CN107808333A - 一种商品投放决策***、方法及装置 - Google Patents
一种商品投放决策***、方法及装置 Download PDFInfo
- Publication number
- CN107808333A CN107808333A CN201610808112.9A CN201610808112A CN107808333A CN 107808333 A CN107808333 A CN 107808333A CN 201610808112 A CN201610808112 A CN 201610808112A CN 107808333 A CN107808333 A CN 107808333A
- Authority
- CN
- China
- Prior art keywords
- decision
- commodity
- dispensing
- making
- subsystem
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种商品投放决策***、方法、装置及电子设备。其中，所述商品投放决策***包括投放决策子***和投放效果反馈子***；所述效果反馈子***能够将获取到的实际投放效果数据与预测投放效果数据进行比较，获取两种数据的差距，并将该差距反馈给投放决策子***；所述投放决策子***能够根据该差距进行自适应的调整，并使用调整后的投放决策子***为下一个待决策商品列表进行投放决策。采用本申请提供的商品投放决策***，能够根据实际投放效果数据与预测投放效果数据的差距，实时调整投放决策子***，从而达到提高商品投放决策精度的效果。
Description
技术领域
本申请涉及机器学习技术领域，具体涉及一种商品投放决策***；相应于上述***，本申请同时涉及一种商品投放决策方法、装置及电子设备。
背景技术
随着机器学习技术的不断发展与普及，越来越多的商品投放决策业务采用数据化运营方式替代人工运行方式对投放决策过程进行指导，即：通过投放决策***替代人工做决策以提高业务运营效率。下面以聚划算商品竞拍业务为例对上述数据化运营方式及该方式存在的问题作简要说明。
聚划算商品竞拍业务下的商品投放决策过程包括如下步骤：1)对目标销售额等指标进行总体规划；2)根据整体规划对可参与活动商品的所属商品类目、各个商品类目具有的资源位数量等参数进行具体规划；3)商家为欲参加竞拍的商品报名；4)对报名商品进行审核，确定能够参加活动的商品。在传统的人工运营方式中，上述步骤均需要由运营人员以人工方式进行处理。采用数据化运营方式后，上述第4步骤由基于机器学习技术的投放决策***进行处理，即：通过商品投放决策***对报名的商品进行自动评估，以确定最终可参加聚划算活动的商品。采用数据化运营后，由投放决策***替代了运营人员的部分工作，由此提高了业务运营效率。
根据投放决策***给出的投放决策结果进行商品投放后，在业务运营过程中，需要定期对商品的实际投放效果进行评估，并根据评估结果对投放决策***进行调整，以保证运营目标的实现。例如，如果聚划算活动产生的实际销售额没有达到目标销售额时，则需要调整投放决策***的相关参数。
目前，上述的投放效果评估、投放决策***参数的调整工作均由运营人员负责处理，可见，投放决策***对商品投放的指导仅停留在数据指标预测的层次，并没有达到完全数据化运营(也可称为“智慧运营”)的效果，因而，投放决策***对商品投放的辅助运营意义是极为有限的。此外，在现有技术下，不同决策场景下的不同决策***之间是完全相互独立的，互不关联的决策***构建成本高且可扩展性差。
综上所述，现有技术下的商品投放决策***存在决策精度低且扩展成本高的问题。
发明内容
本申请提供一种商品投放决策***，以解决现有技术下的商品投放决策***存在决策精度低且扩展成本高的问题。本申请另外提供一种商品投放决策方法、装置及电子设备。
本申请提供一种商品投放决策***，包括：投放决策子***和投放效果反馈子***；
所述投放决策子***，用于接收针对待决策的商品列表的决策请求，并根据各个商品的特征数据和预先生成的投放决策模型，确定可投放的商品；以及，接收所述投放效果反馈子***提供的所述可投放的商品的实际投放效果数据相对于所述可投放的商品的预测投放效果数据的第一差距，并根据所述第一差距进行自适应调整，并使用调整后的投放决策子***对下一个待决策商品列表进行投放决策；
所述投放效果反馈子***，用于获取所述可投放的商品的实际投放效果数据，并将所述可投放的商品的实际投放效果数据与所述可投放的商品的预测投放效果数据进行比较，获取所述第一差距；以及，将所述第一差距向外发送。
可选的，所述根据所述第一差距进行自适应调整，包括：
调整所述投放决策子***的决策规则；
调整所述投放决策子***的边界条件；
调整所述投放决策子***的约束条件；
调整所述投放决策子***的处理参数；
根据所述实际投放效果数据进行所述投放决策模型的调整。
可选的，还包括：品类规划预测子***；
所述品类规划子***，用于接收针对特定投放效果目标的品类规划请求，并根据各个待规划的商品类目的特征数据、所述特定投放效果目标和预先生成的品类规划模型，生成品类规划预测结果；以及，将所述品类规划预测结果向外发送；以及，接收所述投放效果反馈子***提供的品类规划实际结果相对于品类规划预测结果的第二差距，并根据所述第二差距进行自适应调整，并使用调整后的品类规划子***进行下一次品类规划；其中，所述品类规划实际结果是指，根据所述品类规划预测结果进行商品的投放决策后产生的实际品类规划结果；
所述投放效果反馈子***，还用于获取所述品类规划实际结果，并将所述品类规划实际结果与所述品类规划预测结果进行比较，获取所述第二差距；以及，将所述第二差距向外发送；
所述投放决策子***，还用于接收所述品类规划子***提供的所述品类规划预测结果，并根据所述品类规划预测结果确定所述可投放的商品。
可选的，还包括：邀请决策子***；
所述邀请决策子***，用于接收所述品类规划子***提供的所述品类规划预测结果，并根据满足所述品类规划预测结果的商品的特征数据和预先生成的邀请决策模型，确定可邀请的商品；以及，接收所述投放效果反馈子***提供的所述可邀请的商品的实际投放效果数据相对于所述可邀请的商品的预测投放效果数据的第三差距，并根据所述第三差距进行自适应调整，并使用调整后的邀请决策子***对商品进行邀请决策；
所述投放效果反馈子***，还用于获取所述可邀请的商品的实际投放效果数据，并将所述可邀请的商品的实际投放效果数据与所述可邀请的商品的预测投放效果数据进行比较，获取所述第三差距；以及，将所述第三差距向外发送。
可选的，还包括：投放效果目标预测子***；
所述投放效果目标预测子***，用于接收针对特定投放周期的投放效果目标预测请求，并根据所述特定投放周期的特征数据和预先生成的投放效果目标预测模型，生成投放效果预测目标；以及，将所述投放效果预测目标向外发送；以及，接收所述投放效果反馈子***提供的投放效果实际目标相对于所述投放效果预测目标的第四差距，并根据所述第四差距进行自适应调整，并使用调整后的投放效果目标预测子***进行下一次目标预测；
所述投放效果反馈子***，还用于获取所述投放效果实际目标，并将所述投放效果实际目标与所述投放效果预测目标进行比较，获取所述第四差距；以及，将所述第四差距向外发送。
可选的，还包括：模型评估子***；
所述模型评估子***，用于接收针对特定模型的评估请求，并根据实际投放商品及与其对应的实际投放效果数据，生成预测评估结果；以及，将所述预测评估结果向外发送；以及，接收所述投放效果反馈子***提供的实际评估结果相对于所述预测评估结果的第五差距，并根据所述第五差距进行自适应调整，并使用调整后的模型评估子***对下一个特定模型进行评估；
所述投放效果反馈子***，还用于获取所述实际评估结果，并将所述实际评估结果与所述预测评估结果进行比较，获取所述第五差距；以及，将所述第五差距向外发送。
可选的，还包括：数据挖掘子***；
所述数据挖掘子***包括：仅对特定决策场景产生影响的第一数据挖掘子***和对多个决策场景产生影响的第二数据挖掘子***；
所述第一数据挖掘子***，用于从特定决策场景的商品相关数据中提取第一数据；
所述第二数据挖掘子***，用于从企业级的商品相关数据中提取第二数据。
可选的，还包括：运行监控子***；
所述运行监控子***，用于监控所述商品投放决策***的决策过程。
可选的，还包括：扩展子***；
所述扩展子***，用于将新增的决策子***或预测子***增加到所述商品投放决策***。
相应的，本身请还提供一种商品投放决策方法，包括：
获取待决策的商品列表；
通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；
获取根据所述投放决策结果投放商品后的实际投放效果数据；
将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；
根据所述差距进行商品投放决策***调整；
所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
可选的，所述投放效果包括多方面投放效果；
所述将所述实际投放效果数据与所述预测投放效果数据进行比较，采用如下方式：
将各方面投放效果的所述实际投放效果数据及与其对应的所述预测投放效果数据分别进行比较；
相应的，所述差距包括多方面投放效果的差距；
所述根据所述差距进行商品投放决策***调整，采用如下方式：
根据各方面投放效果的差距进行商品投放决策***调整。
可选的，所述根据所述差距进行商品投放决策***调整，包括以下调整方法的至少一者：
调整商品投放决策***的决策规则；
调整商品投放决策***的边界条件；
调整商品投放决策***的约束条件；
调整商品投放决策***的处理参数；
根据新增的实际投放效果数据进行投放决策模型的调整。
可选的，所述获取根据所述投放决策结果投放商品后的实际投放效果数据，采用如下方式：
通过数据库查询，获取所述实际投放效果数据。
可选的，所述当前商品投放决策***进行决策所依据的特征数据包括仅对特定决策场景产生影响的第一特征数据和对多个决策场景产生影响的第二特征数据。
可选的，所述当前商品投放决策***进行决策所依据的特征数据包括知识级的特征数据。
可选的，所述通过当前商品投放决策***对各个待决策的商品进行投放决策，采用如下方式：
根据预先生成的品类规划预测结果，对各个待决策的商品进行投放决策。
可选的，所述品类规划预测结果，采用如下步骤生成：
接收针对特定投放效果目标的品类规划请求；
获取各个待规划的商品类目的特征数据；
根据所述特定投放效果目标、所述商品类目的特征数据和预先生成的品类规划模型，生成所述品类规划预测结果。
可选的，所述特定投放效果目标，采用如下步骤生成：
接收针对特定投放周期的投放效果目标预测请求；
获取所述特定投放周期的特征数据；
根据所述特定投放周期的特征数据和预先生成的投放效果目标预测模型，生成投放效果目标的预测值，作为所述特定投放效果目标。
可选的，还包括：
根据所述差距，调整所述当前商品投放决策***进行投放决策所依据的所述商品的特征、和所述当前商品投放决策***采用的决策算法的至少一者。
相应的，本身请还提供一种商品投放决策装置，包括：
商品列表获取单元，用于获取待决策的商品列表；
投放决策单元，用于通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；
实际投放效果数据获取单元，用于获取根据所述投放决策结果投放商品后的实际投放效果数据；
效果对比单元，用于将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；
***调整单元，用于根据所述差距进行商品投放决策***调整；
***更新单元，用于所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
相应的，本身请还提供一种电子设备，包括：
处理器；以及
存储器，用于存储实现商品投放决策方法的程序，该设备通电并运行该商品投放决策方法的程序后，执行下述步骤：获取待决策的商品列表；通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；获取根据所述投放决策结果投放商品后的实际投放效果数据；将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；根据所述差距进行商品投放决策***调整；所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
与现有技术相比，本申请提供的商品投放决策***包括投放决策子***和投放效果反馈子***；其中，所述效果反馈子***能够将获取到的实际投放效果数据与预测投放效果数据进行比较，获取两种数据的差距，并将该差距反馈给投放决策子***；所述投放决策子***能够根据该差距进行自适应的调整，并使用调整后的投放决策子***为下一个待决策商品列表进行投放决策。
使用本申请提供的商品投放决策***，能够根据实际投放效果数据与预测投放效果数据的差距，实时调整投放决策子***；这种处理方式，可以有效提高商品投放决策的决策精度。
在本申请提供的商品投放决策***中，不同决策场景的子***可共用由第二数据挖掘子***提供的第二数据、共用效果反馈子***、共用运行监控子***等；因此，本申请提供的商品投放决策***，可以有效提高***的可扩展性。
此外，在本申请提供的商品投放决策***中，还可包括投放效果目标预测子***、品类规划子***及模型评估子***，不同决策子***提供不同方面的决策结果，通过多个子决策环节最终形成投放决策结果；这种处理方式，使得整个投放决策业务下的多个连贯的场景决策子***及效果反馈子***之间构建成为一个大闭环；因此，本申请提供的商品投放决策***，能够实现完全数据化的运营方式，即：可达到智慧化的运营效果。
附图说明
图1是本申请提供的一种商品投放决策***的实施例的示意图；
图2是本申请提供的一种商品投放决策***的实施例的第一具体示意图；
图3是本申请提供的一种商品投放决策***的实施例的第二具体示意图；
图4是本申请提供的一种商品投放决策***的实施例的数据挖掘子***的具体示意图；
图5是本申请提供的一种商品投放决策***的实施例的第三具体示意图；
图6是本申请提供的一种商品投放决策***的实施例的第四具体示意图；
图7是本申请提供的一种商品投放决策***的实施例的第五具体示意图；
图8是本申请提供的一种商品投放决策***的实施例的第六具体示意图；
图9是本申请提供的一种商品投放决策方法的实施例的流程图；
图10是本申请提供的一种商品投放决策装置的实施例的示意图；
图11是本申请提供的一种电子设备的实施例的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本申请中，提供了一种商品投放决策***，以及一种商品投放决策方法、装置及电子设备。在下面的实施例中逐一进行详细说明。
请参考图1，其为本申请的商品投放决策***的实施例的示意图。所述商品投放决策***，包括：投放决策子***101和投放效果反馈子***103。
所述投放决策子***101，用于接收针对待决策的商品列表的决策请求，并根据各个商品的特征数据和预先生成的投放决策模型，确定可投放的商品；以及，接收所述投放效果反馈子***103提供的所述可投放的商品的实际投放效果数据相对于所述可投放的商品的预测投放效果数据的第一差距，并根据所述第一差距进行自适应调整，并使用调整后的投放决策子***对下一个待决策商品列表进行投放决策。
所述待决策的商品列表包括至少一个待决策的商品。所述待决策的商品具有多个维度的特征数据，所述商品的特征数据包括下列任何特征数据的至少一个：历史成交效果的特征数据，历史买家行为的特征数据，商品质量的特征数据。
所述历史成交效果的特征数据，主要是从记录商品交易信息的日志中总结出的反映商品的历史成交效果的特征数据，例如，商品的总成交金额，商品在各个历史投放周期的销售金额等。
所述买家行为的特征数据，主要是从记录买家行为数据的日志中总结出的反映商品的买家行为的特征数据，例如，过去一个月内浏览该商品的用户数、购买该商品的用户数等。
所述买家行为包括下列任何买家行为的至少一个：浏览行为，点击行为，收藏行为，加入购物车行为。
所述商品质量的特征数据可通过多种方式生成，例如，可以为人工设定的商品质量数据，或者是通过商品质量预测模型计算获得的商品质量数据等。所述商品质量预测模型是指，通过机器学习算法，从训练样本集中学习获得的模型。
例如，在聚划算商品竞拍业务下，商品的特征数据可包括：过去3天、一周、一个月内浏览该商品的用户数、购买该商品的用户数、将该商品加入购物车的用户数、收藏该商品的用户数，该商品的总成交金额，该商品在各个历史投放周期的销售金额；此外，该商品的特征数据还可包括：该商品在整个市场的成交占比，以及过去同期一个月内的各种数据指标等数据。
所述商品的特征数据，可由数据挖掘子***从商品相关数据中提取得到，例如，从记录商品交易信息的日志中挖掘出所述历史成交效果的特征数据，从记录买家行为数据的日志中挖掘出所述买家行为的特征数据等。
所述投放决策子***101在接收到针对待决策的商品列表的决策请求之后，将根据各个商品的特征数据，通过该子***的投放决策模型对各个商品的投放效果进行预测，并根据预测投放效果数据确定哪些商品可以投放，即：形成投放决策结果；最后，可将投放决策结果显示在定期更新投放商品的商品展示页面中。
所述投放决策结果(即：确定的可投放商品)是所述待决策的商品列表的子集。所述投放决策模型是指，通过机器学习算法，从商品的各种特征数据及商品的真实投放效果的历史对应记录集中学习获得的投放决策模型。所述历史对应记录集包括具有实际投放效果数据的正样本和不具有实际投放效果数据的负样本。
本申请提供的投放决策子***101在形成投放决策结果后，将投放决策结果包括的商品显示在定期更新投放商品的商品展示页面中。不同商品在商品展示页面中对应不同的资源位(俗称：坑位)，且商品占用资源位具有有效期；当投放决策子***101为后续投放周期形成新的投放决策结果后，将根据新的投放决策结果更新商品展示页面中各个资源位展示的商品。用户在查看该商品展示页面时，可点击其感兴趣的商品资源位，进而浏览该资源位所展示商品的活动详情，以便用户购买该商品。
所述投放决策子***101实现对待决策的商品列表进行投放决策的功能。为清楚直观的说明本申请提供的商品投放决策***，下面以支持聚划算竞拍业务的商品投放决策***为例对本申请提供的商品投放决策***进行说明。
支持聚划算竞拍业务的商品投放决策***包括：投放决策子***(也称为商品审核决策子***)、数据挖掘子***和投放效果反馈子***。其中，投放决策子***接收针对报名参加聚划算竞拍业务的多个商品的投放决策请求；数据挖掘子***从商品相关数据中挖掘出各个报名商品的特征数据，例如，商品质量、商家信誉、商品被加入购物车的数量、商品被加入收藏夹的数量、商品的销售数量、商品被浏览的次数、商品评价等核心特征数据，以及商品价格、商品折扣等非核心特征数据；投放决策子***接收到数据挖掘子***提供的各个报名商品的特征数据之后，根据各个报名商品的特征数据，通过商品投放决策子***的商品审核模型对各个报名商品的投放效果(如：资源位销售额等)进行预测，并根据预测投放效果数据确定可参加聚划算活动的商品。
本申请提供的商品投放决策***，强调根据所述投放效果反馈子***103反馈的、所述实际投放效果数据和预测投放效果数据之间的差距、对所述投放决策子***进行自适应调整，并使用调整后的投放决策子***对下一个待决策商品列表进行投放决策，这样就可以提高下一次投放决策的决策精度。可见，本申请提供的商品投放决策***是一个学习***，能够不断地自我优化，从而提高***的决策精度。
具体实施时，所述根据所述第一差距进行自适应调整，可包括如下方面：1)调整所述投放决策子***的决策规则，例如，新增、更新或删除决策规则等；2)调整所述投放决策子***的边界条件，例如，新增、修改或删除边界条件等；3)调整所述投放决策子***的约束条件，例如，新增、更新或删除约束条件等；4)调整所述投放决策子***的处理参数，例如，修改某个参数的参数值等；5)根据所述实际投放效果数据进行所述投放决策模型的调整。
所述效果反馈子***103，用于获取所述可投放的商品的实际投放效果数据，并将所述可投放的商品的实际投放效果数据与所述可投放的商品的预测投放效果数据进行比较，获取所述第一差距；以及，将所述第一差距向外发送。
所述可投放的商品是指，通过所述投放决策子***确定的能够实际投放在商品展示页面中的商品。所述实际投放效果数据是指，已投放的商品的真实投放效果数据，例如，实际参加聚划算业务的商品通过商品展示页面在一个投放周期内产生的实际销售额等；所述预测投放效果数据是指，通过所述投放决策子***获得的所述待决策的商品的投放效果预测值，例如，支持聚划算竞拍业务的商品投放决策***内的商品审核模型对商品的坑位(资源位)销售产出进行预测所获得的预测销售额等。
所述投放效果反馈子***103在本申请提供的商品投放决策***中处于不可或缺的地位，该子***向投放决策子***101提供***优化的依据。所述投放决策子***101和所述投放效果反馈子***103之间形成一个闭环，该闭环使得所述投放决策子***101的决策精度不断得到提升。
请参考图2，其为本申请的商品投放决策***的实施例的第一具体示意图。所述商品投放决策***还包括：品类规划子***201。
所述品类规划子***201，用于接收针对特定投放效果目标的品类规划请求，并根据各个待规划的商品类目的特征数据、所述特定投放效果目标和预先生成的品类规划模型，生成品类规划预测结果；以及，将所述品类规划预测结果向外发送；以及，接收所述投放效果反馈子***103提供的品类规划实际结果相对于品类规划预测结果的第二差距，并根据所述第二差距进行自适应调整，并使用调整后的品类规划子***201进行下一次品类规划。
所述投放效果目标包括但不限于：商品的投放决策业务在某个时间段(投放周期)的总体运营目标，还可以为其它投放效果目标，例如，一个投放周期内所有资源位的平均销售产出等。
所述品类规划是指，为达到所述投放效果目标而做出的商品类目及对应资源位数量的具体规划。所述品类规划实际结果是指，根据所述品类规划预测结果进行商品的投放决策、并根据投放决策结果进行业务实施后所形成的实际品类规划结果。
所述待规划的商品类目具有多个维度的特征数据，所述商品类目的特征数据包括下列任何特征数据的至少一个：历史成交效果的特征数据，历史买家行为的特征数据。
所述历史成交效果的特征数据，主要是从记录商品交易信息的日志中总结出的反映商品类目的历史成交效果的特征数据，例如，商品类目的总成交金额，商品类目在一个投放周期的平均单个资源位的销售金额等。
所述买家行为的特征数据，主要是从记录买家行为数据的日志中总结出的反映商品类目的买家行为的特征数据，例如，过去一个月内浏览商品类目下商品的用户数、购买商品类目下商品的用户数等。
此外，商品类目的特征数据还可包括：反映商品类目自身特征的数据，例如，商品类目包括的商品数量，商品类目涉及的卖家数量等数据。
例如，在对聚划算网站的品类进行规划时，商品类目的特征数据可包括：该类目包括的商品数量，该类目涉及的卖家数量，过去3天、一周、一个月内浏览该类目商品的用户数、购买该类目商品的用户数、将该类目商品加入购物车的用户数、收藏该类目商品的用户数，该类目的总成交金额，该类目在聚划算的平均单坑(即：资源位)产出；此外，商品类目的特征数据还可包括：该类目在整个市场的成交占比，以及过去同期一个月内的各种数据指标等数据。
所述商品类目的特征数据，可由数据挖掘子***从商品相关数据中提取得到，例如，从记录商品交易信息的日志中挖掘出所述商品类目的历史成交效果的特征数据，从记录买家行为数据的日志中挖掘出所述商品类目的买家行为的特征数据等。
所述品类规划子***201在接收到针对特定投放效果目标的品类规划请求之后，将根据各个待规划的商品类目的特征数据和所述特定投放效果目标，通过该子***的品类规划模型，生成品类规划的预测结果。所述品类规划的预测结果包括的商品类目是所述待规划的商品类目集的子集。根据品类规划的预测结果对商品进行投放决策，最终能够达到所述特定投放效果目标。
所述品类规划子***201实现将特定投放效果目标的总体规划指标转化为具体品类规划结果的功能。下面仍以聚划算竞拍业务的商品投放决策***为例，对所述品类规划子***201进行说明。
聚划算竞拍业务的品类规划是指，对商品展示页面上的商品类目及对应资源位数量进行规划。在聚划算竞拍业务中，所述品类规划子***201在接收到针对特定投放效果目标(如：各个资源位的平均销售额、或所有资源位的销售总额等数据)的品类规划请求后，需要获取各个待规划的商品类目的特征数据，并根据这些特征数据和特定投放效果目标对下一个投放周期的聚划算活动的坑位类目及数量进行预测，例如，特定投放效果目标为各个资源位的平均销售额为五百万人民币，通过所述品类规划子***201能够预测可参加聚划算活动商品所属的商品类目包括哪些，以及各个商品类目的坑位数量，即：一个商品类目下可参加聚划算活动的商品数量。在业务运营过程中，如果预测某个商品类目的坑位数量为30个，而实际的聚划算活动后该商品类目下只有20个商品具有销售额或销售额达到一定数量，则品类规划实际结果为20个，品类规划预测结果为30个。
当本申请提供的商品投放决策***还包括品类规划子***201时，所述投放决策子***101，还用于接收所述品类规划子***201提供的所述品类规划预测结果，并在通过所述投放决策模型生成各个待决策商品的预测投放效果数据之后，根据所述品类规划预测结果确定所述可投放的商品，以使得投放决策结果符合所述品类规划预测结果。
本申请提供的商品投放决策***，强调根据所述投放效果反馈子***103反馈的、所述品类规划实际结果和品类规划预测结果之间的差距、对该品类规划子***201进行自适应调整，并使用调整后的品类规划子***201进行下一次品类规划，这样就可以逐渐提高品类规划的精度，进而提高所述商品投放决策***的决策精度。
请参考图3，其为本申请的商品投放决策***的实施例的第二具体示意图。所述商品投放决策***还包括投放效果目标预测子***202。
所述投放效果目标预测子***202，用于接收针对特定投放周期的投放效果目标预测请求，并根据所述特定投放周期的特征数据，通过预先生成的投放效果目标预测模型对特定投放周期的投放效果目标进行预测，即：生成投放效果预测目标；以及，将所述投放效果预测目标向外发送；以及，接收所述投放效果反馈子***103提供的投放效果实际目标相对于所述投放效果预测目标的第四差距，并根据所述第四差距进行自适应调整，并使用调整后的投放效果目标预测子***进行下一次目标预测。
相应的，所述投放效果反馈子***103，还用于获取所述投放效果实际目标，并将所述投放效果实际目标与所述投放效果预测目标进行比较，获取所述第四差距；以及，将所述第四差距向外发送。其中，所述投放效果实际目标是指，一个投放周期的实际投放效果。
所述投放效果目标包括但不限于：所述商品投放决策***在某个特定投放周期要达到的总体运营目标，还可以为其它投放效果目标，例如，一个投放周期内所有资源位的平均销售产出等。商品的销售额通常与销售季节、市场等因素相关，因此，不同时间段的运营目标通常是不同的。
例如，聚划算竞拍业务下双十一期间的投放效果目标(即：运营目标)比其他时间段的投放效果目标通常高出很多，节假日前期的投放效果目标比日常时间段的投放效果目标通常要高等。在实际应用中，通过对各个历史投放周期的商品投放效果进行分析，还可以获取到运营目标的变化趋势，这些变化趋势对投放效果目标的预测也会产生影响，例如，同一时期的销售额每年递增的百分比等。
在实施例中，首先通过机器学习算法，根据各个历史投放周期的特征数据和投放效果实际目标之间的对应记录所构成的训练样本集，生成投放效果目标预测模型；然后，再根据所述特定投放周期的特征数据和预先生成的投放效果目标预测模型，对特定投放周期的投放效果目标进行预测。
本申请提供的商品投放决策***，还强调根据所述投放效果反馈子***103反馈的、所述投放效果实际目标与所述投放效果预测目标之间的差距、对该投放效果目标预测子***202进行自适应调整，并使用调整后的投放效果目标预测子***进行下一次目标预测，这样就可以逐步提高投放效果目标的预测精度，进而提高所述商品投放决策***的决策精度。
请参考图4，其为本申请的决策***的实施例的数据挖掘子***的具体示意图。所述商品投放决策***还包括：数据挖掘子***105，用于从商品相关数据中挖掘各种特征数据，例如，商品的特征数据、商品类目的特征数据、投放周期的特征数据等。
具体实施时，所述数据挖掘子***105包括仅对特定决策场景产生影响的第一数据挖掘子***1051、及对多个决策场景产生影响的第二数据挖掘子***1052。
所述第一数据挖掘子***1051，用于从特定决策场景的商品相关数据中提取所述第一数据。
所述第一数据是指，仅供特定决策场景的决策子***进行决策用的数据，即：场景专用的数据，例如，“商家参加聚划算活动的能力”这个特征数据仅用于支持聚划算竞拍业务的投放决策子***，而并不用于其它决策子***；“过去一个月内浏览商品类目下商品的用户数”这个特征数据仅用于品类规划子***，而并不用于其它决策子***。所述特定决策场景的商品相关数据包括反映特定决策场景业务现状的数据、和需要通过特定决策场景的决策子***进行决策的待决策数据。
数据挖掘子***105通常包括多个所述第一数据挖掘子***1051，各个不同的所述第一数据挖掘子***1051分别面向不同的决策子***，例如，投放决策子***需要的场景专用特征数据来源于面向聚划算竞拍业务场景的第一数据挖掘子***、品类规划子***需要的场景专用特征数据来源于面向品类规划场景的第一数据挖掘子***。特定决策场景下的所述第一数据挖掘子***与该场景的决策子***之间通常为一对一的关系。
所述第二数据挖掘子***1052，用于从企业级的商品相关数据中提取第二数据。
所述第二数据是指，可供多个决策场景使用的数据，即：不同场景通用的数据，例如，商品质量这个特征数据即可用于支持聚划算竞拍业务的商品投放决策子***，还可用于其它决策场景的决策子***，如品类规划子***、邀请决策子***、模型评估子***等。
所述企业级的商品相关数据包括企业环境下完整的数据全集，所述特定决策场景(如投放决策场景)的商品相关数据是所述企业级的商品相关数据的一个子集，一个子集数据可完整的支撑某个决策场景下的决策过程。
本申请提供的所述商品投放决策***，强调所述数据挖掘子***105提供的数据可分为两类：特定场景专用的数据、不同场景通用的数据。通过所述第二数据挖掘子***1052提供可供多个决策场景使用的通用数据，这样就可以在扩展本***时，只增加与新增决策子***对应的决策场景下第一数据挖掘子***，新增决策子***可与其它已有决策子***共用所述第二数据挖掘子***1052提供的通用数据，从而可以有效降低***扩展成本。
请参考图5，其为本申请的商品投放决策***的实施例的第三具体示意图。所述商品投放决策***还包括运行监控子***203。
所述运行监控子***203，用于监控所述商品投放决策***的整个决策过程。
当本申请提供的所述商品投放决策***在决策过程中发生任何异常时，所述运行监控子***203将记录捕捉到的各种异常；所述异常包括各个子***抛出的异常；所述异常可存储在日志文件或数据库中，以供***运营维护人员分析使用。
请参考图6，其为本申请的商品投放决策***的实施例的第四具体示意图。所述商品投放决策***还包括扩展子***204。
所述扩展子***204，用于将新增的决策子***或预测子***增加到所述商品投放决策***。
本申请提供的所述商品投放决策***，强调通过所述扩展子***204对整个决策***进行扩展，所述扩展子***204实现将新增的决策子***、新增的预测子***增加到所述商品投放决策***的功能。通过所述扩展子***204对投放决策***进行扩展，可以有效降低***扩展成本。
请参考图7，其为本申请的商品投放决策***的实施例的第五具体示意图。所述商品投放决策***还包括模型评估子***205。
所述模型评估子***205，用于接收针对特定模型的评估请求，并根据实际投放商品及与其对应的实际投放效果数据对所述特定模型进行评估，生成预测评估结果；以及，将所述预测评估结果向外发送；以及，接收所述投放效果反馈子***提供的实际评估结果相对于所述预测评估结果的第五差距，并根据所述第五差距进行自适应调整，并使用调整后的模型评估子***对下一个特定模型进行评估。
所述特定模型包括通过机器学习算法从训练数据中学习获得的特定预测模型或特定决策模型，例如，投放决策子***应用的投放决策模型、品类规划子***应用的品类规划模型等。
随着商品相关数据的不断积累，可用于生成所述特定模型的训练数据在不断增加；随着机器学习技术的不断发展，生成所述特定模型所依据的机器学习算法也在不断改进；这些因素均将导致需要重新生成所述特定模型，以提升模型的准确度。新模型的效果如何、新模型与旧模型的精度差异如何，均需要通过所述模型评估子***205进行评估，以确定实际可应用的模型，从而更好地支持整个投放决策***的运营。
相应的，所述效果反馈子***103，还用于获取所述实际评估结果，并将所述实际评估结果与所述预测评估结果进行比较，获取所述第五差距；以及，将所述第五差距向外发送。
模型评估技术是一种较为成熟的技术，可分为在模型被应用前对其进行评估的方式、及在模型被实际应用后对其进行评估的方式。所述在模型被应用前对其进行评估的方式是通过观察实际业务效果来评判模型的，该方式无法在模型实施前对其进行质量评估；所述在模型被实际应用后对其进行评估方式是根据具有实际实施效果数据的历史商品对模型进行评估的，该方式能够在模型实施前对其进行质量评估。在实际应用中，可根据具体需求，选取上述任一种评估方式对模型进行评估。
本申请提供的商品投放决策***，强调根据所述模型评估子***205反馈的、所述实际评估结果与所述预测评估结果之间的差距、对该模型评估子***205进行自适应调整，并使用调整后的模型评估子***205对下一个特定模型进行评估，这样就可以保证模型的预测精度，进而提高所述商品投放决策***的决策精度。
请参考图8，其为本申请的商品投放决策***的实施例的第六具体示意图。在本实施例中，所述商品投放决策***具体包括：投放决策子***101及投放决策场景对应的第一数据挖掘子***1051－1、品类规划子***201及品类规划场景对应的第一数据挖掘子***1051－2、投放效果目标预测子***202及目标预测场景对应的第一数据挖掘子***1051－3、模型评估子***205及模型评估场景对应的第一数据挖掘子***1051－4、投放效果反馈子***103、第二特征数据知识挖掘子***1052。对于该***的上述各个组成部分的详细说明及各部分之间的连接关系，详见上述对各个部分的相关描述，此处不再赘述。
由图8可见，该商品投放决策***包括多个决策子***，具体为投放效果目标预测子***202、品类规划子***201、投放决策子***101及模型评估子***205，不同决策子***提供不同方面的决策结果，通过多个子决策环节最终形成投放决策结果；这种处理方式，使得整个投放决策业务下的多个连贯的场景决策子***及效果反馈子***之间构建成为一个大闭环，当这个大闭环流转起来时，商品的投放决策业务能够达到智慧化的运营效果。
需要说明的是，图8所示的商品投放决策***在进行投放决策时所依据的特征数据包括知识级的特征数据，例如，商品质量、商家参加聚划算活动的能力等特征数据即为知识级的特征数据。知识的层级从下往上依次分为：原始数据、指标信息、知识和智慧。从商品相关数据中提取知识级特征数据的过程为：依据业务场景的原始数据计算获得指标信息，从指标信息提取更抽象结构化信息，即：知识。可见，知识级的特征数据通常基于大量的普通指标信息计算生成，例如，根据各个维度的普通指标信息和预先生成的知识级特征数据预测模型，生成知识级的特征数据。知识级的特征数据是实现“智慧化”投放决策的基础。
此外，在***的实际实施过程中，为达到投放效果目标、提高决策效率，本申请实施例提供的所述商品投放决策***还包括：邀请决策子***206。
所述邀请决策子***206，用于接收所述品类规划子***201提供的所述品类规划预测结果，接收邀请决策场景对应的第一数据挖掘子***1051-5及所述第二特征数据知识挖掘子***1052提供的满足所述品类规划预测结果的商品的特征数据，并根据获得的所述满足所述品类规划预测结果的商品的特征数据和预先生成的邀请决策模型，对所述满足所述品类规划预测结果的商品的投放效果进行预测，并根据预测投放效果数据确定可邀请的商品，形成邀请决策结果；以及，接收所述投放效果反馈子***103提供的所述可邀请的商品的实际投放效果数据相对于所述可邀请的商品的预测投放效果数据的第三差距，并根据所述第三差距进行自适应调整，并使用调整后的邀请决策子***对商品进行邀请决策。
所述邀请决策子***206实现下述功能：从满足品类规划预测结果的大量商品中筛选出被决策为可投放商品的概率更高的商品。对于筛选出的这部分商品，由于其被决策为可投放的概率更高、对促使达成投放效果目标更为有效，因此，可对这部分商品进行主动邀约，促使其参加所述商品的投放决策。通过将所述邀请决策子***206增添至本***中，可进一步提升***的智慧化运营效果。
相对应的，所述投放效果反馈子***103，还用于获取所述可邀请的商品的实际投放效果数据，并将所述可邀请的商品的实际投放效果数据与所述可邀请的商品的预测投放效果数据进行比较，获取所述第三差距；以及，将所述第三差距向外发送。
下面以聚划算竞拍业务为应用背景，对图8所示的商品投放决策***作进一步说明。在聚划算商品竞拍业务中，商品投放决策***的基本运行过程包括如下步骤：
1)运营人员首先通过其客户端向所述商品投放决策***发送针对特定投放周期(如：2016年双十一期间)的投放效果目标预测请求。
2)所述商品投放决策***的所述投放效果目标预测子***202接收到该请求后，首先通过目标预测场景对应的第一数据挖掘子***1051－3获取该投放周期的特征数据(如：双十一、市场环境较上一年发生明显好转等特征数据)，并根据这些特征数据，通过预先生成的投放效果目标预测模型对该投放周期的投放效果目标(如：所有资源位的平均销售额)进行预测，生成投放效果预测目标(如：所有资源位的平均销售额为1000万)；然后，再形成针对该目标的品类规划请求，并将该请求发送至所述品类规划子***201。
3)所述品类规划子***201在接收到上述品类规划请求后，首先通过品类规划场景对应的第一数据挖掘子***1051－2和/或所述第二特征数据知识挖掘子***1052，获取各个待规划的商品类目(如：共包括100个待规划的商品类目)的特征数据，并根据这些特征数据和上述投放效果预测目标，通过该子***的品类规划模型，对上述投放周期的聚划算活动的坑位类目及数量进行预测，生成品类规划预测结果(如：确定其中30个商品类目具有资源位)；然后，再将该品类规划预测结果发送至所述投放决策子***101。
4)所述投放决策子***101在接收到运营人员的客户端发送的针对待决策的商品列表(如：包括1万个报名参加聚划算竞拍的商品)的决策请求之后，首先通过投放决策场景对应的第一数据挖掘子***1051－1和/或所述第二特征数据知识挖掘子***1052，获取各个商品的特征数据，并根据各个商品的特征数据、上述品类规划预测结果和预先生成的投放决策模型，确定各个商品类目下的可投放商品；最后，将各个商品类目下的可投放商品显示在聚划算平台的商品展示页面中，该页面根据上述品类规划预测结果为各个商品类目设置相应的资源位，每一个可投放商品被设置在其所属商品类目下的资源位中。
所述待决策的商品列表中的商品，可以通过所述邀请决策子***206获得。所述邀请决策子***206接收所述品类规划子***201提供的所述品类规划预测结果，并通过邀请决策场景对应的第一数据挖掘子***1051-5及所述第二特征数据知识挖掘子***1052，获取满足所述品类规划预测结果的商品的特征数据，并根据获得的所述满足所述品类规划预测结果的商品的特征数据和预先生成的邀请决策模型，对所述满足所述品类规划预测结果的商品的投放效果进行预测，并根据预测投放效果数据确定可邀请的商品；运营人员将与这些商品的卖家进行沟通，邀请卖家为这些商品报名参加聚划算竞拍活动。
在聚划算商品竞拍业务中，商品投放决策***的模型评估子***205在接收到针对特定模型(如：投放效果目标预测模型、品类规划模型、投放决策模型或邀请决策模型)的评估请求后，首先通过模型评估场景对应的第一数据挖掘子***1051－4，获取实际投放商品及与其对应的实际投放效果数据，并根据实际投放商品及与其对应的实际投放效果数据对请求评估的特定模型进行评估；然后，可根据评估结果确定是否应用该特定模型替代当前使用的模型。
在聚划算商品竞拍业务中，商品投放决策***的投放效果反馈子***103可面向其它各个子***提供分别供各个子***进行自适应调整所用的差距数据，例如，向所述投放决策子***101提供可投放商品的实际投放效果数据和预测投放效果数据之间的差距、向所述品类规划子***201提供品类规划实际结果相对于品类规划预测结果的差距、向所述投放效果目标预测子***202提供投放效果实际目标相对于所述投放效果预测目标的差距等。
此外，在聚划算商品竞拍业务中，商品投放决策***的运行监控子***203，将监控商品投放决策***的整个运行过程，记录捕捉到的各种异常情况，以供运营人员参考使用。
综上所述，通过在聚划算商品竞拍业务中应用本申请提供的商品投放决策***，使得整个聚划算商品竞拍业务下的多个连贯的场景决策子***及投放效果反馈子***之间构建成为一个大闭环，聚划算商品竞拍业务达到智慧化的运营效果。
与上述的商品投放决策***相对应，本申请还提供一种商品投放决策方法。请参考图9，其为本申请提供的一种商品投放决策方法的实施例的流程图，本实施例与第一实施例内容相同的部分不再赘述，请参见实施例一中的相应部分。本申请提供的一种商品投放决策方法包括如下步骤：
步骤S101：获取待决策的商品列表。
所述待决策的商品列表包括至少一个待决策的可投放到商品展示页面中的商品，例如，待决策的商品列表包括报名参加聚划算竞拍业务的多个商品，通过支持聚划算竞拍业务的商品投放决策***(即：所述当前商品投放决策***)，能够从报名商品中筛选出有资格参加聚划算活动的商品，商品投放决策***负责提供投放决策结果，即：确定哪些商品能够通过审核、可参加聚划算活动。
步骤S102：通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果。
所述的当前商品投放决策***是指当前正在使用的商品投放决策***。本步骤使用当前商品投放决策***一词，其中“当前”即说明商品投放决策***在本实施例中是不断修正、演变的，本步骤使用的商品投放决策***为当前有效的投放决策***，但过一段时间，该投放决策***可能就已经由于实际投放效果与预测投放效果的差异而有所变化。实际投放效果与预测投放效果的差异说明投放决策***的决策精度不足，因此，需要对当前投放决策***进行调整，使得预测投放效果尽可能接近实际投放效果。
要通过所述当前商品投放决策***对所述待决策的商品列表包括的各个商品进行投放决策，首先需要获取各个商品的多维度特征数据，然后再根据商品的多维度特征数据对各个商品的投放效果进行预测，并根据预测投放效果数据确定该商品是否可投放，从而形成投放决策结果。
所述的当前商品投放决策***在进行投放决策时所依据的特征数据包括：由知识挖掘子***从商品相关数据中提取到的知识级的特征数据，例如，商品质量、商家参加投放活动(如：聚划算活动)的能力等特征数据即为由知识挖掘子***从商品相关数据中提取出的知识级的特征数据。知识级的特征数据是实现“智慧化”投放决策的基础。
所述当前商品投放决策***进行决策所依据的特征数据可划分为仅对特定决策场景产生影响的第一特征数据和对多个决策场景产生影响的第二特征数据。
所述第一特征数据是指，仅供特定决策场景的决策子***进行决策用的特征数据，即：场景专用的特征数据，例如，商家参加聚划算活动的能力这个特征数据仅用于支持聚划算竞拍业务的商品投放决策子***，而并不用于其它决策子***。
所述第二特征数据是指，可供多个决策场景使用的特征数据，即：不同场景通用的特征数据，例如，商品质量这个特征数据即可用于支持聚划算竞拍业务的投放决策子***，还可用于其它决策场景的决策子***，如品类规划子***、邀请决策子***、模型评估子***等。
在本实施例中，数据挖掘子***包括第一特征数据的挖掘子***、第二特征数据的挖掘子***。其中，所述第一特征数据的挖掘子***，用于从特定决策场景的商品相关数据中提取所述第一特征数据；所述第二特征数据的挖掘子***，用于从企业级的商品相关数据中提取所述第二特征数据。
例如，商家参加聚划算的能力这个特征数据是由面向聚划算商品投放决策场景的第一数据挖掘子***提供的第一特征数据，商品质量这个特征数据是由面向阿里巴巴集团的第二数据挖掘子***提供的第二特征数据，商品质量特征数据即可用于聚划算商品投放决策场景，还可用于其他决策场景，如品类规划场景等。
所述的当前商品投放决策***可以为由多个决策子***组合构成的综合决策***。不同决策子***提供不同方面的决策结果，通过多个子决策环节最终形成投放决策结果，由此可达到智慧化的运营效果。
本步骤S102可采用如下方式实现：根据预先生成的品类规划预测结果，对各个待决策的商品进行投放决策。所述品类规划是指，为达到特定投放效果目标而做出的商品类目及对应资源位数量的具体需求规划，例如，在聚划算竞拍业务中，品类规划结果包括可参与活动商品所属类目、各个商品类目下坑位数量等运营相关的参数。
所述投放效果目标，可以为商品的投放决策业务在某个时间段(投放周期)的总体运营目标，例如，可设定聚划算竞拍业务在某阶段的运营目标为五千万人民币；所述投放效果目标，还可以为其它投放效果目标，例如，一个投放周期内所有资源位的平均销售产出等。
所述品类规划预测结果是指，通过所述当前商品投放决策***提供的品类规划结果。所述品类规划实际结果是指，根据所述品类规划预测结果进行商品的投放决策、并根据投放决策结果进行业务实施后所形成的实际品类规划结果。
在具体实施时，所述品类规划预测结果，可采用如下步骤生成：1)接收针对特定投放效果目标的品类规划请求；2)获取各个待规划的商品类目的特征数据；3)根据所述特定投放效果目标、所述商品类目的特征数据和预先生成的品类规划模型，生成品类规划预测结果。
在具体实施时，所述特定投放效果目标，可采用如下步骤生成：1)接收针对特定投放周期的投放效果目标预测请求；2)获取所述特定投放周期的特征数据；3)根据所述特定投放周期的特征数据和预先生成的投放效果目标预测模型，生成投放效果目标的预测值，作为所述特定投放效果目标。
本申请实施例提供的商品投放决策方法，不仅为待决策的商品列表提供投放决策结果，还包括对投放效果目标的预测和对品类的规划，以及根据各种预测值及与其对应的实际值之间的差距进行决策***调整的过程；这种处理方式，使得整个投放决策业务下的多个连贯的决策场景及效果反馈***之间构建成为一个大闭环，当这个大闭环流转起来时，整个***能够达到智慧化的运营效果。
步骤S103：获取根据所述投放决策结果投放商品后的实际投放效果数据。
所述的当前商品投放决策***在整个决策过程中所提供的投放效果预测数据可以是多角度、多方面的投放效果数据。因此，所述的投放效果包括多方面投放效果。
所述的实际投放效果数据可存储在数据库中、日志文件或其它格式的文件中。在本实施例中，实际投放效果数据存储在数据库中，通过数据库查询即可获取所述实际投放效果数据。
步骤S105：将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距。
本步骤将上一步骤获取到的实际投放效果数据与生成所述投放决策结果时通过所述当前商品投放决策***给出的预测投放效果数据进行比较，以获取所述实际投放效果数据相对于所述预测投放效果数据的差距。
在具体实施时，如果存在多方面投放效果，则需要将各方面投放效果的所述实际投放效果数据及与其对应的所述预测投放效果数据分别进行比较，以获取各种投放效果对应的差距。
步骤S107：根据所述差距进行商品投放决策***调整。
获取到实际投放效果数据与预测投放效果数据之间的差距后，即可根据该差距对所述商品的投放决策进行调整。
在具体实施时，如果存在多方面投放效果，则需要综合考虑各方面差距调整决策***。所述的根据所述差距进行商品投放决策***调整，包括但不限于以下调整方法的至少一者：调整商品投放决策***的决策规则、调整商品投放决策***的边界条件、调整商品投放决策***的约束条件、调整商品投放决策***的处理参数、根据新增的实际投放效果数据进行投放决策模型的调整等。通过对商品投放决策***的调整，能够使其与所处理数据的统计分布特征、结构特征相适应，以取得最佳的决策效果。
所述的商品投放决策***的核心是投放决策模型，通过投放决策模型可获得预测数据。对决策***进行调整包括对投放决策模型的调整。
步骤S109：所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
在前一步骤完成决策***调整后，所获得的决策***相比原先使用的决策***，就是更新的决策***；该更新的决策***可以马上替代原先的决策***作为当前决策***。当执行步骤S103时，所述当前商品投放决策***就是经过本次更新的决策***。
采用本方法，可以一边进行投放决策一边进行***更新，并在***更新后立刻投入使用，继而在新的决策***下为待决策的商品列表提供决策结果，并周而复始，实现实际投放效果数据积累和决策***的相互之间的正向改善循环，迅速提高决策***质量，提升决策精度。
在具体实施时，本申请提供的方法还包括：根据所述差距，调整所述当前商品投放决策***进行决策所依据的特征数据、和所述当前商品投放决策***采用的决策算法的至少一者。在具体实施时，该步骤通常是由***开发人员完成的。
综上所述，可将上述根据所述差距对决策***进行调整的过程称为无人参与的自适应调整过程，将所述的根据所述差距调整所述当前商品投放决策***进行决策所依据的特征数据、和所述当前商品投放决策***采用的决策算法的至少一者的过程，称为有人参与的全***迭代过程。
在上述的实施例中，提供了一种商品投放决策方法，与之相对应的，本申请还提供一种商品投放决策装置。该装置是与上述方法的实施例相对应。
请参看图10，其为本申请的商品投放决策装置实施例的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例的一种商品投放决策装置，包括：商品列表获取单元101，用于获取待决策的商品列表；投放决策单元102，用于通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；实际投放效果数据获取单元103，用于获取根据所述投放决策结果投放商品后的实际投放效果数据；效果对比单元104，用于将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；***调整单元105，用于根据所述差距进行商品投放决策***调整；***更新单元106，用于所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
请参考图11，其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备，该电子设备包括：处理器101；以及存储器103，用于存储商品投放决策方法的程序，该设备通电并运行该商品投放决策方法的程序后，执行下述步骤：获取待决策的商品列表；通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；获取根据所述投放决策结果投放商品后的实际投放效果数据；将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；根据所述差距进行商品投放决策***调整；所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
本申请提供的商品投放决策方法，将实际投放效果数据与投放决策***提供的预测投放效果数据进行比较，投放决策***根据实际投放效果数据相对于预测投放效果数据的差距进行自适应调整，并在新的投放决策***形成后，立即作为当前投放决策***以为下一个待决策的商品列表提供待决策的商品列表决策结果。使用本申请提供的方法，在提供投放决策结果的同时，获取实际投放效果数据相对于预测投放效果数据的差距，并根据这种差距实时调整投放决策***；这种处理方式，可以有效提高决策精度。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (21)
1.一种商品投放决策***，其特征在于，包括：投放决策子***和投放效果反馈子***；
所述投放决策子***，用于接收针对待决策的商品列表的决策请求，并根据各个商品的特征数据和预先生成的投放决策模型，确定可投放的商品；以及，接收所述投放效果反馈子***提供的所述可投放的商品的实际投放效果数据相对于所述可投放的商品的预测投放效果数据的第一差距，并根据所述第一差距进行自适应调整，并使用调整后的投放决策子***对下一个待决策商品列表进行投放决策；
所述投放效果反馈子***，用于获取所述可投放的商品的实际投放效果数据，并将所述可投放的商品的实际投放效果数据与所述可投放的商品的预测投放效果数据进行比较，获取所述第一差距；以及，将所述第一差距向外发送。
2.根据权利要求1所述的商品投放决策***，其特征在于，所述根据所述第一差距进行自适应调整，包括：
调整所述投放决策子***的决策规则；
调整所述投放决策子***的边界条件；
调整所述投放决策子***的约束条件；
调整所述投放决策子***的处理参数；
根据所述实际投放效果数据进行所述投放决策模型的调整。
3.根据权利要求1所述的商品投放决策***，其特征在于，还包括：品类规划预测子***；
所述品类规划子***，用于接收针对特定投放效果目标的品类规划请求，并根据各个待规划的商品类目的特征数据、所述特定投放效果目标和预先生成的品类规划模型，生成品类规划预测结果；以及，将所述品类规划预测结果向外发送；以及，接收所述投放效果反馈子***提供的品类规划实际结果相对于品类规划预测结果的第二差距，并根据所述第二差距进行自适应调整，并使用调整后的品类规划子***进行下一次品类规划；其中，所述品类规划实际结果是指，根据所述品类规划预测结果进行商品的投放决策后产生的实际品类规划结果；
所述投放效果反馈子***，还用于获取所述品类规划实际结果，并将所述品类规划实际结果与所述品类规划预测结果进行比较，获取所述第二差距；以及，将所述第二差距向外发送；
所述投放决策子***，还用于接收所述品类规划子***提供的所述品类规划预测结果，并根据所述品类规划预测结果确定所述可投放的商品。
4.根据权利要求3所述的商品投放决策***，其特征在于，还包括：邀请决策子***；
所述邀请决策子***，用于接收所述品类规划子***提供的所述品类规划预测结果，并根据满足所述品类规划预测结果的商品的特征数据和预先生成的邀请决策模型，确定可邀请的商品；以及，接收所述投放效果反馈子***提供的所述可邀请的商品的实际投放效果数据相对于所述可邀请的商品的预测投放效果数据的第三差距，并根据所述第三差距进行自适应调整，并使用调整后的邀请决策子***对商品进行邀请决策；
所述投放效果反馈子***，还用于获取所述可邀请的商品的实际投放效果数据，并将所述可邀请的商品的实际投放效果数据与所述可邀请的商品的预测投放效果数据进行比较，获取所述第三差距；以及，将所述第三差距向外发送。
5.根据权利要求3所述的商品投放决策***，其特征在于，还包括：投放效果目标预测子***；
所述投放效果目标预测子***，用于接收针对特定投放周期的投放效果目标预测请求，并根据所述特定投放周期的特征数据和预先生成的投放效果目标预测模型，生成投放效果预测目标；以及，将所述投放效果预测目标向外发送；以及，接收所述投放效果反馈子***提供的投放效果实际目标相对于所述投放效果预测目标的第四差距，并根据所述第四差距进行自适应调整，并使用调整后的投放效果目标预测子***进行下一次目标预测；
所述投放效果反馈子***，还用于获取所述投放效果实际目标，并将所述投放效果实际目标与所述投放效果预测目标进行比较，获取所述第四差距；以及，将所述第四差距向外发送。
6.根据权利要求1-5任一项所述的商品投放决策***，其特征在于，还包括：模型评估子***；
所述模型评估子***，用于接收针对特定模型的评估请求，并根据实际投放商品及与其对应的实际投放效果数据，生成预测评估结果；以及，将所述预测评估结果向外发送；以及，接收所述投放效果反馈子***提供的实际评估结果相对于所述预测评估结果的第五差距，并根据所述第五差距进行自适应调整，并使用调整后的模型评估子***对下一个特定模型进行评估；
所述投放效果反馈子***，还用于获取所述实际评估结果，并将所述实际评估结果与所述预测评估结果进行比较，获取所述第五差距；以及，将所述第五差距向外发送。
7.根据权利要求1-5任一项所述的商品投放决策***，其特征在于，还包括：数据挖掘子***；
所述数据挖掘子***包括：仅对特定决策场景产生影响的第一数据挖掘子***和对多个决策场景产生影响的第二数据挖掘子***；
所述第一数据挖掘子***，用于从特定决策场景的商品相关数据中提取第一数据；
所述第二数据挖掘子***，用于从企业级的商品相关数据中提取第二数据。
8.根据权利要求1-5任一项所述的商品投放决策***，其特征在于，还包括：运行监控子***；
所述运行监控子***，用于监控所述商品投放决策***的决策过程。
9.根据权利要求1-5任一项所述的商品投放决策***，其特征在于，还包括：扩展子***；
所述扩展子***，用于将新增的决策子***或预测子***增加到所述商品投放决策***。
10.一种商品投放决策方法，其特征在于，包括：
获取待决策的商品列表；
通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；
获取根据所述投放决策结果投放商品后的实际投放效果数据；
将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；
根据所述差距进行商品投放决策***调整；
所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
11.根据权利要求10所述的商品投放决策方法，其特征在于，所述投放效果包括多方面投放效果；
所述将所述实际投放效果数据与所述预测投放效果数据进行比较，采用如下方式：
将各方面投放效果的所述实际投放效果数据及与其对应的所述预测投放效果数据分别进行比较；
相应的，所述差距包括多方面投放效果的差距；
所述根据所述差距进行商品投放决策***调整，采用如下方式：
根据各方面投放效果的差距进行商品投放决策***调整。
12.根据权利要求10所述的商品投放决策方法，其特征在于，所述根据所述差距进行商品投放决策***调整，包括以下调整方法的至少一者：
调整商品投放决策***的决策规则；
调整商品投放决策***的边界条件；
调整商品投放决策***的约束条件；
调整商品投放决策***的处理参数；
根据新增的实际投放效果数据进行投放决策模型的调整。
13.根据权利要求10所述的商品投放决策方法，其特征在于，所述获取根据所述投放决策结果投放商品后的实际投放效果数据，采用如下方式：
通过数据库查询，获取所述实际投放效果数据。
14.根据权利要求10所述的商品投放决策方法，其特征在于，所述当前商品投放决策***进行决策所依据的特征数据包括仅对特定决策场景产生影响的第一特征数据和对多个决策场景产生影响的第二特征数据。
15.根据权利要求10所述的商品投放决策方法，其特征在于，所述当前商品投放决策***进行决策所依据的特征数据包括知识级的特征数据。
16.根据权利要求10所述的商品投放决策方法，其特征在于，所述通过当前商品投放决策***对各个待决策的商品进行投放决策，采用如下方式：
根据预先生成的品类规划预测结果，对各个待决策的商品进行投放决策。
17.根据权利要求16所述的商品投放决策方法，其特征在于，所述品类规划预测结果，采用如下步骤生成：
接收针对特定投放效果目标的品类规划请求；
获取各个待规划的商品类目的特征数据；
根据所述特定投放效果目标、所述商品类目的特征数据和预先生成的品类规划模型，生成所述品类规划预测结果。
18.根据权利要求17所述的商品投放决策方法，其特征在于，所述特定投放效果目标，采用如下步骤生成：
接收针对特定投放周期的投放效果目标预测请求；
获取所述特定投放周期的特征数据；
根据所述特定投放周期的特征数据和预先生成的投放效果目标预测模型，生成投放效果目标的预测值，作为所述特定投放效果目标。
19.根据权利要求10所述的商品投放决策方法，其特征在于，还包括：
根据所述差距，调整所述当前商品投放决策***进行投放决策所依据的所述商品的特征、和所述当前商品投放决策***采用的决策算法的至少一者。
20.一种商品投放决策装置，其特征在于，包括：
商品列表获取单元，用于获取待决策的商品列表；
投放决策单元，用于通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；
实际投放效果数据获取单元，用于获取根据所述投放决策结果投放商品后的实际投放效果数据；
效果对比单元，用于将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；
***调整单元，用于根据所述差距进行商品投放决策***调整；
***更新单元，用于所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
21.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储实现商品投放决策方法的程序，该设备通电并运行该商品投放决策方法的程序后，执行下述步骤：获取待决策的商品列表；通过当前商品投放决策***对各个待决策的商品进行投放决策，获取投放决策结果；获取根据所述投放决策结果投放商品后的实际投放效果数据；将所述实际投放效果数据与生成所述投放决策结果所依据的所述当前商品投放决策***提供的预测投放效果数据进行比较，获取所述实际投放效果数据相对于所述预测投放效果数据的差距；根据所述差距进行商品投放决策***调整；所述商品投放决策***调整完成后，将获得的更新的商品投放决策***作为当前商品投放决策***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610808112.9A CN107808333A (zh) | 2016-09-08 | 2016-09-08 | 一种商品投放决策***、方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610808112.9A CN107808333A (zh) | 2016-09-08 | 2016-09-08 | 一种商品投放决策***、方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107808333A true CN107808333A (zh) | 2018-03-16 |
Family
ID=61575898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610808112.9A Pending CN107808333A (zh) | 2016-09-08 | 2016-09-08 | 一种商品投放决策***、方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107808333A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764564A (zh) * | 2018-05-25 | 2018-11-06 | 玩咖欢聚文化传媒（北京）有限公司 | 多个应用投放平台的服务方法、终端、存储介质以及*** |
| CN108830318A (zh) * | 2018-06-12 | 2018-11-16 | 泰康保险集团股份有限公司 | 质检方法、装置、设备及存储介质 |
| CN109544217A (zh) * | 2018-11-05 | 2019-03-29 | 海尔电器国际股份有限公司 | 合同管理方法 |
| CN109886753A (zh) * | 2019-02-28 | 2019-06-14 | 西南交通大学 | 一种易逝性商品分阶段容量投放控制方法及*** |
| CN110909040A (zh) * | 2019-11-08 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、装置及电子设备 |
| CN113627979A (zh) * | 2021-07-30 | 2021-11-09 | 北京达佳互联信息技术有限公司 | 资源投放数据的处理方法、装置、服务器、***及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567477A (zh) * | 2011-06-16 | 2012-07-11 | 北京亿赞普网络技术有限公司 | 网站价值评估方法及装置 |
| CN102609471A (zh) * | 2012-01-18 | 2012-07-25 | 康睿 | 一种用于精准分析互联网用户网络行为的方法和装置 |
| CN102663616A (zh) * | 2012-03-19 | 2012-09-12 | 北京国双科技有限公司 | 一种基于多触点归因模型的网络广告效果衡量方法和*** |
| US8306887B1 (en) * | 2010-01-06 | 2012-11-06 | Sprint Communications Company L.P. | Project engineering workflow and tracking integration |
| CN102903047A (zh) * | 2011-07-26 | 2013-01-30 | 阿里巴巴集团控股有限公司 | 一种商品信息投放方法和设备 |
| CN103778548A (zh) * | 2012-10-19 | 2014-05-07 | 阿里巴巴集团控股有限公司 | 商品信息与关键词匹配方法、商品信息投放方法及装置 |
| CN104091276A (zh) * | 2013-12-10 | 2014-10-08 | 深圳市腾讯计算机***有限公司 | 在线分析点击流数据的方法和相关装置及*** |
| CN104268707A (zh) * | 2014-10-09 | 2015-01-07 | 浪潮软件股份有限公司 | 一种数据处理分析方法 |
| CN105516738A (zh) * | 2015-12-04 | 2016-04-20 | 青岛海信传媒网络技术有限公司 | 视频点播处理方法、装置和设备 |
| CN105761098A (zh) * | 2016-01-29 | 2016-07-13 | 李伟斌 | 智能信息推广***及方法 |
| CN105913159A (zh) * | 2016-04-29 | 2016-08-31 | 北京邮电大学 | 基于社交网络事件的用户影响力预测方法 |
-
2016
- 2016-09-08 CN CN201610808112.9A patent/CN107808333A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8306887B1 (en) * | 2010-01-06 | 2012-11-06 | Sprint Communications Company L.P. | Project engineering workflow and tracking integration |
| CN102567477A (zh) * | 2011-06-16 | 2012-07-11 | 北京亿赞普网络技术有限公司 | 网站价值评估方法及装置 |
| CN102903047A (zh) * | 2011-07-26 | 2013-01-30 | 阿里巴巴集团控股有限公司 | 一种商品信息投放方法和设备 |
| CN102609471A (zh) * | 2012-01-18 | 2012-07-25 | 康睿 | 一种用于精准分析互联网用户网络行为的方法和装置 |
| CN102663616A (zh) * | 2012-03-19 | 2012-09-12 | 北京国双科技有限公司 | 一种基于多触点归因模型的网络广告效果衡量方法和*** |
| CN103778548A (zh) * | 2012-10-19 | 2014-05-07 | 阿里巴巴集团控股有限公司 | 商品信息与关键词匹配方法、商品信息投放方法及装置 |
| CN104091276A (zh) * | 2013-12-10 | 2014-10-08 | 深圳市腾讯计算机***有限公司 | 在线分析点击流数据的方法和相关装置及*** |
| CN104268707A (zh) * | 2014-10-09 | 2015-01-07 | 浪潮软件股份有限公司 | 一种数据处理分析方法 |
| CN105516738A (zh) * | 2015-12-04 | 2016-04-20 | 青岛海信传媒网络技术有限公司 | 视频点播处理方法、装置和设备 |
| CN105761098A (zh) * | 2016-01-29 | 2016-07-13 | 李伟斌 | 智能信息推广***及方法 |
| CN105913159A (zh) * | 2016-04-29 | 2016-08-31 | 北京邮电大学 | 基于社交网络事件的用户影响力预测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764564A (zh) * | 2018-05-25 | 2018-11-06 | 玩咖欢聚文化传媒（北京）有限公司 | 多个应用投放平台的服务方法、终端、存储介质以及*** |
| CN108830318A (zh) * | 2018-06-12 | 2018-11-16 | 泰康保险集团股份有限公司 | 质检方法、装置、设备及存储介质 |
| CN109544217A (zh) * | 2018-11-05 | 2019-03-29 | 海尔电器国际股份有限公司 | 合同管理方法 |
| CN109886753A (zh) * | 2019-02-28 | 2019-06-14 | 西南交通大学 | 一种易逝性商品分阶段容量投放控制方法及*** |
| CN109886753B (zh) * | 2019-02-28 | 2021-05-04 | 西南交通大学 | 一种易逝性商品分阶段容量投放控制方法及*** |
| CN110909040A (zh) * | 2019-11-08 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、装置及电子设备 |
| CN110909040B (zh) * | 2019-11-08 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、装置及电子设备 |
| CN113627979A (zh) * | 2021-07-30 | 2021-11-09 | 北京达佳互联信息技术有限公司 | 资源投放数据的处理方法、装置、服务器、***及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107808333A (zh) | 一种商品投放决策***、方法及装置 | |
| US8731983B2 (en) | System and method for designing effective business policies via business rules analysis | |
| CN110310191A (zh) | 用于数据分析、风险管理和自动合规的分布式计算机框架 | |
| CN106294694A (zh) | 资产配置大数据分析控制*** | |
| CN110264221A (zh) | 一种针对服务商行业的全链路安全业务联合解决方案 | |
| US12008505B2 (en) | Methods and systems for time-variant variable prediction and management for supplier procurement | |
| CN107451918A (zh) | 资产数据管理方法及装置 | |
| KR20210010109A (ko) | 블록체인을 기반으로 한 투자 방법 및 이러한 방법을 사용하는 장치 | |
| KR102047859B1 (ko) | 딥 러닝 기반 기업 신용 평가 서버 및 이를 이용한 기업 신용 평가 방법 | |
| Feng et al. | Satisfaction principle or efficiency principle? Decision-making behavior of peasant households in China’s rural land market | |
| CN107798410A (zh) | 一种品类规划方法、装置及电子设备 | |
| Poddar et al. | Improving trade promotions through virtual forward buying | |
| Nugraha et al. | Problem analysis on sharia property business and its proposed solution | |
| Kant et al. | Worksim: An agent-based model of labor markets | |
| AbdulRazaq et al. | Investigating the Practice of Cash flow forecasting by Contractors in Nigeria | |
| KR102369815B1 (ko) | 리소스 정보를 이용한 블록체인 기반 전문가 관리 서비스 제공 방법, 장치 및 프로그램 | |
| Geng et al. | Intelligent Prediction Mathematical Model of Industrial Financial Fraud Based on Data Mining | |
| Cao et al. | A stochastic linear programming modelling and solution approach for planning the supply of rewards in loyalty reward programs | |
| Jafari et al. | Assessing the dynamic behavior of online Q&A knowledge markets: A system dynamics approach | |
| Asikhia | Strategic flexibility and market performance of SMEs in Nigeria | |
| Putri et al. | Supply chain management serious game using blockchain smart contract | |
| Kaka | Corporate financial model for construction contractors | |
| Henderson et al. | A learning heuristic for integrating spatial and temporal detail in forest planning | |
| Belichenko | Features of functioning of the internet economy and digital agencies in the Russian Federation | |
| CN114066581B (zh) | 一种可扩展的物资采购***、方法、控制器和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180316 |
|
| RJ01 | Rejection of invention patent application after publication |