CN111861004A - 日收入产量的自动佣金预测方法、系统、设备及存储介质 - Google Patents
日收入产量的自动佣金预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111861004A CN111861004A CN202010712690.9A CN202010712690A CN111861004A CN 111861004 A CN111861004 A CN 111861004A CN 202010712690 A CN202010712690 A CN 202010712690A CN 111861004 A CN111861004 A CN 111861004A
- Authority
- CN
- China
- Prior art keywords
- commission
- historical
- total amount
- calculation engine
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 title description 3
- 238000004364 calculation method Methods 0.000 claims abstract description 89
- 230000007306 turnover Effects 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001116389 Aloe Species 0.000 description 1
- 235000011399 aloe vera Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种日收入产量的自动佣金预测方法、系统、设备及存储介质，该方法包括：从历史数据库中获取历史佣金值和历史成交总额，输入计算引擎，所述历史佣金值和所述历史成交总额所对应的时间周期一致；所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率；从实时数据库中获取当日成交总额，输入所述计算引擎；所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，将当日的预测佣金值和所述当日成交总额存储于所述历史数据库。本发明利用佣金率比较稳定的特点，通过当日成交总额和佣金率即可以预测当日佣金率，无需查询多个表格，并且通过计算引擎和数据库自动执行佣金预测任务，减少了服务器的工作负担。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种日收入产量的自动佣金预测方法、系统、设备及存储介质。
背景技术
报表中统计复杂度最高的指标是返后佣金、返后佣金与返前佣金，即卖价-底价，得到的佣金相比，增加了很多附加项。返后佣金广泛应用于酒店OTA(Online TravelAgency，在线旅行社)的各个业务系统中，是真实营收的体现。
由于收入产量报表的重要性，现有的返后佣金预测方法中使用Java实现报表逻辑，避免系统不稳定时Hive版本无法正常产出报表的情况，但由于返后佣金涉及的收入相关字段非常多。具体地，原Java统计方案与hive一致：返后佣金＝面价-底价-积分抵扣-分销金额-满十送一-退客户金额-退供应商金额+生意通账户的线上现金充值部分-返佣-返现-立减-众荟-途家-易游+阶梯+OYO营销费用，因此，为了获得比较准确的返后佣金预测值，需要原Java扫描多个表，产出返后佣金计算公式中所需要的各个指标，生成订单宽表。因此，Java需要不断的扫描多个表，占用12台服务器。且因为业务变更，需要不断的进行逻辑的维护；另外，因为财务统计口径中有关账概念，需要把关账日期之前的数据调整记录到当前，Java很难实现，因此Java对于hive数据还存在一些依赖性。
发明内容
针对现有技术中的问题，本发明的目的在于提供一种日收入产量的自动佣金预测方法、系统、设备及存储介质，利用佣金率比较稳定的特点，通过当日成交总额和佣金率即可预测当日佣金率，无需查询多个表格，并且通过计算引擎和数据库自动执行佣金预测任务，减少服务器的工作负担。
本发明实施例提供一种日收入产量的自动佣金预测方法，包括如下步骤：
从历史数据库中获取历史佣金值和历史成交总额，输入计算引擎，所述历史佣金值和所述历史成交总额所对应的时间周期一致；
所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率；
从实时数据库中获取当日成交总额，输入所述计算引擎；
所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，将当日的预测佣金值和所述当日成交总额存储于所述历史数据库。
可选地，所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率，包括：所述计算引擎计算所述历史佣金值和所述历史成交总额的比值，将所述比值作为所述佣金率；
所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，包括：所述计算引擎计算所述当日成交总额与所述佣金率的乘积，得到当日的预测佣金值。
可选地，所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率，包括如下步骤：
所述计算引擎根据所述历史佣金值和所述历史成交总额所对应的酒店类别，确定所述酒店类别所对应的佣金率。
可选地，所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，包括如下步骤：
所述计算引擎判断所述当日成交总额所对应的酒店类别；
所述计算引擎查询所述酒店类别所对应的佣金率，根据查询到的佣金率和所述当日成交总额计算当日的预测佣金值。
可选地，所述计算引擎根据所述历史佣金值和所述历史成交总额所对应的酒店类别，确定所述酒店类别所对应的佣金率，包括如下步骤：
所述计算引擎根据各个酒店的属性值对各个酒店进行分类，确定每个酒店所属的类别；
所述计算引擎获取各个酒店的历史佣金值和各个酒店的历史成交总额，根据各个酒店所属的类别，统计每个酒店类别的历史佣金值和历史成交总额；
所述计算引擎根据每个酒店类别所对应的历史佣金值和历史成交总额确定所述酒店类别的佣金率。
可选地，所述计算引擎根据各个酒店的属性值对各个酒店进行分类，包括如下步骤：
所述计算引擎获取各个酒店对应于多个属性的属性值，组合得到各个所述酒店的特征向量；
所述计算引擎将所述酒店的特征向量输入训练好的酒店分类模型，得到所述酒店分类模型输出的所述酒店所属的类别。
可选地，所述从历史数据库中获取历史佣金值和历史成交总额，包括如下步骤：
从Hive中获取历史佣金值和历史成交总额，存储于历史数据库中；
所述计算引擎从所述历史数据库中读取历史佣金值和历史成交总额；
从实时数据库中获取当日成交总额，包括如下步骤：
从实时数据库中获取当日成交总额，输入消息中间件；
所述计算引擎依次从所述消息中间件中读取需要预测的佣金所对应的当日成交总额。
本发明实施例还提供一种日收入产量的自动佣金预测系统，用于实现所述的日收入产量的自动佣金预测方法，其特征在于，所述系统包括：
第一数据采集模块，用于从历史数据库中获取历史佣金值和历史成交总额，输入计算引擎模块，所述历史佣金值和所述历史成交总额所对应的时间周期一致；
第二数据采集模块，用于从实时数据库中获取当日成交总额，输入所述计算引擎模块；
计算引擎模块，用于根据所述历史佣金值和历史成交总额确定佣金率，以及根据所述当日成交总额和所述佣金率计算当日的预测佣金值，将当日的预测佣金值和所述当日成交总额；
数据存储模块，用于将所述当日的预测佣金值和所述当日成交总额存储于所述历史数据库。
本发明实施例还提供一种日收入产量的自动佣金预测设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述的日收入产量的自动佣金预测方法的步骤。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的日收入产量的自动佣金预测方法的步骤。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
本发明的日收入产量的自动佣金预测方法、系统、设备及存储介质具有如下有益效果：
本发明利用佣金率比较稳定的特点，通过当日成交总额和佣金率即可预测当日佣金率，无需查询多个表格，并且通过计算引擎和数据库自动执行佣金预测任务，减少了服务器的工作负担，也无需部署过多的服务器来执行佣金预测任务，通过历史数据库和实时数据库分别管理历史数据和实时数据，并且通过计算引擎自动执行任务，无需工作人员人工操作，节省人力的同时大大提高了佣金预测的效率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的日收入产量的自动佣金预测方法的流程图；
图2是本发明一实施例的日收入产量的自动佣金预测系统的结构示意图；
图3是本发明一实施例的日收入产量的自动佣金预测系统与各个数据库交互的示意图；
图4是本发明一实施例的日收入产量的自动佣金预测设备的结构示意图；
图5是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
如图1所示，本发明实施例提供一种日收入产量的自动佣金预测方法，包括如下步骤：
S100：从历史数据库中获取历史佣金值和历史成交总额，输入计算引擎，所述历史佣金值和所述历史成交总额所对应的时间周期一致，即如果所述历史佣金值是昨日的历史佣金值，则所述历史成交总额也是昨日的历史成交总额，如果所述历史佣金值是前一周的历史佣金值，则所述历史成交总额也是前一周的历史成交总额；
S200：所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率；此处历史佣金值和历史成交总额可以采用昨日的历史佣金值和历史成交总额，即利用佣金率比较稳定的特点，基于昨日的历史数据进行佣金率计算；
S300：从实时数据库中获取当日成交总额，输入所述计算引擎；
S400：所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，将当日的预测佣金值和所述当日成交总额存储于所述历史数据库。
该实施例的日收入产量的自动佣金预测方法中，每个步骤的序号仅为区分各个步骤，而不作为各个步骤的具体执行顺序的限定，上述各个步骤之间的执行顺序可以根据需要调整改变。
本发明首先通过步骤S100和S200自动根据历史佣金值和历史成交总额确定佣金率，并且通过步骤S300和步骤S400基于计算引擎和数据库自动执行佣金预测任务，减少了服务器的工作负担，也无需部署过多的服务器来执行佣金预测任务，通过历史数据库和实时数据库分别管理历史数据和实时数据，并且通过计算引擎自动执行任务，无需工作人员人工操作，节省人力的同时大大提高了佣金预测的效率。
所述计算引擎可以采用实时计算引擎或非实时计算引擎，例如，所述计算引擎可以采用Flink流式计算引擎，Apache Flink是由Apache软件基金会开发的开源流处理框架，其核心是用Java和Scala编写的分布式流数据流引擎。Flink以数据并行和流水线方式执行任意流数据程序，Flink的流水线运行时系统可以执行批处理和流处理程序。此外，Flink的运行时本身也支持迭代算法的执行。
如图2所示，本发明实施例还提供一种日收入产量的自动佣金预测系统，用于实现所述的日收入产量的自动佣金预测方法，其特征在于，所述系统包括：
第一数据采集模块M100，用于从历史数据库中获取历史佣金值和历史成交总额，输入计算引擎模块，所述历史佣金值和所述历史成交总额所对应的时间周期一致，所述历史数据库可以采用MySQL数据库，但本发明不限于此；
第二数据采集模块M200，用于从实时数据库中获取当日成交总额，输入所述计算引擎模块，所述实时数据库可以采用MySQL数据库，但本发明不限于此；
计算引擎模块M300，用于根据所述历史佣金值和历史成交总额确定佣金率，以及根据所述当日成交总额和所述佣金率计算当日的预测佣金值，将当日的预测佣金值和所述当日成交总额；
数据存储模块M400，用于将所述当日的预测佣金值和所述当日成交总额存储于所述历史数据库，进一步地，在当日的实际佣金值数据得到之后，可以将当日的实际佣金值数据也存储于所述历史数据库，用于后续时间的佣金预测。
本发明首先通过第一数据采集模块M100和计算引擎模块M300自动根据历史佣金值和历史成交总额确定佣金率，并且通过第二数据采集模块M200和计算引擎模块M300基于计算引擎和数据库自动执行佣金预测任务，减少了服务器的工作负担，也无需部署过多的服务器来执行佣金预测任务，在预测佣金值完成后，通过数据存储模块M400将数据存储到历史数据库中，通过历史数据库和实时数据库分别管理历史数据和实时数据，并且通过计算引擎自动执行任务，无需工作人员人工操作，节省人力的同时大大提高了佣金预测的效率。
如图3所示，所述计算引擎模块M300和所述数据存储模块M400可以采用所述计算引擎实现。此处以Flink流式计算引擎为例。所述实时数据库和历史数据库可以采用MySQL数据库实现。MySQL是一个关系型数据库管理系统，关系数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这样就增加了速度并提高了灵活性。
在该实施例中，所述步骤S200中，计算引擎根据所述历史佣金值和历史成交总额确定佣金率，包括：所述计算引擎计算所述历史佣金值和所述历史成交总额的比值，将所述比值作为所述佣金率，即佣金率＝历史佣金值/历史成交总额；
所述步骤S400中，计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，包括：所述计算引擎计算所述当日成交总额与所述佣金率的乘积，得到当日的预测佣金值，即当日的预测佣金值＝当日成交总额*佣金率。
在该实施例中，考虑到不同类型的酒店的佣金率可能会有所区别，为了提高佣金预测的准确性，在预测佣金率时，根据不同酒店的类型而计算不同的佣金率。具体地，所述步骤S200中，计算引擎根据所述历史佣金值和历史成交总额确定佣金率，包括如下步骤：
所述计算引擎根据所述历史佣金值和所述历史成交总额所对应的酒店类别，确定所述酒店类别所对应的佣金率。例如，可以将所述酒店按照国家进行分类，分为国内酒店和海外酒店，或者将酒店按照星级进行分类，或者将酒店按照用户评价进行分类等等。
由于不同酒店类型的佣金率不同，在预测佣金值时也需要根据不同类型的酒店的当日成交总额来预测不同类型的酒店的佣金。具体地，所述步骤S400中，计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，包括如下步骤：
所述计算引擎判断所述当日成交总额所对应的酒店类别，即判断当日成交总额的数据来源，根据数据来源判断是从哪个类别的酒店获得的；
所述计算引擎查询所述酒店类别所对应的佣金率，根据查询到的佣金率和所述当日成交总额计算当日的预测佣金值。
在该实施例中，所述计算引擎根据所述历史佣金值和所述历史成交总额所对应的酒店类别，确定所述酒店类别所对应的佣金率，包括如下步骤：
所述计算引擎根据各个酒店的属性值对各个酒店进行分类，确定每个酒店所属的类别，例如，按照酒店所属国家进行分类时，酒店的属性值可以为酒店所属区域，按照酒店星级进行分类时，酒店的属性值可以是酒店星级等等；
所述计算引擎获取各个酒店的历史佣金值和各个酒店的历史成交总额，根据各个酒店所属的类别，统计每个酒店类别的历史佣金值和历史成交总额；
所述计算引擎根据每个酒店类别所对应的历史佣金值和历史成交总额确定所述酒店类别的佣金率。
在该实施例中，可以进一步根据各个酒店更多的属性值来对酒店进行分类，获得更准确的分类。例如，所述计算引擎根据各个酒店的属性值对各个酒店进行分类，可以包括如下步骤：
所述计算引擎获取各个酒店对应于多个属性的属性值，组合得到各个所述酒店的特征向量；各个酒店的属性可以有多种，例如可以有酒店所属地域、酒店星级、酒店特色、酒店面积、酒店评价等等，根据各个酒店的属性值对酒店进行更细化的分类；
所述计算引擎将所述酒店的特征向量输入训练好的酒店分类模型，得到所述酒店分类模型输出的所述酒店所属的类别。此处，训练好的酒店分类模型可以采用机器学习模型，例如基于深度学习的卷积神经网络模型、支持向量机模型、决策树模型等等。
本发明的方法还可以包括采用训练样本训练所述酒店分类模型的步骤，具体地，可以预先采集一些酒店的特征向量作为训练样本，并且人工对训练样本进行标记，加入到训练集中，采用训练集迭代优化训练所述酒店分类模型。
如图3所示，在该实施例中，所述步骤S100中，从历史数据库中获取历史佣金值和历史成交总额，包括如下步骤：
从Hive中获取历史佣金值和历史成交总额，存储于历史数据库中，hive是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制，Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序，由于历史佣金值和历史成交总额是从Hive中产出的，保证了数据的准确性；
所述计算引擎从所述历史数据库中读取历史佣金值和历史成交总额；
所述步骤S300中，从实时数据库中获取当日成交总额，包括如下步骤：
从实时数据库中获取当日成交总额，输入消息中间件；
所述计算引擎依次从所述消息中间件中读取需要预测的佣金所对应的当日成交总额。
图3中示出的仅为本发明一实施例的日收入产量的自动佣金预测方法和系统的实施方式，但本发明不限于此，在其他可替代的实施方式中，采用其他类型的数据库，和/或采用其他类型的数据传输方式也是可以的，均属于本发明的保护范围之内。
通过采用本发明的自动佣金预测系统和方法，利用了佣金率相对稳定的特点，可以准确地预测当日佣金。佣金率仅受到一些活动的影响，比如某段时间大量发券，这种情况，由于可以采用临近日期(例如昨日)的佣金率，可以很好地避免差异过大的情况。并且，本发明通过实时技术，读取消息，不再扫描数据库，减轻数据库压力，解放12台服务器。
另外，采用本发明的自动佣金预测系统和方法在进行当日的佣金预测时，只需要利用GMV(成交总额)，减少数据源，逻辑更简单清晰。经过测试，采用本发明的自动佣金预测方法之后，预测产出的预测佣金数据与实际佣金数据的差异在1％以下，很好地实现了佣金值的准确预测，验证了本发明具有很好的可行性，可以采用本发明的自动佣金预测方法替换现有技术中的Java统计技术。
本发明实施例还提供一种日收入产量的自动佣金预测设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的日收入产量的自动佣金预测方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
下面参照图4来描述根据本发明的这种实施方式的电子设备600。图4显示的电子设备600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4所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述日收入产量的自动佣金预测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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650进行。并且，电子设备600还可以通过网络适配器660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。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600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。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的日收入产量的自动佣金预测方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述日收入产量的自动佣金预测方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，通过采用本发明的日收入产量的自动佣金预测方法、系统、设备及存储介质，利用佣金率比较稳定的特点，通过当日成交总额和佣金率即可预测当日佣金率，无需查询多个表格，并且通过计算引擎和数据库自动执行佣金预测任务，减少了服务器的工作负担，也无需部署过多的服务器来执行佣金预测任务，通过历史数据库和实时数据库分别管理历史数据和实时数据，并且通过计算引擎自动执行任务，无需工作人员人工操作，节省人力的同时大大提高了佣金预测的效率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种日收入产量的自动佣金预测方法，其特征在于，包括如下步骤：
从历史数据库中获取历史佣金值和历史成交总额，输入计算引擎，所述历史佣金值和所述历史成交总额所对应的时间周期一致；
所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率；
从实时数据库中获取当日成交总额，输入所述计算引擎；
所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，将当日的预测佣金值和所述当日成交总额存储于所述历史数据库。
2.根据权利要求1所述的日收入产量的自动佣金预测方法，其特征在于，所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率，包括：所述计算引擎计算所述历史佣金值和所述历史成交总额的比值，将所述比值作为所述佣金率；
所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，包括：所述计算引擎计算所述当日成交总额与所述佣金率的乘积，得到当日的预测佣金值。
3.根据权利要求1所述的日收入产量的自动佣金预测方法，其特征在于，所述计算引擎根据所述历史佣金值和历史成交总额确定佣金率，包括如下步骤：
所述计算引擎根据所述历史佣金值和所述历史成交总额所对应的酒店类别，确定所述酒店类别所对应的佣金率。
4.根据权利要求3所述的日收入产量的自动佣金预测方法，其特征在于，所述计算引擎根据所述当日成交总额和所述佣金率计算当日的预测佣金值，包括如下步骤：
所述计算引擎判断所述当日成交总额所对应的酒店类别；
所述计算引擎查询所述酒店类别所对应的佣金率，根据查询到的佣金率和所述当日成交总额计算当日的预测佣金值。
5.根据权利要求3所述的日收入产量的自动佣金预测方法，其特征在于，所述计算引擎根据所述历史佣金值和所述历史成交总额所对应的酒店类别，确定所述酒店类别所对应的佣金率，包括如下步骤：
所述计算引擎根据各个酒店的属性值对各个酒店进行分类，确定每个酒店所属的类别；
所述计算引擎获取各个酒店的历史佣金值和各个酒店的历史成交总额，根据各个酒店所属的类别，统计每个酒店类别的历史佣金值和历史成交总额；
所述计算引擎根据每个酒店类别所对应的历史佣金值和历史成交总额确定所述酒店类别的佣金率。
6.根据权利要求5所述的日收入产量的自动佣金预测方法，其特征在于，所述计算引擎根据各个酒店的属性值对各个酒店进行分类，包括如下步骤：
所述计算引擎获取各个酒店对应于多个属性的属性值，组合得到各个所述酒店的特征向量；
所述计算引擎将所述酒店的特征向量输入训练好的酒店分类模型，得到所述酒店分类模型输出的所述酒店所属的类别。
7.根据权利要求1所述的日收入产量的自动佣金预测方法，其特征在于，所述从历史数据库中获取历史佣金值和历史成交总额，包括如下步骤：
从Hive中获取历史佣金值和历史成交总额，存储于历史数据库中；
所述计算引擎从所述历史数据库中读取历史佣金值和历史成交总额；
从实时数据库中获取当日成交总额，包括如下步骤：
从实时数据库中获取当日成交总额，输入消息中间件；
所述计算引擎依次从所述消息中间件中读取需要预测的佣金所对应的当日成交总额。
8.一种日收入产量的自动佣金预测系统，用于实现权利要求1至7中任一项所述的日收入产量的自动佣金预测方法，其特征在于，所述系统包括：
第一数据采集模块，用于从历史数据库中获取历史佣金值和历史成交总额，输入计算引擎模块，所述历史佣金值和所述历史成交总额所对应的时间周期一致；
第二数据采集模块，用于从实时数据库中获取当日成交总额，输入所述计算引擎模块；
计算引擎模块，用于根据所述历史佣金值和历史成交总额确定佣金率，以及根据所述当日成交总额和所述佣金率计算当日的预测佣金值，将当日的预测佣金值和所述当日成交总额；
数据存储模块，用于将所述当日的预测佣金值和所述当日成交总额存储于所述历史数据库。
9.一种日收入产量的自动佣金预测设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的日收入产量的自动佣金预测方法的步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7中任一项所述的日收入产量的自动佣金预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010712690.9A CN111861004B (zh) | 2020-07-22 | 2020-07-22 | 日收入产量的自动佣金预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010712690.9A CN111861004B (zh) | 2020-07-22 | 2020-07-22 | 日收入产量的自动佣金预测方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111861004A true CN111861004A (zh) | 2020-10-30 |
| CN111861004B CN111861004B (zh) | 2024-05-28 |
Family
ID=72949290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010712690.9A Active CN111861004B (zh) | 2020-07-22 | 2020-07-22 | 日收入产量的自动佣金预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861004B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113515374A (zh) * | 2021-05-18 | 2021-10-19 | 中国工商银行股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
| CN113724066A (zh) * | 2021-08-31 | 2021-11-30 | 平安普惠企业管理有限公司 | 基于语义分析的权益分配方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106846072A (zh) * | 2017-02-24 | 2017-06-13 | 湖南安良信息科技有限公司 | 一种电商平台运维方法及系统 |
| CN109214909A (zh) * | 2018-08-01 | 2019-01-15 | 平安科技（深圳）有限公司 | 业务佣金结算公式配置方法、服务器、系统及存储介质 |
| CN109255480A (zh) * | 2018-08-30 | 2019-01-22 | 中国平安人寿保险股份有限公司 | 间佣率预测方法、装置、计算机设备及存储介质 |
| CN109754271A (zh) * | 2017-11-03 | 2019-05-14 | 许圆圆 | 一种商品推广方法及系统 |
-
2020
- 2020-07-22 CN CN202010712690.9A patent/CN111861004B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106846072A (zh) * | 2017-02-24 | 2017-06-13 | 湖南安良信息科技有限公司 | 一种电商平台运维方法及系统 |
| CN109754271A (zh) * | 2017-11-03 | 2019-05-14 | 许圆圆 | 一种商品推广方法及系统 |
| CN109214909A (zh) * | 2018-08-01 | 2019-01-15 | 平安科技（深圳）有限公司 | 业务佣金结算公式配置方法、服务器、系统及存储介质 |
| CN109255480A (zh) * | 2018-08-30 | 2019-01-22 | 中国平安人寿保险股份有限公司 | 间佣率预测方法、装置、计算机设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113515374A (zh) * | 2021-05-18 | 2021-10-19 | 中国工商银行股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
| CN113515374B (zh) * | 2021-05-18 | 2024-02-27 | 中国工商银行股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
| CN113724066A (zh) * | 2021-08-31 | 2021-11-30 | 平安普惠企业管理有限公司 | 基于语义分析的权益分配方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111861004B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210365963A1 (en) | Target customer identification method and device, electronic device and medium | |
| US20230185878A1 (en) | Control tower and self-driven system for operating enterprise and supply chain applications | |
| US10599670B2 (en) | Performance estimation system utilizing a data analytics predictive model | |
| CN110795509B (zh) | 一种数据仓库的指标血缘关系图的构建方法、装置和电子设备 | |
| US8014983B2 (en) | Computer-implemented system and method for storing data analysis models | |
| CN109840730B (zh) | 用于数据预测的方法及装置 | |
| CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
| US20130144656A1 (en) | Systems and methods to intelligently determine insurance information based on identified businesses | |
| CN111861004B (zh) | 日收入产量的自动佣金预测方法、系统、设备及存储介质 | |
| US11651291B2 (en) | Real-time predictions based on machine learning models | |
| CN117454278A (zh) | 一种标准企业数字化规则引擎的实现方法和系统 | |
| CN113361959A (zh) | 一种银行业务集中运营成熟度的计算方法和装置 | |
| CN111861000A (zh) | 基于历史数据的日收入预测方法、系统、设备及存储介质 | |
| US20210241047A1 (en) | Determining rationale for a prediction of a machine learning based model | |
| CN111311352A (zh) | 货源匹配方法、系统、设备及存储介质 | |
| CN116862658A (zh) | 信用评估方法、装置、电子设备、介质和程序产品 | |
| CN111445139A (zh) | 业务流程模拟方法及装置、存储介质、电子设备 | |
| CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN112784219B (zh) | 基于app指数的用户风险预测方法、装置及电子设备 | |
| Perera et al. | Thearchitect: A serverless-microservices based high-level architecture generation tool | |
| CN111967806B (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
| CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 | |
| CN111563178A (zh) | 规则逻辑图对比方法、装置、介质及电子设备 | |
| CN112328899A (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
| TWI700596B (zh) | 資訊整合系統以及整合資訊的方法 |
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 |