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 PDFInfo
- 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
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
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):
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};
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):
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};
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):
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};
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);
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)
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)
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 |
-
2020
- 2020-05-28 CN CN202010468105.5A patent/CN111815350B/zh active Active
Patent Citations (4)
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)
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)
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 |