亞馬遜平臺BSR(Amazon Best Seller Rank)算法的神秘與規(guī)則的多變,給賣家準確估計所選商品的市場規(guī)模、科學預測所選市場的盈利水平帶來了很大的困擾。

為了幫賣家解決這一心頭病,準確估算銷量,克服亞馬遜復雜的算法與適應形勢多變的市場,成為數(shù)魔的核心工作之一。

以下列出了當前市場上,具有銷量估算功能的部分工具。

我們深知,如果這件事情做得不好,銷量估計偏高或者偏低,都會給賣家造成精力、錢財?shù)膿p失。

在復雜多變的亞馬遜算法面前,要做到全區(qū)間段以100%的準確率估計銷量很難。

但是我們仍舊不斷努力,不斷逼近銷量的真相。

那么什么是銷量估計的準確率,或者說什么是賣家期待的準確的銷量估計？。

我們提出了一種評估亞馬遜銷量估算準確度的標準——銷量四準法則。

總體銷量準確。

需要確保在同一時間段內,全站點全類目所有商品的銷量總和與亞馬遜真實的GMV體量相等。

例如,如果亞馬遜一天的GMV為10億美元,而基于預測得到的單日銷售額只有5億美元,則總體準確率只有50%。

各個類目銷量準確。

亞馬遜美國站僅一級類目就有25+個,核心類目有家居、服裝、3C電子產品、汽配、美妝、書籍……在銷量估算的過程中,只要有一個類目準確率不夠高,就算不上成功的算法。

類目區(qū)間段銷量準確。

需要確保各類目各區(qū)間段的銷量估算均準確。

目標：Top 100商品的銷量估算準確率高,1萬～2萬的準確率,100萬～200萬的準確率均高……。

每天的銷量估算準確。

需要確保各活躍商品每天的銷量估算均準確（算法高穩(wěn)定性）。

根據(jù)亞馬遜官方文檔,亞馬遜BSR每小時都會更新一次,計算依據(jù)是listing的銷量等因素。

當某個Listing銷量增加時,該listing的BSR排名一般也會得到提升（但未必是同步進行）,而某個Listing的BSR上漲時,往往也是源于銷量的增加。

那BSR值和銷量之間的關系到底是怎么樣的,就很考驗數(shù)據(jù)服務商的技能了。

一般來說,計算預測結果的準確度有以下幾種方式。

1.平均絕對值誤差（MAE）。

又稱為L1范數(shù)損失。

用于評估預測結果和真實數(shù)據(jù)集的接近程度,其值越小說明擬合效果越好。

可以更好地反映預測值誤差的實際情況。

優(yōu)點：可以把絕對誤差和相對誤差里面正負相互抵消的問題去掉。

缺點：絕對值的存在導致函數(shù)不光滑,在某些點上不能求導。

2.均方方差（Mean squared error,MSE） 。

又稱L2范數(shù)損失,該指標計算的是擬合數(shù)據(jù)和原始數(shù)據(jù)對應樣本點的誤差平方和的均值,其值越小說明擬合效果越好。

優(yōu)點：解決了方式①平均絕對誤差的不光滑問題,即不可導問題。

缺點：MSE與我們的目標變量的量綱不一致,為了保證量綱一致性,我們需要對MSE進行開方,得到RMSE。

3.均方根誤差（RMSE） 。

均方誤差再開平方,即均方方差進行開方求得。

優(yōu)點：同時解決了方式①的不可導問題與方式②的量綱不一致問題。

缺點：使用平均誤差計算,而平均值對異常點較敏感,如果對某個點的回歸值很不理想,那么它的誤差則較大,從而會對RMSE的值有較大影響。

4.R-square 決定系數(shù) 。

衡量的是回歸方程整體的擬合程度,是表達回歸平方和在總平方和中所占的比率。

取值范圍為[0,1],其值越接近于1,表明模型擬合效果越好。

優(yōu)點：既考慮了預測值與真值之間的差異,也考慮了問題本身真值之間的差異,是一個歸一化的度量標準。

缺點： 數(shù)據(jù)集的樣本越大,R²越大,因此不同數(shù)據(jù)集的模型結果會存在一定的差異。

5.平均絕對百分誤差 。

真實值與預測值之間絕對百分比的平均值。

優(yōu)點：直觀、計算簡單,克服了對標度的依賴。

缺點：MAPE沒有上界, 因此對異常值敏感. 當某個pt非常大時, 會導致MAPE的值也顯著變大。

如果使用MAPE作為誤差評價指標,pt的不對稱性會導致預測銷量低于實際銷量。

綜上,我們采用了第5種評價標準——平均絕對百分誤差。

該方法是所有方法中最嚴格的,也是最能全面反應不同銷量區(qū)間的綜合準確率。

SellerMotor基于各類目BSR數(shù)據(jù)等指標,迭代升級了銷量估計算法,相較之前的估計結果,準確度得到了很大的提升。

目前全新的數(shù)據(jù)模型已經在亞馬遜美國站實現(xiàn)19個類目數(shù)據(jù)覆蓋,未來將進一步覆蓋更多類目及站點。