CN112990955A - 收益预测方法、收益预测系统及图案化用户接口 - Google Patents
收益预测方法、收益预测系统及图案化用户接口 Download PDFInfo
- Publication number
- CN112990955A CN112990955A CN201911388074.6A CN201911388074A CN112990955A CN 112990955 A CN112990955 A CN 112990955A CN 201911388074 A CN201911388074 A CN 201911388074A CN 112990955 A CN112990955 A CN 112990955A
- Authority
- CN
- China
- Prior art keywords
- pricing
- path
- order
- level
- tree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000006698 induction Effects 0.000 claims abstract description 18
- 230000001939 inductive effect Effects 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000003020 moisturizing effect Effects 0.000 description 4
- 230000037361 pathway Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
- 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
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种收益预测方法、收益预测系统及图案化用户接口。收益预测系统包括一储存装置及一处理装置。处理装置包括一定价树建立单元、一归纳单元、一路径建立单元、一仿真数据建立单元及一估测单元。定价树建立单元用以依据一目标产品于数个特征阶层、一定价阶层及一订单阶层的内容，建立一定价树。归纳单元用以依据订单阶层的目标历史订单，归纳定价节点。路径建立单元产生数个近似产品之数个定价路径。仿真数据建立单元用以依据各个定价路径与定价树之一相关性，获得数笔仿真历史订单。估测单元以一机率模型分析出一预订定价的一总收益。
Description
技术领域
本公开是有关于一种收益预测方法、收益预测系统及图案化用户接口。
背景技术
在追求收益最大化的商品的定价过程中，需要考虑的环境变因过于复杂。在多种不同假设情况下，仅就单一预测模型是不足以提供合理的信息让用户获得正确决策所需的各种信息。
过去销售预测因为商业环境因素众多，需考虑市场营销、财务管理、库存管理及物流。这些面向的变化快速，难以实时掌握数据和分析。另外，商务分析不像天气仿真，在专家知识和理论原理上是较为缺乏的。因此，需通过数据驱动化(data driven)的方式，找出局部可代表性的特征事实，做为仿真依据。由于AIoT的发展，各平台零售交易数据的取得变得更加容易，因此可以通过虚拟交易环境的建立来进行各种情境的模拟与测试，让原拟订的各种营销策略具有主动预测的功能，可降低策略的失败率。
在过去数据仿真的技术中，研究人员可以基于历史记录的单一品牌商品价格销售仿真。若数据太少，仿真结果的可信度会不够，或是无法进行模拟。此外，过去的数据仿真技术没有考虑商品/品牌/通路间的竞争关系，使得总收益的预测不够准确。
公开内容
本公开系有关于一种收益预测方法、收益预测系统及图案化用户接口。
根据本公开的一实施例，提出一种收益预测方法。收益预测方法包括以下步骤。依据一目标产品于数个特征阶层、一定价阶层及一订单阶层之内容，以一处理装置建立一定价树。定价阶层包括数个定价节点(pricing node)。订单阶层包括数笔目标历史订单。各个目标历史订单记录一购买者、一购买数量及一折扣。依据订单阶层的目标历史订单，以处理装置归纳定价节点。以处理装置产生数个近似产品的数个定价路径(path)。各个定价路径包括这些特征阶层、定价阶层及订单阶层。至少依据各个定价路径与该定价树的一相关性，以处理装置获得数笔仿真历史订单。依据目标历史订单及仿真历史订单，处理装置以一机率模型分析出一预订定价的一总收益。
根据本公开之另一实施例，提出一种收益预测系统。收益预测系统包括一储存装置及一处理装置。处理装置包括一定价树建立单元、一归纳单元、一路径建立单元、一仿真数据建立单元及一估测单元。定价树建立单元用以依据一目标产品于数个特征阶层、一定价阶层及一订单阶层的内容，建立一定价树。定价阶层包括数个定价节点(pricing node)。订单阶层包括数笔目标历史订单。各个目标历史订单记录一购买者、一购买数量及一折扣。定价树储存于储存装置中。归纳单元用以依据订单阶层的目标历史订单，归纳定价节点。路径建立单元产生数个近似产品的数个定价路径(path)。各个定价路径包括这些特征阶层、定价阶层及订单阶层。仿真数据建立单元用以至少依据各个定价路径与定价树的一相关性，获得数笔仿真历史订单。估测单元用以依据目标历史订单及仿真历史订单，以一机率模型分析出一预订定价的一总收益。
根据本公开的再一实施例，提出一种图案化用户接口。图案化用户接口包括一定价树显示窗口、一归纳按钮、一仿真历史订单增加按钮、一预定定价输入窗口及一总收益显示窗口。定价树显示窗口用以显示一定价树。定价树依据一目标产品于数个特征阶层、一定价阶层及一订单阶层的内容所取得。定价阶层包括数个定价节点(pricing node)。订单阶层包括数笔目标历史订单。各个目标历史订单记录一购买者、一购买数量及一折扣。归纳按钮用以供一用户点选后输入一归纳指令，以依据订单阶层的目标历史订单，归纳定价节点。仿真历史订单增加按钮用以供用户点选后产生数个近似产品的数个定价路径(path)。各个定价路径包括这些特征阶层、定价阶层及订单阶层，并且至少依据各个定价路径与定价树的一相关性，获得数笔仿真历史订单。预定定价输入窗口用以供用户输入一预订定价。总收益显示窗口用以显示预订定价的一总收益。总收益依据目标历史订单及仿真历史订单，以一机率模型所分析出。
附图说明
图1绘示根据一实施例的收益预测系统的示意图。
图2绘示根据一实施例的收益预测方法的流程图。
图3绘示根据步骤S110的一示例图。
图4绘示步骤S120的一示例图。
图5绘示步骤S130的一示例图。
图6绘示步骤S130的另一示例图。
图7绘示步骤S140的一示例图。
图8绘示定价路径扩增后的目标历史订单与仿真历史订单。
图9绘示根据一实施例的图案化用户接口。
附图标记说明
1000：收益预测系统
100：处理装置
110：定价树建立单元
120：归纳单元
130：路径建立单元
140：仿真数据建立单元
150：估测单元
200：储存装置
900：图案化用户接口
910：定价树显示窗口
920：归纳按钮
930：仿真历史订单增加按钮
940：预定定价输入窗口
950：总收益显示窗口
B31、B32：品牌节点
BN：品牌阶层
BR：购买者
DC：折扣
F31、F32：功能节点
FN：功能阶层
L31、L32：定位节点
LC：定位阶层
ML：机率模型
O11、O12、O13、O14、O15：目标历史订单
O41、O42、O43、O44、O45：仿真历史订单
OD：订单阶层
P11、P12、P13、P14、P15、P21、P22、P23：定价节点
PP：预定定价
PR：定价阶层
QT：购买数量
S110、S120、S130、S140、S150：步骤
T21、T22、T23、T31、T32、T33、T34、T35、T36、T37、T38、T39：定价路径
TR10、TR20：定价树
RV：总收益
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
请参照图1，其绘示根据一实施例的收益预测系统1000的示意图。收益预测系统1000包括一处理装置100及一储存装置200。处理装置100包括一定价树建立单元110、一归纳单元120、一路径建立单元130、一仿真数据建立单元140及一估测单元150。定价树建立单元110、归纳单元120、路径建立单元130、仿真数据建立单元140及估测单元150例如是一电路、一芯片、一电路板、数组程序代码或储存程序代码的储存装置。储存装置200例如是内存、硬盘、光盘或云端数据储存中心。定价树建立单元110连接于储存装置200、归纳单元120。归纳单元120连接于定价树建立单元110、仿真数据建立单元140、储存装置200。估测单元150连接于仿真数据建立单元140、储存装置200。路径建立单元130连接于仿真数据建立单元140、储存装置200。储存装置200连接于定价树建立单元110、归纳单元120、路径建立单元130、估测单元150。本实施例之收益预测系统1000能够利用数据归纳技术归纳历史数据，并且根据近似商品/品牌/通路竞争关系来扩增局部数据，以提升总收益的预测的准确度。以下更通过流程图详细说明上述各项组件的运作。
请参照图2，其绘示根据一实施例的收益预测方法的流程图。在步骤S110中，定价树建立单元110依据一目标产品于数个特征阶层(如品牌阶层BN、功能阶层FN、定位阶层LC等，本公开不限于此，特征阶层也可是年龄阶层/消费族群阶层(男女/少女/学生等))、一定价阶层PR及一订单阶层OD的内容，建立一定价树(例如是图3的定价树TR10)。请参照图3，其绘示根据步骤S110的一示例图。定价阶层PR包括数个定价节点(pricing node)P11～P15。定价节点P11～P15分别为“80元”、“90元”、“100元”、“110元”、“120元”。订单阶层OD包括数笔目标历史订单。举例来说，定价节点P11没有任何目标历史订单，定价节点P13有5笔目标历史订单O11～O15。各个目标历史订单O11～O15记录一购买者BR、一购买数量QT及一折扣DC。举例来说，目标历史订单O11的购买者BR、购买数量QT及折扣DC分别为“b1”、“3”、“10％”；目标历史订单O12的购买者BR、购买数量QT及折扣DC分别为“b2”、“5”、“15％”。
如图3的定价树TR10所示，定价节点P11没有任何目标历史订单。定价节点P11根本没有历史数据能够作为根据来取得近似的仿真订单。因此，需要进一步调整定价阶层PR的定价节点P11～P15的配置，以使每一定价节点都能够有足够数量的目标历史订单。
接着，在步骤S120中，归纳单元120依据订单阶层OD的目标历史订单，归纳定价节点。如图3所示，若定价节点P11～P15的其中一的订单数量低于一阈值(例如是2)，则进行合并。请参照图4，其绘示步骤S120的一示例图。在此步骤中，定价节点P11的订单数量为0，小于2，归纳单元120将定价节点P11与定价节点P12合并为定价节点P21。定价节点P14的订单数量为1，小于2，归纳单元120将定价节点P14与定价节点P15合并为定价节点P23。定价阶层PR经过数据归纳后，各个定价节点P21～P23都能够有足够数量的目标历史订单。如图3和图4所示，图3的定价节点P11～P15被归纳为图4之定价节点P21～P23。在图4中，定价树TR20的定价节点P21～P23分别为“低价位”、“中价位”、“高价位”。
各定价节点P21～P23拥有足够的订单数量后，即可通过以下步骤S120～S130扩增局部数据。
在步骤S130中，路径建立单元130产生数个近似产品的数个定价路径(path)(例如是图5的定价路径T31～T37、…)。请参照图5，其绘示步骤S130的一示例图。各个定价路径T31～T37、…包括数个特征阶层(如品牌阶层BN、功能阶层FN、定位阶层LC等，本公开不限于此，特征阶层也可是年龄阶层/消费族群阶层(男女/少女/学生等))、定价阶层PR及订单阶层OD。品牌阶层BN例如是包括品牌节点B31、B32，品牌节点B31、B32分别为“AA”、“BB”。功能阶层FN例如是包括功能节点F31、F32、…，功能节点F31、F32分别为“保湿”、“美白”。定位阶层LC例如是包括定位节点L31、L32，定位节点L31、L32分别为“开架」、「专柜”。如图5所示，按照品牌阶层BN、功能阶层FN、定位阶层LC、定价阶层PR及订单阶层OD的排列顺序可以建立出数个定价路径T31～T37、…。其中，定价路径T31～T33的品牌节点B31、功能节点F31、定位节点L31分别为“AA”、“保湿”、“开架”，与前述图4的定价树TR20的定价路径T21～T23一致。也就是说，定价路径T31～T33的订单阶层OD的内容与定价路径T21～T23的订单阶层OD的内容是完全一致的。
定价路径T34的品牌节点B31、功能节点F31、定位节点L32分别为“AA”、“保湿”、“专柜”，定价路径T35的品牌节点B31、功能节点F31、定位节点L32分别为“AA”、“保湿”、“专柜”，定价路径T36的品牌节点B32、功能节点F31、定位节点L31分别为“BB”、“保湿”、“开架”，定价路径T37的品牌节点B32、功能节点F32、定位节点L31分别为“BB”、“美白”、“开架”。定价路径T34～T37、…的特征阶层的内容不同于图4之定价树TR20的定价路径T21～T23之特征阶层的内容。这些定价路径T34～T37、…代表不同商品/品牌/通路间的竞争关系。若从这些定价路径T34～T37、…可以根据订单阶层OD的内容搜寻出与定价路径T21～T23近似者，近似的定价路径的数据是具有可参考价值的，可将其加入定价树TR20，以提升总收益的预测的准确度。
品牌阶层BN、功能阶层FN、定位阶层LC可以按照不同的排列顺序，建立出各种不同的定价路径。请参照图6，其绘示步骤S130的另一示例图。根据另一种排列顺序，可以获得其他定价路径T38、T39、…等。定价路径T38、T39、…按照品牌阶层BN、定位阶层LC、功能阶层FN的顺序来建立。同样的，这些定价路径T38、T39、…代表不同商品/品牌/通路间的竞争关系。
在上述步骤S130所产生的数个定价路径T34～T39、…中，定价路径T34～T39、…的特征阶层的排列不完全相同。并且，各个定价路径T34～T39、…的特征阶层的内容与目标产品之特征阶层的内容不完全相同。举例来说，定价路径T34的特征阶层的内容为：“『AA』、『保湿』、『专柜』”；定价路径T36的特征阶层的内容为：“『BB』、『保湿』、『开架』”；目标产品的特征阶层的内容为：“『AA』、『保湿』、『开架』”。定价路径T34的特征阶层的内容与目标产品的特征阶层的内容不完全相同，定价路径T36的特征阶层的内容与目标产品的特征阶层的内容不完全相同。
若从这些定价路径T34～T39、…可以根据订单阶层OD的内容搜寻出与定价路径T21～T23近似者，近似的定价路径是具有可参考价值的，可将其加入定价树TR20，以提升总收益的预测的准确度。
在步骤S140中，仿真数据建立单元140依据各个定价路径与定价树之一相关性，获得数笔仿真历史订单(例如是依据图6的定价路径T39与图4定价树TR20的定价路径T22的相关性，获得图7的仿真历史订单O41～O45)。请参照图7，其绘示步骤S140之一示例图。在此步骤中，仿真数据建立单元140优先针对定价路径T34～T39、…中数据量最大者的订单阶层OD的内容计算与定价路径T21、定价路径T22或定价路径T23的相关性。若相关性高于一预定值者，则视为仿真历史订单。
两个定价路径的关联性可以用皮尔生相关系数(Pearson correlationcoefficient)来表示，其根据这两个定价路径之商品被购买的频率，来计算关联性。相关性的计算说明如下式(1)。
其中，ρ_(X，Y)表示“X”、“Y”两个定价路径的关联性，Cov(X，Y)表示“X”定价路径与“Y”定价路径的共变异数，Var(X)表示“X”定价路径的变异数，Var(Y)表示“Y”定价路径的变异数。SX∪Y表示“X”定价路径之商品和“Y”定价路径的商品一起被购买的频率，SX表示“X”定价路径的商品被购买的频率、SY表示“Y”定价路径的商品被购买的频率。
在一实施例中，定价路径T22的商品被购买了30次，定价路径T37之商品被购买了50次，而他们一起被购买了25次，在数据库中，商品的总购买次数为100次，那么定价路径T22与定价路径T37的关联性为
在另一实施例中，假设定价路径T22之商品被购买了40次，定价路径T39之商品被购买了50次，而他们一起被购买了30次，在数据库中，商品的总购买次数为150次，那么定价路径T22与定价路径T39的关联性为
定价路径T22与定价路径T39的关联性较高。
如图7所示，定价路径T39的订单阶层OD的内容与定价路径T22的相关性高，则可将定价路径T39之订单阶层OD的内容视为仿真历史订单O41～O45。仿真历史订单O41～O45可以加入定价路径T22的目标历史订单O11～O15中，以使定价树TR20进行局部扩增。请参照图8，其绘示定价路径T22扩增后的目标历史订单O11～O15与仿真历史订单O41～O45。
上述的定价树TR20可以经过步骤S130、S140进行局部扩增，使得定价树TR20的数据量能够大幅增加，有助于提升后续进行总收益预测的准确度。
接着，在步骤S150中，估测单元150依据这些目标历史订单及这些仿真历史订单，以一机率模型分析出一预订定价的一总收益(例如是依据图8的目标历史订单O11～O15及仿真历史订单O41～O45，以图1的机率模型ML分析出预定定价PP的总收益RV)。
举例来说，预定定价PP为130元时，机率模型ML为下表一。预定定价PP高于原来的定价节点较多，购买者的转购机率较低；预定定价PP高于原来的定价节点不多、或者预定定价PP低于原来的定价节点时，购买者的转购机率较高。在相同价差之下，不同的购买者的转购机率也不相同。转购机率取得方式，可以是依照产品的市占比例，也可以是根据购买者的之前的购买记录显示其对商品的喜好程度作为机率的判定依据。
表一
按照表一之机率模型ML分析出130元的预订定价的总收益RV为“(3*90％*20％*$130+3*90％*80％*$110)+(5*85％*10％*$130+5*85％*90％*$110)+(8*110％*50％*$130+8*110％*50％*$110)+(5*110％*30％*$130+5*110％*70％*$110)+(4*95％*40％*$130+4*95％*60％*$110)+(2*95％*20％*$130+2*95％*80％*$110)+(1*90％*10％*$130+1*90％*90％*$110)+(2*110％*50％*$130+2*110％*50％*$110)+(4*90％*30％*$130+4*90％*70％*$110)+(5*110％*40％*$130+5*110％*60％*$110)＝3967.5”
如此一来，各种预定定价PP皆可以估测出总收益，以便于决策者拟定最佳的预定定价PP。针对预定定价PP进行总收益的估测。由于每个购买者的转购机率不同，而造成每一次估测的总收益不一样，这时当所有估测的总收益都跑完，最佳者与最差者进行平均，以取得平均值。
请参照图9，其绘示根据一实施例的图案化用户接口900。图案化用户接口900例如是呈现于一桌上型显示屏幕、一智能型手机之屏幕、一平板计算机的屏幕。图案化用户接口900包括一定价树显示窗口910、一归纳按钮920、一仿真历史订单增加按钮930、一预定定价输入窗口940及一总收益显示窗口950。
定价树显示窗口910用以显示上述之定价树TR10。归纳按钮920用以供一用户点选后输入一归纳指令，以进行数据归纳。归纳后的定价树TR20会显示于定价树显示窗口910中。
仿真历史订单增加按钮930用以供用户点选后按照上述步骤S130、S140获得数笔仿真历史订单(例如是图7的仿真历史订单O41～O45)。
预定定价输入窗口940用以供用户输入预订定价(例如是130元)。总收益显示窗口950用以显示预定定价PP的总收益RV(例如是3967.5元)。
根据上述实施例，收益预测系统1000能够利用数据归纳技术归纳历史数据，并且根据近似商品/品牌/通路竞争关系来扩增局部数据，以提升总收益RV的预测的准确度。
综上所述，虽然本公开已以实施例公开如上，然其并非用以限定本公开。本公开所属技术领域中具有通常知识者，在不脱离本公开之精神和范围内，当可作各种之更动与润饰。因此，本公开之保护范围当视后附的申请专利范围所界定者为准。
Claims (21)
1.一种收益预测方法，其特征在于该收益预测方法包括：
依据一目标产品于多个特征阶层、一定价阶层及一订单阶层的内容，以一处理装置建立一定价树，该定价阶层包括多个定价节点，该订单阶层包括多笔目标历史订单，各该目标历史订单记录一购买者、一购买数量及一折扣；
依据该订单阶层的这些目标历史订单，以该处理装置归纳这些定价节点；
以该处理装置产生多个近似产品的多个定价路径，各该定价路径包括这些特征阶层、该定价阶层及该订单阶层；
至少依据各该定价路径与该定价树之一相关性，以该处理装置获得多笔仿真历史订单；以及
依据这些目标历史订单及这些仿真历史订单，该处理装置以一机率模型分析出一预订定价之一总收益。
2.根据权利要求1所述的收益预测方法，其中在归纳这些定价节点的步骤中，若这些定价节点其中之一的订单数量低于一阈值，则进行合并。
3.根据权利要求1所述的收益预测方法，其中在产生这些定价路径的步骤中，这些定价路径的这些特征阶层的排列不完全相同。
4.根据权利要求1所述的收益预测方法，其中在产生这些定价路径的步骤中，这些定价路径的这些特征阶层的内容与该目标产品之这些特征阶层的内容不完全相同。
5.根据权利要求1所述的收益预测方法，其中在获得多笔仿真历史订单的步骤中，该相关性为各该定价路径的该订单阶层与该定价树的这些定价节点的其中之一所对应的这些目标历史订单的相关程度。
6.根据权利要求1所述的收益预测方法，其中在获得多笔仿真历史订单的步骤中，还依据各该定价路径的该订单阶层的数据量，获得这些仿真历史订单。
7.根据权利要求1所述的收益预测方法，其中在分析出该预订定价的该总收益的步骤中，该机率模型为各购买者以该预订定价的一转购机率。
8.根据权利要求1所述的收益预测方法，其中所述定价路径的这些特征阶层包括品牌、功能、定位。
9.一种收益预测系统，其特征在于该收益预测系统包括：
一储存装置；以及
一处理装置，连接该储存装置，该处理装置包括：
一定价树建立单元，用以依据一目标产品于多个特征阶层、一定价阶层及一订单阶层的内容，建立一定价树，该定价阶层包括多个定价节点，该订单阶层包括多笔目标历史订单，各该目标历史订单记录一购买者、一购买数量及一折扣，该定价树储存于该储存装置中；
一归纳单元，用以依据该订单阶层的这些目标历史订单，归纳这些定价节点；
一路径建立单元，用以产生多个近似产品之多个定价路径，各该定价路径包括这些特征阶层、该定价阶层及该订单阶层；
一仿真数据建立单元，用以至少依据各该定价路径与该定价树的一相关性，获得多笔仿真历史订单；及
一估测单元，用以依据这些目标历史订单及这些仿真历史订单，以一机率模型分析出一预订定价的一总收益。
10.根据权利要求9所述的收益预测系统，其中若这些定价节点的其中一的订单数量低于一阈值，则该归纳单元进行合并。
11.根据权利要求9所述的收益预测系统，其中这些定价路径的这些特征阶层的排列不完全相同。
12.根据权利要求9所述的收益预测系统，其中这些定价路径的这些特征阶层的内容与该目标产品的这些特征阶层的内容不完全相同。
13.根据权利要求9所述的收益预测系统，其中该相关性为各该定价路径的该订单阶层与该定价树的这些定价节点的其中之一所对应之这些目标历史订单的相关程度。
14.根据权利要求9所述的收益预测系统，其中该仿真数据建立单元还依据各该定价路径之该订单阶层的数据量，获得这些仿真历史订单。
15.根据权利要求9所述的收益预测系统，其中该机率模型为各购买者以该预订定价的一转购机率。
16.根据权利要求9所述的收益预测系统，其中所述定价路径的这些特征阶层包括品牌、功能、定位。
17.一种图案化用户接口，其特征在于该图案化用户接口包括：
一定价树显示窗口，用以显示一定价树，该定价树依据一目标产品于多个特征阶层、一定价阶层及一订单阶层的内容所取得，该定价阶层包括多个定价节点，该订单阶层包括多笔目标历史订单，各该目标历史订单记录一购买者、一购买数量及一折扣；
一归纳按钮，用以供一用户点选后输入一归纳指令，以依据该订单阶层的这些目标历史订单，归纳这些定价节点；
一仿真历史订单增加按钮，用以供该用户点选后产生多个近似产品之多个定价路径，各该定价路径包括这些特征阶层、该定价阶层及该订单阶层，并且至少依据各该定价路径与该定价树的一相关性，获得多笔仿真历史订单；
一预定定价输入窗口，用以供该用户输入一预订定价；以及
一总收益显示窗口，用以显示该预订定价的一总收益，该总收益依据这些目标历史订单及这些仿真历史订单，以一机率模型所分析出。
18.根据权利要求17所述的图案化用户接口，其中在该归纳按钮被点选后，若这些定价节点之其中一的订单数量低于一阈值，则进行合并。
19.根据权利要求17所述的图案化用户接口，其中在该定价路径显示窗口中，这些定价路径之这些特征阶层的排列不完全相同。
20.根据权利要求17所述的图案化用户接口，其中在该定价路径显示窗口中，各该定价路径的这些特征阶层的内容与该目标产品的这些特征阶层的内容不完全相同。
21.根据权利要求17所述的图案化用户接口，其中在该定价路径显示窗口中，各该定价路径的这些特征阶层包括品牌、功能、定位。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108145944 | 2019-12-16 | ||
| TW108145944A TWI718809B (zh) | 2019-12-16 | 2019-12-16 | 收益預測方法、收益預測系統及圖案化使用者介面 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112990955A true CN112990955A (zh) | 2021-06-18 |
| CN112990955B CN112990955B (zh) | 2024-04-05 |
Family
ID=75745746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911388074.6A Active CN112990955B (zh) | 2019-12-16 | 2019-12-27 | 收益预测方法、收益预测系统及图案化用户接口 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112990955B (zh) |
| TW (1) | TWI718809B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050096963A1 (en) * | 2003-10-17 | 2005-05-05 | David Myr | System and method for profit maximization in retail industry |
| US20100145773A1 (en) * | 2000-12-20 | 2010-06-10 | Paritosh Desai | System and Method for Generating Product Decisions |
| US20120296698A1 (en) * | 2010-02-11 | 2012-11-22 | Alibaba Group Holding Limited | Method and Apparatus of Forecasting Repurchase Inclination |
| US20150154619A1 (en) * | 2013-12-02 | 2015-06-04 | Caterpillar Inc. | Systems and Methods for Forecasting |
| US20160092898A1 (en) * | 2014-09-30 | 2016-03-31 | Mengjiao Wang | Intelligent pricing |
| CN109087146A (zh) * | 2018-08-15 | 2018-12-25 | 深圳快购科技有限公司 | 影院票房收入的预测方法及系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1285383A1 (en) * | 2000-05-19 | 2003-02-26 | Manugistic Atlanta, Inc. | Dynamic pricing system |
| CN108629062A (zh) * | 2017-03-24 | 2018-10-09 | 日本电气株式会社 | 用于定价优化的方法、装置和系统 |
| CN109716383A (zh) * | 2017-06-05 | 2019-05-03 | 北京嘀嘀无限科技发展有限公司 | 利用机器学习技术进行价格预估的系统和方法 |
| TW201923684A (zh) * | 2017-10-02 | 2019-06-16 | 美商英佩瑞提芙執行股份有限公司 | 用於優化交易執行的系統及方法 |
| CN108389073A (zh) * | 2018-01-29 | 2018-08-10 | 北京三快在线科技有限公司 | 商品售价的自动计算方法及系统、电子设备及存储介质 |
| CN109191205A (zh) * | 2018-09-03 | 2019-01-11 | 平安科技（深圳）有限公司 | 一种基于预测模型的定价计算方法及终端设备 |
| CN109493137A (zh) * | 2018-11-06 | 2019-03-19 | 东北大学 | 一种工业供应链中基于深度学习的成交定价推荐方法 |
| CN110264272A (zh) * | 2019-06-21 | 2019-09-20 | 山东师范大学 | 一种移动互联网劳务众包平台任务最优定价预测方法、装置及系统 |
-
2019
- 2019-12-16 TW TW108145944A patent/TWI718809B/zh active
- 2019-12-27 CN CN201911388074.6A patent/CN112990955B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100145773A1 (en) * | 2000-12-20 | 2010-06-10 | Paritosh Desai | System and Method for Generating Product Decisions |
| US20050096963A1 (en) * | 2003-10-17 | 2005-05-05 | David Myr | System and method for profit maximization in retail industry |
| US20120296698A1 (en) * | 2010-02-11 | 2012-11-22 | Alibaba Group Holding Limited | Method and Apparatus of Forecasting Repurchase Inclination |
| US20150154619A1 (en) * | 2013-12-02 | 2015-06-04 | Caterpillar Inc. | Systems and Methods for Forecasting |
| US20160092898A1 (en) * | 2014-09-30 | 2016-03-31 | Mengjiao Wang | Intelligent pricing |
| CN109087146A (zh) * | 2018-08-15 | 2018-12-25 | 深圳快购科技有限公司 | 影院票房收入的预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI718809B (zh) | 2021-02-11 |
| CN112990955B (zh) | 2024-04-05 |
| TW202125346A (zh) | 2021-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210334845A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
| US20200065750A1 (en) | Inventory management system and method thereof | |
| CN109542916A (zh) | 平台商品入驻方法、装置、计算机设备及存储介质 | |
| US11651381B2 (en) | Machine learning for marketing of branded consumer products | |
| US9773250B2 (en) | Product role analysis | |
| US20190197605A1 (en) | Conversational intelligence architecture system | |
| US20060184449A1 (en) | A risk management system for securities | |
| US20100010870A1 (en) | System and Method for Tuning Demand Coefficients | |
| US20170316472A1 (en) | System and method for determining retail-business-rule coefficients from current prices | |
| CN110322300B (zh) | 数据处理方法及装置、电子设备、存储介质 | |
| US20130325558A1 (en) | System and method for optimizing revenue and profit with limited number of price changes | |
| US20160283954A1 (en) | System and method for determining a combined effective price discount in tier pricing | |
| CN110348921B (zh) | 门店物品选取的方法和装置 | |
| US7996254B2 (en) | Methods and systems for forecasting product demand during promotional events using a causal methodology | |
| US11715048B2 (en) | System and method for item facing recommendation | |
| Bala | An inventory replenishment model under purchase dependency in retail sale | |
| Chen et al. | An integrated model for online product placement and inventory control problem in a drop-shipping optional environment | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| Cahyo et al. | Analysis and design of sales information system on web-based e-commerce in yoga farm catfish breeding business using uml | |
| CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
| Kumar et al. | Effect of salvage value on a two-warehouse inventory model for deteriorating items with stock-dependent demand rate and partial backlogging | |
| CN111815351B (zh) | 一种基于协同过滤与关联规则的服装推荐方法 | |
| CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
| CN112990955B (zh) | 收益预测方法、收益预测系统及图案化用户接口 | |
| US20210182744A1 (en) | Revenue forecasting method, revenue forecasting system and graphical user interface |
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 |