基于质量综合评价指数的互联网洗衣质量评价方法与流程

本发明涉及电器服务领域，具体涉及基于质量综合评价指数的互联网洗衣质量评价方法。

背景技术：

1、随着互联网洗衣平台的发展，用户下单、取送衣物、洗涤加工、复洗处理、售后投诉等环节逐渐在线化和数据化。平台通常通过如下方式进行质量监控：

2、其一，以用户评分、星级评价为主的主观质量评估；其二，以投诉率、差评率为主的售后质量监控指标；其三，以质检抽检结果为主的内部质量考核指标；其四，以订单完成率、超时率为主的时效类指标。

3、但现有洗衣质量评价方法仍存在以下问题：

4、1、忽视复洗数据价值：

5、当平台或工厂发现衣物清洗质量不达标时，会发起复洗操作。复洗通常不会直接体现在用户评分中，有的复洗是在用户投诉后处理，有的则在质检环节主动发现。复洗记录是质量问题的内部证据，很多平台未把复洗率作为统一质量评价体系的核心指标，只是做简单统计或内部考核。

6、2、投诉率与复洗率未形成统一质量视图：

7、投诉率代表用户感知质量问题；复洗率代表平台内部检测到的质量问题。两者未融合时，会导致：

8、投诉率低但复洗率高：可能内部频繁返工，成本上升但用户尚未感知；

9、投诉率高但复洗率低：可能处理不当、未复洗或未记录，影响用户满意度和平台口碑。

10、因此，现有大多考核体系通常只看投诉率或者只看内部复洗率，缺乏一个统一的、可比较的综合质量评价指数。

11、3、缺乏标准化算法与参数化方法：

12、当前很多质量评分采用经验配权：例如“投诉率占60%，好评率占40%”。缺少可解释的权重计算算法（如层次分析法、熵权法），因此，亟需随数据动态调整的自适应权重，能够对复洗率、投诉率等“成本型指标”进行规范归一化和综合评价的方法。

13、4、质量评价结果难以在线闭环使用：

14、即使有质量评分，往往只是定期导出报表人工查看，缺少实时计算和可视化展示；并且缺少质量评分与质量预警、激励机制的联动；未能实现细粒度（门店、工厂、员工、品类）质量分析。

15、因此，迫切需要一种面向互联网洗衣平台，能够将复洗率和投诉率作为核心指标，融合其它辅助指标，形成统一质量综合评价指数的方法，并配套可落地的系统架构，实现自动化计算、可视化展示和预警触发。

技术实现思路

1、为此，本发明提供基于质量综合评价指数的互联网洗衣质量评价方法，以解决背景技术中提出的问题。

2、为了实现上述目的，本发明提供如下技术方案：基于质量综合评价指数的互联网洗衣质量评价方法，包括以下步骤：

3、从平台订单系统、复洗管理系统、投诉工单系统抽取订单、复洗、投诉、门店、工厂、配送员以及衣物品类业务数据，分别写入业务表与维度字典表；订单业务表中存储对应的维度编码作为外键，通过外键与维度字典表的主键形成关联映射，实现业务数据与基础维度信息的关联匹配；通过并行部署批量etl离线采集和实时流式采集的双轨架构，共同完成多业务系统数据采集单元构建；

4、以唯一订单编号为关联键拼接多源业务表，对关键字段缺失数据剔除，非关键字段按预设规则填充、重复订单去重，生成标准化订单明细数据表；

5、选定考核起止时间区间，按门店、工厂、配送员、衣物品类中的至少一种维度分组聚合，分别计算复洗率、投诉率、平均投诉严重度、复洗后再次投诉占比中的至少两项原始成本型指标；

6、采用极差归一化方法消除指标量纲差异，将所有指标数值映射至 [0,1] 区间内，得到归一化后标准化矩阵；基于归一化后标准化矩阵，构建topsis综合评价模型；通过熵权法计算指标客观权重，通过专家打分法得到指标主观权重；设定组合系数对两类权重进行线性加权融合，经归一化处理后得到最终组合权重，将组合权重应用于topsis综合评价模型；

7、通过topsis综合评价模型输出的各评价对象贴近度与排名，将量化结果转化为可解读、可运营的信息，支撑质量改进决策；以各对象的贴近度时间序列为输入，采用指数加权移动平均ewma算法实现动态质量预警。

8、优选的，业务表包括平台订单系统的订单主表、复洗管理系统的复洗记录表、投诉工单系统的投诉工单表，用于记录洗衣业务全流程真实运营数据；

9、订单主表order_main的业务维度编码：order_id、user_id、store_id、factory_id、courier_id、category_code、order_status、create_time、finish_time；

10、复洗记录表rewash_record的业务维度编码：order_id、rewash_flag、rewash_reason、rewash_time；

11、投诉工单表complaint_ticket的业务维度编码：order_id、is_platform、complaint_type、complaint_level、refund_amount、is_arbitration；

12、维度字典表包括四张维度字典，分别是门店信息表、工厂信息表、配送员信息表、衣物品类对照表，用于提供各业务维度编码与名称的映射关系；维度字典表以各自唯一编码作为主键，用于唯一标识维度对象；订单主表中存储对应的维度编码作为外键，通过外键与维度字典表的主键形成关联映射，实现业务数据与基础维度信息的关联匹配，业务数据表与维度字典表通过主键与外键建立关联关系：

13、业务表通过store_id、factory_id、courier_id、category_code四类业务维度编码，分别关联门店信息表、工厂信息表、配送员信息表、衣物品类对照表，用于最终报表、预警页面展示。

14、优选的，批量 etl离线采集架构按固定周期从平台订单系统、复洗管理系统、投诉工单系统中抽取数据，为周期性质量评价提供完整、可回溯的离线数据，具体为：

15、输入业务表与维度字典表，每日凌晨执行增量抽取，每月月末执行一次全量数据回溯；依据create_time、finish_time、rewash_time、complaint_time时间戳，抽取上一采集周期至当前时间新增或状态变更数据；采用 datax或sqoop 工具，配置数据库源连接信息，编写抽取脚本；原始数据落地至数据仓库ods分层，分系统分日期分区存储，保留原始字段不做字段修改；

16、实时流式采集架构持续监听业务数据变更，为实时质量监控与动态预警提供低延迟数据，具体为：

17、业务表以唯一订单编号order_id作为关联唯一关键字，统一主键；维度字典表通过store_id、factory_id、courier_id、category_code与业务表做外键映射，采集过程保留原始编码不转换；

18、开启业务表的binlog 日志功能，以记录订单主表、复洗记录表、投诉工单表数据的新增、修改以及删除事件，借助canal组件对日志变化内容进行实时监听捕获，捕获得到的实时数据统一推送至kafka消息中间件完成临时缓存，再由flink计算引擎读取消费kafka内部存储的数据，订单、复洗、投诉的实时数据写入数仓dwd层，按唯一订单编号order_id实时落地；输出标准化原始数据表，作为后续数据清洗输入。

19、优选的，基于标准化原始数据表，以唯一订单编号order_id作为全局唯一关联键，采用左关联方式将订单主表、复洗记录表、投诉工单表进行拼接：以订单主表为基准表，通过订单编号order_id匹配复洗记录表与投诉工单表，匹配成功则写入对应复洗信息与投诉信息，未匹配则以默认值填充缺失字段；对订单编号缺失的数据直接剔除，对重复订单编号保留最新记录并删除冗余数据，最终形成包含订单全量信息、复洗标记信息、投诉分级信息以及业务维度编码信息的标准化订单明细数据表。

20、优选的，设，表示全部评价对象集合，表示评价对象总数量；表示第个评价对象，包括门店、工厂、配送、衣物品类；；评价周期为；

21、复洗率：；

22、其中，表示清洗后的第个评价对象的总复洗订单数，即复洗标记rewash_flag为1的订单数；表示清洗后的第个评价对象的总订单数；

23、投诉率：；

24、其中，表示清洗后的第个评价对象的投诉订单数，即投诉标记is_complaint为 1 的订单数；

25、平均投诉严重度；

26、其中，表示单条投诉订单对应的投诉严重度；

27、若第个评价对象内无投诉订单，即，平均投诉严重度统一填充为0；

28、针对复洗完成后产生的有效投诉，复洗后再次投诉占比；

29、其中，表示第个评价对象复洗后投诉订单数，即复洗标记rewash_flag为 1 且投诉标记is_complaint为 1 的订单数；

30、若第个评价对象无复洗订单，即，复洗后再次投诉占比统一填充为 0%，避免除以 0 的计算异常。

31、优选的，指标包括正向指标和逆向指标；正向指标即总订单量；逆向指标包括复洗率、投诉率、平均投诉严重度、复洗后再次投诉占比；

32、对每个指标，遍历所有评价对象，计算该指标的全局最小值和全局最大值；

33、逆向指标归一化公式：；

34、其中，表示第个评价对象在第个指标上的原始值；表示归一化后的第个评价对象在第个指标上的标准化矩阵；表示所有评价对象在第个指标上的最大值；表示所有评价对象在第个指标上的最小值；

35、正向指标归一化公式：；

36、若某指标的最大值与最小值相等（），为避免除零错误，该指标的所有对象的归一化值统一设为1.0;

37、归一化后所有，且全部为正向指标，每一行代表一个评价对象，每一列代表一个归一化后的正向指标，为后续topsis 综合评价模型提供标准化输入数据；数值越大表示评价对象在指标上的质量表现越好。

38、优选的，基于归一化后标准化矩阵，构建topsis综合评价模型：

39、设为第个指标权重，满足；

40、对每个归一化指标值乘以对应权重，得到加权矩阵：

41、；

42、各指标在所有对象中的最大值，即最优表现，为正理想解:

43、；

44、；

45、各指标在所有对象中的最小值，即最差表现，为正理想解:

46、；

47、；

48、采用欧式距离计算各对象到正理想解和负理想解的距离：

49、到正理想解距离；

50、到负理想解距离；

51、计算贴近度；

52、其中，，贴近度越大说明该对象越接近正理想解、远离负理想解，质量表现越好；

53、对所有评价对象按从大到小排序，得到各评价对象的质量排名，为后续质量分析与预警提供量化依据。

54、优选的，组合权重采用熵权法和专家打分法双轨设计，两种方法权重均满足和为1的约束；

55、采用熵权法，基于标准化矩阵，计算各指标的信息熵与信息效用值：

56、计算第个指标下的第个评价对象比重:

57、；

58、其中，为评价对象的总数；

59、计算第个指标下的熵值:

60、；

61、；

62、若，；

63、计算信息效用值：

64、；

65、计算熵权；

66、采用专家打分法，由业务专家对指标重要性打分，经归一化得到权重：

67、组织业务、质量 、运营专家对5个指标的重要性进行打分，分数为1–10 分；对每个指标计算平均分，再归一化得到权重：

68、；

69、组合权重：设定组合系数，按照计算初步组合权重，若组合后权重总和不为 1，进一步执行归一化处理，使全部指标权重之和等于 1；其中，系数根据业务需求灵活配置，取值越大代表越侧重专家经验，取值越小代表越侧重数据客观规律；

70、最终得到的组合权重作为 topsis 模型的输入参数，开展多维度质量综合评价。

71、优选的，基于topsis综合评价模型输出的各评价对象贴近度与排名，分别为门店、工厂、配送员、衣物品类四个评价对象的综合质量最优的前n个评价对象与末位清单；对低表现对象进行指标拆解分析，识别其短板指标，输出针对性改进建议；支持按时间切片进行趋势对比，实现同比/环比分析；通过柱状图、雷达图、折线图、热力图可视化形式，将量化评价结果转化为直观的质量报告，支撑运营决策与质量改进。

72、优选的，在评价周期 内，以对各评价对象贴近度时间序列作为输入，采用指数加权移动平均ewma算法实现动态质量预警，包括以下步骤：

73、对每个评价对象的贴近度序列，通过实时更新ewma估计值；

74、其中，表示评价对象在第期的ewma估计值；表示平滑系数，；表示评价对象在第期的贴近度；表示初始值，取评价对象历史贴近度均值；

75、根据ewma估计值的标准差设置上下控制限：

76、上控制限ucl:；

77、下控制限lcl:；

78、其中，表示ewma值的标准差；表示控制限系数，计算如下：

79、；

80、其中，是评价对象历史贴近度序列的均值；

81、当评价对象第期贴近度低于下控制限时，触发黄色预警，轻度异常，持续观察；当连续期低于下控制限lcl时，触发红色预警，提示运营方及时介入，实现质量问题的事前干预。

82、本发明具有如下优点：

83、二、详细版技术效果（适用于专利说明书、技术方案正文）

84、1、本发明采用批量 etl 离线采集与实时流式采集并行架构，可同步汇聚订单、复洗、投诉、维度档案等多源异构数据，既满足历史数据批量统计分析需求，又可实时捕获业务动态变化，兼顾数据完整性与实时性。

85、2、本发明以订单编号为唯一关联键完成多表拼接，通过预设规则引擎自动完成重复数据去重、关键字段缺失剔除、非关键字段规范填充，并统一投诉严重度映射口径，有效过滤脏数据、统一数据标准，从源头保证后续计算与分析结果准确。

86、3、本发明采用极差归一化算法将不同量纲、不同性质的质量指标统一映射至 [0,1] 区间，消除绝对数值、百分比、离散等级之间的差异，为综合评价模型提供规范、统一的输入数据。

87、4、本发明构建包含业务体量、复洗水平、投诉水平、投诉严重度、复洗修复效果五大核心指标，可从经营规模、基础服务质量、问题修复能力多个角度，对门店、洗涤工厂、配送人员、衣物品类四类对象开展综合评估，评价维度无盲区。

88、5、本发明融合熵权法客观赋权与专家打分法主观赋权，通过线性加权得到组合权重，既尊重数据本身的分布特征，又结合行业管理经验与业务管控重点，克服单一赋权方式的局限性，让指标权重更贴合实际管理场景。

89、6、本发明基于 topsis 多属性决策模型计算综合贴近度并完成排名、分级，将抽象的服务质量转化为可横向对比、纵向追踪的量化分值，实现不同主体之间公平对标，替代传统人工定性评判，评价结果客观、可追溯。

90、7、本发明支持生成 top-n 优质对象清单与末位对象清单，并按照贴近度完成质量等级划分，管理人员可快速锁定优秀标杆与待整改主体，提升管理靶向性。

91、8、本发明针对低质量主体回溯单项指标得分，精准定位薄弱环节，并结合业务规则自动输出整改建议，实现整体评价-短板定位-方案指引的闭环分析，大幅缩短问题排查周期。

92、9、本发明支持按周、月、季度开展同比、环比趋势分析，实时跟踪质量波动；通过柱状图、雷达图、折线图、热力图等可视化形式展示数据、排名与趋势，降低数据解读门槛，输出标准化分析报告，直接支撑运营决策。

93、10、本发明引入 ewma 指数加权移动平均算法搭建动态预警模型，对质量指标缓慢下滑、渐进式劣化具备良好识别能力，突破传统事后统计整改的模式，实现质量风险提前感知、提前干预。

94、11、本发明依据统计控制限划分黄色、红色两级预警，区分轻度异常与严重异常，匹配差异化处置策略，便于管理人员按风险等级分级响应、有序处置。