電商平臺內(nèi)付費(fèi)流量情景下產(chǎn)品銷量預(yù)測研究

摘要：當(dāng)前，電子商務(wù)發(fā)展迅速，競爭愈發(fā)激烈，準(zhǔn)確的銷量預(yù)測對企業(yè)降低庫存成本、優(yōu)化營銷策略至關(guān)重要。付費(fèi)流量成為電商平臺商家追捧的對象，但關(guān)于付費(fèi)流量對銷量影響的研究較少，且不同渠道付費(fèi)流量對銷量影響的細(xì)分研究仍然空白，如何判斷渠道流量優(yōu)劣仍缺少解決方案。為了細(xì)化研究不同渠道的付費(fèi)流量對銷量的影響并提高銷量預(yù)測的準(zhǔn)確性，本文提出DCA-OLSTM模型。利用淘寶平臺的真實(shí)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明，加入付費(fèi)流量特征可以提高銷量預(yù)測準(zhǔn)確性，且不同渠道付費(fèi)流量對銷量預(yù)測的影響程度不同，商家可選擇高權(quán)重值的付費(fèi)流量渠道，僅供參考。

關(guān)鍵詞：付費(fèi)流量；電子商務(wù)；銷量預(yù)測；LSTM；渠道流量

中圖分類號：F724.6；F713.36文獻(xiàn)標(biāo)識碼：A文章編號：2096-0298（2025）01（a）--05

1引言

準(zhǔn)確的銷量預(yù)測對于彌合供需缺口至關(guān)重要[1]。通過及時(shí)、準(zhǔn)確的銷量預(yù)測，可以制定有效的庫存管理策略以降低成本[2]，同時(shí)還能優(yōu)化營銷活動[3]。傳統(tǒng)的預(yù)測方法包括自回歸綜合移動平均線（ARIMA）[4]、指數(shù)平滑方法、支持向量回歸（SVR）[5]等。這些方法主要依賴于歷史銷量數(shù)據(jù)，可能導(dǎo)致一定的滯后性。與傳統(tǒng)算法相比，深度學(xué)習(xí)模型在捕捉復(fù)雜非線性關(guān)系[6]和自動特征提取方面表現(xiàn)出色。對于多變量時(shí)序數(shù)據(jù)，數(shù)據(jù)中不同變量之間可能存在復(fù)雜的動態(tài)相互依賴關(guān)系，而且不同影響因素對目標(biāo)變量的影響大小也不盡相同。

輸入特征也直接影響著模型的預(yù)測效果[1]?，F(xiàn)有文獻(xiàn)中影響電子商務(wù)產(chǎn)品銷量預(yù)測的特征包括歷史銷量、產(chǎn)品特征、促銷活動等變量[7]。當(dāng)前，流量已成為線上營銷策略的關(guān)鍵組成部分[8]，付費(fèi)流量對電商產(chǎn)品銷量的影響日益增加。但現(xiàn)有文獻(xiàn)主要集中在免費(fèi)流量的優(yōu)化和管理，例如搜索引擎優(yōu)化（SEO）[9]、社交媒體分享[10]、口碑推廣等。雖然一些研究也探討了付費(fèi)流量的基本概念和理論研究[11-12]，但關(guān)于付費(fèi)流量對銷量影響的研究較少，不同渠道付費(fèi)流量對銷量影響的細(xì)分研究仍然空白。電子商務(wù)平臺能夠吸引海量用戶訪問，形成巨大的流量資源[13]，入駐平臺的商戶可以向平臺企業(yè)購買用戶流量，把流量轉(zhuǎn)化為訂單來提升商品銷量[14]。這種方式可以幫助商家快速獲取大量流量。然而，不同的付費(fèi)流量渠道對銷量的影響各不相同，且隨著付費(fèi)流量的成本上漲[15]，分析和管理付費(fèi)流量投入產(chǎn)出比難度加大，產(chǎn)品的銷售環(huán)境隨之更加復(fù)雜，產(chǎn)品銷量的不確定性也隨之增加。受到付費(fèi)流量的渠道、成本、時(shí)效性等影響的銷量呈現(xiàn)出不穩(wěn)定、復(fù)雜多變的特點(diǎn)，現(xiàn)實(shí)中電商企業(yè)做出的預(yù)測往往與實(shí)際值存在較大偏差。銷量預(yù)測過低或過高可能會帶來缺貨成本、庫存成本增加以及資源的浪費(fèi)[16]。因此，探索付費(fèi)流量及其細(xì)分渠道對銷量預(yù)測的影響，不僅可以幫助商家擇優(yōu)選擇渠道流量，還能提高銷量預(yù)測準(zhǔn)確性，有利于電商企業(yè)制定庫存管理策略、優(yōu)化營銷活動和持續(xù)向上發(fā)展。

本文旨在探討付費(fèi)流量對銷量預(yù)測的影響，同時(shí)深入分析不同渠道的付費(fèi)流量在銷量預(yù)測中發(fā)揮的作用，基于此提出了一個(gè)組合預(yù)測模型DCA-OLSTM（DilatedConvolutionAttention-OptimizedLSTM）以實(shí)現(xiàn)電商產(chǎn)品銷量的精準(zhǔn)預(yù)測。本文提出DCA注意力機(jī)制，能在較低計(jì)算成本下獲取更優(yōu)特征表達(dá)，賦予重要變量更高影響權(quán)重。利用并行的LSTM模型并結(jié)合門控機(jī)制提出OLSTM優(yōu)化模型，使其更適合多變量單目標(biāo)預(yù)測。在預(yù)測過程中，將注意力模型權(quán)重可視化，便于分析各類特征及不同渠道付費(fèi)流量對銷量的影響。最后，在真實(shí)的電子商務(wù)數(shù)據(jù)集上進(jìn)行對比實(shí)驗(yàn)，驗(yàn)證模型的準(zhǔn)確性。

2研究方法

2.1方法框架

本文所提模型框架如下：（1）DCA注意力機(jī)制，提高外部特征的提取效率和更優(yōu)的特征表達(dá)、獲取目標(biāo)序列自身的歷史變化規(guī)律；（2）OLSTM模塊，利用兩個(gè)并行的LSTM模型分別學(xué)習(xí)目標(biāo)序列的時(shí)間依賴性和注意力模型獲得外部序列的時(shí)間依賴性，以保持不同序列時(shí)間記憶的一致性[20]，最后通過一個(gè)融合門來平衡兩部分的信息沖突。結(jié)合兩部分模塊，得到DCA-OLSTM模型。圖1所示為DCA-OLSTM模型的整體框架，圖2為注意力DCA的模型結(jié)構(gòu)。

圖1DCA-OLSTM模型結(jié)構(gòu)圖

2.2DCA模塊

DCA是基于ECA（EfficientChannelAttention）改進(jìn)的一種注意力機(jī)制。ECA是一種高效通道注意力機(jī)制，其在多種計(jì)算機(jī)視覺任務(wù)中取得良好的效果，并且具有較低的計(jì)算和參數(shù)成本，因此受到廣泛的關(guān)注和應(yīng)用[21]。本文所提出注意力模型（DCA），其構(gòu)建思路為：利用高效通道注意力（ECA）機(jī)制，在常規(guī)卷積后引入了膨脹卷積層，擴(kuò)大感受野，保留較低計(jì)算成本優(yōu)勢的同時(shí)，更好地捕捉輸入特征的全局信息。這一方法針對特征數(shù)量較多的情況下凸顯出其優(yōu)勢，在眾多數(shù)據(jù)中抓取有效特征，提升特征的表征能力。針對時(shí)序數(shù)據(jù)具有較多數(shù)據(jù)特征的情況，優(yōu)化特征表達(dá)有助于提升數(shù)據(jù)預(yù)測性能。

2.3OLSTM模塊

將目標(biāo)序列和注意力獲得的外部序列特征分別輸入LSTM模型，得到輸出結(jié)果h1和h2，通過門控權(quán)重加權(quán)后求和拼接，得到最終的預(yù)測結(jié)果。計(jì)算公式如下：

式（1）（2）中：ω表示門控權(quán)重，σ表示sigmoid激活函數(shù)，W是連接權(quán)重矩陣，b是偏置項(xiàng)。在模型的訓(xùn)練過程中，通過反向傳播算法和梯度下降優(yōu)化算法，優(yōu)化門控權(quán)重的值，使模型能夠自適應(yīng)地學(xué)習(xí)到融合兩個(gè)LSTM輸出的最佳權(quán)重，從而減輕信息沖突，增強(qiáng)關(guān)鍵特征的記憶能力。

3實(shí)驗(yàn)數(shù)據(jù)

3.1數(shù)據(jù)集概述

本文以阿里巴巴旗下電商平臺淘寶為研究對象，數(shù)據(jù)集來源于阿里云天池，數(shù)據(jù)名稱為菜鳥－需求預(yù)測與分倉規(guī)劃天池大賽，本文采用全國電商銷售數(shù)據(jù)集。實(shí)驗(yàn)使用編號32084產(chǎn)品的銷售數(shù)據(jù)，數(shù)據(jù)采樣間隔為1天，共計(jì)332條數(shù)據(jù)。時(shí)間跨度為2015年1月30日至2015年12月27日。初始數(shù)據(jù)包括31個(gè)特征，涵蓋產(chǎn)品的分類信息、用戶行為、交易特征、付費(fèi)流量、歷史銷量等。

3.2數(shù)據(jù)預(yù)處理

為剔除購物節(jié)（雙十一、雙十二）帶來的大量自然流量對銷量的影響，本文使用替換法將購物節(jié)當(dāng)日數(shù)據(jù)替換為臨近日期的數(shù)據(jù)值，以便分析付費(fèi)流量對銷量的影響。

為篩選重要特征，本文使用皮爾遜相關(guān)性分析法驗(yàn)證外部特征與目標(biāo)特征的相關(guān)性，選擇相關(guān)性大于0.3且對任務(wù)具有顯著影響的特征，經(jīng)過篩選保留21條外部特征及1條目標(biāo)特征，數(shù)據(jù)集共22條特征。篩選后的數(shù)據(jù)說明詳見表1，其中歷史銷量為目標(biāo)特征。最后，對數(shù)據(jù)進(jìn)行歸一化，確保不同特征的數(shù)值范圍一致，以避免某些特征對模型訓(xùn)練的影響過大，用于模型訓(xùn)練和測試的樣本比例為8∶2。

3.3評價(jià)指標(biāo)

為了衡量所提模型的預(yù)測性能，使用平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）作為評估指標(biāo)。

3.4實(shí)驗(yàn)設(shè)置

本文使用以下實(shí)驗(yàn)設(shè)置來訓(xùn)練和評估模型。所有實(shí)驗(yàn)均基于Python3.9.15和TensorFlow2.15.0實(shí)現(xiàn)，實(shí)驗(yàn)平臺為合肥工業(yè)大學(xué)高性能計(jì)算平臺A40容器資源池，資源配置為3核CPU，30GB內(nèi)存，0.5卡GPU。優(yōu)化器和激活函數(shù)分別采用Adam和ReLU。模型的學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練50個(gè)epoch，每個(gè)步驟的批處理大小為3。

4實(shí)驗(yàn)結(jié)果及評價(jià)

4.1付費(fèi)流量權(quán)重分析

將外部特征數(shù)據(jù)輸入DCA注意力模塊中，使輸出的注意力權(quán)重可視化，得到注意力權(quán)重?zé)崃D如圖3所示。該熱力圖展示了DCA-OLSTM模型在不同時(shí)間步長（TimeSteps）和不同特征（Features）上的平均注意力權(quán)重。圖3中的橫軸代表特征，縱軸代表時(shí)間步長。顏色越深表示注意力權(quán)重越高，顏色越淺則表示注意力權(quán)重越低。

圖3顯示，特征12、13、15、16的權(quán)重值均大于0.1，在所有時(shí)間步長中均表現(xiàn)出較高的注意力權(quán)重，這意味著該部分付費(fèi)流量特征對模型的決策具有重要影響。不過，特征14和特征17的權(quán)重值相較其他付費(fèi)流量特征顯著降低，表明特征14、17對應(yīng)的聚劃算渠道的付費(fèi)流量對模型輸出的影響較小，說明該渠道流量質(zhì)量可能較低，商家需要慎重考慮是否采用聚劃算渠道獲得付費(fèi)流量，而淘寶客和搜索引導(dǎo)渠道獲得的付費(fèi)流量對銷量影響更大，商家可優(yōu)先考慮此類渠道。

計(jì)算平均每時(shí)間步各類特征總權(quán)重，其中付費(fèi)流量平均總權(quán)重為0.624，用戶行為特征平均總權(quán)重為0.260，交易特征平均總權(quán)重為0.116。對比發(fā)現(xiàn)，付費(fèi)流量權(quán)重值最大、影響力最高，表明付費(fèi)流量特征在模型決策中起到了顯著作用。

4.2實(shí)驗(yàn)結(jié)果與分析

為了客觀評價(jià)所提模型的預(yù)測能力，本文使用六種基線模型進(jìn)行對比實(shí)驗(yàn)?；€模型包括：SARIMA[19]、LSTM、GRU[20]、TKAN[21]、TSD[22]，以及SelfAttention-LSTM的組合模型。

本文將所提出算法與基線模型進(jìn)行對比，預(yù)測結(jié)果如表2所示，其中對比方法為將本文模型與其他基線模型預(yù)測結(jié)果求差值后，計(jì)算差值同基線模型的占比。顯而易見，DCA-OLSTM模型的MAE、MAPE和RMSE值均為最低，優(yōu)于其他六個(gè)基線模型。其中，機(jī)器學(xué)習(xí)算法SARIMA僅使用歷史銷量數(shù)據(jù)作為輸入和輸出，綜合三個(gè)評價(jià)指標(biāo)，預(yù)測性能最差。與SARIMA相比，GRU、LSTM的MAE、MAPE、RMSE值均有較大幅度降低，而LSTM和GRU的預(yù)測結(jié)果相差較小，其MAE、RMSE差距均小于0.2。加入注意力機(jī)制的模型則進(jìn)一步提升了預(yù)測精度，使用自注意力的SelfAttention-LSTM模型的MAPE值下降為85.97%。同時(shí)與兩種最新模型TKAN和TSD進(jìn)行對比，本文所提模型具有更低的損失，表明所提模型預(yù)測效果更好。

4.3分析與討論

與經(jīng)典機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)模型在時(shí)序預(yù)測的準(zhǔn)確性方面顯著提高。組合模型集合兩種算法的優(yōu)點(diǎn)，處理多元時(shí)序數(shù)據(jù)時(shí)，其預(yù)測準(zhǔn)確性相較單一深度學(xué)習(xí)模型又有進(jìn)一步提升。與其他組合模型相比，所提方法在電商產(chǎn)品銷量預(yù)測方面表現(xiàn)出較好的性能。改進(jìn)后的DCA注意力模型通過兩步卷積操作極大減少了計(jì)算量，在較低計(jì)算成本下進(jìn)一步優(yōu)化了時(shí)間序列數(shù)據(jù)的特征表達(dá)，算法的預(yù)測準(zhǔn)確性也有所提升，這是算法最大的貢獻(xiàn)和創(chuàng)新。將注意力模塊的權(quán)重可視化，得到的熱力圖可以直接明了的展示不同渠道的付費(fèi)流量的重要性，能夠幫助商家更快地選擇效果最好的付費(fèi)流量渠道，減少試錯(cuò)成本的同時(shí)提高銷量。實(shí)際應(yīng)用中，電商環(huán)境復(fù)雜多變，付費(fèi)流量應(yīng)用情景會越來越復(fù)雜，圍繞產(chǎn)品銷量產(chǎn)生的特征也會增加，使用改進(jìn)后的算法，可以在較低計(jì)算成本下獲得更好的預(yù)測效果，為商家提供選擇的依據(jù)。

5結(jié)論與展望

本文對付費(fèi)流量對銷量預(yù)測的影響進(jìn)行了深入分析，并構(gòu)建了DCA-OLSTM模型，以提高銷量預(yù)測的準(zhǔn)確性和穩(wěn)定性。

5.1付費(fèi)流量的重要性

本文發(fā)現(xiàn)付費(fèi)流量對銷量預(yù)測有著不可忽視的影響，而現(xiàn)有的銷量預(yù)測研究往往忽視了這一點(diǎn)，且不同渠道的付費(fèi)流量對銷量影響各不相同，權(quán)重值高的渠道付費(fèi)流量對銷量影響越大，商家可據(jù)此選擇合適的渠道付費(fèi)流量，以減少試錯(cuò)成本。

5.2DCA-OLSTM模型的有效性

本文提出的DCA-OLSTM模型在銷量預(yù)測任務(wù)中表現(xiàn)出顯著優(yōu)勢。通過DCA模塊和OLSTM模塊，該模型能夠更有效地捕獲時(shí)間序列數(shù)據(jù)的特征，并提高預(yù)測精度和穩(wěn)定性。

5.3實(shí)驗(yàn)驗(yàn)證結(jié)果

本文的實(shí)驗(yàn)結(jié)果證明DCA-OLSTM模型相對傳統(tǒng)方法在銷量預(yù)測中的優(yōu)越性。該模型在真實(shí)數(shù)據(jù)集上取得較好的預(yù)測性能，驗(yàn)證了其在實(shí)際應(yīng)用中的可行性和有效性。

本文的研究主要集中在電商平臺內(nèi)不同渠道的付費(fèi)流量對銷量的影響，針對其他渠道如第三方平臺廣告、直播等方式的影響未做研究，未來可將模型應(yīng)用于直播電商平臺，并進(jìn)行更廣泛的驗(yàn)證，以評估其在直播場景中的效果和可靠性。綜上所述，隨著進(jìn)一步的研究和探索，相信付費(fèi)流量對銷量預(yù)測的影響將會得到更深入地理解，而本文提出的DCA-OLSTM模型也將在電商行業(yè)的實(shí)際應(yīng)用中發(fā)揮重要作用。

參考文獻(xiàn)

CHENS，KES，HANS，etal.Whichproductdescriptionphrasesaffectsalesforecasting：AnexplainableAIframeworkbyintegratingWaveNetneuralnetworkmodelswithmultipleregression[J].DecisionSupportSystems，2024，176：114065.

CUIL，CHENY，DENGJ，etal.AnovelattLSTMframeworkcombiningtheattentionmechanismandbidirectionalLSTMfordemandforecasting[J].ExpertSystemswithApplications，2024，254：124409.

HICHAMN，KARIMS.MachineLearningandMarketingCampaign：InnovativeApproachesandCreativeTechniquesforIncreasingEfficiencyandProfit;proceedingsoftheAdvancesonIntelligentComputingandDataScience，Cham，F(xiàn)2023//，2023[C].SpringerInternationalPublishing.

ZHANGGP.TimeseriesforecastingusingahybridARIMAandneuralnetworkmodel[J].Neurocomputing，2003，50：159-75.

CHENY，XUP，CHUY，etal.Short-termelectricalloadforecastingusingtheSupportVectorRegression（SVR）modeltocalculatethedemandresponsebaselineforofficebuildings[J].AppliedEnergy，2017，195：659-70.

JINM，ZHENGY，LIYF，etal.MultivariateTimeSeriesForecastingWithDynamicGraphNeuralODEs[J].IEEETransactionsonKnowledgeandDataEngineering，2023，35（9）：9168-80.

ZHUANGQ，ZHANGX，WANGP，etal.ANeuralNetworkModelforChinaB2CE-CommerceSalesForecastBasedonPromotionalFactorsandHistoricalData;proceedingsofthe2019InternationalConferenceonEconomicManagementandModelEngineering（ICEMME），F(xiàn)，2019[C].IEEE.

MHIMEDR，BELKHIRM.Theroleofcontentmarketingstrategiesintrafficgeneration：Aconceptualmodeldevelopment;proceedingsoftheDigitalEconomyEmergingTechnologiesandBusinessInnovation：ThirdInternationalConference，ICDEc2018，Brest，F(xiàn)rance，May3-5，2018，Proceedings3，F(xiàn)，2018[C].Springer.

BAYEMR，DELOSSANTOSB，WILDENBEESTMR.SearchEngineOptimization：WhatDrivesOrganicTraffictoRetailSites？[J].2016，25（1）：6-31.

DOLEGAL，ROWEF，BRANAGANEJJOR，etal.Goingdigital？Theimpactofsocialmediamarketingonretailwebsitetraffic，ordersandsales[J].2021，60：102501.

張芬芬.流量思維導(dǎo)向下企業(yè)電商精準(zhǔn)營銷的邏輯、困境及策略[J].天津中德應(yīng)用技術(shù)大學(xué)學(xué)報(bào)，2023（2）：79-84.

胡志鵬，許柏鳴.互聯(lián)網(wǎng)流量經(jīng)濟(jì)背景下定制家具品牌推廣研究[J].家具與室內(nèi)裝飾，2023，30（2）：79-83.

ROCHETJ-C，TIROLEJ.Platformcompetitionintwo-sidedmarkets[J].Journaloftheeuropeaneconomicassociation，2003，1（4）：990-1029.

王勇，劉樂易，遲熙，等.流量博弈與流量數(shù)據(jù)的最優(yōu)定價(jià)：基于電子商務(wù)平臺的視角[J].管理世界，2022，38（8）：116-32.

陸玥妍.電商平臺、私域流量與第三方商業(yè)策略選擇研究[D].南京：東南大學(xué)，2022.

滕玥.B2C電商平臺商品促銷銷量的預(yù)測方法[D].大連：大連理工大學(xué)，2022.

GENGX，HEX，XUL，etal.Graphcorrelatedattentionrecurrentneuralnetworkformultivariatetimeseriesforecasting[J].InformationSciences，2022，606：126-42.

YUE，XUG，HANY，etal.Anefficientshort-termwindspeedpredictionmodelbasedoncross-channeldataintegrationandattentionmechanisms[J].Energy，2022，256：124569.

KORSTANJEJ.TheSARIMAModel[M].AdvancedForecastingwithPython：WithState-of-the-Art-ModelsIncludingLSTMs，F(xiàn)acebook’sProphet，andAmazon’sDeepAR.Berkeley，CA;Apress.2021：115-22.

CHUNGJ，GüL?EHRE?，CHOK，etal.EmpiricalEvaluationofGatedRecurrentNeuralNetworksonSequenceModeling[J].2014，abs/1412.3555.

GENETR，INZIRILLOH.TKAN：TemporalKolmogorov-ArnoldNetworks[J].arXive-prints，2024：arXiv：2405.07344.

DUONG-TRUNGN，NGUYEND-M，etal.TemporalSaliencyDetectionTowardsExplainableTransformer-BasedTimeseriesForecasting;proceedingsoftheArtificialIntelligenceECAI2023InternationalWorkshops，Cham，F(xiàn)2024//，2024[C].SpringerNatureSwitzerland.