CN117952664A - 交易额预测方法、装置、电子设备及存储介质 - Google Patents
交易额预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117952664A CN117952664A CN202410120821.2A CN202410120821A CN117952664A CN 117952664 A CN117952664 A CN 117952664A CN 202410120821 A CN202410120821 A CN 202410120821A CN 117952664 A CN117952664 A CN 117952664A
- Authority
- CN
- China
- Prior art keywords
- period
- sales
- jump
- transaction amount
- coefficient
- 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 77
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 20
- 238000007667 floating Methods 0.000 claims description 5
- 230000001737 promoting effect Effects 0.000 description 21
- 230000000694 effects Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 11
- 238000013459 approach Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本申请提供了一种交易额预测方法、装置、电子设备及存储介质。该方法包括:将销售期划分为第一销售期、第二销售期和第三销售期;根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;根据历史周期内第二时间段的跳起系数及跳起系数差值,确定当前周期内第二时间段的跳起系数;对当前周期内第二时间段的第一销售期的日均交易额进行预测,确定当前周期内第二时间段的第二销售期和第三销售期对应的日均交易额;根据当前周期内第二时间段的第一销售期、第二销售期以及第三销售期对应的日均交易额,对总交易额进行预测。本申请提升了交易额预测方法在实际业务运营中的应用和有效性,提升预测结果的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种交易额预测方法、装置、电子设备及存储介质。
背景技术
随着电子商务的快速发展,小程序作为一种新兴的在线营销平台,其发放的卡券数量庞大,达到数千万张。然而,当前存在一个关键问题:如何有效地预估这些卡券在发放前对成交额的影响。这一问题的解决对于小程序管理者来说至关重要,因为它直接关系到营销活动的实际效果、资源配置的优化,以及营销策略的调整。
目前,市场上的主流预测方法主要基于机器学习模型。尽管这些模型在某些方面表现出色,但它们也面临着明显的局限性和挑战。例如,数据需求量大:传统的机器学习算法通常需要大量数据支撑。在许多商业场景中,尤其是新兴市场或小型企业,很难获得足够的数据量,从而导致预测结果不尽如人意。可解释性差:复杂的模型,如神经网络,常被视为“黑箱”,其内部的预测过程难以理解和解释。这种缺乏透明度的特性使得模型难以直接应用于指导具体的业务操作。超参数调整困难:传统机器学习模型通常包含许多需要手动调整的超参数。这不仅需要大量试验和经验积累,而且调整过程往往直接影响到模型的最终性能。
因此,现有技术中基于机器学习模型的交易额预测方法存在学习成本高、预测模型可解释性差,以及超参数调整困难的问题,这些问题限制了交易额预测方法在实际业务运营中的应用和有效性。
发明内容
有鉴于此,本申请实施例提供了一种交易额预测方法、装置、电子设备及存储介质,以解决现有技术存在的基于机器学习模型的交易额预测方法存在学习成本高、预测模型可解释性差,以及超参数调整困难的问题,这些问题限制了交易额预测方法在实际业务运营中的应用和有效性的问题。
本申请实施例的第一方面,提供了一种交易额预测方法,包括:根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期;将第一销售期对应的日均交易额作为基准,分别计算第二销售期和第三销售期对应的跳起系数;根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;根据历史周期内第二时间段的跳起系数及跳起系数差值,确定当前周期内第二时间段对应的跳起系数;对当前周期内第二时间段对应的第一销售期的日均交易额进行预测,基于预测结果以及当前周期内第二时间段的跳起系数,确定当前周期内第二时间段的第二销售期和第三销售期分别对应的日均交易额;根据当前周期内第二时间段的第一销售期、第二销售期以及第三销售期分别对应的日均交易额,对当前周期内第二时间段的总交易额进行预测,得到总交易额预测值。
本申请实施例的第二方面,提供了一种交易额预测装置,包括:分类模块,被配置为根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期;第一计算模块,被配置为将第一销售期对应的日均交易额作为基准,分别计算第二销售期和第三销售期对应的跳起系数;第二计算模块,被配置为根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;第一确定模块,被配置为根据历史周期内第二时间段的跳起系数及跳起系数差值,确定当前周期内第二时间段对应的跳起系数;第二确定模块,被配置为对当前周期内第二时间段对应的第一销售期的日均交易额进行预测,基于预测结果以及当前周期内第二时间段的跳起系数,确定当前周期内第二时间段的第二销售期和第三销售期分别对应的日均交易额;预测模块,被配置为根据当前周期内第二时间段的第一销售期、第二销售期以及第三销售期分别对应的日均交易额,对当前周期内第二时间段的总交易额进行预测,得到总交易额预测值。
本申请实施例的第三方面,提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期;将第一销售期对应的日均交易额作为基准,分别计算第二销售期和第三销售期对应的跳起系数;根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;根据历史周期内第二时间段的跳起系数及跳起系数差值,确定当前周期内第二时间段对应的跳起系数;对当前周期内第二时间段对应的第一销售期的日均交易额进行预测,基于预测结果以及当前周期内第二时间段的跳起系数,确定当前周期内第二时间段的第二销售期和第三销售期分别对应的日均交易额;根据当前周期内第二时间段的第一销售期、第二销售期以及第三销售期分别对应的日均交易额,对当前周期内第二时间段的总交易额进行预测,得到总交易额预测值。本申请提升了交易额预测方法在实际业务运营中的应用和有效性,提升预测结果的准确性,且预测方式清晰透明,可用于指导业务日常运营。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
图1是本申请实施例提供的交易额预测方法的流程示意图;
图2是本申请实施例提供的交易额预测装置的结构示意图;
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”“包含”或者其任何其他变体意在涵盖非排他性地包含,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。
术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
需要注意,本申请实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
当前,小程序上的卡券发放数量巨大,总计达到几千万张。然而,由于缺乏有效的分析工具,难以准确评估这些卡券对最终成交额的影响。这不仅使得小程序的管理者无法得知其营销活动的实际效果,也无法优化其营销策略,从而导致资源的浪费和营销效果的降低,而且对商家来说也不确定这些卡券能对他带来的效果。此外,目前市面上的预测方法大多基于机器学习模型,但机器学习模型对于业务人员来说学习成本较高,可解释性较难,不太适合指导业务运营。
目前大部分的预测方法都是基于传统机器学习的预测,但是有以下几个缺点和限制:
1、数据需求大:传统机器学习算法通常需要比较多的数据,但是很多业务场景难以获取大量数据支持,导致算法结果不及预期。
2、可解释性差:复杂的模型(如神经网络)则通常被视为“黑箱”,其预测过程难以解释,无法指导业务动作,不具备可运营和可操作性。
3、超参数调整困难:传统机器学习算法通常有许多需要手动调整的超参数,这个过程通常需要大量的尝试和经验,而且往往会直接影响模型的性能。
针对上述现有技术中存在的问题,本申请提出了一种新型的交易额预测方法,旨在解决小程序卡券发放前成交额预估的问题。本方法易于被业务人员理解和操作,与日常运营工作紧密相关,且能够提供清晰透明的预测逻辑,从而有效指导业务决策,并允许对方案的准确性进行全面校验。
下面将结合附图详细说明根据本申请实施例的一种交易额预测方法、装置、电子设备及存储介质。
图1是本申请实施例提供的交易额预测方法的流程示意图。图1的交易额预测方法可以由服务器执行。如图1所示,该交易额预测方法具体可以包括:
S101,根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期;
S102,将第一销售期对应的日均交易额作为基准,分别计算第二销售期和第三销售期对应的跳起系数;
S103,根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;
S104,根据历史周期内第二时间段的跳起系数及跳起系数差值,确定当前周期内第二时间段对应的跳起系数;
S105,对当前周期内第二时间段对应的第一销售期的日均交易额进行预测,基于预测结果以及当前周期内第二时间段的跳起系数,确定当前周期内第二时间段的第二销售期和第三销售期分别对应的日均交易额;
S106,根据当前周期内第二时间段的第一销售期、第二销售期以及第三销售期分别对应的日均交易额,对当前周期内第二时间段的总交易额进行预测,得到总交易额预测值。
需要说明的是,在本申请以下实施例中,“GMV”指的是Gross Merchan diseVolume,即总商品交易额。这是一个电子商务领域常用的指标,用于衡量在特定时间内通过特定平台(如xxxx小程序)销售的商品的总价值。GMV反映了平台的销售活动的规模和活跃度,是评估电子商务业绩的关键指标之一。在这种基于营销活动的卡券成交额预测方法中,GMV可以帮助理解卡券促销对整体销售的贡献度。
“base”是指作为基准的日均总商品交易额(Gross Merchandise Volume,GMV)。这个基准通常用于评估不同营销活动期间的销售表现。在本申请基于营销活动的卡券成交额预测方法中,“base”作为一种参考点,用于比较不同时间段或不同营销活动的销售额。
具体来说,“base”可以是日常销售期间的平均GMV,然后通过计算促销期间的GMV与这个基准值的比较,来评估促销活动的效果。例如,如果某个促销活动期间的GMV显著高于日常的“base GMV”,这表明该促销活动成功地提高了销售额。这样的分析对于理解不同营销策略的有效性以及预测未来活动的潜在成效非常有用。
在一些实施例中,根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期,包括:
根据销售期对应的促销类别,将销售期进行分类,得到第一销售期、第二销售期和第三销售期;
其中,第一销售期用于表征普通促销类别,第二销售期用于表征小型促销类别,第三销售期用于表征大型促销类别。
具体地,在本申请实施例中,对于日期的分类和日均GMV(总商品交易额)的计算是为了更好地理解和预测不同类型营销活动对销售额的影响。
在一个示例中,本申请实施例将销售期分为日销(即第一销售期)、小促(即第二销售期)和大促(即第三销售期)。其中,日销:指的是平常的日子,没有特别的促销活动。在这些日子里,消费者的购买行为通常不受特别促销的影响。小促:包括周末和一些普通节假日,如五一、端午等。在这些时段,通常会有一些促销活动,但它们的规模和影响力不及大型促销活动。大促:指的是如双11等大型促销活动。这些时期的促销活动规模大,广告和折扣力度大,通常能吸引大量消费者参与。
进一步地,在计算日均GMV(即日均交易额)时,首先选取一个具体的时间段,如第二季度(Q2),共90天;根据日期分类将这90天分为日销、小促、大促;例如,50天划分为日销,25天为小促,15天为大促。然后,对每个类别的日子分别计算其日均GMV。也就是说,分别计算日销日子、小促日子和大促日子的平均每日交易额。计算方法可以是取每个类别中所有日子的GMV总和,然后除以该类别对应的天数。
通过上述分类和计算方法,可以更准确地理解不同类型的营销活动对销售额的影响。例如,大促期间的日均GMV可能远高于日销期间,这表明大型促销活动对提升销售额有显著效果。同样,通过比较小促和日销期间的GMV,可以评估周末和普通节假日促销的效果。这种分析对于商家在规划和调整营销策略时至关重要,帮助他们更有效地分配资源和预测营销活动的成效。
在一些实施例中,将第一销售期对应的日均交易额作为基准,分别计算第二销售期和第三销售期对应的跳起系数,包括:
将第二销售期对应的日均交易额与第一销售期对应的日均交易额相除,得到第二销售期对应的跳起系数;
将第三销售期对应的日均交易额与第一销售期对应的日均交易额相除,得到第三销售期对应的跳起系数;
其中,跳起系数用于表征促销类别对日均交易额的影响程度。
具体地,为了衡量促销活动相对于日常销售的增长程度,本申请实施例还涉及计算小促和大促的跳起系数的方法。跳起系数是一个用来衡量促销效果的比率。这个系数通过比较促销期间(如小促或大促)的日均GMV(总商品交易额)与日常销售(日销)期间的日均GMV来确定。跳起系数的计算可以揭示促销活动对销售额的提升程度,帮助商家理解不同促销策略的效果。
进一步地,在计算第二销售期(即小促)和第三销售期(即大促)对应的跳起系数时,首先需要确定日销期间的日均GMV,将第一销售期(即日销)对应的日均交易额作为基准来计算跳起系数,日销期间的日均GMV代表了没有促销活动时的正常销售水平。
进一步地,分别计算小促和大促期间的日均GMV。这两个数值反映了在这些特定促销活动期间的平均每日销售额。使用以下公式计算跳起系数:跳起系数=促销日均GMV/日销日均GMV。对于小促和大促,利用上述公式分别计算它们的跳起系数。
在一个示例中,例如:如果日销日均GMV是1000元,小促日均GMV是1200元,那么小促的跳起系数为1200/1000=1.2。同样,如果大促日均GMV是1500元,那么大促的跳起系数为1500/1000=1.5。
通过上述实施例提供的跳起系数计算方法,使得商家能够量化不同促销策略的效果。通过比较跳起系数,商家可以判断哪种类型的促销(小促或大促)更有效,从而优化未来的营销策略。此外,这个系数也有助于预测未来促销活动的潜在销售额,为资源分配和策略制定提供数据支持。
在一些实施例中,根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值,包括:
计算当前周期内第一时间段的第二销售期对应的跳起系数与历史周期内第一时间段的第二销售期对应的跳起系数的差值,得到第二销售期对应的跳起系数差值;
计算当前周期内第一时间段的第三销售期对应的跳起系数与历史周期内第一时间段的第三销售期对应的跳起系数的差值,得到第三销售期对应的跳起系数差值。
具体地,跳起系数的比较旨在分析不同年份同一时期的促销效果。通过计算并比较相同时间段(如季度)的跳起系数,可以观察到销售策略的变化效果和市场趋势。例如,如果今年的跳起系数高于去年,这可能意味着今年的促销活动更有效,或者市场条件更有利。在实际应用中,跳起系数差值的计算过程可以包括以下步骤:
首先,计算今年的跳起系数:选择一个特定的时间段,如今年的第二季度(Q2)。根据前述实施例的方法,分别计算这个时期内的小促和大促对应的跳起系数。
然后,计算去年同期的跳起系数:同样,选择去年的相同时间段(去年的Q2)。采用同样的计算方法,计算去年同一时期的小促和大促跳起系数。
最后,计算跳起系数的差值:对于每一种促销(小促和大促),分别比较今年和去年的跳起系数。使用以下公式计算跳起系数差值:跳起系数差值=今年的跳起系数-去年的跳起系数。
在一个示例中,例如:如果今年Q2的小促跳起系数为1.2,去年为1.1,则差值为1.2-1.1=0.1。同样地,如果今年Q2的大促跳起系数为1.5,去年为1.4,则差值为1.5-1.4=0.1。
通过计算跳起系数的差值,商家可以量化他们的营销策略每年的改进效果。这不仅有助于评估过去的营销活动,而且还能指导未来的策略调整。例如,如果发现跳起系数有显著提升,这可能表明最近的营销策略更有效,或市场反应更积极。反之,如果跳起系数下降,可能需要调整营销策略或研究市场变化。这种方法为商家提供了一种量化和比较不同时间段营销效果的有效工具。
在一些实施例中,根据历史周期内第二时间段的跳起系数及跳起系数差值,确定当前周期内第二时间段对应的跳起系数,包括:
将历史周期内第二时间段的第二销售期对应的跳起系数与第二销售期对应的跳起系数差值相加,得到当前周期内第二时间段的第二销售期对应的跳起系数;
将历史周期内第二时间段的第三销售期对应的跳起系数与第三销售期对应的跳起系数差值相加,得到当前周期内第二时间段的第三销售期对应的跳起系数。
具体地,本申请实施例还利用去年的跳起系数和其与今年的差值来预测今年第二时间段(比如第四季度)的跳起系数,也就是说,基于历史数据和趋势分析,来预测未来的营销活动效果。
本申请使用历史数据作为未来预测的基础。通过分析去年同期的跳起系数,并结合最近的变化趋势(即今年与去年的差值),可以估计出今年第二时间段(比如Q4季度)的跳起系数。这种方法假设市场条件和消费者行为的变化趋势在短期内是连续且相对稳定的。在实际应用中,跳起系数的预测过程可以包括以下步骤:
首先,需要分析去年第四季度的销售数据,计算小促和大促的跳起系数。这些系数反映了去年Q4促销活动相对于日常销售的增长程度。
然后,计算今年与去年跳起系数的差值:分析今年到目前为止的销售数据,特别是小促和大促期间的数据。计算今年相应时间段的跳起系数,并与去年同期的跳起系数进行比较,得到差值。
最后,预测今年Q4的跳起系数:使用去年Q4的跳起系数,加上相应的差值,来预测今年Q4的跳起系数。
在一个示例中,例如:如果去年Q4的小促跳起系数是1.3,大促是1.6,而今年与去年的差值分别是0.1和0.1,则今年Q4的预测跳起系数为小促1.4(1.3+0.1)和大促1.7(1.6+0.1)。
通过上述实施例提供的跳起系数预测方法,使商家能够基于过去的数据和最新的市场趋势来制定更加精准的营销策略。通过预测跳起系数,商家可以更好地规划促销活动的规模和力度,从而优化资源分配,提高营销活动的效率和效果。这种基于数据和趋势分析的方法为商家提供了一个实用的工具,以更科学、合理的方式预测和调整未来的营销策略。
在一些实施例中,将当前周期的第二时间段作为当前周期对应的未来预测季度;
对当前周期内第二时间段对应的第一销售期的日均交易额进行预测,包括:
获取当前周期的第一历史季度和第二历史季度分别对应的日均交易额;
确定第二历史季度的日均交易额与第一历史季度的日均交易额的环比增长率;
确定第一历史季度的日均交易额与第二历史季度的日均交易额的加权平均值;
基于环比增长率以及加权平均值,计算当前周期的未来预测季度对应的第一销售期的日均交易额。
具体地,本申请实施例中的“日销日均GMV”指的是预计的日常销售(非促销期间)的平均每日销售额。这个基准值是通过分析特定时间段内的销售数据并考虑销售增长趋势来计算的。这种方法假设近期的销售趋势可以作为预测未来销售的一个参考。下面结合具体实施例对当前周期(当前年份)内第二时间段(比如Q4季度)对应的第一销售期(日销)的日均交易额(日均GMV)进行预测的过程进行详细说明,具体可以包括以下内容:
首先,需要分别计算第一历史季度(比如Q1季度)和第二历史季度(比如Q3季度)对应的日销GMV。
然后,计算Q3相对于Q1的环比增长率。环比增长率是指相邻两个时间段销售额的增长比例,计算公式为:环比增长率=Q1的日销GMV(Q3的日销GMV-Q1的日销GMV)。
之后,基于Q1和Q3的日销GMV,计算它们的加权平均值。加权平均值可以根据实际情况调整,在实际应用中,可以直接取它们的算术平均值作为加权平均值。
最后,应用环比增长率来调整这个平均值,从而预测Q4的日销日均GMV。计算公式为:Q4的日销日均GMV=(Q1日销GMV+Q3的日销GMV)/2×(1+环比增长率)。
在一个示例中,例如:如果Q1和Q3的日销GMV计算出的环比增长率为10%,则Q4的日销日均base为(Q1日销GMV+Q3的日销GMV)/2×1.10。
通过上述日销日均GMV的预测方法,可以有效地利用现有的季度销售数据来预测接下来季度的日常销售水平。这为商家提供了一个基于实际销售数据和市场趋势的工具,以预测未来的销售表现,从而更好地规划库存、资源分配和营销策略。这种基于数据驱动的预测方法有助于商家做出更加精准和合理的业务决策。
进一步地,本申请实施例将结合前述实施例计算得到的日销日均GMV和跳起系数,来确定小促和大促期间的日均GMV。本申请使用“日销日均GMV”作为非促销日的销售基准,然后应用“跳起系数”来预测在小促和大促期间的销售额。本方法假设促销活动将相对于日常销售额(即日销日均GMV)产生一个可预测的增长比例(即跳起系数)。
进一步地,前述实施例已经计算了Q4的日销日均GMV,这是预测期间日常销售额的基础值。然后,应用中前述实施例计算出的跳起系数,即根据前述实施例确定了小促和大促期间的跳起系数。这些系数表示在促销活动期间销售额相对于日销日均GMV的预期增长比例。
进一步地,计算小促和大促的日均GMV:对于小促,将日销日均GMV乘以小促的跳起系数。计算公式为:小促日均GMV=日销日均GMV×小促跳起系数。对于大促,同样地,将日销日均GMV乘以大促的跳起系数。计算公式为:大促日均GMV=日销日均GMV×大促跳起系数。
在一个示例中,例如:如果日销日均GMV是1000元,小促的跳起系数是1.2,大促的跳起系数是1.5,则小促的日均GMV为1200元(1000x 1.2),大促的日均GMV为1500元(1000x1.5)。
在一些实施例中,在对当前周期内第二时间段的总交易额进行预测,得到总交易额预测值之前,该方法还包括:
获取当前周期内第一时间段的第一销售期、第二销售期和第三销售期分别对应的历史持续天数,根据历史持续天数以及预设的浮动比例,对当前周期内第二时间段的第一销售期、第二销售期和第三销售期分别对应的持续天数进行调整,得到调整后的持续天数。
具体地,本申请实施例还会确定当前周期内的第二时间段(比如Q4季度)的促销天数,并在确定促销天数时考虑了对日销、小促、大促天数的浮动调整。为了确定Q4季度中不同类型促销活动(即日销、小促、大促)的持续天数,将基于Q2季度的实际天数在一定比例范围内浮动。浮动的设置考虑到市场状况的变化和促销策略的调整需要,使得促销计划更加灵活和适应市场。在实际应用中,确定持续天数的过程可以包括以下步骤:
首先,分析第二季度(Q2)中每种促销活动(日销、小促、大促)的持续天数,将这些数据作为基准参考。
然后,根据策略需要,设定日销、小促、大促的浮动比例。例如,日销和小促的浮动比例为20%,大促的浮动比例为30%。
之后,对Q2的每种促销活动天数应用相应的浮动比例。例如,如果Q2的日销天数是30天,那么Q4的日销天数可以浮动20%,即在24到36天之间调整。同样地,根据小促和大促的浮动比例调整其天数。
最后,确定Q4的促销天数,结合市场预测和业务需求,决定每种促销活动在Q4的具体天数。这个决定应考虑到业务目标、市场趋势和过往经验。
进一步地,本申请将结合前面计算出的日均GMV和相应的促销天数来计算第四季度(Q4)的最终GMV。这一计算过程涉及将促销活动的平均每日销售额乘以相应的天数,从而得到整个季度的总销售额。
换言之,本申请将利用已经计算好的日均GMV数据(包括日销、小促、大促)和相应的促销活动天数,来估算整个第四季度的销售总额。这种方法考虑了不同类型促销活动对销售额的不同贡献,并提供了一种精确估算季度销售总额的方式。
在一个示例中,使用前述实施例计算出的日均GMV数值,包括日销、小促、大促期间的GMV。然后,根据前述实施例确定的每种促销类型的天数,得知日销、小促、大促各自的持续天数。对于每种促销类型(日销、小促、大促),将其日均GMV乘以相应的天数。例如,如果小促的日均GMV为1200元,且小促总共持续了25天,那么小促期间的总GMV为1200元/天×25天1200元/天×25天。最后,计算Q4的总GMV:将日销、小促、大促期间计算出的各自GMV相加,得到Q4的总GMV。例如,如果日销GMV总计为20000元,小促GMV总计为30000元,大促GMV总计为45000元,那么Q4的总GMV为20000元+30000元+45000元。
根据本申请实施例提供的技术方案,本申请技术方案具有以下优点:
本申请提出的交易额预测方法特别考虑到业务人员的操作习惯和理解能力,设计了直观且简洁的预测流程。与复杂的机器学习模型相比,本方法更易于被非技术背景的商业运营团队理解和应用,有效降低了应用门槛。
本方法不仅提供了准确的预测结果,而且其步骤和逻辑与日常商业运营活动密切相关。这种紧密结合使得商家能够直接将预测结果融入日常决策过程中,从而更有效地规划营销策略和优化资源分配。
本申请通过结合历史销售数据和市场动态,提供了一种既精确又可靠的预测方法。其明确的计算步骤和透明的逻辑使得预测结果不仅准确,而且容易被校验和调整,增强了模型的适应性和实用性。
本申请通过简明的步骤和直观的计算逻辑,提供了一种清晰透明的交易额预测方法。这种透明度使得商家能够清楚地理解预测结果背后的逻辑,从而更有信心地依据这些数据做出商业决策。
因此,本申请提供了一种在易用性、实用性和准确性方面具有显著改进的交易额预测方法。该方法不仅提高了预测的准确性和可操作性,而且优化了商业决策过程,对于提升商业运营效率和效果具有重要意义。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图2是本申请实施例提供的交易额预测装置的结构示意图。如图2所示,该交易额预测装置包括:
分类模块201,被配置为根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期;
第一计算模块202,被配置为将第一销售期对应的日均交易额作为基准,分别计算第二销售期和第三销售期对应的跳起系数;
第二计算模块203,被配置为根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;
第一确定模块204,被配置为根据历史周期内第二时间段的跳起系数及跳起系数差值,确定当前周期内第二时间段对应的跳起系数;
第二确定模块205,被配置为对当前周期内第二时间段对应的第一销售期的日均交易额进行预测,基于预测结果以及当前周期内第二时间段的跳起系数,确定当前周期内第二时间段的第二销售期和第三销售期分别对应的日均交易额;
预测模块206,被配置为根据当前周期内第二时间段的第一销售期、第二销售期以及第三销售期分别对应的日均交易额,对当前周期内第二时间段的总交易额进行预测,得到总交易额预测值。
在一些实施例中,图2的分类模块201根据销售期对应的促销类别,将销售期进行分类,得到第一销售期、第二销售期和第三销售期;其中,第一销售期用于表征普通促销类别,第二销售期用于表征小型促销类别,第三销售期用于表征大型促销类别。
在一些实施例中,图2的第一计算模块202将第二销售期对应的日均交易额与第一销售期对应的日均交易额相除,得到第二销售期对应的跳起系数;将第三销售期对应的日均交易额与第一销售期对应的日均交易额相除,得到第三销售期对应的跳起系数;其中,跳起系数用于表征促销类别对日均交易额的影响程度。
在一些实施例中,图2的第二计算模块203计算当前周期内第一时间段的第二销售期对应的跳起系数与历史周期内第一时间段的第二销售期对应的跳起系数的差值,得到第二销售期对应的跳起系数差值;计算当前周期内第一时间段的第三销售期对应的跳起系数与历史周期内第一时间段的第三销售期对应的跳起系数的差值,得到第三销售期对应的跳起系数差值。
在一些实施例中,图2的第一确定模块204将历史周期内第二时间段的第二销售期对应的跳起系数与第二销售期对应的跳起系数差值相加,得到当前周期内第二时间段的第二销售期对应的跳起系数;将历史周期内第二时间段的第三销售期对应的跳起系数与第三销售期对应的跳起系数差值相加,得到当前周期内第二时间段的第三销售期对应的跳起系数。
在一些实施例中,将当前周期的第二时间段作为当前周期对应的未来预测季度;图2的第二确定模块205获取当前周期的第一历史季度和第二历史季度分别对应的日均交易额;确定第二历史季度的日均交易额与第一历史季度的日均交易额的环比增长率;确定第一历史季度的日均交易额与第二历史季度的日均交易额的加权平均值;基于环比增长率以及加权平均值,计算当前周期的未来预测季度对应的第一销售期的日均交易额。
在一些实施例中,图2的预测模块206在对当前周期内第二时间段的总交易额进行预测,得到总交易额预测值之前,获取当前周期内第一时间段的第一销售期、第二销售期和第三销售期分别对应的历史持续天数,根据历史持续天数以及预设的浮动比例,对当前周期内第二时间段的第一销售期、第二销售期和第三销售期分别对应的持续天数进行调整,得到调整后的持续天数。
图3是本申请实施例提供的电子设备3的结构示意图。如图3所示,该实施例的电子设备3包括:处理器301、存储器302以及存储在该存储器302中并且可以在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者,处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序303可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器302中,并由处理器301执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序303在电子设备3中的执行过程。
电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解,图3仅仅是电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器301可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、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)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器302可以是电子设备3的内部存储单元,例如,电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备,例如,电子设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所申请的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种交易额预测方法,其特征在于,包括:
根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期;
将所述第一销售期对应的日均交易额作为基准,分别计算所述第二销售期和第三销售期对应的跳起系数;
根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;
根据所述历史周期内第二时间段的跳起系数及所述跳起系数差值,确定所述当前周期内第二时间段对应的跳起系数;
对所述当前周期内第二时间段对应的第一销售期的日均交易额进行预测,基于预测结果以及所述当前周期内第二时间段的跳起系数,确定所述当前周期内第二时间段的第二销售期和第三销售期分别对应的日均交易额;
根据所述当前周期内第二时间段的第一销售期、第二销售期以及第三销售期分别对应的日均交易额,对所述当前周期内第二时间段的总交易额进行预测,得到总交易额预测值。
2.根据权利要求1所述的方法,其特征在于,所述根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期,包括:
根据所述销售期对应的促销类别,将所述销售期进行分类,得到所述第一销售期、第二销售期和第三销售期;
其中,所述第一销售期用于表征普通促销类别,所述第二销售期用于表征小型促销类别,所述第三销售期用于表征大型促销类别。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一销售期对应的日均交易额作为基准,分别计算所述第二销售期和第三销售期对应的跳起系数,包括:
将所述第二销售期对应的日均交易额与所述第一销售期对应的日均交易额相除,得到所述第二销售期对应的跳起系数;
将所述第三销售期对应的日均交易额与所述第一销售期对应的日均交易额相除,得到所述第三销售期对应的跳起系数;
其中,所述跳起系数用于表征所述促销类别对日均交易额的影响程度。
4.根据权利要求1所述的方法,其特征在于,所述根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值,包括:
计算所述当前周期内第一时间段的第二销售期对应的跳起系数与所述历史周期内第一时间段的第二销售期对应的跳起系数的差值,得到所述第二销售期对应的跳起系数差值;
计算所述当前周期内第一时间段的第三销售期对应的跳起系数与所述历史周期内第一时间段的第三销售期对应的跳起系数的差值,得到所述第三销售期对应的跳起系数差值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述历史周期内第二时间段的跳起系数及所述跳起系数差值,确定所述当前周期内第二时间段对应的跳起系数,包括:
将所述历史周期内第二时间段的第二销售期对应的跳起系数与所述第二销售期对应的跳起系数差值相加,得到所述当前周期内第二时间段的第二销售期对应的跳起系数;
将所述历史周期内第二时间段的第三销售期对应的跳起系数与所述第三销售期对应的跳起系数差值相加,得到所述当前周期内第二时间段的第三销售期对应的跳起系数。
6.根据权利要求1所述的方法,其特征在于,将所述当前周期的第二时间段作为所述当前周期对应的未来预测季度;
所述对所述当前周期内第二时间段对应的第一销售期的日均交易额进行预测,包括:
获取所述当前周期的第一历史季度和第二历史季度分别对应的日均交易额;
确定所述第二历史季度的日均交易额与所述第一历史季度的日均交易额的环比增长率;
确定所述第一历史季度的日均交易额与所述第二历史季度的日均交易额的加权平均值;
基于所述环比增长率以及所述加权平均值,计算所述当前周期的未来预测季度对应的第一销售期的日均交易额。
7.根据权利要求1所述的方法,其特征在于,在所述对所述当前周期内第二时间段的总交易额进行预测,得到总交易额预测值之前,所述方法还包括:
获取所述当前周期内第一时间段的第一销售期、第二销售期和第三销售期分别对应的历史持续天数,根据所述历史持续天数以及预设的浮动比例,对所述当前周期内第二时间段的第一销售期、第二销售期和第三销售期分别对应的持续天数进行调整,得到调整后的持续天数。
8.一种交易额预测装置,其特征在于,包括:
分类模块,被配置为根据预定的销售期分类规则,将销售期划分为第一销售期、第二销售期和第三销售期;
第一计算模块,被配置为将所述第一销售期对应的日均交易额作为基准,分别计算所述第二销售期和第三销售期对应的跳起系数;
第二计算模块,被配置为根据当前周期内第一时间段以及历史周期内第一时间段分别对应的跳起系数,计算跳起系数差值;
第一确定模块,被配置为根据所述历史周期内第二时间段的跳起系数及所述跳起系数差值,确定所述当前周期内第二时间段对应的跳起系数;
第二确定模块,被配置为对所述当前周期内第二时间段对应的第一销售期的日均交易额进行预测,基于预测结果以及所述当前周期内第二时间段的跳起系数,确定所述当前周期内第二时间段的第二销售期和第三销售期分别对应的日均交易额;
预测模块,被配置为根据所述当前周期内第二时间段的第一销售期、第二销售期以及第三销售期分别对应的日均交易额,对所述当前周期内第二时间段的总交易额进行预测,得到总交易额预测值。
9.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,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中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410120821.2A CN117952664A (zh) | 2024-01-29 | 2024-01-29 | 交易额预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410120821.2A CN117952664A (zh) | 2024-01-29 | 2024-01-29 | 交易额预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117952664A true CN117952664A (zh) | 2024-04-30 |
Family
ID=90795793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410120821.2A Pending CN117952664A (zh) | 2024-01-29 | 2024-01-29 | 交易额预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952664A (zh) |
-
2024
- 2024-01-29 CN CN202410120821.2A patent/CN117952664A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feizabadi | Machine learning demand forecasting and supply chain performance | |
US8631040B2 (en) | Computer-implemented systems and methods for flexible definition of time intervals | |
Liu et al. | Forecasting S&P-100 stock index volatility: The role of volatility asymmetry and distributional assumption in GARCH models | |
Berry et al. | Probabilistic forecasting of heterogeneous consumer transaction–sales time series | |
CN111401777B (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
Delong et al. | Collective reserving using individual claims data | |
US8180693B2 (en) | Prediction of financial performance for a given portfolio of marketing investments | |
CN108764646B (zh) | 一种销量预测方法及计算设备 | |
US20100114624A1 (en) | System and method for optimizing financial performance generated by marketing investments under budget constraints | |
US20180357719A1 (en) | Multi-asset portfolio simulation (maps) | |
US11842293B2 (en) | Systems and methods for short identifier behavioral analytics | |
CN102117464B (zh) | 包括关系数据库或在线分析处理系统的装置、系统及相关方法 | |
US20170345096A1 (en) | Method and system for providing a dashboard for determining resource allocation for marketing | |
US8180694B2 (en) | System and method for incorporating qualitative inputs into econometric models | |
Panwar et al. | Technology diffusion model with change in adoption rate and repeat purchases: a case of consumer balking | |
US20150081424A1 (en) | Item bundle determination using transaction data | |
US20150278738A1 (en) | Operational Leading Indicator (OLI) Management Using In-Memory Database | |
CN117952664A (zh) | 交易额预测方法、装置、电子设备及存储介质 | |
JP2016170468A (ja) | 電力取引量決定システム、電力取引量決定方法およびプログラム | |
Lopez et al. | Us vehicles sales. Evidence of persistence after COVID-19 | |
US9785951B1 (en) | Scalable tuning engine | |
KR101677316B1 (ko) | 실질가치 지향적 브랜드가치 평가방법 | |
Qi et al. | Forecasting market risk using ultra-high-frequency data and scaling laws | |
Chern et al. | A time series analysis approach to forecast price fluctuation points | |
US20140074671A1 (en) | Computer-Aided System for Improving Return on Assets |
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 |