本發(fā)明涉及電商，具體為一種基于電商大數(shù)據(jù)分析的風險評級預測系統(tǒng)。

背景技術：

1、隨著電商行業(yè)的快速發(fā)展，商品的在線銷售已成為各大企業(yè)的主要盈利渠道，在這一過程中，如何有效地管理和優(yōu)化商品的售賣策略，成為電商平臺和商家的重要課題，商品的曝光頻率、售賣數(shù)量、價格波動以及售后服務多重因素，直接影響到商品的市場競爭力和盈利能力，然而，市場環(huán)境的復雜性和多變性使得商家在進行商品銷售時，面臨諸多風險，包括商品曝光流量變化、消費者需求波動以及價格敏感性，這些風險不僅影響了商品的銷售效果，還可能導致庫存積壓和資源浪費，因此，針對商品售賣風險等級預測，顯得尤為重要。

2、當前，大多數(shù)電商企業(yè)在進行商品售賣風險等級預測時，依賴于歷史銷售數(shù)據(jù)和主觀判斷，缺乏系統(tǒng)性和科學性，這種傳統(tǒng)方法不僅效率低下，還容易受到人為因素的影響，導致風險等級預測不準確，此外，缺乏實時的數(shù)據(jù)采集和分析機制，商家難以及時應對市場變化，從而錯失了最佳銷售機會，因此，構建一種基于電商大數(shù)據(jù)分析的風險評級預測系統(tǒng)，能夠通過多層次數(shù)據(jù)采集與分析，綜合考慮曝光頻率、售賣數(shù)量、價格波動以及售后信息因素，為電商企業(yè)及商家提供更為精準的商品售賣風險評級預測方案，幫助其及時識別潛在問題并采取相應措施，從而有效降低售賣風險，提高市場競爭力。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于電商大數(shù)據(jù)分析的風險評級預測系統(tǒng)，解決了上述背景技術中的問題。

2、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：一種基于電商大數(shù)據(jù)分析的風險評級預測系統(tǒng)，包括第一數(shù)據(jù)采集模塊、相關性分析模塊、第二數(shù)據(jù)采集模塊、綜合售賣風險評估模塊和風險評級預測模塊；

3、所述第一數(shù)據(jù)采集模塊用于通過接入電商平臺公開api接口，在設定的各個時段內對目標商品曝光頻率數(shù)據(jù)進行采集，以獲取目標商品曝光頻率pbg，并根據(jù)目標商品售賣數(shù)量，以采集相應時段內的目標商品售賣數(shù)量數(shù)據(jù)；

4、所述相關性分析模塊用于根據(jù)目標商品曝光頻率數(shù)據(jù)與目標商品售賣數(shù)量數(shù)據(jù)之間的關聯(lián)性，分析目標商品曝光頻率pbg對目標商品售賣數(shù)量ssm所造成的影響程度，生成曝光關聯(lián)指數(shù)zsm，初步判斷該目標商品是否在電商平臺具有售賣競爭力，并發(fā)出相應的售賣風險分析指令；

5、所述第二數(shù)據(jù)采集模塊用于在接收到售賣風險分析指令后，在電商平臺采集各個時段的目標商品售賣價格信息數(shù)據(jù)，并根據(jù)電商平臺中同種目標商品的在售店鋪經(jīng)營情況，對目標商品售后信息進行采集，獲取競爭店鋪售后信息數(shù)據(jù)；

6、所述綜合售賣風險評估模塊用于依據(jù)所述目標商品曝光頻率數(shù)據(jù)、目標商品售賣數(shù)量數(shù)據(jù)、目標商品售賣價格信息和競爭店鋪售后信息數(shù)據(jù)，通過使用機器深度學習技術，并進行特征提取和無量綱處理后，擬合獲取綜合售賣風險評估指數(shù)zpg；

7、所述風險評級預測模塊用于預先設置的評估閾值p與所述綜合售賣風險評估指數(shù)zfx進行對比分析，預測出相應的售賣風險等級，并依據(jù)售賣風險等級作出對應推送信息。

8、優(yōu)選的，所述第一數(shù)據(jù)采集模塊包括接入單元和數(shù)據(jù)采集單元；

9、所述接入單元用于通過注冊電商平臺開發(fā)者賬號，獲取api密鑰和文檔，識別可用的api端點和請求格式，使用編程語言python通過庫構建http請求相關參數(shù)，所述相關參數(shù)包括目標商品id和搜索關鍵字；

10、所述數(shù)據(jù)采集單元基于接入的電商平臺公開api接口，通過發(fā)送搜索請求，接收響應數(shù)據(jù)，經(jīng)特征識別與篩選后，以采集各個時段內的目標商品曝光頻率數(shù)據(jù)及目標商品售賣數(shù)量數(shù)據(jù)，其中，所述目標商品曝光頻率數(shù)據(jù)包括各個時段內的目標商品曝光頻率pbg，所述目標商品售賣數(shù)量數(shù)據(jù)包括各個時段內的目標商品售賣數(shù)量ssm。

11、優(yōu)選的，所述相關性分析模塊包括曝光關聯(lián)分析單元和判斷單元；

12、所述曝光關聯(lián)分析單元用于依據(jù)機器學習模型，并結合目標商品曝光頻率數(shù)據(jù)與目標商品售賣數(shù)量數(shù)據(jù)之間的關聯(lián)性，分析目標商品曝光頻率pbg對目標商品售賣數(shù)量ssm所造成的影響程度，以生成曝光關聯(lián)指數(shù)zsm，所述曝光關聯(lián)指數(shù)zsm通過以下公式獲??；

13、；

14、式中，表示為第i個采集時段內的目標商品曝光頻率，表示為第i個采集時段內的目標商品售賣數(shù)量，表示為采集周期內目標商品曝光頻率的均值，表示為采集周期內目標商品售賣數(shù)量的均值，i=1、2、3、...、n，n表示為采集周期。

15、優(yōu)選的，所述判斷單元用于根據(jù)所述曝光關聯(lián)指數(shù)zsm對應的數(shù)值，初步判斷該目標商品是否在電商平臺具有售賣競爭力，并發(fā)出相應的售賣風險分析指令，具體內容如下：

16、若所述曝光關聯(lián)指數(shù)zsm=1時，表示目標商品的曝光頻率和售賣數(shù)量之間存在完全正相關關系，初步判斷該目標商品在電商平臺具有售賣競爭力，發(fā)出售賣風險分析指令；

17、若所述曝光關聯(lián)指數(shù)zsm=-1時，表示目標商品的曝光頻率和售賣數(shù)量之間存在完全負相關關系，初步判斷該目標商品在電商平臺不具有售賣競爭力，獲取一級售賣風險等級并發(fā)送至推送單元；

18、若所述曝光關聯(lián)指數(shù)zsm=0時，表示目標商品的曝光頻率和售賣數(shù)量之間無相關性，初步判斷該目標商品在電商平臺不具有售賣競爭力，獲取一級售賣風險等級并發(fā)送至推送單元。

19、優(yōu)選的，所述第二數(shù)據(jù)采集模塊用于在接收到售賣風險分析指令后，在電商平臺采集各個時段的目標商品售賣價格信息數(shù)據(jù)，所述目標商品售賣價格信息數(shù)據(jù)包括相對應時段的目標商品售賣價格gsm，并根據(jù)電商平臺中同種目標商品的在售店鋪經(jīng)營情況，對目標商品售后信息進行采集，獲取競爭店鋪售后信息數(shù)據(jù)，所述競爭店鋪售后信息數(shù)據(jù)包括目標商品退貨率vth和目標商品差評率vcp。

20、優(yōu)選的，所述綜合售賣風險評估模塊包括曝光轉化分析單元、價格波動分析單元、售后分析單元和售賣風險評估單元；

21、所述曝光轉化分析單元基于目標商品曝光頻率數(shù)據(jù)與目標商品售賣數(shù)量數(shù)據(jù)，并當所述曝光關聯(lián)指數(shù)zsm=1時，目標商品的曝光頻率和售賣數(shù)量之間存在完全正相關關系，經(jīng)無量綱處理后，分析各個時段的目標商品的曝光頻率和售賣數(shù)量之間的轉化效果，以獲取曝光轉化系數(shù)xzh，所述曝光轉化系數(shù)xzh通過以下公式進行獲??；

22、；

23、式中，表示為第i個采集時段內的目標商品曝光頻率，表示為第i個采集時段內的目標商品售賣數(shù)量，i=1、2、3、...、n，n表示為采集周期。

24、優(yōu)選的，所述價格波動分析單元用于根據(jù)目標商品售賣價格信息數(shù)據(jù)，匯總以構建目標商品售賣價格數(shù)據(jù)集，并抽取其最高目標商品售賣價格gsmmax，通過統(tǒng)計學中求均值算法，獲取在設定時間段中的平均目標商品售賣價格，并經(jīng)過線性歸一化處理后，以擬合獲取價格波動系數(shù)xbd，所述價格波動系數(shù)xbd通過以下公式進行獲取：

25、；

26、式中，i=1、2、3、...、n，n表示為采集周期，表示為在第i采集時間段內的最高目標商品售賣價格。

27、優(yōu)選的，所述售后分析單元用于對所述競爭店鋪售后信息數(shù)據(jù)進行分析，經(jīng)無量綱處理后，獲取售后風險系數(shù)xsh，所述售后風險系數(shù)xsh通過以下公式進行獲取；

28、；

29、式中，式中，表示為第j個店鋪的目標商品退貨率，表示為第j個店鋪的目標商品差評率，j=1、2、3、...、m，m表示為店鋪數(shù)量，和均表示為權重值。

30、優(yōu)選的，所述售賣風險評估單元用于利用機器深度學習技術，并將所述曝光轉化系數(shù)xzh、價格波動系數(shù)xbd和售后風險系數(shù)xsh進行無量綱處理，擬合獲取綜合售賣風險評估指數(shù)zpg，所述綜合售賣風險評估指數(shù)zpg通過以下公式獲取；

31、；

32、式中，、和分別表示為曝光轉化系數(shù)xzh、價格波動系數(shù)xbd和售后風險系數(shù)xsh的權重值，a表示為修正常數(shù)。

33、優(yōu)選的，所述風險評級預測模塊包括評級預測單元和推送單元；

34、所述評級預測單元用于預先設置的評估閾值p與所述綜合售賣風險評估指數(shù)zpg進行對比分析，預測出相應的售賣風險等級，并依據(jù)售賣風險等級作出相應推送提示，具體內容如下；

35、若所述綜合售賣風險評估指數(shù)zpg≥所述評估閾值p時，表示為該目標商品在電商平臺雖具有售賣競爭力，但該目標商品在電商平臺中處于風險售賣狀態(tài)，獲取一級售賣風險等級并發(fā)送至推送單元；

36、若所述綜合售賣風險評估指數(shù)zpg＜所述評估閾值p時，表示為該目標商品在電商平臺具有售賣競爭力，且該目標商品在電商平臺中不處于風險售賣狀態(tài)，獲取二級售賣風險等級并發(fā)送至推送單元；

37、所述推送單元用于接收一級售賣風險等級及二級售賣風險等級，并將相應推送信息發(fā)送至顯示屏中，具體內容如下；

38、當接收一級售賣風險等級時，推送信息內容為當前目標商品售賣處于風險售賣狀態(tài)，建議商家首先進行目標商品的競爭性定價及動態(tài)定價策略，適當調整目標商品的價格低于平臺的平均價格，保證及時地回應顧客咨詢，解決購買后的問題；同時關注消費者對目標商品的評價與反饋，針對差評采取整改措施改進產(chǎn)品質量與服務，而后將目標商品在電商平臺進行售賣；

39、當接收二級售賣風險等級時，推送信息內容為當前目標商品在電商平臺具有售賣競爭力，且不處于風險售賣狀態(tài)，建議商家將目標商品在電商平臺進行售賣，同時進行更新優(yōu)化商品頁面的信息，包括高質量圖片、產(chǎn)品描述和用戶評價，針對用戶搜索習慣，對商品標題和關鍵詞進行詳細描述，提高自然搜索流量，通過多個在線渠道進行營銷推廣，吸引潛在客戶關注目標商品。

40、本發(fā)明提供了一種基于電商大數(shù)據(jù)分析的風險評級預測系統(tǒng)，具備以下有益效果：

41、（1）通過多個模塊的協(xié)同工作，實現(xiàn)了對目標商品售賣風險的精準評估與預測，首先，第一數(shù)據(jù)采集模塊通過電商平臺的api接口及時獲取目標商品的曝光頻率和售賣數(shù)量，確保數(shù)據(jù)的實時性與準確性，接著，根據(jù)目標商品曝光頻率數(shù)據(jù)與目標商品售賣數(shù)量數(shù)據(jù)之間的關聯(lián)性，深入分析目標商品的曝光頻率對售賣數(shù)量的影響，生成曝光關聯(lián)指數(shù)zsm，以此初步判斷商品的市場競爭力并發(fā)出風險分析指令，這一過程使商家能夠快速識別潛在的目標商品銷售問題，若目標商品的曝光頻率和售賣數(shù)量之間不存在完全正相關關系，說明目標商品在電商平臺無市場競爭力，第二數(shù)據(jù)采集模塊進一步收集目標商品售賣價格gsm和競爭店鋪的售后信息，為后續(xù)的綜合售賣風險評估提供更全面的數(shù)據(jù)支持，通過應用機器深度學習技術，綜合售賣風險評估模塊整合各類數(shù)據(jù)，包括考慮曝光頻率、售賣數(shù)量、價格波動以及售后服務多重因素，生成綜合售賣風險評估指數(shù)zpg，使預測結果更加科學與可靠，最后，風險評級預測模塊根據(jù)預設的評估閾值p與綜合售賣風險評估指數(shù)zpg進行對比，精準預測商品的售賣風險等級，并及時向商家推送相應的調整策略，這一系統(tǒng)的實施不僅提高了商家的決策效率和市場應變能力，還有效降低售賣風險，提高市場競爭力，降低了因盲目銷售而導致的經(jīng)濟損失，最終為商家提供了更為精準的商品售賣風險評級預測方案，確保其在競爭激烈的電商環(huán)境中穩(wěn)健發(fā)展。

42、（2）通過曝光關聯(lián)分析單元和判斷單元的緊密協(xié)作，有效提升了電商平臺上目標商品的市場競爭力評估能力，通過運用先進的機器學習模型，分析目標商品的曝光頻率與售賣數(shù)量之間的關聯(lián)性，生成曝光關聯(lián)指數(shù)zsm，為決策提供量化依據(jù)，當曝光關聯(lián)指數(shù)zsm為1時，系統(tǒng)清晰地表明商品在市場上的強大競爭力，商家可迅速調整營銷策略以增強銷量，反之，若曝光關聯(lián)指數(shù)zsm為-1和0時，系統(tǒng)則及時識別出潛在的風險商品，給予商家一級售賣風險等級提示，幫助其規(guī)避可能的經(jīng)濟損失，這種動態(tài)的風險分析和及時反饋機制不僅提高了商家的反應速度和決策質量，還有效降低了因市場變化導致的盲目銷售風險，從而使商家在競爭日益激烈的電商環(huán)境中能夠更加從容應對挑戰(zhàn)，確保盈利能力的穩(wěn)定和增長。

43、（3）通過精確采集目標商品的售賣價格信息及競爭店鋪的售后數(shù)據(jù)，系統(tǒng)能夠全面評估市場動態(tài)，確保商家對商品售價和競爭情況有清晰的了解，同時，曝光轉化分析、價格波動分析和售后分析的結合，使得系統(tǒng)能夠深入挖掘商品曝光與銷售之間的轉化效果、價格波動的影響以及競爭對手的售后表現(xiàn)，這種全面的風險評估機制不僅提升了商家對市場變化的敏感度，還通過機器深度學習技術生成的綜合售賣風險評估指數(shù)zpg，為商家提供了科學的決策依據(jù)，風險評級預測模塊則確保商家能夠及時了解商品的市場風險狀態(tài)，并根據(jù)相應的推送信息調整銷售策略，從而最大化的收益以降低潛在損失，這一整套系統(tǒng)化的評估、預測與反饋機制，不僅提高了商家的市場競爭力，還為其提供了在復雜電商環(huán)境中靈活應對的能力。