CN111275371B - 数据处理方法、数据处理设备和计算机可读存储介质 - Google Patents
数据处理方法、数据处理设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111275371B CN111275371B CN201811477833.1A CN201811477833A CN111275371B CN 111275371 B CN111275371 B CN 111275371B CN 201811477833 A CN201811477833 A CN 201811477833A CN 111275371 B CN111275371 B CN 111275371B
- Authority
- CN
- China
- Prior art keywords
- data
- attribute
- vector
- data set
- type
- 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.)
- Active
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种数据处理方法、数据处理设备和计算机可读存储介质,其中,数据处理方法包括:计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;采用预设模型对商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。通过本发明的技术方案,能够较为准确地判断商品是否适合开通平行库存业务,有利于提高商品的库存周转率和销售额,同时,有利于降低仓储成本。
Description
技术领域
本发明涉及机器学习技术领域,具体而言,涉及一种数据处理方法、一种数据处理设备和一种计算机可读存储介质。
背景技术
随着互联网技术的发展和普及,越来越多的用户选择电商平台进行购物,其中,电商平台销售的商品的仓储和配送成为影响用户使用体验的最主要因素,也即商品是否采用跨仓存储成为影响商品销售和推广最主要的决策问题。
相关技术中,通产基于专家系统、监督学习模型和非监督学习模型来确定商品是否适合跨仓存储(即下文限定的平行库存业务),上述决策方法具体的原理和缺陷如下:
(1)基于专家系统的决策方案主要依靠业务专家的知识和经验,具有很大的局限性,商品是否适合开通平行库存业务并没有明确的业务准则,专家设定商品的属性划分区间也是依赖经验,往往没有可以量化的精确准则,所以不会取得好的决策效果。
(2)基于监督学习模型的决策方案,只能在人为标注商品是否适合开通平行库存业务的情况下才能对新的商品是否适合开通平行库存业务进行决策,仍然受限于业务专家对已开通平行库存业务的商品的判断。
(3)基于无监督学习模型的决策方案可以对已经开通的平行库存业务的商品进行聚类,但无法确定已开通的商品是否适合开通该业务员,更不能判断未开通平行库存业务的商品是否适合开通平行库存业务。
另外,整个说明书对背景技术的任何讨论,并不代表该背景技术一定是所属领域技术人员所知晓的现有技术,整个说明书中的对现有技术的任何讨论并不代表认为该现有技术一定是广泛公知的或一定构成本领域的公知常识。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个目的在于提供一种数据处理方法。
本发明的另一个目的在于提供一种数据处理设备。
本发明的另一个目的在于提供一种计算机可读存储介质。
为了实现上述目的,根据本发明的第一方面的实施例,提供了一种数据处理方法,包括:计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。
在该技术方案中,通过计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征,能够直观地反映出商品开通平行库存业务前后的差异,进一步地,通过采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,以及计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,可以精准快速地智能决策哪些商品适合开通平行库存业务,以提高商品的库存周转率和销量,同时,有利于降低商品的仓储成本。
根据本发明的第二方面的技术方案,提供了一种数据处理设备,包括:计算模块,用于计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;聚类模块,用于采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;确定模块,用于计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。
通过计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征,能够直观地反映出商品开通平行库存业务前后的差异,进一步地,通过采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,以及计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,可以精准快速地智能决策哪些商品适合开通平行库存业务,以提高商品的库存周转率和销量,同时,有利于降低商品的仓储成本。
根据本发明的第三方面的实施例,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被执行时实现如上述任一项技术方案限定的数据处理方法。
本发明的附加方面和优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了根据本发明的实施例一的数据处理方法的示意流程图;
图2示出了根据本发明的实施例二的数据处理设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一:
图1示出了根据本发明的实施例一的数据处理方法的示意流程图。
如图1所示,根据本发明的实施例一的数据处理方法,包括:步骤S102,计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;步骤S104,采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;步骤S106,计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。
在该技术方案中,通过计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征,能够直观地反映出商品开通平行库存业务前后的差异,进一步地,通过采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,以及计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,可以精准快速地智能决策哪些商品适合开通平行库存业务,以提高商品的库存周转率和销量,同时,有利于降低商品的仓储成本。
其中,属性数据对应的属性标签可以包括“是否跨区”、“毛利”、“毛利率”、“配送时长”、“库存周转”、“包裹差评”、“失效差评”和“服务差评”等。
值得特别说明的是,上述预设模型可以基于归纳决策树ID3算法、粗糙集算法和随机森林算法生成的树状网络模型,一方面,预设模型可以对输入数据进行决策,另一方面,预设模型可以根据聚类分析后的数据反复训练,以提高决策的可靠性和准确性。
本领域技术人员能够理解的是,在训练完成的预设模型还用于决策未开通平行库存业务的商品是否适合开通平行库存业务,即首先导入待决策商品的属性信息,然后按照从父级节点到子级节点的顺序对属性信息与预设模型的网络节点进行匹配,并根据匹配的网络节点输出对上述商品的决策结果。
在上述任一技术方案中,优选地,采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,具体包括:将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量;迭代计算任两个所述多维差值特征向量之间的距离,并根据所述距离对所述多维差值特征向量进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合。
在该技术方案中,通过将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量,即将商品销售差值特征投射到高纬度的向量空间,进而通过迭代计算任两个所述多维差值特征向量之间的距离,对所述多维差值特征向量进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,能够高效可靠地对不同商品对应的商品销售差值特征进行分类处理。
在上述任一技术方案中,优选地,计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,具体包括:迭代计算任两个所述多维差值特征向量之间的距离,以根据所述距离的数值大小将所述多维差值特征向量划分为第一向量集和第二向量集;迭代更新所述第一向量集的质心向量和所述第二向量集的质心向量,并分别确定为第一质心向量和第二质心向量;获取与所述属性标签个数相等的趋势向量,并将所述趋势向量转换为矩阵并转置得到因子载荷矩阵;采用因子载荷矩阵分别对所述第一向量集、所述第二向量集合、所述第一质心向量和所述第二质心向量进行趋势标准化;将经过所述趋势标准化的第一向量集和第二向量集合合并为一个属性数据矩阵;根据所述属性数据的标准差和平均值计算所述属性数据矩阵中的任一属性数据的变异系数;根据所述变异系数计算每个所述属性数据的属性权重向量,以得到属性权重矩阵;计算经过所述趋势标准化的第一质心向量与所述属性权重矩阵的乘积值,同时,计算经过所述趋势标准化的第二质心向量与所述属性权重矩阵的乘积值,并分别记作第一业务属性数据和第二业务属性数据;根据所述第一业务属性数据和所述第二业务属性数据的大小关系,将所述第一向量集和所述第二向量集分别确定为所述第一类特征数据集合和所述第二类特征数据集合。
在该技术方案中,通过计算第一向量集、第二向量集、第一质心向量和第二质心向量,并且通过引入因子载荷矩阵、属性权重矩阵的技术方案,对已经聚类的商品集合进行分类,其实质是确定商品的属性数据的变异趋势,进而将变异趋势不同的两组向量集分别确定为第一类特征数据集合和所述第二类特征数据集合,以完成初步的聚类分析过程。
在上述任一技术方案中,优选地,计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,具体还包括:确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合;确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合。
在该技术方案中,通过计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合,确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合,即业务属性值大的产品适合作为平行库存运营,同时,业务属性值小的产品不适合作为平行库存运营。
在上述任一技术方案中,优选地,还包括:将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据;采用所述类别数据对所述预设模型的网络节点进行训练,其中,所述预设模型的网络节点是按照信息增益最大的属性标签进行分裂形成,且所述网络节点中的叶节点的类别纯度达到预设的百分比。
在该技术方案中,通过将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据,并且进一步地采用所述类别数据对所述预设模型的网络节点进行训练,以提高预设模型的准确性和可靠性,尤其是对未开通平行库存业务的商品而言,其属性信息进行匹配的网络节点均是信息增益最大的节点,进而针对变异最突出的属性信息输出对商品的决策结果。
实施例二:
图2示出了根据本发明的实施例二的数据处理设备的示意框图。
如图2所示,根据本发明的实施例二的数据处理设备200,包括:计算模块202,用于计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;聚类模块204,用于采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;确定模块206,用于计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。
在该技术方案中,通过计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征,能够直观地反映出商品开通平行库存业务前后的差异,进一步地,通过采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,以及计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,可以精准快速地智能决策哪些商品适合开通平行库存业务,以提高商品的库存周转率和销量,同时,有利于降低商品的仓储成本。
其中,属性数据对应的属性标签可以包括“是否跨区”、“毛利”、“毛利率”、“配送时长”、“库存周转”、“包裹差评”、“失效差评”和“服务差评”等。
值得特别说明的是,上述预设模型可以基于归纳决策树ID3算法、粗糙集算法和随机森林算法生成的树状网络模型,一方面,预设模型可以对输入数据进行决策,另一方面,预设模型可以根据聚类分析后的数据反复训练,以提高决策的可靠性和准确性。
本领域技术人员能够理解的是,在训练完成的预设模型还用于决策未开通平行库存业务的商品是否适合开通平行库存业务,即首先导入待决策商品的属性信息,然后按照从父级节点到子级节点的顺序对属性信息与预设模型的网络节点进行匹配,并根据匹配的网络节点输出对上述商品的决策结果。
在上述任一技术方案中,优选地,还包括:投射模块208,用于将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量;所述计算模块202还用于:迭代计算任两个所述多维差值特征向量之间的距离,并根据所述距离对所述多维差值特征向量进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合。
在该技术方案中,通过将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量,即将商品销售差值特征投射到高纬度的向量空间,进而通过迭代计算任两个所述多维差值特征向量之间的距离,对所述多维差值特征向量进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,能够高效可靠地对不同商品对应的商品销售差值特征进行分类处理。
在上述任一技术方案中,优选地,所述计算模块202还用于:迭代计算任两个所述多维差值特征向量之间的距离,以根据所述距离的数值大小将所述多维差值特征向量划分为第一向量集和第二向量集;所述计算模块202还用于:迭代更新所述第一向量集的质心向量和所述第二向量集的质心向量,并分别确定为第一质心向量和第二质心向量;所述数据处理设备200还包括:获取模块210,用于获取与所述属性标签个数相等的趋势向量,并将所述趋势向量转换为矩阵并转置得到因子载荷矩阵;标准模块212,用于采用因子载荷矩阵分别对所述第一向量集、所述第二向量集合、所述第一质心向量和所述第二质心向量进行趋势标准化;合并模块214,用于将经过所述趋势标准化的第一向量集和第二向量集合合并为一个属性数据矩阵;所述计算模块202还用于:根据所述属性数据的标准差和平均值计算所述属性数据矩阵中的任一属性数据的变异系数;根据所述变异系数计算每个所述属性数据的属性权重向量,以得到属性权重矩阵;所述计算模块202还用于:计算经过所述趋势标准化的第一质心向量与所述属性权重矩阵的乘积值,同时,计算经过所述趋势标准化的第二质心向量与所述属性权重矩阵的乘积值,并分别记作第一业务属性数据和第二业务属性数据;所述确定模块206还用于:根据所述第一业务属性数据和所述第二业务属性数据的大小关系,将所述第一向量集和所述第二向量集分别确定为所述第一类特征数据集合和所述第二类特征数据集合。
在该技术方案中,通过计算第一向量集、第二向量集、第一质心向量和第二质心向量,并且通过引入因子载荷矩阵、属性权重矩阵的技术方案,对已经聚类的商品集合进行分类,其实质是确定商品的属性数据的变异趋势,进而将变异趋势不同的两组向量集分别确定为第一类特征数据集合和所述第二类特征数据集合,以完成初步的聚类分析过程。
在上述任一技术方案中,优选地,所述确定模块206还用于:确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合;所述确定模块206还用于:确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合。
在该技术方案中,通过计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合,确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合,即业务属性值大的产品适合作为平行库存运营,同时,业务属性值小的产品不适合作为平行库存运营。
在上述任一技术方案中,优选地,还包括:划分模块216,用于将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据;训练模块218,用于采用所述类别数据对所述预设模型的网络节点进行训练,其中,所述预设模型的网络节点是按照信息增益最大的属性标签进行分裂形成,且所述网络节点中的叶节点的类别纯度达到预设的百分比。
在该技术方案中,通过将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据,并且进一步地采用所述类别数据对所述预设模型的网络节点进行训练,以提高预设模型的准确性和可靠性,尤其是对未开通平行库存业务的商品而言,其属性信息进行匹配的网络节点均是信息增益最大的节点,进而针对变异最突出的属性信息输出对商品的决策结果。
实施例三:
根据本发明的实施例三,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被执行时实现以下步骤:计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。
在该技术方案中,通过计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征,能够直观地反映出商品开通平行库存业务前后的差异,进一步地,通过采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,以及计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,可以精准快速地智能决策哪些商品适合开通平行库存业务,以提高商品的库存周转率和销量,同时,有利于降低商品的仓储成本。
其中,属性数据对应的属性标签可以包括“是否跨区”、“毛利”、“毛利率”、“配送时长”、“库存周转”、“包裹差评”、“失效差评”和“服务差评”等。
值得特别说明的是,上述预设模型可以基于归纳决策树ID3算法、粗糙集算法和随机森林算法生成的树状网络模型,一方面,预设模型可以对输入数据进行决策,另一方面,预设模型可以根据聚类分析后的数据反复训练,以提高决策的可靠性和准确性。
本领域技术人员能够理解的是,在训练完成的预设模型还用于决策未开通平行库存业务的商品是否适合开通平行库存业务,即首先导入待决策商品的属性信息,然后按照从父级节点到子级节点的顺序对属性信息与预设模型的网络节点进行匹配,并根据匹配的网络节点输出对上述商品的决策结果。
在上述任一技术方案中,优选地,采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,具体包括:将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量;迭代计算任两个所述多维差值特征向量之间的距离,并根据所述距离对所述多维差值特征向量进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合。
在该技术方案中,通过将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量,即将商品销售差值特征投射到高纬度的向量空间,进而通过迭代计算任两个所述多维差值特征向量之间的距离,对所述多维差值特征向量进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,能够高效可靠地对不同商品对应的商品销售差值特征进行分类处理。
在上述任一技术方案中,优选地,计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,具体包括:迭代计算任两个所述多维差值特征向量之间的距离,以根据所述距离的数值大小将所述多维差值特征向量划分为第一向量集和第二向量集;迭代更新所述第一向量集的质心向量和所述第二向量集的质心向量,并分别确定为第一质心向量和第二质心向量;获取与所述属性标签个数相等的趋势向量,并将所述趋势向量转换为矩阵并转置得到因子载荷矩阵;采用因子载荷矩阵分别对所述第一向量集、所述第二向量集合、所述第一质心向量和所述第二质心向量进行趋势标准化;将经过所述趋势标准化的第一向量集和第二向量集合合并为一个属性数据矩阵;根据所述属性数据的标准差和平均值计算所述属性数据矩阵中的任一属性数据的变异系数;根据所述变异系数计算每个所述属性数据的属性权重向量,以得到属性权重矩阵;计算经过所述趋势标准化的第一质心向量与所述属性权重矩阵的乘积值,同时,计算经过所述趋势标准化的第二质心向量与所述属性权重矩阵的乘积值,并分别记作第一业务属性数据和第二业务属性数据;根据所述第一业务属性数据和所述第二业务属性数据的大小关系,将所述第一向量集和所述第二向量集分别确定为所述第一类特征数据集合和所述第二类特征数据集合。
在该技术方案中,通过计算第一向量集、第二向量集、第一质心向量和第二质心向量,并且通过引入因子载荷矩阵、属性权重矩阵的技术方案,对已经聚类的商品集合进行分类,其实质是确定商品的属性数据的变异趋势,进而将变异趋势不同的两组向量集分别确定为第一类特征数据集合和所述第二类特征数据集合,以完成初步的聚类分析过程。
在上述任一技术方案中,优选地,计算第一类特征数据集合和第二类特征数据集合中的任一属性数据的业务属性值,并根据业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,具体还包括:确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合;确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合。
在该技术方案中,通过计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合,确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合,即业务属性值大的产品适合作为平行库存运营,同时,业务属性值小的产品不适合作为平行库存运营。
在上述任一技术方案中,优选地,还包括:将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据;采用所述类别数据对所述预设模型的网络节点进行训练,其中,所述预设模型的网络节点是按照信息增益最大的属性标签进行分裂形成,且所述网络节点中的叶节点的类别纯度达到预设的百分比。
在该技术方案中,通过将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据,并且进一步地采用所述类别数据对所述预设模型的网络节点进行训练,以提高预设模型的准确性和可靠性,尤其是对未开通平行库存业务的商品而言,其属性信息进行匹配的网络节点均是信息增益最大的节点,进而针对变异最突出的属性信息输出对商品的决策结果。
实施例四:
下面结合实施例一至实施例三限定的技术方案,对实施例四提出的数据处理方案进行具体说明。
实施例四提出的数据处理方案具体包括以下步骤:
(1)商品的属性标签、数值单位和计算方法如下表1所示。
表1商品销售差值特征表
名称 | 单位 | 计算方法 |
毛利差 | 元 | 收入-成本 |
毛利率差 | 比值 | 毛利/收入 |
配送时长差 | 秒 | 订单完成时间-出库时间 |
库存周转差 | 比值 | 现货库存/28天日商品销售数量 |
包裹差评差 | 差评星级 | 1-5对应:非常满意、满意、一般、不满意、非常不满意 |
时效差评差 | 差评星级 | 1-5对应:非常满意、满意、一般、不满意、非常不满意 |
上述表1中第一列差值即为商品销售差值特征,是根据跨区销售下的属性数据减去跨区销售下的属性数据得到的。
表2和表3中的指定字段的单位和计算方法如下:
是否跨区:按是否跨区拆分商品的订单,后面各项指标均按照该字段拆分汇总。
毛利:单位人民币元,汇总后除以商品个数取平均数。
毛利率:单位百分比,汇总后除以商品个数取平均数。
配送时长:单位秒,汇总后除以商品个数取平均数。
库存周转:单位百分比,每个属性数据表的唯一值。
包裹差评:单位差评星级,汇总后除以订单数取平均数。
时效差评:单位差评星级,汇总后除以订单数取平均数。
服务差评:单位差评星级,汇总后除以订单数取平均数。
表2商品销售属性数据表
名称 | 是否跨区 | 毛利 | 毛利率 | 配送时长 | 库存周转 | 包裹差评 | 时效差评 | 服务差评 |
1 | 是 | 4.11 | 0.20 | 248794.50 | 36.92 | 0.17 | 0.17 | 0.17 |
1 | 否 | 3.23 | 0.15 | 65471.75 | 36.92 | 0.25 | 0.25 | 0.25 |
2 | 是 | 6.06 | 0.20 | 267775.50 | 26.19 | 0.50 | 0.50 | 0.50 |
2 | 否 | 6.06 | 0.20 | 92848.00 | 26.19 | 0.00 | 0.00 | 0.00 |
3 | 否 | 2.10 | 0.08 | 80935.33 | 38.05 | 0.17 | 0.17 | 0.17 |
3 | 是 | 4.02 | 0.13 | 209961.67 | 38.05 | 0.11 | 0.11 | 0.11 |
4 | 是 | 3.38 | 0.13 | 206869.25 | 86.92 | 0.13 | 0.13 | 0.13 |
4 | 否 | 5.25 | 0.17 | 52643.83 | 86.92 | 0.42 | 0.08 | 0.08 |
表3商品销售差值特征表
名称 | 毛利 | 毛利率 | 配送时长 | 库存周转 | 包裹差评 | 时效差评 | 服务差评 |
1000564 | -11.48 | -0.01 | 140595.65 | 36.92 | -0.10 | -0.06 | -0.05 |
1002520 | 90.08 | -0.03 | 135850.60 | 80.61 | 0.06 | 0.13 | 0.08 |
1003867 | -11.88 | -0.01 | 133949.86 | 26.19 | -0.06 | -0.05 | -0.01 |
1005439 | 36.32 | 0.18 | 305484.65 | 211.31 | 0.15 | 0.20 | 0.05 |
1008193 | 29.19 | 0.05 | 166008.84 | 38.05 | -0.01 | -0.01 | -0.01 |
1009672 | -61.40 | -0.02 | 161824.29 | 345.29 | 0.05 | 0.04 | 0.04 |
1011628 | 455.25 | 0.02 | 128338.83 | 18.49 | -0.50 | -0.17 | -0.08 |
1021909 | -29.01 | -0.02 | 31363.62 | 86.92 | 0.14 | 0.20 | 0.26 |
1、预设模型建立:
使用Python语言开发平台Spyder建立如下规则的预设模型,导入数据预处理模块中生成的商品销售差值特征表(如表3所示),按照模型规则计算,最终生成集合O表、集合P表、集合O质心表、集合P质心表,导出存储至数据仓库,具体包括以下步骤:
1.1、数据标准化并向量化。
1.2、商品销售差值特征表中的数据是采用max-min算法进行标准化处理的,例如毛利差的处理方法,其数据转换为该值减去毛利差中的最小值,比毛利差中的最大值减去最小值,具体计算方法如下式所示:
1.3、使用向量集Z组成的矩阵表示商品销售差值特征表,假设该表中共有z个商品销售记录,使用n维向量表示各个商品销售记录标准化后的明细数据,n为商品销售差值特征表中的属性标签的个数,向量的坐标值依次为该商品销售记录对应的属性数据。
{a1,a2,...,az},ai∈Rn,(i=1,2,...,z)。
1.4、随机选取起始点,即从该向量集中随机选取两个向量ao,ap。
1.5、计算距离,划分数据集,即将向量集Z以n个属性数据为坐标点映射到n维空间中,取向量集Z中除去选取的向量ao,ap外的一个向量an表示的空间点,分别计算an与ao,ap两个向量表示点之间的距离,具体计算方法如下:
Dis_ao=||an-ao||2,
Dis_ap=||an-ap||2。
1.6、计算an到ao,ap的距离的最小值,划分N到距离最小的起始点组成向量集,另外一个点单独为一个向量集,分别记作向量集O(即上述第一向量集)和向量集P(即上述第二向量集合),距离最小值的计算方法如下:
min(Dis_ao,Dis_ap)。
1.7、更新各个向量集质心,若an属于向量集O,则更新向量集O的质心点,具体计算方法如下:
若an属于向量集P,则更新向量集P的质心点,具体计算方法如下:
1.8、反复迭代1.6和1.7限定的步骤,使用1.7限定的方案更新质心点,逐个对向量集Z中的向量进行聚类,直到向量集Z中所有待判定向量点都聚类完成,最终得到的O、P两个向量集,和经过不断迭代更新过的向量ao,ap,分别转化为数据表:集合O表、集合P表、集合O质心表、集合P质心表,并存储至数据仓库。
2、类别业务属性计算模块:
经过上述聚类模型训练模块处理后,已开通平行库存业务的商品聚集为两类,但是仍不能划分是否适合开通平行库存业务,需要进一步处理。
2.1、使用Python语言开发平台Spyder建立如下规则的预设模型,导入聚类模型训练模块中生成的集合O表、集合P表、集合O质心表、集合P质心表,按照模型规则计算,最终生成商品分类判定结果表,导出存储至数据仓库。
2.2、统一标准化趋势系数,即导入集合O表、集合P表、集合O质心表、集合P质心表,分别生成向量集O、P和向量ao,ap,由业务分析商品的跨区减去非跨区的属性,以表3为例,属性标签包括毛利差、毛利率差、配送时长差、库存周转、包裹差评差、时效差评差和服务差评差,则决策‘适合划分为平行库存’的目标函数的趋势向量如下:
q=(1,1,-1,1,-1,-1,-1)。
2.3、将趋势向量q转换为矩阵并转置得到因子载荷矩阵q如下:
2.4、将向量集O、P和向量ao,ap分别转换成矩阵并乘以因子载荷矩阵q,趋势标准化数据,具体计算公式如下:
ao1=ao*q。
ap1=ap*q。
O'=O*q。
P'=P*q。
2.5、由变异系数计算属性权值并生成权重向量,并将趋势标准化后的矩阵O'和P'中的向量合并为一个矩阵OP,计算向量集合OP中各个属性数据的变异系数,其中σi为第i项指标数据的标准差,为第i项指标数据的平均数,具体计算公式如下:
计算属性权重向量r,具体计算公式如下:
r=(W1,W2,...,Wi)(i=1,2,...,n)。
2.6、加权计算业务属性数据,分别将ao1和ap1分别与权重向量r相乘计算业务属性数据,具体计算公式如下:
f(ao1)=ao1*r。
f(ap1)=ap1*r。
2.7、计算分类结果,计算业务属性数据中的最大值,最大值的向量质心点对应的向量集即为目标函数‘适合划分为平行库存’的商品集合,另一向量集即为‘不适合划分为平行库存’的商品集合,具体计算公式如下:
f(适合划分为平行库存)=max(f(ao1),f(ap1))。
2.8、设‘适合划分为平行库存’的向量集为A,‘不适合划分为平行库存’的向量集为B,分别转化为数据表,只保留商品销售记录中的名称字段,去除其他属性标签后合并为一个表,并增加字段“是否适合”,例如,向量集A中的数据为1,向量集B中的数据为0,保存为分类判定结果表并存储至数据仓库。
3、分类与决策模块间参数传递模块:
3.1、抽取并存储电商系统中存储的商品销售记录属性数据表,通过商品销售记录的“名称”关联判定结果表中的“是否适合”字段,筛选只存在于判定结果表中的商品数据,并在数据仓库中保存为决策模型训练表。
3.2、将类别业务属性计算模块计算的结果传递到下一阶段决策模型训练模块中,作为决策模型训练过程中的类标(即类别数据)来使用。
4、决策模型训练模块:
4.1、将经过分类与决策模块间参数传递模块生成的决策模型训练表D的数据等分为两部分,一部分作为训练集,一部分作为测试集。
4.2、利用分类决策模型处理训练集以构建决策规则,本发明的实例中,采用归纳决策树ID3算法进行决策模型的训练,D中的元组分类的信息熵E表示为:
其中,c表示决策类别总个数,pi表示第i个类别的属性标签在整个训练元组中出现的概率,可以用属于此类别元素的数量除以训练元组元素总数量作为估计。
另外,信息熵的实际意义表示是D中元组的类标号所需要的平均信息量。
4.3、将训练元组D按属性Xn进行划分,则Xn对D划分的期望信息为:
其中,β为按照属性Xn划分的总个数。
4.4、信息增益即为两者的差值:
Gain(D,Xn)=E(D)-E(D,Xn)。
归纳决策树ID3算法就是在每次需要分裂时,计算每个属性的信息增益,然后选择增益最大的属性进行分裂,直到叶节点(即上述网络节点)的类别纯度达到设定的百分比结束。
5、商品仓储决策模块:
导入待决策商品的属性数据,进行数据预处理模块的处理,然后将处理后数据的属性标签按照决策树从上到下(即父级到子级)进行结点匹配。若存在此结点,则将此属性数据传递到决策规则集中进行规则匹配,找到后输出决策即可,若没找到匹配结点,与该决策规则集中的后续结点继续匹配,直到得到决策值结束。
综上,平行库存具有时效快、客户购买可得性高、控制力强、利用库存共享增加销售等优点。开通平行库存属性,可满足低带宽和高毛利的要求,另外,适合长途运输和非促销关系的商品一地库存全国发货的需求,以此增加商品销量,同时,提高商品周转率。
以上结合附图详细说明了本发明的技术方案,本发明提供了一种数据处理方法、数据处理设备和计算机可读存储介质,通过计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征,能够直观地反映出商品开通平行库存业务前后的差异,进一步地,通过采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,以及计算所述第一类特征数据集合和所述第二类特征数据集合中的任一属性数据的业务属性值,并根据所述业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,可以精准快速地智能决策哪些商品适合开通平行库存业务,以提高商品的库存周转率和销量,同时,有利于降低商品的仓储成本。
本发明方法中的步骤可根据实际需要进行顺序调整、合并和删减。
本发明设备中的单元可根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种数据处理方法,其特征在于,包括:
计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;
采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;
所述采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合,具体包括:
将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量;
迭代计算任两个所述多维差值特征向量之间的距离,以根据所述距离的数值大小将所述多维差值特征向量划分为第一向量集和第二向量集;
迭代更新所述第一向量集的质心向量和所述第二向量集的质心向量,并分别确定为第一质心向量和第二质心向量;
获取与所述属性标签个数相等的趋势向量,并将所述趋势向量转换为矩阵并转置得到因子载荷矩阵;
采用因子载荷矩阵分别对所述第一向量集、所述第二向量集合、所述第一质心向量和所述第二质心向量进行趋势标准化;
将经过所述趋势标准化的第一向量集和第二向量集合合并为一个属性数据矩阵;
根据所述属性数据的标准差和平均值计算所述属性数据矩阵中的任一属性数据的变异系数;
根据所述变异系数计算每个所述属性数据的属性权重向量,以得到属性权重矩阵;
计算经过所述趋势标准化的第一质心向量与所述属性权重矩阵的乘积值,同时,计算经过所述趋势标准化的第二质心向量与所述属性权重矩阵的乘积值,并分别记作第一业务属性数据和第二业务属性数据;
根据所述第一业务属性数据和所述第二业务属性数据的大小关系,将所述第一向量集和所述第二向量集分别确定为第一类特征数据集合和第二类特征数据集合;
根据所述第一类特征数据集合和第二类特征数据集合的业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。
2.根据权利要求1所述的数据处理方法,其特征在于,根据所述第一类特征数据集合和第二类特征数据集合的业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合,具体包括:
确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合;
确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合。
3.根据权利要求1或2所述的数据处理方法,其特征在于,还包括:
将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据;
采用所述类别数据对所述预设模型的网络节点进行训练,
其中,所述预设模型的网络节点是按照信息增益最大的属性标签进行分裂形成,且所述网络节点中的叶节点的类别纯度达到预设的百分比。
4.一种数据处理设备,其特征在于,包括:
计算模块,用于计算在跨区销售下的属性数据与在非跨区销售下的属性数据之间的数据差值,并确定为商品销售差值特征;
聚类模块,用于采用预设模型对所述商品销售差值特征进行聚类分析,以得到第一类特征数据集合和第二类特征数据集合;
所述聚类模块,包括:
投射模块,用于将所述商品销售差值特征投射为与属性标签个数相同的多维差值特征向量;
所述计算模块还用于:迭代计算任两个所述多维差值特征向量之间的距离,以根据所述距离的数值大小将所述多维差值特征向量划分为第一向量集和第二向量集;
所述计算模块还用于:迭代更新所述第一向量集的质心向量和所述第二向量集的质心向量,并分别确定为第一质心向量和第二质心向量;
获取模块,用于获取与所述属性标签个数相等的趋势向量,并将所述趋势向量转换为矩阵并转置得到因子载荷矩阵;
标准模块,用于采用因子载荷矩阵分别对所述第一向量集、所述第二向量集合、所述第一质心向量和所述第二质心向量进行趋势标准化;
合并模块,用于将经过所述趋势标准化的第一向量集和第二向量集合合并为一个属性数据矩阵;
所述计算模块还用于:根据所述属性数据的标准差和平均值计算所述属性数据矩阵中的任一属性数据的变异系数;
根据所述变异系数计算每个所述属性数据的属性权重向量,以得到属性权重矩阵;
所述计算模块还用于:计算经过所述趋势标准化的第一质心向量与所述属性权重矩阵的乘积值,同时,计算经过所述趋势标准化的第二质心向量与所述属性权重矩阵的乘积值,并分别记作第一业务属性数据和第二业务属性数据;
确定模块用于:根据所述第一业务属性数据和所述第二业务属性数据的大小关系,将所述第一向量集和所述第二向量集分别确定为第一类特征数据集合和第二类特征数据集合;
所述确定模块,还用于根据所述第一类特征数据集合和第二类特征数据集合的业务属性值确定适合划分为平行库存的数据集合和不适合划分为平行库存的数据集合。
5.根据权利要求4所述的数据处理设备,其特征在于,
所述确定模块还用于:确定最大的业务属性值对应的所述第一类特征数据集合和所述第二类特征数据集合中的一个特征数据集合为适合划分为平行库存的数据集合;
所述确定模块还用于:确定所述第一类特征数据集合和所述第二类特征数据集合中的另一个特征数据集合为不适合划分为平行库存的数据集合。
6.根据权利要求4或5所述的数据处理设备,其特征在于,还包括:
划分模块,用于将所述适合划分为平行库存的数据集合和所述不适合划分为平行库存的数据集合确定为类别数据;
训练模块,用于采用所述类别数据对所述预设模型的网络节点进行训练,
其中,所述预设模型的网络节点是按照信息增益最大的属性标签进行分裂形成,且所述网络节点中的叶节点的类别纯度达到预设的百分比。
7.一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,所述计算机程序被执行时,实现如权利要求1至3中任一项所述的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811477833.1A CN111275371B (zh) | 2018-12-05 | 2018-12-05 | 数据处理方法、数据处理设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811477833.1A CN111275371B (zh) | 2018-12-05 | 2018-12-05 | 数据处理方法、数据处理设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275371A CN111275371A (zh) | 2020-06-12 |
CN111275371B true CN111275371B (zh) | 2023-07-25 |
Family
ID=71002971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811477833.1A Active CN111275371B (zh) | 2018-12-05 | 2018-12-05 | 数据处理方法、数据处理设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275371B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884408A (zh) * | 2021-02-20 | 2021-06-01 | 北京每日优鲜电子商务有限公司 | 物品出库方法、装置、电子设备和计算机可读介质 |
CN116227243B (zh) * | 2023-05-09 | 2023-08-18 | 中国汽车工业工程有限公司 | 一种轿车车身架库工艺荷载分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034933A (zh) * | 2012-06-27 | 2013-04-10 | 郭思宇 | 一种基于多级仓储的物流管理方法 |
CN105701631A (zh) * | 2016-01-06 | 2016-06-22 | 北京京东尚科信息技术有限公司 | 一种商品入库方法和仓库管理系统 |
CN105787689A (zh) * | 2016-02-26 | 2016-07-20 | 北京京东尚科信息技术有限公司 | 一种实现零存量预占的方法与系统 |
CN106991550A (zh) * | 2016-01-21 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 商品对象补货信息处理方法及装置 |
CN108921482A (zh) * | 2018-07-13 | 2018-11-30 | 惠龙易通国际物流股份有限公司 | 快消品投放方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6871201B2 (en) * | 2001-07-31 | 2005-03-22 | International Business Machines Corporation | Method for building space-splitting decision tree |
US20030172007A1 (en) * | 2002-03-06 | 2003-09-11 | Helmolt Hans-Ulrich Von | Supply chain fulfillment coordination |
US20130339199A1 (en) * | 2012-06-13 | 2013-12-19 | Ebay Inc. | Inventory exchange for managing inventory across multiple sales channels |
-
2018
- 2018-12-05 CN CN201811477833.1A patent/CN111275371B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034933A (zh) * | 2012-06-27 | 2013-04-10 | 郭思宇 | 一种基于多级仓储的物流管理方法 |
CN105701631A (zh) * | 2016-01-06 | 2016-06-22 | 北京京东尚科信息技术有限公司 | 一种商品入库方法和仓库管理系统 |
CN106991550A (zh) * | 2016-01-21 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 商品对象补货信息处理方法及装置 |
CN105787689A (zh) * | 2016-02-26 | 2016-07-20 | 北京京东尚科信息技术有限公司 | 一种实现零存量预占的方法与系统 |
CN108921482A (zh) * | 2018-07-13 | 2018-11-30 | 惠龙易通国际物流股份有限公司 | 快消品投放方法及系统 |
Non-Patent Citations (2)
Title |
---|
亚马逊仓库――不为人知的亚马逊10大物流技术;品途网;《金卡工程》;20160210;全文 * |
浅析B2C电商仓储管理;王稀达;《现代家电》;20121225(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111275371A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704730B (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN111415193B (zh) | 基于关联商品的门店相似度的品类销售提升度计算方法 | |
CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用系统 | |
US20140006106A1 (en) | Adaptive in-memory customer and customer account classification | |
CN113159881B (zh) | 一种数据聚类及b2b平台客户偏好获取方法、系统 | |
US20210109906A1 (en) | Clustering model analysis for big data environments | |
CN113111924A (zh) | 电力客户分类方法及装置 | |
CN110427991A (zh) | 一种字符串匹配方法及装置 | |
CN111275371B (zh) | 数据处理方法、数据处理设备和计算机可读存储介质 | |
CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
CN112633927A (zh) | 一种基于知识图谱规则嵌入的组合商品挖掘方法 | |
CN116308477A (zh) | 一种大数据场景下的汽配易损件门店进货推荐方法 | |
CN112132396A (zh) | 一种基于智能匹配的客户关系分配方法及系统 | |
JPH06119309A (ja) | 購入見込み度合予測方法及び顧客管理システム | |
CN112100202B (zh) | 一种产品识别及产品信息补全方法、存储介质及机器人 | |
CN113034264A (zh) | 客户流失预警模型的建立方法、装置、终端设备及介质 | |
CN116703533A (zh) | 一种商业管理数据优化存储分析方法 | |
CN116029794A (zh) | 商品价格确定方法、装置、电子设备及存储介质 | |
CN115034685A (zh) | 客户价值评估方法、装置和计算机可读存储介质 | |
CN111400413B (zh) | 一种确定知识库中知识点类目的方法及系统 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN113627997A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111768139B (zh) | 备货处理方法、装置、设备及存储介质 | |
CN110990446A (zh) | 一种基于投资者画像的智能投顾检索方法及装置 | |
Kunasekaran | Research on E-commerce Customer Loyalty under Big Data |
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 |