属性数据分析的方法和装置转让专利
申请号 : CN201711385752.4
文献号 : CN109949065B
文献日 : 2021-10-12
发明人 : 高宗
申请人 : 北京京东尚科信息技术有限公司 , 北京京东世纪贸易有限公司
摘要 :
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
背景技术
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。
Feedvisor及第三方属性值优化工具Repricers进行自动调整属性值。
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
值分析、属性值建议及属性值模拟。
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。
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。
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。
商品的属性值区间模拟商品的预测销售数据。
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。
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。
似性规则从候选相似商家中筛选相似商家。
值。
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。
值组成的模拟区间,模拟商品的预测销售数据。
处理器实现本发明实施例的属性数据分析的方法。
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。
附图说明
具体实施方式
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。
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。
标签数据。
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。
和/或目标优化主导算法计算商家商品的建议属性值。
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。
商品的预期销售数据。主要包括如下步骤:
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。
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:
布等内容。
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。
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;
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;
PV增长率、昨日PV冠军商品;
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。
款、潜力股、长尾型。
流量,低于该阈限认为是低流量。
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:
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。
表的方式展示不同价格带上的SKU数量占比。
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。
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。
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。
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。
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。
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。
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。
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。
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。
低弹性(潜力)、低流量低弹性(长尾)、高弹性低流量(高弹)。
=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:
场价格范围内默认是75%分位的中高位,接近max值。
适度降价策略合适,可以取50%分位的中位。
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。
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。
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。
测值等,供商家参考。
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:
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%。
下:
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;
sale:模拟出来的销量。
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;
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;
品;
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)。
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。
使用范围带来任何限制。
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。
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。
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。
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。
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。
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”。
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。
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。
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。