运费险服务费的定价方法技术

本公开涉及人工智能技术领域，尤其涉及运费险服务费的定价方法

【技术实现步骤摘要】
运费险服务费的定价方法、装置、电子设备、存储介质


[0001]本公开涉及人工智能
，尤其涉及运费险服务费的定价方法
、
装置
、
电子设备
、
存储介质
。

技术介绍

[0002]在电商场景中，由于线上交易，消费者在后货后，通常会发生退货换货行为，运费险能够很好的解决消费者退货的顾虑，保证用户线上购物的体验
。
运费险是商家买单的运费险，服务费主要在买家下单后，扣除商家的部分货款作为运费险服务费
。
[0003]现有技术中的运费险服务费计算方式比较单一，无法针对部分高风险店铺
、
高风险用户或者促销活动进行针对性干预，且服务费调整多半走线下流程，调整周期长，无法保证退货补运费的收支平衡的技术问题
。

技术实现思路

[0004]本公开提供了一种运费险服务费的定价方法
、
装置
、
电子设备
、
存储介质
。
[0005]根据本公开的一方面，提供了一种运费险服务费的定价方法，包括：
[0006]获取商家的第一交易相关信息，将所述第一交易相关信息输入预先训练的第一退货率预测模型，得到所述商家对应的商家退货率；
[0007]根据所述商家退货率确定第一运费险服务费；
[0008]获取用户的第二交易相关信息，将所述第二交易相关信息输入预先训练的第二退货率预测模型，得到所述用户对应的用户退货率；
[0009]根据所述用户退货率对所述第一运费险服务费进行调整，得到第二运费险服务费
。
[0010]根据本公开的另一方面，提供了一种运费险服务费的定价装置，包括：
[0011]第一预测模块，被配置为获取商家的第一交易相关信息，将所述第一交易相关信息输入预先训练的第一退货率预测模型，得到所述商家对应的商家退货率；
[0012]确定模块，被配置为根据所述商家退货率确定第一运费险服务费；
[0013]第二预测模块，被配置为获取用户的第二交易相关信息，将所述第二交易相关信息输入预先训练的第二退货率预测模型，得到所述用户对应的用户退货率；
[0014]调整模块，被配置为根据所述用户退货率对所述第一运费险服务费进行调整，得到第二运费险服务费
。
[0015]根据本公开的第三方面，提供了一种电子设备，包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法
。
[0019]根据本公开的第四方面，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所述计算机执行上述技术方案中任一项所述的方法
。
[0020]根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述技术方案中任一项所述的方法
。
[0021]本公开提供了运费险服务费的定价方法
、
装置
、
电子设备
、
存储介质，主要是为了保证退货补运费的收支平衡，同时降低商家入驻退货补运费的门槛，提升运费险的覆盖范围，提升电商的售后体验
。
[0022]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围
。
本公开的其它特征将通过以下的说明书而变得容易理解
。
附图说明
[0023]附图用于更好地理解本方案，不构成对本公开的限定
。
其中：
[0024]图1是本公开实施例中的运费险服务费定价方法的步骤示意图；
[0025]图2是本公开实施例中的运费险服务费定价方法的流程示意图；
[0026]图3是本公开实施例中的运费险服务费定价装置的原理框图；
[0027]图4是用来实现本公开实施例的运费险服务费定价方法的电子设备的框
。
具体实施方式
[0028]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的
。
因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神
。
同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述
。
[0029]本公开提供了一种运费险服务费的定价方法，如图1所示，包括：
[0030]步骤
S101
，获取商家的第一交易相关信息，将第一交易相关信息输入预先训练的第一退货率预测模型，得到商家对应的商家退货率；
[0031]步骤
S102
，根据商家退货率确定第一运费险服务费；
[0032]步骤
S103
，获取用户的第二交易相关信息，将第二交易相关信息输入预先训练的第二退货率预测模型，得到用户对应的用户退货率；
[0033]步骤
S104
，根据用户退货率对第一运费险服务费进行调整，得到第二运费险服务费
。
[0034]具体地，第一退货率预测模型是将商家的历史交易相关信息作为训练样本，基于深度学习模型训练得到的模型，第二退货率预测模型是将用户的历史交易相关信息作为训练样本，基于深度学习模型训练得到的模型
。
本实施例中第一退货率预测模型用于根据商家的历史交易相关信息预测商家维度的退货率，再根据商家退货率确定基础的运费险服务费，例如，当预测得到某店铺的退货率为
20
％，确定第一运费险服务费为3元
。
进一步地，再通过第二退货率预测模型根据用户的历史交易相关信息预测用户维度的退货率，例如用户在过去
12
个月内，平均每个月退货率为
30
％，针对服饰品类的商品退货率为
70
％，若当前用户购买服饰时，可以通过第二退货率预测模型预测当前订单的退货率，例如当前订单退货率为
65
％，系统判断该用户退货风险较高，可以在第一运费险服务费的基础上再加上1元，得到第二运费险服务费为4元
。
[0035]通过这种方式，可以针对高风险的商家和高风险用户进行针对性地上调服务费，也可以针对低风险商家和低风险用户进行针对性地下调服务费，从而保证退货补运费的收支平衡，提升电商的售后体验以及用户的网购体验，促进电商生态的良性循环
。
[0036]作为可选的实施方式，根据商家退货率确定第一运费险服务费之后，还包括：
[0037]获取人工输入的干预策略，根据干预策略本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种运费险服务费的定价方法，包括：获取商家的第一交易相关信息，将所述第一交易相关信息输入预先训练的第一退货率预测模型，得到所述商家对应的商家退货率；根据所述商家退货率确定第一运费险服务费；获取用户的第二交易相关信息，将所述第二交易相关信息输入预先训练的第二退货率预测模型，得到所述用户对应的用户退货率；根据所述用户退货率对所述第一运费险服务费进行调整，得到第二运费险服务费
。2.
根据权利要求1所述的方法，其中，所述根据所述商家退货率确定第一运费险服务费之后，还包括：获取人工输入的干预策略，根据所述干预策略对所述第一运费险服务费进行调整
。3.
根据权利要求1或2所述的方法，其中，所述干预策略包括以下至少一项：浮动比例干预；浮动绝对干预；绝对干预
。4.
根据权利要求1‑3中任意一项所述的方法，其中，所述获取商家的第一交易相关信息，将所述第一交易相关信息输入预先训练的第一退货率预测模型，得到所述商家对应的商家退货率包括：获取所述商家的店铺数据
、
商品数据
、
店铺订单数据
、
店铺售后数据
、
评价数据中的一种或多种信息作为所述第一交易相关信息；对所述第一交易相关信息进行特征提取得到第一交易相关特征；将所述第一交易相关特征输入所述第一退货率预测模型，得到所述商家退货率
。5.
根据权利要求4所述的方法，其中，所述对所述第一交易相关信息进行特征提取得到第一交易相关特征包括以下至少一项：对所述商品数据进行特征提取得到品类信息
、
商品价格信息
、
销售信息
、
库存量丰富度信息
、
商品热度信息中的至少一项；对所述店铺数据进行特征提取得到店铺销量信息
、
店铺价格信息
、
店铺品类信息
、
店铺权益信息
、
优惠信息中的至少一项；对所述店铺订单数据进行特征提取得到店铺下单信息
、
订单周期信息中的至少一项；对所述店铺售后数据进行特征提取得到店铺退货信息
、
店铺退货周期信息中的至少一项；对所述评价数据进行特征提取得到订单评分
、
店铺评分
、
基于用户评价文本进行正负向情感分析得到的用户情感特征中的至少一项
。6.
根据权利要求1‑5中任意一项所述的方法，其中，所述获取用户的第二交易相关信息，将所述第二交易相关信息输入预先训练的第二退货率预测模型，得到所述用户对应的用户退货率包括：获取所述用户的用户画像数据和用户行为数据作为所述第二交易相关信息；对所述第二交易相关信息进行特征提取得到第二交易相关特征；将所述第二交易相关特征输入所述第二退货率预测模型，得到所述用户退货率
。7.
根据权利要求6所述的方法，其中，所述对所述第二交易相关信息进行特征提取得到第二交易相关特征包括：对所述用户画像数据进行特征提取得到用户基本信息
、
账号风险信息
、
消费场景信息
中的至少一项；对所述用户行为数据进行特征提取得到用户订单信息
、
用户售后信息
。8.
根据权利要求1‑7中任意一项所述的方法，其中，所述根据所述商家退货率确定第一运费险服务费包括：根据所述商家退货率与运费险服务费之间的映射关系，确定所述第一运费险服务费
。9.
根据权利要求1‑8中任意一项所述的方法，其中，所述根据所述用户退货率对所述第一运费险服务费进行调整，得到第二运费险服务费包括：根据所述用户退货率确定所述用户的用户风险等级；根据所述用户风险等级确定对应的服务费调整值；根据所述第一运费险服务费和所述服务费调整值计算得到所述第二运费险服务费
。10.
一种运费险服务费的定价装置，包括：第一预测模块，被配置为获取商家的第一交易相关信息，将所述第一交易相关信息输入预先训练的第一退货率预测模型，得到所述商家对应的商家退货率；确定模块，被配置为根据所述商家退货率确定第一运费险服务费；第二预测模块，被配置为获取用户的第二交易相关信息，将所述第二交易相关信息输入预先训练...

【专利技术属性】
技术研发人员：徐光勇，杨森源，訾豪，王锦龙，
申请(专利权)人：百度在线网络技术，
类型：发明
国别省市：