买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：智选数字技术(广州)股份有限公司

摘要：本申请涉及数据处理领域，提出了一种基于决策沙盘的产品投放量预测方法，该方法通过对沙盘模拟过程中试行投放区域与客户突发性产品购买行为特征的共现概率确定突发共现概率，完成社区划分；基于社区内试行投放区域内客户突发性购买行为有序性的分析结果和对客户动态需求的满足程度确定区域选择系数，得到投放区域；基于投放区域内所选现有产品对商圈购买力的影响确定商圈影响权重序列；分析投放产品对客户的潜在吸引能力得到潜在吸引力指数，得到投放量样本序列，完成对每个投放区域内的投放量预测。本申请通过对产品之间互补性的影响分析以及对商圈、客户的产品购买能力的分析对单次数据序列进行加权，实现对多区域投放量的精准预测。

主权项：1.一种基于决策沙盘的产品投放量预测方法，其特征在于，该方法包括以下步骤：获取沙盘模拟中的多种数据；基于所述多种数据首先确定投放产品的投放区域，基于所确定投放区域内现有产品和投放产品之间的产品互补性以及所确定投放区域内投放产品对客户的潜在吸引力确定投放产品的投放量预测结果，所述投放量预测结果的确定包括以下步骤：（1）基于每个试行投放区域内所挖掘的所述多种数据中的突变点对应的关联规则的相似程度确定每个试行投放区域的突发稳定度；（2）基于所述突发稳定度以及客户在不同试行投放区域内所挖掘的关联规则的相似度确定每个试行投放区域的突发共现概率；（3）基于所述突发共现概率以及相同客户消费行为特征的试行投放区域内客户的单次数据序列之间相似度突变的因果有序程度确定每个产品的投放区域；（4）基于投放产品的多个相似性质现有产品对应的单次数据序列中销售点标签值的稳定程度确定投放产品的商圈影响权重序列；（5）基于每个投放区域内销售点处所述现有产品对客户潜在吸引能力强弱的分析确定每个投放区域的潜在吸引力指数；基于每个投放区域的潜在吸引力指数以及所述商圈影响权重序列获取投放量样本序列，利用预测模型基于投放量样本序列获取每个投放区域内投放产品的投放量预测结果；所述获取沙盘模拟中的多种数据，包括：确定沙盘模拟的目标；构建模拟场景，随机选择第一预设数量个地区作为烟草产品的试行投放区域，每个试行投放区域内随机生成第二预设数量个客户；对每个试行投放区域中的销售点进行不重复的排序，将序号作为数字标签，排序顺序为选址确定顺序；利用专家评价法为每种烟草产品设置数字标签，第1至第n种烟草产品的数字标签依次设置为1至n；分别获取每次模拟操作前后每种产品价格、每个销售点的销售量、每个销售点的产品营收、每种产品购买的客户数量、购买频率、产品产量；将每个客户每次购买产品的产品种类标签、购买价格、购买数量、产品定价、销售点标签组成的序列作为一个单次数据序列；所述基于每个试行投放区域内所挖掘的客户突发性产品购买行为的关联规则的相似程度确定每个试行投放区域的突发稳定度，包括：统计每个客户在每个试行投放区域内的单次数据序列，将所述单次数据序列作为一个行向量组成的矩阵作为每个客户在每个试行投放区域的消费行为矩阵，分别将所述消费行为矩阵中每一列元素作为输入，采用突变点检测算法获取每一列元素中的突变点，基于每一行元素中突变点的数量确定每一行对应单次数据序列的突变显著度；将所有行的突变显著度作为输入，利用阈值分割算法获取最优阈值，将所有突变显著度大于最优阈值的行向量组成的数据集作为初始数据集，采用数据挖掘算法获取每个试行投放区域内每个客户的突发性产品购买行为的关联规则；计算每个试行投放区域内两个客户的突发性产品购买行为的关联规则之间的相似度，将所有所述相似度的均值作为第一均值；将第一均值与所有所述相似度的变异系数的比值作为每个试行投放区域的突发稳定度；所述基于所述突发稳定度以及客户在不同试行投放区域内所挖掘的关联规则的相似度确定每个试行投放区域的突发共现概率，包括：计算每个客户在任意两个试行投放区域内的关联规则之间的相似度，将每个客户在每个试行投放区域与其余试行投放区域之间的所述相似度之和作为每个客户在每个试行投放区域的行为随机性；将每个试行投放区域内所有客户在每个试行投放区域的行为随机性之和作为第一特征值；每个试行投放区域的突发共现概率由第一特征值、每个试行投放区域的突发稳定度两部分组成，其中所述突发共现概率与第一特征值成负相关关系，所述突发共现概率与所述突发稳定度成正相关关系；所述基于所述突发共现概率以及相同客户消费行为特征的试行投放区域内客户的单次数据序列之间相似度突变的因果有序程度确定每个产品的投放区域，包括：将两个试行投放区域的突发共现概率之间的差值作为两个试行投放区域之间的客户购买行为距离；将每个试行投放区域作为一个节点、将两个试行投放区域之间的客户购买行为距离作为对应两个节点之间的边所构建的有权图作为区域投放特征图；利用社区检测CPM算法对区域投放特征图进行派系过滤，得到每个节点所在的社区以及社区之间的重合节点；基于社区内试行投放区域内所有客户的单次数据序列之间相似度的突变点出现的有序程度确定每个试行投放区域的突变有序度；将每个试行投放区域的突变有序度与每个试行投放区域对应节点所在社区内节点数量的比值作为每个试行投放区域的动态需求追踪度；利用每个试行投放区域的突发共现概率、动态需求追踪度两部分组成每个试行投放区域的区域选择系数，其中，所述区域选择系数与动态需求追踪度成正相关关系、所述区域选择系数与突发共现概率成负相关关系；将所有试行投放区域按照区域选择系数降序顺序排列得到选择序列，基于每个产品实际的投放计划和已完成销售数据计算现有收益额；将预设收益额与现有收益额的差值作为分子，将分子与预设收益额的比值作为调整系数，确定调整系数与试行投放区域数量乘积的向上取整结果，基于向上取整结果从选择序列中选择试行投放区域作为每个产品的投放区域；所述基于社区内试行投放区域内所有客户的单次数据序列之间相似度的突变点出现的有序程度确定每个试行投放区域的突变有序度，包括：将每个客户所有单次数据序列按照模拟操作的顺序组成的序列作为每个客户的有序数组，计算相邻两次单次数据序列之间的相似度，获取所有所述相似度中的所有极小值点；将每个客户的有序数组中对应的两个极小值点的相似度的数量作为间隔距离，将每个客户非极小值点之外的所有相似度的变异系数与所有间隔距离的变异系数的比值作为每个客户的第一决策值；将每个试行投放区域内所有用户的第一决策值之和作为每个试行投放区域的决策值；将每个试行投放区域的决策值与每个试行投放区域对应节点所在社区内最小决策值的比值作为每个试行投放区域的第一比值；获取每个试行投放区域内客户的有序数组对应的所有极小值点组成序列之间的差异性距离的均值作为第二均值；每个试行投放区域的突变有序度由每个试行投放区域的第一比值、第二均值两部分组成，其中所述突变有序度分别与所述第一比值、第二均值成正相关关系；所述基于投放产品的多个相似性质现有产品对应的单次数据序列中销售点标签值的稳定程度确定投放产品的商圈影响权重序列，包括：利用K近邻方法基于投放产品的标签值以及投放区域内现有烟草产品的标签值确定K个已有互补产品；将每个已有互补产品中两个单次数据序列中相同位置元素的差值绝对值作为一个第一差异值，将两个单次数据序列中每个位置的第一差异值与销售点的数字标签对应的第一差异值的比值作为每个位置的一个商圈位置稳定度；将K个已有互补产品在每个位置的商圈位置稳定度的均值作为每个位置的消费力吸引权重；将所有位置的消费力吸引权重组成的序列作为投放产品的商圈影响权重序列；所述基于每个投放区域内销售点处所述现有产品对客户潜在吸引能力强弱的分析确定每个投放区域的潜在吸引力指数，包括：分别将每个投放区域内每个销售点处每个已有互补产品的每个单次数据序列作为对比序列，利用数据预测算法基于所述每个销售点处每个已有互补产品的所有单次数据序列确定对比序列的预测结果，将所述预测结果与对比序列之间的差异性度量结果作为每个对比序列的可活跃性；将所有销售点处每个已有互补产品对应的所有所述可活跃性的均值作为每个投放区域内每个已有互补产品的产品活跃率，将每个投放区域内K个已有互补产品的产品活跃率组成的序列作为每个投放区域的活跃率序列；将每个投放区域内每个已有互补产品在每个销售点被购买的次数以及每个销售点的标签值组成一个数组，将每个投放区域内每个已有互补产品在所有销售点的数组组成的序列作为单区域记录序列；计算每个投放区域内K个已有互补产品的单区域记录序列内重复数组的数量与K的比值作为每个投放区域内的购买重叠程度；将每个投放区域对应节点所在社区内所有投放区域的活跃率序列内元素的均值作为第一组成因子；将每个投放区域对应节点所在社区内所有投放区域的活跃率序列之间的差异性度量距离的均值作为第二组成因子；每个投放区域的潜在吸引力指数由每个投放区域内的购买重叠程度、第一组成因子以及第二组成因子三部分组成，其中，所述潜在吸引力指数分别与所述购买重叠程度、第一组成因子以及第二组成因子成正相关关系；所述基于每个投放区域的潜在吸引力指数以及所述商圈影响权重序列获取投放量样本序列，包括：将每个投放区域内的潜在吸引力指数作为底数，将投放产品的商圈影响权重序列中每个元素的归一化结果为指数的计算结果作为每个投放区域内每个单次数据序列内每个位置的关联优化权重；利用所有位置的关联优化权重对每个客户在每个投放区域内的单次数据序列进行加权处理，得到投放量样本序列。

全文数据：

权利要求：

百度查询： 智选数字技术(广州)股份有限公司 一种基于决策沙盘的产品投放量预测方法