CN117273579A - 一种基于大数据的电商商品溯源管理系统 - Google Patents
一种基于大数据的电商商品溯源管理系统 Download PDFInfo
- Publication number
- CN117273579A CN117273579A CN202311030052.9A CN202311030052A CN117273579A CN 117273579 A CN117273579 A CN 117273579A CN 202311030052 A CN202311030052 A CN 202311030052A CN 117273579 A CN117273579 A CN 117273579A
- Authority
- CN
- China
- Prior art keywords
- commodity
- abnormal
- target
- transportation
- commerce merchant
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 claims abstract description 235
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000005856 abnormality Effects 0.000 claims abstract description 53
- 238000007726 management method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012546 transfer Methods 0.000 claims description 48
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 230000003111 delayed effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000012805 post-processing Methods 0.000 description 3
- 230000000246 remedial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (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
本发明涉及电商商品溯源管理领域,具体公开一种基于大数据的电商商品溯源管理系统,本发明通过获取目标电商商家中各订单商品的物流信息,判断目标电商商家中各订单商品的物流是否异常,进一步获取目标电商商家中各异常商品的物流异常类型;将目标电商商家中快递丢件异常的各异常商品的快递单号、最后途经中转站点和最后途经中站转点的操作人员信息发送给目标电商商家;分析目标电商商家各指定异常商品的各备选运输方案的推荐系数,得到目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长,及时发现电商商品物流异常并处理,实现电商商品流通环节的溯源管理,从而加强用户满意度和商家品牌形象的建设。
Description
技术领域
本发明涉及电商商品溯源管理领域,涉及到一种基于大数据的电商商品溯源管理系统。
背景技术
电商商品溯源是指通过使用信息技术手段,跟踪和记录商品的生产加工、流通和销售等全过程,以获取商品真实的来源和相关信息。其中流通环节是电商商品溯源的重要环节,用于追溯商品的物流运输路径、仓储环节、中转站点等信息,对电商商品的流通环节进行管理,可以提高电商商品运输的时效性,同时电商平台和供应商也能对商品进行管理和控制,加强用户满意度和商家品牌形象的建设。
现有的电商商品流通环节的溯源管理方法大都基于消费者的反馈投诉才发现电商商品的物流异常,不能提前监测和处理,进而不能由事后处理转为事前干预以减少消费者的差评率,因此,存在一些不足之处:一方面,当电商商品在运输途中丢件时,不能及时发现并将相关的中转站点和中转站点操作人员信息反馈给电商商家,进而电商商家不能及时溯源和实施补发货等补救措施,给电商商家造成损失,大大降低消费者的满意度,也影响电商商家的口碑和声誉。
另一方面,当电商商品在运输途中因交通事故或自然灾害等原因出现运输缓慢或停滞等异常时,没有及时监测到并提供适宜的备选运输方案给电商商家,进而无法在运输延误的特殊情况下确保电商商品能尽快寄送给消费者,从而消费者的体验感和满意度比较低。
发明内容
针对上述问题,本发明提出了一种基于大数据的电商商品溯源管理系统,实现对电商商品溯源管理的功能。
本发明解决其技术问题采用的技术方案是:本发明提供一种基于大数据的电商商品溯源管理系统,包括:商品物流信息获取模块:用于获取目标电商商家中各订单商品的物流信息,其中物流信息包括发货地址、收货地址、揽件时间、运输公司、运输方式、运输路径和当前运输位置。
商品物流异常判断模块:用于根据目标电商商家中各订单商品的物流信息,判断目标电商商家中各订单商品的物流是否存在异常,若存在异常,获取目标电商商家中物流异常的各订单商品,将其记为目标电商商家中各异常商品。
商品物流异常类型识别模块:用于获取目标电商商家中各异常商品的物流异常类型,若物流异常类型为快递丢件异常,则执行一类物流异常处理模块,若物流异常类型为运输延误异常,则执行二类物流异常处理模块。
一类物流异常处理模块:用于获取目标电商商家中快递丢件异常的各异常商品的快递单号、最后途经中转站点和最后途经中站转点的操作人员信息,将其发送至目标电商商家。
二类物流异常处理模块:用于将目标电商商家中运输延误异常的各异常商品记为目标电商商家的各指定异常商品,获取目标电商商家各指定异常商品的各备选运输方案,分析目标电商商家各指定异常商品的各备选运输方案的推荐系数,得到目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长,将其发送至目标电商商家。
数据库:用于存储各运输公司各运输方式对应的单位路程的费用和运输速度,并存储中转站点的参考中转所需时长和各天气类型对应的运输影响因子。
在上述实施例的基础上,所述商品物流信息获取模块的具体过程为:设定监测周期的时长,获取监测周期内目标电商商家在电商平台售出的各商品,将其记为目标电商商家中各订单商品。
获取目标电商商家中各订单商品的发货地址、收货地址、揽件时间、运输公司、运输方式、运输路径和当前运输位置。
在上述实施例的基础上,所述商品物流异常判断模块的具体分析过程包括:获取目标电商商家中各订单商品运输到当前位置的参考所需时长,并表示为,/>表示第/>个订单商品的编号,/>。
获取目标电商商家中各订单商品运输到当前位置的已行驶路程和途径中转站点的数量,将其分别记为和/>。
通过分析公式得到目标电商商家中各订单商品的物流异常隐患系数/>,其中/>表示预设的物流异常隐患系数的修正因子,/>表示自然常数,/>表示预设的订单商品运输到当前位置的实际所需时长与参考所需时长之间的允许偏差,分别表示预设的单位已行驶路程和单位途径中转站点数量对应的影响因子。
在上述实施例的基础上,所述商品物流异常判断模块的具体分析过程还包括:将目标电商商家中各订单商品的物流异常隐患系数与预设的物流异常隐患系数阈值进行比较,若目标电商商家中某订单商品的物流异常隐患系数大于预设的物流异常隐患系数阈值,则目标电商商家中该订单商品物流存在异常,统计目标电商商家中物流异常的各订单商品,将其记为目标电商商家中各异常商品。
在上述实施例的基础上,所述商品物流异常类型识别模块的具体分析过程为:获取目标电商商家中与各异常商品同运输批次的各订单商品,将其记为目标电商商家中各异常商品的各对照商品。
获取目标电商商家中各异常商品的各对照商品的当前运输位置。
根据目标电商商家中各订单商品的当前运输位置,筛选得到目标电商商家中各异常商品的当前运输位置。
将目标电商商家中各异常商品的当前运输位置与其对应各对照商品的当前运输位置进行比对,若目标电商商家中某异常商品对应的各对照商品均已途径该异常商品当前运输位置对应的相邻下一中转站点,则目标电商商家中该异常商品的物流异常类型为快递丢件异常,反之,则目标电商商家中该异常商品的物流异常类型为运输延误异常,分别统计得到目标电商商家中快递丢件异常和运输延误异常的各异常商品。
在上述实施例的基础上,所述二类物流异常处理模块的具体分析过程包括:将目标电商商家中运输延误异常的各异常商品记为目标电商商家的各指定异常商品。
根据目标电商商家中各订单商品的收货地址和当前运输位置,筛选得到目标电商商家各指定异常商品的收货地址和当前运输位置。
根据目标电商商家各指定异常商品的当前运输位置和收货地址,获取目标电商商家各指定异常商品对应备选的各物流公司的各运输方式的各条运输路经,进一步得到目标电商商家各指定异常商品的各备选运输方案。
在上述实施例的基础上,所述二类物流异常处理模块的具体分析过程还包括:获取目标电商商家各指定异常商品各备选运输方案中运输路径的路程,将其记为,/>表示第/>个指定异常商品的编号,/>,/>表示第/>个备选运输方案的编号,/>。
提取数据库中存储的各运输公司各运输方式对应的单位路程的费用,筛选得到目标电商商家各指定异常商品各备选运输方案对应的单位路程的费用,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的运输费用/>,其中/>表示预设的运输费用的修正量。
在上述实施例的基础上,所述二类物流异常处理模块的具体分析过程还包括:
D1:提取数据库中存储的各运输公司各运输方式对应的运输速度,筛选得到目标电商商家各指定异常商品各备选运输方案对应的运输速度,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的运输所需时长/>,其中/>表示预设的运输所需时长的修正量。
D2:获取目标电商商家各指定异常商品各备选运输方案中运输路径经过的各中转站点,进一步获取目标电商商家各指定异常商品各备选运输方案中运输路径各中转站点的日均中转货物数量,将其记为,/>表示第/>个中转站点的编号,/>。
提取数据库中存储的中转站点的参考中转所需时长,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的中转所需时长/>,其中/>表示预设的中转所需时长的修正量,/>表示预设的中转货物数量的阈值。
D3:获取目标电商商家各指定异常商品各备选运输方案中运输路径经过的地区在当前时间往后设定时长内的天气类型,分析目标电商商家各指定异常商品各备选运输方案的天气影响因子,将其记为。
D4:获取目标电商商家各指定异常商品各备选运输方案中运输路径在当前时间往后设定时长内的平均车流量,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的交通拥堵影响因子/>,其中/>表示预设的车流量阈值。
D5:通过分析公式得到目标电商商家各指定异常商品各备选运输方案的所需总时长/>,其中/>表示预设的所需总时长的补偿量。
在上述实施例的基础上,所述二类物流异常处理模块的具体分析过程还包括:通过分析公式得到目标电商商家各指定异常商品的各备选运输方案的推荐系数/>,其中/>表示预设的推荐系数的修正因子,/>表示备选运输方案的数量,/>分别表示预设的运输费用和所需总时长的权值。
将目标电商商家各指定异常商品的各备选运输方案的推荐系数进行相互比较,将最大推荐系数对应的备选运输方案作为应急运输方案,统计得到目标电商商家各指定异常商品的应急运输方案。
获取目标电商商家各指定异常商品的应急运输方案的所需总时长。
将目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长发送至目标电商商家。
相对于现有技术,本发明所述的一种基于大数据的电商商品溯源管理系统以下有益效果:1.本发明通过获取目标电商商家中各订单商品的物流信息,判断目标电商商家中各订单商品的物流是否存在异常,进一步获取目标电商商家中各异常商品的物流异常类型,并分别进行处理,能够及时发现电商商品物流异常,由事后处理转为事前干预,并对物流异常进行分类讨论,提高应对物流异常风险管理的科学性和高效性。
2.本发明通过获取目标电商商家中快递丢件异常的各异常商品的快递单号、最后途经中转站点和最后途经中站转点的操作人员信息,将其发送至目标电商商家,进而电商商家能够及时溯源和实施补发货等补救措施,减少商家损失,提高消费者的满意度和电商商家的口碑声誉。
3.本发明通过分析目标电商商家各指定异常商品的各备选运输方案的推荐系数,得到目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长,将其发送至目标电商商家,在运输延误的特殊情况下确保电商商品能尽快寄送给消费者,进而提升消费者的体验感和满意度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明的系统模块连接图。
图2为本发明的流程示意图。
图3为本发明的指定异常商品的各备选运输方案构成示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1和图2所示,本发明提供一种基于大数据的电商商品溯源管理系统,包括商品物流信息获取模块、商品物流异常判断模块、商品物流异常类型识别模块、一类物流异常处理模块、二类物流异常处理模块和数据库。
所述商品物流异常判断模块分别与商品物流信息获取模块和商品物流异常类型识别模块连接,商品物流异常类型识别模块分别与一类物流异常处理模块和二类物流异常处理模块连接,数据库与二类物流异常处理模块连接。
所述商品物流信息获取模块用于获取目标电商商家中各订单商品的物流信息,其中物流信息包括发货地址、收货地址、揽件时间、运输公司、运输方式、运输路径和当前运输位置。
进一步地,所述商品物流信息获取模块的具体过程为:设定监测周期的时长,获取监测周期内目标电商商家在电商平台售出的各商品,将其记为目标电商商家中各订单商品。
获取目标电商商家中各订单商品的发货地址、收货地址、揽件时间、运输公司、运输方式、运输路径和当前运输位置。
作为一种优选方案,可以通过电商平台获取目标电商商家中各订单商品的物流信息。
在一个具体实施例中,订单商品的当前运输位置为某中转站点。
在另一个具体实施例中,订单商品的当前运输位置为从一个中转站点到另一个中转站点中间的某个位置。
作为一种优选方案,所述运输方式包括但不限于公路运输、铁路运输、水路运输、航空运输和多式联运等。
所述商品物流异常判断模块用于根据目标电商商家中各订单商品的物流信息,判断目标电商商家中各订单商品的物流是否存在异常,若存在异常,获取目标电商商家中物流异常的各订单商品,将其记为目标电商商家中各异常商品。
进一步地,所述商品物流异常判断模块的具体分析过程包括:获取目标电商商家中各订单商品运输到当前位置的参考所需时长,并表示为,/>表示第/>个订单商品的编号,/>。
作为一种优选方案,获取目标电商商家中各订单商品运输到当前位置的参考所需时长,具体方法为:通过物流运营平台获取目标电商商家中各订单商品对应的运输公司以对应的运输方式和运输路径从发货地址到当前运输位置所需的时长,将其记为目标电商商家中各订单商品运输到当前位置的参考所需时长。
获取目标电商商家中各订单商品运输到当前位置的实际所需时长,并表示为。
作为一种优选方案,获取目标电商商家中各订单商品运输到当前位置的实际所需时长,具体方法为:获取目标电商商家中各订单商品的揽件时间与当前时间之间的间隔时长,将其记为目标电商商家中各订单商品运输到当前位置的实际所需时长。
获取目标电商商家中各订单商品运输到当前位置的已行驶路程和途径中转站点的数量,将其分别记为和/>。
通过分析公式得到目标电商商家中各订单商品的物流异常隐患系数/>,其中/>表示预设的物流异常隐患系数的修正因子,/>表示自然常数,/>表示预设的订单商品运输到当前位置的实际所需时长与参考所需时长之间的允许偏差,/>分别表示预设的单位已行驶路程和单位途径中转站点数量对应的影响因子。
进一步地,所述商品物流异常判断模块的具体分析过程还包括:将目标电商商家中各订单商品的物流异常隐患系数与预设的物流异常隐患系数阈值进行比较,若目标电商商家中某订单商品的物流异常隐患系数大于预设的物流异常隐患系数阈值,则目标电商商家中该订单商品物流存在异常,统计目标电商商家中物流异常的各订单商品,将其记为目标电商商家中各异常商品。
所述商品物流异常类型识别模块用于获取目标电商商家中各异常商品的物流异常类型,若物流异常类型为快递丢件异常,则执行一类物流异常处理模块,若物流异常类型为运输延误异常,则执行二类物流异常处理模块。
进一步地,所述商品物流异常类型识别模块的具体分析过程为:获取目标电商商家中与各异常商品同运输批次的各订单商品,将其记为目标电商商家中各异常商品的各对照商品。
作为一种优选方案,获取目标电商商家中与各异常商品同运输批次的各订单商品,具体方法为:根据目标电商商家中各订单商品的物流信息,筛选得到目标电商商家中各异常商品的物流信息,根据目标电商商家中各异常商品的物流信息,获取目标电商商家中与各异常商品同运输批次的各订单商品。
获取目标电商商家中各异常商品的各对照商品的当前运输位置。
根据目标电商商家中各订单商品的当前运输位置,筛选得到目标电商商家中各异常商品的当前运输位置。
将目标电商商家中各异常商品的当前运输位置与其对应各对照商品的当前运输位置进行比对,若目标电商商家中某异常商品对应的各对照商品均已途径该异常商品当前运输位置对应的相邻下一中转站点,则目标电商商家中该异常商品的物流异常类型为快递丢件异常,反之,则目标电商商家中该异常商品的物流异常类型为运输延误异常,分别统计得到目标电商商家中快递丢件异常和运输延误异常的各异常商品。
作为一种优选方案,获取目标电商商家中与各异常商品同运输批次的各订单商品,具体方法为:以获取目标电商商家中与某异常商品同运输批次的各订单商品的方法为例:将目标电商商家中除该异常商品之外的各订单商品的物流信息与该异常商品的物流信息进行比对,若某订单商品的发货地址、收货地址所在区域、运输公司、运输方式和运输路径均与该异常商品相同且揽件时间接近,则该订单商品与该异常商品同运输批次,统计得到目标电商商家中与该异常商品同运输批次的各订单商品,同理,得到目标电商商家中与各异常商品同运输批次的各订单商品。
作为一种优选方案,两件订单商品的揽件时间接近表示两件订单商品揽件时间之间的间隔时长在设定的时长范围内。
作为一种优选方案,所述收货地址所在区域可以是市级、县级、区级和乡镇级等。
作为一种优选方案,获取异常商品当前运输位置对应的相邻下一中转站点,具体方法为:若异常商品当前运输位置为某中转站点,则将该中转站点的相邻下一中转站点记为异常商品当前运输位置对应的相邻下一中转站点。
若异常商品当前运输位置处于两中转站点之间,则将两中转站点中位置靠后的中转站点记为异常商品当前运输位置对应的相邻下一中转站点。
作为一种优选方案,中转站点包括快递寄存点。
需要说明的是,本发明通过获取目标电商商家中各订单商品的物流信息,判断目标电商商家中各订单商品的物流是否存在异常,进一步获取目标电商商家中各异常商品的物流异常类型,并分别进行处理,能够及时发现电商商品物流异常,由事后处理转为事前干预,并对物流异常进行分类讨论,提高应对物流异常风险管理的科学性和高效性。
所述一类物流异常处理模块用于获取目标电商商家中快递丢件异常的各异常商品的快递单号、最后途经中转站点和最后途经中站转点的操作人员信息,将其发送至目标电商商家。
作为一种优选方案,所述一类物流异常处理模块的具体过程为:通过电商平台获取目标电商商家中快递丢件异常的各异常商品的快递单号,并获取目标电商商家中快递丢件异常的各异常商品最后一次物流更新经过的中转站点和中转站点的操作人员信息,将其分别记为目标电商商家中快递丢件异常的各异常商品的最后途经中转站点和最后途经中转站点的操作人员信息。
将目标电商商家中快递丢件异常的各异常商品的快递单号、最后途经中转站点和最后途经中转站点的操作人员信息发送至目标电商商家。
需要说明的是,本发明通过获取目标电商商家中快递丢件异常的各异常商品的快递单号、最后途经中转站点和最后途经中站转点的操作人员信息,将其发送至目标电商商家,进而电商商家能够及时溯源和实施补发货等补救措施,减少商家损失,提高消费者的满意度和电商商家的口碑声誉。
所述二类物流异常处理模块用于将目标电商商家中运输延误异常的各异常商品记为目标电商商家的各指定异常商品,获取目标电商商家各指定异常商品的各备选运输方案,分析目标电商商家各指定异常商品的各备选运输方案的推荐系数,得到目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长,将其发送至目标电商商家。
进一步地,所述二类物流异常处理模块的具体分析过程包括:将目标电商商家中运输延误异常的各异常商品记为目标电商商家的各指定异常商品。
根据目标电商商家中各订单商品的收货地址和当前运输位置,筛选得到目标电商商家各指定异常商品的收货地址和当前运输位置。
根据目标电商商家各指定异常商品的当前运输位置和收货地址,获取目标电商商家各指定异常商品对应备选的各物流公司的各运输方式的各条运输路经,参阅图3所示,进一步得到目标电商商家各指定异常商品的各备选运输方案。
作为一种优选方案,目标电商商家各指定异常商品的各备选运输方案中的运输公司均为目标电商商家合作的运输公司。
进一步地,所述二类物流异常处理模块的具体分析过程还包括:获取目标电商商家各指定异常商品各备选运输方案中运输路径的路程,将其记为,/>表示第/>个指定异常商品的编号,/>,/>表示第/>个备选运输方案的编号,/>。
提取数据库中存储的各运输公司各运输方式对应的单位路程的费用,筛选得到目标电商商家各指定异常商品各备选运输方案对应的单位路程的费用,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的运输费用/>,其中/>表示预设的运输费用的修正量。
进一步地,所述二类物流异常处理模块的具体分析过程还包括:D1:提取数据库中存储的各运输公司各运输方式对应的运输速度,筛选得到目标电商商家各指定异常商品各备选运输方案对应的运输速度,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的运输所需时长/>,其中/>表示预设的运输所需时长的修正量。
D2:获取目标电商商家各指定异常商品各备选运输方案中运输路径经过的各中转站点,进一步获取目标电商商家各指定异常商品各备选运输方案中运输路径各中转站点的日均中转货物数量,将其记为,/>表示第/>个中转站点的编号,/>。
提取数据库中存储的中转站点的参考中转所需时长,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的中转所需时长/>,其中/>表示预设的中转所需时长的修正量,/>表示预设的中转货物数量的阈值。
D3:获取目标电商商家各指定异常商品各备选运输方案中运输路径经过的地区在当前时间往后设定时长内的天气类型,分析目标电商商家各指定异常商品各备选运输方案的天气影响因子,将其记为。
作为一种优选方案,分析目标电商商家各指定异常商品各备选运输方案的天气影响因子,具体方法为:获取目标电商商家各指定异常商品各备选运输方案中运输路径经过的地区在当前时间往后设定时长内的天气类型,提取数据库中存储的各天气类型对应的运输影响因子,筛选得到目标电商商家各指定异常商品各备选运输方案中运输路径经过的地区在当前时间往后设定时长内的天气类型对应的运输影响因子,将其记为目标电商商家各指定异常商品各备选运输方案的天气影响因子。
D4:获取目标电商商家各指定异常商品各备选运输方案中运输路径在当前时间往后设定时长内的平均车流量,将其记为。
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的交通拥堵影响因子/>,其中/>表示预设的车流量阈值。
D5:通过分析公式得到目标电商商家各指定异常商品各备选运输方案的所需总时长/>,其中/>表示预设的所需总时长的补偿量。
作为一种优选方案,获取中转站点的日均中转货物数量,具体方法为:通过中转站点的物流信息管理中心获取设定周期内中转站点每天的中转货物数量,对设定周期内中转站点每天的中转货物数量进行平均值计算,得到中转站点的日均中转货物数量。
作为一种优选方案,获取目标电商商家各指定异常商品各备选运输方案中运输路径在当前时间往后设定时长内的平均车流量,具体方法为:按照预设的等距离原则对目标电商商家各指定异常商品各备选运输方案中运输路径进行划分,得到目标电商商家各指定异常商品各备选运输方案中运输路径的各子路段,获取目标电商商家各指定异常商品各备选运输方案中运输路径的各子路段在当前时间往后设定时长内的车流量,对目标电商商家各指定异常商品各备选运输方案中运输路径的各子路段在当前时间往后设定时长内的车流量进行平均值计算,得到目标电商商家各指定异常商品各备选运输方案中运输路径在当前时间往后设定时长内的平均车流量。
作为一种优选方案,运输路径子路段在当前时间往后设定时长内的车流量,获取方法为:用运输路径子路段在当前时间往后设定时长内通过的车辆总数量除以设定时长。
进一步地,所述二类物流异常处理模块的具体分析过程还包括:通过分析公式得到目标电商商家各指定异常商品的各备选运输方案的推荐系数,其中/>表示预设的推荐系数的修正因子,/>表示备选运输方案的数量,/>分别表示预设的运输费用和所需总时长的权值。
将目标电商商家各指定异常商品的各备选运输方案的推荐系数进行相互比较,将最大推荐系数对应的备选运输方案作为应急运输方案,统计得到目标电商商家各指定异常商品的应急运输方案。
获取目标电商商家各指定异常商品的应急运输方案的所需总时长。
作为一种优选方案,获取目标电商商家各指定异常商品的应急运输方案的所需总时长,具体方法为:根据目标电商商家各指定异常商品各备选运输方案的所需总时长,筛选得到目标电商商家各指定异常商品的应急运输方案的所需总时长。
将目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长发送至目标电商商家。
需要说明的是,本发明通过分析目标电商商家各指定异常商品的各备选运输方案的推荐系数,得到目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长,将其发送至目标电商商家,在运输延误的特殊情况下确保电商商品能尽快寄送给消费者,进而提升消费者的体验感和满意度。
所述数据库用于存储各运输公司各运输方式对应的单位路程的费用和运输速度,并存储中转站点的参考中转所需时长和各天气类型对应的运输影响因子。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于大数据的电商商品溯源管理系统,其特征在于,包括:
商品物流信息获取模块:用于获取目标电商商家中各订单商品的物流信息,其中物流信息包括发货地址、收货地址、揽件时间、运输公司、运输方式、运输路径和当前运输位置;
商品物流异常判断模块:用于根据目标电商商家中各订单商品的物流信息,判断目标电商商家中各订单商品的物流是否存在异常,若存在异常,获取目标电商商家中物流异常的各订单商品,将其记为目标电商商家中各异常商品;
商品物流异常类型识别模块:用于获取目标电商商家中各异常商品的物流异常类型,若物流异常类型为快递丢件异常,则执行一类物流异常处理模块,若物流异常类型为运输延误异常,则执行二类物流异常处理模块;
一类物流异常处理模块:用于获取目标电商商家中快递丢件异常的各异常商品的快递单号、最后途经中转站点和最后途经中站转点的操作人员信息,将其发送至目标电商商家;
二类物流异常处理模块:用于将目标电商商家中运输延误异常的各异常商品记为目标电商商家的各指定异常商品,获取目标电商商家各指定异常商品的各备选运输方案,分析目标电商商家各指定异常商品的各备选运输方案的推荐系数,得到目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长,将其发送至目标电商商家;
数据库:用于存储各运输公司各运输方式对应的单位路程的费用和运输速度,并存储中转站点的参考中转所需时长和各天气类型对应的运输影响因子。
2.根据权利要求1所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述商品物流信息获取模块的具体过程为:
设定监测周期的时长,获取监测周期内目标电商商家在电商平台售出的各商品,将其记为目标电商商家中各订单商品;
获取目标电商商家中各订单商品的发货地址、收货地址、揽件时间、运输公司、运输方式、运输路径和当前运输位置。
3.根据权利要求1所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述商品物流异常判断模块的具体分析过程包括:
获取目标电商商家中各订单商品运输到当前位置的参考所需时长,并表示为,/>表示第/>个订单商品的编号,/>;获取目标电商商家中各订单商品运输到当前位置的实际所需时长,并表示为/>;获取目标电商商家中各订单商品运输到当前位置的已行驶路程和途径中转站点的数量,将其分别记为/>和/>;通过分析公式/>得到目标电商商家中各订单商品的物流异常隐患系数/>,其中/>表示预设的物流异常隐患系数的修正因子,/>表示自然常数,/>表示预设的订单商品运输到当前位置的实际所需时长与参考所需时长之间的允许偏差,/>分别表示预设的单位已行驶路程和单位途径中转站点数量对应的影响因子。
4.根据权利要求3所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述商品物流异常判断模块的具体分析过程还包括:
将目标电商商家中各订单商品的物流异常隐患系数与预设的物流异常隐患系数阈值进行比较,若目标电商商家中某订单商品的物流异常隐患系数大于预设的物流异常隐患系数阈值,则目标电商商家中该订单商品物流存在异常,统计目标电商商家中物流异常的各订单商品,将其记为目标电商商家中各异常商品。
5.根据权利要求1所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述商品物流异常类型识别模块的具体分析过程为:
获取目标电商商家中与各异常商品同运输批次的各订单商品,将其记为目标电商商家中各异常商品的各对照商品;
获取目标电商商家中各异常商品的各对照商品的当前运输位置;
根据目标电商商家中各订单商品的当前运输位置,筛选得到目标电商商家中各异常商品的当前运输位置;
将目标电商商家中各异常商品的当前运输位置与其对应各对照商品的当前运输位置进行比对,若目标电商商家中某异常商品对应的各对照商品均已途径该异常商品当前运输位置对应的相邻下一中转站点,则目标电商商家中该异常商品的物流异常类型为快递丢件异常,反之,则目标电商商家中该异常商品的物流异常类型为运输延误异常,分别统计得到目标电商商家中快递丢件异常和运输延误异常的各异常商品。
6.根据权利要求1所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述二类物流异常处理模块的具体分析过程包括:
将目标电商商家中运输延误异常的各异常商品记为目标电商商家的各指定异常商品;
根据目标电商商家中各订单商品的收货地址和当前运输位置,筛选得到目标电商商家各指定异常商品的收货地址和当前运输位置;
根据目标电商商家各指定异常商品的当前运输位置和收货地址,获取目标电商商家各指定异常商品对应备选的各物流公司的各运输方式的各条运输路经,进一步得到目标电商商家各指定异常商品的各备选运输方案。
7.根据权利要求1所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述二类物流异常处理模块的具体分析过程还包括:
获取目标电商商家各指定异常商品各备选运输方案中运输路径的路程,将其记为,表示第/>个指定异常商品的编号,/>,/>表示第/>个备选运输方案的编号,;
提取数据库中存储的各运输公司各运输方式对应的单位路程的费用,筛选得到目标电商商家各指定异常商品各备选运输方案对应的单位路程的费用,将其记为;
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的运输费用/>,其中/>表示预设的运输费用的修正量。
8.根据权利要求7所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述二类物流异常处理模块的具体分析过程还包括:
D1:提取数据库中存储的各运输公司各运输方式对应的运输速度,筛选得到目标电商商家各指定异常商品各备选运输方案对应的运输速度,将其记为;
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的运输所需时长/>,其中/>表示预设的运输所需时长的修正量;
D2:获取目标电商商家各指定异常商品各备选运输方案中运输路径经过的各中转站点,进一步获取目标电商商家各指定异常商品各备选运输方案中运输路径各中转站点的日均中转货物数量,将其记为,/>表示第/>个中转站点的编号,/>;
提取数据库中存储的中转站点的参考中转所需时长,将其记为;
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的中转所需时长/>,其中/>表示预设的中转所需时长的修正量,/>表示预设的中转货物数量的阈值;
D3:获取目标电商商家各指定异常商品各备选运输方案中运输路径经过的地区在当前时间往后设定时长内的天气类型,分析目标电商商家各指定异常商品各备选运输方案的天气影响因子,将其记为;
D4:获取目标电商商家各指定异常商品各备选运输方案中运输路径在当前时间往后设定时长内的平均车流量,将其记为;
通过分析公式得到目标电商商家各指定异常商品各备选运输方案的交通拥堵影响因子/>,其中/>表示预设的车流量阈值;
D5:通过分析公式得到目标电商商家各指定异常商品各备选运输方案的所需总时长/>,其中/>表示预设的所需总时长的补偿量。
9.根据权利要求8所述的一种基于大数据的电商商品溯源管理系统,其特征在于:所述二类物流异常处理模块的具体分析过程还包括:
通过分析公式得到目标电商商家各指定异常商品的各备选运输方案的推荐系数/>,其中/>表示预设的推荐系数的修正因子,/>表示备选运输方案的数量,/>分别表示预设的运输费用和所需总时长的权值;
将目标电商商家各指定异常商品的各备选运输方案的推荐系数进行相互比较,将最大推荐系数对应的备选运输方案作为应急运输方案,统计得到目标电商商家各指定异常商品的应急运输方案;
获取目标电商商家各指定异常商品的应急运输方案的所需总时长;
将目标电商商家各指定异常商品的应急运输方案和其对应的所需总时长发送至目标电商商家。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030052.9A CN117273579B (zh) | 2023-08-16 | 2023-08-16 | 一种基于大数据的电商商品溯源管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030052.9A CN117273579B (zh) | 2023-08-16 | 2023-08-16 | 一种基于大数据的电商商品溯源管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273579A true CN117273579A (zh) | 2023-12-22 |
CN117273579B CN117273579B (zh) | 2024-02-09 |
Family
ID=89201668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311030052.9A Active CN117273579B (zh) | 2023-08-16 | 2023-08-16 | 一种基于大数据的电商商品溯源管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273579B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598940A (zh) * | 2019-09-18 | 2019-12-20 | 深圳宇德金昌贸易有限公司 | 一种基于物联网贸易的物流订单分析预测系统 |
CN113298561A (zh) * | 2021-01-18 | 2021-08-24 | 智粤云(广州)数字信息科技有限公司 | 一种云计算跨境电商管理系统 |
CN113902529A (zh) * | 2021-10-29 | 2022-01-07 | 南京我乐家居股份有限公司 | 基于大数据分析的商品运损少货订单管理方法、系统及介质 |
WO2023279407A1 (zh) * | 2021-07-06 | 2023-01-12 | 深圳市通拓信息技术网络有限公司 | 一种用于电商智能仓储的出库配送方法 |
WO2023279409A1 (zh) * | 2021-07-06 | 2023-01-12 | 深圳市通拓信息技术网络有限公司 | 一种基于物流追踪的路径优化方法 |
CN115730954A (zh) * | 2022-11-29 | 2023-03-03 | 深圳市善利宝科技有限公司 | 一种基于大数据的电子商务产品物流追溯分析系统 |
CN115796732A (zh) * | 2022-11-12 | 2023-03-14 | 武汉洋洪电子商务有限公司 | 基于电商平台商品的区域物流送货上门分配管理方法 |
CN116070984A (zh) * | 2023-04-06 | 2023-05-05 | 成都运荔枝科技有限公司 | 一种基于数据分析的冷链物流车辆的运输评估系统 |
CN116245112A (zh) * | 2023-05-12 | 2023-06-09 | 深圳市快金数据技术服务有限公司 | 一种物流信息的识别方法、装置和计算机设备 |
-
2023
- 2023-08-16 CN CN202311030052.9A patent/CN117273579B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598940A (zh) * | 2019-09-18 | 2019-12-20 | 深圳宇德金昌贸易有限公司 | 一种基于物联网贸易的物流订单分析预测系统 |
CN113298561A (zh) * | 2021-01-18 | 2021-08-24 | 智粤云(广州)数字信息科技有限公司 | 一种云计算跨境电商管理系统 |
WO2023279407A1 (zh) * | 2021-07-06 | 2023-01-12 | 深圳市通拓信息技术网络有限公司 | 一种用于电商智能仓储的出库配送方法 |
WO2023279409A1 (zh) * | 2021-07-06 | 2023-01-12 | 深圳市通拓信息技术网络有限公司 | 一种基于物流追踪的路径优化方法 |
CN113902529A (zh) * | 2021-10-29 | 2022-01-07 | 南京我乐家居股份有限公司 | 基于大数据分析的商品运损少货订单管理方法、系统及介质 |
CN115796732A (zh) * | 2022-11-12 | 2023-03-14 | 武汉洋洪电子商务有限公司 | 基于电商平台商品的区域物流送货上门分配管理方法 |
CN115730954A (zh) * | 2022-11-29 | 2023-03-03 | 深圳市善利宝科技有限公司 | 一种基于大数据的电子商务产品物流追溯分析系统 |
CN116070984A (zh) * | 2023-04-06 | 2023-05-05 | 成都运荔枝科技有限公司 | 一种基于数据分析的冷链物流车辆的运输评估系统 |
CN116245112A (zh) * | 2023-05-12 | 2023-06-09 | 深圳市快金数据技术服务有限公司 | 一种物流信息的识别方法、装置和计算机设备 |
Non-Patent Citations (1)
Title |
---|
刘善球等: "作业物流下快递物流的转运异常控制", 《北方经贸》, 4 November 2020 (2020-11-04), pages 68 - 79 * |
Also Published As
Publication number | Publication date |
---|---|
CN117273579B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ting et al. | Mining logistics data to assure the quality in a sustainable food supply chain: A case in the red wine industry | |
CN103534713B (zh) | 实时监控产品质量的系统 | |
CN112418536A (zh) | 一种基于大数据的物流到货时长实时监测预估系统 | |
CN112633805A (zh) | 基于区块链和云计算的电子商务商品订单物流信息处理方法及云服务器 | |
CN114140040A (zh) | 一种基于大数据的智能物流系统平台 | |
Hathikal et al. | Prediction of ocean import shipment lead time using machine learning methods | |
Freichel et al. | Challenges of supply chain visibility in distribution logistics–a literature review | |
CN117273579B (zh) | 一种基于大数据的电商商品溯源管理系统 | |
McKinney et al. | The business value of supply chain visibility and monitoring | |
CN109377242A (zh) | 智能包装及品控溯源系统 | |
CN115358813A (zh) | 一种跨境电商平台智能运营系统 | |
CN115879855A (zh) | 一种基于erp管理系统的订单数据分析系统及方法 | |
Werbińska-Wojciechowska | On logistics service quality evaluation-case study | |
CN116883013B (zh) | 一种基于大数据的售后服务智能监管系统及方法 | |
Zhang et al. | [Retracted] Logistics Information Traceability Mechanism of Fresh E‐Commerce Based on Image Recognition Technology | |
KR20170064239A (ko) | 배송 온습도 이력 정보 저장장치를 이용한 무역 거래 시스템 및 이를 이용한 무역 거래 방법 | |
KR101738489B1 (ko) | 온라인 투 오프라인 기반의 화물운송 중계 장치 | |
Zhanna | Rail transport in e-commerce: an overview of the opportunities | |
US20230376884A1 (en) | Package location services and routing | |
CN116485313A (zh) | 一种基于大数据的仓储物流电商商品监测管理方法 | |
Feng et al. | Developing a digital solution to container triangulation in China | |
CN111429079B (zh) | 一种基于电商平台的物流调度方法 | |
CN117649167B (zh) | 一种基于国际运输的货物订单进度跟踪管理系统 | |
CN118037164B (zh) | 一种基于云平台的物流轨迹远程监管系统及方法 | |
CN114066105B (zh) | 运单配送超时预估模型的训练方法,存储介质和电子设备 |
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 |