CN116703534B - 一种电商订单数据智能管理方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了一种电商订单数据智能管理方法，包括：获取金额序列和状态序列；根据金额序列和状态序列构造三维时序空间；在三维时序空间中每个点记为空间数据点，根据空间数据点的金额值差异获取金额异常程度；获取待拟合点，根据待拟合点和空间数据点的金额值与时序值的差异以及状态值获取空间数据点与待拟合点的聚集因子；根据金额异常程度获取一类数据点和二类数据点，将一类数据点和二类数据点结合聚集因子获取拟合权值；根据每个空间数据点的拟合权值完成对电商订单数据的智能管理。本发明保留了影响程度较大的异常数据，得到最优的时序分解结果使数据更准确的管理。

Description

一种电商订单数据智能管理方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种电商订单数据智能管理方法。

背景技术

电商订单数据包含了丰富的信息，例如订单金额、状态等信息；该类信息特征对于分析和预测订单行为以及进行业务决策至关重要，通过对订单数据特征的深入分析，可以洞察消费者行为、产品偏好、销售趋势、营销策略等关键指标，从而提升业务运营的效率和竞争力。而由于电商订单数据通常具有时间相关性和季节性，因此对于电商订单数据的管理和预测通常采用时序分解进行原始数据的处理；进而帮助揭示订单数据中的趋势、季节性以及随机波动的数据。而时序分解所得的趋势，其可以捕捉到电商订单数据的长期趋势，例如销售额的增长或下降趋势，这对于制定营销策略和预测未来订单量有很大的帮助和参考价值，而对于所得季节性，有助于凸显周期性特征，进而优化库存管理，安排人力资源和进行促销活动；因此基于传统时序分解方式下的操作可以在理论上实现对电商订单数据的管理和预测；而在实际的分解拟合过程中，由于造成电商订单数据异常的原因甚多，且各种情况下的订单异常影响程度各不相同;而在时序分解算法对于原始订单数据进行拟合时受所有离群值影响较大，因此传统的时序分解无法准确对电商订单场景下的时序数据进行准确和具体的区分拟合，影响最终的分解预测结果。传统方式下对于电商订单数据进行管理和预测时采用的时序分解处理方法无法识别其中订单的复杂异常情况；即各类异常数据值皆会对拟合趋势或季节的过程造成极大干扰，而拟合中对于该干扰因素所使用的核函数通常根据其异常值的大小距离调整权重值进行处理，该方式下同样会损失掉一些较为重要的异常数据。

发明内容

本发明提供一种电商订单数据智能管理方法，以解决异常数据值皆会对拟合趋势或季节的过程造成极大干扰的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种电商订单数据智能管理方法，该方法包括以下步骤：

采集电商订单数据获取金额序列和状态序列；

根据金额序列和状态序列构造三维时序空间；

在三维时序空间中每个点记为空间数据点，根据空间数据点的金额值差异获取空间数据点的金额异常程度；获取待拟合点和拟合窗口，根据待拟合点和拟合窗口内空间数据点的金额值与时序值的差异以及空间数据点的状态值获取空间数据点与待拟合点的聚集因子；根据金额异常程度获取一类数据点和二类数据点，将一类数据点和二类数据点结合聚集因子获取拟合权值；

根据每个空间数据点的拟合权值完成对电商订单数据的智能管理。

优选的，所述获取金额序列和状态序列的方法为：

金融序列为每个时刻采集到的订单金额按照时间顺序排序得到的序列；

状态序列为每个时刻对应的订单状态按照时间顺序排序得到的序列，状态序列共有已退款，已取消，已下单，已支付四种订单状态。

优选的，所述根据金额序列和状态序列构造三维时序空间的方法为：

将金额序列中的序列值进行最大最小值归一化，将状态序列的四种状态排序，所述排序为距离订单成交的距离越大，排序越靠前；将排序后的四种状态进行赋值，赋值从大到小依次递减预设数值，其最大值为1；

将三维时序空间中x轴记为订单时间，y轴记为订单状态的赋值，z轴记为金额序列中归一化后的序列值。

优选的，所述空间数据点的获取方法为：

空间数据点由状态值、金额值、时序值构成；

所述状态值为状态序列中订单状态的赋值，所述金额值为金额序列中归一化后的序列值，所述时序值为采集空间数据点的时刻。

优选的，所述根据空间数据点的金额值差异获取空间数据点的金额异常程度的方法为：

式中，表示所有空间数据点的金额值的均值，/>表示第i个空间数据点的金额值，/>表示第o个空间数据点的金额值，/>表示以自然常数为底的指数函数，/>表示空间数据点的数量，/>表示第o个空间数据点的金额异常程度。

优选的，所述根据待拟合点和拟合窗口内空间数据点的金额值与时序值的差异以及空间数据点的状态值获取空间数据点与待拟合点的聚集因子的方法为：

式中，表示待拟合点的时序值，/>表示待拟合点的金额值，/>表示拟合窗口内第j个空间数据点的时序值，/>表示拟合窗口内第j个空间数据点的金额值，/>表示线性归一化函数，/>表示拟合窗口内第j个空间数据点的状态值，/>和/>表示权重参数，/>表示拟合窗口内第j个空间数据点与待拟合点的聚集因子。

优选的，所述将一类数据点和二类数据点结合聚集因子获取拟合权值的方法为：

对于一类像素点，将聚集因子带入反比例函数中获取一类像素点对应的拟合权值，对于二类像素点，奖聚集因子带入双曲线正切函数获取二类像素点的拟合权值。

优选的，所述根据金额异常程度获取一类数据点和二类数据点的方法为：

若空间数据点的金额异常程度大于预设阈值，那么记该空间数据点为一类数据点，若空间数据点的金额异常程度小于等于预设阈值，那么记该空间数据点为二类数据点。

优选的，所述获取待拟合点和拟合窗口的方法为：

对于每一个空间数据点都作为一个待拟合点，以待拟合点为中心获取拟合窗口，且使用交叉验证法评估获取的窗口大小得到拟合窗口。

优选的，所述根据每个空间数据点的拟合权值完成对电商订单数据的管理的方法为：

根据所得的拟合权值获取电商订单数据长期的变化趋势以及异常的数据变化特征，将拟合得到的变化趋势和数据变化特征使用时序分解得到最终的季节项和残差，利用分解后的季节项使用ARIMA预测模型获取最终电商订单数据的准确趋势和季节预测，根据之后电商产品的趋势以及预测结果获取未来可能为异常订单的订单数据，以此完成电商订单数据的管理。

本发明的有益效果是：本发明针对于当前电商订单数据场景，对于传统时序分解进行改进，分析订单数据自适应定义最优拟合处理核函数得到拟合权值，个性化实现保留影响程度较大的异常数据，损失影响程度较小的异常数据，这样进行时序分解时可以得到最优的时序分解结果；实现最终电商订单数据的准确趋势或季节预测及管理。

附图说明

为了更清楚地说明本发明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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种电商订单数据智能管理方法的流程示意图。

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，其示出了本发明一个实施例提供的一种电商订单数据智能管理方法流程图，该方法包括以下步骤：

步骤S001，采集电商订单数据获取金额序列和状态序列。

电商订单数据包含多种指标；例如订单号、下单时间、支付信息、订单金额、订单状态等等；其中各类指标反应出不同的订单信息，而通常对于订单数据管理和预测是由订单的金额和状态决定的，其通过准确地预测订单的金额能够帮助电商企业进行销售预测和财务规划。

通过了解未来订单的金额，企业可以合理安排采购、生产计划和资金调配，以满足需求并降低风险。并且通过对订单金额的预测，帮助企业优化定价策略，平衡盈利；重要的是可以帮助企业识别高风险的订单，例如高额的异常订单可能暗示着欺诈行为；及时发现和管理该类订单可以有效地降低风险；而通常情况下异常订单数据的识别除过订单金额之外，还需结合订单状态而定，例如在风险评估中金额较小的订单若状态为已取消或已退款；其风险程度就会更相对更低，分解拟合时也可忽略此类异常数据点，无需引起过多的关注。

因此，对于订单状态和订单金额根据时间顺序依次采集，所述根据时间顺序是指，在存在订单的时刻，进行采集，将采集的订单按照时间排序，若同一时刻存在多个订单，则订单按照订单支付状态排序，所述支付状态中已支付排最前面，若存在多个相同的订单状态，则随机排序，并将其分别存放在序列中得到状态序列以及金额序列：

式中，表示金额序列，/>表示状态序列，金额序列中每个序列值为每个时刻采集的订单金额，状态序列中每个序列值为每个时刻采集的订单状态。

至此，获取了金额序列和状态序列。

步骤S002，根据金额序列和状态序列构造三维时序空间。

上述步骤采集获取得到订单数据中对于预测和管理重要且具有一定相关性的数据指标；传统仅通过二维时序空间对订单金额进行分析和评测的局限性相对较低，无法具体区分订单异常类型，得到的拟合效果存在偏差，因此在本实施例中结合订单状态和订单金额构建三维时序空间进行映射处理。

具体的，为了能够建立三维时序空间，提供更加全面的数据信息，首先需要进行维度的量级同一操作，将获取的金额序列中的所有序列值进行最大最小值归一化处理，具体公式为：

式中，表示金额序列中第i个数据点的序列值，/>表示金额序列中最小的序列值，/>表示金额序列中最大的序列值，/>表示金额序列中第i个数据点的序列值归一化后的值。

除了订单金额外，对订单状态也归一化，而对于订单状态信息而言，由于其为字符串类型信息因此需要根据其对订单数据造成的影响进行量化处理，已知订单状态主要分为：已下单、已支付、已取消和已退款；根据状态类型距离订单成交的最终步骤由多到少进行排序，所述排序结果为：已退款，已取消，已下单，已支付，将四种订单状态从大到小依次递减0.25进行赋值，将订单状态为已退款赋值为1，其余按照排序依次递减0.25，已支付的赋值为0.25。

将订单金额、订单状态和时序构成三维时序空间，三维时序空间中x轴为订单时间，y轴为订单状态的赋值，z轴为归一化后的订单金额归一化后的值。

至此，获取了三维时序空间。

步骤S003，在三维时序空间中每个点记为空间数据点，根据空间数据点的金额值差异获取空间数据点的金额异常程度；获取待拟合点和拟合窗口，根据待拟合点和拟合窗口内空间数据点的金额值与时序值的差异以及空间数据点的状态值获取空间数据点与待拟合点的聚集因子；根据金额异常程度获取一类数据点和二类数据点，将一类数据点和二类数据点结合聚集因子获取拟合权值。

在构建的多维时序空间中获取最优拟合处理核函数需要满足其能够根据数据点的分布特征，实现自适应拟合，放大异常订单中影响程度较大的数据点且削弱异常订单中影响程度较小的数据点；通常异常订单中影响程度较大的数据为异常的高额订单或低额订单；异常的高额订单可能暗示着欺诈行为，而异常的低额订单可能为系统错误或虚假交易。上述该类异常数据需要额外的审核和验证，以确保交易的合法性和可靠性且及时发现和处理可降低风险，保护企业免受潜在风险。而若当前异常的高额或低额数据订单状态越趋于1即已退款时，则说明当前订单为支付错误或取消支付订单，其可通过自动化流程进行快速解决，无需额外投入大量资源处理和评估。而相反，对于非异常高额或低额订单数据（正常金额订单数据）其订单状态越趋于1，则相对越异常，需要在拟合时放大该类异常。

具体的，在三维时序空间中，每个点记为空间数据点，空间数据点存在三个值，分别为状态值，金额值，时序值，所述状态值为该空间数据点对应的订单状态的赋值，所述金额值为该空间数据点在金额序列的序列值归一化后的值，所述时序值为该空间数据点在序列中的位次，对于空间数据点的金额值，获取所有空间数据点的金额值均值，再计算所有空间数据点的差异均值，由此来反映单个空间数据点的金额异常程度，公式如下：

式中，表示所有空间数据点的金额值的均值，/>表示第i个空间数据点的金额值，/>表示第o个空间数据点的金额值，/>表示线性归一化函数，/>表示空间数据点的数量，/>表示第o个空间数据点的金额异常程度。

表示空间数据点的金额值与金额值均值的差异均值；表示当前空间数据点的金额值与金额差异均值的差异大小，该值越大则表示当前空间数据点对应的金额值越异常，在本实施例中令异常阈值为0.6，若金额异常程度大于0.6，则表示当前空间数据点的金额异常程度较高。

对于每一个空间数据点都作为一个待拟合点，以待拟合点为中心获取拟合窗口，且使用交叉验证法评估获取的窗口大小得到拟合窗口，所述交叉验证法是通过多个不同的窗口大小模型获取最佳窗口大小，其为公知技术在此不做赘述，后续所述的空间数据点为在拟合窗口内的空间数据点；根据每个空间数据点的金额值、时序值与待拟合点的金额值、时序值的差异以及空间数据点的状态值获取每个空间数据点与待拟合点的聚集因子，公式如下：

式中，表示待拟合点的时序值，/>表示待拟合点的金额值，/>表示第j个空间数据点的时序值，/>表示第j个空间数据点的金额值，/>表示线性归一化函数，/>表示第j个空间数据点的状态值，/>和/>表示权重参数，/>表示第j个空间数据点与待拟合点的聚集因子。在本实施例中将权重参数都赋值为0.5。

对拟合窗口内除待拟合点的各空间数据点进行上述聚集因子的计算；得到的结果大小即为每个空间数据点在拟合窗口内距离待拟合点的距离程度即聚集程度值；理论上，该值越大表示越离散，在传统的三角核函数计算权重时会对其进行较小权重的分配；而由于该场景下的特殊性；需要将该步骤计算所得结果与上述所得金额异常程度进行整合评价；得到最终的核函数拟合规则。

对于所有空间数据点，将空间数据点分为两类，若空间数据点的金额异常程度大于0.6，那么记该空间数据点为一类数据点，若空间数据点的金额异常程度小于等于0.6，那么记该空间数据点为二类数据点。

其中一类数据点表示金额异常的数据点，会出现异常高额或低额情况，若该数据点对应的订单状态越趋近与1，则越有可能为支付错误或取消支付订单，认为其重要程度较低，此时获取的一类数据点的聚集因子越大，对于一类数据点要分配较低的拟合权值；若该数据点对应的订单状态越趋近与0，则越有可能为已支付订单，认为其重要程度较高，此时获取的一类数据点的聚集因子越大，对于一类数据点要分配较高的拟合权值。

二类数据点为正常数据点，若该数据点对应的订单状态趋近与0，则越趋近与已支付，认为当前数据点的异常程度较低，反之越趋近于1则异常程度较高，由此获取了不同空间数据点在最优拟合核函数的权值，公式如下：

式中，表示第j个空间数据点与待拟合点的聚集因子，/>表示第j个空间数据点的金额异常程度，/>表示以自然常数为底的指数函数，/>表示双曲线正切函数，/>表示第j个空间数据点的拟合权值。在此获取每个数据点权值的函数即为最优拟合核函数即核函数拟合规则。

至此，获取了每个空间数据点在最优拟合核函数下的拟合权值。

步骤S004，根据每个空间数据点的拟合权值完成对电商订单数据的智能管理。

根据所获得核函数拟合规则和每个空间数据点的拟合权值，拟合得到数据长期的变化趋势以及异常的数据变化特征，再将拟合得到的变化趋势和数据变化特征使用时序分解得到最终的季节项和残差，获得最优的时序分解结果；使用时序分解后，利用分解后的季节项使用ARIMA预测模型获取最终电商订单数据的准确趋势和季节预测；根据之后电商产品的趋势以及预测结果获取未来可能为异常订单的订单数据，在相应趋势中关注可能为异常订单的订单数据，以此完成电商订单数据的管理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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)

1.一种电商订单数据智能管理方法，其特征在于，该方法包括以下步骤：

采集电商订单数据获取金额序列和状态序列；

根据金额序列和状态序列构造三维时序空间；

在三维时序空间中每个点记为空间数据点，根据空间数据点的金额值差异获取空间数据点的金额异常程度；获取待拟合点和拟合窗口，根据待拟合点和拟合窗口内空间数据点的金额值与时序值的差异以及空间数据点的状态值获取空间数据点与待拟合点的聚集因子；根据金额异常程度获取一类数据点和二类数据点，将一类数据点和二类数据点结合聚集因子获取拟合权值；

根据每个空间数据点的拟合权值完成对电商订单数据的管理；

所述根据空间数据点的金额值差异获取空间数据点的金额异常程度的方法为：

式中，表示所有空间数据点的金额值的均值，/>表示第i个空间数据点的金额值，表示第o个空间数据点的金额值，/>表示以自然常数为底的指数函数，/>表示空间数据点的数量，/>表示第o个空间数据点的金额异常程度。

2.根据权利要求1所述的一种电商订单数据智能管理方法，其特征在于，所述获取金额序列和状态序列的方法为：

金融序列为每个时刻采集到的订单金额按照时间顺序排序得到的序列；

状态序列为每个时刻对应的订单状态按照时间顺序排序得到的序列，状态序列共有已退款，已取消，已下单，已支付四种订单状态。

3.根据权利要求2所述的一种电商订单数据智能管理方法，其特征在于，所述根据金额序列和状态序列构造三维时序空间的方法为：

将金额序列中的序列值进行最大最小值归一化，将状态序列的四种状态排序，所述排序为距离订单成交的距离越大，排序越靠前；将排序后的四种状态进行赋值，赋值从大到小依次递减预设数值，其最大值为1；

将三维时序空间中x轴记为订单时间，y轴记为订单状态的赋值，z轴记为金额序列中归一化后的序列值。

4.根据权利要求3所述的一种电商订单数据智能管理方法，其特征在于，所述空间数据点的获取方法为：

空间数据点由状态值、金额值、时序值构成；

所述状态值为状态序列中订单状态的赋值，所述金额值为金额序列中归一化后的序列值，所述时序值为采集空间数据点的时刻。

5.根据权利要求1所述的一种电商订单数据智能管理方法，其特征在于，所述根据待拟合点和拟合窗口内空间数据点的金额值与时序值的差异以及空间数据点的状态值获取空间数据点与待拟合点的聚集因子的方法为：

式中，表示待拟合点的时序值，/>表示待拟合点的金额值，/>表示拟合窗口内第j个空间数据点的时序值，/>表示拟合窗口内第j个空间数据点的金额值，/>表示线性归一化函数，/>表示拟合窗口内第j个空间数据点的状态值，/>和/>表示权重参数，表示拟合窗口内第j个空间数据点与待拟合点的聚集因子。

6.根据权利要求1所述的一种电商订单数据智能管理方法，其特征在于，所述将一类数据点和二类数据点结合聚集因子获取拟合权值的方法为：

对于一类像素点，将聚集因子带入反比例函数中获取一类像素点对应的拟合权值，对于二类像素点，奖聚集因子带入双曲线正切函数获取二类像素点的拟合权值。

7.根据权利要求1所述的一种电商订单数据智能管理方法，其特征在于，所述根据金额异常程度获取一类数据点和二类数据点的方法为：

若空间数据点的金额异常程度大于预设阈值，那么记该空间数据点为一类数据点，若空间数据点的金额异常程度小于等于预设阈值，那么记该空间数据点为二类数据点。

8.根据权利要求1所述的一种电商订单数据智能管理方法，其特征在于，所述获取待拟合点和拟合窗口的方法为：

对于每一个空间数据点都作为一个待拟合点，以待拟合点为中心获取拟合窗口，且使用交叉验证法评估获取的窗口大小得到拟合窗口。

9.根据权利要求1所述的一种电商订单数据智能管理方法，其特征在于，所述根据每个空间数据点的拟合权值完成对电商订单数据的管理的方法为：

根据所得的拟合权值获取电商订单数据长期的变化趋势以及异常的数据变化特征，将拟合得到的变化趋势和数据变化特征使用时序分解得到最终的季节项和残差，利用分解后的季节项使用ARIMA预测模型获取最终电商订单数据的准确趋势和季节预测，根据之后电商产品的趋势以及预测结果获取未来可能为异常订单的订单数据，以此完成电商订单数据的管理。