CN111815349B - 一种基于历史相似产品的服装销量趋势预测方法 - Google Patents
一种基于历史相似产品的服装销量趋势预测方法 Download PDFInfo
- Publication number
- CN111815349B CN111815349B CN202010467321.8A CN202010467321A CN111815349B CN 111815349 B CN111815349 B CN 111815349B CN 202010467321 A CN202010467321 A CN 202010467321A CN 111815349 B CN111815349 B CN 111815349B
- Authority
- CN
- China
- Prior art keywords
- sales
- curve
- season
- qty
- product
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于历史相似产品的服装销量趋势预测方法。本发明具体包括以下步骤:首先获取产品销售数据和节假日数据,然后对历史产品的销售曲线进行节假日处理,然后根据品类属性与销售档位计算历史同中类的均值线作为当季产品的销售基准线,结合当季已发生销售对销售基准线进行放缩,得到决策日未来一段时间的销售趋势预测曲线,然后对趋势线的预测值与真实值的衔接处进行gap修正,得到修正后的销售趋势预测曲线。本发明通过寻找历史相似产品的销售趋势线,预测当季产品未来一段时间的销售趋势,有利于企业进行销售目标管理、及时制定销售促销计划、及时对部分畅销商品进行追单,对于服装企业减少销售损失、降低经营成本具有重要作用。
Description
技术领域
本发明属于信息技术领域,具体涉及一种基于历史相似产品的服装销量趋势预测方法。
背景技术
随着当今互联网时代的快速发展,给传统服装行业的发展带来了新的机遇和挑战,计算机技术的不断发展能够为服装的销售预测提供强大的技术支持。服装商品的销售趋势不是一个简单的有规律的市场行为,是政策、经济、供应条件等多种因素共同作用的结果。利用有限的销售数据,对决策日未来一段时间的销售进行预测,除了预测未来一段时间的总销售外,未来的销售趋势同样重要,能够辅助服装企业进行决策,帮助企业做出合理的追单建议,对于服装企业减少销售损失、降低经营成本有着非常重要的指导意义。目前服装行业的销售预测,主要还是依靠人工经验,根据产品近一周或两周的销售情况,预测未来一段时间的总销量,预测对未来一段时间的销售趋势做的比较少。因此,本发明针对这一情况,提出基于历史相似产品的趋势预测方法,为企业决策提供合理依据。
发明内容
本发明的目的在于现有销售预测算法上的不足,提出一种基于历史相似产品的服装销量趋势预测方法,包括以下步骤:
步骤1:首先获取当季产品的销售数据,统计得到当季产品的日销售曲线;同时获取与当季对应的历史同季中历史产品的销售数据,统计得到历史产品的日销售曲线。
步骤2:由于每年农历节假日对应的日期可能不同,因此需要对历史产品的日销售曲线进行节假日调整,对历史产品的农历节假日进行日期平移,使历史产品的销售节假日附近的销售驼峰与当季节假日保持在同样的日期位置上。
具体操作如下:将相似产品农历节假日的日销售量安按照销售日期直接平移到当季产品农历节假日的日销售量上,平移天数记为n。进行平移之后,当季节假日平移反方向n天的值,使用销售曲线与平移方向相反的n天的值进行填充。
步骤3:在中类维度对商品根据当季累计销量进行排名,根据累计销售量将产品划分10个档位,将历史同季中同中类同销售档位的产品作为当季产品的历史相似产品,计算历史相似产品周销售曲线的均值,作为当季产品的销售基准线baseline;
步骤4:计算当季产品实际首销日期至决策日期的销售量总和,记为qty_sum;根据对应销售基准线baseline,计算与当季对应的首销日期至决策日期的销售量总和,记为baseline_qty;根据当季已发生销量总和qty_sum和销售基准线baseline的销售量总和baseline_qty,对决策日期后的销售基准线baseline′进行放缩,当季产品的趋势预测曲线的计算如下:
ratio=qty_sum/baseline_qty
qty_change=baseline′*ratio
其中ratio为缩放比例,qty_change放缩后的当季产品的趋势预测曲线。
步骤5:根据步骤4得到的决策日期未来一段时间的当季产品的趋势预测曲线,与决策日期前的实际周销售曲线进行拼接,从而得到一条完整的趋势预测曲线(其中曲线前半段表示真实销售);由于实际周销售曲线和趋势预测曲线拼接后,可能会存在预测第一周与实际最后一周的衔接处存在较大gap,若存在gap,则通过步骤6和步骤7对趋势预测曲线进行修正;
实际和预测的销售曲线拼接后,在衔接处可能会存在“陡升”或者“陡降”的现象,因此我们需要对衔接处进行修正;
步骤6:根据步骤4得到的放缩比例ratio对决策日期前的销售基准线baseline″利用同样的方式进行放缩,得到决策日期前的趋势预测曲线;
qty′_change=baseline″*ratio
其中,qty′_change放缩后的决策日期前的当季产品的趋势预测曲线;
步骤7:计算当季产品决策日期前4周真实销售总和week4_qty与趋势预测曲线总和qty′_change4的比值,记为修正倍率fix_ratio,根据修正倍率对步骤5获取的决策日期未来的趋势预测曲线进行修正:
fix_ratio=week4_qty/qty′_change4
qty_pred=fix_ratio*qty_change。
本发明有益效果:
本发明通过寻找历史相似产品的销售趋势线,并对历史的销售趋势进行节假日处理,预测当季产品未来一段时间的销售趋势,为企业提供了科学的可参考的销售目标,有利于企业进行销售目标管理、及时制定销售促销计划、及时对部分畅销商品进行追单,对于服装企业减少销售损失、降低经营成本具有重要作用。
附图说明
图1是本发明实施例采用该方法的具体流程图。
图2是本发明产品划分10个档位的示意图;
图3是本发明实施例中表格1中产品1对应的曲线图;
图4是本发明实施例中表格1中产品2对应的曲线图;
具体实施方式
下面结合附图、附表详细描述本发明,本发明的目的和效果将变得更加明显。本发明考虑到实际情况,根据历史销售数据和节假日数据,采用寻找历史相似产品的销售趋势线,并对历史的销售趋势进行节假日处理,预测当季产品未来一段时间的销售趋势,对于服装企业减少销售损失、降低经营成本具有重要作用。
如图1所示,一种基于历史相似产品的服装销量趋势预测方法,包括以下步骤:
步骤1:首先获取当季产品的销售数据,统计得到当季产品的日销售曲线;同时获取与当季对应的历史同季中历史产品的销售数据,统计得到历史产品的日销售曲线;
步骤2:由于每年农历节假日对应的日期可能不同,因此需要对历史产品的日销售曲线进行节假日调整,对历史产品的农历节假日进行日期平移,使历史产品的销售节假日附近的销售驼峰与当季节假日保持在同样的日期位置上;
具体操作如下:将相似产品农历节假日的日销售量安按照销售日期直接平移到当季产品农历节假日的日销售量上,平移天数记为n。进行平移之后,当季节假日平移反方向n天的值,使用销售曲线与平移方向相反的n天的值进行填充。
步骤3:在中类维度对商品根据当季累计销量进行排名,根据累计销售量将产品划分10个档位(如图2所示),将历史同季中同中类同销售档位的产品作为当季产品的历史相似产品,计算历史相似产品周销售曲线的均值,作为当季产品的销售基准线baseline;
步骤4:如表格1、图3和图4所示,计算当季产品实际首销日期至决策日期的销售量总和,记为qty_sum;根据对应销售基准线baseline,计算与当季对应的首销日期至决策日期的销售量总和,记为baseline_qty;根据当季已发生销量总和qty_sum和销售基准线baseline的销售量总和baseline_qty,对决策日期后的销售基准线baseline′进行放缩,当季产品的趋势预测曲线的计算如下:
ratio=qty_sum/baseline_qty
qty_change=baseline′*ratio
其中ratio为缩放比例,qty_change放缩后的当季产品的趋势预测曲线;
步骤5:根据步骤4得到的决策日期未来一段时间的当季产品的趋势预测曲线,与决策日期前的实际周销售曲线进行拼接,从而得到一条完整的趋势预测曲线;由于实际周销售曲线和趋势预测曲线拼接后,可能会存在预测第一周与实际最后一周的衔接处存在较大gap,若存在gap,则通过步骤6和步骤7对趋势预测曲线进行修正;
步骤6:根据步骤4得到的放缩比例ratio对决策日期前的销售基准线baseline″利用同样的方式进行放缩,得到决策日期前的趋势预测曲线;
qty′_change=baseline″*ratio
其中,qty′_change放缩后的决策日期前的当季产品的趋势预测曲线;
步骤7:计算当季产品决策日期前4周真实销售总和week4_qty与趋势预测曲线总和qty′_change4的比值,记为修正倍率fix_ratio,根据修正倍率对步骤5获取的决策日期未来的趋势预测曲线进行修正:
fix_ratio=week4_qty/qty′_change4
qty_pred=fix_ratio*qty_change。
所述的周销售曲线的均值:首先计算历史同季中同中类同销售档位的历史产品的日销售曲线,再通过日销售曲线计算周销售曲线,最后通过周销售曲线计算均值。
所述的实际周销售曲线通过步骤1所述的当季产品的日销售曲线获取;且所述的实际周销售曲线和趋势预测曲线根据时间顺序进行拼接。
产品表格1
本发明不仅局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其它多种具体实施方案实施本发明。因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,都落入本发明保护范围。
Claims (3)
1.一种基于历史相似产品的服装销量趋势预测方法,其特征在于,包括以下步骤:
步骤1:首先获取当季产品的销售数据,统计得到当季产品的日销售曲线;同时获取与当季对应的历史同季中历史产品的销售数据,统计得到历史产品的日销售曲线;
步骤2:由于每年农历节假日对应的日期可能不同,因此需要对历史产品的日销售曲线进行节假日调整,对历史产品的农历节假日进行日期平移,使历史产品的销售节假日附近的销售驼峰与当季节假日保持在同样的日期位置上;
步骤3:在中类维度对商品根据当季累计销量进行排名,根据累计销售量将产品划分10个档位,将历史同季中同中类同销售档位的产品作为当季产品的历史相似产品,计算历史相似产品周销售曲线的均值,作为当季产品的销售基准线baseline;
步骤4:计算当季产品实际首销日期至决策日期的销售量总和,记为qty_sum;根据对应销售基准线baseline,计算与当季对应的首销日期至决策日期的销售量总和,记为baseline_qty;根据当季已发生销量总和qty_sum和销售基准线baseline的销售量总和baseline_qty,对决策日期后的销售基准线baseline′进行放缩,当季产品的趋势预测曲线的计算如下:
ratio=qty_sum/baseline_qty
qty_change=baseline′*ratio
其中ratio为缩放比例,qty_change放缩后的当季产品的趋势预测曲线;
步骤5:根据步骤4得到的决策日期未来一段时间的当季产品的趋势预测曲线,与决策日期前的实际周销售曲线进行拼接,从而得到一条完整的趋势预测曲线;由于实际周销售曲线和趋势预测曲线拼接后,可能会存在预测第一周与实际最后一周的衔接处存在较大gap,若存在gap,则通过步骤6和步骤7对趋势预测曲线进行修正;
步骤6:根据步骤4得到的放缩比例ratio对决策日期前的销售基准线baseline″利用同样的方式进行放缩,得到决策日期前的趋势预测曲线;
qty′_change=baseline″*ratio
其中,qty′_change放缩后的决策日期前的当季产品的趋势预测曲线;
步骤7:计算当季产品决策日期前4周真实销售总和week4_qty与趋势预测曲线总和qty′_change4的比值,记为修正倍率fix_ratio,根据修正倍率对步骤5获取的决策日期未来的趋势预测曲线进行修正:
fix_ratio=week4_qty/qty′_change4
qty_pred=fix_ratio*qty_change。
2.根据权利要求1所述的一种基于历史相似产品的服装销量趋势预测方法,其特征在于所述的周销售曲线的均值:首先计算历史同季中同中类同销售档位的历史产品的日销售曲线,再通过日销售曲线计算周销售曲线,最后通过周销售曲线计算均值。
3.根据权利要求2所述的一种基于历史相似产品的服装销量趋势预测方法,其特征在于所述的实际周销售曲线通过步骤1所述的当季产品的日销售曲线获取;且所述的实际周销售曲线和趋势预测曲线根据时间顺序进行拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467321.8A CN111815349B (zh) | 2020-05-28 | 2020-05-28 | 一种基于历史相似产品的服装销量趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467321.8A CN111815349B (zh) | 2020-05-28 | 2020-05-28 | 一种基于历史相似产品的服装销量趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815349A CN111815349A (zh) | 2020-10-23 |
CN111815349B true CN111815349B (zh) | 2023-09-19 |
Family
ID=72848086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010467321.8A Active CN111815349B (zh) | 2020-05-28 | 2020-05-28 | 一种基于历史相似产品的服装销量趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815349B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112686713A (zh) * | 2021-01-21 | 2021-04-20 | 海澜智云科技有限公司 | 基于人工智能的服装销量预测方法、系统以及设备 |
CN112884524B (zh) * | 2021-03-12 | 2024-02-27 | 杉数科技(北京)有限公司 | 一种产品需求优化方法及装置 |
CN113269445B (zh) * | 2021-05-28 | 2024-01-19 | 杉数科技(北京)有限公司 | 一种产品的排产方法及装置 |
CN113554335B (zh) * | 2021-08-02 | 2022-05-10 | 南京邮电大学 | 一种基于大数据的生产计划方法 |
CN117436936B (zh) * | 2023-12-19 | 2024-05-17 | 湖南兴盛优选电子商务有限公司 | 基于销量预测与bom成品加工系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175804A (zh) * | 2019-05-30 | 2019-08-27 | 杭州弯流科技有限公司 | 一种基于机器学习的采购量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311455B2 (en) * | 2004-07-08 | 2019-06-04 | One Network Enterprises, Inc. | Computer program product and method for sales forecasting and adjusting a sales forecast |
-
2020
- 2020-05-28 CN CN202010467321.8A patent/CN111815349B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175804A (zh) * | 2019-05-30 | 2019-08-27 | 杭州弯流科技有限公司 | 一种基于机器学习的采购量预测方法 |
Non-Patent Citations (1)
Title |
---|
趋势和季节成分推测方法在鞋类商品市场需求量预测中的应用;辛东升;王美芳;马英华;刘辉;;西部皮革(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815349A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815349B (zh) | 一种基于历史相似产品的服装销量趋势预测方法 | |
US9311368B2 (en) | Slowly changing dimension attributes in extract, transform, load processes | |
Jackson et al. | Review of inventory control models: a classification based on methods of obtaining optimal control parameters | |
Aro-Gordon et al. | Review of modern inventory management techniques | |
Jauhari | Sustainable inventory management for a closed-loop supply chain with energy usage, imperfect production, and green investment | |
US20150052440A1 (en) | Real-time management of presentation delivery | |
Aro-Gordon et al. | Contemporary inventory management techniques: a conceptual investigation | |
US8239054B2 (en) | Manufacturing resource planning using a component management system | |
AU2015253599A1 (en) | Real time interactive prediction | |
US10896388B2 (en) | Systems and methods for business analytics management and modeling | |
Hsiao et al. | Vendor-managed inventory (VMI) deteriorating item model taking into account carbon emissions | |
CN116452340A (zh) | 一种投资管理方法、装置及储存介质 | |
Tallón-Ballesteros | The design of ERP intelligent sales management system | |
CN111815350B (zh) | 一种基于排序学习的商品热度排名方法 | |
Russman et al. | Integrating BI Information into ERP Processes-Describing Enablers | |
Akhramovich et al. | Lean manufacturing in Russia: Myth or reality? | |
Lyonnet et al. | A Push-Pull manufacturing strategy: analytical model in the screw cutting sector | |
Wang et al. | Investment Value Analysis of Immersive Entertainment Industry—Take Mango Supermedia Co., Ltd. as an example | |
Liu et al. | The Design of ERP Intelligent Sales Management System. | |
CN113342875B (zh) | 一种带钢卷取温度的修正因子获取方法及装置 | |
US20220245573A1 (en) | Risk-aware and strategy-adaptive consumption planning for process and manufacturing plants | |
Pierros et al. | Retail Demand Forecasting for 1 Million Products | |
Pierros et al. | and Ioannis Vlahavas D Intelligent Systems Lab, Aristotle University of Thessaloniki, 54154 Thessaloniki, Greece {ipierros, elefthenk, dimitriz, vlahavas}@ csd. auth. gr | |
JP5509649B2 (ja) | 処理順作成装置 | |
Li et al. | A real-time business intelligence system based on the ACP 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 |