CN115545757A - 一种用于电商交易主体的行为数据智能模拟方法 - Google Patents
一种用于电商交易主体的行为数据智能模拟方法 Download PDFInfo
- Publication number
- CN115545757A CN115545757A CN202211175381.8A CN202211175381A CN115545757A CN 115545757 A CN115545757 A CN 115545757A CN 202211175381 A CN202211175381 A CN 202211175381A CN 115545757 A CN115545757 A CN 115545757A
- Authority
- CN
- China
- Prior art keywords
- commodity
- shipment
- transaction
- value
- goods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于电商交易主体的行为数据智能模拟方法,涉及电商交易数据处理技术领域;所述模拟方法包括如下步骤:获取企业端商品交易历史数据;对企业端商品交易历史数据的出货时长、运送时长以及评分信息进行处理,得到企业端交易行为参考结果;获取用户端商品交易历史数据;对用户端商品交易数据的退货信息、换货信息以及评价信息进行处理,得到用户端交易行为参考结果;本发明通过对企业端的销售数据和用户端的购买数据进行分析后并整合,再结合商品销售信息,能够对商品的销售情况进行有效的预估模拟,以解决现有的电商交易过程中对于商品的有效销售情况的预测性不足,导致售后服务的分配投入存在滞后的问题。
Description
技术领域
本发明涉及电商交易数据处理技术领域,尤其涉及一种用于电商交易主体的行为数据智能模拟方法。
背景技术
电子商务通常是指在全球各地广泛的商业贸易活动中,在因特网开放的网络环境下,基于客户端/服务端应用方式,买卖双方不谋面地进行各种商贸活动,实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种新型的商业运营模式。按照交易对象分类,根据电子商务交易双方主体的不同,可将电子商务分为五种模式:企业对消费者的电子商务,这种模式在企业与消费者之间进行;企业与企业之间的电子商务;企业对政府的电子商务;消费者对政府的电子商务;消费者之间的电子商务指消费者与消费者之间进行的交易,如网上拍卖和在线;但是目前电子商务交易平台交易量最多的还是在企业对消费者的电子商务。
现有的技术中,在企业对消费者的电子商务领域中,企业端在进行商品销售时,缺少对商品销售后的有效数据进行分析的方法,尤其是现有的电子商务的销售模式中,某一类商品很容易推送给某一种单一人群或者被某一类人群购买,因此在售卖后也容易出现集中性的差评或者退换货的情况,但是现有的技术中缺少对企业端商品最终的有效销售情况进行预估的方法,进而缺少对于企业端的售后服务投入的预见性,导致后续的售后服务滞后或者服务跟不上的问题,因此缺少一种用于电商交易主体的行为数据智能模拟方法来解决上述存在的问题。
发明内容
针对现有技术存在的不足,本发明目的是提供一种用于电商交易主体的行为数据智能模拟方法,通过对企业端的销售数据和用户端的购买数据进行分析后并整合,再结合商品销售信息,能够对商品的销售情况进行有效的预估模拟,以解决现有的电商交易过程中对于商品的有效销售情况的预测性不足,导致售后服务的分配投入存在滞后的问题。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种用于电商交易主体的行为数据智能模拟方法,所述模拟方法包括如下步骤:
获取企业端商品交易历史数据;对企业端商品交易历史数据的出货时长、运送时长以及评分信息进行处理,得到企业端交易行为参考结果;
获取用户端商品交易历史数据;对用户端商品交易数据的退货信息、换货信息以及评价信息进行处理,得到用户端交易行为参考结果;
对企业端的商品交易进行有效交易模拟;有效交易模拟包括:获取商品交易量和商品类型;并结合企业端交易行为参考结果和用户端交易行为参考结果进行分析,得到商品的有效交易模拟结果。
进一步地,对企业端商品交易历史数据的出货时长进行处理包括:获取企业端的商品的单日出货量最高值,并设定为商品日交易峰值;将商品日交易峰值通过出货量参考计算公式中计算得到第一参考出货量;所述出货量参考计算公式配置为:其中,Lch1第一参考出货量,Ljyf为商品日交易峰值,L1为出货参考划分消减量;
将两倍的第一参考出货量设置为第二参考出货量,将三倍的第一参考出货量设置为第三参考出货量;
获取企业端在第一参考出货量时的平均出货时长,并设定为第一参考出货时长;获取企业端在第二参考出货量时的平均出货时长,并设定为第二参考出货时长;获取企业端在第三参考出货量时的平均出货时长,并设定为第三参考出货时长;
将第一参考出货量除以第一参考出货时长得到第一出货效率比;将第二参考出货量除以第二参考出货时长得到第二出货效率比;将第三参考出货量除以第三参考出货时长得到第三出货效率比;
求取第一出货效率比、第二出货效率比以及第三出货效率比的平均值,并设定为出货参考效率比。
进一步地,对企业端商品交易历史数据的运送时长进行处理包括:获取企业端的所有商品的运送时长,求取所有商品的运送时长的平均值,并设定为商品运送参考时长。
进一步地,对企业端商品交易历史数据的评分信息进行处理包括:获取企业端的所有商品的差评数量、交易数量以及所有商品的评分值,求取所有商品的评分值的平均值,并设定为商品平均分值;
将差评数量、交易数量以及商品平均分值通过评分校正公式求得评分校正参考值;所述评分校正公式配置为:其中,Ppfj为评分校正参考值,Fsp为商品平均分值,Lcp为差评数量,Ljy为交易数量,a1为差评占比系数值,a1的取值大于1。
进一步地,对用户端商品交易数据的退货信息进行处理包括:获取用户端的商品购买总数和商品退货总数,将商品购买总数和商品退货总数通过商品退货参考公式求得商品退货参考值;所述商品退货参考公式配置为:其中,Cst为商品退货参考值,Zth为商品退货总数,Zgm为商品购买总数。
进一步地,对用户端商品交易数据的换货信息进行处理包括:获取用户端的商品购买总数和商品换货总数,将商品购买总数和商品换货总数通过商品换货参考公式求得商品换货参考值;所述商品换货参考公式配置为:其中,Csh为商品换货参考值,Zhh为商品换货总数,Zgm为商品购买总数。
进一步地,对用户端商品交易数据的评价信息进行处理包括:获取用户端的商品购买总数、商品评价总数以及商品差评总数,将商品购买总数、商品评价总数以及商品差评总数通过商品评价参考公式求得商品评价参考值;所述商品评价参考公式配置为:其中,Csp为商品评价参考值,Zpj为商品评价总数,Zcp为商品差评总数,Zgm为商品购买总数。
进一步地,获取商品类型包括:将商品类型进行分类,分别将商品分为第一级退货商品、第二级退货商品以及第三级退货商品;其中,第一级退货商品的退货率大于第二级退货商品的退货率,第二级退货商品的退货率大于第三级退货商品的退货率;
对第一级退货商品、第二级退货商品以及第三级退货商品设置退货系数,并将退货系数标记为Xti;对第一级退货商品设置第一退货系数并将第一退货系数标记为Xt1;对第二级退货商品设置第二退货系数,并将第二退货系数标记为Xt2;对第三级退货商品设置第三退货系数,并将第三退货系数标记为Xt3;其中,第一退货系数大于第二退货系数,第二退货系数大于第三退货系数。
进一步地,结合企业端交易行为参考结果和用户端交易行为参考结果进行分析包括:将出货参考效率比、商品运送参考时长以及评分校正参考值通过企业端出货质量参考公式求得企业端出货有效模拟值;所述企业端出货质量参考公式配置为:其中,Mqy为企业端出货有效模拟值,Bcc为出货参考效率比,Tys为商品运送参考时长;
进一步地,得到商品的有效交易模拟结果包括:获取所有购买企业端商品的用户的用户端购买有效模拟值,求取所有购买企业端商品的用户的用户端购买有效模拟值的平均值,并设定为总购买有效模拟值;
将商品交易量和出货参考效率比通过出货模拟公式计算得到出货模拟时长,所述出货模拟公式配置为:Tcm=Lsj×Bcc;其中,Tcm为出货模拟时长,Lsj为商品交易量,Bcc为出货参考效率比;
将企业端出货有效模拟值、总购买有效模拟值以及出货模拟时长通过有效模拟基础公式求得有效模拟基础系数;所述有效模拟基础公式配置为:其中,Xjc为有效模拟基础系数;Mzyh为总购买有效模拟值,k1为企业端有效模拟占比系数,k2为用户端有效模拟占比系数,k3为商品交易有效模拟占比系数;
获取商品对应的退货系数,将退货系数和有效模拟基础系数通过有效交易模拟公式求得有效交易比;所述有效交易模拟公式配置为:Byxj=Xjc×Xti;其中,Byxj为有效交易比;
将有效交易比与商品交易量相乘得到商品有效交易量。
本发明的有益效果:本发明通过对企业端商品交易历史数据的出货时长、运送时长以及评分信息进行处理,得到企业端交易行为参考结果;再通过对用户端商品交易数据的退货信息、换货信息以及评价信息进行处理,得到用户端交易行为参考结果;最后再对企业端的商品交易进行有效交易模拟,获取商品交易量和商品类型;并结合企业端交易行为参考结果和用户端交易行为参考结果进行分析,得到商品的有效交易模拟结果;通过对企业端和用户端的行为数据进行分析并整合,再结合商品的具体销售信息进行分析,能够得到商品有效销售的模拟结果,实现对商品销售情况的预估,进而能够保障后期售后服务的分配更加合理。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其他特征、目的和优点将会变得更明显:
图1为本发明的模拟方法的步骤流程图;
图2为本发明的步骤S20的子步骤流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
请参阅图1所示,本发明提供一种用于电商交易主体的行为数据智能模拟方法,通过对企业端的销售数据和用户端的购买数据进行分析后并整合,再结合商品销售信息,能够对商品的销售情况进行有效的预估模拟,以解决现有的电商交易过程中对于商品的有效销售情况的预测性不足,导致售后服务的分配投入存在滞后的问题。
具体地,模拟方法包括如下步骤:
步骤S10,获取企业端商品交易历史数据;对企业端商品交易历史数据的出货时长、运送时长以及评分信息进行处理,得到企业端交易行为参考结果;步骤S10还包括如下步骤:
步骤S1011,获取企业端的商品的单日出货量最高值,并设定为商品日交易峰值;将商品日交易峰值通过出货量参考计算公式中计算得到第一参考出货量;出货量参考计算公式配置为:其中,Lch1第一参考出货量,Ljyf为商品日交易峰值,L1为出货参考划分消减量;在计算第一参考出货量时,不能简单地将商品日交易峰值进行三等分处理,因为商品日交易峰值为一个极限值,因此先减去出货参考划分消减量后再进行三等分,能够提高数据参考的合理性,L1的取值参考企业端的出货量进行设定,L1的设定要小于商品日交易峰值的一半或三分之一。
步骤S1012,将两倍的第一参考出货量设置为第二参考出货量,将三倍的第一参考出货量设置为第三参考出货量;
步骤S1013,获取企业端在第一参考出货量时的平均出货时长,并设定为第一参考出货时长;获取企业端在第二参考出货量时的平均出货时长,并设定为第二参考出货时长;获取企业端在第三参考出货量时的平均出货时长,并设定为第三参考出货时长;企业端在不同的出货量的状态下,其出货效率也是不同的,出货量越大时,对应的售后处理量也越多,因此也会影响出货效率,通过综合不同出货量时的出货时长,能够使求取的出货效率比更加的精准有效。出货时长可以通过用户下单时间到进入物流之间的时间差进行计算获取。
步骤S1014,将第一参考出货量除以第一参考出货时长得到第一出货效率比;将第二参考出货量除以第二参考出货时长得到第二出货效率比;将第三参考出货量除以第三参考出货时长得到第三出货效率比;由出货量除以出货时长得到的对应出货效率比,具体表示为:出货效率比越高表明出货速度越快。
步骤S1015,求取第一出货效率比、第二出货效率比以及第三出货效率比的平均值,并设定为出货参考效率比。因此出货参考效率比越高,表示该企业端的出货速度越快,出货效率也越高。
步骤S10还包括步骤S1021,步骤S1021包括:获取企业端的所有商品的运送时长,求取所有商品的运送时长的平均值,并设定为商品运送参考时长,商品的运送参考时长越长,用户在此期间进行退货的概率也越高。运送时长从商品进入物流到用户签收之间的时间差进行计算得到。
步骤S10还包括如下步骤:
步骤S1031,包括获取企业端的所有商品的差评数量、交易数量以及所有商品的评分值,求取所有商品的评分值的平均值,并设定为商品平均分值;评分数据参考电商平台的评价板块的数据。
步骤S1032,将差评数量、交易数量以及商品平均分值通过评分校正公式求得评分校正参考值;评分校正公式配置为:其中,Ppfj为评分校正参考值,Fsp为商品平均分值,Lcp为差评数量,Ljy为交易数量,a1为差评占比系数值,a1的取值大于1。商品的有效评分情况越好,对应的商品的有效销售情况也会越好。
请参阅图2所示,步骤S20,获取用户端商品交易历史数据;对用户端商品交易数据的退货信息、换货信息以及评价信息进行处理,得到用户端交易行为参考结果;用户端的信息参考用户端的商品订单的退换货信息和商品评价信息;步骤S20还包括步骤S2011,步骤S2011包括:获取用户端的商品购买总数和商品退货总数,将商品购买总数和商品退货总数通过商品退货参考公式求得商品退货参考值;商品退货参考公式配置为:其中,Cst为商品退货参考值,Zth为商品退货总数,Zgm为商品购买总数;对于商品退货的有效性计算时,需要综合考量用户的退货量在退货总量中的占比;占比越高,参考价值越高;
步骤S20还包括步骤S2021,步骤S2021包括:获取用户端的商品购买总数和商品换货总数,将商品购买总数和商品换货总数通过商品换货参考公式求得商品换货参考值;商品换货参考公式配置为:其中,Csh为商品换货参考值,Zhh为商品换货总数,Zgm为商品购买总数;对于商品换货的有效性计算时,需要综合考量用户的换货量在换货总量中的占比;占比越高,参考价值越高。
步骤S20还包括步骤S2031,步骤S2031包括:获取用户端的商品购买总数、商品评价总数以及商品差评总数,将商品购买总数、商品评价总数以及商品差评总数通过商品评价参考公式求得商品评价参考值;商品评价参考公式配置为:其中,Csp为商品评价参考值,Zpj为商品评价总数,Zcp为商品差评总数,Zgm为商品购买总数;用户对于商品的评价是否有效也要看其进行差评的总数,差评的总数越高,有效性也越高。
步骤S30,对企业端的商品交易进行有效交易模拟;有效交易模拟包括:获取商品交易量和商品类型;并结合企业端交易行为参考结果和用户端交易行为参考结果进行分析,得到商品的有效交易模拟结果。步骤S30还包括如下步骤:
步骤S3011,将商品类型进行分类,分别将商品分为第一级退货商品、第二级退货商品以及第三级退货商品;其中,第一级退货商品的退货率大于第二级退货商品的退货率,第二级退货商品的退货率大于第三级退货商品的退货率;第一级退货商品、第二级退货商品以及第三级退货商品按照现有的电子商务平台的销售信息来设定,具体的,例如,按照现有的商品退货率的情况来看,服装类的商品退货率最高,因此可以将第一级退货商品设置为服装类商品,退货率能够反映出商品有效销售的基础情况。
步骤S3012,对第一级退货商品、第二级退货商品以及第三级退货商品设置退货系数,并将退货系数标记为Xti;对第一级退货商品设置第一退货系数并将第一退货系数标记为Xt1;对第二级退货商品设置第二退货系数,并将第二退货系数标记为Xt2;对第三级退货商品设置第三退货系数,并将第三退货系数标记为Xt3;其中,第一退货系数大于第二退货系数,第二退货系数大于第三退货系数,退货系数越高代表退货率越高。
步骤S30还包括如下步骤:
步骤S3021,将出货参考效率比、商品运送参考时长以及评分校正参考值通过企业端出货质量参考公式求得企业端出货有效模拟值;企业端出货质量参考公式配置为:其中,Mqy为企业端出货有效模拟值,Bcc为出货参考效率比,Tys为商品运送参考时长;商品运送参考时长越大,代表该商品的有效销售情况越差,用户在中途退货的可能性也越大;出货参考效率比越高,表示该企业端的出货速度越快,出货效率也越高,在发货期间发生退货的概率也越低,因此对于商品的有效销售也能起到正向的影响;评分校正参考值越高对应的商品发生退换货的概率也越低。
步骤S3022,将商品退货参考值、商品换货参考值以及商品评价参考值通过用户端质量参考公式求得用户端购买有效模拟值;用户端质量参考公式配置为:其中,Myh为用户端购买有效模拟值。在对用户的有效购买模拟过程中,综合了商品退货参考值、商品换货参考值以及商品评价参考值,不同的用户对于退货和换货的需求也会有所不同,因此结合用户自身的退货和换货情况,也能够更好地与商品的有效销售情况进行结合,同时综合用户历史评价信息,也能够对该用户的行为习惯进行判断;
步骤S30还包括如下步骤:
步骤S3031,获取所有购买企业端商品的用户的用户端购买有效模拟值,求取所有购买企业端商品的用户的用户端购买有效模拟值的平均值,并设定为总购买有效模拟值;
步骤S3032,将商品交易量和出货参考效率比通过出货模拟公式计算得到出货模拟时长,出货模拟公式配置为:Tcm=Lsj×Bcc;其中,Tcm为出货模拟时长,Lsj为商品交易量,Bcc为出货参考效率比;出货模拟时长越低,商品出货时间越短。
步骤S3033,将企业端出货有效模拟值、总购买有效模拟值以及出货模拟时长通过有效模拟基础公式求得有效模拟基础系数;有效模拟基础公式配置为:其中,Xjc为有效模拟基础系数;Mzyh为总购买有效模拟值,k1为企业端有效模拟占比系数,k2为用户端有效模拟占比系数,k3为商品交易有效模拟占比系数;其中,具体的一种设置方式为:k1+k2+k3=1;通过设置k1、k2和k3能够平衡企业端、用户端以及实际销售时的出货时长对于最终有效模拟结果的占比情况。
步骤S3034,获取商品对应的退货系数,将退货系数和有效模拟基础系数通过有效交易模拟公式求得有效交易比;有效交易模拟公式配置为:Byxj=Xjc×Xti;其中,Byxj为有效交易比;通过将得到的有效模拟基础系数再综合退货系数,能够使商品本身的销售因素得到考量,进一步提高对商品交易的结果评估的有效性。
步骤S3035,将有效交易比与商品交易量相乘得到商品有效交易量。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置,如存在权重系数和比例系数,其设置的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于权重系数和比例系数的大小,只要不影响参数与量化后数值的比例关系即可。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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上实施的计算机程序产品的形式。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种用于电商交易主体的行为数据智能模拟方法,其特征在于,所述模拟方法包括如下步骤:
获取企业端商品交易历史数据;对企业端商品交易历史数据的出货时长、运送时长以及评分信息进行处理,得到企业端交易行为参考结果;
获取用户端商品交易历史数据;对用户端商品交易数据的退货信息、换货信息以及评价信息进行处理,得到用户端交易行为参考结果;
对企业端的商品交易进行有效交易模拟;有效交易模拟包括:获取商品交易量和商品类型;并结合企业端交易行为参考结果和用户端交易行为参考结果进行分析,得到商品的有效交易模拟结果。
2.根据权利要求1所述的一种用于电商交易主体的行为数据智能模拟方法,其特征在于,对企业端商品交易历史数据的出货时长进行处理包括:获取企业端的商品的单日出货量最高值,并设定为商品日交易峰值;将商品日交易峰值通过出货量参考计算公式中计算得到第一参考出货量;所述出货量参考计算公式配置为:其中,Lch1第一参考出货量,Ljyf为商品日交易峰值,L1为出货参考划分消减量;
将两倍的第一参考出货量设置为第二参考出货量,将三倍的第一参考出货量设置为第三参考出货量;
获取企业端在第一参考出货量时的平均出货时长,并设定为第一参考出货时长;获取企业端在第二参考出货量时的平均出货时长,并设定为第二参考出货时长;获取企业端在第三参考出货量时的平均出货时长,并设定为第三参考出货时长;
将第一参考出货量除以第一参考出货时长得到第一出货效率比;将第二参考出货量除以第二参考出货时长得到第二出货效率比;将第三参考出货量除以第三参考出货时长得到第三出货效率比;
求取第一出货效率比、第二出货效率比以及第三出货效率比的平均值,并设定为出货参考效率比。
3.根据权利要求1所述的一种用于电商交易主体的行为数据智能模拟方法,其特征在于,对企业端商品交易历史数据的运送时长进行处理包括:获取企业端的所有商品的运送时长,求取所有商品的运送时长的平均值,并设定为商品运送参考时长。
8.根据权利要求1所述的一种用于电商交易主体的行为数据智能模拟方法,其特征在于,获取商品类型包括:将商品类型进行分类,分别将商品分为第一级退货商品、第二级退货商品以及第三级退货商品;其中,第一级退货商品的退货率大于第二级退货商品的退货率,第二级退货商品的退货率大于第三级退货商品的退货率;
对第一级退货商品、第二级退货商品以及第三级退货商品设置退货系数,并将退货系数标记为Xti;对第一级退货商品设置第一退货系数并将第一退货系数标记为Xt1;对第二级退货商品设置第二退货系数,并将第二退货系数标记为Xt2;对第三级退货商品设置第三退货系数,并将第三退货系数标记为Xt3;其中,第一退货系数大于第二退货系数,第二退货系数大于第三退货系数。
10.根据权利要求9所述的一种用于电商交易主体的行为数据智能模拟方法,其特征在于,得到商品的有效交易模拟结果包括:获取所有购买企业端商品的用户的用户端购买有效模拟值,求取所有购买企业端商品的用户的用户端购买有效模拟值的平均值,并设定为总购买有效模拟值;
将商品交易量和出货参考效率比通过出货模拟公式计算得到出货模拟时长,所述出货模拟公式配置为:Tcm=Lsj×Bcc;其中,Tcm为出货模拟时长,Lsj为商品交易量,Bcc为出货参考效率比;
将企业端出货有效模拟值、总购买有效模拟值以及出货模拟时长通过有效模拟基础公式求得有效模拟基础系数;所述有效模拟基础公式配置为:其中,Xjc为有效模拟基础系数;Mzyh为总购买有效模拟值,k1为企业端有效模拟占比系数,k2为用户端有效模拟占比系数,k3为商品交易有效模拟占比系数;
获取商品对应的退货系数,将退货系数和有效模拟基础系数通过有效交易模拟公式求得有效交易比;所述有效交易模拟公式配置为:Byxj=Xjc×Xti;其中,Byxj为有效交易比;
将有效交易比与商品交易量相乘得到商品有效交易量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175381.8A CN115545757B (zh) | 2022-09-26 | 2022-09-26 | 一种用于电商交易主体的行为数据智能模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175381.8A CN115545757B (zh) | 2022-09-26 | 2022-09-26 | 一种用于电商交易主体的行为数据智能模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115545757A true CN115545757A (zh) | 2022-12-30 |
CN115545757B CN115545757B (zh) | 2023-05-23 |
Family
ID=84728859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211175381.8A Active CN115545757B (zh) | 2022-09-26 | 2022-09-26 | 一种用于电商交易主体的行为数据智能模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545757B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862293A (zh) * | 2023-06-26 | 2023-10-10 | 广州淘通科技股份有限公司 | 一种运营数据的分析方法、系统、设备和存储介质 |
CN116993461A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市思迅软件股份有限公司 | 一种基于eshop的企业集群商业管理系统及管理方法 |
CN117745353A (zh) * | 2024-02-20 | 2024-03-22 | 北京言子初科技有限公司 | 一种商品智能兑换管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003099694A (ja) * | 2001-09-21 | 2003-04-04 | Hitachi Ltd | 売掛債権算出方法 |
US20120185311A1 (en) * | 2010-04-12 | 2012-07-19 | First Data Corporation | Systems and methods for analyzing the effectiveness of a promotion |
CN111695937A (zh) * | 2020-05-29 | 2020-09-22 | 北京慧博科技有限公司 | 分析用户回购的方法、装置以及计算机可读存储介质 |
CN112750006A (zh) * | 2020-12-16 | 2021-05-04 | 上海堉古网络科技有限公司 | 农产品交易系统、方法、设备及存储介质 |
-
2022
- 2022-09-26 CN CN202211175381.8A patent/CN115545757B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003099694A (ja) * | 2001-09-21 | 2003-04-04 | Hitachi Ltd | 売掛債権算出方法 |
US20120185311A1 (en) * | 2010-04-12 | 2012-07-19 | First Data Corporation | Systems and methods for analyzing the effectiveness of a promotion |
CN111695937A (zh) * | 2020-05-29 | 2020-09-22 | 北京慧博科技有限公司 | 分析用户回购的方法、装置以及计算机可读存储介质 |
CN112750006A (zh) * | 2020-12-16 | 2021-05-04 | 上海堉古网络科技有限公司 | 农产品交易系统、方法、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862293A (zh) * | 2023-06-26 | 2023-10-10 | 广州淘通科技股份有限公司 | 一种运营数据的分析方法、系统、设备和存储介质 |
CN116993461A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市思迅软件股份有限公司 | 一种基于eshop的企业集群商业管理系统及管理方法 |
CN116993461B (zh) * | 2023-09-25 | 2024-02-20 | 深圳市思迅软件股份有限公司 | 一种基于eshop的企业集群商业管理系统及管理方法 |
CN117745353A (zh) * | 2024-02-20 | 2024-03-22 | 北京言子初科技有限公司 | 一种商品智能兑换管理方法及系统 |
CN117745353B (zh) * | 2024-02-20 | 2024-04-23 | 北京言子初科技有限公司 | 一种商品智能兑换管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115545757B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115545757B (zh) | 一种用于电商交易主体的行为数据智能模拟方法 | |
Feng | Dynamic pricing, quality investment, and replenishment model for perishable items | |
KR101667697B1 (ko) | 네트워크 컴퓨팅 자원에 의한 데이터 동기화 프로세싱 | |
Baek et al. | A technology valuation model to support technology transfer negotiations | |
US20040243502A1 (en) | Securities trading simulation | |
US8706596B2 (en) | Account portfolio risk characterization | |
JP2006526858A (ja) | 商品の需要、供給および関連の収益性をモデル化するためのシステム、方法およびコンピュータプログラム製品 | |
Murthy et al. | A framework for facilitating sourcing and allocation decisions for make‐to‐order items | |
Liu et al. | Ordering and returns handling decisions and coordination in a supply chain with demand uncertainty | |
Wang et al. | Sticky prices and costly credit | |
KR20110108872A (ko) | 사용자 설계의 시스템 거래 상품을 이용하는 투자 거래 시스템 및 투자 거래 방법 | |
Lee et al. | E-commerce supply chain network design using on-demand warehousing system under uncertainty | |
Prananingtyas et al. | The effect of logistics management, supply chain facilities and competitive storage costs on the use of warehouse financing of agricultural products | |
Ariu et al. | Providing services to boost goods exports: Theory and evidence | |
Jiao et al. | A framework for reputation bootstrapping based on reputation utility and game theories | |
Chan et al. | Modeling and forecasting online auction prices: a semiparametric regression analysis | |
Cassia et al. | Data-driven use of cross-border e-commerce platforms and export performance: The mediating role of foreign market knowledge acquisition | |
Tripathi et al. | Optimal lot sizing policies for sequential online auctions | |
Burinskienė | The application of e-commerce technologies in the development of international trade | |
Mandeş | Microstructure-based order placement in a continuous double auction agent based model | |
KR20160083796A (ko) | 소셜 셰어링 커머스 기반의 전자상거래 장치 및 방법 | |
Hamilton et al. | Food banks and food retailing | |
Kang et al. | Estimating Korea's Exchange Rate Exposure | |
Donnet et al. | The Impact of E‐Auctions in Adjusting Procurement Strategies for Specialty Coffee | |
KR101574543B1 (ko) | 소셜 셰어링 커머스 기반의 전자상거래 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |