一种预测库存分配比例的方法、装置及电子设备制造方法及图纸

本申请公开了一种预测库存分配比例的方法、装置及电子设备。其中所述预测库存分配比例的方法包括：获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用特征数据；根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。采用本申请提供的方法，能够基于商品的历史销售行为以及将来可能产生的购买需求等因素综合评估待分配商品在待分配仓库的分配比例，因此，提高了库存分配比例的预测准确度，避免过多依赖人力进行库存分配，从而达到降低商品缺货率和配送时效，提高库存周转水平和消费者体验的效果。

【技术实现步骤摘要】

本申请涉及数据挖掘
，具体涉及一种预测库存分配比例的方法和装置。本申请同时涉及一种电子设备。
技术介绍
随着互联网技术的不断发展，出现了一种通过公共计算机通信网络进行商务活动的现代商务方式，即：电子商务。电子商务突破了传统商务在时间、地域上的限制，具有安全、可靠、快速、明确和方便的特点，已经逐渐成为社会生活的主要方式。通过国际互连网络(INTERNET)可随时随地开展电子商务活动。B2C(Business to Consumer，企业对消费者)模式是一种典型的电子商务模式。B2C电子商务网站非常的多。通过B2C模式进行交易，主要涉及三个线上角色：平台经营者、站内经营者、消费者。其中，平台经营者负责电子商务平台(以下简称交易平台)的运营；站内经营者又称企业或商家，负责提供商品；消费者通过交易平台订购商家提供的商品。除了线上角色，B2C模式还涉及线下角色，例如：物流配送。B2C模式实质为线上订购、线下配送。与传统商务相同，电子商务的各个商家所经营的商品也是存放在全国各地的库房中。传统商务中的商家通常是依据其近期在各个仓库的销售数据，为各个库房配备合适数量的商品。目前，电子商务的各个商家像传统商务一样，也是根据其近期在各个仓库的销售数据，为各个库房配备合适数量的商品。然而，这种仅根据各个仓库的近期销售数据，进行库存分配的方法存在如下缺点：由于其所依据的历史销售数据过于简单，导致库存分配的准确度低，从而带来商家供应链效率低下且消费者体验差的问题。因此，现有技术存在根据商品在各个库房的近期销售数据进行库存分配的分配数量准确度低的问题。
技术实现思路
本申请提供一种预测库存分配比例的方法和装置，以解决现有技术存在根据商品在各个库房的近期销售数据进行库存分配的分配数量准确度低的问题。
本申请另外提供一种电子设备。本申请提供一种预测库存分配比例的方法，包括：获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用特征数据；根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。可选的，所述预测模型采用如下步骤生成：获取各个商品在各个仓库的与销量相关的历史特征数据和与所述历史特征数据相对应的库存分配比例--即实际销售比例，作为训练集；通过机器学习算法，从所述训练集中学习获得所述预测模型。可选的，所述机器学习算法包括回归算法。可选的，所述回归算法包括线性回归算法、回归决策树算法、迭代决策树算法或随机森林算法。可选的，所述通过机器学习算法，从所述训练集中学习获得所述预测模型，包括：为所述训练集中的每条训练数据分别设置库存分配比例的训练用初始预测值；根据所述训练用初始预测值和所述训练集，采用迭代决策树算法，生成所述预测模型。可选的，所述训练用初始预测值采用当前次数之前的预设次数的实际销售比例的平均值。可选的，所述根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值，包括：为所述待分配商品在所述待分配仓库设置库存分配比例的预测用初始预测值；根据所述预测用特征数据、预测用初始预测值和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。可选的，所述预测用初始预测值采用当前次数之前的预设次数的实际销售比例的平均值。可选的，所述通过机器学习算法，从所述训练集中学习获得所述预测模型，采用如下方式：根据预设的各种机器学习算法，从所述训练集中学习获得与所述预设的各种机器学习算法分别对应的预测模型。可选的，所述根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值，包括：对所述预测用特征数据，分别采用学习获得的各个预测模型进行所述库存分配比例的预测，获得各个预测模型预测出的所述库存分配比例的预测值；根据为各个预测模型预测出的预测值分别预设的权重，对所述各个预测模型预测出的所述库存分配比例的预测值进行加权平均计算，作为所述待分配商品在所述待分配仓库的库存分配比例的预测值。可选的，所述获取待分配商品在待分配仓库的与销量相关的特征数据，包括：获取预设时间范围内所述待分配商品在所述待分配仓库与销量相关的原始数据；根据所述与销量相关的原始数据和所述特征数据的计算公式，计算获取所述与销量相关的特征数据。可选的，所述与销量相关的特征数据包括如下数据的至少一者：预设仓库中的预设商品在预设时间范围内的销售点击比例；所述销售点击比例，是指预设仓库中的预设商品的销售点击次数在预设商品的总销售点击次数中的比例；预设仓库中的预设商品在预设时间范围内的销售点击买家比例；所述销售点击买家比例，是指预设仓库中的预设商品的销售点击买家个数在预设商品的总销售点击买家个数中的比例；预设仓库中的预设商品所属的预设商家在预设时间范围内的拍下点击比例；所述拍下点击比例，是指预设仓库中的预设商品所属的预设商家的拍下点击次数，在预设商品所属的预设商家的总拍下点击次数中的比例；预设仓库中的预设商品所属的预设商家在预设时间范围内的拍下点击买家比例；所述拍下点击买家比例，是指预设仓库中的预设商品所属的预设商家的拍下点击买家个数，在预设商品所属的预设商家的总拍下点击买家个数中的比
例；预设仓库中的预设商品所属预设商家的预设商品所属的商品类别的销售比例，作为第二销售比例；所述第二销售比例，是指预设仓库中的预设商品所属预设商家的预设商品所属的商品类别的销售数量，在预设商品所属预设商家的预设商品所属的商品类别的总销售数量中的比例；预设仓库中的预设商品所属的商品类别的销售比例，作为第三销售比例；所述第三销售比例，是指预设仓库中的预设商品所属的商品类别的销售数量，在预设商品所属的商品类别的总销售数量中的比例；预设商品在预设时间范围内的总销售数量；预设仓库中的预设商品在预设时间范围内的购物车点击比例；所述购物车点击比例，是指预设仓库中的预设商品的购物车点击次数在预设商品的总购物车点击次数中的比例；预设仓库中的预设商品在预设时间范围内的购物车点击买家比例；所述购物车点击买家比例，是指预设仓库中的预设商品的购物车点击买家个数在预设商品的总购物车点击买家个数中的比例；预设仓库中的预设商品所属的预设商家在预设时间范围内的收藏夹点击比例；所述收藏夹点击比例，是指预设商品所属的预设商家的收藏夹点击次数，在预设商品所属的预设商家的总收藏夹点击次数中的比例；预设仓库中的预设商品所属的预设商家在预设时间范围内的收藏夹点击买家比例；所述收藏夹点击买家比例，是指预设商品所属的预设商家的收藏夹点击买家个数，在预设商品所属的预设商家的总收藏夹点击买家个数中的比例；预设仓库中的预设商品的预定比例；所述预定比例，是指预设仓库中的预设商品的预定数量在预设商品的总预定数量中的比例。可选的，所述与销量相关的特征数据还包括：预设仓库中的预设商品的销售比例，作为第一销售比例；所述第一销售比例，是指预设仓库中的预设商品的销售数量在预设商品的总销售数量中的比例。相应的，本申请还一种预测库存分配比例的装置，包括：获取单元，用于获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用特征数据；预测单元，用于根据所述预测用特征数据和预先生成的预测模型本文档来自技高网...

【技术保护点】
一种预测库存分配比例的方法，其特征在于，包括：获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用特征数据；根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。

【技术特征摘要】
1.一种预测库存分配比例的方法，其特征在于，包括：获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用特征数据；根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。2.根据权利要求1所述的预测库存分配比例的方法，其特征在于，所述预测模型采用如下步骤生成：获取各个商品在各个仓库的与销量相关的历史特征数据和与所述历史特征数据相对应的库存分配比例--即实际销售比例，作为训练集；通过机器学习算法，从所述训练集中学习获得所述预测模型。3.根据权利要求2所述的预测库存分配比例的方法，其特征在于，所述机器学习算法包括回归算法。4.根据权利要求3所述的预测库存分配比例的方法，其特征在于，所述回归算法包括线性回归算法、回归决策树算法、迭代决策树算法或随机森林算法。5.根据权利要求2所述的预测库存分配比例的方法，其特征在于，所述通过机器学习算法，从所述训练集中学习获得所述预测模型，包括：为所述训练集中的每条训练数据分别设置库存分配比例的训练用初始预测值；根据所述训练用初始预测值和所述训练集，采用迭代决策树算法，生成所述预测模型。6.根据权利要求5所述的预测库存分配比例的方法，其特征在于，所述训练用初始预测值采用当前次数之前的预设次数的实际销售比例的平均值。7.根据权利要求5所述的预测库存分配比例的方法，其特征在于，所述根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值，包括：为所述待分配商品在所述待分配仓库设置库存分配比例的预测用初始预测值；根据所述预测用特征数据、预测用初始预测值和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。8.根据权利要求7所述的预测库存分配比例的方法，其特征在于，所述预测用初始预测值采用当前次数之前的预设次数的实际销售比例的平均值。9.根据权利要求2所述的预测库存分配比例的方法，其特征在于，所述通过机器学习算法，从所述训练集中学习获得所述预测模型，采用如下方式：根据预设的各种机器学习算法，从所述训练集中学习获得与所述预设的各种机器学习算法分别对应的预测模型。10.根据权利要求9所述的预测库存分配比例的方法，其特征在于，所述根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值，包括：对所述预测用特征数据，分别采用学习获得的各个预测模型进行所述库存分配比例的预测，获得各个预测模型预测出的所述库存分配比例的预测值；根据为各个预测模型预测出的预测值分别预设的权重，对所述各个预测模型预测出的所述库存分配比例的预测值进行加权平均计算，作为所述待分配商品在所述待分配仓库的库存分配比例的预测值。11.根据权利要求1所述的预测库存分配比例的方法，其特征在于，所述获取待分配商品在待分配仓库的与销量相关的特征数据，包括：获取预设时间范围内所述待分配商品在所述待分配仓库与销量相关的原始数据；根据所述与销量相关的原始数据和所述特征数据的计算公式，计算获取所述与销量相关的特征数据。12.根据权利要求1-11任意一项所述的预测库存分配比例的方法，其特征在于，所述与销量相关的特征数据包括如下数据的至少一者：预设仓库中的预设商品在预设时间范围内的销售点击比例；所述销售点击比例，是指预设仓库中的预设商品的销售点击次数在预设商品的总销售点击次数中的比例；预设仓库中的预设商品在预设时间范围内的销售点击买家比例；所述销售点击买家比例，是指预设仓库中的预设商品的销售点击买家个数在预设商品的总销售点击买家个数中的比例；预设仓库中的预设商品所属的预设商家在预设时间范围内的拍下点击比例；所述拍下点击比例，是指预设仓库中的预设商品所属的预设商家的拍下点
\t击次数，在预设商品所属的预设商家的总拍下点击次数中的比例；预设仓库中的预设商品所属的预设商家在预设时间范围内的拍下点击买家比例；所述拍下点击买家比例，是指预设仓库中的预设商品所属的预设商家的拍下点击买家个数，在预设商品所属的预设商家的总拍下点击买家个数中的比例；预设仓库中的预设商品所属预设商家的预设商品所属的商品类别的销售比例，作为第二销售比例；所述第二销售比例，是指预设仓库中的预设商品所属预设商家的预设商品所属的商品类别的销售数量，在预设商品所属预设商家的预设商品所属的商品类别的总销售数量中的比例；预设仓库中的预设商品所属的商品类别的销售比例，作为第三销售比例；所述第三销售比例，是指预设仓库中的预设商品所属的商...

【专利技术属性】
技术研发人员：陈鹏，陈晓泉，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY