CN113807876A - 训练样本生成方法及装置、模型训练方法及装置 - Google Patents
训练样本生成方法及装置、模型训练方法及装置 Download PDFInfo
- Publication number
- CN113807876A CN113807876A CN202010543873.2A CN202010543873A CN113807876A CN 113807876 A CN113807876 A CN 113807876A CN 202010543873 A CN202010543873 A CN 202010543873A CN 113807876 A CN113807876 A CN 113807876A
- Authority
- CN
- China
- Prior art keywords
- marketing
- commodity
- target
- activity
- price
- 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
- 238000012549 training Methods 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 152
- 230000000694 effects Effects 0.000 claims abstract description 460
- 238000000605 extraction Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 49
- 238000010801 machine learning Methods 0.000 claims description 32
- 238000003672 processing method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012954 risk control Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 238000009434 installation Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 230000001960 triggered effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本说明书实施例提供了训练样本生成方法及装置、模型训练方法及装置、商品到手价预测方法及装置。该训练样本生成方法的一具体实施方式包括:获取商品在历史营销时段对应的商品营销特征,商品营销特征包括,商品的商品属性特征,以及商品在历史营销时段参与的营销活动对应的营销活动特征;根据商品在历史营销时段内的销售数据,确定商品在历史营销时段对应的到手价标签;生成标记有商品营销特征和到手价标签的训练样本。该实施方式实现了富于针对性的信息生成。所生成的训练样本可用于训练用于预测商品到手价的预测模型,该预测模型的预测结果可用于风险控制场景,有助于实现风险预警的精准触达。
Description
技术领域
本说明书实施例涉及计算机技术领域,具体地,涉及训练样本生成方法及装置、模型训练方法及装置、商品到手价预测方法及装置、商品处理方法及装置、营销活动处理方法及装置、商品推荐方法及装置。
背景技术
在电商前端营销场景中,往往存在一种商品同时有多种营销活动共同生效的情况,因此用户最终购买商品的成交到手价受到多个营销活动的影响。
实践中,营销活动通常被分为多个活动类别,例如单品直降、满减满折、店铺券、品牌券、品类券等。其中,不同类别的营销活动的优惠金额可以相互叠加,但每类营销活动一般只存在一种活动可以生效。
因此,针对多种营销活动叠加下的成交到手价,需要进行合理的估计和预测,这样才能使得风控系统根据具有较高准确度的预测到手价,实现风险预警的精准触达,以防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
发明内容
本说明书实施例提供了训练样本生成方法及装置、模型训练方法及装置、商品到手价预测方法及装置、商品处理方法及装置、营销活动处理方法及装置、商品推荐方法及装置。
第一方面,本说明书实施例提供了训练样本生成方法,该方法包括:获取商品在历史营销时段对应的商品营销特征,商品营销特征包括,商品的商品属性特征,以及商品在历史营销时段参与的营销活动对应的营销活动特征;根据商品在历史营销时段内的销售数据,确定商品在历史营销时段对应的到手价标签;生成标记有商品营销特征和到手价标签的训练样本,训练样本用于训练用于预测商品到手价的预测模型。
在一些实施例中,商品在历史营销时段参与的营销活动包括,商品所属的商户设置的营销活动。
在一些实施例中,获取商品在历史营销时段对应的商品营销特征,包括:获取商品在历史营销时段参与的各个营销活动分别对应的营销活动信息;对营销活动信息进行特征提取,得到营销活动特征;获取商品的商品属性特征;将商品属性特征和营销活动特征组成商品营销特征。
在一些实施例中,营销活动具有对应的活动类别;以及对营销活动信息进行特征提取,得到营销活动特征,包括:根据各个营销活动分别所属的活动类别,从各个营销活动中,选取出参与生成营销活动特征的目标营销活动;对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征。
在一些实施例中,根据各个营销活动分别所属的活动类别,从各个营销活动中,选取出参与生成营销活动特征的目标营销活动,包括:对于各个营销活动分别所属的活动类别中的每一种活动类别,执行以下营销活动选取操作:若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。
在一些实施例中,对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征,包括:确定商品对应的基准价;根据基准价,将各个目标营销活动分别对应的营销活动信息转换为相应的数值对,数值对包括门槛金额和优惠金额;对转换所得的各个数值对进行特征处理,得到营销活动特征。
在一些实施例中,对转换所得的各个数值对进行特征处理包括:对转换所得的各个数值对进行除法操作、减法操作、二值特征添加、归一化。
在一些实施例中,活动类别包括以下至少一项:单品直降、满减满折、店铺券、品牌券、品类券。
在一些实施例中,确定商品对应的基准价,包括:若各个营销活动分别所属的活动类别中存在单品直降类别,则根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定基准价。
在一些实施例中,确定商品对应的基准价,还包括:若各个营销活动分别所属的活动类别中不存在单品直降类别,则将商品的原价确定为基准价。
在一些实施例中,销售数据包括,商品在历史营销时段内的历史订单产生的多个到手价,以及多个到手价分别对应的销售件数;以及根据商品在历史营销时段内的销售数据,确定商品在历史营销时段对应的到手价标签,包括:对多个到手价和其所对应的销售件数进行加权平均,得到平均到手价;对平均到手价进行归一化,并将经归一化后所得的数值作为到手价标签。
第二方面,本说明书实施例提供了模型训练方法,该方法包括:获取训练样本集,其中,训练样本标记有商品营销特征和到手价标签,商品营销特征包括,其所对应的商品的商品属性特征,以及商品参与的处于同一历史营销时段的营销活动对应的营销活动特征,到手价标签根据商品在历史营销时段内的销售数据确定;将训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
在一些实施例中,机器学习模型为树模型或神经网络。
在一些实施例中,树模型包括极端梯度提升模型;神经网络包括,融合了线性模型和深层模型的模型。
第三方面,本说明书实施例提供了商品到手价预测方法,该方法包括:获取目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;对营销活动信息进行特征提取,得到营销活动特征;获取目标商品的商品属性特征;将商品属性特征和营销活动特征组成商品营销特征,并将商品营销特征输入采用如第二方面中任一实现方式描述的方法训练所得的预测模型,得到目标商品在目标营销时段对应的到手价。
在一些实施例中,目标商品在目标营销时段参与的营销活动包括,目标商品所属的商户设置的营销活动。
在一些实施例中,营销活动具有对应的活动类别;以及对营销活动信息进行特征提取,得到营销活动特征,包括:根据上述参与的营销活动分别所属的活动类别,从上述参与的营销活动中,选取出参与生成营销活动特征的目标营销活动;对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征。
在一些实施例中,根据上述参与的营销活动分别所属的活动类别,从上述参与的营销活动中,选取出参与生成营销活动特征的目标营销活动,包括:对于上述参与的营销活动分别所属的活动类别中的每一种活动类别,执行以下营销活动选取操作:若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从上述参与的营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从上述参与的营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。
在一些实施例中,对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征,包括:确定目标商品对应的基准价;根据基准价,将各个目标营销活动分别对应的营销活动信息转换为相应的数值对,数值对包括门槛金额和优惠金额;对转换所得的各个数值对进行特征处理,得到营销活动特征。
在一些实施例中,对转换所得的各个数值对进行特征处理包括:对转换所得的各个数值对进行除法操作、减法操作、二值特征添加、归一化。
在一些实施例中,活动类别包括以下至少一项:单品直降、满减满折、店铺券、品牌券、品类券。
在一些实施例中,确定目标商品对应的基准价,包括:若上述参与的营销活动分别所属的活动类别中存在单品直降类别,则根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定基准价。
在一些实施例中,确定目标商品对应的基准价,还包括:若上述参与的营销活动分别所属的活动类别中不存在单品直降类别,则将目标商品的原价确定为基准价。
第四方面,本说明书实施例提供了商品处理方法,该方法包括:获取目标商品在目标营销时段对应的预测到手价,预测到手价是采用如第三方面中任一实现方式描述的方法预测出的到手价;若预测到手价超出目标商品对应的到手价阈值,则针对目标商品所属的商户,执行预警操作。
第五方面,本说明书实施例提供了营销活动处理方法,该方法包括:获取目标商品在目标营销时段对应的预测到手价,预测到手价是采用如第三方面中任一实现方式描述的方法预测出的到手价;若预测到手价超出目标商品对应的到手价阈值,则确定用于提示需要对营销活动组合方案进行修改的提示信息;向目标商品所属的商户展示提示信息。
第六方面,本说明书实施例提供了营销活动处理方法,该方法包括:获取至少一个目标商品在目标营销时段分别对应的预测到手价,预测到手价是采用如第三方面中任一实现方式描述的方法预测出的到手价;基于预测到手价,从该至少一个目标商品中选取出满足推荐条件的目标商品;向消费者用户推送选取出的目标商品。
第七方面,本说明书实施例提供了训练样本生成装置,该装置包括:获取单元,被配置成获取商品在历史营销时段对应的商品营销特征,商品营销特征包括,商品的商品属性特征,以及商品在历史营销时段参与的营销活动对应的营销活动特征;确定单元,被配置成根据商品在历史营销时段内的销售数据,确定商品在历史营销时段对应的到手价标签;生成单元,被配置成生成标记有商品营销特征和到手价标签的训练样本,训练样本用于训练用于预测商品到手价的预测模型。
第八方面,本说明书实施例提供了模型训练装置,该装置包括:获取单元,被配置成获取训练样本集,其中,训练样本标记有商品营销特征和到手价标签,商品营销特征包括,其所对应的商品的商品属性特征,以及商品参与的处于同一历史营销时段的营销活动对应的营销活动特征,到手价标签根据商品在历史营销时段内的销售数据确定;训练单元,被配置成将训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
第九方面,本说明书实施例提供了商品到手价预测装置,该装置包括:第一获取单元,被配置成获取目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;特征提取单元,被配置成对营销活动信息进行特征提取,得到营销活动特征;第二获取单元,被配置成获取目标商品的商品属性特征;预测单元,被配置成将商品属性特征和营销活动特征组成商品营销特征,并将商品营销特征输入采用如第二方面中任一实现方式描述的方法训练所得的预测模型,得到目标商品在目标营销时段对应的到手价。
第十方面,本说明书实施例提供了商品处理装置,该装置包括:获取单元,被配置成获取目标商品在目标营销时段对应的预测到手价,预测到手价是采用如第三方面中任一实现方式描述的方法预测出的到手价;预警单元,被配置成若预测到手价超出目标商品对应的到手价阈值,则针对目标商品所属的商户,执行预警操作。
第十一方面,本说明书实施例提供了营销活动处理装置,该装置包括:获取单元,被配置成获取目标商品在目标营销时段对应的预测到手价,预测到手价是采用如第三方面中任一实现方式描述的方法预测出的到手价;确定单元,被配置成若预测到手价超出目标商品对应的到手价阈值,则确定用于提示需要对营销活动组合方案进行修改的提示信息;输出单元,被配置成向目标商品所属的商户展示提示信息。
第十二方面,本说明书实施例提供了商品推荐装置,该装置包括:获取单元,被配置成获取至少一个目标商品在目标营销时段分别对应的预测到手价,预测到手价是采用如第三方面中任一实现方式描述的方法预测出的到手价;选取单元,被配置成基于预测到手价,从该至少一个目标商品中选取出满足推荐条件的目标商品;推送单元,被配置成向消费者用户推送选取出的目标商品。
第十三方面,本说明书实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,当该计算机程序在计算机中执行时,令该计算机执行如第一方面、第二方面、第三方面、第四方面、第五方面和第六方面中任一实现方式描述的方法。
第十四方面,本说明书实施例提供了一种计算设备,包括存储器和处理器,其中,该存储器中存储有可执行代码,该处理器执行该可执行代码时,实现如第一方面、第二方面、第三方面、第四方面、第五方面和第六方面中任一实现方式描述的方法。
本说明书的上述实施例提供的方案,基于商品在历史营销时段对应的商品营销特征和到手价标签,生成训练样本,可以实现富于针对性的信息生成。其中,该到手价标签可以代表该商品在该历史营销时段内的高频到手价。高频到手价可以理解为高频率的成交到手价。所生成的训练样本可以用于表征,商品粒度的营销活动叠加情况与高频到手价之间的关系。
通过获取由采用如上所述的训练样本生成方法生成的训练样本所形成的训练样本集,并基于该训练样本集对待训练的机器学习模型进行训练,可以使得机器学习模型学习不同营销活动对于商品的影响程度,进而可以使得训练所得的用于预测商品到手价的预测模型,预测出具有较高准确度的到手价。
通过将如上所述的预测模型部署上线,用于预测商品在未来不同营销活动组合情况下的高频到手价,可以根据预测出的到手价,做到风险预警的精准触达。从而可以防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图,而且还可以根据提供的附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
图1是本说明书的一些实施例可以应用于其中的一个示例性系统架构图;
图2是根据本说明书的训练样本生成方法的一个实施例的流程图;
图3是训练样本的组成结构的一个示意图;
图4是根据本说明书的训练样本生成方法的应用场景的一个示意图;
图5是根据本说明书的训练样本生成方法的又一个实施例的流程图;
图6是根据本说明书的模型训练方法的一个实施例的流程图;
图7是根据本说明书的模型训练方法的应用场景的一个示意图;
图8是根据本说明书的商品到手价预测方法的一个实施例的流程图;
图9是根据本说明书的商品到手价预测方法的应用场景的一个示意图;
图10是根据本说明书的商品处理方法的一个实施例的流程图;
图11是根据本说明书的营销活动处理方法的一个实施例的流程图;
图12是根据本说明书的商品推荐方法的一个实施例的流程图;
图13是根据本说明书的训练样本生成装置的一个结构示意图;
图14是根据本说明书的模型训练装置的一个结构示意图;
图15是根据本说明书的商品到手价预测装置的一个结构示意图;
图16是根据本说明书的商品处理装置的一个结构示意图;
图17是根据本说明书的营销活动处理装置的一个结构示意图;
图18是根据本说明书的商品推荐装置的一个结构示意图。
具体实施方式
下面结合附图和实施例对本说明书作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。所描述的实施例仅仅是一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在不冲突的情况下,本说明书中的实施例及实施例中的特征可以相互组合。
如前所述,针对多种营销活动叠加下的成交到手价,需要进行合理的估计和预测,这样才能使得风控系统根据具有较高准确度的预测到手价,实现风险预警的精准触达,以防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
基于此,本说明书的一些实施例分别披露了训练样本生成方法、模型训练方法、商品到手价预测方法。具体地,图1示出了适用于这些实施例的示例性系统架构图。
如图1所示,其示出了示例性系统架构100。系统架构100可以包括设备101、102、103。设备101、102、103可以是支持网络连接从而提供各种网络服务的硬件设备或软件。当设备为硬件时,其可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。这时,作为硬件设备,其可以实现成多个设备组成的分布式设备群,也可以实现成单个设备。当设备为软件时,可以安装在上述所列举的电子设备中。这时,作为软件,其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
实践中,设备可以通过安装相应的客户端应用或服务端应用来提供相应的网络服务。设备在安装了客户端应用之后,其可以在网络通信中体现为客户端。相应地,在安装了服务端应用之后,其可以在网络通信中体现为服务端。
作为示例,在图1中,设备101、102、103均体现为服务端。具体地,设备101可以为安装有用于生成训练样本的服务端应用的服务端。设备102可以为安装有用于训练模型的服务端应用的服务端。设备103可以为安装有用于预测商品到手价的服务端应用的服务端。需要说明的是,设备101和设备102可以是同一个设备,也可以是不同的设备,在此不做具体限定。
当设备101、102、103所属的人员有获得用于预测商品到手价的预测模型的需求时,可以先进行训练样本准备工作。例如,通过执行特定的训练样本生成触发操作,以向设备101发送训练样本生成请求。其中,该请求例如可以包括商品标识集合,以及该商品标识集合中的每个商品标识对应的若干个历史营销时段。设备101可以根据该请求,针对该商品标识所指示的商品,生成与该若干个历史营销时段中的每个历史营销时段对应的训练样本。其中,该训练样本可以标记有商品营销特征和到手价标签。该商品营销特征可以包括,该商品的商品属性特征,以及该商品在该历史营销时段参与的营销活动对应的营销活动特征。此外,设备101可以将所生成的训练样本存储至指定的存储位置。
而后,上述人员可以执行特定的模型训练触发操作,以向设备102发送模型训练请求。该请求可以包括上述存储位置的地址。设备102可以根据该地址,从上述存储位置获取训练样本集,并根据该训练样本集训练得到用于预测商品到手价的预测模型。
然后,上述人员可以将预测模型部署到设备103上。此后,有商品到手价预测需求的人员,可以向设备103发送商品到手价预测请求。设备103可以根据该预测请求,获取用于预测的特征(如商品营销特征),并将该特征输入该预测模型,得到相应的预测结果。
可选地,由于生成训练样本以及预测商品到手价,相较于训练模型,占用较少的资源,因而训练样本生成操作,以及商品到手价预测操作,可以在前端实现,因此,设备101和设备103可以体现为客户端。具体地,设备101上可以安装有用于生成训练样本的客户端应用。设备103上可以安装有用于预测商品到手价的客户端应用,该客户端应用可以集成有如上所述的预测模型。此外,设备102可以依然体现为服务端。设备101和设备102为不同的设备。
需要说明的是,本说明书的一些实施例提供的训练样本生成方法可以由设备101执行,相应地,训练样本生成装置可以设置在设备101中。本说明书的一些实施例提供的模型训练方法可以由设备102执行,相应地,模型训练装置可以设置在设备102中。此外,本说明书的一些实施例提供的商品到手价预测方法可以由设备103执行,相应地,商品到手价预测装置可以设置在设备103中。
需要强调的是,图1中的设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的设备。
继续参考图2,其示出了根据本说明书的训练样本生成方法的一个实施例的流程200,包括以下步骤:
步骤201,获取商品在历史营销时段对应的商品营销特征,商品营销特征包括,商品的商品属性特征,以及商品在历史营销时段参与的营销活动对应的营销活动特征;
步骤202,根据商品在历史营销时段内的销售数据,确定商品在历史营销时段对应的到手价标签;
步骤203,生成标记有商品营销特征和到手价标签的训练样本。
在本实施例中,训练样本生成方法的执行主体(例如图1所示的设备101),可以响应于接收到训练样本生成请求而执行步骤201。其中,该请求可以是人为触发的,也可以是自动触发的,在此不做具体限定。
需要说明的是,训练样本生成请求例如可以包括商品标识集合。可选地,该请求在包括该商品标识集合的同时,还可以包括该商品标识集合中的每个商品标识对应的若干个历史营销时段。对于该商品标识所指示的商品,以及该商品标识对应的若干个历史营销时段中的每个历史营销时段,上述执行主体可以通过执行步骤201-203,来获得该商品在该历史营销时段对应的训练样本。
实践中,商品属性特征可以示出,其所对应的商品的商品标识,以及该商品所归属的以下至少一项的标识:类目、行业、品牌等。
营销时段可以为进行商品促销的时段,例如现实生活中的双5(5月5日)、618(6月18日)、双11(11月11日)、双12(12月12日)等等。历史营销时段可以为过去特定时间段内的营销时段。该过去特定时间段例如可以为近2周、近1个月、近2个月、近3个月、近半年或近一年等等,在此不做具体限定。
营销活动可以理解为以降价折扣等方式进行的商品促销手段。商品在历史营销时段参与的营销活动包括,商品所属的商户设置的营销活动。可选地,商品在历史营销时段参与的营销活动,在包括商品所属的商户设置的营销活动的同时,还可以包括商品所在的电商平台的管理人员设置的营销活动等。营销活动的类别例如可以包括但不限于单品直降、满减满折、店铺券、品牌券和/或品类券等等,在此不做具体限定。
其中,单品直降可以理解为,将商品的原价直接降低特定金额。单品直降类下的营销活动可以包括商品降价后的价格。
满减满折可以分为两个子类别,例如满减和满折。其中,满减可以理解为,当要购买的商品的总金额达到门槛金额时,可以减免一定金额。例如,营销活动“满100元减20元”可以归属于满减子类别。其中,100元是门槛金额,20元是减免的金额。满折可以理解为,当要购买的商品的总件数达到门槛件数,或者要购买的商品的总金额达到门槛金额时,给予一定的折扣。例如,营销活动“满200元打9折”、“满3件打9折”可以归属于满减子类别。其中,3件是门槛件数。
店铺券可以理解为,购买该店铺券所归属的店铺的任意商品时,可使用的优惠券。店铺券类别下的营销活动可以体现为店铺优惠券。店铺优惠券包括面值、所需消费金额、使用有效期限等等。例如,店铺S的一个店铺优惠券可以包括面值50、所需消费金额300、使用有效期限2020年1月1日至1月3日。该店铺优惠券所表达的意思是,在2020年1月1日至1月3日期间内,在店铺S消费满300元,可以使用该店铺优惠券,使得消费金额减免50元。
品牌券可以理解为,购买该品牌券对应的品牌下的任意商品时,可使用的优惠券。品牌券类别下的营销活动可体现为品牌优惠券。品类券可以理解为,购买该品类券对应的品类下的任意商品时,可使用的优惠券。品类券类别下的营销活动可体现为品类优惠券。其中,品牌优惠券和品类优惠券可以分别包括面值、所需消费金额、使用有效期限等等。
基于以上描述可知,店铺优惠券、品牌优惠券和品类优惠券三者的使用范围不同。
实践中,不同类别的营销活动的优惠金额可以相互叠加,但每类营销活动通常只存在一种活动可以生效。例如,对于任意一个活动类别,该活动类别下有活动A和活动B,用户可以使用活动A和活动B中的任一项的优惠,不可以同时使用活动A和活动B二者的优惠。
在步骤201中,历史营销时段,可以是如上所述的训练样本生成请求中的时段,也可以是预设的如上所述的过去特定时间段内的、对相应商品进行促销的时段。在本步骤中,上述执行主体可以采用各种方法,获取商品在历史营销时段对应的商品营销特征。
作为一种示例,商品在历史营销时段对应的商品营销特征,可以是预先生成的,并且存储在特定的存储位置。上述执行主体可以从该存储位置获取该商品营销特征。
作为另一种示例,商品的商品属性特征,以及在历史营销时段对应的营销活动特征,已预先生成。上述执行主体可以获取该商品属性特征和该营销活动特征,并将二者组成商品营销特征。这里,可以根据指定的组合方式,将该商品属性特征和该营销活动特征组成商品营销特征。
需要说明的是,营销活动特征可以是,通过对与其有关的各个目标营销活动分别对应的营销活动信息转换所得的数值对,进行特征处理后得到。该各个目标营销活动可以是,该营销活动特征对应的商品在相应的历史营销时段参与的全部营销活动,或者该全部营销活动中的部分营销活动。营销活动信息包括其所对应的营销活动的活动内容。该数值对可以包括,根据其所对应的营销活动信息确定的门槛金额和优惠金额。该特征处理包括以下操作项:除法操作、减法操作、二值特征添加、归一化。因而,该营销活动特征可以示出,除法操作结果、二值特征、经归一化后的减法操作结果和经归一化后的数值对。
在步骤202中,商品在历史营销时段内的销售数据,可以包括该商品在该历史营销时段内的历史订单产生的多个到手价,以及该多个到手价分别对应的销售件数。上述执行主体可以根据该多个到手价和该销售件数,计算得出该商品在该历史营销时段对应的到手价标签。
作为一种示例,可以对该多个到手价和其所对应的销售件数进行加权平均,得到平均到手价,并将该平均到手价作为到手价标签。
作为另一种示例,在得到如上所述的平均到手价后,可以对该平均到手价进行归一化,并将经归一化后所得的数值作为到手价标签。
在步骤203中,上述执行主体在获得商品在历史营销时段对应的商品营销特征和到手价标签后,可以生成标记有该商品营销特征和该到手价标签的训练样本。如图3所示,其示出了训练样本的组成结构的一个示意图。在图3中,商品营销特征由商品属性特征和营销活动特征组成,训练样本由商品营销特征和到手价标签组成。
需要说明的是,上述执行主体可以将所生成的训练样本存储至指定的存储位置。或者,上述执行主体在根据如上所述的训练样本生成请求,完成相应的训练样本生成任务后,可以自动地将所生成的各个训练样本发送至模型训练端(例如图1所示的设备102),由该模型训练端根据该各个训练样本,执行相应的模型训练任务。
继续参看图4,图4是根据本实施例的训练样本生成方法的应用场景的一个示意图。为了防范入驻电商平台的商户因错设或多设营销活动导致商品成交到手价过低,而引发该商户遭受资金损失,以及该商户的设置营销活动的工作人员的以下至少一种风险:工作量增加、被开除、赔偿损失等,需要针对该电商平台,训练得到用于预测商品到手价的预测模型,通过将该预测模型部署上线,以向商户提供具有较高预测准确度的到手价预测功能。
在获得预测模型之前,需要先进入训练样本准备阶段。本应用场景示出了与训练样本准备阶段有关的内容。
在本应用场景中,与上述电商平台有关的、负责训练样本生成的样本管理人员,其所使用的终端设备上可以安装有与训练样本生成有关的客户端应用。样本管理人员可以在该客户端应用中执行特定的训练样本生成触发操作,使得该终端设备根据该触发操作,向该客户端应用的后台服务端发送训练样本生成请求。该请求可以包括商品标识集合和该商品标识集合中的每个商品标识对应的若干个历史营销时段。其中,商品标识集合中的商品标识,是商户通过上述电商平台销售的商品的标识。这里,假设商品标识集合包括商品G1、…、Gn的标识。商品G1、…、Gn的标识均对应历史营销时段T1、T2。
后台服务端在接收到该请求后,对于该商品标识集合中的每个商品标识,以及该商品标识所对应的若干个历史营销时段中的每个历史营销时段,后台服务端可以获取该商品标识所指示的商品在该历史营销时段对应的商品营销特征。其中,该商品营销特征包括,该商品的商品属性特征,以及该商品在该历史营销时段参与的营销活动对应的营销活动特征。此外,后台服务端还可以根据该商品在该历史营销时段内的销售数据,确定该商品在该历史营销时段对应的到手价标签。之后,后台服务端可以生成标记有该商品营销特征和该到手价标签的训练样本。
需要指出的是,为了方便描述,在图4中,将商品G1和历史营销时段T1表示为<G1,T1>,将商品G1和历史营销时段T2表示为<G1,T2>,将商品Gn和历史营销时段T1表示为<Gn,T1>,以及将商品Gn和历史营销时段T2表示为<Gn,T2>。
本实施例提供的训练样本生成方法,通过获取商品在历史营销时段对应的商品营销特征,而后根据该商品在该历史营销时段内的销售数据,确定该商品在该历史营销时段对应的到手价标签,然后生成标记有该商品营销特征和该到手价标签的训练样本,可以实现富于针对性的信息生成。所生成的训练样本可以用于表征,商品粒度的营销活动叠加情况与高频到手价之间的关系。并且,所生成的训练样本可用于训练用于预测商品到手价的预测模型。利用该预测模型预测商品到手价,可以提高预测准确度。此外,后续将该预测模型部署上线后,该预测模型的预测结果可用于风险控制场景,有助于风控系统实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
进一步参考图5,其示出了训练样本生成方法的又一个实施例的流程500,包括以下步骤:
步骤501,获取商品在历史营销时段参与的各个营销活动分别对应的营销活动信息;
步骤502,根据各个营销活动分别所属的活动类别,从各个营销活动中,选取出参与生成营销活动特征的目标营销活动;
步骤503,确定商品对应的基准价;
步骤504,根据基准价,将各个目标营销活动分别对应的营销活动信息转换为相应的数值对,数值对包括门槛金额和优惠金额;
步骤505,对转换所得的各个数值对进行特征处理,得到营销活动特征;
步骤506,获取商品的商品属性特征;
步骤507,将商品属性特征和营销活动特征组成商品营销特征;
步骤508,根据商品在历史营销时段内的销售数据,确定商品在历史营销时段对应的到手价标签;
步骤509,生成标记有商品营销特征和到手价标签的训练样本。
在本实施例中,训练样本生成方法的执行主体(例如图1所示的设备101),可以响应于接收到训练样本生成请求而执行步骤501。其中,该请求可以是人为触发的,也可以是自动触发的,在此不做具体限定。
需要说明的是,针对训练样本生成请求、历史营销时段以及营销活动的解释说明,可参看图2对应实施例中的相关描述,在此不再赘述。
在步骤501中,商品的商品标识、历史营销时段、该商品在该历史营销时段参与的各个营销活动分别对应的营销活动信息,可以预先对应存储。上述执行主体可以根据该商品标识和该历史营销时段,获取相应的营销活动信息。
在步骤502中,活动类别可以包括但不限于单品直降、满减满折、店铺券、品牌券和/或品类券等等,在此不做具体限定。
对于各个营销活动分别所属的活动类别中的每一种活动类别,上述执行主体可以执行以下营销活动选取操作:
若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;
若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。
具体地,若该活动类别下的营销活动设置有对应的优先级,则可以从各个营销活动中的归属于该活动类别的营销活动中,选取优先级最高的营销活动作为目标营销活动。若该活动类别下的营销活动未设置对应的优先级,则可以从各个营销活动中的归属于该活动类别的营销活动中,选取优惠额度最大的预设数目种营销活动作为目标营销活动。该预设数目例如可以为1、2或3等,在此不做具体限定。
在步骤503中,若各个营销活动分别所属的活动类别中存在单品直降类别,则可以根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定基准价。例如,单品直降类别下的营销活动通常设置有对应的优先级。归属于单品直降类别的目标营销活动可以为优先级最高的营销活动。可以将该目标营销活动对应的营销活动信息中的降价后的价格,确定为基准价。
此外,若各个营销活动分别所属的活动类别中不存在单品直降类别,则可以将商品的原价确定为基准价。
在步骤504中,上述执行主体可以根据所确定的基准价,将各个目标营销活动分别对应的营销活动信息转换为相应的数值对。
作为示例,假设商品A的基准价为100元。商品A在历史营销时段参与的营销活动包括:满500元减100元、满3件打8折。营销活动“满500元减100元”,对应的数值对可以为<500,100>,其中,500为门槛金额,100为优惠金额。营销活动“满3件打8折”,对应的数值对可以为<300,60>。其中,300为门槛金额,60为优惠金额。需要说明的是,该门槛金额=件数*基准价,该件数为3。该优惠金额=该门槛金额*(1-0.8)。
在步骤505中,上述执行主体可以对转换所得的各个数值对进行特征处理,得到营销活动特征。具体地,上述执行主体可以对转换所得的各个数值对进行除法操作、减法操作、二值特征添加、归一化。
在除法操作中,对于每个数值对,可以将该数值对中的优惠金额和门槛金额进行相除,得到优惠比例。在减法操作中,对于每个数值对,可以将该数值对中的优惠金额和门槛金额分别与基准价相减得到差值。在二值特征添加操作中,可以用布尔变量表示每类优惠是否存在。在归一化操作中,可以将每个数值对中的门槛金额和优惠金额,以及减法操作得到的差值,与基准价进行相除。
在步骤506中,商品属性特征可以示出,其所对应的商品的商品标识,以及该商品所归属的以下至少一项的标识:类目、行业、品牌等。
作为一种示例,商品的商品属性特征可以预先生成,上述执行主体可以根据商品的商品标识,获取已生成的商品属性特征。
作为另一种示例,上述执行主体可以根据商品的商品标识,获取相应的商品属性信息,并根据预定的特征提取方法,对该商品属性信息进行特征提取,得到商品属性特征。
在步骤507中,上述执行主体可以根据指定的组合方式,将商品属性特征和营销活动特征组成商品营销特征。
在步骤508中,商品在预定的历史营销时段内的销售数据,可以包括该商品在该历史营销时段内的历史订单产生的多个到手价,以及该多个到手价分别对应的销售件数。上述执行主体例如可以对该多个到手价和其所对应的销售件数进行加权平均,得到平均到手价。而后,对该平均到手价进行归一化,并将经归一化后所得的数值作为到手价标签。其中,在对该平均到手价进行归一化时,可以将该平均到手价与基准价相除。
在步骤509中,上述执行主体可以生成标记有商品营销特征和到手价标签的训练样本。
从图5中可以看出,与图2对应的实施例相比,本实施例提供的训练样本生成方法突出了对商品营销特征的获取方法进行扩展的步骤,尤其突出了营销活动特征的获取步骤。本实施例提供的方案,可以实现对字符形式的营销活动信息进行特征抽象,统一转换成门槛+优惠金额的双属性数值形式。通过对营销活动信息采用数值特征表示方法,可以为后续的机器学习建模奠定有效的数据基础,从而可以有效地保证商品到手价的预测准确度。
进一步参考图6,其示出了模型训练方法的一个实施例的流程600,包括以下步骤:
步骤601,获取训练样本集,其中,训练样本包括商品营销特征和到手价标签,商品营销特征包括,其所对应的商品的商品属性特征,以及商品参与的处于同一历史营销时段的营销活动对应的营销活动特征,到手价标签根据商品在历史营销时段内的销售数据确定;
步骤602,将训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
在本实施例中,模型训练方法的执行主体(例如图1所示的设备102),可以响应于接收到模型训练请求而执行步骤601。其中,该模型训练请求可以是人为触发的,也可以是自动触发的,在此不做具体限定。
作为示例,若该模型训练请求是自动触发的,该模型训练请求例如可以是训练样本集的生成端(例如图1所示的设备101)在完成与该训练样本集有关的训练样本生成任务后,自动向上述执行主体发送的。
其中,模型训练请求例如可以包括训练样本集所在的存储位置的地址,以及以下任一项:待训练的机器学习模型、该模型所在的存储位置的地址。
训练样本集中的训练样本,是采用图2或图5对应的实施例提供的训练样本生成方法所生成的训练样本。对于训练样本集中的任意一个训练样本所标记的商品营销特征,该商品营销特征包括的营销活动特征可以是,通过对与该营销活动特征有关的各个目标营销活动分别对应的营销活动信息转换所得的数值对,进行特征处理后得到。该特征处理包括以下操作项:除法操作、减法操作、二值特征添加、归一化。因而,该营销活动特征可以示出,除法操作结果、二值特征、经归一化后的减法操作结果和经归一化后的数值对。
待训练的机器学习模型,可以是未经训练的机器学习模型,也可以是未训练完成的机器学习模型,在此不做具体限定。
具体地,机器学习模型可以为树模型或神经网络等。其中,树模型可以包括但不限于XGBoost(eXtreme Gradient Boosting,极端梯度提升)模型。神经网络可以包括但不限于Wide-Deep模型。Wide-Deep模型融合了线性模型和深层模型。
XGBoost具有高效、准确度、模型的交互性等优点。例如,XGBoost借助OpenMP,能自动利用单机CPU(Central Processing Unit,中央处理器)的多核进行并行计算,因而具有高效优点。其中,OpenMP是一种用于共享内存并行系统的多线程程序设计方案。此外,准确度提升的主要原因在于,XGBoost模型和传统的GBDT(Gradient Boosting Decision Tree,梯度提升决策树)相比,加入了对于模型复杂度的控制以及后期的剪枝处理,使得学习出来的模型更加不容易过拟合。另外,在模型的交互性方面,能够求出目标函数的梯度和Hessian矩阵,用户就可以自定义训练模型时的目标函数,XGBoost允许用户在交叉验证时自定义误差衡量方法。
关于Wide-Deep模型,需要指出的是,Wide-Deep也可以用Wide&Deep来表示,在此不对书写方式做任何限定。其中,Wide-Deep模型,旨在使得训练得到的模型能够同时获得记忆(memorization)和泛化(generalization)能力。记忆能力可以解释为学习那些经常同时出现的特征,发掘历史数据中存在的共现性。泛化能力则基于迁移相关性,探索之前几乎没有出现过的新特征组合。具体到模型定义角度,Wide是指广义线性模型(Wide LinearModel),Deep是指深度神经网络(Deep Netural Network,DNN)。实践中,Wide-Deep模型采用的目标函数可以包括但不限于MSE(Mean Square Error,均方误差)。
在步骤601中,上述执行主体例如可以根据如上所述的模型训练请求,获取训练样本集。
在步骤602中,上述执行主体可以将训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
作为示例,上述执行主体可以执行以下模型训练操作:将训练样本集中的每个训练样本所标记的商品营销特征依次输入待训练的机器学习模型,得到训练样本集中的每个训练样本所标记的商品营销特征对应的预测到手价;将训练样本集中的每个训练样本所标记的商品营销特征对应的到手价标签和预测到手价进行比较,得到本轮训练后的机器学习模型的预测准确率;确定预测准确率是否大于预设准确率阈值;若大于预设准确率阈值,则将本轮训练后的机器学习模型作为用于预测商品到手价的预测模型。
此外,若预测准确率不大于预设准确率阈值,则可以将本轮训练后的机器学习模型作为待训练的机器学习模型,继续执行上述模型训练操作。
需要说明的是,当待训练的机器学习模型为Wide-Deep模型时,该机器学习模型包括DNN和线性模型。其中,DNN和线性模型的输入有所不同。
例如,对于训练样本集中的任意一个训练样本所标记的商品营销特征,输入至DNN的内容可以包括,该商品营销特征包括的商品属性特征,以及该商品营销特征包括的营销活动特征中的经归一化后的数值对。输入至线性模型的内容可以包括,该营销活动特征中的除法操作结果、二值特征和经归一化后的减法操作结果。应该理解,DNN和线性模型的输入可以根据实际需求设计,在此不做具体限定。
继续参看图7,图7是根据本实施例的模型训练方法的应用场景的一个示意图。在本应用场景中,继续以图4对应的应用场景中的电商平台为例。本应用场景示出了与模型训练阶段有关的内容。该模型训练阶段为,图4对应的应用场景示出的训练样本准备阶段的下一个阶段。
在本应用场景中,与上述电商平台有关的、负责模型训练的模型管理人员,其所使用的终端设备上可以安装有与模型训练有关的客户端应用。应该理解,模型管理人员与图4对应的应用场景中的样本管理人员可以是同一人,也可以是不同的人,在此不做具体限定。
模型管理人员可以在与模型训练有关的客户端应用中,执行特定的模型训练触发操作,使得终端设备根据该触发操作,向该客户端应用的后台服务端发送模型训练请求。该请求例如可以包括训练样本集所在的存储位置的地址,以及待训练的机器学习模型。其中,该训练样本集为,上述训练样本准备阶段中生成的训练样本所形成的集合。
后台服务端在接收到该请求后,可以根据该请求获取训练样本集和待训练的机器学习模型。而后,后台服务端可以将该训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
本实施例提供的模型训练方法,通过获取如上所述的训练样本集,并根据该训练样本集,对待训练的机器学习模型进行训练,可以使得机器学习模型学习不同营销活动对于商品的影响程度,进而可以使得训练所得的用于预测商品到手价的预测模型,预测出具有较高准确度的到手价。此外,后续将该预测模型部署上线后,该预测模型的预测结果可用于风险控制场景,有助于风控系统实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
进一步参考图8,其示出了商品到手价预测方法的一个实施例的流程800,包括以下步骤:
步骤801,获取目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
步骤802,对营销活动信息进行特征提取,得到营销活动特征;
步骤803,获取目标商品的商品属性特征;
步骤804,将商品属性特征和营销活动特征组成商品营销特征,并将商品营销特征输入用于预测商品到手价的预测模型,得到目标商品在目标营销时段对应的到手价。
在本实施例中,商品到手价预测方法的执行主体(例如图1所示的设备103),可以响应于接收到与目标商品和目标历史营销时段有关的到手价预测请求而执行步骤801。其中,该请求可以是人为触发的,也可以是自动触发的,在此不做具体限定。
作为示例,若该请求是人为触发的,该请求可以是目标商品所属的商户的负责设置营销活动的工作人员,通过执行特定的商品到手价预测触发操作触发的。若该请求是自动触发的,该请求例如可以是负责检测商户针对商品设置的营销活动的线程或设备,响应于检测到该工作人员针对该目标商品设置的在目标营销时段生效的营销活动而自动发送的。
该请求可以包括目标商品的商品标识和目标营销时段。其中,目标营销时段可以是未来对目标商品进行促销的时段。
需要说明的是,上述预测模型是采用如图6对应的实施例提供的模型训练方法训练所得的模型。
在步骤801中,上述执行主体例如可以根据目标商品的商品标识和目标历史营销时段,获取目标商品在目标营销时段参与的营销活动分别对应的营销活动信息。
其中,目标商品在目标营销时段参与的各个营销活动可以包括,目标商品所属的商户设置的营销活动。可选地,目标商品在目标营销时段参与的各个营销活动,在包括目标商品所属的商户设置的营销活动的同时,还可以包括目标商品所在的电商平台的管理人员设置的营销活动。
在步骤802中,上述执行主体可以对获取到的全部营销活动信息进行特征提取。或者,上述执行主体可以对该全部营销活动信息中的部分营销活动信息进行特征提取。应该理解,本步骤中的特征提取过程,与上述预测模型的模型训练阶段所使用的训练样本所标记的营销活动特征对应的特征提取过程类似。
对于步骤803,以及步骤804中的将商品属性特征和营销活动特征组成商品营销特征,其执行过程与图5对应的实施例中的步骤506-507类似,在此不再赘述。
此外,在步骤804中,目标商品在目标营销时段对应的到手价的表示方式,与上述预测模型的模型训练阶段所使用的训练样本中的到手价标签的表示方式一致。例如,若该到手价标签是未经归一化的价格,则目标商品在目标营销时段对应的到手价也是未经归一化的价格。若该到手价标签是经归一化后的价格,则目标商品在目标营销时段对应的到手价也是经归一化后的价格。
应该理解,本实施例中的目标商品在目标营销时段对应的商品营销特征的组成结构,与上述预测模型的模型训练阶段所使用的训练样本中的商品营销特征的组成结构一致。
在本实施例的一些可选的实现方式中,营销活动可以具有对应的活动类别。上述执行主体可以采用以下方式,对营销活动信息进行特征提取,得到营销活动特征:根据各个营销活动分别所属的活动类别,从各个营销活动中,选取出参与生成营销活动特征的目标营销活动;对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征。
在本实施例的一些可选的实现方式中,对于各个营销活动分别所属的活动类别中的每一种活动类别,上述执行主体可以执行以下营销活动选取操作:若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。需要说明的是,该营销活动选取操作的具体细节,与图5对应的实施例中描述的营销活动选取操作的类似,在此不再赘述。
在本实施例的一些可选的实现方式中,上述执行主体可以采用以下方式,对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征:确定目标商品对应的基准价;根据基准价,将各个目标营销活动分别对应的营销活动信息转换为相应的数值对,数值对包括门槛金额和优惠金额;对转换所得的各个数值对进行特征处理,得到营销活动特征。
在本实施例的一些可选的实现方式中,对转换所得的各个数值对进行特征处理,具体为对转换所得的各个数值对进行除法操作、减法操作、二值特征添加、归一化。这里,特征处理的过程,与图5对应的实施例中进行的特征处理的过程类似,在此不再赘述。
在本实施例的一些可选的实现方式中,营销活动的类别例如可以包括但不限于单品直降、满减满折、店铺券、品牌券和/或品类券等等,在此不做具体限定。
在本实施例的一些可选的实现方式中,上述执行主体可以采用以下方式,确定目标商品对应的基准价:若各个营销活动分别所属的活动类别中存在单品直降类别,则根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定基准价;若各个营销活动分别所属的活动类别中不存在单品直降类别,则将目标商品的原价确定为基准价。
在本实施例的一些可选的实现方式中,上述执行主体可以将预测出的目标商品在目标历史营销时段对应的到手价反馈给目标商品所属的商户。具体地,当该到手价为经归一化后的价格时,上述执行主体可以将该到手价转换为未经归一化的价格,并将该价格反馈给该商户。
在本实施例的一些可选的实现方式中,上述执行主体还可以将目标商品在目标历史营销时段对应的到手价发送至风控系统,由风控系统根据该到手价,执行相应的风险控制操作。例如,风控系统可以判断该到手价是否低于该目标商品对应的到手价阈值。若低于阈值,则进入相应的审批流,或者执行预警操作。
对于该审批流,例如可以由目标商品所属的商户审核该到手价是否满足预期。对于预警操作,例如可以生成预警信息,并通过特定的传输途径,将该预警信息反馈给该商户。该传输途径例如可以为短信、邮件、电话或特定的客户端应用(例如为目标商品设置营销活动时所使用的客户端应用)等。
需要说明的是,风控系统可以部署在上述执行主体本地,也可以部署在其它设备上,在此不做具体限定。当风控系统部署在上述执行主体本地时,上述执行主体便具有风控系统的功能,因而风控系统所执行的风险控制操作,也可以理解为上述执行主体所执行的风险控制操作。
由于本实施例对于新出现的营销活动,通过提取其对应的营销活动特征,借助于上述预测模型,能够准确地预测该活动对于高频到手价的影响,因而风控系统根据上述预测模型预测出的到手价,可以实现风险预警的精准触达,可以尽可能地避免风险漏报和风险误报。
继续参看图9,图9是根据本实施例的商品到手价预测方法的应用场景的一个示意图。在本应用场景中,继续以图7对应的应用场景中的电商平台为例。本应用场景示出了与商品到手价预测阶段有关的内容。该商品到手价预测阶段为,图7对应的应用场景示出的模型训练阶段的下一个阶段。
在本应用场景中,入驻上述电商平台的商户的负责设置营销活动的工作人员,其所使用的终端设备上可以安装有与商品到手价预测有关的预测工具。此外,该终端设备上还可以安装有上述电商平台对应的、供商户使用的商品管理客户端应用。该预测工具例如可以是该商品管理客户端应用中的插件等,在此不做具体限定。
上述工作人员在使用商品管理客户端应用,为商品G设置在未来某个营销时段T生效的营销活动后,可以使用预测工具,执行特定的商品到手价预测触发操作,以使上述终端设备根据该触发操作,向该预测工具的后台服务端发送相应的商品到手价预测请求。这里,该请求可以包括商品G的商品标识,以及营销时段T。需要指出的是,后台服务端上部署有如上所述的用于预测商品到手价的预测模型。
后台服务端在接收到商品到手价预测请求后,可以根据该请求,获取商品G在营销时段T参与的各个营销活动分别对应的营销活动信息。其中,该各个营销活动包括,上述工作人员为商品G设置的营销活动,以及该营销活动以外的其它营销活动。而后,后台服务端可以采用特定的特征提取方法,对获取到的营销活动信息进行特征提取,得到营销活动特征。之后,后台服务端可以获取商品G的商品属性特征。接着,后台服务端可以将该商品属性特征和该营销活动特征组成商品营销特征。然后,后台服务端可以将该商品营销特征输入上述预测模型,得到商品G在营销时段T对应的到手价。
本实施例提供的商品到手价预测方法,通过对上述预测模型的利用,能预测出具有较高准度的到手价。后续通过将该到手价传输至风控系统,可以使得风控系统根据该到手价,实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
如前所述,上述预测模型的预测结果可以用于风险控制场景。除此之外,上述预测模型的预测结果还可以用于商户对营销活动组合方案的修改,以及还可以用于向消费者用户推荐商品。
基于此,本说明书实施例还提供了商品处理方法、营销活动处理方法、商品推荐方法。下面,对商品处理方法、营销活动处理方法以及商品推荐方法进行逐一说明。
参看图10,其示出了商品处理方法的一个实施例的流程1000。该方法的执行主体可以为如上所述的风控系统。该方法包括以下步骤:
步骤1001,获取目标商品在目标营销时段对应的预测到手价;
步骤1002,若预测到手价超出目标商品对应的到手价阈值,则针对目标商品所属的商户,执行预警操作。
在本实施例中,预测到手价可以是采用图8对应的实施例提供的商品到手价预测方法预测出的到手价。
本实施例中的目标商品、目标营销时段的相关解释,可以参看图8对应实施例中的相关说明,在此不再赘述。需要特别指出的是,目标商品可以具有对应的到手价阈值。该到手价阈值可以是目标商品所属的商户设置的。
具体地,可以从图8对应的实施例提供的方案的执行主体,获取目标商品在目标营销时段对应的预测到手价。其中,该预测到手价可以是该执行主体主动发送的。而后,可以将获取到的预测到手价与相应的到手价阈值进行比较。若该预测到手价未超出该到手价阈值,则不用进行预警操作。若该预测到手价超出该到手价阈值,则需要对目标商品所属的商户进行预警操作。
实践中,可以生成预警信息,并通过特定的传输途径,将该预警信息反馈给目标商品所属的商户。该预警信息可以文字、语音和/或图像等形式的信息。该传输途径例如可以为短信、邮件、电话或特定的客户端应用(例如为目标商品设置营销活动时所使用的客户端应用)等。
本实施例提供的商品处理方法,通过获取目标商品在目标营销时段对应的预测到手价,而后响应于预测到手价超出目标商品对应的到手价阈值,针对目标商品所属的商户,执行预警操作,可以实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
继续参看图11所示,其示出了营销活动处理方法的一个实施例的流程1100。该方法的执行主体可以为如上所述的风控系统,或者图8对应的实施例提供的商品到手价预测方法的执行主体等,在此不做具体限定。该方法包括以下步骤:
步骤1101,获取目标商品在目标营销时段对应的预测到手价;
步骤1102,若预测到手价超出目标商品对应的到手价阈值,则确定用于提示需要对营销活动组合方案进行修改的提示信息;
步骤1103,向目标商品所属的商户展示提示信息。
在本实施例中,预测到手价可以是采用图8对应的实施例提供的商品到手价预测方法预测出的到手价。
本实施例中的目标商品、目标营销时段的相关解释,可以参看图8对应实施例中的相关说明,在此不再赘述。需要特别指出的是,目标商品可以具有对应的到手价阈值。该到手价阈值可以是目标商品所属的商户设置的。
具体地,在步骤1101中,若本实施例提供的方案的执行主体为如上所述的风控系统,则可以从图8对应的实施例提供的方案的执行主体,获取目标商品在目标营销时段对应的预测到手价。其中,该预测到手价可以是该执行主体主动发送的。
若本实施例和图8对应的实施例分别提供的方案的执行主体相同,则本实施例提供的方案的执行主体可以本地获取目标商品在目标营销时段对应的预测到手价。
在步骤1102中,提示信息可以是预先设定的通用的提示信息。作为示例,该提示信息的内容例如可以包括“**商品的预测到手价过低,建议修改营销活动组合方案”。因此,可以获取预先设定的提示信息。可选地,也可以采用预设的提示信息生成算法,根据所获取到的预测到手价,生成提示信息。
在步骤1103中,若本实施例提供的方案的执行主体属于客户端,该客户端可以为目标商品所属的商户所使用的客户端,因而,该执行主体可以直接向该商户展示提示信息。若本实施例提供的方案的执行主体属于服务端,该执行主体可以将提示信息发送至该商户所使用的客户端,由该客户端向该商户展示提示信息。
本实施例提供的营销活动处理方法,通过获取目标商品在目标营销时段对应的预测到手价,而后响应于预测到手价超出目标商品对应的到手价阈值,确定用于提示需要对营销活动组合方案进行修改的提示信息,然后向目标商品所属的商户展示提示信息,可以及时提示商户修改营销活动组合方案,以防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
继续参看图12,其示出了商品推荐方法的一个实施例的流程1200。该方法的执行主体可以为具有商品推荐功能的服务端。具体地,该方法的执行主体可以为如上所述的电商平台的服务端。该方法包括以下步骤:
步骤1201,获取至少一个目标商品在目标营销时段分别对应的预测到手价;
步骤1202,基于预测到手价,从至少一个目标商品中选取出满足推荐条件的目标商品;
步骤1203,向消费者用户推送选取出的目标商品。
在本实施例中,预测到手价可以是采用图8对应的实施例提供的商品到手价预测方法预测出的到手价。
本实施例中的目标商品、目标营销时段的相关解释,可以参看图8对应实施例中的相关说明,在此不再赘述。
具体地,在步骤1201中,至少一个目标商品可以来源于同一个商户,也可以来源于不同的商户,在此不做具体限定。当该至少一个目标商品在目标营销时段分别对应的预测到手价已预先存储在上述执行主体本地时,上述执行主体可以从本地获取该预测到手价。当上述执行主体未存储有该预测到手价时,例如可以从图8对应的实施例提供的方案的执行主体获取该预测到手价。
在步骤1202中,推荐条件是预先设定的。其中,目标商品可以具有对应的到手价阈值。该到手价阈值可以是目标商品所属的商户设置的。推荐条件例如可以包括:预测到手价未超出相应的到手价阈值。
可选地,推荐条件例如可以包括:预测到手价未超出到手价阈值,且预测到手价与到手价阈值之间的差值小于预设值。其中,当任意一个目标商品满足该推荐条件时,可以表征该目标商品的预测到手价与相应的到手价阈值相近,该目标商品的优惠力度比较大。
应该理解,推荐条件可以根据实际需求设计,在此不对推荐条件的内容做具体限定。
在步骤1203中,可以向消费者用户推送选取出的目标商品。应该理解,此处的消费者用户可以是电商平台的全部消费者用户,或者部分消费者用户。作为一种实现方式,当此处的消费者用户是电商平台的部分消费者用户时,可以从电商平台的消费者用户集合中随机选取部分消费者用户。
可选地,也可以基于消费者用户集合中的消费者用户的历史行为数据和选取出的目标商品的商品信息,从消费者用户集合中选取偏好选取出的目标商品的消费者用户。而后,向选取出的消费者用户推送其偏好的目标商品。具体地,可以将该目标商品的相关信息发送至该消费者用户所使用的客户端,以使该客户端展示该相关信息。其中,该相关信息可以包括该目标商品的商品属性信息。进一步地,该相关信息在包括该商品属性信息的同时,还可以包括该目标商品在目标历史营销时段对应的预测到手价等信息。
本实施例提供的商品推荐方法,通过获取至少一个目标商品在目标营销时段分别对应的预测到手价,而后基于预测到手价,从该至少一个目标商品中选取出满足推荐条件的目标商品,然后向消费者用户推送选取出的目标商品,可以实现富于针对性的信息推送。通过本方案,可以实现向消费者用户推送优惠力度比较大的商品,可以节约用户针对优惠力度比较大的商品的搜索成本,提升用户体验,而且能够提升用户转化率。
进一步参考图13,作为对以上一些图所示方法的实现,本说明书提供了一种训练样本生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置可以应用于如图1所示的设备101。
如图13所示,本实施例的训练样本生成装置1300可以包括:获取单元1301、确定单元1302和生成单元1303。其中,获取单元1301被配置成获取商品在历史营销时段对应的商品营销特征,商品营销特征包括,商品的商品属性特征,以及商品在历史营销时段参与的营销活动对应的营销活动特征;确定单元1302被配置成根据商品在历史营销时段内的销售数据,确定商品在历史营销时段对应的到手价标签;生成单元1303被配置成生成标记有商品营销特征和到手价标签的训练样本,训练样本用于训练用于预测商品到手价的预测模型。
在本实施例中,获取单元1301、确定单元1302和生成单元1303的具体处理及其带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,商品在历史营销时段参与的营销活动包括,商品所属的商户设置的营销活动。
在本实施例的一些可选的实现方式中,获取单元1301可以包括:第一获取子单元(图中未示出),被配置成获取商品在历史营销时段参与的各个营销活动分别对应的营销活动信息;特征提取子单元(图中未示出),被配置成对营销活动信息进行特征提取,得到营销活动特征;第二获取子单元(图中未示出),被配置成获取商品的商品属性特征;生成子单元(图中未示出),被配置成将商品属性特征和营销活动特征组成商品营销特征。
在本实施例的一些可选的实现方式中,营销活动具有对应的活动类别;以及特征提取子单元可以包括:选取模块(图中未示出),被配置成根据各个营销活动分别所属的活动类别,从各个营销活动中,选取出参与生成营销活动特征的目标营销活动;特征提取模块(图中未示出),被配置成对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征。
在本实施例的一些可选的实现方式中,选取模块进一步被配置成:对于各个营销活动分别所属的活动类别中的每一种活动类别,执行以下营销活动选取操作:若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。
在本实施例的一些可选的实现方式中,特征提取模块可以包括:确定子模块(图中未示出),被配置成确定商品对应的基准价;转换子模块(图中未示出),被配置成根据基准价,将各个目标营销活动分别对应的营销活动信息转换为相应的数值对,数值对包括门槛金额和优惠金额;特征处理子模块(图中未示出),被配置成对转换所得的各个数值对进行特征处理,得到营销活动特征。
在本实施例的一些可选的实现方式中,特征处理子模块可以进一步被配置成:对转换所得的各个数值对进行除法操作、减法操作、二值特征添加、归一化。
在本实施例的一些可选的实现方式中,活动类别可以包括以下至少一项:单品直降、满减满折、店铺券、品牌券、品类券。
在本实施例的一些可选的实现方式中,确定子模块可以进一步被配置成:若各个营销活动分别所属的活动类别中存在单品直降类别,则根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定基准价。
在本实施例的一些可选的实现方式中,确定子模块还可以进一步被配置成:若各个营销活动分别所属的活动类别中不存在单品直降类别,则将商品的原价确定为基准价。
在本实施例的一些可选的实现方式中,销售数据可以包括,商品在预定的历史营销时段内的历史订单产生的多个到手价,以及该多个到手价分别对应的销售件数;以及确定单元1302可以进一步被配置成:对该多个到手价和其所对应的销售件数进行加权平均,得到平均到手价;对平均到手价进行归一化,并将经归一化后所得的数值作为到手价标签。
本实施例提供的训练样本生成装置,通过获取单元获取商品在历史营销时段对应的商品营销特征,而后通过确定单元根据该商品在该历史营销时段内的销售数据,确定该商品在该历史营销时段对应的到手价标签,然后通过生成单元生成标记有该商品营销特征和该到手价标签的训练样本,可以实现富于针对性的信息生成。所生成的训练样本可以用于表征,商品粒度的营销活动叠加情况与高频到手价之间的关系。并且,所生成的训练样本可用于训练用于预测商品到手价的预测模型。利用该预测模型预测商品到手价,可以提高预测准确度。此外,后续将该预测模型部署上线后,该预测模型的预测结果可用于风险控制场景,有助于风控系统实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
进一步参考图14,作为对以上一些图所示方法的实现,本说明书提供了一种模型训练装置的一个实施例,该装置实施例与图6所示的方法实施例相对应,该装置可以应用于如图1所示的设备102。
如图14所示,本实施例的模型训练装置1400可以包括:获取单元1401和训练单元1402。其中,获取单元1401被配置成获取训练样本集,其中,训练样本标记有商品营销特征和到手价标签,商品营销特征包括,其所对应的商品的商品属性特征,以及商品参与的处于同一历史营销时段的营销活动对应的营销活动特征,到手价标签根据商品在历史营销时段内的销售数据确定;训练单元1402被配置成将训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
在本实施例中,获取单元1401和训练单元1402的具体处理及其带来的技术效果可分别参考图6对应实施例中步骤601和步骤602的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,机器学习模型可以为树模型或神经网络。
在本实施例的一些可选的实现方式中,树模型可以包括极端梯度提升XGBoost模型;神经网络可以包括,融合了线性模型和深层模型的Wide-Deep模型。
本实施例提供的模型训练装置,通过获取单元获取如上所述的训练样本集,并通过训练单元根据该训练样本集,对待训练的机器学习模型进行训练,可以使得机器学习模型学习不同营销活动对于商品的影响程度,进而可以使得训练所得的用于预测商品到手价的预测模型,预测出具有较高准确度的到手价。此外,后续将该预测模型部署上线后,该预测模型的预测结果可用于风险控制场景,有助于风控系统实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
进一步参考图15,作为对以上一些图所示方法的实现,本说明书提供了一种商品到手价预测装置的一个实施例,该装置实施例与图8所示的方法实施例相对应,该装置可以应用于如图1所示的设备103。
如图15所示,本实施例的商品到手价预测装置1500可以包括:第一获取单元1501、特征提取单元1502、第二获取单元1503和预测单元1504。其中,第一获取单元1501被配置成获取目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;特征提取单元1502被配置成对营销活动信息进行特征提取,得到营销活动特征;第二获取单元1503被配置成获取目标商品的商品属性特征;预测单元1504被配置成将商品属性特征和营销活动特征组成商品营销特征,并将商品营销特征输入采用如图6对应的实施例描述的方法训练所得的预测模型,得到目标商品在目标营销时段对应的到手价。
在本实施例中,第一获取单元1501、特征提取单元1502、第二获取单元1503和预测单元1504的具体处理及其带来的技术效果可分别参考图8对应实施例中步骤801、步骤802、步骤803和步骤804的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,目标商品在目标营销时段参与的营销活动可以包括,目标商品所属的商户设置的营销活动。
在本实施例的一些可选的实现方式中,营销活动具有对应的活动类别;以及特征提取单元1502可以包括:选取子单元(图中未示出),被配置成根据上述参与的营销活动分别所属的活动类别,从上述参与的营销活动中,选取出参与生成营销活动特征的目标营销活动;特征提取子单元(图中未示出),被配置成对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到营销活动特征。
在本实施例的一些可选的实现方式中,选取子单元可以进一步被配置成:对于上述参与的营销活动分别所属的活动类别中的每一种活动类别,执行以下营销活动选取操作:若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从上述参与的营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从上述参与的营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。
在本实施例的一些可选的实现方式中,特征提取子单元可以包括:确定模块(图中未示出),被配置成确定目标商品对应的基准价;转换模块(图中未示出),被配置成根据基准价,将各个目标营销活动分别对应的营销活动信息转换为相应的数值对,数值对包括门槛金额和优惠金额;特征处理模块(图中未示出),被配置成对转换所得的各个数值对进行特征处理,得到营销活动特征。
在本实施例的一些可选的实现方式中,特征处理模块可以进一步被配置成:对转换所得的各个数值对进行除法操作、减法操作、二值特征添加、归一化。
在本实施例的一些可选的实现方式中,活动类别可以包括以下至少一项:单品直降、满减满折、店铺券、品牌券、品类券。
在本实施例的一些可选的实现方式中,确定模块可以进一步被配置成:若上述参与的营销活动分别所属的活动类别中存在单品直降类别,则根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定基准价。
在本实施例的一些可选的实现方式中,确定模块还可以进一步被配置成:若上述参与的营销活动分别所属的活动类别中不存在单品直降类别,则将目标商品的原价确定为基准价。
本实施例提供的商品到手价预测装置,通过对上述预测模型的利用,能预测出具有较高准度的到手价。后续通过将该到手价传输至风控系统,可以使得风控系统根据该到手价,实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
进一步参考图16,作为对以上一些图所示方法的实现,本说明书提供了一种商品处理装置的一个实施例,该装置实施例与图10所示的方法实施例相对应。该装置可以应用于如上所述的风控系统。
如图16所示,本实施例的商品处理装置1600可以包括获取单元1601和预警单元1602。其中,获取单元1601被配置成获取目标商品在目标营销时段对应的预测到手价,预测到手价是采用图8对应的实施例描述的方法预测出的到手价;预警单元1602被配置成若预测到手价超出目标商品对应的到手价阈值,则针对目标商品所属的商户,执行预警操作。
在本实施例中,获取单元1601和预警单元1602的具体处理及其带来的技术效果可分别参考图10对应实施例中步骤1001和步骤1002的相关说明,在此不再赘述。
本实施例提供的商品处理装置,通过获取单元获取目标商品在目标营销时段对应的预测到手价,通过预警单元响应于预测到手价超出目标商品对应的到手价阈值,针对目标商品所属的商户,执行预警操作,可以实现风险预警的精准触达,从而可以提高风控系统的采纳率,以及防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
进一步参考图17,作为对以上一些图所示方法的实现,本说明书提供了一种营销活动处理装置的一个实施例,该装置实施例与图11所示的方法实施例相对应。该装置可以应用于如上所述的风控系统,或者图8对应的实施例提供的商品到手价预测方法的执行主体等,在此不做具体限定。
如图17所示,本实施例的营销活动处理装置1700可以包括获取单元1701、确定单元1702和输出单元1703。其中,获取单元1701被配置成获取目标商品在目标营销时段对应的预测到手价,预测到手价是采用如图8对应的实施例描述的方法预测出的到手价;确定单元1702被配置成若预测到手价超出目标商品对应的到手价阈值,则确定用于提示需要对营销活动组合方案进行修改的提示信息;输出单元1703被配置成向目标商品所属的商户展示提示信息。
在本实施例中,获取单元1701、确定单元1702和输出单元1703的具体处理及其带来的技术效果,可分别参考图11对应实施例中步骤1101、步骤1102和步骤1103的相关说明,在此不再赘述。
本实施例提供的营销活动处理装置,通过获取单元获取目标商品在目标营销时段对应的预测到手价,通过确定单元响应于预测到手价超出目标商品对应的到手价阈值,确定用于提示需要对营销活动组合方案进行修改的提示信息,以及通过输出单元向目标商品所属的商户展示提示信息,可以及时提示商户修改营销活动组合方案,以防范因错设或多设营销活动导致成交到手价过低,而引发资损和人员风险。
进一步参考图18,作为对以上一些图所示方法的实现,本说明书提供了一种商品推荐装置的一个实施例,该装置实施例与图12所示的方法实施例相对应。该装置可以应用于具有商品推荐功能的服务端。具体地,该装置可以应用于如上所述的电商平台。
如图18所示,本实施例的商品推荐装置1800可以包括获取单元1801、选取单元1802和推送单元1803。其中,获取单元1801被配置成获取至少一个目标商品在目标营销时段分别对应的预测到手价,预测到手价是采用如图8对应的实施例描述的方法预测出的到手价;选取单元1802被配置成基于预测到手价,从该至少一个目标商品中选取出满足推荐条件的目标商品;推送单元1803被配置成向消费者用户推送选取出的目标商品。
在本实施例中,获取单元1801、选取单元1802和推送单元1803的具体处理及其带来的技术效果,可分别参考图12对应实施例中步骤1201、步骤1202和步骤1203的相关说明,在此不再赘述。
本实施例提供的商品推荐装置,通过获取单元获取至少一个目标商品在目标营销时段分别对应的预测到手价,通过选取单元基于预测到手价,从该至少一个目标商品中选取出满足推荐条件的目标商品,以及通过推送单元向消费者用户推送选取出的目标商品,可以实现富于针对性的信息推送。通过本方案,可以实现向消费者用户推送优惠力度比较大的商品,可以节约用户针对优惠力度比较大的商品的搜索成本,提升用户体验,而且能够提升用户转化率。
本说明书实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,当该计算机程序在计算机中执行时,令计算机执行以上各方法实施例分别所示的方法。
本说明书实施例还提供了一种计算设备,包括存储器和处理器,其中,该存储器中存储有可执行代码,该处理器执行该可执行代码时,实现以上各方法实施例分别所示的方法。
本说明书实施例还提供了一种计算机程序产品,当在数据处理设备上执行时,使得数据处理设备实现以上各方法实施例分别所示的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本说明书披露的多个实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
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。
以上所述的具体实施方式,对本说明书披露的多个实施例的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本说明书披露的多个实施例的具体实施方式而已,并不用于限定本说明书披露的多个实施例的保护范围,凡在本说明书披露的多个实施例的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书披露的多个实施例的保护范围之内。
Claims (34)
1.一种训练样本生成方法,包括:
获取商品在历史营销时段对应的商品营销特征,所述商品营销特征包括,所述商品的商品属性特征,以及所述商品在所述历史营销时段参与的营销活动对应的营销活动特征;
根据所述商品在所述历史营销时段内的销售数据,确定所述商品在所述历史营销时段对应的到手价标签;
生成标记有所述商品营销特征和所述到手价标签的训练样本,所述训练样本用于训练用于预测商品到手价的预测模型。
2.根据权利要求1所述的方法,其中,所述商品在所述历史营销时段参与的营销活动包括,所述商品所属的商户设置的营销活动。
3.根据权利要求1所述的方法,其中,所述获取商品在历史营销时段对应的商品营销特征,包括:
获取所述商品在所述历史营销时段参与的各个营销活动分别对应的营销活动信息;
对所述营销活动信息进行特征提取,得到所述营销活动特征;
获取所述商品的商品属性特征;
将所述商品属性特征和所述营销活动特征组成所述商品营销特征。
4.根据权利要求3所述的方法,其中,营销活动具有对应的活动类别;以及
所述对所述营销活动信息进行特征提取,得到所述营销活动特征,包括:
根据所述各个营销活动分别所属的活动类别,从所述各个营销活动中,选取出参与生成所述营销活动特征的目标营销活动;
对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到所述营销活动特征。
5.根据权利要求4所述的方法,其中,所述根据所述各个营销活动分别所属的活动类别,从所述各个营销活动中,选取出参与生成所述营销活动特征的目标营销活动,包括:
对于所述各个营销活动分别所属的活动类别中的每一种活动类别,执行以下营销活动选取操作:
若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从所述各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;
若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从所述各个营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。
6.根据权利要求4所述的方法,其中,所述对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到所述营销活动特征,包括:
确定所述商品对应的基准价;
根据所述基准价,将所述各个目标营销活动分别对应的营销活动信息转换为相应的数值对,所述数值对包括门槛金额和优惠金额;
对转换所得的各个数值对进行特征处理,得到所述营销活动特征。
7.根据权利要求6所述的方法,其中,所述对转换所得的各个数值对进行特征处理包括:
对转换所得的各个数值进行除法操作、减法操作、二值特征添加、归一化。
8.根据权利要求6所述的方法,其中,活动类别包括以下至少一项:单品直降、满减满折、店铺券、品牌券、品类券。
9.根据权利要求8所述的方法,其中,所述确定所述商品对应的基准价,包括:
若所述各个营销活动分别所属的活动类别中存在单品直降类别,则根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定所述基准价。
10.根据权利要求9所述的方法,其中,所述确定所述商品对应的基准价,还包括:
若所述各个营销活动分别所属的活动类别中不存在单品直降类别,则将所述商品的原价确定为所述基准价。
11.根据权利要求1-10之一所述的方法,其中,所述销售数据包括,所述商品在所述历史营销时段内的历史订单产生的多个到手价,以及所述多个到手价分别对应的销售件数;以及
所述根据所述商品在所述历史营销时段内的销售数据,确定所述商品在所述历史营销时段对应的到手价标签,包括:
对所述多个到手价和其所对应的销售件数进行加权平均,得到平均到手价;
对所述平均到手价进行归一化,并将经归一化后所得的数值作为所述到手价标签。
12.一种模型训练方法,包括:
获取训练样本集,其中,训练样本标记有商品营销特征和到手价标签,所述商品营销特征包括,其所对应的商品的商品属性特征,以及所述商品参与的处于同一历史营销时段的营销活动对应的营销活动特征,所述到手价标签根据所述商品在所述历史营销时段内的销售数据确定;
将所述训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
13.根据权利要求12所述的方法,其中,所述机器学习模型为树模型或神经网络。
14.根据权利要求13所述的方法,其中,
所述树模型包括极端梯度提升模型;
所述神经网络包括,融合了线性模型和深层模型的模型。
15.一种商品到手价预测方法,包括:
获取目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
对所述营销活动信息进行特征提取,得到营销活动特征;
获取所述目标商品的商品属性特征;
将所述商品属性特征和所述营销活动特征组成商品营销特征,并将所述商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在所述目标营销时段对应的到手价。
16.根据权利要求15所述的方法,其中,所述目标商品在所述目标营销时段参与的营销活动包括,所述目标商品所属的商户设置的营销活动。
17.根据权利要求15所述的方法,其中,营销活动具有对应的活动类别;以及
所述对所述营销活动信息进行特征提取,得到营销活动特征,包括:
根据所述参与的营销活动分别所属的活动类别,从所述参与的营销活动中,选取出参与生成所述营销活动特征的目标营销活动;
对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到所述营销活动特征。
18.根据权利要求17所述的方法,其中,所述根据所述参与的营销活动分别所属的活动类别,从所述参与的营销活动中,选取出参与生成所述营销活动特征的目标营销活动,包括:
对于所述参与的营销活动分别所属的活动类别中的每一种活动类别,执行以下营销活动选取操作:
若该活动类别下的营销活动设置有对应的优先级,则根据优先级,从所述参与的营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动;
若该活动类别下的营销活动未设置对应的优先级,则根据优惠额度,从所述参与的营销活动中的归属于该活动类别的营销活动中,选取营销活动作为目标营销活动。
19.根据权利要求17所述的方法,其中,所述对选取出的各个目标营销活动分别对应的营销活动信息进行特征提取,得到所述营销活动特征,包括:
确定所述目标商品对应的基准价;
根据所述基准价,将所述各个目标营销活动分别对应的营销活动信息转换为相应的数值对,所述数值对包括门槛金额和优惠金额;
对转换所得的各个数值对进行特征处理,得到所述营销活动特征。
20.根据权利要求19所述的方法,其中,所述对转换所得的各个数值对进行特征处理包括:
对转换所得的各个数值对进行除法操作、减法操作、二值特征添加、归一化。
21.根据权利要求19所述的方法,其中,活动类别包括以下至少一项:单品直降、满减满折、店铺券、品牌券、品类券。
22.根据权利要求21所述的方法,其中,所述确定所述目标商品对应的基准价,包括:
若所述参与的营销活动分别所属的活动类别中存在单品直降类别,则根据单品直降类别下的目标营销活动对应的营销活动信息中的降价后的价格,确定所述基准价。
23.根据权利要求22所述的方法,其中,所述确定所述目标商品对应的基准价,还包括:
若所述参与的营销活动分别所属的活动类别中不存在单品直降类别,则将所述目标商品的原价确定为所述基准价。
24.一种商品处理方法,包括:
获取目标商品在目标营销时段对应的预测到手价,所述预测到手价是通过以下方式预测出的到手价:
获取所述目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
对所述营销活动信息进行特征提取,得到营销活动特征;
获取所述目标商品的商品属性特征;
将所述商品属性特征和所述营销活动特征组成商品营销特征,并将所述商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在所述目标营销时段对应的到手价;
若所述预测到手价超出所述目标商品对应的到手价阈值,则针对所述目标商品所属的商户,执行预警操作。
25.一种营销活动处理方法,包括:
获取目标商品在目标营销时段对应的预测到手价,所述预测到手价是通过以下方式预测出的到手价:
获取所述目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
对所述营销活动信息进行特征提取,得到营销活动特征;
获取所述目标商品的商品属性特征;
将所述商品属性特征和所述营销活动特征组成商品营销特征,并将所述商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在所述目标营销时段对应的到手价;
若所述预测到手价超出所述目标商品对应的到手价阈值,则确定用于提示需要对营销活动组合方案进行修改的提示信息;
向所述目标商品所属的商户展示所述提示信息。
26.一种商品推荐方法,包括:
获取至少一个目标商品在目标营销时段分别对应的预测到手价,每个目标商品在目标营销时段对应的预测到手价是通过以下方式预测出的到手价:
获取所述目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
对营销活动信息进行特征提取,得到营销活动特征;
获取所述目标商品的商品属性特征;
将商品属性特征和所述营销活动特征组成商品营销特征,并将商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在目标营销时段对应的到手价;
基于所述预测到手价,从所述至少一个目标商品中选取出满足推荐条件的目标商品;
向消费者用户推送选取出的目标商品。
27.一种训练样本生成装置,包括:
获取单元,被配置成获取商品在历史营销时段对应的商品营销特征,所述商品营销特征包括,所述商品的商品属性特征,以及所述商品在所述历史营销时段参与的营销活动对应的营销活动特征;
确定单元,被配置成根据所述商品在所述历史营销时段内的销售数据,确定所述商品在所述历史营销时段对应的到手价标签;
生成单元,被配置成生成标记有所述商品营销特征和所述到手价标签的训练样本,所述训练样本用于训练用于预测商品到手价的预测模型。
28.一种模型训练装置,包括:
获取单元,被配置成获取训练样本集,其中,训练样本标记有商品营销特征和到手价标签,所述商品营销特征包括,其所对应的商品的商品属性特征,以及所述商品参与的处于同一历史营销时段的营销活动对应的营销活动特征,所述到手价标签根据所述商品在所述历史营销时段内的销售数据确定;
训练单元,被配置成将所述训练样本集中的训练样本所标记的商品营销特征作为输入,将与输入的商品营销特征对应的到手价标签作为输出,对待训练的机器学习模型进行训练,得到用于预测商品到手价的预测模型。
29.一种商品到手价预测装置,包括:
第一获取单元,被配置成获取目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
特征提取单元,被配置成对所述营销活动信息进行特征提取,得到营销活动特征;
第二获取单元,被配置成获取所述目标商品的商品属性特征;
预测单元,被配置成将所述商品属性特征和所述营销活动特征组成商品营销特征,并将所述商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在所述目标营销时段对应的到手价。
30.一种商品处理装置,包括:
获取单元,被配置成获取目标商品在目标营销时段对应的预测到手价,所述预测到手价是通过以下方式预测出的到手价:
获取所述目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
对营销活动信息进行特征提取,得到营销活动特征;
获取所述目标商品的商品属性特征;
将商品属性特征和所述营销活动特征组成商品营销特征,并将商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在目标营销时段对应的到手价;
预警单元,被配置成若所述预测到手价超出所述目标商品对应的到手价阈值,则针对所述目标商品所属的商户,执行预警操作。
31.一种营销活动处理装置,包括:
获取单元,被配置成获取目标商品在目标营销时段对应的预测到手价,所述预测到手价是通过以下方式预测出的到手价:
获取所述目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
对营销活动信息进行特征提取,得到营销活动特征;
获取所述目标商品的商品属性特征;
将商品属性特征和所述营销活动特征组成商品营销特征,并将商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在目标营销时段对应的到手价;
确定单元,被配置成若所述预测到手价超出所述目标商品对应的到手价阈值,则确定用于提示需要对营销活动组合方案进行修改的提示信息;
输出单元,被配置成向所述目标商品所属的商户展示所述提示信息。
32.一种商品推荐装置,包括:
获取单元,被配置成获取至少一个目标商品在目标营销时段分别对应的预测到手价,每个目标商品在目标营销时段对应的预测到手价是通过以下方式预测出的到手价:
获取所述目标商品在目标营销时段参与的营销活动分别对应的营销活动信息;
对营销活动信息进行特征提取,得到营销活动特征;
获取所述目标商品的商品属性特征;
将商品属性特征和所述营销活动特征组成商品营销特征,并将商品营销特征输入采用如权利要求12所述的方法训练所得的预测模型,得到所述目标商品在目标营销时段对应的到手价;
选取单元,被配置成基于所述预测到手价,从所述至少一个目标商品中选取出满足推荐条件的目标商品;
推送单元,被配置成向消费者用户推送选取出的目标商品。
33.一种计算机可读存储介质,其上存储有计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-26中任一项的所述的方法。
34.一种计算设备,包括存储器和处理器,其中,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-26中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543873.2A CN113807876A (zh) | 2020-06-15 | 2020-06-15 | 训练样本生成方法及装置、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543873.2A CN113807876A (zh) | 2020-06-15 | 2020-06-15 | 训练样本生成方法及装置、模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807876A true CN113807876A (zh) | 2021-12-17 |
Family
ID=78944155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543873.2A Pending CN113807876A (zh) | 2020-06-15 | 2020-06-15 | 训练样本生成方法及装置、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807876A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078357A (zh) * | 2023-10-08 | 2023-11-17 | 深圳市焕想科技有限公司 | 一种基于人工智能的电子商务数据信息处理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
WO2018023292A1 (zh) * | 2016-07-31 | 2018-02-08 | 赵晓丽 | 应用降价提醒技术的信息推送方法和提醒系统 |
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 |
WO2018170593A1 (en) * | 2017-03-23 | 2018-09-27 | Rubikloud Technologies Inc. | Method and system for generation of at least one output analytic for a promotion |
US10192243B1 (en) * | 2013-06-10 | 2019-01-29 | Groupon, Inc. | Method and apparatus for determining promotion pricing parameters |
CN110135907A (zh) * | 2019-05-14 | 2019-08-16 | 网易无尾熊(杭州)科技有限公司 | 销量预测模型的建立方法、介质、装置和计算设备 |
CN110197408A (zh) * | 2018-02-26 | 2019-09-03 | 苏宁易购集团股份有限公司 | 保价商品的定价预警方法及系统 |
CN110880061A (zh) * | 2019-10-22 | 2020-03-13 | 苏宁云计算有限公司 | 商品到手价格的风险监管方法及系统 |
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
CN111105274A (zh) * | 2019-12-24 | 2020-05-05 | 北京三快在线科技有限公司 | 数据处理方法、装置、介质及电子设备 |
-
2020
- 2020-06-15 CN CN202010543873.2A patent/CN113807876A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10192243B1 (en) * | 2013-06-10 | 2019-01-29 | Groupon, Inc. | Method and apparatus for determining promotion pricing parameters |
WO2018023292A1 (zh) * | 2016-07-31 | 2018-02-08 | 赵晓丽 | 应用降价提醒技术的信息推送方法和提醒系统 |
WO2018170593A1 (en) * | 2017-03-23 | 2018-09-27 | Rubikloud Technologies Inc. | Method and system for generation of at least one output analytic for a promotion |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
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 |
CN110197408A (zh) * | 2018-02-26 | 2019-09-03 | 苏宁易购集团股份有限公司 | 保价商品的定价预警方法及系统 |
CN110135907A (zh) * | 2019-05-14 | 2019-08-16 | 网易无尾熊(杭州)科技有限公司 | 销量预测模型的建立方法、介质、装置和计算设备 |
CN110880061A (zh) * | 2019-10-22 | 2020-03-13 | 苏宁云计算有限公司 | 商品到手价格的风险监管方法及系统 |
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
CN111105274A (zh) * | 2019-12-24 | 2020-05-05 | 北京三快在线科技有限公司 | 数据处理方法、装置、介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
SUN CHUANG 等: "Deep Transfer Learning Based on Sparse Autoencoder for Remaining Useful Life Prediction of Tool in Manufacturing", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, 27 May 2019 (2019-05-27), pages 2416 - 2425 * |
李军;陈士俊;张云起;: "基于贝叶斯网络的营销风险评价研究", 西北农林科技大学学报(社会科学版), no. 03, 10 May 2007 (2007-05-10), pages 48 - 54 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078357A (zh) * | 2023-10-08 | 2023-11-17 | 深圳市焕想科技有限公司 | 一种基于人工智能的电子商务数据信息处理方法及系统 |
CN117078357B (zh) * | 2023-10-08 | 2024-09-03 | 深圳市焕想科技有限公司 | 一种基于人工智能的电子商务数据信息处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12039564B2 (en) | Method and system for generation of at least one output analytic for a promotion | |
JP6715048B2 (ja) | 目標達成ポートフォリオ生成装置、プログラム及び方法 | |
US20150317670A1 (en) | Dynamic marketing resource arbitrage | |
CN111008858A (zh) | 一种商品销量预测方法及系统 | |
US20120150576A1 (en) | Integrating simulation and forecasting modes in business intelligence analyses | |
US20160034952A1 (en) | Control apparatus and accelerating method | |
Mathews | Innovation portfolio architecture—Part 2: Attribute selection and valuation | |
CN109711866B (zh) | 一种银行广告投放方法、装置及系统 | |
CN112465594A (zh) | 直播交互方法、装置、设备及存储介质 | |
CN116308505A (zh) | 资源分配方法、装置、存储介质和计算机设备 | |
US20180130091A1 (en) | Determining Marketing Campaigns Based On Customer Transaction Data | |
US20210166104A1 (en) | Recommendation system based on neural network models to improve efficiencies in interacting with e-commerce platforms | |
CN114971716A (zh) | 服务接口质量评估方法及其装置、设备、介质、产品 | |
CN109426983A (zh) | 闪购活动自动生成方法及装置、存储介质、电子设备 | |
CN113807876A (zh) | 训练样本生成方法及装置、模型训练方法及装置 | |
Prasad et al. | Ofm: An online fisher market for cloud computing | |
Sharma et al. | A robust replenishment model for deteriorating items considering ramp-type demand and inflation under fuzzy environment | |
CN108510302A (zh) | 一种营销决策方法及交易服务器 | |
US8117063B2 (en) | System and methods for creating probabilistic products and for facilitating probabilistic selling | |
KR20230095868A (ko) | 자동화 기반의 데이터 수집 및 분석을 통해 벤치마크 정보를 제공하는 비즈니스 분석 정보 제공 방법, 장치, 및 프로그램 | |
US20210398046A1 (en) | Predictive Modeling Technologies for Identifying Retail Enterprise Deficiencies | |
US8719110B1 (en) | Discount offers based on a social graph | |
Bisset et al. | A systematic literature review on stochastic programming models in the retail industry | |
KR102270381B1 (ko) | 소비자 데이터 기반의 쇼핑 인터페이스 제공 방법 및 그 장치 | |
CN114049153A (zh) | 一种信息推荐方法、装置、设备及可读存储介质 |
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 |