点位选地确定方法及装置

技术领域

本申请涉及数据处理技术领域，特别涉及一种点位选地确定方法及装置。

背景技术

在零售业和商业地产领域，是否需要进行新门店的拓展以及门店地址的选址和开发点位的选取是至关重要的决策。

然而，传统确定是否需要进行新门店的拓展大多是人工主观判断，存在判断准确性较低，且门店的拓展选址方法存在效率低、主观性强等问题，因此需要一种更科学和有效的方法。

发明内容

本申请的一个目的在于提出一种点位选地确定方法及装置，能够解决的上述技术问题。通过技术手段，在指定区域内确定是否进行门店的拓展以及确定最佳门店地址开发点位，提高决策的准确性。

在一些实施例中，本申请提供一种点位选地确定方法，所述方法包括：确定市场机会预测数据及市场占有率预测数据；基于所述市场机会预测数据及所述市场占有率预测数据确定销售机会；基于所述销售机会及门店销量承载力确定盈余机会；基于所述盈余机会及新开门店进行机会判定，并基于所述机会判定结果进行门店的点位选地。

在一些实施例中，所述市场销售预测数据的确定步骤包括：确定市场销售初始数据及影响所述销售数据的目标因子；基于所述市场初始数据及所述目标因子构建市场机会预测函数，包括：确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型，基于所述目标因子模型及各所述目标因子之间的关联关系构建市场机会预测函数，所述市场机会预测函数用于预测产品的销量市场机会；当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列预测模型；当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型；当所述因子类型对应为无法预测因子时，删除所述目标因子；基于所述市场机会预测函数确定市场机会预测数据。

在一些实施例中，所述市场占有率预测数据的确定步骤包括：基于市场占有率以及销量将市场划分为四类市场，获取各类别的市场门店对应的市场占有率预测模型，并基于各类别门店分别对应的市场占有率模型对各类别门店的市场占有率进行预测得到各类别门店的市场预测占有率；所述市场占有率预测数据的调整步骤包括：确定各细分市场的市场预测占有率以及可对应的权重；基于所述各细分市场的市场预测占有率及所述权重分别计算各细分市场的市场占有率预测数据。

在一些实施例中，销售机会用于指示产品被销售的几率大小；所述销售机会的确定步骤包括：基于市场销售预测数据及市场占有率预测数据的乘积确定销售机会。

在一些实施例中，所述门店销量承载力的确定步骤包括：确定待评估销量承载力的目标门店；基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类；分别预测聚类后的不同类别的门店的未来销量数据，并获取对应区域中预计产生的目标销量数据，所述目标销量数据是基于对应地区中的历史销量数据及影响销量数据的目标因子确定的；基于所述未来销量数据及所述目标销量数据确定当前的目标门店的承载力；所述基于所述销售机会及门店销量承载力确定盈余机会的步骤包括：基于销售机会及门店销量承载力的差值确定盈余机会。

在一些实施例中，所述基于所述盈余机会及新开门店进行机会判定，包括：若所述新开门店大于零，判定不再进行新开门店的点位选址；若所述新开门店为零，基于盈余机会进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行点位选址。

在一些实施例中，所述基于所述盈余机会及新开门店进行机会判定，包括：若所述新开门店大于零，确定盈亏平衡数据，并基于所述盈余机会及所述盈亏平衡数据进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行点位选址；若所述新开门店为零，基于盈余机会进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行点位选址。

在一些实施例中，所述点位选址的步骤包括：获取已有门店数据，并对已有门店数据进行预处理得到标准化特征数据；对所述标准化特征数据进行聚类，得到不同规模的门店集群区域，且不同规模的门店集群区域中包括不同产品类型、不同规模的已有门店；若存在门店集群区域，则基于对应门店集群区域中已有门店的布局进行新店地址的选取；若不存在门店集群区域，则基于竞品位置、各门店之间的距离关系、周边环境因子中的一种或多种进行新店地址的选取。

在一些实施例中，所述门店集群区域包括不同规模的门店集群区域；所述若存在门店集群区域，则基于对应门店集群区域中已有门店的布局进行新店地址的选取，包括：若存在门店集群区域，获取规模最大的且未进目标产品门店类型布局的门店集群区域，并在对应的门店集群区域进行新店地址的选取。

在一些实施例中，所述若不存在门店集群区域，则基于竞品位置、各门店之间的距离关系、周边环境因子中的一种或多种进行新店地址的选取，包括：若不存在门店集群区域，获取目标产品对应的竞品门店，并基于竞品门店的位置确定新店地址的选取；若不存在门店集群区域，获取目标产品已布局的门店位置，并基于目标产品已有门店之间的位置互补性确定新店地址的选取；若不存在门店集群区域，获取所在区域对应的环境因子，基于环境因子便利性原则确定新店地址的选取。

本申请还提供一种点位选地确定装置，所述装置包括：

第一确定模块，用于确定市场机会预测数据及市场占有率预测数据；

第二确定模块，用于基于所述市场机会预测数据及所述市场占有率预测数据确定销售机会；

第三确定模块，用于基于所述销售机会及门店销量承载力确定盈余机会；

点位选地模块，用于基于所述盈余机会及新开门店进行机会判定，并基于所述机会判定结果进行门店的点位选地。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：

图1是本申请一个实施例提供的点位选址方法的流程示意图；

图2是本申请另一个实施例的提供的点位选址方法的流程示意图。

具体实施方式

为了可以更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

在本申请实施例的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

下面参照附图描述本发明的一些实施例。

如图1所示，在一个实施例中，本申请提供一种点位选地确定方法，包括以下步骤：

步骤101，确定市场机会预测数据以及市场占有率预测数据。

其中，市场机会预测数据可用于预测市场后续可能产生的销量数据。在一些实施例中，市场机会预测数据是基于历史销量数据预测得到。基于历史销量数据预测后续的市场机会数据的步骤包括：确定最近销售周期内的历史销量数据，及影响销量数据的影响因子，基于所述历史销量数据及所述影响因子确定市场机会预测函数，以及基于得到的市场机会预测函数预测未来销售周期内的市场机会预测数据。

在一些实施例中，所述市场机会预测数据的确定步骤包括：确定市场销售初始数据及影响所述销售数据的目标因子；基于所述市场初始数据及所述目标因子构建市场机会预测模型；基于市场机会预测模型预测销量数据。

在一些实施例中，基于目标因子构建的市场机会预测模型参见公式(1)。

△PV＝a+b

公式(1)中，△PV表示预测得到的市场机会，市场机会可以理解为用于评估市场潜力的指标。a是最近销售周期内的历史销量数据，b

在一些实施例中，市场占有率完成比例可以基于门店市场占有率以及地区平均市场占有率确定。

在一些实施例中，市场占有率完成比例＝门店市场占有率/地区平均市场占有率。其中，地区平均市场占有率基于统计数据得到。

在一些实施例中，门店市场占有率基于门店累计销售以及门店覆盖范围内目标客群数量确定。

在一些实施例中，门店市场占有率＝门店累计销售/门店覆盖范围内目标客群数量。其中，门店累计销售基于统计数据得到，门店覆盖范围内目标客群数量基于统计数据得到。

在一些实施例中，市场占有率的预测方式包括：获取各类别的市场门店对应的市场占有率预测模型，并基于各类别门店分别对应的市场占有率模型对各类别门店的市场占有率进行预测得到各类别门店的市场预测占有率。

在一些实施例中，市场类型的确定方式包括基于聚类算法得到。在一些实施例中，基于聚类算法确定市场类型的步骤包括：基于市场占有率以及销量将市场划分为四类市场。四类市场具体可以是饱和市场、成熟市场、一般市场以及潜力市场。

在一些实施例中，所述获取各类别的市场门店对应的市场占有率预测模型，包括：确定所述饱和市场的市占率为保持趋势，确定所述成熟市场的市占率为微增长趋势，确定所述一般市场的市占率为微增长趋势，确定所述潜力市场的市占率为显著增长趋势。

在一些实施例中，微增长趋势包括预测指标稍有增加但增幅较小，幅度小于预设阈值，用于表示略微向好的趋势；显著增长趋势包括预测指标增幅较大且增势强劲，幅度大于预设阈值，用于表明显著向好。

在一些实施例中，该方法还包括：基于历年数据进行聚类，计算同一类型市场的复合增长率，以作为未来该类型市场MS增长率预测的基础。

在一些实施例中，该方法还包括对市场占有率预测数据进行调整，所述市场占有率预测数据的调整步骤包括：确定各细分市场的市场预测占有率以及可对应的权重；基于所述各细分市场的市场预测占有率及所述权重分别计算各细分市场的市场占有率预测数据。

其中，细分市场是基于对产品的类型进行聚类后得到，比如细分市场可以是指同一个产品中不同型号的车型，例如不同车型可以包括C型车辆、B型车辆及SUV型车辆等。

各细分市场的权重确定方式包括：根据全国细分市场的市场占有率数据计算各城市在全国细分市场中的权重。在具体实施过程中，权重可以基于市场占有率的比例来计算，即城市市场占有率占全国市场占有率的比例，权重＝城市细分市场的市场占有率/全国细分市场的市场占有率。

在一些实施例中，基于所述各细分市场的市场预测占有率及所述权重分别计算各细分市场的市场占有率预测数据，包括：将预测的各城市细分市场的市场占有率与对应的权重相乘，得到调整后的市场占有率预测数据。调整后的市场占有率预测数据＝市场占有率*权重。

步骤102，基于所述市场机会预测数据及所述市场占有率预测数据确定销售机会。

其中，销售机会是指产品被销售的几率大小。销售机会可以基于市场机会预测数据以及市场占有率预测数据得到。

在一些实施例中，所述销售机会的确定步骤包括：可以基于市场销售预测数据及市场占有率预测数据的乘积得到。

步骤103，基于所述销售机会及门店销量承载力确定盈余机会。

其中，门店销量承载力是基于对应区域内的目标门店的可销售能力确定。承载力是指门店的销售能力，目标门店是指所在区域中待进行评估承载力的全部或者部分门店。在一些实施例中，门店可以是用于销售汽车产品的门店，本申请提供的门店承载力确定方法用于评估该区域中的目标门店对汽车产品的销售能力，以确定该区域中的现有门店是否可以满足该区域的汽车销售工作。一般来说，一个地域中已有门店的数量是否满足该地域的产品销售需求是需要进行评估的，若该地域中已有门店数量不足以支撑后期的产品销售需求，那么需要对该地域中的门店进行扩张，若该地域中已有的门店数量能够满足后续的产品销售需求，那么可以暂不进行门店的扩建工作。

在一些实施例中，盈余机会的确定步骤包括：基于销售机会及门店销量承载力的差值确定盈余机会。可以理解的是，销售机会是指该区域内未来可能产生的销售数据，门店销量承载力是指该区域内已有门店当前可以承载的销售数据，故而基于计算两者的差值可以得到用于评估后续可能盈余的机会数值。

在一些实施例中，门店销量承载力的确定步骤包括：确定待评估销量承载力的目标门店；基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类；分别预测聚类后的不同类别的门店的未来销量数据，并获取对应区域中预计产生的目标销量数据，所述目标销量数据是基于对应地区中的历史销量数据及影响销量数据的目标因子确定的；基于所述未来销量数据及所述目标销量数据确定当前的目标门店的销量承载力。

在一些实施例中，一个地域中的门店类型以及门店所处的发展阶段有多种多样，可以在地域中的多种门店类型中或者不同发展阶段的门店中选择目标门店进行承载力的评估。例如，可以对具有一定销售能力的门店进行门店销量承载力的评估。

在一些实施例中，所述确定待评估承载力的目标门店，包括：确定各门店的成立时间及盈亏现状；基于各门店的成立时间及盈亏现状进行门店经营阶段划分，得到保护期阶段门店、爬坡期阶段门店以及成熟期阶段门店；将所述成熟期阶段门店作为目标门店。

考虑到区域中各门店的成立时间、盈亏现状等存在不同，其对应的销售能力存在差异。在一些实施例中，还可以对该区域中所有的门店的经营状况进行评估，以评估各门店所处的经营阶段。经营阶段可以包括保护期阶段门店、爬坡期阶段门店以及成熟期阶段门店。

在一些场景中，基于门店的开店时间以及门店的运营情况将区域内的门店划分为不同类型的门店类别，具体包括保护期、爬坡期、成熟期。在一些实施例中，可以基于门店的成立年年限及盈亏现状对各门店的经营阶段进行划分。

例如，将成立年限在0-1年的门店划分为保护期阶段门店；将成立期限大于1年，且门店恰好实现盈亏平衡的划分为爬坡期阶段门店(恰好实现盈亏平衡的年限为N年)；将成立年限大于N年(N＞1)且已经实现盈亏平衡的门店划分为成熟期阶段门店。

在一些实施例中，N可以是2，例如，爬坡期的门店可能会得到政府优惠策略的影响，对其进行了一定的扶持等，爬坡期的门店可以实现盈亏平衡，基于实现盈亏平衡的时间确定N的数值。成熟期的门店是指老店，成立年限为N+的门店。

在一些实施例中，对于老店承载力的计算主要是基于成熟期门店数据计算的，对于保护期或者爬坡期门店的销量数据可以不做主要考虑点，例如在一些实施例中可以利用保护期或者爬坡期门店的经验值对销量数据进行调整。

在一些实施例中，盈亏平衡可以基于收益数据与成本数据得到。

在一些实施例中，可以将处于成熟期阶段门店作为目标门店或者主要的目标门店。考虑到处于成熟期的门店销量数据较大，较为稳定，通过分析成熟期阶段门店的销量承载力可以更加快速且相对精准的得到该地域的承载力。处于保护器以及处于爬坡期阶段门店的销售数据会有相对较大的浮动，故而在计算该地区中目标门店的承载力时可以暂不考虑或者不主要考虑该经营阶段的门店。

在一些实施例中，处于保护期以及爬坡期门店可以作为计算该地域中门店销量承载力的一个影响因子。该影响因子可以基于处于保护期以及爬坡期的门店的数量、门店的未来可能的经营情况等数据进行确定。

在一些实施例中，基于目标门店的市场占有率完成比例以及销售数据对所述目标门店进行聚类。

为了更加精准的计算目标门店的销量承载力，还可以进一步对目标门店进行类别聚类，以得到不同类型的目标门店，进而对不同类型的目标门店基于不同的算法计算各自对应的销量承载力。

在一些实施例中，可以基于目标门店的市场占有率完成比例以及销售数据对目标门店进行类别的聚类。例如可以将目标门店聚类为低销量低潜力门店、高销量低潜力门店、低销量高潜力门店以及高销量高潜力门店四个类型，并对不同类型的门店分别计算各自的承载力。这样通过对目标门店进行类别划分并分别计算对应的承载力，以得到所有目标门店的承载力，使得计算得到的承载力更加精准。

在一些实施例中，可以基于聚类算法对目标门店进行类型的划分。聚类算法的实现步骤可以包括：1)数据清洗，剔除无效门店数据，无效门店具体可以是已关闭的门店；2)聚类分析，聚类分析时可以做边界值的划分，边界值可以基于样本数据和行业经验判定，例如该经验可以以行业的平均销量为准。

上述实施例中，基于各成熟期门店的市场占有率完成比例以及销量将成熟期门店划分为四类，分别为“低销量、低潜力”、“高销量、低潜力”、“低销量、高潜力”、“高销量、高潜力”。基于聚类得到的四类老店，可以基于不同类别的门店计算预测销量。

基于预测得到的市场占率数据确定市场占有率完成比例，基于市场占有率完成比例以及销售数据对所述目标门店进行聚类，以得到四类的目标门店，并对四类的目标门店分别计算各自的未来销量数据。

在一些实施例中，该方法还包括：基于历年销量数据分别计算四类老店平均销量增长率，基于平均销量增长率得到未来增长率数值，基于未来增长率数值确定门店的未来销量数据。

在一些实施例中，所述分别预测聚类后的不同类别的门店的未来销量数据，包括：确定不同类别的门店对应的销量预测模型；基于所述销量预测模型分别对各类别的门店的未来销量数据进行预测。

目标销量数据包括该区域中预测已有门店后续可能产生的销售数据。

基于所述未来销量数据与所述目标销量数据确定当前的目标门店的承载力。在一些实施例中，可以通过比对该区域中目标门店的销量承载力与该区域中所需的销量数据的数据大小，确定该地区中的目标门店是否能够满足该区域中的销量承载量需求。

在一些实施例中，所述基于所述销售机会及门店销量承载力确定盈余机会的步骤包括：基于销售机会及门店销量承载力的差值确定盈余机会。

步骤104，基于所述盈余机会及新开门店进行机会判定，并基于所述机会判定结果进行点位选地。

若具有盈余机会时，需要进一步判断该区域中在预设时间周期内是否已经有新开门店。

在一些实施例中，所述基于所述盈余机会及新开门店进行机会判定，包括：若所述新开门店大于零，确定盈亏平衡数据，并基于所述盈余机会及所述盈亏平衡数据进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行新店点位选址。

在一些实施例中，若判断该区域内在预设时间周期内已有新开门店，此时可以判定不需要再进行新开门店即不需要进行新店的门店选址。在另一些实施例中，判断该区域内预设时间周期内已有新开门店后，该方法还包括进一步判断该区域内的盈亏平衡数据，基于盈余机会及盈亏平衡数据进一步进行机会判定，基于机会判定结果确定是否继续进行新拓门店及门店点位选址。

在一些实施例中，基于盈余机会及盈亏平衡数据进一步进行机会判定，基于机会判定结果确定是否继续进行门店点位选址，包括：确定盈余机会玉盈亏平衡的差值，基于差值进行机会判定，若差值大于预设数值，那么判定具有机会，此时可以执行新开门店的点位选地。若差值小于预设值，那么判定该区域中不在有市场销售机会，此时不再执行新开门店的点位选地。

在一些实施例中，所述基于所述盈余机会及新开门店进行机会判定，包括：若所述新开门店为零，基于盈余机会进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行点位选址。

在一些实施例中，若预设时间内在该区域内没有新开门店，此时确定盈余机会是否大于预设阈值，若盈余机会大于预设阈值，判定存在销售机会，此时可以执行后续的新开门店的点位选地步骤，否则，若盈余机会不大于预设阈值，判断该区域中没有销售机会，故而不执行后续的新开门店的点位选取步骤。

在一些实施例中，所述点位选址的步骤包括：确定区域内的门店集群区域，若存在门店集群区域则对区域内的门店进行聚类，得到不同类型的门店集群区域；基于新开门店在不同类型的门店集群区域进行点址选取。若不存在门店集群区域则基于竞品门店的位置以及环境周围信息进行点址选取。

在一些实施例中，所述基于所述盈余机会及新开门店进行机会判定，包括：若所述新开门店大于零，判定不再进行新开门店的点位选址；若所述新开门店为零，基于盈余机会进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行点位选址。

在一些实施例中，所述基于所述盈余机会及新开门店进行机会判定，包括：若所述新开门店大于零，确定盈亏平衡数据，并基于所述盈余机会及所述盈亏平衡数据进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行点位选址；若所述新开门店为零，基于盈余机会进行机会判定，若所述机会判定满足预设条件，判定满足点位选址需求，进行点位选址。

在一些实施例中，所述点位选址的步骤包括：获取已有门店数据，并对已有门店数据进行预处理得到标准化特征数据；对所述标准化特征数据进行聚类，得到不同规模的门店集群区域，且不同规模的门店集群区域中包括不同产品类型、不同规模的已有门店；若存在门店集群区域，则基于对应门店集群区域中已有门店的布局进行新店地址的选取；若不存在门店集群区域，则基于竞品位置、各门店之间的距离关系、周边环境因子中的一种或多种进行新店地址的选取。

在一些实施例中，所述门店集群区域包括不同规模的门店集群区域；所述若存在门店集群区域，则基于对应门店集群区域中已有门店的布局进行新店地址的选取，包括：若存在门店集群区域，获取规模最大的且未进目标产品门店类型布局的门店集群区域，并在对应的门店集群区域进行新店地址的选取。

在一些实施例中，所述若不存在门店集群区域，则基于竞品位置、各门店之间的距离关系、周边环境因子中的一种或多种进行新店地址的选取，包括：若不存在门店集群区域，获取目标产品对应的竞品门店，并基于竞品门店的位置确定新店地址的选取；若不存在门店集群区域，获取目标产品已布局的门店位置，并基于目标产品已有门店之间的位置互补性确定新店地址的选取；若不存在门店集群区域，获取所在区域对应的环境因子，基于环境因子便利性原则确定新店地址的选取。

在一些实施例中，选址逻辑可以是先找出汽车商圈，考虑汽车城规模，在考虑距离。对4S店进行聚类是一种将4S店根据其特征和属性聚集到不同类别或群组的分析方法。聚类可以帮助我们发现4S店之间的相似性和差异性，有助于市场研究、客户分析和业务决策等方面。

在一些实施例中，进行4S店聚类的步骤包括：

数据收集：收集关于不同4S店的数据，包括但不限于地理位置、销售额、车型、服务内容、客户评价等信息。

特征选择：从收集到的数据中选择一组能够描述4S店特征的指标或属性。例如，可以选择销售额、服务质量、车型种类等作为特征。

数据预处理：对收集到的数据进行预处理，包括数据清洗、缺失值处理、标准化等操作。确保数据质量和一致性。

聚类算法选择：选择适合4S店聚类的算法。常用的聚类算法包括K均值聚类、层次聚类、DBSCAN等。根据数据特点和需求，选择合适的算法。

聚类模型构建：使用选择的聚类算法对预处理后的数据进行聚类模型的构建。根据选定的算法，确定聚类的数量和聚类的参数。

在一些实施例中，可以根据汽车城的分布进行点位选取：(1)对于4S店进行聚类，定义(A类)大型汽车城，(B类)中型汽车城(2)有限布局本品尚未覆盖的空白大型汽车城(3)品牌的相关性。

在一些实施例中，对于没有合适汽车城的进行点位选取：(1)优先考虑在已有的竞品附近(2)空间位置的互补性，尽可能扩大覆盖区域(3)迭代公式(4)交通便利性，临近主干道、高架路、公共交通节点(5)周边居民的集中度。

参见图2，在一些实施例中，点位选地确定方法，包括：计算市场机会(PV)预测数据以及市场占有率MS预测数据，将两者相乘得到销售机会。将销售机会与基于老店承载计算得到的历史销量进行大小比较得到盈余机会，若未来销售大于老店承载计算得到的历史销售量时(盈余机会大于零)，进一步判断该区域在预设时间周期内是否已有新店，若有新店还可以进一步计算盈亏平衡数据，并基于盈余机会与盈亏平衡的差值进行机会判定，若盈余机会与盈亏平衡的差值大于预设数值，判定存在机会，进行新店的门店地址选取。若判断该区域在预设时间周期内还没有新店，基于盈余机会是否大于预设数值进行机会判定，若盈余机会大于预设数值，判定存在机会，进行新店的门店地址选取。

在一些实施例中，基于市场机会预测函数确定市场机会预测数据时，该方法还包括：市场销售初始数据可以是一个常数，具体可以是最近销售周期内的历史销量数据，影响销售数据的目标因子可以是从影响销售数据的相关因子中提取得到的。

在一些实施例中，目标因子的确定步骤包括：确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子。

销量数据受到多种因素的影响，例如影响汽车销量的因素可以称为相关因子，相关因子具体可以是当地的经济人口数据、当地的政策数据以及当地的汽车商圈、汽车门店数量等。

在一些实施例中，所述基于相关因子确定目标因子，包括：对所述相关因子进行相关性分析得到相关性数值，将相关性数值小于预设阈值的相关因子确定为目标因子。

影响汽车销量数据的相关因子较多，但是有些相关因子之间的相关度较高，存在对汽车销量数据的影响是重合的。当相关因子之间的相关性较高时，可以对相关因子进行去重处理，这样可以缩减相关因子的数量，去除无效相关因子，这样基于较少的相关因子构建的销量预测模型更加精简，可以减少模型的参数数量，进而提高模型的运行效率。

在一些实施例中，可以基于相关性分析算法对各相关因子之间的相关性进行分析得到各相关因子之间的相关性指标。基于得到的相关性指标判断各相关因子之间的相关性大小，将相关性较大的相关因子进行去重处理以得到目标因子，以减少构建销量预测模型的目标因子之间的冗余性，使得最终构建的销量预测模型更加精简，模型的运行效率更高。

在一些实施例中，基于所述市场初始数据及所述目标因子构建销量预测模型的步骤包括：确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

在一些实施例中，所述确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型，包括：当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列预测模型；当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型；当所述因子类型对应为无法预测因子时，删除所述目标因子。

目标因子是用于构建销量预测模型。在一些实施例中，构建预测模型之前还需要确定各目标因子的因子类型，基于不同的因子类型确定各目标因子的目标因子模型，基于各目标因子模型构建销量预测模型。

在一些实施例中，有趋势变化的因子可以是新车价格、人口年龄、GDP、人均消费支出、房价等。

对于有趋势因子，可以构建时间序列预测模型。例如，构建的时间序列模型参见公式(2)。

X

公式(2)中，X

上述实施例中，由于目标因子的数量及类型多种多样，故而通过对目标因子的类型进行分析得到各目标因子的类型，并根据目标因子的类型构建各自对应的目标因子模型，再根据各目标因子模型构建得到销量预测模型。这样，得到的销量预测模型考虑了多种类型的目标因子，使得得到的销量预测模型更加精准。

在一些实施例中，所述当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列模型，包括：判断所述目标因子是否为有趋势变化以及是否为有周期性的序列；若判定所述目标因子为没有趋势且没有周期性的序列，基于一阶指数平滑构建目标因子对应的目标因子模型；若所述目标因子为有趋势但没有周期性的序列，基于二阶指数平滑构建目标因子对应的目标因子模型；若所述目标因子为有趋势也有周期性的序列，基于三阶指数平滑构建目标因子对应的目标因子模型。

在一些实施例中，基于一阶指数平滑、二阶指数平滑以及三阶指数平滑构建的目标因子模型的过程中，基于误差最小原则对模型系数进行调整，直至基于调整后的模型系数的误差最小时，将该模型系数作为目标模型系数；基于所述目标模型系数确定目标因子模型。

在一些实施例中，所述当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型，包括：所述当所述因子类型对应为无趋势变化因子时，获取所述目标因子对应的语言序列；对所述语言序列进行语义理解得到所述语言序列对应的正负指数；基于所述正负指数确定所述目标因子的赋值数据；将所述赋值数据确定为所述目标因子对应的目标因子模型。

上述实施例中，对于无趋势变化的目标因子不容易找到表达其变化规律的函数模型，故而可以通过赋值的方式确定该目标因子对销量预测模型的影响程度。

在一些实施例中，该赋值数据可以基于经验值确定的。例如，可以通过分析该目标因子对应的语言序列，通过对该语言序列的语言理解结果得到该目标因子对应的赋值数据。例如，当无趋势变化因子对应为产品类型时，可以对该产品类型进行语言理解分析，基于分析得到的整理竞争力(外观/配置等)确定该产品类型因子对应的赋值数据。例如，若判断该无趋势变化因子对应为无提升时，可以赋值0，若判断该无趋势变化因子对应为有提升时，可以赋值+1，若判断该无趋势变化因子对应为降低时，可以赋值-1。

需要说明的是，在语言理解的过程中涉及到语义理解，语义理解的结果要与期望的目标结果匹配，这样才能基于匹配的目标结果获取对应的赋值数据。其中，期望的目标结果是预先设置的，具有对应的赋值数据的结果。故而，为了保证语义结果与期望的目标结果匹配或者尽量匹配，该方法还包括预先构建匹配库，引导语义理解的结果与匹配库中的数据尽量匹配，匹配库中有对应语义理解结果以及各语义理解结果对应的赋值数据。具体可以通过概率数据进行匹配。

在一些实施例中，语义理解结果可以是简单的正向值的或者负向值，一般而言，对正向值的结果可以赋值为1，对负向值的结果可以赋值-1，对于无明显正向或者负向值的结果赋值为0。

在一些实施例中，该赋值数据的范围可以是[-1,1]的范围区间，具体可以根据语义理解过程的正负程度进行确定，例如正向的程度更高时，此时赋值数据越接近1，负向程度越高时，此时赋值数据越接近-1。

在一些实施例中，考虑到有些目标因子的语义理解结果不是正负结果，此时还可以结合对多种目标因子的语义理解得到该目标因子的语义理解结果。考虑到影响销量数据的目标因子之间具有一定的关联性，通过综合考虑与该目标因子关联的其他的多种目标因子之间的关联关系，得到该目标因子的语义理解结果，进而可以保证该目标因子的语义理解结果更加精准更加符合预期，以得到对应的赋值数据。例如，与该目标因子关联的其他目标因子对应的赋值数据是正向数据，那么也可以判断该目标因子对应的赋值数据也是正向数据。其中，因子之间的关联关系可以基于经验得到，或者基于对历史销量数据的分析得到。

上述实施例中，用自然语言处理(NLP)技术和语义模型对解析后的文本(例如该目标因子对应的语言序列)进行分析。使用情感分析技术，例如情感词典、机器学习模型等，对文本中的情感进行分类，这可以帮助确定文本的情感极性，即正向或负向。并且根据情感分析的结果和上下文理解，确定是正向还是负向的赋值数据。

在一些实施例中，该赋值数据可以基于机器学习模型进行模型学习确定的(具体可以是深度学习模型)。例如，对于无趋势变化的目标因子无法得到表征该趋势变化的函数关系式，此时可以借助机器学习模型得到对应目标因子的赋值数据，其中赋值数据可以是一个数字也可以是赋值函数。具体的可以利用包括该无变化趋势的目标因子进行机器学习模型的训练得到一个训练好的模型，然后再基于不包括该无变化趋势的目标因子进行机器学习模型的训练得到一个训练好的机器学习模型，最后基于这两个训练好的机器学习模型确定该无变化趋势的目标因子对应的赋值数据。

在一些实施例中，由于目标因子的数量很大，还可以基于机器学习模型预先测试得到多种目标因子的赋值数据，然后对各目标因子的赋值数据进行关联性分析或者聚类分析，以得到多种无趋势变化目标因子的赋值数据集。后续再对新的无趋势变化目标因子的赋值数据的获取时，可以直接将该目标因子与已经有赋值数据的目标因子进行类型匹配，进而可以直接从预先构建的赋值数据集中获取对应的赋值数据，而不再需要重新构建机器学习模型进行赋值数据的获取。

上述实施例中，通过分析目标因子的类型，并对不同类型的目标因子构建各自对应的函数模型，可以更加精准的表达每一个目标因子对销量数据的影响方式，这样构建的销量数据预测模型更加精准。且对于有趋势变化的目标因子，又进一步基于变化趋势确定不同的指数平滑函数，以保证得到的模型更加精准。

在一些实施例中，所述当所述因子类型中包括无法预测因子时，所述方法还包括：基于各所述无法预测因子确定调整因子；基于所述调整因子对所述销量预测模型进行调整，以根据调整后的所述销量预测模型预测产品的销量。

在一些实施例中，所述调整因子的确定方式包括：基于未删除无法预测因子的数据训练机器学习模型得到第一模型；基于已删除无法预测因子的数据训练机器学习模型得到第二模型；基于第一模型及第二模型确定各无法预测因子的调整因子。

在一些实施例中，所述调整因子的确定方式包括：基于未删除无法预测因子的数据训练机器学习模型得到第一模型；基于已删除无法预测因子的数据训练机器学习模型得到第二模型；基于第一模型及第二模型确定各无法预测因子的调整因子。

在一些实施例中，所述基于各所述目标因子之间的关联关系构建销量预设模型，包括：基于最小二乘法确定关于各所述目标因子的回归模型，基于误差最小原则对回归模型的模型系数进行调整，直至基于调整后的模型系数对应的误差最小时，将该模型系数作为回归模型系数。

在一些实施例中，无法预测因子具体可以是用车成本、市政规划(如拆迁)、贷款政策等。

对于无法预测因子，可以删除所述目标因子。

在一些实施例中，考虑到无法预测的因子也是影响汽车销量数据的因子，若直接将其删除可能会影响汽车销量数据的准确预测，故而在一些实施例中，还包括对删除后因子的模型再次进行模型的调整，以使得到的销量预测模型更加精准。

在一些实施例中，所述当所述因子类型中包括无法预测因子时，所述方法还包括：基于各所述无法预测因子确定调整因子；基于所述调整因子对所述销量预测模型进行调整，以根据调整后的所述销量预测模型预测产品的销量。

在一些实施例中，可以预先存储每一个或者每一种类型的无法预测因子对应的调整因子。这样，在销量预测模型中删除该因子时，可以及时获取到对应的或者对应类型的调整因子，保证销量预测模型对销量数据的精准预测。

在一些实施例中，可以结合机器学习模型确定无法预测因子对应的调整因子。在一些实施例中，所述调整因子的确定方式包括：基于未删除无法预测因子的数据训练机器学习模型得到第一模型；基于已删除无法预测因子的数据训练机器学习模型得到第二模型；基于第一模型及第二模型确定各无法预测因子的调整因子。对于基于机器学习模型确定无法预测因子的调整因子的技术方案参见上文中基于机器学习模型确定无变化趋势目标因子的赋值数据的实施例。

在一些实施例中，该方法还包括，对各无法预测因子进行分类处理，确定各类别的无法预测因子对应的调整因子。对于无法预测因子进行分类处理以确定调整因子的技术方案参见上文中对无变化趋势目标因子的赋值数据进行分类后确定赋值数据的实施例。

在一些实施例中，本申请中的调整因子可以是一个具体的数值，或者还可以是一个或者多个函数。本申请中的机器学习模型可以是深度学习模型。

在一些实施例中，基于各目标因子对应的模型构建销量预测模型。具体是基于有趋势变化因子的时间序列预测模型、无趋势变化因子的赋值数据(或者赋值函数)、无法预测因子的调整因子三者中的一个或者多个共同构建回归预测模型，模型中的未知数可以基于最小二乘法确定。通过该方法构建的销量预测模型考虑到了各目标因子之间的关联性，保证了目标因子之间的不冗余，保证模型的运行效率；且对各目标因子进一步进行类型的划分，使得构建的销量预测模型更加精准；并且对无变化趋势以及无法预测的目标因子还进行了赋值数据以及调整因子的确定，这样进一步保证得到的销量预测模型更加精准；并且由于赋值数据以及调整因子可以是预先存储的，故而在模型运行的过程中也不会增加模型的运行开销。

在一些实施例中，所述基于各所述目标因子之间的关联关系构建销量预设模型，包括：基于最小二乘法确定关于各所述目标因子的回归模型，基于误差最小原则对回归模型的模型系数进行调整，直至基于调整后的模型系数对应的误差最小时，将该模型系数作为回归模型系数。

一种销量预测方法，包括：确定待预测销量产品的产品类型及产品所在地域，获取所述产品类型对应的产品调整因子及所在地域对应的地域调整因子，其中所述产品调整因子与产品类型相关，所述地域调整因子与所述产品所在地域相关，且所述产品调整因子及所述地域调整因子基于对应的产品的销量数据得到，所述产品调整因子及所述地域调整因子基于机器学习模型或者经验确定；基于所述产品调整因子及所述地域调整因子对销量预设模型进行调整得到与产品类型及所在地域对应的目标销量预测模型，其中所述销量预设模型是基于上述任一项所述的销量预测模型的确定方法构建的销量预测模型。

在一些实施例中，所述产品调整因子的确定方法包括：产品调整因子基于机器学习模型确定。

本申请还提供一种销量预测方法，包括：确定待预测销量产品的产品类型及产品所在地域，获取所述产品类型对应的产品调整因子及所在地域对应的地域调整因子，其中所述产品调整因子与产品类型相关，所述地域调整因子与所述产品所在地域相关，且所述产品调整因子及所述地域调整因子基于对应的产品的销量数据得到，所述产品调整因子及所述地域调整因子基于机器学习模型或者经验确定；基于所述产品调整因子及所述地域调整因子对销量预设模型进行调整得到与产品类型及所在地域对应的目标销量预测模型，其中所述销量预设模型是基于上述任意一个实施例中提供的销量预测模型的构建方法构建的销量预测模型。

在一些实施例中，本申请提供的销量预测模型的构建方法及销量预测方法，可以包括以下步骤：

数据收集：收集相关数据，包括产品价格和各种产品特征(例如尺寸、颜色、材质等)或地域因素(例如地理位置、人口密度等)，以及相应的销售数据。

数据预处理：对数据进行预处理，包括数据清洗、处理数据缺失值和数据异常值等。

特征选择：根据领域知识和数据分析，选择与产品价格相关的特征或地域因素。需要说明的是，这些特征应该有理论基础或经验证明与销售相关。

模型建立：使用回归模型来建立产品价格与特征或地域因素之间的关系。选择适合的模型，如模型可以是多元线性回归、岭回归、Lasso回归、GBDT回归等。其中销量被视为因变量，而特征或地域因素被视为自变量。

模型训练与评估：使用收集到的数据拟合回归模型，并进行模型评估。评估指标可以包括拟合优度(如R平方)、均方误差(MSE)或平均绝对误差(MAE)等。

特征贡献度分析：通过分析回归模型的系数或变量重要性，确定不同特征或地域因素对销量的贡献度。

调整因子确定：基于回归模型的分析结果，可以确定不同产品特征或地域因素的调整因子。

需要说明的是，建立回归模型和确定调整因子是一个迭代的过程。需要根据模型的性能和业务需求进行多次调整和优化。

除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

应理解，本申请实施例中的技术方案可以通过处理器进行执行处理，提及的处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。

需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)集成在处理器中。

应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。