CN116757730A - 一种电商商品销售价格的预测方法、装置及存储介质 - Google Patents
一种电商商品销售价格的预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116757730A CN116757730A CN202310809047.1A CN202310809047A CN116757730A CN 116757730 A CN116757730 A CN 116757730A CN 202310809047 A CN202310809047 A CN 202310809047A CN 116757730 A CN116757730 A CN 116757730A
- Authority
- CN
- China
- Prior art keywords
- commodity
- target
- price
- sales
- unit 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 148
- 238000005457 optimization Methods 0.000 claims description 29
- 230000009977 dual effect Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000011835 investigation Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电商商品销售价格的预测方法、装置及存储介质,本发明能够基于目标电商商品的固有成本参数和市场影响因素,来构建出包含有其在指定销售周期内的销售总利润,与商品单价之间的函数模型;如此,通过该函数模型,即可确定出使销售总利润最大时所对应的商品单价,而该确定出的商品单价则可作为目标电商商品在指定销售周期内的最优销售价格;基于此,本方法采用机器处理技术,并结合影响商品销售利润的相关参数,来直接进行价格预测,相比于传统技术,无需人工介入以及长时间调研,不仅降低了成本,还提高了效率和准确性;由此,本方法适用于在商品定价领域的大规模应用与推广。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种电商商品销售价格的预测方法、装置及存储介质。
背景技术
随着互联网的普及和电子商务的发展,线上购物已成为人们进行商品购物的主要方式之一,同时,各个电商平台上已经涵盖了人们日常生活、工作甚至生产所需的各种商品,因此,电商平台的普及,在给人们带来极大的便捷性的同时,也改变了消费者的消费方式和产品的销售模式;基于此,如何在电商平台上迅速占领市场,是每个销售企业所需要重点研究的问题。
在实际应用中,商品的价格定位,是企业占领市场必不可少的步骤,而商品价格的预测,则是市场预测分析与商品生产销售决策的基础,也是市场预测领域中的一个重要问题,在商品生产、销售等很多问题中起着关键作用;目前,商品的价格预测是通过漫长的市场调研和用户调查,并在此基础上,结合人为经验来实现的,其存在以下不足:需要耗费大量的人力物力,不仅效率低,还容易受人为主观经验的影响,准确率不高;如此,如何提供一种效率高,且准确性高的商品价格预测方法,已成为销售企业所重点关注的问题。
发明内容
本发明的目的是提供一种电商商品销售价格的预测方法、装置及存储介质,用以解决现有技术中所存在的需要耗费大量的人力物力,不仅效率低,还容易受人为主观经验的影响,从而导致准确率不高的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种电商商品销售价格的预测方法,包括:
获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素;
基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,其中,所述商品成本函数的自变量包括所述目标电商商品的商品单价;
依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;
基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价;
将所述最优单价发送至销售端,以使所述销售端在接收到所述最优单价时,将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格。
基于上述公开的内容,本发明先获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素,并基于此,来构建出了以目标电商商品的商品单价为自变量的商品成本函数,如此,相当于建立了商品单价与其在指定销售周期内所耗费成本之间的函数关系;接着,本发明以该商品成本函数为基础,并结合市场影响因素,来构建出了目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;而后,即可基于该模型,来进行商品价格的预测;具体的,则是将该函数模型取最大值时(即利润最大时),所对应的商品单价,作为目标电商商品在该指定销售周期内的最优销售价格;由此,本发明采用机器处理方式进行价格预测,无需经过长期的市场调研,也不需要人工参与,不仅效率高,成本低,还避免了人为主观经验的影响,提高了预测的准确率。
在一个可能的设计中,所述固有成本参数包括所述销售端对应商家在采购所述目标电商商品时的固定费用和所述销售端对应商家在单位时间内存储单位目标电商商品的库存费用,且所述市场影响因素包括目标电商商品的市场需求量系数和价格弹性系数;
其中,基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,包括:
基于所述市场影响因素和所述固有成本参数,并按照如下公式(1),构建出所述目标电商商品在指定销售周期内的商品成本函数;
C=dk-δ+1xaδ-as-μ+0.5zs+bkx-as-1 (1)
上述公式(1)中,C表示所述商品成本函数,k表示所述市场需求量系数,a表示所述价格弹性系数,b表示所述固定费用,z表示所述库存费用,x表示所述目标电商商品在所述指定销售周期内的商品单价,s表示所述指定销售周期内,目标电商商品的进货量,d,δ,μ均表示常数。
在一个可能的设计中,所述固有成本参数包括所述销售端对应商家在采购所述目标电商商品时的固定费用和所述销售端对应商家在单位时间内存储单位目标电商商品的库存费用,且所述市场影响因素包括目标电商商品的市场需求量系数和价格弹性系数;
其中,依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型,包括:
依据所述商品成本函数、所述市场需求量系数和所述价格弹性系数,并按照如下公式(2),构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;
L(x,s)=kx-a+1-C (2)
上述公式(2)中,L(x,s)为所述函数模型,表示所述目标电商商品在指定销售周期内的商品销售总利润,k表示所述市场需求量系数,a表示所述价格弹性系数,C表示所述商品成本函数,x表示目标电商商品在指定销售周期内的商品单价;
其中,C=dk-δ+1xaδ-as-μ+0.5zs+bkx-as-1 (3)
上述公式(3)中,b表示所述固定费用,z表示所述库存费用,s表示所述指定销售周期内,目标电商商品的进货量,d,δ,μ均表示常数。
在一个可能的设计中,基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价,包括:
采用几何规划算法,对所述函数模型进行模型转换处理,以得到几何规划模型,其中,所述几何规划模型的值越小,表征所述函数模型的值越大,且所述几何规划模型的模型值与所述目标电商商品在所述指定销售周期内的商品单价相关;
求解所述几何规划模型,得到使所述函数模型取最大值时所对应的商品单价。
在一个可能的设计中,所述几何规划模型为:
上述公式(4)中,L′表示所述几何规划模型,r表示所述销售端对应商家在所述指定销售周期内,销售所述目标电商商品所要求的最低销售利润。
在一个可能的设计中,求解所述几何规划模型,得到使所述函数模型取最大值时所对应的商品单价,包括:
采用对偶算法,构建出所述几何规划模型的目标优化模型,其中,所述目标优化模型如下述公式(5)所示;
上述公式(5)中,d(w)表示所述目标优化模型,w表示对偶向量,其中,w=(w0,w1,w2,w3,w4)T,且w0,w1,w2,w3,w4均表示对偶变量,T表示转置运算,τ表示中间变量;
其中,w0,w1,w2,w3,w4与所述中间变量之间满足以下关系式;
所述中间变量与所述函数模型之间满足以下关系式;
根据公式(6),求解所述目标优化模型,以得到所述目标优化模型取最小值时,所述中间变量与各个对偶变量的值;
根据中间变量的值以及公式(7),计算得到使所述函数模型取最大值时所对应的商品单价。
在一个可能的设计中,所述方法还包括:
根据中间变量的值以及公式(7),计算得到使函数模型取最大值时所对应的商品单价,以及目标电商商品在指定销售周期内的最佳进货量,并将计算得到的商品单价,作为最优单价;
将所述最优单价和所述最佳进货量发送至所述销售端,以使所述销售端对应的商家依据所述最佳进货量进行目标电商商品的采购,并将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格。
第二方面,提供了一种电商商品销售价格的预测装置,包括:
获取单元,用于获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素;
成本函数构建单元,用于基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,其中,所述商品成本函数的自变量包括所述目标电商商品的商品单价;
价格预测单元,用于依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;
价格预测单元,用于基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价;
发送单元,用于将所述最优单价发送至销售端,以使所述销售端在接收到所述最优单价时,将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格。
第三方面,提供了另一种电商商品销售价格的预测装置,以装置为电子设备为例,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述电商商品销售价格的预测方法。
第四方面,提供了一种存储介质,存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所述电商商品销售价格的预测方法。
第五方面,提供了一种包含指令的计算机程序产品,当指令在计算机上运行时,使计算机执行如第一方面或第一方面中任意一种可能设计的所述电商商品销售价格的预测方法。
有益效果:
(1)本发明先获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素,并基于此,来构建出了以目标电商商品的商品单价为自变量的商品成本函数,如此,相当于建立了商品单价与其在指定销售周期内所耗费成本之间的函数关系;接着,本发明以该商品成本函数为基础,并结合市场影响因素,来构建出了目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;而后,即可基于该模型,来进行商品价格的预测;具体的,则是将该函数模型取最大值时(即利润最大时),所对应的商品单价,作为目标电商商品在该指定销售周期内的最优销售价格;由此,本发明采用机器处理方式进行价格预测,无需经过长期的市场调研,也不需要人工参与,不仅效率高,成本低,还避免了人为主观经验的影响,提高了预测的准确率。
附图说明
图1为本发明实施例提供的电商商品销售价格的预测方法的步骤流程示意图;
图2为本发明实施例提供的电商商品销售价格的预测装置的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述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。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
参见图1所示,本实施例所提供的电商商品销售价格的预测方法,能够基于目标电商商品的固有成本参数和市场影响因素,来构建出其在指定销售周期内的销售总利润,与商品单价之间的函数模型;如此,通过该函数模型,即可确定出使销售总利润最大时所对应的商品单价,而该确定出的商品单价则可作为目标电商商品在指定销售周期内的最优销售价格(即该商品以该价格销售,可使商家的利润达到最大);基于此,本方法采用机器处理技术,并结合影响商品销售利润的相关参数,来直接进行价格预测,相比于传统技术,无需人工介入以及长时间调研,不仅降低了成本,还提高了效率和准确性;由此,本方法适用于在商品定价领域的大规模应用与推广;在本实施例中,举例该方法可以但不限于在服务器侧运行,可以理解的是,前述执行主体并不构成对本申请实施例的限定,相应的,本方法的运行步骤可以但不限于如下述步骤S1~S5所示。
S1.获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素;在本实施例中,举例固有成本参数可以但不限于包括有所述销售端对应商家在采购所述目标电商商品时的固定费用和所述销售端对应商家在单位时间内存储单位目标电商商品的库存费用,其中,前述固定费用是指商家进货一次目标电商商品所支出的进货费之外的其余费用,如占用资金的利息支出、订购物资的行政开支及其他各种存贮费用(如建筑物的折旧费,租金,地方捐税,供暖,照明,机械操作设备,仓库费用,工作人员薪水等),在本实施例中,该费用为固定费用;同时,库存费用则是单位目标电商商品在仓库中库存单位时间所产生的费用,如单位时间为一天,单位目标电商商品为一个,那么,则是一个目标电商商品在仓库中库存一天所产生的费用;另外,举例所述市场影响因素可以但不限于包括目标电商商品的市场需求量系数和价格弹性系数;可选的,价格弹性系数可以但不限于为1.5,而市场需求量系数可根据不同销售周期而具体设定,在此不作具体限定;另外,举例指定销售周期可以但不限于为一周、一月、一个季度等,也可根据实际使用而设定。
在得到目标电商商品的固有成本参数和市场影响因素后,则可构建出目标电商商品在指定销售周期内,所产生的成本;其中,成本函数的构建过程可以但不限于如下述步骤S2所示。
S2.基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,其中,所述商品成本函数的自变量包括所述目标电商商品的商品单价;在本实施例中,可以但不限于采用如下公式(1)来构建出目标电商商品在指定销售周期内的商品成本函数。
C=dk-δ+1xaδ-as-μ+0.5zs+bkx-as-1 (1)
上述公式(1)中,C表示所述商品成本函数,k表示所述市场需求量系数,a表示所述价格弹性系数,b表示所述固定费用,z表示所述库存费用,x表示所述目标电商商品在所述指定销售周期内的商品单价,s表示所述指定销售周期内,目标电商商品的进货量,d,δ,μ均表示常数;在本实施例中,0.5zs表示所述目标电商商品在指定销售周期内的库存成本(0.5为引入的库存系数),dk-δ+1xaδ-as-μ表示所述销售端对应商家在指定销售周期内采购所述目标电商商品所花费的采购成本,而bkx-as-1表示在指定销售周期内,采购所述目标电商商品时除去所述采购成本之外的其余采购费用(该费用则是前述所举例的费用,包括人工支出等)。
同时,采购成本是通过采购价乘以进货量所得到的;在本实施例中,目标电商商品的采购价为其在指定销售周期内的需求量和进货量的减函数;具体的,目标电商商品的单位采购价格可以但不限于表示为:f=dG-δs-μ,式中,f表示为采购价格,G表示目标电商商品在指定销售周期内的需求量,而G=kx-a,因此,将需求量的公式代入前述采购价格公式,则可得到采购成本m的计算公式:m=d(kx-a)-δs-μs=dk-δxaδs1-μ,同时,由于前述就已说明采购价为需求量和进货量之间的减函数,因此,为平衡整个成本函数,根据EOQ库存模型原理(即通过平衡采购进货成本和保管仓储成本核算,以实现总库存成本最低的最佳订货量),需要引入需求量与进货量的减函数(即Gs-1=kx-as-1),由此,目标电商商品在指定销售周期内的实际采购成本则为:m=dk-δxaδs1-μkx-as-1=dk-δ+1xaδ-as-μ;同理,在成本函数最后一项也是如此,也就是在固定费用的基础上,引入需求量与订货量之间的减函数,来平衡采购进货成本和保管仓储成本核算;当然,在本实施例中,商品成本函数的自变量除了商品单价,则还包括有进货量,而后,基于此建立的函数模型也是如此,因此,本实施例可基于后续构建的函数模型,来计算出目标电商商品在指定销售周期内的最优销售价格,以及在销售开始使的最优进货量。
如此,建立的前述成本函数则引入了目标电商商品的商品单价以及进货量,基于此,在结合目标电商商品在指定销售周期内的销售收入,即可构建出其销售总利润的函数模型,其中,构建过程可以但不限于如下述步骤S3所示。
S3.依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;在本实施例中,举例可以但不限于根据所述商品成本函数、所述市场需求量系数和所述价格弹性系数,并按照如下公式(2),构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型。
L(x,s)=kx-a+1-C (2)
上述公式(2)中,L(x,s)为所述函数模型,表示所述目标电商商品在指定销售周期内的商品销售总利润,k表示所述市场需求量系数,a表示所述价格弹性系数,C表示所述商品成本函数,x表示目标电商商品在指定销售周期内的商品单价;在本实施例中,目标电商商品的需求量为G=kx-a,因此,需求量乘以商品单价,则为销售收入,即Gx=kx-a+1,由此,前述公式(2)中的第一项则代表目标电商商品在指定销售周期内的销售收入,而销售收入减去总成本,则可得到销售利润,基于此,前述公式(2)则可变为:
L(x,s)=kx-a+1-dk-δ+1xaδ-as-μ-0.5zs-bkx-as-1 (8)
由此通过前述公式(8),即可来进行目标电商商品的价格预测,具体的,预测过程可以但不限于如下述步骤S4所示。
S4.基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价;在实际应用中,商品的定位的目的是要得到最高的利润;因此,相当于要求解出前述函数模型的最优解,而最优解则是使函数模型值最大的x和s,也就是在平衡进货量和商品单价的同时,使目标电商商品在指定销售周期内的销售利润达到最大。
可选的,可以但不限于采用几何规划算法,来进行前述函数模型的求解;在本实施例中,几何规划算法时非线性规划的一个分支,是最有效的最优化的方法之一,几何规划算法的目标函数和约束条件均由广义多项式构成,这是一类特殊的非线性规划,利用其对偶原理,可以把高度非线性问题的求解转化为具有线性约束的优化问题求解,使计算大为简化;因此,非常适用于求解指数类的函数模型;在本实施例中,利用几何规划算法来进行函数模型的求解过程,可以但不限于如下述步骤S41和步骤S42所示。
S41.采用几何规划算法,对所述函数模型进行模型转换处理,以得到几何规划模型,其中,所述几何规划模型的值越小,表征所述函数模型的值越大,且所述几何规划模型的模型值与所述目标电商商品在所述指定销售周期内的商品单价相关,当然,也以其进货量相关;在本实施例中,是通过引入一个下限值来进行模型的转换,对于本实施例而言,则是销售端对应商家在所述指定销售周期内,销售所述目标电商商品所要求的最低销售利润,因此,利用几何规划算法,先确定出几何规划的目标函数和约束函数,而后,基于目标函数和约束函数来得到几何规划算法。
其中,几何规划的目标函数和约束函数为:
minr-1 (9)
s.t. kx-a+1-dk-δ+1xaδ-as-μ-0.5zs-bkx-as-1≥r (10)
上述公式(9)表示目标函数,公式(10)则表示约束函数,r则表示最低销售利润;更进一步的,对公式(10)进行化简,即可得到几何规划模型,其表达式如下述公式(4)所示。
上述公式(4)中,L′表示所述几何规划模型。
由此,在构建得到几何规划模型后,即可利用几何规划算法中的对偶原理,来进行模型的求解,其中,求解过程如下述步骤S42所示。
S42.求解所述几何规划模型,得到使所述函数模型取最大值时所对应的商品单价;在本实施例中,则是先利用对偶原理,来将几何规划模型转换为对偶规划问题,也就是得到其对偶目标优化模型,而后,求解该对偶目标优化模型,即可得到使函数模型取最大值时所对应的商品单价;具体的,求解过程可以但不限于如下述步骤S42a~S42c所示。
S42a.采用对偶算法,构建出所述几何规划模型的目标优化模型,其中,所述目标优化模型如下述公式(5)所示。
上述公式(5)中,d(w)表示所述目标优化模型,w表示对偶向量,其中,w=(w0,w1,w2,w3,w4)T,且w0,w1,w2,w3,w4均表示对偶变量,T表示转置运算,τ表示中间变量;在本实施例中,/>因此,要使销售总利润的值最大,则要使d(w)最小;如此,则是要求解出使前述目标优化模型值最小时的对偶变量。
同时,前述对偶变量和中间变量,以及中间变量与前述函数模型之间则满足以下关系式,因此,则可基于下述关系式,来求解目标优化模型。
在本实施例中,w0,w1,w2,w3,w4与所述中间变量之间满足以下关系式;
而所述中间变量与所述函数模型之间则满足以下关系式;
基于前述公式(6)和公式(5),即可进行模型的求解,如下述步骤S42b所示。
S42b.根据公式(6),求解所述目标优化模型,以得到所述目标优化模型取最小值时,所述中间变量与各个对偶变量的值;在本实施例中,将公式(6)代入至公式(5)中,即可得到仅含有对偶变量w4的目标优化模型(下述称为简化目标优化模型);然后,在简化目标优化模型的等式两边都取自然对数,从而可得到与w4相关的对数目标优化模型;接着,对对数目标优化模型进行一阶偏导,就可得到仅含w4的非线性方程;最后,利用一维线性搜索算法,来求解前述非线性方程,则可得到使前述目标优化模型取最小值的w4的值(即最优w4);而得到最优的w4后,再将其反代入公式(6),即可得到所述目标优化模型取最小值时,对应的中间变量的值和其余4个对偶变量的值(下述都成为最优中间变量值和最优对偶变量值);在本实施例中,一维线性搜索算法为求解非线性方程的常用方法,其原理不再赘述。
在得到前述最优中间变量值和最优对偶变量值后,结合前述公式(7),即可求解出使目标优化模型取最小值时(目标优化模型取最小值,则表示函数模型取最大值,也就是在指定销售周期内达到最大销售利润),目标电商商品的最优单价;具体的,求解过程如下述步骤S42c所示。
S42c.根据中间变量的值以及公式(7),计算得到使所述函数模型取最大值时所对应的商品单价;在本实施例中,中间变量和各个对偶变量的值已知,那么基于公式(7),即可构建出包含有商品单价和进货量这两个变量的方程组,而后,求解方程组,即可得到使所述函数模型取最大值时所对应的商品单价;可选的,使所述函数模型取最大值时所对应的商品单价的计算公式,可以但不限于如下述公式(11)所示。
上述公式(11)中,x′表示使所述函数模型取最大值时所对应的商品单价(为便于与前述函数模型中的x区分,本实施例使用x′代表最优单价)。
由此通过前述公式(11),则可计算出使函数模型取最大值时所对应的商品单价,而该计算出的商品单价,则是目标电商商品在指定销售周期内的最优销售价格,即以该最优销售价格来售卖目标电商商品,可使商家在指定销售周期内的销售总利润达到最大;因此,服务器即可将该最优单价发送至销售端,从而使销售端对应的商家,将该目标电商商品在指定销售周期内的销售价格,更新为该最优单价,其更新过程为下述步骤S5所示。
S5.将所述最优单价发送至销售端,以使所述销售端在接收到所述最优单价时,将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格;在本实施例中,根据前述公式(7)和公式(4)可知,函数模型的值是有商品单价和进货量所共同决定的,因此,基于最优的w4,以及公式(7)来求解前述函数模型时,在得到最优商品单价的同时,也会得到最优的进货量,因此,在具体应用时,还可将最佳进货量连通最优单价一起发送至所述销售端,以使所述销售端对应的商家依据所述最佳进货量进行目标电商商品的采购,并将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格;由此,即可使商家得到目标电商商品在指定销售周期内最合理的定价的同时,获取销售初期,最合理的进货量,从而避免采购过多造成库存积压或采购过少导致缺货的问题。
具体的,最佳进货量的计算公式可以但不限于如下述公式(12)所示:
上述公式(12)中,s′表示最佳进货量(为便于与前述函数模型中的s区分,本实施例使用s′代表最佳进货量)。
由此通过前述步骤S1~S5所详细描述的电商商品销售价格的预测方法,本发明能够基于目标电商商品的固有成本参数和市场影响因素,来构建出包含有其在指定销售周期内的销售总利润,与商品单价之间的函数模型;如此,通过该函数模型,即可确定出使销售总利润最大时所对应的商品单价,而该确定出的商品单价则可作为目标电商商品在指定销售周期内的最优销售价格;基于此,本方法采用机器处理技术,并结合影响商品销售利润的相关参数,来直接进行价格预测,相比于传统技术,无需人工介入以及长时间调研,不仅降低了成本,还提高了效率和准确性。
如图2所示,本实施例第二方面提供了一种实现实施例第一方面中所述的电商商品销售价格的预测方法的硬件装置,包括:
获取单元,用于获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素;
成本函数构建单元,用于基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,其中,所述商品成本函数的自变量包括所述目标电商商品的商品单价;
价格预测单元,用于依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;
价格预测单元,用于基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价;
发送单元,用于将所述最优单价发送至销售端,以使所述销售端在接收到所述最优单价时,将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格。
本实施例提供的装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图3所示,本实施例第三方面提供了另一种电商商品销售价格的预测装置,以装置为电子设备为例,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的电商商品销售价格的预测方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;具体地,处理器可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现,同时,处理器也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中,处理器可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制,例如,所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WI FI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的电商商品销售价格的预测方法的指令的存储介质,即所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面所述的电商商品销售价格的预测方法。
其中,所述存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的电商商品销售价格的预测方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电商商品销售价格的预测方法,其特征在于,包括:
获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素;
基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,其中,所述商品成本函数的自变量包括所述目标电商商品的商品单价;
依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;
基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价;
将所述最优单价发送至销售端,以使所述销售端在接收到所述最优单价时,将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格。
2.根据权利要求1所述的方法,其特征在于,所述固有成本参数包括所述销售端对应商家在采购所述目标电商商品时的固定费用和所述销售端对应商家在单位时间内存储单位目标电商商品的库存费用,且市场影响因素包括目标电商商品的市场需求量系数和价格弹性系数;
其中,基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,包括:
基于所述市场影响因素和所述固有成本参数,并按照如下公式(1),构建出所述目标电商商品在指定销售周期内的商品成本函数;
C=dk-δ+1xaδ-as-μ+0.5zs+bkx-as-1 (1)
上述公式(1)中,C表示所述商品成本函数,k表示所述市场需求量系数,a表示所述价格弹性系数,b表示所述固定费用,z表示所述库存费用,x表示所述目标电商商品在所述指定销售周期内的商品单价,s表示所述指定销售周期内,目标电商商品的进货量,d,δ,μ均表示常数。
3.根据权利要求1所述的方法,其特征在于,所述固有成本参数包括所述销售端对应商家在采购所述目标电商商品时的固定费用和所述销售端对应商家在单位时间内存储单位目标电商商品的库存费用,且市场影响因素包括目标电商商品的市场需求量系数和价格弹性系数;
其中,依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型,包括:
依据所述商品成本函数、所述市场需求量系数和所述价格弹性系数,并按照如下公式(2),构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;
L(x,s)=kx-a+1-C (2)
上述公式(2)中,L(x,s)为所述函数模型,表示所述目标电商商品在指定销售周期内的商品销售总利润,k表示所述市场需求量系数,a表示所述价格弹性系数,C表示所述商品成本函数,x表示目标电商商品在指定销售周期内的商品单价;
其中,C=dk-δ+1xaδ-as-μ+0.5zs+bkx-as-1(3)
上述公式(3)中,b表示所述固定费用,z表示所述库存费用,s表示所述指定销售周期内,目标电商商品的进货量,d,δ,μ均表示常数。
4.根据权利要求3所述的方法,其特征在于,基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价,包括:
采用几何规划算法,对所述函数模型进行模型转换处理,以得到几何规划模型,其中,所述几何规划模型的值越小,表征所述函数模型的值越大,且所述几何规划模型的模型值与所述目标电商商品在所述指定销售周期内的商品单价相关;
求解所述几何规划模型,得到使所述函数模型取最大值时所对应的商品单价。
5.根据权利要求4所述的方法,其特征在于,所述几何规划模型为:
上述公式(4)中,L′表示所述几何规划模型,r表示所述销售端对应商家在所述指定销售周期内,销售所述目标电商商品所要求的最低销售利润。
6.根据权利要求5所述的方法,其特征在于,求解所述几何规划模型,得到使所述函数模型取最大值时所对应的商品单价,包括:
采用对偶算法,构建出所述几何规划模型的目标优化模型,其中,所述目标优化模型如下述公式(5)所示;
上述公式(5)中,d(w)表示所述目标优化模型,w表示对偶向量,其中,w=(w0,w1,w2,w3,w4)T,且w0,w1,w2,w3,w4均表示对偶变量,T表示转置运算,τ表示中间变量;
其中,w0,w1,w2,w3,w4与所述中间变量之间满足以下关系式;
所述中间变量与所述函数模型之间满足以下关系式;
根据公式(6),求解所述目标优化模型,以得到所述目标优化模型取最小值时,所述中间变量与各个对偶变量的值;
根据中间变量的值以及公式(7),计算得到使所述函数模型取最大值时所对应的商品单价。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据中间变量的值以及公式(7),计算得到使函数模型取最大值时所对应的商品单价,以及目标电商商品在指定销售周期内的最佳进货量,并将计算得到的商品单价,作为最优单价;
将所述最优单价和所述最佳进货量发送至所述销售端,以使所述销售端对应的商家依据所述最佳进货量进行目标电商商品的采购,并将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格。
8.一种电商商品销售价格的预测装置,其特征在于,包括:
获取单元,用于获取目标电商商品在指定销售周期内的固有成本参数以及市场影响因素;
成本函数构建单元,用于基于所述市场影响因素和所述固有成本参数,构建出所述目标电商商品在指定销售周期内的商品成本函数,其中,所述商品成本函数的自变量包括所述目标电商商品的商品单价;
价格预测单元,用于依据所述商品成本函数以及所述市场影响因素,构建出所述目标电商商品在指定销售周期内的商品销售总利润与商品单价之间的函数模型;
价格预测单元,用于基于所述函数模型,确定出使所述函数模型取最大值时所对应的商品单价,并将确定出的商品单价,作为最优单价;
发送单元,用于将所述最优单价发送至销售端,以使所述销售端在接收到所述最优单价时,将所述最优单价作为所述目标电商商品在所述指定销售周期内的销售价格。
9.一种电商商品销售价格的预测装置,其特征在于,包括:依次通信相连的存储器、处理器和收发器,其中,存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7任意一项所述的电商商品销售价格的预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7任意一项所述的电商商品销售价格的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310809047.1A CN116757730A (zh) | 2023-07-03 | 2023-07-03 | 一种电商商品销售价格的预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310809047.1A CN116757730A (zh) | 2023-07-03 | 2023-07-03 | 一种电商商品销售价格的预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757730A true CN116757730A (zh) | 2023-09-15 |
Family
ID=87960827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310809047.1A Pending CN116757730A (zh) | 2023-07-03 | 2023-07-03 | 一种电商商品销售价格的预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757730A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116348A1 (en) * | 2000-05-19 | 2002-08-22 | Phillips Robert L. | Dynamic pricing system |
CN107369049A (zh) * | 2017-07-28 | 2017-11-21 | 国信优易数据有限公司 | 一种商品价格预测方法以及装置 |
CN108694599A (zh) * | 2017-04-07 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 确定商品价格的方法、装置、电子设备和存储介质 |
CN109064212A (zh) * | 2018-07-04 | 2018-12-21 | 苏州仙度网络科技有限公司 | 商品价格预测方法及装置 |
CN110415004A (zh) * | 2018-04-27 | 2019-11-05 | 杉数科技(北京)有限公司 | 用于确定商品定价的方法及装置 |
CN112488771A (zh) * | 2020-12-17 | 2021-03-12 | 深圳市华宇讯科技有限公司 | 自动设置商品价格的方法、装置、设备和存储介质 |
CN115730980A (zh) * | 2022-11-22 | 2023-03-03 | 广州市钱大妈信息科技有限公司 | 基于多模型融合的商品价格数据预测方法、装置及介质 |
-
2023
- 2023-07-03 CN CN202310809047.1A patent/CN116757730A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116348A1 (en) * | 2000-05-19 | 2002-08-22 | Phillips Robert L. | Dynamic pricing system |
CN108694599A (zh) * | 2017-04-07 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 确定商品价格的方法、装置、电子设备和存储介质 |
CN107369049A (zh) * | 2017-07-28 | 2017-11-21 | 国信优易数据有限公司 | 一种商品价格预测方法以及装置 |
CN110415004A (zh) * | 2018-04-27 | 2019-11-05 | 杉数科技(北京)有限公司 | 用于确定商品定价的方法及装置 |
CN109064212A (zh) * | 2018-07-04 | 2018-12-21 | 苏州仙度网络科技有限公司 | 商品价格预测方法及装置 |
CN112488771A (zh) * | 2020-12-17 | 2021-03-12 | 深圳市华宇讯科技有限公司 | 自动设置商品价格的方法、装置、设备和存储介质 |
CN115730980A (zh) * | 2022-11-22 | 2023-03-03 | 广州市钱大妈信息科技有限公司 | 基于多模型融合的商品价格数据预测方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
朱德辉;杜文;: "基于利润最大化销售商EOQ存储模型的研究", 铁道运输与经济, no. 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Information sharing strategies in a hybrid-format online retailing supply chain | |
Huang | Optimal retailer's ordering policies in the EOQ model under trade credit financing | |
De et al. | Carbon emission sensitive deteriorating inventory model with trade credit under volumetric fuzzy system | |
Zheng et al. | Market entrance and pricing strategies for a capital-constrained remanufacturing supply chain: effects of equity and bank financing on circular economy | |
Höckner et al. | Market distortions in flexibility markets caused by renewable subsidies–The case for side payments | |
Sana | Optimal production lot size and reorder point of a two-stage supply chain while random demand is sensitive with sales teams' initiatives | |
CN102999846A (zh) | 一种处理商品赔付信息的方法和装置 | |
Cheng et al. | Advance selling with double marketing efforts in a newsvendor framework | |
Tou et al. | Fusion of technology management and financing management-Amazon's transformative endeavor by orchestrating techno-financing systems | |
Jiang et al. | Optimizing shipping-fee schedules to maximize e-tailer profits | |
Hasan et al. | Inventory management with online payment and preorder discounts | |
Mishra | An inventory model for Weibull deterioration with stock and price dependent demand | |
Soni et al. | Joint pricing, inventory, and preservation decisions for deteriorating items with stochastic demand and promotional efforts | |
Zhang et al. | Optimal operational strategies of capital-constrained supply chain with logistics service and price dependent demand under 3PL financing service | |
Jin et al. | Competing e-tailers’ adoption strategies of buy-online-and-return-in-store service | |
CN115147144A (zh) | 数据处理方法及电子设备 | |
Liu et al. | Joint optimization of lot-sizing and pricing with backlogging | |
Xu et al. | Decisions of pricing and delivery-lead-time in dual-channel supply chains with data-driven marketing using internal financing and contract coordination | |
Chen et al. | Wireless Communication Using Embedded Microprocessor‐5G Embedded E‐Commerce System Oriented to Fruit Ordering, Sales, and Logistics | |
CN116757730A (zh) | 一种电商商品销售价格的预测方法、装置及存储介质 | |
Shi et al. | Dynamic pricing and investment for fashion products under reference effect | |
KR20100040829A (ko) | 오픈마켓에서 가격경쟁을 촉진하여 상권을 활성화하는 방법 및 시스템 | |
CN110163585B (zh) | 一种电子红包的发放方法及装置 | |
CN113590690A (zh) | 对象信息处理方法、装置、设备及存储介质 | |
JP2021170327A (ja) | 情報処理方法、電子機器及びコンピュータプログラム |
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 |