CN113674052B - 一种智能订单推荐方法、装置、计算机设备及存储介质 - Google Patents

一种智能订单推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113674052B
CN113674052B CN202110800180.1A CN202110800180A CN113674052B CN 113674052 B CN113674052 B CN 113674052B CN 202110800180 A CN202110800180 A CN 202110800180A CN 113674052 B CN113674052 B CN 113674052B
Authority
CN
China
Prior art keywords
sku
user
order
intelligent
dealer
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
CN202110800180.1A
Other languages
English (en)
Other versions
CN113674052A (zh
Inventor
韩天奇
黄鸣夏
柳翼
李永东
王屹
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.)
Budweiser Investment China Co ltd
Original Assignee
Budweiser Investment China 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 Budweiser Investment China Co ltd filed Critical Budweiser Investment China Co ltd
Priority to CN202110800180.1A priority Critical patent/CN113674052B/zh
Publication of CN113674052A publication Critical patent/CN113674052A/zh
Application granted granted Critical
Publication of CN113674052B publication Critical patent/CN113674052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • G06Q30/0607—Regulated
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种智能订单推荐方法、装置、计算机设备及存储介质，该方法包括：S10、判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，对存在达成风险的品牌家族制定建议补充量，其中，每一个品牌家族包含多款产品，所述KPI为预设周期内用户需要购买的百升数；S20、根据所述建议补充量，生成多个智能订单供用户选取；S30、根据用户选取的智能订单，生成智能装车方案，以实现智能订单的装车处理。通过智能推荐的方式来实现对经销商的管理，达到快销公司和经销商的双赢，进一步大幅减少了经销商制定订单计划的流程和下单，从而提升了经销商的线上效率，具有广泛的应用前景。

Description

一种智能订单推荐方法、装置、计算机设备及存储介质
技术领域
本申请涉及数据分析推荐和优化算法技术领域。更具体地，涉及一种智能订单推荐方法、装置、计算机设备及存储介质。
背景技术
面向商业用户的订单***在快消领域普遍存在。例如传统商业模式下，快消公司将产品售卖给下级经销商，经销商通过订单***实现SKU的选择购买及物流设定等操作。
传统的订单***仅实现数字化，即经销商只是通过订单***实现利用互联网下单，其订单计划设计与商业模式仍然由经销商自己决定，即订单***没有智能地对经销商决策进行辅助的功能，经销商仍然使用自己传统经验性的订单制定方式，没有充分利用到大数据及人工智能带来的辅助。
发明内容
有鉴于此，本申请提出了一种智能订单推荐方法、装置、计算机设备及存储介质。
第一方面，本申请提供一种智能订单推荐方法，该方法包括：
S10、判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，对存在达成风险的品牌家族制定建议补充量，其中，每一个品牌家族包含多款产品，所述KPI为预设周期内用户需要购买的百升数；
S20、根据所述建议补充量，生成多个智能订单供用户选取；
S30、根据用户选取的智能订单，生成智能装车方案，以实现智能订单的装车处理。
在一个具体实施例中，所述S10包括：
S100、建立用户各品牌家族与KPI的第一映射表、每款产品与品牌家族的第二映射表及每天每款产品与下单百升数的第三映射表；
S102、根据所述第三映射表求解所述用户每款产品当前下单的总百升数，根据所述第二映射表和所述每款产品当前下单的总百升数求解各品牌家族当前实际下单的百升数、各品牌家族当前的KPI达成率；
S104、根据所述各品牌家族当前的KPI达成率，判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，求解存在达成风险的品牌家族当前应下单的百升数，并结合当前时间与预设周期的时间差，对存在达成风险的品牌家族制定建议补充量。
在一个具体实施例中，还包括：获取产品和用户的Embedding编码，其中，
统计所有用户的历史下单数据，对所述历史下单数据进行数据清洗过滤，其中，设共有用户NWS个，共有产品NSKU款；
根据经数据清洗过滤后的历史下单数据，建立带权重的图模型σ，其中，N＝NSKU+NWS；
搭建Embedding神经网络y，其中，
y＝fe(x,θ)
式中，为用户或产品的独热编码，/>为Embedding后的词向量，θ为要学习的模型参数；
利用所述Embedding神经网络y和随机游走算法进行模型训练；
根据训练好的模型y＝fe(x,θ)，得到用户与产品的Embedding编码。
在一个具体实施例中，所述S20包括：
S200、从多路召回候选SKU，其中SKU为产品；
S202、求解候选SKU的购买概率，根据所述购买概率对召回的SKU重排序，将购买概率高的SKU放到前面；
S204、根据S202得到的SKU排序以及分配算法，生成多个智能订单。
在一个具体实施例中，所述求解候选SKU的购买概率包括：
S2020、分别对用户和SKU使用Embedding编码得到户和SKU的嵌入特征，根据用户历史下单数据，以是否购买SKU作为标签训练购买SKU的概率模型；
S2022、使用训练好的概率模型预测用户对所有候选SKU的购买概率，记为初始曝光分值；
S2024、基于随机的在线学习，设计随机策略，调整所述初始曝光分值，以使得购买概率低于预设概率的SKU曝光给用户；
S2026、基于用户反馈的在线学习，根据用户对推荐订单结果的历史操作记录，调整SKU的曝光分值，以得到优化后的所有候选SKU的购买概率。
在一个具体实施例中，所述分配算法包括：
根据所述建议补充量判断当前候选SKU的总百升数是否满足订单总数要求，若是，分配百升数加入订单，生成多组推荐订单；若否，根据订单总数要求再次召回SKU，直至所有召回的SKU的总百升数满足订单总数要求。
在一个具体实施例中，所述S30包括：
S300、建立用户与可选车型、SKU、工厂的第四映射表、车型维表以及SKU维表，其中，所述第四映射表中每行包括经销商、车型、SKU及工厂4个字段，当且仅当第四映射表中出现全部字段时，用户能够实现下单；所述车型维表记录了每车允许装载的托数范围和重量范围；所述SKU维表记录了每款SKU的百升和箱数转换关系，其中，每款SKU对应不同车型下每托箱数和每托重量；
S302、根据所述第四映射表、车型维表、SKU维表以及用户选取的智能订单，构造输入矩阵，其中输入为用户选取的智能订单，输出为按SKU配置的装车方案；
S304、对每款SKU使用最大的车装车，并保留尾单；
S306、对尾单使用优化算法拼单，每一次迭代减少尾单，直至满足优化中止条件，生成装车方案；
S308、将所述装车方案反馈至用户，用户对装车方案进行调整，以得到最终的装车方案，实现智能订单的装车处理。
第二方面，本申请提供一种智能订单推荐装置，该装置包括：
智能建议模块，用于判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，对存在达成风险的品牌家族制定建议补充量，其中，每一个品牌家族包含多款产品，所述KPI为预设周期内用户需要购买的百升数；
智能订单推荐模块；用于根据所述建议补充量，生成多个智能订单供用户选取；
智能装车模块，用于根据用户选取的智能订单，生成智能装车方案，以实现智能订单的装车处理。
第三方面，本申请提供一种计算机设备，包括处理器及存储有程序的存储器，所述处理器执行所述程序时实现如第一方面所述的方法。
第四方面，本申请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第一方面所述的方法
本申请的有益效果如下：
本申请针对目前现有问题，制定一种智能订单推荐方法，通过大数据分析的智能推荐方式来实现对经销商的管理，达到快销公司和经销商的双赢，大幅减少了经销商制定订单计划的流程和下单，从而提升了经销商的线上效率，快销公司有更大量的业务相关的数据，通过智能推荐的方式更有效地引导经销商，以最终实现经销商利润的提高，以及快销公司销量的提升，具有广泛的应用前景。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1示出根据本申请的一个实施例的智能订单推荐方法的流程示意图。
图2示出根据本申请的一个实施例的KPI差距的计算示意图。
图3示出根据本申请的一个实施例的推荐算法的示意图。
图4示出根据本申请的一个实施例的智能装车的流程示意图。
图5示出根据本申请的又一个实施例的智能订单推荐装置的示意图。
图6示出适用于实现本申请实施例的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本申请，下面结合优选实施例和附图对本申请做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本申请的保护范围。
传统的订单***仅实现数字化，即经销商只是通过订单***利用互联网下单，其订单计划设计与商业模式仍然由经销商自己决定，订单***没有智能地对经销商决策进行辅助的功能，也就是说，经销商仍然使用自己传统经验性的订单制定方式，并没有充分利用到大数据及人工智能带来的辅助。
为此，本申请提出了一种智能订单推荐方法，除了符合常规意义上的下单功能，还能够通过大数据分析对经销商的生意给出指导性的建议，引导经销商进行更高效的决策。一方面由于快消公司通常体量更大，拥有更强大的数据洞察以及市场理解，拥有比经销商更多的数据量和算法能力，因此快消公司的推荐可以进一步改善经销商生意；另一方面快消公司也可以平衡规划多个经销商间的生意模式(如销量、物流等)，节省快消公司的成本，起到快消公司与经销商双赢的目的。
实施例一
如图1所示，本申请提出了一种智能订单推荐方法，该方法包括：
S10、判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，对存在达成风险的品牌家族制定建议补充量，其中，每一个品牌家族包含多款产品(SKU)，所述KPI为预设周期内用户需要购买的百升数。
在一个具体示例中，SKU代表具体某款产品，如“百威330ml*24听装”；品牌家族代表对产品的分组，如“高端”、“超高端”等，其中，每一个品牌家族包含多个SKU。
KPI达成为合同中要求某时间一周期下经销商在某个品牌家族下需要购买的百升数，并根据经销商对KPI达成的状况给出一定的返利。如在第一季度品牌家族“高端”需达到100百升。经销商某个品牌家族的达成百升数，即为该品牌家族下经销商所下单的SKU总和，其中，本申请中用v表示品牌家族百升数与相关变量，l表示SKU百升数与相关变量。由于KPI达成与否直接影响到经销商返利，是经销商利润的重要组成部分，因此，经销商需要实时查看其KPI达成状况，更重要的是当KPI达成存在风险时，需要合理安排后续下单速度，也就是说，需要对经销商基于每个品牌家族的KPI达成进行分析，同时给出经销商下单进度的建议。
本申请以经销商X为例，其品牌家族包括超高端(S)、高端(P)和核心(C)三类，用集合SEGj∈{S，P，C}表示，代表该经销商有S、P和C三类品牌家族。如某款品牌家族下的SEGj下对应的SKU集合为{SKUj1,SKUj2,…,SKUjNj}，其中Nj表示品牌家族j下的总SKU数，在后文叙述中不同场合下的SKU使用上标区分。使用字母lk表示某款SKUk对应的百升数，使用字母vj表示某个品牌家族SEGj下的百升数,使用字母a表示下单速度，即每天下单某款SKU或品牌家族的百升数。经销商X根据自己账户及当前日期，查询当前日期下该经销商各个品牌家族的KPI达成状态，并对存在达成风险的品牌家族给出提升，然后综合经销商历史销量给出依照品牌家族的建议补充量，例如，其品牌家族S存在风险，建议补充200百升。
在一个具体示例中，所述S10包括：
S100、建立用户各品牌家族与KPI的第一映射表、每款产品与品牌家族的第二映射表及每天每款产品与下单百升数的第三映射表；
例如，建立第一映射表T11：即经销商每个考核周期下每个品牌家族的需达成的kpi百升数达成；建立第二映射表T12：即每款SKU和品牌家族的对应关系；建立第三映射表T13：即每个经销商每天的历史SKU下单数。
表T11
表T12
品牌家族 SKU
超高端(S) SKUS1
超高端(S) SKUS2
高端(P) SKUP1
表T13
经销商ID 下单时间 SKU 百升数
WSx 20201001 SKUS1 l1
WSx 20201002 SKUP1 l2
S102、根据所述第三映射表求解所述用户每款产品当前下单的总百升数，根据所述第二映射表和所述每款产品当前下单的总百升数求解各品牌家族当前实际下单的百升数、各品牌家族当前的KPI达成率。
在一个具体示例中，遍历经销商合同中的品牌家族，对品牌家族j计算经销商KPI达成率。根据当前日期，利用第三映射表T13计算该经销商在考核周期内每款SKU总百升数；利用第二映射表T12将其转换为品牌家族百升数，计算出每个品牌当前情况下KPI达成率及与目标KPI的差距。
例如，对第j个品牌家族计算经销商KPI达成率。如图2所示，定义一个考核周期内的第一天t＝0，当前日期t＝t0，总周期为T。对第j个品牌家族SEGj，在不引起混淆的情况下，在后续步骤符号使用中均省略掉品牌家族下标j。
首先，利用第一映射表T11查找出该品牌家族的目标KPI值
进一步，利用第二映射表T12查找出该品牌家族下的SKU集合，记SEG＝{SKU1,SKU2,…,SKUN}。将这N个SKU利用第三映射表T13构造下单矩阵L＝(l1，…lt0)其中li＝(l(0)，…li(t0))T为SKUi的下单记录，li(tk)表示该款SKUi在tk天的下单百升数，没有下单则为0。根据当前日期t0，可以计算出每款SKUi的累积百升数为进一步可以得出该品牌家族的总百升数/>进一步可以得到与目标KPI的达成率/>
S104、根据所述各品牌家族当前的KPI达成率，判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，求解存在达成风险的品牌家族当前应下单的百升数，并结合当前时间与预设周期的时间差，对存在达成风险的品牌家族制定建议补充量。
在一个具体示例中，对品牌家族j计算理想状况下当前日期应完成的百升数。当前时间距考核周期时间，分别计算出每个品牌家族建议补全的百升数。在计算过程中需要同时考虑经销商的动销能力、库存、当前季度等多个因素。
计算理想下单速率，具体的，计算经销商均匀下单时的下单速度根据经销商以往动销速率，库存及季节信息计算出修正因子函数λ(t)，其中t为时间序列，并保证/>这样实际补货速度为/>其在该周期内补货总量为该修正因子函数可以根据业务经验设置，也可以通过机器学习分析出。
其次，根据理想状况下当前日期应完成的百升与实际百升数，给出基于品牌家族的补货建议。具体的，根据预期下单速度可以计算出在t0天时预期下单的百升数比较/>与经销商实际下单量V，若/>提示其存在达成风险，建议对该品牌家族补货则建议补充/>否则认为下单速度健康。
基于上述步骤，可以得到所有品牌家族的补货百升数向量，如下：
需要说明的是，快消公司的一大优势在于拥有多个经销商的历史SKU下单记录及其他数据，因此，通过这些数据可以分析出经销商和SKU中隐含的关系。有了这些分析后可以对推荐及其他领域起到更重要的作用。因此本申请提出了一种Embedding算法，实现了对经销商和SKU的Embedding编码。
为此，在一个具体实施例中，智能订单推荐方法还包括：
首先，获取产品和用户的Embedding编码，其中，
统计所有用户的历史下单数据，对所述历史下单数据进行数据清洗过滤，其中，设共有用户NWS个，共有产品NSKU款；
在一个具体示例中，统计所有经销商历史订单，做出合理数据清洗过滤。作为优选，本申请去掉已经删除的SKU和不存在的经销商ID，最终得到NWS个经销商ID和NSKU个SKU。
进一步，根据经数据清洗过滤后的历史下单数据，建立带权重的图模型σ，其中，N＝NSKU+NWS。
在一个具体示例中，根据所有经销商历史订单，建立带权重的图模型其中N＝NSKU+NWS为经销商与总SKU的数量。其元素G(x,y)为：若x,y分别为经销商和SKU，则计算该经销商近1年购买次SKU的百升数总和；否则为0。
进一步，搭建Embedding神经网络y，其中，
y＝fe(x,θ)
式中，为用户或产品的独热编码，/>为Embedding后的词向量，θ为要学习的模型参数；
在一个具体示例中，搭建Embedding神经网络y＝fe(x，θ)，其中，为经销商或SKU的独热编码输出/>为Embedding后的词向量,θ为要学习的模型参数，作为优选本申请取M＝200，fe为两层神经网络。搭建Embedding神经网络。模型的输入为SKU或经销商输出为该SKU或经销商Embedding的结果。
进一步，利用所述Embedding神经网络y和随机游走算法进行模型训练。
在一个具体示例中，训练模型。利用随机游走算法和skip-gramma提取路径，并分别给出中心词xk和上下文(xk-2，xk-1，xk+1，xk+2)，计算其Embedding后的向量，定义损失函数为作为优选，本申请使用余弦相似函数，最小化损失函数可以得到优化后的模型参数/>从而得到Embedding模型/>
最后，根据训练好的模型y＝fe(x,θ)，得到用户与产品的Embedding编码。
本实施例提出的Embedding推荐算法可以迁移到其他类似的to B推荐方案中，如扩展到售点。更进一步地，SKU经销商相似性挖掘模块可以扩展到任意特征提取应用场景中，如用户与商品的Embedding。
在一个具体示例中，计算出SKU或经销商的Embedding，为进一步应用做准。例如：
(1)挖掘经销商潜在感兴趣SKU，对所有SKU分别做Embedding，然后对要查询的某经销商ID做Embedding，找到距离最近的前N个SKU，即为潜在经销商感兴趣的SKU。
(2)相似SKU召回，对所有SKU分别做Embedding，然后对要查询的某SKU做Embedding，找到除该SKU下距离最近的前N个SKU，即为最相似的SKU。
(3)相似经销商聚类。对所有经销商ID做Embedding，对得到的结果使用聚类算法进行聚类。作为优选本申请使用kmeans将经销商分成50类，便于后续管理。
S20、根据所述建议补充量，生成多个智能订单供用户选取。
通过经销商历史上的基于百升数订单和SKU与品牌家族映射关系可以算出当前时间节点经销商的每个品牌家族的下单量，进而分析KPI达成。经销商除了需要考虑自身KPI达成，同时需要考虑不同SKU的动销库存等诸多因素，需要分配好不同的百升数。在推荐模块中，算法结合多组数据来源综合分析上述因素，自动为经销商生成同时符合经销商与快消公司利益的基于百升数的订单。特别地，算法同时会记录经销商针对此订单的反馈，进行在线学习不断提升算法的准确性。
在一个具体实施例中，如图3所示，所述S20包括：
S200、从多路召回候选SKU，其中SKU为产品。
召回方法包括但不限于根据KPI中需要补全的品牌家族过滤、根据经销商历史购买的过滤、根据返利高、公司做活动的新品推荐。
例如，本申请首先把KPI中需要补全的品牌家族下的所有SKU、经销商历史购买频率最高的前50个SKU、经销商合同中返利最高的前20个SKU、公司推荐的SKU取并集。
其次，过滤掉不合理的SKU，过滤方法包括但不限于某些SKU该经销商不能发运或购买，该SKU已没货。过滤后得到候选SKU列表S。例如，所有SKU均需要满足智能装车模块约束，所有SKU都处于可以发货状态，最终得到候选SKU集合向量S＝(SKU1,SKU2,…,SKUN)T。
S202、求解候选SKU的购买概率，根据所述购买概率对召回的SKU重排序，将购买概率高的SKU放到前面。
所述求解候选SKU的购买概率包括：
S2020、分别对用户和SKU使用Embedding编码得到户和SKU的嵌入特征，根据用户历史下单数据，以是否购买SKU作为标签训练购买SKU的概率模型；
利用模型进行排序，根据训练好的推荐***模型，对SKU进行排序。本申请训练模型方法为：使用决策树模型，训练y＝fbuy(φWS,φSKU)
其中，φWS＝eWS(WS),φSKU＝eSKU(SKU)分别为对经销商和SKU编码后的特征向量，其编码函数eWS(·),eSKU(·)使用独热编码或Embedding编码，作为优选，本申请使用Embedding算法。对应标签y＝{0,1}为该经销商是否买过此SKU，买过为1，没买过为0。在训练过程中训练指定经销商ID和SKU下购买的概率p，以其与标签y的交叉熵作为损失，得到购买概率预测模型
fbuy(WS,SKU)。
S2022、使用训练好的概率模型预测用户对所有候选SKU的购买概率，记为初始曝光分值；
S2024、基于随机的在线学习，设计随机策略，调整所述初始曝光分值，以使得购买概率低于预设概率的SKU曝光给用户；
在一个具体示例中，求解得到的概率为基于历史条件下最可能被经销商选中的SKU，但实际中由于经销商生意模式的不断变化，有可能会有一些之前不常买的SKU更适合经销商新的生意模式，如果固定中算法则会使某些低召回分值SKU永远不会曝光。因此，本申请借鉴多臂***问题的思路，对概率进行调整，作为优选，本申请随机生成一个[0,1]范围内的均匀分布，令ε＝0.95，对p中每一个元素pi若σi＞ε，则pi调整为1。
S2026、基于用户反馈的在线学习，根据用户对推荐订单结果的历史操作记录，调整SKU的曝光分值，以得到优化后的所有候选SKU的购买概率。
在一个具体示例中，用线上反馈进行重排，算法同时会记录经销商对每个订单及SKU的操作，根据经销商的操作在线学习以不断优化算法模型。作为优选，本申请读取该经销商最近一个月对推荐模型的操作记录，操作记录具体为：对推荐出的所有订单，若经销商点击了加入订单，则将该订单下的所有SKU记录为1，对其他没有点过加入订单的订单，将其所有的SKU均记录为0。
在本申请中对所有SKU记录取平均，得到点击率向量c＝(c1,c2,…,cN)T，其中ai为第i款SKU的历史操作记录平均，对点击率向量与购买概率向量集成要求f(pi,ci)分别对pi,ci单调增，作为优选本申请使用求和f(pi,ci)＝pi+ci，得到求和后的向量对向量/>进行降排序，并匹配到对应的SKU索引，得到SKU级别的优先级。注意以上计算方法仅作为优选，任何相关的集成方法均在本方案中，为不引起混淆我们用上角标r表示排序后的SKU，/>
S204、根据S202得到的SKU排序以及分配算法，生成多个智能订单。其中，所述分配算法包括：
根据所述建议补充量判断当前候选SKU的总百升数是否满足订单总数要求，若是，分配百升数加入订单，生成多组推荐订单；若否，根据订单总数要求再次召回SKU，直至所有召回的SKU的总百升数满足订单总数要求。在一个具体示例中，根据预设的订单参数，生成订单。基于KPI的订单生成，要求生成的订单可以补齐存在风险的品牌家族偏差具体的，
S2040、根据经销商历下单记录拟合经销商下单行为。作为优选使用泊松分布拟合经销商历史订单下每天下单的SKU个数pN(x),使用高斯分布对每个sku百升数分布。
S2042、使用经销商历史订单下每天下单的SKU个数pN(x)分布生成经销商下单的SKU个数N。
S2044、根据订单参数，经销商历史操作记录及其他数据分配每款SKU百升数。
根据计算出未达标的KPI对应的品牌家族j找到其要补齐的偏差查找在该品牌家族中的子SKU排序/>其对应的召回概率为pjr，若sjr的元素个数小于N，则使用全部SKU，否则依照下面逻辑：
令ε＝0.95，对pjr中每一个元素生成随机数σi，若σi＞ε，则/>调整为1，否则保持不变。对新的pjr排序并取前N个排名中对应的SKU。
根据拟合出的SKU历史百升数分布，找到对应的SKU，分别生成子百升数l＝(l1…lN)T，根据目标KPI偏差/>做归一化得到/>
在又一个具体示例中，基于经销商历史下单速度的推荐，在查找候选SKU中直接使用排序好的所有SKU向量sr。在输出百升数分布时直接输出l而不做归一化，这是因为在生成分布中已经拟合了经销商历史下单速度。
在又一个具体示例中，基于新SKU的推荐。当快消公司做活动想主推某款SKU时，算法会强行将该SKU分值置为1即直接曝光给经销商，进行百升数分配，依照对应品牌家族，取经销商历史中该品牌家族的平均下单百升数作为推荐结果。
如下表，得到多组推荐订单。
本实施例能够根据经销商的操作进一步调整结果，操作包括但不限于对品牌家族、百升数、预期库存的排序。例如：
1)对品牌家族排序。对每个订单重新排序，设置好权重S,P,C分别为3,2,1。对每个订单的SKU以此权重平均，将结果排序。
2)对百升数排序。对每个订单中的SKU百升数相加，对结果排序。
特别地，还包括更换某款SKU方案，该方案利用了计算出SKU或经销商的Embedding的结果，具体的：
经销商可以选择更换订单中的某款SKU，此时调用经销商Embedding算法计算要更换的SKU编码。在召回的SKU中分别计算对应Embedding结果，找到与该SKU距离最小的SKU作为更换结果。
S30、根据用户选取的智能订单，生成智能装车方案，以实现智能订单的装车处理。
智能装车主要将订单计划优化为按车下单的订单，满足下单条件主要有两个规则：a)经销商可以选择次SKU、车型及发货工厂。b)经销商下单要以托为单位下单，每车的托数和总重量要满足该车限制。需要说明的是，基于装车的订单表征的是实际订单是按车下单的，一车可以包含多个SKU，该订单的核心字段包括：发车序号、车型、SKU、工厂、托数。其参考格式如下表：
由于固定车型，SKU下托数可以转换为箱数，进一步转换为百升数，因此可以直接计算出对应的箱数和百升数。根据基于装车的订单可以通过直接查表和计算得到基于百升数的订单计划。反之从订单计划到装车需要满足数据过滤约束、车型约束，并希望达到一定的优化目标如车辆尽量少且拼车出来的每款百升数尽量于原始基于百升数的订单接近，是一个复杂的优化问题。
经销商传统下单时，需要不断试错，找到几个可行的方案，然后再从可行的方案中找到相对较好的装车结果。一方面不断试错浪费大量人力，另一方面也不一定找到最优的装车模块。本申请的智能装车方案就是通过算法实现经销商一键将基于百升数的订单转化为基于装车的订单，同时尽可能满足各种业务需求。
其中，基于百升数的订单表征的每款SKU按百升数构造的订单。核心数据为SKU和百升数的列表，如下表：
SKU 百升数
SKU1 l1
SKU2 l2
在一个具体实施例中，所述S30包括：
S300、建立用户与可选车型、SKU、工厂的第四映射表、车型维表以及SKU维表，其中，所述第四映射表中每行包括经销商、车型、SKU及工厂4个字段，当且仅当第四映射表中出现全部字段时，用户能够实现下单；所述车型维表记录了每车允许装载的托数范围和重量范围；所述SKU维表记录了每款SKU的百升和箱数转换关系，其中，每款SKU对应不同车型下每托箱数和每托重量。
需要说明的是，本申请中的SKU相关单位及转换关系中，箱数描述订单或其他约束中SKU的箱数；百升数描述订单或其他约束中SKU的百升数，其中，对于一款确定的SKU，其百升数和箱数是一确定比例；托数：SKU在装车中以托盘化运输，托数即这款SKU的托盘数，通常情况下要求为整数。每托箱数、每托重量随车型不同可能不同，对于固定车型和SKU、每托重量固定。
根据不同业务逻辑、过滤准则清洗如下格式的表格或业务逻辑，其中：a)在经销商可选车型、SKU及工厂的第四映射表T41。该表中每行包括4个字段，经销商、车型、SKU、工厂，当且仅当该表格中出现这一条记录，经销商才可以实现下单。b)车型维表T42。该表格记录了每车允许装载的托数范围，和重量范围。特别地在本实施例中托数范围为一固定值不失一般性，此时可取/>c)SKU维表T43。该表格记录了每款SKU的百升和箱数转换关系，每款SKU对应不同车型下每托箱数和每托重量。
表T41
经销商ID 车型 SKU 工厂
WSx 车型A SKU1 上海1
WSx 车型B SKU2 上海1
表T42
表T43
根据经销商ID和订单计划中的SKU，查询表T41-T43并根据预设的特殊参数过滤出当前问题的数据维表T44。
表T44
S302、如图4所示，根据所述第四映射表T41、车型维表T42、SKU维表T43以及用户选取的智能订单，构造输入矩阵，其中，输入为用户选取的智能订单，主要字段为SKU和百升数，如下表：
输出为按SKU配置的装车方案，如下表：
其中，算法输出的订单，需满足约束：1)经销商、SKU、车型、工厂匹配可发车。2)每车托数在规定范围内。3)每车装载SKU重量在规定范围内。4)其他与业务相关的特殊需求。优化目标随业务需求不同而不同，如在总百升数尽量与基于百升数的订单接近，平均总重较多等。优化算法任务即找到满足约束的车型，并按托分派SKU。为便于后文叙述，用符号p,w表示车型的托数重量范围，x与托数相关的变量，Γ,S表示装车与SKU集合或列表。
需要说明的是，上述x需要进行优化，如下：
基础算法模块输入为包含M车的车型列表Γ，包含N个要优化的SKU列表S，及其对应的SKU百升数向量订单中每款SKU百升数: 要优化的任务类型。其中M车的车型是否相同不做限制。输出为是否可优化标志位，若可优化则返回基于装车的订单，该订单由输入的M车列表组成，每车的SKU和托数工厂配置由算法给出。其具体优化方法为：
S3020、构造基础数据矩阵、向量，所述数据矩阵包括车型维度矩阵、SKU数据矩阵。
其中，构造车型维度矩阵时，对M车的车型查找表T44得到
每车托数下限约束：
每车托数上限约束：
每车重量下限约束：
每车重量上限约束：
其中分别为第i车托数上下限，重量上下限。
构造SKU数据矩阵时，对N个sku的查找表T44得到
每托箱数矩阵：其中第k车款SKU每托箱数为ck＝(ck1,ck2,…,ckN)T
每托重量矩阵：其中第k车每款SKU每箱重量为tk＝(tk1,tk2,…,tkN)T
每箱百升数矩阵：其中第k车每款SKU每箱百升数为hk＝(hk1,hk2,…,hkN)T。
在构造上述矩阵的过程中，若表T33中无该记录，即第k车对应的车型不能选择第i号SKU，则令tki＝Q,cki＝1，其中Q为大于wmax中最大元素的任意数，本例取Q＝1e6远大于业务中wmax的100。构造要求解的优化变量订单托数矩阵：X＝(x1,x2,…,xM)T∈NM×N，其中第k车每款SKU订单托数为xk＝(xk1,xk2,…,xkN)T。此外为便于描述定义单位向量：
S3022、建立物流限制约束：
其中符号°为元素间乘积，以上约束分别为每车必须满足托数和重量限制。定义此约束为条件(*)。其中在约束T°Xen≤wmax中，第k车的约束表达式为若第k车对应的车型不能选择第i号SKU，则非负整数变量xi只能取0，否则xi≥1，由于且变量tki,xi均为非负，故/>因此通过该约束求解的最优结果可以保证第k车对应的车型不能选择第i号SKU下的托数必然为0，从而保证了不会在该车分配不能选择的SKU。
S3024、根据不同任务参数设计优化函数f，求解得到最优解
/>
以优化为混合整数规划,可使用经典的整数优化算法。作为优选，考虑到混合整数规划优化难度较大，针对业务特殊情况本申请进一步给出了简化优化方法具体为：在配置算法中合理设计f(X)使约束目标和函数均可转化为线性规划。先将X为整数的约束放松为连续变量，求解线性规划问题得到s.t.*。以/>为初值通过预定义的整数调优算法计算出一些列候选整数解/>分别对χ中每个元素计算约束(*)和目标函数f(·)，找到满足约束且最小的值对应的变量/>即为最优解。由于约束和目标函数都是线性关系，可以通过较为快速的矩阵运算实现，并可以借用并行化处理方法如使用GPU完成，因此当候选整数值较少时，效率较高。
作为优选，集合χ构造方法为：对优化后的四舍五入得到整数结果/>然后以此为基准：
(1)对中每个元素进行+1或-1操作得到共2×N×M组候选解；
(2)遍历任意2个元素组合，对这两个元素分别进行+1,-1操作，共/>组。这是由于在本实施例中托数约束均为等式，即/>因此上述遍历操作基本可以保证找到可行解。特别地，当以上候选解均不能找到可行解时，算法返回失败标志。算法会根据失败标志进行相应处理。在后面的应用模块中可以发现候选车组合通常满足M≤3，因数量较少，所以遍历候选组合χ较少，可以取得较好的性能结果。
S304、对每款SKU使用最大的车装车，并保留尾单；
对每款SKU使用最大的车装车，并保留一定量的尾单。
单SKU单车最大装载模块，其输入为1种车型，1款SKU；输出为是否成功标志位，若成功则返回最优值和最优变量，其优化目的是找到每款SKU在每车下可以装载的最大箱数。
查找表T44对第i车构造矩阵提取托数约束变量重量范围变量提取对第j款SKU对应的xij，约束(*)退化为
优化目标为f(x)＝-hkickix，以此得到该车最多可以装载对应SKU的百升数。
特别地，作为一种简化模式，若托数范围为固定值可直接取/>然后校验约束
若满足则直接返回f(x)，否则输出失败。
尾单装车模块其输入为M种车型，N款SKU，以及每款SKU需要补充的剩余百升数输出为优化后的订单。算法的主要目的是找到可以尽可能和要补充的剩余百升数/>相近的拼车组合方案，此模式下的优化方程为：
其中α,λ为各约束项权重。为与目标订单的差距量，为便于优化，本申请使用1范数距离，即计算其绝对误差，T°X是希望装车的平均重量尽可能大，以达到物流最高效率。
该目标函数也可以通过引入松弛变量的方法转化为线性约束：
min f(x)＝αTεα-λT°X
要优化的问题为包含N个SKU的基于百升数的订单计划，其百升数的向量表示为
对每款SKU索引i∈S,中每辆车型k∈Γ，使用1单SKU单车最大装载模块，计算出车型SKU配对(k,i)下的最大百升数zki，对每款SKU找到可以装载的最大百升量的车型及对应百升数得到向量
对每款SKU编号i∈S先使用大车装载并保留尾单，计算Mi＝max(0,[(li-τ)/zi])其中τ为尾阈值，单[x]表示对变量x向下取整，若百升数li较小则直接当做尾单。计算余下百升数得到当前尾单向量/>
S306、对尾单使用优化算法拼单，每一次迭代减少尾单，直至满足优化中止条件，生成装车方案。
对尾单使用优化算法拼单，对Γ中选择M车组合共计组组合，作为优选，本申请取M＝2，对每个组合使用尾单装车模块得到成功情况下的/>和最优值，找到这/>组合中最小的值作为最终最优值/>更新/>取/>重复上述优化，直到满足条件,作为优选，本申请以max(lnew)<5即剩余最多的SKU剩余不超过5百升或优化算法返回失败为终止条件。优化参数αT＝1,λ＝0.1。
对剩余的尾单中非0SKU在每车可装百升数矩阵Zij中找到与其最近的车型强制补齐。
在一个具体示例中，若每车只有1款SKU。某些情况会有不希望SKU混装的要求，直接使用最大车拼车，取τ＝0，然后进行尾单补齐。尽量增加总重量。从物流角度希望平均装车重量增加，以提升物流效率，取λ＝0.1增加总重量优化；保证必须来自某些指定工厂。出于物流或经销商需要只希望从某指定工厂发货。此时将过滤部分增加约束，取表T44中指定工厂中子集作为输出后的表T44。需要说明的是，上述描述为示例性的，不构成对本申请的不当限定。
S308、将所述装车方案反馈至用户，用户对装车方案进行调整，以得到最终的装车方案，实现智能订单的装车处理。
迭代交互。对于不同的装车算法结果，经销商或其他客户可以选择接受或对结果进行微调，通过互联网交互的方式实现装车结果调整与确认，具体包括经销商手工删减订单，更换上述实施例中算法，得到新结果。本实施例中，通过生成多个智能订单供用户选取，对用户的生意整体给出建议
本申请的通过模块化的方式实现装车的思路便于需求的不断扩展和迭代，具有灵活的适配性。本申请同样提出了精度高速度快的尾单优化算法。
实施例二
参考图5，作为对上述智能订单推荐方法的实现，本申请提供了一种智能订单推荐装置的一个实施例，该装置实施例与图1所示的方法实施例相对应。
如图5所示，本实施例的智能订单推荐装置包括：
智能建议模块，用于判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，对存在达成风险的品牌家族制定建议补充量，其中，每一个品牌家族包含多款产品，所述KPI为预设周期内用户需要购买的百升数；
智能订单推荐模块；用于根据所述建议补充量，生成多个智能订单供用户选取；智能装车模块，用于根据用户选取的智能订单，生成智能装车方案，以实现智能订单的装车处理。
本领域技术人员可以理解，上述智能订单推荐装置还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图5中未示出。
另外，本领域技术人员可以理解，装置还可以实现实施例一中所述的其他方法步骤，具体实施方式参见前述实施例，在此不再赘述。
实施例三
图6示出了本申请的另一个实施例提供的一种计算机设备的结构示意图。图6显示的计算机设备50仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机设备50以通用计算设备的形式表现。计算机设备50的组件可以包括但不限于：一个或者多个处理器或者处理单元500，***存储器516，连接不同***组件(包括***存储器516和处理单元500)的总线501。
总线501表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备50典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备50访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器516可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)504和/或高速缓存存储器506。计算机设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***508可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线501相连。存储器516可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行实施例一的功能。
具有一组(至少一个)程序模块512的程序/实用工具510，可以存储在例如存储器516中，这样的程序模块512包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块512通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备50也可以与一个或多个外部设备70(例如键盘、指向设备、显示器60等)通信，还可与一个或者多个使得用户能与该计算机设备50交互的设备通信，和/或与使得该计算机设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口502进行。并且，计算机设备50还可以通过网络适配器514与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器514通过总线501与计算机设备50的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器单元500通过运行存储在***存储器516中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例一所提供的一种智能订单推荐方法。
实施例四
本申请的另一个实施例提供了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上述实施例一所提供的方法。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本申请的描述中，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、物品或者设备中还存在另外的相同要素。
显然，本申请的上述实施例仅仅是为清楚地说明本申请所作的举例，而并非是对本申请的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本申请的技术方案所引伸出的显而易见的变化或变动仍处于本申请的保护范围之列。

Claims (7)

1.一种智能订单推荐方法，其特征在于，包括：
S10、判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，对存在达成风险的品牌家族制定建议补充量，其中，每一个品牌家族包含多款产品，所述KPI为预设周期内用户需要购买的百升数；
S20、根据所述建议补充量，生成多个智能订单供用户选取；
S30、根据用户选取的智能订单，生成智能装车方案，以实现智能订单的装车处理；
所述智能订单推荐方法还包括：获取产品和用户的Embedding编码，其中，
统计所有用户的历史下单数据，对所述历史下单数据进行数据清洗过滤，其中，设共有用户NWS个，共有产品NSKU款；
根据经数据清洗过滤后的历史下单数据，建立带权重的图模型，其中，/>，N= NSKU+NWS；
搭建Embedding神经网络，其中，
式中，为用户或产品的独热编码，/>为Embedding后的词向量，/>为要学习的模型参数；
利用所述Embedding神经网络和随机游走算法进行模型训练；
根据训练好的模型，得到用户与产品的Embedding编码；
所述S20包括：
S200、从多路召回候选SKU，其中SKU为产品，所述召回方法为根据KPI中需要补全的品牌家族过滤、根据经销商历史购买的过滤、根据高返利、公司做活动的新品推荐；
S202、求解候选SKU的购买概率，根据所述购买概率对召回的SKU重排序，将购买概率高的SKU放到前面；
S204、根据S202得到的SKU排序以及分配算法，生成多个智能订单；
所述求解候选SKU的购买概率包括：
S2020、分别对用户和SKU使用Embedding编码得到户和SKU的嵌入特征，根据用户历史下单数据，以是否购买SKU作为标签训练购买SKU的概率模型；
S2022、使用训练好的概率模型预测用户对所有候选SKU的购买概率，记为初始曝光分值；
S2024、基于随机的在线学习，设计随机策略，调整所述初始曝光分值，以使得购买概率低于预设概率的SKU曝光给用户；
S2026、基于用户反馈的在线学习，根据用户对推荐订单结果的历史操作记录，调整SKU的曝光分值，以得到优化后的所有候选SKU的购买概率。
2.根据权利要求1所述的方法，其特征在于，所述S10包括：
S100、建立用户各品牌家族与KPI的第一映射表、每款产品与品牌家族的第二映射表及每天每款产品与下单百升数的第三映射表；
S102、根据所述第三映射表求解所述用户每款产品当前下单的总百升数，根据所述第二映射表和所述每款产品当前下单的总百升数求解各品牌家族当前实际下单的百升数、各品牌家族当前的KPI达成率；
S104、根据所述各品牌家族当前的KPI达成率，判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，求解存在达成风险的品牌家族当前应下单的百升数，并结合当前时间与预设周期的时间差，对存在达成风险的品牌家族制定建议补充量。
3.根据权利要求1所述的方法，其特征在于，所述分配算法包括：
根据所述建议补充量判断当前候选SKU的总百升数是否满足订单总数要求，若是，分配百升数加入订单，生成多组推荐订单；若否，根据订单总数要求再次召回SKU，直至所有召回的SKU的总百升数满足订单总数要求。
4.根据权利要求1所述的方法，其特征在于，所述S30包括：
S300、建立用户与可选车型、SKU、工厂的第四映射表、车型维表以及SKU维表，其中，所述第四映射表中每行包括经销商、车型、SKU及工厂4个字段，当且仅当第四映射表中出现全部字段时，用户能够实现下单；所述车型维表记录了每车允许装载的托数范围和重量范围；所述SKU维表记录了每款SKU的百升和箱数转换关系，其中，每款SKU对应不同车型下每托箱数和每托重量；
S302、根据所述第四映射表、车型维表、SKU维表以及用户选取的智能订单，构造输入矩阵，其中输入为用户选取的智能订单，输出为按SKU配置的装车方案；
S304、对每款SKU使用最大的车装车，并保留尾单；
S306、对尾单使用优化算法拼单，每一次迭代减少尾单，直至满足优化中止条件，生成装车方案；
S308、将所述装车方案反馈至用户，用户对装车方案进行调整，以得到最终的装车方案，实现智能订单的装车处理。
5.一种基于权利要求1-4任一项所述的智能订单推荐方法的智能订单推荐装置，其特征在于，包括：
智能建议模块，用于判断用户的各品牌家族预设周期内的KPI是否存在达成风险，若是，对存在达成风险的品牌家族制定建议补充量，其中，每一个品牌家族包含多款产品，所述KPI为预设周期内用户需要购买的百升数；
智能订单推荐模块；用于根据所述建议补充量，生成多个智能订单供用户选取；
智能装车模块，用于根据用户选取的智能订单，生成智能装车方案，以实现智能订单的装车处理。
6.一种计算机设备，包括处理器及存储有程序的存储器，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的方法。
7.一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1-4中任一项所述的方法。
CN202110800180.1A 2021-07-15 2021-07-15 一种智能订单推荐方法、装置、计算机设备及存储介质 Active CN113674052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110800180.1A CN113674052B (zh) 2021-07-15 2021-07-15 一种智能订单推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110800180.1A CN113674052B (zh) 2021-07-15 2021-07-15 一种智能订单推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113674052A CN113674052A (zh) 2021-11-19
CN113674052B true CN113674052B (zh) 2023-10-17

Family

ID=78539215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110800180.1A Active CN113674052B (zh) 2021-07-15 2021-07-15 一种智能订单推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113674052B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093135A (zh) * 2017-06-08 2017-08-25 北京惠赢天下网络技术有限公司 一种推荐订单的方法及装置
CN107424045A (zh) * 2017-06-28 2017-12-01 北京惠赢天下网络技术有限公司 一种推荐商品的订单生成方法、装置及***
US10657492B1 (en) * 2019-09-23 2020-05-19 Coupang Corp. Systems and methods for optimization of a product inventory by an intelligent adjustment of inbound purchase orders
KR20210085863A (ko) * 2019-12-31 2021-07-08 연세대학교 산학협력단 클라우드 시스템에서 원자재 그룹 구매 추천 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066570A1 (en) * 2013-08-29 2015-03-05 Interstate Batteries, Inc. System for self-managed inventory, supply chain dynamic sku performance and optimization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093135A (zh) * 2017-06-08 2017-08-25 北京惠赢天下网络技术有限公司 一种推荐订单的方法及装置
CN107424045A (zh) * 2017-06-28 2017-12-01 北京惠赢天下网络技术有限公司 一种推荐商品的订单生成方法、装置及***
US10657492B1 (en) * 2019-09-23 2020-05-19 Coupang Corp. Systems and methods for optimization of a product inventory by an intelligent adjustment of inbound purchase orders
KR20210085863A (ko) * 2019-12-31 2021-07-08 연세대학교 산학협력단 클라우드 시스템에서 원자재 그룹 구매 추천 장치 및 방법

Also Published As

Publication number Publication date
CN113674052A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
Snyder et al. Fundamentals of supply chain theory
Khalili-Damghani et al. A decision support system for fuzzy multi-objective multi-period sustainable project selection
Chen et al. Supplier selection using consistent fuzzy preference relations
US7779051B2 (en) System and method for optimizing federated and ETL&#39;d databases with considerations of specialized data structures within an environment having multidimensional constraints
Amiri et al. A hybrid multi-criteria decision-making model for firms competence evaluation
Yolmeh et al. Closed-loop supply chain network design integrated with assembly and disassembly line balancing under uncertainty: an enhanced decomposition approach
CN108921702A (zh) 基于大数据的园区招商方法及装置
Longo Sustainable supply chain design: an application example in local business retail
Xiao et al. Game theory–based multi-task scheduling in cloud manufacturing using an extended biogeography-based optimization algorithm
Rong et al. Heuristics for base‐stock levels in multi‐echelon distribution networks
Benjaafar et al. Dynamic inventory repositioning in on-demand rental networks
Rostamzadeh et al. Hybrid GA for material routing optimization in supply chain
Pinto et al. A Genetic Algorithm applied to pick sequencing for billing
Karimi-Nasab et al. A multi-objective production smoothing model with compressible operating times
Dosdoğru et al. A novel hybrid artificial intelligence-based decision support framework to predict lead time
Zhang et al. An improved memetic algorithm for the flexible job shop scheduling problem with transportation times
Das et al. Integrated warehouse assignment and carton configuration optimization using deep clustering-based evolutionary algorithms
Mateo et al. A production planning model considering uncertain demand using two-stage stochastic programming in a fresh vegetable supply chain context
Mardanya et al. Solving bi-level multi-objective transportation problem under fuzziness
Xu et al. Optimal decision of multiobjective and multiperiod anticipatory shipping under uncertain demand: A data-driven framework
Cheng et al. Available-to-promise based bidding decision by fuzzy mathematical programming and genetic algorithm
CN111667307B (zh) 一种理财产品销量的预测方法及装置
Kumar et al. A bilevel game model for ascertaining competitive target prices for a buyer in negotiation with multiple suppliers
CN113674052B (zh) 一种智能订单推荐方法、装置、计算机设备及存储介质
Rash et al. Product line design and scheduling at Intel

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