CN110738508A - 一种数据分析方法和装置 - Google Patents
一种数据分析方法和装置 Download PDFInfo
- Publication number
- CN110738508A CN110738508A CN201810796750.2A CN201810796750A CN110738508A CN 110738508 A CN110738508 A CN 110738508A CN 201810796750 A CN201810796750 A CN 201810796750A CN 110738508 A CN110738508 A CN 110738508A
- Authority
- CN
- China
- Prior art keywords
- class
- target
- time period
- total sales
- proportion
- 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 52
- 238000007405 data analysis Methods 0.000 title claims abstract description 40
- 230000003321 amplification Effects 0.000 claims description 25
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据分析方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。该实施方式把对销售指标的直接预测转换成对物品所属品类的品类占比预测,大大提高预测结果的准确性,从而指导促销期提前准确备货。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据分析方法和装置。
背景技术
基于目前大型零售行业多品类、多促销问题。促销本身的特性中包含很大的不确定性,规律性较低,导致销售指标的预测难度较大。现有技术的预测方法主要是直接预测销售指标,例如直接预测某物品的销量,在重大促销场景下,这种预测方法是失效的,准确性低。与此同时,零售行业需要提前备货,这就形成了提前备货与预测不准确的矛盾点。为了更准确的提前备货,需要一种有效的预测方法来解决此问题。
发明内容
有鉴于此,本发明实施例提供一种数据分析方法和装置,把对销售指标的直接预测转换成对物品所属品类的品类占比预测,用户对不同品类的购买占比在不同年份是变化不大的,问题就从预测绝对量变成预测相对量,大大提高预测结果的准确性,从而指导促销期提前准确备货。
根据本发明实施例的一个方面,提供了一种数据分析方法。
根据本发明实施例的数据分析方法包括:
根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;
根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;
根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;
根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
可选地,根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标,包括:根据往期多个时间段内所有物品的总销售指标,按照如下预测公式预测目标时间段内所有物品的理论总销售指标,根据理论总销售指标预测目标时间段内所有物品的总销售指标:
式中,ordern表示目标时间段内所有物品的理论总销售指标;M表示往期的时间段数量,1≤M≤n-1;ordern-m表示第(n-m)个时间段内所有物品的总销售指标;αn-m表示第(n-m)个时间段内所有物品的总销售指标的权重;ε1表示预测偏差。
可选地,根据理论总销售指标预测目标时间段内所有物品的总销售指标,包括:根据理论总销售指标,按照如下修正公式预测目标时间段内所有物品的总销售指标:
order=ω1×ordern+ω2×μ×ordern-1
式中,order表示目标时间段内所有物品的总销售指标;μ表示预设的增幅比例,μ×ordern-1表示增幅量;ω1表示理论总销售指标的权重;ω2表示增幅量的权重。
可选地,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比,包括:
选取多个时间窗口,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型;将训练好的时序模型和GBRT模型融合得到品类预测模型;以各个时间窗口内目标物品所属品类的品类占比作为输入,利用品类预测模型预测目标时间段内目标物品所属品类的品类占比。
可选地,品类预测模型为:
式中,y表示目标时间段内目标物品所属品类的品类占比;rhw表示时序模型预测的目标时间段内目标物品所属品类的品类占比,rgbrt表示GBRT模型预测的目标时间段内目标物品所属品类的品类占比;表示rhw的修正系数,表示rgbrt的修正系数;β1表示rhw的权重,β2表示rgbrt的权重,ε2表示品类预测模型的预测偏差。
式中,Sy表示第y个样本的真实值,B表示样本量,Q表示预设的阈值。
可选地,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型之前,还包括:确认该所述多个时间窗口满足如下条件:
式中,xij为第i个品类在第j个时间窗口内的品类占比,为一组时间序列;σ,μ分别为第i个品类在各个时间窗口内的品类占比的标准差和均值;A为时间窗口的数量;γ,θ为弹性系数;I为示性函数,xij≤μ+θσ时I=0、xij>μ+θσ时I=1。
可选地,本发明实施例的数据分析方法还包括:确定第i个品类在各个时间窗口内的品类占比,然后对得到的各个品类占比进行数据清洗,以数据清洗后的各个品类占比确定第i个品类在各个时间窗口内的品类占比的标准差和均值。
根据本发明实施例的一个方面,提供了一种数据分析装置。
根据本发明实施例的数据分析装置包括:
总销售指标预测模块,根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;
品类占比预测模块,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;
分析模块,根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
可选地,总销售指标预测模块还用于:根据往期多个时间段内所有物品的总销售指标,按照如下预测公式预测目标时间段内所有物品的理论总销售指标,根据理论总销售指标预测目标时间段内所有物品的总销售指标:
式中,ordern表示目标时间段内所有物品的理论总销售指标;M表示往期的时间段数量,1≤M≤n-1;ordern-m表示第(n-m)个时间段内所有物品的总销售指标;αn-m表示第(n-m)个时间段内所有物品的总销售指标的权重;ε1表示预测偏差。
可选地,总销售指标预测模块还用于:根据理论总销售指标,按照如下修正公式预测目标时间段内所有物品的总销售指标:
order=ω1×ordern+ω2×μ×ordern-1
式中,order表示目标时间段内所有物品的总销售指标;μ表示预设的增幅比例,μ×ordern-1表示增幅量;ω1表示理论总销售指标的权重;ω2表示增幅量的权重。
可选地,本发明实施例的数据分析装置还包括:预处理模块,选取多个时间窗口,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型;将训练好的时序模型和GBRT模型融合得到品类预测模型;
品类占比预测模块还用于:以各个时间窗口内目标物品所属品类的品类占比作为输入,利用品类预测模型预测目标时间段内目标物品所属品类的品类占比。
可选地,品类预测模型为:
式中,y表示目标时间段内目标物品所属品类的品类占比;rhw表示时序模型预测的目标时间段内目标物品所属品类的品类占比,rgbrt表示GBRT模型预测的目标时间段内目标物品所属品类的品类占比;表示rhw的修正系数,表示rgbrt的修正系数;β1表示rhw的权重,β2表示rgbrt的权重,ε2表示品类预测模型的预测偏差。
式中,Sy表示第y个样本的真实值,B表示样本量,Q表示预设的阈值。
可选地,预处理模块还用于:以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型之前,确认该所述多个时间窗口满足如下条件:
式中,xij为第i个品类在第j个时间窗口内的品类占比,为一组时间序列;σ,μ分别为第i个品类在各个时间窗口内的品类占比的标准差和均值;A为时间窗口的数量;γ,θ为弹性系数;I为示性函数,xij≤μ+θσ时I=0、xij>μ+θσ时I=1;P表示概率。
可选地,预处理模块还用于:确定第i个品类在各个时间窗口内的品类占比,然后对得到的各个品类占比进行数据清洗,以数据清洗后的各个品类占比确定第i个品类在各个时间窗口内的品类占比的标准差和均值。
根据本发明实施例的另一个方面,提供了一种数据分析电子设备。
根据本发明实施例的数据分析电子设备,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,
当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现本发明实施例第一方面提供的数据分析方法。
根据本发明实施例的再一个方面,提供了一种计算机可读介质。
根据本发明实施例的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例第一方面提供的数据分析方法。
上述发明中的一个实施例具有如下优点或有益效果:把对销售指标的直接预测转换成对物品所属品类的品类占比预测,用户对不同品类的购买占比在不同年份是变化不大的,问题就从预测绝对量变成预测相对量,大大提高预测结果的准确性,从而指导促销期提前准确备货。采用时间序列与GBRT两种算法的结合更能准确的预测品类占比。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的数据分析方法的主要流程的示意图;
图2是根据本发明实施例的数据分析方法的原理示意图;
图3是根据本发明一些实施例的数据分析装置的主要模块的示意图;
图4是根据本发明另一些实施例的数据分析装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
根据本发明实施例的一个方面,提供了一种数据分析方法。
图1是根据本发明实施例的数据分析方法的主要流程的示意图。如图1所示,根据本发明实施例的数据分析方法包括:步骤S101、步骤S102、步骤S103和步骤S104。
步骤S101、根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标。
往期是指预测目标时间段之前的历史时期。在采用往期历史数据预测预测目标时间段的销售指标时,通常情况下,使往期中每一期的促销活动与预测目标时间段的促销活动的促销力度相等或者相差不大,以便使得预测结果的准确性更高。例如,若预测目标时间段为2018年国庆期间,即10月1日至7日,由于国庆期间的促销力度一般较大,因此可以采用促销力度近似的往期(例如,2018年之前若干年的国庆期间,或者,2018年之前若干年内国庆期间和中秋期间)的历史数据进行预测。
销售指标可以根据实际情况进行选择性设定,例如以销售量或者订单量作为销售指标,或者以利润作为销售指标,等。
根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标时,可以选择最近2年、3年或更多年内同等促销力度期内历史数据,采用线性回归方法进行预测。可选地,根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标,包括:根据往期多个时间段内所有物品的总销售指标,按照如下预测公式预测目标时间段内所有物品的理论总销售指标,根据理论总销售指标预测目标时间段内所有物品的总销售指标:
式中,ordern表示目标时间段内所有物品的理论总销售指标;M表示往期的时间段数量,1≤M≤n-1;ordern-m表示第(n-m)个时间段内所有物品的总销售指标;αn-m表示第(n-m)个时间段内所有物品的总销售指标的权重;ε1表示预测偏差。
M的取值可以根据实际情况进行选择设定,例如,M=3,表示根据预测目标时间段之前1期、2期、3期的同等级促销力度的总销售指标预测目标时间段内所有物品的理论总销售指标。
根据理论总销售指标预测目标时间段内所有物品的总销售指标时,可以直接以理论总销售指标作为目标时间段内所有物品的总销售指标,也可以根据理论总销售指标,按照如下修正公式预测目标时间段内所有物品的总销售指标:
order=ω1×ordern+m2×μ×ordern-1
式中,order表示目标时间段内所有物品的总销售指标;μ表示预设的增幅比例,μ×ordern-1表示增幅量;ω1表示理论总销售指标的权重;ω2表示增幅量的权重。
ω1和ω2的取值可以根据实际情况进行选择设定,二者的取值范围均为[0,1]。例如,ω1=ω2=0.5,或者,ω1=0.8、ω2=0.2。
采用修正公式对理论总销售指标进行修正,能够使得到的预测目标时间段内所有物品的总销售指标更准确、且便于根据实际促销情况和促销策略进行适用性调整。例如,预期增幅较大时,可以调高增幅比例μ的取值,预期增幅较小时,可以调低增幅比例μ的取值。
步骤S102、根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比。
总销售指标是所有物品的销售指标的总和,例如总销售量是所有物品的销售量的总和。目标物品在所属品类的销售指标占比是指目标物品所属品类的销售指标在总销售指标中的占比,例如目标物品在所属品类的销售量占比是目标物品所属品类的销售量在总销售量中的百分比。
把对销售指标的直接预测转换成对物品所属品类的品类占比预测,用户对不同品类的购买占比在不同年份是变化不大的,问题就从预测绝对量变成预测相对量,大大提高预测结果的准确性,从而指导促销期提前准确备货。
可选地,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比,包括:选取多个时间窗口,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT(Gradient Boosted Regression Tree,渐进梯度回归树)模型;将训练好的时序模型和GBRT模型融合得到品类预测模型;以各个时间窗口内目标物品所属品类的品类占比作为输入,利用品类预测模型预测目标时间段内目标物品所属品类的品类占比。
时序模型可以采用Holt-Winters(三次指数平滑法),是一种有增长或者降低趋势并且存在季节性波动的时间序列的预测算法。采用时序模型能够学习出季节性等周期性,从而对有周期性的指标进行准确预测。
GBRT(Gradient Boosted Regression Tree,渐进梯度回归树)模型比时序模型多一个构建特征过程。主要特征可以包括:销量、库存、价格波动系数、上柜时间等。GBRT模型对特征进行二次加工的方式,包括但不限于时间衰减、排序、取对数等。GBRT的特性是较为准确预测下一阶段数据。
采用时间序列与GBRT两种算法的结合更能准确的预测品类占比。
可选地,品类预测模型为:
式中,y表示目标时间段内目标物品所属品类的品类占比;rhw表示时序模型预测的目标时间段内目标物品所属品类的品类占比,rgbrt表示GBRT模型预测的目标时间段内目标物品所属品类的品类占比;表示rhw的修正系数,表示rgbrt的修正系数;β1表示rhw的权重,β2表示rgbrt的权重,ε2表示品类预测模型的预测偏差。
β1和β2的取值可以根据实际情况进行选择设定,二者的取值范围均为[0,1]。例如,β1=β2=0.5,或者,β1=0.6、β2=0.4等。
和是对于时间模型与GBRT模型两个模型预测结果的修正,相当于用两个模型预测结果的二次预测得出的,二者的取值可以采用MAPE(Mean Absolute Percent Error,平均绝对百分误差)结果来调节。可选地,和的取值满足如下条件:
式中,Sy表示第y个样本的真实值,B表示样本量,Q表示预设的阈值。
上述条件中不等号左侧的多项式代表MAPE值,表示单个品类的品类占比对应的MAPE值如果在Q以内,就可以认为模型可靠。MAPE值越大,说明预测值与真实值差别越大,也即预测效果越差。一般情况下,Q=0.5。
在选取时间窗口时,可以首先对不同促销类型进行分类。根据促销期长短、促销类型选取品类比例时间窗口。由海量数据验证发现,如果时间窗口过短,品类占比呈不稳定趋势,干扰因素较多,预测算法难以有效预测,根据标准差和均值两个指标来衡量数据稳定性。因此,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型之前,还可以包括:确认该所述多个时间窗口满足如下校验条件:
式中,xij为第i个品类在第j个时间窗口内的品类占比,为一组时间序列;σ,μ分别为第i个品类在各个时间窗口内的品类占比的标准差和均值;A为时间窗口的数量;γ,θ为弹性系数;I为示性函数,xij≤μ+θσ时I=0、xij>μ+θσ时I=1;P表示概率。
γ和θ的取值可以根据实际情况进行选择设定,通常情况下,γ=10%,θ=1~3。
进一步地,可以先确定第i个品类在各个时间窗口内的品类占比,然后对得到的各个品类占比进行数据清洗,以数据清洗后的各个品类占比确定第i个品类在各个时间窗口内的品类占比的标准差和均值。数据清洗的方法可以根据实际情况进行选择,例如,剔除异常值,或者,剔除上下10%分位数据(即大于90%分位数的和小于10%分位数的数据)。
采用上述方法确定的时间窗口,能够准确确定作为模型的训练数据集的数据起止时间,使得选取的训练数据集的数据稳定,能够准确预测,此外,还不会导致数据量过大、模型训练时间长、不经济而且效率低等问题。
步骤S103、根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比。
目标物品所属品类的销售指标是该品类内所有物品的销售指标的总和,例如目标物品所属品类的销售量是该品类内所有物品的销售量的总和。目标物品在所属品类的销售指标占比是指目标物品的销售指标在目标物品所属品类的销售指标中的占比,例如目标物品在所属品类的销售量占比是目标物品的销售量在目标物品所属品类的销售量中的百分比。示例性地,目标物品C1所属品类包含五种物品,分别为C1、C2、C3、C4、C5,这五种物品的销售指标分别为a1、a2、a3、a4、a5,则目标物品C1在所属品类的销售指标占比为:
根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比的具体方法可以根据实际情况进行选择。例如,采用步骤S101中根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标的方法,将该方法中的总销售指标替换为目标物品在所属品类的销售指标占比,进而可以采用该方法根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比。再例如,采用步骤S102中根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比的方法,将该方法中的目标物品所属品类的品类占比替换为目标物品在所属品类的销售指标占比,进而可以采用该方法根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比。
步骤S104、根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
以订单量作为销售指标、以2018年国庆期间作为目标时间段为例,根据步骤S101预测目标时间段内所有物品的总订单量,根据步骤S102预测预测目标时间段内目标物品所属品类的品类占比,根据总订单量以及该品类占比可以确定目标物品所属品类的订单量。根据步骤S103预测预测目标时间段内目标物品在所属品类的销售指标占比,目标物品所属品类的订单量与目标物品在所属品类的销售指标占比的乘积即为目标物品的订单量。进一步地,还可以根据往期每个订单中包含目标物品的平均件数预测目标时间段每个订单中包含目标物品的平均件数,将其与目标物品的订单量相乘即可得到目标物品的销售量。在2018年国庆之前,根据预测的目标物品的销售量进行分批次备货,直至备货到目标物品的库存达到预测的目标物品的销售量为止,完成促销期提前备货需求。
图2是根据本发明实施例的数据分析方法的原理示意图。以下结合图2对采用本发明实施例的数据分析方法进行补货准备的过程进行示例性说明。
在数据预处理层完成时间窗口的选择:根据往期数据选择时间窗口,然后按照前述校验条件对时间窗口稳定性进行校验。若校验通过,则进一步选取时序模型的时间窗口和GBRT模型的时间窗口;若检验不通过,则重新根据往期数据选择时间窗口,直至选择的时间窗口通过稳定性校验。
在模型训练层完成模型训练:根据时序模型时间窗口内的数据训练时序模型,得到训练好的时序模型。构建特征,然后根据构建的特征和GBRT模型时间窗口中的数据训练GBRT模型,得到训练好的GBRT模型。
在预测数据输入层输入预测数据:将预测数据分别输入时序模型和GBRT模型,得到时序预测结果和GBRT预测结果。
在模型融合层进行融合:训练好的时序模型和GBRT模型融合后得到品类预测模型。根据时序预测结果和GBRT预测结果、以及品类预测模型预测目标时间段内目标物品所属品类的品类占比。
在结果输出层输出预测得到的品类占比。
在补货建议输出层,根据预测得到的品类占比给出补货建议。
根据本发明实施例的一个方面,提供了一种数据分析装置。
图3是根据本发明一些实施例的数据分析装置的主要模块的示意图。如图3所示,根据本发明实施例的数据分析装置300包括:
总销售指标预测模块301,根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;
品类占比预测模块302,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;
分析模块303,根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
可选地,总销售指标预测模块还用于:根据往期多个时间段内所有物品的总销售指标,按照如下预测公式预测目标时间段内所有物品的理论总销售指标,根据理论总销售指标预测目标时间段内所有物品的总销售指标:
式中,ordern表示目标时间段内所有物品的理论总销售指标;M表示往期的时间段数量,1≤M≤n-1;ordern-m表示第(n-m)个时间段内所有物品的总销售指标;αn-m表示第(n-m)个时间段内所有物品的总销售指标的权重;ε1表示预测偏差。
可选地,总销售指标预测模块还用于:根据理论总销售指标,按照如下修正公式预测目标时间段内所有物品的总销售指标:
order=ω1×ordern+ω2×μ×ordern-1
式中,order表示目标时间段内所有物品的总销售指标;μ表示预设的增幅比例,μ×ordern-1表示增幅量;ω1表示理论总销售指标的权重;ω2表示增幅量的权重。
图4是根据本发明另一些实施例的数据分析装置的主要模块的示意图。如图4所示,根据本发明实施例的数据分析装置400包括:
总销售指标预测模块401,根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;
品类占比预测模块402,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;
分析模块403,根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
可选地,总销售指标预测模块还用于:根据往期多个时间段内所有物品的总销售指标,按照如下预测公式预测目标时间段内所有物品的理论总销售指标,根据理论总销售指标预测目标时间段内所有物品的总销售指标:
式中,ordern表示目标时间段内所有物品的理论总销售指标;M表示往期的时间段数量,1≤M≤n-1;ordern-m表示第(n-m)个时间段内所有物品的总销售指标;αn-m表示第(n-m)个时间段内所有物品的总销售指标的权重;ε1表示预测偏差。
可选地,总销售指标预测模块还用于:根据理论总销售指标,按照如下修正公式预测目标时间段内所有物品的总销售指标:
order=ω1×ordern+ω2×μ×ordern-1
式中,order表示目标时间段内所有物品的总销售指标;μ表示预设的增幅比例,μ×ordern-1表示增幅量;ω1表示理论总销售指标的权重;ω2表示增幅量的权重。
可选地,本发明实施例的数据分析装置400还包括:预处理模块404,选取多个时间窗口,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型;将训练好的时序模型和GBRT模型融合得到品类预测模型;
品类占比预测模块还用于:以各个时间窗口内目标物品所属品类的品类占比作为输入,利用品类预测模型预测目标时间段内目标物品所属品类的品类占比。
可选地,品类预测模型为:
式中,y表示目标时间段内目标物品所属品类的品类占比;rhw表示时序模型预测的目标时间段内目标物品所属品类的品类占比,rgbrt表示GBRT模型预测的目标时间段内目标物品所属品类的品类占比;表示rhw的修正系数,表示rgbrt的修正系数;β1表示rhw的权重,β2表示rgbrt的权重,ε2表示品类预测模型的预测偏差。
式中,Sy表示第y个样本的真实值,B表示样本量,Q表示预设的阈值。
可选地,预处理模块还用于:以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型之前,确认该所述多个时间窗口满足如下条件:
式中,xij为第i个品类在第j个时间窗口内的品类占比,为一组时间序列;σ,μ分别为第i个品类在各个时间窗口内的品类占比的标准差和均值;A为时间窗口的数量;γ,θ为弹性系数;I为示性函数,xij≤μ+θσ时I=0、xij>μ+θσ时I=1;P表示概率。
可选地,预处理模块还用于:确定第i个品类在各个时间窗口内的品类占比,然后对得到的各个品类占比进行数据清洗,以数据清洗后的各个品类占比确定第i个品类在各个时间窗口内的品类占比的标准差和均值。
根据本发明实施例的另一个方面,提供了一种数据分析电子设备。
根据本发明实施例的数据分析电子设备,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,
当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现本发明实施例第一方面提供的数据分析方法。
图5示出了可以应用本发明实施例的数据分析方法或数据分析装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503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501、502、503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505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的数据分析方法一般由服务器505执行,相应地,数据分析装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括:总销售指标预测模块,根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;品类占比预测模块,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;分析模块,根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,分析模块还可以被描述为“根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
根据本发明实施例的技术方案,具有如下优点或有益效果:把对销售指标的直接预测转换成对物品所属品类的品类占比预测,用户对不同品类的购买占比在不同年份是变化不大的,问题就从预测绝对量变成预测相对量,大大提高预测结果的准确性,从而指导促销期提前准确备货。采用时间序列与GBRT两种算法的结合更能准确的预测品类占比。。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (18)
1.一种数据分析方法,其特征在于,包括:
根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;
根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;
根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;
根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
3.如权利要求2所述的方法,其特征在于,根据理论总销售指标预测目标时间段内所有物品的总销售指标,包括:根据理论总销售指标,按照如下修正公式预测目标时间段内所有物品的总销售指标:
order=ω1×ordern+ω2×μ×ordern-1
式中,order表示目标时间段内所有物品的总销售指标;μ表示预设的增幅比例,μ×ordern-1表示增幅量;ω1表示理论总销售指标的权重;ω2表示增幅量的权重。
4.如权利要求1所述的方法,其特征在于,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比,包括:
选取多个时间窗口,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型;将训练好的时序模型和GBRT模型融合得到品类预测模型;以各个时间窗口内目标物品所属品类的品类占比作为输入,利用品类预测模型预测目标时间段内目标物品所属品类的品类占比。
8.如权利要求7所述的方法,其特征在于,还包括:确定第i个品类在各个时间窗口内的品类占比,然后对得到的各个品类占比进行数据清洗,以数据清洗后的各个品类占比确定第i个品类在各个时间窗口内的品类占比的标准差和均值。
9.一种数据分析装置,其特征在于,包括:
总销售指标预测模块,根据往期所有物品的总销售指标预测目标时间段内所有物品的总销售指标;
品类占比预测模块,根据往期目标物品所属品类的品类占比预测目标时间段内目标物品所属品类的品类占比;
分析模块,根据往期目标物品在所属品类的销售指标占比预测目标时间段内目标物品在所属品类的销售指标占比;根据目标时间段内的总销售指标、目标物品所属品类的品类占比以及目标物品在所属品类的销售指标占比预测目标物品的销售指标。
11.如权利要求10所述的装置,其特征在于,总销售指标预测模块还用于:根据理论总销售指标,按照如下修正公式预测目标时间段内所有物品的总销售指标:
order=ω1×ordern+ω2×μ×ordern-1
式中,order表示目标时间段内所有物品的总销售指标;μ表示预设的增幅比例,μ×ordern-1表示增幅量;ω1表示理论总销售指标的权重;ω2表示增幅量的权重。
12.如权利要求9所述的装置,其特征在于,还包括:预处理模块,选取多个时间窗口,以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型;将训练好的时序模型和GBRT模型融合得到品类预测模型;
品类占比预测模块还用于:以各个时间窗口内目标物品所属品类的品类占比作为输入,利用品类预测模型预测目标时间段内目标物品所属品类的品类占比。
15.如权利要求12所述的装置,其特征在于,预处理模块还用于:以各个时间窗口内多个品类的品类占比训练时序模型和GBRT模型之前,确认该所述多个时间窗口满足如下条件:
式中,xij为第i个品类在第j个时间窗口内的品类占比,为一组时间序列;σ,μ分别为第i个品类在各个时间窗口内的品类占比的标准差和均值;A为时间窗口的数量;γ,θ为弹性系数;I为示性函数,xij≤μ+θσ时I=0、xij>μ+θσ时I=1;P表示概率。
16.如权利要求15所述的装置,其特征在于,预处理模块还用于:确定第i个品类在各个时间窗口内的品类占比,然后对得到的各个品类占比进行数据清洗,以数据清洗后的各个品类占比确定第i个品类在各个时间窗口内的品类占比的标准差和均值。
17.一种数据分析电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796750.2A CN110738508B (zh) | 2018-07-19 | 2018-07-19 | 一种数据分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796750.2A CN110738508B (zh) | 2018-07-19 | 2018-07-19 | 一种数据分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738508A true CN110738508A (zh) | 2020-01-31 |
CN110738508B CN110738508B (zh) | 2024-08-20 |
Family
ID=69233755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810796750.2A Active CN110738508B (zh) | 2018-07-19 | 2018-07-19 | 一种数据分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738508B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215471A (zh) * | 2020-09-17 | 2021-01-12 | 支付宝(杭州)信息技术有限公司 | 指标的异动检测方法及装置 |
CN113408797A (zh) * | 2021-06-07 | 2021-09-17 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
CN113988165A (zh) * | 2021-10-22 | 2022-01-28 | 北京京东振世信息技术有限公司 | 数据采集方法、装置、电子设备和存储介质 |
CN115829630A (zh) * | 2022-12-16 | 2023-03-21 | 广州飞狮数字科技有限公司 | 一种店铺销售占比的确定方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
CN103984998A (zh) * | 2014-05-30 | 2014-08-13 | 成都德迈安科技有限公司 | 基于云服务平台大数据挖掘的销售预测方法 |
CN104200279A (zh) * | 2014-08-22 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 商品首次需求预测方法和装置 |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
US20170132717A1 (en) * | 2015-11-11 | 2017-05-11 | Fujitsu Limited | Budget-management-data creating method, budget-management-data creating apparatus, and recording medium |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
-
2018
- 2018-07-19 CN CN201810796750.2A patent/CN110738508B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
CN103984998A (zh) * | 2014-05-30 | 2014-08-13 | 成都德迈安科技有限公司 | 基于云服务平台大数据挖掘的销售预测方法 |
CN104200279A (zh) * | 2014-08-22 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 商品首次需求预测方法和装置 |
US20170132717A1 (en) * | 2015-11-11 | 2017-05-11 | Fujitsu Limited | Budget-management-data creating method, budget-management-data creating apparatus, and recording medium |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215471A (zh) * | 2020-09-17 | 2021-01-12 | 支付宝(杭州)信息技术有限公司 | 指标的异动检测方法及装置 |
CN113408797A (zh) * | 2021-06-07 | 2021-09-17 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
CN113408797B (zh) * | 2021-06-07 | 2023-09-26 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
CN113988165A (zh) * | 2021-10-22 | 2022-01-28 | 北京京东振世信息技术有限公司 | 数据采集方法、装置、电子设备和存储介质 |
CN115829630A (zh) * | 2022-12-16 | 2023-03-21 | 广州飞狮数字科技有限公司 | 一种店铺销售占比的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110738508B (zh) | 2024-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697522B (zh) | 一种数据预测的方法和装置 | |
CN110738508A (zh) | 一种数据分析方法和装置 | |
CN109961299A (zh) | 数据分析的方法和装置 | |
CN107274209A (zh) | 预测促销活动销售数据的方法和装置 | |
CN109961328B (zh) | 确定订单冷静期的方法和装置 | |
CN105488163B (zh) | 信息推送方法和装置 | |
CN110019367B (zh) | 一种统计数据特征的方法和装置 | |
CN110738436A (zh) | 一种确定可用库存的方法和装置 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
US20170031917A1 (en) | Adjusting content item output based on source output quality | |
CN112561552A (zh) | 一种物品价值属性调整方法和装置 | |
CN112287208A (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN109947830B (zh) | 用于输出信息的方法和装置 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN110838019A (zh) | 确定试用品发放人群的方法和装置 | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
CN114090873A (zh) | 匹配数据的方法、装置、设备和计算机可读介质 | |
CN113780703A (zh) | 一种指标调整方法和装置 | |
CN112950003A (zh) | 用户资源配额调整方法、装置及电子设备 | |
CN112102043A (zh) | 物品推荐页面生成方法、装置、电子设备和可读介质 | |
CN113434754A (zh) | 确定推荐api服务的方法、装置、电子设备和存储介质 | |
CN112784213A (zh) | 一种生成信息的方法和装置 | |
CN112418898A (zh) | 基于多时间窗口融合的物品需求数据分析方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |