CN112017000A

CN112017000A - 一种商品信息推送方法、装置、设备及存储介质

Info

Publication number: CN112017000A
Application number: CN202010886757.0A
Authority: CN
Inventors: 张俊; 李昭
Original assignee: Hangzhou Pinjie Network Technology Co Ltd
Current assignee: Hangzhou Pinjie Network Technology Co Ltd
Priority date: 2020-08-28
Filing date: 2020-08-28
Publication date: 2020-12-01
Anticipated expiration: 2040-08-28
Also published as: CN112017000B

Abstract

本发明公开了一种商品信息推送方法、装置、设备及存储介质，该方法包括：确定目标供应商及目标区域，所述目标区域为所述目标供应商所在区域；预测所述目标区域内各商户的商品库存量，将各商品库存量分别与预先设定的商品库存阈值进行比对；从所述目标区域内各商户中选取目标商户，所述目标商户的商品库存量低于所述商品库存阈值；将所述目标供应商的商品信息，推送给所述目标商户。从而将商品库存量的预测与商品信息的推送相结合，能够把商品信息准确的推送至最需要的商户，有效节省商品信息推送所需的资源。

Description

一种商品信息推送方法、装置、设备及存储介质

技术领域

本发明涉及互联网数据处理技术领域，更具体地说，涉及一种商品信息推送方法、装置、设备及存储介质。

背景技术

对于提供给零售商户使用的订货平台app，如何提高app的商户活跃度以及提高商品销售总额是很重要的工作。在日常运营过程中，app经常会组织一些低于日常批发价格的商品团购活动等，用来刺激商户的订购量；而为了使得商户能够获知这些商品团购活动等，通常会将相应的商品信息推送给商户。但是这种方式在实现商品信息的推送时，通常是无区别的将商品信息推送给所有能够实现推送的商户，这通常会导致推送的大部分商品信息无法产生其所需产生的作用，且容易因推送过多商品信息导致资源浪费。

发明内容

本发明的目的是提供一种商品信息推送方法、装置、设备及存储介质，能够把商品信息准确的推送至最需要的商户，有效节省商品信息推送所需的资源。

为了实现上述目的，本发明提供如下技术方案：

一种商品信息推送方法，包括：

确定目标供应商及目标区域，所述目标区域为所述目标供应商所在区域；

预测所述目标区域内各商户的商品库存量，将各商品库存量分别与预先设定的商品库存阈值进行比对；

从所述目标区域内各商户中选取目标商户，所述目标商户的商品库存量低于所述商品库存阈值；

将所述目标供应商的商品信息，推送给所述目标商户。

优选的，预测所述目标区域内各商户的商品库存量，包括：

分别确定所述目标区域内各商户为第一商户；

获取所述第一商户当前对应各销量因素的值为输入量，利用预测模型基于该输入量得到相应输出量，确定该输出量为所述第一商户的日均销售量；其中，所述预测模型为利用训练集训练得到的，所述训练集包括所述目标区域内各商户历史上的日均销售量及对应各销量因素的值；

基于所述第一商户的日均销售量及最近一次购买的商品量，计算所述第一商户的商品库存量。

优选的，利用所述训练集训练得到所述预测模型之前，还包括：

对所述训练集中各日均销售量及对应各销量因素的值进行归一化处理；

利用预测模型基于该输入量得到相应输出量之前，还包括：

对所述输入量进行归一化处理；

确定该输出量为所述第一商户的日均销售量之前，还包括：

对所述输出量进行反归一化处理。

优选的，确定所述销量因素，包括：

初步筛选影响库存商品量的各因素；

对筛选出的各因素进行相关性分析及主成分分析，得到影响库存商品量的各主要因素为销量因素。

优选的，设定所述商品库存阈值，包括：

分别确定所述目标区域内各商户为目的商户；

计算所述目的商户对应的商品库存阈值，所述商品库存阈值为所述目的商户的日均销售量与最长进货天数的乘积，所述目的商户的最长进货天数为所述目的商户下单至接收到对应商品所需最长天数；

将各商品库存量分别与预先设定的商品库存阈值进行比对，包括：

将各商户的商品库存量与该商户对应的商品库存阈值进行比对。

优选的，确定选取的各商户均为目标商户之后，还包括：

向每个所述目标商户推送预警信息，以提醒所述目标商户购买商品。

优选的，所述销量因素包括当前所处的月份。

一种商品信息推送装置，包括：

确定模块，用于：确定目标供应商及目标区域，所述目标区域为所述目标供应商所在区域；

预测模块，用于：预测所述目标区域内各商户的商品库存量，将各商品库存量分别与预先设定的商品库存阈值进行比对；

选取模块，用于：从所述目标区域内各商户中选取目标商户，所述目标商户的商品库存量低于所述商品库存阈值；

推送模块，用于：将所述目标供应商的商品信息，推送给所述目标商户。

一种商品信息推送设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一项所述商品信息推送方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质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如上任一项所述商品信息推送方法的步骤。

本发明提供了一种商品信息推送方法、装置、设备及存储介质，该方法包括：确定目标供应商及目标区域，所述目标区域为所述目标供应商所在区域；预测所述目标区域内各商户的商品库存量，将各商品库存量分别与预先设定的商品库存阈值进行比对；从所述目标区域内各商户中选取目标商户，所述目标商户的商品库存量低于所述商品库存阈值；将所述目标供应商的商品信息，推送给所述目标商户。本申请在预测出区域内各商户的商品库存量后，确定商品库存量低于商品库存阈值的商户为需要实现商品信息推送的商户，进而将区域内供应商举行的商品团购活动或者其他优惠活动的商品的信息推送给确定出的商户；其中，商品库存量低于商品库存阈值则说明商品不足，很可能需要购买相应商品，因此本申请将需要推送的商品的信息推送给这些商品不足的商户，从而将商品库存量的预测与商品信息的推送相结合，能够把商品信息准确的推送至最需要的商户，有效节省商品信息推送所需的资源。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种商品信息推送方法的流程图；

图2为本发明实施例提供的一种商品信息推送方法中供应商与所在区域的示意图；

图3为本发明实施例提供的一种商品信息推送方法中供应商、商户、供应商所在区域及商户所在子区域的示意图；

图4为本发明实施例提供的一种商品信息推送方法中BP神经网络的结构示意图；

图5为本发明实施例提供的一种商品信息推送方法中预警信息的显示示意图；

图6为本发明实施例提供的一种商品信息推送方法中商品信息的显示示意图；

图7为本发明实施例提供的一种商品信息推送装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

请参阅图1，其示出了本发明实施例提供的一种商品信息推送方法的流程图，可以包括：

S11：确定目标供应商及目标区域，目标区域为目标供应商所在区域。

本发明实施例提供的一种商品信息推送方法的执行主体可以为对应的商品信息推送装置，而该商品信息推送装置可以设置于订货平台中，因此该商品信息推送方法的执行主体可以为订货平台，本申请以该商品信息推送方法的执行主体为订货平台进行具体说明。

因为运输成本是重要的利润影响因素，因此本申请基于各个供应商的地理位置进行地理区域的划分，从而得到与每个供应商所对应的区域。另外，在进行地理区域的划分时，具体为基于运输成本最低化考虑实现的，从而划分得到的各区域中，供应商实现所在区域内各商户的商品配送，相对于其他供应商实现该区域内各商户的商品配送，运输成本是最低的。本申请中目标供应商可以为任意一个供应商，而目标供应商所在区域则为按照上述方式实现地理区域的划分后所得区域。

S12：预测目标区域内各商户的商品库存量，将各商品库存量分别与预先设定的商品库存阈值进行比对。

由于一般的商户不可能有很大的仓库，且基于商品有效期的限制，商户也不可能订太多的货，特别是快消品；因此本申请中可以预测目标区域内各商户的商品库存量，进而将各商户的商品库存量分别与预先根据实际需要设定的商品库存阈值进行比对，如果任意一个商户的商品库存量低于商品库存阈值，则说明该任意一个商户的商品储存不足，需要进行商品补充，因此其购买商品的可能性比较大，相反，则说明该任意一个商户的商品储存还比较充足，不需要进行商品补充，因此其购买商品的可能性比较小；基于此，本申请选择将商品信息推送给购买商品的可能性比较大的商户，实现商品信息的针对性推送。

S13：从目标区域内各商户中选取目标商户，目标商户的商品库存量低于商品库存阈值。

根据商品库存量与商品库存阈值的比对，确定出商品库存量低于商品库存阈值的商户，并确定该商户则为需要实现商品信息的推送的商户。另外，对于目标区域内的各商户，如果将每个商户看做一个推送对象，则可以设置有包含推送对象列表，将商品库存数量不低于商品库存阈值的商户从推送对象列表中剔除，从而得到推送对象列表中剩余的推送对象，则为需要实现商品信息的推送的商户，从而基于推送对象列表，方便对于目标区域内各商户的管理等操作。

S14：将目标供应商的商品信息，推送给目标商户。

向目标商户推送相应的商品信息，商品信息可以包括目标供应商举行商品团购活动或者其他优惠互动的商品的信息，该信息可以包括对应商品的商品品牌、商品类别、商品型号、商品数量、商品单价等。另外，向目标商户推送商品信息具体可以是将目标商户的商户信息(可以包括商户名称、商户地理位置、商户终端等)发送至订货平台的服务器，服务器根据商户的商户信息向商户发送商品信息。

本申请在预测出区域内各商户的商品库存量后，确定商品库存量低于商品库存阈值的商户为需要实现商品信息推送的商户，进而将区域内供应商举行的商品团购活动或者其他优惠活动的商品的信息推送给确定出的商户；其中，商品库存量低于商品库存阈值则说明商品不足，很可能需要购买相应商品，因此本申请将需要推送的商品的信息推送给这些商品不足的商户，从而将商品库存量的预测与商品信息的推送相结合，能够把商品信息准确的推送至最需要的商户，有效节省商品信息推送所需的资源。

本发明实施例提供的一种商品信息推送方法，预测目标区域内各商户的商品库存量，可以包括：

分别确定目标区域内各商户为第一商户；

获取第一商户当前对应各销量因素的值为输入量，利用预测模型基于该输入量得到相应输出量，确定该输出量为第一商户的日均销售量；其中，预测模型为利用训练集训练得到的，训练集包括目标区域内各商户历史上的日均销售量及对应各销量因素的值；

基于第一商户的日均销售量及最近一次购买的商品量，计算第一商户的商品库存量。

本申请中可以建立一个预测日均销售量的预测模型，具体来说，可以获取区域内各商户过去一段时间内对应各销量因素的值以及该过去一段时间内的日均销售量，将获取的这些销量因素的值及对应的日均销售量加入至训练集中，从而利用训练集训练得到相应的预测模型；其中，预测模型具体可以采用BP神经网络。由于，在需要预测任意一个商户的日均销售量时，可以获取该任意一个商户当前对应各销量因素的值，然后将其输入至预测模型中，预测模型则可以输出对应的日均销售量，也即该任意一个商户的日均销售量；进而确定出该任意一个商户距离当前时刻最近一次购买商品的时间距离当前时间所经历的天数，利用该天数乘以该任意一个商户的日均销售量得到预测的已销售商品量，最后利用该任意一个商户距离当前时刻最近一次购买商品的商品量减去已销售商品量，所得结果则为该任意一个商户的商品库存量。可见，本申请通过建立的商品日均销售量的预测模型，预测商户的日均销售量，进而根据上次商户的购买的商品量，就可以预测出该商户的商品库存数量，从而能够实现商品库存量的有效准确的预测。

另外，销量因素可以包括当前所处的月份。

由此，在训练预测模型时则可以使用过去一年的十二个月内每个月区域内各商户对应各销量元素的值，及这十二个月内每个月各商户的日均销售量，进而在实现商户的日均销售量的预测时，输入至预测模型中的输入量也包括当前所处的月份，从而使得预测得到的日均销售量为当前所处月份的日均销售量，从而进一步提高日均销售量的预测准确度。

本发明实施例提供的一种商品信息推送方法，利用训练集训练得到预测模型之前，还可以包括：

对训练集中各日均销售量及对应各销量因素的值进行归一化处理；

利用预测模型基于该输入量得到相应输出量之前，还包括：

对输入量进行归一化处理；

确定该输出量为第一商户的日均销售量之前，还包括：

对输出量进行反归一化处理。

为了便于预测模型实现相应数据的分析，本申请中可以将训练集中各数据及利用预测模型实现日均销售量预测时输入至预测模型中的各数据进行降维处理；具体来说，本申请中的降维处理可以是归一化处理，对应的，为了得到日均销售量的准确数据，在得到预测模型输出的日均销售量后，还会对输出的日均销售量进行反归一化，从而得到正确的日均销售量。

本发明实施例提供的一种商品信息推送方法，确定销量因素，可以包括：

初步筛选影响库存商品量的各因素；

本申请可以通过人工初筛影响商户日均销售量的因素，包含但不限于商品品牌、商品类别、商品型号、商品数量、商品单价、商品品牌等级(比如饮用水品牌分级：A级:农夫山泉、怡宝；B级：百岁山、娃哈哈等)、销售时间(如所在的季节、月份，本申请中优选为月份)、商户所在子区域(商户周围一定区域)的人流等；采用相关性分析和主成分分析方法得到影响库存商品量的各主要因素为销量因素；从而通过这种方式实现销量因素的准确筛选。另外，对于相关性较高的多个因素，删除其中至少一个因素，而仅保留其中一个因素，以基于最少的因素有效实现相应的预测模型训练及日均销售量预测。

本发明实施例提供的一种商品信息推送方法，设定商品库存阈值，可以包括：

分别确定目标区域内各商户为目的商户；

计算目的商户对应的商品库存阈值，商品库存阈值为目的商户的日均销售量与最长进货天数的乘积，目的商户的最长进货天数为目的商户下单至接收到对应商品所需最长天数；

需要说明的是，为了使得商品库存阈值与相应的商户相对应，进而使得利用该商户的商品库存阈值能够有效准确的确定商品库存数量是否充足，本申请在将商品库存量与商品库存阈值进行比对时，具体是将任意一个商户的商品库存量与该任意一个商户的商品库存阈值进行比对；而计算该任意一个商户的商品库存阈值则可以是按照a＝日均销售量*最长进货天数d计算得到的，其中，最长进货天数d为该任意一个商户下单后到收到商品所用的可能的最长的天数，日均销售量为预测得到的该任意一个商户的日均销售量，a则为该任意一个商户的商品库存阈值。

本发明实施例提供的一种商品信息推送方法，确定选取的各商户均为目标商户之后，还可以包括：

向每个目标商户推送预警信息，以提醒目标商户购买商品。

本申请在向目标商户推送商品信息的同时，还会想目标商户推送商品库存量不足的预警信息，以提醒目标商户购买商品，从而能够进一步提高目标商户实现商品购买的可能性。另外，向目标商户发送的商品信息除了包括举行商品团购活动或者其他优惠互动的商品的信息外，还可以包括商品的优惠信息(如所打的折扣或者降低的价格等)、团购信息(团购需要的份数、团购能够优惠的价格等)等。

本申请提供的技术方案所针对的可以是任意一类商品(如饮料)或者任意一种商品(如可乐)或者任意一种型号的商品(如350ml的可乐)，对应的，本申请提供的技术方案所实现的每个步骤也均是针对该任意一类商品或者任意一种商品或者任意一种型号的商品而实现的，以任意一类商品进行说明，如目标供应商为提供该任意一个商品的供应商，预测的为目标区域内各商户的该任意一类商品的商品库存量，向目标商户推送的为该任意一类商品的商品信息等，其他步骤也是同理，在此不再赘述。比如，某款饮料的供应商想在订货平台上进行该款饮料的集中推销，其目标是希望更多的商户能够在这个供应商这里进货；基于运输成本的考虑，供应商希望购买其商品的商户仅仅在某区域之内，超过这一区域，便不具备预想的盈利空间；因此在设定该区域后，仅需要对该区域内各商户根据本申请公开的技术方案进行再次筛选，便可得到更加精确的目标商户；目标商户的管理人员(老板或店员)会同时收到库存提醒信息(比如：“您家的330ml灌装可口可乐快卖完了”)和推送的商品信息(“330ml灌装可口可乐，还可预定50箱，10元每箱，比上次进货便宜1快钱”)，或者是包含链接的信息——点击链接后以列表形式展示优惠的商品信息。收到信息后，商户便可直接下单订货，方便快捷，减少日常货物清点的时间。

在一种具体应用场景中，本发明实施例提供的一种商品信息推送方法可以包括：

S20:根据区域内所有商户历史的订单信息构建一个商品日均销售量的预测模型(具体可以为某个月的日均销售量)：

S201:根据商品提供方(供应商)的地理位置确定商户所在的区域范围(还可以基于运输成本最低化考虑确定区域)，如图2所示则为将地理区域划分为4个区域，且每个区域内包含有一个供应商(椭圆的实心点)的情况的示意图，；

S202：人工初筛影响商品日均销售量的因素，包含销售价格、商品品牌等级(比如饮用水品牌分级：A级:农夫山泉、怡宝；B级：百岁山、娃哈哈；等)、销售时间(如所在的季节、月份)，商户所在子区域的人流(如图3所示则为将地理区域划分为4个区域，每个区域内包含有一个供应商(椭圆的实心点)及两个商户(方形的实心点)，且每个供应商周围的空心椭圆为供应商的子区域，供应商与子区域一一对应)等；

S203:用相关性分析和主成分分析方法筛选影响日均销售量的主要因素：

通过对因素进行相关性分析，去除人工初筛的因素中相关性较高的因素中的至少任意一个；

通过主成分分析对经相关性分析后保留的因素进行降维处理；可选的，将训练集中各数据进行归一化处理，在使用预测模型得到输出量后，还需要对输出量进行反归一化处理才能得到日均销售量。

S204：以销量因素作为输入量，日均销售量作为输出量，构建预测模型；在某一个实施例中，预测模型为基于BP神经网络的预测模型。

S21：基于销量因素采用预测模型预测商品库存数量,销量因素包括但不限于商品品牌、商品类别、商品型号、商品数量、商品单价、销售时间等；

根据日均销售量预测模型预测某月目标区域内某商户的日均销售量，根据该商户的日均销售量和上次购买商品时间估算出已销售商品数量，商品库存数量等于上次该商品购买商品的数量减去已销售商品数量。

S22:根据商户商品库存数量确定商品信息推送的目标商户。

当商户库存数量小于商品库存阈值时，则将该商户设置为商品信息的推送对象；当a大于商品库存阈值时，则将该商户剔除出商品信息的推送对象列表。其中a＝日均销售量*最长进货天数d，最长进货天数d为商户下单后到收到货物的最长天数。

S23：向对象商户推送预警信息和商品信息。

以下针对一饮料D对本申请公开的技术方案进行详细说明，具体包括：

步骤一：根据区域内所有商户历史的订单信息构建饮料D日均销售量预测模型：

1、某线上快消品订货平台，商户可以在该订货平台上以批发价下单，快消品供应商在直接或间接接收到商户的订单信息后，可以进行发货。D饮料供应商为了增加某宝健身饮料D的销售量，推出了大酬宾活动，承诺平台客户下单总量达到10000箱后，每箱批发价降价5元，平台在综合考虑影响运输成本各因素的前提下，通过计算，决定将某供应商周边的Z区域中的客户初步确定为活动推广对象。

2、从历史订单数据库中调取Z区域内所有商户的D饮料的12个月的历史订单信息，并且按月份进行整理，根据历史每月订货量得出每个月份的日均销售量。

人工初筛影响D饮料日均销售量的因素，包含销售价格、商品品牌等级(D饮料品牌分级：A级)、销售时间(如所在的季节、月份)、商户所在子区域的人流等，收集这些因素的过去12个月的数据。

以日均销售量数据和人工初筛因素的数据作为模型构建和训练的原始数据。

3、采用相关性分析对初筛的因素进行相关性分析，去除相关度较高的两个以上因素中的多余因素，只保留一个因素。

4、采用主成分分析得出影响日均销售量的主要因素，赋值F1,F2，……，Fm。

5、主成分因素赋值和日均销售量数据分别作为样本数据中的输入数据和输出数据，并进行归一化处理，根据以下变换公式将输入数据和输出数据变化为[0,1]区间的值：

ˉ

Xi＝(Xi-Xmin)/(Xmax-Xmin)。

6、构建BP神经网络的预测模型。

根据输入量为主要因素确定BP神经网络的输入层节点为m个；输出量为D饮料的日均销售量，因此BP神经网络的输出层节点数为1。根据经验公式获取隐含层节点个数的范围，然后重复采用“二分法”得出最佳隐含层节点个数，构建BP神经网络(如图4所示)。

7、采用经归一化后输入数据和输出数据对BP神经网络进行训练，得到预测模型。

步骤二：根据日均销售量预测模型预测某月目标区域内某商户的D饮料日均销售量，根据该商户的日均销售量和上次在平台上订货的时间估算出已销售商品数量，商品库存数量等于上次该商品购买数量减去已销售商品数量。

步骤三:根据商户商品库存数量确定商品信息推送的对象商户。

当商户D饮料的商品库存数量小于商品库存阈值a时，则将该商户设置为商品信息的推送对象；当a大于阈值时，则将该商户剔除出商品信息推送对象列表。其中a＝日均销售量*最长进货天数d，最长进货时间d为商户下单后到收到货物的天数。

步骤四：向对象商户推送库存预警信息和商品信息。

将推送对象商户的主体信息发送至服务器，服务器根据商户的主体信息向商户发送预警信息和商品订货信息。

进一步的，商户终端收到预警信息(预警信息在商户终端的显示如图5所示)后，商户点击预警信息提示栏后，即自动进入订货平台自动生成的可编辑订单(可编辑订单在商户终端的显示如图6所示)，商户可选择对商品信息进行编辑或直接关闭订单或点击确定后提交订单。

本发明实施例还提供了一种商品信息推送装置，如图7所示，可以包括：

确定模块11，用于：确定目标供应商及目标区域，目标区域为目标供应商所在区域；

预测模块12，用于：预测目标区域内各商户的商品库存量，将各商品库存量分别与预先设定的商品库存阈值进行比对；

选取模块13，用于：从目标区域内各商户中选取目标商户，目标商户的商品库存量低于商品库存阈值；

推送模块14，用于：将目标供应商的商品信息，推送给目标商户。

本发明实施例提供的一种商品信息推送装置，预测模块可以包括：

预测单元，用于：分别确定目标区域内各商户为第一商户；获取第一商户当前对应各销量因素的值为输入量，利用预测模型基于该输入量得到相应输出量，确定该输出量为第一商户的日均销售量；其中，预测模型为利用训练集训练得到的，训练集包括目标区域内各商户历史上的日均销售量及对应各销量因素的值；基于第一商户的日均销售量及最近一次购买的商品量，计算第一商户的商品库存量。

本发明实施例提供的一种商品信息推送装置，还可以包括：

归一化模块，用于：利用训练集训练得到预测模型之前，对训练集中各日均销售量及对应各销量因素的值进行归一化处理；以及用于利用预测模型基于该输入量得到相应输出量之前，对输入量进行归一化处理；

反归一化模块，用于：确定该输出量为第一商户的日均销售量之前，对输出量进行反归一化处理。

本发明实施例提供的一种商品信息推送装置，还可以包括：

分析模块，用于：初步筛选影响库存商品量的各因素；对筛选出的各因素进行相关性分析及主成分分析，得到影响库存商品量的各主要因素为销量因素。

本发明实施例提供的一种商品信息推送装置，还可以包括：

设定模块，用于：分别确定目标区域内各商户为目的商户；计算目的商户对应的商品库存阈值，商品库存阈值为目的商户的日均销售量与最长进货天数的乘积，目的商户的最长进货天数为目的商户下单至接收到对应商品所需最长天数；

预测模块可以包括：

预测单元，用于：将各商户的商品库存量与该商户对应的商品库存阈值进行比对。

本发明实施例提供的一种商品信息推送装置，还可以包括：

预警模块，用于：确定选取的各商户均为目标商户之后，向每个目标商户推送预警信息，以提醒目标商户购买商品。

本发明实施例提供的一种商品信息推送装置，销量因素可以包括当前所处的月份。

本发明实施例还提供了一种商品信息推送设备，可以包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上任一项商品信息推送方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项商品信息推送方法的步骤。

本发明实施例提供的一种商品信息推送装置、设备及存储介质中相关部分的说明请参见本发明实施例提供的一种商品信息推送方法中对应部分的详细说明，在此不再赘述。另外，本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种商品信息推送方法，其特征在于，包括：

将所述目标供应商的商品信息，推送给所述目标商户。

2.根据权利要求1所述的方法，其特征在于，预测所述目标区域内各商户的商品库存量，包括：

分别确定所述目标区域内各商户为第一商户；

3.根据权利要求2所述的方法，其特征在于，利用所述训练集训练得到所述预测模型之前，还包括：

利用预测模型基于该输入量得到相应输出量之前，还包括：

对所述输入量进行归一化处理；

确定该输出量为所述第一商户的日均销售量之前，还包括：

对所述输出量进行反归一化处理。

4.根据权利要求3所述的方法，其特征在于，确定所述销量因素，包括：

初步筛选影响库存商品量的各因素；

5.根据权利要求1所述的方法，其特征在于，设定所述商品库存阈值，包括：

分别确定所述目标区域内各商户为目的商户；

6.根据权利要求1所述的方法，其特征在于，确定选取的各商户均为目标商户之后，还包括：

7.根据权利要求6所述的方法，其特征在于，所述销量因素包括当前所处的月份。

8.一种商品信息推送装置，其特征在于，包括：

9.一种商品信息推送设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述商品信息推送方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7任一项所述商品信息推送方法的步骤。