CN115829624A - 基于门店周期性回本的价格预测方法、装置及相关介质 - Google Patents
基于门店周期性回本的价格预测方法、装置及相关介质 Download PDFInfo
- Publication number
- CN115829624A CN115829624A CN202211468914.1A CN202211468914A CN115829624A CN 115829624 A CN115829624 A CN 115829624A CN 202211468914 A CN202211468914 A CN 202211468914A CN 115829624 A CN115829624 A CN 115829624A
- Authority
- CN
- China
- Prior art keywords
- store
- target
- sales
- value
- price
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于门店周期性回本的价格预测方法、装置及相关介质,该方法包括:选取目标门店,获取目标门店的门店经营特征,并根据门店经营特征构建门店回本周期预测模型,并预测门店回本周期;获取目标门店的门店环境特征,并根据门店环境特征构建门店相似性模型,并由门店相似性模型输出目标门店的相似门店;根据门店回本周期在相似门店中选取相似度最高的作为对比门店,并将对比门店的门店经营特征作为目标门店的回本目标;基于回本目标对目标门店配置订货量和价格策略值。本发明通过构建门店回本周期预测模型预测回本周期,并基于该回本周期选取相似门店,以获取回本目标,以此配置订货量和价格策略值,从而提高门店回本效率与合理性。
Description
技术领域
本发明涉及计算机软件技术领域,特别涉及基于门店周期性回本的价格预测方法、装置及相关介质。
背景技术
市面上传统的定价策略通常是基于算法定价,并且大多数定价算法是基于线上因素,而缺乏考虑线下因素,且并未结合门店回本周期进行定价,即当前的定价算法参考元素过于单一,导致最终定价结果缺乏合理性。而线下门店复杂的线下因素对商品定价尤为重要,比如线下因素中的地区、环境、消费人群等因素都可能不同,因此如果直接采用线上的定价算法对线下门店进行定价,会导致定价结果与实际应用场景不相符,无法达到预期效果。
另外,对于扩展规模大、速度快的门店品牌,加盟商能否快速回本后续发展经营来说尤其重要,因此制定一个能够快速回本则合理的定价策略就显得特别重要,但是现有方法缺少针对门店具体回本周期进行定价的策略,并且其普遍性和推广性均不高。因此,如何制定门店的合理并能快速回本的定价策略是本领域技术人员需要解决的问题。
发明内容
本发明实施例提供了一种基于门店周期性回本的价格预测方法、装置、计算机设备及存储介质,旨在针对门店预测回本价格,提高门店回本效率与合理性。
第一方面,本发明实施例提供了一种基于门店周期性回本的价格预测方法,包括:
选取目标门店,获取所述目标门店的门店经营特征,并根据所述门店经营特征构建门店回本周期预测模型,并由所述门店回本周期预测模型预测所述目标门店的门店回本周期;其中,门店经营特征包括销售额、毛利额;
获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店;
根据所述门店回本周期在所述相似门店中选取相似度最高的n个门店作为对比门店,并将所述对比门店的门店经营特征作为所述目标门店的回本目标;基于所述回本目标对所述目标门店配置订货量和价格策略值。
第二方面,本发明实施例提供了一种基于门店周期性回本的价格预测装置,包括:
回本周期预测单元,用于选取目标门店,获取所述目标门店的门店经营特征,并根据所述门店经营特征构建门店回本周期预测模型,并由所述门店回本周期预测模型预测所述目标门店的门店回本周期;其中,门店经营特征包括销售额、毛利额;
相似门店选取单元,用于获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店;
回本目标获取单元,用于根据所述门店回本周期在所述相似门店中选取相似度最高的n个门店作为对比门店,并将所述对比门店的门店经营特征作为所述目标门店的回本目标;
策略配置单元,用于基于所述回本目标对所述目标门店配置订货量和价格策略值。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的基于门店周期性回本的价格预测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质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所述的基于门店周期性回本的价格预测方法。
本发明实施例提供了一种基于门店周期性回本的价格预测方法、装置、计算机设备及存储介质,该方法包括:选取目标门店,获取所述目标门店的门店经营特征,并根据所述门店经营特征构建门店回本周期预测模型,并由所述门店回本周期预测模型预测所述目标门店的门店回本周期;其中,门店经营特征包括销售额、毛利额;获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店;根据所述门店回本周期在所述相似门店中选取相似度最高的n个门店作为对比门店,并将所述对比门店的门店经营特征作为所述目标门店的回本目标;基于所述回本目标对所述目标门店配置订货量和价格策略值。本发明实施例通过构建门店回本周期预测模型预测回本周期,并基于该回本周期选取相似门店,以获取回本目标,从而根据回本目标配置订货量和价格策略值,从而提高门店回本效率与合理性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的一种基于门店周期性回本的价格预测方法的流程示意图;
图2为本发明实施例提供的一种基于门店周期性回本的价格预测方法的子流程示意图;
图3为本发明实施例提供的一种基于门店周期性回本的价格预测装置的示意性框图;
图4为本发明实施例提供的一种基于门店周期性回本的价格预测装置的子示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参见图1,图1为本发明实施例提供的一种基于门店周期性回本的价格预测方法的流程示意图,具体包括:步骤S101~S104。
S101、选取目标门店,获取所述目标门店的门店经营特征,并根据所述门店经营特征构建门店回本周期预测模型,并由所述门店回本周期预测模型预测所述目标门店的门店回本周期;其中,门店经营特征包括销售额、毛利额;
S102、获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店;
S103、根据所述门店回本周期在所述相似门店中选取相似度最高的n个门店作为对比门店,并将所述对比门店的门店经营特征作为所述目标门店的回本目标;
S104、基于所述回本目标对所述目标门店配置订货量和价格策略值。
本实施例中,对于待回本的目标门店预测商品价格时,首先通过门店经营特征构建门店回本周期预测模型,由此预测回本周期,然后根据门店环境特征为目标门店选取相似门店,并进一步在相似门店中选取最相似的n个对比门店,从而将对比门店的门店经营特征(即销售额和毛利额)作为目标门店的回本目标,随后便可以依据该回本目标为目标门店配置订货量和价格策略值,从而实现对目标门店的回本价格预测,提高门店回本效率与合理性。
需要说明的是,本实施例在进行回本门店分析时首先会获取门店开业成本、每个月的毛利额、运营成本(水电、租金等),其中,净利润=毛利额-运营成本,而开业成本=净利润累积和时,便是门店投入与产出相等即为门店回本时,因此可以据此分析判断门店是否回本。
在一实施例中,所述步骤S101包括:
按照下式构建所述门店回本周期预测模型的回归预测方程,并由所述回归预测方程计算得到所述门店回本周期:
式中,J(w)表示所述门店回本周期,m表示所述目标商店内的商品总数,i为所述目标商店内的第i个商品,y表示所述门店经营特征的目标值,x表示所述门店经营特征的真实值,γ为系数,w为回归系数,T为向量转置。
本实施例中,在构建回本周期预测模型,首先获取门店经营特征,具体包括:销售额、毛利额、时段折扣率、进货额、客流、开店成本、运营成本(租金、工资等)、门店面积、竞对信息等,接着按照上述回归预测方程构建回本预测模型,并由该回本预测模型预测输出回本周期。
进一步的,采用绝对误差和均方误差对回本周期预测模型的输出效果进行评估,具体如下所示:
绝对误差:反映预测值误差的实际情况:
均方误差:检测模型的预测值和真实值之间的偏差:
其中,i为第i个商品,y为预测值,x为真实值,n为商品总数。
在一实施例中,所述门店环境特征包括门店基本属性、门店外部属性和门店销售属性;
所述S102包括:
基于所述门店基本属性、门店外部属性和门店销售属性,利用皮尔逊相关系数计算得到所述目标门店的相似门店。
本实施例在构建门店相似性模型时,首先获取对应的门店环境特征,具体包括:门店基本属性,例如门店开业周期、门店面积、地区、门店类型等,门店外部属性,例如周边竞争对手分布、商圈属性、小区居住人数、小区房价、人群画像等,门店销售属性,例如门店客流、sku订购量、sku订购金额、销售金额、sku数、品类偏好、促销属性、消费时间等。然后以上述特征作为输入参数,通过皮尔逊相关系数,构建门店相似性模型,并输出相似门店。
在具体应用场景中,按照下式计算皮尔逊相关系数:
式中r表示皮尔逊相关系数,n表示属性数,i表示某个属性,x和y分别表示两个不同门店的属性值,σ表示属性值标准差。皮尔逊相关系数的取值范围在-1~1之间,相关系数越大,表示相关程度越大,即两个不同门店之间的相似度越高。通过计算得出目标门店和其他门店相关系数,继而得出目标门店的相似门店。
进一步的,在步骤S103中,首先筛选与目标门店回本周期一样且最相似的n家门店,作为对比门店,然后拟合对比门店从开业到回本周期内毛利额、销售额曲线,可初步得出目标门店从开业到回本所需每个月的毛利额、销售额等指标分布趋势,以此初步作为目标门店的回本目标。随后,在得出门店整体的回本目标后,通过各个分类在门店毛利、销售占比,可得出各分类每月的毛利、销售目标。
在一实施例中,所述步骤S101包括:
将所述回本目标进行日均拆分,并拟合所述对比门店不同月份下的日销售曲线,根据所述销售曲线对日均拆分的结果设置权重系数,得到最终的每日目标值,其中,所述每日目标值包括每日毛利额目标值和每日销售额指标值。
本实施例中,对于获取的回本目标,即门店各分类销售、毛利回本目标值,需配置合理的订货量、价格策略值才能达成相应的目标,故将其作为回本目标值结合定价策略模型及调整相应的订货量进行实现。而在配置订货量和价格策略值时,首先将毛利额、销售额等回本目标拆分,即拆分成每日的目标值,然后拟合对比门店不同月份中每日的销售趋势,得出每日回本目标的系数,从而可得到所述每日毛利额目标值和每日销售额指标值。
在一实施例中,如图2所示,所述步骤S101还包括:步骤S201~S203。
S201、利用销量预测模型预测所述目标门店每一最小存货单位对应的销量,以及利用定价方程策略预测每一最小存货单位对应的最优定价策略值;
S202、根据所述销量和最优定价策略值以及商品成本计算每一最小存货单位的毛利额指标值和销售额指标值;
S203、将所述毛利额指标值与所述每日毛利额目标值进行第一对比,以及将所述销售额指标值与每日销售额目标值进行第二对比,并根据第一对比结果和第二对比结果确定所述目标门店的订货量和价格策略值。
本实施例中,利用销量预测模型可得出sku(最小存货单位)对应的销量,同时,对于不同的sku可以采用不同定价方程策略预测输出在各自对应销量下最优定价策略值,然后通过模型最优价、成本、销量便可计算每个sku预计的毛利额指标值、销售额指标值。接着通过累计不同sku的毛利额指标值、销售额值可得出品类对应的毛利额指标值与销售额指标值,然后将其与回本目标进行对比,以确定最终的订货量和价格策略值。
在一具体实施例中,所述利用销量预测模型预测所述目标门店每一最小存货单位对应的销量,包括:
根据统计学方式获取价格指标变量;其中,价格指标变量包括:售价、出库价、销售率、客数、价格等级、毛利、时段折扣率;
从所述价格指标变量中筛选模型特征,构建特征工程;其中,特征工程包括天气特征、活动特征、订购特征、售价特征和对比区域特征;
结合门店商品交叉属性及所述特征工程,按照下式构建所述销量预测模型:
式中,q代表第i个商品销量,p表示价格策略向量,fij(i≠j)表示价格对销量影响特征模型,git表示其他特征对销量的影响,r表示扩展特征向量,j表示第j个商品,N表示商品总数;
利用构建得到的销量预测模型预测所述目标门店每一最小存货单位对应的销量。
在另一具体实施例中,所述利用定价方程策略预测每一最小存货单位对应的最优定价策略值,包括:
当最小存货单位的价格与销量的拟合效果达到预设拟合阈值时,根据最小存货单位的毛利润与成本构建利润方程,并利用所述利润方程预测最小存货单位的第一最优定价策略值,具体包括:
按照下式,根据最小存货单位的毛利润与成本构建利润方程:
式中,l(p)表示最小存货单位的毛利润,ci表示第i个最小存货单位的成本,i表示第i个最小存货单位,M表示最小存货单位的总数;
设置最小存货单位的价格范围,并利用所述销量预测模型预测所述价格范围内每一价格对应的第一预测销量;
结合所述第一预测销量,通过所述利润方程计算所述价格范围内每一价格的毛利润,并选取毛利润最大的价格作为所述第一最优定价策略值。
当最小存货单位的价格与销量的拟合效果未达到预设拟合阈值且价格弹性超出预设价格范围时,采用柯布-道格拉斯生成函数对最小存货单位进行调价,以获取最小存货单位的第二最优定价策略值,具体包括:
按照下式,利用所述销量预测模型预测最小存货单位的价格弹性和第二预测销量,并结合最小存货单位的目标销量构建调价方程:
Qt-Q(p)=Qt-Qy*p∈
式中,Qt表示目标销量,Qy表示第二预测销量,Q(p)表示价格对应的销量,ε表示价格弹性;
利用所述调价方程对最小存货单位进行调价,以得到所述第二最优定价策略值。
当最小存货单位的价格与销量的拟合效果未达到预设拟合阈值且价格弹性处于预设价格范围时,采用贝尔曼方程预测最小存货单位的第三最优定价策略值,具体包括:
按照下式构建贝尔曼方程:
V(s)=E[Rt+1+γvSt+1)|St=s]
式中,V(s)表示当前状态的价值,S表示状态,E表示价格分布,Rt+1表示即时奖励,γ表示衰减系数,γv(St+1)表示后续状态的折扣价值函数;
设置最小存货单位的价格分布范围,通过所述贝尔曼方程计算得到最优价值函数,并将所述最优价值函数对应的售价作为所述第三最优定价策略值。
进一步的,所述步骤S203包括:
若第一对比结果和第二对比结果均高于预设阈值,则将所述销量作为所述订货量,以及将所述最优定价策略值作为所述价格策略值;
若第一对比结果和/或第二对比结果未高于预设阈值,则获取每一最小存货单位对应的销售信息,并根据所述销售信息构建销售时长预测模型;
利用所述销售时长预测模型预测得到每一最小存货单位的时间段销售信息;
根据所述时间段销售信息对每一最小存货单位的订购量进行调整;对调整后的最小存货单位继续预测销量和最优定价策略值,直至所述对比结果高于预设阈值,并将对应的销量和最优定价策略值分别作为最终的订货量和价格策略值输出。
本实施例中,若毛利额指标值和销售额指标值低于回本目标,则需重新定制价格策略与订货量策略,若高于回本目标则符合回本要求,并将此时的订货量和价格策略值作为最终的门店回本价格预测结果。当毛利额指标值和销售额指标值低于回本目标时,需针对部分商品调整相应的量价策略,本实施例结合商品销售时长模型来调整商品的量与价,即构建销售时长预测模型,预测sku在门店不同时间段销售情况。通过sku不同时间段销售情况可得出,sku在一天的大概销售时长,然后便可以根据sku销售时长调整相应的策略值,销售时长低意味着sku量不足,需增加订购量,销售时长过高则可适当降低订购量。通过设定阈值,针对销售时长过低的商品进行增加商品订购量,进而可提高销售、提高毛利值。
对于调整后的sku,再次利用销量预测模型和定价方程进行销量预测和最优定价策略值,并继续计算调整过后的毛利额指标值与销售额指标值,以及与回本目标进行对比分析,直至符合要求。
具体的,所述销售信息包括销售特征、促销特征、价格特征和天气特征;所述若第一对比结果和/或第二对比结果未高于预设阈值,则获取每一最小存货单位对应的销售信息,并根据所述销售信息构建销售时长预测模型;对所述销售特征、促销特征、价格特征和天气特征进行归一化处理;将归一化处理后的特征输入至基于循环神经网络的时间序列预测模型,以构建得到所述销售时长预测模型。
在构建销售时长预测模型时,首先同样是获取销售信息,具体包括销售特征,例如不同时段对应的销售、销售的时长、客流等;促销特征,例如促销折扣、时段折扣、促销金额等;天气特征,例如日常天气、小时粒度天气等;价格特征,例如售价、上周同期价格值、近一周价格均值等。另外,因预测不同时间段销售情况,涉及时间序列预测情况,故本实施例采用循环神经网络时间序列预测拟合模型,并将上述特征作为模型输入,预测sku不同时间段销售。
图3为本发明实施例提供的一种基于门店周期性回本的价格预测装置300的示意性框图,该装置300包括:
回本周期预测单元301,用于选取目标门店,获取所述目标门店的门店经营特征,并根据所述门店经营特征构建门店回本周期预测模型,并由所述门店回本周期预测模型预测所述目标门店的门店回本周期;其中,门店经营特征包括销售额、毛利额;
相似门店选取单元302,用于获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店;
回本目标获取单元303,用于根据所述门店回本周期在所述相似门店中选取相似度最高的n个门店作为对比门店,并将所述对比门店的门店经营特征作为所述目标门店的回本目标;
策略配置单元304,用于基于所述回本目标对所述目标门店配置订货量和价格策略值。
在一实施例中,所述回本周期预测单元301包括:
方程构建单元,用于按照下式构建所述门店回本周期预测模型的回归预测方程,并由所述回归预测方程计算得到所述门店回本周期:
式中,J(w)表示所述门店回本周期,m表示所述目标商店内的商品总数,i为所述目标商店内的第i个商品,y表示所述门店经营特征的目标值,x表示所述门店经营特征的真实值,γ为系数,w为回归系数,T为向量转置。
在一实施例中,所述门店环境特征包括门店基本属性、门店外部属性和门店销售属性;
所述相似门店选取单元302包括:
系数计算单元,用于基于所述门店基本属性、门店外部属性和门店销售属性,利用皮尔逊相关系数计算得到所述目标门店的相似门店。
在一实施例中,所述策略配置单元304包括:
目标拆分单元,用于将所述回本目标进行日均拆分,并拟合所述对比门店不同月份下的日销售曲线,根据所述销售曲线对日均拆分的结果设置权重系数,得到最终的每日目标值,其中,所述每日目标值包括每日毛利额目标值和每日销售额指标值。
在一实施例中,如图4所示,所述策略配置单元304还包括:
销量预测单元401,用于利用销量预测模型预测所述目标门店每一最小存货单位对应的销量,以及利用定价方程策略预测每一最小存货单位对应的最优定价策略值;
指标计算单元402,用于根据所述销量和最优定价策略值以及商品成本计算每一最小存货单位的毛利额指标值和销售额指标值;
对比单元403,用于将所述毛利额指标值与所述每日毛利额目标值进行第一对比,以及将所述销售额指标值与每日销售额目标值进行第二对比,并根据第一对比结果和第二对比结果确定所述目标门店的订货量和价格策略值。
在一实施例中,所述对比单元403包括:
第一设置单元,用于若第一对比结果和第二对比结果均高于预设阈值,则将所述销量作为所述订货量,以及将所述最优定价策略值作为所述价格策略值;
模型构建单元,用于若第一对比结果和/或第二对比结果未高于预设阈值,则获取每一最小存货单位对应的销售信息,并根据所述销售信息构建销售时长预测模型;
时间段预测单元,用于利用所述销售时长预测模型预测得到每一最小存货单位的时间段销售信息;
订购量调整单元,用于根据所述时间段销售信息对每一最小存货单位的订购量进行调整;
第二设置单元,用于对调整后的最小存货单位继续预测销量和最优定价策略值,直至所述对比结果高于预设阈值,并将对应的销量和最优定价策略值分别作为最终的订货量和价格策略值输出。
在一实施例中,所述销售信息包括销售特征、促销特征、价格特征和天气特征;
所述模型构建单元包括:
归一化单元,用于对所述销售特征、促销特征、价格特征和天气特征进行归一化处理;
特征输入单元,用于将归一化处理后的特征输入至基于循环神经网络的时间序列预测模型,以构建得到所述销售时长预测模型。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备,可以包括存储器和处理器,存储器中存有计算机程序,处理器调用存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于门店周期性回本的价格预测方法,其特征在于,包括:
选取目标门店,获取所述目标门店的门店经营特征,并根据所述门店经营特征构建门店回本周期预测模型,并由所述门店回本周期预测模型预测所述目标门店的门店回本周期;其中,门店经营特征包括销售额、毛利额;
获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店;
根据所述门店回本周期在所述相似门店中选取相似度最高的n个门店作为对比门店,并将所述对比门店的门店经营特征作为所述目标门店的回本目标;
基于所述回本目标对所述目标门店配置订货量和价格策略值。
3.根据权利要求1所述的一种基于门店周期性回本的价格预测方法,其特征在于,所述门店环境特征包括门店基本属性、门店外部属性和门店销售属性;
所述获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店,包括:
基于所述门店基本属性、门店外部属性和门店销售属性,利用皮尔逊相关系数计算得到所述目标门店的相似门店。
4.根据权利要求1所述的一种基于门店周期性回本的价格预测方法,其特征在于,所述基于所述回本目标对所述目标门店配置订货量和价格策略值,包括:
将所述回本目标进行日均拆分,并拟合所述对比门店不同月份下的日销售曲线,根据所述销售曲线对日均拆分的结果设置权重系数,得到最终的每日目标值,其中,所述每日目标值包括每日毛利额目标值和每日销售额指标值。
5.根据权利要求4所述的一种基于门店周期性回本的价格预测方法,其特征在于,所述基于所述回本目标对所述目标门店配置订货量和价格策略值,还包括:
利用销量预测模型预测所述目标门店每一最小存货单位对应的销量,以及利用定价方程策略预测每一最小存货单位对应的最优定价策略值;
根据所述销量和最优定价策略值以及商品成本计算每一最小存货单位的毛利额指标值和销售额指标值;
将所述毛利额指标值与所述每日毛利额目标值进行第一对比,以及将所述销售额指标值与每日销售额目标值进行第二对比,并根据第一对比结果和第二对比结果确定所述目标门店的订货量和价格策略值。
6.根据权利要求5所述的一种基于门店周期性回本的价格预测方法,其特征在于,所述将所述毛利额指标值与所述每日毛利额目标值进行第一对比,以及将所述销售额指标值与每日销售额目标值进行第二对比,并根据第一对比结果和第二对比结果确定所述目标门店的订货量和价格策略值,包括:
若第一对比结果和第二对比结果均高于预设阈值,则将所述销量作为所述订货量,以及将所述最优定价策略值作为所述价格策略值;
若第一对比结果和/或第二对比结果未高于预设阈值,则获取每一最小存货单位对应的销售信息,并根据所述销售信息构建销售时长预测模型;
利用所述销售时长预测模型预测得到每一最小存货单位的时间段销售信息;
根据所述时间段销售信息对每一最小存货单位的订购量进行调整;
对调整后的最小存货单位继续预测销量和最优定价策略值,直至所述对比结果高于预设阈值,并将对应的销量和最优定价策略值分别作为最终的订货量和价格策略值输出。
7.根据权利要求6所述的一种基于门店周期性回本的价格预测方法,其特征在于,所述销售信息包括销售特征、促销特征、价格特征和天气特征;
所述若第一对比结果和/或第二对比结果未高于预设阈值,则获取每一最小存货单位对应的销售信息,并根据所述销售信息构建销售时长预测模型,包括:
对所述销售特征、促销特征、价格特征和天气特征进行归一化处理;
将归一化处理后的特征输入至基于循环神经网络的时间序列预测模型,以构建得到所述销售时长预测模型。
8.一种基于门店周期性回本的价格预测装置,其特征在于,包括:
回本周期预测单元,用于选取目标门店,获取所述目标门店的门店经营特征,并根据所述门店经营特征构建门店回本周期预测模型,并由所述门店回本周期预测模型预测所述目标门店的门店回本周期;其中,门店经营特征包括销售额、毛利额;
相似门店选取单元,用于获取所述目标门店的门店环境特征,并根据所述门店环境特征构建门店相似性模型,并由所述门店相似性模型输出所述目标门店的相似门店;
回本目标获取单元,用于根据所述门店回本周期在所述相似门店中选取相似度最高的n个门店作为对比门店,并将所述对比门店的门店经营特征作为所述目标门店的回本目标;
策略配置单元,用于基于所述回本目标对所述目标门店配置订货量和价格策略值。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于门店周期性回本的价格预测方法。
10.一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权利要求1至7任一项所述的基于门店周期性回本的价格预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468914.1A CN115829624A (zh) | 2022-11-22 | 2022-11-22 | 基于门店周期性回本的价格预测方法、装置及相关介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468914.1A CN115829624A (zh) | 2022-11-22 | 2022-11-22 | 基于门店周期性回本的价格预测方法、装置及相关介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829624A true CN115829624A (zh) | 2023-03-21 |
Family
ID=85530352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211468914.1A Pending CN115829624A (zh) | 2022-11-22 | 2022-11-22 | 基于门店周期性回本的价格预测方法、装置及相关介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116505953A (zh) * | 2023-06-30 | 2023-07-28 | 湖南腾琨信息科技有限公司 | 基于bim和gis的海量地图数据优化压缩处理方法 |
-
2022
- 2022-11-22 CN CN202211468914.1A patent/CN115829624A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116505953A (zh) * | 2023-06-30 | 2023-07-28 | 湖南腾琨信息科技有限公司 | 基于bim和gis的海量地图数据优化压缩处理方法 |
CN116505953B (zh) * | 2023-06-30 | 2023-09-08 | 湖南腾琨信息科技有限公司 | 基于bim和gis的海量地图数据优化压缩处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boute et al. | An integrated production and inventory model to dampen upstream demand variability in the supply chain | |
CN110610382B (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
JP2004519021A (ja) | 動的値付けシステム | |
US20170116624A1 (en) | Systems and methods for pricing optimization with competitive influence effects | |
CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
US9715702B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
US20170116653A1 (en) | Systems and methods for analytics based pricing optimization with competitive influence effects | |
US20190378061A1 (en) | System for modeling the performance of fulfilment machines | |
Banerjee et al. | Implementing e-commerce model for agricultural produce: A research roadmap | |
CN113506143A (zh) | 商品折扣生成方法、装置、设备以及计算机可读存储介质 | |
Wang et al. | M-GAN-XGBOOST model for sales prediction and precision marketing strategy making of each product in online stores | |
CN115730980A (zh) | 基于多模型融合的商品价格数据预测方法、装置及介质 | |
Joo | Rational inattention as an empirical framework: Application to the welfare effects of new-product introduction | |
CN115829624A (zh) | 基于门店周期性回本的价格预测方法、装置及相关介质 | |
WO2002079901A2 (en) | Customer preference system | |
CN113657667A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
US11288691B2 (en) | Systems and methods for price markdown optimization | |
CN110852768A (zh) | 动态定价方法及系统、设备、存储介质 | |
CN110782338B (zh) | 借贷业务风险预测方法、装置、计算机设备和存储介质 | |
CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
Donkers et al. | Predicting customer lifetime value in multi-service industries | |
Brynjolfsson et al. | The great equalizer | |
Chen et al. | Managing the personalized order-holding problem in online retailing | |
Tripathi et al. | Optimal lot sizing policies for sequential online auctions | |
Babiloni et al. | Stock control analytics: a data-driven approach to compute the fill rate considering undershoots |
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 |