CN112686705A - 一种预测销售效果数据的方法、装置和电子设备 - Google Patents
一种预测销售效果数据的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112686705A CN112686705A CN202011632093.1A CN202011632093A CN112686705A CN 112686705 A CN112686705 A CN 112686705A CN 202011632093 A CN202011632093 A CN 202011632093A CN 112686705 A CN112686705 A CN 112686705A
- Authority
- CN
- China
- Prior art keywords
- market activity
- market
- effect data
- sales
- influence
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 415
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种预测销售效果数据的方法,按照时间序列模型的输入通道获取历史市场活动周期的销售效果数据,将销售效果数据划分时间区间形成序列,确定市场活动影响因子,利用时间区间序列、影响因子、销售效果数据构建基于影响因子的时间序列模型,利用该模型结合未来的市场活动任务属性信息预测销售效果数据。建模时利用了市场活动影响因子,使得预测过程能够兼顾市场活动对销量的影响;而且,由于市场活动的开展往往复杂多变,直接将影响因子作为独立的影响因素来建模和预测,而不是利用其他间接体现市场活动影响的要素,避免了间接要素转化的偏差,预测时,直接根据市场活动调整模型输入便可准确预测,提高了灵活性和准确率。
Description
技术领域
本申请涉及互联网领域,尤其涉及一种预测销售效果数据的方法、装置和电子设备。
背景技术
目前很多销售业务往往会提前制定销量计划来进行管理(比如调整进货量等),这之间,就涉及到了对销售效果的预测,目前,预测销售效果数据的方法,多是根据时间这个维度的影响来预估销量,尤其是季节、节假日这种时间对销售效果数据的影响。为了精准的预测销量,现有技术通过构建时间序列模型来自动实现预测,摆脱了人为主观影响。
然而,这种方式的预测准确率有待提升,主要是因为,时间序列模型把时间作为影响要素,实际上是利用了历史时期的销量变化趋势来对未来进行预测,过于理想,实际情况复杂多样,在遇到特殊实际情况时,往往会因为不适应实际而导致预测准确度较低,因此,有必要新提出一种预测销售效果数据的方法,以提高灵活性和准确率。
发明内容
本说明书实施例提供一种预测销售效果数据的方法、装置和电子设备,用以提高灵活性和准确率。
本说明书实施例提供一种预测销售效果数据的方法,包括:
按照时间序列模型的输入通道获取历史市场活动周期内产生的销售效果数据;
将所述销售效果数据划分时间区间,形成时间区间序列,并确定各时间序列内所开展市场活动任务的市场活动影响因子,所述市场活动影响因子为市场活动任务对销售效果数据产生干涉的影响因子;
利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型;
利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据。
可选地,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
按照竞争方市场活动、互补产品市场活动和替代产品市场活动的分类,分别收集各类市场活动的市场活动任务属性信息;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子。
可选地,所述收集各类市场活动的市场活动任务属性信息,包括:
对每个待预测的线下门店,收集在预设区域内开展的各类市场活动的市场活动任务属性信息,所述预设区域为所述线下门店的预设距离范围;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子,还包括:
按照影响衰减规则为市场活动影响因子配置衰减系数,所述影响衰减规则为衰减系数与距离成反比。
可选地,所述市场活动任务属性信息包括:市场活动周期和市场活动力度。
可选地,所述利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型,包括:
确定各时间区间的时间属性影响因子,结合所述时间属性影响因子、市场活动影响因子和销售效果数据构建基于市场活动影响因子的时间序列模型。
可选地,所述利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据,包括:
向线下门店的用户终端提供预测系统客户端,通过客户端页面接收用户为未来销售周期的时间区间配置的市场活动任务属性信息;
服务器调用所述基于市场活动影响因子的时间序列模型,基于携带市场活动任务属性信息的所述时间区间预测销售效果数据;
基于所述销售效果数据生成页面信息,向所述客户端发送基于所述销售效果数据生成的页面信息。
可选地,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
通过对比的方式确定所述市场活动任务对销售效果数据的增益。
可选地,在所述基于所述携带市场活动任务属性信息的时间区间预测销售效果数据之后,还包括:
利用未携带市场活动任务属性信息的时间区间预测无市场活动任务的销售效果数据;
确定市场活动任务所产生的增益的销售效果数据。
本说明书实施例还提供一种预测销售效果数据的装置,包括:
数据获取模块,按照时间序列模型的输入通道获取历史市场活动周期内产生的销售效果数据;
影响因子模块,将所述销售效果数据划分时间区间,形成时间区间序列,并确定各时间序列内所开展市场活动任务的市场活动影响因子,所述市场活动影响因子为市场活动任务对销售效果数据产生干涉的影响因子;
模型模块,利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型;
预测模块,利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据。
可选地,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
按照竞争方市场活动、互补产品市场活动和替代产品市场活动的分类,分别收集各类市场活动的市场活动任务属性信息;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子。
可选地,所述收集各类市场活动的市场活动任务属性信息,包括:
对每个待预测的线下门店,收集在预设区域内开展的各类市场活动的市场活动任务属性信息,所述预设区域为所述线下门店的预设距离范围;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子,还包括:
按照影响衰减规则为市场活动影响因子配置衰减系数,所述影响衰减规则为衰减系数与距离成反比。
可选地,所述市场活动任务属性信息包括:市场活动周期和市场活动力度。
可选地,所述利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型,包括:
确定各时间区间的时间属性影响因子,结合所述时间属性影响因子、市场活动影响因子和销售效果数据构建基于市场活动影响因子的时间序列模型。
可选地,所述利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据,包括:
向线下门店的用户终端提供预测系统客户端,通过客户端页面接收用户为未来销售周期的时间区间配置的市场活动任务属性信息;
服务器调用所述基于市场活动影响因子的时间序列模型,基于携带市场活动任务属性信息的所述时间区间预测销售效果数据;
基于所述销售效果数据生成页面信息,向所述客户端发送基于所述销售效果数据生成的页面信息。
可选地,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
通过对比的方式确定所述市场活动任务对销售效果数据的增益。
可选地,在所述基于所述携带市场活动任务属性信息的时间区间预测销售效果数据之后,还包括:
利用未携带市场活动任务属性信息的时间区间预测无市场活动任务的销售效果数据;
确定市场活动任务所产生的增益的销售效果数据。
本说明书实施例还提供一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现上述任一项方法。
本说明书实施例提供的各种技术方案通过按照时间序列模型的输入通道获取历史市场活动周期的销售效果数据,将销售效果数据划分时间区间形成序列,确定市场活动影响因子,利用时间区间序列、影响因子、销售效果数据构建基于影响因子的时间序列模型,利用该模型结合未来的市场活动任务属性信息预测销售效果数据。建模时利用了市场活动影响因子,使得预测过程能够兼顾市场活动对销量的影响;而且,由于市场活动的开展往往复杂多变,直接将影响因子作为独立的影响因素来建模和预测,而不是利用其他间接体现市场活动影响的要素,避免了间接要素转化的偏差,预测时,直接根据市场活动调整模型输入便可准确预测,提高了灵活性和准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种预测销售效果数据的方法的原理示意图;
图2为本说明书实施例提供的一种预测销售效果数据的装置的结构示意图;
图3为本说明书实施例提供的一种电子设备的结构示意图;
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
对现有技术进行分析发现,利用时间序列模型预测销量,实际上是将未来的某个时间与过去的某个时间做对比,根据过去的某个时间的销量预测未来对应时间的销量,然而,我们都知道,人不能两次踏入同一条河流,过去某个时间的销量是众多因素的叠加影响的结果,也许这些因素在未来依然会分别出现,但是,很大概率不会在未来对应时间(比如未来年份的同一个日期)同时出现,那么,未来的时间点的销售效果就不再与过去相同,因为要素的叠加方式产生了差异,因此,单纯的以时间序列来预测,灵活性很差,很多时候只是机械的预测。
现有技术之所以这么去预测,是因为很多因素难以把控,索性用各要素叠加后在时间上的表现来作为评价指标,这实际上是间接的利用了各要素对销量的影响,者之间存在要素之间的转化关系,而这种转化关系必然存在偏差。在实际上,在现实业务中,有些要素是受控的,比如销售时开展的优惠市场活动,如果这些市场活动能够被定量描述出来,把市场活动柜对销售效果的影响单独作为一项影响因素,那么,后续在市场活动调整时,就可以以实际的市场活动影响因子作为预测过程的输入,便能够预测出用实际的市场活动的进行叠加后的销量。这里的叠加,可以理解为多个要素共同对销量产生干涉影响。
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种预测销售效果数据的方法的原理示意图,该方法可以包括:
S101:按照时间序列模型的输入通道获取历史市场活动周期内产生的销售效果数据。
在本说明书实施例中,我们为各门店提供服务,为各线下门店预测销量,因此,按照时间序列模型的输入通道获取历史市场活动周期内产生的销售效果数据,可以包括:
获取各线下门店在历史市场活动周期内产生的销售效果数据。
其中,在一种实施方式中,可以是,线下门店用户终端中安装有的客户端,或者交互式小程序,用户按照预设的上报周期对销售效果数据进行上报;
在建模时,便收集数据库中的数据,利用各门店的数据做样本,以机器学习的方式进行建模。
其中,用户还可以上报市场活动任务,包括自身门店的市场活动任务,也可以包括竞争方的市场活动任务。其中,市场活动任务可以携带产品信息。
在一种实际场景中,门店的销量预测线下门店的用户可以在一天内对多种产品举办市场活动,这些产品可能是替代品,也可能是互补品,因此,通过上报市场活动任务对应的产品类型,可以兼顾门店内部的市场活动之间的相互影响而将各市场活动的影响独立出来作为一个影响因素。
S102:将所述销售效果数据划分时间区间,形成时间区间序列,并确定各时间序列内所开展市场活动任务的市场活动影响因子,所述市场活动影响因子为市场活动任务对销售效果数据产生干涉的影响因子。
其中,影响因子是基于市场活动的各种属性信息转化出的指标。
在本说明书实施例中,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
通过对比的方式确定所述市场活动任务对销售效果数据的增益。
在本说明书实施例中,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
按照竞争方市场活动、互补产品市场活动和替代产品市场活动的分类,分别收集各类市场活动的市场活动任务属性信息;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子。
在本说明书实施例中,所述市场活动任务属性信息包括:市场活动周期和市场活动力度。
在一种实际应用场景中,市场活动力度可以是打折力度,市场活动任务属性信息还可以包括市场活动区位等级、市场活动区域大小等。
在本说明书实施例中,所述收集各类市场活动的市场活动任务属性信息,包括:
对每个待预测的线下门店,收集在预设区域内开展的各类市场活动的市场活动任务属性信息,所述预设区域为所述线下门店的预设距离范围;
所述结合各类市场活动的市场活动任务属性信息确定市场活动影响因子,还包括:
按照影响衰减规则为市场活动影响因子配置衰减系数,所述影响衰减规则为衰减系数与距离成反比。
S103:利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型。
在本说明书实施例中,利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型,可以是利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据,利用机器学习的方式构建基于市场活动影响因子的时间序列模型。
在本说明书实施例中,所述利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型,包括:
确定各时间区间的时间属性影响因子,结合所述时间属性影响因子、市场活动影响因子和销售效果数据构建基于市场活动影响因子的时间序列模型。
这样,能够将时间周期对销量的影响单独作为一个独立的影响因素,从而在预测时作为模型的一项可选输入,进而提高灵活性。
S104:利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据。
通过按照时间序列模型的输入通道获取历史市场活动周期的销售效果数据,将销售效果数据划分时间区间形成序列,确定市场活动影响因子,利用时间区间序列、影响因子、销售效果数据构建基于影响因子的时间序列模型,利用该模型结合未来的市场活动任务属性信息预测销售效果数据。建模时利用了市场活动影响因子,使得预测过程能够兼顾市场活动对销量的影响;而且,由于市场活动的开展往往复杂多变,直接将影响因子作为独立的影响因素来建模和预测,而不是利用其他间接体现市场活动影响的要素,避免了间接要素转化的偏差,预测时,直接根据市场活动调整模型输入便可准确预测,提高了灵活性和准确率。
其中,销售效果数据可以是销量,也可以是销售盈利,在此不做限制。
在本说明书实施例中,在所述基于所述携带市场活动任务属性信息的时间区间预测销售效果数据之后,还包括:
利用未携带市场活动任务属性信息的时间区间预测无市场活动任务的销售效果数据;
确定市场活动任务所产生的增益的销售效果数据。
在一种应用场景中,通过预测确定市场活动任务所产生的增益的销售效果数据,在结合销售趋势和季节波动,便也能够精确预测销量。
这样,可以预测市场活动引起的销量增加量,从而可以判断是否值得开展市场活动,避免开展市场活动后才发现预期销售盈利小于实际市场活动成本的情况发生。
在本说明书实施例中,所述利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据,包括:
向线下门店的用户终端提供预测系统客户端,通过客户端页面接收用户为未来销售周期的时间区间配置的市场活动任务属性信息;
服务器调用所述基于市场活动影响因子的时间序列模型,基于携带市场活动任务属性信息的所述时间区间预测销售效果数据;
基于所述销售效果数据生成页面信息,向所述客户端发送基于所述销售效果数据生成的页面信息。
在本说明书实施例中,可以以图标的形式显示预测得到的销售效果数据。
在本说明书实施例中,该方法还可以包括:
为向线下门店的用户的多种市场活动方案预测销售效果数据并排序;
用户通过对比选择销售效果数据位于首位的市场活动任务。
这样能够实现销量最大化,而且通过模型进行预测,减少了预期与实际的偏差,有利于控制成本。
在本说明书实施例中,还可以按照线下门店所处的区域进行分类汇总。
在时间序列的基础上将市场活动影响因子引入预测系统,使得市场活动的成本和效果得到更合理的量化,为进一步提高市场活动的效率提供依据。
图2为本说明书实施例提供的一种预测销售效果数据的装置的结构示意图,该装置可以包括:
数据获取模块201,按照时间序列模型的输入通道获取历史市场活动周期内产生的销售效果数据;
影响因子模块202,将所述销售效果数据划分时间区间,形成时间区间序列,并确定各时间序列内所开展市场活动任务的市场活动影响因子,所述市场活动影响因子为市场活动任务对销售效果数据产生干涉的影响因子;
模型模块203,利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型;
预测模块204,利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据。
在本说明书实施例中,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
按照竞争方市场活动、互补产品市场活动和替代产品市场活动的分类,分别收集各类市场活动的市场活动任务属性信息;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子。
在本说明书实施例中,所述收集各类市场活动的市场活动任务属性信息,包括:
对每个待预测的线下门店,收集在预设区域内开展的各类市场活动的市场活动任务属性信息,所述预设区域为所述线下门店的预设距离范围;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子,还包括:
按照影响衰减规则为市场活动影响因子配置衰减系数,所述影响衰减规则为衰减系数与距离成反比。
在本说明书实施例中,所述市场活动任务属性信息包括:市场活动周期和市场活动力度。
在本说明书实施例中,所述利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型,包括:
确定各时间区间的时间属性影响因子,结合所述时间属性影响因子、市场活动影响因子和销售效果数据构建基于市场活动影响因子的时间序列模型。
在本说明书实施例中,所述利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据,包括:
向线下门店的用户终端提供预测系统客户端,通过客户端页面接收用户为未来销售周期的时间区间配置的市场活动任务属性信息;
服务器调用所述基于市场活动影响因子的时间序列模型,基于携带市场活动任务属性信息的所述时间区间预测销售效果数据;
基于所述销售效果数据生成页面信息,向所述客户端发送基于所述销售效果数据生成的页面信息。
在本说明书实施例中,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
通过对比的方式确定所述市场活动任务对销售效果数据的增益。
在本说明书实施例中,在所述基于所述携带市场活动任务属性信息的时间区间预测销售效果数据之后,还包括:
利用未携带市场活动任务属性信息的时间区间预测无市场活动任务的销售效果数据;
确定市场活动任务所产生的增益的销售效果数据。
该装置按照时间序列模型的输入通道获取历史市场活动周期的销售效果数据,将销售效果数据划分时间区间形成序列,确定市场活动影响因子,利用时间区间序列、市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型,利用该模型结合未来的市场活动任务属性信息预测销售效果数据。建模时利用了市场活动影响因子,使得预测过程能够兼顾市场活动对销量的影响;而且,由于市场活动的开展往往复杂多变,直接将市场活动影响因子作为独立的影响因素来建模和预测,而不是利用其他间接体现市场活动影响的要素,避免了间接要素转化所引起的偏差,预测时,直接根据市场活动调整模型输入便可准确预测,提高了灵活性和准确率。
基于同一发明构思,本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340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310执行,使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320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)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205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330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300也可以与一个或多个外部设备400(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300交互的设备通信,和/或与使得该电子设备300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350进行。并且,电子设备300还可以通过网络适配器360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360可以通过总线330与电子设备300的其它模块通信。应当明白,尽管图3中未示出,可以结合电子设备300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,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明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计算机可读的存储介质(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)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机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发明操作的程序代码,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)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种预测销售效果数据的方法,其特征在于,包括:
按照时间序列模型的输入通道获取历史市场活动周期内产生的销售效果数据;
将所述销售效果数据划分时间区间,形成时间区间序列,并确定各时间序列内所开展市场活动任务的市场活动影响因子,所述市场活动影响因子为市场活动任务对销售效果数据产生干涉的影响因子;
利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型;
利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据。
2.根据权利要求1所述的方法,其特征在于,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
按照竞争方市场活动、互补产品市场活动和替代产品市场活动的分类,分别收集各类市场活动的市场活动任务属性信息;
结合各类市场活动的市场活动任务属性信息确定市场活动影响因子。
3.根据权利要求2所述的方法,其特征在于,所述收集各类市场活动的市场活动任务属性信息,包括:
对每个待预测的线下门店,收集在预设区域内开展的各类市场活动的市场活动任务属性信息,所述预设区域为所述线下门店的预设距离范围;
所述结合各类市场活动的市场活动任务属性信息确定市场活动影响因子,还包括:
按照影响衰减规则为市场活动影响因子配置衰减系数,所述影响衰减规则为衰减系数与距离成反比。
4.根据权利要求2所述的方法,其特征在于,所述市场活动任务属性信息包括:市场活动周期和市场活动力度。
5.根据权利要求1所述的方法,其特征在于,所述利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型,包括:
确定各时间区间的时间属性影响因子,结合所述时间属性影响因子、市场活动影响因子和销售效果数据构建基于市场活动影响因子的时间序列模型。
6.根据权利要求1所述的方法,其特征在于,所述利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据,包括:
向线下门店的用户终端提供预测系统客户端,通过客户端页面接收用户为未来销售周期的时间区间配置的市场活动任务属性信息;
服务器调用所述基于市场活动影响因子的时间序列模型,基于携带市场活动任务属性信息的所述时间区间预测销售效果数据;
基于所述销售效果数据生成页面信息,向所述客户端发送基于所述销售效果数据生成的页面信息。
7.根据权利要求6所述的方法,其特征在于,所述确定各时间序列内所开展市场活动任务的市场活动影响因子,包括:
通过对比的方式确定所述市场活动任务对销售效果数据的增益。
8.一种预测销售效果数据的装置,其特征在于,包括:
数据获取模块,按照时间序列模型的输入通道获取历史市场活动周期内产生的销售效果数据;
影响因子模块,将所述销售效果数据划分时间区间,形成时间区间序列,并确定各时间序列内所开展市场活动任务的市场活动影响因子,所述市场活动影响因子为市场活动任务对销售效果数据产生干涉的影响因子;
模型模块,利用所述时间区间序列及其对应的市场活动影响因子、销售效果数据构建基于市场活动影响因子的时间序列模型;
预测模块,利用所述基于市场活动影响因子的时间序列模型结合未来销售周期的市场活动任务属性信息预测未来销售周期的销售效果数据。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632093.1A CN112686705B (zh) | 2020-12-31 | 2020-12-31 | 一种预测销售效果数据的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632093.1A CN112686705B (zh) | 2020-12-31 | 2020-12-31 | 一种预测销售效果数据的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686705A true CN112686705A (zh) | 2021-04-20 |
CN112686705B CN112686705B (zh) | 2024-02-27 |
Family
ID=75455921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011632093.1A Active CN112686705B (zh) | 2020-12-31 | 2020-12-31 | 一种预测销售效果数据的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610657A (zh) * | 2021-10-10 | 2021-11-05 | 江苏四方精密钢管有限公司 | 一种钢管制品的推广销售方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110969467A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
-
2020
- 2020-12-31 CN CN202011632093.1A patent/CN112686705B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969467A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
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 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610657A (zh) * | 2021-10-10 | 2021-11-05 | 江苏四方精密钢管有限公司 | 一种钢管制品的推广销售方法及系统 |
CN113610657B (zh) * | 2021-10-10 | 2021-12-24 | 江苏四方精密钢管有限公司 | 一种钢管制品的推广销售方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112686705B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10192172B2 (en) | Methods and systems for predictive engine evaluation and replay of engine performance | |
US20150371244A1 (en) | Forecasting information technology workload demand | |
US11693705B2 (en) | Green cloud computing recommendation system | |
KR20140120306A (ko) | 마케팅 믹스 솔루션 생성 시스템 및 방법 | |
WO2006047595A2 (en) | Apparatus and method for measuring service performance | |
CN103608807A (zh) | 路径长度选择器 | |
US20200311749A1 (en) | System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior | |
CN113761348A (zh) | 一种信息推荐方法、装置、电子设备和存储介质 | |
Dube et al. | AI gauge: Runtime estimation for deep learning in the cloud | |
CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
US20170154349A1 (en) | System and method for blending promotion effects based on statistical relevance | |
US20230032739A1 (en) | Propensity modeling process for customer targeting | |
CN112686705B (zh) | 一种预测销售效果数据的方法、装置和电子设备 | |
CN110544118A (zh) | 销量预测方法、装置、介质和计算设备 | |
CN112819531A (zh) | 人群包的自定义上线方法、装置及电子设备 | |
CN113792039A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN116266313A (zh) | 网络库存补货规划器 | |
Malik et al. | Forecasting price of amazon spot instances using machine learning | |
CN110874737B (zh) | 支付方式推荐方法、装置、电子设备、存储介质 | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
US20150006342A1 (en) | Generating a Simulated Invoice | |
CN111506643A (zh) | 用于生成信息的方法、装置和系统 | |
CN118096260B (zh) | 广告计划生成方法、装置、设备及存储介质 | |
CN108229715A (zh) | 市场模拟优化系统 | |
CN113919868A (zh) | 一种基于营销提升模型的权益派发方法、装置和电子设备 |
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 |