一种基于机器学习的智慧电商页面缺货管理方法及系统技术方案

本发明专利技术涉及机器学习技术领域,公开一种电商页面缺货原因的自动推断、跟踪处理、补货供应的管理方法，实现通过算法模型最大程度地消除缺货。其特征在于将一种深度神经网络模型及持续进化机制的方法应用于电商行业,包括：多源异构数据获取及处理；基于神经网络的模式分析推理；自动工作流任务指派；多维度数据分析；知识管理及模型进化等。本发明专利技术基于商品页面状态、库存、订单、物流、人员等信息提取模式编码；算法模型对该编码进行自动识别及推断；基于结果及知识库为缺货事件建立工作流；而预测模型能产生缺货预警、触发补货事件。本发明专利技术有效处理电商页面缺货，分析推断准确率高，监测未知的缺货原因，实现从事后处理转化为事前预防。

【技术实现步骤摘要】
一种基于机器学习的智慧电商页面缺货管理方法及系统
本专利技术涉及机器学习
，更具体地说，涉及一种基于机器学习的智慧电商页面缺货管理方法及系统。
技术介绍
随着电子商务在中国取得了迅猛发展，中国电商零售市场交易规模早已达到万亿级，于2015年位居世界第一。网购用户规模的快速扩张为网购市场的发展奠定了良好的用户基础，释放着巨大的市场潜力。同时也对电商的运营能力提出更高要求和挑战。电商页面缺货是指商品的购买页面提示缺货，包括商品类别缺货，区域性缺货和全面缺货和下架状态等消费者无法进行购买的情况。页面缺货会导致潜在的销售损失，流失老客户和失去新客户的机会，甚至伤害品牌形象。因此，这逐渐成为电商运营最棘手也最迫切解决的问题提之一。现代电商供应链上的物理流和信息流链条长、环节多，涉及多个相关利益相关方从而导致页面缺货的原因复杂多变，难以快速定位问题环节以及识别相关负责人。常规的供应链管理系统和库存管理系统，无法实现缺货原因的自动分析，以及生成相应的处理策略。现有的相关专利技术，专利号CN106384271A描述了一种订单匹配的方法和系统，该专利技术通过订单信息的流通匹配，来达到减少商品缺货、补货导致的订单延时处理的问题，从而提高订单处理的效率。专利号CN106447264A描述了一种商品调配方法，在某一供应商的商品缺货时，从预先创建的统一库存池中获取其他供应商该商品的库存信息；根据所述库存信息创建缺货补货单；根据所述缺货补货单从对应的供应商对商品补货。该专利技术实现对缺货商品的自动调配，加快了商品处理流程，解决因商品订单供应商缺货，所引起的订单处理延迟、时效差的问题。专利号CN106156880A描述了一种预测库存分配比例的方法、装置及电子设备，通过获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用特征数据；并根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。该专利技术申请综合评估待分配商品在待分配仓库的分配比例，从而改善分配比例的预测准确度，避免过多依赖人力进行库存分配，达到减低商品缺货率提高库存周转水平和消费者体验的效果。专利号US20170300852Al提出一种生产物料缺货管理系统，通过监测实时库存水平和生产线物料的消耗情况，分析产生物料缺货的模式，从而优化物料资源的配置情况。现有的相关专利技术主要着眼于页面缺货产生以后的商品供应处理或忽略供应链因素仅着眼于销售端、库存配比等，通过关联和匹配订单信息、库存信息和供应方信息等关系来提高补货调配的过程效率。然而，现代电商供应链的物理流和信息流链条日渐复杂，涉及多个相关利益相关方从而导致页面缺货的原因复杂多变，直接基于商品调配和订单匹配的直接方法难以从跟上电商平台运营的节奏(尤其是促销、品牌活动等特殊窗口，如6.18，双十一等)，无法从根本上解决问题。因此，对于页面缺货的智能化原因推断(找出问题关键点)、处理跟踪(相应负责人的指派和处理)以及预防策略(缺货预测及供应规划策略)仍然是行业内最关键也亟待解决的问题。
技术实现思路
针对上述问题及不足，本专利技术目的是提出一种基于机器学习的复杂、多源异构数据的智慧型计算机信息处理方法。通过该方法实现电商商品页面缺货的自动原因推理诊断、缺货跟踪处理、商品补货及供应的管理；并通过预测模型减低缺货率,从而逐步实现最大程度地消除电商页面缺货。本专利技术同时也适用于线下快消品相关行业供应链和业务流程诊断和优化管理。一种基于机器学习的智慧电商页面缺货管理系统，包括：(1)数据源定义及管理:用于提供多源异构数据的高灵活性定义和配置管理方法，包括数据源的基本信息、接入方式、数据的详细格式、数据模板以及数据间的关联映射关系；(2)异构多数据源处理:用于对导入数据进行清洗、分类及归并和基于规则的逻辑校验运算；(3)知识及学习机制:用于推理的原因结构定义、特征及模式定义、工作流定义，以及机器学习模型配置、训练进化及参数管理；(4)基于深度学习的原因推理:基于预先定义和配置完成的人工智能模型及运算机制，对获取到的事件及相关数据信息进行自动分析和推理；(5)缺货预测告警及整理:基于预先定义和配置完成的人工智能模型及运算机制，对获取到的产品及其数据进行分析并预测可能出现缺货的时间窗。优选地，该系统还包括有知识仓库；所述数据源定义及管理通过图形化界面完成异构数据源的定义描述、接入方式、数据格式以及数据间的映射关系配置，并将数据源详细信息保存于知识仓库中。优选地，所述异构多数据源处理用于将数据清洗、数据分类归并及逻辑运算处理方法以模块化算子或者类SQL语句描述形式保存在知识仓库中。优选地，所述知识及学习机制用于集中实时管理数据预处理规则、深度神经网络模型、学习机制及训练更新周期、缺货原因结构以及动态工作流。优选地，该系统还包括有数据库；所述基于深度学习的原因推理(105)基于Tensorflow的深度神经网络模型建立推理引擎，根据实际业务增长需求进行动态配置，并以线上实时推理，线下训练的学习机制实现自我学习升级，且自动原因推断过程数据和结果保存于数据库，并衔接工作流引擎进行事件跟踪处理。优选地，所述缺货预测告警及整理通过有选择的配置提取产品多维度业务信息特征，定义深度神经网络模型结构，实现训练并运算输出预测缺货时间窗出现缺货的概率。一种基于机器学习的智慧电商页面缺货管理方法，使用所述的一种基于机器学习的智慧电商页面缺货管理系统，具体步骤包括：S1、先通过异构多数据源处理提取商品页面状态、库存、订单、物流、相关人员状态的信息特征并形成模式编码；S2、通过知识及学习机制调取基于深度学习的原因推理对模式编码进行识别及原因推断，基于推断结果及知识仓库为缺货事件建立处理工作流，并分析显示缺货原因；S3、通过知识及学习机制调取缺货预测告警及管理对模式编码和缺货原因进行分析判断，产生缺货预警以及触发补货事件。优选地，在步骤S2中，所述基于深度学习的原因推理包括有缺货推断深度神经网络模型，该缺货推断深度神经网络模型由缺货推断输入层、缺货推断输出层和3个缺货推断隐藏层组成；该缺货推断输入层有34个输入神经元、中间缺货推断隐藏层神经元分别为32，64和128，缺货推断输出层由9个输出神经元构成；且该缺货推断输入层神经元的特征包括产品订单特征维度、产品出货特征维度、产品基础数据特征维度、以及供应链特征维度；该缺货推断隐藏层的激活函数均由RectifiedLinearUnit实现，该缺货推断输出层采用Softmax作为激活函数。优选地，在步骤S3中，所述缺货预测告警及管理包括有缺货预测深度神经网络模型，该缺货预测深度神经网络模型由缺货预测输入层和缺货预测输出层组成；该缺货预测输入层包括有产品订单特征维度、产品出货特征维度、电商页面库存特征维度以及产品供应特征维度；所述缺货预测输出层由三个神经元按预测时间窗展开，由SOFTMAX激活函数输出。本专利技术与现有的技术和方法相比，具有的有益效果是：(1)基于深度神经网络的算法模型实现智能根本原因分析和推理，通过对历史数据的分析学习更能识别隐藏的缺货模式以及处理逻辑。通过机器学习算法代替人为分析，自动完成原来需要复杂供应链专业知识以及计算的过程，极大的减低了缺货原因分析和知识传承的难本文档来自技高网...

【技术保护点】
1.一种基于机器学习的智慧电商页面缺货管理系统，其特征在于，包括：(1)数据源定义及管理(101):用于提供多源异构数据的高灵活性定义和配置管理方法，包括数据源的基本信息、接入方式、数据的详细格式、数据模板以及数据间的关联映射关系；(2)异构多数据源处理(104):用于对导入数据进行清洗、分类及归并和基于规则的逻辑校验运算；(3)知识及学习机制(102):用于推理的原因结构定义、特征及模式定义、工作流定义，机器学习模型配置、以及训练进化与参数管理；(4)基于深度学习的原因推理(105):基于预先定义和配置完成的人工智能模型及运算机制，对获取到的事件及相关数据信息进行自动分析和推理；(5)缺货预测告警及整理(106):基于预先定义和配置完成的人工智能模型及运算机制，对获取到的产品及相关数据信息进行分析并预测可能出现缺货的时间窗。

【技术特征摘要】
1.一种基于机器学习的智慧电商页面缺货管理系统，其特征在于，包括：(1)数据源定义及管理(101):用于提供多源异构数据的高灵活性定义和配置管理方法，包括数据源的基本信息、接入方式、数据的详细格式、数据模板以及数据间的关联映射关系；(2)异构多数据源处理(104):用于对导入数据进行清洗、分类及归并和基于规则的逻辑校验运算；(3)知识及学习机制(102):用于推理的原因结构定义、特征及模式定义、工作流定义，机器学习模型配置、以及训练进化与参数管理；(4)基于深度学习的原因推理(105):基于预先定义和配置完成的人工智能模型及运算机制，对获取到的事件及相关数据信息进行自动分析和推理；(5)缺货预测告警及整理(106):基于预先定义和配置完成的人工智能模型及运算机制，对获取到的产品及相关数据信息进行分析并预测可能出现缺货的时间窗。2.如权利要求1所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，该系统还包括有还包括有知识仓库(103)；所述数据源定义及管理(101)通过图形化界面完成异构数据源的定义描述、接入方式、数据格式以及数据间的映射关系配置，并将数据源详细信息保存于知识仓库(103)中。3.如权利要求2所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，所述异构多数据源处理(104)用于将数据进行清洗、分类归并及逻辑运算处理方法以模块化算子或者类SQL语句描述形式保存在知识仓库(103)中。4.如权利要求1所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，所述知识及学习机制用于集中实时管理数据预处理规则、深度神经网络模型、学习机制及训练更新周期、缺货原因结构以及动态工作流。5.如权利要求1所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，该系统还包括有还包括有数据库(110)；所述基于深度学习的原因推理(105)基于Tensorflow的深度神经网络模型建立推理引擎，根据实际业务增长需求进行动态配置，并以线上实时推理，线下训练的学习机制实现自我学习升级，且自动原因推断过程数据和结果保存于数据库(110)，并衔接工作流引擎进行事件跟踪...

【专利技术属性】
技术研发人员：方骥，
申请(专利权)人：方骥，
类型：发明
国别省市：广东,44