TWI533245B - 商品銷量預測系統、商品銷量預測方法及其非暫態電腦可讀取記錄媒體 - Google Patents

Description

商品銷量預測系統、商品銷量預測方 法及其非暫態電腦可讀取記錄媒體

本發明是關於一種商品銷量預測系統和其方法，且特別是有關於一種根據商品的關聯商品之銷售量預測商品之銷售量的電子商務口碑分析系統和其方法。

近年來，由於網路科技的發達，電子商務平台(例如：淘寶網、或是京東網上商城等等)的崛起提供消費者一種新的消費形態。由於只要透過網路連線，消費者便可從眾多電子商務平台中尋找想要的商品，使得購物更加便利。因此，越來越多消費者偏好透過這種消費形態進行購物。

由於消費者在電子商務平台進行購物的數量有著大幅度的成長，如何有效地預測商家在某一電子商務平台的銷售數量便變得非常重要。在習知的技術中，僅會對商品的實際銷售數量進行統計，再據以預測此商品的日後銷售數量。然而，此種方式對商品日後銷售數量的預測之結果並非相當精 確，且無法對此商品之外的其它關聯商品的銷售數量來進行預測。

因此，如何提供一種對於電子商務平台的產品之預測數量進行有效的預測，乃為此一業界亟待解決的問題。

本發明之一態樣在於提供一種商品銷量預測系統。商品銷量預測系統包含關聯商品資料庫、關聯商品查詢模組、搜尋模組和預測模組。關聯商品資料庫用以儲存多個商品及分別對應所述商品的多個關聯商品。關聯商品查詢模組用以根據第一商品，從關聯商品資料庫中搜尋對應第一商品的第一關聯商品。搜尋模組用以透過電子商務平台根據第一關聯商品和對應第一關聯商品的一價格區間，搜尋對應該第一關聯商品的多個成交紀錄資料和多個評價資料。預測模組用以根據所述成交紀錄資料及所述評價資料，產生對應第一商品的預測客戶數量，並根據預測客戶數量產生對應第一商品的預測銷售數量。

根據本發明之一實施例，所述預測模組用以根據所述成交紀錄資料產生對應所述第一關聯商品的累積銷售數量，並從所述評價資料中擷取出多個負評資料以產生負評數量，及將累積銷售數量減去負評數量以產生所述預測客戶數量。

根據本發明之一實施例，所述搜尋模組還用以搜尋所述電子商務平台中多個商家對應所述第一關聯商品的出 貨數量，且所述預測模組還用以累加在出貨數量排行榜的一個範圍內的出貨數量以產生所述累積銷售數量，其中出貨數量排行榜為所述商家對應第一關聯商品的出貨數量的排行。

根據本發明之一實施例，所述預測模組還用以判斷所述評價資料中的每一評價資料是否包含多個負評詞彙至少一者，並將具有所述負評詞彙中至少一者的評價資料作為所述負評資料。

根據本發明之一實施例，所述關聯商品資料庫還儲存所述關聯商品的多個歷史銷售數量。所述關聯商品查詢模組還用以根據所述第一商品從所述關聯商品資料庫中搜尋對應所述第一商品的第二關聯商品。所述預測模組還用以根據所述第一商品的所述預測客戶數量和對應第二關聯商品的歷史銷售數量來產生所述預測銷售數量。

根據本發明之一實施例，所述預測模組用以透過最小二乘法、離散方程式、線性迴歸與非線性迴歸或貝塞爾曲線(Bézier curve)演算法，對所述預測客戶數量和對應所述第二關聯商品的所述歷史銷量數量進行計算以產生所述預測銷售數量。

根據本發明之一實施例，所述搜尋模組還用以根據所述第一關聯商品、所述價格區間、對應預測時間的時間區間搜尋在時間區間內的成交紀錄資料和評價資料。所述預測模組還用以根據在時間區間內的成交紀錄資料和評價資料產生在時間區間內的預測客戶數量，並根據在時間區間內的預測客戶數量產生對應所述第一商品在預測時間之預測銷售數量。

本發明之另一態樣在於提供一種商品銷量預測方法。商品銷量預測方法包含：根據第一商品，從關聯商品資料庫中搜尋對應第一商品的第一關聯商品，其中關聯商品資料庫儲存多個商品及分別對應所述商品的多個關聯商品；透過電子商務平台根據第一關聯商品和對應第一關聯商品的價格區間，搜尋對應第一關聯商品的多個成交紀錄資料和多個評價資料；根據所述成交紀錄資料及所述評價資料，產生對應第一商品的預測客戶數量；及根據預測客戶數量產生對應第一商品的預測銷售數量。

根據本發明之一實施例，根據所述成交紀錄資料及所述評價資料，產生對應所述第一關聯商品的所述預測客戶數量之步驟包含：根據所述成交紀錄資料產生對應所述第一關聯商品的累積銷售數量；從所述評價資料中擷取出多個負評資料以產生負評數量；及將累積銷售數量減去負評數量以產生所述預測客戶數量。

根據本發明之一實施例，根據所述成交紀錄資料產生對應所述第一關聯商品的所述累積銷售數量之步驟包含：搜尋所述電子商務平台中多個商家對應所述第一關聯商品的出貨數量；及累加在出貨數量排行榜的一個範圍內的出貨數量以產生所述累積銷售數量，其中出貨數量排行榜為所述商家對應第一關聯商品的出貨數量的排行。

根據本發明之一實施例，從所述評價資料中擷取出所述負評資料以產生所述負評數量之步驟包含：判斷所述評價資料中的每一個評價資料是否包含多個負評詞彙至少一 者；及將具有所述負評詞彙中至少一者的評價資料作為所述負評資料。

根據本發明之一實施例，所述關聯商品資料庫還儲存所述關聯商品的多個歷史銷售數量。根據所述預測客戶數量產生對應所述第一商品的所述預測銷售數量之步驟包含：根據所述第一商品從所述關聯商品資料庫中搜尋對應所述第一商品的第二關聯商品；及根據所述第一商品的所述預測客戶數量和對應第二關聯商品的歷史銷售數量來產生所述預測銷售數量。

根據本發明之一實施例，根據所述第一商品的所述預測客戶數量和對應所述第二關聯商品的所述歷史銷售數量來產生所述預測銷售數量之步驟包含：透過最小二乘法、離散方程式、線性迴歸與非線性迴歸或貝塞爾曲線演算法，對所述預測客戶數量和對應所述第二關聯商品的所述歷史銷量數量進行計算以得到所述預測銷售數量。

本發明之又一態樣是在於提供一種電腦可讀取記錄媒體用以執行一種商品銷量預測方法。商品銷量預測方法包含：根據第一商品，從關聯商品資料庫中搜尋對應第一商品的第一關聯商品，其中關聯商品資料庫儲存多個商品及分別對應所述商品的多個關聯商品；透過電子商務平台根據第一關聯商品和對應第一關聯商品的價格區間，搜尋對應第一關聯商品的多個成交紀錄資料和多個評價資料；根據所述成交紀錄資料及所述評價資料，產生對應第一商品的預測客戶數量；及根據預測客戶數量產生對應第一商品的預測銷售數量。

100‧‧‧商品銷量預測系統

110‧‧‧關聯商品資料庫

120‧‧‧關聯商品查詢模組

130‧‧‧搜尋模組

140‧‧‧預測模組

150‧‧‧操作介面

160‧‧‧電子商務平台

PDT1‧‧‧第一商品

RPT1‧‧‧第一關聯商品

RPT2‧‧‧第二關聯商品

PCP‧‧‧價格區間

DRD‧‧‧成交紀錄資料

CMD‧‧‧評價資料

200‧‧‧商品銷量預測方法

S210~S290‧‧‧步驟

S271~S275‧‧‧步驟

S291~S293‧‧‧步驟

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖是根據本發明一實施例繪示的一種商品銷量預測系統的示意圖；第2圖是根據本發明一實施例繪示的一種商品銷量預測方法的流程圖；第3圖是根據本發明一實施例繪示的一種商品銷量預測方法其中一個步驟的流程圖；及第4圖是根據本發明一實施例繪示的一種商品銷量預測方法其中另一個步驟的流程圖。

下文係舉實施例配合所附圖式作詳細說明，但所提供之實施例並非用以限制本發明所涵蓋的範圍，而結構操作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本發明所涵蓋的範圍。此外，圖式僅以說明為目的，並未依照原尺寸作圖。為使便於理解，下述說明中相同元件將以相同之符號標示來說明。

關於本文中所使用之『第一』、『第二』、...等，並非特別指稱次序或順位的意思，亦非用以限定本發明，其僅僅是為了區別以相同技術用語描述的元件或操作而已。

請參照第1圖，第1圖是根據本發明一實施例繪示的一種商品銷量預測系統100的示意圖。商品銷量預測系統 100可根據使用者輸入的商品(例如：手機保護套)，搜尋對應商品的關聯商品(例如：手機)，並根據關聯商品的資訊預測使用者想要了解的商品(即手機保護套)的銷售數量。如第1圖所示，商品銷量預測系統100包含關聯商品資料庫110、關聯商品查詢模組120、搜尋模組130和預測模組140。關聯商品資料庫110用以儲存多個商品及分別對應每個商品的多個關聯商品。關聯商品查詢模組120用以根據使用者輸入的第一商品PDT1的資訊(例如：品名、型號和規格等等)，從關聯商品資料庫110中搜尋對應第一商品PDT1的第一關聯商品RPT1。

在一實施例中，商品銷量預測系統100還可包含操作介面150。操作介面150用以提供使用者輸入第一商品PDT1的資訊。另外，當關聯商品查詢模組120從關聯商品資料庫110搜尋到的第一關聯商品RPT1，亦可顯示於操作介面150。

在另一實施例中，關聯商品查詢模組120除了根據第一商品PDT1搜尋關聯商品資料庫110以得到第一關聯商品RPT1之外，亦可直接透過操作介面150接收使用者輸入的第一關聯商品RPT1的資訊。換句話說，使用者可根據需求來選擇並輸入用以預測第一商品PDT1的第一關聯商品RPT1。

在一實施例中，第一商品PDT1可為對應第一關聯商品RPT1之週邊商品。舉例來說，若第一商品PDT1為手機的保護套、耳機、電池時，則關聯商品查詢模組120根據所述的第一商品PDT1搜尋到第一關聯商品RPT1可為手機。此是因 為通常購買手機的消費者，在購買手機之後可能會為了手機而購買其相關配件及週邊商品，如手機的保護套、耳機、電池等。

在另一實施例中，第一關聯商品RPT1與第一商品PDT1亦可為同一類型之商品，亦即，同一類型而不同廠牌之商品。舉例來說，若第一商品PDT1為谷歌(Google)公司生產的智慧型眼鏡，則關聯商品查詢模組120根據所述的第一商品PDT1搜尋到第一關聯商品RPT1可為三星(Samsung)公司生產的智慧型眼鏡。由於會購買智慧型眼鏡的消費者有可能為此類型產品的愛好者，所以此類型的消費者亦有可能進一步購買其它廠牌的智慧型眼鏡。

由於第一關聯商品RPT1與第一商品PDT1具有關聯性，且消費者往往在購買第一關聯商品之後會因為對第一關聯商品的好壞評價，而影響其購買第一商品的意願，因此利用第一關聯商品RPT1的銷售數量及其評價來推測第一商品PDT1的潛在客戶數量是有效且合理的，其具體內容於之後實施方式敘述。

搜尋模組130用以透過電子商務平台160根據第一關聯商品RPT1和對應第一關聯商品RPT1的價格區間PCP，搜尋對應第一關聯商品RPT1的多個成交紀錄資料DRD和多個評價資料CMD。在一實施例中，電子商務平台160可以是淘寶網、Yahoo拍賣商城、京東網上商城或亞馬遜(Amazon)線上購物等電子購物網站。一般來說，在電子商務平台160中的成交紀錄資料DRD和評價資料CMD多為公開且可讀取之資料。

具體來說，電子商務平台160具有的商品資料非常眾多。為了行銷策略和增加被搜尋到的機會，經常會在商品資料中加載許多額外資訊，因此搜尋模組130若僅使用第一關聯商品RPT1的資訊(例如：品名和型號等等)在電子商務平台160進行搜尋，則可能找到許多與第一關聯商品RPT1無關的商品，導致搜尋的結果資料並不精準。舉例來說，若第一關聯商品RPT1為手機的話，當透過電子商務平台160搜尋手機時，除了關於手機的商品外，還有可能會搜尋到手機的週邊商品，例如：保護套、耳機、電池等等。而這些商品的資訊並非搜尋模組130所需要的搜尋結果資料。因此，在對第一關聯商品RPT1進行搜索時，使用者還可透過操作介面150進一步輸入對應第一關聯商品RPT1的價格區間PCP，藉此過濾掉不必要的商品資訊。舉例來說，若第一關聯商品RPT1為手機的話，由於手機的價格和周邊商品的價格相差頗大，當透過電子商務平台160根據對應手機的價格區間搜尋手機時，則可過濾掉大部份手機的週邊商品。

預測模組140用以根據成交紀錄資料DRD及評價資料CMD，產生對應第一商品PDT1的預測客戶數量。接著，預測模組140可根據預測客戶數量產生對應第一商品PDT1的預測銷售數量。

在一實施例中，預測模組140可透過全文搜尋搜尋在電子商務平台160中對第一關聯商品RPT1的搜尋結果，並透過語法分析(Parsing)取出關於第一關聯商品RPT1的成交紀錄資料DRD及評價資料CMD。

在一實施例中，預測模組140用以根據成交紀錄資料DRD產生對應第一關聯商品RPT1的累積銷售數量。預測模組140還用以從評價資料CMD中擷取出多個負評資料以產生負評數量。接著，預測模組140可將累積銷售數量減去負評數量以產生預測客戶數量。

具體來說，若使用者想預測手機的保護套(即第一商品PDT1)的銷售數量，則其搜尋到的第一關聯商品RPT1則可為手機。在關於手機在電子商務平台的成交紀錄中，若消費者有購買手機時，可能會對此商品進行評價。若消費者對於此手機的評價為好評或是無意見時，則可能代表此手機對於消費者而言算是好用，因此消費者有可能進一步去購買關於此手機的週邊商品(例如：手機的保護套、耳機等等)。若是評價為負面評價時，則可能代表著消費者覺得此手機有部分缺點，進而減少購買其週邊商品的可能性。因此，透過將第一關聯商品RPT1(例如：手機)的累積銷售數量減去對應第一關聯商品RPT1的負評數量，可得到對應第一商品PDT1(例如：手機的保護套)的預測客戶數量。

在一實施例中，搜尋模組130還用以搜尋電子商務平台160中多個商家對應第一關聯商品RPT1的出貨數量。預測模組140還用以累加在出貨數量排行榜中的一個範圍內的出貨數量以產生累積銷售數量。出貨數量排行榜為所述商家對應第一關聯商品RPT2的出貨數量的排行。

具體來說，預測模組140可透過在電子商務平台160對於第一關聯商品RPT1的搜尋結果中，根據商家的出貨數 量進行排行以產生對應第一關聯商品RPT1的出貨數量排行榜，並且將在出貨數量排行榜中的一個範圍內(例如：出貨數量最多的前300名)的各商家的出貨數量進行累加以產生累積銷售數量。由於在出貨數量排行榜之後面排名的數量相較於前面排名的數量而言小很多，因此在估算對應第一關聯商品RPT1的累積銷售數量時，可以忽列出貨數量排行榜之後面排名的出貨出量(亦即，不在出貨數量排行榜中區間範圍內之出貨數量)，以增加估算對應第一關聯商品RPT1的累積銷售數量的效率。

在一實施例中，預測模組140還用以判斷評價資料CMD中的每一評價資料是否包含多個負評詞彙至少一者，並將具有所述負評詞彙中至少一者的評價資料作為負評資料CMD。

具體來說，預測模組140可對評價資料CMD中的每一評價資料進行語意分析(Sentiment analysis)，以擷取多個評價情緒的詞彙(例如：不錯、很爛、沒問題等等形容詞句)。進一步來說，預測模組140可對評價資料CMD中的每一評價資料透過自然語言處理、字詞分析、字詞情緒分析等技術，分析產出包含情緒與口碑之關鍵字。接著，預測模組140可將上位化的「主題和情緒的配對」自動化進行聚類，依關聯性消費者的口碑、情緒語料結構自動建立口碑概念詞庫。藉此，可有效分離判斷消費者負評內容資訊。

接著，再透過與一內建的負評詞庫理的負評詞彙(例如：好爛、差勁等等)進行比對，藉以判斷所述評價資料是 否包含負評詞彙。若其中一筆評價資料包含至少一個負評詞彙，則預測模組140將所述的評價資料設定為負評資料。藉此，預測模組140即可從所有評價資料CMD中擷取出具有負評詞彙的評價資料作為負評資料，並統計負評資料之數量。

在一實施例中，關聯商品資料庫110還儲存對應於每個關聯商品的歷史銷售數量。歷史銷售數量可為每個關聯商品在過去的時間(例如：過去每一年、每一個月或每一天)的銷售紀錄統計。據此，關聯商品查詢模組120還可根據第一商品PDT1從關聯商品資料庫110中搜尋對應第一商品PDT1的第二關聯商品RPT2。預測模組140可根據第一商品PDT1的預測客戶數量和對應第二關聯商品RPT2的歷史銷售數量來產生預測銷售數量。

在一實施例中，第二關聯商品RPT2可為對應第一商品PDT1之上一世代的商品。舉例來說，若第一商品PDT1為iPhone 6手機，則第二關聯商品RPT2可為iPhone 5s手機或是iPhone 5手機。由於會購買iPhone 5s手機或iPhone 5手機的消費者有可能為蘋果公司的愛好者，因此這類型的消費者亦有可能進一步會購買iPhine 6手機。據此，預測模組140可根據對應iPhone 6手機(即第一商品)的預測客戶數量和對應iPhone 5s手機(亦即，對應第一商品之上一世代的商品)之歷史銷售數量，來預測iPhone 6手機的銷售數量。

進一步來說，當得到對應第二關聯商品的歷史銷售數量後，預測模組140可統計對應第二關聯商品的歷史銷售數量並將其規劃為銷量分佈曲線。接著，預測模組140可將對 應第一商品的預測客戶數量與銷量分佈曲線透過曲線擬合的方式，得到對應第一商品的預測銷售數量。曲線擬合的作法可透過最小二乘法、離散方程式、線性迴歸與非線性迴歸或貝塞爾曲線(Bézier curve)演算法中的任一種演算法。換句話說，預測模組140可透過最小二乘法、離散方程式、線性迴歸與非線性迴歸或貝塞爾曲線演算法中的任一種演算法，對預測客戶數量和對應第二關聯商品RPT2的歷史銷量數量進行計算以得到預測銷售數量。

在另一實施例中，第二關聯商品RPT2與第一商品PDT1可為同一類型之商品，亦即，同一類型而不同廠牌之商品。舉例來說，若第一商品PDT1為蘋果公司生產的智慧型手錶，則第二關聯商品RPT2可為三星公司生產的智慧型手錶。由於會購買智慧型手錶的消費者有可能為此類型產品的愛好者，因此此類型的消費者亦有可能進一步購買其它廠牌的智慧型手錶。據此，預測模組140可根據對應蘋果公司生產的智慧型手錶(即第一商品)的預測客戶數量和對應三星公司生產的智慧型手錶(亦即，對應第一商品之同一類型的商品)之歷史銷售數量，來預測蘋果公司生產的智慧型手錶的銷售數量。

類似地，當得到對應第二關聯商品的歷史銷售數量後，預測模組140可透過最小二乘法、離散方程式、線性迴歸與非線性迴歸或貝塞爾曲線演算法中的任一種演算法，對預測客戶數量和對應第二關聯商品RPT2的歷史銷量數量進行計算以得到預測銷售數量，其具體細節如上述實施方式，於此並不贅述。

因此，透過上述實施方式，商品銷量預測系統100可有效地預測使用者輸入的第一商品PDT1的銷售數量，其預測的銷售數量並非只是統計第一商品PDT1在電子商務平台160的評價數或是出貨量，而是根據預測會購買第一商品PDT1的客戶數量加上其關聯商品的歷史銷售數量產生第一商品PDT1的預測銷述數量。因此，對於第一商品PDT1的預測銷售數量的準確性更為精準。

在一實施例中，商品銷量預測系統100還可針對在一預測時間內(例如：未來的一周內和未來的一個月內等等)的第一商品之銷售數量進行預測。具體來說，使用者可透過操作介面150輸入想要之預測時間。搜尋模組130可根據第一關聯商品RPT1、價格區間PCP、對應預測時間的一時間區間(例如：一周和一個月等等)搜尋在時間區間內的成交紀錄資料和評價資料。預測模組140則可根據在時間區間內的成交紀錄資料和評價資料產生在時間區間內的預測客戶數量，並根據在時間區間內的預測客戶數量產生對應第一商品PDT1在對應時間區間的一預測時間之預測銷售數量。

舉例來說，若使用者想預測iPhone6的保護套在一個月後的銷售數量，則其時間區間即為一個月的時間長度。搜尋模組130可根據第一關聯商品RPT1、價格區間PCP、對應預測時間的一時間區間(即一個月)搜尋在時間區間內(例如：過去一個月內)的成交紀錄資料和評價資料。預測模組140則可根據在時間區間內的成交紀錄資料和評價資料產生在時間區間內的預測客戶數量，並根據在時間區間內的預測客戶數量產 生對應第一商品PDT1在預測時間(亦即，一個月後)之預測銷售數量。

另外，商品銷量預測系統100用以預測某一商品的銷售數量並不限於某一家電子商務平台。換句話說，商品銷量預測系統100可用以在多個電子商務平台(例如：同時搜尋淘寶網和京東網上商城)搜尋第一關聯商品RPT1的成交紀錄資料和評價資料，並根據所述的電子商務平台的所有成交紀錄資料和評價資料產生對應第一關聯商品RPT1的綜整預測客戶數量，並根據綜整預測客戶數量產生對應第一商品PDT1的綜整預測銷售數量，亦即，對應第一商品PDT1在所述的電子商務平台的所有預測銷售數量。

請參照第2圖，第2圖是根據本發明一實施例繪示的一種商品銷量預測方法200之流程圖。商品銷量預測方法200可實作為一電腦程式產品(如應用程式)，並儲存於一電腦可讀取記錄媒體中，而使電腦讀取此記錄媒體後執行商品銷量預測方法200。電腦可讀取記錄媒體可為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之電腦可讀取記錄媒體。

為了方便和清楚說明，第2圖的商品銷量預測方法200以第1圖的商品銷量預測系統100為例，然本發明並不以此為限。

如第2圖所示，首先，在步驟S210中，透過操作介面150接收使用者輸入的第一商品PDT1。接著，在步驟 S230中，根據第一商品PDT1，從關聯商品資料庫110中搜尋對應第一商品PDT1的第一關聯商品RPT1。接著，在步驟S250中，透過電子商務平台160根據第一關聯商品RPT1和對應第一關聯商品RPT1的價格區間PCP，搜尋對應第一關聯商品RPT1的成交紀錄資料DRD和評價資料CMD。接著，在步驟S270中，根據成交紀錄資料DRD及評價資料CMD，產生對應第一商品PDT1的預測客戶數量。接著，在步驟S290中，根據預測客戶數量產生對應第一商品PDT1的預測銷售數量。

在一實施例中，第一商品PDT1可為對應第一關聯商品RPT1之週邊商品；在另一實施例中，第一關聯商品RPT1與第一商品PDT1可為同一類型之商品，亦即，同一類型而不同廠牌之商品，其具體內容可參照上述實施例，在此並不贅述。

在一實施例中，步驟S270還可包含步驟S271~S275。請一併參照第3圖，第3圖是根據本發明一實施例繪示的一種商品銷量預測方法200其中一個步驟S270之流程圖。如第3圖所示，首先，在步驟S271中，根據成交紀錄資料DRD產生對應第一關聯商品RPT1的累積銷售數量。具體來說，步驟S271還可包含：搜尋電子商務平台160中多個商家對應第一關聯商品RPT1的出貨數量；及累加在出貨數量排行榜中的一個範圍內的出貨數量以產生所述累積銷售數量，其中出貨數量排行榜為所述商家對應第一關聯商品RPT1的出貨數量的排行，其具體實施方式可參照上述實施例，在此並不贅述。

接著，在步驟S273中，從評價資料CMD中擷取出多個負評資料以產生負評數量。具體來說，步驟S273還包含：判斷評價資料CMD中的每一個評價資料是否包含多個負評詞彙至少一者；及將具有負評詞彙中至少一者的評價資料作為負評資料，其具體實施方式可參照上述實施例，在此並不贅述。

接著，在步驟S275中，將累積銷售數量減去負評數量以產生對應第一商品PDT1的預測客戶數量。

在一實施例中，步驟S290還可包含步驟S291~S293。請一併參照第4圖，第4圖是根據本發明一實施例繪示的一種商品銷量預測方法200其中另一個步驟S290之流程圖。如第4圖所示，首先，在步驟S291中，根據第一商品PDT1從關聯商品資料庫110中搜尋對應第一商品PDT1的第二關聯商品RPT2。

接著，在步驟S293中，根據第一商品PDT1的預測客戶數量和對應第二關聯商品RPT2的歷史銷售數量來產生預測銷售數量。在一實施例中，可透過最小二乘法、離散方程式、線性迴歸與非線性迴歸或貝塞爾曲線(演算法中的任一種演算法，對預測客戶數量和對應第二關聯商品RPT2的歷史銷量數量進行計算以得到預測銷售數量，其具體細節如上述實施方式，於此並不贅述。

在一實施例中，第二關聯商品RPT2可為對應第一商品PDT1之上一世代的商品；在另一實施例中，第二關聯商品RPT2與第一商品PDT1可為同一類型之商品，亦即，同一 類型而不同廠牌之商品，其具體內容可參照上述實施例，在此並不贅述。

如上所述之商品銷量預測系統100或商品銷量預測方法200，其具體實施方式可為軟體、硬體與/或軔體。舉例來說，若以執行速度及精確性為首要考量，則商品銷量預測系統100基本上可選用硬體與/或軔體為主；若以設計彈性為首要考量，則商品銷量預測系統100基本上可選用軟體為主；或者，商品銷量預測系統100可同時採用軟體、硬體及軔體協同作業。應瞭解到，以上所舉的這些例子並沒有所謂孰優孰劣之分，亦並非用以限制本發明，熟習此項技藝者當視當時需要，彈性選擇該等單元的具體實施方式。

綜上所述，透過上述之商品銷量預測系統100及商品銷量預測方法200，可有效地預測使用者輸入的第一商品PDT1的銷售數量，其預測的銷售數量並非只是統計第一商品在電子商務平台的評價數或是出貨量，而是根據預測會購買第一商品的客戶數量加上其關聯商品的歷史銷售數量產生第一商品的預測銷述數量。因此，對應第一商品的預測銷售數量的準確性更為精準。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100‧‧‧商品銷量預測系統

110‧‧‧關聯商品資料庫

120‧‧‧關聯商品查詢模組

130‧‧‧搜尋模組

140‧‧‧預測模組

150‧‧‧操作介面

160‧‧‧電子商務平台

PDT1‧‧‧第一商品

RPT1‧‧‧第一關聯商品

RPT2‧‧‧第二關聯商品

PCP‧‧‧價格區間

DRD‧‧‧成交紀錄資料

CMD‧‧‧評價資料

Claims (16)

1. 一種商品銷量預測系統，包含：一關聯商品資料庫，用以儲存複數商品及分別對應該些商品的複數關聯商品；一關聯商品查詢模組，用以根據一第一商品，從該關聯商品資料庫中搜尋對應該第一商品的一第一關聯商品；一搜尋模組，用以透過一電子商務平台根據該第一關聯商品和對應該第一關聯商品的一價格區間，搜尋對應該第一關聯商品的複數成交紀錄資料和複數評價資料；及一預測模組，用以根據該些成交紀錄資料產生對應該第一關聯商品的一累積銷售數量，並從該些評價資料中擷取出複數負評資料以產生一負評數量，及將該累積銷售數量減去該負評數量，以產生對應該第一商品的一預測客戶數量，並根據該預測客戶數量產生對應該第一商品的一預測銷售數量，其中該些評價資料是複數消費者對於該關聯商品的評價。
2. 如請求項1所述的商品銷量預測系統，其中該搜尋模組還用以搜尋該電子商務平台中複數商家對應該第一關聯商品的出貨數量，且該預測模組還用以累加在一出貨數量排行榜一範圍內的出貨數量以產生該累積銷售數量，其中該出貨數量排行榜係為該些商家對應該第一關聯商品的出貨數量的排行。
3. 如請求項1所述的商品銷量預測系統，其中該預測模組還用以判斷該些評價資料中的每一評價資料是否包含複數負評詞彙至少一者，並將具有該些負評詞彙中至少一者的評價資料作為該些負評資料。
4. 如請求項1所述的商品銷量預測系統，其中該關聯商品資料庫還儲存該些關聯商品的複數歷史銷售數量，該關聯商品查詢模組還用以根據該第一商品從該關聯商品資料庫中搜尋對應該第一商品的一第二關聯商品，且該預測模組還用以根據該預測客戶數量和對應該第二關聯商品的歷史銷售數量來產生該預測銷售數量。
5. 如請求項4所述的商品銷量預測系統，其中該第二關聯商品係為對應該第一商品之上一世代的商品。
6. 如請求項4所述的商品銷量預測系統，其中該第二關聯商品與該第一商品為同一類型之商品。
7. 如請求項1所述的商品銷量預測系統，其中該搜尋模組還用以根據該第一關聯商品、該價格區間、對應一預測時間的一時間區間搜尋在該時間區間內的成交紀錄資料和評價資料，且該預測模組還用以根據在該時間區間內的成交紀錄資料和評價資料產生在該時間區間內的預測客戶數量，並根據在該時間區間內的預測客戶數量產生對應該第一商品在該預測時間之預測銷售數量。
8. 如請求項1所述的商品銷量預測系統，其中該第一商品係為對應該第一關聯商品之週邊商品。
9. 如請求項1所述的商品銷量預測系統，還包含一操作介面，用以供一使用者輸入該第一商品及顯示該第一關聯商品。
10. 一種商品銷量預測方法，包含：根據一第一商品，從一關聯商品資料庫中搜尋對應該第一商品的一第一關聯商品，其中該關聯商品資料庫儲存複數商品及分別對應該些商品的複數關聯商品；透過一電子商務平台根據該第一關聯商品和對應該第一關聯商品的一價格區間，搜尋對應該第一關聯商品的複數成交紀錄資料和複數評價資料；根據該些成交紀錄資料產生對應該第一關聯商品的一累積銷售數量；從該些評價資料中擷取出複數負評資料以產生一負評數量；將該累積銷售數量減去該負評數量以產生對應該第一商品的一預測客戶數量；及根據該預測客戶數量產生對應該第一商品的一預測銷售數量，其中該些評價資料是複數消費者對於該關聯商品的評價。
11. 如請求項10所述的商品銷量預測方法，其中根據該些成交紀錄資料產生對應該第一關聯商品的該累積銷售數量包含：搜尋該電子商務平台中複數商家對應該第一關聯商品的出貨數量；及累加在一出貨數量排行榜一範圍內的出貨數量以產生該累積銷售數量，其中該出貨數量排行榜係為該些商家對應該第一關聯商品的出貨數量的排行。
12. 如請求項10所述的商品銷量預測方法，其中從該些評價資料中擷取出該些負評資料以產生該負評數量包含：判斷該些評價資料中的每一評價資料是否包含複數負評詞彙至少一者；及將具有該些負評詞彙中至少一者的評價資料作為該些負評資料。
13. 如請求項10所述的商品銷量預測方法，其中該關聯商品資料庫還儲存該些關聯商品的複數歷史銷售數量，其中根據該預測客戶數量產生對應該第一商品的該預測銷售數量包含：根據該第一商品從該關聯商品資料庫中搜尋對應該第一商品的一第二關聯商品；及 根據該預測客戶數量和對應該第二關聯商品的歷史銷售數量來產生該預測銷售數量。
14. 如請求項13所述的商品銷量預測方法，其中該第二關聯商品係為對應該第一商品之上一世代的商品。
15. 如請求項13所述的商品銷量預測方法，其中該第二關聯商品與該第一商品為同一類型之商品。
16. 一種非暫態電腦可讀取記錄媒體，用以執行一種商品銷量預測方法，該商品銷量預測方法包含：根據一第一商品，從一關聯商品資料庫中搜尋對應該第一商品的一第一關聯商品，其中該關聯商品資料庫儲存複數商品及分別對應該些商品的複數關聯商品；透過一電子商務平台根據該第一關聯商品和對應該第一關聯商品的一價格區間，搜尋對應該第一關聯商品的複數成交紀錄資料和複數評價資料；根據該些成交紀錄資料產生對應該第一關聯商品的一累積銷售數量；從該些評價資料中擷取出複數負評資料以產生一負評數量；將該累積銷售數量減去該負評數量以產生對應該第一商品的一預測客戶數量；及根據該預測客戶數量產生對應該第一商品的一預測銷售數量， 其中該些評價資料是複數消費者對於該關聯商品的評價。