CN109242627A - 店铺分级方法、装置、电子设备及可读存储介质 - Google Patents
店铺分级方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN109242627A CN109242627A CN201811046363.3A CN201811046363A CN109242627A CN 109242627 A CN109242627 A CN 109242627A CN 201811046363 A CN201811046363 A CN 201811046363A CN 109242627 A CN109242627 A CN 109242627A
- Authority
- CN
- China
- Prior art keywords
- shop
- score
- dimension
- order
- user
- 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.)
- Pending
Links
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了一种店铺分级方法、装置、电子设备及可读存储介质,以优化相关技术中的店铺分级方法。该方法包括:对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分;对多个店铺中每个店铺的订单参数、价格参数以及用户评分分别进行预处理,得到述多个店铺各自在订单参数维度、价格参数维度以及用户评分维度的得分;根据所述多个店铺中每个店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,以及复购率维度、订单参数维度、价格参数维度以及用户评分维度各自的权重,确定所述多个店铺中每个店铺的总得分;根据所述多个店铺各自的总得分,对所述多个店铺进行分级。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种店铺分级方法、装置、电子设备及可读存储介质。
背景技术
随着互联网经济的发展,越来越多的线下实体对象(例如:店铺)入驻电商平台,以通过电商平台打通线下实体对象与消费者之间的信息交互渠道。为了提高消费者的消费者积极性,一方面电商平台对线下实体对象进行线上营销推广;另一方面,线下实体对象通过电商平台对其提供的产品或服务进行线上营销推广。
从电商平台的角度,由于入驻电商平台的线下实体对象数量众多,为了更好地制定营销策略,有必要对数量众多的线下实体对象进行分级,然后针对每个级别的线下实体对象,有针对性地制定该级别的营销策略。同理,从线下实体对象的角度,也有必要对其提供的产品或服务进行分级,以针对不同级别的产品或服务制定不同的营销策略。
为此,相关技术提供的分级方法是:通过设置分级规则,对需要分级的对象进行分级。以需要分级的对象是商家为例,设置不同级别商家需要满足的要求,然后判断一个商家满足其中哪一个级别的要求,如果该商家满足某个级别的要求,则该商家可以成为该级别的商家。示例地,设置的分级规则是:好评数达到1万条的商家是金冠级商家;好评数在1千条至1万条的商家是皇冠级商家;好评数在1条至1千条的商家是钻石级商家。如果一个商家的好评数是100条,则该商家是钻石级商家。
然而,相关技术中的分级规则较为单一,并未较好地平衡电商平台、商家、用户三者之间的关系,由此得到的分级结果并不能为电商平台和商家各自制定营销策略提供较大的参考价值。可见,相关技术中的分级方法有待改进。
发明内容
本申请实施例提供一种店铺分级方法、装置、电子设备及可读存储介质,以优化相关技术中的店铺分级方法。
本申请实施例第一方面提供了一种店铺分级方法,所述方法包括:
对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,一个店铺的复购率是该对象在预设时长的总订单量中非新用户下单的订单量与所述总订单量的比值;
对多个店铺中每个店铺的订单参数、价格参数以及用户评分分别进行预处理,得到述多个店铺各自在订单参数维度、价格参数维度以及用户评分维度的得分;
根据所述多个店铺中每个店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,以及复购率维度、订单参数维度、价格参数维度以及用户评分维度各自的权重,确定所述多个店铺中每个店铺的总得分;
根据所述多个店铺各自的总得分,对所述多个店铺进行分级。
可选地,对多个店铺中每个店铺的用户评分进行预处理,得到述多个店铺各自在用户评分维度的得分,包括:
针对所述多个店铺中每个店铺:
在该店铺的用户评分高于预设分值的情况下,确定该店铺在用户评分维度的得分是大于或等于零的分值,所述预设分值是根据所述多个店铺各自的用户评分确定的;
在该店铺的用户评分不高于所述预设分值的情况下,确定该店铺在用户评分维度的得分是小于零的分值。
可选地,在该店铺的用户评分不高于所述预设分值的情况下,确定该店铺在用户评分维度的得分是小于零的分值,包括:
根据该店铺的用户评分以及预设的用户评分函数,确定该店铺在用户评分维度的得分,所述预设的用户评分函数的自变量的变化率随着自变量的增大而逐渐增大。
可选地,所述价格参数是单均价,一个店铺的单均价是该店铺在预设时长内的交易额与总订单量的比值;对多个店铺中每个店铺的价格参数进行预处理,得到述多个店铺各自在价格参数维度的得分,包括:
针对所述多个店铺中每个店铺:
在该店铺的单均价高于预设单均价的情况下,根据该店铺的单均价以及第一单均价评分函数,确定该店铺在单均价维度的得分,所述第一单均价评分函数的因变量随自变量缓慢变化,所述预设单均价是根据所述多个店铺各自的单均价确定的;
在该店铺的单均价不高于所述预设单均价的情况下,根据该店铺的单均价以及第二单均价评分函数,确定该店铺在单均价维度的得分,所述第二单均价评分函数的因变量随自变量线性变化。
可选地,对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,包括:
针对所述多个店铺中每个店铺,按照以下公式确定该店铺在复购率维度的得分范围Score复购率得分范围:
其中,p表示该店铺的复购率,n表示该店铺在预设时长的总订单量,z表示置信水平;
将该店铺在复购率维度的得分范围Score复购率得分范围内的任一值确定为该店铺在复购率维度的得分。
可选地,对多个店铺中每个店铺的订单参数进行预处理,得到述多个店铺各自在订单参数维度的得分,包括:
针对所述多个店铺中每个店铺:
在该店铺的订单参数的数值高于预设数值的情况下,确定该店铺在订单参数维度的得分是固定值,所述预设数值是根据所述多个店铺各自的订单参数的数值确定的;
在该店铺的订单参数的数值高于预设数值的情况下,根据该店铺的订单参数的数值以及预设的订单参数评分函数,确定该店铺在订单参数维度的得分,所述订单参数评分函数的因变量随自变量线性变化。
可选地,所述订单参数是总订单量或异常订单率,一个店铺的异常订单率是该店铺在预设时长的总订单量中异常退单的退单量与所述总订单量的比值。
可选地,所述订单参数是总订单量时,所述方法还包括:
针对所述多个店铺中每个店铺,按照以下公式对该店铺在总订单量维度的得分进行修正:
其中,Score修正表示该店铺在总订单量维度的修正得分,x表示该店铺在单均价维度的得分,y表示该店铺在总订单量维度的得分;
将该店铺在总订单量维度的得分更新为该店铺在总订单量维度的修正得分。
可选地,在确定所述多个店铺中每个店铺的总得分之后,所述方法还包括:
在维度数量发生变化的情况下,根据变化后的维度数量,对所述多个店铺各自的总得分排序进行调整;
以调整排序后的总得分为样本,对预设模型进行训练,得到维度数量变化后各个维度的权重。
本申请实施例第二方面提供一种店铺分级装置,所述装置包括:
第一预处理模块,用于对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,一个店铺的复购率是该对象在预设时长的总订单量中非新用户下单的订单量与所述总订单量的比值;
第二预处理模块,用于对多个店铺中每个店铺的订单参数、价格参数以及用户评分分别进行预处理,得到述多个店铺各自在订单参数维度、价格参数维度以及用户评分维度的得分;
总得分确定模块,用于根据所述多个店铺中每个店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,以及复购率维度、订单参数维度、价格参数维度以及用户评分维度各自的权重,确定所述多个店铺中每个店铺的总得分;
分级模块,用于根据所述多个店铺各自的总得分,对所述多个店铺进行分级。
可选地,所述第二预处理模块包括:
第一确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的用户评分高于预设分值的情况下,确定该店铺在用户评分维度的得分是大于或等于零的分值,所述预设分值是根据所述多个店铺各自的用户评分确定的;
第二确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的用户评分不高于所述预设分值的情况下,确定该店铺在用户评分维度的得分是小于零的分值。
可选地,所述第二确定子模块包括:
确定子模块,用于根据该店铺的用户评分以及预设的用户评分函数,确定该店铺在用户评分维度的得分,所述预设的用户评分函数的自变量的变化率随着自变量的增大而逐渐增大。
可选地,所述价格参数是单均价,一个店铺的单均价是该店铺在预设时长内的交易额与总订单量的比值;所述第二预处理模块包括:
第三确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的单均价高于预设单均价的情况下,根据该店铺的单均价以及第一单均价评分函数,确定该店铺在单均价维度的得分,所述第一单均价评分函数的因变量随自变量缓慢变化,所述预设单均价是根据所述多个店铺各自的单均价确定的;
第四确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的单均价不高于所述预设单均价的情况下,根据该店铺的单均价以及第二单均价评分函数,确定该店铺在单均价维度的得分,所述第二单均价评分函数的因变量随自变量线性变化。
可选地,所述第一预处理模块包括:
得分范围确定子模块,用于针对所述多个店铺中每个店铺,按照以下公式确定该店铺在复购率维度的得分范围Score复购率得分范围:
其中,p表示该店铺的复购率,n表示该店铺在预设时长的总订单量,z表示置信水平;
第五确定子模块,用于将该店铺在复购率维度的得分范围Score复购率得分范围内的任一值确定为该店铺在复购率维度的得分。
可选地,所述第二预处理模块包括:
第六确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的订单参数的数值高于预设数值的情况下,确定该店铺在订单参数维度的得分是固定值,所述预设数值是根据所述多个店铺各自的订单参数的数值确定的;
第七确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的订单参数的数值高于预设数值的情况下,根据该店铺的订单参数的数值以及预设的订单参数评分函数,确定该店铺在订单参数维度的得分,所述订单参数评分函数的因变量随自变量线性变化。
可选地,所述订单参数是总订单量或异常订单率,一个店铺的异常订单率是该店铺在预设时长的总订单量中异常退单的退单量与所述总订单量的比值。
可选地,所述订单参数是总订单量时,所述装置还包括:
修正模块,用于针对所述多个店铺中每个店铺,按照以下公式对该店铺在总订单量维度的得分进行修正:
其中,Score修正表示该店铺在总订单量维度的修正得分,x表示该店铺在单均价维度的得分,y表示该店铺在总订单量维度的得分;
更新模块,用于将该店铺在总订单量维度的得分更新为该店铺在总订单量维度的修正得分。
可选地,所述装置还包括:
调整模块,用于在维度数量发生变化的情况下,根据变化后的维度数量,对所述多个店铺各自的总得分排序进行调整;
训练模块,用于以调整排序后的总得分为样本,对预设模型进行训练,得到维度数量变化后各个维度的权重。
本申请实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请第一方面所述的方法的步骤。
采用本申请实施例提供的店铺分级方法,由于店铺的总得分是根据该店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度这多个维度的数据得到的,所以根据店铺的总得分对多个店铺分级,一方面,从电商平台和商家的角度考虑了复购率维度、订单参数维度和价格参数维度,从用户角度考虑了用户评分维度,较好地平衡了电商平台、商家、用户三者之间的关系,由此得到的分级结果并能为电商平台和商家各自制定营销策略提供较大的参考价值;另一方面,综合考虑了多个店铺各自在多个维度的特征,因而得到的分级结果更加客观和准确。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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申请的一些实施例,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是本申请一实施例提出的店铺分级方法的流程图;
图2是本申请另一实施例提供的店铺分级的方法的流程图;
图3是本申请另一实施例提供的店铺分级的方法的流程图;
图4是本申请另一实施例提供的店铺分级的方法的流程图;
图5是本申请另一实施例提供的处理用户评分的方法的流程图;
图6是北京全部外卖商家口味评分分布示意图;
图7是本申请一实施例拟合用户评分的示意图;
图8是本申请另一实施例提供的处理单均价的方法的流程图;
图9是本申请另一实施例提供的处理复购率的方法的流程图;
图10是本申请另一实施例提供的处理订单参数的方法的流程图;
图11是本申请一实施例提出的店铺分级装置的示意图。
具体实施方式
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。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。
参考图1,图1是本申请一实施例提出的店铺分级方法的流程图。如图1所示,该方法包括以下步骤:
步骤S11:对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,一个店铺的复购率是该对象在预设时长的总订单量中非新用户下单的订单量与所述总订单量的比值。
店铺的复购率是指该店铺在预设时长的总订单量中非新用户下单的订单量与所述总订单量的比值,其中,非新用户下单是指该用户不是首次下单。在一种实施方式中,非新用户下单是指在另一预设时长内该用户首次下单,超过该另一预设时长内该用户首次下单即认为是新用户首次下单。
示例地,店铺的复购率可以是在预设时长(例如最近30天)内该店铺的总订单量中非新用户下单的订单量的占比。例如,店铺的复购率可以是最近30天内该店铺的总订单量中老用户下单的订单量的占比,老用户下单指最近90天内在该店铺曾经下单的用户。
在本实施例中,考虑到复购率是店铺的一个特有参数,所以针对多个店铺中每个店铺,对该店铺的复购率进行预处理,得到该店铺在复购率维度的得分。
步骤S12:对多个店铺中每个店铺的订单参数、价格参数以及用户评分分别进行预处理,得到述多个店铺各自在订单参数维度、价格参数维度以及用户评分维度的得分。
在本实施例中,考虑到店铺有多维度数据,每个维度数据从该维度反映了该店铺的特征。店铺的多维度数据除包括复购率外,包括但不限于:用户评分、价格参数(例如:单均价)、订单参数(例如:总订单量、异常订单率)。
其中,店铺的用户评分是指各个用户对该店铺的打分。示例地,假设分值范围是0-5分,一个用户对该店铺的打分可以是1分、2分、3分、4分、5分,分值高低代表了用户对该店铺的满意程度。
用户评分可以是口味评分,即曾经光临该店铺的顾客对该店铺提供的产品的口味的打分;或者,用户评分可以是曾经光临该店铺的顾客对该店铺提供的服务的打分。
店铺的价格参数是指店铺售卖的商品的价格或与价格相关的参数。示例地,店铺的单均价是指该店铺在预设时长内的交易额与总订单量的比值。示例地,店铺的单均价可以是在预设时长(例如最近30天)内该店铺的交易额与总订单量的比值。
店铺的订单参数是指用户针对该店铺进行下单而产生的与订单相关的参数。店铺的订单参数包括但不限于店铺的总订单量和店铺的异常订单率。
示例地,店铺的总订单量可以是预设时长内的总订单量,也可以是不限定预设时长,即店铺历史的总订单量。示例地,店铺的总订单量可以是在预设时长(例如最近30天)内该店铺的总订单量。或者,店铺的总订单量可以是自店铺开业日期起累计的所有订单的数量。
店铺的异常订单率是指该店铺在预设时长的总订单量中异常退单的退单量与所述总订单量的比值。其中,异常退单是指非用户原因造成的退单。即因店铺本身的原因造成的退单。示例地,店铺的异常订单率可以是在预设时长(例如最近30天)内该店铺的总订单量中异常退单的退单量占比,其中,异常退单是因店铺自身原因造成的退单。例如,因店铺自身或店铺提供的菜品问题产生的退单。
在本实施例中,考虑到店铺具有多维度数据,针对该店铺的多维度数据逐个维度处理,以确定该店铺在每个维度的得分。
示例地,多维度包括但不限于用户评分、价格参数(例如:单均价)、复购率、订单参数(例如:总订单量、异常订单率)。这些维度可以用于评估店铺的营业状况和店铺为电商平台的收益。因此,对店铺的用户评分、价格参数(例如:单均价)、复购率、订单参数(例如:总订单量、异常订单率)分别做处理,得到店铺在用户评分维度的得分、在价格参数维度的得分(例如:在单均价维度的得分)、在复购率维度的得分、在订单参数维度的得分(例如:在总订单量维度的得分、在异常订单率维度的得分)。
步骤S13:根据所述多个店铺中每个店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,以及复购率维度、订单参数维度、价格参数维度以及用户评分维度各自的权重,确定所述多个店铺中每个店铺的总得分。
在本实施例中,为多维度中各个维度预先设置权重,一个维度的权重是该维度在确定该店铺的总得分的过程中的重要程度的量化表示。示例地,用户评分维度的权重值是0.5,复购率维度的权重值是0.2,价格参数维度的权重值是0.3,则在确定店铺的总得分的过程中,店铺的用户评分对最终确定该店铺的总得分有50%的影响,店铺的复购率对最终确定该店铺的总得分有20%的影响,店铺的价格参数对最终确定该店铺的总得分有30%的影响。
在执行完步骤S11-步骤S12,得到店铺在多个维度的得分之后,结合多维度中各个维度的权重,对该店铺在多个维度的得分进行加权平均,即可得到该店铺的总得分。
示例地,在得到店铺在用户评分维度的得分、在价格参数维度的得分(例如:在单均价维度的得分)、在复购率维度的得分、在订单参数维度的得分(例如:在总订单量维度的得分、在异常订单率维度的得分)之后,结合用户评分维度、价格参数维度(例如:单均价维度)、复购率维度、订单参数维度(例如:总订单量维度、异常订单率维度)各自的权重,进行加权平均,得出店铺的总得分。
步骤S14:根据所述多个店铺各自的总得分,对所述多个店铺进行分级。
针对每个店铺,通过步骤S11-步骤13,得到每个店铺的总得分。对多个店铺中的其他店铺,按照相同的方法,可以得到其他店铺的总得分。然后根据多个店铺各自的总得分,对多个店铺进行分级。
在本实施例中,由于店铺的总得分是根据该店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度这多个维度的数据得到的,所以根据店铺的总得分对多个店铺分级,一方面,从电商平台和商家的角度考虑了复购率维度、订单参数维度和价格参数维度,从用户角度考虑了用户评分维度,较好地平衡了电商平台、商家、用户三者之间的关系,由此得到的分级结果并能为电商平台和商家各自制定营销策略提供较大的参考价值;另一方面,综合考虑了多个店铺各自在多个维度的特征,因而得到的分级结果更加客观和准确。
结合以上实施例,在本申请另一实施例中,通过对多个店铺各自的总得分进行排序,实现对多个店铺的分级。即,根据多个店铺各自的总得分,得到总得分排序列表,并基于总得分排序类表对多个店铺进行分级。因而,参考图2,图2是本申请另一实施例提供的店铺分级的方法的流程图。如图2所示,步骤S14包括以下步骤:
步骤S141:按照预设排序规则,对所述多个店铺各自的总得分进行排序;
步骤S142:根据所述多个店铺各自的序号,对所述多个店铺进行分级。
在本实施例中,预设的排序规则可以是按照总得分从高到低或从低到高的顺序进行排序。对多个店铺各自的总得分进行排序,以得到排序结果。然后根据分级需求,即需要将多个店铺分为几个级别,将排序结果划分为几个部分,每个部分即对应一个级别。
示例地,在得到100个店铺各自的总得分之后,对这100个店铺的得分按照从高到低的顺序进行排序,如果需要划分为三级,则可以将排在前十位的店铺确定为第一级别的店铺,将排在后十位的店铺确定为第三级别的店铺,将剩余的店铺确定为第二级别的店铺。
在本实施例中,通过对多个店铺各自的总得分进行排序,以得到排序列表。基于同一个排序列表,根据分级需求,可以灵活地对多个店铺进行分级。分级需求改变时(例如原本需要分三级,更改为需要分五级),也可以根据现有的排序列表对多个店铺进行分级,无需额外的处理,灵活性较高。
结合以上实施例,在本申请另一实施例中,根据多个店铺的总得分分布情况,对多个店铺进行分级。即,根据所述多个店铺各自的总得分,得到总得分分布情况,并基于所述总得分分布情况对所述多个店铺进行分级。因而,参考图3,图3是本申请另一实施例提供的店铺分级的方法的流程图。如图3所示,步骤S14包括以下步骤:
步骤S141’:根据所述多个店铺各自的总得分,确定总得分分布情况;
步骤S142’:根据所述总得分分布情况,对所述多个店铺进行分级。
在本实施例中,针对每个分值,确定多个店铺中有多少个店铺的总得分均为该分值,由此得到总得分分布情况。然后根据分级需求,即需要将多个店铺分为几个级别,将分布情况划分为几个部分,每个部分即对应一个级别。
示例地,在得到100个店铺各自的总得分之后,统计这100个店铺中有多少个店铺得10分,有多少个店铺得11分,类似地,有多少个店铺得100分。进而得到总等分分布情况。假设这100个店铺的总得分分布情况符合正太分布,如果需要划分为三级,则可以将总得分位于正太分布的前部的店铺确定为第一级别的店铺,将总得分位于正太分布的波峰部分的店铺确定为第二级别的店铺,将总得分位于正太分布的后部的店铺确定为第三级别的店铺。
在本实施例中,基于同一总得分分布情况,根据分级需求,可以灵活地对多个店铺进行分级。分级需求改变时(例如原本需要分三级,更改为需要分五级),也可以根据现有的总得分分布情况对多个店铺进行分级,无需额外的处理,灵活性较高。
结合以上各实施例,在本申请另一实施例中,针对需要增加维度或减少维度的情况,通过对预设模型进行训练,得到增加维度后各个维度的新的权重,或者,得到减少维度后各个维度的新的权重。因而,参考图4,图4是本申请另一实施例提供的店铺分级的方法的流程图。如图4所示,该方法除包括步骤S11-步骤S14外,还包括以下步骤(图4未示出步骤S11-步骤S14):
步骤S131:若维度数量发生变化,则根据变化后的维度数量,对所述多个店铺各自的总得分排序进行调整;
步骤S132:以调整排序后的总得分为样本,对预设模型进行训练,得到维度数量变化后各个维度的权重;
针对维度数量增加的情况,如图4所示,还包括以下步骤:
步骤S12a:针对新增加的维度,根据多个店铺中每个店铺在该新增加的维度的数据,确定多个店铺各自在该新增加的维度的得分;
步骤S133:根据所述多个店铺中每个店铺的在维度数量变化前的在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分、在该新增加的维度的得分以及维度数量变化后各个维度的权重,重新确定所述多个店铺中每个店铺的总得分;
步骤S14a:根据重新确定的所述多个店铺各自的总得分,对所述多个店铺进行分级。
针对维度数量减少的情况,如图4所示,还包括以下步骤:
步骤S133’:根据所述多个店铺中每个店铺的除减少的维度外剩余维度得分以及维度数量变化后各个维度的权重,重新确定所述多个店铺中每个店铺的总得分;
步骤S14a:根据重新确定的所述多个店铺各自的总得分,对所述多个店铺进行分级。
首先针对维度增加的情况,在实际实施过程中,为了提高分级结果的准确性,可能需要从更多维度对多个店铺进行分级,如此,原本在步骤S13中各个维度的权重就需要进行相应的调整,因为要给新增加的维度也分配一定的权重。示例地,原本对店铺进行分级考虑了四个维度:用户评分维度、价格参数维度(例如:单均价维度)、复购率维度、订单参数维度(例如:总订单量维度、异常订单率维度)。如果需要新增加一个维度:点击率,即在预设时长(例如最近30天)内该店铺的主页被用户点击的次数。则需要为点击率这个维度分配权重,如此,必然需要调整原本的四个维度中一个或多个维度的权重。
同理,针对维度减少的情况,在实际实施过程中,也可能需要从较少维度对多个店铺进行分级,如此,原本在步骤S13中各个维度的权重就需要进行相应的调整,因为其中一个维度的权重为零,即不考虑该维度,而权重之和始终等于一。示例地,原本对店铺进行分级考虑了四个维度:用户评分维度、价格参数维度(例如:单均价维度)、复购率维度、订单参数维度(例如:总订单量维度、异常订单率维度),这四个维度的权重之和是1。如果需要减少其中的订单参数维度,即仅从复购率维度、价格参数维度(例如:单均价维度)、订单参数维度(例如:总订单量维度、异常订单率维度)这三个维度对店铺进行分级,则由于订单参数维度的权重由非零减少为零,如此,必然需要调整剩余的三个维度各自的权重。
在本实施例中,通过执行步骤S131-步骤S132,得到维度数量变化后各个维度的权重。首先,通过执行上述步骤S11-步骤S13,基于多个维度,得到了多个店铺各自的总得分,然后对这多个店铺的总得分进行排序,得到排序列表。该排序列表是与多个维度对应的。示例地,通过执行上述步骤S11-S13,基于四个维度:用户评分维度、价格参数维度(例如:单均价维度)、复购率维度、订单参数维度(例如:总订单量维度、异常订单率维度),得到了店铺1的得分是0.90分,店铺2的得分是0.85分。
若维度数量发生变化,则原本的排序列表可能不能反映维度数量变化后各个店铺的总得分排序情况,需要对各个店铺各自的总得分排序进行调整。这种调整可以由人工完成。人工考虑维度变化后原本的排序列表应该如何调整,然后进行人为调整,得到调整排序后的总得分。
示例地,在基于五个维度:用户评分维度、单均价维度、复购率维度、总订单量维度、异常订单率维度,得到了店铺1的得分是0.90分,店铺2的得分是0.85分,按照得分从高到低的顺序排列,店铺1应该排在店铺2的前面。如果需要新增加一个维度:点击率,而经过统计,店铺2的点击率高于店铺1的点击率,则可以人为增加店铺2的得分并且人为减少店铺1的得分,使得店铺2的得分比店铺1的得分高,则调整排序后,店铺1的得分是0.89分,店铺2的得分是0.87分。
在执行完步骤S131后,得到的调整排序后的总得分是与变化后的维度数量相对应的。通过执行步骤S131-步骤S132,利用机器学习的方法,将调整排序后的总得分作为样本,对预设模型进行训练,得到维度数量变化后各个维度的权重。
在得到维度数量变化后各个维度权重之后,针对维度数量增加的情况,还需要根据店铺在该新增加的维度的数据,确定店铺在该新增加的维度的得分,然后基于步骤S11-步骤S12中得到的店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分、店铺在该新增加的维度的得分以及维度数量变化后各个维度的权重,重新确定店铺的总得分。最后根据重新确定的多个店铺各自的总得分,对多个店铺进行分级。
示例地,如果需要新增加一个维度:点击率,在通过执行步骤S131-步骤S132,得到六个维度:用户评分维度、单均价维度、复购率维度、总订单量维度、异常订单率维度、点击率维度各自的权重之后,还需要根据店铺的点击率,确定店铺在点击率维度的得分,接着,根据店铺在上述六个维度的得分以及上述六个维度各自的权重,进行加权平均,重新得到店铺的总得分。按照同样的方法,重新得到多个店铺中其他店铺的总得分,最后根据重新得到的各个店铺的总得分,对各个店铺进行分级。
在通过执行步骤S131-步骤S132,得到维度数量变化后各个维度权重之后,针对维度数量减少的情况,基于步骤S11-步骤S12中得到的店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,从中去除该减少的维度的得分,并且不考虑该减少的维度的权重,根据店铺在剩余维度的得分以及维度数量变化后各个维度的权重,重新确定店铺的总得分。最后根据重新确定的多个店铺各自的总得分,对多个店铺进行分级。
示例地,如果需要减少一个维度:订单参数维度,在通过执行步骤S131-步骤S132,得到剩余三个维度:用户评分维度、价格参数维度(例如:单均价维度)、复购率维度、点击率维度各自的权重之后,根据店铺在上述四个维度的得分以及上述四个维度各自的权重,进行加权平均,重新得到店铺的总得分。按照同样的方法,重新得到多个店铺中其他店铺的总得分,最后根据重新得到的各个店铺的总得分,对各个店铺进行分级。
在本实施例中,无论维度如何变化,增加维度还是减少维度,均可以通过机器学习的方法得到新的权重,而无需为增加或减少权重后的各个维度重新设置权重,简化了数据处理过程,提高了分级效率。
结合以上各个实施例,在本申请另一实施例中,提供了一种对用户评分进行处理的方法。参考图5,图5是本申请另一实施例提供的处理用户评分的方法的流程图。如图5所示,该方法包括以下步骤:
针对所述多个店铺中每个店铺:
步骤S51:在该店铺的用户评分高于预设分值的情况下,确定该店铺在用户评分维度的得分是大于或等于零的分值,所述预设分值是根据所述多个店铺各自的用户评分确定的;
步骤S52:在该店铺的用户评分不高于所述预设分值的情况下,确定该店铺在用户评分维度的得分是小于零的分值。
在本实施例中,用户评分的含义与以上各实施例中用户评分的含义相同,具体可参见上文,在此就不再赘述。
在本实施例中,根据多个店铺各自的用户评分,确定预设分值。在实际实施过程中,预设分值可以根据具体情况而定,本实施例不做限定。同理,在实际实施过程中,针对一个店铺,可能有多个用户对该店铺进行打分,根据多个用户对该店铺的打分,确定该店铺的用户评分。在一种实施方式中,针对用户不做出打分的情况,默认该用户对该店铺的打分是分值范围内的最高分,即常见的“默认好评”。在另一种实施方式中,如果用户对一个店铺做出评价(例如评价文本或对该店铺拍摄的照片),可以根据该评价确定用户对该店铺的打分。
在一种实施方式中,根据多个店铺各自的用户评分,确定平均值,该平均值即为预设分值。在另一种实施方式中,根据多个店铺各自的用户评分,确定众数,该众数即为预设分值。同理,在一种实施方式中,根据多个用户各自对同一店铺的打分,确定平均值,该平均值即为该店铺的用户评分。在另一种实施方式中,根据多个用户各自对同一店铺的打分,确定众数,该众数即为该店铺的用户评分。
示例地,以用户评分是口味评分为例,假设对3家店铺进行分级,第一家店铺的口味评分是5分,第二家店铺的口味评分是3.5分,第三家店铺的口味评分是3.5分,则预设分值可以是这三家店铺的口味评分的平均分4分(4=(5+3.5+3.5)÷3),预设分值也可以是这三家店铺的口味评分的众数3.5分。同理,假设对同一家店铺,第一个顾客对该店铺的打分是5分,第二个顾客对该店铺的打分是3.5分,第三个顾客对该店铺的打分是3.5分,则该店铺的口味评分可以是这三个顾客的打分的平均分4分(4=(5+3.5+3.5)÷3),该店铺的口味评分可以是这三个顾客的打分的众数3.5分。
不同于相关技术中在店铺分级的过程中直接利用店铺的用户评分,在本实施例中,针对用户评分高于预设分值的店铺,确定该店铺在用户评分维度的得分是大于或等于零的分值,相当于对其总得分进行加分或不扣分;针对用户评分不高于预设分值的店铺,确定该店铺在用户评分维度的得分是小于零的分值,相当于对其总得分进行扣分。
在实际实施过程中,考虑到在一种实施方式中,针对用户不做出打分的情况,默认该用户对该店铺的打分是分值范围内的最高分,由此导致该店铺的用户评分虚高,也即该店铺的用户评分并不真实反映各个用户对该店铺的满意程度。因而,在此实施方式下,针对用户评分高于预设分值的店铺,确定该店铺在用户评分维度的得分是零,相当于对其总得分不扣分。
示例地,以多个店铺是北京全部外卖商家,且用户评分是口味评分为例,参考图6,图6是北京全部外卖商家口味评分分布示意图。图6中,横坐标代表口味评分,范围是0-5分,纵坐标代表商家数。如图6所示,预设分值是4.6分(图6中虚线所示),针对口味评分低于4.6分的各个商家,这些商家在口味评分维度的得分是负值,即对这些商家的总得分进行扣分;针对口味评分低于4.6分的各个商家,这些商家在口味评分维度的得分是负值,即对这些商家的总得分进行扣分;针对口味评分不低于4.6分的各个商家,这些商家在口味评分维度的得分是零,即对这些商家的总得分不扣分,图6中以虚线分隔被扣分的商家和不被扣分的商家。
在本实施例中,不同于在店铺分级的过程中直接利用店铺的用户评分,而是以预设分值为分隔线,对用户评分高于该预设分值的店铺以及用户评分不高于该预设分值的店铺分别进行加分和扣分,由此得到的店铺的总得分更加准确,进而提高了店铺分级的准确度。
在一种实施方式中,若该店铺的用户评分不高于所述预设分值,则确定该店铺在用户评分维度的得分是小于零的分值,包括:
根据该店铺的用户评分以及预设的用户评分函数,确定该店铺在用户评分维度的得分,所述预设的用户评分函数的自变量的变化率随着自变量的增大而逐渐增大。
在本实施例中,首先对用户评分的特性进行分析,得出用户评分的特性是:随着用户评分越低,具有越低的用户评分的店铺的表现越差,且变差的速度越快,即斜率越大。示例地,参考图6,图6中,随着口味评分由4.6分向零分的方向减少,商家的表现也逐渐变差,且变差的速度逐渐加快,即斜率逐渐变大。
为了拟合用户评分的上述特性,针对用户评分不高于预设分值的店铺,本实施例选取预设的用户评分函数,确定该店铺在用户评分维度的得分,该预设的用户评分函数的自变量的变化率随着自变量的增大而逐渐增大。在一种实施方式中,预设的用户评分函数为正弦函数。
示例地,以图6为例,预设分值是4.6分,针对口味评分不高于4.6分的外卖商家,其在口味评分维度的得分y符合以下公式:其中,x表示该外卖商家的口味评分。
参考图7,图7是本申请一实施例拟合用户评分的示意图。图7中,X’轴对应于图6中的口味评分,Y’轴对应于图7中的商家数,X’轴和Y’轴以O’为坐标原点,O’对应于图6中的原点。Y轴对应于公式中的y,X轴对应于公式中的x,X轴和Y轴以0为坐标原点,O对应于公式中的原点。
在本实施例中,根据用户评分的特性,对用户评分低于预设分值的店铺,按照预设的用户评分函数确定该店铺在用户评分维度的得分,由此得到的店铺的总得分更加准确,进而提高了店铺分级的准确度。
结合以上各个实施例,在本申请另一实施例中,提供了一种对单均价进行处理的方法。参考图8,图8是本申请另一实施例提供的处理单均价的方法的流程图。如图8所示,该方法包括以下步骤:
针对所述多个店铺中每个店铺:
步骤S81:若该店铺的单均价高于预设单均价,则根据该店铺的单均价以及第一单均价评分函数,确定该店铺在单均价维度的得分,所述第一单均价评分函数的因变量随自变量缓慢变化,所述预设单均价是根据所述多个店铺各自的单均价确定的;
步骤S82:若该店铺的单均价不高于所述预设单均价,则根据该店铺的单均价以及第二单均价评分函数,确定该店铺在单均价维度的得分,所述第二单均价评分函数的因变量随自变量线性变化。
在本实施例中,单均价的含义与以上各实施例中单均价的含义相同,具体可参见上文,在此就不再赘述。
在本实施例中,首先对单均价的特性进行分析,得出单均价与其他维度的相关关系是:单均价越高,用户评分越低,总订单量越少,复购率越低、异常订单率越高。其中,由于异常订单率是店铺的一个负向指标,所以确定单均价与其他维度的相关关系是:单均价和其他维度成负相关。以店铺是店铺且用户评分是口味评分为例,单均价与其他维度相关系数如表1所示。
表1单均价与其他维度相关系数的示意图
维度名称 | 相关系数 |
口味评分 | -0.1653404 |
订单量 | -0.2183644 |
复购率 | -0.2454651 |
异常订单率 | 0.116036 |
由于单均价和其他维度成负相关,所以如果想要提高店铺的总得分,应该尽量降低单均价。然而,单均价如果过低,仅有利于用户以较低的价格购买店铺提供的产品或服务,而不利于店铺提高自身的营收或者提高电商平台的营收。为此,需要将单均价维持在一个较为合理的范围内,以平衡用户、店铺以及电商平台三者之间的利益。任一位于合理的范围内的单均价可以是本实施例中的预设单均价。
在本实施例中,根据多个店铺各自的单均价,确定预设单均价。在实际实施过程中,预设单均价可以根据具体情况而定,本实施例不做限定。在一种实施方式中,根据多个店铺各自的单均价,确定平均值,该平均值即为预设单均价。在另一种实施方式中,根据多个店铺各自的单均价,确定众数,该众数即为预设单均价。在又一种实施方式中,可以根据交易额确定预设单均价。交易额等于单均价与总订单量的乘积,使得交易额最大的单均价即为预设单均价,或者,使得交易额符合预设数额的单均价即为预设单均价,该预设数额可以根据实际情况设定。
可以理解的是,不同地域、不同品类的单均价以及预设单均价有明显差异,例如,麻辣烫品类的单均价和预设单均价远低于火锅、烧烤类的单均价和预设单均价,一线城市的单均价和预设单均价普遍高于二三线城市的单均价和预设单均价。因而,在对单均价进行处理时,针对的是同一品类且同一地域的各个店铺,相应地,利用同一预设单均价。当品类或地域发生变化时,店铺的单均价发生变化,相应地,需要重新确定预设单均价。
在一种实施方式中,预设单均价是均值+标准差,其中,均值是指多个店铺各自的单均价的平均值(例如某一品类下全部商家单均价的平均值),标准差是根据该平均值与多个店铺各自的单均价得到的,表示多个店铺各自的单均价与该平均值的偏离程度(例如某一品类下全部商家单均价的标准差d)。
在本实施例中,针对单均价高于预设单均价的店铺,确定该店铺在单均价维度的得分是根据第一单均价评分函数得到的,该第一单均价评分函数的因变量随自变量缓慢变化。示例地,第一单均价评分函数是对数函数。针对单均价不高于预设单均价的店铺,确定该店铺在单均价维度的得分是根据第二单均价评分函数得到的,该第二单均价评分函数的因变量随自变量线性变化。示例地,第一单均价评分函数是一次线性函数。
示例地,y表示店铺在单均价维度的得分,x表示该店铺的单均价,t表示预设单均价,则当x≤t时,y=x/t*0.8,即在店铺的单均价低于阈值t时,店铺在单均价维度的得分线性增长,最高可以得到0.8分;当x>t时,y=log(t,x)*0.8,即店铺的单均价高于阈值t时,店铺在单均价维度的得分对数曲线增长,最高可以得到1分。
在本实施例中,根据单均价的特性,对单均价高于预设单均价的店铺以及单均价不高于预设单均价的店铺,分别按照不同的单均价评分函数确定该店铺在单均价维度的得分,由此得到的店铺的总得分更加准确,进而提高了店铺分级的准确度。
结合以上各个实施例,在本申请另一实施例中,提供了一种对复购率进行处理的方法。参考图9,图9是本申请另一实施例提供的处理复购率的方法的流程图。如图9所示,该方法包括以下步骤:
针对所述多个店铺中每个店铺,执行步骤S91-步骤S92:
步骤S91:按照以下公式确定该店铺在复购率维度的得分范围Score复购率得分范围:
其中,p表示该店铺的复购率,n表示该店铺在预设时长的总订单量,z表示置信水平;
步骤S92:将该店铺在复购率维度的得分范围Score复购率得分范围内的任一值确定为该店铺在复购率维度的得分。
在本实施例中,复购率的含义与以上各实施例中复购率的含义相同,具体可参见上文,在此就不再赘述。
不同于相关技术中在店铺分级的过程中直接利用店铺的复购率,在本实施例中,首先对复购率的特性进行分析,得出复购率的特性是:针对总订单量不同且复购率相同的两个店铺,这两个店铺的复购率的可信度是不同的。示例地,假设店铺A的总订单量是1000单,复购率是10%,店铺B的总订单量是100单,且复购率是10%,那么店铺A的复购率的可信度与店铺B的复购率的可信度应当是不同的,店铺A的复购率的可信度应当高于店铺B的复购率的可信度,因为店铺A的总订单量高于店铺B的总订单量,消费者在决定选择店铺A还是店铺B进行消费时,更加相信店铺A的复购率,因而更可能选择店铺A进行消费。
基于复购率的上述特性,本实施例对复购率进行处理,以提高复购率的可信度。本实施例采用威尔逊区间得到店铺的复购率的得分范围Score复购率得分范围,计算公式为:
其中,p表示该店铺的复购率,n表示该店铺在预设时长的总订单量,z表示置信水平,z的值一般选取常数0.95,当然也可以选取其他常数,本实施例不做限定。
在得到店铺的复购率维度的得分范围Score复购率得分范围之后,可以将该店铺在复购率维度的得分范围Score复购率得分范围内的任一值确定为该店铺在复购率维度的得分。在一种实施方式中,取该店铺在复购率维度的得分范围Score复购率得分范围内的最大值作为该店铺在复购率维度的得分。
在本实施例中,考虑到针对总订单量不同且复购率相同的两个店铺,这两个店铺的复购率的可信度是不同的。通过对每个店铺的复购率进行处理,提高了该店铺的复购率的可信度,使得针对总订单量不同且复购率相同的两个店铺,这两个店铺的复购率的可信度具有可比较性,提高了店铺总得分的准确性,进而提高了店铺分级的准确度。
结合以上各个实施例,在本申请另一实施例中,提供了一种对订单参数进行处理的方法。在一种实施方式中,该订单参数是总订单量或异常订单率。也就是说,对总订单量和异常订单率的处理方法相同。其中,总订单量的含义与以上各实施例中总订单量的含义相同,具体可参见上文,在此就不再赘述。同理,异常订单率的含义与以上各实施例中异常订单率的含义相同,具体可参见上文,在此就不再赘述。
参考图10,图10是本申请另一实施例提供的处理订单参数的方法的流程图。如图10所示,该方法包括以下步骤:
针对所述多个店铺中每个店铺,执行步骤S101-步骤S102:
步骤S101:若该店铺的订单参数的数值高于预设数值,则确定该店铺在订单参数维度的得分是固定值,所述预设数值是根据所述多个店铺各自的订单参数的数值确定的;
步骤S102:若该店铺的订单参数的数值高于预设数值,则根据该店铺的订单参数的数值以及预设的订单参数评分函数,确定该店铺在订单参数维度的得分,所述订单参数评分函数的因变量随自变量线性变化。
在本实施例中,根据多个店铺各自的订单参数,确定预设数值。当订单参数是总订单量时,根据多个店铺各自的总订单量,确定预设订单量;当订单参数是异常订单率时,根据多个店铺各自的异常订单率,确定预设异常订单率。
在实际实施过程中,预设数值可以根据具体情况而定,本实施例不做限定。在一种实施方式中,根据多个店铺各自的订单参数,确定平均值,该平均值即为预设数值。当订单参数是总订单量时,根据多个店铺各自的总订单量,确定平均值,该平均值即为预设订单量;当订单参数是异常订单率时,根据多个店铺各自的异常订单率,确定平均值,该平均值即为预设异常订单率。
在另一种实施方式中,根据多个店铺各自的订单参数,确定众数,该众数即为预设参数值。当订单参数是总订单量时,根据多个店铺各自的总订单量,确定众数,该众数即为预设订单量;当订单参数是异常订单率时,根据多个店铺各自的异常订单率,确定众数,该众数即为预设异常订单率。
在一种实施方式中,预设数值是采用离群值的处理方法得到的。预设数值是均值+3倍标准差。在对准确度要求不高的情况下,预设数值可以是是均值+2倍标准差。
其中,均值是指多个店铺各自的订单参数的平均值,标准差是根据该平均值与多个店铺各自的订单参数得到的,表示多个店铺各自的订单参数与该平均值的偏离程度。
示例地,以订单参数是异常订单率为例,因为全部店铺的异常订单率是离散的,大部分店铺异常订单率集中在5%以下,少数店铺超过5%,甚至达到50%以上,尤其总订单量极少的店铺的异常订单率甚至可以达到100%,这些少量的离群数据需要排除掉,通常所使用的方法是把这部分极少的店铺当作小概率事件予以排除,因而预设异常订单率为均值+3倍标准差(即全部商家异常订单率的均值+3*全部商家异常订单率的标准差)。
由于异常订单率是店铺的一个负向指标,而总订单量是店铺的一个正向指标,所以根据订单参数是异常订单率还是总订单量,步骤S101-步骤S102的实施过程不同。
首先,对订单参数是异常订单率时,步骤S101-步骤S102的实施过程进行说明。
在本实施例中,针对异常订单率高于预设异常订单率的店铺,确定该店铺在异常订单率维度的得分是小于零的固定值,例如:-1。针对异常订单率不高于预设异常订单率的店铺,确定该店铺在异常订单率维度的得分是根据预设的异常订单率评分函数得到的,该预设的异常订单率评分函数的因变量随自变量线性变化。示例地,预设的异常订单率评分函数是一次线性函数。
示例地,y表示店铺在异常订单率维度的得分,x表示该店铺的异常订单率,t表示预设异常订单率,则当x≤t时,y=-x/t,即在店铺的异常订单率低于阈值t时,店铺在异常订单率维度的得分线性下降,最低可以得到-1分;当x>t时,y=-1,即店铺的异常订单率高于阈值t时,店铺在异常订单率维度的得分固定为-1分。
其次,对订单参数是总订单量时,步骤S101-步骤S102的实施过程进行说明。
在本实施例中,针对总订单量高于预设总订单量的店铺,确定该店铺在总订单量维度的得分是大于零的固定值,例如:1。针对总订单量不高于预设总订单量的店铺,确定该店铺在总订单量维度的得分是根据预设的总订单量评分函数得到的,该预设的总订单量评分函数的因变量随自变量线性变化。示例地,预设的总订单量评分函数是一次线性函数。
示例地,y表示店铺在总订单量维度的得分,x表示该店铺的总订单量,t表示预设总订单量,则当x≤t时,y=x/t,即在店铺的总订单量低于阈值t时,店铺在总订单量维度的得分线性增长,最高可以得到1分;当x>t时,y=1,即店铺的总订单量高于阈值t时,店铺在总订单量维度的得分固定为1分。
在本实施例中,根据订单参数的特性,对订单参数高于预设数值的店铺以及订单参数不高于预设数值的店铺,分别按照不同的订单参数评分函数确定该店铺在订单参数维度的得分,由此得到的店铺的总得分更加准确,进而提高了店铺分级的准确度。
结合以上各实施例,在一种实施方式中,所述订单参数是总订单量时,所述方法还包括:
针对所述多个店铺中每个店铺,按照以下公式对该店铺在总订单量维度的得分进行修正:
其中,Score修正表示该店铺在总订单量维度的修正得分,x表示该店铺在单均价维度的得分,y表示该店铺在总订单量维度的得分;
将该店铺在总订单量维度的得分更新为该店铺在总订单量维度的修正得分。
在本实施例中,通过对单均价的特性进行分析,得出单均价的另一特性:低的单均价会在总订单量上占有优势。即,一个店铺的单均价越低,该店铺的总订单量越高。因而在按照上述实施例中的方法得出店铺在总订单量维度的得分后,可以对低单均价的店铺在总订单量维度的得分做修正处理,采用公式得到该店铺在总订单量维度的修正得分,其中,x表示该店铺在单均价维度的得分,y表示该店铺在总订单量维度的得分。最后,该店铺在总订单量维度的得分更新为该店铺在总订单量维度的修正得分。也就是说,在执行步骤S13的过程中,使用的是店铺在总订单维度的修正得分Score修正以计算店铺的总得分,而不再使用店铺在总订单维度的得分y以计算店铺的总得分。
在本实施例中,根据低单均价对总订单量的影响,修正店铺在总订单量的得分,然后使用该店铺在总订单维度的修正得分Score修正计算店铺的总得分,由此得到的店铺的总得分更加准确,进而提高了店铺分级的准确度。
基于同一发明构思,本申请一实施例提供一种店铺分级装置。参考图11,图11是本申请一实施例提供的店铺分级装置的示意图。如图11所示,该装置包括:
第一预处理模块1101,用于对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,一个店铺的复购率是该对象在预设时长的总订单量中非新用户下单的订单量与所述总订单量的比值;
第二预处理模块1102,用于对多个店铺中每个店铺的订单参数、价格参数以及用户评分分别进行预处理,得到述多个店铺各自在订单参数维度、价格参数维度以及用户评分维度的得分;
总得分确定模块1103,用于根据所述多个店铺中每个店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,以及复购率维度、订单参数维度、价格参数维度以及用户评分维度各自的权重,确定所述多个店铺中每个店铺的总得分;
分级模块1104,用于根据所述多个店铺各自的总得分,对所述多个店铺进行分级。
可选地,所述第二预处理模块包括:
第一确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的用户评分高于预设分值的情况下,确定该店铺在用户评分维度的得分是大于或等于零的分值,所述预设分值是根据所述多个店铺各自的用户评分确定的;
第二确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的用户评分不高于所述预设分值的情况下,确定该店铺在用户评分维度的得分是小于零的分值。
可选地,所述第二确定子模块包括:
确定子模块,用于根据该店铺的用户评分以及预设的用户评分函数,确定该店铺在用户评分维度的得分,所述预设的用户评分函数的自变量的变化率随着自变量的增大而逐渐增大。
可选地,所述价格参数是单均价,一个店铺的单均价是该店铺在预设时长内的交易额与总订单量的比值;所述第二预处理模块包括:
第三确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的单均价高于预设单均价的情况下,根据该店铺的单均价以及第一单均价评分函数,确定该店铺在单均价维度的得分,所述第一单均价评分函数的因变量随自变量缓慢变化,所述预设单均价是根据所述多个店铺各自的单均价确定的;
第四确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的单均价不高于所述预设单均价的情况下,根据该店铺的单均价以及第二单均价评分函数,确定该店铺在单均价维度的得分,所述第二单均价评分函数的因变量随自变量线性变化。
可选地,所述第一预处理模块包括:
得分范围确定子模块,用于针对所述多个店铺中每个店铺,按照以下公式确定该店铺在复购率维度的得分范围Score复购率得分范围:
其中,p表示该店铺的复购率,n表示该店铺在预设时长的总订单量,z表示置信水平;
第五确定子模块,用于将该店铺在复购率维度的得分范围Score复购率得分范围内的任一值确定为该店铺在复购率维度的得分。
可选地,所述第二预处理模块包括:
第六确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的订单参数的数值高于预设数值的情况下,确定该店铺在订单参数维度的得分是固定值,所述预设数值是根据所述多个店铺各自的订单参数的数值确定的;
第七确定子模块,用于针对所述多个店铺中每个店铺,在该店铺的订单参数的数值高于预设数值的情况下,根据该店铺的订单参数的数值以及预设的订单参数评分函数,确定该店铺在订单参数维度的得分,所述订单参数评分函数的因变量随自变量线性变化。
可选地,所述订单参数是总订单量或异常订单率,一个店铺的异常订单率是该店铺在预设时长的总订单量中异常退单的退单量与所述总订单量的比值。
可选地,所述订单参数是总订单量时,所述装置还包括:
修正模块,用于针对所述多个店铺中每个店铺,按照以下公式对该店铺在总订单量维度的得分进行修正:
其中,Score修正表示该店铺在总订单量维度的修正得分,x表示该店铺在单均价维度的得分,y表示该店铺在总订单量维度的得分;
更新模块,用于将该店铺在总订单量维度的得分更新为该店铺在总订单量维度的修正得分。
可选地,所述装置还包括:
调整模块,用于在维度数量发生变化的情况下,根据变化后的维度数量,对所述多个店铺各自的总得分排序进行调整;
训练模块,用于以调整排序后的总得分为样本,对预设模型进行训练,得到维度数量变化后各个维度的权重。
基于同一发明构思,本申请另一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,该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‐ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种店铺分级方法、装置、存储介质和电子设备,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种店铺分级方法,其特征在于,所述方法包括:
对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,一个店铺的复购率是该对象在预设时长的总订单量中非新用户下单的订单量与所述总订单量的比值;
对多个店铺中每个店铺的订单参数、价格参数以及用户评分分别进行预处理,得到述多个店铺各自在订单参数维度、价格参数维度以及用户评分维度的得分;
根据所述多个店铺中每个店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,以及复购率维度、订单参数维度、价格参数维度以及用户评分维度各自的权重,确定所述多个店铺中每个店铺的总得分;
根据所述多个店铺各自的总得分,对所述多个店铺进行分级。
2.根据权利要求1所述的方法,其特征在于,对多个店铺中每个店铺的用户评分进行预处理,得到述多个店铺各自在用户评分维度的得分,包括:
针对所述多个店铺中每个店铺:
在该店铺的用户评分高于预设分值的情况下,确定该店铺在用户评分维度的得分是大于或等于零的分值,所述预设分值是根据所述多个店铺各自的用户评分确定的;
在该店铺的用户评分不高于所述预设分值的情况下,确定该店铺在用户评分维度的得分是小于零的分值。
3.根据权利要求2所述的方法,其特征在于,在该店铺的用户评分不高于所述预设分值的情况下,确定该店铺在用户评分维度的得分是小于零的分值,包括:
根据该店铺的用户评分以及预设的用户评分函数,确定该店铺在用户评分维度的得分,所述预设的用户评分函数的自变量的变化率随着自变量的增大而逐渐增大。
4.根据权利要求1所述的方法,其特征在于,所述价格参数是单均价,一个店铺的单均价是该店铺在预设时长内的交易额与总订单量的比值;对多个店铺中每个店铺的价格参数进行预处理,得到述多个店铺各自在价格参数维度的得分,包括:
针对所述多个店铺中每个店铺:
在该店铺的单均价高于预设单均价的情况下,根据该店铺的单均价以及第一单均价评分函数,确定该店铺在单均价维度的得分,所述第一单均价评分函数的因变量随自变量缓慢变化,所述预设单均价是根据所述多个店铺各自的单均价确定的;
在该店铺的单均价不高于所述预设单均价的情况下,根据该店铺的单均价以及第二单均价评分函数,确定该店铺在单均价维度的得分,所述第二单均价评分函数的因变量随自变量线性变化。
5.根据权利要求1所述的方法,其特征在于,对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,包括:
针对所述多个店铺中每个店铺,按照以下公式确定该店铺在复购率维度的得分范围Score复购率得分范围:
其中,p表示该店铺的复购率,n表示该店铺在预设时长的总订单量,z表示置信水平;
将该店铺在复购率维度的得分范围Score复购率得分范围内的任一值确定为该店铺在复购率维度的得分。
6.根据权利要求1所述的方法,其特征在于,对多个店铺中每个店铺的订单参数进行预处理,得到述多个店铺各自在订单参数维度的得分,包括:
针对所述多个店铺中每个店铺:
在该店铺的订单参数的数值高于预设数值的情况下,确定该店铺在订单参数维度的得分是固定值,所述预设数值是根据所述多个店铺各自的订单参数的数值确定的;
在该店铺的订单参数的数值高于预设数值的情况下,根据该店铺的订单参数的数值以及预设的订单参数评分函数,确定该店铺在订单参数维度的得分,所述订单参数评分函数的因变量随自变量线性变化。
7.根据权利要求6所述的方法,其特征在于,所述订单参数是总订单量或异常订单率,一个店铺的异常订单率是该店铺在预设时长的总订单量中异常退单的退单量与所述总订单量的比值。
8.根据权利要求7所述的方法,其特征在于,所述订单参数是总订单量时,所述方法还包括:
针对所述多个店铺中每个店铺,按照以下公式对该店铺在总订单量维度的得分进行修正:
其中,Score修正表示该店铺在总订单量维度的修正得分,x表示该店铺在单均价维度的得分,y表示该店铺在总订单量维度的得分;
将该店铺在总订单量维度的得分更新为该店铺在总订单量维度的修正得分。
9.根据权利要求1-8任一所述的方法,其特征在于,在确定所述多个店铺中每个店铺的总得分之后,所述方法还包括:
在维度数量发生变化的情况下,根据变化后的维度数量,对所述多个店铺各自的总得分排序进行调整;
以调整排序后的总得分为样本,对预设模型进行训练,得到维度数量变化后各个维度的权重。
10.一种店铺分级装置,其特征在于,所述装置包括:
第一预处理模块,用于对多个店铺中每个店铺的复购率进行预处理,得到所述多个店铺各自在复购率维度的得分,一个店铺的复购率是该对象在预设时长的总订单量中非新用户下单的订单量与所述总订单量的比值;
第二预处理模块,用于对多个店铺中每个店铺的订单参数、价格参数以及用户评分分别进行预处理,得到述多个店铺各自在订单参数维度、价格参数维度以及用户评分维度的得分;
总得分确定模块,用于根据所述多个店铺中每个店铺在复购率维度、订单参数维度、价格参数维度以及用户评分维度的得分,以及复购率维度、订单参数维度、价格参数维度以及用户评分维度各自的权重,确定所述多个店铺中每个店铺的总得分;
分级模块,用于根据所述多个店铺各自的总得分,对所述多个店铺进行分级。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1‐9任一所述的方法中的步骤。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1‐9任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811046363.3A CN109242627A (zh) | 2018-09-07 | 2018-09-07 | 店铺分级方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811046363.3A CN109242627A (zh) | 2018-09-07 | 2018-09-07 | 店铺分级方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242627A true CN109242627A (zh) | 2019-01-18 |
Family
ID=65067446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811046363.3A Pending CN109242627A (zh) | 2018-09-07 | 2018-09-07 | 店铺分级方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242627A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598608A (zh) * | 2020-04-07 | 2020-08-28 | 北京达佳互联信息技术有限公司 | 一种电商商家评分方法、装置、电子设备及存储介质 |
CN113726849A (zh) * | 2021-07-20 | 2021-11-30 | 浙江吉利控股集团有限公司 | 一种饮用酒制作方式的共享方法、装置及服务器 |
-
2018
- 2018-09-07 CN CN201811046363.3A patent/CN109242627A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598608A (zh) * | 2020-04-07 | 2020-08-28 | 北京达佳互联信息技术有限公司 | 一种电商商家评分方法、装置、电子设备及存储介质 |
CN113726849A (zh) * | 2021-07-20 | 2021-11-30 | 浙江吉利控股集团有限公司 | 一种饮用酒制作方式的共享方法、装置及服务器 |
CN113726849B (zh) * | 2021-07-20 | 2023-11-24 | 浙江吉利控股集团有限公司 | 一种饮用酒制作方式的共享方法、装置及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20030110066A1 (en) | Generating an optimized pricing plan | |
US7974906B2 (en) | System and method for estimating and optimizing transaction costs | |
US20090055226A1 (en) | Method and system for determining rates of insurance | |
US8190486B1 (en) | Techniques for product selection | |
KR101808259B1 (ko) | 자산 트레이딩 서비스 제공 방법 | |
US20200242546A1 (en) | System and Method of Simultaneous Computation of Optimal Order Point and Optimal Order Quantity | |
US20040117235A1 (en) | Automated method and system to recommend one or more supplier-side responses to a transaction request | |
WO2020029385A1 (zh) | 资产配置合理性判断方法、***、计算机设备和存储介质 | |
KR101868729B1 (ko) | 리소스조합 처리방법, 장치, 설비 및 컴퓨터 저장매체 | |
US10540710B2 (en) | Electronic component sourcing user interface | |
CN109242627A (zh) | 店铺分级方法、装置、电子设备及可读存储介质 | |
CN110033324A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN108256924A (zh) | 一种产品销售预测装置 | |
JP2004295226A (ja) | 需要量予測支援システム及びそのプログラム並びにそのプログラムを記録したコンピュータで読み取り可能な記録媒体 | |
CN109255716A (zh) | 债券评级方法、装置、计算机设备及存储介质 | |
CN106528027B (zh) | 数据展示方法及装置 | |
US20170316499A1 (en) | Processing currency data between an in-memory database and a display | |
CN110533182A (zh) | 一种数据处理方法及装置 | |
CN109272339A (zh) | 广告出价方法、装置、电子设备及可读存储介质 | |
CN109903070A (zh) | 数据挖掘方法、装置以及计算机可读存储介质 | |
CN115391666A (zh) | 医院在线推荐方法、装置、计算机设备和存储介质 | |
WO2020000701A1 (zh) | 基金适配方法、***、计算机设备和存储介质 | |
CN110599238A (zh) | 一种对象排序方法、装置、电子设备及可读存储介质 | |
Fries | Foresight bias and suboptimality correction in Monte-Carlo pricing of options with early exercise: classification, calculation and removal | |
CN109272366A (zh) | 订单数据的处理方法及装置 |
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 |