CN112330037A - 一种新品库存比例预测的方法、装置及服务器 - Google Patents

一种新品库存比例预测的方法、装置及服务器 Download PDF

Info

Publication number
CN112330037A
CN112330037A CN202011255003.1A CN202011255003A CN112330037A CN 112330037 A CN112330037 A CN 112330037A CN 202011255003 A CN202011255003 A CN 202011255003A CN 112330037 A CN112330037 A CN 112330037A
Authority
CN
China
Prior art keywords
commodity
characteristic attribute
attribute value
prediction
new 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.)
Granted
Application number
CN202011255003.1A
Other languages
English (en)
Other versions
CN112330037B (zh
Inventor
吴先锋
李建华
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.)
Tianjin Huishang Gongda Technology Co ltd
Original Assignee
Tianjin Huishang Gongda 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 Tianjin Huishang Gongda Technology Co ltd filed Critical Tianjin Huishang Gongda Technology Co ltd
Priority to CN202011255003.1A priority Critical patent/CN112330037B/zh
Publication of CN112330037A publication Critical patent/CN112330037A/zh
Application granted granted Critical
Publication of CN112330037B publication Critical patent/CN112330037B/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种新品库存比例预测方法，装置及服务器，可以精确地预测新品的库存比例，使每个配货仓库不因库存不足或积压而降低商品成交率。为了实现精确预测新品的库存比例，需要获取新品特征属性值和新品的同类商品特征属性值；根据新品特征属性值和同类商品特征属性值，确定预测用商品；获取预测用商品在待分配仓库内与销量相关的预测用特征数据；根据预测用特征数据和预先生成的预测模型，生成预测用商品在待分配仓库的库存分配比例的预测值，确定新品在待分配仓库的库存分配比例的预测值。可见，本申请提供的新品库存比例预测方法可以提高新品库存比例预测的精准度，避免配货仓库出现缺货或积压的问题，从而提高商品的成交率。

Description

一种新品库存比例预测的方法、装置及服务器
技术领域
本申请涉及数据挖掘技术领域，特别涉及一种新品库存比例预测的方法、装置及服务器。
背景技术
在电商销售平台中，配送商在经销商和门店(零售店)之间起着货品流转的作用，为经销商和门店提供物流服务。图1为本申请货品配送系统结构图，通常，品牌商在一个区域内对应一个或多个经销商，经销商买卖或运转品牌商的货品，所述货品由一个或多个配送商负责配送至门店。通常，门店通过订单管理服务器订购品牌商的货品，这些货品从品牌商送达经销商的配货仓库，由配送商根据订单管理服务器的配送指令，从配货仓库取货，运送至门店或用户手中。
经销商将所属门店的地理位置划分为若干个区域，针对每个区域设立一个配货仓库。如果门店向经销商订货成功，经销商会根据门店的订货地址，选择离该订货地址最近的配货仓库发货，将销售给门店的货品经配送商送达到该门店。一个区域内所有门店订购货品由该区域的配货仓库发货。由于地域和区域门店数量等因素影响，每种商品在各个营销区域的订货数量不尽相同。例如，图2为某货品配货仓库配送区域分布图，如果某商品在配货仓库1和配货仓库2的库存比例相同。配货仓库1所在的营销区域内的门店对该商品的订单量比较多，导致该仓库出现缺货现象，无法及时供应该商品，降低商品的成交率。而配货仓库2所在的营销区域内的门店对该商品的订单量比较少，剩余大量库存。为了需要提高该商品的成交率，需要通过人力将配货仓库2的部分库存运送到配货仓库1。此过程不仅消耗大量人力物力资源，而且不能及时调整各仓库的库存。为解决这一问题，经销商需要预测每种商品的库存比例。现有库存比例的预测方法是：获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用数据；根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。
但是，对于一些未上市的新品来说，不能利用上述方法获取在待分配仓库的与销量相关的历史特征数据，因此，无法精确预测新品的库存比例，导致商品成交率降低。
发明内容
本申请的目的在于提供一种新品库存比例预测的方法，以解决现有技术无法精确测新品的库存比例导致商品成交率低的问题。
第一方面，本申请提供了一种新品库存比例预测的方法，包括：
获取新品特征属性值和新品的同类商品特征属性值；
根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
第二方面，本申请提供了一种新品库存比例预测的装置，包括：
第一获取单元，用于获取新品特征属性值和所述新品的同类商品特征属性值；
第一确定单元，用于根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
第二获取单元，用于获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
第二确定单元，用于根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
第三方面，本申请提供了一种服务器，包括：
处理器，
以及用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取新品特征属性值和所述新品的同类商品特征属性值；
根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
与现有技术相比，本申请实施例提供了一种新品库存比例预测方法，装置及服务器，可以精确地预测新品的库存比例，使每个配货仓库不因库存不足或库存积压而降低商品的成交率。为了实现精确预测新品的库存比例，需要在新品上市前，获取新品特征属性值和新品的同类商品特征属性值；根据新品特征属性值和同类商品特征属性值，确定预测用商品；获取预测用商品在待分配仓库内与销量相关的预测用特征数据；根据预测用特征数据和预先生成的预测模型，生成预测用商品在待分配仓库的库存分配比例的预测值，确定新品在待分配仓库的库存分配比例的预测值。可见，本申请提供的新品库存比例预测方法可以提高新品库存比例预测的精准度，避免配货仓库由于库存不足或库存过量导致缺货或积压的问题，从而提高商品的成交率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请货品配送系统结构图；
图2为本申请某货品配货仓库配送区域分布图；
图3为本申请实施例一提供一种新品库存比例预测的方法的流程图；
图4为本申请实施例一提供一种确定预测用商品方法的流程图；
图5为本申请实施例二提供一种新品库存比例预测的方法的流程图；
图6为本申请实施例三提供一种新品库存比例预测的方法的流程图；
图7为本申请实施例四提供一种新品库存比例预测的方法的流程图；
图8为本申请实施例五提供一种新品库存比例预测的方法的流程图；
图9为本申请实施例提供一种新品库存比例预测的装置的结构框图。
具体实施方式
图1为本申请的货品配送系统结构图。
参见图1，在该货品配送系统中，包括品牌商、经销商、配送商、配送仓库，门店及订单管理服务器。其中，所述的品牌商可以理解为本申请中讨论的货品的最初所有者，例如，宝洁，联合利华等。需要说明的是，广义的商品既包括虚拟商品，又包括实体商品，即货品。基于此，本申请中提到的货品均指代实体商品。所述的经销商可以理解为与品牌商合作的、通过买卖或运转品牌商的商品而获得利润的单位或个人。
一般情况下，经销商将所属门店的地理位置划分为若干个区域，针对每个区域设立一个配货仓库。如果门店向经销商订货成功，经销商会根据门店的订货地址，选择离该订货地址最近的配货仓库发货，将销售给门店的货品经配送商送达到该门店。一个区域内所有门店订购货品由该区域的配货仓库发货。所述的配送商可以理解为提供货品配送服务的组织或单位。大多数的配送商具有仓储能力,其中的仓储能力由所属的配货仓库实现。所述的门店包括但不限于指代一种售卖商品的场所，例如杂货、母婴产品的零售店，KA(KeyAccount，重点客户)，饭店和/或酒店等，还可以包括不具有零售业务和/或不具有客观售卖场所的各级批发商。
需要特别说明的是，本申请技术方案以及现有技术中所述的门店包括但不限于指代一种售卖商品的场所，例如杂货、母婴产品的零售店，KA，饭店，酒店等，还可以包括不具有零售业务和/或不具有客观售卖场所的各级批发商。
对于一些即将上市的新品来说，不能获取在待分配仓库的与销量相关的历史特征数据，因此，无法精确预测新品的库存比例，导致商品成交率降低。传统的新品的库存比例通常与该仓库的总体配送量有关。但是地区不同，客户主体不同，客户的需求不同，导致各种产品在该地区的配送量也不同，仅通过总体配送量无法精确预测仓库库存。如果一个仓库临近商业中心，商业中心的销售量较大，其附近的仓库配送量也随之增大，因此适当增加该仓库的新品库存量。但是具体的新品库存只能通过经验大致估算，不能准确预测新品库存。因此，为了解决上述问题，本申请提出一种新品库存比例预测的方法，其具体实施方式如下。
图3是本申请实施例一提供一种新品库存比例预测的方法的流程图：
第一方面，参见图3，本申请实施例一提供的一种新品库存比例预测的方法，包括以下步骤：
步骤S101、获取新品特征属性值和新品的同类商品特征属性值；
本实施例中，新品是指采用新技术原理、新设计构思研制、生产的全新商业产品，或在结构、材质、工艺等某一方面比原有产品有明显改进，从而显著提高了产品性能或扩大了使用功能的商业产品。从营销的角度上讲，凡是企业向市场提供的过去没有生产过的产品都叫新产品。同类商品是指与新品类似或同一种类的商品。
一种特征属性可以表述商品的一种特性，多种特征属性结合可以概括得出一种商品。特征属性值狭义上可以指某一商品的具体规格的数值，广义上可以指某一商品的颜色、状态等特性。同类商品的特征属性相同，但特征属性值不同。如果新产品是一款手机，那么它的同类产品自然也是手机，而手机的颜色、内存、屏幕尺寸和产地等就是其特征属性，红色和黑色就是其颜色这一特征属性的特征属性值。如果新产品是一种饮料，它的同类产品自然也是饮料，饮料的品牌、口味、种类和净含量是其特征属性，1.25L和2L就是其净含量这一特征属性的特征属性值。
可选地，在获取新品特征属性值和新品的同类商品特征属性值的步骤之前，还包括确定所述新品的同类商品；
新品类别定义不同，其同类商品的数量也不同。新品是一本新书，如果将其同类商品定为书籍的话，每一本书籍都可作为同类商品，计算量过于庞大，无法快速完成对新品库存比例的预测，基于此，需要同类商品的范围进行进一步缩小。
确定所述新品的同类商品的步骤包括：
获取所述新品类别的优先级；
新品类别不是唯一的，不同的分类方法其新品类别也不尽相同。具体可根据其新品的突出特征属性来确定新品类别。
根据所述优先级由高到低依次获取每个类别的同类商品数量；
如果所述同类商品数量在预设范围内，则选取该同类商品作为所述新品的同类商品。
需要说明的是，优先级的设定根据其范围大小进行设定，其范围越大，优先级越高。
以新品是由R作者撰写的一本悬疑推理小说为例，同类商品的预设范围为800-1000个。获取所述新品类别的优先级由高到低依次为书籍、小说、悬疑推理小说和由R作者撰写的悬疑推理小说，获取同为书籍的同类产品的数量为100万个，不在预设范围内，继续获取下一个级别的同类产品数量，直到获取悬疑推理小说的同类商品为890个，在预设范围内，那么确定新品小说的同类商品为取悬疑推理小说。
需要补充的是，如果同类商品数量都没有落在预设范围内，可以适当调整预设范围，也可以重新设定新品类别。还是以R作者撰写的一本悬疑推理小说为例，同类商品的预设范围设置为500-1500，也可以所述新品类别的优先级由高到低依次为书籍、小说、中国小说、中国悬疑推理小说、中国悬疑推理密室杀人类小说和由R作者撰写中国悬疑推理密室杀人类小说。
步骤S102、根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
参阅图4，可将新品特征属性值和同类商品特征属性值对比，从而确定预测用商品，具体步骤如下：
步骤S1021、将同一特征属性的所述新品特征属性值与所述同类商品特征属性值匹配，确定所述新品特征属性值与所述同类商品特征属性值的匹配成功的第一数量；
具体地，所述新品特征属性值与所述同类商品特征属性值匹配方法为：
判断同一特征属性的所述新品特征属性值与所述同类商品特征属性值是否相同；
如果新品特征属性值与同类商品特征属性值相同，则匹配成功；
如果新品特征属性值与同类商品特征属性值不相同，则匹配失败，继续进行下一项特征属性的匹配。
统计新品特征属性值与同类商品特征属性值匹配成功的第一数量；
步骤S1022、选取所述第一数量最多的同类商品作为所述预测用商品。
以手机为例，某品牌X推出了一款新手机，上市前对其库存比例进行预测，首先确定同类商品有品牌A，品牌B，品牌C和品牌D，新品品牌X的特征属性和特征属性值如表1所示，同类商品品牌A，品牌B，品牌C和品牌D的特征属性和特征属性值如表2所示。将品牌X特征属性值与品牌A，品牌B，品牌C和品牌D的特征属性值依次匹配，确定品牌X特征属性值与品牌A，品牌B，品牌C和品牌D特征属性值的匹配成功数量分别为3，2，1，4，选取所述匹配成功数量最多的品牌D作为所述预测用商品，具体的匹配结果可以结合表1和表2看出。
表1
颜色 内存 屏幕尺寸 产地 相机像素
品牌X 金 64G 5 中国 4000万
表2
颜色 内存 屏幕尺寸 产地 相机像素 第一数量
品牌A 黑 64G 4.7 中国 4000万 3
品牌B 金 128G 5.5 中国 3000万 2
品牌C 白 32G 5 美国 2000万 1
品牌D 金 64G 5 韩国 4000万 4
步骤S103、获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
本申请所述的与销量相关的预测用特征数据，包括对库存分配比例的预测值可能产生影响的各种特征数据，例如与日常销量相关的特征数据，具体的可以是每个商品在每个仓库的历史7天、14天、30天、60天销售IPV/UV/件数占比，每个经销商在每个仓库的历史7天、14天、30天、60天拍下IPV/UV/件数占比。例如，与未来销量相关的特征数据，具体可以是每个商品在每个仓库的历史7天、14天、30天、60天购物车IPV/UV/占比。其中，IPV(PageViews)是商品详情页面的浏览次数，即买家找到店铺的宝贝后，点击进入宝贝详情页的次数，也即单品的浏览量。UV(Unique Visitor)是指独立访问者的数量，访问一个经销商或品牌商的店铺的一台电脑客户端为一个访客，即一个独立访问者，0:00-24:00同一台电脑客户只会被记录一次。具体地，可以通过经销商或品牌商销售行为和消费者购买行为以及网络拓扑结构，获取与日常销量相关的特征数据所涉及的原始数据。本申请实施例所述的待分配商品在待分配仓库的与销量相关的特征数据，即可以是预先生成并存储好的特征数据，还可以是根据与销量相关的原始数据和特征数据计算公式，实时计算生成的特征数据。
步骤S4、根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
本申请所述的预测模型是根据历史特征数据和与其对应的库存分配比例(即实际销售比例)学习出来的，可以采用的学习算法包括回归算法。回归算法属于归纳学习的范畴。对于预测用商品在库房中的库存分配比例的应用而言，能够采用的回归算法包括线性回归、回归决策树、迭代决策树，或者预设回归算法的加权线性组合等算法。不同算法生成的预测值的准确度不同，不同算法的计算复杂度也不相同，在实际应用中，根据具体应用需求，可以选择任意一种回归算法对商品的库存分配比例进行预测。
可选地，所述预测模型生成的步骤为：
获取预测用商品在各个仓库的与销量相关的历史特征数据和与所述历史特征数据相对应的库存分配比例，作为训练集；
为了能够准确的生成预测模型，需要获取大量的训练数据，即各个商品在各个仓库的与销量相关的历史特征数据和与历史特征数据相对应的库存分配比例。其中与历史特征数据相对应的所述库存分配比例的实际值包括商品在仓库中的真实销售占比。采用商品在仓库中的真实销售占比，作为该商品在该仓库中的历史特征数据对应的库存分配比例的实际值。
通过机器学习算法，从所述训练集中学习生成所述预测模型。
根据训练集生成预测模型可以采用迭代决策树算法，迭代决策树算法由多棵决策树组成，所有树的结论累加起来做最终答案，是泛化能力较强的算法。迭代决策树的核心就在于，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得到真实值的累加量，可以大大的减少单决策树带来的缺点。采用迭代决策树生成的预测模型准确度更高。
所述预测用商品在所述待分配仓库的库存分配比例的预测值就是所述新品在所述待分配仓库的库存分配比例的预测值。
本申请实施例一适用于特征属性较多，而且特征属性值相对不是十分突出的新品，即在多个特征属性均有小幅度调整的新品。采用统计新品特征属性值与同类商品特征属性值匹配成功数量的方式，可以快速准确预测新品库存比例。
可选的，如图5所示，本申请实施例二提供的方法与实施例一提供的方法区别之处在于，将同一特征属性的所述新品特征属性值与所述同类商品特征属性值匹配，按照以下步骤确定所述新品特征属性值与所述同类商品特征属性值的匹配成功的第一数量。
步骤S201、判断所述同类商品特征属性值是否在所述新品特征属性值的预设阈值内；
不难理解的是，如果严格按照新品特征属性值与同类商品特征属性值是否相同的标准确定匹配成功的第一数量，选择的商品很可能不符合预测用商品的标准。为解决这一问题，可通过设定新品特征属性值的预设阈值来扩大搜索同类商品范围。
新品特征属性值的预设阈值可根据新品特征属性值的具体情况而设置。例如，新品为容量548ml的茶饮料，市面上没有此规格的同类产品，如果严格按照548ml这一属性值进行匹配，将错失饮料中净含量这一特征属性的匹配结果。市面上的饮料大多为500ml和600ml等，因此，我们可以将茶饮料新品规格的特征属性值阈值设置为500-600ml，这样可以扩大可筛选的数据样本，选择出更贴合茶饮料新品的同类商品，提高新品库存比例预测的准确性。新品为小叶紫檀木梳，假设市面上没有采用紫檀木做的木梳，但是有其他檀木，如绿檀，黑檀。我们可以将木梳材质特征属性值阈值设置为檀木，这样可以扩大可筛选的数据样本，选择出更贴合小叶紫檀木梳的同类商品，提高新品库存比例预测的准确性。
步骤S202、如果所述同类商品特征属性值在所述新品特征属性值的预设阈值内，所述同类商品特征属性值与所述新品特征属性值匹配成功，统计所述同类商品特征属性值与所述新品特征属性值的匹配成功的第一数量。
例如某品牌Y推出了一款新手机，上市前对其库存比例进行预测，首先确定同类商品有品牌E，品牌F，品牌G和品牌H，新品品牌Y的特征属性，特征属性值和预设阈值如表3所示，同类商品品牌E，品牌F，品牌G和品牌H的特征属性和特征属性值及匹配结果如表4所示。从表3和表4的结果中，我们可以看出品牌H与新品特征属性值匹配成功的第一数量最多，因此，选用品牌H的手机作为预测用商品。
表3
颜色 内存 屏幕尺寸 产地 相机像素
品牌Y 腮红金 64G 5 中国 4000万
预设阈值 与金相关 50-100G 4.5-5 亚洲 3500万-4500万
表4
颜色 内存 屏幕尺寸 产地 相机像素 第一数量
品牌E 黑 64G 4.7 中国 3800万 4
品牌F 玫瑰金 128G 5.5 中国 2500万 2
品牌G 白 32G 5 美国 2000万 1
品牌H 土豪金 64G 5 韩国 4200万 5
对于一些新品来说，由于其独特的创新点可能在很难找到与其完全一致的特征属性值，导致新品库存预测的比例不准确。因此，本申请实施例二通过判断同类商品特征属性值是否在所述新品特征属性值的预设阈值内来确定预测用商品，可以扩大搜索范围，从更多的同类商品中筛选出更合适的预测用商品，提高新品库存比例预测的准确性。
可选的，如图6所示，本申请实施例三提供的方法与实施例一和实施例二提供的方法区别之处在于，匹配成功的第一数量最多的同类商品的数量为多个，按照如下方法确定预测用商品：
步骤S301、获取新品特征属性的预设权重；
新品特征属性的预设权重可由其生产者根据新品的改进点进行设定，改动比较大的特征属性的权重可以适当调高，改动比较小的特征属性可以适当降低。新品特征属性的预设权重也可根据新品的具体情况而定，制定的标准可通过市场调研进行。例如，新品为一种果汁饮料，调查消费者在购买饮料时更注重饮料的哪些特征属性，可根据调查结果对权重进行赋值，例如，消费者更注重果汁饮料的口味，口味的预设权重要大一些，消费者不太注重果汁饮料的净含量，净含量的预设权重要小一些。根据市场调研结果确定新品特征属性的预设权重，从而使预测新品库存比例更为准确。
步骤S302、根据所述预设权重计算所述第一数量最多的同类商品与所述新品特征属性值匹配成功的第一权重之和；
步骤S303、选取所述第一权重之和最大的同类商品作为所述预测用商品。
例如某品牌Z推出了一款新手机，上市前对其库存比例进行预测，首先确定其同类商品，新品品牌Z的特征属性和特征属性值的预设权重如表5所示，经过步骤S1021筛选后品牌J和品牌K都是与新品特征属性值匹配成功的第一数量最多的商品，表6是品牌J和品牌K的匹配结果。从表1和表2的结果中，我们可以看出品牌J和品牌K与新品特征属性值匹配成功的数量同为四组，当经过计算第一权重之和后，品牌K的第一权重之和大于品牌J。因此，选用品牌K的手机作为预测用商品。
表5
颜色 内存 屏幕尺寸 产地 相机像素
预设权重 3 1 2 1 2
表6
Figure BDA0002772824600000091
在实施例一的实施过程中，可能会出现多个匹配成功的第一数量最多的同类商品，我们需要对其进行进一步筛选，引入权重进行评估后，权重可以体现特征属性在整体评价中的相对重要程度。在匹配数量相同的情况下，根据特征属性的重要程度进行筛选，可进一步提高新品库存比例预测的准确性。
需要说明的是，如果在第一权重之和的比较中，发现第一权重之和也相同的话，可通过比较权重最大项来确定预测用商品，即在所有满足第一权重之和最大和第一数量最多的同类商品中，选取匹配成功的特征属性单项权重最大所对应的同类商品为预测用商品。在多次比较后，仍无法筛选出唯一一个预测用商品时，可随机挑选一个作为预测用商品。
可选的，如图7所示，本申请实施例四提供的方法与实施例一提供的方法区别之处在于，所述根据新品特征属性值和同类商品特征属性值，按照如下方法确定预测用商品的步骤包括：
步骤S401、获取新品的特征属性预设权重；
步骤S402、将所述新品特征属性值与所述同类商品特征属性值匹配，根据特征属性预设权重计算所述新品特征属性值与所述同类商品特征属性值匹配成功的第二权重之和；
步骤S403、选取所述第二权重之和最大的同类商品作为所述预测用商品。
例如某品牌Z推出了一款新手机，上市前对其库存比例进行预测，首先确定同类商品有品牌L，品牌M，品牌N和品牌O，获取新品的特征属性预设权重，新品品牌Z的特征属性和特征属性值的预设权重如表5所示，将所述新品特征属性值与所述同类商品特征属性值匹配，根据特征属性预设权重计算所述新品特征属性值与所述同类商品特征属性值匹配成功的第二权重之和；同类商品品牌L，品牌M，品牌N和品牌O的特征属性和特征属性值匹配结果和第二权重之和如表7所示。从表7的结果中，我们可以看出品牌L，品牌M，品牌N和品牌O的第二权重之和分别为3，6，5，2。选取所述第二权重之和最大的同类商品品牌M作为所述预测用商品。
表7
Figure BDA0002772824600000101
本申请实施例四适用于特征属性值相对比较突出且特征属性相对较少的新品，即在某个或某几个特征属性均有大幅度调整的新品。采用计算新品特征属性值与同类商品特征属性值匹配成功的权重之和的方式确定预测用商品，可以提高预测新品库存比例的准确性。
可选的，如图8所示，本申请实施例五提供的方法与实施例四提供的方法区别之处在于，第二权重之和最大的同类商品的数量为多个，按照如下方法确定预测用商品：
步骤S501、计算所述第二权重之和最大的同类商品特征属性值与所述新品特征属性值匹配成功的第二数量；
步骤S502、选取所述第二数量最多的同类商品作为所述预测用商品。
例如某品牌Z推出了一款新手机，上市前对其库存比例进行预测，新品品牌Z的特征属性和特征属性值的预设权重如表5所示，经过步骤S402筛选后品牌P和品牌Q都是第二权重之和最大的商品，计算品牌P和品牌Q特征属性值与所述品牌Z特征属性值匹配成功的第二数量，表8是品牌P和品牌Q的结果。从表5和表8的结果中，我们可以看出品牌P和品牌Q第二权重之和均为8，当统计特征属性匹配成功的第二数量后，品牌Q的D第二数量大于品牌P。因此，选用品牌Q的手机作为预测用商品。
表8
Figure BDA0002772824600000102
在实施例四的实施过程中，可能会出现多个第二权重之和最大的同类商品，我们需要对其进行进一步筛选，引入匹配成功数量进行评估后，可以方便快捷地选出合适的预测用商品。在第二权重之和相同的情况下，根据特征属性的匹配成功数量进行筛选，可进一步提高新品库存比例预测的准确性。
需要说明的是，如果在匹配数量的比较中，发现匹配数量也相同的话，可通过比较权重最大项来确定预测用商品，即在所有同时满足第二权重之和最大和第二数量最多的同类商品中，选取匹配成功的特征属性单项权重最大所对应的同类商品为预测用商品。在多次比较后，仍无法筛选出唯一一个预测用商品时，可随机挑选一个作为预测用商品。
与现有技术相比，本申请实施例提供了一种新品库存比例预测方法，可以精确地预测新品的库存比例，使每个配货仓库不因库存不足或库存积压而降低商品的成交率。为了实现精确预测新品的库存比例，需要在新品上市前，获取新品特征属性值和新品的同类商品特征属性值；根据新品特征属性值和同类商品特征属性值，确定预测用商品；获取预测用商品在待分配仓库内与销量相关的预测用特征数据；根据预测用特征数据和预先生成的预测模型，生成预测用商品在待分配仓库的库存分配比例的预测值，确定新品在待分配仓库的库存分配比例的预测值。可见，本申请提供的新品库存比例预测方法可以提高新品库存比例预测的精准度，避免配货仓库由于库存不足或库存过量导致缺货或积压的问题，从而提高商品的成交率。
第二方面，参阅图9，本申请实施例提供了一种新品库存比例预测的装置，包括：
第一获取单元100，用于获取新品特征属性值和所述新品的同类商品特征属性值；
第一确定单元200，用于根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
第二获取单元300，用于获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
第二确定单元400，用于根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
可选地，所述第一确定单元包括：
第一确定子单元，用于将同一特征属性的所述新品特征属性值与所述同类商品特征属性值匹配，确定所述新品特征属性值与所述同类商品特征属性值的匹配成功的第一数量；
第一选取单元，用于选取所述第一数量最多的同类商品作为所述预测用商品。
进一步地，所述第一确定子单元包括：
第一判断单元，用于判断所述同类商品特征属性值是否在所述新品特征属性值的预设阈值内；
统计单元，用于如果所述同类商品特征属性值在所述新品特征属性值的预设阈值内，所述同类商品特征属性值与所述新品特征属性值匹配成功，统计所述同类商品特征属性值与所述新品特征属性值的匹配成功的第一数量。
进一步地，所述第一选取单元包括：
第二判断单元，用于判断所述第一数量最多的同类商品的数量是否为一个；
第一选取子单元，用于
如果是，所述第一数量最多的同类商品为所述预测用商品；
如果不是，获取新品特征属性的预设权重，根据所述预设权重计算所述第一数量最多的同类商品与所述新品特征属性值匹配成功的第一权重之和，选取所述第一权重之和最大的同类商品作为所述预测用商品。
可选地，所述第一确定单元包括：
第三获取单元，用于获取新品的特征属性预设权重；
计算单元，用于将同一特征属性的所述新品特征属性值与所述同类商品特征属性值匹配，根据所述特征属性预设权重计算所述新品特征属性值与所述同类商品特征属性值匹配成功的第二权重之和；
第二选取子单元，用于选取所述第二权重之和最大的同类商品作为所述预测用商品。
进一步地，所述第二选取单元包括：
第二判断单元，用于判断所述第二权重之和最大的同类商品的数量是否为一个；
第二选取子单元，用于
如果是，选取所述第二权重之和最大的同类商品为所述预测用商品；
如果不是，计算所述第二权重之和最大的同类商品与所述新品特征属性值匹配成功的第二数量，选取所述第二数量最多的同类商品作为所述预测用商品。
第三方面，本申请实施例提供了一种服务器，包括：
处理器，
以及用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取新品特征属性值和所述新品的同类商品特征属性值；
根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
与现有技术相比，本申请实施例提供了一种新品库存比例预测方法，装置及服务器，可以精确地预测新品的库存比例，使每个配货仓库不因库存不足或库存积压而降低商品的成交率。为了实现精确预测新品的库存比例，需要在新品上市前，获取新品特征属性值和新品的同类商品特征属性值；根据新品特征属性值和同类商品特征属性值，确定预测用商品；获取预测用商品在待分配仓库内与销量相关的预测用特征数据；根据预测用特征数据和预先生成的预测模型，生成预测用商品在待分配仓库的库存分配比例的预测值，确定新品在待分配仓库的库存分配比例的预测值。可见，本申请提供的新品库存比例预测方法可以提高新品库存比例预测的精准度，避免配货仓库由于库存不足或库存过量导致缺货或积压的问题，从而提高商品的成交率。
本申请可用于众多通用或专用的计算系统环境或配置中，例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域技术人员在考虑说明书及实践这里公开的申请后，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下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种新品库存比例预测的方法，其特征在于，包括：
获取新品特征属性值和新品的同类商品特征属性值；
根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
2.根据权利要求1所述的方法，其特征在于，所述根据新品特征属性值和同类商品特征属性值，确定预测用商品的步骤包括：
将同一特征属性的所述新品特征属性值与所述同类商品特征属性值匹配，确定所述新品特征属性值与所述同类商品特征属性值匹配成功的第一数量；
选取所述第一数量最多的同类商品作为所述预测用商品。
3.根据权利要求2所述的方法，其特征在于，所述确定新品特征属性值与同类商品特征属性值匹配成功的第一数量的步骤包括：
判断所述同类商品特征属性值是否在所述新品特征属性值的预设阈值内；
如果所述同类商品特征属性值在所述新品特征属性值的预设阈值内，所述同类商品特征属性值与所述新品特征属性值匹配成功，统计所述同类商品特征属性值与所述新品特征属性值匹配成功的第一数量。
4.根据权利要求2所述的方法，其特征在于，所述选取第一数量最多的同类商品作为预测用商品的步骤，包括：
判断所述第一数量最多的同类商品的数量是否为一个；
如果是，所述第一数量最多的同类商品为所述预测用商品；
如果不是，获取新品特征属性的预设权重，根据所述预设权重计算所述第一数量最多的同类商品与所述新品特征属性值匹配成功的第一权重之和，选取所述第一权重之和最大的同类商品作为所述预测用商品。
5.根据权利要求1所述的方法，其特征在于，所述根据新品特征属性值和同类商品特征属性值，确定预测用商品的步骤包括：
获取新品的特征属性预设权重；
将同一特征属性的所述新品特征属性值与所述同类商品特征属性值匹配，根据特征属性预设权重计算所述新品特征属性值与所述同类商品特征属性值匹配成功的第二权重之和；
选取所述第二权重之和最大的同类商品作为所述预测用商品。
6.根据权利要求5所述的方法，其特征在于，所述选取所述第一权重之和最大的同类商品作为所述预测用商品的步骤包括：
判断所述第二权重之和最大的同类商品的数量是否为一个；
如果是，所述第二权重之和最大的同类商品为所述预测用商品；
如果不是，计算所述第二权重之和最大的同类商品特征属性值与所述新品特征属性值匹配成功的第二数量，选取所述第二数量最多的同类商品作为所述预测用商品。
7.一种新品库存比例预测的装置，其特征在于，包括：
第一获取单元，用于获取新品特征属性值和所述新品的同类商品特征属性值；
第一确定单元，用于根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
第二获取单元，用于获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
第二确定单元，用于根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
8.根据权利要求7所述的装置，其特征在于，所述第一确定单元包括：
第一确定子单元，用于将同一特征属性的所述新品特征属性值与所述同类商品特征属性值匹配，确定所述新品特征属性值与所述同类商品特征属性值的匹配成功的第一数量；
第一选取单元，用于选取所述第一数量最多的同类商品作为所述预测用商品。
9.根据权利要求8所述的装置，其特征在于，所述第一确定子单元包括：
第一判断单元，用于判断所述同类商品特征属性值是否在所述新品特征属性值的预设阈值内；
统计单元，用于如果所述同类商品特征属性值在所述新品特征属性值的预设阈值内，所述同类商品特征属性值与所述新品特征属性值匹配成功，统计所述同类商品特征属性值与所述新品特征属性值的匹配成功的第一数量。
10.一种服务器，其特征在于，包括：
处理器，
以及用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取新品特征属性值和所述新品的同类商品特征属性值；
根据所述新品特征属性值和所述同类商品特征属性值，确定预测用商品；
获取所述预测用商品在待分配仓库内与销量相关的预测用特征数据；
根据所述预测用特征数据和预先生成的预测模型，生成所述预测用商品在所述待分配仓库的库存分配比例的预测值，确定所述新品在所述待分配仓库的库存分配比例的预测值。
CN202011255003.1A 2020-11-11 2020-11-11 一种新品库存比例预测的方法、装置及服务器 Active CN112330037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011255003.1A CN112330037B (zh) 2020-11-11 2020-11-11 一种新品库存比例预测的方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011255003.1A CN112330037B (zh) 2020-11-11 2020-11-11 一种新品库存比例预测的方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN112330037A true CN112330037A (zh) 2021-02-05
CN112330037B CN112330037B (zh) 2022-10-28

Family

ID=74318545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011255003.1A Active CN112330037B (zh) 2020-11-11 2020-11-11 一种新品库存比例预测的方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN112330037B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200279A (zh) * 2014-08-22 2014-12-10 北京京东尚科信息技术有限公司 商品首次需求预测方法和装置
CN106156880A (zh) * 2015-04-22 2016-11-23 阿里巴巴集团控股有限公司 一种预测库存分配比例的方法、装置及电子设备
CN109934646A (zh) * 2017-12-15 2019-06-25 北京京东尚科信息技术有限公司 预测新商品关联购买行为的方法及装置
CN110517077A (zh) * 2019-08-21 2019-11-29 天津货比三价科技有限公司 基于属性距离的商品相似度分析方法、装置及存储介质
CN110909997A (zh) * 2019-11-13 2020-03-24 联想(北京)有限公司 备件需求预测方法、备件需求预测装置和电子设备
CN111178624A (zh) * 2019-12-26 2020-05-19 浙江大学 一种新产品需求预测的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200279A (zh) * 2014-08-22 2014-12-10 北京京东尚科信息技术有限公司 商品首次需求预测方法和装置
CN106156880A (zh) * 2015-04-22 2016-11-23 阿里巴巴集团控股有限公司 一种预测库存分配比例的方法、装置及电子设备
CN109934646A (zh) * 2017-12-15 2019-06-25 北京京东尚科信息技术有限公司 预测新商品关联购买行为的方法及装置
CN110517077A (zh) * 2019-08-21 2019-11-29 天津货比三价科技有限公司 基于属性距离的商品相似度分析方法、装置及存储介质
CN110909997A (zh) * 2019-11-13 2020-03-24 联想(北京)有限公司 备件需求预测方法、备件需求预测装置和电子设备
CN111178624A (zh) * 2019-12-26 2020-05-19 浙江大学 一种新产品需求预测的方法

Also Published As

Publication number Publication date
CN112330037B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
Duch-Brown et al. The impact of online sales on consumers and firms. Evidence from consumer electronics
Liu et al. Optimal purchase and inventory retrieval policies for perishable seasonal agricultural products
CN107332910B (zh) 信息推送方法和装置
CN107562818A (zh) 信息推荐系统及方法
US9082086B2 (en) Adaptively learning a similarity model
CN107169806B (zh) 用于确定商品属性对于购买决策的影响度的方法及装置
Kuchler et al. Evidence from retail food markets that consumers are confused by natural and organic food labels
CN106503258A (zh) 一种网站站内精确搜索方法
CN103020240A (zh) 一种在线购物平台的商品检索方法
CN107092647B (zh) 一种提供资源组合的方法及装置
KR20170118297A (ko) 기상 정보에 기반한 상품 추천 방법
CN109447762A (zh) 商品推荐方法及其装置、服务器、商品推荐系统
KR102309855B1 (ko) B급 농산물 거래 플랫폼 시스템
CN116308684B (zh) 一种网购平台店铺信息推送方法及系统
CN111724188A (zh) 商品陈列位置的优化方法、装置、设备和存储介质
EP3400571A1 (en) Consumer decision tree generation system
CN108268519B (zh) 一种推荐网络对象的方法和装置
US20190236627A1 (en) Method for pricing data in a sharing economy
García Effects of competition and quality on hotel pricing policies in an online travel agency
US20200279280A1 (en) Algorithmic generation, qualification, and ranking of potential sales leads for human consumable nondurable goods
CN109299992A (zh) 一种向用户推荐信息的方法、装置及终端
CN112330037B (zh) 一种新品库存比例预测的方法、装置及服务器
Arboleda et al. Temporal visual profiling of market basket analysis
WO2023225529A2 (en) Predictive systems and processes for product attribute research and development
CN114723354A (zh) 一种针对供应商的线上商机挖掘方法、设备及介质

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