CN116205555B - 一种基于大数据的物流信息可视化管理系统及方法 - Google Patents
一种基于大数据的物流信息可视化管理系统及方法 Download PDFInfo
- Publication number
- CN116205555B CN116205555B CN202310478566.4A CN202310478566A CN116205555B CN 116205555 B CN116205555 B CN 116205555B CN 202310478566 A CN202310478566 A CN 202310478566A CN 116205555 B CN116205555 B CN 116205555B
- Authority
- CN
- China
- Prior art keywords
- transaction
- order record
- user
- transaction order
- condition data
- 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.)
- Active
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000007726 management method Methods 0.000 claims abstract description 27
- 238000013524 data verification Methods 0.000 claims abstract description 19
- 238000005065 mining Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 15
- 238000007418 data mining Methods 0.000 claims description 12
- 230000001939 inductive effect Effects 0.000 claims description 8
- 230000000977 initiatory effect Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims 1
- 238000013523 data management Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 230000009471 action Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q30/06—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
-
- 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]
- G06Q30/0641—Shopping interfaces
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据管理技术领域,具体为一种基于大数据的物流信息可视化管理系统及方法,包括将不含有退换货物流信息的所有交易订单记录进行汇集,将含有退换货物流信息的所有交易订单记录进行汇集;分别对各用户的第一交易订单记录集、第二交易订单记录集进行整理;对引发所述各用户对交易商品持虚假认可的所有条件数据进行挖掘;对所述各用户在对所述各交易订单记录中的交易商品持不认可,选择退换货前衡量过的参考数据进行提取整理;对各用户对应的条件数据进行数据校验;分析得到所述各用户在商品交易时存在的画像标签;通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给所述目标商铺。
Description
技术领域
本发明涉及大数据管理技术领域,具体为一种基于大数据的物流信息可视化管理系统及方法。
背景技术
在电子商务不断发展壮大的今天,物流已经成为各大电商企业的关注重点;电商与物流不可分割的关系,确定了物流对电商的不可或缺。目前随着电子商务物流发展模式的不断完善和提高,物流信息本身给电子商务带来的意义早超出以前。
对于线上交易平台中的买家用户来说,在购买产品时,商品的款式和质量是他们关注的一个重要方面,且线上交易平台基于保障买卖双方的利益,可以允许用户发起退换请求,但是基于买家用户的心理而言,发起退换请求的原因往往是多样的,如何能从“表象化”的物流信息中提取到用户对商品的真实反馈信息,对于促进线上交易平台内各经营店铺的质量转化可以起到较大的积极作用。
发明内容
本发明的目的在于提供一种基于大数据的物流信息可视化管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的物流信息可视化管理方法,方法包括:
步骤S100:对在线上交易平台中完成认证注册的每一用户提取对应的所有交易订单记录;分别将各用户对应的所有交易订单记录基于是否含有退换货物流信息进行分类,将不含有退换货物流信息的所有交易订单记录进行汇集得到第一交易订单记录集,将含有退换货物流信息的所有交易订单记录进行汇集得到第二交易订单记录集;
步骤S200:分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集;
步骤S300:分别对各用户的第一特征交易订单记录集内包含的各交易订单记录进行特征分析,对引发各用户对交易商品持虚假认可的所有条件数据进行挖掘;
步骤S400:分别对各用户的第二特征交易订单记录集内包含的各交易订单记录进行特征分析,对各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过的参考数据进行提取整理;
步骤S500:将各用户对应的参考数据作为基准数据,对各用户对应的条件数据进行数据校验;
步骤S600:基于数据校验后剩余的条件数据,分析得到各用户在商品交易时存在的画像标签;将在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给目标商铺。
进一步的,步骤S200包括:
步骤S201:分别在各用户对应的第一交易订单记录集内,获取在各交易订单记录中,各用户支付的最终交易金额;将在最终交易金额中包含运费险金额的交易订单记录从第一交易订单记录集中剔除;分别在各用户对应的第一交易订单记录集内,对各交易订单记录中的交易货物提取特征属性信息;依次将各交易订单记录设为目标交易订单记录,在第一交易订单记录集内,依次找寻与目标交易订单记录之间的特征属性信息相似度大于相似度阈值的其他交易订单记录;将其他交易订单记录与目标交易订单记录构成相似交易记录组;
上述将用户在购买之初对交易货物购买了对应的运费险的交易订单记录进行剔除,是因为这些交易订单记录,存在用户于实际拿到交易货物后虽对货物本身的满意度不高,但是在做多方衡量之后,放弃对该交易货物进行退换的可能性微乎其微,因此在上述交底订单记录中含有用户对所交易商品持有虚假认可成分的可能性也是微乎其微的;
步骤S202:分别对相似交易记录组内各交易订单记录提取用户对交易货物完成下单的时间t1、用户对交易货物完成物流取件的时间t2,提取得到各交易订单记录对应的时间区间[t1,t2 ];依次在各相似交易记录组中,将用户对交易货物完成下单的时间t1处于在各相似交易记录组中对应目标交易订单记录的时间区间[t1,t2 ]内的其他交易订单记录,从各相似交易记录组中剔除;
上述提取的相似交易记录组为包含一些特征属性信息相同或者几乎相同的交易货物的交易订单记录,这些交易订单,记录中因为购买的货物太相似,有可能存在一些含有用户对所交易商品持有虚假认可成分的交易订单记录,从而基于从下单至物流取货完成这一时间段进行辅助判断,当存在两个特征属性信息相同或者几乎相同的交易货物的交易订单记录,其中后一生成的交易订单记录其用户下单时间处于前一生成的交易订单记录从下单至物流取货完成这一时间段内,则存在用户虽然对货物本身的满意度不高,但是在做多方衡量之后,放弃对该交易货物进行退换的可能性微乎其微,即后一生成的交易订单记录为用户出于实际需要而进行“复购”的可能性更高;
步骤S203:分别在各用户对应的第二交易订单记录集内,获取在各交易订单记录中商家基于所交易商品赠送的保障款项,将含有物流退换保障的交易订单记录从第二交易订单记录集中剔除;分别对第二交易订单记录集内各第二交易订单记录中,捕捉各用户填选的退换货理由,将退换货理由归属于买家原因的交易订单记录从第二交易订单记录集中剔除;
上述步骤旨在筛查出一些含有用户对所交易商品持有虚假认可成分的交易订单记录,而上述含有用户对所交易商品持有虚假认可成分的交易订单记录主要是那些因用户在做多方衡量之后,虽对所交易商品含有不满,但仍主动对所交易商品发起确认收货而生成的交易订单记录或者被动因未在交易平台规定的最低确认收货时限内发起确认收货而生成的交易订单记录;而这些交易订单记录对于商家在对该交易商品进行用户反馈测评分析的时候带有一定的误导性,并不能帮助商家对该交易商品进行改进时提供参考意见,也不利于商家掌握真实的用户使用反馈信息。
进一步的,步骤S300包括:
步骤S301:分别在对应各用户的第一特征交易订单记录集内的各交易订单记录中,捕捉与用户产生对应交易订单记录的商家,分别对商家的历史经营数据以及线上交易平台的历史管理数据进行采集;捕捉商家或者线上交易平台在接收到用户基于对各交易订单记录中的交易商品发起退换货申诉请求开始,到得出最终申诉结果所需要的历史最短时长T1;分别从各交易订单记录中,捕捉从用户对交易货物完成下单至交易货物到达用户填写收件地址所需要的物流时长T2;将T=T1+T2作为在各交易订单记录中,引发用户对交易商品持虚假认可的第一条件数据;
步骤S302:分别在各用户对应的第一特征交易订单记录集内,获取在各交易订单记录中,各用户填写的收货地址信息、商家提供的发货地址信息、交易商品的重量信息;根据收货地址信息、发货地址信息、重量信息,获取用户需垫付的最低物流费用S1;将用户需垫付的最低物流费用S1作为在各交易订单记录中,引发用户对交易商品持虚假认可的第二条件数据;
步骤S303:分别在各用户对应的第一特征交易订单记录集内,获取在各交易订单记录中对应交易商品的价格S2,将价格S2与对应各交易订单记录的最低物流费用S1计算相对比值R=S1/S2;将相对比值R=S1/S2作为在各交易订单记录中,引发用户对交易商品持虚假认可的第三条件数据。
进一步的,步骤S400包括:
步骤S401:对各用户对应第二特征交易订单记录集内的各订单交易记录,捕捉商家或者线上交易平台在接收到用户基于对各交易订单记录中的交易商品发起退换货申诉请求开始,到得出最终申诉结果所需要的时长T1’,捕捉从用户对交易货物完成下单至交易货物到达用户填写收件地址所需要的物流时长T2’,将T’=T1’+T2’作为各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过的第一参考数据;
步骤S402:对各用户对应第二特征交易订单记录集内的各订单交易记录,捕捉用户基于退换货申诉实际垫付的物流费用S1’,捕捉交易商品的价格S2’;分别将物流费用S1’、相对比值R=S1’/S2’作为各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过第二参考数据、第三参考数据。
进一步的,步骤S500包括:
步骤S501:将基于对各用户第一特征交易订单记录集内各交易订单记录进行特征分析后得到的第一条件数据p1、第二条件数据p2、第三条件数据p3进行整合,得到对应各交易订单记录的条件数据集:[p1,p2,p3];
步骤S502:将基于对各用户第二特征交易订单记录集内各交易订单记录进行特征分析后得到的第一参考数据L1、第二参考数据L2、第三参考数据L3进行整合,得到对应各交易订单记录的参考数据集:[L1,L2,L3];
步骤S503:分别将对应各用户的每一条件数据集逐一与每一参考数据集进行相似度比对,将相似度大于相似度阈值的条件数据集进行剔除,完成对在各用户所有第一条件数据集中的第一次剔除;依次将被第一次剔除掉的条件数据集作为目标数据集,分别将各用户其他条件数据集中与目标数据集之间相似度大于相似度阈值的条件数据集进行剔除,完成对在各用户所有第一条件数据集中的第二次剔除。
被第一次剔除掉的条件数据集都是在实际过程中,捕捉到了用户在类似该种条件数据集下并未对交易商品做出持虚假认可的条件数据集;
进一步的,步骤S600包括:
步骤S601:对各用户对应的所有条件数据集进行整合,对在所有条件数据集中存在的第一条件数据p1、第二条件数据p2、第三条件数据p3的最小值和最大值进行提取,得到各用户对应的第一条件数据范围、第二条件数据范围、第三条件数据范围;将第一条件数据范围、第二条件数据范围、第三条件数据范围作为各用户的画像标签;
步骤S602:当在目标商铺后台中生成某一条不含有退换货物流信息的交易订单记录时,对某一条不含有退换货物流信息的交易订单记录对应的目标用户提取画像标签,同时从交易订单记录中提取条件数据集,当条件数据集内第一条件数据、第二条件数据和第三条件数据,分别处于对应目标用户画像标签内的第一条件数据范围、第二条件数据范围、第三条件数据范围时,对交易订单记录进行可视化标识。
为更好的实现上述方法还提出了一种物流信息可视化管理系统,系统包括交易订单记录管理模块、特征交易订单记录集整理模块、条件数据挖掘模块、参考数据挖掘模块、数据校验模块、信息可视化标识处理模块;
交易订单记录管理模块,用于对在线上交易平台中完成认证注册的每一用户提取对应的所有交易订单记录;分别将各用户对应的所有交易订单记录基于是否含有退换货物流信息进行分类,得到第一交易订单记录集和第二交易订单记录集;
特征交易订单记录集整理模块,用于分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集;
条件数据挖掘模块,用于分别对各用户的第一特征交易订单记录集内包含的各交易订单记录进行特征分析,对引发各用户对交易商品持虚假认可的所有条件数据进行挖掘;
参考数据挖掘模块,用于分别对各用户的第二特征交易订单记录集内包含的各交易订单记录进行特征分析,对各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过的参考数据进行提取整理;
数据校验模块,用于将各用户对应的参考数据作为基准数据,对各用户对应的条件数据进行数据校验;
信息可视化标识处理模块,用于对各用户在商品交易时存在的画像标签进行分析;将在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给目标商铺。
进一步的,特征交易订单记录集整理模块包括第一特征交易订单记录集整合单元、第二特征交易订单记录集整合单元;
第一特征交易订单记录集整合单元,用于分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;
第二特征交易订单记录集整合单元,用于分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集。
进一步的,信息可视化标识处理模块包括画像标签分析单元、可视化标识处理单元;
画像标签分析单元,用于接收数据校验模块中的数据,对各用户在商品交易时存在的画像标签进行分析;
可视化标识处理单元,用于对在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给目标商铺。
与现有技术相比,本发明所达到的有益效果是:本发明通过大数据对线上交易平台中的各用户进行画像标签分析,捕捉用户往往在什么交易环境下会对交易商品在本身并不是十分满意的前提下,并未采取积极的方式进行反馈,而这些信息对于经营商品交易的商铺而言,往往是十分重要的深层数据,对这些深层数据进行规律分析,对各用户的个性消费信息进行捕捉,有利于商家掌握真实的用户使用反馈信息,有利于商家在对相应交易商品进行用户反馈测评分析的时候去除掉一些具有误导性的交易记录数据,有利于商家对相应交易商品进行改进时提供数据参考意义。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的物流信息可视化管理方法的流程示意图;
图2是本发明一种基于大数据的物流信息可视化管理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
请参阅图1-图2,本发明提供技术方案:一种基于大数据的物流信息可视化管理方法,方法包括:
步骤S100:对在线上交易平台中完成认证注册的每一用户提取对应的所有交易订单记录;分别将各用户对应的所有交易订单记录基于是否含有退换货物流信息进行分类,将不含有退换货物流信息的所有交易订单记录进行汇集得到第一交易订单记录集,将含有退换货物流信息的所有交易订单记录进行汇集得到第二交易订单记录集;
步骤S200:分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集;
其中,步骤S200包括:
步骤S201:分别在各用户对应的第一交易订单记录集内,获取在各交易订单记录中,各用户支付的最终交易金额;将在最终交易金额中包含运费险金额的交易订单记录从第一交易订单记录集中剔除;分别在各用户对应的第一交易订单记录集内,对各交易订单记录中的交易货物提取特征属性信息;依次将各交易订单记录设为目标交易订单记录,在第一交易订单记录集内,依次找寻与目标交易订单记录之间的特征属性信息相似度大于相似度阈值的其他交易订单记录;将其他交易订单记录与目标交易订单记录构成相似交易记录组;
步骤S202:分别对相似交易记录组内各交易订单记录提取用户对交易货物完成下单的时间t1、用户对交易货物完成物流取件的时间t2,提取得到各交易订单记录对应的时间区间[t1,t2 ];依次在各相似交易记录组中,将用户对交易货物完成下单的时间t1处于在各相似交易记录组中对应目标交易订单记录的时间区间[t1,t2 ]内的其他交易订单记录,从各相似交易记录组中剔除;
步骤S203:分别在各用户对应的第二交易订单记录集内,获取在各交易订单记录中商家基于所交易商品赠送的保障款项,将含有物流退换保障的交易订单记录从第二交易订单记录集中剔除;分别对第二交易订单记录集内各第二交易订单记录中,捕捉各用户填选的退换货理由,将退换货理由归属于买家原因的交易订单记录从第二交易订单记录集中剔除;
例如说,在淘宝退款的理由包括有质量问题的,一般这种是可以调换的,也可以退的,而且这种情况下,卖家负责承担所有损失;但是,还有一种是没有任何问题就是买家不想要了,七天无理由退款的,但卖家必须是七天无理由退款的,例如说“拍错了”,“多拍”,“不想要了”等都属于买家方的原因;
步骤S300:分别对各用户的第一特征交易订单记录集内包含的各交易订单记录进行特征分析,对引发各用户对交易商品持虚假认可的所有条件数据进行挖掘;
其中,步骤S300包括:
步骤S301:分别在对应各用户的第一特征交易订单记录集内的各交易订单记录中,捕捉与用户产生对应交易订单记录的商家,分别对商家的历史经营数据以及线上交易平台的历史管理数据进行采集;捕捉商家或者线上交易平台在接收到用户基于对各交易订单记录中的交易商品发起退换货申诉请求开始,到得出最终申诉结果所需要的历史最短时长T1;分别从各交易订单记录中,捕捉从用户对交易货物完成下单至交易货物到达用户填写收件地址所需要的物流时长T2;将T=T1+T2作为在各交易订单记录中,引发用户对交易商品持虚假认可的第一条件数据;
步骤S302:分别在各用户对应的第一特征交易订单记录集内,获取在各交易订单记录中,各用户填写的收货地址信息、商家提供的发货地址信息、交易商品的重量信息;根据收货地址信息、发货地址信息、重量信息,获取用户需垫付的最低物流费用S1;将用户需垫付的最低物流费用S1作为在各交易订单记录中,引发用户对交易商品持虚假认可的第二条件数据;
步骤S303:分别在各用户对应的第一特征交易订单记录集内,获取在各交易订单记录中对应交易商品的价格S2,将价格S2与对应各交易订单记录的最低物流费用S1计算相对比值R=S1/S2;将相对比值R=S1/S2作为在各交易订单记录中,引发用户对交易商品持虚假认可的第三条件数据;
步骤S400:分别对各用户的第二特征交易订单记录集内包含的各交易订单记录进行特征分析,对各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过的参考数据进行提取整理;
其中,步骤S400包括:
步骤S401:对各用户对应第二特征交易订单记录集内的各订单交易记录,捕捉商家或者线上交易平台在接收到用户基于对各交易订单记录中的交易商品发起退换货申诉请求开始,到得出最终申诉结果所需要的时长T1’,捕捉从用户对交易货物完成下单至交易货物到达用户填写收件地址所需要的物流时长T2’,将T’=T1’+T2’作为各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过的第一参考数据;
步骤S402:对各用户对应第二特征交易订单记录集内的各订单交易记录,捕捉用户基于退换货申诉实际垫付的物流费用S1’,捕捉交易商品的价格S2’;分别将物流费用S1’、相对比值R=S1’/S2’作为各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过第二参考数据、第三参考数据;
步骤S500:将各用户对应的参考数据作为基准数据,对各用户对应的条件数据进行数据校验;
其中,步骤S500包括:
步骤S501:将基于对各用户第一特征交易订单记录集内各交易订单记录进行特征分析后得到的第一条件数据p1、第二条件数据p2、第三条件数据p3进行整合,得到对应各交易订单记录的条件数据集:[p1,p2,p3];
步骤S502:将基于对各用户第二特征交易订单记录集内各交易订单记录进行特征分析后得到的第一参考数据L1、第二参考数据L2、第三参考数据L3进行整合,得到对应各交易订单记录的参考数据集:[L1,L2,L3];
步骤S503:分别将对应各用户的每一条件数据集逐一与每一参考数据集进行相似度比对,将相似度大于相似度阈值的条件数据集进行剔除,完成对在各用户所有第一条件数据集中的第一次剔除;依次将被第一次剔除掉的条件数据集作为目标数据集,分别将各用户其他条件数据集中与目标数据集之间相似度大于相似度阈值的条件数据集进行剔除,完成对在各用户所有第一条件数据集中的第二次剔除;
步骤S600:基于数据校验后剩余的条件数据,分析得到各用户在商品交易时存在的画像标签;将在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给目标商铺;
其中,步骤S600包括:
步骤S601:对各用户对应的所有条件数据集进行整合,对在所有条件数据集中存在的第一条件数据p1、第二条件数据p2、第三条件数据p3的最小值和最大值进行提取,得到各用户对应的第一条件数据范围、第二条件数据范围、第三条件数据范围;将第一条件数据范围、第二条件数据范围、第三条件数据范围作为各用户的画像标签;
步骤S602:当在目标商铺后台中生成某一条不含有退换货物流信息的交易订单记录时,对某一条不含有退换货物流信息的交易订单记录对应的目标用户提取画像标签,同时从交易订单记录中提取条件数据集,当条件数据集内第一条件数据、第二条件数据和第三条件数据,分别处于对应目标用户画像标签内的第一条件数据范围、第二条件数据范围、第三条件数据范围时,对交易订单记录进行可视化标识。
为更好的实现上述方法还提出了一种物流信息可视化管理系统,系统包括交易订单记录管理模块、特征交易订单记录集整理模块、条件数据挖掘模块、参考数据挖掘模块、数据校验模块、信息可视化标识处理模块;
交易订单记录管理模块,用于对在线上交易平台中完成认证注册的每一用户提取对应的所有交易订单记录;分别将各用户对应的所有交易订单记录基于是否含有退换货物流信息进行分类,得到第一交易订单记录集和第二交易订单记录集;
特征交易订单记录集整理模块,用于分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集;
条件数据挖掘模块,用于分别对各用户的第一特征交易订单记录集内包含的各交易订单记录进行特征分析,对引发各用户对交易商品持虚假认可的所有条件数据进行挖掘;
参考数据挖掘模块,用于分别对各用户的第二特征交易订单记录集内包含的各交易订单记录进行特征分析,对各用户在对各交易订单记录中的交易商品持不认可,选择退换货前衡量过的参考数据进行提取整理;
数据校验模块,用于将各用户对应的参考数据作为基准数据,对各用户对应的条件数据进行数据校验;
信息可视化标识处理模块,用于对各用户在商品交易时存在的画像标签进行分析;将在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给目标商铺。
其中,特征交易订单记录集整理模块包括第一特征交易订单记录集整合单元、第二特征交易订单记录集整合单元;
第一特征交易订单记录集整合单元,用于分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;
第二特征交易订单记录集整合单元,用于分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集。
其中,信息可视化标识处理模块包括画像标签分析单元、可视化标识处理单元;
画像标签分析单元,用于接收数据校验模块中的数据,对各用户在商品交易时存在的画像标签进行分析;
可视化标识处理单元,用于对在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给目标商铺。
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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的物流信息可视化管理方法,其特征在于,所述方法包括:
步骤S100:对在线上交易平台中完成认证注册的每一用户提取对应的所有交易订单记录;分别将各用户对应的所有交易订单记录基于是否含有退换货物流信息进行分类,将不含有退换货物流信息的所有交易订单记录进行汇集得到第一交易订单记录集,将含有退换货物流信息的所有交易订单记录进行汇集得到第二交易订单记录集;
步骤S200:分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集;
步骤S300:分别对各用户的所述第一特征交易订单记录集内包含的各交易订单记录进行特征分析,对引发所述各用户对交易商品持虚假认可的所有条件数据进行挖掘;
步骤S400:分别对各用户的所述第二特征交易订单记录集内包含的各交易订单记录进行特征分析,对所述各用户在对所述各交易订单记录中的交易商品持不认可,选择退换货前衡量过的参考数据进行提取整理;
步骤S500:将各用户对应的参考数据作为基准数据,对各用户对应的条件数据进行数据校验;
步骤S600:基于数据校验后剩余的条件数据,分析得到所述各用户在商品交易时存在的画像标签;将在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给所述目标商铺。
2.根据权利要求1所述的一种基于大数据的物流信息可视化管理方法,其特征在于,所述步骤S200包括:
步骤S201:分别在各用户对应的所述第一交易订单记录集内,获取在各交易订单记录中,所述各用户支付的最终交易金额;将在所述最终交易金额中包含运费险金额的交易订单记录从所述第一交易订单记录集中剔除;分别在各用户对应的所述第一交易订单记录集内,对各交易订单记录中的交易货物提取特征属性信息;依次将各交易订单记录设为目标交易订单记录,在所述第一交易订单记录集内,依次找寻与所述目标交易订单记录之间的特征属性信息相似度大于相似度阈值的其他交易订单记录;将所述其他交易订单记录与所述目标交易订单记录构成相似交易记录组;
步骤S202:分别对所述相似交易记录组内各交易订单记录提取用户对交易货物完成下单的时间t1、用户对交易货物完成物流取件的时间t2,提取得到所述各交易订单记录对应的时间区间[t1,t2 ];依次在各相似交易记录组中,将用户对交易货物完成下单的时间t1处于在所述各相似交易记录组中对应所述目标交易订单记录的时间区间[t1,t2 ]内的所述其他交易订单记录,从所述各相似交易记录组中剔除;
步骤S203:分别在各用户对应的所述第二交易订单记录集内,获取在各交易订单记录中商家基于所交易商品赠送的保障款项,将含有物流退换保障的交易订单记录从所述第二交易订单记录集中剔除;分别对所述第二交易订单记录集内各第二交易订单记录中,捕捉所述各用户填选的退换货理由,将退换货理由归属于买家原因的交易订单记录从所述第二交易订单记录集中剔除。
3.根据权利要求1所述的一种基于大数据的物流信息可视化管理方法,其特征在于,所述步骤S300包括:
步骤S301:分别在对应各用户的所述第一特征交易订单记录集内的各交易订单记录中,捕捉与用户产生对应交易订单记录的商家,分别对所述商家的历史经营数据以及所述线上交易平台的历史管理数据进行采集;捕捉所述商家或者所述线上交易平台在接收到用户基于对所述各交易订单记录中的交易商品发起退换货申诉请求开始,到得出最终申诉结果所需要的历史最短时长T1;分别从所述各交易订单记录中,捕捉从用户对交易货物完成下单至交易货物到达所述用户填写收件地址所需要的物流时长T2;将T=T1+T2作为在所述各交易订单记录中,引发用户对交易商品持虚假认可的第一条件数据;
步骤S302:分别在各用户对应的所述第一特征交易订单记录集内,获取在各交易订单记录中,所述各用户填写的收货地址信息、商家提供的发货地址信息、交易商品的重量信息;根据所述收货地址信息、发货地址信息、重量信息,获取用户需垫付的最低物流费用S1;将所述用户需垫付的最低物流费用S1作为在所述各交易订单记录中,引发用户对交易商品持虚假认可的第二条件数据;
步骤S303:分别在各用户对应的所述第一特征交易订单记录集内,获取在各交易订单记录中对应交易商品的价格S2,将所述价格S2与对应所述各交易订单记录的所述最低物流费用S1计算相对比值R=S1/S2;将所述相对比值R=S1/S2作为在所述各交易订单记录中,引发用户对交易商品持虚假认可的第三条件数据。
4.根据权利要求3所述的一种基于大数据的物流信息可视化管理方法,其特征在于,步骤S400包括:
步骤S401:对所述各用户对应第二特征交易订单记录集内的各订单交易记录,捕捉商家或者所述线上交易平台在接收到用户基于对所述各交易订单记录中的交易商品发起退换货申诉请求开始,到得出最终申诉结果所需要的时长T1’,捕捉从用户对交易货物完成下单至交易货物到达所述用户填写收件地址所需要的物流时长T2’,将T’=T1’+T2’作为所述各用户在对所述各交易订单记录中的交易商品持不认可,选择退换货前衡量过的第一参考数据;
步骤S402:对所述各用户对应第二特征交易订单记录集内的各订单交易记录,捕捉用户基于退换货申诉实际垫付的物流费用S1’,捕捉交易商品的价格S2’;分别将物流费用S1’、相对比值R=S1’/S2’作为所述各用户在对所述各交易订单记录中的交易商品持不认可,选择退换货前衡量过的第二参考数据、第三参考数据。
5.根据权利要求1所述的一种基于大数据的物流信息可视化管理方法,其特征在于,所述步骤S500包括:
步骤S501:将基于对各用户所述第一特征交易订单记录集内各交易订单记录进行特征分析后得到的第一条件数据p1、第二条件数据p2、第三条件数据p3进行整合,得到对应所述各交易订单记录的条件数据集:[p1,p2,p3];
步骤S502:将基于对各用户第二特征交易订单记录集内各交易订单记录进行特征分析后得到的第一参考数据L1、第二参考数据L2、第三参考数据L3进行整合,得到对应所述各交易订单记录的参考数据集:[L1,L2,L3];
步骤S503:分别将对应各用户的每一条件数据集逐一与每一参考数据集进行相似度比对,将相似度大于相似度阈值的条件数据集进行剔除,完成对在各用户所有第一条件数据集中的第一次剔除;依次将被第一次剔除掉的条件数据集作为目标数据集,分别将各用户其他条件数据集中与所述目标数据集之间相似度大于相似度阈值的条件数据集进行剔除,完成对在各用户所有第一条件数据集中的第二次剔除。
6.根据权利要求5所述的一种基于大数据的物流信息可视化管理方法,其特征在于,所述步骤S600包括:
步骤S601:对所述各用户对应的所有条件数据集进行整合,对在所有条件数据集中存在的第一条件数据p1、第二条件数据p2、第三条件数据p3的最小值和最大值进行提取,得到所述各用户对应的第一条件数据范围、第二条件数据范围、第三条件数据范围;将所述第一条件数据范围、第二条件数据范围、第三条件数据范围作为所述各用户的画像标签;
步骤S602:当在目标商铺后台中生成某一条不含有退换货物流信息的交易订单记录时,对所述某一条不含有退换货物流信息的交易订单记录对应的目标用户提取画像标签,同时从所述交易订单记录中提取条件数据集,当所述条件数据集内第一条件数据、第二条件数据和第三条件数据,分别处于对应所述目标用户画像标签内的第一条件数据范围、第二条件数据范围、第三条件数据范围时,对所述交易订单记录进行可视化标识。
7.一种应用权利要求1-6中任意一项所述的基于大数据的物流信息可视化管理方法的物流信息可视化管理系统,其特征在于,所述系统包括交易订单记录管理模块、特征交易订单记录集整理模块、条件数据挖掘模块、参考数据挖掘模块、数据校验模块、信息可视化标识处理模块;
所述交易订单记录管理模块,用于对在线上交易平台中完成认证注册的每一用户提取对应的所有交易订单记录;分别将各用户对应的所有交易订单记录基于是否含有退换货物流信息进行分类,得到第一交易订单记录集和第二交易订单记录集;
所述特征交易订单记录集整理模块,用于分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集;
所述条件数据挖掘模块,用于分别对各用户的所述第一特征交易订单记录集内包含的各交易订单记录进行特征分析,对引发所述各用户对交易商品持虚假认可的所有条件数据进行挖掘;
所述参考数据挖掘模块,用于分别对各用户的所述第二特征交易订单记录集内包含的各交易订单记录进行特征分析,对所述各用户在对所述各交易订单记录中的交易商品持不认可,选择退换货前衡量过的参考数据进行提取整理;
所述数据校验模块,用于将各用户对应的参考数据作为基准数据,对各用户对应的条件数据进行数据校验;
所述信息可视化标识处理模块,用于对各用户在商品交易时存在的画像标签进行分析;将在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给所述目标商铺。
8.根据权利要求7所述的物流信息可视化管理系统,其特征在于,所述特征交易订单记录集整理模块包括第一特征交易订单记录集整合单元、第二特征交易订单记录集整合单元;
所述第一特征交易订单记录集整合单元,用于分别对各用户的第一交易订单记录集进行整理,保留用户对交易商品持虚假认可的交易订单记录,得到对应各用户的第一特征交易订单记录集;
所述第二特征交易订单记录集整合单元,用于分别对各用户的第二交易订单记录集进行整理,保留用户对交易商品持不认可的交易订单记录,得到对应各用户的第二特征交易订单记录集。
9.根据权利要求7所述的物流信息可视化管理系统,其特征在于,所述信息可视化标识处理模块包括画像标签分析单元、可视化标识处理单元;
所述画像标签分析单元,用于接收所述数据校验模块中的数据,对各用户在商品交易时存在的画像标签进行分析;
所述可视化标识处理单元,用于对在目标商铺后台中生成的每一条不含有退换货物流信息的交易订单记录,基于对应用户的画像标签进行状态判断,通过将符合对应用户画像标签的交易订单记录进行可视化标识,并反馈给所述目标商铺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478566.4A CN116205555B (zh) | 2023-04-28 | 2023-04-28 | 一种基于大数据的物流信息可视化管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478566.4A CN116205555B (zh) | 2023-04-28 | 2023-04-28 | 一种基于大数据的物流信息可视化管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116205555A CN116205555A (zh) | 2023-06-02 |
CN116205555B true CN116205555B (zh) | 2023-09-05 |
Family
ID=86509730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310478566.4A Active CN116205555B (zh) | 2023-04-28 | 2023-04-28 | 一种基于大数据的物流信息可视化管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205555B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017032226A1 (zh) * | 2015-08-21 | 2017-03-02 | 阿里巴巴集团控股有限公司 | 退货信息处理方法及装置 |
CN108399545A (zh) * | 2017-02-06 | 2018-08-14 | 北京京东尚科信息技术有限公司 | 电子商务平台质量检测方法和装置 |
CN111737338A (zh) * | 2020-05-07 | 2020-10-02 | 广东电网有限责任公司信息中心 | 一种基于大数据画像闭环营销数据分析方法 |
CN111951064A (zh) * | 2019-05-17 | 2020-11-17 | 无锡微田园网络科技有限公司 | 基于大数据的电商交易方法 |
CN113674037A (zh) * | 2021-10-21 | 2021-11-19 | 西安超嗨网络科技有限公司 | 一种基于购物行为的数据采集和推荐方法 |
CN113763077A (zh) * | 2020-07-24 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用于检测虚假交易订单的方法和装置 |
CN113811911A (zh) * | 2019-04-16 | 2021-12-17 | 凯首公司 | 用于得到平台反馈数据以由下游子系统动态地取得的系统和方法 |
CN114022251A (zh) * | 2021-11-10 | 2022-02-08 | 华院分析技术(上海)有限公司 | 一种基于云计算的订单管理系统 |
CN115511584A (zh) * | 2022-11-08 | 2022-12-23 | 深圳市必凡娱乐科技有限公司 | 一种电商平台虚假交易订单监控方法及系统 |
CN115905958A (zh) * | 2022-12-16 | 2023-04-04 | 北京京东乾石科技有限公司 | 一种虚假妥投行为的判别方法和装置 |
-
2023
- 2023-04-28 CN CN202310478566.4A patent/CN116205555B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017032226A1 (zh) * | 2015-08-21 | 2017-03-02 | 阿里巴巴集团控股有限公司 | 退货信息处理方法及装置 |
CN108399545A (zh) * | 2017-02-06 | 2018-08-14 | 北京京东尚科信息技术有限公司 | 电子商务平台质量检测方法和装置 |
CN113811911A (zh) * | 2019-04-16 | 2021-12-17 | 凯首公司 | 用于得到平台反馈数据以由下游子系统动态地取得的系统和方法 |
CN111951064A (zh) * | 2019-05-17 | 2020-11-17 | 无锡微田园网络科技有限公司 | 基于大数据的电商交易方法 |
CN111737338A (zh) * | 2020-05-07 | 2020-10-02 | 广东电网有限责任公司信息中心 | 一种基于大数据画像闭环营销数据分析方法 |
CN113763077A (zh) * | 2020-07-24 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用于检测虚假交易订单的方法和装置 |
CN113674037A (zh) * | 2021-10-21 | 2021-11-19 | 西安超嗨网络科技有限公司 | 一种基于购物行为的数据采集和推荐方法 |
CN114022251A (zh) * | 2021-11-10 | 2022-02-08 | 华院分析技术(上海)有限公司 | 一种基于云计算的订单管理系统 |
CN115511584A (zh) * | 2022-11-08 | 2022-12-23 | 深圳市必凡娱乐科技有限公司 | 一种电商平台虚假交易订单监控方法及系统 |
CN115905958A (zh) * | 2022-12-16 | 2023-04-04 | 北京京东乾石科技有限公司 | 一种虚假妥投行为的判别方法和装置 |
Non-Patent Citations (1)
Title |
---|
电子商务中基于深度学习的虚假交易识别研究;刘畅 等;现代情报(第10期);62-67、73 * |
Also Published As
Publication number | Publication date |
---|---|
CN116205555A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726759B (zh) | 无人售货方法、装置、系统、电子设备及计算机可读介质 | |
KR100418012B1 (ko) | 제품 리사이클 요금 결제 방법과, 그 실시 장치 및시스템 | |
US20070175992A1 (en) | Inventory and point of sale management system | |
CN110738441B (zh) | 一种基于互联网的商品预定配送方法及系统 | |
CN113468194A (zh) | 一种基于大数据的客户关系管理数据更新系统及方法 | |
CN109360044A (zh) | 一种跨境电子商务销售管理系统及方法 | |
CN112750015B (zh) | 一种黑色金属材料用电子交易系统 | |
CN116205555B (zh) | 一种基于大数据的物流信息可视化管理系统及方法 | |
CN116611796B (zh) | 一种店铺交易数据的异常检测方法及装置 | |
CN111860890A (zh) | 一种销售管理方法及设备 | |
CN116012086A (zh) | 商品价格的评估方法、装置、电子设备及存储介质 | |
CN114971083A (zh) | 一种货物购买预测出售的方法 | |
CN111222941B (zh) | 一种基于大数据的线上采购信息分类系统及手持操作终端 | |
CN114119120A (zh) | 一种基于大数据的电商交易方法和电商交易系统 | |
CN116245456B (zh) | 建材采购资金合理性监察方法及系统 | |
JP2001350948A (ja) | 製品の取引方法、販売/処理仲介システム、情報提供装置 | |
KR20010099400A (ko) | 전자상거래 회사 서버 시스템 및 그 물품 판매방법 | |
JP2001350913A (ja) | 情報処理装置、情報処理方法、および情報提供システム並びに記録媒体 | |
KR102688473B1 (ko) | 유닛화된 투자 자문을 거래에 적용하는 장치, 방법 및 시스템 | |
JP4087805B2 (ja) | 資産管理システム及び方法ならびにコンピュータプログラム | |
US20230316350A1 (en) | Optical scanning using receipt imagery for automated tax reconciliation | |
JP2010117939A (ja) | 商取引システム | |
CN106779556B (zh) | 一种快递信息交互方法、装置及系统 | |
NZ564135A (en) | Automated reconciliation of transaction records | |
CN117635016A (zh) | 一种基于数据驱动的退货预测的库存优化方法 |
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 |
Effective date of registration: 20230802 Address after: Room 209, Building 3, R&D Center, East Side of No.5 Road, Science and Technology Park, Jinfeng District, Yinchuan City, Ningxia Hui Autonomous Region, 750004 Applicant after: Ningxia Jinsi road big data Technology Co.,Ltd. Address before: 518000 808-06c, block B, phase I, Tian'an innovation and Technology Plaza, No. 25, Tairan 4th Road, Tian'an community, Shatou street, Futian District, Shenzhen, Guangdong Province Applicant before: Shenzhen Fengquan Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |