[发明专利]一种数据处理方法、模型建立方法、装置及电子设备

说明书

本申请涉及一种数据处理方法、模型建立方法、装置及电子设备，属于计算机技术领域。该方法包括在需要预测参与促销定价的N个产品使收益最大化的最优参数组合时，获取影响收益最大化的决策因子，决策因子包括：目标置信度和决策变量，决策变量包括：N个产品各自的输入参数以及各自的参数变量；针对每一个产品，利用事先训练得到的预测模型，获得该产品在不同参数下的目标置信度的置信区间，其中，根据该产品的输入参数以及对应的参数变量得到该产品的不同参数；根据该产品在不同参数下的目标置信度的置信区间，确定该产品的最优参数，从而得到使收益最大化的N个产品的最优参数组合。通过该方法使得求解出的最优解更准确。

技术领域

本申请属于计算机技术领域，具体涉及一种数据处理方法、模型建立方法、装置及电子设备。

背景技术

促销活动是市场营销的基本策略之一，好的促销活动可以带来巨大的收益。随着人工智能的发展，越来越多的人工智能技术被应用到各领域的促销定价优化中。在现有的促销优化方案中，预测成交总额(Gross Merchandise Volume，GMV)+优化求解是一种常见且有效的技术方案。该框架的原理为：利用机器学习模型预测某一库存量单位(StockKeeping Unit，SKU)在某一时间周期内的GMV，然后设定决策变量为广告、价格等促销方式，在某一SKU上的投入，利用优化算法，基于GMV预测模型，求解出针对每一SKU能使GMV最大化的最佳促销投放方式。

现有的GMV预测或销量预测大多都是预测期望，对预测值高于真实值，和预测值低于真实值均给予同样的惩罚，即偏向预测平均值。但在实际场景中，往往更希望看到GMV预测值低于真实值(更希望实际产生的GMV高于提前的GMV预测值，而不是小于)，即模型构建时应给予预测值高于真实值更多的惩罚，而不是给予同样的惩罚。

发明内容

鉴于此，本申请的目的在于提供一种数据处理方法、模型建立方法、装置及电子设备，以改善现有预测对预测值高于真实值以及预测值低于真实值均给予同样的惩罚，即偏向预测平均值，使得求解出的最优解不准确的问题。

本申请的实施例是这样实现的：

第一方面，本申请实施例提供了一种数据处理方法，包括：在需要预测参与促销定价的N个产品使收益最大化的最优参数组合时，获取影响收益最大化的决策因子，所述决策因子包括：目标置信度和决策变量，其中，所述决策变量包括：所述N个产品各自的输入参数以及各自的参数变量，N为大于1的整数；针对每一个产品，利用事先训练得到的预测模型，获得该产品在不同参数下的所述目标置信度的置信区间，其中，根据该产品的输入参数以及对应的参数变量得到该产品的不同参数；根据该产品在不同参数下的所述目标置信度的置信区间，确定该产品的最优参数，从而得到使收益最大化的所述N个产品的最优参数组合。本申请实施例中，通过获取影响收益最大化的决策因子，然后针对每一个产品，根据利用事先训练得到的预测模型，获得该产品在不同参数下的目标置信度的置信区间，进而确定该产品的最优参数，从而得到使收益最大化的所述N个产品的最优参数组合，在求解最优解时，会综合考虑置信度，置信区间以及GMV期望这三个维度，而不再是对预测值高于真实值以及预测值低于真实值均给予同样的惩罚，使得最终确定的最优解更准确。

结合第一方面实施例的一种可能的实施方式，若N的值小于第一预设阈值，利用事先训练得到的预测模型，获得该产品在不同参数下的所述目标置信度的置信区间，包括：利用事先构建的表征GMV期望与输入特征之间的线性关系的线性模型，预测该产品在不同参数下的GMV期望；根据预设置信区间公式、所述GMV期望，获得该产品在不同参数下的所述目标置信度的置信区间。本申请实施例中，当N的值小于第一预设阈值，也即数据量小时，采用线性模型来预测该产品在不同参数下的GMV期望，进而获得该产品在不同参数下的所述目标置信度的置信区间，以避免过度拟合，导致结果不准确。