CN114529318A - 大数据环境下在线零售商的需求模型构建及需求预测方法 - Google Patents

大数据环境下在线零售商的需求模型构建及需求预测方法 Download PDF

Info

Publication number
CN114529318A
CN114529318A CN202011304489.3A CN202011304489A CN114529318A CN 114529318 A CN114529318 A CN 114529318A CN 202011304489 A CN202011304489 A CN 202011304489A CN 114529318 A CN114529318 A CN 114529318A
Authority
CN
China
Prior art keywords
demand
commodity
retailer
cluster
data
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
Application number
CN202011304489.3A
Other languages
English (en)
Inventor
徐贤浩
任欣欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011304489.3A priority Critical patent/CN114529318A/zh
Publication of CN114529318A publication Critical patent/CN114529318A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于供应链需求预测领域，具体涉及一种大数据环境下在线零售商的需求模型构建及需求预测方法，包括：基于历史数据样本集统计每个零售商对每个商品的需求统计量；根据需求统计量对各零售商‑各商品聚类；对任一聚类对应的历史数据样本集按周期划分，取每相邻多个周期的数据构成一组，从该组数据中最后一周期数据中提取各客户在各零售商购买各商品的需求标签值，从其他周期数据中提取每个需求标签值对应的需求特征，构成多个训练样本；采用每一聚类簇的所有训练样本训练该聚类簇的需求预测模型以用于需求预测。本发明对历史数据提取特征，根据需求特点对商家‑产品聚类，然后对不同聚类分别建立需求预测模型，提高对各商家需求量的准确预测。

Description

大数据环境下在线零售商的需求模型构建及需求预测方法
技术领域
本发明属于供应链需求预测领域，更具体地，涉及一种大数据环境下在线零售商的需求模型构建及需求预测方法。
背景技术
随着电商的发展，为提高电商物流的时效性，电商平台纷纷建立了以实体门店为主的前置仓模式，通过对消费者的需求进行预测，提前将对应商品发送至前置仓门店，当消费者下单时，系统选择距离消费者较近的前置仓门店，将商品配送至目标地址，从而有效缩短商品与消费者的距离，降低物流配送时间。若预测中的商品未被购买，则会产生转运、存储、退回等费用，增加了供应链整体的运作成本。因此，前置仓模式的实现对供应链需求预测提出了更高的要求。在大数据和信息处理技术快速发展的新时代背景下，运用大数据分析技术，对前置仓门店的需求进行准确预测，可以为前置仓门店的“预判发货”提供决策支持。
当前大数据环境下，电商平台产生了大量客户点击、浏览、加入购物车等行为数据，以及商品销售量、退货量等数据信息，如何利用大量历史消费数据信息预测消费者需求成为业界和学术界研究的焦点问题，而现有已公开的需求预测方法主要是针对电商平台提供的数据建立整体的预测模型，以此方式建立的模型不能适应不同商家中不同产品的需求特点，预测精度不高。
发明内容
本发明提供一种大数据环境下在线零售商的需求模型构建及需求预测方法，用以解决现有电商需求预测方法对不同商家对于不同商品的需求预测精度不高的技术问题。
本发明解决上述技术问题的技术方案如下：一种大数据环境下在线零售商的需求模型构建方法，包括：
基于历史数据样本集，统计每个零售商对每个商品的按时间粒度的需求统计量；并根据所述需求统计量，对各零售商ID和各商品ID构成的组进行聚类；每个历史数据样本包括：零售商ID，商品ID，消费者ID，一次对该商品购买量，一次对该商品退货量，以及对该商品的需求量信息；
对任一聚类簇所对应的历史数据样本集按照周期划分，取每相邻多个周期的数据为一组数据；其中，从该相邻多个周期的数据中最后一个周期数据中提取各客户在各零售商购买各商品的需求标签值，从其他周期数据中提取各客户在各零售商购买各商品的需求特征，构成多个训练样本；
采用每一聚类簇的所有训练样本训练得到该聚类簇的需求预测模型。
本发明的有益效果是：本发明提出了一种大数据环境下基于市场细分的供应链需求预测方法，具体的，主要通过消费者在某一商店对某一产品的购买量、消费金额、退货量、商品信息以及商家信息等数据进行预处理和提取特征，然后根据需求特点对商家-产品进行分组划分，完成聚类，分析其中隐含的不同需求模式，进一步针对不同组的商家-产品分别建立相应的需求预测模型，缩小了后续预测模型处理的数据量，减少了数据处理的时间，同时提高对未来一段时间各商家的需求量进行准确预测，为供应商向各前置仓门店“预判发货”提供技术支持。
上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述对该商品的需求量信息为对该商品的需求量的对数值。
本发明的进一步有益效果是：采用需求量的对数值，提高预测精度。
进一步，采用SOM和层次聚类法进行所述聚类。
进一步，所述需求特征包括时序统计特征，所述时序统计特征包含：零售商对商品的需求量均值、方差、最大值和最小值，退货量的均值、方差、最大值和最小值，退货次数，以及退货比率；商品的需求量均值、方差、最大值和最小值，退货量的均值、方差、最大值和最小值，退货次数，以及退货比率；零售商的需求量均值、方差、最大值和最小值，退货量的均值、方差、最大值和最小值，退货次数，以及退货比率。
本发明的进一步有益效果是：通过这些时序特征描述了关于各种商品、各个零售商和某一零售商中某一产品历史需求情况，以及历史退货情况，为准确预测产品需求奠定基础。
进一步，采用GBDT模型，对每个训练样本中各特征进行重要度排序，在每个训练样本中保留重要度高的特征。
本发明的进一步有益效果是：该过程实现了特征选择，去除了对后续预测影响较小或无影响的特征，进而提高预测的效果和预测阶段的运行速度。
进一步，采用每一聚类簇的所有训练样本训练得到该聚类簇的需求预测模型，具体为：采用每一个聚类簇的所有训练样本训练多个模型，选择预测精度较高的模型作为该聚类簇的预测模型，其中，所述多个模型包括XGBoost、Lasso Regression、ElasticNet和ANN。
进一步，所述选择预测精度较高的模型，具体为：通过MSE、MAE和R-squared评价指标选择预测精度较高的算法模型。
本发明还提供一种大数据环境下在线零售商的需求预测方法，包括：
基于待预测的零售商ID和商品ID所对应的历史数据，统计该零售商对该商品的按时间粒度的需求统计量，所述历史数据包括：零售商ID，商品ID，消费者ID，一次对该商品购买量，一次对该商品退货量，以及对该商品的需求量信息；
根据如上所述的一种大数据环境下在线零售商的需求模型构建方法中所述的聚类簇，判断待预测的零售商ID和商品ID所在的聚类簇，并选择该聚类所对应的需求预测模型进行需求预测。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种大数据环境下在线零售商的需求模型构建方法和/或如上所述的一种大数据环境下在线零售商的需求预测方法。
附图说明
图1为本发明实施例提供的一种大数据环境下在线零售商的需求模型构建方法流程框图；
图2为本发明实施例提供的一种大数据环境下在线零售商的需求模型构建方法中商家-产品的聚类划分流程图；
图3为本发明实施例提供的另一种大数据环境下在线零售商的需求模型构建方法流程框图；
图4为本发明实施例提供的一种大数据环境下在线零售商的需求模型构建方法中针对不同商家-产品组的需求预测模型构建流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种大数据环境下在线零售商的需求模型构建方法100，如图1所示，包括：
S110、基于历史数据样本集，统计每个零售商对每个商品的按时间粒度的需求统计量；并根据需求统计量，对各零售商ID和各商品ID构成的组进行聚类；每个历史数据样本包括：零售商ID，商品ID，消费者ID，一次对该商品购买量，一次对该商品退货量，以及对该商品的需求量信息；
S120、对任一聚类簇所对应的历史数据样本集按照周期划分，取每相邻多个周期的数据为一组数据；其中，从该相邻多个周期的数据中最后一个周期数据中提取各客户在各零售商购买各商品的需求标签值，从其他周期数据中提取各客户在各零售商购买各商品的需求特征，构成多个训练样本；
S130、采用每一聚类簇的所有训练样本训练得到该聚类簇的需求预测模型。
在上述S110中，如图2所示，首先根据历史消费数据信息(即历史数据样本集)，针对商家-产品建立特征以反映其历史需求特点，主要包括按时间粒度的商家中各产品的需求统计量。然后，建立聚类算法对商家-产品进行分组划分，具体可通过SOM和层次聚类结合的方法对数据集进行聚类，获得商家-产品对应的簇标签。
其中，聚类方式可为：首先利用SOM算法得到第一聚类结果，但由于该算法得到的聚类簇较多，所以利用层次聚类算法对第一聚类结果再聚类，通过对得到的聚类树选取合适的Height值，得到最终的聚类结果。
为了使得历史数据样本集更加清楚，现给出如下示例：
Figure BDA0002787913450000051
Figure BDA0002787913450000061
S110在统计完需求统计量之后，由原始样本数据转变为零售商-产品-需求统计量数据，如下形式：
商家_ID 产品_ID 平均需求量 需求量的方差 需求量的最大值 需求量的最小值
1110 1212 3 25.14 4 2
1110 1240 4 39.32 5 1
1110 1242 3 22.92 3 1
1121 1242 5 38.2 6 2
1121 3894 3 20.28 7 4
1130 5310 4 24.6 10 5
1131 5310 6 31.68 12 6
基于需求统计量数据，对各零售商-产品聚类。
另外，在上述S120中，如图3所示，具体可利用滑窗法对历史消费数据划分数据集，例如针对7周的历史消费数据采用滑窗法，以1周为周期进行滑窗，比如窗口步长大小为3周，构建多个训练窗口，增加训练集数据量，其中，采用每个窗口的前两周数据来构建不同消费者在不同商店购买不同商品的需求特征(向量)，采用该窗口的最后一周数据来构建每个所述需求特征(向量)的需求标签值。进一步可采用5折交叉验证的方法，比如4份为训练集，1份为验证集。
本实施例提出了一种大数据环境下基于市场细分的供应链需求预测方法，具体的，主要通过消费者在某一商店对某一产品的购买量、消费金额、退货量、商品信息以及商家信息等数据进行预处理和提取特征，然后根据需求特点对商家-产品进行分组划分，完成聚类，分析其中隐含的不同需求模式，进一步针对不同组的商家-产品分别建立相应的需求预测模型，缩小了后续预测模型处理的数据量，减少了数据处理的时间，同时提高对未来一段时间各商家的需求量进行准确预测，为供应商向各前置仓门店“预判发货”提供技术支持。
根据不同商家中不同产品的需求特点建立对应的模型，预测精度高，另外在库存管理方面，建立不同商家对应不同商品的预测模型，利于分析不同商家中不同商品的需求情况并提出具有针对性的库存管理决策。
优选的，上述对该商品的需求量信息为对该商品的需求量的对数值。
为提高预测效果，对数据中的需求量取对数，对数据中的空值用零填充。
优选的，上述需求特征包括时序统计特征，时序统计特征有零售商对商品的需求量和退货量的均值、方差、最大值和最小值。
对S120中划分的数据集进行特征工程构建，主要包括基础特征和时序相关的统计特征，基础特征可包含数据基本信息中的连续型特征和非连续型的独热编码处理后的特征，其中，商家和产品的基本信息中的连续型特征直接作为特征处理，包括产品的价格，销售量，退货量，非连续型的特征采用独热编码处理为数值型作为特征；时序相关的统计特征可包含：关于商家和产品需求量和退货量的均值、方差、最大值、最小值等，以及商家和产品交叉的统计特征，具体的，按时间粒度统计的产品需求量的均值、方差、最大值和最小值，以及退货次数，退货比率，退货量的均值、方差、最大值和最小值，商家需求量的均值、方差、最大值和最小值，以及退货次数，退货比率，退货量的均值、方差、最大值和最小值，商家-产品需求量的均值、方差、最大值和最小值，以及退货次数，退货比率，退货量的均值、方差、最大值和最小值。
未来使得上述的基础特征和时序相关的统计特征更加清楚，现举例如下：
Figure BDA0002787913450000071
优选的，采用GBDT模型，对每个训练样本中各特征进行重要度排序，在每个训练样本中保留重要度高的特征。
根据聚类结果对数据集进行分组划分并进行特征选择：将关于商家-产品的簇标签加入到数据集中，以簇标签将数据集划分为不同的数据子集，针对不同数据子集建立GBDT模型，训练完成后得到特征重要性的排序，选取前70％的特征进行后续的模型训练。
优选的，如图4所示，采用每一聚类簇的所有训练样本训练得到该聚类簇的需求预测模型，具体为：采用每一个聚类簇的所有训练样本训练多个模型，选择预测精度较高的模型作为该聚类簇的预测模型，其中，多个模型包括XGBoost、Lasso Regression、ElasticNet和ANN。
针对不同组的数据分别建立预测模型，需要说明的是，如果在训练时以一周为一数据周期且采样每组数据的最后一周的数据来统计需求标签值，则在采样训练好的模型进行需求预测时是用于预测商品未来一周的需求量，如果在训练时采样每组数据的最后两周的数据来统计需求标签值，则在采样训练好的模型进行需求预测时用于预测商品未来两周的需求量，因此，模型用于预测未来多长时间的需求量与训练时所选的数据有关。其中，利用针对不同数据子集提取的特征，可在各数据子集上建立XGBoost、Lasso Regression、ElasticNet、ANN四个算法模型，通过MSE、MAE、R-squared等评价指标，针对不同数据子集选择合适的算法模型。
实施例二
一种大数据环境下在线零售商的需求预测方法，包括：
基于待预测的零售商ID和商品ID所对应的历史数据，统计该零售商对该商品的按时间粒度的需求统计量，所述历史数据包括：零售商ID，商品ID，消费者ID，一次对该商品购买量，一次对该商品退货量，以及对该商品的需求量信息；
根据实施例一所述的一种大数据环境下在线零售商的需求模型构建方法中所述的聚类簇，判断待预测的零售商ID和商品ID所在的聚类簇，并选择该聚类簇所对应的需求预测模型进行需求预测。相关技术方案同实施例一，在此不再赘述。
在预测阶段，分别针对不同需求模式的数据集建立与其相适应的预测模型，可以有效提高需求预测的准确率。
需要说明的是，将预测数据集以商家-产品为key值根据聚类的结果划分到对应的数据子集，其中由于预测数据集中出现新的商家-产品组合未发生历史需求，故将该类数据划分到需求量最低的数据子集中。不同的数据子集通过训练过程中选择的相应预测模型进行训练，得到最终的预测结果。
实施例三
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上实施例一所述的一种大数据环境下在线零售商的需求模型构建方法和/或如上实施例二所述的一种大数据环境下在线零售商的需求预测方法。
相关技术方案同实施例一和实施例二，在此不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种大数据环境下在线零售商的需求模型构建方法，其特征在于，包括：
基于历史数据样本集，统计每个零售商对每个商品的按时间粒度的需求统计量；并根据所述需求统计量，对各零售商ID和各商品ID构成的组进行聚类；每个历史数据样本包括：零售商ID，商品ID，消费者ID，一次对该商品购买量，一次对该商品退货量，以及对该商品的需求量信息；
对任一聚类簇所对应的历史数据样本集按照周期划分，取每相邻多个周期的数据为一组数据；其中，从该相邻多个周期的数据中最后一个周期数据中提取各客户在各零售商购买各商品的需求标签值，从其他周期数据中提取各客户在各零售商购买各商品的需求特征，构成多个训练样本；
采用每一聚类簇的所有训练样本训练得到该聚类簇的需求预测模型。
2.根据权利要求1所述的一种大数据环境下在线零售商的需求模型构建方法，其特征在于，所述对该商品的需求量信息为对该商品的需求量的对数值。
3.根据权利要求1所述的一种大数据环境下在线零售商的需求模型构建方法，其特征在于，采用SOM和层次聚类法进行所述聚类。
4.根据权利要求1所述的一种大数据环境下在线零售商的需求模型构建方法，其特征在于，所述需求特征包括时序统计特征，所述时序统计特征包含：零售商对商品的需求量均值、方差、最大值和最小值，退货量的均值、方差、最大值和最小值，退货次数，以及退货比率；商品的需求量均值、方差、最大值和最小值，退货量的均值、方差、最大值和最小值，退货次数，以及退货比率；零售商的需求量均值、方差、最大值和最小值，退货量的均值、方差、最大值和最小值，退货次数，以及退货比率。
5.根据权利要求1所述的一种大数据环境下在线零售商的需求模型构建方法，其特征在于，采用GBDT模型，对每个训练样本中各特征进行重要度排序，在每个训练样本中保留重要度高的特征。
6.根据权利要求1所述的一种大数据环境下在线零售商的需求模型构建方法，其特征在于，采用每一聚类簇的所有训练样本训练得到该聚类簇的需求预测模型，具体为：采用每一个聚类簇的所有训练样本训练多个模型，选择预测精度较高的模型作为该聚类簇的预测模型，其中，所述多个模型包括XGBoost、Lasso Regression、ElasticNet和ANN。
7.根据权利要求6所述的一种大数据环境下在线零售商的需求模型构建方法，其特征在于，所述选择预测精度较高的模型，具体为：通过MSE、MAE和R-squared评价指标选择预测精度较高的算法模型。
8.一种大数据环境下在线零售商的需求预测方法，其特征在于，包括：
基于待预测的零售商ID和商品ID所对应的历史数据，统计该零售商对该商品的按时间粒度的需求统计量，所述历史数据包括：零售商ID，商品ID，消费者ID，一次对该商品购买量，一次对该商品退货量，以及对该商品的需求量信息；
根据权利要求1至7任一项所述的一种大数据环境下在线零售商的需求模型构建方法中所述的聚类簇，判断待预测的零售商ID和商品ID所在的聚类簇，并选择该聚类簇所对应的需求预测模型进行需求预测。
9.一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包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至7任一项所述的一种大数据环境下在线零售商的需求模型构建方法和/或如权利要求8所述的一种大数据环境下在线零售商的需求预测方法。
CN202011304489.3A 2020-11-19 2020-11-19 大数据环境下在线零售商的需求模型构建及需求预测方法 Pending CN114529318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011304489.3A CN114529318A (zh) 2020-11-19 2020-11-19 大数据环境下在线零售商的需求模型构建及需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011304489.3A CN114529318A (zh) 2020-11-19 2020-11-19 大数据环境下在线零售商的需求模型构建及需求预测方法

Publications (1)

Publication Number Publication Date
CN114529318A true CN114529318A (zh) 2022-05-24

Family

ID=81619814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011304489.3A Pending CN114529318A (zh) 2020-11-19 2020-11-19 大数据环境下在线零售商的需求模型构建及需求预测方法

Country Status (1)

Country Link
CN (1) CN114529318A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894588A (zh) * 2023-06-05 2023-10-17 中国科学院地理科学与资源研究所 一种基于大数据的粮食供需智能管理方法、系统及介质
CN117172796A (zh) * 2023-08-07 2023-12-05 北京智慧大王科技有限公司 一种大数据电子商务管理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894588A (zh) * 2023-06-05 2023-10-17 中国科学院地理科学与资源研究所 一种基于大数据的粮食供需智能管理方法、系统及介质
CN117172796A (zh) * 2023-08-07 2023-12-05 北京智慧大王科技有限公司 一种大数据电子商务管理系统

Similar Documents

Publication Publication Date Title
JP7340456B2 (ja) モデル生成のための動的な特徴選択
Marisa et al. Segmentation model of customer lifetime value in small and medium enterprise (SMEs) using K-means clustering and LRFM model
CN110782266B (zh) 商品销量预测及模型训练方法、装置以及设备
CN108320171A (zh) 热销商品预测方法、系统及装置
Wu et al. User Value Identification Based on Improved RFM Model and K‐Means++ Algorithm for Complex Data Analysis
CN107886241B (zh) 资源分析方法、装置、介质和电子设备
CN108694606B (zh) 一种基于关联规则的客户画像及服务推送方法
CN114529318A (zh) 大数据环境下在线零售商的需求模型构建及需求预测方法
CN113537850A (zh) 仓储优化方法、装置、计算机设备和存储介质
CN115797005A (zh) 预测模型的训练、商品推荐方法、装置、电子设备及介质
CN117350766A (zh) 一种基于私域电商平台的数据处理方法、系统及存储介质
CN113554455A (zh) 基于人工智能的店铺商品分析方法、装置及存储介质
Zhang et al. A Precision Marketing Strategy of e‐Commerce Platform Based on Consumer Behavior Analysis in the Era of Big Data
CN112163781A (zh) 基于多维度指标聚类的园区用电群体生命周期评价方法
CN116596547A (zh) 一种基于多维信息数据的客户关系管理方法及系统
CN116029794A (zh) 商品价格确定方法、装置、电子设备及存储介质
RU2480828C1 (ru) Способ прогноза целевого показателя событий по неограниченному количеству характеристик
CN115841345A (zh) 跨境大数据智能化分析方法、系统以及存储介质
CN114881694A (zh) 自动补货方法、系统、电子设备、存储介质、程序产品
Garnier et al. A multi-series framework for demand forecasts in E-commerce
Mauricio et al. Predicting customer lifetime value through data mining technique in a direct selling company
CN110738538B (zh) 识别相似物品的方法和装置
Lipyanina-Goncharenko et al. Method of Forming a Training Sample for Segmentation of Tender Organizers on Machine Learning Basis.
Chen et al. Retail analytics: Market segmentation through transaction data
WO2021029835A1 (en) A method and system for clustering performance evaluation and increment

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