CN111178624A - 一种新产品需求预测的方法 - Google Patents

Abstract

本发明涉及一种新产品需求预测的方法，其特征在于：一种计算历史有售产品历史需求量与特征的相关性，根据相关性向量对历史有售产品进行聚类，新产品按照归类向量以某种归类机制归入某些类；用同一类里面，历史有售产品的需求量数据构建训练集，选取最近一段时间的训练数据用机器学习模型训练；分别用对应的类对新产品进行预测，将预测值组合后得到最终需求量预测值。通过本发明的新产品需求预测的方法，能够刻画出产品未来一月至两年的产品需求的动态演化，充分利用大数据背景下的全渠道、全链路信息，并能够很好的匹配机器学习的算法框架，所预测出的产品需求相对于传统方法有较高的准确度。

Description

一种新产品需求预测的方法

技术领域

本发明涉及机器学习和供应链管理的交叉领域,尤其是涉及对消费者需求进行模式学习和预测的方法。

背景技术

互联网、移动营销、新零售的发展，对商家的需求感知、产品规划和供应链响应速度都提出了更高的要求。在新产品的规划领域，准确地预估未来的需求量以及需求变动趋势，将极大地缩短供应链的响应时间，降低生产和库存成本。如何有效对新产品的未来需求进行预测，日渐成为在快节奏的商业模式变革下产品运营和管理的重要课题和难题。由于新产品没有任何历史数据，传统的时间序列和机器学习模型都不适用，开发一套有效、可行的预测方法，对于提升企业运营效率，降低运营成本具有重要意义。

现有的新产品需求预测方法，主要包括两大体系：巴斯扩散模型和类比法。巴斯扩散模型的核心思想是在把新产品的采用者分为改革型(早期采用者)和模仿型(中后期跟进者)以及用户采用新品的时间取决于产品的创新程度和模仿型占比的条件下，新产品的销售取决于产品的创新程度p、模仿者的比例q以及价格和广告因素x(t)。因此，只需要估计相关的参数，就可以得到新产品的销售生命周期曲线。而类比法则是基于产品属性的各个维度，对历史有售产品进行聚类，得到产品的类别集，再根据新产品的属性对其进行归类，用类别集里面的其他产品的历史销量进行预测。

上述两大体系都存在着各自的不足。巴斯扩散模型需要有一部分需求信息用于参数估计，导致不能完整刻画整个产品生命周期；另一方面，该模型所假设的生命周期模式并不能反映产品需求的动态演化。类比法具有更高的灵活性，但现有的方法比较多的是基于时间序列框架，没有充分利用大数据背景下的全渠道、全链路信息；有部分方法利用了机器学习算法，但在对产品进行分类时用的还是基于时间序列特点的聚类方法，并不一定能很好地匹配机器学习的算法框架。

发明内容

鉴于以上所述现有技术存在的问题和不足，为解决新产品预测过程中存在的需求演化、聚类与预测模型失配、异质产品区分等问题，本发明提出一种能够基于类比法的预测框架、综合需求分布的变化、类别一致性的机器学习预测方法。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种新产品需求预测的方法，其特征在于：包括以下步骤：

1)确定新产品的预测时间范围；

2)对历史有售产品提取产品属性特征、预测模型训练所用的特征和需求量，对新产品提取属性特征和预测所需要的特征；

3)计算历史有售产品的相关性向量：分别计算需求量和每个特征的相关性系数，然后由这些系数组成相关性向量；

4)根据相关性向量对历史有售产品进行聚类；

5)每个类分别选取训练集，训练模型；

6)把属性特征向量和相关性向量合并，分别构造每一个类和每一个新品的归类向量；

7)根据归类向量对新产品进行归类，利用这些类的模型，分别预测新产品对应日期的需求量，将各类对应模型的预测结果组合得到最终结果；

8)每隔一段时间，重复上述步骤2)-步骤5)，直至新产品被判定为非新品：利用增加的数据重新对历史有售产品进行重新聚类和重新训练模型，再对新产品进行重新分类，用新的模型进行预测。

所述的新产品需求预测的方法，其特征在于：所述步骤1)中所述预测时间范围包括:未来1小时-2年。

所述的新产品需求预测的方法，其特征在于：所述步骤2)中的所述需求量包括：实际销量、估计需求量，其中估计需求量是被截尾需求和实际销量的总和。

所述的新产品需求预测的方法，其特征在于：所述步骤2)中的所述产品属性特征包括:品牌、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度。

所述的新产品需求预测的方法，其特征在于：所述步骤2)中的产品训练和预测所用特征不包括历史记录信息。

所述的新产品需求预测的方法，其特征在于：所述步骤3)中相关性系数包括：余弦相似度、回归系数、闵可夫斯基距离、相关系数、信息熵。

所述的新产品需求预测的方法，其特征在于：所述步骤4)中的聚类包括:划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。

所述的新产品需求预测的方法，其特征在于：所述步骤5)中的所述训练集为选取待预测时间之前的训练数据；

所述训练模型包括：回归算法、树形算法、神经网络、支持向量机、灰度模型。

所述的新产品需求预测的方法，其特征在于：所述步骤7)中的所述归类向量通过属性相似度向量和相关性向量组合得到；所述归类是指根据归类向量的相似度，按递增排序后选取靠前的数个类作为产品所属的类。

所述的新产品需求预测的方法，其特征在于：所述步骤7)中的所述组合包括stacking和加权组合。

该新产品需求预测的方法具有以下有益效果：

通过本发明的新产品需求预测的方法，能够刻画出产品未来一月至两年的产品需求的动态演化，充分利用大数据背景下的全渠道、全链路信息，并能够很好的匹配机器学习的算法框架，所预测出的产品需求相对于传统方法有较高的准确度。

附图说明

图1：新产品需求量预测流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明，但这些实施例仅用于解释和说明本发明，不作为对本发明的保护范围限定。本发明的范围由权利要求书来限定，其中某些要素的改变、替换等是都包含在本发明的保护范围之内。

计算历史有售产品历史需求量与特征的相关性，根据相关性向量对历史有售产品进行聚类，新产品按照归类向量以某种归类机制归入某些类；用同一类里面，历史有售产品的需求量数据构建训练集，选取最近一段时间的训练数据用机器学习模型训练；分别用对应的类对新产品进行预测，将预测值组合后得到最终需求量预测值。

具体步骤如下：

1)确定新产品的预测时间范围；

2)对历史有售产品提取产品属性特征、预测模型训练所用的特征和需求量，对新产品提取属性特征和预测所需要的特征；

3)计算历史有售产品的相关性向量：分别计算需求量和每个特征的相关性系数，然后由这些系数组成相关性向量；

4)根据相关性向量对历史有售产品进行聚类；

5)每个类分别选取训练集，训练模型；

6)把属性特征向量和相关性向量合并，分别构造每一个类和每一个新品的归类向量；

7)根据归类向量对新产品进行归类，利用这些类的模型，分别预测新产品对应日期的需求量，将各类对应模型的预测结果组合得到最终结果；

8)每隔一段时间，重复上述2-5过程，直至新产品被判定为非新品：利用增加的数据重新对历史有售产品进行重新聚类和重新训练模型，再对新产品进行重新分类，用新的模型进行预测。

其中，步骤1)中的预测时间范围包括:未来1小时-2年范围内的任意时长。步骤2)中的产品属性特征包括但不限于:品牌、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度等。且产品训练和预测所用特征不包括历史记录信息，比如历史销量、历史价格、评论。需求量包括：实际销量、估计需求量，其中估计需求量是被截尾需求和实际销量的总和。但是特征不包含历史信息相关的特征。

步骤3)中相关性系数包括：余弦相似度、回归系数、闵可夫斯基距离、相关系数、信息熵。

步骤4)中的聚类包括但不限于:划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。

步骤5)中的训练集是指选取待预测时间之前的训练数据，作为训练集。模型包括但不限于：回归算法、树形算法、神经网络、支持向量机、灰度模型。

步骤7)中的归类是指根据步骤3)中计算的相似度，按递增排序后选取靠前的数个类作为产品所属的类，这里产品所述的类别数可能大于1。其中的组合包括但不限于：stacking、加权组合。

实施例一

有10款水果新品预计于2019年4月1日上市销售，需要预测2019年4月1日-7日的需求量。现有100个有历史销售记录的产品，则对这100个产品提取产品属性特征

A_i＝(PL_i,BL_i,C_i,FP_i,FMCG_i,PT_i,PP_i),i∈[1,100]

其中PL_i,BL_i,C_i,FP_i,FMCG_i,PT_i,PP_i表示产品i的价格水平、品牌层级、类目、功能参数、是否快速消费品、包装类型、产地。

提取产品i模型训练所用的特征和需求量矩阵，假设产品i有t_i时长的历史记录

其中S_j,j∈[1,t_i]表示产品i的历史需求量，元素f_j,*表示各个历史需求量对应的特征向量，这里需求量都用销量来表示。

类似地，提取新产品的属性特征

NA_k＝(PL_k,BL_k,C_k,FP_k,FMCG_k,PT_k,PP_k),k∈[1,10]

以及预测所用的特征

其中，PF_k是指新品的特征，不含需求量数据；t_k是当前模型预测的时间长度，在t_k+1要重新进行聚类和模型训练。

用线性回归得到100个产品的历史需求量和各个特征的回归系数作为相关性度量，得到相关性系数向量

R_i＝[r_i,1,…,r_i,Q]

根据相关性系数向量分别对100个历史有售产品进行层次聚类，计算每一层中每个类的DB指数(Davies-Bouldin Index)，根据DB指数进行剪枝得到6个类别

C＝{c₁,c₂,c₃,c₄,c₅,c₆}

分别用每个类内所有的训练数据构建训练集，用随机森林算法进行模型训练，得到模型集

M＝{M₁,M₂,M₃,M₄,M₅,M₆}

计算6个类别中心的属性向量和相关性向量,组合成中心的归类向量

对每个新品，如果没有历史记录或历史记录不足以得到相关性向量，则把所有相关性指标赋值为0，即r_k,q＝0，得到新品k的归类向量

CNA_k＝(PL_k,BL_k,C_k,FP_k,FMCG_k,PT_k,PP_k,0,…,0),k∈[1,6]

如果同样用线性回归可以得到新品的相关性向量[r_k,1,…,r_k,Q]，则构建新品i的归类向量

CNA_k＝(PL_k,BL_k,C_k,FP_k,FMCG_k,PT_k,PP_k,r_k,1,…,r_k,Q),k∈[1,6]

通过类中心归类向量和新品归类向量，计算新品其与6个类别中心的欧式距离

DS_k,j＝||CNA_k-CA_j||₂

对每个新品，将其对应的6个距离指标按照递增排序，选取指标排序靠前的3个类别作为sku所属的类别集，用这3个类别的模型分别对sku进行预测，得到对应的预测结果

将这3个预测结果进行加权组合得到最终预测结果

在t_k+1，重复提取已售产品的历史需求量和特征、聚类、模型训练、归类、组合预测的过程。

实施例二

5款女装新品预计于2019年5月6日上市销售，需要预测2019年5月6日-12日的需求量。在本案例中，需求量用(销量与产品上线时长)/门店销售时长计算得到。现有200个有历史销售记录的产品，则对这200个产品提取产品属性特征

A_i＝(PL_i,BL_i,C_i,FP_i,FMCG_i,PT_i,PP_i,ST_i,NS_i,NC_i),i∈[1,200]

A_i里面的10个字段分别表示产品i的价格水平、品牌层级、类目、功能参数、是否快速消费品、包装类型、产地、风格、尺寸数量、颜色数量。

提取产品i模型训练所用的特征和需求量矩阵，假设产品i有t_i时长的历史记录

其中S_j,j∈[1,t_i]表示产品i的历史需求量，元素f_j,*表示各个历史需求量对应的特征向量。

类似地，提取新产品的属性特征

NA_k＝(PL_k,BL_k,C_k,FP_k,FMCG_k,PT_k,PP_k,ST_k,NS_k,NC_k),k∈[1,5]

以及预测所用的特征

其中，PF_k是指新品的特征，不含需求量数据；t_k是当前模型预测的时间长度，在t_k+1要重新进行聚类和模型训练。

分别计算200个产品的历史需求量和各个特征的余弦相似度作为相关性度量，得到相关性系数向量

R_i＝[r_i,1,…,r_i,Q]

根据相关性系数向量分别对200个历史有售产品进行K-means聚类得到8个类别

C＝{c₁,c₂,c₃,c₄,c₅,c₆,c₇,c₈}

分别用每个类内所有的训练数据构建训练集，用双隐层神经网络进行模型训练，得到模型集

M＝{M₁,M₂,M₃,M₄,M₅,M₆,M₇,M₈}

计算8个类别中心的属性向量和相关性向量,组合成中心的归类向量

对每个新品，如果没有历史记录或历史记录不足以得到相关性向量，则把所有相关性指标赋值为0，即r_k,q＝0，得到新品k的归类向量

CNA_k＝(PL_k,BL_k,C_k,FP_k,FMCG_k,PT_k,PP_k,0,…,0),k∈[1,8]

如果可以得到新品的余弦相似度向量[r_k,1,…,r_k,Q]，则构建新品k的归类向量

CNA_k＝(PL_k,BL_k,C_k,FP_k,FMCG_k,PT_k,PP_k,r_k,1,…,r_k,Q),k∈[1,8]

通过类中心归类向量和新品归类向量，计算新品其与8个类别中心的欧式距离

DS_k,j＝||CNA_k-CA_j||₂

对每个新品，将其对应的8个距离指标按照递增排序，选取指标靠前的3个类别作为sku所属的类别集，用这3个类别的模型分别对sku进行预测，得到对应的预测结果

将这3个预测结果进行加权组合得到最终预测结果

在t_k+1，重复提取已售产品的历史销量和特征、聚类、模型训练、归类、组合预测的过程。

实施例三

有3款新手机预计于2019年4月15日上市销售，需要预测2019年4月15日-21日的需求量。在本案例中，用实际销量表示需求量。现有120个有历史销售记录的产品，则对这120个产品提取产品属性特征

A_i＝(PL_i,BL_i,C_i,FP_i,ZP_i,ST_i,SZ_i,NC_i,PZL_i),i∈[1,120]

A_i里面的10个字段分别表示产品i的同配置价格水平、品牌层级、类目、功能参数、主屏尺寸、风格、尺寸、颜色数量、同价位配置水平。

提取产品i模型训练所用的特征(全部为连续值)和需求量矩阵，假设产品i有t_i时长的历史记录

其中S_j,j∈[1,t_i]表示产品i的历史需求量，元素f_j,*表示各个历史需求量对应的特征向量。

类似地，提取新产品的属性特征

NA_k＝(PL_k,BL_k,C_k,FP_k,ZP_k,ST_k,SZ_k,NC_k,PZL_k),k∈[1,3]

以及预测所用的特征

其中，PF_k是指新品的特征(全部为连续值)，不含需求量数据；t_k是当前模型预测的时间长度，在t_k+1要重新进行聚类和模型训练。

分别计算120个产品的历史需求量和各个特征的余弦相似度作为相关性度量，得到相关性系数向量

R_i＝[r_i,1,…,r_i,Q]

根据相关性系数向量分别对120个历史有售产品进行高斯混合模型聚类得到5个类别

C＝{c₁,c₂,c₃,c₄,c₅}

分别用每个类内所有的训练数据构建训练集，用双隐层神经网络进行模型训练，得到模型集

M＝{M₁,M₂,M₃,M₄,M₅}

计算5个类别中心的属性向量和相关性向量,组合成中心的归类向量

对每个新品，如果没有历史记录或历史记录不足以得到相关性向量，则把所有相关性指标赋值为0，即r_k,q＝0，得到新品k的归类向量

CNA_k＝(PL_k,BL_k,C_k,FP_k,ZP_k,ST_k,SZ_k,NC_k,PZL_k,0,…,0),k∈[1,3]

如果可以得到新品的余弦相似度向量[r_k,1,…,r_k,Q]，则构建新品k的归类向量

CNA_k＝(PL_k,BL_k,C_k,FP_k,ZP_k,ST_k,SZ_k,NC_k,PZL_k,r_k,1,…,r_k,Q),k∈[1,3]

通过类中心归类向量和新品归类向量，计算新品其与5个类别中心的欧式距离

DS_k,j＝||CNA_k-CA_j||₂

对每个新品，将其对应的5个距离指标按照递增排序，选取指标靠前的2个类别作为sku所属的类别集，用这2个类别的模型分别对sku进行预测，得到对应的预测结果

将这2个预测结果进行加权组合得到最终预测结果

在t_k+1，重复提取已售产品的历史需求量和特征、聚类、模型训练、归类、组合预测的过程。

Claims (10)

1.一种新产品需求预测的方法，其特征在于：包括以下步骤：

1)确定新产品的预测时间范围；

2)对历史有售产品提取产品属性特征、预测模型训练所用的特征和需求量，对新产品提取属性特征和预测所需要的特征；

3)计算历史有售产品的相关性向量：分别计算需求量和每个特征的相关性系数，然后由这些系数组成相关性向量；

4)根据相关性向量对历史有售产品进行聚类；

5)每个类分别选取训练集，训练模型；

6)把属性特征向量和相关性向量合并，分别构造每一个类和每一个新品的归类向量；

7)根据归类向量对新产品进行归类，利用这些类的模型，分别预测新产品对应日期的需求量，将各类对应模型的预测结果组合得到最终结果；

8)每隔一段时间，重复上述步骤2)-步骤5)，直至新产品被判定为非新品：利用增加的数据重新对历史有售产品进行重新聚类和重新训练模型，再对新产品进行重新分类，用新的模型进行预测。

2.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤1)中所述预测时间范围包括未来1小时-2年。

3.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤2)中的所述需求量包括：实际销量、估计需求量，其中估计需求量是被截尾需求和实际销量的总和。

4.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤2)中的所述产品属性特征包括:品牌、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度。

5.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤2)中的产品训练和预测所用特征不包括历史记录信息。

6.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤3)中相关性系数包括：余弦相似度、回归系数、闵可夫斯基距离、相关系数、信息熵。

7.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤4)中的聚类包括:划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。

8.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤5)中的所述训练集为选取待预测时间之前的训练数据；

所述训练模型包括：回归算法、树形算法、神经网络、支持向量机、灰度模型。

9.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤7)中的所述归类向量通过属性相似度向量和相关性向量组合得到；所述归类是指根据归类向量的相似度，按递增排序后选取靠前的数个类作为产品所属的类。

10.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤7)中的所述组合包括stacking和加权组合。

Images