文曲星NC3000翁莹晶;冯慧斌
【摘 要】应用BP神经网络对网店销售模型进行了研究,建立了基于店铺访客数、下单转化率、客单价和商品收藏次数来预测网店销售额的BP神经网络模型,模型的训练样本为五皇冠淘宝网店2016-04-21至2016-07-09时间段销售数据,应用构建的模型预测该网店2016-07-10至2016-07-19时间段店铺销售额,仿真模拟实验结果表明其能准确地预测店铺销售额,从而验证了模型的有效性和准确性. 【期刊名称】《闽江学院学报》
【年(卷),期】2016(037)005
【总页数】7页(P28-34)
【关键词】BP神经网络;网店;销售预测伯克纳
【作 者】翁莹晶;冯慧斌
【作者单位】闽江学院经济与管理学院,福建福州350108;闽江学院计算机科学系,福建福州350108
【正文语种】中 文
【中图分类】TP183;F724.6
随着电子商务的迅猛发展，电子商务线上销售额占零售业比例越来越大，线上销售的主体是电商平台开设的各类网店，网店销售额和所在平台定义的服务模型、人气模型和卖家模型等模型中综合排序有重要的关系.而各种模型又由多个核心指标组成，因此有必要针对各类模型的核心参数来研究网店销售，并建立神经网络模型进行销售预测，从而实现网店的精细化经管和管理.由于各类电商平台众多，本文选取最具代表性也最为复杂的电商平台淘宝网的网店进行销售预测研究.
已有不同的学者应用神经网络对不同行业进行预测建模，罗戎蕾等提出一种有效的神经网络学习模型，在对服装销售影响因子分析的基础上建立销售预测网络模型[1].郭庆春等应用BP算法来建立和训练人工神经网络经济预测模型，并能准确对GDP进行预测[2].孙晨等提
出使用布谷鸟算法优化神经网络(CS-BP)的方法对股票市场进行预测，该方法能有效地对股票市场进行预测并提升预测精度[3].徐旭等提出了基于BP神经网络法建立客户信任评价模型，提出的模型能准确反映各影响因素对于移动电子客户信任的影响程度[4].de Souza C C等应用人工神经网络对园艺品价格进行预测，该模型能有效应用在零售业中帮助企业进行决策[5].Jun T等应用基于遗传算法的BP神经网络对汽车销售进行预测[6].李海平建立了对酿造企业物流成本分析的BP神经网络模型，为按照不同方法研究成本费用提供了有效的工具[7].涂洁应用BP神经网络对湿地松树干液流进行了研究，建立了拓扑结构为4-10-1的湿地松树干液流BP神经网络[8].虽然已有大量的应用BP神经网络进行预测建模的相关研究，但缺乏应用BP神经网络对电子商务平台的网店销售进行预测的相关研究，因此有必要应用BP神经网络对其进行研究，销售进行预测的模型的研究不仅可有效地减少商品库存从而盘存资金使用率，而且能有效地提升营销费用的投入产出比，建立更加精准的营销策略，进而增强网店的竞争力和经营策略的精确性.
本文在介绍BP神经网络模型的理论基础上，分析了影响网店销售的模型及店铺核心数据，建立了基于BP神经网络的销售预测模型，该模型可通过店铺访客数、下单转化率、客单价、商品收藏次数来预测店铺销售金额，提出了预测网店销售模型的学习算法，通过仿真
模拟验证了模型能有效和准确地预测店铺的销售额，预测准确性可达90.5%.
1.1 神经网络模型
人工神经网络是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法数学模型.神经网络可通过调整内部大量节点连接关系，从而实现模拟大规模信息高速处理.BP(back propagation)神经网络是由Rumelhart和McCelland提出[9]，是一种通过误差逆传播算法训练的多层前馈网络，其通过反向传播不断调整网络的权值和阈值，从而得到输入-输出间的映射关系.
图1给出一个3层结构的BP神经网络，该网络包括输入层、隐含层和输出层，其中输入层包含3个节点，隐含层包含4个节点，输出层包含2个节点.假设网络的输入向量为X=[x1,x2,x3]T，网络的输出向量Y=[y1,y2]T，输入层到隐含层的加权矩阵Wi=[Wi,Wi2,Wi3,Wi4]T，隐含层到输出层的加权矩阵Wh=[Wh1,Wh2,Wh3]T.隐含层第i个神经元的输入，对应的隐含层第i个神经元输出，其中函数f(·)是激励函数，典型的激励函数如S型函数f(x).输出层第i个神经元的输入，对应的输出层第i个神经元输出为yi=f(netk)，其中函数f(·)是激励函数，典型输出层神经元激励函数为S型函数或线性函数.
1.2 BP神经网络模型学习算法
神经网络模型通过迭代学习过程中不断调整加权矩阵值来实现输入变量与输出变量的映射关系.BP神经网络模型学习算法步骤如下所示：
1)确定BP网络层数和各层节点数、激励函数，初始化各层加权矩阵和阀值等，确定网络的学习速率、误差限及最大迭代次数.
2)对输入和目标变量进行归一化处理，把归一化数据输入到网络中进行训练学习.
3)根据各层激励函数分别计算节点输出值，最终得到输出层节点的输出值，分别计算各层的误差值.
4)如果样本误差大于给定误差值且迭代次数小于最大迭代次数，则根据误差逐层反向进行加权矩阵值和阀值的调整，否则转步骤3)继续训练.
裂纹检测5)BP神经网络训练学习结束.
2.1 网店模型
网店是在线电子商务的一种主要存在形式，通过网店可使人们在浏览线上虚拟商品的同时进行支付购买，且其是通过在线支付的方式完成商品购买交易的个人或企业开设的一种网站.目前网店都是通过使用电子商务运营商如淘宝网、京东网、当当网、1号店等各类不同的网络交易平台开设店铺完成线上交易.如何通过开设和优化经营网店来实现最大化商品销量，是企业和个人网店经营管理者需要研究的重要课题，而网店销量受网店各种模型匹配用户的影响.本文以国内最大电商平台也是服务模型设计最为复杂的淘宝网网店为例来介绍影响网店销售的相关模型，在此基础上选用模型的重要参数来进行销售预测.
影响网店销售的关键模型有人气模型、服务模型、卖家模型等.店铺服务模型描述淘宝店铺的整体售后综合体系，其包括的关键参数有好评率、纠纷率、旺旺响应时间、退款处理时长和DSR评分等.卖家模型用来判别商家优劣性，其包括的关键参数有旺旺在线时长、滞销商品率、客单价、支付宝使用率等.最关键的店铺人气模型描述店铺受欢迎的程度，人气越高、转化越好、排名越前其销售额就会更高.影响人气模型的主要参数有店铺访客数、商品收藏次数、转化率、销售额等，下述分别给出人气模型关键参数的计算逻辑.易白沙
UV：当日独立访问店铺IP数量.UV值越大，意味着店铺商品被购买的潜在人数越多，店铺销售额也会越大.
转化率：当日购买的UV与当日店铺浏览UV 的比值，其值保持在1%-2%之间，而且对比于同类目或者同阶层转化率越高，店铺获得的流量越大.
销售额：当日店铺销售总金额，店铺人气模型会参考最近30 d的销售量.
商品收藏次数：当日店铺所有商品被用户收藏的总次数，其值从侧面反映了宝贝的受欢迎程度，其值越大代表被更多用户购买的可能性越高.
2.2 基于神经网络的网店销售预测模型
工程控制论钱学森
应用BP神经网络对网店销售进行预测建模，模型建立过程中包括模型数据预处理、模型结构确定及数据后处理等三大部分.为避免在应用BP神经网络建立模型过程中出现网络结构不合理导致的网络收敛过快，预测误差过大的问题，本文采用不同层次的网络结构进行实验，选取预测结果最好的网络结构为侯选的网络销售预测模型.
2012全国百强县
1)数据预处理.预测模型输入端的变量为网店的UV(访客数量)、下单转化率、商品收藏次数、店铺客单价等4个参数.预测模型输出变量为网店实际销售额，由于模型输入和输出变量的单位不一致，因此需对输入和输出变量分别进行归一化，归一化的计算公式如下所示：
其中:C为代表变量原始值，Cmax为变量所有取值的最大值，Cmin为变量所有取值的最小值，C′为代表变量归一化后的数值，其取值范围为[0,1].
2)神经网络结构.采用3层结构的BP神经网络进行建模，3层分别为网络输入层、隐含层和输出层.由于输入变量包含访客数、下单转化率等4个参数，因此输入层选择4个节点，而输出层只有输出变量销售额，因此输出层选择一个节点.隐含层的节点数量根据模型预测的精度和训练时间长短进行实验选取，选取节点数为12的模型预测时间和精度能较好地达到模型的要求.因此销售预测模型的网络结构为4-12-1.输入层到隐含层的传递函数为双曲正切Sigmod函数，隐含层到输出层的传递函数为purelin线性函数.由于Levenberg—Marquardt方法计算量低且具有较快的收敛速率，因此采用Levenberg—Marquardt算法为预测模型的训练算法.设定神经网络模型的学习速率值为0.05，预测模型最小误差值为0.000 001，迭代最大次数为500次.
3)数据后处理.预测模型得到数据是归一化数据，其值范围为[0,1]，需通过反归一化计算把变量恢复成原始单位，反归一化数据即为预测得到销售额实际值，反归一化计算公式如下所示：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议