CN111768216A - 订单价格调整方法、装置、服务器及存储介质 - Google Patents

订单价格调整方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111768216A
CN111768216A CN201910262649.3A CN201910262649A CN111768216A CN 111768216 A CN111768216 A CN 111768216A CN 201910262649 A CN201910262649 A CN 201910262649A CN 111768216 A CN111768216 A CN 111768216A
Authority
CN
China
Prior art keywords
order
price
probability
price adjustment
assignment
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.)
Pending
Application number
CN201910262649.3A
Other languages
English (en)
Inventor
周凯荣
李鑫
陈宁
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.)
Rajax Network Technology Co Ltd
Original Assignee
Rajax Network Technology 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 Rajax Network Technology Co Ltd filed Critical Rajax Network Technology Co Ltd
Priority to CN201910262649.3A priority Critical patent/CN111768216A/zh
Publication of CN111768216A publication Critical patent/CN111768216A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及信息处理技术领域，公开了一种订单价格调整方法、装置、服务器及存储介质。订单价格调整方法，包括：获取订单对应的指派阶段；根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；根据所述订单当前的调价规则，调整所述订单的价格。采用本发明的实施方式，使得订单的成本和订单被接起的概率达到均衡。

Description

订单价格调整方法、装置、服务器及存储介质
技术领域
本发明实施例涉及信息处理技术领域，特别涉及一种订单价格调整方法、装置、服务器及存储介质。
背景技术
在互联网普及的时代，在线下单作为一种便捷服务走入人们的生活，由此衍生了对订单配送服务的极大需求。然而发明人发现相关技术中至少存在如下问题：由于订单的价格对配送资源是否接起订单的影响较大，当订单的价格较高时，保证了订单被接起的概率，但导致了订单成本的上升；当订单的价格较低时，不会产生较高的成本，但使得订单被接起的概率降低，影响了订单的正常配送；因此不合理的订单价格会造成订单成本和订单被接起的概率之间的失衡。
发明内容
本发明实施方式的目的在于提供一种订单价格调整方法、装置、服务器及存储介质，能够使得订单的成本和订单被接起的概率达到均衡。
为解决上述技术问题，本发明的实施方式提供了一种订单价格调整方法，包括：获取订单对应的指派阶段；根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；根据所述订单当前的调价规则，调整所述订单的价格。
本发明的实施方式还提供了一种订单价格调整装置，包括：指派阶段获取模块，用于获取订单对应的指派阶段；调价规则获取模块，用于根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；调价模块，用于根据所述订单当前的调价规则，调整所述订单的价格。
本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取订单对应的指派阶段；根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；根据所述订单当前的调价规则，调整所述订单的价格。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述订单价格调整方法。
本发明实施方式相对于现有技术而言，获取订单对应的指派阶段，根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则，并根据所述订单当前的调价规则，调整所述订单的价格，从而能够针对订单对应的指派阶段对订单的价格进行动态调整，以保证订单的价格在整个指派过程中始终处于合理范围内，使得订单的成本得到有效控制且不影响订单的正常接起和配送，订单的成本和订单被接起的概率达到均衡。
另外，订单为第一类型订单或第二类型订单；所述第一类型订单的指派阶段，包括：在订单生成后推荐性指定配送资源的弱指派阶段、订单在所述弱指派阶段中未被接起后进入的由多个配送资源对订单进行抢单的轮询阶段、以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段；所述第二类型订单的指派阶段，包括：由多个配送资源对订单进行抢单的轮询阶段以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段。
另外，弱指派阶段对应的调价规则，包括：根据预测的所述推荐性指定配送资源的接单概率，对所述订单进行第一次调价；根据所述订单所处的时间片，对第一次调价后的所述订单进行第二次调价，从而提高指定配送资源对订单的接单概率，使得订单在弱指派阶段有更大概率被指定的配送资源接起，以保证订单的配送质量。
另外，轮询阶段对应的调价规则，包括：根据预测的所述订单在当前时间片被接起的概率，对所述订单进行调价，从而提高订单在当前时间片被接起的概率，使得订单有更大概率被配送资源抢单接起，以保证订单的配送质量。
另外，强指派阶段对应的调价规则，包括：根据预测的所述强制性指定配送资源的拒单概率，对所述订单进行调价，从而降低指定配送资源对订单的拒单概率，使得订单在强指派阶段有更大概率被指定的配送资源接起，以保证订单的配送质量，同时避免骑手因拒绝强指派订单而受到惩罚。
另外，所述推荐性指定配送资源的接单概率，通过以下方式预测得到：获取所述推荐性指定配送资源实时的特征数据；根据所述实时的特征数据和预设的用于预测接单概率的第一预测模型，对所述推荐性指定配送资源的接单概率进行预测，得到所述接单概率，其中，所述第一预测模型根据配送资源历史的特征数据训练得到；预设的用于预测接单概率的第一预测模型是根据配送资源历史的特征数据训练得到的，因此能够较为真实准确地对配送资源的接单概率进行预测，预测的接单概率的可参考价值较高。在得到预测的所述接单概率后，根据预测的所述接单概率对所述订单进行第一次调价，从而能够实现在配送资源的接单概率较低时，通过调价来提升配送资源的接单配送意愿，以保证订单的正常配送质量，控制订单被接单概率处于均衡状态；或是在配送资源的接单概率较高时，通过调价来控制订单产生的成本。
另外，所述第二次调价的调整价格，通过以下方式获取得到：根据预设的订单时间片和奖励价格的对应关系，获取与所述订单所处的时间片相对应的奖励价格，作为所述第二次调价的调整价格。由于第二次调价的调整价格是关联于配送高峰或配送低峰所处时间片的奖励价格，因此能够通过该奖励价格最大化刺激配送资源进行接单。
另外，所述订单在当前时间片被接起的概率，通过以下方式预测得到：根据预设的用于预测订单被接起的概率的第二预测模型，预测得到所述订单在当前时间片被接起的概率，其中，所述第二预测模型根据采集的订单的历史特征数据训练得到；预设的用于预测订单被接起的概率的第二预测模型是根据采集的订单的历史特征数据训练得到的，因此能够较为真实准确地对订单被接起的概率进行预测，可参考价值较高。在得到预测的订单在当前时间片被接起的概率后，根据预测的订单在当前时间片被接起的概率，对所述订单进行调价，从而能够实现在订单被接起的概率较低时，通过调价来提升配送资源的接单配送意愿，以保证订单的正常配送质量。
另外，所述强制性指定配送资源的拒单概率，通过以下方式预测得到：获取所述强制性指定配送资源实时的特征数据；根据所述实时的特征数据和预设的用于预测拒单概率的第三预测模型，对所述强制性指定配送资源的拒单概率进行预测，得到所述拒单概率，其中，所述第三预测模型根据配送资源历史的特征数据训练得到；预设的用于预测拒单概率的第三预测模型是根据配送资源历史的特征数据训练得到的，因此能够较为真实准确地对配送资源的拒单概率进行预测，可参考价值较高。在得到预测的所述拒单概率后，根据预测的所述拒单概率，对所述订单进行调价，从而能够实现在配送资源的拒单概率较高时，通过调价来提升配送资源的接单配送意愿，降低配送资源的拒单概率，以保证订单的正常配送质量。
另外，所述订单为第一类型订单；所述第一类型订单的基础定价根据预设的基础定价模型获取得到。
另外，所述订单为第二类型订单；所述第二类型订单的基础定价根据预设的基础定价模型和所述第二类型订单的时间损耗成本获取得到。区别于第一类型订单，第二类型订单的基础定价还将时间损耗成本纳入了基础定价的计算范围，能够真实反映时间损耗对第二类型订单造成的配送难度，使得获取得到的第二类型订单的基础定价更为合理有效。
另外，预设的基础定价模型具体为：
basic_price＝w_1*customer_shop_dist+w_2*rider_shop_dist+w_3
*shop_ets_level+w_4*customer_ets_level+w_5
*weather_level
其中，所述basic_price表示基础定价；所述customer_shop_dist表示下单用户与商户间的距离值；所述rider_shop_dist表示所述订单的推荐性指定配送资源与商户间的距离值；所述shop_ets_level表示所述订单的预期取餐时间，所述customer_ets_level表示所述订单的预期送餐时间；所述weather_level表示当前天气等级；所述w_1，w_2，w_3，w_4和w_5均为常数系数。由于基础定价模型综合了订单的多项原始属性数据，能够反映订单的而原始配送难度，使得计算出的订单的基础定价较为合理有效。
另外，第二类型订单的时间损耗成本，通过以下方式获取得到：根据所述第二类型订单对应商户的商户历史订单数据，计算所述第二类型订单的预测损耗时长；根据预设的预测损耗时长和时间损耗成本的对应关系，获取所述第二类型订单的时间损耗成本。通过真实的商户历史订单数据来获取订单的时间损耗成本，可参考价值高。
另外，所述方法，还包括：若所述订单对应的指派阶段为轮询阶段，则在调整所述订单的价格后，根据预设的用于预测配送资源接起订单的概率的第四预测模型，预测各配送资源对所述订单的接单概率，其中，所述第四预测模型根据采集的配送资源浏览订单的历史特征数据训练得到；根据预测的所述各配送资源对所述订单的接单概率，选择出至少一个目标配送资源；将所述订单推送给所述目标配送资源。由于第四预测模型预先根据采集的配送资源浏览的订单的历史特征数据训练得到，即训练第四预测模型的数据来源于订单的真实历史数据，参考价值高，可使得预测的接单概率更加准确、可靠；将订单推送给根据预测的各配送资源的接单概率选择出的目标配送资源，而无需向大量配送资源推送订单，有利于提高对于订单进行推送的针对性，在一定程度上有利于提高配送资源的接单率。
另外，在所述将所述订单推送给所述目标配送资源后，还包括：若检测到向所述目标配送资源推送的订单的数量为M个，则根据所述第四预测模型预测所述目标配送资源接起所述M个订单的M个接单概率；其中，所述M为大于预设阈值的自然数；对所述M个订单根据所述M个接单概率进行排名；根据所述排名的结果，对所述M个订单进行推送；其中，所述接单概率越大的订单推送位置越靠前，有助于目标配送资源优先看见接单概率高的订单，有利于目标配送资源尽快接单。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是根据本发明第一实施方式的订单价格调整方法的流程图；
图2是根据本发明第二实施方式的订单价格调整方法的流程图；
图3是根据本发明第二实施方式的接单概率的映射函数图像；
图4是根据本发明第三实施方式的订单价格调整装置的结构方框图；
图5是根据本发明第四实施方式的服务器的结构方框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种订单价格调整方法，方法的具体流程如图1所示，具体包括：
步骤101，根据获取的订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取订单当前的调价规则。
步骤102，根据订单当前的调价规则，调整订单的价格。
下面对本实施方式的订单价格调整方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
在步骤101中，根据获取的订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取订单当前的调价规则。本实施方式中，可通过订单管理后台获取到订单所处的指派阶段，作为获取的订单对应的指派阶段，可获取到的订单对应的指派阶段包括：推荐性指定配送资源的弱指派阶段，由多个配送资源对订单进行抢单的轮询阶段，以及强制性指定配送资源的强指派阶段；且预先分别为弱指派阶段，轮询阶段，以及强指派阶段对应设置一种调价规则。本实施方式中，配送资源可以理解为完成配送所用到的资源，配送可以包括外卖配送、快递配送等，即对应的配送资源可以包括外卖平台上完成外卖配送的骑手、快递平台上完成快递配送的快递员等。另外，配送资源也可以为无人车、无人机等，在此不做限制。
在步骤102中，根据获取到的订单当前的调价规则，调整订单的价格，也就是在订单当前价格的基础上进行调整。本实施方式中，订单可以为第一类型订单；第一类型订单在生成后进入弱指派阶段，根据弱指派阶段对应的调价规则，对第一类型订单的基础定价进行调价；若第一类型订单在弱指派阶段中未被接起，则进入轮询阶段，根据轮询阶段对应的调价规则，对第一类型订单在弱指派阶段的价格进行调价；若第一类型订单在轮询阶段中未被接起，则进入强指派阶段，根据强指派阶段对应的调价规则，对第一类型订单在轮询阶段的价格进行调价；在实际应用中，第一类型订单可以为普通外卖订单。本实施方式中，订单还可以为第二类型订单；第二类型订单在生成后进入轮询阶段，根据轮询阶段对应的调价规则，对第二类型订单的基础定价进行调价；若第二类型订单在轮询阶段中未被接起，则进入强指派阶段，根据强指派阶段对应的调价规则，对第二类型订单在轮询阶段的价格进行调价；在实际应用中，第二类型订单可以为较为个性化的帮买帮送订单。需要说明的是，在实际应用中，普通外卖订单仅需要配送资源前往已确定的商户拿取商品即可，而帮买帮送订单需要配送资源根据用户的需求，实际到店后主动进行商品的购买，也就是在订单交易的流程上区别于传统的普通外卖订单，与配送资源的个人意愿关联较强，因此以帮买帮送订单为代表的第二类型订单不经过弱指派阶段，而是直接在生成后进入轮询阶段，由配送资源根据个人意愿进行抢单。
本实施方式相对于现有技术而言，获取订单对应的指派阶段，其中，应对不同类型的订单的特点，设计有不同的指派流程；根据订单对应的指派阶段，和预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则，并根据所述订单当前的调价规则，调整所述订单的价格，从而能够针对订单对应的指派阶段对订单的价格进行动态调整，以保证订单的价格在整个指派过程中始终处于合理范围内，使得订单的成本得到有效控制且不影响订单的正常接起和配送，订单的成本和订单被接起的概率达到均衡。
本发明的第二实施方式涉及一种订单价格调整方法，本实施方式中，对第一实施方式中的第一类型订单或第二类型订单提供了一种调整价格的实现方式：在订单生成后，根据订单的类型对订单进行指派，并根据各指派阶段对应的调价规则来调整订单的价格。本实施方式中涉及的订单价格调整方法如图2所示，下面对图2的流程做具体说明：
步骤201，判断订单是否为第一类型订单；若是，执行步骤202；若否，执行步骤204。
具体地说，由实施例一可知，第一类型订单可以为普通外卖订单，第二类型订单可以为帮买帮送订单，也就是说，用户可以以普通外卖的形式进行下单，也可以以帮买帮送的形式进行下单。在实际应用中，可预设每种下单形式对应的订单类型，若接收到用户以普通外卖形式的下单，则判定生成的订单为第一类型订单，若接收到用户以帮买帮送形式的下单，则判定生成订单为第二类型订单。由于本实施方式中的订单为第一类型订单或第二类型订单，且第一类型订单和第二类型订单在生成后进入的指派阶段不同，因此当订单为第一类型订单时，则执行步骤202，进入弱指派阶段进行调价；当订单不为第一类型订单时，订单为第二类型订单，则执行步骤204，进入轮询阶段进行调价。
步骤202，令订单进入弱指派阶段，根据弱指派阶段对应的调价规则，对订单进行调价。
具体地说，第一类型订单在生成后进入推荐性指定配送资源的弱指派阶段，根据弱指派阶段对应的调价规则，对第一类型订单的基础定价进行调价。本实施方式中，根据预测的推荐性指定配送资源的接单概率，对订单进行第一次调价，再根据订单所处的时间片，对订单进行第二次调价。
首先，第一类型订单的基础定价，主要反映订单的原始配送难度。以普通外卖订单为例，原始配送难度主要根据用户与商户的距离、推荐性指定配送资源与商户的距离、推荐性指定配送资源的预期取餐时间、推荐性指定配送资源的预期送餐时间、当前天气等级等多个因素决定。在本实施方式中，通过预设的基础定价模型，来计算不同原始配送难度下订单的基础定价，具体为：
basic_price＝w_1*customer_shop_dist+w_2*rider_shop_dist+w_3
*shop_ets_level+w-4*customer_ets_level+w_5
*weather_level
其中，所述basic_price表示基础定价；所述customer_shop_dist表示下单用户与商户间的距离值；所述rider_shop_dist表示所述订单的推荐性指定配送资源与商户间的距离值；所述shop_ets_level表示所述订单的预期取餐时间，所述customer_ets_level表示所述订单的预期送餐时间；所述weather_level表示当前天气等级；所述w_1，w_2，w_3，w_4和w_5均为常数系数。以当前天气等级为例，预设天气按恶劣程度来划分等级，不同等级的天气对应不同的价格值，一般情况下天气恶劣程度越高，对应的价格值越高。
在获取到第一类型订单的基础定价后，根据预测的推荐性指定配送资源的接单概率，对第一类型订单的基础定价进行第一次调价。预测的推荐性指定配送资源的接单概率，根据推荐性指定配送资源实时的特征数据和预设的用于预测接单概率的第一预测模型来预测得到，第一预测模型是根据配送资源历史的特征数据进行训练得到的xgboost模型；配送资源的特征数据，可借助订单管理后台获取得到，至少包括以下维度的数据的任意组合：订单数据(如订单的预计出餐时长、订单的商品价格等)、配送资源位置数据(如配送资源距商户的距离等)、配送资源属性数据(如配送资源的最大背单能力等)、商户数据(如商户周围配送资源的数量及相对距离等)以及环境数据(如当前天气等级、当前时间片等)。本实施方式中，具体通过以下方式训练得到第一预测模型：分别获取在M个历史时间段内的多个配送资源历史的特征数据，作为M个训练集。具体地说，M为大于1的自然数，本实施方式中，以7天为一个历史时间段，在每7天内分别获取多个配送资源历史的特征数据，作为一个训练集，取M为5，即获取得到5个训练集，5个训练集与5个历史时间段一一对应，如表1所示；配送资源的数量不做具体限制，配送资源的数量越多，则获取到的历史的特征数据越丰富，从而使得模型能够在丰富的数据环境中进行训练，以提高训练后模型输出的准确度。
表1
训练集 历史时间段
训练集1 10月11日——10月17日
训练集2 10月13日——10月19日
训练集3 10月15日——10月21日
训练集4 10月17日——10月23日
训练集5 10月19日——10月25日
本实施方式中可将用于训练的xgboost模型的超参数设置为：树的颗数1000，树的深度5层，模型学习率0.03，模型特征采样比例0.75，模型样本采样比例0.75。当然，在实际应用中并不以此为限。通过对训练集1至训练集5分别进行模型训练，得到5个训练后的模型，即训练集1对应的模型1，训练集2对应的模型2……以此类推。在得到训练后的模型1至模型5后，获取M个测试集，与M个训练后的模型一一对应；本实施方式中，以2天为一个历史时间段，获取了5个2天内的多个配送资源历史的特征数据，作为5个测试集，5个测试集与5个训练后的模型一一对应，也就是与5个训练集一一对应，如表2所示。另外，为了保证测试集的测试效果，测试集所取的历史时间段内，不包括在相对应的训练集所取的历史时间段内。
表2
Figure BDA0002015789610000091
Figure BDA0002015789610000101
将测试集1至测试集5包括的历史时间段内配送资源历史的特征数据，作为对应的训练后的模型的输入，供训练后的模型输出预测的接单概率；若模型在接单概率上表现为欠拟合，则相应增加该模型的复杂度，例如增加模型树的颗数和树的深度；若模型在接单概率上表现为过拟合，则相应降低该模型的复杂度，例如减小模型树的颗数和树的深度。在对各训练后的模型的复杂度进行调整后，再次对各训练后的模型分别进行测试，直至各训练后的模型在测试结果上表现平稳。评估模型的训练效果是否平稳，可选用AUC(Area Underroc Curve)指标，AUC是一个概率值，当随机挑选一个正样本以及一个负样本时，待评估的模型将正样本排在负样本前面的概率就是AUC值，AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，从而能够很好的评估模型训练效果的好坏程度。本实施方式中，当模型的AUC指标稳定于[0.82,0.85]区间时，可认为模型表现平稳。当各训练后的模型表现平稳时，根据各训练后的模型在测试后输出的预测的接单概率，比较于用于测试的真实概率，计算出各训练后的模型的测试误差，将测试误差最小的模型，确定为第一预测模型，并将第一预测模型存储为文件；在需要预测配送资源的接单概率时，调用该存储的文件，以该文件存储的第一预测模型对接单概率进行预测。
本实施方式中，通过logit(评定函数)将预测的接单概率映射至[0,1]区间，得到如图3所示的函数图像，其中纵轴表示映射至[0,1]区间的接单概率，横轴表示订单价格。由图3所示的函数图像可知，当接单概率处于0.5附近时，函数的斜率变化较大，说明接单概率对于订单价格的变化较为敏感，也就是说订单价格的变化对接单概率的影响较大，在此区间对订单价格做调整能够最大化地影响接单概率；当接单概率处于接近0或是接近1的两端时，函数的斜率变化平缓，说明接单概率对于订单价格的变化基本不敏感，也就是说订单价格的变化对接单概率的影响很小。因此，根据接单概率的函数斜率变化，预设第一接单概率，和大于第一接单概率的第二接单概率；当接单概率低于预设的第一接单概率时，接单概率极低，函数的斜率变化平缓，极低的接单概率基本不会因订单价格的波动而有明显上升，可保持订单的价格不变，以维持现状；当接单概率高于预设的第二接单概率时，接单概率极高，函数的斜率变化平缓，极高的接单概率基本不会因订单价格的波动而有明显下降，可降低订单的价格，以在订单配送质量有保证的同时，降低订单产生的成本；当接单概率处于第一接单概率和第二接单概率之间时，可增加订单的价格，以提升配送资源的接单意愿，使得订单有更大概率被接起，保证订单的配送质量。另外，考虑到需要控制订单产生的成本，对于订单价格的调整范围也处于预设的价格调整范围内；预设的价格调整范围，可根据对所有订单平均成本变化的期望值来计算。例如，将价格调整范围设置为[-0.3,0.3](元)。
在一个实例中，预设第一接单概率为0.25，预设第二接单概率为0.75。则当接单概率处于[0,0.25)区间时，极低的接单概率基本不会因订单价格的波动而有明显上升，则不对订单价格做调整。当接单概率处于[0.25,0.75]区间时，可增加订单的价格；且由于接单概率越高，对于订单价格的变化越不敏感，因此配置增加价格的幅度与接单概率呈反比，即接单概率越高，增价越少，从而在有效提升订单的被接起概率的同时控制订单增加的成本。当接单概率处于(0.75,1]区间时，极高的接单概率基本不会因订单价格的波动而有明显下降，则降低订单价格；且由于接单概率越高，对于订单价格的变化越不敏感，因此配置降低价格的幅度与接单概率呈正比，即接单概率越高，降价越多，从而在订单配送质量有保证的同时最大化降低订单产生的成本。根据前述的价格调整方式，配置了如表3所示的价格调整规则：
表3
接单概率 价格调整规则(元)
[0,0.1) 0
[0.1,0.25) 0
[0.25,0.3) +0.3
[0.3,0.4) +0.2
[0.4,0.5) +0.1
[0.5,0.6) 0
[0.6,0.75] 0
(0.75,0.8] -0.1
(0.8,0.9] -0.2
(0.9,1.0] -0.3
在对第一类型订单的基础定价进行上述的第一次调价后，根据预设的订单时间片和奖励价格的对应关系，获取与第一类型订单所处的时间片相对应的奖励价格，来对第一类型订单进行第二次调价。由于订单的价格还与订单所处时间片的配送压力和配送资源间的竞争相关，因此根据各时间片内订单和配送资源的区域分布，预设订单所处时间片和奖励价格的对应关系，对于配送压力较大的时间片，在第一次调价的基础上设置较高的奖励价格来进行第二次调价，以最大化刺激配送资源进行接单。上述第一预测模型中特征数据涉及的时间片以及第二次调价中涉及的时间片，可以理解为当前时间点所处的一个时间段，比如说，以单位时间为15分钟为例，可以将一天的时间划分为若干个时间片，00：00到00：15为第一个时间片；00：15到00：30为第二个时间片，依次类推。也就是说，在00：15这一时刻会得到第一个时间片，第一个时间片的编号为1，在00：30这一时刻会得到第二个时间片，第二个时间片的编号为2，依次类推；以时间片来作为表示时间的特征数据，便于对数据进行分类统计。
在一个实例中，当订单处于非高峰时间片时，对应的奖励价格为1元，对第一次调价后的订单加价1元；当订单处于午间用餐高峰时间片时，订单数量较多，配送压力较大，则设置午间用餐高峰时间片对应的奖励价格为2元，对第一次调价后的订单加价2元；当订单处于夜间夜宵高峰时间片时，配送资源数量较少，配送压力较大，则设置夜间夜宵高峰时间片对应的奖励价格为2.5元，对第一次调价后的订单加价2.5元。
步骤203，判断订单在弱指派阶段是否被接起；若否，执行步骤204；若是，结束。
具体地说，当第一类型订单在弱指派阶段未被推荐性指定的配送资源接起时，则执行步骤204，进入由多个配送资源进行抢单的轮询阶段，进行轮询阶段的调价；当第一类型订单在弱指派阶段被推荐性指定的配送资源接起，则对第一类型订单的调价结束，第一类型订单进入正常配送流程。
步骤204，令订单进入轮询阶段，根据轮询阶段对应的调价规则，对订单进行调价。
具体地说，当进入轮询阶段的是第一类型订单时，以第一类型订单在弱指派阶段进行调整过的价格为基础，根据预测的第一类型订单在当前时间片被接起的概率，对第一类型订单进行调价。订单在当前时间片被接起的概率，根据订单特征数据和预设的用于预测订单被接起的概率的第二预测模型来预测得到，第二预测模型是根据收集的订单的历史特征数据训练得到的xgboost模型，第二预测模型的训练过程与第一预测模型的训练过程大致相同，不同之处在于，第二预测模型选取的训练样本为订单的特征数据，可以为以下维度的数据的任意组合：订单重量、订单配送费、订单所处的环境数据、订单配送起点周围的配送资源数量、订单配送起点周围的配送资源的特征数据；配送资源的特征数据同步骤202中涉及的配送资源的特征数据。
本实施方式中，根据第二预测模型输出的订单被接起的概率，可以知晓订单在当前时间片被接起的可能性，以确定对应的调价金额，使得调整后的订单价格更容易吸引配送资源接单。例如，预先设定不同的订单被接起的概率范围对应不同的调价金额，调价金额可以理解为增加金额，不同的概率范围可以分为概率较大的大概率范围、概率中等的中概率范围、概率较小的小概率范围。可以理解的是，若第二模型预测的概率处于大概率范围，说明订单在当前时间片被接起的可能性相对较大，那么订单价格稍微加一点，订单就可能成功被接起；相反，若第二模型预测的概率处于小概率范围，说明订单在当前时间片被接起的可能性相对较小，那么需要将订单价格增加的多一点，才有可能使订单被成功接起。在一个实例中，预设订单在当前时间片被接起的概率处于(0.5，0.6]时，对应的调价金额为1元；订单在当前时间片被接起的概率处于(0.2，0.5]时，对应的调价金额为2元；订单在当前时间片被接起的概率处于(0，0.2]时，对应的调价金额为3元。
当步骤201中判断订单不为第一类型订单时，说明订单为第二类型订单，此处步骤204中进入轮询阶段的是第二类型订单。本步骤中，根据预测的第二类型订单在当前时间片被接起的概率，对第二类型订单的基础定价进行调价，具体的调价方式，大致同上述“根据第一类型订单在当前时间片被接起的概率，对第一类型订单进行调价”的方式，此处不再赘述。具体区别之处在于，第二类型订单的基础定价，根据预设的基础定价模型和第二类型订单的时间损耗成本获取得到。
具体地说，以帮买帮送订单为例，首先根据步骤202中预设的基础定价模型，计算出第二类型订单的原始定价，此处不再赘述；其次，根据帮买帮送订单对应商户的商户历史订单数据，预估出配送资源在商户的预估停留时间；同时获取商户购买时长，并对预估停留时间和商户购买时长进行加权，得到第二类型订单的预测损耗时长；再根据预测损耗时长和时间损耗成本的对应关系，获取到第二类型订单的时间损耗成本。本步骤中，对预估停留时间和商户购买时长进行加权的方式，具体为：
Time＝w1*ETS+w2*shop_statistic_time
其中，所述Time表示预测损耗时长；ETS(Estimate time of stay)表示配送资源在商户的预估停留时间；所述shop_statistic_time表示商户购买时长；所述w1,w2均为常数系数。其中，配送资源在商户的预估停留时间，具体指配送资源从到达商户购买到商品的时间；在实际应用中，可在商户的商户历史订单数据中，获取多个配送资源在商户的实际停留时间，对多个实际停留时间取平均值，得到预估停留时间。商户购买时长，作为对预估停留时间的矫正，具体可根据商户的类型得到，从而使得预估停留时间较为贴近实际，表现合理；例如，由于商超、奶茶店或药店的类型不同，各自的商户规模、商品数量、购物流程等存在较大差异，因此在商超、奶茶店或药店进行购物的购买时长也是存在较大差异的，因此可设置药店的商户购买时长为5分钟；奶茶店的商户购买时长大于药店的购买时长，为10分钟；商超的商户购买时长大于奶茶店的商户购买时长，为30分钟；具体商户购买时长的数值可根据实际统计的数据进行设置。
步骤205，判断订单在轮询阶段是否被接起；若否，执行步骤206；若是，结束。
具体地说，轮询阶段由多个配送资源对订单进行抢单，当第一类型订单或第二类型订单处于轮询阶段的时长到达预设时长(例如20分钟)后，第一类型订单或第二类型订单还未被配送资源抢单，则执行步骤206，进入强制性指定配送资源的强指派阶段，进行强指派阶段的调价；当第一类型订单或第二类型订单在轮询阶段的预设时长内被弱指派阶段被配送资源抢单接起，则对订单的调价结束，订单进入正常配送流程。
步骤206，令订单进入强指派阶段，根据强指派阶段对应的调价规则，对订单进行调价。
具体地说，获取订单在轮询阶段调整后的价格，根据预测的强制性指定配送资源的拒单概率，对订单在轮询阶段调整后的价格进行调价。预测的强制性指定配送资源的拒单概率，根据强制性指定配送资源实时的特征数据和预设的用于预测拒单概率的第三预测模型来预测得到，其中，第三预测模型是根据配送资源历史的特征数据进行训练得到的xgboost模型，第三预测模型的训练过程与第一预测模型的训练过程大致相同，不同之处在于选取的训练样本有差异，第一预测模型的训练样本可以理解为配送资源接起弱指派订单时的历史的特征数据，第三预测模型的训练样本可以理解为配送资源拒绝强指派订单时的历史的特征数据。可以理解的是，配送资源的拒单概率同样也受到订单价格的影响，当配送资源的拒单率较高时，可增加订单的价格，以提高配送资源的接单意愿，降低配送资源的拒单率；当配送资源的拒单率较低时，保持订单价格的不变，以不影响配送资源的接单意愿。在一个实例中，预设配送资源的拒单概率处于[0.6,0.8)时，对应的调价金额为2元；配送资源的拒单概率处于[0.8,1.0)时，对应的调价金额为3元；其余拒单概率下，保持订单当前价格的不变。在实际应用中，配送资源拒接强指派订单会受到相应惩罚，且各配送资源每日对于强指派订单的拒单次数有限制，因此根据配送资源的拒单概率来相应的增加订单的价格，以尽量减少配送资源因订单价格不合理的拒单而受到惩罚。
下面以一实例为具体说明：当订单为第一类型订单时，订单生成后进入弱指派阶段；在弱指派阶段，根据预设的基础定价模型计算得到第一类型订单的基础定价为5元，预测到推荐性指定配送资源的接单概率为0.45，则对应的价格调整规则为“+0.1(元)”，进行第一次调价后的第一类型订单价格为(5+0.1)＝5.1(元)；获取到订单当前的时间片为午间用餐高峰时间片，则对应的奖励价格为“2元”，进行第二次调价后的第一类型订单价格为(5.1+2)＝7.1元。对于价格为7.1元的第一类型订单，推荐性指定的配送资源A并未接单，于是第一类型订单进入轮询阶段；轮询阶段，预测到订单在当前时间片被接起的概率为0.55，则对应的调价金额为1元，进行轮询阶段调价后的第一类型订单价格为(7.1+1)＝8.1(元)。对于价格为8.1元的第一类型订单，在20分钟内并未有配送资源抢单，于是第一类型订单进入强指派阶段；强指派阶段，预测到推荐性指定配送资源的拒单概率为0.65，则对应的调价金额为2元，进行强指派阶段调价后的第一类型订单的价格为(8.1+2)＝10.1(元)。
下面以另一实例为具体说明：当订单为第二类型订单时，订单生成后，根据预设的基础定价模型计算得到第二类型订单的原始定价为5元，根据预测损耗时长(30分钟)获取到对应的时间损耗成本为15元，则第二类型订单的基础定价为(5+15)＝20元；第二类型订单进入轮询阶段，预测到订单在当前时间片被接起的概率为0.55，则对应的调价金额为1元，进行轮询阶段调价后的第二类型订单价格为(20+1)＝21(元)。对于价格为21元的第二类型订单，在20分钟内并未有配送资源抢单，于是第二类型订单进入强指派阶段；强指派阶段，预测到推荐性指定配送资源的拒单概率为0.3，则保持订单当前的价格(21元)不变。
需要说明的是，在实际应用中，当订单处于轮询阶段时，则在调整订单的价格后，根据预设的用于预测配送资源接起订单的概率的第四预测模型，预测各配送资源对所述订单的接单概率，其中，所述第四预测模型根据采集的配送资源浏览订单的历史特征数据训练得到；根据预测的所述各配送资源对所述订单的接单概率，选择出至少一个目标配送资源，并将所述订单推送给所述目标配送资源。
具体地说，根据预设的用于预测配送资源接起订单的概率的第四预测模型，预测各配送资源对订单的接单概率，并根据预测的各配送资源对订单的接单概率，选择出至少一个目标配送资源，将订单推送给所述目标配送资源。其中，第四预测模型根据采集的配送资源浏览订单的历史特征数据训练得到,第四预测模型的训练过程与第二预测模型的训练过程大致相同，不同之处在于选取的训练样本有差异，第二预测模型选取的训练样本可以理解为进入抢单状态的订单的历史特征数据，第四预测模型选取的训练样本可以理解为为配送资源浏览的抢单列表中的订单的历史特征数据。利用训练好的第四预测模型预估各配送资源对订单的接单概率，将订单的特征数据和配送资源的特征数据作为第四预测模型的输入，输出配送资源对该订单的接单概率。其中，订单的特征数据可以包括：配送费，餐盒费，配送起始地距离配送资源的距离，预计完成配送所需时长等。配送资源的特征数据可以包括：配送资源到商户的距离，配送资源到用户的距离，配送资源的平均接单价格，配送资源的最大背单能力等。
在实际应用中，预测各配送资源对订单的接单概率，可以为：对位于商户周围的预设区域内的各配送资源，预测对该订单的接单概率；其中，预设区域可以根据实际需要进行设置，商户周围预设区域内的各配送资源可以理解为：与商户距离较近的配送资源，由于商户附近的配送资源接起订单的可能性相对较大，因此，可以对位于商户周围的预设区域内的各配送资源，预测对该订单的接单概率，而无需对大量配送资源均预测对该订单的接单概率，有利于减少预测的工作量，提高了预测的速度和有效性。
在对各配送资源的接单概率进行预测后，将各配送资源按照预测的接单概率进行排名；由于排名前N的配送资源的接单概率均较大，即接起该订单的可能性也较大，因此将排名为前N的配送资源作为选择出的目标配送资源，有利于极大的提高订单被接起的可能性。另外，还可根据实际需要设置一个接单概率阈值，将各配送资源的接单概率均与接单概率阈值比较，若配送资源的接单概率大于接单概率阈值，则将该配送资源作为选择出的目标配送资源。
在选择出目标配送资源后，将订单的信息推送至目标配送资源随身佩戴的终端，目标配送资源即可以查看到被推送的订单，从而决定是否接单。由于目标配送资源均是接起订单概率较大的配送资源，因此将订单推送给目标配送资源，有利于提高订单被接起的可能性。
在一个实例中，以配送资源为骑手为例，假设商户附近的骑手有8个，通过第四预测模型分别预估的8个骑手对该订单的接单概率可以如下表4所示：
表4
配送资源 1 2 3 骑手4 骑手5 骑手6 骑手7 骑手8
接单概率 40％ 60％ 70％ 50％ 80％ 90％ 75％ 55％
由表4可得，按照接单概率的大小对各骑手进行排序的结果是骑手6、骑手5、骑手7、骑手3、骑手2、骑手8、骑手4、骑手1。如果将排名为前5的骑手作为目标骑手，则骑手6、骑手5、骑手7、骑手3、骑手2即为选择出的目标骑手。接着向选择出的目标骑手的手机上推送该订单的相关信息，订单的相关信息可以为：订单的配送费、商户的位置、送达地址、期望送达时间等。目标骑手通过手机查看该订单的相关信息，从而决定是否要接起该订单。
更优的，在将订单推送给目标配送资源后，判断向配送资源推送的订单的数量是否大于预设阈值；若是，则预测目标配送资源接起各推送的订单的接单概率，对接起各推送的订单的接单概率进行排名，根据排名的结果对订单进行推送。
具体地说，判断向目标配送资源推送的订单数量M个是否大于预设阈值，M为自然数，预设阈值可以根据实际需要进行设置。可以理解的是，向目标配送资源推送的订单的数量越多，目标配送资源越难找到想要接起的订单。因此，为了便于目标配送资源在多个订单中找到想要接起的订单，当M不大于预设阈值时，向目标配送资源推送的订单的数量较少，不会对目标配送资源找到想要接起的订单造成较大困难，则正常推送订单即可；当M大于预设阈值时，则根据第四预测模型预测目标配送资源对M个订单的M个接单概率；由于M个订单的订单特征数据有所差异，因此预测的M个接单概率的大小也会有区别，因此可以根据M个接单概率的大小对M个订单进行排名，接单概率大的订单排名靠前，则在配送资源随身携带的终端的抢单界面上显示越靠前，订单被该配送资源接起的可能性就越大，从而有助于目标配送资源快速接单。
在一个实例中，以配送资源为骑手为例，假设预设阈值为8，目标骑手要推送的订单的数量为10个,超过了预设阈值，则根据第四预测模型预测该目标骑手对10个订单的10个接单概率，如表5所示：
表5
订单 1 2 3 4 5 6 7 8 9 10
接单概率 90％ 70％ 80％ 65％ 60％ 95％ 85％ 75％ 84％ 78％
由表5可以得出，根据接单概率对10个订单进行排名的结果如表6所示：
表6
排名 第1 第2 第3 第4 第5 第6 第7 第8 第9 第10
订单 6 1 7 9 3 10 8 2 4 5
根据表6中对10个订单的排名，在目标骑手所携带的终端的抢单界面上按照排名的先后显示10个订单，则目标骑手越有可能接起的订单，显示的位置越靠前，也就越容易被目标骑手一眼看到，从而有助于目标骑手快速接单，有利于避免目标骑手一直浏览抢单界面。
通过上述方式，将订单推送给根据预测的各配送资源的接单概率选择出的目标配送资源，而无需向大量配送资源推送订单，有利于提高对于订单进行推送的针对性，在一定程度上有利于提高配送资源的接单率；同时，还对于目标配送资源可见的多个订单按照目标配送资源对其各自的接单概率的高低进行排序推送，有助于目标配送资源先看见接单概率高的订单，有利于目标配送资源尽快接单。另外，第四预测模型预先根据采集的配送资源浏览的订单的历史特征数据训练得到，即训练第四预测模型的数据来源于订单的真实历史数据，参考价值高，可使得预测的接单概率更加准确、可靠。
本实施方式相对于现有技术而言，在订单生成后，根据订单的不同类型，通过不同的方式获取到订单的基础定价，以切实体现订单的配送难度；同时根据订单的不同类型，对订单进行指派，并根据订单实时所处的指派阶段对应的调价规则来动态调整订单的价格，以保证订单的价格在指派过程中始终处于合理范围内，使得订单的成本得到有效控制且不影响订单的正常接起和配送。另外，本实施方式中使用到的计算公式与预测模型，均是基于订单或配送资源的真实历史数据得到的，参考价值高，使得计算公式的计算结果及预测模型的预测结果更加准确、可靠，也就是使得对订单价格的调整更为合理、有效。
本发明的第三实施方式涉及一种订单价格调整装置，如图4所示，包括：指派阶段获取模块401，调价规则获取模块402和调价模块403。
指派阶段获取模块401，用于获取订单对应的指派阶段；
调价规则获取模块402，用于根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；
调价模块403，用于根据所述订单当前的调价规则，调整所述订单的价格。
在一个实例中，所述订单为第一类型订单或第二类型订单，指派阶段获取模块401获取的所述第一类型订单的指派阶段，包括：在订单生成后推荐性指定配送资源的弱指派阶段、订单在所述弱指派阶段中未被接起后进入的由多个配送资源对订单进行抢单的轮询阶段、以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段；指派阶段获取模块401获取的所述第二类型订单的指派阶段，包括：由多个配送资源对订单进行抢单的轮询阶段以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段。
在一个实例中，调价规则获取模块402获取的所述弱指派阶段对应的调价规则，包括：根据预测的所述推荐性指定配送资源的接单概率，对所述订单进行第一次调价；根据所述订单所处的时间片，对第一次调价后的所述订单进行第二次调价。
在一个实例中，调价规则获取模块402获取的所述轮询阶段对应的调价规则，包括：根据预测的所述订单在当前时间片被接起的概率，对所述订单进行调价。
在一个实例中，调价规则获取模块402获取的所述强指派阶段对应的调价规则，包括：根据预测的所述强制性指定配送资源的拒单概率，对所述订单进行调价。
在一个实例中，调价规则获取模块402获取的所述推荐性指定配送资源的接单概率，通过以下方式预测得到：获取所述推荐性指定配送资源实时的特征数据；根据所述实时的特征数据和预设的用于预测接单概率的第一预测模型，对所述推荐性指定配送资源的接单概率进行预测，得到所述接单概率，其中，所述第一预测模型根据配送资源历史的特征数据训练得到。
在一个实例中，调价规则获取模块402获取的第二次调价的调整价格，通过以下方式获取得到：根据预设的订单时间片和奖励价格的对应关系，获取与所述订单所处的时间片相对应的奖励价格，作为所述第二次调价的调整价格。
在一个实例中，调价规则获取模块402获取的订单在当前时间片被接起的概率，通过以下方式预测得到：根据预设的用于预测订单被接起的概率的第二预测模型，预测得到所述订单在当前时间片被接起的概率，其中，所述第二预测模型根据采集的订单的历史特征数据训练得到。
在一个实例中，调价规则获取模块402获取的所述强制性指定配送资源的拒单概率，通过以下方式预测得到：获取所述强制性指定配送资源实时的特征数据；根据所述实时的特征数据和预设的用于预测拒单概率的第三预测模型，对所述强制性指定配送资源的拒单概率进行预测，得到所述拒单概率，其中，所述第三预测模型根据配送资源历史的特征数据训练得到。
在一个实例中，调价规则获取模块402获取的所述订单为第一类型订单；所述第一类型订单的基础定价根据预设的基础定价模型获取得到。
在一个实例中，调价规则获取模块402获取的所述订单为第二类型订单；所述第二类型订单的基础定价根据预设的基础定价模型和所述第二类型订单的时间损耗成本获取得到。
在一个实例中，调价规则获取模块402获取的订单所涉及的所述预设的基础定价模型具体为：
basic_price＝w_1*customer_shop_dist+w_2*rider_shop_dist+w_3
*shop_ets_level+w_4*customer_ets_level+w_5
*weather_level
其中，所述basic_price表示基础定价；所述customer_shop_dist表示下单用户与商户间的距离值；所述rider_shop_dist表示所述订单的指定配送资源与商户间的距离值；所述shop_ets_level表示所述订单的预期取餐时间，所述customer_ets_level表示所述订单的预期送餐时间；所述weather_level表示当前天气等级；所述w_1，w_2，w_3，w_4和w_5均为常数系数。
在一个实例中，调价规则获取模块402获取的所述第二类型订单的时间损耗成本，通过以下方式获取得到：根据所述第二类型订单对应商户的商户历史订单数据，计算所述第二类型订单的预测损耗时长；根据预设的预测损耗时长和时间损耗成本的对应关系，获取所述第二类型订单的时间损耗成本。
在一个实例中，若调价规则获取模块402获取的所述订单对应的指派阶段为轮询阶段，则在调整所述订单的价格后，根据预设的用于预测配送资源接起订单的概率的第四预测模型，预测各配送资源对所述订单的接单概率，其中，所述第四预测模型根据采集的配送资源浏览订单的历史特征数据训练得到；根据预测的所述各配送资源对所述订单的接单概率，选择出至少一个目标配送资源；调价模块403将所述订单推送给所述目标配送资源。
在一个实例中，调价模块403在所述将所述订单推送给所述目标配送资源后，还包括：若检测到向所述目标配送资源推送的订单的数量为M个，则根据所述第四预测模型预测所述目标配送资源接起所述M个订单的M个接单概率；其中，所述M为大于预设阈值的自然数；对所述M个订单根据所述M个接单概率进行排名；根据所述排名的结果，对所述M个订单进行推送；其中，所述接单概率越大的订单推送位置越靠前。
不难发现，本实施方式为与第一实施方式或第二实施方式的相对应的装置实施例，本实施方式可与第一实施方式或第二实施方式互相配合实施。第一实施方式或第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应的，本实施方式中提到的相关技术细节也可应用在第一实施方式或第二实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本发明第四实施方式涉及一种服务器，如图5所示，该电子设备包括至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；以及，与订单价格调整装置通信连接的通信组件503，通信组件503在处理器501的控制下接收和发送数据；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行以实现：获取订单对应的指派阶段；根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；根据所述订单当前的调价规则，调整所述订单的价格。
具体地，该电子设备包括：一个或多个处理器501以及存储器502，图5中以一个处理器501为例。处理器501、存储器502可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器502作为一种计算机可读存储介质，可用于存储计算机软件程序、计算机可执行程序以及模块。处理器501通过运行存储在存储器502中的计算机软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述订单价格调整方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器502中，当被一个或者多个处理器501执行时，执行上述任意方法实施方式中的订单价格调整方法。
上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。
在本实施方式中，获取订单对应的指派阶段；根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；根据所述订单当前的调价规则，调整所述订单的价格，从而能够针对订单对应的指派阶段对订单的价格进行动态调整，以保证订单的价格在整个指派过程中始终处于合理范围内，使得订单的成本得到有效控制且不影响订单的正常接起和配送，订单的成本和订单被接起的概率达到均衡。
本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述订单价格调整方法实施例。
即，本领域技术人员可以理解，实现上述订单价格调整方法实施例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，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
本申请实施例公开了A1.一种订单价格调整方法，包括：
获取订单对应的指派阶段；
根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；
根据所述订单当前的调价规则，调整所述订单的价格。
A2.如A1所述的订单价格调整方法，所述订单为第一类型订单或第二类型订单；
所述第一类型订单的指派阶段，包括：在订单生成后推荐性指定配送资源的弱指派阶段、订单在所述弱指派阶段中未被接起后进入的由多个配送资源对订单进行抢单的轮询阶段、以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段；
所述第二类型订单的指派阶段，包括：由多个配送资源对订单进行抢单的轮询阶段以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段。
A3.如A2所述的订单价格调整方法，所述弱指派阶段对应的调价规则，包括：
根据预测的所述推荐性指定配送资源的接单概率，对所述订单进行第一次调价；
根据所述订单所处的时间片，对第一次调价后的所述订单进行第二次调价。
A4.如A2所述的订单价格调整方法，所述轮询阶段对应的调价规则，包括：
根据预测的所述订单在当前时间片被接起的概率，对所述订单进行调价。
A5.如A2所述的订单价格调整方法，所述强指派阶段对应的调价规则，包括：
根据预测的所述强制性指定配送资源的拒单概率，对所述订单进行调价。
A6.如A3所述的订单价格调整方法，所述推荐性指定配送资源的接单概率，通过以下方式预测得到：
获取所述推荐性指定配送资源实时的特征数据；
根据所述实时的特征数据和预设的用于预测接单概率的第一预测模型，对所述推荐性指定配送资源的接单概率进行预测，得到所述接单概率，其中，所述第一预测模型根据配送资源历史的特征数据训练得到。
A7.如A6所述的订单价格调整方法，所述第二次调价的调整价格，通过以下方式获取得到：
根据预设的订单时间片和奖励价格的对应关系，获取与所述订单所处的时间片相对应的奖励价格，作为所述第二次调价的调整价格。
A8.如A4所述的订单价格调整方法，所述订单在当前时间片被接起的概率，通过以下方式预测得到：
根据预设的用于预测订单被接起的概率的第二预测模型，预测得到所述订单在当前时间片被接起的概率，其中，所述第二预测模型根据采集的订单的历史特征数据训练得到。
A9.如A5所述的订单价格调整方法，所述强制性指定配送资源的拒单概率，通过以下方式预测得到：
获取所述强制性指定配送资源实时的特征数据；
根据所述实时的特征数据和预设的用于预测拒单概率的第三预测模型，对所述强制性指定配送资源的拒单概率进行预测，得到所述拒单概率，其中，所述第三预测模型根据配送资源历史的特征数据训练得到。
A10.如A2所述的订单价格调整方法，所述订单为第一类型订单；
所述第一类型订单的基础定价根据预设的基础定价模型获取得到。
A11.如A2所述的订单价格调整方法，所述订单为第二类型订单；
所述第二类型订单的基础定价根据预设的基础定价模型和所述第二类型订单的时间损耗成本获取得到。
A12.如A10或A11所述的订单价格调整方法，所述预设的基础定价模型具体为：
basic_price＝w_1*customer_shop_dist+w_2*rider_shop_dist+w_3
*shop_ets_level+w_4*customer_ets_level+w_5
*weather_level
其中，所述basic_price表示基础定价；所述customer_shop_dist表示下单用户与商户间的距离值；所述rider_shop_dist表示所述订单的推荐性指定配送资源与商户间的距离值；所述shop_ets_level表示所述订单的预期取餐时间，所述customer_ets_level表示所述订单的预期送餐时间；所述weather_level表示当前天气等级；所述w_1，w_2，w_3，w_4和w_5均为常数系数。
A13.如A11所述的订单价格调整方法，所述第二类型订单的时间损耗成本，通过以下方式获取得到：
根据所述第二类型订单对应商户的商户历史订单数据，计算所述第二类型订单的预测损耗时长；
根据预设的预测损耗时长和时间损耗成本的对应关系，获取所述第二类型订单的时间损耗成本。
A14.如A8所述的订单价格调整方法，还包括：
若所述订单对应的指派阶段为轮询阶段，则在调整所述订单的价格后，根据预设的用于预测配送资源接起订单的概率的第四预测模型，预测各配送资源对所述订单的接单概率，其中，所述第四预测模型根据采集的配送资源浏览订单的历史特征数据训练得到；
根据预测的所述各配送资源对所述订单的接单概率，选择出至少一个目标配送资源；
将所述订单推送给所述目标配送资源。
A15.如A14所述的订单价格调整方法，在所述将所述订单推送给所述目标配送资源后，还包括：
若检测到向所述目标配送资源推送的订单的数量为M个，则根据所述第四预测模型预测所述目标配送资源接起所述M个订单的M个接单概率；其中，所述M为大于预设阈值的自然数；
对所述M个订单根据所述M个接单概率进行排名；
根据所述排名的结果，对所述M个订单进行推送；其中，所述接单概率越大的订单推送位置越靠前。
本申请实施例公开了B1.一种订单价格调整装置，包括：
指派阶段获取模块，用于获取订单对应的指派阶段；
调价规则获取模块，用于根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；
调价模块，用于根据所述订单当前的调价规则，调整所述订单的价格。
本申请实施例公开了C1.一种服务器，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
获取订单对应的指派阶段；
根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；
根据所述订单当前的调价规则，调整所述订单的价格。
C2.如C1所述的服务器，所述订单为第一类型订单或第二类型订单；
所述第一类型订单的指派阶段，包括：在订单生成后推荐性指定配送资源的弱指派阶段、订单在所述弱指派阶段中未被接起后进入的由多个配送资源对订单进行抢单的轮询阶段、以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段；
所述第二类型订单的指派阶段，包括：由多个配送资源对订单进行抢单的轮询阶段以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段。
C3.如C2所述的服务器，所述弱指派阶段对应的调价规则，包括：
根据预测的所述推荐性指定配送资源的接单概率，对所述订单进行第一次调价；
根据所述订单所处的时间片，对第一次调价后的所述订单进行第二次调价。
C4.如C2所述的服务器，所述轮询阶段对应的调价规则，包括：
根据预测的所述订单在当前时间片被接起的概率，对所述订单进行调价。
C5.如C2所述的服务器，所述强指派阶段对应的调价规则，包括：
根据预测的所述强制性指定配送资源的拒单概率，对所述订单进行调价。
C6.如C3所述的服务器，所述推荐性指定配送资源的接单概率，通过以下方式预测得到：
获取所述推荐性指定配送资源实时的特征数据；
根据所述实时的特征数据和预设的用于预测接单概率的第一预测模型，对所述推荐性指定配送资源的接单概率进行预测，得到所述接单概率，其中，所述第一预测模型根据配送资源历史的特征数据训练得到。
C7.如C6所述的服务器，所述第二次调价的调整价格，通过以下方式获取得到，包括：
根据预设的订单时间片和奖励价格的对应关系，获取与所述订单所处的时间片相对应的奖励价格，作为所述第二次调价的调整价格。
C8.如C4所述的服务器，所述订单在当前时间片被接起的概率，通过以下方式预测得到：
根据预设的用于预测订单被接起的概率的第二预测模型，预测得到所述订单在当前时间片被接起的概率，其中，所述第二预测模型根据采集的订单的历史特征数据训练得到。
C9.如C5所述的服务器，所述强制性指定配送资源的拒单概率，通过以下方式预测得到：
获取所述强制性指定配送资源实时的特征数据；
根据所述实时的特征数据和预设的用于预测拒单概率的第三预测模型，对所述强制性指定配送资源的拒单概率进行预测，得到所述拒单概率其中，所述第三预测模型根据配送资源历史的特征数据训练得到。
C10.如C2所述的服务器，所述订单为第一类型订单；
所述第一类型订单的基础定价根据预设的基础定价模型获取得到。
C11.如C2所述的服务器，所述订单为第二类型订单；
所述第二类型订单的基础定价根据预设的基础定价模型和所述第二类型订单的时间损耗成本获取得到。
C12.如C10或C11所述的服务器，所述预设的基础定价模型具体为：
basic_price＝w_1*customer_shop_dist+w_2*rider_shop_dist+w_3
*shop_ets_level+w_4*customer_ets_level+w_5
*weather_level
其中，所述basic_price表示基础定价；所述customer_shop_dist表示下单用户与商户间的距离值；所述rider_shop_dist表示所述订单的推荐性指定配送资源与商户间的距离值；所述shop_ets_level表示所述订单的预期取餐时间，所述customer_ets_level表示所述订单的预期送达时间；所述weather_level表示当前天气等级；所述w_1，w_2，w_3，w_4和w_5均为常数系数。
C13.如C11所述的服务器，所述第二类型订单的时间损耗成本，通过以下方式获取得到：
根据所述第二类型订单对应商户的商户历史订单数据，计算所述第二类型订单的预测损耗时长；
根据预设的预测损耗时长和时间损耗成本的对应关系，获取所述第二类型订单的时间损耗成本。
C14.如C8所述的服务器，还包括：
若所述订单对应的指派阶段为轮询阶段，则在调整所述订单的价格后，根据预设的用于预测配送资源接起订单的概率的第四预测模型，预测各配送资源对所述订单的接单概率，其中，所述第四预测模型根据采集的配送资源浏览订单的历史特征数据训练得到；
根据预测的所述各配送资源对所述订单的接单概率，选择出至少一个目标配送资源；
将所述订单推送给所述目标配送资源。
C15.如C14所述的服务器，在所述将所述订单推送给所述目标配送资源后，还包括：
若检测到向所述目标配送资源推送的订单的数量为M个，则根据所述第四预测模型预测所述目标配送资源接起所述M个订单的M个接单概率；其中，所述M为大于预设阈值的自然数；
对所述M个订单根据所述M个接单概率进行排名；
根据所述排名的结果，对所述M个订单进行推送；其中，所述接单概率越大的订单推送位置越靠前。
本申请实施例还公开了D1.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现A1至A15中任一项所述的订单价格调整方法。

Claims (10)

1.一种订单价格调整方法，其特征在于，包括：
获取订单对应的指派阶段；
根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；
根据所述订单当前的调价规则，调整所述订单的价格。
2.根据权利要求1所述的订单价格调整方法，其特征在于，所述订单为第一类型订单或第二类型订单；
所述第一类型订单的指派阶段，包括：在订单生成后推荐性指定配送资源的弱指派阶段、订单在所述弱指派阶段中未被接起后进入的由多个配送资源对订单进行抢单的轮询阶段、以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段；
所述第二类型订单的指派阶段，包括：由多个配送资源对订单进行抢单的轮询阶段以及订单在所述轮询阶段中未被接起后进入的强制性指定配送资源的强指派阶段。
3.根据权利要求2所述的订单价格调整方法，其特征在于，所述弱指派阶段对应的调价规则，包括：
根据预测的所述推荐性指定配送资源的接单概率，对所述订单进行第一次调价；
根据所述订单所处的时间片，对第一次调价后的所述订单进行第二次调价。
4.根据权利要求2所述的订单价格调整方法，其特征在于，所述轮询阶段对应的调价规则，包括：
根据预测的所述订单在当前时间片被接起的概率，对所述订单进行调价。
5.根据权利要求2所述的订单价格调整方法，其特征在于，所述强指派阶段对应的调价规则，包括：
根据预测的所述强制性指定配送资源的拒单概率，对所述订单进行调价。
6.根据权利要求2所述的订单价格调整方法，其特征在于，所述订单为第一类型订单；
所述第一类型订单的基础定价根据预设的基础定价模型获取得到。
7.根据权利要求2所述的订单价格调整方法，其特征在于，所述订单为第二类型订单；
所述第二类型订单的基础定价根据预设的基础定价模型和所述第二类型订单的时间损耗成本获取得到。
8.一种订单价格调整装置，其特征在于，包括：
指派阶段获取模块，用于获取订单对应的指派阶段；
调价规则获取模块，用于根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；
调价模块，用于根据所述订单当前的调价规则，调整所述订单的价格。
9.一种服务器，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
获取订单对应的指派阶段；
根据所述订单对应的指派阶段、预设的指派阶段和调价规则的对应关系，获取所述订单当前的调价规则；
根据所述订单当前的调价规则，调整所述订单的价格。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的订单价格调整方法。
CN201910262649.3A 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质 Pending CN111768216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910262649.3A CN111768216A (zh) 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910262649.3A CN111768216A (zh) 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN111768216A true CN111768216A (zh) 2020-10-13

Family

ID=72718726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910262649.3A Pending CN111768216A (zh) 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111768216A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465992A (zh) * 2020-11-23 2021-03-09 北京嘀嘀无限科技发展有限公司 计价器调节方法、装置、存储介质和电子设备
CN113191816A (zh) * 2021-05-18 2021-07-30 拉扎斯网络科技（上海）有限公司 订单的定价方法及系统
CN114663169A (zh) * 2022-05-25 2022-06-24 浙江口碑网络技术有限公司 订单数据的处理方法及装置、存储介质、计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076824A (zh) * 2004-03-05 2007-11-21 N·凯莱布·阿韦里 用于最优定价和分配的方法和系统
CN101251917A (zh) * 2007-02-19 2008-08-27 高思兵 一种信息网络环境下集体议价式商品(服务)交易模式
CN105096068A (zh) * 2014-04-30 2015-11-25 青岛日日顺物流有限公司 一种物流配单方法和系统
CN106875221A (zh) * 2017-02-15 2017-06-20 北京微影时代科技有限公司 一种订单调价方法及装置
CN107454274A (zh) * 2016-05-31 2017-12-08 华为技术有限公司 用于分配座席的方法和装置
CN108573431A (zh) * 2018-04-20 2018-09-25 深兰科技（上海）有限公司 移动售卖方法及服务器、自动售卖车、用户终端及系统
CN108665170A (zh) * 2018-05-14 2018-10-16 北京顺丰同城科技有限公司 订单分配方法和装置
CN109376942A (zh) * 2018-11-12 2019-02-22 达疆网络科技(上海)有限公司 订单处理方法、存储介质和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076824A (zh) * 2004-03-05 2007-11-21 N·凯莱布·阿韦里 用于最优定价和分配的方法和系统
CN101251917A (zh) * 2007-02-19 2008-08-27 高思兵 一种信息网络环境下集体议价式商品(服务)交易模式
CN105096068A (zh) * 2014-04-30 2015-11-25 青岛日日顺物流有限公司 一种物流配单方法和系统
CN107454274A (zh) * 2016-05-31 2017-12-08 华为技术有限公司 用于分配座席的方法和装置
CN106875221A (zh) * 2017-02-15 2017-06-20 北京微影时代科技有限公司 一种订单调价方法及装置
CN108573431A (zh) * 2018-04-20 2018-09-25 深兰科技（上海）有限公司 移动售卖方法及服务器、自动售卖车、用户终端及系统
CN108665170A (zh) * 2018-05-14 2018-10-16 北京顺丰同城科技有限公司 订单分配方法和装置
CN109376942A (zh) * 2018-11-12 2019-02-22 达疆网络科技(上海)有限公司 订单处理方法、存储介质和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465992A (zh) * 2020-11-23 2021-03-09 北京嘀嘀无限科技发展有限公司 计价器调节方法、装置、存储介质和电子设备
CN113191816A (zh) * 2021-05-18 2021-07-30 拉扎斯网络科技（上海）有限公司 订单的定价方法及系统
CN114663169A (zh) * 2022-05-25 2022-06-24 浙江口碑网络技术有限公司 订单数据的处理方法及装置、存储介质、计算机设备

Similar Documents

Publication Publication Date Title
CN107465741B (zh) 信息推送方法和装置
WO2019148982A1 (zh) 排序
CN109165895B (zh) 一种基于配送业务的定价方法及装置
CN111768216A (zh) 订单价格调整方法、装置、服务器及存储介质
CN106296247B (zh) 网络信息资源在线排序方法和装置
JP2018139036A (ja) 分析装置
CN112215448A (zh) 分配客服的方法和装置
CN108428153A (zh) 预售商品的策略调整方法、服务器及策略调整系统
CN106294410A (zh) 一种个性化信息推送时间的确定方法及确定系统
CN112053190A (zh) 一种地摊数据管理方法、装置、存储介质及设备
CN111597447A (zh) 对象推送方法、装置、电子设备及存储介质
CN111553740A (zh) 流量分配方法及装置、电子设备、计算机存储介质
KR20210007632A (ko) 상품별 등록 스케쥴을 기반으로 온라인 마켓 api 연동을 통해 상품의 등록 관리를 수행하는 컴퓨터 프로그램 및 이의 동작 방법
CN111460301B (zh) 对象推送方法、装置、电子设备及存储介质
CN114219547B (zh) 一种门店订货量的确定方法、装置、设备及存储介质
CN106952140B (zh) 配送订单处理方法和装置
CN112017000B (zh) 一种商品信息推送方法、装置、设备及存储介质
CN114925261A (zh) 关键词确定方法、装置、设备、存储介质及程序产品
CN112581153B (zh) 资源分配方法、资源分配装置、存储介质和电子设备
CN112990968A (zh) 分润系统及方法
CN112990948A (zh) 服务评估方法、装置、设备、存储介质及计算机程序产品
CN113191806A (zh) 确定流量调控目标的方法及装置
CN111222042A (zh) 商户推荐方法、装置、电子设备及可读存储介质
CN112508594A (zh) 带货视频的商品销量属性估算方法及装置
CN113298550A (zh) 商品价格的调整方法、装置和服务器

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