254B (zh) * | 2023-08-22 | 2023-12-22 | 深圳市感恩网络科技有限公司 | 一种基于大数据的产品营销状态评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220101214A1 (en) | Machine learning artificial intelligence system for predicting popular hours | |
Satish et al. | A review: big data analytics for enhanced customer experiences with crowd sourcing | |
CN110647522B (zh) | 一种数据挖掘方法、装置及其系统 | |
CN106126391A (zh) | 系统监控方法和装置 | |
US20200327470A1 (en) | Cognitively-Derived Knowledge Base of Supply Chain Risk Management | |
US7853503B2 (en) | Transaction allocation | |
CN109976997A (zh) | 测试方法和装置 | |
CN110163705A (zh) | 用于推送信息的方法和装置 | |
CN110363604A (zh) | 页面生成方法和装置 | |
JP2022525760A (ja) | 予測rfmセグメンテーション | |
KR20220076012A (ko) | B2b 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템 | |
CN109685537A (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
US20210090105A1 (en) | Technology opportunity mapping | |
CN109815042A (zh) | 异常因素的定位方法、装置、服务器和存储介质 | |
CN110348922A (zh) | 用于生成信息的方法和装置 | |
CN110020876A (zh) | 一种信息生成方法和装置 | |
CN110720099A (zh) | 基于种子监督学习提供推荐的系统和方法 | |
CN109858756A (zh) | 一种服务质量缺陷诊断方法和装置 | |
CN109426998A (zh) | 信息推送方法和装置 | |
US8732090B2 (en) | Optimizing procurement spend compliance | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
CN110033292A (zh) | 信息输出方法和装置 | |
US20200286104A1 (en) | Platform for In-Memory Analysis of Network Data Applied to Profitability Modeling with Current Market Information | |
CN109218062A (zh) | 基于置信区间的互联网业务报警方法和装置 |
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 |