CN111652657A - 商品销量预测方法、装置、电子设备及可读存储介质 - Google Patents
商品销量预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111652657A CN111652657A CN202010526760.1A CN202010526760A CN111652657A CN 111652657 A CN111652657 A CN 111652657A CN 202010526760 A CN202010526760 A CN 202010526760A CN 111652657 A CN111652657 A CN 111652657A
- Authority
- CN
- China
- Prior art keywords
- sales
- commodity
- target
- time period
- historical
- 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 69
- 230000008859 change Effects 0.000 claims abstract description 74
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 26
- 238000004891 communication Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
本申请提供一种商品销量预测方法、装置、电子设备及可读存储介质,涉及电商技术领域。该方法包括:获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息;基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。该方案中,在销量预测过程中,不仅考虑商品的历史销量,还考虑了其相关商品的特征信息,丰富了销量预测的数据,从而可有效提高销量预测的准确性。
Description
技术领域
本申请涉及电商技术领域,具体而言,涉及一种商品销量预测方法、装置、电子设备及可读存储介质。
背景技术
销量预测作为电子商务零售企业营销决策和库存管理的重要环节,一直是人们关注的热点问题。高质量、高精度的销售预测,为企业的决策提供可靠的数据支撑,从而提高企业的经济效益。
对单一商品的销量预测,现有的技术方案通常利用商品的历史销量数据来进行预测,这种方法考虑因素较少,使得其销量预测结果准确性较低。
发明内容
本申请实施例的目的在于提供一种商品销量预测方法、装置、电子设备及可读存储介质,用以改善现有技术中销量预测准确性较低的问题。
第一方面,本申请实施例提供了一种商品销量预测方法,所述方法包括:获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息;基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
在上述实现过程中,通过基于目标商品的历史销量变化情况以及与目标商品相关的相关商品的特征信息来预测目标商品在预设时间段内的销量情况,在销量预测过程中,不仅考虑商品的历史销量,还考虑了其相关商品的特征信息,丰富了销量预测的数据,从而可有效提高销量预测的准确性。
可选地,所述目标商品的其他相关信息还包括所述目标商品的特征信息,通过加入目标商品的特征信息,可进一步根据目标商品的自身特性对目标商品的销量进行准确的预测。
可选地,获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息之前,还包括:
获取所述目标商品的多个初始特征信息;
确定每个初始特征信息对所述目标商品的销量影响的特征贡献值;
基于所述特征贡献值从多个初始特征信息中筛选出所述目标商品的特征信息。
在上述实现过程中,通过基于初始特征信息对应的特征贡献值,对多个初始特征信息进行筛选,从而可使得获得的目标商品的特征信息是对目标商品的销量有较大影响的信息,进而可以量化特征变量对预测结果的影响大小,并且获得的各个特征信息对应的SHAP值可以用于业务人员进行决策使用。
可选地,所述特征贡献值为SHAP值。
可选地,述获取目标商品的历史销量变化情况,包括:
获取所述目标商品在第一历史时间段内的第一销量数据以及在第二历史时间段内的第二销量数据,所述预设时间段、所述第一历史时间段与所述第二历史时间段为同一时期内的时间段;
计算获得所述第一销量数据与所述第二销量数据的同比,所述同比为所述目标商品的历史销量变化情况。
在上述实现过程中,通过将同期时间段内的销量数据进行比较,从而可以避免由于不同时间段对销量的影响而造成销量预测不准确的问题。
可选地,所述基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况,包括:
通过神经网络模型基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
在上述实现过程中,由于神经网络模型为预先经过训练的模型,所以利用神经网络模型来进行销量预测,可更加快速准确。
可选地,所述基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况之后,还包括:
基于所述销量情况规划所述目标商品在所述预设时间段内的销售策略。
在上述实现过程中,通过基于销量情况来规划目标商品的销售策略,从而可快速为商家提供对应的销售策略,以提高商家的用户体验。
第二方面,本申请实施例提供了一种商品销量预测装置,所述装置包括:
信息获取模块,用于获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息;
销量预测模块,用于基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
可选地,所述目标商品的其他相关信息还包括所述目标商品的特征信息。
可选地,所述装置还包括:
信息筛选模块,用于:
获取所述目标商品的多个初始特征信息;
确定每个初始特征信息对所述目标商品的销量影响的特征贡献值;
基于所述特征贡献值从多个初始特征信息中筛选出所述目标商品的特征信息。
可选地,所述特征贡献值为SHAP值。
可选地,所述信息获取模块,用于获取所述目标商品在第一历史时间段内的第一销量数据以及在第二历史时间段内的第二销量数据,所述预设时间段、所述第一历史时间段与所述第二历史时间段为同一时期内的时间段;计算获得所述第一销量数据与所述第二销量数据的同比,所述同比为所述目标商品的历史销量变化情况。
可选地,所述销量预测模块,用于通过神经网络模型基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
可选地,所述装置还包括:
销售策略规划模块,用于基于所述销量情况规划所述目标商品在所述预设时间段内的销售策略。
第三方面,本申请实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种用于执行商品销量预测方法的电子设备的结构示意图;
图2为本申请实施例提供的一种商品销量预测方法的流程图;
图3为本申请实施例提供的一种商品销量预测装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供一种商品销量预测方法,通过基于目标商品的历史销量变化情况以及与目标商品相关的相关商品的特征信息来预测目标商品在预设时间段内的销量情况,在销量预测过程中,不仅考虑商品的历史销量,还考虑了其相关商品的特征信息,丰富了销量预测的数据,从而可有效提高销量预测的准确性。
请参照图1,图1为本申请实施例提供的一种用于执行商品销量预测方法的电子设备的结构示意图,所述电子设备可以包括:至少一个处理器110,例如CPU,至少一个通信接口120,至少一个存储器130和至少一个通信总线140。其中,通信总线140用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器110执行时,电子设备执行下述图2所示方法过程,例如,存储器130可用于存储商品的历史销量变化情况以及其他相关信息,在需要进行商品销量预测时,处理器110可从存储器130中获取目标商品的历史销量变化情况以及其他相关信息,从而可基于这些信息对目标商品的销量进行预测。
可以理解,图1所示的结构仅为示意,所述电子设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2,图2为本申请实施例提供的一种商品销量预测方法的流程图,该方法包括如下步骤:
步骤S110:获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息。
其中,目标商品可以是指需要进行销量预测的某个商品,如某款手机、某款游戏机、某个型号的显示屏等,而针对需要进行销量预测的任意一个商品,均可以利用本申请实施例提供的商品销量预测方法来进行销量预测,为了描述的简洁,本申请实施例中仅以其中一个商品,即目标商品为例进行描述。
目标商品的历史销量变化情况可以理解为目标商品的历史销量变化趋势,如预测目标商品在今年未来某一时间段内的销量情况,则历史销量变化情况可以是指今年内当前时间以前目标商品的历史销量变化趋势,如可以获取当前时间以前目标商品在每个月的历史销量,然后可分析其历史销量变化情况总体为递增、平稳或递减。当然,历史销量变化情况也可以是指当前时间以前目标商品的销量变化情况,或者是某几个时间段内目标商品的销量变化情况,如预测目标商品在未来2020年的圣诞节的销量,则历史销量变化情况可以是指目标商品在2019年和2018年的销量变化情况。
目标商品的其他相关信息可以是除目标商品的历史销量变化情况外的其他信息,其可以包括与目标商品相关的相关商品的特征信息。可以理解地,例如,目标商品为某个品牌某个型号的手机,则相关商品可以为同一品牌其他型号的手机,也可以为其他品牌功能或性能类似的手机,也可以为匹配该手机的手机壳或手机配饰等,也就是说,相关商品可以是指与目标商品相关的任意商品。
当然,为了提高商品销量预测的准确性,相关商品可以是指对目标商品的销量有较大影响的商品,如相关商品可以是指与目标商品具有同一属性特征的商品,同一属性特征可以是指同一类型,如均为手机,这种情况下,相关商品可以是指目标商品的竞争商品。
相关商品的特征信息可以包括相关商品的价格、商品名称、库存、点击量、购买量、类型、名称、广告投放量、历史销量、评论量、收藏量等信息,任何与相关商品相关的信息均可称为相关商品的特征信息,在此不一一列举。
需要说明的是,相关商品可以不止一个,也可以有多个。确定相关商品的方法可以采用协同过滤(Collaborative Filtering,CF)推荐算法确定目标商品对应的相关商品。在具体实现中,可以通过获取商品数据,然后基于商品数据找到与目标商品相似的相似商品,然后再从相似商品中确定出相关商品。
例如,可以收集某电商平台中的所有商品数据,生成商品数据库,商品数据库中可以包括但不限于商品的历史销售数据、商品的属性信息等。然后可以获取目标商品的属性信息,然后计算目标商品的属性信息与商品数据库中每个商品的属性信息的相似度,其中,可以采用欧几里德距离、皮尔逊相关系数、Cosine相似度、Tanimoto系数,协同过滤等方式计算相似度。如此,可得到目标商品与商品数据库中每个商品的相似度以后,可以将相似度大于预设相似度阈值的商品作为与目标商品相关的相关商品。
步骤S120:基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
一般商家为了提前备货,以使得在售卖时商品有充足的库存,可以预先对商品在未来时间段内的销量进行提前预测,以便于商品有足够的库存量来满足商品的销售。其中,预设时间段可以是指未来一个月,或者未来两个月,或者未来某个节假日。
可以理解地,一般在节假日或者促销活动期间商品的销量相对于非节假日可能会有显著提高,所以对于不同时间段商品销量的预测其所依据的数据可以不同,例如,若预设时间段为未来一个月,则目标商品的历史销量变化情况可以是指当前时间以前12个月内的销量变化情况,若预设时间段为未来某个节假日,则目标商品的历史销量变化情况可以是指前几年内该节假日的销量变化情况,或者可以是指目标商品在当前时间以前的几个节假日的销量变化情况。也就是说,目标商品的历史销量变化情况可以是基于预设时间段所对应的时间段类型来确定的,不同的时间段所对应的目标商品的历史销量也不一致,使得其历史销量变化情况也不一致。
在上述获得目标商品的历史销量变化情况以及目标商品的其他相关信息后,可以基于这些信息来预测目标商品在预设时间段内的销量情况,例如,若目标商品的历史销量变化情况为递增,但是基于对相关商品的特征信息进行分析,获得相关商品在当前的收藏量和/或点击量较高,则表明相关商品对目标商品在预设时间段内的销量有较大影响,这种情况下,可以预测得到目标商品在预设时间段内的销量相比于前一时间段内的销量可能有所下降或者相对持平。或者,目标商品的历史销量变化情况为递增,但是相关商品的收藏量和/或点击量等较少,则表明相关商品对目标商品在预设时间段内的销量有较小影响,这种情况下,可以预测得到目标商品在预设时间段内的销量相比于前一时间段内的销量可能有所增加。或者,目标商品的历史销量变化情况为递减,但是相关商品的收藏量和/或点击量等较少,则表明相关商品对目标商品在预设时间段内的销量有较小影响,这种情况下,可以预测得到目标商品在预设时间段内的销量相比于前一时间段内的销量可能有所减少。对于其他的情况,也可以按照上述类似的方法对目标商品在预设时间段内的销量情况进行预测,在此不一一列举。
其中,预设时间段与前一时间段可以是指同期的时间段,例如,若预设时间段为未来某个节假日,则前一时间段为上一个相同的节假日。
而对于相关商品有多个的情况时,其可以分析每个相关商品的收藏量或点击量,在目标商品的历史销量变化情况为递增时,大多数的相关商品的收藏量和/或点击量较高情况下,则可预测得到目标商品在预设时间段内的销量可能会下降。当然,这种情况下还可以计算多个相关商品的平均收藏量或平均点击量,在平均收藏量和/或平均点击量较高的情况下,预测得到目标商品在预设时间段内的销量可能会下降。
需要说明的是,上述仅列举了相关商品的收藏量和/或点击量对目标商品的销量的影响情况,当然,还可以综合相关商品的其它信息来综合判断其对目标商品的销量的影响情况,进而可依据其影响情况以及目标商品的历史销量变化情况来预测目标商品在预设时间段内的销量情况。
在上述实现过程中,通过基于目标商品的历史销量变化情况以及与目标商品相关的相关商品的特征信息来预测目标商品在预设时间段内的销量情况,在销量预测过程中,不仅考虑商品的历史销量,还考虑了其相关商品的特征信息,丰富了销量预测的数据,从而可有效提高销量预测的准确性。
作为一种实施方式,上述过程中获取目标商品的历史销量变化情况还可以通过如下过程获得:获取目标商品在第一历史时间段内的第一销量数据以及在第二历史时间段内的第二销量数据,其中,预设时间段、第一历史时间段与第二历史时间段为同一时期内的时间段,然后计算获得第一销量数据与第二销量数据的同比,该同比即为目标商品的历史销量变化情况。
例如,预设时间段为未来2020年的圣诞节,则第一历史时间段为2019年的圣诞节,第二历史时间段为2018年的圣诞节,或者预设时间段为未来2020年的2月,则第一历史时间段可以为2020年的1月,第二历史时间段为2019年的12月。同比即为第一销量数据与第二销量数据的比值,如第一销量数据为300,第二销量数据为200,则同比为1.5,该数值即表征目标商品的历史销量变化情况。
可以理解地,目标商品的历史销量变化情况还可以是指多个历史时间段内的销量数据的比值,当然,目标商品的历史销量变化情况的获得方式可以根据实际情况制定不同的获取方法。
在上述实现过程中,通过将同期时间段内的销量数据进行比较,从而可以避免由于不同时间段对销量的影响而造成销量预测不准确的问题。
作为一种实施方式,为了对目标商品的销量情况进行准确预测,目标商品的其他相关信息还可以包括目标商品的特征信息,该目标商品的特征信息可以包括目标商品在各个时间段的销量、价格、库存、促销活动、点击量、购买量等信息,特征信息可以理解为用于描述目标商品的信息。
所以,可以基于目标商品的历史销量变化情况、特征信息以及相关商品的特征信息来预测目标商品在预设时间段内的销量情况。例如,可以先分析目标商品的特征信息获得目标商品在当前的点击量和/或收藏量等信息,分析相关商品的特征信息获得相关商品在当前的点击量和/或收藏量等信息,若目标商品的历史销量变化情况为递增,目标商品的点击量和/或收藏量与相关商品的点击量和/或收藏量基本持平,则表示相关商品对目标商品的销量影响可能较小,则预测得到目标商品在预设时间段内的销量情况为递增;或者,若目标商品的历史销量变化情况为递减,目标商品的点击量和/或收藏量与相关商品的点击量和/或收藏量基本持平,则预测得到目标商品在预设时间段内的销量情况为递减;或者,若目标商品的历史销量变化情况为递增,目标商品的点击量和/或收藏量远大于相关商品的点击量和/或收藏量,则表示相关商品对目标商品的销量影响可能较小,则预测得到目标商品在预设时间段内的销量情况为较大幅度递增;或者,若目标商品的历史销量变化情况为递减,目标商品的点击量和/或收藏量远大于相关商品的点击量和/或收藏量,则表示相关商品对目标商品的销量影响可能较小,则预测得到目标商品在预设时间段内的销量情况为较小幅度递增;或者,若目标商品的历史销量变化情况为递减,目标商品的点击量和/或收藏量远小于相关商品的点击量和/或收藏量,则表示相关商品对目标商品的销量影响可能较大,则预测得到目标商品在预设时间段内的销量情况为较大幅度递减。
可以理解地,上述仅列举出其中几种基于上述信息预测得到目标商品在预设时间段内的销量情况的过程,对于其它的情况也和上述预测过程类似,在此不一一列举。
作为另外一种实施方式,还可以将目标商品的特征信息与相关商品的特征信息进行特征综合,然后将综合特征以及目标商品的历史销量变化情况输入至预测模型中,通过预测模型对目标商品在预设时间段内的销量情况进行预测,其中,预测模型可以为决策树模型或者深度神经网络模型,其中,关于神经网络模型的训练过程将在下文说明,此处暂不赘述。由于将综合特征可以在一定程度上反映目标商品与相关商品之间的相互信息,所以,对于提高目标商品的销量预测的准确性有一定的作用。
在上述实现过程中,通过加入目标商品的特征信息,可进一步根据目标商品的自身特性对目标商品的销量进行准确的预测。
另外,目标商品的特征信息是指对目标商品的销量有较大影响的特征信息,作为一种实施方式,可以预先对目标商品的特征信息进行筛选,从而获得对目标商品的销量影响较大的特征信息,如可以先获取目标商品的多个初始特征信息,然后确定每个初始特征信息对目标商品的销量影响的特征贡献值,基于该特征贡献值从多个初始特征信息中筛选出目标商品的特征信息。
可以理解地,可以通过解释模型来确定各个初始特征信息对应的特征贡献值,其中,解释模型可以为与本地可解释模型无关的解释(Local Interpretable Model-Agnostic Explanations,LIME);以一种统一的方法来解释任何机器学习模型的输出(SHapley Additive exPlanations,SHAP)和Infocode算法模型等。其中,对于获得特征贡献值的具体过程在此不详细描述。
本申请实施例中,特征贡献值可以为SHAP值,即可以通过SHAP算法对应的解释模型来获得特征贡献值,SHAP值可以用于表示各个初始特征信息对目标商品的销量的预测结果产生的影响,所以,可以在获得各个初始特征信息对应的SHAP值后,可将SHAP值大于预设值对应的初始特征信息作为目标商品的特征信息,从而使得筛选出的特征信息即是对目标商品的销量预测结果影响较大的特征信息,进而可以量化特征变量对预测结果的影响大小,并且获得的各个特征信息对应的SHAP值可以用于业务人员进行决策使用。
在上述实现过程中,通过基于初始特征信息对应的特征贡献值,对多个初始特征信息进行筛选,从而可使得获得的目标商品的特征信息是对目标商品的销量有较大影响的信息,进而可以量化特征变量对预测结果的影响大小,并且获得的各个特征信息对应的SHAP值可以用于业务人员进行决策使用。
作为一种实施方式,可以通过神经网络模型基于目标商品的历史销量变化情况以及其他相关信息,预测目标商品在预设时间段内的销量情况。
其中,神经网络模型可以为递归神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short Term Memory,LSTM)或深度卷积网络(Deep ConvolutionalNetwork,DCN)等,当然,神经网络模型还可以为其他的网络,在此不一一列举。
可以预先对神经网络模型进行训练,在训练的过程中,可以预先获得多个商品的特征信息,然后基于商品的特征信息对商品进行分类,其中,这多个商品可以是用户在某一段时间内点击的商品以及某一段时间内购买的商品,然后将使用word2vec的算法框架,将用户点击的商品作为一个系列,对商品进行embedding操作来表征商品特征1,使用聚类算法,例如,t-分布领域嵌入(t-distributed stochastic neighbor embedding,t-SNE)算法、k均值等算法对商品进行分类得到多个同类的商品,这些同类商品可互相作为目标商品和相关商品,对于用户购买的商品也可以如此进行分类,即先使用word2vec的算法框架,将客户购买的商品作为一个序列,对商品进行embedding操作表征商品特征2,使用聚类算法,例如t-SNE算法、k均值等算法对商品进行分类得到多个同类的商品,当然,上述两个过程获得的同类商品可以进行合并,然后再将商品表征1和商品表征2、聚类得到的同类商品中各个商品的特征信息以及其他商品信息,如历史销量变化情况,然后将每个商品在一预设时间段内的销量情况作为标签数据,输入到神经网络模型中进行训练,以对神经网络模型的网络参数进行训练,在预设的损失函数的值小于预设值时,表示训练完成,具体的训练过程可参照现有技术中相关模型的训练过程,在此不再详细描述。
如此,在实际应用时,可将目标商品的历史销量变化情况以及其他相关信息输入至训练好的神经网络模型中,通过神经网络模型预测得到目标商品在预设时间段内的销量情况,从而可准确快速预测得到目标商品的销量情况。
另外,作为一种实施方式,在获得目标商品在预设时间段内的销量情况后,可以基于销量情况规划目标商品在预设时间段内的销售策略。
例如,若销量情况为销量有所下降,则可减少目标商品的库存量,若销量情况为销量有所增加,则可适当增加促销活动,或者增加赠品销售等策略。
当然,针对不同的销售情况可以制定不同的销售策略,然后可将销售策略输出给商家,如此,可使得商家可以基于销售策略对目标商品进行销售。例如,还可以结合销量情况、各个特征信息对应的SHAP值以及业务需求(例如未来一个活动的销售计划)来制定相应的策略,从而可给业务人员提供一个可解释且优化的方案,例如,某品牌商在电商平台在某节假日对商品进行活动促销,则可以依据获得的商品在某节假日的销量情况,以及不同广告类型的SHAP值,不同折扣的SHAP值来制定相应的策略。
作为另外一种实施方式,也可以直接将销售情况推送给商家,或者还可以根据销售情况以及目标商品的库存向商家提供销售建议,如在销量情况表明目标商品在预设时间段内的销量大于目标商品的库存的情况下,可以向商家发出备货的建议,或者在销量情况表明目标商品在预设时间段内的销量小于目标商品的库存的情况下,向商家发出推出促销活动的建议。
在上述实现过程中,通过基于销量情况来规划目标商品的销售策略,从而可快速为商家提供对应的销售策略,以提高商家的用户体验。
请参照图3,图3为本申请实施例提供的一种商品销量预测装置200的结构框图,该装置200可以是电子设备上的模块、程序段或代码。应理解,该装置200与上述图2方法实施例对应,能够执行图2方法实施例涉及的各个步骤,该装置200具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
可选地,所述装置200包括:
信息获取模块210,用于获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息;
销量预测模块220,用于基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
可选地,所述目标商品的其他相关信息还包括所述目标商品的特征信息。
可选地,所述装置200还包括:
信息筛选模块,用于:
获取所述目标商品的多个初始特征信息;
确定每个初始特征信息对所述目标商品的销量影响的特征贡献值;
基于所述特征贡献值从多个初始特征信息中筛选出所述目标商品的特征信息。
可选地,所述特征贡献值为SHAP值。
可选地,所述信息获取模块210,用于获取所述目标商品在第一历史时间段内的第一销量数据以及在第二历史时间段内的第二销量数据,所述预设时间段、所述第一历史时间段与所述第二历史时间段为同一时期内的时间段;计算获得所述第一销量数据与所述第二销量数据的同比,所述同比为所述目标商品的历史销量变化情况。
可选地,所述销量预测模块220,用于通过神经网络模型基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
可选地,所述装置200还包括:
销售策略规划模块,用于基于所述销量情况规划所述目标商品在所述预设时间段内的销售策略。
本申请实施例提供一种可读存储介质,所述计算机程序被处理器执行时,执行如图2所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如,包括:获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息;基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
综上所述,本申请实施例提供一种商品销量预测方法、装置、电子设备及可读存储介质,通过基于目标商品的历史销量变化情况以及与目标商品相关的相关商品的特征信息来预测目标商品在预设时间段内的销量情况,在销量预测过程中,不仅考虑商品的历史销量,还考虑了其相关商品的特征信息,丰富了销量预测的数据,从而可有效提高销量预测的准确性。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种商品销量预测方法,其特征在于,所述方法包括:
获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息;
基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
2.根据权利要求1所述的方法,其特征在于,所述目标商品的其他相关信息还包括所述目标商品的特征信息。
3.根据权利要求2所述的方法,其特征在于,获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息之前,还包括:
获取所述目标商品的多个初始特征信息;
确定每个初始特征信息对所述目标商品的销量影响的特征贡献值;
基于所述特征贡献值从多个初始特征信息中筛选出所述目标商品的特征信息。
4.根据权利要求3所述的方法,其特征在于,所述特征贡献值为SHAP值。
5.根据权利要求1所述的方法,其特征在于,所述获取目标商品的历史销量变化情况,包括:
获取所述目标商品在第一历史时间段内的第一销量数据以及在第二历史时间段内的第二销量数据,所述预设时间段、所述第一历史时间段与所述第二历史时间段为同一时期内的时间段;
计算获得所述第一销量数据与所述第二销量数据的同比,所述同比为所述目标商品的历史销量变化情况。
6.根据权利要求1所述的方法,其特征在于,所述基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况,包括:
通过神经网络模型基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
7.根据权利要求1所述的方法,其特征在于,所述基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况之后,还包括:
基于所述销量情况规划所述目标商品在所述预设时间段内的销售策略。
8.一种商品销量预测装置,其特征在于,所述装置包括:
信息获取模块,用于获取目标商品的历史销量变化情况以及所述目标商品的其他相关信息,所述其他相关信息包括与所述目标商品相关的相关商品的特征信息;
销量预测模块,用于基于所述历史销量变化情况以及所述其他相关信息,预测所述目标商品在预设时间段内的销量情况。
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-7任一所述的方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526760.1A CN111652657A (zh) | 2020-06-10 | 2020-06-10 | 商品销量预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526760.1A CN111652657A (zh) | 2020-06-10 | 2020-06-10 | 商品销量预测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652657A true CN111652657A (zh) | 2020-09-11 |
Family
ID=72344998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010526760.1A Pending CN111652657A (zh) | 2020-06-10 | 2020-06-10 | 商品销量预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652657A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330356A (zh) * | 2020-10-13 | 2021-02-05 | 有米科技股份有限公司 | 视频投放平台的商品销量属性计算方法及装置 |
CN112396466A (zh) * | 2020-11-30 | 2021-02-23 | 上海明略人工智能(集团)有限公司 | 电商平台流量预测方法、系统、存储介质及电子设备 |
CN112508594A (zh) * | 2020-10-13 | 2021-03-16 | 有米科技股份有限公司 | 带货视频的商品销量属性估算方法及装置 |
CN112819533A (zh) * | 2021-01-29 | 2021-05-18 | 深圳脉腾科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN112819404A (zh) * | 2021-01-13 | 2021-05-18 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
CN113129105A (zh) * | 2021-04-23 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 对象数据的处理方法、装置、设备、存储介质及程序 |
CN113256221A (zh) * | 2021-06-16 | 2021-08-13 | 浙江大胜达包装股份有限公司 | 面向在线电商平台的纸品包装调配系统和方法 |
CN113298552A (zh) * | 2020-12-02 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 数据处理方法、服务器及存储介质 |
CN113554335A (zh) * | 2021-08-02 | 2021-10-26 | 南京邮电大学 | 一种基于大数据的生产计划方法 |
CN113627846A (zh) * | 2021-08-10 | 2021-11-09 | 北京沃东天骏信息技术有限公司 | 一种库存调整方法、装置、电子设备及计算机可读介质 |
CN113723985A (zh) * | 2021-03-04 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 销量预测模型的训练方法、装置及电子设备、存储介质 |
CN113723989A (zh) * | 2021-08-10 | 2021-11-30 | 杉数科技(北京)有限公司 | 产品销量预测方法及相关设备 |
CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
CN114119081A (zh) * | 2021-11-15 | 2022-03-01 | 北京京东尚科信息技术有限公司 | 对象预测模型的训练方法、装置、电子设备及存储介质 |
CN114155024A (zh) * | 2021-11-30 | 2022-03-08 | 北京京东振世信息技术有限公司 | 确定目标物品的方法、装置、设备及介质 |
CN114677174A (zh) * | 2022-03-25 | 2022-06-28 | 北京京东尚科信息技术有限公司 | 一种计算未上架物品销量的方法和装置 |
CN115423538A (zh) * | 2022-11-02 | 2022-12-02 | 深圳市云积分科技有限公司 | 新品销量数据的预测方法及装置、存储介质、电子设备 |
CN115760201A (zh) * | 2023-01-09 | 2023-03-07 | 启客(北京)科技有限公司 | 智能销售线索推荐理由生成方法及系统 |
CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
CN117350766A (zh) * | 2023-10-23 | 2024-01-05 | 深圳般若海科技有限公司 | 一种基于私域电商平台的数据处理方法、系统及存储介质 |
CN118096239A (zh) * | 2024-04-23 | 2024-05-28 | 济宁市海富电子科技有限公司 | 一种手机壳加工销售跟踪管理控制系统 |
US12020191B2 (en) | 2022-01-28 | 2024-06-25 | Walmart Apollo, Llc | Methods and apparatus for automatic sale forecasts using machine learning processes |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN111160473A (zh) * | 2019-12-30 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种分类标签的特征挖掘方法及装置 |
-
2020
- 2020-06-10 CN CN202010526760.1A patent/CN111652657A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
CN111160473A (zh) * | 2019-12-30 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种分类标签的特征挖掘方法及装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508594B (zh) * | 2020-10-13 | 2024-04-09 | 有米科技股份有限公司 | 带货视频的商品销量属性估算方法及装置 |
CN112508594A (zh) * | 2020-10-13 | 2021-03-16 | 有米科技股份有限公司 | 带货视频的商品销量属性估算方法及装置 |
CN112330356A (zh) * | 2020-10-13 | 2021-02-05 | 有米科技股份有限公司 | 视频投放平台的商品销量属性计算方法及装置 |
CN112396466A (zh) * | 2020-11-30 | 2021-02-23 | 上海明略人工智能(集团)有限公司 | 电商平台流量预测方法、系统、存储介质及电子设备 |
CN113298552A (zh) * | 2020-12-02 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 数据处理方法、服务器及存储介质 |
CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
CN112819404A (zh) * | 2021-01-13 | 2021-05-18 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN112819533A (zh) * | 2021-01-29 | 2021-05-18 | 深圳脉腾科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN113723985A (zh) * | 2021-03-04 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 销量预测模型的训练方法、装置及电子设备、存储介质 |
CN113129105A (zh) * | 2021-04-23 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 对象数据的处理方法、装置、设备、存储介质及程序 |
CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
CN113256221A (zh) * | 2021-06-16 | 2021-08-13 | 浙江大胜达包装股份有限公司 | 面向在线电商平台的纸品包装调配系统和方法 |
CN113554335A (zh) * | 2021-08-02 | 2021-10-26 | 南京邮电大学 | 一种基于大数据的生产计划方法 |
CN113723989A (zh) * | 2021-08-10 | 2021-11-30 | 杉数科技(北京)有限公司 | 产品销量预测方法及相关设备 |
CN113627846A (zh) * | 2021-08-10 | 2021-11-09 | 北京沃东天骏信息技术有限公司 | 一种库存调整方法、装置、电子设备及计算机可读介质 |
CN114119081A (zh) * | 2021-11-15 | 2022-03-01 | 北京京东尚科信息技术有限公司 | 对象预测模型的训练方法、装置、电子设备及存储介质 |
CN114155024A (zh) * | 2021-11-30 | 2022-03-08 | 北京京东振世信息技术有限公司 | 确定目标物品的方法、装置、设备及介质 |
US12020191B2 (en) | 2022-01-28 | 2024-06-25 | Walmart Apollo, Llc | Methods and apparatus for automatic sale forecasts using machine learning processes |
CN114677174A (zh) * | 2022-03-25 | 2022-06-28 | 北京京东尚科信息技术有限公司 | 一种计算未上架物品销量的方法和装置 |
CN115423538A (zh) * | 2022-11-02 | 2022-12-02 | 深圳市云积分科技有限公司 | 新品销量数据的预测方法及装置、存储介质、电子设备 |
CN115760201A (zh) * | 2023-01-09 | 2023-03-07 | 启客(北京)科技有限公司 | 智能销售线索推荐理由生成方法及系统 |
CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
CN116777508B (zh) * | 2023-06-25 | 2024-03-12 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
CN117350766A (zh) * | 2023-10-23 | 2024-01-05 | 深圳般若海科技有限公司 | 一种基于私域电商平台的数据处理方法、系统及存储介质 |
CN118096239A (zh) * | 2024-04-23 | 2024-05-28 | 济宁市海富电子科技有限公司 | 一种手机壳加工销售跟踪管理控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
US9773250B2 (en) | Product role analysis | |
US20190156357A1 (en) | Advanced computational prediction models for heterogeneous data | |
KR102286415B1 (ko) | 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템 | |
US11875367B2 (en) | Systems and methods for dynamic demand sensing | |
US20160189210A1 (en) | System and method for appying data modeling to improve predictive outcomes | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
US7742940B1 (en) | Method and system for predicting revenue based on historical pattern indentification and modeling | |
US20140200992A1 (en) | Retail product lagged promotional effect prediction system | |
US20050256760A1 (en) | System, method, and software for short term forecasting using predictive indicators | |
CN112214508B (zh) | 数据处理方法及装置 | |
US20210279753A1 (en) | System and method for retail price optimization | |
CN110555578A (zh) | 一种销量预测方法和装置 | |
US11507908B2 (en) | System and method for dynamic performance optimization | |
US20220277331A1 (en) | Systems and methods for procurement cost forecasting | |
CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
CN107133862A (zh) | 动态产生增强信用评估的详细交易支付经历的方法和系统 | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
JP6301326B2 (ja) | サービスアセットマネジメントシステム及び方法 | |
US20210117828A1 (en) | Information processing apparatus, information processing method, and program | |
US20150371242A1 (en) | Systems and methods for prime product forecasting | |
JP2001134643A (ja) | 需要予測装置及び需要予測方法 | |
CN117172825A (zh) | 基于大数据的电商数据分析方法、装置及计算设备 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 19 / F, building B, Xingzhi science and Technology Park, 6 Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province, 210000 Applicant after: AINNOVATION (NANJING) TECHNOLOGY Co.,Ltd. Address before: Floor 19, building B, Xingzhi science and Technology Park, 6 Xingzhi Road, Jiangning Economic and Technological Development Zone, Nanjing, Jiangsu Province Applicant before: AINNOVATION (NANJING) TECHNOLOGY Co.,Ltd. |