【技術實現步驟摘要】
本專利技術涉及商品復購預測，尤其是涉及一種基于商品品類的會員復購預測方法及系統。
技術介紹
1、會員的歷史購物行為數據可以用來預測其接下來可能的消費行為，甚至能夠提前預測會員可能購買的其他商品，對零售商來說可以為其供應鏈、庫存等提供數據參考，尤其是基于現有海量數據、大數據存儲計算平臺強大的算力支持下，為預測技術的分析提供了便利性。不論對商家還是平臺來說，復購預測分析是基本的經營分析方法，分析方法也由簡單的統計分析，漸進到機器學習甚至深度學習，或者某些方法相互結合使用，提高了商家或平臺的數字化經營能力。
2、但是縱觀現有復購預測分析技術，暴露了包括以下幾個問題或缺陷：
3、1.分析渠道方面：隨著電子商務的智能化發展，各個電商平臺存儲了海量的消費數據，包含復購預測、銷量預測等目標的分析技術及方案，預測結果已經能滿足一定的準確率要求。但是相較于線上消費，線下零售的瀏覽、點擊、收藏、加購、購買等行為數據都無法獲取，相應地各個步驟所涉及的漏斗轉化情況也難以獲取，無法獲取消費者或會員的瀏覽偏好、行動軌跡，因此迫切需要構造適用于線下零售的會員復購預測方法。
4、2.數據集選取方面：一般地通過獲取會員的基礎信息、一定時間周期內會員的歷史消費數據，有時候結合歷史訂單的環境，如天氣、日期、周邊競品等。這樣使得模型訓練階段加入了負樣本，即沒有進行復購的數據，復購“失敗”用戶對應的特征數據，在數據探分析階段，這些負樣本削弱了復購影響因子的指證作用。同時，較少會結合商品本身的屬性，如使用周期、生命周期來進行分類，而是直
5、3.分析方法方面：原技術一般是將所有用戶數據、商家數據進行分析預測，信息經過常規數據預處理之后，形成一定環境下的用戶畫像，組成影響因素特征，并進行特征篩選，形成訓練集、測試集進行分析預測。如以消費者是否復購作為預測標簽，基于xgboost、lightgbm、隨機森林、邏輯回歸、時間序列方法等集成學習及機器學習方法進行是否復購預測，但是由于xgboost等本身具有較強的過擬合能力，使得后續的預測可靠性逐漸降低，另外，模型中引入的“負樣本”使得分析的側重點更偏向是否復購，一定程度上忽略了復購主體的復購時間間隔的分析。
6、因此亟需一種基于商品品類的會員復購預測方法及系統。
技術實現思路
1、名詞解釋：
2、rfm模型：是一種用于衡量客戶價值的分析工具，通過分析客戶最近一次消費時間recency、某限定期間內的消費頻率frequency以及消費金額monetary三個要素來評估客戶對于商家的價值，并依此將客戶劃分為“重要價值客戶、重要發展客戶、重要挽留客戶、重要保持客戶、一般價值客戶、一般發展客戶、一般挽留客戶、一般保持客戶”八類客戶群。
3、為了解決上述提到的問題，本專利技術提供一種基于商品品類的會員復購預測方法及系統。
4、第一方面，本專利技術提供的一種基于商品品類的會員復購預測方法，采用如下的技術方案：
5、一種基于商品品類的會員復購預測方法，包括：
6、獲取銷售數據；
7、對獲取的銷售數據進行預處理，對預處理后的銷售數據計算單位商品細類的復購周期，根據復購周期獲取忠誠會員；
8、對忠誠會員的數據進行特征提取，得到特征向量，作為數據集；
9、將數據集劃分為訓練集和測試集，基于訓練集構建廣義回歸神經網絡模型，基于測試集進行模型調優，得到調優后的廣義回歸神經網絡模型。
10、進一步地，所述對預處理后的銷售數據計算單位商品細類的復購周期，包括根據相鄰兩次購買的間隔時間和購買次數，得到每個會員對單位商品細類的復購周期，根據每個會員對單位商品細類的復購周期得到每個單位商品細類的復購周期。
11、進一步地，所述根據復購周期獲取忠誠會員，包括利用rfm模型進行評分區間劃分，通過最近一次消費時間和當前時間的均值和方差作為評分標準，利用評分區間得出忠誠會員。
12、進一步地，所述對忠誠會員的數據進行特征提取，得到特征向量，包括抽取影響忠誠會員復購的可能因素作為特征變量，對特征變量進行標準化處理得到特征向量，對特征向量進行z-score標準化處理表示為：=，
13、其中是原數據，是經過標準化后的數據，μ為其均值，σ為標準差。
14、進一步地，所述基于訓練集構建廣義回歸神經網絡模型，包括計算輸入層與模式層節點之間的距離，其中，輸入層神經元的數目等于特征變量的維度數目，模式層神經元節點數量為輸入層訓練集中的訓練樣本的個數，在模式層進行輸入特征數據與每個訓練樣本之間的歐式距離，該距離作為下一層即求和層的輸入，其中，利用高斯徑向基函數作為歐式距離的計算函數：
15、=exp[]，
16、其中，i=1,2,...,n，x為網絡輸入變量，為第i個神經元對應的學習樣本，為平滑因子，∈(0,1)，神經元i的輸出為輸入變量與其對應的樣本x之間歐式距離平方的指數形式，由此獲得輸入變量數據與模式層節點之間的距離值，作為求和層的輸入數據。
17、進一步地，所述基于訓練集構建廣義回歸神經網絡模型，還包括求和層進行高斯函數變換和加權平均值，其中，對所有模式層神經元的輸出進行算術求和，其模式層與各神經元的連接權值為1；對所有模式層輸出的距離向量進行加權求和，其中，每個距離向量的權重值是通過對距離向量進行高斯函數變換求得。
18、進一步地，所述通過測試集進行數據驗證，在平滑因子區間內尋找最優平滑因子，包括利用廣義回歸神經網絡模型對測試集進行預測，求得模型擬合的平均絕對誤差mae、平均絕對誤差mape、均方誤差mse及相對應的均方根誤差，其中，誤差值越小表示模型預測結果越準確。
19、第二方面，一種基于商品品類的會員復購預測系統，包括：
20、數據獲取模塊，被配置為，獲取銷售數據；
21、預處理模塊，被配置為，對獲取的銷售數據進行預處理，對預處理后的銷售數據計算單位商品細類的復購周期，根據復購周期獲取忠誠會員；
22、特征提取模塊，被配置為，對忠誠會員的數據進行特征提取，得到特征向量，作為數據集；
23、模型預測模塊，被配置為，將數據集劃分為訓練集和測試集，基于訓練集構建廣義回歸神經網絡模型，基于測試集進行模型調優，得到調優后的廣義回歸神經網絡模型。
24、第三方面，本專利技術提供一種計算機可讀存儲介質，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行所述的一種基于商品品類的會員復購預測方法。
25、第四方面，本專利技術提供一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行所述的一種基于商品品類的會員復購預測方法。
【技術保護點】
1.一種基于商品品類的會員復購預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于商品品類的會員復購預測方法，其特征在于，所述對預處理后的銷售數據計算單位商品細類的復購周期，包括根據相鄰兩次購買的間隔時間和購買次數，得到每個會員對單位商品細類的復購周期，根據每個會員對單位商品細類的復購周期得到每個單位商品細類的復購周期。
3.根據權利要求2所述的一種基于商品品類的會員復購預測方法，其特征在于，所述根據復購周期獲取忠誠會員，包括利用RFM模型進行評分區間劃分，通過最近一次消費時間和當前時間的均值和方差作為評分標準，利用評分區間得出忠誠會員。
4.根據權利要求3所述的一種基于商品品類的會員復購預測方法，其特征在于，所述對忠誠會員的數據進行特征提取，得到特征向量，包括抽取影響忠誠會員復購的可能因素作為特征變量，對特征變量進行標準化處理得到特征向量，對特征向量進行z-score標準化處理表示為：=，
5.根據權利要求4所述的一種基于商品品類的會員復購預測方法，其特征在于，所述基于訓練集構建廣義回歸神經網絡模型，包括計算輸入層與模式
6.根據權利要求5所述的一種基于商品品類的會員復購預測方法，其特征在于，所述基于訓練集構建廣義回歸神經網絡模型，還包括求和層進行高斯函數變換和加權平均值，其中，對所有模式層神經元的輸出進行算術求和，其模式層與各神經元的連接權值為1；對所有模式層輸出的距離向量進行加權求和，其中，每個距離向量的權重值是通過對距離向量進行高斯函數變換求得。
7.根據權利要求6所述的一種基于商品品類的會員復購預測方法，其特征在于，所述基于測試集進行模型調優，得到調優后的廣義回歸神經網絡模型，包括利用廣義回歸神經網絡模型對測試集進行預測，求得模型擬合的平均絕對誤差MAE、平均絕對誤差MAPE、均方誤差MSE及相對應的均方根誤差，其中，誤差值越小表示模型預測結果越準確。
8.一種基于商品品類的會員復購預測系統，其特征在于，包括：
9.一種計算機可讀存儲介質，其中存儲有多條指令，其特征在于，所述指令適于由終端設備的處理器加載并執行如權利要求1所述的一種基于商品品類的會員復購預測方法。
10.一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，其特征在于，所述指令適于由處理器加載并執行如權利要求1所述的一種基于商品品類的會員復購預測方法。
...【技術特征摘要】
1.一種基于商品品類的會員復購預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于商品品類的會員復購預測方法，其特征在于，所述對預處理后的銷售數據計算單位商品細類的復購周期，包括根據相鄰兩次購買的間隔時間和購買次數，得到每個會員對單位商品細類的復購周期，根據每個會員對單位商品細類的復購周期得到每個單位商品細類的復購周期。
3.根據權利要求2所述的一種基于商品品類的會員復購預測方法，其特征在于，所述根據復購周期獲取忠誠會員，包括利用rfm模型進行評分區間劃分，通過最近一次消費時間和當前時間的均值和方差作為評分標準，利用評分區間得出忠誠會員。
4.根據權利要求3所述的一種基于商品品類的會員復購預測方法，其特征在于，所述對忠誠會員的數據進行特征提取，得到特征向量，包括抽取影響忠誠會員復購的可能因素作為特征變量，對特征變量進行標準化處理得到特征向量，對特征向量進行z-score標準化處理表示為：=，
5.根據權利要求4所述的一種基于商品品類的會員復購預測方法，其特征在于，所述基于訓練集構建廣義回歸神經網絡模型，包括計算輸入層與模式層節點之間的距離，其中，輸入層神經元的數目等于特征變量的維度數目，模式層神經元節點數量為輸入層訓練集中的訓練樣本的個數，在模式層進行輸入特征數據與每個訓練樣本之間的歐式距離，該距離作為下一層即求和層...
【專利技術屬性】
技術研發人員：婁海鳳，王強，張志強，盧世杰，
申請(專利權)人：易通金服支付有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。