CN111080396A - 一种基于竞对商品的商品定价方法、装置及存储介质 - Google Patents
一种基于竞对商品的商品定价方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111080396A CN111080396A CN201911121376.7A CN201911121376A CN111080396A CN 111080396 A CN111080396 A CN 111080396A CN 201911121376 A CN201911121376 A CN 201911121376A CN 111080396 A CN111080396 A CN 111080396A
- Authority
- CN
- China
- Prior art keywords
- commodity
- local
- competitive
- name
- 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
- 230000002860 competitive effect Effects 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 16
- 235000019640 taste Nutrition 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 10
- 244000269722 Thea sinensis Species 0.000 description 15
- 235000013616 tea Nutrition 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 239000000047 product Substances 0.000 description 12
- 235000005979 Citrus limon Nutrition 0.000 description 7
- 244000131522 Citrus pyriformis Species 0.000 description 7
- 235000006468 Thea sinensis Nutrition 0.000 description 7
- 235000020279 black tea Nutrition 0.000 description 7
- 239000000796 flavoring agent Substances 0.000 description 6
- 235000019634 flavors Nutrition 0.000 description 6
- 239000008213 purified water Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (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
本发明公开了一种基于竞对商品的商品定价方法,通过根据待定价本地商品名称匹配到对应的竞对商品名称,并根据竞对商品在当前周期的价格、销量,上一个周期的价格及销量和待定价本地商品上一个周期的价格和销量,并结合业务目标约束条件对待定价本地商品进行定价。本发明通过挖掘竞对商品的价格变化弹性对本地商品的销量的影响,不仅考虑自身的历史价格及销量,同时还考虑了竞对商品的价格及销量,使得待定价本地商品的定价更为合理,既可以保证毛利,也可以保证销售量。本发明还提供了一种基于竞对商品的商品定价装置及存储介质。
Description
技术领域
本发明涉及电商领域,尤其涉及一种基于竞对商品的商品定价方法、装置及存储介质。
背景技术
对于电商平台,SKU(Stock Keeping Unit,库存量单位,也称为产品统一编号,每种产品均对应唯一的SKU号)的价格管理和营销策略的制定上,除了需要考虑自身的历史销售情况,还需要考虑竞对商品调价的营销。但是,传统电商对于SKU的价格管理上,通常仅仅限于针对自身的历史销售情况来进行指定价格,并不考虑竞对商品的价格变化的影响。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种基于竞对商品的商品定价方法,其能够解决现有技术对于商品定价只考虑自身的历史销售情况的问题。
本发明的目的之二在于提供一种基于竞对商品的商品定价装置,其能够解决现有技术对于商品定价只考虑自身的历史销售情况的问题。
本发明的目的之三在于提供一种存储介质,其能够解决现有技术对于商品定价只考虑自身的历史销售情况的问题。
本发明的目的之一采用如下技术方案实现:
一种基于竞对商品的商品定价方法,包括:
获取步骤:获取待定价本地商品的数据;所述待定价本地商品的数据包括待定价商品名称和待定价本地商品上一个周期的价格及销量;
关系匹配步骤:根据待定价本地商品名称从系统中查找出与待定价本地商品具有匹配关系的竞对商品名称,并根据竞对商品名称从竞对商品库中获取竞对商品的数据;所述竞对商品的数据包括竞对商品名称、竞对商品当前周期的价格及销量和竞对商品上一个周期的价格及销量;
模型匹配步骤:根据待定价本地商品的数据、竞对商品的数据以及系统内的弹性价格模型得出待定价本地商品当前周期的价格与销量的对应关系;所述弹性价格模型的公式为:Qi=α+δ(Pi-Pi-1)+β(Ti-Ti-1)+Qi-1 (1);
其中,Qi为本地商品在第i个周期的销量,Pi为本地商品在第i个周期的价格,Pi-1为本地商品在第i-1个周期的价格,Ti为竞对商品在第i个周期的价格,Ti-1为竞对商品在第i-1个周期的价格,Qi-1为本地商品在第i-1个周期的销量;参数α为商品的价格弹性,参数β为竞对商品的价格弹性,参数δ为常数;
其中,P为本地商品的当前周期的价格;Q为本地商品在价格为P时的销量,可通过公式(1)结合Q0、P0得出;C为本地商品的进货价格;Q0为本地商品在价格为P0时的销量;P0为商品的上一个周期的平均价格;ε为常数;I为价格调整区间,表示P变化的范围。
进一步地,所述弹性价格模型的训练过程为:
首先历史数据中获取每种本地商品在每个周期内的价格、销量以及对应竞对商品在每个周期内的价格、销量;然后将每种本地商品在每个周期内的价格、销量以及对应竞对商品在每个周期内的价格、销量代入公式(1)进行训练,进而确定公式(1)中的参数α、参数β以及参数δ。
进一步地,所述参数ε的取值根据待定价商品的类别确定。
进一步地,所述系统约束条件包括以下中的任意一种或多种:单位毛利率约束条件、调价幅度约束条件、毛利约束条件、销量约束条件和成交额约束条件。
进一步地,所述关系匹配步骤为:从系统的匹配表中根据待定价本地商品名称查找出与待定价商品名称具有匹配关系的竞对商品名称;所述匹配表用于存储了各个本地商品名称与对应竞对商品名称的匹配关系。
进一步地,所述匹配表中各个本地商品名称与对应竞对商品名称的匹配关系的关联操作如下:
步骤S11、定时获取竞对商品库中的所有竞对商品名称;
步骤S12、顺序遍历每个竞对商品名称并对每个竞对商品名称在本地商品库中匹配本地商品名称;同时将匹配成功的竞对商品名称与对应本地商品名称的匹配关系存储于匹配表;将匹配不成功的竞对商品名称存储于系统的不匹配表中,直到所有的竞对商品名称遍历完毕,将匹配表以及不匹配表存储于系统中。
进一步地,假设当前遍历的竞对商品名称记为当前竞对商品名称:
所述步骤S12包括:
步骤S121:判断当前竞对商品名称是否存在于匹配表中,若是,则继续遍历下一个竞对商品名称;若否,则执行步骤S122;
步骤S122:对当前竞对商品名称进行预处理;
步骤S123:对预处理后的当前竞对商品名称首先根据系统内的相似度模型匹配识别得出本地商品库中每个本地商品名称与当前竞对商品名称的相似度;
步骤S124:根据每个本地商品名称与当前竞对商品名称的相似度选择一个或多个本地商品名称,并分别记为候选本地商品名称;
步骤S125:顺序遍历每个候选本地商品名称,并判断每个候选本地商品名称与当前竞对商品名称的匹配关系;直到遍历完每个候选本地商品名称。
进一步地,所述预处理包括数据清洗和分词处理;其中,数据清洗用于将当前竞对商品名称中的干扰词语去除;分词处理用于对当前竞对商品名称进行分词处理。
进一步地,所述相似度模型的训练过程如下:首先获取本地商品库中所有本地商品名称;然后对每个本地商品名称进行规格移除处理;再对移除规格后的每个本地商品名称进行分词处理;最终基于每个本地商品名称的分词结果通过gensim工具实现对TF-DF模型的训练得出相似度模型。
进一步地,所述步骤S123包括:将当前竞对商品名称的分词结果通过gensim工具输入到相似度模型中得出本地商品库中每个本地商品名称与当前竞对商品名称的相似度。
进一步地,所述步骤S124包括:根据每个本地商品名称与当前竞对商品名称的相似度从大到小顺序选取一个或多个本地商品名称。
进一步地,所述步骤S125包括:
假设当前遍历的候选本地商品名称记为当前候选本地商品名称:
步骤S1251:判断当前候选本地商品名称与当前竞对商品名称是否存在于系统的不匹配表中,若是,则继续遍历下一个候选本地商品名称;若否,则执行步骤S1252;
步骤S1252:判断当前候选本地商品名称与当前竞对商品名称的相似度是否大于预设阈值,若是,则执行步骤S1253;若否,则继续遍历下一个候选本地商品名称;
步骤S1253:根据系统内的属性模型解析得出当前候选本地商品名称的属性以及当前竞对商品名称的属性;所述属性包括品牌、SKU、口味和规格;
步骤S1253、当属性均不为空时,判断当前候选本地商品名称的属性与当前竞对商品名称的属性是否完全相同;若是,将当前候选本地商品名称与当前竞对商品名称存储于系统匹配表中;若否,当前候选本地商品名称与当前竞对商品名称存储于系统不匹配表中,并继续遍历下一个候选本地商品名称;
步骤S1254:当属性存在空值时,转入人工确定流程,使得人工将匹配成功的当前本地商品与当前竞对商品名称的匹配关系存储于系统匹配表中、将匹配不成功的当前本地商品与当前竞对商品名称存储于系统的不匹配表中。
进一步地,所述属性模型的训练过程如下:首先获取本地商品库中的所有商品名称和竞对商品库中的所有竞对商品名称;然后获取每个本地商品名称的属性和每个竞对商品名称的属性;再根据每个本地商品名称的属性、每个竞对商品名称的属性以树状图的结构形成属性模型;其中,树状图的深度为4,并且树状图的根结点为品牌、根结点的子结点为SKU、叶子结点为规格、叶子结点的双亲为口味。
本发明的目的之二采用如下技术方案实现:
一种基于竞对商品的商品定价装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的商品定价程序,所述商品定价程序为计算机程序,所述处理器执行所述商品定价程序时实现如本发明目的之一采用的一种基于竞对商品的商品定价方法的步骤。
本发明的目的之三采用如下技术方案实现:
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有商品定价程序,所述商品定价程序为计算机程序,所述商品定价程序被处理器执行时实现如本发明目的之一采用的一种基于竞对商品的商品定价方法的步骤。
相比现有技术,本发明的有益效果在于:
本发明通过预先在系统内设定本地商品与竞对商品的匹配关系,并根据本地商品的历史价格、销量以及竞对商品的历史价格、销量得出竞对商品的价格变化对本地商品的价格、销量的影响得出本地商品的价格与销量之间的对应关系,然后根据系统约束条件以及定价公式来预测得出本地商品库中本地商品的定价。本发明在对商品进行定价时,不仅考虑了本地商品的历史价格、销量等,还考虑了竞对商品的价格以及销量,使得商品的定价更加合理,同时既可以保证销量,同时还可以保证毛利。
附图说明
图1为本发明提供的一种基于竞对商品的商品定价系统模块示意图;
图2为本发明提供的本地商品与竞对商品的关联操作流程图;
图3为图2中步骤S2的流程图;
图4为相似度模型的训练过程流程图;
图5为步骤S25的流程图;
图6为属性模型的结构示意图;
图7为属性模型的训练过程流程图;
图8为本发明提供的一种基于竞对商品的商品定价方法流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本发明通过将本地商品库中每个本地商品的历史价格、销售等数据与竞对商品的历史价格、销售等结合来确定竞对商品的价格变化对本地商品的销售影响,进而指导对本地商品的定价,使得本地商品的定价更加合理,。为了及时感知竞对商品的价格变化,首先要实现自身的商品库中的商品与竞对商品的关联,也即是获取竞对商品与自身商品库的一一对应关系,因此来得知自身商品库不同的商品所对应的竞对对手的价格变动情况。另外,本发明还需要量化竞对商品的定价变化对自身商品库销量的营销,从而知道自身商品库中商品的定价。
如图1所示,本发明提供了一优选的实施例,一种基于竞对商品的商品定价系统,包括两大部分:商品关联模块和商品定价模块。
其中,商品关联模块是将竞对商品库中的竞对商品与本地商品库中的商品进行关联,建立本地商品与竞对商品之间的一一对应关系。
商品定价模块是根据商品关联模块确定的本地商品与竞对商品的一一对应关系,并挖掘出本地商品对应的竞对商品价格变化对本地商品的销量的影响,进而实现对本地商品的合理定价。
优选地,也即是说,在对本地商品定价之前,首先需要建立本地商品与竞对商品的关联关系,如图2所示,具体的关联操作如下:
步骤S1、获取竞对商品库中所有的竞对商品的数据。其中,竞对商品的数据包括竞对商品名称、竞对商品的历史定价、历史销量、折扣力度等信息。在获取竞对商品的数据时,可定时通过爬虫技术获取竞对商品的数据。通过定时自动采集竞对商品的数据,可大大减少人工干预从而实现整个流程的高度自动化。
步骤S2、依次顺序遍历每个竞对商品名称并在本地商品库中进行匹配本地商品名称;当匹配成功时,将本地商品名称与竞对商品名称的匹配关系存储于系统的匹配表中;当匹配不成功时,将本地商品名称与竞对商品名称的匹配关系存储于系统的不匹配表中;直到所有的竞对商品名称遍历完毕后,将匹配表和不匹配表存储于系统中,然后退出或执行其他操作。
其中,根据每个竞对商品名称在本地商品库中进行匹配本地商品名称的匹配操作时,具体操作过程如下:
假设当前遍历的竞对商品名称记为当前竞对商品名称,如图3所示,步骤S2包括:
步骤S21、判断当前竞对商品名称是否存在匹配表中,若是,则继续遍历下一个竞对商品名称;若否,则执行步骤S22。
其中,匹配表为系统中已经记录的竞对商品与本地库中的商品的匹配关系表,保存了竞对商品与本地商品之间的关联关系。也即是说:当当前竞对商品名称存在于匹配表中,则说明当前竞对商品名称在本地商品库中已经存在具有匹配关系的本地商品名称,继续遍历下一个竞对商品名称。
当当前竞对商品名称不存在于匹配表中,则需要对该当前竞对商品名称在本地商品库中进行匹配,并查找具有匹配关系的本地商品。
步骤S22、对当前竞对商品名称进行预处理。
其中,预处理包括数据清洗和分词处理。
1、数据清洗是指将当前竞对商品名称中干扰字样去除,比如去除“特惠”“大日期”“规格”等字样。对当前竞对商品名称进行预处理,将容易产生干扰的词语去除,保证后期匹配的准确性。例如:康师傅冰红茶柠檬味(限时特惠!),数据清洗后变为:康师傅冰红茶柠檬味。
2、分词处理是指对竞对商品名称进行分词处理得出分词结果。
例如:康师傅冰红茶柠檬味,分词处理变为[“康师傅”,“冰红茶”,“柠檬味”]。
步骤S23、对预处理的当前竞对商品名称根据相似度模型匹配识别得出本地商品库中每个本地商品名称与当前竞对商品名称的相似度。
其中,相似度模型是根据本地商品库中所有的商品名称通过gensim工具对TF-IDF模型进行训练得出模型,该模型中存储于各个商品名称之间的相似度。
在本地商品库中识别每个本地商品名称与当前竞对商品名称的相似度时,同样地将当前竞对商品名称的分词结果输入到gensim工具,通过在预先训练好的TFIDF模型的作用下输出每个本地商品名称与当前竞对商品名称的相似度。
其中,另外,本发明在模型训练时通过采用gensim工具来实现模型的训练。其中,gensim工具提供了一种发现文档语义结构的工具,通过检查词出现的频率。比如gensim工具读取一段预料,输出一个向量,表示文档中的一个词。词向量可以用来训练各种分类器模型。其中,预料是指一组电子文档的集合。通过该集合输入到gensim工具中,该gensim工具会从这个预料中推断出它的结构、主题等。
其中,TF-IDF模型的特性为:与词语在全文档中出现的次数成反比,与在本文档出现的次数成正比。因此,在模型训练后,会使得根据特点的词更加具有辨识性,比如“茶∏”比“茶∏茶饮料”的相似度大于“茶饮料”与“茶∏茶饮料”的相似度。因此,“茶∏”只在“茶∏茶饮料”中出现,“茶饮料”在全库的茶饮料的商品中共都会出现,因此,“茶∏”的权重大于“茶饮料”。
因此,本发明基于gensim工具,并通过本地商品库中所有的本地商品名称来实现对TF-DF模型的训练,进而得出相似度模型。
进一步地,如图4所示,相似度模型的具体训练过程如下:
步骤A11、获取训练样本。该训练样本包括本地商品库中所有的本地商品名称,每个本地商品名称标示一个SKU,例如:康师傅纯净水1L*12瓶。
步骤A12、对训练样本中的每个本地商品名称进行规格移除处理。比如:康师傅纯净水1L*12瓶,其中“1L*12瓶”为规格,将规格清除后变为:康师傅纯净水。由于规格中的数字以及单位信息在每个商品里都会出现,并且非常相似,为了避免规格词语对关键字的重要度产生干扰,因此在训练之前对商品名称中的规格去除。
步骤A13、对训练样本中的每个本地商品名称进行分词处理。例如:康师傅纯净水,分词后变为:康师傅、纯净水。
另外,为了保证分词的准确度,在分词时,分词所依据的词典非常重要,本发明通过将商品特有的词典用于分词匹配,能够帮助对分词结果更准确。比如:茶∏,小茗等商品品名。由于这些特有词能够很好区分商品,同时加入这些词,能有效提高关联的准确度。
步骤A14、模型训练:基于上述训练样本中的每个本地商品名称的分词结果,通过gensim工具对TF-IDF模型进行训练得出相似度模型。将相似度模型存储于系统缓存或系统文件中,便于后续的相似度匹配等。
为了进一步从所有的本地商品名称选出与当前竞对商品名称的相似或相同的本地商品名称,所述步骤S2还包括:步骤S24、根据上述得出每个本地商品名称与当前竞对商品名称的相似度从大到小进行排序,然后根据排序结果选取一个或多个本地商品名称,作为候选本地商品名称。
一般来说,根据排序结果选择前n个数据作为候选本地库商品名称。其中,n的取值依赖于对排序结果中各个相似度数据的观察,比如选取10个。当然,也可以根据实际的情况进行选择,比如设定相似度阈值、设定选取总数的百分比等。
比如:步骤S23中得出每个本地商品名称与当前竞对商品名称的相似度结果分别为:[(5,0.06),(8,0.78),(101,0.98),(10,0.0001)]。
步骤S24中根据相似度大小进行排序后的排序结果为:[(101,0.98),(8,0.78),(5,0.06),(10,0.0001)]。
步骤S25、顺序遍历每个候选本地库商品名称,并判断每个候选本地库商品名称与当前竞对商品名称的关联关系,直到遍历完每个候选本地商品名称。
如图5所示,假设将当前遍历的本地商品名称记为当前候选本地库商品时,:
步骤S25具体包括:
步骤S251、判断候选本地库商品名称与当前竞对商品名称是否存在于不匹配表中,若是,执行步骤S252;若否,则继续遍历下一个候选本地库商品名称。
若候选本地商品名称与当前竞对商品名称存储于不匹配表中,则说明二者不具有匹配关系,则直接遍历下一个候选本地商品名称即可。
步骤S253、判断当前候选本地商品名称与当前竞对商品名称的相似度是否大于预设阈值时,若是,则执行步骤S254;若否,则继续遍历下一个候选本地商品名称。
若二者相似度过小时,则说明二者不匹配,则直接继续遍历下一个候选本地商品名称即可。
步骤S254:分别对当前候选本地商品名称、当前竞对商品名称进行解析得出当前候选本地商品名称的属性、当前竞对商品名称的属性。
另外,在解析属性时,本发明是根据当前候选本地商品名称以及当前竞对商品名称与系统内的属性模型进行匹配,得出当前候选本地商品名称的属性以及当前竞对商品名称的属性。
其中,属性模型通过根据本地商品库中的本地商品名称的属性以及竞对商品库中的竞对商品名称的属性进行模型训练,建立以树状图的形式形成属性模型。如图6所示,该树状图的深度为4,并且树状图的根结点为品牌、根结点的子结点为SKU、叶子结点为规格、叶子结点的双亲为口味。也即是,该树状图的第一层为品牌、第二层为SKU、第三层为口味、第四层为规格。
另外,在解析属性时,由于属性模型为树状结构,因此在匹配时,树状解析方式是指查询范围在相同节点下的子节点内,不能跨节点寻找。
因此,对于上述匹配时若在相同节点下匹配不到相应的值时,将对应属性设置为空。
比如:如图6所示,如果确定品牌是“康师傅”、SPU是“冰红茶”,那么口味在匹配只能在“柠檬味”和“苹果味”里寻找,不能用“青梅味”去匹配。
在匹配时,当匹配不到时,将属性值设为空值。
优选地,如图7所示,本发明还给出属性模型的训练过程如下:
步骤A21、获取训练样本。该训练样本包括自身商品库中的商品名称和竞对商品库中的竞对商品名称。
步骤A22、提取属性。
对于每个电商来说,在商品建立时会有一套与商品对应的属性,包括品牌、SKU、口味和规格。
例如:康师傅纯净水1L*24瓶,属性为:品牌:康师傅、SKU:纯净水、规格:1L*24瓶。
康师傅冰红茶柠檬味1L*12瓶,属性为:品牌:康师傅、SKU:冰红茶、口味:柠檬味、规格:1L*12瓶。
也即是,根据每个商品名称从系统中匹配得出每个商品名称对应的属性。有的商品名称中已经含有属性,比如康师傅纯净水。而有的可能需要通过外部数据提供,例如:品牌有康师傅、可口可乐等,此时可通过命名匹配词典的形式提取出来。另外,规格可通过正则表达式的方式进行提取。
另外,在提取属性时,
步骤A23、根据每个商品名称所提取的属性以品牌建立对应树状模型,并且树状模型的第一层为品牌、第二层为SKU、第三层为口味、第四层为规格。
进一步地,步骤S255、当当前候选本地库商品名称的属性、当前竞对商品名称的属性都不为空时,判断当前候选本地库商品名称的每个属性与当前竞对商品名称的对应属性是否完全相同,若是,则将当前竞对商品名称和当前候选本地商品名称的匹配关系存储于匹配表中;若否,将当前竞对商品名称和当前候选本地商品名称存储于不匹配表中。
步骤S256、当当前竞对商品名称或当前候选本地库商品名称存在一个属性或多个属性为空值时,执行步骤S257。当某个属性为空时,通过人工来判断二者的匹配关系。
步骤S257、通过人工判断当前竞对商品名称与当前候选本地库商品名称是否存在匹配关系,若是,则将当前竞对商品名称和当前候选本地商品名称的匹配关系存储于匹配表中;如否,则将将当前竞对商品名称和当前候选本地商品名称存储于不匹配表中。
也即是说,当解析得出的属性存在空值时,只能通过人工来判断二者是否具有匹配关系。比如:通过系统界面将当前竞对商品名称的属性以及当前候选本地库商品名称的属性推送给工作人员,工作人员根据经验来判断二者是否存在匹配关系。若存在,则二者的匹配关系存储于匹配表。若不存在,则将二者存储于不匹配表中。当匹配不成功时,将二者的匹配关系写入不匹配表中。
根据商品关联模型实现了本地商品库中本地商品与竞对商品库中的竞对商品的匹配关系,并将其存储于系统的匹配表中。在对商品进行定价时,首先从系统的匹配表中查找出待定价商品名称所对应的竞对商品名称,然后再对待定价商品进行定价。
当完成对竞对商品的匹配后,也即是竞对商品与本地库中的商品一一对应,在对本地商品进行定价时,本发明通过挖掘竞对商品的价格弹性来获取竞对商品的价格变化对本地商品库中对应的本地商品的销量的影响弹性,然后结合对应本地商品自身的价格弹性来构建综合性的弹性价格模型,并最终根据业务指标的约束,求取本地商品的最终定价。
因此,在对商品定价时,本系统的重点之一在于如何构建弹性价格模型。本实施例通过在本地商品的价格弹性的基础上增加竞对商品的价格弹性来构建弹性价格模型,也即是本实施例中采用的弹性价格模型如公式(1)表示:
Qi=α+δ(Pi-Pi-1)+β(Ti-Ti-1)+Qi-1 (1)。
其中,Qi为本地商品在第i个周期的销量,Pi为本地商品在第i个周期的价格,Pi-1为本地商品在第i-1个周期的价格,Ti为竞对商品在第i个周期的价格,Ti-1为竞对商品在第i-1个周期的价格,Qi-1为本地商品在第i-1个周期的销量;参数α为商品的价格弹性,参数β为竞对商品的价格弹性,参数δ为常数。
其中,周期的取值根据需求进行设定,比如天、周、月。
本发明通过获取本地商品库中的每个本地商品的所有周期的价格、销量以及竞对商品库中每个竞对商品的所有周期的价格、销量等代入上述公式(1)进而可以确定上述各个参数α、β、δ。也即是确定了竞对商品的价格弹性与本地商品的价格弹性。也即是,通过上述模型可知在本地商品的价格变化的基础上,竞对商品的价格变化对本地商品的销量的影响。
当弹性价格模型构建完成后,根据业务目标的约束来实现最终的定价。在实际的应用场景中,由于各个公司的业务目标不同,因此在对本地商品进行定价时,还需要结合业务目标的约束来确定。
一般来说,业务目标的约束包括:单位毛利率约束、调价幅度约束、毛利约束、销量约束和成交额(Gross Merchandise Volume,GMV)约束。
根据以上业务目标的约束条件,本实施例还给出了定价的公式(2):
其中,P为本地商品的当前周期的价格,也即是本发明所需要确定的最终定价。
Q为本地商品在价格为P时的销量,可通过公式(1)结合Q0、P0得出。比如通过公式(1),将本地商品在上一个周期的价格、销量,竞对商品的价格、销量,竞对商品在当前周期的价格可以得出本地商品在当前周期的价格与销量之间的对应关系。
C为本地商品的进货价格。
Q0为本地商品在价格为P0时的销量。
P0为本地商品的前一个周期内的平均价格。前一个周期是指当前周期的前一个周期。
ε为常数,该常数是一个超参数。在实际的应用过程中,根据实际的需求进行确定,比如若追求成交额(也即是销售量)时,则将该常数调大;如果追求毛利时,则将次常数调小。另外,该常数也会按商品分类进行设置,比如则当商品为长尾品时,ε取0.8;当商品为基础品时,ε取1;当商品为KVI品(KVI是指价格敏感商品)时,ε取1.2。
I为价格调整区间,表示P可以变化的范围。
另外,本发明还给出了各个业务目标的约束条件的公式表示:
根据上述业务目标的各个约束条件以及定价公式(2)的目标函数,在I价格调整区间内区域内搜索,确定一个本地商品的最终定价。
另外,本发明还针对方案,选取了多种商品进行定价,并观察毛利、销售额的变化来验证本方案的可行性。
如表1为3种商品调价后一段时间内的毛利和成交额的变化:
表1
从表1可知,
(1)本地商品自身价格的升降随竞对商品的升降保持同步。
(2)不同本地商品自身价格的变化幅度不同:
比如对于长尾品:自动定价采用了小幅度提价策略,观察可得价格少量的抬升对总的销售额影响并不大,但是能明显提高毛利。
对于KVI商品:自动定价策略采用了明显的降价策略,通过观察毛利和GMV都得到了提升,但是对GMV的提升更加明显。
对于普通品:自动定价采用降价策略来换取GMV的上涨,采用了置换方式,即损失毛利提升GMV的方式,对于置换特性的商品,最后定价是偏向毛利还是偏向GMV和人为对于这个商品的目标函数中约束条件以及偏向性与常数ε有关。
通过表1观察可知,本发明提供的基于竞对商品的商品定价方法,基本符合人工经验,并带来了一定的经济效益。
进一步地,如图8所示,比如系统给定一个待定价本地商品,则可以基于前述一种基于竞对商品的商品定价系统来说,本实施例给出对应的一种基于竞对商品的商品定价方法,其具体包括如下过程:
步骤S31、获取待定价本地商品的数据。待定价本地商品的数据包括待定价商品名称和待定价本地商品上一个周期的价格及销量。
步骤S32、根据待定价本地商品名称从系统中查找出与待定价本地商品具有匹配关系的竞对商品名称,并根据竞对商品名称从竞对商品库中获取竞对商品的数据。同理,所述竞对商品的数据包括竞对商品名称、竞对商品当前周期的价格及销量和竞对商品上一个周期的价格及销量;
步骤S33、根据待定价本地商品的数据、竞对商品的数据以及系统内的弹性价格模型得出待定价本地商品当前周期的价格与销量的对应关系。也即是Pi与Qi的关系。
步骤S34、根据待定价本地商品当前周期的价格与销量的对应关系、业务目标的约束条件以及定价公式确定待定价本地商品当前周期的价格。
实施例二
一种基于竞对商品的商品定价装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的商品定价程序,所述商品定价程序为计算机程序,所述处理器执行所述商品定价程序时实现如实施例一提供的一种基于竞对商品的商品定价方法的步骤。
实施例三
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有商品定价程序,所述商品定价程序为计算机程序,所述商品定价程序被处理器执行时实实施例一种提供的一种基于竞对商品的商品定价方法的步骤。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (16)
1.一种基于竞对商品的商品定价方法,其特征在于,包括:
获取步骤:获取待定价本地商品的数据;所述待定价本地商品的数据包括待定价商品名称、待定价本地商品上一个周期的价格及销量和待定价本地商品的进货价格;
关系匹配步骤:根据待定价本地商品名称从系统中查找出与待定价本地商品具有匹配关系的竞对商品名称,并根据竞对商品名称从竞对商品库中获取竞对商品的数据;所述竞对商品的数据包括竞对商品名称、竞对商品当前周期的价格和竞对商品上一个周期的价格;
模型匹配步骤:根据待定价本地商品的数据、竞对商品的数据以及系统内的弹性价格模型得出待定价本地商品当前周期的价格与销量的对应关系;所述弹性价格模型的公式为:Qi=α+δ(Pi-Pi-1)+β(Ti-Ti-1)+Qi-1 (1);
其中,Qi为每个本地商品在第i个周期的销量,Pi为每个本地商品在第i个周期的价格,Pi-1为每个本地商品在第i-1个周期的价格,Qi-1为每个本地商品在第i-1个周期的销量,Ti为每个本地商品对应的竞对商品在第i个周期的价格,Ti-1为每个本地商品对应的竞对商品在第i-1个周期的价格;参数α为每个本地商品的价格弹性,参数β为每个本地商品对应的竞对商品的价格弹性,参数δ为常数;
其中,P为待定价本地商品的当前周期的价格;Q为待定价本地商品在价格为P时的销量,可通过公式(1)结合Q0、P0得出;C为待定价本地商品的进货价格;P0为待定价本地商品的上一个周期的平均价格;Q0为待定价本地商品在价格为P0时的销量;ε为常数;I为价格调整区间,表示P变化的范围。
2.根据权利要求1所述一种基于竞对商品的商品定价方法,其特征在于,所述弹性价格模型的训练过程为:
首先历史数据中获取每个本地商品在每个周期内的价格、销量以及每个本地商品对应的竞对商品在每个周期内的价格、销量;然后将每个本地商品在每个周期内的价格、销量以及每个本地商品对应的竞对商品在每个周期内的价格、销量代入公式(1)进行训练,进而确定公式(1)中的参数α、参数β以及参数δ。
3.根据权利要求1所述一种基于竞对商品的商品定价方法,其特征在于,所述参数ε的取值根据每个本地商品的类别确定。
4.根据权利要求1所述一种基于竞对商品的商品定价方法,其特征在于,所述系统业务目标约束条件包括以下中的任意一种或多种:单位毛利率约束条件、调价幅度约束条件、毛利约束条件、销量约束条件和成交额约束条件。
6.根据权利要求1所述一种基于竞对商品的商品定价方法,其特征在于,所述关系匹配步骤为:从系统的匹配表中根据待定价本地商品名称查找出与待定价商品名称具有匹配关系的竞对商品名称;所述匹配表用于存储了各个本地商品名称与对应竞对商品名称的匹配关系。
7.根据权利要求6所述一种基于竞对商品的商品定价方法,其特征在于,所述匹配表中各个本地商品名称与对应竞对商品名称的匹配关系的关联操作如下:
步骤S11、定时获取竞对商品库中的所有竞对商品名称;
步骤S12、顺序遍历每个竞对商品名称并对每个竞对商品名称在本地商品库中匹配本地商品名称;同时将匹配成功的竞对商品名称与对应本地商品名称的匹配关系存储于匹配表;将匹配不成功的竞对商品名称存储于系统的不匹配表中,直到所有的竞对商品名称遍历完毕,将匹配表以及不匹配表存储于系统中。
8.根据权利要求7所述一种基于竞对商品的商品定价方法,其特征在于,假设当前遍历的竞对商品名称记为当前竞对商品名称:
所述步骤S12包括:
步骤S121:判断当前竞对商品名称是否存在于匹配表中,若是,则继续遍历下一个竞对商品名称;若否,则执行步骤S122;
步骤S122:对当前竞对商品名称进行预处理;
步骤S123:对预处理后的当前竞对商品名称首先根据系统内的相似度模型匹配识别得出本地商品库中每个本地商品名称与当前竞对商品名称的相似度;
步骤S124:根据每个本地商品名称与当前竞对商品名称的相似度选择一个或多个本地商品名称,并分别记为候选本地商品名称;
步骤S125:顺序遍历每个候选本地商品名称,并判断每个候选本地商品名称与当前竞对商品名称的匹配关系;直到遍历完每个候选本地商品名称。
9.根据权利要求8所述一种基于竞对商品的商品定价方法,其特征在于,所述预处理包括数据清洗和分词处理;其中,数据清洗用于将当前竞对商品名称中的干扰词语去除;分词处理用于对当前竞对商品名称进行分词处理。
10.根据权利要求8所述一种基于竞对商品的商品定价方法,其特征在于,所述相似度模型的训练过程如下:首先获取本地商品库中所有本地商品名称;然后对每个本地商品名称进行规格移除处理;再对移除规格后的每个本地商品名称进行分词处理;最终基于每个本地商品名称的分词结果通过gensim工具实现对TF-DF模型的训练得出相似度模型。
11.根据权利要求8所述一种基于竞对商品的商品定价方法,其特征在于,所述步骤S123包括:将当前竞对商品名称的分词结果通过gensim工具输入到相似度模型中得出本地商品库中每个本地商品名称与当前竞对商品名称的相似度。
12.根据权利要求8所述一种基于竞对商品的商品定价方法,其特征在于,所述步骤S124包括:根据每个本地商品名称与当前竞对商品名称的相似度从大到小顺序选取一个或多个本地商品名称。
13.根据权利要求8所述一种基于竞对商品的商品定价方法,其特征在于,所述步骤S125包括:
假设当前遍历的候选本地商品名称记为当前候选本地商品名称:
步骤S1251:判断当前候选本地商品名称与当前竞对商品名称是否存在于系统的不匹配表中,若是,则继续遍历下一个候选本地商品名称;若否,则执行步骤S1252;
步骤S1252:判断当前候选本地商品名称与当前竞对商品名称的相似度是否大于预设阈值,若是,则执行步骤S1253;若否,则继续遍历下一个候选本地商品名称;
步骤S1253:根据系统内的属性模型解析得出当前候选本地商品名称的属性以及当前竞对商品名称的属性;所述属性包括品牌、SKU、口味和规格;
步骤S1253、当属性均不为空时,判断当前候选本地商品名称的属性与当前竞对商品名称的属性是否完全相同;若是,将当前候选本地商品名称与当前竞对商品名称存储于系统匹配表中;若否,当前候选本地商品名称与当前竞对商品名称存储于系统不匹配表中,并继续遍历下一个候选本地商品名称;
步骤S1254:当属性存在空值时,转入人工确定流程,使得人工将匹配成功的当前本地商品与当前竞对商品名称的匹配关系存储于系统匹配表中、将匹配不成功的当前本地商品与当前竞对商品名称存储于系统的不匹配表中。
14.根据权利要求13所述一种基于竞对商品的商品定价方法,其特征在于,所述属性模型的训练过程如下:首先获取本地商品库中的所有商品名称和竞对商品库中的所有竞对商品名称;然后获取每个本地商品名称的属性和每个竞对商品名称的属性;再根据每个本地商品名称的属性、每个竞对商品名称的属性以树状图的结构形成属性模型;其中,树状图的深度为4,并且树状图的根结点为品牌、根结点的子结点为SKU、叶子结点为规格、叶子结点的双亲为口味。
15.一种基于竞对商品的商品定价装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的商品定价程序,所述商品定价程序为计算机程序,其特征在于:所述处理器执行所述商品定价程序时实现如权利要求1-14中任一项所述的一种基于竞对商品的商品定价方法的步骤。
16.一种存储介质,所述存储介质为计算机可读存储介质,其上存储有商品定价程序,所述商品定价程序为计算机程序,其特征在于:所述商品定价程序被处理器执行时实现如权利要求1-14中任一项所述的一种基于竞对商品的商品定价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121376.7A CN111080396A (zh) | 2019-11-15 | 2019-11-15 | 一种基于竞对商品的商品定价方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121376.7A CN111080396A (zh) | 2019-11-15 | 2019-11-15 | 一种基于竞对商品的商品定价方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080396A true CN111080396A (zh) | 2020-04-28 |
Family
ID=70311028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911121376.7A Pending CN111080396A (zh) | 2019-11-15 | 2019-11-15 | 一种基于竞对商品的商品定价方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080396A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509036A (zh) * | 2018-12-25 | 2019-03-22 | 苏宁易购集团股份有限公司 | 一种处理价格信息的方法及装置 |
CN112150255A (zh) * | 2020-10-20 | 2020-12-29 | 成都中科大旗软件股份有限公司 | 一种电商运营管理方法及系统 |
CN114493668A (zh) * | 2021-12-28 | 2022-05-13 | 北京五八信息技术有限公司 | 车辆信息处理方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389073A (zh) * | 2018-01-29 | 2018-08-10 | 北京三快在线科技有限公司 | 商品售价的自动计算方法及系统、电子设备及存储介质 |
-
2019
- 2019-11-15 CN CN201911121376.7A patent/CN111080396A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389073A (zh) * | 2018-01-29 | 2018-08-10 | 北京三快在线科技有限公司 | 商品售价的自动计算方法及系统、电子设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509036A (zh) * | 2018-12-25 | 2019-03-22 | 苏宁易购集团股份有限公司 | 一种处理价格信息的方法及装置 |
CN109509036B (zh) * | 2018-12-25 | 2023-12-01 | 苏宁易购集团股份有限公司 | 一种处理价格信息的方法及装置 |
CN112150255A (zh) * | 2020-10-20 | 2020-12-29 | 成都中科大旗软件股份有限公司 | 一种电商运营管理方法及系统 |
CN112150255B (zh) * | 2020-10-20 | 2022-04-08 | 成都中科大旗软件股份有限公司 | 一种电商运营管理方法及系统 |
CN114493668A (zh) * | 2021-12-28 | 2022-05-13 | 北京五八信息技术有限公司 | 车辆信息处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
CN111080396A (zh) | 一种基于竞对商品的商品定价方法、装置及存储介质 | |
WO2019001120A1 (zh) | 商品动态定价数据处理方法和系统 | |
CN112613953A (zh) | 一种商品选品方法、系统及计算机可读存储介质 | |
CN106447463A (zh) | 一种基于马尔科夫决策过程模型的商品推荐方法 | |
US11321724B1 (en) | Product evaluation system and method of use | |
CN107665448A (zh) | 用于确定消费贡献价值的方法、装置以及存储介质 | |
CN103984998A (zh) | 基于云服务平台大数据挖掘的销售预测方法 | |
CN106651418A (zh) | 针对电商满减活动的凑单商品推荐的方法 | |
CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
CN105138690A (zh) | 确定关键词的方法和装置 | |
CN111949711B (zh) | 一种基于可决策的高效用负序列规则挖掘的商品推荐系统及其工作方法 | |
CN114549046A (zh) | 基于融合模型的销售预测方法、系统、设备及存储介质 | |
CN110570233A (zh) | 用于电商平台的用户回购时间预测方法及装置 | |
CN104408648A (zh) | 一种挑选商品的方法及装置 | |
CN105913290A (zh) | 商品搭配推荐方法及推荐系统 | |
CN104615721B (zh) | 用于基于退货关联信息推荐商品的方法和系统 | |
CN114219558B (zh) | 基于数据挖掘的农产品智能推荐系统 | |
CN107016122A (zh) | 基于时间迁移的知识推荐方法 | |
EP3400571A1 (en) | Consumer decision tree generation system | |
CN110910207A (zh) | 一种提升商品推荐多样性的方法及系统 | |
CN116739652A (zh) | 一种服装电商销量预测建模方法 | |
US11776011B2 (en) | Methods and apparatus for improving the selection of advertising | |
CN111047148B (zh) | 一种基于强化学习的虚假评分检测方法 | |
CN117314463A (zh) | 一种用于电商平台的商品智能上架系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |