CN114971083A - 一种货物购买预测出售的方法 - Google Patents

一种货物购买预测出售的方法 Download PDF

Info

Publication number
CN114971083A
CN114971083A CN202210768919.XA CN202210768919A CN114971083A CN 114971083 A CN114971083 A CN 114971083A CN 202210768919 A CN202210768919 A CN 202210768919A CN 114971083 A CN114971083 A CN 114971083A
Authority
CN
China
Prior art keywords
goods
old
service life
user
selling
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
CN202210768919.XA
Other languages
English (en)
Inventor
郑创鑫
林嘉顺
陈子鸿
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.)
Xinyang Internet Technology Guangzhou Co ltd
Original Assignee
Xinyang Internet Technology Guangzhou Co ltd
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 Xinyang Internet Technology Guangzhou Co ltd filed Critical Xinyang Internet Technology Guangzhou Co ltd
Priority to CN202210768919.XA priority Critical patent/CN114971083A/zh
Publication of CN114971083A publication Critical patent/CN114971083A/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种货物购买预测出售的方法，包括：构建包含货物类别、旧物替换存在性和使用年限的货物信息系统；根据用户历史订单数据判断其购物心理；根据货物需求量预测货物出售概率；判断是否提供二手出售打折业务；建立旧物定价模型；根据旧物出售价格的期望计算购物打折幅度。

Description

一种货物购买预测出售的方法
【技术领域】
本发明涉及信息技术领域，尤其涉及一种货物购买预测出售的方法。
【背景技术】
很多东西的购买都是具有替代性的，例如一双鞋子的购买，除了时髦女孩追求美丽，其实大部分人，购买鞋子的原因，可能就是因为旧鞋子已经老旧或者损坏。因此购物的内容，其实经常也代表着旧物品的替代，或者增加了原始物品的替代。但是有一些商品并无法这样进行预测，例如购书，每一本书都是不同的，购买了一本新书，理由并不会因为是旧书老旧而购买新书。对商品可替代性和二手货物的现货储量和销售的预测是一个重要的问题。它有利于类似闲鱼这样的二手平台进行货物的推荐回收，也有利于在购物平台上，根据旧物价值，进行购买时的回收和打折优惠。
【发明内容】
本发明提供了一种货物购买预测出售的方法，主要包括：
构建包含货物类别、旧物替换存在性和使用年限的货物信息系统；根据用户历史订单数据判断其购物心理；根据货物需求量预测货物出售概率；判断是否提供二手出售打折业务；建立旧物定价模型；根据旧物出售价格的期望计算购物打折幅度；
进一步可选地，所述构建包含货物类别、旧物替换存在性和使用年限的货物信息系统包括：
爬取网购平台的商品数据，按照类别建立商品清单；对各大二手交易平台的卖家发起线上问卷，搜索平台上架的货物信息，判断各类货物是否存在旧物替换；对于存在旧物替换的货物，收集平均使用年限(寿命)数据；包括：问卷调查结合二手市场的流通性判断货物是否存在旧物替换；获取货物平均使用年限(寿命)；
所述问卷调查结合二手市场的流通性判断货物是否存在旧物替换，具体包括：
对各大二手交易平台的卖家发起线上问卷调查货物是否存在旧物替换；统计问卷结果，标记超过一定数量的卖家认为存在旧物替换的货物；到各大二手交易平台搜索标记的货物，验证其在二手交易市场的流通性，进一步判断货物的旧物替换存在性。
所述获取货物平均使用年限(寿命)，具体包括：
根据问卷调查结果和在二手市场的流通性综合判断货物存在旧物替换后，统计各大品牌货物的使用年限(寿命)；对统计的各大品牌货物的使用年限求平均值，计算货物的平均使用年限(寿命)。
进一步可选地，所述根据用户历史订单数据判断其购物心理包括：
在用户授权同意的情况下，读取用户历史订单，提取货物名称的关键字、交易完成日期和货物的图片信息；根据读取的订单信息，统计在物品平均使用年限(寿命)内购买相同物品的总次数；根据在物品平均使用年限(寿命)内购买相同物品的次数；包括：读取用户历史订单并提取货物信息；根据历史订单统计在使用年限内的购买相同货物的次数；根据使用年限内的购买相同货物的次数判断用户购物心理；
所述读取用户历史订单并提取货物信息，具体包括：
询问用户是否同意平台读取个人的订单信息，在用户授权同意后，读取用户的历史订单信息，筛选其中交易成功的订单；对交易成功的所有订单，提取货物名称的关键字、交易完成日期和货物的图片信息。
所述根据历史订单统计在使用年限内的购买相同货物的次数，具体包括：
根据货物名称的关键字，判断其所属货物类别；根据货物的所属类别，筛选存在旧物替换的货物；根据所属类别的货物的平均使用年限(寿命)，统计每件货物自交易成功之日起，平均使用年限(寿命)内，购买关键字相同的货物的总次数。
所述根据使用年限内的购买相同货物的次数判断用户购物心理，具体包括：
对于关键字相同的货物，在其平均使用年限内购买的次数>＝预设的阈值，判定用户的购物心理为冲动型；对于关键字相同的货物，在其平均使用年限内购买的次数<预设的阈值，判定用户的购物心理为理智型。
进一步可选地，所述根据货物需求量预测货物出售概率包括：
统计货物在各大二手交易平台总收藏人数；对各大二手交易平台的数据以平台的市场份额作为权值求加权平均；建立偏大型柯西分布，根据货物的需求量预测货物的出售概率；包括：根据货物在各大二手交易市场的收藏人数估计货物需求量；建立偏大型柯西分布模型并根据需求量预测货物出售概率；
所述根据货物在各大二手交易市场的收藏人数估计货物需求量，具体包括：
在各大二手交易平台搜索货物，统计已上架的所有货物中，货物的总收藏人数；参考权威网站数据，确定各大二手交易平台的市场份额；根据市场份额，对各大二手交易平台的货物收藏人数求加权平均值，作为该货物的需求量。
所述建立偏大型柯西分布模型并根据需求量预测货物出售概率，具体包括：
根据二手交易平台成交订单的需求量的规律，建立偏大型柯西分布模型，求解模型的参数；将货物的需求量代入分布模型中，预测货物的出售概率；搜索各大平台近期成功交易的货物信息，检验模型的准确性，修正模型的参数。
进一步可选地，所述判断是否提供二手出售打折业务包括：
根据用户的购物心理的类型，初步判断是否为用户提供二手出售打折业务；符合条件的用户，检索其历史订单内交易成功的货物，根据货物出售的概率，进一步判断是否为用户提供二手出售打折业务；若存在出售概率>＝预设的阈值的货物，则为其提供二手出售打折业务。
进一步可选地，所述建立旧物定价模型包括：
根据旧物交易成功的日期，计算旧物的实际使用年限，结合物品的平均使用年限(寿命),估计旧物的折旧程度；对比用户上传的旧物图片，与订单内提取的货物图片对比，估计旧物的折损程度；综合旧物的折旧和折损程度，估计旧物的价值；根据旧物的价值和出售的概率，计算旧物出售的价格期望；包括：根据交易日期和寿命计算旧物的折旧率；根据用户上传和订单内提取的图片的相似度估计旧物的折损率；估计旧物的实际价值并计算出售价格的期望；
所述根据交易日期和寿命计算旧物的折旧率，具体包括：
获取旧物交易成功的日期，计算旧物的实际使用年限；查找物品的平均使用年限(寿命)，根据实际使用年限和平均使用年限(寿命)计算旧物的折旧率；判断计算的折损率是否超过预设的阈值，超过预设的阈值则以预设的阈值作为旧物的折旧率。
所述根据用户上传和订单内提取的图片的相似度估计旧物的折损率，具体包括：
开放旧物图片上传端口，提示用户对预出售的旧物拍照并上传；将用户上传的图片中按照旧物的轮廓抠图，与订单内提取的货物图片对比，使用卷积神经网络计算二者的相似度；根据图片的相似度，计算旧物的折损率。
所述估计旧物的实际价值并计算出售价格的期望，具体包括：
计算旧物的折旧率和折损率的加权平均值，作为旧物的损耗率；根据旧物的损耗率，计算旧物的实际价值；根据旧物的实际价值和旧物的出售概率，计算旧物出售价格的数学期望。
一种货物购买预测出售的方法其特征在于，所述系统包括：
获取用户购买的商品的原价；筛选用户历史交易订单内出售价值的数学期望值小于用户购买的商品原价且大于服务费的旧物；将符合条件的旧物加入二手出售打折服务窗口的备选项中；用户选定旧物并提交订单后，计算本次购物给予用户的折扣。
本发明实施例提供的技术方案可以包括以下有益效果：
为解决上述问题，本发明通过读取历史订单分析用户购物心理，进而判断是否为其提供二手货物回收服务；对提供该服务的用户提交的二手货物，根据其需求量预测出售概率，最后基于二手货物的出售概率和新旧程度，建立定价模型，计算二手货物出售价格的数学期望，给出打折幅度。有利于二手交易平台进行货物的推荐回收，实现资源的充分利用，减轻资源紧张的压力。
【附图说明】
图1为本发明的一种货物购买预测出售的方法的流程图。
图2为本发明的建立旧物定价模型的流程图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种货物购买预测出售的方法流程图。如图1所示，本实施例一种货物购买预测出售的方法具体可以包括：
步骤101，构建包含货物类别、旧物替换存在性和使用年限的货物信息系统。
爬取网购平台的商品数据，按照类别建立商品清单；对各大二手交易平台的卖家发起线上问卷，搜索平台上架的货物信息，判断各类货物是否存在旧物替换；对于存在旧物替换的货物，收集平均使用年限(寿命)数据。
问卷调查结合二手市场的流通性判断货物是否存在旧物替换。
对各大二手交易平台的卖家发起线上问卷调查货物是否存在旧物替换；统计问卷结果，标记超过一定数量的卖家认为存在旧物替换的货物；到各大二手交易平台搜索标记的货物，验证其在二手交易市场的流通性，进一步判断货物的旧物替换存在性。若超过60％的卖家认为货物存在旧物替换，则标记对应货物；例如：70％的卖家认为鞋子存在旧物替换，则初步判断鞋子的购买具有替代性；到各大二手交易平台搜索具体鞋子，发现平台有大量鞋子出售，因此确定鞋子的购买具有替代性。
获取货物平均使用年限(寿命)。
根据问卷调查结果和在二手市场的流通性综合判断货物存在旧物替换后，统计各大品牌货物的使用年限(寿命)；对统计的各大品牌货物的使用年限求平均值，计算货物的平均使用年限(寿命)。例如：手机的主流品牌包括小米、OPPO、vivo、华为、三星、苹果，经统计，这些品牌的手机使用三年的用户大约占50％，因此可以认为手机的平均使用年限(寿命)为三年。
步骤102，根据用户历史订单数据判断其购物心理。
在用户授权同意的情况下，读取用户历史订单，提取货物名称的关键字、交易完成日期和货物的图片信息；根据读取的订单信息，统计在物品平均使用年限(寿命)内购买相同物品的总次数；根据在物品平均使用年限(寿命)内购买相同物品的次数。
读取用户历史订单并提取货物信息。
询问用户是否同意平台读取个人的订单信息，在用户授权同意后，读取用户的历史订单信息，筛选其中交易成功的订单；对交易成功的所有订单，提取货物名称的关键字、交易完成日期和货物的图片信息。例如：索尼ZV-E10L微单相机、佳能EOS-R6微单相机和徕卡Q2全画幅数码相机的关键字为相机。
根据历史订单统计在使用年限内的购买相同货物的次数。
根据货物名称的关键字，判断其所属货物类别；根据货物的所属类别，筛选存在旧物替换的货物；根据所属类别的货物的平均使用年限(寿命)，统计每件货物自交易成功之日起，平均使用年限(寿命)内，购买关键字相同的货物的总次数。例如：某用户于2012年1月1日、2013年1月1日和2014年1月1日分别购买了一台小米手机、一台OPPO手机和一台苹果手机，这三件货物的关键字和所属类别都是手机，且存在旧物替换；手机的平均使用年限(寿命)为三年，对于该用户于2012年1月1日购买的小米手机，在其平均使用年限(2012年1月1日-2015年1月1日)内，购买过两台手机；同理，对于该用户于2013年1月1日购买的OPPO手机，在其平均使用年限(寿命)内，购买过一台手机；因此，该用户在使用年限内的购买手机的次数为3。
根据使用年限内的购买相同货物的次数判断用户购物心理。
对于关键字相同的货物，在其平均使用年限内购买的次数>＝预设的阈值，判定用户的购物心理为冲动型；对于关键字相同的货物，在其平均使用年限内购买的次数<预设的阈值，判定用户的购物心理为理智型。在平均使用年限内购买关键字相同的货物的原因可能是货物质量存在问题或使用不当等导致其实际使用年限低于平均使用年限，不能因用户偶然出现平均使用年限内购买关键字相同的货物的行为而判断其购物心理为冲动型，故预设的阈值建议为3。例如：用户在使用年限内的购买相同货物的次数为2，可判断该用户的购物心理为理智型。
步骤103，根据货物需求量预测货物出售概率。
统计货物在各大二手交易平台总收藏人数；对各大二手交易平台的数据以平台的市场份额作为权值求加权平均；建立偏大型柯西分布，根据货物的需求量预测货物的出售概率。
根据货物在各大二手交易市场的收藏人数估计货物需求量。
在各大二手交易平台搜索货物，统计已上架的所有货物中，货物的总收藏人数；参考权威网站数据，确定各大二手交易平台的市场份额；根据市场份额，对各大二手交易平台的货物收藏人数求加权平均值，作为该货物的需求量。使用各大二手交易平台的市场份额作为计算货物收藏人数的加权平均值的权值；例如：闲鱼、转转、找靓机和爱回收是目前市面上主流的二手交易平台，假定四大平台所占的市场份额分别为40％、30％、20％和10％；经搜索，某款手机在这三大二手交易平台中，假定所有已上架的商品的总收藏人数分别为200、150、120和60，则这款手机的需求量为200*40％+150*30％+120*20％+60*10％＝155。
建立偏大型柯西分布模型并根据需求量预测货物出售概率。
根据二手交易平台成交订单的需求量的规律，建立偏大型柯西分布模型，求解模型的参数；将货物的需求量代入分布模型中，预测货物的出售概率；搜索各大平台近期成功交易的货物信息，检验模型的准确性，修正模型的参数。货物能否出售取决于市场的需求，需求量越大，货物的出售概率就越高；引用柯西分布函数模型，能根据需求合理地预测出货物出售的概率；由于货物出售的概率与需求量呈正相关，故选用偏大型柯西分布函数计算货物出售概率，偏大型柯西分布函数的解析式：
Figure BDA0003723184150000061
假定当货物的需求量小于10时，货物出售的概率为0，则表达式中的a取10；估计两种需求量不同的货物的出售概率，代入分布函数中，求解方程组，即可确定函数解析式中的α和β参数；将货物的需求量代入分布函数中即可计算出货物出售的概率。
步骤104，判断是否提供二手出售打折业务。
根据用户的购物心理的类型，初步判断是否为用户提供二手出售打折业务；符合条件的用户，检索其历史订单内交易成功的货物，根据货物出售的概率，进一步判断是否为用户提供二手出售打折业务；若存在出售概率>＝预设的阈值的货物，则为其提供二手出售打折业务。预设的阈值建议为60％，可根据平台的预期以及二手货物的套现情况调整；例如：只为由系统判定为冲动型购物心理的用户提供二手出售打折业务；若系统判定某用户的购物心理冲动型，且该用户的历史交易成功的订单中存在一台出售概率为65％的相机和一部出售概率为70％的手机，则为该用户提供二手出售打折业务。当该用户在平台购买物品时，系统会弹出二手出售打折服务的窗口，且出售备选项中会出现这部相机和手机。
步骤105，建立旧物定价模型。
根据旧物交易成功的日期，计算旧物的实际使用年限，结合物品的平均使用年限(寿命),估计旧物的折旧程度；对比用户上传的旧物图片，与订单内提取的货物图片对比，估计旧物的折损程度；综合旧物的折旧和折损程度，估计旧物的价值；根据旧物的价值和出售的概率，计算旧物出售的价格期望。
根据交易日期和寿命计算旧物的折旧率。
获取旧物交易成功的日期，计算旧物的实际使用年限；查找物品的平均使用年限(寿命)，根据实际使用年限和平均使用年限(寿命)计算旧物的折旧率；判断计算的折损率是否超过预设的阈值，超过预设的阈值则以预设的阈值作为旧物的折旧率。旧物无论折旧程度如何，均存在价值，二手交易市场通常规定，折旧率超过80％，按80％计算，因此预设的阈值为80％；折旧率的计算公式：折旧率＝实际使用年限/平均使用年限(寿命)*100％；例如：经检索，某用户的订单中存在一台于2013年1月1日交易成功的手机，假设现在的日期是2015年6月15日，两个日期相减可以得到这台手机的实际使用年限为895天；手机的平均使用年限(寿命)为三年，则这台手机的折旧率＝895/(3*365)*100％＝81.74％，则这台手机的折旧率为80％。
根据用户上传和订单内提取的图片的相似度估计旧物的折损率。
开放旧物图片上传端口，提示用户对预出售的旧物拍照并上传；将用户上传的图片中按照旧物的轮廓抠图，与订单内提取的货物图片对比，使用卷积神经网络计算二者的相似度；根据图片的相似度，计算旧物的折损率。对用户上传的旧物图，需要检测其是否对图片的信息进行过修改，若检测到用户对图片的信息进行过修改，则提示其重新上传图片，否则无法进行后续操作；检测通过后，读取图片的创建日期，判断创建日期是否为现在的日期，若不是当天的日期，则提示用户必须上传今天拍摄的旧物照片，否则无法进行后续操作；日期检测通过后，对图像进行相应处理，调用算法计算用户上传的旧物图片和订单提取的货物图片的相似度；折损率的计算公式：折损率＝(1-相似度)*100％。
估计旧物的实际价值并计算出售价格的期望。
计算旧物的折旧率和折损率的加权平均值，作为旧物的损耗率；根据旧物的损耗率，计算旧物的实际价值；根据旧物的实际价值和旧物的出售概率，计算旧物出售价格的数学期望。损耗率的计算公式：损耗率＝α*折旧率+β*折损率，其中α+β＝1；α和β的取值建议为0.3和0.7，可根据实际调整；实际价值的计算公式：实际价值＝物品购置价*(1-损耗率)；出售价格的数学期望的计算公式：出售价格的数学期望＝实际价值*出售概率。
步骤106，根据旧物出售价格的期望计算购物打折幅度。
获取用户购买的商品的原价；筛选用户历史交易订单内出售价值的数学期望值小于用户购买的商品原价且大于服务费的旧物；将符合条件的旧物加入二手出售打折服务窗口的备选项中；用户选定旧物并提交订单后，计算本次购物给予用户的折扣。二手出售打折业务满足恒等式：商品原价+服务费＝用户实际付款+旧物出售价格的数学期望；用户实际付款＝商品原价*折扣；根据以上等式关系，得出折扣计算公式：折扣＝1-(旧物出售价格的数学期望-服务费)/商品原价。例如：某用户在平台购买一台价格3000元的手机，该用户选定了一台出售价格的数学期望为300元的旧手机，平台规定每次二手出售打折服务的服务费为20元，则本次二手出售打折服务给该用户提供的折扣＝1-(300-20)/3000＝0.906。

Claims (7)

1.一种货物购买预测出售的方法，其特征在于，所述方法包括：
构建包含货物类别、旧物替换存在性和使用年限的货物信息系统，所述构建包含货物类别、旧物替换存在性和使用年限的货物信息系统，具体包括：问卷调查结合二手市场的流通性判断货物是否存在旧物替换，获取货物平均使用年限(寿命)；根据用户历史订单数据判断其购物心理，所述根据用户历史订单数据判断其购物心理，具体包括：读取用户历史订单并提取货物信息，根据历史订单统计在使用年限内的购买相同货物的次数，根据使用年限内的购买相同货物的次数判断用户购物心理；根据货物需求量预测货物出售概率，所述根据货物需求量预测货物出售概率，具体包括：根据货物在各大二手交易市场的收藏人数估计货物需求量，建立偏大型柯西分布模型并根据需求量预测货物出售概率；判断是否提供二手出售打折业务；建立旧物定价模型，所述建立旧物定价模型，具体包括：根据交易日期和寿命计算旧物的折旧率，根据用户上传和订单内提取的图片的相似度估计旧物的折损率，估计旧物的实际价值并计算出售价格的期望；根据旧物出售价格的期望计算购物打折幅度。
2.根据权利要求1所述的方法，其中，所述构建包含货物类别、旧物替换存在性和使用年限的货物信息系统，包括:
爬取网购平台的商品数据，按照类别建立商品清单；对各大二手交易平台的卖家发起线上问卷，搜索平台上架的货物信息，判断各类货物是否存在旧物替换；对于存在旧物替换的货物，收集平均使用年限(寿命)数据；包括：问卷调查结合二手市场的流通性判断货物是否存在旧物替换；获取货物平均使用年限(寿命)；
所述问卷调查结合二手市场的流通性判断货物是否存在旧物替换，具体包括:
对各大二手交易平台的卖家发起线上问卷调查货物是否存在旧物替换；统计问卷结果，标记超过一定数量的卖家认为存在旧物替换的货物；到各大二手交易平台搜索标记的货物，验证其在二手交易市场的流通性，进一步判断货物的旧物替换存在性；
所述获取货物平均使用年限(寿命)，具体包括:
根据问卷调查结果和在二手市场的流通性综合判断货物存在旧物替换后，统计各大品牌货物的使用年限(寿命)；对统计的各大品牌货物的使用年限求平均值，计算货物的平均使用年限(寿命)。
3.根据权利要求1所述的方法，其中，所述根据用户历史订单数据判断其购物心理，包括:
在用户授权同意的情况下，读取用户历史订单，提取货物名称的关键字、交易完成日期和货物的图片信息；根据读取的订单信息，统计在物品平均使用年限(寿命)内购买相同物品的总次数；根据在物品平均使用年限(寿命)内购买相同物品的次数；包括：读取用户历史订单并提取货物信息；根据历史订单统计在使用年限内的购买相同货物的次数；根据使用年限内的购买相同货物的次数判断用户购物心理；
所述读取用户历史订单并提取货物信息，具体包括:
询问用户是否同意平台读取个人的订单信息，在用户授权同意后，读取用户的历史订单信息，筛选其中交易成功的订单；对交易成功的所有订单，提取货物名称的关键字、交易完成日期和货物的图片信息；
所述根据历史订单统计在使用年限内的购买相同货物的次数，具体包括:
根据货物名称的关键字，判断其所属货物类别；根据货物的所属类别，筛选存在旧物替换的货物；根据所属类别的货物的平均使用年限(寿命)，统计每件货物自交易成功之日起，平均使用年限(寿命)内，购买关键字相同的货物的总次数；
所述根据使用年限内的购买相同货物的次数判断用户购物心理，具体包括:
对于关键字相同的货物，在其平均使用年限内购买的次数>＝预设的阈值，判定用户的购物心理为冲动型；对于关键字相同的货物，在其平均使用年限内购买的次数<预设的阈值，判定用户的购物心理为理智型。
4.根据权利要求1所述的方法，其中，所述根据货物需求量预测货物出售概率，包括:
统计货物在各大二手交易平台总收藏人数；对各大二手交易平台的数据以平台的市场份额作为权值求加权平均；建立偏大型柯西分布，根据货物的需求量预测货物的出售概率；包括：根据货物在各大二手交易市场的收藏人数估计货物需求量；建立偏大型柯西分布模型并根据需求量预测货物出售概率；
所述根据货物在各大二手交易市场的收藏人数估计货物需求量，具体包括:
在各大二手交易平台搜索货物，统计已上架的所有货物中，货物的总收藏人数；参考权威网站数据，确定各大二手交易平台的市场份额；根据市场份额，对各大二手交易平台的货物收藏人数求加权平均值，作为该货物的需求量；
所述建立偏大型柯西分布模型并根据需求量预测货物出售概率，具体包括:
根据二手交易平台成交订单的需求量的规律，建立偏大型柯西分布模型，求解模型的参数；将货物的需求量代入分布模型中，预测货物的出售概率；搜索各大平台近期成功交易的货物信息，检验模型的准确性，修正模型的参数。
5.根据权利要求1所述的方法，其中，所述判断是否提供二手出售打折业务，包括:
根据用户的购物心理的类型，初步判断是否为用户提供二手出售打折业务；符合条件的用户，检索其历史订单内交易成功的货物，根据货物出售的概率，进一步判断是否为用户提供二手出售打折业务；若存在出售概率>＝预设的阈值的货物，则为其提供二手出售打折业务。
6.根据权利要求1所述的方法，其中，所述建立旧物定价模型，包括:
根据旧物交易成功的日期，计算旧物的实际使用年限，结合物品的平均使用年限(寿命),估计旧物的折旧程度；对比用户上传的旧物图片，与订单内提取的货物图片对比，估计旧物的折损程度；综合旧物的折旧和折损程度，估计旧物的价值；根据旧物的价值和出售的概率，计算旧物出售的价格期望；包括：根据交易日期和寿命计算旧物的折旧率；根据用户上传和订单内提取的图片的相似度估计旧物的折损率；估计旧物的实际价值并计算出售价格的期望；
所述根据交易日期和寿命计算旧物的折旧率，具体包括:
获取旧物交易成功的日期，计算旧物的实际使用年限；查找物品的平均使用年限(寿命)，根据实际使用年限和平均使用年限(寿命)计算旧物的折旧率；判断计算的折损率是否超过预设的阈值，超过预设的阈值则以预设的阈值作为旧物的折旧率；
所述根据用户上传和订单内提取的图片的相似度估计旧物的折损率，具体包括:
开放旧物图片上传端口，提示用户对预出售的旧物拍照并上传；将用户上传的图片中按照旧物的轮廓抠图，与订单内提取的货物图片对比，使用卷积神经网络计算二者的相似度；根据图片的相似度，计算旧物的折损率；
所述估计旧物的实际价值并计算出售价格的期望，具体包括:
计算旧物的折旧率和折损率的加权平均值，作为旧物的损耗率；根据旧物的损耗率，计算旧物的实际价值；根据旧物的实际价值和旧物的出售概率，计算旧物出售价格的数学期望。
7.根据权利要求1所述的方法，其中，所述根据旧物出售价格的期望计算购物打折幅度，包括:
获取用户购买的商品的原价；筛选用户历史交易订单内出售价值的数学期望值小于用户购买的商品原价且大于服务费的旧物；将符合条件的旧物加入二手出售打折服务窗口的备选项中；用户选定旧物并提交订单后，计算本次购物给予用户的折扣。
CN202210768919.XA 2022-06-30 2022-06-30 一种货物购买预测出售的方法 Pending CN114971083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210768919.XA CN114971083A (zh) 2022-06-30 2022-06-30 一种货物购买预测出售的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210768919.XA CN114971083A (zh) 2022-06-30 2022-06-30 一种货物购买预测出售的方法

Publications (1)

Publication Number Publication Date
CN114971083A true CN114971083A (zh) 2022-08-30

Family

ID=82967649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210768919.XA Pending CN114971083A (zh) 2022-06-30 2022-06-30 一种货物购买预测出售的方法

Country Status (1)

Country Link
CN (1) CN114971083A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI826043B (zh) * 2022-10-12 2023-12-11 緯創資通股份有限公司 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI826043B (zh) * 2022-10-12 2023-12-11 緯創資通股份有限公司 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體

Similar Documents

Publication Publication Date Title
CN113139857B (zh) 电子商务平台商家店铺智能管理方法、系统、设备和计算机存储介质
US20160217509A1 (en) Apparatus and method for management of electronic receipts and evaluation of the fair market value of goods based on free-form descriptions of goods and shoppers buying habits
Greenstein-Messica et al. Personal price aware multi-seller recommender system: Evidence from eBay
JP6442535B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
KR102222159B1 (ko) 빅데이터에 기반하여 일반인의 상품 트렌드와 사용자성향을 분석하여 최적의 상품정보를 추천하는 상품정보 추천서버 및 그 상품정보 추천방법
EP3757932A1 (en) Systems and methods for facilitating e-commerce product returns using orders for returned items
WO2022151923A1 (zh) 一种商品文案处理方法、装置、电子设备、介质和程序
CN117333233A (zh) 一种基于ai的目标导向电子商务广告推送方法
KR102334404B1 (ko) 상품 추천 서버 및 그 제어방법
CN112036985A (zh) 一种电商经营的营销系统
CN113393245A (zh) 基于电商运营数据识别刷单店铺的预警方法及系统
CN116739652A (zh) 一种服装电商销量预测建模方法
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN117391820A (zh) 一种SaaS服务综合管理方法及系统
CN114971083A (zh) 一种货物购买预测出售的方法
CN111415208A (zh) 基于逆推方法和动态定价模型的新产品定价系统及方法
CN116611796B (zh) 一种店铺交易数据的异常检测方法及装置
CN116109336A (zh) 一种电商店铺推广数据分析管理方法、系统及存储介质
Chee et al. Data Analytics Approach for Short-term Sales Forecasts Using Limited Information in E-commerce Marketplace
CN110889716A (zh) 识别潜在注册用户的方法及装置
CN115689646A (zh) 一种广告推送方法及其相关产品
CN114626888A (zh) 网络购物平台的恶意刷单行为预测方法
CN114925261A (zh) 关键词确定方法、装置、设备、存储介质及程序产品
CN114648389A (zh) 一种电子商务信息处理系统
CN113095914A (zh) 一种电子商务平台订单管理方法、系统、设备和计算机存储介质

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