CN111008861A - 基于智能预测的商品在线交易系统及方法 - Google Patents

基于智能预测的商品在线交易系统及方法 Download PDF

Info

Publication number
CN111008861A
CN111008861A CN201911165403.0A CN201911165403A CN111008861A CN 111008861 A CN111008861 A CN 111008861A CN 201911165403 A CN201911165403 A CN 201911165403A CN 111008861 A CN111008861 A CN 111008861A
Authority
CN
China
Prior art keywords
commodity
price
online
transaction
intelligent prediction
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
Application number
CN201911165403.0A
Other languages
English (en)
Inventor
易力
李剑
刘立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ouye Purchasing Information Technology Co Ltd
Original Assignee
Shanghai Ouye Purchasing Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Ouye Purchasing Information Technology Co Ltd filed Critical Shanghai Ouye Purchasing Information Technology Co Ltd
Priority to CN201911165403.0A priority Critical patent/CN111008861A/zh
Publication of CN111008861A publication Critical patent/CN111008861A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0206—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]

Landscapes

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于智能预测的商品在线交易方法和系统，属于互联网技术领域。其基于历史数据生成商品价格变化趋势；进而可预测商品未来价格；并根据预测的价格进行商品在线交易。从而能够有效利用庞大的相关历史数据，进行合理的分析计算，形成更为准确客观的价格预测，有利于交易双方达成交易协议。且本发明的基于智能预测的商品在线交易方法和系统，其实现成本有限，应用范围也十分广泛。

Description

基于智能预测的商品在线交易系统及方法
技术领域
本发明涉及互联网技术领域，特别涉及商品在线交易技术领域，具体是指一种基于智能预测的商品在线交易系统及方法。
背景技术
在大宗商品或者工业商品交易领域，与消费品的现货交易不同，交易往往约定时间较长的交付期限，短则几天，长则数月，甚至一年以上。在这期间商品价格往往会产生波动，巨幅的商品波动会对交易企业的生产经营产生极大的影响。因此，销售方和采购方都需要对价格作出预判，以便于交易双方达成合理的价格。
传统中，大量的价格预判是依靠经验进行的。虽然能够考虑到部分价格因素，但受限于可参考的数据量，以及有限的分析计算能力，通常这类价格预判的准确度较低，参考价值有限。
所以如何提供一种基于庞大的相关历史数据，进行合理的分析计算，形成更为准确客观的价格预测的方法成为本领域亟待解决的问题。
发明内容
本发明的目的是克服了上述现有技术中的缺点，提供一种利用交易历史数据形成价格变化趋势，并实现价格预测的基于智能预测的商品在线交易系统及方法。
为了实现上述的目的，本发明的基于智能预测的商品在线交易方法包括以下步骤：
(1)基于历史数据生成商品价格变化趋势；
(2)根据所述的商品价格变化趋势预测商品未来价格；
(3)根据预测的价格进行商品在线交易。
该基于智能预测的商品在线交易方法中，所述的步骤(1)具体包括：
(11)对所述历史数据进行数据分类整理，匹配到标准分类中的商品和该商品对应的物料集；
(12)根据所述的历史数据形成商品价格变化趋势和物料价格变化趋势；
(13)基于外部信息分析价格相关性。
该基于智能预测的商品在线交易方法中，所述的步骤(11)具体包括：
(11-1)对所述历史数据中的交易信息进行识别，获得交易的名称信息；
(11-2)根据所述的名称信息与所述的标准分类进行对比，匹配到标准分类中的商品；
(11-3)基于名称信息与商品之间的对应关系进行自学习；
(11-4)产生与各商品对应的物料集。
该基于智能预测的商品在线交易方法中，所述的步骤(11-2)具体包括以下步骤：
(11-2a)将所述的名称信息进行分词，产生若干个单词；
(11-2b)在所述的若干个单词中确定与商品名称含义关联的至少一个关键词；
(11-2c)建立所述的关键词与所述标准分类中至少一个商品的对应关系；
(11-2d)根据所述的对应关系将所述的名称信息所对应的交易信息匹配到标准分类中的商品。
该基于智能预测的商品在线交易方法中，在所述的标准分类中的同类商品包括多个档次，每个所述档次的商品均包括其对应的物料集。
该基于智能预测的商品在线交易方法中，所述的价格相关性包括商品价格与物料价格之间的相关性以及所述的物料价格与人工价格、物流价格和政策因素的相关性。
该基于智能预测的商品在线交易方法中，所述的步骤(2)具体包括：
(21)对近期的商品价格变化趋势进行价格权重分析，形成商品价格变化曲线；
(22)根据所述的价格相关性及物料价格变化趋势进行分析，形成外部价格波动曲线；
(23)根据所述的商品价格变化曲线及所述的外部价格波动曲线对未来该商品的价格进行预测。
该基于智能预测的商品在线交易方法中，所述的步骤(23)具体为：
根据所述的商品价格变化曲线及所述的外部价格波动曲线，并参考历史同期的变化趋势，对未来该商品的价格进行预测。
该基于智能预测的商品在线交易方法中，所述的步骤(3)具体包括以下步骤：
(31)确定商品的交货时间；
(32)以所述交货时间的预测价格作为在线交易中商品的采购价格；
(33)根据所述的采购价格和交货时间完成商品交易。
本发明还提供一种基于智能预测的商品在线交易系统，包括商品在线交易服务器和用户端，所述的在线交易服务器包括处理器和存储器，所述的存储器上存储有计算机程序，所述的处理器读取并运行所述的计算机程序，通过所述的商品在线交易服务器与所述的用户端的交互，以实现上述的基于智能预测的商品在线交易方法。
采用了该发明的基于智能预测的商品在线交易方法和系统，其基于历史数据生成商品价格变化趋势；进而可预测商品未来价格；并根据预测的价格进行商品在线交易。从而能够有效利用庞大的相关历史数据，进行合理的分析计算，形成更为准确客观的价格预测，有利于交易双方达成交易协议。且本发明的基于智能预测的商品在线交易方法和系统，其实现成本有限，应用范围也十分广泛。
附图说明
图1为本发明的基于智能预测的商品在线交易方法的步骤流程图。
图2为在实际应用中利用本发明进行价格预测的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。
请参阅图1所示，为本发明的基于智能预测的商品在线交易方法的步骤流程图。
在一种实施方式中，该基于智能预测的商品在线交易方法包括以下步骤：
(1)基于历史数据生成商品价格变化趋势；
(2)根据所述的商品价格变化趋势预测商品未来价格；
(3)根据预测的价格进行商品在线交易。
在一种较优选的实施方式中，所述的步骤(1)具体包括：
(11)对所述历史数据进行数据分类整理，匹配到标准分类中的商品和该商品对应的物料集；
(12)根据所述的历史数据形成商品价格变化趋势和物料价格变化趋势；
(13)基于外部信息分析价格相关性。
在一种进一步优选的实施方式中，所述的步骤(11)具体包括：
(11-1)对所述历史数据中的交易信息进行识别，获得交易的名称信息；
(11-2)根据所述的名称信息与所述的标准分类进行对比，匹配到标准分类中的商品；
(11-3)基于名称信息与商品之间的对应关系进行自学习；
(11-4)产生与各商品对应的物料集。
在一种更进一步优选的实施方式中，所述的步骤(11-2)具体包括以下步骤：
(11-2a)将所述的名称信息进行分词，产生若干个单词；
(11-2b)在所述的若干个单词中确定与商品名称含义关联的至少一个关键词；
(11-2c)建立所述的关键词与所述标准分类中至少一个商品的对应关系；
(11-2d)根据所述的对应关系将所述的名称信息所对应的交易信息匹配到标准分类中的商品。
在另一种更进一步优选的实施方式中，在所述的标准分类中的同类商品包括多个档次，每个所述档次的商品均包括其对应的物料集。
在另一种进一步优选的实施方式中，所述的价格相关性包括商品价格与物料价格之间的相关性以及所述的物料价格与人工价格、物流价格和政策因素的相关性。
在另一种较优选的实施方式中，所述的步骤(2)具体包括：
(21)对近期的商品价格变化趋势进行价格权重分析，形成商品价格变化曲线；
(22)根据所述的价格相关性及物料价格变化趋势进行分析，形成外部价格波动曲线；
(23)根据所述的商品价格变化曲线及所述的外部价格波动曲线对未来该商品的价格进行预测。
在一种更进一步优选的实施方式中，所述的步骤(23)具体为：
根据所述的商品价格变化曲线及所述的外部价格波动曲线，并参考历史同期的变化趋势，对未来该商品的价格进行预测。
在又一种较优选的实施方式中，所述的步骤(3)具体包括以下步骤：
(31)确定商品的交货时间；
(32)以所述交货时间的预测价格作为在线交易中商品的采购价格；
(33)根据所述的采购价格和交货时间完成商品交易。
本发明还提供一种基于智能预测的商品在线交易系统，该系统包括商品在线交易服务器和用户端，所述的在线交易服务器包括处理器和存储器，所述的存储器上存储有计算机程序，所述的处理器读取并运行所述的计算机程序，通过所述的商品在线交易服务器与所述的用户端的交互，以实现上述实施方式所述的基于智能预测的商品在线交易方法。
在实际应用中，本方法通过互联网技术与智能信息技术的支持，可以对平台海量历史数据的商品供应信息与价格信息进行统计、挖掘与分析，并通过在线信息交流实现采购价格的竞争，通过数据的分析辅助交易计划的制定，实现价格预测智能化升级。
传统方法中，不管是机器学习训练还是其他算法优化都需要大量的数据支持。拥有数据或者具备获取数据的能力，需在基础层专注于数据挖掘和存储/清洗/治理等方向，在业务层深入客户，实现业务需要的智能性，变现企业数据的价值。
然后，随着现代社会的市场竞争力的加强，企业的采购面临者多种选择。目前，市场上也有很多电子商务平台，大数据缺少提高数据质量、有效地进行分析，缺少对价格的智能分析。数据科学时代，企业更需构建精准的价格数据分析方法。
本发明通过研发建设在线采购数据分析服务来补全商务智能功能尤其是采购管理商务智能功能的短板，把分散、独立存在的大量数据汇总，帮助采购管理的用户归集在线采购数据、监控分析异动、对接采购绩效，实现分析的智能化价格预测模型。
简而言之，通过打破数据孤岛，结合平台的海量数据，把用户企业散落在采购过程各个环节的数据归集到一个数据池，平台依托物料目录、物料代码，形成物料历史采购价格库，集合所有平台物料对应的历史成交价格，应用大数据技术，采集内外部市场公众化信息，宏观经济数据，行业供需信息，物料相关性关联信息，建立价格趋势预测，综合研判供应市场趋势、整体价格走势、局部市场价格、市场竞争格局等，实现更加精准的市场价格趋势曲线，持续跟踪和发现整体和能精确到代码的物料价格走势，结合有关物料的成本结构数据，预测半年或更长远价格走势。
具体而言，历史数据作为数据源，可以借由专业的设备资材采购团队，基于采购行业的生产设备管理经验，制定具备权威参考价值的物料匹配分类基础数据；物料匹配分类基础数据是在业务自有的分类基础进行归类，后续针对自有分类和平台标准分类进行映射，从而形成物料和平台分类的相互关联。
整个物料匹配的过程利用智能算法结合业务规则，形成了一个完备、自学习的物料匹配分类模型组合，可对输入的采购组织询单物料数据按照智能文本计算的规则处理至对应的平台标准分类。智能模型的形成方式如下：
1.crf模型
crf是马尔科夫随机场的特例，它假设马尔科夫随机场中只有X和Y两种变量，X一般是给定的，而Y一般是在给定X的条件下我们的输出，X和Y有相同的结构的CRF就构成了线性链条件随机场。而该智能算法中基于此模型形成了standard分词器，可对输入的物料词组自行进行概率化拆分，形成多个潜在的词组。
2.word embedding词向量
对整理好的文本数据进行词向量化，即使用向量形式代表具体词组，向量维度的大小为数据中词汇表的大小，每个单词对应的位置置为1。例如{简易弯杆套筒}，弯杆的词向量为[0,1,0]，该表达形式则最为简单，以此可以将分词后的词组转换为计算机模型可识别的语言从而进行进一步分析。
3.mlp神经网络分类器
mlp是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。mlp可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元。将向量化后的词组、标准分类、基础数据源三者元素借由神经网络分类器进行自我学习、匹配，进而输出潜在我们想要的结果数据。
4.可量化业务规则
通过神经网络分类器输出的数据缺乏业务场景且会存在多个潜在数据值，可以基于以往的用户行为经验归类总结成多个量化的规则，以便进行二次筛选：
(1)分词后的词组，优先按照后置两个词进行匹配的规则；
(2)分词后的词组，删除带有空格、数字、特殊符号的规则。
基于上述标准数据分类、智能算法、输入待匹配物料数据等元素可最终形成如下结果：
1.历史数据产生的物料数据，都能基于上述元素得到了匹配平台标准分类的结果；
2.形成物料信息的品类归集，以此得到不同采购组织物料的聚类，以便为后续分析提供基础。
以下以工业阀门价格预测为例，结合图2，说明上述价格预测过程。
(1)数据搜集
内部数据获取：各采购组织历史采购工业阀门的价格数据。
外部数据市场调研：材料价格(如钢铁、铜、铝)，人工成本，最低工资波动，通货膨胀率等。(注：假设钢铁、铜、铝价格随工业阀门价格变化具有显著相关性)
(2)数据处理
首先，根据价格、品牌溢价、性能、外观等因素，将市场不同工业阀门进行聚类分析整理，分成高、中、低三个不同档次。
其次，分析不同采购组织某一档次工业阀门随时间变化的历史价格趋势和同一档次钢铁、铜、铝，人工成本，最低工资波动，通货膨胀率等参数随时间的变化趋势，计算出这些参数与工业阀门之间的回归系数r1(钢铁价格与阀门价格之间的回归系数)、r2(铜价格与阀门价格之间的回归系数)、r3(最低工资与阀门价格之间的回归系数)，等等。
最后，现将这些影响因素作为自变量，把工业阀门价格(P)作为因变量对数据进行多元回归分析。为了避免自变量间存在多元共线性使标准误差变大，导致忽略其中某一自变量的回归系数的问题，因此此处采用逐步进入法进行线性回归统计分析，即可计算出未来某个时间该工业阀门受各材料价格和其他参数影响的价格涨跌情况。
参考价格＝P·(r1+r2+r3……)
最后利用这个参考价格完成商品在线交易。
平台分品种设计了价格影响因素模型，通过网络神经算法、决策树等算法，自学习建立价格预测模型，为采购管理者提供量化决策依据，提供商品价格趋势研判、平均成交价格趋势分析等辅助决策工具。
采用了该发明的基于智能预测的商品在线交易方法和系统，其基于历史数据生成商品价格变化趋势；进而可预测商品未来价格；并根据预测的价格进行商品在线交易。从而能够有效利用庞大的相关历史数据，进行合理的分析计算，形成更为准确客观的价格预测，有利于交易双方达成交易协议。且本发明的基于智能预测的商品在线交易方法和系统，其实现成本有限，应用范围也十分广泛。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (10)

1.一种基于智能预测的商品在线交易方法，其特征在于，包括以下步骤：
(1)基于历史数据生成商品价格变化趋势；
(2)根据所述的商品价格变化趋势预测商品未来价格；
(3)根据预测的价格进行商品在线交易。
2.根据权利要求1所述的基于智能预测的商品在线交易方法，其特征在于，所述的步骤(1)具体包括：
(11)对所述历史数据进行数据分类整理，匹配到标准分类中的商品和该商品对应的物料集；
(12)根据所述的历史数据形成商品价格变化趋势和物料价格变化趋势；
(13)基于外部信息分析价格相关性。
3.根据权利要求2所述的基于智能预测的商品在线交易方法，其特征在于，所述的步骤(11)具体包括：
(11-1)对所述历史数据中的交易信息进行识别，获得交易的名称信息；
(11-2)根据所述的名称信息与所述的标准分类进行对比，匹配到标准分类中的商品；
(11-3)基于名称信息与商品之间的对应关系进行自学习；
(11-4)产生与各商品对应的物料集。
4.根据权利要求3所述的基于智能预测的商品在线交易方法，其特征在于，所述的步骤(11-2)具体包括以下步骤：
(11-2a)将所述的名称信息进行分词，产生若干个单词；
(11-2b)在所述的若干个单词中确定与商品名称含义关联的至少一个关键词；
(11-2c)建立所述的关键词与所述标准分类中至少一个商品的对应关系；
(11-2d)根据所述的对应关系将所述的名称信息所对应的交易信息匹配到标准分类中的商品。
5.根据权利要求3所述的基于智能预测的商品在线交易方法，其特征在于，在所述的标准分类中的同类商品包括多个档次，每个所述档次的商品均包括其对应的物料集。
6.根据权利要求2所述的基于智能预测的商品在线交易方法，其特征在于，
所述的价格相关性包括商品价格与物料价格之间的相关性以及所述的物料价格与人工价格、物流价格和政策因素的相关性。
7.根据权利要求6所述的基于智能预测的商品在线交易方法，其特征在于，
所述的步骤(2)具体包括：
(21)对近期的商品价格变化趋势进行价格权重分析，形成商品价格变化曲线；
(22)根据所述的价格相关性及物料价格变化趋势进行分析，形成外部价格波动曲线；
(23)根据所述的商品价格变化曲线及所述的外部价格波动曲线对未来该商品的价格进行预测。
8.根据权利要求7所述的基于智能预测的商品在线交易方法，其特征在于，所述的步骤(23)具体为：
根据所述的商品价格变化曲线及所述的外部价格波动曲线，并参考历史同期的变化趋势，对未来该商品的价格进行预测。
9.根据权利要求8所述的基于智能预测的商品在线交易方法，其特征在于，所述的步骤(3)具体包括以下步骤：
(31)确定商品的交货时间；
(32)以所述交货时间的预测价格作为在线交易中商品的采购价格；
(33)根据所述的采购价格和交货时间完成商品交易。
10.一种基于智能预测的商品在线交易系统，包括商品在线交易服务器和用户端，所述的在线交易服务器包括处理器和存储器，所述的存储器上存储有计算机程序，所述的处理器读取并运行所述的计算机程序，通过所述的商品在线交易服务器与所述的用户端的交互，实现权利要求1至9所述的基于智能预测的商品在线交易方法。
CN201911165403.0A 2019-11-25 2019-11-25 基于智能预测的商品在线交易系统及方法 Pending CN111008861A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911165403.0A CN111008861A (zh) 2019-11-25 2019-11-25 基于智能预测的商品在线交易系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911165403.0A CN111008861A (zh) 2019-11-25 2019-11-25 基于智能预测的商品在线交易系统及方法

Publications (1)

Publication Number Publication Date
CN111008861A true CN111008861A (zh) 2020-04-14

Family

ID=70113646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911165403.0A Pending CN111008861A (zh) 2019-11-25 2019-11-25 基于智能预测的商品在线交易系统及方法

Country Status (1)

Country Link
CN (1) CN111008861A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129064A (zh) * 2021-04-25 2021-07-16 深圳壹账通创配科技有限公司 汽车配件价格预测方法、系统、设备与可读存储介质
CN113986869A (zh) * 2021-09-09 2022-01-28 昆明行列科技有限公司 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160551A (zh) * 2015-08-25 2015-12-16 摩贝（上海）生物科技有限公司 一种化合物价格推算系统和方法
CN109961322A (zh) * 2019-03-15 2019-07-02 东莞市盟大塑化科技有限公司 塑料原材料价格预测方法及装置、电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160551A (zh) * 2015-08-25 2015-12-16 摩贝（上海）生物科技有限公司 一种化合物价格推算系统和方法
CN109961322A (zh) * 2019-03-15 2019-07-02 东莞市盟大塑化科技有限公司 塑料原材料价格预测方法及装置、电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129064A (zh) * 2021-04-25 2021-07-16 深圳壹账通创配科技有限公司 汽车配件价格预测方法、系统、设备与可读存储介质
CN113986869A (zh) * 2021-09-09 2022-01-28 昆明行列科技有限公司 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法

Similar Documents

Publication Publication Date Title
CN113553540A (zh) 一种商品销量的预测方法
CN114219169A (zh) 颖幡供应链销售和库存预测算法模型和应用系统
Mishra et al. Predictive data mining: Promising future and applications
Choudhury et al. A machine learning approach to identify potential customer based on purchase behavior
Lipyanina et al. Assessing the investment risk of virtual IT company based on machine learning
CN111008861A (zh) 基于智能预测的商品在线交易系统及方法
Agarwal et al. Machine Learning and Natural Language Processing in Supply Chain Management: A Comprehensive Review and Future Research Directions.
Vieira et al. A multi-objective simulation-based decision support tool for wine supply chain design and risk management under sustainability goals
Martins et al. Sales forecasting using machine learning algorithms
Gazi Optimizing Regional Business Performance: Leveraging Business and Data Analytics in Logistics & Supply Chain Management for USA's Sustainable Growth
CN111626331A (zh) 一种自动化行业分类装置及其工作方法
Nizar et al. Optimal Decision Making to Select the Best Suppliers Using Integrating AHP-TOPSIS
CN115470705A (zh) 基于ai算法的智能业务建模方法
Vyas et al. Seasonal Sales Prediction and Visualization for Walmart Retail Chain Using Time Series and Regression Analysis: A Comparative Study
Martins et al. Retail Sales Forecasting Information Systems: Comparison Between Traditional Methods and Machine Learning Algorithms
Dubey et al. Learning data mining techniques
Kanthimathi et al. Stock Market Prediction Using AI
Gurav et al. Predict stock market’s fluctuating behaviour: Role of investor’s sentiments on stock market performance
Purnamasari et al. Demand forecasting for improved inventory management in small and medium-sized businesses
Kavitha et al. Big Data Analytics in Financial Market
Agarwal et al. Applications of Machine Learning Techniques in Supply Chain Management
Yazdani et al. A binary integer programming (BIP) model for optimal financial turning points detection
Iurasov et al. Study of different data science methods for demand prediction and replenishment forecasting at retail network
Sharma Identifying Factors Contributing to Lead Conversion Using Machine Learning to Gain Business Insights
Ye Research on Supply Chain Big Data Management Based on Machine Learning Algorithms

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200414