亚马逊平台BSR(Amazon Best Seller Rank)算法的奥秘与规则的多变，给卖家准确预计所选商品的市场规模、科学预测所选市场的盈利程度带来了很大的困扰。

为了帮卖家处理这二心头病，准确估算销量，克制亚马逊简单的算法与顺应情势多变的市场，成为数魔的外围工作之一。

以下列出了以后市场上，具备销量估算性能的局部工具。

咱们深知，假设这件事件做得不好，销量预计偏高或许偏低，都会给卖家形成精神、钱财的损失。在简单多变的亚马逊算法面前，要做到全区间段以100%的准确率预计销量很难。然而咱们依旧始终致力，始终迫近销量的假相。

那么什么是销量预计的准确率，或许说什么是卖家等待的准确的销量预计？

咱们提出了一种评价亚马逊销量估算准确度的标准——销量四准法则。

总体销量准确

需求确保在同一工夫段内，全站点全类目一切商品的销量总和与亚马逊切实的GMV体量相等。例如，假设亚马逊一天的GMV为10亿美元，而基于预测失去的单日销售额只要5亿美元，则总体准确率只要50%。

各个类目销量准确

亚马逊美国站仅一级类目就有25+个，外围类目有家居、服装、3C电子产品、汽配、美妆、书籍……在销量估算的过程中，只需有一个类目准确率不够高，就算不上胜利的算法。

类目区间段销量准确

需求确保各类目各区间段的销量估算均准确。指标：Top 100商品的销量估算准确率高，1万～2万的准确率，100万～200万的准确率均高……

每天的销量估算准确

需求确保各生动商品每天的销量估算均准确（算法高稳固性）。

依据亚马逊民间文档，亚马逊BSR每小时都会更新一次，全境通海外仓，计算根据是listing的销量等要素。当某个Listing销量添加时，该listing的BSR排名普通也会失去降职（但未必是同步停止），而某个Listing的BSR下跌时，往往也是源于销量的添加。那BSR值和销量之间的关系到底是怎样样的，就很考验数据服务商的技艺了。

普通来说，计算预测后果的准确度有以下几种模式。

1.平均绝对值误差（MAE）

又称为L1范数损失。用于评价预测后果和切实数据集的接远水平，其值越小阐明拟合效果越好。可能更好地反映预测值误差的实践情况。

优点：可能把绝对误差和相对误差里面正负相互抵消的成绩去掉。

缺陷：绝对值的存在导致函数不润滑，在某些点上不能求导。

2.均方方差（Mean squared error，MSE） 

又称L2范数损失，该目的计算的是拟合数据和原始数据对应样本点的误差平方和的均值，其值越小阐明拟合效果越好。

优点：处理了模式①平均绝对误差的不润滑成绩，即不可导成绩。

缺陷：MSE与咱们的指标变量的量纲不分歧，为了保证量纲分歧性，全境通海外仓，咱们需求对MSE停止开方，失去RMSE。

3.均方根误差（RMSE） 

均方误差再开平方，即均方方差停止开方求得。

优点：同时处理了模式①的不可导成绩与模式②的量纲不分歧成绩。

缺陷：利用平均误差计算，而平均值对同样点较敏感，假设对某个点的回归值很不现实，那么它的误差则较大，从而会对RMSE的值有较大影响。

4.R-square 决议系数 

衡量的是回归方程全体的拟合水平，是表达回归平方和在总平方和中所占的比率。取值范围为[0，1]，其值越靠近于1，表明模型拟合效果越好。

优点：既思考了预测值与真值之间的差异，也思考了成绩自身真值之间的差异，是一个归一化的度量标准。

缺陷： 数据集的样本越大，R²越大，因此不同数据集的模型后果会存在肯定的差异。

5.平均绝对百分误差 

切实值与预测值之间绝对百分比的平均值

优点：直观、计算简略，克制了对标度的依赖。