CN115269254A - 订单异常确定方法、装置、设备及介质 - Google Patents

订单异常确定方法、装置、设备及介质 Download PDF

Info

Publication number
CN115269254A
CN115269254A CN202210944058.6A CN202210944058A CN115269254A CN 115269254 A CN115269254 A CN 115269254A CN 202210944058 A CN202210944058 A CN 202210944058A CN 115269254 A CN115269254 A CN 115269254A
Authority
CN
China
Prior art keywords
order
abnormal
transaction
target
diagnosed
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
CN202210944058.6A
Other languages
English (en)
Inventor
邓洋洋
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.)
Zhengcaiyun Co ltd
Original Assignee
Zhengcaiyun 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 Zhengcaiyun Co ltd filed Critical Zhengcaiyun Co ltd
Priority to CN202210944058.6A priority Critical patent/CN115269254A/zh
Publication of CN115269254A publication Critical patent/CN115269254A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种订单异常确定方法、装置、设备及介质，涉及计算机技术领域，该方法包括：获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；基于交易特征对待诊断交易数据进行诊断，以诊断出待诊断交易数据中的异常订单对应的订单异常原因；从预设数仓中确定出与待诊断交易数据的交易类型对应的目标数据表，并将订单异常原因以及异常订单对应的订单特征信息发送至目标数据表进行保存；当获取到包含目标订单特征信息的查询请求，则利用查询请求中的目标订单特征信息对目标数据表进行查询，以得到与目标订单特征信息对应的目标订单异常原因。通过上述方法，能够提高确定出的订单异常原因的准确率，并降低确定订单异常原因所需的成本。

Description

订单异常确定方法、装置、设备及介质
技术领域
本发明涉及计算机技术领域，特别涉及订单异常确定方法、装置、设备及介质。
背景技术
随着计算机技术的发展，许多业务、系统、计算机程序越来越庞大，环节越来越复杂，当需要确定出某一异常数据具体是在哪一个或哪几个环节出现错误以及出现错误的详细原因时，现有技术需要在各种业务模式和众多环节中进行确定，工作成本高且任务艰巨，并且业务可能随时发生改变，实际业务场景与预先设计的理想业务场景有所不同，而现有技术基于理想业务场景去确定实际业务场景产生的异常数据对应的异常原因，很有可能是不适配的。例如确定某一订单的异常原因时，实际业务场景所涉及的环节非常多，数据庞大，也可能存在实际订单产生场景与理想订单产生场景不同的情况，因此现有技术确定订单异常原因是非常耗费成本，并且确定出的异常原因准确率不高。
综上可见，如何提高确定出的订单异常原因的准确率以及如何降低确定订单异常原因所需的成本是本领域有待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种订单异常确定方法、装置、设备及介质，能够提高确定出的订单异常原因的准确率，并降低确定订单异常原因所需的成本。其具体方案如下：
第一方面，本申请公开了一种订单异常确定方法，包括：
获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；
基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；
从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。
可选的，所述基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因，包括：
基于所述交易特征，并利用Apache Spark计算引擎对所述待诊断交易数据进行离线诊断以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因。
可选的，所述基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因，包括：
基于预设匹配条件和所述交易特征以得到异常交易数据，并利用所述异常交易数据获取对应的异常订单，然后诊断出与所述异常订单对应的订单异常原因。
可选的，所述基于预设匹配条件和所述交易特征以得到异常交易数据，包括：
基于预设匹配条件将所述交易特征与所述待诊断交易数据进行匹配，筛选出不满足所述预设匹配条件的所述待诊断交易数据，以得到异常交易数据。
可选的，所述从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存，包括：
从预设数仓的ODS表中提取出所述订单异常原因和所述异常订单对应的订单特征信息，并确定出与所述待诊断交易数据的交易类型对应的目标数据表，然后将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
创建包含查询请求获取接口的展示层，以便通过所述查询请求获取接口获取到包含目标订单特征信息的查询请求。
可选的，所述的订单异常确定方法，还包括：
确定所述订单异常原因与所述异常订单对应的订单特征信息之间的映射关系；
利用所述映射关系将所述订单异常原因和所述异常订单对应的订单特征信息保存至所述预设数仓的所述ODS表中。
可选的，所述利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因，包括：
利用IData大数据平台查询出所述目标数据表中与所述查询请求中的所述目标订单特征信息对应的目标订单异常原因。
第二方面，本申请公开了一种订单异常确定装置，包括：
数据获取模块，用于获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；
异常原因诊断模块，用于基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；
异常原因保存模块，用于从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
异常原因查询模块，用于当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的订单异常确定方法的步骤。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的订单异常确定方法的步骤。
可见，获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。由此可见，本申请在每一个交易环节中基于交易特征对待诊断交易数据进行诊断，并将每一交易环节中被诊断出的订单异常原因以及对应的订单特征信息保存至预设数仓中的目标数据表，因此当获取到包含目标订单特征信息的查询请求时，可以利用查询请求中的目标订单特征信息对目标数据表进行查询，进而可以得到该目标订单特征信息在具体的某一交易环节中出现异常的具体原因，无需利用复杂的算法反向推算订单异常原因，降低确定订单异常原因所需的成本，并且确定出的订单异常原因是在实际业务场景中保存的，准确性更高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种订单异常确定方法没流程图；
图2为本申请公开的一种具体的订单异常确定方法没流程图；
图3为本申请公开的一种具体的订单异常原因确定示意图；
图4为本申请公开的一种订单异常确定装置结构示意图；
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着计算机技术的发展，许多业务、系统、计算机程序越来越庞大，环节越来越复杂，当需要确定出某一异常数据具体是在哪一个或哪几个环节出现错误以及出现错误的详细原因时，现有技术需要在各种业务模式和众多环节中进行确定，工作成本高且任务艰巨，并且业务可能随时发生改变，实际业务场景与预先设计的理想业务场景有所不同，而现有技术基于理想业务场景去确定实际业务场景产生的异常数据对应的异常原因，很有可能是不适配的。例如确定某一订单的异常原因时，实际业务场景所涉及的环节非常多，数据庞大，也可能存在实际订单产生场景与理想订单产生场景不同的情况，因此现有技术确定订单异常原因是非常耗费成本，并且确定出的异常原因准确率不高。
综上可见，如何提高确定出的订单异常原因的准确率以及如何降低确定订单异常原因所需的成本是本领域有待解决的问题。
为此本申请相应的提供了一种订单异常确定方案，能够提高确定出的订单异常原因的准确率，并降低确定订单异常原因所需的成本。
参见图1所示，本申请实施例公开了一种订单异常确定方法，包括：
步骤S11：获取预先配置的各交易环节对应的交易特征以及待诊断交易数据。
本实施例中，基于实际的业务场景，预先配置对应的各个交易环节，并获取各个交易环节对应的交易特征信息以及待诊断交易数据，由于Apache Spark计算引擎能够更好的适用于数据挖掘以及机器学习等需要迭代的MapReduce的算法，因此可以通过ApacheSpark计算引擎获取交易特征信息以及待诊断交易数据。其中例如实际业务场景为订单交易，那么可以利用Apache Spark计算引擎拉取预设时间内的待诊断数据，待诊断数据可以为包括订单相关信息、商品相关信息、项目相关信息以及协议相关信息的交易相关数据，再利用Apache Spark计算引擎获取业务对接配置和策略配置，业务对接配置可用于确定需要进行抽佣的业务，以及出账的时间，策略配置可以为业务收费标准，收费形式等。
步骤S12：基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因。
本实施例中，所述基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因，包括：基于所述交易特征，并利用Apache Spark计算引擎对所述待诊断交易数据进行离线诊断以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因。
本实施例中，所述基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因，具体包括：基于预设匹配条件和所述交易特征以得到异常交易数据，并利用所述异常交易数据获取对应的异常订单，然后诊断出与所述异常订单对应的订单异常原因。
本实施例中，所述基于预设匹配条件和所述交易特征以得到异常交易数据，具体包括：基于预设匹配条件将所述交易特征与所述待诊断交易数据进行匹配，筛选出不满足所述预设匹配条件的所述待诊断交易数据，以得到异常交易数据。
本实施例中，例如交易特征为业务对接配置和策略配置，因此基于预设匹配条件将待诊断交易数据与业务对接配置进行匹配，筛选出不满足预设匹配条件的待诊断交易数据，即无法与业务对接配置进行匹配的待诊断交易数据，并将无法与业务对接配置进行匹配的待诊断交易数据作为第一异常交易数据，利用第一异常交易数据获取对应的第一异常订单，然后分析诊断出与第一异常订单对应的第一订单异常原因，可以将第一订单异常原因记录至预设数仓中的ODS表中；基于预设匹配条件将待诊断交易数据与策略配置进行逐级匹配，记录匹配数据，筛选出不满足预设匹配条件的待诊断交易数据，即无法与策略配置进行匹配的待诊断交易数据，并将无法与业务对接配置进行匹配的待诊断交易数据作为第二异常交易数据，利用第二异常交易数据获取对应的第二异常订单，然后分析诊断出与第二异常订单对应的第二订单异常原因，可以将第二订单异常原因记录至预设数仓中的ODS表中。
步骤S13：从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存。
本实施例中，可以理解的是，将各个交易环节所对应的异常订单的订单异常原因进行汇总，可以基于订单类型、订单数量等进行分类汇总，也可以基于订单异常原因的类型进行汇总，并且在汇总时需要将对应的订单特征信息进行相应的处理，以便后续可以基于订单特征信息进行查询，更加简单方便，查询效率大大提高。
步骤S14：当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。
本实施例中，当获取到包含目标订单特征信息的查询请求时，即可利用IData大数据平台查询出与目标订单特征信息对应的订单异常原因，无需投入大量的人力，耗费大量时间，只要一个目标订单特征信息就能分析订单异常原因。
可见，获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。由此可见，本申请在每一个交易环节中基于交易特征对待诊断交易数据进行诊断，并将每一交易环节中被诊断出的订单异常原因以及对应的订单特征信息保存至预设数仓中的目标数据表，因此当获取到包含目标订单特征信息的查询请求时，可以利用查询请求中的目标订单特征信息对目标数据表进行查询，进而可以得到该目标订单特征信息在具体的某一交易环节中出现异常的具体原因，无需利用复杂的算法反向推算订单异常原因，降低确定订单异常原因所需的成本，并且确定出的订单异常原因是在实际业务场景中保存的，准确性更高。
参见图2所示，本申请实施例公开了一种具体的订单异常确定方法，包括：
步骤S21：获取预先配置的各交易环节对应的交易特征以及待诊断交易数据。
步骤S22：基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因。
本实施例中，例如实际业务场景为订单交易，订单交易中存在各种交易环节，例如预计费用交易环节中，基于策略配置计算出待诊断交易数据中每一交易订单的各个商品行的第一抽佣金额，并基于各个商品行的第一抽佣金额得到每一交易订单的第二抽佣金额；基于交易订单和第二抽佣金额筛选出没有被计算出第二抽佣金额的交易订单，利用异步线程脚本分析出该交易订单的第三订单异常原因，其中第三订单异常原因可能为：一是商品类目或活动标签配置不匹配、二是收费标准没有配置完整、三是费用类型配置不正确。在冲正交易环节中，获取冲正订单数据，并确定冲正订单数据中满足预设冲正条件的商品，然后计算该商品的冲正金额以得到冲正记录；利用异步线程分析冲正记录中冲正金额与对应的冲正订单数据之间是否正常，以得到异常冲正记录，并基于异常冲正记录生成第四订单异常原因。在出账交易环节中，基于供应商信息和日期信息对待诊断交易数据中交易订单进行合并，例如将为同一个供应商信息的交易订单进行合并，以得到出账订单，也可以将同一日期信息的交易订单进行合并，以得到出账订单，然后将无法进行合并，将无法进行合并的交易订单确定为异常订单，异常订单所对应的数据即为异常交易数据，并基于异常订单分析出对应的第五订单异常原因。在支付日期信息计算交易环节中，计算出每一个出账订单的最迟支付日期，以构建完整账单，然后生成当期完整账单，并过滤出最迟支付日期计算错误的出账订单，分析最迟支付日期计算错误的出账订单的第六订单异常原因。
步骤S23：从预设数仓的ODS表中提取出所述订单异常原因和所述异常订单对应的订单特征信息，并确定出与所述待诊断交易数据的交易类型对应的目标数据表，然后将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存。
本实施例中，还包括：确定所述订单异常原因与所述异常订单对应的订单特征信息之间的映射关系；利用所述映射关系将所述订单异常原因和所述异常订单对应的订单特征信息保存至所述预设数仓的所述ODS表中。
步骤S24：创建包含查询请求获取接口的展示层，以便通过所述查询请求获取接口获取到包含目标订单特征信息的查询请求。
本实施例中，创建包含查询请求获取接口的展示层，即为用户提供展示层，使得用户查询订单异常原因更方便、更快捷、更直观，使得用户体验飞速提升。
步骤S25：当获取到包含目标订单特征信息的查询请求，则利用IData大数据平台查询出所述目标数据表中与所述查询请求中的所述目标订单特征信息对应的目标订单异常原因。
本实施例中，例如图3所示的一种具体的订单异常原因确定示意图，用户(Actor)输入目标订单特征信息至web(World Wide Web，即全球广域网)界面，例如为订单号，基于IData大数据平台，从预设数仓中获取出预先利用Apache Spark计算引擎基于目标程序(Application)中的待诊断数据和交易特征所得到的诊断埋点，即可获取对应的目标订单异常原因，并将目标订单异常原因在对应的web界面显示出来，以便用户进行后续处理；其中诊断埋点即为在每一交易环节中，如果存在订单异常原因则进行相应的记录。基于目标订单特征信息即可查询出对应的目标订单异常原因，速度大大提升，从而大大提高了工作效率。
由此可见，本申请无需大量的计算资源，并且适用于多种业务场景，让订单异常原因查询有据可依，解决了查询原因无从下手的问题，并且确定异常原因的速度大大提升，操作简单，用户体验感显著提高。
参见图4所示，本申请实施例公开了一种订单异常确定装置，包括：
数据获取模块11，用于获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；
异常原因诊断模块12，用于基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；
异常原因保存模块13，用于从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
异常原因查询模块14，用于当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。
可见，获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。由此可见，本申请在每一个交易环节中基于交易特征对待诊断交易数据进行诊断，并将每一交易环节中被诊断出的订单异常原因以及对应的订单特征信息保存至预设数仓中的目标数据表，因此当获取到包含目标订单特征信息的查询请求时，可以利用查询请求中的目标订单特征信息对目标数据表进行查询，进而可以得到该目标订单特征信息在具体的某一交易环节中出现异常的具体原因，无需利用复杂的算法反向推算订单异常原因，降低确定订单异常原因所需的成本，并且确定出的订单异常原因是在实际业务场景中保存的，准确性更高。
在一些具体实施例中，所述异常原因诊断模块12，包括：
第一诊断单元，用于基于所述交易特征，并利用Apache Spark计算引擎对所述待诊断交易数据进行离线诊断以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因。
在一些具体实施例中，所述异常原因诊断模块12，包括：
第二诊断单元，用于基于预设匹配条件和所述交易特征以得到异常交易数据，并利用所述异常交易数据获取对应的异常订单，然后诊断出与所述异常订单对应的订单异常原因。
在一些具体实施例中，所述第二诊断单元，包括：
异常交易数据筛选单元，用于基于预设匹配条件将所述交易特征与所述待诊断交易数据进行匹配，筛选出不满足所述预设匹配条件的所述待诊断交易数据，以得到异常交易数据。
在一些具体实施例中，所述异常原因保存模块13，包括：
第一保存单元，用于从预设数仓的ODS表中提取出所述订单异常原因和所述异常订单对应的订单特征信息，并确定出与所述待诊断交易数据的交易类型对应的目标数据表，然后将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
查询请求获取单元，用于创建包含查询请求获取接口的展示层，以便通过所述查询请求获取接口获取到包含目标订单特征信息的查询请求。
在一些具体实施例中，所述订单异常确定装置，还包括：
第一保存单元，用于确定所述订单异常原因与所述异常订单对应的订单特征信息之间的映射关系；利用所述映射关系将所述订单异常原因和所述异常订单对应的订单特征信息保存至所述预设数仓的所述ODS表中。
在一些具体实施例中，所述异常原因查询模块14，包括：
查询单元，用于利用IData大数据平台查询出所述目标数据表中与所述查询请求中的所述目标订单特征信息对应的目标订单异常原因。
图5为本申请实施例提供的一种电子设备的结构示意图。具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的由电子设备执行的订单异常确定方法中的相关步骤。
本实施例中，电源23用于为电子设备上的各硬件设备提供工作电压；通信接口24能够为电子设备创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备执行的订单异常确定方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据，也可以包括由自身输入输出接口25采集到的数据等。
进一步的，本申请实施例还公开了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的由订单异常确定方法过程中执行的方法步骤。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种订单异常确定方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种订单异常确定方法，其特征在于，包括：
获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；
基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；
从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。
2.根据权利要求1所述的订单异常确定方法，其特征在于，所述基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因，包括：
基于所述交易特征，并利用Apache Spark计算引擎对所述待诊断交易数据进行离线诊断以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因。
3.根据权利要求1所述的订单异常确定方法，其特征在于，所述基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因，包括：
基于预设匹配条件和所述交易特征以得到异常交易数据，并利用所述异常交易数据获取对应的异常订单，然后诊断出与所述异常订单对应的订单异常原因。
4.根据权利要求3所述的订单异常确定方法，其特征在于，所述基于预设匹配条件和所述交易特征以得到异常交易数据，包括：
基于预设匹配条件将所述交易特征与所述待诊断交易数据进行匹配，筛选出不满足所述预设匹配条件的所述待诊断交易数据，以得到异常交易数据。
5.根据权利要求1所述的订单异常确定方法，其特征在于，所述从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存，包括：
从预设数仓的ODS表中提取出所述订单异常原因和所述异常订单对应的订单特征信息，并确定出与所述待诊断交易数据的交易类型对应的目标数据表，然后将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
创建包含查询请求获取接口的展示层，以便通过所述查询请求获取接口获取到包含目标订单特征信息的查询请求。
6.根据权利要求5所述的订单异常确定方法，其特征在于，还包括：
确定所述订单异常原因与所述异常订单对应的订单特征信息之间的映射关系；
利用所述映射关系将所述订单异常原因和所述异常订单对应的订单特征信息保存至所述预设数仓的所述ODS表中。
7.根据权利要求1至6任一项所述的订单异常确定方法，其特征在于，所述利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因，包括：
利用IData大数据平台查询出所述目标数据表中与所述查询请求中的所述目标订单特征信息对应的目标订单异常原因。
8.一种订单异常确定装置，其特征在于，包括：
数据获取模块，用于获取预先配置的各交易环节对应的交易特征以及待诊断交易数据；
异常原因诊断模块，用于基于所述交易特征对所述待诊断交易数据进行诊断，以诊断出所述待诊断交易数据中的异常订单对应的订单异常原因；
异常原因保存模块，用于从预设数仓中确定出与所述待诊断交易数据的交易类型对应的目标数据表，并将所述订单异常原因以及所述异常订单对应的订单特征信息发送至目标数据表进行保存；
异常原因查询模块，用于当获取到包含目标订单特征信息的查询请求，则利用所述查询请求中的所述目标订单特征信息对所述目标数据表进行查询，以得到与所述目标订单特征信息对应的目标订单异常原因。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的订单异常确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的订单异常确定方法的步骤。
CN202210944058.6A 2022-08-05 2022-08-05 订单异常确定方法、装置、设备及介质 Pending CN115269254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210944058.6A CN115269254A (zh) 2022-08-05 2022-08-05 订单异常确定方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210944058.6A CN115269254A (zh) 2022-08-05 2022-08-05 订单异常确定方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115269254A true CN115269254A (zh) 2022-11-01

Family

ID=83748558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210944058.6A Pending CN115269254A (zh) 2022-08-05 2022-08-05 订单异常确定方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115269254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051241A (zh) * 2023-02-01 2023-05-02 浙江红太阳企业管理咨询有限公司 一种基于大数据的电商管理平台

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051241A (zh) * 2023-02-01 2023-05-02 浙江红太阳企业管理咨询有限公司 一种基于大数据的电商管理平台
CN116051241B (zh) * 2023-02-01 2023-12-12 变购(武汉)物联网科技有限公司 一种基于大数据的电商管理平台

Similar Documents

Publication Publication Date Title
CN108920135B (zh) 一种自定义业务生成方法、装置、计算机设备及存储介质
CN102377246B (zh) 基于iec61850故障分析系统的图形实例化方法
CN109614290A (zh) 容器中的进程异常信息记录方法及系统
CN113220540B (zh) 业务管理方法、装置、计算机设备和存储介质
CN108255620A (zh) 一种业务逻辑处理方法、装置、业务服务器及系统
CN111522703A (zh) 监控访问请求的方法、设备和计算机程序产品
CN111125106B (zh) 一种跑批任务执行方法、装置、服务器和存储介质
CN110610376A (zh) 行为数据的响应方法、装置、计算机设备及存储介质
CN105243001A (zh) 业务对象的异常告警方法和装置
CN115034596A (zh) 一种风险传导预测方法、装置、设备和介质
CN115269254A (zh) 订单异常确定方法、装置、设备及介质
CN113094166A (zh) 一种链路追踪方法、装置、介质和计算设备
CN114003473A (zh) 一种页面操作行为的回溯方法、装置及电子设备
CN113076358A (zh) 一种报表生成方法、装置、设备及存储介质
CN115827436A (zh) 数据处理方法、装置、设备及存储介质
CN115374968A (zh) 一种银行机房管理方法、装置及设备
CN117194382A (zh) 中台数据处理方法、装置、电子设备及存储介质
CN115661426B (zh) 一种基于三维引擎的模型修改方法、装置、设备及介质
CN111176944A (zh) 区块链智能合约调用记录解析方法、装置、终端和存储介质
CN113435948B (zh) 一种电商平台数据监测方法及系统
CN110263004A (zh) 日志记录方法、装置、电子设备和存储介质
CN115905322A (zh) 业务处理方法、装置、电子设备及存储介质
CN115687026A (zh) 多节点服务器故障预警方法、装置、设备及介质
CN114912582A (zh) 模型生产方法、装置、电子设备以及存储介质
CN110222070B (zh) 报表归档方法、装置、介质、电子设备

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