CN114219547B - 一种门店订货量的确定方法、装置、设备及存储介质 - Google Patents
一种门店订货量的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114219547B CN114219547B CN202210159271.6A CN202210159271A CN114219547B CN 114219547 B CN114219547 B CN 114219547B CN 202210159271 A CN202210159271 A CN 202210159271A CN 114219547 B CN114219547 B CN 114219547B
- Authority
- CN
- China
- Prior art keywords
- store
- stores
- target
- pair
- similarity
- 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.)
- Active
Links
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种门店订货量的确定方法、装置、设备及存储介质,该方法包括:首先提取待确定订货量的目标门店与各对标门店的商圈特征,之后基于目标门店与各对标门店的商圈特征,计算目标门店与各对标门店之间的相似度,并选择相似度符合预设规则的预设数量个对标门店作为参考门店,之后基于各参考门店的经营数据,来确定目标门店的订货种类及数量。应用本发明实施例,通过基于目标门店的相似对标门店的经营数据,确定目标门店订货量,使得在对门店订货量进行确定时,可以参考具有较强参考性的历史数据,无需仅依靠人工经验进行订货,使得门店订货更加合理,提高门店订货准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种门店订货量的确定方法、装置、设备及存储介质。
背景技术
当前,数据处理技术已广泛应用到各行各业。在数据处理技术领域,通常会使用机器学习的方法,依赖大量的历史数据,进行相关的数据预测。但某些情况下,由于没有足够的参考性强的历史数据支撑,因此无法使用机器学习的方法进行数据处理、预测等。
例如:对于零售行业。通常,需要为门店进行订货来进行销售,这时,就需要确定具体的订货量,即确定需要订的商品的种类,以及各种商品的订货数量。但由于有些门店没有足够多的历史销售数据支持或历史销售数据差异较大,参考性不强。因此并不能基于其历史销售数据,使用机器学习等方法来确定门店订货量。
因此,目前这些门店大多是由店长依靠自身经验来确定订货的种类及数量。而由于完全依靠人工经验,因此会出现某种商品订货过多导致货品积压,或是某中商品订货过少,不能满足客户需求的情况,订货十分不准确。
发明内容
本发明实施例的目的在于提供一种门店订货量的确定方法、装置、设备及存储介质,以实现提高门店订货准确性。具体技术方案如下:
在本发明实施的一方面,提供了一种门店订货量的确定方法,包括:
获取待确定订货量的目标门店的商圈特征和各对标门店的商圈特征;所述目标门店以及各对标门店的商圈特征包括:所述目标门店以及各对标门店的需求特征以及竞业分布特征;其中,所述目标门店以及各对标门店的需求特征至少包括:所述目标门店以及各对标门店第一预设时间段内店前客流;所述目标门店以及各对标门店的竞业分布特征至少包括:所述目标门店以及各对标门店的预设范围内同类竞争门店个数;
基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度;
将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店;
基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量;所述参考门店的经营数据包括:订货数据和/或销售数据。
在本发明的一种实施例中,所述相似度为目标门店商圈特征与各对标门店商圈特征之间的距离;
所述基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度的步骤,包括:
基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离;
所述将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店的步骤,包括:
将与所述目标门店商圈特征之间距离最小的预设数量个对标门店,作为参考门店。
在本发明的一种实施例中,所述度量矩阵,采用以下步骤预先获取:
获取各对标门店的商圈特征以及销售特征;
分别基于所述各对标门店的商圈特征及销售特征,计算各对标门店之间的第一相似度及第二相似度;
基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵。
在本发明的一种实施例中,所述第一相似度为所述各对标门店的商圈特征之间的马氏距离;所述第二相似度为所述各对标门店的销售特征之间的加权欧式距离。
在本发明的一种实施例中,所述基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量的步骤,包括:
基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数;
针对各商品类别,基于所述各参考门店第二预设时间段内该类别中各商品的销售毛利额或所述各参考门店该类别中各商品的订货数量,对该类别中的各商品进行排序;
针对各商品类别,获取排名靠前的,符合该类商品的订货种类数个商品,作为所述目标门店中该类别的订货商品种类;
针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量。
在本发明的一种实施例中,所述基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数的步骤,包括:
将所述各参考门店的各商品类别的订货或销售种类数的中位数或平均数,作为所述目标门店中对应类别商品的订货种类数;
所述针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量的步骤,包括:
针对所述目标门店的各订货商品种类,将所述各参考门店中该种商品的订货或销售数量的中位数或平均数,作为所述目标门店中该种商品的订货数量。
在本发明实施的又一方面,提供了一种门店订货量的确定装置,包括:
商圈特征获取模块,用于获取待确定订货量的目标门店的商圈特征和各对标门店的商圈特征;所述目标门店以及各对标门店的商圈特征包括:所述目标门店以及各对标门店的需求特征以及竞业分布特征;其中,所述目标门店以及各对标门店的需求特征至少包括:所述目标门店以及各对标门店第一预设时间段内店前客流;所述目标门店以及各对标门店的竞业分布特征至少包括:所述目标门店以及各对标门店的预设范围内同类竞争门店个数;
相似度计算模块,用于基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度;
参考门店确定模块,用于将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店;
订货量确定模块,用于基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量;所述参考门店的经营数据包括:订货数据和/或销售数据。
在本发明的一种实施例中,所述相似度为目标门店商圈特征与各对标门店商圈特征之间的距离;
所述相似度计算模块,用于基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离;
所述参考门店确定模块,用于将与所述目标门店商圈特征之间距离最小的预设数量个对标门店,作为参考门店。
在本发明的一种实施例中,所述度量矩阵,采用以下步骤预先获取:
获取各对标门店的商圈特征以及销售特征;
分别基于所述各对标门店的商圈特征及销售特征,计算各对标门店之间的第一相似度及第二相似度;
基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵。
在本发明的一种实施例中,所述第一相似度为所述各对标门店的商圈特征之间的马氏距离;所述第二相似度为所述各对标门店的销售特征之间的加权欧式距离。
在本发明的一种实施例中,所述订货量确定模块,用于:
基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数;
针对各商品类别,基于所述各参考门店第二预设时间段内该类别中各商品的销售毛利额或所述各参考门店该类别中各商品的订货数量,对该类别中的各商品进行排序;
针对各商品类别,获取排名靠前的,符合该类商品的订货种类数个商品,作为所述目标门店中该类别的订货商品种类;
针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量。
在本发明的一种实施例中,所述基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数,包括:
将所述各参考门店的各商品类别的订货或销售种类数的中位数或平均数,作为所述目标门店中对应类别商品的订货种类数;
所述针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量,包括:
针对所述目标门店的各订货商品种类,将所述各参考门店中该种商品的订货或销售数量的中位数或平均数,作为所述目标门店中该种商品的订货数量。
在本发明实施的另一方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的门店订货量的确定方法步骤。
在本发明实施的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的门店订货量的确定方法步骤。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的门店订货量的确定方法。
本发明实施例有益效果:
本发明实施例提供的门店订货量的确定方法,首先提取待确定订货量的目标门店与各对标门店的商圈特征,之后基于目标门店与各对标门店的商圈特征,计算目标门店与各对标门店之间的相似度,并选择相似度符合预设规则的预设数量个对标门店作为参考门店,之后基于各参考门店的经营数据,来确定目标门店的订货种类及数量。应用本发明实施例,通过基于目标门店的相似对标门店的经营数据,确定目标门店订货量,使得在对门店订货量进行确定时,可以参考具有较强参考性的历史数据,无需仅依靠人工经验进行订货,使得门店订货更加合理,提高门店订货准确性。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的门店订货量的确定方法的第一种流程示意图;
图2为本发明实施例提供的门店订货量的确定方法的第二种流程示意图;
图3为本发明实施例中确定度量矩阵的流程示意图;
图4为本发明实施例提供的门店订货量的确定方法的第三种流程示意图;
图5为本发明实施例中确定与目标门店最相似的对标门店的一种流程示意图;
图6为本发明实施例中基于最相似对标门店的经营数据确定目标门店订货量的流程示意图;
图7为本发明实施例提供的门店订货量的确定装置的一种结构示意图;
图8为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
为了提高门店订货的准确性,本发明提供了一种门店订货量的确定方法、装置、设备及存储介质。下面首先对本发明提供的门店订货量的确定方法进行说明。
参见图1,图1为本发明提供的门店订货量的确定方法的第一实施例的流程示意图,该方法可以包括:
步骤S110,获取待确定订货量的目标门店的商圈特征和各对标门店的商圈特征。
本发明实施例中,上述目标门店可以是待开业或开业时长在预设时长内的门店,也可以是开业超过预设时长的门店。例如,上述目标门店可以是开业超过一个月的门店。
本发明实施例中,上述对标门店可以是与目标门店类型相同的门店,也可以是与目标门店类型不同的门店。例如,若待确定订货量的目标门店是生鲜门店,那么各对标门店的类型可以是生鲜门店,也可以是社区商店。在本发明的一种实施例中,上述目标门店与各对标门店可以为同一品牌的连锁门店。
本发明实施例中,可以对上述各对标门店的范围进行限定,也就是说,上述各对标门店可以是在目标门店预设范围内的门店。例如,对标门店可以是与目标门店在同一城区的门店。作为一种具体实施方式,若上述各对标门店与目标门店是同一品牌的连锁门店,那么也可以不对对标门店的范围进行限定。当然,为了减少数据处理量,也可以只选择同城区、同市范围内的对标门店进行商圈特征提取。本发明实施例中,对上述对标门店的选取可以由相关人员根据实际需求进行确定,本发明对此不做具体限定。
步骤S120,基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度。
步骤S130,将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店。
在本发明的一种实施例中,可以按照各对标门店与上述目标门店之间的相似度,按照从高到低的顺序对各对标门店进行排序,并选择排名在前的预设数量个对标门店作为参考门店。即上述预设规则可以是各对标门店中,与目标门店相似度最高的门店。例如,可以选择与目标门店相似度最高的3个对标门店作为参考门店,上述预设数量的具体值可以由相关人员预先设定。
步骤S140,基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量。
本发明实施例中,各参考门店的经营数据可以包含其订货数据以及销售数据等等。各参考门店的订货量,可以是通过机器学习的方法,利用参考门店的历史销售数据得到的参考门店最佳订货量。这样,可以进一步保证目标门店订货的合理性。
本发明实施例提供的门店订货量的确定方法,首先提取待确定订货量的目标门店与各对标门店的商圈特征,之后基于目标门店与各对标门店的商圈特征,计算目标门店与各对标门店之间的相似度,并选择相似度符合预设规则的预设数量个对标门店作为参考门店,之后基于各参考门店的经营数据,来确定目标门店的订货种类及数量。应用本发明实施例,通过基于目标门店的相似对标门店的经营数据,确定目标门店订货量,使得门店在对订货量进行确定时,可以参考具有较强参考性的历史数据,无需仅依靠人工经验进行订货,使得门店订货更加合理,提高门店订货准确性。
本发明实施例中,上述目标门店以及各对标门店的商圈特征可以包括:所述目标门店以及各对标门店的需求特征以及竞业分布特征。上述需求特征即需求侧特征,可以反映目标门店以及各对标门店周围的消费力。上述竞业分布特征则是供给侧特征,可以反映目标门店以及各对标门店周围的销售竞争情况。
作为本发明的一种实施例,所述目标门店以及各对标门店的需求特征可以包括:所述目标门店以及各对标门店第一预设时间段内店前客流等信息。上述目标门店以及各对标门店的竞业分布特征则可以包括:所述目标门店以及各对标门店的预设范围内同类竞争门店个数等等。
在本发明的一种实施例中,上述目标门店的商圈特征和各对标门店的需求特征,还可以包括目标门店以及对标门店的店前客流的年龄分布、周围小区入住户数、小区房价。
作为本发明的一种具体实例,上述目标门店和各对标门店的商圈特征,可以采用以下步骤获取:
步骤1,获取目标门店和对标门店第一预设时间段内店前客流、所述店前客流的年龄分布、预设范围内小区入住户数、所述预设范围内小区的房价以及预设范围内同类竞争门店个数。
本发明实施例中,可以针对目标门店以及各对标门店,获取同一预设时间段内的店前客流。例如,可以获取一天中各对标门店7:00-9:00之间的店前客流量,以及目标门店开业前一天中7:00-9:00之间的客流量。当然,本发明实施例中,也可以统计一周内目标门店以及对标门店7:00-9:00之间的店前日平均客流量作为其商圈特征中的一维。上述第一预设时间段的具体值可以由相关人员根据实际应用进行设定,本发明实施例中不做具体限定。
本发明实施例中,在获取到目标门店以及对标门店的店前客流后,可以对上述店前客流的年龄分布进行统计,并可以分别将各年龄段的人数占店前客流的比例,作为对应门店的商圈特征中的一维。作为一种具体实施方式,可以预设三个年龄段,并基于该三个年龄段对上述店前客流进行分类统计,获取上述店前客流中属于每个年龄段的人数占比。例如,可以统计目标门店以及各对标门店的店前客流中,年龄在19-40岁区间的人数占店前客流的比例,年龄在40-60岁区间的人数占店前客流的比例,年龄在60岁以上的人数占店前客流的比例,19岁以下的人数则可以不统计。之后可以将上述各占比作为对应门店商圈特征中的三个维度的值。
本发明实施例中,在选择统计小区入住户数以及小区房价的目标小区时,可以选择目标门店或各对标门店周围预设范围内的小区,作为目标小区。例如,可以选择目标门店或对标门店周围两公里内的小区,作为目标小区。
在本发明的一种实施例中,小区入住户数可以通过将小区户数和小区入住率相乘得到。若上述预设范围内的目标小区有多个,则可以取小区入住户数的和作为商圈特征中的一维。相应的,若上述目标小区有多个,则可以取各目标小区的房价平均值,作为商圈特征中的一维。
本发明实施例中,针对目标门店以及各对标门店,可以提取到多组店前客流、所述店前客流的年龄分布、预设范围内小区入住户数、所述预设范围内小区的房价以及预设范围内同类竞争门店个数数据。相应的,针对目标门店以及各对标门店,就可以提取到多个商圈特征。例如,可以连续三个月,每周对目标门店以及各对标门店第一预设时间段内的店前客流、所述店前客流的年龄分布、预设范围内小区入住户数、所述预设范围内小区的房价以及预设范围内同类竞争门店个数数据进行获取,并计算每周内上述数据的日平均值,构成目标门店以及各对标门店的多个商圈特征。
步骤2,对所述店前客流、所述店前客流的年龄分布、预设范围内小区入住户数、所述预设范围内小区的房价以及所述预设范围内同类竞争门店个数进行标准化,得到目标门店以及对标门店的商圈特征。
在本发明的一种实施例中,可以采用z-core标准化的方法,对上述店前客流、所述店前客流的年龄分布、预设范围内小区入住户数、所述预设范围内小区的房价以及所述预设范围内同类竞争门店个数这几个数据进行标准化。
z-score标准化是将数据按比例缩放,使之落入一个特定区间。进行z-score标准化后的数据均值μ=0,标准差σ= 1。
例如,对目标门店以及各对标门店的店前客流这一项数据进行标准化时,可以求得目标门店以及各对标门店店前客流的均值μ与标准差σ。针对目标门店或各对标门店的店前客流c,对其进行标准化后的值z就可以采用以下公式求得:
对目标门店以及对标门店的店前客流的年龄分布、预设范围内小区入住户数、所述预设范围内小区的房价以及所述预设范围内同类竞争门店个数进行标准化的过程,可以参见对店前客流进行标准化的过程,此处不再赘述,仅以对店前客流的年龄分布进行标准化为例,对上述标准化过程进行简单说明。
例如,针对四个门店A、B、C、D(包括目标门店或对标门店),统计到A门店的店前客流为10人,其中,年龄在19-40岁区间的人数为4人,占店前客流的比例为0.4;B门店的店前客流为15人,其中,年龄在19-40岁区间的人数为9人,占店前客流的比例为0.6;C门店的店前客流为15人,其中,年龄在19-40岁区间的人数为6人,占店前客流的比例为0.4;D门店的店前客流为10人,其中,年龄在19-40岁区间的人数为6人,占店前客流的比例为0.6。上述各年龄在19-40岁区间内的人数占比均值为μ:(0.4+0.6+0.4+0.6)/4=0.5,标准差σ为0.1。
对A门店年龄在19-40岁区间的人数占比进行标准化后的ZA为:(0.4-0.5)/0.1=-1;
对B门店年龄在19-40岁区间的人数占比进行标准化后的ZB为:(0.6-0.5)/0.1=1;
对C门店年龄在19-40岁区间的人数占比进行标准化后的ZC为:(0.4-0.5)/0.1=-1;
对D门店年龄在19-40岁区间的人数占比进行标准化后的ZD为:(0.6-0.5)/0.1=1。
对上述各年龄在19-40岁区间的人数占比进行标准化后,得到的标准化后的数据的均值μ为0,标准差σ为1。
以上具体仅为对本发明实施例中进行数据标准化的过程进行说明,并不对本发明做具体限定。
基于上述三个年龄段的举例,最终获取的目标门店或对标门店的商圈特征可以是7维的向量。例如,上述商圈特征可以是[x1,x2,x3,x4,x5,x6,x7],其中,x1可以是目标门店或对标门店的店前客流,x2、x3以及x4可以分别为三个年龄段的人数占比,x5可以是小区入住户数,x6可以是小区房价,x7则可以是同类竞争门店个数。
在本发明的一种实施例中,所述相似度为目标门店商圈特征与各对标门店商圈特征之间的距离。本发明实施例中,上述目标门店的商圈特征与各对标门店之间的距离可以是马氏距离或余弦距离等等。
相应的,如图2所示,图1中的步骤S120就可以细化为以下步骤:
步骤S121,基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离。
在本发明的一种实施例中,上述目标门店和对标门店之间的相似度可以用马氏距离来衡量。马氏距离(Mahalanobis Distance)是一种距离的度量,其可以看作是对欧氏距离的一种修正,修正了欧式距离中各个维度尺度不一致且相关的问题。
本发明实施例中,若上述距离是马氏距离,则目标门店商圈特征及各对标门店商圈特征之间的距离可以采用以下公式求得:
该公式中,Dij为目标门店与对标门店之间的马氏距离,xi,xj分别代表目标门店和任一对标门店的商圈特征,M则是预先获取的度量矩阵。本发明实施例中,上述度量矩阵可以代表不同特征在马氏距离中所占的权重以及特征之间的相关性,同时,上述度量矩阵可以使得目标门店或对标门店的商圈特征可以表征目标门店或对标门店的销售特征。
本发明实施例中,为了保证马氏距离为非负且对称(即计算马氏距离时,两门店商圈特征的顺序不会对两门店之间的马氏距离造成影响),上述度量矩阵可以是半正定对称矩阵(即M=PPT,P为正交基),半正定矩阵M的转置等于其本身,其对于任意不为0的向量X都有X'MX≥0。
基于上述目标门店和对标门店的商圈特征为七维向量的举例,上述M可以是:
该矩阵M中,可以有mij=mji(i,j代表矩阵中元素的位置)。
参见图2,图1中的步骤S130就可以细化为以下步骤:
步骤S131,将与所述目标门店商圈特征之间距离最小的预设数量个对标门店,作为参考门店。
在本发明的一种实施例中,可以按照各对标门店与目标门店之间的距离(如,马氏距离)从小到大的顺序,对各对标门店进行排序,并选择排名最前的,预设数量个对标门店作为参考门店。
本发明实施例中,为了使得基于目标门店以及对标门店的商圈特征求得的距离可以一定程度上体现门店之间在销售上的相似性,上述度量矩阵M可以通过对对标门店的商圈特征以及历史销售数据进行度量学习得到,这样就可以通过商圈特征的相似性表征销售特征的相似性。作为一种实施方式,如图3所示,上述度量矩阵M可以通过以下步骤预先求得:
步骤S310,获取各对标门店的商圈特征以及销售特征。
本发明实施例中,所述对标门店的销售特征可以主要包括如下内容:对标门店的成交客流、成交客单价以及客毛利额。
作为本发明实施例的一种具体实施方式,上述对标门店的销售特征可以采用以下步骤获取:
步骤1,获取对标门店预设时间段内的成交客流、成交客单价以及成交客毛利额。
本发明实施例中,上述成交客流即成交的人数。成交客单价即上述成交客流的成交总额除以上述成交客流得到的平均值。成交客毛利额即上述成交客流的成交毛利额除以上述成交客流得到的平均值,上述毛利额即成交金额减去商品***。
本实施例中,上述预设时间段与上述第一时间段可以相同,也可以不同。例如上述预设时间段可以是9:00-19:00等。
步骤2,对所述成交客流、成交客单价以及成交客毛利额进行标准化,得到所述对标门店的销售特征。
本发明实施例中,对上述成交客流、成交客单价以及成交客毛利额进行标准化的过程,可以参考上述对目标门店或对标门店店前客流进行标准化的过程,此处不再赘述。对标门店的商圈特征的获取,已在前面进行详细说明,此处也不再赘述。
本发明实施例中,上述对标门店的销售特征可以是三维向量。例如,可以是[y1,y2,y3],其中y1可以是对标门店预设时间段内的成交客流,y2可以是成交客单价,y3则可以是成交客毛利额。
如上所述,本发明实施例中针对各对标门店,其商圈特征可以有多个。与商圈特征类似,上述对标门店的销售特征也可以有多个。
如图3所示,步骤S320,分别基于所述各对标门店的商圈特征及销售特征,计算各对标门店之间的第一相似度及第二相似度;
本发明实施例中,上述第一相似度可以是各对标门店的商圈特征之间的马氏距离;上述第二相似度可以是各对标门店的销售特征之间的加权欧式距离。
本发明实施例中,上述两对标门店之间的马氏距离的计算可以采用以下公式进行:
该公式中,Dij(M)为两对标门店之间的马氏距离,xi,xj分别代表两对标门店的商圈特征,M则是待求的度量矩阵。
上述加权欧式距离则可以采用以下公式求得:
该公式中,Lij为两对标门店之间的加权欧式距离,yi,yj分别为两对标门店的销售特征,W则为预设的权重矩阵,该权重矩阵可以人为设定,用于刻画不同销售特征的重要性。
在本发明的一种实施例中,在销售特征是三维向量的情况下,W可以是对角矩阵。如可以是以下形式:
如果w11=w22=w33=1则表示各销售特征同等重要。
可见,上述马氏距离可以衡量各对标门店之间商圈层面上的相似性,上述加权欧式距离则可衡量各对标门店之间销售层面上的相似性。
如图3所示,步骤S330,基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵。
如上所述,本发明实施例中,度量矩阵的选取是为了利用基于门店商圈特征求得的马氏距离来衡量门店销售之间的相似性。而度量学***方和作为目标函数,并对该目标函数进行优化,来求取度量矩阵。
即在本发明的一种实施例中,上述预设公式可以是:
该公式中,M可以是待求度量矩阵,fobj(M)可以是目标函数,i,j可以是对标门店的编号,Dij(M)则可以是基于待求度量矩阵M求出的两对标门店之间的马氏距离;Lij则为两对标门店之间的加权欧式距离。
本发明实施例中,可以将所述目标函数取得最小值时的待求度量矩阵,作为度量矩阵。
作为本发明实施例的一种具体实施方式,可以采用梯度下降法对目标函数进行优化计算,并在目标函数取值不变或梯度小于预设误差时,判定目标函数取得最小值。当目标函数取得最小值时,就可以将此时的M确定为度量矩阵。
例如,利用梯度下降法对上述目标函数进行优化的过程可以是:
①,设置待求矩阵M的初始值。
该初始值可以是预先设置的默认值等等。
②,求得此时目标函数fobj(M)的梯度。
由于M为矩阵,因此,在求目标函数fobj(M)的梯度时,可以对待求矩阵M中的每一个元素进行梯度的求解。
③,基于求得的目标函数fobj(M)的梯度对待求矩阵M中的各元素进行反向调节。
作为本实施例的一种具体实施方式,可以预先人为设置学习率,并针对待求矩阵M中的每一元素,减去上述学习率与步骤②中求得的该元素梯度的乘积。
④,重复上述步骤②、③,直至求得的目标函数fobj(M)的梯度小于预设误差。
以上步骤仅为示例性地说明本发明实施例中采用梯度下降法对目标函数进行优化的过程,并不对本发明做具体限定。
由于上述度量矩阵M是通过对对标门店的商圈特征与销售特征进行度量学习得到的,因此,其可以表征门店的商圈特征与销售特征的相关性。因此,就可以在确定与目标门店最相似的对标门店时,通过目标门店和对标门店之间商圈特征的相似性来刻画销售特征之间的相似性。
在本发明的一种实施例中,所述参考门店的经营数据可以包括:订货数据和/或销售数据。上述订货数据可以包括参考门店的订货种类以及各种类订货数量等等。上述销售数据则可包括参考门店的销售商品种类以及各种类销售量和销售毛利额等等。
如图4所示,图1中所示的步骤S140可以被细化为以下步骤:
步骤S141,基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数。
本发明实施例中,上述商品的类别可以包括水果、肉类、蔬菜、奶类等等。
本发明实施例中,可以将所述各参考门店的各商品类别的订货或销售种类数的中位数或平均数,作为所述目标门店中对应类别商品的订货种类数。
例如,针对水果这一类别,参考门店A订(或销售)了20种水果,参考门店B订(或销售)了18种水果,参考门店C订(或销售)了21种水果。那么,目标门店需要订的水果种类数就可以是20。
通常,在零售行业中,可以使用SKU(stock keeping unit,库存量单位)来代表商品。例如,一件衣服,有红色、白色、蓝色,那么不同颜色的该衣服的SKU编码也不相同。也就是说,在步骤S141中,可以确定各商品类别的订货SKU数。
步骤S142,针对各商品类别,基于所述各参考门店第二预设时间段内该类别中各商品的销售毛利额或所述各参考门店该类别中各商品的订货数量,对该类别中的各商品进行排序。
本发明实施例中,上述第二预设时间段也可以由相关人员根据需求进行预设。例如,若参考门店有三家,那么可以针对上述各商品类别,基于三家参考门店最近一周该类别中各商品的销售毛利额(或订货数量)从高到低的顺序,对该类别中的各商品进行排名。
步骤S143,针对各商品类别,获取排名靠前的,符合该类商品的订货种类数个商品,作为所述目标门店中该类别的订货商品种类。
本发明实施例中,可以针对各商品类别,对三家参考门店中该类别中的各商品(SKU)进行统一排名。作为一种具体实施方式,可以针对各商品类别,对该类别中各商品的销售毛利额(或订货数量)的总数进行排名,并选择排名靠前的,符合该商品类别订货种类数个商品,作为目标门店中该商品类别的订货商品种类。
例如,若确定目标门店水果类别的订货种类数为4,那么,针对水果类别,按照该类别中各商品在三家参考门店中的销售毛利额(或订货数量)总数对商品进行排名后,就可以选择排名在前4的水果,作为目标门店水果类别的订货商品种类。
步骤S144,针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量。
本发明实施例中,可以针对所述目标门店的各订货商品种类,将所述各参考门店中该种商品的订货或销售数量的中位数或平均数,作为所述目标门店中该种商品的订货数量。
由上可见,本发明实施例中,可以仅基于各参考门店的订货数据对目标门店进行订货。也可以仅基于各参考门店的销售数据对目标门店进行订货。还可以同时基于各参考门店的订货数据以及销售数据为目标门店进行订货。
参见图5以及图6,图5示出了本发明实施例中确定与目标门店最相似的三家对标门店的过程,图6则示出了基于图5确定的与目标门店最相似的三家对标门店的销售数据,对目标门店进行订货的流程。
如图5所示,本发明实施例中,确定与目标门店最相似的三家对标门店的步骤可以包括:
步骤①,对各对标门店第一预设时间段内的店前客流、店前客流的年龄分布、预设范围内小区的小区入住户数、小区房价以及同类竞争门店个数进行标准化,得到各对标门店商圈特征。
步骤②,对各对标门店预设时间段内的成交客流、成交客单价以及成交客毛利额进行标准化,得到各对标门店销售特征。
步骤③,对各对标门店商圈特征以及各对标门店销售特征进行度量学习,得到目标门店与对标门店之间马氏距离度量矩阵。
步骤④,基于目标门店商圈特征、各对标门店商圈特征以及上述目标门店与对标门店之间马氏距离度量矩阵,进行目标门店与对标门店马氏距离计算。
步骤⑤,基于目标门店与各对标门店之间的马氏距离,确定与目标门店最相似的三家对标门店作为三家参考门店。
如图6所示,基于最相似的三家参考门店的销售数据对目标门店进行订货的过程,就可以包括以下步骤:
步骤①,针对各商品类别,将三家参考门店订货或销售SKU数的中位数或平均数作为目标门店该商品类别的订货SKU数。
步骤②,针对各商品类别,对三家参考门店各SKU最近一周销售毛利额或订货数量进行排名。
步骤③,针对各商品类别,截取毛利额或订货数量排名靠前的SKU,作为目标门店订货SKU。上述排名靠前的SKU数量符合目标门店该商品类别订货SKU数。
步骤④,将目标门店订货SKU在三家参考门店中的订货量或销售量的中位数或平均数,作为目标门店相应SKU的订货量。
可见,本发明实施例提供的门店订货量的确定方法,通过将目标门店与对标门店对标,并基于目标门店、对标门店的商圈特征,得到与目标门店最相似的对标门店,就可以确定与目标门店销售特征最相似的对标门店,从而使得目标门店订货量更加合理。在实际应用中,本发明提供的门店订货量的确定方法也有较快的计算速度。
在本发明实施例的另一方面,还提供了一种门店订货量的确定装置,如图7所示,该装置可以包括:
商圈特征获取模块710,可以获取待确定订货量的目标门店的商圈特征和各对标门店的商圈特征;
相似度计算模块720,可以用于基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度;
参考门店确定模块730,可以用于将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店;
订货量确定模块740,可以用于基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量。
本发明实施例提供的门店订货量的确定装置,首先提取待确定订货量的目标门店与各对标门店的商圈特征,之后基于目标门店与各对标门店的商圈特征,计算目标门店与各对标门店之间的相似度,并选择相似度符合预设规则的预设数量个对标门店作为参考门店,之后基于各参考门店的经营数据,来确定目标门店的订货种类及数量。应用本发明实施例,通过基于目标门店的相似对标门店的经营数据,确定目标门店订货量,使得在对门店订货量进行确定时,可以参考具有较强参考性的历史数据,无需仅依靠人工经验进行订货,使得门店订货更加合理,提高门店订货准确性。
在本发明的一种实施例中,所述相似度为目标门店商圈特征与各对标门店商圈特征之间的距离;
所述相似度计算模块720,可以用于基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离;
所述参考门店确定模块730,可以用于将与所述目标门店商圈特征之间距离最小的预设数量个对标门店,作为参考门店。
在本发明的一种实施例中,所述度量矩阵,可以采用以下步骤预先获取:
获取各对标门店的商圈特征以及销售特征;
分别基于所述各对标门店的商圈特征及销售特征,计算各对标门店之间的第一相似度及第二相似度;
基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵。
在本发明的一种实施例中,所述第一相似度可以为所述各对标门店的商圈特征之间的马氏距离;所述第二相似度可以为所述各对标门店的销售特征之间的加权欧式距离。
在本发明的一种实施例中,所述目标门店以及各对标门店的商圈特征包括:所述目标门店以及各对标门店的需求特征以及竞业分布特征;
其中,所述目标门店以及各对标门店的需求特征至少包括:所述目标门店以及各对标门店第一预设时间段内店前客流;
所述目标门店以及各对标门店的竞业分布特征至少包括:所述目标门店以及各对标门店的预设范围内同类竞争门店个数。
在本发明的一种实施例中,所述参考门店的经营数据包括:订货数据和/或销售数据;
所述订货量确定模块740,可以用于:
基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数;
针对各商品类别,基于所述各参考门店第二预设时间段内该类别中各商品的销售毛利额或所述各参考门店该类别中各商品的订货数量,对该类别中的各商品进行排序;
针对各商品类别,获取排名靠前的,符合该类商品的订货种类数个商品,作为所述目标门店中该类别的订货商品种类;
针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量。
在本发明的一种实施例中,所述基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数,可以包括:
将所述各参考门店的各商品类别的订货或销售种类数的中位数或平均数,作为所述目标门店中对应类别商品的订货种类数;
所述针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量,可以包括:
针对所述目标门店的各订货商品种类,将所述各参考门店中该种商品的订货或销售数量的中位数或平均数,作为所述目标门店中该种商品的订货数量。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
获取待确定订货量的目标门店的商圈特征和各对标门店的商圈特征;
基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度;
将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店;
基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一门店订货量的确定方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一门店订货量的确定方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、存储介质以及程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种门店订货量的确定方法,其特征在于,包括:
获取待确定订货量的目标门店的商圈特征和各对标门店的商圈特征;所述目标门店以及各对标门店的商圈特征包括:所述目标门店以及各对标门店的需求特征以及竞业分布特征;其中,所述目标门店以及各对标门店的需求特征至少包括:所述目标门店以及各对标门店第一预设时间段内店前客流;所述目标门店以及各对标门店的竞业分布特征至少包括:所述目标门店以及各对标门店的预设范围内同类竞争门店个数;
基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度;
将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店;
基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量;所述参考门店的经营数据包括:订货数据和/或销售数据;
所述相似度为目标门店商圈特征与各对标门店商圈特征之间的距离;
所述基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度的步骤,包括:
基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离;
所述将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店的步骤,包括:
将与所述目标门店商圈特征之间距离最小的预设数量个对标门店,作为参考门店;
所述度量矩阵,采用以下步骤预先获取:
获取各对标门店的商圈特征以及销售特征;
分别基于所述各对标门店的商圈特征及销售特征,计算各对标门店之间的第一相似度及第二相似度;其中,所述第一相似度为所述各对标门店的商圈特征之间的马氏距离;所述第二相似度为所述各对标门店的销售特征之间的加权欧式距离;
基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵,所述度量矩阵用于表征所述各对标门店的商圈特征与销售特征的相关性;
所述基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离,采用以下公式实现:
其中:Dij为目标门店与对标门店之间的马氏距离,xi,xj分别代表目标门店和任一对标门店的商圈特征,M则是预先获取的度量矩阵;
其中,所述基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵,采用以下公式实现:
该公式中,M是待求度量矩阵,fobj(M)是目标函数,a,b是对标门店的编号,Dab(M)是所述第一相似度;Lab则为所述第二相似度。
2.根据权利要求1所述的方法,其特征在于,
所述基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量的步骤,包括:
基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数;
针对各商品类别,基于所述各参考门店第二预设时间段内该类别中各商品的销售毛利额或所述各参考门店该类别中各商品的订货数量,对该类别中的各商品进行排序;
针对各商品类别,获取排名靠前的,符合该类商品的订货种类数个商品,作为所述目标门店中该类别的订货商品种类;
针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量。
3.根据权利要求2所述的方法,其特征在于,
所述基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数的步骤,包括:
将所述各参考门店的各商品类别的订货或销售种类数的中位数或平均数,作为所述目标门店中对应类别商品的订货种类数;
所述针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量的步骤,包括:
针对所述目标门店的各订货商品种类,将所述各参考门店中该种商品的订货或销售数量的中位数或平均数,作为所述目标门店中该种商品的订货数量。
4.一种门店订货量的确定装置,其特征在于,包括:
商圈特征获取模块,用于获取待确定订货量的目标门店的商圈特征和各对标门店的商圈特征;所述目标门店以及各对标门店的商圈特征包括:所述目标门店以及各对标门店的需求特征以及竞业分布特征;其中,所述目标门店以及各对标门店的需求特征至少包括:所述目标门店以及各对标门店第一预设时间段内店前客流;所述目标门店以及各对标门店的竞业分布特征至少包括:所述目标门店以及各对标门店的预设范围内同类竞争门店个数;
相似度计算模块,用于基于所述目标门店的商圈特征以及所述各对标门店的商圈特征,计算所述目标门店与各对标门店之间的相似度;
参考门店确定模块,用于将与所述目标门店相似度符合预设规则的预设数量个对标门店作为参考门店;
订货量确定模块,用于基于所述各参考门店的经营数据,确定所述目标门店订货的种类及数量;所述参考门店的经营数据包括:订货数据和/或销售数据;
所述相似度为目标门店商圈特征与各对标门店商圈特征之间的距离;
所述相似度计算模块,用于基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离;
所述参考门店确定模块,用于将与所述目标门店商圈特征之间距离最小的预设数量个对标门店,作为参考门店;
所述度量矩阵,采用以下步骤预先获取:
获取各对标门店的商圈特征以及销售特征;
分别基于所述各对标门店的商圈特征及销售特征,计算各对标门店之间的第一相似度及第二相似度;其中,所述第一相似度为所述各对标门店的商圈特征之间的马氏距离;所述第二相似度为所述各对标门店的销售特征之间的加权欧式距离;
基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵,所述度量矩阵用于表征所述各对标门店的商圈特征与销售特征的相关性;
所述基于预先获取的度量矩阵,计算所述目标门店的商圈特征与各对标门店的商圈特征之间的距离,采用以下公式实现:
其中:Dij为目标门店与对标门店之间的马氏距离,xi,xj分别代表目标门店和任一对标门店的商圈特征,M则是预先获取的度量矩阵;
其中,所述基于所述各对标门店之间的第一相似度及第二相似度,按照预设公式,计算所述度量矩阵,采用以下公式实现:
该公式中,M是待求度量矩阵,fobj(M)是目标函数,a,b是对标门店的编号,Dab(M)是所述第一相似度;Lab则为所述第二相似度。
5.根据权利要求4所述的装置,其特征在于,
所述订货量确定模块,用于:
基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数;
针对各商品类别,基于所述各参考门店第二预设时间段内该类别中各商品的销售毛利额或所述各参考门店该类别中各商品的订货数量,对该类别中的各商品进行排序;
针对各商品类别,获取排名靠前的,符合该类商品的订货种类数个商品,作为所述目标门店中该类别的订货商品种类;
针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量。
6.根据权利要求5所述的装置,其特征在于,
所述基于所述各参考门店的各商品类别的订货或销售种类数,确定所述目标门店中对应类别商品的订货种类数,包括:
将所述各参考门店的各商品类别的订货或销售种类数的中位数或平均数,作为所述目标门店中对应类别商品的订货种类数;
所述针对所述目标门店的各订货商品种类,基于所述各参考门店中该种商品的订货或销售数量,确定所述目标门店中该种商品的订货数量,包括:
针对所述目标门店的各订货商品种类,将所述各参考门店中该种商品的订货或销售数量的中位数或平均数,作为所述目标门店中该种商品的订货数量。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159271.6A CN114219547B (zh) | 2022-02-22 | 2022-02-22 | 一种门店订货量的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159271.6A CN114219547B (zh) | 2022-02-22 | 2022-02-22 | 一种门店订货量的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219547A CN114219547A (zh) | 2022-03-22 |
CN114219547B true CN114219547B (zh) | 2022-07-05 |
Family
ID=80709096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210159271.6A Active CN114219547B (zh) | 2022-02-22 | 2022-02-22 | 一种门店订货量的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219547B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739655B (zh) * | 2023-07-14 | 2024-04-02 | 上海朗晖慧科技术有限公司 | 一种基于大数据的智能供应链管理方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2960848A1 (en) * | 2014-06-27 | 2015-12-30 | Toshiba TEC Kabushiki Kaisha | Demand prediction apparatus and demand prediction method by the same |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278768A1 (en) * | 2013-03-12 | 2014-09-18 | Michael J. Zenor | Methods, systems and apparatus to select store sites |
CN107330735A (zh) * | 2017-07-04 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 用于确定关联门店的方法和装置 |
CN110348921B (zh) * | 2018-04-02 | 2023-06-02 | 北京京东尚科信息技术有限公司 | 门店物品选取的方法和装置 |
CN112837097A (zh) * | 2021-02-02 | 2021-05-25 | 长沙市到家悠享网络科技有限公司 | 门店营收数据确定方法、***及电子设备 |
CN113298485A (zh) * | 2021-03-19 | 2021-08-24 | 阿里巴巴新加坡控股有限公司 | 门店数据的生成方法、装置及电子设备 |
CN114004680A (zh) * | 2021-12-30 | 2022-02-01 | 杭州铭信信息科技有限公司 | 订货量信息处理方法、装置及存储介质 |
-
2022
- 2022-02-22 CN CN202210159271.6A patent/CN114219547B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2960848A1 (en) * | 2014-06-27 | 2015-12-30 | Toshiba TEC Kabushiki Kaisha | Demand prediction apparatus and demand prediction method by the same |
Non-Patent Citations (3)
Title |
---|
Design and Analysis of Appropriate Drug Order Quantity Using Estimation Static Economical Order Quantity with RFID Technology;Kamol Boonlorm;《2018 Global Wireless Summit (GWS)》;20181128;全文 * |
基于案例的推理技术在连锁便利店订货***中的应用研究;戴伟辉等;《物流技术》;20040415(第04期);全文 * |
自动订货***的开发;车晓轮等;《信息化建设》;20151215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114219547A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711955B (zh) | 基于当前订单的差评预警方法、***、黑名单库建立方法 | |
JP5337174B2 (ja) | 需要予測装置、及びそのプログラム | |
KR101975448B1 (ko) | 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법 | |
CN110766428A (zh) | 一种数据价值评估***以及方法 | |
JP2018139036A (ja) | 分析装置 | |
CN110189164B (zh) | 基于信息熵度量和特征随机采样的商品—门店推荐方案 | |
CN114219547B (zh) | 一种门店订货量的确定方法、装置、设备及存储介质 | |
CN105719145B (zh) | 获取商品到货时间的方法和装置 | |
CN116739652A (zh) | 一种服装电商销量预测建模方法 | |
CN114493361A (zh) | 一种商品推荐算法的有效性评估方法和装置 | |
KR20200023669A (ko) | 빅데이터 기반 부동산 투자 추천 시스템 | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
CN116611796B (zh) | 一种店铺交易数据的异常检测方法及装置 | |
KR20200023667A (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
Sharma et al. | Best seller rank (bsr) to sales: An empirical look at amazon. com | |
CN112085537A (zh) | 一种基于大数据分析商品的方法及*** | |
EP3436967A1 (en) | System, method and computer program product for data analysis | |
CN108960501B (zh) | 一种商品防窜货方法 | |
CN111275294A (zh) | 一种商品信息批量处理分析方法、装置和设备 | |
CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、***及存储介质 | |
CN115271884A (zh) | 一种基于多源数据的商品选品方法、装置及电子设备 | |
KR20230122524A (ko) | 이커머스 솔루션의 구매, 판매, 재고, 물류, 유통, 정산 과정에서 발생하는 엔드 투 엔드 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
CN114266594A (zh) | 一种基于东南亚跨境电商平台的大数据分析方法 | |
CN111143575B (zh) | 一种店铺商品结构的优化方法及*** | |
CN111400622A (zh) | 一种分布式电商***中紧缺商品数量展现方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |