CN114493705A

CN114493705A - 一种面向全生命周期的产品销量影响因素监测系统

Info

Publication number: CN114493705A
Application number: CN202210102627.2A
Authority: CN
Inventors: 任鸿儒; 张辰; 鲁仁全; 李鸿一; 程志键; 马慧
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2022-01-27
Filing date: 2022-01-27
Publication date: 2022-05-13

Abstract

本发明公开了一种面向全生命周期的产品销量影响因素监测系统，包括：生命周期判断模块，用于接收待监测产品，获取所述待监测产品的每个时间段的销量，基于每个时间段的销量，判断产品所处生命周期；并判断待监测产品的在最新时间段所处生命周期与上一时间段所处生命周期是否相同，若不相同，将上一时间段所处生命周期作为待监测生命周期；因素监测模块，用于接收若干个潜在影响因素，获取待监测生命周期所包含的时间段内的若干个潜在影响因素对应的产品属性变更数据和总销量，判断若干个潜在影响因素是否为主要影响因素。提高了每一个周期的销量的影响因素的预测精度，以便制定更加合理的产品服务。

Description

一种面向全生命周期的产品销量影响因素监测系统

技术领域

本发明涉及产品销量影响因素监测技术领域，特别是涉及一种面向全生命周期的产品销量影响因素监测系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

随着时代的发展，科学技术的进步，产品技术越来越复杂，消费者对企业的依赖性越来越大。消费者购买一件产品的时候，不仅希望购买产品本身，还希望在购买产品的前、中、后期得到周到而可靠的服务，于是产品服务也成了购买产品的一部分，消费者决定是否购买产品的一个重要条件。如何提高产品服务，做好产品服务的工作显得尤为重要。

现有的大数据系统只是面向企业单一周期的产品服务，没有考虑到将周期与周期之间联合起来，导致现有模型不够全面和完整，不符合如今的发展需要。不仅增大工作量，也可能导致系统模拟结果与显示存在较大差异，不能够全面、有效地描述全周期增值服务的产品服务过程，无法准确预测每一个周期的商家销量，无法对商家形成准确的预警信息。

发明内容

为了解决现有技术的不足，本发明提供了一种面向全生命周期的产品销量影响因素监测系统，将获客期、成长期、成熟期和衰退期四个周期看作一个相关联的整体，考虑到周期与周期之间的联系，提高了每一个周期的销量的影响因素的预测精度，以便制定更加合理的产品服务。

第一方面，本发明提供了一种面向全生命周期的产品销量影响因素监测系统；

一种面向全生命周期的产品销量影响因素监测系统，包括：

生命周期判断模块，用于接收待监测产品，获取电子商务交易平台中所述待监测产品的每个时间段的销量，基于每个时间段的销量，判断产品在最新时间段所处生命周期；并判断待监测产品的在最新时间段所处生命周期与上一时间段所处生命周期是否相同，若不相同，将上一时间段所处生命周期作为待监测生命周期，并将待监测生命周期所包含的时间段发送至因素监测模块；

因素监测模块，用于接收若干个潜在影响因素，获取待监测生命周期所包含的时间段内的若干个潜在影响因素对应的产品属性变更数据和总销量，判断若干个潜在影响因素是否为主要影响因素。

进一步的，所述销生命周期包括获客期、成长期、成熟期和衰退期。

进一步的，还包括用户端，用于获取用户录入的待监测产品，并传输至生命周期判断模块。

进一步的，所述生命周期判断模块还用于在待监测产品的在最新时间段所处生命周期与上一时间段所处生命周期不相同时，发送周期变更信息至所述用户端。

进一步的，所述用户端用于接收到周期变更信息后，显示所述待监测生命周期和所有潜在影响因素，并接收用户选择的若干个潜在影响因素，将用户选择的若干个潜在影响因素上传至因素监测模块。

进一步的，所述总销量为待监测产品在待监测生命周期所包含的所有时间段内的销量的总和。

进一步的，所述判断若干个潜在影响因素是否为主要影响因素包括数据清洗、数据变换和似然函数值计算。

进一步的，所述数据清洗包括去除重复的数据、错误数据和缺失数据。

进一步的，所述数据变换包括通过数据回归方法对清洗后的数据进行平滑处理。

进一步的，所述似然函数值计算包括将预处理后的若干个潜在影响因素对应的产品属性变更数据和总销量带入Sigmoid函数中进行概率转换，得到每个潜在影响因素的概率值，代入似然函数，得到若干个潜在影响因素的似然函数值。

与现有技术相比，本发明的有益效果是：

本发明的一种面向全生命周期的产品销量影响因素监测系统，其突破现有数据模型只是面对单一周期的问题，不再产品服务将各周期之间产生的数据单独研究分析，而是将获客期、成长期、成熟期和衰退期四个周期看作一个相关联的整体，考虑到周期与周期之间的联系，提高了每一个周期的销量的影响因素的预测精度，以便制定更加合理的产品服务，提高企业的经济效益。

本发明的一种面向全生命周期的产品销量影响因素监测系统，其先对全周期增值服务的产品服务在服务过程中所产生的相关数据进行收集整理，然后对数据进行预处理，对预处理后的数据进行大数据分析，建立起产品服务在周期与周期之间的联系；最后建立面向全周期增值服务的产品服务大数据模型。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为实施例一的系统结构图；

图2为实施例一的销量预测模型获取示意图；

图3为实施例一的生命周期示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。

本实施例提供了一种面向全生命周期的产品销量影响因素监测系统；

如图1所示，一种面向全生命周期的产品销量影响因素监测系统，包括：电子商务交易平台、用户端、生命周期判断模块和影响因素监测模块。

生命周期判断模块，与用户端连接，用于获取用户端用户录入的待监测产品的名称；

生命周期判断模块，还与电子商务交易平台连接，在接收到用户录入的待监测产品的名称后，获取电子商务交易平台中该待监测产品的每个时间段的销量，根据预设的规则，判断产品在最新时间段所处生命周期，即产品当前生命周期，并将产品当前生命周期上传至用户端。并判断待监测产品的在最新时间段所处生命周期与上一时间段所处生命周期是否相同，若不相同，将上一时间段所处生命周期作为待监测生命周期，并将待监测生命周期所包含的时间段发送至用户端和因素监测模块，并发送周期变更信息至用户端，提示用户产品的生命周期发生了变更。

如图3所示，生命周期包括获客期、成长期、成熟期和衰退期四个周期。具体的，基于待监测产品的所有周期的销量，绘制销量曲线，计算所有周期的销量曲线的斜率；当所有周期的斜率只包含第一区间的数值时，待监测产品为获客期；当所有周期的斜率既包含第一区间和第二区间的数值时，待监测产品为成长期；当所有周期的斜率既包含第一区间和第二区间的数值，且最新时间段的斜率比上一时间段减小时，待监测产品为成熟期；当最新时间段的斜率为负时，待监测产品为衰退期。以销售酷睿i5处理器为例，获客期对应市场主流处理器均为i4处理器的时期，i5处理器销量较少，销量曲线的斜率较低，但处于斜率增长；成长期为市场主流处理器已经开始从i4慢慢变为i5，销量增长迅速；成熟期对应的是市场主流处理器已为i5，但同时其他的竞争品牌也推出了i5处理器，销量开始缓慢增长，直到斜率为0；衰退期对应的是i6处理器已经研发出并开始销售的时期，销量开始减少，斜率为负。

作为一种实施方式，电子商务交易平台为淘宝，时间段为一个月，即获取电子商务交易平台中该待监测产品的月销量。

所有商家通过用户端了解到产品当前周期所处生命周期发生变化后，会变更产品属性数据，并上传至电子商务交易平台。

其中，变更产品属性数据包括产品宣传、产品性能、相关服务和产品价格的变更。其中，产品宣传是指商家在用户端上传至电子商务交易平台的产品图片；产品性能是指商家在用户端上传至电子商务交易平台的产品标题和产品描述，例如，酷睿i5处理器由六线程扩展到六线程和十二线程；产品价格是指商家在用户端上传至电子商务交易平台的产品的价格；相关服务指商家在用户端上传至电子商务交易平台的物流服务与售后服务。例如，在获客期，大量的宣传推销和提高售价增加获利是首要考虑的因素，宣传推销的手段主要包括投放广告宣传产品的创新点，宣传产品的独特性，宣传产品的优越性等。成长期，对产品进行技术上的改造，以利于增加产品生产量是首要考虑的因素。此时结合上一时间段的反馈信息，如宣传产品的创新点获客最多，此时对产品主要改进的方面为增加产品的创新点，同时可改进的方向还有产品的商标、包装、款式等，此时的可以适当降低价格，以增加产品的竞争力。成熟期，是产品竞争最激烈的阶段。此时努力开发新市场和扩大商品的市场份额是首要考虑的因素。努力开发新的市场，可进行地理、人口、用途等划分；扩大市场份额，刺激销售，可通过采用促销方式，如大型展销、附赠礼品、附赠礼品等方式。衰退期，此时商品需要确定新的营销策略，维持策略、缩减策略、侧推利润等策略。如维持策略，此时延长产品寿命是主要目的，影响的主要因素有降低价格、增加产品新功能提高产品性能，从质量、外观等方面。

用户端用于接收到周期变更信息后，显示所有潜在影响因素、待监测生命周期以及待监测生命周期所包含的时间段。潜在影响因素包括待监测产品的产品宣传、产品性能、相关服务和产品价格，以及同类产品的产品宣传、产品性能、相关服务和产品价格。用户可以通过用户端选择用户认为的影响待监测生命周期的若干个潜在影响因素(例如选择产品性能、相关服务和同类产品的产品性能)，并发送至因素监测模块。同类产品可以根据待监测产品的类别，在电子商务平台找出同类别的其余产品(例如酷睿i5处理器，所属类别为处理器)。

如图2所示，因素监测模块接收到待监测生命周期所包含的时间段以及若干个(n个)潜在影响因素后，在电子商务交易平台获取待监测生命周期所包含的所有时间段的所有商家(P个商家)的若干个潜在影响因素对应的产品属性变更数据(若发生变更，则xi＝1，否则，为0)和总销量(即因变量值，为待监测生命周期所包含的所有时间段的销量的总和)，对获取的数据进行预处理和似然函数值计算，其中，预处理包括对每个商家的若干个潜在影响因素对应的产品属性变更数据和总销量进行数据清洗和数据变换。

数据清洗：去除重复的数据，可以采用Excel去除数据的重复项功能，避免数据的冗杂；去除错误数据，需删除不符合逻辑规则的错误数据，保证数据的正确性；去除缺失数据，可采用SQL语句查询数据项中含有空或缺失元素的数据项，保证运算分析的正确。

数据变换：先通过数据回归方法对清洗后的数据进行平滑处理，去除数据中的噪声，得到预处理后的数据。

因素监测模块将预处理后的P个商家的若干个(n个)潜在影响因素对应的产品属性变更数据和总销量带入Sigmoid函数中进行概率转换，得到每个潜在影响因素的概率值，代入似然函数，得到若干个潜在影响因素的似然函数值，从而计算用户通过用户端选取的若干影响因素是否为该待监测生命周期的主要影响因素，具体的方法为：

将预处理后的数据采用逻辑回归方程进行建模，将产品服务各周期的若干个潜在影响因素进行线性组合得到一个因变量值，形式如下：

其中，x_m(m＝1,2,3,4)分别对应生命周期的获客期、成长期、成熟期和衰退期四个周期，x_m为第m个周期的元素矩阵，包含n个向量，即x_m＝(x₁,x₂,…,x_n)，x_i(i＝1,2,…,n)为影响周期产品销量的第i个因素(x_i＝{x¹ _i,x² _i,…,x^J _i}，x^j _i为P个商家第m个周期中的第j个时间段的第i个潜在影响因素对应的产品属性变更数据的均值)，θ_i(i＝1，2，…，n)是由样本训练拟合出的第i个因素的参数值。

代入Sigmoid函数中进行概率转换，得到第m个周期若干个影响销量的因素的概率值矩阵：

其中，矩阵h_Θ(x_m)包含n个向量，即h_Θ(x_m)＝(h¹ _Θ(x_m),h² _Θ(x_m),…,hⁿ _Θ(x_m))。无论-θ^Tx的取值如何，其结果都在[0,1]的区间内。由于该问题只存在两种情况，一种为“是影响该周期产品销量的主要因素”，另一种为“不是影响该周期产品销量的主要因素”，所以将“1”对应“是影响该周期产品销量的主要因素”，“0”对应“不是影响该周期产品销量的主要因素”，根据设定的阈值来判断由众多因素自变量产生的结果是属于“0”还是“1”。

求得第m个周期各因素的概率值之后，代入似然函数，得到第m个周期若干个潜在影响因素的似然函数值，形式如下：

其中，P(y_i|x_i；θ)为因素x_i在线性拟合的参数θ下求得y＝1或y＝0的概率，y_i(i＝1,2…n)的取值有0和1两种，取值为1时，表示因素x_i为影响该周期产品销量的主要因素，取值为0时，表示因素x_i不为影响该周期产品销量的主要因素。由于该问题为二分类问题，所以y取0时保留

y取1时保留

将概率相乘得到可能性的值L，如果超过0.5，则认为用户通过用户端选取的若干影响因素可能是影响该周期产品销量的主要因素。

本发明的销量预测系统可以基于分布式发布订阅消息系统Kafka进行，该系统Kafka的核心组件主要包括：主题，即发布在Kafka的消息所属类别，Kafka系统按照不同的主题将消息进行分类，划分四个主题分别为获客期、成长期、成熟期和衰退期，将所得数据放入相应主题中；生产者，即发布消息到Kafka系统相应主题的信息源或数据源，经过预处理后的数据作为生产者，并根据数据产生的来源分别向获客期、成长期、成熟期和衰退期四个主题发送消息；消费者，即从Kafka系统中提取消息或消费消息的终端或服务，要求消费者具有从Kafka系统获取消息并及时处理的能力，即要求选用的消费者有流畅框架来应对实时场景；Spark Streaming是Spark核心API的一个扩展，可以实现高吞吐量的、具有容错机制的实时数据流处理，选用Spark Streaming作为消费者，以Spark Streaming为基础获取Kafka系统中的主题数据，可以达到对数据流进行实时处理的目的；信息，即为消息队列通信的最基本单位，生产者向主题发布信息，消费者从相应主题中获取信息进行消费。

Spark Streaming从Kafka系统获客期主题中获取用户数量、用户质量、用户数量增长速度等基础数据信息，并对从获客期端中获取的数据调用API进行系统分析，分析用户在售前、售中和售后对产品服务的反馈信息、产品服务的宣传信息等对用户数量增长的影响，并将分析后所得数据发送至成长期端；成长期端收到对获客期影响用户数量主要因素的分析结果后，开始重新规划产品服务的销售宣传模式，并对产品服务做出一定调整，赋予产品新的特色，增加新款式、新类型，尽量满足客户的需求；同时收集客户对产品服务的反馈信息以及客户数量增长情况的数据，调用API统计分析该数据后发送至成熟期端；成熟期收到分析结果之后，根据客户的反映情况以及客户数量的增长情况，明确产品服务的核心特征，此时产品销量增长缓慢，同时市场竞争开始变得非常激烈，此时需要做相应的市场调整和产品调整，在保持产品核心特征，满足原有客户的同时吸引新客户，通过对产品定价、渠道、促销三种因素做出相应的调整，收集调整后的数据并调用API统计分析，将分析后的数据信息发送至衰退期端；当产品服务进入衰退期后，产品的销量开始不可逆转地下降，此时收到来自成熟期的分析数据之后，开始进一步的决定产品服务策略，分析数据之后决定进行集中策略、维持策略、压榨策略、放弃策略中的一种策略，以谋求产品服务的最大利益，最终完成全周期增值服务的产品服务市场全周期。

本发明突破现有数据模型只是面对单一周期的问题，不再产品服务将各周期之间产生的数据单独研究分析，而是以产品服务的获客期、成长期、成熟期和衰退期四个周期看作一个相关联的整体，考虑到周期与周期之间的联系，更合理的为产品服务做出分析，使得商家通过本发明的系统可以得知，其计划产品服务实施后，各个生命周期的销量，从而使商家可以提前了解，并优化产品服务，提高企业的经济效益。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种面向全生命周期的产品销量影响因素监测系统，其特征是，包括：

2.如权利要求1所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述销生命周期包括获客期、成长期、成熟期和衰退期。

3.如权利要求1所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，还包括用户端，用于获取用户录入的待监测产品，并传输至生命周期判断模块。

4.如权利要求1所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述生命周期判断模块还用于在待监测产品的在最新时间段所处生命周期与上一时间段所处生命周期不相同时，发送周期变更信息至所述用户端。

5.如权利要求1所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述用户端用于接收到周期变更信息后，显示所述待监测生命周期和所有潜在影响因素，并接收用户选择的若干个潜在影响因素，将用户选择的若干个潜在影响因素上传至因素监测模块。

6.如权利要求1所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述总销量为待监测产品在待监测生命周期所包含的所有时间段内的销量的总和。

7.如权利要求1所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述判断若干个潜在影响因素是否为主要影响因素包括数据清洗、数据变换和似然函数值计算。

8.如权利要求7所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述数据清洗包括去除重复的数据、错误数据和缺失数据。

9.如权利要求7所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述数据变换包括通过数据回归方法对清洗后的数据进行平滑处理。

10.如权利要求7所述的一种面向全生命周期的产品销量影响因素监测系统，其特征是，所述似然函数值计算包括将预处理后的若干个潜在影响因素对应的产品属性变更数据和总销量带入Sigmoid函数中进行概率转换，得到每个潜在影响因素的概率值，代入似然函数，得到若干个潜在影响因素的似然函数值。