CN111768243A - 销量预测方法、预测模型构建方法、装置、设备及介质 - Google Patents
销量预测方法、预测模型构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111768243A CN111768243A CN202010618757.2A CN202010618757A CN111768243A CN 111768243 A CN111768243 A CN 111768243A CN 202010618757 A CN202010618757 A CN 202010618757A CN 111768243 A CN111768243 A CN 111768243A
- Authority
- CN
- China
- Prior art keywords
- commodity
- sales
- sample
- prediction model
- amount
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000004891 communication Methods 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
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013277 forecasting method 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
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种销量预测方法、预测模型构建方法、装置、设备及介质,其中,预测模型构建方法包括步骤:获取样品商品的推广费用;根据所述推广费用确定所述样品商品的展现量及点击量;至少根据所述展现量、所述点击量构建所述样品商品的预测模型。本申请能够根据商品的展现量、点击量构建销量的预测模型,进而根据销量的预测模型对目标商品的销量进行预测,进而便于决策人员根据目标商品的销量预测值作为决策。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种销量预测方法、预测模型构建方法、装置、设备及介质。
背景技术
当前,在各大电商平台,零售商需要花费很大一笔费用进行广告的投放,进行商品的推广,用来提高销量。
但是,零售商在对广告费投放进行决策的时候,基本上按照过去的经验来决定的,没有一个有效的工具来辅助决策,在这种情况下,业务决策人员并不知道广告对产品的销量准确的影响情况,进而导致投入的广告费用不能产生最优的回报,投资回报率低,甚至产生错误的广告投资。因此需要一个有用的决策辅助方法来指导业务人员进行电商平台广告费用的投放。
发明内容
有鉴于此,本发明的目的在于提供一种销量预测方法、预测模型构建方法、装置、设备及介质,以根据商品的展现量、点击量构建销量的预测模型,进而根据销量的预测模型对目标商品的销量进行预测,进而便于决策人员根据目标商品的销量预测值作为决策。
本申请第一方面公开一种预测模型构建方法,所述方法包括步骤:
获取样品商品的推广费用;
根据所述推广费用确定所述样品商品的展现量及点击量;
至少根据所述展现量、所述点击量构建所述样品商品的预测模型。
在本申请第一方面中,通过样品商品的推广费用可确定样品商品的展现量和点击量,进而根据展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
在本申请第一方面中,作为一种可选的实施方式,所述推广费用包括所述样品商品所在门店的整体推广费用及所述样品商品的直接推广费用;
以及,所述根据所述推广费用确定所述样品商品的展现量及点击量,包括:
根据所述样品商品所在门店的整体推广费用确定所述展现量;
根据所述样品商品的直接推广费用确定所述点击量。
在本可选的实施方式中,可根据所述样品商品所在门店的整体推广费用确定所述展现量,且可根据所述样品商品的直接推广费用确定所述点击量,这样一来,就能够区分不同推广费用对销量的影响,进而能够构建更加精确的销量预测模型,进而能够根据销量预测模型对目标商品的销量进行更加精确地预测,从而便于决策人员根据目标商品的销量作出更加合理的决策。
在本申请第一方面中,作为一种可选的实施方式,在所述至少根据所述展现量、所述点击量构建所述样品商品的预测模型之前,所述方法还包括:
获取所述样品商品的回购量;
以及,所述至少根据所述展现量、所述点击量构建所述样品商品的预测模型,包括:
根据所述回购量、所述展现量、所述点击量构建所述样品商品的预测模型。
在本可选的实施方式中,通过获取样品商品的回购量并根据样品商品的回购量与样品商品的展现量、点击量可构建更加精确的销量预测模型,从而能够进一步提高目标商品的销量预测精确度。
在本申请第一方面中,作为一种可选的实施方式,所述根据所述回购量、所述展现量、所述点击量构建所述样品商品的预测模型,包括:
根据第一概率训练第一神经网络模型以确定所述第一神经网络模型中的影响商品销售的其他特征信息的权重,所述第一概率为所述展现量转化为购买的概率;
根据第二概率训练第二神经网络模型以确定所述第二神经网络模型中的影响商品销售的其他特征信息的权重,所述第二概率为所述点击量转化为购买的概率;
根据所述回购量训练第三神经网络模型以确定所述第三神经网络模型中的影响商品销售的其他特征信息的权重;
根据训练后的所述第一神经网络模型、训练后的所述第二神经网络模型、训练后的所述第三神经网络模型、所述展现量、所述点击量构建所述样品商品的预测模型。
在本可选的实施方式,分别根据第一概率、第二概率、回购量可训练第一神经网络模型、第二神经网络模型、第三神经网络模型进而确定第一神经网络模型中的影响商品销售的其他特征信息的权重、第二神经网络模型中的影响商品销售的其他特征信息的权重、第二神经网络模型中的影响商品销售的其他特征信息的权重,这样一来,就能够提高销量预测模型的预测精确度。
在本申请第一方面中,作为一种可选的实施方式,所述预测模型为Y=DNN1(X)*A+DNN2(X)*B+DNN3(X),其中,Y表示所述样品商品的销量,A表示整体推广费用、DNN1(X)表示所述第一神经网络模型,B表示直接推广费用,DNN2(X)表示第二神经网络模型,DNN3(X)表示第三神经网络模型,X表示影响商品销售的其他特征信息。
在本可选的实施方式中,通过上述预测模型能够对目标商品的销量进行预测。
在本申请第一方面中,作为一种可选的实施方式所述影响商品销售的其他特征信息包括所述样品商品的品牌、所述样品商品的类别、所述样品商品的单位、所述样品商品的成本、所述样品商品的价格、所述样品商品的库存信息、所述样品商品的门店信息、天气信息、节假日信息。
在本可选的实施方式中,可将样品商品的多种属性作为第一神经网络模型、第二神经网络模型、第二神经网络模型作为指标,进而能够训练指标的权重。
本申请第二方面公开一种销量预测方法,所述方法包括步骤:
获取目标商品的属性;
至少将所述目标商品的属性输入根据权利要求1-6任一项所述构建方法构建的预测模型中,以通过所述预测模型输出所述目标商品的预测销量。
在本申请第二方面中,通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
本申请第三方面公开一种预测模型构建装置,所述构建装置包括:
第一获取模块,用于获取样品商品的推广费用;
确定模块,根据所述推广费用确定所述样品商品的展现量及点击量;
构建模块,用于至少根据所述展现量、所述点击量构建所述样品商品的预测模型。
在本申请第三方面中,预测模型构建装置通过执行预测模型构建方法,能够通过样品商品的推广费用可确定样品商品的展现量和点击量,进而根据展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
本申请第四方面公开一种预测模型构建设备,所述设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行本申请第一方面公开的预测模型构建方法。
在本申请第四方面中,预测模型构建设备通过执行预测模型构建方法,能够通过样品商品的推广费用可确定样品商品的展现量和点击量,进而根据展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
本申请第五方面公开一种介质,其上存储有计算机程序,所述计算机程序被处理器执行时,执行本申请的预测模型构建方法及销量预测方法。
在本申请第五方面中,介质通过执行预测模型构建方法,能够通过样品商品的推广费用可确定样品商品的展现量和点击量,进而根据展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
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
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的某些实施例,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是本申请实施例公开的一种预测模型构建方法的流程示意图;
图2是本申请实施例公开的一种销量预测方法的流程示意图;
图3是本申请实施例公开的一种预测模型构建装置的结构示意图;
图4是本申请实施例公开的一种销量预测装置的结构示意图;
图5是本申请实施例公开的一种预测模型构建设备的结构示意图;
图6是本申请实施例公开的一种销量预测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参阅图1,图1是本申请实施例公开的一种预测模型构建方法的流程示意图。如图1所示,该预测模型构建方法包括步骤:
101、获取样品商品的推广费用;
102、根据推广费用确定样品商品的展现量及点击量;
103、至少根据展现量、点击量构建样品商品的预测模型。
在本申请实施例中,展现量表征的是电商平台向消费者展现电商店铺的次数,例如,电商平台通过展现页面向消费者展示某个电商店铺的名称及主要销售的多种商品。
在本申请实施例中,点击量表征的是消费者在点击电商店铺链接或商品链接的总次数,例如,假设有19个消费个点击电商店铺链接,则该电商店铺的点击量为19。
可见,通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
在本申请实施例中,作为一种可选的实施方式,推广费用包括样品商品所在门店的整体推广费用及样品商品的直接推广费用。进一步可选地,步骤102:根据推广费用确定样品商品的展现量及点击量,包括:
根据样品商品所在门店的整体推广费用确定展现量;
根据样品商品的直接推广费用确定点击量。
在本申请实施例中,由于电商平台收取电商店铺的整体推广费用是根据电商店铺的展现量计算,而样品商品的直接推广费用根据点击量计算得到,因此根据样品商品所在门店的整体推广费用确定展现量,根据样品商品的直接推广费用确定点击量。
示例性,假设电商平台规定,每1000次展现量收取电商店铺的整体门店推广费1万元,每5000次点击量量收取电商店铺的直接推广费用5000元,则在电商平台的整体门店推广费的预算为1万元、直接推广费用为5000元时,可反向计算出展现量和点击量。
可见,本可选的实施方式通过样品商品的不同类型的推广费用,能够构建更加精确的销量预测模型,这样一来就能够根据销量预测模型对目标商品的销量进行更加精确地预测,从而便于决策人员根据目标商品的销量作出更加合理的决策。
在本申请实施例中,作为一种可选的实施方式,在步骤103:至少根据展现量、点击量构建样品商品的预测模型之前,该预测模型构建方法还包括步骤:
获取样品商品的回购量;
以及,步骤103:至少根据展现量、点击量构建样品商品的预测模型具体为:
根据回购量、展现量、点击量构建样品商品的预测模型。
在本可选的实施方式中,样品商品的回购量表示由上一次购买商品的消费者直接下单的数量,例如,在某活动上,上一次购买商品没有通过电商平台的推广页面或推广链接上购买商品,而是通过该电商店铺的店铺链接直接访问该电商店铺并下单,其中,假设有19个消费者通过店铺链接直接访问该电商店铺并下单,则该商品的回购量为19。
可见,由于进一步考虑了老顾客回购这一场景,进而通过获取样品商品的回购量并根据样品商品的回购量与样品商品的推广费用、展现量、点击量可构建更加精确的销量预测模型,从而能够进一步提高目标商品的销量预测精确度。
在本申请实施例中,作为一种可选的实施方式,步骤:根据回购量、展现量、点击量构建样品商品的预测模型,包括子步骤:
根据展现量训练第一神经网络模型以确定第一神经网络模型中的影响商品销售的其他特征信息的权重;
根据点击量训练第二神经网络模型以确定第二神经网络模型中的影响商品销售的其他特征信息的权重;
根据回购量训练第三神经网络模型以确定第三神经网络模型中的影响商品销售的其他特征信息的权重;
根据训练后的第一神经网络模型、训练后的第二神经网络模型、训练后的第三神经网络模型及样品商品的直接推广费用、样品商品所在门店的整体推广费用构建样品商品的预测模型。
在本可选的实施方式,分别根据样品商品(作为一个训练样本)的展现量、点击量、回购量可训练第一神经网络模型、第二神经网络模型、第三神经网络模型进而确定第一神经网络模型中的影响商品销售的其他特征信息的权重、第二神经网络模型中的影响商品销售的其他特征信息的权重、第二神经网络模型中的影响商品销售的其他特征信息的权重,这样一来,在模型的使用阶段,根据各项指标的权重预测第一概率、第二概率及回购量,从而预测商品的销量。
在本申请实施例中,作为一种可选的实施方式,预测模型为Y=DNN1(X)*A+DNN2(X)*B+DNN3(X),其中,Y表示样品商品的销量,A表示整体推广费用、DNN1(X)表示第一神经网络模型,B表示直接推广费用,DNN2(X)表示第二神经网络模型,DNN3(X)表示第三神经网络模型,X表示影响商品销售的其他特征信息。
在本可选的实施方式中,通过上述预测模型能够对目标商品的销量进行预测。
在本申请实施例中,作为一种可选的实施方式,影响商品销售的其他特征信息包括样品商品的品牌、样品商品的类别、样品商品的单位、样品商品的成本、样品商品的价格、样品商品的库存信息、样品商品的门店信息、天气信息、节假日信息。
在本可选的实施方式中,可将样品商品的多种属性作为第一神经网络模型、第二神经网络模型、第二神经网络模型的指标,这样一来就能够拟合多个样品商品的属性对商品销量的影响,从而确定商品的销量。
实施例二
请参阅图2,图2是本申请实施例公开的一种销量预测方法的流程示意图。如图2所示,该销量预测方法包括步骤:
201、获取目标商品的属性;
202、至少将目标商品的属性输入根据实施例一的预测模型构建方法构建的预测模型中,以通过预测模型输出目标商品的预测销量。
在本申请实施例中,通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
在本申请实施例中,作为一种可选的实施方式,在步骤202:之后,该销量预测方法还包括步骤:
将目标商品的预测销量与销量校验值比较,并根据比较结果修改预测模型的损失函数,具体地,如果,销量校验值大于目标商品的预测销量,则损失函数Loss=(Q-1)*(y-Y),否则,Loss=Q*(y–Y),其中,表示销量校验值,Y表示目标商品的预测销量,Q为分位数,可选地,该分位数Q可取值为0.8。
本可选的实施方式能够提供不同分位点的预测结果,确定不确定性范围,以进一步便于供业务人员参考并作出决策。
需要说明的是,预测模型还可以用于求解最优推广费用,例如,用户设定一个目标销量和相应的约束条件,进而该用户可利用预测模型求解最优推广费用。
示例性地,假设该用户设定一个目标销量x,且约束条件为T1<=A+B<=T2,a1<=A<=a2,b1<=B<=b2,其中T1、T2、a1、a2、b1、b2均是预设的阈值,A表示电商店铺的整体推广费,B表示商品的直接推广费用,进而可通过预测模型中的优化求解器求解最优A值、最优B值。、
在本可选的实施方式中,可选地,优化求解器可以是型号为“spicy”的优化求解器,也可以是型号为“Google OR”的优化求解器。
实施例三
请参阅图3,图3是本申请实施例公开的一种预测模型构建装置的结构示意图。如图3所示,该预测模型构建装置包括第一获取模块301、第二获取模块302、构建模块303,其中:
第一获取模块301,用于获取样品商品的推广费用;
确定模块302,根据推广费用确定样品商品的展现量及点击量;
构建模块303,用于至少根据展现量、点击量构建样品商品的预测模型。
在本申请实施例中,展现量表征的是电商平台向消费者展现电商店铺的次数,例如,电商平台通过展现页面向消费者展示某个电商店铺的名称及主要销售的多种商品。
在本申请实施例中,点击量表征的是消费者在点击电商店铺链接或商品链接的总次数,例如,假设有19个消费个点击电商店铺链接,则该电商店铺的点击量为19。
可见,通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
在本申请实施例中,作为一种可选的实施方式,推广费用包括样品商品所在门店的整体推广费用及样品商品的直接推广费用。进一步可选地,确定模块302执行根据推广费用确定样品商品的展现量及点击量的具体方式为:
根据样品商品所在门店的整体推广费用确定展现量;
根据样品商品的直接推广费用确定点击量。
在本申请实施例中,由于电商平台收取电商店铺的整体推广费用是根据电商店铺的展现量计算,而样品商品的直接推广费用根据点击量计算得到,因此根据样品商品所在门店的整体推广费用确定展现量,根据样品商品的直接推广费用确定点击量。
示例性,假设电商平台规定,每1000次展现量收取电商店铺的整体门店推广费1万元,每5000次点击量量收取电商店铺的直接推广费用5000元,则在电商平台的整体门店推广费的预算为1万元、直接推广费用为5000元时,可反向计算出展现量和点击量。
可见,本可选的实施方式通过样品商品的不同类型的推广费用,能够构建更加精确的销量预测模型,这样一来就能够根据销量预测模型对目标商品的销量进行更加精确地预测,从而便于决策人员根据目标商品的销量作出更加合理的决策。
在本申请实施例中,作为一种可选的实施方式,该预测模型构建装置还包括第二获取模块,其中:
第二获取模块,用于获取样品商品的回购量;
以及,构建模块303执行至少根据展现量、点击量构建样品商品的预测模型的具体方式为:
根据回购量、展现量、点击量构建样品商品的预测模型。
在本可选的实施方式中,样品商品的回购量表示由上一次购买商品的消费者直接下单的数量,例如,在某活动上,上一次购买商品没有通过电商平台的推广页面或推广链接上购买商品,而是通过该电商店铺的店铺链接直接访问该电商店铺并下单,其中,假设有19个消费者通过店铺链接直接访问该电商店铺并下单,则该商品的回购量为19。
可见,由于进一步考虑了老顾客回购这一场景,进而通过获取样品商品的回购量并根据样品商品的回购量与样品商品的推广费用、展现量、点击量可构建更加精确的销量预测模型,从而能够进一步提高目标商品的销量预测精确度。
在本申请实施例中,作为一种可选的实施方式,构建模块303执行根据回购量、展现量、点击量构建样品商品的预测模型的具体方式为:
根据展现量训练第一神经网络模型以确定第一神经网络模型中的影响商品销售的其他特征信息的权重;
根据点击量训练第二神经网络模型以确定第二神经网络模型中的影响商品销售的其他特征信息的权重;
根据回购量训练第三神经网络模型以确定第三神经网络模型中的影响商品销售的其他特征信息的权重;
根据训练后的第一神经网络模型、训练后的第二神经网络模型、训练后的第三神经网络模型及样品商品的直接推广费用、样品商品所在门店的整体推广费用构建样品商品的预测模型。
在本可选的实施方式,分别根据样品商品(作为一个训练样本)的展现量、点击量、回购量可训练第一神经网络模型、第二神经网络模型、第三神经网络模型进而确定第一神经网络模型中的影响商品销售的其他特征信息的权重、第二神经网络模型中的影响商品销售的其他特征信息的权重、第二神经网络模型中的影响商品销售的其他特征信息的权重,这样一来,在模型的使用阶段,根据各项指标的权重预测第一概率、第二概率及回购量,从而预测商品的销量。
在本申请实施例中,作为一种可选的实施方式,预测模型为Y=DNN1(X)*A+DNN2(X)*B+DNN3(X),其中,Y表示样品商品的销量,A表示整体推广费用、DNN1(X)表示第一神经网络模型,B表示直接推广费用,DNN2(X)表示第二神经网络模型,DNN3(X)表示第三神经网络模型,X表示影响商品销售的其他特征信息。
在本可选的实施方式中,通过上述预测模型能够对目标商品的销量进行预测。
在本申请实施例中,作为一种可选的实施方式,影响商品销售的其他特征信息包括样品商品的品牌、样品商品的类别、样品商品的单位、样品商品的成本、样品商品的价格、样品商品的库存信息、样品商品的门店信息、天气信息、节假日信息。
在本可选的实施方式中,可将样品商品的多种属性作为第一神经网络模型、第二神经网络模型、第二神经网络模型的指标,这样一来就能够拟合多个样品商品的属性对商品销量的影响,从而确定商品的销量。
实施例四
请参阅图4,图4是本申请实施例公开的一种销量预测装置的结构示意图。如图4所示,该销量预测装置包括第三获取模块401、输入模块402,其中:
第三获取模块401,用于获取目标商品的属性;
输入模块402,用于至少将目标商品的属性输入根据实施例一的预测模型构建方法构建的预测模型中,以通过预测模型输出目标商品的预测销量。
在本申请实施例中,通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
在本申请实施例中,作为一种可选的实施方式,销量预测装置还包括比较模块,其中,比较模块用于将目标商品的预测销量与销量校验值比较,并根据比较结果修改预测模型的损失函数,具体地,如果,销量校验值大于目标商品的预测销量,则损失函数Loss=(Q-1)*(y-Y),否则,Loss=Q*(y–Y),其中,表示销量校验值,Y表示目标商品的预测销量,Q为分位数,可选地,该分位数Q可取值为0.8。
本可选的实施方式能够提供不同分位点的预测结果,确定不确定性范围,以进一步便于供业务人员参考并作出决策。
需要说明的是,预测模型还可以用于求解最优推广费用,例如,用户设定一个目标销量和相应的约束条件,进而该用户可利用预测模型求解最优推广费用。
示例性地,假设该用户设定一个目标销量x,且约束条件为T1<=A+B<=T2,a1<=A<=a2,b1<=B<=b2,其中T1、T2、a1、a2、b1、b2均是预设的阈值,A表示电商店铺的整体推广费,B表示商品的直接推广费用,进而可通过预测模型中的优化求解器求解最优A值、最优B值。、
在本可选的实施方式中,可选地,优化求解器可以是型号为“spicy”的优化求解器,也可以是型号为“Google OR”的优化求解器。
实施例五
请参阅图5,图5是本申请实施例公开的一种预测模型构建设备的结构示意图。如图5所示,该预测模型构建设备包括:
存储有可执行程序代码的存储器501;
与存储器耦合的处理器502;
处理器502调用存储器501中存储的可执行程序代码,执行如本申请实施例一公开的预测模型构建方法。
在本申请实施例中,预测模型构建设备通过执行预测模型构建方法,能够通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
实施例六
请参阅图6,图6是本申请实施例公开的一种销量预测设备的结构示意图。如图6所示,该销量预测设备包括:
存储有可执行程序代码的存储器601;
与存储器耦合的处理器602;
处理器602调用存储器601中存储的可执行程序代码,执行如本申请实施例二公开的销量预测方法。
在本申请实施例中,销量预测设备通过执行销量预测方法,能够通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
实施例七
本申请实施例公开一种介质,其上存储有计算机程序,计算机程序被处理器执行时,执行本申请的预测模型构建方法及销量预测方法。
在本申请实施例中,介质通过执行预测模型构建方法和销量预测方法,能够通过样品商品的展现量及点击量可构建样品商品的预测模型,进而可将样品商品的预测模型应用于对目标商品的销量预测上,其中,目标商品的属性作为销量预测模型的输入,销量预测模型根据目标商品的属性输出目标商品的销量,这样一来,决策人员就能够根据目标商品的销量作出更加合理的决策。
在本发明所提供的实施例中,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,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。
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。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,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以权利要求的保护范围为准。
Claims (10)
1.一种预测模型构建方法,其特征在于,所述方法包括:
获取样品商品的推广费用;
根据所述推广费用确定所述样品商品的展现量及点击量;
至少根据所述展现量、所述点击量构建所述样品商品的预测模型。
2.如权利要求1所述的构建方法,其特征在于,所述推广费用包括所述样品商品所在门店的整体推广费用及所述样品商品的直接推广费用;
以及,所述根据所述推广费用确定所述样品商品的展现量及点击量,包括:
根据所述样品商品所在门店的整体推广费用确定所述展现量;
根据所述样品商品的直接推广费用确定所述点击量。
3.如权利要求2所述的构建方法,其特征在于,在所述至少根据所述展现量、所述点击量构建所述样品商品的预测模型之前,所述方法还包括:
获取所述样品商品的回购量;
以及,所述至少根据所述展现量、所述点击量构建所述样品商品的预测模型,包括:
根据所述回购量、所述展现量、所述点击量构建所述样品商品的预测模型。
4.如权利要求3所述的构建方法,其特征在于,所述根据所述回购量、所述展现量、所述点击量构建所述样品商品的预测模型,包括:
根据第一概率训练第一神经网络模型以确定所述第一神经网络模型中的影响商品销售的其他特征信息的权重,所述第一概率为所述展现量转化为购买的概率;
根据第二概率训练第二神经网络模型以确定所述第二神经网络模型中的影响商品销售的其他特征信息的权重,所述第二概率为所述点击量转化为购买的概率;
根据所述回购量训练第三神经网络模型以确定所述第三神经网络模型中的影响商品销售的其他特征信息的权重;
根据训练后的所述第一神经网络模型、训练后的所述第二神经网络模型、训练后的所述第三神经网络模型、所述展现量、所述点击量构建所述样品商品的预测模型。
5.如权利要求4所述的构建方法,其特征在于,所述预测模型为Y=DNN1(X)*A+DNN2(X)*B+DNN3(X),其中,Y表示所述样品商品的销量,A表示整体推广费用、DNN1(X)表示所述第一神经网络模型,B表示直接推广费用,DNN2(X)表示第二神经网络模型,DNN3(X)表示第三神经网络模型,X表示影响商品销售的其他特征信息。
6.如权利要求4所述的方法,其特征在于,所述影响商品销售的其他特征信息包括所述样品商品的品牌、所述样品商品的类别、所述样品商品的单位、所述样品商品的成本、所述样品商品的价格、所述样品商品的库存信息、所述样品商品的门店信息、天气信息、节假日信息。
7.一种销量预测方法,其特征在于,所述方法包括:
获取目标商品的属性;
至少将所述目标商品的属性输入根据权利要求1-6任一项所述预测模型构建方法构建的预测模型中,以通过所述预测模型输出所述目标商品的预测销量。
8.一种预测模型构建装置,其特征在于,所述构建装置包括:
第一获取模块,用于获取样品商品的推广费用;
确定模块,根据所述推广费用确定所述样品商品的展现量及点击量;
构建模块,用于至少根据所述展现量、所述点击量构建所述样品商品的预测模型。
9.一种预测模型构建设备,其特征在于,所述设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求3至8中任一项所述的预测模型构建方法。
10.一种介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时,执行如权利要求1至6中任一项所述的预测模型构建方法及如权利要求7所述的销量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618757.2A CN111768243A (zh) | 2020-06-30 | 2020-06-30 | 销量预测方法、预测模型构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618757.2A CN111768243A (zh) | 2020-06-30 | 2020-06-30 | 销量预测方法、预测模型构建方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111768243A true CN111768243A (zh) | 2020-10-13 |
Family
ID=72724308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618757.2A Pending CN111768243A (zh) | 2020-06-30 | 2020-06-30 | 销量预测方法、预测模型构建方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768243A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706214A (zh) * | 2021-09-02 | 2021-11-26 | 武汉卓尔数字传媒科技有限公司 | 一种数据处理方法、装置和电子设备 |
CN113744018A (zh) * | 2020-11-23 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 物品信息推送方法及装置、计算机可存储介质 |
CN114418651A (zh) * | 2022-01-26 | 2022-04-29 | 北京数智新天信息技术咨询有限公司 | 一种智能推广决策方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110055003A1 (en) * | 2009-08-31 | 2011-03-03 | Yahoo! Inc. | Budget-influenced ranking and pricing in sponsored search |
CN106033583A (zh) * | 2016-05-18 | 2016-10-19 | 杭州算子科技有限公司 | 一种应用于电子商务的广告竞价排名方法和系统 |
CN107909404A (zh) * | 2017-11-15 | 2018-04-13 | 深圳市金立通信设备有限公司 | 预估转化率确定方法、广告需求方平台及计算机可读介质 |
WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN108241675A (zh) * | 2016-12-26 | 2018-07-03 | 北京国双科技有限公司 | 数据处理方法及装置 |
CN108256893A (zh) * | 2016-12-29 | 2018-07-06 | 北京国双科技有限公司 | 广告投放效果的分析方法及装置 |
CN108280684A (zh) * | 2018-01-19 | 2018-07-13 | 北京达佳互联信息技术有限公司 | 广告竞价方法、系统及服务器 |
CN109961299A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 数据分析的方法和装置 |
CN110838022A (zh) * | 2019-10-15 | 2020-02-25 | 北京三快在线科技有限公司 | 广告调价方法、装置、电子设备和计算机可读介质 |
CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
-
2020
- 2020-06-30 CN CN202010618757.2A patent/CN111768243A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110055003A1 (en) * | 2009-08-31 | 2011-03-03 | Yahoo! Inc. | Budget-influenced ranking and pricing in sponsored search |
CN106033583A (zh) * | 2016-05-18 | 2016-10-19 | 杭州算子科技有限公司 | 一种应用于电子商务的广告竞价排名方法和系统 |
WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN108241675A (zh) * | 2016-12-26 | 2018-07-03 | 北京国双科技有限公司 | 数据处理方法及装置 |
CN108256893A (zh) * | 2016-12-29 | 2018-07-06 | 北京国双科技有限公司 | 广告投放效果的分析方法及装置 |
CN107909404A (zh) * | 2017-11-15 | 2018-04-13 | 深圳市金立通信设备有限公司 | 预估转化率确定方法、广告需求方平台及计算机可读介质 |
CN109961299A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 数据分析的方法和装置 |
CN108280684A (zh) * | 2018-01-19 | 2018-07-13 | 北京达佳互联信息技术有限公司 | 广告竞价方法、系统及服务器 |
CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
CN110838022A (zh) * | 2019-10-15 | 2020-02-25 | 北京三快在线科技有限公司 | 广告调价方法、装置、电子设备和计算机可读介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744018A (zh) * | 2020-11-23 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 物品信息推送方法及装置、计算机可存储介质 |
WO2022105592A1 (zh) * | 2020-11-23 | 2022-05-27 | 北京沃东天骏信息技术有限公司 | 物品信息推送方法及装置、计算机可存储介质 |
CN113706214A (zh) * | 2021-09-02 | 2021-11-26 | 武汉卓尔数字传媒科技有限公司 | 一种数据处理方法、装置和电子设备 |
CN114418651A (zh) * | 2022-01-26 | 2022-04-29 | 北京数智新天信息技术咨询有限公司 | 一种智能推广决策方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210334844A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
US8738421B1 (en) | Driver moderator method for retail sales prediction | |
US20230018311A1 (en) | Systems and methods for quantity determinations without predicting out of stock events | |
AU2002353396B2 (en) | Sales optimization | |
CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
US10181138B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
CN111652653A (zh) | 价格确定及预测模型构建的方法、装置、设备及存储介质 | |
Gangurde et al. | Building prediction model using market basket analysis | |
Hamidy et al. | Implementation of Moving Average for Forecasting Inventory Data Using CodeIgniter | |
CN115860800A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
CN115147144A (zh) | 数据处理方法及电子设备 | |
Kulshrestha et al. | Study for the prediction of E-commerce business market growth using machine learning algorithm | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
KR102507411B1 (ko) | 광고 성과 보고서를 제공하는 방법 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
RU2480828C1 (ru) | Способ прогноза целевого показателя событий по неограниченному количеству характеристик | |
JPH11259564A (ja) | 販売予測支援システム | |
CN113421148A (zh) | 商品数据处理方法、装置、电子设备及计算机存储介质 | |
Ajay et al. | Analyzing and Predicting the Sales Forecasting using Modified Random Forest and Decision Tree Algorithm | |
CN113762993A (zh) | 数据处理方法、系统、装置、设备和存储介质 | |
CN116308466B (zh) | 数据信息采集与智能分析方法、系统、设备和存储介质 | |
CN113329058B (zh) | 一种数据推送方法、装置及存储介质 | |
CN112990955B (zh) | 收益预测方法、收益预测系统及图案化用户接口 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |