CN115689617A - 一种基于大数据的零售商品销售数据统计分析系统 - Google Patents

一种基于大数据的零售商品销售数据统计分析系统 Download PDF

Info

Publication number
CN115689617A
CN115689617A CN202310005097.4A CN202310005097A CN115689617A CN 115689617 A CN115689617 A CN 115689617A CN 202310005097 A CN202310005097 A CN 202310005097A CN 115689617 A CN115689617 A CN 115689617A
Authority
CN
China
Prior art keywords
sales
store
target adjustment
evaluation index
region
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.)
Granted
Application number
CN202310005097.4A
Other languages
English (en)
Other versions
CN115689617B (zh
Inventor
曹凯峰
辜泽云
许壮壮
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.)
Beijing Beitest Digital Technology Co ltd
Original Assignee
Beijing Beitest Digital Technology 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 Beijing Beitest Digital Technology Co ltd filed Critical Beijing Beitest Digital Technology Co ltd
Priority to CN202310005097.4A priority Critical patent/CN115689617B/zh
Publication of CN115689617A publication Critical patent/CN115689617A/zh
Application granted granted Critical
Publication of CN115689617B publication Critical patent/CN115689617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于零售商品销售数据统计分析技术领域，具体公开提供的一种基于大数据的零售商品销售数据统计分析系统，该系统包括商品销售数据提取模块、销售地区销售状态解析模块、销售地区销售处理分析模块、销售信息库和销售处理反馈终端。本发明通过对零售商品在各销售区域进行销售状态分析，并根据销售状态进行销售策略分析，有效解决当前缺乏对地区层面进行分析的问题，大幅度提升了零售商品后续分区销售决策的精准性和合理性，为零售商品在各销售区域门店的扩增评估以及门店缩减评估提供了决策性的参考建议，同时还提升了零售商品市场的认知性和适应性，进而促进了零售商品在各销售区域的后续销售发展。

Description

一种基于大数据的零售商品销售数据统计分析系统
技术领域
本发明属于零售商品销售数据统计分析技术领域，涉及到一种基于大数据的零售商品销售数据统计分析系统。
背景技术
随着互联网技术的发展，零售行业的销售模式也随着发生了变更，从单一的线下门店或者线上店铺的销售模式逐渐演变成线上线下双边销售模式，在这种销售模式下衍生的销售数据也越来越多，为了保障零售商品的销售效益，需要对其销售数据进行统计和分析。
目前对零售商品销售数据进行统计与分析主要通过对其销售盈利情况或者用户消费数据进行统计与分析，主要服务与零售商品的库存管理和销售对象管理层，对零售商品的区域性信息以及门店层面信息较为匮乏，很显然，当前技术还存在以下几个方面的问题：1、当前对零售商品销售数据进行统计与分析的方式属于较为常规的分析方式，且没有进行线上线下结合分析，存在一定的局限性，对线上线下这种双边销售数据的利用率不高，不便于零售商品运营商对其运营规律的了解，从而无法提高零售商品销售的管理效果。
2、当前统计与分析维度集中在销售量以及销售收益，没有结合客流量以及销售达标情况等信息进行动态的统计分析，较为单一和片面，无法提高零售商品销售数据统计分析结果的参考性，也不便于零售商品管理人员对潜在销售市场的发掘，同时也无法保障零售销售销售变更的及时性以及可靠性。
3、零售商品的分区域销售作为零售商品的重要销售手段，而零售商品在不同分区的销售情况也决定了零售商品的后续分销计划，当前没有对零售商品所在分售区域进行区域信息分析和区域销售分析，无法提高零售商品分区销售决策的精准性以及合理性，也无法为零售商品在分区门店的扩增以及缩减提供决策性的参考建议。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种基于大数据的零售商品销售数据统计分析系统。
本发明的目的可以通过以下技术方案实现：本发明提供一种基于大数据的零售商品销售数据统计分析系统，包括：商品销售数据提取模块，用于提取指定零售商品对应各销售地区的关联线下销售数据和关联线上销售数据，将各销售地区按照设定顺序依次编号为
Figure 521562DEST_PATH_IMAGE002
。
销售地区销售状态解析模块，用于基于指定零售商品对应各销售地区的关联线下销售数据和关联线上销售数据，对指定零售商品对应各销售地区的销售状态进行解析，得到各销售地区对应的销售状态评估指数，进而得到各销售地区对应的销售状态。
销售地区销售处理分析模块，用于当某销售地区对应的销售状态为低迷状态或者活跃状态，将该销售地区记为目标调整地区，提取目标调整地区对应的编号，并对目标调整地区对应的销售策略进行解析，得到目标调整地区对应的销售调整策略。
销售信息库，用于存储各销售地区对应的中心区域位置以及各销售地区对应各划分区域的占地面积、位置、居民小区数目和新建居民小区数目，存储指定零售商品在各销售地区各销售年限对应设定的目标销售量和指定零售商品对应同类零售商品在各销售地区对应的现有销售门店数目，并存储单位门店缩减需求评估指数偏差对应的参照缩减门店数目和单位门店扩增需求评估指数偏差对应的参照扩增门店数目。
销售处理反馈终端，用于将目标调整地区对应的编号和目标调整地区对应的销售调整策略反馈至指定零售商品对应的销售管理人员。
优选地，所述关联线下销售数据包括销售门店数目、各销售门店的所在区域位置、各销售门店累计的销售年限以及各销售门店在各销售年限内各销售月份对应的综合销售量、综合消费客户量和综合客流量。
所述关联线上销售数据包括各销售门店对应的线上销售起始日期、各销售门店对应的线上累计销售订单数目、各销售门店对应的线上复购率以及各销售门店在各销售月份内对应的平均访问次数、平均访问人数和平均累计销售订单数目。
优选地，所述对指定零售商品对应各销售地区的销售状态进行解析，具体解析过程为：提取指定零售商品对应各销售地区的关联线下销售数据，统计得到各销售地区对应的综合线下销售量以及各销售地区在各销售年限内对应的线下销售达成率和线下销售达成比，分别记为
Figure 383339DEST_PATH_IMAGE004
表示销售地区编号，
Figure 79899DEST_PATH_IMAGE006
表示销售年限编号，
Figure 318114DEST_PATH_IMAGE008
。
提取指定零售商品对应各销售地区的关联线上销售数据，统计得到各销售地区对应的综合线上销售量、线上销售达成率和线上销售达成比，分别记为
Figure 291886DEST_PATH_IMAGE010
。
计算各销售地区对应的销售状态评估指数，并将其与设定的参照销售状态评估指数进行作差，得到各销售地区对应的销售评估指数差，进而得到各销售地区对应的销售状态，其中，销售状态包括活跃状态、平衡状态和低迷状态。
优选地，所述各销售地区对应的销售状态评估指数，具体计算公式为
Figure 823099DEST_PATH_IMAGE012
，其中，
Figure 6956DEST_PATH_IMAGE014
表示第
Figure 48861DEST_PATH_IMAGE016
个销售地区对应的销售状态评估指数。
上述中，
Figure 345982DEST_PATH_IMAGE018
分别表示为设定的销售量状态、销售成交状态对应的销售状态评估占比权重，
Figure 939774DEST_PATH_IMAGE020
为设定的销售状态评估占比权重因子，
Figure 220714DEST_PATH_IMAGE022
表示自然常数，
Figure 579494DEST_PATH_IMAGE024
分别表示为第
Figure 121333DEST_PATH_IMAGE026
个销售地区对应的销售量状态评估指数、销售成交状态评估指数。
Figure 495814DEST_PATH_IMAGE028
，
Figure 264050DEST_PATH_IMAGE030
为设定的销售量补偿因子，
Figure 772392DEST_PATH_IMAGE032
为设定的参考综合销售量阈值。
Figure 44104DEST_PATH_IMAGE034
，
Figure 353600DEST_PATH_IMAGE036
分别表示为设定的销售达成率、销售达成比对应的成交状态评估占比权重，
Figure 733766DEST_PATH_IMAGE038
表示销售年限数目，
Figure 390007DEST_PATH_IMAGE040
分别表示为设定的销售成交率补偿因子、销售成交达成比补偿因子，
Figure 47384DEST_PATH_IMAGE042
分别表示为设定的参照销售达成率、参照销售达成比。
优选地，所述对目标调整地区对应的销售策略进行解析，具体解析过程包括以下步骤：当目标调整地区对应的销售状态为低迷状态时，提取目标调整地区的关联线下销售数据和关联线上销售数据，解析得到目标调整地区的门店缩减需求评估指数，并将其与设定的参照门店缩减需求评估指数进行对比，确认目标调整地区对应的门店缩减策略。
当目标调整地区对应的销售状态为活跃状态时，基于目标调整地区的关联线下销售数据和关联线上销售数据，解析得到目标调整地区的门店扩张需求评估指数，将目标调整地区的门店扩张需求评估指数与设定的参照门店扩张需求评估指数进行对比，确认目标调整地区的门店扩张策略，并作为目标调整地区对应的销售调整策略。
优选地，所述目标调整地区的门店缩减需求评估指数，具体解析过程为：提取目标调整地区对应各销售门店的所在区域位置、累计的销售年限和线上销售起始日期，以此设定各销售门店对应销售干扰权重因子，记为
Figure 888301DEST_PATH_IMAGE044
表示销售门店编号，
Figure 631129DEST_PATH_IMAGE046
。
基于目标调整地区对应的关联线下销售数据，分析得到各销售门店对应的线下销售增长评估指数和线下客源稳定评估指数，分别记为
Figure 215694DEST_PATH_IMAGE048
，进而分析得到线下销售层面对应门店缩减评估需求指数，并记为
Figure 229043DEST_PATH_IMAGE050
。
基于目标调整地区对应的关联线上销售数据，分析得到各销售门店对应的线上销售增长评估指数和线上客源稳定评估指数，按照线下销售层面对应门店缩减评估指数的分析方式同理分析得到线上销售层面对应门店缩减需求评估指数，并记为
Figure 116228DEST_PATH_IMAGE052
。
依据分析公式
Figure 205406DEST_PATH_IMAGE054
分析得到目标调整地区的门店缩减需求评估指数
Figure 469028DEST_PATH_IMAGE056
分别表示为设定的线下销售层面、线上销售层面对应的评估占比权重，
Figure 835419DEST_PATH_IMAGE058
为设定的门店缩减需求评估修正因子，
Figure 923198DEST_PATH_IMAGE060
分别表示为设定的参照线下销售层面、参照线上销售层面对应的门店缩减需求评估指数。
优选地，所述线下销售层面对应门店缩减评估需求指数具体分析过程包括以下步骤：从各销售门店对应的线下销售增长评估指数中提取最高线下销售增长评估指数以及最低线下销售增长评估指数，作差得到线下销售增长评估指数最值差，记为
Figure 499673DEST_PATH_IMAGE062
。
按照线下销售增长评估指数最值差的分析方式同理分析得到线下客源稳定评估指数最值差，记为
Figure 566986DEST_PATH_IMAGE064
。
基于各销售门店对应的线下销售增长评估指数
Figure 787883DEST_PATH_IMAGE066
和各销售门店对应的线下客源稳定评估指数
Figure 407083DEST_PATH_IMAGE068
，依据公式
Figure 346221DEST_PATH_IMAGE070
分析得到线下销售层面对应门店缩减评估需求指数
Figure 100002_DEST_PATH_IMAGE072
分别表示为设定的线下销售增长、线下客源稳定、线下销售增长偏差、线下客源稳定偏差对应的线下缩减评估占比权重，
Figure 249848DEST_PATH_IMAGE074
分别表示为设定的参照线下销售增长评估指数、参照线下客源稳定评估指数、参照线下销售增长评估指数最值差、参照线下客源稳定评估指数最值差，
Figure 100002_DEST_PATH_IMAGE076
为设定的缩减评估修正因子。
优选地，所述确认目标调整地区对应的门店缩减策略，具体确认过程为：从目标调整地区对应的关联线下销售数据中提取各销售门店在各销售年限内各销售月份对应的综合销售量，统计得到目标调整地区对应的销售未达标占比，记为
Figure 100002_DEST_PATH_IMAGE078
，依据分析公式
Figure 100002_DEST_PATH_IMAGE080
分析得到门店缩减修正因子
Figure 100002_DEST_PATH_IMAGE082
为设定的参照销售未达标指数阈值，
Figure 100002_DEST_PATH_IMAGE084
为设定的浮动偏差补偿因子。
从销售信息库中提取单位门店缩减需求评估指数偏差对应的参照缩减门店数目，记为
Figure 100002_DEST_PATH_IMAGE086
，依据分析公式
Figure 100002_DEST_PATH_IMAGE088
计算得出目标调整地区对应的目标缩减门店数目
Figure 100002_DEST_PATH_IMAGE090
表示为设定的参照门店缩减需求评估指数阈值，将目标缩减门店数目作为目标调整地区对应的门店缩减策略。
优选地，所述解析得到目标调整地区的门店扩张需求评估指数，具体解析过程为：从销售信息库中定位出目标调整地区对应各划分区域的占地面积、居民小区数目和新建居民小区数目，分别记为
Figure 100002_DEST_PATH_IMAGE092
和
Figure 100002_DEST_PATH_IMAGE094
表示划分区域编号，
Figure 100002_DEST_PATH_IMAGE096
，依据分析公式
Figure 100002_DEST_PATH_IMAGE098
分析得到目标调整地区对应的门店可扩度
Figure 100002_DEST_PATH_IMAGE100
为设定的人员集中、人员新增对应的可扩评估占比权重，
Figure 100002_DEST_PATH_IMAGE102
分别表示为设定的参照人员集中度、参照人员新增比，
Figure 100002_DEST_PATH_IMAGE104
为设定的可扩评估修正因子。
从销售信息库中定位出目标调整地区对应各划分区域的位置，同时提取目标调整地区内各销售门店的所在区域位置，分析得到目标调整地区对应的门店占据密集度，并记为
Figure 100002_DEST_PATH_IMAGE106
。
从目标调整地区对应的关联线上销售数据中提取各销售门店对应的线上复购率，将其进行均值计算得到目标调整地区对应的平均线上复购率，记为
Figure 100002_DEST_PATH_IMAGE108
，依据分析公式
Figure 100002_DEST_PATH_IMAGE110
分析得到目标调整地区的门店扩张需求评估指数
Figure 100002_DEST_PATH_IMAGE112
分别表示为设定的门店占据密集度、线上复购率对应的门店扩张需求评估占比权重，
Figure 100002_DEST_PATH_IMAGE114
分别表示为设定的参照门店占据密集度、参照门店复购率。
优选地，所述确认目标调整地区的门店扩张策略，具体确认过程为：从销售信息库中提取指定零售商品对应同类零售商品在各销售地区对应的现有销售门店数目，进而得到指定零售商品对应同类商品在目标调整地区对应的已有门店数目，记为
Figure 100002_DEST_PATH_IMAGE116
，依据公式
Figure 100002_DEST_PATH_IMAGE118
分析得到各销售门店扩增修正因子
Figure 100002_DEST_PATH_IMAGE120
表示目标调整地区对应的销售门店数目，
Figure 100002_DEST_PATH_IMAGE122
为参照市场容纳门店数目，
Figure 100002_DEST_PATH_IMAGE124
为设定的市场门店数目浮动补偿因子。
从销售信息库中提取单位门店扩增需求评估指数偏差对应的参照扩增门店数目，记为
Figure 100002_DEST_PATH_IMAGE126
，依据分析公式
Figure 100002_DEST_PATH_IMAGE128
计算得出目标调整地区对应的目标扩增门店数目
Figure 100002_DEST_PATH_IMAGE130
表示为设定的参照门店扩增需求评估指数阈值，并将目标扩增门店数目作为目标调整地区的门店扩张策略。
相较于现有技术，本发明的有益效果如下：（1）本发明通过对零售商品在各销售区域进行销售状态分析，并根据销售状态进行销售策略分析，有效解决当前缺乏对地区层面进行分析的问题，大幅度提升了零售商品后续分区销售决策的精准性和合理性，为零售商品在各销售区域门店的扩增评估以及门店缩减评估提供了决策性的参考建议，同时还提升了零售商品市场的认知性和适应性，进而促进了零售商品在各销售区域的后续销售发展。
（2）本发明通过统计零售商品在线下以及线上销售量、销售达成率以及销售达成比信息，由此进行商品销售状态分析，克服了当前常规销售状态分析方式中的局限性和片面性，确保了线上线下双边销售数据的利用率，促进了零售商品运营商对其运营规律的了解，从而为零售商品管理人员对潜在销售市场的发掘提供了极大便利，进而保障零售商品销售策略变更的及时性以及可靠性，并且从另一层面而言不仅大幅度提高了零售商品销售的管理效果，还有效提高零售商品销售数据统计分析结果的参考性。
（3）本发明在进行扩增销售策略分析时，通过根据地区居民情况、门店占据情况以及人员复购情况这三大情况进行结合性分析，实现了零售商品门店扩增的多维度分析，确保了零售商品扩增评估结果的说服性和可靠性，从而有效保障了后续零售商品门店扩增策略的执行效果，并且还提高了零售商品市场占据的及时性，从而促进了零售商品管理人员对其潜在市场的把握度。
（4）本发明在进行缩减销售策略分析时，通过根据线下以及线上销售的增长评估指数以及客源稳定指数进行综合分析，增强了零售商品销售门店缩减评估的科学性和规范性，确保了零售商品运营管理人员对低迷销售地区处理的及时性，进而便于零售商品运营管理人员对销售低迷地区销售的及时止损，从而有效降低了零售商品销售的亏损度，维护了零售商品销售的投资回报率，同时从另一层面而言还缓解了零售商品的库存压力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明系统各模块连接示意图。
具体实施方式
下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
请参阅图1所示，本发明提供了一种基于大数据的零售商品销售数据统计分析系统，包括商品销售数据提取模块、销售地区销售状态解析模块、销售地区销售处理分析模块、销售信息库和销售处理反馈终端；其中，销售地区销售处理分析模块分别与商品销售数据提取模块、销售地区销售状态解析模块销售信息库和销售处理反馈终端连接，商品销售数据提取模块与销售地区销售状态解析模块连接。
所述商品销售数据提取模块，用于提取指定零售商品对应各销售地区的关联线下销售数据和关联线上销售数据，将各销售地区按照设定顺序依次编号为
Figure 100002_DEST_PATH_IMAGE132
。
具体地，关联线下销售数据包括销售门店数目、各销售门店的所在区域位置、各销售门店累计的销售年限以及各销售门店在各销售年限内各销售月份对应的综合销售量、综合消费客户量和综合客流量。
又一具体地，关联线上销售数据包括各销售门店对应的线上销售起始日期、各销售门店对应的线上累计销售订单数目、各销售门店对应的线上复购率以及各销售门店在各销售月份内对应的平均访问次数、平均访问人数和平均累计销售订单数目。
所述销售地区销售状态解析模块，用于基于指定零售商品对应各销售地区的关联线下销售数据和关联线上销售数据，对指定零售商品对应各销售地区的销售状态进行解析，得到各销售地区对应的销售状态评估指数，进而得到各销售地区对应的销售状态。
示例性地，对指定零售商品对应各销售地区的销售状态进行解析，具体解析过程为：A1、提取指定零售商品对应各销售地区的关联线下销售数据，统计得到各销售地区对应的综合线下销售量以及各销售地区在各销售年限内对应的线下销售达成率和线下销售达成比，分别记为
Figure 100002_DEST_PATH_IMAGE134
，
Figure 100002_DEST_PATH_IMAGE136
表示销售地区编号，
Figure DEST_PATH_IMAGE138
表示销售年限编号，
Figure DEST_PATH_IMAGE140
。
需要说明的是，各销售地区对应的综合线下销售量以及各销售地区在各销售年限内对应的线下销售达成率和销售达成比的具体统计过程包括以下步骤：从指定零售商品对应各销售地区的关联线下销售数据中提取各销售门店各销售年限内各销售月份对应的综合销售量，累加得到各销售地区对应的综合线下销售量。
从指定零售商品对应各销售地区的关联线下销售数据中提取各销售门店在各销售年限内各销售月份对应的综合消费客户量和综合客流量，分别累加得到各销售地区在各销售年限内对应的综合消费客户量和综合客流量。
依据分析公式
Figure DEST_PATH_IMAGE142
分析得到分析得到各销 售地区在各销售年限内对应的线下销售达成率。
依据分析公式
Figure DEST_PATH_IMAGE144
分析得到各销售地区在 各销售年限内对应的线下销售达成比。
A2、提取指定零售商品对应各销售地区的关联线上销售数据，统计得到各销售地区对应的综合线上销售量、线上销售达成率和线上销售达成比，分别记为
Figure DEST_PATH_IMAGE146
。
需要说明的是，各销售地区对应的综合线上销售量、线上销售达成率和线上销售达成比的具体统计过程包括以下步骤：从指定零售商品对应各销售地区的关联线上销售数据中提取各销售门店对应的线上累计销售订单数目，并作为各销售地区对应的综合线上销售量。
从指定零售商品对应各销售地区的关联线上销售数据中提取各销售门店在各销售月份内对应的平均访问次数和平均访问人数，分别累加得到各销售地区对应线上销售门店的累计综合访问次数和累计综合访问人数。
依据分析公式
Figure DEST_PATH_IMAGE148
分析得到各销售地区对 应的线上销售达成率。
依据分析公式
Figure DEST_PATH_IMAGE150
分析得到各销售地 区对应的线上销售达成比。
本发明实施例通过统计零售商品在线下以及线上销售量、销售达成率以及销售达成比信息，由此进行商品销售状态分析，克服了当前常规销售状态分析方式中的局限性和片面性，确保了线上线下双边销售数据的利用率，促进了零售商品运营商对其运营规律的了解，从而为零售商品管理人员对潜在销售市场的发掘提供了极大便利，进而保障零售商品销售策略变更的及时性以及可靠性，并且从另一层面而言不仅大幅度提高了零售商品销售的管理效果，还有效提高零售商品销售数据统计分析结果的参考性。
A3、计算各销售地区对应的销售状态评估指数，并将其与设定的参照销售状态评估指数进行作差，得到各销售地区对应的销售评估指数差，若某销售地区对应的销售评估指数差大于0，则判定该销售地区对应的销售状态为活跃状态，若某销售地区对应的销售评估指数差等于0，则判定该销售地区对应的销售状态为平衡状态，若某销售地区对应的销售状态评估指数小于0，则判定该销售地区对应的销售状态为低迷状态，由此进而得到各销售地区对应的销售状态。
进一步地，各销售地区对应的销售状态评估指数，具体计算公式为
Figure DEST_PATH_IMAGE152
，其中，
Figure DEST_PATH_IMAGE154
表示第
Figure DEST_PATH_IMAGE156
个销售地区对应的销售状态评估指数。
上述中，
Figure DEST_PATH_IMAGE158
分别表示为设定的销售量状态、销售成交状态对应的销售状态评估占比权重，
Figure DEST_PATH_IMAGE160
为设定的销售状态评估占比权重因子，
Figure 522654DEST_PATH_IMAGE162
表示自然常数，
Figure 719280DEST_PATH_IMAGE164
分别表示为第i个销售地区对应的销售量状态评估指数、销售成交状态评估指数。
Figure DEST_PATH_IMAGE166
，
Figure DEST_PATH_IMAGE168
为设定的销售量补偿因子，
Figure DEST_PATH_IMAGE170
为设定的参考综合销售量阈值。
Figure DEST_PATH_IMAGE172
，
Figure 785194DEST_PATH_IMAGE174
分别表示为设定的销售达成率、销售达成比对应的成交状态评估占比权重，
Figure DEST_PATH_IMAGE176
表示销售年限数目，
Figure DEST_PATH_IMAGE178
分别表示为设定的销售成交率补偿因子、销售成交达成比补偿因子，
Figure DEST_PATH_IMAGE180
分别表示为设定的参照销售达成率、参照销售达成比。
所述销售地区销售处理分析模块，用于当某销售地区对应的销售状态为低迷状态或者活跃状态，将该销售地区记为目标调整地区，提取目标调整地区对应的编号，并对目标调整地区对应的销售策略进行解析，得到目标调整地区对应的销售调整策略。
示例性地，对目标调整地区对应的销售策略进行解析，具体解析过程包括以下步骤：第一步、当目标调整地区对应的销售状态为低迷状态时，提取目标调整地区的关联线下销售数据和关联线上销售数据，解析得到目标调整地区的门店缩减需求评估指数，并将其与设定的参照门店缩减需求评估指数进行对比，确认目标调整地区对应的门店缩减策略。
可理解地，目标调整地区的门店缩减需求评估指数，具体解析过程为：B1、提取目标调整地区对应各销售门店的所在区域位置、累计的销售年限和线上销售起始日期，以此设定各销售门店对应销售干扰权重因子，记为
Figure 305562DEST_PATH_IMAGE182
表示销售门店编号，
Figure 625685DEST_PATH_IMAGE184
。
需要说明的是，设定各销售门店销售干扰权重因子，具体设定过程包括以下步骤：B1-1、从销售信息库中提取目标调整地区对应的中心区域位置，将目标调整地区内各销售门店的所在区域位置与其中心区域位置进行对比，得到各销售门店所在区域位置与中心区域位置之间的距离，并作为各销售门店对应的中心偏距，记为
Figure 462054DEST_PATH_IMAGE186
。
B1-2、基于各销售门店对应的线上销售起始日期，得到各销售门店对应的累计线上销售时长，记为
Figure 110204DEST_PATH_IMAGE188
。
B1-3、将各销售门店对应累计的销售年限记为
Figure 447644DEST_PATH_IMAGE190
，依据分析公式
Figure 996175DEST_PATH_IMAGE192
分析得到各销售门店销售干扰权重，
Figure 3445DEST_PATH_IMAGE194
分别表示为设定的中心偏距、销售年限、线上累计销售时长对应的干扰评估占比系数，
Figure 263525DEST_PATH_IMAGE196
分别表示为设定的销售适宜中心偏距、参照销售活跃销售年限、参照线上销售时长，
Figure DEST_PATH_IMAGE198
为设定常数，
Figure DEST_PATH_IMAGE200
。
B2、基于目标调整地区对应的关联线下销售数据，分析得到各销售门店对应的线下销售增长评估指数和线下客源稳定评估指数，分别记为
Figure DEST_PATH_IMAGE202
，进而分析得到线下销售层面对应门店缩减评估需求指数，并记为
Figure DEST_PATH_IMAGE204
。
需要说明的是，各销售门店对应的线下销售增长评估指数的具体分析过程包括以下步骤：以各销售月份为横坐标，以销售量为纵坐标，构建销售坐标系，由此将各销售门店在各销售年限内各销售月份对应的综合销售量导入构建的销售坐标系中，得到各销售门店在各销售年限对应的销售曲线图。
从各销售门店在各销售年限对应的销售曲线图中定位出极值点数目，并以各极值点所在位置将各销售门店在各销售年限对应的销售曲线图划分为各销售曲线段，进而从中定位出上升销售曲线段数目和下降销售曲线段数目，将两者作比得到各销售门店在各销售年限对应的上升销售曲线段比，并记为
Figure DEST_PATH_IMAGE206
。
需要解释的是，极值点是导数为零的点，即过此点与曲线相切且与x轴平行。
基于各销售门店在各销售年限对应的销售曲线图，得到各销售门店对应的销售斜率，并作为各销售门店在各销年限内对应的对应的销售增长速率，记为
Figure DEST_PATH_IMAGE208
。
从各销售门店在各销售年限对应的销售曲线图中定位出最高点位置与最低点位置之间的距离，并作为各销售门店在各销售年限对应的销售波动值，记为
Figure 871835DEST_PATH_IMAGE210
。
依据分析公式
Figure 41916DEST_PATH_IMAGE212
分析得到各销售门店对应的线下销售增长评估指数
Figure 954509DEST_PATH_IMAGE214
分别表示为设定的上升销售曲线段比、销售增长速率、销售波动值对应的评估占比权重，
Figure 967464DEST_PATH_IMAGE216
分别表示为设定的参照上升销售曲线比、参照销售增长速率、参照销售波动值，
Figure 20608DEST_PATH_IMAGE218
为设定的销售增长评估修正系数。
还需要说明的是，各销售门店对应的线下客源稳定评估指数，具体计算过程包括以下步骤：从目标调整地区对应的关联线下销售数据中提取各销售门店在各销售年限内各销售月份对应的综合消费客户量和综合客流量，累加得到目标调整地区各销售门店在各销售年限内对应的综合消费客户量和综合客流量，分别记为
Figure 779617DEST_PATH_IMAGE220
。
依据分析公式
Figure DEST_PATH_IMAGE222
分析得到各销售门店对应的线下客源稳定评估指数
Figure DEST_PATH_IMAGE224
分别表示为设定的消费客户量、综合客流量对应的客源稳定评估占比权重因子，
Figure DEST_PATH_IMAGE226
分别表示为第
Figure DEST_PATH_IMAGE228
个销售门店在第
Figure DEST_PATH_IMAGE230
个销售年限内对应的综合消费客户量、综合客流量，
Figure DEST_PATH_IMAGE232
分别为设定的参照消费客户偏差、参照客流量偏差。
进一步地，线下销售层面对应门店缩减评估需求指数具体分析过程包括以下步骤：B2-1、从各销售门店对应的线下销售增长评估指数中提取最高线下销售增长评估指数以及最低线下销售增长评估指数，作差得到线下销售增长评估指数最值差，记为
Figure DEST_PATH_IMAGE234
。
B2-2、按照线下销售增长评估指数最值差的分析方式同理分析得到线下客源稳定评估指数最值差，记为
Figure DEST_PATH_IMAGE236
。
B2-3、基于各销售门店对应的线下销售增长评估指数
Figure DEST_PATH_IMAGE238
和各销售门店对应的线下客源稳定评估指数
Figure 115308DEST_PATH_IMAGE240
，依据公式
Figure DEST_PATH_IMAGE242
分析得线下销售层面对应门店缩减评估需求指数
Figure DEST_PATH_IMAGE244
分别表示为设定的线下销售增长、线下客源稳定、线下销售增长偏差、线下客源稳定偏差对应的线下缩减评估占比权重，
Figure DEST_PATH_IMAGE246
分别表示为设定的参照线下销售增长评估指数、参照线下客源稳定评估指数、参照线下销售增长评估指数最值差、参照线下客源稳定评估指数最值差，
Figure DEST_PATH_IMAGE248
为设定的缩减评估修正因子。
B3、基于目标调整地区对应的关联线上销售数据，分析得到各销售门店对应的线上销售增长评估指数和线上客源稳定评估指数，按照线下销售层面对应门店缩减评估指数的分析方式同理分析得到线上销售层面对应门店缩减需求评估指数，并记为
Figure DEST_PATH_IMAGE250
。
需要说明的是，分析得到各销售门店对应的线上销售增长评估指数和线上客源稳定评估指数，具体分析过程包括以下步骤：从目标调整地区对应的关联线上销售数据中提取各销售门店在各销售月份内对应的平均累计销售订单数目和平均访问次数，分别记为
Figure DEST_PATH_IMAGE252
，
Figure DEST_PATH_IMAGE254
表示销售月份编号，
Figure DEST_PATH_IMAGE256
。
从各销售门店在各销售月份内对应的平均累计销售订单数目提取最高平均累计销售订单和最低平均累计销售订单，分别记为
Figure DEST_PATH_IMAGE258
和
Figure DEST_PATH_IMAGE260
，依据分析公式
Figure DEST_PATH_IMAGE262
分析得到各销售门店对应的线上销售增长评估指数
Figure DEST_PATH_IMAGE264
表示为第
Figure DEST_PATH_IMAGE266
个销售门店在第
Figure DEST_PATH_IMAGE268
个销售月份对应的平均累计销售订单数目，
Figure DEST_PATH_IMAGE270
分别表示为设定的许可销售订单数目偏差、参照销售订单数目极限差。
从销售门店在各销售月份内对应的平均访问次数中提取最低平均访问次数，记为
Figure DEST_PATH_IMAGE272
，依据分析公式
Figure 366292DEST_PATH_IMAGE274
分析得到各销售门店对应的线上客源稳定评估指数
Figure 459013DEST_PATH_IMAGE276
表示为第
Figure 462741DEST_PATH_IMAGE278
个销售门店在第
Figure DEST_PATH_IMAGE280
个销售月份对应的平均访问次数，
Figure DEST_PATH_IMAGE282
分别表示为设定许可访问次数偏差、参照单月平均访问量，
Figure DEST_PATH_IMAGE284
分别表示为设定的访问次数增长值、访问次数偏差对应的客源稳定评估占比权重。
B4、依据分析公式
Figure DEST_PATH_IMAGE286
分析得到目标调整地区的门店缩减需求评估指数
Figure DEST_PATH_IMAGE288
分别表示为设定的线下销售层面、线上销售层面对应的评估占比权重，
Figure 297229DEST_PATH_IMAGE290
为设定的门店缩减需求评估修正因子，
Figure DEST_PATH_IMAGE292
分别表示为设定的参照线下销售层面、参照线上销售层面对应的门店缩减需求评估指数。
进一步地，确认目标调整地区对应的门店缩减策略，具体确认过程为：U1、从目标调整地区对应的关联线下销售数据中提取各销售门店在各销售年限内各销售月份对应的综合销售量，统计得到目标调整地区对应的销售未达标占比，记为
Figure DEST_PATH_IMAGE294
，依据分析公式
Figure DEST_PATH_IMAGE296
分析得到门店缩减修正因子
Figure DEST_PATH_IMAGE298
为设定的参照销售未达标指数阈值，
Figure 799624DEST_PATH_IMAGE300
为设定的浮动偏差补偿因子。
需要说明的是，目标调整地区对应的销售未达标占比具体计算过程为：从销售信息库中定位出目标调整地区在各销售年限对应的目标销售量。
将目标调整地区对应各销售门店在各销售年限内各销售月份对应的综合销售量进行累加，得到目标调整地区在各销售年限对应的综合销售量，并与其目标销售量进行对比，若某销售年限对应的综合销售量小于其目标销售量，则该销售年限作为目标调整地区对应的未达标年限，由此统计目标调整地区对应的未达标年限数目；
将目标调整地区对应的未达标年限数目与其销售年限数目进行作比，得到目标调整地区对应的销售未达标占比。
U2、从销售信息库中提取单位门店缩减需求评估指数偏差对应的参照缩减门店数目，记为
Figure DEST_PATH_IMAGE302
，依据分析公式
Figure 227194DEST_PATH_IMAGE304
计算得出目标调整地区对应的目标缩减门店数目
Figure DEST_PATH_IMAGE306
表示为设定的参照门店缩减需求评估指数阈值，将目标缩减门店数目作为目标调整地区对应的门店缩减策略，
Figure DEST_PATH_IMAGE308
表示向上取整符号。
本发明实施例在进行缩减销售策略分析时，通过根据线下以及线上销售的增长评估指数以及客源稳定指数进行综合分析，增强了零售商品销售门店缩减评估的科学性和规范性，确保了零售商品运营管理人员对低迷销售地区处理的及时性，进而便于零售商品运营管理人员对销售低迷地区销售的及时止损，从而有效降低了零售商品销售的亏损度，维护了零售商品销售的投资回报率，同时从另一层面而言还缓解了零售商品的库存压力。
第二步、当目标调整地区对应的销售状态为活跃状态时，基于目标调整地区的关联线下销售数据和关联线上销售数据，解析得到目标调整地区的门店扩张需求评估指数，将目标调整地区的门店扩张需求评估指数与设定的参照门店扩张需求评估指数进行对比，确认目标调整地区的门店扩张策略，并作为目标调整地区对应的销售调整策略。
示例性地，解析得到目标调整地区的门店扩张需求评估指数，具体解析过程为：从销售信息库中定位出目标调整地区对应各划分区域的占地面积、居民小区数目和新建居民小区数目，分别记为
Figure DEST_PATH_IMAGE310
和
Figure DEST_PATH_IMAGE312
表示划分区域编号，
Figure DEST_PATH_IMAGE314
，依据分析公式
Figure DEST_PATH_IMAGE316
分析得到目标调整地区对应的门店可扩度
Figure DEST_PATH_IMAGE318
为设定的人员集中、人员新增对应的可扩评估占比权重，
Figure DEST_PATH_IMAGE320
分别表示为设定的参照人员集中度、参照人员新增比，
Figure DEST_PATH_IMAGE322
为设定的可扩评估修正因子。
从销售信息库中定位出目标调整地区对应各划分区域的位置，同时提取目标调整地区内各销售门店的所在区域位置，分析得到目标调整地区对应的门店占据密集度，并记为
Figure DEST_PATH_IMAGE324
。
需要说明的是，分析得到目标调整地区对应的门店占据密集度的具体对比过程为：将目标调整地区内各销售门店的所在区域位置与其各划分区域的位置进行对比，若某销售门店的所在区域位置处于某划分区域的位置内，则将该划分区域记为销售门店占据划分区域数目，由此得到目标调整地区对应的销售门店占据划分区域数目。
进而通过分析公式
Figure DEST_PATH_IMAGE326
分析得到目标调整地区对应的门店占据 密集度。
从目标调整地区对应的关联线上销售数据中提取各销售门店对应的线上复购率，将其进行均值计算得到目标调整地区对应的平均线上复购率，记为
Figure DEST_PATH_IMAGE328
，依据分析公式
Figure DEST_PATH_IMAGE330
分析得到目标调整地区的门店扩张需求评估指数
Figure DEST_PATH_IMAGE332
分别表示为设定的门店占据密集度、线上复购率对应的门店扩张需求评估占比权重，
Figure DEST_PATH_IMAGE334
分别表示为设定的参照门店占据密集度、参照门店复购率。
进一步地，确认目标调整地区的门店扩张策略，具体确认过程为：从销售信息库中提取指定零售商品对应同类零售商品在各销售地区对应的现有销售门店数目，进而得到指定零售商品对应同类商品在目标调整地区对应的已有门店数目，记为
Figure DEST_PATH_IMAGE336
，依据公式
Figure DEST_PATH_IMAGE338
分析得到各销售门店扩增修正因子
Figure DEST_PATH_IMAGE340
表示目标调整地区对应的销售门店数目，
Figure DEST_PATH_IMAGE342
为参照市场容纳门店数目，
Figure DEST_PATH_IMAGE344
为设定的市场门店数目浮动补偿因子。
从销售信息库中提取单位门店扩增需求评估指数偏差对应的参照扩增门店数目，记为
Figure DEST_PATH_IMAGE346
，依据分析公式
Figure DEST_PATH_IMAGE348
计算得出目标调整地区对应的目标扩增门店数目
Figure DEST_PATH_IMAGE350
表示为设定的参照门店扩增需求评估指数阈值，并将目标扩增门店数目作为目标调整地区的门店扩张策略。
本发明实施例在进行扩增销售策略分析时，通过根据地区居民情况、门店占据情况以及人员复购情况这三大情况进行结合性分析，实现了零售商品门店扩增的多维度分析，确保了零售商品扩增评估结果的说服性和可靠性，从而有效保障了后续零售商品门店扩增策略的执行效果，并且还提高了零售商品市场占据的及时性，从而促进了零售商品管理人员对其潜在市场的把握度。
所述销售信息库，用于存储各销售地区对应的中心区域位置以及各销售地区对应各划分区域的占地面积、位置、居民小区数目和新建居民小区数目，存储指定零售商品在各销售地区各销售年限对应设定的目标销售量和指定零售商品对应同类零售商品在各销售地区对应的现有销售门店数目，并存储单位门店缩减需求评估指数偏差对应的参照缩减门店数目和单位门店扩增需求评估指数偏差对应的参照扩增门店数目；
所述销售处理反馈终端，用于将目标调整地区对应的编号和目标调整地区对应的销售调整策略反馈至指定零售商品对应的销售管理人员。
本发明实施例通过对零售商品在各销售区域进行销售状态分析，并根据销售状态进行销售策略分析，有效解决当前缺乏对地区层面进行分析的问题，大幅度提升了零售商品后续分区销售决策的精准性和合理性，为零售商品在各销售区域门店的扩增评估以及门店缩减评估提供了决策性的参考建议，同时还提升了零售商品市场的认知性和适应性，进而促进了零售商品在各销售区域的后续销售发展。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于大数据的零售商品销售数据统计分析系统，其特征在于，包括：
商品销售数据提取模块，用于提取指定零售商品对应各销售地区的关联线下销售数据和关联线上销售数据，将各销售地区按照设定顺序依次编号为
Figure 425686DEST_PATH_IMAGE002
；
销售地区销售状态解析模块，用于基于指定零售商品对应各销售地区的关联线下销售数据和关联线上销售数据，对指定零售商品对应各销售地区的销售状态进行解析，得到各销售地区对应的销售状态评估指数，进而得到各销售地区对应的销售状态；
销售地区销售处理分析模块，用于当某销售地区对应的销售状态为低迷状态或者活跃状态，将该销售地区记为目标调整地区，提取目标调整地区对应的编号，并对目标调整地区对应的销售策略进行解析，得到目标调整地区对应的销售调整策略；
销售信息库，用于存储各销售地区对应的中心区域位置以及各销售地区对应各划分区域的占地面积、位置、居民小区数目和新建居民小区数目，存储指定零售商品在各销售地区各销售年限对应设定的目标销售量和指定零售商品对应同类零售商品在各销售地区对应的现有销售门店数目，并存储单位门店缩减需求评估指数偏差对应的参照缩减门店数目和单位门店扩增需求评估指数偏差对应的参照扩增门店数目；
销售处理反馈终端，用于将目标调整地区对应的编号和目标调整地区对应的销售调整策略反馈至指定零售商品对应的销售管理人员。
2.如权利要求1所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述关联线下销售数据包括销售门店数目、各销售门店的所在区域位置、各销售门店累计的销售年限以及各销售门店在各销售年限内各销售月份对应的综合销售量、综合消费客户量和综合客流量；
所述关联线上销售数据包括各销售门店对应的线上销售起始日期、各销售门店对应的线上累计销售订单数目、各销售门店对应的线上复购率以及各销售门店在各销售月份内对应的平均访问次数、平均访问人数和平均累计销售订单数目。
3.如权利要求2所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述对指定零售商品对应各销售地区的销售状态进行解析，具体解析过程为：
提取指定零售商品对应各销售地区的关联线下销售数据，统计得到各销售地区对应的综合线下销售量以及各销售地区在各销售年限内对应的线下销售达成率和线下销售达成比，分别记为
Figure 139564DEST_PATH_IMAGE004
、
Figure 388143DEST_PATH_IMAGE006
和
Figure 642407DEST_PATH_IMAGE008
，
Figure 925620DEST_PATH_IMAGE010
表示销售地区编号，
Figure 813330DEST_PATH_IMAGE012
表示销售年限编号，
Figure 877101DEST_PATH_IMAGE014
；
提取指定零售商品对应各销售地区的关联线上销售数据，统计得到各销售地区对应的综合线上销售量、线上销售达成率和线上销售达成比，分别记为
Figure 935055DEST_PATH_IMAGE016
；
计算各销售地区对应的销售状态评估指数，并将其与设定的参照销售状态评估指数进行作差，得到各销售地区对应的销售评估指数差，进而得到各销售地区对应的销售状态，其中，销售状态包括活跃状态、平衡状态和低迷状态。
4.如权利要求3所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述各销售地区对应的销售状态评估指数，具体计算公式为
Figure 400672DEST_PATH_IMAGE018
，其中，
Figure 456352DEST_PATH_IMAGE020
表示第
Figure 679523DEST_PATH_IMAGE022
个销售地区对应的销售状态评估指数；
上述中，
Figure 72327DEST_PATH_IMAGE024
分别表示为设定的销售量状态、销售成交状态对应的销售状态评估占比权重，
Figure 658029DEST_PATH_IMAGE026
为设定的销售状态评估占比权重因子，
Figure 822295DEST_PATH_IMAGE028
表示自然常数，
Figure 851869DEST_PATH_IMAGE030
分别表示为第
Figure 720468DEST_PATH_IMAGE032
个销售地区对应的销售量状态评估指数、销售成交状态评估指数；
Figure 98359DEST_PATH_IMAGE034
，
Figure 230263DEST_PATH_IMAGE036
为设定的销售量补偿因子，
Figure 552660DEST_PATH_IMAGE038
为设定的参考综合销售量阈值；
Figure 365896DEST_PATH_IMAGE040
，
Figure 660611DEST_PATH_IMAGE042
分别表示为设定的销售达成率、销售达成比对应的成交状态评估占比权重，
Figure 25733DEST_PATH_IMAGE044
表示销售年限数目，
Figure 710792DEST_PATH_IMAGE046
分别表示为设定的销售成交率补偿因子、销售成交达成比补偿因子，
Figure 186773DEST_PATH_IMAGE048
分别表示为设定的参照销售达成率、参照销售达成比。
5.如权利要求4所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述对目标调整地区对应的销售策略进行解析，具体解析过程包括以下步骤：
当目标调整地区对应的销售状态为低迷状态时，提取目标调整地区的关联线下销售数据和关联线上销售数据，解析得到目标调整地区的门店缩减需求评估指数，并将其与设定的参照门店缩减需求评估指数进行对比，确认目标调整地区对应的门店缩减策略；
当目标调整地区对应的销售状态为活跃状态时，基于目标调整地区的关联线下销售数据和关联线上销售数据，解析得到目标调整地区的门店扩张需求评估指数，将目标调整地区的门店扩张需求评估指数与设定的参照门店扩张需求评估指数进行对比，确认目标调整地区的门店扩张策略，并作为目标调整地区对应的销售调整策略。
6.如权利要求5所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述目标调整地区的门店缩减需求评估指数，具体解析过程为：
提取目标调整地区对应各销售门店的所在区域位置、累计的销售年限和线上销售起始日期，以此设定各销售门店对应销售干扰权重因子，记为
Figure 335994DEST_PATH_IMAGE050
表示销售门店编号，
Figure 747384DEST_PATH_IMAGE052
；
基于目标调整地区对应的关联线下销售数据，分析得到各销售门店对应的线下销售增长评估指数和线下客源稳定评估指数，分别记为
Figure 47303DEST_PATH_IMAGE054
，进而分析得到线下销售层面对应门店缩减评估需求指数，并记为
Figure 264658DEST_PATH_IMAGE056
；
基于目标调整地区对应的关联线上销售数据，分析得到各销售门店对应的线上销售增长评估指数和线上客源稳定评估指数，按照线下销售层面对应门店缩减评估指数的分析方式同理分析得到线上销售层面对应门店缩减需求评估指数，并记为
Figure 206069DEST_PATH_IMAGE058
；
依据分析公式
Figure 178573DEST_PATH_IMAGE060
分析得到目标调整地区的门店缩减需求评估指数
Figure 900541DEST_PATH_IMAGE062
分别表示为设定的线下销售层面、线上销售层面对应的评估占比权重，
Figure 593691DEST_PATH_IMAGE064
为设定的门店缩减需求评估修正因子，
Figure 514242DEST_PATH_IMAGE066
分别表示为设定的参照线下销售层面、参照线上销售层面对应的门店缩减需求评估指数。
7.如权利要求6所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述线下销售层面对应门店缩减评估需求指数具体分析过程包括以下步骤：
从各销售门店对应的线下销售增长评估指数中提取最高线下销售增长评估指数以及最低线下销售增长评估指数，作差得到线下销售增长评估指数最值差，记为
Figure 595331DEST_PATH_IMAGE068
；
按照线下销售增长评估指数最值差的分析方式同理分析得到线下客源稳定评估指数最值差，记为
Figure 742278DEST_PATH_IMAGE070
；
基于各销售门店对应的线下销售增长评估指数
Figure DEST_PATH_IMAGE072
和各销售门店对应的线下客源稳定评估指数
Figure 160490DEST_PATH_IMAGE074
，依据公式
Figure DEST_PATH_IMAGE076
分析得到线下销售层面对应门店缩减评估需求指数
Figure DEST_PATH_IMAGE078
分别表示为设定的线下销售增长、线下客源稳定、线下销售增长偏差、线下客源稳定偏差对应的线下缩减评估占比权重，
Figure DEST_PATH_IMAGE080
分别表示为设定的参照线下销售增长评估指数、参照线下客源稳定评估指数、参照线下销售增长评估指数最值差、参照线下客源稳定评估指数最值差，
Figure DEST_PATH_IMAGE082
为设定的缩减评估修正因子。
8.如权利要求6所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述确认目标调整地区对应的门店缩减策略，具体确认过程为：
从目标调整地区对应的关联线下销售数据中提取各销售门店在各销售年限内各销售月份对应的综合销售量，统计得到目标调整地区对应的销售未达标占比，记为
Figure DEST_PATH_IMAGE084
，依据分析公式
Figure DEST_PATH_IMAGE086
分析得到门店缩减修正因子
Figure DEST_PATH_IMAGE088
为设定的参照销售未达标指数阈值，
Figure DEST_PATH_IMAGE090
为设定的浮动偏差补偿因子；
从销售信息库中提取单位门店缩减需求评估指数偏差对应的参照缩减门店数目，记为
Figure DEST_PATH_IMAGE092
，依据分析公式
Figure DEST_PATH_IMAGE094
计算得出目标调整地区对应的目标缩减门店数目
Figure DEST_PATH_IMAGE096
表示为设定的参照门店缩减需求评估指数阈值，将目标缩减门店数目作为目标调整地区对应的门店缩减策略。
9.如权利要求5所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述解析得到目标调整地区的门店扩张需求评估指数，具体解析过程为：
从销售信息库中定位出目标调整地区对应各划分区域的占地面积、居民小区数目和新建居民小区数目，分别记为
Figure DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE100
表示划分区域编号，
Figure DEST_PATH_IMAGE102
，依据分析公式
Figure DEST_PATH_IMAGE104
分析得到目标调整地区对应的门店可扩度
Figure DEST_PATH_IMAGE106
为设定的人员集中、人员新增对应的可扩评估占比权重，
Figure DEST_PATH_IMAGE108
分别表示为设定的参照人员集中度、参照人员新增比，
Figure DEST_PATH_IMAGE110
为设定的可扩评估修正因子；
从销售信息库中定位出目标调整地区对应各划分区域的位置，同时提取目标调整地区内各销售门店的所在区域位置，分析得到目标调整地区对应的门店占据密集度，并记为
Figure DEST_PATH_IMAGE112
；
从目标调整地区对应的关联线上销售数据中提取各销售门店对应的线上复购率，将其进行均值计算得到目标调整地区对应的平均线上复购率，记为
Figure DEST_PATH_IMAGE114
，依据分析公式
Figure DEST_PATH_IMAGE116
分析得到目标调整地区的门店扩张需求评估指数
Figure DEST_PATH_IMAGE118
分别表示为设定的门店占据密集度、线上复购率对应的门店扩张需求评估占比权重，
Figure DEST_PATH_IMAGE120
分别表示为设定的参照门店占据密集度、参照门店复购率。
10.如权利要求9所述的一种基于大数据的零售商品销售数据统计分析系统，其特征在于：所述确认目标调整地区的门店扩张策略，具体确认过程为：
从销售信息库中提取指定零售商品对应同类零售商品在各销售地区对应的现有销售门店数目，进而得到指定零售商品对应同类商品在目标调整地区对应的已有门店数目，记为
Figure DEST_PATH_IMAGE122
，依据公式
Figure DEST_PATH_IMAGE124
分析得到各销售门店扩增修正因子
Figure DEST_PATH_IMAGE126
表示目标调整地区对应的销售门店数目，
Figure DEST_PATH_IMAGE128
为参照市场容纳门店数目，
Figure DEST_PATH_IMAGE130
为设定的市场门店数目浮动补偿因子；
从销售信息库中提取单位门店扩增需求评估指数偏差对应的参照扩增门店数目，记为
Figure DEST_PATH_IMAGE132
，依据分析公式
Figure DEST_PATH_IMAGE134
计算得出目标调整地区对应的目标扩增门店数目
Figure DEST_PATH_IMAGE136
表示为设定的参照门店扩增需求评估指数阈值，并将目标扩增门店数目作为目标调整地区的门店扩张策略。
CN202310005097.4A 2023-01-04 2023-01-04 一种基于大数据的零售商品销售数据统计分析系统 Active CN115689617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310005097.4A CN115689617B (zh) 2023-01-04 2023-01-04 一种基于大数据的零售商品销售数据统计分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310005097.4A CN115689617B (zh) 2023-01-04 2023-01-04 一种基于大数据的零售商品销售数据统计分析系统

Publications (2)

Publication Number Publication Date
CN115689617A true CN115689617A (zh) 2023-02-03
CN115689617B CN115689617B (zh) 2023-07-07

Family

ID=85057497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310005097.4A Active CN115689617B (zh) 2023-01-04 2023-01-04 一种基于大数据的零售商品销售数据统计分析系统

Country Status (1)

Country Link
CN (1) CN115689617B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777500A (zh) * 2023-07-04 2023-09-19 广州赛立信数字传媒科技有限公司 一种线上线下商品销售数据采集处理分析方法
CN117829885A (zh) * 2024-03-05 2024-04-05 山东硕为思大数据科技有限公司 一种基于多维特征分析的商业订单数据监测处理方法
CN117973785A (zh) * 2024-02-02 2024-05-03 好品易链(山东)科技发展有限公司 一种企业服务管理分析系统及运行方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120084118A1 (en) * 2010-09-30 2012-04-05 International Business Machines Corporation Sales predication for a new store based on on-site market survey data and high resolution geographical information
US8332271B1 (en) * 2011-04-29 2012-12-11 Target Brands, Inc. Web influenced in-store transactions
US8738421B1 (en) * 2013-01-09 2014-05-27 Vehbi Koc Foundation Koc University Driver moderator method for retail sales prediction
US20140188558A1 (en) * 2012-12-31 2014-07-03 Truecar, Inc. Subscription pricing system, method and computer program product therefor
CN109670861A (zh) * 2018-11-30 2019-04-23 深圳冠思大数据服务有限公司 基于人工智能的货架商品销售成效提升方法及系统
CN112232924A (zh) * 2020-10-30 2021-01-15 上海晶确科技有限公司 区域门店规划方法
CN112966980A (zh) * 2021-04-06 2021-06-15 上海链优信息科技有限公司 一种基于大数据分析的零售行业管理平台及管理方法
CN115375352A (zh) * 2022-08-09 2022-11-22 木链网财务服务有限公司 一种基于物联网的供应链财务数据监测服务管理系统
CN115423380A (zh) * 2022-10-27 2022-12-02 浙江七巧连云生物传感技术股份有限公司 一种基于物联网的分类垃圾回收再利用智能管理平台
CN115496545A (zh) * 2022-11-17 2022-12-20 北京名洋数字科技股份有限公司 线上展会数据分析方法、系统及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120084118A1 (en) * 2010-09-30 2012-04-05 International Business Machines Corporation Sales predication for a new store based on on-site market survey data and high resolution geographical information
US8332271B1 (en) * 2011-04-29 2012-12-11 Target Brands, Inc. Web influenced in-store transactions
US20140188558A1 (en) * 2012-12-31 2014-07-03 Truecar, Inc. Subscription pricing system, method and computer program product therefor
US8738421B1 (en) * 2013-01-09 2014-05-27 Vehbi Koc Foundation Koc University Driver moderator method for retail sales prediction
CN109670861A (zh) * 2018-11-30 2019-04-23 深圳冠思大数据服务有限公司 基于人工智能的货架商品销售成效提升方法及系统
CN112232924A (zh) * 2020-10-30 2021-01-15 上海晶确科技有限公司 区域门店规划方法
CN112966980A (zh) * 2021-04-06 2021-06-15 上海链优信息科技有限公司 一种基于大数据分析的零售行业管理平台及管理方法
CN115375352A (zh) * 2022-08-09 2022-11-22 木链网财务服务有限公司 一种基于物联网的供应链财务数据监测服务管理系统
CN115423380A (zh) * 2022-10-27 2022-12-02 浙江七巧连云生物传感技术股份有限公司 一种基于物联网的分类垃圾回收再利用智能管理平台
CN115496545A (zh) * 2022-11-17 2022-12-20 北京名洋数字科技股份有限公司 线上展会数据分析方法、系统及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777500A (zh) * 2023-07-04 2023-09-19 广州赛立信数字传媒科技有限公司 一种线上线下商品销售数据采集处理分析方法
CN116777500B (zh) * 2023-07-04 2024-01-30 广州赛立信数字传媒科技有限公司 一种线上线下商品销售数据采集处理分析方法
CN117973785A (zh) * 2024-02-02 2024-05-03 好品易链(山东)科技发展有限公司 一种企业服务管理分析系统及运行方法
CN117829885A (zh) * 2024-03-05 2024-04-05 山东硕为思大数据科技有限公司 一种基于多维特征分析的商业订单数据监测处理方法
CN117829885B (zh) * 2024-03-05 2024-05-10 山东硕为思大数据科技有限公司 一种基于多维特征分析的商业订单数据监测处理方法

Also Published As

Publication number Publication date
CN115689617B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN115689617A (zh) 一种基于大数据的零售商品销售数据统计分析系统
US6907403B1 (en) Identifying industry sectors using statistical clusterization
KR101136696B1 (ko) 기업성장단계를 표시하고, 이를 이용하여 주식의 저평가/고평가를 산출하는 주식정보 제공 방법 및 시스템
US8219444B2 (en) System and method for using sales patterns with markdown profiles
US7921118B2 (en) Methods and systems for developing market intelligence
US20020026347A1 (en) Method of and system for forecasting future orders in parts inventory system
US20040111349A1 (en) Process for the selection and evaluation of investment portfolio asset allocation strategies
US8249970B1 (en) Sensitivity/elasticity-based asset evaluation and screening
Maaß et al. Improving short-term demand forecasting for short-lifecycle consumer products with data mining techniques
CN110826886A (zh) 一种基于聚类算法和主成分分析的电力客户画像构建方法
Houde et al. Nexus Tax Laws and Economies of Density in E‐Commerce: A Study of Amazon's Fulfillment Center Network
CN116739217A (zh) 一种基于供应链大数据平台的零售管理方法及系统
CN111815348A (zh) 一种基于各门店商品相似度聚类的区域商品生产计划方法
CN115759937A (zh) 一种基于大数据分析的非标品的零售销售管理系统
Raffinot et al. Investing through economic cycles with ensemble machine learning algorithms
US7193628B1 (en) Significance-based display
JP4296027B2 (ja) 商品需要予測システム
KR20090075557A (ko) 펀드의 유형 분류 및 성과 평가를 이용한 의사 결정 지원시스템
Terregrossa Capital depreciation and investment demand
Koschat et al. Newsvendors tackle the newsvendor problem
Lin et al. Establishing a combined forecasting model: A case study on the logistic demand of Nanjing’s green tea industry in China
Rozite et al. Towards a financial cycle for the US, 1973–2014
Hromada Real estate prices in the Czech republic: Behavioral approach
Zalaghi et al. The Relationship between Life Cycle and Cost of Equity on the Firms Listed In Tehran Stock Exchange (TSE).
JP6188849B2 (ja) 金融機関経営支援システム及びプログラム

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
GR01 Patent grant
GR01 Patent grant