CN112200524B - 一种精确度高的智能推荐***及其智能推荐方法 - Google Patents

一种精确度高的智能推荐***及其智能推荐方法 Download PDF

Info

Publication number
CN112200524B
CN112200524B CN202011392340.5A CN202011392340A CN112200524B CN 112200524 B CN112200524 B CN 112200524B CN 202011392340 A CN202011392340 A CN 202011392340A CN 112200524 B CN112200524 B CN 112200524B
Authority
CN
China
Prior art keywords
seller
service
portrait
supplier
data
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
Application number
CN202011392340.5A
Other languages
English (en)
Other versions
CN112200524A (zh
Inventor
张羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wanyi Tongshang Beijing Information Technology Co ltd
Original Assignee
Wanyi Tongshang Beijing Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wanyi Tongshang Beijing Information Technology Co ltd filed Critical Wanyi Tongshang Beijing Information Technology Co ltd
Priority to CN202011392340.5A priority Critical patent/CN112200524B/zh
Publication of CN112200524A publication Critical patent/CN112200524A/zh
Application granted granted Critical
Publication of CN112200524B publication Critical patent/CN112200524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q10/0838—Historical data
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种精确度高的智能推荐***及其智能推荐方法。所述方法包括：对供应商物流服务的历史数据进行分析，并获得供应商服务画像；通过对卖家历史物流方案选择的数据分析，获取具有卖家画像；设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；利用供应商服务画像和卖家画像，通过计算获取所述供应商服务图像与用户图像之间的匹配度，并将所述匹配度按照从高到底的顺序，依次将所述供应商服务图像以及对应的匹配度推荐展示给卖家；卖家根据提供的供应商服务图像选择物流方案。所述***包括与所述方法步骤对应的模块。

Description

一种精确度高的智能推荐***及其智能推荐方法
技术领域
本发明提出了一种精确度高的智能推荐***及其智能推荐方法，属于物流技术领域。
背景技术
传统的供应链解决方案***中，***提供给跨境电商卖家(以下简称卖家)一批物流方案及方案所需的成本和时效，需要卖家根据物流成本、时效、风险等因素对比不同的物流方案，自主选择符合自身需求的方案。这种方式存在以下几个突出的问题：
1、卖家无法快速的获取到最优物流解决方案。
2、计算量大，卖家自行计算容易出错。
发明内容
本发明提供了一种精确度高的智能推荐***及其智能推荐方法，用以解决现有供应链解决方案***易导致卖家无法快速的获取到最优物流解决方案，以及计算量大，导致卖家自行计算容易出错的问题：
本发明提出的一种精确度高的智能推荐方法，所述方法包括：
对供应商物流服务的历史数据进行分析，并获得具有“服务时效”、“服务时效达成率”和“卖家单位计费重成本”的供应商服务画像；
通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像；
设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，并将所述匹配度按照从高到底的顺序，依次将所述供应商服务画像以及对应的匹配度推荐展示给卖家；
卖家根据提供的供应商服务画像选择物流方案。
进一步地，所述供应商服务画像中，所述“服务时效”、“服务时效达成率”和“卖家单位计费重成本”通过如下公式获得：
Figure 100002_DEST_PATH_IMAGE002
其中，T表示服务时效；T g 表示供应商服务时效；S表示服务时效达成率；C表示达成供应商承诺时效的订单量；C z 表示总有效订单量；W表示卖家单位计费重成本，W z 表示总卖价；H z 表示总有效计费重。
进一步地，通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像，包括：
统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；
统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；
以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
进一步地，所述设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新，包括：
以预先设定的固定时间长度为数据更新周期，根据固定时间长度的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
或，在连续出现五天供应商有效总有效订单量超过预设的有效订单量阈值时，通过如下公式获取具备自动调节性的数据更新周期，根据具备自动调节性的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新：
Figure 100002_DEST_PATH_IMAGE004
其中，T c 表示调整后的数据更新周期，T 0表示预先设定的初始默认的数据更新周期；λ表示调整系数，λ的取值范围为0.91-0.95；优选0.93；ΔT表示时间调整量；C zi 表示连续五天供应商有效总有效订单量超过预设的有效订单量阈值时，第i天的供应商的总有效订单量；C y 表示预设的有效订单量阈值；max（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最大值；min（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最小值。
进一步地，所述利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，包括：
以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；
在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与用户画像之间的匹配度，直线距离越短表示匹配度越高；
其中，直线距离通过如下公式获取:
Figure 100002_DEST_PATH_IMAGE006
其中，F表示供应商，S表示卖家画像，X F 、Y F 和Z F 分别表示供应商在三维坐标系中的X、Y和Z轴上的坐标；X S 、Y S 和Z S 分别表示卖家的坐标。
一种精确度高的智能推荐***，所述***包括：
服务画像获取模块，用于对供应商物流服务的历史数据进行分析，并获得具有“服务时效”、“服务时效达成率”和“卖家单位计费重成本”的供应商服务画像；
卖家画像获取模块，用于通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像；
数据更新模块，用于设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
匹配度获取模块，用于利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，并将所述匹配度按照从高到底的顺序，依次将所述供应商服务画像以及对应的匹配度推荐展示给卖家；
物流方案确定模块，用于卖家根据提供的供应商服务画像选择物流方案。
进一步地，所述供应商服务画像中，所述“服务时效”、“服务时效达成率”和“卖家单位计费重成本”通过如下公式获得：
Figure 100002_DEST_PATH_IMAGE008
其中，T表示服务时效；T g 表示供应商服务时效；S表示服务时效达成率；C表示达成供应商承诺时效的订单量；C z 表示总有效订单量；W表示卖家单位计费重成本，W z 表示总卖价；H z 表示总有效计费重。
进一步地，所述卖家画像获取模块包括：
期望时效值获取模块，用于统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；
时效达成率获取模块，用于统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；
计费重成本获取模块，用于以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
进一步地，所述数据更新模块包括：
周期预设模块，用于以预先设定的固定时间长度为数据更新周期，根据固定时间长度的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
周期调整模块，用于在连续出现五天供应商有效总有效订单量超过预设的有效订单量阈值时，通过如下公式获取具备自动调节性的数据更新周期，根据具备自动调节性的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新：
Figure 100002_DEST_PATH_IMAGE010
其中，T c 表示调整后的数据更新周期，T 0表示预先设定的初始默认的数据更新周期；λ表示调整系数，λ的取值范围为0.91-0.95；优选0.93；ΔT表示时间调整量；C zi 表示连续五天供应商有效总有效订单量超过预设的有效订单量阈值时，第i天的供应商的总有效订单量；C y 表示预设的有效订单量阈值；max（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最大值；min（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最小值。
进一步地，所述匹配度获取模块包括：
坐标系建立模块，用于以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；
匹配度确定模块，用于在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与用户画像之间的匹配度，直线距离越短表示匹配度越高；
其中，直线距离通过如下公式获取:
Figure 100002_DEST_PATH_IMAGE012
其中，F表示供应商，S表示卖家画像，X F 、Y F 和Z F 分别表示供应商在三维坐标系中的X、Y和Z轴上的坐标；X S 、Y S 和Z S 分别表示卖家的坐标。
本发明有益效果：
本发明提出的一种精确度高的智能推荐***及其智能推荐方法，使用简单，卖家只需要描述清楚自己的需求即可一键获得物流方案的最优推荐结果。同时，本发明提出的智能推荐***及其智能推荐方法能够快速获取最优方案的推荐，1s内可同时推荐物流方案200个以上，使卖家能够快速直接获取最优物流解决方案，并且，计算量极小，有效避免卖家自行计算以及出错情况。
附图说明
图1为本发明所述方法的流程图 ；
图2为本发明所述***的结构框图；、
图3为本发明所述***的运行原理图；
图4为本发明所述供应商服务图画包含元素示意图；
图5为本发明所述卖家图画包含元素示意图；
图6为本发明所述方法和***的匹配度计算原理图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提出的一种精确度高的智能推荐方法，如图1、图4和图5所示，所述方法包括：
S1、对供应商物流服务的历史数据进行分析，并获得具有“服务时效”、“服务时效达成率”和“卖家单位计费重成本”的供应商服务画像；
S2、通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像；
S3、设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
S4、利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，并将所述匹配度按照从高到底的顺序，依次将所述供应商服务画像以及对应的匹配度推荐展示给卖家；
S5、卖家根据提供的供应商服务画像选择物流方案。其中，推荐的方式有两种：
第一种，卖家默认使用供应商服务推荐列表中匹配度最高的服务作为自己的物流方案。
第二种，卖家根据推荐的供应商服务匹配度，自行选择符合实际条件的服务作为自己的物流方案。
其中，所述供应商服务画像中，所述“服务时效”、“服务时效达成率”和“卖家单位计费重成本”通过如下公式获得：
Figure DEST_PATH_IMAGE014
其中，T表示服务时效；T g 表示供应商服务时效；S表示服务时效达成率；C表示达成供应商承诺时效的订单量；C z 表示总有效订单量；W表示卖家单位计费重成本，W z 表示总卖价；H z 表示总有效计费重。
上述技术方案的工作原理为：通过对供应商物流服务历史数据分析，得出具有“服务时效”、“服务时效达成率”、“卖家单位计费重成本”的供应商服务画像。通过对卖家历史物流方案选择数据分析，得出“卖家期望时效”、“卖家期望服务时效达成率”、“卖家期望单位计费重成本”的卖家画像。此处，供应商和卖家历史数据的周期可以自定义，可以为1自然月，也可以为几个自然日；也可以通过公式计算获取。***根据周期选择自动更新画像。
上述技术方案的效果为：使用简单，卖家只需要描述清楚自己的需求即可一键获得物流方案的最优推荐结果。同时，能够快速获取最优方案的推荐，1s内可同时推荐物流方案200个以上，使卖家能够快速直接获取最优物流解决方案，并且，计算量极小，有效避免卖家自行计算以及出错情况。
本发明的一个实施例，通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像，包括：
S201、 统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；
S202、统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；
S203、以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
上述技术方案的工作原理为：首先，统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；然后，统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；最后，以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
上述技术方案的效果为：有效提高期望时效值、卖家期望服务时效达成率以及期望单位计费重成本的准确性，同时，通过上述方式获取的期望时效值、卖家期望服务时效达成率以及期望单位计费重成本与卖家实际的出货情况匹配性更高，为后续物流最优方案的获取提供精确、准确且更符合实际需求的数据基础。另一方面，通过上述方式获取期望时效值、卖家期望服务时效达成率以及期望单位计费重成本，能够有效降低数据计算量，简化数据获取步骤，提高数据获取效率。
本发明的一个实施例，所述设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新，包括：
以预先设定的固定时间长度为数据更新周期，根据固定时间长度的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
或，在连续出现五天供应商有效总有效订单量超过预设的有效订单量阈值时，通过如下公式获取具备自动调节性的数据更新周期，根据具备自动调节性的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新：
Figure DEST_PATH_IMAGE016
其中，T c 表示调整后的数据更新周期，T 0表示预先设定的初始默认的数据更新周期；λ表示调整系数，λ的取值范围为0.91-0.95；优选0.93；ΔT表示时间调整量；C zi 表示连续五天供应商有效总有效订单量超过预设的有效订单量阈值时，第i天的供应商的总有效订单量；C y 表示预设的有效订单量阈值；max（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最大值；min（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最小值。
上述技术方案的工作原理及效果为：通过预先设定的固定时间长度或依据供应商实际有效订单量计算获取数据更新周期。通过上述调整方式获取数据更新周期，能够根据实际供应商的订单量情况，进行数据周期调整。当供应商实际总订单量连续5天单日超过预设订单量阈值时，则对数据更新周期进行缩短调整，提高数据更新频率，以便后续物流最优方案的获取提供及时有效的数据基础。同时，通过时上述公式获取的时间调整变化量ΔT能够有效提高时间调整的准确性和时间调整与实际订单量数据变化的匹配性，并提高数据更新获取的及时性。
本发明的一个实施例，所述利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，包括：
S401、以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；
S402、在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与用户画像之间的匹配度，直线距离越短表示匹配度越高；
其中，直线距离通过如下公式获取:
Figure DEST_PATH_IMAGE018
其中，F表示供应商，S表示卖家画像，X F 、Y F 和Z F 分别表示供应商在三维坐标系中的X、Y和Z轴上的坐标；X S 、Y S 和Z S 分别表示卖家的坐标。
上述技术方案的工作原理为：首先，以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；然后，在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与用户画像之间的匹配度，直线距离越短表示匹配度越高
具体的，如图6所示，根据当次卖家发货仓、发货货值及电商平台信息匹配出卖家画像数据。
在三维坐标系中，分别以X、Y、Z轴代表“时效”、“成本”、“时效达成率”，坐标系中A、B、C、D等点为某发货仓可用供应商服务的画像，S点为用户画像，其中，坐标系中A、B、C、D和S等点的坐标分别为：A（X a ，Y a ，Z a ）、B（X b ，Y b ，Z b ）、C（X c ，Y c ，Z c ）、D（X d ，Y d ，Z d ）和S（X s ，Y s ，Z s ）。
以S点到A、B、C、D等点的直线距离从短到长排序，即为供应商服务画像与用户画像匹配度的排序。其中，S点到A、B、C、D等点的直线距离分别为：
Figure DEST_PATH_IMAGE020
依次从高到低取出供应商服务展现给卖家。其中，距离越短视为匹配度越高，匹配度筛选如下：
Figure DEST_PATH_IMAGE022
上述技术方案的效果为：通过上述方式能够快速获取供应商服务推荐列表，以及直观的匹配度最高的服务对象，进而快速获取匹配度最高的服务对象对应的默认物流方案或使卖家根据直观快速获取的匹配度最高的服务对象进行自定义物流方案。提高卖家获取最优物流方案的效率，节省时间，同时简化计算流程，有效降低数据计算量，进而降低匹配度获取过程中的计算误差和错误率。
本发明实施例提出一种精确度高的智能推荐***，如图2所示，所述***包括：
服务画像获取模块，用于对供应商物流服务的历史数据进行分析，并获得具有“服务时效”、“服务时效达成率”和“卖家单位计费重成本”的供应商服务画像；
卖家画像获取模块，用于通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像；
数据更新模块，用于设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
匹配度获取模块，用于利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，并将所述匹配度按照从高到底的顺序，依次将所述供应商服务画像以及对应的匹配度推荐展示给卖家；
物流方案确定模块，用于卖家根据提供的供应商服务画像选择物流方案。
其中，所述供应商服务画像中，所述“服务时效”、“服务时效达成率”和“卖家单位计费重成本”通过如下公式获得：
Figure DEST_PATH_IMAGE024
其中，T表示服务时效；T g 表示供应商服务时效；S表示服务时效达成率；C表示达成供应商承诺时效的订单量；C z 表示总有效订单量；W表示卖家单位计费重成本，W z 表示总卖价；H z 表示总有效计费重。
本实施例所述***的应用场景和实现过程如下：
卖家在使用excle进行批量导入下物流单时，***根据卖家导入的发货仓和物流服务信息，自动推荐一批成本更低时效更高的物流方案供卖家选择。
根据卖家初步选择的物流方案，找到供应链***中关联可用的其他物流方案，计算这些物流方案的卖家成本，如果卖家成本一致，则计算物流方案的时效。依据卖家成本最低，时效最高的顺序为卖家推荐可用的物流方案。
上述技术方案的工作原理为：首先，利用服务画像获取模块对供应商物流服务的历史数据进行分析，并获得具有“服务时效”、“服务时效达成率”和“卖家单位计费重成本”的供应商服务画像；然后，采用卖家画像获取模块通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像；之后，通过数据更新模块设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；通过匹配度获取模块利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，并将所述匹配度按照从高到底的顺序，依次将所述供应商服务画像以及对应的匹配度推荐展示给卖家；最后，采用物流方案确定模块使卖家根据提供的供应商服务画像选择物流方案。
上述技术方案的效果为：使用简单，卖家只需要描述清楚自己的需求即可一键获得物流方案的最优推荐结果。同时，能够快速获取最优方案的推荐，1s内可同时推荐物流方案200个以上，使卖家能够快速直接获取最优物流解决方案，并且，计算量极小，有效避免卖家自行计算以及出错情况。
本发明的一个实施例，所述卖家画像获取模块包括：
期望时效值获取模块，用于统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；
时效达成率获取模块，用于统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；
计费重成本获取模块，用于以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
上述技术方案的工作原理为：首先，期望时效值获取模块，用于统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；
时效达成率获取模块，用于统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；
计费重成本获取模块，用于以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
上述技术方案的效果为：有效提高期望时效值、卖家期望服务时效达成率以及期望单位计费重成本的准确性，同时，通过上述方式获取的期望时效值、卖家期望服务时效达成率以及期望单位计费重成本与卖家实际的出货情况匹配性更高，为后续物流最优方案的获取提供精确、准确且更符合实际需求的数据基础。另一方面，通过上述方式获取期望时效值、卖家期望服务时效达成率以及期望单位计费重成本，能够有效降低数据计算量，简化数据获取步骤，提高数据获取效率。
本发明的一个实施例，所述数据更新模块包括：
周期预设模块，用于以预先设定的固定时间长度为数据更新周期，根据固定时间长度的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
周期调整模块，用于在连续出现五天供应商有效总有效订单量超过预设的有效订单量阈值时，通过如下公式获取具备自动调节性的数据更新周期，根据具备自动调节性的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新：
Figure DEST_PATH_IMAGE026
其中，T c 表示调整后的数据更新周期，T 0表示预先设定的初始默认的数据更新周期；λ表示调整系数，λ的取值范围为0.91-0.95；优选0.93；ΔT表示时间调整量；C zi 表示连续五天供应商有效总有效订单量超过预设的有效订单量阈值时，第i天的供应商的总有效订单量；C y 表示预设的有效订单量阈值；max（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最大值；min（C zi - C y ）表示供应商有效总有效订单量超过预设的有效订单量阈值的数量最小值。
上述技术方案的工作原理及效果为：通过预先设定的固定时间长度或依据供应商实际有效订单量计算获取数据更新周期。通过上述调整方式获取数据更新周期，能够根据实际供应商的订单量情况，进行数据周期调整。当供应商实际总订单量连续5天单日超过预设订单量阈值时，则对数据更新周期进行缩短调整，提高数据更新频率，以便后续物流最优方案的获取提供及时有效的数据基础。同时，通过时上述公式获取的时间调整变化量ΔT能够有效提高时间调整的准确性和时间调整与实际订单量数据变化的匹配性，并提高数据更新获取的及时性。
本发明的一个实施例，所述匹配度获取模块包括：
坐标系建立模块，用于以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；
匹配度确定模块，用于在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与用户画像之间的匹配度，直线距离越短表示匹配度越高；
其中，直线距离通过如下公式获取:
Figure DEST_PATH_IMAGE028
其中，F表示供应商，S表示卖家画像，X F 、Y F 和Z F 分别表示供应商在三维坐标系中的X、Y和Z轴上的坐标；X S 、Y S 和Z S 分别表示卖家的坐标。
上述技术方案的工作原理为：首先，通过坐标系建立模块以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；然后，利用匹配度确定模块在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与用户画像之间的匹配度，直线距离越短表示匹配度越高。
上述技术方案的效果为：通过上述方式能够快速获取供应商服务推荐列表，以及直观的匹配度最高的服务对象，进而快速获取匹配度最高的服务对象对应的默认物流方案或使卖家根据直观快速获取的匹配度最高的服务对象进行自定义物流方案。提高卖家获取最优物流方案的效率，节省时间，同时简化计算流程，有效降低数据计算量，进而降低匹配度获取过程中的计算误差和错误率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种精确度高的智能推荐方法，其特征在于，所述方法包括：
对供应商物流服务的历史数据进行分析，并获得具有“服务时效”、“服务时效达成率”和“卖家单位计费重成本”的供应商服务画像；
通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像；
设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，并将所述匹配度按照从高到低的顺序，依次将所述供应商服务画像以及对应的匹配度推荐展示给卖家；
卖家根据提供的供应商服务画像选择物流方案；
其中，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新，包括：
在连续出现五天供应商总有效订单量超过预设的有效订单量阈值时，通过如下公式获取具备自动调节性的数据更新周期，根据具备自动调节性的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新：
Figure DEST_PATH_IMAGE002
其中，T c 表示调整后的数据更新周期，T 0表示预先设定的初始默认的数据更新周期；λ表示调整系数，λ的取值范围为0.91-0.95；ΔT表示时间调整量；C zi 表示连续五天供应商总有效订单量超过预设的有效订单量阈值时，第i天的供应商的总有效订单量；C y 表示预设的有效订单量阈值；max（C zi - C y ）表示供应商总有效订单量超过预设的有效订单量阈值的数量最大值；min（C zi - C y ）表示供应商总有效订单量超过预设的有效订单量阈值的数量最小值。
2.根据权利要求1所述的方法，其特征在于，所述供应商服务画像中，所述“服务时效”、“服务时效达成率”和“卖家单位计费重成本”通过如下公式获得：
Figure DEST_PATH_IMAGE004
其中，T表示服务时效；T g 表示供应商服务时效；S表示服务时效达成率；C表示达成供应商承诺时效的订单量；C z 表示总有效订单量；W表示卖家单位计费重成本，W z 表示总卖价；H z 表示总有效计费重。
3.根据权利要求1所述的方法，其特征在于，通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像，包括：
统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；
统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；
以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
4.根据权利要求1所述的方法，其特征在于，所述利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，包括：
以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；
在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与卖家画像之间的匹配度，直线距离越短表示匹配度越高；
其中，直线距离通过如下公式获取:
Figure DEST_PATH_IMAGE006
其中，F表示供应商，S表示卖家画像，X F 、Y F 和Z F 分别表示供应商在三维坐标系中的X、Y和Z轴上的坐标；X S 、Y S 和Z S 分别表示卖家的坐标。
5.一种精确度高的智能推荐***，其特征在于，所述***包括：
服务画像获取模块，用于对供应商物流服务的历史数据进行分析，并获得具有“服务时效”、“服务时效达成率”和“卖家单位计费重成本”的供应商服务画像；
卖家画像获取模块，用于通过对卖家历史物流方案选择的数据分析，获取具有“卖家期望时效”、“卖家期望服务时效达成率”和“卖家期望单位计费重成本”的卖家画像；
数据更新模块，用于设定数据更新周期，根据所述数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
匹配度获取模块，用于利用供应商服务画像和卖家画像，通过计算获取所述供应商服务画像与卖家画像之间的匹配度，并将所述匹配度按照从高到低的顺序，依次将所述供应商服务画像以及对应的匹配度推荐展示给卖家；
物流方案确定模块，用于卖家根据提供的供应商服务画像选择物流方案；
其中，所述数据更新模块包括：
周期预设模块，用于以预先设定的固定时间长度为数据更新周期，根据固定时间长度的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新；
周期调整模块，用于在连续出现五天供应商总有效订单量超过预设的有效订单量阈值时，通过如下公式获取具备自动调节性的数据更新周期，根据具备自动调节性的数据更新周期内产生的历史数据对所述供应商服务画像和卖家画像进行自动更新：
Figure DEST_PATH_IMAGE008
其中，T c 表示调整后的数据更新周期，T 0表示预先设定的初始默认的数据更新周期；λ表示调整系数，λ的取值范围为0.91-0.95；ΔT表示时间调整量；C zi 表示连续五天供应商总有效订单量超过预设的有效订单量阈值时，第i天的供应商的总有效订单量；C y 表示预设的有效订单量阈值；max（C zi - C y ）表示供应商总有效订单量超过预设的有效订单量阈值的数量最大值；min（C zi - C y ）表示供应商总有效订单量超过预设的有效订单量阈值的数量最小值。
6.根据权利要求5所述的***，其特征在于，所述供应商服务画像中，所述“服务时效”、“服务时效达成率”和“卖家单位计费重成本”通过如下公式获得：
Figure DEST_PATH_IMAGE010
其中，T表示服务时效；T g 表示供应商服务时效；S表示服务时效达成率；C表示达成供应商承诺时效的订单量；C z 表示总有效订单量；W表示卖家单位计费重成本，W z 表示总卖价；H z 表示总有效计费重。
7.根据权利要求5所述的***，其特征在于，所述卖家画像获取模块包括：
期望时效值获取模块，用于统计卖家的发货数据，按照单SKU货值对发货数据进行统计分组，获得不同货值区间内所有期望时效的数据模型；从每组数据模型中，计算出期望服务时效的中位数，并将所述中位数作为货值分组的期望时效值；
时效达成率获取模块，用于统计卖家在ebay、amazon和wish平台的物流登记评分数据，以电商平台为维度对期望时效达成率进行分组，统计每组内的发货数据，获取所有服务实际时效达成率的中位数，作为卖家期望服务时效达成率；
计费重成本获取模块，用于以发货仓为维度，统计卖家的发货数据，从单仓发货成本数据中获取到中位数，作为单仓的期望单位计费重成本。
8.根据权利要求5所述的***，其特征在于，所述匹配度获取模块包括：
坐标系建立模块，用于以“服务时效”、“卖家单位计费重成本”和“服务时效达成率”作为X、Y和Z轴形成三维坐标系；在所述三维坐标系中的各坐标点即为针对某发货仓可用的供应商，所述三维坐标系形成的图像即为供应商服务画像；
匹配度确定模块，用于在所述三维坐标系中计算所述各坐标点与卖家画像之间的直线距离，并按照直线距离从短到长的顺序对所述供应商进行排序；其中，所述各坐标点与卖家画像之间的直线距离即为各供应商服务画像与卖家画像之间的匹配度，直线距离越短表示匹配度越高；
其中，直线距离通过如下公式获取:
Figure DEST_PATH_IMAGE012
其中，F表示供应商，S表示卖家画像，X F 、Y F 和Z F 分别表示供应商在三维坐标系中的X、Y和Z轴上的坐标；X S 、Y S 和Z S 分别表示卖家的坐标。
CN202011392340.5A 2020-12-03 2020-12-03 一种精确度高的智能推荐***及其智能推荐方法 Active CN112200524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011392340.5A CN112200524B (zh) 2020-12-03 2020-12-03 一种精确度高的智能推荐***及其智能推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011392340.5A CN112200524B (zh) 2020-12-03 2020-12-03 一种精确度高的智能推荐***及其智能推荐方法

Publications (2)

Publication Number Publication Date
CN112200524A CN112200524A (zh) 2021-01-08
CN112200524B true CN112200524B (zh) 2021-04-16

Family

ID=74033643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011392340.5A Active CN112200524B (zh) 2020-12-03 2020-12-03 一种精确度高的智能推荐***及其智能推荐方法

Country Status (1)

Country Link
CN (1) CN112200524B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948667A (zh) * 2021-02-03 2021-06-11 北京优易惠技术有限公司 一种基于招投标的供应商推荐***及方法
CN113034076B (zh) * 2021-03-29 2024-03-29 上海寻梦信息技术有限公司 物流承运对象推荐方法、装置、电子设备和存储介质
CN116308684B (zh) * 2023-05-18 2023-08-11 和元达信息科技有限公司 一种网购平台店铺信息推送方法及***
CN117035609A (zh) * 2023-08-10 2023-11-10 广州市斗满科技有限公司 一种物流分配方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230014B (zh) * 2017-05-15 2020-11-03 浙江仟和网络科技有限公司 一种末端即时物流的智能调度***
CN110869953A (zh) * 2018-02-06 2020-03-06 北京嘀嘀无限科技发展有限公司 推荐交通出行服务的***和方法
CN111178919B (zh) * 2018-11-09 2023-12-08 北京沃东天骏信息技术有限公司 信息投放方法、装置、设备及计算机可读存储介质
CN110147929A (zh) * 2019-04-15 2019-08-20 深圳壹账通智能科技有限公司 公益捐赠物资分配方法、装置、计算机设备及存储介质
CN110738376A (zh) * 2019-10-16 2020-01-31 安徽九州通智能科技有限公司 一种云物流服务资源优化匹配方法

Also Published As

Publication number Publication date
CN112200524A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112200524B (zh) 一种精确度高的智能推荐***及其智能推荐方法
Feldman et al. Customer choice models vs. machine learning: Finding optimal product displays on Alibaba
US7369970B2 (en) Method and apparatus for estimating product cost
CN112785257B (zh) 一种基于bim技术的工程造价运算评估方法及***
CN109117824A (zh) 商品的管理方法、装置、电子设备及储存介质
WO2019232776A1 (en) Systems and methods for generating personalized destination recommendations
WO2018214503A1 (zh) 一种样本权重设置方法及装置、电子设备
US20020147651A1 (en) Method of and apparatus for determining item availability
CN107742245A (zh) 一种商户信息推荐方法、装置及设备
CN109784594B (zh) 一种售电商可调负荷决策方法及***
US20170249582A1 (en) Intermodal delivery optimization
US20020147657A1 (en) Method of and apparatus for determining item availability through a network
CN117217865B (zh) 基于大数据分析的个性化推荐***
CN112446764A (zh) 游戏商品推荐方法、装置及电子设备
CN114331535A (zh) 一种基于智能购物车的信息发放***和方法
CN112750015B (zh) 一种黑色金属材料用电子交易***
CN111768216A (zh) 订单价格调整方法、装置、服务器及存储介质
TW200422889A (en) Quotation analysis system and method
CN113379360B (zh) 商品二次交易方法、装置、电子设备和计算机可读介质
CN111311357B (zh) 一种房屋交易信息管理方法及***
CN107038539B (zh) 货品属性信息处理方法及装置
EP1367519A1 (en) Electronic bid agent system
CN117151821B (zh) 一种基于物联网的体育用品批发管理***
EP1333392A1 (en) Method for selling merchandise and method for purchasing merchandise
CN101714225A (zh) 一种产品成本的计算方法及装置

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
GR01 Patent grant
GR01 Patent grant