CN112488318A - 自助收银系统及方法 - Google Patents
自助收银系统及方法 Download PDFInfo
- Publication number
- CN112488318A CN112488318A CN201910859829.XA CN201910859829A CN112488318A CN 112488318 A CN112488318 A CN 112488318A CN 201910859829 A CN201910859829 A CN 201910859829A CN 112488318 A CN112488318 A CN 112488318A
- Authority
- CN
- China
- Prior art keywords
- shopping
- user
- service
- information
- business object
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 207
- 238000002372 labelling Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims description 157
- 238000003672 processing method Methods 0.000 claims description 132
- 238000010411 cooking Methods 0.000 claims description 10
- 235000013399 edible fruits Nutrition 0.000 claims description 8
- 235000013372 meat Nutrition 0.000 claims description 8
- 235000013311 vegetables Nutrition 0.000 claims description 8
- 239000013505 freshwater Substances 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 10
- 229910052709 silver Inorganic materials 0.000 description 10
- 239000004332 silver Substances 0.000 description 10
- 230000003993 interaction Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000011449 brick Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000004570 mortar (masonry) Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 244000273928 Zingiber officinale Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/04—Billing or invoicing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
- G07G1/00—Cash registers
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
- G07G1/00—Cash registers
- G07G1/12—Cash registers electronically operated
- G07G1/14—Systems including one or more distant stations co-operating with a central processing unit
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了自助收银系统、方法、装置及设备。其中,所述系统通过服务端获取实体店用户的历史订单数据,根据该历史数据,确定购物特征数据、及是否购买购物袋的标注信息;从购物特征数据与标注信息间的对应关系集中,学习得到购物袋购买预测模型;通过自助收银设备根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过预测模型,根据当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理。采用这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,根据预测结果执行提醒用户添加购物袋等处理,以避免出现由用户忘记添加购物袋导致的冗余订单问题,可节约计算资源,提升自助结账效率。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及自助收银系统,商品数据处理方法和装置,自助收银设备,以及电子设备。
背景技术
随着社会经济的快递发展,无论是人们的生活还是企业的生产都逐渐实现了现代化和智能化。在新零售行业中,多家零售企业已经投入了自助收银设备,以实现顾客自助结账,由此可极大缓解高峰时段收银台的顾客排队压力,既提升用户体验,又提升商场的形象,也降低了人力成本。
然而,在实现本发明过程中,发明人发现该技术方案至少存在如下问题:顾客在使用自助收银设备进行结账时,经常忘记给订单添加购物袋,这样不仅会给实体店带来一定的经济损失,还会由此导致每次购物时至少产生两笔订单,一单为商品购买订单,另一单为购物袋购买订单,两笔订单的处理至少会导致出现以下两方面的问题:在技术方面,会增加服务器的访问压力,消耗较多的计算资源及存储资源,同时还会浪费较多的网络流量;在业务方面,会导致一个顾客进行自助结账的时间较长,这样在高峰时段就会存在顾客排队压力,严重降低购物结算效率,从而降低用户购物体验,以上两方面都会给新零售企业带来较大的运营成本。
综上所述,如何为自助结账顾客提供自动添加塑料袋的服务,以避免出现由一次购物产生两笔订单所带来的企业运营成本的增加,成为本领域技术人员迫切需要解决的问题。
发明内容
本申请提供自助收银系统,以解决现有技术存在的由冗余订单导致的设备资源消耗较大及用户体验较低的问题。本申请另外提供商品数据处理方法和装置,自助收银设备,以及电子设备。
本申请提供一种自助收银系统,包括:
服务端,用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;向自助收银设备下发所述预测模型;
自助收银设备,用于接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理。
本申请还提供一种自助收银系统,包括:
服务端,用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;以及,接收自助收银设备发送的购物袋购买预测请求;通过所述预测模型,根据所述预测请求携带的当前购物特征数据,判断当前购物是否需要购物袋;将判断结果回送至自助收银设备;
自助收银设备,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;向服务端发送所述预测请求;以及,接收所述服务端回送的所述判断结果;若所述判断结果为是,则执行针对购物袋业务对象的处理。
本申请还提供一种商品数据处理方法,包括:
获取实体店用户的历史订单数据;
根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;
从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型。
可选的,还包括:
向自助收银设备下发所述预测模型。
可选的,还包括:
接收自助收银设备发送的购物袋购买预测请求;
通过所述预测模型,根据所述预测请求携带的当前购物特征数据,判断当前购物是否需要购物袋;
将判断结果回送至自助收银设备。
可选的,所述购物特征数据包括单位化的业务对象统计数据;
所述购物特征数据采用如下步骤确定:
根据所述历史订单数据,确定历史订单的业务对象统计数据;
将所述业务对象统计数据的单位化数据作为所述购物特征数据。
可选的,所述业务对象统计数据包括以下数据的至少一项:
业务对象总数量,业务对象总重量,单个业务对象最大重量,单个业务对象最大体积,业务对象种类数量,水果类业务对象数量,蔬菜类业务对象数量,生鲜肉类业务对象数量,生鲜水产类业务对象数量。
可选的,所述标注信息采用如下步骤确定:
将包括购物袋业务对象的历史订单标记为购买购物袋;
针对不包括购物袋业务对象的第一历史订单,获取与所述第一历史订单间支付时差小于时差阈值、且只包括购物袋业务对象的第二历史订单;
将所述第一历史订单标记为购买购物袋;
清除所述第二历史订单。
本申请还提供一种商品数据处理方法,包括:
接收服务端下发的购物袋购买预测模型;所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到;
根据虚拟购物车内业务对象信息,确定当前购物特征数据;
通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;
若是,则执行针对购物袋业务对象的处理。
可选的,还包括:
若当前时间属于预设时间范围,则执行针对购物袋业务对象的处理。
可选的,还包括:
根据用户信息,确定用户的购物袋需求程度;
若购物袋需求程度大于程度阈值,则执行针对购物袋业务对象的处理。
可选的,还包括:
若所述业务对象为手提形业务对象、且所述手提形业务对象的数量小于第一数量阈值,则结束所述方法。
可选的,还包括:
若所述业务对象为生鲜类业务对象、且所述生鲜类业务对象的数量大于第二数量阈值,则执行针对购物袋业务对象的处理。
可选的,还包括:
确定用户是否携带购物袋;
若确定用户携带购物袋,则结束所述方法。
可选的,所述确定用户是否携带购物袋,包括:
通过图像采集装置,获取用户图像;
根据所述用户图像,确定用户是否携带购物袋。
可选的,所述执行针对购物袋业务对象的处理,包括:
展示购物袋购买提示信息;
将购物袋业务对象增加至所述虚拟购物车。
本申请还提供一种商品数据处理方法,包括:
根据虚拟购物车内业务对象信息,确定当前购物特征数据;
向服务端发送购物袋购买预测请求;
接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;
若所述判断结果为是,则执行针对购物袋业务对象的处理。
本申请还提供一种商品数据处理装置,包括:
历史数据获取单元,用于获取实体店用户的历史订单数据;
训练数据确定单元,用于根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;
模型生成单元,用于从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型。
本申请还提供一种商品数据处理装置,包括:
模型接收单元,用于接收服务端下发的购物袋购买预测模型;所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到;
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;
预测单元,用于通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;
业务对象处理单元,用于若是,则执行针对购物袋业务对象的处理。
本申请还提供一种商品数据处理装置,包括:
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;
请求发送单元,用于向服务端发送购物袋购买预测请求;
结果接收单元,用于接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;
业务对象处理单元,用于若所述判断结果为是,则执行针对购物袋业务对象的处理。
本申请还提供一种电子设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收服务端下发的购物袋购买预测模型;所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:根据虚拟购物车内业务对象信息,确定当前购物特征数据;向服务端发送购物袋购买预测请求;接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;若所述判断结果为是,则执行针对购物袋业务对象的处理。
本申请还提供一种自助收银系统,包括:
自助收银设备,用于确定待结算用户的用户标识,向服务端发送针对所述待结算用户的购物袋需求预测请求;以及,接收所述服务端回送的待结算用户是否需要购物袋的预测结果;若所述预测结果为是,则执行针对购物袋业务对象的处理;
服务端,用于接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果。
本申请还提供一种商品数据处理方法,包括:
确定待结算用户的用户标识;
向服务端发送针对所述待结算用户的购物袋需求预测请求;
接收所述服务端回送的待结算用户是否需要购物袋的预测结果;
若所述预测结果为是,则执行针对购物袋业务对象的处理。
本申请还提供一种商品数据处理方法,包括:
接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;
根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;
根据所述比值,确定所述待结算用户是否需要购物袋;
向自助收银设备下发预测结果。
本申请还提供一种商品数据处理装置,包括:
用户确定单元,用于确定待结算用户的用户标识;
请求发送单元,用于向服务端发送针对所述待结算用户的购物袋需求预测请求;
结果接收单元,用于接收所述服务端回送的待结算用户是否需要购物袋的预测结果;
业务对象处理单元,用于若所述预测结果为是,则执行针对购物袋业务对象的处理。
本申请还提供一种商品数据处理装置,包括:
请求接收单元,用于接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;
历史数据获取单元,用于根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
比值确定单元,用于根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;
结果确定单元,用于根据所述比值,确定所述待结算用户是否需要购物袋;
结果回送单元,用于向自助收银设备下发预测结果。
本申请还提供一种电子设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:确定待结算用户的用户标识;向服务端发送针对所述待结算用户的购物袋需求预测请求;接收所述服务端回送的待结算用户是否需要购物袋的预测结果;若所述预测结果为是,则执行针对购物袋业务对象的处理。
本申请还提供一种自助收银系统,包括:
服务端,用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据与所述标注信息间的对应关系集中,学习得到配送需求预测模型;向自助收银设备下发所述预测模型;
自助收银设备,用于接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;若是,则展示配送服务推荐信息。
本申请还提供一种自助收银系统,包括:
服务端,用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据与所述标注信息间的对应关系集中,学习得到配送需求预测模型;以及,接收自助收银设备发送的配送需求预测请求;通过所述预测模型,根据所述预测请求携带的当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;将判断结果回送至自助收银设备;
自助收银设备,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;向服务端发送所述预测请求;以及,接收所述服务端回送的所述判断结果;若所述判断结果为是,则展示配送服务推荐信息。
本申请还提供一种商品数据处理方法,包括:
获取实体店用户的历史订单数据;
根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;
从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型。
可选的,所述购物特征数据包括单位化的业务对象统计数据;
所述业务对象统计数据包括以下数据的至少一项:
业务对象总数量,业务对象总重量,业务对象种类数量,水果类业务对象数量,蔬菜类业务对象数量,生鲜肉类业务对象数量,生鲜水产类业务对象数量。
可选的,所述购物特征数据包括购物时间段特征数据。
本申请还提供一种商品数据处理方法,包括:
接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;
根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;
若是,则展示配送服务推荐信息。
可选的,还包括:
若用户指定配送,则向服务端发送针对当前用户的配送服务请求,以使得将业务对象信息发送至用户客户端,服务端接收到用户客户端发送的配送信息提交请求后,根据配送信息生成配送单。
可选的,还包括:
确定配送用户的空闲程度;
若当前购物具有配送需求且所述空闲程度大于空闲程度阈值,则展示配送服务推荐信息。
本申请还提供一种商品数据处理方法,包括:
根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
向服务端发送配送需求预测请求;
接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;
若所述判断结果为是,则展示配送服务推荐信息。
本申请还提供一种商品数据处理装置,包括:
历史数据获取单元,用于获取实体店用户的历史订单数据;
训练数据确定单元,用于根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;
模型生成单元,用于从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型。
本申请还提供一种商品数据处理装置,包括:
模型接收单元,用于接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
预测单元,用于通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;
推荐信息展示单元,用于若是,则展示配送服务推荐信息。
本申请还提供一种商品数据处理装置,包括:
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
请求发送单元,用于向服务端发送配送需求预测请求;
结果接收单元,用于接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;
推荐信息展示单元,用于若所述判断结果为是,则展示配送服务推荐信息。
本申请还提供一种电子设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;若是,则展示配送服务推荐信息。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;向服务端发送配送需求预测请求;接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;若所述判断结果为是,则展示配送服务推荐信息。
本申请还提供一种自助收银系统,包括:
自助收银设备,用于确定待结算用户的用户标识,向服务端发送针对所述待结算用户的配送需求预测请求;以及,接收所述服务端回送的待结算用户是否具有配送需求的预测结果;若所述预测结果为是,则展示配送服务推荐信息;
服务端,用于接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果。
本申请还提供一种商品数据处理方法,包括:
确定待结算用户的用户标识;
向服务端发送针对所述待结算用户的配送需求预测请求;
接收所述服务端回送的待结算用户是否具有配送需求的预测结果;
若所述预测结果为是,则展示配送服务推荐信息。
本申请还提供一种商品数据处理方法,包括:
接收自助收银设备发送的针对待结算用户的配送需求预测请求;
根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;
根据所述比值,确定所述待结算用户是否具有配送需求;
向自助收银设备下发预测结果。
本申请还提供一种商品数据处理装置,包括:
用户确定单元,用于确定待结算用户的用户标识;
请求发送单元,用于向服务端发送针对所述待结算用户的配送需求预测请求;
结果接收单元,用于接收所述服务端回送的待结算用户是否具有配送需求的预测结果;
推荐信息展示单元,用于若所述预测结果为是,则展示配送服务推荐信息。
本申请还提供一种商品数据处理装置,包括:
请求接收单元,用于接收自助收银设备发送的针对待结算用户的配送需求预测请求;
历史数据获取单元,用于根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
比值确定单元,用于根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;
结果确定单元,用于根据所述比值,确定所述待结算用户是否具有配送需求;
结果回送单元,用于向自助收银设备下发预测结果。
本申请还提供一种电子设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收自助收银设备发送的针对待结算用户的配送需求预测请求;根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:确定待结算用户的用户标识;向服务端发送针对所述待结算用户的配送需求预测请求;接收所述服务端回送的待结算用户是否具有配送需求的预测结果;若所述预测结果为是,则展示配送服务推荐信息。
本申请还提供一种商品数据处理方法,包括:
获取虚拟购物车内的业务对象信息;
若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息;
将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理。
可选的,所述业务对象包括生鲜类业务对象;
所述加工信息包括烹饪方式信息。
可选的,若所述业务对象为生鲜类业务对象且为可加工业务对象、且当前购物时间属于预设时间范围,则展示与所述生鲜类业务对象对应的烹饪方式信息。
可选的,在所述展示与所述业务对象对应的加工信息之前,还包括:
确定与是否具有业务对象加工需求相关的特征数据;
通过业务对象加工需求预测模型,根据所述特征数据,判断当前购物是否具有业务对象加工需求;
若是,则展示所述加工信息。
可选的,所述特征数据包括以下数据的至少一项:业务对象特征数据,用户特征数据,购物时间特征数据。
可选的,还包括:
获取实体店用户的历史订单数据;
根据所述历史订单数据,确定训练用特征数据、及是否进行业务对象加工的标注信息间的对应关系集;
从所述对应关系集中,学习得到所述预测模型。
可选的,在所述展示与所述业务对象对应的加工信息之前,还包括:
确定待结算用户的业务对象加工次数与购物次数间的比值;
根据所述比值,判断待结算用户是否具有业务对象加工需求;
若是,则展示所述加工信息。
可选的,还包括:
将业务对象加工信息发送至烹饪用户客户端,以使得烹饪用户根据所述客户端显示的业务对象加工信息进行加工处理。
本申请还提供一种商品数据处理方法,包括:
确定第一用户信息;
确定第二用户的空闲程度;
若所述空闲程度大于空闲程度阈值且所述第一用户信息满足配送条件,则展示配送服务推荐信息。
可选的,所述第一用户信息包括第一用户的用户级别信息;
所述配送条件包括用户级别大于级别阈值。
可选的,所述空闲程度采用如下步骤确定:
获取第二用户的配送任务信息;
根据所述配送任务信息,确定所述空闲程度。
本申请还提供一种商品数据处理装置,包括:
业务对象信息获取单元,用于获取虚拟购物车内的业务对象信息;
加工信息展示单元,用于若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息;
业务对象信息更新单元,用于将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理。
本申请还提供一种商品数据处理装置,包括:
第一用户信息确定单元,用于确定第一用户信息;
第二用户空闲程度确定单元,用于确定第二用户的空闲程度;
推荐信息展示单元,用于若所述空闲程度大于空闲程度阈值且所述第一用户信息满足配送条件,则展示配送服务推荐信息。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取虚拟购物车内的业务对象信息;若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息;将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理。
本申请还提供一种自助收银设备,包括:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:确定第一用户信息;确定第二用户的空闲程度;若所述空闲程度大于空闲程度阈值且所述第一用户信息满足配送条件,则展示配送服务推荐信息。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各种方法。
本申请还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各种方法。
与现有技术相比,本申请具有以下优点:
本申请实施例提供的自助收银系统,通过服务端获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;向自助收银设备下发所述预测模型;并通过自助收银设备接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
附图说明
图1本申请提供的一种自助收银系统的实施例的示意图;
图2本申请提供的一种自助收银系统的实施例的交互示意图;
图3本申请提供的一种自助收银系统的实施例的用户界面示意图;
图4本申请提供的一种自助收银系统的实施例的又一交互示意图;
图5本申请提供的一种自助收银系统的实施例的又一交互示意图;
图6本申请提供的一种自助收银系统的实施例的又一交互示意图;
图7本申请提供的一种自助收银系统的实施例的又一用户界面示意图;
图8本申请提供的一种自助收银系统的实施例的又一交互示意图;
图9本申请提供的一种自助收银系统的实施例的又一交互示意图;
图10本申请提供的一种商品数据处理方法的实施例的流程图;
图11本申请提供的一种商品数据处理方法的实施例的流程图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本申请中,提供了自助收银系统,商品数据处理方法和装置,自助收银设备,以及电子设备。在下面的实施例中逐一对各种方案进行详细说明。
第一实施例
请参考图1,其为本申请的自助收银系统的结构图。所述系统包括:服务器10和自助收银设备11。
所述服务器10,可部署在数据中心。在满足购物袋购买预测模型更新条件下,服务器10自动更新所述预测模型,并将模型下发至实体店内自助收银设备11。
所述自助收银设备11,可部署在实体店的自助结算区,用户通过该设备可实现自助结算。在本实施例中,自助收银设备11采用安卓系统的平板设备,又称为安卓智能控制显示触摸屏。
请参看图2,其为本申请的一种自助收银系统的实施例的设备交互示意图。在本实施例中,服务端10用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;向自助收银设备下发11所述预测模型;相应的,自助收银设备11用于接收所述预测模型,并可存储所述预测模型;以及,可接收购物结算指令;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理。
所述历史订单数据,包括与实体店现场购物有关的订单,通常以日志文件格式存储在服务端。表1示出了本实施例中的历史订单数据。
表1、历史订单表
由表1可见,可根据多家实体店的历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息。
所述购物特征数据,可以是业务对象统计数据,也可以是单位化的业务对象统计数据。在本实施例中,所述购物特征数据是单位化的业务对象统计数据,可采用如下步骤确定:1)根据所述历史订单数据,确定历史订单的业务对象统计数据;2)将所述业务对象统计数据的单位化数据作为所述购物特征数据。
所述业务对象统计数据,包括但不限于以下数据的至少一项:业务对象总数量,业务对象总重量,单个业务对象最大重量,单个业务对象最大体积,业务对象种类数量,水果类业务对象数量,蔬菜类业务对象数量,生鲜肉类业务对象数量,生鲜水产类业务对象数量,此外,还可以包括是否包括水果类业务对象,是否包括蔬菜类业务对象,是否包括生鲜肉类业务对象,是否包括生鲜水产类业务对象等等。
所述标注信息,是与购物特征数据对应的用户是否购买购物袋的标注信息。该标注信息可由人工进行标记,也可采用自动化的标记方式。在本实施例中,所述标注信息可采用如下方式的至少一种确定:
方式1、将包括购物袋业务对象的历史订单标记为需要购物袋。
如果历史订单的购物清单项中包括购物袋SKU,则表示该笔订单需要购物袋,将与该笔订单对应的所述购物特征数据标记为需要购物袋。
方式2、该方式可包括如下步骤:1)针对不包括购物袋业务对象的第一历史订单,获取与所述第一历史订单间支付时差小于时差阈值、且只包括购物袋业务对象的第二历史订单;2)将所述第一历史订单标记为需要购物袋;3)清除所述第二历史订单。
所述第一历史订单是不包括购物袋业务对象的订单,所述第二历史订单是包括购物袋业务对象的订单。如果第一历史订单和第二历史订单的支付时差小于时差阈值,且第二历史订单的支付时间晚于第一历史订单的支付时间,则表示第二历史订单是与第一历史订单具有购物袋购买关联的订单;这种情况下,就可以将该第一历史订单标记为需要购物袋。相应的,由于第二历史订单并非实际购物订单,而是第一历史订单的冗余订单,因此可以清除所述第二历史订单。
所述时差阈值,可根据业务需求确定,如0.5分钟等等。
方式3、该方式可包括如下步骤:1)针对不包括购物袋业务对象的第一历史订单,获取与所述第一历史订单间支付时差小于时差阈值、且只包括购物袋业务对象、且具有相同用户标识的第二历史订单;2)将所述第一历史订单标记为需要购物袋;3)清除所述第二历史订单。
表2示出了本实施例的所述购物特征数据与所述标注信息间的对应关系集,即所述预测模型的训练数据集。
表2、训练数据集
由表2可见,训练数据集包括多个所述购物特征数据与所述标注信息间的对应关系。
在准备好训练数据后,就可以通过机器学习算法,从训练数据集中学习得到所述预测模型。所述机器学习算法,包括但不限于:支持向量机SVM算法,深度学习算法等等。
在本实施例中,采用SVM算法得到预测模型。SVM是一类按监督学习(supervisedlearning)方式对数据进行二元分类(需要购物袋或不需要购物袋)的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。在训练得到所述预测模型后,可以将模型参数存储至模型参数文件中,以备实时预测时使用。
在训练得到所述预测模型后,所述服务端10向自助收银设备11下发所述预测模型,这样就可以在设备端直接进行预测,可以有效节约网络流量,降低服务端访问压力。
在本实施例中,在满足购物袋购买预测模型更新条件下,服务器10自动更新所述预测模型,并将模型下发至实体店内自助收银设备11。所述更新条件,可以是与上次模型训练时间间隔达到时长阈值,如每周更新一次模型;也可以是训练数据更新量达到更新量阈值,如每新增1万条训练数据,更新一次模型,等等。
自助收银设备11接收到所述预测模型后,可存储所述预测模型。当用户使用自助收银设备11进行自助结算时,在用户扫描完成所有购买的商品标识后,可向自助收银设备11输入购物结算指令,自助收银设备11响应该指令,根据虚拟购物车内业务对象信息(可包括业务对象标识和数量等等),确定当前购物特征数据。其中,自助收银设备11根据虚拟购物车内业务对象信息,确定当前购物特征数据的步骤,与服务端10根据历史订单数据确定购物特征数据的实施方式相同,此处不再赘述。在确定当前购物特征数据后,就可以通过所述预测模型,根据所述当前购物特征数据,判断本次购物是否需要购物袋;如果判断结果为是,则执行针对购物袋业务对象的处理。
所述执行针对购物袋业务对象的处理的步骤,可采用如下方式之一:
方式1、展示购物袋购买提示信息。
如图3所示,在用户输入结算指令时,自助收银设备11执行上述处理过程,并展示如图3a所示的购物袋购买提示信息;在用户点击需要的购物袋种类后,显示如图3b所示的购物袋添加后的用户界面。由此可见,该方式需要经过用户确认,只有在用户确定添加后,才会将购物袋业务对象添加至虚拟购物车中。
方式2、将购物袋业务对象增加至所述虚拟购物车。
该方式无需经过用户确认,可直接将购物袋业务对象增加至所述虚拟购物车。该方式可减少用户操作步骤。
以上是结合购物特征数据,从购物内容维度对用户是否需要购物袋进行预测。
在一个示例中,所述自助收银设备11还可从购物时间维度,对用户是否需要购物袋进行预测。具体实施时,可以采用如下方式实施:如果当前购物结算时间属于预设时间范围,则执行购物袋业务对象处理。例如,预设时间范围是工作日17点后,也就是说,如果用户在此时段内购物,则表示用户通常不会携带购物袋,因此具有较高的购物袋购买需求。
在另一个示例中,所述自助收银设备11还可执行如下步骤:1)根据用户信息,确定用户的购物袋需求程度,该程度可以是购物袋需求得分;2)若购物袋需求程度大于程度阈值,则执行针对购物袋业务对象的处理。采用这种方式,使得对不同人群进行购物袋需求程度的标记,只对程度较高的用户执行购物袋业务对象处理。其中,用户信息可包括用户年龄段、文化程度等等。所述程度阈值可根据业务需求确定。例如,青年用户的购物袋需求程度较老年用户的程度通常要高一些,等等。
在又一个示例中,所述自助收银设备11还可执行如下步骤:如果虚拟购物车中只包括手提形业务对象(如带把手的矿泉水等等)、且所述手提形业务对象的数量小于第一数量阈值,则不执行购物袋需求预测处理。其中,第一数量阈值可根据业务需求确定。由于这种情况下,用户通常可直接手提将商品带走,因此具有较低的购物袋需求可能性。
在又一个示例中,所述自助收银设备11还可执行如下步骤:若所述业务对象为生鲜类业务对象、且所述生鲜类业务对象的数量大于第二数量阈值,则执行针对购物袋业务对象的处理。其中,第二数量阈值可根据业务需求确定。由于生鲜商品通常已经有独立包装,用户出于节约及环保的考虑,在生鲜类业务对象的数量较少的情况下,可能不会购买购物袋,即购物袋需求较小,无需提醒购买购物袋。
在又一个示例中,所述自助收银设备11连接图像采集装置(如摄像头),并通过该装置采集用户图像,将图像传递至自助收银设备11或其它设备;相应的,自助收银设备11或其它设备还可执行如下步骤:根据所述用户图像,确定用户是否携带购物袋;若确定用户携带购物袋,则表示用户不需要购物袋,无需执行购物袋需求预测处理。采用这种处理方式,使得在确保满足用户购物袋需求的前提下,可以减少购物袋购买提醒次数;因此,可以有效提升用户体验,提升自助结算效率。
从上述实施例可见,本申请实施例提供的自助收银系统,通过服务端获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;向自助收银设备下发所述预测模型;并通过自助收银设备接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第二实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法。由于方法实施例基本相似于系统实施例,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供一种商品数据处理方法,该方法的执行主体可以是服务器,也可以是能够执行所述方法的任意设备。在本实施例中,所述方法包括如下步骤:
步骤1:获取实体店用户的历史订单数据。
步骤3:根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息。
所述购物特征数据,可包括单位化的业务对象统计数据。所述业务对象统计数据,包括但不限于以下数据的至少一项:业务对象总数量,业务对象总重量,单个业务对象最大重量,单个业务对象最大体积,业务对象种类数量,水果类业务对象数量,蔬菜类业务对象数量,生鲜肉类业务对象数量,生鲜水产类业务对象数量。
所述购物特征数据,可采用如下步骤确定:1)根据所述历史订单数据,确定历史订单的业务对象统计数据;2)将所述业务对象统计数据的单位化数据作为所述购物特征数据。
所述标注信息,可采用如下步骤确定:1)将包括购物袋业务对象的历史订单标记为购买购物袋;2)针对不包括购物袋业务对象的第一历史订单,获取与所述第一历史订单间支付时差小于时差阈值、且只包括购物袋业务对象的第二历史订单;3)将所述第一历史订单标记为购买购物袋;4)清除所述第二历史订单。
步骤5:从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型。
在一个示例中,所述方法还可包括如下步骤:向自助收银设备下发所述预测模型。
在另一个示例中,所述方法还可包括如下步骤:1)接收自助收银设备发送的购物袋购买预测请求;2)通过所述预测模型,根据所述预测请求携带的当前购物特征数据,判断当前购物是否需要购物袋;3)将判断结果回送至自助收银设备。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第三实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例二,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供一种商品数据处理装置,包括:
历史数据获取单元,用于获取实体店用户的历史订单数据;
训练数据确定单元,用于根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;
模型生成单元,用于从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型。
第四实施例
与上述实施例一的自助收银系统相对应,本申请还提供一种电子设备。由于设备实施例基本相似于系统实施例一,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种电子设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型。
第五实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理方法,该方法的执行主体为实施例一中的自助收银设备。本实施例与第一实施例内容相同的部分不再赘述,请参见实施例一中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:接收服务端下发的购物袋购买预测模型。
所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到。
步骤3:根据虚拟购物车内业务对象信息,确定当前购物特征数据。
步骤5:通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋。
步骤7:若是,则执行针对购物袋业务对象的处理。
在一个示例中,所述执行针对购物袋业务对象的处理,可采用如下方式之一:1)展示购物袋购买提示信息;2)将购物袋业务对象增加至所述虚拟购物车。
在一个示例中,所述方法还可包括如下步骤:若当前时间属于预设时间范围,则执行针对购物袋业务对象的处理。
在一个示例中,所述方法还可包括如下步骤:1)根据用户信息,确定用户的购物袋需求程度;2)若购物袋需求程度大于程度阈值,则执行针对购物袋业务对象的处理。
在一个示例中,所述方法还可包括如下步骤:若所述业务对象为手提形业务对象、且所述手提形业务对象的数量小于第一数量阈值,则结束所述方法。
在一个示例中,所述方法还可包括如下步骤:若所述业务对象为生鲜类业务对象、且所述生鲜类业务对象的数量大于第二数量阈值,则执行针对购物袋业务对象的处理。
在一个示例中,所述方法还可包括如下步骤:1)确定用户是否携带购物袋;2)若确定用户携带购物袋,则结束所述方法。
在一个示例中,所述确定用户是否携带购物袋,可包括如下步骤:1.1)通过图像采集装置,获取用户图像;1.2)根据所述用户图像,确定用户是否携带购物袋。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过接收服务端下发的购物袋购买预测模型;所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第六实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例五,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
模型接收单元,用于接收服务端下发的购物袋购买预测模型;所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到;
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;
预测单元,用于通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;
业务对象处理单元,用于若是,则执行针对购物袋业务对象的处理。
第七实施例
与上述实施例一的自助收银系统相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例一,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收服务端下发的购物袋购买预测模型;所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理。
第八实施例
与上述的自助收银系统相对应,本申请还提供一种自助收银系统。本实施例与第一实施例内容相同的部分不再赘述,请参见实施例一中的相应部分。本申请提供的一种自助收银系统包括:服务端和自助收银设备。
请参考图4,其为本申请实施例的自助收银系统的设备交互示意图。其中,服务端用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;以及,接收自助收银设备发送的购物袋购买预测请求;通过所述预测模型,根据所述预测请求携带的当前购物特征数据,判断当前购物是否需要购物袋;将判断结果回送至自助收银设备;相应的,自助收银设备用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;向服务端发送所述预测请求;以及,接收所述服务端回送的所述判断结果;若所述判断结果为是,则执行针对购物袋业务对象的处理。
从上述实施例可见,本申请实施例提供的自助收银系统,通过服务端获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;以及,接收自助收银设备发送的购物袋购买预测请求;通过所述预测模型,根据所述预测请求携带的当前购物特征数据,判断当前购物是否需要购物袋;将判断结果回送至自助收银设备;并通过自助收银设备根据虚拟购物车内业务对象信息,确定当前购物特征数据;向服务端发送所述预测请求;以及,接收所述服务端回送的所述判断结果;若所述判断结果为是,则执行针对购物袋业务对象的处理;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第九实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例八中的自助收银设备。本实施例与第八实施例内容相同的部分不再赘述,请参见实施例八中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:根据虚拟购物车内业务对象信息,确定当前购物特征数据;
步骤3:向服务端发送购物袋购买预测请求;
步骤5:接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;
步骤7:若所述判断结果为是,则执行针对购物袋业务对象的处理。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过根据虚拟购物车内业务对象信息,确定当前购物特征数据;向服务端发送购物袋购买预测请求;接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;若所述判断结果为是,则执行针对购物袋业务对象的处理;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第十实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例九,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;
请求发送单元,用于向服务端发送购物袋购买预测请求;
结果接收单元,用于接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;
业务对象处理单元,用于若所述判断结果为是,则执行针对购物袋业务对象的处理。
第十一实施例
与上述实施例八的自助收银系统相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例八,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:根据虚拟购物车内业务对象信息,确定当前购物特征数据;向服务端发送购物袋购买预测请求;接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;若所述判断结果为是,则执行针对购物袋业务对象的处理。
第十二实施例
与上述的自助收银系统相对应,本申请还提供一种自助收银系统。本实施例与第一实施例内容相同的部分不再赘述,请参见实施例一中的相应部分。本申请提供的一种自助收银系统包括:服务端和自助收银设备。
请参考图5,其为本申请实施例的自助收银系统的设备交互示意图。其中,自助收银设备用于确定待结算用户的用户标识,向服务端发送针对所述待结算用户的购物袋需求预测请求;以及,接收所述服务端回送的待结算用户是否需要购物袋的预测结果;若所述预测结果为是,则执行针对购物袋业务对象的处理;相应的,服务端用于接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果。
所述预测请求,至少包括用户标识。自助收银设备可通过人脸识别、二维码扫描等技术,确定待结算用户的用户标识。
服务端,可存储实体店用户的历史订单数据,根据历史订单数据,可统计得到结算用户的购物袋购买次数与购物次数间的比值;可根据所述比值和比值阈值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果。
例如,用户A总购物次数为100次,其中80次购买了购物袋,则比值为80%;如果比值阈值为70%,则由于比值大于比值阈值,则可确定该用户需要购物袋。
在一个示例中,所述购物袋购买次数可采用如下方式确定:将包括购物袋业务对象的历史订单的数量作为购物袋购买次数。
在另一个示例中,所述购物袋购买次数可采用如下步骤确定:1)针对不包括购物袋业务对象的第一历史订单,获取与所述第一历史订单间支付时差小于时差阈值、且只包括购物袋业务对象的第二历史订单;2)将所述第一历史订单标记为需要购物袋,以及将包括购物袋业务对象的历史订单标记为需要购物袋;3)清除所述第二历史订单。在此基础上,将第一历史订单的数量作为购物次数,将标记为需要购物袋的第一历史订单的数量作为购物袋购买次数。
从上述实施例可见,本申请实施例提供的自助收银系统,通过自助收银设备确定待结算用户的用户标识,向服务端发送针对所述待结算用户的购物袋需求预测请求;以及,接收所述服务端回送的待结算用户是否需要购物袋的预测结果;若所述预测结果为是,则执行针对购物袋业务对象的处理;并可通过服务端接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第十三实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例十二中的自助收银设备。本实施例与十二实施例内容相同的部分不再赘述,请参见实施例十二中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:确定待结算用户的用户标识;
步骤3:向服务端发送针对所述待结算用户的购物袋需求预测请求;
步骤5:接收所述服务端回送的待结算用户是否需要购物袋的预测结果;
步骤7:若所述预测结果为是,则执行针对购物袋业务对象的处理。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过确定待结算用户的用户标识;向服务端发送针对所述待结算用户的购物袋需求预测请求;接收所述服务端回送的待结算用户是否需要购物袋的预测结果;若所述预测结果为是,则执行针对购物袋业务对象的处理;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第十四实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例十三,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
用户确定单元,用于确定待结算用户的用户标识;
请求发送单元,用于向服务端发送针对所述待结算用户的购物袋需求预测请求;
结果接收单元,用于接收所述服务端回送的待结算用户是否需要购物袋的预测结果;
业务对象处理单元,用于若所述预测结果为是,则执行针对购物袋业务对象的处理。
第十五实施例
与上述实施例十二的自助收银系统相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例十二,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:确定待结算用户的用户标识;向服务端发送针对所述待结算用户的购物袋需求预测请求;接收所述服务端回送的待结算用户是否需要购物袋的预测结果;若所述预测结果为是,则执行针对购物袋业务对象的处理。
第十六实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例十二中的服务端。本实施例与十二实施例内容相同的部分不再赘述,请参见实施例十二中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;
步骤3:根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
步骤5:根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;
步骤7:根据所述比值,确定所述待结算用户是否需要购物袋;
步骤9:向自助收银设备下发预测结果。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果;这种处理方式,使得在用户自助结算时自动预测用户是否有购物袋需求,并可根据预测结果提醒用户添加购物袋,或自动添加购物袋,以避免出现由用户忘记添加购物袋导致的冗余订单问题;因此,可以有效降低服务器的访问压力,节约计算资源、存储资源及网络资源。同时,在业务方面可有效提升自助结账效率,提升用户购物体验。
第十七实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例十六,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
请求接收单元,用于接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;
历史数据获取单元,用于根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
比值确定单元,用于根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;
结果确定单元,用于根据所述比值,确定所述待结算用户是否需要购物袋;
结果回送单元,用于向自助收银设备下发预测结果。
第十八实施例
与上述实施例十二的自助收银系统相对应,本申请还提供一种电子设备。由于设备实施例基本相似于系统实施例十二,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种电子设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果。
第十九实施例
与上述的自助收银系统相对应,本申请还提供一种自助收银系统。本实施例与第一实施例内容相同的部分不再赘述,请参见实施例一中的相应部分。本申请提供的一种自助收银系统包括:服务端和自助收银设备。
请参考图6,其为本申请实施例的自助收银系统的设备交互示意图。其中,服务端用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据与所述标注信息间的对应关系集中,学习得到配送需求预测模型;向自助收银设备下发所述预测模型;相应的,自助收银设备用于接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;若是,则展示配送服务推荐信息。
在本实施例中,所述预测模型的特征数据可包括所述购物特征数据,或者包括所述用户特征数据,也可以同时包括所述购物特征数据和用户特征数据。
所述购物特征数据,可包括购物时间段特征数据、单位化的业务对象统计数据等等与购物有关的特征数据。
所述购物时间段特征数据,可根据购物时间确定,如购物时间段特征数据为8-11,11-13,13-15,15-20,20-22点等等。
所述业务对象统计数据,包括但不限于以下数据的至少一项:业务对象总数量,业务对象总重量,业务对象种类数量,水果类业务对象数量,蔬菜类业务对象数量,生鲜肉类业务对象数量,生鲜水产类业务对象数量,等等影响携带便利度的数据。
所述用户特征数据,可包括用户年龄段(如18岁以下、18-30、30-40等等)、职业类别(如公职人员、企业员工等等)、文化程度、用户地址距离实体店的距离等等多个维度的用户特征数据。
在本实施例中,根据历史订单数据包括的用户标识,从用户信息表中查询得到用户信息,进而生成用户特征数据。
所述配送服务推荐信息,可包括配送金额、配送时间等等信息。
如图7所示,在用户输入结算指令时,自助收银设备执行上述处理过程,并可通过浮窗方式展示如图7a所示的配送服务推荐信息。例如,如果用户A在下班时段购买了较多商品,或者,用户B为老人且购买较多商品,则所述系统在用户使用自助收银设备结算时,可向用户展示配送服务推荐信息。
在本实施例中,自助收银设备还用于若用户指定配送,则向服务端发送针对当前用户的配送服务请求,以使得将业务对象信息发送至用户客户端,服务端接收到用户客户端发送的配送信息提交请求后,根据配送信息生成配送单。
在用户点击需要配送服务后,自助收银设备可将购物清单上传至服务端,服务端再将购物清单发送至用户客户端(如智能手机),用户客户端可显示如图7b所示的用户界面,用户通过该界面可指定具体配送信息,如配送时间、配送地址及联系方式等等。在通过用户客户端提交配送信息后,服务端可生成订单及配送单,并可为配送单指定配送人员,用户可通过用户客户端查看配送进度。其中,所述配送单可包括配送信息、订单标识、配送状态等等。
从上述实施例可见,本申请实施例提供的自助收银系统,通过服务端获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据与所述标注信息间的对应关系集中,学习得到配送需求预测模型;向自助收银设备下发所述预测模型;并通过自助收银设备接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;若是,则展示配送服务推荐信息;这种处理方式,使得在用户自助结算时自动预测用户是否有配送需求,并可根据预测结果向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第二十实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例十九中的服务端。本实施例与十九实施例内容相同的部分不再赘述,请参见实施例十九中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:获取实体店用户的历史订单数据;
步骤3:根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;
步骤5:从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型。
在一个示例中,所述方法还可包括如下步骤:接收自助收银设备发送的针对指定用户的配送服务请求,将该请求携带的业务对象信息发送至指定用户的用户客户端,服务端接收到该用户客户端发送的配送信息提交请求后,根据配送信息生成配送单,并可维护配送状态等等信息。
在一个示例中,所述方法还可包括如下步骤:1)确定配送用户的空闲程度;2)若当前购物具有配送需求且所述空闲程度大于空闲程度阈值,则展示配送服务推荐信息。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型;这种处理方式,使得生成配送需求预测模型,该模型在用户自助结算时自动预测用户是否有配送需求,根据预测结果可向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第二十一实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例二十,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
历史数据获取单元,用于获取实体店用户的历史订单数据;
训练数据确定单元,用于根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;
模型生成单元,用于从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型。
第二十二实施例
与上述实施例十九的自助收银系统相对应,本申请还提供一种电子设备。由于设备实施例基本相似于系统实施例十九,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种电子设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:
处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型。
第二十三实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例十九中的自助收银设备。本实施例与十九实施例内容相同的部分不再赘述,请参见实施例十九中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;
步骤3:根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
步骤5:通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;
步骤7:若是,则展示配送服务推荐信息;
在一个示例中,所述方法还可包括如下步骤:若用户指定配送,则向服务端发送针对当前用户的配送服务请求,以使得将业务对象信息发送至用户客户端,服务端接收到用户客户端发送的配送信息提交请求后,根据配送信息生成配送单。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;若是,则展示配送服务推荐信息;这种处理方式,使得在用户自助结算时自动预测用户是否有配送需求,并可根据预测结果向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第二十四实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例二十三,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
模型接收单元,用于接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
预测单元,用于通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;
推荐信息展示单元,用于若是,则展示配送服务推荐信息。
第二十五实施例
与上述实施例十九的自助收银系统相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例十九,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;若是,则展示配送服务推荐信息。
第二十六实施例
与上述的自助收银系统相对应,本申请还提供一种自助收银系统。本实施例与第一实施例内容相同的部分不再赘述,请参见实施例一中的相应部分。本申请提供的一种自助收银系统包括:服务端和自助收银设备。
请参考图8,其为本申请实施例的自助收银系统的设备交互示意图。其中,服务端用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据与所述标注信息间的对应关系集中,学习得到配送需求预测模型;以及,接收自助收银设备发送的配送需求预测请求;通过所述预测模型,根据所述预测请求携带的当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;将判断结果回送至自助收银设备;相应的,自助收银设备用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;向服务端发送所述预测请求;以及,接收所述服务端回送的所述判断结果;若所述判断结果为是,则展示配送服务推荐信息。
从上述实施例可见,本申请实施例提供的自助收银系统,通过获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据与所述标注信息间的对应关系集中,学习得到配送需求预测模型;以及,接收自助收银设备发送的配送需求预测请求;通过所述预测模型,根据所述预测请求携带的当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;将判断结果回送至自助收银设备;并通过自助收银设备根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;向服务端发送所述预测请求;以及,接收所述服务端回送的所述判断结果;若所述判断结果为是,则展示配送服务推荐信息;这种处理方式,使得在用户自助结算时自动预测用户是否有配送需求,并可根据预测结果向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第二十七实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例二十六中的自助收银设备。本实施例与第二十六实施例内容相同的部分不再赘述,请参见实施例二十六中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
步骤3:向服务端发送配送需求预测请求;
步骤5:接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;
步骤7:若所述判断结果为是,则展示配送服务推荐信息。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;向服务端发送配送需求预测请求;接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;若所述判断结果为是,则展示配送服务推荐信息;这种处理方式,使得在用户自助结算时自动预测用户是否有配送需求,并可根据预测结果向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第二十八实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例二十七,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
特征数据确定单元,用于根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
请求发送单元,用于向服务端发送配送需求预测请求;
结果接收单元,用于接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;
推荐信息展示单元,用于若所述判断结果为是,则展示配送服务推荐信息。
第二十九实施例
与上述实施例二十六的自助收银系统相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例二十六,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;向服务端发送配送需求预测请求;接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;若所述判断结果为是,则展示配送服务推荐信息。
第三十实施例
与上述的自助收银系统相对应,本申请还提供一种自助收银系统。本实施例与第十九实施例内容相同的部分不再赘述,请参见实施例十九中的相应部分。本申请提供的一种自助收银系统包括:服务端和自助收银设备。
请参考图9,其为本申请实施例的自助收银系统的设备交互示意图。其中,自助收银设备用于确定待结算用户的用户标识,向服务端发送针对所述待结算用户的配送需求预测请求;以及,接收所述服务端回送的待结算用户是否具有配送需求的预测结果;若所述预测结果为是,则展示配送服务推荐信息;相应的,服务端用于接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果。
所述预测请求,至少包括用户标识。自助收银设备可通过人脸识别、二维码扫描等技术,确定待结算用户的用户标识。
服务端,可存储实体店用户的历史订单数据,根据历史订单数据,可统计得到结算用户的购物配送次数与购物次数间的比值;可根据所述比值和比值阈值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果。
例如,用户A总购物次数为100次,其中80次选择了配送到家服务,则比值为80%;如果比值阈值为70%,则由于比值大于比值阈值,则可确定该用户具有配送需求。
从上述实施例可见,本申请实施例提供的自助收银系统,通过自助收银设备确定待结算用户的用户标识,向服务端发送针对所述待结算用户的配送需求预测请求;以及,接收所述服务端回送的待结算用户是否具有配送需求的预测结果;若所述预测结果为是,则展示配送服务推荐信息;并可通过服务端接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果;这种处理方式,使得在用户自助结算时自动预测用户是否具有配送需求,并可根据预测结果向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第三十一实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例三十中的自助收银设备。本实施例与三十实施例内容相同的部分不再赘述,请参见实施例三十中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:确定待结算用户的用户标识;
步骤3:向服务端发送针对所述待结算用户的配送需求预测请求;
步骤5:接收所述服务端回送的待结算用户是否具有配送需求的预测结果;
步骤7:若所述预测结果为是,则展示配送服务推荐信息。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过确定待结算用户的用户标识;向服务端发送针对所述待结算用户的配送需求预测请求;接收所述服务端回送的待结算用户是否具有配送需求的预测结果;若所述预测结果为是,则展示配送服务推荐信息;这种处理方式,使得在用户自助结算时自动预测用户是否具有配送需求,并可根据预测结果向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第三十二实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例三十一,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
用户确定单元,用于确定待结算用户的用户标识;
请求发送单元,用于向服务端发送针对所述待结算用户的配送需求预测请求;
结果接收单元,用于接收所述服务端回送的待结算用户是否具有配送需求的预测结果;
推荐信息展示单元,用于若所述预测结果为是,则展示配送服务推荐信息。
第三十三实施例
与上述实施例三十的自助收银系统相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例三十,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:确定待结算用户的用户标识;向服务端发送针对所述待结算用户的配送需求预测请求;接收所述服务端回送的待结算用户是否具有配送需求的预测结果;若所述预测结果为是,则展示配送服务推荐信息。
第三十四实施例
与上述的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括但不限于实施例三十中的服务端。本实施例与三十实施例内容相同的部分不再赘述,请参见实施例三十中的相应部分。
本申请提供的一种商品数据处理方法包括如下步骤:
步骤1:接收自助收银设备发送的针对待结算用户的配送需求预测请求;
步骤3:根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
步骤5:根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;
步骤7:根据所述比值,确定所述待结算用户是否具有配送需求;
步骤9:向自助收银设备下发预测结果。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过接收自助收银设备发送的针对待结算用户的配送需求预测请求;根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果;这种处理方式,使得在用户自助结算时自动预测用户是否具有配送需求,并可根据预测结果向用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得配送服务推荐信息;因此,可以有效提升用户体验。
第三十五实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例三十四,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
请求接收单元,用于接收自助收银设备发送的针对待结算用户的配送需求预测请求;
历史数据获取单元,用于根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
比值确定单元,用于根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;
结果确定单元,用于根据所述比值,确定所述待结算用户是否具有配送需求;
结果回送单元,用于向自助收银设备下发预测结果。
第三十六实施例
与上述实施例三十的自助收银系统相对应,本申请还提供一种电子设备。由于设备实施例基本相似于系统实施例三十,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种电子设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收自助收银设备发送的针对待结算用户的配送需求预测请求;根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果。
第三十七实施例
与上述实施例一的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括实体店内的自助收银设备。
请参考图10,其为本申请实施例的商品数据处理方法的流程图。在本实施例中,所述方法可包括如下步骤:
步骤S1001:获取虚拟购物车内的业务对象信息。
步骤S1003:若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息。
在一个示例中,业务对象具有是否可加工属性,根据该属性既可判定当前业务对象是否为可加工业务对象。
在另一个示例中,预先记录业务对象类别与加工信息间的对应关系集,业务对象具有类别属性,若该类别属于对应关系集中的业务对象类别,则可判定当前购买的业务对象为可加工业务对象。所述对应关系集,可包括多个业务对象类别与加工信息间的对应关系。表1示出了本实施例的对应关系集。
由表1可见,所述业务对象类别包括生鲜类,具体实施时也可包括非生鲜类;当业务对象类别为生鲜类时,所述加工信息可以是烹饪方式信息。根据当前购物的业务对象的类别属性,可从表1中查询得到该业务对象的加工信息,进而可展示与该当前业务对象对应的至少一种加工方式的信息,供用户查看。
在一个示例中,若所述业务对象为生鲜类业务对象且为可加工业务对象,则可进一步判断当前购物时间是否属于预设时间范围,该时间范围可以是常规的用餐时间,如11点-13点、17点-20点等等,若当前购物时间属于该时间范围,则展示与所述业务对象对应的烹饪方式信息。采用这种处理方式,可以有效提升加工信息推荐的精准度,从而提升用户体验及销售额。
在另一个示例中,在所述展示所述加工信息之前,还可包括如下步骤:1)确定与是否具有业务对象加工需求相关的特征数据;2)通过业务对象加工需求预测模型,根据所述特征数据,判断当前购物是否具有业务对象加工需求;3)若是,则展示所述加工信息。采用这种处理方式,使得不仅只根据购物时间和业务对象是否可加工进行加工信息的推荐处理,而是还要进一步判断用户是否具有业务对象加工需求,避免向用户提供其不需要的信息;因此,可以有效提升加工信息推荐精准度,从而提升用户体验。
所述特征数据,包括但不限于以下数据的至少一项:业务对象特征数据,用户特征数据,购物时间特征数据。其中,业务对象特征数据可以是业务对象类别等等与业务对象有关的数据,如购买商品的数量越多的用户更倾向于选择加工服务等等。所述用户特征数据可以是用户年龄段、文化程度等等与用户相关的数据,如年轻人较老年人更具有加工需求等等。购物时间特征数据可以是购物时间段、是否为工作日等等与购物时间有关的数据,如在工作日下班时间购物的用户更具有加工需求等等。
所述预测模型,可采用如下步骤生成:1)获取实体店用户的历史订单数据;2)根据所述历史订单数据,确定训练用特征数据、及是否进行业务对象加工的标注信息间的对应关系集;3)从所述对应关系集中,学习得到所述预测模型。
在又一个示例中,在所述展示所述加工信息之前,还可包括如下步骤:1)确定待结算用户的业务对象加工次数与购物次数间的比值;2)根据所述比值,判断待结算用户是否具有业务对象加工需求;3)若是,则展示所述加工信息。例如,用户经常在购买生鲜商品时选择店内加工方式,则向其推荐加工信息。采用这种处理方式,可以有效提升加工信息推荐精准度。
步骤S1005:将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理。
用户查看到与当前购买的业务对象对应的加工信息后,可指定全部加工或部分加工,本实施例将用户指定的业务对象加工信息(如加工方式:葱姜炒、免辣等等)增加至所述虚拟购物车,以便于用户可根据更新后的业务对象信息(包括业务对象金额信息和业务对象加工信息等等)进行自助结算处理。
在本实施例中,还可根据业务对象加工信息进行业务对象加工处理,具体可采用如下方式实施:可由服务器将业务对象加工信息发送至烹饪用户客户端,这样可使得在烹饪用户收到商品本身(如鱼或虾等等)后,可根据其客户端显示的业务对象加工信息对该商品进行加工处理。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过获取虚拟购物车内的业务对象信息;若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息;将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理;这种处理方式,使得在用户自助结算时也可实现业务对象加工处理,无需依赖专用的结算设备为可加工业务对象进行结算处理,如只能在加工窗口进行结算处理;因此,可以有效提升结算效率,节约人力成本,从而提升用户体验。
第三十八实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例三十七,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
业务对象信息获取单元,用于获取虚拟购物车内的业务对象信息;
加工信息展示单元,用于若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息;
业务对象信息更新单元,用于将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理。
第三十九实施例
与上述实施例三十七的商品数据处理方法相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例三十七,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取虚拟购物车内的业务对象信息;若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息;将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理。
第四十实施例
与上述实施例一的自助收银系统相对应,本申请还提供一种商品数据处理方法,该方法的执行主体包括实体店内的自助收银设备。
请参考图11,其为本申请实施例的商品数据处理方法的流程图。在本实施例中,所述方法可包括如下步骤:
步骤S1101:确定第一用户信息。
所述第一用户是指购物者,第一用户信息包括但不限于第一用户的用户级别信息,还可以包括其它对第一用户是否具有享用免费配送服务的资格具有影响的信息,如年龄段等等。
根据第一用户信息可判断第一用户是否具有享用免费配送服务的资格。例如,第一用户为VIP用户,则在配送资源空闲时可为该用户提供免费配送服务。再例如,第一用户为老年用户,则在配送资源空闲时可为该用户提供免费配送服务。
步骤S1103:若所述第一用户信息满足配送条件,则确定第二用户的空闲程度。
所述配送条件,包括但不限于:用户级别大于级别阈值,年龄大于年龄阈值。所述级别阈值和年龄阈值可根据业务需求确定。
所述空闲程度,可采用如下步骤确定:1)获取第二用户的配送任务信息;2)根据所述配送任务信息,确定所述空闲程度。
第二用户是指实体店的配送人员。在本实施例中,服务端记录配送人员的任务分配信息,如配送员A被分配有5个配送任务,配送员B被分配有3个配送任务,配送员C未被分配配送任务,等等。根据配送任务分配信息,既可确定第二用户的空闲程度,如有一个未被分配配送任务的配送员,则空闲程度为1,有两个未被分配配送任务的配送员,则空闲程度为2等等;所有配送员都被分配有任务,则空闲程度为0。
步骤S1105:若所述空闲程度大于空闲程度阈值,则展示配送服务推荐信息。
所述空闲程度阈值可根据业务需求确定。当实际空闲程度大于空闲程度阈值时,通过自助收银设备向当前结算的第一用户展示配送服务推荐信息。
从上述实施例可见,本申请实施例提供的商品数据处理方法,通过确定第一用户信息;若所述第一用户信息满足配送条件,则确定第二用户的空闲程度;若所述空闲程度大于空闲程度阈值,则展示配送服务推荐信息;这种处理方式,使得在用户自助结算时如果配送人员空闲,则可向购物用户展示配送服务推荐信息,以便于用户在实体店购物时也可获得免费配送服务推荐信息;因此,可以有效提升用户体验。
第三十八实施例
与上述的商品数据处理方法相对应,本申请还提供一种商品数据处理装置。由于装置实施例基本相似于方法实施例三十七,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种商品数据处理装置,包括:
第一用户信息确定单元,用于确定第一用户信息;
第二用户空闲程度确定单元,用于确定第二用户的空闲程度;
推荐信息展示单元,用于若所述空闲程度大于空闲程度阈值且所述第一用户信息满足配送条件,则展示配送服务推荐信息。
第三十九实施例
与上述实施例三十七的商品数据处理方法相对应,本申请还提供一种自助收银设备。由于设备实施例基本相似于系统实施例三十七,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种自助收银设备,包括:处理器和存储器;所述存储器,用于存储实现商品数据处理方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:确定第一用户信息;确定第二用户的空闲程度;若所述空闲程度大于空闲程度阈值且所述第一用户信息满足配送条件,则展示配送服务推荐信息。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (32)
1.一种自助收银系统,其特征在于,包括:
服务端,用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型;向自助收银设备下发所述预测模型;
自助收银设备,用于接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;若是,则执行针对购物袋业务对象的处理。
2.一种商品数据处理方法,其特征在于,包括:
获取实体店用户的历史订单数据;
根据所述历史订单数据,确定与是否购买购物袋相关的购物特征数据、及是否购买购物袋的标注信息;
从所述购物特征数据与所述标注信息间的对应关系集中,学习得到购物袋购买预测模型。
3.根据权利要求2所述的方法,其特征在于,
所述购物特征数据包括以下数据的至少一项:
业务对象总数量,业务对象总重量,单个业务对象最大重量,单个业务对象最大体积,业务对象种类数量,水果类业务对象数量,蔬菜类业务对象数量,生鲜肉类业务对象数量,生鲜水产类业务对象数量。
4.一种商品数据处理方法,其特征在于,包括:
接收服务端下发的购物袋购买预测模型;所述预测模型从多个历史订单的与是否购买购物袋相关的购物特征数据、与是否购买购物袋的标注信息间的对应关系中学习得到;
根据虚拟购物车内业务对象信息,确定当前购物特征数据;
通过所述预测模型,根据所述当前购物特征数据,判断当前购物是否需要购物袋;
若是,则执行针对购物袋业务对象的处理。
5.根据权利要求4所述的方法,其特征在于,还包括:
若当前时间属于预设时间范围,则执行针对购物袋业务对象的处理。
6.根据权利要求4所述的方法,其特征在于,还包括:
根据用户信息,确定用户的购物袋需求程度;
若购物袋需求程度大于程度阈值,则执行针对购物袋业务对象的处理。
7.根据权利要求4所述的方法,其特征在于,还包括:
若所述业务对象为手提形业务对象、且所述手提形业务对象的数量小于第一数量阈值,则结束所述方法。
8.根据权利要求4所述的方法,其特征在于,还包括:
若所述业务对象为生鲜类业务对象、且所述生鲜类业务对象的数量大于第二数量阈值,则执行针对购物袋业务对象的处理。
9.根据权利要求4所述的方法,其特征在于,还包括:
确定用户是否携带购物袋;
若确定用户携带购物袋,则结束所述方法。
10.一种商品数据处理方法,其特征在于,包括:
根据虚拟购物车内业务对象信息,确定当前购物特征数据;
向服务端发送购物袋购买预测请求;
接收所述服务端回送的针对当前购物是否需要购物袋的判断结果;
若所述判断结果为是,则执行针对购物袋业务对象的处理。
11.一种自助收银系统,其特征在于,包括:
自助收银设备,用于确定待结算用户的用户标识,向服务端发送针对所述待结算用户的购物袋需求预测请求;以及,接收所述服务端回送的待结算用户是否需要购物袋的预测结果;若所述预测结果为是,则执行针对购物袋业务对象的处理;
服务端,用于接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否需要购物袋;向自助收银设备下发预测结果。
12.一种商品数据处理方法,其特征在于,包括:
确定待结算用户的用户标识;
向服务端发送针对所述待结算用户的购物袋需求预测请求;
接收所述服务端回送的待结算用户是否需要购物袋的预测结果;
若所述预测结果为是,则执行针对购物袋业务对象的处理。
13.一种商品数据处理方法,其特征在于,包括:
接收自助收银设备发送的针对待结算用户的购物袋需求预测请求;
根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
根据所述历史订单数据,确定所述待结算用户的购物袋购买次数与购物次数间的比值;
根据所述比值,确定所述待结算用户是否需要购物袋;
向自助收银设备下发预测结果。
14.一种自助收银系统,其特征在于,包括:
服务端,用于获取实体店用户的历史订单数据;根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;从所述购物特征数据和/或用户特征数据与所述标注信息间的对应关系集中,学习得到配送需求预测模型;向自助收银设备下发所述预测模型;
自助收银设备,用于接收所述预测模型;根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;若是,则展示配送服务推荐信息。
15.一种商品数据处理方法,其特征在于,包括:
获取实体店用户的历史订单数据;
根据所述历史订单数据,确定与是否具有配送需求相关的购物特征数据和/或用户特征数据、及是否配送的标注信息;
从所述购物特征数据和/或用户特征数据、与所述标注信息间的对应关系集中,学习得到配送需求预测模型。
16.根据权利要求15所述的方法,其特征在于,
所述购物特征数据包括单位化的业务对象统计数据和/或购物时间段特征数据;
所述业务对象统计数据包括以下数据的至少一项:
业务对象总数量,业务对象总重量,业务对象种类数量,水果类业务对象数量,蔬菜类业务对象数量,生鲜肉类业务对象数量,生鲜水产类业务对象数量。
17.一种商品数据处理方法,其特征在于,包括:
接收服务端下发的配送需求预测模型;所述预测模型从多个历史订单的与是否具有配送需求相关的购物特征数据和/或用户特征数据、与是否配送的标注信息间的对应关系中学习得到;
根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
通过所述预测模型,根据所述当前购物特征数据和/或当前用户特征数据,判断当前购物是否具有配送需求;
若是,则展示配送服务推荐信息。
18.根据权利要求17所述的方法,其特征在于,还包括:
若用户指定配送,则向服务端发送针对当前用户的配送服务请求,以使得将业务对象信息发送至用户客户端,服务端接收到用户客户端发送的配送信息提交请求后,根据配送信息生成配送单。
19.根据权利要求17所述的方法,其特征在于,还包括:
确定配送用户的空闲程度;
若当前购物具有配送需求且所述空闲程度大于空闲程度阈值,则展示配送服务推荐信息。
20.一种商品数据处理方法,其特征在于,包括:
根据虚拟购物车内业务对象信息,确定当前购物特征数据;和/或,确定当前用户特征数据;
向服务端发送配送需求预测请求;
接收所述服务端回送的针对当前购物是否具有配送需求的判断结果;
若所述判断结果为是,则展示配送服务推荐信息。
21.一种自助收银系统,其特征在于,包括:
自助收银设备,用于确定待结算用户的用户标识,向服务端发送针对所述待结算用户的配送需求预测请求;以及,接收所述服务端回送的待结算用户是否具有配送需求的预测结果;若所述预测结果为是,则展示配送服务推荐信息;
服务端,用于接收所述预测请求;根据所述用户标识,获取所述待结算用户的历史订单数据;根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;根据所述比值,确定所述待结算用户是否具有配送需求;向自助收银设备下发预测结果。
22.一种商品数据处理方法,其特征在于,包括:
确定待结算用户的用户标识;
向服务端发送针对所述待结算用户的配送需求预测请求;
接收所述服务端回送的待结算用户是否具有配送需求的预测结果;
若所述预测结果为是,则展示配送服务推荐信息。
23.一种商品数据处理方法,其特征在于,包括:
接收自助收银设备发送的针对待结算用户的配送需求预测请求;
根据所述预测请求携带的用户标识,获取所述待结算用户的历史订单数据;
根据所述历史订单数据,确定所述待结算用户的购物配送次数与购物次数间的比值;
根据所述比值,确定所述待结算用户是否具有配送需求;
向自助收银设备下发预测结果。
24.一种商品数据处理方法,其特征在于,包括:
获取虚拟购物车内的业务对象信息;
若所述业务对象是可加工业务对象,则展示与所述业务对象对应的加工信息;
将用户指定的业务对象加工信息增加至所述虚拟购物车,以使得根据更新后的业务对象信息进行自助结算处理。
25.根据权利要求24所述的方法,其特征在于,
所述业务对象包括生鲜类业务对象;
所述加工信息包括烹饪方式信息。
26.根据权利要求24所述的方法,其特征在于,
若所述业务对象为生鲜类业务对象且为可加工业务对象、且当前购物时间属于预设时间范围,则展示与所述生鲜类业务对象对应的烹饪方式信息。
27.根据权利要求24所述的方法,其特征在于,在所述展示与所述业务对象对应的加工信息之前,还包括:
确定与是否具有业务对象加工需求相关的特征数据;
通过业务对象加工需求预测模型,根据所述特征数据,判断当前购物是否具有业务对象加工需求;
若是,则展示所述加工信息。
28.根据权利要求27所述的方法,其特征在于,所述特征数据包括以下数据的至少一项:业务对象特征数据,用户特征数据,购物时间特征数据。
29.根据权利要求24所述的方法,其特征在于,还包括:
将业务对象加工信息发送至加工用户客户端,以使得加工用户根据所述客户端显示的业务对象加工信息进行加工处理。
30.一种商品数据处理方法,其特征在于,包括:
确定第一用户信息;
确定第二用户的空闲程度;
若所述空闲程度大于空闲程度阈值且所述第一用户信息满足配送条件,则展示配送服务推荐信息。
31.根据权利要求30所述的方法,其特征在于,
所述第一用户信息包括第一用户的用户级别信息;
所述配送条件包括用户级别大于级别阈值。
32.根据权利要求30所述的方法,其特征在于,所述空闲程度采用如下步骤确定:
获取第二用户的配送任务信息;
根据所述配送任务信息,确定所述空闲程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859829.XA CN112488318A (zh) | 2019-09-11 | 2019-09-11 | 自助收银系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859829.XA CN112488318A (zh) | 2019-09-11 | 2019-09-11 | 自助收银系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488318A true CN112488318A (zh) | 2021-03-12 |
Family
ID=74920253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859829.XA Pending CN112488318A (zh) | 2019-09-11 | 2019-09-11 | 自助收银系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488318A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6189789B1 (en) * | 1998-09-09 | 2001-02-20 | International Business Machines Corporation | Method and system for a merchandise checkout system |
WO2005124638A2 (en) * | 2004-06-09 | 2005-12-29 | U.S. Bancorp Licensing, Inc. | Order-resource fulfillment and management system and approach |
JP4127844B1 (ja) * | 2007-11-08 | 2008-07-30 | 株式会社蝶理コム | 端末、方法及びコンピュータプログラム |
JP2009265735A (ja) * | 2008-04-22 | 2009-11-12 | Mitsubishi Electric Building Techno Service Co Ltd | 社外業者自動発注システム |
WO2015190141A1 (ja) * | 2014-06-13 | 2015-12-17 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
CN205321488U (zh) * | 2016-01-04 | 2016-06-22 | 深圳市奇美旺塑料制品有限公司 | 一种智能环保购物袋 |
US20160292687A1 (en) * | 2014-10-13 | 2016-10-06 | Empire Technology Development Llc | Verification location determination for entity presence confirmation of online purchases |
CN106504422A (zh) * | 2016-12-29 | 2017-03-15 | 深圳市中远达智能科技有限公司 | 一种自选式自动售货方法及自选式自动售货机 |
CN106530529A (zh) * | 2016-11-11 | 2017-03-22 | 贤石金 | 智能收银机 |
CN107392644A (zh) * | 2017-06-19 | 2017-11-24 | 华南理工大学 | 一种商品购买预测建模方法 |
CN108537533A (zh) * | 2018-03-23 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种自助购物结算方法及系统 |
CN109460505A (zh) * | 2018-09-25 | 2019-03-12 | 北京缤歌网络科技有限公司 | 一种推荐购物袋的方法 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
US20190205965A1 (en) * | 2017-12-29 | 2019-07-04 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
CN110223144A (zh) * | 2019-05-31 | 2019-09-10 | 北京百度网讯科技有限公司 | 无人购物的信息处理系统及方法、计算机设备及可读介质 |
-
2019
- 2019-09-11 CN CN201910859829.XA patent/CN112488318A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6189789B1 (en) * | 1998-09-09 | 2001-02-20 | International Business Machines Corporation | Method and system for a merchandise checkout system |
WO2005124638A2 (en) * | 2004-06-09 | 2005-12-29 | U.S. Bancorp Licensing, Inc. | Order-resource fulfillment and management system and approach |
JP4127844B1 (ja) * | 2007-11-08 | 2008-07-30 | 株式会社蝶理コム | 端末、方法及びコンピュータプログラム |
JP2009265735A (ja) * | 2008-04-22 | 2009-11-12 | Mitsubishi Electric Building Techno Service Co Ltd | 社外業者自動発注システム |
WO2015190141A1 (ja) * | 2014-06-13 | 2015-12-17 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
US20160292687A1 (en) * | 2014-10-13 | 2016-10-06 | Empire Technology Development Llc | Verification location determination for entity presence confirmation of online purchases |
CN205321488U (zh) * | 2016-01-04 | 2016-06-22 | 深圳市奇美旺塑料制品有限公司 | 一种智能环保购物袋 |
CN106530529A (zh) * | 2016-11-11 | 2017-03-22 | 贤石金 | 智能收银机 |
CN106504422A (zh) * | 2016-12-29 | 2017-03-15 | 深圳市中远达智能科技有限公司 | 一种自选式自动售货方法及自选式自动售货机 |
CN107392644A (zh) * | 2017-06-19 | 2017-11-24 | 华南理工大学 | 一种商品购买预测建模方法 |
US20190205965A1 (en) * | 2017-12-29 | 2019-07-04 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
CN108537533A (zh) * | 2018-03-23 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种自助购物结算方法及系统 |
CN109460505A (zh) * | 2018-09-25 | 2019-03-12 | 北京缤歌网络科技有限公司 | 一种推荐购物袋的方法 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
CN110223144A (zh) * | 2019-05-31 | 2019-09-10 | 北京百度网讯科技有限公司 | 无人购物的信息处理系统及方法、计算机设备及可读介质 |
Non-Patent Citations (2)
Title |
---|
BING-FEI WU ETAL.: "An intelligent self-checkout system for smart retail", 《2016 INTERNATIONAL CONFERENCE ON SYSTEM SCIENCE AND ENGINEERING (ICSSE)》, 25 August 2016 (2016-08-25) * |
郑方伟等: "RFID自助收银研究和设计", 《微电子学与计算机》, vol. 28, no. 3, 31 March 2011 (2011-03-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7340456B2 (ja) | モデル生成のための動的な特徴選択 | |
US20200065750A1 (en) | Inventory management system and method thereof | |
CN110751497A (zh) | 一种商品补货方法和装置 | |
CN106104588B (zh) | 针对商店的表现评价系统 | |
CA3057521A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
CN111277625A (zh) | 电商平台订单推送方法、系统 | |
CN113763125A (zh) | 一种关于购买货物的采购单生成方法及装置 | |
US20170193433A1 (en) | System for estimating geographical demand and method therefor | |
CN108629467B (zh) | 一种样品信息处理方法及系统 | |
CN109993569A (zh) | 一种商圈管理系统及其方法 | |
US20160055495A1 (en) | Systems and methods for estimating demand | |
CN113780944A (zh) | 信息处理方法、装置、电子设备及介质 | |
CN115330468B (zh) | 数据处理方法及相关装置 | |
CN112488318A (zh) | 自助收银系统及方法 | |
US20210398046A1 (en) | Predictive Modeling Technologies for Identifying Retail Enterprise Deficiencies | |
WO2005022309A2 (en) | Manufacturing units of an item in response to demand for the item projected from page-view date | |
CN109949065A (zh) | 属性数据分析的方法和装置 | |
CN111667208B (zh) | 一种物品存储控制方法、装置、设备及介质 | |
CN113793189A (zh) | 一种信息预测方法、装置、设备和存储介质 | |
CN111914202A (zh) | 一种多平台智能自动刊登的方法、装置、系统及终端 | |
CN112348611A (zh) | 导购开单与订单处理方法、装置、移动终端、云端、系统 | |
CN110858337A (zh) | 一种生成配置信息的方法和装置 | |
CN114066105B (zh) | 运单配送超时预估模型的训练方法,存储介质和电子设备 | |
CN116664052B (zh) | 基于人工智能的全域数字化运营管理方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230705 Address after: Room 210, 2nd Floor, Juyang Building, No. 1200 Pudong Avenue, Pudong New Area (Shanghai) Pilot Free Trade Zone, Shanghai Applicant after: HEMA (China) Co.,Ltd. Address before: Box 847, four, Grand Cayman capital, Cayman Islands, UK Applicant before: ALIBABA GROUP HOLDING Ltd. |