【技术实现步骤摘要】
本专利技术涉及商品复购预测，尤其是涉及一种基于商品品类的会员复购预测方法及系统。
技术介绍
1、会员的历史购物行为数据可以用来预测其接下来可能的消费行为，甚至能够提前预测会员可能购买的其他商品，对零售商来说可以为其供应链、库存等提供数据参考，尤其是基于现有海量数据、大数据存储计算平台强大的算力支持下，为预测技术的分析提供了便利性。不论对商家还是平台来说，复购预测分析是基本的经营分析方法，分析方法也由简单的统计分析，渐进到机器学习甚至深度学习，或者某些方法相互结合使用，提高了商家或平台的数字化经营能力。
2、但是纵观现有复购预测分析技术，暴露了包括以下几个问题或缺陷：
3、1.分析渠道方面：随着电子商务的智能化发展，各个电商平台存储了海量的消费数据，包含复购预测、销量预测等目标的分析技术及方案，预测结果已经能满足一定的准确率要求。但是相较于线上消费，线下零售的浏览、点击、收藏、加购、购买等行为数据都无法获取，相应地各个步骤所涉及的漏斗转化情况也难以获取，无法获取消费者或会员的浏览偏好、行动轨迹，因此迫切需要构造适用于线下零售的会员复购预测方法。
4、2.数据集选取方面：一般地通过获取会员的基础信息、一定时间周期内会员的历史消费数据，有时候结合历史订单的环境，如天气、日期、周边竞品等。这样使得模型训练阶段加入了负样本，即没有进行复购的数据，复购“失败”用户对应的特征数据，在数据探分析阶段，这些负样本削弱了复购影响因子的指证作用。同时，较少会结合商品本身的属性，如使用周期、生命周期来进行分类，而是直
5、3.分析方法方面：原技术一般是将所有用户数据、商家数据进行分析预测，信息经过常规数据预处理之后，形成一定环境下的用户画像，组成影响因素特征，并进行特征筛选，形成训练集、测试集进行分析预测。如以消费者是否复购作为预测标签，基于xgboost、lightgbm、随机森林、逻辑回归、时间序列方法等集成学习及机器学习方法进行是否复购预测，但是由于xgboost等本身具有较强的过拟合能力，使得后续的预测可靠性逐渐降低，另外，模型中引入的“负样本”使得分析的侧重点更偏向是否复购，一定程度上忽略了复购主体的复购时间间隔的分析。
6、因此亟需一种基于商品品类的会员复购预测方法及系统。
技术实现思路
1、名词解释：
2、rfm模型：是一种用于衡量客户价值的分析工具，通过分析客户最近一次消费时间recency、某限定期间内的消费频率frequency以及消费金额monetary三个要素来评估客户对于商家的价值，并依此将客户划分为“重要价值客户、重要发展客户、重要挽留客户、重要保持客户、一般价值客户、一般发展客户、一般挽留客户、一般保持客户”八类客户群。
3、为了解决上述提到的问题，本专利技术提供一种基于商品品类的会员复购预测方法及系统。
4、第一方面，本专利技术提供的一种基于商品品类的会员复购预测方法，采用如下的技术方案：
5、一种基于商品品类的会员复购预测方法，包括：
6、获取销售数据；
7、对获取的销售数据进行预处理，对预处理后的销售数据计算单位商品细类的复购周期，根据复购周期获取忠诚会员；
8、对忠诚会员的数据进行特征提取，得到特征向量，作为数据集；
9、将数据集划分为训练集和测试集，基于训练集构建广义回归神经网络模型，基于测试集进行模型调优，得到调优后的广义回归神经网络模型。
10、进一步地，所述对预处理后的销售数据计算单位商品细类的复购周期，包括根据相邻两次购买的间隔时间和购买次数，得到每个会员对单位商品细类的复购周期，根据每个会员对单位商品细类的复购周期得到每个单位商品细类的复购周期。
11、进一步地，所述根据复购周期获取忠诚会员，包括利用rfm模型进行评分区间划分，通过最近一次消费时间和当前时间的均值和方差作为评分标准，利用评分区间得出忠诚会员。
12、进一步地，所述对忠诚会员的数据进行特征提取，得到特征向量，包括抽取影响忠诚会员复购的可能因素作为特征变量，对特征变量进行标准化处理得到特征向量，对特征向量进行z-score标准化处理表示为：=，
13、其中是原数据，是经过标准化后的数据，μ为其均值，σ为标准差。
14、进一步地，所述基于训练集构建广义回归神经网络模型，包括计算输入层与模式层节点之间的距离，其中，输入层神经元的数目等于特征变量的维度数目，模式层神经元节点数量为输入层训练集中的训练样本的个数，在模式层进行输入特征数据与每个训练样本之间的欧式距离，该距离作为下一层即求和层的输入，其中，利用高斯径向基函数作为欧式距离的计算函数：
15、=exp[]，
16、其中，i=1,2,...,n，x为网络输入变量，为第i个神经元对应的学习样本，为平滑因子，∈(0,1)，神经元i的输出为输入变量与其对应的样本x之间欧式距离平方的指数形式，由此获得输入变量数据与模式层节点之间的距离值，作为求和层的输入数据。
17、进一步地，所述基于训练集构建广义回归神经网络模型，还包括求和层进行高斯函数变换和加权平均值，其中，对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1；对所有模式层输出的距离向量进行加权求和，其中，每个距离向量的权重值是通过对距离向量进行高斯函数变换求得。
18、进一步地，所述通过测试集进行数据验证，在平滑因子区间内寻找最优平滑因子，包括利用广义回归神经网络模型对测试集进行预测，求得模型拟合的平均绝对误差mae、平均绝对误差mape、均方误差mse及相对应的均方根误差，其中，误差值越小表示模型预测结果越准确。
19、第二方面，一种基于商品品类的会员复购预测系统，包括：
20、数据获取模块，被配置为，获取销售数据；
21、预处理模块，被配置为，对获取的销售数据进行预处理，对预处理后的销售数据计算单位商品细类的复购周期，根据复购周期获取忠诚会员；
22、特征提取模块，被配置为，对忠诚会员的数据进行特征提取，得到特征向量，作为数据集；
23、模型预测模块，被配置为，将数据集划分为训练集和测试集，基于训练集构建广义回归神经网络模型，基于测试集进行模型调优，得到调优后的广义回归神经网络模型。
24、第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于商品品类的会员复购预测方法。
25、第四方面，本专利技术提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于商品品类的会员复购预测方法。
【技术保护点】
1.一种基于商品品类的会员复购预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于商品品类的会员复购预测方法，其特征在于，所述对预处理后的销售数据计算单位商品细类的复购周期，包括根据相邻两次购买的间隔时间和购买次数，得到每个会员对单位商品细类的复购周期，根据每个会员对单位商品细类的复购周期得到每个单位商品细类的复购周期。
3.根据权利要求2所述的一种基于商品品类的会员复购预测方法，其特征在于，所述根据复购周期获取忠诚会员，包括利用RFM模型进行评分区间划分，通过最近一次消费时间和当前时间的均值和方差作为评分标准，利用评分区间得出忠诚会员。
4.根据权利要求3所述的一种基于商品品类的会员复购预测方法，其特征在于，所述对忠诚会员的数据进行特征提取，得到特征向量，包括抽取影响忠诚会员复购的可能因素作为特征变量，对特征变量进行标准化处理得到特征向量，对特征向量进行z-score标准化处理表示为：=，
5.根据权利要求4所述的一种基于商品品类的会员复购预测方法，其特征在于，所述基于训练集构建广义回归神经网络模型，包括计算输入层与模式
6.根据权利要求5所述的一种基于商品品类的会员复购预测方法，其特征在于，所述基于训练集构建广义回归神经网络模型，还包括求和层进行高斯函数变换和加权平均值，其中，对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1；对所有模式层输出的距离向量进行加权求和，其中，每个距离向量的权重值是通过对距离向量进行高斯函数变换求得。
7.根据权利要求6所述的一种基于商品品类的会员复购预测方法，其特征在于，所述基于测试集进行模型调优，得到调优后的广义回归神经网络模型，包括利用广义回归神经网络模型对测试集进行预测，求得模型拟合的平均绝对误差MAE、平均绝对误差MAPE、均方误差MSE及相对应的均方根误差，其中，误差值越小表示模型预测结果越准确。
8.一种基于商品品类的会员复购预测系统，其特征在于，包括：
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于商品品类的会员复购预测方法。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的一种基于商品品类的会员复购预测方法。
...【技术特征摘要】
1.一种基于商品品类的会员复购预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于商品品类的会员复购预测方法，其特征在于，所述对预处理后的销售数据计算单位商品细类的复购周期，包括根据相邻两次购买的间隔时间和购买次数，得到每个会员对单位商品细类的复购周期，根据每个会员对单位商品细类的复购周期得到每个单位商品细类的复购周期。
3.根据权利要求2所述的一种基于商品品类的会员复购预测方法，其特征在于，所述根据复购周期获取忠诚会员，包括利用rfm模型进行评分区间划分，通过最近一次消费时间和当前时间的均值和方差作为评分标准，利用评分区间得出忠诚会员。
4.根据权利要求3所述的一种基于商品品类的会员复购预测方法，其特征在于，所述对忠诚会员的数据进行特征提取，得到特征向量，包括抽取影响忠诚会员复购的可能因素作为特征变量，对特征变量进行标准化处理得到特征向量，对特征向量进行z-score标准化处理表示为：=，
5.根据权利要求4所述的一种基于商品品类的会员复购预测方法，其特征在于，所述基于训练集构建广义回归神经网络模型，包括计算输入层与模式层节点之间的距离，其中，输入层神经元的数目等于特征变量的维度数目，模式层神经元节点数量为输入层训练集中的训练样本的个数，在模式层进行输入特征数据与每个训练样本之间的欧式距离，该距离作为下一层即求和层...
【专利技术属性】
技术研发人员：娄海凤，王强，张志强，卢世杰，
申请(专利权)人：易通金服支付有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。