CN110991907A - 一种基于有限状态自动机的订单服务质量评估方法 - Google Patents

一种基于有限状态自动机的订单服务质量评估方法 Download PDF

Info

Publication number
CN110991907A
CN110991907A CN201911238269.2A CN201911238269A CN110991907A CN 110991907 A CN110991907 A CN 110991907A CN 201911238269 A CN201911238269 A CN 201911238269A CN 110991907 A CN110991907 A CN 110991907A
Authority
CN
China
Prior art keywords
order
orders
probability
node
state
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
Application number
CN201911238269.2A
Other languages
English (en)
Other versions
CN110991907B (zh
Inventor
陈旋
王冲
付虹源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Aijia Household Products Co Ltd
Original Assignee
Jiangsu Aijia Household Products Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Aijia Household Products Co Ltd filed Critical Jiangsu Aijia Household Products Co Ltd
Priority to CN201911238269.2A priority Critical patent/CN110991907B/zh
Publication of CN110991907A publication Critical patent/CN110991907A/zh
Application granted granted Critical
Publication of CN110991907B publication Critical patent/CN110991907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Abstract

本发明公开了一种基于有限状态自动机的订单服务质量评估方法，属于订单服务质量质检技术领域。该方法采用有限状态自动机模型来表示订单的全部状态结点以及结点之间的全部流转路径，通过数据分析统计出所述有限状态自动机模型由每一个结点转移到下一个结点的概率，进而算出订单通过所有状态达到订单完成时的概率，将所述概率从低到高进行排序，定义排序在前8％～20％的订单为异常订单，剩余订单为正常订单，完成订单的筛选。本发明能够在海量订单中迅速筛选出可能存在服务异常的订单，降低质检工作的人工成本。

Description

一种基于有限状态自动机的订单服务质量评估方法
技术领域
本发明属于订单服务质量质检技术领域，具体涉及一种基于有限状态自动机的订单服务质量评估方法。
背景技术
电商类企业经常会对其已完成的订单的服务质量进行质检，筛选出服务质量或极优或特差的异常订单，或分析其原因以便“见贤思齐，见不贤自省”，或追溯其负责人以便对其施以奖惩，以此方式提高服务质量进而提升企业竞争力。
为保障质检工作效果的客观性，负责订单流转中订单运营的相关人员与订单完成后订单质量的质检人员会被完全隔离。这造成了信息的不对称，即运营人员在订单的流转过程中就已经知道每一单的服务质量如何，而质检人员无法获知该信息。质检人员很可能需要对全部已完成的订单进行判断，对于一个电商企业，每天产生的订单可能成千上万甚至达到一个巨大的数量级，完成订单服务质量的质检工作往往需要花费很高的人力成本。
发明内容
本发明要解决的技术问题是提供一种基于有限状态自动机的订单服务质量评估方法，能够在海量订单中迅速筛选出可能存在服务异常的订单，降低质检工作的人工成本。
为了解决上述问题，本发明所采用的技术方案如下：
一种基于有限状态自动机的订单服务质量评估方法，采用有限状态自动机模型表示订单的全部状态结点以及结点之间的全部流转路径，通过数据分析统计出所述有限状态自动机模型由每一个结点转移到下一个结点的概率，进而算出订单通过所有状态达到订单完成时的概率，将所述概率从低到高进行排序，定义排序在前8％～20％的订单为异常订单，剩余订单为正常订单，完成订单的筛选；这里异常订单的定义是质检工作人员根据不同应用场景，依工作经验来确定。具体包括以下步骤：
(1)创建包含订单流转全部状态的状态集合Q，Q＝[Z1，Z2，……，Zn-1，Zn]；
(2)随机选取出一条历史订单，从订单的起始状态开始依次创建结点，并按结点的创建顺序按方向进行连接，创建出有向图G；结点即为有向图的一个结点，结点间的连接线即为有向图的边，记录每条边的通过次数1；
(3)从剩下的历史订单中再随机选取一条，从订单的起始状态开始依次在有向图G中匹配订单的结点；当该订单的一个结点在G中存在时，如果G中存在一条有向边从该订单状态的上一个状态连接过来，即为该有向边的通过次数加1，如果不存在该有向边，则创建有向边连接订单的上一个状态与当前状态，并记录通过次数为1；当该订单的结点在G中不存在时，创建新的结点，与该结点的上一个状态结点相连，并记录通过次数为1；
(4)重复步骤(3)直到将全部历史订单输入至G中，此时G中存放了历史订单集合中全部状态流转方式及流转发生的频次，形成FA模型，进入步骤(5)；
(5)将历史订单中的订单X的状态串[Z1，Z2，Z3，……，Zm-1，Zm]中的每一个状态输入到步骤(4)的FA模型中，每一个结点转移到其下一个结点的概率为其全部下方结点的边的权重值占比，P(X)＝P(Z1)·P(Z2|Z1)·P(Z3|Z2，Z1)……··P(Zm|Zm-1，……，Z3，Z2，Z1)，计算所有订单的完成概率，进入步骤(6)；
(6)将所有订单的完成概率从低到高进行排序，定义排序在前8％～20％的订单为异常订单，剩余订单为正常订单，完成订单的筛选。概率越小的订单说明由经过该路径完成订单的可能性越低，其与订单的平均完成质量偏差较大，订单服务质量越差，否则订单服务质量越好。
所述基于有限状态自动机的订单服务质量评估方法，计算概率时使用1-gram马夫可夫链模型，仅考虑前面一个状态结点下的条件概率。
所述基于有限状态自动机的订单服务质量评估方法，计算概率时仅考虑状态流转上当上一个状态发生时发生当前状态的条件概率，该条件概率等于上一个状态流转到当前状态的频率*当前结点事件发生的概率。
所述基于有限状态自动机的订单服务质量评估方法，周期性重复步骤(1)～(4)来更新FA模型，所述周期为一星期，提升模型的实效性。由于服务的整体质量会随着时间的推移发生变化，因此模型需要保持更新。
所述基于有限状态自动机的订单服务质量评估方法，概率采用log(P(X))表示，所述对数函数的底大于1。
有益效果：与现有的技术相比，本发明的优点包括：
(1)本发明能够在海量订单中迅速筛选出可能存在服务异常的订单，降低质检工作的人工成本。
(2)本发明算法推导严密，理论依据充足，而且非常容易实现，使用该算法的效果理想且对其工程化的成本极低。
附图说明
图1为构建FA模型流程图；
图2为实施例1中5条订单数据的有向图；
图3为实施例1中带有概率的FA模型。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合具体实施例对本发明的具体实施方式做详细的说明。
实施例1
一种基于有限状态自动机的订单服务质量评估方法，采用有限状态自动机模型表示订单的全部状态结点以及结点之间的全部流转路径，通过数据分析统计出有限状态自动机模型由每一个结点转移到下一个结点的概率，进而算出订单通过所有状态达到订单完成时的概率，将概率从低到高进行排序，定义排序在前8％～20％的订单为异常订单，剩余订单为正常订单，完成订单的筛选；这里异常订单的定义是质检工作人员根据不同应用场景，依工作经验来确定。包括以下步骤：
(1)创建包含订单流转全部状态的状态集合Q，Q＝[Z1，Z2，……，Zn-1，Zn]；
(2)随机选取出一条历史订单，从订单的起始状态开始依次创建结点，并按结点的创建顺序按方向进行连接，创建出有向图G；结点即为有向图的一个结点，结点间的连接线即为有向图的边，记录每条边的通过次数1；
(3)从剩下的历史订单中再随机选取一条，从订单的起始状态开始依次在有向图G中匹配订单的结点；当该订单的一个结点在G中存在时，如果G中存在一条有向边从该订单状态的上一个状态连接过来，即为该有向边的通过次数加1，如果不存在该有向边，则创建有向边连接订单的上一个状态与当前状态，并记录通过次数为1；当该订单的结点在G中不存在时，创建新的结点，与该结点的上一个状态结点相连，并记录通过次数为1；
(4)重复步骤(3)直到将全部历史订单输入至G中，此时G中存放了历史订单集合中全部状态流转方式及流转发生的频次，形成FA模型，进入步骤(5)；
(5)将历史订单中的订单X的状态串[Z1，Z2，Z3，……，Zm-1，Zm]中的每一个状态输入到步骤(4)的FA模型中，进行概率计算，使用1-gram马夫可夫链模型，仅考虑前面一个状态结点下的条件概率，该条件概率等于上一个状态流转到当前状态的频率*当前结点事件发生的概率，即P(X)＝P(Z2|Z1)·P(Z3|Z2)……··P(Zm|Zm-1)，计算所有订单的完成概率，进入步骤(6)；
(6)将所有订单的完成概率从低到高进行排序，定义排序在前8％～20％的订单即为异常订单，剩余订单为正常订单，完成订单的筛选。概率越小的订单说明由经过该路径完成订单的可能性越低，其与订单的平均完成质量偏差较大，订单服务质量越差，否则订单服务质量越好。
(7)每一个星期重复步骤(1)～(4)来更新FA模型，提升模型的实效性。
采用以上方法，对以下5个订单：订单A、订单B、订单C、订单D和订单E进行订单服务质量评价：
首先确定订单的全部状态集合：假设某网站订单仅存在下单、备货、配送、收货、调换、退款、换货、完成8个状态，可确定订单状态集合：
状态集合Q＝[下单，备货，配送，收货，调换，退款，换货，完成]；
5条订单数据的流转过程如下：
订单A：下单→备货→配送(3天)→收货→完成；
订单B：下单→备货→配送(5天)→收货→完成；
订单C：下单→备货→配送(12天)→收货→完成；
订单D：下单→备货→配送(1天)→收货→换货→备货(3天)→配送(1天)→收货→完成；
订单E：下单→备货→配送(4天)→收货→退款→完成；
暂时不考虑配送时长的影响，使用这5个订单创建有向图，过程如下：
如图1所示，使用订单A创建有向图G1，图G1上的每个结点为订单状态，每条边上的数值记录由上一结点转到当前结点的次数；录入订单B后得到有向图G2，录入订单C后得到有向图G3，录入订单D后得到有向图G4，录入订单E后得到有向图G5。
为降低计算的复杂度，该计算过程使用1-gram的马尔可夫模型，即仅考虑前面一个状态下的条件概率，并且下单结点作为起始结点始终出现其概率可不计，综上可使用；根据状态集合Q产生订单A的概率来估计订单产生的概率：
P(下单，备货，配送，收货，完成)＝P(备货|下单)·P(配送|备货)·P(收货|配送)·P(完成|收货)。如对于收货状态结点，共有3个下方结点：换货、退款、完成，权重分别为1、1、4，因此转移到这三个结点的概率为
Figure BDA0002304546720000041
即
Figure BDA0002304546720000042
求出每个结点转移到其任意下方结点的概率，可得到带有概率的有向图G：
使用图2中的有向图G可计算产生出A、B、C、D和E五个订单的概率：
Figure BDA0002304546720000043
Figure BDA0002304546720000044
Figure BDA0002304546720000045
Figure BDA0002304546720000046
Figure BDA0002304546720000051
对以上5个订单的完成概率按照从低到高进行排序，P(D)＜P(E)＜P(A)＝P(B)＝P(C)，发生退换时通常会影响用户的服务体验，通过计算可以看到这种体验的下降可以通过计算出概率的高低来评估。
A、B、C三单由于配送时长不同，用户体验到的服务质量并不相同，但这并未在概率上体现出来，因此需要考虑到时长因素的影响。
下面将配送环节的时长因素加入到概率计算中。其方式为，转移到配送结点的条件概率除计算上一结点到配送结点的概率，还需评估发生当前配送天数的概率，可使用泊松分布对这个概率进行估计，即
Figure BDA0002304546720000052
其中，λ为平均天数，k为实际天数；对于A、B、C、D、E五个订单，
Figure BDA0002304546720000053
配送时间为3天的概率为
Figure BDA0002304546720000054
配送时间为5天的概率为
Figure BDA0002304546720000055
配送时间为12天的概率为
Figure BDA0002304546720000056
配送时间为1天的概率为
Figure BDA0002304546720000057
配送时间为4天的概率为
Figure BDA0002304546720000058
代入到订单产生的概率计算中重新计算概率：
Figure BDA0002304546720000059
Figure BDA00023045467200000510
Figure BDA00023045467200000511
Figure BDA00023045467200000512
Figure BDA00023045467200000513
计算结果中P(C)＜P(D)＜P(E)＜P(A)＜P(B)，这与事实是相符的：订单B流程最简且在平均时长内送达，大概率上不属于异常订单，订单D与E由于流程较多，存在异常情况的概率相对较大，产生订单C的概率最小，它的配送时长与平均时长严重偏离，很大概率上存在异常情况，因此，该模型是有效的。
实际应用场景中，订单状态会比实施例中多出很多，这会造成计算概率时需要参与相乘的条件概率非常多，算出的结果会非常小。在编程实现该算法时，计算机在计算过小的数值时会产生一些错误。因为计算出的概率值的用途在于与其它订单的产生概率进行比对，以同样的方式放大所有订单的概率值再去对比并不会影响比对的结果，由于以大于1为底的对数函数在(0，+∞)上单调递增，因此可使用log(P(X))进行比对。并且在实际应用场景中，订单数量和订单状态的大量增加，导致无法一眼就识别出异常订单，那么一般工作人员会根据工作经验设置一个阈值，即订单服务质量概率排序(从低到高)靠前的为异常订单，该阈值在不同的应用场景会用不同的数值，一般为所有订单数量的8％～20％。

Claims (7)

1.一种基于有限状态自动机的订单服务质量评估方法，其特征在于，采用有限状态自动机模型表示订单的全部状态结点以及结点之间的全部流转路径，通过数据分析统计出所述有限状态自动机模型由每一个结点转移到下一个结点的概率，进而算出订单通过所有状态达到订单完成时的概率，将所述概率从低到高进行排序，定义排序在前8％～20％的订单为异常订单，剩余订单为正常订单，完成订单的筛选。
2.根据权利要求1所述基于有限状态自动机的订单服务质量评估方法，其特征在于，包括以下步骤：
(1)创建包含订单流转全部状态的状态集合Q，Q＝[Z1，Z2，……，Zn-1，Zn]；
(2)随机选取出一条历史订单，从订单的起始状态开始依次创建结点，并按结点的创建顺序按方向进行连接，创建出有向图G；结点即为有向图的一个结点，结点间的连接线即为有向图的边，记录每条边的通过次数1；
(3)从剩下的历史订单中再随机选取一条，从该订单的起始状态开始依次在有向图G中匹配订单的结点；当该订单的一个结点在G中存在时，如果G中存在一条有向边从该订单状态的上一个状态连接过来，即为该有向边的通过次数加1，如果不存在该有向边，则创建有向边连接订单的上一个状态与当前状态，并记录通过次数为1；当该订单的结点在G中不存在时，创建新的结点，与该结点的上一个状态结点相连，并记录通过次数为1；
(4)重复步骤(3)直到将全部历史订单输入至G中，此时G中存放了历史订单集合中全部状态流转方式及流转发生的频次，构成FA模型，进入步骤(5)；
(5)将历史订单中的订单X的状态串[Z1，Z2，Z3，……，Zm-1，Zm]中的每一个状态输入到步骤(4)的FA模型中，每一个结点转移到其下一个结点的概率为其全部下方结点的边的权重值占比，P(X)＝P(Z1)·P(Z2|Z1)·P(Z3|Z2，Z1)……··P(Zm|Zm-1，……，Z3，Z2，Z1)，计算所有订单的完成概率，进入步骤(6)；
(6)将所有订单的完成概率从低到高进行排序，定义排序在前8％～20％的订单即为异常订单，剩余订单为正常订单，完成订单的筛选。
3.根据权利要求1所述基于有限状态自动机的订单服务质量评估方法，其特征在于，计算概率时使用1-gram马夫可夫链模型，仅考虑前面一个状态结点下的条件概率。
4.根据权利要求1所述基于有限状态自动机的订单服务质量评估方法，其特征在于，计算概率时，起始结点始终出现时，那么起始结点的概率可不计。
5.根据权利要求1所述基于有限状态自动机的订单服务质量评估方法，其特征在于，计算概率时仅考虑状态流转上当上一个状态发生时发生当前状态的条件概率，该条件概率等于上一个状态流转到当前状态的频率*当前结点事件发生的概率。
6.根据权利要求2所述基于有限状态自动机的订单服务质量评估方法，其特征在于，周期性重复步骤(1)～(4)来更新FA模型，所述周期为一星期。
7.根据权利要求1所述基于有限状态自动机的订单服务质量评估方法，其特征在于，概率采用log(P(X))表示，所述对数函数的底大于1。
CN201911238269.2A 2019-12-05 2019-12-05 一种基于有限状态自动机的订单服务质量评估方法 Active CN110991907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911238269.2A CN110991907B (zh) 2019-12-05 2019-12-05 一种基于有限状态自动机的订单服务质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911238269.2A CN110991907B (zh) 2019-12-05 2019-12-05 一种基于有限状态自动机的订单服务质量评估方法

Publications (2)

Publication Number Publication Date
CN110991907A true CN110991907A (zh) 2020-04-10
CN110991907B CN110991907B (zh) 2022-07-26

Family

ID=70090647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911238269.2A Active CN110991907B (zh) 2019-12-05 2019-12-05 一种基于有限状态自动机的订单服务质量评估方法

Country Status (1)

Country Link
CN (1) CN110991907B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934368A (zh) * 2017-12-15 2019-06-25 菜鸟智能物流控股有限公司 订单数量和订单状态的预测方法、装置及系统
CN110262961A (zh) * 2019-05-21 2019-09-20 深圳壹账通智能科技有限公司 工作流管理系统的测试方法、装置、存储介质及终端设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934368A (zh) * 2017-12-15 2019-06-25 菜鸟智能物流控股有限公司 订单数量和订单状态的预测方法、装置及系统
CN110262961A (zh) * 2019-05-21 2019-09-20 深圳壹账通智能科技有限公司 工作流管理系统的测试方法、装置、存储介质及终端设备

Also Published As

Publication number Publication date
CN110991907B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
US6490566B1 (en) Graph-based schedule builder for tightly constrained scheduling problems
Mannor et al. Robust MDPs with k-rectangular uncertainty
Fan et al. Genetic programming-based hyper-heuristic approach for solving dynamic job shop scheduling problem with extended technical precedence constraints
Zaman et al. An evolutionary approach for resource constrained project scheduling with uncertain changes
Zheng et al. A data-driven robust optimization method for the assembly job-shop scheduling problem under uncertainty
US20190347603A1 (en) Optimizing turnaround based on combined critical paths
Hao et al. An effective multi-objective EDA for robust resource constrained project scheduling with uncertain durations
Ke et al. Solving project scheduling problem with the philosophy of fuzzy random programming
Conforti et al. Timestamp repair for business process event logs
Zahid Investigation of surrogate measures of robustness for project scheduling problems
Helber Cash-flow-oriented buffer allocation in stochastic flow lines
Brochado et al. A data-driven model with minimal information for bottleneck detection-application at Bosch thermotechnology
CN110991907B (zh) 一种基于有限状态自动机的订单服务质量评估方法
CN109919688B (zh) 一种考虑市场因素的电子烟产品线规划方法
Arruda et al. Stability and optimality of a multi-product production and storage system under demand uncertainty
Ben-Gal et al. Sequential DOE via dynamic programming
JP2023120168A (ja) 半導体工場における待ち時間予測のための方法
Yakhchali et al. A hybrid genetic algorithm for computing the float of an activity in networks with imprecise durations
Raja et al. Resource leveling using Petrinet and memetic approach
CN113011767A (zh) 一种多目标柔性作业车间调度用混合遗传方法
CN111445079A (zh) 一种应用于车间计划投产的多保真仿真优化方法及设备
CN117557078B (zh) 一种基于时间节点的智能生产计划管理方法及系统
Reichelt et al. Reliable communication network design with evolutionary algorithms
Liu et al. Multi-objective adaptive large neighbourhood search algorithm for dynamic flexible job shop schedule problem with transportation resource
Alexander et al. Mathematical models for multi-stage hybrid assembly flow-shop scheduling with preventive maintenance and release times

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