TW201741966A - 搶購平台商品上線方法、裝置及搶購系統 - Google Patents

搶購平台商品上線方法、裝置及搶購系統 Download PDF

Info

Publication number
TW201741966A
TW201741966A TW106105610A TW106105610A TW201741966A TW 201741966 A TW201741966 A TW 201741966A TW 106105610 A TW106105610 A TW 106105610A TW 106105610 A TW106105610 A TW 106105610A TW 201741966 A TW201741966 A TW 201741966A
Authority
TW
Taiwan
Prior art keywords
commodity
online
product
platform
time period
Prior art date
Application number
TW106105610A
Other languages
English (en)
Inventor
Zhou Ye
Yu Wang
Ya Nan Zhang
Min Hu
fei feng Pang
Long Jing Wu
Original Assignee
Alibaba Group Services 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 Alibaba Group Services Ltd filed Critical Alibaba Group Services Ltd
Publication of TW201741966A publication Critical patent/TW201741966A/zh

Links

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
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0239—Online discounts or incentives
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0607—Regulated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申請涉及一種搶購平台商品上線方法、裝置及搶購系統。其中，搶購平台商品上線方法包括：監測搶購商品的下線觸發條件；在監測到所述下線觸發條件的情況下，將對應搶購商品下線；將所述搶購商品的下線資訊發送給伺服器；接收所述伺服器發送的推薦商品，並在搶購平台上上線所述推薦商品。本發明實現了商品的自動上線及更新，商品更新頻率快，提高了購物系統的營運效率。

Description

搶購平台商品上線方法、裝置及搶購系統
本發明係關於電子商務領域，尤其關於一種搶購平台商品上線方法、裝置及搶購系統。
電子商務是以資訊網路技術為手段，以商品交換為中心的商務活動。它通常是指在全球各地廣泛的商業貿易活動中，在網際網路開放的網路環境下，基於瀏覽器/伺服器應用方式，買賣雙方不謀面地進行各種商貿活動，實現消費者的網上購物、商戶之間的網上交易和線上電子支付以及各種商務活動、交易活動、金融活動和相關的綜合服務活動的一種新型的商業營運模式。
網路購物是電子商務的一種具體方式。在網路普及已十分廣泛的當今時代，網路購物已經成為人們最重要和最常用的購物方式之一。為了滿足用戶喜歡低價實惠的“搶購”心理，目前出現了越來越多以“搶購”為主題的網路購物頻道，我們稱之為“搶購”系統。
這些“搶購”系統在一定程度上滿足了用戶的“搶購”需求。但是，這些“搶購”系統還存在以下問題：一是商品的 更新頻率很低，大多在小時級別，並且商品品類單一，無法進一步激發用戶“搶購”的感覺；二是這些“搶購”系統中，商品的更新大多依賴人工營運的方式，不僅效率低下，而且由於過多的人工費用導致成本較高。而隨著“搶購”系統涉及商品數的不斷增多，透過人工方式已經無法對“搶購”商品的營運進行有效干預。
本發明的目的在於提供一種搶購平台商品上線方法、裝置及搶購系統，實現商品的自動上線及更新，避免人工干預，提高搶購系統的營運效率。
為實現上述目的，本發明提出了一種商品成交量預測方法，包括：獲取商品的歷史營運資料；基於所述歷史營運資料得到成交量預測模型；根據所述成交量預測模型預測商品的未來成交量。
進一步地，上述方法還可具有以下特點，所述基於所述歷史營運資料得到成交量預測模型包括：構建所述歷史營運資料的特徵集；利用所述特徵集訓練得到所述成交量預測模型。
進一步地，上述方法還可具有以下特點，所述根據所述成交量預測模型預測商品的未來成交量包括：根據所述成交量預測模型預測商品在未來的設定時間段的成交量。
本發明實施例的商品成交量預測方法，能夠根據商品的歷史營運資料預測商品的未來成交量，從而為基於成交量的商品上線順序的確定提供依據，進而為實現商品的自動上線及更新提供基礎，避免了人工干預，有助於提高平台的自動化程度。
為實現上述目的，本發明還提出了一種商品成交量預測裝置，包括：第一獲取模組，用於獲取商品的歷史營運資料；模型取得模組，用於基於所述歷史營運資料得到成交量預測模型；成交量預測模組，用於根據所述成交量預測模型預測商品的未來成交量。
進一步地，上述裝置還可具有以下特點，所述模型取得模組包括：構建單元，用於構建所述歷史營運資料的特徵集；訓練單元，用於利用所述構建單元構建的特徵集訓練得到所述成交量預測模型。
進一步地，上述裝置還可具有以下特點，所述根據所述成交量預測模型預測商品的未來成交量包括：第一預測單元，用於根據所述成交量預測模型預測商品在未來的設定時間段的成交量。
本發明實施例的商品成交量預測裝置，能夠根據商品的歷史營運資料預測商品的未來成交量，從而為基於成交量的商品上線順序的確定提供依據，進而為實現商品的自 動上線及更新提供基礎，避免了人工干預，有助於提高平台的自動化程度。
為實現上述目的，本發明還提出了一種搶購商品上線時間段的評價方法，包括：按照設定時間間隔將每天的搶購時間劃分為多個時間段；統計待評價商品在設定歷史時期內各個時間段的總成交額；根據統計結果確定所述待評價商品的上線時間段。
進一步地，上述方法還可具有以下特點，所述根據統計結果確定所述待評價商品的上線時間段，包括：將總成交額最大的前設定數目個時間段確定為所述待評價商品的上線時間段。
進一步地，上述方法還可具有以下特點，所述設定時間間隔為一小時。
本發明實施例的搶購商品上線時間段的評價方法，透過商品的歷史成交額資料分析出商品的成交額最高的幾個時間段，將這些時間段作為商品的較佳上線時間，這樣能夠優化每種商品的上線時間，從而有助於提高商品的成交額，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購商品上線時間段的評價裝置，包括：時段劃分模組，用於按照設定時間間隔將每天的搶購時間劃分為多個時間段； 成交統計模組，用於統計待評價商品在設定歷史時期內各個時間段的總成交額；上線時段確定模組，用於根據所述成交統計模組的統計結果確定所述待評價商品的上線時間段。
進一步地，上述裝置還可具有以下特點，所述上線時段確定模組包括：第一確定單元，用於將總成交額最大的前設定數目個時間段確定為所述待評價商品的上線時間段。
進一步地，上述裝置還可具有以下特點，所述設定時間間隔為一小時。
本發明實施例的搶購商品上線時間段的評價裝置，透過商品的歷史成交額資料分析出商品的成交額最高的幾個時間段，將這些時間段作為商品的較佳上線時間，這樣能夠優化每種商品的上線時間，從而有助於提高商品的成交額，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購商品疲勞度的評價方法，包括：獲取商品的成交爆發力和品類加權分；統計所述商品連續a天的上線次數；根據所述成交爆發力、品類加權分和上線次數，計算所述商品的疲勞度。
進一步地，上述方法還可具有以下特點，所述成交爆發力等於預測的所述商品的成交量與所述商品的單價的乘積。
進一步地，上述方法還可具有以下特點，所述品類加權分等於所述商品去年同期在其所屬類目全部商品中的成交額百分比。
本發明實施例的搶購商品疲勞度的評價方法，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購商品疲勞度的評價裝置，包括：第二獲取模組，用於獲取商品的成交爆發力和品類加權分；次數統計模組，用於統計所述商品連續a天的上線次數；疲勞度計算模組，用於根據所述成交爆發力、品類加權分和上線次數，計算所述商品的疲勞度。
進一步地，上述裝置還可具有以下特點，所述成交爆發力等於預測的所述商品的成交量與所述商品的單價的乘積。
進一步地，上述裝置還可具有以下特點，所述品類加權分等於所述商品去年同期在其所屬類目全部商品中的成交額百分比。
本發明實施例的搶購商品疲勞度的評價裝置，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而 提高用戶的購買意願，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購平台商品的優化投放方法，包括：確定本時間段上線的商品；獲取所述商品的疲勞度；在本時間段按照疲勞度降序順序將所述商品投放到搶購平台。
本發明實施例的搶購平台商品的優化投放方法，按照疲勞度降序順序將商品投放到搶購平台，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購平台商品的優化投放裝置，包括：確定模組，用於確定本時間段上線的商品；第三獲取模組，用於獲取所述確定模組確定的商品的疲勞度；投放模組，用於在本時間段按照疲勞度降序順序將所述確定模組確定的商品投放到搶購平台。
本發明實施例的搶購平台商品的優化投放裝置，按照疲勞度降序順序將商品投放到搶購平台，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購平台商品上線方法，包括：監測搶購商品的下線觸發條件；在監測到所述下線觸發條件的情況下，將對應搶購商品下線；將所述搶購商品的下線資訊發送給伺服器；接收所述伺服器發送的推薦商品，並在搶購平台上上線所述推薦商品。
進一步地，上述方法還可具有以下特點，所述下線觸發條件為當前時刻為所述搶購商品所在上線時間段的結束時刻。
進一步地，上述方法還可具有以下特點，所述下線觸發條件為所述搶購商品的線上時長達到設定時長。
進一步地，上述方法還可具有以下特點，所述下線觸發條件為所述搶購商品已售完。
本發明實施例的搶購平台商品上線方法，實現了商品的自動上線及更新，提高了購物系統的營運效率，而且由於不需要人工干預，還節省了人工費用，降低了營運成本。
為實現上述目的，本發明還提出了一種搶購平台商品上線裝置，包括：監測模組，用於監測搶購商品的下線觸發條件；下線模組，用於在所述監測模組監測到所述下線觸發條件的情況下，將對應搶購商品下線； 發送模組，用於將所述搶購商品的下線資訊發送給伺服器；接收及上線模組，用於接收所述伺服器發送的推薦商品，並在搶購平台上上線所述推薦商品。
進一步地，上述裝置還可具有以下特點，所述下線觸發條件為當前時刻為所述搶購商品所在上線時間段的結束時刻。
進一步地，上述裝置還可具有以下特點，所述下線觸發條件為所述搶購商品的線上時長達到設定時長。
進一步地，上述裝置還可具有以下特點，所述下線觸發條件為所述搶購商品已售完。
本發明實施例的搶購平台商品上線裝置，實現了商品的自動上線及更新，提高了購物系統的營運效率，而且由於不需要人工干預，還節省了人工費用，降低了營運成本。
為實現上述目的，本發明還提出了一種搶購商品品類規劃方法，包括：獲取目標商品在歷史同期的成交額，記為第一成交額，以及獲取所述目標商品所屬類目的全部商品在所述歷史同期的成交總額，記為第二成交額；根據所述第一成交額和所述第二成交額計算所述目標商品的品類加權分。
本發明實施例的搶購商品品類規劃方法，能夠根據商品的歷史成交額資料獲得反映商品季節性的品類加權分， 從而為優化商品投放提供了基礎，有助於提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購商品品類規劃裝置，包括：成交額獲取模組，用於獲取目標商品在歷史同期的成交額，記為第一成交額，以及獲取所述目標商品所屬類目的全部商品在所述歷史同期的成交總額，記為第二成交額；計算模組，用於根據所述第一成交額和所述第二成交額計算所述目標商品的品類加權分。
本發明實施例的搶購商品品類規劃裝置，能夠根據商品的歷史成交額資料獲得反映商品季節性的品類加權分，從而為優化商品投放提供了基礎，有助於提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購系統，包括前述任一項所述的商品成交量預測裝置。
本發明實施例的搶購系統中包括商品成交量預測裝置，能夠根據商品的歷史營運資料預測商品的未來成交量，從而為基於成交量的商品上線順序的確定提供依據，進而為實現商品的自動上線及更新提供基礎，避免了人工干預，有助於提高平台的自動化程度。
為實現上述目的，本發明還提出了一種搶購系統，包括前述任一項所述的搶購商品上線時間段的評價裝置。
本發明實施例的搶購系統中包括搶購商品上線時間段 的評價裝置，透過商品的歷史成交額資料分析出商品的成交額最高的幾個時間段，將這些時間段作為商品的較佳上線時間，這樣能夠優化每種商品的上線時間，從而有助於提高商品的成交額，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購系統，包括前述任一項所述的搶購商品疲勞度的評價裝置。
本發明實施例的搶購系統中包括搶購商品疲勞度的評價裝置，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購系統，包括前述的搶購平台商品的優化投放裝置。
本發明實施例的搶購系統中包括搶購平台商品的優化投放裝置，按照疲勞度降序順序將商品投放到搶購平台，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
為實現上述目的，本發明還提出了一種搶購系統，包括前述任一項所述的搶購平台商品上線裝置。
本發明實施例的搶購系統中包括搶購平台商品上線裝置，實現了商品的自動上線及更新，提高了購物系統的營運效率，而且由於不需要人工干預，還節省了人工費用， 降低了營運成本。
為實現上述目的，本發明還提出了一種搶購系統，包括前述的搶購商品品類規劃裝置。
本發明實施例的搶購系統中包括搶購商品品類規劃裝置，能夠根據商品的歷史成交額資料獲得反映商品季節性的品類加權分，從而為優化商品投放提供了基礎，有助於提高搶購平台的經濟效益。
400‧‧‧商品成交量預測裝置
410‧‧‧第一獲取模組
420‧‧‧模型取得模組
430‧‧‧成交量預測模組
600‧‧‧搶購商品上線時間段的評價裝置
610‧‧‧時段劃分模組
620‧‧‧成交統計模組
630‧‧‧上線時段確定模組
800‧‧‧搶購商品品類規劃裝置
810‧‧‧成交額獲取模組
820‧‧‧計算模組
1000‧‧‧搶購商品疲勞度的評價裝置
1010‧‧‧第二獲取模組
1020‧‧‧次數統計模組
1030‧‧‧疲勞度計算模組
1200‧‧‧搶購平台商品的優化投放裝置
1210‧‧‧確定模組
1220‧‧‧第三獲取模組
1230‧‧‧投放模組
1400‧‧‧搶購平台商品上線裝置
1410‧‧‧監測模組
1420‧‧‧下線模組
1430‧‧‧發送模組
1440‧‧‧接收及上線模組
1500‧‧‧搶購系統
圖1為搶購平台的搶購場景示意圖。
圖2為本發明實施例中搶購系統的架構圖。
圖3為本發明實施例一中商品成交量預測方法的流程圖。
圖4為本發明實施例中商品成交量預測裝置的結構框圖。
圖5為本發明實施例二中搶購商品上線時間段的評價方法的流程圖。
圖6為本發明實施例中搶購商品上線時間段的評價裝置的結構框圖。
圖7為本發明實施例三中搶購商品品類規劃方法的流程圖。
圖8為本發明實施例中搶購商品品類規劃裝置的結構框圖。
圖9為本發明實施例四中搶購商品疲勞度的評價方法 的流程圖。
圖10為本發明實施例中搶購商品疲勞度的評價裝置的結構框圖。
圖11為本發明實施例五中搶購平台商品的優化投放方法的流程圖。
圖12為本發明實施例中搶購平台商品的優化投放裝置的結構框圖。
圖13為本發明實施例六中搶購平台商品上線方法的流程圖。
圖14為本發明實施例中搶購平台商品上線裝置的結構框圖。
圖15為本發明實施例中搶購系統的一種結構框圖。
以下結合附圖對本發明的原理和特徵進行描述，所舉實施例只用於解釋本發明，並非用於限定本發明的範圍。對於本領域普通技術人員來講，在不付出創造性勞動的前提下，根據本發明精神所獲得的所有實施例，都屬於本發明的保護範圍。
圖1為搶購平台的搶購場景示意圖。如圖1所示，假設搶購平台共有3個展位，在第一時間段，搶購平台上3個展位上的商品分別為商品1、商品2和商品3，而到了第二時間段，搶購平台上3個展位上的商品換成了商品4、商品5和商品6，此時商品1、商品2和商品3已經被 下線。可見，隨著時間的改變，搶購平台上的商品也發生變化。透過更新搶購平台上的商品，可以給用戶“搶購”的感覺。
圖2為本發明實施例中搶購系統的架構圖。如圖2所示，本實施例中，基於商品資料(可以包括商品基礎資料和商品的歷史營運資料等)，可以分別進行上線時間段評價、成交量預測和品類規劃，基於成交量預測和品類規劃的結果，可以進行疲勞度評價，基於疲勞度評價和上線時間段評價的結果，可以進行投放優化，在投放優化的基礎上，可以將商品上線在搶購平台上。
實施例一
圖3為本發明實施例一中商品成交量預測方法的流程圖。如圖3所示，本實施例中，商品成交量預測方法可以包括如下步驟：
步驟S301，獲取商品的歷史營運資料；商品的歷史營運資料反映了商品在過去一段時間內的銷售情況，比如可以透過統計獲知某一類目的商品在哪一個時間段的銷售情況最好，以便確定該類目商品的最佳上線時間。其中，商品的類目是指商品的具體種類，比如水果、鮮花、女裝、男裝、玩具等。商品可以用商品ID或商品編碼來唯一標識。
步驟S302，基於歷史營運資料得到成交量預測模型； 在本發明實施例中，基於歷史營運資料得到成交量預測模型可以包括如下子步驟：構建歷史營運資料的特徵集；利用該特徵集訓練得到成交量預測模型。
在具體應用中，可以首先構建特徵集，特徵集可以包括商品短期流量、長期流量、銷量以及店鋪銷售庫存的能力、投訴率、退款率等；然後用歷史資料中時間t的特徵預測t+1的銷量(即成交量)，成交量預測模型可以採用非線性回歸方式的模型(例如Gradient Boost Regression Tree模型)，這樣能夠將特徵交叉起來從而達到更好的預測效果；最後根據成交量預測模型，用今天的特徵預測商品明天的銷量，銷量再乘以價格就得到了商品的預測成交額，本文中，將該預測成交額稱為成交爆發力分值。
步驟S303，根據成交量預測模型預測商品的未來成交量。
例如，可以根據成交量預測模型用商品在去年同期的成交量來預測商品今年的成交量，也根據成交量預測模型用商品昨天的成交量來預測商品今天的成交量。
在本發明實施例中，根據成交量預測模型預測商品的未來成交量可以包括：根據成交量預測模型預測商品在未來的設定時間段的成交量。例如，根據成交量預測模型，預測今天商品在11：00至12：00這個時間段的成交量等於商品在昨天的11：00至12：00的時間段的成交量。
本發明實施例的商品成交量預測方法，能夠根據商品的歷史營運資料預測商品的未來成交量，從而為基於成交 量的商品上線順序的確定提供依據，進而為實現商品的自動上線及更新提供基礎，避免了人工干預，有助於提高平台的自動化程度。
為了實現上述商品成交量預測方法實施例中各步驟及方法，本發明實施例還提供了商品成交量預測裝置實施例。
圖4為本發明實施例中商品成交量預測裝置的結構框圖。如圖4所示，本實施例中，商品成交量預測裝置400可以包括第一獲取模組410、模型取得模組420和成交量預測模組430。第一獲取模組410、模型取得模組420和成交量預測模組430可以順次相連。
其中，第一獲取模組410用於獲取商品的歷史營運資料。模型取得模組420用於基於歷史營運資料得到成交量預測模型。成交量預測模組430用於根據成交量預測模型預測商品的未來成交量。
在本發明實施例中，模型取得模組420可以包括構建單元和訓練單元。構建單元用於構建所述歷史營運資料的特徵集。訓練單元用於利用構建單元構建的特徵集訓練得到所述成交量預測模型。
在本發明實施例中，成交量預測模組430可以包括第一預測單元。第一預測單元用於根據成交量預測模型預測商品在未來的設定時間段的成交量。
由於本實施例中的商品成交量預測裝置能夠執行前述的商品成交量預測方法，因此本實施例未詳細描述的部 分，可參考對前述商品成交量預測方法實施例的相關說明。
本發明實施例的商品成交量預測裝置，能夠根據商品的歷史營運資料預測商品的未來成交量，從而為基於成交量的商品上線順序的確定提供依據，進而為實現商品的自動上線及更新提供基礎，避免了人工干預，有助於提高平台的自動化程度。
實施例二
圖5為本發明實施例二中搶購商品上線時間段的評價方法的流程圖。如圖5所示，本實施例中，搶購商品上線時間段的評價方法可以包括如下步驟：
步驟S501，按照設定時間間隔將每天的搶購時間劃分為多個時間段；其中，每天的搶購時間一般為24小時，如果系統需要每天關閉一段時間用於維護等，每天的搶購時間等於24小時減去關閉時間。例如，如果系統在每天的0點至7點關閉，則每天的搶購時間等於24-7=17小時。
其中，設定時間間隔可以為一小時。設定時間間隔也可以設置為兩小時、半小時等等。
步驟S502，統計待評價商品在設定歷史時期內各個時間段的總成交額；其中，設定歷史時期可以是過去一年，過去半年，過去三個月等等。一般情況下，我們可以取設定歷史時期為 過去一年。
如果設定時間間隔為一小時，那麼在過去一年內時間段10：00-11：00的總成交額等於過去一年內每一天中時間段10：00-11：00的成交額之和。其他時間段的總成交額依此類推。
步驟S503，根據統計結果確定待評價商品的上線時間段。
在本發明實施例中，根據統計結果確定所述待評價商品的上線時間段可以包括：將總成交額最大的前設定數目個時間段確定為待評價商品的上線時間段。
其中，設定數目可以是一個、兩個或三個等。例如，將總成交額最大的前兩個時間段確定為待評價商品的上線時間段。
這裡對如何根據統計結果確定商品上線時間段舉例說明。以商品a為例。假設將24小時劃分為24個時間段，每一小時為一個時間段，設定歷史時期為過去一個月。
首先統計商品a在過去一個月內分別在24個時間段的成交額；計算成交額最高的3個時間段，假設這三個時間段為10：00-11：00(成交額為15萬)、11：00-12：00(成交額為10萬)、15：00-16：00(成交額為9萬)；如果將總成交額最大的前3個時間段確定為商品a的上線時間段，則商品a的上線時間段為10：00-11：00、11：00-12：00和15：00-16：00；如果將將總成交額最大的 前2個時間段確定為商品a的上線時間段，則商品a的上線時間段為10：00-11：00、11：00-12：00；如果將將總成交額最大的1個時間段確定為商品a的上線時間段，則商品a的上線時間段為10：00-11：00。
10：00-11：00這個時間段的成交額遠遠大於排在第二位的時間段11：00-12：00的成交額，因此可以選時間段10：00-11：00作為商品a的較佳上線時間段。
如果商品a成交額最高的3個時間段的成交額差距很小，可以將這3個時間段都作為商品a的較佳上線時間段。這樣做不僅能夠更好地覆蓋商品上線的時間段，而且能夠使商品的上線時間更靈活。
本發明實施例的搶購商品上線時間段的評價方法，透過商品的歷史成交額資料分析出商品的成交額最高的幾個時間段，將這些時間段作為商品的較佳上線時間，這樣能夠優化每種商品的上線時間，從而有助於提高商品的成交額，進而提高搶購平台的經濟效益。
為了實現上述搶購商品上線時間段的評價方法實施例中各步驟及方法，本發明實施例還提供了搶購商品上線時間段的評價裝置實施例。
圖6為本發明實施例中搶購商品上線時間段的評價裝置的結構框圖。如圖6所示，本實施例中，搶購商品上線時間段的評價裝置600可以包括時段劃分模組610、成交統計模組620和上線時段確定模組630。時段劃分模組610、成交統計模組620和上線時段確定模組630可以順 次相連。
其中，時段劃分模組610用於按照設定時間間隔將每天的搶購時間劃分為多個時間段。成交統計模組620用於統計待評價商品在設定歷史時期內各個時間段的總成交額。上線時段確定模組630用於根據成交統計模組620的統計結果確定待評價商品的上線時間段。
在本發明實施例中，上線時段確定模組630可以包括第一確定單元。第一確定單元用於將總成交額最大的前設定數目個時間段確定為待評價商品的上線時間段。
其中，設定時間間隔可以為一小時。
由於本實施例中的搶購商品上線時間段的評價裝置能夠執行前述的搶購商品上線時間段的評價方法，因此本實施例未詳細描述的部分，可參考對前述搶購商品上線時間段的評價方法實施例的相關說明。
本發明實施例的搶購商品上線時間段的評價裝置，透過商品的歷史成交額資料分析出商品的成交額最高的幾個時間段，將這些時間段作為商品的較佳上線時間，這樣能夠優化每種商品的上線時間，從而有助於提高商品的成交額，進而提高搶購平台的經濟效益。
實施例三
圖7為本發明實施例三中搶購商品品類規劃方法的流程圖。如圖7所示，本實施例中，搶購商品品類規劃方法可以包括如下步驟： 步驟S701，獲取目標商品在歷史同期的成交額，記為第一成交額，以及獲取目標商品所屬類目的全部商品在該歷史同期的成交總額，記為第二成交額；步驟S702，根據第一成交額和第二成交額計算目標商品的品類加權分。
其中，品類加權分可以等於第一成交額與第二成交額的比值，或者說，品類加權分可以等於目標商品在歷史同期的成交額占目標商品所屬類目的全部商品在該歷史同期的成交總額的百分比。
比如，蘋果在去年10月份的成交額為1000萬，水果在去年10月份的成交總額為10億，則蘋果的品類加權分等於1000萬/10億=1%=0.1。
品類加權分可以用於對商品的季節性進行評價。透過品類加權分，可以自動篩選出當前季節的熱賣商品，從而為優化商品投放提供基礎，以提高平台的經濟效益。
本發明實施例的搶購商品品類規劃方法，能夠根據商品的歷史成交額資料獲得反映商品季節性的品類加權分，從而為優化商品投放提供了基礎，有助於提高搶購平台的經濟效益。
為了實現上述搶購商品品類規劃方法實施例中各步驟及方法，本發明實施例還提供了搶購商品品類規劃裝置實施例。
圖8為本發明實施例中搶購商品品類規劃裝置的結構框圖。如圖8所示，本實施例中，搶購商品品類規劃裝置 800可以包括成交額獲取模組810和計算模組820。
其中，成交額獲取模組810用於獲取目標商品在歷史同期的成交額，記為第一成交額，以及獲取所述目標商品所屬類目的全部商品在所述歷史同期的成交總額，記為第二成交額。計算模組820用於根據第一成交額和第二成交額計算目標商品的品類加權分。
由於本實施例中的搶購商品品類規劃裝置能夠執行前述的搶購商品品類規劃方法，因此本實施例未詳細描述的部分，可參考對前述搶購商品品類規劃方法實施例的相關說明。
本發明實施例的搶購商品品類規劃裝置，能夠根據商品的歷史成交額資料獲得反映商品季節性的品類加權分，從而為優化商品投放提供了基礎，有助於提高搶購平台的經濟效益。
實施例四
圖9為本發明實施例四中搶購商品疲勞度的評價方法的流程圖。如圖9所示，本實施例中，搶購商品疲勞度的評價方法可以包括如下步驟：
步驟S901，獲取商品的成交爆發力和品類加權分；其中，成交爆發力可以等於預測的商品的成交量與該商品的單價的乘積。其中，商品的成交量可以根據本發明前述的商品成交量預測方法實施例來進行預測，預測的原理參見實施例一的相關說明，此處不再贅述。
其中，品類加權分可以等於商品去年同期在其所屬類目全部商品中的成交額百分比。有關品類加權分的獲得可以參考本發明前述的搶購商品品類規劃方法實施例的說明，此處不再贅述。
步驟S902，統計商品連續a天的上線次數；
步驟S903，根據成交爆發力、品類加權分和上線次數，計算商品的疲勞度。
其中，商品的疲勞度可以使用如下的公式計算：商品的疲勞度=成交爆發力分值*(1+品類加權分值)/連續a天上線次數，其中，符號“*”表示乘運算，“/”表示除以運算。
這樣，可以使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
本發明實施例的搶購商品疲勞度的評價方法，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
為了實現上述搶購商品疲勞度的評價方法實施例中各步驟及方法，本發明實施例還提供了搶購商品疲勞度的評價裝置實施例。
圖10為本發明實施例中搶購商品疲勞度的評價裝置的結構框圖。如圖10所示，本實施例中，搶購商品疲勞 度的評價裝置1000可以包括第二獲取模組1010、次數統計模組1020和疲勞度計算模組1030。
其中，第二獲取模組1010用於獲取商品的成交爆發力和品類加權分。次數統計模組1020用於統計商品連續a天的上線次數。疲勞度計算模組1030用於根據成交爆發力、品類加權分和上線次數，計算商品的疲勞度。
其中，成交爆發力可以等於預測的商品的成交量與商品的單價的乘積。
其中，品類加權分可以等於商品去年同期在其所屬類目全部商品中的成交額百分比。
由於本實施例中的搶購商品疲勞度的評價裝置能夠執行前述的搶購商品疲勞度的評價方法，因此本實施例未詳細描述的部分，可參考對前述搶購商品疲勞度的評價方法實施例的相關說明。
本發明實施例的搶購商品疲勞度的評價裝置，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
實施例五
圖11為本發明實施例五中搶購平台商品的優化投放方法的流程圖。如圖11所示，本實施例中，搶購平台商品的優化投放方法可以包括如下步驟：
步驟S1101，確定本時間段上線的商品； 其中，本時間段上線的商品可以透過本發明前述實施例(實施例二)中的搶購商品上線時間段的評價方法來確定。例如，可以將總成交額最大的時間段確定為待評價商品的上線時間段。這樣，在本時間段成交額最大的所有商品就是步驟S1101確定的本時間段上線的商品。
步驟S1102，獲取商品的疲勞度；其中，可以透過本發明前述實施例(實施例四)中的搶購商品疲勞度的評價方法來獲取商品的疲勞度。此處不再贅述。
步驟S1103，在本時間段按照疲勞度降序順序將商品投放到搶購平台。
根據前述實施例中對疲勞度的說明可知，商品連續a天上線的次數越多，疲勞度越小，那麼按照疲勞度降序順序排列的話商品的上線排位就越靠後。因此，按照疲勞度降序順序將商品投放到搶購平台，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
本發明實施例的搶購平台商品的優化投放方法，按照疲勞度降序順序將商品投放到搶購平台，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
為了實現上述搶購平台商品的優化投放方法實施例中 各步驟及方法，本發明實施例還提供了搶購平台商品的優化投放裝置實施例。
圖12為本發明實施例中搶購平台商品的優化投放裝置的結構框圖。如圖12所示，本實施例中，搶購平台商品的優化投放裝置1200可以包括確定模組1210、第三獲取模組1220和投放模組1230。確定模組1210、第三獲取模組1220和投放模組1230可以順次相連。
其中，確定模組1210用於確定本時間段上線的商品。第三獲取模組1220用於獲取確定模組1210確定的商品的疲勞度。投放模組1230用於在本時間段按照疲勞度降序順序將確定模組1210確定的商品投放到搶購平台。
由於本實施例中的搶購平台商品的優化投放裝置能夠執行前述的搶購平台商品的優化投放方法，因此本實施例未詳細描述的部分，可參考對前述搶購平台商品的優化投放方法實施例的相關說明。
本發明實施例的搶購平台商品的優化投放裝置，按照疲勞度降序順序將商品投放到搶購平台，使得搶購平台中上過線的商品更不容易上線，從而提高搶購平台的商品更新頻率，給使用者更加強烈的“搶”購感覺，從而提高用戶的購買意願，進而提高搶購平台的經濟效益。
實施例六
圖13為本發明實施例六中搶購平台商品上線方法的流程圖。如圖13所示，本實施例中，搶購平台商品上線 方法可以包括如下步驟：
步驟S1301，監測搶購商品的下線觸發條件；其中，下線觸發條件可以為：當前時刻為搶購商品所在上線時間段的結束時刻。例如，假設搶購商品的上線時間段為11：00-12：00，那麼12：00這個時刻就是搶購商品上線時間段的結束時刻，這個時刻一到，就會觸發搶購商品下線。
其中，下線觸發條件可以為：搶購商品的線上時長達到設定時長。例如，仍然假設搶購商品的上線時間段為11：00-12：00，但是規定搶購商品的線上時長最長為10分鐘。假設搶購商品的上線時刻為11：20，當前時刻為11：30，雖然當前時刻不是搶購商品上線時間段的結束時刻，但是由於搶購商品的線上時長已經達到了規定的時長(10分鐘)，因此也會觸發搶購商品下線。
其中，下線觸發條件可以為：搶購商品已售完。例如，仍然假設搶購商品的上線時間段為11：00-12：00，而且規定搶購商品的線上時長最長為10分鐘。假設搶購商品的上線時刻為11：20，當前時刻為11：25，雖然當前時刻不是搶購商品上線時間段的結束時刻，而且搶購商品的線上時長也沒有達到規定的時長(10分鐘)，但是由於搶購商品已售完，所以仍然會觸發搶購商品下線。
在設置多個下線觸發條件的情況下，只要滿足其中一個下線觸發條件，就會觸發相應的搶購商品自動下線。
這些下線觸發條件的設置，使得搶購商品能夠自動下 線，不需要人工作業，因此大大提高了平台的自動化程度，節約了人力資源和成本。
步驟S1302，在監測到下線觸發條件的情況下，將對應搶購商品下線；
步驟S1303，將搶購商品的下線資訊發送給伺服器；伺服器接收到搶購商品的下線資訊後，會根據按照上線順序排列好的商品清單向平台發送待上線的推薦商品。
步驟S1304，接收該伺服器發送的推薦商品，並在搶購平台上上線該推薦商品。
其中，推薦商品可以是本時間段的商品列表中當前排位在最前面的商品，商品列表可以是按照疲勞度降序排列的商品列表。
商品列表不僅表明了在什麼時間段上線哪些類目的商品，還指出了在同一時間段上線的各個商品的上線順序，因此，根據商品清單，伺服器可以在對應的時間段自動推薦上線相應的商品。這種方式實現了“搶購”商品的自動上線及更新，不需要人工干預，因此可以大大提高“搶購”系統的營運效率，同時還可以大大提高“搶購”商品的更新頻率，給使用者更加強烈的“搶購”的感覺。
下面透過一個示例說明根據本發明實施例中的搶購平台商品上線方法，商品的上線場景。
假設搶購系統的展位有10個，預設時長為10分鐘，有100個商品的較佳上線時間段為時間段10：00-11：00，商品編號分別1至100，同時，該時間段10：00-11：00的 商品清單的排列順序也是由1至100，商品1至10這10個排在最前面的商品首先上線，各自佔據1個展位。假設在10：10這個時刻，商品1至10這10個商品都沒有售完，那麼由於商品1至10這10個商品的上線時間已經達到10分鐘，因此商品1至10自動下線，此時商品列表中排位最前的未上線商品為商品11至20，商品11至20在10：10這個時刻自動上線。假設在10：05這個時刻，商品1售完，商品1自動下線，由於商品2至10沒有售完並且上線時間已經未達到10分鐘，所以商品2至10仍然處於上線狀態，此時商品清單中排位最前的未上線商品為商品11，因此商品11在原商品1的展位上自動上線。
本發明實施例的搶購平台商品上線方法，實現了商品的自動上線及更新，提高了購物系統的營運效率，而且由於不需要人工干預，還節省了人工費用，降低了營運成本。同時，由於本發明實施例的搶購平台商品上線方法中，商品是自動上線和更新的，因此商品更新頻率快，能夠給使用者更強烈的“搶購”感覺。再者，本發明實施例的搶購平台商品上線方法，按照商品的較佳上線時間段安排商品上線，因此能夠大幅度提高商品的成交額，取得較高的營運效益。
為了實現上述搶購平台商品上線方法實施例中各步驟及方法，本發明實施例還提供了搶購平台商品上線裝置實施例。
圖14為本發明實施例中搶購平台商品上線裝置的結 構框圖。如圖14所示，本實施例中，搶購平台商品上線裝置1400可以包括監測模組1410、下線模組1420、發送模組1430和接收及上線模組1440。監測模組1410、下線模組1420、發送模組1430和接收及上線模組1440可以順次相連。
其中，監測模組1410用於監測搶購商品的下線觸發條件。下線模組1420用於在監測模組1410監測到下線觸發條件的情況下，將對應搶購商品下線。發送模組1430用於將搶購商品的下線資訊發送給伺服器。接收及上線模組1440用於接收伺服器發送的推薦商品，並在搶購平台上上線所述推薦商品。
其中，下線觸發條件可以為：當前時刻為搶購商品所在上線時間段的結束時刻。
其中，下線觸發條件還可以為：搶購商品的線上時長達到設定時長。
其中，下線觸發條件還可以為：搶購商品已售完。
由於本實施例中的搶購平台商品上線裝置能夠執行前述的搶購平台商品上線方法，因此本實施例未詳細描述的部分，可參考對前述搶購平台商品上線方法實施例的相關說明。
本發明實施例的搶購平台商品上線裝置，實現了商品的自動上線及更新，提高了購物系統的營運效率，而且由於不需要人工干預，還節省了人工費用，降低了營運成本。同時，由於本發明實施例的搶購平台商品上線裝置 中，商品是自動上線和更新的，因此商品更新頻率快，能夠給使用者更強烈的“搶購”感覺。再者，本發明實施例的搶購平台商品上線裝置，按照商品的較佳上線時間段安排商品上線，因此能夠大幅度提高商品的成交額，取得較高的營運效益。
本發明實施例還提出了一種搶購系統，該搶購系統可以包括本發明前述實施例中的商品成交量預測裝置、搶購商品上線時間段的評價裝置、搶購商品品類規劃裝置、搶購商品疲勞度的評價裝置、搶購平台商品的優化投放裝置和搶購平台商品上線裝置中的任意一種或多種或全部裝置。
例如圖15所示的搶購系統1500。圖15為本發明實施例中搶購系統的一種結構框圖。如圖15所示，搶購系統1500可以包括搶購平台商品上線裝置1400。由於該搶購系統包括搶購平台商品上線裝置，因此，該搶購系統能夠實現商品的自動上線及更新，提高了購物系統的營運效率，而且由於不需要人工干預，還節省了人工費用，降低了營運成本。同時，由於搶購平台商品上線裝置中，商品是自動上線和更新的，因此該搶購系統商品更新頻率快，能夠給使用者更強烈的“搶購”感覺。再者，由於搶購平台商品上線裝置，按照商品的較佳上線時間段安排商品上線，因此該搶購系統還能夠大幅度提高商品的成交額，取得較高的營運效益。
以上所述僅為本發明的較佳實施例，並不用以限制本 發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。

Claims (36)

  1. 一種商品成交量預測方法，其特徵在於，包括：獲取商品的歷史營運資料；基於該歷史營運資料得到成交量預測模型；根據該成交量預測模型預測商品的未來成交量。
  2. 根據申請專利範圍第1項所述的商品成交量預測方法，其中，所述基於該歷史營運資料得到成交量預測模型包括：構建該歷史營運資料的特徵集；利用該特徵集訓練得到該成交量預測模型。
  3. 根據申請專利範圍第1項所述的商品成交量預測方法，其中，所述根據該成交量預測模型預測商品的未來成交量包括：根據該成交量預測模型預測商品在未來的設定時間段的成交量。
  4. 一種商品成交量預測裝置，其特徵在於，包括：第一獲取模組，用於獲取商品的歷史營運資料；模型取得模組，用於基於該歷史營運資料得到成交量預測模型；成交量預測模組，用於根據該成交量預測模型預測商品的未來成交量。
  5. 根據申請專利範圍第4項所述的商品成交量預測裝置，其中，該模型取得模組包括：構建單元，用於構建該歷史營運資料的特徵集； 訓練單元，用於利用該構建單元構建的特徵集訓練得到該成交量預測模型。
  6. 根據申請專利範圍第4項所述的商品成交量預測裝置，其中，所述根據該成交量預測模型預測商品的未來成交量包括：第一預測單元，用於根據該成交量預測模型預測商品在未來的設定時間段的成交量。
  7. 一種搶購商品上線時間段的評價方法，其特徵在於，包括：按照設定時間間隔將每天的搶購時間劃分為多個時間段；統計待評價商品在設定歷史時期內各個時間段的總成交額；根據統計結果確定該待評價商品的上線時間段。
  8. 根據申請專利範圍第7項所述的搶購商品上線時間段的評價方法，其中，所述根據統計結果確定該待評價商品的上線時間段，包括：將總成交額最大的前設定數目個時間段確定為該待評價商品的上線時間段。
  9. 根據申請專利範圍第7項所述的搶購商品上線時間段的評價方法，其中，該設定時間間隔為一小時。
  10. 一種搶購商品上線時間段的評價裝置，其特徵在於，包括：時段劃分模組，用於按照設定時間間隔將每天的搶購 時間劃分為多個時間段；成交統計模組，用於統計待評價商品在設定歷史時期內各個時間段的總成交額；上線時段確定模組，用於根據該成交統計模組的統計結果確定該待評價商品的上線時間段。
  11. 根據申請專利範圍第10項所述的搶購商品上線時間段的評價裝置，其中，該上線時段確定模組包括：第一確定單元，用於將總成交額最大的前設定數目個時間段確定為該待評價商品的上線時間段。
  12. 根據申請專利範圍第10項所述的搶購商品上線時間段的評價方法，其中，該設定時間間隔為一小時。
  13. 一種搶購商品疲勞度的評價方法，其特徵在於，包括：獲取商品的成交爆發力和品類加權分；統計該商品連續a天的上線次數；根據該成交爆發力、品類加權分和上線次數，計算該商品的疲勞度。
  14. 根據申請專利範圍第13項所述的搶購商品疲勞度的評價方法，其中，該成交爆發力等於預測的該商品的成交量與該商品的單價的乘積。
  15. 根據申請專利範圍第13項所述的搶購商品疲勞度的評價方法，其中，該品類加權分等於該商品去年同期在其所屬類目全部商品中的成交額百分比。
  16. 一種搶購商品疲勞度的評價裝置，其特徵在於， 包括：第二獲取模組，用於獲取商品的成交爆發力和品類加權分；次數統計模組，用於統計該商品連續a天的上線次數；疲勞度計算模組，用於根據該成交爆發力、品類加權分和上線次數，計算該商品的疲勞度。
  17. 根據申請專利範圍第16項所述的搶購商品疲勞度的評價裝置，其中，該成交爆發力等於預測的該商品的成交量與該商品的單價的乘積。
  18. 根據申請專利範圍第16項所述的搶購商品疲勞度的評價裝置，其中，該品類加權分等於該商品去年同期在其所屬類目全部商品中的成交額百分比。
  19. 一種搶購平台商品的優化投放方法，其特徵在於，包括：確定本時間段上線的商品；獲取該商品的疲勞度；在本時間段按照疲勞度降序順序將該商品投放到搶購平台。
  20. 一種搶購平台商品的優化投放裝置，其特徵在於，包括：確定模組，用於確定本時間段上線的商品；第三獲取模組，用於獲取該確定模組確定的商品的疲勞度； 投放模組，用於在本時間段按照疲勞度降序順序將該確定模組確定的商品投放到搶購平台。
  21. 一種搶購平台商品上線方法，其特徵在於，包括：監測搶購商品的下線觸發條件；在監測到該下線觸發條件的情況下，將對應搶購商品下線；將該搶購商品的下線資訊發送給伺服器；接收該伺服器發送的推薦商品，並在搶購平台上上線該推薦商品。
  22. 根據申請專利範圍第21項所述的搶購平台商品上線方法，其中，該下線觸發條件為當前時刻為該搶購商品所在上線時間段的結束時刻。
  23. 根據申請專利範圍第21項所述的搶購平台商品上線方法，其中，該下線觸發條件為該搶購商品的線上時長達到設定時長。
  24. 根據申請專利範圍第21項所述的搶購平台商品上線方法，其中，該下線觸發條件為該搶購商品已售完。
  25. 一種搶購平台商品上線裝置，其特徵在於，包括：監測模組，用於監測搶購商品的下線觸發條件；下線模組，用於在該監測模組監測到該下線觸發條件的情況下，將對應搶購商品下線；發送模組，用於將該搶購商品的下線資訊發送給伺服 器；接收及上線模組，用於接收該伺服器發送的推薦商品，並在搶購平台上上線該推薦商品。
  26. 根據申請專利範圍第25項所述的搶購平台商品上線裝置，其中，該下線觸發條件為當前時刻為該搶購商品所在上線時間段的結束時刻。
  27. 根據申請專利範圍第25項所述的搶購平台商品上線裝置，其中，該下線觸發條件為該搶購商品的線上時長達到設定時長。
  28. 根據申請專利範圍第25項所述的搶購平台商品上線裝置，其中，該下線觸發條件為該搶購商品已售完。
  29. 一種搶購商品品類規劃方法，其特徵在於，包括：獲取目標商品在歷史同期的成交額，記為第一成交額，以及獲取該目標商品所屬類目的全部商品在該歷史同期的成交總額，記為第二成交額；根據該第一成交額和該第二成交額計算該目標商品的品類加權分。
  30. 一種搶購商品品類規劃裝置，其特徵在於，包括：成交額獲取模組，用於獲取目標商品在歷史同期的成交額，記為第一成交額，以及獲取該目標商品所屬類目的全部商品在該歷史同期的成交總額，記為第二成交額；計算模組，用於根據該第一成交額和該第二成交額計 算該目標商品的品類加權分。
  31. 一種搶購系統，其特徵在於，包括申請專利範圍第4至6項之任一項所述的商品成交量預測裝置。
  32. 一種搶購系統，其特徵在於，包括申請專利範圍第10至12項之任一項所述的搶購商品上線時間段的評價裝置。
  33. 一種搶購系統，其特徵在於，包括申請專利範圍第16至18項之任一項所述的搶購商品疲勞度的評價裝置。
  34. 一種搶購系統，其特徵在於，包括申請專利範圍第20項所述的搶購平台商品的優化投放裝置。
  35. 一種搶購系統，其特徵在於，包括申請專利範圍第25至28項之任一項所述的搶購平台商品上線裝置。
  36. 一種搶購系統，其特徵在於，包括申請專利範圍第30項所述的搶購商品品類規劃裝置。
TW106105610A 2016-03-29 2017-02-20 搶購平台商品上線方法、裝置及搶購系統 TW201741966A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610189105.5A CN107239963A (zh) 2016-03-29 2016-03-29 抢购平台商品上线方法、装置及抢购系统

Publications (1)

Publication Number Publication Date
TW201741966A true TW201741966A (zh) 2017-12-01

Family

ID=59963486

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106105610A TW201741966A (zh) 2016-03-29 2017-02-20 搶購平台商品上線方法、裝置及搶購系統

Country Status (3)

Country Link
CN (1) CN107239963A (zh)
TW (1) TW201741966A (zh)
WO (1) WO2017167054A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275479B (zh) * 2020-01-07 2023-11-10 北京爱笔科技有限公司 一种人流量预测方法、装置及系统
CN113656681B (zh) * 2021-07-08 2023-08-11 北京奇艺世纪科技有限公司 一种对象评价方法、装置、设备及存储介质
CN114580903A (zh) * 2022-03-04 2022-06-03 长沙图灵教育科技有限公司 一种电商仿真实训平台
CN116402457A (zh) * 2023-03-27 2023-07-07 深圳市丰宜科技有限公司 一种运营管理系统及其管理方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1996297A (zh) * 2006-11-08 2007-07-11 胡增宝 利用检索系统发布供求信息并按市场占有率排序的方法
CN102024224A (zh) * 2009-09-11 2011-04-20 阿里巴巴集团控股有限公司 实现商品最优时间上架和/或下架的电子商务系统及方法
JP5609373B2 (ja) * 2010-07-26 2014-10-22 大日本印刷株式会社 商品推薦装置、商品推薦システム、商品推薦方法、及びプログラム
CN103177371B (zh) * 2011-12-21 2016-06-22 阿里巴巴集团控股有限公司 一种信息展示方法和装置
CN102968670B (zh) * 2012-10-23 2016-08-17 北京京东世纪贸易有限公司 预测数据的方法和装置
CN103632289A (zh) * 2013-10-17 2014-03-12 常熟市华安电子工程有限公司 一种商品自动上下架工具
CN104517224B (zh) * 2014-12-22 2017-09-29 浙江工业大学 一种网络热销商品的预测方法及系统
CN104820938A (zh) * 2015-05-15 2015-08-05 南京大学 一种季节性、周期性商品的最优订购周期预测方法
CN104915734B (zh) * 2015-06-25 2017-03-22 深圳市腾讯计算机系统有限公司 基于时间序列的商品热度预测方法和系统

Also Published As

Publication number Publication date
CN107239963A (zh) 2017-10-10
WO2017167054A1 (zh) 2017-10-05

Similar Documents

Publication Publication Date Title
US9367820B2 (en) Online temporal difference learning from incomplete customer interaction histories
JP6163269B2 (ja) 嗜好分析システム
WO2017167054A1 (zh) 抢购平台商品上线方法、装置及抢购系统
US20200065852A1 (en) Reallocation of electronic resources using a predictive model of attribution
CN104573108A (zh) 信息处理方法和信息处理装置
JP2019144950A (ja) 推奨情報特定装置、推奨情報特定システム、推奨情報特定方法、及びプログラム
US11861637B2 (en) System of demand modeling and price calculation based on interpolated market price elasticity functions
Prinzie et al. Predicting home-appliance acquisition sequences: Markov/Markov for discrimination and survival analysis for modeling sequential information in NPTB models
Wang et al. Solving a joint pricing and inventory control problem for perishables via deep reinforcement learning
US10467638B2 (en) Generating work products using work product metrics and predicted constituent availability
WO2021077226A1 (en) Method and system for individual demand forecasting
US10467654B2 (en) Forecasting customer channel choice using cross-channel loyalty
GÜR ALI Driver moderator method for retail sales prediction
Kazmi et al. Generic framework to predict repeat behavior of customers using their transaction history
US20220180386A1 (en) Systems and methods for predicting service demand based on geographically associated events
Fang et al. Bundle pricing decisions for fresh products with quality deterioration
Bandyopadhyay A dynamic model of cross-category competition: theory, tests and applications
US20190378155A1 (en) Time critical inventory control systems and methods
Abdolhosseini et al. Joint pricing and inventory management in a competitive market using reinforcement learning: a combination of the agent-based and simulation-optimization approaches
KR102324553B1 (ko) 예측 소비자 그룹 기반 스마트 판매중개 시스템
Cetinkaya et al. New product launch decisions with robust optimization
CA3059932A1 (en) Method and system for individual demand forecasting
CN110766478A (zh) 一种提高用户连接性的方法和装置
Parkhan et al. Industrial Marketing Strategy Formulation Based on RFM-Data Analytics and Fuzzy Database
Li et al. Deep Reinforcement Learning for Online Assortment Customization: A Data-Driven Approach