CN111815350A - 一种基于排序学习的商品热度排名方法 - Google Patents

一种基于排序学习的商品热度排名方法 Download PDF

Info

Publication number
CN111815350A
CN111815350A CN202010468105.5A CN202010468105A CN111815350A CN 111815350 A CN111815350 A CN 111815350A CN 202010468105 A CN202010468105 A CN 202010468105A CN 111815350 A CN111815350 A CN 111815350A
Authority
CN
China
Prior art keywords
store
sales
commodity
discount
season
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.)
Granted
Application number
CN202010468105.5A
Other languages
English (en)
Other versions
CN111815350B (zh
Inventor
王一君
陈灿
袁宇航
吴珊珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Lanzhong Data Technology Co ltd
Original Assignee
Hangzhou Lanzhong Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Lanzhong Data Technology Co ltd filed Critical Hangzhou Lanzhong Data Technology Co ltd
Priority to CN202010468105.5A priority Critical patent/CN111815350B/zh
Publication of CN111815350A publication Critical patent/CN111815350A/zh
Application granted granted Critical
Publication of CN111815350B publication Critical patent/CN111815350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application

Abstract

本发明公开了一种基于排序学习的商品热度排名方法，具体包括以下步骤：首先，计算往年同季商品去除供应、折扣等因素后的整季度销量作为历史真实热度；其次，计算往年同季商品在不同时期的销售表现，并使用排序学习的方法习得其与整季热度排名的关系；最后，计算当季商品的销售表现，使用训练得到的映射关系预测它们在当季的热度排名。本发明通过统计学习的方法，总结归纳历史商品某时期销售表现与整季销售热度关系，同时消除了供货策略与营销活动等因素的影响，反映了商品真实销售潜力，可为商品运营提供有力的参考。

Description

一种基于排序学习的商品热度排名方法
技术领域
本发明属于信息技术领域，具体涉及一种基于排序学习的商品热度排名方法。
背景技术
随着零售业的电子化普及，零售企业累积的数据越来越庞大，如何利用好这些数据，挖掘出其中的价值并指导企业运营，逐渐成为关键。其中，销量预测作为最直接有效的需求，其准确度与企业供应链优化带来的效益密切相关。但对于更新换代快的商品如服装来说，同一款商品的数据积累往往不足以支撑对未来整季销量做出预判。但同时，对商品做出定性分类对其潜力做出预判，又是商品运营中的关键，能保证将有限的运营资源投入到最有效的商品上。
排序学习最初被应用于文档检索中，通过表征文档的特性，预测其与检索词之间的相关性排序。在商品热度预测中，通过表征商品已有的销售表现，根据历史训练得到的映射关系，即可预测商品在未来的销售潜力排名。相较于回归的点预测，损失函数的优化目标直接与排名相关，放宽了对于点精度的要求，更注重于商品潜力的相对关系。因此，本发明针对这一情况，提出基于排序学习的商品热度排名方法，实现对商品相对潜力的快速预判。
发明内容
本发明的目的在于解决现有商品排序算法上的不足，提出一种基于排序学习的商品热度排名方法。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：首先获取历史同季门店商品订单表{Oi,j,t,o}，去除团购订单数据；其中，i表示不同商品，j表示不同门店，t表示不同日期，o表示不同订单；
步骤2：根据历史订单表{Oi,j,t,o}，计算同一商品在不同折扣下价格p-销量s的关系函数s＝f(p)，根据折扣、价格以及销量的关系(1)代入s＝f(p)简单变换即可得到折扣还原系数-折扣函数(2)：
Figure BDA0002513333350000021
a＝s0/f(d·p0)＝g(d) (2)
其中,p0表示商品原价，s0表示商品原价售卖销量；a表示折扣还原系数；d表示折扣；p表示折扣价格；g(d)用于表示折扣还原系数-折扣的关系函数,该关系函数通常为线性函数；
步骤3：根据历史订单表{Oi,j,t,o}，统计各门店所有商品累积订单数量{nj}；选取区域内订单数量最大的门店作为标准门店，计算标准门店与区域内各个门店的订单数量比例系数，得到各个门店的缩放系数{mj}；
Figure BDA0002513333350000022
其中，k代表不同区域的编号，rk代表k区域对应门店编号的集合；
步骤4：基于历史订单表{Oi,j,t,o}，计算每个订单中商品的折扣{di,j,t,o}，根据步骤2中得到的折扣还原系数-折扣的关系函数a＝g(d)，得到折扣还原系数{ai,j,t,o}，使用该折扣还原系数，对原始销量数据进行折扣还原，得到折扣还原后的订单销售记录{O'i,j,t,o}，折扣还原公式如下：
O'i,j,t,o＝ai,j,t,o·Oi,j,t,o (4)
步骤5：基于折扣还原后的销量记录{O'i,j,t,o}，使用各个门店的缩放系数{mj}，对销量记录{O'i,j,t,o}进行门店缩放，最终得到折扣还原与门店缩放后的订单记录{O”i,j,t,o}；最后，将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}；
O”i,j,t,o＝mj·O'i,j,t,o (5)
所述的将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}是指：统计同个商品在同一天同一家门店的多个订单的销量总和；
步骤6：获取历史同季每日门店商品日末库存表{ii,j,t}与每日门店商品销量表{si,j,t}；并对日末库存表{ii,j,t}和销量表{si,j,t}使用门店商品日期作为合并的键，进行outer join处理(外合并)；对缺失的销量或库存数据补0，去除日末库存与销量均为0的记录，得到历史每日门店商品库存-销量联合表{isi,j,t}；
步骤7：基于历史库存销量联合表{isi,j,t}，计算商品的店均周均销量，作为商品整季热度真实值{gti}，计算公式如下：
si,j,w＝mean({isi,j,t},t∈ww)·7
si,w＝mean({si,j,w})
gti＝mean({si,w}) (6)
其中，si,j,w表示商品门店周颗粒度的日均销量，si,w表示商品每周的店均销量，gti表示商品的店均周均销量；
步骤8：以历史库存销量联合表{isi,j,t}作为输入，整季热度真实值{gti}作为目标值，使用lambdaMART算法，训练出不同生命周期阶段T的排序模型hT(x；a)；
步骤9：获取当季的每日门店商品订单表以及日末库存表，重复步骤4-6，得到当季每日门店商品库存-销量联合表
Figure BDA0002513333350000031
步骤10：根据当季决策日期，选取历史上对应生命周期阶段T的已训练好的排序模型hT(x；a)，以当季每日门店商品库存-销量联合表
Figure BDA0002513333350000032
作为输入，排序模型输出得到当季商品整季热度的预测分值s，将预测分值按照降序排序即预测商品热度相对排名。
本发明有益效果：
本发明通过门店还原与折扣还原，去除了铺货等供应因素以及折扣等营销因素对于商品销量的影响，真实还原了商品的热度，保证了商品被公平对待，黑马款不被遗漏。同时，使用了排序学习训练映射关系，对商品整季的潜力进行预测，更科学地结合往年数据，做到了商品潜力预判更快更准更客观，让企业有限地商品运营资源运用到更需要的地方，有效提高企业营收。
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是本发明实施例采用该方法的结果展示图。
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，根据门店历史销售与库存数据，通过门店还原与折扣还原刻画真实热度，计算刻画销量表现的特征，使用排序学习的方式，训练出历史上销售特征与整季潜力的关系，再使用该函数关系与本季商品的销售特征，预测出本季商品的销售热度潜力排名，为后续商品运营决策提供有力参照。
如图1和2所示，一种基于排序学习的商品热度排名方法，包括以下步骤：
步骤1：首先获取历史同季门店商品订单表{Oi,j,t,o}，去除团购订单数据；其中，i表示不同商品，j表示不同门店，t表示不同日期，o表示不同订单；
步骤2：根据历史订单表{Oi,j,t,o}，计算同一商品在不同折扣下价格p-销量s的关系函数s＝f(p)，根据折扣、价格以及销量的关系(1)代入s＝f(p)简单变换即可得到折扣还原系数-折扣函数(2)：
Figure BDA0002513333350000041
a＝s0/f(d·p0)＝g(d) (2)
其中,p0表示商品原价，s0表示商品原价售卖销量；a表示折扣还原系数；d表示折扣；p表示折扣价格；g(d)用于表示折扣还原系数-折扣的关系函数,该关系函数通常为线性函数；
步骤3：根据历史订单表{Oi,j,t,o}，统计各门店所有商品累积订单数量{nj}；选取区域内订单数量最大的门店作为标准门店，计算标准门店与区域内各个门店的订单数量比例系数，得到各个门店的缩放系数{mj}；
Figure BDA0002513333350000042
其中，k代表不同区域的编号，rk代表k区域对应门店编号的集合；
步骤4：基于历史订单表{Oi,j,t,o}，计算每个订单中商品的折扣{di,j,t,o}，根据步骤2中得到的折扣还原系数-折扣的关系函数a＝g(d)，得到折扣还原系数{ai,j,t,o}，使用该折扣还原系数，对原始销量数据进行折扣还原，得到折扣还原后的订单销售记录{O'i,j,t,o}，折扣还原公式如下：
O'i,j,t,o＝ai,j,t,o·Oi,j,t,o (4)
步骤5：基于折扣还原后的销量记录{O'i,j,t,o}，使用各个门店的缩放系数{mj}，对销量记录{O'i,j,t,o}进行门店缩放，最终得到折扣还原与门店缩放后的订单记录{O”i,j,t,o}；最后，将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}；
O”i,j,t,o＝mj·O'i,j,t,o (5)
所述的将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}是指：统计同个商品在同一天同一家门店的多个订单的销量总和；
步骤6：获取历史同季每日门店商品日末库存表{ii,j,t}与每日门店商品销量表{si,j,t}；并对日末库存表{ii,j,t}和销量表{si,j,t}使用门店商品日期作为合并的键，进行outer join处理(外合并)；对缺失的销量或库存数据补0，去除日末库存与销量均为0的记录，得到历史每日门店商品库存-销量联合表{isi,j,t}；
步骤7：基于历史库存销量联合表{isi,j,t}，计算商品的店均周均销量，作为商品整季热度真实值{gti}，计算公式如下：
si,j,w＝mean({isi,j,t},t∈ww)·7
si,w＝mean({si,j,w})
gti＝mean({si,w}) (6)
其中，si,j,w表示商品门店周颗粒度的日均销量，si,w表示商品每周的店均销量，gti表示商品的店均周均销量；
步骤8：以历史库存销量联合表{isi,j,t}作为输入，整季热度真实值{gti}作为目标值，使用lambdaMART算法，训练出不同生命周期阶段T的排序模型hT(x；a)；
步骤9：获取当季的每日门店商品订单表以及日末库存表，重复步骤4-6，得到当季每日门店商品库存-销量联合表
Figure BDA0002513333350000061
步骤10：根据当季决策日期，选取历史上对应生命周期阶段T的已训练好的排序模型hT(x；a)，以当季每日门店商品库存-销量联合表
Figure BDA0002513333350000062
作为输入，排序模型输出得到当季商品整季热度的预测分值s，将预测分值按照降序排序即预测商品热度相对排名。
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 (1)

1.一种基于排序学习的商品热度排名方法，其特征在于包括以下步骤：
步骤1：首先获取历史同季门店商品订单表{Oi,j,t,o}，去除团购订单数据；其中，i表示不同商品，j表示不同门店，t表示不同日期，o表示不同订单；
步骤2：根据历史订单表{Oi,j,t,o}，计算同一商品在不同折扣下价格p-销量s的关系函数s＝f(p)，根据折扣、价格以及销量的关系(1)代入s＝f(p)简单变换即可得到折扣还原系数-折扣函数(2)：
Figure FDA0002513333340000011
a＝s0/f(d·p0)＝g(d) (2)
其中,p0表示商品原价，s0表示商品原价售卖销量；a表示折扣还原系数；d表示折扣；p表示折扣价格；g(d)用于表示折扣还原系数-折扣的关系函数,该关系函数通常为线性函数；
步骤3：根据历史订单表{Oi,j,t,o}，统计各门店所有商品累积订单数量{nj}；选取区域内订单数量最大的门店作为标准门店，计算标准门店与区域内各个门店的订单数量比例系数，得到各个门店的缩放系数{mj}；
Figure FDA0002513333340000012
其中，k代表不同区域的编号，rk代表k区域对应门店编号的集合；
步骤4：基于历史订单表{Oi,j,t,o}，计算每个订单中商品的折扣{di,j,t,o}，根据步骤2中得到的折扣还原系数-折扣的关系函数a＝g(d)，得到折扣还原系数{ai,j,t,o}，使用该折扣还原系数，对原始销量数据进行折扣还原，得到折扣还原后的订单销售记录{O'i,j,t,o}，折扣还原公式如下：
O'i,j,t,o＝ai,j,t,o·Oi,j,t,o (4)
步骤5：基于折扣还原后的销量记录{O'i,j,t,o}，使用各个门店的缩放系数{mj}，对销量记录{O'i,j,t,o}进行门店缩放，最终得到折扣还原与门店缩放后的订单记录{O”i,j,t,o}；最后，将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}；
O”i,j,t,o＝mj·O'i,j,t,o (5)
所述的将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}是指：统计同个商品在同一天同一家门店的多个订单的销量总和；
步骤6：获取历史同季每日门店商品日末库存表{ii,j,t}与每日门店商品销量表{si,j,t}；并对日末库存表{ii,j,t}和销量表{si,j,t}使用门店商品日期作为合并的键，进行outerjoin处理(外合并)；对缺失的销量或库存数据补0，去除日末库存与销量均为0的记录，得到历史每日门店商品库存-销量联合表{isi,j,t}；
步骤7：基于历史库存销量联合表{isi,j,t}，计算商品的店均周均销量，作为商品整季热度真实值{gti}，计算公式如下：
si,j,w＝mean({isi,j,t},t∈ww)·7
si,w＝mean({si,j,w})
gti＝mean({si,w}) (6)
其中，si,j,w表示商品门店周颗粒度的日均销量，si,w表示商品每周的店均销量，gti表示商品的店均周均销量；
步骤8：以历史库存销量联合表{isi,j,t}作为输入，整季热度真实值{gti}作为目标值，使用lambdaMART算法，训练出不同生命周期阶段T的排序模型hT(x；a)；
步骤9：获取当季的每日门店商品订单表以及日末库存表，重复步骤4-6，得到当季每日门店商品库存-销量联合表
Figure FDA0002513333340000021
步骤10：根据当季决策日期，选取历史上对应生命周期阶段T的已训练好的排序模型hT(x；a)，以当季每日门店商品库存-销量联合表
Figure FDA0002513333340000022
作为输入，排序模型输出得到当季商品整季热度的预测分值s，将预测分值按照降序排序即预测商品热度相对排名。
CN202010468105.5A 2020-05-28 2020-05-28 一种基于排序学习的商品热度排名方法 Active CN111815350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010468105.5A CN111815350B (zh) 2020-05-28 2020-05-28 一种基于排序学习的商品热度排名方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010468105.5A CN111815350B (zh) 2020-05-28 2020-05-28 一种基于排序学习的商品热度排名方法

Publications (2)

Publication Number Publication Date
CN111815350A true CN111815350A (zh) 2020-10-23
CN111815350B CN111815350B (zh) 2023-08-18

Family

ID=72848196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010468105.5A Active CN111815350B (zh) 2020-05-28 2020-05-28 一种基于排序学习的商品热度排名方法

Country Status (1)

Country Link
CN (1) CN111815350B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020042739A1 (en) * 2000-03-13 2002-04-11 Kannan Srinivasan Method and system for creating and administering internet marketing promotions
JP2004227480A (ja) * 2003-01-27 2004-08-12 Seiko Epson Corp 販売価格情報解析システムと販売価格情報解析プログラム
CN104217355A (zh) * 2014-09-11 2014-12-17 北京京东尚科信息技术有限公司 预测促销商品销量的方法和装置
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020042739A1 (en) * 2000-03-13 2002-04-11 Kannan Srinivasan Method and system for creating and administering internet marketing promotions
JP2004227480A (ja) * 2003-01-27 2004-08-12 Seiko Epson Corp 販売価格情報解析システムと販売価格情報解析プログラム
CN104217355A (zh) * 2014-09-11 2014-12-17 北京京东尚科信息技术有限公司 预测促销商品销量的方法和装置
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周上;黄章树;: "基于数据挖掘技术的超市商品定价研究", 科技和产业, no. 02 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN111815350B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Li et al. Attribution strategies and return on keyword investment in paid search advertising
Ahlemeyer-Stubbe et al. A practical guide to data mining for business and industry
US7873567B2 (en) Value and risk management system
US8694455B2 (en) Automated risk transfer system
US7062447B1 (en) Imputed variable generator
Bala Improving inventory performance with clustering based demand forecasts
US8396742B1 (en) System and method for optimizing paid search advertising campaigns based on natural search traffic
US20070083436A1 (en) Profit-and-loss management information presentation method, profit-and-loss management information presentation device, and profit-and-loss management information presentation process program
US20050144106A1 (en) Method of and system for defining and measuring the real options of a commercial enterprise
US20050251468A1 (en) Process management system
US20120290505A1 (en) Market value matrix
WO2017063092A1 (en) System and method for computational analysis of the potential relevance of digital data items to key performance indicators
CN113553540A (zh) 一种商品销量的预测方法
Fourie et al. Application of lean tools in the supply chain of a maintenance environment
US20230196235A1 (en) Systems and methods for providing machine learning of business operations and generating recommendations or actionable insights
JP2020149468A (ja) 商品管理システムおよび商品管理方法
KR20230122525A (ko) 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
Verma et al. Data mining: next generation challenges and futureDirections
CN111815350A (zh) 一种基于排序学习的商品热度排名方法
Chou et al. The RFM Model Analysis for VIP Customer: A case study of golf clothing brand
KR20230122524A (ko) 이커머스 솔루션의 구매, 판매,　재고,　물류,　유통,　정산 과정에서 발생하는　엔드 투 엔드 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR20230122523A (ko) Wms의 이커머스 물류 이동 프로세스에서 발생하는 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
CN114549035A (zh) 一种基于电信大数据的理财用户精准获客标签构建方法
Foss et al. Measurement of business inventories
Martins et al. Retail Sales Forecasting Information Systems: Comparison Between Traditional Methods and Machine Learning Algorithms

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