CN111724188B - 商品陈列位置的优化方法、装置、设备和存储介质 - Google Patents
商品陈列位置的优化方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111724188B CN111724188B CN201910223552.1A CN201910223552A CN111724188B CN 111724188 B CN111724188 B CN 111724188B CN 201910223552 A CN201910223552 A CN 201910223552A CN 111724188 B CN111724188 B CN 111724188B
- Authority
- CN
- China
- Prior art keywords
- commodities
- sales
- commodity
- linear regression
- regression model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012417 linear regression Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 235000019640 taste Nutrition 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000013501 data transformation Methods 0.000 claims description 4
- 239000005022 packaging material Substances 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical group [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
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
本发明提供一种商品陈列位置的优化方法、装置、设备和存储介质。该方法包括：根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重；根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置。本发明实施例能够确定商品的陈列为对其销量的影响，以及在保证所有商品的总销量最大的情况下的各个商品的位置，优化效率较高。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种商品陈列位置的优化方法、装置、设备和存储介质。
背景技术
随着电子商务的迅猛发展，实体店的市场分额受到了严重挤压。为了应对电商的冲击，如何提高实体店的销量成为关键。商品的摆放位置会影响商品的销量，因此如何优化商品的摆放位置从而提高销量成为重要的研究方向。
目前来说实体店通常会将同种口味或同类商品摆放在一起，并利用店内销售人员的过往经验和主观判断来优化商品的摆放位置。上述方案中，商品的摆放位置的优化效率较低。
发明内容
本发明提供一种商品陈列位置的优化方法、装置、设备和存储介质，以提高商品的摆放位置的优化效率。
第一方面，本发明提供一种商品陈列位置的优化方法，包括：
根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重；
根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；
根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置。
第二方面，本发明提供一种商品陈列位置的优化装置，包括：
第一确定模块，用于根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重；
处理模块，用于根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；
第二确定模块，用于根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置。
第三方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。
第四方面，本发明实施例提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。
本发明实施例提供的商品陈列位置的优化方法、装置、设备和存储介质，根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重，即确定商品的陈列为对其销量的影响；根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；进一步的，根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的商品的位置，即能够确定出在保证所有商品的总销量最大的情况下的各个商品的位置，从而提高了商品的摆放位置的优化效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实施例可能适用的一种应用场景的示意图；
图2是本发明提供的商品陈列位置的优化方法一实施例的流程示意图；
图3是本发明提供的商品陈列位置的优化方法一实施例的商品位置示意图；
图4为图3所示的优化后的商品位置示意图；
图5是本发明提供的商品陈列位置的优化装置一实施例的结构示意图；
图6是本发明提供的电子设备实施例的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本发明所涉及的应用场景进行介绍：
本发明实施例提供的商品陈列位置的优化方法，应用于对实体店的货架的商品陈列位置进行优化调整，即考虑位置对销量的影响，以提高销量。
下面结合图1对本发明实施例的可能的应用场景进行介绍。图1为本发明实施例可能适用的一种应用场景的示意图。如图1所示，可选的，本发明提供的方法可由电子设备12如处理器执行相应的软件代码实现，也可由该电子设备12在执行相应的软件代码的同时，通过和服务器11进行数据交互来实现。电子设备12和服务器11之间可以通过网络连接。
其中，电子设备可以是计算机、平板电脑等设备，下面的实施例均以电子设备为执行主体进行说明。
下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2是本发明提供的商品陈列位置的优化方法一实施例的流程示意图。如图2所示，本实施例提供的方法，包括：
步骤201、根据货架的各个位置上陈列的商品的历史销量数据，确定各个位置对应的第一权重。
具体的，对于待优化的货架，需要获取货架的各个位置上陈列的商品的信息，例如包括历史销量数据、属性信息，以及货架的基本信息，例如包括货架的层数、类型、长度等，可以把货架的位置分为m行n列。其中，商品的属性信息包括以下至少一项：同类商品数量、品牌、口味、类别、成分，热量，标签、包装颜色、包装材料、包装上是否有明星代言、容量、保质期、价格、利润、销量、线下库存，以及是否系列产品、新品、季节限定产品；其中标签例如为零卡、无糖等；包装颜色可以包括主颜色，颜色个数，如下表1所示。
表1
表1中长、宽、高的单位均为cm。
可选的，商品的属性信息可以通过如下方式获取到：
对货架的图像进行识别，获取货架的各个位置上陈列的商品的属性信息。
具体的，获取当前待优化的货架的图像，对货架的图像进行识别，获取各个位置上陈列的商品的属性信息，同时还可以识别货架的基本信息，例如货架的层数(即行数)，货架的位置的列数，货架的长度等。如下表2、表3所示。表3中以货架5行5列为例进行说明。
本发明实施例中，还可以通过其他方式获取到商品的属性信息，以及货架的基本信息，例如通过云端存储的信息获取。
表2
表3
可选的，在获取到商品的属性信息之后，可以进行如下操作：
对获取到的各个位置上陈列的商品的属性信息进行预处理；预处理包括以下至少一项：缺失值填补或数据变换。
其中，填补缺失值，可以通过临近插补法，或者线性插补来填补一些有时序性的属性；数据变换，可以利用对数、平方根或倒数，或者通过box-cox变换，去除数据分布的偏度。
本发明实施例中，获取到的其他数据或信息也可以通过上述方式进行预处理。
根据货架的各个位置上陈列的商品的历史销量数据，可以通过机器学习模型确定各个位置对应的第一权重，即各个位置都会获得一个该位置的加权值。销量越高，第一权重越大，货架上所有位置的第一权重之和为1。其中，历史销量数据例如日销量，月销量，周销量等数据。机器学习模型的输入参数包括各个位置上陈列的商品的历史销量数据，输出参数包括各个位置对应的第一权重。
机器学习模型，例如包括：自回归积分滑动平均模型(AutoregressiveIntegrated Moving Average Model，简称ARIMA)、线性回归模型、决策树模型、随机森林模型、极端梯度上升(Extreme Gradient Boosting，简称xgboost)、神经网络模型、(LightGradient Boosting Machine，简称LightGBM)模型。
可以通过如下指标对使用的机器学习模型进行评估，选取较合适的模型，指标如均方根误差(root mean square error，简称RMSE)，最小信息准则(Akaike InformationCriterion，简称AIC)，以及贝叶斯信息准则(Bayesian Information Criterions，简称BIC)。其中，AIC值越小模型越好，BIC值越小模型越好。
可以将以上获取的商品的属性信息，货架的基本信息，以及一些线下数据作为模型的训练数据，对机器学习模型进行训练，获取合适的模型。
其中，线下数据，例如包括：
时间信息：日期，年份，月份，第几周，星期，是否节假日，是否假期等；
店铺信息：国家、省市、区县、街道、客流、面积等；
商品的位置信息：所在排、所在列、离地高度、货架高度、货架长度、距货架左端距离等；
顾客信息：性别、年龄、身高、物品偏好、购买力、促销敏感度等；
销售信息：销量、利润、价格等；
促销信息：商品日销量，毛利率，价格，利润率，促销力度等。
以5×5的货架为例，每个位置的第一权重如表4所示：
表4
| b11 | b12 | b13 | b14 | b15 |
| b21 | b22 | b23 | b24 | b25 |
| b31 | b32 | b33 | b34 | b35 |
| b41 | b42 | b43 | b44 | b45 |
| b51 | b52 | b53 | b54 | b55 |
步骤202、根据各个位置上陈列的商品的属性信息，预估各个位置上的商品的销量。
具体的，可以根据各个位置上陈列的商品的属性信息，利用机器学习模型预估各个位置上的商品的销量。
此处的机器学习模型，也可以采用上述步骤201中的机器学习模型，此时该机器学习模型的输入参数包括各个位置上陈列的商品的属性信息，输出参数包括个位置上的商品的销量。
步骤203、根据各个位置对应的第一权重和商品的销量，确定优化后的商品的位置。
具体的，根据各个位置对应的第一权重和商品的销量，在保证所有商品销量之和最大的情况下，优化各个商品的位置。
可选的，步骤203可以采用如下方式实现：
根据预估的各个位置上的商品的销量以及各个位置对应的第一权重，确定不同的位置排列下所有商品的销量的最大值；
将最大值对应的各个商品的位置为优化后的各个商品的位置。
进一步的，确定不同位置排列下所有商品的销量的最大值，具体可以通过如下方式实现：
针对不同的位置排列，计算预估的各个位置上的商品的销量以及商品陈列的位置对应的第一权重的加权和，确定加权和的最大值。
具体的，尝试将每件商品在不同位置进行陈列，即针对不同的位置排列，计算每件商品的销量与该位置的第一权重的加权和，并计算出不同的位置排列的加权和的最大值，此时的位置排列，即为优化后的商品的位置。
可选的，本发明实施例的方法，还可以包括如下步骤：
根据货架所在地区的用户画像数据，确定各个位置对应的第二权重。
其中，用户画像数据包括以下至少一项：用户的性别、年龄、身高、物品偏好、购买力、促销敏感度、性别比例、年龄分布、身高分布。
具体的，可以通过店铺所在地区一定范围内的额用户的男女比例构成，以及平均身高等信息，确定货架的黄金区域，即顾客站着就容易拿取商品的位置区域。考虑到实体店顾客伸手时的上限和下限位置，给每个位置根据用户画像数据分析得到一个新的位第二权重，即c11,c12……cmn(m行，n列)。所有位置的权重之和(c11+c12+……+cmn)为1。
以5×5的货架为例，每个位置的第二权重如下表5所示：
表5
| c11 | c12 | c13 | c14 | c15 |
| c21 | c22 | c23 | c24 | c25 |
| c31 | c32 | c33 | c34 | c35 |
| c41 | c42 | c43 | c44 | c45 |
| c51 | c52 | c53 | c54 | c55 |
进一步的，步骤203可以采用如下方式实现：
根据各个所述位置对应的第一权重和第二权重，确定各个所述位置对应的第三权重；
根据预估的各个所述位置上的商品的销量以及各个所述位置对应的第三权重，确定优化后的所述商品的位置。
具体的，将根据两种不同的方式得到的位置的第一权重和第二权重相乘，即根据不同参数得到的第一权重和第二权重相乘，将乘积作为最终每个位置的权重，即b11×c11，b12×c12……bmn×cmn(货架的位置为m行，n列)，如下表6所示。
表6
| b11×c11 | b12×c12 | b13×c13 | b14×c14 | b15×c15 |
| b2×c21 | b22×c22 | b23×c23 | b24×c24 | b25×c25 |
| b3×c31 | b32×c32 | b33×c33 | b34×c34 | b35×c35 |
| b41×c41 | b42×c42 | b43×c43 | b44×c44 | b45×c45 |
| b51c51 | b52×c52 | b53×c53 | b54×c54 | b55×c55 |
尝试将每件商品在不同位置进行陈列，即针对不同的位置排列，计算每件商品的销量与该位置的第三权重的加权和，并计算出不同的位置排列的加权和的最大值，此时的位置排列，即为优化后的商品的位置。如下表7所示其中，hb(1)、hb(2)、…、hb(25)分别为商品的销量。
根据表7可以看出第1行第1列的商品可以放在第4行第2列中，即第4行第2列为该商品优化后的位置。
表7
本发明实施例的方法，通过线下数据分析结果调整商品在货架上的陈列位置来提高商品销量。
本实施例的方法，根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重，即确定商品的陈列为对其销量的影响；根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；进一步的，根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的商品的位置，即能够确定出在保证所有商品的总销量最大的情况下的各个商品的位置。
在上述实施例的基础上，可选的，步骤201可以采用如下方式实现：
根据各个位置上陈列的商品的历史销量数据，通过第一线性回归模型，确定各个位置对应的第一权重；第一线性回归模型的输入参数包括位置上陈列的商品的历史销量数据以及历史销量数据对应的第一时间信息，输出参数包括：位置对应的第一权重。
具体的，可以采用线性回归模型确定各个位置对应的第一权重，第一线性回归模型的输入参数包括位置上陈列的商品的历史销量数据以及历史销量数据对应的第一时间信息，例如历史销量数据为周销量，则第一时间信息包括的时长为一周。
进一步的，第一线性回归模型的输入参数还包括：货架所在地区的用户画像数据。
具体的，为了更准确的确定货架各个位置的第一权重，第一线性回归模型的输入参数还可以包括：货架所在地区的用户画像数据。即考虑用户画像数据，来更准确的确定货架各个位置的第一权重。例如用户的男女比例构成，以及平均身高，考虑用户伸手时的上限和下限位置，从而最终确定各个位置的第一权重。
进一步的，根据各个位置上陈列的商品的历史销量数据，通过第一线性回归模型，确定各个位置对应的第一权重，具体可以通过如下方式实现：
根据如下公式(1)的损失函数，确定所述损失函数在最小值时的第一线性回归模型的系数；
其中，ha(i，j)为所述第一线性回归模型，m为所述货架的行数，n为所述货架的列数，y(i,j)表示位置(i,j)对应的第一权重，分别表示所述第一线性回归模型的输入参数，a0、a1、…、ak分别为所述第一线性回归模型的系数，k为大于1的整数，k为所述第一线性回归模型的输入参数的个数；
根据各个所述位置上陈列的商品的历史销量数据以及所述历史销量数据对应的第一时间信息，通过所述第一线性回归模型，确定各个所述位置对应的第一权重。
具体的，通过货架的各个位置上陈列的商品的历史销量数据，找到最热销的黄金位置。
勾第一线性回归模型，假设k＝2，x1(i，j)可以为历史销量数据，x2 (i，j)可以为第一时间信息，如时长。假设k＝3，x1(i，j)可以为历史销量数据，x2 (i，j)可以为第一时间信息，如时长，x3 (i，j)为货架所在地区的用户画像数据。
根据历史销量数据来确定位置对应的第一权重，第一权重越大，则说明该位置的销量越大。
损失函数：
目标：找到损失函数的最小值时，第一线性回归模型的系数，即a0、a1、…、ak的值。
a0、a1、…、ak的初始值，可以为任意值，例如均为0。
利用梯度下降算法，不停的更改a0、a1、…、ak的取值，直至如下的公式收敛。
α是学习速率，可以通过调整α的大小来确定梯度下降每次迭代的步长。
最终根据计算出的系数可以确定该第一线性回归模型，根据历史销量数据和时间，可以推算出货架上销量高的位置，并给每个位置一个第一权重。假设这个货架有m行，n列，每个位置都会获得一个位置的第一权重，即b11，b12......bmn，销量越高，第一权重越大，所有位置的第一权重之和(b11+b12+......+bmn)为1。
在上述实施例的基础上，可选的，步骤202可以采用如下方式实现：
根据各个位置上陈列的商品的属性信息，通过第二线性回归模型，预估各个位置上的商品的销量；第二线性回归模型的输入参数包括商品的属性信息以及商品的销量对应的第二时间信息，输出参数包括：商品的销量。
具体的，可以采用线性回归模型确定各个位置上的商品的销量，第二线性回归模型的输入参数包括商品的属性信息以及商品的销量对应的第二时间信息，例如待预估的商品的销量为周销量，则第二时间信息包括的时长为一周。
进一步的，根据各个所述位置上陈列的商品的属性信息，通过第二线性回归模型，预估各个所述位置上的商品的销量，具体可以通过如下方式实现：
根据如下公式(2)的损失函数，确定所述损失函数在最小值时的第二线性回归模型的系数；
其中，hb(i，j)为所述第二线性回归模型，m为所述货架的行数，n为所述货架的列数，v(i，j)表示位置(i，j)的销量，/>分别表示所述第二线性回归模型的输入参数，b0、b1、b2、…、bl分别为所述第二线性回归模型的系数，l为大于1的整数，l为所述第二线性回归模型的输入参数的个数；
根据各个所述位置上陈列的商品的属性信息以及所述第二时间信息，通过所述第二线性回归模型，预估各个所述位置上的商品的销量。
具体的，通过货架的各个位置上陈列的商品的属性信息，预估该商品的销量。
为第二线性回归模型，假设l＝15，/>分别可以指品牌、口味、类别、是否是系列产品、是否是新品、是否是季节限定商品、热量、容量、包装材料、包装颜色、包装颜色个数，标签、价格、毛利以及第二时间信息，如时长。
根据商品的属性信息来预估该商品的销量。
损失函数：
目标：找到损失函数的最小值时，第二线性回归模型的系数，即b0，b1，b2,…bl的值。
b0，b1，b2,…bl的初始值，可以为任意值，例如均为0。
利用梯度下降算法，不停的更改b0，b1，b2,…bl的取值，直至如下的公式收敛。
α是学习速率，可以通过调整α的大小来确定梯度下降每次迭代的步长。
通过梯度下降算法找到最优的第二线性回归模型的系数，即销量预估的第二线性回归模型，将各个位置的商品通过第二线性回归模型预估其销量。最终根据计算出的系数可以确定该第一线性回归模型，根据历史销量数据和时间，可以推算出货架上销量高的位置，并给每个位置一个第一权重。
假设5×5的货架，共有25个商品，分别计算出各商品对应的销量为hb(1)、hb(2)、...、hb(25)。
如图3所示，为货架上的商品位置示意，例如(1,1)表示第1行第1列位置，图4为优化后的商品位置示意，例如原第1行第2列位置的商品，优化后的位置为第1行第5列；原第1行第3列位置的商品，优化后的位置为第1行第6列。
本发明实施例的方法，利用机器学习模型确定商品在货架上的陈列位置对其销量的影响，从而在不改变选品的情况下，通过优化商品的位置来提高总销量，总利润。将店铺的数据(地理位置，客流量等)，与货架数据(类型，容纳量等)，以及商品数据(品牌，品类，口味等)相结合，全方位的探究不同商品的属性信息，以及不同特点的商品摆在货架的什么位置可以实现总利润最大化的目标。
图5为本发明提供的商品陈列位置的优化装置一实施例的结构图，如图5所示，本实施例的商品陈列位置的优化装置，包括：
第一确定模块501，用于根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重；
处理模块502，用于根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；
第二确定模块503，用于根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置。
可选的，还包括：
获取模块，用于对所述货架的图像进行识别，获取所述货架的各个位置上陈列的商品的属性信息。
可选的，第一确定模块501，具体用于：
根据各个所述位置上陈列的商品的历史销量数据，通过第一线性回归模型，确定各个所述位置对应的第一权重；所述第一线性回归模型的输入参数包括所述位置上陈列的商品的历史销量数据以及所述历史销量数据对应的第一时间信息，输出参数包括：所述位置对应的第一权重。
可选的，所述第一线性回归模型的输入参数还包括：所述货架所在地区的用户画像数据。
可选的，第一确定模块501，具体用于：
根据如下公式(1)的损失函数，确定所述损失函数在最小值时的第一线性回归模型的系数；
其中，ha(i，j)＝a0+a1x1 (i，j)+…+akxk (i，j)，ha(i，j)为所述第一线性回归模型，m为所述货架的行数，n为所述货架的列数，y(i，j)表示位置(i，j)对应的第一权重，x1 (i，j)、...、xk (i ，j)分别表示所述第一线性回归模型的输入参数，a0、a1、…、ak分别为所述第一线性回归模型的系数，k为大于1的整数，k为所述第一线性回归模型的输入参数的个数；
根据各个所述位置上陈列的商品的历史销量数据以及所述历史销量数据对应的第一时间信息，通过所述第一线性回归模型，确定各个所述位置对应的第一权重。
可选的，处理模块502，具体用于：
根据各个所述位置上陈列的商品的属性信息，通过第二线性回归模型，预估各个所述位置上的商品的销量；所述第二线性回归模型的输入参数包括所述商品的属性信息以及所述商品的销量对应的第二时间信息，输出参数包括：所述商品的销量。
可选的，处理模块502，具体用于：
根据如下公式(2)的损失函数，确定所述损失函数在最小值时的第二线性回归模型的系数；
其中，hb(i，j)为所述第二线性回归模型，m为所述货架的行数，n为所述货架的列数，y(i，j)表示位置(i，j)的销量，x1(i，j)、x2(i，j)、…、xl(i，j)分别表示所述第二线性回归模型的输入参数，b0、b1、b2、…、bl分别为所述第二线性回归模型的系数，l为大于1的整数，l为所述第二线性回归模型的输入参数的个数；
根据各个所述位置上陈列的商品的属性信息以及所述第二时间信息，通过所述第二线性回归模型，预估各个所述位置上的商品的销量。
可选的，第二确定模块503，具体用于：
根据预估的各个所述位置上的商品的销量以及各个所述位置对应的第一权重，确定不同的位置排列下所有商品的销量的最大值；
将所述最大值对应的各个商品的位置为优化后的各个商品的位置。
可选的，第二确定模块503，具体用于：
针对不同的位置排列，计算预估的各个所述位置上的商品的销量以及所述商品陈列的位置对应的第一权重的加权和，确定所述加权和的最大值。
可选的，第一确定模块501，还用于：
根据所述货架所在地区的用户画像数据，确定各个所述位置对应的第二权重。
可选的，所述用户画像数据包括以下至少一项：用户的性别、年龄、身高、物品偏好、购买力、促销敏感度、性别比例、年龄分布、身高分布。
可选的，第二确定模块503，具体用于：
根据各个所述位置对应的第一权重和第二权重，确定各个所述位置对应的第三权重；
根据预估的各个所述位置上的商品的销量以及各个所述位置对应的第三权重，确定优化后的所述商品的位置。
可选的，所述商品的属性信息包括以下至少一项：同类商品数量、品牌、口味、类别、成分、热量、标签、包装颜色、包装材料、容量、保质期、价格、利润、销量，以及是否系列产品、新品、季节限定产品。
可选的，所述获取模块，还用于：
对获取到的各个所述位置上陈列的商品的属性信息进行预处理；所述预处理包括以下至少一项：缺失值填补或数据变换。
本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图6为本发明提供的电子设备实施例的结构图，如图6所示，该电子设备包括：
处理器601，以及，用于存储处理器601的可执行指令的存储器602。
可选的，还可以包括：通信接口603，用于与其他设备通信。
上述部件可以通过一条或多条总线进行通信。
其中，处理器601配置为经由执行所述可执行指令来执行前述方法实施例中对应的方法，其具体实施过程可以参见前述方法实施例，此处不再赘述。
本发明实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法实施例中对应的方法，其具体实施过程可以参见前述方法实施例，其实现原理和技术效果类似，此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种商品陈列位置的优化方法，其特征在于，包括：
根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重；
根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；
根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置；
所述根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重，包括：
根据各个所述位置上陈列的商品的历史销量数据，通过第一线性回归模型，确定各个所述位置对应的第一权重；所述第一线性回归模型的输入参数包括所述位置上陈列的商品的历史销量数据以及所述历史销量数据对应的第一时间信息，输出参数包括：所述位置对应的第一权重；
所述根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量，包括：
根据各个所述位置上陈列的商品的属性信息，通过第二线性回归模型，预估各个所述位置上的商品的销量；所述第二线性回归模型的输入参数包括所述商品的属性信息以及所述商品的销量对应的第二时间信息，输出参数包括：所述商品的销量；
所述根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置，包括：
根据预估的各个所述位置上的商品的销量以及各个所述位置对应的第一权重，确定不同的位置排列下所有商品的销量的最大值；
将所述最大值对应的各个商品的位置为优化后的各个商品的位置。
2.根据权利要求1所述的方法，其特征在于，所述根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重之前，还包括：
对所述货架的图像进行识别，获取所述货架的各个位置上陈列的商品的属性信息。
3.根据权利要求1所述的方法，其特征在于，所述第一线性回归模型的输入参数还包括：所述货架所在地区的用户画像数据。
4.根据权利要求1所述的方法，其特征在于，所述根据各个所述位置上陈列的商品的历史销量数据，通过第一线性回归模型，确定各个所述位置对应的第一权重，包括：
根据如下公式（1）的损失函数，确定所述损失函数在最小值时的第一线性回归模型的系数；
；（1）
其中，,/>为所述第一线性回归模型，/>为所述货架的行数，/>为所述货架的列数，/>表示位置/>对应的第一权重，/>分别表示所述第一线性回归模型的输入参数，a0、a1 、/>ak分别为所述第一线性回归模型的系数，k为大于1的整数，k为所述第一线性回归模型的输入参数的个数；
根据各个所述位置上陈列的商品的历史销量数据以及所述历史销量数据对应的第一时间信息，通过所述第一线性回归模型，确定各个所述位置对应的第一权重。
5.根据权利要求1所述的方法，其特征在于，所述根据各个所述位置上陈列的商品的属性信息，通过第二线性回归模型，预估各个所述位置上的商品的销量，包括：
根据如下公式（2）的损失函数，确定所述损失函数在最小值时的第二线性回归模型的系数；
；（2）
其中，,/>为所述第二线性回归模型，/>为所述货架的行数，/>为所述货架的列数，/>表示位置/>的销量，/>分别表示所述第二线性回归模型的输入参数，b0、 b1 、b2、/>分别为所述第二线性回归模型的系数，/>为大于1的整数，/>为所述第二线性回归模型的输入参数的个数；
根据各个所述位置上陈列的商品的属性信息以及所述第二时间信息，通过所述第二线性回归模型，预估各个所述位置上的商品的销量。
6.根据权利要求1所述的方法，其特征在于，所述根据预估的各个所述位置上的商品的销量以及各个所述位置对应的第一权重，确定不同位置排列下所有商品的销量的最大值，包括：
针对不同的位置排列，计算预估的各个所述位置上的商品的销量以及所述商品陈列的位置对应的第一权重的加权和，确定所述加权和的最大值。
7.根据权利要求1或2所述的方法，其特征在于，还包括：
根据所述货架所在地区的用户画像数据，确定各个所述位置对应的第二权重。
8.根据权利要求7所述的方法，其特征在于，
所述用户画像数据包括以下至少一项：用户的性别、年龄、身高、物品偏好、购买力、促销敏感度、性别比例、年龄分布、身高分布。
9.根据权利要求7所述的方法，其特征在于，所述根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置，包括：
根据各个所述位置对应的第一权重和第二权重，确定各个所述位置对应的第三权重；
根据预估的各个所述位置上的商品的销量以及各个所述位置对应的第三权重，确定优化后的所述商品的位置。
10.根据权利要求1或2所述的方法，其特征在于，所述商品的属性信息包括以下至少一项：同类商品数量、品牌、口味、类别、成分、热量、标签、包装颜色、包装材料、容量、保质期、价格、利润、销量，以及是否系列产品、新品、季节限定产品。
11.根据权利要求2所述的方法，其特征在于，所述获取所述货架的各个位置上陈列的商品的属性信息之后，还包括：
对获取到的各个所述位置上陈列的商品的属性信息进行预处理；所述预处理包括以下至少一项：缺失值填补或数据变换。
12.一种商品陈列位置的优化装置，其特征在于，包括：
第一确定模块，用于根据货架的各个位置上陈列的商品的历史销量数据，确定各个所述位置对应的第一权重；
处理模块，用于根据各个所述位置上陈列的商品的属性信息，预估各个所述位置上的商品的销量；
第二确定模块，用于根据各个所述位置对应的第一权重和所述商品的销量，确定优化后的所述商品的位置；
所述第一确定模块，还用于根据各个所述位置上陈列的商品的历史销量数据，通过第一线性回归模型，确定各个所述位置对应的第一权重；所述第一线性回归模型的输入参数包括所述位置上陈列的商品的历史销量数据以及所述历史销量数据对应的第一时间信息，输出参数包括：所述位置对应的第一权重；
所述处理模块，还用于根据各个所述位置上陈列的商品的属性信息，通过第二线性回归模型，预估各个所述位置上的商品的销量；所述第二线性回归模型的输入参数包括所述商品的属性信息以及所述商品的销量对应的第二时间信息，输出参数包括：所述商品的销量；
所述第二确定模块，具体用于根据预估的各个所述位置上的商品的销量以及各个所述位置对应的第一权重，确定不同的位置排列下所有商品的销量的最大值；将所述最大值对应的各个商品的位置为优化后的各个商品的位置。
13.一种计算机可读存储介质，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实现权利要求1-11任一项所述的方法。
14.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-11任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223552.1A CN111724188B (zh) | 2019-03-22 | 2019-03-22 | 商品陈列位置的优化方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223552.1A CN111724188B (zh) | 2019-03-22 | 2019-03-22 | 商品陈列位置的优化方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111724188A CN111724188A (zh) | 2020-09-29 |
| CN111724188B true CN111724188B (zh) | 2024-04-19 |
Family
ID=72563595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910223552.1A Active CN111724188B (zh) | 2019-03-22 | 2019-03-22 | 商品陈列位置的优化方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724188B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222705B (zh) * | 2021-05-21 | 2023-05-30 | 支付宝(杭州)信息技术有限公司 | 一种商品陈列优化方法、装置以及设备 |
| CN114493415A (zh) * | 2021-12-24 | 2022-05-13 | 北京齐蚁科技有限公司 | 商品平台控制方法、系统和可读存储介质 |
| CN116342169B (zh) * | 2023-05-26 | 2023-08-15 | 湖南云数信息科技有限公司 | 一种商品陈列位置确定方法及无人售货系统 |
| CN117152540B (zh) * | 2023-10-27 | 2024-01-09 | 浙江由由科技有限公司 | 考虑陈列位置、销量和分类精度的生鲜商品智能计价方法 |
| CN117350633B (zh) * | 2023-10-31 | 2024-09-24 | 深圳市环阳通信息技术有限公司 | 一种酒自动销售终端用库存补充预警系统 |
| CN117541152B (zh) * | 2023-11-14 | 2024-08-20 | 广州方舟信息科技有限公司 | 一种药品的摆位调整方法、装置、设备及存储介质 |
| CN117952673B (zh) * | 2024-03-27 | 2024-06-25 | 陕西黑石绿能能源科技有限公司 | 基于遗传算法的加氢站备件商品陈列方法及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002230127A (ja) * | 2001-02-02 | 2002-08-16 | Ajinomoto Co Inc | 棚割作成方法およびその装置 |
| CN102930264A (zh) * | 2012-09-29 | 2013-02-13 | 李炳华 | 基于图像识别技术的商品陈列信息采集分析系统及方法 |
| CN104517222A (zh) * | 2014-12-15 | 2015-04-15 | 小米科技有限责任公司 | 智能硬件商品的置顶展示方法及装置 |
| CN105184975A (zh) * | 2015-10-14 | 2015-12-23 | 微点（北京）文化传媒有限公司 | 自动售货机管理系统和管理方法 |
| KR20170024720A (ko) * | 2015-08-26 | 2017-03-08 | 에스케이플래닛 주식회사 | 사용자 장치, 서비스 제공 장치, pos 단말, 그를 포함하는 결제 시스템, 그의 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
| CN107515898A (zh) * | 2017-07-22 | 2017-12-26 | 复旦大学 | 基于数据多样性和任务多样性的轮胎企业销售预测方法 |
| CN108681918A (zh) * | 2018-05-07 | 2018-10-19 | 北京学之途网络科技有限公司 | 获取顾客停留时长与商品销量关系的方法、装置和系统 |
| 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 |
| CN108711021A (zh) * | 2018-04-25 | 2018-10-26 | 广州葵翼信息科技有限公司 | 一种自动售货柜的商品管理方法 |
| CN109086921A (zh) * | 2018-07-19 | 2018-12-25 | 北京极智嘉科技有限公司 | 货架位置调整方法、装置、计算机设备和存储介质 |
| CN109360022A (zh) * | 2018-10-15 | 2019-02-19 | 广东工业大学 | 一种基于数据挖掘的商场商品销量预测方法、装置及设备 |
| CN109447355A (zh) * | 2018-10-31 | 2019-03-08 | 网易无尾熊（杭州）科技有限公司 | 仓库货物的配送优化方法、装置、介质和计算设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140330741A1 (en) * | 2013-05-03 | 2014-11-06 | Iwona Bialynicka-Birula | Delivery estimate prediction and visualization system |
-
2019
- 2019-03-22 CN CN201910223552.1A patent/CN111724188B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002230127A (ja) * | 2001-02-02 | 2002-08-16 | Ajinomoto Co Inc | 棚割作成方法およびその装置 |
| CN102930264A (zh) * | 2012-09-29 | 2013-02-13 | 李炳华 | 基于图像识别技术的商品陈列信息采集分析系统及方法 |
| CN104517222A (zh) * | 2014-12-15 | 2015-04-15 | 小米科技有限责任公司 | 智能硬件商品的置顶展示方法及装置 |
| KR20170024720A (ko) * | 2015-08-26 | 2017-03-08 | 에스케이플래닛 주식회사 | 사용자 장치, 서비스 제공 장치, pos 단말, 그를 포함하는 결제 시스템, 그의 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| CN105184975A (zh) * | 2015-10-14 | 2015-12-23 | 微点（北京）文化传媒有限公司 | 自动售货机管理系统和管理方法 |
| CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
| 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 |
| CN107515898A (zh) * | 2017-07-22 | 2017-12-26 | 复旦大学 | 基于数据多样性和任务多样性的轮胎企业销售预测方法 |
| CN108711021A (zh) * | 2018-04-25 | 2018-10-26 | 广州葵翼信息科技有限公司 | 一种自动售货柜的商品管理方法 |
| CN108681918A (zh) * | 2018-05-07 | 2018-10-19 | 北京学之途网络科技有限公司 | 获取顾客停留时长与商品销量关系的方法、装置和系统 |
| CN109086921A (zh) * | 2018-07-19 | 2018-12-25 | 北京极智嘉科技有限公司 | 货架位置调整方法、装置、计算机设备和存储介质 |
| CN109360022A (zh) * | 2018-10-15 | 2019-02-19 | 广东工业大学 | 一种基于数据挖掘的商场商品销量预测方法、装置及设备 |
| CN109447355A (zh) * | 2018-10-31 | 2019-03-08 | 网易无尾熊（杭州）科技有限公司 | 仓库货物的配送优化方法、装置、介质和计算设备 |
Non-Patent Citations (3)
| Title |
|---|
| A study for optimizing the reading rate of RFID tagged cartons in palletizing process;Chiao-Tzu Huang等;IEEE;全文 * |
| 基于指数加权分位数回归预测的CPFR成本模型;戢守峰;黄英健;何家强;张川;;东北大学学报(自然科学版)(07);全文 * |
| 基于机器学习Xgboost模型解决商店商品销量预测的问题;赵一安;;通讯世界(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111724188A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111724188B (zh) | 商品陈列位置的优化方法、装置、设备和存储介质 | |
| US20150112762A1 (en) | Optimization of product assortments | |
| CN109993516A (zh) | 商品的信息处理方法、装置及系统 | |
| CN106651418A (zh) | 针对电商满减活动的凑单商品推荐的方法 | |
| US11205245B2 (en) | Method of improving visual recognition of an item and item display system | |
| JP7107222B2 (ja) | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム | |
| WO2005024689A1 (ja) | 消費者の購買行動分析方法及び装置 | |
| JP2009205365A (ja) | 商品の在庫管理および販売の最適化システム、その最適化方法、及びその最適化プログラム | |
| US11763229B2 (en) | Picking sequence optimization within a warehouse for an item list | |
| US11625434B2 (en) | Attribute node widgets in search results from an item graph | |
| US20210287275A1 (en) | Value based commodity selection | |
| US20240212022A1 (en) | Alternative Item Booster Service | |
| CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
| US20240161163A1 (en) | Query reformulations for an item graph | |
| CN109615460A (zh) | 凑单商品的选择方法和选择系统 | |
| CN113554457B (zh) | 适用于电商平台的智能海报生成方法、装置及存储介质 | |
| US20220108333A1 (en) | Providing search suggestions based on previous searches and conversions | |
| US20230109298A1 (en) | Accounting for variable dimensions of content items when positioning content items in a user interface having slots for displaying content items | |
| CN113554455B (zh) | 基于人工智能的店铺商品分析方法、装置及存储介质 | |
| CN113592539B (zh) | 基于人工智能的店铺订单趋势预测方法、装置及存储介质 | |
| CN110555752A (zh) | 个性化推荐方法、装置、电子设备及可读存储介质 | |
| US10311497B2 (en) | Server, analysis method and computer program product for analyzing recognition information and combination information | |
| JP6676993B2 (ja) | 情報提供装置、情報提供方法、及び、プログラム | |
| CN113643075B (zh) | 基于机器学习的智能海报生成方法、装置及存储介质 | |
| US20210256546A1 (en) | System and method for segmenting customers with mixed attribute types using a targeted clustering approach |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |