CN112365295A - 一种下单概率预测方法、装置、设备及可读存储介质 - Google Patents

一种下单概率预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112365295A
CN112365295A CN202011383213.9A CN202011383213A CN112365295A CN 112365295 A CN112365295 A CN 112365295A CN 202011383213 A CN202011383213 A CN 202011383213A CN 112365295 A CN112365295 A CN 112365295A
Authority
CN
China
Prior art keywords
order
user
commodity
amount
prediction
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
CN202011383213.9A
Other languages
English (en)
Other versions
CN112365295B (zh
Inventor
徐意
徐明月
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 Pinjie Network Technology Co Ltd
Original Assignee
Hangzhou Pinjie Network 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 Pinjie Network Technology Co Ltd filed Critical Hangzhou Pinjie Network Technology Co Ltd
Priority to CN202011383213.9A priority Critical patent/CN112365295B/zh
Publication of CN112365295A publication Critical patent/CN112365295A/zh
Application granted granted Critical
Publication of CN112365295B publication Critical patent/CN112365295B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种下单概率预测方法、装置、设备及计算机可读存储介质，方法包括：根据用户的历史订单信息获取各商品的商品信息；根据下单影响因素的历史值及对应的平均下单量构建商品的下单量预测模型；将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，得到用户对各商品的下单量，根据对各商品的下单量计算订单采购总金额；根据订单采购总金额、电商平台的起订金额确定起订系数，根据用户在预测时段的已购买力及起订金额确定购买力系数；根据起订系数、购买力系数及销售拜访系数计算用户的下单概率。本申请公开的上述技术方案，可以实现自动、无需人为干预的预测用户的下单概率，因此，可以提高下单概率预测的准确性。

Description

一种下单概率预测方法、装置、设备及可读存储介质
技术领域
本申请涉及下单概率预测技术领域，更具体地说，涉及一种下单概率预测方法、装置、设备及计算机可读存储介质。
背景技术
在快消品行业中，经营品类都是快速消费的商品，如果其在经营过程中总是出现缺货或滞货会给电商平台及整个市场带来不好的影响。为了减少缺货和滞货，则需要对店铺的下单概率进行预测，以便根据下单概率进行商品采购。
目前，主要是由销售人员根据用户的历史购买情况并结合自身经验来进行下单概率预测，但是，这种预测方式会因销售人员经验及主观因素等的影响而导致预测偏差比较大，从而导致商品采购的准确性比较低。
综上所述，如何提高用户下单概率预测的准确性，是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请的目的是提供一种下单概率预测方法、装置、设备及计算机可读存储介质，用于提高用户下单概率预测的准确性。
为了实现上述目的，本申请提供如下技术方案：
一种下单概率预测方法，包括：
根据用户的历史订单信息获取各商品的商品信息；所述商品信息包括在预设时长内的平均下单量、下单影响因素的历史值；
根据所述下单影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型；
将各所述商品的下单影响因素在预测时段内的数值输入到对应的所述下单量预测模型中，得到所述用户在所述预测时段对各所述商品的下单量，根据对各所述商品的下单量计算所述用户的订单采购总金额；
根据所述订单采购总金额、电商平台的起订金额确定起订系数，根据所述用户在所述预测时段的已购买力及所述起订金额确定购买力系数；
根据所述起订系数、所述购买力系数及销售拜访系数，计算所述用户的下单概率。
优选的，在根据用户的历史订单信息获取各商品的商品信息之后，还包括：
根据所述商品的下单影响因素的历史值及对应的平均下单量确定主影响因素；
相应地，根据所述下单影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型，包括：
根据所述主影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型；
将各所述商品的下单影响因素在预测时段内的数值输入到对应的所述下单量预测模型中，包括：
将各所述商品的主影响因素在所述预测时段内的数值输入到对应的所述下单量预测模型中。
优选的，在根据所述商品的下单影响因素的历史值及对应的平均下单量确定主影响因素之前，还包括：
根据所述商品在所述预设时长内的平均下单量及各所述下单影响因素的历史值，采用相关性分析法对各所述下单影响因素进行相关性分析，得到所述下单影响因素间的相关性；
在所述相关性大于预设值的至少两个下单影响因素中保留一个下单影响因素。
优选的，根据所述商品的下单影响因素的历史值及对应的平均下单量确定主影响因素，包括：
根据所述商品的下单影响因素的历史值及对应的平均下单量，利用主成分分析法确定主影响因素。
优选的，根据所述订单采购总金额、电商平台的起订金额确定起订系数，包括：
判断所述订单采购总金额是否大于或等于所述起订金额；
若是，则设定所述起订系数等于1；
若否，则利用K1＝1-a*INT{(A0-A)/b}计算所述起订系数；其中，K1为所述起订系数，0.1≤K1＜1，A0为所述起订金额，A为所述订单采购总金额，b为金额梯度，a为衰减系数，INT为取整函数。
优选的，根据所述用户在所述预测时段的已购买力及所述起订金额确定购买力系数，包括：
预先根据各历史用户的画线数据，采用聚类算法对各所述历史用户进行分类，以得到多个类别，并确定各所述类别在所述预设时长内的购买力；
获取所述用户的画线数据，根据所述用户的画线数据确定所述用户所属的类别，并根据所述用户所属的类别确定所述用户在所述预设时长内的购买力；
获取所述用户在所述预测时段内的已购买力，根据所述用户在所述预设时长内的购买力、所述用户在所述预测时段内的已购买力，确定所述用户在所述预测时段的剩余购买力；所述预测时段的时长为所述预设时长；
判断所述剩余购买力是否大于或等于所述起订金额；
若是，则设定所述购买力系数等于1；
若否，则利用K2＝1-a*INT{(A0-B)/b}计算所述购买力系数；其中，K2为所述购买力系数，0.1≤K2＜1，A0为所述起订金额，B为所述剩余购买力，b为金额梯度，a为衰减系数，INT为取整函数。
优选的，获取所述销售拜访系数的过程包括：
获取所述预设时长内对所述用户进行销售拜访的平均拜访次数、在进行销售拜访后所述用户在所述预设时长内的平均下单次数；
根据所述平均下单次数及所述平均拜访次数，计算所述销售拜访系数。
一种下单概率预测装置，包括：
获取模块，用于根据用户的历史订单信息获取各商品的商品信息；所述商品信息包括在预设时长内的平均下单量、下单影响因素的历史值；
构建模块，用于根据所述下单影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型；
得到下单量模块，用于将各所述商品的下单影响因素在预测时段内的数值输入到对应的所述下单量预测模型中，得到所述用户在所述预测时段对各所述商品的下单量，根据对各所述商品的下单量计算所述用户的订单采购总金额；
第一确定模块，用于根据所述订单采购总金额、电商平台的起订金额确定起订系数，根据所述用户在所述预测时段的已购买力及所述起订金额确定购买力系数；
得到下单概率模块，用于根据所述起订系数、所述购买力系数及销售拜访系数，计算所述用户的下单概率。
一种下单概率预测设备，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述任一项所述的下单概率预测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的下单概率预测方法的步骤。
本申请提供了一种下单概率预测方法、装置、设备及计算机可读存储介质，其中，该方法包括：根据用户的历史订单信息获取各商品的商品信息；商品信息包括在预设时长内的平均下单量、下单影响因素的历史值；根据下单影响因素的历史值及对应的平均下单量构建商品的下单量预测模型；将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，得到用户在预测时段对各商品的下单量，根据对各商品的下单量计算用户的订单采购总金额；根据订单采购总金额、电商平台的起订金额确定起订系数，根据用户在预测时段的已购买力及起订金额确定购买力系数；根据起订系数、购买力系数及销售拜访系数，计算用户的下单概率。
本申请公开的上述技术方案，根据用户的历史订单信息获取各商品的商品信息，根据各商品的商品信息中的下单影响因素的历史值、对应的平均下单量构建商品的下单量预测模型，将各商品的下单量影响因素在预测时段内的数值输入到与商品对应的下单量预测模型中，以得到用户在预测时段内对各商品的下单量，根据对各商品的下单量计算用户的订单采购总金额，并根据用户的订单采购总金额、电商平台的起订金额确定用户的起订系数，根据用户在预测时段内的已购买力及起订金额确定用户的购买力系数，且根据所确定出的起订系数、购买力系数及销售拜访系数计算用户下单概率，相较于现有技术由人工根据经验进行下单概率预测，本申请可以实现自动、无需人为干预的预测用户的下单概率，因此，则可以提高用户下单概率预测的准确性。
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申请的实施例，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为本申请实施例提供的一种下单概率预测方法的流程图；
图2为本申请实施例提供的一种下单概率预测装置的结构示意图；
图3为本申请实施例提供的一种下单概率预测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，其示出了本申请实施例提供的一种下单概率预测方法的流程图，本申请实施例提供的一种下单概率预测方法，可以包括：
S11：根据用户的历史订单信息获取各商品的商品信息；商品信息包括在预设时长内的平均下单量、下单影响因素的历史值。
考虑到现有由销售人员根据用户历史购买情况及经验进行下单概率预测会存在因销售人员经验及主观因素等的影响而导致预测偏差比较大，为此，本申请提供一种下单概率预测方法，用于提高用户下单概率预测的准确性，从而减少缺货和滞货。
具体地，可以获取电商平台应用后台的用户的历史订单信息，并根据用户的历史订单信息获取用户所下单的各商品的商品信息，其中，这里提及的历史订单信息具体可以包括各商品的下单时间等信息，且每个商品的商品信息具体可以包括用户在预设时间内对该商品的平均下单量、下单影响因素的历史值，另外，每个商品的商品信息还可以包括商品名称、商品型号等信息，且这里提及的下单影响因素具体包含但不限于毛利率((零售价-订货下单价)/零售价)、时节因素(可进一步包含节日、节气)、天气信息(可进一步包含温度和天气)等。
需要说明的是，下单影响因素的历史值可以包含在历史订单信息中，或者可以在获取各商品的商品信息时基于各商品的下单时间而同步获取与其对应的下单影响因素的历史值。另外，需要说明的是，上述提及的预设时长具体可以为一周或者一个月等，本申请对此不做任何限定。
S12：根据下单影响因素的历史值及对应的平均下单量构建商品的下单量预测模型。
在执行完步骤S11之后，可以根据下单影响因素的历史值以及与下单影响因素的历史值对应的商品在预设时长内的平均下单量为样本数据，具体可以以下单影响因素的历史值为输入数据，以其对应的在预设时长内的平均下单量为输出数据而构建商品的下单量预测模型，具体可以构建BP(back propagation)神经网络下单量预测模型，从而便于根据所构建的商品的下单量预测模型进行商品下单量的预测。需要说明的是，可以根据各商品的商品信息中的下单影响因素的历史值及其对应的平均下单量分别构建与各商品对应的下单量预测模型。
其中，BP神经网络下单量预测模型的构建过程具体为如下：
根据下单影响因素的个数确定BP神经网络的输入层节点为m个(具体与下单影响因素的个数相同)，根据输入数据对应的在预设时长内的平均下单量确定BP神经网络的输出层节点个数为1个，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”得出最佳的隐含层节点个数，以构建BP神经网络，然后，采用具体的输入数据和对应的输出数据对所构建的BP神经网络进行训练，以得到BP神经网络下单量预测模型。
S13：将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，得到用户在预测时段对各商品的下单量，根据对各商品的下单量计算用户的订单采购总金额。
在构建得到各商品的下单量预测模型之后，可以将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，以分别得到用户在预测时段对各商品的下单量。其中，这里提及的预测时段的时长为预设时长，例如：当上述步骤S11中提及的预设时长为一周时，则这里提及的预测时段具体可以为本周或者下周等。
在得到用户在预测时段内对各商品的下单量之后，可以将各商品的下单量与其对应的订货下单价相乘，以得到每个商品的订单采购金额，且将各商品的订单采购金额相加，以得到用户的订单采购总金额。
S14：根据订单采购总金额、电商平台的起订金额确定起订系数，根据用户在预测时段的已购买力及起订金额确定购买力系数。
在确定用户的订单采购总金额之后，可以根据所确定出的订单采购总金额以及电商平台的起订金额确定起订系数L，以利用起订系数L表征电商平台的起订金额条件，如果订单总金额不满足起订条件，则用户下单概率低，如果订单总金额满足起订条件，则用户下单概率高。同时可以获取用户在预测时段内的已购买力，并根据用户在预测时段内的已购买力及电商平台的起订金额确定购买力系数M。
S15：根据起订系数、购买力系数及销售拜访系数，计算用户的下单概率。
考虑到用户的下单不仅会受其订单采购总金额和购买力的影响，同样也会受到销售拜访的影响，因此，在获取起订系数L以及购买力系数M的同时可以获取用户的销售拜访系数N，该销售拜访系数N等于拜访转化率，即每次销售线下拜访用户后该用户下单的概率，之后，则可以根据起订系数L、购买力系数M、销售拜访系数N，利用P＝L*M*N计算用户的下单概率P。
相较于现有需要人工根据用户购买情况及经验进行下单概率预测，本申请可以通过根据用户的历史订单信息实现自动、无需人为干预的用户下单概率预测，因此，则可以提高用户下单概率预测的准确性，以提高商品采购的准确性，从而减少缺货和滞货，同时可以减少用户下单概率预测过程中的人力和时间成本的消耗，提高用户下单概率预测的准确性。
本申请公开的上述技术方案，根据用户的历史订单信息获取各商品的商品信息，根据各商品的商品信息中的下单影响因素的历史值、对应的平均下单量构建商品的下单量预测模型，将各商品的下单量影响因素在预测时段内的数值输入到与商品对应的下单量预测模型中，以得到用户在预测时段内对各商品的下单量，根据对各商品的下单量计算用户的订单采购总金额，并根据用户的订单采购总金额、电商平台的起订金额确定用户的起订系数，根据用户在预测时段内的已购买力及起订金额确定用户的购买力系数，且根据所确定出的起订系数、购买力系数及销售拜访系数计算用户下单概率，相较于现有技术由人工根据经验进行下单概率预测，本申请可以实现自动、无需人为干预的预测用户的下单概率，因此，则可以提高用户下单概率预测的准确性。
本申请实施例提供的一种下单概率预测方法，在根据用户的历史订单信息获取各商品的商品信息之后，还可以包括：
根据商品的下单影响因素的历史值及对应的平均下单量确定主影响因素；
相应地，根据下单影响因素的历史值及对应的平均下单量构建商品的下单量预测模型，可以包括：
根据主影响因素的历史值及对应的平均下单量构建商品的下单量预测模型；
将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，可以包括：
将各商品的主影响因素在预测时段内的数值输入到对应的下单量预测模型中。
当根据用户的历史订单信息获取各商品的商品信息之后，可以根据商品的下单影响因素的历史值及对应的平均下单量确定分别影响各商品下单量的主影响因素，即确定每个商品对应的主影响因素，相应地，在构建下单量预测模型时则是根据所确定出的主影响因素的历史值及其对应的平均下单量构建商品的下单量预测模型，且在进行用户在预测时段内对各商品的下单量预测时，是将各商品的主影响因素在预测时段内的数值输入到与该商品对应的下单量预测模型中，以对应得到用户在预测时段内对各商品的下单量。
上述确定主影响因素一方面可以使得所构建得到的下单量预测模型的准确性比较高，从而便于提高商品下单量预测的准确性，另一方面可以减少数据处理量，从而可以便于提高用户下单概率预测的效率。
本申请实施例提供的一种下单概率预测方法，在根据商品的下单影响因素的历史值及对应的平均下单量确定主影响因素之前，还可以包括：
根据商品在预设时长内的平均下单量及各下单影响因素的历史值，采用相关性分析法对各下单影响因素进行相关性分析，得到下单影响因素间的相关性；
在相关性大于预设值的至少两个下单影响因素中保留一个下单影响因素。
在根据商品的下单影响因素的历史值及对应的平均下单量确定主影响因素之前，可以根据商品在预测时长内的平均下单量及各下单影响因素的历史值，采用相关性分析法对各下单影响因素进行相关性分析，以得到影响因素间的相关性，然后，在相关性大于预设值的各组下单影响因素中(该组所包含的下单影响因素的个数至少为两个)保留任一个下单影响，并删除该组下单影响中除所保留的影响因素之外的其余下单影响因素，也即去除相关性较高的两个以上下单影响因素中的多余下单影响因素，只保留其中一个下单影响因素，以减少数据处理量，并便于提高下单量预测模型的收敛性。
本申请实施例提供的一种下单概率预测方法，根据商品的下单影响因素的历史值及对应的平均下单量确定主影响因素，可以包括：
根据商品的下单影响因素的历史值及对应的平均下单量，利用主成分分析法确定主影响因素。
在确定主影响因素时，可以根据商品的下单影响因素的历史值以及对应的平均下单量，采用主成分分析法得出影响商品下单量的主成分因素，并将所得出的主分成因素确定为主影响因素。
本申请实施例提供的一种下单概率预测方法，根据订单采购总金额、电商平台的起订金额确定起订系数，可以包括：
判断订单采购总金额是否大于或等于起订金额；
若是，则设定起订系数等于1；
若否，则利用K1＝1-a*INT{(A0-A)/b}计算起订系数；其中，K1为起订系数，0.1≤K1＜1，A0为起订金额，A为订单采购总金额，b为金额梯度，a为衰减系数，INT为取整函数。
在根据订单采购总金额、电商平台的起订金额确定起订系数时，可以判断订单采购总金额是否大于或等于电商平台的起订金额，若订单采购总金额大于或等于电商平台的起订金额，则表明用户的下单概率比较大，此时，可以设定起订系数等于1，若订单采购总金额小于电商平台的起订金额，则可以利用K1＝1-a*INT{(A0-A)/b}计算起订系数K1，其中，0.1≤K1＜1，A0为起订金额，A为订单采购总金额，INT为取整函数，b为金额梯度，a为衰减系数，衰减系数的含义具体为在每个金额梯度下起订系数就从1衰减一个a，在实际应用中，b的大小一般为50，a的大小一般为0.05，也即每50块钱起订系数就从1中衰减一个0.05。
本申请实施例提供的一种下单概率预测方法，根据用户在预测时段的已购买力及起订金额确定购买力系数，可以包括：
预先根据各历史用户的画线数据，采用聚类算法对各历史用户进行分类，以得到多个类别，并确定各类别在预设时长内的购买力；
获取用户的画线数据，根据用户的画线数据确定用户所属的类别，并根据用户所属的类别确定用户在预设时长内的购买力；
获取用户在预测时段内的已购买力，根据用户在预设时长内的购买力、用户在预测时段内的已购买力，确定用户在预测时段的剩余购买力；预测时段的时长为预设时长；
判断剩余购买力是否大于或等于起订金额；
若是，则设定购买力系数等于1；
若否，则利用K2＝1-a*INT{(A0-B)/b}计算购买力系数；其中，K2为购买力系数，0.1≤K2＜1，A0为起订金额，B为剩余购买力，b为金额梯度，a为衰减系数，INT为取整函数。
在根据用户在预测时段的已购买力及起订金额确定购买力系数时，可以预先根据电商平台中各历史用户的画线数据而采用聚类算法(具体采用K-means聚类算法)对各历史用户进行分类，以得到多个类别，并确定每个类别在预设时长内的购买力，也即形成类别与购买力间的对应关系，其中，这里提及的画线数据可以包括历史用户的店铺面积、店铺类型、店铺位置等。在形成类别与购买力间的对应关系之后，可以获取需要进行下单概率预测的用户的画线数据，并根据该用户的画线数据确定该用户所属的类别，之后，则可以根据用户所属的类别以及类别与购买力间的对应关系确定用户在预设时长内的购买力，同时可以获取用户在预测时段(预测时段的时长为预设时长)内的已购买力，并将用户在预设时长内的购买力减去该用户在预测时段内的已购买力得到该用户的剩余购买力。
在得到用户的剩余购买力之后，可以根据用户的剩余购买力以及电商平台的起订金额确定购买力系数，具体地，可以判断用户的剩余购买力是否大于或等于电商平台的起订金额，若用户的剩余购买力是否大于或等于电商平台的起订金额，则表明用户下单的可能性比较大，此时，可以设定购买力系数等于1，若用户的剩余购买力小于电商平台的起订金额，则可以利用K2＝1-a*INT{(A0-B)/b}计算购买力系数K2，其中，0.1≤K2＜1，A0为起订金额，B为剩余购买力，INT为取整函数，b为金额梯度，a为衰减系数，衰减系数的含义与上述起订系数计算过程中相同，在此不再赘述。
本申请实施例提供的一种下单概率预测方法，获取销售拜访系数的过程可以包括：
获取预设时长内对用户进行销售拜访的平均拜访次数、在进行销售拜访后用户在预设时长内的平均下单次数；
根据平均下单次数及平均拜访次数，计算销售拜访系数。
在本申请中，销售拜访系数的获取过程具体为：获取预设时长内对用户进行销售拜访的平均拜访系数以及在进行销售拜访之后用户在预设时长内的平均下单次数，然后，将平均下单次数除以平均拜访次数，得到销售拜访系数，以便于提高销售拜访系数获取的准确性。
本申请实施例还提供了一种下单概率预测装置，参见图2，其示出了本申请实施例提供的一种下单概率预测装置的结构示意图，可以包括：
获取模块21，用于根据用户的历史订单信息获取各商品的商品信息；商品信息可以包括在预设时长内的平均下单量、下单影响因素的历史值；
构建模块22，用于根据下单影响因素的历史值及对应的平均下单量构建商品的下单量预测模型；
得到下单量模块23，用于将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，得到用户在预测时段对各商品的下单量，根据对各商品的下单量计算用户的订单采购总金额；
第一确定模块24，用于根据订单采购总金额、电商平台的起订金额确定起订系数，根据用户在预测时段的已购买力及起订金额确定购买力系数；
得到下单概率模块25，用于根据起订系数、购买力系数及销售拜访系数，计算用户的下单概率。
本申请实施例提供的一种下单概率预测装置，还可以包括：
第二确定模块，用于在根据用户的历史订单信息获取各商品的商品信息之后，根据商品的下单影响因素的历史值及对应的平均下单量确定主影响因素；
相应地，构建模块22可以包括：
构建单元，用于根据主影响因素的历史值及对应的平均下单量构建商品的下单量预测模型；
得到下单量模块23可以包括：
输入单元，用于将各商品的主影响因素在预测时段内的数值输入到对应的下单量预测模型中。
本申请实施例提供的一种下单概率预测装置，还可以包括：
分析模块，用于在根据商品的下单影响因素的历史值及对应的平均下单量确定主影响因素之前，根据商品在预设时长内的平均下单量及各下单影响因素的历史值，采用相关性分析法对各下单影响因素进行相关性分析，得到下单影响因素间的相关性；
保留模块，用于在相关性大于预设值的至少两个下单影响因素中保留一个下单影响因素。
本申请实施例提供的一种下单概率预测装置，第二确定模块可以包括：
第一确定单元，用于根据商品的下单影响因素的历史值及对应的平均下单量，利用主成分分析法确定主影响因素。
本申请实施例提供的一种下单概率预测装置，第一确定模块24可以包括：
第一判断单元，用于判断订单采购总金额是否大于或等于起订金额；
第一设定单元，用于若订单采购总金额大于或等于起订金额，则设定起订系数等于1；
第一计算单元，用于若订单采购总金额小于起订金额，则利用K1＝1-a*INT{(A0-A)/b}计算起订系数；其中，K1为起订系数，0.1≤K1＜1，A0为起订金额，A为订单采购总金额，b为金额梯度，a为衰减系数，INT为取整函数。
本申请实施例提供的一种下单概率预测装置，第一确定模块24可以包括：
分类单元，用于预先根据各历史用户的画线数据，采用聚类算法对各历史用户进行分类，以得到多个类别，并确定各类别在预设时长内的购买力；
第二确定单元，用于获取用户的画线数据，根据用户的画线数据确定用户所属的类别，并根据用户所属的类别确定用户在预设时长内的购买力；
第三确定单元，用于获取用户在预测时段内的已购买力，根据用户在预设时长内的购买力、用户在预测时段内的已购买力，确定用户在预测时段的剩余购买力；预测时段的时长为预设时长；
第二判断单元，用于判断剩余购买力是否大于或等于起订金额；
第二设定单元，用于若剩余购买力大于或等于起订金额，则设定购买力系数等于1；
第二计算单元，用于若剩余购买力小于起订金额，则利用K2＝1-a*INT{(A0-B)/b}计算购买力系数；其中，K2为购买力系数，0.1≤K2＜1，A0为起订金额，B为剩余购买力，b为金额梯度，a为衰减系数，INT为取整函数。
本申请实施例提供的一种下单概率预测装置，还可以包括用于获取销售拜访系数的系数获取模块，该系数获取模块可以包括：
获取单元，用于获取预设时长内对用户进行销售拜访的平均拜访次数、在进行销售拜访后用户在预设时长内的平均下单次数；
第三计算单元，用于根据平均下单次数及平均拜访次数，计算销售拜访系数。
本申请实施例还提供了一种下单概率预测设备，参见图3，其示出了本申请实施例提供的一种下单概率预测设备的结构示意图，可以包括：
存储器31，用于存储计算机程序；
处理器32，用于执行存储器31存储的计算机程序时可实现如下步骤：
根据用户的历史订单信息获取各商品的商品信息；商品信息包括在预设时长内的平均下单量、下单影响因素的历史值；根据下单影响因素的历史值及对应的平均下单量构建商品的下单量预测模型；将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，得到用户在预测时段对各商品的下单量，根据对各商品的下单量计算用户的订单采购总金额；根据订单采购总金额、电商平台的起订金额确定起订系数，根据用户在预测时段的已购买力及起订金额确定购买力系数；根据起订系数、购买力系数及销售拜访系数，计算用户的下单概率。
本申请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中存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
根据用户的历史订单信息获取各商品的商品信息；商品信息包括在预设时长内的平均下单量、下单影响因素的历史值；根据下单影响因素的历史值及对应的平均下单量构建商品的下单量预测模型；将各商品的下单影响因素在预测时段内的数值输入到对应的下单量预测模型中，得到用户在预测时段对各商品的下单量，根据对各商品的下单量计算用户的订单采购总金额；根据订单采购总金额、电商平台的起订金额确定起订系数，根据用户在预测时段的已购买力及起订金额确定购买力系数；根据起订系数、购买力系数及销售拜访系数，计算用户的下单概率。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的一种下单概率预测装置、设备及计算机可读存储介质中相关部分的说明可以参见本申请实施例提供的一种下单概率预测方法中对应部分的详细说明，在此不再赘述。
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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请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申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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 (10)

1.一种下单概率预测方法，其特征在于，包括：
根据用户的历史订单信息获取各商品的商品信息；所述商品信息包括在预设时长内的平均下单量、下单影响因素的历史值；
根据所述下单影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型；
将各所述商品的下单影响因素在预测时段内的数值输入到对应的所述下单量预测模型中，得到所述用户在所述预测时段对各所述商品的下单量，根据对各所述商品的下单量计算所述用户的订单采购总金额；
根据所述订单采购总金额、电商平台的起订金额确定起订系数，根据所述用户在所述预测时段的已购买力及所述起订金额确定购买力系数；
根据所述起订系数、所述购买力系数及销售拜访系数，计算所述用户的下单概率。
2.根据权利要求1所述的下单概率预测方法，其特征在于，在根据用户的历史订单信息获取各商品的商品信息之后，还包括：
根据所述商品的下单影响因素的历史值及对应的平均下单量确定主影响因素；
相应地，根据所述下单影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型，包括：
根据所述主影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型；
将各所述商品的下单影响因素在预测时段内的数值输入到对应的所述下单量预测模型中，包括：
将各所述商品的主影响因素在所述预测时段内的数值输入到对应的所述下单量预测模型中。
3.根据权利要求2所述的下单概率预测方法，其特征在于，在根据所述商品的下单影响因素的历史值及对应的平均下单量确定主影响因素之前，还包括：
根据所述商品在所述预设时长内的平均下单量及各所述下单影响因素的历史值，采用相关性分析法对各所述下单影响因素进行相关性分析，得到所述下单影响因素间的相关性；
在所述相关性大于预设值的至少两个下单影响因素中保留一个下单影响因素。
4.根据权利要求3所述的下单概率预测方法，其特征在于，根据所述商品的下单影响因素的历史值及对应的平均下单量确定主影响因素，包括：
根据所述商品的下单影响因素的历史值及对应的平均下单量，利用主成分分析法确定主影响因素。
5.根据权利要求1所述的下单概率预测方法，其特征在于，根据所述订单采购总金额、电商平台的起订金额确定起订系数，包括：
判断所述订单采购总金额是否大于或等于所述起订金额；
若是，则设定所述起订系数等于1；
若否，则利用K1＝1-a*INT{(A0-A)/b}计算所述起订系数；其中，K1为所述起订系数，0.1≤K1＜1，A0为所述起订金额，A为所述订单采购总金额，b为金额梯度，a为衰减系数，INT为取整函数。
6.根据权利要求1所述的下单概率预测方法，其特征在于，根据所述用户在所述预测时段的已购买力及所述起订金额确定购买力系数，包括：
预先根据各历史用户的画线数据，采用聚类算法对各所述历史用户进行分类，以得到多个类别，并确定各所述类别在所述预设时长内的购买力；
获取所述用户的画线数据，根据所述用户的画线数据确定所述用户所属的类别，并根据所述用户所属的类别确定所述用户在所述预设时长内的购买力；
获取所述用户在所述预测时段内的已购买力，根据所述用户在所述预设时长内的购买力、所述用户在所述预测时段内的已购买力，确定所述用户在所述预测时段的剩余购买力；所述预测时段的时长为所述预设时长；
判断所述剩余购买力是否大于或等于所述起订金额；
若是，则设定所述购买力系数等于1；
若否，则利用K2＝1-a*INT{(A0-B)/b}计算所述购买力系数；其中，K2为所述购买力系数，0.1≤K2＜1，A0为所述起订金额，B为所述剩余购买力，b为金额梯度，a为衰减系数，INT为取整函数。
7.根据权利要求1所述的下单概率预测方法，其特征在于，获取所述销售拜访系数的过程包括：
获取所述预设时长内对所述用户进行销售拜访的平均拜访次数、在进行销售拜访后所述用户在所述预设时长内的平均下单次数；
根据所述平均下单次数及所述平均拜访次数，计算所述销售拜访系数。
8.一种下单概率预测装置，其特征在于，包括：
获取模块，用于根据用户的历史订单信息获取各商品的商品信息；所述商品信息包括在预设时长内的平均下单量、下单影响因素的历史值；
构建模块，用于根据所述下单影响因素的历史值及对应的平均下单量构建所述商品的下单量预测模型；
得到下单量模块，用于将各所述商品的下单影响因素在预测时段内的数值输入到对应的所述下单量预测模型中，得到所述用户在所述预测时段对各所述商品的下单量，根据对各所述商品的下单量计算所述用户的订单采购总金额；
第一确定模块，用于根据所述订单采购总金额、电商平台的起订金额确定起订系数，根据所述用户在所述预测时段的已购买力及所述起订金额确定购买力系数；
得到下单概率模块，用于根据所述起订系数、所述购买力系数及销售拜访系数，计算所述用户的下单概率。
9.一种下单概率预测设备，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任一项所述的下单概率预测方法的步骤。
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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的下单概率预测方法的步骤。
CN202011383213.9A 2020-12-01 2020-12-01 一种下单概率预测方法、装置、设备及可读存储介质 Active CN112365295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011383213.9A CN112365295B (zh) 2020-12-01 2020-12-01 一种下单概率预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011383213.9A CN112365295B (zh) 2020-12-01 2020-12-01 一种下单概率预测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112365295A true CN112365295A (zh) 2021-02-12
CN112365295B CN112365295B (zh) 2024-05-31

Family

ID=74535807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011383213.9A Active CN112365295B (zh) 2020-12-01 2020-12-01 一种下单概率预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112365295B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699174A (zh) * 2021-03-23 2021-04-23 中建电子商务有限责任公司 一种大数据建筑用品驱动链图生成方法
CN113506152A (zh) * 2021-07-08 2021-10-15 四川新龟科技有限公司 一种商品下单方法、装置、设备及存储介质
CN113658597A (zh) * 2021-08-01 2021-11-16 杭州拼便宜网络科技有限公司 语音下单方法、装置、电子设备和计算机可读介质
CN117495504A (zh) * 2023-11-20 2024-02-02 广州市翎泷科技有限公司 数字商品的订单数据分析方法、系统、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003281350A (ja) * 2002-03-19 2003-10-03 Dentsu Tec Inc 商品群別顧客価値分析による顧客管理コストの低減方法
JP2007094983A (ja) * 2005-09-30 2007-04-12 Jarufunetto:Kk 定番商品の販売方法およびそのシステム
CN105335875A (zh) * 2015-10-30 2016-02-17 小米科技有限责任公司 购买力预测方法和装置
CN110570221A (zh) * 2018-06-06 2019-12-13 成都美吉房地产营销策划有限公司 房地产定向营销的方法
CN111667307A (zh) * 2020-05-28 2020-09-15 中国工商银行股份有限公司 一种理财产品销量的预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003281350A (ja) * 2002-03-19 2003-10-03 Dentsu Tec Inc 商品群別顧客価値分析による顧客管理コストの低減方法
JP2007094983A (ja) * 2005-09-30 2007-04-12 Jarufunetto:Kk 定番商品の販売方法およびそのシステム
CN105335875A (zh) * 2015-10-30 2016-02-17 小米科技有限责任公司 购买力预测方法和装置
CN110570221A (zh) * 2018-06-06 2019-12-13 成都美吉房地产营销策划有限公司 房地产定向营销的方法
CN111667307A (zh) * 2020-05-28 2020-09-15 中国工商银行股份有限公司 一种理财产品销量的预测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699174A (zh) * 2021-03-23 2021-04-23 中建电子商务有限责任公司 一种大数据建筑用品驱动链图生成方法
CN112699174B (zh) * 2021-03-23 2021-08-17 中建电子商务有限责任公司 一种大数据建筑用品驱动链图生成方法
CN113506152A (zh) * 2021-07-08 2021-10-15 四川新龟科技有限公司 一种商品下单方法、装置、设备及存储介质
CN113658597A (zh) * 2021-08-01 2021-11-16 杭州拼便宜网络科技有限公司 语音下单方法、装置、电子设备和计算机可读介质
CN113658597B (zh) * 2021-08-01 2024-04-30 杭州拼便宜网络科技有限公司 语音下单方法、装置、电子设备和计算机可读介质
CN117495504A (zh) * 2023-11-20 2024-02-02 广州市翎泷科技有限公司 数字商品的订单数据分析方法、系统、设备和存储介质

Also Published As

Publication number Publication date
CN112365295B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
CN112365295A (zh) 一种下单概率预测方法、装置、设备及可读存储介质
CN111445134B (zh) 商品的销量预测方法、装置、计算机设备和存储介质
JP2004519021A (ja) 動的値付けシステム
Sun et al. An order-splitting model for supplier selection and order allocation in a multi-echelon supply chain
CN112132618A (zh) 一种商品价格确定方法、装置、设备及可读存储介质
JPWO2005024689A1 (ja) 消費者の購買行動分析方法及び装置
JP2009265747A (ja) マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体
Moussawi-Haidar et al. An instantaneous replenishment model under the effect of a sampling policy for defective items
CN111768243A (zh) 销量预测方法、预测模型构建方法、装置、设备及介质
CN113674040A (zh) 车辆的报价方法、计算机设备和计算机可读存储介质
Kulshrestha et al. Study for the prediction of E-commerce business market growth using machine learning algorithm
CN112053213A (zh) 一种商品推荐方法、系统及相关装置
CN111507779A (zh) 一种对商品进行等级划分的方法和装置
US20120290361A1 (en) System and method for efficiently estimating a reliable price elasticity of demand using the joint demand model
CN116402581A (zh) 基于人工智能的电商数据管理方法及系统
Chee et al. Data Analytics Approach for Short-term Sales Forecasts Using Limited Information in E-commerce Marketplace
JPH08279013A (ja) 適正在庫量設定方式
CN112017000B (zh) 一种商品信息推送方法、装置、设备及存储介质
CN114971083A (zh) 一种货物购买预测出售的方法
CN111400622B (zh) 一种分布式电商系统中紧缺商品数量展现方法及装置
CN114202369A (zh) 一种销量预测方法及装置
CN115456656A (zh) 消费者购买意向预测方法、装置、电子设备及存储介质
Jolhe et al. A structured approach to prioritise critical-to-customer-satisfaction attributes of consumer durable products
JP2002230273A (ja) 事業リスク管理方法
CN112232945A (zh) 一种确定个人客户授信的方法及装置

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