CN115271884A - 一种基于多源数据的商品选品方法、装置及电子设备 - Google Patents

一种基于多源数据的商品选品方法、装置及电子设备 Download PDF

Info

Publication number
CN115271884A
CN115271884A CN202210964428.2A CN202210964428A CN115271884A CN 115271884 A CN115271884 A CN 115271884A CN 202210964428 A CN202210964428 A CN 202210964428A CN 115271884 A CN115271884 A CN 115271884A
Authority
CN
China
Prior art keywords
sales
sales potential
commodity
potential evaluation
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
CN202210964428.2A
Other languages
English (en)
Inventor
韦泰丞
陈浩
王吉斌
白森
黄飞杰
朱皓然
李宁
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.)
China Tobacco Guangxi Industrial Co Ltd
Original Assignee
China Tobacco Guangxi Industrial 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 China Tobacco Guangxi Industrial Co Ltd filed Critical China Tobacco Guangxi Industrial Co Ltd
Priority to CN202210964428.2A priority Critical patent/CN115271884A/zh
Publication of CN115271884A publication Critical patent/CN115271884A/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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]
    • G06Q30/0623—Item investigation

Landscapes

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

Abstract

本发明公开了一种基于多源数据的商品选品方法、装置及电子设备，商品选品方法通过对多种目标源数据进行融合，根据数据融合结果构建待选品商品对应的不同类型的预设销售潜力评估函数，根据不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果，将不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到待选品商品的预测销售潜力值，利用待选品商品的预测销售潜力值、每一个零售店的柜台容量以及所述待选品商品的体积构建所述待选品商品对应的目标价值函数，根据所述目标价值函数的目标计算结果进行商品选品。

Description

一种基于多源数据的商品选品方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于多源数据的商品选品方法、装置及电子设备。
背景技术
如何结合人工智能、大数据、云计算等技术进行传统业务经验的更新并为消费者提供精准优质的服务，已经成为实体零售店能在竞争激烈的市场上取得核心竞争力的关键法宝，卷烟零售店也不例外。目前大部分卷烟零售店的卷烟进货选品存在目标卷烟消费者不明确，无法精准定位把什么类型的卷烟产品卖给什么样的目标卷烟消费者，并且店员对于卷烟产品的上架全凭经验，无法准确识别卷烟消费者的需求。对于卷烟零售店来说卷烟产品选择也是重要而且不可避免的环节，但是由于卷烟零售店多是个人经营，负责的卷烟产品数量庞大，在日常进货和上架时卷烟零售店无法做到优中选优、或者局部选优，进而无法全盘布局，导致资源无法合理配置。因此亟需提出一种新的商品选品方法。
发明内容
因此，本发明要解决的技术问题在于克服现有在商品选品中对商品资源进行合理配置的缺陷，从而提供一种基于多源数据的商品选品方法、装置及电子设备。
根据第一方面，本发明实施例公开了一种基于多源数据的商品选品方法，包括：获取待选品商品对应的多种目标源数据，所述多种目标源数据包括：所述待选品商品对应的零售店属性数据、所述零售店所在位置目标区域范围内的消费者画像数据、所述待选品商品与对应的零售店之间的融合数据以及所述零售店所在位置目标区域范围内的兴趣点数据；根据所述零售店属性数据中包含的零售店的地理位置数据，将不同地理位置的零售店与其对应的所述消费者画像数据、所述融合数据以及所述兴趣点数据进行数据融合处理，得到每一个零售店对应的数据融合结果；根据多个零售店对应的数据融合结果构建所述待选品商品对应的不同类型的预设销售潜力评估函数；根据所述不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果；将所述不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值；获取每一个所述零售店的柜台容量以及所述待选品商品的体积；利用所述待选品商品的预测销售潜力值、每一个所述零售店的柜台容量以及所述待选品商品的体积构建所述待选品商品对应的目标价值函数；根据所述目标价值函数的目标计算结果进行商品选品。
本发明提供的基于多源数据的商品选品方法，通过对多种目标源数据进行融合，根据数据融合结果构建待选品商品对应的不同类型的预设销售潜力评估函数，根据不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果，将不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到待选品商品的预测销售潜力值，利用待选品商品的预测销售潜力值、每一个零售店的柜台容量以及待选品商品的体积构建所述待选品商品对应的目标价值函数，根据所述目标价值函数的目标计算结果进行商品选品，为不同的零售店提供针对性的进货选品方法，减轻了店员进货选品的工作量，并且为目标消费者提供了所需商品，有效克服了传统选品方法存在的主观且盲目的缺点，提高了零售店商品订单转化率。
可选地，所述不同类型的销售潜力评估函数包括基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数。
通过上述方法，确定不同类型的销售潜力评估函数包括基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数，便于后续根据不同类型的销售潜力评估函数对待选品商品进行销售潜力评估，得到不同类型的评估结果。
可选地，所述根据所述不同类型的销售潜力评估函数对待选品商品进行销售潜力评估，得到不同销售潜力评估函数对应的销售潜力评估结果，包括：根据所述融合数据中包含的待选品商品的历史销量和销售额计算所述待选品商品的销售评分；获取影响待选品商品销售的特征值；根据所述待选品商品的销售评分确定特征序列，并根据基于待选品商品历史记录的销售潜力评估函数、所述特征序列、所述影响待选品商品销售的特征值对所述待选品商品进行销售潜力评估，得到第一预测序列；根据所述第一预测序列和所述特征序列构建第一多维数组，对所述多维数据进行标准化处理；将标准化处理后的第一多维数组输入到所述基于交叉特征的销售潜力评估函数，得到第二预测序列；根据所述第二预测序列构建第二多维数组，并将所述第二预测序列输入到所述基于回归树的销售潜力评估函数中，得到第三预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。
通过上述方法，利用基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数对待选品商品进行销售潜力评估，得到不同的预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。
可选地，将所述不同销售潜力评估函数对应的不同销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值，包括：将所述第一预测序列、所述第二预测序列以及所述第三预测序列进行融合，得到所述待选品商品的预测销售潜力值。
通过上述方法，将根据基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数对待选品商品进行销售潜力评估的到的评估结果进行融合，得到待选品商品的预测销售潜力值，融合三种销售潜力评估方法得到的待选品商品的预测销售潜力值的准确里更高，销售潜力评估的效果比用单一方法具有更强的泛化性和有效性。
可选地，将所述第一预测序列、第二预测序列以及所述第三预测序列进行融合，得到所述待选品商品的预测销售潜力值，包括通过下式进行得到所述待选品商品的预测销售潜力值：
Figure BDA0003793403540000041
其中，di表示第i个销售潜力评估函数对应的正确率的权重分配值，acci表示第i个销售潜力评估函数的评估正确率，n表示影响待选品商品销售的特征值的数量，T表示待选品商品的预测销售潜力值，表示第i个销售潜力评估函数，Tn+i表示第i个销售潜力评估函数对应的预测序列。
根据第二方面，本发明实施例还公开了一种基于多源数据的商品选品方法装置，包括：第一获取模块，用于获取待选品商品对应的多种目标源数据，所述多种目标源数据包括：所述待选品商品对应的零售店属性数据、所述零售店所在位置目标区域范围内的消费者画像数据、所述待选品商品与对应的零售店之间的融合数据以及所述零售店所在位置目标区域范围内的兴趣点数据；数据融合模块，用于根据所述零售店属性数据中包含的零售店的地理位置数据，将不同地理位置的零售店与其对应的所述消费者画像数据、所述融合数据以及所述兴趣点数据进行数据融合处理，得到每一个零售店对应的数据融合结果；第一构建模块，用于根据多个零售店对应的数据融合结果构建所述待选品商品对应的不同类型的预设销售潜力评估函数；销售潜力评估模块，用于根据所述不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果；评估结果融合模块，用于将所述不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值；第二获取模块，用于获取每一个所述零售店的柜台容量以及所述待选品商品的体积；第二构建模块，用于利用所述待选品商品的预测销售潜力值、每一个所述零售店的柜台容量以及所述待选品商品的体积构建所述待选品商品对应的目标价值函数；选品模块，用于根据所述目标价值函数的目标计算结果进行商品选品。
本发明提供的基于多源数据的商品选品装置，通过对多种目标源数据进行融合，根据数据融合结果构建待选品商品对应的不同类型的预设销售潜力评估函数，根据不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果，将不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到待选品商品的预测销售潜力值，利用待选品商品的预测销售潜力值、每一个零售店的柜台容量以及待选品商品的体积构建所述待选品商品对应的目标价值函数，根据所述目标价值函数的目标计算结果进行商品选品，为不同的零售店提供针对性的进货选品方法，减轻了店员进货选品的工作量，并且为目标消费者提供了所需商品，有效克服了传统选品方法存在的主观且盲目的缺点，提高了零售店商品订单转化率。
可选地，所述不同类型的销售潜力评估函数包括基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数。
可选地，所述销售潜力评估模块，包括：计算子模块，用于根据所述融合数据中包含的待选品商品的历史销量和销售额计算所述待选品商品的销售评分；获取子模块，用于获取影响待选品商品销售的特征值；第一评估子模块，用于根据所述待选品商品的销售评分确定特征序列，并根据基于待选品商品历史记录的销售潜力评估函数、所述特征序列、所述影响待选品商品销售的特征值对所述待选品商品进行销售潜力评估，得到第一预测序列；处理子模块，用于根据所述第一预测序列和所述特征序列构建第一多维数组，对所述多维数据进行标准化处理；第一确定子模块，用于将标准化处理后的第一多维数组输入到所述基于交叉特征的销售潜力评估函数，得到第二预测序列；第二确定子模块，用于根据所述第二预测序列构建第二多维数组，并将所述第二预测序列输入到所述基于回归树的销售潜力评估函数中，得到第三预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。
根据第三方面，本发明实施例还公开了一种电子设备，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执行如第一方面或第一方面任一可选实施方式所述的基于多源数据的商品选品方法的步骤。
根据第四方面，本发明实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的基于多源数据的商品选品方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中基于多源数据的商品选品方法的一个具体示例的流程图；
图2为本发明实施例中基于多源数据的商品选品装置的一个具体示例的原理框图；
图3为本发明实施例中电子设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例公开了一种基于多源数据的商品选品方法，可应用于零售店商品选品系统，本申请实施例以卷烟零售店的选品为例对本申请实施例记载的基于多源数据的商品选品方法进行说明，如图1所示，该方法包括如下步骤：
步骤101，获取待选品商品对应的多种目标源数据，所述多种目标源数据包括：所述待选品商品对应的零售店属性数据、所述零售店所在位置目标区域范围内的消费者画像数据、所述待选品商品与对应的零售店之间的融合数据以及所述零售店所在位置目标区域范围内的兴趣点数据。
示例性地，待选品商品对应的零售店属性数据可以包括但不限于经过授权的零售店名称、店铺类型、卷烟零售店面积、卷烟货架容量、零售店所在地理位置的经纬度、零售店所在城市、零售店所在区域、零售店详细地址等。零售店所在位置目标区域范围内的消费者画像数据可以包括但不限于经过授权的零售店的目标区域范围内的消费者的年龄段分布、职业分布、性别分布、消费水平、到访偏好等字段。本申请实施例中，由于卷烟零售店属性数据中能代表卷烟零售店特征的指标较少且比较粗糙，因此需要通过卷烟零售店周边的人群画像对卷烟零售店特征进行补充。待选品商品与对应的零售店之间的融合数据可以包括但不限于经过授权的商品零售店的商品销售数据，具体包括零售店名称、零售店所在地理位置的经纬度、对应商品名称、商品描述、商品分类、商品品牌、商品价格、商品销量、商品销售额、销售时间等字段，本申请实施例中，卷烟零售店卷烟产品融合数据能为推荐算法提供各个卷烟产品在不同卷烟零售店的销售信息，将作为卷烟进货选品推荐算法的基础数据。零售店所在位置目标区域范围内的兴趣点数据可以包括零售店的目标区域范围内的兴趣点分布，具体包括购物服务、写字楼、住宅小区、医院、教育服务、交通设施等领域建筑所在地理位置的经纬度信息。通过分析购物中心、住宅小区、写字楼、学校、医院等兴趣点的分布情况，有利于了解卷烟零售店所在区域的人口结构，例如，当附近的写字楼较多时就会形成办公区。本申请实施例中对该零售店所在位置目标区域范围的大小不作限定，本领域技术人员可以根据实际需要确定。
步骤102，根据所述零售店属性数据中包含的零售店的地理位置数据，将不同地理位置的零售店与其对应的所述消费者画像数据、所述融合数据以及所述兴趣点数据进行数据融合处理，得到每一个零售店对应的数据融合结果。示例性地，融合处理过程可以包括但不限于根据零售店的地理位置数据将不同地理位置的零售店与其对应的消费者画像数据、融合数据以及兴趣点数据进行匹配，得到每一个零售店对应的数据融合结果。
步骤103，根据多个零售店对应的数据融合结果构建所述待选品商品对应的不同类型的预设销售潜力评估函数。示例性地，对多个零售店对应的数据融合结果进行多次迭代和计算，得到不同类型的预设销售潜力评估函数。
步骤104，根据所述不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果。示例性地，不同预设销售潜力评估函数可以用来对待选品商品进行销售潜力预测，根据不同预设销售潜力评估函数对待选品商品进行预测可以得到对应的销售潜力评估结果。
步骤105，将所述不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值。示例性地，将不同销售潜力评估函数对应的销售潜力评估结果进行融合处理过程可以包括但不限于根据不同预设销售潜力评估函数的评估正确率对其对应的不同销售潜力评估结果分配不同的权重，对于正确率低的评估函数得到的评估结果给予更低的权重，而正确率更高的评估函数得到的评估结果给予更高的权重，最终得到待选品商品的预测销售潜力值。
步骤106，获取每一个所述零售店的柜台容量以及所述待选品商品的体积。示例性的，零售店的柜台容量可以包括但不限于零售店的柜台或货架的容量。
步骤107，利用所述待选品商品的预测销售潜力值、每一个所述零售店的柜台容量以及所述待选品商品的体积构建所述待选品商品对应的目标价值函数。
示例性地，待选品商品对应的目标价值函数可以用来求解待选品商品的总价值，本申请实施例中，对于零售卷烟零售店来说，由于卷烟零售柜台(卷烟货架)容量有限，且卷烟产品的选取不能是单一品类或者品牌，不同卷烟零售店对每种品类或品牌摆放的卷烟产品数量都有不同的要求。在给定一组卷烟产品(n个)，每种卷烟产品都有自己的体积(wi)和价值(销售潜力，用vi表示)，因此需要在给定的总容量(卷烟零售柜台的容量，用C表示)，Qi表示是否推荐对应的待选品商品，例如，选择若干种卷烟产品，将不推荐的卷烟产品选0，推荐的卷烟产品选1，将选品操作转换成数字语言，便于计算机计算和统计，通过计算机设计选品方案使得所有卷烟产品的总价值最高。本申请实施例中，给定正整数{(wi,vi)，其中1≤i≤n，给定正整数C，需要求解价值函数的最大值，则有：
目标函数：
Figure BDA0003793403540000091
Figure BDA0003793403540000092
步骤108，根据所述目标价值函数的目标计算结果进行商品选品。
示例性地，目标价值函数的目标计算结果可以包括但不限于目标价值函数的最大值，求解目标价值函数的最大值可以表示待选品商品的总价值的最大值，本申请实施例中，如果通过贪婪算法来求解目标价值函数的最大值，就会优先添加性价比最高的物品，但是这种方式可能造成空间的浪费，从而无法达到全局最优，因此本申请实施例将通过动态规划的思想求解目标价值函数的最大值。动态规划是通过组合子问题的解来求解原问题，即将问题划分为互不相交的子问题，递归地求解子问题，再将它们的解组合起来，求解出原问题的解。动态规划的关键是状态转移方程，即如何由已求出的局部最优解来推导全局最优解。定义dp[i][j]表示前i个卷烟产品的体积不超过j能达到的最大价值，设第i件物品的体积为wi，价值为vi，根据第i件卷烟产品是否添加到零售店中的目标储物空间中，可以分为以下两种情况讨论：
1.假设第i件卷烟产品没添加到目标储物空间，则当前最大价值为：
dp[i][j]＝dp[i-1][j] (3)
2.假设把第i件卷烟产品添加到目标储物空间中，则当前最大价值为：
dp[i][j]＝dp[o-1][j-wi]+vi (4)
第i件卷烟产品可添加也可以不添加，取决于哪种情况下总价值更大。因此，卷烟产品组合价值函数的状态转移方程为：
dp[i][j]＝max(dp[i-1][j]，dp[i-1][j-wi]+vi) (5)
零售店商品选品系统是具有可视化界面的操作系统，卷烟零售店卷烟进货选品推荐查询功能可以是零售店商品选品系统的最终产出成果的页面，整个系统的核心功能在该页面完全体现。页面上的操作功能比较简单，支持根据单个卷烟零售店的编码或者名称进行选品推荐列表的查询。查询结果可以最多返回1000个卷烟产品信息，返回字段包含了推荐排序、卷烟产品编码、卷烟产品名称、卷烟产品品牌、卷烟产品类目和卷烟产品在卷烟零售店的销售价格。
本发明提供的基于多源数据的商品选品方法，通过对多种目标源数据进行融合，根据数据融合结果构建待选品商品对应的不同类型的预设销售潜力评估函数，根据不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果，将不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到待选品商品的预测销售潜力值，利用待选品商品的预测销售潜力值、每一个零售店的柜台容量以及待选品商品的体积构建所述待选品商品对应的目标价值函数，根据所述目标价值函数的目标计算结果进行商品选品，为不同的零售店提供针对性的进货选品方法，减轻了店员进货选品的工作量，并且为目标消费者提供了所需商品，有效克服了传统选品方法存在的主观且盲目的缺点，提高了零售店商品订单转化率。
作为本发明一个可选实施方式，所述不同类型的销售潜力评估函数包括基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数。
示例性地，对多个零售店对应的数据融合结果通过现有的回归树算法、交叉特征算法以及历史数据序列算法进行多次迭代和计算，得到基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数。
基于回归树的销售潜力评估函数的数学表达式如下式(6)、(7)、(8)所示：
Figure BDA0003793403540000111
Figure BDA0003793403540000112
Figure BDA0003793403540000113
式(6)中，hi表示多个零售店对应的数据融合结果中的第i个融合数据(也可称为样本i)，
Figure BDA0003793403540000114
表示第t次迭代之后对样本i的预测结果，k为迭代次数，fk(hi)为第k棵树的模型预测结果，f表示计算基尼指数，ft(hi)是第t棵树的模型预测结果，
Figure BDA0003793403540000118
是第t次迭代之后对样本i的预测结果；式(7)中，f表示计算基尼指数，k表示回归树模型中第k个特征，pk表示样本i属于第k个特征的概率，式(8)中，Obj表示目标函数，
Figure BDA0003793403540000115
是模型的损失函数，
Figure BDA0003793403540000116
指的是整个模型对第i个样本的预测值，yi是第i个样本的真实值，
Figure BDA0003793403540000117
为全部的t棵树的复杂度求和，这里可以当作函数中的正则化项，j为回归树模型中第j棵树。
基于交叉特征的销售潜力评估函数的数学表达式如下式(8)所示：
a(i+1)＝f(W(i)a(i)+b(i)) (9)
式(9)中，i是层数，f是激活函数，a(i)，b(i)和W(i)是第i层激活、偏置和模型权重。
基于待选品商品历史记录的销售潜力评估函数的数学表达式如下式(10)所示：
Figure BDA0003793403540000121
式(10)中，U表示用户，e1,e2,…,eH表示影响卷烟零售店卷烟产品销售的特征值(用户U的行为物品，用户购买了物品即用户U的行为物品)对应的embedding向量列表，embedding在神经网络中用于处理稀疏数据到密集矩阵的过程，探寻稀疏矩阵下数据之间的关联情况，本申请实施例中将大量的用户行为物品进行embedding处理，提取特征之间的关联情况，转化方式采用全连接层的进行，也称为查表操作。H是用户行为物品个数，vU(A)是A的embedding，a(*)是一个前神经网络，它的输出作为激活去权重a(ej,vA)，最后作用于ej上。除了两个嵌入向量外，a(*)还增加了两个映射后的向量的外积输入到子网模型。
通过本实施例的方法，确定不同类型的销售潜力评估函数包括基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数，便于后续根据不同类型的销售潜力评估函数对待选品商品进行销售潜力评估，得到销售潜力评估函数对应的销售潜力评估结果。
作为本发明一个可选实施方式，步骤104包括：根据所述融合数据中包含的待选品商品的历史销量和销售额计算所述待选品商品的销售评分。具体地，通过卷烟产品销售额和销量计算各卷烟零售店卷烟产品的销售评分，得到的销售评分将作为预测目标，销售评分计算逻辑如下式(11)、(12)、(13)所示，其中，n表示卷烟产品去重数，ci表示第i个卷烟产品的销量，si表示第i个卷烟产品的销售额，xi表示卷烟产品销售评分，
Figure BDA0003793403540000122
表示第i个卷烟产品的平均销量，
Figure BDA0003793403540000123
表示第i个卷烟产品的平均销售额。
Figure BDA0003793403540000131
Figure BDA0003793403540000132
Figure BDA0003793403540000133
获取影响待选品商品销售的特征值。具体地，影响待选品商品销售的特征值可以包括但不限于商品价格、商品规格、零售店周边人群购买力、商品零售店周边零售网点数量。
根据所述待选品商品的销售评分确定特征序列，并根据基于待选品商品历史记录的评估函数、所述特征序列、所述影响待选品商品销售的特征值对所述待选品商品进行销售潜力评估，得到第一预测序列。具体地，本申请实施例中，根据卷烟产品销售评分xi确定特征序列S＝{x1,x2,…xn}，根据影响卷烟零售店卷烟产品销售的特征值包括卷烟产品价格、卷烟产品规格、卷烟零售店周边人群购买力、卷烟零售店周边卷烟零售网点数量等共n个特征，分别记为T1、T2、T2、T3、…Tn，假设经过基于商品历史数据的销售潜力评估函数计算后得到的第一预测序列为Tn+1，计算过程如下式所示：
Figure BDA0003793403540000134
式(9)中，Φ表示基于商品历史数据的销售潜力评估函数，如式(10)中的vU，S(m)为前m个销售评分数据，S(q)为后q个销售评分数据，S(m)、S(q)和式(10)中的A是同一类型的变量。
根据所述第一预测序列和所述特征序列构建第一多维数组，对所述多维数据进行标准化处理。具体地，根据第一预测序列Tn+1加入到特征序列S得到第一多维数组M＝{S,T1,…,Tn,Tn+1}，对第一多维数组M标准化处理，采用数据缩放法进行标准化处理，将数据的数值特征转换成一些标准的格式，使其与其他属性处于相同的范围内，此过程叫标准化。
将标准化处理后的第一多维数组输入到所述基于交叉特征的评估函数，得到第二预测序列。具体地，经过标准化后输入到基于交叉特征的销售潜力评估函数Δ中，得到卷烟产品销售第二预测序列Tn+2，如下式(10)所示：
Figure BDA0003793403540000141
式(10)中，Δ基于交叉特征的销售潜力评估函数，Δ相当于式(9)中的a(i+1)，Tn+1(m)表示第n+1个特征序列的前m行，Tn+1(q)表示n+1第个特征序列的后q行，k表示抽样的商品数据集的样本总量。
根据所述第二预测序列构建第二多维数组，并将所述第二预测序列输入到所述基于回归树的销售潜力评估函数中，得到第三预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。具体地，将第二预测序列加入到多维数组M＝{S,T1,…,Tn,Tn+1，Tn+2}，然后输入到基于回归树的销售潜力评估函数Ψ中，Ψ相当于式(6)中的
Figure BDA0003793403540000142
得到卷烟产品销售第三预测序列Tn+3，如下式(11)所示：
Figure BDA0003793403540000143
通过上述方法，利用基于回归树的评估函数、基于交叉特征的评估函数以及基于待选品商品历史记录的评估函数对待选品商品进行销售潜力评估，得到不同的预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。
作为本发明的一个可选实施方式，所述待选品商品的预测销售潜力值通过下式计算得到：
Figure BDA0003793403540000144
其中，di表示第i个销售潜力评估函数对应的正确率的权重分配值，acci表示第i个销售潜力评估函数的评估正确率，n表示影响待选品商品销售的特征值的数量，T表示待选品商品的预测销售潜力值，i表示第i个销售潜力评估函数，Tn+i表示第i个销售潜力评估函数对应的预测序列。
作为本发明一个可选实施方式，步骤105包括：将所述第一预测序列、所述第二预测序列以及所述第三预测序列进行融合，得到所述待选品商品的预测销售潜力值。具体地，第一预测序列Tn+1、第二预测序列Tn+2以及第三预测序列Tn+3对应的销售潜力评估函数的正确率计算出相应的权重值，正确率的计算指标可以包括但不限于综合评价指标(F-Measure)，F-Measure值＝正确率*召回率*2/(正确率+召回率)，正确率为判断为真或假当中判断正确的比例，召回率表示在所有为真的数据中，经过预测也判断为真的比例。根据第一预测序列Tn+1、第二预测序列Tn+2以及第三预测序列Tn+3和其对应的销售潜力评估函数正确率的相应权重值，计算得到待选品商品的预测销售潜力值T，计算过程如式(12)所示，其中i表示第i个销售潜力评估函数，acci表示第i个销售潜力评估函数的评估正确率，n表示影响待选品商品销售的n个特征值，di表示第i个销售潜力评估函数正确率的权重分配值，T表示待选品商品的预测销售潜力值：
Figure BDA0003793403540000151
其中，i表示第i个销售潜力评估函数，acci表示第i个销售潜力评估函数的评估正确率，n表示影响待选品商品销售的特征值的数量，di表示第i个销售潜力评估函数正确率的权重分配值，T表示待选品商品的预测销售潜力值，Tn+i表示第i个销售潜力评估函数对应的预测序列，Tn+1表示第一预测序列，Tn+2表示第二预测序列，Tn+3表示第三预测序列。
本申请实施例中，将三种不同的销售潜力评估函数的评估效果进行比对，如表1所示。
表1
Figure BDA0003793403540000152
Figure BDA0003793403540000161
综上，融合三种不同的销售潜力评估函数之后的由原来单一算法的平均准确率0.54提升到0.65，提升了20％，因此说明组合模型在卷烟产品销售潜力评估的效果比用单一算法具有更强的泛化性和有效性。
为了验证卷烟进货选品系统的有效性，在系统试运营期间，将把30家卷烟零售店按区域与卷烟零售店属性分为测试卷烟零售店与对照卷烟零售店，并对其进行销售情况的对比。
(一)对比内容
同一家卷烟零售店，在使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统前后铺货的卷烟产品列表是否有所不同。
同一区域的两家同类型的卷烟零售店，使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统的卷烟零售店与使用固定模板选品的卷烟零售店，其卷烟产品列表是否存在差异。
不同区域的两家同类型的卷烟零售店，使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统推荐的卷烟产品列表是否存在差异。
同一家卷烟零售店，在使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统前后销售情况是否有所提升。
同一区域的两家同类型的卷烟零售店，使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统的卷烟零售店的销售情况是否优于使用固定模板选品的卷烟零售店的销售情况。
同一卷烟零售店，在使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统前后库存周转率是否有所提升。
同一区域的两家同类型的卷烟零售店，使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统的卷烟零售店的库存周转速度是否比使用固定模板选品的卷烟零售店的快。
(二)测试卷烟零售店与对照卷烟零售店的选取原则
测试卷烟零售店与对照卷烟零售店需要属于同一类型的卷烟零售店，因为不同类型卷烟零售店的运营人员配置不同、卷烟零售店面积与卷烟货架设计不同、交易规模不同，会导致销售情况不在一个数量级上，因此不具备可比性。
模拟数据：
模型拟合能力反映了模型在测试数据上的表现，实际业务应用中还需要在进行对比测试来衡量模型在实际的效果。对于卷烟零售店来说，就是对同类型卷烟零售店采取人工卷烟进货选品和运用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统的效果进行评估，具体测试方法为：
同一时间段内，挑选地理区位、人流量、店铺类型、店面大小均对应的卷烟零售店，分别选取卷烟进货选品推荐的卷烟产品和零售店人工挑选的卷烟产品，两组卷烟产品以相同的价格出售、相同位置摆放，测试两组卷烟产品的销售情况。本研究收集来自A市、B市、C市、D市、E市的不同地理区位、人流量、店铺类型、店面大小商户各6家，共30家卷烟零售店A年度第三季度的店铺SKU(库存进出计量的基本单元)数据和销售数据。对比结果显示，采用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统的卷烟零售店因其灵活多变、因地制宜的卷烟进货选品策略达到增强对目标消费者的吸引力的效果，进一步提高消费单价，从而大幅度提升卷烟零售店的利润。各卷烟零售店较上季度相比，客单价平均提升9％，利润平均提升5％，库存周转率平均提升12％。根据对照组的模型的验证结果来看，该模型的预测结果与实际情况拟合情况非常好，与模型拟合时的稳定性基本保持了一致。系统已经可给到卷烟零售店使用，具备推广的价值。
使用执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统在连续运行3个月后，选取第三季度与第二季度的运营数据进行对比。以下对比数据是选取30家中的4家卷烟零售店的销售情况进行说明，测试卷烟零售店与对照卷烟零售店各2家。
一、测试卷烟零售店与对照卷烟零售店选品情况对比结果如表2所示：
表2
Figure BDA0003793403540000181
从卷烟零售店选品的数量变化角度来看，同一区域、同一类型的测试卷烟零售店与对照卷烟零售店的卷烟产品数量和卷烟品牌数量存在差异，并且使用选品系统的卷烟零售店比使用固定模型选品的卷烟零售店在卷烟产品数量上平均增加了44％，在卷烟品牌数量上平均增长了35％，说明选品模型推荐的卷烟产品更具备多样性。
二.测试卷烟零售店与对照卷烟零售店销售情况对比结果如表3所示：
表3
Figure BDA0003793403540000182
Figure BDA0003793403540000191
从测试卷烟零售店和对照卷烟零售店的销售数据表现来看，测试卷烟零售店在使用选品系统后，自身的各项销售指标都有明显增长，其中客单价平均增长了9％左右，利润平均增长了5％，并且测试卷烟零售店的各项销售指标均高于对照卷烟零售店，其中客单价增长率高出约3～4倍，利润增长率高出4～5倍。因此，可以确认选品系统在销售额提升上的有效性。
三.测试卷烟零售店与对照卷烟零售店库存周转率对比结果如表4所示：
表4
卷烟零售店 城市 试运营类型 库存周转率增长
a零售店 A市 测试卷烟零售店 12.14％
b零售店 A市 对照卷烟零售店 0.13％
c零售店 B市 测试卷烟零售店 11.98％
d零售店 B市 对照卷烟零售店 -1.39％
从测试卷烟零售店和对照卷烟零售店的库存周转率来看，测试卷烟零售店的库存周转率均有明显提升，平均提升了12％，而B市的对照卷烟零售店甚至出现了负增长的情况。因此，说明使用选品系统后加快了卷烟零售店库存周转的速度。
随着信息化的飞速发展，消费者在消费行为中产生的数据反映了消费者喜爱偏好和购买模式，也使得相关数据积累已达到一定的规模。本发明实施例提供的方法将利用卷烟零售店目前的卷烟零售店销售数据、卷烟产品生产日期、保质期、销售数量信息、平均销售时间信息、剩余卷烟产品库存数量信息、促销信息以及卷烟零售店周边人群信息如年龄、收入水平、消费额度、消费习惯等等信息进行绑定进行关联并存储于后台数据，结合大数据计算的个性化选品模型来实现卷烟进货选品推荐结果，为卷烟零售店端提供较为可靠的选品算法策略。
通过在对应地区零售店的测试和运行，执行上述实施例提供的基于多源数据的商品选品方法的卷烟进货选品系统已经取得了一些显著的效果。相对未采用该系统的其他卷烟零售店，测试卷烟零售店的客单价提升9％，利润提升5％，库存周转率提升12％，各项指标均高于同期其他卷烟零售店。测试结果再一次证明了该卷烟进货选品系统能够较好挑选合适的卷烟组合产品，辅助卷烟零售店实现更高效、更合理的卷烟进货选品方案的应用，进而提升其基础运营能力，也有助于该系统在对应地区卷烟零售店的推广和实施。
本发明实施例还公开了一种基于多源数据的商品选品方法装置，如图2所示，该装置包括：包括：第一获取模块201，用于获取待选品商品对应的多种目标源数据，所述多种目标源数据包括：所述待选品商品对应的零售店属性数据、所述零售店所在位置目标区域范围内的消费者画像数据、所述待选品商品与对应的零售店之间的融合数据以及所述零售店所在位置目标区域范围内的兴趣点数据；数据融合模块202，用于根据所述零售店属性数据中包含的零售店的地理位置数据，将不同地理位置的零售店与其对应的所述消费者画像数据、所述融合数据以及所述兴趣点数据进行数据融合处理，得到每一个零售店对应的数据融合结果；第一构建模块203，用于根据多个零售店对应的数据融合结果构建所述待选品商品对应的不同类型的预设销售潜力评估函数；销售潜力评估模块204，用于根据所述不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果；评估结果融合模块205，用于将所述不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值；第二获取模块206，用于获取每一个所述零售店的柜台容量以及所述待选品商品的体积；第二构建模块207，用于利用所述待选品商品的预测销售潜力值、每一个所述零售店的柜台容量以及所述待选品商品的体积构建所述待选品商品对应的目标价值函数；选品模块208，用于根据所述目标价值函数的目标计算结果进行商品选品。
本发明提供的基于多源数据的商品选品方法装置，通过对多种目标源数据进行融合，根据数据融合结果构建待选品商品对应的不同类型的预设销售潜力评估函数，根据不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果，将不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到待选品商品的预测销售潜力值，利用待选品商品的预测销售潜力值、每一个零售店的柜台容量以及待选品商品的体积构建所述待选品商品对应的目标价值函数，根据所述目标价值函数的目标计算结果进行商品选品，为不同的零售店提供针对性的进货选品方法，减轻了店员进货选品的工作量，并且为目标消费者提供了所需商品，有效克服了传统选品方法存在的主观且盲目的缺点，提高了零售店商品订单转化率。
作为本发明一个可选实施方式，所述不同类型的销售潜力评估函数包括基于回归树的评估函数、基于交叉特征的评估函数以及基于待选品商品历史记录的评估函数。
作为本发明一个可选实施方式，所述销售潜力评估模块，包括：计算子模块，用于根据所述融合数据中包含的待选品商品的历史销量和销售额计算所述待选品商品的销售评分；获取子模块，用于获取影响待选品商品销售的特征值；第一评估子模块，用于根据所述待选品商品的销售评分确定特征序列，并根据基于待选品商品历史记录的评估函数、所述特征序列、所述影响待选品商品销售的特征值对所述待选品商品进行销售潜力评估，得到第一预测序列；处理子模块，用于根据所述第一预测序列和所述特征序列构建第一多维数组，对所述多维数据进行标准化处理；第一确定子模块，用于将标准化处理后的第一多维数组输入到所述基于交叉特征的评估函数，得到第二预测序列；第二确定子模块，用于根据所述第二预测序列构建第二多维数组，并将所述第二预测序列输入到所述基于回归树的销售潜力评估函数中，得到第三预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。
作为本发明一个可选实施方式，所述评估结果融合模块，包括：融合子模块，用于将所述第一预测序列、所述第二预测序列以及所述第三预测序列进行融合，得到所述待选品商品的预测销售潜力值。
作为本发明一个可选实施方式，所述待选品商品的预测销售潜力值通过下式得到：
Figure BDA0003793403540000221
其中，di表示第i个销售潜力评估函数对应的正确率的权重分配值，acci表示第i个销售潜力评估函数的评估正确率，n表示影响待选品商品销售的特征值的数量，T表示待选品商品的预测销售潜力值，表示第i个销售潜力评估函数，Tn+i表示第i个销售潜力评估函数对应的预测序列。
本发明实施例还提供了一种电子设备，如图3所示，该电子设备可以包括处理器401和存储器402，其中处理器401和存储器402可以通过总线或者其他方式连接，图3中以通过总线连接为例。
处理器401可以为中央处理器(Central Processing Unit，CPU)。处理器401还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器402作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于多源数据的商品选品方法方法对应的程序指令/模块。处理器401通过运行存储在存储器402中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于多源数据的商品选品方法方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器401所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至处理器401。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器402中，当被所述处理器401执行时，执行如图1所示实施例中的基于多源数据的商品选品方法方法。
上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于多源数据的商品选品方法，其特征在于，包括：
获取待选品商品对应的多种目标源数据，所述多种目标源数据包括：所述待选品商品对应的零售店属性数据、所述零售店所在位置目标区域范围内的消费者画像数据、所述待选品商品与对应的零售店之间的融合数据以及所述零售店所在位置目标区域范围内的兴趣点数据；
根据所述零售店属性数据中包含的零售店的地理位置数据，将不同地理位置的零售店与其对应的所述消费者画像数据、所述融合数据以及所述兴趣点数据进行数据融合处理，得到每一个零售店对应的数据融合结果；
根据多个零售店对应的数据融合结果构建所述待选品商品对应的不同类型的预设销售潜力评估函数；
根据所述不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果；
将所述不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值；
获取每一个所述零售店的柜台容量以及所述待选品商品的体积；
利用所述待选品商品的预测销售潜力值、每一个所述零售店的柜台容量以及所述待选品商品的体积构建所述待选品商品对应的目标价值函数；
根据所述目标价值函数的目标计算结果进行商品选品。
2.根据权利要求1所述的方法，其特征在于，所述不同类型的销售潜力评估函数包括基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数。
3.根据权利要求2所述的方法，其特征在于，根据所述不同类型的销售潜力评估函数对待选品商品进行销售潜力评估，得到不同销售潜力评估函数对应的销售潜力评估结果，包括：
根据所述融合数据中包含的待选品商品的历史销量和销售额计算所述待选品商品的销售评分；
获取影响待选品商品销售的特征值；
根据所述待选品商品的销售评分确定特征序列，并根据基于待选品商品历史记录的销售潜力评估函数、所述特征序列、所述影响待选品商品销售的特征值对所述待选品商品进行销售潜力评估，得到第一预测序列；
根据所述第一预测序列和所述特征序列构建第一多维数组，对所述第一多维数据进行标准化处理；
将标准化处理后的第一多维数组输入到所述基于交叉特征的销售潜力评估函数，得到第二预测序列；
根据所述第二预测序列构建第二多维数组，并将所述第二预测序列输入到所述基于回归树的销售潜力评估函数中，得到第三预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。
4.根据权利要求3所述的方法，其特征在于，将所述不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值，包括：
将所述第一预测序列、所述第二预测序列以及所述第三预测序列进行融合，得到所述待选品商品的预测销售潜力值。
5.根据权利要求1所述的方法，其特征在于，所述待选品商品的预测销售潜力值通过下式计算得到：
Figure FDA0003793403530000021
其中，di表示第i个销售潜力评估函数对应的正确率的权重分配值，acci表示第i个销售潜力评估函数的评估正确率，n表示影响待选品商品销售的特征值的数量，T表示待选品商品的预测销售潜力值，i表示第i个销售潜力评估函数，Tn+i表示第i个销售潜力评估函数对应的预测序列。
6.一种基于多源数据的商品选品方法装置，其特征在于，包括：
第一获取模块，用于获取待选品商品对应的多种目标源数据，所述多种目标源数据包括：所述待选品商品对应的零售店属性数据、所述零售店所在位置目标区域范围内的消费者画像数据、所述待选品商品与对应的零售店之间的融合数据以及所述零售店所在位置目标区域范围内的兴趣点数据；
数据融合模块，用于根据所述零售店属性数据中包含的零售店的地理位置数据，将不同地理位置的零售店与其对应的所述消费者画像数据、所述融合数据以及所述兴趣点数据进行数据融合处理，得到每一个零售店对应的数据融合结果；
第一构建模块，用于根据多个零售店对应的数据融合结果构建所述待选品商品对应的不同类型的预设销售潜力评估函数；
销售潜力评估模块，用于根据所述不同类型的预设销售潜力评估函数对待选品商品进行销售潜力评估，得到不同预设销售潜力评估函数对应的销售潜力评估结果；
评估结果融合模块，用于将所述不同销售潜力评估函数对应的销售潜力评估结果进行融合处理得到所述待选品商品的预测销售潜力值；
第二获取模块，用于获取每一个所述零售店的柜台容量以及所述待选品商品的体积；
第二构建模块，用于利用所述待选品商品的预测销售潜力值、每一个所述零售店的柜台容量以及所述待选品商品的体积构建所述待选品商品对应的目标价值函数；
选品模块，用于根据所述目标价值函数的目标计算结果进行商品选品。
7.根据权利要求6所述的装置，其特征在于，所述不同类型的销售潜力评估函数包括基于回归树的销售潜力评估函数、基于交叉特征的销售潜力评估函数以及基于待选品商品历史记录的销售潜力评估函数。
8.根据权利要求7所述的装置，其特征在于，所述销售潜力评估模块，包括：
计算子模块，用于根据所述融合数据中包含的待选品商品的历史销量和销售额计算所述待选品商品的销售评分；
获取子模块，用于获取影响待选品商品销售的特征值；
第一评估子模块，用于根据所述待选品商品的销售评分确定特征序列，并根据基于待选品商品历史记录的销售潜力评估函数、所述特征序列、所述影响待选品商品销售的特征值对所述待选品商品进行销售潜力评估，得到第一预测序列；
处理子模块，用于根据所述第一预测序列和所述特征序列构建第一多维数组，对所述多维数据进行标准化处理；
第一确定子模块，用于将标准化处理后的第一多维数组输入到所述基于交叉特征的销售潜力评估函数，得到第二预测序列；
第二确定子模块，用于根据所述第二预测序列构建第二多维数组，并将所述第二预测序列输入到所述基于回归树的销售潜力评估函数中，得到第三预测序列，将不同的预测序列作为对应的销售潜力评估函数的销售潜力评估结果。
9.一种电子设备，其特征在于，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执行如权利要求1-5任一所述的基于多源数据的商品选品方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的基于多源数据的商品选品方法的步骤。
CN202210964428.2A 2022-08-11 2022-08-11 一种基于多源数据的商品选品方法、装置及电子设备 Pending CN115271884A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964428.2A CN115271884A (zh) 2022-08-11 2022-08-11 一种基于多源数据的商品选品方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964428.2A CN115271884A (zh) 2022-08-11 2022-08-11 一种基于多源数据的商品选品方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115271884A true CN115271884A (zh) 2022-11-01

Family

ID=83751658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964428.2A Pending CN115271884A (zh) 2022-08-11 2022-08-11 一种基于多源数据的商品选品方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115271884A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957750A (zh) * 2023-09-20 2023-10-27 苏州极易科技股份有限公司 商品包的生成方法、系统、存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957750A (zh) * 2023-09-20 2023-10-27 苏州极易科技股份有限公司 商品包的生成方法、系统、存储介质及电子设备
CN116957750B (zh) * 2023-09-20 2023-12-15 苏州极易科技股份有限公司 商品包的生成方法、系统、存储介质及电子设备

Similar Documents

Publication Publication Date Title
US11748379B1 (en) Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis
JP6111355B2 (ja) 中古車両価格設定データの分析、および提示のためのシステムおよび方法
Beladev et al. Recommender systems for product bundling
Roig-Tierno et al. The retail site location decision process using GIS and the analytical hierarchy process
US10366435B2 (en) Vehicle data system for rules based determination and real-time distribution of enhanced vehicle data in an online networked environment
US20180315059A1 (en) Method and system of managing item assortment based on demand transfer
Wu et al. User Value Identification Based on Improved RFM Model and K‐Means++ Algorithm for Complex Data Analysis
Scholz et al. Using PageRank for non-personalized default rankings in dynamic markets
JP2002279279A (ja) 商品推薦装置、商品推薦方法、及び商品推薦プログラム
US11762819B2 (en) Clustering model analysis for big data environments
JP2018139036A (ja) 分析装置
US20210166179A1 (en) Item substitution techniques for assortment optimization and product fulfillment
US11587028B2 (en) Computer system for optimizing garment inventory of retailer based on shapes of users
CN115271884A (zh) 一种基于多源数据的商品选品方法、装置及电子设备
WO2021065289A1 (ja) 店舗支援システム、店舗支援方法及びプログラム
Sharma et al. Best seller rank (bsr) to sales: An empirical look at amazon. com
WO2021065290A1 (ja) 店舗支援システム、学習装置、店舗支援方法、学習済みモデルの生成方法及びプログラム
Madani et al. Predicting Consumer Purchasing Decision in The Online Food Delivery Industry
US11869063B2 (en) Optimize shopping route using purchase embeddings
US11922476B2 (en) Generating recommendations based on descriptors in a multi-dimensional search space
Palupi et al. Indonesian pharmacy retailer segmentation using recency frequency monetary-location model and ant K-means algorithm
US20240257165A1 (en) System and method for estimating in-store demand based on online demand
CN117112912B (zh) 基于用户特征的餐饮内容个性化展示方法及系统
US20220318878A1 (en) Digital preferences based on physical store patterns
Pathan et al. Product recommendations system survey

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