一种门店日总销量预测方法、系统及电子设备与流程

1.本发明涉及互联网技术领域，尤其涉及一种门店日总销量预测方法、系统及电子设备。


背景技术：

2.随着移动互联网迅速发展，移动终端已经成为广大消费者日常生活中不可分离的一部分，因此电商业务发展迅速。随着电商业务订单量的提高，对订单到家配送的时效性也带来更高压力。商品销量预测是指根据历史销量以及市场上对商品需求的变化情况，对未来一定时期内商品的销售数量所进行的预计和推测。
3.随着人力成本的增高，精准的搭配人力岗位变的越来越重要。如何预测门店商品日总销量，从而为门店的人力分配提供依据变得尤为重要。


技术实现要素：

4.本发明的目的在于，提供一种门店日总销量预测方法、系统及电子设备，能够预测门店每天的商品总销量，从而为门店的人力分配提供依据。
5.为了实现上述目的，本发明提供了一种门店日总销量预测方法，所述方法包括如下步骤：获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据；对筛选出的销量特征数据进行特征清洗；采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型；使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果；根据所述日总销量预测结果进行门店的人力分配。
6.为了实现上述目的，本发明还提供了一种门店日总销量预测系统，包括：第一获取单元，用于获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据；第一处理单元，用于对筛选出的销量特征数据进行特征清洗；第二获取单元，用于采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型；第三获取单元，用于使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果；第二处理单元，用于根据所述日总销量预测结果进行门店的人力分配。
7.为了实现上述目的，本发明还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机可执行程序，所述处理器执行所述计算机可执行程序时实现本发明所述的门店日总销量预测方法的步骤。
8.本发明通过对历史销量源数据进行处理、并采用机器学习训练预测模型，实现及时准确的预测目标门店的日总销量，从而可以根据日总销量预测结果进行门店的人力分配，精准的搭配人力岗位。
附图说明
9.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领
域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
10.图1为本发明一实施例提供的门店日总销量预测方法的流程图；
11.图2为本发明一实施例生成的门店日总销量预测示意图；
12.图3本发明一实施例提供的门店日总销量预测系统的结构示意图；
13.图4为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
15.请参阅图1，其为本发明一实施例提供的门店日总销量预测方法的流程图。
16.如图1所示，所述方法包括如下步骤：s11、获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据；s12、对筛选出的销量特征数据进行特征清洗；s13、采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型；s14、使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果；以及s15、根据所述日总销量预测结果进行门店的人力分配；以下给出详细解释。
17.关于步骤s11、获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据。
18.目标门店商品的历史销量源数据包括渠道订单数据、营销信息数据、用户行为数据、商品数据、环境信息数据等。为了及时准确的预测门店的日总销量，以便提前设置合理的门店人力分配，需要对历史销量源数据进行处理。
19.在一些实施例中，步骤s11进一步包括：整合渠道订单数据、整合营销信息数据、整合针对目标门店的用户行为数据、整合目标门店的商品数据以及抓取环境信息数据。具体地，渠道订单数据包括门店服务范围内，不同线上app渠道(例如优鲜、淘鲜达、饿了么、拼团等门店到家渠道)所产生的订单数据。所述营销信息数据包括优惠券信息、促销活动信息、行销商品池活动信息的至少其中之一。所述针对目标门店的用户行为数据包括用户针对目标门店的商品点击行为、用户针对目标门店的商品加入购物车行为的至少其中之一。所述目标商品数据包括商品编号、商品分类、商品品牌、商品库存、商品价格的至少其中之一。所述环境信息数据包括天气信息、节假日信息、节气信息的至少其中之一；消费高峰与天气也有很大关系，比如夏天时各种矿泉水和饮料的销量直线上升，而这种商品因重量问题，搬运效率低，所需人力较多。
20.在一些实施例中，步骤s11进一步包括：接收用户配置的购物节信息数据。比如，618、双11等特殊购物节，会有消费高峰，需要调配较多人力；因此，用户可以进行购物节信息的配置，以补充销量特征数据，使得预测结果更准确。
21.关于步骤s12、对筛选出的销量特征数据进行特征清洗。
22.在一些实施例中，步骤s12进一步包括：对所述销量特征数据中当前日期前预设时间段(例如，前60天)的历史销量数据做融合，获取目标门店的周末销量占比、历史日总销
量、历史日总销量指数平均值、历史日总销量离差值、历史下单顾客数量。可以提取前60天的历史特征数据用于模型训练，以充分考虑训练效率以及训练精度，使训练出的预测模型的预测结果更准确。也可以提取前365天、前180天、前90天、前30天的历史特征数据。
23.在一些实施例中，可以采用深度学习对筛选出的销量特征数据进行特征清洗。使用深度学习进行特征清洗，会更利于提高后续机器学习的准确度。使用深度学习，深入挖掘数据的关联，加强特征的信息表达，能够有效提高机器学习的效果，避免了机器学习使用特征单一或信息表达不够精准的问题。深度学习的任务就是把高维原始数据(图像，句子)映射到低维流形，使得高维的原始数据被映射到低维流形之后变得可分，这个映射就叫嵌入(embedding)。embedding也可以理解为从原始数据提取出来的特征(feature)，也就是通过神经网络映射之后的低维向量。例如，可以将渠道订单数据、营销信息数据、用户行为数据、环境信息数据等整理成更易表达的特征数据(通过embedding映射获取低维向量)；可以对商品数据进行归一化处理。
24.关于步骤s13、采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型。
25.本实施例所述机器学习使用boosting系列回归算法；优选地，所述机器学习采用lightgbm算法。ligthgbm通过采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。lightgbm有以下优势：更快的训练效率、低内存使用、更高的准确率、支持并行化学习、可处理大规模数据、直方图做差加速、直接支持类别特征(categorical feature)。lightgbm使用的是histogram(直方图)算法，占用的内存更低，数据分隔的复杂度更低。
26.关于步骤s14、使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果。
27.可以整合目标商品的前60天或前30天的历史特销量征数据作为预测数据集。将整合后的预测数据集输入训练好的销量预测模型，得到目标门店的日总销量预测结果。所得到的目标门店的日总销量预测结果可以导出到redis，以便于后续数据使用。
28.关于步骤s15、根据所述日总销量预测结果进行门店的人力分配。
29.在一些实施例中，步骤s15进一步包括：获取所述日总销量预测结果相对于前一日的日总销量的变化量，若所述变化量为增量且增量大于或等于预设阈值则增加门店的人力，若所述变化量为减量且减量大于或等于预设阈值则减少门店的人力。本发明一实施例所述的目标门店的日总销量预测结果如图2所示，点击图示中的“查看昨日”标签，即可查看前一日的日总销量，对比日总销量的变化，从而根据变化量及时调配人力。
30.在一些实施例中，所述方法进一步包括：可以将所述日总销量预测结果导出到redis，并在预定时间提供至目标用户。例如，将所述日总销量预测结果导出到redis并提供给目标门店的店总参谋，店总参谋可以在早上7点查看当天的日总销量预测结果；通过与前一日的日总销量对比，及时进行人力增减的调配。
31.根据以上内容可以看出，本实施例通过对历史销量源数据进行处理、并采用机器学习训练预测模型，实现及时准确的预测目标门店的日总销量，从而可以根据日总销量预测结果进行门店的人力分配，精准的搭配人力岗位。
32.基于同一发明构思，本发明还提供了一种可以实现本发明上述门店日总销量预测
方法的门店日总销量预测系统。
33.请参阅图3，其为本发明一实施例提供的门店日总销量预测系统的结构示意图。本实施例所述系统30包括：第一获取单元31、第一处理单元32、第二获取单元33、第三获取单元34以及第二处理单元35。
34.具体地，所述第一获取单元31用于获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据。所述第一处理单元32用于对筛选出的销量特征数据进行特征清洗。所述第二获取单元33用于采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型。所述第三获取单元34用于使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果。所述第二处理单元35用于根据所述日总销量预测结果进行门店的人力分配。
35.基于同一发明构思，本发明还提供了一种可以实现本发明上述门店日总销量预测方法的电子设备。
36.请参阅图4，其为为本发明一实施例提供的电子设备的结构示意图，如图4所示，本实施例所述的电子设备40可以包括：处理器(processor)41、通信接口(communications interface)42、存储器(memory)43和通信总线44，其中，处理器41，通信接口42，存储器43通过通信总线44完成相互间的通信。处理器41可以调用存储在存储器43上的计算机可执行程序，以执行如下方法：获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据；对筛选出的销量特征数据进行特征清洗；采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型；使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果；根据所述日总销量预测结果进行门店的人力分配。
37.此外，上述的存储器43中的计算机可执行程序可以通过软件功能单元的形式实现并作为独立的商品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件商品的形式体现出来，该计算机软件商品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、光盘等各种可以存储程序代码的介质。
38.另一方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机可执行程序，该计算机可执行程序被处理器执行时实现以执行上述各实施例提供的门店日总销量预测方法。
39.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过(本文可以称为单元或模块等)由模拟和/或数字电路物理地实现，例如逻辑门、集成电路、微处理器、微控制器、存储器电路、无源电子元件、有源电子元件、光学组件、硬连线电路等，并且可以可选地由固件和/或软件来驱动。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件商品的形式体现出来，该计算机软件商品可以存储在计算机可读存储介质中，包括若干指令用以使得一台计算机设备执行各个实施例或者实施例的某些部分所述的
方法。
40.需要说明的是，本发明的文件中涉及的术语“包括”和“具有”以及它们的变形，意图在于覆盖不排他的包含。术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，除非上下文有明确指示，应该理解这样使用的数据在适当情况下可以互换。另外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。此外，在以上说明中，省略了对公知组件和技术的描述，以避免不必要地混淆本发明的概念。上述各个实施例中，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同/相似的部分互相参见即可。对于实施例公开的系统实施例而言，由于其与实施例公开的方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
41.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种门店日总销量预测方法，其特征在于，所述方法包括如下步骤：获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据；对筛选出的销量特征数据进行特征清洗；采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型；使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果；根据所述日总销量预测结果进行门店的人力分配。2.根据权利要求1所述的方法，其特征在于，所述的获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据的步骤进一步包括：整合渠道订单数据、整合营销信息数据、整合针对目标门店的用户行为数据、整合目标门店的商品数据以及抓取环境信息数据。3.根据权利要求2所述的方法，其特征在于，所述的获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据的步骤进一步包括：接收用户配置的购物节信息数据。4.根据权利要求2所述的方法，其特征在于，所述营销信息数据包括优惠券信息、促销活动信息、行销商品池活动信息的至少其中之一；所述用户行为数据包括用户针对目标门店的商品点击行为、用户针对目标门店的商品加入购物车行为的至少其中之一；所述目标商品数据包括商品编号、商品分类、商品品牌、商品库存、商品价格的至少其中之一；所述环境信息数据包括天气信息、节假日信息、节气信息的至少其中之一。5.根据权利要求1所述的方法，其特征在于，所述的对筛选出的销量特征数据进行特征清洗的步骤进一步包括：对所述销量特征数据中当前日期前预设时间段的历史销量数据做融合，获取目标门店的周末销量占比、历史日总销量、历史日总销量指数平均值、历史日总销量离差值、历史下单顾客数量。6.根据权利要求1所述的方法，其特征在于，所述机器学习采用lightgbm算法。7.根据权利要求1所述的方法，其特征在于，所述的根据所述日总销量预测结果进行门店的人力分配的步骤进一步包括：获取所述日总销量预测结果相对于前一日的日总销量的变化量，若所述变化量为增量且增量大于或等于预设阈值则增加门店的人力，若所述变化量为减量且减量大于或等于预设阈值则减少门店的人力。8.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：将所述日总销量预测结果导出到redis，并在预定时间提供至目标用户。9.一种门店日总销量预测系统，其特征在于，包括：第一获取单元，用于获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据；第一处理单元，用于对筛选出的销量特征数据进行特征清洗；第二获取单元，用于采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型；第三获取单元，用于使用所述销量预测模型对预测数据集进行预测，获取目标门店的
日总销量预测结果；第二处理单元，用于根据所述日总销量预测结果进行门店的人力分配。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机可执行程序，其特征在于，所述处理器执行所述计算机可执行程序时实现如权利要求1至8任一项所述的门店日总销量预测方法的步骤。

技术总结
本发明公开了一种门店日总销量预测方法、系统及电子设备。所述方法：获取目标门店商品的历史销量源数据，抽取所述源数据基础属性并筛选出销量特征数据；对筛选出的销量特征数据进行特征清洗；采用特征清洗后的销量特征数据并利用机器学习进行模型训练，获取销量预测模型；使用所述销量预测模型对预测数据集进行预测，获取目标门店的日总销量预测结果；根据所述日总销量预测结果进行门店的人力分配。本发明通过对历史销量源数据进行处理、并采用机器学习训练预测模型，实现及时准确的预测目标门店的日总销量，从而可以根据日总销量预测结果进行门店的人力分配，精准的搭配人力岗位。精准的搭配人力岗位。精准的搭配人力岗位。


技术研发人员：崔晴洋 鲍汝兴 刘嘉伦 肖鹏
受保护的技术使用者：康成投资（中国）有限公司
技术研发日：2023.04.26
技术公布日：2023/10/7