CN117495454A - 一种用户评级方法、***、电子设备及存储介质 - Google Patents
一种用户评级方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117495454A CN117495454A CN202311376315.1A CN202311376315A CN117495454A CN 117495454 A CN117495454 A CN 117495454A CN 202311376315 A CN202311376315 A CN 202311376315A CN 117495454 A CN117495454 A CN 117495454A
- Authority
- CN
- China
- Prior art keywords
- order
- user
- data
- user data
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 230000001680 brushing effect Effects 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012797 qualification Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 11
- 238000013475 authorization Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229920001971 elastomer Polymers 0.000 description 4
- 239000000806 elastomer Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用户评级方法、***、电子设备及存储介质。该方法包括:获取b2b电商平台中各用户的用户数据;该用户数据中包括订单数据;按照预设的异常订单识别规则,从各用户数据中剔除异常订单数据,得到各用户的目标用户数据;上述异常订单数据包括:刷单订单数据、机器造假订单数据和/或虚假订单数据;基于各用户的目标用户数据,确定各用户的目标级别。通过对获取到的各用户订单数据进行过滤,剔除异常订单数据,包括剔除刷单订单数据、机器造假订单数据以及虚假订单数据,再基于过滤后的订单数据确定用户的级别,降低异常订单数据对评级结果的影响,提高用户评级准确性。
Description
技术领域
本发明涉及用户画像生成领域,尤其涉及一种用户评级方法、***、电子设备及存储介质。
背景技术
随着大数据技术的深入研究与应用,企业需要深入挖掘潜在的商业价值,于是,用户画像的概念也就应运而生。用户画像可以使产品的服务对象更加聚焦、更加专注。从大量的用户特征和用户行为数据中抽象出关键用户信息,将数据变为自身的资产。
b2b(Business-to-Business,企业对企业)电商平台基于用户数据,利用业务***逻辑,结合大数据相关技术手段,通过模型与算法对用户进行多维度分析,即可实现对用户进行评级,即对用户进行画像构建,助力电商平台主动了解用户,从而推进精准化营销。
b2b电商平台中的用户通常分为供应商以及采购单位,供应商即提供售卖物品的用户,采购单位即购买物品的用户。相关技术中,在针对b2b电商平台中的用户进行评级时,通常是在获取到用户数据后,基于相关建模算法进行用户画像的构建,即用户评级。但由于获取到的用户数据包括较多冗余数据,导致得到的评级结果噪声较大,准确性较低。
发明内容
有鉴于此,本发明实施例提供了一种用户评级方法、***、电子设备及存储介质,以提高用户评级构建准确性。
根据本发明的一方面,提供了一种用户评级方法,应用于b2b电商平台,所述方法包括:
获取所述b2b电商平台中各用户的用户数据;所述用户数据中包括订单数据;
按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据;所述异常订单数据包括:刷单订单数据、机器造假订单数据和/或虚假订单数据;其中,所述机器造假订单数据为机器操作产生的虚假订单数据
基于各所述用户的目标用户数据,确定各所述用户的目标级别。
在一种可能的实施例中,所述获取所述b2b电商平台中各用户的用户数据,包括:
从不同业务***中获取各用户的用户数据;所述业务***包括:b2b电商平台、合同管理平台以及户资质管理平台。
在一种可能的实施例中,在所述异常订单数据包括刷单订单数据的情况下,所述按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据,包括:
针对各所述用户的各订单,基于所述订单的下单IP地址对应的订单数量、所述下单IP地址与收货地址的匹配度以及所述订单的配送时间,确定所述订单的刷单评估分数;
在订单的刷单评估分数超过预设刷单分数阈值的情况下,确定所述订单为刷单订单;
从各所述用户数据中剔除所述刷单订单数据,得到各所述用户的目标用户数据。
在一种可能的实施例中,所述用户数据中包括请求日志数据;在所述异常订单数据包括机器造假订单数据的情况下,所述按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据,包括:
针对各所述用户的各订单,基于所述用户的请求日志数据确定产生所述订单时的目标页面访问顺序;
在订单的所述目标页面访问顺序与预设页面访问顺序不一致的情况下,确定所述订单为机器造假订单;
从各所述用户数据中剔除所述机器造假订单数据,得到各所述用户的目标用户数据。
在一种可能的实施例中,在所述异常订单数据包括虚假订单数据的情况下,所述按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据,包括:
针对各所述用户的各订单,确定所述订单的收货地址与所述订单的实际配送地址是否一致;
在所述订单的收货地址与所述订单的实际配送地址不一致的情况下,确定所述订单为虚假订单;
从各所述用户数据中剔除所述虚假订单数据,得到各所述用户的目标用户数据。
在一种可能的实施例中,所述基于各所述用户的目标用户数据,确定各所述用户的目标级别,包括:
确定各所述用户在预设时间段内的用户数据增长率;
确定各所述用户的用户数据增长率对应的预设级别,作为对应用户的目标级别。
在一种可能的实施例中,所述用户数据增长率包括:订单金额增长率、订单数量增长率、日活跃度增长率;
所述确定各所述用户的用户数据增长率对应的预设级别,包括:
针对各所述用户,确定所述用户的各种用户数据增长率对应的预设评级分数;
针对各所述用户,确定所述用户对应的各预设评级分数的统计值,作为所述用户的目标评级分数;
确定各所述用户的目标评级分数对应的预设级别。
根据本发明的另一方面,提供了一种用户评级***,应用于b2b电商平台,所述***包括:
获取模块,用于获取所述b2b电商平台中各用户的用户数据;所述用户数据中包括订单数据;
剔除模块,用于按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据;所述异常订单数据包括:刷单订单数据、机器造假订单数据和/或虚假订单数据;
确定模块,用于基于各所述用户的目标用户数据,确定各所述用户的目标级别。
根据本发明的另一方面,提供了一种电子设备,包括:
处理器;以及
存储程序的存储器,
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述任一所述的用户评级方法。
根据本发明的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行上述任一所述的用户评级方法。
本发明实施例中提供的一个或多个技术方案,通过对获取到的各用户订单数据进行过滤,剔除异常订单数据,包括剔除刷单订单数据、机器造假订单数据以及虚假订单数据,再基于过滤后的订单数据确定用户的级别,降低异常订单数据对评级结果的影响,提高用户评级准确性。
附图说明
在下面结合附图对于示例性实施例的描述中,本发明的更多细节、特征和优点被公开,在附图中:
图1为本发明实施例提供的用户评级方法的一种流程示意图;
图2为本发明实施例中对用户数据进行初步筛选的流程示意图;
图3为本发明实施例提供的用户评级***的一种结构示意图;
图4示出了能够用于实现本发明的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为了提高针对b2b电商平台用户评级准确性,本发明提供了一种用户评级方法、***、电子设备及存储介质。本发明提供的用户评级方法可以应用于任意具有用户评级功能的电子设备,上述电子设备可以包括计算机、服务器以及移动终端等等,本发明对此不做具体限定。本发明实施例提供的用户评级方法可以针对b2b电商平台中的用户进行等级评定。上述用户可以是采购单位,也可以是供应商。以下参照附图描述本发明的方案:
如图1所示,图1为本发明实施例提供的用户评级方法的一种流程示意图,可以包括以下步骤:
S101、获取b2b电商平台中各用户的用户数据;该用户数据中包括订单数据;
S102、按照预设的异常订单识别规则,从各用户数据中剔除异常订单数据,得到各用户目标用户数据;上述异常订单数据包括:刷单订单数据、机器造假订单数据和/或虚假订单数据;其中,机器造假订单数据为机器操作产生的虚假订单数据;
S103、基于各用户的目标用户数据,确定各用户的目标级别。
应用本发明实施例,通过对获取到的各用户订单数据进行过滤,剔除异常订单数据,包括剔除刷单订单数据、机器造假订单数据以及虚假订单数据,再基于过滤后的订单数据确定用户的级别,降低异常订单数据对评级结果的影响,提高用户评级准确性。
下面对上述S101-S103进行示例性说明:
b2b电商平台中,通常将用户数据与用户标识对应存储在数据库中,上述数据库可以是关系型数据库,也可以是非关系型数据库,本发明对此不作具体限定。如上所述,b2b电商平台中的用户通常包括供应商以及采购单位。采购单位的用户数据中可以包括采购单位的订单数据,如订单数量、订单金额、下单时间、下单的商品类型、商品数量等等,还可以包括采购单位的基本信息,如采购单位的名称、下单地址等等。供应商的用户数据则可以包括供应商销售的订单数据以及购货商的基本信息等等。上述用户标识可以是用户的账号,也可以是用户的手机号等可以唯一标识用户的信息。
S101中的用户指的是需要进行评级的用户,可以是b2b电商平台中的所有用户,也可以是b2b电商平台中的部分用户,如可以仅针对采购单位进行评级,也可以仅针对供应商进行评级,当然也可以随机抽取用户进行评级,本发明对此不做具体限定。
在一种可能的实施例中,在确定需要进行评级的用户后,可以基于用户标识从数据库中获取相应用户的用户数据。
对于b2b电商平台的服务商来说,其企业内部通常包括多种业务***,不同业务***中通常会存储不同方面的用户数据。示例性的,电商平台可能存储到用户的订单数据以及基本用户信息,如企业名称、收货地址等;用户资质管理平台可能存储用户的资质信息,包括企业名称、营业执照信息以及成立时间等;合同管理平台可能存储用户与企业签订的合同信息。不同业务***之间通常是相互割裂独立的,因此,在一种可能的实施例中,可以搭建数据中台,并利用该数据中台从不同的业务***中进行用户数据的提取,例如,从合同管理平台、用户资质管理平台以及电商平台中获取各用户的用户数据。
作为一种可能的实施方式,各业务***可以使用同一标识存储同一用户的用户数据。数据中台可以基于用户标识,从各业务***中获取用户的用户数据。上述用户数据可以包括订单数据、基本信息等。上述订单数据可以包括用户的下单时间、订单数量、订单金额等等。上述基本信息可以包括用户的名称、资质信息以及合同信息等等。
通过获取不同业务***中存储的用户数据,提高获取到的用户数据的全面性,进而提高用户评级的准确性。
在一种可能的实施例中,在获取用户数据时,可以按照预设的抽取规则进行抽取。该抽取规则可以根据实际需要设置,本发明对此不作具体限定。作为一种可能的实施方式,该抽取规则中可以包括用户属性以及订单属性等。上述用户属性可以包括采购单位或供应商的规模(如员工数量大于500人)、经营范围、合同类型、结算方式和周期等等。上述订单属性则可以包括订单金额、下单频次、订单数量、下单商品类型以及回款率等等。上述回款率指的是企业实收的销售款与销售收入的总额的比率。通过上述抽取规则获取需要的数据,减少后续的数据处理量,同时减少无用数据对用户评级的影响。
在一种可能的实施例中,各业务***中还可以预先存储用户初步评级,该用户初步评级可以针对不同业务***进行设置。示例性的,对于用户资质管理平台,可以设置规模较大、成立时间较久的用户为优质用户,即用户评级较高。对于合同管理平台,可以设置签订合同时间较久,且经营正常的用户为优质用户。相应的,上述抽取规则还可以包括不同用户评级。通过获取初步评级较高的用户数据,可以提高获取到的用户数据的有效性,提高确定优质用户的效率。
作为一种可能的实施方式,上述数据中台可以提供规则配置页面,该页面中可以包括可供相关人员设置的选项,如可以包括用户规模、合同类型等等。相关人员可以在该页面进行抽取规则的设置。
在一种可能的实施例中,确定上述抽取规则后还可以对该规则进行验证,即对基于该规则抽取出的用户进行验证,通过确定抽取出的用户是否符合预期来确定规则是否正确合理。
由于获取到的用户数据可能来源于不同的业务***,而不同的业务***可以会以不同的数据标准或不同的数据格式存储数据,同时,获取到的用户数据中可能存在较多的重复数据、无效数据或者错误数据等等。
因此,在一种可能的实施例中,可以对数据进行清洗以及格式转换,过滤上述重复数据、无效数据或者错误数据等等,并统一数据格式。通过按照自定义抽取规则从不同业务***中抽取数据,并对从不同***采集来的数据进行清洗,有效提高了数据的可靠性和可用性,为后续的数据计算、分析和应用提供了良好的基础。
作为一种可能的实施方式,可以将获取的用户数据存储至中间数据库,并对中间数据库中存储的数据进行清洗以及格式转换后,存储至目标数据库中。上述中间数据库以及目标数据库可以是同类型的数据库,也可以是不同类型的数据库,本发明对此不做具体限定。通过该技术方案,将需要进行清洗以及格式转换的数据单独存储,而不是将这些数据与清洗以及格式转换后的数据统一存储,提高数据清洗以及格式转换效率。上述数据获取与清洗、转换可以根据实际需求定时执行,来保证数据库中的数据的不断更迭,进一步提高基于用户数据进行用户评级的准确性。
图2为本发明实施例中对数据进行初步筛选的一种流程示意图:
图2示出了3个数据源,分别为数据源1、数据源2、数据源3,上述各数据源可以是不同的业务***,如可以是b2b电商平台、合同管理平台、用户资质管理平台等等。按照预设抽取规则从各数据源抽取用户数据后,可以将抽取的用户数据暂时存储至中间数据库,该中间数据库可以是mysql、Redis等等。在对中间数据库中存储的用户数据进行数据格式转换后,将同一数据格式的数据存储至目标数据库中。
本发明实施例中,可以预设多种异常订单识别规则,以过滤各用户的订单数据中的异常订单。上述异常订单可以包括刷单订单、机器造假订单以及虚假订单等。
刷单指的是卖方(供应商)提供购买费用,雇佣他人假扮顾客,用以假乱真的购物方式提高店铺的曝光率、信用以及排名等,对于买方(采购单位)来说,刷单可以提高其活跃度、信用等。机器造假订单指的是用户通过机器伪造请求,从而制造下单数据。虚假订单数据指的是用户采用虚假地址下单。例如,卖方通过虚假地址在自己的店铺中下单,而实际的收货方为卖方自身。下面以用户为采购单位为例,分别对从用户的订单数据中识别刷单数据、机器造假订单数据以及虚假订单数据进行示例性说明。
针对刷单订单,在一种可能的实施例中,在每次检测到b2b电商平台中采购单位的下单行为时,可以将该采购单位下单时的IP(Internet Protocol,互联网协议)地址、设备信息以及授权信息进行存储。上述采购单位可以通过其在b2b电商平台中的账号标识。上述设备信息可以包括设备的型号、***类型、浏览器类型等等。上述授权信息可以包括位置信息、刷脸信息以及账号密码等。作为一种具体实施方式,在用户登录账号时,可以为用户下发token(一种身份认证令牌),并设置有效期。若切换IP则需重新登录识别,并进行授权认证,从而可以获取最新的用户授权信息。
在检测到同一IP地址对应的账号数量超过预设账号数量,和/或同一IP地址对应的各账号的下单数量超过预设下单数量阈值的情况下,可以判断该IP地址下或该账号下的订单为刷单订单。因此,可以从该应账号的订单数据中删除上述刷单订单数据。上述预设账号数量以及预设下单数量阈值均可根据实际需要设置,如上述预设账号数量可以是5,上述预设下单数量可以是100等。
作为另一种可能的实施方式,在检测到某个账号的下单数量超过预设下单数量阈值、且该账号产生的各订单的金额以及收货地址等信息相差较大的情况下,可以查询该账号的授权信息,若该授权信息与之前存储的该账号的授权信息一致,则确定这些订单为正常的订单数据;若该授权信息与之前存储的该账号的授权信息不一致或未查询到授权信息,则确定这些订单为刷单订单,因此,可以从该账号的订单数据中删除该订单数据。
在一种可能的实施例中,可以按照以下步骤识别刷单订单数据:
针对各所述用户的各订单,基于所述订单的下单IP地址对应的订单数量、所述下单IP地址与收货地址的匹配度以及所述订单的配送时间,确定所述订单的刷单评估分数;
在订单的刷单评估分数超过预设刷单分数阈值的情况下,确定所述订单为刷单订单;
之后可以从各用户数据中剔除所述刷单订单数据,得到各所述用户的目标用户数据。
如上所述,用户数据中包括订单数据,具体可以包括用户的订单数量、订单金额、商品数量、商品类型以及收货地址等等。
在一种可能的实施例中,可以针对各订单计算该订单的下单IP地址对应的订单数量、下单IP地址与收货地址的匹配度以及订单的配送时间三项的刷单得分,并基于各项的刷单得分确定订单的刷单评估分数。
针对上述下单IP地址对应的订单数量的刷单得分,可以通过以下步骤计算:
①、确定第n天到第m天的IP数据数量之差R=Xmax-Xmin。其中,n、m指的是距离当前时间的天数,可以根据实际需要任意设置;Xmax为从当前到m天前的IP数量,Xmin为从当前到n天前的的IP数量,R为针对各用户计算刷单得分所需的IP数据范围。示例性的,如取近一周内的IP信息,则n可以是0、m可以是7,Xmin则为0,Xmax则是7天内的IP数据量。若需要获取上一周的IP数据,则n可以是7,m可以是14,Xmin则是7天内的IP数据,Xmax则是14天内的IP数据量。
②、按照预设组别对R进行分组。上述组别可以根据实际情况设置,示例性的,可以按照华南、华中、华北将IP地址分为3组。并可以根据IP地址进行去重,即同一IP地址与账号的对应关系仅出现一次。去重后确定各IP对应的账号数量y。
③根据y确定账号对应的订单的刷单得分。示例性的,若y=1,则账号对应的订单该项刷单得分为0,若y≥2且y<4,则该账号对应的订单可能存在刷单可能,得分为10*(y/10+0.05),若y≥4且<10,则该IP地址对应的账号的订单刷单可疑率很高,得分10*(y/10+0.1),若y≥10,则可以在满分10分的基础上加2分的超额分。当然,也可以预设y范围与刷单得分的对应关系,本发明实施例中对此不做具体限定。
针对下单IP地址与收货地址的匹配度的刷单得分,可以根据用户下单时的IP地址,解析该IP地址的归属地,包括该IP地址所属的国家、省、市、县/区等。在根据订单收货地址与IP地址做匹配时,若国家、省、市、县/区均一致,该订单本项刷单得分为0分,省、市一致但其他不一致,该订单本项刷单得分为2分,省一致,但其他不一致,该订单本项刷单得分为4分,只有国家一致,该订单本项刷单得分为7分,若地址全不一致则该订单本项刷单得分10分。
针对订单的配送时间的刷单得分,订单的配送过程通常包括订单发货、快递员妥投以及收货签收。作为一种可能的实施方式,可以根据订单发货时间和到货签收时间的时间区间(以下简称T1)以及发货时间和妥投时间的时间区间(以下简称T2)来计算订单该项刷单得分。
示例性的,首先判断订单商品属性,若属于虚拟产品,如视频会员充值、网站会员充值等,则订单该项刷单得分基础分为4分,若属于实物商品,且T1和T2均小于5分钟,则订单该项刷单得分10分,T1<1小时且T2<1小时,订单该项刷单得分9分、T1<1小时且T2<2小时订单该项刷单得分8分,T1<1小时且T2<3小时订单该项刷单得分7分,T1<1小时且T2<5小时订单该项刷单得分6分,T1<1小时且T2<7小时订单该项刷单得分5分,T1<1小时且T2<12小时订单该项刷单得分4分,T1<1小时且T2<24小时订单该项刷单得分3分,其他为0分,若此订单供应商为配送时效较快的供应商,可在T2>5且T2<12区间内减1分。当然,也可以预设配送时间区间与刷单得分的对应关系。
确定上述三项的刷单得分后,可以确定订单最终的刷单评估分数,该刷单评估分数可以是上述三项刷单得分的和,也可以是上述三项刷单得分中的最大值、最小值等。当评估分数超过预设分数阈值时,可以确定该订单为刷单数据,因此,可以从相应账号的订单数据中删除该订单数据。上述预设分数阈值可以根据实际需要设置,如,可以是6分、10分等。
在一种可能的实施例中,可以按照以下条件判断该订单是否为刷单数据(为便于叙述,下面分别将订单的下单IP地址对应的订单数量、所述下单IP地址与收货地址的匹配度以及所述订单的配送时间称作条件一、条件二以及条件三):若三个条件得分均大于6分,则此订单为刷单订单,若条件三小于6分,条件一大于8分,条件二大于8分,也确定该订单为刷单订单;若条件二小于6分,条件一大于8分,条件三大于8分,也确定该订单为刷单订单;若条件一小于6分,其中条件二和三均大于9分则也确定该订单为刷单订单。若单独条件一为12分,则直接判定该订单为刷单订单。
通过上述技术方案,从三个方面对刷单订单进行判断,提高刷单数据检出率,进一步提高目标用户数据的有效性,减少数据冗余,进而提高用户画像构建的准确性。
在一种可能的实施例中,上述用户数据中还可以包括用户的请求日志数据,该请求日志数据中可以包括用户发出的请求、用户发出各种请求的时间顺序、用户发送请求时的IP地址以及设备信息等等。针对上述机器造假订单的识别,可以按照以下步骤进行:
针对各所述用户的各订单,基于所述用户的请求日志数据确定产生所述订单时的目标页面访问顺序;
在订单的所述目标页面访问顺序与预设页面访问顺序不一致的情况下,确定所述订单为机器造假订单;
之后可以从各所述用户数据中剔除所述机器造假订单数据,得到各所述用户的目标用户数据。
本实施例中,可以预先将b2b电商平台中的各页面根据菜单进行分级,并设置页面访问级别的连续性,上述菜单用于标识当前页面的子页面的入口。示例性的,可以根据各页面的连接顺序将各页面划分为1-5级,并禁止从1级页面跳到3级页面。在用户下单过程中可以对用户的请求进行埋点,即捕获用户请求事件。如,通过Elasticsearch(位于ElasticStack核心的分布式搜索和分析引擎)、Logstash(是一个应用程序日志、事件的传输、处理、管理和搜索的平台)以及Kibana(为Elasticsearch设计的开源分析和可视化平台,可以使用Kibana来搜索,查看存储在Elasticsearch索引中的数据并与之交互)(ELK)来搜索用户的请求,并收集请求日志,对请求日志进行统计分析。当基于用户的请求日志检测到的在某订单的产生过程中用户对页面的访问顺序与预设的页面顺序不一致时,可以确定该订单为机器造假订单,即为机器操作产生的虚假数据。
例如:首页相关页面集合中没有商品评价页,而访问是从首页直接跳到了商品的评价页,这被视为伪造请求。对于这种情况,可以触发验证流程,要求用户进行图形验证码,以此拦截机器人的造假行为。
通过上述技术方案,可以确定真实活跃的用户,避免机器操作产生的虚假数据对用户评级的影响,提高用户评级的准确性。
针对上述虚假订单数据,可以按照以下步骤识别:
针对各所述用户的各订单,确定所述订单的收货地址与所述订单的实际配送地址是否一致;
在所述订单的收货地址与所述订单的实际配送地址不一致的情况下,确定所述订单为虚假订单数据。
上述订单的收货地址即用户在下单时填写的收货地址,上述订单的实际配送地址则可以根据快递员手持终端完成投递后最终的定位信息得到。若两个地址可以匹配,即两地址之间的地理位置差异在预设范围内,则确定该订单为正常订单,若两地址的地理位置差异超过预设范围,则确定该订单为虚假订单。上述预设范围可以根据实际情况设置,如可以设置为10m、100m等等。当然,也可以按照收货地址与实际配送地址的国家、省、市、区/县、街道以及小区/村的匹配度,确定订单该项评估分数。具体评估过程可以参考上文叙述,此处不再赘述。
通过上述技术方案,对各用户的订单数据中的异常订单进行剔除,得到目标用户数据,再基于目标用户数据对各用户进行评级,消除异常订单对评级结果的影响,提高评级准确性。
将采购单位的订单数据中的异常订单数据进行剔除后,即可得到用户进行最终的采购单位评级的各采购单位的目标数据。
在一种可能的实施例中,可以通过以下步骤基于各用户的目标用户数据,确定各用户的目标级别:
确定各所述用户在预设时间段内的用户数据增长率;
确定各所述用户的用户数据增长率对应的预设级别,作为对应用户的目标级别。
上述预设时间段可以根据实际需要进行设置,如可以是1年、半年、30天、15天、7天等等,本发明对此不作具体限定。上述用户数据可以包括订单金额、订单数量、合作范围以及日活跃度等等,相应的,上述预设时间段内的用户数据增长率则可以包括预设时间段内的订单金额增长率、订单数量增长率合作范围增长率以及日活跃度增长率。上述用户日活跃度可以通过用户使用电商平台的次数确定。
在一种可能的实施方式中,可以通过以下公式计算用户数据增长率
该公式中,n表示预设时间段内的月份数,Ri表示用户数据增长率,Pi表示预设时间第i月/天的用户数据。作为一种可能的实施方式,可以按照上述公式计算每一项用户数据的增长率。
在计算用户数据增长率时,需要剔除造假的虚假订单。例如,A单位上个月的订单数量为200单,检测出虚假订单为50单,则A单位上个月的有效订单数量为150单,即A单位的目标用户数据中订单数量为150单。
在一种可能的实施例中,可以通过以下步骤确定各用户的用户数据增长率对应的预设级别:
所述确定各所述用户的用户数据增长率对应的预设级别,包括:
针对各所述用户,确定所述用户的各种用户数据增长率对应的预设评级分数;
针对各所述用户,确定所述用户对应的各预设评级分数的统计值,作为所述用户的目标评级分数;
确定各所述用户的目标评级分数对应的预设级别。
如上所述,用户数据中包括多种数据,因此,可以针对每种用户数据分别确定其对应的预设评级分数。示例性的,可以针对上述订单金额增长率、订单数量增长率合作范围增长率以及日活跃度增长率分别确定其对应的预设评级分数。
在一种可能的实施例中,可以预先设置增长率区间与评级分数的对应关系,该增长率区间的范围以及增长率区间与评级分数的对应关系可以根据实际需要进行设置,本发明实施例中对此不作具体限定。示例性的,可以设置三个增长率区间,分别为[p1,p2)、[p2,p3)、[p3,p4),其中,p1可以为10%、p2可以为20%、p3可以为50%、p4可以为100%。其中,区间[p1,p2)对应评级分数S1,区间[p2,p3)对应评级分数S2,区间[p3,p4)对应评级分数S3。示例性的,针对用户数据1,若其预设时间段内的增长率落在区间[p2,p3)中,则该用户数据1对应的预设评级分数为S2。
得到用户的各种用户数据对应的评级分数后,可以确定各种用户数据的评级分数的统计值作为该用户的目标评级分数。上述统计值可以是平均值、加权平均值、最大值、最小值等等,本发明对此不作具体限定。在上述统计值为加权平均值的情况下,各种用户数据的权重可以根据实际需要预先设置。
在一种可能的实施例中,可以通过以下公式计算用户的目标评级分数S:
其中,n为用户数据的种类,Si为第i种用户数据增长率对应的评级分数。
在一种可能的实施例中,可以预先划分不同的目标评级分数范围,并设置各目标评级分数范围对应的级别,从而在确定用户的目标评级分数后,按照目标评级分数对应的范围确定,目标评级分数对应的级别。
示例性的,可以按从高到底将采购单位分为三个等级A、B、C,三个等级对应的目标分数范围分别为[S1,S2)、[S2,S3)、[S3,S4)。若采购单位a目标评级分数落在[S1,S2)中,则采购单位a的评级为A。
在一种可能的实施例中,还可以根据用户的基础信息数据、行为数据以及标签数据对用户进行评级。上述基础信息数据可以包括用户的企业规模、营业时间等。行为数据可以包括用户的订单数据以及在b2b电商平台中的行为数据,包括浏览、收藏以及分享等等。上述标签数据可以针对不同用户设置,如可以是用户的初始评级。
作为一种可能的实施方式,可以针对用户的基础信息数据、行为数据以及标签数据预设评分规则,进而确定用户的目标评级分数,进而可以基于用户的目标评级分数确定用户评级。示例性的,可以设置企业规模500人以上对应分数s1,100-500人对应分数s2,50-100人对应分数s3,50人以下对应分数s4。设置用户浏览、收藏、分享、加购以及购买的总次数在50次以上对应的分数为s5,在50次以下的分数为s6。设置用户初始评级由高到低对应的分数分别为s7、s8、s9等等。本发明对此不做具体限定。
在一种可能的实施例中,还可以根据各用户的目标评级分数对各用户进行聚类,从而确定出优质用户。如可以采用K-means聚类算法、DBSCAN算法等等。
确定各用户评级后,可以根据用户的级别为用户进行商品推荐、额度设置等等。
在一种可能的实施例中,可以将用户数据、用户级别与用户标识对应存储在目标数据库中,相关人员可以对用户等级、标签、所属单位、销售合同等各项维度进行数据查询与分析。相关人员还可以对重点关注的用户数据以简单的拖拽方式加入到前端展示区,被选中的数据指标,可在前端展示。展示数据的形式可以包括表格、文本卡、指标卡、仪表盘、折线图、柱状图、环形图、雷达图、矩形树、散点图、漏斗图等等。
应用本发明实施例,实现多方数据收集、获取更多数据资源,并通过对用户评分高效挖掘数据价值,充分利用数据价值,实现价值变现。另外,生成用户画像,直观了解每个用户,一方面有助于精准营销,降低营销成本,另一方面有助于针对用户需求开发新的业务及产品,提供定制化、个性化服务,从而增加收益。且通过充分了解用户,实现供应商甄选,从而降低用户交易风险。再有,通过自动获取、分析数据,省去人工分析数据的过程,减少人力成本,提高整体效率,通过数据为决策提供支撑,也可以降低人为决策失误带来的风险。
基于相同的发明构思,本发明还提供了一种用户评级***,应用于b2b电商平台,如图3所示,该***300可以包括:
获取模块301,用于获取所述b2b电商平台中各用户的用户数据;所述用户数据中包括订单数据;
剔除模块302,用于按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据;所述异常订单数据包括:刷单订单数据、机器造假订单数据和/或虚假订单数据;
确定模块303,用于基于各所述用户的目标用户数据,确定各所述用户的目标级别。
本发明示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本发明实施例的方法。
本发明示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。
本发明示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。
参考图4,现将描述可以作为本发明的服务器或客户端的电子设备400的结构框图,其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405,包括:输入单元406、输出单元407、存储单元408以及通信单元409。输入单元406可以是能向电子设备400输入信息的任何类型的设备,输入单元406可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元407可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元404可以包括但不限于磁盘、光盘。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理。例如,在一些实施例中,用户评级方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到电子设备400上。在一些实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用户评级方法
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本发明使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
Claims (10)
1.一种用户评级方法,其特征在于,应用于b2b电商平台,所述方法包括:
获取所述b2b电商平台中各用户的用户数据;所述用户数据中包括订单数据;
按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据;所述异常订单数据包括:刷单订单数据、机器造假订单数据和/或虚假订单数据;其中,所述机器造假订单数据为机器操作产生的虚假订单数据;
基于各所述用户的目标用户数据,确定各所述用户的目标级别。
2.根据权利要求1所述的方法,其特征在于,所述获取所述b2b电商平台中各用户的用户数据,包括:
从不同业务***中获取各用户的用户数据;所述业务***包括:b2b电商平台、合同管理平台以及用户资质管理平台。
3.根据权利要求1所述的方法,其特征在于,在所述异常订单数据包括刷单订单数据的情况下,所述按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据,包括:
针对各所述用户的各订单,基于所述订单的下单IP地址对应的订单数量、所述下单IP地址与收货地址的匹配度以及所述订单的配送时间,确定所述订单的刷单评估分数;
在订单的刷单评估分数超过预设刷单分数阈值的情况下,确定所述订单为刷单订单;
从各所述用户数据中剔除所述刷单订单数据,得到各所述用户的目标用户数据。
4.根据权利要求1所述的方法,其特征在于,所述用户数据中包括请求日志数据;在所述异常订单数据包括机器造假订单数据的情况下,所述按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据,包括:
针对各所述用户的各订单,基于所述用户的请求日志数据确定产生所述订单时的目标页面访问顺序;
在订单的所述目标页面访问顺序与预设页面访问顺序不一致的情况下,确定所述订单为机器造假订单;
从各所述用户数据中剔除所述机器造假订单数据,得到各所述用户的目标用户数据。
5.根据权利要求1所述的方法,其特征在于,在所述异常订单数据包括虚假订单数据的情况下,所述按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据,包括:
针对各所述用户的各订单,确定所述订单的收货地址与所述订单的实际配送地址是否一致;
在所述订单的收货地址与所述订单的实际配送地址不一致的情况下,确定所述订单为虚假订单;
从各所述用户数据中剔除所述虚假订单数据,得到各所述用户的目标用户数据。
6.根据权利要求1所述的方法,其特征在于,所述基于各所述用户的目标用户数据,确定各所述用户的目标级别,包括:
确定各所述用户在预设时间段内的用户数据增长率;
确定各所述用户的用户数据增长率对应的预设级别,作为对应用户的目标级别。
7.根据权利要求6所述的方法,其特征在于,所述用户数据增长率包括:订单金额增长率、订单数量增长率、日活跃度增长率;
所述确定各所述用户的用户数据增长率对应的预设级别,包括:
针对各所述用户,确定所述用户的各种用户数据增长率对应的预设评级分数;
针对各所述用户,确定所述用户对应的各预设评级分数的统计值,作为所述用户的目标评级分数;
确定各所述用户的目标评级分数对应的预设级别。
8.一种用户评级***,其特征在于,应用于b2b电商平台,所述***包括:
获取模块,用于获取所述b2b电商平台中各用户的用户数据;所述用户数据中包括订单数据;
剔除模块,用于按照预设的异常订单识别规则,从各所述用户数据中剔除异常订单数据,得到各所述用户的目标用户数据;所述异常订单数据包括:刷单订单数据、机器造假订单数据和/或虚假订单数据;
确定模块,用于基于各所述用户的目标用户数据,确定各所述用户的目标级别。
9.一种电子设备,包括:
处理器;以及
存储程序的存储器,
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-7任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376315.1A CN117495454A (zh) | 2023-10-23 | 2023-10-23 | 一种用户评级方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376315.1A CN117495454A (zh) | 2023-10-23 | 2023-10-23 | 一种用户评级方法、***、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495454A true CN117495454A (zh) | 2024-02-02 |
Family
ID=89673508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376315.1A Pending CN117495454A (zh) | 2023-10-23 | 2023-10-23 | 一种用户评级方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495454A (zh) |
-
2023
- 2023-10-23 CN CN202311376315.1A patent/CN117495454A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5905544B2 (ja) | オンライン評価システムおよび方法 | |
US20180075437A1 (en) | Data verification in transactions in distributed network | |
WO2017028735A1 (zh) | 选择及推荐展示对象的方法及装置 | |
CN101576988A (zh) | 信用数据交互***及交互方法 | |
US8943060B2 (en) | Systems, methods and apparatus for identifying links among interactional digital data | |
US9129321B2 (en) | Fraud detection system audit capability | |
US9246923B1 (en) | Developer risk classifier | |
CN111626784A (zh) | 一种企业需求信息匹配方法和装置及*** | |
CN111784449A (zh) | 数据推送方法、设备、存储介质及装置 | |
CN111415067A (zh) | 企业及个人信用评级*** | |
CN111612085A (zh) | 一种对等组中异常点的检测方法及装置 | |
CN109450963B (zh) | 消息推送方法及终端设备 | |
CN112651733A (zh) | 渠道路由选择方法、装置、设备及存储介质 | |
CN112632004A (zh) | 基于行为数据采集的用户身份识别方法及装置 | |
CN116361571A (zh) | 基于人工智能的商户画像生成方法、装置、设备及介质 | |
CN116091171A (zh) | 会员统计与管理*** | |
CN117495454A (zh) | 一种用户评级方法、***、电子设备及存储介质 | |
CN109902698A (zh) | 信息生成方法和装置 | |
CN114153860A (zh) | 业务数据管理方法及装置、电子设备、存储介质 | |
CN114398562A (zh) | 一种店铺数据管理方法、装置、设备及存储介质 | |
JP6886183B2 (ja) | 顧客属性推定システム及び顧客属性推定方法 | |
CN111160916A (zh) | 风险交易识别方法及装置 | |
JP2017200079A (ja) | 情報端末からインターネットを通じて申告された利用者の電話番号を取得して利用者の不信指標を出力するコンピューティング | |
KR101888010B1 (ko) | 부동산 트렌드 통계 서비스 시스템 및 방법 | |
CA3054506C (en) | The method, device for pushing electronic transaction certificate |
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 |