基于关联规则及协同过滤的产品推荐方法.pdf

《基于关联规则及协同过滤的产品推荐方法.pdf》由会员分享，可在线阅读，更多相关《基于关联规则及协同过滤的产品推荐方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910384742.1 (22)申请日 2019.05.09 (71)申请人 杭州览众数据科技有限公司 地址 310000 浙江省杭州市滨江区西兴街 道物联网街451号芯图大厦17层 (72)发明人 王一君陈灿吴珊珊林滨滨 (74)专利代理机构 杭州君度专利代理事务所 (特殊普通合伙) 33240 代理人 朱月芬 (51)Int.Cl. G06Q 30/02(2012.01) (54)发明名称 一种基于关联规则及协同过滤的产品推荐 方法 (57)摘要 本发明公开了一种基于关。

2、联规则及协同过 滤的产品推荐方法， 包括以下步骤： 首先根据去 年同期产品的OTB对产品进行ABC分类， 并结合每 类产品的数量设置分档标签； 其次， 结合去年同 期产品的历史销售数据、 历史推荐方法采用关联 规则构建历史动销门店关联表、 历史产品营销策 略表， 最后采用协同过滤并结合门店的产品结构 给出当季的营销推荐方法。 本发明利用历史同期 的推荐方法及销售规律， 通过关联规则构造门店 间的关联信息及营销策略表， 结合协同过滤给出 产品当季的营销策略,极大地改良了产品运营中 新产品销售信息少， 失败率高的缺陷， 为企业在 第一时间占领市场， 优化库存提供了科学的参考 依据。 权利要求书2页。

3、 说明书5页 附图1页 CN 110163668 A 2019.08.23 CN 110163668 A 1.一种基于关联规则及协同过滤的产品推荐方法， 其特征在于包括以下步骤： 步骤1： 根据去年同期产品的限制采买计划OTB数量， 对OTB数量从高到低进行排序， 排 序后对产品进行ABC分类； 对每个OTB类别以产品种类数进行分档， 并设置分档阈值T， 保证 每档有足够数据进行统计分析， 获得分类标签A_1， A_2， .； B_1， B_2， B_3， .； C_1， C_ 2， .； 其中， A_1表示A类中所有产品前T数量最大的产品集合， A_2表示A类中所有产品中第 T+1到2T之间。

4、数量最大的产品集合； 步骤2： 根据产品在门店当前周是否有可用库存， 作为其在门店是否上货的依据； 汇总 统计产品在门店每周的周销量， 计算两个参考周数销量： 往前参考两周销量作为当前周销 量与上周销量之和， 往后参考两周作为当前周销量与下周销量之和， 以产品为颗粒度筛选 出每种产品开始上货至其第五周的数据； 步骤3： 根据产品的历史销售数据、 产品的分档数据， 计算出每档产品的动销率、 齐码 率、 OTB的售罄率及累计销售数量； 对产品的分档做循环， 以一个分档内的所有产品为基础， 每种产品给出其本周已上货门店及下周已上货的门店， 筛选出下周拓展门店， 并筛选出本 周有销售的门店； 步骤4：。

5、 根据有销售的门店， 采用关联规则方法构建出二层组合， 并按照产品、 周数、 门 店编码进行排序， 为避免所有门店组合过多， 在保留了一层的门店构建二层门店组合前， 先 根据一层门店出现的频次进行筛选， 只对出现频次较高的门店构建二层组合， 暂定频次阈 值为分档内的产品个数； 同样对二层门店组合根据出现频次进行筛选， 剪枝后的二层门店 组合与完整的一层门店， 作为本周已上货且有销量门店； 步骤5： 将本周有销量门店与下周拓展新增门店按产品、 周数进行匹配， 获得本周有销 量门店与下周拓展门店的表； 下周拓展门店的往后参考周数销量， 作为其是否有销量的判 断标准， 构造出本周有销量且下周拓展门店。

6、有销量的表； 步骤6： 每种产品本周上货门店与下周拓展门店的link为颗粒度， 统计本周有销量门店 与下周新增拓展门店的表、 本周有销量且下周新增拓展门店有销量的表， 根据这两张表统 计每个link出现的次数， 计算出本周有销量且下周新增拓展门店有销量的每个link成功概 率表， 即得到 “历史动销门店关联表” ， 该关联表即是历史产品推荐方法中对门店拓展顺序 的方法； 步骤7： 取每个产品各自第五周的销售表现指标KPI， 依据KPI从高到底， 假设新增拓展 门店都是销售较好的门店， 根据产品销售的八二原则， 筛选出前20的产品作为参照产品； 每个分档的每周拓展门店和上货数量求平均， 即为各自。

7、分档中参照产品每周拓展门店和上 货数量； 统计分档、 周数、 门店数、 上货数量的前五周数据即为历史产品推荐策略表； 步骤8： 根据决策日期， 获取目标产品的大类信息、 门店信息、 产品OTB计划及分档、 每个 目标产品的周销量和期末库存； 根据目标产品的相关信息， 构建目标产品动销门店关联表， 匹配历史产品的动销门店表， 获取目标产品在决策周根据现上货门店对应的可能拓展门店 的成功率， 并结合历史产品推荐策略表， 按照拓展门店的成功率， 从大到小筛选出符合条件 的可拓展门店。 2.根据权利要求1所述的一种基于关联规则及协同过滤的产品推荐方法， 其特征在于 步骤3具体实现如下： 据周销量与尺码。

8、颗粒度的期末库存计算产品的销售表现指标KPI， 该KPI为四个KPI的 权利要求书 1/2 页 2 CN 110163668 A 2 加权和， 四个KPI分别如下： (1)累计销售数量； (2)OTB的售罄率累计销售数量/OTB计划数量； (3)动销率有销量门店数/有可用库存门店数； (4)齐码率齐码门店数/有可用库存门店数， 齐码门店以门店中期末库存的尺码能否 组成连续的码数为准； 由于要筛选下周拓展门店， 因此本周上货门店中暂时不能提前筛除无销量门店； 从下 周已上货门店中去除掉本周已上货门店， 获得产品的下周拓展新增门店表； 从本周已铺门 店中筛选本周有销量门店。 3.根据权利要求2所述。

9、的一种基于关联规则及协同过滤的产品推荐方法， 其特征在于 步骤8具体实现还需如下： 将获取的产品数据与目标产品分档表匹配， 若有产品无OTB计划， 此处按A_1档进行补 空； 对目标产品进行循环， 获取目标产品的周数和分档； 获取此分档的 “历史动销门店关联 表” 和 “历史产品推荐策略表” ， 若历史产品中没有目标产品的分档， 则将目标产品进行降 档， 直到匹配到历史同样的分档为止， 若始终无法匹配， 则不给出拓展建议， 例如历史产品 较少、 A类产品只有A_1分档， 而目标产品为A_2档， 那么将目标产品降为A_1档进行上货。 4.根据权利要求3所述的一种基于关联规则及协同过滤的产品推荐方。

10、法， 其特征在于 本周有销量门店的定义为： 参考周数销量大于零， 可给出产品的本周有销量门店， 对门店编 码排序， 构建二层门店组合， 一二层门店共同作为本周有销量门店； 匹配此分档的 “历史动 销门店关联表” 获取下周推荐门店及其销售概率； 按下周推荐门店为颗粒度计算销售概率 之和， 按销售概率和从高到低对推荐门店进行排序； 从分档的 “历史产品推荐策略表” 获取 下周拓展门店数量与上货数量； 给出目标产品推荐下周拓展门店及其上货数量， 匹配目标 产品大类信息、 门店信息， 即获得当季的产品推荐方法； 销售分类为每档根据五周销售KPI对产品的销售情况进行分类； a为每一档根据推荐操 作时， 。

11、KPI排名在该分档的前20， b为每一档根据推荐操作时， KPI排名在该分档的20 80， c为每一档根据推荐操作时， KPI排名在该分档的80100。 权利要求书 2/2 页 3 CN 110163668 A 3 一种基于关联规则及协同过滤的产品推荐方法 技术领域 0001 本发明涉及信息技术需求领域， 具体涉及一种基于关联规则及协同过滤的产品推 荐方法。 背景技术 0002 产品推荐方法的目的在于提高企业产品推荐资源的利用效率， 使企业资源的利用 率最大化。 产品的上货时间及产品在门店的拓展线路作为其中最重要的问题之一， 是指在 正确的时间， 正确的门店， 将正确的产品推荐给顾客。 因此，。

12、 很多学者通过各种方法分析市 场机会、 目标市场、 活动管理、 环境因素、 宏观因素等对该问题给出各种建议。 然而， 这些方 法大都基于对理论方法的研究， 分析出产品的决策方法， 缺少具体的实施方法及操作依据。 本发明针对这一情况， 提出基于关联规则的方法构建历史动销门店关联表、 历史产品产品 推荐策略表， 采用协同过滤的方法， 根据目标产品的销售现状， 给出当季的产品推荐方法。 发明内容 0003 本发明的目的在于针对现有技术的不足， 提出一种基于关联规则及协同过滤的产 品推荐方法。 0004 本发明通过以下技术方案实现的， 包括以下步骤： 0005 步骤1： 根据去年同期产品的限制采买计划。

13、OTB数量， 对OTB数量从高到低进行排 序， 排序后对产品进行ABC分类； 对每个OTB类别以产品种类数进行分档， 并设置分档阈值T， 保证每档有足够数据进行统计分析， 获得分类标签A_1， A_2， .； B_1， B_2， B_3， .； C_1， C_ 2， .； 其中， A_1表示A类中所有产品前T数量最大的产品集合， A_2表示A类中所有产品中第 T+1到2T之间数量最大的产品集合； 例如T10， A类中所有产品有50类， 则A_1表示数量最大 的前10类产品的集合。 0006 步骤2： 根据产品在门店当前周是否有可用库存， 作为其在门店是否上货的依据； 汇总统计产品在门店每周的周。

14、销量， 计算两个参考周数销量(以两周为例)： 往前参考两周 销量作为当前周销量与上周销量之和， 往后参考两周作为当前周销量与下周销量之和， 以 产品为颗粒度筛选出每种产品开始上货至其第五周的数据(以五周为例)。 0007 步骤3： 根据产品的历史销售数据、 产品的分档数据， 计算出每档产品的动销率、 齐 码率、 OTB的售罄率及累计销售数量； 对产品的分档做循环， 以一个分档内的所有产品为基 础， 每种产品给出其本周已上货门店及下周已上货的门店， 筛选出下周拓展门店， 并筛选出 本周有销售的门店。 0008 步骤4： 根据有销售的门店， 采用关联规则方法构建出二层组合， 并按照产品、 周 数、。

15、 门店编码进行排序， 为避免所有门店组合过多， 在保留了一层的门店构建二层门店组合 前， 先根据一层门店出现的频次进行筛选(剪枝)， 只对出现频次较高的门店构建二层组合， 暂定频次阈值为分档内的产品个数； 同样对二层门店组合根据出现频次进行筛选(剪枝)， 剪枝后的二层门店组合与完整的一层门店， 作为本周已上货且有销量门店； 说明书 1/5 页 4 CN 110163668 A 4 0009 步骤5： 将本周有销量门店与下周拓展新增门店按产品、 周数进行匹配， 获得本周 有销量门店与下周拓展门店的表； 下周拓展门店的往后参考周数销量， 作为其是否有销量 的判断标准， 构造出本周有销量且下周拓展门。

16、店有销量的表； 0010 步骤6： 每种产品本周上货门店与下周拓展门店的link为颗粒度， 统计本周有销量 门店与下周新增拓展门店的表、 本周有销量且下周新增拓展门店有销量的表， 根据这两张 表统计每个link出现的次数， 计算出本周有销量且下周新增拓展门店有销量的每个link成 功概率表， 即得到 “历史动销门店关联表” ， 该关联表即是历史产品推荐方法中对门店拓展 顺序的方法； 0011 步骤7： 取每个产品各自第五周的销售表现指标KPI， 依据KPI从高到底， 假设新增 拓展门店都是销售较好的门店， 根据产品销售的八二原则， 筛选出前20的产品作为参照 产品。 每个分档的每周拓展门店和上。

17、货数量求平均， 即为各自分档中参照产品每周拓展门 店和上货数量； 统计分档、 周数、 门店数、 上货数量的前五周数据即为历史产品推荐策略表； 0012 步骤8： 根据决策日期， 获取目标产品的大类信息、 门店信息、 产品OTB计划及分档、 每个目标产品的周销量和期末库存； 根据目标产品的相关信息， 构建目标产品动销门店关 联表， 匹配历史产品的动销门店表， 获取目标产品在决策周根据现上货门店对应的可能拓 展门店的成功率， 并结合历史产品推荐策略表， 按照拓展门店的成功率， 从大到小筛选出符 合条件的可拓展门店。 0013 本发明有益效果： 0014 本发明方法在每次换季之前， 对同期去年的历史。

18、经验进行沉淀， 沉淀出历史销售 表现优异的产品， 构建历史产品推荐策略表， 借鉴关联规则&协同过滤， 对产品销售过程中 的有销量门店之间的关联关系进行分析。 在观测到有销量门店后， 推荐给出下周销售概率 最大的拓展门店。 其中通过历史产品的推荐策略给出拓展门店数量和门店上货深度。 附图说明 0015 图1是本发明实施例采用该方法的具体流程图。 具体实施方式 0016 下面结合附图、 附表详细描述本发明， 本发明的目的和效果将变得更加明显。 本发 明考虑到实际情况， 根据历史数据， 采用关联规则方法构建了门店与门店之间的关联表及 历史的推荐策略表； 根据当季新品的销售数据和现状， 匹配历史的数据。

19、， 获取当季的产品推 荐方法。 0017 如图1所示， 本发明一种基于关联规则及协同过滤的方法， 包括以下步骤： 0018 步骤1： 根据去年同期产品的限制采买计划OTB数量， 对OTB数量从高到低进行排 序， 排序后对产品进行ABC分类； 对每个OTB类别以产品种类数进行分档， 并设置分档阈值T， 保证每档有足够数据进行统计分析， 获得分类标签A_1， A_2， .； B_1， B_2， B_3， .； C_1， C_ 2， .； 其中， A_1表示A类中所有产品前T数量最大的产品集合， A_2表示A类中所有产品中第 T+1到2T之间数量最大的产品集合； 例如T10， A类中所有产品有50类。

20、， 则A_1表示数量最大 的前10类产品的集合。 0019 步骤2： 获取销售、 出入库数据按周求和， 计算期末库存与周销量， 两者之和作为周 说明书 2/5 页 5 CN 110163668 A 5 可用库存， 以产品在门店的周可用库存为判定当周是否上货的依据； 计算两个参考周数销 量(以两周为例)： 往前参考两周销量为当周销量与上周销量之和， 往后参考两周为当周销 量与下周销量之和； 以产品为颗粒度筛选每个产品开始上货至其第五周的数据； 0020 步骤3： 根据产品的历史销售数据、 产品的分档数据， 计算出每档产品的动销率、 齐 码率、 OTB的售罄率及累计销售数量； 对产品的分档做循环，。

21、 以一个分档内的所有产品为基 础， 每种产品给出其本周已上货门店及下周已上货的门店， 筛选出下周拓展门店， 并筛选出 本周有销售的门店。 0021 据周销量与尺码颗粒度的期末库存计算产品的销售表现指标KPI， 该KPI为四个 KPI的加权和， 四个KPI分别如下： 0022 (1)累计销售数量； 0023 (2)OTB的售罄率累计销售数量/OTB计划数量； 0024 (3)动销率有销量门店数/有可用库存门店数； 0025 (4)齐码率齐码门店数/有可用库存门店数， 齐码门店以门店中期末库存的尺码 能否组成连续的码数为准； 0026 由于要筛选下周拓展门店， 因此本周上货门店中暂时不能提前筛除无。

22、销量门店； 从下周已上货门店中去除掉本周已上货门店， 获得产品的下周拓展新增门店表； 从本周已 铺门店中筛选本周有销量门店； 0027 步骤4： 开始构建有销量门店的组合， 0028 为了穷举所有二层组合， 对门店按产品、 周数、 门店编码进行排序； 考虑到所有门 店组合过多， 在保留了一层的门店后， 在构建二层门店组合前， 先根据一层门店出现的频次 进行筛选(剪枝)， 只对出现频次大于频次阈值的门店构建二层组合， 暂定频次阈值为分档 内的产品个数； 构建二层门店组合后， 同样对二层门店组合根据出现频次进行筛选(剪枝)， 只选取出现频次大于频次阈值的门店组合， 剪枝后的二层门店组合与完整的一层。

23、门店作为 本周已铺且有销量门店； 0029 举例； 假设根据条件构建的一层有销售门店(门店用xn表示)x1,x2,x3,x4,构建2 层门店时， 选择门店数出现频次超过60(即分档时产品的个数)的门店组合构建二层组合； ， 此时将筛选出来的门店构建二层组合； 如x1,x3出现频次都为70， 则对(x1,x3)构建二层组合 (x1,x3)， 构建完成后再次进行筛选， 筛选出二层门店出现次数大于60的门店， 一层门店和 二层门店的并集即为本周已铺且有销量的门店。 0030 步骤5： 将本周有销量门店与下周拓展门店按产品、 周数进行匹配， 获得本周有销 量门店与下周拓展门店的表； 下周拓展门店的往后。

24、参考周数销量作为其是否有销量的判断 标准， 从获得本周有销量且下周拓展门店有销量的表； 每个本周门店与下周拓展门店的 link为颗粒度； 0031 举例； 假设本周有销量的门店为x1,x2,x3,(x1,x3)， 销售拓铺的门店为x5,则获得本 周有销量门店与下周拓展门店的表有(x1,x5)， (x2,x5)， (x3,x5)， (x1,x3)， x5)的组合， 若x5 下周有销量， 则这些数据都是本周有销量且下周拓展门店有销量的表中数据。 0032 步骤6： 统计本周有销量且下周拓展门店的表与本周有销量且下周拓展门店有销 量的表两张表每个link出现的次数， 两者相除即为每个link成功的概。

25、率， 成功定义为： 本周 有销量且下周拓展门店有销量， 即得到 “历史动销门店关联表” ； 说明书 3/5 页 6 CN 110163668 A 6 0033 步骤7： 取每个产品各自第五周的销售表现指标KPI， 依据KPI从高到低， 筛选其靠 前的产品作为参照产品， 暂定前20的产品为参照产品； 计算每个产品每周拓展门店数， 每 周平均在每家门店的上货数量； 每个分档的每周拓展门店数与上货数量， 即各自分档中的 参照产品的每周拓展门店数， 上货数量求平均； 取分档、 周数、 门店数、 上货数量的前五周数 据即为 “历史产品推荐策略表” ； 0034 步骤8： 根据决策日期， 获取目标产品大类。

26、信息、 门店大类信息、 产品尺码信息， 获 取目标产品OTB计划表， 并获得目标产品的分档； 计算每个产品的周销量与期末库存， 并计 算往前参考周数的周销量之和； 以产品为颗粒度， 获取产品各自最大周数的期末可用库存 和参考周数销量， 筛选最大周数小于五周的产品数据； 0035 将获取的产品数据与目标产品分档表匹配， 若有产品无OTB计划， 此处按A_1档进 行补空； 对目标产品进行循环， 获取目标产品的周数和分档； 获取此分档的 “历史动销门店 关联表” 和 “历史产品推荐策略表” ， 若历史产品中没有目标产品的分档， 则将目标产品进行 降档， 直到匹配到历史同样的分档为止， 若始终无法匹配。

27、， 则不给出拓展建议， 例如历史产 品较少、 A类产品只有A_1分档， 而目标产品为A_2档， 那么将目标产品降为A_1档进行上货； 0036 本周有销量门店的定义为： 参考周数销量大于零， 可给出产品的本周有销量门店， 对门店编码排序， 构建二层门店组合， 一二层门店共同作为本周有销量门店； 匹配此分档的 “历史动销门店关联表” 获取下周推荐门店及其销售概率； 按下周推荐门店为颗粒度计算销 售概率之和， 按销售概率和从高到低对推荐门店进行排序； 从分档的 “历史产品推荐策略 表” 获取下周拓展门店数量与上货数量； 给出目标产品推荐下周拓展门店及其上货数量， 匹 配目标产品大类信息、 门店信息。

28、， 即获得当季的产品推荐方法。 0037 表1-3是根据本发明获取门店的产品推荐方法， 并根据该产品推荐方法进行操作 时， 得到的结果。 销售分类为每档根据五周销售KPI对产品的销售情况进行分类； a为每一档 根据推荐操作时， KPI排名在该分档的前20， b为每一档根据推荐操作时， KPI排名在该分 档的2080， c为每一档根据推荐操作时， KPI排名在该分档的80100。 0038 从表中可以看出该产品推荐方法能对实际上货且动销门店达到较高的覆盖率 (7580)， 而避开实际拓展无动销的门店。 0039 表1 说明书 4/5 页 7 CN 110163668 A 7 0040 0041 表2 0042 OTB分档动销门店覆盖率 A_178 B_174 B_280 B_367 C_149 0043 表3 0044 销量分类动销门店覆盖率 a75 b76 c58 0045 本发明不仅局限于上述具体实施方式， 本领域一般技术人员根据本发明公开的内 容， 可以采用其它多种具体实施方案实施本发明。 因此， 凡是采用本发明的设计结构和思 路， 做一些简单的变化或更改的设计， 都落入本发明保护范围。 说明书 5/5 页 8 CN 110163668 A 8 图1 说明书附图 1/1 页 9 CN 110163668 A 9 。