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(yù)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(fù)雜的算法與適應(yīng)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(fù)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?nèi)耘f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(nèi)，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(yù)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(chǎn)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(guān)系到底是怎么樣的，就很考驗數(shù)據(jù)服務(wù)商的技能了。
一般來說，計算預(yù)測結(jié)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(yù)測結(jié)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(yù)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(dǎo)致函數(shù)不光滑，在某些點上不能求導(dǎo)。
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(yīng)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(dǎo)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(dǎo)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(yù)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(jié)果會存在一定的差異。
5.平均絕對百分誤差
真實值與預(yù)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(dǎo)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(dǎo)致預(yù)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(yīng)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(jié)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(jīng)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。