CN117078294B - 一种基于云计算的大数据信息智能分析方法及系统 - Google Patents
一种基于云计算的大数据信息智能分析方法及系统 Download PDFInfo
- Publication number
- CN117078294B CN117078294B CN202311311278.6A CN202311311278A CN117078294B CN 117078294 B CN117078294 B CN 117078294B CN 202311311278 A CN202311311278 A CN 202311311278A CN 117078294 B CN117078294 B CN 117078294B
- Authority
- CN
- China
- Prior art keywords
- data
- return
- commodity
- customer
- cloud computing
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 43
- 230000003542 behavioural effect Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000009223 counseling Methods 0.000 claims description 5
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云计算的大数据信息智能分析方法及系统,涉及大数据信息的技术领域,系统通过在大数据中记录和采集用户在移动终端上的在线购物相关数据信息,使系统能够实时获取丰富并有用的信息;随后将对采集的数据进行解析、处理和特征提取,并通过无量纲化技术对数据进行统一格式化;通过多维度的采集相关数据信息,最终生成出退货评估指数;同时,使用历史购物数据计算平均阈值Q,并根据平均阈值Q选择第一评估阈值Q1和第二评估阈值Q2,这有助于对建立不同退货风险水平做进一步分类,并制定相应的退货风险管控方案和智能决策手段,反馈模块起到了及时提醒和改善的作用,以便购物平台尽早察觉问题。
Description
技术领域
本发明涉及大数据信息的技术领域,具体为一种基于云计算的大数据信息智能分析方法及系统。
背景技术
在当今信息时代,随着云计算技术的迅猛发展和大数据的快速积累,以及电子商务的快速发展,顾客移动终端的线上购物已成为日常生活的一部分,这便使得企业和电子商务平台面临着巨大的数据分析和管理挑战,这些数据包括了从顾客移动终端在线上购物过程中产生的海量信息,具体来说,这些数据包括用户在购物平台上的点击、浏览、搜索、下单、付款等行为信息。然而,在这一领域中,顾客退货问题一直是一个棘手的挑战。
退货不仅会给商家带来额外的成本,还可能影响购物体验和平台声誉。目前,许多电子商务平台和零售商通常基于经验和固定化规则来判断顾客存在的退货风险问题,然而,基于后台人员的经验和固定化规则很容易受到主观判断的影响,难以进一步的准确评估顾客的退货风险,缺乏针对性和智能化。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于云计算的大数据信息智能分析方法及系统,解决了背景技术中提到的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于云计算的大数据信息智能分析系统,包括信息采集模块、数据处理模块、云计算分析模块、退货控制模块和反馈模块;
所述信息采集模块用于记录和采集大数据中用户通过移动终端在线上采购商品的相关行为数据和商品相似数据,并将采集来的数据实时传输至购物数据集中;
所述数据处理模块用于对收集的相关行为数据和商品相似数据,进行解析处理与特征提取,包括处理缺失数据和提取有用数据信息,并将提取后的数据信息通过无量纲处理技术对其不同尺度或单位进行标准化处理;
所述云计算分析模块用于将处理后的相关行为数据和商品相似数据进行深度学习计算,获得:文字相似度、图片相似度/>、价位/>、退货次数/>以及更换次数,并通过云计算服务平台,进行计算学习,获取:退货评估指数/>,所述退货评估指数通过以下公式获得:
;
式中,表示为相似系数,/>表示为行为系数,/>表示为重复购买次数,和/>分别表示为相似系数/>、行为系数/>和重复购买次数/>的权重值,其中,/>,/>,/>,且/>,/>表示为常数修正系数;
所述退货控制模块用于将截取用户历史时间段内的每日、每周或每个月在线上采购商品的相关行为数据和商品相似数据,生成历史购物数据并计算平均值,获得平均阈值Q,并依据平均阈值Q选取出第一评估阈值Q1和第二评估阈值Q2;将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案,并生成相应的智能决策手段;
所述反馈模块用于将对比结果进行实时反馈,反馈给购物平台和商家后台,以便及时发现与改善平台的漏洞以及自家商品展示的不足之处。
优选的,所述信息采集模块包括行为数据单元和相似数据单元;
通过记录和采集用户通过在移动终端上操作的购物信息,生成购物数据集,所述购物数据集包括相关行为数据和商品相似数据;
所述行为数据单元用于采集用户移动终端中相关行为数据,包括用户不小心重复购买相同的商品次数、退货的频率、用户更换付款渠道或者注册账号的次数、购买频率以及用户咨询客户是否包运费险相关数据信息;
所述相似数据单元用于收集用户在移动终端中购买两件或多件商品的相似数据,其中包括:商品的文字介绍、商品的图片展示、使用说明、保修信息、商品价位、重量、颜色以及材质相关数据信息。
优选的,所述数据处理模块包括图像处理单元、文段处理单元和统一化处理单元;
所述图像处理单元用于将相似数据单元中采集获取的商品图片展示数据信息进行特征提取,提取图片之间图片的相似程度,包括颜色的饱和度、纹理、拍摄商品图片的角度和视角;
所述文段处理单元用于将相似数据单元中采集获取的商品文字介绍数据信息进行特征提取,提取图片之间文段介绍的相似程度,包括商品使用季节和场景、商品类型以及产品的时尚和流行趋势;
所述统一化处理单元用于利用无量纲化处理技术将信息采集模块中的数据信息进行统一格式化,以使采集来的数据信息适合不同的统计和机器学习算法。
优选的,所述云计算分析模块用于通过云平台中的云计算技术,进行算法模型训练和分析,以获取:类型因子、相似系数/>和行为系数/>,并将相似系数/>和行为系数/>相关联,获取:退货评估指数/>。
优选的,将商品价位与饱和度/>相关联,并进行无量纲处理后获得类型因子,所述类型因子/>通过以下公式获得:
;
式中,表示为重量,/>表示为商品价位,/>表示为饱和度,/>和/>分别表示为重量/>、商品价位/>和饱和度/>的权重值,/>表示为常数修正系数,其中,,/>,/>,且/>。
优选的,结合所述类型因子所获得来的结果进行计算,并进行无量纲处理后,所述相似系数/>通过以下公式获得:
;
式中,表示为文字相似度,/>表示为图片相似度,/>和/>均表示为权重值,表示为常数修正系数,其中,/>,/>,且/>。
优选的,将退货次数与更换次数/>相关联,并进行无量纲处理后,所述行为系数/>通过以下公式获得:
;
式中,表示为同类商品购买数量,/>表示为咨询次数,/>和/>均表示为权重值,/>表示为常数修正系数,其中,/>,/>,且/>。
优选的,依据平均阈值Q选取出第一评估阈值Q1和第二评估阈值Q2,且使第一评估阈值Q1大于第二评估阈值Q2,平均阈值Q大于第二评估阈值Q2;并通过将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案:
若退货评估指数≤第二评估阈值Q2时,表示为顾客处于低退货风险状态,顾客的购买行为与正常购物习惯相符;此时平台将不采取额外的风险管控措施,并正常履行订单;
若第二评估阈值Q2<退货评估指数≤平均阈值Q时,表示为顾客的退货风险处于中等水平,此时顾客当月退货未超过三次时,处于免费退换货状态,同时增加顾客订单的确认步骤以及与客户联系来核实信息;
若平均阈值Q<退货评估指数≤第一评估阈值Q1时,表示为顾客处于中高退货风险状态,顾客存在异常行为或多次退货的情况,此时顾客当月退货超过三次,当月后续的退货将自行承担退回商品的运费;
若第一评估阈值Q1<退货评估指数时,表示为顾客处于高退货风险状态,顾客存在退货滥用的情况,此时将顾客子在进行退货时将要求额外的身份验证,同时取消当月对此顾客的优惠服务。
优选的,所述反馈模块用于依据退货评估指数所获得的结果进行反馈业务,分别反馈给购物平台和商家后台,并采取相应的措施,以改进购物体验、降低退货率和优化运营。
优选的,一种基于云计算的大数据信息智能分析方法,包括以下步骤,
步骤一、通过信息采集模块将收集大数据中用户在移动终端中采购商品的相关数据信息,并将其传输至购物数据集中;
步骤二、通过数据处理模块将收集来的相关数据进行图片处理、文段处理以及通过无量纲化处理技术将整体数据进行统一化处理;
步骤三、通过云计算分析模块将通过云平台中的云计算技术,进行算法模型训练和分析,以获取:类型因子、相似系数/>和行为系数/>,并将相似系数/>和行为系数/>相关联,获取:退货评估指数/>;
步骤四、通过退货控制模块将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案,并生成相应的智能决策手段;
步骤五、通过反馈模块将步骤四中的计算结果实时的反馈给购物平台和商家后台,帮助购物平台和商家更好地理解客户的行为和风险。
(三)有益效果
本发明提供了一种基于云计算的大数据信息智能分析方法及系统,具备以下有益效果:
(1)该一种基于云计算的大数据信息智能分析系统,针对大数据中所记录的顾客在移动终端上的在线购物相关数据信息,有助于建立购物数据集,为后续分析提供了数据基础;通过无量纲化技术对数据进行统一格式化,以便确保数据的质量和一致性,为后续分析提供了高质量的数据;通过多维度的采集相关数据信息,最终生成出退货评估指数,并且通过深度学习计算和云计算技术的结合进一步提高了评估的准确性;基于云技术的信息智能分析系统可以进一步的高效评估退货评估指数/>,相对于后台工作人员基于的经验和规则,能及时发现顾客退货存在的异常问题,并通过智能决策手段,及时做出相应的决策手段,使得顾客谨慎购物,退货时谨慎退货,从而进一步降低了退货率,减少了商家的成本和资源浪费。
(2)该一种基于云计算的大数据信息智能分析系统,通过设定第一评估阈值Q1和第二评估阈值Q2,系统将顾客分为不同的风险等级,包括低、中等、中高和高退货风险等级,有助于商家更精准地识别高风险顾客,采取相应的管理措施,对于低退货风险顾客,系统可以不采取额外的风险管控措施,从而节省了运营成本,对于中等风险用户,系统可以增加确认步骤和信息核实,减少潜在的退货风险,降低了退货率,进一步降低了成本,对于高退货风险用户,系统要求额外的身份验证,以便减少退货滥用行为,同时也可以保护商家的权益,避免不必要的损失;总之针对不同风险等级的顾客采取不同的服务和体验,减少退货滥用的现象发生。
(3)该一种基于云计算的大数据信息智能分析方法,根据步骤以至步骤五的布局,首先,采集顾客的购物数据,然后对数据进行处理和标准化;接下来,通过云计算技术分析数据,生成退货评估指数,通过将其和第一评估阈值Q1与第二评估阈值Q2对比分析,制定用户退货风险管理策略,并将结果反馈给购物平台和商家,以改善服务和降低风险。
附图说明
图1为本发明一种基于云计算的大数据信息智能分析系统框图流程示意图;
图2为本发明一种基于云计算的大数据信息智能分析方法步骤示意图。
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。
在当今信息时代,随着云计算技术的迅猛发展和大数据的快速积累,以及电子商务的快速发展,顾客移动终端的线上购物已成为日常生活的一部分,这便使得企业和电子商务平台面临着巨大的数据分析和管理挑战,这些数据包括了从顾客移动终端在线上购物过程中产生的海量信息,具体来说,这些数据包括用户在购物平台上的点击、浏览、搜索、下单、付款等行为信息。然而,在这一领域中,顾客退货问题一直是一个棘手的挑战。
退货不仅会给商家带来额外的成本,还可能影响购物体验和平台声誉。目前,许多电子商务平台和零售商通常基于经验和固定化规则来判断顾客存在的退货风险问题,然而,基于后台人员的经验和固定化规则很容易受到主观判断的影响,难以进一步的准确评估顾客的退货风险,缺乏针对性和智能化。
实施例1
请参阅图1,本发明提供一种基于云计算的大数据信息智能分析系统,包括信息采集模块、数据处理模块、云计算分析模块、退货控制模块和反馈模块;
信息采集模块用于记录和采集大数据中用户通过移动终端在线上采购商品的相关行为数据和商品相似数据,并将采集来的数据实时传输至购物数据集中;
数据处理模块用于对收集的相关行为数据和商品相似数据,进行解析处理与特征提取,包括处理缺失数据和提取有用数据信息,并将提取后的数据信息通过无量纲处理技术对其不同尺度或单位进行标准化处理;
云计算分析模块用于将处理后的相关行为数据和商品相似数据进行深度学习计算,获得:文字相似度、图片相似度/>、价位/>、退货次数/>以及更换次数/>,并通过云计算服务平台,进行计算学习,获取:退货评估指数/>,退货评估指数/>通过以下公式获得:
;
式中,表示为相似系数,/>表示为行为系数,/>表示为重复购买次数,和/>分别表示为相似系数/>、行为系数/>和重复购买次数/>的权重值,其中,/>,/>,/>,且/>,/>表示为常数修正系数;
退货控制模块用于将截取用户历史时间段内的每日、每周或每个月在线上采购商品的相关行为数据和商品相似数据,生成历史购物数据并计算平均值,获得平均阈值Q,并依据平均阈值Q选取出第一评估阈值Q1和第二评估阈值Q2;将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案,并生成相应的智能决策手段;
反馈模块用于将对比结果进行实时反馈,反馈给购物平台和商家后台,以便及时发现与改善平台的漏洞以及自家商品展示的不足之处。
本系统运行中,系统通过在大数据中记录和采集用户在移动终端上的在线购物相关数据信息,使系统能够实时获取丰富并有用的信息;随后将对采集的数据进行解析、处理和特征提取,并通过无量纲化技术对数据进行统一格式化;通过多维度的采集相关数据信息,最终生成出退货评估指数;同时,使用历史购物数据计算平均阈值Q,并根据平均阈值Q选择第一评估阈值Q1和第二评估阈值Q2,这有助于对建立不同退货风险水平做进一步分类,并制定相应的退货风险管控方案和智能决策手段;反馈模块起到了及时提醒和改善的作用,将针对用户的退货风险管控方案反馈给购物平台和商家后台,以便购物平台尽早察觉问题并改进服务和产品推荐,同时也帮助商家改进商品展示和减少漏洞。
实施例2
请参照图1,具体的:信息采集模块包括行为数据单元和相似数据单元;
通过记录和采集用户通过在移动终端上操作的购物信息,生成购物数据集,购物数据集包括相关行为数据和商品相似数据;
行为数据单元用于采集用户移动终端中相关行为数据,包括用户不小心重复购买相同的商品次数、退货的频率、用户更换付款渠道或者注册账号的次数、购买频率以及用户咨询客户是否包运费险相关数据信息;
相似数据单元用于收集用户在移动终端中购买两件或多件商品的相似数据,其中包括:商品的文字介绍、商品的图片展示、使用说明、保修信息、商品价位、重量、颜色以及材质相关数据信息。
数据处理模块包括图像处理单元、文段处理单元和统一化处理单元;
图像处理单元用于将相似数据单元中采集获取的商品图片展示数据信息进行特征提取,提取图片之间图片的相似程度,包括颜色的饱和度、纹理、拍摄商品图片的角度和视角;
文段处理单元用于将相似数据单元中采集获取的商品文字介绍数据信息进行特征提取,提取图片之间文段介绍的相似程度,包括商品使用季节和场景、商品类型以及产品的时尚和流行趋势;
统一化处理单元用于利用无量纲化处理技术将信息采集模块中的数据信息进行统一格式化,以使采集来的数据信息适合不同的统计和机器学习算法。
本实施例中,通过信息采集模块,系统获得了多样性的用户行为和商品数据,有助于提高数据质量和多样性,为后续分析提供了坚实基础;数据处理模块的图像和文段处理能够提取关键特征,增强了分析的精确度,以便更准确地评估商品和用户行为的相似性,统一化处理单元确保了数据的一致性和可比性,使数据适用于不同的分析算法,从而提高系统的智能化水平,通过更好地理解用户行为和商品相似性,系统可以更准确地评估退货风险,有助于降低退货率,减少商家的成本。
实施例3
请参照图1,具体的:云计算分析模块用于通过云平台中的云计算技术,进行算法模型训练和分析,以获取:类型因子、相似系数/>和行为系数/>,并将相似系数和行为系数/>相关联,获取:退货评估指数/>。
将商品价位与饱和度/>相关联,并进行无量纲处理后获得类型因子/>,类型因子/>通过以下公式获得:
;
式中,表示为重量,/>表示为商品价位,/>表示为饱和度,/>和/>分别表示为重量/>、商品价位/>和饱和度/>的权重值,/>表示为常数修正系数,其中,,/>,/>,且/>。
上述的饱和度指的是购买商品的图片之间的颜色饱和指数,并且重量/>和商品价位/>均通过相似数据单元采集并提取获得;
结合类型因子所获得来的结果进行计算,并进行无量纲处理后,相似系数通过以下公式获得:
;
式中,表示为文字相似度,/>表示为图片相似度,/>和/>均表示为权重值,表示为常数修正系数,其中,/>,/>,且/>。
上述的文字相似度指的是顾客购买两件或多件商品中文段内容的相似程度,并通过NLP技术进行采集获得;
图片相似度指的是顾客买两件或多件商品中图片展示中的相似程度;并通过卷积神经网络等技术进行采集获取;
将退货次数与更换次数/>相关联,并进行无量纲处理后,行为系数/>通过以下公式获得:
;
式中,表示为同类商品购买数量,/>表示为咨询次数,/>和/>均表示为权重值,/>表示为常数修正系数,其中,/>,/>,且/>。
上述的同类商品购买数量指的是顾客购买两件或多件相同或相似的商品数量。
咨询次数指的是顾客在购买商品时向后台客服咨询关于退换货的优惠形式,包括七天无理由退换货物、是否包运费险以及具体包多少费用的运费等。
本实施例中,通过采集商品描述文本和图片,并提取其中的相似特征,生成相似系数,以便系统分析顾客购买不同商品之间的相似性,并且通过计算获得的行为系数将进一步精确的评估了顾客退货的风险。
实施例4
请参照图1,具体的:依据平均阈值Q选取出第一评估阈值Q1和第二评估阈值Q2,且使第一评估阈值Q1大于第二评估阈值Q2,平均阈值Q大于第二评估阈值Q2;并通过将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案:
若退货评估指数≤第二评估阈值Q2时,表示为顾客处于低退货风险状态,顾客的购买行为与正常购物习惯相符;此时平台将不采取额外的风险管控措施,并正常履行订单;
若第二评估阈值Q2<退货评估指数≤平均阈值Q时,表示为顾客的退货风险处于中等水平,此时顾客当月退货未超过三次时,处于免费退换货状态,同时增加顾客订单的确认步骤、与客户联系以核实信息或提供更多的产品信息,以减少潜在的退货风险;
若平均阈值Q<退货评估指数≤第一评估阈值Q1时,表示为顾客处于中高退货风险状态,顾客存在异常行为或多次退货的情况,此时顾客当月退货超过三次,当月后续的退货将自行承担退回商品的运费;
若第一评估阈值Q1<退货评估指数时,表示为顾客处于高退货风险状态,顾客存在退货滥用的情况,此时将顾客子在进行退货时将要求额外的身份验证,同时取消当月对此顾客的优惠服务。
反馈模块用于依据退货评估指数所获得的结果进行反馈业务,分别反馈给购物平台和商家后台,并采取相应的措施,购物平台可以通过优化购物体验,提高顾客满意度和忠诚度。
本实施例中,通过设定不同的阈值,系统将顾客分为不同的风险等级,包括低、中等、中高和高退货风险等级;对于中等风险用户,系统可以增加确认步骤和信息核实,减少潜在的退货风险,降低了退货率,进一步降低了成本,对于高退货风险用户,系统要求额外的身份验证,以便减少退货滥用行为,同时也可以保护商家的权益,避免不必要的损失;总之针对不同风险等级的顾客采取不同的服务和体验,减少退货滥用的现象发生。
实施例5
请参照图1和图2,具体的:一种基于云计算的大数据信息智能分析方法,包括以下步骤,
步骤一、通过信息采集模块将收集大数据中用户在移动终端中采购商品的相关数据信息,并将其传输至购物数据集中;
步骤二、通过数据处理模块将收集来的相关数据进行图片处理、文段处理以及通过无量纲化处理技术将整体数据进行统一化处理;
步骤三、通过云计算分析模块将通过云平台中的云计算技术,进行算法模型训练和分析,以获取:类型因子、相似系数/>和行为系数/>,并将相似系数/>和行为系数/>相关联,获取:退货评估指数/>;
步骤四、通过退货控制模块将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案,并生成相应的智能决策手段;
步骤五、通过反馈模块将步骤四中的计算结果实时的反馈给购物平台和商家后台,帮助购物平台和商家更好地理解客户的行为和风险。
本实施例中,根据步骤以至步骤五的布局,首先,采集顾客的购物数据,然后对数据进行处理和标准化;接下来,通过云计算技术分析数据,生成退货评估指数,通过将其和第一评估阈值Q1与第二评估阈值Q2对比分析,制定用户退货风险管理策略,并将结果反馈给购物平台和商家,以改善服务和降低风险。
示例:一个某某电子商务平台,该电子商务平台内部引入了一种基于云计算的大数据信息智能分析系统,以下是某某电子商务平台的示例:
大数据采集:重量为142;商品价位/>为59;饱和度/>为68%;/>为0.26;/>为0.55;/>为0.56;文字相似度/>为76%;图片相似度/>为85%;/>为0.37;/>为0.53;同类商品购买数量/>为3;咨询次数/>为2;退货次数/>为3;更换次数/>为1;/>为0.37;为0.64;重复购买次数/>为2;/>为0.31;/>为0.46;/>为0.32;/>为5;/>为2;/>为4;/>为7;
通过以上数据,可以进行以计算:
类型因子=/>=36.92+32.45+0.39+2=71.76;
相似系数=/>=1911.76;
行为系数=/>=46.62+22.4+7=76.02;
退货评估指数=/>=256.7;
若平均阈值Q为250,第一评估阈值Q1为270,第二评估阈值Q2为230时,此时,平均阈值Q<退货评估指数≤第一评估阈值Q1,表示为顾客处于中高退货风险状态,顾客存在异常行为或多次退货的情况,此时顾客当月退货超过三次,当月后续的退货将自行承担退回商品的运费。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于云计算的大数据信息智能分析系统,其特征在于:包括信息采集模块、数据处理模块、云计算分析模块、退货控制模块和反馈模块;
所述信息采集模块用于记录和采集大数据中用户通过移动终端在线上采购商品的相关行为数据和商品相似数据,并将采集来的数据实时传输至购物数据集中;
所述信息采集模块包括行为数据单元和相似数据单元;
通过记录和采集用户通过在移动终端上操作的购物信息,生成购物数据集,所述购物数据集包括相关行为数据和商品相似数据;
所述行为数据单元用于采集用户移动终端中相关行为数据,包括用户不小心重复购买相同的商品次数、退货的频率、用户更换付款渠道或者注册账号的次数、购买频率以及用户咨询客户是否包运费险相关数据信息;
所述相似数据单元用于收集用户在移动终端中购买两件或多件商品的相似数据,其中包括:商品的文字介绍、商品的图片展示、使用说明、保修信息、商品价位、重量、颜色以及材质相关数据信息;
所述数据处理模块用于对收集的相关行为数据和商品相似数据,进行解析处理与特征提取,包括处理缺失数据和提取有用数据信息,并将提取后的数据信息通过无量纲处理技术对其不同尺度或单位进行标准化处理;
所述数据处理模块包括图像处理单元、文段处理单元和统一化处理单元;
所述图像处理单元用于将相似数据单元中采集获取的商品图片展示数据信息进行特征提取,提取图片之间图片的相似程度,包括颜色的饱和度、纹理、拍摄商品图片的角度和视角;
所述文段处理单元用于将相似数据单元中采集获取的商品文字介绍数据信息进行特征提取,提取图片之间文段介绍的相似程度,包括商品使用季节和场景、商品类型以及产品的时尚和流行趋势;
所述统一化处理单元用于利用无量纲化处理技术将信息采集模块中的数据信息进行统一格式化,以使采集来的数据信息适合不同的统计和机器学习算法;
所述云计算分析模块用于通过云平台中的云计算技术,进行算法模型训练和分析,以获取:类型因子、相似系数/>和行为系数/>,并将相似系数/>和行为系数/>相关联,获取:退货评估指数/>;
将商品价位与饱和度/>相关联,并进行无量纲处理后获得类型因子/>,所述类型因子/>通过以下公式获得:
;
式中,表示为重量,/>表示为商品价位,/>表示为饱和度,/>和/>分别表示为重量/>、商品价位/>和饱和度/>的权重值,/>表示为常数修正系数,其中,,/>,/>,且/>;
结合类型因子所获得来的结果进行计算,并进行无量纲处理后,所述相似系数通过以下公式获得:
;
式中,表示为文字相似度,/>表示为图片相似度,/>和/>均表示为权重值,/>表示为常数修正系数,其中,/>,/>,且/>;
将退货次数与更换次数/>相关联,并进行无量纲处理后,所述行为系数/>通过以下公式获得:
;
式中,表示为同类商品购买数量,/>表示为咨询次数,/>和/>均表示为权重值,/>表示为常数修正系数,其中,/>,/>,且/>;
所述云计算分析模块用于将处理后的相关行为数据和商品相似数据进行深度学习计算,获得:文字相似度、图片相似度/>、价位/>、退货次数/>以及更换次数/>,并通过云计算服务平台,进行计算学习,获取:退货评估指数/>,所述退货评估指数/>通过以下公式获得:
;
式中,表示为相似系数,/>表示为行为系数,/>表示为重复购买次数,/>和/>分别表示为相似系数/>、行为系数/>和重复购买次数/>的权重值,其中,,/>,/>,且/>,/>表示为常数修正系数;
所述退货控制模块用于将截取用户历史时间段内的每日、每周或每个月在线上采购商品的相关行为数据和商品相似数据,生成历史购物数据并计算平均值,获得平均阈值Q,并依据平均阈值Q选取出第一评估阈值Q1和第二评估阈值Q2;将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案,并生成相应的智能决策手段;
所述反馈模块用于将对比结果进行实时反馈,反馈给购物平台和商家后台,以便及时发现与改善平台的漏洞以及自家商品展示的不足之处。
2.根据权利要求1所述的一种基于云计算的大数据信息智能分析系统,其特征在于:依据平均阈值Q选取出第一评估阈值Q1和第二评估阈值Q2,且使第一评估阈值Q1大于第二评估阈值Q2,平均阈值Q大于第二评估阈值Q2;并通过将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案:
若退货评估指数≤第二评估阈值Q2时,表示为顾客处于低退货风险状态,顾客的购买行为与正常购物习惯相符;此时平台将不采取额外的风险管控措施,并正常履行订单;
若第二评估阈值Q2<退货评估指数≤平均阈值Q时,表示为顾客的退货风险处于中等水平,此时顾客当月退货未超过三次时,处于免费退换货状态,同时增加顾客订单的确认步骤以及与客户联系来核实信息;
若平均阈值Q<退货评估指数≤第一评估阈值Q1时,表示为顾客处于中高退货风险状态,顾客存在异常行为或多次退货的情况,此时顾客当月退货超过三次,当月后续的退货将自行承担退回商品的运费;
若第一评估阈值Q1<退货评估指数时,表示为顾客处于高退货风险状态,顾客存在退货滥用的情况,此时将顾客子在进行退货时将要求额外的身份验证,同时取消当月对此顾客的优惠服务。
3.根据权利要求2所述的一种基于云计算的大数据信息智能分析系统,其特征在于:所述反馈模块用于依据退货评估指数所获得的结果进行反馈业务,分别反馈给购物平台和商家后台,并采取相应的措施,以改进购物体验、降低退货率和优化运营。
4.一种基于云计算的大数据信息智能分析方法,包括上述权利要求1所述的一种基于云计算的大数据信息智能分析系统,其特征在于:包括以下步骤,
步骤一、通过信息采集模块将收集大数据中用户在移动终端中采购商品的相关数据信息,并将其传输至购物数据集中;
步骤二、通过数据处理模块将收集来的相关数据进行图片处理、文段处理以及通过无量纲化处理技术将整体数据进行统一化处理;
步骤三、通过云计算分析模块将通过云平台中的云计算技术,进行算法模型训练和分析,以获取:类型因子、相似系数/>和行为系数/>,并将相似系数/>和行为系数/>相关联,获取:退货评估指数/>;
步骤四、通过退货控制模块将退货评估指数和第一评估阈值Q1与第二评估阈值Q2对比分析,获得用户退货风险管控方案,并生成相应的智能决策手段;
步骤五、通过反馈模块将步骤四中的计算结果实时的反馈给购物平台和商家后台,帮助购物平台和商家更好地理解客户的行为和风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311278.6A CN117078294B (zh) | 2023-10-11 | 2023-10-11 | 一种基于云计算的大数据信息智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311278.6A CN117078294B (zh) | 2023-10-11 | 2023-10-11 | 一种基于云计算的大数据信息智能分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078294A CN117078294A (zh) | 2023-11-17 |
CN117078294B true CN117078294B (zh) | 2023-12-22 |
Family
ID=88711871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311311278.6A Active CN117078294B (zh) | 2023-10-11 | 2023-10-11 | 一种基于云计算的大数据信息智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078294B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106411846A (zh) * | 2016-08-30 | 2017-02-15 | 江苏名通信息科技有限公司 | 一种网络游戏和电子商务的对接系统及方法 |
CN109918517A (zh) * | 2019-03-15 | 2019-06-21 | 南京亿猫信息技术有限公司 | 一种智慧购物系统 |
CN112862565A (zh) * | 2021-01-19 | 2021-05-28 | 上海映荷网络科技有限公司 | 一种基于云计算的跨境电商多平台销售系统 |
CN113706251A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于模型的商品推荐方法、装置、计算机设备和存储介质 |
CN115759796A (zh) * | 2022-09-06 | 2023-03-07 | 王峰 | 一种电子商务评价管理系统 |
CN116777562A (zh) * | 2023-07-10 | 2023-09-19 | 弗兰威尔信息科技(苏州)有限公司 | 一种基于大数据的电子商务ai系统 |
-
2023
- 2023-10-11 CN CN202311311278.6A patent/CN117078294B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106411846A (zh) * | 2016-08-30 | 2017-02-15 | 江苏名通信息科技有限公司 | 一种网络游戏和电子商务的对接系统及方法 |
CN109918517A (zh) * | 2019-03-15 | 2019-06-21 | 南京亿猫信息技术有限公司 | 一种智慧购物系统 |
CN112862565A (zh) * | 2021-01-19 | 2021-05-28 | 上海映荷网络科技有限公司 | 一种基于云计算的跨境电商多平台销售系统 |
CN113706251A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于模型的商品推荐方法、装置、计算机设备和存储介质 |
CN115759796A (zh) * | 2022-09-06 | 2023-03-07 | 王峰 | 一种电子商务评价管理系统 |
CN116777562A (zh) * | 2023-07-10 | 2023-09-19 | 弗兰威尔信息科技(苏州)有限公司 | 一种基于大数据的电子商务ai系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117078294A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648074B (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
CN108573432B (zh) | 用于电子商务的交易监管系统和方法 | |
CN107301592A (zh) | 用于商品替代品发掘的方法及装置 | |
CN108229826A (zh) | 一种基于改进贝叶斯算法的网购风险等级评估方法 | |
WO2014105940A1 (en) | Techniques for measuring video profit | |
CN114782116B (zh) | 基于用户购物习惯的广告推送系统 | |
CN112700265A (zh) | 一种基于大数据处理的反欺诈系统及方法 | |
CN113095853A (zh) | 一种基于大数据的电商信息管理平台 | |
CN112269920A (zh) | 一种用于鉴定刷单的方法 | |
CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
Yuping et al. | New methods of customer segmentation and individual credit evaluation based on machine learning | |
JP2020160710A (ja) | データ処理装置及びデータ処理方法 | |
CN113077320A (zh) | 一种基于用户行为采集分析的商机推荐方法 | |
CN117078294B (zh) | 一种基于云计算的大数据信息智能分析方法及系统 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
CN116957691A (zh) | 针对电商商家商品的跨平台智能广告投放方法及系统 | |
CN116739652A (zh) | 一种服装电商销量预测建模方法 | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
CN115936819A (zh) | 一种商品打分系统及建立方法 | |
CN115563176A (zh) | 一种电子商务数据处理系统及方法 | |
CN114971083A (zh) | 一种货物购买预测出售的方法 | |
CN106447436A (zh) | 一种移动电子商务图像搜索购物方法 | |
Tanaka et al. | Automatic generation method to derive for the design variable spaces for interactive genetic algorithms | |
CN111144986B (zh) | 一种基于分享行为的社交电商网站商品推荐方法及装置 | |
CN117236996B (zh) | 一种基于大数据分析的用户行为预测方法和系统 |
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 |