一种商品销售折扣的确定方法及装置与流程

1.本技术涉及大数据技术领域，具体涉及一种商品销售折扣的确定方法及装置。


背景技术：

2.在科学技术与理论日益完善的情况下，科技加某个行业也成为了社会上的发展趋势。大数据作为改变世界的新型科技力量，正在迅速融入各行各业。随着企业规模的扩张导致的数据量与日俱增，人工统计计算数据需要花费巨大的时间和人力，已经逐渐无法满足日常需求，进而会造成决策失误等一系列严重后果。服装行业作为最难“攻克”的传统行业之一，如何用科技的手段去自动预测销售目标制定计划从而提高工作效率成了一大难题。
3.现有技术中，常用的销售调价方法主要是根据历史数据人工进行的主观的推测法，时间数列分析法和相关分析法，但人手进行销售调价的方法显得繁杂且低效，且人手无法及时排查异常数据，导致最终结果的准确性较低。
4.现有技术中，商品销售折扣的确定方法不准确。


技术实现要素：

5.本技术旨在提供一种商品销售折扣的确定方法及装置，旨在解决现有技术中商品销售折扣的确定方法不准确的问题。
6.一方面，本技术提供一种商品销售折扣的确定方法，所述商品销售折扣的确定方法包括：
7.获取历史时间段内的历史销售数据，其中，所述历史销售数据包括销售折扣特征和销售数量特征；
8.对所述历史销售数据进行数据清洗，得到数据清洗后的销售数据；
9.基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；
10.对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；
11.基于数据转换后的销售数据构建数据管道；
12.通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；
13.获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；
14.将多个所述待预测数据输入所述销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；
15.根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；
16.将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。
17.可选地，所述获取历史时间段内的历史销售数据，包括：
18.从数据库读取历史时间段内的历史销售数据并缓存至本地文件中，其中，所述历
史销售数据包括业务特征、商品特征、时间特征，所述业务特征包括销售折扣特征和销售数量特征。
19.可选地，所述对所述历史销售数据进行数据清洗，得到数据清洗后的销售数据，包括：
20.读取缓存在本地文件的历史销售数据；
21.通过特定异常筛选条件过滤异常数据；
22.转换空值成统一标识；
23.最后进行离散数据的规范化操作，得到数据清洗后的销售数据。
24.可选地，所述对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据，包括：
25.将特征选择后的销售数据进行汇总、关联相关特征、转换销售数量到相同的数值范围和离散数据下标转换。
26.可选地，所述对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据，包括：
27.获取特征选择后的销售数据中的数值特征和离散特征；
28.对数值特征进行归一化处理和对离散特征进行embedding编码，得到数据转换后的销售数据。
29.可选地，所述基于数据转换后的销售数据构建数据管道，包括：
30.分商品和时间段对数据转换后的销售数据构建数据管道。
31.可选地，所述通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型，包括：
32.将转换后的销售数据按照6：2：2的比例分为训练集、验证集以及测试集；
33.通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到训练后的预设神经网络模型；
34.基于所述验证集判断训练后的预设神经网络模型是否满足预期指标；
35.若所述训练后的预设神经网络模型满足预期指标，则将训练后的预设神经网络模型确定为销售数量预测模型。
36.一方面，本技术提供一种商品销售折扣的确定装置，所述商品销售折扣的确定装置包括：
37.第一获取单元，用于获取历史时间段内的历史销售数据，其中，所述历史销售数据包括销售折扣特征和销售数量特征；
38.数据清洗单元，用于对所述历史销售数据进行数据清洗，得到数据清洗后的销售数据；
39.特征选择单元，用于基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；
40.数据转换单元，用于对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；
41.构建单元，用于基于数据转换后的销售数据构建数据管道；
42.训练单元，用于通过构建的数据通道将数据转换后的销售数据输入预设神经网络
模型进行训练，得到销售数量预测模型；
43.第二获取单元，用于获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；
44.预测单元，用于将多个所述待预测数据输入所述销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；
45.计算单元，用于根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；
46.确定单元，用于将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。
47.可选地，所述第一获取单元，用于：
48.从数据库读取历史时间段内的历史销售数据并缓存至本地文件中，其中，所述历史销售数据包括业务特征、商品特征、时间特征，所述业务特征包括销售折扣特征和销售数量特征。
49.可选地，所述数据清洗单元，用于：
50.读取缓存在本地文件的历史销售数据；
51.通过特定异常筛选条件过滤异常数据；
52.转换空值成统一标识；
53.最后进行离散数据的规范化操作，得到数据清洗后的销售数据。
54.可选地，所述特征选择单元，用于：
55.将特征选择后的销售数据进行汇总、关联相关特征、转换销售数量到相同的数值范围和离散数据下标转换。
56.可选地，所述数据转换单元，用于：
57.获取特征选择后的销售数据中的数值特征和离散特征；
58.对数值特征进行归一化处理和对离散特征进行embedding编码，得到数据转换后的销售数据。
59.可选地，所述构建单元，用于：
60.分商品和时间段对数据转换后的销售数据构建数据管道。
61.可选地，所述训练单元，用于：
62.将转换后的销售数据按照6：2：2的比例分为训练集、验证集以及测试集；
63.通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到训练后的预设神经网络模型；
64.基于所述验证集判断训练后的预设神经网络模型是否满足预期指标；
65.若所述训练后的预设神经网络模型满足预期指标，则将训练后的预设神经网络模型确定为销售数量预测模型。
66.一方面，本技术还提供一种电子设备，所述电子设备包括：
67.一个或多个处理器；
68.存储器；以及
69.一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的商品销售折扣的确定方法。
70.一方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行第一方面任一项的商品销售折扣的确定方法中的步骤。
71.本技术提供一种商品销售折扣的确定方法，该商品销售折扣的确定方法包括：获取历史时间段内的历史销售数据，其中，历史销售数据包括销售折扣特征和销售数量特征；对历史销售数据进行数据清洗，得到数据清洗后的销售数据；基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；基于数据转换后的销售数据构建数据管道；通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；将多个待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。本技术通过对历史销售数据的分析与处理，从中找到未来折扣与销量的隐含映射关系，得到未来一段时间内，每个时间点折扣对于的销量，最终可以通过策略模型找到最优商品销售折扣。模型在训练时采用的是所有商品的历史数据，通过模糊商品之间的关键特征，模型在商品之间的数据相互借鉴，最终得到折扣与销量的映射模型，通过该方法，能解决商品的历史折扣与销量单一的问题，使得模型能在已知的2～n周的数据里，预测未来不同折扣对应的销量，能够提高商品销售折扣的确定准确率。
附图说明
72.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
73.图1为本技术实施例所提供的商品销售折扣的确定系统的场景示意图；
74.图2是本技术实施例提供的商品销售折扣的确定方法的一个实施例流程示意图；
75.图3是本技术实施例中提供的商品销售折扣的确定装置一个实施例结构示意图；
76.图4是本技术实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
77.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
78.在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，
因此不能理解为对本技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
79.在本技术中，“示例性”一词用来表示“用作例子、例证或说明”。本技术中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本技术的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
80.需要说明的是，本技术实施例方法由于是在电子设备中执行，各电子设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便电子设备进行处理，具体此处不作赘述。
81.本技术实施例提供一种商品销售折扣的确定方法及装置，以下分别进行详细说明。
82.请参阅图1，图1为本技术实施例所提供的商品销售折扣的确定系统的场景示意图，该商品销售折扣的确定系统可以包括电子设备100，电子设备100中集成有商品销售折扣的确定装置，如图1中的电子设备。
83.本技术实施例中，该电子设备100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本技术实施例中所描述的电子设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
84.本领域技术人员可以理解，图1中示出的应用环境，仅仅是本技术方案的一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的电子设备，例如图1中仅示出1个电子设备，可以理解的，该商品销售折扣的确定系统还可以包括一个或多个其他服务器，具体此处不作限定。
85.另外，如图1所示，该商品销售折扣的确定系统还可以包括存储器200，用于存储数据。
86.需要说明的是，图1所示的商品销售折扣的确定系统的场景示意图仅仅是一个示例，本技术实施例描述的商品销售折扣的确定系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着商品销售折扣的确定系统的演变和新业务场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
87.首先，本技术实施例中提供一种商品销售折扣的确定方法，该商品销售折扣的确定方法的执行主体为商品销售折扣的确定装置，该商品销售折扣的确定装置应用于电子设备，该商品销售折扣的确定方法包括：获取历史时间段内的历史销售数据，其中，历史销售数据包括销售折扣特征和销售数量特征；对历史销售数据进行数据清洗，得到数据清洗后
的销售数据；基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；基于数据转换后的销售数据构建数据管道；通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；将多个待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。
88.参阅图2，图2是本技术实施例提供的商品销售折扣的确定方法的一个实施例流程示意图。该商品销售折扣的确定方法包括s201-210：
89.s201、获取历史时间段内的历史销售数据。
90.其中，历史销售数据包括销售折扣特征和销售数量特征。历史时间段可以为历史2～n周。
91.具体的，从数据库读取历史时间段内的历史销售数据并缓存至本地文件中，其中，历史销售数据包括业务特征、商品特征、时间特征，业务特征包括销售折扣特征和销售数量特征。历史销售数据包括业务特征、商品特征以及时间特征。业务特征包括销售数量特征、销售折扣特征、库存数量特征等。sku特征包括商品季节、商品系列、商品品类等特征。时间特征包括年内周序号、销售第几周等。
92.s202、对历史销售数据进行数据清洗，得到数据清洗后的销售数据。
93.本技术实施例中，对历史销售数据进行数据清洗，得到数据清洗后的销售数据，包括：
94.(1)读取缓存在本地文件的历史销售数据。
95.(2)通过特定异常筛选条件过滤异常数据。
96.预设筛选条件由人工根据具体情况设定。
97.(3)转换空值成统一标识；
98.(4)最后进行离散数据的规范化操作，得到数据清洗后的销售数据。
99.s203、基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据。
100.s204、对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据。
101.具体的，将特征选择后的销售数据进行汇总、关联相关特征、转换销售数量到相同的数值范围和离散数据下标转换。
102.进一步的，获取特征选择后的销售数据中的数值特征和离散特征；对数值特征进行归一化处理和对离散特征进行embedding编码，得到数据转换后的销售数据。销售数量用log1p转换，选择合适得到特征，其中销售数量特征与销售折扣特征是必须的。
103.s205、基于数据转换后的销售数据构建数据管道。
104.具体的，分商品和时间段对数据转换后的销售数据构建数据管道。用于加速训练过程。
105.s206、通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型。
106.在一个具体的实施例中，预设神经网络模型为transformer模型。transformer模型由transformer编码器与transformer解码器构成，分别接受历史销售数据与未来折扣和未来折扣周序号。将前(2～n-1)的历史销售数据输入transformer编码器，编码器在训练过程中，会对所有特征转换到一个小维度的特征数组，这里模型会通过不同权重提取有效特征。将前(2～n-1)周抽象后的特征与未来折扣、年周、销售第几周的特征，输入transformer解码器，这里目的是为了把未来的一些已知特征，包括周序号和折扣，与历史特征结合，经过权重参数变换后，得到完整生命周期的销售数量。
107.进一步的，通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型，包括：
108.(1)将转换后的销售数据按照6：2：2的比例分为训练集、验证集以及测试集。
109.(2)通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到训练后的预设神经网络模型。
110.具体的，模型在训练过程中，不断调整模型内参数，最终拟合实际销量数据，则完成训练。具体的，预设神经网络模型遍历所有历史特征数据，通过mask屏蔽非销售天数，通过mse损失值计算梯度，更新模型变量，使预测销量拟合真实销量，直到模型损失值不继续下降，则停止训练。
111.(3)基于验证集判断训练后的预设神经网络模型是否满足预期指标。
112.(4)若训练后的预设神经网络模型满足预期指标，则将训练后的预设神经网络模型确定为销售数量预测模型。
113.若训练后的预设神经网络模型不满足预期指标，则更新预设特征选择条件、更新特定异常筛选条件、更新预设神经网络模型的模型超参数、更新预设神经网络模型的模型超参数，并重新训练，至训练后的预设神经网络模型满足预期指标，则将训练后的预设神经网络模型确定为销售数量预测模型。
114.s207、获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同。
115.待预测数据中的数据特征与历史销售数据中的数据特征类型相同。各个待预测数据的区别在于其中的销售折扣参数不同。销售折扣参数包括在未来周序号的折扣。例如，在未来一周内折扣为50％。不同的待预测数据中的销售折扣参数不同由人工设定。待预测数据中的其他特征是销售过程的实际数据。例如，不同的销售折扣参数包括：未来一周内折扣70％，未来一周内折扣80％等等。
116.s208、将多个待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量。
117.将待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量。也即得到不同的销售折扣参数对应的不同的预测销售数量。
118.s209、根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率。
119.s210、将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。
120.即对于各个销售折扣参数，先找出消化率高于预设值的多个销售折扣参数，然后在从消化率高于预设值的多个销售折扣参数选出毛利率最高的销售折扣参数确定为目标
销售折扣参数。
121.消化率高于预设值时毛利率最高，可以保证消化率的情况下，毛利率最高。因此，将此种消化率高于预设值时毛利率的销售折扣参数确定为目标销售折扣参数，即可保证消化率的情况下，毛利率最高。
122.为了更好实施本技术实施例中商品销售折扣的确定方法，在商品销售折扣的确定方法基础之上，本技术实施例中还提供一种商品销售折扣的确定装置，如图3所示，图3是本技术实施例中提供的商品销售折扣的确定装置一个实施例结构示意图，该商品销售折扣的确定装置300包括：
123.第一获取单元301，用于获取历史时间段内的历史销售数据，其中，历史销售数据包括销售折扣特征和销售数量特征；
124.数据清洗单元302，用于对历史销售数据进行数据清洗，得到数据清洗后的销售数据；
125.特征选择单元303，用于基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；
126.数据转换单元304，用于对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；
127.构建单元305，用于基于数据转换后的销售数据构建数据管道；
128.训练单元306，用于通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；
129.第二获取单元307，用于获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；
130.预测单元308，用于将多个待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；
131.计算单元309，用于根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；
132.确定单元310，用于将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。
133.可选地，第一获取单元，用于：
134.从数据库读取历史时间段内的历史销售数据并缓存至本地文件中，其中，历史销售数据包括业务特征、商品特征、时间特征，业务特征包括销售折扣特征和销售数量特征。
135.可选地，数据清洗单元，用于：
136.读取缓存在本地文件的历史销售数据；
137.通过特定异常筛选条件过滤异常数据；
138.转换空值成统一标识；
139.最后进行离散数据的规范化操作，得到数据清洗后的销售数据。
140.可选地，特征选择单元，用于：
141.将特征选择后的销售数据进行汇总、关联相关特征、转换销售数量到相同的数值范围和离散数据下标转换。
142.可选地，数据转换单元，用于：
143.获取特征选择后的销售数据中的数值特征和离散特征；
144.对数值特征进行归一化处理和对离散特征进行embedding编码，得到数据转换后的销售数据。
145.可选地，构建单元，用于：
146.分商品和时间段对数据转换后的销售数据构建数据管道。
147.可选地，训练单元，用于：
148.将转换后的销售数据按照6：2：2的比例分为训练集、验证集以及测试集；
149.通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到训练后的预设神经网络模型；
150.基于验证集判断训练后的预设神经网络模型是否满足预期指标；
151.若训练后的预设神经网络模型满足预期指标，则将训练后的预设神经网络模型确定为销售数量预测模型。
152.本技术实施例还提供一种电子设备，其集成了本技术实施例所提供的任一种商品销售折扣的确定装置。如图4所示，其示出了本技术实施例所涉及的电子设备的结构示意图，具体来讲：
153.该电子设备可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、电源503和输入单元504等部件。本领域技术人员可以理解，图中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
154.其中：
155.处理器501是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
156.存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
157.电子设备还包括给各个部件供电的电源503，优选的，电源503可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源503还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
158.该电子设备还可包括输入单元504，该输入单元504可用于接收输入的数字或字符
信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
159.尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：
160.获取历史时间段内的历史销售数据，其中，历史销售数据包括销售折扣特征和销售数量特征；对历史销售数据进行数据清洗，得到数据清洗后的销售数据；基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；基于数据转换后的销售数据构建数据管道；通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；将多个待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。本技术可以提高商品销售折扣的确定方法准确度。
161.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
162.为此，本技术实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本技术实施例所提供的任一种商品销售折扣的确定方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
163.获取历史时间段内的历史销售数据，其中，历史销售数据包括销售折扣特征和销售数量特征；对历史销售数据进行数据清洗，得到数据清洗后的销售数据；基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；基于数据转换后的销售数据构建数据管道；通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；将多个待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。本技术可以提高商品销售折扣的确定方法准确度。
164.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
165.具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
166.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
167.以上对本技术实施例所提供的一种商品销售折扣的确定方法及装置进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种商品销售折扣的确定方法，其特征在于，所述商品销售折扣的确定方法包括：获取历史时间段内的历史销售数据，其中，所述历史销售数据包括销售折扣特征和销售数量特征；对所述历史销售数据进行数据清洗，得到数据清洗后的销售数据；基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；基于数据转换后的销售数据构建数据管道；通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；将多个所述待预测数据输入所述销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。2.根据权利要求1所述的商品销售折扣的确定方法，其特征在于，所述获取历史时间段内的历史销售数据，包括：从数据库读取历史时间段内的历史销售数据并缓存至本地文件中，其中，所述历史销售数据包括业务特征、商品特征、时间特征，所述业务特征包括销售折扣特征和销售数量特征。3.根据权利要求1所述的商品销售折扣的确定方法，其特征在于，所述对所述历史销售数据进行数据清洗，得到数据清洗后的销售数据，包括：读取缓存在本地文件的历史销售数据；通过特定异常筛选条件过滤异常数据；转换空值成统一标识；最后进行离散数据的规范化操作，得到数据清洗后的销售数据。4.根据权利要求1所述的商品销售折扣的确定方法，其特征在于，所述对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据，包括：将特征选择后的销售数据进行汇总、关联相关特征、转换销售数量到相同的数值范围和离散数据下标转换。5.根据权利要求1所述的商品销售折扣的确定方法，其特征在于，所述对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据，包括：获取特征选择后的销售数据中的数值特征和离散特征；对数值特征进行归一化处理和对离散特征进行embedding编码，得到数据转换后的销售数据。6.根据权利要求1所述的商品销售折扣的确定方法，其特征在于，所述基于数据转换后的销售数据构建数据管道，包括：分商品和时间段对数据转换后的销售数据构建数据管道。
7.根据权利要求1所述的商品销售折扣的确定方法，其特征在于，所述通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型，包括：将转换后的销售数据按照6:2:2的比例分为训练集、验证集以及测试集；通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到训练后的预设神经网络模型；基于所述验证集判断训练后的预设神经网络模型是否满足预期指标；若所述训练后的预设神经网络模型满足预期指标，则将训练后的预设神经网络模型确定为销售数量预测模型。8.一种商品销售折扣的确定装置，其特征在于，所述商品销售折扣的确定装置包括：第一获取单元，用于获取历史时间段内的历史销售数据，其中，所述历史销售数据包括销售折扣特征和销售数量特征；数据清洗单元，用于对所述历史销售数据进行数据清洗，得到数据清洗后的销售数据；特征选择单元，用于基于预设特征选择条件对数据清洗后的销售数据进行特征选择，得到特征选择后的销售数据；数据转换单元，用于对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；构建单元，用于基于数据转换后的销售数据构建数据管道；训练单元，用于通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；第二获取单元，用于获取多个待预测数据，其中，不同的待预测数据中的销售折扣参数不同；预测单元，用于将多个所述待预测数据输入所述销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；计算单元，用于根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；确定单元，用于将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。9.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7任一项所述的商品销售折扣的确定方法。10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的商品销售折扣的确定方法中的步骤。

技术总结
本申请提供了一种商品销售折扣的确定方法及装置，该商品销售折扣的确定方法包括：获取历史时间段内的历史销售数据；得到数据清洗后的销售数据；得到特征选择后的销售数据；对特征选择后的销售数据进行数据转换，得到数据转换后的销售数据；基于数据转换后的销售数据构建数据管道；通过构建的数据通道将数据转换后的销售数据输入预设神经网络模型进行训练，得到销售数量预测模型；将多个待预测数据输入销售数量预测模型，得到多个待预测数据对应的多个预测销售数量；根据多个预测销售数量计算对应的消化率和毛利率，得到多个销售折扣参数对应的消化率和毛利率；将消化率高于预设值时毛利率最高的销售折扣参数确定为目标销售折扣参数。扣参数。扣参数。


技术研发人员：韩永健 秦华东
受保护的技术使用者：广州飞狮数字科技有限公司
技术研发日：2022.12.16
技术公布日：2023/7/19