泰宁新闻网

分享产品配送方法、装置、电子设备及存储介质与流程

鞋

泰宁新闻网 http://www.tainingxinwen.cn 2020-10-18 10:44 出处:网络
如下提供的分享产品配送方法、装置、电子设备及存储介质与流程,嗨又和大家见面了,今天小编带来了一篇,希望你们喜欢。

如下提供的分享产品配送方法、装置、电子设备及存储介质与流程,嗨又和大家见面了,今天小编带来了一篇,希望你们喜欢。


本申请涉及电子商务
技术领域
,尤其涉及一种产品配送方法、装置、电子设备及存储介质。
背景技术
:电子商务在过去几十年间得到了全球性地飞速发展,在电子商务的产品配送中,电商平台为依托该平台销售的卖家提供两种订单配送方案:其一是通过平台配送中心的仓库由平台进行配送,其二是通过由卖家自己管理的库存配送。为鼓励卖家通过平台的配送中心进行配送,电商平台会承诺提高卖家的销售额,并通过为顾客提供更快的配送选项和值得信赖的退货服务来帮助卖家接触更多顾客。如果卖家选择这种配送方式,他们则需要支付额外的服务费作为回报。因此,零售商可能会通过为同一件产品采取不同的配送方式,从而在更好的配送服务和更高的配送费之间权衡。技术实现要素:本申请的主要目的在于提供一种产品配送方法、装置、电子设备及存储介质,可科学指导电商选择产品的配送方式,提高企业期望利润。为实现上述目的,本申请实施例第一方面提供一种产品配送方法,包括:根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型;根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应;根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应;根据每件产品的转移效应,为每件产品选择配送方式。进一步地,所述配送方式包括平台配送和卖家配送。进一步地,所述根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型包括:获取每件产品的采用平台配送方式获得的利润,以及,采用卖家配送方式获得的利润;将每件产品采用平台配送获得的利润减去采用卖家配送获得的利润,得到每件产品的转移效应模型;其中,令第i件产品采用平台配送获得的利润为yip,第i件产品采用卖家配送获得的利润为yis,第i件产品的转移效应模型为yip-yis。进一步地,所述根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应包括:将所有产品分为实验组和对照组,所述实验组的产品均采用平台配送,所述对照组的产品均采用卖家配送,所述实验组和对照组中的产品相同;获取所述实验组的产品采用卖家配送时可获得的近似卖家配送利润,以及,所述对照组的每件产品采用平台配送可获得的近似平台配送利润;根据所述实验组的产品采用平台配送获得的利润和近似卖家配送利润,得到每件产品在所述实验组中的近似转移效应;根据所述对照组的产品采用卖家配送获得的利润和近似平台配送利润,得到每件产品在所述对照组中的近似转移效应;其中,令第i件产品的近似卖家配送利润为第i件产品的近似平台配送利润为则第i件产品在所述实验组中的近似转移效应为第i件产品在所述对照组中的近似转移效应为进一步地,所述根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应包括:令xi为p维向量,xi为第i件产品p个特征,拥有特征xi的第i件产品采用卖家配送的利润为yis(xi),采用平台配送的利润为yip(xi),预设的风险调整项为δ,第i件产品的转移效应为ari(xi),则:进一步地,所述根据每件产品的转移效应,为每件产品选择配送方式包括:当产品的转移效应大于或等于零时,所述产品的配送方式为平台配送;当产品的转移效应小于零时,所述产品的配送方式为卖家配送。本申请实施例第二方面提供一种产品配送装置,包括:模型构建模块,用于根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型;第一计算模块,用于根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应;第二计算模块,用于根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应;选择模块,用于根据每件产品的转移效应,为每件产品选择配送方式。进一步地,所述选择模块包括:第一选择子模块,用于当产品的转移效应大于或等于零时,所述产品的配送方式为平台配送;第二选择子模块,用于当产品的转移效应小于零时,所述产品的配送方式为卖家配送。本申请实施例第三方面提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现本申请实施例第一方面提供的产品配送方法。本申请实施例第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例第一方面提供的产品配送方法。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本中请一实施例提供的产品配送方法的流程示意图;图2为本申请一实施例提供的产品配送装置的结构示意图;图3示出了一种电子设备的硬件结构示意图。具体实施方式为使得本申请的申请目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。请参阅图1,图1为本申请一实施例提供的产品配送方法的流程示意图,该方法可应用于电子商务中,该方法包括:s101、根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型;s102、根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应;s103、根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应;s104、根据每件产品的转移效应,为每件产品选择配送方式。在本申请其中一个实施例中,该配送方式包括平台配送和卖家配送。在本申请其中一个实施例中,步骤s101包括:获取每件产品的采用平台配送方式获得的利润,以及,采用卖家配送方式获得的利润;将每件产品采用平台配送获得的利润减去采用卖家配送获得的利润,得到每件产品的转移效应模型;其中,令第i件产品采用平台配送获得的利润为yip,第i件产品采用卖家配送获得的利润为yis,第i件产品的转移效应模型为yip-yis。在本申请其中一个实施例中,步骤s102包括:将所有产品分为实验组和对照组,该实验组的产品均采用平台配送,该对照组的产品均采用卖家配送,该实验组和对照组中的产品相同;获取该实验组的产品采用卖家配送时可获得的近似卖家配送利润,以及,该对照组的每件产品采用平台配送可获得的近似平台配送利润;根据该实验组的产品采用平台配送获得的利润和近似卖家配送利润,得到每件产品在该实验组中的近似转移效应;根据该对照组的产品采用卖家配送获得的利润和近似平台配送利润,得到每件产品在该对照组中的近似转移效应;其中,令第i件产品的近似卖家配送利润为第i件产品的近似平台配送利润为则第i件产品在该实验组中的近似转移效应为第i件产品在该对照组中的近似转移效应为在本申请其中一个实施例中,步骤s103包括:令xi为p维向量,xi为第i件产品p个特征,拥有特征xi的第i件产品采用卖家配送的利润为yis(xi),采用平台配送的利润为yip(xi),预设的风险调整项为δ,第i件产品的转移效应为ari(xi),则:在本申请其中一个实施例中,步骤s104包括:当产品的转移效应大于或者等于零时,该产品的配送方式为平台配送;当产品的转移效应小于零时,该产品的配送方式为卖家配送。本实施例提供的一种产品配送方法,针对配送方式由卖家配送转为平台配送会对销量及利润带来的影响,以及这种影响与产品的特性(如尺寸、颜色等)是如何关联的。本实施例着重构建了转移效应模型,并采用修正的倾向性得分匹配算法来估计转移效应,而且构建了考虑零售商风险态度的风险调整的配送模型,并采用机器学习算法预测ari(xi)。在本实施例中,零售商会为新上架的产品启动一个测试阶段。在测试阶段,零售商仅采用卖家配送的配送方式满足消费者需求,之后,零售商会基于自身的管理经验与直觉,估计每件产品采用平台配送的配送方式的盈利能力。如果零售商感知到正向反馈就会在测试期结束后将该产品转移到平台配送。因此,在整个销售期间,一些产品只有卖家配送的配送记录,而一些产品既有卖家配送的记录又有平台配送的记录。通常情况下,由于固定成本较高且产品的生命周期较短,零售商不会将配送方式由平台配送转移到卖家配送。其背后的原因可解释为:在平台配送的配送方式下不能获得理想销售额的产品也不太可能在卖家配送的配送方式下得到令人满意的销量,因此与其转移为卖家配送,零售商不如推出新的产品。另外,由于具体每件产品的库存成本hi与退货成本cri未知,因此,本实施例选择将整个时期的总库存成本和总退货成本相加并平均分配到每个转移到平台配送的产品上。在本实施例中,除考虑了产品的尺寸、颜色等内在特征外,还考虑了价格调整效应及产品的季节性。令表示产品i配送方式转移前后的价格调整效应,其中表示产品i测试期的平均价格,表示产品i采用卖家配送或转移到平台配送后的平均价格。季节性变量包括春季、夏季、秋季和冬季。以下对本申请进行具体说明:假设第三方线上平台的电子零售商面临的订单配送渠道选择问题中有两个选项:订单由第三方线上平台配送或者由电子零售商自己配送,即卖家配送。电子零售商需要在产品推出之前决定由指标i∈{1,2,...,n}索引的每件产品的配送方案。令pi表示产品i的价格,pi主要由对应的批发价格wi决定。那么产品i理想状态下的利润为(pi-wi)。然而,在第三方线上平台销售产品i需要缴纳与价格成比例的佣金,将佣金记为如果产品i最终被顾客退回,那么电子零售商需要退还pi给顾客,同时平台会因为订单失败而给予零售商的赔偿。其中,η为一常数,表示赔偿金额与产品的佣金成比例。另外,记退货产品的保留价值为θ,即可将退货产品的批发价格看作θwi。假设采用平台配送的配送方式的产品需要提前运送至配送中心,并且零售商需要为每件产品支付hi的存储费用,存储费用由平台依据对产品i将占用的空间大小及占用周期长度的估计来确定。另外,平台会收取一项平台配送费用fi来支付包括出入库管理费、挑选和包装费用、运输费用在内的后勤费用。接下来一旦顾客下单,产品就会从配送中心直接发出。如果产品被退回,则同样会运回该配送中心。此时,平台配送费用不会退还给零售商,并且由于出现逆向物流,零售商需要向平台缴纳一单位的退货费cri。对于第i件产品,i∈{1,2,...,n},记期望销售额为djp,期望退货率为rip,则采用平台配送的配送方式获得的期望利润为:其中,代表可以获得的总利润,包括销售产品获得的利润以及支付给平台的花销;代表由退货导致的利润损失,包括退还给顾客的资金、产品残值、以及扣除平台退还的退货赔偿金之外需要额外支付给平台的退货费。卖家配送的配送方式的结构相对简单。假设采用卖家配送的配送方式的产品直接从零售商的仓库发出并且被顾客退回的产品也会送回仓库。因此,零售商只需要向平台支付产品的佣金即可。对于第i件产品,i∈{1,2,...,n},记期望销售额为期望退货率为ris,则采用卖家配送的配送方式获得的期望利润为:其中,代表可以获得的总利润,也包括销售产品获得的利润以及支付给平台的花销;代表由退货导致的利润损失,包括退还给顾客的资金以及平台给予的退货赔偿金。另外,由于平台配送的配送方式中产品从零售商处运送到平台配送中心的费用与卖家配送的配送方式中产品从零售商处运送给顾客的费用均需要根据企业与第三方配送公司的长期合同进行核算,故为了方便企业及时计算转移效应,在比较两种配送渠道的期望利润时将两者设为0。因此,使用平台配送的配送方式代替卖家配送的转移效应为(yip-yis)。直观上,如果yip>yis,那么零售商将为第i件产品选择平台配送的配送渠道。然而,由于零售商必须在产品上架前选择两种配送方式中的一种,且不能在两种配送方式之间随意切换,因此yip和yis不能同时估计。故(yip-yis)不能被简单地估计出来。收集每一件产品i∈{1,2,...,n}的特征,例如尺寸、颜色等。令p维向量xi表示第i件产品的p个特征,x表示由所有产品的特征组成的特征矩阵,则令wi∈{0,1}表示零售商是否对第i件产品采用平台配送的配送方式,并且倾向性得分e(xi):=pr[wi=1|xi]表示商家采用平台配送该产品的概率。倾向性得分匹配算法(psm,propensityscorematching)的具体计算步骤如下:首先,使用逐步逻辑回归从第i件产品的特征xi中选取与二元转移决策wi高度相关的协变量然后,使用已有的机器学习方法(如逻辑回归、支持向量机或随机森林等)预测所有收集的产品的倾向分数然后,平衡采用平台配送的产品(实验组)和采用卖家配送的产品(对照组)的倾向分数。为了使得实验和对照两个组的倾向性得分分布的相对平衡,此时会删去一些产品,具体方法如下:由于产品分为实验组与对照组两种,因此对应的倾向分数也分为实验组与对照组两种,故分别计算两组倾向分数的频数分布。若两组产品的频数分布不同,则从两组中分别移除部分产品记录,使得两组产品的分布达到平衡。然后,根据特定距离准则(如近邻算法),为实验组的每件产品在对照组中寻找一个psm“伙伴”,这个伙伴是对照组中与该产品的特征最接近的产品。同理,将对照组的每件产品与它在实验组中的psm伙伴匹配起来;然后,通过psm伙伴的值来估计实验组和对照组中产品的未观测到的利润,即,若采用平台配送的产品(实验组)采用卖家配送,则可获得的利润若采用卖家配送的产品(对照组)采用平台配送,则可获得的利润最后,计算每件产品的转移效应。实验组的产品的转移效应为对照组的产品的转移效应为使用以上算法处理完收集的产品后,平台配送和卖家配送之间的倾向分数就是平衡的了,并且采用平台配送(或卖家配送)配送的产品的未观测到的利润是通过它的psm配对产品的实际利润估计出来的。令yip(xi)和yis(xi)分别表示拥有特征xi的产品i分别采用两种配送方式的利润,假设存在一个没有观察到的误差项在影响xi与yi(r)间的关系,那么yip(xi)和yis(xi)都是随机变量。若采用差分模型的标准形式,则产品i对应的(yip-yis)条件平均值为考虑到零售商的风险态度,需要在条件均值的基础上添加一个风险调整项δ,得到如下形式:其中,ari(xi)表示产品i调整的(yip-yis),即调整的转移效应。δ是一个自定义的参数,表示零售商的风险偏好。若δ<0,则说明零售商对平台配送是风险规避的并且只有当平台配送的期望利润比卖家配送的期望利润高出-δ时零售商才愿意选择平台配送。反之,若δ>0,则说明零售商是风险偏好的,并且说明零售商对平台配送可能造成的利润损失有较高的容忍度。因此,只需在给定产品特征xi与风险参数δ的情况下估计yip(xi)-yis(xi)的均值,而的值可以通过线性回归、回归树、支持向量机、极端梯度提升法、随机森林等机器学习的算法估计出,这样就可以得到每件产品的ari(xi)值。根据ari(xi)的值即可为产品i选取更有利可图的配送方式。若ari(xi)≥0,应选择平台配送;若ari(xi)<0,应选择卖家配送。为了让本领域技术人员进一步了解本发明所提出的一种产品配送方法、装置、电子设备及存储介质,下面结合具体实例进行说明。在本实施例中,收集了礼服类产品的以下变量:交易日期、交易类型(下单或退货)、订单编号、产品编号、产品种类、产品价格、佣金、平台配送费用、订单数目(本次交易中购买的产品数目)以及订单配送方式(平台配送或卖家配送)。为便于分析,首先将产品销量与平均销售价格按周汇总。共计收集了1166件生命周期在2017年12月31日前结束的产品,在这些产品中527件产品在测试期结束后转移到平台配送,剩下的639件产品在整个生命周期内只有卖家配送交易记录。对于转移到平台配送的产品,以使用卖家配送的最后一笔交易的时间作为测试期结束的时间,再将这个日期转变为一个虚变量来控制季节性影响。为了与只有平台配送记录但不在527件转移的产品之中的产品保持一致,排除了288件仅在卖家配送期间有销售记录的产品。在产品特性的数据集中收集了以下变量:订单编号、产品编号、产品种类、产品特征(风格、颜色、尺寸)以及批发价格。根据订单编号和产品编号可以将两个数据集合并起来。出于数据保密,将合并后数据集中的数量项(包括产品销量和退货量)以及货币项(包括平均售、批发价、平台配送费用、库存成本和退货费用)分别除以每周最大销量和最大售价来归一化。为了分析产品特征的影响,将颜色变量重新划分为九种配色方案:黑色(bk)、蓝色(bl)、绿色(gr)、粉色(pk)、紫色(pu)、红色(rd)、银色(si)、白色(wh)、黄色(ye)。同样地,用值{2,4,6,…,16}将离散的尺寸信息转化为类别变量。此外,考虑类别变量priceadjustment,可以发现10.93%的产品价格上调了至少10%,但大多数的价格调整都在5%以内,这样的价格变动情况在现实电商交易中是非常常见的。另外,根据上架时间和转移时间可以得到变量“season”(春季、夏季、秋季、冬季)来分析季节性效应。接下来开始分析这家零售商的双渠道配送选择行为。wi∈{0,1}表示零售商是否对产品i采用平台配送的配送方式,对这个二元决策,建立一个逻辑回归模型来探索零售商配送决策背后的激励因素:这里采用基于aic准则的逐步变量选择方法来找出零售商配送渠道选择决策背后的关键协变量,变量选择结果如下表1(零售商配送决策背后的激励因素:“-”代表该变量未被选择)所示:表1显著性:***p<0.001,**p<0.01,*p<0.05总结上表中的变量选择结果如下:由于常数项(θ0)显著为负,故说明零售商对转移到平台配送的决策是十分谨慎的;(1)价格更高、销量更高的产品更可能转移到平台配送,进而他们可以产生更高的收益;(2)价格显著下降的产品比其它产品更可能转移到平台配送;(3)冬天上架的产品更不可能转移到平台配送,并且零售商更不可能在春天和夏天转移产品配送渠道。可将上述配送规则称为基于销售的配送决策规则。接下来提出一种基于机器学习技术产品配送方法。另外,假设所有的退货均为非质量问题退货,不会影响二次销售,可设退货产品的保留价值θ=1。考虑到零售商采用基于销售的配送决策,即把高销量、高价位的产品转移到平台配送,故需要控制从这项非实验研究中产生的选择偏差问题。首先执行步骤s21-s26的psm算法来模拟随机试验设定,即利用通过逐步变量选择得到的协变量来预测收集到的878件产品中每一件的倾向分数最终psm算法从卖家配送组中移除了187件与平台配送组相比得分较低的产品。再通过psm伙伴的值,为保留下来的每件产品估计它在另一种配送方式下未知的利润。接下来通过将yip-yis的估计值当作因变量,使用机器学习算法学习并实现风险调整的配送模型。最后将五种机器学习算法:线性回归、回归树、支持向量机、极端梯度提升法、随机森林进行比较,以探索更优的配送决策算法。为了评估不同算法的表现,比较不同预测工具的总回报(tr,totalreward)。定义其中,ri为与卖家配送相比使用平台配送的回报,指标函数兀(ari≥0)用于选择出被预测使用平台配送更有利的产品。为了比较不同算法的表现,将整个数据集随机分成训练集和测试集并且重复实验n次,其中,令n∈{50,100,200,500}。每次随机分配都将70%的观测值用于训练预测算法,其余30%用于测试由n次实验的平均tr评估的预测表现。接下来比较各种预测方法相对于零售商目前的基于销售的渠道转移方法的改进量,如下表2(不同预测方法的tr提升量(%):透视结果被设定为上限(100%))所示。所有的表现都在样本外数据集上进行测试。表2n线性回归回归树支持向量机极端梯度提升法随机森林5042.6844.7358.9456.1365.9610041.7443.8258.3654.5363.4520042.1844.1558.4154.5463.8050043.2845.4759.4454.6863.58由上表可以看出,所有的预测算法都可以提升总平均回报41%-65%,但随机森林算法的表现最为优异,至少可以提升63.45%的总回报,而线性回归的表现最为保守,只能达到42%的总平均回报。回归树算法的表现略好于线性回归,支持向量机与极端梯度提升法都优于回归树算法但与随机森林算法相比依然有较大差距。因此在实际使用中,可将随机森林算法作为首选机器学习技术。请参阅图3,图3是本申请一实施例提供的产品配送装置的结构示意图,该装置主要包括:模型构建模块201,用于根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型;第一计算模块202,用于根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应;第二计算模块203,用于根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应;选择模块204,用于根据每件产品的转移效应,为每件产品选择配送方式。在本申请其中一个实施例中,该配送方式包括平台配送和卖家配送。在本申请其中一个实施例中,模型构建模块201包括:第一获取子模块,用于获取每件产品的采用平台配送方式获得的利润,以及,采用卖家配送方式获得的利润;减法子模块,用于将每件产品采用平台配送获得的利润减去采用卖家配送获得的利润,得到每件产品的转移效应模型;其中,令第i件产品采用平台配送获得的利润为yip,第i件产品采用卖家配送获得的利润为yis,第i件产品的转移效应模型为yip-yis。在本申请其中一个实施例中,第一计算模块202包括:分组子模块,用于将所有产品分为实验组和对照组,该实验组的产品均采用平台配送,该对照组的产品均采用卖家配送,该实验组和对照组中的产品相同;第二获取子模块,用于获取该实验组的产品采用卖家配送时可获得的近似平台配送利润,以及,该对照组的每件产品采用平台配送可获得的近似卖家配送利润;第一计算子模块,用于根据该实验组的产品采用平台配送获得的利润和第一利润,得到每件产品在该实验组中的近似转移效应;第二计算子模块,用于根据该对照组的产品采用卖家配送获得的利润和近似平台配送利润,得到每件产品在该对照组中的近似转移效应;其中,令第i件产品的近似卖家配送为第i件产品的近似平台配送利润为则第i件产品在该实验组中的近似转移效应为第i件产品在该对照组中的近似转移效应为在本申请其中一个实施例中,第二计算模块203包括:令xi为p维向量,xi为第i件产品p个特征,拥有特征xi的第i件产品采用卖家配送的利润为yis(xi),采用平台配送的利润为yip(xi),预设的风险调整项为δ,第i件产品的转移效应为ari(xi),则:在本申请其中一个实施例中,选择模块204包括:当产品的转移效应大于或者等于零时,该产品的配送方式为平台配送;当产品的转移效应小于零时,该产品的配送方式为卖家配送。参阅图3,图3示出了一种电子设备的硬件结构图。本实施例中所描述的电子设备,包括:存储器31、处理器32及存储在存储器31上并可在处理器上运行的计算机程序,处理器执行该程序时实现前述图1所示实施例中描述的产品配送方法。进一步地,该电子设备还包括:至少一个输入设备33;至少一个输出设备34。上述存储器31、处理器32输入设备33和输出设备34通过总线35连接。其中,输入设备33具体可为数据导入接口等等。输出设备34具体可为显示屏。存储器31可以是高速随机存取记忆体(ram,randomaccessmemory)存储器,也可为非不稳定的存储器(non-volatilememory),例如磁盘存储器。存储器31用于存储一组可执行程序代码,处理器32与存储器31耦合。进一步地,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的终端中,该计算机可读存储介质可以是前述图3所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述图1所示实施例中描述的产品配送方法。进一步地,该计算机可存储介质还可以是u盘、移动硬盘、只读存储器(rom,read-onlymemory)、随机存取存储器(ram,randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。在本申请所提供的多个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的实施例仅仅是示意性的,例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信链接可以是通过一些接口,模块的间接耦合或通信链接,可以是电性,机械或其它的形式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。以上为对本申请所提供的产品配送方法、装置、电子设备及存储介质的描述,对于本领域的技术人员,依据本申请实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。当前第1页1 2 3 
技术特征:

1.一种产品配送方法,其特征在于,包括:

根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型;

根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应;

根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应;

根据每件产品的转移效应,为每件产品选择配送方式。

2.根据权利要求1所述的产品配送方法,其特征在于,所述配送方式包括平台配送和卖家配送。

3.根据权利要求2所述的产品配送方法,其特征在于,所述根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型包括:

获取每件产品的采用平台配送方式获得的利润,以及,采用卖家配送方式获得的利润;

将每件产品采用平台配送获得的利润减去采用卖家配送获得的利润,得到每件产品的转移效应模型;

其中,令第i件产品采用平台配送获得的利润为yip,第i件产品采用卖家配送获得的利润为yis,第i件产品的转移效应模型为yip-yis

4.根据权利要求2或3所述的产品配送方法,其特征在于,所述根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应包括:

将所有产品分为实验组和对照组,所述实验组的产品均采用平台配送,所述对照组的产品均采用卖家配送,所述实验组和对照组中的产品相同;

获取所述实验组的产品采用卖家配送时可获得的近似卖家配送利润,以及,所述对照组的每件产品采用平台配送可获得的近似平台配送利润;

根据所述实验组的产品采用平台配送获得的利润和近似卖家配送利润,得到每件产品在所述实验组中的近似转移效应;

根据所述对照组的产品采用卖家配送获得的利润和近似平台配送利润,得到每件产品在所述对照组中的近似转移效应;

其中,令第i件产品的近似卖家配送利润为第i件产品的近似平台配送利润为则第i件产品在所述实验组中的近似转移效应为第i件产品在所述对照组中的近似转移效应为

5.根据权利要求2或3所述的产品配送方法,其特征在于,所述根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应包括:

令xi为p维向量,xi为第i件产品p个特征,拥有特征xi的第i件产品采用卖家配送的利润为yis(xi),采用平台配送的利润为yip(xi),预设的风险调整项为δ,第i件产品的转移效应为ari(xi),则:

ari(xi)=e[yip(xi)-yis(xi)|xi]+δ。

6.根据权利要求1或2所述的产品配送方法,其特征在于,所述根据每件产品的转移效应,为每件产品选择配送方式包括:

当产品的转移效应大于或等于零时,所述产品的配送方式为平台配送;

当产品的转移效应小于零时,所述产品的配送方式为卖家配送。

7.一种产品配送装置,其特征在于,包括:

模型构建模块,用于根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型;

第一计算模块,用于根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应;

第二计算模块,用于根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应;

选择模块,用于根据每件产品的转移效应,为每件产品选择配送方式。

8.根据权利要求7所述的产品配送装置,其特征在于,所述选择模块包括:

第一选择子模块,用于当产品的转移效应大于或等于零时,所述产品的配送方式为平台配送;

第二选择子模块,用于当产品的转移效应小于零时,所述产品的配送方式为卖家配送。

9.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至6中的任一项所述的产品配送方法中的各个步骤。

10.一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,所述计算机程序被处理器执行时,实现权利要求1至6中的任一项所述的产品配送方法中的各个步骤。

技术总结
一种产品配送方法,应用于电子商务技术领域,包括:根据每件产品采用各配送方式分别获得的期望利润,构建每件产品的转移效应模型,根据每件产品的转移效应模型,利用修正的倾向性得分匹配算法,计算每件产品的近似转移效应,根据每件产品的近似转移效应和预设的风险调整项,得到每件产品的转移效应,根据每件产品的转移效应,为每件产品选择配送方式。本申请还公开了一种产品配送装置、电子设备及存储介质,可科学指导电商选择产品的配送方式,提高企业期望利润。

技术研发人员:余玉刚;孙李波;焦晓婷;田鋆
受保护的技术使用者:中国科学技术大学;苏州贝宝信息科技有限公司
技术研发日:2020.02.27
技术公布日:2020.06.26

分享产品配送方法、装置、电子设备及存储介质与流程的相关内容如下:

本文标题:分享产品配送方法、装置、电子设备及存储介质与流程
http://www.tainingxinwen.cn/qitaxinxi/521125.html

0

精彩评论

暂无评论...
验证码 换一张
取 消