快消商品多因子销量预测系统技术方案

本发明专利技术公开了快消商品多因子销量预测系统，主要基于快消品牌门店类型构建不同销量预测模型方案，在同一模型方案下，依据门店销售渠道、会员分群及商品类型三个维度拆分结果分别进行独立建模，本发明专利技术采用较高预测准确性及高可解释性的模型架构，通过对快消商品场景下销量基准值与多种影响因子的预测建模，提供品牌方综合完整的未来销量预测值和影响因子变化趋势，为门店库存调整、促销策略及新店规划等真实场景提供不同时长、周期的数据支持，并且各影响因子预测结果可提供使用者如客流变化、竞品影响等多层面销量洞察角度，为快速应对未来市场变化、合理调整品牌策略提供额外的参考依据。参考依据。参考依据。

【技术实现步骤摘要】
快消商品多因子销量预测系统


[0001]本专利技术涉及商品销量预测
，具体为快消商品多因子销量预测系统。

技术介绍

[0002]快消品牌随着线上线下业务场景日益丰富，在进行不同渠道、门店的库存调整、促销策略及新店规划等工作时，需要参考多场景下的门店销量预测结果作为数据支持，而预测销量结果则需要综合考虑商品、交易、会员等主要影响因素，以及周边客流、节假日、竞品等额外影响因子，快消商品多因子销量预测系统是通过对快消类商品销量及销量影响因子进行建模的，可快速复用于不同快消商品场景的高可解释性和拓展性的销量预测模型，该模型方案能为品牌方提供多种颗粒度下的较高准确率的商品销量预测结果，有助于其详细了解销量走势及影响因子的变化情况，为品牌内部策略规划降本增效，现有的传统销量预测工作大多使用商业分析方法，基于历史同阶段的销量情况、行业分析报告及业务专家评估进行粗粒度预测，且现有的快消商品销量预测模型大多数也是参考历史商品销量数据，采用时间序列或神经网络模型预测未来销量结果；
[0003]但是当前现有的传统销量预测方法对于较细颗粒度预测目标难以高效实施，人员成本和时间成本较大，在多影响因子的复杂现实场景下，难以确保对各方面销量影响因素的完备考虑，预测准确性较大程度上依赖于业务专家的专业能力，同时，仅使用历史销量数据建模无法对关键销量影响因子进行充分的描述，且当因子发生较大变化时，模型难以得到合理准确的预测结果，此外，在使用神经网络等深度学习模型在模型解释性上具有较大局限性，难以为品牌方提供详实的预测流程阐述，再者，受限于模型结构，在现实业务场景中难以快速实现功能拓展迭代。

技术实现思路

[0004]本专利技术提供快消商品多因子销量预测系统，可以有效解决上述
技术介绍
中提出传统销量预测方法对于较细颗粒度预测目标难以高效实施，人员成本和时间成本较大，在多影响因子的复杂现实场景下，难以确保对各方面销量影响因素的完备考虑，预测准确性较大程度上依赖于业务专家的专业能力，同时，仅使用历史销量数据建模无法对关键销量影响因子进行充分的描述，且当因子发生较大变化时，模型难以得到合理准确的预测结果，此外，在使用神经网络等深度学习模型在模型解释性上具有较大局限性，难以为品牌方提供详实的预测流程阐述，再者，受限于模型结构，在现实业务场景中难以快速实现功能拓展迭代的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：快消商品多因子销量预测系统，通过以商品、销量、会员组成的关键数据为预测主体，确定多种影响因子来构建快消商品的销量预测模型，为品牌方在库存调整、促销策略、新店规划的业务场景中提供数据参考；
[0006]主要基于快消品牌门店类型构建不同销量预测模型方案，在同一模型方案下，依据门店销售渠道、会员分群及商品类型三个维度拆分结果分别进行独立建模，具体如下实
现步骤：
[0007]S1、根据开业时长划分成门店类别；
[0008]S2、根据门店类别分别采取预测模型方案；
[0009]S3、对商品预测结果的准确性进行评估。
[0010]2.根据权利要求1所述的快消商品多因子销量预测系统，其特征在于：所述S1中，根据开业时长划分成门店类别主要是指根据门店的开业时长来将门店划分成两类：一类是开业时长满足特定时间跨度的门店，将该类型的门店定义为成熟门店，对于成熟门店采用多因子销量预测模型方案，除成熟门店之外的其余门店均作为新门店，对于新门店则采用冷启动预测方案；
[0011]对成熟门店，使用移除额外影响因素后的销量数据构建基准预测模型，对门店周边客流信息、竞品信息、节假日/促销日情况、疫情情况、折扣情况、门店营业模式、商品品类占比和销售渠道占比8类销量影响因子进行影响系数建模，并对基准销量预测值进行调整修正，最终生成该门店的销量预测结果；
[0012]对新门店，选定销量近似成熟门店的历史数据作为参考门店，采用参考门店订单量的历史销量趋势和预测销量季节性分解结果叠加生成门店销量预测结果。
[0013]根据上述技术方案，所述S2中，根据门店类别分别采取预测模型方案具体指快消商品多因子销量预测系统方案从使用场景及模型效果的角度出发，分别对成熟门店和新门店两种情况进行模型构建，具体如下：
[0014]对于成熟门店，通过门店、会员和商品类别进行分群及粒度划分，并结合门店竞对信息、门店客流信息、节假日/促销日影响模式、疫情影响模式、门店营业模式以及渠道占比变化情况来对各个门店、各个客群的分渠道销量进行了预测，预测模型可抽象为公式：
[0015]y(t|sto，chl，mbr，prd)
[0016]＝(b(t|sto，chl，mbr，prd)+f(t|sto)+r(t|sto))
[0017]·
m(t|sto，chl)
·
c(t|sto，mbr)
·
p1(t|sto，mbr)
[0018]·
p2(t|sto，chl，mbr)
·
h(t|sto，chl，mbr，prd)
[0019]·
d(t|sto，chl，mbr，prd)
[0020]在上式中：
[0021]y(t|sto，chl，mbr，prd)：为在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，t时刻销量预测值；
[0022]b(t|sto，chl，mbr，prd)：为在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，t时刻剔除影响因子后的总销量预测基准值。
[0023]根据上述技术方案，所述S2中，根据门店类别分别采取预测模型方案具体指快消商品多因子销量预测系统方案从使用场景及模型效果的角度出发，分别对成熟门店和新门店两种情况进行模型构建，具体如下：
[0024]对于成熟门店，通过门店、会员和商品类别进行分群及粒度划分，并结合门店竞对信息、门店客流信息、节假日/促销日影响模式、疫情影响模式、门店营业模式以及渠道占比变化情况来对各个门店、各个客群的分渠道销量进行了预测，预测模型可抽象为公式：
[0025]y(t|sto，chl，mbr，prd)
[0026]＝(b(t|sto，chl，mbr，prd)+f(t|sto)+r(t|sto))
[0027]·
m(t|sto，chl)
·
c(t|sto，mbr)
·
p1(t|sto，mbr)
[0028]·
p2(t|sto，chl，mbr)
·
h(t|sto，chl，mbr，prd)
[0029]·
d(t|sto，chl，mbr，prd)
[0030]在上式中：
[0031]y(t|sto，chl，mbr，prd)：为在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，t时刻销量预测值；
[0032]b(t|sto，chl，mbr本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.快消商品多因子销量预测系统，其特征在于：通过以商品、销量、会员组成的关键数据为预测主体，确定多种影响因子来构建快消商品的销量预测模型，为品牌方在库存调整、促销策略、新店规划的业务场景中提供数据参考；基于快消品牌门店类型构建不同销量预测模型方案，在同一模型方案下，依据门店销售渠道、会员分群及商品类型三个维度拆分结果分别进行独立建模，具体如下实现步骤：S1、根据开业时长划分成门店类别；s2、根据门店类别分别采取预测模型方案；S3、对商品预测结果的准确性进行评估。2.根据权利要求1所述的快消商品多因子销量预测系统，其特征在于：所述S1中，根据开业时长划分成门店类别主要是指根据门店的开业时长来将门店划分成两类：一类是开业时长满足特定时间跨度的门店，将该类型的门店定义为成熟门店，对于成熟门店采用多因子销量预测模型方案，除成熟门店之外的其余门店均作为新门店，对于新门店则采用冷启动预测方案；对成熟门店，使用移除额外影响因素后的销量数据构建基准预测模型，对门店周边客流信息、竞品信息、节假日/促销日情况、疫情情况、折扣情况、门店营业模式、商品品类占比和销售渠道占比8类销量影响因子进行影响系数建模，并对基准销量预测值进行调整修正，最终生成该门店的销量预测结果；对新门店，选定销量近似成熟门店的历史数据作为参考门店，采用参考门店订单量的历史销量趋势和预测销量季节性分解结果叠加生成门店销量预测结果。3.根据权利要求1所述的快消商品多因子销量预测系统，其特征在于：所述S2中，根据门店类别分别采取预测模型方案具体指快消商品多因子销量预测系统方案从使用场景及模型效果的角度出发，分别对成熟门店和新门店两种情况进行模型构建，具体如下：对于成熟门店，通过门店、会员和商品类别进行分群及粒度划分，并结合门店竞对信息、门店客流信息、节假日/促销日影响模式、疫情影响模式、门店营业模式以及渠道占比变化情况来对各个门店、各个客群的分渠道销量进行了预测，预测模型可抽象为公式：y(t|sto，chl，mbr，prd)＝(b(t|sto，chl，mbr，prd)+f(t|sto)+r(t|sto))
·
m(t|sto，chl)
·
c(t|sto，mbr)
·
p1(t|sto，mbr)
·
p2(t|sto，chl，mbr)
·
h(t|sto，chl，mbr，prd)
·
d(t|sto，chl，mbr，prd)在上式中：y(t|sto，chl，mbr，prd)：为在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，t时刻销量预测值；b(t|sto，chl，mbr，prd)：为在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，t时刻剔除影响因子后的总销量预测基准值。4.根据权利要求3所述的快消商品多因子销量预测系统，其特征在于：所述S2中，根据门店类别分别采取预测模型方案具体指快消商品多因子销量预测系统方案从使用场景及模型效果的角度出发，分别对成熟门店和新门店两种情况进行模型构建，具体如下：对于成熟门店，通过门店、会员和商品类别进行分群及粒度划分，并结合门店竞对信息、门店客流信息、节假日/促销日影响模式、疫情影响模式、门店营业模式以及渠道占比变化情况来对各个门店、各个客群的分渠道销量进行了预测，预测模型可抽象为公式：
y(t|sto，chl，mbr，prd)＝(b(t|sto，chl，mbr，prd)+f(t|sto)+r(t|sto))
·
m(t|sto，chl)
·
c(t|sto，mbr)
·
p1(t|sto，mbr)
·
p2(t|sto，chl，mbr)
·
h(t|sto，chl，mbr，prd)
·
d(t|sto，chl，mbr，prd)在上式中：y(t|sto，chl，mbr，prd)：为在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，t时刻销量预测值；b(t|sto，chl，mbr，prd)：为在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，t时刻剔除影响因子后的总销量预测基准值。5.根据权利要求4所述的快消商品多因子销量预测系统，其特征在于：所述影响因子共有8类，具体包括：1)门店周边客流影响因子模型f(t|sto)：门店sto周边客流在t时刻对预测销量修正值；2)竞对信息影响因子模型r(t|sto)：门店sto周边竞对信息在t时刻对预测销量修正值；3)门店营业模型m(t|sto，chl)：在门店为sto、渠道为chl条件下，营业模式在t时刻对销量掩模值；4)疫情影响模型c(t|sto，mbr)：在门店为sto、客群为mbr条件下，疫情在t时刻对门店总销量的影响系数；5)渠道间占比模型p1(t|sto，mbr)：在门店为sto、客群为mbr条件下，渠道间占比模型输出的t时刻渠道chl占总销量的比重；6)商品类别占比模型p2(t|sto，chl，mbr)：在门店为sto、渠道为chl、客群为mbt条件下，品类占比模型输出的t时刻商品类型prd占总销量的比重；7)节假日/促销日影响模型h(t|sto，chl，mbr，prd)：在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，节假日/促销日在t时刻对销量影响系数；8)折扣因子影响模型d(t|sto，chl，mbr，prd)：在门店为sto、渠道为chl、客群为mbr、快消商品类型为prd条件下，折扣力度在t时刻对销量影响系数。6.根据权利要求5所述的快消商品多因子销量预测系统，其特征在于：所述S2中，对于成熟门店具体包括销量基准预测模型、销量影响因子模型、门店周边客流影响因子模型、竞对信息影响因子模型、门店营业模型、疫情影响模型、渠道间占比模型、商品类别占比模型、节假日/促销日影响模型和折扣因子影响模型；所述销量基准预测模型b(t|sto，chl，mbr，prd)，具体指该模块依据门店、渠道、客群及商品类型的维度拆分组合结果，对特定组合颗粒度下历史销量值，使用Prophet时序预测模型对节假日、疫情的销量显著变化时段进行异常值填补，具体填补方案依据对应客群的销量表现设计不同策略步骤；总销量预测模型使用上述异常填补后历史销量，使用Prophet、SARTMA的时序预测模型输入特定时长历史数据，预测某时间跨度下的未来销量，从而进行销量基准值的预测工作；所述销量影响因子模型具...

【专利技术属性】
技术研发人员：叶生晅，周琛，麦荣智，柴乐扬，
申请(专利权)人：杭州座头鲸科技有限公司，
类型：发明
国别省市：