CN113516492A - 数据处理方法及装置 - Google Patents
数据处理方法及装置 Download PDFInfo
- Publication number
- CN113516492A CN113516492A CN202010281430.0A CN202010281430A CN113516492A CN 113516492 A CN113516492 A CN 113516492A CN 202010281430 A CN202010281430 A CN 202010281430A CN 113516492 A CN113516492 A CN 113516492A
- Authority
- CN
- China
- Prior art keywords
- resource
- target object
- resource value
- value
- target
- 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.)
- Pending
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
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供数据处理方法及装置,其中,第一种数据处理方法包括获得目标对象以及针对所述目标对象的资源值;将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果;基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量;所述数据处理方法通过机器学习,实现智能自动化的确定针对所述目标对象的资源值对应的资源量,极大的提升对所述目标对象的资源值对应资源量的预测效率以及准确率。
Description
技术领域
本说明书实施例涉及数据处理技术领域,特别涉及数据处理方法。本说明书一个或者多个实施例同时涉及数据处理装置,计算设备,以及计算机可读存储介质。
背景技术
商品在销售期间一般均会存在商品损耗,尤其是生鲜商品(例如烘焙食品或加工的熟食等),保质期很短,若在保质期内没有销售完,商品就会报损处理,会给商店造成实质性的损失。因此为了控制报损率,商店会对具有滞销风险的商品在合适的时间进行打折促销处理,目前商店在对商品进行折扣定价的时候是通过运营凭经验确定的,耗时耗力;并且由于避免造成折扣歧视,同一个区域不同门店的商品折扣需保持一致,但是不同门店之间的运营存在沟通困难的问题,使得商品折扣定价的效率极其低下。
基于此,需要提供一种可以自动为商品进行折扣定价的数据处理方案。
发明内容
有鉴于此,本说明书施例提供了数据处理方法。本说明书一个或者多个实施例同时涉及数据处理装置,计算设备,以及计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种数据处理方法,包括:
获得目标对象以及针对所述目标对象的资源值;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量。
根据本说明书实施例的第二方面,提供了一种数据处理方法,包括:
获得目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
根据本说明书实施例的第三方面,提供了一种数据处理方法,包括:
基于用户的调用请求为所述用户展示目标选择界面;
接收所述用户基于所述目标选择界面输入的目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
根据本说明书实施例的第四方面,提供了一种数据处理方法,包括:
接收用户发送的调用请求,其中,所述调用请求中携带有目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
根据本说明书实施例的第五方面,提供了一种数据处理装置,包括:
第一获取模块,被配置为获得目标对象以及针对所述目标对象的资源值;
第一数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第一资源量获得模块,被配置为基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量。
根据本说明书实施例的第六方面,提供了一种数据处理装置,包括:
第二获取模块,被配置为获得目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第二数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第二资源量获得模块,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
目标资源值确定模块,被配置为根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
根据本说明书实施例的第七方面,提供了一种数据处理装置,包括:
界面确定模块,被配置为基于用户的调用请求为所述用户展示目标选择界面;
第一接收模块,被配置为接收所述用户基于所述目标选择界面输入的目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第三数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第三资源量获得模块,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
第一目标资源值返回模块,被配置为据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
根据本说明书实施例的第八方面,提供了一种数据处理装置,包括:
第二接收模块,被配置为接收用户发送的调用请求,其中,所述调用请求中携带有目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第四数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第四资源量获得模块,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
第二目标资源值返回模块,被配置为根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
根据本说明书实施例的第九方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令其中,所述处理器执行所述计算机可执行指令时实现所述数据处理方法的步骤。
本说明书实施例的第十方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述数据处理方法的步骤。
本说明书一个实施例实现了数据处理方法及装置,其中,第一种数据处理方法包括获得目标对象以及针对所述目标对象的资源值;将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果;基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量;所述数据处理方法通过机器学习,实现智能自动化的确定针对所述目标对象的资源值对应的资源量,极大的提升对所述目标对象的资源值对应资源量的预测效率以及准确率。
附图说明
图1是本说明书一个实施例提供的一种数据处理方法的具体应用场景的示例图;
图2是本说明书一个实施例提供的第一种数据处理方法的流程图;
图3是本说明书一个实施例提供的一种数据处理方法具体应用的处理过程流程图;
图4是本说明书一个实施例提供的第二种数据处理方法的流程图;
图5是本说明书一个实施例提供的第三种数据处理方法的流程图;
图6是本说明书一个实施例提供的第四种数据处理方法的流程图;
图7是本说明书一个实施例提供的第一种数据处理装置的结构示意图;
图8是本说明书一个实施例提供的第二种数据处理装置的结构示意图;
图9是本说明书一个实施例提供的第三种数据处理装置的结构示意图;
图10是本说明书一个实施例提供的第四种数据处理装置的结构示意图;
图11是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
SKU:英文全称:stock keeping unit,简称SKU,定义为保存库存控制的最小可用单位。
换购渠道:商家促销的一种方式,以满79元可换购为例,当购买商品折扣超过79元,就可以在换购页面选择一款商品以换购价购买,换购价通常折扣比原价低。
日清商品:在当天上架并只在当天销售的商品,当天卖不完就报损。
报损量:到销售结束为止,商品报废损失的个数。
报损率:报损个数除以总库存个数。
销量预测模型:利用机器学习技术预测商品销量的模型。
折扣销量关系:针对不同的门店,改变折扣后,商品销量随折扣变化而变化的关系。
在本说明书中,提供了一种数据处理方法。本说明书一个或者多个实施例同时涉及一种数据处理装置,一种数据处理方法及一种数据处理装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
参见图1,图1示出了根据本说明书一个实施例提供的一种数据处理方法的具体应用场景的示例图。
图1的应用场景中包括终端和服务器,具体的,用户通过终端向服务器发送商品以及商品对应的多个预选折扣,服务器在接收到该商品以及该商品对应的多个预选折扣后,通过第一机器学习模型计算得到该商品的第一预测结果,通过第二机器学习模型计算得到该商品的第二预测结果,然后将第一预测结果、第二预测结果分别与每个预选折扣通过算法进行融合后,获得该商品的初始预测结果,最后将该商品的剩余库存、每个预选折扣以及每个预选折扣对应的初始预测结果进行通过算法进行计算,以获得该商品的较优折扣,最后通过该较优预选折扣实现对该商品的定价销售,以降低该商品的报损率。
具体处理过程可参见图2,图2示出了根据本说明书一个实施例提供的第一种数据处理方法,包括步骤202至步骤206。
步骤202:获得目标对象以及针对所述目标对象的资源值。
其中,所述目标对象包括但不限于各种类型的可出售商品,例如可以是一些实体商品:生鲜类商品、服装类商品、家电类商品、门票类商品等,又或者可以是一些无形商品:会员类商品、充值类商品等。
而在所述目标对象为可出售商品时,所述资源值可以包括为可出售商品预先设定的折扣。
为了便于理解,本说明书实施例中,均以目标对象为实体商品对所述数据处理方法进行详细说明。
具体的,获取目标对象,则可以理解为获取目标对象的属性特征,而目标对象的属性特征包括目标对象的对象特征以及折扣特征,例如,在目标对象为可出售的实体商品的情况下,目标对象的对象特征包括但不限于商品信息(例如商品的名称、型号、保质期、颜色和/或成分),商品的类目信息(例如商品的分类、类别),节假日信息(例如星期几,是否是元旦、春节等),商品所处门店信息(例如门店的地理位置、门店内各类商品总数量和/或日营业额等)、区域信息(例如该区域内有多少家门店销售该商品、该区域内所有该商品的销售数量和/或该区域内所有该商品的平均销售金额等);目标对象的折扣特征包括但不限于基于SKU以及一级/二级/三级类目确定的每个目标对象的历史折扣(例如商品的所有历史折扣等)、库存(即商品的剩余数量)以及销售数据(例如某历史折扣下的销售数量等)等。
而资源值则可以理解为针对该目标对象设置的可选的至少两个可选折扣或可选价位,实际应用中,为了预测出目标对象对应的较优的预选折扣,会提前设置多个预选折扣,并分别预测出目标对象在对应预选折扣下的优选销量,以此确定优选的预选折扣供该目标对象使用,以提升目标对象的销售数量;例如预选折扣可以设置为四折、五折、六折等,也可以设置为具体的价位,例如10元、20元等。
步骤204:将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果。
具体的,在获得目标对象以及针对所述目标对象的至少两个资源值后,将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数。
基于所述第一机器学习模型的适用范围以及所述第二机器学习的适用范围可以确定,所述第一预测结果包括所述目标对象对应的基准资源值以及基准资源量,所述第二预测结果包括所述目标对象对应的资源弹性系数。
具体的,所述第一机器学习模型可以为非参数化机器学习模型,所述第二机器学习模型可以为参数化机器学习模型。
可选的,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、资源值特征以及每个目标对象的对象特征、资源值特征对应的资源量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准资源值以及基准资源量。
实际应用中,在对预测模型训练之前,会先采集多个目标对象的历史数据(即每个目标对象的对象特征以及资源值特征)构建训练样本。
其中,以所述目标对象为商品为例,本说明书实施例中,目标对象的对象特征包括但不限于商品信息(例如商品的名称、型号、保质期、颜色和/或成分),商品的类目信息(例如商品的分类、类别),节假日信息(例如星期几,是否是元旦、春节等),商品所处门店信息(例如门店的地理位置、门店内各类商品总数量和/或日营业额等)、区域信息(例如该区域内有多少家门店销售该商品、该区域内所有该商品的销售数量和/或该区域内所有该商品的平均销售金额等);目标对象的资源值特征则为折扣特征,该折扣特征包括但不限于基于SKU以及一级/二级/三级类目确定的每个目标对象的历史折扣(例如商品的所有历史折扣等)、库存(即商品的剩余数量)以及销售数据(例如某历史折扣下的销售数量等)等。
仍以上述为例,采集到多个目标对象的历史数据之后构建训练样本,预测模型的训练样本集中的每个训练样本均包括一个目标对象的对象特征、折扣特征以及对应的标签,该标签即为该目标对象的对象特征、折扣特征对应的销量。
在训练样本构建完成后,基于构建的训练样本集对预测模型进行训练,得到训练后的预测模型,该预测模型输出每个目标对象的对象特征、资源值特征对应的基准资源值以及基准资源量。
具体实施时,将目标对象的对象特征以及每个资源值输入训练得到的预测模型中,该预测模型输出该目标对象的对象特征对应的基准资源值及基准资源量,即第一预测结果。
实际应用中,预测模型为非参数化基准销量预测模型,例如目标对象的对象特征为商品1的商品特征,将商品1的商品特征输入该非参数化基准销量预测模型中,该非参数化基准销量预测模型输出第一预测结果:商品1的基准折扣以及商品1在该基准折扣下的基准销量。
本说明书实施例中,所述数据处理方法采用不同目标对象的对象特征、资源值特征以及每个目标对象的对象特征、资源值特征对应的资源量训练出更细粒度的预测模型,通过机器学习的预测模型可以准确的得出每个目标对象对应的基准资源值以及基准资源量;而在将所述数据处理方法应用在商品销售中,可以采用不同门店、不同类目的商品特征训练出更细粒度的折扣销量关系的预测模型,将定价问题形式化的表示为预测问题,通过机器学习的预测模型可以准确的得出每个目标对象对应的基准折扣以及基准销量。
可选的,所述第二机器学习模型包括资源弹性模型;
相应的,所述资源弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的资源值特征以及每个目标对象的资源值特征对应的资源量;
基于所述训练样本集对资源弹性模型进行训练,得到所述资源弹性模型训练,所述资源弹性模型输出每个目标对象对应的资源弹性系数。
其中,资源弹性模型应用在实际应用中为价格弹性模型:英文全称constantprice elasticty model;仍以目标对象为商品为例,所述目标对象的折扣特征的详细介绍可以参见上述实施例,在此不再赘述。
具体的,基于SKU以及一级/二级/三级类目确定的每个目标对象的历史折扣和销量数据,使用该价格弹性模型学习SKU以及类目粒度的价格弹性系数,即利用获取的每个目标对象的历史折扣(例如商品的所有历史折扣等)、库存(即商品的剩余数量)以及销售数据(例如某历史折扣下的销售数量等)等构建训练样本,而每个训练样本均包括一个目标对象的折扣特征以及对应的标签,该标签即为该目标对象的折扣特征对应的销量;
在训练样本构建完成后,基于构建的训练样本集对价格弹性模型,得到训练后的价格弹性模型,该价格弹性模型输出每个目标对象对应的价格弹性系数,例如0.5、0.6和/或0.7等。
其中,目标对象的价格弹性系数的数量根据类目确定,若目标对象属于一级类目下的某个类目,二级类目下的某个类目以及三级类目下的某个类目,则该目标对象的价格弹性系数则是通过一级、二级以及三级类目对应的价格弹性系数组成;例如一级类目有1个,二级类目有2个,三级类目有3个,则该目标对象的价格弹性系数就为6个价格弹性系数。
具体实施时,将目标对象的对象特征以及每个资源值输入训练得到的资源弹性模型中,该资源弹性模型输出该目标对象的对象特征对应资源弹性系数,即第二预测结果。
实际应用中,所述资源弹性模型为参数化价格弹性模型,例如目标对象的对象特征为商品1的商品特征,预选折扣为五折、六折,将商品1的商品特征输入参数化价格弹性模型中,参数化价格弹性模型输出与该商品1的类目级别对应的第二预测结果:该商品1对应的价格弹性系数。
本说明书实施例中,所述数据处理方法采用不同目标对象的资源值特征以及每个目标对象的资源值特征对应的资源量训练资源弹性模型,通过机器学习的资源弹性模型可以准确的得出每个目标对象对应的资源弹性系数;而在将所述数据处理方法应用在商品销售中,可以采用不同门店、不同类目的商品特征训练出更细粒度的折扣销量关系的价格弹性模型,通过机器学习的价格弹性模型准确的得出每个目标对象对应的价格弹性系数。
步骤206:基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量。
具体的,所述第一预测结果包括所述目标对象对应的基准资源值以及基准资源量,所述第二预测结果包括所述目标对象对应的资源弹性系数;
相应的,所述基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量包括:
将所述资源值与所述目标对象对应的基准资源值、基准资源量以及资源弹性系数进行计算,获取所述资源值对应的资源量。
即将所述资源值与所述目标对象对应的基准资源值、基准资源量以及资源弹性系数通过第一算法进行计算,获取所述资源值对应的资源量。
其中,第一算法可以为通过第一机器学习模型和第二机器学习模型叠加得到的第三机器学习模型。
具体的,所述第一算法包括:
其中,具体的,Yi表示第i个目标对象的销量,表示销量的归一化系数,di表示第i个目标对象的预选折扣,Li表示第i个目标对象的类目,表示第i个目标对象的基准折扣,xi表示第i个目标对象的属性特征,θ表示价格弹性系数,g表示第一机器学习模型,h表示第二机器学习模型。
具体实施时,将每个资源值与通过预测模型得到的第一预测结果和通过资源弹性模型得出的第二预测结果根据上述算法进行计算,即可得到每个资源值对应的资源量。
仍以目标对象为商品为例,此时资源值为预选折扣,资源量为商品在每个预选折扣下的目标销量,若上述预选折扣为五折、六折为例,获取所述资源值对应的资源量则包括该目标对象为五折时的目标销量以及该目标对象为六折时的目标销量。
具体实施时,获取针对所述目标对象的每个预选折扣对应的目标销量的具体过程如下:首先使用通过上述方法构建的训练样本数据集训练得到非参数化的销量预测模型,该基于tree model的销量预测模型(即非参数化的销量预测模型),预测目标对象当天在基准折扣下的基准销量;然后基于SKU以及一级/二级/三级类目的历史折扣和销量数据,使用参数化的价格弹性模型学习SKU以及类目粒度的价格弹性系数;最后基于非参数化的销量预测模型和参数化的价格弹性模型共同构建了半参数化的销量关系模型价格销量关系模型,通过将目标对象以及预选折扣输入到该半参数化的销量关系模型价格销量关系模型中,基于该半参数化的销量关系模型价格销量关系模型的第一算法的计算,最终获得针对所述目标对象的每个预选折扣对应的目标销量。
实际应用中,价格弹性模型可以理解为一个质量关系里面的模型,预测的是目标对象在不同折扣下的一个销量的曲线,例如目标对象的历史折扣5折时销量为100件,历史折扣为7折时销量为50件,那么这两个点之间的曲线就会有一个斜率,表示折扣对销量的影响有多大,半参数化的销量关系模型价格销量关系模型其实就是学习该曲线的斜率,将非参数化的销量预测模型和参数化的价格弹性模型结合起来,相当于将非参数化的销量预测模型作为一个截距,将参数化的价格弹性模型作为一个斜率,然后将截距和斜率拼接在一起,输出一个函数,即半参数化的销量关系模型价格销量关系模型,具体场景应用中,输入一个目标对象的折扣,即可以通过该半参数化的销量关系模型价格销量关系模型得到该折扣对应的销量。
本说明书实施例提供的所述数据处理方法,应用于商品销售场景中,使用采集到的多个目标对象的历史数据构建的数据集训练基于树模型(tree model)的销量预测模型(即预测模型)预测目标对象当天在基准折扣下的基准销量,即第一预测结果;然后基于SKU以及一级/二级/三级类目每个目标对象的历史折扣和销量数据训练价格弹性模型预测目标对象的价格弹性系数,即第二预测结果;基于非参数化的销量预测模型和参数化的价格弹性模型共同构建了半参数化的销量关系模型价格销量关系模型,该半参数化的销量关系模型价格销量关系模型将第一预测结果和第二预测结果通过第一算法进行组合,得到该目标对象的资源值对应的资源量初始预测结果,实现根据目标对象的商品特征、历史折扣以及销量信息构建销量关系模型价格销量关系模型,准确快速的预测出目标对象在不同预选折扣下的销量。
本说明书另一实施例中,所述基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量之后,还包括:
获取所述目标对象的资源储量;
基于所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
具体的,所述基于所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值包括:
基于所述资源值、所述资源值对应的资源量以及所述资源储量进行计算,得到所述目标对象在所述资源值下的资源处理值;
将所述资源处理值最大的资源值确定为所述目标对象的目标资源值。
具体实施时,首先获取所述目标对象的资源储量,然后将每个资源值、每个资源值对应的资源量以及所述资源储量基于第二算法进行计算,以得到所述目标对象在每个资源值下的资源处理值;最后将所述资源处理值最大的资源值确定为所述目标对象的目标资源值。
仍以目标对象为商品为例,此时目标对象的资源储量则可以理解为目标对象的剩余库存,每个资源值下的资源处理值则可以理解为每个预选折扣对应的成交总额。
实际应用中,在获得了该目标对象在每个预选折扣下的销量之后,可以选取销量最高的预选折扣作为目标对象的最终预选折扣,也可以根据剩余库存以最大化GMV(成交总额)和最小化报损为目标对象的较优预选折扣,具体操作如下所述:
获取所述目标对象的库存数量;
将每个预选折扣、每个预选折扣对应的目标销量以及所述目标对象的库存数量基于第二算法进行计算,得到每个预选折扣对应的成交总额;
选取所述成交总额最大的预选折扣作为所述目标对象的目标预测结果。
其中,目标对象的库存数量即为目标对象的当天、当月或当年的剩余数量。
具体的,在确定了目标对象的库存数量之后,基于第二算法可以计算出每个预选折扣对应的成交总额。
具体实施时,所述第二算法包括:
GMV=x*min{f(x),B}
其中,x表示折扣,f(x)表示x下的销量,B表示库存数量。
将每个预选折扣x,每个预选折扣x对应的销量f(x),以及目标对象的库存数量B通过上述算法进行计算,得到目标对象的每个预选折扣对应的成交总额。然后选取数值最大的GMV对应的预选折扣,将该预选折扣作为目标对象的较优预选折扣,即目标预测结果,而该目标预测结果即为目标对象的的目标资源值。
具体实施时,根据该目标对象的剩余库存情况,离散优化该目标对象的较优折扣,使得该商品的成交总额最大化同时报损数最小,并且使用该目标对象的剩余库存可以避免目标对象直接使用销量最高的可选折扣作为最终的折扣,造成供大于求的情况出现,给用户带来不好的购物体验;利用目标对象的剩余库存,根据目标对象的剩余库存合理的优化该目标对象的折扣和销量之间的关系,最终选择的该目标对象的合理折扣以及保证在剩余库存内的销量,可以极大的增强用户的购物体验,增加门店的回头客,以提升门店的利润率以及日销额度。
本说明书实施例提供的所述数据处理方法,应用于商品销售场景中,根据当前的预选折扣约束,离散化折扣点,根据每个门店商品的剩余库存情况,离散优化商品的较优折扣,使得商品GMV最大化同时报损数最小。通过子公司、门店、不同类目的商品特征建立更细粒度的折扣销量关系,将定价问题形式化的表示为预测加优化问题,通过机器学习模型和离散优化求解,实现自动化的智能定价决策,将机器学习预测技术和计量经济模型相结合,充分挖掘数据信息并兼顾模型的可解释性,统筹考虑子公司所有门店的售卖情况,获得目标对象的较优预选折扣,实现全局较优。
本说明书另一实施例中,所述确定所述目标对象的目标资源值之后,还包括:
将所述目标对象的目标资源值发送至终端,并接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征。
实际应用中,将所述目标对象的目标资源值发送至终端,并接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征,可以理解为将目标对象的较优的预选折扣发送至终端,并接收终端基于较优的预选折扣销售该目标对象后,获得并返回的该目标对象的对象特征以及折扣特征。
而所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的对象特征以及资源值特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
以及所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的资源值特征输入所述资源弹性模型的训练样本集中,实现对所述资源弹性模型的训练样本集的更新。
实际应用中,若终端为门店,那么门店采纳目标对象的较优预选折扣后,基于该较优预选折扣销售该目标对象,然后将累计的该目标对象的历史数据回流,实现对预测模型以及资源弹性模型的训练样本的更新,使得更新后的预测模型以及资源弹性模型可以更加精确的实现对第一预测结果以及第二预测结果的输出。
参见图3,图3示出了根据本说明书一种数据处理方法具体应用于商品销售场景的处理过程流程图。
其中,所述目标对象包括商品,所述资源值包括预选价格,所述基准资源值包括基准价格,所述基准资源量包括基准销量,所述资源弹性系数包括价格弹性系数,所述第一预测结果包括商品对应的基准价格以及基准销量,所述第二预测结果包括商品对应的价格弹性系数
具体实施时,图3的数据处理方法可以实现门店针对日清商品提供换购渠道,以降低日清商品的报损量,具体的,图3中包括数据层、算法层以及应用层。
数据层提供折扣销量算法所需要的数据并给出折扣优化的约束,如折扣区间和库存数量。
具体的,在数据层采集历史数据,实现样本构造,具体的,采集多个商品的商品、类目、门店、区域、节假日等信息、以及每个商品对应的一级/二级/三级类目的历史折扣、库存、销售数据等信息,基于上述采集的信息实现模型训练时的样本构造,构建基准销量预测数据样本(即上述通过目标对象的对象特征以及折扣特征构建的训练样本集)以及历史折扣销量数据样本(即上述通过目标对象的折扣特征构建的训练样本集);以及采集折扣优化的约束(即图3中的换购商品的可选折扣、剩余库存)。
算法层:对不同区域不同商品的历史折扣销量数据分析建模,形成一套差异化的价格销量关系模型(即图3中的半参数化价格销量模型)。对商品在不同折扣下的销量进行预测,根据要求进行较优折扣的选取。
具体的,根据数据层构造的基准销量预测数据样本以及历史折扣销量数据样本训练得到非参数化基准销量预测模型(即上述实施例的预测模型,也可以称为销量预测模型),根据历史折扣销量数据样本训练得到参数化价格弹性模型(即上述实施例的价格弹性模型),基于非参数化的销量预测模型和参数化的价格弹性模型共同构建了半参数化的价格销量关系模型,通过半参数化价格销量模型可以输出商品的折扣销量关系,具体的,该半参数化价格销量模型实现将非参数化基准销量预测模型的输出、参数化价格弹性模型的输出以及在数据层采集的换购商品的可选折扣通过半参数化价格销量模型的算法计算,预测该换购商品在不同可选折扣下的销量;
然后将在数据层采集的换购商品的可选折扣、剩余库存、以及通过半参数化的价格销量关系模型获得的该换购商品在每个可选折扣下的销量通过算法进行折扣优化,根据目标对象要求对该换购商品进行较优可选折扣的选取,其中,换购商品即可以为实际应用中的日清商品,通过该数据处理方法选取日清商品的较优可选折扣的选取,可以使得日清商品基于该较优可选折扣降低其报损量和报损率。
应用层:是智能定价和收益优化系统针对不同商品在不同区域的折扣产出。
具体的,应用层接收算法层计算得到的该换购商品的较优可选折扣,并将输出商品换购价,即该换购商品的较优可选折扣给门店,门店采纳该折扣策略,上线销售,最后将门店基于该换购商品的较优可选折扣销售的该换购商品的销量数据回流到数据层,形成数据闭环。
本说明书实施例提供的所述数据处理方法,根据商品特征、历史折扣以及销量信息构建价格销量关系模型,预测待换购商品在不同折扣下的销量,并根据剩余库存以最大化GMV(成交总额)和最小化报损为待换购商品的目标优化较优折扣,通过机器学习和运筹优化技术学习折扣销量关系,在满足目标对象约束的基础上,能在更细粒度上对商品进行折扣的调整,实现对商品的自动化的智能定价,达到商品的全局GMV和报损的较优化。
参见图4,图4示出了根据本说明书一个实施例提供的第二种数据处理方法,包括步骤402至步骤408。
步骤402:获得目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量。
步骤404:将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数。
步骤406:基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量。
步骤408:根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
具体实施时,所述目标对象包括商品,所述资源值包括预选价格,所述基准资源值包括基准价格,所述基准资源量包括基准销量,所述资源弹性系数包括价格弹性系数,所述第一预测结果包括商品对应的基准价格以及基准销量,所述第二预测结果包括商品对应的价格弹性系数。
可选的,所述基于所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值包括:
基于所述资源值、所述资源值对应的资源量以及所述资源储量进行计算,得到所述目标对象在所述资源值下的资源处理值;
将所述资源处理值最大的资源值确定为所述目标对象的目标资源值。
可选的,所述第一预测结果包括所述目标对象对应的基准资源值以及基准资源量,所述第二预测结果包括所述目标对象对应的资源弹性系数;
相应的,所述基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量包括:
将所述资源值与所述目标对象对应的基准资源值、基准资源量以及资源弹性系数进行计算,获取所述资源值对应的资源量。
可选的,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、资源值特征以及每个目标对象的对象特征、资源值特征对应的资源量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准资源值以及基准资源量。
可选的,所述第二机器学习模型包括资源弹性模型;
相应的,所述资源弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的资源值特征以及每个目标对象的资源值特征对应的资源量;
基于所述训练样本集对资源弹性模型进行训练,得到所述资源弹性模型训练,所述资源弹性模型输出每个目标对象对应的资源弹性系数。
可选的,所述确定所述目标对象的目标资源值之后,还包括:
将所述目标对象的目标资源值发送至终端,并接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征。
可选的,所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的对象特征以及资源值特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
可选的,所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的资源值特征输入所述资源弹性模型的训练样本集中,实现对所述资源弹性模型的训练样本集的更新。
需要说明的是,本说明书实施例提供的第二种数据处理方法中与上述第一种数据处理方法的实施例相对应的部分,可以参见上述第一种数据处理方法的实施例中的详细描述,在此不再赘述。
本说明书实施例提供的所述数据处理方法,应用于商品销售场景中,根据商品特征、历史折扣以及销量信息构建价格销量关系模型,预测待换购商品在不同折扣下的销量,并根据剩余库存以最大化GMV(成交总额)和最小化报损为待换购商品的目标优化较优折扣,通过机器学习和运筹优化技术学习折扣销量关系,在满足目标对象约束的基础上,能在更细粒度上对商品进行折扣的调整,实现对商品的自动化的智能定价,达到商品的全局GMV和报损的较优化。
参见图5,图5示出了根据本说明书一个实施例提供的第三种数据处理方法,包括以下步骤:
步骤502:基于用户的调用请求为所述用户展示目标选择界面。
具体的,在接收用户的调用请求的情况下,根据该调用请求确定目标选择界面,且将该目标选择界面展示给用户,其中,目标选择界面上包括但不限于目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量。
实际应用中,用户包括但不限于商户或者个体用户等。
步骤504:接收所述用户基于所述目标选择界面输入的目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量。
步骤506:将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数。
步骤508:基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量。
步骤510:根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
需要说明的是,本说明书实施例提供的第三种数据处理方法中与上述第一种数据处理方法的实施例相对应的部分,可以参见上述第一种数据处理方法的实施例中的详细描述,在此不再赘述。
本说明书实施例提供的所述数据处理方法,在接收用户的调用请求后,基于用户的调用请求为用户展示目标选择界面,在接收用户基于目标选择界面选择的一系列定价参数之后,通过所述数据处理方法快速准确的获得输入的目标对象的目标资源值,且将所述目标资源值返回至所述用户,以提升用户体验。
参见图6,图6示出了根据本说明书一个实施例提供的第四种数据处理方法,包括以下步骤:
步骤602:接收用户发送的调用请求,其中,所述调用请求中携带有目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量。
步骤604:将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数。
步骤606:基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量。
步骤608:根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
需要说明的是,本说明书实施例提供的第四种数据处理方法中与上述第一种数据处理方法的实施例相对应的部分,可以参见上述第一种数据处理方法的实施例中的详细描述,在此不再赘述。
实际应用中,数据处理方法应用于本地服务端,且为用户提供API接口,在接收到用户发送的API调用请求后,基于用户的调用请求中携带的目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量,通过所述数据处理方法快速准确的输出目标对象的目标资源值,且将所述目标资源值返回至所述用户,以提升用户体验。
与上述方法实施例相对应,本说明书还提供了第一种数据处理装置实施例,图7示出了本说明书一个实施例提供的第一种数据处理装置的结构示意图。如图7所示,该装置包括:
第一获取模块702,被配置为获得目标对象以及针对所述目标对象的资源值;
第一数据处理模块704,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第一资源量获得模块706,被配置为基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量。
可选的,所述装置,还包括:
第三获取模块,被配置为获取所述目标对象的资源储量;
第一确定模块,被配置为基于所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
可选的,所述第一预测结果包括所述目标对象对应的基准资源值以及基准资源量,所述第二预测结果包括所述目标对象对应的资源弹性系数;
相应的,所述第一资源量获得模块706,进一步被配置为:
将所述资源值与所述目标对象对应的基准资源值、基准资源量以及资源弹性系数进行计算,获取所述资源值对应的资源量。
可选的,所述第一确定模块,进一步被配置为:
基于所述资源值、所述资源值对应的资源量以及所述资源储量进行计算,得到所述目标对象在所述资源值下的资源处理值;
将所述资源处理值最大的资源值确定为所述目标对象的目标资源值。
可选的,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、资源值特征以及每个目标对象的对象特征、资源值特征对应的资源量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准资源值以及基准资源量。
可选的,所述第二机器学习模型包括资源弹性模型;
相应的,所述资源弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的资源值特征以及每个目标对象的资源值特征对应的资源量;
基于所述训练样本集对资源弹性模型进行训练,得到所述资源弹性模型训练,所述资源弹性模型输出每个目标对象对应的资源弹性系数。
可选的,所述装置,还包括:
第一发送模块,被配置为将所述目标对象的目标资源值发送至终端,并接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征。
可选的,所述装置,还包括:
第一更新模块,被配置为将所述目标对象的对象特征以及资源值特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
可选的,所述装置,还包括:
第二更新模块,被配置为将所述目标对象的资源值特征输入所述资源弹性模型的训练样本集中,实现对所述资源弹性模型的训练样本集的更新。
可选的,所述目标对象包括商品,所述资源值包括预选折扣,所述基准资源值包括基准折扣,所述基准资源量包括基准销量,所述资源弹性系数包括价格弹性系数,所述第一预测结果包括商品对应的基准折扣以及基准销量,所述第二预测结果包括商品对应的价格弹性系数。
上述为本实施例的第一种数据处理装置的示意性方案。需要说明的是,该数据处理装置的技术方案与上述的第一种数据处理方法的技术方案属于同一构思,数据处理装置的技术方案未详细描述的细节内容,均可以参见上述第一种数据处理方法的技术方案的描述。
与上述方法实施例相对应,本说明书还提供了第二种数据处理装置实施例,图8示出了本说明书一个实施例提供的第二种数据处理装置的结构示意图。如图8所示,该装置包括:
第二获取模块802,被配置为获得目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第二数据处理模块804,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第二资源量获得模块806,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
目标资源值确定模块808,被配置为根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
可选的,所述目标资源值确定模块808,进一步被配置为:
基于所述资源值、所述资源值对应的资源量以及所述资源储量进行计算,得到所述目标对象在所述资源值下的资源处理值;
将所述资源处理值最大的资源值确定为所述目标对象的目标资源值。
可选的,所述第一预测结果包括所述目标对象对应的基准资源值以及基准资源量,所述第二预测结果包括所述目标对象对应的资源弹性系数;
相应的,所述第二资源量获得模块806,进一步被配置为:
将所述资源值与所述目标对象对应的基准资源值、基准资源量以及资源弹性系数进行计算,获取所述资源值对应的资源量。
可选的,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、资源值特征以及每个目标对象的对象特征、资源值特征对应的资源量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准资源值以及基准资源量。
可选的,所述第二机器学习模型包括资源弹性模型;
相应的,所述资源弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的资源值特征以及每个目标对象的资源值特征对应的资源量;
基于所述训练样本集对资源弹性模型进行训练,得到所述资源弹性模型训练,所述资源弹性模型输出每个目标对象对应的资源弹性系数。
可选的,所述装置,还包括:
第二发送模块,被配置为将所述目标对象的目标资源值发送至终端,并接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征。
可选的,所述装置,还包括:
第三更新模块,被配置为将所述目标对象的对象特征以及资源值特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
可选的,所述装置,还包括:
第四更新模块,被配置为将所述目标对象的资源值特征输入所述资源弹性模型的训练样本集中,实现对所述资源弹性模型的训练样本集的更新。
可选的,所述目标对象包括商品,所述资源值包括预选折扣,所述基准资源值包括基准折扣,所述基准资源量包括基准销量,所述资源弹性系数包括价格弹性系数,所述第一预测结果包括商品对应的基准折扣以及基准销量,所述第二预测结果包括商品对应的价格弹性系数。
上述为本实施例的第二种数据处理装置的示意性方案。需要说明的是,该数据处理装置的技术方案与上述的第二种数据处理方法的技术方案属于同一构思,数据处理装置的技术方案未详细描述的细节内容,均可以参见上述第二种数据处理方法的技术方案的描述。
与上述方法实施例相对应,本说明书还提供了第三种数据处理装置实施例,图9示出了本说明书一个实施例提供的第三种数据处理装置的结构示意图。如图9所示,该装置包括:
界面确定模块902,被配置为基于用户的调用请求为所述用户展示目标选择界面;
第一接收模块904,被配置为接收所述用户基于所述目标选择界面输入的目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第三数据处理模块906,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第三资源量获得模块908,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
第一目标资源值返回模块910,被配置为据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
上述为本实施例的第三种数据处理装置的示意性方案。需要说明的是,该数据处理装置的技术方案与上述的第三种数据处理方法的技术方案属于同一构思,数据处理装置的技术方案未详细描述的细节内容,均可以参见上述第三种数据处理方法的技术方案的描述。
与上述方法实施例相对应,本说明书还提供了第四种数据处理装置实施例,图10示出了本说明书一个实施例提供的第四种数据处理装置的结构示意图。如图10所示,该装置包括:
第二接收模块1002,被配置为接收用户发送的调用请求,其中,所述调用请求中携带有目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第四数据处理模块1004,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第四资源量获得模块1006,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
第二目标资源值返回模块1008,被配置为根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
上述为本实施例的第四种数据处理装置的示意性方案。需要说明的是,该数据处理装置的技术方案与上述的第四种数据处理方法的技术方案属于同一构思,数据处理装置的技术方案未详细描述的细节内容,均可以参见上述第四种数据处理方法的技术方案的描述。
图11示出了根据本说明书一个实施例提供的一种计算设备1100的结构框图。该计算设备1100的部件包括但不限于存储器1110和处理器1120。处理器1120与存储器1110通过总线1130相连接,数据库1150用于保存数据。
计算设备1100还包括接入设备1140,接入设备1140使得计算设备1100能够经由一个或多个网络1060通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1140可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备1100的上述部件以及图11中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图11所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1100可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1100还可以是移动式或静止式的服务器。
其中,处理器1120用于执行上述任意一种所述数据处理方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的任意一种数据处理方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述任意一种数据处理方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现上述实施例提供的任意一种所述数据处理方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的任意一种数据处理方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述任意一种数据处理方法的技术方案的描述。
此外,本说明书还提供了一种预测方法,包括:
获取目标对象以及针对所述目标对象的至少两个预选折扣;
将所述目标对象分别输入第一机器学习模型和第二机器学习模型,得到第一预测结果和第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准折扣以及基准销量,所述第二机器学习模型适用于为目标对象预测对应的价格弹性系数;
分别将每个预选折扣与所述第一预测结果、所述第二预测结果基于第一算法进行计算,得到所述目标对象对应的初始预测结果;
其中,所述初始预测结果包括针对所述目标对象的每个预选折扣对应的目标销量。
可选的,所述将所述第一预测结果和第二预测结果基于第一算法进行计算,得到初始预测结果之后,还包括:
获取所述目标对象的库存数量;
将每个预选折扣、每个预选折扣对应的目标销量以及所述目标对象的库存数量基于第二算法进行计算,得到每个预选折扣对应的成交总额;
选取所述成交总额最大的预选折扣作为所述目标对象的目标预测结果。
可选的,所述第一算法包括:
可选的,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、折扣特征以及每个目标对象的对象特征、折扣特征对应的销量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准折扣以及基准销量。
可选的,所述第二机器学习模型包括价格弹性模型;
相应的,所述价格弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的折扣特征以及每个目标对象的折扣特征对应的销量;
基于所述训练样本集对价格弹性模型进行训练,得到所述价格弹性模型训练,所述价格弹性模型输出每个目标对象对应的价格弹性系数。
可选的,所述第二算法包括:
GMV=x*min{f(x),B}
其中,x表示折扣,f(x)表示x下的销量,B表示库存数量。
可选的,所述选取所述成交总额最大的预选折扣作为所述目标对象的目标预测结果之后,还包括:
将所述目标对象的目标预测结果发送至终端,并接收所述终端基于所述目标预测结果确定的所述目标对象的对象特征以及折扣特征。
可选的,所述接收所述终端基于所述目标预测结果确定的所述目标对象的对象特征以及折扣特征之后,还包括:
将所述目标对象的对象特征以及折扣特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
可选的,所述接收所述终端基于所述目标预测结果确定的所述目标对象的对象特征以及折扣特征之后,还包括:
将所述目标对象的折扣特征输入所述价格弹性模型的训练样本集中,实现对所述价格弹性模型的训练样本集的更新。
本说明书实施例提供的所述预测方法,使用采集到的多个目标对象的历史数据构建的数据集训练基于树模型(tree model)的销量预测模型(即预测模型)预测目标对象当天在基准折扣下的基准销量,即第一预测结果;然后基于SKU以及一级/二级/三级类目每个目标对象的历史折扣和销量数据训练价格弹性模型预测目标对象的价格弹性系数,即第二预测结果;基于非参数化的销量预测模型和参数化的价格弹性模型共同构建了半参数化的销量关系模型价格销量关系模型,该半参数化的销量关系模型价格销量关系模型将第一预测结果和第二预测结果通过第一算法进行组合,得到该目标对象的初始预测结果,实现根据目标对象的商品特征、历史折扣以及销量信息构建销量关系模型价格销量关系模型,准确快速的预测出目标对象在不同预选折扣下的销量;
并且所述预测方法,根据当前的预选折扣约束,离散化折扣点,根据每个门店商品的剩余库存情况,离散优化商品的较优折扣,使得商品GMV最大化同时报损数最小。通过子公司、门店、不同类目的商品特征建立更细粒度的折扣销量关系,将定价问题形式化的表示为预测加优化问题,通过机器学习模型和离散优化求解,实现自动化的智能定价决策,将机器学习预测技术和计量经济模型相结合,充分挖掘数据信息并兼顾模型的可解释性,统筹考虑子公司所有门店的售卖情况,获得目标对象的较优预选折扣,实现全局较优。
与上述预测方法对应,本说明书另一实施例还提供了一种预测装置,包括:
对象获取装置,被配置为获取目标对象以及针对所述目标对象的至少两个预选折扣;
结果预测装置,被配置为将所述目标对象分别输入第一机器学习模型和第二机器学习模型,得到第一预测结果和第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准折扣以及基准销量,所述第二机器学习模型适用于为目标对象预测对应的价格弹性系数;
初始预测结果获得装置,被配置为分别将每个预选折扣与所述第一预测结果、所述第二预测结果基于第一算法进行计算,得到所述目标对象对应的初始预测结果;
其中,所述初始预测结果包括针对所述目标对象的每个预选折扣对应的目标销量。
可选的,所述装置,还包括:
第四获取装置,被配置为获取所述目标对象的库存数量;
第一计算装置,被配置为将每个预选折扣、每个预选折扣对应的目标销量以及所述目标对象的库存数量基于第二算法进行计算,得到每个预选折扣对应的成交总额;
目标预测结果确定装置,被配置为选取所述成交总额最大的预选折扣作为所述目标对象的目标预测结果。
可选的,所述第一算法包括:
可选的,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、折扣特征以及每个目标对象的对象特征、折扣特征对应的销量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准折扣以及基准销量。
可选的,所述第二机器学习模型包括价格弹性模型;
相应的,所述价格弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的折扣特征以及每个目标对象的折扣特征对应的销量;
基于所述训练样本集对价格弹性模型进行训练,得到所述价格弹性模型训练,所述价格弹性模型输出每个目标对象对应的价格弹性系数。
可选的,所述第二算法包括:
GMV=x*min{f(x),B}
其中,x表示折扣,f(x)表示x下的销量,B表示库存数量。
可选的,所述装置,还包括:
结果发送模块,被配置为将所述目标对象的目标预测结果发送至终端,并接收所述终端基于所述目标预测结果确定的所述目标对象的对象特征以及折扣特征。
可选的,所述装置,还包括:
第五更新模块,被配置为将所述目标对象的对象特征以及折扣特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
可选的,所述装置,还包括:
第六更新模块,被配置为将所述目标对象的折扣特征输入所述价格弹性模型的训练样本集中,实现对所述价格弹性模型的训练样本集的更新。
上述为本实施例的一种预测装置的示意性方案。需要说明的是,该预测装置的技术方案与上述的预测方法的技术方案属于同一构思,预测装置的技术方案未详细描述的细节内容,均可以参见上述预测方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (27)
1.一种数据处理方法,包括:
获得目标对象以及针对所述目标对象的资源值;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量。
2.根据权利要求1所述的数据处理方法,所述基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量之后,还包括:
获取所述目标对象的资源储量;
基于所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
3.根据权利要求1所述的数据处理方法,所述第一预测结果包括所述目标对象对应的基准资源值以及基准资源量,所述第二预测结果包括所述目标对象对应的资源弹性系数;
相应的,所述基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量包括:
将所述资源值与所述目标对象对应的基准资源值、基准资源量以及资源弹性系数进行计算,获取所述资源值对应的资源量。
4.根据权利要求2所述的数据处理方法,所述基于所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值包括:
基于所述资源值、所述资源值对应的资源量以及所述资源储量进行计算,得到所述目标对象在所述资源值下的资源处理值;
将所述资源处理值最大的资源值确定为所述目标对象的目标资源值。
5.根据权利要求1所述的数据处理方法,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、资源值特征以及每个目标对象的对象特征、资源值特征对应的资源量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准资源值以及基准资源量。
6.根据权利要求5所述的数据处理方法,所述第二机器学习模型包括资源弹性模型;
相应的,所述资源弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的资源值特征以及每个目标对象的资源值特征对应的资源量;
基于所述训练样本集对资源弹性模型进行训练,得到所述资源弹性模型训练,所述资源弹性模型输出每个目标对象对应的资源弹性系数。
7.根据权利要求6所述的数据处理方法,所述确定所述目标对象的目标资源值之后,还包括:
将所述目标对象的目标资源值发送至终端,并接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征。
8.根据权利要求7所述的数据处理方法,所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的对象特征以及资源值特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
9.根据权利要求7所述的数据处理方法,所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的资源值特征输入所述资源弹性模型的训练样本集中,实现对所述资源弹性模型的训练样本集的更新。
10.根据权利要求1-9任意一项所述的数据处理方法,所述目标对象包括商品,所述资源值包括预选折扣,所述基准资源值包括基准折扣,所述基准资源量包括基准销量,所述资源弹性系数包括价格弹性系数,所述第一预测结果包括商品对应的基准折扣以及基准销量,所述第二预测结果包括商品对应的价格弹性系数。
11.一种数据处理方法,包括:
获得目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
12.根据权利要求11所述的数据处理方法,所述基于所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值包括:
基于所述资源值、所述资源值对应的资源量以及所述资源储量进行计算,得到所述目标对象在所述资源值下的资源处理值;
将所述资源处理值最大的资源值确定为所述目标对象的目标资源值。
13.根据权利要求11所述的数据处理方法,所述第一预测结果包括所述目标对象对应的基准资源值以及基准资源量,所述第二预测结果包括所述目标对象对应的资源弹性系数;
相应的,所述基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量包括:
将所述资源值与所述目标对象对应的基准资源值、基准资源量以及资源弹性系数进行计算,获取所述资源值对应的资源量。
14.根据权利要求11所述的数据处理方法,所述第一机器学习模型包括预测模型;
相应的,所述预测模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的对象特征、资源值特征以及每个目标对象的对象特征、资源值特征对应的资源量;
基于所述训练样本集对预测模型进行训练,得到所述预测模型,所述预测模型输出每个目标对象对应的基准资源值以及基准资源量。
15.根据权利要求14所述的数据处理方法,所述第二机器学习模型包括资源弹性模型;
相应的,所述资源弹性模型训练方法包括:
获取训练样本集,其中,所述训练样本集中包括至少一个目标对象的资源值特征以及每个目标对象的资源值特征对应的资源量;
基于所述训练样本集对资源弹性模型进行训练,得到所述资源弹性模型训练,所述资源弹性模型输出每个目标对象对应的资源弹性系数。
16.根据权利要求15所述的数据处理方法,所述确定所述目标对象的目标资源值之后,还包括:
将所述目标对象的目标资源值发送至终端,并接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征。
17.根据权利要求16所述的数据处理方法,所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的对象特征以及资源值特征输入所述预测模型的训练样本集中,实现对所述预测模型的训练样本集的更新。
18.根据权利要求16所述的数据处理方法,所述接收所述终端基于所述目标资源值确定的所述目标对象的对象特征以及资源值特征之后,还包括:
将所述目标对象的资源值特征输入所述资源弹性模型的训练样本集中,实现对所述资源弹性模型的训练样本集的更新。
19.根据权利要求11-18任意一项所述的数据处理方法,所述目标对象包括商品,所述资源值包括预选折扣,所述基准资源值包括基准折扣,所述基准资源量包括基准销量,所述资源弹性系数包括价格弹性系数,所述第一预测结果包括商品对应的基准折扣以及基准销量,所述第二预测结果包括商品对应的价格弹性系数。
20.一种数据处理方法,包括:
基于用户的调用请求为所述用户展示目标选择界面;
接收所述用户基于所述目标选择界面输入的目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
21.一种数据处理方法,包括:
接收用户发送的调用请求,其中,所述调用请求中携带有目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
22.一种数据处理装置,包括:
第一获取模块,被配置为获得目标对象以及针对所述目标对象的资源值;
第一数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第一资源量获得模块,被配置为基于所述第一预测结果和所述第二预测结果,获取所述资源值对应的资源量。
23.一种数据处理装置,包括:
第二获取模块,被配置为获得目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第二数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第二资源量获得模块,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
目标资源值确定模块,被配置为根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值。
24.一种数据处理装置,包括:
界面确定模块,被配置为基于用户的调用请求为所述用户展示目标选择界面;
第一接收模块,被配置为接收所述用户基于所述目标选择界面输入的目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第三数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第三资源量获得模块,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
第一目标资源值返回模块,被配置为据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
25.一种数据处理装置,包括:
第二接收模块,被配置为接收用户发送的调用请求,其中,所述调用请求中携带有目标对象、针对所述目标对象的资源值以及所述目标对象的资源储量;
第四数据处理模块,被配置为将所述目标对象输入第一机器学习模型得到第一预测结果,以及将所述目标对象输入第二机器学习模型得到第二预测结果,
其中,所述第一机器学习模型适用于为目标对象预测对应的基准资源值以及基准资源量,所述第二机器学习模型适用于为目标对象预测对应的资源弹性系数;
第四资源量获得模块,被配置为基于所述第一预测结果和第二预测结果,获取所述资源值对应的资源量;
第二目标资源值返回模块,被配置为根据所述资源值、所述资源值对应的资源量以及所述资源储量,确定所述目标对象的目标资源值,且将所述目标资源值返回至所述用户。
26.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,其中,所述处理器执行所述计算机可执行指令时实现权利要求1-21任意一项所述数据处理方法的步骤。
27.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至21任意一项所述数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281430.0A CN113516492A (zh) | 2020-04-10 | 2020-04-10 | 数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281430.0A CN113516492A (zh) | 2020-04-10 | 2020-04-10 | 数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516492A true CN113516492A (zh) | 2021-10-19 |
Family
ID=78060589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010281430.0A Pending CN113516492A (zh) | 2020-04-10 | 2020-04-10 | 数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516492A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988923A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 确定信息的方法、装置、设备以及存储介质 |
CN115619507A (zh) * | 2022-12-05 | 2023-01-17 | 阿里健康科技(杭州)有限公司 | 数据对象的目标资源兑换量的确定方法、装置和设备 |
-
2020
- 2020-04-10 CN CN202010281430.0A patent/CN113516492A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988923A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 确定信息的方法、装置、设备以及存储介质 |
CN115619507A (zh) * | 2022-12-05 | 2023-01-17 | 阿里健康科技(杭州)有限公司 | 数据对象的目标资源兑换量的确定方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feldman et al. | Customer choice models vs. machine learning: Finding optimal product displays on Alibaba | |
CN102968670B (zh) | 预测数据的方法和装置 | |
Luo et al. | New product development under channel acceptance | |
Schön | On the product line selection problem under attraction choice models of consumer behavior | |
TW202025043A (zh) | 利用深度強化學習進行推薦行銷的方法及裝置 | |
CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
CN108647811A (zh) | 预测用户购买权益商品的方法、装置、设备及存储介质 | |
JP2014521145A (ja) | 収益加重協調フィルタを用いてアイテム選好を予測するためのシステム、方法、およびコンピュータプログラム製品 | |
CN107077687A (zh) | 获得与消费者有关的数据、处理所述数据并提供以电子方式生成的消费者报价的输出 | |
Esfandiari et al. | Modeling a stochastic multi-objective supplier quota allocation problem with price-dependent ordering | |
CN111292149A (zh) | 一种生成退货处理信息的方法和装置 | |
CN110490748B (zh) | 基于订单的项目推荐方法以及装置 | |
CN113516492A (zh) | 数据处理方法及装置 | |
CN111445133B (zh) | 一种材料管理方法、装置、计算机设备和存储介质 | |
KR102402782B1 (ko) | 가격책정 엔진 | |
Moon et al. | Joint decisions on product line selection, purchasing, and pricing | |
JP7399967B2 (ja) | 取引スケジュール管理システム | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN113506143A (zh) | 商品折扣生成方法、装置、设备以及计算机可读存储介质 | |
CN113298546A (zh) | 销量预测方法及装置、商品处理方法及装置 | |
CN113657667A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
KR20190140528A (ko) | 딥 러닝을 이용한 화훼 경매가 예측 시스템 | |
Jamshidpour Poshtahani et al. | Optimizing a bi-objective vendor-managed inventory of multi-product EPQ model for a green supply chain with stochastic constraints | |
CN115860786A (zh) | 一种基于大数据的销售管理方法及装置 | |
Deksnytė et al. | Dynamic pricing models and its methodological aspects |
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 |