CN112132617A - 用于确定价格敏感度的方法和装置 - Google Patents

Abstract

本申请提出用于确定价格敏感度的方法和装置。该方法包括基于产品的历史销售数据生成历史数据序列，通过在历史数据序列中移除受到周期性因素影响的部分以生成经处理的历史数据序列，基于与预定的销售趋势对应的多个趋势多项式和经处理的历史数据序列，使用回归模型确定与产品的销售趋势对应的最优趋势多项式，以及基于最优趋势多项式确定价格敏感度。本申请的方法和装置移除历史数据序列中受到外部因素的影响，所确定的价格实体与销售量实体间的价格敏感度尽可能地接近纯粹的价格敏感度。

Description

用于确定价格敏感度的方法和装置

技术领域

本申请涉及数据的量化评估，特别地，涉及用于基于产品的历史销售数据来确定价格敏感度的方法和装置。

背景技术

在诸如连锁餐饮和零售的服务行业中，需要针对每家门店的销售数据与产品售价之间的价格敏感度进行量化评估以指导门店的产品总体价格的调整策略。

目前针对门店的价格敏感度的量化分析主要基于传统的经济学价格敏感度模型。该经济学价格敏感度模型的主要变量通常仅为一段时间间隔内的门店的产品销售量及该段时间间隔内的产品销售价格。通过计算产品销售量的变动幅度与产品销售价格的变动幅度(例如，以百分比形式表示的变动幅度)的比值获得价格敏感度的具体数值。正常情况下该数值为负数。一般来说，价格敏感度数值的绝对值大于1的门店的价格敏感度高而不适合实施提价策略；价格敏感度数值的绝对值小于1的门店的价格敏感度低而适合实施提价策略；而该数值的绝对值等于1的门店被认为价格敏感度达到平衡，从而可保持现状。

但是，传统的经济学价格敏感度模型主要基于销售量仅受定价影响的假设。而在诸如餐饮零售业的以线下交易为主的市场环境中，产品销售价格仅仅是影响产品销售量的众多因素之一。其它影响因素包括但不限于天气因素，季节性因素，门店的促销折扣活动因素，门店附近的竞争对手的门店活动(例如竞争对手的新店开业、营销策略)，门店的短期变化(例如门店的临时内外部装修施工)，门店所处商业环境的长期变化，门店相关的特定事件(例如演唱会，展览等的举办)等。在这些复杂的现实因素的影响下，传统的经济学价格敏感度模型所表征的产品销售价格与销售量之间的关系往往不够准确并且存在不稳定性，导致不精确的价格敏感度评估结果。

因此，存在对价格敏感度的评估方案的改进需求。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

为了解决使用上述传统的经济学价格敏感度模型进行价格敏感度评估的方案的至少一个缺点，本申请提出用于确定价格敏感度的改进方法和装置以获得更准确的价格敏感度评估结果，向用户提供准确的销售趋势以帮助制定价格策略。

根据本申请的一方面，提出一种用于确定价格敏感度的方法，包括：

基于产品的历史销售数据生成历史数据序列，历史数据序列由与历史时间序列中的历史时间相关联的历史数据构成，其中，历史数据包括产品的历史销售量数据和历史价格数据；

通过在历史数据序列中移除受到周期性因素影响的部分以生成经处理的历史数据序列；

基于与预定的销售趋势对应的多个趋势多项式和经处理的历史数据序列，使用回归模型确定与产品的销售趋势对应的最优趋势多项式，以及基于最优趋势多项式确定价格敏感度，其中产品的销售量数据被表示为以价格数据作为自变量的趋势多项式。

根据本申请的另一方面，还提出一种用于确定价格敏感度的装置，包括：

历史数据序列生成单元，被配置为基于产品的历史销售数据生成历史数据序列，历史数据序列由与历史时间序列中的历史时间相关联的历史数据构成，其中，历史数据包括产品的历史销售量数据和历史价格数据；

历史数据序列处理单元，被配置为通过在历史数据序列中移除受到周期性因素影响的部分以生成经处理的历史数据序列；

价格敏感度确定单元，被配置为基于与预定的销售趋势对应的多个趋势多项式和经处理的历史数据序列，使用回归模型确定与产品的销售趋势对应的最优趋势多项式，以及基于最优趋势多项式确定价格敏感度，其中产品的销售量数据被表示为以价格数据作为自变量的趋势多项式。

根据本申请的又一方面，提出一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包括可执行指令，当该可执行指令被处理器执行时，实施根据如上所述的方法。

根据本申请的再一方面，提出一种电子设备，包括处理器；以及存储器，用于存储所述处理器的可执行指令；其中该处理器设置为执行可执行指令以实施根据如上所述的方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

通过参照附图详细描述其示例性实施例，本申请的上述和其它特征及优点将变得更加明显。

图1为根据本申请的一个示例实施例的确定价格敏感度以及制定相应价格策略的过程的示意性逻辑流程图；

图2为根据本申请的一个示例实施例的确定价格敏感度的方法的示意性流程图；

图3为根据本申请的一个示例实施例的确定价格敏感度的装置的示意性结构框图；以及

图4为根据本申请的一个示例实施例的确定价格敏感度的电子设备的示意性框图。

具体实施方式

现在将参考附图更全面地描述示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本申请将全面和完整，并将示例性实施例的构思全面地传达给本领域的技术人员。在图中，为了清晰，可能会夸大部分元件的尺寸或加以变形。在图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、元件等。在其它情况下，不详细示出或描述公知结构、方法或者操作以避免模糊本申请的各方面。

在本申请中，引入销售量实体和价格实体的概念。销售量实体是表示在一定时间间隔期间的销售单位的产品销售数量信息的销售量数据。该销售量数据一般指该销售单位的产品总销售量，可以通过计算例如各个产品的销售量的总和、基于预设的权重对不同产品的销售量进行加权、和/或其它方式获得。价格实体是表示对应于销售量实体的时间间隔期间的在销售单位中所销售的产品的价格信息的价格数据。在传统的经济学价格敏感度模型中，价格实体一般为官方销售价格的平均值或基于预设的权重对官方销售价格进行加权获得。根据本申请的实施例，价格实体可以是产品的实际销售价格(因为顾客对实际销售价格的敏感程度与购买产品所付出的实际价值更相关)或官方销售价格。价格实体还可以基于产品的类别和/或销售量对产品的销售价格进行诸如加权或加权平均的处理来获得。

根据产品类别和/或评估需求，时间间隔可以是天、周、月、季度、年，也可以是小时、分钟等。在下文中以周为示例介绍本申请，但是本申请不限于周度价格敏感度。销售单元表示评估价格敏感度的对象，可以是位于相同、临近或不同的销售地点的销售门店，也可以是销售地点本身。在本申请的实施例中以销售门店为例介绍确定价格敏感度以及制定相应价格策略的方法流程。

与传统的经济学模型类似，价格敏感度被定义为销售量实体与价格实体两者的变动幅度之比，即作为销售量数据的销售量实体与作为价格数据的价格实体两者的变化之比。在实际情况中，销售量实体不仅与销售价格相关，还受到其它外部因素影响。传统的经济学模型虽然可能考虑到销售量实体受销售价格之外的因素影响，但是由于其模型建立所基于的假设仅考虑价格实体，因此无法排除其它外部因素对销售量实体-价格实体之间的相互关系的干扰，造成价格敏感度评估的不准确和不稳定。

现在结合图1所示的确定价格敏感度以及制定相应价格策略的过程来介绍根据本申请的实施例的价格敏感度评估方法。

首先，在步骤110处获取门店的历史销售数据。门店的历史销售数据是以所选择的时间间隔(例如每周)来统计的，例如针对第1周，第2周，…，第n周，分别创建门店的周度销售量实体和价格实体。销售量实体和价格实体与相应的周数相关联。在此，周或星期为相邻的历史时间T之间的时间间隔，或被称为用于计量历史时间T的时间单位。如果将周的序号表示为k，则第k周的历史时间可以表示为T_k。历史时间T_k构成历史时间序列{T_k}(1≤k≤n，k为正整数)。为了消除周期性因素，特别是季节性因素对价格敏感度确定的影响，通常使用门店的至少两年的历史销售数据。历史销售数据可以细化到产品的类别、产品的实际销售价格、销售日期(例如是在第几周销售的)的实际交易数据明细。

分别在步骤121和131中，创建门店的周度销售量实体和价格实体。如上所述，周度销售量实体可以通过计算该周的产品销售量的总和来创建。周度价格实体可以通过该周的产品按类别的销售量比例加权的平均价格来创建。根据本申请的实施例，还可以通过对更长的时间间隔(例如全月或全年)的产品，按照类别的销售量比例的权重作为该历史时间T_k(例如周)的产品销售量比例的权重进行加权平均值来计算价格实体。与历史时间T_k对应的历史数据D_k包括第k周的产品的历史销售量实体(历史销售量数据)M_k和历史价格实体(历史价格数据)P_k，则历史销售数据可以表示为历史数据序列{D_k}(1≤k≤n，k为正整数)，其中历史数据D_k＝(M_k，P_k)。历史数据D_k为二维变量，其子变量M_k和P_k根据相应的历史销售量实体和历史价格实体的创建方式，可以是一维或多维变量。历史数据序列{D_k}与历史时间序列{T_k}相关联，其中D_k与T_k相关联。这样，基于产品的历史销售数据确定价格敏感度的问题可以转化为基于与历史时间序列{T_k}对应的历史数据序列{D_k}，计算销售量实体(销售量数据)与价格实体(价格数据)之间的价格敏感度以指导未来的价格策略的问题。换一种方式来看，也可以看作基于数据序列{D_k，T_k}或{M_k，P_k，T_k}，计算价格敏感度。

历史数据序列中的历史数据包括受到周期性因素影响的部分，在本申请的价格敏感度计算过程中需要将这部分干扰移除。周期性因素包括节假日因素和季节性因素，下面分别对节假日因素和季节性因素进行移除处理以获得经处理的历史数据序列{D_k ^*}。

在步骤122中，在历史数据序列{D_k}中移除受节假日因素影响的销售量实体，即移除历史时刻T_i的历史数据{M_i，P_i}，其中1≤i≤n，i为正整数。节假日因素中，包括以每年的固定日期出现的阳历节假日和不按照固定日期出现的阴历节假日。由于阴历节假日的日期不固定，不便于在基于统计学的周期性时间序列处理方法中移除，因此需要单独从历史数据序列{D_k}中移除这部分历史数据元素D_i。在所移除的历史数据的选择上，可以将所有阴历节假日和/或阳历节假日所对应的历史数据D_i移除，也可以将涉及年份的阴历节假日与阳历节假日交叉对照，仅将导致周度节假日错位的阴历和/或阳历节假日所对应的历史数据D_i移除。通过将这些影响对应周的历史数据进行清理，可以保证剩下的历史数据所构成的经处理的历史数据序列{D_k ^*}中的所有历史数据元素在节假日成分上都能够是对等的。经过移除受节假日因素影响的历史数据序列{D_k ^*}的元素数量一般小于原始历史数据序列{D_k}的元素数量，相对应的历史时间序列{T_k ^*}的元素数量也小于原始的历史时间序列{T_k}的元素数量。换句话说，经过节假日因素的数据处理，序列中的数据项数减少了。

在步骤122中，移除历史数据D_k中的历史销售量实体M_k的值中受季节性因素影响的成分。季节性因素例如包括冬季、夏季由于气温的不同所造成的产品销售情况的影响。使用在统计学上用于处理时间数据序列的基于损失的季节性趋势分解过程(Seasonal Trenddecomposition procedure based on Loss，简称为STL)将历史数据序列{D_k}中的每个历史数据D_k中的历史销售量实体M_k的值拆分为三个部分，分别是与季节性因素影响对应的成分、与销售趋势相关联的成分和白噪声成分。其中与季节性因素影响对应的成分的值被从历史销售量实体M_k的值中删除，仅保留另外两个成分对应的值。可以看到，在步骤122中，使用STL方法并未移除历史数据元素D_k，而是将其子变量历史销售量实体M_k的值删除一部分。也就是说，经过STL方法处理的历史数据序列的元素项数并未减少，这与步骤121中移除节假日因素影响的过程不同。在传统的经济学价格敏感度模型中，一般不会考虑节假日因素和季节性因素中的至少一项。

根据本申请的实施例，可以在将历史数据序列{D_k}输入到回归模型之前，执行对节假日因素影响的部分和季节性因素影响的部分二者中的至少一个以生成经处理的历史数据序列{D_k ^*}。

在可选的步骤140中，可以分别对创建的经处理的历史数据序列{D_k ^*}中的历史数据D_k ^*中的销售量实体M_k ^*和价格实体P_k应用对数操作，例如采用自然对数操作。使用对数操作的好处在于简化稍后的价格敏感度计算，具体在下文中介绍。

经过上述处理的历史数据序列，在步骤150中输入到回归模型以执行线性回归，完成对历史趋势的拟合过程。

回归模型的输入除了经处理的历史数据序列{D_k ^*}，还包括在步骤151中提供的用于拟合预定的销售趋势的趋势多项式的集合，该集合中包括至少一个趋势多项式，每一个趋势多项式都与预定的销售趋势对应。拟合预定的销售趋势的趋势多项式是基于时间变量的多项式，用于提供回归模型的趋势备选。门店的销售趋势一般分为上升、下降和波动三大类趋势，每类销售趋势中的变化参数不同。销售趋势多项式是以产品的销售量实体(销售量数据)作为因变量，价格实体(价格数据)作为自变量的线性关系，因此回归模型用于确定能够准确拟合门店的销售趋势的最优趋势多项式，从而确定由销售量实体和价格实体的变化幅度之比所定义的价格敏感度。销售趋势多项式中的价格实体的项的阶数可以是-0.25至+4之间。用于确定价格敏感度的方法对每家门店进行建模，因此为了适应每个门店的独特销售趋势，提供趋势多项式的集合(即备选池)以供方法自动尝试，从而确定适合于当前门店的最优趋势多项式以及相关项的系数。

根据本申请的实施例，回归模型可以是线性回归模型，并在下文中采用逐步回归线性(Step-wise regression linear)模型描述本申请的方案。逐步回归线性模型作为一种线性回归自变量选择模型，其基本思想是将自变量逐个引入模型，引入条件例如可以是自变量的偏回归平方和应当被验证是具有显著性的。每引入一个新的自变量后都要进行F检验，并对已经选入的自变量逐个进行t检验。当先前引入的自变量由于后面的自变量的引入而变得不再显著(或者说导致多重共线性)时，将该先前引入的自变量删除，以确保每次引入新的自变量之前在回归方程或多项式中只包含显著性变量。反复执行变量引入和验证的逐步回归，直到既没有显著的自变量被引入回归方程或多项式，也没有不显著的自变量从回归方程或多项式中被删除为止。这样可以保证最后所得到的自变量的集合对于回归方程或多项式的拟合是最优的，即所得的自变量集合中每一个自变量相对回归方程或多项式都是显著的。在逐步回归模型中，还可以设置期望拟合目标(例如拟合误差阈值)，使得当无法满足期望拟合目标时可以认定基于当前的自变量输入集合无法对该回归方程或多项式实现满足要求的最优拟合，或者说该回归方程或多项式并不是与自变量输入集合对应的最优拟合方程或多项式。

在回归模型中，经过处理的历史数据序列中的历史数据的价格实体作为固定自变量，与预定的销售趋势对应的趋势多项式作为可变自变量，将历史数据中的销售量实体作为因变量，共同输入逐步回归线性模型。每次从趋势多项式集合中选取一个趋势多项式进行逐步拟合，将历史数据序列{D_k ^*}中的所有历史数据D_k ^*依次引入该趋势多项式以检验和判断该历史数据D_k ^*相对于该趋势多项式的显著性。对于回归运算，可以按照时间顺序从前向后遍历历史数据，也可以从后向前遍历历史数据。如果将所有引入逐步回归线性模型中的历史数据完成显著性数据剔除之后，所保留的具有显著性的历史数据的集合对于该趋势多项式的拟合满足期望拟合目标，可以确定该趋势多项式可以准确地表征历史数据序列{D_k ^*}中的销售量实体和价格实体之间的关系。期望拟合目标例如可以是，显著性历史数据集合拟合到该趋势多项式的误差在期望误差阈值之内。如果所保留的历史数据集合对于趋势多项式无法满足期望拟合目标，说明该趋势多项式无法准确表征历史数据序列{D_k ^*}中的销售量实体和价格实体之间的关系，方法从趋势多项式集合中选取其它趋势多项式并重新上述回归计算过程。

本申请的价格敏感度确定方法还可以采用其它回归模型，只要该模型能够将经处理的历史数据序列中的历史数据作为输入回归模型的固定自变量，将与预定的销售趋势对应的多个趋势多项式作为输入回归模型的可变自变量，将经处理的历史数据序列中的历史数据中的销售量实体作为输入回归模型的因变量，通过回归运算保留具有显著性的历史数据并确定满足期望拟合目标的最优趋势多项式。

如步骤152所示，还可以在将经过处理的历史数据序列{D_k ^*}输入到回归模型之前，加入基于时间权重的注意力机制。注意力机制用于调节不同的历史时间T_k ^*所对应的历史数据D_k ^*对回归运算中拟合趋势多项式的影响。例如，最近产生的历史销售量数据应当比相对久远的时间产生的历史销售量数据更能代表门店的销售趋势。注意力机制使用基于时间变量的多项式来计算权重，调整历史时间对趋势回归运算的作用。例如，可以确保越近期的历史数据D_k ^*中的历史销售量实体具有越高的权重。根据本申请的实施例，以历史时间序列{T_k ^*}中的历史时间T_k的周序数k作为时间变量，多项式选择为k的幂，例如k的0.5次幂k^0.5，则每个历史数据D_k ^*采用k的幂(k^0.5)进行加权。距离当前时间的历史数据越近，其k值越大，从而其权重k^0.5越大。

回归模型的输出为所确定的与产品的销售趋势对应的最优趋势多项式，根据该最优趋势多项式可以确定价格敏感度。根据价格敏感度的定义，价格敏感度与最优趋势多项式中的包括历史数据D_k ^*的价格实体的项的系数有关。由于在步骤140中已经对历史数据D_k ^*中的历史销售量实体和价格实体进行过对数运算，因此虽然回归模型使用历史数据序列{D_k ^*}中的历史数据D_k ^*和趋势多项式预测门店的销售趋势，但是含有价格实体的项的系数可以直接用于计算价格敏感度。当在步骤140中使用自然对数运算时，包括价格实体的项的系数实际上等同于价格敏感度。

在回归模型确定最优趋势多项式的过程中，还生成与最优趋势多项式中的包括作为固定自变量的历史数据D_k ^*(1≤k≤m，m为剔除不显著的历史数据后保留的历史数据的数量)中的历史价格实体的项所对应的系数的显著性值p(0<p<1)。显著性值p表征采用该最优趋势多项式中的包括历史价格实体的项所对应的系数以准确表征销售趋势的可信度。对于最优趋势多项式中包括作为固定自变量的历史价格实体的项的系数，按照每个历史数据D_k ^*所对应的显著性值p进行加权获取加权后的价格敏感度，如图1中的步骤160所述。具有显著性值p的历史数据所对应的权重可以是基于p的多项式，例如(1-p)²，所计算的值。基于显著性系数p的价格敏感度加权运算用于惩罚不显著的系数，使计算出的价格敏感度具有更高显著性和更高的可信度。

可以针对不同的门店，分别使用上述步骤从门店的历史销售数据获得对应门店的价格敏感度。不同门店的价格敏感度数据可以封装成一个灵活排序的数据表提供给管理多个门店的公司决策者或相关财务人员。数据表例如可以包括门店编号和经过显著性加权后得到的价格敏感度。例如，在上文的示例性实施例中，价格敏感度为加权后的价格实体项的系数。

所计算的价格敏感度可以通过例如邮件或消息的方式通知或分发给用户。

用户在获得门店的价格敏感度数据后，可以针对不同的价格敏感度情况在门店实施相应的价格策略。例如，在步骤171中，对各个门店的价格敏感度进行排序，并应用价格策略。根据实施例，价格敏感度(价格实体项的加权系数)绝对值越大说明该门店的顾客对价格越不敏感，越适合实施提价策略。相反，如果价格敏感度绝对值越小，说明顾客对价格更敏感，在实施提价策略时需要谨慎考虑。

在步骤172中提出了另一种基于价格敏感度数据应用价格策略的方式。该方式根据所有门店的价格敏感度分布，提取适当的阈值并根据门店的价格敏感度所在的阈值区间设定分层策略以将门店分成多个分组。例如，阈值较高的分组对应于对价格最不敏感的门店，可以应用较高幅度的提价策略。相应地，阈值相对不高的分组对应于对价格不太敏感的门店，该组门店可以应用小幅度的提价策略。对于阈值居中的分组，其表示对于价格较敏感的门店，该组门店可以考虑维持原价。而阈值较低的分组表示其门店的客户对价格非常敏感，可以建议进行促销活动。

图2示出根据本申请的实施例的确定价格敏感度的方法。

在步骤210中，基于产品的历史销售数据生成历史数据序列，由历史数据构成的历史数据序列与由相关联的历史时间的历史时间序列对应。对于历史数据的两个子变量历史销售量数据(即历史销售量实体)和历史价格数据(即历史价格实体)的确定方法已经在上文中描述。

在步骤220中，通过在历史数据序列中移除受到周期性因素影响的部分以生成经处理的历史数据序列。步骤220用于对历史数据序列进行预处理。该预处理包括针对节假日因素，在历史数据序列中移除与阴历节假日和阳历节假日中的至少一个对应的历史时间相关联的历史数据。预处理海包括针对季节性因素，基于STL方法将历史数据序列中的历史销售量数据的值中受到季节性因素影响的成分移除。在将经处理的历史数据序列输入到回归模型之前，还可以对历史数据的历史销售量数据和历史价格数据应用对数操作，以便于后续的价格敏感度计算。本申请的方法还可以基于与经处理的历史数据序列中的历史数据相关联的历史时间对历史数据的历史销售量数据进行加权，引入注意力机制。

接下来，在步骤230中基于与预定的销售趋势对应的多个趋势多项式和经处理的历史数据序列的两个输入，使用回归模型确定与产品的销售趋势对应的最优趋势多项式，以及进一步基于最优趋势多项式确定价格敏感度。具体地，将经处理的历史数据序列中的历史数据中的价格实体作为固定自变量，将与预定的销售趋势对应的多个趋势多项式作为可变自变量，将经处理的历史数据序列中的历史数据中的销售量实体作为因变量，通过回归运算保留具有显著性的历史数据并确定满足期望拟合目标的最优趋势多项式。在获得最优趋势多项式之后，包括历史价格数据的项的系数可以用于确定价格敏感度。在计算价格敏感度时，还可以引入显著性系数，对包括价格数据的项的系数进行加权，提高价格敏感度的可信度。

在可选的步骤240中，对于得到的多个销售单元的价格敏感度，可以按照排序的结果应用价格策略，也可以基于其阈值进行分组并分别针对不同的组应用相应的价格策略。

图3则示出根据本申请的实施例的确定价格敏感度的装置。该装置300至少包括历史数据序列生成单元310，历史数据序列处理单元320，价格敏感度确定单元330和价格策略生成单元340。历史数据序列生成单元310用于基于产品的历史销售数据生成历史数据序列。该单元310还可以用于实现上文中步骤210所述的具体功能。历史数据序列处理单元320用于通过在历史数据序列中移除受到周期性因素影响的部分以生成经处理的历史数据序列。进一步，该单元320还实现图2中的步骤220完成的其它功能。价格敏感度确定单元330用于实现步骤230所完成的基于与预定的销售趋势对应的多个趋势多项式和经处理的历史数据序列的两个输入，使用回归模型确定与产品的销售趋势对应的最优趋势多项式，以及进一步基于最优趋势多项式确定价格敏感度。价格策略生成单元340则用于对于得到的多个销售单元的价格敏感度，按照排序的结果应用价格策略，和/或基于其阈值进行分组并分别针对不同的组应用相应的价格策略。

根据本申请的确定价格敏感度的方法和装置，基于机器学习中的回归算法模型而不是传统的考虑价格和销售额的经济学模型，在输入回归模型之前使用诸如STL的数据预处理方式将历史数据序列中受周期性因素影响的部分移除，在回归运算中加入与历史时间相关联的趋势多项式候选池，使用诸如逐步回归线性模型的搜索式自动收敛方法。为进一步考虑历史时间远近对价格敏感度的影响，引入注意力机制加强最近时间的历史数据的拟合权重，避免时间线过长导致的信息价值稀释。本申请的方案成功地将诸如节假日和季节性因素和门店个性化趋势因素等外部因素最大化地拟合。由于所使用的历史销售数据中的价格不采用官方定价而是实际成交价格的加权，将诸如折扣活动的因素考虑在内。趋势多项式候选池可以覆盖上升、下降、波动三类门店的个性化销售趋势，包括外界因素对门店销售情况的更多影响。该方法和装置所确定的价格实体与销售量实体间的价格敏感度尽可能地接近纯粹的价格敏感度，控制外部因素对历史销售量实体的影响，该价格敏感度使用传统的经济学模型几乎无法计算。对于多个门店，最终利用门店价格敏感度排序和分组在公司层面指导门店的价格策略。

应当注意，尽管在上文详细描述中提及了用于确定价格敏感度的装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或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模块来实现本申请的方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序包括可执行指令，该可执行指令被例如处理器执行时可以实现上述任意一个实施例中所述用于确定价格敏感度的方法的步骤。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书用于确定价格敏感度的方法中描述的根据本申请各种示例性实施例的步骤。

根据本申请的实施例的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本申请的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中的用于确定价格敏感度的方法的步骤。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图4来描述根据本申请的这种实施方式的电子设备400。图4显示的电子设备400仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书用于确定价格敏感度的方法中描述的根据本申请各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图1和图2中所示的步骤。

所述存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。

所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备400也可以与一个或多个外部设备500(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的用于确定价格敏感度的方法。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求指出。

Claims (17)

1.一种用于确定价格敏感度的方法，其特征在于，包括：

基于产品的历史销售数据生成历史数据序列，所述历史数据序列由与历史时间序列中的历史时间相关联的历史数据构成，其中，所述历史数据包括所述产品的历史销售量数据和历史价格数据；

通过在所述历史数据序列中移除受到周期性因素影响的部分以生成经处理的历史数据序列；

基于与预定的销售趋势对应的多个趋势多项式和所述经处理的历史数据序列，使用回归模型确定与所述产品的销售趋势对应的最优趋势多项式，以及基于所述最优趋势多项式确定所述价格敏感度，其中所述产品的销售量数据被表示为以所述价格数据作为自变量的所述趋势多项式。

2.根据权利要求1所述的方法，其特征在于，所述历史销售量数据基于所述产品的总销售量确定，所述历史价格数据基于所述产品的销售量和销售价格的加权确定。

3.根据权利要求1所述的方法，其特征在于，所述周期性因素包括节假日因素和季节性因素。

4.根据权利要求3所述的方法，其特征在于，所述节假日因素包括阴历节假日和阳历节假日，通过在所述历史数据序列中移除与所述阴历节假日和所述阳历节假日中的至少一个对应的历史时间相关联的所述历史数据来生成所述经处理的历史数据序列。

5.根据权利要求3或4所述的方法，其特征在于，通过基于损失的季节性趋势分解过程(STL)将所述历史数据中的所述历史销售量数据的值中受到季节性因素影响的成分移除来生成所述经处理的历史数据序列。

6.根据权利要求2所述的方法，其特征在于，在将所述经处理的历史数据序列输入到所述回归模型之前，对所述历史数据的所述历史销售量数据和所述历史价格数据应用对数操作。

7.根据权利要求1所述的方法，其特征在于，在将所述经处理的历史数据序列输入到所述回归模型之前，基于与所述经处理的历史数据序列中的所述历史数据相关联的所述历史时间对所述历史数据的所述历史销售量数据进行加权。

8.根据权利要求1所述的方法，其特征在于，使用回归模型确定与所述产品的销售趋势对应的最优趋势多项式进一步包括：

将所述经处理的历史数据序列中的所述历史数据中的价格实体作为输入所述回归模型的固定自变量，将与预定的销售趋势对应的多个趋势多项式作为输入所述回归模型的可变自变量，将所述经处理的历史数据序列中的所述历史数据中的销售量实体作为输入所述回归模型的因变量，通过回归运算保留具有显著性的所述历史数据并确定满足期望拟合目标的所述最优趋势多项式。

9.根据权利要求8所述的方法，其特征在于，所述回归模型为逐步回归线性模型。

10.根据权利要求1所述的方法，其特征在于，基于所述最优趋势多项式确定所述价格敏感度进一步包括基于通过所述最优趋势多项式中的包括所述价格数据的项的系数确定所述价格敏感度。

11.根据权利要求10所述的方法，其特征在于，基于所述最优趋势多项式确定所述价格敏感度进一步包括基于与包括所述价格数据的项的系数相关联的显著性系数对包括所述价格数据的项的系数进行加权。

12.根据权利要求1所述的方法，其特征在于，包括针对多个销售单元的历史销售数据确定相应的价格敏感度。

13.根据权利要求12所述的方法，其特征在于，进一步包括基于所述多个销售单元的相应的价格敏感度对所述多个销售单元进行排序，以及基于排序结果应用价格策略。

14.根据权利要求12所述的方法，其特征在于，进一步包括基于所述多个销售单元的相应的价格敏感度对所述多个销售单元进行分组，以及针对不同的分组应用对应的价格策略。

15.一种用于确定价格敏感度的装置，其特征在于，包括：

历史数据序列生成单元，被配置为基于产品的历史销售数据生成历史数据序列，所述历史数据序列由与历史时间序列中的历史时间相关联的历史数据构成，其中，所述历史数据包括所述产品的历史销售量数据和历史价格数据；

历史数据序列处理单元，被配置为通过在所述历史数据序列中移除受到周期性因素影响的部分以生成经处理的历史数据序列；

价格敏感度确定单元，被配置为基于与预定的销售趋势对应的多个趋势多项式和所述经处理的历史数据序列，使用回归模型确定与所述产品的销售趋势对应的最优趋势多项式，以及基于所述最优趋势多项式确定所述价格敏感度，其中所述产品的销售量数据被表示为以所述价格数据作为自变量的所述趋势多项式。

16.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包括可执行指令，当该可执行指令被处理器执行时，实施根据权利要求1至14中任一项所述的方法。

17.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器设置为执行所述可执行指令以实施根据权利要求1至14中任一项所述的方法。

Images