促销效果预测装置及促销效果预测方法

摘要

本发明提供促销效果预测装置及促销效果预测方法。促销效果预测装置具备：数据收集部，收集与作为预测对象的商品的促销有关的基础数据、以及该商品的过去的一定时间内的销售数据，该销售数据包含与历史促销有关的历史基础数据及历史促销销量；促销特征生成部，至少基于上述基础数据，生成用于预测上述促销的效果的多个促销特征，并且基于上述销售数据，按每一次历史促销生成与上述多个促销特征对应的多个历史促销特征；学习部，以上述历史促销特征和上述历史促销销量为训练数据进行机器学习而得到预测模型；以及预测部，通过向上述预测模型输入由上述促销特征生成部生成的上述促销特征，输出促销销量作为预测结果。

说明书

技术领域

本发明涉及促销效果预测装置及促销效果预测方法，尤其涉及基于多特征机器学习的促销效果预测装置及促销效果预测方法。

背景技术

近年来，新零售、新营销等新的销售模式逐渐成为零售的新常态，每天都会发生不同形式的促销活动，常见的如“聚划算”、“拼团购”、“满减”、“限时抢购”等，促销渠道也涵盖线上线下渠道。在新零售的环境下，促销活动日益频繁，促销方式多种多样，参加促销的商品也越来越多。

但是，不同的促销活动有不同的效果，可以想到针对这样的多品类、多模式、多渠道、高频次的促销，如果商家对促销活动的效果和影响有提前的了解，则在零售新常态下的激烈市场竞争中，能够在库存、价格、市场占有率等竞争中处于主动地位。因而希望有能够对促销活动的效果进行预测的技术。

作为对促销活动的效果进行预测的技术，在专利文献CN107274209A中公开了一种预测促销活动销售数据的方法，包括：获取促销商品在历史参考促销活动开始之前的第一时段长度的历史前期浏览量，以及获取该促销商品在本次促销活动开始之前的第一时段长度的本次前期浏览量；针对在一日之中选择的考察时段，获取促销商品在所述历史参考促销活动中该时段的历史时段浏览量和历史时段订单量；根据所述历史时段浏览量和历史时段订单量得出历史参考促销活动在所述考察时段的历史时段转化率；根据所述历史前期浏览量、本次前期浏览量、历史时段浏览量、以及所述历史时段转化率进行计算，以得到本次促销活动在所述考察时段的订单量预测数据。

但是，上述预测方法中，主要是利用浏览量数据来计算转化率，再通过转化率预测订单量，因而只适用于线上电商或有客户记录的线下商店，而不适用于无法统计浏览量和转化率的商家。而且，该方法中，需要商品的浏览量转化率比较稳定和有规律的情况下，才具有预测的意义，实用性和通用性并不强。

发明内容

本发明是为了解决上述问题中的至少一个而提出的。其目的在于提供在全渠道营销的竞争环境下，基于可从市场获得的信息对促销效果进行预测的促销效果预测装置及促销效果预测方法。

本发明的一个实施方式提供一种促销效果预测装置，具备：数据收集部，收集与作为预测对象的商品的促销有关的基础数据、以及该商品的过去的一定时间内的销售数据，该销售数据包含与历史促销有关的历史基础数据及历史促销销量；促销特征生成部，至少基于上述基础数据，生成用于预测上述促销的效果的多个促销特征，并且基于上述销售数据，按每一次历史促销生成与上述多个促销特征对应的多个历史促销特征；学习部，以上述历史促销特征和上述历史促销销量为训练数据进行机器学习而得到预测模型；以及预测部，通过向上述预测模型输入由上述促销特征生成部生成的上述促销特征，输出促销销量作为预测结果。

由此，能够在全渠道营销的竞争环境下，基于可从市场获得的信息对促销效果进行预测。并且，由于能够根据从市场获得的信息整理或构造出能够较好地反映与促销效果的相关性的促销特征，因此能够提高预测效果，进而有助于市场部门对将要开始的促销活动进行可靠的评估和准备。

并且，也可以是，上述多个促销特征包括与上述促销的当期效应有关的促销特征。

由此，通过与当期效应有关的促销特征，能够考虑当前的促销活动对同期销售情况造成的影响来预测促销效果。

并且，也可以是，上述多个促销特征还包括基于上述基础数据和上述销售数据生成的、与上述促销开始之前的销售情况对上述促销的遗留效应有关的促销特征。

由此，通过与遗留效应有关的促销特征，能够还考虑促销开始之前的销售情况对当前促销活动的影响来预测促销效果，因此能够得到更可靠且符合实际的预测结果。

并且，也可以是，与遗留效应有关的促销特征包括与最近一次历史促销有关的特征和/或与上述促销开始之前的规定时间内的销售情况有关的特征。

由此，通过使用与最近一次历史促销有关的特征和/或与上述促销开始之前的规定时间内的销售情况，能够考虑影响当前促销活动的可能性最大的过去的销售数据来预测促销效果，因此能够在减少处理量的同时得到更可靠且符合实际的预测结果。

并且，也可以是，上述多个促销特征还包括与多个促销方式的协同效应有关的促销特征。

由此，通过与协同效应有关的促销特征，能够还考虑将多个促销方式同时使用时的效果来预测促销效果，因此能够得到更可靠且符合实际的预测结果。

并且，也可以是，上述多个促销特征还包括以下特征中的至少一种：由促销和/或促销推广的预算构成的成本特征；与竞品相关的特征；以及与促销不直接相关的特征。

由此，通过成本特征，在促销组合相同的情况下也能够可靠地预测促销效果。并且，通过与竞品相关的促销特征和/或与促销不直接相关的特征，能够得到更可靠且符合实际的预测结果。

并且，也可以是，上述学习部通过2种以上机器学习算法进行学习而得到2个以上预测模型，并基于对上述2个以上预测模型的验证结果，选择一个预测模型；上述预测部通过向所选择的预测模型输入由上述促销特征生成部生成的上述促销特征，输出促销销量。

由此，能够根据不同行业和业务选择更适当的预测模型进行预测，因而能够得到可靠的预测结果，并且提高了通用性。

并且，也可以是，上述预测部还输出所输入的上述多个促销特征的重要性排名，作为上述预测结果。

由此，能够使得基于促销特征的重要性排名，对促销策划和促销投入进行调整优化。

并且，也可以是，上述预测部基于由上述学习部通过XGBOOST算法进行学习而得到的模型，对上述多个促销特征进行重要性排名。

由此，能够在将所得到的预测销量与促销目标进行对比的基础上，结合促销特征的重要度排名，对促销策划和促销投入进行调整优化。

本发明的一个实施方式还提供一种促销效果预测方法，包括：数据收集步骤，收集与作为预测对象的商品的促销有关的基础数据、以及该商品的过去的一定时间内的销售数据，该销售数据包含与历史促销有关的历史基础数据及历史促销销量；促销特征生成步骤，至少基于上述基础数据，生成用于预测上述促销的效果的多个促销特征，并且基于上述销售数据，按每一次历史促销生成与上述多个促销特征对应的多个历史促销特征；学习步骤，以上述历史促销特征和上述历史促销销量为训练数据进行机器学习而得到预测模型；以及预测步骤，通过向上述预测模型输入由上述促销特征生成步骤生成的上述促销特征，输出促销销量作为预测结果。

本发明的促销效果预测装置的上述各具体方式及其效果，也能够通过上述促销效果预测装置中执行的方法、使计算机执行上述方法的程序、或者存储了上述程序的记录介质实现。

附图说明

图1是表示本发明的第一实施方式的促销效果预测装置的功能结构的框图。

图2是表示本发明的第一实施方式的促销效果预测装置所收集的与促销有关的基础数据的一例的图。

图3是示意地表示本发明的第一实施方式的促销特征的生成的一例的图。

图4是表示本发明的第一实施方式的促销效果预测方法的流程图。

图5是表示重要性排名的输出例的图。

具体实施方式

以下结合附图、实施方式及具体例对本发明进行更详细的说明。其中，下述说明只是为了方便理解本发明而举出的例子，不用于限定本发明的范围。在具体实施方式中，装置和系统所具备的部件可以根据实际情况变更、删减或追加，方法的步骤可以根据实际情况变更、删减、追加或改变顺序。

(第一实施方式)

本实施方式的促销效果预测装置1由处理器、存储器、接口、输入设备和显示部等构成。其中，处理器、存储器、接口、输入设备和显示部相互之间通过总线连接。

具体而言，处理器例如是CPU、微处理器等，通过执行存储器中存储的应用程序，实现促销效果预测装置1的各功能模块的功能。接口例如是包括数据库访问接口的通信接口。输入设备例如是键盘、鼠标、麦克风等输入设备，供用户输入指令。显示部例如是液晶显示器，能够显示促销效果预测装置1的用户界面、与处理结果相关的画面等。

以下，对本发明的第一实施方式的促销效果预测装置的各功能模块进行说明。

图1是表示本发明的第一实施方式的促销效果预测装置的功能结构的框图。如图1所示，促销效果预测装置1包括数据收集部10、促销特征生成部20、学习部30以及预测部40。

数据收集部10收集与作为预测对象的商品的促销(以下，有时记为当前促销)有关的基础数据、以及该商品的过去的一定时间(例如几个月、半年、一年等)内的销售数据，该销售数据包含与历史促销有关的历史基础数据及历史促销销量。

与促销有关的基础数据可以包括与促销商品、促销活动直接或间接相关的多种数据。图2是表示本发明的第一实施方式的促销效果预测装置所收集的与当前促销有关的基础数据的一例的图。如图2所示，基础数据包括b1～b36的36个基础数据。另外，基础数据并不限于此，实际上其可以包括时间、渠道信息(线下的情况下例如为门店、地段、门店类型、门店大小、门店工作人员数等，线上的情况下为平台、平台类型等)、商品信息(类别、品牌、规格、上市时间、上市价格)、经营信息(销量、流量、转化率、客单价、正常价格、最低价、)、促销信息(开始结束日期/时间、重要度、主题、类别、方式组合、方式组合数、参与人数、预算、商品参加数量、最小起购量)、推广信息(方式组合、方式组合数、资源入口数、预算、开始结束日期/时间、用户群类别/属性、用户群触达数)、用户信息(普通用户和VIP用户)等各种数据。

与历史促销有关的历史基础数据与上述的基础数据同样。此外，作为历史基础数据，可以省略如商品信息那样的不会根据不同的促销而变化的信息。此外，过去的销售数据除了与每一次的历史促销有关的数据即历史促销期间内的数据以外，也可以包括非促销期间内的营销数据，例如以天为单位的营销数据。

促销特征生成部20至少基于基础数据，生成用于预测促销的效果的多个促销特征，并且基于销售数据，按每一次历史促销生成与多个促销特征对应的多个历史促销特征。

具体而言，促销效果受到多维度的市场因素影响，而直接获取的市场信息并不一定能很好地反映出与促销效果的相关性。因此，促销特征生成部20基于营销理论基础与业务经验对所收集的数据进行整理和特征构建而生成用于预测促销的效果的多个促销特征。

图3是示意地表示本发明的第一实施方式的促销特征的生成的一例的图。如图3所示，促销特征生成部20根据所输入的基础数据，既可以将基础数据原样提取为促销特征，也可以对一个以上的基础数据进行组合或运算来生成促销特征，也可以对基础数据进行变换而生成促销特征，也可以将一个基础数据拆分为多个促销特征，也可以根据基础数据，通过网络爬取而生成促销特征。例如，如果某基础数据为促销开始日期“2020年12月29日”，则可以将其拆分而生成促销开始年份(2020年)、促销开始月份(12月)、促销开始日(29日)作为促销特征，也还可以将其变换为促销季节(冬季)作为促销特征，也还可以通过网络爬取这一日的天气、温度、星期、节假日、风级、油价等作为促销特征。关于历史促销特征的生成也是同样的，在此省略重复的说明。此外，关于促销特征的详细内容，在后面进行详细的叙述。

学习部30以由促销特征生成部20生成的历史促销特征和数据收集部10收集的历史促销销量为训练数据进行机器学习而得到预测模型。作为机器学习算法，例如可以采用GBDT(梯度下降树)算法、XGBOOST(极限梯度提升)算法、RandomForest(随机森林)算法、SVM(支持向量机)算法、LightGBM(提升树)算法等，从而得到相应的预测模型。此外，作为机器学习算法，也可以采用其他算法。

预测部40通过向由学习部30得到的预测模型输入由促销特征生成部20生成的与当前促销有关的促销特征，输出促销销量作为预测结果。

以下，对促销特征生成部20生成的促销特征进行详细的说明。

作为促销特征，例如可以生成(1)与基础属性有关的促销特征、(2)与当期效应有关的促销特征、(3)与遗留效应有关的促销特征、(4)与预算/成本有关的促销特征、(5)与竞品有关的促销特征、(6)与促销活动不直接相关的促销特征中的至少一种。

(1)与基础属性有关的促销特征

与基础属性有关的促销特征主要由基础数据中的渠道信息、商品信息等构成，例如可以包括促销活动编号、商品ID、商品上市日期、商品上市价格、商品类别1～3、商品品牌、规格、促销为线下门店促销的情况下的门店ID、门店位置、门店大小、日常价格等。

通过与基础属性有关的促销特征，能够考虑渠道、商品本身等基础属性对促销活动的影响来预测促销效果。

(2)与当期效应有关的促销特征

与当期效应有关的促销特征主要由基础数据中的促销信息构成。例如，可以包括最低价(促销价格)、促销渠道ID、促销渠道类别、促销主题、促销重要度、促销开始/结束日期、促销持续时间、参与人员数、商品数量、推广组合、推广组合数、推广资源入口数等。

通过与当期效应有关的促销特征，能够考虑当前促销活动对同期销售情况造成的影响来预测促销效果。

(3)与遗留效应有关的促销特征

与遗留效应有关的促销特征即为与促销开始之前的销售情况对对象促销的遗留效应有关的促销特征，可以包括与最近一次历史促销有关的特征和/或与当前促销开始之前的规定时间内的销售情况有关的特征。具体而言，例如包括最近一次(上一次)促销的开始/结束日期、促销持续时间、促销组合、促销组合数、促销价格、促销成本、推广成本、推广组合、当前促销离最近一次促销的间隔时间。

通过与遗留效应有关的促销特征，能够还考虑历史促销或最近几天的销售等过去的销售情况对当前促销活动的影响来预测促销效果，因此能够更可靠地进行预测。

(4)与协同效应有关的促销特征

考虑到多个促销方式同时使用的促销组合会产生额外的协同效应，并且与促销组合内促销方式单独的效果相加有区别，使用与多个促销方式的协同效应有关的促销特征。与协同效应有关的促销特征主要由基础数据中的促销组合信息构成，例如可以包括当前促销的促销组合、促销方式数。此外，作为与协同效应有关的促销特征，也可以包括各推广渠道的开始/结束日期、用户群类别/属性、触达普通用户数、触达会员用户数等。

通过与协同效应有关的促销特征，能够还考虑将多个促销方式同时使用时的效果来预测促销效果，因此能够更可靠地进行预测。

(5)成本促销特征

成本促销特征主要由各促销/推广方式与促销/推广组合的预算(历史促销的情况下为成本)构成，例如可以包括总促销预算(仅用于如降价补贴等价格性促销的预算)、总推广预算(用于推广等的综合预算)、各推广渠道的推广预算等。

在相同促销/推广组合的情况下，各促销/推广方式的投入成本是促销效果的主要影响因素，因而通过成本促销特征，在促销/推广组合相同的情况下也能够可靠地预测促销效果。

(6)与竞品有关的促销特征

与竞品有关的特征主要由竞品的基础信息构成，例如可以包括竞品的日常价格、促销活动的有无、促销组合、促销方式、促销价格、促销开始/结束日期等。

由于促销效果也会受市场竞争的影响，因而通过与竞品相关的促销特征，能够得到更符合实际的预测结果。

(7)与促销不直接相关的促销特征

与促销不直接相关的促销特征主要由与促销没有直接的关系、但可能会影响促销效果的影响因素构成，例如可以包括促销阶段的天气、星期、节假日、风级、油价等。

通过与促销不直接相关的促销特征，能够得到更符合实际的预测效果。

以上对促销特征的几个类别进行了说明，但促销特征并不限于此，只要是可能影响促销效果的特征，也可以包括其他类别的促销特征。此外，促销特征也可以包括若干个可变特征(空值特征)，以便能够根据实际需求添加如客户特定的数据或宏观经济数据那样的可能影响促销效果的促销特征。

以下，说明由本实施方式的促销效果预测装置1执行的方法。

图4是表示本发明的第一实施方式的促销效果预测方法的流程图。如图4所示，首先，由数据收集部10收集与作为预测对象的商品的促销有关的基础数据、以及该商品的过去的一定时间(例如几个月、半年、一年等)内的销售数据，该销售数据包含与历史促销有关的历史基础数据及历史促销销量(步骤S1)。此外，销售数据除了促销期间内的数据以外，也可以还包括非促销期间内的营销数据。

接着，促销特征生成部20至少基于当前促销的基础数据，生成用于预测当前促销的效果的多个促销特征，并且基于上述销售数据，按每一次历史促销生成与多个促销特征对应的多个历史促销特征(步骤S2)。这里，促销数据可以包括与基础属性有关的促销特征、与当期效应有关的促销特征、与遗留效应有关的促销特征、与预算/成本有关的促销特征、与竞品有关的促销特征、以及与促销活动不直接相关的促销特征中的至少一种。

接着，学习部30以所生成的历史促销特征和历史促销销量为训练数据通过机器学习算法进行学习而得到预测模型(步骤S3)。这里，作为机器学习算法，可以使用GBDT算法、XGBOOST算法、RandomForest算法、SVM算法、LightGBM算法等。

接着，预测部40通过向由学习部30得到的预测模型输入由促销特征生成部20生成的与当前促销有关的促销特征，输出促销销量作为预测结果(步骤S4)，并结束处理。

根据本实施方式，能够基于可从市场获得信息对促销效果进行预测，并且由于能够根据从市场获得的信息整理或构造出较好地反映与促销效果的相关性的促销特征，因此能够提高预测效果，进而有助于市场部门对将要开始的促销活动进行可靠的评估和准备。

此外，对于产品的销量预测而言，一般难以对由不定期高频率的促销活动引起的非自然性销量波动进行预测，而本实施方式中可作为促销期的销量预测补充，提高一般销量预测的准确度。

此外，促销会引发短期的销量波动，对于库存管理是很需要有数据的指导来应对这些波动的，对于促销商品备过多库存会导致库存积压而且比普通商品更难以消化，而备过少库存会影响促销效果和促销ROI(投资回报率)。因此，通过本实施方式的适当的促销效果预测，能够很好的提高库存管理水平。

此外，在上述的实施方式中，由于所生成的促销特征及历史促销特征可能非常多，因此也可以在由学习部进行学习之前对促销特征及历史促销特征进行常规的数据加工，利用加工后的历史促销特征进行学习，并利用加工后的促销特征进行预测，从而提高学习效果，进而提高预测效果。

(第二实施方式)

以下，对第二实施方式的促销效果预测装置及其所执行的方法进行说明。

本实施方式的促销效果预测装置的概略结构和所执行的方法采用第一实施方式的促销效果预测装置1的概略结构和方法，因此省略图示。本实施方式的促销效果预测装置相对于第一实施方式的促销效果预测装置1，不同点在于学习部30的处理。以下，以与第一实施方式的不同点为中心进行说明，而省略重复的说明。

由于根据不同的行业、不同的商家，能收集到的数据量不同，而不同大小的数据量会适合不同的模型。此外，例如根据线上、线下的销售，获取数据的能力不同，所收集的数据构造也会不同，因此所得到的促销特征也会不同。为了应对这样的不同的行业特性和业务特性，考虑到数据收集的维度多样性，在本实施方式中，整合了多个机器学习算法。

即，学习部30使用多个机器学习算法进行学习而得到相应的多预测模型，并基于对该多预测模型的验证结果，选择一个预测模型。

具体地，学习部30将历史促销特征和历史促销销量中的一部分作为训练数据，通过GBDT算法、XGBOOST算法、RandomForest算法、SVM算法和LightGBM算法等多种机器学习算法进行学习，得到多预测模型。并且，将历史促销特征和历史促销销量中的另一部分作为验证数据对所得到的多预测模型进行验证，并基于其验证结果从多预测模型中选择训练效果最好的预测模型。

此时，预测部40通过向所选择的预测模型输入由促销特征生成部20生成的促销特征来输出促销销量。

根据本实施方式，能够根据不同行业和业务选择更适当的预测模型进行预测，因而能够得到更可靠的预测结果，并且提高了通用性。

并且，在第二实施方式中，对采用多种机器学习算法的情况进行了说明，但机器学习算法的数量不受限定，只要是2种以上，则与仅使用一个算法的第一实施方式相比，更可靠地进行预测，提高通用性。

此外，在第一实施方式和第二实施方式中，作为预测结果输出了促销销量，但不限于此，也可以还输出基于销量计算的如促销ROI等评价指标，以便对促销活动进行评估。

此外，在第一实施方式和第二实施方式中，作为预测结果，也可以还输出所输入的多个促销特征的重要性排名，作为预测结果，以供管理者对促销管理提供支持。

关于促销特征的重要性排名，主要基于XGBOOST算法对促销特征进行决策树分析，从而能够相对直接地得到每个促销特征的重要性得分。一般来说，重要性分数衡量了促销特征在模型中的决策树构建中的价值，一个促销特征越多地被用来在模型中构建决策树，它的重要性就相对越高，由此能够对促销特征进行重要性排名。图5是表示重要性排名的输出例的图。如图5所示，纵轴表示促销特征的序号，横轴表示各促销特征的得分，得分越高，表示重要性越高。此外，输出方式并不限于此，也可以以用户能够辨识的方式仅输出排名靠前的规定个数的促销特征。此外，用于促销特征的重要性排名的机器学习算法，并不限于XGBOOST算法，也可以采用具有属性的重要性排名功能的任何一种算法。

(具体例)

以下说明本发明第一实施方式的一个具体例。此外，本具体例同样适用于第二实施方式。

本具体例中，假设针对商品ID为“A0101”、“B0102”、“C0201”的三种商品各自的促销活动，对其促销效果进行预测。

假设促销预测装置的数据收集部针对三种商品的本次促销，分别收集到了如下表1所述的基础数据。

表1

并且，假设针对商品ID为“A0101”、“B0102”、“C0201”的商品各自的促销活动，收集到了如下表2所述的销售数据，这里假设仅包括历史基础数据和历史促销销量。

表2

接着，促销特征提取部针对每一个商品，根据基础数据及销售数据，生成如表3所述的促销特征。此外，为了便于理解，在表3中还示出了促销特征的生成方式和特征类别。

表3

同样，促销特征生成部基于历史促销数据，按每一次历史促销，生成与上述表3的促销特征对应的历史促销特征。

接着，学习部基于与上述表3的促销特征对应的历史促销特征及历史促销销量进行学习，得到预测模型。

预测部通过向所得到的预测模型输入如表3所示的促销特征，得到如下表4所示的包括预测销量和重要性排名前三的基础特征的预测结果。

表4

这样，通过将所得到的预测销量与促销目标进行对比，并结合促销特征的重要性排名，能够对促销策划和促销投入进行调整优化。

以上参照附图说明了本发明的具体实施方式和具体例。其中，以上说明的具体实施方式和具体例仅是本发明的具体例子，用于理解本发明，而不用于限定本发明的范围。本领域技术人员能够基于本发明的技术思想对具体实施方式和具体例进行各种变形、组合和要素的合理省略，由此得到的方式也包括在本发明的范围内。例如，上述各实施方式和具体例皆可以相互组合，其组合而成的实施方式也包含在本发明的范围中。