CN114444946A - 一种中药饮片精细化运营指导方法、装置及计算机设备 - Google Patents
一种中药饮片精细化运营指导方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN114444946A CN114444946A CN202210106416.6A CN202210106416A CN114444946A CN 114444946 A CN114444946 A CN 114444946A CN 202210106416 A CN202210106416 A CN 202210106416A CN 114444946 A CN114444946 A CN 114444946A
- Authority
- CN
- China
- Prior art keywords
- decoction piece
- commodities
- commodity
- product
- decoction
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 241000411851 herbal medicine Species 0.000 claims 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 229940126680 traditional chinese medicines Drugs 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003648 hair appearance Effects 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据分析技术领域，公开了一种中药饮片精细化运营指导方法、装置及计算机设备，可先基于历史售卖数据得到多种饮片商品分别在当前单位时期或下一个单位时期的多维度指标值，然后基于多维度指标值得到各种饮片商品的雷达图以及识别为特卖品的置信度，再然后根据置信度从大到小的顺序排列得到饮片商品序列，最后在所述饮片商品序列中根据预设的特卖品占比选取得到特卖品集合和普通品集合，并根据预设的目标毛利率和成本价，确定得到各个特卖品及各个普通品的新销售价，从而无需人工地对中药饮片商品进行选品定价，可大大提升工作效率，形成一套成体系的且可兼顾市场潜在影响因素的固有选品定价模式，降低对商品运营人员的专业性要求。
Description
技术领域
本发明属于大数据分析技术领域，具体地涉及一种中药饮片精细化运营指导方法、装置及计算机设备。
背景技术
中药饮片是中药材经过按中医药理论和中药炮制方法，经过加工炮制后的，可直接用于中医临床的中药。这个概念表明，中药材与中药饮片并没有绝对的界限，中药饮片包括了部分经产地加工的中药切片、原形药材饮片以及经过切制和炮炙的饮片。前两类管理上应视为中药材，只是根据中医药理论在配方和制剂时作饮片理解。
在中药饮片行业中，现行指导商品售卖平台进行活动选品、商品定级及商品定价等的方式，主要为人工方式，即基于历史数据报表并结合销售经验来制定中药饮片选品策略及定价策略。但是这种人工方式明显存在选品定价效率低下，且难以形成一套成体系的固有模式，若单独处理，费事费力，若批量处理，而又无法实现数据精细化；同时由于中药饮片行业特殊性，对商品运营人员的专业性有较高要求，并且经验主义很难兼顾市场潜在影响因素，需要更多的数据进行多维度支撑来进行策略指导。
发明内容
为了解决中药饮片商品在现行运营过程中存在因人工方式而导致选品定价效率低下、难以形成固有模式、专业性要求高和难以兼顾市场潜在影响因素的问题，本发明目的在于提供一种中药饮片精细化运营指导方法、装置、计算机设备及计算机可读存储介质，可在获取由中药饮片售卖平台记录的历史售卖数据后，无人化地对中药饮片商品进行选品定价，进而大大提升工作效率，形成一套成体系的且可兼顾市场潜在影响因素的固有选品定价模式，降低对商品运营人员的专业性要求，便于实际应用和推广。
第一方面，本发明提供了一种中药饮片精细化运营指导方法，包括：
获取由中药饮片售卖平台记录的历史售卖数据，其中，所述历史售卖数据包含有已成交的所有采购订单，所述采购订单包含有采购单号、客户标识、饮片商品标识、收货地址、采购时间戳和采购数量；
根据所述历史售卖数据，统计得到多种饮片商品分别在当前单位时期的多维度指标值，或者预测得到多种饮片商品分别在下一个单位时期的多维度指标值；
针对所述多种饮片商品中的各种饮片商品，根据对应的所述多维度指标值，绘制得到对应的雷达图；
针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度；
根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列；
根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合；
针对所述特卖品集合中的各种饮片商品，根据预设的特卖品目标毛利率和对应的成本价，计算得到对应的新销售价，以及针对所述普通品集合中的各种饮片商品，根据预设的普通品目标毛利率和对应的成本价，计算得到对应的新销售价。
基于上述发明内容，提供了一种可助力中药饮片商品运营的选品定价辅助方案，即在获取由中药饮片售卖平台记录的历史售卖数据后，可先统计得到多种饮片商品分别在当前单位时期的多维度指标值或者预测得到多种饮片商品分别在下一个单位时期的多维度指标值，然后基于多维度指标值得到各种饮片商品的雷达图以及识别为特卖品的置信度，再然后根据置信度从大到小的顺序排列得到饮片商品序列，最后在所述饮片商品序列中根据预设的特卖品占比选取得到特卖品集合和普通品集合，并根据预设的目标毛利率和成本价，确定得到各个特卖品及各个普通品的新销售价，从而无需人工地对中药饮片商品进行选品定价，可大大提升工作效率，形成一套成体系的且可兼顾市场潜在影响因素的固有选品定价模式，降低对商品运营人员的专业性要求，便于实际应用和推广。
在一个可能的设计中，所述多维度指标值为商品销量贡献比、商品销售额贡献比、商品毛利额贡献比、商品毛利率和商品用户覆盖率中的任意多个组合。
在一个可能的设计中，根据所述历史售卖数据，预测得到多种饮片商品分别在下一个单位时期的多维度指标值，包括：
根据所述历史售卖数据，统计得到多种饮片商品分别在最近多个连续单位时期的多维度指标值；
针对所述多种饮片商品中的各种饮片商品，将对应的、在所述最近多个连续单位时期的且在某个维度上的指标值，导入基于反向传播BP神经网络的且针对所述某个维度已完成训练的数据走势预测模型中，输出得到对应的、在下一个单位时期的且在所述某个维度上的指标值。
在一个可能的设计中，所述特卖品包括有引流品、毛利品和/或形象品。
在一个可能的设计中，当所述特卖品包括有引流品、毛利品和形象品时，针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度，包括：针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的引流品识别模型，输出得到用于指示对应饮片商品为引流品的第一置信度，以及将对应的所述雷达图导入基于卷积神经网络的且已完成训练的毛利品识别模型，输出得到用于指示对应饮片商品为毛利品的第二置信度，以及将对应的所述雷达图导入基于卷积神经网络的且已完成训练的形象品识别模型，输出得到用于指示对应饮片商品为形象品的第三置信度；
根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列，包括：根据第一置信度从大到小的顺序，依次排列所述多种饮片商品，得到第一饮片商品序列，以及根据第二置信度从大到小的顺序，依次排列所述多种饮片商品，得到第二饮片商品序列，以及根据第三置信度从大到小的顺序，依次排列所述多种饮片商品，得到第三饮片商品序列；
根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合，包括：根据预设的引流品占比，从所述第一饮片商品序列中选取排序靠前的若干饮片商品，组成引流品集合，以及根据预设的毛利品占比，从所述第二饮片商品序列中选取排序靠前的若干饮片商品，组成毛利品集合，以及根据预设的形象品占比，从所述第三饮片商品序列中选取排序靠前的若干饮片商品，组成形象品集合，以及将所述多种饮片商品中未选入所述引流品集合、所述毛利品集合和所述形象品集合中的剩余饮片商品，组合成普通品集合，其中，所述引流品占比、所述毛利品占比和所述形象品占比的和小于38％。
在一个可能的设计中，在组成得到所述引流品集合、所述毛利品集合和所述形象品集合之后，所述方法还包括：
针对位于所述引流品集合和所述毛利品集合中的第一共有饮片商品，若对应的第一置信度大于对应的第二置信度，则在所述毛利品集合中剔除该第一共有饮片商品，否则在所述引流品集合中剔除该第一共有饮片商品；
和/或，针对位于所述引流品集合和所述形象品集合中的第二共有饮片商品，若对应的第一置信度大于对应的第三置信度，则在所述形象品集合中剔除该第二共有饮片商品，否则在所述引流品集合中剔除该第二共有饮片商品；
和/或，针对位于所述毛利品集合和所述形象品集合中的第三共有饮片商品，若对应的第二置信度大于对应的第三置信度，则在所述形象品集合中剔除该第三共有饮片商品，否则在所述毛利品集合中剔除该第三共有饮片商品；
和/或，针对位于所述引流品集合、所述毛利品集合和所述形象品集合中的第四共有饮片商品，若对应的第一置信度分别大于对应的第二置信度及第三置信度，则在所述毛利品集合及所述形象品集合中剔除该第四共有饮片商品，若对应的第二置信度分别大于对应的第一置信度及第三置信度，则在所述引流品集合及所述形象品集合中剔除该第四共有饮片商品，而若对应的第三置信度分别大于对应的第一置信度及第二置信度，则在所述引流品集合及所述毛利品集合中剔除该第四共有饮片商品。
在一个可能的设计中，所述单位时期为季度、月份、周或日。
第二方面，本发明提供了一种中药饮片精细化运营指导装置，包括有依次通信连接的数据获取模块、指标获取模块、图形绘制模块、特品识别模块、商品排列模块、特品选取模块和售价确定模块；
所述数据获取模块，用于获取由中药饮片售卖平台记录的历史售卖数据，其中，所述历史售卖数据包含有已成交的所有采购订单，所述采购订单包含有采购单号、客户标识、饮片商品标识、收货地址、采购时间戳和采购数量；
所述指标获取模块，用于根据所述历史售卖数据，统计得到多种饮片商品分别在当前单位时期的多维度指标值，或者预测得到多种饮片商品分别在下一个单位时期的多维度指标值；
所述图形绘制模块，用于针对所述多种饮片商品中的各种饮片商品，根据对应的所述多维度指标值，绘制得到对应的雷达图；
所述特品识别模块，用于针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度；
所述商品排列模块，用于根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列；
所述特品选取模块，用于根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合；
所述售价确定模块，用于针对所述特卖品集合中的各种饮片商品，根据预设的特卖品目标毛利率和对应的成本价，计算得到对应的新销售价，以及针对所述普通品集合中的各种饮片商品，根据预设的普通品目标毛利率和对应的成本价，计算得到对应的新销售价。
第三方面，本发明提供了一种计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的中药饮片精细化运营指导方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的中药饮片精细化运营指导方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的中药饮片精细化运营指导方法。
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简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明提供的中药饮片精细化运营指导方法的流程示意图。
图2是本发明提供的显示五维指标的雷达示例图。
图3是本发明提供的中药饮片精细化运营指导装置的结构示意图。
图4是本发明提供的计算机设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其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、单独存在B或者同时存在A和B等三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
如图1所示，本实施例第一方面提供的所述中药饮片精细化运营指导方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal digital assistant，PAD)、可穿戴设备或平台服务器等电子设备执行，以便在获取由中药饮片售卖平台记录的历史售卖数据后，可无人化地对中药饮片商品进行选品定价，进而大大提升工作效率，形成一套成体系的且可兼顾市场潜在影响因素的固有选品定价模式，降低对商品运营人员的专业性要求，便于实际应用和推广。如图1所示，所述中药饮片精细化运营指导方法，可以但不限于包括有如下步骤S1～S7。
S1.获取由中药饮片售卖平台记录的历史售卖数据，其中，所述历史售卖数据包含但不限于有已成交的所有采购订单等信息，所述采购订单包含但不限于有采购单号、客户标识、饮片商品标识、收货地址、采购时间戳和采购数量等内容。
在所述步骤S1中，所述中药饮片售卖平台为由中药饮片批发商所运营的且用于批发售卖各种中药饮片的商业平台，可以具体为一个网络平台服务器，使得能够在响应客户进行下单交易中药饮片的过程中，自动记录得到对应的采购订单等信息。所述历史售卖数据通过一条条的采购订单真实记录了平台客户的历史采购情况，具体的，在所述采购订单的内容中，所述采购单号用于唯一标记所述采购订单，所述客户标识用于唯一标记下单采购的客户，所述饮片商品标识用于唯一标记下单采购的中药饮片商品，所述收货地址用于实现寄货目的且可用于反映下单客户的所属地区，所述采购时间戳用于记录下单事件的发生时刻且可用于反映采购时期，所述采购数量用于反映下单客户对中药饮片的需求量级，可以但不限于用SKU(Stock Keeping Unit，库存量单位)做单位。此外，所述历史售卖数据的获取方式可通过常规的数据导入/访问方式得到。
S2.根据所述历史售卖数据，统计得到多种饮片商品分别在当前单位时期的多维度指标值。
在所述步骤S2中，所述单位时期可以但不限于为季度、月份、周或日等，例如夏季/6月份/上周/今日等。所述多维度指标值可以但不限于为商品销量贡献比、商品销售额贡献比、商品毛利额贡献比、商品毛利率和商品用户覆盖率等中的任意多个组合，因此可以通过常规统计方式计算得到各种饮片商品分别在当前单位时期的多维度指标值，例如统计得到饮片商品A在本周的商品销量贡献比、商品销售额贡献比、商品毛利额贡献比、商品毛利率和商品用户覆盖率等指标值。此外，所述多维度指标值的多维度可以提前由商品运营人员进行灵活定制。
S3.针对所述多种饮片商品中的各种饮片商品，根据对应的所述多维度指标值，绘制得到对应的雷达图。
在所述步骤S3中，所述雷达图是指一种在从同一点开始的多个轴上一一对应地表示二维图表中多个变量数据的常用图形。举例的，在得到饮片商品A在本周的商品销量贡献比、商品销售额贡献比、商品毛利额贡献比、商品毛利率和商品用户覆盖率等指标值之后，可通过常规绘制方式得到如图2所示的且显示五维指标的雷达图。此外，在得到某个饮片商品在所述当前单位时期的所述雷达图后，可以输出至人机交互界面进行展示，以便商品运营人员感知所述某个饮片商品的销售表现变化，进而辅助指导所述商品运营人员作出正确的选品定价策略。
S4.针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度。
在所述步骤S4中，所述卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。所述卷积神经网络具有由输入层、卷积层、激活层、池化层、全连接层和输出层构成的前馈神经网络结构，并可通过输出层使用归一化指数Softmax函数来做图像识别的分类，输出用于指示识别结果为是的置信度，因此在通过常规训练方式进行训练(例如，先根据专家评价法，给出一套初始规则算法，确定用于商品评级的维度数据阈值，然后基于该维度数据阈值和诸如商品销量贡献比、商品销售额贡献比、商品毛利额贡献比、商品毛利率和/或商品用户覆盖率等的实际运营统计数据，对所售商品进行分级打标：是否为特卖品，最后将基于实际运营统计数据而得的雷达图及对应的特卖品打标结果，作为正负样本导入基于卷积神经网络的特卖品识别模型进行训练)后，可得到完成训练的特卖品识别模型，以便在将所述雷达图导入该特卖品识别模型后，可输出得到对应的二分类标签识别结果——即用于指示对应饮片商品为特卖品的置信度。此外，所述卷积神经网络可以但不限于采用Resnet50网络、Mobile-net网络或VGG16网络等。
在所述步骤S4中，进一步考虑在产品结构规划中一般会将特卖品分成三类，分别是：引流产品、毛利产品和形象产品，其中，引流产品负责带来流量，毛利产品负责贡献利润，形象产品负责拔高形象，这三种产品各自扮演不同角色，完成不同任务，与普通品(即非特卖品)一起共同搭建了企业的产品结构金字塔，因此优选的，所述特卖品包括但不限于有引流品、毛利品和/或形象品等，此时所述特卖品识别模型可以进一步细分并训练为引流品识别模型、毛利品识别模型和/或形象品识别模型等。具体的，当所述特卖品包括有引流品、毛利品和形象品时，针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度，包括：针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的引流品识别模型，输出得到用于指示对应饮片商品为引流品的第一置信度，以及将对应的所述雷达图导入基于卷积神经网络的且已完成训练的毛利品识别模型，输出得到用于指示对应饮片商品为毛利品的第二置信度，以及将对应的所述雷达图导入基于卷积神经网络的且已完成训练的形象品识别模型，输出得到用于指示对应饮片商品为形象品的第三置信度。
S5.根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列。
在所述步骤S5中，具体的，当所述特卖品包括有引流品、毛利品和形象品时，可根据第一置信度从大到小的顺序，依次排列所述多种饮片商品，得到第一饮片商品序列，以及根据第二置信度从大到小的顺序，依次排列所述多种饮片商品，得到第二饮片商品序列，以及根据第三置信度从大到小的顺序，依次排列所述多种饮片商品，得到第三饮片商品序列。
S6.根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合。
在所述步骤S6中，所述特卖品占比是指特卖品在所有饮片商品中的占比，其一般需小于38％，即挑选出少量的饮片商品进行特别运营/销售。举例的，当所述特卖品占比为10％且所述多种饮片商品有100种时，可从所述饮片商品序列中选取排序靠前的前10种饮片商品来组成所述特卖品集合，并将剩余的后90种饮片商品组合成所述普通品集合。具体的，当所述特卖品包括有引流品、毛利品和形象品时，根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合，包括但不限于有：根据预设的引流品占比，从所述第一饮片商品序列中选取排序靠前的若干饮片商品，组成引流品集合，以及根据预设的毛利品占比，从所述第二饮片商品序列中选取排序靠前的若干饮片商品，组成毛利品集合，以及根据预设的形象品占比，从所述第三饮片商品序列中选取排序靠前的若干饮片商品，组成形象品集合，以及将所述多种饮片商品中未选入所述引流品集合、所述毛利品集合和所述形象品集合中的剩余饮片商品，组合成普通品集合，其中，所述引流品占比、所述毛利品占比和所述形象品占比的和小于38％。
在所述步骤S6中，进一步考虑存在如下可能：某种饮片商品同时被选为引流品、毛利品和形象品中的任意组合，此时需要进行择一取舍，以免后续定价出现矛盾。优选的，在组成得到所述引流品集合、所述毛利品集合和所述形象品集合之后，所述方法还包括但不限于有：针对位于所述引流品集合和所述毛利品集合中的第一共有饮片商品，若对应的第一置信度大于对应的第二置信度，则在所述毛利品集合中剔除该第一共有饮片商品，否则在所述引流品集合中剔除该第一共有饮片商品；和/或，针对位于所述引流品集合和所述形象品集合中的第二共有饮片商品，若对应的第一置信度大于对应的第三置信度，则在所述形象品集合中剔除该第二共有饮片商品，否则在所述引流品集合中剔除该第二共有饮片商品；和/或，针对位于所述毛利品集合和所述形象品集合中的第三共有饮片商品，若对应的第二置信度大于对应的第三置信度，则在所述形象品集合中剔除该第三共有饮片商品，否则在所述毛利品集合中剔除该第三共有饮片商品；和/或，针对位于所述引流品集合、所述毛利品集合和所述形象品集合中的第四共有饮片商品，若对应的第一置信度分别大于对应的第二置信度及第三置信度，则在所述毛利品集合及所述形象品集合中剔除该第四共有饮片商品，若对应的第二置信度分别大于对应的第一置信度及第三置信度，则在所述引流品集合及所述形象品集合中剔除该第四共有饮片商品，而若对应的第三置信度分别大于对应的第一置信度及第二置信度，则在所述引流品集合及所述毛利品集合中剔除该第四共有饮片商品。
S7.针对所述特卖品集合中的各种饮片商品，根据预设的特卖品目标毛利率和对应的成本价，计算得到对应的新销售价，以及针对所述普通品集合中的各种饮片商品，根据预设的普通品目标毛利率和对应的成本价，计算得到对应的新销售价。
在所述步骤S7中，举例的，针对所述特卖品集合中的饮片商品A，若预设的特卖品目标毛利率为30％且对应的成本价为100元/SKU，则可以计算得到对应的新销售价为130元/SKU；而针对所述普通品集合中的饮片商品B，若预设的普通品目标毛利率为10％且对应的成本价为80元/SKU，则可以计算得到对应的新销售价为88元/SKU。此外，当所述特卖品包括有引流品、毛利品和形象品时，不同特卖品的目标毛利率需预设为不同数值。
由此基于前述步骤S1～S7所描述的中药饮片精细化运营指导方法，提供了一种可助力中药饮片商品运营的选品定价辅助方案，即在获取由中药饮片售卖平台记录的历史售卖数据后，可先统计得到多种饮片商品分别在当前单位时期的多维度指标值，然后基于多维度指标值得到各种饮片商品的雷达图以及识别为特卖品的置信度，再然后根据置信度从大到小的顺序排列得到饮片商品序列，最后在所述饮片商品序列中根据预设的特卖品占比选取得到特卖品集合和普通品集合，并根据预设的目标毛利率和成本价，确定得到各个特卖品及各个普通品的新销售价，从而无需人工地对中药饮片商品进行选品定价，可大大提升工作效率，形成一套成体系的且可兼顾市场潜在影响因素的固有选品定价模式，降低对商品运营人员的专业性要求，便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上，还提供了一种从多维指标走势预测角度来选品定价的可能设计一，即在获取由中药饮片售卖平台记录的历史售卖数据之后，先根据所述历史售卖数据，预测得到多种饮片商品分别在下一个单位时期的多维度指标值，然后再针对所述多种饮片商品中的各种饮片商品，根据对应的所述多维度指标值，绘制得到对应的雷达图。具体的，根据所述历史售卖数据，预测得到多种饮片商品分别在下一个单位时期的多维度指标值，包括但不限于有如下步骤S21～S22。
S21.根据所述历史售卖数据，统计得到多种饮片商品分别在最近多个连续单位时期的多维度指标值。
在所述步骤S21中，同样可以通过常规统计方式计算得到各种饮片商品分别在最近多个连续单位时期的多维度指标值。此外，所述最近多个连续单位时期可以举例为最近5周或最近5日。
S22.针对所述多种饮片商品中的各种饮片商品，将对应的且在所述最近多个连续单位时期的多维度指标值，导入基于反向传播BP神经网络的且已完成训练的数据走势预测模型中，输出得到对应的且预测在下一个单位时期的多维度指标值。
在所述步骤S22中，所述BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一，常用于双色球走势或股价走势的预测中，因此可以通过常规训练方式得到针对所述多维度指标值完成训练的所述数据走势预测模型，实现得到在下一个单位时期的多维度指标值的目的，例如针对饮片商品B，可将最近5周的多维度指标值导入所述数据走势预测模型，输出得到预测在下周的多维度指标值。
由此基于前述可能设计一，还可以先预测得到多种饮片商品分别在下一个单位时期的多维度指标值，然后基于多维度指标值得到各种饮片商品的雷达图以及识别为特卖品的置信度，再然后根据置信度从大到小的顺序排列得到饮片商品序列，最后在所述饮片商品序列中根据预设的特卖品占比选取得到特卖品集合和普通品集合，并根据预设的目标毛利率和成本价，确定得到各个特卖品及各个普通品的新销售价，从而形成另一套成体系的且可兼顾市场潜在影响因素的固有选品定价模式，以供商品运营人员选择使用。
如图3所示，本实施例第二方面提供了一种实现第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法的虚拟装置，包括有依次通信连接的数据获取模块、指标获取模块、图形绘制模块、特品识别模块、商品排列模块、特品选取模块和售价确定模块；
所述数据获取模块，用于获取由中药饮片售卖平台记录的历史售卖数据，其中，所述历史售卖数据包含有已成交的所有采购订单，所述采购订单包含有采购单号、客户标识、饮片商品标识、收货地址、采购时间戳和采购数量；
所述指标获取模块，用于根据所述历史售卖数据，统计得到多种饮片商品分别在当前单位时期的多维度指标值，或者预测得到多种饮片商品分别在下一个单位时期的多维度指标值；
所述图形绘制模块，用于针对所述多种饮片商品中的各种饮片商品，根据对应的所述多维度指标值，绘制得到对应的雷达图；
所述特品识别模块，用于针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度；
所述商品排列模块，用于根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列；
所述特品选取模块，用于根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合；
所述售价确定模块，用于针对所述特卖品集合中的各种饮片商品，根据预设的特卖品目标毛利率和对应的成本价，计算得到对应的新销售价，以及针对所述普通品集合中的各种饮片商品，根据预设的普通品目标毛利率和对应的成本价，计算得到对应的新销售价。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法，于此不再赘述。
如图4所示，本实施例第三方面提供了一种执行如第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法的计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法，于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任一可能设计所述的中药饮片精细化运营指导方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种中药饮片精细化运营指导方法，其特征在于，包括：
获取由中药饮片售卖平台记录的历史售卖数据，其中，所述历史售卖数据包含有已成交的所有采购订单，所述采购订单包含有采购单号、客户标识、饮片商品标识、收货地址、采购时间戳和采购数量；
根据所述历史售卖数据，统计得到多种饮片商品分别在当前单位时期的多维度指标值，或者预测得到多种饮片商品分别在下一个单位时期的多维度指标值；
针对所述多种饮片商品中的各种饮片商品，根据对应的所述多维度指标值，绘制得到对应的雷达图；
针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度；
根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列；
根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合；
针对所述特卖品集合中的各种饮片商品，根据预设的特卖品目标毛利率和对应的成本价，计算得到对应的新销售价，以及针对所述普通品集合中的各种饮片商品，根据预设的普通品目标毛利率和对应的成本价，计算得到对应的新销售价。
2.如权利要求1所述的中药饮片精细化运营指导方法，其特征在于，所述多维度指标值为商品销量贡献比、商品销售额贡献比、商品毛利额贡献比、商品毛利率和商品用户覆盖率中的任意多个组合。
3.如权利要求1所述的中药饮片精细化运营指导方法，其特征在于，根据所述历史售卖数据，预测得到多种饮片商品分别在下一个单位时期的多维度指标值，包括：
根据所述历史售卖数据，统计得到多种饮片商品分别在最近多个连续单位时期的多维度指标值；
针对所述多种饮片商品中的各种饮片商品，将对应的、在所述最近多个连续单位时期的且在某个维度上的指标值，导入基于反向传播BP神经网络的且针对所述某个维度已完成训练的数据走势预测模型中，输出得到对应的、在下一个单位时期的且在所述某个维度上的指标值。
4.如权利要求1所述的中药饮片精细化运营指导方法，其特征在于，所述特卖品包括有引流品、毛利品和/或形象品。
5.如权利要求1所述的中药饮片精细化运营指导方法，其特征在于，当所述特卖品包括有引流品、毛利品和形象品时，针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度，包括：针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的引流品识别模型，输出得到用于指示对应饮片商品为引流品的第一置信度，以及将对应的所述雷达图导入基于卷积神经网络的且已完成训练的毛利品识别模型，输出得到用于指示对应饮片商品为毛利品的第二置信度，以及将对应的所述雷达图导入基于卷积神经网络的且已完成训练的形象品识别模型，输出得到用于指示对应饮片商品为形象品的第三置信度；
根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列，包括：根据第一置信度从大到小的顺序，依次排列所述多种饮片商品，得到第一饮片商品序列，以及根据第二置信度从大到小的顺序，依次排列所述多种饮片商品，得到第二饮片商品序列，以及根据第三置信度从大到小的顺序，依次排列所述多种饮片商品，得到第三饮片商品序列；
根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合，包括：根据预设的引流品占比，从所述第一饮片商品序列中选取排序靠前的若干饮片商品，组成引流品集合，以及根据预设的毛利品占比，从所述第二饮片商品序列中选取排序靠前的若干饮片商品，组成毛利品集合，以及根据预设的形象品占比，从所述第三饮片商品序列中选取排序靠前的若干饮片商品，组成形象品集合，以及将所述多种饮片商品中未选入所述引流品集合、所述毛利品集合和所述形象品集合中的剩余饮片商品，组合成普通品集合，其中，所述引流品占比、所述毛利品占比和所述形象品占比的和小于38％。
6.如权利要求5所述的中药饮片精细化运营指导方法，其特征在于，在组成得到所述引流品集合、所述毛利品集合和所述形象品集合之后，所述方法还包括：
针对位于所述引流品集合和所述毛利品集合中的第一共有饮片商品，若对应的第一置信度大于对应的第二置信度，则在所述毛利品集合中剔除该第一共有饮片商品，否则在所述引流品集合中剔除该第一共有饮片商品；
和/或，针对位于所述引流品集合和所述形象品集合中的第二共有饮片商品，若对应的第一置信度大于对应的第三置信度，则在所述形象品集合中剔除该第二共有饮片商品，否则在所述引流品集合中剔除该第二共有饮片商品；
和/或，针对位于所述毛利品集合和所述形象品集合中的第三共有饮片商品，若对应的第二置信度大于对应的第三置信度，则在所述形象品集合中剔除该第三共有饮片商品，否则在所述毛利品集合中剔除该第三共有饮片商品；
和/或，针对位于所述引流品集合、所述毛利品集合和所述形象品集合中的第四共有饮片商品，若对应的第一置信度分别大于对应的第二置信度及第三置信度，则在所述毛利品集合及所述形象品集合中剔除该第四共有饮片商品，若对应的第二置信度分别大于对应的第一置信度及第三置信度，则在所述引流品集合及所述形象品集合中剔除该第四共有饮片商品，而若对应的第三置信度分别大于对应的第一置信度及第二置信度，则在所述引流品集合及所述毛利品集合中剔除该第四共有饮片商品。
7.如权利要求1所述的中药饮片精细化运营指导方法，其特征在于，所述单位时期为季度、月份、周或日。
8.一种中药饮片精细化运营指导装置，其特征在于，包括有依次通信连接的数据获取模块、指标获取模块、图形绘制模块、特品识别模块、商品排列模块、特品选取模块和售价确定模块；
所述数据获取模块，用于获取由中药饮片售卖平台记录的历史售卖数据，其中，所述历史售卖数据包含有已成交的所有采购订单，所述采购订单包含有采购单号、客户标识、饮片商品标识、收货地址、采购时间戳和采购数量；
所述指标获取模块，用于根据所述历史售卖数据，统计得到多种饮片商品分别在当前单位时期的多维度指标值，或者预测得到多种饮片商品分别在下一个单位时期的多维度指标值；
所述图形绘制模块，用于针对所述多种饮片商品中的各种饮片商品，根据对应的所述多维度指标值，绘制得到对应的雷达图；
所述特品识别模块，用于针对所述各种饮片商品，将对应的所述雷达图导入基于卷积神经网络的且已完成训练的特卖品识别模型，输出得到用于指示对应饮片商品为特卖品的置信度；
所述商品排列模块，用于根据置信度从大到小的顺序，依次排列所述多种饮片商品，得到饮片商品序列；
所述特品选取模块，用于根据预设的特卖品占比，从所述饮片商品序列中选取排序靠前的若干饮片商品，组成特卖品集合，并将所述饮片商品序列中剩余未选的所有饮片商品，组合成普通品集合；
所述售价确定模块，用于针对所述特卖品集合中的各种饮片商品，根据预设的特卖品目标毛利率和对应的成本价，计算得到对应的新销售价，以及针对所述普通品集合中的各种饮片商品，根据预设的普通品目标毛利率和对应的成本价，计算得到对应的新销售价。
9.一种计算机设备，其特征在于，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如权利要求1～7中任意一项所述的中药饮片精细化运营指导方法。
10.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7中任意一项所述的中药饮片精细化运营指导方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210106416.6A CN114444946A (zh) | 2022-01-28 | 2022-01-28 | 一种中药饮片精细化运营指导方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210106416.6A CN114444946A (zh) | 2022-01-28 | 2022-01-28 | 一种中药饮片精细化运营指导方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114444946A true CN114444946A (zh) | 2022-05-06 |
Family
ID=81371537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210106416.6A Pending CN114444946A (zh) | 2022-01-28 | 2022-01-28 | 一种中药饮片精细化运营指导方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444946A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841645A (zh) * | 2022-05-07 | 2022-08-02 | 荃豆数字科技有限公司 | 一种中药饮片库存方案生成方法、装置及计算机设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127508A (zh) * | 2016-06-17 | 2016-11-16 | 重庆大学 | 一种基于大数据计算的中药材价格预测方法 |
| CN107871174A (zh) * | 2016-09-23 | 2018-04-03 | 成都天地网信息科技有限公司 | 一种药材价格预测方法 |
| CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
| 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 |
| JP2020107018A (ja) * | 2018-12-27 | 2020-07-09 | 株式会社ファーマクラウド | 医薬品の流通を支援するためのシステム、方法およびプログラム |
| WO2021056814A1 (zh) * | 2019-09-25 | 2021-04-01 | 深圳市药品检验研究院（深圳市医疗器械检测中心） | 一种基于药效信息建立评价中药质量的化学模式识别方法 |
-
2022
- 2022-01-28 CN CN202210106416.6A patent/CN114444946A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127508A (zh) * | 2016-06-17 | 2016-11-16 | 重庆大学 | 一种基于大数据计算的中药材价格预测方法 |
| CN107871174A (zh) * | 2016-09-23 | 2018-04-03 | 成都天地网信息科技有限公司 | 一种药材价格预测方法 |
| JP2020107018A (ja) * | 2018-12-27 | 2020-07-09 | 株式会社ファーマクラウド | 医薬品の流通を支援するためのシステム、方法およびプログラム |
| CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
| WO2021056814A1 (zh) * | 2019-09-25 | 2021-04-01 | 深圳市药品检验研究院（深圳市医疗器械检测中心） | 一种基于药效信息建立评价中药质量的化学模式识别方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 王芳等: "基于小波神经网络的中药材价格预测方法的研究", 《微型电脑应用》 * |
| 盛魁: "W-RBF神经网络模型在中药材价格预测中的应用", 《西南民族大学学报(自然科学版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841645A (zh) * | 2022-05-07 | 2022-08-02 | 荃豆数字科技有限公司 | 一种中药饮片库存方案生成方法、装置及计算机设备 |
| CN114841645B (zh) * | 2022-05-07 | 2024-02-02 | 荃豆数字科技有限公司 | 一种中药饮片库存方案生成方法、装置及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106503258B (zh) | 一种网站站内精确搜索方法 | |
| US10825033B2 (en) | Systems and methods for using a graphical user interface to predict market success | |
| EP4198864A1 (en) | User feature-based page display method and apparatus, medium, and electronic device | |
| US20110298805A1 (en) | Method and Data Processing System for Financial Planning | |
| CN106327227A (zh) | 一种信息推荐系统及信息推荐方法 | |
| KR20040010711A (ko) | 전자적인 스프레드 거래 툴 | |
| CN117035948B (zh) | 基于大数据的任务智能处理方法及系统 | |
| CN114693350B (zh) | 一种商品信息处理方法、设备及计算机存储介质 | |
| WO2023020255A1 (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| CN103853809A (zh) | 用于业务对象的有效空间分配 | |
| CN116308684A (zh) | 一种网购平台店铺信息推送方法及系统 | |
| CN114444946A (zh) | 一种中药饮片精细化运营指导方法、装置及计算机设备 | |
| US11222039B2 (en) | Methods and systems for visual data manipulation | |
| CN115081414A (zh) | 基于数据模型的电子表格生成方法、装置、设备及介质 | |
| CN113554457B (zh) | 适用于电商平台的智能海报生成方法、装置及存储介质 | |
| US10699451B1 (en) | Generating digital graphical representations reflecting multiple data series utilizing dynamic y-axes | |
| CN113643075B (zh) | 基于机器学习的智能海报生成方法、装置及存储介质 | |
| CN115759394A (zh) | 一种中药饮片生产厂家推荐方法、装置、设备及存储介质 | |
| CN114219399A (zh) | 一种中药饮片备货策略生成方法、装置及计算机设备 | |
| JP2021170327A (ja) | 情報処理方法、電子機器及びコンピュータプログラム | |
| Astuti et al. | Classification and Clustering of Internet Quota Sales Data Using C4. 5 Algorithm and K-Means | |
| CN111461760A (zh) | 价格区间的预估方法、装置、电子设备及存储介质 | |
| US20150154707A1 (en) | System And Method For Recommending Equity Investments | |
| Apperley et al. | Selecting one from many: The development of a scalable visualization tool |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220506 |