CN116664238A - 一种零售行业风险订单审核管理方法及系统 - Google Patents

Abstract

本申请提出了一种零售行业风险订单审核管理方法及系统，涉及信息安全技术领域。该方法包括：对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估；通过综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优进行订单审核；根据订单审核所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间进行多纬度比对，最终确定异常结果。能够通过多纬度消费行为交叉比对，降低错判误伤，提升审核精准度。

Description

一种零售行业风险订单审核管理方法及系统

技术领域

本申请涉及信息安全技术领域，具体而言，涉及一种零售行业风险订单审核管理方法及系统。

背景技术

在目前的零售百货行业，企业通过各种运营方式来促进用户的交易，采用大量的营销手段，投入大量优惠成本让利于用户，拉动用户的成单。基于此情况，在市场当中便产生了刷单、套现、薅羊毛等现象，导致企业的无效运营成本投入大，同时严重影响了企业的活动效果。

为此，企业大多都会对订单进行审核，但随着网络技术的发展，订单审核管理工作变得越来越复杂，风险也越来越高传统的订单审核管理方法存在许多不足，如审核效率低、审核结果不准确等问题，严重影响了零售行业的发展。

现有的订单审核管理只能在单一场景实现机械化审核，但审核的目的不是控的越多越好，而是要保证精准控制，避免误伤，不仅是为了防止羊毛被薅，还要防止一系列不可控的风险事件出现。

零售百货行业的场景诸多，流程不同，想要在拉新、促活、分享、营销等各环节有效的采取精准审核，则需要具备一套全流程的完整审核策略。

发明内容

本申请的目的在于提供一种零售行业风险订单审核管理方法，其能够通过多纬度消费行为交叉比对，降低错判误伤，提升审核精准度。

本申请的另一目的在于提供一种零售行业风险订单审核管理系统，其能够运行一种零售行业风险订单审核管理方法。

本申请的实施例是这样实现的：

第一方面，本申请实施例提供一种零售行业风险订单审核管理方法，其包括对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估；通过综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优进行订单审核；根据订单审核所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间进行多纬度比对，最终确定异常结果。

在本申请的一些实施例中，上述对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估包括：对下单账户的消费行为进行比对，对下单设备的下单量进行比对，对设备的支付方式、支付账户、支付金额上限进行比对，对不同地区常规订单量与当前订单量的差异进行比对，对不同时段常规订单量与当前订单量的差异进行比对，对同一商品常规订单量及单次购买数量与当前订单量的差异进行比对，对商品毛利阈值分析比对。

在本申请的一些实施例中，上述对下单账户的消费行为进行比对包括：识别正常客户日均单量作为标准日均单量，当出现的订单超出标准日均单量，则判断为疑似情况，并归类于风险特性进行统计；识别单笔订单根据企业售卖的商品均价作为标准商品均价，当出现的订单超出标准商品均价，则判断为疑似情况，并归类于风险特性进行统计。

在本申请的一些实施例中，上述对下单设备的下单量进行比对包括：对代理IP进行检测，若同一IP下单量超出预设参数，则判断为疑似情况，并归类于风险特性进行统计；

对同一设备进行检测，若下单量超出预设参数，则判断为疑似情况，并归类于风险特性进行统计。

在本申请的一些实施例中，上述对设备的支付方式、支付账户、支付金额上限进行比对包括：对支付方式进行检测，当出现同一设备切换不同支付方式超过预设频次、两笔订单支付间隔在预设时间内、同一设备频繁大额支付、同一设备频繁参与低毛利商品购买其中任一项时，则判断为疑似情况，并归类于风险特性进行统计。

在本申请的一些实施例中，上述对不同地区常规订单量与当前订单量的差异进行比对包括：对同一地址进行检测，当在预设时间内不同用户产生同一地址订单量超过预设单量，则判断为疑似情况，并归类于风险特性进行统计；

对相似地址进行检测，当下单地址的省市区街道均相同、小区/大厦相同、门牌号不同、楼层不同，则判断为疑似情况，并归类于风险特性进行统计。

在本申请的一些实施例中，上述对不同时段常规订单量与当前订单量的差异进行比对包括：对不同时段订单量进行检测，在夜间至凌晨，当订单量超出下单前的预设时间段的日均水平时，则判断为疑似情况，并归类于风险特性进行统计。

在本申请的一些实施例中，上述对同一商品常规订单量及单次购买数量与当前订单量的差异进行比对包括：对商品产生单量进行检测，统计当日同一商品的各时段订单量，当商品的同类其它商品各时段订单量超出统计的正常水平时，则判断为疑似情况，并归类于风险特性进行统计。

在本申请的一些实施例中，上述对商品毛利阈值分析比对包括：对毛利率进行检测，当商品毛利率低于预设百分比时，负毛利商品售出超过预设的件数时，整单商品毛利率低于标准百分比，则判断为疑似情况，并归类于风险特性进行统计。

第二方面，本申请实施例提供一种零售行业风险订单审核管理系统，其包括分析比对模块，用于对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估；

机器学习模块，用于通过综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优进行订单审核；

异常处理模块，用于根据订单审核所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间进行多纬度比对，最终确定异常结果。

第三方面，本申请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，该计算机程序被处理器执行时实现如一种零售行业风险订单审核管理方法中任一项的方法。

相对于现有技术，本申请的实施例至少具有如下优点或有益效果：

多纬度消费行为交叉比对，降低错判误伤，提升审核精准度，单一情况判断很容易触发疑似情况，因此需要收集上述各种规则所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间多纬度比对，最终确定异常结果，还可以通过手动配置黑名单账户、设备，发现则直接拦截。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种零售行业风险订单审核管理方法步骤示意图；

图2为本申请实施例提供的订单审核示意图；

图3为本申请实施例提供的决策树算法流程示意图；

图4为本申请实施例提供的一种零售行业风险订单审核管理系统模块示意图；

图5为本申请实施例提供的一种电子设备。

图标：101-存储器；102-处理器；103-通信接口。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，术语“包括”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。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

实施例1

本发明通过零售行业的“人、货、场”三方面，来提高审核效率与精准度。优势在于：

“人”，是付费的核心环节，付款方式、付款身份、付款金额、付款频次都需要根据场景串联进行审核。只有将运营成本投到真正的人上，才能完成后续精确化的运营，用户画像才能更精准；

“货”，通过货本身参与的不同营销活动，根据成本、毛利、金额制定高精准性的审核规则。通过对货的利润及销售情况共同分析，才能减少薅羊毛发生，避免成本超支；

“场”，当前零售行业中，分为线下购物场景及线上购物场景，区分场景订单进行审核。通过不同场景制定不同规则，再通过人、货的特性，采用人工智能技术来控制风险。

通过“建立审核规则、设定审核参数、分析审核结果、处理审核结果”四步联动，多规则同时监控，结合human review与AI/ML实施，企业自定义审核参数，通过人工智能整理、分析、判断出审核结果，利用先进技术跟踪用户行为，预测可能产生的风险问题。

请参阅图1、图2及图3，图1为本申请实施例提供的一种零售行业风险订单审核管理方法步骤示意图，其如下所示：

步骤S100，对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估；

在一些实施方式中，1.对下单账户的消费行为进行比对：

正常客户日均单量应在10单，如果产生大量下单例如20、30单，则会判断为疑似情况；

单笔订单根据企业售卖的商品均价，如设置每单均价上限为2千元，若每单均超出2千元，则会判断为疑似情况。

2.对下单设备的下单量进行比对：

代理IP检测，若同一IP下单量超出预设参数，如同一IP一小时内产生50笔订单，则会判断为疑似情况；

同一设备检测，下单量超出预设参数，如同一设备一小时内产生20笔订单，则会判断为疑似情况；

虚假号码识别，收货号码、下单号码是否真实，若疑似虚拟号码则会判断为疑似情况。

3.对设备的支付方式、支付账户、支付金额上限进行比对：

支付方式检测，同一设备频繁切换不同支付方式，两笔订单支付间隔在10分钟内，同一设备频繁大额支付，同一设备频繁参与低毛利商品购买，则会判断为疑似情况。

4.对不同地区常规订单量与当前订单量的差异进行比对：

同一地址检测，例如2小时内不同用户产生同一地址订单量达到10单，会判断为疑似情况；

相似地址检测，省市区街道均相同，小区/大厦相同，门牌号不同，楼层不同，会判断为疑似情况。

5.对不同时段常规订单量与当前订单量的差异进行比对：

不同时段订单量检测，在夜间至凌晨，订单量超出前1个月，前3个月，前6个月，前12个月日均该时段水平。例如凌晨3点-5点期间线上商城订单常规单数参数是1000单，但今日突然产生3千单，则判断为疑似情况。

6.对同一商品常规订单量及单次购买数量与当前订单量的差异进行比对：

商品产生单量检测，当日同一商品的各时段订单量，该商品的同类其它商品各时段订单量超出正常水平。例如戴尔笔记本电脑在下午13点-14点，常规单量是20台，thinkpad电脑常规单量是50台，但今日戴尔笔记本电脑在无营销活动时销售1000台，判断为疑似情况。

7.商品毛利阈值分析比对：

毛利检测，例如商品毛例低于40％，负毛利商品售出超过1000件，整单商品毛利低于30％，则会判断为疑似情况。

步骤S110，通过综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优进行订单审核；

在一些实施方式中，首先要建立订单审核管理系统，该系统将基于用户行为信息、订单信息、商品销售信息自动识别订单风险，并对订单进行审核管理；

其次，建立审核规则，审核规则包含用户账户、设备、支付方式、支付金额、收货信息、下单行为、下单数量、商品毛利、负毛利商品、订单商品毛利；

再次，对规则进行参数设定，可根据实际运营情况配置，也可根据常规数据自动化分析提供参数建议；

从次，审核过程中采用人工智能技术对订单进行实时分析，以提高审核效率和准确性；

最后，根据分析计算出审核结果，并对订单进行处理，确保业务顺利运行。

通过收集内外部数据、用户设备信息以及用户行为等，使用名单类规则，关联类规则，频度类规则，时间类规则，IP检测等手段进行筛选，有效识别各类风险；

实时监控交易行为，精准识别刷单、薅羊毛、异常购买，降低由此产生的奖金资损及政策监管风险，保障企业安全；

对交易采取智能决策，基于部署的规则引擎挖掘交易数据，提炼疑似订单的特征，对消费行为进行有效布控；

建立交易风险识别模型，沉淀交易模型、商品模型、反欺诈行为模型等针对各细分场景的自动化风险识别模型；

风险警告，结合黑名单数据、黑产数据、渠道，构建防控信息体系。

综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优来实现更准确高效的订单审核。综合决策树算法和贝叶斯网络算法实现快速准确的订单过审流程。

一、使用决策树算法用于订单快速分类的场景。

基于订单的数据特征构建分类决策的树状模型，将订单快速分类区分是否需要人工干预审核。

1.通过收集和分析订单历史审核数据，构建决策树模型，以用于快速区分自动审核和人工审核的订单数据。以会员、订单金额、支付方式、重复购买间隔、购买者购买次数、购买者历史消费记录、商品毛利、黑白名单等特征作为分析对象，根据不同特征组合，构建决策树模型，来判断订单是否需要进行审核，或者订单是否有欺诈行为。

2.构建完决策树模型之后，就可以使用该模型来对新的订单数据进行快速审核，可以基于订单数据的特征，根据决策树的节点规则，从根节点开始，逐渐遍历节点，最终得出结论。如果订单结果为“进行审核”，则需要进一步人工审核；如果订单结果为“不进行审核”，则可以直接通过审核进行订单后续处理。

二、使用贝叶斯网络用于订单快速审核。贝叶斯网络是一种统计学方法，可用于快速审核订单。它可以根据订单的特征，使用概率推理的方法，预测订单是否符合商家的审核规则。贝叶斯网络的应用可以分为三个步骤：

1.数据预处理：首先，需要对订单的特征进行提取，如订单的金额、商品类型、订单时间等，并转换为合理的数据格式。

2.构建贝叶斯网络：通过提取出的特征，构建基于概率推理的贝叶斯网络，即计算每个特征之间的条件概率，并计算订单是否符合商家的审核规则的概率。

3.预测结果：最后，根据计算出的概率，预测订单是否符合商家的审核规则。贝叶斯网络的优点是可以快速审核订单，可以节省人力和时间，提高工作效率。

步骤S120，根据订单审核所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间进行多纬度比对，最终确定异常结果。

在一些实施方式中，单一情况判断很容易触发疑似情况，因此需要收集上述各种规则所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间多纬度比对，最终确定异常结果。

实施例2

请参阅图4，图4为本申请实施例提供的一种零售行业风险订单审核管理系统模块示意图，其如下所示：

分析比对模块，用于对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估；

机器学习模块，用于通过综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优进行订单审核；

异常处理模块，用于根据订单审核所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间进行多纬度比对，最终确定异常结果。

如图5所示，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。

还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本申请所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

另一方面，本申请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，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种零售行业风险订单审核管理方法及系统，多纬度消费行为交叉比对，降低错判误伤，提升审核精准度，单一情况判断很容易触发疑似情况，因此需要收集上述各种规则所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间多纬度比对，最终确定异常结果，还可以通过手动配置黑名单账户、设备，发现则直接拦截。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种零售行业风险订单审核管理方法，其特征在于，包括：

对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估；

通过综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优进行订单审核；

根据订单审核所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间进行多纬度比对，最终确定异常结果。

2.如权利要求1所述的一种零售行业风险订单审核管理方法，其特征在于，所述对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估包括：

对下单账户的消费行为进行比对，对下单设备的下单量进行比对，对设备的支付方式、支付账户、支付金额上限进行比对，对不同地区常规订单量与当前订单量的差异进行比对，对不同时段常规订单量与当前订单量的差异进行比对，对同一商品常规订单量及单次购买数量与当前订单量的差异进行比对，对商品毛利阈值分析比对。

3.如权利要求2所述的一种零售行业风险订单审核管理方法，其特征在于，所述对下单账户的消费行为进行比对包括：

识别正常客户日均单量作为标准日均单量，当出现的订单超出标准日均单量，则判断为疑似情况，并归类于风险特性进行统计；

识别单笔订单根据企业售卖的商品均价作为标准商品均价，当出现的订单超出标准商品均价，则判断为疑似情况，并归类于风险特性进行统计。

4.如权利要求2所述的一种零售行业风险订单审核管理方法，其特征在于，所述对下单设备的下单量进行比对包括：

对代理IP进行检测，若同一IP下单量超出预设参数，则判断为疑似情况，并归类于风险特性进行统计；

对同一设备进行检测，若下单量超出预设参数，则判断为疑似情况，并归类于风险特性进行统计。

5.如权利要求2所述的一种零售行业风险订单审核管理方法，其特征在于，所述对设备的支付方式、支付账户、支付金额上限进行比对包括：

对支付方式进行检测，当出现同一设备切换不同支付方式超过预设频次、两笔订单支付间隔在预设时间内、同一设备频繁大额支付、同一设备频繁参与低毛利商品购买其中任一项时，则判断为疑似情况，并归类于风险特性进行统计。

6.如权利要求2所述的一种零售行业风险订单审核管理方法，其特征在于，所述对不同地区常规订单量与当前订单量的差异进行比对包括：

对同一地址进行检测，当在预设时间内不同用户产生同一地址订单量超过预设单量，则判断为疑似情况，并归类于风险特性进行统计；

对相似地址进行检测，当下单地址的省市区街道均相同、小区/大厦相同、门牌号不同、楼层不同，则判断为疑似情况，并归类于风险特性进行统计。

7.如权利要求2所述的一种零售行业风险订单审核管理方法，其特征在于，所述对不同时段常规订单量与当前订单量的差异进行比对包括：

对不同时段订单量进行检测，在夜间至凌晨，当订单量超出下单前的预设时间段的日均水平时，则判断为疑似情况，并归类于风险特性进行统计。

8.如权利要求2所述的一种零售行业风险订单审核管理方法，其特征在于，所述对同一商品常规订单量及单次购买数量与当前订单量的差异进行比对包括：

对商品产生单量进行检测，统计当日同一商品的各时段订单量，当商品的同类其它商品各时段订单量超出统计的正常水平时，则判断为疑似情况，并归类于风险特性进行统计。

9.如权利要求2所述的一种零售行业风险订单审核管理方法，其特征在于，所述对商品毛利阈值分析比对包括：

对毛利率进行检测，当商品毛利率低于预设百分比时，负毛利商品售出超过预设的件数时，整单商品毛利率低于标准百分比，则判断为疑似情况，并归类于风险特性进行统计。

10.一种零售行业风险订单审核管理系统，其特征在于，包括：

分析比对模块，用于对下单用户的消费行为进行对比分析出风险特性，对风险特性进行统计得到各风险特性对应的风险特性占比，作出风险评估；

机器学习模块，用于通过综合决策树算法和贝叶斯网络算法，对系统的历史订单销售数据进行模型训练，结合机器学习和人工参数调优进行订单审核；

异常处理模块，用于根据订单审核所触发的疑似情况整合汇总，结合特定商品、特定人群、特定活动、特定时间进行多纬度比对，最终确定异常结果。