CN105574599A - 估算订单退货率的方法及装置 - Google Patents

Abstract

本申请提供一种估算订单退货率的方法，包括：由第一退货率关联指标预测某笔订单的预期退货率；由第二退货率关联指标预测当期的季节预期平均退货率；根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，得到所述订单的最终预期退货率。通过本申请的技术方案，对单笔订单退货率的预测能够反映季节性或定期促销活动等因素的影响，提高了预测的准确性，在降低电商运营成本的同时提高了运营效率。

Description

估算订单退货率的方法及装置

技术领域

本申请涉及电子商务技术领域，尤其涉及一种估算订单退货率的方法及装置。

背景技术

随着互联网技术和应用的普及，电子商务得到了迅猛的发展。电子商务通过互联网进行各种商贸活动，实现消费者网上购物、商户间网上交易、在线电子支付以及其他各种商务交易等活动。

由于网上交易中用户往往对交易的商品缺乏真实直观的感受，电子商务的商家通常会提供宽松的退货策略，而处理用户的退货所需要的人力和仓储就成为电商运营成本的一部分，尤其对于一些大型电商而言。因此，越来越多的电商会预测所售出商品的退货率，据此安排退货处理的人员和仓储空间，以提供更加快捷的退货处理。准确的预测退货率，对提高电商的运营效率，降低运营成本十分重要。

发明内容

有鉴于此，本申请提供一种估算订单退货率的方法，包括：

由第一退货率关联指标预测某笔订单的预期退货率；

由历史同期的第二退货率关联指标预测当期的季节预期平均退货率；

根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，得到所述订单的退货率。

本申请还提供了一种估算订单退货率的装置，包括：

订单预期退货率预测单元，用于由第一退货率关联指标预测某笔订单的预期退货率；

季节预期平均退货率预测单元，用于由历史同期的第二退货率关联指标预测当期的季节预期平均退货率；

当期调整单元，用于根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，得到所述订单的退货率。

由以上技术方案可见，本申请的实施例中，通过历史同期的退货情况预测当期的季节预期平均退货率，利用当期的季节预期平均退货率来对根据过去某个时期的退货情况预测的该订单的预期退货率来进行调整，使得对单笔订单退货率的预测能够反映季节性或定期促销活动等因素的影响，提高了预测的准确性，在降低电商运营成本的同时提高了运营效率。

附图说明

图1是本申请实施例一中估算订单退货率的方法的流程图；

图2是本申请实施例二与现有技术的技术效果对比示意图；

图3是本申请实施例所应用的物理设备的一种硬件结构图；

图4是本申请实施例提供的估算订单退货率的装置的逻辑结构图。

具体实施方式

现有技术中，电商通常基于过去一段时间的卖家历史退货率、商品历史退货率、买家历史退货率、客户对商品评分等数据来计算该商品某笔订单的退货率。受季节性因素和促销活动因素等的影响，用这种方法预测出的退货率与真实的退货率经常有相当大的偏差。例如，在每年4到7月份，从进入春夏交替的季节到夏天，服装服饰类商品的退货率会明显上升，但是由于1到3月的退货率较低，根据1到3月的数据来进行预测，导致预测的退货率偏低。在大型促销活动，由于商品价格便宜，很多用户购物后即便不太满意也不会退货，所以实际退货率较低，但由于基于促销活动前一段时期的历史数据进行预测，导致预测退货率明显高于实际退货率。对根据预测的退货率进行退货处理安排的电商而言，预测的退货率不准确，会造成退货处理的低效率和更高的运营成本。

本申请的实施例提出一种新的估算某笔订单退货率的方法来解决上述问题。本申请实施例应用在能够访问电商的退货信息数据库获取相关数据、具有运算能力的计算设备上。

本实施例一中，估算订单退货率的方法的流程如图1所示。

步骤110，由第一退货率关联指标预测某笔订单的预期退货率。

本步骤中，根据过去一段时间的第一退货率关联指标来预测单笔订单的预期退货率。可以根据具体应用场景能够收集的参数，和适用的算法来决定采用哪些参数作为第一退货率关联指标，以及各参数的权重。

在一种实施方式中，从买家历史退货率、卖家历史退货率、卖家信用、商品历史退货率、商品所属行业历史退货率等参数里选择一个至多个来作为第一退货率关联指标，用来预测某笔订单的预期退货率。

可以将买家历史退货率、卖家历史退货率、卖家信用、商品历史退货率、商品所属行业历史退货率等作为自变量，将某商品的一笔订单是否退货作为因变量，采用逻辑回归算法进行回归分析，根据回归分析的结果来预测当前订单的预期退货率。例如，可以根据过去6个月的所有交易订单作为预期退货率预测模型的训练样本,目标变量(即因变量)flag为是否发生退货,若发生退货,则flag＝1,否则flag＝0，自变量为订单发生前90天卖家退货率、商品退货率、买家退货率、商品信用得分等，通过logit(逻辑)回归，可以得到各自变量的系数，模型拟合调试完成后，就可以用来预测新发生的订单的预期退货率。

现有技术中预测订单退货率的方法也可以在本步骤中用来预测一笔订单的预期退货率。

步骤120，由历史同期的第二退货率关联指标预测当期的季节预期平均退货率。

选择一个设定的时间段作为横向时间序列的期间长度，以被估算的订单生成的日期所在期间的横向时间序列作为当期，以过去年度相同的横向时间序列作为过去同期，根据过去同期的第二退货率关联指标来预测当期的季节预期平均退货率。例如，以半个月为横向时间序列的期间长度，被估算的订单生成于6月4日，则以6月上半个月作为当期，以去年、前年等的6月上半个月作为过去同期，通过去年、前年6月上半个月的第二退货率关联指标来预测当期的季节预期平均退货率。

第二退货率关联指标的选择可以按照在实际应用中影响当期退货率的因素来确定，通常会包括前一年同期的平均退货率，还可以包括前半个月的实际退货率等。具体采用哪种预测方法可以根据所选择的第二退货率关联指标，以及这些参数影响当期退货率的方式来确定，本实施例中不作限定。

作为一种可能的具体实现，可以将过去某个横向时间序列的同类商品的平均退货率作为因变量，以包括该横向时间序列之前的N个横向时间序列的同类商品的平均退货率、该横向时间序列的前一年同期的同类商品的平均退货率的参数作为自变量，采用线性回归法进行回归分析，得到当期季节预期平均退货率预测模型。将今年当期之前的N个横向时间序列的同类商品的平均退货率、去年当前同类商品的平均退货率、以及其他自变量的值带入模型，就可以得到当期季节预期平均退货率。

例如，设Y＝aX₁+bX₂，Y为某个过去横向时间序列的平均退货率，X₁为该横向时间序列前N个横向时间序列中同类商品的平均退货率，X₂为前一年该横向时间序列同期的同类商品平均退货率，根据过去几年的上述自变量和因变量数据进行回归分析，拟合出最大似然的系数a和b；再利用今年当期之前N个横向时间序列的平均退货率和去年当期的平均退货率，通过aX₁+bX₂预测出今年当期同类商品的季节预期平均退货率。

当然，在回归分析中还可以引入其他影响退货率的参数，如卖家同期的平均退货率、卖家信用等。

作为另一种可能的具体实现，可以将过去数年的当期平均退货率的均值、加权均值、或指数平滑值作为今年当期季节预期平均退货率。

需要说明的是，本步骤中预测的当期季节预期平均退货率是对一定范围商品的平均退货率的预测值，而不是对单笔订单退货率的预测值。平均退货率所涉及的商品范围由所选择的第二退货率关联指标决定。

步骤130，根据当期的季节预期平均退货率对该订单的预期退货率进行调整，得到该订单的退货率。

单笔订单的预期退货率反映了根据过去某个时间长度(一个到多个横向时间序列)的退货情况预测出的单笔订单的退货可能性；在此基础上，将根据纵向时间序列预测的当期季节预期平均退货率引入到对单笔订单退货率的预测中，以反映季节性或定期促销活动等因素，来达到更加准确的预测。

按照当期季节预期平均退货率对该订单的预期退货率进行调整的具体方式，可以考虑所选择的第一退货率关联指标、对预期退货率的预测方法、所选择的第二退货率关联指标、对季节预期平均退货率的预测方法来确定，本实施例中不作限制。

作为一种可选的调整方式，可以将当期的季节预期平均退货率与一年的平均退货率的比值作为第一调整系数，对该订单的预期退货率进行调整，以预期退货率与第一调整系数的乘积作为所预测的单笔订单的退货率。对每笔订单利用第一调整系数进行调整可以将季节性或定期促销活动等因素的影响考虑在内。

但是，对商家而言，总合所有订单的退货率后，整体的退货率往往还会存在一定的系统性偏差。为了降低系统性偏差，可以根据过去横向时间序列真实的平均退货率，与估算该横向时间序列的退货率时所采用的第一调整系数确定利用第二调整系数，再利用第二调整系数对调整后的订单的预期退货率进行二次调整。例如，可以把去年同期真实的平均退货率与预测去年同期退货率时所采用的第一调整系数的比值作为第二调整系数，以订单的预期退货率与第一调整系数、以及第二调整系数的乘积作为所预测的单笔订单的退货率，通过对单笔订单退货率预测的二次调整来降低多个订单总合后退货率的系统性偏差。再如，可以将过去3个横向时间序列的真实的平均退货率与预测对应的每个横向时间序列的退货率时所采用的第一调整系数的比值(共3各个)进行平均，以均值作为第二调整系数。

在一种应用场景中，可以将估算出的单笔订单的退货率用于退货运费险的费率计算。对步骤130中得出的退货率，先根据该退货率确定该订单退货运费险保单的出险率，再按照出险率对该订单退货运费险保单的保费进行定价。简便起见，可以直接将估算的退货率作为出险率来计算保费。

可见，本申请的实施例中，通过过去某个连续时间段的退货情况预测的单笔订单的预期退货率，通过过去同期的退货情况预测当期的平均季节预期平均退货率，利用季节预期平均退货率来对订单的预期退货率进行调整，这样对单笔订单退货率的预测能够反映季节性或定期促销活动等因素的影响，使得退货率的预测更为准确，降低了电商的运营成本，提高了电商的运营效率。

本申请的实施例二中，对某笔订单退货率的估算过程如下：

1)按照现有技术中的预测算法，根据买家历史退货率、卖家历史退货率、卖家信用、商品历史退货率、商品所属行业历史退货率等预测出某笔订单的预期退货率prob；

2)以半个月作为横向时间序列的长度，将每个月分为上半个月、下半个月，一年被分为24个半月，统计出2012、2013和2014年上半年每半个月(共60个横向时间序列)的平均退货率；统计出上述60个横向时间序列中每个的之前3个横向时间序列(即之前一个半月)的平均退货率；以上述60个横向时间序列的平均退货率作为因变量，以每个横向时间序列之前一个半月的平均退货率、该横向时间序列的去年同期的平均退货率、时间标签(根据横向时间序列在一年中的排序，取值从1到24)为自变量进行线性回归分析(例如，以2013年11月上半个月的平均退货率为因变量的取值，以2012年11月上半个月的平均退货率、和2012年1月上半个月的平均退货率、时间标签1为三个自变量的取值)，根据回归分析的结果，可以计算出每个横向时间序列的季节预期平均退货率Rxpected_Rate，其结果如表1所示：

表1

3)统计出过去一年内的平均退货率Annual_rate为4.5％，则根据下式计算出所预测的单笔订单的退货率prob_adjusted：

prob_adjusted＝prob*第一调整系数*第二调整系数

其中，第一调整系数＝prob*Rxpected_Rate/Annual_rate；第二调整系数＝去年同期真实的平均退货率/预测去年同期退货率时采用的第一调整系数；

在应用实施例二中的技术方案后预测得出的当期平均退货率、按照现有技术预测得出的当期平均退货率、和真实的当期平均退货率的对比图如图2所示，其中，预测得出的当期平均退货率是将当期所有订单的预测退货率总合后得出的平均值。从中可以明显看出，本申请实施例二的技术方案在预测准确性上相比于现有技术有了很大提升。

与上述流程实现对应，本申请的实施例还提供了一种估算订单退货率的装置。该装置应用在具有运算能力的计算设备上，可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为逻辑意义上的装置，是所在物理设备的CPU将对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，除了图3所示的CPU、内存以及非易失性存储器之外，该装置所在的物理设备通常还包括用于实现网络通信功能的板卡等其他硬件。

图4所示为本实施例提供的估算订单退货率的装置，包括订单预期退货率预测单元、季节预期平均退货率预测单元和当期调整单元，其中：订单预期退货率预测单元用于由第一退货率关联指标预测某笔订单的预期退货率；季节预期平均退货率预测单元用于由历史同期的第二退货率关联指标预测当期的季节预期平均退货率；当期调整单元用于根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，得到所述订单的退货率。

所述季节预期平均退货率预测单元可以具体用于：以过去某个横向时间序列的平均退货率作为因变量，以包括所述横向时间序列之前的数个横向时间序列的平均退货率、所述横向时间序列的前一年同期的平均退货率的参数作为自变量，通过线性回归分析得到当期的季节预期平均退货率。

在一种实施方式中，所述当期调整单元包括：第一调整模块，用于以当期的季节预期平均退货率与一年的平均退货率的比值为第一调整系数，对所述订单的预期退货率进行调整。

在上述实施方式中，所述当期调整单元还可以包括：第二调整模块，用于利用第二调整系数对调整后所述订单的预期退货率进行二次调整；所述第二调整系数根据过去横向时间序列真实的平均退货率，与估算所述横向时间序列的退货率时所采用的第一调整系数来确定。

可选的，所述装置还包括出险率确定单元和保费定价单元，其中：出险率确定单元用于根据所述订单的退货率确定所述订单退货运费险保单的出险率；保费定价单元用于按照所述出险率对所述订单退货运费险保单的保费定价。

所述第一退货率关联指标可以包括以下的至少一项：买家历史退货率、卖家历史退货率、卖家信用、商品历史退货率、商品所属行业历史退货率。

从以上各种方法和装置的实施方式中可以看出，相对于现有技术根据过去一段连续时期的退货情况预测某笔订单的退货率，本申请的实施例中预测当期的季节预期平均退货率，用来对现有技术预测的该笔订单的退货率进行调整，使得估算出的退货率考虑了季节性和定期促销活动等因素影响，提高了退货率预测的准确性，从而提升了电商的运营效率，降低了运营成本。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (12)

1.一种估算订单退货率的方法，其特征在于，包括：

由第一退货率关联指标预测某笔订单的预期退货率；

由历史同期的第二退货率关联指标预测当期的季节预期平均退货率；

根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，得到所述订单的退货率。

2.根据权利要求1所述的方法，其特征在于，所述由历史同期的第二退货率关联指标预测当期的季节预期平均退货率，包括：以过去某个横向时间序列的平均退货率作为因变量，以包括所述横向时间序列之前的数个横向时间序列的平均退货率、所述横向时间序列的前一年同期的平均退货率的参数作为自变量，通过线性回归分析得到当期的季节预期平均退货率。

3.根据权利要求1所述的方法，其特征在于，所述根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，包括：以当期的季节预期平均退货率与一年的平均退货率的比值为第一调整系数，对所述订单的预期退货率进行调整。

4.根据权利要求3所述的方法，其特征在于，所述根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，还包括：利用第二调整系数对调整后所述订单的预期退货率进行二次调整；所述第二调整系数根据过去横向时间序列真实的平均退货率，与估算所述横向时间序列的退货率时所采用的第一调整系数来确定。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述订单的退货率确定所述订单退货运费险保单的出险率；

按照所述出险率对所述订单退货运费险保单的保费定价。

6.根据权利要求1所述的方法，其特征在于，所述第一退货率关联指标包括以下的至少一项：买家历史退货率、卖家历史退货率、卖家信用、商品历史退货率、商品所属行业历史退货率。

7.一种估算订单退货率的装置，其特征在于，包括：

订单预期退货率预测单元，用于由第一退货率关联指标预测某笔订单的预期退货率；

季节预期平均退货率预测单元，用于由历史同期的第二退货率关联指标预测当期的季节预期平均退货率；

当期调整单元，用于根据当期的季节预期平均退货率对所述订单的预期退货率进行调整，得到所述订单的退货率。

8.根据权利要求7所述的装置，其特征在于，所述季节预期平均退货率预测单元具体用于：以过去某个横向时间序列的平均退货率作为因变量，以包括所述横向时间序列之前的数个横向时间序列的平均退货率、所述横向时间序列的前一年同期的平均退货率的参数作为自变量，通过线性回归分析得到当期的季节预期平均退货率。

9.根据权利要求6所述的装置，其特征在于，所述当期调整单元包括：第一调整模块，用于以当期的季节预期平均退货率与一年的平均退货率的比值为第一调整系数，对所述订单的预期退货率进行调整。

10.根据权利要求9所述的装置，其特征在于，所述当期调整单元还包括：第二调整模块，用于利用第二调整系数对调整后所述订单的预期退货率进行二次调整；所述第二调整系数根据过去横向时间序列真实的平均退货率，与估算所述横向时间序列的退货率时所采用的第一调整系数来确定。

11.根据权利要求7所述的装置，其特征在于，所述装置还包括：

出险率确定单元，用于根据所述订单的退货率确定所述订单退货运费险保单的出险率；

保费定价单元，用于按照所述出险率对所述订单退货运费险保单的保费定价。

12.根据权利要求7所述的装置，其特征在于，所述第一退货率关联指标包括以下的至少一项：买家历史退货率、卖家历史退货率、卖家信用、商品历史退货率、商品所属行业历史退货率。