CN109376929B - 配送参数的确定方法、确定装置、存储介质和电子设备 - Google Patents
配送参数的确定方法、确定装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN109376929B CN109376929B CN201811247116.XA CN201811247116A CN109376929B CN 109376929 B CN109376929 B CN 109376929B CN 201811247116 A CN201811247116 A CN 201811247116A CN 109376929 B CN109376929 B CN 109376929B
- Authority
- CN
- China
- Prior art keywords
- parameter
- distribution
- distribution parameter
- conversion rate
- parameters
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000035945 sensitivity Effects 0.000 claims abstract description 110
- 238000006243 chemical reaction Methods 0.000 claims description 148
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 10
- 230000007306 turnover Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种配送参数的确定方法、确定装置、存储介质和电子设备。本发明实施例通过获取同一商户或同一类商户的历史配送数据，并根据历史配送数据获取商户的配送参数敏感度，进而根据配送参数敏感度确定商户的预测配送参数。由此，可以使得配送参数的确定更加合理且准确，同时提高商户的使用满意度。
Description
技术领域
本发明公开涉及数据处理技术领域，具体涉及一种配送参数的确定方法、确定装置、存储介质和电子设备。
背景技术
随着互联网的发展，O2O(Online To Offline，线上到线下)交易变得越来越普遍。对于O2O平台或物流公司而言，如何确定商品的配送参数是一个非常复杂的问题。通常配送参数的确定需要考虑商户与客户间的距离远近、路径规划、运力成本、天气和高峰时段等。但对部分商户而言，仍然可能存在配送参数不合理或不准确的问题。
发明内容
有鉴于此,本发明实施例提供了一种配送参数的确定方法、确定装置、存储介质和电子设备，能够根据商户的历史配送数据预测预定日期的配送参数，使得配送参数的确定更加合理且准确，提高商户的使用满意度。
第一方面，本发明实施例提供了一种配送参数的确定方法，所述方法包括：
获取同一商户或同一类商户的历史配送数据，其中，所述历史配送数据包括历史配送参数和对应的转化率，所述转化率表征所述商户的订单完成数量与被访问数量的比值；
根据所述历史配送数据获取所述商户的配送参数敏感度，其中，所述配送参数敏感度用于表征配送参数的变化对营业参数的变化的影响程度；
根据所述配送参数敏感度确定所述商户的预测配送参数。
优选地，所述历史配送数据还包括所述历史配送参数对应的日期参数；
根据所述历史配送数据获取所述商户的配送参数敏感度具体为：根据所述历史配送数据获取所述商户在预定日期的配送参数敏感度；
根据所述配送参数敏感度确定所述商户的预测配送参数具体为：根据所述预定日期的配送参数敏感度确定所述商户在所述预定日期的预测配送参数。
优选地，根据所述历史配送数据获取用户的配送参数敏感度包括：
根据所述历史配送数据获取转化率预测模型；
根据预定的配送参数范围确定第一参考配送参数和第二参考配送参数；
根据所述转化率预测模型分别获取所述第一参考配送参数对应的转化率和所述第二参考配送参数对应的转化率；
根据所述转化率计算所述配送参数敏感度。
优选地，根据所述历史配送数据获取转化率预测模型包括：
对所述历史配送参数进行线性回归，获取原始的转化率预测模型；
对所述原始的转化率预测模型进行L2正则优化，获取所述转化率预测模型。
优选地，根据所述转化率计算所述配送参数敏感度包括：
根据所述第一参考配送参数和对应的转化率获取第一营业参数，其中，所述第一营业参数表征所述第一参考匹配参数与对应的转化率的乘积；
根据所述第二参考配送参数和对应的转化率获取第二营业参数，其中，所述第二营业参数表征所述第二参考匹配参数与对应的转化率的乘积；
根据所述第一配送参数与第二配送参数的差和所述第一营业参数与第二营业参数的差计算所述配送参数敏感度。
优选地，所述第一参考配送参数为所述预定的配送参数范围的上限，所述第二参考配送参数为所述预定的配送参数范围的下限。
优选地，所述配送参数敏感度为：
所述第一营业参数与所述第二营业参数的差与所述第一配送参数与所述第二配送参数的差的比值的绝对值；或者
包含所述绝对值的函数。
优选地，根据所述配送参数敏感度确定所述商户的预测配送参数包括：
根据所述配送参数敏感度和预定的配送参数范围确定所述商户的预测配送参数。
优选地，所述商户的预测配送参数根据如下公式计算：
ui＝L+si t(H-L)
其中，ui为所述商户的预测配送参数，L为所述预定的配送参数范围的下限，H为所述预定的配送参数范围的上限，si为归一化的所述配送参数敏感度，t为大于0的预定实数。
第二方面，本发明实施例提供了一种配送参数的确定装置，所述装置包括：
历史数据获取单元，用于获取同一商户或同一类商户的历史配送数据，其中，所述历史配送数据包括历史配送参数和对应的转化率，所述转化率表征所述商户的订单完成数量与被访问数量的比值；
敏感度获取单元，用于根据所述历史配送数据获取所述商户的配送参数敏感度，其中，所述配送参数敏感度用于表征配送参数的变化对营业参数的变化的影响程度；
配送参数预测单元，用于根据所述配送参数敏感度确定所述商户的预测配送参数。
优选地，所述历史配送数据还包括所述历史配送参数对应的日期参数；
所述敏感度获取单元用于根据所述历史配送数据获取所述商户在预定日期的配送参数敏感度；
所述配送参数预测单元用于根据所述预定日期的配送参数敏感度确定所述商户在所述预定日期的预测配送参数。
优选地，所述敏感度获取单元包括：
第一子单元，用于根据所述历史配送数据获取转化率预测模型；
第二子单元，用于根据预定的配送参数范围确定第一参考配送参数和第二参考配送参数；
第三子单元，用于根据所述转化率预测模型分别获取所述第一参考配送参数对应的转化率和所述第二参考配送参数对应的转化率；
第四子单元，用于根据所述转化率计算所述配送参数敏感度。
优选地，所述第一子单元包括：
模型获取模块，用于对所述历史配送参数进行线性回归，获取原始的转化率预测模型；
模型优化模块，用于对所述原始的转化率预测模型进行L2正则优化，获取所述转化率预测模型。
优选地，所述第四子单元包括：
营业参数获取模块，用于根据所述第一参考配送参数和对应的转化率获取第一营业参数，其中，所述第一营业参数表征所述第一参考匹配参数与对应的转化率的乘积；
营业参数获取模块，用于根据所述第二参考配送参数和对应的转化率获取第二营业参数，其中，所述第二营业参数表征所述第二参考匹配参数与对应的转化率的乘积；
敏感度计算模块，用于根据所述第一配送参数与第二配送参数的差和所述第一营业参数与第二营业参数的差计算所述配送参数敏感度。
优选地，所述第一参考配送参数为所述预定的配送参数范围的上限，所述第二参考配送参数为所述预定的配送参数范围的下限。
优选地，所述配送参数敏感度为：
所述第一营业参数与所述第二营业参数的差与所述第一配送参数与所述第二配送参数的差的比值的绝对值；或者
包含所述绝对值的函数。
优选地，所述配送参数预测单元用于根据所述配送参数敏感度和预定的配送参数范围确定所述商户的预测配送参数。
优选地，所述商户的预测配送参数根据如下公式计算：
ui＝L+si t(H-L)
其中，ui为所述商户的预测配送参数，L为所述预定的配送参数范围的下限，H为所述预定的配送参数范围的上限，si为归一化的所述配送参数敏感度，t为大于0的预定实数。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
第四方面，本发明实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面中任一项所述的方法。
本发明实施例通过获取同一商户或同一类商户的历史配送数据，并根据历史配送数据获取商户的配送参数敏感度，进而根据配送参数敏感度确定商户的预测配送参数。由此，可以使得配送参数的确定更加合理且准确，同时提高商户的使用满意度。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明第一实施例的配送参数的确定方法的流程图；
图2是本发明第一实施例的另一个可选的实现方式中根据历史配送数据获取配送参数敏感度的流程图；
图3是本发明第一实施例的另一个可选的实现方式中确定L2正则化系数的示意图；
图4是本发明第一实施例的又一个可选的实现方式中根据转化率计算配送参数敏感度的流程图；
图5是本发明第二实施例的配送参数的确定装置的示意图；
图6是本发明实施例的配送参数的确定方法的数据流程图；
图7是本发明实施例的方法根据转化率预测模型得到商户的配送参数敏感度的数据流程图；
图8是本发明实施例的应用场景界面示意图；
图9是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明公开进行描述，但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
对O2O平台或物流公司而言，需要考虑配送参数的确定问题。通常配送参数的确定需要考虑商户与客户间的距离远近、路径规划、运力成本、天气和高峰时段等，并通过训练模型预测配送参数。但部分商户的配送参数仍可能会出现预测不准确的问题。并且，由于所有商户的配送参数使用同一个模型确定，甚至可能会出现部分商户的配送参数预测异常的问题，影响商户正常工作。在以下的实施例中，以配送参数为配送费为例来进行说明，但是，本领域技术人员容易理解，与配送相关的其它配送参数也可以适用本发明实施例的方案。
图1是本发明第一实施例的配送参数的确定方法的流程图。在本实施例中，以对商户的配送参数的确定过程为例进行说明。如图1所示，本实施例的方法包括如下步骤：
步骤S100，获取同一商户或同一类商户的历史配送数据，其中，历史配送数据包括历史配送参数和对应的转化率。
在本实施例中，转化率可以根据如下公式计算：
转化率＝订单完成数量/被访问数量
具体地，转化率为商户在历史配送数据中不同日期的订单完成数量与当日被访问数量的比值。在本实施例中，可以获取同一商户或相似的同一类商户的多组历史配送数据，由此，可以在后续获取同一商户或同一类商户的转化率预测模型，使得对同一商户或同一类商户而言，转化率的预测更加准确。应理解，可以根据实际需要确定历史配送数据的数量。
历史配送数据除了包括历史配送参数(也即，所记录的不同日期的配送费)外，还可以包括其他参数，如历史配送参数对应的日期参数，具体为日期、在一周中的天数(也即，星期几)、是否为寒暑假、是否为工作日等。上述历史配送参数对转化率存在不同的影响。期望选取对于转化率影响最大的相关参数来辅助确定预测配送参数(也即，预测的合理的配送费)。在一个可选实现方式中，可以计算转化率与历史配送数据中的其他参数的相关系数。相关系数越大，其他参数与转化率的相关性越高，因此对转化率的影响越大。通过选取相关系数的绝对值排在最大的前N位的其他参数作为后续转化率计算的输入，其中，N为大于等于1的预定整数。
相关系数可以根据如下公式计算：
其中，x为转化率，yi为历史配送数据中的其他参数，ρ(x,yi)为转化率x与其他参数yi的相关系数，cov(x,yi)为转化率与其他参数yi的协方差，Dx为转化率的方差，Dyi为其他参数的方差，n为其他参数的数量。
转化率x与历史配送数据中的其他参数yi的协方差cov(x,yi)可以根据如下公式计算：
cov(x,yi)＝E(x-Ex)(yi-Eyi)
其中，Ex为转化率x的期望(也即，均值)，Eyi为其他参数yi的期望。
在本实施例中，历史配送参数、对应的具体日期、星期几、是否为工作日等日期相关参数与转化率的相关性较高。因此，在本实施例的一个可选的实现方式中，可以将历史配送参数对应的具体日期、星期几、是否为工作日纳入到历史配送数据中。由此，可以在对转化率的预测影响较小的情况下降低后续的计算量。
应理解，也可以采用其他方式计算历史配送数据中的其他参数与转化率的相似度。
步骤S200，根据历史配送数据获取商户的配送参数敏感度。
在本实施例中，配送参数敏感度用于表征配送参数的变化对营业参数的变化的影响程度。可以根据历史配送数据获取商户在预定日期的配送参数敏感度。图2是本发明第一实施例的另一个可选的实现方式中根据历史配送数据获取配送参数敏感度的流程图。如图2所示，在本实施例的另一个可选的实现方式中，步骤S200可以包括如下步骤：
步骤S210，根据历史配送数据获取转化率预测模型。
转化率预测模型实际是一个转化率预测函数，用于预测同一商户或同一类商户在预定日期的转化率。在本步骤中，可以通过对商户的历史配送数据进行线性回归获取转化率预测函数。商户的历史配送数据作为转化率预测模型的样本集合，样本集合被随机地划分为训练样本集合和测试样本集合。样本集合中的每个样本包括一组历史配送数据中的其他参数(在本发明实施例中，也即，历史配送参数、对应的具体日期、星期几和是否为工作日)和对应的转化率。具体地，在模型的训练过程中，模型的输入为历史配送数据中的其他参数，输出为对应的转化率。也就是说，在通过线性回归获取的转化率预测函数中，自变量为历史配送数据中的其他参数，因变量为对应的转化率。例如，历史配送参数为3，对应的具体日期为8月17日，星期五，工作日，对应的转化率为0.6。对应地，模型的输入可以为3,8.17，5,1，输出可以为0.6。其中，工作日可以用1表示，非工作日(也即，休息日)可以用0表示。应理解，转化率预测模型在训练过程中输入的参数与预测过程中输入的参数是对应的。也即，模型在训练过程中的输入为历史配送参数、对应的具体日期、星期几、是否为工作日，在预测过程中的输入则为配送参数、对应的具体日期、星期几、是否为工作日。
在本实施例中，还可以采用例如人工神经网络、SVM(支持向量机，Support VectorMachines)、逻辑回归、朴素贝叶斯、决策树、K-NN(K-临近，K-nearest neighbor analysis)等各种现有的建模方式建立转化率预测模型。
优选地，可以采用L1正则、L2正则等方法对转化率预测函数进行优化。在本实施例中，采用L2正则的方法对转化率预测函数进行优化。具体地，L2正则的公式如下：
J＝J0+cΣwj 2,j＝1,...m
其中，J0为原始的转化率预测函数，J为优化后的转化率预测函数，c为L2正则化系数，wj 2为其他配送数据的系数的平方，m为最终选取的其他配送数据的数量。具体地，L2正则化系数c可以通过学习曲线确定。图3是本发明第一实施例的另一个可选的实现方式中确定L2正则化系数c的示意图。如图3所示，l1为在c的不同取值下测试误差的变化曲线，l2为在c的不同取值下训练误差的变化曲线。当测试误差与训练误差(也即，y轴坐标)同时较小时，可以确定对应的x轴坐标co为c的值。将优化后的转化率预测函数J作为本实施例的转化率预测模型的分类函数。
应理解，如果将本发明实施例的方法应用于非预定日期的配送参数的确定，在本步骤中，历史配送数据中不包括历史配送参数对应的具体日期。
步骤S220，根据预定的配送参数范围确定第一参考配送参数和第二参考配送参数。
在本实施例中，第一参考配送参数和第二参考配送参数用于在后续计算商户在预定日期的配送参数敏感度。应理解，第一参考配送参数与第二参考配送参数不相等。优选地，第一参考配送参数可以为预定的配送参数范围的上限，第二参考配送参数可以为预定的配送参数范围的下限。由此，在后续计算获得的配送参数敏感度更加准确。
步骤S230，根据转化率预测模型分别获取第一参考配送参数对应的转化率和第二参考配送参数对应的转化率。
在本实施例中，在预定日期的第一参考配送参数对应的转化率和在同一日期的第二参考配送参数对应的转化率同样用于在后续计算商户在预定日期的配送参数敏感度。在根据转化率预测模型获取在预定日期的转化率时，模型的输入为同一商户或同一类商户的配送参数、配送参数对应的预定日期参数(在本实施例中，也即，预定日期、星期几和是否为工作日)，输出为对应的转化率。优选地，是否为工作日可以根据输入的日期和星期几自动确定。例如，输入的日期为9月14日，在一周中的天数为星期五，则为工作日，输入的日期为9月30日，在一周中的天数为星期日，则为工作日。具体地，输入的配送参数分别为第一参考配送参数和第二参考配送参数。
步骤S240，根据转化率计算配送参数敏感度。
获取第一参考配送参数、第二参考配送参数和对应的转化率后，可以通过计算获得商户在预定日期的配送参数敏感度。图4是本发明第一实施例的又一个可选的实现方式中根据转化率计算配送参数敏感度的流程图。如图4所示，在本实施例的又一个可选的实现方式中，步骤S240可以包括如下步骤：
步骤S241，根据第一参考配送参数和对应的转化率获取第一营业参数。
步骤S242，根据第二参考配送参数和对应的转化率获取第二营业参数。
在本实施例中，营业参数可以根据如下公式计算：
营业参数＝配送参数*转化率
具体地，第一营业参数表征第一参考匹配参数与对应的转化率的乘积，第二营业参数表征第二参考匹配参数与对应的转化率的乘积。获取第一营业参数和第二营业参数后，可以计算获取配送参数敏感度。应理解，步骤S241和步骤S242无明显的先后顺序。
步骤S243，根据第一配送参数与第二配送参数的差和第一营业参数与第二营业参数的差计算所述配送参数敏感度。
在本实施例中，配送参数敏感度与第一配送参数与第二配送参数的差和第一营业参数与第二营业参数的差有关。具体地，商户在预定日期的配送参数敏感度可以根据如下公式计算：
ROI＝|Δ营业参数/Δ配送参数|
其中，ROI为商户在预定日期的配送参数敏感度，Δ营业参数为第一营业参数与第二营业参数的差，Δ配送参数为第一配送参数与第二配送参数的差。应理解，配送参数敏感度也可以为包含Δ营业参数与Δ配送参数的比值的绝对值的函数。
步骤S300，根据配送参数敏感度确定商户的预测配送参数。
在实施例中，可以根据商户在预定日期的配送参数敏感度确定当日的预测配送参数。具体地，可以根据在预定日期的配送参数敏感度、预定的配送参数范围确定商户当日的预测配送参数。更具体地，商户的预测配送参数可以根据如下公式计算：
ui＝L+si t(H-L)
其中，ui为同一商户或同一类商户在预定日期的预测配送参数，L为预定的配送参数范围的下限，H为预定的配送参数范围的下限，si为归一化的在预定日期的配送参数敏感度，t为大于0的预定实数。优选地，t可以根据实际需求进行调整，由此可以获得较为准确的预测配送参数。
本发明实施例通过获取同一商户或同一类商户的历史配送数据，并根据历史配送数据获取商户的配送参数敏感度，进而根据配送参数敏感度确定商户的预测配送参数。由此，可以使得配送参数的确定更加合理且准确，同时提高商户的使用满意度。
图5是本发明第二实施例的配送参数的确定装置的示意图。如图5所示，本实施例的配送参数的确定装置5包括历史数据获取单元51、敏感度获取单元52和配送参数预测单元53。
其中，历史数据获取单元51用于获取同一商户或同一类商户的历史配送数据，其中，所述历史配送数据包括历史配送参数和对应的转化率，所述转化率表征所述商户的订单完成数量与被访问数量的比值。敏感度获取单元52用于根据所述历史配送数据获取所述商户的配送参数敏感度，其中，所述配送参数敏感度用于表征配送参数的变化对营业参数的变化的影响程度。配送参数预测单元53用于根据所述配送参数敏感度确定所述商户的预测配送参数。
进一步地，所述历史配送数据还包括所述历史配送参数对应的日期参数。所述敏感度获取单元52用于根据所述历史配送数据获取所述商户在预定日期的配送参数敏感度。所述配送参数预测单元53用于根据所述预定日期的配送参数敏感度确定所述商户在所述预定日期的预测配送参数。
进一步地，所述敏感度获取单元52包括第一子单元521、第二子单元522、第三子单元523和第四子单元524。
其中，第一子单元521用于根据所述历史配送数据获取转化率预测模型。第二子单元522用于根据预定的配送参数范围确定第一参考配送参数和第二参考配送参数。第三子单元523用于根据所述转化率预测模型分别获取所述第一参考配送参数对应的转化率和所述第二参考配送参数对应的转化率。第四子单元524用于根据所述转化率计算所述配送参数敏感度。
进一步地，所述第一子单元521包括模型获取模块5211和模型优化模块5212。
其中，模型获取模块5211用于对所述历史配送参数进行线性回归，获取原始的转化率预测模型。模型优化模块5212用于对所述原始的转化率预测模型进行L2正则优化，获取所述转化率预测模型。
进一步地，所述第四子单元524包括营业参数获取模块5241和敏感度计算模块5242。
其中，营业参数获取模块5241用于根据所述第一参考配送参数和对应的转化率获取第一营业参数，根据所述第二参考配送参数和对应的转化率获取第二营业参数，其中，所述第一营业参数表征所述第一参考匹配参数与对应的转化率的乘积，所述第二营业参数表征所述第二参考匹配参数与对应的转化率的乘积。
敏感度计算模块5242用于根据所述第一配送参数与第二配送参数的差和所述第一营业参数与第二营业参数的差计算所述配送参数敏感度。
进一步地，所述第一参考配送参数为所述预定的配送参数范围的上限，所述第二参考配送参数为所述预定的配送参数范围的下限。
进一步地，所述配送参数敏感度为：
所述第一营业参数与所述第二营业参数的差与所述第一配送参数与所述第二配送参数的差的比值的绝对值；或者
包含所述绝对值的函数。
进一步地，所述配送参数预测单元53用于根据所述配送参数敏感度和预定的配送参数范围确定所述商户的预测配送参数。
进一步地，所述商户的预测配送参数根据如下公式计算：
ui＝L+si t(H-L)
其中，ui为所述商户的预测配送参数，L为所述预定的配送参数范围的下限，H为所述预定的配送参数范围的上限，si为归一化的所述配送参数敏感度，t为大于0的预定实数。
本发明实施例通过获取同一商户或同一类商户的历史配送数据，并根据历史配送数据获取商户的配送参数敏感度，进而根据配送参数敏感度确定商户的预测配送参数。由此，可以使得配送参数的确定更加合理且准确，同时提高商户的使用满意度。
图6是本发明实施例的配送参数的确定方法的数据流程图。如图6所示，数据的变化如下：
步骤S1000，获取同一商户或同一类商户近60天的历史配送数据，其中，历史配送数据包括历史配送费(也即，历史配送参数)和对应的转化率。
步骤S2000，对历史配送数据进行筛选。
具体地，可以计算转化率与历史配送数据中的其他参数的相关系数，在相关系数满足预定条件时将对应的其他参数纳入到筛选后的历史配送数据中。在本实施例中，筛选后的历史配送数据包括历史配送费、对应的具体日期、在一周中的天数(也即，星期几)、是否为工作日及对应的转化率。
步骤S3000，根据历史配送数据得到转化率预测模型。
具体地，可以将筛选后的近60天的历史配送数据作为转化率预测模型的样本集合。其中，每天的历史配送数据作为样本集合中的一个样本。样本集合被划分为训练样本集合和测试样本集合，其中，训练样本集合用于训练转化率预测模型，可以包括历史配送数据中前59天的数据，测试样本集合用于测试转化率预测模型的准确性，可以包括历史配送数据中最后1天的数据。将样本集合中的历史配送费、对应的具体日期、在一周中的天数和是否为工作日作为转化率预测模型的输入，将对应的转化率作为模型的输出。
步骤S4000，根据转化率预测模型得到商户的配送费(也即，配送参数)敏感度。
图7是本发明实施例的方法根据转化率预测模型得到商户的配送参数敏感度的数据流程图。如图7所示，在预定的配送费范围(也即，配送参数范围)中确定商户在预定日期的第一参考配送费和第二参考配送费，根据转化率预测模型获取商户在预定日期的第一参考配送费对应的第一转化率和第二参考配送费对应的第二转化率。根据第一参考配送费和第一转化率获取第一营业额(也即，营业参数)，根据第二参考配送费和第二转化率获取第二营业额，根据第一参考配送费和第二参考配送费获取Δ配送费，根据第一营业额和第二营业额获取Δ营业额，根据Δ配送费和Δ营业额获取商户在预定日期的配送费敏感度ROI。上述参数的计算方式与本发明第一实施例相同，在此不再赘述。
步骤S5000，根据商户在预定日期的配送费敏感度获取商户在预定日期的预测配送费。
具体地，根据预定的配送费范围和商户在预定日期的配送费敏感度获取商户在预定日期的预测配送费。预测配送费的计算方式与本发明第一实施例相同，在此不再赘述。
图8是本发明实施例的应用场景界面示意图。如图8所示，本实施例的应用8包括配送数据输入窗口81和预测配送参数显示窗口82。具体地，可以在配送数据输入窗口81输入预测配送参数对应的日期，如9月30日，星期几，如星期日，是否为工作日根据输入的日期和在一周中的天数自动确定。应理解，也可以手动输入。参考配送参数可以为7和3.5。优选地，还可以对预定的参考配送参数范围进行提示，如“请注意，输入的参考配送参数须在1-10之间”。输入完成后，预定日期对应的预测配送参数会显示在预测配送参数显示窗口82。如，9月30日的预测配送参数为5。
图9是本发明实施例的电子设备的示意图。图9所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器91和存储器92。处理器91和存储器92通过总线93连接。存储器92适于存储处理器91可执行的指令或程序。处理器91可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器91通过执行存储器92所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线93将上述多个组件连接在一起，同时将上述组件连接到显示控制器94和显示装置以及输入/输出(I/O)装置95。输入/输出(I/O)装置95可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出(I/O)装置95通过输入/输出(I/O)控制器96与***相连。
其中，存储器92可以存储软件组件，例如操作***、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
上述根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或框图描述了本发明公开的各个方面。应理解，流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时，如本领域技术人员将意识到的，本发明实施例的各个方面可以被实现为***、方法或计算机程序产品。因此，本发明实施例的各个方面可以采取如下形式：完全硬件实现方式、完全软件实现方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“***”的将软件方面与硬件方面相结合的实现方式。此外，本发明公开的方面可以采取如下形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体***、设备或装置，或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项：具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中，计算机可读存储介质可以为能够包含或存储由指令执行***、设备或装置使用的程序或结合指令执行***、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令执行***、设备或装置使用的或结合指令执行***、设备或装置使用的程序进行通信、传播或传输。
用于执行针对本发明公开各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等；以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机，或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
以上所述仅为本发明公开的优选实施例，并不用于限制本发明公开，对于本领域技术人员而言，本发明公开可以有各种改动和变化。凡在本发明公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明公开的保护范围之内。
Claims (18)
1.一种配送参数的确定方法，其特征在于，所述方法包括：
获取同一商户或同一类商户的历史配送数据，其中，所述历史配送数据包括历史配送参数和对应的转化率，所述转化率表征所述商户的订单完成数量与被访问数量的比值；
根据所述历史配送数据获取所述商户的配送参数敏感度，其中，所述配送参数敏感度用于表征配送参数的变化对营业参数的变化的影响程度；
根据所述配送参数敏感度确定所述商户的预测配送参数；
其中，根据所述历史配送数据获取用户的配送参数敏感度包括：
根据所述历史配送数据获取转化率预测模型；
根据预定的配送参数范围确定第一参考配送参数和第二参考配送参数；
根据所述转化率预测模型分别获取所述第一参考配送参数对应的转化率和所述第二参考配送参数对应的转化率；
根据所述转化率计算所述配送参数敏感度。
2.根据权利要求1所述的配送参数的确定方法，其特征在于，所述历史配送数据还包括所述历史配送参数对应的日期参数；
根据所述历史配送数据获取所述商户的配送参数敏感度具体为：根据所述历史配送数据获取所述商户在预定日期的配送参数敏感度；
根据所述配送参数敏感度确定所述商户的预测配送参数具体为：根据所述预定日期的配送参数敏感度确定所述商户在所述预定日期的预测配送参数。
3.根据权利要求1所述的配送参数的确定方法，其特征在于，根据所述历史配送数据获取转化率预测模型包括：
对所述历史配送参数进行线性回归，获取原始的转化率预测模型；
对所述原始的转化率预测模型进行L2正则优化，获取所述转化率预测模型。
4.根据权利要求1所述的配送参数的确定方法，其特征在于，根据所述转化率计算所述配送参数敏感度包括：
根据所述第一参考配送参数和对应的转化率获取第一营业参数，其中，所述第一营业参数表征所述第一参考匹配参数与对应的转化率的乘积；
根据所述第二参考配送参数和对应的转化率获取第二营业参数，其中，所述第二营业参数表征所述第二参考匹配参数与对应的转化率的乘积；
根据所述第一配送参数与第二配送参数的差和所述第一营业参数与第二营业参数的差计算所述配送参数敏感度。
5.根据权利要求1所述的配送参数的确定方法，其特征在于，所述第一参考配送参数为所述预定的配送参数范围的上限，所述第二参考配送参数为所述预定的配送参数范围的下限。
6.根据权利要求1所述的配送参数的确定方法，其特征在于，所述配送参数敏感度为：
所述第一营业参数与所述第二营业参数的差与所述第一配送参数与所述第二配送参数的差的比值的绝对值；或者
包含所述绝对值的函数。
7.根据权利要求1或2所述的配送参数的确定方法，其特征在于，根据所述配送参数敏感度确定所述商户的预测配送参数包括：
根据所述配送参数敏感度和预定的配送参数范围确定所述商户的预测配送参数。
8.根据权利要求7所述的配送参数的确定方法，其特征在于，所述商户的预测配送参数根据如下公式计算：
ui＝L+si t(H-L)
其中，ui为所述商户的预测配送参数，L为所述预定的配送参数范围的下限，H为所述预定的配送参数范围的上限，si为归一化的所述配送参数敏感度，t为大于0的预定实数。
9.一种配送参数的确定装置，其特征在于，所述装置包括：
历史数据获取单元，用于获取同一商户或同一类商户的历史配送数据，其中，所述历史配送数据包括历史配送参数和对应的转化率，所述转化率表征所述商户的订单完成数量与被访问数量的比值；
敏感度获取单元，用于根据所述历史配送数据获取所述商户的配送参数敏感度，其中，所述配送参数敏感度用于表征配送参数的变化对营业参数的变化的影响程度；
配送参数预测单元，用于根据所述配送参数敏感度确定所述商户的预测配送参数；
其中，所述敏感度获取单元包括：
第一子单元，用于根据所述历史配送数据获取转化率预测模型；
第二子单元，用于根据预定的配送参数范围确定第一参考配送参数和第二参考配送参数；
第三子单元，用于根据所述转化率预测模型分别获取所述第一参考配送参数对应的转化率和所述第二参考配送参数对应的转化率；
第四子单元，用于根据所述转化率计算所述配送参数敏感度。
10.根据权利要求9所述的配送参数的确定装置，其特征在于，所述历史配送数据还包括所述历史配送参数对应的日期参数；
所述敏感度获取单元用于根据所述历史配送数据获取所述商户在预定日期的配送参数敏感度；
所述配送参数预测单元用于根据所述预定日期的配送参数敏感度确定所述商户在所述预定日期的预测配送参数。
11.根据权利要求9所述的配送参数的确定装置，其特征在于，所述第一子单元包括：
模型获取模块，用于对所述历史配送参数进行线性回归，获取原始的转化率预测模型；
模型优化模块，用于对所述原始的转化率预测模型进行L2正则优化，获取所述转化率预测模型。
12.根据权利要求9所述的配送参数的确定装置，其特征在于，所述第四子单元包括：
营业参数获取模块，用于根据所述第一参考配送参数和对应的转化率获取第一营业参数，其中，所述第一营业参数表征所述第一参考匹配参数与对应的转化率的乘积；
营业参数获取模块，用于根据所述第二参考配送参数和对应的转化率获取第二营业参数，其中，所述第二营业参数表征所述第二参考匹配参数与对应的转化率的乘积；
敏感度计算模块，用于根据所述第一配送参数与第二配送参数的差和所述第一营业参数与第二营业参数的差计算所述配送参数敏感度。
13.根据权利要求9所述的配送参数的确定装置，其特征在于，所述第一参考配送参数为所述预定的配送参数范围的上限，所述第二参考配送参数为所述预定的配送参数范围的下限。
14.根据权利要求9所述的配送参数的确定装置，其特征在于，所述配送参数敏感度为：
所述第一营业参数与所述第二营业参数的差与所述第一配送参数与所述第二配送参数的差的比值的绝对值；或者
包含所述绝对值的函数。
15.根据权利要求9或10所述的配送参数的确定装置，其特征在于，所述配送参数预测单元用于根据所述配送参数敏感度和预定的配送参数范围确定所述商户的预测配送参数。
16.根据权利要求15所述的配送参数的确定装置，其特征在于，所述商户的预测配送参数根据如下公式计算：
ui＝L+si t(H-L)
其中，ui为所述商户的预测配送参数，L为所述预定的配送参数范围的下限，H为所述预定的配送参数范围的上限，si为归一化的所述配送参数敏感度，t为大于0的预定实数。
17.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-8中任一项所述的方法。
18.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811247116.XA CN109376929B (zh) | 2018-10-24 | 2018-10-24 | 配送参数的确定方法、确定装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811247116.XA CN109376929B (zh) | 2018-10-24 | 2018-10-24 | 配送参数的确定方法、确定装置、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109376929A CN109376929A (zh) | 2019-02-22 |
| CN109376929B true CN109376929B (zh) | 2021-04-23 |
Family
ID=65401976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811247116.XA Expired - Fee Related CN109376929B (zh) | 2018-10-24 | 2018-10-24 | 配送参数的确定方法、确定装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376929B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126914B (zh) * | 2019-12-24 | 2023-09-26 | 拉扎斯网络科技（上海）有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN111369137A (zh) * | 2020-03-03 | 2020-07-03 | 拉扎斯网络科技（上海）有限公司 | 配送任务的分配方法、装置、服务器和存储介质 |
| CN115082095A (zh) * | 2021-03-10 | 2022-09-20 | 顺丰科技有限公司 | 转化率预测模型训练方法、装置、电子设备及存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208039B (zh) * | 2012-01-13 | 2017-05-03 | 株式会社日立制作所 | 软件项目风险评价方法及装置 |
| CN107094165B (zh) * | 2016-08-31 | 2021-01-08 | 阿里巴巴集团控股有限公司 | 配送能力确定、配送任务获取、配送资源调度方法和设备 |
| CN107093081A (zh) * | 2016-11-24 | 2017-08-25 | 北京小度信息科技有限公司 | 服务策略制定方法和装置 |
| CN107092974B (zh) * | 2016-11-29 | 2021-02-09 | 北京星选科技有限公司 | 配送压力预测方法及装置 |
| CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技（深圳）有限公司 | 目标客户的识别方法及终端设备 |
| CN108171530B (zh) * | 2017-12-06 | 2021-02-02 | 口碑(上海)信息技术有限公司 | 一种用于客单价和复购率的提升方法及装置 |
| CN107944737A (zh) * | 2017-12-07 | 2018-04-20 | 北京小度信息科技有限公司 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
| CN107944645A (zh) * | 2017-12-29 | 2018-04-20 | 浪潮软件股份有限公司 | 一种烟草配送线路优化的可行性分析方法 |
| WO2019183973A1 (zh) * | 2018-03-30 | 2019-10-03 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
-
2018
- 2018-10-24 CN CN201811247116.XA patent/CN109376929B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109376929A (zh) | 2019-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376929B (zh) | 配送参数的确定方法、确定装置、存储介质和电子设备 | |
| CN107301570B (zh) | 业务量预测方法、异常业务量检测方法、装置和电子设备 | |
| WO2017056368A1 (ja) | 最適化システム、最適化方法および最適化プログラム | |
| WO2017056367A1 (ja) | 情報処理システム、情報処理方法および情報処理用プログラム | |
| JP2019028871A (ja) | プロジェクト管理支援装置、プロジェクト管理支援方法およびプログラム | |
| US10178241B2 (en) | Telecommunication price-based routing apparatus, system and method | |
| US20150178751A1 (en) | Fuel price data generation | |
| CN110363468B (zh) | 采购订单的确定方法、装置、服务器及可读存储介质 | |
| CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
| Bucher et al. | Configuring single-echelon systems using demand categorization | |
| CN110689177B (zh) | 订单准备时间的预测方法和装置，电子设备及存储介质 | |
| JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
| CN108090785A (zh) | 确定用户行为衰退倾向的方法、装置及电子设备 | |
| CN112418534B (zh) | 揽件量预测方法及装置、电子设备、计算机可读存储介质 | |
| CN115660726A (zh) | 基于历史商家记录及用户行为的电商消费客流量预测*** | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| JPH07160762A (ja) | 見積り支援装置 | |
| Bindewald et al. | Modeling multi-stage decision making under incomplete and uncertain information | |
| JP4795788B2 (ja) | ソフトウェア開発工数見積装置 | |
| CN102902838A (zh) | 基于趋势的过程控制目标设定方法和*** | |
| CN112308344A (zh) | 一种未离港航班订座值预测方法、装置及电子设备 | |
| US20240211250A1 (en) | Software version control using forecasts as covariate for experiment variance reduction | |
| US20240113936A1 (en) | Method and system for artificial intelligence-based acceleration of zero-touch processing | |
| CN112801358A (zh) | 基于模型融合的件量预测方法、装置、设备及存储介质 | |
| Lagoda et al. | Efficient Warehouse and Inventory Management: The Modified ABC XYZ Analysis as a Framework to Integrate Demand Forecasting and Inventory Control |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100084 Room 202, 2 / F, 1-3 / F, No. 11, Shangdi Information Road, Haidian District, Beijing Applicant after: Beijing Xingxuan Technology Co.,Ltd. Address before: Room 202, 2 floors, 1-3 floors, No. 11 Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: Beijing Xiaodu Information Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210423 |