销量承载力确定方法及装置制造方法及图纸

本申请提出了一种销量承载力确定方法及装置，其中，销量承载力确定方法包括：确定待评估销量承载力的目标门店；基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类；分别预测聚类后的不同类别的门店的未来销量数据，并获取该区域中预计产生的目标销量数据，所述目标销量数据是基于该地区中的历史销量数据及影响销量数据的目标因子确定的；基于所述未来销量数据及所述目标销量数据确定当前的目标门店的承载力

【技术实现步骤摘要】
销量承载力确定方法及装置


[0001]本申请涉及数据处理
，具体而言，涉及一种销量承载力确定方法及装置
。

技术介绍

[0002]随着互联网和电子商务的快速发展，企业需要确保其门店销售网络具备足够的承载力，以满足不断增长的销售业务和用户需求
。
[0003]然而，传统的门店销售网络承载力测算方法往往过于简单或无法实时跟踪网络负载情况，导致网络拥塞
、
响应缓慢或资源浪费等问题的出现
。

技术实现思路

[0004]本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一
。
[0005]有鉴于此，本专利技术的一个目的在于提供一种销量承载力确定方法及装置
。
[0006]在一些实施例中，本申请提供一种销量承载力确定方法，包括：确定待评估销量承载力的目标门店；基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类；分别预测聚类后的不同类别的门店的未来销量数据，并获取对应区域中预计产生的目标销量数据，所述目标销量数据是基于对应地区中的历史销量数据及影响销量数据的目标因子确定的；基于所述未来销量数据及所述目标销量数据确定当前的目标门店的承载力
。
[0007]在一些实施例中，所述确定待评估承载力的目标门店，包括：确定各门店的成立时间及盈亏现状；基于各门店的成立时间及盈亏现状进行门店经营阶段划分，得到保护期阶段门店
、
爬坡期阶段门店以及成熟期阶段门店；将所述成熟期阶段门店作为目标门店
。
[0008]在一些实施例中，所述分别预测聚类后的不同类别的门店的未来销量数据，包括：确定不同类别的门店对应的销量预测模型；基于所述销量预测模型分别对各类别的门店的未来销量数据进行预测
。
[0009]在一些实施例中，门店的类别包括低销量低潜力门店
、
高销量低潜力门店
、
低销量高潜力门店以及高销量高潜力门店；所述基于所述销量预测模型分别对各类别的门店的未来销量数据进行预测，包括：对于所述低销量低潜力门店，将实际销量数据作为预测未来销量数据；对于所述高销量低潜力门店，对所述实际销量数据进行微调整后得到未来销量数据；对于所述低销量高潜力门店，基于预设的预测算法预测未来销量数据；对于高销量高潜力门店，基于预设的预测算法以及权重下调算法预测未来销量数据
。
[0010]在一些实施例中，微调整包括基于季节性因素对实际销量数据进行调整
、
基于异常点调整方法对销量数据进行调整
、
基于门店的属性信息对销量数据进行调整中的一种或者多种；所述预测算法包括时间序列模型
、
机器学习模型中的一种或者多种；所述权重下调算法包括峰值下调法
、
波动缩减法
、
回归定长法
、
目标淡化法中的一种或者多种
。
[0011]在一些实施例中，所述市场占有率完成比例包括基于门店市场占有率及地区平均市场占有率确定；所述地区平均市场占有率基于统计数据确定，所述门店市场占有率的预
测步骤包括：基于各门店的市场占有率及销量数据对各门店进行聚类分析得到不同类别的市场门店类别；获取各类别的市场门店对应的市场占有率预测模型，并基于各类别门店分别对应的市场占有率模型对各类别门店的市场占有率进行预测得到各类别门店的市场预测占有率
。
[0012]参见图4，在图4中，可以基于
X
＝
Gap*(Gap/Standard)
对市场占有率数据进行调整
。
其中，
Standard
可以理解为全国市场占有率数据，
Gap
是全国市场占有率与调整前的市场占有率数据的差值，
X
是指调整的数值
。
[0013]在一些实施例中，所述市场门店类别包括：饱和市场
、
成熟市场
、
一般市场以及潜力市场；所述获取各类别的市场门店对应的市场占有率预测模型，包括：确定所述饱和市场的市占率为保持趋势，确定所述成熟市场的市占率为微增长趋势，确定所述一般市场的市占率为微增长趋势，确定所述潜力市场的市占率为显著增长趋势
。
[0014]在一些实施例中，微增长趋势包括预测指标稍有增加但增幅较小，幅度小于预设阈值，用于表示略微向好的趋势；显著增长趋势包括预测指标增幅较大且增势强劲，幅度大于预设阈值，用于表明显著向好
。
[0015]在一些实施例中，所述目标销量数据的确定方法包括：确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子；确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列预测模型；当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型；当所述因子类型对应为无法预测因子时，删除所述目标因子；基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，基于所述销量预测模型确定目标销量数据
。
[0016]在一些实施例中，所述当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列模型，包括：判断所述目标因子是否为有趋势变化以及是否为有周期性的序列；若判定所述目标因子为没有趋势且没有周期性的序列，基于一阶指数平滑构建目标因子对应的目标因子模型；若所述目标因子为有趋势但没有周期性的序列，基于二阶指数平滑构建目标因子对应的目标因子模型；若所述目标因子为有趋势也有周期性的序列，基于三阶指数平滑构建目标因子对应的目标因子模型
。
[0017]在一些实施例中，本申请还提供一种销量承载力确定装置，包括：门店确定单元，用于确定待评估销量承载力的目标门店；聚类单元，用于基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类；预测单元，用于分别预测聚类后的不同类别的门店的未来销量数据，并获取对应区域中预计产生的目标销量数据，所述目标销量数据是基于对应地区中的历史销量数据及影响销量数据的目标因子确定的；承载力确定单元，用于基于所述未来销量数据及所述目标销量数据确定当前的目标门店的承载力
。
[0018]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：确定待评估销量承载力的目标门店；基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类；分别预测聚类后的不同类别的门店的未来销量数据，并获取对应区域中预计产生的目标销量数
据，所述目标销量数据是基于对应地区中的历史销量数据及影响销量数据的目标因子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种销量承载力确定方法，其特征在于，包括：确定待评估销量承载力的目标门店；基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类；分别预测聚类后的不同类别的门店的未来销量数据，并获取对应区域中预计产生的目标销量数据，所述目标销量数据是基于对应地区中的历史销量数据及影响销量数据的目标因子确定的；基于所述未来销量数据及所述目标销量数据确定当前的目标门店的承载力
。2.
根据权利要求1所述的方法，其特征在于，所述确定待评估承载力的目标门店，包括：确定各门店的成立时间及盈亏现状；基于各门店的成立时间及盈亏现状进行门店经营阶段划分，得到保护期阶段门店
、
爬坡期阶段门店以及成熟期阶段门店；将所述成熟期阶段门店作为目标门店
。3.
根据权利要求1所述的方法，其特征在于，所述分别预测聚类后的不同类别的门店的未来销量数据，包括：确定不同类别的门店对应的销量预测模型；基于所述销量预测模型分别对各类别的门店的未来销量数据进行预测
。4.
根据权利要求3所述的方法，其特征在于，门店的类别包括低销量低潜力门店
、
高销量低潜力门店
、
低销量高潜力门店以及高销量高潜力门店；所述基于所述销量预测模型分别对各类别的门店的未来销量数据进行预测，包括：对于所述低销量低潜力门店，将实际销量数据作为预测未来销量数据；对于所述高销量低潜力门店，对所述实际销量数据进行微调整后得到未来销量数据；对于所述低销量高潜力门店，基于预设的预测算法预测未来销量数据；对于高销量高潜力门店，基于预设的预测算法以及权重下调算法预测未来销量数据
。5.
根据权利要求4所述的方法，其特征在于，所述微调整包括基于季节性因素对实际销量数据进行调整
、
基于异常点调整方法对销量数据进行调整
、
基于门店的属性信息对销量数据进行调整中的一种或者多种；所述预测算法包括时间序列模型
、
机器学习模型中的一种或者多种；所述权重下调算法包括峰值下调法
、
波动缩减法
、
回归定长法
、
目标淡化法中的一种或者多种
。6.
根据权利要求1所述的方法，其特征在于，所述市场占有率完成比例包括基于门店市场占有率及地区平均市场占有率确定；所述地区平均市场占有率基于统计数据确定，所述门店市场占有率的预测步骤包括：基于各门店的市场占有率及销量数据对各门店进行聚类分析得到不同类别的市场门店类别；获取各类别的市场门店对应的市场占有率预测模型，并基于各类别门店分别对应的市场...

【专利技术属性】
技术研发人员：谢鹏，
申请(专利权)人：上海众调信息科技有限公司，
类型：发明
国别省市：