CN116188025A - 一种电商平台供应商的筛选方法、装置、设备和介质 - Google Patents
一种电商平台供应商的筛选方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116188025A CN116188025A CN202211316410.8A CN202211316410A CN116188025A CN 116188025 A CN116188025 A CN 116188025A CN 202211316410 A CN202211316410 A CN 202211316410A CN 116188025 A CN116188025 A CN 116188025A
- Authority
- CN
- China
- Prior art keywords
- commodity
- total
- supplier
- provider
- rate
- 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
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
- G06Q30/018—Certifying business or products
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电商平台供应商的筛选方法、装置、设备和介质,通过大数据技术在各个网络平台上收集供应商的商品销量等数据和财务状况信息,构建供应商信息库,基于供应商信息库、评价模型及算法建立全面的供应商综合能力评价体系,该评价体系覆盖准入检验阶段、不良管理阶段、售后管理阶段、停线阶段及服务态度全流程,基于评价项目的不同设置了不同的权重计算和评分机制,可提高供应商评价的准确性,可快速筛选出优质供应商及其优质商品。
Description
技术领域
本发明涉及电商技术领域,特别涉及一种电商平台供应商的筛选方法、装置、设备和介质。
背景技术
随着全球经济环境、贸易格局、创新产业的不断变化,当下已进入到了供应链多元化、高质量发展的新时代,无论企业、区域或者国家,供应商评价体系的构建和升级能够使得竞争主体有效利用更多资源,从而保持领先地位;而对于供应商管理的忽视或迭代滞后,则终将导致竞争主体被更具优势的对手替代。在当前形势下,商业竞争日益剧烈,市场产品同质化越来越高,为提高自身竞争力,企业降低成本成为重要指标,而采购及购买成本占到了整个销货成本的百分之六十,为此采购决策对企业的收益越来越重要。因此对供应商的评价选择直接影响企业的正常生产经营。因供应商产品质量问题导致对供应商的质量改善、工艺、路线、配额的调整一般都是滞后的,对企业的质量管控产生了不利影响。因此需要及时、全面的评价各个供应商的质量,筛选出合适的供应商以供调整。
综上,建立电商平台供应商完整的评价体系,为企业对供应商的评价或第三方评价及政府部门的监管,提供标准化依据,为电商平台筛选出合格的供应商,且对于企业提高电子商务市场竞争力、促进电子商务的健康有序发展都具有重要的指导意义。
发明内容
本发明要解决的技术问题,在于提供一种电商平台供应商的筛选方法、装置、系统、设备和介质,通过采集供应商一线运营的相关评价指标数据,审核供应商的综合能力,帮助平台更好地筛选合格的供应商,促进电子商务的健康有序发展。
第一方面,本发明提供了一种电商平台供应商的筛选方法,包括下述步骤:
S1、应用j2crawler爬虫微服务集群,海量并发抓取kafka集群请求队列,定期采集供应商在各个电商平台(包括全国政府采购商城、厂商官网、大型综合电商自营平台及多家小型行业电商平台)的周期内的供应商服务信息,定期采集供应商在企业信息查询网站的周期内的供应商财务状况信息;
所述供应商服务信息包括:商品销售量、商品价格、供应商售后服务水平、供应商物流服务水平、商品存量、总发货量、总成交量、总订单量和顾客好评信息;
所述供应商财务状况信息包括资产负债率信息;
S2、将采集所得的供应商服务信息和供应商资产负债率信息进行分类汇总后储到Hbase数据库集群;
S3、根据所述商品存量和总发货量计算不缺货率;根据总成交量、总订单量计算负退货率;根据对供应商的同款商品在不同电商平台的价格进行比对计算价格比率,包括市场平均价格比率和市场最低价格比率;通过顾客好评信息计算顾客好评率;
不缺货率=商品存量/总发货量x100%;
负退货率=总成交量/总订单量x100%;
顾客好评率=顾客好评量/顾客评价总量x100%;
平均价格比率=(供应商的供货价格-市场平均价)/市场平均价*100%;
最低价格比率=(供应商的供货价格-市场最低价)/市场最低价*100%;
所述商品存量为供应商在各个电商平台上商品存量的总和;
所述总发货量为供应商在各个电商平台上发货量的总和;
所述总成交量为供应商在各个电商平台上成交量的总和;
所述总订单量为供应商在各个电商平台上订单量的总和;
所述顾客好评量为供应商在单个电商平台的顾客好评量;
所述顾客评价总量为供应商在单个电商平台的顾客评价总量;
供应商的供货价格为供应商给当前平台的供货报价;
所述市场平均价为同款商品的各个电商平台的供货价格取平均值;
所述市场最低价为同款商品的各个电商平台的供货价格的最低值;
S4、通过指标权重评分机制对供应商的评价指标进行评分,并计算总评分,生成供应商综合能力评价报告,供应商的评价指标包括定性指标和定量指标;
所述定性指标包括对财务状况、供应商售后服务水平和供应商物流服务水平;
所述定量指标包括对商品销售量、不缺货率、负退货率、市场平均价格比率、市场最低价格比率以及顾客好评率;
所述总评分计算公式:S=∑(Ai×Wi);
S表示供应商总评分,Ai表示第i个指标评分,Wi表示第i个指标权重;
S5、根据供应商的总评分对各供应商进行优劣评级,筛选出优质供应商。
第二方面,本发明提供了一种电商平台供应商的筛选装置,其特征在于:包括:
采集模块,应用j2crawler爬虫微服务集群,海量并发抓取kafka集群请求队列,定期采集供应商在电商平台(包括全国政府采购商城、厂商官网、大型综合电商自营平台及多家小型行业电商平台)的周期内的供应商服务信息,定期采集供应商在企业信息查询网站的周期内的供应商财务状况信息;所述供应商服务信息包括:商品销售量、商品价格、供应商售后服务水平、供应商物流服务水平、商品存量、总发货量、总成交量、总订单量和顾客好评信息;所述供应商财务状况信息包括资产负债率信息;
存储模块,用于将采集所得的供应商服务信息和供应商资产负债率信息进行分类汇总后储到Hbase数据库集群;
计算模块,用于根据所述商品存量和总发货量计算不缺货率;根据总成交量、总订单量计算负退货率;根据对供应商的同款商品在不同电商平台的价格进行比对计算价格比率,包括市场平均价格比率和市场最低价格比率;通过顾客好评信息计算顾客好评率;
不缺货率=商品存量/总发货量x100%;
负退货率=总成交量/总订单量x100%;
顾客好评率=顾客好评量/顾客评价总量x100%;
平均价格比率=(供应商的供货价格-市场平均价)/市场平均价*100%;
最低价格比率=(供应商的供货价格-市场最低价)/市场最低价*100%;
所述商品存量为供应商的同款商品在各个电商平台上商品存量的总和;
所述总发货量为供应商的同款商品在各个电商平台上发货量的总和;
所述总成交量为供应商的同款商品在各个电商平台上成交量的总和;
所述总订单量为供应商的同款商品在各个电商平台上订单量的总和;
所述顾客好评量为供应商的同款商品在单个电商平台的顾客好评量;
所述顾客评价总量为供应商的同款商品在单个电商平台的顾客评价总量;
供应商的供货价格为供应商的同款商品给当前平台的供货报价;
所述市场平均价为同款商品的各个电商平台的供货价格取平均值;
所述市场最低价为同款商品的各个电商平台的供货价格的最低值;
评价模块,用于通过指标权重评分机制对供应商的评价指标进行评分,并计算总评分,生成供应商综合能力评价报告,供应商的评价指标包括定性指标和定量指标;所述定性指标包括对财务状况、供应商售后服务水平和供应商物流服务水平;所述定量指标包括对商品销售量、不缺货率、负退货率、市场平均价格比率、市场最低价格比率以及顾客好评率;
所述总评分计算公式:S=∑(Ai×Wi);
其中,S表示供应商总评分,Ai表示第i个指标评分,Wi表示第i个指标权重;
评级筛选模块,用于根据供应商的总评分对各供应商进行优劣评级,筛选出优质供应商。
第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的方法。
第四方面,本发明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第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:本发明通过大数据技术在各个网络平台上收集供应商的商品销量等数据和财务状况信息,构建供应商信息库,基于供应商信息库、评价模型及算法建立全面的供应商综合能力评价体系,该评价体系覆盖准入检验阶段、不良管理阶段、售后管理阶段、停线阶段及服务态度全流程,基于评价项目的不同设置了不同的权重计算和评分机制,可提高供应商评价的准确性,可快速筛选出优质供应商及其优质商品,及时调整采购和生产计划。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明系统的框架示意图;
图2为本发明实施例一中方法中的流程图;
图3为本发明实施例二中装置的结构示意图;
图4为本发明实施例三中电子设备的结构示意图;
图5为本发明实施例四中介质的结构示意图。
具体实施方式
本申请实施例通过提供一种电商平台供应商的筛选方法、装置、系统、设备和介质,通过采集供应商一线运营的相关评价指标数据,审核供应商的综合能力,帮助平台更好地筛选合格的供应商,促进电子商务的健康有序发展。
本申请实施例中的技术方案,总体思路如下:本发明通过大数据技术在各个网络平台上收集供应商的商品销量等数据和财务状况信息,构建供应商信息库,基于供应商信息库、评价模型及算法建立全面的供应商综合能力评价体系,该评价体系覆盖准入检验阶段、不良管理阶段、售后管理阶段、停线阶段及服务态度全流程,基于评价项目的不同设置了不同的权重计算和评分机制,可提高供应商评价的准确性,可快速筛选出优质供应商及其优质商品,及时调整采购和生产计划。
在介绍具体实施例之前,先介绍本申请实施例方法所对应的系统框架,如图1所示,系统就是应用j2crawler爬虫微服务集群海量并发抓取kafka集群请求队列,采集全国政府采购商城、厂商官网、大型综合电商自营及多家小型行业电商平台(京东、苏宁、天猫等)的信息,以及采集爱企查、企查查、天眼查等企业信息查询网站的供应商账务状况信息。将采集的海量html文件信息、url信息存储到Hbase数据库集群。
j2crawler爬虫基于netty架构,netty优点总结如下:API使用简单,开发门槛低;功能强大,预置了多种编解码功能,支持多种主流协议;定制能力强,可以通过ChannelHandler对通信框架进行灵活地扩展;性能高,通过与其他业界主流的nio框架对比,netty的综合性能最优;成熟、稳定,netty修复了已经发现的所有jdk nio bug,业务开发人员不需要再为nio的bug而烦恼;社区活跃,版本迭代周期短,发现的bug可以被及时修复,同时更多的新功能会加入;经历了大规模的商业应用考验,质量得到验证。在互联网、大数据、网络游戏、企业应用、电信软件等众多行业得到成功商用,能够满足不同行业的商业应用。
Hbase集群的管理基于ZooKeeper实现。ZooKeeper是一个为分布式应用提供一致性服务的软件,提供的功能包括:配置维护、域名服务、分布式同步、组服务等。从Hbase读取供应商信息和商品信息,作为核算指标评分依据。
实施例一
如图2所示,本实施例提供一种电商平台供应商的筛选方法,包括下述步骤:
S1、应用j2crawler爬虫微服务集群,海量并发抓取kafka集群请求队列,定期采集供应商在各个电商平台的周期内的供应商服务信息(各个电商平台包括全国政府采购商城、厂商官网、大型综合电商自营平台及多家小型行业电商平台),定期采集供应商在企业信息查询网站的周期内的供应商财务状况信息;
所述供应商服务信息包括:商品销售量、商品价格、供应商售后服务水平、供应商物流服务水平、商品存量、总发货量、总成交量、总订单量和顾客好评信息;
所述供应商财务状况信息包括资产负债率信息;
S2、将采集所得的供应商服务信息和供应商资产负债率信息进行分类汇总后储到供应商信息库中,所述供应商信息库为Hbase数据库集群;
S3、根据所述商品存量和总发货量计算不缺货率;根据总成交量、总订单量计算负退货率;根据对供应商的同款商品在不同电商平台的价格进行比对计算价格比率,包括市场平均价格比率和市场最低价格比率;通过顾客好评信息计算顾客好评率;
不缺货率=商品存量/总发货量x100%;
负退货率=总成交量/总订单量x100%;
顾客好评率=顾客好评量/顾客评价总量x100%;
平均价格比率=(供应商的供货价格-市场平均价)/市场平均价*100%;
最低价格比率=(供应商的供货价格-市场最低价)/市场最低价*100%;
所述商品存量为供应商的同款商品在各个电商平台上商品存量的总和;
所述总发货量为供应商的同款商品在各个电商平台上发货量的总和;
所述总成交量为供应商的同款商品在各个电商平台上成交量的总和;
所述总订单量为供应商的同款商品在各个电商平台上订单量的总和;
所述顾客好评量为供应商的同款商品在单个电商平台的顾客好评量;
所述顾客评价总量为供应商的同款商品在单个电商平台的顾客评价总量;
供应商的供货价格为供应商的同款商品给当前平台的供货报价;
所述市场平均价为同款商品的各个电商平台的供货价格取平均值;
所述市场最低价为同款商品的各个电商平台的供货价格的最低值;
S4、通过指标权重评分机制对供应商的评价指标进行评分,并计算总评分,生成供应商综合能力评价报告,供应商的评价指标包括定性指标和定量指标;
所述定性指标包括对财务状况、供应商售后服务水平和供应商物流服务水平;
所述定量指标包括对商品销售量、不缺货率、负退货率、市场平均价格比率、市场最低价格比率以及顾客好评率;
所述总评分计算公式:S=∑(Ai×Wi);
S表示供应商总评分,Ai表示第i个指标评分,Wi表示第i个指标权重;
供应商的各项评价指标评分的数据来源如下:
核算财务状况评分:从Hbase集群读取从企业信息查询网站采集的资产负债率,核算财务状况评分;
核算售后服务水平评分:从Hbase集群读取从不同电商平台采集的售后服务水平高于同行业比率,核算售后服务水平评分。
核算物流服务水平评分:从Hbase集群读取从不同电商平台采集的物流服务水平高于同行业比率,核算物流服务水平评分。
核算商品年销售量评分:从Hbase集群读取从不同电商平台采集的商品年销售量,核算商品年销售量评分。
核算不缺货率和商品年销售量评分:从Hbase集群读取从各个电商平台采集的商品存量和总发货量,计算不缺货率,以及核算商品年销售量评分。
核算负退货率评分:从Hbase集群读取从不同电商平台采集的总成交量和总订单量,计算负退货率,核算商品负退货率评分。
核算市场平均价格比率评分:从Hbase集群读取从各厂商官网采集的供货价格,取平均值作为市场平均价,计算市场平均价格比率,核算市场平均价格比率评分。
核算市场最低价格比率评分:从Hbase集群读取从各厂商官网采集的供货价格,取最低值作为市场最低价,计算市场最低价格比率,核算市场最低价格比率评分。
核算顾客好评率评分:从Hbase集群读取从不同电商平台采集的顾客好评率,核算顾客好评率评分。
核算总评分:结合上述各评价指标的评分和权重核算总评分。
所述供应商综合能力评价报告的内容包括:供应商的各项评价指标评分及总评分,以及对厂商官网、电商平台的数据来源页面的快照存证。
S5、根据供应商的总评分对各供应商进行优劣评级,筛选出优质供应商;
S6、将所述综合能力评价报告保存到供应商信息库,绘制各周期的各评价指标评分曲线、总评分曲线和优劣评级曲线并保存在所述供应商信息库中。
其中,同款商品的判断是由品目预测机器人实现,所述目预测机器人的实现方法包括:
环境搭建过程,下载bert预训练语言模型bert-base-chinese;通过海量无标注语料对下载的所述bert预训练语言模型bert-base-chinese进行预训练,得到预训练后bert模型;该海量无标注语料未作商品标题的标注;其中,BERT(Bidirectional EncoderRepresentation from Transformers)是2018年10月由Google AI研究院提出的一种预训练模型。针对不同语言的和不同模型大小,google提供了多种预训练好的bert模型,本申请的品目预测机器人基于bert-base-chinese预训练语言模型。bert-base-chinese预训练语言模型的下载地址为:https://github.com/google-research/bert;下游分类任务的下载地址:https://github.com/google-research/bert。
模型微调过程,基于品目库标准构建品目标签集文件class.txt,供预训练后bert模型读取;将品目清单进行one-hot编码形成标签矩阵;选取run_classifier.py文件作为下游分类任务的分类器;在所述run_classifier.py文件中关联数据集文件、品目标签集文件class.txt和初始模型参数列表,从而能加载标注数据集C和所述品目标签矩阵作为分类器的输入,加载初始模型参数列表并配置初始学习率参数值后运行分类器,通过分类器对输入的各个商品标题信息进行所属品目的推理,列出推理结果;重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;代码实现如下:
通过分类器对输入的各个商品标题信息进行所属品目的推理,列出推理结果;重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;所述模型参数列表包括商品属性、名称和品牌的相关参数;
所述对输入的各个商品标题信息进行所属类目的推理是:先将输入某个商品标题信息中的汉字预处理转为整数编码,每个汉字对应一个整数后再进行推理。
所述模型微调过程采用的算法具体是:
采用如下目标函数训练LM语言模型:
P(wi|w1,...,wi-1,wi+1,...,wn)
所述品目标签集文件train.csv从所述标注数据集C中读取商品标题X作为输入,将商品标题X从汉字级别进行拆分,得到n个汉字,把每个汉字进行特征转换为整数编码,得到n个整数编码W1,…,Wn,输出为品目清单的一个分类的one-hot标签y,one-hot标签y即为品目标签的一种表达方式;
把所述整数编码W1,…,Wn输入至Transformer模型,得到最上层最后一个时刻的输出集hl n,将hl n通过softmax层进行分类,所述softmax层的参数为Wy,Wy为某个one-hot标签y的标签编码,最后用CrossEntropyLoss计算损失,调整Transformer模型的学习率以及参数Wy,等价于最大似然估计:
使用Multi-Task Learning,同时最大似然L1和L2。
L3(C)=L2(C)+λ×L1(C)
L1还是之前语言模型的损失,使用的数据为当前任务的标注数据集C,而且只使用其中的X,而不需要one-hot标签y;
L2是微调过程中的损失,使用的数据为当前任务的标注数据集C,同时使用其中的X和one-hot标签y;
L3是最大似然值,即为置信度。
所述推理结果的输出是一个数组,数组的每个元素的值表示一个商品品目的置信度,每个元素的值为0.00-1.00之间,数值越小,表示是相应商品品目的概率越低,数值越大,表示是相应商品品目的概率越高。
例如:
run_classifier.py文件的分类器加载标注数据集C的train.csv文件,遍历读取train.csv文件中的每个商品标题信息,比如某个商品标题信息为“联想(Lenovo)LJ2605DA4自动双面黑白激光打印机”。
将商品标题X从汉字级别进行拆分,得到13个汉字,把每个汉字进行特征转换为整数编码,每个汉字对应一个整数,即:[135,2102,75,13,……,0,0,0]。
将品目清单进行one-hot编码形成标签矩阵。比如对"打印机","个人防护","清洁用品"三个类目进行one-hot编码,结果如下:
[["打印机"],["个人防护"],["清洁用品"]]→[[1,0,0],[0,1,0],[0,0,1]]
经过推理后,输出结果数组:[0.91,0.01,…,0.06],表示模型推理商品是打印机的置信度是91%。数组中每个元素与品目清单中的类目一一对应,每个元素的值,表示模型推理商品是该类目的置信度,元素个数与品目清单的类目个数一致。
重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;所述模型参数列表包括商品属性、名称和品牌的相关参数。
初始模型参数列表可以从网上的参数文件config.json获得,本实施例一最佳模型参数列表举例如下:
模型评估过程,运行所述最佳模型,加载所述最佳模型的模型参数列表;输入测试数据集核验输出结果的置信度,核验模型对商品归类的准确率,若准确率低于阈值,则重新配置学习率取值和模型参数列表后再进行模型微调,直到准确率不低于阈值时结束,此时得到的bert模型即为所述电商商品的品目预测机器人;
其中,所述下游分类任务是用于将商品标题信息文本分为若干商品类目;所述标注数据集C标注了商品标题和品目标签;所述模型参数列表包括商品属性、名称和品牌的相关参数;所述测试数据集为一定数量的商品标题信息的数据集。
基于同一发明构思,本申请还提供了与实施例一中的方法对应的装置,详见实施例二。
实施例二
如图3所示,在本实施例中提供了一种电商平台供应商的筛选装置,包括:
采集模块,应用j2crawler爬虫微服务集群,海量并发抓取kafka集群请求队列,定期采集供应商各个电商平台的周期内的供应商服务信息(各个电商平台包括全国政府采购商城、厂商官网、大型综合电商自营平台及多家小型行业电商平台),定期采集供应商在企业信息查询网站的周期内的供应商财务状况信息;所述供应商服务信息包括:商品销售量、商品价格、供应商售后服务水平、供应商物流服务水平、商品存量、总发货量、总成交量、总订单量和顾客好评信息;所述供应商财务状况信息包括资产负债率信息;
存储模块,用于将采集所得的供应商服务信息和供应商资产负债率信息进行分类汇总后储到供应商信息库中,所述供应商信息库为Hbase数据库集群;
计算模块,用于根据所述商品存量和总发货量计算不缺货率;根据总成交量、总订单量计算负退货率;根据对供应商的同款商品在不同电商平台的价格进行比对计算价格比率,包括市场平均价格比率和市场最低价格比率;通过顾客好评信息计算顾客好评率;
不缺货率=商品存量/总发货量x100%;
负退货率=总成交量/总订单量x100%;
顾客好评率=顾客好评量/顾客评价总量x100%;
平均价格比率=(供应商的供货价格-市场平均价)/市场平均价*100%;
最低价格比率=(供应商的供货价格-市场最低价)/市场最低价*100%;
所述商品存量为供应商在各个电商平台上商品存量的总和;
所述总发货量为供应商在各个电商平台上发货量的总和;
所述总成交量为供应商在各个电商平台上成交量的总和;
所述总订单量为供应商在各个电商平台上订单量的总和;
所述顾客好评量为供应商在单个电商平台的顾客好评量;
所述顾客评价总量为供应商在单个电商平台的顾客评价总量;
供应商的供货价格为供应商给当前平台的供货报价;
所述市场平均价为同款商品的各个电商平台的供货价格取平均值;
所述市场最低价为同款商品的各个电商平台的供货价格的最低值;
评价模块,用于通过指标权重评分机制对供应商的评价指标进行评分,并计算总评分,生成供应商综合能力评价报告,供应商的评价指标包括定性指标和定量指标;所述定性指标包括对财务状况、供应商售后服务水平和供应商物流服务水平;所述定量指标包括对商品销售量、不缺货率、负退货率、市场平均价格比率、市场最低价格比率以及顾客好评率;
所述总评分计算公式:S=∑(Ai×Wi);
其中,S表示供应商总评分,Ai表示第i个指标评分,Wi表示第i个指标权重;
评级筛选模块,用于根据供应商的总评分对各供应商进行优劣评级,筛选出优质供应商;
绘制模块,用于绘制各周期的各评价指标评分曲线、总评分曲线和优劣评级曲线并保存到所述供应商信息库中。
供应商的各项评价指标评分的数据来源如下:
核算财务状况评分:从Hbase集群读取从企业信息查询网站采集的资产负债率,核算财务状况评分;
核算售后服务水平评分:从Hbase集群读取从不同电商平台采集的售后服务水平高于同行业比率,核算售后服务水平评分。
核算物流服务水平评分:从Hbase集群读取从不同电商平台采集的物流服务水平高于同行业比率,核算物流服务水平评分。
核算商品年销售量评分:从Hbase集群读取从不同电商平台采集的商品年销售量,核算商品年销售量评分。
核算不缺货率和商品年销售量评分:从Hbase集群读取从各个电商平台采集的商品存量和总发货量,计算不缺货率,以及核算商品年销售量评分。
核算负退货率评分:从Hbase集群读取从不同电商平台采集的总成交量和总订单量,计算负退货率,核算商品负退货率评分。
核算市场平均价格比率评分:从Hbase集群读取从各厂商官网采集的供货价格,取平均值作为市场平均价,计算市场平均价格比率,核算市场平均价格比率评分。
核算市场最低价格比率评分:从Hbase集群读取从各厂商官网采集的供货价格,取最低值作为市场最低价,计算市场最低价格比率,核算市场最低价格比率评分。
核算顾客好评率评分:从Hbase集群读取从不同电商平台采集的顾客好评率,核算顾客好评率评分。
核算总评分:结合上述各评价指标的评分和权重核算总评分。
所述供应商综合能力评价报告的内容包括:供应商的各项评价指标评分及总评分,以及对厂商官网、电商平台的数据来源页面的快照存证。
所述供应商综合能力评价报告的内容包括:供应商的各项评价指标评分及总评分,以及对厂商官网、电商平台的数据来源页面的快照存证。
所述同款商品的判断方法包括:
其中,同款商品的判断是由品目预测机器人实现,所述目预测机器人的实现方法包括:
环境搭建过程,下载bert预训练语言模型bert-base-chinese;通过海量无标注语料对下载的所述bert预训练语言模型bert-base-chinese进行预训练,得到预训练后bert模型;该海量无标注语料未作商品标题的标注;其中,BERT(Bidirectional EncoderRepresentation from Transformers)是2018年10月由Google AI研究院提出的一种预训练模型。针对不同语言的和不同模型大小,google提供了多种预训练好的bert模型,本申请的品目预测机器人基于bert-base-chinese预训练语言模型。bert-base-chinese预训练语言模型的下载地址为:https://github.com/google-research/bert;下游分类任务的下载地址:https://github.com/google-research/bert。
模型微调过程,基于品目库标准构建品目标签集文件class.txt,供预训练后bert模型读取;将品目清单进行one-hot编码形成标签矩阵;选取run_classifier.py文件作为下游分类任务的分类器;在所述run_classifier.py文件中关联数据集文件、品目标签集文件class.txt和初始模型参数列表,从而能加载标注数据集C和所述品目标签矩阵作为分类器的输入,加载初始模型参数列表并配置初始学习率参数值后运行分类器,通过分类器对输入的各个商品标题信息进行所属品目的推理,列出推理结果;重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;代码实现如下:
通过分类器对输入的各个商品标题信息进行所属品目的推理,列出推理结果;重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;所述模型参数列表包括商品属性、名称和品牌的相关参数;
所述对输入的各个商品标题信息进行所属类目的推理是:先将输入某个商品标题信息中的汉字预处理转为整数编码,每个汉字对应一个整数后再进行推理。
所述模型微调过程采用的算法具体是:
采用如下目标函数训练LM语言模型:
P(wi|w1,...,wi-1,wi+1,...,wn)
所述品目标签集文件train.csv从所述标注数据集C中读取商品标题X作为输入,将商品标题X从汉字级别进行拆分,得到n个汉字,把每个汉字进行特征转换为整数编码,得到n个整数编码W1,…,Wn,输出为品目清单的一个分类的one-hot标签y,one-hot标签y即为品目标签的一种表达方式;
把所述整数编码W1,…,Wn输入至Transformer模型,得到最上层最后一个时刻的输出集hl n,将hl n通过softmax层进行分类,所述softmax层的参数为Wy,Wy为某个one-hot标签y的标签编码,最后用CrossEntropyLoss计算损失,调整Transformer模型的学习率以及参数Wy,等价于最大似然估计:
使用Multi-Task Learning,同时最大似然L1和L2。
L3(C)=L2(C)+λ×L1(C)
L1还是之前语言模型的损失,使用的数据为当前任务的标注数据集C,而且只使用其中的X,而不需要one-hot标签y;
L2是微调过程中的损失,使用的数据为当前任务的标注数据集C,同时使用其中的X和one-hot标签y;
L3是最大似然值,即为置信度。
所述推理结果的输出是一个数组,数组的每个元素的值表示一个商品品目的置信度,每个元素的值为0.00-1.00之间,数值越小,表示是相应商品品目的概率越低,数值越大,表示是相应商品品目的概率越高。
例如:
run_classifier.py文件的分类器加载标注数据集C的train.csv文件,遍历读取train.csv文件中的每个商品标题信息,比如某个商品标题信息为“联想(Lenovo)LJ2605DA4自动双面黑白激光打印机”。
将商品标题X从汉字级别进行拆分,得到13个汉字,把每个汉字进行特征转换为整数编码,每个汉字对应一个整数,即:[135,2102,75,13,……,0,0,0]。
将品目清单进行one-hot编码形成标签矩阵。比如对"打印机","个人防护","清洁用品"三个类目进行one-hot编码,结果如下:
[["打印机"],["个人防护"],["清洁用品"]]→[[1,0,0],[0,1,0],[0,0,1]]
经过推理后,输出结果数组:[0.91,0.01,…,0.06],表示模型推理商品是打印机的置信度是91%。数组中每个元素与品目清单中的类目一一对应,每个元素的值,表示模型推理商品是该类目的置信度,元素个数与品目清单的类目个数一致。
重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;所述模型参数列表包括商品属性、名称和品牌的相关参数。
初始模型参数列表可以从网上的参数文件config.json获得,本实施例一最佳模型参数列表举例如下:
模型评估过程,运行所述最佳模型,加载所述最佳模型的模型参数列表;输入测试数据集核验输出结果的置信度,核验模型对商品归类的准确率,若准确率低于阈值,则重新配置学习率取值和模型参数列表后再进行模型微调,直到准确率不低于阈值时结束,此时得到的bert模型即为所述电商商品的品目预测机器人;
其中,所述下游分类任务是用于将商品标题信息文本分为若干商品类目;所述标注数据集C标注了商品标题和品目标签;所述模型参数列表包括商品属性、名称和品牌的相关参数;所述测试数据集为一定数量的商品标题信息的数据集。
由于本发明实施例二所介绍的装置,为实施本发明实施例一的方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的电子设备实施例,详见实施例三。
实施例三
本实施例提供了一种电子设备,如图4所示,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备,故而基于本申请实施例一中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的存储介质,详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质,如图5所示,其上存储有计算机程序,该计算机程序被处理器执行时,可以实现实施例一中任一实施方式。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:本发明通过大数据技术在各个网络平台上收集供应商的商品销量等数据和财务状况信息,构建供应商信息库,基于供应商信息库、评价模型及算法建立全面的供应商综合能力评价体系,该评价体系覆盖准入检验阶段、不良管理阶段、售后管理阶段、停线阶段及服务态度全流程,基于评价项目的不同设置了不同的权重计算和评分机制,可提高供应商评价的准确性,可快速筛选出优质供应商及其优质商品,及时调整采购和生产计划。
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(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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于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的装置。
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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于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的步骤。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种电商平台供应商的筛选方法,其特征在于:包括下述步骤:
S1、应用j2crawler爬虫微服务集群,海量并发抓取kafka集群请求队列,定期采集供应商在各电商平台和厂商官网的周期内的供应商服务信息,定期采集供应商在企业信息查询网站的周期内的供应商财务状况信息;
所述供应商服务信息包括:商品销售量、商品价格、供应商售后服务水平、供应商物流服务水平、商品存量、总发货量、总成交量、总订单量和顾客好评信息;
所述供应商财务状况信息包括资产负债率信息;
S2、将采集所得的供应商服务信息和供应商资产负债率信息进行分类汇总后存储到供应商信息库中,所述供应商信息库为Hbase数据库集群;
S3、根据所述商品存量和总发货量计算不缺货率;根据总成交量、总订单量计算负退货率;根据对供应商的同款商品在不同电商平台的价格进行比对计算价格比率,包括市场平均价格比率和市场最低价格比率;通过顾客好评信息计算顾客好评率;
不缺货率=商品存量/总发货量x100%;
负退货率=总成交量/总订单量x100%;
顾客好评率=顾客好评量/顾客评价总量x100%;
平均价格比率=(供应商的供货价格-市场平均价)/市场平均价*100%;
最低价格比率=(供应商的供货价格-市场最低价)/市场最低价*100%;
所述商品存量为供应商的同款商品在各个电商平台上商品存量的总和;
所述总发货量为供应商的同款商品在各个电商平台上发货量的总和;
所述总成交量为供应商的同款商品在各个电商平台上成交量的总和;
所述总订单量为供应商的同款商品在各个电商平台上订单量的总和;
所述顾客好评量为供应商的同款商品在单个电商平台的顾客好评量;
所述顾客评价总量为供应商的同款商品在单个电商平台的顾客评价总量;
供应商的供货价格为供应商的同款商品给当前平台的供货报价;
所述市场平均价为同款商品的各个电商平台的供货价格取平均值;
所述市场最低价为同款商品的各个电商平台的供货价格的最低值;
S4、通过指标权重评分机制对供应商的评价指标进行评分,并计算总评分,生成供应商综合能力评价报告,供应商的评价指标包括定性指标和定量指标;
所述定性指标包括对财务状况、供应商售后服务水平和供应商物流服务水平;
所述定量指标包括对商品销售量、不缺货率、负退货率、市场平均价格比率、市场最低价格比率以及顾客好评率;
所述总评分计算公式:S=∑(Ai×Wi);
S表示供应商总评分,Ai表示第i个指标评分,Wi表示第i个指标权重;
S5、根据供应商的总评分对各同款商品的供应商进行优劣评级,筛选出同款商品的优质供应商。
2.根据权利要求1所述的一种电商平台供应商的筛选方法,其特征在于:还包括:
S6、将所述综合能力评价报告保存到供应商信息库,绘制各周期的各评价指标评分曲线、总评分曲线和优劣评级曲线并保存在所述供应商信息库中。
3.根据权利要求1或2所述的一种电商平台供应商的筛选方法,其特征在于:所述供应商综合能力评价报告的内容包括:供应商的各项评价指标评分及总评分,以及对厂商官网、电商平台的数据来源页面的快照存证。
4.根据权利要求1所述的一种电商平台供应商的筛选方法,其特征在于:所述同款商品的判断由品目预测机器人实现,所述品目预测机器人的实现方法包括:
环境搭建过程,下载bert预训练语言模型bert-base-chinese;通过海量无标注语料对下载的所述bert预训练语言模型bert-base-chinese进行预训练,得到预训练后bert模型;该海量无标注语料未作商品标题的标注;
模型微调过程,基于品目库标准构建品目标签集文件class.txt,供预训练后bert模型读取;将品目清单进行one-hot编码形成标签矩阵;选取run_classifier.py文件作为下游分类任务的分类器;在所述run_classifier.py文件中关联数据集文件、品目标签集文件class.txt和初始模型参数列表,从而能加载标注数据集C和所述品目标签矩阵作为分类器的输入,加载初始模型参数列表并配置初始学习率参数值后运行分类器,通过分类器对输入的各个商品标题信息进行所属品目的推理,列出推理结果;重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;
模型评估过程,运行所述最佳模型,加载所述最佳模型的模型参数列表;输入测试数据集核验输出结果的置信度,核验模型对商品归类的准确率,若准确率低于阈值,则重新配置学习率取值和模型参数列表后再进行模型微调,直到准确率不低于阈值时结束,此时得到的bert模型即为所述电商商品的品目预测机器人;
其中,所述下游分类任务是用于将商品标题信息文本分为若干商品类目;所述标注数据集C标注了商品标题和品目标签;所述模型参数列表包括商品属性、名称和品牌的相关参数;所述测试数据集为一定数量的商品标题信息的数据集。
5.一种电商平台供应商的筛选装置,其特征在于:包括:
采集模块,应用j2crawler爬虫微服务集群,海量并发抓取kafka集群请求队列,定期采集供应商在各个电商平台的周期内的供应商服务信息,定期采集供应商在企业信息查询网站的周期内的供应商财务状况信息;所述供应商服务信息包括:商品销售量、商品价格、供应商售后服务水平、供应商物流服务水平、商品存量、总发货量、总成交量、总订单量和顾客好评信息;所述供应商财务状况信息包括资产负债率信息;
存储模块,用于将采集所得的供应商服务信息和供应商资产负债率信息进行分类汇总后存储到供应商信息库中,所述供应商信息库为Hbase数据库集群;
计算模块,用于根据所述商品存量和总发货量计算不缺货率;根据总成交量、总订单量计算负退货率;根据对供应商的同款商品在不同电商平台的价格进行比对计算价格比率,包括市场平均价格比率和市场最低价格比率;通过顾客好评信息计算顾客好评率;
不缺货率=商品存量/总发货量x100%;
负退货率=总成交量/总订单量x100%;
顾客好评率=顾客好评量/顾客评价总量x100%;
平均价格比率=(供应商的供货价格-市场平均价)/市场平均价*100%;
最低价格比率=(供应商的供货价格-市场最低价)/市场最低价*100%;
所述商品存量为供应商的同款商品在各个电商平台上商品存量的总和;
所述总发货量为供应商的同款商品在各个电商平台上发货量的总和;
所述总成交量为供应商的同款商品在各个电商平台上成交量的总和;
所述总订单量为供应商的同款商品在各个电商平台上订单量的总和;
所述顾客好评量为供应商的同款商品在单个电商平台的顾客好评量;
所述顾客评价总量为供应商的同款商品在单个电商平台的顾客评价总量;
供应商的供货价格为供应商的同款商品给当前平台的供货报价;
所述市场平均价为同款商品的各个电商平台的供货价格取平均值;
所述市场最低价为同款商品的各个电商平台的供货价格的最低值;
评价模块,用于通过指标权重评分机制对供应商的评价指标进行评分,并计算总评分,生成供应商综合能力评价报告,供应商的评价指标包括定性指标和定量指标;所述定性指标包括对财务状况、供应商售后服务水平和供应商物流服务水平;所述定量指标包括对商品销售量、不缺货率、负退货率、市场平均价格比率、市场最低价格比率以及顾客好评率;
所述总评分计算公式:S=∑(Ai×Wi);
其中,S表示供应商总评分,Ai表示第i个指标评分,Wi表示第i个指标权重;
评级筛选模块,用于根据供应商的总评分对各供应商进行优劣评级,筛选出优质供应商。
6.根据权利要求5所述的一种电商平台供应商的筛选装置,其特征在于:还包括:
绘制模块,用于绘制各周期的各评价指标评分曲线、总评分曲线和优劣评级曲线并保存到所述供应商信息库中。
7.根据权利要求5或6所述的一种电商平台供应商的筛选装置,其特征在于:所述供应商综合能力评价报告的内容包括:供应商的各项评价指标评分及总评分,以及对厂商官网、电商平台的数据来源页面的快照存证。
8.根据权利要求5所述的一种电商平台供应商的筛选装置,其特征在于:所述同款商品的判断由品目预测机器人实现,所述品目预测机器人的实现方法包括:
环境搭建过程,下载bert预训练语言模型bert-base-chinese;通过海量无标注语料对下载的所述bert预训练语言模型bert-base-chinese进行预训练,得到预训练后bert模型;该海量无标注语料未作商品标题的标注;
模型微调过程,基于品目库标准构建品目标签集文件class.txt,供预训练后bert模型读取;将品目清单进行one-hot编码形成标签矩阵;选取run_classifier.py文件作为下游分类任务的分类器;在所述run_classifier.py文件中关联数据集文件、品目标签集文件class.txt和初始模型参数列表,从而能加载标注数据集C和所述品目标签矩阵作为分类器的输入,加载初始模型参数列表并配置初始学习率参数值后运行分类器,通过分类器对输入的各个商品标题信息进行所属品目的推理,列出推理结果;重新配置学习率参数值和模型参数列表,继续运行分类器,并进行推理,如此反复,得到多个推理能力不同的bert模型;选择分类器推理能力最高的bert模型作为最佳模型,并保存最佳模型的模型参数列表;
模型评估过程,运行所述最佳模型,加载所述最佳模型的模型参数列表;输入测试数据集核验输出结果的置信度,核验模型对商品归类的准确率,若准确率低于阈值,则重新配置学习率取值和模型参数列表后再进行模型微调,直到准确率不低于阈值时结束,此时得到的bert模型即为所述电商商品的品目预测机器人;
其中,所述下游分类任务是用于将商品标题信息文本分为若干商品类目;所述标注数据集C标注了商品标题和品目标签;所述模型参数列表包括商品属性、名称和品牌的相关参数;所述测试数据集为一定数量的商品标题信息的数据集。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的方法。
10.一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至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316410.8A CN116188025A (zh) | 2022-10-26 | 2022-10-26 | 一种电商平台供应商的筛选方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316410.8A CN116188025A (zh) | 2022-10-26 | 2022-10-26 | 一种电商平台供应商的筛选方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188025A true CN116188025A (zh) | 2023-05-30 |
Family
ID=86435161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211316410.8A Pending CN116188025A (zh) | 2022-10-26 | 2022-10-26 | 一种电商平台供应商的筛选方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188025A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-10-26 CN CN202211316410.8A patent/CN116188025A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10915706B2 (en) | Sorting text report categories | |
US10936947B1 (en) | Recurrent neural network-based artificial intelligence system for time series predictions | |
US11113653B2 (en) | Artificial intelligence and machine learning based incident management | |
CN111401777B (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
US20180322516A1 (en) | Quality evaluation method, apparatus and device, and computer readable storage medium | |
US20170109638A1 (en) | Ensemble-Based Identification of Executions of a Business Process | |
CN113283795B (zh) | 基于二分类模型的数据处理方法及装置、介质、设备 | |
US11461709B2 (en) | Resource capacity planning system | |
CN116151750A (zh) | 基于人工智能(ai)的文档处理和验证 | |
CN116188025A (zh) | 一种电商平台供应商的筛选方法、装置、设备和介质 | |
CN115147144A (zh) | 数据处理方法及电子设备 | |
CN110009154B (zh) | 一种退款预测方法、装置、终端设备及存储介质 | |
CN114971716A (zh) | 服务接口质量评估方法及其装置、设备、介质、产品 | |
US20170109640A1 (en) | Generation of Candidate Sequences Using Crowd-Based Seeds of Commonly-Performed Steps of a Business Process | |
US20220172298A1 (en) | Utilizing a machine learning model for predicting issues associated with a closing process of an entity | |
US9443214B2 (en) | News mining for enterprise resource planning | |
CN116431498A (zh) | 性能测试方法及装置、电子设备和计算机可读存储介质 | |
KR101853555B1 (ko) | Sw 시장 정보 서비스 시스템 | |
CN113159834B (zh) | 一种商品信息排序方法、装置以及设备 | |
US20220292407A1 (en) | System and method for machine learning-based delivery tagging | |
CN115249140A (zh) | 用于放置库存物品的智能计算机功能及可视化 | |
Cantú-Bazaldúa | Nowcasting global trade in goods and services | |
CN113034076A (zh) | 物流承运对象推荐方法、装置、电子设备和存储介质 | |
CN112419025A (zh) | 用户数据处理方法和装置、存储介质、电子设备 | |
CN112686553A (zh) | 企业自动评级管理系统、方法、服务器及可读存储装置 |
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 |