属性数据分析的方法和装置

摘要

本发明实施例提供一种属性数据分析的方法和装置，能够按不同维度筛选帮助商家找到竞争对手，并锁定竞争商品，此外还可以针对性的就重点商品进行属性数据分析、属性值建议及属性值模拟。该方法包括：根据商家的数据看板获取商家的相似商家；利用相似商家的数据看板筛选商家商品的相似商品；根据相似商品的属性值区间计算商家商品的建议属性值。

权利要求

1.一种属性数据分析的方法，其特征在于，包括：根据商家在同一品牌和/或品类维度下的日均成交总额排名，从所述同一品牌和/或品类的商家中选取预设个数的商家作为候选相似商家，根据预设相似性规则从所述候选相似商家中筛选相似商家，其中，相似性规则包括：替代、重合、规模和高度；

利用所述相似商家的数据看板筛选商家商品的相似商品；

根据所述相似商品的属性值区间，利用预设建议算法计算所述商家商品的建议属性值；

其中，所述数据看板包括如下至少一种信息：商品数据、品牌数据、品类数据、日均成交总额数据、日均浏览量数据、重点商品数据、商品价格弹性数据、商品价格标签数据。

2.根据权利要求1所述的方法，其特征在于，利用所述相似商家的数据看板筛选商家商品的相似商品包括：

从所述相似商家的商品数据中筛选与所述商家的重点商品相似的商品，作为相似商品。

3.根据权利要求1所述的方法，其特征在于，根据所述相似商品的属性值区间，利用预设建议算法计算所述商家商品的建议属性值包括：根据所述相似商品的属性值区间的最大值和最小值，利用四分卫算法和/或动态优化主导算法和/或目标优化主导算法计算所述商家商品的建议属性值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述建议属性值模拟所述商家商品的预测销售数据。

5.一种属性数据分析的方法，其特征在于，包括：根据商家在同一品牌和/或品类维度下的日均成交总额排名，从所述同一品牌和/或品类的商家中选取预设个数的商家作为候选相似商家，根据预设相似性规则从所述候选相似商家中筛选相似商家，其中，相似性规则包括：替代、重合、规模和高度；

利用所述相似商家的数据看板筛选商家商品的相似商品；

根据所述相似商品的属性值区间模拟所述商品的预测销售数据。

6.根据权利要求5所述的方法，其特征在于，根据所述相似商品的属性值区间模拟所述商品的预测销售数据包括：

将所述相似商品的属性值区间的最大值作为模拟最大值，将所述商品的当前销售属性值乘以预设百分比作为模拟最小值；

利用所述模拟最大值和所述模拟最小值组成的模拟区间，模拟所述商品的预测销售数据。

7.一种属性数据分析的装置，其特征在于，包括：获取模块，用于根据商家在同一品牌和/或品类维度下的日均成交总额排名，从所述同一品牌和/或品类的商家中选取预设个数的商家作为候选相似商家，根据预设相似性规则从所述候选相似商家中筛选相似商家，其中，相似性规则包括：替代、重合、规模和高度；

筛选模块，用于利用所述相似商家的数据看板筛选商家商品的相似商品；

计算模块，用于根据所述相似商品的属性值区间，利用预设建议算法计算所述商家商品的建议属性值；

其中，所述数据看板包括如下至少一种信息：商品数据、品牌数据、品类数据、日均成交总额数据、日均浏览量数据、重点商品数据、商品价格弹性数据、商品价格标签数据。

8.根据权利要求7所述的装置，其特征在于，所述筛选模块还用于：从所述相似商家的商品数据中筛选与所述商家的重点商品相似的商品，作为相似商品。

9.根据权利要求7所述的装置，其特征在于，所述计算模块还用于：根据所述相似商品的属性值区间的最大值和最小值，利用四分卫算法和/或动态优化主导算法和/或目标优化主导算法计算所述商家商品的建议属性值。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：模拟模块，用于根据所述建议属性值模拟所述商家商品的预测销售数据。

11.一种属性数据分析的装置，其特征在于，包括：获取模块，用于根据商家在同一品牌和/或品类维度下的日均成交总额排名，从所述同一品牌和/或品类的商家中选取预设个数的商家作为候选相似商家，根据预设相似性规则从所述候选相似商家中筛选相似商家，其中，相似性规则包括：替代、重合、规模和高度；

筛选模块，用于利用所述相似商家的数据看板筛选商家商品的相似商品；

模拟模块，用于根据所述相似商品的属性值区间模拟所述商品的预测销售数据。

12.根据权利要求11所述的装置，其特征在于，所述模拟模块还用于：将所述相似商品的属性值区间的最大值作为模拟最大值，将所述商品的当前销售属性值乘以预设百分比作为模拟最小值；

利用所述模拟最大值和所述模拟最小值组成的模拟区间，模拟所述商品的预测销售数据。

13.一种电子设备，其特征在于，包括：一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1‑6中任一所述的方法。

说明书

属性数据分析的方法和装置

技术领域

[0001] 本发明涉及计算机技术领域，尤其涉及一种属性数据分析的方法和装置。

背景技术

[0002] 随着市场竞争的日趋激烈，网络交易平台上商家也面临着日趋复杂的销售竞争环境。准确、高效地计算合理的建议属性值和实施属性值模拟，对于精准定位竞争对手、充分
发挥属性优势、有效的对标、帮助商家争取到的更多的用户，显得尤为重要。

[0003] 现有技术中进行属性值建议和属性值模拟的方案大致如下：1、采用现有的网络购物属性值确定模型实现属性值建议；2、利用国外较常用的属性值确定工具服务商
Feedvisor及第三方属性值优化工具Repricers进行自动调整属性值。

[0004] 在实现本发明过程中，发明人发现现有技术中至少存在如下问题：第一种属性值建议的方案，属性值建议的功能单一，只能实现单页属性值建议，且建议规则不够明确、如
何定价不可设置，另外，只针对具体单品进行分析，没有考虑竞争商品、竞争商家进行深度
分析；有关第二种属性值建议的方案，自动调价风险较大，且除属性值分析之外无其它维度
的竞争分析，此外，该类分析工具在国内环境缺乏适应性，因此不具有普遍适用性。

发明内容

[0005] 有鉴于此，本发明实施例提供一种属性数据分析的方法和装置，能够按不同维度筛选帮助商家找到竞争对手，并锁定竞争商品，此外还可以针对性的就重点商品进行属性
值分析、属性值建议及属性值模拟。

[0006] 为实现上述目的，根据本发明实施例的一个方面，提供了一种属性数据分析的方法。

[0007] 本发明实施例的一种属性数据分析的方法包括：根据预设相似性规则从商家的数据看板中获取所述商家的相似商家；利用所述相似商家的数据看板筛选商家商品的相似商
品；根据所述相似商品的属性值区间，利用预设建议算法计算所述商家商品的建议属性值。

[0008] 可选地，数据看板包括如下至少一种信息：商品数据、品牌数据、品类数据、日均成交总额数据、日均浏览量数据、重点商品数据、商品价格弹性数据、商品价格标签数据。

[0009] 可选地，根据预设相似性规则从商家的数据看板中获取商家的相似商家包括：根据商家在同一品牌和/或品类维度下的日均成交总额排名，从同一品牌和/或品类的商家中
选取预设个数的商家作为候选相似商家；根据预设相似性规则从候选相似商家中筛选相似
商家。

[0010] 可选地，利用相似商家的数据看板筛选商家商品的相似商品包括：从相似商家的商品数据中筛选与商家的重点商品相似的商品，作为相似商品。

[0011] 可选地，根据相似商品的属性值区间，利用预设建议算法计算所述商家商品的建议属性值包括：根据相似商品的属性值区间的最大值和最小值，利用四分卫算法和/或动态
优化主导算法和/或目标优化主导算法计算商家商品的建议属性值。

[0012] 可选地，所述方法还包括：根据建议属性值模拟所述商家商品的预测销售数据。

[0013] 为实现上述目的，根据本发明实施例的另一方面，提供了另一种属性数据分析的方法。

[0014] 本发明实施例的属性数据分析的方法包括：根据预设相似性规则从商家的数据看板中获取商家的相似商家；利用相似商家的数据看板筛选商家商品的相似商品；根据相似
商品的属性值区间模拟商品的预测销售数据。

[0015] 可选地，根据相似商品的属性值区间模拟商品的预测销售数据包括：将相似商品的属性值区间的最大值作为模拟最大值，将商品的当前销售属性值乘以预设百分比作为模
拟最小值；利用模拟最大值和所述模拟最小值组成的模拟区间，模拟商品的预测销售数据。

[0016] 为实现上述目的，根据本发明实施例的再一方面，提供了一种属性数据分析的装置。

[0017] 本发明实施例的一种属性数据分析的装置包括：获取模块，用于根据预设相似性规则从商家的数据看板中获取商家的相似商家；筛选模块，用于利用相似商家的数据看板
筛选商家商品的相似商品；计算模块，用于根据相似商品的属性值区间，利用预设建议算法
计算所述商家商品的建议属性值。

[0018] 可选地，数据看板包括如下至少一种信息：商品数据、品牌数据、品类数据、日均成交总额数据、日均浏览量数据、重点商品数据、商品价格弹性数据、商品价格标签数据。

[0019] 可选地，获取模块还用于：根据商家在同一品牌和/或品类维度下的日均成交总额排名，从同一品牌和/或品类的商家中选取预设个数的商家作为候选相似商家；根据预设相
似性规则从候选相似商家中筛选相似商家。

[0020] 可选地，筛选模块还用于：从相似商家的商品数据中筛选与商家的重点商品相似的商品，作为相似商品。

[0021] 可选地，计算模块还用于：根据所述相似商品的属性值区间的最大值和最小值，利用四分卫算法和/或动态优化主导算法和/或目标优化主导算法计算商家商品的建议属性
值。

[0022] 可选地，所述装置还包括：模拟模块，用于根据建议属性值模拟商家商品的预测销售数据。

[0023] 为实现上述目的，根据本发明实施例的又一方面，提供了另一种属性数据分析的装置。

[0024] 本发明实施例的另一种属性数据分析的装置包括：获取模块，用于根据预设相似性规则从商家的数据看板中获取商家的相似商家；筛选模块，用于利用相似商家的数据看
板筛选商家商品的相似商品；模拟模块，用于根据相似商品的属性值区间模拟商品的预测
销售数据。

[0025] 可选地，模拟模块还用于：将相似商品的属性值区间的最大值作为模拟最大值，将商品的当前销售属性值乘以预设百分比作为模拟最小值；利用模拟最大值和所述模拟最小
值组成的模拟区间，模拟商品的预测销售数据。

[0026] 为实现上述目的，根据本发明实施例的又一方面，提供了一种电子设备。

[0027] 本发明实施例的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个
处理器实现本发明实施例的属性数据分析的方法。

[0028] 为实现上述目的，根据本发明实施例的又一方面，提供了一种计算机可读介质。

[0029] 本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的属性数据分析的方法。

[0030] 上述发明中的一个实施例具有如下优点或有益效果：因为采用首先基于商品的数据看板帮助商家找到竞争对手，然后基于商品品牌和品类帮助商家锁定用于属性值比价、
属性值优化的竞争商品，并进行属性值建议的技术手段，所以克服了只有单品分析，没有竞
品、竞商分析，自动调价风险大以及无其它维度的竞争分析的技术问题，进而达到辅助商家
合理计算建议属性值、深化属性值竞争优势的技术效果；此外，本发明实施例通过获取多种
类的数据看板，从而能够在属性值分析的过程中，实现获取数据的可回溯、钻取深；通过从
所述同一品牌和/或品类的商家中选取预设个数的商家作为候选相似商家，从而能够在基
于行业竞争的基础上，对商品进行智能分类，从而实现精确匹配竞争商家、商品；通过从所
述相似商家的商品数据中筛选与所述商家的重点商品相似的商品，作为相似商品，从而能
够准确、高效的针对商家重点商品进行属性值建议，提高属性值开发的效率；通过利用智能
建议算法进行属性值建议，从而能够根据商家的不同定价需求，准确、灵活的进行属性值建
议；通过使用模拟算法预测包括销量、毛利、GMV等在内的商品销售数据，从而能够基于属性
值建议的结果，对模拟商品的销售情况，供商家参考；此外，本发明一实施例中，通过根据相
似商品的属性值区间模拟商品的预测销售数据，从而能够辅助商家了解同行业内其他竞争
对手的销售情况，有利于商家做出正确决策。

[0031] 上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

[0032] 附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

[0033] 图1是根据本发明实施例的属性数据分析的方法的主要步骤的示意图；

[0034] 图2是根据本发明实施例的属性数据分析的方法的主要流程的示意图；

[0035] 图3是根据本发明实施例的属性数据分析的方法中获取数据看板的逻辑示意图；

[0036] 图4是根据本发明实施例的属性数据分析的方法中商品价格带的展示示意图；

[0037] 图5a‑图5c是根据本发明实施例的属性数据分析的方法中描述用户在商品价格带之间不同跳转情形的示意图；

[0038] 图6是根据本发明实施例的属性数据分析的方法中根据四分卫算法的商品价格标签的体系示意图；

[0039] 图7是根据本发明实施例的属性数据分析的方法中基于四分卫算法进行价格建议的主要流程示意图；

[0040] 图8是根据本发明实施例的属性数据分析的方法中基于动态优化主导算法进行价格建议的主要流程示意图；

[0041] 图9是根据本发明实施例的属性数据分析的方法中基于目标优化主导算法进行价格建议的主要流程示意图；

[0042] 图10是根据本发明实施例的属性数据分析的装置的主要模块的示意图；

[0043] 图11是本发明实施例可以应用于其中的示例性系统架构图；

[0044] 图12是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

[0045] 以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识
到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同
样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

[0046] 图1是根据本发明实施例的属性数据分析的方法的主要步骤的示意图，如图1所示，本发明实施例的一种属性数据分析的方法主要包括如下步骤：

[0047] 步骤S101：根据预设相似性规则根据从商家的数据看板中获取所述商家的相似商家。该步骤的目的在于筛选相似商家，具体过程可以包括：根据商家在同一品牌和/或品类
维度下的日均成交总额排名，从同一品牌和/或品类的商家中选取预设个数的商家作为候
选相似商家；根据预设相似性规则从候选相似商家中筛选相似商家。

[0048] 步骤S102：利用所述相似商家的数据看板筛选商家商品的相似商品。

[0049] 步骤S103：根据所述相似商品的属性值区间，利用预设建议算法计算商家商品的建议属性值。

[0050] 本发明实施例中，数据看板主要包括如下至少一种信息：商品数据、品牌数据、品类数据、日均成交总额数据、日均浏览量数据、重点商品数据、商品价格弹性数据、商品价格
标签数据。

[0051] 其中，上述重点商品数据的统计目的在于，在对商家的商品进行属性值建议的过程中，可以主要针对商家的重点商品进行属性数据分析和建议。例如销量排名在前10的数
据。当然，此处重点商品的数量并不限于10个。本发明实施例中，可以基于多个维度定义和
选取重点商品。例如以销售额、销量、页面浏览量(Page View，以下简称“PV”)、加购物车转
化率、生成订单转化率等。本发明实施例中，至少可以支持对100个商品的属性值建议，即重
点商品可以至少选取为100位，从而可以最大限度的满足商家优化商品属性值的需求。

[0052] 因此，本发明实施例中，上述利用相似商家的数据看板筛选商家商品的相似商品还可以包括：从相似商家的商品数据中筛选与商家的重点商品相似的商品，作为相似商品。

[0053] 此外，前述根据相似商品的属性值区间计算商家商品的建议属性值还可以包括：根据相似商品的属性值区间的最大值和最小值，利用四分卫算法和/或动态优化主导算法
和/或目标优化主导算法计算商家商品的建议属性值。

[0054] 基于前述计算出的建议属性值，本发明实施例的属性数据分析的方法还可以包括根据所述建议属性值模拟所述商家商品的预测销售数据的步骤。该步骤的主要目的在于根
据建议属性值预测商家商品的预期销售数据，例如但不限于一段时间内的成交总额(Gross 
Merchandise Volume，以下简称“GMV”)、PV、毛利等销售数据。

[0055] 此外，在本发明另一实施例，本发明的属性数据分析的方法还可以直接根据相似商家的相似商品进行属性值模拟，即根据其他商家的相似商品的属性值分布带，模拟自身
商品的预期销售数据。主要包括如下步骤：

[0056] 步骤S101：根据预设相似性规则根据从商家的数据看板中获取所述商家的相似商家；

[0057] 步骤S102：利用所述相似商家的数据看板筛选商家商品的相似商品；以及

[0058] 步骤S104(图中未示出)：根据所述相似商品的属性值区间模拟所述商品的预测销售数据。

[0059] 其中，步骤S104具体而言，可以采用如下逻辑进行：将相似商品的属性值区间的最大值作为模拟最大值，将商品的当前销售属性值乘以预设百分比作为模拟最小值；利用模
拟最大值和所述模拟最小值组成的模拟区间，模拟所述商品的预测销售数据。

[0060] 本发明实施例中，可以基于一种属性值开放及模拟的跟踪系统实现属性数据分析，该系统主要由：商家数据看板(即指商家所有商品的整体的销量数据概览，还可以包括
与相似商家商品对比趋势图)模块、竞争商家(即相似商家)看板及竞争商家筛选模块、重点
商品分析模块、属性值建议模块及属性值模拟模块组成。图2是根据本发明实施例的属性数
据分析的方法的主要流程的示意图。以下以对商品的价格这一属性数据进行分析，得出商
品的建议价格和进行价格模拟为例(当然本发明技术方案并不仅仅涉及对价格这一属性数
据进行分析，还可以根据实际分析需求对其他属性数据进行建议和模拟)，结合图2对系统
各组成部分详述：

[0061] (1)商家数据看板模块

[0062] 该数据看板模块主要可以包括如下信息：商家主要经营品牌、主要经营类目、商品数量、近七日日均成交总额GMV、近七日日均浏览量PV、重点商品、重点价格带、价格敏感分
布等内容。

[0063] 图3是根据本发明实施例的属性数据分析的方法中获取数据看板的逻辑示意图。如图3所示，本发明实施例中获取看板数据，无论是商家的，还是相似商家的，基本是通过如
下流程：将需要获取的数据从数据存储模块(本发明实施例中，可以但不限于是数据仓库。
具体存储模块的选择可以基于数据量大小和处理的需求进行预先选择)中通过定时任务进
行数据同步，利用Redis(Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存
亦可持久化的日志型、Key‑Value数据库，并提供多种语言的API)的flag标记判断数据是否
已同步完成。其中，若flag的值Value为1，则认为数据已同步完成。此时，数据看板的任务调
度工具Plumber通过判断Value的值从而可以确定可以调度昨天(即dt＝sysdate(‑1))的数
据(此处是针对需要获取前一天数据的数据类型，若需要获取的是以月为周期的数据，则此
处为上个月，以此类推)，否则，使用前天(即dt＝sysdate(‑2))的数据。

[0064] 其中又可细分为如下子模块：

[0065] 商品数量，包括：该店铺当前SKU个数(SKU即Stock Keeping Unit，意为库存量单位。即库存进出计量的基本单元，可以是以件，盒，托盘等为单位。本发明实施例中，SKU个
数，可以理解为一类商品的个数或者单独就指商品的个数，本发明实施例中，以SKU指代某
个商品)、主要类目销售占比、主要品牌销售占比；

[0066] 近七日日均GMV，包括：昨日店铺总销量、昨日GMV、昨日VS前日的GMV增长率、昨日销量冠军商品)，此处选为近七日为计算单位，即数据看板一般只需展示近几日数据分析，
这是因为商家基本会每天登录网络交易平台关注自家商品的销售额，包括下述的日均浏览
量，因此，设置较细的计算粒度有助于商家获取合理的价格建议；

[0067] 近七日日均PV，包括：昨日店铺UV(即unique visitor，是指通过互联网访问、浏览这个网页的自然人，本发明实施例中，可以成为“独立访客量”)、昨日店铺PV、昨日VS前日的
PV增长率、昨日PV冠军商品；

[0068] 价格带，主要包括：该店铺SKU数量最多的价格带和SKU数量最少的价格带；

[0069] 价格敏感分布，包括：该店铺内属于高弹性商品的数量占总体商品数量的比例。

[0070] 本发明实施例中，判断弹性高低的可以采用如下逻辑进行：

[0071] 首先，可以根据计算的准确度设定弹性取值的优先级为：商品自身弹性>随机森林算法质量好的结果>质量相对不好的结果>所属品牌弹性>所属品类弹性。

[0072] 计算弹性时，以三个月(该处取值可根据实际计算需求进行灵活调整)为滚动周期进行更新计算。计算商家对应品类下所有SKU的弹性中值。如SKU弹性高于该店铺该品类下
的弹性中值，则商品为高弹性；如SKU弹性低于该店铺该品类下的弹性中值，则商品为低弹
性。

[0073] 此外，商家数据看板模块中，还可以包括如下模块：

[0074] 行业走势模块

[0075] 为商家提供基于三级品类、品牌、一定时间范围内的市场行业走势分析。通过流量(PV、UV)、销售月GMV来直观的展示该品类或该品牌随着时间发展的整体趋势；

[0076] 商家走势模块

[0077] 与行业走势的分析维度一致，根据用户所选指定时间范围内，该商家在品类或品牌维度下的PV\UV\GMV的发展走势；

[0078] 销售规模排序模块

[0079] 该模块为商家提供的是基于销售GMV和销量的走势分析并考虑GMV排名，帮助商家了解目前在市场中的竞争排名；

[0080] 流量规模排序模块

[0081] 和销售规模排序维度一致，该模块为商家提供的是基于PV和UV的走势分析并考虑流量排名，帮助商家了解目前在市场中的竞争排名；

[0082] 商品智能分类标签模块

[0083] 基于店铺下的所有SKU流量(PV、UV等)、弹性等维度得出的商品智能分类标签，通过统一展示告知商家该店铺内所有商品的价格标签和对应的SKU数量；如：有爆款型、高弹
款、潜力股、长尾型。

[0084] 本发明实施例中，通过流量和弹性来判断商品SKU价格标签的计算方法如下：

[0085] 1、判断流量高低：

[0086] 选取商家店铺下的所有SKU，以周为计算周期，计算这个店铺的总PV到各个SKU的分配情况。然后计算各SKU实际PV占比，取高于一定阈限(此处可定义为90分位)的认为是高
流量，低于该阈限认为是低流量。

[0087] 2、判断弹性高低：

[0088] 选定商家店铺下的所有SKU，取其弹性，从低到高排序，取3/4分位处的值作为弹性中值，大于这个值为高弹性，小于这个值为低弹性)

[0089] (2)竞争商家看板及竞争商家筛选模块

[0090] 该模块为商家提供基于相似性学习算法而得出的相似商家数据看板。

[0091] 本发明实施例中，可以根据商家商品的主要品牌或品类，判断在相同品牌或品类下GMV排名靠前(例如但不限于为排名前20)的商家作为候选相似商家集，然后基于如下四
种相似性学习算法从候选相似商家集中进行相似商家的筛选：

[0092] 替代：通过计算用户在店内的点击和跳转概率，在同一品牌或品类范围之内，列出最有可能形成商家访问竞争的替代性商家名单；

[0093] 重合：通过计算商家与其他商家的店内商品重合程度，在同一品牌或类目品类范围之内，给出重合程度高的相似商家名单；

[0094] 规模：通过计算商家的月度销售规模，在同一品牌或品类范围之内，给出销售规模最接近的相似商家名单；

[0095] 高度：基于三种维度(替代、重合、规模)得出结果的并集。

[0096] 在本发明实施例中价格开放及模拟的跟踪系统中，每一种相似性学习算法可以对应一个筛选功能，商家可以通过筛选功能，自定义不同范围的相似商家，系统将基于商家的
选择，展示相似商家的名单，同时也为下一步的重点商品分析提供价格的基础区间。

[0097] 此外，竞争商家看板及竞争商家筛选模块中，还可以包括商家价格带的概览。商家价格带主要用于为商家展示基于品类、品牌维度的价格带，通过时间维度、商家排名等以图
表的方式展示不同价格带上的SKU数量占比。

[0098] 价格带是品牌商家面向消费者的一个重要信息窗口，一个合理的价格带定位，以及一个重要价格带上商品种类的丰富程度，将很大程度上对消费者的选择偏好和消费认知
产生影响，从而影响他的品牌忠诚度。找到相似商家之后，分析相似商家的品牌定位，主意
是看相似商家与自身在价格定位上的分布是否存在直接冲突，自身是否需要在价格带上做
出调整，例如补充或弱化等。

[0099] 利用价格带分析竞争情况，可以通过展示商家品牌的主要价格带和相似商家的价格带进行，比较分析两个价格带是否一致。对于双方都存在的一致价格带，深入分析该价格
带内GMV排名靠近的商家之间的竞争关系。对于不一致的价格带，则分析用户在不同品牌、
不同价格带上的跳转关系，从而计算得出价格带对于用户的选择偏好所产生的作用。

[0100] 图4是根据本发明实施例的属性数据分析的方法中商品价格带的展示示意图。如图4所示，商家价格带的展示可以是基于品类或品牌维度的价格带，以条形图进行表示，表
示不同价格带上的SKU数量占比。此时商家也可以通过“展示商家”功能选择市场前若干名、
以及自己相邻的前后若干名的商家进行比较和查询。本发明实施例中，以显示三个商家的
价格带为例进行描述。

[0101] 图5a‑图5c即为根据本发明实施例的属性数据分析的方法中描述用户在商品价格带之间不同跳转情形的示意图。图5a是在同一品牌下，不同的价格带之间，用户发生跳转的
示意图，可用来帮助商家梳理自身价格结构的问题。图5b是在不同品牌间，相同价格带之
间，用户发生跳转的示意图，用来帮助商家梳理重点价格带上的竞争性强弱，从而辅助决策
是否应该在价格带上通过调整价格或者改变商铺布局来改善状况。图5c是在不同品牌间，
不同价格带下，用户发生跳转的示意图，用来帮助商家梳理重点价格带上的竞争性强弱，从
而辅助决策是否应该在价格带上通过调整价格或者改变商铺布局来改善状况，或者是通过
调整品牌的营销手段来改善状况。

[0102] (3)重点商品分析模块

[0103] 该模块用于提供本发明实施例的商铺在最近一段时间内(例如但不限于为1个月)的销量排名在前若干位(如前所述的前10，实际上，本发明实施例可以支持100位以上的重
点商品)的重点商品明细，并且该模块支持商品排序、重点商品列表导出、跳转至价格建议
模块等操作。

[0104] 此处，重点商品明晰可以包括但不限于如下信息：SKUID、当前页面价、销售量、GMV、浏览量(PV)、敏感度(价格弹性高则为高敏感度、价格弹性低则为低敏感度)、订单转化
率(订单转化率＝当天该SKU成功下单时间以后24h内完成支付/该SKU在当天的订单数量)、
加购物车转化率(加购物车转化率＝该SKU在加入购物车时间以后24h内所生成订单次数/
该SKU在被加入购物车的次数)、价格标签。其中，页面价、成交价、订单转化率、加购物车转
化率数据通常以最新数据为主，销售量、GMV、浏览量通常均以最近一个月的平均数为主。

[0105] (4)价格建议模块

[0106] 该模块根据输入的重点商品编号(即SKUID)展示出该商品上一个月的销售走势分析，例如通过流量、成交价、页面价展示该商品随着时间发展的整体趋势。同时根据重点商
品从相似商家的商品中过滤出具有竞争匹配度的相似商品列表。

[0107] 然后根据过滤出的相似商品，输入重点商品的成本以计算得出该商品的建议价格。

[0108] 本发明实施例中，设置了三种建议价格计算模式供商家选择，包括三个维度，分别为：市场竞争主导(基于四分卫算法)、动态优化主导、目标优化主导)；

[0109] 第一种：市场竞争主导(基于四分卫算法)

[0110] 图6是根据本发明实施例的属性数据分析的方法中根据四分卫算法的商品价格标签与相似商品价格区间对应的体系示意图；格分析的方法中基于四分卫算法进行价格建议
的主要流程示意图。以下结合图6和图7对市场竞争主导的价格建议算法进行详细介绍。

[0111] 根据商家所选择确认的相似商品(竞争商品)，首先确定商品的价格范围。取相似商品的市场价格最低价作为左端点，市场价格的最高价作为右端点。

[0112] 接下来进行商品价格标签分类与相似商品价格区间分类的对应。首先，校验价格的分布情况，对于价格点偏差值较大的，结合方差等统计指标进行异常值过滤。

[0113] 其次，判断该商品的相似商品数量。如若相似商品数量≥10，则对所有相似商品的价格按照从低到高的排序，并且按照统计学意义上的分位切分25％、50％、75％、100％作为
不同价格标签(爆款、高弹性、潜力、长尾)的对应价格点；若相似商品数量＜10，则对价格范
围的最大值max至最小值min区间，进行平均四等分的切分，确定之后的等分位25％、50％、
75％、100％作为不同价格标签(爆款、高弹性、潜力、长尾)的对应价格点。

[0114] 再次，根据流量高低、弹性高低，确定了商品的价格标签体系如下，进而可以为每一个商品分配一个合理的价格标签。价格标签有四种：分别是高流量高弹性(爆款)、高流量
低弹性(潜力)、低流量低弹性(长尾)、高弹性低流量(高弹)。

[0115] 这四种价格标签对应在市场价格最大值减去最小值的范围中，分别位于不同的分位上——低位、中位、中高位、高位。例如【min，max】为【80，100】，则针对20进行四分位(20/4
＝5)，因此分别是85、90、95、100，分别位于不同的分位上——低位、中位、中高位、高位。具
体价格标签与相似商品价格区间的对应关系如下：

[0116] 高流高弹：一般是引流品、爆款商品，此时的价格策略一般是位于市场上的低价位段上，系统默认是25％分位，接近Min值。

[0117] 高流低弹：一般是大众市场里的小众品类，比如饮料里的苹果醋，面对的竞争压力相对较少，因为是大众品类‑饮料，所以有不低的流量，此时商品具有较好的涨价空间，在市
场价格范围内默认是75％分位的中高位，接近max值。

[0118] 低流低弹：一般是小众市场里的刚需品，如剃须刀里的中高端品牌，竞争较少，价格不敏感，此时在市场价格范围内保持高价位，取100％分位。

[0119] 高弹低流：在小众市场里具备增量空间，如老罗的锤子手机，流量一开始很少属于相对小众商品，但是产品品质好，可以通过降价实现销量的提升，吸引更多的人关注，此时
适度降价策略合适，可以取50％分位的中位。

[0120] 如图6所示，位于高流量低弹性的中高位价格区间的商品，可以通过适当涨价，得出建议价格，使其向高流量高弹性进行转化。又或位于高弹性低流量的中位价格区间的商
品，可以通过降价得出建议价格，使其向高流量高弹性进行转化。

[0121] 第二种：动态优化主导算法

[0122] 图8是根据本发明实施例的属性数据分析的方法中基于动态优化主导算法进行价格建议的主要流程示意图。如图8所示，该算法基于弹性、置换效率学习得到，可以使用现有
技术中较成熟的定价引擎，结合商品的自身弹性、置换效率的指标(即gamma，用于衡量GMV
变化率和毛利变化率的比例)，计算出在一定价格区间内平衡销售和毛利的最优价格。

[0123] 第三种：目标优化主导

[0124] 图9是根据本发明实施例的属性数据分析的方法中基于目标优化算法目标优化主导算法进行价格建议的主要流程示意图。如图9所示，该算法为借鉴麦肯锡的早期算法，是
基于价格弹性的计算模型，提供最大销售量(salePrice)权重30％、最大GMV(gmvPrice＝
(e‑1)*P0/(2*e)，其中，e代表相似品SKU的弹性，P0代表相似品SKU页面价，即红价)权重
40％、最大利润(gpPrice＝(e‑1+e*cost/P0)*Q0，e代表相似品SKU的弹性，P0代表相似品SKU
的页面价，cost：代表将要模拟计算商品的成本价，Q0：代表将要模拟计算SKU的近7天销量)
权重30％的三种场景下的价格计算，结合量价模型，以最大化销量、最大化GMV、最大化利润
三个目标给出价格建议，三个价格分别用30％、40％、30％作为默认比例进行设置，计算得
到建议价格。

[0125] (3)价格模拟

[0126] 针对给出的价格建议，系统提供一个价格模拟器，根据已有弹性，为商家提供一个基于算法模型推导出的预测销售数据，例如但不限于包括销售预测值、利润预测值、GMV预
测值等，供商家参考。

[0127] 此外，本发明实施例中，还可以根据前述得到的相似商品的价格区间，对商品直接进行价格模拟。即不进行价格建议，直接根据相似商家的数据看板模拟商品的预计销售情
况，包括销售预测值、利润预测值和GMV预测值。具体可包括如下步骤：

[0128] (1)获取相似商家SKU的最大页面价作为模拟价格的最大值。需要注意的是：需要过滤相似商家SKU最大页面价的异常值，也就是相似商家相似商品SKU列表页面价上下百分
之五十之外的数据要过滤掉)，如果最大值为空，那么模拟价格的最大值设定为当前要模拟
的商品SKU的页面价上浮10％。

[0129] (2)定义模拟价格的最小值，最小值设定为当前要模拟的商品SKU页面价的50％。

[0130] (3)得到要模拟价格的最小值和最大值之后，在两个价格区域之间进行销量、GMV、毛利的图表趋势模拟，即模拟的价格所对应的销量、GMV、毛利的走势情况，具体模拟原理如
下：

[0131] 1)根据已有价格销量弹性预测出价格等于商家手动输的模拟价格时的销量。算法如下：q1*ec*(p1‑p2)/p1+q1(注：如计算结果小于0，则取0。否则为实际计算结果)，其中，
q1：代表当前要模拟SKU的一周销量总和；ec：为当前要模拟SKU的弹性(此为负数*‑1后的值
正数)；p1：当前要模拟SKU当前页面价；p2：代表最小、最大价格区间值；

[0132] 2)根据商家手动输的模拟价格及预测出的销量，模拟出GMV，算法如下：当前要模拟SKU手动输入价格*销量；

[0133] 3)根据商家手动输的模拟价格及预测出的销量，模拟出毛利，算法如下：(x‑cost)*sale，其中，x：代表最小、最大价格区间值，cost：当前要模拟SKU手动输入价格，
sale：模拟出来的销量。

[0134] 综上所述，本发明一实施例中，以商家A为例，属性数据分析的方法主要流程包括：

[0135] 1、获取商家A所属品类(以商家A属于消费品和居家生活部门的一级品类的维度为例)下的GMV排名为前20(此处可以根据相似商家需求进行灵活定义)的商家作为候选相似
商家集。其中，商家所属品类判断如下：若商家只有一个品类或品牌，直接进行GMV排序；若
商家有多个品类，则分别计算器多个品类所对应的规模排名，但取其GMV占比最高的品类作
为其最终排名；若商家有多个品牌，则分别计算其多个品牌所对应的规模排名，但取其GMV
占比最高的品牌作为其最终排名；

[0136] 2、根据相似性学习算法计算相似商家，例如，以替代性算法进行学习，从候选相似商家集中选取与A相似商家‑1，利用重合算法进行学习，从候选相似商家集中选取与A相似
商家‑2，利用规模算法进行学习，从候选相似商家集中选取与A相似商家‑3，由上述三种结
果组成相似商家池子。实务操作中，基于计算准确性的考虑，通常以替代性算法和重合算法
进行选取。另外，还可以利用高度算法，将上述三个结果取并集得到的相似商家池子中是所
有相似商家作为最终的相似商家。当然，本发明实施例中，为了计算的高效，可以基于商家A
的经验和偏好，对上述相似商家池子中的相似商家进行过滤，例如通过自由组合形成交集，
作为相似商家。此处还涉及另一种情形，即：若自由组合之后存在交集，则以交集作为相似
商家，若自由组合之后不存在交集，则还可以直接以前述得到的候选相似商家集作为相似
商家；

[0137] 3、从A的相似商家范围内，匹配与A的top 10(此处可以根据相似商家需求进行灵活定义，如前所述，本发明实施例可支持100个以上的SKU的匹配)的重点商品SKU的相似商
品；

[0138] 4、通过上述相似商品的价格区间进行价格建议，以及根据建议价格的价格模拟，或者直接根据上述相似商品的价格区间进行价格模拟，即根据竞争商家的商品进行商家A
的销售数据预测。本发明实施例中，用于进行价格建议或价格模拟的相似商品，还可以基于
商家A的经验和偏好，进行筛选确认，以满足商家的不同建议和模拟需求。

[0139] 根据本发明实施例的属性数据分析的技术方案可以看出，因为采用首先基于商品的数据看板帮助商家找到竞争对手，然后基于商品品牌和品类帮助商家锁定用于属性值比
价、属性值优化的竞争商品，并进行属性值建议的技术手段，所以克服了只有单品分析，没
有竞品、竞商分析，自动调价风险大以及无其它维度的竞争分析的技术问题，进而达到辅助
商家合理计算建议属性值、深化属性值竞争优势的技术效果；此外，本发明实施例通过获取
多种类的数据看板，从而能够在属性数据分析的过程中，实现获取数据的可回溯、钻取深；
通过从所述同一品牌和/或品类的商家中选取预设个数的商家作为候选相似商家，从而能
够在基于行业竞争的基础上，对商品进行智能分类，从而实现精确匹配竞争商家、商品；通
过从所述相似商家的商品数据中筛选与所述商家的重点商品相似的商品，作为相似商品，
从而能够准确、高效的针对商家重点商品进行属性值建议，提高属性值开发的效率；通过利
用智能建议算法进行属性值建议，从而能够根据商家的不同定价需求，准确、灵活的进行属
性值建议；通过使用模拟算法预测包括销量、毛利、GMV等在内的商品销售数据，从而能够基
于属性值建议的结果，对模拟商品的销售情况，供商家参考；此外，本发明一实施例中，通过
根据相似商品的属性值区间模拟商品的预测销售数据，从而能够辅助商家了解同行业内其
他竞争对手的销售情况，有利于商家做出正确决策。

[0140] 图10是根据本发明实施例的属性数据分析的装置的主要模块的示意图。如图10所示，本发明实施例的属性数据分析装置1000主要包括如下模块：获取模块1001、筛选模块
1002以及计算模块1003。其中，获取模块1001可用于根据预设相似性规则根据从商家的数
据看板中获取所述商家的相似商家；筛选模块1002可用于利用所述相似商家的数据看板筛
选商家商品的相似商品；计算模块1003可用于根据所述相似商品的属性值区间，利用预设
建议算法计算所述商家商品的建议属性值。

[0141] 其中，数据看板包括如下至少一种信息：商品数据、品牌数据、品类数据、日均成交总额数据、日均浏览量数据、重点商品数据、商品价格弹性数据、商品价格标签数据。

[0142] 本发明实施例中，获取模块1001还可用于：根据所述商家在同一品牌和/或品类维度下的日均成交总额排名，从所述同一品牌和/或品类的商家中选取预设个数的商家作为
候选相似商家；根据预设相似性规则从所述候选相似商家中筛选相似商家。

[0143] 筛选模块1002还可用于：从所述相似商家的商品数据中筛选与所述商家的重点商品相似的商品，作为相似商品。计算模块1003还可用于：根据所述相似商品的属性值区间的
最大值和最小值，利用四分卫算法和/或动态优化主导算法和/或目标优化主导算法计算所
述商家商品的建议属性值。

[0144] 本发明实施例中，装置1000还可包括：模拟模块(图中未示出)，用于根据所述建议属性值模拟所述商家商品的预测销售数据。

[0145] 另外，本发明实施例的属性数据分析的装置1000还可用于，通过获取模块1001根据预设相似性规则根据从商家的数据看板中获取所述商家的相似商家；通过筛选模块1002
用所述相似商家的数据看板筛选商家商品的相似商品；以及利用模拟模块根据所述相似商
品的属性值区间模拟所述商品的预测销售数据。

[0146] 其中，模拟模块还可用于：将所述相似商品的属性值区间的最大值作为模拟最大值，将所述商品的当前销售属性值乘以预设百分比作为模拟最小值；利用所述模拟最大值
和所述模拟最小值组成的模拟区间，模拟所述商品的预测销售数据。

[0147] 从以上描述可以看出，因为采用首先基于商品的数据看板帮助商家找到竞争对手，然后基于商品品牌和品类帮助商家锁定用于属性值比价、属性值优化的竞争商品，并进
行属性值建议的技术手段，所以克服了只有单品分析，没有竞品、竞商分析，自动调价风险
大以及无其它维度的竞争分析的技术问题，进而达到辅助商家合理计算建议属性值、深化
属性值竞争优势的技术效果；此外，本发明实施例通过获取多种类的数据看板，从而能够在
属性数据分析的过程中，实现获取数据的可回溯、钻取深；通过从所述同一品牌和/或品类
的商家中选取预设个数的商家作为候选相似商家，从而能够在基于行业竞争的基础上，对
商品进行智能分类，从而实现精确匹配竞争商家、商品；通过从所述相似商家的商品数据中
筛选与所述商家的重点商品相似的商品，作为相似商品，从而能够准确、高效的针对商家重
点商品进行属性值建议，提高属性值开发的效率；通过利用智能建议算法进行属性值建议，
从而能够根据商家的不同定价需求，准确、灵活的进行属性值建议；通过使用模拟算法预测
包括销量、毛利、GMV等在内的商品销售数据，从而能够基于属性值建议的结果，对模拟商品
的销售情况，供商家参考；此外，本发明一实施例中，通过根据相似商品的属性值区间模拟
商品的预测销售数据，从而能够辅助商家了解同行业内其他竞争对手的销售情况，有利于
商家做出正确决策。

[0148] 图11示出了可以应用本发明实施例的属性数据分析方法或属性数据分析装置的示例性系统架构1100。

[0149] 如图11所示，系统架构1100可以包括终端设备1101、1102、1103，网络1104和服务器1105。网络1104用以在终端设备1101、1102、1103和服务器1105之间提供通信链路的介
质。网络1104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

[0150] 用户可以使用终端设备1101、1102、1103通过网络1104与服务器1105交互，以接收或发送消息等。终端设备1101、1102、1103上可以安装有各种通讯客户端应用，例如购物类
应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示
例)。

[0151] 终端设备1101、1102、1103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

[0152] 服务器1105可以是提供各种服务的服务器，例如对用户利用终端设备1101、1102、1103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对
接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产
品信息‑‑仅为示例)反馈给终端设备。

[0153] 需要说明的是，本发明实施例所提供的属性数据分析方法一般由服务器1105执行，相应地，属性数据分析装置一般设置于服务器1105中。

[0154] 应该理解，图11中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

[0155] 下面参考图12，其示出了适于用来实现本发明实施例的终端设备的计算机系统1200的结构示意图。图12示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和
使用范围带来任何限制。

[0156] 如图12所示，计算机系统1200包括中央处理单元(CPU)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的
程序而执行各种适当的动作和处理。在RAM 1203中，还存储有系统1200操作所需的各种程
序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口
1205也连接至总线1204。

[0157] 以下部件连接至I/O接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分
1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经
由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介
质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便
于从其上读出的计算机程序根据需要被安装入存储部分1208。

[0158] 特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机
可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在
这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可
拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时，执行本发明的系
统中限定的上述功能。

[0159] 需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不
限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计
算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便
携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储
器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、
或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程
序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本
发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，
其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限
于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可
读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于
由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的
程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述
的任意合适的组合。

[0160] 附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代
表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个
用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所
标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际
上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要
注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规
定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组
合来实现。

[0161] 描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包
括获取模块、筛选模块以及计算模块。其中，这些模块的名称在某种情况下并不构成对该模
块本身的限定，例如，获取模块还可以被描述为“根据预设相似性规则根据从商家的数据看
板中获取所述商家的相似商家的模块”。

[0162] 作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算
机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使
得该设备包括：根据预设相似性规则根据从商家的数据看板中获取所述商家的相似商家；
利用所述相似商家的数据看板筛选商家商品的相似商品；根据所述相似商品的属性值区间
计算所述商家商品的建议属性值。

[0163] 根据本发明实施例的技术方案，因为采用首先基于商品的数据看板帮助商家找到竞争对手，然后基于商品品牌和品类帮助商家锁定用于属性值比价、属性值优化的竞争商
品，并进行属性值建议的技术手段，所以克服了只有单品分析，没有竞品、竞商分析，自动调
价风险大以及无其它维度的竞争分析的技术问题，进而达到辅助商家合理计算建议属性
值、深化属性值竞争优势的技术效果；此外，本发明实施例通过获取多种类的数据看板，从
而能够在属性值属性数据分析的过程中，实现获取数据的可回溯、钻取深；通过从所述同一
品牌和/或品类的商家中选取预设个数的商家作为候选相似商家，从而能够在基于行业竞
争的基础上，对商品进行智能分类，从而实现精确匹配竞争商家、商品；通过从所述相似商
家的商品数据中筛选与所述商家的重点商品相似的商品，作为相似商品，从而能够准确、高
效的针对商家重点商品进行属性值建议，提高属性值开发的效率；通过利用智能建议算法
进行属性值建议，从而能够根据商家的不同定价需求，准确、灵活的进行属性值建议；通过
使用模拟算法预测包括销量、毛利、GMV等在内的商品销售数据，从而能够基于属性值建议
的结果，对模拟商品的销售情况，供商家参考；此外，本发明一实施例中，通过根据相似商品
的属性值区间模拟商品的预测销售数据，从而能够辅助商家了解同行业内其他竞争对手的
销售情况，有利于商家做出正确决策。

[0164] 上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何
在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围
之内。