一种电商平台商品销售数据分析方法及系统与流程

摘要: 本发明涉及数据分析,具体为一种电商平台商品销售数据分析方法及系统。背景技术:1、随着互联网技术和大数据处理的快速发展,电子商务平台的商品交易规模持续扩大,商品销...
一种电商平台商品销售数据分析方法及系统与流程

本发明涉及数据分析,具体为一种电商平台商品销售数据分析方法及系统。

背景技术:

1、随着互联网技术和大数据处理的快速发展,电子商务平台的商品交易规模持续扩大,商品销售数据的体量急剧增长,对海量销售数据进行高效分析以辅助商业决策已成为电商运营中的关键技术环节,现有的电商平台商品销售数据分析方法通常依赖于对商品历史销量数据的统计汇总,例如按照日、周、月等时间维度对销售额、销售量进行聚合统计,或者基于用户对商品的浏览次数、加入购物车次数、收藏次数等单一行为指标的累加计数,将这些统计结果作为分析依据,部分现有技术还尝试采用传统的时间序列预测模型对历史销量数据进行趋势外推,以判断未来一段时间的销售走势,此外,一些方案通过提取商品的价格特征、促销活动特征等结构化信息,结合销量数据构建回归模型进行分析。

2、例如公告号为cn119090542b的发明专利,公告了一种基于数据挖掘的电商平台订单分析方法及系统,涉及电商数据分析技术领域,包括采集电商平台订单数据,构建多层数据湖架构进行数据处理,结合lambda架构对数据进行数据分析,通过自编码器构建模型,重构订单数据识别数据特征。

3、这些现有方法在实际应用中存在一定的局限性:一方面,它们大多将用户的各种行为视为相互独立的离散事件进行处理,仅仅统计各类行为的发生频次,未能充分挖掘和利用用户在决策过程中不同行为之间潜在的、有价值的关联信息,导致对用户真实购买意图和决策过程的理解存在偏差;另一方面,仅将用户的各种行为视为相互独立的离散事件,忽略行为发生的时序逻辑与决策间隔时长所反映的购买意愿强弱,难以有效区分随意浏览与深度比较等不同决策模式,导致对用户真实购买意图的刻画存在偏差。与此同时,部分现有方法在利用用户行为数据进行分析时,对所有行为序列采用统一的分析规则,未能有效区分不同行为模式在特征和重要性上的差异,导致分析结果的精度不够理想,另外,当用户行为日志数据量极大时,直接将全部行为序列输入分析模型会导致计算资源的过度消耗和处理效率的下降;因此,如何在有效控制计算资源消耗的前提下,更深入地整合用户行为数据中的多维信息,以提升销售数据分析的准确性、效率和全面性,是当前该技术领域需要进一步研究和解决的问题。

技术实现思路

1、针对现有技术的不足,本发明提供了一种电商平台商品销售数据分析方法及系统,能够有效解决上述背景技术中涉及的问题。

2、为实现以上目的,本发明通过以下技术方案予以实现:本发明第一方面提供了一种电商平台商品销售数据分析方法,包括:步骤一、获取电商平台中目标商品在预设时间段内的用户行为日志数据,所述用户行为日志数据包括各用户对所述目标商品产生的行为记录,行为记录至少包含行为类型信息;步骤二、根据各用户的所述行为记录,按照时间先后顺序构建各用户针对所述目标商品的行为序列,所述行为序列由多个行为单元按照时间顺序排列组成;步骤三、通过各行为序列中相邻行为单元之间的时间间隔,计算各行为序列对应的决策犹豫指数;步骤四、根据各行为序列中的行为单元数量以及行为类型信息,确定各行为序列对应的行为路径有效长度;步骤五、将各行为序列分别转换为对应的序列特征向量,所述序列特征向量至少包括所述决策犹豫指数的特征维度和所述行为路径有效长度的特征维度;步骤六、将各序列特征向量输入至预设的销售趋势预测模型,以输出所述目标商品在未来预设时间段的销售趋势预测结果。

3、作为进一步的方法,所述通过各行为序列中相邻行为单元之间的时间间隔,计算各行为序列对应的决策犹豫指数,具体计算过程为:

4、按照时间先后顺序依次提取各行为序列中每对相邻行为单元之间的时间间隔,得到各行为序列对应的时间间隔序列;对所述时间间隔序列中的时间间隔进行去极值平均处理,将处理结果作为各行为序列对应的决策犹豫指数。

5、作为进一步的方法,所述对所述时间间隔序列中的时间间隔进行去极值平均处理,具体为:

6、剔除所述时间间隔序列中的最大值和最小值,得到中间时间间隔序列;计算所述中间时间间隔序列中所有时间间隔的平均值,将所述平均值作为所述决策犹豫指数。

7、作为进一步的方法,所述通过各行为序列中相邻行为单元之间的时间间隔,计算各行为序列对应的决策犹豫指数之前,还对所述行为序列中的相邻行为单元进行间隔语义分类,具体如下:

8、根据每对相邻行为单元对应的行为类型信息,判断每对相邻行为单元之间的间隔属于第一间隔类型或者第二间隔类型;所述第一间隔类型表示每对相邻行为单元中的后一行为单元的行为类型为加购类型或收藏类型,所述第二间隔类型表示每对相邻行为单元中的后一行为单元的行为类型为下单类型;分别统计所述行为序列中属于所述第一间隔类型的间隔数量以及属于所述第二间隔类型的间隔数量,最终得到所述行为序列对应的第一间隔频次和第二间隔频次。

9、作为进一步的方法,所述计算各行为序列对应的决策犹豫指数,还包括:

10、按照时间先后顺序依次提取各行为序列中属于所述第一间隔类型的每对相邻行为单元之间的第一时间间隔,得到第一时间间隔子序列,以及提取各行为序列中属于所述第二间隔类型的每对相邻行为单元之间的第二时间间隔,得到第二时间间隔子序列;分别对所述第一时间间隔子序列和所述第二时间间隔子序列进行去极值平均处理,得到第一平均时间间隔和第二平均时间间隔;根据所述第一间隔频次、所述第二间隔频次、所述第一平均时间间隔和所述第二平均时间间隔,综合计算加权时间间隔值,并将所述加权时间间隔值确定为所属行为序列对应的决策犹豫指数;在所述综合计算加权时间间隔值时,引入行为序列对应的上下文切换惩罚因子,所述上下文切换惩罚因子基于行为序列中相邻行为单元的行为类型是否发生切换而确定,若发生切换,则将切换次数与预设的惩罚基准权重相结合计算得到所述上下文切换惩罚因子,并通过所述上下文切换惩罚因子对加权时间间隔值进行修正,将修正后的加权时间间隔值确定为所属行为序列对应的决策犹豫指数。

11、作为进一步的方法,所述根据各行为序列中的行为单元数量以及行为类型信息,确定各行为序列对应的行为路径有效长度,具体过程为:

12、获取各行为序列中行为单元的总数量,并根据所述行为单元的总数量确定各行为序列所属的长度等级;按照各行为序列所属的长度等级对应的有效行为筛选规则以及行为类型信息,从各行为序列中筛选出有效行为单元;统计各行为序列中所述有效行为单元的总数量,将所述有效行为单元的总数量作为各行为序列对应的行为路径有效长度。

13、作为进一步的方法,所述将各行为序列分别转换为对应的序列特征向量之前,还包括跨用户序列筛选,具体筛选过程为:

14、根据所述决策犹豫指数和所述行为路径有效长度,计算各行为序列与行为序列中心点之间的偏离距离;将所述偏离距离小于预设距离阈值的若干行为序列划分为同一行为序列簇,并遍历各行为序列,直至各行为序列划分为对应的行为序列簇中,最终得到各行为序列簇;从某行为序列簇中选取偏离距离最小的行为序列作为该行为序列簇的代表序列,并剔除该行为序列簇中的其他行为序列。

15、作为进一步的方法,所述将各行为序列分别转换为对应的序列特征向量,具体转换过程为:

16、获取各代表序列对应的决策犹豫指数和行为路径有效长度,同时获取各代表序列对应的所述第一间隔频次和所述第二间隔频次;将所述决策犹豫指数、所述行为路径有效长度、所述第一间隔频次和所述第二间隔频次组合成四维向量,作为各代表序列对应的序列特征向量。

17、作为进一步的方法,所述将各序列特征向量输入至预设的销售趋势预测模型,以输出所述目标商品在未来预设时间段的销售趋势预测结果,具体过程为:

18、将各代表序列对应的序列特征向量按照目标商品的维度进行聚合,生成所述目标商品在所述预设时间段内的聚合特征矩阵;将所述聚合特征矩阵输入至预设的销售趋势预测模型,最终输出所述目标商品在所述未来预设时间段内的销售趋势预测结果。

19、本发明第二方面提供了一种电商平台商品销售数据分析系统,包括:用户行为记录获取模块,用于获取电商平台中目标商品在预设时间段内的用户行为日志数据,所述用户行为日志数据包括各用户对所述目标商品产生的行为记录,行为记录至少包含行为类型信息;行为序列构建模块,用于根据各用户的所述行为记录,按照时间先后顺序构建各用户针对所述目标商品的行为序列,所述行为序列由多个行为单元按照时间顺序排列组成;指数计算模块,用于通过各行为序列中相邻行为单元之间的时间间隔,计算各行为序列对应的决策犹豫指数;长度确定模块,用于根据各行为序列中的行为单元数量以及行为类型信息,确定各行为序列对应的行为路径有效长度;特征向量转换模块,用于将各行为序列分别转换为对应的序列特征向量,所述序列特征向量至少包括所述决策犹豫指数的特征维度和所述行为路径有效长度的特征维度;销售结果预测模块,用于将各序列特征向量输入至预设的销售趋势预测模型,以输出所述目标商品在未来预设时间段的销售趋势预测结果。

20、相对于现有技术,本发明的实施例至少具有如下优点或有益效果:

21、(1)本发明通过提供一种电商平台商品销售数据分析方法及系统,首先将用户行为日志构建为具有时序关系的行为序列,并从中提取决策犹豫指数与行为路径有效长度,实现对用户决策过程的细粒度量化表征,相较于传统仅统计行为频次的分析方式,此种做法能够更精准地捕捉用户从接触到购买的完整决策链路特征,显著提升销售趋势预测的准确性,同时,通过对海量行为序列进行跨用户聚类筛选,以代表序列替代全量序列输入模型,在保障预测精度的前提下,大幅压缩模型输入的数据规模,有效降低后续模型计算的硬件资源消耗与处理时延,实现兼顾高精度与低算力开销的效果。

22、(2)本发明通过在计算决策犹豫指数前对相邻行为单元进行间隔语义分类,将间隔区分为指向加购或收藏的第一间隔类型与指向下单的第二间隔类型,能够有效区分不同行为过渡所蕴含的决策语义差异,这种基于行为目的对时间间隔进行分类处理的方式,避免对所有时间间隔进行无差别化平均所导致的信息混淆,使得提取出的间隔频次特征能够更准确地反映用户的决策模式与兴趣强度,从而为后续预测模型提供更具判别力的特征输入,进一步提升销售趋势预测的精度。

23、(3)本发明在确定行为路径有效长度时,通过依据行为单元总数量划分长度等级,并基于长度等级对应的差异化规则与行为类型信息进行有效行为单元的筛选,以实现对不同长度行为序列的自适应分析与降噪处理,这种动态的筛选机制能够有效剔除长序列中的浏览、误触等无效或低价值行为,精准提炼出对购买决策有实质性影响的行为节点,使得行为路径有效长度这一特征维度能够更真实地反映用户的决策深度与购买意愿,解决传统固定规则下长序列信息冗余、短序列信息不足导致的特征失真问题,显著增强预测模型输入特征的有效性。