一种网购平台入驻商户经营数据的预测方法和系统技术方案

一种网购平台入驻商户经营数据的预测方法和系统，可帮助互联网经济时代的线上商户实现更加智能化的企业管理。本系统共有如下六大模块：1、对该商户在未来某一时间段内的总销售额情况绘制一条预测曲线。2、对每一细分品种的销售量绘制预测曲线。3、消费者订金——备货资金预测曲线。本模块的用途是：帮助商家预测消费者订金所带来的现金流，实现合理安排备货资金的功能。4、客服人员服务效率监测及提升模块，帮助商户改善在线客服人员的服务效率。5、客服人员结构优化模块，可实现帮助商家优化客服人员（分为售前和售后两类）结构的功能。6、“差评”预警模块，实现对“差评”进行预警的功能。能。

【技术实现步骤摘要】
一种网购平台入驻商户经营数据的预测方法和系统


[0001]一种网购平台入驻商户经营数据的预测方法和系统（以下简称“本系统”），隶属商业智能（Business Intelligence，简称：BI）领域。本系统综合运用了随机过程分析技术、数据挖掘和数据展现技术、计量经济学分析技术，目的是借助计算机算法帮助互联网经济时代的线上商户实现更加智能化的企业管理。本系统基于泊松过程数学原理，利用计量经济学模型对泊松过程分析中涉及的核心参数进行分析预测，可帮助平台商户实现总销售额预测、细分品种订单量预测、备货资金管理、客服人员服务效率监测及提升、客服人员结构优化和“差评”预警等六大功能。
[0002]在保证数据的及时性和有效性上，本系统采用了“滚动优化”策略。以回溯360天的方式，滚动抽样，每天更新一次核心参数的估值，并实时监测模型的可信度。本系统可根据最新的关键参数估值，结合各影响因子当前的时点数据，对未来30天的目标指标进行预测，帮助线上商户更加科学的管理企业的经营，同时系统保持实时自我更新的能力，确保“驾驶舱”面板上的各预测值处于实时更新状态。
[0003]本系统采用python编程语言。本说明书将对各个模块的核心算法提供相应的计算机代码说明，并采用假设抽样数据，对各个功能模块的运行结果进行简单地模拟。
[0004]本系统亦可作为线上平台商户端操作界面的增值服务模块，帮助线上商户挖掘数据价值，提高企业经营管理的精细化水平，提升线上平台对入驻该平台的商户的综合服务能力，增强线上平台的市场竞争力。

技术介绍
/>[0005]本系统的数学基础如下：基于更新理论，分析如下随机过程：“B2C购物网站上，B端商户销售某种商品，陆续会收到来自C端消费者按照某一数学规律的采购订单”。
[0006]我们观察[0，t]时间段内，订单的发生情况。我们把每笔订单发生的时刻，按时间顺序依次标记为1，2，3，
…
，用X
i
表示第i笔订单距离上一笔订单的等待时间。比如：X1表示从观察起始时刻至商户收到第1笔订单的等待时间，X2表示商户从第1笔订单到收到第2笔订单的等待时间（或称时间间隔），依次类推
…
。
[0007]那么，X1，X2，
…
，就构成了一个随机变量序列。设{X
n
，n=1,2，
…
}是一列相互独立同分布的非负随机变量，X
n
表示第（n
‑
1）笔订单和第n笔订单之间的时间间隔，用随机变量{N
t
，t≥0}表示观察时间[0，t]内订单发生的次数。这样的计数过程即为更新过程。
[0008]由于B2C购物网站上C端消费者相互之间的购物行为是独立的，每笔订单基本都以匿名的方式发生，任何两个消费者之间的购买决策没有直接关联，因此，用更新理论能够较好地刻画B2C购物网站上的订单发生规律。
[0009]用S
n
表示第n笔订单发生的时刻，即：，n=1,2，
…
用N(t)表示在[0，t]观察时间段订单发生的笔数，用S
N(t)
表示在时刻t之前最后一笔订单发生的时刻，用S
N(t)+1
表示在时刻t之后首笔订单发生的时刻。令Y(t)= S
N(t)+1
－t，Y(t)表示观察时点t与下一笔订单之间的时间间隔。当{X
n
，n≥1}独立同分布，且Y(t)与X
n
也是同分布时，我们来分析随机变量X
i
的分布函数F(x)。
[0010]令：得：G(x+t)=G(x)G(t)对上式两边求导，得：令X＞0，则：令，解微分方程，得：从而得到：即：Xn（n≥1）服从指数分布。
[0011]下面求解[0，t]上订单发生笔数N(t)的均值E(N
t
)。
[0012]令：m(t)= E(N
t
)，t≥0，根据更新理论，有下列更新方程：其中，F(t)为两笔订单之间的时间间隔X
i
的分布函数，将代入上述方程，得：。
[0013]下面求解[0，t]上订单发生笔数N(t)的概率函数P(N
t
=n)。
[0014]根据更新理论，P(N
t
=n) = F
n
(t)－F
n+1
(t)其中，F(t)为两笔订单之间的时间间隔X
i
的分布函数，F
n
(t)为F(t)的n重卷积，即：F
n
(t)=F*F*F*
…
*F。
[0015]为了求解F(t)的n重卷积，需要先考察S
n
的矩母函数。
[0016]由于X
i
服从指数分布，X
i
的矩母函数为：因为，由矩母函数的性质，得S
n
的矩母函数为：等式右边正是参数为(n，λ)的Γ分布的矩母函数。由矩母函数的唯一性，得：S
n
服从Γ分布，其概率分布密度函数为：其概率分布密度函数为：上述结果正是泊松分布的概率函数，表明N(t)是强度为λ的泊松过程。

技术实现思路

[0017]第一部分：六大功能模块模块1：在t时间段内，在B2C购物网站上，某B端商户收到的订单笔数符合强度为λ1的泊松过程。根据随机过程理论，可对该商户在未来t时间段内的总销售额情况绘制一条预测曲线。
[0018]用{ε
n
，n≥1}表示每笔订单的金额，ε
n
是一个独立同分布的随机变量序列。用{N
t
，t≥0}表示t时间段内的订单笔数，N
t
是强度为λ1的泊松过程，且与{ε
n
，n≥1}是相互独立的。用Y
t
表示t时间段内的总销售额，则：
{Y
t
，t≥0}为复合泊松过程，总销售额的均值E(Y
t
)=λ1tE(ε)。
[0019]假设某商品有a和b两个品类，其中a款属商家重点推荐的爆款，b款购买人数相对较少。每笔订单要么选择a，要么选择b，概率分别为P
a
和P
b
。由于两个品类的购买量属离散型随机变量，根据大数定律，可用每个品类被选中的频率作为其概率的估值。本系统对近30天内，每个品类的购买频率进行统计，构造一张频率统计表。系统每天重新计算近30天的频率统计表，滚动更新。模型假定该商品各品类的概率分布在短期内是可以保持稳定的。
[0020]表1：商品细分品类购买频率统计表商品品类购买频率（近30天）价格品类aP
a
A品类bP
b
B表2：不同品类组合的概率情况分析订单笔数泊松过程概率金额商品选择概率对应杨辉三角数值1P(N
t
=1)AP
a
[1，1]1P(N...

【技术保护点】

【技术特征摘要】
1.一种基于随机过程分析的预测线上平台入驻商户销售业绩、客服业务量、差评发生概率等数据的技术，其特征在于，基于泊松过程数学原理，利用计量经济学模型对泊松过程分析中涉及的核心参数进行分析预测，实现总销售额预测、细分品种订单量预测、备货资金管理、客服人员服务效率监测及提升、客服人员结构优化和“差评”预警等六大功能。2.根据权利要求1所述的基于随机过程分析的预测线上平台入驻商户销售业绩、客服业务量、差评发生概率等数据的技术，其特征是，所述总销售额预测模块，可对商户在未来某一时间段内的总销售额情况绘制一条预测曲线。3.根据权利要求1所述的基于随机过程分析的预测线上平台入驻商户销售业绩、客服业务量、差评发生概率等数据的技术，其特征是，所述细分品种订单量预测模块，可对每一细分品种的销售量绘制预测曲线。4.根据权利要求1所述的基于随机过程分析的预测线上平台入驻商户销售业绩、客服业务量、差评发生概率等数据的技术，其特征是，所述备货资金管理模块，可帮助商家预测消费者订金所带来的现金流贡献值...

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