产品的销量预测方法、装置、存储介质、计算机设备与流程

1.本发明涉及互联网技术领域，具体地涉及一种产品的销量预测方法、装置、存储介质、计算机设备。


背景技术：

2.随着技术的发展，人们开始将互联网技术和大数据技术应用到电子商务领域，也可以通过大数据模型进行产品销量的预测。
3.然而，目前市场上存在的产品销量预测模型大多数是针对在售产品，用于预测在售产品在某一时间段(比如大促期间)的销量数据。这些销量预测模型依赖于在售产品的历史销量数据，再根据当前促销的情况进行销量预测。另外，也有少数模型能够预测新产品销量，但此类模型在新产品销量预测时多基于消费者的购买意愿测试数据。即，主要将新产品原型/概念通过消费者定量研究的方式，测试消费者的购买意愿，并结合消费者数量规模进行预测。
4.综上，目前市面上的大多数产品销量预测模型针对已上市的在售产品，并基于历史销量数据预测目前及将来可能实现的销量，对新产品销量预测不够准确。


技术实现要素：

5.本发明解决的技术问题是如何提供一种适用于新产品的销量预测方法，且提高预测结果的准确性。
6.为解决上述技术问题，本发明实施例提供一种产品的销量预测方法，所述方法包括：从电商平台数据中获取消费人群和所述消费人群的历史交易信息；根据所述历史交易信息建立所述消费人群中每一个体与所述产品的关联向量，并根据所述关联向量将所述消费人群分为若干群组，其中，所述关联向量包括所述个体与所述产品的多个关联维度；根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数；根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果。
7.可选的，所述根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数，包括：从所述电商平台数据中获取每一群组在历史上多个时间点的人数；根据每一群组在历史上多个时间点的人数，计算该群组在所述历史上的增长率；根据每一群组的增长率，计算每一群组在所述产品上市预设时间之后的目标人数。
8.可选的，所述增长率为复合增长率，按照如下公式计算该群组在所述产品上市预设时间之后的目标人数s1(n)＝s0(n)
×
(1+cagrn)；其中，cagrn＝[s0(n)
÷
s0‑
n
(n)]
1/n
‑
1；其中，s0(n)为第n群组的当前人数，s1(n)为第n群组的目标人数，s0‑
n
(n)为第n群组在历史上一时间点的人数，该时间点与当前的时间距离为n，cagrn为第n群组在历史上的复合增长率。
[0009]
可选的，所述根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果，包括：根据每一群组的目标人数和潜在购买频次，以及所述产品的价格，计算每一群组的总价值；将所有群组的总价值之和作为所述产品的目标市场规模；根据所述目标
市场规模和所述产品上市后的交易转化策略，计算所述产品上市预设时间之后的销量预测结果。
[0010]
可选的，所述产品上市后的交易转化策略的获取方法包括：将所述目标成本、每一群组的目标人数输入策略设计模型中，从所述策略设计模型的输出端获取所述产品上市后的交易转化策略，其中，所述产品上市后的交易转化策略至少为一种；其中，所述策略设计模型根据不同种类的交易转化策略对不同群组中消费人群的转化历史、以及不同种类的交易转化策略对应的成本训练得到。
[0011]
可选的，所述产品上市后的交易转化策略的获取方法还包括：从电商平台数据中获取不同种类的交易转化策略对不同群组的消费人群的转化历史；根据所述转化历史以及所述转化历史对应的交易转化策略的成本、或者测试数据，计算不同种类的交易转化策略对每一群组的投入产出比，其中，所述投入产出比为各个种类的交易转化策略的成本与收益的比值；根据不同种类的交易转化策略对每一群组的投入产出比，为不同群组选择交易转化策略，并根据所述目标成本确定选择的交易转化策略对应的成本。
[0012]
可选的，所述交易转化策略至少包括以下一种：平台外广告平台内重定向、平台内广告、其他平台外广告。
[0013]
本发明实施例还提供一种产品的销量预测装置，所述装置包括：历史数据获取模块，用于从电商平台数据中获取消费人群和所述消费人群的历史交易信息；分组模块，用于根据所述历史交易信息建立所述消费人群中每一个体与所述产品的关联向量，并根据所述关联向量将所述消费人群分为若干群组，其中，所述关联向量包括所述个体与所述产品的多个关联维度；目标人数计算模块，用于根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数；销量预测模块，用于根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果。
[0014]
本发明实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0015]
本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0016]
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
[0017]
本发明实施例提供一种产品的销量预测方法，所述方法包括：从电商平台数据中获取消费人群和所述消费人群的历史交易信息；根据所述历史交易信息建立所述消费人群中每一个体与所述产品的关联向量，并根据所述关联向量将所述消费人群分为若干群组，其中，所述关联向量包括所述个体与所述产品的多个关联维度；根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数；根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果。较之现有技术，本发明的方案中，关联向量的构建有利于准确地进行后续的群组划分；针对各个群组分别进行目标人数的预测，能够更准确地判断可能购买产品的用户总数，从而能够在新产品上市之前，对其上市后一段时间内的销量进行准确预测。
[0018]
进一步地，历史上多个时间点的人数基于电商平台数据真实统计得到，能够准确反映各个群组的人数随时间变化的情况，得到准确的增长率，由此计算出的目标人数更能够反映真实场景的人数增长，结果更准确。
[0019]
进一步地，能够基于对所述产品的实际信息，准确预测各个群组中的个体购买所述产品的可能性。且各个群组的目标人数s
n
基于真实的历史数据预测得到，各个群组中的个体购买所述产品的可能性基于对所述产品的消费者问卷调查数据或者消费者新品模拟测试得到，不仅考虑了历史消费者的惯性发展，也考虑了市场变化的多样性，使得最终的产品的销量预测结果更具有参考性。
[0020]
进一步地，将所述产品的营销策略考虑进来，能够更加准确地预测新产品的销量，且能够为品牌推荐适应的营销策略，以最大化利用营销成本、促进交易转化。另外，通过策略设计模型能够综合历史数据地特性，自动化获取各个群组适应地交易转化策略，准确度也较高。
附图说明
[0021]
图1为本发明实施例的一种产品的销量预测方法的流程示意图；
[0022]
图2为图1中步骤s103的一个具体实施例的流程示意图；
[0023]
图3为本发明实施例的另一种产品的销量预测方法的部分流程示意图；
[0024]
图4是本发明实施例的一种产品的销量预测装置的结构示意图。
具体实施方式
[0025]
如背景技术所言，现有技术中的产品销量预测模型或者对新品不适用，或者预测结果不准确。
[0026]
具体地，目前市面上的大多数产品销量预测模型针对已上市的在售产品，并基于历史销量数据预测目前及将来可能实现的销量，对新产品销量预测不适用。而少数模型根据消费者定量研究进行新产品购买意愿的预测，没有考虑实际变化的情况及新产品上市后品牌对新产品的营销投入，且消费者测试购买意愿与实际购买比例可能存在较大差异，导致现有的模型，对新产品销量预测不够准确。
[0027]
为解决该问题，本发明实施例提供了一种产品的销量预测方法，包括：从电商平台数据中获取消费人群和所述消费人群的历史交易信息；根据所述历史交易信息建立所述消费人群中每一个体与所述产品的关联向量，并根据所述关联向量将所述消费人群分为若干群组，其中，所述关联向量包括所述个体与所述产品的多个关联维度；根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数；根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果。通过上述方案，能够适用于新产品且提高预测结果的准确性。
[0028]
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。本发明的方案涉及电子商务领域，尤其涉及当品牌通过电商平台销售新产品时，在新产品在电商平台上市之前预测其上市后可能实现的销量的方法。
[0029]
请参见图1，本发明实施例提供一种产品的销量预测方法，所述方法由终端或服务器执行，所述终端可以为手机、电脑等，所述服务器可以包括单个服务器或者服务器集群。更加具体而言，该方法可以由电商平台执行，或者与电商平台耦接的终端或服务器执行。所述产品的销量预测方法具体可以包括：
[0030]
步骤s101，从电商平台数据中获取消费人群和所述消费人群的历史交易信息；
[0031]
其中，电商平台为用于产品交易的平台，可以为已有的电商平台，如阿里巴巴，京东等，该平台也可以为专门针对所述产品所属的品牌或产品线搭建的平台，如a品牌的线上门店，微信小程序等。电商平台数据为从一个或多个电商平台的数据。
[0032]
消费人群为各个电商平台在历史上一段时间(如过去一年等)存在交易信息的账号对应的人群。消费人群的历史交易信息则为该消费人群在历史上一段时间内的交易信息，需要说明的是，交易信息既包括已成交的交易的相关信息，如购买记录等；也包括未成交的交易的相关信息，如浏览产品的记录或者购物车添加记录等。
[0033]
图1所述的方法主要针对还未上市的新产品，先从电商平台数据中获取各个电商平台历史上的消费人群和该消费人群的历史交易信息，并从中挖掘出能够影响新产品销量的数据，以进行产品的销量预测。
[0034]
步骤s102，根据所述历史交易信息建立所述消费人群中每一个体与所述产品的关联向量，并根据所述关联向量将所述消费人群分为若干群组，其中，所述关联向量包括所述个体与所述产品的多个关联维度；
[0035]
其中，关联向量用于表示所述消费人群中每一个体(例如，每个账号对应的用户)购买所述产品的可能性，该可能性可以以向量长度表示。如可能性越高，向量长度越长，反之则越短等。所述关联向量为多维向量，其包含多个关联维度。各个关联维度用于表示可能影响该个体购买所述产品的因素，如该个体在过去购买所述产品所属品牌的其他产品的频率、通过调查问卷获得的该个体对所述产品的感兴趣程度、该个体的地理位置等等。也即，更具体而言，每一关联维度用于表示个体与所述产品在单个方面的关联性，所述单个方面可以为各种适当的设置，包括但不限于以上列出的各种例子。
[0036]
需要说明的是，每一个体与所述产品的关联维度的设置可能相同，也可能不同，也即不同个体的关联向量中，其中的各个关联维度可以相同，或者，也可以部分关联维度或者全部关联维度是不同的。例如，获取到个体a的关联维度包括：个体a在过去购买所述产品所属品牌的其他产品的频率(如3次)、个体a对所述产品的感兴趣程度(如a级)，获取到个体b的关联维度包括：个体b在过去购买所述产品所属品牌的其他产品的频率(如1次)、个体b的地理位置在m市(m市为该产品所属品牌的畅销地)。通过构建每一个体与所述产品的关联向量，能够将不同个体的不同关联维度采用统一的方式量化，将每一个体购买所述产品的可能性转化为统一的比较基准，如关联向量的长度。
[0037]
可根据历史交易信息获取消费人群中每一个体对应的多个关联维度，并根据获取的多个关联维度构建该个体与所述产品的关联向量，从而用个体的关联向量表示该个体购买所述产品的可能性。基于所述关联向量对消费人群进行分组，得到若干个群组。可选的，可基于各个个体对应的关联向量的长度，将所述长度在第一长度区间内的分入第一群组，将所述长度在第二长度区间内的分入第二群组
…
。
[0038]
在一个具体实施例中，假设所述产品属于x品牌，根据关联向量将消费人群中包含的若干个个体分为4个群组：第1群组
‑
x品牌忠实粉丝、第2群组
‑
x品牌用户、第3群组
‑
x品牌高潜力购买人群，第4群组
‑
其他普通消费者。该四个群组中的个体对所述产品的购买可能性可以用下述表1表示：
[0039]
表1
[0040][0041]
步骤s103，根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数；
[0042]
可以根据需要设置要了解销售情况的时间点，也即所述产品上市预设时间，如可以设为所述产品上市30天之后。目标人数为通过所述产品的销量预测方法预测得到的、在产品上市预设时间之后(30天后)各个群组中包括的个体数量。
[0043]
可选的，可获取根据历史上各个群组的人数随时间的变化趋势，以及在执行所述方法的当前时间点与所述产品上市预设时间之后的时间点可能发生的影响所述品牌产品销量的事件，如促销等。据此，预测在所述产品上市预设时间之后各个群组的目标人数。进一步，可以获取历史上各个群组的人数随时间的变化情况、以及各个群组人数随历史上各种影响该品牌产品销量的事件的变化情况作为训练样本，通过大数据训练和机器学习得到大数据模型，根据该模型计算每一群组在所述产品上市预设时间之后的目标人数。具体地，该目标人数为预测的理论人数，表示预测的该产品上市后各个群组能达到的人群规模。
[0044]
步骤s104，根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果。
[0045]
其中，销量预测结果为该产品在上市预设时间之后的销量、销售额、利润等等反映该产品销售情况的数据。在计算得到销量预测结果之后，将该销量预测结果输出，所述销量预测结果可通过表格、图形等多种可视化形式输出，更便于理解。
[0046]
可选的，图1所述的方法可以通过单个模型实现，也可以通过多个模型相互配合实现，即通过机器学习和大数据训练生成单个或多个模型执行上述步骤s101至步骤s104。
[0047]
可选的，在执行步骤s101之前，还包括：接收用户输入的所述产品的品牌和/或属性、用户可以选择所述电商平台、历史交易信息对应的时间段、所述预设时间，若用户不做选择，则设为默认值。其中，所述产品的属性可以包括该产品的种类(如护肤品、母婴产品等等)、材质、成分、作用等产品本身的特性。用户可在模型的输入端输入前述这些信息，并控制模型执行所述方法。
[0048]
图1所述的方法中，关联向量的构建有利于准确地进行后续的群组划分；针对各个群组分别进行目标人数的预测，能够更准确地判断可能购买产品的用户总数。从而能够在新产品上市之前，对其上市后一段时间内的销量进行准确预测。
[0049]
在一个实施例中，图1中步骤s103所述根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数，具体可以包括以下步骤：
[0050]
步骤s1031，从所述电商平台数据中获取每一群组在历史上多个时间点的人数；
[0051]
步骤s1032，根据每一群组在历史上多个时间点的人数，计算该群组在所述历史上的增长率；
[0052]
步骤s1033，根据每一群组的增长率，计算每一群组在所述产品上市预设时间之后的目标人数。
[0053]
其中，该多个时间点可以以第一时间点、第二时间点、...、第n
‑
1时间点、
…
第n时间点表示，n的取值为自然数。每两个相邻时间点之间的时间间隔可以相同，比如，获取各个群组在过去一年内每个月最后一天的人数，也即时间间隔为一个月；或者，多个时间点之间的时间间隔也可以不相同，如分别获取各个群组在过去一年内第一个月、第三个月、第七个月这三个月的最后一天的人数，此时时间间隔分别为2个月、4个月。
[0054]
其中，所述增长率为该群组的人数在过去一段时间内随时间增长的比率，所述增长率＝(第n时间点的人数
‑
第(n
‑
1)时间点的人数)
÷
第(n
‑
1)时间点的人数。若所述增长率为正值，则表示第(n
‑
1)时间点至第n时间点的该群组的人数为正增长，反之则为负增长。
[0055]
根据在历史上多个时间点的人数以及增长率预测在新产品上市预设时间后每一群组的人数规模，即目标人数。可选的，可通过多个时间点的增长率的均值(如获取过去十二个月每个月增长率的均值)计算所述目标人数，以避免突发性事件的影响。
[0056]
可选的，所述增长率还可以指该群组的人数在过去一段时间内的复合增长率(compound annual growth rate，简称cagr)。其目的是描述一个投资回报率转变成一个较稳定的投资回报所得到的预想值。步骤s1033可按照如下公式(1)计算该群组在所述产品上市预设时间之后的目标人数：
[0057]
s1(n)＝s0(n)
×
(1+cagrn)
ꢀꢀ
(1)
[0058]
其中，cagrn为第n群组在历史上的复合增长率，其可以用公式(2)表示：
[0059]
cagrn＝[s0(n)
÷
s0‑
n
(n)]
1/n
‑1ꢀꢀ
(2)
[0060]
其中，s0(n)为第n群组的当前人数，s1(n)为第n群组的目标人数，s0‑
n
(n)为第n群组在历史上一时间点的人数，该时间点与当前的时间距离为n。
[0061]
在一个具体实施例中，以表1中的4个群组为例，该4个群组的目标人数分别以s1，s2，s3，s4表示。从电商平台数据中抓取过去一年内该4个群组每月的人数并计算月增长率，从而计算新产品(x品牌)上市时的规模，假设新产品n在未来3个月后上市，则对于第1群组(x品牌忠实粉丝)在3个月后的目标人数可以表示为公式(3)：
[0062]
s
0+3
(1)＝s0(1)
×
(1+cagr1)3ꢀꢀ
(3)
[0063]
其中，s0(1)为第1群组的当前人数，s
0+3
(1)为第一群组在3个月后的目标人数，cagr1为第1群组在过去12个月的复合增长率，cagr1可通过公式(4)得到：
[0064]
cagr1＝[s0(1)/s0‑
11
(1)]
(1/11)
‑1ꢀꢀ
(4)
[0065]
其中，s0‑
11
(1)为第1群组的11个月之前的人数，根据上述算法还可对应算出其他三个群组的目标人数。
[0066]
本实施例中，历史上多个时间点的人数基于电商平台数据真实统计得到，能够准确反映各个群组的人数随时间变化的情况，得到准确的增长率，由此计算出的目标人数更
能够反映真实场景的人数增长，结果更准确。
[0067]
在一个实施例中，图1中步骤s104所述根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果，可以包括：根据每一群组的目标人数和潜在购买频次，以及所述产品的价格，计算每一群组的总价值；将所有群组的总价值之和作为所述产品的目标市场规模；根据所述目标市场规模和所述产品上市后的交易转化策略，计算所述产品上市预设时间之后的销量预测结果。
[0068]
具体地，继续表1的实施例，每一群组的总价值：vn＝sn
×
所述产品的价格
×
该群组中的个体购买所述产品的可能性
×
f
n
，n表示第n个群组，f
n
为第n群组可能购买所述产品的频率。所述销量预测结果＝v1+v2+v3+v4，即销量预测结果为所有群组可能产生的总销量。其中，各个群组中的个体购买所述产品的可能性可以根据所述关联向量得到，或者可以通过所述产品所属品牌或种类的电商平台数据计算得到，也可以通过消费者问卷调查数据，了解消费者在未来(如前述例子的三个月)可能购买所述产品的频率(记作f)。进一步，若存在所述产品所属品牌或种类的电商平台数据，则优先使用该数据。
[0069]
另外，在计算各个群组中的个体购买所述产品的可能性时，还可以通过消费者新品模拟测试，获取每一群组的个体对所述产品的购买意愿(记作pr)。具体方法，将所述产品未来上市后的具体信息以模拟的方式制作成为电商在售产品的产品详情页，这些信息包括所述产品的品牌/属性信息、真实图片、价格信息等，在产品详情页制作完成之后通过电商平台横幅广告的形式向电商平台的消费者展示，如果消费者对产品横幅广告感兴趣会点击广告，从而进入到所述产品模拟的产品详情页，在浏览完产品相关的信息之后消费者可以选择点击购买、收藏、加入购物车、咨询客服、离开或关闭该产品详情页等操作。消费者在所有这些操作之前并不知道该产品是未上市产品，因此能够可靠了解消费者对该产品的真实购买意愿pr。
[0070]
可选的，每一群组的总价值：v
n
＝s
n
×
所述产品的价格
×
f
n
×
pr
n
，也即，将获取的每一群组的个体对该产品的真实购买意愿pr和每一群组在未来可能购买所述产品的频率f结合起来判断该群组中的个体购买所述产品的可能性。其中，f
n
为第n群组可能购买所述产品的频率，pr
n
第n群组对该产品的真实购买意愿。
[0071]
将上述得到的各个群组的总价值之和作为目标市场规模，即在进行销量预测之前，所述产品面对的市场规模的大小。利用交易转化策略对所述目标市场规模进行交易转化，即可以得到所述销量预测结果。其中，所述交易转化策略为促使各个群组的个体购买所述产品的策略，可以为一种或多种营销策略，如线上、线下的广告、促销如赠送小礼品等等。
[0072]
由此，能够基于对所述产品的实际信息，准确预测各个群组中的个体购买所述产品的可能性。且各个群组的目标人数s
n
基于真实的历史数据预测得到，各个群组中的个体购买所述产品的可能性基于对所述产品的消费者问卷调查数据或者消费者新品模拟测试得到，不仅考虑了历史消费者的惯性发展，也考虑了市场变化的多样性，使得最终的产品的销量预测结果更具有参考性。
[0073]
可选的，所述交易转化策略至少包括以下一种：平台外广告平台内重定向、平台内广告、其他平台外广告。
[0074]
其中，平台内广告为在电商平台内的广告，如淘宝的首页推送、搜索推荐等等，可以直接在电商平台内对接收或访问该广告的用户进行定向(或触达)。
[0075]
平台外广告平台内重定向即在除所述电商平台之外的其他平台内投放广告，如爱奇艺的开屏广告等，再通过电商平台对电商平台外已经投放的人群进行重新触达。可根据电商平台用户的账号(id)、设备号、网络识别码等几十种用户识别id找出投放人群，若所述电商平台包括多个购买渠道，可定位投放人群中各个个体偏向的购买渠道(如淘宝、京东等)，并通过相应的购买渠道向这些个体再次投放广告。
[0076]
其他平台外广告为前述两类广告之外的其他广告，其他平台外广告与平台外广告平台内重定向之间的差异在于：其他平台外广告无法在电商平台内重定向，如地铁广告、杂志广告、口碑传播、品牌宣传等带来的自主访客等等。再例如，优酷广告属于阿里体系(即电商平台)，可对观看广告的用户在阿里平台内重定向，故优酷广告属于平台外广告平台内重定向；而优酷和京东不连通，当电商平台为京东时，则优酷广告属于其他平台外广告。
[0077]
通过广告(如横幅广告)的形式向消费者展示所述产品的广告时，能够同时了解消费者对所述产品的广告点击率ctr，ctr＝点击广告的人数
÷
展示广告的总人数，该数据可以通过电商平台的广告系统后台直接获取。
[0078]
在一个具体实施例中，对于表1的第1群组的交易转化策略可以包括表2中的a类、b类和c类：
[0079][0080]
其中，转化人数为将第一群组中若干个不购买所述产品的个体转化为购买所述产品的个体。每一类交易转化策略对每一群组的转化人数并不相同，故可基于目标成本对各个群组设计不同的交易转化策略或者交易转化策略的组合。可以根据模拟广告投放获得的数据或者相似产品的历史广告投放的数据，计算每种广告投放的转化人数。由于不同广告平台和渠道获取用户的能力存在差异，这里需要分不同类型的广告计算。进一步，如果有相似产品的历史广告投放的数据，则优先采用该数据。
[0081]
本实施例中，将所述产品的营销策略考虑进来，能够更加准确地预测新产品的销量，且能够为品牌推荐适应的营销策略，以最大化利用营销成本、促进交易转化。
[0082]
在一个实施例中，所述产品上市后的交易转化策略的获取方法包括：将所述目标成本、每一群组的目标人数输入策略设计模型中，从所述策略设计模型的输出端获取所述产品上市后的交易转化策略，其中，所述产品上市后的交易转化策略至少为一种；其中，所述策略设计模型根据不同种类的交易转化策略对不同群组中消费人群的转化历史、以及不同种类的交易转化策略对应的成本训练得到。
[0083]
其中，策略设计模型为通过大数据训练和机器学习生成的模型，其能够根据历史上的相似产品(如同品牌、属性相似的产品)的历史广告投放的数据学习不同的交易转化策略对每一群组的转化人数，从而输出满足所述目标成本且能够尽可能提高对各个群组的转化人数的交易转化策略。通过策略设计模型能够综合历史数据地特性，自动化获取各个群组适应地交易转化策略，准确度也较高。
[0084]
可选的，对于各个群组可以获取相同的交易转化策略，也可以获取不同的交易转化策略。进一步，当目标成本资源丰富(如资金充足)时，可根据不同群组的消费人群的习惯、偏好，为其选择适合的交易转化策略，以尽可能提高对各个群组的转化人数。当所述目标成本资源紧缺(如不足以覆盖所有的群组，如资金短缺)时，可按照各群组转化效率从高到底的顺序选择部分群组或者群组中的部分个体作为执行交易转化策略的目标个体。
[0085]
在另一个实施例中，请参见图3，所述产品上市后的交易转化策略的获取方法，还可以包括下述步骤s301至步骤s303，详细阐述如下：
[0086]
步骤s301，从电商平台数据中获取不同种类的交易转化策略对不同群组的消费人群的转化历史。
[0087]
可选的，获取的转化历史即为前述的历史上的相似产品(如同品牌、属性相似的产品)的历史广告投放的数据。
[0088]
步骤s302，根据所述转化历史以及所述转化历史对应的交易转化策略的成本、或者测试数据，计算不同种类的交易转化策略对每一群组的投入产出比，其中，所述投入产出比为各个种类的交易转化策略的成本与收益的比值。
[0089]
具体地，根据所述转化历史以及所述转化历史对应的交易转化策略的成本，计算所述投入产出比。请继续参见表2，所述第n群组在各个渠道的广告投入(ai)、对应的转化人数(st
n
)，投入产出比(return on investment，简称roi，第n群组的roi记作roi
n
)可以采用下述公式(5)表示：
[0090]
roi
n
＝sum(st
a
,st
b
,st
c
)
×
f
n
×
所述产品的价格
÷
sum(at
a
,at
b
,at
c
) (5)
[0091]
其中，sum()为对括号内数值求和。
[0092]
还可以根据测试数据，如通过仿真模拟测试得到的测试数据，由此，不仅能够知道消费者购买意愿，也能够测试出各类广告的转化数据。
[0093]
步骤s303，根据不同种类的交易转化策略对每一群组的投入产出比，为不同群组选择交易转化策略，并根据所述目标成本确定选择的交易转化策略对应的成本。
[0094]
根据n个群组的总价值(v)，n个群组投入产出比(roi)，计算得出如果需要穷尽n个群组的各自的总价值，分别需要多少成本(am)。第1群组的am：am1＝v1÷
roi1；第2群组的am：am2＝v2÷
roi2；
…
；以此类推。由于品牌营销投入有限，且n个群组的投入产出比(roi)成一定的下降趋势，品牌理论上会先针对高投入产出比的人群实施交易转化策略。在特定目标成本(aa)的前提下，所述产品上市预设时间之后能够实现的销售额可以采用公式(6)表示：
[0095]
roi1×
min(aa,am1)+roi2×
min(max(aa
‑
am1,0),am2)+roi3×
min(max(aa
‑
am1‑
am2,0),am3)+
…
+roi
n
×
min(max(aa
‑
am1‑
am2‑…‑
am
n
‑1,0),am
n
)(6)
[0096]
本实施例的方案可以融入上一实施例的策略设计模型中，为品牌用户指定所述产品的交易转化策略。
[0097]
请参见图4，图4为本发明实施例的一种产品的销量预测装置的结构示意图，所述
产品的销量预测装置40具体可以包括：
[0098]
历史数据获取模块401，用于从电商平台数据中获取消费人群和所述消费人群的历史交易信息；
[0099]
分组模块402，用于根据所述历史交易信息建立所述消费人群中每一个体与所述产品的关联向量，并根据所述关联向量将所述消费人群分为若干群组，其中，所述关联向量包括所述个体与所述产品的多个关联维度；
[0100]
目标人数计算模块403，用于根据所述电商平台数据，计算每一群组在所述产品上市预设时间之后的目标人数；
[0101]
销量预测模块404，用于根据每一群组的目标人数，计算所述产品上市预设时间之后的销量预测结果。
[0102]
在一个实施例中，所述目标人数计算模块403包括：
[0103]
历史人数获取单元，用于从所述电商平台数据中获取每一群组在历史上多个时间点的人数；
[0104]
增长率计算单元，用于根据每一群组在历史上多个时间点的人数，计算该群组在所述历史上的增长率；
[0105]
目标人数计算单元，用于根据每一群组的增长率，计算每一群组在所述产品上市预设时间之后的目标人数。
[0106]
在一个实施例中，所述增长率为复合增长率，目标人数计算单元可以按照如下公式计算该群组在所述产品上市预设时间之后的目标人数：s1(n)＝s0(n)
×
(1+cagrn)；其中，cagrn＝[s0(n)
÷
s0‑
n
(n)]
1/n
‑
1；其中，s0(n)为第n群组的当前人数，s1(n)为第n群组的目标人数，s0‑
n
(n)为第n群组在历史上一时间点的人数，该时间点与当前的时间距离为n，cagrn为第n群组在历史上的复合增长率。
[0107]
在一个实施例中，所述销量预测模块404包括：
[0108]
总价值计算单元，用于根据每一群组的目标人数和潜在购买频次，以及所述产品的价格，计算每一群组的总价值；
[0109]
销量预测结果获取单元，用于将所有群组的总价值之和作为所述产品的目标市场规模；
[0110]
销量预测单元，用于根据所述目标市场规模和所述产品上市后的交易转化策略，计算所述产品上市预设时间之后的销量预测结果。
[0111]
在一个实施例中，所述产品的销量预测装置40还包括交易转化策略生成模块，所述交易转化策略生成模块可以用于将所述目标成本、每一群组的目标人数输入策略设计模型中，从所述策略设计模型的输出端获取所述产品上市后的交易转化策略，其中，所述产品上市后的交易转化策略至少为一种；其中，所述策略设计模型根据不同种类的交易转化策略对不同群组中消费人群的转化历史、以及不同种类的交易转化策略对应的成本训练得到。
[0112]
在一个实施例中，所述交易转化策略生成模块可以包括：
[0113]
转化历史获取单元，用于从电商平台数据中获取不同种类的交易转化策略对不同群组的消费人群的转化历史；
[0114]
投入产出比计算单元，用于根据所述转化历史以及所述转化历史对应的交易转化
策略的成本、或者测试数据，计算不同种类的交易转化策略对每一群组的投入产出比，其中，所述投入产出比为各个种类的交易转化策略的成本与收益的比值；
[0115]
交易转化策略确定单元，用于根据不同种类的交易转化策略对每一群组的投入产出比，为不同群组选择交易转化策略，并根据所述目标成本确定选择的交易转化策略对应的成本。
[0116]
可选的，所述交易转化策略至少包括以下一种：平台外广告平台内重定向、平台内广告、其他平台外广告。
[0117]
关于产品的销量预测装置40的工作原理、工作方式的更多内容，可以参照上述图1至图3中的对于产品的销量预测方法的相关描述，这里不再赘述。
[0118]
进一步地，本发明实施例还公开一种存储介质，其上存储有计算机程序，计算机程序被处理器运行时执行上述图1至图3所示产品的销量预测方法的技术方案。
[0119]
进一步地，本发明实施例还公开一种计算机设备，包括存储器和处理器，存储器上存储有能够在处理器上运行的计算机程序，处理器运行计算机程序时执行上述图1至图3所示产品的销量预测方法的技术方案。
[0120]
具体地，在本发明实施例中，所述处理器可以为中央处理单元(central processing unit，简称cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0121]
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read
‑
only memory，简称rom)、可编程只读存储器(programmable rom，简称prom)、可擦除可编程只读存储器(erasable prom，简称eprom)、电可擦除可编程只读存储器(electrically eprom，简称eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称ram)可用，例如静态随机存取存储器(static ram，简称sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，简称sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，简称ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，简称esdram)、同步连接动态随机存取存储器(synchlink dram，简称sldram)和直接内存总线随机存取存储器(direct rambus ram，简称dr ram)。
[0122]
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
[0123]
本申请实施例中出现的“多个”是指两个或两个以上。
[0124]
本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。
[0125]
本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式，以实现设备间的通信，本申请实施例对此不做任何限定。
[0126]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。