CN113076522A - 物品退回成本的预测方法、装置、设备和存储介质 - Google Patents

物品退回成本的预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113076522A
CN113076522A CN201911302563.5A CN201911302563A CN113076522A CN 113076522 A CN113076522 A CN 113076522A CN 201911302563 A CN201911302563 A CN 201911302563A CN 113076522 A CN113076522 A CN 113076522A
Authority
CN
China
Prior art keywords
cost
return
item
returned
determining
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
CN201911302563.5A
Other languages
English (en)
Inventor
祝捷
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.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information 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 Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN201911302563.5A priority Critical patent/CN113076522A/zh
Publication of CN113076522A publication Critical patent/CN113076522A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种物品退回成本的预测方法、装置、设备和存储介质，该方法包括：获取待退回物品对应的物品退回任务信息和物品获取时间；根据物品退回任务信息，确定待退回物品对应的目标历史退回成本；根据预设残差预测模型和物品获取时间，确定待退回物品对应的退回残差成本，退回残差成本用于表征预测退回成本偏离目标历史退回成本的幅度；根据目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。通过本发明实施例的技术方案，可以实现物品退回成本的自动预测，无需人工参与，从而保证物品退回成本预测的准确性。

Description

物品退回成本的预测方法、装置、设备和存储介质
技术领域
本发明实施例涉及计算机技术，尤其涉及一种物品退回成本的预测方法、装置、设备和存储介质。
背景技术
随着计算机技术的快速发展，越来越多的用户喜欢网上购买物品，并且用户若对购买的物品不满意也可以退回物品，从而提高用户的购买体验。
在发生物品退回行为时，客服通常基于自身经验预测出接收待退回物品所需要付出的成本，并基于该物品退回成本选择合理的处理方式，以实现消费者与物品提供者的利益双赢。例如，在物品未出现危险的质量问题的前提下，当预测出的物品退回成本高于物品自身价值时，可以以少量金额补偿的方式劝说用户留下物品；或者对于价值较低的物品可以直接向用户退款，无需退回物品。
然而，在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有预测方式是基于客服自身经验，人工预测出物品退回成本，从而无法保证物品退回成本预测的准确性，进而无法准确合理地进行后续的退回处理操作。
发明内容
本发明实施例提供了一种物品退回成本的预测方法、装置、设备和存储介质，以实现物品退回成本的自动预测，无需人工参与，从而保证物品退回成本预测的准确性。
第一方面，本发明实施例提供了一种物品退回成本的预测方法，包括：
获取待退回物品对应的物品退回任务信息和物品获取时间；
根据所述物品退回任务信息，确定所述待退回物品对应的目标历史退回成本；
根据预设残差预测模型和所述物品获取时间，确定所述待退回物品对应的退回残差成本，所述退回残差成本用于表征预测退回成本偏离所述目标历史退回成本的幅度；
根据所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本。
第二方面，本发明实施例还提供了一种物品退回成本的预测装置，包括：
信息获取模块，用于获取待退回物品对应的物品退回任务信息和物品获取时间；
目标历史退回成本确定模块，用于根据所述物品退回任务信息，确定所述待退回物品对应的目标历史退回成本；
退回残差成本确定模块，用于根据预设残差预测模型和所述物品获取时间，确定所述待退回物品对应的退回残差成本，所述退回残差成本用于表征预测退回成本偏离所述目标历史退回成本的幅度；
预测退回成本确定模块，用于根据所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的物品退回成本的预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的物品退回成本的预测方法。
上述发明中的实施例具有如下优点或有益效果：
通过基于物品退回任务信息确定出待退回物品对应的目标历史退回成本，并利用预设残差预测模型，根据物品获取时间自动确定出预测退回成本偏离目标历史退回成本的幅度，即待退回物品对应的退回残差成本，从而基于目标历史退回成本和退回残差成本可以准确地预测出待退回物品的最终退回成本，并且整个预测过程中无需人工参与，从而实现了物品退回成本的自动预测，同时保证了物品退回成本预测的准确性。
附图说明
图1是本发明实施例一提供的一种物品退回成本的预测方法的流程图；
图2是本发明实施例一所涉及的一种历史基线模型的架构示例；
图3是本发明实施例二提供的一种物品退回成本的预测方法的流程图；
图4是本发明实施例二所涉及的一种预设残差预测模型的架构示例；
图5是本发明实施例三提供的一种物品退回成本的预测方法的流程图；
图6是本发明实施例四提供的一种物品退回成本的预测装置的结构示意图；
图7是本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种物品退回成本的预测方法的流程图，本实施例可适用于在用户想要退回所购买的物品时，对物品退回成本进行预测的情况。该方法可以由物品退回成本的预测装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于具有数据处理功能的设备中，比如购物平台的后台服务器等。如图1所示，该方法具体包括以下步骤：
S110、获取待退回物品对应的物品退回任务信息和物品获取时间。
其中，待退回物品可以是指用户想要退回的任意所购买物品。物品退回任务信息可以是指基于用户针对待退回物品触发的物品退回操作而生成的物品退回任务的任务信息。例如，物品退回任务信息可以是指物品退货订单信息。物品退回任务信息可以包括但不限于待退回物品的物品信息和用户信息。示例性地，物品退回任务信息可以包括但不限于目标审核服务地区、目标物品获取地址和目标物品接收地址等。其中，目标审核服务地区可以是指审核待退回物品是否符合退回条件的操作人员所处于的地理位置。目标物品获取地址可以是指用于获取待退回物品的地理位置，也就是当前待退回物品所处于的地理位置。例如，可以将物品退回任务中用户填写的退货地址作为目标物品获取地址。目标物品接收地址可以是指接收待退回物品的地理位置，也就是用于存储待退回物品的仓库地址。例如，可以将物品退回任务中用户填写的收货地址确定为目标物品接收地址。物品获取时间可以是指配送人员到达目标物品获取地址的时间。例如，物品获取时间可以是指配送人员上门取走待退回物品的时间。本实施例中的物品获取时间可以是基于物品退回任务的生成时间自动确定出的，也可以是客服人员手动输入的，以满足多样性的需求。
具体地，若用户想要退回某个物品时，可以在该物品的退回界面上触发物品退回操作，使得客户端可以根据用户在退回界面上填写或选择的退货信息生成相应的物品退回任务，从而物品退回成本的预测装置可以获得物品退回任务信息。本实施例可以提供一个用于接收客服人员手动输入的物品获取时间的接口，以便支持客服人员基于业务需求可以手动设置物品获取时间；也可以根据生成的物品退回任务自动确定物品获取时间，以避免人工参与。例如，若物品退回任务信息中包含用户选取的上门取货时间，则将该上门取货时间确定为物品获取时间。若物品退回任务信息中不包含用户选取的上门取件时间，则将最快的可上门取货时间确定为物品获取时间。
S120、根据物品退回任务信息，确定待退回物品对应的目标历史退回成本。
其中，目标历史退回成本可以是基于历史成本数据确定出的退回该待退回物品所需要付出的成本。
具体地，可以根据待退回物体的物品退回任务信息和历史成本数据中的各个已退回物品信息进行信息匹配，根据匹配成功的已退回物品信息对应的历史成本信息确定出待退回物品对应的目标历史退回成本。例如，若仅存在一个匹配成功的已退回物品信息，则将该已退回物品信息对应的历史退回成本确定为目标历史退回成本。若存在多个匹配成功的已退回物品信息，则可以将多个匹配成功的已退回物品信息对应的历史退回成本进行平均，获得的平均历史退回成本确定为目标历史退回成本；可以将距离当前时刻最近的已退回物品信息对应的历史退回成本确定为目标历史退回成本。
S130、根据预设残差预测模型和物品获取时间，确定待退回物品对应的退回残差成本，退回残差成本用于表征预测退回成本偏离目标历史退回成本的幅度。
其中，预设残差预测模型可以是预先设置的，用于预测出待退回物品对应的退回残差成本的模型。在使用预设残差预测模型之前，需要利用样本数据对预设残差预测模型进行训练，以使训练后的预设残差预测模型可以准确地预测出待退回物品对应的退回残差成本。预设残差预测模型可以是但不限于采用回归算法的模型。回归算法可以包括但不限于线性回归、曲线回归、决策树回归、随机森林回归和梯度提升树回归。预测退回成本可以是指预测出的最终退回成本。退回残差成本可以是基于待退回物品的实时数据，即物品获取时间确定出的预测退回成本偏离目标历史退回成本的幅度。
具体地，可以将物品获取时间输入至预设残差预测模型中，根据预设残差预测模型的输出，自动预测出待退回物品对应的退回残差成本，以便准确地确定出预测退回成本偏离目标历史退回成本的幅度。
S140、根据目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。
具体地，本实施例可以将目标历史退回成本和退回残差成本进行相加，获得的相加结果确定为待退回物品对应的预测退回成本，使得预测退回成本可以更加接近于真实退回成本，从而提高了物品退回成本预测的准确性。通过对每个待退回物品对应的预测退回成本进行实时确定，可以使得电商平台客服人员在处理用户的物品退回申请时准确地获得若该物品进行退货所需要付出的成本，有助于客服人员进行合理的退回处理操作，保证消费者与物品提供者的利益双赢。
本实施例的技术方案，通过基于物品退回任务信息确定出待退回物品对应的目标历史退回成本，并利用预设残差预测模型，根据物品获取时间自动确定出预测退回成本偏离目标历史退回成本的幅度，即待退回物品对应的退回残差成本，从而基于目标历史退回成本和退回残差成本可以准确地预测出待退回物品的最终退回成本，并且整个预测过程中无需人工参与，从而实现了物品退回成本的自动预测，同时保证了物品退回成本预测的准确性。
在上述技术方案的基础上，在物品退回任务信息包括：目标审核服务地区、目标物品获取地址和目标物品接收地址时，S120可以包括：根据目标审核服务地区对应的历史审核服务成本信息，确定目标历史审核服务成本；根据从目标物品获取地址运输至目标物品接收地址所对应的历史物品运输成本信息，确定目标历史物品运输成本；根据目标物品接收地址对应的历史库房操作成本信息，确定目标历史库房操作成本；根据目标历史审核服务成本、目标历史物品运输成本和目标历史库房操作成本，确定待退回物品对应的目标历史退回成本。
其中，在衡量退回物品所需要付出的成本时，可以从审核服务成本、物品运输成本和库房操作成本等方面进行衡量。其中，审核服务成本可以是指客服人员进行退货审核，以及与用户进行沟通所付出的服务成本。物品运输成本可以是指物品从获取地址运输至接收地址所付出的运输成本。库房操作成本可以是指在物品到达接收地址后对物品进行交接、拆包、验收和上架等库房操作所需要付出的操作成本。其中，由于不同地区存在经济水平差距，使得不同地区的审核服务成本也存在差异，从而可以根据审核服务地区确定出审核服务成本。由于不同的物品接收地址(即不同的仓库所在地址)也会因为地区差异导致库房操作成本也存在差异，从而可以根据物品接收地址确定出库房操作成本。
具体地，可以基于待退回物品的目标审核服务地区、目标物品获取地址以及目标物品接收地址，分别在历史退回数据中的每个审核服务地区对应的历史审核服务成本信息、每个运输路径对应的历史物品运输成本信息，以及物品接收地址对应的历史库房操作成本信息进行信息匹配，获得匹配成功的目标审核服务地区对应的历史审核服务成本信息，从目标物品获取地址运输至目标物品接收地址所对应的历史物品运输成本信息，以及目标物品接收地址对应的历史库房操作成本信息。可以对目标审核服务地区对应的历史审核服务成本信息可以进行取平均，将平均历史审核服务成本作为目标历史审核服务成本，或者将最近的一个历史审核服务成本作为目标历史审核服务成本。同理，也可以对从目标物品获取地址运输至目标物品接收地址所对应的历史物品运输成本信息可以进行取平均，将平均历史物品运输成本作为目标历史物品运输成本，或者将最近的一个历史物品运输成本作为目标历史物品运输成本。同理，也可以对目标物品接收地址对应的历史库房操作成本信息可以进行取平均，将平均历史库房操作成本作为目标历史库房操作成本，或者将最近的一个历史库房操作成本作为目标历史库房操作成本。通过将目标历史审核服务成本、目标历史物品运输成本和目标历史库房操作成本进行相加，将相加结果确定为待退回物品对应的目标历史退回成本，从而可以分别从审核服务成本、物品运输成本和库房操作成本三个方面对目标历史退回成本进行衡量，提高了目标历史退回成本确定的准确性。
示例性地，本实施例可以利用预先构建的历史基线模型确定目标历史退回成本。图2给出了一种历史基线模型的架构示例。在历史基线模型的构建过程中(如图2中的虚线箭头)，可以对历史数据中的各个审核服务地区进行统计分析，确定出每个审核服务地区对应的目标历史审核服务成本S，并将各个审核服务地区对应的目标历史审核服务成本S输入至历史基线模型中。同理，可以对历史数据中的各个物品获取地址和相应的物品接收地址进行统计分析，确定出每个从物品获取地址运输至物品接收地址所对应的目标历史物品运输成本，并将各个从物品获取地址运输至物品接收地址所对应的目标历史物品运输成本Trs输入至历史基线模型中。同理，可以对历史数据中的各个物品接收地址进行统计分析，确定出每个物品接收地址对应的目标历史库房操作成本Op，并将各个物品接收地址对应的目标历史库房操作成本Op输入至历史基线模型中，从而可以构建出一个历史基线模型。在使用历史基线模型时(如图2中的实线箭头)，可以获得待退回物品的实时数据，即目标审核服务地区、目标物品获取地址以及目标物品接收地址，并将这些数据输入至历史基线模型中，历史基线模型内部可以基于目标审核服务地区进行信息匹配，获得待退回物品对应的目标历史审核服务成本；基于目标物品获取地址和目标物品接收地址进行信息匹配，获得待退回物品对应的目标历史物品运输成本；基于目标物品接收地址进行信息匹配，获得待退回物品对应的历史库房操作成本，并将获得的目标历史审核服务成本、目标历史物品运输成本和目标历史库房操作成本进行相加，将相加结果作为待退回物品对应的目标历史退回成本进行输出，从而可以快速地确定出目标历史退回成本，进一步提高了预测效率。
实施例二
图3为本发明实施例二提供的一种物品退回成本的预测方法的流程图，本实施例在上述实施例的基础上，对“根据预设残差预测模型和物品获取时间，确定待退回物品对应的退回残差成本”进行了优化。图4给出了本发明实施例所涉及的一种预设残差预测模型的架构示例。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图3和图4，本实施例提供的物品退回成本的预测方法具体包括以下步骤：
S210、获取待退回物品对应的物品退回任务信息和物品获取时间。
S220、根据物品退回任务信息，确定待退回物品对应的目标历史退回成本。
S230、根据第一预测模型和物品获取时间，确定在物品获取时间对应的时间段内的待退回物品数量。
其中，如图4所示，预设残差预测模型可以包括第一预测模型和第二预测模型，其中，第一预测模型可以是用于预测待退回物品数量的模型。第一预测模型和第二预测模型均可以是但不限于采用回归算法的模型。回归算法可以包括但不限于线性回归、曲线回归、决策树回归、随机森林回归和梯度提升树回归。例如，第一预测模型可以是利用物品获取时间，通过拟合数学函数的方式预测出物品获取时间对应的时间段内的待退回物品数量的过程。在使用第一预测模型之前，需要利用样本数据对第一预测模型进行训练，以使训练后的第一预测模型可以准确地确定出待退回物品数量。物品获取时间对应的时间段可以是指包含物品获取时间在内的时间间隔。物品获取时间对应的时间段内的待退回物品数量可以是指在物品获取时间对应的时间段内生成的物品退回任务的任务数量。例如，物品获取时间对应的时间段内的待退回物品数量可以是指物品获取时间的当天退货订单数量。
具体地，如图4中的实线所示，可以将物品获取时间输入至第一预测模型中，根据第一预测模型的输出，获得物品获取时间对应的时间段内的待退回物品数量，以表征出物品获取时间对应的时间段内的退货情况。
示例性地，本实施例可以还可以获取与物品获取时间距离最近的一次促销活动的力度等级，以及该次促销活动的活动时间与物品获取时间之间的时间差值。将物品获取时间、与物品获取时间距离最近的一次促销活动的力度等级以及该次促销活动的活动时间与物品获取时间之间的时间差值均输入至第一预测模型中，并根据第一预测模型的输出获得待退回物品数量，从而可以提高待退回物品数量的预测准确性。
S240、根据物品获取时间，确定物品获取时间对应的时间段内的天气信息。
具体地，可以通过基于物品获取时间调用外部天气服务接口的方式，获得物品获取时间对应的时间段内的天气信息。在获得外部天气服务接口返回的天气信息后，可以对该天气信息进行特征处理，获得天气特征，比如气温级别、极端天气等级等，以便可以将天气信息输入至第二预测模型中，如图4中的虚线所示。
S250、根据第二预测模型、待退回物品数量和天气信息，确定待退回物品对应的退回残差成本。
其中，第二预测模型可以是利用待退回物品数量和天气信息，通过拟合数学函数的方式预测出待退回物品对应的退回残差成本的过程。在使用第二预测模型之前，需要利用样本数据对第二预测模型进行训练，以使训练后的第二预测模型可以准确地确定出退回残差成本。
具体地，可以将待退回物品数量和天气信息对应的天气特征输入至第二预测模型中，根据第二预测模型的输出，可以准确地预测出待退回物品对应的退回残差成本。
示例性地，在预测待退回物品对应的退回残差成本时，可以从审核服务残差成本、库房操作残差成本和物品运输残差成本三个方面分别进行预测。其中，审核服务残差成本可以是指预测审核服务成本偏离目标历史审核服务成本的幅度；库房操作残差成本可以是指预测物品运输成本偏离目标历史物品运输成本的幅度；物品运输残差成本可以是指预测库房操作成本偏离目标历史库房操作成本的幅度。其中，审核服务残差成本和库房操作残差成本均会受到待退回物品数量的影响，比如，待退回物品数量越多，则审核服务残差成本和库房操作残差成本均会越高。物品运输残差成本会受到天气信息的影响，比如天气越恶劣，则物品运输残差成本会越高。针对于此，第二预测模型可以分为第一残差预测模型和第二残差预测模型，其中第一残差预测模型可以用于预测审核服务残差成本和库房操作残差成本；第二残差预测模型可以用于预测物品运输残差成本。
示例性地，S250可以包括：根据第一预测残差模型和待退回物品数量，确定审核服务残差成本和库房操作残差成本；根据第二预测残差模型和天气信息，确定物品运输残差成本；根据审核服务残差成本、库房操作残差成本和物品运输残差成本，确定待退回物品对应的退回残差成本。
具体地，可以将待退回物品数量输入至第一预测残差模型中，根据第一预测残差模型的输出，可以预测出审核服务残差成本和库房操作残差成本。将天气信息对应的天气特征输入至第二预测残差模型中，根据第二预测残差模型的输出，可以预测出物品运输残差成本。将审核服务残差成本、库房操作残差成本和物品运输残差成本进行相加，获得的相加结果确定为待退回物品对应的退回残差成本，从而可以分别从审核服务残差成本、库房操作残差成本和物品运输残差成本三个方面分别进行预测，提高了退回残差成本的预测准确性。
S260、根据目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。
本实施例的技术方案，通过根据第一预测模型和物品获取时间，预测出在物品获取时间对应的时间段内的待退回物品数量，并根据物品获取时间，确定出物品获取时间对应的时间段内的天气信息，从而可以基于第二预测模型，利用待退回物品数量和天气信息，可以更加准确地确定出待退回物品对应的退回残差成本，进而提高了物品退回成本的预测准确性。
实施例三
图5为本发明实施例三提供的一种物品退回成本的预测方法的流程图，本实施例在上述实施例的基础上，增加了步骤“确定用户退回待退回物品所需的物品退回代价”。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图5，本实施例提供的物品退回成本的预测方法具体包括以下步骤：
S310、获取待退回物品对应的物品退回任务信息和物品获取时间。
S320、根据物品退回任务信息，确定待退回物品对应的目标历史退回成本。
S330、根据预设残差预测模型和物品获取时间，确定待退回物品对应的退回残差成本，退回残差成本用于表征预测退回成本偏离目标历史退回成本的幅度。
S340、确定用户退回待退回物品所需的物品退回代价。
其中，物品退回代价可以是指用户退回该待退回物品时所需要支付的费用。例如，物品退回代价可以是用户支付的退回运费。具体地，可以根据用户信息和待退回物品的物品信息，确定出待退回物品所需的物品退回代价。
示例性地，S340可以包括：根据用户信息检测用户是否满足无偿退回物品条件；若是，则确定用户退回待退回物品所需的物品退回代价为零；若否，则根据待退回物品的物品信息确定用户退回待退回物品所需的物品退回代价。
其中，无偿退回物品条件可以是指用户退回物品时无需支付费用所需要满足的条件。无偿退回物品条件可以基于业务需求和场景预先设置。例如，无偿退回物品条件可以包括但不限于：用户等级高于预设等级和/或用户购买物品时购买了物品无偿退回服务(如运费险)等。待退回物品的物品信息可以包括但不限于物品尺寸、重量、品类、物品获取地址和物品接收地址等。
具体地，在根据用户信息检测出用户满足无偿退回物品条件，则表明用户退回物品时无需支付费用，此时可以将物品退回代价确定为零。在根据用户信息检测出用户不满足无偿退回物品条件，则可以基于现有的运输费用计算方式，根据物品信息确定出用户退回待退回物品所需的物品退回代价。
S350、根据物品退回代价、目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。
具体地，物品退回代价是用户需要支付的费用，目标历史退回成本和退回残差成本均是物品提供者所需要支付的费用，从而可以基于物品退回代价、目标历史退回成本和退回残差成本，更加准确地预测出待退回物品对应的预测退回成本，使得预测退回成本更加接近于真实退回成本。
示例性地，S350可以包括：将目标历史退回成本和退回残差成本进行相加，获得目标退回成本；将目标退回成本与物品退回代价进行相减，获得的相减结果确定为待退回物品对应的预测退回成本。
具体地，可以检测物品退回代价是否为零，若是，则可以直接将目标退回成本确定为待退回物品对应的预测退回成本；若否，则计算目标退回成本与物品退回代价之间的差值，将该差值确定为预测退回成本，从而可以进一步提高物品退回成本的预测准确性。
本实施例的技术方案，通过确定用户退回待退回物品所需的物品退回代价，并根据物品退回代价、目标历史退回成本和退回残差成本，确定出待退回物品对应的预测退回成本，从而可以使得预测退回成本更加接近于真实退回成本，进一步提高了物品退回成本的预测准确性。
以下是本发明实施例提供的物品退回成本的预测装置的实施例，该装置与上述各实施例的物品退回成本的预测方法属于同一个发明构思，在物品退回成本的预测装置的实施例中未详尽描述的细节内容，可以参考上述物品退回成本的预测方法的实施例。
实施例四
图6为本发明实施例四提供的一种物品退回成本的预测装置的结构示意图，本实施例可适用于在用户想要退回物品时，对物品退回成本进行预测的情况，该装置具体包括：信息获取模块410、目标历史退回成本确定模块420、退回残差成本确定模块430和预测退回成本确定模块440。
其中，信息获取模块410，用于获取待退回物品对应的物品退回任务信息和物品获取时间；目标历史退回成本确定模块420，用于根据物品退回任务信息，确定待退回物品对应的目标历史退回成本；退回残差成本确定模块430，用于根据预设残差预测模型和物品获取时间，确定待退回物品对应的退回残差成本，退回残差成本用于表征预测退回成本偏离目标历史退回成本的幅度；预测退回成本确定模块440，用于根据目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。
可选地，退回残差成本确定模块430，包括：
待退回物品数量确定单元，用于根据第一预测模型和物品获取时间，确定在物品获取时间对应的时间段内的待退回物品数量；
天气信息确定单元，用于根据物品获取时间，确定物品获取时间对应的时间段内的天气信息；
退回残差成本确定单元，用于根据第二预测模型、待退回物品数量和天气信息，确定待退回物品对应的退回残差成本。
可选地，第二预测模型包括第一残差预测模型和第二残差预测模型；相应地，退回残差成本确定单元，具体用于：
根据第一预测残差模型和待退回物品数量，确定审核服务残差成本和库房操作残差成本；根据第二预测残差模型和天气信息，确定物品运输残差成本；根据审核服务残差成本、库房操作残差成本和物品运输残差成本，确定待退回物品对应的退回残差成本。
可选地，第一预测模型和第二预测模型均是采用回归算法的模型，其中，回归算法包括线性回归、曲线回归、决策树回归、随机森林回归和梯度提升树回归。
可选地，物品退回任务信息包括：目标审核服务地区、目标物品获取地址和目标物品接收地址；相应地，目标历史退回成本确定模块420，具体用于：
根据目标审核服务地区对应的历史审核服务成本信息，确定目标历史审核服务成本；根据从目标物品获取地址运输至目标物品接收地址所对应的历史物品运输成本信息，确定目标历史物品运输成本；根据目标物品接收地址对应的历史库房操作成本，确定目标历史库房操作成本；根据目标历史审核服务成本、目标历史物品运输成本和目标历史库房操作成本，确定待退回物品对应的目标历史退回成本。
可选地，该装置还包括：
物品退回代价确定模块，用于在根据目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本之前，确定用户退回待退回物品所需的物品退回代价；
相应地，预测退回成本确定模块440，还用于：根据物品退回代价、目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。
可选地，物品退回代价确定模块，具体用于：根据用户信息检测用户是否满足无偿退回物品条件；若是，则确定用户退回待退回物品所需的物品退回代价为零；若否，则根据待退回物品的物品信息确定用户退回待退回物品所需的物品退回代价。
可选地，预测退回成本确定模块440，具体用于：
将目标历史退回成本和退回残差成本进行相加，获得目标退回成本；将目标退回成本与物品退回代价进行相减，获得的相减结果确定为待退回物品对应的预测退回成本。
本发明实施例所提供的物品退回成本的预测装置可执行本发明任意实施例所提供的物品退回成本的预测方法，具备执行物品退回成本的预测方法相应的功能模块和有益效果。
值得注意的是，上述物品退回成本的预测装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图7为本发明实施例五提供的一种设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性设备12的框图。图7显示的设备12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7所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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22进行。并且，设备12还可以通过网络适配器20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。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12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。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的一种物品退回成本的预测方法步骤，该方法包括：
获取待退回物品对应的物品退回任务信息和物品获取时间；
根据物品退回任务信息，确定待退回物品对应的目标历史退回成本；
根据预设残差预测模型和物品获取时间，确定待退回物品对应的退回残差成本，退回残差成本用于表征预测退回成本偏离目标历史退回成本的幅度；
根据目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的保留库存量的确定方法的技术方案。
实施例六
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的物品退回成本的预测方法步骤，该方法包括：
获取待退回物品对应的物品退回任务信息和物品获取时间；
根据物品退回任务信息，确定待退回物品对应的目标历史退回成本；
根据预设残差预测模型和物品获取时间，确定待退回物品对应的退回残差成本，退回残差成本用于表征预测退回成本偏离目标历史退回成本的幅度；
根据目标历史退回成本和退回残差成本，确定待退回物品对应的预测退回成本。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机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。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种物品退回成本的预测方法，其特征在于，包括：
获取待退回物品对应的物品退回任务信息和物品获取时间；
根据所述物品退回任务信息，确定所述待退回物品对应的目标历史退回成本；
根据预设残差预测模型和所述物品获取时间，确定所述待退回物品对应的退回残差成本，所述退回残差成本用于表征预测退回成本偏离所述目标历史退回成本的幅度；
根据所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本。
2.根据权利要求1所述的方法，其特征在于，根据预设残差预测模型和所述物品获取时间，确定所述待退回物品对应的退回残差成本，包括：
根据第一预测模型和所述物品获取时间，确定在所述物品获取时间对应的时间段内的待退回物品数量；
根据所述物品获取时间，确定所述物品获取时间对应的时间段内的天气信息；
根据第二预测模型、所述待退回物品数量和所述天气信息，确定所述待退回物品对应的退回残差成本。
3.根据权利要求2所述的方法，其特征在于，所述第二预测模型包括第一残差预测模型和第二残差预测模型；
相应地，根据第二预测模型、所述待退回物品数量和所述天气信息，确定所述待退回物品对应的退回残差成本，包括：
根据所述第一预测残差模型和所述待退回物品数量，确定审核服务残差成本和库房操作残差成本；
根据所述第二预测残差模型和所述天气信息，确定物品运输残差成本；
根据所述审核服务残差成本、所述库房操作残差成本和所述物品运输残差成本，确定所述待退回物品对应的退回残差成本。
4.根据权利要求2所述的方法，其特征在于，所述第一预测模型和所述第二预测模型均是采用回归算法的模型，其中，所述回归算法包括线性回归、曲线回归、决策树回归、随机森林回归和梯度提升树回归。
5.根据权利要求1所述的方法，其特征在于，所述物品退回任务信息包括：目标审核服务地区、目标物品获取地址和目标物品接收地址；
相应地，根据所述物品退回任务信息，确定所述待退回物品对应的目标历史退回成本，包括：
根据所述目标审核服务地区对应的历史审核服务成本信息，确定目标历史审核服务成本；
根据从所述目标物品获取地址运输至所述目标物品接收地址所对应的历史物品运输成本信息，确定目标历史物品运输成本；
根据所述目标物品接收地址对应的历史库房操作成本，确定目标历史库房操作成本；
根据所述目标历史审核服务成本、所述目标历史物品运输成本和所述目标历史库房操作成本，确定所述待退回物品对应的目标历史退回成本。
6.根据权利要求1-5任一所述的方法，其特征在于，在根据所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本之前，还包括：
确定用户退回所述待退回物品所需的物品退回代价；
相应地，根据所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本，包括：
根据所述物品退回代价、所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本。
7.根据权利要求6所述的方法，其特征在于，确定用户退回所述待退回物品所需的物品退回代价，包括：
根据用户信息检测用户是否满足无偿退回物品条件；
若是，则确定用户退回所述待退回物品所需的物品退回代价为零；
若否，则根据所述待退回物品的物品信息确定用户退回所述待退回物品所需的物品退回代价。
8.根据权利要求6所述的方法，其特征在于，根据所述物品退回代价、所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本，包括：
将所述目标历史退回成本和所述退回残差成本进行相加，获得目标退回成本；
将所述目标退回成本与所述物品退回代价进行相减，获得的相减结果确定为所述待退回物品对应的预测退回成本。
9.一种物品退回成本的预测装置，其特征在于，包括：
信息获取模块，用于获取待退回物品对应的物品退回任务信息和物品获取时间；
目标历史退回成本确定模块，用于根据所述物品退回任务信息，确定所述待退回物品对应的目标历史退回成本；
退回残差成本确定模块，用于根据预设残差预测模型和所述物品获取时间，确定所述待退回物品对应的退回残差成本，所述退回残差成本用于表征预测退回成本偏离所述目标历史退回成本的幅度；
预测退回成本确定模块，用于根据所述目标历史退回成本和所述退回残差成本，确定所述待退回物品对应的预测退回成本。
10.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的物品退回成本的预测方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的物品退回成本的预测方法。
CN201911302563.5A 2019-12-17 2019-12-17 物品退回成本的预测方法、装置、设备和存储介质 Pending CN113076522A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911302563.5A CN113076522A (zh) 2019-12-17 2019-12-17 物品退回成本的预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911302563.5A CN113076522A (zh) 2019-12-17 2019-12-17 物品退回成本的预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN113076522A true CN113076522A (zh) 2021-07-06

Family

ID=76608279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911302563.5A Pending CN113076522A (zh) 2019-12-17 2019-12-17 物品退回成本的预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113076522A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893124A (zh) * 2024-03-18 2024-04-16 天津锐特供应链科技有限公司 一种多式联运物流报价系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010037207A1 (en) * 1998-11-02 2001-11-01 Dejaeger Wilfried E. Y. Methods and apparatus for automated item return processing
US20020188482A1 (en) * 2001-06-06 2002-12-12 Friend Jeffrey Edward System and method for package return insurance
US20150066598A1 (en) * 2013-08-30 2015-03-05 International Business Machines Corporation Predicting service delivery costs under business changes
CN104992258A (zh) * 2012-07-05 2015-10-21 爱利门图供应链管理(开曼)有限公司 用于控制供应链的方法和系统
CN105574599A (zh) * 2014-10-09 2016-05-11 阿里巴巴集团控股有限公司 估算订单退货率的方法及装置
US9652732B1 (en) * 2009-11-05 2017-05-16 Target Brands, Inc. Processing a return request
US20190102694A1 (en) * 2017-09-29 2019-04-04 Facebook, Inc. Content delivery based on corrective modeling techniques
CN109615152A (zh) * 2019-02-21 2019-04-12 南方电网科学研究院有限责任公司 基于成本导向梯度上升回归树的风力发电预测方法及产品
CN110188890A (zh) * 2019-04-30 2019-08-30 合肥工业大学 基于退款保证的再制造产品的调度方法、系统和存储介质
RU2699068C1 (ru) * 2018-06-09 2019-09-03 Эллиот Абрамович Гойхман Система гарантированного возврата товаров в розничной сети продаж
CN110472987A (zh) * 2019-08-16 2019-11-19 弦子科技(北京)有限公司 一种基于商品数字凭证的退货方法及装置
CN110503479A (zh) * 2019-08-26 2019-11-26 吉旗物联科技（上海）有限公司 运输油费评估方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010037207A1 (en) * 1998-11-02 2001-11-01 Dejaeger Wilfried E. Y. Methods and apparatus for automated item return processing
US20020188482A1 (en) * 2001-06-06 2002-12-12 Friend Jeffrey Edward System and method for package return insurance
US9652732B1 (en) * 2009-11-05 2017-05-16 Target Brands, Inc. Processing a return request
CN104992258A (zh) * 2012-07-05 2015-10-21 爱利门图供应链管理(开曼)有限公司 用于控制供应链的方法和系统
US20150066598A1 (en) * 2013-08-30 2015-03-05 International Business Machines Corporation Predicting service delivery costs under business changes
CN105574599A (zh) * 2014-10-09 2016-05-11 阿里巴巴集团控股有限公司 估算订单退货率的方法及装置
US20190102694A1 (en) * 2017-09-29 2019-04-04 Facebook, Inc. Content delivery based on corrective modeling techniques
RU2699068C1 (ru) * 2018-06-09 2019-09-03 Эллиот Абрамович Гойхман Система гарантированного возврата товаров в розничной сети продаж
CN109615152A (zh) * 2019-02-21 2019-04-12 南方电网科学研究院有限责任公司 基于成本导向梯度上升回归树的风力发电预测方法及产品
CN110188890A (zh) * 2019-04-30 2019-08-30 合肥工业大学 基于退款保证的再制造产品的调度方法、系统和存储介质
CN110472987A (zh) * 2019-08-16 2019-11-19 弦子科技(北京)有限公司 一种基于商品数字凭证的退货方法及装置
CN110503479A (zh) * 2019-08-26 2019-11-26 吉旗物联科技（上海）有限公司 运输油费评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DACID HIRSHLEIFER ET AL: "Redua Risk ，Trading Costs， and Commidity Futures Risk Premia", 《THE REVIEW OF FINANCIAL STUDIES》, 7 March 2015 (2015-03-07) *
黄祖庆, 达庆利: "基于逆向物流定期和定量处理的最优库存控制策略研究", 东南大学学报(自然科学版), no. 02, 20 April 2005 (2005-04-20) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893124A (zh) * 2024-03-18 2024-04-16 天津锐特供应链科技有限公司 一种多式联运物流报价系统及方法
CN117893124B (zh) * 2024-03-18 2024-05-17 天津锐特供应链科技有限公司 一种多式联运物流报价系统及方法

Similar Documents

Publication Publication Date Title
US20210224819A1 (en) Carbon footprint tracker
CN109978470B (zh) 一种物流信息确定方法、装置、设备及介质
CN111950803A (zh) 物流对象送达时间预测方法、装置、电子设备及存储介质
CN110245900B (zh) 一种配货方法、装置、服务器和介质
US20130085782A1 (en) System and method for providing on-line moving insurance
US8533074B1 (en) Lost and damaged items in a fulfillment network
KR102503198B1 (ko) 인공지능 기반의 최적 배송경로 제공 장치 및 방법
CN113076522A (zh) 物品退回成本的预测方法、装置、设备和存储介质
CN113919918A (zh) 订单全流程取消方法、装置、电子设备及计算机存储介质
CN111646091A (zh) 装卸货物的方法和装置
CN111292156A (zh) 订单自动生成方法、系统、设备及存储介质
KR20220006726A (ko) 경로 빅데이터 기반 밀크런 자동배차 제공 장치 및 방법
CN111861302A (zh) 物流订单的断更处理方法、装置、电子设备及存储介质
CN112001664B (zh) 一种退货任务的生成方法、装置、设备和存储介质
CN115345719B (zh) 基于电商系统的成本数据缺失提醒方法及相关产品
CN113077315B (zh) 数据处理方法及装置、计算机可读存储介质、电子设备
US10956859B2 (en) Avoidance of product stockouts through optimized routing of online orders
CN116109251A (zh) 仓库备货管理方法、装置、仓库管理系统及存储介质
CN112258117B (zh) 寄件方法、装置、电子设备以及存储介质
KR102419430B1 (ko) 중고화물차 매매가격 제공 장치 및 방법
CN114841769A (zh) 包裹信息更新方法和装置
CN112446565A (zh) 为订单匹配车辆的方法和装置
CN115358829B (zh) 物品交易数据处理方法、装置、存储介质及电子设备
CN110245897B (zh) 车辆调度方法及装置、介质和计算设备
CN113869832A (zh) 信息处理方法、装置、设备及存储介质

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