CN114282951A - 一种网络零售预测方法、设备及介质 - Google Patents
一种网络零售预测方法、设备及介质 Download PDFInfo
- Publication number
- CN114282951A CN114282951A CN202111632107.4A CN202111632107A CN114282951A CN 114282951 A CN114282951 A CN 114282951A CN 202111632107 A CN202111632107 A CN 202111632107A CN 114282951 A CN114282951 A CN 114282951A
- Authority
- CN
- China
- Prior art keywords
- commodity
- data
- retail
- network
- network retail
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种网络零售预测方法、设备及介质,方法包括:采集目标时间段内网络零售平台中的商品交易数据,并对商品交易数据进行分析,构建网络零售指标体系,其中,网络零售指标体系用于量化反映网络零售情况,商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;获取指定平台公开的所述目标时间段内的商品销售数据,其中,商品销售数据包括商品网络零售总额和网络零售同比变化数据;根据网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;根据各个商品的网络零售预测数据,确定出各行业的网络零售预测数据,实现精准预测的效果。
Description
技术领域
本说明书涉及大数据分析技术领域,尤其涉及一种网络零售预测方法、设备及介质。
背景技术
随着经济社会的发展,消费结构不断升级,人民生活水平和质量普遍提高。,电子商务在拉动消费方面的作用巨大,电子商务是释放消费潜力的主要方式,对提振经济意义重大。为衡量网络零售发展情况,明确发展目标和方向,为网络零售宏观决策、政策制定、行业管理和公共服务提供有力支撑,需要对网络零售情况进行预测。
现有技术中,大多数是通过指定平台公布的汇总类型的数据,对网络零售信息进行预测,得到的预测结果可能并不适应不同行业的发展趋势,导致预测结果不准确。
发明内容
本说明书一个或多个实施例提供了一种网络零售预测方法、设备及介质,用于解决如下技术问题:针对网络零售预测,大多数是通过汇总类型数据对网络零售信息进行预测,得到的预测结果可能并不适应不同行业的发展趋势,导致预测结果不准确。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种网络零售预测方法,所述方法包括:采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
进一步地,所述通过预先构建的网络零售预测模型,得到网络零售预测数据之前,所述方法还包括:根据所述商品销售数据中的商品销售额与商品销售时间的关系,构建网络零售预测模型,其中,所述网络零售预测模型为时间序列模型;根据所述商品销售数据中的同比变化数据和实物商品的占比数据,对所述时间序列模型进行模型参数调整,得到符合要求的网络零售预测模型。
进一步地,所述对所述商品交易数据进行分析,构建网络零售指标体系,具体包括:按照预设数据分析方式对所述商品交易数据进行数据分析,按照商品名称进行分类,获取多个商品分别对应的交易数据;根据所述多个商品分别对应的交易数据,将多个交易数据中重合的交易数据作为指定指标数据;将指定商品特有的交易数据作为预设指标数据;根据所述指定指标数据和所述预设指标数据,构建所述网络零售指标体系。
进一步地,所述指定指标数据包括商品销售量、商品销售地区以及商品类型中的任意一项或多项,所述预设指标数据包括商品销售方式;根据所述指定指标数据和所述预设指标数据,构建所述网络零售指标体系,具体包括:根据所述商品销售量和所述商品销售地区,生成所述商品的网络零售规模;根据所述商品销售量和所述商品类型,生成所述商品的行业结构;根据所述商品销售量和所述商品销售方式,生成预设电商规模,其中,所述预设电商规模包括社区团购规模、社交电商规模以及直播电商规模中的任意一项或多项;将所述商品的网络零售规模和所述商品的行业结构作为指定指标,将所述预设电商规模作为指定指标,根据所述指定指标和所述指定指标,构建所述网络零售指标体系。
进一步地,所述根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据,具体包括:获取所述各个商品的网络零售预测数据对应的商品图像,将所述商品图像输入至预先训练的图像识别模型中,确定出所述商品的种类;根据预先设置的商品种类与商品所属行业的映射关系,确定出所述商品的所属行业;将所述各个商品按照所属行业进行分类,计算同一类别下所有商品的网络零售预测数据;根据所述同一类别下所有商品的网络零售预测数据,确定出所述行业的网络零售预测数据。
进一步地,所述将所述商品图像输入至预先训练的图像识别模型,之前,所述方法还包括:采集所述网络零售平台中的商品图像,并对所述商品图像标注商品种类,根据标注后的商品图像,生成训练数据集;将所述训练数据集中的商品图像输入至预先构建的商品图像识别模型中,将商品种类作为输出目标;根据所述商品种类调整所述商品图像识别模型的模型参数,生成符合要求的商品图像识别模型。
进一步地,所述根据所述商品销售量和所述商品销售地区,生成所述商品的网络零售规模,具体包括:对所述商品销售量和所述商品销售地区对应的网络交易数据进行数据统计;将所述商品销售量和所述商品销售地区对应的网络交易数据与所述商品网络零售总额进行相关性分析;根据所述相关性分析结果,确定所述商品的网络零售规模。
进一步地,所述对所述商品交易数据进行分析,之前,所述方法还包括:在多个网络零售平台中采集所述商品交易数据;对所述商品交易数据进行缺失值填充,对填充之后的商品交易数据进行异常值检测;根据所述异常值检测结果,对所述商品交易数据进行异常值替换,得到预处理之后的商品交易数据。
本说明书一个或多个实施例提供一种网络零售预测设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:通过获取网络零售平台中的商品交易数据,构建网络零售指标体系,量化反映网络零售总体、各部分、各维度的发展规模、发展速度和比例结构。另外,通过商品交易数据和商品销售数据,得到每个商品的网络零售预测数据,并通过每个商品的网络零售预测数据确定出各行业的网络零售预测数据,得到的行业预测数据更准确。
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中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种网络零售预测方法的流程示意图;
图2为本说明书实施例提供的一种网络零售预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本说明书保护的范围。
我国经济保持中高速增长,消费结构不断升级,人民生活水平和质量普遍提高。电子商务在拉动消费方面的作用巨大,我国电子商务发展规模和模式丰富程度都已经遥遥领先。在网络零售交易额方面,已经连续多年稳居世界第一。后疫情时代,刺激内需成为重振经济的重点。电子商务是释放消费潜力的主要方式,对提振经济动能意义重大。为衡量网络零售发展情况,明确发展目标和方向,为网络零售宏观决策、政策制定、行业管理和公共服务提供有力支撑,需要建立统一的网络零售指标体系。结合地方特色,客观反映特色经济、新经济的规模和贡献,体现网络零售实际情况。现有技术中,通过指定平台公布的汇总类型的数据对网络零售信息进行预测,得到的预测结果无法适应不同行业的发展趋势,导致预测结果不准确。
本说明书实施例提供一种网络零售预测方法,需要说明的是,本说明书实施例中的执行主体可以是服务器,也可以是任意具备数据处理能力的设备。图1为本说明书实施例提供的一种网络零售预测方法的流程示意图,如图1所示,方法主要包括如下步骤:
步骤S101,采集目标时间段内网络零售平台中的商品交易数据,并对商品交易数据进行分析,构建网络零售指标体系。
在本说明书的一个实施例中,网络零售指标体系用于量化反映网络零售情况。另外,商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据,其中商品基本信息数据包括商品名称、商品类型等数据,商品销售数据包括每个商品的商品价格、商品销售量等数据。
在本说明书的一个实施例中,适用爬虫技术,获取各个网络销售平台中的商品交易数据,各个销售平台可以是淘宝、京东以及拼多多等各类销售平台,也可以是微信等辅助销售平台。
由于各个网络销售平台中的商品交易数据来源不同,因此采集到的商品交易数据存在数据异常值或者存在数据缺失的情况。
在本说明书的一个实施例中,在多个网络零售平台中采集商品交易数据,对采集到的商品交易数据进行缺失值检测,若所述商品交易数据中存在缺失数据时,对商品交易数据进行缺失值填充。使用正常值填充商品交易数据中的异常值,需要说明的是,用来填充异常值的正常值可以根据商品交易数据的实际情况填写,也可设置统一数值,用统一数值填充所有缺失值,本说明书实施例在此不作具体限定。
在本说明书的一个实施例中,对填充之后的商品交易数据进行异常值检测,通过异常值检测可以判断商品交易数据中是否存在错误数据,也可以检验异常值填充之后的数据是否存在错误数据。根据异常值检测结果,对商品交易数据进行异常值替换,得到预处理之后的商品交易数据。通过上述技术方案,在采集到商品交易数据之后对商品交易数据进行清洗操作,保证了商品交易数据的准确性和可靠性,避免了由于商品交易数据的数据质量问题,影响网络零售预测结果。
为衡量网络零售发展情况,明确发展目标和方向,为网络零售宏观决策、政策制定、行业管理和公共服务提供有力支撑,需要建立统一的网络零售指标体系。建立的网络零售指标体系应结合地方特色,客观反映特色经济、新经济的规模和贡献,体现网络零售实际情况。
具体地,按照预设数据分析方式对商品交易数据进行数据分析,按照商品名称进行分类,获取多个商品分别对应的交易数据;根据多个商品分别对应的交易数据,将多个交易数据中重合的交易数据作为指定指标数据;将指定商品特有的交易数据作为预设指标数据;根据指定指标数据和预设指标数据,构建网络零售指标体系。
需要说明的是,预设的数据分析方式可以是描述统计法、相关分析法,也可以是聚类分析法。当使用描述统计法对商品交易数据进行数据分析时,先对网络零售整体有一个宏观的分析,利用基础指标分析网络零售规模、农村网络零售规模、跨境商品网络零售规模、服务商品网络零售规模及同比增长情况,以及年均复合增长情况。然后分析行业结构和地区结构,确定出网络零售各部分、各维度的发展规模、发展速度和比例。
当使用相关分析法对商品交易数据进行数据分析时,将商品类型、商品销售额、商品销售量、商品价格、商品发货地、产品特点6种类型数据进行数据统计,通过指定软件将6种类型数据同网络零售额进行相关性分析检验,需要说明的是,指定软件可以是统计产品与服务解决方案软件(Statistical Product and Service Solutions,SPSS),若判定拟合优度R>=0.8,则模型拟合较好,模型可用。判定模型系数的P值是否小于设定的置信度0.05,若小于则系数可用,建立对应的多元数据模型,以实现对商品交易数据的数据分析。
当使用聚类分析法对商品交易数据进行数据分析时,对同一行业类目下不同产品进行分类,将产品的类别、销售量和销售额作为指标,制定产品分类标准。使用K-Means聚类法,确定具体分类组数N,随机选择N个值作为数据中心,计算其他数值与数据中心的距离。利用SPSS对数据进行聚类分析,若聚类效果不明显,可将数据进行标准化处理,然后进行聚类分析,最终得到分类结果。
在本说明书的一个实施例中,按照商品名称对商品交易数据进行分类,得到每种商品分别对应的交易数据,例如,商品A对应的商品交易数据包括:商品名称A、商品销售量200件、商品销售地区为北方城市;商品B对应的商品交易数据包括:商品名称B、商品销售量20件、商品销售地区为北方农村;商品C对应的商品交易数据包括:商品名称C、商品销售量100件、商品销售地区为北方城市、商品销售方式为社区团购。根据多个商品分别对应的交易数据,将多个交易数据中重合的交易数据作为指定指标数据,继续沿用上例,多个交易数据中重合的交易数据为商品名称、商品销售量、商品销售地区,因此将商品名称、商品销售量、商品销售地区作为指定指标数据。指定指标数据也可以称为基础指标数据,在多个商品交易数据中,多个商品所共有的指标数据为基础指标数据。将指定商品特有的交易数据作为预设指标数据,例如,将商品名称C对应的商品销售方式最为该商品的预设指标数据,也可以将预设指标数据称为特色指标数据。也就是说,指定指标数据包括商品销售量、商品销售地区以及商品类型中的任意一项或多项,预设指标数据包括商品销售方式。
在本说明书的一个实施例中,根据指定指标数据和预设指标数据,构建网络零售指标体系,具体包括:根据商品销售量和商品销售地区,生成商品的网络零售规模;根据商品销售量和商品类型,生成商品的行业结构;根据商品销售量和商品销售方式,生成预设电商规模,其中,预设电商规模包括社区团购规模、社交电商规模以及直播电商规模中的任意一项或多项;将商品的网络零售规模和商品的行业结构作为指定指标,将预设电商规模作为指定指标,根据指定指标和所述指定指标,构建网络零售指标体系。
在本说明书的一个实施例中,将大数据监测与重点平台、重点企业以及重点店铺调查共享结合,指标体系由基础指标和特色指标构成。基础指标包含网络零售规模、农村网络零售规模、跨境商品网络零售规模、服务商品网络零售规模、行业结构、地区结构,主要以量化反映网络零售总体、各部分、各维度的发展规模、发展速度和比例结构。特色指标是根据网络零售发展特色、新形势新变化不断修改和完善的指标,客观反映特色经济、新经济的规模和贡献,如社交电商规模、社区团购规模、内容电商规模、直播电商规模以及发展速度,发展特点等。
也就是说,根据每个商品的商品销售量和商品销售地区,生成商品的网络零售规模,通过网络零售规模可以看出对应商品在各个销售区域内的销售量。另外,通过商品类型可以判断商品所属的行业信息,因此根据商品销售量和商品类型,可以生成商品的行业结构。
随着各类销售方式的兴起,社区团购、社交销售以及直播带货的方式所产生的网络零售数据也形成了较大规模,需要说明的是,社交销售的常见形式包括微商、代购等。根据商品销售量和商品销售方式,生成预设电商规模,通过对应商品销售方式下的商品销售量,可以确定出社区团购规模、社交电商规模以及直播电商规模。将商品的网络零售规模和商品的行业结构作为指定指标,将预设电商规模作为指定指标,根据指定指标和所述指定指标,构建网络零售指标体系。
在本说明书的一个实施例中,根据商品销售量和商品销售地区,生成商品的网络零售规模,具体包括:对商品销售量和商品销售地区对应的网络交易数据进行数据统计;将商品销售量和商品销售地区对应的网络交易数据与商品网络零售总额进行相关性分析;根据相关性分析结果,确定商品的网络零售规模。
步骤S102,获取指定平台公开的目标时间段内的商品销售数据。
在本说明书的一个实施例中,获取指定平台公开的目标时间段内的商品销售数据,商品销售数据包括商品网络零售总额和网络零售同比变化数据。需要说明的是,此处的指定平台可以是国家统计局的公开数据,也可以是其他网站上的公开的商品销售数据。
步骤S103,根据网络零售指标体系中的指标数据和商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据。
根据统计局网上零售与实物网上零售额来看,网络零售具有明显的季节变化与周期性波动,整体呈现上升趋势,受季节与周期的影响,与时间序列模型相吻合。
在本说明书的一个实施例中,根据商品销售数据中的商品销售额与商品销售时间的关系,构建网络零售预测模型,网络零售预测模型为时间序列模型;根据商品销售数据中的同比变化数据和实物商品的占比数据,对时间序列模型进行模型参数调整,得到符合要求的网络零售预测模型。需要说明的是,首先,建立初步的时间序列模型,在初步的时间序列模型中加入指定平台采集到的商品销售数据中的同比变化数据,微调时间序列模型的模型参数得到符合要求的网络零售预测模型。
在本说明书的一个实施例中,将网络零售指标体系中的指标数据和指定平台中获取的商品销售数据输入至符合要求的网络零售预测模型中,得到各个商品的网络零售数据。
步骤S104,根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
在本说明书的一个实施例中,采集网络零售平台中的商品图像,可以通过网络零售平台的商品详情页获取。对商品图像标注商品种类,其中,标注的商品种类可以是服务类商品和实物类商品,可以是按照商品的功能进行分类。根据标注后的商品图像,生成训练数据集,将训练数据集中的商品图像输入至预先构建的商品图像识别模型中,将商品种类作为输出目标;根据商品种类调整所述商品图像识别模型的模型参数,生成符合要求的商品图像识别模型。
在本说明书的一个实施例中,通过网络销售平台中的商品详情页,获取各个商品的网络零售预测数据对应的商品图像,将商品图像输入至预先训练的图像识别模型中,确定出商品的种类。根据预先设置的商品种类与商品所属行业的映射关系,确定出商品的所属行业,例如,当商品种类为服务类商品时,可以确定出商品的所属行业为服务业。将各个商品按照所属行业进行分类,计算同一类别下所有商品的网络零售预测数据;根据同一类别下所有商品的网络零售预测数据,确定出该行业的网络零售预测数据。
通过获取网络零售平台中的商品交易数据,构建网络零售指标体系,量化反映网络零售总体、各部分、各维度的发展规模、发展速度和比例结构。另外,通过商品交易数据和商品销售数据,得到每个商品的网络零售预测数据,并通过每个商品的网络零售预测数据确定出各行业的网络零售预测数据,得到的行业预测数据更准确。
本说明书实施例还提供一种网络零售预测设备,如图2所示,设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
本说明书实施例还提供一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种网络零售预测方法,其特征在于,所述方法包括:
采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;
获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;
根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;
根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
2.根据权利要求1所述的一种网络零售预测方法,其特征在于,所述通过预先构建的网络零售预测模型,得到网络零售预测数据之前,所述方法还包括:
根据所述商品销售数据中的商品销售额与商品销售时间的关系,构建网络零售预测模型,其中,所述网络零售预测模型为时间序列模型;
根据所述商品销售数据中的同比变化数据和实物商品的占比数据,对所述时间序列模型进行模型参数调整,得到符合要求的网络零售预测模型。
3.根据权利要求1所述的一种网络零售预测方法,其特征在于,所述对所述商品交易数据进行分析,构建网络零售指标体系,具体包括:
按照预设数据分析方式对所述商品交易数据进行数据分析,按照商品名称进行分类,获取多个商品分别对应的交易数据;
根据所述多个商品分别对应的交易数据,将多个交易数据中重合的交易数据作为指定指标数据;
将指定商品特有的交易数据作为预设指标数据;
根据所述指定指标数据和所述预设指标数据,构建所述网络零售指标体系。
4.根据权利要求3所述的一种网络零售预测方法,其特征在于,所述指定指标数据包括商品销售量、商品销售地区以及商品类型中的任意一项或多项,所述预设指标数据包括商品销售方式;
根据所述指定指标数据和所述预设指标数据,构建所述网络零售指标体系,具体包括:
根据所述商品销售量和所述商品销售地区,生成所述商品的网络零售规模;
根据所述商品销售量和所述商品类型,生成所述商品的行业结构;
根据所述商品销售量和所述商品销售方式,生成预设电商规模,其中,所述预设电商规模包括社区团购规模、社交电商规模以及直播电商规模中的任意一项或多项;
将所述商品的网络零售规模和所述商品的行业结构作为指定指标,将所述预设电商规模作为指定指标,根据所述指定指标和所述指定指标,构建所述网络零售指标体系。
5.根据权利要求1所述的一种网络零售预测方法,其特征在于,所述根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据,具体包括:
获取所述各个商品的网络零售预测数据对应的商品图像,将所述商品图像输入至预先训练的图像识别模型中,确定出所述商品的种类;
根据预先设置的商品种类与商品所属行业的映射关系,确定出所述商品的所属行业;
将所述各个商品按照所属行业进行分类,计算同一类别下所有商品的网络零售预测数据;
根据所述同一类别下所有商品的网络零售预测数据,确定出所述行业的网络零售预测数据。
6.根据权利要求5所述的一种网络零售预测方法,其特征在于,所述将所述商品图像输入至预先训练的图像识别模型,之前,所述方法还包括:
采集所述网络零售平台中的商品图像,并对所述商品图像标注商品种类,根据标注后的商品图像,生成训练数据集;
将所述训练数据集中的商品图像输入至预先构建的商品图像识别模型中,将商品种类作为输出目标;
根据所述商品种类调整所述商品图像识别模型的模型参数,生成符合要求的商品图像识别模型。
7.根据权利要求4所述的一种网络零售预测方法,其特征在于,所述根据所述商品销售量和所述商品销售地区,生成所述商品的网络零售规模,具体包括:
对所述商品销售量和所述商品销售地区对应的网络交易数据进行数据统计;
将所述商品销售量和所述商品销售地区对应的网络交易数据与所述商品网络零售总额进行相关性分析;
根据所述相关性分析结果,确定所述商品的网络零售规模。
8.根据权利要求1所述的一种网络零售预测方法,其特征在于,所述对所述商品交易数据进行分析,之前,所述方法还包括:
在多个网络零售平台中采集所述商品交易数据;
对所述商品交易数据进行缺失值填充,对填充之后的商品交易数据进行异常值检测;
根据所述异常值检测结果,对所述商品交易数据进行异常值替换,得到预处理之后的商品交易数据。
9.一种网络零售预测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;
获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;
根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;
根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
采集目标时间段内网络零售平台中的商品交易数据,并对所述商品交易数据进行分析,构建网络零售指标体系,其中,所述网络零售指标体系用于量化反映网络零售情况,所述商品交易数据包括各个商品的商品基本信息数据和各个商品的商品销售数据;
获取指定平台公开的所述目标时间段内的商品销售数据,其中,所述商品销售数据包括商品网络零售总额和网络零售同比变化数据;
根据所述网络零售指标体系中的指标数据和所述商品销售数据,通过预先构建的网络零售预测模型,得到各个商品的网络零售预测数据;
根据所述各个商品的网络零售预测数据,确定出各行业的网络零售预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111632107.4A CN114282951B (zh) | 2021-12-28 | 2021-12-28 | 一种网络零售预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111632107.4A CN114282951B (zh) | 2021-12-28 | 2021-12-28 | 一种网络零售预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114282951A true CN114282951A (zh) | 2022-04-05 |
CN114282951B CN114282951B (zh) | 2024-05-14 |
Family
ID=80877436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111632107.4A Active CN114282951B (zh) | 2021-12-28 | 2021-12-28 | 一种网络零售预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282951B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227778A (zh) * | 2023-01-05 | 2023-06-06 | 江苏汇智达信息科技有限公司 | 运行商品销售平台的网络app管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150657A (zh) * | 2013-04-03 | 2013-06-12 | 宋子诚 | 零售连锁渠道及网络协同分销电商系统 |
CN109949091A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 商品数据分析方法、装置和计算机可读存储介质 |
CN110264096A (zh) * | 2019-06-25 | 2019-09-20 | 浪潮卓数大数据产业发展有限公司 | 一种基于电商平台预警网络零售不正当销售行为的方法 |
US20200250688A1 (en) * | 2019-02-05 | 2020-08-06 | Target Brands, Inc. | Method and system for attributes based forecasting |
KR102177463B1 (ko) * | 2020-01-02 | 2020-11-11 | 주식회사 에스티씨 | 기계 학습 기반 판매량 예측 모델 생성 장치, 판매량 예측 장치 및 그 방법 |
CN112215640A (zh) * | 2020-10-09 | 2021-01-12 | 浪潮卓数大数据产业发展有限公司 | 一种基于统计推算的网络零售平台店铺抽样方法 |
CN112966962A (zh) * | 2021-03-24 | 2021-06-15 | 山东浪潮云服务信息科技有限公司 | 一种电商企业评优方法 |
-
2021
- 2021-12-28 CN CN202111632107.4A patent/CN114282951B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150657A (zh) * | 2013-04-03 | 2013-06-12 | 宋子诚 | 零售连锁渠道及网络协同分销电商系统 |
US20200250688A1 (en) * | 2019-02-05 | 2020-08-06 | Target Brands, Inc. | Method and system for attributes based forecasting |
CN109949091A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 商品数据分析方法、装置和计算机可读存储介质 |
CN110264096A (zh) * | 2019-06-25 | 2019-09-20 | 浪潮卓数大数据产业发展有限公司 | 一种基于电商平台预警网络零售不正当销售行为的方法 |
KR102177463B1 (ko) * | 2020-01-02 | 2020-11-11 | 주식회사 에스티씨 | 기계 학습 기반 판매량 예측 모델 생성 장치, 판매량 예측 장치 및 그 방법 |
CN112215640A (zh) * | 2020-10-09 | 2021-01-12 | 浪潮卓数大数据产业发展有限公司 | 一种基于统计推算的网络零售平台店铺抽样方法 |
CN112966962A (zh) * | 2021-03-24 | 2021-06-15 | 山东浪潮云服务信息科技有限公司 | 一种电商企业评优方法 |
Non-Patent Citations (1)
Title |
---|
郭栋;李红娟;桑秀丽;: "零售商品销售量组合预测研究", 中国商论, no. 24, 31 December 2016 (2016-12-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227778A (zh) * | 2023-01-05 | 2023-06-06 | 江苏汇智达信息科技有限公司 | 运行商品销售平台的网络app管理系统及方法 |
CN116227778B (zh) * | 2023-01-05 | 2023-09-22 | 深圳爱巧电子商务有限公司 | 运行商品销售平台的网络app管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114282951B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data | |
Maghfuriyah et al. | Market structure and Islamic banking performance in Indonesia: An error correction model | |
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
Van Wassenhove et al. | On the effect of quality overestimation in remanufacturing | |
CN102789618B (zh) | 生成市场景气指数的监测系统及方法 | |
US11216850B2 (en) | Predictive platform for determining incremental lift | |
JP2012256325A (ja) | 高リスク調達の解析およびスコアリング・システム | |
CN101894316A (zh) | 一种国际市场景气状况的监测指数方法及系统 | |
KR101703529B1 (ko) | 시장 분석 서비스 제공 방법 | |
JP5039579B2 (ja) | 販売情報分析装置 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN114282951B (zh) | 一种网络零售预测方法、设备及介质 | |
KR102499688B1 (ko) | 빅데이터 기반의 이커머스 상품 판매 스토어 관리 서버 및 이의 상품평가정보 통합 제공 서비스 방법 | |
CN114757630B (zh) | 仓储管理模型确定方法、装置及计算机设备 | |
Pramana et al. | Big data implementation for price statistics in Indonesia: Past, current, and future developments | |
Luo et al. | Exploring the dynamic influence of visit behavior on online store sales performance: An empirical investigation | |
CN116012086A (zh) | 商品价格的评估方法、装置、电子设备及存储介质 | |
Chen et al. | Credit risk assessment of e-commerce supply chain finance of SMEs based on dynamic reward and punishment perspective | |
Panchal et al. | Residential Property Price Prediction Using Machine Learning: MakanSETU | |
Singh | Decision Making and Predictive Analysis for Real Time Data | |
CN111913940B (zh) | 一种温度会员标签预测方法、装置、电子设备及存储介质 | |
KR102499687B1 (ko) | 빅데이터 기반의 이커머스 상품 판매 스토어 관리 서버 및 이의 판매자 상품페이지 자동 분석 방법 | |
CN116308466B (zh) | 数据信息采集与智能分析方法、系统、设备和存储介质 | |
Huseynova et al. | INVESTIGATION OF THE RELATIONSHIP BETWEEN THE DYNAMICS OF GDP AND ECONOMIC SENTIMENT INDEX. | |
US20230351420A1 (en) | Machine learning technologies to predict opportunities for special pricing agreements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |