CN110009154A - 一种退款预测方法、装置、终端设备及存储介质 - Google Patents
一种退款预测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110009154A CN110009154A CN201910274097.8A CN201910274097A CN110009154A CN 110009154 A CN110009154 A CN 110009154A CN 201910274097 A CN201910274097 A CN 201910274097A CN 110009154 A CN110009154 A CN 110009154A
- Authority
- CN
- China
- Prior art keywords
- reimbursement
- prediction
- parameter
- model
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种退款预测方法、装置、终端设备及存储介质。其中方法包括:获取待预测订单中用于进行退款预测的参数;将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。基于上述技术方案,可在用于未实际进行退款操作之前,预测各个订单的退款情况,便于运输人员或者商品卖家提前进行退款相应的准备操作,避免在接到实际退款操作时,无法及时补救导致损失。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种退款预测方法、装置、终端设备及存储介质。
背景技术
随着电商行业的快速发展,被用户广泛接受,物流行业也随着电商行业的兴起而快速发展。
用户在通过电商平台购买商品后,对于购买的商品不满意时可进行退款退货操作,其中,因物流原因导致的退款退货操作需有物流公司向卖家提供理赔,为了降低理赔风险,物流公司可通过投保的方式为每一个订单物流购买保险,以在存在退款退货操作时获得相应的保障。但是,目前物流公司无法预测每一个订单的退款情况,无法准确的进行投保。
发明内容
本发明实施例提供一种退款预测方法、装置、终端设备及存储介质,以实现对订单的退款情况进行预测。
第一方面,本发明实施例提供了一种退款预测方法,包括:
获取待预测订单中用于进行退款预测的参数;
将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的
第二方面,本发明实施例还提供了一种退款预测装置,该装置包括:
参数获取模块,用于获取待预测订单中用于进行退款预测的参数;
退款预测结果确定模块,用于将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。
第三方面,本发明实施例还提供了计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如任意实施例提供的退款预测方法。
第四方面,本发明实施例还提供了一种终端设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如任意实施例提供的退款预测方法。
本发明实施例的技术方案,通过预先训练的用于退款预测的目标退款预测模型,对待预测订单的参数进行处理,得到退款预测结果。通过上述方案,可在用于未实际进行退款操作之前,预测各个订单的退款情况,便于运输人员或者商品卖家提前进行退款相应的准备操作,避免在接到实际退款操作时,无法及时补救导致损失。
附图说明
图1是本发明实施例一提供的一种退款预测方法的流程示意图;
图2是本发明实施例二提供的一种退款预测方法的流程示意图;
图3是本发明实施例二提供的第一退款预测模型的示意图;
图4是本发明实施例三提供的一种退款预测方法的流程示意图;
图5是本发明实施例四提供的一种退款预测装置的结构示意图;
图6是本发明实施例五提供的一种终端设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种退款预测方法的流程示意图,本实施例可适用于对物流运输的物品进行退款预测的情况,该方法可以由本发明实施例提供的退款预测装置来执行,具体包括如下步骤:
S110、获取待预测订单中用于进行退款预测的参数。
S120、将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。
其中,待预测订单为进行物流运输的物品订单,本实施例是通过预先训练完成的目标退款预测模型对待预测订单的退款情况进行预测,便于根据退款预测结果进行后续处理。目标退款预测模型为根据预设订单样本进行训练得到的,具有退款预测功能的模型。在本实施例中,目标退款预测模型可以是由多个弱分类器组成的强分类器,例如提升树模型或者回归述模型,可选的,目标退款预测模型可以为XgBoost模型。在一些实施例中,目标退款预测模型可以是深度学习网络模型,例如卷积神经网络模型等。
本实施例中,通过建立待训练的退款预测模型,采集大量订单样本,每一个订单样本中可以是包括多个订单样本参数,基于订单样本对待训练的退款预测模型的迭代训练,在上述训练过程中,从多个订单样本参数中删除对退款预测的无效参数,确定用于进行退款预测的参数,即模型参数。可选的,所述订单样本参数包括至少一个商品参数、至少一个物流参数、至少一个买家参数和至少一个卖家参数。在确定模型参数的过程中,适应性地调整退款预测模型的模型结构,当通过训练得到的退款预测模型的预测精度达到预设精度时,将经过训练得到的退款预测模型确定为目标退款预测模型,基于该目标退款预测模型对待预测订单进行退款预测,同时将该目标退款预测模型需求的参数确定最终的模型参数。
每一个待预测订单中包括多个订单参数,从多个订单参数中筛选用于进行退款预测的参数,其中,用于进行退款预测的参数的数量小于或等于待预测订单的全部订单参数的数量。相应的,用于进行退款预测的参数为从上述订单参数中筛选的,可以是包括商品参数、物流参数、买家参数和卖家参数,示例性的,用于进行退款预测的商品参数可以包括平均商品售价、平均商品运费、平均商品评分、是否为热销产品、产品原因退款率、平均重量、商品子类别和心理价差落差率,其中,平均商品售价、平均商品运费、平均商品评分、是否为热销产品、产品原因退款率可以是根据第一预设时长(例如可以是30天)出售商品的相关参数确定,心理价差落差率可以同一类商品中最高价和最低价的差价。用于进行退款预测的物流参数可以包括第二预设时长(例如可以是过去60天)中物流原因退款率、第三预设时长(例如可以是过去30天)中物流原因退款率、揽收时效中位数、揽收时效九十位数、妥投时效中位数、妥投时效九十位数、渠道货量处理能力和目的地址。用于进行退款预测的卖家参数可以包括平均客单价分位数、延时确定订单率、平均回款时效、罚款占总销售额占比、承受罚款的能力、资金周转效率、上架产品数和月销售额增长率。用于进行退款预测的买家参数可以包括历史消费水平、银行信用分数、历史退款率和平台账户余额。
可选的,将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,包括:对所述用于进行退款预测的参数进行数据化处理,将数据化处理后的参数转换为符合所述目标退款预测模型输入格式的参数矩阵;将所述参数矩阵输入至所述目标退款预测模型,得到所述目标退款预测模型的输出结果;根据所述输出结果与预设退款信息的映射关系,确定所述待预测订单物流原因的预测退款信息。由于上述用于进行退款预测的参数中部分参数为数值参数,部分参数为非数值参数,例如买家参数中的目的地址可以是美国纽约,目标退款预测模型无法直接对非数值参数进行处理,对获取的参数进行数值化处理,将处理后的数据根据预设规则转换为参数矩阵,将得到的参数矩阵输入至目标退款预测模型,以使目标退款预测模型对待预测订单进行退款预测。其中,预设规则中可以是包括各参数的预设数据格式(预设数据格式根据目标退款预测模型的可处理数据格式确定)以及在矩阵中的位置,将不符合预设数据格式的参数进行格式转换,并将符合预设数据格式的参数添加至矩阵中对应位置,生成参数矩阵。本实施例中,参数矩阵的形式根据目标退款预测模型确定,对此不作限定。目标退款预测模型对输入的参数矩阵进行处理,例如,当目标退款预测模型为卷积神经网络模型时,对输入参数进行多次卷积处理,以得到输出结果;当目标退款预测模型为XgBoost模型时,基于XgBoost模型中的各个弱分类器依次对参数矩阵的数据进行分类和判断,得到输出结果。本实施例中,目标退款预测模型的输出结果为一位(one-hot)输出向量,示例性的,输出结果可以是但不限于1或0。终端设备中存储有输出结果与预设退款信息的映射关系,例如,当输出结果为1时,预设退款信息为退款,当输出结果为0时,预设退款信息为未退款。根据目标退款预测模型的输出结果,以及该目标结果对应的预设退款信息,可得到该待预测订单的退款预测结果。
在一些实施例中,根据用户需要,经过训练得到的目标退款预测模型具有预测订单是否因物流原因退款的功能,相应的,在目标退款预测模型训练过程中确定的模型参数为用于物流原因退款预测的参数,同时确定该目标退款预测模型的模型结构。相应的,步骤110为获取待预测订单中用于进行物流原因退款预测的参数,步骤S120为将所述用于进行物流原因退款预测的参数输入至具有预测订单是否因物流原因退款功能的目标退款预测模型,根据上述目标退款预测模型的输出结果确定所述待预测订单的因物流原因退款预测结果。其中,根据输出结果与预设退款信息的映射关系,当输出结果为1时,预设退款信息为因物流原因退款,当输出结果为0时,预设退款信息为未因物流原因退款。需要说明的是,未因物流原因退款包括未退款和因非物流原因(例如产品原因)退款两种情况。根据目标退款预测模型的输出结果,以及该目标结果对应的预设退款信息,可得到该待预测订单的物流原因退款预测结果。
本实施例的技术方案,通过预先训练用于退款预测的目标退款预测模型,对待预测订单的参数进行处理,得到退款预测结果。通过上述方案,可在用于未实际进行退款操作之前,预测各个订单的退款情况,便于运输人员或者商品卖家提前进行退款相应的准备操作,避免在接到实际退款操作时(尤其是在存在大量订单的情况下),无法及时补救导致损失。
在上述实施例的基础上,在步骤S120之后还包括:统计第二预设时间段内各个订单的退款预测结果,根据所述退款预测结果确定订单的保费,其中,各个订单的保费之和大于或等于退款订单的理赔费用之和。
统计在第二预设时间中各个订单的退款预测结果,基于该退款预测结果和保费确定规则,适应性地确定订单的保费,该退款预测结果为确定保费提高了参考依据,提高了订单保费的准确度。其中,第二预设时间段可以是30天、10天或者一个星期等,可根据用户需求设置。
可选的,根据如下公式确定订单的保费:
其中,n为第二预设时间段内订单数量,P为订单保费,yi为基于目标退款预测模型得到的退款预测结果,yi可以是1或0,分别表征退款和未被退款,mlp为商品价格和运输费用之和,L为退款比率,示例性的,L可以是70%。
在本实施例中,通过E≥0,确定P的最小值,将该最小值确定为订单保费。通过实际处理的订单的参数进行退款预测,得到各个订单的退款预测结果,进一步根据各个订单的退款预测结果确定订单保费,替代了现有技术中基于经验值确定的订单保费的情况,提高了订单保费的准确度,降低用户的损失。
实施例二
图2是本发明实施例二提供的一种退款预测方法的流程示意图,在上述实施例的基础上,提供的目标退款预测模型的训练方法,具体包括如下步骤:
S210、获取第一预设时间段内的订单样本,并建立第一退款预测模型。
其中,所述订单样本包括各个订单的订单样本参数和所述各个订单的物流原因的实际退款信息。
第一预设时间段可以是当前时间之前的120天-60天的时间段,在该时间段中接收到订单中物品的买家已充分完成对该订单的处理,其中,对订单的处理包括退款处理和确定收货且无需退款。统计订单样本中各个订单的订单样本参数,以及物流原因的实际退款信息,其中,对于任意订单,当未进行退款时,确定该订单的实际退款信息为未因物流原因退款;当存在退款操作时,获取该订单退款原因,判断该退款操作是否为物流原因导致的,若是,则确定该订单的实际退款信息为因物流原因退款,若否,则确定订单的实际退款信息为未因物流原因退款。
可选的,获取第一预设时间段内的订单样本,包括:获取第一预设时间段内各个订单的订单样本参数;将所述订单样本参数中的非数值参数进行数值化处理;根据数值化处理后的订单样本参数确定所述各个订单的参数矩阵。具体的,终端设备中存储有非数值参数和数值参数的预设映射关系,根据所述非数值参数的预设映射关系,将所述非数值参数转换为对应的数值参数。示例性的。对于目的地址参数,终端设备中存储有城市-数值参数的预设映射关系,例如美国纽约-032,美国洛杉矶-048等,当目的地址属于美国纽约时,可将该目的地址参数转换为032。将数值化处理后的订单样本参数根据预设规则转换为参数矩阵,将得到的参数矩阵输入至目标退款预测模型。其中,预设转换规则中可以是包括各参数的预设数据格式以及在矩阵中的位置,将不符合预设数据格式的参数进行格式转换,并将符合预设数据格式的参数添加至矩阵中对应位置,生成参数矩阵。
可选的,建立第一退款预测模型,包括:建立每一种订单样本参数分别对应的分类模型;根据预设模型结构将所述每一种订单样本参数的分类模型进行连接,并设置所述每一种订单样本参数的分类模型的初始权重和分类阈值,形成所述第一退款预测模型。在本实施例中,为每一种订单样本参数建立一个分类模型,例如可以是引入一个弱分类器,用于对该订单样本参数的数值进行分类。预设模型结构中包括各种订单样本参数的判断顺序和各个订单样本参数的分类模型的连接方式,根据预设模型结构将每一种订单样本参数的分类模型进行连接,形成第一退款预测模型,其中,第一退款预测模型中包括分类模型的初始权重和分类阈值,可选的,各个分类模型的初始权重和分类阈值可以是相同的,还可以是根据用户输入数值确定。示例性的,参见图3,图3是本发明实施例二提供的第一退款预测模型的示意图。需要说明的是,图3仅是一个模型示意图,本实施例中的第一退款预测模型包括订单样本中的全部订单样本参数的分类模型。
S220、根据所述订单样本对所述第一退款预测模型进行训练,生成所述目标退款预测模型。其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。
本实施例中,通过大量的订单样本对第一退款预测模型进行迭代训练,具体的,对于所述订单样本中包含的各个订单,将当前订单的订单样本参数处理后得到的参数矩阵输入至所述第一退款预测模型,得到所述当前订单的物流原因的预测退款信息;其中,当前订单的物流原因的预测退款信息可以包括因物流原因的退款(输出结果为1)的第一概率和未因物流原因退款(输出结果为0)的第二概率,其中,第一概率和第二概率的和为1,当第一概率大于第二概率时,确定当前订单的物流原因的预测退款信息为因物流原因退款,当第二概率大于第一概率时,确定当前订单的物流原因的预测退款信息为未因物流原因退款。当输出结果中第一概率为30%,第二概率为70%,可确定预测退款信息为未因物流原因的退款,当所述预测退款信息与所述当前订单对应的实际退款信息不同时,确定损失值,示例性的,实际退款信息为因物流原因的退款,可知损失值为70%,根据损失值调节调节第一退款预测模型中每一种订单样本参数对应的分类模型的当前权重和分类阈值。在调节完成后,将下一订单的订单样本参数输入至经过上述调节的第一退款预测模型中,循环进行上述训练,至少退款预测精度达到预定精度,生成所述目标退款预测模型。
需要说明的是,根据订单样本中的大量订单循环执行步骤S220直到目标退款预测模型训练完成。在执行步骤S210之前判断终端设备中是否存在已训练完成的目标退款预测模型,若是,则直接执行步骤S230,若否,则执行步骤S210建立并训练目标退款预测模型。
S230、获取待预测订单中用于进行退款预测的参数。
S240、将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果。
本实施例中,通过建立并训练目标退款预测模型,可通过目标退款预测模型快速准确地对待预测订单进行退款预测,使得用户根据退款预测进行退款的应当操作提供参考依据,降低损失风险。
实施例三
图4是本发明实施例二提供的一种退款预测方法的流程示意图,在上述实施例的基础上,对目标退款预测模型的训练方法进行优化,具体包括如下步骤:
S310、获取第一预设时间段内的订单样本,其中,所述订单样本包括各个订单的订单样本参数和所述各个订单的物流原因的实际退款信息。
S320、建立每一种订单样本参数分别对应的分类模型,根据预设模型结构将所述每一种订单样本参数的分类模型进行连接,并设置所述每一种订单样本参数的分类模型的初始权重和分类阈值,形成所述第一退款预测模型并建立第一退款预测模型。
S330、对于所述订单样本中包含的各个订单,将当前订单的订单样本参数输入至所述第一退款预测模型,得到所述当前订单的物流原因的预测退款信息。
S340、当所述预测退款信息与所述当前订单对应的实际退款信息不同时,迭代调节所述第一退款预测模型中每一种订单样本参数对应的分类模型的当前权重和分类阈值。
S350、根据调节后第一退款预测模型中各种订单样本参数对应的分类模型的权重,从各种订单样本参数中确定待定参数。
在本实施例中,基于订单样本循环执行步骤S330和步骤S340,对第一退款预测模型中的各个订单样本参数对应的分类模型的当前权重和分类阈值进行调节。在第一退款预测模型的预测精度无法提高时,执行步骤S350,确定第一退款预测模型各种订单样本参数对应的分类模型的当前权重,并从上述订单样本参数中确定待定参数。其中,对该待定参数进行校验,若通过校验确定待定参数为退款预测无效参数,则从上述订单样本参数中删除待定参数。
可选的,根据调节后第一退款预测模型中各个订单样本参数的分类模型的权重,确定待定参数,包括:将调节后第一退款预测模型中当前权重最小的分类模型对应的订单样本参数确定为所述待定参数。可选的,根据调节后第一退款预测模型中各个订单样本参数的分类模型的权重,确定待定参数,包括将调节后第一退款预测模型中当前权重小于预设阈值的分类模型对应的订单样本参数确定为所述待定参数。其中预设阈值可以是根据用户需要设置。
S360、基于所述待定参数调节所述第一退款预测模型的模型结构,生成第二退款预测模型,对所述第二退款预测模型进行训练;
在本实施例中,去除第一退款预测模型中待定参数对应的分类模型,形成具有新的模型结构的第二退款预测模型,可以是基于步骤S330和步骤S340的训练方法对第二退款预测模型进行训练。其中,对第二退款预测模型进行训练的订单样本可以是与对第一退款预测模型进行训练的订单样本可以是不同的。
可选的,所述待定参数为至少一个,相应的,可形成至少一个第二退款预测模型。基于所述待定参数调节所述第一退款预测模型的模型结构,生成第二退款预测模型,包括:根据所述待定参数对应的分类模型的当前权重,删除所述第一退款预测模型中的一个或多个待定参数对应的分类模型,形成至少一个第二退款预测模型。示例性的,待定参数包括第一待定参数和第二待定参数,确定各待定参数对应的分类模型的当前权重,示例性的,第一待定参数的当前权重大于第二待定参数的当前权重时,在第一退款预测模型中删除当前权重最小的待定参数(即第一待定参数)对应的分类模型,形成一个第二退款预测模型;在第一退款预测模型中删除当前权重最小和次小的待定参数(即第一待定参数和第二待定参数)对应的分类模型,形成另一个第二退款预测模型。同理,当待定参数为两个以上时,依次类推,得到多个第二退款预测模型。在本实施例中,根据待定参数对应的分类模型的当前权重,依次删除权重最小的分类模型,形成多个第二退款预测模型,便于确定每一个待定参数对退款预测的影响,进一步提高模型参数的筛选准确度。需要说明的是,生成的第二退款预测模型中携带有各分类模型已训练得到的权重和分类阈值,在上述权重和分类阈值的基础上继续对第二退款预测模型进行训练,提高第二退款预测模型的训练效率。
可选的,基于所述待定参数调节所述第一退款预测模型的模型结构,生成第二退款预测模型,包括:在各种订单样本参数中删除一个或多个待定参数,基于删除所述待定参数后的订单样本参数建立至少一个第二退款预测模型。当待定参数为两个或两个以上时,在全部订单样本参数中随机删除一个或多个待定参数,形成新的多个参数组合,基于每一个新的参数组合建立一个第二退款预测模型。例如可以是基于步骤S310至步骤S340的方法建立并训练第二退款预测模型。
S370、根据所述第一退款预测模型和所述第二退款预测模型的预测精度确定目标退款预测模型。
本实施例中,通过形成第二退款预测模型,并根据第二退款预测模型的预测精度对待定参数进行验证,当第二退款预测模型的预测精度大于第一退款预测模型的预测精度时,可确定待定参数对退款预测无效,且是退款预测的干扰因素,反之,当第一退款预测模型的预测精度大于第二退款预测模型的预测精度时,确定待定参数为退款预测的有效参数。
可选的,所述预测精度包括预测准确率、预测假阴率和预测假阳率,其中,所述预测假阴率为预测结果为因物流原因退款的准确率,所述预测假阳率为预测结果为未因物流原因退款的准确率。示例性的,预测退款信息为未因物流原因退款,实际退款信息为因物流原因退款,则预测假阴率增大,当预测退款信息为因物流原因退款,实际退款信息为未因物流原因退款,则预测假阳率增大。可选的,根据所述第一退款预测模型和所述第二退款预测模型的预测精度确定目标退款预测模型,包括:当所述第一退款预测模型和所述第二退款预测模型的预测准确率不同时,将所述预测准确率最大的退款预测模型确定为所述目标退款预测模型;当所述第一退款预测模型和所述第二退款预测模型的预测准确率相同时,将所述预测假阴率最小的退款预测模型确定为所述目标退款预测模型。在本实施例中,根据预测准确率、预测假阴率和预测假阳率的顺序选择目标退款预测模型。示例性的,优先选择预测准确率高的退款预测模型作为目标退款预测模型,当预测准确率相同时,例如第一退款预测模型的预测准确率、预测假阴率和预测假阳率分别为80%、10%和10%,第二退款预测模型的预测准确率、预测假阴率和预测假阳率分别80%、5%和15%,选择预测假阴率较小的第二退款预测模型作为目标退款预测模型。
需要说明的是,当存在至少两个第二退款预测模型时,将至少两个第二退款预测模型、第一退款预测模型进行预测精度的比对,确定预测准确率最大,以及预测假阴率最小的退款预测模型作为目标退款预测模型,降低目标退款预测模型的预测假阴率,减少未预测到的退款订单,以减少预测误差导致的损失。
本实施例中,在确定目标退款预测模型之后,将所述目标退款预测模型中包括的参数确定为用于进行退款预测的参数,便于后续进行退款预测时,获取用于进行退款预测的参数。
S380、获取待预测订单中用于进行退款预测的参数,将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果。
本实施例提供的技术方案,在第一退款预测模型训练完成后,基于训练完成的第一退款预测模型在的各订单样本参数对应的分类模型的权重,确定待定参数,并建立信息的不包含待定参数对应分类模型的第二退款预测模型,根据第一退款预测模型和第二退款预测模型的预测精度确定目标退款预测模型,以及目标退款预测模型包含的模型参数。通过第一退款预测模型和第二退款预测模型的比对,对待定参数进行验证,删除无效参数,准确确定模型参数,提高目标退款预测模型的预测精度。
实施例四
图5是本发明实施例提供的一种退款预测装置的结构示意图,该退款预测装置包括参数获取模块410和退款预测结果确定模块420,其中:
参数获取模块410,用于获取待预测订单中用于进行退款预测的参数;
退款预测结果确定模块420,用于将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。
可选的,所述装置还包括:
订单样本获取模块,用于获取第一预设时间段内的订单样本,
第一退款预测模型建立模块,用于建立第一退款预测模型,其中,所述订单样本包括各个订单的订单样本参数和所述各个订单的物流原因的实际退款信息;
目标退款预测模型训练模块,用于根据所述订单样本对所述第一退款预测模型进行训练,生成所述目标退款预测模型。
可选的,第一退款预测模型建立模块包括:
订单样本参数获取单元,用于获取第一预设时间段内各个订单的订单样本参数;
参数处理单元,用于将所述订单样本参数中的非数值参数进行数值化处理;
参数矩阵确定单元,用于根据数值化处理后的订单样本参数确定所述各个订单的参数矩阵。
可选的,参数处理单元用于根据所述非数值参数的预设映射关系,将所述非数值参数转换为对应的数值参数。
可选的,第一退款预测模型建立模块包括:
分类模型建立单元,用于建立每一种订单样本参数分别对应的分类模型;
第一退款预测模型建立单元,用于根据预设模型结构将所述每一种订单样本参数的分类模型进行连接,并设置所述每一种订单样本参数的分类模型的初始权重和分类阈值,形成所述第一退款预测模型。
可选的,目标退款预测模型训练模块包括:
预测退款信息确定单元,用于对于所述订单样本中包含的各个订单,将当前订单的订单样本参数输入至所述第一退款预测模型,得到所述当前订单的物流原因的预测退款信息;
目标退款预测模型生成单元,用于当所述预测退款信息与所述当前订单对应的实际退款信息不同时,迭代调节所述第一退款预测模型中每一种订单样本参数对应的分类模型的当前权重和分类阈值,生成所述目标退款预测模型。
可选的,目标退款预测模型生成单元包括:
待定参数确定子单元,用于根据调节后第一退款预测模型中各种订单样本参数对应的分类模型的权重,从各种订单样本参数中确定待定参数;
第二退款预测模型生成子单元,用于基于所述待定参数调节所述第一退款预测模型的模型结构,生成第二退款预测模型,对所述第二退款预测模型进行训练;
目标退款预测模型确定子单元,用于根据所述第一退款预测模型和所述第二退款预测模型的预测精度确定目标退款预测模型。
可选的,待定参数确定子单元用于:将调节后第一退款预测模型中当前权重最小的分类模型对应的订单样本参数确定为所述待定参数;或者,
将调节后第一退款预测模型中当前权重小于预设阈值的分类模型对应的订单样本参数确定为所述待定参数。
可选的,所述待定参数为至少一个;
相应的,第二退款预测模型生成子单元用于:根据所述待定参数对应的分类模型的当前权重,删除所述第一退款预测模型中的一个或多个待定参数对应的分类模型,形成至少一个第二退款预测模型;或者,
在各种订单样本参数中删除一个或多个待定参数,基于删除所述待定参数后的订单样本参数建立至少一个第二退款预测模型。
可选的,所述预测精度包括预测准确率、预测假阴率和预测假阳率,其中,所述预测假阴率为预测结果为因物流原因退款的准确率,所述预测假阳率为预测结果为未因物流原因退款的准确率;
相应的,目标退款预测模型确定子单元,用于当所述第一退款预测模型和所述第二退款预测模型的预测准确率不同时,将所述预测准确率最大的退款预测模型确定为所述目标退款预测模型;
当所述第一退款预测模型和所述第二退款预测模型的预测准确率相同时,将所述预测假阴率最小的退款预测模型确定为所述目标退款预测模型。
可选的,所述装置还包括:
模型参数确定模块,用于将所述目标退款预测模型中包括的参数确定为用于进行退款预测的参数。
可选的,所述目标退款预测模型为XgBoost模型。
可选的,所述订单样本参数包括至少一个商品参数、至少一个物流参数、至少一个买家参数和至少一个卖家参数。
可选的,退款预测结果确定模块420用于:
对所述用于进行退款预测的参数进行数据化处理,将数据化处理后的参数转换为符合所述目标退款预测模型输入格式的参数矩阵;
将所述参数矩阵输入至所述目标退款预测模型,得到所述目标退款预测模型的输出结果;
根据所述输出结果与预设退款信息的映射关系,确定所述待预测订单物流原因的预测退款信息。
可选的,所述装置还包括:
保费确定模块,用于统计第二预设时间段内各个订单的退款预测结果,根据所述退款预测结果确定订单的保费,其中,各个订单的保费之和大于或等于退款订单的理赔费用之和。
实施例五
图6为本发明实施例五提供的一种终端设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性终端设备500的框图。图6显示的终端设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,终端设备500以通用计算设备的形式表现。终端设备500的组件可以包括但不限于:一个或者多个处理器或者处理单元501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
终端设备500典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端设备500访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。终端设备500可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统506可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
终端设备500也可以与一个或多个外部设备509(例如键盘、指向设备、显示器512等)通信,还可与一个或者多个使得用户能与该终端设备500交互的设备通信,和/或与使得该终端设备500能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口510进行。并且,终端设备500还可以通过网络适配器511与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器511通过总线503与终端设备500的其它模块通信。应当明白,尽管图中未示出,可以结合终端设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的退款预测方法。
所述方法包括:
获取待预测订单中用于进行退款预测的参数;
将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。
实施例六
本发明实施例六提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的退款预测方法。所述方法包括:
获取待预测订单中用于进行退款预测的参数;
将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种退款预测方法,其特征在于,包括:
获取待预测订单中用于进行退款预测的参数;
将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。
2.根据权利要求1所述的方法,其特征在于,所述目标退款预测模型的训练方法,包括:
获取第一预设时间段内的订单样本,并建立第一退款预测模型,其中,所述订单样本包括各个订单的订单样本参数和所述各个订单的物流原因的实际退款信息;
根据所述订单样本对所述第一退款预测模型进行训练,生成所述目标退款预测模型。
3.根据权利要求2所述的方法,其特征在于,建立第一退款预测模型,包括:
建立每一种订单样本参数分别对应的分类模型;
根据预设模型结构将所述每一种订单样本参数的分类模型进行连接,并设置所述每一种订单样本参数的分类模型的初始权重和分类阈值,形成所述第一退款预测模型。
4.根据权利要求3所述的方法,其特征在于,根据所述订单样本对所述第一退款预测模型进行训练,生成所述目标退款预测模型,包括:
对于所述订单样本中包含的各个订单,将当前订单的订单样本参数输入至所述第一退款预测模型,得到所述当前订单的物流原因的预测退款信息;
当所述预测退款信息与所述当前订单对应的实际退款信息不同时,迭代调节所述第一退款预测模型中每一种订单样本参数对应的分类模型的当前权重和分类阈值,生成所述目标退款预测模型。
5.根据权利要求4所述的方法,其特征在于,生成所述目标退款预测模型,包括:
根据调节后第一退款预测模型中各种订单样本参数对应的分类模型的权重,从各种订单样本参数中确定待定参数;
基于所述待定参数调节所述第一退款预测模型的模型结构,生成第二退款预测模型,对所述第二退款预测模型进行训练;
根据所述第一退款预测模型和所述第二退款预测模型的预测精度确定目标退款预测模型。
6.根据权利要求5所述的方法,其特征在于,所述预测精度包括预测准确率和预测假阴率,其中,所述预测假阴率为预测结果为因物流原因退款的准确率;
相应的,根据所述第一退款预测模型和所述第二退款预测模型的预测精度确定目标退款预测模型,包括:
当所述第一退款预测模型和所述第二退款预测模型的预测准确率不同时,将所述预测准确率最大的退款预测模型确定为所述目标退款预测模型;
当所述第一退款预测模型和所述第二退款预测模型的预测准确率相同时,将所述预测假阴率最小的退款预测模型确定为所述目标退款预测模型。
7.根据权利要求1-6任一所述的方法,其特征在于,将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,包括:
对所述用于进行退款预测的参数进行数据化处理,将数据化处理后的参数转换为符合所述目标退款预测模型输入格式的参数矩阵;
将所述参数矩阵输入至所述目标退款预测模型,得到所述目标退款预测模型的输出结果;
根据所述输出结果与预设退款信息的映射关系,确定所述待预测订单物流原因的预测退款信息。
8.一种退款预测装置,其特征在于,包括
参数获取模块,用于获取待预测订单中用于进行退款预测的参数;
退款预测结果确定模块,用于将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型,根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果,其中,所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的退款预测方法。
10.一种终端设备,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的退款预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274097.8A CN110009154B (zh) | 2019-04-03 | 2019-04-03 | 一种退款预测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274097.8A CN110009154B (zh) | 2019-04-03 | 2019-04-03 | 一种退款预测方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009154A true CN110009154A (zh) | 2019-07-12 |
CN110009154B CN110009154B (zh) | 2023-05-30 |
Family
ID=67170207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910274097.8A Active CN110009154B (zh) | 2019-04-03 | 2019-04-03 | 一种退款预测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009154B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288361A (zh) * | 2020-10-28 | 2021-01-29 | 上海寻梦信息技术有限公司 | 订单物流时效管理方法、系统、设备及存储介质 |
CN112837109A (zh) * | 2019-11-25 | 2021-05-25 | 北京京东振世信息技术有限公司 | 一种信息显示方法、装置、设备和存储介质 |
US11120498B2 (en) | 2019-08-16 | 2021-09-14 | Coupang Corp. | Computer-implemented systems and methods for real-time risk-informed return item collection using an automated kiosk |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001039029A2 (en) * | 1999-11-22 | 2001-05-31 | Accenture Llp | Collaborative capacity planning and reverse inventory management during demand and supply planning in a network-based supply chain environment and method thereof |
EP1215606A1 (en) * | 2000-12-13 | 2002-06-19 | Itt Manufacturing Enterprises, Inc. | Supply management system |
US20080249658A1 (en) * | 2004-06-16 | 2008-10-09 | Walker Jay S | Products and Processes for Addressing a Customer Service Issue |
US20100312676A1 (en) * | 2009-06-09 | 2010-12-09 | Ebay Inc. | Progressive categoration and treatment of refund abusers |
KR20120013565A (ko) * | 2010-08-05 | 2012-02-15 | 주식회사 리치에스엔에스 | 수익예측에 근거한 대가 환불 방식의 증권 정보 제공 시스템 및 방법 |
EP2693375A1 (en) * | 2012-08-02 | 2014-02-05 | Amadeus S.A.S. | Method and system providing inventory optimization for disrupted customers |
CN105574599A (zh) * | 2014-10-09 | 2016-05-11 | 阿里巴巴集团控股有限公司 | 估算订单退货率的方法及装置 |
US20160148226A1 (en) * | 2014-11-21 | 2016-05-26 | Oracle International Corporation | System and method for forecasting and managing returned merchanidse in retail |
CN106101220A (zh) * | 2016-06-12 | 2016-11-09 | 努比亚技术有限公司 | 信息同步方法及装置、信息同步处理系统 |
CN107274191A (zh) * | 2017-05-12 | 2017-10-20 | 南京邮电大学 | 一种基于销售方的网络购物退货预测系统 |
CN107563816A (zh) * | 2017-09-08 | 2018-01-09 | 携程计算机技术(上海)有限公司 | 电子商务网站的用户流失的预测方法及系统 |
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN108510096A (zh) * | 2017-02-24 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 商户流失预测方法、装置、设备及存储介质 |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN108805727A (zh) * | 2018-05-31 | 2018-11-13 | 北京京东金融科技控股有限公司 | 用于数据处理的方法及装置 |
CN109409856A (zh) * | 2017-08-18 | 2019-03-01 | 阿里巴巴集团控股有限公司 | 退款信息处理方法及装置 |
-
2019
- 2019-04-03 CN CN201910274097.8A patent/CN110009154B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001039029A2 (en) * | 1999-11-22 | 2001-05-31 | Accenture Llp | Collaborative capacity planning and reverse inventory management during demand and supply planning in a network-based supply chain environment and method thereof |
EP1215606A1 (en) * | 2000-12-13 | 2002-06-19 | Itt Manufacturing Enterprises, Inc. | Supply management system |
US20080249658A1 (en) * | 2004-06-16 | 2008-10-09 | Walker Jay S | Products and Processes for Addressing a Customer Service Issue |
US20100312676A1 (en) * | 2009-06-09 | 2010-12-09 | Ebay Inc. | Progressive categoration and treatment of refund abusers |
KR20120013565A (ko) * | 2010-08-05 | 2012-02-15 | 주식회사 리치에스엔에스 | 수익예측에 근거한 대가 환불 방식의 증권 정보 제공 시스템 및 방법 |
EP2693375A1 (en) * | 2012-08-02 | 2014-02-05 | Amadeus S.A.S. | Method and system providing inventory optimization for disrupted customers |
CN105574599A (zh) * | 2014-10-09 | 2016-05-11 | 阿里巴巴集团控股有限公司 | 估算订单退货率的方法及装置 |
US20160148226A1 (en) * | 2014-11-21 | 2016-05-26 | Oracle International Corporation | System and method for forecasting and managing returned merchanidse in retail |
CN106101220A (zh) * | 2016-06-12 | 2016-11-09 | 努比亚技术有限公司 | 信息同步方法及装置、信息同步处理系统 |
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN108510096A (zh) * | 2017-02-24 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 商户流失预测方法、装置、设备及存储介质 |
CN107274191A (zh) * | 2017-05-12 | 2017-10-20 | 南京邮电大学 | 一种基于销售方的网络购物退货预测系统 |
CN109409856A (zh) * | 2017-08-18 | 2019-03-01 | 阿里巴巴集团控股有限公司 | 退款信息处理方法及装置 |
CN107563816A (zh) * | 2017-09-08 | 2018-01-09 | 携程计算机技术(上海)有限公司 | 电子商务网站的用户流失的预测方法及系统 |
CN108805727A (zh) * | 2018-05-31 | 2018-11-13 | 北京京东金融科技控股有限公司 | 用于数据处理的方法及装置 |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
Non-Patent Citations (2)
Title |
---|
嵩聚星: "《某电商平台退款系统及退款预测模型的设计与实现》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
翁莹晶;冯慧斌;: "基于BP神经网络的网店销售预测模型研究", 闽江学院学报 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11120498B2 (en) | 2019-08-16 | 2021-09-14 | Coupang Corp. | Computer-implemented systems and methods for real-time risk-informed return item collection using an automated kiosk |
TWI748564B (zh) * | 2019-08-16 | 2021-12-01 | 南韓商韓領有限公司 | 基於即時風險決策來收集退還物件的資訊站、方法及系統 |
TWI778848B (zh) * | 2019-08-16 | 2022-09-21 | 南韓商韓領有限公司 | 基於即時風險決策來收集退還物件的自動資訊站及方法 |
CN112837109A (zh) * | 2019-11-25 | 2021-05-25 | 北京京东振世信息技术有限公司 | 一种信息显示方法、装置、设备和存储介质 |
CN112288361A (zh) * | 2020-10-28 | 2021-01-29 | 上海寻梦信息技术有限公司 | 订单物流时效管理方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110009154B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
CN108648074A (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
CN110009154A (zh) | 一种退款预测方法、装置、终端设备及存储介质 | |
CN106355391A (zh) | 一种业务处理方法及装置 | |
CN104965844A (zh) | 信息处理方法及装置 | |
CN107248222A (zh) | 一种售货方法、装置 | |
CN107346509A (zh) | 产品及其组合定价推送方法及装置、电子设备、存储介质 | |
CN110349000A (zh) | 基于用户分群的提额策略确定方法、装置和电子设备 | |
CN107153880B (zh) | 一种调拨采购方法、装置和设备 | |
CN110348727A (zh) | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 | |
CN104834731A (zh) | 一种自媒体信息的推荐方法及装置 | |
CN108550090A (zh) | 一种确定房源价格信息的处理方法及系统 | |
CN107256465A (zh) | 风险账户的识别方法及装置 | |
CN108228463A (zh) | 用于检测首屏时间的方法和装置 | |
CN107479882A (zh) | 投保页面的生成方法、生成装置、介质及电子设备 | |
CN110097450A (zh) | 车贷风险评估方法、装置、设备和存储介质 | |
CN110046986A (zh) | 基于大数据的借款逾期客户分群方法及装置 | |
CN110009379A (zh) | 一种选址模型构建和选址方法、装置及设备 | |
CN110009474A (zh) | 一种信用风险评估方法、装置和电子设备 | |
CN108510096A (zh) | 商户流失预测方法、装置、设备及存储介质 | |
CN108647818A (zh) | 一种预测企业涉税风险的方法及装置 | |
CN110415103A (zh) | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 | |
CN110020662A (zh) | 用户分类模型的训练方法和装置 | |
CN110349035A (zh) | 业务处理系统以及方法 | |
CN110033123A (zh) | 用于业务评估的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |