技术领域
[0001] 本申请涉及大数据领域，尤其涉及一种价格确定及预测模型构建的方法、装置、设备及存储介质。
相关背景技术
[0002] 目前，促销活动是市场营销的基本策略之一，好的促销活动可以带来巨大的收益。随着人工智能的发展，越来越多的人工智能技术被应用到各领域的促销定价中。但是，目前的促销定价方式存在过度依赖前期市场调研数据，其促销定价结果客观性弱、准确度低，另一方面，目前的促销定价方式还存在无法针对每一门店分别建立销量预测模型，进而进销量预测模型预测结果不够准确，从而进一步减低了促销定价结果的准确性。
具体实施方式
[0060] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
[0061] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0062] 需要说明的是，本申请能够应用在对某类产品的零售商、品牌商的多家门店中的多个类别的商品进行促销价格预测。
[0063] 实施例一
[0064] 请参阅图1，图1是本申请实施例公开的一种价格确定方法的流程示意图。如图1所示，本申请实施例的一种价格确定方法包括步骤：
[0065] 101、获取参与促销商品的属性信息；
[0066] 102、根据销量预测模型分析参与促销商品的属性信息，并确定参与促销商品的销量；
[0067] 103获取决策变量和决策条件；
[0068] 104、根据决策条件、决策变量和参与促销商品的销量计算得到参与促销商品的促销价格。
[0069] 在本申请实施例中，通过获取参与促销商品的属性信息，预先构建的销量预测模型能够预测参与促销商品的销量，从而可根据参与促销商品的销量计算参与促销商品的促销价格。本申请与现有技术中基于用户或商品的静态信息或交易信息的划分结果而制定的促销方案这一方式相比，能够针对不同门店、不同商品构建销量预测模型，进而能够适用于多种场景下，且具有更高的制定效率。另一方面，与现有技术中根据市场调研结果而建立先验知识模型，进而根据先验知识模型制定促销方案这一方式相比，本申请能够减低对人为市场调研结果的依赖，又能够客观、准确地对参与促销商品的促销价格进行预测，以提高商品促销效果。
[0070] 在本申请实施例中，作为一种可选的实施方式，参与促销商品的属性信息包括参与促销商品的原始价格信息、包装信息、商品类型信息、折扣信息、广告投入信息中的至少一项；
[0071] 决策指标包括广告投入的上下限、每种决策变量的上下限，以及促销价格上下限。
[0072] 在本可选的实施方式中，通过获取参与促销商品的原始价格信息、包装信息、商品类型信息、折扣信息、广告投入信息中的至少一项可更加准确地构建销售预测模型。
[0073] 实施例二
[0074] 请参阅图2，图2是本申请实施例公开的一种预测模型构建方法的流程示意图。如图2所示，本申请实施例的一种预测模型构建方法包括步骤：
[0075] 201、获取目标商家的所有商品相关信息；
[0076] 202、将所有商品相关信息划分至对应类型的门店以及门店中对应类型的商品相关信息；
[0077] 203、根据对应类型的门店以及门店中对应类型的商品相关信息构建销量预测模型。
[0078] 在本申请实施例中，通过获取目标商家的所有商品相关信息，进而对相关信息划分，进而能够根据划分结果构建多个销量预测模型，该多个销量预测模型分别用于对不同门店的不同类型的商品的销量进行预测。本申请的销量预测模型可用于本申请的价格确定方法可用于本申请第一方面的价格确定方法，进而本申请与现有技术中基于用户或商品的静态信息或交易信息的划分结果而制定的促销方案这一方式相比，能够针对不同门店、不同商品构建销量预测模型，进而能够适用于多种场景下，且具有更高的制定效率。另一方面，与现有技术中根据市场调研结果而建立先验知识模型，进而根据先验知识模型制定促销方案这一方式相比，本申请能够减低对人为市场调研结果的依赖，又能够客观、准确地对参与促销商品的促销价格进行预测，以提高商品促销效果。
[0079] 在本申请实施例中，作为一种可选的实施方式，步骤203：根据对应类型的门店以及门店中对应类型的商品相关信息构建销量预测模型，包括子步骤：
[0080] 判断对应类型的门店以及门店中对应类型的商品相关信息的数据量；
[0081] 当数据量小于预设阈值时，根据贝叶斯因果推断模型和多元分类评定模型构建销量预测模型；
[0082] 当数据量大于等于预设阈值时，根据机器学习模型或神经网络构建销量预测模型。
[0083] 在本可选的实施方式中，通过判断商品相关信息的数据量，可使用不同的模型构建销量预测模型。
[0084] 在本申请实施例中，作为一种可选的实施方式，机器学习模型为随机森林模型、提升树可扩展模型中的一种，神经网络为深度神经网络模型，长短期记忆网络模型中的一种。
[0085] 在本可选的实施方式中，可使用随机森林模型、提升树可扩展模型、深度神经网络模型、长短期记忆网络模型构建销量预测模型。
[0086] 在本申请实施例中，作为一种可选的实施方式，在步骤203：根据对应类型的门店以及门店中对应类型的商品相关信息构建销量预测模型之后，本申请实施例的方法还包括步骤：
[0087] 根据在线增量学习捕捉的数据分布或数据关系的变化修正销量预测模型。
[0088] 在本可选的实施方式中，通过在线增量学习可生成外部环境变化的数据分布或数据关系，进而能够基于数据分布或数据关系修正销量预测模型，从而进一步提高销量预测模型的精确度。
[0089] 在本申请第二方面中，作为一种可选的实施方式，目标商家的所有商品相关信息至少包括门店信息、产品信息、交易数据、竞品数据、外部数据的一项。进一步地，竞品数据包括周围门店的竞品静态信息以及竞品销量信息，外部数据至少包括经济信息、天气信息、节假日信息中的一项。
[0090] 在本可选的实施方式中，能够根据门店信息、产品信息、交易数据、竞品数据、外部数据等信息进行多维度划分，进而能够根据多维度划分的结果构建精细度更高的销量预测模型。
[0091] 在本申请第二方面中，作为一种可选的实施方式，步骤202：将所有商品相关信息划分至对应类型的门店以及门店中对应类型的商品相关信息，包括：
[0092] 获取划分指标；
[0093] 根据划分指标将所有商品相关信息划分至对应类型的门店以及门店中对应类型的商品相关信息；
[0094] 在本可选的实施方式中，划分指标包括门店划分指标和产品划分指标中的至少一项，产品划分指标包括季节性划分指标、第一价格敏感性划分指标中的至少一项。进一步地，门店划分指标包括第二价格敏感性划分指标、门店级别划分指标、消费水平划分指标、辐射人群属性划分指标中的至少一项。
[0095] 在可选的实施方式中，通过按照划分指标对数据进行多维度划分，进而能够得到精细化划分结果，从而能够构建精细化更高、预测更准确的销量预测模型。
[0096] 实施例三
[0097] 请参阅图3，图3是本申请实施例公开的一种价格确定装置的结构示意图，该装置应用于价格确定设备中。如图3所示，本申请实施例的价格确定装置包括：
[0098] 第一获取模块301，用于获取参与促销商品的属性信息；
[0099] 分析模块302，用于根据销量预测模型分析参与促销商品的属性信息，并确定参与促销商品的销量；
[0100] 第二获取模块303，用于获取决策变量和决策条件；
[0101] 计算模块304，用于根据决策条件、决策变量和参与促销商品的销量计算得到参与促销商品的促销价格。
[0102] 在本申请实施例中，价格确定装置通过执行本申请公开的价格确定方法，能够获取目标商家的所有商品相关信息，进而对相关信息划分，进而能够根据划分结果构建多个销量预测模型，该多个销量预测模型分别用于对不同门店的不同类型的商品的销量进行预测。本申请的销量预测模型可用于本申请的价格确定方法可用于本申请第一方面的价格确定方法，进而本申请与现有技术中基于用户或商品的静态信息或交易信息的划分结果而制定的促销方案这一方式相比，能够针对不同门店、不同商品构建销量预测模型，进而能够适用于多种场景下，且具有更高的制定效率。另一方面，与现有技术中根据市场调研结果而建立先验知识模型，进而根据先验知识模型制定促销方案这一方式相比，本申请能够减低对人为市场调研结果的依赖，又能够客观、准确地对参与促销商品的促销价格进行预测，以提高商品促销效果。
[0103] 在本申请实施例中，作为一种可选的实施方式，参与促销商品的属性信息包括参与促销商品的原始价格信息、包装信息、商品类型信息、折扣信息、广告投入信息中的至少一项；
[0104] 决策指标包括广告投入的上下限、每种决策变量的上下限，以及促销价格上下限。
[0105] 在本可选的实施方式中，通过获取参与促销商品的原始价格信息、包装信息、商品类型信息、折扣信息、广告投入信息中的至少一项可更加准确地构建销售预测模型。
[0106] 实施例四
[0107] 请参阅图4，图4是本申请实施例公开的一种预测模型构建装置的结构示意图，该装置应用于价格确定设备中。如图4所示，本申请实施例的价格确定装置包括：
[0108] 第三获取模块401，用于获取目标商家的所有商品相关信息；
[0109] 划分模块402，用于将所有商品相关信息划分至对应类型的门店以及门店中对应类型的商品相关信息；
[0110] 构建模块403，用于根据对应类型的门店以及门店中对应类型的商品相关信息构建销量预测模型。
[0111] 在本申请实施例中，预测模型构建装置通过执行预测模型构建方法，能够获取目标商家的所有商品相关信息，进而对相关信息划分，进而能够根据划分结果构建多个销量预测模型，该多个销量预测模型分别用于对不同门店的不同类型的商品的销量进行预测。本申请的销量预测模型可用于本申请的价格确定方法可用于本申请第一方面的价格确定方法，进而本申请与现有技术中基于用户或商品的静态信息或交易信息的划分结果而制定的促销方案这一方式相比，能够针对不同门店、不同商品构建销量预测模型，进而能够适用于多种场景下，且具有更高的制定效率。另一方面，与现有技术中根据市场调研结果而建立先验知识模型，进而根据先验知识模型制定促销方案这一方式相比，本申请能够减低对人为市场调研结果的依赖，又能够客观、准确地对参与促销商品的促销价格进行预测，以提高商品促销效果。
[0112] 在本申请实施例中，作为一种可选的实施方式，构建模块403执行根据对应类型的门店以及门店中对应类型的商品相关信息构建销量预测模型的具体方式为：
[0113] 判断对应类型的门店以及门店中对应类型的商品相关信息的数据量；
[0114] 当数据量小于预设阈值时，根据贝叶斯因果推断模型和多元分类评定模型构建销量预测模型；
[0115] 当数据量大于等于预设阈值时，根据机器学习模型或神经网络构建销量预测模型。
[0116] 在本可选的实施方式中，通过判断商品相关信息的数据量，可使用不同的模型构建销量预测模型。
[0117] 在本申请实施例中，作为一种可选的实施方式，机器学习模型为随机森林模型、提升树可扩展模型中的一种，神经网络为深度神经网络模型，长短期记忆网络模型中的一种。
[0118] 在本可选的实施方式中，可使用随机森林模型、提升树可扩展模型、深度神经网络模型、长短期记忆网络模型构建销量预测模型。
[0119] 在本申请实施例中，作为一种可选的实施方式，本申请实施例的装置还包括修正模块，其中：
[0120] 修正模块，用于根据在线增量学习捕捉的数据分布或数据关系的变化修正销量预测模型。
[0121] 在本可选的实施方式中，通过在线增量学习可生成外部环境变化的数据分布或数据关系，进而能够基于数据分布或数据关系修正销量预测模型，从而进一步提高销量预测模型的精确度。
[0122] 在本申请实施例中，作为一种可选的实施方式，目标商家的所有商品相关信息至少包括门店信息、产品信息、交易数据、竞品数据、外部数据的一项。进一步地，竞品数据包括周围门店的竞品静态信息以及竞品销量信息，外部数据至少包括经济信息、天气信息、节假日信息中的一项。
[0123] 在本可选的实施方式中，能够根据门店信息、产品信息、交易数据、竞品数据、外部数据等信息进行多维度划分，进而能够根据多维度划分的结果构建精细度更高的销量预测模型。
[0124] 在本申请实施例，作为一种可选的实施方式，划分模块402执行将所有商品相关信息划分至对应类型的门店以及门店中对应类型的商品相关信息的具体方式为：
[0125] 获取划分指标；
[0126] 根据划分指标将所有商品相关信息划分至对应类型的门店以及门店中对应类型的商品相关信息；
[0127] 在本可选的实施方式中，划分指标包括门店划分指标和产品划分指标中的至少一项，产品划分指标包括季节性划分指标、第一价格敏感性划分指标中的至少一项。进一步地，门店划分指标包括第二价格敏感性划分指标、门店级别划分指标、消费水平划分指标、辐射人群属性划分指标中的至少一项。
[0128] 在可选的实施方式中，通过按照划分指标对数据进行多维度划分，进而能够得到精细化划分结果，从而能够构建精细化更高、预测更准确的销量预测模型。
[0129] 实施例五
[0130] 请参阅图5，图5是本申请实施例公开的一种价格确定设备的结构示意图。如图5所示，本申请实施例的价格确定设备包括：
[0131] 处理器502；以及
[0132] 存储器501，配置用于存储机器可读指令，该指令在由处理器502执行时，执行本申请实施例一公开的价格确定方法及本申请实施例二公开的预测模型构建方法。
[0133] 在本申请实施例中，价格确定设备通过执行本申请公开的价格确定方法及本申请公开的预测模型构建方法，能够获取目标商家的所有商品相关信息，进而对相关信息划分，进而能够根据划分结果构建多个销量预测模型，该多个销量预测模型分别用于对不同门店的不同类型的商品的销量进行预测。本申请的销量预测模型可用于本申请的价格确定方法可用于本申请第一方面的价格确定方法，进而本申请与现有技术中基于用户或商品的静态信息或交易信息的划分结果而制定的促销方案这一方式相比，能够针对不同门店、不同商品构建销量预测模型，进而能够适用于多种场景下，且具有更高的制定效率。另一方面，与现有技术中根据市场调研结果而建立先验知识模型，进而根据先验知识模型制定促销方案这一方式相比，本申请能够减低对人为市场调研结果的依赖，又能够客观、准确地对参与促销商品的促销价格进行预测，以提高商品促销效果。
[0134] 实施例六
[0135] 本申请实施例公开一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时，执行本申请公开的价格确定方法及本申请公开的预测模型构建方法。
[0136] 在本申请实施例，存储介质通过执行本申请实施例公开的价格确定方法及本申请实施例公开的预测模型构建方法，能够获取目标商家的所有商品相关信息，进而对相关信息划分，进而能够根据划分结果构建多个销量预测模型，该多个销量预测模型分别用于对不同门店的不同类型的商品的销量进行预测。本申请的销量预测模型可用于本申请的价格确定方法可用于本申请第一方面的价格确定方法，进而本申请与现有技术中基于用户或商品的静态信息或交易信息的划分结果而制定的促销方案这一方式相比，能够针对不同门店、不同商品构建销量预测模型，进而能够适用于多种场景下，且具有更高的制定效率。另一方面，与现有技术中根据市场调研结果而建立先验知识模型，进而根据先验知识模型制定促销方案这一方式相比，本申请能够减低对人为市场调研结果的依赖，又能够客观、准确地对参与促销商品的促销价格进行预测，以提高商品促销效果。
[0137] 在本申请所公开的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0138] 另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0139] 功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，定位基站，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0140] 以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0141] 以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
[0142] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
