[发明专利]一种基于销售方的网络购物退货预测系统

说明书

技术领域

本发明属于计算机人工智能信息技术领域，尤其涉及一种基于销售方的网络购物退货预测系统。

背景技术

消费者目前有好评率、物品销售件数等数据可以参考。这在购物之前，可以作为是否购物的参考依据。如果货物好评率高、销售的件数多，则购买该物品的风险较小。这在一定程度上，避免了消费者的购物损失。消费者退货，如果是第三方物流，需要承担相应的费用；而销售者则需要承担退货成本：(1)销售方需要采用的主要退货审核方式为人工审核方式，这种方式往往具备如下特点：(a)耗时，退货周期过长；(b)耗费人力，需要大量客服人员；(c)判断困难，因为人工判断往往有争议。因此，减少退货率，能够减少消费者、销售方的损失。(2)定损，如果是运输过程中出现的问题，需要与运输方联系；如果是产品本身质量问题，销售方需要与生产厂家联系。与消费者相比，销售者需要承担更多的成本和风险。降低退货率对于销售方至关重要。

将数据挖掘方法引入销售方网络购物退货预测是一种新颖的做法：网络退货由销售方、运输方和消费者三方共同协作完成，在这个过程中，退货平台产生一系列的数据，其中包括：(1)销售方退货理由数据；(2)运输方在发货和退货过程中产生的数据；(3)销售方退货检测获得的产品质量数据、用户购物行为习惯等数据。将退货过程视作一个“黑箱”，只关注输入参数和输出参数的关系，建立和测试针对用户退货行为的数学模型，通过数据挖掘算法实现销售方网络购物退货预测系统。

本专利涉及的系统基于销售方已经积累的海量销售数据使用合适的数据挖掘模型开展数据分析，得到一个销售方网络购物退货预测模型。当用户在购物平台上购买某件产品时，该预测模型基于现有的数据，加上用户本身特定的行为模式，预测该用户针对这件商品的退货率，避免销售方过多的经济损失。另一方面，用户本次的购物行为及结果实时加入到销售数据中，对系统未来修正预测模型做进一步的准备。

通过使用上述技术能使得销售方在网络销售某商品经由某快递运送给某用户之前在一定程度上自动预测该商品的退货率。实现了销售方自动化控制销售风险的目标。

目前已有的论文大多数涉及物流的退货研究，而非快递研究。物流与快递有一定的不同之处，物流一般为企业服务，运送大容积的货物，一般有仓储管理；而快递更多的是为个人服务，运送货物体积相对较小，一般没有仓储管理。而当前针对逆向物流的研究存在如下缺点：(1)都是总体论述，并没有详细讨论多重配送模式下的不同策略。(2)多数文献讨论时采用了论证或者模拟的方法，并没有实地调研的事实数据支撑理论分析。

发明内容

本发明所要解决的技术问题是针对背景技术的不足提供了一种基于销售方的网络购物退货预测系统，其实现自动化预测客户某次购买行为的退货率。

本发明为解决上述技术问题采用以下技术方案

一种基于销售方的网络购物退货预测系统，包含网络购物历史数据存储模块、数据集成模块、数据预处理模块、数据挖掘模块、人机交互界面；

其中，网络购物历史数据存储模块，用于收集和存储网络购物过程中销售方、运输方和消费者的历史痕迹数据；

数据集成模块，用于从异构数据库中提取所需的数据；

数据预处理模块，用于对数据集成模块得到的结果进行预处理；

数据挖掘模块，用于对数据预处理模块得到的结果进行数据挖掘，进而获取系统预测结果。

作为本发明一种基于销售方的网络购物退货预测系统的进一步优选方案，网络购物历史数据存储模块包含销售购物平台数据存储模块和快递公司数据存储模块，所述销售购物平台数据存储模块用于存储销售方和消费者的交互数据，所述快递公司数据存储模块用于存储销售方和消费者的购买和退货快递数据。

作为本发明一种基于销售方的网络购物退货预测系统的进一步优选方案，所述数据集成模块用于获取销售方数据、消费者数据和快递数据。

作为本发明一种基于销售方的网络购物退货预测系统的进一步优选方案，所述数据预处理模块包含数据归约模块、数据清洗模块、数据变换模块；

其中，数据归约模块，用于获取数据集的归约表示；

数据清洗模块，用于进行数据清理：将完整、正确、一致的数据信息存入网络购物历史数据存储模块中；

数据变换模块，用于将数据转换成适用于数据挖掘的形式。

作为本发明一种基于销售方的网络购物退货预测系统的进一步优选方案，通过朴素贝叶斯算法和集成学习算法对数据预处理模块得到的结果。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：