一种面向电商业务的时尚品需求预测方法技术

本发明专利技术公开了一种面向电商业务的时尚品需求预测方法，主要包括历史销售数据准备和新产品需求预测两个阶段。其中，历史销售数据准备阶段包括缺失值和异常值的处理、消除短期异常波动因素影响和建立历史生命周期因子库；新产品需求预测阶段包括新产品畅平滞实时判断、生命周期因子匹配、特征‑增量回归模型训练以及需求预测调整。上述技术方案的有益效果是：旨在能够较好地应对时尚品行业电商场景下产品需求波动巨大以及新产品频繁上市缺乏足够历史数据造成的预测模型训练不足的情况，及时调整运营策略，在满足顾客需求的同时降低库存成本，有效提升企业的利润水平。

【技术实现步骤摘要】
一种面向电商业务的时尚品需求预测方法
本专利技术涉及信息预测
，尤其涉及一种面向电商业务的时尚品需求预测方法。
技术介绍
电子商务(ElectronicCommerce,EC)通常是指在全球各地广泛的商业贸易活动中，在因特网开放的网络环境下，基于浏览器/服务器应用方式，买卖双方不谋面地进行各种商贸活动，实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种新型的商业运营模式。全球电子商务市场在过去十多年中快速增长，并且这种势头仍在持续。当前，全球网民人数已达41.57亿人，互联网普及率达54.4％。2017年，全球网络零售交易额达2.304万亿美元，同比增长24.8％，占全球零售总额的比重由2016年的8.6％上升至10.2％。随着电子商务市场的发展，对商品的需求逐渐产生了显著不同于传统渠道商品需求的特点。尤其是在鞋服等时尚品领域，商品的需求具有极高的波动性、商品的生命周期越来越短以及新旧产品频繁地上下市。所以在一个生命周期内，商品的变化趋势的重要作用就显得尤其凸出。然而，对商品流量近期变化趋势的预测，一般商家均凭借经验对下一期的商品流量预测出一个大概的数值，或者运用一些预测模型进行简单预测。上面这些预测方法由于处理数据时失真导致预测结果不够精确。现有的传统的商品需求预测方法在应用于电商时尚品领域时，往往很难取得很好的效果。在这种情况下，针对电商时尚品领域商品需求的特点设计一套需求预测方法是十分有必要的。
技术实现思路
根据现有技术中存在的上述问题，现提供一种面向电商业务的时尚品需求预测方法，旨在能够较好地应对时尚品行业电商场景下产品需求波动巨大以及新产品频繁上市缺乏足够历史数据造成的预测模型训练不足的情况，及时调整运营策略，在满足顾客需求的同时降低库存成本，有效提升企业的利润水平。上述技术方案具体包括：一种面向电商业务的时尚品需求预测方法，主要包括如下步骤：步骤S1，收集历史产品的历史销售数据，并对所述历史产品的第一畅平滞状态进行判断；步骤S2，对所述历史销售数据中的缺失值和异常值进行处理；步骤S3，对所述历史销售数据进行平滑化处理；步骤S4，对所述历史销售数据进行生命周期曲线拟合，生成一历史生命周期因子库；步骤S5，收集新产品的实时销售数据，并对所述新产品的第二畅平滞状态动态地进行判断；步骤S6，根据所述新产品当前的所述第二畅平滞状态，在所述历史生命周期因子库中匹配得到所述新产品的生命周期因子序列；步骤S7，根据所述生命周期因子序列和一预设的基础生命周期预测公式，得到一基础生命周期预测值；步骤S8，将多个所述历史产品的产品特征和活动特征分别关联于每个所述历史产品的销售增长量，建立特征-增量映射关系；步骤S9，根据所述特征-增量映射关系，输入所述历史产品的产品特征和活动特征以及对应的所述销售增长量，生成一特征-增量回归模型；步骤S10，根据所述新产品的产品特征、活动特征和所述特征-增量回归模型，得到一特征-增量系数；步骤S11，根据所述特征-增量系数对所述新产品的所述基础生命周期预测值进行调整，生成一新产品需求预测值。优选的，所述历史产品的第一畅平滞状态是根据所述历史产品在其对应的销售季的单位时间内的销量排名进行判定；所述第一畅平滞状态包括畅销状态、平销状态和滞销状态。优选的，所述步骤S2具体包括：步骤S21，对所述历史销售数据中的所述缺失值进行处理；步骤S22，对所述历史销售数据进行生命周期曲线拟合；步骤S23，根据一预设的阈值，判断所述历史销售数据中是否存在所述异常值；若否，则转向所述步骤S25；步骤S24，判定所述历史销售数据中存在所述异常值，并对所述异常值进行处理，再转向所述步骤S23；步骤S25，判定所述历史销售数据中不存在所述异常值，转向所述步骤S3。优选的，所述步骤S3具体包括：步骤S31，判断所述历史销售数据是否存在一短期异常波动；若否，则直接转向所述步骤S4；步骤S32，采用线性插值法，对所述历史销售数据进行平滑化处理，再转向步骤S4。优选的，所述步骤S4具体包括：步骤S41，对所述历史销售数据进行归一化处理；步骤S42，根据所述历史销售数据建立一多项式拟合函数，生成商品的生命周期因子序列；步骤S43，将不同的所述历史产品的所述生命周期因子序列组成所述历史生命周期因子库。优选的，所述步骤S42中的所述多项式拟合函数如下：优选的，所述步骤S5具体包括：步骤S51，收集所述新产品的实时销售数据；步骤S52，动态地更新并判断所述新产品当前的第二畅平滞销售状态；所述第二畅平滞状态包括畅销状态、平销状态和滞销状态。优选的，所述步骤S6中，根据所述新产品的所述第二畅平滞状态，在所述历史生命周期因子库中匹配与其相同的所述第一畅平滞状态所对应的历史产品，采用一预设的相关系数匹配规则，将所述新产品在一预设时段内的销售数据与所述销售数据相关系数最高的所述历史产品的所述生命周期因子序列匹配给所述新产品，作为所述新产品的所述生命周期因子序列。优选的，所述基础生命周期预测公式如下：优选的，所述预测调整公式如下：f2,n+j＝αn+j·f1,n+j；其中，其中，pi＝F(M,N)；其中，F为所述特征-增量回归模型，M为所述新产品的产品特征，N为所述新产品的活动特征。上述技术方案的有益效果是：旨在能够较好地应对时尚品行业电商场景下产品需求波动巨大以及新产品频繁上市缺乏足够历史数据造成的预测模型训练不足的情况，及时调整运营策略，在满足顾客需求的同时降低库存成本，有效提升企业的利润水平。附图说明图1是本专利技术的较佳的实施例中，一种面向电商业务的时尚品需求预测方法的总体流程示意图；图2是本专利技术的较佳的实施例中，图1的基础上，对步骤S2做进一步描述的流程图；图3是本专利技术的较佳的实施例中，对异常点进行处理的效果示意图；图4是本专利技术的较佳的实施例中，图1的基础上，对步骤S3做进一步描述的流程图；图5是本专利技术的较佳的实施例中，图1的基础上，对步骤S4做进一步描述的流程图；图6是本专利技术的较佳的实施例中，图1的基础上，对步骤S5做进一步描述的流程图；图7是本专利技术的较佳的实施例中，真实销售量与预测销售量的曲线对比示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面结合附图和具体实施例对本专利技术作进一步说明，但不作为本专利技术的限定。基于现有技术中存在的上述问题，本专利技术提供一种面向电商业务的时尚品需求预测方法，如图1所示，主要包括如下步骤：步骤S1，收集历史产品的历史销售数据，并对历史产品的第一畅平滞状态进行判断；步骤S2，对历史销售数据中的缺失值和异常值进行处理；步骤S3，对历史销售数据进行平滑化处理；步骤S4，对历史销售数据进行生命周期曲线拟合，生成一历史生命周期因子库；步骤S5，收集新产品的实时销售数据，并对新产品的第二畅平滞状态动态地进行判断；步骤S6，本文档来自技高网...

【技术保护点】
1.一种面向电商业务的时尚品需求预测方法，其特征在于，主要包括如下步骤：步骤S1，收集历史产品的历史销售数据，并对所述历史产品的第一畅平滞状态进行判断；步骤S2，对所述历史销售数据中的缺失值和异常值进行处理；步骤S3，对所述历史销售数据进行平滑化处理；步骤S4，对所述历史销售数据进行生命周期曲线拟合，生成一历史生命周期因子库；步骤S5，收集新产品的实时销售数据，并对所述新产品的第二畅平滞状态动态地进行判断；步骤S6，根据所述新产品当前的所述第二畅平滞状态，在所述历史生命周期因子库中匹配得到所述新产品的生命周期因子序列；步骤S7，根据所述生命周期因子序列和一预设的基础生命周期预测公式，得到一基础生命周期预测值；步骤S8，将多个所述历史产品的产品特征和活动特征分别关联于每个所述历史产品的销售增长量，建立特征‑增量映射关系；步骤S9，根据所述特征‑增量映射关系，输入所述历史产品的产品特征和活动特征以及对应的所述销售增长量，生成一特征‑增量回归模型；步骤S10，根据所述新产品的产品特征、活动特征和所述特征‑增量回归模型，得到一特征‑增量系数；步骤S11，根据所述特征‑增量系数对所述新产品的所述基础生命周期预测值进行调整，生成一新产品需求预测值。...

【技术特征摘要】
1.一种面向电商业务的时尚品需求预测方法，其特征在于，主要包括如下步骤：步骤S1，收集历史产品的历史销售数据，并对所述历史产品的第一畅平滞状态进行判断；步骤S2，对所述历史销售数据中的缺失值和异常值进行处理；步骤S3，对所述历史销售数据进行平滑化处理；步骤S4，对所述历史销售数据进行生命周期曲线拟合，生成一历史生命周期因子库；步骤S5，收集新产品的实时销售数据，并对所述新产品的第二畅平滞状态动态地进行判断；步骤S6，根据所述新产品当前的所述第二畅平滞状态，在所述历史生命周期因子库中匹配得到所述新产品的生命周期因子序列；步骤S7，根据所述生命周期因子序列和一预设的基础生命周期预测公式，得到一基础生命周期预测值；步骤S8，将多个所述历史产品的产品特征和活动特征分别关联于每个所述历史产品的销售增长量，建立特征-增量映射关系；步骤S9，根据所述特征-增量映射关系，输入所述历史产品的产品特征和活动特征以及对应的所述销售增长量，生成一特征-增量回归模型；步骤S10，根据所述新产品的产品特征、活动特征和所述特征-增量回归模型，得到一特征-增量系数；步骤S11，根据所述特征-增量系数对所述新产品的所述基础生命周期预测值进行调整，生成一新产品需求预测值。2.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述历史产品的第一畅平滞状态是根据所述历史产品在其对应的销售季的单位时间内的销量排名进行判定；所述第一畅平滞状态包括畅销状态、平销状态和滞销状态。3.如权利要求1所述的面向电商业务的时尚品需求预测方法，其特征在于，所述步骤S2具体包括：步骤S21，对所述历史销售数据中的所述缺失值进行处理；步骤S22，对所述历史销售数据进行生命周期曲线拟合；步骤S23，根据一预设的阈值，判断所述历史销售数据中是否存在所述异常值；若否，则转向所述步骤S25；步骤S24，判定所述历史销售数据中存在所述异常值，并对所述异常值进行处理，再转向所述步骤S23；步骤S25，判定所述历史...

【专利技术属性】
技术研发人员：高峻峻，王健，卫望，赵建国，
申请(专利权)人：上海欧睿供应链管理有限公司，
类型：发明
国别省市：上海,31