[发明专利]一种进行商品选择的方法和装置

说明书

本发明涉及一种进行商品选择的方法和装置，其涉及计算机领域。所述进行商品选择的方法包括下列步骤：数据准备，用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据；模型训练，用于对多个商品的时间序列特征的数据进行时间序列分析，以及对多个商品的非时间序列特征的数据进行多元回归分析，组合时间序列分析和多元回归分析的结果；以及模型应用，用于基于组合的结果选择商品。采用方法，将时间序列预测模型与特定业务场景的多元回归模型融合起来，大大提高了预测的效果和准确度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种进行商品选择的方法和装置。

背景技术

近年来，电子商务飞速发展，网络购物渗透率从大中型城市覆盖到了中小型城市，网购人群的比例也越来越高，电子商务网站的商品管理和销售成为至关重要的一环，而促销作为网站营销的主要手段，每天都会有规模不同的促销活动，贯穿电子商务的每个渠道，促销时选择何种商品，如何对商品进行组合，能达到最佳的销售效果，成为迫切需要解决的问题。

现有的促销活动场景下的商品选择策略，主要有三类情况：一种是基于业务人员的运营经验，人工进行商品的选择和摆放，然而，经验具有一定的滞后性，且商品选择的结果很难进行量化；另外一种，是基于时间序列进行分析，基于商品的历史销售情况，来预测未来的销售情况，但是在特定促销场景中，商品并非有规律的参与促销，时间相关性不强，难以作为促销活动场景下的商品选择依据；还有一种是基于回归分析的预测，通过一元或者多元回归分析，进行商品销量预测，然而现有技术多是针对单一商品或者整体销量的预测，尚未有在促销场景下的回归分析应用，且如何给出该场景下的商品组合方案，现有技术并不能解决。

基于上述原因，亟需一种在商品促销场景下，进行商品选择的方法。

发明内容

为了解决电子商务网站/商场促销活动场景下的商品选择问题，针对现有技术的缺点，本发明通过提供一套场景化的数据处理装置与方法，适应于各种数据分布情况，且结合常见业务场景和模式，形成组合模型，克服上述缺点，为促销场景下的商品选择提供完整有效的解决方案。

有鉴于此，本发明实施例提供一种进行商品选择的方法，能够克服现有技术基于经验的商品选择，且工作量大，主观性强，缺乏可供量化的数据参考的缺点。

为实现上述目的，根据本发明的一个方面，提供一种进行商品选择的方法，其中，包括下列步骤：数据准备，用于获取有关多个商品的关于时间序列特征的数据和活动场景的非时间序列特征的数据；模型训练，用于对多个商品的时间序列特征的数据进行时间序列分析，以及对多个商品的非时间序列特征的数据进行多元回归分析，组合时间序列分析和多元回归分析的结果；以及模型应用，用于基于组合的结果选择商品。

其中所述数据准备包括：业务抽象分析，用于从每一个商品的时间序列特征和活动场景下的非时间序列特征下进行数据抽象；数据集成，用于将每一个商品的时间序列特征的销售数据整理为符合时间序列需要的观察值序列，以及总结促销活动中的销售因素数据；数据预处理，用于对观察值序列和销售因素数据进行预处理。

其中所述模型训练包括：时间序列分析，用于对观察值序列进行预处理，符合平稳非白噪声序列特点时进行时间序列分析；多元回归分析，用于对商品的非时间序列特征的数据进行多元回归分析；模型组合，用于将时间序列分析的结果和多元回归分析的结果线性组合，选择出在其场景下的促销商品。

其中所述对观察值序列进行预处理包括对所述观察序列的自相关系数(ACF)和偏相关系数(PACF)进行计算，基于自相关系数(ACF)和偏相关系数(PACF)选择移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及自回归积分滑动平均模型(ARIMA)过程中的至少一个。

其中所述时间序列分析的结果和多元回归分析的结果的线性组合基于：

Q＝W_i*Y_i