CN113762993A - 数据处理方法、系统、装置、设备和存储介质 - Google Patents
数据处理方法、系统、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113762993A CN113762993A CN202010496626.1A CN202010496626A CN113762993A CN 113762993 A CN113762993 A CN 113762993A CN 202010496626 A CN202010496626 A CN 202010496626A CN 113762993 A CN113762993 A CN 113762993A
- Authority
- CN
- China
- Prior art keywords
- target object
- target
- price
- discount
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 60
- 230000007704 transition Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 17
- 235000014102 seafood Nutrition 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 241000238557 Decapoda Species 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种数据处理方法、系统、装置、设备和存储介质,该方法包括:获取目标对象的特征数据,其中,目标对象的生命周期包含多个阶段。再根据特征数据,确定在不同的阶段下,目标对象分别对应的折扣价格。最终,多个折扣价格会发送至终端设备,以使终端设备在目标对象对应的阶段内展示对应的折扣价格。根据上述描述可知,折扣价格确定的过程中使用了反映目标对象不同方面特性的特征数据,使得确定出的折扣价格也更加针对于目标对象生命周期中的每个阶段,保证目标对象的销量,从而降低目标对象的报损量。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据处理方法、系统、装置、设备和存储介质。
背景技术
易逝品可以认为是生命周期较即保质期短的物品,比如常见的生鲜产品。这些物品一旦超出生命周期就会报损。因此,可以采用打折促销的方式尽可能地将易逝品在报损之前销售出去,从而最大限度减少损失。
在实际应用中,易逝品的折扣价格往往是人工根据历史经验设定的,易逝品的的销售情况仍然不理想,造成大量报损。因此,如何降低易逝品的报损量就成为一个亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种数据处理方法、系统、装置、设备和存储介质,用以降低易逝品的报损量。
第一方面,本发明实施例提供一种数据处理方法,包括:
获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
发送所述折扣价格至终端设备,以使所述终端设备在不同阶段展示对应的折扣价格。
第二方面,本发明实施例提供一种数据处理装置,包括:
获取模块,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
价格确定模块,用于根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
发送模块,用于发送所述折扣价格至终端设备,以使所述终端设备在不同阶段展示对应的折扣价格。
第三方面,本发明实施例提供一种电子设备,包括处理器和存储器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的数据处理方法。该电子设备还可以包括通信接口,用于与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现如第一方面所述的数据处理方法。
第五方面,本发明实施例提供一种数据处理方法,包括:
获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
在不同阶段下展示对应的折扣价格。
第六方面,本发明实施例提供一种数据处理装置,包括:
获取模块,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
价格确定模块,用于根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
展示模块,用于在不同阶段下展示对应的折扣价格。
第七方面,本发明实施例提供一种电子设备,包括处理器和存储器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第五方面中的数据处理方法。该电子设备还可以包括通信接口,用于与其他设备或通信网络通信。
第八方面,本发明实施例提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现如第五方面所述的数据处理方法。
第九方面,本发明实施例提供一种数据处理系统,包括:服务器和终端设备;
所述服务器,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含至少一个阶段;根据所述特征数据,确定在所述至少一个阶段下,所述目标对象分别对应的折扣价格;以及发送所述折扣价格至终端设备;
所述终端设备,还用于在不同阶段展示对应的折扣价格。
本发明实施例提供的数据处理方法,获取目标对象的特征数据,其中,目标对象的生命周期可以包含多个阶段。再根据特征数据,确定在不同的阶段下,目标对象分别对应的折扣价格。即对于目标对象的生命周期包含每个阶段,都可以确定出一个对应的折扣价格。容易理解的,距离生命周期结束越近的阶段,其对应的折扣价格通常也越低。最终,多个折扣价格会发送至终端设备。终端设备可以在生命周期不同的阶段内,展示对应的折扣价格。
根据上述描述可知,折扣价格确定的过程中使用了目标对象的特征数据。特征数据能够反映目标对象不同方面的特性,比如供需特性或者质量等级等等,这就使得确定出的折扣价格也更加针对于目标对象生命周期中的每个阶段,保证目标对象在生命周期中的不同阶段,以不同的折扣价格进行销售时都有较好的销量,从而降低目标对象的报损量。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种数据处理系统的示意图;
图2为本发明实施例提供的一种数据处理方法的流程图;
图3为本发明实施例提供的另一种数据处理方法的流程图;
图4为本发明实施例提供的又一种数据处理方法的流程图;
图5为本发明实施例提供的销量概率模型建立方式的流程图;
图6a为本发明实施例提供的一种可选地折扣价格确定方式的流程图;
图6b为本发明实施例提供的另一种可选地折扣价格确定方式的流程图;
图7为本发明实施例提供的数据处理方法在易逝品定价场景中,终端设备界面的示意图;
图8为本发明实施例提供的数据处理方法在易逝品定价场景中,数据处理的信令图;
图9为本发明实施例提供的又一种数据处理方法的流程图;
图10为本发明实施例提供的一种数据处理装置的结构示意图;
图11为与图10所示实施例提供的数据处理装置对应的电子设备的结构示意图;
图12为本发明实施例提供的另一种数据处理装置的结构示意图;
图13为与图12所示实施例提供的数据处理装置对应的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明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,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于识别”。类似地,取决于语境,短语“如果确定”或“如果识别(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当识别(陈述的条件或事件)时”或“响应于识别(陈述的条件或事件)”。
还需要说明的是,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商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
承接背景技术中提到的易逝品的定价场景,对本发明实施例提供的数据处理方法进行说明。而在此之前,还需要先对该数据处理方法的现实意义进行示例性说明:
正如背景技术中提及的,为了尽量减小易逝品的报损量,可以对易逝品进行打折促销。此时,就可以使用本发明提供的数据处理方法来分别确定出N个折扣价格,N个折扣价格与易逝品的生命周期包含N个阶段一一对应。由于价格与阶段之间的对应性,从而能够大大减少易逝品的报损量。
另外,进行多阶段定价的物品也不限定为易逝品。对于任何需要确定折扣价格的物体或者场景,均可以使用本发明提供的数据处理方法。
基于上述背景,下面结合附图对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
为了便于理解,在对数据处理方法进行详细描述之前,可以先对整个数据处理系统进行描述。如图1所示,数据处理系统可以包括:服务器1和终端设备2。
终端设备2可以是用户使用的手机、电脑等等,并且其中可以安装有购物应用程序(Application,简称APP)。终端设备2的数量可以是多个。服务器1可以由购物APP的开发方维护。
服务器可以获取到目标对象的特征数据,并根据此特征数据确定在生命周期的不同阶段下,目标对象对应的折扣价格。
可选地,特征数据可以包括目标对象的历史交易数据。此种情况下,用户A可以在终端设备2提供的操作界面上先选择销售目标对象的店铺,每个店铺都对应一个线下门店,门店位置即为交易地点。用户再进入选中的店铺选择想要购买的目标对象,并进一步在操作界面上触发结算操作。结算完成后,用户A使用的终端设备2便可以生成到用户A对应于目标对象的一条交易数据。容易理解的,在一定时间段内,比如一周或者一天内,多个终端设备2可以生成不同用户的对应于目标对象的多条交易数据。这些数据即为目标对象的历史交易数据。历史交易数据可以反映出在历史时间段内,销量随价格变化而变化的规律。
可选地,历史交易数据具体可以包括:目标对象的属性信息、交易日期、交易地点、交易数量以及库存数量以及在交易日期下,目标对象所处的阶段中的至少一种。其中,属性信息可以包括目标对象的类型、品牌、型号等等,交易地点也即是销售有目标对象的店铺位置。
可选地,终端设备2可以主动将历史交易数据发送至服务器1;也可以在服务器1响应价格确定操作后,由服务器1主动向终端设备2获取目标对象的历史交易数据。
可选地,对于价格确定操作的触发,可以由购物APP的开发方在服务器1提供的界面上手动触发,也可以由服务器1在达到预设时间间隔后自动触发。
然后,服务器1可以根据获取到的历史交易数据进行建模,并基于建立的模型确定在生命周期的每个阶段下,目标对象对应的折扣价格。并且折扣价格与目标对象生命周期中的多个阶段是一一对应的。而服务器1根据历史交易数据确定折扣价格具体过程可以参见下述图2~图6b所述的实施例。
最终,服务器1会将折扣价格与阶段之间的一一对应关系发送至终端设备2。终端设备2可以在生命周期的不同阶段展示目标对象对应的折扣价格。
举例来说,假设开发方在5月1日触发折扣价格的确定操作,目标对象是生命周期为3天的海鲜,则生命周期划分3个阶段。服务器1可以将4月20日~4月30日时间段内收集到的关于海鲜的交易数据作为历史交易数据,并根据此数据确定出:第一阶段(5月1日)的折扣价格为50元,第二阶段(5月2日)的折扣价格为40元,第三阶段(5月3日)的折扣价格为20元。此时,折扣价格与阶段之间的对应关系可以表示为:50--第一阶段(5月1日);40--第二阶段(5月2日);20--第三阶段(5月3日)。
服务器2还会将上述对应关系发送至终端设备2。终端设备2在接收到对应关系后,当用户在5月1日打开购物APP时,显示的海鲜价格为50元,用户在5月2日打开购物APP时,显示的海鲜价格为40元,用户在5月3日打开购物APP时,显示的海鲜价格为20元。在此种对应关系下,可以使海鲜具有最小报损量的同时也具有最大利润。
在确定出生命周期不同阶段下的折扣价格后,目标对象便可以以此折扣价格进行分阶段销售。随着销售的进行,目标对象的库存也会不断变化,则可选地,服务器1还可以对目标对象的库存进行更新,并将更新后的库存发送至终端设备2,以由终端设备2展示。
除了历史交易数据之外,可选地,特征数据还可以包括目标对象的属性信息,比如目标对象的类型、品牌、型号等。此种情况下,购物APP的开发方在触发价格确定操作后,则可以进一步在服务器1提供的操作界面上选择目标对象,从而得到目标对象的属性信息。然后,进一步在本地查询与属性信息对应的定价策略,并将此定价策略发送给终端设备2,以使终端设备2在生命周期的不同阶段展示不同的折扣价格。
承接上述举例,服务器1在确定目标对象是海鲜后,即可在本地查询到与海鲜对应的定价策略,定价策略可以为:生命周期的第一阶段(5月1日)的折扣价格为50元,第二阶段(5月2日)的折扣价格为40元,第三阶段(5月3日)的折扣价格为20元。其中,上述不同阶段下的折扣价格可以是人为设置的。
可选地,特征数据还可以包括包含目标对象的图像。此种情况下,购物APP的开发方可以在线下门店或者仓库拍到图像,并将此图像上传至服务器1。开发方在触发价格确定操作后,服务器1通过图像识别以确定目标对象的质量等级。然后,进一步确定与目标对象的质量等级对应的定价策略,并将此策略发送至终端设备2,以供终端设备2展示。其中,定价策略也可以是人为设置的。
承接上述举例来说,若目标对象的质量等级为1级时,定价策略为:生命周期的第一阶段(5月1日)的折扣价格为50元,第二阶段(5月2日)的折扣价格为45元,第三阶段(5月3日)的折扣价格为40元。
若目标对象的质量等级为3级时,定价策略为:生命周期的第一阶段(5月1日)的折扣价格为50元,第二阶段(5月2日)的折扣价格为40元,第三阶段(5月3日)的折扣价格为20元。其中,质量等级1级~3级,质量依次降低。
本实施例中,服务器1获取目标对象的特征数据,并根据此特征数据确定出目标对象在生命周期中不同阶段对应的折扣价格,并将折扣价格与阶段之间的一一对应关系发送至终端设备2。终端设备2可以在对应的时间显示对应的折扣价格,此时,用户便可以及时知晓目标对象的价格,并选择是否购买。
在上述实施例中,服务器2在确定折扣价格的过程中使用了目标对象的特征数据。特征数据能够反映目标对象不同方面的特性,比如供需特性或者质量等级等,这样使得确定出的折扣价格也更加针对于目标对象生命周期中的每个阶段,保证目标对象以不同的折扣价格,在生命周期中的不同阶段进行销售时都有较好的销量,从而降低目标对象的报损量。
基于上述数据处理系统,下面详细介绍本发明提供的数据处理方法。下述各实施例提供的数据处理方法可以由上述数据处理系统中的服务器2执行。另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
图2为本发明实施例提供的一种数据处理方法的流程图,如图2所示,该方法包括如下步骤:
S101,获取目标对象的特征数据,其中,目标对象的生命周期包含多个阶段。
S102,根据特征数据,确定在多个阶段下,目标对象分别对应的折扣价格。
S103,发送折扣价格至终端设备,以使终端设备在不同阶段展示对应的折扣价格。
根据图1所示的实施例可知,目标对象的特征数据可以包括包含目标对象的图像、目标对象的属性信息以及历史交易数据中的任一种。
其中,历史交易数据能够反映目标对象的供需特性,即反映在生命周期的不同阶段下价格与销量之间的关系。属性信息能够表明目标对象的类型。图像能够反映目标对象的质量等级。服务器可以根据获取到的特征数据确定在生命周期的不同阶段下,目标对象分别对应的折扣价格。
可选地,当特征数据包括目标对象的属性信息时,服务器可以在本地查询到与属性信息对应的定价策略,此定价策略可以人为预先设置。此定价策略包含在生命周期多个阶段下,目标对象分别对应的折扣价格。最终,将包含折扣价格的定价策略发送至终端设备,终端设备可以在对应的阶段展示对应的折扣价格。其中,属性信息可以包括目标对象的类型、品牌、型号等等。属性信息的获取过程可以参见上述系统实施例中的相关描述。
可选地,当特征数据包括包含目标对象的图像时,服务器可以对图像进行识别,以确定目标对象的质量等级,并进一步确定与质量等级对应的定价策略。终端设备可以对应的阶段展示对应的折扣价格。图像的具体获取方式也可以参见上述系统实施例中的相关描述。
本实施例中,先获取目标对象的特征数据,再根据特征数据,确定目标对象在生命周期的每个阶段下,目标对象对应的折扣价格。也即是折扣价格与阶段具有一一对应的关系。多个折扣价格会发送至终端设备,以使终端设备在目标对象对应的阶段内展示对应的折扣价格。可见,上述方法中折扣价格的确定使用了目标对象的特征数据。特征数据能够反映目标对象在生命周期的不同阶段下不同方面的特性,比如供需特性或者质量等等,这就使得确定出的折扣价格也更加针对于目标对象生命周期中的每个阶段,保证目标对象在生命周期的各个阶段内的销量,从而降低目标对象的报损量。
可选地,特征数据还可以包括历史交易数据,则图3为本发明实施例提供的另一种数据处理方法的流程图,如图3所示,该方法包括如下步骤:
S201,获取目标对象的历史交易数据,其中,目标对象的生命周期包含多个阶段。
用户在使用终端设备中安装的购物APP购买完成目标对象后,终端设备即可生成一条关于目标对象的交易数据。在一定时间段内,多个终端设备可以生成多条关于目标对象的交易数据,也即是历史交易数据。服务器可以通过主动或者被动的方式获取到这些历史交易数据。
对于目标对象历史交易数据的详细获取过程,可以参见图1所示实施例中的相关描述,在此不再赘述。
S202,根据历史交易数据,确定在多个阶段下,目标对象分别对应的折扣价格。
服务器可以根据这些历史交易数据进行建模,以得到销量概率模型,并根据此模型的输出结果确定在生命周期的多个阶段下,目标对象分别对应的折扣价格。
具体地,销量概率模型的输出结果能够反映:在生命周期的多个阶段中不同折扣价格下,目标对象出现不同销量的概率。并且此销量概率模型的输出结果具体可以表现为销量概率矩阵。销量概率矩阵中的元素可以组成多条概率链路,每条概率链路可以由不同阶段,每个折扣价格下目标对象具有的销量的概率值组成。每条概率链路都可以认为是一种对目标对象进行不同阶段不同价格的销售方式。
此时,可以进一步计算每条概率链路对应的期望值,并将最大期望值对应的概率链路确定为目标链路,此目标链路能够使目标对象在整个生命周期中具有最高利润且具有最小报损量。
举例来说,目标对象的生命周期包含三个阶段,依次为第一阶段、第二阶段和第三阶段,三个阶段距离生命周期结束的时间依次减小。则销量概率模型输出的销量概率矩阵中任一概率链路可以表示为:
在第一阶段下,目标对象的折扣价格为原价的8折,销售3个的概率为50%;
在第二阶段下,折扣价格为原价的7折销,销售4个的概率为60%;
在第三阶段下,折扣价格为原价的5折销,销售5个的概率是60%。
S203,发送折扣价格至终端设备,以使终端设备在不同阶段展示对应的折扣价格。
在确定出目标链路后,也即是确定出了目标对象在生命周期的不同阶段下的折扣价格,服务器可以将其发送至终端设备,以使终端设备在不同的阶段展示对应的折扣价格。
另外,此步骤未详细描述的内容可以参见图2所示实施例中的相关描述,在此不再赘述。
本实施例中,获取目标对象的历史交易数据。再根据历史交易数据,确定在目标对象生命周期的每个阶段下,目标对象对应的折扣价格。也即是折扣价格与阶段具有一一对应的关系。多个折扣价格会发送至终端设备,以使终端设备在目标对象对应的阶段内展示对应的折扣价格。可见,上述方法中折扣价格的确定使用了目标对象的历史交易数据。由于历史交易数据能够反映目标对象在生命周期的不同阶段下,价格与销量之间的关系,因此,使得确定出的折扣价格也更加针对于目标对象生命周期中的每个阶段,保证目标对象在生命周期的各个阶段内的销量,从而降低目标对象的报损量。
需要说明的有,承接上述举例,假设目标对象有生命周期包含三个阶段,则上述实施例中是一次性就确定出三个阶段各自对应的折扣价格,后续按照不同阶段下对应的折扣价格进行销售即可,无需进行其他处理。
可选地,为了进一步保证折扣价格的精准性,在第一阶段(5月1日)以相应的折扣价格销售目标对象后,终端设备还可以将在5月1日生成的关于目标对象的交易数据发送给服务器。服务器可以进一步将5月1日的得到交易数据补充到步骤201中获取到的历史交易数据中,并用这两部分交易数据重新确定建立销量概率模型,并由重新建立的模型确定目标对象在第二、第三阶段各自对应的折扣价格。
第三阶段也是类似的,可以由在第一阶段和第二阶段得到的目标对象的交易数据以及步骤201的交易数据共同组成历史交易数据,再一次建立销量概率模型,从而重新确定在第三阶段下,目标对象的折扣价格。
可选地,目标对象的库存也是实时变化的,因此,服务器可以根据第一阶段下目标对象的交易数据确定目标对象在第一阶段的销量,从而对目标对象的库存进行更新,并将更新后的库存发送中终端设备,以使终端设备可以实时显示关于目标对象的准确的库存。
按照上述实施例提供的方式确定出的折扣价格能够保证目标对象在整个生命周期中有一个较小的报损量,较高的销售量。在实际应用中,购物APP的开发方还可以根据实际需求设置的不同内容的交易目标,其中,交易目标可以包括目标对象的交易总量即目标对象的利润、目标对象的报损量、目标对象在多个阶段中不同阶段下的交易数量中的至少一种。交易目标的设置相当于是给目标链路的选择提出了具体的条件。
基于上述描述,图4为本发明实施例提供的又一种数据处理方法的流程图。如图4所示,该方法可以包括如下步骤:
S301,获取目标对象的历史交易数据,其中,目标对象的生命周期包含多个阶段。
上述步骤301的执行过程与前述实施例的相应步骤相似,可以参见如图3所示实施例中的相关描述,在此再不赘述。
S302,获取目标对象的交易目标。
S303,根据交易目标、历史交易数据以及目标对象的当前库存,确定在多个阶段下,目标对象分别对应的折扣价格。
可选地,购物APP的开发方可以在服务器提供的操作界面上手动输入对目标对象的交易目标,以使服务器获取到交易目标。同时,服务器还可以根据历史交易数据建立销量概率模型,以得到销量概率模型输出的销量概率矩阵。
在图3所示实施例中,由于目标链路的确定依赖的是链路的期望值,并未考虑其他任何条件,比如目标对象的当前库存以及购物APP开发方提出的交易目标,因此,很容易出现目标链路无法成立的情况。所以,按照此无法成立的目标链路对目标对象进行销售显然是不合理的。其中,在开发方触发价格确定操作时目标对象的库存即为上述提及的目标对象的当前库存。
举例来说,目标对象的当前库存为5个,若在销量概率模型的输出结果中,期望值最高的目标链路中为:第一阶段,目标对象的折扣价格为原价的8折,销售7个的概率为50%;第二阶段,目标对象的折扣价格为原价的7折,销售5个的概率为60%;第三阶段,目标对象的折扣价格为原价的6折,销售2个的概率为60%。由于当前库存仅为5个,则上述链路显然就是无法成立的。
而为了避免出现上述情况,就需要以目标对象的当前库存以及开发方输入的交易目标为筛选条件,从销量概率模型的输出结果中筛选出目标链路。此目标链路在满足交易目标以及当前库存要求的基础上,还能使目标对象在整个生命周期内具有较小的耗损量,较高的销量、较高的利润。
S304,发送折扣价格至终端设备,以使终端设备在不同阶段展示对应的折扣价格。
上述步骤304的执行过程与前述实施例的相应步骤相似,可以参见如图3所示实施例中的相关描述,在此再不赘述。
本实施例中,先根据目标对象的历史交易数据确定出多条概率链路,每条概率链路都是一种在生命周期不同阶段下以不同价格对目标对象进行销售的方式。然后,再以开发方输入的交易目标、目标对象的当前库存为筛选条件,从多条概率链路中筛选出满足条件的目标链路,以此目标链路对应的方式对目标对象进行销售,保证目标对象的销量,大大减小目标对象的报损量。
上述图3、图4所示实施例中,在确定折扣价格的过程中都使用到了销量概率模型。则一种可选地销量概率模型建立方式,可以如图5所示:
S401,根据历史交易数据确定销量预测模型和价格弹性模型,价格弹性模型反映销量随价格变化而变化的幅度。
服务器获取到的历史交易数据也即是训练数据集合,可以通过对训练数据集合中的数据进行特征提取,从而训练得到销量预测模型。销量预测模型能够预测出在不同价格下目标对象的销量。销量预测模型的预测结果比如可以为:在原价8折的折扣价格下,目标对象的销量为5个;在原价7折的折扣价格下,目标对象的销量为7个。也就是说,销量预测模型预测出的只是折扣价格与销量之间的一对一关系,折扣价格与销量可以构成一个数据对。
并且在实际应用中,常见的折扣价格可以为原价的8折或者9折等等,非常见的折扣价格可以为原价的1折或者2折等等。因此,历史交易数据实际上是一个只包含常见折扣价格与销量之间对应关系、不完备的训练数据集合。则根据此训练数据集合训练得到的销量预测模型,也只能预测出常见折扣价格与销量之间的对应关系。
可选地,销量预测模型可以是参数化的神经网络模型,也可以是非参数化的决策树,比如xgboost模型。
同时,还可以利用历史交易数据确定价格弹性模型的模型系数,以进一步得到价格弹性模型。其中,价格弹性模型反映的是销量随价格变化而变化的幅度。可选地,价格弹性模型可以是一个参数化的双对数价格弹性模型。价格弹性模型可以通过一个函数表示,价格弹性系数也即是函数中的参数。
S402,根据销量预测模型和价格弹性模型,确定价格销量关系模型,价格销量关系模型反映价格之间销量的对应关系。
然后,根据销量预测模型和价格弹性模型进一步确定价格销量关系模型。其中,价格销量关系模型可以是半参数化的模型。
虽然销量预测模型输出的是常见折扣价格与销量之间的对应关系,但由于价格弹性模型可以表现为一个函数,其既能够反映出销量随常见折扣价格变化而变化的幅度,也能够反映出销量随非常见折扣价格变化而变化的幅。因此,对于根据价格弹性模型和销量预测模型得到的价格销量关系模型,其既能输出常见折扣价格与销量之间的一对一关系,也能输出非常见折扣价格与销量之间的一对一关系。
需要说明的有,可以对销量预测模型、价格弹性模型以及价格销量关系模型之间的关系进行说明:价格销量关系模型可以表现为一个函数,此函数的曲线可以反映不同折扣价格与销量之间的关系。其中,价格弹性模型反映的是整条曲线的变化趋势即曲线的斜率,销量预测模型输出的预测结果反映的是整条曲线中常见折扣价格与销量之间一对一关系。
S403,根据价格销量关系模型确定销量概率模型。
在得到价格销量关系模型之后,可以在价格销量关系模型对应的曲线中进行采样,采集到的每个数据点都表示在一个折扣价格下目标对象的销量。计算这些数据点的均值和方差值,并将此均值和方差值作为泊松分布的参数,用泊松分别对价格销量关系模型进行不确定性建模,从而最终得到销量概率模型。
其中,对于不确定性建模可以进行以下理解:销量关系模型现在输出的是折扣价格与销量之间一对一的关系。通过不确定性建模后,销量概率模型输出的是在一种折扣价格下,此折扣价格与不同销量之间一对多的关系,以及在此折扣价格下,不同销量各自对应的概率值。并且不同销量各自对应的概率值之间符合泊松分布。
本实施例中,根据历史交易数据建立起销量概率模型,再根据此销量概率模型确定目标对象在生命周期的不同阶段分别对应的折扣价格,折扣价格与生命周期中的每个阶段都是对应的,从而保证目标对象的报损量。
上述图4所示实施例中,可以根据销量概率模型确定目标对象在满足交易目标的情况下,在生命周期的不同阶段各自对应的折扣价格。则一种可选地折扣价格确定方式,也即是图4所示实施例中步骤303一种可选地实现方式,可以图如6a所示:
S501,在销量概率矩阵中,确定与目标对象的当前库存匹配的销量对应的目标概率值,销量概率矩阵包含在多个阶段中不同折扣价格下,目标对象的销量对应的概率值。
销量概率模型输出的销量概率矩阵中可以包含多条概率链路,每条概率链路反映的是在生命周期的不同阶段,不同折扣价格下,目标对象的销量以及此具有销量的概率值。由于在销量概率模型训练的过程中并没有考虑到目标对象的当前库存,因此使得概率链路中有可能存在与当前库存不符合的概率值,这部分内容在图4所示实施例中也有提及。此时,可以根据目标对象的当前库存,对销量概率矩阵中的概率值进行筛选,以筛选出与当前库存匹配的销量对应的目标概率值。
具体来说,若一条概率链路中,每个阶段的销量都小于目标对象的当前库存,则保留此概率链路。保留下来的概率链路中,目标对象的销量的概率值都是上述筛选出来的目标概率值。若一条概率链路中,存在至少一个阶段的销量大于目标对象的当前库存,则将整条概率链路删除。
S502,根据目标概率值对应的销量以及目标对象的当前库存,确定反映目标对象的库存状态的转移概率矩阵,转移概率矩阵包含多条概率链路,任一条概率链路反映在多个阶段中的每个阶段,目标对象对应的折扣价格以及剩余库存的概率值。
接着,再根据目标概率值对应的销量以及目标对象的当前库存,进一步得到转移概率矩阵。其中,转移概率矩阵反映的是在生命周期的不同阶段,不同折扣价格下,目标对象的库存由第一状态转换成第二状态时的概率值。
举例来说,假设目标对象的当前库存为5个,并且销量概率矩阵中一概率链路中包含在第一阶段下,折扣价格为原价的8折时,目标对象的销量为2个,且此销量为2个的概率值为70%,则可以确定出目标对象在第一阶段的剩余库存为3个。此时,相应的,转移概率矩阵中一概率链路中包含的就是第一阶段下,折扣价格为8折时,目标对象的库存由5个转移到3个,且这种库存状态转移的概率值是70%。
可见,转移概率矩阵与销量概率矩阵都包含多个概率链路,并且二者反映内容从本质上来说是一样的,只不过描述的角度不同。
转移概率矩阵反映的是库存状态变化与折扣价格之间的关系。转移概率矩阵中的每条链路反映的是生命周期多个阶段中的每个阶段,目标对象对应的折扣价格以及剩余库存的概率值。销量概率矩阵反映的是销量与折扣价格之间的关系,销量概率矩阵中的每条链路反映的是多个阶段中每个阶段,标对象对应的折扣价格以及销量的概率值。
S503,确定具有最大期望值的概率链路对应的折扣价格为目标对象在多个阶段下的折扣价格,期望值反映折扣价格满足交易目标的程度。
最终,计算转移概率矩阵中每条概率链路的期望值,并按照最大期望值对应的概率链路中包含的折扣价格对目标对象进行销售。其中,概率链路对应的期望值越大,表明以概率链路中的折扣价格对目标对象进行销售,其所能达到的目标越接近交易目标。比如具有最高的利润最小的报损量。
本实施例中,可以利用销量概率矩阵生成转移概率矩阵。再根据转移概率矩阵中的概率值计算出每条概率链路的期望值,并进行反向递推以确定满足交易目标的折扣价格。目标对象在生命周期的不同阶段可以以不同的折扣价格进行销售,从而保证目标对象具有较小的报损量。
上述各实施例中是默认一个目标对象只具有一个交易地点,也即是目标对象只在一个线下门店进行销售。然而在实际生活中,更常见的情况是,一目标对象会在多个线下门店中同时销售,此时,每个门店都对应于一个交易地点。此时,另一种可选地折扣价格确定方式,也即是图4所示实施例中步骤303一种可选地实现方式,可以图如6b所示:
S601,根据与目标交易地点对应的销量概率模型输出的销量概率矩阵以及目标对象的当前库存,确定反映目标对象的库存状态的转移概率矩阵,转移概率矩阵与目标交易地点对应,目标交易地点为多个交易地点中的任一个。
服务器可以获取到的历史交易数据中,可以对应于多个交易地点。服务器可以按照交易地点对历史交易数据进行划分,利用相同交易地点的历史交易数据训练出针对此交易地点的销量概率模型。
对于转移概率矩阵的获取可以参见如图6a所示实施例中的相关描述,在此再不赘述。
S602,根据目标交易地点对应的转移概率矩阵,确定在不同阶段下,目标对象在目标交易地点下的折扣价格,不同阶段包括多个阶段中第一阶段之外的剩余阶段,第一阶段为距离生命周期结束最远的阶段。
此步骤中,当目标对象的生命周期包含N个阶段时,可以先通过计算转移概率矩阵中各概率链路的期望值的方式,反向递推确定出目标对象在目标交易地点下,生命周期的第N阶段至第2阶段各自对应的折扣价格以及此折扣价格对应的销量。具体方式可以参见如图6a所示实施例中的相关描述,在此再不赘述。其中,第一阶段是是距离生命周期结束最远的一个阶段,第N阶段是距离生命周期结束最近的一个阶段。
按照上述过程,根据每个交易地点的对应的转移概率矩阵即可确定出目标对象在每个交易地点下,第N阶段至第2阶段各自对应的折扣价格以及销量。此时,在生命周期的同一阶段,在不同的交易地点下,目标对象可以具有不同的折扣价格,并且折扣价格都是满足预设交易目标的。
S603,根据在多个交易地点各自对应的转移概率矩阵以及在第二阶段下目标对象在多个交易地点各自的销量,确定在第一阶段下,目标对象在目标交易地点下的折扣价格,第二阶段与第一阶段在时间上相邻。
经过步骤602后,已经能够得到在不同的交易地点下,同一目标对象在生命周期的第N阶段~第二阶段各自对应的折扣价格。此时,还需要进一步确定在不同交易地点下,目标对象在生命周期的第一阶段下的折扣价格。
具体地,在购物APP的开发方触发价格确定操作后,服务器先能够得到目标对象在不同交易地点下的当前库存,在经过步骤602后,服务器还能够得到目标对象在不同交易地点下第二阶段的销量,二者之差即为目标对象在不同交易地点下,第一阶段的销量。此时也即是知晓了在不同交易地点下,第二阶段到第一阶段过程中,目标对象的库存的状态变化。为了后续描述简洁,可以将此状态变化称为目标状态变化。
此时,可以计算所有交易地点同一折扣价格下,具有上述目标状态变化的概率链路对应的总期望值,也就是说折扣价格与总期望值一一对应。最终,将最大期望值对应的折扣价格确定为目标对象在第一阶段下的折扣价格。这样的话在所有交易地点下,目标对象在第一阶段具有相同的折扣价格。
本实施例实际上是一种两阶段的折扣价格确定方法。先分别反向递推出每个交易地点下,在生命周期的第N阶段至第2阶段下,目标对象对应的折扣价格。然后,在第一阶段将多个交易地点联合,进行折扣价格的确定。
需要说明的有,在第N阶段至第2阶段各自对应的折扣价格,实际上也可以进行将多个交易地点进行联合来确定,但这种折扣价格的确定过程计算较为复杂,因此在实际应用中,通常对每个交易地点单独进行折扣价格的确定。
为了便于理解,结合如下的应用场景对以上提供的数据处理方法的具体实现过程进行示例性说明。具体内容结合图7和图8理解。
假设目标对象为海鲜中螃蟹,目标对象的特征数据是历史交易数据,用户可以通过终端设备上安装的购物APP选择一个交易地点即一个线下门店,并在此线下门店对应的线上商店中选择购买螃蟹。
螃蟹的生命周期包含3个阶段。购物APP的开发方在5月1日可以通过服务器提供个界面触发价格确定操作,此时,服务器可获取到多个用户使用的终端设备发送的对应于螃蟹的历史交易数据,此历史交易数据可以4月20日~4月30日之间终端设备采集到的。
开发方在触发价格确定操作后,还可以进一步在操作界面上选择交易目标,比如螃蟹的报损量最小,利润最大。此时,服务器则可以根据此历史交易数据训练出销量概率模型,并由销量概率模型确定出符合交易目标的折扣价格:第一阶段(5月1日)下,目标对象的折扣价格为原价的8折,第二阶段(5月2日)下,折扣价格为原价的7折,第三阶段(5月3日)下,折扣价格为原价的5折。
一种便捷方式地,购物APP可以直接按照上述折扣价格对螃蟹进行销量,折扣价格无需进行任何二次处理。当用户在不同的日期打开购物APP时,显示的螃蟹价格也是不同的。
但容易理解的,对螃蟹处于生命周期的第二阶段时,服务器还可以获取到用户在第一阶段(5月1日)时产生的交易数据,其也可以认为是最新交易数据。此时,服务器可以根据5月1日以及4月20日~4月30日之间的历史交易数据重新训练一个销量概率模型,并由此模型重新确定出螃蟹在第二阶段和第三阶段的折扣价格。
对于螃蟹的第三阶段,类似的,服务器可以根据5月1日~5月2日以及4月20日~4月30日之间的历史交易数据重新训练一个销量概率模型,并由此模型重新确定出螃蟹在第三阶段的折扣价格。
并且随着螃蟹的逐渐销售,海鲜在不同阶段的库存数量也是不同的,服务器可以根据交易数据实时更新库存,并将更新后的库存发送至用户使用的终端设备。
假设目标对象为海鲜中螃蟹,目标对象的特征数据可以是包含螃蟹的图像,购物APP的开发方可以在5月1日触发价格确定操作,并对目标对象进行拍摄,以得到包含螃蟹的图像。服务器会对此图像进行识别以得到螃蟹的质量等级。再在本地确定与质量等级对应的定价策略。承接上述举例,此定价策略也即为:第一阶段(5月1日)下,目标对象的折扣价格为原价的8折,第二阶段(5月2日)下,折扣价格为原价的7折,第三阶段(5月3日)下,折扣价格为原价的5折。用户使用的终端设备的显示形式也可以如图7所示。假设目标对象为海鲜中螃蟹,服务器还可以确定与螃蟹对应的、人为设定的定价策略,并由终端设备展示此定价策略。
上述图1~图8所示实施例中提供的数据处理方法,考虑到折扣价格确定过程中的计算复杂度,折扣价格的确定可以由服务器执行。可选地,目标对象的折扣价格的确定也可以由图1所示实施例中的终端设备2执行。
则图9为本发明实施例提供的又一种数据处理方法的流程图。如图9所示,该方法可以包括如下步骤:
S701,获取目标对象的特征数据,其中,目标对象的生命周期包含多个阶段。
S702,根据特征数据,确定在多个阶段下,目标对象分别对应的折扣价格。
终端设备为用户使用的手机或者电脑等设备,特征数据同样可以包括:包含目标对象的图像、目标对象的属性信息以及历史交易数据中的任一种。特征数据同样可以由终端设备得到,此时,目标对象的整个定价过程可以由终端设备进行。
上述步骤701~702的具体执行过程与前述实施例的相应步骤相似,可以参见如图2所示实施例中的相关描述,在此再不赘述。
S703,在不同阶段下展示对应的折扣价格。
在得到不同阶段下的折扣价格后,终端设备即可在对应的日期显示对应的折扣价格,以使用户及时了解目标对象的价格变化。
本实施例未详细描述的部分,可参考对图1至图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1至图8所示实施例中的描述,在此不再赘述。
图9所示的数据处理方法也可以应用到易逝品的订价场景中。折扣价格的显示也可以参见图7所示。
终端设备可以根据目标对象的特征数据确定目标对象,比如螃蟹,在生命周期不同阶段分别对应的折扣价格,并在不同日期显示对应的折扣价格。并且终端设备也可以实时更新目标对象的库存。折扣价格和库存的显示方式也可以参见图7所示实施例中的相关描述,在此不再赘述。
以下将详细描述本发明的一个或多个实施例的数据处理装置。本领域技术人员可以理解,这些数据处理装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图10为本发明实施例提供的一种数据处理装置的结构示意图,如图8所示,该装置包括:
获取模块11,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段。
价格确定模块12,用于根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
发送模块13,用于发送所述折扣价格至终端设备,以使所述终端设备在不同阶段展示对应的折扣价格。
可选地,所述特征数据包括所述目标对象的图像。
所述价格确定模块12,具体用于根据所述图像确定所述目标对象的质量等级;以及根据所述质量等级,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
可选地,所述特征数据包括所述目标对象的属性信息。
所述价格确定模块12,具体用于获取与所述属性信息对应的预设折扣价格,所述预设折扣价格分别对应于所述多个阶段。
可选地,所述特征数据包括所述目标对象的历史交易数据。
所述价格确定模块12,具体根据所述历史交易数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
可选地,所述价格确定模块12具体包括:
获取单元121,用于获取所述目标对象的交易目标。
确定单元122,用于根据所述交易目标、所述历史交易数据以及所述目标对象的当前库存,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
其中,所述历史交易数据包括:所述目标对象的属性信息、交易日期、交易地点、交易数量以及库存数量中的至少一种。
所述交易目标包括:所述目标对象的交易总量、所述目标对象的报损量、所述目标对象在所述多个阶段中不同阶段下的交易数量中的至少一种。
可选地,所述确定单元122具体用于:根据所述历史交易数据确定销量概率模型,所述销量概率模型反映在所述多个阶段中的不同折扣价格下,所述目标对象出现不同销量的概率;
根据所述销量概率模型输出的销量概率矩阵以及所述目标对象的当前库存,确定满足所述交易目标的折扣价格,所述多个阶段与所述折扣价格一一对应。
可选地,所述确定单元122具体用于:在所述销量概率矩阵中,确定与所述目标对象的当前库存匹配的销量对应的目标概率值,所述销量概率矩阵包含在所述多个阶段中不同折扣价格下,所述目标对象的销量对应的概率值;
根据所述目标概率值对应的销量以及所述目标对象的当前库存,确定反映所述目标对象的库存状态的转移概率矩阵,所述转移概率矩阵包含多条概率链路,任一条概率链路反映在所述多个阶段中的每个阶段,所述目标对象对应的折扣价格以及销量的概率值;
确定具有最大期望值的概率链路对应的折扣价格为所述目标对象在所述多个阶段下的折扣价格,所述期望值反映所述折扣价格满足所述交易目标的程度。
可选地,所述目标对象对应于多个交易地点;
所述确定单元122具体用于:根据与目标交易地点对应的销量概率模型输出的销量概率矩阵以及所述目标对象的当前库存,确定反映所述目标对象的库存状态的转移概率矩阵,所述转移概率矩阵与所述目标交易地点对应,所述目标交易地点为所述多个交易地点中的任一个;
根据所述目标交易地点对应的转移概率矩阵,确定在不同阶段下,所述目标对象在所述目标交易地点下的折扣价格,所述不同阶段包括所述多个阶段中第一阶段之外的剩余阶段,所述第一阶段为距离生命周期结束最远的阶段;
根据在所述多个交易地点各自对应的转移概率矩阵以及在第二阶段下所述目标对象在所述多个交易地点各自的销量,确定在所述第一阶段下,所述目标对象在所述目标交易地点下的折扣价格,所述第二阶段与所述第一阶段在时间上相邻。
可选地,所述确定单元122具体用于:在所述转移概率矩阵包含的多条概率链路中,确定最大期望值对应的目标链路,所述多条链路中的任一条概率链路反映在所述不同阶段中的每个阶段,所述目标对象对应的折扣价格以及销量的概率值,所述期望值反映所述折扣价格满足所述交易目标的程度;
确定所述目标链路对应的折扣价格为在不同阶段下,所述目标对象在所述目标交易地点下的折扣价格。
可选地,所述确定单元122具体用于:根据所述目标对象在所述多个交易地点中各自对应的当前库存,以及所述多个交易地点在第二阶段时所述目标对象的销量,确定所述目标对象在所述多个交易地点下,所述第一阶段对应的销量;
根据在所述第一阶段下的销量以及所述多个交易地点各自对应的转移概率矩阵,确定对应于最大期望值的折扣价格在所述第一阶段下,所述目标对象在所述目标交易地点下的折扣价。
可选地,所述装置还包括:模型确定模块21,用于根据所述历史交易数据确定销量预测模型和价格弹性模型,所述价格弹性模型反映销量随价格变化而变化的幅度;
根据所述销量预测模型和所述价格弹性模型,确定价格销量关系模型,所述价格销量关系模型反映价格之间销量的对应关系;
根据所述价格销量关系模型确定所述销量概率模型。
可选地,所述装置还包括:更新模块22。
所述获取模块11,用于在目标阶段下,所述目标对象以所述折扣价格交易后,获取所述目标对象在所述目标阶段下的交易数据,所述目标阶段是所述至少一个阶段中的任一阶段。
所述更新模块22,用于根据所述目标阶段下的交易数据,更新所述历史交易数据以及所述目标对象的库存。
所述发送模块13,还用于发送更新后的库存至所述终端设备。
图10所示装置可以执行图1至图8所示实施例的方法,本实施例未详细描述的部分,可参考对图1至图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1至图8所示实施例中的描述,在此不再赘述。
以上描述了数据处理装置的内部功能和结构,在一个可能的设计中,数据处理装置的结构可实现为一电子设备,如图11所示,该电子设备可以包括:处理器31和存储器32。其中,所述存储器32用于存储支持该电子设备执行上述图1至图8所示实施例中提供的数据处理方法的程序,所述处理器31被配置为用于执行所述存储器32中存储的程序。
所述程序包括一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器31执行时能够实现如下步骤:
获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
发送所述折扣价格至终端设备,以使所述终端设备在不同阶段展示对应的折扣价格。
可选地,所述处理器31还用于执行前述图1至图8所示实施例中的全部或部分步骤。
其中,所述电子设备的结构中还可以包括通信接口33,用于该电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存上述电子设备所用的计算机软件指令,其包含用于执行上述图1至图8所示方法实施例中标数据处理方法所涉及的程序。
图12为本发明实施例提供的另一种数据处理装置的结构示意图,如图8所示,该装置包括:
获取模块41,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段,所述特征数据包括:包含所述目标对象的图像、所述目标对象的属性信息以及历史交易数据中的任一种。
价格确定模块42,用于根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
展示模块43,用于在不同阶段下展示对应的折扣价格。
图12所示装置可以执行图9所示实施例的方法,本实施例未详细描述的部分,可参考对图9所示实施例的相关说明。该技术方案的执行过程和技术效果参见图9所示实施例中的描述,在此不再赘述。
以上描述了数据处理装置的内部功能和结构,在一个可能的设计中,数据处理装置的结构可实现为一电子设备,如图13所示,该电子设备可以包括:处理器51和存储器52。其中,所述存储器52用于存储支持该电子设备执行上述图9所示实施例中提供的数据处理方法的程序,所述处理器51被配置为用于执行所述存储器52中存储的程序。
所述程序包括一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器51执行时能够实现如下步骤:
获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
在不同阶段下展示对应的折扣价格。
可选地,所述处理器51还用于执行前述图9所示实施例中的全部或部分步骤。
其中,所述电子设备的结构中还可以包括通信接口53,用于该电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存上述电子设备所用的计算机软件指令,其包含用于执行上述图9所示方法实施例中标数据处理方法所涉及的程序。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (25)
1.一种数据处理方法,其特征在于,包括:
获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
发送所述折扣价格至终端设备,以使所述终端设备在不同阶段展示对应的折扣价格。
2.根据权利要求1所述的方法,其特征在于,所述特征数据包括包含所述目标对象的图像;
所述根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格,包括:
根据所述图像识别所述目标对象的质量等级;
根据所述质量等级,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
3.根据权利要求1所述的方法,其特征在于,所述特征数据包括所述目标对象的属性信息;
所述根据所述参考数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格,包括:
获取与所述属性信息对应的预设折扣价格,所述预设折扣价格分别对应于所述多个阶段。
4.根据权利要求1所述的方法,其特征在于,所述特征数据包括所述目标对象的历史交易数据;
所述根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格,包括:
根据所述历史交易数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
5.根据权利要求4所述的方法,其特征在于,所述根据所述历史交易数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格,包括:
获取所述目标对象的交易目标;
根据所述交易目标、所述历史交易数据以及所述目标对象的当前库存,确定在所述多个阶段下,所述目标对象分别对应的折扣价格。
6.根据权利要求5所述的方法,其特征在于,所述历史交易数据包括:所述目标对象的属性信息、交易日期、交易地点、交易数量、库存数量以及在所述交易日期下,所述目标对象所处的阶段中的至少一种。
7.根据权利要求5所述的方法,其特征在于,所述交易目标包括:所述目标对象的交易总量、所述目标对象的报损量、所述目标对象在所述多个阶段中不同阶段下的交易数量中的至少一种。
8.根据权利要求5所述的方法,其特征在于,所述根据所述交易目标、所述历史交易数据以及所述目标对象的当前库存,确定在所述多个阶段下,所述目标对象分别对应的折扣价格,包括:
根据所述历史交易数据确定销量概率模型,所述销量概率模型反映在所述多个阶段中的不同折扣价格下,所述目标对象出现不同销量的概率;
根据所述销量概率模型输出的销量概率矩阵以及所述目标对象的当前库存,确定满足所述交易目标的折扣价格,所述多个阶段与所述折扣价格一一对应。
9.根据权利要求8所述的方法,其特征在于,所述根据所述销量概率模型输出的销量概率矩阵以及所述目标对象的当前库存,确定满足所述交易目标的折扣价格,包括:
在所述销量概率矩阵中,确定与所述目标对象的当前库存匹配的销量对应的目标概率值,所述销量概率矩阵包含在所述多个阶段中不同折扣价格下,所述目标对象的销量对应的概率值;
根据所述目标概率值对应的销量以及所述目标对象的当前库存,确定反映所述目标对象的库存状态的转移概率矩阵,所述转移概率矩阵包含多条概率链路,任一条概率链路反映在所述多个阶段中的每个阶段,所述目标对象对应的折扣价格以及销量的概率值;
确定具有最大期望值的概率链路对应的折扣价格为所述目标对象在所述多个阶段下的折扣价格,所述期望值反映所述折扣价格满足所述交易目标的程度。
10.根据权利要求8所述的方法,其特征在于,所述目标对象对应于多个交易地点;
所述根据所述销量概率模型输出的销量概率矩阵以及所述目标对象的当前库存,确定满足所述交易目标的折扣价格,包括:
根据与目标交易地点对应的销量概率模型输出的销量概率矩阵以及所述目标对象的当前库存,确定反映所述目标对象的库存状态的转移概率矩阵,所述转移概率矩阵与所述目标交易地点对应,所述目标交易地点为所述多个交易地点中的任一个;
根据所述目标交易地点对应的转移概率矩阵,确定在不同阶段下,所述目标对象在所述目标交易地点下的折扣价格,所述不同阶段包括所述多个阶段中第一阶段之外的剩余阶段,所述第一阶段为距离生命周期结束最远的阶段;
根据在所述多个交易地点各自对应的转移概率矩阵以及在第二阶段下所述目标对象在所述多个交易地点各自的销量,确定在所述第一阶段下,所述目标对象在所述目标交易地点下的折扣价格,所述第二阶段与所述第一阶段在时间上相邻。
11.根据权利要求10所述的方法,其特征在于,所述根据所述目标交易地点对应的转移概率矩阵,确定在不同阶段下,所述目标对象在所述目标交易地点下的折扣价格,包括:
在所述转移概率矩阵包含的多条概率链路中,确定最大期望值对应的目标链路,所述多条链路中的任一条概率链路反映在所述不同阶段中的每个阶段,所述目标对象对应的折扣价格以及销量的概率值,所述期望值反映所述折扣价格满足所述交易目标的程度;
确定所述目标链路对应的折扣价格为在不同阶段下,所述目标对象在所述目标交易地点下的折扣价格。
12.根据权利要求10所述的方法,其特征在于,所述根据在所述多个交易地点各自对应的转移概率矩阵以及在第二阶段下所述目标对象在所述多个交易地点各自的销量,确定在所述第一阶段下,所述目标对象在所述目标交易地点下的折扣价格,包括:
根据所述目标对象在所述多个交易地点中各自对应的当前库存,以及所述多个交易地点在第二阶段时所述目标对象的销量,确定所述目标对象在所述多个交易地点下,所述第一阶段对应的销量;
根据在所述第一阶段下的销量以及所述多个交易地点各自对应的转移概率矩阵,确定对应于最大期望值的折扣价格在所述第一阶段下,所述目标对象在所述目标交易地点下的折扣价。
13.根据权利要求8所述的方法,其特征在于,所述方法还包括:
根据所述历史交易数据确定销量预测模型和价格弹性模型,所述价格弹性模型反映销量随价格变化而变化的幅度;
根据所述销量预测模型和所述价格弹性模型,确定价格销量关系模型,所述价格销量关系模型反映价格之间销量的对应关系;
根据所述价格销量关系模型确定所述销量概率模型。
14.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在目标阶段下,所述目标对象以所述折扣价格交易后,获取所述目标对象在所述目标阶段下的交易数据,所述目标阶段是所述至少一个阶段中的任一阶段;
根据所述目标阶段下的交易数据,更新所述历史交易数据以及所述目标对象的库存;
发送更新后的库存至所述终端设备。
15.一种数据处理方法,其特征在于,包括:
获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
在不同阶段下展示对应的折扣价格。
16.根据权利要求15所述的方法,其特征在于,所述特征数据包括:包含所述目标对象的图像、所述目标对象的属性信息以及历史交易数据中的任一种。
17.一种数据处理系统,其特征在于,所述系统包括:服务器和终端设备;
所述服务器,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含至少一个阶段;根据所述特征数据,确定在所述至少一个阶段下,所述目标对象分别对应的折扣价格;以及发送所述折扣价格至终端设备;
所述终端设备,还用于在不同阶段展示对应的折扣价格。
18.根据权利要求17所述的系统,其特征在于,所述特征数据包括:包含所述目标对象的图像、所述目标对象的属性信息以及历史交易数据中的任一种。
19.根据权利要求17所述的系统,其特征在于,所述服务器还用于:
在目标阶段下,所述目标对象以所述折扣价格交易后,更新所述目标对象的库存信息,所述目标阶段是所述至少一个阶段中的任一阶段;
发送更新后的库存信息至所述终端设备。
20.一种数据处理装置,其特征在于,包括:
获取模块,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
价格确定模块,用于根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
发送模块,用于发送所述折扣价格至终端设备,以使所述终端设备在不同阶段展示对应的折扣价格。
21.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至14中任一项所述的数据处理方法。
22.一种非暂时性机器可读存储介质,其特征在于,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至14中任一项所述的数据处理方法。
23.一种数据处理装置,其特征在于,包括:
获取模块,用于获取目标对象的特征数据,其中,所述目标对象的生命周期包含多个阶段;
价格确定模块,用于根据所述特征数据,确定在所述多个阶段下,所述目标对象分别对应的折扣价格;
展示模块,用于在不同阶段下展示对应的折扣价格。
24.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求15或16中任一项所述的数据处理方法。
25.一种非暂时性机器可读存储介质,其特征在于,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求15或16中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496626.1A CN113762993A (zh) | 2020-06-03 | 2020-06-03 | 数据处理方法、系统、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496626.1A CN113762993A (zh) | 2020-06-03 | 2020-06-03 | 数据处理方法、系统、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762993A true CN113762993A (zh) | 2021-12-07 |
Family
ID=78783287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010496626.1A Pending CN113762993A (zh) | 2020-06-03 | 2020-06-03 | 数据处理方法、系统、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342029A (zh) * | 2023-03-06 | 2023-06-27 | 四川集鲜数智供应链科技有限公司 | 一种食品库存流转方法和食品库存流转装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903157A (zh) * | 2012-12-26 | 2014-07-02 | 李庆成 | 商品促销数据的处理方法 |
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN106779912A (zh) * | 2016-11-23 | 2017-05-31 | 陶震宇 | 基于移动互联网的二手图书交易评估系统和方法 |
CN107123004A (zh) * | 2017-06-29 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 商品动态定价数据处理方法和系统 |
CN108694599A (zh) * | 2017-04-07 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 确定商品价格的方法、装置、电子设备和存储介质 |
CN109636498A (zh) * | 2018-10-26 | 2019-04-16 | 深圳市赛亿科技开发有限公司 | 一种商品销售方法及系统 |
CN109961193A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 一种基于对象的生命周期管理方法和装置 |
CN110197415A (zh) * | 2019-04-23 | 2019-09-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、电子设备及可读存储介质 |
US20190272557A1 (en) * | 2018-03-01 | 2019-09-05 | Adobe Systems Incorporated | Dynamically generating digital product notifications over time based on product expiration data |
-
2020
- 2020-06-03 CN CN202010496626.1A patent/CN113762993A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903157A (zh) * | 2012-12-26 | 2014-07-02 | 李庆成 | 商品促销数据的处理方法 |
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN106779912A (zh) * | 2016-11-23 | 2017-05-31 | 陶震宇 | 基于移动互联网的二手图书交易评估系统和方法 |
CN108694599A (zh) * | 2017-04-07 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 确定商品价格的方法、装置、电子设备和存储介质 |
CN107123004A (zh) * | 2017-06-29 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 商品动态定价数据处理方法和系统 |
CN109961193A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 一种基于对象的生命周期管理方法和装置 |
US20190272557A1 (en) * | 2018-03-01 | 2019-09-05 | Adobe Systems Incorporated | Dynamically generating digital product notifications over time based on product expiration data |
CN109636498A (zh) * | 2018-10-26 | 2019-04-16 | 深圳市赛亿科技开发有限公司 | 一种商品销售方法及系统 |
CN110197415A (zh) * | 2019-04-23 | 2019-09-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、电子设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342029A (zh) * | 2023-03-06 | 2023-06-27 | 四川集鲜数智供应链科技有限公司 | 一种食品库存流转方法和食品库存流转装置 |
CN116342029B (zh) * | 2023-03-06 | 2023-08-25 | 四川集鲜数智供应链科技有限公司 | 一种食品库存流转方法和食品库存流转装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6814302B2 (ja) | 発注支援システム、発注支援プログラム及び発注支援方法 | |
Li et al. | Pricing decisions during inter‐generational product transition | |
US20090327037A1 (en) | System and Methods for Pricing Markdown with Model Refresh and Reoptimization | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
US20120150576A1 (en) | Integrating simulation and forecasting modes in business intelligence analyses | |
CA2837454A1 (en) | Method and system for selection, filtering or presentation of available sales outlets | |
CN112837118A (zh) | 企业用户的商品推荐方法和装置 | |
US20200380569A9 (en) | System and Method for Optimizing Retail Fuel Stores | |
US20120284086A1 (en) | Fuel store profit optimization | |
JP6536028B2 (ja) | 発注計画決定装置、発注計画決定方法および発注計画決定プログラム | |
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 | |
WO2023020255A1 (zh) | 数据处理方法、装置、设备及存储介质 | |
US11393015B1 (en) | Interface for item acquisition | |
EP2343683A1 (en) | Data relationship preservation in a multidimension data hierarchy | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
US20210216943A1 (en) | Salesperson evaluation system, salesperson evaluation apparatus, salesperson evaluation method, and salesperson evaluation program | |
CN114219397A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN113762993A (zh) | 数据处理方法、系统、装置、设备和存储介质 | |
CA2909957A1 (en) | Large-scale customer-product relationship mapping and contact scheduling | |
US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
CN113516492A (zh) | 数据处理方法及装置 | |
CN115829624A (zh) | 基于门店周期性回本的价格预测方法、装置及相关介质 | |
JP2020187416A (ja) | 物流管理システム | |
CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
CN114626660A (zh) | 用于激增调整预报的方法和装置 |
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 |