基于一元线性回归模型的电商商品支付转化率预测的研究.docVIP

基于一元线性回归模型的电商商品支付转化率预测的研究 摘要：电商行业中，有一类爆款电商的企业，其商品在销售中，供不应求，销售量很高。这类电商的企业经常采用限时抢购的销售模式。这样的前提下，一个商品在固定时间内下单后的支付率在很大程度上影响着产品销量，本文采用一元线性回归模型，通过区分不同商品的销售单价，依据商品上市时间来预测最终用户下单后的支付率，用来指导商品在销售时间内应该放多少量才能完成销售指标，并保证不会超售。 关键词：一元线性回归；统计分析；电商产品；支付率；R语言 2016年，我国继续保持平稳发展态势。国家统计局调查显示，2016年全国电子商务交易额达26.1万亿元，同比增长19.8%；网上零售交易总额达5.16万亿元，同比增长26.2%，我国世界第一大网络零售市场地位进一步稳固；农村网络零售交易额8945.4亿元，已占全国网络零售额的17.4%；移动购物在网络购物交易规模中占比达到70.7%；电子商务及相关产业直接和间接带动就业人数已达3700万。经过20年的发展，我国网络购物用户规模、电子商务交易额、电子商务从业人员数量稳步增长，网上零售交易额、农村网络零售交易额、电子商务服务业营收规模等快速增长。一方面，我国电子商务交易规模持续增长，新模式、新业态发展迅猛，社会经济影响不断深入；另一方面，伴随网民数量增长的趋缓，电子商务也面临着总体增速趋缓、市场竞争加剧、线上成本攀升的发展环境。电商企业纷纷布局农村市场、大力发展跨境电商、加快走出去步伐，在积极拓展新市场、新空间的同时加大对线下实体资源的整合力度，但在融合发展过程中，我国电子商务也出现了线上与线下、城市与农村、国内与跨境发展不平衡，政策挑战日趋明显等问题。[1] 随着电商的发展，爆款的商品也越来越多，大多爆款的商品会采取限时抢购的销售模式。即某个热销的商品，供不应求，在某个时间点上采取先到先得的销售模式。比较典型的案例如小米手机，每周二早上10点准点开启抢购，销售完了之后会把销售接口关闭，避免出现超售的情况，即销售出去的商品大于库存，导致没法准时发货，会导致用户投诉，最终影响口碑；也有可能接口关闭之后出现支付率过低，导致商品少卖了。 在抢购过程中，用户抢到了某个商品，会要求在规定的时间内支付，各个平台要求不一样，有些平台可能要求在2小时内必须支付，但是下单的时候会占用库存，从下单到支付有一定的流失，这样究竟要让用户下多少量才能完成销售目标就成为电商运营销售人员的一个挑战。本文要解决就是预测商品在下单之后，会有多少最终付款。名词解释：下单数量：用户在电子商务网站选择完商品，生成了订单的数量；支付数量：用户通过支付宝网银等接口对订单完成支付，支付完成后的订单的数量；支付转化率：支付率=支付数量/下单数量，用来考察商品从下单到支付转化率，下文简称支付率。 1数据分析―以某电商商品A为例 某电商是国内知名的手机厂商的主要销售渠道之一，其销售特点是以限时抢购为主，在分析的过程中，按商品售价不同?斫?立模型，此列选择商品A，其单价在2000以上，其每个月的支付率如下表，从表中可以看出，支付率随着销售时间增长而呈下降的趋势，为了能够让数据更好的用模型进行预测，需把月份进行归一化，本文把月份转成一个序数，让商品的支付率跟具体的月份没有关系，采用规则：第一个月的序数为1，第二个月的序数为2。 2基于数据建立线性回归预测模型 回归分析（RegressionAnalysis）是用来确定2个或2个以上变量间关系的一种统计分析方法。如果回归分析中，只包括一个自变量X和一个因变量Y时，且它们的关系是线性的，那么这种回归分析称为一元线性回归分析。[2] 在回归分析中，变量有2类：因变量和自变量。因变量通常是指实际问题中所关心的指标，用Y表示。而自变量是影响因变量取值的一个变量，用X表示，如果有多个自变量则表示为X1，X2，…，Xn。 分析主要步骤： 1.确定因变量Y与自变量X1，X2，…，Xn之间的定量关系表达式，即回归方程。 从表二的数据可以看出，销售的月份跟支付率有一定的线性关系，所以应用一元回归作为模型进行分析。其中Y为支付率，X为月份，模型可表达为：Y=aX+b+c。其中Y，为因变量；X，为自变量；b，为截距；a，为自变量系数；a*X+b，表示Y随X的变化而线性变化的部分；c，为残差或随机误差，是其他一切不确定因素影响的总和，其值不可观测。假定c是符合均值为0方差为σ^2的正态分布，记作c～N（0，σ^2）。 在R语言中可表达为： lm.r-lm（y～x+1） 2.回归参数估计[3] 对于上面的公式，回归参数a，b是不知道的，需要用参数估计的方法来计算出a，b的值，而从得到数据集的X和Y的定量关系。目标是要计算出一条直线，使直接线上每个点的Y值和实际数据的Y值之差的平方和最小，即（Y1