[go: up one dir, main page]

TW201837814A - 一種無模型推測基礎的產品銷售預測方法及系統 - Google Patents

一種無模型推測基礎的產品銷售預測方法及系統 Download PDF

Info

Publication number
TW201837814A
TW201837814A TW107109719A TW107109719A TW201837814A TW 201837814 A TW201837814 A TW 201837814A TW 107109719 A TW107109719 A TW 107109719A TW 107109719 A TW107109719 A TW 107109719A TW 201837814 A TW201837814 A TW 201837814A
Authority
TW
Taiwan
Prior art keywords
product
model
sales data
free
predicted
Prior art date
Application number
TW107109719A
Other languages
English (en)
Inventor
董澤平
陳律閎
Original Assignee
國立臺灣師範大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 國立臺灣師範大學 filed Critical 國立臺灣師範大學
Publication of TW201837814A publication Critical patent/TW201837814A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本發明公開了無模型推測基礎的產品銷售預測方法及系統，所述方法包括建立資料庫，用於儲存產品歷史銷售資料及多種變異項；提供預處理模組，用於由儲存於該資料庫中之該過往相似的產品歷史銷售資料及其對應之多種變異項以找出銷售資料的主要特徵，及優化該主要特徵及其係數；提供計算模組，用於計算預測資料：置入共變項算出該待預測產品的係數及加總該待預測產品的係數相乘已優化之該主要特徵的總數，以預測該待預測產品銷售資料；和提供輸出模組，用於輸出該待預測產品銷售資料。採用本發明實施例，無需要伺服器建立模型來進行銷售資料的預測，有利於提高伺服器的預測效率。

Description

一種無模型推測基礎的產品銷售預測方法及系統
本發明涉及電腦技術領域，尤其涉及一種無模型推測基礎的產品銷售預測方法及系統。
銷售預測在一公司的表現中扮演重要角色。不準確的預測可能會使得產品容易售磬或滯銷，因而造成公司龐大的損失。然而，「銷售預測」一直以來都是的不容易的，因為在銷售中會有許多複雜且不確定的因數或機制，導致對於產品如何被售出以及為何會被購買的原因，知道得非常少。因此，推演出一套正確的數學模型來描述銷售狀況是非常困難的。
儘管銷售預測非常困難，仍然有許多人在這塊上面付出許多努力。大部分現行的方法可分為三大類；第一大類：普遍大眾傾向匯出具有幾個特定假設的明確數學公式來預測未來銷售情形。例如Bass,F.M.(1969)(A new product growth for model consumer durables.Management Science 15,215-227)在假設消費者不會買超過一個該產品的前提假設下提出一個簡單的擴散模型，即巴斯擴散模型(Bass diffusion model)，利用該模型來敘述一個新產品的銷售狀況；Ishii et al.2012(A mathematical model of human dynamics interactions as a stochastic process"New J.Phys.14)，提出 一種隨機模型，詮釋口耳相傳(word-of-mouth，WoM)對於銷售的效果。第二大類：在這一大類中，會運用時間序模型，例如指數平滑法(exponential smoothing)、自身回歸整合移動平均模型(ARIMA)、廣義自我回歸條件異質性(GARCH)等等來預測銷售狀況。第三大類：機器學習(machine learning)及資料探勘(data mining)方法。例如Ghiassi et al.2015(Pre-production forecasting of movie revenues with a dynamic artificial neural network.Expert Systems with Applications 42,3176-3193)利用人工類神經網路(artificial neural network)來預測電影的收益；Kulkarni et al.2012(Using online search data to forecast now product sales.Decision Support System 52,604-611)則採納網路搜尋量來預測未來銷售狀況。
可惜的是，上述的方法倚賴事先決定的特定的參數模型，而現實生活中，產品的銷售往往是非常複雜而難以通過參數模型來敘述。例如，無論是巴斯擴散模型或是WoM模型皆無法描述季節性效應對產品銷售的影響。而大多的時間序模型是線性的，而無法處理在銷售資料中的不對稱行為(asymmetric behavior)(Makridakis et al.,1998.Forecasting methods and applications(3rd ed.).Wiley.)。再者，機器學習及資料探勘方法試圖利用更多複雜的模型來呈現銷售行為，然而這樣的做法卻經常導致過度擬合(overfitting)，因此實務上鮮少使用(Tetko et al.,1995.Neural network studies.1.comparison of overfitting and overtraining.Journal of Chemical Information and Modeling 35,826-833；Leinweber,2007 Stupid data miner tricks：Overfitting the s&p 500.The Journal of Investing 16,15-22)。
其他預測方法，例如以評論為基礎的方法(judgement-based method)、Bases及Lin模型、集群法等等。
因此，本發明提供了一無參數模型，用於取代事先預設的方程式。本發明的無參數模型完全通過歷史資料來產生最適合的方程式，且會自動選擇對於銷售行為中具有或可能影響銷售的變因的共變數，無需要伺服器建立模型來進行銷售資料的預測，有利於提高伺服器的預測計算效率。
本發明的目的是提供一種無模型推測基礎的產品銷售資料預測方法，其特徵在於，包含：A.建立一資料庫，用於儲存過往相似的產品歷史銷售資料的記錄及多種變異項；B.提供一預處理模組用於處理：b1.由儲存於該資料庫中之該過往相似的產品歷史銷售資料及其對應之多種變異項以找出銷售資料的主要特徵，及b2.利用統計優化方式，優化該主要特徵及其係數；C.提供一計算模組，用於計算預測資料：c1.置入一待預測產品的共變項，以算出該待預測產品的係數，及c2.加總該待預測產品的係數相乘該已優化之該主要特徵的總數，以預測該待預測產品銷售資料；以及，D.提供一輸出模組，用於輸出該待預測產品銷售資料。
在一實施例中，其中該歷史銷售資料是一真實資料。
在一實施例中，其中該主要特徵是通過統計成分分析法或自動編碼器估算。
在一實施例中，其中該統計成分分析法是主成分分析(Principal Component Analysis)。
在一實施例中，其中該主要特徵是通過奇異值分解(singular value decomposition)或非負矩陣分解(nonnegative matrix decomposition)估算。
在一實施例中，其中該統計優化方式是基追蹤(Basis pursuit)或非參數回歸模型估算。於一較佳實施例中，其中該非參數回歸模型是區域多項式回歸(local polynomial regression)或支持向量回歸(support vector regression)。
在一實施例中，其中該待預測產品的係數是依擬合稀疏單指數模型(fitted sparse single indexed model)估算。
本發明更提供了一種無模型推測基礎的產品銷售資料預測方法，其特徵在於，包括：A.建立一資料庫，用於儲存過往相似的產品歷史銷售值X及多種變異項；B.提供一預處理模組，用於處理：b1.由該資料庫中儲存的該過往相似的產品歷史銷售值X及多種變異項記錄Z找出主要特徵，b2.提供式1的方程式，
其中，是用於產生一曲線X(t|Z)的基底函數，α_k是相對於的基底係數，其中α_k(Z)取決於共變數Z，b3.將α_k視為Z的函數α_k(Z)並改寫式I為式I-1， b4.提供n個產品銷售值與可能影響銷售的變因Z i ，
利用的自動編碼器分解找出式II中的，以代表，b5.通過式III而獲得α i,k (Z i )的值，
以代表α i,k (Z i )，及b6.通過非參數回歸模型估算及Z i 之間的關係，經計算以找出α k 及Z之間的關係，其中1 i n；C.提供一計算模組，用於計算銷售資料：c1.將該待預測產品的共變數Z帶入，來預測該產品的係動，及c2.提供一個式IV，以計算出該待預測產品的銷售預測資料
其中α k 為；以及，D.提供一輸出模組，用於輸出該待預測產品銷售資料。
在一實施例中，其中該產品是手機或電影票房。
在一實施例中，其中該產品是電影票房。於一較佳實施例中，其中該共變數Z包含預算、獲獎數、取自rottentomatoes.com的爛番茄指數(包括該電影的平均評分、評論數、新鮮(正面)、腐爛(負面)評價、影迷評分，包括平均評分及用戶評分)、IMDb的評分、Metascore、和評價數。於另一較佳實施例中，其中該共變數Z包含每日票房、排行、分數評比、評分的使用者人數、評價數、上映日期作為資料庫，訓練式1產品銷售時間的基底函數。
在一實施例中，其中該主要特徵是通過統計成分分析法或自動編碼器估算。
在一實施例中，其中該統計成分分析法是主成分分析。
在一實施例中，其中該主要特徵是通過奇異值分解(singular value decomposition)或非負矩陣分解(nonnegative matrix decomposition) 估算。
在一實施例中，其中該待預測產品的係數(k)是依擬合稀疏單指數模型(fitted sparse single indexed model)估算。
在一實施例中，其中該非參數回歸模型是區域多項式回歸(local polynomial regression)或支持向量回歸(support vector regression)。
本發明並提供了一種無模型推測基礎的產品銷售資料預測系統，其特徵在於，包含：A.一資料庫，用於：用於儲存過往相似的產品歷史銷售資料的記錄及多種變異項；B.一預處理模組，用於：b1.由儲存於該資料庫中之該過往相似的產品歷史銷售資料及其對應之多種變異項以找出銷售資料的主要特徵，及b2.利用統計優化方式，優化該主要特徵及其係數；C.一計算預測資料模組，用於：c1.置入一待預測產品的共變項，以算出該待預測產品的係數，及c2.加總該待預測產品的係數相乘該已優化之該主要特徵的總數，以預測該待預測產品銷售資料；以及，D.一輸出模組，用於：輸出該待預測產品銷售資料。
在一實施例中，其中該歷史銷售資料是一真實資料。
在一實施例中，其中該主要特徵是通過統計成分分析法或自動編碼器估算。
在一實施例中，其中該統計成分分析法是主成分分析(Principal Component Analysis)。
在一實施例中，其中該主要特徵是通過奇異值分解(singular value decomposition)或非負矩陣分解(nonnegative matrix decomposition)估算。
在一實施例中，其中該統計優化法是基追蹤(Basis pursuit)或非參數回歸模型估算。
在另一實施例中，其中該非參數回歸模型是區域多項式回歸(local polynomial regression)或支持向量回歸(support vector regression)。
在一實施例中，其中該待預測產品的係數是依擬合稀疏單指數模型(fitted sparse single indexed model)估算。
本發明以類似產品銷售資料的模式，再利用這些模式，結合其他市場調查的結果預測新產品的銷售情形，進而可對欲銷售的產品行銷策略做即時的調整來符合市場需求，或甚至更進一步創造需求，用於提高產品銷售率。
本發明與現有技術不同之處在于現有技術均需假設銷售模式來自一個已知的數學模型，例如巴斯擴散模型(Bass diffusion model)等；然而不同的模型均各自有其假設與限制，如巴斯擴散模型假設每個人只能購買一次產品。現實產品銷售情形往往難以符合已知模型的模型假設，因此利用這些模型預測產品銷售資料往往難以得到滿意的預測。
本發明解決現有技術此一缺點利用分析類似產品的真實歷史銷售資料，找出類似產品銷售資料的模式，再利用這些模式，結合其他市場調查的結果預測新產品的銷售情形。本技術的優勢在於不需要限制消費者的消費模式之類的模型假設，因此可得到較精確的銷售預測結果。
本發明找到一用於表現銷售活動的自動編碼/解碼正交模型(orthonormal pattern)。一旦這樣的模型找到了，便可以通過這些模型的組合來呈現銷售曲線，並通過非參數回歸來預測未來銷售狀況。
一種無模型推測基礎的產品銷售預測方法，包括：提供過往相似的產品歷史銷售值X及多種變異項，利用統計成分分析方法，由該過往相似的產品歷史銷售記錄多種變異項找出主要的變異項
提供式1的方程式，
其中，是用於產生一曲線X(t|Z)的基底函數，α k 是相對於的基底係數，其中α k (Z)取決於共變數Z，將α k 視為Z的函數α k (Z)並改寫式I為式I-1， 提供n個產品銷售值與可能影響銷售的變因Z i，
利用的非負矩陣分解，找出式II中的α i,k 及，以及分別代表α i,k 及(t)；通過式III而獲得α i,k (Z i )的值，
通過非參數回歸模型估算αi,k(Z i)及Z i之間的關係，找出α k 及Z之間的關係，其中1 i n；將該待預測產品的共變數Z帶入，來預測該產品的係數；及提供一個式IV，得到該待預測產品的銷售預測
其中α k 為。
文中“共變數”指對於銷售行為中具有或可能影響銷售的變因的共變數。令X(t|Z)代表在t時間的產品銷售曲線，Z為一些對於銷售活動具有影響力的共變數Z=(z 1 ,z 2 ,．．．,z p )′。由於大部分的銷售曲線有相似的形狀，例如：單調遞減(monotone decreasing)、鐘形、S形曲線等等。合理假設X(t|Z)可通過一正交基底函數的固定數位來呈現。因此，先假設 其中，是用於產生一曲線X(t|Z)的基底函數，α k (Z)是相對於的基底係數，其中α k (Z)可能取決於共變數Z。須注意的是，α k (Z)彼此之間並無關連，因為為正交集。是在各種可能的銷售曲線中的一種模式(或特徵)。然而，不同於先前是根據一些特定假設的銷售行為來預先決定一個曲線模式的明確公式，本發明是根據歷史銷售資料來測定該模式，其敘述如下。
從一個含有n產品的歷史銷售曲線的資料庫(也就是X 1 (t|Z 1 ),X 2 (t|Z 2 ),．．．,X n (t|Z n ))中假設
由式II的假設式得知，可以通過奇異值分解(singular value decomposition)或非負矩陣分解(nonnegative matrix decomposition)函數等等自動編碼器演算法從資料庫中估算式1的基底函數。一旦估算好(以表示)，係數α i,k (Z i )(以表示)也進而可以通過例如解開式III而獲得
分別通過及估算好及α i,k (Z i)，本發明可以通過對應至n的基底係數來呈現n的歷史銷售曲線。係數可能是取決於共變數Z i，在操作時，Zi可能是未知的。本發明通過非參數回歸模型(例如區域多項式回歸(local polynomial regression，Fan et al.,1996)、支持向量回歸(support vector regression，Drucker et al.,1997))來估算及Z i之間的關係，而並非具體指出及Z i之間的閉合形式關係。當共變數Z為未知的時候，可提供一些共變數的候選項，並通過變數選擇程式(variable selection procedures)，例如：Miller et al.,2010,Local polynomial regression and variable selection,Volume Volume 6 of Collections,pp.216-233.Beachwood,Ohio,USA：Institute of Mathematical Statistics、Bi et al.,2003,Dimensionality Reduction via Sparse Support Vector Machines 3,1229-1243；Li 2007 Sparse sufficient dimension reduction.Biometrika 94,603-613)來選擇真實的共變數。
圖1 為本發明實施例的方法流程圖。
圖2為電影《颶風營救3》(Taken 3)的每日總收額與預測總收額圖。
圖3 為電影《最後那五年》(The Last Five Years)的每日總收額與預測總收額圖。
下面將結合本發明實施例中的附圖，對本發明實施例中的技 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明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
在一具體實施例中，利用每日票房預測來驗證本發明。收集2013年至2014年的每日票房、排行、分數評比、評分的使用者人數、評價數、上映日期等等作為資料庫來訓練本發明的模型的基底函數以及其他未知項。以2015年的電影來做為驗證。在本實施例中利用兩部電影來呈現本發明的預測准度：《颶風營救3》(Taken 3，上映日期2015年5月14日)，及《最後那五年》(Last Five Years，上映日期2015年3月5日)。
票房第i部電影在第t ij 天；其中，令X ij =X i (t ij )，1 t ij T i 。令T=T i 及Z i 為第i部電影的共變數；該共變數包含預算、獲獎數、取自rottentomatoes.com的爛番茄指數(包括該電影的平均評分、評論數、新鮮(正面)、腐爛(負面)評價、影迷評分，包括平均評分及用戶評分)、IMDb的評分、Metascore、和評價數。
步驟：1.將X ij 展開如下：
2.利用的非負矩陣分解(Berry et al.,，2007,Algorithms and applications for approximate nonnegative matrix factorization.Computational Statistics and Data Analysis 52,155-173)找出式II中的α i,k 及(t)。以及分別代表α i,k 及。
3.利用擬合稀疏單指數模型(fitting sparse single indexed models)(Alquier et al.,2013,Sparse single-index model.Journal of Machine Learning Research 14,243-280.)找出α k 及Z之間的關係，其中1 i n。
4.預測一新的電影：將該電影的評價Z帶入步驟3的擬合稀疏單指數模型(fitted sparse single indexed model)來預測該電影的係數α k 。令α k 為；該電影的票房預測可通過下述式子得到：
《颶風營救3》及《最後那五年》的評分非常相似。然而，《颶風營救3》的總收額卻顯著高於《最後那五年》。實際總收額與本發明的預測總收額的圖顯示於圖1及圖2。由兩個圖可知本發明的預測模型相當公正準確地運用在兩部電影之中。
本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過電腦程式來指令相關的硬體來完成，所述的程式可存儲於一電腦可讀取存儲介質中，該程式在執行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁片、光碟、唯讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random Access Memory，RAM)等。
以上所述是本發明的優選實施方式，應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發明的保護範圍。

Claims (26)

  1. 一種無模型推測基礎的產品銷售資料預測方法，其特徵在於，包含：A.建立一資料庫，用於儲存過往相似的產品歷史銷售資料的記錄及多種變異項；B.提供一預處理模組用於處理：b1.由儲存於該資料庫中之該過往相似的產品歷史銷售資料及其對應之多種變異項以找出銷售資料的主要特徵，及b2.利用統計優化方式，優化該主要特徵及其係數；C.提供一計算模組，用於計算預測資料：c1.置入一待預測產品的共變項，以算出該待預測產品的係數，及c2.加總該待預測產品的係數相乘已優化之該主要特徵的總數，以預測該待預測產品銷售資料；以及，D.提供一輸出模組，用於輸出該待預測產品銷售資料。
  2. 如權利要求1所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該歷史銷售資料是一真實資料。
  3. 如權利要求1所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該主要特徵是通過統計成分分析法或自動編碼器估算。
  4. 如權利要求3所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該統計成分分析法是主成分分析。
  5. 如權利要求1所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該主要特徵是通過奇異值分解或非負矩陣分解等方法估算。
  6. 如權利要求1所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該統計優化方式是基追蹤(Basis pursuit)或非參數回歸模型估算。
  7. 如權利要求6所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該非參數回歸模型是區域多項式回歸或支援向量回歸。
  8. 如權利要求1所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於該待預測產品的係數是依擬合稀疏單指數模型估算。
  9. 一種無模型推測基礎的產品銷售資料預測方法，其特徵在於，包括：A.建立一資料庫，用於儲存過往相似的產品歷史銷售值 X及多種變異項；B.提供一預處理模組，用於處理：b1.由該資料庫中儲存的該過往相似的產品歷史銷售值X及多種變異項記錄 Z找出主要特徵，b2.提供式1的方程式， 其中， 是用於產生一曲線 X( t| Z)的基底函數， α k 是相對於 的基底係數，其中 α k ( Z)取決於共變數 Z，b3.將 α k 視為 Z的函數 α k ( Z)並改寫式I為式I-1， b4.提供 n個產品銷售值與可能影響銷售的變因 Z i ， 利用 的自動編碼器分解找出式II中的 ，以 代表 ， b5.通過式III而獲得α i,k ( Z i )的值， 以 代表 α i,k ( Z i )，及b6.通過非參數回歸模型估算 及 Z i 之間的關係，經計算以找出α k 及 Z之間的關係，其中1 i n；C.提供一計算模組，用於計算銷售資料：c1.將該待預測產品的共變數Z帶入，來預測該產品的係數 ，及c2.提供一個式IV，以計算出該待預測產品的銷售預測資料 其中α k 為 ；以及，D.提供一輸出模組，用於輸出該待預測產品銷售資料。
  10. 如權利要求9所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該產品是手機或電影票房。
  11. 如權利要求9所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該產品是電影票房。
  12. 如權利要求11所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該共變數Z包含預算、獲獎數、取自rottentomatoes.com的爛番茄指數(包括該電影的平均評分、評論數、新鮮(正面)、腐爛(負面)評價、影迷評分，包括平均評分及用戶評分)、IMDb的評分、Metascore、和評價數。
  13. 如權利要求11所述的無模型推測基礎的產品銷售資料預測方法，其特徵 在於，該共變數Z包含每日票房、排行、分數評比、評分的使用者人數、評價數、上映日期作為資料庫，訓練式1產品銷售時間的基底函數。
  14. 如權利要求9所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該主要特徵是通過統計成分分析法或自動編碼器估算。
  15. 如權利要求14所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該統計成分分析法是主成分分析。
  16. 如權利要求9所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該主要特徵是通過奇異值分解或非負矩陣分解等方法估算。
  17. 如權利要求9所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於該待預測產品的係數( )是依擬合稀疏單指數模型估算。
  18. 如權利要求9所述的無模型推測基礎的產品銷售資料預測方法，其特徵在於，該非參數回歸模型是深度學習、區域多項式回歸或支援向量回歸等。
  19. 一種無模型推測基礎的產品銷售資料預測系統，其特徵在於，包含：A.一資料庫，用於：用於儲存過往相似的產品歷史銷售資料的記錄及多種變異項；B.一預處理模組，用於：b1.由儲存於該資料庫中之該過往相似的產品歷史銷售資料及其對應之多種變異項以找出銷售資料的主要特徵，及b2.利用統計優化方式，優化該主要特徵及其係數； C.一計算預測資料模組，用於：c1.置入一待預測產品的共變項，以算出該待預測產品的係數，及c2.加總該待預測產品的係數相乘該已優化之該主要特徵的總數，以預測該待預測產品銷售資料；以及，D.一輸出模組，用於：輸出該待預測產品銷售資料。
  20. 如權利要求19所述的無模型推測基礎的產品銷售資料預測系統，其特徵在於，該歷史銷售資料是一真實資料。
  21. 如權利要求19所述的無模型推測基礎的產品銷售資料預測系統，其特徵在於，該主要特徵是通過統計成分分析法或自動編碼器估算。
  22. 如權利要求19所述的無模型推測基礎的產品銷售資料預測系統，其特徵在於，該統計成分分析法是主成分分析。
  23. 如權利要求19所述的無模型推測基礎的產品銷售資料預測系統，其特徵在於，該主要特徵是通過奇異值分解或非負矩陣分解估算。
  24. 如權利要求19所述的無模型推測基礎的產品銷售資料預測系統，其特徵在於，該統計優化法是基追蹤或非參數回歸模型估算。
  25. 如權利要求24所述的無模型推測基礎的產品銷售資料預測系統，其特徵在於，該非參數回歸模型是區域多項式回歸或支援向量回歸。
  26. 如權利要求19所述的無模型推測基礎的產品銷售資料預測系統，其特徵在於，該待預測產品的係數是依擬合稀疏單指數模型估算。
TW107109719A 2017-03-22 2018-03-21 一種無模型推測基礎的產品銷售預測方法及系統 TW201837814A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??106109444 2017-03-22
TW106109444 2017-03-22

Publications (1)

Publication Number Publication Date
TW201837814A true TW201837814A (zh) 2018-10-16

Family

ID=63696180

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107109719A TW201837814A (zh) 2017-03-22 2018-03-21 一種無模型推測基礎的產品銷售預測方法及系統

Country Status (3)

Country Link
US (1) US20180300738A1 (zh)
CN (1) CN108629618A (zh)
TW (1) TW201837814A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI793412B (zh) * 2020-03-31 2023-02-21 廣達電腦股份有限公司 消費預測系統及消費預測方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633401A (zh) * 2019-07-26 2019-12-31 苏宁云计算有限公司 一种门店数据的预测模型及其建立方法
CN110544118B (zh) * 2019-08-23 2023-07-14 阿里巴巴（中国）有限公司 销量预测方法、装置、介质和计算设备
CN113762581B (zh) * 2021-01-27 2024-12-10 北京沃东天骏信息技术有限公司 活动人数预测模型生成方法、装置、电子设备和介质
CN113850625A (zh) * 2021-09-27 2021-12-28 山东建筑大学 一种市场营销教学管理系统
CN114677174A (zh) * 2022-03-25 2022-06-28 北京京东尚科信息技术有限公司 一种计算未上架物品销量的方法和装置
US20240394623A1 (en) * 2023-05-23 2024-11-28 Oracle International Corporation Multi-Product Inventory Assortment and Allocation Optimization

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010047293A1 (en) * 1999-01-26 2001-11-29 Waller Matthew A. System, method and article of manufacture to optimize inventory and inventory investment utilization in a collaborative context
US20030195791A1 (en) * 1999-01-26 2003-10-16 Waller Matthew A. System, method and article of manufacture to determine and communicate redistributed product demand
WO2001048646A1 (en) * 1999-12-27 2001-07-05 Dentsu Inc. Total advertisement managing system using advertisement portfolio model
AU2002227514A1 (en) * 2000-07-27 2002-02-13 Polygnostics Limited Collaborative filtering
US20020099596A1 (en) * 2000-11-27 2002-07-25 Geraghty Michael Kevin Dynamic ratemaking for insurance
US20020194148A1 (en) * 2001-04-30 2002-12-19 Billet Bradford E. Predictive method
US20030036890A1 (en) * 2001-04-30 2003-02-20 Billet Bradford E. Predictive method
US20030149603A1 (en) * 2002-01-18 2003-08-07 Bruce Ferguson System and method for operating a non-linear model with missing data for use in electronic commerce
US20030140023A1 (en) * 2002-01-18 2003-07-24 Bruce Ferguson System and method for pre-processing input data to a non-linear model for use in electronic commerce
US20090132347A1 (en) * 2003-08-12 2009-05-21 Russell Wayne Anderson Systems And Methods For Aggregating And Utilizing Retail Transaction Records At The Customer Level
US20080288889A1 (en) * 2004-02-20 2008-11-20 Herbert Dennis Hunt Data visualization application
EP2052358A2 (en) * 2006-07-17 2009-04-29 Open Pricer Customer centric revenue management
US20080154693A1 (en) * 2006-12-20 2008-06-26 Arash Bateni Methods and systems for forecasting product demand using a causal methodology
WO2008092147A2 (en) * 2007-01-26 2008-07-31 Information Resources, Inc. Analytic platform
US20080270363A1 (en) * 2007-01-26 2008-10-30 Herbert Dennis Hunt Cluster processing of a core information matrix
US20100049538A1 (en) * 2008-08-22 2010-02-25 Durban Frazer Method and apparatus for selecting next action
US9811794B2 (en) * 2009-02-11 2017-11-07 Johnathan Mun Qualitative and quantitative modeling of enterprise risk management and risk registers
US20110153386A1 (en) * 2009-12-22 2011-06-23 Edward Kim System and method for de-seasonalizing product demand based on multiple regression techniques
US8386285B2 (en) * 2011-05-25 2013-02-26 International Business Machines Corporation Demand modeling and prediction in a retail category
US9881339B2 (en) * 2012-12-18 2018-01-30 Johnathan Mun Project economics analysis tool
CN103559623A (zh) * 2013-09-24 2014-02-05 浙江大学 一种基于联合非负矩阵分解的个性化产品推荐方法
SG10201406215YA (en) * 2014-09-30 2016-04-28 Mentorica Technology Pte Ltd Systems and methods for automated data analysis and customer relationship management
CN104899660B (zh) * 2015-06-15 2018-04-27 西北工业大学 基于奇异值分解的商铺受欢迎度预测方法
CN105160866A (zh) * 2015-08-07 2015-12-16 浙江高速信息工程技术有限公司 一种基于深度学习神经网络结构的交通流预测方法
CN106127594B (zh) * 2016-06-30 2021-09-07 武汉斗鱼网络科技有限公司 基于主成分分析的用户房间兴趣度计算方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI793412B (zh) * 2020-03-31 2023-02-21 廣達電腦股份有限公司 消費預測系統及消費預測方法

Also Published As

Publication number Publication date
CN108629618A (zh) 2018-10-09
US20180300738A1 (en) 2018-10-18

Similar Documents

Publication Publication Date Title
TW201837814A (zh) 一種無模型推測基礎的產品銷售預測方法及系統
Widiputra et al. Multivariate CNN‐LSTM model for multiple parallel financial time‐series prediction
Tseng et al. Combining neural network model with seasonal time series ARIMA model
Dhir et al. Movie success prediction using machine learning algorithms and their comparison
CN114549046A (zh) 基于融合模型的销售预测方法、系统、设备及存储介质
CN108154378A (zh) 用于预测商品的市场需求的计算机装置与方法
CN111160968A (zh) Sku级别商品销量预测方法及装置
Wimalagunaratne et al. A predictive model for the global cryptocurrency market: A holistic approach to predicting cryptocurrency prices
CN107016571A (zh) 数据预测方法及其系统
CN116843388A (zh) 一种广告投放分析方法及系统
Benhamida et al. Stock&buy: A new demand forecasting tool for inventory control
Delen et al. Predicting the financial success of hollywood movies using an information fusion approach
CN111127072A (zh) 一种新产品需求的多阶段实时预测方法
CN118864084A (zh) 信用风险评估模型的生成方法、存储介质及处理器
Liang et al. Machine learning-based sales prediction using bayesian optimized xgboost algorithms
CN117635307A (zh) 放贷额度管理方法及装置
Andréasson et al. Forecasting the OMXS30-a comparison between ARIMA and LSTM
Ghosh et al. RHProphet: An enhanced sales forecasting model
Patil et al. Optimisation-enabled transfer learning framework for stock market prediction
Ozdemir Bitcoin Price Prediction with Fuzzy Logic
CN115829677A (zh) 一种考虑库存约束的神经协同过滤的产品推荐方法
CN110956528B (zh) 一种电商平台的推荐方法及系统
CN120560860B (zh) 一种基于spm的业务线索全流程自动处理方法及系统
Ulucan et al. Forecasting pandemic-induced changes in real estate market values through machine learning approaches
CN118820757B (zh) 一种基于大数据驱动的人工智能决策优化方法及系统