CN110415004A - 用于确定商品定价的方法及装置 - Google Patents
用于确定商品定价的方法及装置 Download PDFInfo
- Publication number
- CN110415004A CN110415004A CN201810389557.7A CN201810389557A CN110415004A CN 110415004 A CN110415004 A CN 110415004A CN 201810389557 A CN201810389557 A CN 201810389557A CN 110415004 A CN110415004 A CN 110415004A
- Authority
- CN
- China
- Prior art keywords
- price
- sales volume
- sales
- fitted
- selling price
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用于确定商品定价的方法,包括:采集所述商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售量;基于所采集的历史销售数据,拟合出销售量随销售价格变化的销售量‑销售价格曲线;以及利用所拟合出的销售量‑销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。利用该方法,可以使得商品定价更加符合商品的实际销售情况以及商家或公司的销售目标,从而提升商家或公司的经营效率。
Description
技术领域
本申请通常涉及计算机技术领域,更具体地,涉及一种用于确定商品定价的方法及装置。
背景技术
在销售商品的商家或公司的日常经营中,商品定价非常关键。商品定价过高会使得客户望而却步,导致客户数量减少,而商品定价过低则会使得商家或公司的利润降低。因此,如何合理地确定商品定价以提升商家或公司的经营效率成为亟需解决的问题。
发明内容
鉴于上述问题,本申请提供了一种用于确定商品定价的方法及装置。利用该方法及装置,通过基于商品的历史销售数据来拟合出销售量随价格变化的曲线,并利用所拟合出的曲线来确定出预定优化目标下的最优价格作为商品定价,可以使得商品定价更加符合商品的实际销售情况以及商家或公司的销售目标,从而提升商家或公司的经营效率。
根据本申请的一个方面,提供了一种用于确定商品定价的方法,包括:采集所述商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售量;基于所采集的历史销售数据,拟合出销售量随销售价格变化的销售量-销售价格曲线;以及利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。
可选地,在上述方面的一个示例中,利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价可以包括:利用所拟合出的销售量-销售价格曲线,构建与所述预定优化目标对应的目标函数;以及求解所构建的目标函数的价格极值,作为在所述预定优化目标下的商品定价。
可选地,在上述方面的一个示例中,所述预定优化目标可以包括下述优化目标中的至少一种:最大化销售额和最大化销售利润。
可选地,在上述方面的一个示例中,所述方法还可以包括:基于所构建的目标函数,获取所确定的商品定价的置信区间。
可选地,在上述方面的一个示例中,所述方法还可以包括:获取所拟合出的销售量-销售价格曲线的价格弹性系数和标准差;计算与所确定出的商品定价对应的销售额影响因子和/或销售量影响因子;以及利用所获取的价格弹性系数和标准差以及所计算出的销售额影响因子和/或销售量影响因子,获取不同调价策略的对应概率。
可选地,在上述方面的一个示例中,在所述预定优化目标是最大化销售额时,所构建的目标函数为:PGMV=Pd(P),其中,P表示商品价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式;和/或在所述预定优化目标是最大化销售利润时,所构建的目标函数为:PGP=(P-C)d(P),其中,P表示商品价格,c表示成本价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式。
可选地,在上述方面的一个示例中,所述销售额影响因子γGMV是按照下述公式计算的:其中,P表示商品价格,以及所述销售量影响因子γSALES是按照下述公式计算的:其中,GP(p)是基于所拟合出的销售量-销售价格曲线得出的销售利润关于销售价格的表达式,GMV(p)是基于所拟合出的销售量-销售价格曲线得出的总销售额关于销售价格的表达式,以及d(p)表示所拟合出的销售量-销售价格曲线的表达式。
可选地,在上述方面的一个示例中,所述方法还可以包括:对所采集的历史销售数据进行数据预处理。
可选地,在上述方面的一个示例中,所述数据预处理可以包括:对所采集的历史销售数据进行缺失值填补和/或异常值筛除;和/或将所采集的历史销售数据转换为特征数据。
根据本申请的另一方面,提供了一种用于确定商品定价的装置,包括:采集单元,用于采集所述商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售量;拟合单元,用于基于所采集的历史销售数据,拟合出销售量随销售价格变化的销售量-销售价格曲线;以及商品定价确定单元,用于利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。
可选地,在上述方面的一个示例中,所述商品定价确定单元包括:构建模块,用于利用所拟合出的销售量-销售价格曲线,构建与所述预定优化目标对应的目标函数;以及求解模块,用于求解所构建的目标函数的价格极值,作为在所述预定优化目标下的商品定价。
可选地,在上述方面的一个示例中,所述预定优化目标可以包括下述优化目标中的至少一种:最大化销售额和最大化销售利润。
可选地,在上述方面的一个示例中,所述商品定价确定单元还可以包括:第一获取模块,用于基于所构建的目前函数,获取所述最优价格的置信区间。
可选地,在上述方面的一个示例中,所述装置还可以还包括调价策略概率确定单元,用于确定调价策略的概率,所述调节策略概率确定单元包括:第二获取单元,用于获取所拟合出的销售量-销售价格曲线的价格弹性系数和标准差;计算单元,用于计算与所确定出的商品定价对应的销售额影响因子和/或销售量影响因子;以及第三获取单元,用于利用所获取的价格弹性系数和标准差以及所计算出的销售额影响因子和/或销售量影响因子,获取不同调价策略的对应概率。
可选地,在上述方面的一个示例中,在所述预定优化目标是最大化销售额时,所构建的目标函数为:PGMV=Pd(P),其中,P表示商品价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式;和/或在所述预定优化目标是最大化销售利润时,所构建的目标函数为:PGP=(P-C)d(P),其中,P表示商品价格,c表示成本价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式。
可选地,在上述方面的一个示例中,所述销售额影响因子γGMV是按照下述公式计算的:其中,P表示商品价格;以及所述销售量影响因子γSALES是按照下述公式计算的:其中,GP(p)是基于所拟合出的销售量-销售价格曲线得出的销售利润关于销售价格的表达式,GMV(p)是基于所拟合出的销售量-销售价格曲线得出的总销售额关于销售价格的表达式,以及d(p)表示所拟合出的销售量-销售价格曲线的表达式。
可选地,在上述方面的一个示例中,所述装置还可以包括:数据预处理单元,用于对所采集的历史销售数据进行数据预处理。
根据本申请的另一方面,提供了一种计算设备,包括:一个或多个处理器,以及与所述一个或多个处理器耦合的存储器,所述存储器存储指令,当所述指令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确定商品定价的方法。
根据本申请的另一方面,提供了一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的用于确定商品定价的方法。
附图说明
通过参照下面的附图,可以实现对于本公开内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同的附图标记。
图1示出了根据本申请的用于确定商品定价的方法的流程图;
图2示出了根据本申请的销售量-销售价格曲线的一个示例;
图3示出了图1中的用于利用所拟合出的销售量-销售价格曲线来确定商品定价的过程的一个实现示例的流程图;
图4示出了根据本申请的用于获取调价策略的概率的过程的一个实现示例的流程图;
图5示出了根据本申请的用于确定商品定价的装置的方框图;
图6示出了图5中的商品定价确定单元的一个实现示例的方框图;
图7示出了图5中的调价策略概率确定单元的一个实现示例的方框图;和
图8示出了根据本申请的用于确定商品定价的计算设备的方框图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。例如,所描述的方法可以按照与所描述的顺序不同的顺序来执行,以及各个步骤可以被添加、省略或者组合。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
图1示出了根据本申请的用于确定商品定价的方法的流程图。
如图1所示,在块S110,采集商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售数量。这里,商品是指待定价的商品,该商品可以是单个商品,也可以是单类商品或者某类商品组合。通常,商家或公司销售的一种款式的商品作为一类,例如牙刷款式1,牙刷款式2,牙膏款式1等。针对每一类商品,商家或公司可以采用一个唯一id来标识。历史销售数据的采集可以采用任何合适的数据采集设备/装置来实现。
在采集到商品的历史销量数据后,在块S120,基于所获取的历史销量数据,拟合出销售量随销售价格变化的销售量-销售价格曲线。这里,销售量-销售价格曲线的拟合可以采用下述模型中的至少一种来实现:统计模型,机器学习模型和深度学习模型。所述统计模型例如可以包括power law模型。所述机器学习模型例如可以包括随机森林、支持向量机、梯度提升决策树等。所述深度学习模型例如可以包括人工神经网络、卷积神经网络、循环神经网络等。
图2示出了根据本申请的实施例的示例销售量-销售价格曲线。在图2中所示的曲线中,横坐标表示销售价格,以及纵坐标表示销售量。从图2中可以看出,销售量随销售价格的提高而变小。
接着,在块S130,利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。在本申请的一个实现方式中,所述预定优化目标可以包括下述优化目标中的至少一种:最大化销售额和最大化销售利润。
图3示出了图1中的用于利用所拟合出的销售量-销售价格曲线来确定商品定价的过程的一个实现示例的流程图。
如图3所示,在块S131,利用所拟合出的销售量-销售价格曲线,构建与所述预定优化目标对应的目标函数。例如,在所述预定优化目标是最大化销售额时,所构建的目标函数可以为:PGMV=Pd(P),其中,P表示商品价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式。在所述预定优化目标是最大化销售利润时,所构建的目标函数可以为:PGP=(P-C)d(P),其中,P表示商品价格,c表示成本价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式。
在如上构建出目标函数后,在块S133中,针对所构建的目标函数进行价格极值求解,并将价格极值求解结果作为在该预定优化目标下的商品定价。例如,假设预定优化目标是最大化销售额,则对PGMV=Pd(P)进行价格极值求解,从而得出与最大化销售额对应的最优价格。假设预定优化目标是最大化销售利润,则对PGP=(P-C)d(P)进行价格极值求解,从而得出与最大化销售利润对应的最优价格。价格极值求解算法可以采用本领域的任何适用的极值求解算法,比如梯度下降法、枚举法、牛顿法、二分法等。
在如上确定出商品的商品定价后,可选地,所述方法还可以包括:将所确定出的商品定价通知给用户(比如商家或公司)。根据本申请的实施例,所述商品定价可以以文本形式、语音形式、图像形式或者视频形式通知给用户。所述通知可以是显示文本信息、图片信息、或播放音频信息等,也可以是向用户发送文本信息、图片信息或音频信息以在用户处显示。
此外,优选地,所述方法还可以包括:基于所构建的目标函数,获取所确定的商品定价的置信区间。例如,可以基于所构建的目标函数,通过置信区间算法的定义来获取所确定的商品定价的置信区间。术语“置信区间”是指由样本统计量所构造的总体参数的估计区间。在统计学中,一个概率样本的置信区间是对这个样本的某个总体参数的区间估计。置信区间所反映的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数的测量值的可信程度。置信区间通常采用概率的形式来表示,比如95%,其表示商品定价为该值的可能性为95%。
此外,优选地,所述方法还可以包括确定调价策略的概率的过程。术语“调价策略”表示不同的调价行为以及带来的总销量,总销售额,总利润分别的不同变化。调价策略通常是预先设定的,可以是不同的标准,是商品定价的结果。在一个实现方式中,调价策略可以包括下述情形:(1)情况1:降低价格,导致总销售额提升,总利润提升,总销量提升;(2)情况2:降低价格,导致总销售额提升,总利润下降,总销量提升;(3)情况3:提升价格,导致总销售额提升,总利润上升,总销量降低;(4)情况4:提升价格,导致总销售额降低,总利润上升,总销量降低;以及(5)情况5:价格不变,总销售额,总利润,总销量均不变。
图4示出了根据本申请的实施例的用于确定调价策略的概率的过程的一个实现示例的流程图。
如图4所示,在块S140,获取所拟合出的销售量-销售价格曲线的价格弹性系数和标准差。价格弹性系数是指商品的销售量发生变化的百分比与销售价格变化百分比之间的比率,是衡量由于价格变动所引起销售量变动的敏感度指标。当弹性系数为-1时,销售量的上升和价格的下降幅度是相抵的。当弹性系数大于-1时,销售量对价格的变化不敏感,此时价格上升将使得收益上升,而价格下降将使得收益下降。关于销售量-销售价格曲线的价格弹性系数和标准差的计算,在本领域是公知的,在此不再赘述。
在如上计算出销售量-销售价格曲线的弹性系数和标准差后,在块S150,计算与所确定出的商品定价对应的销售额影响因子和/或销售量影响因子。销售额影响因子是指销售利润和销售额在当前价格下的互换程度,即,销售额和销售利润相对价格变化的比值。销售量影响因子是销售利润和销售量在当前价格下的互换程度,即,销售利润和销售量相对价格变化的比值。其中,所述销售额影响因子γGMV是按照下述公式计算的:其中,P表示商品价格;以及所述销售量影响因子γSALES是按照下述公式计算的:其中,GP(p)是基于所拟合出的销售量-销售价格曲线得出的销售利润关于销售价格的表达式,GMV(p)是基于所拟合出的销售量-销售价格曲线得出的总销售额关于销售价格的表达式,以及d(p)是所拟合的销售量-销售价格曲线的表达式。
然后,在块S160,利用所获取的价格弹性系数和标准差以及所计算出的销售额影响因子和/或销售量影响因子,可以计算不同调价策略得到的结果的对应概率。例如,可以通过使用价格弹性的置信区间【γ1,γ2】,利用销售量的表达式来计算销售利润和总销售额的概率分布。
可选地,在本申请的一个实现方式中,在如上获取不同调价策略的对应概率后,所述方法还可以包括:将调价策略以及对应的概率通知给用户。
可选地,在本申请的一个实现方式中,所述方法还可以包括对所采集的历史销售数据进行数据预处理。在本申请的实现方式中,所述数据预处理可以包括:对所采集的历史销售数据进行缺失值填补和/或异常值筛除;和/或将所采集的历史销售数据转换为特征数据。
在本申请中,在商品销售数据获取期间,如果一个商品销售数据获取点所获取的商品销售数据相对于该商品销售数据获取期间的平均商品销售数据发生显著变化(比如过大或过小)时,认为该商品销售数据获取点所获取的商品销售数据为异常数据。例如,可以将大于商品销售数据获取期间的平均商品销售数据的预定倍数(例如,3倍)的商品销售数据确定为异常数据。或者,可以将小于商品销售数据获取期间的平均商品销售数据的预定百分比(例如,10%)的商品销售数据确定为异常数据。在这种情况,所述数据预处理可以包括异常数据筛除,用于从所获取的商品销售数据中筛除该类异常数据。
可选地,在本申请的一个示例中,商品的历史销售数据还可以包括销售日期,用于反映销售量的销售时间。根据销售日期可以判断出该销售日期是否是销售旺季、有空大活动等,从而判断销售数据的显著变化是否是由于季节性或重大活动导致的,而与销售价格关联不大。因此,可以利用销售日期,从所采集的历史销售数据中删除由于促销等造成的异常销售数据,由此有助于更好地拟合销售量随销售价格的变化曲线,即,销售量-销售价格曲线。
另外,为了后续历史销售数据处理,历史销售数据通常是采用统一的标准数据格式进行采集的,例如,针对每条历史销售数据,需要采集的数据包括三个字段:销售时间、销售价格和销售数量。然而,在采集销售数据时,可能会出现三个字段中的某个字段的值为空。在这种情况下,所述数据预处理可以包括对该缺失值进行填补。例如,假设所采集到的历史销售数据如下:第一条历史销售数据为“2017-1-1,2件,3.5元”,第二条历史销售数据为“2017-1-2,4件,3.4元”,第三条历史销售数据为“2017-1-4,,3.7元”,以及第四条历史销售数据为“2017-1-5,3件,3.5元”;则第三条历史销售数据中的销售量的数值缺失。在这种情况下,需要对第三条历史销售数据中的销售量的值进行缺失值填补。填补缺失值可以采用多种方式,常见的是利用该字段下非缺失值的均值代替,比如上述例子中,2017-1-4的销售量可以用(2+4+3)/3=3来代替。
此外,如上所述,销售量-销售价格曲线是利用模型来拟合的。为了使得所采集的历史销售数据能够为模型所使用,所述数据预处理可以包括对历史销售数据进行特征数据转换处理,即,将历史销售数据转换为模型能够使用的特征数据。
如上参照图1到图4描述了根据本申请的用于确定商品定价的方法。下面将结合图5到图8描述根据本申请的用于确定商品定价的装置。
图5示出了根据本申请的用于确定商品定价的装置(下文中称为商品定价确定装置500)的方框图。如图5所示,商品定价确定装置500包括采集单元510、拟合单元520和商品定价确定单元530。
采集单元510用于采集所述商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售量。采集单元510的操作类似于上面参照图1中的块S110的操作。
拟合单元520用于基于所采集的历史销售数据,拟合出销售量随销售价格变化的销售量-销售价格曲线。拟合单元520的操作类似于上面参照图1中的块S120的操作。
商品定价确定单元530用于利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。商品定价确定单元530的操作类似于上面参照图1中的块S130的操作。
图6示出了图5中的商品定价确定单元530的一个实现示例的方框图。如图6所示,商品定价确定单元530包括构建模块531和求解模块533。
构建模块531用于利用所拟合出的销售量-销售价格曲线,构建与所述预定优化目标对应的目标函数。构建模块531的操作类似于上面参照图3中的块S131的操作。
求解模块533用于求解所构建的目标函数的价格极值,作为在所述预定优化目标下的商品定价。求解模块533的操作类似于上面参照图3中的块S133的操作。
此外,可选地,在本申请的一个实现方式中,商品定价确定单元530还可以包括第一获取模块535,用于基于所构建的目前函数,获取所确定的商品定价的置信区间。
此外,可选地,商品定价确定装置500还可以包括存储单元540,用于存储用于拟合销售量-销售价格曲线的模型,所述模型例如可以包括统计模型、机器学习模型和深度学习模型。在这种情况下,拟合单元520利用存储单元540中存储的模型来拟合销售量-销售价格曲线。
此外,可选地,商品定价确定装置500还可以包括通知单元560,用于将所确定的商品定价通知给用户。
此外,可选地,商品定价确定装置500还可以包括调价策略概率确定单元550,用于确定调价策略的概率。
图7示出了图5中的调价策略概率确定单元550的一个实现示例的方框图。
如图7所示,调价策略概率确定单元550包括第二获取模块551、计算模块553和第三获取模块555。
第二获取模块551用于获取所拟合出的销售量-销售价格曲线的价格弹性系数和标准差。第二获取模块551的操作类似于上面参照图4中的块S140的操作。
计算模块553用于计算与所确定出的最优价格对应的销售额影响因子和/或销量影响因子。计算模块553的操作类似于上面参照图4中的块S150的操作。
第三获取模块555用于利用所获取的价格弹性系数和标准差以及所计算出的销售额影响因子和/或销售量影响因子,获取不同调价策略的对应概率。第三获取模块555的操作类似于上面参照图4中的块S160的操作。
此外,可选地,通知单元560还用于将所确定出的调价策略的概率通知给用户。
如上参照图1到图7,对根据本申请的用于确定商品定价的方法和装置的实施例进行了描述。上面的商品定价确定装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。
在本申请中,商品定价确定装置可以利用计算设备实现。图8示出了根据本申请的实施例的用于确定商品定价的计算设备800的方框图。根据一个实施例,计算设备800可以包括一个或多个处理器810,该一个或多个处理器810执行在计算机可读存储介质(即,存储器820)中存储或编码的一个或多个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器820中存储计算机可执行指令,其当执行时使得一个或多个处理器810:采集所述商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售量;基于所采集的历史销售数据,拟合出销售量随销售价格变化的销售量-销售价格曲线;以及利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。
应该理解,在存储器820中存储的计算机可执行指令当执行时使得一个或多个处理器810进行本申请的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例,提供了一种比如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本申请的各个实施例中以上结合图1-7描述的各种操作和功能。具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
本领域技术人员应当理解,上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此,本发明的保护范围应当由所附的权利要求书来限定。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理实体实现,或者,有些单元可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元或模块可以通过机械方式或电气方式实现。例如,一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (19)
1.一种用于确定商品定价的方法,包括:
采集所述商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售量;
基于所采集的历史销售数据,拟合出销售量随销售价格变化的销售量-销售价格曲线;以及
利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。
2.如权利要求1所述的方法,其中,利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价包括:
利用所拟合出的销售量-销售价格曲线,构建与所述预定优化目标对应的目标函数;以及
求解所构建的目标函数的价格极值,作为在所述预定优化目标下的商品定价。
3.如权利要求1或2所述的方法,其中,所述预定优化目标包括下述优化目标中的至少一种:最大化销售额和最大化销售利润。
4.如权利要求2所述的方法,还包括:
基于所构建的目标函数,获取所确定的商品定价的置信区间。
5.如权利要求2所述的方法,还包括:
获取所拟合出的销售量-销售价格曲线的价格弹性系数和标准差;
计算与所确定出的商品定价对应的销售额影响因子和/或销售量影响因子;以及
利用所获取的价格弹性系数和标准差以及所计算出的销售额影响因子和/或销售量影响因子,获取不同调价策略的对应概率。
6.如权利要求3所述的方法,其中,在所述预定优化目标是最大化销售额时,所构建的目标函数为:
PGMV=Pd(P),其中,P表示商品价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式;和/或
在所述预定优化目标是最大化销售利润时,所构建的目标函数为:
PGP=(P-C)d(P),其中,P表示商品价格,c表示成本价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式。
7.如权利要求5所述的方法,其中,所述销售额影响因子γGMV是按照下述公式计算的:
其中,P表示商品价格;以及
所述销售量影响因子γSALES是按照下述公式计算的:
其中,GP(p)是基于所拟合出的销售量-销售价格曲线得出的销售利润关于销售价格的表达式,GMV(p)是基于所拟合出的销售量-销售价格曲线得出的总销售额关于销售价格的表达式,以及d(p)是所拟合出的销售量-销售价格曲线的表达式。
8.如权利要求1所述的方法,还包括:
对所采集的历史销售数据进行数据预处理。
9.如权利要求8所述的方法,其中,所述数据预处理包括:
对所采集的历史销售数据进行缺失值填补和/或异常值筛除;和/或
将所采集的历史销售数据转换为特征数据。
10.一种用于确定商品定价的装置,包括:
采集单元,用于采集所述商品的历史销售数据,所述历史销售数据至少包括销售价格以及对应的销售量;
拟合单元,用于基于所采集的历史销售数据,拟合出销售量随销售价格变化的销售量-销售价格曲线;以及
商品定价确定单元,用于利用所拟合出的销售量-销售价格曲线,确定出预定优化目标下的最优价格作为商品定价。
11.如权利要求10所述的装置,其中,所述商品定价确定单元包括:
构建模块,用于利用所拟合出的销售量-销售价格曲线,构建与所述预定优化目标对应的目标函数;以及
求解模块,用于求解所构建的目标函数的价格极值,作为在所述预定优化目标下的商品定价。
12.如权利要求10或11所述的装置,其中,所述预定优化目标包括下述优化目标中的至少一种:最大化销售额和最大化销售利润。
13.如权利要求11所述的装置,其中,所述商品定价确定单元还包括:
第一获取模块,用于基于所构建的目前函数,获取所确定的商品定价的置信区间。
14.如权利要求11所述的装置,还包括调价策略概率确定单元,用于确定调价策略的概率,所述调节策略确定单元包括:
第二获取模块,用于获取所拟合出的销售量-销售价格曲线的价格弹性系数和标准差;
计算模块,用于计算与所确定出的商品定价对应的销售额影响因子和/或销售量影响因子;以及
第三获取模块,用于利用所获取的价格弹性系数和标准差以及所计算出的销售额影响因子和/或销售量影响因子,获取不同调价策略的对应概率。
15.如权利要求12所述的装置,其中,在所述预定优化目标是最大化销售额时,所构建的目标函数为:
PGMV=Pd(P),其中,P表示商品价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式;或者
在所述预定优化目标是最大化销售利润时,所构建的目标函数为:
PGP=(P-C)d(P),其中,P表示商品价格,c表示成本价格,以及d(P)表示所拟合出的销售量-销售价格曲线的表达式。
16.如权利要求14所述的装置,其中,所述销售额影响因子γGMV是按照下述公式计算的:
其中,P表示商品价格;以及
所述销售量影响因子γSALES是按照下述公式计算的:
其中,GP(p)是基于所拟合出的销售量-销售价格曲线得出的销售利润关于销售价格的表达式,GMV(p)是基于所拟合出的销售量-销售价格曲线得出的总销售额关于销售价格的表达式,以及d(p)表示所拟合出的销售量-销售价格曲线的表达式。
17.如权利要求10所述的装置,还包括:
数据预处理单元,用于对所采集的历史销售数据进行数据预处理。
18.一种计算设备,包括:
一个或多个处理器,以及
与所述一个或多个处理器耦合的存储器,所述存储器存储指令,当所述指令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权利要求1到9中任一所述的方法。
19.一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1到9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389557.7A CN110415004A (zh) | 2018-04-27 | 2018-04-27 | 用于确定商品定价的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389557.7A CN110415004A (zh) | 2018-04-27 | 2018-04-27 | 用于确定商品定价的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110415004A true CN110415004A (zh) | 2019-11-05 |
Family
ID=68346093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810389557.7A Pending CN110415004A (zh) | 2018-04-27 | 2018-04-27 | 用于确定商品定价的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415004A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047354A (zh) * | 2019-11-27 | 2020-04-21 | 北京三快在线科技有限公司 | 一种分时定价的实现方法、装置、电子设备和存储介质 |
CN111598618A (zh) * | 2020-05-14 | 2020-08-28 | 武汉轻工大学 | 三维曲面数据估算方法、装置、设备及存储介质 |
CN111798261A (zh) * | 2020-03-24 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 信息更新的方法和装置 |
CN112488771A (zh) * | 2020-12-17 | 2021-03-12 | 深圳市华宇讯科技有限公司 | 自动设置商品价格的方法、装置、设备和存储介质 |
CN113112302A (zh) * | 2021-04-20 | 2021-07-13 | 上海外国语大学 | 一种基于电商预售模式的产品折扣智能设置方法 |
CN114445114A (zh) * | 2020-10-30 | 2022-05-06 | Ncr公司 | 基于平台的定价策略服务 |
WO2022247741A1 (zh) * | 2021-05-28 | 2022-12-01 | 盒马(中国)有限公司 | 商品对象价格信息处理方法、装置及电子设备 |
CN116757730A (zh) * | 2023-07-03 | 2023-09-15 | 中科智宏(北京)科技有限公司 | 一种电商商品销售价格的预测方法、装置及存储介质 |
CN116883084A (zh) * | 2023-09-08 | 2023-10-13 | 青岛巨商汇网络科技有限公司 | 一种基于销售评价的数据智能监控预警方法及系统 |
-
2018
- 2018-04-27 CN CN201810389557.7A patent/CN110415004A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047354A (zh) * | 2019-11-27 | 2020-04-21 | 北京三快在线科技有限公司 | 一种分时定价的实现方法、装置、电子设备和存储介质 |
CN111798261A (zh) * | 2020-03-24 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 信息更新的方法和装置 |
CN111598618A (zh) * | 2020-05-14 | 2020-08-28 | 武汉轻工大学 | 三维曲面数据估算方法、装置、设备及存储介质 |
CN114445114A (zh) * | 2020-10-30 | 2022-05-06 | Ncr公司 | 基于平台的定价策略服务 |
CN112488771A (zh) * | 2020-12-17 | 2021-03-12 | 深圳市华宇讯科技有限公司 | 自动设置商品价格的方法、装置、设备和存储介质 |
CN112488771B (zh) * | 2020-12-17 | 2024-03-26 | 深圳市华宇讯科技有限公司 | 自动设置商品价格的方法、装置、设备和存储介质 |
CN113112302A (zh) * | 2021-04-20 | 2021-07-13 | 上海外国语大学 | 一种基于电商预售模式的产品折扣智能设置方法 |
WO2022247741A1 (zh) * | 2021-05-28 | 2022-12-01 | 盒马(中国)有限公司 | 商品对象价格信息处理方法、装置及电子设备 |
CN116757730A (zh) * | 2023-07-03 | 2023-09-15 | 中科智宏(北京)科技有限公司 | 一种电商商品销售价格的预测方法、装置及存储介质 |
CN116883084A (zh) * | 2023-09-08 | 2023-10-13 | 青岛巨商汇网络科技有限公司 | 一种基于销售评价的数据智能监控预警方法及系统 |
CN116883084B (zh) * | 2023-09-08 | 2023-11-28 | 青岛巨商汇网络科技有限公司 | 一种基于销售评价的数据智能监控预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415004A (zh) | 用于确定商品定价的方法及装置 | |
Chatterjee et al. | Escaping Malthus: economic growth and fertility change in the developing world | |
US7577578B2 (en) | Method for determining the post-launch performance of a product on a market | |
US20150112762A1 (en) | Optimization of product assortments | |
KR20180072793A (ko) | 푸시 정보 대략 선택 정렬 방법, 디바이스 및 컴퓨터 저장 매체 | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
JP6683550B2 (ja) | 情報分析装置および情報分析方法 | |
CN108074138A (zh) | 一种衡量广告投放的方法及装置 | |
CN111127074B (zh) | 一种数据推荐方法 | |
CN113656691A (zh) | 数据预测方法、装置及存储介质 | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
CN114240473A (zh) | 基于sku智能补货的方法及系统 | |
WO2020086872A1 (en) | Method and system for generating ensemble demand forecasts | |
CN111915344A (zh) | 一种基于医疗大数据的新会员催熟方法和装置 | |
CN110517083A (zh) | 一种确定用户属性信息的方法及装置 | |
CN117172825A (zh) | 基于大数据的电商数据分析方法、装置及计算设备 | |
CN110809778A (zh) | 股价预测辅助系统以及方法 | |
CN111292126B (zh) | 供需分析方法、装置、设备及可读存储介质 | |
CN109360032B (zh) | 客户评估方法、装置、设备以及存储介质 | |
CN112508594B (zh) | 带货视频的商品销量属性估算方法及装置 | |
CN112163877B (zh) | 一种基于机器学习的投放策略自动生成方法及电子装置 | |
JP6071408B2 (ja) | プロモーション管理システムおよびプロモーション管理用プログラム | |
CN107330732B (zh) | 一种电子产品定价方法及一种服务器集群 | |
Traversaro et al. | Characterization of autoregressive processes using entropic quantifiers | |
CN113407827A (zh) | 基于用户价值分类的信息推荐方法、装置、设备及介质 |
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 |