本發(fā)明涉及數(shù)據挖掘技術領域，特別涉及一種數(shù)據預測方法及裝置。

背景技術：

通常來講，商家的備貨方式是將商品從廠家或供應商統(tǒng)一采購至全國各rdc(regionaldistributioncenter，區(qū)域分發(fā)中心)，每個區(qū)域分發(fā)中心會覆蓋多個fdc(frontdistributioncenter，前端物流中心)，購物用戶下訂單后，就近的fdc有貨時商家將從就近fdc發(fā)貨，就近的fdc無貨時將通過rdc內配調撥至fdc或直接從rdc發(fā)貨。

對于fdc的備貨數(shù)量而言，傳統(tǒng)方法主要是通過歷史銷量數(shù)據對全國各fdc進行未來一段時間的銷量數(shù)據進行預測。例如，通過商家大數(shù)據平臺獲取全國各fdc的歷史最近兩周銷量，通過加權平均方法，通過近一周周總銷量以及次近一周周總銷量的加權和預測未來一周周總銷量。對于fdc調撥量的計算，傳統(tǒng)方法是利用調撥系統(tǒng)根據全國fdc設置安全庫存天數(shù)、目標庫存天數(shù)以及未來日均fdc預測銷量計算得出每日調撥量，以此實現(xiàn)支持全國fdc每日的自動調撥生產業(yè)務。

然而，傳統(tǒng)方法預測得到的商品銷量往往不夠準確。預測得到的商品銷量不夠準確導致fdc的庫存量不足，進而導致fdc所覆蓋的城市銷售額偏低、配送時效相對較差。

技術實現(xiàn)要素：

本發(fā)明解決的一個技術問題是，如何實現(xiàn)對商品銷量更準確的預測。

根據本發(fā)明實施例的一個方面，提供了一種數(shù)據預測方法，包括：利用商品的歷史銷量數(shù)據，生成商品的銷量特征；利用促銷計劃數(shù)據，生成銷量預測白名單；利用銷量預測白名單中的商品的銷量特征進行boosting預測處理，以對銷量預測白名單中的商品的促銷銷量進行預測。

在一些實施例中，該數(shù)據預測方法還包括：利用商品的歷史調撥數(shù)據，計算商品的本地滿足率；將本地滿足率低于預設值的商品加入銷量預測白名單，以便對銷量預測白名單更新。

在一些實施例中，將本地滿足率低于預設值的商品加入銷量預測白名單包括：若在預設持續(xù)時間內，商品的本地滿足率低于預設值，則將商品加入銷量預測白名單。

在一些實施例中，商品的歷史調撥數(shù)據包括商品的本地銷量以及商品的調撥量；計算商品的本地滿足率包括：將商品的本地銷量與商品的調撥量的差值，與商品的本地銷量作比，得到商品的本地滿足率。

在一些實施例中，該數(shù)據預測方法還包括：利用商品的歷史調撥數(shù)據，計算商品的調撥偏低量；利用商品的調撥偏低量進行boosting預測處理。

在一些實施例中，計算商品的調撥偏低量包括：將商品的歷史調撥數(shù)據中的不同時段的調撥量取平均，得到商品的調撥偏低量。

在一些實施例中，商品的歷史銷量數(shù)據包括商品的促銷價格、商品在歷史促銷期間的日均銷量、商品在非促銷期間的日均銷量、商品在預設日期至今的日均銷量。

在一些實施例中，利用促銷計劃數(shù)據，生成銷量預測白名單包括：從促銷計劃數(shù)據中，篩選促銷計劃中的商品；若促銷計劃正在進行，則將促銷期間日均銷量相比非促銷期間日均銷量的增幅大于第一閾值的商品加入銷量預測白名單；若促銷計劃尚未進行，則將商品在預設日期至今的日均銷量大于第二閾值的商品加入銷量預測白名單。

在一些實施例中，若在促銷期間的預設持續(xù)時間內，商品的日均銷量相比非促銷期間日均銷量的增幅大于第一閾值，則將商品加入銷量預測白名單；若在非促銷期間的預設持續(xù)時間內，商品在預設日期至今的日均銷量大于第二閾值，則將商品加入銷量預測白名單。

在一些實施例中，boosting預測處理采用的機器學習模型為xgboost模型或者gbdt模型。

在一些實施例中，該數(shù)據預測方法還包括：利用銷量預測白名單中的部分商品的銷量特征以及部分商品的實際促銷銷量，以對boosting預測處理采用的機器學習模型進行訓練。

根據本發(fā)明實施例的另一個方面，提供了一種數(shù)據預測裝置，包括：銷量特征生成單元，被配置為利用商品的歷史銷量數(shù)據，生成商品的銷量特征；銷量預測白名單生成單元，被配置為利用促銷計劃數(shù)據，生成銷量預測白名單；銷量預測單元，被配置為利用銷量預測白名單中的商品的銷量特征進行boosting預測處理，以對銷量預測白名單中的商品的促銷銷量進行預測。

在一些實施例中，該數(shù)據預測裝置還包括：本地滿足率計算單元，被配置為利用商品的歷史調撥數(shù)據，計算商品的本地滿足率；銷量預測白名單更新單元，被配置為將本地滿足率低于預設值的商品加入銷量預測白名單，以便對銷量預測白名單更新。

在一些實施例中，本地滿足率計算單元被配置為：若在預設持續(xù)時間內，商品的本地滿足率低于預設值，則將商品加入銷量預測白名單。

在一些實施例中，商品的歷史調撥數(shù)據包括商品的本地銷量以及商品的調撥量；本地滿足率計算單元被配置為：將商品的本地銷量與商品的調撥量的差值，與商品的本地銷量作比，得到商品的本地滿足率。

在一些實施例中，該數(shù)據預測裝置還包括：調撥偏低量計算單元，被配置為利用商品的歷史調撥數(shù)據，計算商品的調撥偏低量；銷量預測單元還被配置為利用商品的調撥偏低量進行boosting預測處理。

在一些實施例中，調撥偏低量計算單元被配置為將商品的歷史調撥數(shù)據中的不同時段的調撥量取平均，得到商品的調撥偏低量。

在一些實施例中，商品的歷史銷量數(shù)據包括商品的促銷價格、商品在歷史促銷期間的日均銷量、商品在非促銷期間的日均銷量、商品在預設日期至今的日均銷量。

在一些實施例中，銷量預測白名單生成單元被配置為：從促銷計劃數(shù)據中，篩選促銷計劃中的商品；若促銷計劃正在進行，則將促銷期間日均銷量相比非促銷期間日均銷量的增幅大于第一閾值的商品加入銷量預測白名單；若促銷計劃尚未進行，則將商品在預設日期至今的日均銷量大于第二閾值的商品加入銷量預測白名單。

在一些實施例中，銷量預測白名單生成單元被配置為：若在促銷期間的預設持續(xù)時間內，商品的日均銷量相比非促銷期間日均銷量的增幅大于第一閾值，則將商品加入銷量預測白名單；若在非促銷期間的預設持續(xù)時間內，商品在預設日期至今的日均銷量大于第二閾值，則將商品加入銷量預測白名單。

在一些實施例中，銷量預測單元進行boosting預測處理采用的機器學習模型為xgboost模型或者gbdt模型。

在一些實施例中，數(shù)據預測裝置還包括：模型訓練單元，被配置為利用銷量預測白名單中的部分商品的銷量特征以及部分商品的實際促銷銷量，以對boosting預測處理采用的機器學習模型進行訓練。

根據本發(fā)明實施例的又一個方面，提供了一種數(shù)據處理裝置，包括：存儲器；以及耦接至存儲器的處理器，處理器被配置為基于存儲在存儲器中的指令，執(zhí)行前述的數(shù)據預測方法。

根據本發(fā)明實施例的再一個方面，提供了一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機指令，指令被處理器執(zhí)行時實現(xiàn)前述的數(shù)據預測方法。

本發(fā)明提供的數(shù)據預測方法，能夠利用商品的歷史銷量數(shù)據生成商品的銷量特征，并利用促銷計劃數(shù)據生成銷量預測白名單，然后將銷量預測白名單中的商品的銷量特征輸入boosting增強模型，以對銷量預測白名單中的商品的促銷銷量進行預測。從而實現(xiàn)了對商品銷量更準確的預測。

通過以下參照附圖對本發(fā)明的示例性實施例的詳細描述，本發(fā)明的其它特征及其優(yōu)點將會變得清楚。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1示出本發(fā)明數(shù)據預測方法的一個實施例的流程示意圖。

圖2示出本發(fā)明數(shù)據預測方法的另一個實施例的流程示意圖。

圖3示出本發(fā)明數(shù)據預測裝置的一個實施例的結構示意圖。

圖4示出本發(fā)明數(shù)據預測裝置的另一個實施例的結構示意圖。

圖5示出本發(fā)明數(shù)據預測裝置的另一個實施例的結構示意圖。

圖6示出本發(fā)明數(shù)據預測裝置的又一個實施例的結構示意圖。

圖7示出本發(fā)明數(shù)據預測裝置的又一個實施例的結構示意圖。

圖8示出本發(fā)明數(shù)據預測裝置的再一個實施例的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。以下對至少一個示例性實施例的描述實際上僅僅是說明性的，決不作為對本發(fā)明及其應用或使用的任何限制?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。

發(fā)明人研究發(fā)現(xiàn)，導致銷量預測不夠準確現(xiàn)象的一個重要原因是，傳統(tǒng)的預測方法是參考fdc歷史一段時間的銷量數(shù)據，然后簡單的加權預測方法預測計算得出未來一周日均銷量。商家實際的業(yè)務中經常涉及在未來有計劃地發(fā)起品牌促銷、品類促銷等活動，但傳統(tǒng)的銷量預測方法以及fdc調撥計算并沒有相應的策略，對于未來的因素考慮較少，并沒有針對性根據促銷、節(jié)假日等情況進行動態(tài)、及時的調整，最終導致fdc本地滿足率變差、相關區(qū)域銷售額受影響等現(xiàn)象出現(xiàn)。

下面結合圖1描述本發(fā)明提供的數(shù)據預測方法的一個實施例。

圖1示出本發(fā)明數(shù)據預測方法的一個實施例的流程示意圖。如圖1所示，該實施例的數(shù)據預測方法包括：

步驟s102，利用商品的歷史銷量數(shù)據，生成商品的銷量特征。

例如，商品的歷史銷量數(shù)據包括商品的促銷價格、商品在歷史促銷期間的日均銷量、商品在非促銷期間的日均銷量、商品在預設日期至今的日均銷量以及商品在周末的日均銷量。將歷史銷量數(shù)據進行級聯(lián)，可以得到商品的銷量特征。

可選的，如果歷史銷量數(shù)據中含有異常值，可以對歷史銷量做極值平滑，即將歷史銷量最大的2％數(shù)量的數(shù)據用當周的日平均銷量替換。

步驟s103，利用促銷計劃數(shù)據，生成銷量預測白名單。

例如，可以從促銷計劃數(shù)據中，篩選促銷計劃中的商品。若促銷計劃正在進行，則將促銷期間日均銷量相比非促銷期間日均銷量的增幅大于2.5倍的商品加入銷量預測白名單。若促銷計劃尚未進行，則將商品在預設日期至今的日均銷量大于10件的商品加入銷量預測白名單。

可選的，若在促銷期間的連續(xù)2日內，商品的日均銷量相比非促銷期間日均銷量的增幅大于2.5倍，則將商品加入銷量預測白名單。若在非促銷期間的連續(xù)2日內，商品在預設日期至今的日均銷量大于10件，則將商品加入銷量預測白名單。

此外，還可以針對參與滿減的單品、直降單品和降價閃購單品等商品，通過滿減力度、直降情況折算出單品的打折力度，然后通過量價關系經驗模型進行銷量增幅情況的預測。

步驟s106，利用銷量預測白名單中的商品的銷量特征進行boosting預測處理，以對銷量預測白名單中的商品的促銷銷量進行預測。

本領域技術人員應理解，boosting預測處理使用的boosting增強模型是一類機器學習模型的統(tǒng)稱。具體來說，應用至本實施例中的boosting增強模型可以為使用xgboost(extremegradientboost極限梯度增強)算法的xgboost模型，或者使用gbdt(gradientboostingdecisiontree，漸變增強決策樹)算法的gbdt模型。將銷量預測白名單中的商品的銷量特征輸入boosting增強模型后，boosting增強模型可以輸出商品的預測促銷銷量。

上述實施例中，通過引入商家的未來促銷計劃數(shù)據，動態(tài)生成銷量預測白名單，可以針對未來促銷計劃，利用boosting增強模型進行商品銷量的預測。由于銷量預測白名單涵蓋了商家的促銷信息，基于銷量預測白名單，boosting增強模型能夠根據輸入的銷量特征進行更為準確促銷銷量的預測，進而提升fdc所覆蓋的城市銷售額，優(yōu)化配送時效，實現(xiàn)促銷期間的fdc本地滿足率業(yè)務指標提升。

發(fā)明人還發(fā)現(xiàn)，基于現(xiàn)有技術中的銷量估計方法，根據預測出的銷量數(shù)據進行fdc調撥，fdc本地滿足率指標較差。其原因是在銷量預測過程當中沒有特殊考慮fdc本地滿足率相對較差的商品?；谏鲜隹紤]，發(fā)明人通過下面實施例中的數(shù)據預測方法，重新設計了fdc調撥計算方法。

下面結合圖2描述本發(fā)明提供的數(shù)據預測方法的另一個實施例。

圖2示出本發(fā)明數(shù)據預測方法的另一個實施例的流程示意圖。在圖1所示實施例的基礎上，該實施例的數(shù)據預測方法還包括：

步驟s204，利用商品的歷史調撥數(shù)據，計算商品的本地滿足率以及商品的調撥偏低量。

在選取商品的歷史調撥數(shù)據時，應注意避免特殊的促銷時間段。商品的歷史調撥數(shù)據可以例如表1所示，其中主要包括商品的本地銷量以及商品的調撥量。

表1

其中，一種計算商品的本地滿足率的方法是：將商品的本地銷量s與商品的調撥量t的差值，與商品的本地銷量s作比，得到商品的本地滿足率r。如公式(1)所示：

r＝(s-t)/s(1)

其中，一種計算商品的調撥偏低量的方法是：將商品的調撥量t取平均，計算得到商品的調撥偏低量。例如，根據表1計算得到的商品的調撥偏低量為85。

步驟s205，將本地滿足率低于預設值的商品加入銷量預測白名單。

可選的，若在預設持續(xù)時間內，商品的本地滿足率低于預設值，則將商品加入銷量預測白名單。

例如，可以將連續(xù)兩日本地滿足率最差的商品加入銷量預測白名單。

步驟s207，將商品的調撥偏低量輸入boosting增強模型，以對銷量預測白名單中的商品的促銷銷量進行預測。

本領域技術人員應理解，在使用boosting增強模型進行促銷銷量預測之前，需要對boosting增強模型進行訓練。例如，可以利用銷量預測白名單中的一部分(例如70％)商品的銷量特征的數(shù)據以及部分商品的實際促銷銷量，以對boosting增強模型進行訓練。

當然，如果采用商品的實際促銷銷量對boosting增強模型進行訓練，利用訓練后的boosting增強模型可以輸出預測的商品促銷銷量。如果采用商品的增量對boosting增強模型進行訓練，利用訓練后的boosting增強模型可以輸出預測的商品促銷增量。

假設訓練后的boosting增強模型輸出預測的商品促銷增量為x，商品的調撥偏低量為y，此商品當前業(yè)務規(guī)則的默認調撥量為q0，此商品所屬三級分類默認的安全調撥量為s(通常取值0-10之間)，那么商品未來幾天的總調撥量q可以如公式(2)所示：

q＝q0+s+x+y(2)

其中，q0的計算方式如公式(3)所示:

q0＝w1*0.6+w2*0.4(3)

其中，w1代表離當前最近的7日的fdc日均銷量,w2代表離當前最近的次近周fdc日均銷量。

上述實施例實現(xiàn)了促銷活動期間全國fdc相應地增量調撥技術設計。結合未來促銷計劃、本地滿足率指標而生成的促銷預測白名單，結合預測基線以及調撥量偏低差異而設計的動態(tài)調撥補貨模型，可以更加科學的進行調撥補貨。在探測到商家的促銷計劃時有針對性的提高相應時間的調撥量，在到探測實際業(yè)務中調撥指標的變化時定位到最有可能影響調撥指標的具體商品，從而調整相關商品的調撥量，改善fdc的本地滿足率。

下面結合圖3描述本發(fā)明一個實施例的數(shù)據預測裝置。

圖3示出本發(fā)明數(shù)據預測裝置的一個實施例的結構示意圖。如圖3所示，該實施例的數(shù)據預測裝置30包括：

銷量特征生成單元302，被配置為利用商品的歷史銷量數(shù)據，生成商品的銷量特征；

銷量預測白名單生成單元303，被配置為利用促銷計劃數(shù)據，生成銷量預測白名單；

銷量預測單元307，被配置為利用銷量預測白名單中的商品的銷量特征進行boosting預測處理，以對銷量預測白名單中的商品的促銷銷量進行預測。

下面結合圖4描述本發(fā)明另一個實施例的數(shù)據預測裝置。

圖4示出本發(fā)明數(shù)據預測裝置的另一個實施例的結構示意圖。如圖4所示，在圖3所示實施例的基礎上，該實施例的數(shù)據預測裝置40還包括：

本地滿足率計算單元404，被配置為利用商品的歷史調撥數(shù)據，計算商品的本地滿足率；

銷量預測白名單更新單元405，被配置為將本地滿足率低于預設值的商品加入銷量預測白名單，以便對銷量預測白名單更新。

在一個實施例中，本地滿足率計算單元404被配置為：

若在預設持續(xù)時間內，商品的本地滿足率低于預設值，則將商品加入銷量預測白名單。

在一個實施例中，商品的歷史調撥數(shù)據包括商品的本地銷量以及商品的調撥量；

本地滿足率計算單元404被配置為：將商品的本地銷量與商品的調撥量的差值，與商品的本地銷量作比，得到商品的本地滿足率。

下面結合圖5描述本發(fā)明另一個實施例的數(shù)據預測裝置。

圖5示出本發(fā)明數(shù)據預測裝置的另一個實施例的結構示意圖。如圖5所示，在圖4所示實施例的基礎上，該實施例的數(shù)據預測裝置50還包括：

調撥偏低量計算單元506，被配置為利用商品的歷史調撥數(shù)據，計算商品的調撥偏低量；

銷量預測單元307還被配置為利用商品的調撥偏低量進行boosting預測處理。

在一個實施例中，調撥偏低量計算單元506被配置為將商品的歷史調撥數(shù)據中的不同時段的調撥量取平均，得到商品的調撥偏低量。

在一個實施例中，商品的歷史銷量數(shù)據包括商品的促銷價格、商品在歷史促銷期間的日均銷量、商品在非促銷期間的日均銷量、商品在預設日期至今的日均銷量。

在一個實施例中，銷量預測白名單生成單元303被配置為：

從促銷計劃數(shù)據中，篩選促銷計劃中的商品；

若促銷計劃正在進行，則將促銷期間日均銷量相比非促銷期間日均銷量的增幅大于第一閾值的商品加入銷量預測白名單；

若促銷計劃尚未進行，則將商品在預設日期至今的日均銷量大于第二閾值的商品加入銷量預測白名單。

在一個實施例中，銷量預測白名單生成單元303被配置為：

若在促銷期間的預設持續(xù)時間內，商品的日均銷量相比非促銷期間日均銷量的增幅大于第一閾值，則將商品加入銷量預測白名單；

若在非促銷期間的預設持續(xù)時間內，商品在預設日期至今的日均銷量大于第二閾值，則將商品加入銷量預測白名單。

在一個實施例中，銷量預測單元406進行boosting預測處理采用的機器學習模型為xgboost模型或者gbdt模型。

下面結合圖6描述本發(fā)明另一個實施例的數(shù)據預測裝置。

圖6示出本發(fā)明數(shù)據預測裝置的另一個實施例的結構示意圖。如圖6所示，在圖5所示實施例的基礎上，該實施例的數(shù)據預測裝置60還包括：

模型訓練單元601，被配置為利用銷量預測白名單中的部分商品的銷量特征以及部分商品的實際促銷銷量，以對boosting預測處理采用的機器學習模型進行訓練。

圖7示出了本發(fā)明數(shù)據預測裝置的另一個實施例的結構圖。如圖7所示，該實施例的數(shù)據預測裝置70包括：存儲器710以及耦接至該存儲器710的處理器720，處理器720被配置為基于存儲在存儲器710中的指令，執(zhí)行前述任意一個實施例中的數(shù)據預測方法。

其中，存儲器710例如可以包括系統(tǒng)存儲器、固定非易失性存儲介質等。系統(tǒng)存儲器例如存儲有操作系統(tǒng)、應用程序、引導裝載程序(bootloader)以及其他程序等。

圖8示出了本發(fā)明數(shù)據預測裝置的又一個實施例的結構圖。如圖8所示，該實施例的裝置80包括：存儲器810以及處理器820，還可以包括輸入輸出接口830、網絡接口840、存儲接口850等。這些接口830，840，850以及存儲器810和處理器820之間例如可以通過總線850連接。其中，輸入輸出接口830為顯示器、鼠標、鍵盤、觸摸屏等輸入輸出設備提供連接接口。網絡接口840為各種聯(lián)網設備提供連接接口。存儲接口850為sd卡、u盤等外置存儲設備提供連接接口。

本發(fā)明還包括一種計算機可讀存儲介質，其上存儲有計算機指令，該指令被處理器執(zhí)行時實現(xiàn)前述任意一個實施例中的數(shù)據預測方法。

本領域內的技術人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用非瞬時性存儲介質(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產品的形式。

本發(fā)明是參照根據本發(fā)明實施例的方法、設備(系統(tǒng))、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數(shù)據處理設備的處理器執(zhí)行的指令產生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數(shù)據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據處理設備上，使得在計算機或其他可編程設備上執(zhí)行一系列操作步驟以產生計算機實現(xiàn)的處理，從而在計算機或其他可編程設備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。