基于实时销售数据分析的库存更新方法与流程

1.本发明涉及电子商务领域，特别涉及基于实时销售数据分析的库存更新方法。


背景技术：

2.电商直播是指线下的实体户商家卖家通过一些网络的直播平台来推销开阔自己的产品，使客户在了解产品各项性能的同时来购买自己的商品。电商直播具有直观、快速、交互性强、内容丰富等推广优势。
3.电商直播是由主播在直播间进行线上销售，中间渠道少，数据更新快，但也正是由于数据库，会导致商品库存数据的更新跟不上销售节奏的情况，出现主播仍在销售，顾客在下单，显示有货，但是下单后发现无货的情况，这就导致主播销售的节奏难以控制，长此以往，主播的信誉也会受到影响。


技术实现要素：

4.为实现上述目的，本发明采用的技术方案如下：基于实时销售数据分析的库存更新方法，在电子商务活动中，不断的有商品售出以及商品上架，因此需要根据商品的销售情况，来对仓库内的商品数据进行更新，但是由于库存数据的更新进度必然会低于商品下线的速度，存在滞后性，因此说，需要提前对库存数据进行提前更新，以满足需要。
5.实时销售数据分析的库存更新方法，包括以下步骤，步骤s10，接收和更新商品销售数据，并将数据可视化；步骤s20，预测接下两个时间段的库存数值；步骤s30，根据若干组历史数据，建立库存数据变化的阈值范围；步骤s40，基于阈值范围，对两个预测值进行加权以及修正，输出最终预测值，并更新实际值。
6.进一步的，步骤s10还包括，步骤s11，按照预定的产品分类，接收产品的销售数据；步骤s12，将销售数据按照时间顺序录入上传至云端数据库；步骤s13，预先按照销售习惯，确定固定的时间间隔t0，按照该间隔对云端数据库内的时间进行更新。
7.进一步的，步骤s13之后，还包括，步骤s14，利用分类器，对已经按照产品种类分类的销售数据再按照分时间序列，以t0为单位进行分类；步骤s15，利用分析制图工具，调用云端数据库内存储的库存数据以及销售数据，根据其走势变化进行可视化。
8.进一步的，步骤s20中，在对库存数据进行预测时，预测方式采用线性回归模型。
9.进一步的，步骤s20包括，步骤s21，调用云端数据内储存的数据以及可视化的图标，拟合出趋势函数；步骤s22，通过趋势函数对库存数据的变化进行表征。
10.进一步的，步骤s22之后还包括，步骤s23，采用线性回归模型对接下来的两组库存数据进行预测，输出预测数据；步骤s24，基于拟合的趋势函数的数据，对线性回归的模型进行修正。
11.进一步的，所述步骤s30包括，步骤s31，两个预测值都在阈值之内时，基于第一个预测值，对库存数据进当前实时数据更新，以及更新第一个预测数据；步骤s32，两个预测值都不在阈值范围之内时，采用上一轮在阈值内的第二个预测值；步骤s33，其中一个预测值
在阈值范围之内时，则对另一个预测值进行修正，将两个值都输出。
12.进一步的，步骤s40之后，还包括步骤s50，对线性回归模型的参数修正，输出新的线性回归模型。
13.进一步的，步骤s50包括，步骤s51，获取统计和接收最近若干个时间段内所输出的输出预测值和实际值；步骤s52，通过数据分析工具，分析库存预测数据和相应的实际值间的偏离范围，并量化；步骤s53，采用专家经验评估模型，基于量化的偏离范围，对线性回归模型的参数进行修正。
14.与现有技术相比，本发明具有以下有益效果：基于预测模型对库存数据的变化进行预测，在筛除或修正中明显错误的数据后，同时将当前数据的库存数据以及预测得到的下一阶段的数据同步更新，用户能够以更新的预测数据的作为参考，随时掌握接下来的库存变动情况，这样就有足够的时间来掌握以及调整销售的节奏，也更方便的对商品进行补货，在直播销售时，不会出现突然无货手足无措的情况。
附图说明
15.图1为本发明中商品库存更新流程示意图；图2为本发明中商品库存更新方法示意图；图3为本发明中预测模型修正流程示意图；其中，附图标记对应的名称为：10、数据接收模块；20、数据分类模块；30、数据分析模块；40、数据输出模块；50、数据修改单元；60、数据修正单元。
具体实施方式
16.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
17.需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
实施例
18.如图1至图3所示，本实施例中所述的基于实时销售数据分析的库存更新方法，包括数据接收模块10、数据分类模块20、数据分析模块30、数据输出模块40、数据修改单元50以及数据修正单元60；其中，在电子商务活动中，不断的有商品售出以及商品上架，因此需要根据商品的销售情况，来对仓库内的商品数据进行更新，但是由于库存数据的更新进度必然会低于商品下线的速度，存在滞后性，因此说，需要提前对库存数据进行提前更新，以满足需要。
19.其中，所述数据接收模块10用于接收销售平台上输出的商品销售数据，例如说，商
品销售速度，商品实际价格以及商品类型数据等等；所述数据分类模块20用于根据数据接收模块10接收到的数据，进行分类，将各种数据按照相应的类别进行分类；还可以根据分类器，将各个分类中的相近的数据进行分类，输出分类的结果，按照二次分类进行统一处理。
20.所述数据分析模块30接收数据分类模块20输出的分类后的数据，并对数据进行分析，输出分析的结果，借助于该分析结果，来对库存的数据进行更新。
21.进一步的，所述数据修正单元60则是用来对数据分析模块30的输出的预测数据进行修正，输出修正结果；以此对预测数据进行补充。
22.所述数据输出模块40用于对数据分析模块30以及数据修正单元60形成结果进行输出；所述数据修改单元50接收数据输出模块40所输出的结果，对库存的数据进行修改，向用户进行展示，用户能够预测接下来的库存数据的变化，根据预测得到数据，调整销售策略。
23.参考图1至图3，本实施例中所述的基于实时销售数据分析的库存更新方法，包括以下步骤，步骤s10，接收和更新商品销售数据，并将数据可视化；步骤s20，预测接下两个时间段的库存数值；步骤s30，根据若干组历史数据，建立库存数据变化的阈值范围；步骤s40，基于阈值范围，对两个预测值进行加权以及修正，输出最终预测值，并更新实际值。
24.电商直播是由主播在直播间进行线上销售，中间渠道少，数据更新快，但也正是由于数据库，会导致商品库存数据的更新跟不上销售节奏的情况，出现主播仍在销售，顾客在下单，显示有货，但是下单后发现无货的情况，这就导致主播销售的节奏难以控制，长此以往，主播的信誉也会受到影响。
25.在本方案中，通过录入商品的销售数据和现有的库存数据，基于预测模型对库存数据的变化进行预测，在筛除或修正中明显错误的数据后，同时将当前数据的库存数据以及预测得到的下一阶段的数据同步更新，用户能够以更新的预测数据的作为参考，随时掌握接下来的库存变动情况，这样就有足够的时间来掌握以及调整销售的节奏，也更方便的对商品进行补货，在直播销售时，不会出现突然无货手足无措的情况。
26.参考图1至图3，进一步的，步骤s10还包括，步骤s11，按照预定的产品分类，接收产品的销售数据；步骤s12，将销售数据按照时间顺序录入上传至云端数据库；步骤s13，预先按照销售习惯，确定固定的时间间隔t0，按照该间隔对云端数据库内的时间进行更新。
27.使用时，该时间间隔可以时10分钟或者20分钟或者其他合理的时间，以便于控制销售和补货的节奏，将该时间间隔设定为t0。
28.参考图3，进一步的，在步骤s13之后，还包括步骤s14，利用分类器，对已经按照产品种类分类的销售数据再按照分时间序列,以t0为单位进行分类；步骤s15，利用分析制图工具，例如spss或者类似的制图工具，调用云端数据库内
存储的库存数据以及销售数据，根据其走势变化进行可视化；例如说，绘制折线图或者直方图。
29.使用时，通过将已经收集到的数据进行可视化处理，用户能够对接下来的库存数据变化，有一个心理预期，能够按照该预期来控制销售节奏，保持良好的销售状态。
30.参考图3，在步骤s20中，在对库存数据进行预测时，预测方式采用线性回归模型。
31.进一步的，所述步骤s20包括，步骤s21，调用云端数据内储存的数据以及可视化的图标，拟合出趋势函数；步骤s22，通过趋势函数对库存数据的变化进行表征。
32.使用时，通过拟合出趋势函数，以函数的形式对库存数据的变化进行表征，使得用户能更好的对数据变化进行描述，也便于对用户库存数据的变化进行计算和预测。
33.进一步的，在步骤s22之后还包括，步骤s23，采用线性回归模型对接下来的两组库存数据进行预测，输出预测数据；步骤s24，基于拟合的趋势函数的数据，对线性回归的模型进行修正。
34.使用时，利用拟合函数和线性回归模型之间的相互验证，能够增加线性回归模型的准确性，增加库存数据预测准确性。
35.参考图1至图2，步骤s30，根据若干组历史数据，建立库存数据变化的阈值范围。
36.进一步的，所述步骤s30包括，步骤s31，两个预测值都在阈值之内时，基于第一个预测值，对库存数据进当前实时数据更新，以及更新第一个预测数据；步骤s32，两个预测值都不在阈值范围之内时，采用上一轮在阈值内的第二个预测值；步骤s33，其中一个预测值在阈值范围之内时，则对另一个预测值进行修正，将两个值都输出。
37.使用时，对通过预测的数据和阈值范围进行对比，可以判断出哪些数据的预测的时候，出现了较大的偏离，对这些数据进行筛选和修正，能够使得预测得到时的数据大体保持在阈值范围之类，防止数据出现过大的波动，影响对销售情况的掌控。
38.参考图3，在步骤s40之后，还包括，步骤s50，对线性回归模型的参数修正，输出新的线性回归模型。
39.参考图3，具体的，所述步骤s50包括，步骤s51，获取统计和接收最近若干个时间段内所输出的输出预测值和实际值；步骤s52，通过数据分析工具，分析库存预测数据和相应的实际值间的偏离范围，并量化；步骤s53，采用专家经验评估模型，基于量化的偏离范围，对线性回归模型的参数进行修正。
40.使用时，通过基于历史数据进行分析，借助于专家经验模考，能够对线性回归模型的参数进行修正，从而使得线性回归模型更加的准确，也正因此，在对库存数据进行更新时，所得到预测数据更加准确。
41.需要说明的是，在本文中，如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之
间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
42.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
43.解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。