CN111489180A - 参考信息生成方法、系统及装置 - Google Patents
参考信息生成方法、系统及装置 Download PDFInfo
- Publication number
- CN111489180A CN111489180A CN201910071285.0A CN201910071285A CN111489180A CN 111489180 A CN111489180 A CN 111489180A CN 201910071285 A CN201910071285 A CN 201910071285A CN 111489180 A CN111489180 A CN 111489180A
- Authority
- CN
- China
- Prior art keywords
- price
- data
- commodity
- target
- attribute
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000006467 substitution reaction Methods 0.000 claims description 131
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 24
- 241000255789 Bombyx mori Species 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 description 18
- 238000000605 extraction Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 241000937908 Pricea Species 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification 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
- G06Q30/0206—Price or cost determination based on market factors
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
本发明实施例提供了一种参考信息生成方法、系统及装置,该方法包括:从存储系统获取目标品类中商品的历史成交数据;通过商品标识信息从历史成交数据中提取多组属性数据和价格数据;根据多组属性数据和价格数据之间的关联关系,按照对目标品类的价格影响程度确定对目标品类的价格影响程度较大的预设数量个目标属性类别,并对目标属性类别取值不同时的对应商品进行价格预测,得到预测信息;接收客户端发送的待定价商品的属性信息,其中,待定价商品属于目标品类;从预测信息中提取属性信息的对应价格数据,并据此生成对待定价商品进行定价的参考信息以发送给所述客户端。本发明提供的定价参考信息解决了传统商品定价方法定价不合理的技术问题。
Description
技术领域
本发明涉及电子商务的技术领域,特别涉及一种参考信息生成方法、系统及装置。
背景技术
新品定价,是厂商和品牌商在电商平台上发布新品时候经常面临的生意决策,这其中,又以电子数码产品、家电产品的上新影响力最大。
对于这些深度依赖产品功能特点类型的商品,传统的新品定价方案主要集中在成本定价法(基于商品成本,设定一定的利润率要求,在成本基础上进行定价);竞争对手定价法(参考相似商品的竞争对手价格范围,在价格范围内根据产品定位制定价格);专业经验定价法(根据产品的特性、新品的商品特点,结合商品历史数据和变化趋势,根据专业经验制定价格)。但现实情况下,要么是市场上不具备同类型的相似品,从而导致竞争对手定价法缺乏参考依据而无法定价;要么是基于成本和利润的定价,未能充分考虑消费者的感受,导致新品的市场销量不理想;要么是基于专业经验的定价法,由于经验偏差,新品出现定价过高或过低的情况。
因而,新品的传统定价方法缺乏科学规范的“新品定价”管理,存在定价不合理的技术问题。针对新品的传统定价方法定价不合理的技术问题,现有技术中缺乏有效的解决方案。
发明内容
鉴于上述问题,本发明的目的在于提供一种参考信息生成方法、系统及装置,以解决传统商品定价方法定价不合理的技术问题。
第一方面,本发明实施例提供了一种参考信息生成方法,包括:
从存储系统获取目标品类中商品的历史成交数据;
通过商品标识信息从所述历史成交数据中提取多组属性数据和价格数据,并据此构建所述属性数据和所述价格数据之间的关联关系;
根据多组所述属性数据和所述价格数据之间的关联关系,按照对所述目标品类的价格影响程度确定预设数量个目标属性类别,并对所述预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息;
接收客户端发送的待定价商品的属性信息,其中,所述待定价商品属于所述目标品类;
从所述预测信息中提取所述属性信息的对应价格数据,并据此生成对所述待定价商品进行定价的参考信息以发送给所述客户端。
可选地,通过商品标识信息从所述历史成交数据中提取多组属性数据和价格数据,包括:
通过商品标识信息,从所述历史成交数据中提取各类商品的成交订单,得到多个成交订单组,且一个所述成交订单组对应一类商品;
从所述成交订单组中提取对应类别商品的成交价;
计算多个时间段内同一类别商品的所述成交价均值,得到多个第一平均值;
从多个所述第一平均值中提取最大值,并将提取到的所述最大值确定为所述成交订单组对应类别商品的价格数据;以及,
从所述成交订单组中任一成交订单提取对应类别商品的属性数据。
可选地,从所述历史成交数据中提取各类商品的成交订单,包括:
从所述历史成交数据中提取各类商品的订单;
将各类商品订单中去掉异常订单后的剩余订单确定为所述成交订单,其中,
所述异常订单包括以下任意一种情况:订单中实际支付价格高于电商平台标价,订单中商品在促销优惠前的售卖价不等于电商平台标价。
可选地,从所述成交订单组中提取对应类别商品的成交价,包括:
从所述成交订单组中提取对应类别商品的实际支付价格;
获取所述成交订单组对应类别商品的促销优惠额;
将所述实际支付价格和所述促销优惠额的和值,确定为所述成交价。
可选地,从多个所述第一平均值中选择最大值,包括:
计算多个所述第一平均值的均值,得到第二平均值;
以所述第二平均值为基准,将变化幅度大于预设幅度的所述第一平均值确定为异常;
将确定为异常的所述第一平均值用所述第二平均值更新,得到更新后的多个所述第一平均值;
从更新后的多个所述第一平均值中选择最大值。
可选地,根据多组所述属性数据和所述价格数据之间的关联关系,按照对所述目标品类的价格影响程度确定预设数量个目标属性类别,包括:
通过所述属性数据和所述价格数据,建立商品的属性类别对所述目标品类价格决策的价格决策树模型;
求解所述价格决策树模型,得到各个属性类别对所述目标品类价格的决策度;
将所述决策度较大的所述预设数量个属性类别确定为所述目标属性类别。
可选地,通过所述属性数据和所述价格数据,建立商品的属性类别对所述目标品类价格决策的价格决策树模型,包括:
将商品的属性类别转化为数值型的第一数据;
以所述第一数据作为模型特征,以所述价格数据作为目标变量,通过随机森林模型或特征矩阵建立所述价格决策树模型。
可选地,对所述预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息,包括:
将所述目标属性类别转化为数值型的第二数据;
根据多组所述属性数据和所述价格数据之间的关联关系,利用回归分析方法,求解所述第二数据和商品价格之间的回归系数,其中,所述回归系数表示所述目标属性类别和商品价格之间的关联关系;
基于所述回归系数,对所述目标属性类别取值不同时的对应商品进行价格预测,得到所述预测信息。
可选地,还包括:
计算目标替代规律,其中,所述目标替代规律为所述待定价商品和老品之间的价差转化律,所述老品为所述待定价商品所替代的市场上已售卖商品;
根据所述目标替代规律,确定所述待定价商品和所述老品之间的最优价差,其中,所述最优价差为使所述待定价商品和所述老品之间无销量蚕食的差价;
将所述老品的价格、所述最优价差和所述目标替代规律,确定为对所述待定价商品进行定价的调价参考信息。
可选地,计算目标替代规律,包括:
获取第一子替代规律,其中,所述第一子替代规律为第一商品对第二商品的价差转化律,所述第一商品和所述第二商品属于所述目标品类;
获取第二子替代规律,其中,所述第二子替代规律为所述第二商品对所述第一商品的价差转化律;
将所述第一子替代规律和所述第二子替代规律确定为所述目标替代规律。
可选地,根据所述目标替代规律,确定所述待定价商品和所述老品之间的最优价差,包括:
从所述第一子替代规律和所述第二子替代规律中查找价差和替代率之间的同一对应关系,得到目标对应关系;
将所述目标对应关系中的价差,确定为所述最优价差。
第二方面,本发明实施例提供了一种参考信息生成系统,包括:
获取模块,用于从存储系统获取目标品类中商品的历史成交数据;
构建模块,用于通过商品标识信息从所述历史成交数据中提取多组属性数据和价格数据,并据此构建所述属性数据和所述价格数据之间的关联关系;
预测模块,用于根据多组所述属性数据和所述价格数据之间的关联关系,按照对所述目标品类的价格影响程度确定预设数量个目标属性类别,并对所述预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息;
接收模块,用于接收客户端发送的待定价商品的属性信息,其中,所述待定价商品属于所述目标品类;
第一生成模块,用于从所述预测信息中提取所述属性信息的对应价格数据,并据此生成对所述待定价商品进行定价的参考信息以发送给所述客户端。
可选地,所述构建模块包括:
第一提取单元,用于通过商品标识信息,从所述历史成交数据中提取各类商品的成交订单,得到多个成交订单组,且一个所述成交订单组对应一类商品;
第二提取单元,用于从所述成交订单组中提取对应类别商品的成交价;
第一计算单元,用于计算多个时间段内同一类别商品的所述成交价均值,得到多个第一平均值;
第一确定单元,用于从多个所述第一平均值中提取最大值,并将提取到的所述最大值确定为所述成交订单组对应类别商品的价格数据;以及,
第三提取单元,用于从所述成交订单组中任一成交订单提取对应类别商品的属性数据。
可选地,所述第一提取单元用于:
从所述历史成交数据中提取各类商品的订单;
将各类商品订单中去掉异常订单后的剩余订单确定为所述成交订单,其中,
所述异常订单包括以下任意一种情况:订单中实际支付价格高于电商平台标价,订单中商品在促销优惠前的售卖价不等于电商平台标价。
可选地,所述第二提取单元用于:
从所述成交订单组中提取对应类别商品的实际支付价格;
获取所述成交订单组对应类别商品的促销优惠额;
将所述实际支付价格和所述促销优惠额的和值,确定为所述成交价。
可选地,所述确定单元用于:
计算多个所述第一平均值的均值,得到第二平均值;
以所述第二平均值为基准,将变化幅度大于预设幅度的所述第一平均值确定为异常;
将确定为异常的所述第一平均值用所述第二平均值更新,得到更新后的多个所述第一平均值;
从更新后的多个所述第一平均值中选择最大值。
可选地,所述预测模块用于:
通过所述属性数据和所述价格数据,建立商品的属性类别对所述目标品类价格决策的价格决策树模型;
求解所述价格决策树模型,得到各个属性类别对所述目标品类价格的决策度;
将所述决策度较大的所述预设数量个属性类别确定为所述目标属性类别。
可选地,所述预测模块用于:
将商品的属性类别转化为数值型的第一数据;
以所述第一数据作为模型特征,以所述价格数据作为目标变量,通过随机森林模型或特征矩阵建立所述价格决策树模型。
可选地,所述预测模块用于:
将所述目标属性类别转化为数值型的第二数据;
根据多组所述属性数据和所述价格数据之间的关联关系,利用回归分析方法,求解所述第二数据和商品价格之间的回归系数,其中,所述回归系数表示所述目标属性类别和商品价格之间的关联关系;
基于所述回归系数,对所述目标属性类别取值不同时的对应商品进行价格预测,得到所述预测信息。
可选地,还包括第二生成模块,所述第二生成模块包括:
第二计算单元,用于计算目标替代规律,其中,所述目标替代规律为所述待定价商品和老品之间的价差转化律,所述老品为所述待定价商品所替代的市场上已售卖商品;
第二确定单元,用于根据所述目标替代规律,确定所述待定价商品和所述老品之间的最优价差,其中,所述最优价差为使所述待定价商品和所述老品之间无销量蚕食的差价;
第三确定单元,用于将所述老品的价格、所述最优价差和所述目标替代规律,确定为对所述待定价商品进行定价的调价参考信息。
可选地,所述计算单元用于:
获取第一子替代规律,其中,所述第一子替代规律为第一商品对第二商品的价差转化律,所述第一商品和所述第二商品属于所述目标品类;
获取第二子替代规律,其中,所述第二子替代规律为所述第二商品对所述第一商品的价差转化律;
将所述第一子替代规律和所述第二子替代规律确定为所述目标替代规律。
可选地,所述第二确定单元用于:
从所述第一子替代规律和所述第二子替代规律中查找价差和替代率之间的同一对应关系,得到目标对应关系;
将所述目标对应关系中的价差,确定为所述最优价差。
第三方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被执行时实现如第一方面的参考信息生成方法。
第四方面,本发明实施例提供了一种参考信息生成装置,包括:
存储器,用于存储计算机指令;
处理器,耦合到存储器,处理器被配置为基于存储器存储的计算机指令执行实现如第一方面的参考信息生成方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的参考信息生成方法,首先从存储系统获取目标品类中商品的历史成交数据,历史成交数据反映了用户的历史购物行为;然后,通过商品标识信息从历史成交数据中提取多组属性数据和价格数据,,并据此构建所述属性数据和所述价格数据之间的关联关系,因而,一组属性数据和价格数据对应一个商品;进而,根据多组属性数据和价格数据之间的关联关系,按照对目标品类的价格影响程度确定预设数量个目标属性类别,并对预设数量个目标属性类别取值不同时的对应商品进行价格预测,即,基于历史成交数据中消费者对众多商品属性斟酌后的价格选择行为,得到目标属性类别不同取值的价格预测信息。因而,基于预测信息生成参考信息,既不需要同类型相似商品,也非个人经验,而是基于商品属性特点和消费者历史选择行为的具体化数据,从而,对待定价商品给出了更加科学和合理的定价参考信息,有利于销售者对新品进行合理定价,解决了传统商品定价方法定价不合理的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1为本发明实施例提供的一种参考信息生成方法的流程图;
图2所示为本发明实施例提供的另一种参考信息生成方法的流程图;
图3所示为本发明实施例提供的一种通过商品标识信息从历史成交数据中提取多组属性数据和价格数据的流程图;
图4为本发明实施例提供的一种显卡品类的价差转化律;
图5所示为一个目标品类中的一低价商品与一中价商品之间的第一子替代规律和第二子替代规律;
图6所示为一个目标品类中的一高价价商品与一中价商品之间的第一子替代规律和第二子替代规律;
图7所示为本发明实施例提供的一种参考信息生成系统的结构框图;
图8所示为本发明实施例提供的一种参考信息生成装置的结构框图。
具体实施方式
以下将参照附图更详细地描述本发明的各种实施例。在各个附图中,相同的元件采用相同或类似的附图标记来表示。为了清楚起见,附图中的各个部分没有按比例绘制。
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明实施例提供的一种参考信息生成方法,应用于服务器,如图1所示,包括:
步骤S101,从存储系统获取目标品类中商品的历史成交数据。
上述目标品类代表一个商品类别,例如显卡,又如手机的移动电源。目标品类包括商品属性取值不同的多种商品,例如,显卡包括容量分别为1024M和2048M这两种显卡。目标品类中的商品在不同时刻被消费者购买,存储系统中存储了过去各个时刻的目标品类商品的成交数据。
应当理解的是,消费者在购买商品时会基于商品属性值选择价格合适的商品,因而,历史成交数据反映了消费者对商品属性斟酌后的价格选择行为。
需要说明的是,上述存储系统可以是服务器的硬盘,也可以是和服务器通信连接的数据库等,存储系统具体可以根据历史成交数据的数据量或数据读写速度等要求来确定,这里对存储系统不作限定。
步骤S102,通过商品标识信息从历史成交数据中提取多组属性数据和价格数据,并据此构建属性数据和价格数据之间的关联关系。
上述商品标识信息为标识商品的信息,例如有商品编码。
需要说明的是,通过商品标识信息从历史成交数据中提取多组属性数据和价格数据,即,一组属性数据和价格数据对应一个商品,因而,多组属性数据和价格数据,即为属性数据和价格数据的多个关联数据组。
步骤S103,根据多组属性数据和价格数据之间的关联关系,按照对目标品类的价格影响程度确定预设数量个目标属性类别,并对预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息。
该步骤即通过历史成交数据中的属性与价格的关联关系,得到预测信息中的属性与价格的关联关系,预测信息中的属性取值包括历史成交数据中未包含的属性取值,也可以包括历史成交数据中包含的属性取值。
步骤S104,接收客户端发送的待定价商品的属性信息,其中,待定价商品属于目标品类。该客户端和参考信息生成方法的执行服务器通信连接。
步骤S105,从预测信息中提取属性信息的对应价格数据,并据此生成对待定价商品进行定价的参考信息以发送给所述客户端。
应当理解的是,预测信息是属性与价格的多组关联关系,因而从预测信息中查询到属性信息,则可以获得属性信息的对应价格数据,从而生成参考信息。进一步,服务器可以将上述参考信息推送到销售者的客户端,以使销售者参考上述参考信息对待定价商品进行定价。
本发明实施例提供的参考信息生成方法,既不需要同类型相似商品,也非个人经验,而是充分利用市场选择数据,基于商品属性特点和消费者历史选择行为的具体化数据生成参考信息,从而,对待定价商品给出了更加科学和合理的定价参考数据,有利于销售者对新品进行更加合理的定价,解决了传统商品定价方法定价不合理的技术问题。
本发明实施例的一个可选实施方式中,如图2所示,参考信息生成方法还包括:
步骤S106,计算目标替代规律,其中,目标替代规律为待定价商品和老品之间的价差转化律,老品为待定价商品所替代的市场上已售卖商品。
具体地,价差转化律,即,随着两种商品之间价差的变化,两种商品之间发生相互替代的概率。
步骤S107,根据目标替代规律,确定待定价商品和老品之间的最优价差,其中,最优价差为使待定价商品和老品之间无销量蚕食的差价。
需要说明的是,待定价商品和老品之间无销量蚕食,即,第一替代率等于第二替代率,其中,第一替代率是指待定价商品对老品的替代概率,第二替代率是老品对待定价商品的替代概率。
步骤S108,将老品的价格、最优价差和目标替代规律,确定为对待定价商品进行定价的调价参考信息。
具体地,假设老品的价格为X,最优价差为+Y,则销售者将待定价商品价格设为Z=X+Y时,待定价商品和老品之间无销量蚕食;假设步骤S105得到的定价参考信息中的定价为Z0,则可以基于销售者库存中当前待定价商品和老品的数量,参考Z和目标替代规律对Z0进行调整。例如,目标替代规律为待定价商品和老品之间的价差越小,待定价商品对老品的替代概率越大,那么在老品库存较多而待定价商品库存较少的情况下,销售者参考上述调价参考信息可以将待定价商品的价格由Z0向大于Z的方向调整。调整后,待定价商品对老品的替代概率减小,老品积压效应缓解,最终得到待定价商品和老品整体组合的最优定价。
本发明实施例提供的参考信息生成方法,基于待定价商品和老品的销售情况提供了调价参考信息,有利于新品和老品之间处于较佳的销售状况,给出了一套更加科学合理的商品定价参考信息。
下面对上述参考信息生成方法进行进一步的详细介绍。为了更形象地理解本发明实施例提供的参考信息生成方法,本申请均以三级品类“显卡”为例进行介绍,但需要强调的是,这只是为了理解需要,并不表示将本发明中的目标品类限定在显卡。
(一)关于步骤S102的介绍:
本发明实施例的一个可选实施方式中,如图3所示,步骤S102,通过商品标识信息从历史成交数据中提取多组属性数据和价格数据,包括:
步骤S201,通过商品标识信息,从历史成交数据中提取各类商品的成交订单,得到多个成交订单组,且一个成交订单组对应一类商品。
需要说明的是,上述各个成交订单组所对应商品类别属于目标品类的子类,一个商品类别中商品的属性取值一致。
步骤S202,从成交订单组中提取对应类别商品的成交价。
步骤S203,计算多个时间段内同一类别商品的成交价均值,得到多个第一平均值。
具体地,多个时间段可以是一段时间范围内的多个时间段,而时间段可以选取一天,然后计算商品在一天之内的平均成交价,继而在一段时间范围选为60天的情况下,则计算60天内每天成交价的平均值,得到60个平均值。
步骤S204,从多个第一平均值中提取最大值,并将提取到的最大值确定为成交订单组对应类别商品的价格数据。以及,
步骤S205,从成交订单组中任一成交订单提取对应类别商品的属性数据。
本发明实施例中,基于多个时间段内商品成交价的平均值确定某一类别商品的价格数据,充分考虑了每个时间段内商品价格随意波动的情况,各个时间段内成交价的平均值由各售价和对应订单数量共同决定,因而价格数据更能精确反映该时间段内消费者基于商品属性对商品价格的选择行为,有利于对待定价商品提供合理的定价参考信息。
本发明实施例的另一个可选实施方式中,步骤S201,从历史成交数据中提取各类商品的成交订单,包括:
从历史成交数据中提取各类商品的订单;
将各类商品订单中去掉异常订单后的剩余订单确定为成交订单,异常订单包括以下任意一种情况:订单中实际支付价格高于电商平台标价,订单中商品在促销优惠前的售卖价不等于电商平台标价。
具体地,步骤S201可以先对历史成交数据按商品基础数据、商品订单数据和商品信息数据进行整理,其中,
商品基础数据是指商品的基本信息,包含主字段有:商品名称、商品编码、商品状态、品牌名称、品类名称;
商品订单数据主要是指商品发生交易记录后的订单所记录的信息,包含主字段有:商品优惠前售卖价、商品优惠后售卖价、商品订单时间、实际支付价、订单编号、用户编号、商品编码;
商品信息数据主要是指描述商品的产品介绍和产品功能等的数据,包含主字段有:商品基础属性、商品基础属性值、商品扩展属性、商品扩展属性值、商品编码。
例如,对历史成交数据整理后如下表所示:
商品基础数据 | 举例 | 商品订单数据 | 举例 | 商品信息数据 | 举例 |
商品名称 | NvidiaXXX显卡 | 促销优惠前售卖价 | 2999 | 基础属性 | 品牌、型号、显存 |
商品编码 | 11111 | 促销优惠后售卖价 | 2799 | 基础属性值 | 英伟达、GTX1080、12G |
商品状态 | T-有效 | 商品订单时间 | 20187/25 | 扩展属性 | 散热器、接口、使用场景 |
品牌名称 | 英伟达 | 实际支付价格 | 2779 | 扩展属性值 | 风冷、USB3.0、游戏娱乐 |
品类名称 | 显卡 | 订单编号 | 1000001 | 商品编码 | 11111 |
电商平台标价 | 2999 | 用户编号 | 2000001 | ||
商品编码 | 11111 |
需要说明的是,电商平台要处理众多订单,众多订单面对众多消费者和众多销售者,因而每份订单的实际售价和实际支付价会因售卖者和消费者的不同而不同。
本发明实施例中,将各类商品订单中去掉异常订单后的剩余订单确定为所述成交订单,消除了销售者和消费者的个人情况而导致的订单异常,有利于价格数据精确反映消费者基于商品属性而进行选择的行为。
本发明实施例的另一个可选实施方式中,步骤S202,从成交订单组中提取对应类别商品的成交价,包括:
从成交订单组中提取对应类别商品的实际支付价格;
获取成交订单组对应类别商品的促销优惠额;
将实际支付价格和促销优惠额的和值,确定为成交价。
需要说明的是,促销优惠额是指因促销而优惠的金额,假设商品促销优惠前的售价为Q1,促销优惠后的售价为Q2,则促销优惠额为:Q’=Q1-Q2。
需要强调的是,本申请提到的“成交价”均采用本发明实施例中的确定方法。
本发明实施例中,将实际支付价格和促销优惠额的和值确定为成交价,使得成交价剔除掉促销、优惠券等影响因素,避免了促销、优惠券等形式导致的价格波动和对价格数据确定时的干扰,有利于价格数据精确反映消费者基于商品属性而选择的商品价格。
本发明实施例的另一个可选实施方式中,步骤S204,从多个第一平均值中选择最大值,包括:
计算多个第一平均值的平均值,得到第二平均值;
以第二平均值为基准,将变化幅度大于预设幅度的第一平均值确定为异常;
将确定为异常的第一平均值用第二平均值更新,得到更新后的多个第一平均值;
从更新后的多个第一平均值中选择最大值。
具体地,变化幅度=|第一平均值-第二平均值|/第二平均值,假设预设幅度为5%,则在变化幅度大于5%的情况下,将第一平均值用第二平均值代替。例如,多个第一平均值为4.0、4.2、4.3、4.4、4.6,则第二平均值为4.3,其中,4.0和4.5确定为异常并需要用4.3更新,更新后的多个第一平均值对应为:4.3、4.2、4.3、4.4、4.3。
此外,从更新后的多个第一平均值中选择最大值,可以采用以下方式:将更新后的多个第一平均值通过绘图应用程序绘制在成交曲线中,成交曲线的横坐标为各个第一平均值对应的时间段(时间段按时间发生的先后顺序排列),成交曲线的纵坐标为更新后的多个第一平均值;然后从成交曲线中选取最大的纵坐标即为最大值。
本发明实施例中,将确定为异常的第一平均值用第二平均值更新,使得一些特殊情况导致的大幅度商品波动价格被剔除在外,避免了偶然因素导致的商品价格异常对商品价格数据的影响,有利于价格数据精确反映消费者基于商品属性而选择的价格。
(二)关于步骤S103的介绍:
本发明实施例的一个可选实施方式中,步骤S103,根据多组属性数据和价格数据之间的关联关系,按照对目标品类的价格影响程度确定预设数量个目标属性类别,包括:
通过属性数据和价格数据,建立商品的属性类别对目标品类价格决策的价格决策树模型;
求解价格决策树模型,得到各个属性类别对目标品类价格的决策度;
将决策度较大的预设数量个属性类别确定为目标属性类别。
需要说明的是,本发明实施例中,预设数量可以是直接预先设置的一个属性类别的数量值,也可以是根据决策度数值而决定的一个属性类别的数量值,例如,将决策度大于0.14的属性类别确定为目标属性类别,则如果属性类别和决策度的对应关系有如下表所示的情况:
属性类别 | 决策度 |
品牌 | 0.2643 |
芯片(GPU) | 0.1933 |
显存容量 | 0.1463 |
游戏特色 | 0.1165 |
性能 | 0.0764 |
…… | …… |
则预设数量为3,目标属性类别为品牌、GPU、显存容量。
本发明实施例中,通过构建及求解决策树模型,得到了各个属性类别对目标品类价格的决策度;并选取决策度较大的预设数量个属性类别为目标属性类别,有利于以较少的目标属性类别对目标品类中商品进行较精确的价格预测。
进一步,通过属性数据和价格数据,建立商品的属性类别对目标品类价格决策的价格决策树模型,包括:
将商品的属性类别转化为数值型的第一数据;
以第一数据作为模型特征,以价格数据作为目标变量,通过随机森林模型或特征矩阵建立价格决策树模型。
需要说明的是,将属性类别转化为数值型数据,即使得属性类别转化为模型可处理的数据。在工业界经常使用“定序”或者“定类”法来进行数值型数据的转化,其中,定序法用以解决连续型数值数据,定类法用以解决离散型数据。因为属性类别属于离散型数据,因而本发明实施例中,使用定类法将属性类别转化为第一数据。
具体地,可以利用scikit-learn进行强制编码,将每个属性类别映射到一个数值;然后使用独热编码方案(One-hot Encoding)将数值编码为第一数据。其中,scikit-learn是基于Python语言的机器学习工具,里面包含了多种机器学习的方式,此处被用来进行数据预处理;One-hot Encoding是一套编码方案,它能为每个属性的所有不同类别中的每个唯一值或每个唯一类别创建虚拟特征,本发明实施例中使用独热编码方案将商品信息最终编码成m个二进制特征向量,向量中的每一维的值只能为0或1,编码后,商品信息的每个参数值都被转换成一个m维的向量,且每个参数值对应的m维向量中只有某一维的值为1。
此外,需要说明的是:
(1)随机森林模型是一个包含了多个决策树的分类器,是一种常用的机器学习方法,其作用是对于海量数据能够进行精确的分类并且评估每个变量的重要性,即使数据不全面的情况下,也能进行较高的准确度预估,具有学习速度快的优点,本发明实施例中使用机器学习方法建立价格决策树模型,多应用于数据较多等复杂情况中。
(2)对于一些数据较少的简单情况,多使用特征矩阵建立价格决策树模型。以显卡为例,商品信息包括:品牌、GPU型号、显存容量等,以Xi表示商品信息,P表示显卡基础价格,则价格决策树模型P=f(Xi)为:
P=aX1+bX2+cX3+……+nXn,
其中,X1为品牌所对应的第一数据,a为品牌对P的决策度(即价格贡献因子);X1为GPU型号所对应的第一数据,a为GPU型号对P的决策度;X1为显存容量所对应的第一数据,a为显存容量对P的决策度;N为商品信息的数量。需要说明的是,此情况下,决策对即a、b、c、……、n。
本发明实施例提供了一种建立价格决策树模型的可行性方法,为决策度的确定提供了可行性的计算模型。
以上所述的步骤S103,识别了商品成交时消费者选择的价格是取决于哪些属性类别,得到了影响商品成交价格的重要属性类别,给品牌商和生产商定价时的重点关注属性类别提供了参考信息,有利于品牌商和生产商精准确定哪种商品属性类别最有投资和升级换代价值。
本发明实施例的另一个可选实施方式中,步骤S103,对预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息,包括:
将目标属性类别转化为数值型的第二数据;
根据多组属性数据和价格数据之间的关联关系,利用回归分析方法,求解第二数据和商品价格之间的回归系数,其中,回归系数表示目标属性类别和商品价格之间的关联关系;
基于回归系数,对目标属性类别取值不同时的对应商品进行价格预测,得到预测信息。
需要说明的是,预测信息着眼于某一种商品属性类别取值变化所导致的商品价格,因而,需要某一种商品属性类别的大量订单数据,为了使预测模型更加精准和全面,可以对步骤S101中的历史成交数据进行区别于步骤S102的整理,具体可以根据市场情况(例如,某一段时间的数据因为市场环境突变,不能真实反映其实际业务发展情况,需要被按订单生成时的时间信息进行剔除)对历史成交数据进行过滤。
此外,将目标属性类别转化为第二数据,可以采用上述将属性类别转化为第一数据过程中所使用的方法。
上述利用回归分析方法,求解第二数据和目标品类价格之间的回归系数的过程中,需要验证回归分析的可行性,可以采用如下过程:
基于第二数据,使用二次规划的方法,用各商品属性对LogP进行含有约束的加权岭回归,验证得出目标品类价格和目标属性类别的关系显著性是存在的。其中:
(1)二次规划,是一种数学规划方法,被应用于约束最小二乘法问题的求解。
(2)加权岭回归,一种专用于线性数据分析的有偏估计回归方法,是一种改良的最小二乘估计法,可以降低部分精度获得更符合实际的回归系数,能够针对矩阵计算中一个微小元素变动导致的计算误差进行避免。
以显卡为例,假设目标属性类别为:品牌、GPU版本、显存容量、制冷方式,则步骤S103使用到的部分数据如下:
商品编码 | 品牌 | 制冷方式 | 显存容量 | GPU版本 | 商品价格数据 |
3237224 | 铭瑄 | 风冷 | 2048 | gtx950 | 960.21 |
3094906 | 索泰 | 风冷 | 8192 | gtx1070 | 3498.72 |
3076503 | 盈通 | 风冷 | 8192 | gtx1070 | 3178.50 |
2978707 | 映众 | 风冷 | 6144 | gtx1060 | 1997.71 |
2934934 | 映众 | 风冷 | 2048 | gtx950 | 988.78 |
2905339 | 微星 | 风冷 | 2048 | gtx950 | 1101.30 |
2893321 | 映众 | 风冷 | 8192 | gtx1080 | 5149.00 |
2893315 | 映众 | 风冷 | 8192 | gtx1070 | 3425.46 |
2864493 | 微星 | 风冷 | 4096 | gtx970 | 2049.88 |
2831039 | 微星 | 风冷 | 2048 | gtx750ti | 823.06 |
2802373 | 索泰 | 风冷 | 8192 | gtx1080 | 5357.16 |
2675157 | 昂达 | 风冷 | 1024 | gt730 | 322.94 |
2596873 | 索泰 | 风冷 | 2048 | gtx950 | 1053.16 |
2570056 | 万丽 | 双风扇散热器 | 4096 | gtx960 | 1242.83 |
2550384 | 索泰 | 风冷 | 4096 | gtx970 | 2172.97 |
2469994 | 索泰 | 风冷 | 4096 | gtx960 | 1386.73 |
2469986 | 索泰 | 风冷 | 2048 | gtx950 | 961.69 |
2417112 | 影驰 | 被动散热 | 1024 | gt610 | 298.46 |
2396244 | 映众 | 风冷 | 6144 | gtx980ti | 4551.32 |
2388648 | 铭瑄 | 风冷 | 4096 | gtx960 | 1236.04 |
经过计算后,各个商品属性的部分属性类别取值对应的回归系数如下表所示:
需要说明的是,上述两个表格都是部分数据,因而商品属性类别的取值不完全相同。其中,回归系数为正数时,回归系数越大,则表示对商品价格的提高有越大的影响;回归系数为负数时,回归系数越小,则表示对商品价格的降低有越大的影响。
例如,利用上述回归系数,对GPU版本为GTX680和GTX980的显存容量变化后导致的价格进行预测,可以得到如下表格中的数据:
显存容量 | 1024M | 1280M | 1536M | 2048M | 2560M | 3072M | 4096M | 6144M | 8192M |
GTX680 | 576 | 637 | 704 | 778 | 859 | 950 | 1050 | 1223 | 1353 |
GTX980 | 1749 | 1933 | 2137 | 2361 | 2610 | 2884 | 3187 | 3713 | 4108 |
本发明实施例提供了一种对目标属性类别取值不同时的目标品类价格进行预测的可行性方法。以上所述步骤,将商品价格数据进行了拆解,最后得出关联到商品属性类别的单独价值,即,通过回归系数提供了各商品属性类别对应的商品价格。
上述步骤对重要商品属性类别的升级换代进行价格预测,在新品定价的过程中建立科学规范的参考标准,为新品升级换代的研发及定价提供决策依据,改变传统的人工经验定价所带来的不足。
(三)关于步骤S106的介绍
本发明实施例的另一个可选实施方式中,步骤S106,计算目标替代规律,包括:
获取第一子替代规律,其中,第一子替代规律为第一商品对第二商品的价差转化律,第一商品和第二商品属于目标品类;
获取第二子替代规律,其中,第二子替代规律为第二商品对第一商品的价差转化律;
将第一子替代规律和第二子替代规律确定为目标替代规律。
下面先对替代率、价差率以及价差转化律进行说明:
(1)替代率
表示消费者在浏览一种商品时对另一种商品的点击概率,替代率分别和商品编号、时间范围一一对应,例如:2017-01-01至2018-07-01期间,商品A对商品B的替代率。下表所示为商品1、商品2、商品3、商品4和商品5之间的相互替代率:
商品1 | 商品2 | 商品3 | 商品4 | 商品5 | |
商品1 | 0.65 | 0.14 | 0.05 | 0.06 | 0.10 |
商品2 | 0.04 | 0.75 | 0.03 | 0.04 | 0.14 |
商品3 | 0.14 | 0.23 | 0.54 | 0.03 | 0.06 |
商品4 | 0.08 | 0.12 | 0.14 | 0.63 | 0.03 |
商品5 | 0.03 | 0.02 | 0.03 | 0.06 | 0.86 |
需要强调的是,商品A对商品B的替代率不一定等于商品B对商品A的替代率。
(2)价差率
价差率的计算使用商品成交价,价差率可以采用如下所示的公式进行计算:
价差率=2*|PriceA-PriceB|/(PriceA+PriceB),
其中,PriceA表示商品A的成交价,PriceB表示商品B的成交价。进一步,PriceA可以采用时间段T内商品A成交价的平均值,PriceB采用采用时间段T内商品B成交价的平均值。下表给出了商品1和商品2成交价不同时的价差率:
商品1 | 商品2 | 价差率 |
100 | 200 | 66.7% |
300 | 350 | 15.4% |
400 | 600 | 40.0% |
200 | 500 | 85.7% |
450 | 480 | 6.5% |
(3)价差转化律
价差转化律,即,替代率随着价差率改变而改变的规律,其中商品A对商品B的价差转化律,即,因价差率变化,商品B被商品A替代的替代率变化规律。
需要强调的是,第一商品和第二商品属于目标品类,即,第一商品和第二商品为目标品类中的任一组商品,这样商品的组数可以为一组,那么有一组第一子替代规律和第二子替代规律;这样商品的组数可以为多组,那么有多组第一子替代规律和第二子替代规律。为了使得目标替代规律更具普适性,更能精准反映目标品类中商品之间的价差转化律,可以采用多组第一子替代规律和第二子替代规律,得出具有统计意义的目标替代规律。
例如,在对显卡品类的商品清单进行归类和分析后,通过多组第一子替代规律和第二子替代规律得到图4所示的目标替代规律:无论价差率取正值还是负值(一组商品中第一商品比第二商品价格高还是价格低),价差率的绝对值越小则替代率越高的规律。具体地,该价差转化律的确定过程如下:
首先,对显卡品类的商品清单进行归类,其中,价格区间小于1500元的归为低价格带,价格区间在1500-4700元的归为中价格带,价格区间大于4700元的归为高价格带。上述三种价格带中的商品存在如下的映射关系:高-高、高-中、高-低;中-高、中-中、中-低;低-高、低-中、低-低,其中,高-高、中-中、低-低又可以各自分为价差率为正和为负两种情况,因而可以得到12组高中低价格带互相转化的情况。
然后,对12组高中低价格带互相转化情况中的价差率-替代率数据进行线性拟合,以上12组数据拟合结果趋近于:价差率的绝对值越小则替代率越高,即,目标替代规律为:价差率的绝对值越小则替代率越高的规律。
此目标替代规律表明新品和老品之间可能在显卡品类存在:
(1)当两组商品价差变小,价格较高商品会对价格较低商品形成更高的性价比,购买价格较高商品的消费者会有变多的趋势,导致价格较高商品对价格较低商品的销量蚕食;
(2)当两组商品价差变大,价格较低商品会对价格较高商品形成更高性价比,购买价格较低商品的消费者会有变多的趋势,导致价格较低商品对价格较高商品的销量蚕食。
本发明实施例中,通过对一组商品中两商品之间相互的价差转化律进行分析得出目标替代规律,使得目标替代规律更加精准,也即找到了待定价商品和老品之间的价差转化律,为待定价商品的最优化定价打下基础。
(三)关于步骤S107的介绍
本发明实施例的另一个可选实施方式中,步骤S107,根据目标替代规律,确定待定价商品和老品之间的最优价差,包括:
从第一子替代规律和第二子替代规律中查找价差率和替代率之间的同一对应关系,得到目标对应关系;
将目标对应关系中的价差,确定为最优价差。
具体地,从第一子替代规律和第二子替代规律中查找价差和替代率之间的同一对应关系,得到目标对应关系,可以通过绘图应用程序将第一子替代规律曲线和第二子替代率曲线绘制在同一价差率-替代率坐标图中,如图5和图6所示,然后将该价差率-替代率坐标图推送给销售者,以供销售者参考。其中,图5为一个目标品类中的一低价商品与一中价商品之间的第一子替代规律和第二子替代规律,图6为一个目标品类中一高价商品与一中价商品之间的第一子替代规律和第二子替代规律。在图5或图6中,两条直线的交点即为上述目标对应关系,交点的横坐标的价差率则由最优价差计算所得。
本发明实施例,从第一子替代规律和第二子替代规律中寻找目标对应关系,从目标对应关系中确定最优价差,最优价差情况下,两种商品之间相互替代的替代率相等,最优价差表征了两种商品相互替代平衡的价差,简单快捷地给出了两种商品之间的价差平衡点。
通过以上所述的步骤S106到步骤S108,可以使品牌商和生产商得到待定价商品和老品整体组合的最优定价,实现新老品之间的价格最优平衡,有利于使各代商品间实现平稳交接过渡,或者使同代各档次商品合理价差,从而促进消费升级;有利于使相同系列商品合理价差,避免自身商品之间互相蚕食;有利于使与竞争者相同系列商品的合理价差,避免利润过度损失。
本发明实施例提供的一种参考信息生成系统,如图7所示,包括:
获取模块100,用于从存储系统获取目标品类中商品的历史成交数据;
构建模块200,用于通过商品标识信息从历史成交数据中提取多组属性数据和价格数据,并据此构建属性数据和价格数据之间的关联关系;
预测模块300,用于根据多组属性数据和价格数据之间的关联关系,按照对目标品类的价格影响程度确定预设数量个目标属性类别,并对预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息;
接收模块400,用于接收客户端发送的待定价商品的属性信息,其中,待定价商品属于目标品类;
第一生成模块500,用于从预测信息中提取属性信息的对应价格数据,并据此生成对待定价商品进行定价的参考信息以发送给客户端。
本发明实施例提供的参考信息生成系统,定价参考信息的生成,既不需要同类型相似商品,也非个人经验,而是基于商品属性特点和消费者历史选择行为的具体化数据,从而,对待定价商品给出了更加科学和合理的定价参考信息,有利于销售者对新品更加合理地定价,解决了传统商品定价方法定价不合理的技术问题。
本发明的一个可选实施方式中,构建模块包括:
第一提取单元,用于通过商品标识信息,从历史成交数据中提取各类商品的成交订单,得到多个成交订单组,且一个成交订单组对应一类商品;
第二提取单元,用于从成交订单组中提取对应类别商品的成交价;
第一计算单元,用于计算多个时间段内同一类别商品的成交价均值,得到多个第一平均值;
第一确定单元,用于从多个第一平均值中提取最大值,并将提取到的最大值确定为成交订单组对应类别商品的价格数据;以及,
第三提取单元,用于从成交订单组中任一成交订单提取对应类别商品的属性数据。
本发明的一个可选实施方式中,第一提取单元用于:
从历史成交数据中提取各类商品的订单;
将各类商品订单中去掉异常订单后的剩余订单确定为成交订单,其中,
异常订单包括以下任意一种情况:订单中实际支付价格高于电商平台标价,订单中商品在促销优惠前的售卖价不等于电商平台标价。
本发明的一个可选实施方式中,第二提取单元用于:
从成交订单组中提取对应类别商品的实际支付价格;
获取成交订单组对应类别商品的促销优惠额;
将实际支付价格和促销优惠额的和值,确定为成交价。
本发明的一个可选实施方式中,确定单元用于:
计算多个第一平均值的均值,得到第二平均值;
以第二平均值为基准,将变化幅度大于预设幅度的第一平均值确定为异常;
将确定为异常的第一平均值用第二平均值更新,得到更新后的多个第一平均值;
从更新后的多个第一平均值中选择最大值。
本发明的一个可选实施方式中,预测模块用于:
通过属性数据和价格数据,建立商品的属性类别对目标品类价格决策的价格决策树模型;
求解价格决策树模型,得到各个属性类别对目标品类价格的决策度;
将决策度较大的预设数量个属性类别确定为目标属性类别。
本发明的一个可选实施方式中,预测模块用于:
将商品的属性类别转化为数值型的第一数据;
以第一数据作为模型特征,以价格数据作为目标变量,通过随机森林模型或特征矩阵建立价格决策树模型。
本发明的一个可选实施方式中,预测模块用于:
将目标属性类别转化为数值型的第二数据;
根据多组属性数据和价格数据之间的关联关系,利用回归分析方法,求解第二数据和商品价格之间的回归系数,其中,回归系数表示目标属性类别和商品价格之间的关联关系;
基于回归系数,对目标属性类别取值不同时的对应商品进行价格预测,得到预测信息。
本发明的一个可选实施方式中,还包括第二生成模块,第二生成模块包括:
第二计算单元,用于计算目标替代规律,其中,目标替代规律为待定价商品和老品之间的价差转化率,老品为待定价商品所替代的市场上已售卖商品;
第二确定单元,用于根据目标替代规律,确定待定价商品和老品之间的最优价差,其中,最优价差为使待定价商品和老品之间无销量蚕食的差价;
第三确定单元,用于将老品的价格、最优价差和目标替代规律,确定为对待定价商品进行定价的调价参考信息。
本发明的一个可选实施方式中,计算单元用于:
获取第一子替代规律,其中,第一子替代规律为第一商品对第二商品的价差转化率,第一商品和第二商品属于目标品类;
获取第二子替代规律,其中,第二子替代规律为第二商品对第一商品的价差转化率;
将第一子替代规律和第二子替代规律确定为目标替代规律。
本发明的一个可选实施方式中,第二确定单元用于:
从第一子替代规律和第二子替代规律中查找价差和替代率之间的同一对应关系,得到目标对应关系;
将目标对应关系中的价差,确定为最优价差。
本发明实施例提供的一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被执行时实现实施例一的商品定价方法。
具体地,可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供的计算机指令被执行时实现实施例一的参考信息生成方法,具体地,从存储系统获取目标品类中商品的历史成交数据;通过商品标识信息从历史成交数据中提取多组属性数据和价格数据,并据此构建属性数据和价格数据之间的关联关系;根据多组属性数据和价格数据之间的关联关系,按照对目标品类的价格影响程度确定预设数量个目标属性类别,并对预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息;接收客户端发送的待定价商品的属性信息,其中,待定价商品属于目标品类;从预测信息中提取属性信息的对应价格数据,并据此生成对待定价商品进行定价的参考信息以发送给客户端。
本发明实施例提供的计算机指令被执行时实现实施例一的参考信息生成方法,生成待定价商品的定价参考信息,既不需要同类型相似商品,也非个人经验,而是基于商品属性特点和消费者历史选择行为的具体化数据,从而,对待定价商品给出了更加科学和合理的定价参考信息,有利于销售者对新品更加合理地定价,解决了传统商品定价方法定价不合理的技术问题。
本发明实施例提供的一种参考信息生成装置,如图8所示,包括:
存储器801,用于存储计算机指令;
处理器802,耦合到存储器801,处理器802被配置为基于存储器801存储的计算机指令执行实现实施例一的参考信息生成方法。
具体地,存储器801、处理器802可以通过总线和输入输出设备803连接,存储器801内存储有执行系统功能所需的各种计算机指令和数据,处理器802从存储器801中获取各种计算机指令以执行各种适当的动作和处理。输入输出设备803包括键盘、鼠标等的输入部分;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;包括硬盘等的存储部分;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。存储器801还存储有以下的计算机指令以完成实施例一的参考信息生成方法所规定操作。
在本发明实施例提供的参考信息生成装置,生成待定价商品的定价参考信息,既不需要同类型相似商品,也非个人经验,而是基于商品属性特点和消费者历史选择行为的具体化数据,从而,对待定价商品给出了更加科学和合理的定价参考信息,有利于销售者对新品更加合理地定价,解决了传统商品定价方法定价不合理的技术问题。
附图中的流程图、框图示出了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作,流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码,所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意,所述实现规定逻辑功能的可执行指令可以重新组合,从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤,而不应以此作为对发明本身的限制。
系统的各个模块或单元可以通过硬件、固件或软件实现。软件例如包括采用JAVA、C/C++/C#、SQL等各种编程语言形成的编码程序。虽然在方法以及方法图例中给出本发明实施例的步骤以及步骤的顺序,但是所述步骤实现规定的逻辑功能的可执行指令可以重新组合,从而生成新的步骤。所述步骤的顺序也不应该仅仅局限于所述方法以及方法图例中的步骤顺序,可以根据功能的需要随时进行调整。例如将其中的某些步骤并行或按照相反顺序执行。
根据本发明的系统和方法可以部署在单个或多个服务器上。例如,可以将不同的模块分别部署在不同的服务器上,形成专用服务器。或者,可以在多个服务器上分布式部署相同的功能单元、模块或系统,以减轻负载压力。所述服务器包括但不限于在同一个局域网以及通过Internet连接的多个PC机、PC服务器、刀片机、超级计算机等。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种参考信息生成方法,其特征在于,包括:
从存储系统获取目标品类中商品的历史成交数据;
通过商品标识信息从所述历史成交数据中提取多组属性数据和价格数据,并据此构建所述属性数据和所述价格数据之间的关联关系;
根据多组所述属性数据和所述价格数据之间的关联关系,按照对所述目标品类的价格影响程度确定预设数量个目标属性类别,并对所述预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息;
接收客户端发送的待定价商品的属性信息,其中,所述待定价商品属于所述目标品类;
从所述预测信息中提取所述属性信息的对应价格数据,并据此生成对所述待定价商品进行定价的参考信息以发送给所述客户端。
2.根据权利要求1所述的方法,其特征在于,通过商品标识信息从所述历史成交数据中提取多组属性数据和价格数据,包括:
通过商品标识信息,从所述历史成交数据中提取各类商品的成交订单,得到多个成交订单组,且一个所述成交订单组对应一类商品;
从所述成交订单组中提取对应类别商品的成交价;
计算多个时间段内同一类别商品的所述成交价均值,得到多个第一平均值;
从多个所述第一平均值中提取最大值,并将提取到的所述最大值确定为所述成交订单组对应类别商品的价格数据;以及,
从所述成交订单组中任一成交订单提取对应类别商品的属性数据。
3.根据权利要求2所述的方法,其特征在于,从所述历史成交数据中提取各类商品的成交订单,包括:
从所述历史成交数据中提取各类商品的订单;
将各类商品订单中去掉异常订单后的剩余订单确定为所述成交订单,其中,
所述异常订单包括以下任意一种情况:订单中实际支付价格高于电商平台标价,订单中商品在促销优惠前的售卖价不等于电商平台标价。
4.根据权利要求2所述的方法,其特征在于,从所述成交订单组中提取对应类别商品的成交价,包括:
从所述成交订单组中提取对应类别商品的实际支付价格;
获取所述成交订单组对应类别商品的促销优惠额;
将所述实际支付价格和所述促销优惠额的和值,确定为所述成交价。
5.根据权利要求2所述的方法,其特征在于,从多个所述第一平均值中选择最大值,包括:
计算多个所述第一平均值的均值,得到第二平均值;
以所述第二平均值为基准,将变化幅度大于预设幅度的所述第一平均值确定为异常;
将确定为异常的所述第一平均值用所述第二平均值更新,得到更新后的多个所述第一平均值;
从更新后的多个所述第一平均值中选择最大值。
6.根据权利要求1所述的方法,其特征在于,根据多组所述属性数据和所述价格数据之间的关联关系,按照对所述目标品类的价格影响程度确定预设数量个目标属性类别,包括:
通过所述属性数据和所述价格数据,建立商品的属性类别对所述目标品类价格决策的价格决策树模型;
求解所述价格决策树模型,得到各个属性类别对所述目标品类价格的决策度;
将所述决策度较大的所述预设数量个属性类别确定为所述目标属性类别。
7.根据权利要求6所述的方法,其特征在于,通过所述属性数据和所述价格数据,建立商品的属性类别对所述目标品类价格决策的价格决策树模型,包括:
将商品的属性类别转化为数值型的第一数据;
以所述第一数据作为模型特征,以所述价格数据作为目标变量,通过随机森林模型或特征矩阵建立所述价格决策树模型。
8.根据权利要求1所述的方法,其特征在于,对所述预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息,包括:
将所述目标属性类别转化为数值型的第二数据;
根据多组所述属性数据和所述价格数据之间的关联关系,利用回归分析方法,求解所述第二数据和商品价格之间的回归系数,其中,所述回归系数表示所述目标属性类别和商品价格之间的关联关系;
基于所述回归系数,对所述目标属性类别取值不同时的对应商品进行价格预测,得到所述预测信息。
9.根据权利要求1所述的方法,其特征在于,还包括:
计算目标替代规律,其中,所述目标替代规律为所述待定价商品和老品之间的价差转化律,所述老品为所述待定价商品所替代的市场上已售卖商品;
根据所述目标替代规律,确定所述待定价商品和所述老品之间的最优价差,其中,所述最优价差为使所述待定价商品和所述老品之间无销量蚕食的差价;
将所述老品的价格、所述最优价差和所述目标替代规律,确定为对所述待定价商品进行定价的调价参考信息。
10.根据权利要求9所述的方法,其特征在于,计算目标替代规律,包括:
获取第一子替代规律,其中,所述第一子替代规律为第一商品对第二商品的价差转化律,所述第一商品和所述第二商品属于所述目标品类;
获取第二子替代规律,其中,所述第二子替代规律为所述第二商品对所述第一商品的价差转化律;
将所述第一子替代规律和所述第二子替代规律确定为所述目标替代规律。
11.根据权利要求10所述的方法,其特征在于,根据所述目标替代规律,确定所述待定价商品和所述老品之间的最优价差,包括:
从所述第一子替代规律和所述第二子替代规律中查找价差和替代率之间的同一对应关系,得到目标对应关系;
将所述目标对应关系中的价差,确定为所述最优价差。
12.一种参考信息生成系统,其特征在于,包括:
获取模块,用于从存储系统获取目标品类中商品的历史成交数据;
构建模块,用于通过商品标识信息从所述历史成交数据中提取多组属性数据和价格数据,并据此构建所述属性数据和所述价格数据之间的关联关系;
预测模块,用于根据多组所述属性数据和所述价格数据之间的关联关系,按照对所述目标品类的价格影响程度确定预设数量个目标属性类别,并对所述预设数量个目标属性类别取值不同时的对应商品进行价格预测,得到预测信息;
接收模块,用于接收客户端发送的待定价商品的属性信息,其中,所述待定价商品属于所述目标品类;
第一生成模块,用于从所述预测信息中提取所述属性信息的对应价格数据,并据此生成对所述待定价商品进行定价的参考信息以发送给所述客户端。
13.一种计算机可读存储介质,其特征在于,计算机可读存储介质存储有计算机指令,计算机指令被执行时实现如权利要求1至11任一项的参考信息生成方法。
14.一种参考信息生成装置,其特征在于,包括:
存储器,用于存储计算机指令;
处理器,耦合到存储器,处理器被配置为基于存储器存储的计算机指令执行实现如权利要求1-11中任一项的参考信息生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071285.0A CN111489180A (zh) | 2019-01-25 | 2019-01-25 | 参考信息生成方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071285.0A CN111489180A (zh) | 2019-01-25 | 2019-01-25 | 参考信息生成方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489180A true CN111489180A (zh) | 2020-08-04 |
Family
ID=71812115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071285.0A Pending CN111489180A (zh) | 2019-01-25 | 2019-01-25 | 参考信息生成方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489180A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932345A (zh) * | 2020-08-17 | 2020-11-13 | 政采云有限公司 | 信息推送方法及装置 |
CN112036937A (zh) * | 2020-08-19 | 2020-12-04 | 深圳市分期乐网络科技有限公司 | 一种商品的定价方法、装置、计算机设备和存储介质 |
CN113010869A (zh) * | 2021-03-11 | 2021-06-22 | 北京百度网讯科技有限公司 | 用于管理数字内容的方法、装置、设备和可读存储介质 |
CN113034173A (zh) * | 2021-03-03 | 2021-06-25 | 北京电解智科技有限公司 | 用于生成信息的方法和装置 |
CN113191816A (zh) * | 2021-05-18 | 2021-07-30 | 拉扎斯网络科技(上海)有限公司 | 订单的定价方法及系统 |
CN113378057A (zh) * | 2021-06-29 | 2021-09-10 | 珠海必要工业科技股份有限公司 | 一种信息提示方法、装置、计算机设备及存储介质 |
CN113506127A (zh) * | 2021-06-22 | 2021-10-15 | 特赞(上海)信息科技有限公司 | 信息生成方法及装置 |
CN115358771A (zh) * | 2022-07-29 | 2022-11-18 | 中远海运科技股份有限公司 | 一种基于多元回归的经营性租赁集装箱定价方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1543619A (zh) * | 2000-03-08 | 2004-11-03 | W・R・汉布雷特有限责任公司 | 商品或证券的定价和分配系统与方法 |
CN101076824A (zh) * | 2004-03-05 | 2007-11-21 | N·凯莱布·阿韦里 | 用于最优定价和分配的方法和系统 |
US20100082402A1 (en) * | 2008-09-29 | 2010-04-01 | Yahoo! Inc. | Estimating on-line advertising inventory value based on contract delivery information |
US20110022525A1 (en) * | 2008-09-09 | 2011-01-27 | Michael Swinson | System and method for the utilization of pricing models in the aggregation, analysis, presentation and monetization of pricing data for vehicles and other commodities |
JP2011043970A (ja) * | 2009-08-20 | 2011-03-03 | Nifty Corp | 価格推定装置、方法及びプログラム |
CN104303199A (zh) * | 2011-07-28 | 2015-01-21 | 真车股份有限公司 | 用于二手车定价数据分析与呈现的系统和方法 |
CN104662529A (zh) * | 2012-07-25 | 2015-05-27 | 因迪克斯公司 | 用于高性能分析的数据精炼引擎的系统和方法 |
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN105869019A (zh) * | 2016-03-31 | 2016-08-17 | 金蝶软件(中国)有限公司 | 一种商品价格预测方法及装置 |
CN106709760A (zh) * | 2016-12-21 | 2017-05-24 | 上海数据交易中心有限公司 | 一种基于单一数据的数据价格评估方法及装置 |
CN107123004A (zh) * | 2017-06-29 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 商品动态定价数据处理方法和系统 |
CN107169806A (zh) * | 2017-06-29 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 用于确定商品属性对于购买决策的影响度的方法及装置 |
JP6215425B1 (ja) * | 2016-09-16 | 2017-10-18 | ヤフー株式会社 | 決定プログラム、決定方法、及び決定装置 |
CN107798565A (zh) * | 2017-11-16 | 2018-03-13 | 北京车慧互动广告有限公司 | 一种核心竞品车型分析方法及系统 |
CN108053269A (zh) * | 2018-01-03 | 2018-05-18 | 中国科学院科技战略咨询研究院 | 一种大数据知识产权价格评估系统及方法 |
CN108520324A (zh) * | 2018-04-13 | 2018-09-11 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN108694599A (zh) * | 2017-04-07 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 确定商品价格的方法、装置、电子设备和存储介质 |
CN108805596A (zh) * | 2017-04-28 | 2018-11-13 | 北京京东尚科信息技术有限公司 | 商品定价信息处理方法、装置、电子设备及存储介质 |
CN108960923A (zh) * | 2018-07-09 | 2018-12-07 | 北京百悟科技有限公司 | 一种定价的方法、装置及计算机存储介质 |
-
2019
- 2019-01-25 CN CN201910071285.0A patent/CN111489180A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1543619A (zh) * | 2000-03-08 | 2004-11-03 | W・R・汉布雷特有限责任公司 | 商品或证券的定价和分配系统与方法 |
CN101076824A (zh) * | 2004-03-05 | 2007-11-21 | N·凯莱布·阿韦里 | 用于最优定价和分配的方法和系统 |
US20110022525A1 (en) * | 2008-09-09 | 2011-01-27 | Michael Swinson | System and method for the utilization of pricing models in the aggregation, analysis, presentation and monetization of pricing data for vehicles and other commodities |
US20100082402A1 (en) * | 2008-09-29 | 2010-04-01 | Yahoo! Inc. | Estimating on-line advertising inventory value based on contract delivery information |
JP2011043970A (ja) * | 2009-08-20 | 2011-03-03 | Nifty Corp | 価格推定装置、方法及びプログラム |
CN104303199A (zh) * | 2011-07-28 | 2015-01-21 | 真车股份有限公司 | 用于二手车定价数据分析与呈现的系统和方法 |
CN104662529A (zh) * | 2012-07-25 | 2015-05-27 | 因迪克斯公司 | 用于高性能分析的数据精炼引擎的系统和方法 |
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN105869019A (zh) * | 2016-03-31 | 2016-08-17 | 金蝶软件(中国)有限公司 | 一种商品价格预测方法及装置 |
JP6215425B1 (ja) * | 2016-09-16 | 2017-10-18 | ヤフー株式会社 | 決定プログラム、決定方法、及び決定装置 |
CN106709760A (zh) * | 2016-12-21 | 2017-05-24 | 上海数据交易中心有限公司 | 一种基于单一数据的数据价格评估方法及装置 |
CN108694599A (zh) * | 2017-04-07 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 确定商品价格的方法、装置、电子设备和存储介质 |
CN108805596A (zh) * | 2017-04-28 | 2018-11-13 | 北京京东尚科信息技术有限公司 | 商品定价信息处理方法、装置、电子设备及存储介质 |
CN107123004A (zh) * | 2017-06-29 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 商品动态定价数据处理方法和系统 |
CN107169806A (zh) * | 2017-06-29 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 用于确定商品属性对于购买决策的影响度的方法及装置 |
CN107798565A (zh) * | 2017-11-16 | 2018-03-13 | 北京车慧互动广告有限公司 | 一种核心竞品车型分析方法及系统 |
CN108053269A (zh) * | 2018-01-03 | 2018-05-18 | 中国科学院科技战略咨询研究院 | 一种大数据知识产权价格评估系统及方法 |
CN108520324A (zh) * | 2018-04-13 | 2018-09-11 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN108960923A (zh) * | 2018-07-09 | 2018-12-07 | 北京百悟科技有限公司 | 一种定价的方法、装置及计算机存储介质 |
Non-Patent Citations (3)
Title |
---|
LEI MINGLI ET AL.: "A Grey Model to Predict Electricity Price with Internal Variable Parameters Identification", 《 JOURNAL OF XI\'AN JIAOTONG UNIVERSITY》, vol. 43, no. 8, 1 August 2009 (2009-08-01), pages 85 - 89 * |
何志甘;董槐林;吴清锋;吴阿妹;: "B2C电子商务商品定价模型的研究与设计", 厦门大学学报(自然科学版), no. 06, 28 November 2011 (2011-11-28), pages 994 - 997 * |
栾志强;谭章禄;: "由购车价差分析汽车定价中应注意的问题", 中国经贸导刊, no. 13, 15 July 2009 (2009-07-15), pages 53 - 54 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932345A (zh) * | 2020-08-17 | 2020-11-13 | 政采云有限公司 | 信息推送方法及装置 |
CN112036937A (zh) * | 2020-08-19 | 2020-12-04 | 深圳市分期乐网络科技有限公司 | 一种商品的定价方法、装置、计算机设备和存储介质 |
CN112036937B (zh) * | 2020-08-19 | 2023-11-28 | 深圳市分期乐网络科技有限公司 | 一种商品的定价方法、装置、计算机设备和存储介质 |
CN113034173A (zh) * | 2021-03-03 | 2021-06-25 | 北京电解智科技有限公司 | 用于生成信息的方法和装置 |
CN113010869A (zh) * | 2021-03-11 | 2021-06-22 | 北京百度网讯科技有限公司 | 用于管理数字内容的方法、装置、设备和可读存储介质 |
CN113010869B (zh) * | 2021-03-11 | 2023-08-29 | 北京百度网讯科技有限公司 | 用于管理数字内容的方法、装置、设备和可读存储介质 |
CN113191816A (zh) * | 2021-05-18 | 2021-07-30 | 拉扎斯网络科技(上海)有限公司 | 订单的定价方法及系统 |
CN113506127A (zh) * | 2021-06-22 | 2021-10-15 | 特赞(上海)信息科技有限公司 | 信息生成方法及装置 |
CN113378057A (zh) * | 2021-06-29 | 2021-09-10 | 珠海必要工业科技股份有限公司 | 一种信息提示方法、装置、计算机设备及存储介质 |
CN115358771A (zh) * | 2022-07-29 | 2022-11-18 | 中远海运科技股份有限公司 | 一种基于多元回归的经营性租赁集装箱定价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489180A (zh) | 参考信息生成方法、系统及装置 | |
CN110580649B (zh) | 一种商品潜力值的确定方法和装置 | |
US8694372B2 (en) | Systems and methods for automatic control of marketing actions | |
WO2019226192A1 (en) | Demand forecast | |
US20200051142A1 (en) | System and method for determining retail-business-rule coefficients from current prices | |
CN102272758A (zh) | 因果驱动和市场响应弹性或提升因素的自动规范、估计和发现 | |
JP6810745B2 (ja) | ターゲットクラスタリング手法を利用して、属性タイプが混合した顧客をセグメント化するためのシステムおよび方法 | |
CN107886241B (zh) | 资源分析方法、装置、介质和电子设备 | |
CN116308684B (zh) | 一种网购平台店铺信息推送方法及系统 | |
JP2020149468A (ja) | 商品管理システムおよび商品管理方法 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
Jamaludin et al. | A system dynamics approach for analyzing supply chain industry: Evidence from rice industry | |
JP2019082865A (ja) | 販売促進装置、販売促進方法及び販売促進プログラム | |
CN111967927A (zh) | 一种多准则计算满意度的商业采购方法 | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
Balla et al. | How do product’s attributes affect consumer behavior: an empirical evidence of brand choice | |
US20050049909A1 (en) | Manufacturing units of an item in response to demand for the item projected from page-view data | |
CN113421148B (zh) | 商品数据处理方法、装置、电子设备及计算机存储介质 | |
WO2021192232A1 (ja) | 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体 | |
CN111639274B (zh) | 线上商品智能排序方法、装置、计算机设备和存储介质 | |
CN109272373B (zh) | 一种基于计算机的品牌推荐方法 | |
Janamarta et al. | Effect Of Ease of Use and Trust on Purchase Decisions Through Online Shopping Sites | |
CN111400622A (zh) | 一种分布式电商系统中紧缺商品数量展现方法及装置 | |
CN110858337A (zh) | 一种生成配置信息的方法和装置 | |
US20040193477A1 (en) | Method for business analysis |
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 |